CHIRTS Escalado de Temperatura del Aire en Cuadrícula Integrando Estimaciones de Temperatura de Superficie Terrestre MODIS en Modelos de Aprendizaje Automático
Autores: Uscamayta-Ferrano, Elvis; Satgé, Frédéric; Pillco-Zolá, Ramiro; Roig, Henrique; Tola-Aguilar, Diego; Perez-Flores, Mayra; Bustillos, Lautaro; Rakotomandrindra, Fara. P. M.; Rabefitia, Zo; Carrière, Simon. D.
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
CHIRTS Escalado de Temperatura del Aire en Cuadrícula Integrando Estimaciones de Temperatura de Superficie Terrestre MODIS en Modelos de Aprendizaje Automático
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Topográfico
Uso del suelo
Temperatura
Resolución espacial
Modelos de aprendizaje automático
Temperatura del aire
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
Debido a su sensibilidad a las características topográficas y de uso del suelo, la temperatura del aire (máxima, mínima y media) es extremadamente variable en el espacio y en el tiempo. Las estaciones meteorológicas escasas y distribuidas de manera desigual en regiones remotas no pueden monitorear tal variabilidad. Los conjuntos de datos de temperatura en cuadrícula disponibles de forma gratuita se presentan como una oportunidad para superar este problema. Sin embargo, su resolución espacial gruesa (es decir, >=5 km) no permite observar las variaciones de temperatura del aire a una escala espacial fina. En este contexto, se integran un conjunto de variables que tienen una relación estrecha con la temperatura diaria del aire (temperatura de superficie terrestre máxima, mínima y media de MODIS; NDVI de MODIS; características topográficas de SRTM - elevación, pendiente y aspecto) en tres modelos de aprendizaje automático de regresión (Random Forest, eXtreme Gradient Boosting, Regresión Lineal Múltiple) para proponer un marco de estimaciones de conjuntos de datos de temperatura con una resolución espacial más fina. El enfoque consiste en dos pasos principales: primero, los modelos de aprendizaje automático se entrenan a la resolución espacial nativa de 5 km del conjunto de datos de temperatura estudiado; en segundo lugar, se aplica los modelos de aprendizaje automático entrenados a una resolución espacial de 1 km para reducir la resolución de CHIRTS de 5 km a 1 km. Los resultados muestran que el método no solo mejora la resolución espacial del conjunto de datos de CHIRTS, sino también su precisión, con mayores mejoras para la temperatura máxima que para la mínima y media. Entre los modelos considerados, Random Forest tiene el mejor rendimiento, con una mejora del R, RMSE y MAE del 2.6% (0%), 47.1% (6.1%) y 55.3% (7%) para la temperatura máxima (mínima). Estos resultados apoyarán el monitoreo de la temperatura del aire y eventos extremos relacionados, como olas de calor y frío, que son de suma importancia en el contexto actual del cambio climático.
Descripción
Debido a su sensibilidad a las características topográficas y de uso del suelo, la temperatura del aire (máxima, mínima y media) es extremadamente variable en el espacio y en el tiempo. Las estaciones meteorológicas escasas y distribuidas de manera desigual en regiones remotas no pueden monitorear tal variabilidad. Los conjuntos de datos de temperatura en cuadrícula disponibles de forma gratuita se presentan como una oportunidad para superar este problema. Sin embargo, su resolución espacial gruesa (es decir, >=5 km) no permite observar las variaciones de temperatura del aire a una escala espacial fina. En este contexto, se integran un conjunto de variables que tienen una relación estrecha con la temperatura diaria del aire (temperatura de superficie terrestre máxima, mínima y media de MODIS; NDVI de MODIS; características topográficas de SRTM - elevación, pendiente y aspecto) en tres modelos de aprendizaje automático de regresión (Random Forest, eXtreme Gradient Boosting, Regresión Lineal Múltiple) para proponer un marco de estimaciones de conjuntos de datos de temperatura con una resolución espacial más fina. El enfoque consiste en dos pasos principales: primero, los modelos de aprendizaje automático se entrenan a la resolución espacial nativa de 5 km del conjunto de datos de temperatura estudiado; en segundo lugar, se aplica los modelos de aprendizaje automático entrenados a una resolución espacial de 1 km para reducir la resolución de CHIRTS de 5 km a 1 km. Los resultados muestran que el método no solo mejora la resolución espacial del conjunto de datos de CHIRTS, sino también su precisión, con mayores mejoras para la temperatura máxima que para la mínima y media. Entre los modelos considerados, Random Forest tiene el mejor rendimiento, con una mejora del R, RMSE y MAE del 2.6% (0%), 47.1% (6.1%) y 55.3% (7%) para la temperatura máxima (mínima). Estos resultados apoyarán el monitoreo de la temperatura del aire y eventos extremos relacionados, como olas de calor y frío, que son de suma importancia en el contexto actual del cambio climático.