DEEPURBANMODELLER (DUM): A PROCESS-INFORMED NEURAL ARCHITECTURE FOR HIGH-PRECISION URBAN SURFACE TEMPERATURE PREDICTION
Notice bibliographique
Résumé
Abstract. High-resoulution downscaling of surface climate metrics like urban surface temperature, is a crucial and ongoing research challenge in urban climatology and environmental studies. In this study we propose a groundbreaking Physics-Inspired Neural Architecture for Modeling (PINAM) called DeepUrbanModeller(DUM), designed specifically for urban microclimate temperature estimation. DeepUrbanModeller(DUM) harnesses process-based modelling and satellite remote sensing, and draws upon high-accuracy 3D point clouds to deliver precise estimations of urban Land Surface Temperature (LST) at ultra-high resolutions. By incorporating high-accuracy land surface geometric data sourced from 3D point clouds and guided by the principles of atmospheric physics linked to surface temperature, DeepUrbanModeller(DUM) creates a data-driven framework, informed by physical laws, to accurately model high-resolution temperature distributions a task challenging for numerical simulations or conventional machine learning. The DeepUrbanModeller(DUM) design integrates two key components: Global Physical Feature Interpretation (GPFI) and Local Urban Surface Insight (LUSI). The GPFI captures broader urban physical parameters, ensuring the estimates comply with relevant physical laws. The LUSI enhances estimation performance at high-resolution levels by utilizing a newly proposed Urban Detail Orientation Index (UDOI) derived from 3D point clouds. Experimental results demonstrate the DeepUrbanModeller(DUM)’s superior capability in estimating urban LST on a detailed 30-by-30 meter grid, achieving an estimation error of less than 0.2 Kelvin compared to satellite measurements, a performance surpassing traditional methodologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».