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 模型微调
📋 核心要点
- 传统机器学习方法在城市热岛预测中面临数据不足和服务欠发达地区预测不准的挑战。
- 论文提出微调地理空间基础模型，利用其强大的泛化能力，减少对大量特定领域数据的依赖。
- 实验表明，微调后的模型在预测城市地表温度方面表现出色，误差低于1.74°C，并具备一定的外推能力。
📝 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的逐像素降尺度误差，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，而传统机器学习方法在预测城市地表温度方面精度不足的问题。现有方法依赖大量特定领域数据，且在服务欠发达地区表现不佳，难以支持有效的缓解计划制定。
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，通过少量微调，使其适应城市地表温度预测任务。这种方法旨在减少对大量特定领域数据的依赖，并提高在数据稀缺地区的预测精度。
技术框架：整体框架包括以下步骤：1) 选择合适的地理空间基础模型；2) 收集城市地表温度数据和相关地理信息；3) 使用收集的数据对基础模型进行微调；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) 通过模拟植被策略，探索模型对土地覆盖变化的响应。
关键创新：最重要的技术创新点在于将地理空间基础模型应用于城市热岛预测。与传统机器学习方法相比，地理空间基础模型在非结构化全球数据上进行预训练，具备更强的泛化能力，能够更好地适应不同城市和气候条件下的预测任务。
关键设计：论文的关键设计包括：1) 选择合适的地理空间基础模型架构（具体模型未知）；2) 设计有效的微调策略，包括选择合适的损失函数和优化算法（具体细节未知）；3) 构建合理的土地覆盖变化模拟方案，以评估模型对不同植被策略的响应。
🖼️ 关键图片
📊 实验亮点
实验结果表明，微调后的地理空间基础模型在预测城市地表温度方面表现出色，实现了低于1.74°C的逐像素降尺度误差，并与地面实况模式对齐。此外，该模型还展示了高达3.62°C的外推能力，表明其能够预测超出训练数据范围的气温变化。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巨大的潜力。
🎯 应用场景
该研究成果可应用于城市规划、气候变化研究和公共卫生等领域。通过精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、优化建筑设计等，从而改善城市居民的生活质量，并降低与高温相关的健康风险。此外，该模型还可以用于评估不同气候变化情景下城市热岛效应的变化趋势，为城市适应气候变化提供科学依据。
📄 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.