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

Technische Samenvatting: Spatiotemporele Downscaling en Nowcasting van Stedelijke Oppervlaktetemperaturen met Diepe Neurale Netwerken

Probleemstelling
Oppervlaktetemperatuur (Land Surface Temperature, LST) is een cruciale variabele voor het monitoren van stedelijke hitte-eilanden, klimaatverandering en de energievraag. Er bestaat echter een fundamentele afruil in door satellieten afgeleide LST-producten: geostationaire sensoren (bijv. SEVIRI/Meteosat) bieden een hoge temporele resolutie (intervallen van 15 minuten) maar een lagere ruimtelijke resolutie (~3 km), terwijl polaire sensoren (bijv. MODIS/Terra en Aqua) een hoge ruimtelijke resolutie bieden (1 km) maar slechts 2–4 overgangen per dag vastleggen. Deze kloof belemmert het vermogen om sub-diurnale LST-processen te bestudelen en intraday-voorspellingen op hoge resolutie uit te voeren. Bestaande downscaling-studies vertrouwen vaak op klassieke machine learning met door mensen gedefinieerde kenmerken of deep learning-modellen die getraind zijn op specifieke steden met beperkte beschikbaarheid van gegevens (bijv. door gebruik van ECOSTRESS met lange herbezoektijden), wat ze moeilijk schaalbaar maakt voor diverse stedelijke omgevingen. Bovendien blijft de intraday-voorspelling van hoog-resolutie LST-velden een beperkt onderzoeksgebied.

Methodologie
De auteurs stellen een tweestaps deep learning-framework voor om deze beperkingen aan te pakken:

1. Spatiotemporele Downscaling (U-Net):

   • Doel: Om laag-resolutie SEVIRI LST-velden (3 km, 15 min) in kaart te brengen naar hoog-resolutie MODIS-achtige LST-velden (1 km).
   • Input: SEVIRI LST-velden aangevuld met de zonnestralingshoek (Solar Zenith Angle, SZA) als een hulpvoorspeller.
   • Target: Co-gelokaliseerde, hoog-resolutie MODIS LST (Terra/Aqua) waarnemingen.
   • Architectuur: Een U-Net convolutioneel encoder–decoder model. Het contractiepad vangt contextuele informatie op, terwijl het expansiepad de hoog-resolutie details reconstrueert. Skip-verbindingen behouden fijne ruimtelijke patronen.
   • Data: De trainingsdata beslaat belangrijke Europese steden (bevolking > 1 miljoen) tijdens het warme seizoen (15 mei–15 september) van 2004–2025. De dataset bevat 52.938 datapunten, met strikte kwaliteitsfiltering voor wolken en kijkhoeken.
   • Strategie: Het model wordt getraind om te generaliseren over diverse klimatologische en morfologische omstandigheden zonder afhankelijk te zijn van statische hulpdatasets (bijv. landgebruikkaarten), uitgaande van het feit dat hun effecten impliciet gecodeerd zijn in het grofmazige LST-signaal.

2. Intraday Nowcasting (ConvLSTM):

   • Doel: Om hoog-resolutie (1 km) LST-velden te voorspellen voor doorlooptijden (lead times) van 15 tot 75 minuten.
   • Input: Tijdreekssequenties van de gedownscalede LST-velden gegenereerd door het U-Net model (drie opeenvolgende stappen van 15 minuten).
   • Target: Toekomstige gedownscalede LST-velden op de gespecificeerde doorlooptijd.
   • Architectuur: Een Convolutional LSTM (ConvLSTM) netwerk, dat zowel recurrente temporele geheugen als convolutionele operatoren combineert om zowel ruimtelijke kenmerken als temporele afhankelijkheden simultaan te vangen.
   • Benchmarks: Het model wordt vergeleken met een Persistence benchmark (uitgaande van geen verandering) en een Climatological Rolling Median benchmark (mediaan van hetzelfde tijdslot over de voorgaande vijf dagen).

Belangrijkste Bijdragen

• Eerste Pan-Europese Downscaling-model: De studie presenteert het eerste deep learning-model dat in staat is om 1 km resolutie LsT-velden te genereren die elke 15 minuten worden bijgewerkt over meerdere grote Europese steden, waarbij 3-km SEVIRI-data wordt gekoppeld aan 1-km MODIS-targets.
• Generaliseerbaarheid: In tegenstelling tot eerdere stadsspecifieke benaderingen, is dit model ontworpen om te generaliseren over diverse stedelijke gebieden (bevolking > 1 miljoen) met een lage fout en een bijna nul-bias.
• Eerste Intraday Deep Learning Nowcaster: De auteurs introduceren de eerste satellietgebaseerde deep learning nowcasting-model voor hoog-resolutie LST-velden, met demonstratie van de toepassing in Boekarest, Antwerpen en Berlijn met doorlooptijden tot 75 minuten.
• Tweestaps-pipeline: Het framework slaagt erin om continentale schaal datageneratie te koppelen aan gelokaliseerde operationele voorspelling (nowcasting).

Resultaten

• Prestaties van Downscaling: Op een hold-out testset behaalde het U-Net model een $R^2$ van 0,97, een Root Mean Square Error (RMSE) van 1,92 °C, en een Mean Bias Error (MBE) van 0,01 °C. Het model vertoonde robuuste prestaties over verschillende steden, maanden en uren, met een bijna nul-bias wat duidt op geen systematische over- of onderschatting. De prestaties waren iets beter 's nachts dan overdag.
• Prestaties van Nowcasting: De ConvLSTM-modellen presteerden significant beter dan zowel de Persistence als de Climatological Rolling Median benchmarks.
  • RMSE: Varieerde van 0,57 °C tot 1,15 °C, afhankelijk van de doorlooptijd (15 tot 75 minuten) en de stad.
  • Bias: De MBE-waarden waren dicht bij nul (variërend van -0,1 tot 0,14 °C).
  • Diurnale Variatie: Het model presteerde goed gedurende de dag, maar ondervond meer uitdagingen tijdens transitieperioden (rond 14:00 en 03:00–05:00 uur), waar de temperatuurtrends van teken veranderen.
• Onafhankelijke Validatie: Wanneer gevalideerd tegen onafhankelijke MODIS overgangen (niet gebruikt in de training), vertoonde de pipeline een sterke overeenkomst, met name 's nachts ($R^2$ 0,82–0,97, RMSE 0,88–1,44 °C). De prestaties overdag waren lager ($R^2$ 0,44–0,89, RMSE 1,96–2,7 °C), wat wordt toegeschreven aan hogere ruimtelijke variabiliteit gedreven door zonnestraling en oppervlakteheterogeniteit.

Betekenis en Claims
Het artikel stelt dat deze tweestapsbenadering een haalbare en effectieve strategie biedt voor de diurnale monitoring van stedelijke LST. De auteurs beweren dat hun framework het volgende biedt:

• Operationele Bruikbaarheid: Het model is direct toepasbaar op operationele satellietgebaseerde LST-monitoring.
• Praktisch Nut: Het systeem ondersteunt bijna-real-time monitoring van stedelijke hitte-eilanden, vroege waarschuwing voor hittestress-episoden en verbeterde stad-schaal hitte-risicokaarten.
• Robuustheid: De aanpak demonstreert een sterk voorspellend vermogen en een lage systematische bias, waarbij standaard datagedreven benchmarks worden overtroffen.
• Schaalbaarheid: Door het vermijden van afhankelijkheid van heterogene statische hulpdatasets, is de methode ontworpen om overdraagbaar te zijn naar verschillende stedelijke omgevingen.

De auteurs merken beperkingen op, waaronder de restrictie tot het warme seizoen (mei–september) en het sequentiële karakter van de pipeline, waarbij fouten uit de downscaling-fase naar de nowcasting-fase propageren. Zij suggereren dat toekomstig werk de inclusie van aanvullende dynamische en stationaire hulpvariabelen (bijv. NDVI, stedelijke geometrie) kan verkennen om de fysieke interpreteerbaarheid en prestaties verder te verbeteren, hoewel dit de overdraagbaarheid van het model complexer kan maken.