論文の概要: DySENSE: Dynamic Spatiotemporal ENergy Synthesis and Emulation with Satellite Imagery
- arxiv url: http://arxiv.org/abs/2611.17878v1
- Date: Fri, 13 Nov 2026 08:11:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.334068
- Title: DySENSE: Dynamic Spatiotemporal ENergy Synthesis and Emulation with Satellite Imagery
- Title(参考訳): DySENSE: 衛星画像を用いた動的時空間エネルギー合成とエミュレーション
- Abstract要約: 都市エネルギーは、2050年のネットゼロ目標と国連の持続可能な開発目標7、11を達成するのに不可欠である。
既存の研究は、将来の都市で生成するよりも、既存の都市で予測できる。
我々は、静的な都市衛星画像と、空間的に整列した動的月次建築エネルギー消費マップを合成する多モードGenAIフレームワークであるDySENSEを提案する。
- 参考スコア(独自算出の注目度): 14.273228554766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cities account for over two-thirds of the world's energy and more than 70% of global carbon dioxide emissions. City energy is essential for achieving the 2050 net-zero target and the UN's Sustainable Development Goals 7 and 11. Although existing studies have made progress, they are limited by data and methodological gaps. Existing studies are largely predictive for existing cities rather than generative for future cities; fine-grained, aligned monthly dynamic energy data are scarce; and existing GenAI models struggle to generate dynamic urban functional monthly energy. We present DySENSE, a joint multimodal GenAI framework that synthesizes static urban satellite imagery together with spatially aligned, dynamic monthly building energy consumption maps. We decouple long-term static urban morphology from short-term dynamic energy consumption. By conditioning on static urban land use, DySENSE can generate realistic, diverse and new static urban imagery with aligned energy maps. By conditioning on dynamic monthly and climate prompts, DySENSE can jointly generate dynamic, monthly energy consumption maps while keeping the urban morphology static. Experiments across four cities (New York, Washington, Norfolk, Busan) demonstrated that DySENSE can generate annotated high-fidelity synthetic energy data using less than 25% labelled data, boosting downstream prediction performance by 8% mIoU, and achieving strong energy dynamic consistency. Compared to existing methods, DySENSE significantly improved prediction performance (8.7% accuracy) and reduced prediction error (9%-18% CVRMSE, ASHRAE). DySENSE offers an effective foundation for energy-efficient cities, peak-load analysis, building performance simulation and dynamic demand response for city, energy, and building science. The data and code: https://huggingface.co/datasets/skl24/MUSE2 and https://github.com/kailaisun/DySENSE
- Abstract(参考訳): 都市は世界のエネルギーの3分の2以上を占め、世界の二酸化炭素排出量の70%以上を占めている。
都市エネルギーは、2050年のネットゼロ目標と国連の持続可能な開発目標7、11を達成するのに不可欠である。
既存の研究は進歩しているが、それらはデータと方法論的ギャップによって制限されている。
既存の研究は、将来の都市では生成ではなく、既存の都市では予測可能であり、細粒度で整列した月々の動的エネルギーデータは乏しく、既存のGenAIモデルは、動的な都市機能月々のエネルギーを生成するのに苦労している。
我々は、静的な都市衛星画像と、空間的に整列した動的月次建築エネルギー消費マップを合成する多モードGenAIフレームワークであるDySENSEを提案する。
短時間の動的エネルギー消費から長期の都市形態を分離する。
静的な都市土地利用を条件にすることで、DySENSEは、整列したエネルギーマップで現実的で多様性があり、新しい静的都市画像を生成することができる。
ダイナミックな月次と気候のプロンプトを条件にすることで、DySENSEは都市形態を静的に保ちながら、ダイナミックな月次エネルギー消費マップを共同で生成することができる。
4つの都市(ニューヨーク、ワシントン、ノーフォーク、釜山)での実験では、DySENSEは25%未満のラベル付きデータを使用して注釈付き高忠実な合成エネルギーデータを生成し、下流予測性能を8%向上させ、強いエネルギーダイナミック一貫性を達成することができることを示した。
既存の手法と比較して、DySENSEは予測性能(8.7%の精度)と予測誤差(9%-18% CVRMSE, ASHRAE)を大幅に改善した。
DySENSEは、エネルギー効率の高い都市、ピーク負荷分析、建築性能シミュレーション、都市、エネルギー、建築科学の動的需要応答のための効果的な基盤を提供する。
データとコード:https://huggingface.co/datasets/skl24/MUSE2 and https://github.com/kailaisun/DySENSE
関連論文リスト
- Shaping Useful Noise: Energy Distributions Predict Visual Pretraining Quality [81.21327218612743]
本稿では,実エネルギー分布と合成エネルギー分布を比較したELD(Energy-Level Distribution Distance)を紹介する。
ELDは、FIDで見逃されたミスマッチを公開し、FID、LPIPSのバリエーション、フィーチャースペースリコールを超えた事前トレーニングパフォーマンスを予測する。
次に、EDDを用いて合成源を再サンプリングし混合し、実像エネルギーヒストグラムとマッチングし、多様性を保ち、下流の移動を改善する。
論文 参考訳(メタデータ) (2026-11-09T06:31:22Z) - SENSE: Satellite-based ENergy Synthesis for Sustainable Environment [15.843163909588851]
都市建設エネルギーモデリングは、国連の持続可能な開発目標7と11を達成する上で重要な役割を担っている。
本稿では,現実的な都市衛星画像と高品質な建築エネルギー消費と高さマップを協調的に合成する統合生成UBEMフレームワークであるSENSEを提案する。
実験により、SENSEは20%未満のラベル付きエネルギーデータを使用して十分な注釈付き合成データを生成することができ、下流予測性能を10%IoUに向上させることが示された。
論文 参考訳(メタデータ) (2026-05-18T09:13:01Z) - LightCity: An Urban Dataset for Outdoor Inverse Rendering and Reconstruction under Multi-illumination Conditions [80.70675855203154]
都市のシーンにおける逆レンダリングは、自動運転やデジタルツインといった応用にとって重要な要素である。
しかし、マルチイルミネーションや間接光、シャドウ効果などの複雑な照明条件のために大きな課題に直面している。
現実的な間接光と影効果を備えた多様な照明条件を特徴とする,高品質な合成都市データセットLightCityを提案する。
論文 参考訳(メタデータ) (2026-02-01T09:37:00Z) - UrbanVerse: Scaling Urban Simulation by Watching City-Tour Videos [64.22243628420799]
クラウドソーシングされた都市間ビデオから物理を意識したインタラクティブなシミュレーションシーンに変換する,データ駆動型リアルタイムシミュレーションシステムであるUrbanVerseを紹介した。
アイザックシムで運営されているUrbanVerseは、24か国から160の高品質なシーンを提供している。
実験により、UrbanVerseのシーンは現実世界のセマンティクスとレイアウトを保存し、手作業によるシーンに匹敵する人間評価されたリアリズムを達成することが示されている。
論文 参考訳(メタデータ) (2025-10-16T17:42:34Z) - UrbanGraph: Physics-Informed Spatio-Temporal Dynamic Heterogeneous Graphs for Urban Microclimate Prediction [11.369012672504404]
我々は、不均一グラフと動的グラフを統合する物理インフォームドフレームワークであるUrbanGraphを紹介する。
様々な都市で複雑な空間依存をモデル化しながら、重要な物理過程をエンコードする。
結果はUrbanGraphがR2$を最大10.8%改善し、FLOPを全ベースラインで17.0%削減したことを示している。
論文 参考訳(メタデータ) (2025-10-01T03:14:05Z) - Can We Move Freely in NEOM's The Line? An Agent-Based Simulation of Human Mobility in a Futuristic Smart City [0.0]
本稿では,サウジアラビアのNEOMで提案されている170kmのリニアスマートシティであるThe Lineにおける人体移動の実現可能性について検討する。
エージェントベースモデリング,強化学習,教師付き学習,グラフニューラルネットワークを統合したハイブリッドシミュレーションフレームワークを開発した。
実験の結果、エージェントは平均通勤時間は7.8分から8.4分、満足度は99%を超え、到達率指数は91%を超えた。
論文 参考訳(メタデータ) (2025-07-20T22:35:16Z) - Adopting Explainable-AI to investigate the impact of urban morphology design on energy and environmental performance in dry-arid climates [0.0]
本研究では,都市建築エネルギーモデリング(UBEM)と機械学習(ML)と説明可能なAI技術を組み合わせた都市形態評価手法を提案する。
テヘランの密集した都市景観をケーススタディとして、この研究は30の形態パラメータが主要なエネルギー指標に与える影響を評価し、ランク付けする。
その結果、建築形態、窓と壁の比率、商業比率がエネルギー効率に影響を与える最も重要なパラメータであることが判明した。
論文 参考訳(メタデータ) (2024-12-13T09:19:49Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳(メタデータ) (2023-08-24T16:20:00Z) - Times Series Forecasting for Urban Building Energy Consumption Based on
Graph Convolutional Network [20.358180125750046]
建設業はアメリカにおけるエネルギー消費の40%以上を占めている。
UBEMはエネルギー効率の良いコミュニティの設計を支援する基盤である。
データ駆動型モデル統合工学または物理知識は、都市建設エネルギーシミュレーションを大幅に改善することができる。
論文 参考訳(メタデータ) (2021-05-27T19:02:04Z)
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。