Une nouvelle approche pour comprendre le microclimat urbain en intégrant des prédicteurs complémentaires à différentes échelles dans les modèles de régression et d'apprentissage automatique
Mots-clés: température de l'air ; température de surface ; LiDAR ; régression linéaire multiple ; Landsat 8 ; îlot de chaleur urbain
Résumé :
Le changement climatique est un phénomène contemporain majeur aux conséquences multiples. Dans les zones urbaines, il exacerbe le phénomène des îlots de chaleur urbains. Elle impacte la santé des habitants et la sensation d'inconfort thermique ressentie en milieu urbain. Ainsi, il est nécessaire d'estimer au mieux la température de l'air en tout point d'un territoire, notamment en vue de la rationalisation en cours du réseau de stations météorologiques fixes de Météo-France. La compréhension de la température de l'air est de plus en plus demandée pour saisir des modèles quantitatifs liés à un large éventail de domaines, tels que les études d'hydrologie, d'écologie ou de changement climatique. Cette étude propose ainsi de modéliser la température de l'air, mesurée lors de quatre campagnes mobiles réalisées pendant les mois d'été, entre 2016 et 2019, à Lyon (France), par temps clair, utilisant des modèles de régression basés sur 33 variables explicatives issues de données traditionnellement utilisées, des données de télédétection par LiDAR (Light Detection and Ranging), ou l'acquisition par satellite Landsat 8. Trois types de régression statistique ont été expérimentés: la régression partielle des moindres carrés, la régression linéaire multiple et une méthode d'apprentissage automatique, la random forest. Par exemple, pour la journée du 30 août 2016, la régression linéaire multiple expliquait 89% de la variance pour les jours d'étude, avec une erreur quadratique moyenne (RMSE) de seulement 0,23 ° C. Des variables telles que la température de surface, l'indice de végétation par différence normalisée (NDVI) et l'indice d'eau par différence normalisée modifiée (MNDWI) ont un impact important sur le modèle d'estimation. Cette étude contribue à l'émergence des systèmes de refroidissement urbains. Les solutions disponibles varient.
Pour plus d'informations :
https://doi.org/10.3390/rs12152434
Alonso, L.; Renard, F. A New Approach for Understanding Urban Microclimate by Integrating Complementary Predictors at Different Scales in Regression and Machine Learning Models. Remote Sens. 2020, 12, 2434.
