logo móvil
Contáctanos

Aprovechando los algoritmos de aprendizaje automático para modelar la asociación entre el cambio en el uso del suelo/cobertura terrestre y la dinámica de las olas de calor para una mejor gestión ambiental

Autores: Ashwini, Kumar; Sil, Briti Sundar; Kafy, Abdulla Al; Altuwaijri, Hamad Ahmed; Nath, Hrithik; Rahaman, Zullyadini A.

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico
2024

Aprovechando los algoritmos de aprendizaje automático para modelar la asociación entre el cambio en el uso del suelo/cobertura terrestre y la dinámica de las olas de calor para una mejor gestión ambiental


Categoría

Ciencias Medioambientales

Subcategoría

Ciencias medioambientales generales

Palabras clave

Expansión urbana
Aprendizaje automático
Teledetección
Temperatura de la superficie terrestre
Uso del suelo y cobertura del suelo
Islas de calor urbanas

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 1

Citaciones: Sin citaciones


Descripción
A medida que navegamos por la rápida era de expansión urbana, la integración del aprendizaje automático (ML) y la teledetección (RS) se ha convertido en una piedra angular en la gestión ambiental. Esta investigación, centrada en la ciudad de Silchar, una ciudad no conforme bajo el Programa Nacional de Aire Limpio (NCAP), aprovecha estas tecnologías avanzadas para comprender el microclima urbano y sus implicaciones en la salud, la resiliencia y la sostenibilidad del entorno construido. El aumento de la temperatura de la superficie terrestre (LST) y los cambios en el uso y la cobertura del suelo (LULC) se han identificado como contribuyentes clave a la dinámica térmica, centrándose particularmente en el desarrollo de islas de calor urbano (UHI). El Índice de Varianza del Campo Térmico Urbano (UTFVI) puede evaluar la influencia de las UHI, que se considera un parámetro para la evaluación de la calidad ecológica. Esta investigación examina las interconexiones entre la expansión urbana, la LST y la dinámica térmica en la ciudad de Silchar debido a un aumento sustancial de la temperatura del aire, la mala calidad del aire y las partículas PM2.5. Utilizando imágenes de satélite Landsat, se derivaron mapas de LULC para 2000, 2010 y 2020 aplicando un enfoque de clasificación supervisada. La LST se calculó convirtiendo la radiancia espectral de la banda térmica en temperatura de brillo. Utilizamos Autómatas Celulares (CA) y Redes Neuronales Artificiales (ANN) para proyectar escenarios potenciales hasta el año 2040. Durante el período de dos décadas de 2000 a 2020, observamos una expansión del 21% en las áreas construidas, principalmente a expensas de la vegetación y las tierras agrícolas. Esta transformación del suelo contribuyó al aumento de la LST, con más del 10% del área superando los 25 grados Celsius en 2020 en comparación con solo el 1% en 2000. El modelo CA predice que las áreas construidas crecerán en un 26% adicional para 2040, causando un aumento de la LST de 4 grados Celsius. El análisis del UTFVI revela un confort térmico en declive, con la zona más afectada proyectada para expandirse en 7 km^2. El aumento de PM2.5 y la profundidad óptica de aerosol en las últimas dos décadas indica aún más el deterioro de la calidad del aire. Este estudio subraya el potencial del ML y RS en la gestión ambiental, proporcionando valiosos conocimientos sobre la expansión urbana, la dinámica térmica y la calidad del aire que pueden guiar la formulación de políticas para una planificación urbana sostenible.

Otros recursos que podrían interesarte

Temas Virtualpro