Vorhersage der maximalen Temperatur mittels Fernerkundungsdaten über ein konvolutionales Neuronales Netzwerk

Städtische Wärmeinseln, definiert als spezielle Zonen, die wesentlich höhere Temperaturen als ihre unmittelbare Umgebung aufweisen, stellen erhebliche Bedrohungen für die ökologische Nachhaltigkeit und die öffentliche Gesundheit dar. Diese Studie führt ein neuartiges maschinelles Lernmodell ein, das Daten des Sentinel-3-Satelliten, meteorologische Vorhersagen und weitere Fernerkundungsdaten kombiniert. Das Hauptziel ist die Erstellung detaillierter spatiotemporaler Karten, die die Höchsttemperaturen innerhalb eines 24-Stunden-Zeitraums in Turin vorhersagen. Experimentelle Ergebnisse validieren die Leistungsfähigkeit des Modells zur Vorhersage von Temperaturmustern und erreichen einen mittleren absoluten Fehler (MAE) von 2,09 Grad Celsius für das Jahr 2023 bei einer Auflösung von 20 Metern pro Pixel und erweitern somit unser Wissen über das städtische Klima. Diese Untersuchung verbessert das Verständnis von städtischen Mikroklimas und betont die Bedeutung der interdisziplinären Datenintegration und legt somit die Grundlage für fundierte politische Entscheidungen, die darauf abzielen, die negativen Auswirkungen extremer urbaner Temperaturen zu mildern.