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

• arxiv url: http://arxiv.org/abs/2510.18773v1
• Date: Tue, 21 Oct 2025 16:21:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.916477
• Title: Detection and Simulation of Urban Heat Islands Using a Fine-Tuned Geospatial Foundation Model for Microclimate Impact Prediction
• Title（参考訳）: 微小気候影響予測のための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: Jannis Fleckenstein, David Kreismann, Tamara Rosemary Govindasamy, Thomas Brunschwiler, Etienne Vos, Mattia Rigotti,
• Abstract要約: グローバルな非構造化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、有望な代替手段を提供する。 本研究では,都市熱パターンの実証的基礎的真理を確立した。 以上の結果から,基礎モデルが都市ヒートアイランド緩和戦略を評価する強力な手段であることを示唆した。
• 参考スコア（独自算出の注目度）: 6.709665033492011
• 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, yet conventional machine learning models with limited data often produce inaccurate predictions, particularly in underserved areas. Geospatial foundation models trained on global unstructured data offer a promising alternative by demonstrating strong generalization and requiring only minimal fine-tuning. In this study, an empirical ground truth of urban heat patterns is established by quantifying cooling effects from green spaces and benchmarking them against model predictions to evaluate the model's accuracy. The foundation model is subsequently fine-tuned to predict land surface temperatures under future climate scenarios, and its practical value is demonstrated through a simulated inpainting that highlights its role for mitigation support. The results indicate that foundation models offer a powerful way for evaluating urban heat island mitigation strategies in data-scarce regions to support more climate-resilient cities.
• 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が、限られたデータを持つ従来の機械学習モデルは、特に観測されていない地域では、しばしば不正確な予測を発生させる。 グローバルな非構造化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、最小限の微調整しか必要とせず、有望な代替手段を提供する。 本研究では,緑地からの冷却効果を定量化し,モデル予測と比較し,モデルの精度を評価することにより,都市熱パターンの実証的な基礎事実を確立する。 基礎モデルはその後,将来の気候シナリオ下での地表面温度を予測するために微調整され,その実用的価値は,緩和支援におけるその役割を強調したシミュレートインペインティングを通じて示される。 以上の結果から,基盤モデルは,データスカース地域における都市ヒートアイランド緩和戦略を評価する強力な方法であり,より耐気候性の高い都市を支援することが示唆された。

関連論文リスト

• Detection and Simulation of Urban Heat Islands Using a Fine-Tuned Geospatial Foundation Model [0.0]
  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。
  論文  参考訳（メタデータ） (2025-09-20T10:41:33Z)
• A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [18.881422165965017]
  本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。 本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
  論文  参考訳（メタデータ） (2024-12-19T19:47:35Z)
• Robustness of AI-based weather forecasts in a changing climate [1.4779266690741741]
  現状の機械学習モデルは、現在の気候における天気予報のために訓練されたものであり、様々な気候状態において熟練した予測をもたらすことを示す。 現在の制限にもかかわらず、我々の結果は、データ駆動機械学習モデルが気候科学に強力なツールを提供することを示唆している。
  論文  参考訳（メタデータ） (2024-09-27T08:11:49Z)
• 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)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• 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。