Conflated Inverse Modeling to Generate Diverse and Temperature-Change Inducing Urban Vegetation Patterns
作者: Baris Sarper Tezcan, Hrishikesh Viswanath, Rubab Saher, Daniel Aliaga
分类: cs.CV
发布日期: 2026-04-14
备注: Accepted to the CVPR 2026 EarthVision Workshop
💡 一句话要点
提出Conflated逆建模框架，生成多样且可控的城市植被模式以调控温度
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 城市规划 气候适应 逆建模 扩散模型 植被模式生成
📋 核心要点
- 传统方法难以解决城市植被配置以实现特定温度目标的逆问题，因为该问题具有内在的不确定性，多种植被模式可能产生相似的温度响应。
- 论文提出了一种混合逆建模框架，结合正向预测模型和扩散生成模型，生成多样且物理上合理的植被模式，并以特定温度目标为条件。
- 该框架能够在控制温度结果的同时，生成多样化的植被配置，即使这些配置在训练数据中没有出现过，从而提升了城市气候适应能力。
📝 摘要（中文）
城市地区正日益受到快速城市化和气候变化驱动的热浪威胁。传统上，热浪监测依赖于地球观测卫星和数值建模框架。例如，来自Landsat或Sentinel影像的地表温度常被用于表征地表加热模式。这些方法作为正向模型，将辐射观测或建模的边界条件转化为地表热状态的估计。虽然正向模型可以根据植被和城市形态预测地表温度，但确定实现所需区域温度变化的植被空间配置的逆问题在很大程度上仍未被探索。这项任务本质上是不确定的，因为多种空间植被模式可以产生相似的聚合温度响应。传统的回归和确定性神经网络无法捕捉这种模糊性，并且经常产生平均解，尤其是在数据稀缺的情况下。我们提出了一种混合逆建模框架，该框架结合了预测性正向模型和基于扩散的生成逆模型，以生成多样化的、物理上合理的、基于图像的植被模式，这些模式以特定的温度目标为条件。我们的框架保持了对热结果的控制，同时实现了多样化的空间植被配置，即使这些组合在训练数据中不存在。总而言之，这项工作引入了一种可控的逆建模方法，用于城市气候适应，该方法考虑了问题的内在多样性。
🔬 方法详解
问题定义：论文旨在解决城市规划中，如何根据期望的温度变化，设计合理的城市植被分布的问题。现有方法，如正向模型，只能根据已知的植被分布预测温度，而无法反过来根据目标温度生成植被分布。此外，由于同一温度目标可能对应多种植被分布，传统确定性方法难以捕捉这种不确定性，容易产生平均化的结果。
核心思路：论文的核心思路是将正向模型和生成模型结合，构建一个混合逆建模框架。正向模型用于预测给定植被分布下的温度，而生成模型则用于生成满足特定温度目标的植被分布。通过这种方式，可以实现从温度目标到植被分布的逆向推导，并生成多样化的解决方案。
技术框架：该框架包含两个主要模块：正向模型和逆向生成模型。正向模型可以是任何能够预测植被分布与温度之间关系的模型，例如卷积神经网络。逆向生成模型采用扩散模型，通过逐步去噪的方式，从随机噪声中生成符合目标温度的植被分布。整个流程是：首先，给定目标温度变化；然后，逆向生成模型生成对应的植被分布；最后，正向模型验证生成的植被分布是否满足目标温度变化。
关键创新：该论文的关键创新在于将扩散模型引入到城市植被规划的逆问题中，从而能够生成多样化的解决方案。与传统的确定性方法相比，扩散模型能够更好地捕捉问题的不确定性，并生成更符合实际情况的植被分布。此外，该框架通过结合正向模型和逆向生成模型，实现了对生成结果的物理约束，保证了生成结果的合理性。
关键设计：扩散模型采用U-Net结构，并使用条件信息（目标温度变化）来引导生成过程。损失函数包括扩散模型的标准损失函数，以及一个额外的损失函数，用于约束生成结果与目标温度变化之间的差异。正向模型采用卷积神经网络，并使用真实数据进行训练，以提高预测精度。
🖼️ 关键图片
📊 实验亮点
论文提出了Conflated Inverse Modeling框架，能够生成多样化的城市植被模式以调控温度。该框架结合了正向预测模型和扩散生成模型，在控制温度结果的同时，实现了多样化的空间植被配置，即使这些组合在训练数据中不存在。实验结果表明，该方法能够有效地生成符合目标温度变化的植被分布，并优于传统的确定性方法。
🎯 应用场景
该研究成果可应用于城市规划和气候适应领域，帮助城市规划者设计更有效的植被配置方案，以应对气候变化带来的热浪等问题。通过生成多样化的植被方案，可以为决策者提供更多的选择，并更好地平衡不同利益相关者的需求。此外，该方法还可以扩展到其他城市要素的设计，例如建筑布局和材料选择等。
📄 摘要（原文）
Urban areas are increasingly vulnerable to thermal extremes driven by rapid urbanization and climate change. Traditionally, thermal extremes have been monitored using Earth-observing satellites and numerical modeling frameworks. For example, land surface temperature derived from Landsat or Sentinel imagery is commonly used to characterize surface heating patterns. These approaches operate as forward models, translating radiative observations or modeled boundary conditions into estimates of surface thermal states. While forward models can predict land surface temperature from vegetation and urban form, the inverse problem of determining spatial vegetation configurations that achieve a desired regional temperature shift remains largely unexplored. This task is inherently underdetermined, as multiple spatial vegetation patterns can yield similar aggregated temperature responses. Conventional regression and deterministic neural networks fail to capture this ambiguity and often produce averaged solutions, particularly under data-scarce conditions. We propose a conflated inverse modeling framework that combines a predictive forward model with a diffusion-based generative inverse model to produce diverse, physically plausible image-based vegetation patterns conditioned on specific temperature goals. Our framework maintains control over thermal outcomes while enabling diverse spatial vegetation configurations, even when such combinations are absent from training data. Altogether, this work introduces a controllable inverse modeling approach for urban climate adaptation that accounts for the inherent diversity of the problem. Code is available at the GitHub repository.