DOWNSCALING ESTATÍSTICO POR APRENDIZADO DE MÁQUINA NA IDENTIFICAÇÃO DE ILHAS DE CALOR NA REGIÃO METROPOLITANA DO RIO DE JANEIRO

Resumo

Com o aquecimento global é cada vez mais necessário monitorar a temperatura do ar nas cidades e as ilhas de calor urbano. Neste trabalho é apresentado um arcabouço de downscaling estatístico baseado em algoritmos de aprendizado de máquina, que busca produzir campos de temperatura do ar em altíssima resolução, com um baixo custo computacional. A metodologia foi testada na Região Metropolitana do Rio de Janeiro (RMRJ), realizando-se o downscaling de 5 km para 1 km de dados horários de temperatura do ar, provindos do modelo Weather Research and Research (WRF) para os dias 15 a 20 de dezembro de 2017. Os algoritmos Random Forest, XGBoost e LGBM foram testados no arcabouço. Dados observados foram utilizados para analisar o desempenho da abordagem. O modelo de dossel urbano Single Layer Urban Canopy Model (SLUCM) foi acoplado ao WRF para realizar o contraponto dinâmico ao método de downscaling estatístico apresentado. A importância de cada variável nos algoritmos de aprendizado de máquinas foi analisada. Os resultados demonstraram que o arcabouço foi capaz de produzir resultados similares ao método dinâmico quando comparado aos dados observados, porém com um tempo de processamento até 500 vezes mais rápido. Os três algoritmos apresentaram desempenhos similares. A topografia, latitude, longitude e uso urbano foram as principais variáveis para os algoritmos, sendo que o peso de cada uma variou com o passo de tempo e com a posição espacial do domínio. Em suma, as contribuições das variáveis dentro dos modelos estatísticos apresentam comportamento similar aos processos físicos da atmosfera.