Fugu-MT 論文翻訳(概要): EcoScapes: LLM-Powered Advice for Crafting Sustainable Cities

論文の概要: EcoScapes: LLM-Powered Advice for Crafting Sustainable Cities

arxiv url: http://arxiv.org/abs/2512.14373v1
Date: Tue, 16 Dec 2025 12:58:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-17 16:49:26.719802
Title: EcoScapes: LLM-Powered Advice for Crafting Sustainable Cities
Title（参考訳）: EcoScapes: 持続可能な都市を作るためのLCMベースのアドバイス
Authors: Martin Röhn, Nora Gourmelon, Vincent Christlein,
Abstract要約: 小都市は限られた人的資源に苦しむことが多く、包括的な分析のために大量のデータを統合する。本稿では, LLM, 衛星画像解析, 知識ベースを組み合わせた多層システムを提案し, 効果的な気候適応戦略の開発を支援する。
参考スコア（独自算出の注目度）: 2.8037951156321372
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Climate adaptation is vital for the sustainability and sometimes the mere survival of our urban areas. However, small cities often struggle with limited personnel resources and integrating vast amounts of data from multiple sources for a comprehensive analysis. To overcome these challenges, this paper proposes a multi-layered system combining specialized LLMs, satellite imagery analysis and a knowledge base to aid in developing effective climate adaptation strategies. The corresponding code can be found at https://github.com/Photon-GitHub/EcoScapes.
Abstract（参考訳）: 気候適応は持続可能性に不可欠であり、時として都市部の生存に必要である。しかし、小都市は限られた人材資源に苦しむことが多く、総合的な分析のために複数の情報源から膨大な量のデータを統合している。これらの課題を克服するために, 特殊なLCM, 衛星画像解析, 知識ベースを組み合わせた多層システムを提案し, 効果的な気候適応戦略の開発を支援する。対応するコードはhttps://github.com/Photon-GitHub/EcoScapesで見ることができる。

関連論文リスト

Incorporating Quality of Life in Climate Adaptation Planning via Reinforcement Learning [2.1499528348377535]
強化学習(Reinforcement Learning, RL)は、複雑で動的で不確実な問題に対処する上で、大きな可能性を秘めている。我々はRLを用いて、長期にわたってどの気候適応経路が生活の質を高めるかを特定する。予備的な結果は,本手法が最適適応の学習に有効であることが示唆され,他の現実的かつ現実的な計画戦略よりも優れていた。
論文参考訳（メタデータ） (2025-11-05T07:00:55Z)
Urban-R1: Reinforced MLLMs Mitigate Geospatial Biases for Urban General Intelligence [64.36291202666212]
アーバン・ジェネラル・インテリジェンス(UGI)とは、複雑な都市環境を理解し、推論できるAIシステムである。近年, LLM と MLLM の教師付き微調整 (SFT) を用いた都市基盤モデルの構築が進められている。 MLLMをUGIの目的と整合させる強化学習に基づくポストトレーニングフレームワークであるUrban-R1を提案する。
論文参考訳（メタデータ） (2025-10-18T15:59:09Z)
Unsupervised Urban Tree Biodiversity Mapping from Street-Level Imagery Using Spatially-Aware Visual Clustering [2.757627877483678]
都市部の樹木の多様性は、気候の回復力、生態学的安定性、および都市の自由性に重要である。フィールドベースの在庫はシャノンとシンプソンの多様性の信頼できる見積もりを提供するが、コストと時間を要する。街路レベルの画像からの視覚的埋め込みと空間的植込みパターンを統合し,ラベルなしで生物多様性を推定する,教師なしクラスタリングフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-19T13:18:22Z)
Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
論文参考訳（メタデータ） (2025-01-20T07:12:40Z)
Harnessing Large Language Models for Disaster Management: A Survey [63.69308255115172]
大規模言語モデル(LLM)は、その例外的な能力で科学研究に革命をもたらし、様々な分野を変革した。本研究の目的は,災害対策のための高度LLMの開発における専門家コミュニティの指導であり,自然災害に対するレジリエンスを高めることである。
論文参考訳（メタデータ） (2025-01-12T21:00:50Z)
CityGPT: Empowering Urban Spatial Cognition of Large Language Models [7.40606412920065]
大規模言語モデルは、都市環境内の実際の地理空間的タスクに取り組むと、しばしば不足する。都市空間に対するLLMの理解を高め、関連する都市課題を解決する能力を向上させるためのフレームワークである textitCityGPT を提案する。提案手法の有効性を検証するため,LLMの性能評価のためのテキストベースの空間ベンチマークtextitCityEvalを開発した。
論文参考訳（メタデータ） (2024-06-20T02:32:16Z)
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)
Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文参考訳（メタデータ） (2022-01-26T14:58:51Z)

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。