基于机器学习的城市体态体积数据预测空气温度
机器学习
2025-01-17 v1 人工智能
摘要
本研究首先引入一种将CityGML数据转换为体素的方法，能够高效快速地处理大规模数据集（如城市）中的高分辨率数据，但以牺牲部分建筑细节为代价，以克服以往体素化方法在将大规模城市区域转换为高分辨率体素表示方面计算密集且效率低下的局限性。将来自多个城市的体素化3D城市数据与相应的空气温度数据用于开发机器学习模型。在模型训练前，对输入数据实现了高斯模糊，以考虑空间关系，结果表明空气温度与体积建筑形态之间的相关性也随之提高。在模型训练后，预测结果不仅以均方差(MSE)进行评估，还使用结构相似性指数(SSIM)和学习感知图像补丁相似性(LPIPS)等图像相似性指标，这些指标能够检测并考虑空间关系进行评估。该训练模型能够通过将对应像素的建筑体积信息作为输入来预测空气温度的空间分布。通过此方法，本研究旨在帮助城市规划者将环境参数纳入其规划策略中，从而促进更可持续和宜居的城市环境。
引用
@article{arxiv.2501.09469,
title = {Predicting Air Temperature from Volumetric Urban Morphology with Machine Learning},
author = {Berk Kıvılcım and Patrick Erik Bradley},
journal= {arXiv preprint arXiv:2501.09469},
year = {2025}
}
备注
30 pages, 8 figures, 2 tables