論文の概要: GPU-Accelerated Deep Learning for Heatwave Prediction and Urban Heat Risk Assessment

• arxiv url: http://arxiv.org/abs/2605.16435v1
• Date: Thu, 14 May 2026 21:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.400303
• Title: GPU-Accelerated Deep Learning for Heatwave Prediction and Urban Heat Risk Assessment
• Title（参考訳）: 熱波予測と都市熱リスク評価のためのGPUによる深層学習
• Authors: Adis Alihodžić,
• Abstract要約: 本稿では,次世代の都市熱環境予測のためのGPUに基づくディープラーニングフレームワークを提案する。 提案手法は, 都市熱分析の実践的基盤として利用することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heatwaves are an important problem in cities, and climate change makes this problem more difficult. In this paper, we present a GPU-based deep learning framework for next-day prediction of urban thermal conditions and for heat risk assessment. The study was carried out in Sarajevo by using MODIS land surface temperature data and Open-Meteo forecast data. We tested several models, including convolutional models and spatiotemporal models. Among them, ConvLSTM with a mixed loss function gave the best results. The obtained values were MAE = 0.2293, RMSE = 0.3089, and R2 = 0.8877. The experiments also showed that results can be improved by using longer temporal series and additional meteorological variables. Since the framework was implemented on a GPU and trained with mixed precision, the execution time was reduced. Based on the predicted temperature fields, it was also possible to combine hazard information with exposure and vulnerability data in order to generate city heat risk maps. The proposed framework can be used as a practical basis for city heat analysis.
• Abstract（参考訳）: 熱波は都市にとって重要な問題であり、気候変動によってこの問題はより難しくなる。 本稿では,次世代の都市熱環境予測と熱リスク評価のためのGPUベースのディープラーニングフレームワークを提案する。 サラエボでは,MODIS陸地表面温度データとオープン・メテオ予報データを用いて調査を行った。 畳み込みモデルや時空間モデルなど,いくつかのモデルを検証した。 そのうちConvLSTMと混合損失関数は最良の結果を得た。 得られた値はMAE = 0.2293, RMSE = 0.3089, R2 = 0.8877であった。 実験では、より長い時間系列と追加の気象変数を用いることで、結果を改善できることを示した。 フレームワークはGPU上に実装され、混合精度でトレーニングされたため、実行時間が短縮された。 また, 予測温度場に基づいて, 危険情報と露光・脆弱性データを組み合わせることで, 都市熱リスクマップの作成が可能となった。 提案手法は, 都市熱分析の実践的基盤として利用することができる。

関連論文リスト

• A Multimodal Physics-Informed Neural Network Approach for Mean Radiant Temperature Modeling [0.0]
  本研究では,短波・長波放射モデリングと深層学習技術を統合した物理インフォームドニューラルネットワーク(PINN)手法を提案する。 気象データ,建築環境特性,魚眼画像由来シェーディング情報を含むマルチモーダルデータセットを活用することにより,物理的整合性を維持しつつ予測精度を向上させる。
  論文  参考訳（メタデータ） (2025-03-11T14:36:08Z)
• Predicting Air Temperature from Volumetric Urban Morphology with Machine Learning [0.0]
  本稿では,都市などの大規模データセットに対して,効率的にかつ高速に動作するVoxelにCityGMLデータを変換する手法を提案する。 複数の都市の3D都市データとそれに対応する気温データを用いて、機械学習モデルを開発する。
  論文  参考訳（メタデータ） (2025-01-16T11:10:38Z)
• Machine Learning Framework for High-Resolution Air Temperature Downscaling Using LiDAR-Derived Urban Morphological Features [0.0]
  本研究では,UrbClimが生成したデータセットを用いて,大気温度をダウンスケールするためのデータ駆動型フレームワークを提案する。 都市形態特徴を抽出するために,まず,LiDARデータとディープラーニングモデルを用いて3次元ビルディングモデルを構築した。 この枠組みは高分解能で空気温度を推定し、街路レベルでの局所的な空気温度パターンの同定を可能にした。
  論文  参考訳（メタデータ） (2024-08-31T12:59:21Z)
• 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)
• Extreme heatwave sampling and prediction with analog Markov chain and comparisons with deep learning [0.0]
  本研究では,フランスとスカンジナビアにおける熱波の確率推定に適したデータ駆動型エミュレータ,天気発生器(SWG)を提案する。 我々は,中間複雑性気候モデルを用いてエミュレータを訓練し,サンプルからの熱波の条件付き確率(予測)を予測することができることを示した。 SWGによる確率的予測は、畳み込みニューラルネットワーク(CNN)による予測と比較される。
  論文  参考訳（メタデータ） (2023-07-18T08:25:14Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• 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)
• Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
  本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。 本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。 結果は、最先端のベイズ深層学習法と比較される。
  論文  参考訳（メタデータ） (2021-09-27T09:19:53Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Preparing Weather Data for Real-Time Building Energy Simulation [0.0]
  本研究では,異常検出や不足値の埋入を含む気象データの品質管理のための枠組みを提案する。 提案手法は, 高精度かつ高速な品質制御により, リアルタイムなビルディングシミュレーションを容易にする。
  論文  参考訳（メタデータ） (2020-11-19T09:18:07Z)

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。