A Machine Learning Approach for the Efficient Estimation of Ground-Level Air Temperature in Urban Areas

要約

21 世紀の人口増加が進む都市は、住民にとって持続可能で回復力のある空間であるという課題に直面しています。
しかし、気候変動などの問題により、これらの目標の達成が困難になっています。
都市で発生し、熱ストレスを増大させるアーバンヒートアイランド（UHI）現象は、より持続可能な都市を実現するための障害の1つです。
気温を高い精度で推定できるため、熱による不快感を軽減するために都市部の改善が必要な都市の最優先エリアを特定できます。
この研究では、都市部の空間変数と気象変数を街路レベルの気温と相関させるための画像間ディープ ニューラル ネットワーク (DNN) の有用性を調査します。
街路レベルの気温は、特定のユースケースに対して空間的および時間的に推定され、既存の十分に確立された数値モデルと比較されます。
得られた結果に基づいて、ディープ ニューラル ネットワークは、数値モデルと比較して、地表レベルの気温の代替手段として高速で計算コストが低いことが確認されています。

要約(オリジナル)

The increasingly populated cities of the 21st Century face the challenge of being sustainable and resilient spaces for their inhabitants. However, climate change, among other problems, makes these objectives difficult to achieve. The Urban Heat Island (UHI) phenomenon that occurs in cities, increasing their thermal stress, is one of the stumbling blocks to achieve a more sustainable city. The ability to estimate temperatures with a high degree of accuracy allows for the identification of the highest priority areas in cities where urban improvements need to be made to reduce thermal discomfort. In this work we explore the usefulness of image-to-image deep neural networks (DNNs) for correlating spatial and meteorological variables of a urban area with street-level air temperature. The air temperature at street-level is estimated both spatially and temporally for a specific use case, and compared with existing, well-established numerical models. Based on the obtained results, deep neural networks are confirmed to be faster and less computationally expensive alternative for ground-level air temperature compared to numerical models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google