論文の概要: Detection and Simulation of Urban Heat Islands Using a Fine-Tuned Geospatial Foundation Model

• arxiv url: http://arxiv.org/abs/2509.16617v1
• Date: Sat, 20 Sep 2025 10:41:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.887283
• Title: Detection and Simulation of Urban Heat Islands Using a Fine-Tuned Geospatial Foundation Model
• Title（参考訳）: 微地形基盤モデルを用いた都市ヒートアイランドの検出とシミュレーション
• Authors: David Kreismann,
• Abstract要約: 本研究は,将来の気候シナリオ下での都市表面温度を予測するため,地理空間基盤モデルを微調整する。 このモデルは1.74degC未満のピクセル単位のダウンスケーリングエラーを達成し、地上の真理パターンと一致し、外挿能力は3.62degCまで向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As urbanization and climate change progress, urban heat island effects are becoming more frequent and severe. To formulate effective mitigation plans, cities require detailed air temperature data. However, predictive analytics methods based on conventional machine learning models and limited data infrastructure often provide inaccurate predictions, especially in underserved areas. In this context, geospatial foundation models trained on unstructured global data demonstrate strong generalization and require minimal fine-tuning, offering an alternative for predictions where traditional approaches are limited. This study fine-tunes a geospatial foundation model to predict urban land surface temperatures under future climate scenarios and explores its response to land cover changes using simulated vegetation strategies. The fine-tuned model achieved pixel-wise downscaling errors below 1.74 {\deg}C and aligned with ground truth patterns, demonstrating an extrapolation capacity up to 3.62 {\deg}C.
• Abstract（参考訳）: 都市化と気候変動が進むにつれて、都市ヒートアイランドの影響はより頻繁に深刻になってきている。 効果的な緩和計画を定式化するためには、都市は詳細な気温データを必要とする。 しかし、従来の機械学習モデルと限られたデータ基盤に基づく予測分析手法は、特に未保存領域において、不正確な予測を提供することが多い。 この文脈では、非構造的グローバルデータに基づいてトレーニングされた地理空間基盤モデルは強力な一般化を示し、最小限の微調整を必要とし、従来のアプローチが限定された予測の代替となる。 本研究は,将来の気候シナリオ下での都市表面温度予測のための地理空間基盤モデルを微調整し,シミュレーション植生戦略を用いた土地被覆変化に対する応答について検討する。 微調整されたモデルでは、1.74 {\deg}C未満の画素単位のダウンスケーリング誤差を達成し、地上の真理パターンと一致し、3.62 {\deg}Cまでの外挿能力を示した。

関連論文リスト

• Geospatial Diffusion for Land Cover Imperviousness Change Forecasting [0.0]
  本稿では,歴史的・補助的なデータソースに規定されたデータ問題としてLULC予測をフレーミングすることにより,土地被覆変化予測のためのジェネレーティブAI(GenAI)を利用した新しいパラダイムを提案する。 本研究では,不確実性予測のための拡散モデルをトレーニングし,その性能を全く変化しないベースラインと比較する。 トレーニング期間中に12大都市圏で1年間にわたり評価した結果,平均分解能が$geq 0.7times0.7km2$の場合,これらのベースラインよりもMAEが低いことが示唆された。
  論文  参考訳（メタデータ） (2025-08-14T13:45:10Z)
• Resolution-Agnostic Transformer-based Climate Downscaling [0.0]
  本研究では,地球ビジョントランス(Earth ViT)モデルを用いたコスト効率の低下手法を提案する。 追加のトレーニングなしではうまく機能し、さまざまな解像度で一般化する能力を示している。 最終的に、この手法は、主要な気候変数の潜在的な将来の変化をより包括的に見積もることができる。
  論文  参考訳（メタデータ） (2024-11-22T07:32:11Z)
• Advancing Marine Heatwave Forecasts: An Integrated Deep Learning Approach [3.8713566366330325]
  極端気候現象熱波(MHW)は海洋生態系や産業に重大な課題をもたらす。 本研究では,世界規模での短期的・長期的MHW予測のための統合型ディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-19T06:11:52Z)
• 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)
• 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)
• Advancing Data-driven Weather Forecasting: Time-Sliding Data Augmentation of ERA5 [3.3748750222488657]
  我々は高解像度データへの共通依存から逸脱する新しい戦略を導入する。 本稿では,データ拡張と処理に対する新たなアプローチとして,変数の追加による従来のアプローチの改善について述べる。 その結果, 解像度が低いにもかかわらず, 提案手法は大気条件の予測にかなり精度が高いことがわかった。
  論文  参考訳（メタデータ） (2024-02-13T03:01:22Z)
• 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)
• 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)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)

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。