Deep learning aproaches for the prediction of land surface temperature in Bogotá using Landsat images

Abstract

En el presente estudio, se evalúa la eficacia de modelos de aprendizaje profundo, como la Memoria a Largo y Corto Plazo (LSTM) y las Redes Convolucionales con Memoria a Largo y Corto Plazo (ConvLSTM), para predecir la temperatura superficial terrestre en la ciudad de Bogotá. Para ello, se han utilizado imágenes satelitales del LANDSAT, abarcando el periodo de 1985 a 2023, en la ciudad de Bogotá considerando tanto sus áreas urbanas como rurales. A estas imágenes se les aplicaron diversas conversiones para calcular la temperatura en grados Celsius (°C). Posteriormente, se establecieron grillas de diferentes escalas (500m x 500m y 200m x 200m) con el fin de calcular la temperatura en diversas resoluciones y, a partir de las temperaturas máximas y mínimas, calcular el promedio que posteriormente fue usado como entrada para los modelos de aprendizaje. Los resultados indican que tanto los modelos LSTM como los ConvLSTM son capaces de capturar patrones complejos en los datos de temperatura, mostrando una mejora progresiva en el rendimiento a medida que se incrementa el número de épocas de entrenamiento. Además, se observa que la precisión de las predicciones mejora con una mayor resolución espacial en las grillas de datos, lo que subraya la importancia de este factor en la predicción climática.