PulseAugur
中
实时 06:46:30
English(EN) CarbonCLIP: Enhance Carbon Prediction from Satellite Imagery via Integrated Street-View Semantics and Temporal Context Training

CarbonCLIP 利用街景和时间数据改进基于卫星的碳排放预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 CarbonCLIP，一个旨在利用卫星图像增强城市碳排放预测的新颖框架。该方法整合了街景语义和时间上下文，弥合了自上而下的卫星视图与地面活动之间的差距。通过利用大型多模态模型从街景图像生成文本描述并纳入月度排放变化，CarbonCLIP 将这种上下文知识转移到一个统一的卫星表示中。在北京和新加坡进行的实验表明，CarbonCLIP 的性能优于现有方法，即使在推理期间地面数据不可用时，也为碳建模提供了一个可扩展的解决方案。 AI

影响 这项研究提供了一种利用人工智能改进城市碳排放预测的新颖方法，可能有助于可持续城市规划。

排序理由 这是一篇详细介绍碳预测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

CarbonCLIP 利用街景和时间数据改进基于卫星的碳排放预测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Chau Yuen ·

    CarbonCLIP: Enhance Carbon Prediction from Satellite Imagery via Integrated Street-View Semantics and Temporal Context Training

    Accurately estimating urban carbon emissions is critical for sustainable urban planning, yet many existing approaches remain difficult to apply consistently across cities due to data-source heterogeneity and the lack of fine-grained semantic-temporal context in remote sensing dat…

相关实体

相关话题