論文の概要: Planning for Cooler Cities: A Multimodal AI Framework for Predicting and Mitigating Urban Heat Stress through Urban Landscape Transformation
- arxiv url: http://arxiv.org/abs/2507.23000v1
- Date: Wed, 30 Jul 2025 18:05:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:08.513499
- Title: Planning for Cooler Cities: A Multimodal AI Framework for Predicting and Mitigating Urban Heat Stress through Urban Landscape Transformation
- Title(参考訳): 涼しい都市の計画:都市景観変換による都市熱応力の予測と緩和のためのマルチモーダルAIフレームワーク
- Authors: Shengao Yi, Xiaojiang Li, Wei Tu, Tianhong Zhao,
- Abstract要約: GSM-UTCIは1m超局所分解能の日平均温度指数(UTCI)を予測するために設計された多モード深層学習フレームワークである。
R2は0.9151、平均絶対誤差は0.41degCであり、都市全体の推定時間は数時間から5分以内である。
その結果, 空間的に不均一だが一貫した冷却効果が示され, 木間変換が最良となることがわかった。
- 参考スコア(独自算出の注目度): 5.5253906228458955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As extreme heat events intensify due to climate change and urbanization, cities face increasing challenges in mitigating outdoor heat stress. While traditional physical models such as SOLWEIG and ENVI-met provide detailed assessments of human-perceived heat exposure, their computational demands limit scalability for city-wide planning. In this study, we propose GSM-UTCI, a multimodal deep learning framework designed to predict daytime average Universal Thermal Climate Index (UTCI) at 1-meter hyperlocal resolution. The model fuses surface morphology (nDSM), high-resolution land cover data, and hourly meteorological conditions using a feature-wise linear modulation (FiLM) architecture that dynamically conditions spatial features on atmospheric context. Trained on SOLWEIG-derived UTCI maps, GSM-UTCI achieves near-physical accuracy, with an R2 of 0.9151 and a mean absolute error (MAE) of 0.41{\deg}C, while reducing inference time from hours to under five minutes for an entire city. To demonstrate its planning relevance, we apply GSM-UTCI to simulate systematic landscape transformation scenarios in Philadelphia, replacing bare earth, grass, and impervious surfaces with tree canopy. Results show spatially heterogeneous but consistently strong cooling effects, with impervious-to-tree conversion producing the highest aggregated benefit (-4.18{\deg}C average change in UTCI across 270.7 km2). Tract-level bivariate analysis further reveals strong alignment between thermal reduction potential and land cover proportions. These findings underscore the utility of GSM-UTCI as a scalable, fine-grained decision support tool for urban climate adaptation, enabling scenario-based evaluation of greening strategies across diverse urban environments.
- Abstract(参考訳): 気候変動や都市化による極端な暑さが増すにつれ、都市は屋外の熱ストレスを緩和する上での課題に直面している。
SOLWEIGやENVI-metといった従来の物理モデルは、人間の知覚熱暴露の詳細な評価を提供するが、その計算要求は都市全体の計画のスケーラビリティを制限している。
本研究では,1m超局所分解能の日平均温暖度指数(UTCI)を予測するための多モード深層学習フレームワークであるGSM-UTCIを提案する。
このモデルは、大気環境における空間的特徴を動的に条件付ける機能ワイド線形変調(FiLM)アーキテクチャを用いて、表面形態学(nDSM)、高分解能土地被覆データ、時給気象条件を融合する。
GSM-UTCIは、SOLWEIG由来のUTCIマップに基づいて、R2の0.9151と平均絶対誤差(MAE)0.41{\deg}Cのほぼ物理精度を達成し、都市全体の時間から5分未満まで推論時間を短縮する。
本研究は,GSM-UTCIを用いてフィラデルフィアの景観変化をシミュレートし,裸地,草地,不活性表面を樹冠に置き換えた。
その結果、空間的に不均一であるが一貫して強い冷却効果を示し、270.7km2でUTCIの平均値が4.18{\deg}Cとなる。
トラクトレベルの二変量解析により、熱還元電位と土地被覆率の強い一致が明らかになる。
これらの知見は,GSM-UTCIを都市気候適応のためのスケーラブルできめ細かな意思決定支援ツールとして活用し,多様な都市環境における緑化戦略のシナリオベース評価を可能にした。
関連論文リスト
- Integrating Spatiotemporal Vision Transformer into Digital Twins for High-Resolution Heat Stress Forecasting in Campus Environments [14.46777973030641]
本研究は, 熱ストレス予測と意思決定を強化するため, 気候時空間デジタルツインフレームワークを提案する。
テキサス州のキャンパスをテストベッドとして,空間および気象データを用いて高分解能物理モデルシミュレーションを合成し,微細な人体熱予測法を開発した。
論文 参考訳(メタデータ) (2025-02-12T05:27:16Z) - Urban Air Temperature Prediction using Conditional Diffusion Models [26.577558935382477]
世界的トレンドとしての都市化は、都市ヒートアイランド(UHI)効果など、多くの環境問題を引き起こしている。
表面上の2mの空気温度は、UHI効果の鍵となる指標である。
土地利用土地被覆(LULC)がT_a$にどのように影響するかは、近隣の規模で高解像度(HR)のT_a$データを必要とする重要な研究課題である。
地表面温度(LST)と他のLULC関連特性を用いて,100mの地表面分離距離(gsd)でHR$T_a$を予測する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-12-18T04:56:29Z) - Spatio-Temporal Jump Model for Urban Thermal Comfort Monitoring [0.0]
空間次元と時間次元の両方にまたがってデータを扱うアテンポ的ハンドルを導入する。
我々は,本手法を広範囲なシミュレーションにより検証し,真に基礎となる分割を復元する際の精度を実証した。
本提案では, 都市環境の動的設定と実環境モニタリングへの適合性を実証し, その有効性を示す。
論文 参考訳(メタデータ) (2024-11-14T15:36:19Z) - 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) - 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) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳(メタデータ) (2020-09-23T17:52:09Z)
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。