Spatiotemporal downscaling and nowcasting of urban land surface temperatures with deep neural networks

Sintesi Tecnica: Downscaling Spaziotemporale e Nowcasting della Temperatura della Superficie Terrestre Urbana con Reti Neurali Profonde

Definizione del Problema
La Temperatura della Superficie Terrestre (LST) è una variabile critica per il monitoraggio delle isole di calore urbane, del cambiamento climatico e della domanda energetica. Tuttavia, esiste un compromesso fondamentale nei prodotti LST derivati dai satelliti: i sensori geostazionari (ad esempio, SEVIRI/Meteosat) offrono un'elevata risoluzione temporale (intervalli di 15 minuti) ma una risoluzione spaziale inferiore (~3 km), mentre i sensori in orbita polare (ad esempio, MODIS/Terra e Aqua) forniscono un'elevata risoluzione spaziale (1 km) ma catturano solo 2–4 passaggi al giorno. Questo divario ostacola lo studio dei processi LST sub-diurni e la capacità di effettuare previsioni intraday ad alta risoluzione. Gli studi di downscaling esistenti spesso si affidano al machine learning classico con feature definite dall'uomo o a modelli di deep learning addestrati su città specifiche con disponibilità di dati limitata (ad esempio, utilizzando ECOSTRESS con lunghi tempi di rivisitazione), rendendoli difficili da scalare in ambienti urbani diversificati. Inoltre, la previsione intraday di campi LST ad alta risoluzione rimane un ambito di ricerca limitato.

Metodologia
Gli autori propongono un framework di deep learning in due fasi per affrontare queste limitazioni:

1. Downscaling Spaziotemporale (U-Net):

   • Obiettivo: Mappare i campi LST a bassa risoluzione di SEVIRI (3 km, 15 min) in campi LST ad alta risoluzione simili a MODIS (1 km).
   • Input: Campi LST SEVIRI aumentati dall'Angolo Zenitale Solare (SZA) come predittore ausiliario.
   • Target: Osservazioni LST MODIS (Terra/Aqua) co-locate ad alta risoluzione.
   • Architettura: Un modello convoluzionale encoder-decoder U-Net. Il percorso di contrazione cattura le informazioni contestuali, mentre il percorso di espansione ricostruisce i dettagli ad alta risoluzione. Le connessioni skip preservano i pattern spaziali fini.
   • Dati: I dati di addestramento coprono le principali città europee (popolazione > 1 milione) durante la stagione calda (15 maggio – 15 settembre) dal 2004 al 2025. Il dataset include 52.938 punti dati, con un rigoroso filtraggio della qualità per nuvole e angoli di visione.
   • Strategia: Il modello è addestrato per generalizzare attraverso diverse condizioni climatiche e morfologiche senza fare affidamento su dataset ausiliari statici (ad esempio, mappe di copertura del suolo), assumendo che i loro effetti siano codificati implicitamente nel segnale LST grossolano.

2. Nowcasting Intraday (ConvLSTM):

   • Obiettivo: Prevedere i campi LST ad alta risoluzione (1 km) per tempi di anticipo (lead time) da 15 a 75 minuti.
   • Input: Sequenze temporali dei campi LST downscaled generati dal modello U-Net (tre passi consecutivi da 15 minuti).
   • Target: Futuri campi LST downscaled al tempo di anticipo specificato.
   • Architettura: Una rete Convolutional LSTM (ConvLSTM), che combina la memoria temporale ricorrente con operatori convoluzionali per catturare simultaneamente sia le caratteristiche spaziali che le dipendenze temporali.
   • Benchmark: Il modello è confrontato con un benchmark di Persistenza (assumendo l'assenza di cambiamenti) e un benchmark di Mediana Mobile Climatologica (la mediana dello stesso intervallo temporale degli ultimi cinque giorni).

Contributi Chiave

• Primo Modello di Downscaling Pan-Europeo: Lo studio presenta il primo modello di deep learning capace di generare campi Lest a 1 km di risoluzione aggiornati ogni 15 minuti in diverse grandi città europee, mappando i dati SEVIRI a 3 km verso i target MODIS a 1 km.
• Generalizzabilità: A differenza dei precedenti approcci specifici per singola città, questo modello è progettato per generalizzare attraverso diverse aree urbane (popolazione > 1 milione) con un errore basso e un bias quasi nullo.
• Primo Nowcaster Deep Learning Intraday: Gli autori introducono il primo modello di nowcasting basato su deep learning e satelliti per campi LST ad alta risoluzione, dimostrando la sua applicazione in Bucarest, Anversa e Berlino con tempi di anticipo fino a 75 minuti.
• Pipeline in Due Fasi: Il framework collega con successo la generazione di dati su scala continentale (downscaling) con il nowcasting localizzato operativo (nowcasting).

Risultati

• Performance di Downscaling: Su un set di test hold-out, il modello U-Net ha ottenuto un $R^2$ di 0,97, un RMSE di 1,92 °C e un MBE di 0,01 °C. Il modello ha mostrato una performance robusta attraverso diverse città, mesi e ore, con un bias quasi nullo che indica l'assenza di sottostima o sovrastima sistematica. La performance è stata leggermente migliore durante la notte rispetto al giorno.
• Performance di Nowcasting: I modelli ConvLSTM hanno superato significativamente sia il benchmark di Persistenza che quello della Mediana Mobile Climatologica.
  • RMSE: Variato da 0,57 °C a 1,15 °C a seconda del tempo di anticipo (da 15 a 75 minuti) e della città.
  • Bias: I valori MBE sono stati vicini allo zero (variando da -0,1 a 0,14 °C).
  • Variazione Diurna: Il modello ha performato bene durante tutto il giorno, ma ha incontrato maggiori difficoltà durante i periodi di transizione (intorno alle 14:00 e tra le 03:00 e le 05:00) in cui le tendenze di temperatura cambiano segno.
• Validazione Indipendente: Quando validato contro passaggi MODIS indipendenti (non utilizzati nell'addestramento), il pipeline ha mostrato un forte accordo, particolarmente di notte ($R^2$ 0,82–0,97, RMSE 0,88–1,44 °C). La performance diurna è stata inferiore ($R^2$ 0,44–0,89, RMSE 1,96–2,7 °C), attribuita alla maggiore variabilità spaziale guidata dalla radiazione solare e dall'eterogeneità superficiale.

Significatività e Rivendicazioni
Il documento afferma che questo approccio in due fasi fornisce una strategia fattibile ed efficace per il monitoraggio diurno della LST urbana. Gli autori sostengono che il loro framework offre:

• Applicabilità Operativa: Il modello è direttamente applicabile al monitoraggio operativo della LST basato sui satelliti.
• Utilità Pratica: Il sistema supporta il monitoraggio in tempo quasi reale delle isole di calore urbane, l'allerta precoce per episodi di stress da calore e una migliore mappatura del rischio termico a scala cittadina.
• Robustezza: L'approccio dimostra una forte capacità predittiva e un basso bias sistematico, superando gli standard dei benchmark basati sui dati.
• Scalabilità: Evitando il ricorso a eterogenei dataset ausiliari statici, il metodo è progettato per essere trasferibile tra diversi ambienti urbani.

Gli autori segnalano alcune limitazioni, tra cui la restrizione alla stagione calda (maggio–settembre) e la natura sequenziale del pipeline, dove gli errori della fase di downscaling si propagano alla fase di nowcasting. Suggeriscono che il lavoro futuro possa esplorare l'inclusione di ulteriori variabili ausiliarie dinamiche e stazionarie (ad esempio, NDVI, geometria urbana) per migliorare ulteriormente l'interpretabilità fisica e le performance, pur riconoscendo che ciò potrebbe introdurre complessità nella trasferibilità del modello.