Predicción mediante aprendizaje automático de la gravedad de la isla de calor urbana en el Medio Oeste de Estados Unidos

El rápido crecimiento demográfico y la urbanización han tenido un gran impacto en el medio ambiente, provocando un fuerte aumento de las temperaturas en las ciudades, un fenómeno conocido como efecto isla de calor urbanaLa Isla de Calor Urbana es un fenómeno climático que ocurre en áreas urbanas, donde la temperatura es significativamente más alta que en las zonas rurales o naturales circundantes. Este efecto se debe principalmente a... (UHIUHI es la sigla de "Urban Heat Island" que al español se traduce como "Isla de Calor Urbana". La Isla de Calor Urbana es un fenómeno climático que ocurre en áreas urbanas, donde la temperatura...). Si bien investigaciones anteriores han examinado ampliamente la influencia de las características del uso del suelo en las islas de calor urbanasLa Isla de Calor Urbana es un fenómeno climático que ocurre en áreas urbanas, donde la temperatura es significativamente más alta que en las zonas rurales o naturales circundantes. Este efecto se debe principalmente a..., su impacto en la demografía de las comunidades y la gravedad de la UHI sigue sin explorarse. Además, la mayoría de los estudios anteriores se han centrado en lugares específicos, lo que ha dado lugar a datos medioambientales relativamente homogéneos y ha limitado la comprensión de las variaciones entre las diferentes zonas.

Para subsanar esta laguna, este artículo desarrolla modelos de aprendizaje conjunto para predecir la gravedad de la UHI basándose en factores demográficos, meteorológicos y de uso del suelo/cobertura del suelo en el Medio Oeste de Estados Unidos. Analizando más de 11.000 puntos de datos de distritos censales urbanos en más de 12 estados del Medio Oeste de los Estados Unidos, este estudio desarrolló clasificadores Random Forest y XGBoost que alcanzaron puntuaciones F1 ponderadas de hasta 0,76 y un excelente poder discriminatorio (ROC-AUC > 0,90).

El análisis de la importancia de las características, respaldado por una interpretación detallada de SHAP (SHapley Additive exPlanations), reveló que la diferencia en la vegetación entre las zonas urbanas y rurales (DelNDVI_summer) y la impermeabilidad eran los predictores más críticos de la gravedad de la UHI.

Este trabajo proporciona una herramienta predictiva robusta y a gran escala que ayuda a los urbanistas y a los responsables políticos a identificar los factores clave del UHI y a desarrollar estrategias de mitigación específicas.

Título Original:

"Machine Learning Prediction of Urban Heat Island Severity in the Midwestern United States"

Autor/es: