論文の概要: Optimizing Urban Critical Green Space Development Using Machine Learning

• arxiv url: http://arxiv.org/abs/2505.09175v1
• Date: Wed, 14 May 2025 06:13:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.387957
• Title: Optimizing Urban Critical Green Space Development Using Machine Learning
• Title（参考訳）: 機械学習を用いた都市クリティカルグリーンスペース開発の最適化
• Authors: Mohammad Ganjirad, Mahmoud Reza Delavar, Hossein Bagheri, Mohammad Mehdi Azizi,
• Abstract要約: 本稿では,多種多様な社会経済・環境・感度指標を用いて,テヘランの都市緑地開発を優先する新たな枠組みを提案する。 グリーン屋根の緑地開発前後の重要地域を評価するため, 微気候シミュレーションにより, フレームワークの性能を検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper presents a novel framework for prioritizing urban green space development in Tehran using diverse socio-economic, environmental, and sensitivity indices. The indices were derived from various sources including Google Earth Engine, air pollution measurements, municipal reports and the Weather Research & Forecasting (WRF) model. The WRF model was used to estimate the air temperature at a 1 km resolution due to insufficient meteorological stations, yielding RMSE and MAE values of 0.96{\deg}C and 0.92{\deg}C, respectively. After data preparation, several machine learning models were used for binary vegetation cover classification including XGBoost, LightGBM, Random Forest (RF) and Extra Trees. RF achieved the highest performance, exceeding 94% in Overall Accuracy, Recall, and F1-score. Then, the probability of areas lacking vegetation cover was assessed using socio-economic, environmental and sensitivity indices. This resulted in the RF generating an urban green space development prioritization map. Feature Importance Analysis revealed that the most significant indices were nightly land surface temperature (LST) and sensitive population. Finally, the framework performance was validated through microclimate simulation to assess the critical areas after and before the green space development by green roofs. The simulation demonstrated reducing air temperature by up to 0.67{\deg}C after utilizing the green roof technology in critical areas. As a result, this framework provides a valuable tool for urban planners to develop green spaces.
• Abstract（参考訳）: 本稿では,多種多様な社会経済・環境・感度指標を用いて,テヘランの都市緑地開発を優先する新たな枠組みを提案する。 指標は、Google Earth Engine、大気汚染の測定、自治体の報告、気象調査・予測(WRF)モデルなど、さまざまな情報源から得られた。 WRFモデルを用いて, 気象観測所が不十分なため, 大気温度を1kmの分解能で推定し, RMSE値とMAE値はそれぞれ0.96{\deg}C, 0.92{\deg}Cとした。 データ準備後、XGBoost、LightGBM、ランダムフォレスト(RF)、エクストラツリーなどの二分植生被覆分類に機械学習モデルが使用された。 RFは最高性能を達成し、総合精度、リコール、F1スコアの94%を突破した。 植生被覆率の低い地域は, 社会経済的, 環境的, 敏感な指標を用いて評価した。 この結果、RFは都市部のグリーンスペース開発優先順位マップを作成した。 特徴重要度分析の結果,最も顕著な指標は夜間陸面温度(LST)と敏感な人口であった。 最後に, 緑地の緑地開発前後の重要地域を評価するため, 微気候シミュレーションにより, フレームワークの性能を検証した。 このシミュレーションは、臨界地域でのグリーンルーフ技術を利用した後、最大0.67{\deg}Cの空気温度の低減を実証した。 結果として、この枠組みは都市計画者が緑地を開発するための貴重なツールとなる。

関連論文リスト

• Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
  本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。 このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。 今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-14T01:32:45Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Digital elevation model correction in urban areas using extreme gradient boosting, land cover and terrain parameters [0.0]
  南アフリカのケープタウン上空で2台の中分解能30m DEMの精度を高めるために, 極勾配促進(XGBoost)アンサンブルアルゴリズムを採用した。 トレーニングデータセットは、標高、都市フットプリント、斜面、アスペクト、表面粗さ、地形位置指数、地形粗さ指数、地形表面テクスチャ、ベクトル粗さ測定、森林被覆、裸地被覆を含む11の予測変数からなる。
  論文  参考訳（メタデータ） (2023-08-12T12:03:31Z)
• Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
  我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。 また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。 我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
  論文  参考訳（メタデータ） (2023-03-28T17:59:05Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• GLObal Building heights for Urban Studies (UT-GLOBUS) for city- and street- scale urban simulations: Development and first applications [3.4244476729483013]
  テキサス大学 都市研究のためのグローバル・ビルディング・ハイツ(UT-GLOBUS)について紹介する。 UT-GLOBUSは、世界中の1200以上の都市や地域向けに高さと都市キャノピーパラメータ(UCP)を提供するデータセットである。 6つの米国都市のLiDARデータによる検証では、UT-GLOBUS由来のビルの高さは9.1mの根平均二乗誤差(RMSE)であった。
  論文  参考訳（メタデータ） (2022-05-24T17:34:14Z)
• Global canopy height estimation with GEDI LIDAR waveforms and Bayesian deep learning [20.692092680921274]
  NASAのGlobal Ecosystem Dynamics Investigation(GEDI)は、地球規模の炭素循環における森林の役割の理解を深めることを目的としている重要な気候ミッションである。 本稿では,GEDI波形とレグレッション・キャノピー・トップハイトを世界規模で解釈する新しい教師付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T23:08:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。