論文の概要: HeatCast: A Benchmark for Neighborhood-Scale LST Forecasting across 124 U.S. Cities

• arxiv url: http://arxiv.org/abs/2608.07640v1
• Date: Fri, 07 Aug 2026 16:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.468381
• Title: HeatCast: A Benchmark for Neighborhood-Scale LST Forecasting across 124 U.S. Cities
• Title（参考訳）: HeatCast: 米国の124都市における近隣規模のLST予測のベンチマーク
• Abstract要約: ランドサットを拠点に2013年から2025年6月までの124都市を対象とした月次LST予測のベンチマークであるHeatCastを紹介します。 HeatCastには月30mのタイルがあり、LST、標高、表面反射率RGB、3つのスペクトル指標、ブロードバンドアルベド、品質マスク、ローカル気候ゾーンのラベルがある。 我々は,CNN+LSTMの10.42Kに対してEarthformerが7.74K RMSEに達する来月の予測において,CNN+LSTMとEarthformerを評価した。
• 参考スコア（独自算出の注目度）: 4.741470254999426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Land Surface Temperature (LST) is a widely used satellite-derived measure of urban surface heat, but there is no shared benchmark for forecasting it at 30 m. Prior studies usually cover one to three cities, use kilometer-scale products, or do not release data and code. We introduce HeatCast, a Landsat-based benchmark for monthly LST forecasting across 124 U.S. cities from 2013 through June 2025. HeatCast contains 30 m monthly tiles with LST, elevation, surfacereflectance RGB, three spectral indices, broadband albedo, quality masks, and Local Climate Zone (LCZ) labels, together with a fixed temporal split, LCZ-stratified metrics, and a reference evaluation harness. We evaluate a CNN+LSTM and Earthformer on next-month forecasting, where Earthformer reaches 7.74 K RMSE against 10.42 K for the CNN+LSTM. Forecasting from the eight nonLST channels alone reaches 7.72 K, against 8.15 K from LST history and 8.68 K from RGB. The data, code, and weights are released under MIT at https://doi.org/10.57967/hf/9889.
• Abstract（参考訳）: ランドサーフェス温度(LST)は、都市表面の熱の衛星由来の測度として広く用いられているが、30mで予測するための共有ベンチマークは存在しない。 以前の研究では、1から3つの都市をカバーし、キロメートル規模の製品を使用するか、データやコードを公開しない。 ランドサットを拠点に2013年から2025年6月までの124都市を対象とした月次LST予測のベンチマークであるHeatCastを紹介します。 HeatCastには月30mのタイルがあり、LST、標高、表面反射率RGB、3つのスペクトル指標、ブロードバンドアルベド、品質マスク、ローカル気候ゾーン(LCZ)ラベル、固定時間分割、LCZ層別メトリクス、基準評価ハーネスがある。 我々は,CNN+LSTMの10.42Kに対してEarthformerが7.74K RMSEに達する来月の予測において,CNN+LSTMとEarthformerを評価した。 8つの非LSTチャネルからの予測は、7.72K、LST履歴8.15K、RGB8.68Kに達する。 データ、コード、ウェイトはMITのhttps://doi.org/10.57967/hf/9889で公開されている。

関連論文リスト

• A Sequence-to-Sequence ConvLSTM Approach for Leaf Area Index Forecasting over the South-Central United States [0.2864713389096699]
  葉面積指数(Leaf Area Index, LAI)は、陸上と大気の相互作用を管理する基本的な生物物理学的な変数である。 最大30日前に1日1kmのLAI予測を生成するシーケンス・ツー・シーケンス・フレームワークを提案する。 このモデルは、30日間のリードタイムで平均0.36のドメイン平均RMSEを達成し、永続ベースラインよりも3分の1以下である。
  論文  参考訳（メタデータ） (2026-08-01T21:45:29Z)
• TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
  既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。 本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。 TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
  論文  参考訳（メタデータ） (2026-07-14T07:36:19Z)
• Deep Learning for Soil Moisture Estimation: Fusing Satellite Data with Optimally-Lagged Meteorological Features [3.746889836344766]
  本研究では,気象変数と土壌水分との時間差を最適に決定するクロス相関関数 (CCF) 法を提案する。 このアプローチはスペイン南東部の7つの農業区画で実証された。
  論文  参考訳（メタデータ） (2026-06-19T14:23:51Z)
• AirCast-SR: A Foundation Model for Kilometer-Scale Atmospheric Super-Resolution via Latent Consistency Diffusion [1.0745467668389186]
  大気超解法の基礎モデルであるAirCast-SRを導入し,時空間分解能において地球規模のAI天気予報を0.25度(28km)から1km水平分解能にダウンスケールし,同時に8つの結合曲面変数の67時間予測を生成する。 冬季, 夏季, 春季の3つのConUSケーススタディを対象に, EarthMind-SR を検証し, トレーニングや微調整を行なわずに, 独立した地上局観測を用いてインドとドイツにゼロショットのグローバルトランスファー可能性を実証した。 オープンウェイトの基礎モデルとして、EarthMind-SRは、キロスケールのAI天気予報と予測のための新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-05-20T07:29:00Z)
• Spatiotemporal downscaling and nowcasting of urban land surface temperatures with deep neural networks [0.0]
  土地表面温度(LST)は、都市気候や生態学研究など、様々な用途において重要な変数である。 我々は、静止衛星と極軌道衛星の観測を組み合わせ、高空間分解能と高時間分解能のLST場を提供する。 本稿では,15分から75分以内の予測リード時間で,低スケールのLSTフィールドをトレーニングしたConv-LSTMアーキテクチャに基づくLST nowcastingモデルを提案する。
  論文  参考訳（メタデータ） (2026-05-13T14:05:24Z)
• OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction [70.48962924608033]
  この研究は、SST予測のための多様な海洋知識を表現するために特別に設計された海洋知識グラフ(OKG)を構築するための最初の体系的な取り組みを示す。 最後に, 学習知識を微粒な数値SSTデータと整列させ, 事前学習したLLMを用いてSSTパターンをモデル化し, 正確な予測を行う。
  論文  参考訳（メタデータ） (2025-07-31T02:06:03Z)
• Developing a Thailand solar irradiance map using Himawari-8 satellite imageries and deep learning models [2.6464009706023925]
  本稿では,タイの太陽放射マップを30分毎に表示し,https://www.cusolarforecast.comで公開する。 タイにおけるグローバル水平照度(GHI)の推定手法は,ヒマワリ8号衛星画像から抽出した雲指数に依存する。 本手法は, GHI推定モデルの入力として, クリアスキー光, クラウドインデックス, GHIの再解析, MERRA-2データベースからの温度データ, および日付データを用いる。
  論文  参考訳（メタデータ） (2024-09-21T03:45:05Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances [44.28969320556008]
  サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。 本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
  論文  参考訳（メタデータ） (2020-06-14T18:39:27Z)

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。