May, 2024

利用卷积神经网络通过遥感数据进行最高温度预测

PDF
TL;DR通过使用来自 Sentinel-3 卫星、气象预测和其他遥感输入的数据，本研究介绍了一种新颖的机器学习模型，旨在生成详细的时空地图，预测都灵市 24 小时内的最高温度。实验结果表明，该模型在预测温度模式方面表现出色，对于 2023 年分辨率为每像素 20 米的情况，均方根误差为 2.09 摄氏度，从而丰富了我们对城市气候行为的认识。这项研究增进了我们对城市微气候的理解，强调了跨学科数据整合的重要性，并为缓解极端城市温度的负面影响的知情决策制定奠定了基础。
发现论文，激发创造
  • 利用 长短期记忆网络（LSTM）和物联网（IoT） 进行城市环境下局部表面温度预测

    本文提出了一种基于 LSTM 深度学习网络的框架，用于以高空间分辨率生成未来一天每小时的气温预测，并利用纽约市的历史原位观测和物联网观测进行了案例研究，旨在解决在城市环境下，由于热岛效应导致空气温度预测存在空间分辨率和历史气候样本不足等问题。

    Feb, 2021

  • 城市地区热红外长时序图像的语义分割用于热点和冷点的识别

    通过分析语义分割、纵向和空间丰富的热红外图像，在城市尺度上识别热点和冷点，该研究为城市规划者提供了自动分析热红外图像的潜在应用，以制定减少城市热岛效应、提高建筑能效和最大限度地改善室外热舒适度的缓解策略。

    Oct, 2023

  • DeepLCZChange：一种用于城市气候韧性的遥感深度学习模型架构

    本研究利用数据驱动的深度学习体系结构和方法探究了城市土地利用结构对城市气候的影响，并通过纽约市的相关遥感数据验证了城市森林的冷却效应。

    Jun, 2023

  • 卷积神经网络应用于天空图像，用于短期太阳辐射预测

    本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

    May, 2020

  • 城市空气污染预测：利用卫星观测和气象预报的机器学习方法

    利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据，本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验，这些模型在预测未来一天的污染物水平方面表现出了良好的效果，误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。

    May, 2024

  • 基于深度学习的气候模型驱动季节预测方法

    本文介绍了一种基于深度学习模型（UNet++），利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证，以预测未来一个月的全球温度，发现该模型可以显著地提高预测准确度。

    Feb, 2023

  • 一种基于 CNN-LSTM 的预测城市扩张方法

    本文提出了一种基于语义图像分割的新型两步方法来预测城市扩张，结合卷积神经网络和长短时记忆方法以学习时间特征，以多日期卫星影像数据在沙特阿拉伯的三个城市进行了实验评估，结果显示新的联合卷积神经网络 - 长短时记忆方法具有更好的性能表现。

    Mar, 2021

  • 利用机器学习和深度学习预测主要城市的温度

    利用时间序列分析和机器学习算法，基于大学的温度变化数据库，我们成功预测了未来各个城市的温度变化。

    Sep, 2023

  • 利用物联网传感器网络和机器学习技术实现空间分辨率的超本地天气预测和异常检测

    通过使用物联网传感器网络和先进的机器学习技术，结合精确及时的超本地天气预测和异常检测，我们提出了一种新颖的方法。我们的方法利用来自多个空间分布但相对较近的位置和物联网传感器的数据，创建能够预测短期、局部天气条件（如温度、压力和湿度）的高分辨率天气模型。通过监测这些位置之间的天气参数的变化，我们的系统能够提高预测的空间分辨率并实时有效地检测异常。此外，我们的系统采用无监督学习算法来识别异常的天气模式，并提供及时的警报。我们的研究结果表明，该系统有可能增强决策能力。

    Oct, 2023

  • 使用深度卷积残差回归神经网络转换海洋温度观测

    通过神经网络架构融合 AMSRE-E 和 MODIS 可以提高地表海温的分辨率和填补云缺失，尽管当前暂时有一些计算力等限制，但并行化是一个可以解决这些问题的方案。

    Jun, 2023