Buchumschlag

Interpretable Machine Learning for Urban Heat Mitigation: Attribution and Weighting of Multi-Scale Drivers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tschan, David, Wang, Zhi, Strebel, Dominik, Carmeliet, Jan, Zhao, Yongling
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Atmospheric and Oceanic Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Highly inhomogeneous interactions between background climate and urban warming across typical local climate zones in heatwave and non-heatwave days
von: Kong, Jing, et al.
Veröffentlicht: (2024)

Tackling the Accuracy-Interpretability Trade-off in a Hierarchy of Machine Learning Models for the Prediction of Extreme Heatwaves
von: Lovo, Alessandro, et al.
Veröffentlicht: (2024)

Machine Learning Framework for High-Resolution Air Temperature Downscaling Using LiDAR-Derived Urban Morphological Features
von: Chajaei, Fatemeh, et al.
Veröffentlicht: (2024)

Interpretable Cross-Sphere Multiscale Deep Learning Predicts ENSO Skilfully Beyond 2 Years
von: Hao, Rixu, et al.
Veröffentlicht: (2025)

Building Machine Learning Limited Area Models: Kilometer-Scale Weather Forecasting in Realistic Settings
von: Adamov, Simon, et al.
Veröffentlicht: (2025)

Multi-Year-to-Decadal Temperature Prediction using a Machine Learning Model-Analog Framework
von: Fernandez, M. A., et al.
Veröffentlicht: (2025)

Data-Driven Integration Kernels for Interpretable Nonlocal Operator Learning
von: Ferretti, Savannah L., et al.
Veröffentlicht: (2026)

Machine Learning for Stochastic Parametrisation
von: Christensen, Hannah M., et al.
Veröffentlicht: (2024)

Seeing Inside the Storm: Improving Nowcasting by Integrating Meteorological Drivers
von: Qiu, Minghui, et al.
Veröffentlicht: (2026)

Using Deep Learning to Identify Initial Error Sensitivity for Interpretable ENSO Forecasts
von: Toride, Kinya, et al.
Veröffentlicht: (2024)

Interpretable Machine Learning for Weather and Climate Prediction: A Survey
von: Yang, Ruyi, et al.
Veröffentlicht: (2024)

Physics Guided Machine Learning Methods for Hydrology
von: Khandelwal, Ankush, et al.
Veröffentlicht: (2020)

Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model
von: Wang, Chenggong, et al.
Veröffentlicht: (2024)

Machine Learning Techniques for Data Reduction of Climate Applications
von: Li, Xiao, et al.
Veröffentlicht: (2024)

Atmospheric Predictability Beyond 30 Days with Machine Learning
von: Vonich, P. Trent, et al.
Veröffentlicht: (2025)

CloudCast -- Total Cloud Cover Nowcasting with Machine Learning
von: Partio, Mikko, et al.
Veröffentlicht: (2024)

Exploring the Use of Machine Learning Weather Models in Data Assimilation
von: Tian, Xiaoxu, et al.
Veröffentlicht: (2024)

Probabilistic Emulation of the Community Radiative Transfer Model Using Machine Learning
von: Howard, Lucas, et al.
Veröffentlicht: (2025)

Probabilistic Super-Resolution for Urban Micrometeorology via a Schrödinger Bridge
von: Yasuda, Yuki, et al.
Veröffentlicht: (2025)

Examining Fast Radiatively Driven Responses Using Machine-Learning Weather Emulators
von: Mahesh, Ankur, et al.
Veröffentlicht: (2026)

CERA: A Framework for Improved Generalization of Machine Learning Models to Changed Climates
von: Liu, Shuchang, et al.
Veröffentlicht: (2025)

Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning
von: Han, MengMeng, et al.
Veröffentlicht: (2024)

Recommendations for Comprehensive and Independent Evaluation of Machine Learning-Based Earth System Models
von: Ullrich, Paul A., et al.
Veröffentlicht: (2024)

Geographic Transferability of Machine Learning Models for Short-Term Airport Fog Forecasting
von: Castillo, Marcelo Cerda
Veröffentlicht: (2025)

Machine Learning Reveals Large-scale Impact of Posidonia Oceanica on Mediterranean Sea Water
von: Trois, Celio, et al.
Veröffentlicht: (2024)

A Temporal Stochastic Bias Correction using a Machine Learning Attention model
von: Nivron, Omer, et al.
Veröffentlicht: (2024)

The Equilibrium Response of Atmospheric Machine-Learning Models to Uniform Sea Surface Temperature Warming
von: Zhang, Bosong, et al.
Veröffentlicht: (2025)

Physics-Informed Lightweight Machine Learning for Aviation Visibility Nowcasting Across Multiple Climatic Regimes
von: Castillo, Marcelo Cerda
Veröffentlicht: (2025)

mloz: A Highly Efficient Machine Learning-Based Ozone Parameterization for Climate Sensitivity Simulations
von: Ma, Yiling, et al.
Veröffentlicht: (2025)

Graph Neural Networks and Spatial Information Learning for Post-Processing Ensemble Weather Forecasts
von: Feik, Moritz, et al.
Veröffentlicht: (2024)

Paraformer: Parameterization of Sub-grid Scale Processes Using Transformers
von: Wang, Shuochen, et al.
Veröffentlicht: (2024)

Machine Learning for Cloud Detection in IASI Measurements: A Data-Driven SVM Approach with Physical Constraints
von: Zugarini, Chiara, et al.
Veröffentlicht: (2025)

CloudSense: A Model for Cloud Type Identification using Machine Learning from Radar data
von: Nizar, Mehzooz, et al.
Veröffentlicht: (2024)

U-Net Kalman Filter (UNetKF): An Example of Machine Learning-assisted Ensemble Data Assimilation
von: Lu, Feiyu
Veröffentlicht: (2024)

A Comparison of Machine Learning Algorithms for Predicting Sea Surface Temperature in the Great Barrier Reef Region
von: Quayesam, Dennis, et al.
Veröffentlicht: (2024)

Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning for Enhancing Forecasting Accuracy
von: Giaremis, Stefanos, et al.
Veröffentlicht: (2024)

Beyond Resolution: Multi-Scale Weather and Climate Data for Alpine Renewable Energy in the Digital Twin Era -- First Evaluations and Recommendations
von: Schicker, Irene, et al.
Veröffentlicht: (2025)

DUNE: A Machine Learning Deep UNet++ based Ensemble Approach to Monthly, Seasonal and Annual Climate Forecasting
von: Shukla, Pratik, et al.
Veröffentlicht: (2024)

Interpretable rainfall modelling reveals rapid reorganisation of Amazonian rainfall under vegetation loss
von: Horvath-Makkos, Lilly, et al.
Veröffentlicht: (2026)

Combined Optimization of Dynamics and Assimilation with End-to-End Learning on Sparse Observations
von: Zinchenko, Vadim, et al.
Veröffentlicht: (2024)