💻 computer science

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

O artigo apresenta o HeatCast, um benchmark abrangente para a previsão mensal da Temperatura da Superfície Terrestre em escala de vizinhança (30 m) em 124 cidades dos EUA, que inclui um conjunto de dados de grande escala, métricas de avaliação padronizadas e demonstra o desempenho superior do modelo Earthformer sobre as bases de comparação CNN+LSTM.

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

Publicado 2026-08-11

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a Terra como uma colcha de retalhos gigante e brilhante. Alguns quadrados são feitos de asfalto escuro e concreto, absorvendo o sol como um carro preto em julho. Outros são feitos de grama verde ou água azul, que permanecem frescos e revigorantes. Essa diferença de temperatura não é apenas uma questão de conforto; é uma questão de vida ou morte. Quando as cidades ficam quentes demais, isso pode deixar as pessoas doentes ou até causar a morte delas. Os cientistas chamam isso de "Temperatura da Superfície Terrestre" (LST), que é basicamente uma forma sofisticada de medir o quão quente está o solo, em vez do ar.

Por muito tempo, os cientistas tentaram prever esse calor, mas seus mapas eram frequentemente borrados. Eles olhavam para grandes pedaços de terra, como observar uma cidade através de uma janela embaçada, perdendo os pequenos detalhes onde o calor realmente se acumula. Eles também olhavam apenas para uma ou duas cidades por vez, o que tornava difícil comparar se um novo método era realmente bom ou apenas sorte. Para corrigir isso, os pesquisadores precisavam de um parquinho compartilhado, gigante e claro, onde todos pudessem testar suas ferramentas de previsão em quebra-cabeças de escala de bairro que fossem igualmente complexos.

Apresentamos o HeatCast, um novo projeto que atua como um nível de videogame massivo e de alta definição para prever o calor urbano. Em vez de olhar para cidades inteiras, esta equipe criou um padrão de referência que dá zoom em bairros individuais, bloco por bloco, em 124 cidades diferentes dos EUA. Eles reuniram uma década de fotos de satélite, de 2013 até meados de 2025, para criar um conjunto de dados tão detalhado que consegue ver a diferença de temperatura entre um estacionamento quente e um parque fresco logo ao lado.

Os pesquisadores não apenas despejaram os dados; eles construíram um "exame" rigoroso para os modelos de computador realizarem. Eles estabeleceram um desafio específico: observar os últimos 12 meses de dados meteorológicos e de terra e adivinhar qual será a temperatura do solo no próximo mês. Eles testaram dois tipos diferentes de "alunos" de IA nesse exame. Um era um aluno clássico e confiável (um CNN+LSTM) e o outro era um aluno mais novo e avançado chamado Earthformer.

Os resultados foram um pouco surpreendentes. O modelo avançado Earthformer teve um desempenho muito melhor, prevendo o calor com um erro médio de 7,74 K (Kelvin), enquanto o modelo clássico errou por 10,42 K. Mas a descoberta mais interessante não foi apenas sobre qual modelo era mais inteligente; foi sobre o que eles usaram para pensar. Os pesquisadores descobriram que as melhores previsões não vieram de apenas olhar para os registros de calor passados. Na verdade, o modelo Earthformer obteve sua menor taxa de erro de 7,72 K quando ignorou totalmente os dados de calor passados e, em vez disso, focou em outras oito pistas, como quanta vegetação verde havia, quanta água estava visível e o quão brilhante era o solo. Acontece que saber como o solo parece é frequentemente uma bola de cristal melhor para prever o quão quente ele ficará do que apenas saber o quão quente estava ontem.

Este artigo não afirma ter resolvido o problema do calor para sempre, mas entregou à comunidade científica uma nova ferramenta poderosa. Ao liberar todos os seus dados, códigos e as "chaves de resposta" para seus modelos, eles deram a todos uma maneira justa de construir ferramentas de previsão de calor melhores. Isso pode ajudar os planejadores urbanos a descobrir exatamente onde plantar árvores ou construir parques para resfriar os bairros mais quentes e vulneráveis, tornando as cidades mais seguras e confortáveis para todos.

Resumo Técnico: HeatCast – Um Benchmark para Previsão de LST em Escala de Bairro

Declaração do Problema

A Temperatura da Superfície Terrestre (LST) é uma métrica crítica para compreender o calor urbano, mas não existe um benchmark aberto e amplamente adotado para a previsão de LST na escala de bairros (resolução de 30 m). Pesquisas anteriores são limitadas por três fatores principais:

Escopo Geográfico: A maioria dos estudos foca em apenas uma a três cidades.
Resolução: Os conjuntos de dados existentes frequentemente utilizam produtos de escala quilométrica que suavizam gradientes térmicos intraurbanos críticos (ex: diferenças entre superfícies impermeáveis e vegetação).
Reprodutibilidade: Muitos estudos não liberam dados, código ou protocolos de avaliação padronizados, dificultando a comparação do desempenho de modelos ou da dificuldade da tarefa entre diferentes estudos.

Consequentemente, a comunidade carece de uma forma padronizada de avaliar modelos para a previsão da LST do próximo mês em diversos ambientes urbanos.

Metodologia

Construção do Conjunto de Dados (HeatCast)

Os autores construíram o HeatCast, um benchmark que cobre 124 cidades dos EUA com pegadas urbanas maiores que 90 mi².

Cobertura Temporal: Meados de 2013 (comissionamento do Landsat 8) até junho de 2025.
Resolução Espacial: Grade de 30 m, derivada de dados Landsat 8/9 Collection 2 Level-2.
Volume de Dados: Aproximadamente 1,4 milhão de patches de 128×128 pixels (~150 GB).
Canais de Entrada (9 por tile):
- Temperatura da Superfície Terrestre (LST).
- Modelo Digital de Elevação (DEM).
- Reflectância de Superfície RGB (Bandas 2–4).
- Índices Espectrais: NDVI, NDWI e NDBI.
- Albedo de Banda Larga.
Rótulos: Cada pixel recebe um rótulo de Zona de Clima Local (LCZ) (17 classes + não classificado) para permitir uma avaliação estratificada.
Pré-processamento: As cenas são mosaicoadas, reprojetadas para uma grade UTM comum, e pixels afetados por nuvens são mascarados. Meses ausentes dentro de uma sequência são tratados via interpolação linear (até dois meses consecutivos) ou excluídos.

Protocolo de Benchmark

Tarefa: Previsão da LST do próximo mês. Dado 12 meses consecutivos de observações de 9 canais, prever o canal LST para o mês seguinte.
Divisão Temporal:
- Treino: 2013–2021.
- Validação: 2022–2023.
- Teste: Janeiro de 2024–Junho de 2025.
Métricas: Erro Quadrático Médio (RMSE) em Kelvin, reportado como uma média sobre pixels válidos. A avaliação é estratificada por super-clusters de LCZ (Urbano Compacto, Urbano Aberto, Outro Urbano, Natural).

Modelos de Linha de Base (Baselines)

Duas arquiteturas foram implementadas e treinadas na divisão temporal:

CNN+LSTM: Um codificador convolucional de duas camadas (64 canais ocultos) seguido por um LSTM de 128 unidades para modelagem temporal e um decodificador linear.
Earthformer: Um modelo baseado em transformer usando atenção de cuboide para previsão espaço-temporal, configurado com 256 unidades base, 4 cabeças de atenção e um downsampler de stack-conv.

Ambos os modelos foram treinados usando AdamW (taxa de aprendizado $5 \times 10^{-4}$ ) com parada antecipada (early stopping) e aumento de dados (rotações/espelhamentos).

Principais Resultados

Desempenho da Linha de Base

O Earthformer alcançou um RMSE agregado no conjunto de teste de 7,74 K.
O CNN+LSTM alcançou um RMSE agregado no conjunto de teste de 10,42 K.
Estratificação por LCZ: O Earthformer superou o CNN+LSTM nas categorias Urbano Aberto, Outro Urbano e Natural. No entanto, o CNN+LSTM teve melhor desempenho nos pixels de Urbano Compacto (8,62 K vs. 12,68 K), que constituem apenas 0,76% do conjunto de dados.

Ablação de Características (Earthformer)

Os autores investigaram o valor preditivo de diferentes subconjuntos de canais de entrada:

Apenas Canais Auxiliares (Sem LST): Usar os 8 canais não-LST (DEM, RGB, Índices, Albedo) resultou no menor RMSE de 7,72 K.
Todos os Canais: 7,74 K.
Apenas Histórico de LST: 8,15 K.
Apenas RGB: 8,68 K.

Isso indica que, para o Earthformer, as variáveis auxiliares fornecem um sinal preditivo mais forte para a LST do próximo mês do que o histórico de LST sozinho. Por outro outro lado, para o CNN+LSTM, remover o histórico de LST degradou significativamente o desempenho (o RMSE aumentou de 10,42 K para 12,47 K).

Significância e Alegações

O artigo alega as seguintes contribuições e significância:

Primeiro Benchmark de Escala de Bairro: O HeatCast é o primeiro benchmark compartilhado para previsão mensal de LST a 30 m de resolução em um grande número de cidades dos EUA (124), abordando a lacuna deixada por estudos anteriores de escala quilométrica ou de cidade única.
Reprodutibilidade: O conjunto de dados, o código, as divisões temporais fixas e o harness de avaliação de referência são liberados sob a licença MIT, permitindo a comparação direta de modelos futuros.
Insight sobre Características Preditivas: O estudo de ablação revela que canais não-LST (especificamente variáveis auxiliares como albedo e índices espectrais) podem superar os dados históricos de LST em modelos baseados em transformer para esta tarefa específica de previsão.
Fundação para Trabalhos Futuros: O benchmark suporta pesquisas em previsão balanceada por classe (particularmente para classes urbanas compactas raras), fusão de características e a aplicação de modelos de fundação geoespaciais para previsão térmica.

Os autores observam limitações, incluindo a incerteza inerente dos produtos de LST do Landsat (1–2 K sob céus limpos), o foco em grandes cidades com imagens suficientes livres de nuvens, e o fato de o benchmark avaliar datas futuras em cidades conhecidas em vez de transferência para geografias não vistas. O conjunto de dados está disponível em https://doi.org/10.57967/hf/9889.