Detection and Simulation of Urban Heat Islands Using a Fine-Tuned Geospatial Foundation Model for Microclimate Impact Prediction
作者: Jannis Fleckenstein, David Kreismann, Tamara Rosemary Govindasamy, Thomas Brunschwiler, Etienne Vos, Mattia Rigotti
分类: cs.CV
发布日期: 2025-10-21
备注: 10 pages, 9 figures. Accepted at the NeurIPS 2025 Workshop on Tackling Climate Change with Machine Learning
💡 一句话要点
微调地理空间基础模型，用于城市热岛检测与模拟，预测微气候影响。
🎯 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 微气候预测 气候适应 地表温度 绿地降温 模拟修复
📋 核心要点
- 传统机器学习模型在数据有限的情况下，难以准确预测城市热岛效应，尤其是在欠发达地区。
- 本研究利用地理空间基础模型，通过少量微调，实现对城市热岛效应的准确预测和模拟。
- 通过量化绿地降温效果并与模型预测对比，验证模型准确性，并模拟未来气候情景下的地表温度。
📝 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，数据有限的传统机器学习模型通常会产生不准确的预测，尤其是在服务欠缺的地区。在全球非结构化数据上训练的地理空间基础模型提供了一种有前景的替代方案，通过展示强大的泛化能力，只需要最少的微调。本研究通过量化绿地的降温效果，并将其与模型预测进行基准测试，从而建立城市热模式的经验真值，以评估模型的准确性。随后，对基础模型进行微调，以预测未来气候情景下的地表温度，并通过模拟修复突出了其在缓解支持中的作用，从而证明了其应用价值。结果表明，基础模型为评估数据稀缺地区的城市热岛缓解策略提供了一种强大的方法，以支持更具气候适应力的城市。
🔬 方法详解
问题定义：论文旨在解决城市热岛效应预测不准确的问题，尤其是在数据稀缺区域。现有机器学习模型依赖大量特定领域的数据，泛化能力弱，难以准确预测不同城市或未来气候条件下的热岛效应。传统方法难以有效评估城市规划和气候变化对城市热环境的影响。
核心思路：论文的核心思路是利用预训练的地理空间基础模型，该模型已经在大量的全球非结构化数据上进行了训练，具备强大的泛化能力。通过少量特定城市的数据进行微调，即可快速适应新的城市环境，并预测未来的地表温度。这种方法可以有效解决数据稀缺问题，并提高预测的准确性。
技术框架：整体框架包括以下几个阶段：1) 建立城市热模式的经验真值，通过量化绿地的降温效果来评估；2) 使用经验真值数据对地理空间基础模型进行微调；3) 利用微调后的模型预测未来气候情景下的地表温度；4) 通过模拟修复（inpainting）来展示模型在缓解城市热岛效应方面的应用价值。
关键创新：最重要的创新点在于将地理空间基础模型应用于城市热岛效应的预测和模拟。与传统的机器学习模型相比，基础模型具有更强的泛化能力和更低的训练数据需求。此外，论文还通过模拟修复展示了模型在城市规划和气候适应方面的应用潜力。
关键设计：论文中，基础模型的选择和微调策略是关键。具体的基础模型类型未知，但强调了其在地理空间数据上的预训练。微调过程可能涉及到调整模型的学习率、损失函数权重等参数，以适应特定城市的热环境特征。模拟修复的具体实现方式未知，但推测是利用模型预测缺失区域的地表温度，从而评估不同缓解策略的效果。
🖼️ 关键图片
📊 实验亮点
论文通过量化绿地降温效果并与模型预测对比，验证了地理空间基础模型在城市热岛效应预测方面的准确性。虽然具体的性能数据未知，但研究强调了该模型在数据稀缺区域的优势，并展示了其在模拟未来气候情景下的地表温度和评估缓解策略方面的潜力。模拟修复实验突出了模型在城市规划和气候适应方面的应用价值。
🎯 应用场景
该研究成果可应用于城市规划、气候适应和公共卫生等领域。城市规划者可以利用该模型评估不同城市设计方案对城市热环境的影响，从而优化城市布局，降低城市热岛效应。气候适应策略制定者可以利用该模型预测未来气候情景下的地表温度，并制定相应的应对措施。公共卫生部门可以利用该模型识别城市热岛效应高发区域，并采取相应的干预措施，以保护居民的健康。
📄 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, yet conventional machine learning models with limited data often produce inaccurate predictions, particularly in underserved areas. Geospatial foundation models trained on global unstructured data offer a promising alternative by demonstrating strong generalization and requiring only minimal fine-tuning. In this study, an empirical ground truth of urban heat patterns is established by quantifying cooling effects from green spaces and benchmarking them against model predictions to evaluate the model's accuracy. The foundation model is subsequently fine-tuned to predict land surface temperatures under future climate scenarios, and its practical value is demonstrated through a simulated inpainting that highlights its role for mitigation support. The results indicate that foundation models offer a powerful way for evaluating urban heat island mitigation strategies in data-scarce regions to support more climate-resilient cities.