Reconstrucción Diaria de la Temperatura Superficial Terrestre en Áreas de Cruce de Vías de Landsat Mediante...

Área de la Ciencia:

• Ciencias de la Tierra y del Medio Ambiente
• Teledetección
• Ciencia del Clima

Sus antecedentes:

• La temperatura superficial terrestre (LST) de alta resolución espaciotemporal es crucial para los estudios del medio ambiente urbano.
• Los datos de Landsat ofrecen alta resolución espacial pero sufren de revisitas infrecuentes e interferencia de nubes, lo que limita su utilidad en paisajes urbanos complejos.

Objetivo del estudio:

• Desarrollar y validar DELAG, un método de aprendizaje profundo de conjuntos para reconstruir la LST de Landsat en áreas urbanas complejas.
• Mejorar la disponibilidad de datos de LST utilizando las capacidades de cruce de vías de Landsat y la operación de doble satélite.
• Evaluar la fiabilidad y la incertidumbre de la LST reconstruida y su aplicación en la estimación de la temperatura del aire cercana a la superficie.

Principales métodos:

• Se implementó DELAG, un enfoque de aprendizaje profundo de conjuntos que integra ciclos de temperatura anuales y procesos gaussianos.
• Se utilizaron datos de Landsat, mejorados por las características de cruce de vías y la operación de doble satélite, para aumentar la frecuencia de los datos a 4 escenas cada 16 días.
• Se validó DELAG en la ciudad de Nueva York, Londres y Hong Kong en condiciones variables de cobertura de nubes.

Principales resultados:

• DELAG reconstruyó con éxito la LST de Landsat en áreas urbanas complejas con bajos valores de RMSE (0,73-0,96 K con cielo despejado, 0,84-1,62 K nublado).
• El método proporciona cuantificación de incertidumbre, mejorando la fiabilidad de la reconstrucción de la LST.
• La LST reconstruida arrojó estimaciones precisas de la temperatura del aire cercana a la superficie (RMSE = 1,48-2,11 K), comparables a los resultados de la LST con cielo despejado.

Conclusiones:

• DELAG ofrece una solución novedosa y práctica para la reconstrucción de LST de Landsat de alta resolución en entornos urbanos complejos.
• La mayor disponibilidad y precisión de los datos abordan las limitaciones de la adquisición tradicional de datos de LST.
• Este método avanza el potencial para estudiar eventos climáticos complejos y mejorar las estimaciones de temperatura del aire a altas resoluciones espaciotemporales.