論文の概要: Spatially Aware Deep Learning for Microclimate Prediction from High-Resolution Geospatial Imagery

• arxiv url: http://arxiv.org/abs/2603.13273v1
• Date: Fri, 27 Feb 2026 05:45:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.252618
• Title: Spatially Aware Deep Learning for Microclimate Prediction from High-Resolution Geospatial Imagery
• Title（参考訳）: 高解像度地理空間画像からの微小気候予測のための空間認識深層学習
• Authors: Idan Sulami, Alon Itzkovitch, Michael R. Kearney, Moni Shahar, Ofir Levy,
• Abstract要約: 遠隔センシングが微気候温度予測への空間的コンテキストの寄与の定量化にどのように役立つかを示す。 ドローン由来の空間層と気象データを用いて、場所の地温を推定した。 その結果,空間的に隣接した情報を組み込むことで予測精度が大幅に向上することが示唆された。
• 参考スコア（独自算出の注目度）: 0.7829352305480287
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Microclimate models are essential for linking climate to ecological processes, yet most physically based frameworks estimate temperature independently for each spatial unit and rely on simplified representations of lateral heat exchange. As a result, the spatial scales over which surrounding environmental conditions influence local microclimates remain poorly quantified. Here, we show how remote sensing can help quantify the contribution of spatial context to microclimate temperature predictions. Building on convolutional neural network principles, we designed a task-specific deep neural network and trained a series of models in which the spatial extent of input data was systematically varied. Drone-derived spatial layers and meteorological data were used to predict ground temperature at a focal location, allowing direct assessment of how prediction accuracy changes with increasing spatial context. Our results show that incorporating spatially adjacent information substantially improves prediction accuracy, with diminishing returns beyond spatial extents of approximately 5-7 m. This characteristic scale indicates that ground temperatures are influenced not only by local surface properties, but also by horizontal heat transfer and radiative interactions operating across neighboring microhabitats. The magnitude of spatial effects varied systematically with time of day, microhabitat type, and local environmental characteristics, highlighting context-dependent spatial coupling in microclimate formation. By treating deep learning as a diagnostic tool rather than solely a predictive one, our approach provides a general and transferable method for quantifying spatial dependencies in microclimate models and informing the development of hybrid mechanistic-data-driven approaches that explicitly account for spatial interactions while retaining physical interpretability.
• Abstract（参考訳）: ミクロ気候モデルは、気候と生態過程を結びつけるのに不可欠であるが、ほとんどの物理的基盤のフレームワークは、空間単位ごとに独立して温度を推定し、横方向の熱交換の簡易な表現に依存している。 その結果、周囲の環境条件が局所的な微小気候に影響を与える空間スケールは、定量化が不十分なままである。 ここでは、リモートセンシングが、ミクロ気候温度予測への空間的コンテキストの寄与を定量化するのにどう役立つかを示す。 畳み込みニューラルネットワークの原理に基づいて、タスク固有のディープニューラルネットワークを設計し、入力データの空間的範囲が体系的に変化する一連のモデルを訓練した。 ドローン由来の空間層と気象データを用いて、場所の地温を推定し、空間コンテキストの増加に伴う予測精度の変化を直接評価した。 その結果,空間に隣接した情報を組み込むことで予測精度が大幅に向上し,空間範囲を約5～7mを超えるリターンが減少することがわかった。 この特性尺度は, 地表面性状だけでなく, 地表面の水平熱伝達や, 近隣の微小生息地を横断する放射的相互作用にも影響することが示唆された。 空間効果の大きさは, 日時, マイクロビデントタイプ, 局所環境特性とともに系統的に変化し, 微気候形成における環境依存性の空間結合が強調された。 深層学習を単なる予測ツールではなく診断ツールとして扱うことにより、マイクロ気候モデルにおける空間依存性を定量化し、物理的解釈性を維持しながら空間的相互作用を明示的に考慮したハイブリッド力学データ駆動型アプローチを開発するための、汎用的で伝達可能な手法を提供する。

関連論文リスト

• Conceptual framework for the application of deep neural networks to surface composition reconstruction from Mercury's exospheric data [77.40388962445168]
  本研究では、ディープニューラルネットワーク(DNN)を用いた中性外気圏のその場測定から水銀のレゴリス元素組成の導出の可能性について検討する。 本稿では,下記表層リゴリスの化学成分を予測した制御フィードフォワードDNNアーキテクチャを提案する。 表面と外圏の相互作用や、外圏の形成に至る過程を推定する指標として機能する。
  論文  参考訳（メタデータ） (2025-05-16T09:52:45Z)
• Predicting unobserved climate time series data at distant areas via spatial correlation using reservoir computing [5.008022566317949]
  本研究は, 気象要素, 特に地表温度と圧力を, データ観測点から離れた目標地点で予測することに焦点を当てた。 その結果,予測精度は観測地点と目標地点の距離によって低下することがわかった。
  論文  参考訳（メタデータ） (2024-06-05T08:39:10Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
  我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。 その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。 河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Deep generative model super-resolves spatially correlated multiregional climate data [5.678539713361703]
  逆ネットワークに基づく機械学習により、ダウンスケーリングにおける地域間空間相関を正確に再構築できることを示す。 提案手法は,気候変動の影響を地域間一貫した評価に有効である。 本稿では,低分解能降雨場を圧力場に置き換えた深部生成モデルに基づくダウンスケーリング手法の結果について述べる。
  論文  参考訳（メタデータ） (2022-09-26T05:45:16Z)
• HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
  気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。 コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。 私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
  論文  参考訳（メタデータ） (2020-10-08T15:16:16Z)
• A Novel Framework for Spatio-Temporal Prediction of Environmental Data Using Deep Learning [0.0]
  本稿では,深層学習を用いた気候・環境データの分解時間予測の枠組みを紹介する。 具体的には,完全時間信号の再構成を可能にする正規格子上に空間的にマッピング可能な関数を導入する。 実世界のシミュレーションデータへの応用は,提案フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2020-07-23T07:44:04Z)

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。