Aplicação de aprendizagem de máquina para o mapeamento de ilha de calor urbano superficial e predição da temperatura de superfície terrestre a partir de variáveis ambientais e socioeconômicas

• Autor(a) principal: FURUYA, Michelle Taís Garcia
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UNOESTE
• Texto Completo: http://bdtd.unoeste.br:8080/jspui/handle/jspui/1461
• topic: Ilha de calor urbano superficial; Sensoriamento remoto; Temperatura de superfície terrestre; decision tree; surface urban heat island; machine learning; remote sensing; land surface temperature; OUTROS::CIENCIAS

A característica da paisagem é responsável por alterar a dinâmica urbana, causando a formação de Ilhas de Calor Urbano (UHI). A temperatura de superfície (LST) extraída de imagens termais é uma fonte de informação primária para se estudar UHI, caracterizando as Ilhas de Calor Urbano Superficial (SUHI). Além da LST, um conjunto de variáveis ambientais e socioeconômicas tem sido adotado para explicar o fenômeno de SUHI. Embora algoritmos de aprendizagem de máquina demonstrem potencial em várias áreas, ainda se desconhece a aplicação destes na determinação da relação de variáveis socioeconômicas e ambientais e SUHI. Este trabalho propõe a caracterização de SUHI usando variáveis socioeconômicas e ambientais a partir de aprendizagem de máquina. A LST foi extraída de 15 imagens coletadas pelo sensor TIRS, sistema Landsat 8, para o período de 2019 a 2021. Os dados das variáveis socioeconômicas foram obtidos no censo demográfico oficial. As variáveis ambientais, descritas por índices espectrais de vegetação (NDVI), de área construída (NDBI) e de superfícies impermeáveis (ISA), foram extraídas de imagens Sentinel-2 e Planet. Algoritmos de aprendizagem de máquina foram testados para avaliar a capacidade de estimar a LST com base nas variáveis citadas. Os algoritmos utilizados no estudo foram decision tree (DT), k‑nearest neighbour (KNN), linear regression (LR), multilayer perceptron (MLP), support vector regression (SVR) e random forest (RF). Os resultados mostraram que o algoritmo DT obteve o melhor desempenho (r= 0.96, MAE= 1.49 °C and RMSE= 1.88 °C), seguido do RF. Além disso a inclusão de todas as estações do ano e de variáveis socioeconômicas mostrou ter relevância nos resultados. A principal contribuição deste trabalho é verificar se os algoritmos podem otimizar o processo de caracterização da SUHI, analisando a influência exercida pelas variáveis estudadas. No âmbito social, as informações produzidas podem auxiliar o planejamento urbano visando a construção de cidades inteligentes.