A-
A
A+

L'information grandeur nature

Centre de documentation
scientifique

Actualité

L'actu ! fermeture automnale

Le centre de documentation est fermé pour les vacances de Toussaint. Les prêts sont suspendus pour le moment. Merci d'adresser vos questions à cdos at ensg.e...

Consulter les archives

dernière publication

Dernière publication Consultez les parutions du CDoS

Informations pratiques

Le centre de documentation scientifique
de l'Institut est aussi celui de l'ENSG-Géomatique.

Envoyez un mail au contact ci-dessous pour vos demandes.

Contact : cdos@ign.fr

Comment venir ?
Pour se rendre au centre de documentation, se reporter au 'Plan d'accès au bâtiment' tout en bas de page à droite. Le centre se trouve dans le bâtiment de l'ENSG. On y accède par le hall, entre l'aile Cassini et l'aile Laplace.

Mots RAMEAU représentant le fonds du centre de documentation
géomatique, géodésie, réseaux (géodésie), systèmes de localisation par satellites,
imagerie satellitaire, traitement d'images, photogrammétrie, lasergrammétrie,
systèmes d'information géographique, données géospatiales, cartographie,
géographie - base de données

Nouvelle recherche

Article: Article/Communication

Estimating spatio-temporal air temperature in London (UK) using machine learning and earth observation satellite data / Rochelle Schneider dos Santos in International journal of applied Earth observation and geoinformation, vol 88 (June 2020)

url article

Public

[article]
inInternational journal of applied Earth observation and geoinformation > vol 88 (June 2020) . - 10 p.

Titre :	Estimating spatio-temporal air temperature in London (UK) using machine learning and earth observation satellite data
Type de document :	Article/Communication
Auteurs :	Rochelle Schneider dos Santos, Auteur
Année de publication :	2020
Article en page(s) :	10 p.
Note générale :	bibliographie
Langues :	Anglais (eng)
Descripteur :	[Vedettes matières IGN] Traitement d'image optique [Termes IGN] algorithme du gradient [Termes IGN] apprentissage automatique [Termes IGN] chaleur [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] ilot thermique urbain [Termes IGN] image Aqua-MODIS [Termes IGN] image Terra-MODIS [Termes IGN] Londres [Termes IGN] modèle de régression [Termes IGN] mortalité [Termes IGN] Normalized Difference Vegetation Index [Termes IGN] politique publique [Termes IGN] Python (langage de programmation) [Termes IGN] régression linéaire [Termes IGN] santé [Termes IGN] station météorologique [Termes IGN] température au sol [Termes IGN] température de l'air [Termes IGN] zone urbaine
Résumé :	(auteur) Urbanisation generates greater population densities and an increase in anthropogenic heat generation. These factors elevate the urban–rural air temperature (Ta) difference, thus generating the Urban Heat Island (UHI) phenomenon. Ta is used in the fields of public health and epidemiology to quantify deaths attributable to heat in cities around the world: the presence of UHI can exacerbate exposure to high temperatures during summer periods, thereby increasing the risk of heat-related mortality. Measuring and monitoring the spatial patterns of Ta in urban contexts is challenging due to the lack of a good network of weather stations. This study aims to produce a parsimonious model to retrieve maximum Ta (Tmax) at high spatio-temporal resolution using Earth Observation (EO) satellite data. The novelty of this work is twofold: (i) it will produce daily estimations of Tmax for London at 1 km2 during the summertime between 2006 and 2017 using advanced statistical techniques and satellite-derived predictors, and (ii) it will investigate for the first time the predictive power of the gradient boosting algorithm to estimate Tmax for an urban area. In this work, 6 regression models were calibrated with 6 satellite products, 3 geospatial features, and 29 meteorological stations. Stepwise linear regression was applied to create 9 groups of predictors, which were trained and tested on each regression method. This study demonstrates the potential of machine learning algorithms to predict Tmax: the gradient boosting model with a group of five predictors (land surface temperature, Julian day, normalised difference vegetation index, digital elevation model, solar zenith angle) was the regression model with the best performance (R² = 0.68, MAE = 1.60 °C, and RMSE = 2.03 °C). This methodological approach is capable of being replicated in other UK cities, benefiting national heat-related mortality assessments since the data (provided by NASA and the UK Met Office) and programming languages (Python) sources are free and open. This study provides a framework to produce a high spatio-temporal resolution of Tmax, assisting public health researchers to improve the estimation of mortality attributable to high temperatures. In addition, the research contributes to practice and policy-making by enhancing the understanding of the locations where mortality rates may increase due to heat. Therefore, it enables a more informed decision-making process towards the prioritisation of actions to mitigate heat-related mortality amongst the vulnerable population.
Numéro de notice :	A2020-448
Affiliation des auteurs :	non IGN
Thématique :	IMAGERIE
Nature :	Article
nature-HAL :	ArtAvecCL-RevueIntern
DOI :	10.1016/j.jag.2020.102066
Date de publication en ligne :	10/02/2020
En ligne :	https://doi.org/10.1016/j.jag.2020.102066
Format de la ressource électronique :	url article
Permalink :	https://documentation.ensg.eu/index.php?lvl=notice_display&id=95524

vignette

IGN

IGN / ENSG

Centre de documentation
scientifique
6 et 8 Avenue Blaise Pascal
Cité Descartes
Champs-sur-Marne
77455 Marne la Vallée
Cedex 2
L'IGN a pour vocation

de décrire la surface du territoire national et l'occupation de son sol, et d'élaborer et de mettre à jour l'inventaire permanent des ressources forestières nationales.
Accès directs
2014 -2024 IGN