English(EN) Spatiotemporal downscaling and nowcasting of urban land surface temperatures with deep neural networks

深度神经网络提升城市地表温度数据分辨率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-13 14:05

研究人员开发了深度神经网络，以提高城市地区地表温度（LST）数据的分辨率。通过结合静止和极轨卫星的数据，他们创建了分辨率为1公里、时间间隔为15分钟的LST场。使用U-Net模型将SEVIRI/MSG数据降尺度至MODIS分辨率，实现了1.92°C的均方根误差（RMSE）。此外，还使用ConvLSTM模型对LST进行长达75分钟的临近预报，其性能优于基准模型，RMSE在0.57°C至1.15°C之间。 AI

影响通过更高分辨率的温度数据增强了城市气候建模和卫星监测能力。

排序理由该集群包含一篇学术论文，详细介绍了机器学习应用于环境科学领域的新方法和结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Angela Meyer · 2026-05-13 14:05

Spatiotemporal downscaling and nowcasting of urban land surface temperatures with deep neural networks

Land Surface Temperature (LST) is a key variable for various applications, such as urban climate and ecology studies. Yet, existing satellite-derived LST products provide either high spatial or high temporal resolution, resulting in a fundamental trade-off between the two. To add…

报道来源 [1]

Spatiotemporal downscaling and nowcasting of urban land surface temperatures with deep neural networks

相关实体

相关话题