論文の概要: Uncertainty-Aware Graph Neural Reconstruction of Urban Temperature Fields from Sparse Sensors under Deployment Constraints

• arxiv url: http://arxiv.org/abs/2606.02038v1
• Date: Mon, 01 Jun 2026 10:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.79457
• Title: Uncertainty-Aware Graph Neural Reconstruction of Urban Temperature Fields from Sparse Sensors under Deployment Constraints
• Title（参考訳）: 配置制約下におけるスパースセンサによる都市温度場の不確かさ認識型ニューラルネットワーク
• Authors: Reda Snaiki, Abdelatif Merabtine,
• Abstract要約: 本研究では,スパースセンサから日次最大温度場を再構築するための不確実性対応グラフニューラルネットワーク(GNN)フレームワークを提案する。 このフレームワークはデイメット v4.1 の日温データ (1 km 分解能) を用いてモントリオールのポリゴン上で厳密な時間保持プロトコルで評価される。 センサ予算(10～40センサー)全体にわたって、提案したGNNは、逆距離重み付けと通常のリグよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reconstructing spatially continuous daily temperature fields from sparse observations is important for urban climate monitoring and heat-risk analysis, but practical deployments are limited by sensor budgets and spacing constraints. This study proposes an uncertainty-aware graph neural network (GNN) framework for reconstructing daily maximum temperature fields from sparse sensors while supporting distance-constrained sensor placement and probabilistic exceedance mapping. The model predicts both the temperature field and a spatially varying predictive uncertainty field using a graph-attention-based mean-residual architecture trained with a Gaussian negative log-likelihood. Sensor placement is addressed using a Proper Orthogonal Decomposition with QR factorization (POD-QR) strategy with a 4 km minimum inter-sensor distance constraint and is compared with random feasible placement and farthest-point sampling. The framework is evaluated over a Montreal-area polygon using Daymet v4.1 daily temperature data (1 km resolution) under a strict temporal hold-out protocol (training: 2020-2023; testing: 2024). Across sensor budgets (10-40 sensors), the proposed GNN consistently outperforms inverse distance weighting and ordinary kriging in RMSE and MAE on unobserved nodes. Sensor-placement effects are most pronounced at low budgets and diminish at higher budgets, with a practical saturation regime emerging around 30 sensors under the imposed spacing constraint. Probabilistic evaluation further shows improved uncertainty calibration with increasing sensor density and a better sharpness-calibration trade-off than kriging. These results support the proposed framework as an effective tool for uncertainty-aware temperature field reconstruction and decision-oriented heat-risk mapping.
• Abstract（参考訳）: 都市気候モニタリングや熱リスク分析では,空間的に連続した日中温度場をスパース観測から再構築することが重要であるが,実際の展開はセンサ予算や間隔制約によって制限されている。 本研究では,距離制約されたセンサ配置と確率的超越マッピングをサポートしながら,スパースセンサから日々の最大温度場を再構成する不確実性対応グラフニューラルネットワーク(GNN)フレームワークを提案する。 このモデルはガウスの負の対数構造で訓練されたグラフアテンションに基づく平均残差アーキテクチャを用いて、温度場と空間的に変化する予測不確実性場の両方を予測する。 センサ配置は、QR因子化(POD-QR)戦略と4kmの最小センサー間距離制約を併用した固有直交分解法を用いて対処し、ランダムな配置と遠点サンプリングと比較する。 このフレームワークはデイメット v4.1 の日温データ (1 km の分解能) を用いてモントリオールのポリゴン上で、厳密な時間保持プロトコル(トレーニング: 2020-2023; テスト: 2024)で評価される。 センサ予算(10～40センサー)全体にわたって、提案したGNNは、観測されていないノード上でRMSEとMAEの逆距離重み付けと通常のリグよりも一貫して優れる。 センサー配置効果は低予算で最も顕著であり、高予算で減少する。 さらに確率的評価により、センサ密度の増大による不確実性の校正が向上し、クリグよりもシャープネス校正トレードオフが向上した。 これらの結果は,不確実性を考慮した温度場再構成と決定指向熱リスクマッピングのための有効なツールとして提案手法を支持する。

関連論文リスト

• Overcoming "Physics Shock" in Earth Observation A Heteroscedastic Uncertainty Framework for PINN-based Flood Inference [0.29165586612027233]
  リモートセンシングデータからの迅速かつ正確な洪水範囲マッピングは, 災害対応に不可欠である。 標準的なディープラーニングモデルは、水文学的な制約が欠如しているため、物理的に不可能な予測を生成することが多い。 本研究では,地球観測に特化した新しい不確実性対応PINNフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-22T18:14:17Z)
• Physical Adversarial Camouflage through Gradient Calibration and Regularization [48.064270454248316]
  敵のカモフラージュは 物体のテクスチャを 偽検知器に変えて 重大なセキュリティリスクを 負う 既存の技術は様々な物理的環境に苦しむ。 勾配最適化に基づく新しい逆カモフラージュフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-07T14:07:49Z)
• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Sensor Fusion [6.963971634605796]
  環境およびバイオメディカル領域における低コストで分散センサーネットワークは、継続的な大規模健康モニタリングを可能にしている。 これらのシステムは、センサーのドリフト、ノイズ、キャリブレーションの不十分に起因する劣化したデータ品質に関する課題に直面していることが多い。 センサフュージョンとキャリブレーションの伝統的な機械学習手法は、広範な機能工学に依存している。 回帰タスクに適した新しいunsupervised domain adapt(UDA)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• Constrained optimization of sensor placement for nuclear digital twins [1.7247618645684337]
  センサ配置のための最適化フレームワークに制約を組み込んだデータ駆動手法を開発した。 低次元力学系に対する全ての実現可能な構成を網羅的に計算することで最適化されたセンサの有効性を実証する。
  論文  参考訳（メタデータ） (2023-06-23T17:47:06Z)
• 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)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)

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。