💻 computer science

HeatCast: A Benchmark for Neighborhood-Scale LST Forecasting across 124 U.S. Cities

El artículo presenta HeatCast, un benchmark exhaustivo para el pronóstico mensual de la Temperatura de la Superficie Terrestre a escala de vecindario (30 m) en 124 ciudades de EE. UU. que incluye un conjunto de datos a gran escala, métricas de evaluación estandarizadas y demuestra el rendimiento superior del modelo Earthformer sobre las líneas base de CNN+LSTM.

Autores originales: Jesus Guerrero, Isaac Corley, Leon Najafirad, Maryam Tabar, Paul Rad

Publicado 2026-08-11

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Jesus Guerrero, Isaac Corley, Leon Najafirad, Maryam Tabar, Paul Rad

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la Tierra como una gigantesca colcha de retazos resplandeciente. Algunos cuadros están hechos de asfalto oscuro y concreto, absorbiendo el sol como un coche negro en julio. Otros están hechos de hierba verde o agua azul, que se mantienen frescos y vivaces. Esta diferencia de temperatura no es solo una cuestión de comodidad; es una cuestión de vida o muerte. Cuando las ciudades se calientan demasiado, pueden enfermar a las personas o incluso causarles la muerte. Los científicos llaman a esto "Temperatura de la Superficie Terrestre" (LST, por sus siglas en inglés), que es básicamente una forma elegante de medir qué tan caliente está el suelo, en lugar del aire.

Durante mucho tiempo, los científicos han intentado predecir este calor, pero sus mapas eran a menudo borrosos. Miraban enormes extensiones de tierra, como ver una ciudad a través de una ventana empañada, perdiendo los pequeños detalles donde realmente se acumula el calor. También se centraron principalmente en una o dos ciudades a la vez, lo que dificultaba comparar si un nuevo método era realmente bueno o simplemente tuvo suerte. Para solucionar esto, los investigadores necesitaban un patio de juegos gigante, claro y compartido donde todos pudieran probar sus herramientas de predicción en los mismos rompecabezas complicados a escala de vecindario.

Aquí entra HeatCast, un nuevo proyecto que actúa como un nivel de videojeste masivo y de alta definición para predecir el calor urbano. En lugar de mirar ciudades enteras, este equipo creó un punto de referencia que se acerca a vecindarios individuales, bloque por bloque, a través de 124 ciudades diferentes de los EE. UU. Reunieron una década de fotos satelitales, desde 2013 hasta mediados de 2025, para crear un conjunto de datos tan detallado que puede ver la diferencia de temperatura entre un estacionamiento caliente y un parque fresco justo al lado.

Los investigadores no solo volcaron los datos; construyeron un "examen" estricto para que lo tomaran los modelos informáticos. Establecieron un desafío específico: observar los últimos 12 meses de datos meteorológicos y de la tierra, y adivinar cuál será la temperatura del suelo el próximo mes. Probaron dos tipos diferentes de "estudiantes" de IA en este examen. Uno era un estudiante clásico y confiable (un CNN+LSTM), y el otro era un estudiante más nuevo y avanzado llamado Earthformer.

Los resultados fueron un poco sorprendentes. El modelo avanzado Earthformer lo hizo mucho mejor, prediciendo el calor con un error promedio de 7.74 K (Kelvin), mientras que el modelo clásico falló por 10.42 K. Pero el descubrimiento más interesante no fue solo cuál modelo era más inteligente; fue sobre en qué basaban su pensamiento. Los investigadores descubrieron que las mejores predicciones no provenían de mirar solo los registros de calor pasados. De hecho, el modelo Earthformer obtuvo su tasa de error más baja de 7.72 K cuando ignoró por completo los datos de calor pasados y, en su lugar, se centró en otras ocho pistas, como cuánta vegetación verde había, cuánta agua era visible y qué tan brillante era el suelo. Resulta que saber cómo se ve el suelo es a menudo una mejor bola de cristal para predecir qué tan caliente se pondrá que simplemente saber qué tan caliente estuvo ayer.

Este artículo no pretende haber resuelto el problema del calor para siempre, pero ha entregado a la comunidad científica una nueva herramienta poderosa. Al publicar todos sus datos, código y las "claves de respuesta" de sus modelos, han dado a todos una forma justa de construir mejores herramientas de predicción de calor. Esto podría ayudar a los planificadores urbanos a determinar exactamente dónde plantar árboles o construir parques para enfriar los vecindarios más calurosos y vulnerables, haciendo que las ciudades sean más seguras y cómodas para todos.

Resumen Técnico: HeatCast – Un Punto de Referencia para la Predicción de LST a Escala de Vecindario

Declaración del Problema

La Temperatura de la Superficie Terrestre (LST, por sus siglas en inglés) es una métrica crítica para comprender el calor urbano, sin embargo, no existe un punto de referencia (benchmark) abierto y ampliamente adoptado para la predicción de la LST a escala de vecindario (resolución de 30 m). La investigación previa se ve limitada por tres factores principales:

Alcance Geográfico: La mayoría de los estudios se centran en solo una a tres ciudades.
Resolución: Los conjuntos de datos existentes suelen utilizar productos a escala de kilómetros que suavizan gradientes térmicos intraurbanos críticos (por ejemplo, las diferencias entre superficies impermeables y vegetación).
Reproducibilidad: Muchos estudios no liberan datos, código o protocolos de evaluación estandarizados, lo que dificulta la comparación del rendimiento de los modelos o la dificultad de la tarea entre estudios.

En consecuencia, la comunidad carece de una forma estandarizada de evaluar modelos para la predicación de la LST del mes siguiente en diversos entornos urbanos.

Metodología

Construcción del Conjunto de Datos (HeatCast)

Los autores construyeron HeatCast, un conjunto de datos de referencia que cubre 124 ciudades de EE. UU. con huellas urbanas superiores a 90 mi².

Cobertura Temporal: Mediados de 2013 (puesta en marcha de Landsat 8) hasta junio de 2025.
Resolución Espacial: Cuadrícula de 30 m, derivada de datos de Landsat 8/9 Collection 2 Level-2.
Volumen de Datos: Aproximadamente 1.4 millones de parches de 128×128 píxeles (~150 GB).
Canales de Entrada (9 por tesela):
- Temperatura de la Superficie Terrestre (LST).
- Modelo Digital de Elevación (DEM).
- Reflectancia de Superficie RGB (Bandas 2–4).
- Índices Espectrales: NDVI, NDWI y NDBI.
- Albedo de Banda Ancha.
Etiquetas: A cada píxel se le asigna una etiqueta de Zona Climática Local (LCZ) (17 clases + sin clasificar) para permitir una evaluación estratificada.
Preprocesamiento: Las escenas se mosaican, se reproyectan a una cuadrícula UTM común y los píxeles afectados por nubes se enmascaran. Los meses faltantes dentro de una secuencia se gestionan mediante interpolación lineal (hasta dos meses consecutivos) o se excluyen.

Protocolo de Evaluación (Benchmark)

Tarea: Predicción de la LST del mes siguiente. Dados 12 meses consecutivos de 9 canales de observación, predecir el canal LST para el mes siguiente.
División Temporal:
- Entrenamiento: 2013–2021.
- Validación: 2022–2023.
- Prueba: Enero 2024–Junio 2025.
Métricas: Error Cuadrático Medio (RMSE) en Kelvin, reportado como una media sobre los píxeles válidos. La evaluación se estratifica por supergrupos de LCZ (Urbano Compacto, Urbano Abierto, Otro Urbano, Natural).

Modelos de Referencia (Baselines)

Se implementaron y entrenaron dos arquitecturas utilizando la división temporal:

CNN+LSTM: Un codificador convolucional de dos capas (64 canales ocultos) seguido de un LSTM de 128 unidades para el modelado temporal y un decodificador lineal.
Earthformer: Un modelo basado en transformadores que utiliza atención de cuboides para la predicción espacio-temporal, configurado con 256 unidades base, 4 cabezales de atención y un apilador de convolución de reducción de escala (stack-conv downsampler).

Ambos modelos fueron entrenados usando AdamW (tasa de aprendizaje $5 \times 10^{-4}$ ) con parada temprana (early stopping) y aumento de datos (rotaciones/volteos).

Resultados Clave

Rendimiento de los Modelos de Referencia

Earthformer logró un RMSE agregado en el conjunto de prueba de 7.74 K.
CNN+LSTM logró un RMSE agregado en el conjunto de prueba de 10.42 K.
Estratificación por LCZ: Earthformer superó a CNN+LSTM en las categorías de Urbano Abierto, Otro Urbano y Natural. Sin embargo, CNN+LSTM funcionó mejor en los píxeles de Urbano Compacto (8.62 K frente a 12.68 K), que constituyen solo el 0.76% del conjunto de datos.

Ablación de Características (Earthformer)

Los autores investigaron el valor predictivo de diferentes subconjuntos de canales de entrada:

Solo Canales Auxiliares (Sin LST): El uso de los 8 canales no LST (DEM, RGB, Índices, Albedo) produjo el RMSE más bajo de 7.72 K.
Todos los Canales: 7.74 K.
Solo Historial de LST: 8.15 K.
Solo RGB: 8.68 K.

Esto indica que, para Earthformer, las variables auxiliares proporcionan una señal predictiva más fuerte para la LST del mes siguiente que la propia LST histórica. Por el contrario, para el CNN+LSTM, eliminar la LST histórica degradó significamente el rendimiento (el RMSE aumentó de 10.42 K a 12.47 K).

Significancia y Reivindicaciones

El artículo plantea las siguientes contribuciones y significancia:

Primer Punto de Referencia a Escala de Vecindario: HeatCast es el primer punto de referencia compartido para la predicción mensual de LST a resolución de 30 m en un gran número de ciudades de EE. UU. (124), abordando el vacío dejado por estudios previos a escala de kilómetros o de una sola ciudad.
Reproducibilidad: El conjunto de datos, el código, las divisiones temporales fijas y el sistema de evaluación de referencia se liberan bajo la licencia MIT, permitiendo la comparación directa de futuros modelos.
Perspectiva sobre las Características Predictivas: El estudio de ablación revela que los canales no LST (específicamente las variables auxiliares como el albedo y los índices espectrales) pueden superar a los datos de LST históricos en los modelos basados en transformadores para esta tarea de predicción específica.
Base para Trabajos Futuros: El punto de referencia respalda la investigación en la predicción equilibrada por clases (particularmente para las clases urbanas compactas poco comunes), la fusión de características y la aplicación de modelos fundacionales geoespaciales para la predicción térmica.

Los autores señalan limitaciones, incluyendo la incertidumbre inherente de los productos LST de Landsat (1–2 K bajo cielos despejados), el enfoque en ciudades grandes con suficiente imaginería libre de nubes, y el hecho de que el punto de referencia evalúa fechas futuras en ciudades conocidas en lugar de la transferencia a geografías no vistas. El conjunto de datos está disponible en https://doi.org/10.57967/hf/9889.