Detection and Simulation of Urban Heat Islands Using a Fine-Tuned Geospatial Foundation Model
作者: David Kreismann
分类: cs.CV, cs.AI
发布日期: 2025-09-20
备注: 12 pages, 4 figures, to appear in GI LNI (SKILL 2025)
💡 一句话要点
利用微调的地理空间基础模型进行城市热岛检测与模拟
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 城市热岛 地理空间模型 地表温度预测 气候变化 土地覆盖 模型微调 迁移学习
📋 核心要点
- 传统机器学习模型在城市热岛预测中精度不足，尤其是在数据匮乏地区，限制了有效缓解措施的制定。
- 该研究通过微调地理空间基础模型，利用其强大的泛化能力，预测未来气候情景下的城市地表温度。
- 实验结果表明，微调后的模型能够有效降低预测误差，并具备一定的外推能力，为城市热岛研究提供新思路。
📝 摘要（中文）
随着城市化和气候变化的加剧，城市热岛效应日益频繁和严重。为了制定有效的缓解计划，城市需要详细的气温数据。然而，基于传统机器学习模型和有限数据基础设施的预测分析方法通常提供不准确的预测，尤其是在服务欠发达地区。在此背景下，在非结构化全球数据上训练的地理空间基础模型表现出强大的泛化能力，并且只需要最少的微调，为传统方法受限的预测提供了一种替代方案。本研究微调了一个地理空间基础模型，以预测未来气候情景下的城市地表温度，并使用模拟植被策略探索其对土地覆盖变化的响应。微调后的模型实现了低于1.74°C的像素级降尺度误差，并与地面实况模式对齐，展示了高达3.62°C的外推能力。
🔬 方法详解
问题定义：论文旨在解决城市热岛效应日益严重的问题，现有基于传统机器学习的预测方法在数据有限和服务欠发达地区表现不佳，无法提供准确的地表温度预测，从而阻碍了有效的缓解措施的制定。这些传统方法通常依赖于有限的数据基础设施，并且泛化能力较弱。
核心思路：论文的核心思路是利用地理空间基础模型强大的泛化能力，通过在非结构化全球数据上预训练，使其能够学习到通用的地理空间特征。然后，针对特定城市进行微调，使其能够适应当地的气候和环境条件，从而提高预测精度。这种方法可以克服传统机器学习方法对大量标注数据的依赖，并且能够更好地处理数据稀疏问题。
技术框架：该研究的技术框架主要包括以下几个阶段：1) 选择合适的地理空间基础模型；2) 收集目标城市的历史气象数据和土地覆盖数据；3) 使用收集到的数据对基础模型进行微调，使其适应目标城市的特征；4) 使用微调后的模型预测未来气候情景下的城市地表温度；5) 使用模拟植被策略探索模型对土地覆盖变化的响应。
关键创新：该研究的关键创新在于将地理空间基础模型应用于城市热岛预测。与传统的机器学习方法相比，地理空间基础模型具有更强的泛化能力和更低的训练成本。此外，该研究还探索了模型对土地覆盖变化的响应，为城市规划和管理提供了新的思路。
关键设计：论文中未明确说明具体的参数设置、损失函数和网络结构等技术细节。但可以推断，微调过程可能采用了常用的迁移学习策略，例如冻结部分网络层，只训练特定层，并使用合适的损失函数（如均方误差）来优化模型参数。具体的基础模型选择、微调策略和损失函数选择等细节属于未知信息。
📊 实验亮点
该研究通过微调地理空间基础模型，实现了像素级降尺度误差低于1.74°C的城市地表温度预测，并且模型预测结果与地面实况模式高度一致。此外，该模型还展示了高达3.62°C的外推能力，表明其在预测未来气候情景下的城市地表温度方面具有潜力。这些结果表明，地理空间基础模型在城市热岛预测方面具有显著优势。
🎯 应用场景
该研究成果可应用于城市规划、气候变化研究、公共卫生等领域。通过准确预测城市热岛效应，可以帮助城市管理者制定更有效的缓解措施，例如增加绿地面积、改善建筑设计等，从而降低城市温度，改善居民生活质量，并减少与高温相关的健康风险。此外，该研究还可以为气候变化研究提供更准确的数据支持，帮助科学家更好地理解气候变化对城市的影响。
📄 摘要（原文）
As urbanization and climate change progress, urban heat island effects are becoming more frequent and severe. To formulate effective mitigation plans, cities require detailed air temperature data. However, predictive analytics methods based on conventional machine learning models and limited data infrastructure often provide inaccurate predictions, especially in underserved areas. In this context, geospatial foundation models trained on unstructured global data demonstrate strong generalization and require minimal fine-tuning, offering an alternative for predictions where traditional approaches are limited. This study fine-tunes a geospatial foundation model to predict urban land surface temperatures under future climate scenarios and explores its response to land cover changes using simulated vegetation strategies. The fine-tuned model achieved pixel-wise downscaling errors below 1.74 °C and aligned with ground truth patterns, demonstrating an extrapolation capacity up to 3.62 °C.