一种用于高效估计城市地区地面气温的机器学习方法
机器学习
2024-11-06 v1
摘要
21 世纪人口日益增长的城市面临着成为其居民可持续且有韧性空间的挑战。然而，气候变化等问题使这些目标难以实现。城市中发生的城市热岛（UHI）现象增加了热应力，是实现更可持续城市的障碍之一。具备高精度估计温度的能力，有助于识别城市中最需要优先进行城市改善以减少热不适的区域。在本工作中，我们探索了图像到图像深度神经网络（DNN）在关联城市区域空间与气象变量与街道级气温方面的有用性。街道级气温在空间和时间上均被估计，并与现有的成熟数值模型进行了比较。基于所获得的结果，深度神经网络被确认为相比数值模型更快且计算成本更低的地面气温替代方案。
引用
@article{arxiv.2411.03162,
title = {A Machine Learning Approach for the Efficient Estimation of Ground-Level Air Temperature in Urban Areas},
author = {Iñigo Delgado-Enales and Joshua Lizundia-Loiola and Patricia Molina-Costa and Javier Del Ser},
journal= {arXiv preprint arXiv:2411.03162},
year = {2024}
}
备注
39 pages, 8 figures, 2 tables, under review