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: | |
---|---|
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 |
Resumo: | 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. |
id |
UOES_4b4c58a30ed06c335f5e3ecc74858ea8 |
---|---|
oai_identifier_str |
oai:bdtd.unoeste.br:jspui/1461 |
network_acronym_str |
UOES |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UNOESTE |
repository_id_str |
|
spelling |
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 socioeconômicasApplication of machine leaming for surface urban heat island mapping and prediction of land surface temperature from environmental and socioeconomic variablesIlha de calor urbano superficialSensoriamento remotoTemperatura de superfície terrestredecision treesurface urban heat islandmachine learningremote sensingland surface temperatureOUTROS::CIENCIASA 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.The landscape feature is responsible for changing urban dynamics, causing the formation of Urban Heat Islands (UHI). The Land surface Temperature (LST) extracted from thermal images is a primary source of information for exploiting UHI, characterizing the Surface Urban Heat Islands (SUHI). In addition to LST, a set of environmental and socioeconomic variables has been adopted to explain the SUHI phenomenon. Although machine learning algorithms have demonstrated great potential in several areas of applications, their use to investigate the relationship between socioeconomic and environmental variables and SUHI is still unknown. This work proposes the characterization of SUHI using socioeconomic and environmental variables from machine learning approach. The LST was extracted from 15 images collected by the TIRS sensor, Landsat 8 system, from 2019 to 2021. Data on socioeconomic variables were obtained from the official demographic census. The environmental variables, described by spectral indices of vegetation (NDVI), built-up area (NDBI) and impervious surfaces (ISA), were extracted from Sentinel-2 and Planet images. Machine learning algorithms were tested to evaluate the ability to estimate LST based on the aforementioned variables. The algorithms used in the study were decision tree (DT), k‑nearest neighbor (KNN), linear regression (LR), multilayer perceptron (MLP), support vector regression (SVR) and random forest (RF). The results showed that DT algorithm obtained the best performance (r= 0.96, MAE= 1.49 °C and RMSE= 1.88 °C), followed by the RF. Furthermore, the inclusion of all seasons and socioeconomic variables proved to be relevant in the results. The main contribution of this work is to verify if the algorithms can optimize the SUHI characterization process, analyzing the influence exerted by the studied variables. In the social sphere, the information produced can help urban planning in the construction of smart cities.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESUniversidade do Oeste PaulistaMestrado em Meio Ambiente e Desenvolvimento RegionalBrasilUNOESTEMestrado em Meio Ambiente e Desenvolvimento RegionalRamos, Ana Paula Marqueshttps://orcid.org/0000-0001-6633-2903http://lattes.cnpq.br/9006947238035954Pereira, Danillo Robertohttp://lattes.cnpq.br/0122307432250869Osco, Lucas Pradohttps://orcid.org/0000-0002-0258-536Xhttp://lattes.cnpq.br/7723347042259816Silva, Paulo Antônio dahttps://orcid.org/0000-0002-6813-1061http://lattes.cnpq.br/6213603526706261Cicerelli, Rejane Enneshttps://orcid.org/0000-0002-8199-5163http://lattes.cnpq.br/7126684173800825FURUYA, Michelle Taís Garcia2023-01-27T14:02:57Z2022-02-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfFURUYA, Michelle Taís Garcia. 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. 2022. 38 f. Dissertação(Mestrado em Meio Ambiente e Desenvolvimento Regional) - Universidade do Oeste Paulista, Presidente Prudente, 2022.http://bdtd.unoeste.br:8080/jspui/handle/jspui/1461enghttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UNOESTEinstname:Universidade do Oeste Paulista (UNOESTE)instacron:UNOESTE2023-01-28T04:01:01Zoai:bdtd.unoeste.br:jspui/1461Biblioteca Digital de Teses e Dissertaçõeshttp://bdtd.unoeste.br:8080/jspui/PUBhttp://bdtd.unoeste.br:8080/oai/requestbdtd@unoeste.bropendoar:2023-01-28T04:01:01Biblioteca Digital de Teses e Dissertações da UNOESTE - Universidade do Oeste Paulista (UNOESTE)false |
dc.title.none.fl_str_mv |
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 Application of machine leaming for surface urban heat island mapping and prediction of land surface temperature from environmental and socioeconomic variables |
title |
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 |
spellingShingle |
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 FURUYA, Michelle Taís Garcia 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 |
title_short |
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 |
title_full |
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 |
title_fullStr |
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 |
title_full_unstemmed |
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 |
title_sort |
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 |
author |
FURUYA, Michelle Taís Garcia |
author_facet |
FURUYA, Michelle Taís Garcia |
author_role |
author |
dc.contributor.none.fl_str_mv |
Ramos, Ana Paula Marques https://orcid.org/0000-0001-6633-2903 http://lattes.cnpq.br/9006947238035954 Pereira, Danillo Roberto http://lattes.cnpq.br/0122307432250869 Osco, Lucas Prado https://orcid.org/0000-0002-0258-536X http://lattes.cnpq.br/7723347042259816 Silva, Paulo Antônio da https://orcid.org/0000-0002-6813-1061 http://lattes.cnpq.br/6213603526706261 Cicerelli, Rejane Ennes https://orcid.org/0000-0002-8199-5163 http://lattes.cnpq.br/7126684173800825 |
dc.contributor.author.fl_str_mv |
FURUYA, Michelle Taís Garcia |
dc.subject.por.fl_str_mv |
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 |
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 |
description |
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. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-02-24 2023-01-27T14:02:57Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
FURUYA, Michelle Taís Garcia. 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. 2022. 38 f. Dissertação(Mestrado em Meio Ambiente e Desenvolvimento Regional) - Universidade do Oeste Paulista, Presidente Prudente, 2022. http://bdtd.unoeste.br:8080/jspui/handle/jspui/1461 |
identifier_str_mv |
FURUYA, Michelle Taís Garcia. 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. 2022. 38 f. Dissertação(Mestrado em Meio Ambiente e Desenvolvimento Regional) - Universidade do Oeste Paulista, Presidente Prudente, 2022. |
url |
http://bdtd.unoeste.br:8080/jspui/handle/jspui/1461 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade do Oeste Paulista Mestrado em Meio Ambiente e Desenvolvimento Regional Brasil UNOESTE Mestrado em Meio Ambiente e Desenvolvimento Regional |
publisher.none.fl_str_mv |
Universidade do Oeste Paulista Mestrado em Meio Ambiente e Desenvolvimento Regional Brasil UNOESTE Mestrado em Meio Ambiente e Desenvolvimento Regional |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UNOESTE instname:Universidade do Oeste Paulista (UNOESTE) instacron:UNOESTE |
instname_str |
Universidade do Oeste Paulista (UNOESTE) |
instacron_str |
UNOESTE |
institution |
UNOESTE |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UNOESTE |
collection |
Biblioteca Digital de Teses e Dissertações da UNOESTE |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UNOESTE - Universidade do Oeste Paulista (UNOESTE) |
repository.mail.fl_str_mv |
bdtd@unoeste.br |
_version_ |
1811100163312189440 |