論文の概要: Interpretable Machine Learning for Urban Heat Mitigation: Attribution and Weighting of Multi-Scale Drivers

• arxiv url: http://arxiv.org/abs/2507.04802v1
• Date: Mon, 07 Jul 2025 09:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.352116
• Title: Interpretable Machine Learning for Urban Heat Mitigation: Attribution and Weighting of Multi-Scale Drivers
• Title（参考訳）: 都市熱緩和のための解釈可能な機械学習:マルチスケールドライバの属性と重み付け
• Authors: David Tschan, Zhi Wang, Jan Carmeliet, Yongling Zhao,
• Abstract要約: 都市熱島(UHI)は、しばしば熱波(HW)の間にアクセントを付け、公衆の健康リスクを引き起こす。 本研究は、これらのドライバを運転(D)、都市(U)、局所(L)特徴に分類することを提案する。 解釈可能性の向上と効率の向上を目的として,LUT識別機械学習手法を提案する。
• 参考スコア（独自算出の注目度）: 3.5063072299054565
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Urban heat islands (UHIs) are often accentuated during heat waves (HWs) and pose a public health risk. Mitigating UHIs requires urban planners to first estimate how urban heat is influenced by different land use types (LUTs) and drivers across scales - from synoptic-scale climatic background processes to small-scale urban- and scale-bridging features. This study proposes to classify these drivers into driving (D), urban (U), and local (L) features, respectively. To increase interpretability and enhance computation efficiency, a LUT-distinguishing machine learning approach is proposed as a fast emulator for Weather Research and Forecasting model coupled to a Single-Layer Urban Canopy Model (WRF-SLUCM) to predict ground- (TSK) and 2-meter air temperature (T2). Using random forests (RFs) with extreme gradient boosting (XGB) trained on WRF-SLUCM output over Zurich, Switzerland, during heatwave (HW) periods in 2017 and 2019, this study proposes LUT-based (LB) models that categorize features by scales and practical controllability, allowing optional categorical weighting. This approach enables category-specific feature ranking and sensitivity estimation of T2 and TSK to most important small-scale drivers - most notably surface emissivity, albedo, and leaf area index (LAI). Models employing the LB framework are statistically significantly more accurate than models that do not, with higher performance when more HW data is included in training. With RF-XGB robustly performing optimal with unit weights, the method substantially increase interpretability. Despite the needs to reduce statistical uncertainties and testing the method on other cities, the proposed approach offers urban planners a direct framework for feasibility-centered UHI mitigation assessment.
• Abstract（参考訳）: 都市熱島(UHI)は、しばしば熱波(HW)の間にアクセントを付け、公衆の健康リスクを引き起こす。 UHIを緩和するためには、まず都市熱が様々な土地利用タイプ(LUT)や規模にわたるドライバーにどのように影響するかを都市プランナーに見積もる必要がある。 本研究は、これらのドライバを運転(D)、都市(U)、地方(L)の特徴に分類することを提案する。 気象調査・予報モデルの高速エミュレータとして, 単層都市キャノピーモデル (WRF-SLUCM) と結合し, 地上温度 (TSK) と2m空気温度 (T2) を予測することを目的とした, LUT-distinguishing machine learning approach を提案する。 スイス・チューリッヒのWRF-SLUCM出力をトレーニングしたランダム林(RF)を用いて,2017年と2019年の熱波(HW)期間に,スケールと実用的な制御性によって特徴を分類し,オプションのカテゴリー重み付けを可能にするLUTモデルを提案する。 このアプローチは、T2とTSKのカテゴリ別特徴ランク付けと感度推定を、特に表面放射率、アルベド、葉面積指数(LAI)といった、最も重要な小規模ドライバに対して実現している。 LBフレームワークを使用するモデルは、トレーニングにより多くのHWデータが含まれている場合、そのモデルよりも統計的にかなり正確である。 RF-XGBは単位重みで安定に動作することにより、解釈可能性を大幅に向上させる。 統計的不確実性を低減し、他の都市で試す必要があるが、提案手法は都市プランナーに、実現可能性中心のUHI緩和評価のための直接的な枠組みを提供する。

関連論文リスト

• DiffScale: Continuous Downscaling and Bias Correction of Subseasonal Wind Speed Forecasts using Diffusion Models [0.27104259437944106]
  季節的・季節的な予測(S2S)は、エネルギーセクターに重大な社会経済的優位性をもたらす可能性がある。 DiffScaleは連続的なダウンスケール要因やリードタイムの空間情報を超解する拡散モデルである。 予測品質が大幅に向上し,ベースラインが最大3.5%向上した。
  論文  参考訳（メタデータ） (2025-03-31T09:44:28Z)
• Generalization of Urban Wind Environment Using Fourier Neural Operator Across Different Wind Directions and Cities [3.161712948860127]
  本研究では,風向と都市レイアウトの異なる流れ場予測におけるフーリエニューラル演算子(FNO)モデルの有効性について検討した。 大規模なエドディシミュレーションデータから速度データを学習することにより,異なる都市環境と風環境下でのモデルの性能を評価する。 その結果,FNOモデルでは正確な予測が可能であり,計算時間を99%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-01-09T18:02:12Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Analyzing and Exploring Training Recipes for Large-Scale Transformer-Based Weather Prediction [1.3194391758295114]
  比較的オフ・ザ・シェルフアーキテクチャ、簡単な訓練手順、適度な計算予算でも高い予測能力が得られることを示す。 具体的には、ERA5データに基づいて最小修正SwinV2変換器をトレーニングし、IFSと比較すると優れた予測技術が得られることを確かめる。
  論文  参考訳（メタデータ） (2024-04-30T15:30:14Z)
• Machine Learning Parameterization of the Multi-scale Kain-Fritsch (MSKF) Convection Scheme [6.912451798457824]
  温暖帯の豪雨はしばしば南中国沿岸で起こる。 大気境界層の乱流渦は、灰色ゾーンで部分的に解かれ、ある程度パラメータ化されるのみである。 近年,さまざまな分野の大気科学への機械学習(ML)モデルの適用が増加している。
  論文  参考訳（メタデータ） (2023-11-07T01:47:16Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances [44.28969320556008]
  サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。 本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
  論文  参考訳（メタデータ） (2020-06-14T18:39:27Z)

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。