論文の概要: Conflated Inverse Modeling to Generate Diverse and Temperature-Change Inducing Urban Vegetation Patterns

• arxiv url: http://arxiv.org/abs/2604.13028v1
• Date: Tue, 14 Apr 2026 17:58:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.605556
• Title: Conflated Inverse Modeling to Generate Diverse and Temperature-Change Inducing Urban Vegetation Patterns
• Title（参考訳）: 混合逆モデリングによる都市植生パターンの生成と温度変化
• Authors: Baris Sarper Tezcan, Hrishikesh Viswanath, Rubab Saher, Daniel Aliaga,
• Abstract要約: 都市部は、急速な都市化と気候変動によって引き起こされる温暖化の危険性が増している。 伝統的に、熱極端は地球観測衛星と数値モデリングの枠組みを用いて観測されてきた。 本稿では,予測フォワードモデルと拡散に基づく逆モデルを組み合わせた拡張逆モデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.908188606011649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban areas are increasingly vulnerable to thermal extremes driven by rapid urbanization and climate change. Traditionally, thermal extremes have been monitored using Earth-observing satellites and numerical modeling frameworks. For example, land surface temperature derived from Landsat or Sentinel imagery is commonly used to characterize surface heating patterns. These approaches operate as forward models, translating radiative observations or modeled boundary conditions into estimates of surface thermal states. While forward models can predict land surface temperature from vegetation and urban form, the inverse problem of determining spatial vegetation configurations that achieve a desired regional temperature shift remains largely unexplored. This task is inherently underdetermined, as multiple spatial vegetation patterns can yield similar aggregated temperature responses. Conventional regression and deterministic neural networks fail to capture this ambiguity and often produce averaged solutions, particularly under data-scarce conditions. We propose a conflated inverse modeling framework that combines a predictive forward model with a diffusion-based generative inverse model to produce diverse, physically plausible image-based vegetation patterns conditioned on specific temperature goals. Our framework maintains control over thermal outcomes while enabling diverse spatial vegetation configurations, even when such combinations are absent from training data. Altogether, this work introduces a controllable inverse modeling approach for urban climate adaptation that accounts for the inherent diversity of the problem. Code is available at the GitHub repository.
• Abstract（参考訳）: 都市部は、急速な都市化と気候変動によって引き起こされる温暖化の危険性が増している。 伝統的に、熱極端は地球観測衛星と数値モデリングの枠組みを用いて観測されてきた。 例えば、ランドサットやセンチネルの画像から得られた地表面温度は、表面加熱パターンを特徴づけるために一般的に使用される。 これらのアプローチはフォワードモデルとして機能し、放射観測や境界条件を表面の熱状態の推定に変換する。 前方モデルでは植生や都市形態から地表面温度を予測することができるが、所望の地域温度変化を実現するための空間植生構成を決定する逆問題はほとんど未解明のままである。 この課題は、複数の空間植生パターンが同様に集約された温度応答をもたらすため、本質的に過小評価されている。 従来の回帰と決定論的ニューラルネットワークはこの曖昧さを捉えず、特にデータスカース条件下では平均解をしばしば生成する。 本研究では,予測フォワードモデルと拡散に基づく生成逆モデルを組み合わせることで,特定の温度目標に照らされた多種多様な物理的に可視なイメージベース植生パターンを生成する。 このような組み合わせがトレーニングデータから欠如している場合でも、多様な空間的植生構成が可能でありながら、熱的結果の制御を維持している。 この研究は、都市気候適応のための制御可能な逆モデリング手法を導入し、問題の固有の多様性を考慮に入れている。 コードはGitHubリポジトリから入手できる。

関連論文リスト

• WIND: Weather Inverse Diffusion for Zero-Shot Atmospheric Modeling [19.471234487904514]
  多数のタスクにまたがる特別なベースラインを置き換えることのできる,単一の事前学習基盤モデルであるWINDを紹介する。 ドメイン固有の問題を逆問題として厳密に分類し、後続サンプリングを用いて解決する。 地球温暖化シナリオ下での極端気象事象の物理的に一貫した対実的ストーリーラインを生成するモデルの性能を実証する。
  論文  参考訳（メタデータ） (2026-02-03T18:58:10Z)
• Detection and Simulation of Urban Heat Islands Using a Fine-Tuned Geospatial Foundation Model for Microclimate Impact Prediction [6.709665033492011]
  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。
  論文  参考訳（メタデータ） (2025-10-21T16:21:15Z)
• 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)
• 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)
• Long Horizon Temperature Scaling [90.03310732189543]
  LHTS(Long Horizon Temperature Scaling)は、温度スケールの関節分布をサンプリングするための新しい手法である。 温度依存性のLHTS目標を導出し, 温度範囲のモデルを微調整することで, 制御可能な長地平線温度パラメータで生成可能な単一モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-07T18:59:32Z)
• 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)
• 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)
• Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
  2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。 我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
  論文  参考訳（メタデータ） (2020-10-20T15:31:38Z)

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。