Exploring the potential of AlphaEarth and TESSERA embeddings for Fine-scale Local Climate Zone Mapping: A case study across five cities in Switzerland

📄 arXiv: 2606.20034v1 📥 PDF

作者: Htet Yamin Ko Ko, Clement Atzberger

分类: cs.LG

发布日期: 2026-06-18

💡 一句话要点

利用AlphaEarth和TESSERA嵌入提升细尺度局部气候区映射精度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 局部气候区 高分辨率映射 城市气候建模 深度学习 注意力机制 数据嵌入 环境监测

📋 核心要点

  1. 现有的局部气候区映射方法多采用粗糙的100米分辨率数据，无法满足细尺度城市研究的需求。
  2. 本研究提出利用TESSERA和AlphaEarth的嵌入数据，通过注意力机制的U-Net模型将LCZ地图提升至10米分辨率。
  3. 实验结果表明，TESSERA在多城市转移性和精度上均优于传统的Sentinel-1/2数据，IoU值达0.77-0.82。

📝 摘要（中文）

理解城市空间形态对气候建模、风险评估和可持续城市设计至关重要，而局部气候区（LCZ）映射为此提供了基础框架。然而，许多城市仍使用约100米分辨率的粗糙LCZ记录，不适合细尺度城市研究。本研究比较了来自TESSERA和AlphaEarth的预计算嵌入与传统的Sentinel-1/2复合数据在瑞士五个城市的表现，旨在将粗糙的LCZ地图提升至10米分辨率。通过注意力机制的U-Net进行实验，结果显示所有数据集在测试数据上的交并比（IoU）表现良好，范围为0.59-0.69和0.77-0.82。TESSERA在各个设置中均优于S1S2和AlphaEarth，尽管嵌入模型的年际转移仍是一个挑战。总体而言，研究结果展示了来自EO基础模型的嵌入在减少时间消耗的预处理和手动特征工程任务中的潜力，并为全球城市气候应用提供了可重复的细尺度LCZ映射工作流程。

🔬 方法详解

问题定义：本研究旨在解决现有局部气候区（LCZ）映射方法中使用粗糙100米分辨率数据的问题，这种数据不适合细尺度的城市气候研究。

核心思路：论文提出通过比较TESSERA和AlphaEarth的预计算嵌入与传统Sentinel-1/2复合数据，利用注意力机制的U-Net模型将LCZ地图提升至10米分辨率，从而提高映射精度。

技术框架：整体架构包括数据预处理、嵌入生成、模型训练和评估四个主要模块。首先，使用TESSERA和AlphaEarth生成高分辨率嵌入，然后通过U-Net模型进行训练，最后评估模型在不同城市和年份的表现。

关键创新：最重要的技术创新在于利用EO基础模型生成的嵌入数据，显著减少了传统方法中耗时的预处理和手动特征工程任务，提升了模型的区域转移性和可扩展性。

关键设计：在模型设计中，采用了简单的基于位置的注意力机制的U-Net架构，设置了适当的损失函数以优化模型性能，并进行了多次实验以验证不同数据集的效果。实验中，IoU值的范围为0.59-0.69和0.77-0.82，显示出良好的性能。

📊 实验亮点

实验结果显示，TESSERA在多城市转移性和精度上均优于传统的Sentinel-1/2数据，IoU值达0.77-0.82，表明嵌入数据在细尺度LCZ映射中的有效性和潜力。

🎯 应用场景

该研究的潜在应用领域包括城市气候建模、环境监测和可持续城市设计等。通过提供高分辨率的局部气候区映射，能够更好地支持城市规划和气候适应策略的制定，具有重要的实际价值和未来影响。

📄 摘要（原文）

Understanding urban spatial morphology is critical for climate modeling, risk assessment, and sustainable urban design, and Local Climate Zone (LCZ) mapping provides the basic framework for this. However, many cities still use coarse ~100-m resolution LCZ records, which are unsuitable for fine-scale urban research. In this study, precomputed embeddings from TESSERA (Feng et al., 2025) and AlphaEarth (Brown et al., 2025) are compared to traditional Sentinel-1/2 (S1S2) composites in five Swiss cities to see if they can upscale coarse LCZ maps to 10-m resolution using an attention-based U-Net. Three experiments assess multi-city transferability, the impact of higher-resolution reference data, and temporal robustness to year-to-year phenology changes. We find that all datasets achieve strong performance with test data Intersection-over-Union (IoU) ranging from 0.59-0.69 and 0.77-0.82 in the first two experiments. TESSERA consistently outperforms both S1S2 and AlphaEarth across both settings As expected, we find that the transfer of embedding-based models from one year to another remains an open challenge. Overall, however, our results demonstrate the promising potential of embeddings derived from EO foundation models to reduce time consuming preprocessing, respectively, manual feature engineering tasks and to guide a universal deep learning-based LCZ mapping workflow. When combined with a simple location-aware attention U-Net architecture, the embeddings enhance regional transferability and scalability, supporting the development of comprehensive and reproducible fine-scale LCZ maps for global urban climate applications Improving reference data quality remains the strongest lever for further accuracy gains.