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

Resumo Técnico: Redução de Escala Espaçotemporal e Nowcasting de Temperaturas da Superfície Terrestre Urbana com Redes Neurais Profundas

Definição do Problema
A Temperatura da Superfície Terrestre (LST) é uma variável crítica para o monitoramento de ilhas de calor urbanas, mudanças climáticas e demanda de energia. No entanto, existe um compromisso fundamental nos produtos de LST derivados de satélites: sensores geoestacionários (ex: SEVIRI/Meteosat) ofeream alta resolução temporal (intervalos de 15 minutos), mas baixa resolução espacial (~3 km), enquanto sensores de órbita polar (ex: MODIS/Terra e Aqua) fornecem alta resolução espacial (1 km), mas capturam apenas 2 a 4 passagens por dia. Essa lacuna dificulta o estudo de processos de LST subdiurnos e a realização de previsões intradia de alta resolução. Estudos de redução de escala existentes frequentemente dependem de aprendizado de máquina clássico com características definidas por humanos ou modelos de aprendizado profundo treinados em cidades específicas com disponibilidade limitada de dados (ex: usando ECOSTRESS com longos tempos de revisitação), o que os torna difíceis de escalar para diversos ambientes urbanos. Além disso, o nowcasting intradia de campos de LST de alta resolução permanece uma área de pesquisa limitada.

Metodologia
Os autores propõem um framework de aprendizado profundo de dois estágios para abordar essas limitações:

1. Redução de Escala Espaçotemporal (U-Net):

   • Objetivo: Mapear campos de LST de baixa resolução do SEVIRI (3 km, 15 min) para campos de LST semelhantes ao MODIS de alta resolução (1 km).
   • Entrada: Campos de LST do SEVIRI aumentados com o Ângulo Zenital Solar (SZA) como um preditor auxiliar.
   • Alvo: Observações de LST do MODIS (Terra/Aqua) co-localizadas e de alta resolução.
   • Arquitetura: Um modelo de codificador-decodificador convolucional U-Net. O caminho de contração captura informações contextuais, enquanto o caminho de expansão reconstrói detalhes de alta resolução. Conexões de salto (skip connections) preservam padrões espaciais de detalhe fino.
   • Dados: Os dados de treinamento abrangem as principais cidades europeias (população > 1 milhão) durante a estação quente (15 de maio a 15 de setembro) de 2004 a 2025. O conjunto de dados inclui 52.938 pontos de dados, com rigorosa filtragem de qualidade para nuvens e ângulos de visão.
   • Estratégia: O modelo é treinado para generalizar através de diversas condições climáticas e morfológicas sem depender de conjuntos de dados auxiliares estáticos (ex: mapas de cobertura da terra), assumindo que seus efeitos estão implicitamente codificados no sinal de LST grosseiro.

2. Nowcasting Intradia (ConvLSTM):

   • Objetivo: Prever campos de LST de alta resolução (1 km) para tempos de antecedência (lead times) de 15 a 75 minutos.
   • Entrada: Sequências de séries temporais dos campos de LST reduzidos em escala gerados pelo modelo U-Net (três etapas consecutivas de 15 min).
   • Alvo: Futuros campos de LST reduzidos em escala no tempo de antecedência especificado.
   • Arquitetura: Uma rede de LSTM Convolucional (ConvLSTM), que combina memória temporal recorrente com operadores convolucionais para capturar simultaneamente características espaciais e dependências temporais.
   • Benchmarks: O modelo é comparado contra um benchmark de Persistência (assumindo nenhuma mudança) e um benchmark de Mediana Móvel Climatológica (mediana do mesmo intervalo de tempo nos cinco dias anteriores).

Principais Contribuições

• Primeiro Modelo de Redução de Escala Pan-Europeu: O estudo apresenta o primeiro modelo de aprendizado profundo capaz de gerar campos de L de LST de resolução 1 km atualizados a cada 15 minutos em várias grandes cidades europeias, mapeando dados de 3 km do SEVIRI para alvos de 1 km do MODIS.
• Generalização: Ao contrário de abordagens anteriores específicas para cada cidade, este modelo é projetado para generalizar através de diversas áreas urbanas (população > 1 milhão) com baixo erro e viés quase nulo.
• Primeiro Nowcaster de Aprendizado Profundo Intradia: Os autores introduzem o primeiro modelo de nowcasting baseado em satélite para campos de LST de alta resolução, demonstrando sua aplicação em Bucareste, Antuérpia e Berlim com tempos de antecedência de até 75 minutos.
• Pipeline de Dois Estágios: O framework conecta com sucesso a geração de dados em escala continental com o nowcasting localizado e operacional.

Resultos

• Desempenho de Redução de Escala: Em um conjunto de teste independente, o modelo U-Net alcançou um $R^2$ de 0,97, um Erro Quadrático Médio (RMSE) de 1,92 °C e um Erro de Viés Médio (MBE) de 0,01 °C. O modelo mostrou desempenho robusto em diferentes cidades, meses e horas, com viés próximo de zero, indicando que não há superestimação ou subestimação sistemática. O desempenho foi ligeiramente melhor à noite do que durante o dia.
• Desempenho de Nowcasting: Os modelos ConvLSTM superaram significativamente tanto o benchmark de Persistência quanto o de Mediana Móvel Climatológica.
  • RMSE: Variou de 0,57 °C a 1,15 °C, dependendo do tempo de antecedência (15 a 75 minutos) e da cidade.
  • Viés: Os valores de MBE foram próximos de zero (variando de -0,1 a 0,14 °C).
  • Variação Diurna: O modelo funcionou bem ao longo do dia, mas enfrentou desafios ligeiramente maiores durante períodos de transição (por volta das 14:00 e entre 03:00–05:00), onde as tendências de temperatura mudam de sinal.
• Validação Independente: Quando validado contra passagens independentes do MODIS (não utilizadas no treinamento), o pipeline mostrou forte concordância, particularmente à noite ($R^2$ 0,82–0,97, RMSE 0,88–1,44 °C). O desempenho diurno foi menor ($R^2$ 0,44–0,89, RMSE 1,96–2,7 °C), atribuído à maior variabilidade espacial impulsionada pela radiação solar e heterogeneidade da superfície.

Significância e Alegações
O artigo afirma que esta abordagem de dois estágios fornece uma estratégia viável e eficaz para o monitoramento diurno de LST urbana. Os autores asseguram que seu framework oferece:

• Aplicabilidade Operacional: O modelo é diretamente aplicável ao monitoramento operacional de LST baseado em satélite.
• Utilidade Prática: O sistema suporta o monitoramento de ilhas de calor urbanas em tempo quase real, alertas precoces para episódios de estresse térmico e melhor mapeamento de risco de calor em escala de cidade.
• Robustez: A abordagem demonstra forte capacidade preditiva e baixo viés sistemático, superando benchmarks baseados em dados padrão.
• Escalabilidade: Ao evitar a dependência de conjuntos de dados auxiliares estáticos heterogêneos, o método é projetado para ser transferível entre diferentes ambientes urbanos.

Os autores observam limitações, incluindo a restrição à estação quente (maio–setembro) e a natureza sequencial do pipeline, onde erros do estágio de redução de escala se propagam para o estágio de nowcasting. Eles sugerem que trabalhos futuros possam explorar a inclusão de variáveis auxiliares dinâmicas e estacionárias adicionais (ex: NDVI, geometria urbana) para melhorar ainda mais a interpretabilidade física e o desempenho, embora isso possa introduzir complexidade na transferibilidade do modelo.