Long-term Intensification of Surface Urban Heat Island Under Urban Expansion: A Remote Sensing-based Analysis

Resumen Técnico: Intensificación a Largo Plazo de la Isla de Calor Urbana Superficial bajo la Expansión Urbana en la Corporación de la Ciudad de Sylhet

Planteamiento del Problema
Si bien el efecto de la Isla de Calor Urbana Superficial (ICUS) está bien documentado en áreas metropolitanas importantes como Dhaka, Bangladesh, las variaciones espacio-temporales a largo plazo de la Temperatura de la Superficie de la Tierra (LST) y la intensidad de la ICUS (SUHII) en ciudades secundarias siguen siendo poco exploradas. Específicamente, la Corporación de la Ciudad de Sylhet (SCC) carece de un análisis exhaustivo de los patrones térmicos diurnos, estacionales y anuales durante períodos prolongados. Los estudios existentes suelen tratar a Sylhet como una única entidad urbana sin resolver la variabilidad intraurbana, no definen objetivamente los límites de referencia rurales óptimos o no aplican el cribado a nivel de píxel para excluir coberturas de tierra no rurales de las zonas de referencia. Este estudio aborda estas brechas investigando la intensificación de la SUHII en la SCC de 2003 a 2021 en medio de una rápida expansión urbana, con el objetivo de cuantificar los controles biofísicos de la vegetación y las superficies construidas sobre los patrones térmicos.

Metodología
El estudio emplea un enfoque basado en sensores remotos que integra datos de MODIS y Landsat para analizar la dinámica de la LST y la SUHII durante un período de 19 años (2003–2021).

• Fuentes de Datos:

  • Datos Térmicos: Producto de LST MOD11A2 (v006) de MODIS, un compuesto de 8 días con una resolución de 1 km, que cubre el periodo 2003–2021. Los datos fueron filtrados para píxeles de cielo despejado con errores < 2 K.
  • Uso y Cobertura del Suelo (LULC): Se utilizaron datos de reflectancia de superficie de Landsat-7 ETM+ (2003) y Landsat-8 OLI/TIRS (2021) con una resolución de 30 m para la clasificación de LULC. Se utilizó la imaginería anual de Landsat (2003–2021) para los índices biofísicos.
  • Datos Auxiliares: El producto anual de cobertura terrestre MODIS MCD12Q1 (500 m) se utilizó para el cribado de píxeles rurales.

• Técnicas Analíticas:

  • Clasificación LULC: Una clasificación supervisada de Máquina de Vectores de Soporte (SVM) en ArcGIS 10.8 categorizó el área en zonas construidas, vegetación, cuerpos de agua y tierras desnudas. Los puntos de verdad de terreno se recolectaron mediante GPS y Google Earth Pro.
  • Optimización de la Zona de Referencia Rural: Se realizó un análisis de sensibilidad sistemático a través de cinco distancias de amortiguamiento candidatas (3, 5, 7, 10 y 15 km) desde el antiguo límite de la SCC. El amortiguamiento óptimo se seleccionó basándose en la estabilidad del recuento de píxeles, la significancia estadística de las diferencias de SUHII entre amortiguamientos adyacentes y la representatividad local. Los píxeles de zonas construidas y cuerpos de agua se excluyeron anualmente de la zona de referencia rural.
  • Cálculo de SUHII: La SUHII se calculó como la diferencia entre la LST media del área urbana ($T_U$) y la zona de referencia rural limpia ($T_R$): $SUHII = T_U - T_R$. Los cálculos se realizaron por separado para el día y la noche en escalas anuales y estacionales.
  • Análisis de Tendencias: Se utilizaron las pruebas no paramétricas de Mann–Kendall (MK) y el estimador de la pendiente de Sen para detectar tendencias monotónicas y cuantificar magnitudes. Se aplicó la regresión lineal para estimar las tasas de cambio.
  • Análisis Espacial: El I de Moran global evaluó la autocorrelación espacial, y el estadístico Getis-Ord Gi* identificó puntos calientes (hotspots) y puntos fríos (cold spots) con un nivel de confianza del 99%.
  • Controles Biofísicos: El Índice de Vegetación de Diferencia Normalizada (NDVI) y el Índice de Construcción de Diferencia Normalizada (NDBI) se derivaron de los datos Landsat, se reescalaron a 1 km y se correlacionaron con la LST y la SUHII utilizando coeficientes de correlación de Pearson.

Contribuciones Clave

1. Definición Objetiva de la Referencia Rural: El estudio introduce un análisis de sensibilidad para determinar la distancia de amortiguamiento rural óptima (7 km) para el cálculo de la SUHII en Sylhet, asegurando que la zona de referencia represente un fondo térmicamente estable y no urbano, mientras excluye píxeles no rurales.
2. Resolución Intraurbana: A diferencia de los estudios multiciudad previos que trataban a Sylhet como un monolito, esta investigación resuelve la variabilidad espacial y temporal intraurbana, identificando hotspots específicos dentro de la SCC.
3. Granularidad Diurna y Estacional: El análisis proporciona un desglose detallado de las variaciones de la SUHII a través de cuatro estaciones distintas (pre-monzón, monzón, post-monzón, invierno) y ciclos diurnos, resaltando la dinámica de calentamiento diferencial.
4. Cuantificación Biofísica: El estudio cuantifica los roles específicos de las superficies impermeables (NDBI) y la vegetación (NDVI) en el impulso del calentamiento diurno y nocturno, respectivamente.

Resultos

• Expansión Urbana: Entre 2003 y 2021, las áreas construidas en la SCC aumentaron un 61%, mientras que las tierras desnudas y los cuerpos de agua disminuyeron aproximadamente un 68% y un 25%, respectivamente. La cubierta vegetal mostró un ligero aumento debido a la conversión de tierras desnudas en la región sureste, aunque la tendencia general indica una pérdida de superficies naturales en el núcleo urbano.
• Anomalías de LST: Las anomalías de LST diurnas alcanzaron su punto máximo de 4.08 °C durante el monzón de 2021, mientras que las anomalías nocturnas alcanzaron 1.94 °C en el pre-monzón y 1.5 °C en invierno. La antigua región de la SCC exhibió consistentemente las anomalías positivas más altas.
• Tendencias de SUHII:
  • Anual: Se observaron tendencias ascendentes estadísticamente significativas en la SUHII máxima diurna anual (0.051 °C año⁻¹) y en la SUHII media diurna (0.005 °C año⁻¹). La SUHII media nocturna también mostró una tendencia de aumento significativa (0.003 °C año⁻¹).
  • Estacional: La SUHII diurna mostró tendencias de aumento significativas en las estaciones de pre-monzón, post-monzón e invierno. La SUHII diurna más alta (7.00 °C) ocurrió durante el monzón de 2021. Las tendencias nocturnas fueron significativas solo durante el invierno.
• Distribución Espacial: Los puntos calientes se concentran persistentemente en el centro de la SCC. Los puntos calientes diurnos son más extensos espacialmente durante el invierno, mientras que los puntos calientes nocturnos exhiben una expansión significativa hacia el sur durante las estaciones de monzón y post-monzón. La región noreste, dominada por plantaciones de té, actúa consistentemente como un punto frío, particularmente durante la noche.
• Impulsores Biofísicos:
  • NDBI: Exhibió una asociación positiva significativa con la SUHII diurna ($r = 0.45$), confirmando que la expansión de las superficies impermeables impulsa el calentamiento diurno.
  • NDVI: Mostró una asociación negativa más fuerte con la SUHII nocturna ($r = -0.52$) en comparación con la diurna ($r = -0.17$), lo que indica que la pérdida de vegetación perjudica desproporcionadamente el enfriamiento radiativo nocturno.

Significancia y Reivindicaciones
El artículo afirma que el estudio proporciona una base crítica para comprender los impactos térmicos de la urbanización en ciudades secundarias del sur de Asia, que a menudo son ignoradas en favor de las megaciudades. Al establecer una metodología robusta para definir las zonas de referencia rural y analizar la variabilidad intraurbana, este estudio ofrece un modelo para evaluaciones similares en regiones de rápido crecimiento urbano.

Los autores sostienen que la intensificación observada de la SUHII está directamente vinculada a la expansión de las superficies impermeables y la pérdida de vegetación. Concluyen que, si bien el aumento de temperatura acumulado durante los 19 años es modesto en algunas métricas, la tendencia en la SUHII diurna máxima (~0.97 °C de aumento) tiene implicaciones tangibles para el confort térmico urbano y la vulnerabilidad al estrés térmico. Los hallazgos sugieren que la planificación urbana adaptada al clima en la SCC debe priorizar la infraestructura verde, los materiales reflectantes y la zonificación resiliente al calor para mitigar estos efectos. El estudio reconoce las limitaciones respecto a la resolución espacial de MODIS y la cobertura de nubes durante los monzones, recomendando trabajos futuros con datos térmicos de mayor resolución y modelos de proyección de crecimiento urbano.