📄 earth_science

UHIQ: An Interactive Explainable Framework for Urban Heat Island Prediction Using Physics-Informed Regression and XGBoost

Este estudo apresenta o UHIQ, uma estrutura interativa e explicável que integra regressão informada pela física com o XGBoost para prever a intensidade da ilha de calor urbana, oferecendo aos pesquisadores e formuladores de políticas uma ferramenta transparente para analisar os fatores ambientais e avaliar estratégias de mitigação do calor.

Autores originais: Tara Balaji

Publicado 2026-09-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Tara Balaji

Artigo original sob licença CC BY 4.0 (https://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

As cidades são frequentemente mais quentes do que o campo ao redor delas, um fenômeno conhecido como efeito de ilha de calor urbana. Isso acontece porque o concreto, o asfalto e os edifícios absorvem e retêm o calor muito melhor do que o solo e as plantas, enquanto o resfriamento natural proporcionado por árvores e grama é perdido. À medida que as temperaturas globais aumentam e mais pessoas se mudam para as cidades, esse calor extra torna-se um problema sério, sobrecarregando as redes elétricas, piorando a qualidade do ar e colocando em risco a saúde dos residentes vulneráveis. Para combater isso, os planejadores urbanos precisam saber exatamente como diferentes partes de uma cidade vão aquecer e o que mudanças, como plantar mais árvores, podem fazer para baixar a temperatura. No entanto, prever essas temperaturas é difícil. As simulações computacionais tradicionais que tentam modelar cada detalhe físico de uma cidade são incrivelmente complexas e exigem supercomputadores poderosos, enquanto métodos estatísticos mais simples muitas vezes perdem as formas desordenadas e não lineares pelas quais diferentes fatores ambientais interagem.

Um novo framework chamado UHIQ, desenvolvido pela pesquisadora Tara Balaji, oferece uma abordagem diferente para resolver este enigma. Em vez de depender de apenas um método, o sistema combina duas formas distintas de observar os dados: um modelo baseado em física, direto e fácil de entender, e um modelo de aprendizado de máquina sofisticado, que é muito bom em encontrar padrões ocultos. O objetivo não era apenas prever as temperaturas com precisão, mas criar uma ferramenta que os funcionários municipais e pesquisadores pudessem realmente usar para testar ideias em tempo real. Ao alimentar o sistema com dados sobre a cobertura de vegetação, mudanças na vida vegetal ao longo do tempo e diferenças de elevação, o framework gera previsões de como uma área urbana específica estará quente durante o dia. O que torna este trabalho único é que ele não apenas cospe um número; ele inclui um painel visual que permite aos usuários deslizar controles para alterar o ambiente e ver imediatamente como essas mudanças afetam a temperatura prevista, tudo isso enquanto mostra o raciocínio por trás dos números.

Quando os pesquisadores testaram seu sistema, descobriram que o modelo de aprendizado de máquina, que utiliza uma técnica chamada XGBoost para aprender com os dados, era o preditor mais preciso. Ele estimou a temperatura com um erro médio de pouco mais de um grau Celsius, enquanto o modelo mais simples, baseado em física, apresentou um erro médio ligeiramente maior. O modelo de aprendizado de máquina também explicou quase metade das variações na intensidade do calor entre as diferentes cidades do estudo, comparado a cerca de 29 por cento do modelo mais simples. Isso sugere que as relações complexas e não lineares entre o ambiente e o calor são melhor capturadas pelo algoritmo avançado. No entanto, os pesquisadores não descartaram o modelo mais simples. Eles o mantiveram porque ele atua como uma base clara e transparente que mostra as regras gerais de como o calor funciona, provando que, mesmo sem a matemática complexa, os princípios básicos de resfriamento através da vegetação permanecem válidos.

A descoberta mais importante deste trabalho é que a vegetação é o fator mais poderoso no controle do calor urbano. O estudo mostrou que, à medida que a quantidade de cobertura verde aumenta, a temperatura prevista cai. O modelo de aprendizado de máquina identificou que não apenas a quantidade atual de vegetação, mas também o quanto essa vegetação mudou no último ano, desempenha um papel crítico na determinação do calor. O sistema foi capaz de mostrar que, se uma cidade aumentar sua vegetação, o efeito de ilha de calor enfraquece, confirmando o que os cientistas há muito suspeitam, mas agora com uma ferramenta que pode quantificar o impacto. Os pesquisadores também descobriram que as mudanças na elevação importam, embora sejam menos influentes do que a presença de plantas. Ao analisar quais variáveis causaram as maiores mudanças nas previsões, o sistema confirmou que gerir a vida vegetal é a alavanca mais eficaz para resfriar uma cidade.

Para tornar essas descobertas úteis para o planejamento do mundo real, a equipe construiu um painel interativo que qualquer pessoa pode usar sem precisar saber programar ou entender estatísticas complexas. Um usuário pode selecionar uma cidade específica de um banco de dados e então ajustar controles deslizantes para representar diferentes cenários, como aumentar a quantidade de árvores ou mudar a paisagem. Conforme o usuário move os controles, o painel atualiza instantaneamente a previsão de temperatura, mostrando os resultados tanto do modelo simples quanto do modelo avançado de aprendizado de máquina lado a lado. Isso permite que um planejador veja, por exemplo, que adicionar mais áreas verdes pode baixar a temperatura em uma quantidade específica, e comparar como as duas diferentes abordagens de modelagem concordam ou discordam desse resultado. A ferramenta transforma essencialmente um estudo científico estático em uma conversa dinâmica sobre como uma cidade poderia ser se fosse mais verde.

Embora o framework seja um passo significativo à frente, os pesquisadores reconhecem que não é uma solução completa para todos os desafios climáticos. A versão atual depende de um conjunto específico de dados de áreas urbanas dos Estados Unidos e foca nas temperaturas diurnas, o que significa que pode não funcionar exatamente da mesma forma em climas diferentes ou durante a noite. O modelo também utiliza um conjunto limitado de fatores ambientais, deixando de fora outras influências potenciais, como a densidade de edifícios ou a proximidade com a água. Apesar dessas limitações, o estudo demonstra que é possível construir um sistema que seja simultaneamente altamente preciso e fácil de entender. Ao combinar o poder preditivo do aprendizado de máquina moderno com a clareza dos modelos tradicionais baseados em física, o UHIQ fornece uma maneira prática para que os tomadores de decisão visualizem os benefícios da infraestrutura verde antes mesmo de plantarem uma única árvore.

Resumo Técnico: Estrutura UHIQ para Predição de Ilhas de Calor Urbanas

Declaração do Problema

As Ilhas de Calor Urbanas (ICUs) representam uma consequência ambiental crítica da rápida urbanização e das mudanças climáticas, levando a temperaturas elevadas que impactam negativamente a saúde pública, o consumo de energia e a sustentabilidade urbana. Embora existam várias abordagens de predição, elas frequentemente apresentam um compromisso entre precisão e interpretabilidade. As simulações numéricas tradicionais baseadas em física (ex: ENVI-met, SOLWEIG) oferecem simulações de microclima realistas, mas exigem recursos computacionais substanciais e conhecimento especializado, limitando sua utilidade para suporte à decisão rápida. Por outro lado, embora modelos de aprendizado de máquina (ML), como XGBoost e aprendizado profundo, tenham melhorado a precisão preditiva ao capturar relações não lineares complexas, eles frequentemente funcionam como "caixas pretas", oferecendo percepções limitadas sobre os direcionadores ambientais por trás das predições. Além disso, muitos estudos existentes concluem com avaliações offline, carecendo de ferramentas acessíveis que permitam aos planejadores comparar abordagens de modelagem ou explorar cenários ambientais em tempo real. Há uma necessidade demonstrada de uma estrutura unificada que integre precisão preditiva, transparência do modelo, explicabilidade e interatividade para apoiar o planejamento urbano baseado em evidências.

Metodologia

O estudo introduz o UHIQ, uma estrutura interativa e explicável que combina um modelo de regressão linear informado pela física com um modelo de aprendizado de máquina de Gradient Boosting Extremamente Potencializado (XGBoost). A metodologia utiliza o Banco de Dados de Ilhas de Calor Urbanas de Superfície dos Estados Unidos (Versão 3), focando na intensidade anual do calor urbano diurno em múltiplas áreas urbanas dos EUA.

Dados e Pré-processamento

A estrutura utiliza um subconjunto de variáveis do conjunto de dados de origem:

Alvo: Intensidade da ilha de calor urbana anual diurna ( $UHI_{annual\_day}$ ).
Preditores: Índice de Vegetação por Diferença Normalizada Urbana ( $NDVI_{urb\_CT\_act}$ ), mudança anual na vegetação ( $\Delta NDVI$ ) e diferença de elevação ( $\Delta DEM$ ).
Pré-processamento: Valores ausentes foram removidos. Para garantir a estabilidade numérica, o $\Delta DEM$ foi normalizado dividindo-o por 100.

Arquitetura de Modelo Duplo

A estrutura emprega duas abordagens de modelagem paralelas usando os mesmos inputs ambientais, mas com formulações de características diferentes:

Regressão Linear Informada pela Física:
- Projetada para interpretabilidade, este modelo utiliza uma equação linear: $UHI = \beta_0 + \beta_1(1-NDVI) + \beta_2(\Delta NDVI) + \beta_3(\Delta DEM_{100})$ .
- A métrica de vegetação foi transformada para um "déficit de vegetação" ( $1-NDVI$ ) para alinhar intuitivamente valores mais altos do preditor com menor cobertura vegetal e maior calor esperado.
- Este modelo serve como uma linha de base transparente para quantificar a influência de fatores ambientais individuais.
Modelo de Aprendizado de Máquina XGBoost:
- Projetado para capturar interações não lineares, este modelo utiliza os mesmos preditores mais uma característica de interação engenheirada: $NDVI \times \Delta NDVI$ .
- Configuração: 1.200 estimadores de boosting, taxa de aprendizado de 0,05, profundidade máxima de árvore de 7, com regularização L1 (0,01) e L2 (1,0).
- Este modelo visa melhorar o desempenho preditivo ao aprender relações complexas entre as condições de vegetação existentes e a dinâmica de longo prazo da vegetação.

Explicabilidade e Avaliação

Métricas de Desempenho: Ambos os modelos foram avaliados em um conjunto de teste mantido fora do treino (divisão 80/20) usando Erro Médio Absoluto (MAE) e o coeficiente de determinação ( $R^2$ ).
Análise de Sensibilidade: A estrutura variou sistematicamente o NDVI de 0,00 a 0,95 enquanto mantinha outras variáveis constantes para observar as respostas do modelo.
Importância de Atributos por Permutação: Aplicada ao modelo XGBoost para quantificar a contribuição relativa de cada atributo medindo o aumento no erro de predição quando um atributo é permutado aleatoriamente.
Dashboard Interativo: Todo o fluxo de trabalho é encapsulado em uma aplicação web baseada em Streamlit, permitindo que os usuários selecionem cenários urbanos, modifiquem variáveis ambientais via sliders e comparem predições em tempo real de ambos os modelos contra valores observados.

Principais Resultados

Desempenho Preditivo: O modelo XGBoost superou o modelo de regressão linear informado pela física.
- XGBoost: MAE de 1,03°C e $R^2$ de 0,485.
- Regressão Linear: MAE de 1,27°C e $R^2$ de 0,290.
- Os resultados indicam que o modelo de aprendizado de máquina proporcionou predições mais precisas e explicou uma maior proporção da variância na intensidade da ICU.
Análise de Sensibilidade:
- O modelo de regressão linear exibiu uma relação inversa consistente e quase linear entre o NDVI e a intensidade da ICU, mostrando uma redução de aproximadamente 0,43°C conforme o NDVI aumentava de 0,00 para 0,95.
- O modelo XGBoost produziu um perfil de sensibilidade não linear, com valores de UHI previstos variando de -0,70°C a 2,40°C, capturando aumentos e reduções localizadas em vez de uma única tendência monotônica.
Importância de Atributos: A análise de importância por permutação identificou o $\Delta NDVI$ (mudança anual na vegetação) como o preditor mais influente (pontuação: 0,638), seguido pelo atributo de interação $NDVI \times \Delta NDVI$ (pontuação: 0,557). O NDVI basal e o $\Delta DEM$ mostraram importância moderada e baixa, respectivamente. Ambos os modelos identificaram consistentemente as variáveis relacionadas à vegetação como os principais direcionadores.

Significância e Alegações

O artigo afirma que o UHIQ aborda a lacuna entre a modelagem preditiva de alta precisão e a necessidade de ferramentas de suporte à decisão transparentes e acessíveis no planejamento urbano. Suas principais contribuições incluem:

Estrutura Unificada: Ao integrar uma linha de base informada pela física com um modelo de ML não linear, o UHIQ permite que os usuários comparem diretamente os compromissos entre interpretabilidade e desempenho preditivo dentro de um único fluxo de trabalho.
Explicabilidade Aprimorada: A inclusão da importância de atributos por permutação e da análise de sensibilidade vai além de saídas numéricas estáticas, fornecendo insights sobre por que as predições são feitas e como mudanças ambientais específicas (ex: aumento da vegetação) influenciam a intensidade da ICU.
Acessibilidade Prática: O dashboard interativo traduz a modelagem complexa em uma ferramenta amigável para pesquisadores, planejadores e formuladores de políticas. Ele permite a exploração baseada em cenários, possibilitando a visualização dos impactos potenciais de estratégias de infraestrutura verde antes da implementação.
Abordagem Equilibrada: O estudo demonstra que, embora os modelos de ML ofereçam precisão superior para ambientes térmicos urbanos complexos, os modelos estatísticos interpretáveis permanecem valiosos para entender tendências ambientais gerais. O UHIQ faz a ponte entre essas abordagens, apoiando a tomada de decisões baseada em evidências para cidades resilientes ao clima sem depender exclusivamente de algoritmos de "caixa preta" ou simulações computacionalmente intensivas.

O autor observa limitações, incluindo o uso de apenas três preditores (o que exclui fatores como densidade de edifícios ou superfícies impermeáveis) e o foco em dados diurnos dos EUA, sugerindo que trabalhos futuros poderiam expandir a estrutura para incluir mais variáveis, conjuntos de dados internacionais e técnicas avançadas de IA explicável, como valores SHAP. No entanto, a estrutura atual é apresentada como um passo prático em direção ao planejamento de mitigação do calor urbano transparente e baseado em dados.