Compréhension du microclimat urbain lyonnais par l’intégration de prédicteurs complémentaires à différentes échelles dans des modèles de régression - Ecole Nationale des Travaux Publics de l'Etat
Article Dans Une Revue Climatologie Année : 2020

Understanding Lyon's urban micro-climate by integrating complementary predictors at different scales in regression models

Compréhension du microclimat urbain lyonnais par l’intégration de prédicteurs complémentaires à différentes échelles dans des modèles de régression

Résumé

Climate change is a major contemporary phenomenon with multiple consequences. In urban areas, it exacerbates the urban heat island phenomenon. These two climatic manifestations generate consequences on the health of the inhabitants and on the sensation of thermal discomfort felt in urban areas. Thus, it is necessary to estimate as well as possible the air temperature at any point of a territory, in particular in view of the ongoing rationalization of the network of fixed meteorological stations of Météo France. Understanding the air temperature is increasingly in demand to input quantitative models related to a wide range of fields, such as hydrology, ecology or climate change studies. This study thus proposes to model air temperature, measured during 4 mobile campaigns carried out during the summer months, between 2016 and 2019, in Lyon in clear weather, using regression models based on 33 explanatory variables from traditionally used data, data from remote sensing by LiDAR (Light Detection And Ranging) or Landsat 8 satellite acquisition. Three types of statistical regression were experimented, partial least square regression, multiple linear regression and finally, a machine learning method, the random forest regression. For example, for the day of August 30, 2016, multiple linear regression explained 89% of the variance for the study days, with a mean RMSE of only 0.23°C. Variables such as surface temperature, NDVI and MNDWI have a strong impact on the estimation model.
Le changement climatique est un phénomène majeur actuel générant de multiples conséquences. En milieu urbain, il exacerbe celui de l’îlot de chaleur urbain. Ces deux manifestations climatiques engendrent des conséquences sur la santé des habitants et sur la sensation d’inconfort thermique ressenti en milieu urbain. Ainsi, il est nécessaire d’estimer au mieux la température de l’air en tout point d’un territoire, notamment face à la rationalisation actuelle du réseau de stations météorologiques fixes de Météo France. La connaissance spatialisée de la température de l’air est de plus en plus demandée pour alimenter des modèles quantitatifs liés à un large éventail de domaines, tels que l’hydrologie, l’écologie ou les études sur les changements climatiques. Cette étude se propose ainsi de modéliser la température de l’air, mesurée durant 4 campagnes mobiles réalisées durant les mois d’été, entre 2016 et 2019, dans Lyon par temps clair, à l’aide de modèle de régressions à partir de 33 variables explicatives issues de données traditionnellement utilisées, de données issues de la télédétection par une acquisition LiDAR (Light Detection And Ranging) ou satellitaire Landsat 8. Trois types de régression statistique ont été expérimentés, la régression partial least square, la régression linéaire multiple et enfin, une méthode de machine learning, la forêt aléatoire de classification et de régression. Par exemple, pour la journée du 30 août 2016, la régression linéaire multiple a expliqué 89% de la variance pour les journées d’étude, avec un RMSE moyen de seulement 0,23°C. Des variables comme la température de surface, le NDVI ou encore le MNDWI impactent fortement le modèle d’estimation.
Fichier principal
Vignette du fichier
climat20201702.pdf (4.64 Mo) Télécharger le fichier
Origine Fichiers éditeurs autorisés sur une archive ouverte
licence

Dates et versions

hal-03171163 , version 1 (16-09-2024)

Licence

Identifiants

Citer

Lucille Alonso, Florent Renard. Compréhension du microclimat urbain lyonnais par l’intégration de prédicteurs complémentaires à différentes échelles dans des modèles de régression. Climatologie, 2020, 17, pp.24. ⟨10.1051/climat/202017002⟩. ⟨hal-03171163⟩
59 Consultations
0 Téléchargements

Altmetric

Partager

More