論文の概要: How many stations are sufficient? Exploring the effect of urban weather station density reduction on imputation accuracy of air temperature and humidity

• arxiv url: http://arxiv.org/abs/2511.11652v1
• Date: Mon, 10 Nov 2025 14:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.797406
• Title: How many stations are sufficient? Exploring the effect of urban weather station density reduction on imputation accuracy of air temperature and humidity
• Title（参考訳）: 駅はいくつあるか : 都市気象局密度の低下が気温・湿度の計算精度に及ぼす影響について
• Authors: Marvin Plein, Carsten F. Dormann, Andreas Christen,
• Abstract要約: 都市気象局ネットワーク(WSN)は、都市気象や気候パターンを監視し、都市計画を支援するために広く利用されている。 本稿では,ドイツ・フライブルクの既存のWSNを薄型化するためのステップワイズ駅除去手順を提案する。 我々は,WSN濃度のシミュレート後の1年間,WSNの大気温度と湿度パターンを再現するWSNサブセットの能力を解析した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban weather station networks (WSNs) are widely used to monitor urban weather and climate patterns and aid urban planning. However, maintaining WSNs is expensive and labor-intensive. Here, we present a step-wise station removal procedure to thin an existing WSN in Freiburg, Germany, and analyze the ability of WSN subsets to reproduce air temperature and humidity patterns of the entire original WSN for a year following a simulated reduction of WSN density. We found that substantial reductions in station numbers after one year of full deployment are possible while retaining high predictive accuracy. A reduction from 42 to 4 stations, for instance, increased mean prediction RMSEs from 0.69 K to 0.83 K for air temperature and from 3.8% to 4.4% for relative humidity, corresponding to RMSE increases of only 20% and 16%, respectively. Predictive accuracy is worse for remote stations in forests than for stations in built-up or open settings, but consistently better than a state-of-the-art numerical urban land-surface model (Surface Urban Energy and Water Balance Scheme). Stations located at the edges between built-up and rural areas are most valuable when reconstructing city-wide climate characteristics. Our study demonstrates the potential of thinning WSNs to maximize the efficient allocation of financial and personnel-related resources in urban climate research.
• Abstract（参考訳）: 都市気象局ネットワーク(WSN)は、都市気象や気候パターンを監視し、都市計画を支援するために広く利用されている。 しかし、WSNの維持は高価で労働集約的です。 本稿では,ドイツ・フライブルクの既存のWSNを薄型化するための段階的局面除去法を提案し,WSN濃度のシミュレート後の1年間,元のWSN全体の気温と湿度パターンを再現するWSNサブセットの分析を行った。 その結果,1年後の駅数削減は予測精度を高く保ちながら実現可能であることがわかった。 例えば42駅から4駅に減らされ、平均RMSEは気温0.69Kから0.83Kに、相対湿度3.8%から4.4%に増加し、それぞれ20%と16%に増加した。 森林におけるリモートステーションの予測精度は、ビルトアップやオープンセッティングのステーションよりも悪いが、最先端の数値的な都市地表面モデル(Surface Urban Energy and Water Balance Scheme)よりも一貫して優れている。 ビルトアップと農村の端に位置する駅は、都市全体の気候特性を再構築する際に最も価値がある。 本研究は, 都市気候研究におけるファイナンシャルおよび人的資源の効率的な配分を最大化するためのWSNの薄型化の可能性を示すものである。

関連論文リスト

• A Weather Foundation Model for the Power Grid [4.060631090375762]
  我々はSilurian AIのWFM, Generative Forecasting Transformer (GFT)を微調整する 5つのグリッドクリティカル変数に対して、ハイパーローカルでアセットレベルの予測を提供する。 平均精度は0.72で、頭頂部ライムアイス検出を行う。
  論文  参考訳（メタデータ） (2025-09-28T08:05:46Z)
• Modeling Multivariable High-resolution 3D Urban Microclimate Using Localized Fourier Neural Operator [2.148526586778159]
  従来の計算流体力学シミュレーションでは、速度と温度が計算に高価である。 最近の機械学習の進歩は、都市部の微小気候シミュレーションを加速するための有望な代替手段を提供する。 そこで我々は,局所学習,幾何符号化,パッチオーバーラップを用いた局所フーリエニューラル演算子(Local-FNO)モデルを提案する。 CFDソルバの50倍近い速度で、単一の32GB GPU上で、1億5000万のフィーチャディメンションを持つ高解像度の予測を提供する。
  論文  参考訳（メタデータ） (2024-11-18T07:38:25Z)
• A Machine Learning Approach for the Efficient Estimation of Ground-Level Air Temperature in Urban Areas [6.7236795813629]
  都市で発生する都市ヒートアイランド(UHI)現象は、その熱応力を増大させ、より持続可能な都市を実現するための障害の1つである。 本研究では,都市域の空間的・気象的変数と街路レベルの空気温度を関連付けるために,イメージ・ツー・イメージ・ディープ・ニューラル・ネットワーク(DNN)の有用性を検討する。 街路レベルでの空気温度は、特定のユースケースに対して空間的にも時間的にも推定され、既存のよく確立された数値モデルと比較される。
  論文  参考訳（メタデータ） (2024-11-05T15:05:23Z)
• 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)
• 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)
• 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)
• 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)
• Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities [28.233460564726034]
  Deep-AIRは、畳み込みニューラルネットワークと長期記憶ネットワークを組み合わせた、新しいハイブリッドディープラーニングフレームワークである。 提案手法は,大気汚染と都市動態の特徴の相互相互作用の学習を強化するために,1x1畳み込み層を生成する。 香港では, 67.6%, 77.2%, 66.1%の精度, 1時間, 24時間大気汚染予測, 65.0%, 75.3%, 63.5%の精度を達成した。
  論文  参考訳（メタデータ） (2021-03-25T13:47:56Z)
• A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
  我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。 次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。 その結果,全駅でWRF予測が顕著に改善したことが示唆された。
  論文  参考訳（メタデータ） (2020-08-14T17:48:06Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。