Urban and peri-urban land surface temperature modelling through the integration of multiple earth observation data

Urban and peri-urban areas are complex environments, characterized by diverse land cover and land use and heterogeneous morphology. In this thesis, an integrated framework is developed to compute regression models for Land Surface Temperature (LST) prediction using multiple datasets derived from Earth Observation (EO) products. The study area is the Metropolitan City of Milan in Northern Italy. Medium-resolution LST observations from Landsat 8 are temporally paired with Sentinel-2 surface reflectance data (within a window of ±3 days) in the period from 2015 to 2024. Urban Canopy Parameter (UCP) layers are combined with surface material fractions computed through spectral unmixing of Sentinel-2 images to produce 15-layer predictor stacks. Local Climate Zones (LCZs) are mapped through a Random Forest (RF) supervised classification algorithm. RF-based regression models are computed based on the predictor stacks to predict LST maps for the winter, summer, and intermediate seasons. For model training, sample pixels are collected in such a way that they are balanced across the LCZ classes and outside areas that underwent land consumption changes in the study period. Model hyperparameters are tuned through cross-validation, while the model error is assessed using standard metrics such as Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), bias, and R². Additionally, the RF feature importance is computed to estimate the contribution of each predictor to the model accuracy. The model performance exhibits strong seasonal dependence, reflecting the variability of LST in different climatic conditions. While the summer model results are promising, showing an MAE of 1.98 K and an R² of 0.65 on the testing samples, winter predictions demonstrate worse performance, with an R² less than 0.2, suggesting that the method may be less suitable under winter season conditions. Outcomes from the intermediate season fall in-between these two extremes, with an MAE on testing of 0.97 K and an R² of 0.40. The methodology offers a new approach for simulating the thermal response to urban planning activities such as new building construction or greening interventions, aiding climate-sensitive urban design and heat-mitigation planning.

Le aree urbane e periurbane sono ambienti complessi caratterizzati da un uso del suolo e una morfologia diversificati. Questa tesi presenta un framework integrato per prevedere la Land Surface Temperature (LST) tramite modelli di regressione derivati da dati di Earth Observation (EO). L’area di studio è la Città Metropolitana di Milano, situata nel Nord Italia. I dati di LST a media risoluzione di Landsat 8 sono abbinati temporalmente con i dati di riflettanza superficiale Sentinel-2 (entro ±3 giorni) nel periodo fra il 2015 e il 2024. Urban Canopy Parameters (UCP) e frazioni di materiali superficiali ottenute tramite spectral unmixing di Sentinel-2, sono combinate per generare un insieme di 15 predittori. Le Local Climate Zones (LCZ) sono classificate tramite Random Forest (RF), un algoritmo di classificazione supervisionata. Modelli di regressione basati su RF sono utilizzati per prevedere mappe di LST in inverno, estate e stagioni intermedie. Per il training del modello, dei pixel sono selezionati in modo da essere bilanciati tra le classi LCZ, escludendo le aree che hanno subito cambiamenti nell’uso del suolo nel periodo di studio. Gli iperparametri del modello sono ottimizzati tramite validazione incrociata, mentre l’accuratezza viene valutata con metriche standard quali Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), bias e R². Le prestazioni del modello mostrano una forte dipendenza stagionale, riflettendo la variabilità della LST nei confronti di diverse condizioni climatiche. Seppure i risultati siano promettenti nel modello estivo, con un MAE di 1.98 K e un R² di 0.65 nel testing, le predizioni invernali mostrano risultati peggiori con un R² inferiore a 0.2, il che suggerisce che il metodo utilizzato può non essere adatto in condizioni invernali. I risultati della stagione intermedia si collocano tra questi estremi con un MAE di 0.97 K e un R² di 0.40 nel testing. La metodologia offre un nuovo approccio per simulare la risposta termica alle attività di pianificazione urbana, come la costruzione di nuovi edifici o interventi di rinverdimento, supportando la progettazione urbana sensibile al clima e la pianificazione della mitigazione del calore.