English(EN) Uncertainty-Aware Graph Neural Reconstruction of Urban Temperature Fields from Sparse Sensors under Deployment Constraints

图神经网络重建城市温度场并考虑不确定性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-02 04:00

研究人员开发了一个新的图神经网络（GNN）框架，旨在从稀疏传感器数据中重建城市温度场。该模型不仅预测温度，还量化预测不确定性，有助于热风险分析。该框架使用蒙特利尔地区的数据进行了评估，在传感器放置预算约束下，与反距离加权和普通克里金等传统方法相比，表现出优越的性能。 AI

影响这项研究提供了一种新颖的环境数据重建方法，有望改善城市规划和气候监测。

排序理由该集群包含一篇详细介绍数据重建新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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) · Reda Snaiki, Abdelatif Merabtine · 2026-06-02 04:00

Uncertainty-Aware Graph Neural Reconstruction of Urban Temperature Fields from Sparse Sensors under Deployment Constraints

arXiv:2606.02038v1 Announce Type: cross Abstract: Reconstructing spatially continuous daily temperature fields from sparse observations is important for urban climate monitoring and heat-risk analysis, but practical deployments are limited by sensor budgets and spacing constraint…