論文の概要: Exploring the potential of AlphaEarth and TESSERA embeddings for Fine-scale Local Climate Zone Mapping: A case study across five cities in Switzerland

• arxiv url: http://arxiv.org/abs/2606.20034v1
• Date: Thu, 18 Jun 2026 10:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.787684
• Title: Exploring the potential of AlphaEarth and TESSERA embeddings for Fine-scale Local Climate Zone Mapping: A case study across five cities in Switzerland
• Title（参考訳）: AlphaEarth と TESSERA の極小地域気候ゾーンマッピングの可能性を探る:スイスの5都市を事例として
• Authors: Htet Yamin Ko Ko, Clement Atzberger,
• Abstract要約: 多くの都市は依然として100mの粗い局部気候帯(LCZ)の記録を使用しているが、これは大規模な都市研究には適していない。 本研究では, 従来のSentinel-1/2 (S1S2) 複合材料と比較した。 IoU(Intersection-over-Union)は0.59-0.69から0.77-0.82まで,すべてのデータセットで高いパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding urban spatial morphology is critical for climate modeling, risk assessment, and sustainable urban design, and Local Climate Zone (LCZ) mapping provides the basic framework for this. However, many cities still use coarse ~100-m resolution LCZ records, which are unsuitable for fine-scale urban research. In this study, precomputed embeddings from TESSERA (Feng et al., 2025) and AlphaEarth (Brown et al., 2025) are compared to traditional Sentinel-1/2 (S1S2) composites in five Swiss cities to see if they can upscale coarse LCZ maps to 10-m resolution using an attention-based U-Net. Three experiments assess multi-city transferability, the impact of higher-resolution reference data, and temporal robustness to year-to-year phenology changes. We find that all datasets achieve strong performance with test data Intersection-over-Union (IoU) ranging from 0.59-0.69 and 0.77-0.82 in the first two experiments. TESSERA consistently outperforms both S1S2 and AlphaEarth across both settings As expected, we find that the transfer of embedding-based models from one year to another remains an open challenge. Overall, however, our results demonstrate the promising potential of embeddings derived from EO foundation models to reduce time consuming preprocessing, respectively, manual feature engineering tasks and to guide a universal deep learning-based LCZ mapping workflow. When combined with a simple location-aware attention U-Net architecture, the embeddings enhance regional transferability and scalability, supporting the development of comprehensive and reproducible fine-scale LCZ maps for global urban climate applications Improving reference data quality remains the strongest lever for further accuracy gains.
• Abstract（参考訳）: 都市空間形態の理解は、気候モデリング、リスクアセスメント、持続可能な都市デザインにおいて重要である。 しかし、多くの都市では、大規模な都市研究には適さない約100mのLCZレコードを使用している。 本研究では,TESSERA (Feng et al , 2025) とAlphaEarth (Brown et al , 2025) をスイスの5都市における従来のSentinel-1/2 (S1S2) 複合材料と比較した。 3つの実験は、多都市間転送可能性、高解像度参照データの影響、年々の表現学の変化に対する時間的堅牢性を評価する。 最初の2つの実験では、すべてのデータセットがテストデータ(Intersection-over-Union (IoU))で強いパフォーマンスを達成することがわかった。 TESSERAは、両方の設定でS1S2とAlphaEarthを一貫して上回ります。 しかし,本研究の結果は,EO基盤モデルに基づく組込みの可能性を示すものであり,手作業による機能工学タスクや,汎用的な深層学習に基づくLCZマッピングワークフローの指導に要する時間を短縮するものである。 簡易な位置認識型U-Netアーキテクチャと組み合わせることで、この埋め込みにより地域移動性とスケーラビリティが向上し、グローバルな都市気候アプリケーションのための包括的で再現可能な細スケールLCZマップの開発が支援され、参照データ品質の改善は、さらなる精度向上のための最強のレバーのままである。

関連論文リスト

• 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)
• Planning for Cooler Cities: A Multimodal AI Framework for Predicting and Mitigating Urban Heat Stress through Urban Landscape Transformation [5.5253906228458955]
  GSM-UTCIは1m超局所分解能の日平均温度指数(UTCI)を予測するために設計された多モード深層学習フレームワークである。 R2は0.9151、平均絶対誤差は0.41degCであり、都市全体の推定時間は数時間から5分以内である。 その結果, 空間的に不均一だが一貫した冷却効果が示され, 木間変換が最良となることがわかった。
  論文  参考訳（メタデータ） (2025-07-30T18:05:43Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Daily Land Surface Temperature Reconstruction in Landsat Cross-Track Areas Using Deep Ensemble Learning With Uncertainty Quantification [5.6087513714958686]
  複雑な都市部におけるランドサットのLSTを再構築するための,年間気温サイクルとプロセスを統合するアンサンブル学習手法であるDELAGを提案する。 デラグはニューヨーク市、ロンドン、香港で3つの地域から研究エリアとしてLSTの再建に成功した。 以上の結果から,DLAGによる再建が成功し,正確な空気温度を推定するためのLST再建の広範な応用が明らかとなった。
  論文  参考訳（メタデータ） (2025-02-20T10:35:01Z)
• A global product of fine-scale urban building height based on spaceborne lidar [14.651500878252723]
  我々は2020年ごろに150mの細いグリッドサイズを基準に,都市ビルの高さの最新のグローバルな製品を提供する。 GEDIデータに基づく高さ推定法は, ピアソンrの0.78, RMSEの3.67mで有効であった。 この研究は、気候、環境、生態学、社会科学など多くの分野にわたる将来の都市研究を促進するだろう。
  論文  参考訳（メタデータ） (2023-10-22T16:51:15Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• 4Seasons: Benchmarking Visual SLAM and Long-Term Localization for Autonomous Driving in Challenging Conditions [46.03430162297781]
  大規模4Seasonsデータセットに基づく課題条件下での自律運転のための新しい視覚的SLAMと長期局所化ベンチマークを提案する。 提案したベンチマークでは,季節変化や天候,照明条件の変動による劇的な外見の変化が報告されている。 本稿では,視覚計測,大域的位置認識,および地図に基づく視覚的位置決め性能を共同評価するための統合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2022-12-31T13:52:36Z)
• A Semantic Segmentation Network for Urban-Scale Building Footprint Extraction Using RGB Satellite Imagery [1.9400948599830012]
  都市部は世界のエネルギーの3分の2以上を消費し、世界のCO2排出量の70%以上を占めています。 3チャンネルのRGB衛星画像から建物の足跡のマスクを生成するために、拡張ResNetバックボーンを備えた変更されたDeeplabV3+モジュールを提案します。 3つの標準ベンチマークで最先端のパフォーマンスを達成し,衛星画像の規模,解像度,都市密度に依存しないことを実証した。
  論文  参考訳（メタデータ） (2021-04-02T22:32:04Z)
• Developing High Quality Training Samples for Deep Learning Based Local Climate Zone Classification in Korea [0.5257115841810257]
  国連の計画によると、2050年までに3人に2人が都市部に住んでいる。 一般的な都市フットプリントデータは、高解像度の都市範囲を提供するが、分布、パターン、特徴に関する必須情報はない。 本研究では,韓国の主要都市をマルチスケール畳み込みニューラルネットワークを用いて地図化するためのローカル気候ゾーン(LCZ)データを開発した。
  論文  参考訳（メタデータ） (2020-11-03T02:52:37Z)

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。