Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

Clima Urbano 28 (2019) 100451

Listas de conteúdos disponíveis emScience Direct

Clima Urbano
Página inicial do jornal:www.elsevier.com/locate/uclim

Análise SUHI usando Zonas Climáticas Locais—Uma comparação de 50

cidades

Benjamim Bechtela,⁎, Matthias Demuzerea,b,h, Gerald Millsc, Wenfeng Zhand,

Panagiotis Sismanidise, Cristóvão Pequenof, James Voogtg
a Departamento de Geografia, Ruhr-University Bochum, 44801 Bochum, Alemanha
b Laboratório de Hidrologia e Gestão de Água, Universidade de Ghent, Coupure Links 653, Ghent B-9000, Bélgica
cEscola de Geografia, UCD, Dublin, Irlanda
d Instituto Internacional de Ciência do Sistema Terrestre, Universidade de Nanjing, Nanjing, Jiangsu 210023, China
e Instituto de Astronomia, Astrofísica, Aplicações Espaciais e Sensoriamento Remoto, Observatório Nacional de Atenas, Vas. Pavlou & I. Metaxa, Penteli
15236, Grécia
fLamont Doherty Earth Observatory, Columbia University, Nova York 10964, EUA

gDepartamento de Geografia, University of Western Ontario, Londres, ON, Canadá

hKode BV VOF, Gent, Bélgica

ABSTRATO

A avaliação das ilhas de calor urbanas superficiais (SUHI) tem sido dificultada pela falta de uma estrutura consistente para permitir uma interpretação
consistente entre as cidades. As Zonas Climáticas Locais (LCZ) são uma descrição universal dos tipos de paisagem de escala local com base na variação
esperada na escala do bairro (≥1km2) dentro e ao redor das cidades. Neste estudo, investigamos a adequação do esquema LCZ para estudos de SUHI
com base em 50 cidades de todo o mundo. Para comparabilidade, usamos um modelo de ciclo de temperatura anual para a temperatura da superfície
terrestre MODIS (LST) em diferentes tempos de viaduto e média plurianual Landsat 8 LST. A análise de SUHI mostra diferenças significativas na
estimativa intra-urbana de SUHI para diferentes tipos de LCZ construídos. Existe uma variabilidade substancial de SUHI dentro das classes LCZ e entre
cidades e os padrões de SUHI variam de acordo com a hora do dia. As estimativas derivadas do Landsat têm correlações muito altas com as do MODIS
em um momento semelhante.

1. Introdução

A ilha de calor urbana (IUC) é o efeito do clima urbano mais estudado. Descreve a influência da urbanização nas temperaturas de superfície,
subsuperfície e do ar nas cidades e revela-se geralmente em valores mais elevados quando comparado com a paisagem circundante (Voogt e Oke, 2003).
Existem quatro tipos de UHI (superfície, sub-superfície, camada de dossel e camada limite), cada um dos quais é gerado por diferentes processos físicos
dominantes e exibe padrões temporais e espaciais distintos, embora todos sejam conduzidos principalmente pela transformação da paisagem natural
em uma paisagem natural. superfície ondulada, maioritariamente manufacturada e menos vegetada (Oke et al., 2017). A superfície urbana pode ser
descrita como uma composição de facetas individuais que se distinguem pela sua geometria (inclinação e aspecto), propriedades radiativas e térmicas
distintas e principalmente estado seco. Os UHIs mais comumente estudados são as ilhas de calor da camada do dossel (CUHI) e da superfície (SUHI), que
diferem fundamentalmente em suas características energéticas básicas e temporais.Oke et al., 2017). Embora ambos estejam acoplados e apresentem
correlações relevantes (Nichol e outros, 2009), os principais processos responsáveis por cada um diferem (Mirzaei e Haghighat, 2010;Voogt e Oke, 2003
).

⁎Autor correspondente.
Endereço de email:benjamin.bechtel@rub.de (B. Bechtel).

https://doi.org/10.1016/j.uclim.2019.01.005
Recebido em 4 de julho de 2018; Recebido no formulário revisado em 18 de janeiro de 2019; Aceito em 20 de janeiro
de 2019 2212-0955/ © 2019 Publicado por Elsevier BV
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

O CUHI é o resultado dos fluxos de calor sensíveis nas facetas do dossel urbano, ou seja, as paredes e o solo abaixo do nível do telhado e
as trocas de ar com a atmosfera acima do nível do telhado. Observações fixas e móveis usando termômetros de nível de tela padrão
mostraram que o CUHI é mais forte à noite sob condições calmas e céu claro e que a magnitude do efeito urbano aumenta da borda urbana-
rural para o centro da cidade (Arnfield, 2003;Mirzaei e Haghighat, 2010). Mapas isotérmicos típicos do CUHI máximo revelam um padrão que
corresponde de perto ao caráter físico da paisagem urbana com o pico no centro; daí a analogia da 'ilha' (Kim e Baik, 2005;Saaroni e outros,
2000). Dentro do dossel urbano, variações significativas na temperatura do ar medida respondem a mudanças na paisagem em escala local
(~1 km2).
O SUHI, por comparação, resulta de modificações no balanço de energia da superfície nas facetas urbanas, que altera a radiação líquida
disponível e a direciona para trocas de calor sensíveis com o ar sobrejacente (via convecção) e o substrato subjacente (via condução) (Clinton e
Gong, 2013;Voogt e Oke, 2003). A temperatura resultante da superfície depende de sua relação geométrica com o feixe solar, seu albedo e
condutividade, exposição ao fluxo de ar entre outros (Morrison e outros, 2018;Voogt e Oke, 2003). Consequentemente, o padrão e a
magnitude do SUHI são extremamente heterogêneos no espaço e no tempo e são difíceis de medir de maneira significativa (Coutts et al.,
2016;Schwarz e outros, 2011).
A avaliação mais comum do SUHI usa plataformas de satélite para medir a temperatura da superfície terrestre (LST), o que implica
limitações relevantes. Em particular, o sensoriamento remoto fornece uma visão parcial da superfície urbana (Coutts et al., 2016;
Keramitsoglou et al., 2012;Sobrino e outros, 2012;Tomlinson e outros, 2011). Por exemplo, o SUHI visto de uma plataforma de satélite é
dominado pelas frações de cobertura do solo e telhados de diferentes formas (as paredes são quase invisíveis) e enquanto o solo pode estar
sombreado, as superfícies do telhado, que têm propriedades térmicas e radiativas anômalas , são geralmente iluminados (Morrison e outros,
2018;Voogt e Oke, 2003). Como resultado, o SUHI baseado em satélite mostra variação espacial extrema com maior magnitude durante o dia (
Allen e outros, 2017;Coutts et al., 2016;Hu e outros, 2016;Jiang e outros, 2018;Keramitsoglou et al., 2011;Tran e outros, 2006). Além disso, o
sensoriamento remoto espacial envolve um trade-off entre resoluções espaciais e temporais (Sismanidis et al., 2015). Atualmente nenhum dos
sensores disponíveis (Tomlinson e outros, 2011) pode cumprir os requisitos para observar a temperatura da superfície urbana em resolução
adequada (Bechtel e outros, 2012). Além disso, a aquisição LST é limitada e exibe um 'ruído' associado às condições atmosféricas e de
superfície específicas no momento da observação. Isso limita substancialmente a representatividade das aquisições LST individuais (Gottsche
e Olesen, 2001;Gottsche e Olesen, 2009) e, posteriormente, sua validade para análise de SUHI. Por outro lado, as comparações de cidades são
agravadas pela disponibilidade limitada de dados espaciais, uma vez que diferentes cidades não podem ser observadas sob as mesmas
condições ou pelo menos comparáveis (Schwarz e outros, 2011). A maioria dos estudos SUHI são baseados em algumas cenas e, portanto, a
representatividade é muito limitada (Bechtel e Sismanidis, 2018). Uma solução é o uso de longas séries temporais para avaliar o SUHI médio
anual (Zhou et al., 2013) suprimindo assim o ruído resultante da variabilidade diurna.Peng e outros. (2012)conduziu um estudo abrangente
usando cinco anos de dados MODIS para 419 cidades eZhang et ai. (2010)usou 3 anos de dados MODIS para analisar > 3.000 assentamentos
globalmente.Clinton e Gong (2013)também usou dados MODIS anuais e estudou a localização global de SUHIs e seus controles, enquanto
Schwartz et ai. (2011)eZhou et ai. (2013)focado apenas em cidades europeias. Mais recentemente,Chakraborty e Lee (2019)calculou o SUHI do
MODIS para mais de 9.500 aglomerados urbanos usando a plataforma de processamento em nuvem do Google Earth Engine e também
investigou tendências, bem como variações climáticas e sazonais em grande escala. Uma alternativa é o uso de séries temporais LST para
modelar o ciclo anual de temperatura (ATC) (Bechtel, 2012;Fu e Weng, 2015) que capta a variação sazonal e compensa parcialmente a
disponibilidade de dados diferentes ao longo do ano. Poucos estudos de caso da SUHI usaram essa abordagem: por exemploBechtel (2015a)
para cidades holandesas e belgas;Kaloustian et ai. (2017)para Beirute, Líbano;Ching et ai. (2018)para São Paulo, Brasil e Mumbai, Índia;
Wiesner et ai. (2018) para Hamburgo; eBechtel (2015b)para cidades nos cinco continentes. No entanto, a maioria destes apenas investigou a
magnitude do SUHI e não a diferenciação espacial que resulta do caráter da paisagem construída.
Historicamente, os avanços científicos no CUHI e no SUHI foram prejudicados pela falta de uma estrutura de paisagem que permitisse que os
resultados fossem interpretados de forma consistente. Na ausência de tal estrutura, os pesquisadores usaram uma variedade de conjuntos de dados de
uso e cobertura da terra. Nos estudos do SUHI, vários parâmetros, como índices de vegetação, fração de superfície impermeável, luzes noturnas,
extensão urbana, tamanho do aglomerado e população foram usados como descritores.Clinton e Gong, 2013;Imhoff et al., 2010;Zhang e outros, 2010;
Zhou et al., 2013); nos estudos do CUHI, a discriminação pode ser tão simples como urbano/não urbano ou o uso de diferentes classificações que
dificultam as comparações (Stewart e Oke, 2012).Stewart (2011)descobriram que muito do conhecimento científico sobre CUHI era de pouco valor geral
devido à falta de metadados, principalmente no que diz respeito à localização dos locais de observação. Criticamente, a magnitude do efeito UHI
depende tanto do caráter das paisagens urbanas quanto das paisagens não urbanas contra as quais o efeito é medido (Hawkins e outros, 2004;Mirzaei e
Haghighat, 2010;Schwarz e outros, 2011). As Zonas Climáticas Locais (LCZ) foram desenvolvidas como uma descrição universal adequada dos tipos de
paisagem de escala local (Stewart e Oke, 2012); em outras palavras, eles captam a variação dos microclimas que caracterizam os bairros (≥1 km2) Nas
cidades. O esquema básico considera 10 tipos urbanos e 7 tipos naturais e cada um está associado a uma gama de valores para distinguir parâmetros
que influenciam diretamente a temperatura do ar de 2 m na camada de dossel (por exemplo, cobertura superficial impermeável, fração vegetativa, etc.).

O esquema LCZ provou ser útil no planejamento de estudos CUHI e na interpretação dos resultados. Muitos estudos mostraram a relevância dos
tipos de LCZ para observações CUHI (Alexandre e Mills, 2014;Fenner e outros, 2017;Fenner e outros, 2014;Lehnert e outros, 2015;Skarbit et al., 2017;
Stewart e outros, 2014), mas sua adequação geral para estudos de SUHI ainda precisa ser investigada. No entanto, parece plausível que o esquema
possa ser útil para estudos SUHI da variabilidade da temperatura da superfície em escala local. Ambos estão intimamente ligados através do balanço de
energia de superfície (Morrison e outros, 2018;Oke et al., 2017) e alguns dos fatores que definem os LCZs também são controles importantes na
temperatura da superfície (isto é, frações e materiais de cobertura da superfície). Assim, levantamos a hipótese de que o esquema LCZ é um
discriminador relevante da temperatura da superfície na escala da vizinhança (embora uma variabilidade muito maior na escala da faceta possa ser
esperada). Até agora, vários estudos aplicaram o esquema LCZ para investigar o SUHI para cidades individuais usando diferentes fontes de dados
térmicos, por exemplo: Landsat 8 para Delhi National Capital Region (Budhiraja et al., 2017), Wuhan, China (Wang e outros, 2017),

2
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Fuzhou, China (Zhongli e Hanqiu, 2016), Taipei, Taiwan (Shih, 2017), Las Vegas e Phoenix, EUA (Wang e outros, 2018). Outros usaram dados Landsat e
ASTER, por exemplo, para Praga e Brno, República Tcheca (Geletic et al., 2017;Geletic et al., 2016) ou Delta do Rio Yangtze, China (Cai et al., 2017) ou
Landsat e MODIS para Dubai, UEA (Nassar e outros, 2016).Skarbit et ai. (2015)usaram um sistema de imagem digital de pequeno formato e baixo custo
nas primeiras horas da noite em Szeged, na Hungria, e descobriram que diferentes classes de LCZ têm diferentes características de temperatura de
superfície.Koc et ai. (2018)usou dados de sensoriamento remoto aéreo de alta resolução para avaliar um método de classificação LCZ baseado em GIS.
Os trabalhos supracitados sugerem que independentemente da cidade estudada ou dos dados de satélite empregados, os LST diferem
significativamente entre as ZLCs (algumas inconsistências podem ser causadas, entretanto, pela morfologia pronunciada das áreas urbanas. Em geral, as
ZLCs representam áreas densamente construídas e as indústrias pesadas apresentaram o LST mais alto, enquanto aquelas que representam coberturas
de terra suburbanas e naturais constituíram as zonas mais frias (Geletic et al., 2016). Esses estudos também relatam diferenças diurnas (diurnas/
noturnas) e sazonais distintas na intensidade do LST e sugerem que cada LCZ tem uma resposta térmica muito distinta (Nassar e outros, 2016).

No entanto, a maioria desses estudos utilizou aquisições individuais a algumas LST para caracterizar o SUHI, o que implica em
certo grau de incerteza e dificulta a comparação entre as cidades. Portanto, falta uma comparação abrangente aplicando o conceito
LCZ ao SUHI para várias cidades. Para esse fim, realizamos uma comparação inicial de SUHIs com base em longas séries temporais
LST e no esquema LCZ para 50 cidades globalmente. Os objetivos são investigar a adequação do esquema LCZ em geral e, mais
especificamente, o uso de dados WUDAPT L0 para avaliação de SUHI e, com base nisso, as diferenças no SUHI relacionadas ao
ambiente construído e ao ambiente natural. Além disso, uma primeira comparação de SUHIs de várias cidades deve ser realizada
com base nas séries temporais LCZ e LST.

2. Dados e métodos

2.1. Zonas climáticas locais

O esquema LCZ é usado no projeto World Urban Data Access Portal Tools (WUDAPT) que foi desenvolvido para atender à necessidade de melhores
informações sobre a forma e a função das cidades globalmente (Ching e outros, 2018). O WUDAPT coleta, armazena e divulga esses dados em diferentes
níveis, cada um representando um grau de precisão espacial nos elementos da paisagem urbana. O produto WUDAPT nível zero (L0) é um mapa raster
de uma cidade e seus arredores, que foi categorizado em tipos de LCZ (Stewart e Oke, 2012). Cada tipo junto com o edifício associado, cobertura e
propriedades do material são mostrados emFigura 1. Essas propriedades podem servir como entradas para modelos climáticos urbanos de alta
resolução.
O produto WUDAPT L0 é gerado usando imagens Landsat disponíveis gratuitamente, áreas de treinamento de crowdsourcing da comunidade e o
software SAGA de código aberto (Bechtel e outros, 2015). As contribuições da comunidade são usadas para gerar mapas LCZ que são

Figura 1.Tipos de LCZ urbana (1−10) e natural (AG) e suas características e código de cores usados na estrutura WUDAPT. B: Edifícios; C: cobertura; M:
materiais; F: função; Alto: > 10 andares, Médio: 3–9 andares, Baixo: 1–3 andares (Bechtel e outros, 2017), adotado de (Stewart e Oke, 2012).

3
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Figura 2.Distribuição geográfica das cidades consideradas.

subseqüentemente avaliados quanto à qualidade e adicionados a um banco de dados (Bechtel e outros, 2019).Figura 2mostra a distribuição geográfica das cidades
consideradas.
Para este estudo, cidades com precisão de classificação comparativamente boa foram selecionadas do banco de dados WUDAPT e verificadas
manualmente; algumas cidades foram excluídas devido à topografia ou linhas costeiras complexas. A lista final de cidades, bem como os metadados
relevantes, podem ser encontrados emtabela 1. Os valores de precisão indicados são calculados após uma validação cruzada de 25 vezes para essa
cidade (Kaloustian e Bechtel, 2016). A precisão geral (OA) indica a porcentagem de pixels classificados corretamente, enquanto a precisão ponderada
(WA) leva em consideração a similaridade de classe (Bechtel e outros, 2017). O OA médio para todas as cidades consideradas é de 0,79 para todos e 0,66
apenas para os tipos urbanos de LCZ, o WA médio é de 0,94. Embora as cidades tenham sido selecionadas com respeito a suas precisões, deve-se ter em
mente que elas ainda contêm erros.
A resolução padrão da grade dos mapas LCZ é de 100 m. Para este estudo, foram usados os mapas L0 (LCZ) que foram derivados usando um filtro
majoritário de 3 pixels de raio (300 m). Posteriormente, para cada mapa foi aplicado um filtro de abertura morfológica classwise com um elemento
estruturante em forma de disco de 5 pixels de raio, removendo bordas e regiões indiferentes do mapa. O efeito é demonstrado para o caso de
Hamburgo, Alemanha, emFig. 3. O mapa resultante inclui apenas regiões razoavelmente homogêneas (ou seja, LCZs puras), de pelo menos cerca de 0,9
km de diâmetro.

2.2. Temperatura anual da superfície terrestre do MODIS

Para explicar a grande variabilidade temporal do LST, um modelo simples do ciclo anual de temperatura (ATC) foi aplicado a uma série temporal do
LST de vários anos (Bechtel, 2012). Isso reduz um conjunto de dados grande e ruidoso a um descrito por um pequeno número de parâmetros ATC, que
capturam a resposta térmica da superfície. Esses parâmetros, em particular, incluem: a temperatura média anual da superfície (MAST); a amplitude anual
da temperatura da superfície (YAST) e uma mudança de fase (θ) em comparação com a variação da irradiação solar. Para este estudo, os dados ATC
foram retirados de um conjunto de dados derivado dos dados MODIS LST para 2003–2014 a 1 km2resolução espacial e relatado em (Bechtel, 2015c).
Todos os três parâmetros foram reprojetados para as grades de destino dos 50 mapas LCZ usando interpolação B-Spline em SAGA (Conrad e outros,
2015), mas posteriormente apenas o MAST foi avaliado. Assim, este estudo se concentra na média anual do SUHI, negligenciando principalmente as
mudanças sazonais. Se uma cidade foi dividida em vários blocos MODIS, eles foram mesclados em uma etapa adicional de pré-processamento, mas onde
faltavam apenas pequenas áreas naturais distantes da cidade, isso foi aceito.Fig. 4mostra o exemplo de Cartum (Sudão); as quatro imagens mostram a
cobertura LCZ e os parâmetros ATC noturnos reamostrados MAST, YAST e θ.
Uma das principais vantagens do MODIS sobre outros produtos de satélite é que ele tem quatro tempos de passagem (01:30, 10:30, 13:30, 22:30,
hora local), o que fornece uma amostra rica da resposta diurna da Terra superfície. Os mapas LCZ e LST para as quatro horas do dia para exemplos
selecionados podem ser vistos emFig. 5. A principal desvantagem, entretanto, é a incompatibilidade da resolução espacial com os dados LCZ. Assim, o
Landsat 8 LST foi usado como uma segunda fonte de dados.

2.3. Temperatura da superfície terrestre do Landsat

Os mapas Landsat 8 LST médios de vários anos em toda a cidade foram obtidos implementando o algoritmo de canal único deJimenez-Munoz et al.
(2009; 2014)no Google Earth Engine (Gorelick e outros, 2017). O procedimento geralmente segue o fluxo de trabalho descrito em Parastatidis et al. (2017)
e é usado aqui para gerar imagens LST médias com base em todos os pixels livres de nuvens e nuvens do Landsat 8

4
 tabela 1
B. Bechtel, e outros.

Cidades selecionadas do banco de dados WUDAPT L0. Autor, data de produção, precisão geral (OA) e precisão ponderada (WA), latitude, longitude, ID dos dados de treinamento.

Cidade Autor Data OA WA lat longo dados de treinamento

Amsterdã Ran Wang, Benjamin Bechtel 2017-07-03-1534 0,80 0,95 52.365 4.861 Amsterdam_DFC_fin
Aracaju Max Anjos 2017-02-02-1622 0,80 0,94 − 10.893 − 37.098 Aracaju_MaxAnjos_MF_20170129
Atenas Panagiotis Sismanidis 2017-08-31-1852 0,73 0,95 38.029 23.710 atenas_PS_BB
Augsburgo Christoph Beck 2017-09-07-1014 0,80 0,95 48.337 10.895 augsburg(10/14/2016){Christoph_Beck}[[Benjamin_Bechtel]]_HUMINEXref
Bangkok Torben Kraft 2017-09-01-1254 0,70 0,92 13.654 100.456 Bangkok(20170831){Torben_Kraft}[[BB]]
Barcelona Joan Gilabert Mestre 2017-02-02-1726 0,78 0,95 41.487 2.133 Barcelona_Joan_Gilabert_Mestre_MF_20170129
Berlim Daniel Fenner 2016-12-21-1448 0,68 0,92 52.535 13.361 Berlin_DanielFenner_BB_20151117_v6
Birmingham Inês Friedrich 2017-09-22-1637 0,88 0,95 52.481 − 1.952 Birmingham(2017-01-16){Ines_Friedrich} [Bruxelas]
Bruxelas Marie-Leen Verdonck 2016-11-29-1305 0,62 0,90 50.854 4.360 [16-12-2015][Verdonck]
Caracas Karenia Cordova 2017-03-22-1227 0,81 0,96 10.474 − 66.925 Caracas_KareniaCordova_MF_20170308
Changsha Chao Ren 2017-03-22-1230 0,89 0,96 28.213 112.979 Changsha_ChaoRen_MF_20170309
Chicago Michael Foley 2017-07-03-1548 0,94 0,98 41.931 − 87.875 Chicago_MichealFoley_20170701
Cortiça Paulo Alexandre 2017-02-02-1745 0,84 0,96 51.887 − 8.461 Cork_PaulAlexander_MF_20170130
Daegu KSD 2017-06-15-1456 0,74 0,91 35.880 128.588 Daegu_KSD_NB_20170608
Dar_es_Salaam {BB 2018-01-10-0258 0,87 0,97 − 6.844 39.213 Daressalaam(2015-11-19)][KrugAlexander]{{BB}}
Dublin Paulo Alexandre 2017-02-02-1747 0,88 0,96 53.342 − 6.286 Dublin_PaulAlexander_MF_20170130
Gent Marie-Leen Verdonck 2017-09-08-1820 0,69 0,94 51.075 3.728 ghent(Marie-Leen_Verdonck}[[Benjamin_Bechtel]]_HUMINEXref
Hamburgo Michael Kottas 2017-11-09-1344 0,87 0,96 53.585 10.001 Hamburg_{M_Kottas}[[Benjamin_Bechtel]](2017-11-09)
Hong_Kong Chao Ren 2016-11-16-2019 0,75 0,92 22.368 114.144 Hong_Kong_ChaoRen_MF_20151122

5
Houston Nial Buckley 2017-09-04-1018 0,82 0,94 29.686 − 95.364 Huston{NialBuckley}[[MF]](20,170,214)
Cartum Michael Foley 2017-03-22-1315 0,76 0,92 15.539 32.594 Khartoum_MichealFoley_200170320
Calcutá Debashish Das 2017-06-15-1501 0,73 0,93 22.653 88.357 Kolkata_DebashishDas_MF_BB_20170607
Lisboa Max Anjos 2017-02-27-1728 0,75 0,92 38.769 − 9.181 Lisbon_Max_Anjos_MF_20170217
Londres Nial Buckley 2017-06-12-2242 0,88 0,96 51.529 0,066 Londres_NialBuckly_TK_MF_20170612
Los_Angeles Caroline Evans 2017-09-01-1151 0,52 0,85 33.993 − 118.068 Los_Angeles(16062017){Caroline_Evans}[[Torben_Kraft,Benjamin_Bechtel]]
Madri Oscar Brousse 2016-11-16-2119 0,62 0,89 40.428 − 3.727 Madrid_OscarBrousse_BB_20151122
Manchester Michael Foley 2017-02-27-1752 0,69 0,89 53.487 − 2.278 Manchester_MichealFoley_20170217
Matsuyama Deepak Thapa 2017-02-27-1756 0,99 1,00 33.846 132.763 Matsuyama_DeepakThapa_MF_20170220
Melbourne Lucas Gebert 2017-02-27-1807 0,81 0,93 − 37.846 144.973 Melbourne_LukeGebert_MF_20170220
Cidade do México Álvaro Lentz 2017-02-27-1824 0,74 0,93 19.457 − 99.089 Cidade do México_Alvaro_Lentz_MF_DW_Benjamin_Bechtel_20170220
Milão maria brovelli 2016-11-16-2213 0,72 0,91 45.637 9.078 Milan_MariaBrovelli_MF_20151016
Nova Delhi Kshama Gupta 2017-09-04-1049 0,59 0,87 28.592 77.199 New_Delhi(23-02-2016){Kshama_Gupta}
Paris Guilherme Dumas 2016-11-16-2237 0,87 0,96 48.878 2.186 Paris_GuillaumeDumas_MF_20161001
Delta do Rio das Pérolas Cai Meng, Wang Ran 2017-02-02-1802 0,95 0,99 22.689 113.689 Pearl_River_Delta_CaiMeng_WangRan_MF_20170115
Filadélfia Caroline Evans 31-08-2017-1937 0,76 0,94 40.025 − 75.213 Filadélfia13062017CarolineEvans
Qingdao Chao Ren 2017-03-22-1337 0,93 0,98 36.239 120.304 Qingdao_ChaoRen_MF_20170228 Rio_de_Janeiro_Max_Anjos_MF_20170228
Rio de Janeiro Max Anjos 2017-03-22-1356 0,86 0,96 − 22.847 − 43.324 Sao_Paulo_MariaDeFatimaAndrade_MF_200150930_bb20161128_MF20170228
São_Paulo Maria De Fátima Andrade 2017-03-22-1416 0,80 0,94 − 22.897 − 47.039 Seoul_JEWOO_MF_20170228
Seul Je Woo 2017-03-22-1435 0,93 0,98 37.586 126.897
Xangai Chao Ren 2017-06-09-1112 0,96 0,99 31.181 121.490 Shanghai_ChaoRen_MF_20170607
Shenyang Chao Ren 2017-03-22-1454 0,82 0,95 41.978 123.362 Shenyang_ChaoRen_MF_20170228
Sidney Yueyi Feng 2016-11-24-2314 0,82 0,94 − 33.842 151.006 Sydney_Yueyi_MF_20161124

(Continua na próxima página)

Clima Urbano 28 (2019) 100451
 tabela 1(contínuo)

Cidade Autor Data OA WA lat longo dados de treinamento

B. Bechtel, e outros.

Tessalônica Panagiotis Sismanidis 2017-09-04-1317 0,89 0,96 40.599 22.941 Thessaloniki(04-09-2017){Panagiotis_Sismanidis}[[Benjamin_Bechtel]]_v7

Toulouse Júlia Hidalgo 2017-07-03-1710 0,82 0,94 43.594 1.372 Toulouse_JHidalgo_MF_20170702
Vancouver Michael Foley 2017-03-22-1509 0,72 0,91 49.206 − 122.954 Vancouver_MichealFoley_20170228
Viena Oscar Brousse 2016–12-12-1214 0,72 0,91 48.188 16.334 Viena_17112015_KrisH_OscarB
vitória Taciana Albuquerque 2016-11-17-0100 0,75 0,94 − 20.287 − 40.323 Vitória_TacianaAlbuquerque_MF_20151201
Varsóvia Monika Tomaszewsk 2016-11-17-0107 0,80 0,95 52.223 20.984 Varsóvia_MonikaTomaszewsk_MF_20160920
wuhan Chao Ren 2016–12-01-1844 0,79 0,94 30.591 114.319 Wuhan_ChaoRen_MF_20161129
Xian Chao Ren 2017-02-28-1351 0,83 0,94 34.310 108.917 Xi'an_ChaoRen_MF_BB_20170227

6
Clima Urbano 28 (2019) 100451
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Figura 3.Mapa LCZ de Hamburgo, Alemanha a) antes e b) depois da filtragem morfológica por classes. As áreas pretas não foram consideradas para análise posterior.

Figura 4.Zonas Climáticas Locais de Cartum e parâmetros do ciclo de temperatura anual MAST, YAST, θ do MODIS às 1:30 hora local.

entre os anos de 2014 a 2017.

Uma lista de conjuntos de dados de entrada é fornecida emtabela 1. Os conjuntos de dados Tier1 (T1) Landsat 8 atendem aos requisitos de
qualidade geométrica e radiométrica, em uma variedade de métodos de processamento: radiância no sensor, refletância no topo da atmosfera (TOA) e
refletância na superfície (SR) (tabela 1). Esses dados foram corrigidos atmosfericamente usando o produto Landsat 8 Surface Reflectance Code (LaSRC) (
USGS, 2018), fornecendo sinalizadores de avaliação de qualidade por pixel (pixel_qa band). Para o trabalho atual, apenas pixels claros (ou seja, pixel_qa
valor de 0 para nuvens e sombras de nuvens) foram retidos. A emissividade é baseada em NDVI (Jimenez-Munoz et al., 2009), pois captura bem as
mudanças fenológicas e seu padrão espacial, enquanto fontes alternativas, como a emissividade derivada de ASTER ou MODIS, são limitadas para áreas
com cobertura dinâmica da terra ou heterogeneidades de pequena escala (Parastatidis et al., 2017). A correção atmosférica das observações térmicas
usou o vapor de água total da coluna dos dados de reanálise do NCEP/NCAR (Kalnay e outros, 1996), que está disponível em resolução espacial de 2,5 ×
2,5°, a cada seis horas (00, 06, 12 e 18 h UTC). SeguindoParastatidis et al. (2017), foi usado o conteúdo médio de vapor de água para as duas horas em
torno de cada viaduto Landsat 8. Finalmente, enquanto todas as bandas estão disponíveis em uma resolução espacial de 30 × 30 m, a imagem LST
resultante foi produzida em uma resolução de 100 × 100 m, de acordo com a resolução espacial original das bandas infravermelhas térmicas do Landsat
8 e o alvo do mapa LCZ padrão resolução (Bechtel e outros, 2015).
Exemplos de Amsterdã (Holanda) e Changsha (China) são apresentados emFig. 6. Em comparação com os dados LST anuais do MODIS, detalhes
espaciais muito maiores preservados pelo sensor Landsat-8 TIRS de resolução mais alta, mas, por outro lado, artefatos significativos podem ser vistos
como produto das órbitas do Landsat e diferenças resultantes no tempo de aquisição local.
Os dados do Landsat LST foram exportados do GEE e subsequentemente interpolados para a grade LCZ usando interpolação B-Spline no SAGA GIS (
Conrad e outros, 2015). O horário de aquisição do Landsat é um pouco antes da primeira aquisição MODIS diurna e, portanto, é rotulado como 10:15,
horário local a seguir. As principais características de todos os cinco conjuntos de dados LST aplicados para avaliação SUHI são resumidas emmesa 2.
Uma visão geral dos diferentes conjuntos de dados LST e tempos de viaduto é fornecida emTabela 3. Devido a diferenças no processamento, os LSTs MODIS e
Landsat não são diretamente comparáveis. Em particular, eles compreendem anos diferentes, média anual, limpeza de nuvens, radiometria do sensor e estimativa de
emissividade. No entanto, as diferenças médias entre MD-1030 e LS-1015 para todas as cidades são de apenas -1,7 K. Temperaturas sistematicamente mais baixas
nos dados do MODIS eram esperadas devido à contaminação da nuvem sub-pixel no MODIS e um viés sazonal

7
 B. Bechtel, e outros.

8
Figura 5.LCZ (mesmo código de cores como emFigura 2) e MAST para Bangkok (Tailândia), Londres (Reino Unido), Madri (Espanha) e São Paulo (Brasil) (de cima para baixo) às 1h30, 10h30, 13h30 e 22h30, horário local ( da esquerda para a direita)
em K.
Clima Urbano 28 (2019) 100451
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Figura 6.LST do Landsat 8 em K para a) Amsterdam, Holanda eb) Changsha, China.

mesa 2
Lista de produtos do catálogo GEE usados para estimar o Landsat LST.

Dados de entrada Identificador GEE

Landsat 8, Radiância no sensor da banda 10 Landsat LANDSAT/LC08/C01/T1

8, Temperatura de brilho da banda 10 Landsat 8, LANDSAT/LC08/C01/T1_TOA
Produto de refletância de superfície NCEP/NCAR água LANDSAT/LC08/C01/T1_SR
total da coluna NCEP_RE/surface_wv

das aquisições no verão (maior ocorrência de condições de céu claro) no Landsat, enquanto um certo spread pode ser esperado pela seleção de datas e
anos de aquisição. No entanto, não são consideradas temperaturas absolutas, mas sim diferenças relativas de temperatura. Os dados aplicados também
limitam a influência da anisotropia térmica, já que para Landsat o ângulo de observação é aproximadamente nadir e para MODIS os ângulos de
observação variam constantemente a cada 16 dias. Como o modelo ATC envolve dados de todos os ângulos, o efeito da anisotropia térmica é
consideravelmente reduzido (Hu e outros, 2016;Jiang e outros, 2018).

2.4. análise SUHI

A comparação foi realizada na resolução, extensão e definição de grade dos mapas WUDAPT L0 LCZ. Para minimizar o impacto da
incompatibilidade de resolução efetiva entre os dados WUDAPT L0 LCZ e os dados LST anuais MODIS, a filtragem espacial foi aplicada e
apenas LCZs homogêneos com um diâmetro de cerca de 1 km foram considerados na análise (consulte 2.1 eFig. 3). Embora suas posições não
coincidam com a grade MODIS, pode-se supor que, para as regiões restantes, os pixels MODIS associados são consideravelmente ou
predominantemente influenciados pelos respectivos tipos de LCZ. Para consistência, os mesmos LCZs filtrados foram usados na análise com
o Landsat LST. Deve-se notar que conjuntos de dados Landsat LST individuais foram usados na geração dos mapas LCZ e, portanto, esses

Tabela 3
Principais características dos conjuntos de dados LST aplicados para avaliação SUHI.

EU IA Satélite/sensor Tempo de viaduto local Em processamento

(HH:MM)

MD-0130 Aqua/MODIS 01:30 Temperatura média anual da superfície (MAST) do modelo de ciclo de temperatura anual usando 12 anos de
MD-1030 Terra/MODIS 10:30 dados. Produto de (Bechtel, 2015c). Resolução espacial de 1 km.
MD-1330 Aqua/MODIS 13:30
MD-2230 Terra/MODIS 22:30
LS-1015 Landsat 8/TIRS 10:15 LST médio de todos os pixels sem nuvem em 4 anos. Banda única (10), correção manual de
emissividade e atmosférica no Google Earth Engine. 100 m de resolução espacial.

9
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Figura 7.a) LCZ (mesmo código de cores deFigura 2) e b) Temperatura média anual da superfície (MAST) às 22h30 para Hamburgo, Alemanha. c) distribuição
resultante de MAST para diferentes tipos de LCZ.

dois conjuntos de dados não são totalmente independentes. No entanto, decidiu-se usá-los nesta análise como estão, pois primeiro o LST é produzido a
partir de um número muito maior de imagens Landsat e, segundo, o objetivo do estudo é investigar o uso de dados WUDAPT L0 em estudos SUHI. Para
cada cidade, o MAST dos quatro tempos MODIS, bem como o LST médio do Landsat 8, foram extraídos para todos os pixels restantes, conforme
mostrado naFig. 7para o exemplo de Hamburgo, Alemanha.
Embora a análise tenha sido limitada a pixels LCZ 'puros', os valores MODIS LST atribuídos para dois pixels Landsat adjacentes são altamente
relacionados e não podem ser considerados como amostras independentes. Assim, posteriormente, considerou-se apenas o valor médio por turma e
cidade e todos os testes estatísticos foram realizados considerando as 50 cidades como amostra.
Aqui a intensidade SUHI é definida como a diferença entre o valor LST de um tipo LCZ quando comparado com LCZ D (plantas baixas), ou
seja, SUHILCZx= LSTLCZx-LSTLCZD(Stewart e Oke, 2012). Como LST de LCZ D também mostra variação espacial (consulteFig. 7b e c), seu valor médio
foi definido como temperatura de superfície de referência por cidade e tempo de observação. A seguir: primeiro, são apresentadas as
diferenças das médias de SUHI por tipo de LCZ; em segundo lugar, a distribuição dos valores de SUHI nas 50 cidades é exibida em boxplots e;
finalmente, as distribuições dos valores de SUHI são testadas para diferenças entre os tipos de LCZ usando o teste Kolmogorov-Smirnov de
duas amostras com um nível de significância de α = 0,05. Este teste de hipótese não paramétrico avalia a diferença entre as funções de
distribuição cumulativas dos dois vetores de dados de amostra. A análise estatística e os testes foram realizados no MATLAB.

3. Resultados

3.1. SUHI diurno e noturno de MODIS

Os resultados da análise SUHI para as 50 cidades são exibidos emFig. 8; a intensidade SUHI para LCZ D é zero, por definição. Embora haja
uma variação considerável entre as cidades, algumas características gerais são visíveis.
Todas as cidades mostram valores de SUHI positivos para as classes construídas (LCZ tipos 1–10) e tipos compactos (LCZ 1–3) e tipos comerciais/
industriais (LCZ 8 e LCZ 10) geralmente têm intensidades de SUHI mais fortes do que os tipos abertos (LCZ 4 –5 e especialmente LCZ 6). LCZ 9 (edifícios
dispersos) tem uma intensidade SUHI consideravelmente menor do que todas as outras classes construídas. A magnitude do SUHI para os tipos
construídos é maior durante o dia do que durante a noite e as diferenças entre os tipos tendem a ser amplificadas durante o dia. Para as classes
naturais, os SUHIs noturnos e diurnos são distintos: durante o dia o “SUHI” (diferença em LST) para floresta (LCZ A) e água (LCZ G) é negativo, enquanto à
noite a água é mais quente e a floresta exibe pequenas diferenças de sinais diferentes (ligeiramente positivos em média). Algumas cidades têm padrões
que não correspondem a esses padrões gerais, ver, por exemplo, Madrid e Cartum, que têm um SUHI negativo durante o dia, mas um SUHI positivo à
noite. Para Madri (Fig. 5) esta resposta pode ser atribuída à área sudeste da região da cidade, que é classificada como LCZ D, mas na maior parte do ano
apresenta cobertura de solo nu que apresenta uma resposta térmica muito diferente. Esta é uma limitação do atual mapeamento WUDAPT LCZ, que
fornece um mapa estático da cobertura da terra e não leva em consideração a fenologia e as mudanças ao longo do ano, em particular não permite
alterar o tipo de LCZ sazonalmente, conforme sugerido por (Stewart e Oke, 2012). Novamente, isso destaca a importância da cobertura do solo ao redor
das cidades ao avaliar o SUHI.
A distribuição da média de SUHI por LCZ para as 50 cidades é mostrada naFig. 9. Essencialmente, confirma tanto as diferenças características entre
os tipos de LCZ quanto a variação considerável entre as cidades. A variação é muito maior durante o dia do que durante a noite. Um spread
particularmente grande está associado à LCZ E (rocha nua ou pavimentada) tanto para o dia quanto à noite e LCZ 1 (arranha-céus compacto) durante o
dia. LCZ E pode se referir a superfícies manufaturadas ou naturais e demonstrou causar confusão entre os operadores humanos que derivam as áreas
de treinamento usadas no procedimento WUDAPT L0 (Bechtel e outros, 2018;Bechtel e outros, 2016). Por outro lado, o LCZ 1 mostrou valores de SUHI
positivos para algumas cidades (por exemplo, Bangkok, Caracas, Los Angeles e São Paulo) e valores de SUHI negativos para outras (por exemplo, Seul e
Sydney).

10
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Figura 8.Intensidade média de SUHI em K por LCZ em comparação com LCZ D (plantas baixas) para todas as cidades no MODIS Aqua diurno (MD-1330) e noturno
(MD-0130). As cores vermelhas indicam LST mais alto; cores azuis indicam menor LST em comparação com LCZ D. Quadrados pretos com x branco indicam que o LCZ
não está presente na respectiva cidade. (Para interpretação das referências a cores nesta legenda de figura, o leitor deve consultar a versão web deste artigo.)

3.2. Comparação entre MODIS e Landsat SUHIs

Os resultados do Landsat SUHI e o tempo de passagem MODIS mais comparável às 10:30 são mostrados emFig. 10. Em geral, os resultados são
consistentes com magnitudes de SUHI semelhantes para LCZ tipos 1–6 em ambos os conjuntos de dados, o que confirma as descobertas anteriores. No
entanto, as intensidades médias de SUHI para esses tipos são ligeiramente maiores para os dados MODIS (entre 0,1 K para LCZ 6 a 0,9 K para LCZ 2). LCZ
1 mostra uma dispersão muito maior nos dados MODIS e é fortemente influenciada por outliers (a diferença mediana é de 1,9 K, consulteFig. 10).
Diferenças maiores ocorrem para os tipos LCZ 8 (1,9 K) e 10 (2,4 K), que mostram maior magnitude SUHI no Landsat do que nos dados MODIS. Áreas
florestais (LCZ tipos A e B) são relativamente mais frias nos dados do Landsat (-1,6 e -0,8 K, respectivamente), LCZ E mostra grande variação em ambos os
conjuntos de dados, mas é mais quente no Landsat em média, enquanto a água (LCZ G) é mais fria (-3,4 K). As magnitudes positivas e negativas mais
altas nos dados do Landsat sugerem maior pureza dos dados.

11
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Figura 9.Distribuição da intensidade do SUHI em K para todas as cidades e LCZs em comparação com LCZ D em K para MODIS Aqua diurno e noturno. (Para
interpretação das referências a cores nesta legenda de figura, o leitor deve consultar a versão web deste artigo.)

3.3. Comparação de tempos de aquisição e sensores

Os resultados médios para todas as cidades e sensores são exibidos emFig. 11. Os padrões são semelhantes para as duas
aquisições MODIS diurnas (MD-1030, MD-1330) e as duas aquisições noturnas (MD-0130, MD-2230), embora existam diferenças mais
pronunciadas entre o dia e a noite. Em média, os tipos de LCZ mais quentes são LCZ 2 (SUHI médio = 2,8 K), LCZ 3 (3,1 K) e LCZ 8 (2,8
K) durante o dia (MD-1330) e LCZ 1 (2,7 K) e LCZ 2 (3,4 K) à noite (MD-0130). A magnitude média do SUHI é notavelmente semelhante
entre o dia e a noite (2,1 K, 1,8 K, 2,1 K, 2,2 K e 2,0 K para MD-0130, MD-1030, MD-1330, MD-2230 e LS-1015, respectivamente,
quando considerando os LCZs 1–6, 8 e 10), enquanto a variação entre as cidades é muito maior durante o dia (cf.Fig. 9).
Estes valores médios para todos os tempos e sensores confirmam essencialmente as descobertas anteriores, ou seja, resultados
semelhantes para Landsat e MODIS, mas diferentes padrões entre o dia e a noite. Mais suporte para isso é fornecido pelos coeficientes de
correlação linear de Pearson entre os SUHIs (todas as cidades e classes) entre os tempos analisados (verFig. 12). Os coeficientes de
correlação entre as duas aquisições diurnas (MD-1030, MD-1330) e dois SUHIs noturnos (MD-0130, MD-2230) são muito altos (ambosR=0,98),
enquanto aqueles entre os SUHIs diurnos e noturnos são muito mais baixos (entre 0,30 e 0,43). A correlação entre Landsat e MD-1030 é de
0,87.
Finalmente, as distribuições das intensidades do SUHI para todas as 50 cidades foram testadas quanto às diferenças.Fig. 13mostra a diferença média da
intensidade SUHI por LCZ para MODIS 10:30 e 22:30 para todos os pares com distribuições significativamente diferentes em um nível de significância de

Figura 10.Distribuição da intensidade SUHI em K para todas as cidades e LCZ em comparação com LCZ D em K para Landsat LST, em comparação com MODIS Terra diurno.

12
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Figura 11.Intensidade média de SUHI em K para todas as cidades e LCZ em comparação com LCZ D para diferentes tempos de aquisição e sensores. Preto com x branco (LCZ 7)
indica que o tipo LCZ não está presente no estudo.

Figura 12.Coeficiente de correlação de Pearson entre os resultados do SUHI de diferentes tempos de aquisição e sensores.

Figura 13.Diferenças entre intensidade de SUHI de diferentes LCZs para 50 cidades em K (linha - coluna). Preto indica que não há diferenças significativas em α =
0,05. a) MODIS 10:30; b) MODIS 22:30.
13
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

α = 0,05 de acordo com o teste de Kolmogorov-Smirnov. Geralmente, as classes naturais, exceto LCZ 9, diferem das classes urbanas. O tipo
esparsamente construído (LCZ 9) difere significativamente de todas as classes urbanas, mas apenas das classes naturais D e G (água) do LCZ durante a
noite; em termos de características de superfície térmica, o LCZ 9 se comporta mais próximo de um tipo natural do que urbano. Dentro dos tipos
construídos (exceto LCZ 9), o LCZ 6 (aberto de baixo crescimento) é significativamente mais frio do que todos os outros tipos de LCZ construídos durante
a noite e do que os LCZs 2, 3 e 8 durante o dia. Além disso, LCZ 2 e 3 são mais quentes que LCZ 4 durante o dia e LCZ 2 é mais quente que LCZs 3–5, 8 e
10 durante a noite. No entanto, esses resultados diferem um pouco para os tempos de aquisição do Aqua e testes adicionais sugeriram que o número
exato de pares de classes significativamente diferentes também pode ser sensível ao período usado na análise da série temporal ou na versão do
produto MODIS. Assim, os resultados em diferentes tipos não devem ser generalizados, mas fornecem a primeira evidência de que existem certas
diferenças, particularmente entre os tipos compactos (ou seja, LCZs 2 e 3) e abertos (ou seja, LCZ 6).

4. Discussão

Esses resultados em geral podem ser considerados promissores para estudos futuros. Usando um grande conjunto de dados de 50 cidades, o
contexto LCZ detectou SUHIs quando o sinal urbano é comparado ao sinal rural (planta baixa) e revelou diferenças intra-urbanas com base nos tipos de
LCZ. Essas magnitudes e sinais do SUHI estão em sua maioria de acordo com as expectativas com maior LST para os tipos LCZ compacto e comercial/
industrial. No entanto, uma variação considerável nas intensidades de SUHI foi encontrada entre e dentro das cidades que merecem exame antes que a
abordagem adotada aqui possa ser considerada apropriada para estudos de SUHI.
Em primeiro lugar, há uma incompatibilidade de resolução entre os dados LST anuais e o mapa LCZ. Embora tenhamos tentado limitar essa
discrepância selecionando áreas 'homogêneas' de ≥1 km2, alguma influência da área circundante, que dilui o sinal, deve permanecer. Há alguma
evidência disso nos resultados. Em particular, o sinal indiferente do LCZ 1 SUHI pode estar relacionado a esse efeito. As áreas correspondentes a LCZ 1
são geralmente apenas pequenos trechos de distritos comerciais centrais, que geralmente estão situados em áreas à beira-mar (por exemplo, em
Sydney, que mostra a ilha mais fria diurna para LCZ 1 com -3,6 K). Ao contrário, em Los Angeles, que mostra a ilha de calor mais forte para LCZ 1 (7,6 K), a
LCZ 1 está inserida em áreas comerciais com LCZ 8 e LCZ 10. Em comparação, os dados Landsat mostram uma dispersão muito menor nas intensidades
SUHI de LCZ 1 para esta classe e, em particular, quase nenhum valor negativo (exceto para Seul e Delta do Rio das Pérolas). No entanto, também nos
dados do Landsat, A LCZ 1 apresenta menor LST do que as LCZs 2 e 3 durante a manhã. Efeitos semelhantes foram encontrados em estudos anteriores (
Carnahan e Larson, 1990;Nicolau, 2005). Estes podem estar relacionados a uma grande admitância térmica favorecendo a absorção de calor no
armazenamento neste momento e sombreamento de superfícies pelo grande cânion H/W durante as horas da manhã (por exemplo, veja a descrição em
Pena (2008)), bem como de vieses resultantes da geometria de visualização de satélite.Koc et ai. (2018), usando imagens térmicas aéreas de alta
resolução no início da tarde, também descobriu que LCZ1 é consistentemente mais frio durante o dia. No entanto, tanto o efeito das zonas LCZ
adjacentes quanto o SUHI relativamente baixo da LCZ 1 precisam de uma investigação mais detalhada. No entanto, a resolução efetiva das LCZs situa-se
entre 100 s a 1000 s m em escala horizontal (Bechtel e outros, 2015;Stewart e Oke, 2012) e é evidente a partir deste estudo que o MODIS LST anual está
respondendo a características de superfície em uma escala comparável ao LCZ (também em linha comZhou et al., 2013).

Em segundo lugar, pode-se esperar que a topografia, que não foi considerada nesta análise, tenha um efeito relevante (Schwarz e outros,
2011). Isso pode ser observado em alguns outliers no SUHI, particularmente em áreas florestais, que geralmente estão localizadas em cadeias
montanhosas. Este é, por exemplo, o caso da Cidade do México, que mostra uma diferença extrema de temperatura de -13,2 K para LCZ A em
MD-1330 porque esse tipo de LCZ está localizado em altitude mais alta em comparação com o LCZ construído; resultados semelhantes
aparecem para Madri (−7,6 K), Vancouver (−6,2 K) e outros. Da mesma forma, todas as intensidades do SUHI podem ser afetadas se a classe
de referência LCZ D estiver localizada em áreas de maior altitude. É o caso de Los Angeles, onde as áreas naturais estão localizadas nas
montanhas San Gabriel, ao norte da cidade. Consequentemente, Los Angeles mostra intensidades de SUHI relativamente altas para as classes
construídas entre 4,9 K para LCZ 10 e 7,8 K para LCZ 8.
Em terceiro lugar, as diferenças dentro das classes naturais também enfatizam a relevância da cobertura da terra circundante para estudos de SUHI,
o que está de acordo com descobertas anteriores (Clinton e Gong, 2013;Imhoff et al., 2010;Schwarz e outros, 2011;Zhou et al., 2014) e há evidências de
que o sinal SUHI das áreas costeiras é muito influenciado pelas temperaturas da água (Saaroni e outros, 2000;Tran e outros, 2006). Uma limitação do
esquema de dados de nível 0 WUDAPT para tipos de cobertura de terra natural é a ausência de fenologia e as mudanças sistemáticas de plantas para
solo em áreas agrícolas em particular, uma vez que os dados de nível 0 são estáticos e também não incluem os subscritos LCZ para descrever
propriedades da superfície, ou seja, árvores nuas, neve, bem como solo seco e úmido (Stewart e outros, 2014;Stewart e Oke, 2012). Isso pode resultar em
ilhas frias diurnas em áreas onde a LCZ D é solo seco em grandes partes do ano, o que está de acordo com descobertas anteriores para áreas semiáridas
(Haashemi et al., 2016;Keramitsoglou et al., 2011;Rasul et al., 2016). Assim, a fenologia e as mudanças anuais na cobertura e características da superfície
devem ser consideradas como informações relevantes nos bancos de dados WUDAPT níveis 1 e 2. Os problemas são parcialmente causados pela classe
LCZ 9, que é improvável que seja homogênea na escala do quilômetro, mas como a fração construída ocupa 20-30% da cobertura, é dominada pelas
características térmicas da cobertura natural (Bechtel e outros, 2019;Bechtel e outros, 2018). No entanto, usar LCZ D como referência é uma grande
melhoria em relação aos estudos SUHI que selecionam o fundo (referência) LST com base na distância do centro da cidade (por exemploClinton e Gong,
2013;Zhou et al., 2013).
Além disso, há uma incompatibilidade temporal entre LCZ e os dados MODIS ATC pré-computados, que foram escolhidos para investigar o uso de
um produto prontamente disponível (Bechtel, 2015c). Isso implica essencialmente que as cidades permanecem relativamente inalteradas na escala
espacial local por cerca de uma década, o que é razoável para a maioria das cidades na Europa e América do Norte, mas muito menos para as cidades
emergentes na Ásia, África e América do Sul. No entanto, algumas das cidades emergentes mais rapidamente (por exemplo, Delta do Rio das Pérolas,
Xangai e Shenyang) revelam comparativamente pouca diferença entre os resultados MD-1030 e LS-1015 para as classes urbanas. No entanto, para o
futuro, o uso de modelos ATC mais personalizados deve ser considerado. Além disso, o viés das cidades selecionadas em relação à Europa (verFigura 2)
pode influenciar o achado geral, uma vez que o bioma circundante é relevante para a avaliação do SUHI (Imhoff et al., 2010). assim mais abrangente

14
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

estão previstos estudos utilizando um conjunto maior de cidades em todos os continentes. Finalmente, espera-se que os erros no mapeamento LCZ resultantes de
interpretações diferentes das paisagens por diferentes operadores se propaguem para esta análise (Bechtel e outros, 2017). Para se ter uma ideia sobre a magnitude
dessa fonte de incerteza, as magnitudes SUHI médias por classe como emFig. 11foram computados para cada metade das cidades com maior e menor OA
separadamente. A diferença mediana entre ambos os conjuntos (para todos os tipos de LCZ e conjuntos de dados LST) foi inferior a 0,1 K, mas para algumas classes
foi substancialmente maior (ou seja, LCZ 1 é mais fria para a metade mais precisa durante o dia e LCZ E é muito mais quente para todos os horários de aquisição ). No
entanto, eles estão relacionados ao pequeno tamanho da amostra e aos valores discrepantes dessas classes, conforme discutido anteriormente. Assim, essas
descobertas destacam a necessidade de um conjunto de cidades mais abrangente e regionalmente representativo para ampliar a análise.

Os achados preliminares sobre a maior variação dentro do SUHI diurno e noturno estão de acordo com estudos anteriores (Clinton e
Gong, 2013;Tran e outros, 2006;Zhou et al., 2013), embora tenham encontrado SUHIs diurnos ligeiramente mais fortes do que noturnos, por
exemplo, uma média de 1,5 K em comparação com 1,1 K para 419 cidades em (Peng e outros, 2012). No entanto, o calor urbano de superfície
máxima e as intensidades frias da ilha podem ocorrer em diferentes momentos do dia.Lai et al., 2018b) e meses (Imhoff et al., 2010;Zhou et
al., 2013), que é diferente dos padrões temporais de CUHIs. Em particular,Zhou et ai. (2013)relatam em seu trabalho uma variação intra-anual
de SUHIs e identificam sete tipos de aglomerados de cidades na Europa, que exibem separação regional; enquantoImhoff et al. (2010)
mostraram que o contexto ecológico é um modulador estatisticamente significativo das UHIs diurnas e sazonais nos Estados Unidos
continentais. As altas correlações entre MODIS e Landsat SUHI diurno em comparação com MODIS diurno e noturno SUHI também sugerem
que o padrão diurno é mais relevante do que o sensor aplicado, mas também suporta o valor dos dados MODIS grosseiros na análise SUHI
em escala de vizinhança. Para esse fimCoutts et al. (2016)observe também a boa concordância entre o SUHI diurno recuperado de diferentes
sensores (neste caso, o Landsat-7 ETM+ e o LST aéreo de resolução muito alta). A forte concordância para ambos os conjuntos de dados,
ambos com ressalvas diferentes, fortalece as descobertas gerais. No entanto, os resultados em dados Landsat são geralmente mais
pronunciados e as diferenças entre ambos precisam de mais investigação, em particular em LCZ 1 e a intensidade mais forte de SUHI de LCZ 8
e 10. Até agora não está claro se o último está relacionado à emissividade ou baixa inércia térmica, como sugerido porDousset et ai. (2011)
para Paris, França.
De maneira mais geral, pode-se esperar que as diferenças entre as cidades também estejam relacionadas ao macroclima. Argumentamos que, ao usar
a) longas séries de dados LST e b) uma descrição padronizada de cobertura de terra construída e natural e tipos de uso de terra otimizados de
acordo com seu impacto térmico (atmosférico) em escala local, a metodologia apresentada permite uma comparação padronizada entre
SUHIs e potencialmente seus padrões anuais ao levar em consideração o conjunto completo de parâmetros ATC. No entanto, para o
desenvolvimento de um método padrão de análise SUHI, alguns desafios adicionais precisam ser abordados, incluindo anisotropia (
Krayenhoff e Voogt, 2016;Lagouarde et al., 2012;Voogt e Oke, 2003), que em simulações de modelo demonstrou ter variações significativas
entre LCZs. Essas simulações (Krayenhoff e Voogt, 2016) mostram que a morfologia urbana, mais do que as propriedades materiais, exerce
um forte controle sobre a anisotropia com áreas mais edificadas da cidade com ZCs 1, 3 e 4 gerando maior anisotropia do que ZC 6, em
particular em maior ângulo de elevação solar (menor latitudes). Essas estimativas usam representações muito simples da forma urbana. A
adição de vegetação pode modular ainda mais a anisotropia, dependendo do LCZ onde o aumento das frações de vegetação tende a diminuir
a anisotropia em geometrias compactas, mas aumentá-la em geometrias abertas (Dyce e Voogt, 2018).
Outros fatores a serem considerados incluem: emissividade de materiais urbanos (Oke et al., 2017), variabilidade sazonal especialmente
de áreas naturais, agregação temporal (Hu e Brunsell, 2013), controle de qualidade (Gawuc e Struzewska, 2016;Lai et al., 2018a) e precisão dos
mapas LCZ, bem como a interpretação humana do esquema (Bechtel e outros, 2017, 2019).

5. Conclusão

Este estudo conduziu uma análise SUHI consistente e abrangente com base na série temporal LST e no esquema LCZ para um
grande número de cidades. Mais especificamente, apresenta uma nova abordagem para estudos SUHI. Os resultados iniciais de 50
cidades foram apresentados como prova de conceito. Diferenças significativas de LST foram encontradas não apenas entre classes
construídas e naturais, mas também dentro das classes construídas, o que apóia a adequação do sistema LCZ e dos dados WUDAPT
L0 para análise SUHI. Além disso, o uso de séries temporais plurianuais ou modelos ATC é fortemente recomendado para futuros
estudos de SUHI. Por outro lado, houve variação substancial nos padrões de SUHI entre as cidades, o que em parte pode estar
relacionado à fenologia, topografia e sinais mistos com classes adjacentes. Assim, embora algumas questões permaneçam por
resolver,

Reconhecimentos

Agradecemos aos colaboradores do WUDAPT, em particular Alexander Krug, Alvaro Lentz, Cai Meng, Caroline Evans, Chao Ren,
Christoph Beck, Daniel Fenner, Debashish Das, Deepak Thapa, Guillaume Dumas, Ines Friedrich, Je Woo, Joan Gilabert Mestre, Julia
Hidalgo , Karenia Cordova, KSD, Kshama Gupta, Luke Gebert, Maria Brovelli, Maria De Fatima Andrade, Marie-Leen Verdonck, Max
Anjos, Michael Kottas, Micheal Foley, Monika Tomaszewsk, Nial Buckley, Oscar Brousse, Paul Alexander, Ran Wang, Taciana
Albuquerque, Torben Kraft, Wang Ran e Yueyi Feng. Além disso, agradecemos à NASA e USGS pelos dados Landsat e MODIS, e ao
Google pela plataforma de processamento Earth Engine. O primeiro autor foi financiado pelo Cluster of Excellence CliSAP (EXC 177),
da Universidade de Hamburgo, financiado pela German Science Foundation (DFG).

15
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Referências

Alexander, PJ, Mills, G., 2014. Classificação do clima local e ilha de calor urbana de Dublin. Atmosfera 5, 755–774.https://doi.org/10.3390/atmos5040755. Allen,
MA, Voogt, JA, Christen, A., 2017. Temperaturas de superfícies urbanas hemisféricas contínuas no tempo. Sensor Remoto 10, 3.
Arnfield, AJ, 2003. Duas décadas de pesquisa sobre o clima urbano: uma revisão da turbulência, trocas de energia e água e a ilha de calor urbana. Int. J. Climatol. 23,
1–26.
Bechtel, B., 2012. Robustez dos parâmetros do ciclo anual para caracterizar as paisagens termais urbanas. Geosci. Sensor Remoto Lett. IEEE 9, 876–880.https://doi.org/
10.1109/LGRS.2012.2185034.
Bechtel, B., 2015a. Avanços recentes em sensoriamento remoto térmico para planejamento e gestão urbana. In: Evento de Sensoriamento Remoto Urbano (JURSE), 2015 Conjunta. apresentado
no Evento de Sensoriamento Remoto Urbano (JURSE), Conjunto 2015, pp. 1–4.https://doi.org/10.1109/JURSE.2015.7120515.
Bechtel, B., 2015b. Die Hitze in der Stadt verstehen – wie sich die jahreszeitliche Temperaturdynamik von Städten aus dem All beobachten lässt. In: Taubenböck, H.,
Wurm, M., Esch, T., Dech, S. (Eds.), Globale Urbanisierung - Perspektive Aus Dem All. Springer Spektrum, Berlin Heidelberg, pp. 205–216. Bechtel, B., 2015c.
Uma Nova Climatologia Global da Temperatura Anual da Superfície Terrestre. Sensor Remoto 7, 2850–2870.
Bechtel, B., Alexander, PJ, Böhner, J., Ching, J., Conrad, O., Feddema, J., Mills, G., See, L., Stewart, I., 2015. Mapeamento de zonas climáticas locais para um banco de dados mundial de
a forma e a função das cidades. ISPRS Int. J. Geo-Inf. 4, 199–219.https://doi.org/10.3390/ijgi4010199.
Bechtel, B., Sismanidis, P., 2018. Análise de séries temporais de temperaturas de superfície terrestre de resolução moderada. In: Weng, Q. (Ed.), Sensoriamento Remoto: Imagem de Série Temporal
Em processamento. Taylor & Francis.
Bechtel, B., Zakšek, K., Hoshyaripour, G., 2012. Redução da temperatura da superfície terrestre em uma área urbana: um estudo de caso para Hamburgo, Alemanha. Sensor Remoto 4,
3184–3200.
Bechtel, B., Pesaresi, M., See, L., Mills, G., Ching, J., Alexander, PJ, Feddema, JJ, Florczyk, AJ, Stewart, I., 2016. Rumo a um mapeamento consistente da estrutura urbana -
turas – camada de assentamento humano global e zonas climáticas locais. ISPRS - Int. Arco. Fotograma. Sensor Remoto Spat. Inf. ciência XLI-B8, 1371–1378.https://doi.org/10.
5194/isprs-archives-XLI-B8-1371-2016.
Bechtel, B., Demuzere, M., Sismanidis, P., Fenner, D., Brousse, O., Beck, C., Van Coillie, F., Conrad, O., Keramitsoglou, I., Middel, A. , Mills, G., Niyogi, D., Otto, M., Veja,
L., Verdonck, M.-L., 2017. Qualidade de dados de crowdsourcing sobre morfologia urbana — o experimento de influência humana (HUMINEX). Ciências Urbanas. 1, 15.https://doi.org/
10.3390/urbansci1020015.
Bechtel, B., Pesaresi, M., Florczyk, AJ, Mills, G., 2018. Além da construção—A composição interna das áreas urbanas. In: Weng, Q., Quattrochi, DA, Gamba, P. (Eds.), Urban
Sensoriamento remoto. Taylor & Francis.
Bechtel, B., Alexander, PJ, Beck, C., Böhner, J., Brousse, O., Ching, J., Demuzere, M., Fonte, C., Gál, T., Hidalgo, J., Hoffmann , P., Middel, A., Mills, G., Ren, C., Veja,
L., Sismanidis, P., Verdonck, M.-L., Xu, G., Xu, Y., 2019. Geração de dados WUDAPT Nível 0 – estado atual de produção e avaliação. Clima Urbano. 27, 24–45.
https://doi.org/10.1016/j.uclim.2018.10.001.
Budhiraja, B., Pathak, P., Agrawal, G., 2017. Variabilidade espaço-temporal de ilhas de calor urbanas em zonas climáticas locais de Delhi-NCR. In: Tecnologias de Sensoriamento Remoto
e Aplicações em Ambientes Urbanos II. Sociedade Internacional de Óptica e Fotônica, pp. 1043110.
Cai, M., Ren, C., Xu, Y., Lau, KK-L., Wang, R., 2017. Investigando a relação entre a zona climática local e a temperatura da superfície terrestre usando uma
Metodologia WUDAPT–Um Estudo de Caso do Delta do Rio Yangtze, China. Clima Urbano.
Carnahan, WH, Larson, RC, 1990. Uma análise de um dissipador de calor urbano. Sensor Remoto. Ambiente. 33, 65–71.
Chakraborty, T., Lee, X., 2019. Um algoritmo simplificado de extensão urbana para caracterizar as ilhas de calor urbanas superficiais em escala global e examinar o controle da vegetação em suas
variabilidade espaço-temporal. Int. J. Appl. Terra Obs. Geoinformação 74, 269–280.https://doi.org/10.1016/j.jag.2018.09.015.
Ching, J., Mills, G., Bechtel, B., Ver, L., Feddema, J., Wang, X., Ren, C., Brousse, O., Martilli, A., Neophytou, M., Mouzourides, P., Stewart, I., Hanna, A., Ng, E., Foley,
M., Alexander, P., Aliaga, D., Niyogi, D., Shreevastava, A., Bhalachandram, S., Masson, V., Hidalgo, J., Fung, J., Fatima-Andrade, M., Baklanov, A., Wei Dai, D.,
Milcinski, G., Demuzere, M., Brunsell, N., Pesaresi, M., Miao, S., Mu, Q., Chen, F., Theeuwes, N. , 2018. World Urban Database and Access Portal Tools (WUDAPT),
uma infraestrutura de clima urbano, clima e modelagem ambiental para o Antropoceno. Touro. Sou. Meteorol. Sociedade 99, 1907–1924.https://doi.org/10.1175/
BAMS-D-16-0236.1.
Clinton, N., Gong, P., 2013. O MODIS detectou ilhas e sumidouros de calor urbano de superfície: localizações e controles globais. Sensor Remoto. Ambiente. 134, 294–304.https://doi.org/
10.1016/j.rse.2013.03.008.
Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V., Böhner, J., 2015. Sistema para automação análises geocientíficas
(SAGA) v. 2.1.4. Geosci. Modelo Dev. 8, 1991–2007.https://doi.org/10.5194/gmd-8-1991-2015.
Coutts, AM, Harris, RJ, Phan, T., Livesley, SJ, Williams, NSG, Tapper, NJ, 2016. Sensoriamento remoto infravermelho termal do calor urbano: pontos críticos, vegetação e uma
avaliação de técnicas para uso em planejamento urbano. Sensor Remoto. Ambiente. 186, 637–651.https://doi.org/10.1016/j.rse.2016.09.007.
Dousset, B., Gourmelon, F., Laaidi, K., Zeghnoun, A., Giraudet, E., Bretin, P., Mauri, E., Vandentorren, S., 2011. Monitoramento por satélite de ondas de calor de verão no Paris
área metropolitana. Int. J. Climatol. 31, 313–323.
Dyce, DR, Voogt, JA, 2018. A influência das copas das árvores na anisotropia efetiva térmica urbana. Clima Urbano. 23, 91–113.
Fenner, D., Meier, F., Scherer, D., Polze, A., 2014. Variabilidade espacial e temporal da temperatura do ar em Berlim, Alemanha, durante os anos 2001–2010. In: Clima Urbano,
ICUC8: A 8ª Conferência Internacional sobre Clima Urbano e o 10º Simpósio sobre o Ambiente Urbano 10, Parte 2, pp. 308–331.https://doi.org/10.1016/
j.uclim.2014.02.004.
Fenner, D., Meier, F., Bechtel, B., Otto, M., Scherer, D., 2017. Variabilidade intra e inter da 'zona climática local' da temperatura do ar conforme observado pelo cidadão colaborativo
estações meteorológicas em Berlim, Alemanha. Meteorol. Z. 26, 525–547.
Fu, P., Weng, Q., 2015. Dinâmica temporal da temperatura da superfície terrestre a partir de imagens de séries temporais Landsat TIR. IEEE Geosci. Sensor Remoto Lett. 12, 2175–2179.https://
doi.org/10.1109/LGRS.2015.2455019.
Gawuc, L., Struzewska, J., 2016. Impacto do controle de qualidade MODIS em temperatura de superfície urbana agregada temporariamente e ilha de calor urbana de superfície de longo prazo
intensidade. Sensor remoto 8, 374.https://doi.org/10.3390/rs8050374.
Geletič, J., Lehnert, M., Dobrovolný, P., 2016. Diferenças de temperatura da superfície terrestre dentro das zonas climáticas locais, com base em duas cidades da Europa Central. Sensor Remoto 8,
788.https://doi.org/10.3390/rs8100788.
Geletic, J., Dobrovolnỳ, P., Lehnert, M., 2017. Análises estatísticas da temperatura da superfície terrestre em zonas climáticas locais: estudo de caso de Brno e Praga (República Checa).
In: Evento de Sensoriamento Remoto Urbano (JURSE), 2017 Conjunta. IEEE, pp. 1–4.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., 2017. Google Earth Engine: análise geoespacial em escala planetária para todos. Sensor Remoto.
Ambiente. 202, 18–27.https://doi.org/10.1016/j.rse.2017.06.031.
Göttsche, F.-M., Olesen, FS, 2001. Modelagem de ciclos diurnos de temperatura de brilho extraídos de dados do METEOSAT. Sensor Remoto. Ambiente. 76, 337–348.
https://doi.org/10.1016/S0034-4257(00)00214-5.
Göttsche, F.-M., Olesen, F.-S., 2009. Modelando o efeito da espessura óptica nos ciclos diurnos da temperatura da superfície terrestre. Sensor Remoto. Ambiente. 113, 2306–2316.
https://doi.org/10.1016/j.rse.2009.06.006.
Haashemi, S., Weng, Q., Darvishi, A., Alavipanah, S., 2016. Variações sazonais da ilha de calor urbano de superfície em uma cidade semi-árida. Sensor remoto 8, 352.https://doi.
org/10.3390/rs8040352.
Hawkins, TW, Brazel, AJ, Stefanov, WL, Bigler, W., Saffell, EM, 2004. O papel da variabilidade rural na determinação de ilha de calor urbana para Phoenix, Arizona. j.
Appl. Meteorol. 43, 476–486.
Hu, L., Brunsell, NA, 2013. O impacto da agregação temporal de dados de temperatura da superfície terrestre para monitoramento de ilha de calor urbana de superfície (SUHI). Sensor Remoto.
Ambiente. 134, 162–174.https://doi.org/10.1016/j.rse.2013.02.022.
Hu, L., Monaghan, A., Voogt, JA, Barlage, M., 2016. Uma primeira avaliação observacional baseada em satélite da anisotropia térmica urbana. Sensor Remoto. Ambiente. 181,
111–121.https://doi.org/10.1016/j.rse.2016.03.043.
Imhoff, ML, Zhang, P., Wolfe, RE, Bounoua, L., 2010. Sensoriamento remoto do efeito de ilha de calor urbana em biomas nos EUA continental. Sensor Remoto. Ambiente.

16
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

114, 504–513.
Jiang, L., Zhan, W., Voogt, J., Zhao, L., Gao, L., Huang, F., Cai, Z., Ju, W., 2018. Estimativa remota da temperatura da superfície urbana completa usando apenas direcional
temperaturas radiométricas. Construir. Ambiente. 135, 224–236.
Jimenez-Munoz, JC, Cristobal, J., Sobrino, JA, Soria, G., Ninyerola, M., Pons, X., Pons, X., 2009. Revisão do algoritmo de canal único para tem-
recuperação de temperatura a partir de dados infravermelhos térmicos do landsat. IEEE Trans. Geosci. Sensor Remoto 47, 339–349.https://doi.org/10.1109/TGRS.2008.2007125. Jiménez-Muñoz,
JC, Sobrino, JA, Skoković, D., Mattar, C., Cristóbal, J., 2014. Métodos de recuperação da temperatura da superfície terrestre a partir do sensor infravermelho termal Landsat-8
dados. IEEE Geosci. Sensor Remoto Lett. 11, 1840–1843.
Kalnay, E., Kanamitsu, M., Kistler, R., Collins, W., Deaven, D., Gandin, L., Iredell, M., Saha, S., White, G., Woollen, J., 1996. A reanálise de 40 anos do NCEP/NCAR
projeto. Touro. Sou. Meteorol. Sociedade 77, 437–471.
Kaloustian, N., Bechtel, B., 2016. Zoneamento climático local e ilha de calor urbana em Beirute. In: Procedia Eng., Quarta Conferência Internacional sobre Contramedidas para
Urban Heat Island, 30–31 de maio e 1º de junho de 2016 169, pp. 216–223.https://doi.org/10.1016/j.proeng.2016.10.026.
Kaloustian, N., Tamminga, M., Bechtel, B., 2017. Zonas climáticas locais e resposta térmica anual da superfície em uma cidade mediterrânea. In: Evento de Sensoriamento Remoto Urbano
(JURSE), 2017 Conjunto. IEEE, pp. 1–4.
Keramitsoglou, I., Kiranoudis, CT, Ceriola, G., Weng, Q., Rajasekar, U., 2011. Identificação e análise dos padrões de temperatura da superfície urbana na Grande Atenas,
Grécia, usando imagens MODIS. Sensor Remoto. Ambiente. 115, 3080–3090.
Keramitsoglou, I., Daglis, IA, Amiridis, V., Chrysoulakis, N., Ceriola, G., Manunta, P., Maiheu, B., Ridder, KD, Lauwaet, D., Paganini, MF, 2012. Avaliação de
produtos derivados de satélites para a caracterização do ambiente térmico urbano. J. Appl. Controlo remoto. Sens. 6, 061704.https://doi.org/
10.1117/1.JRS.6.061704. Kim, Y.-H., Baik, J.-J., 2005. Estrutura Espacial e Temporal da Ilha de Calor Urbana em Seul. págs. 591–605.
Koc, CB, Osmond, P., Peters, A., Irger, M., 2018. Compreender as diferenças de temperatura da superfície terrestre de zonas climáticas locais com base em dados de sensoriamento remoto aéreo.
IEEE J. Sel. Principal. Appl. Terra Obs. Remote Sens. 11, 2724–2730.https://doi.org/10.1109/JSTARS.2018.2815004.
Krayenhoff, E., Voogt, J., 2016. Anisotropia térmica diurna de bairros urbanos: causalidade morfológica. Sensor remoto 8, 108.https://doi.org/10.3390/
rs8020108.
Lagouarde, J.-P., Hénon, A., Irvine, M., Voogt, J., Pigeon, G., Moreau, P., Masson, V., Mestayer, P., 2012. Caracterização experimental e modelagem de a noite
anisotropia direcional de medições de infravermelho termal sobre uma área urbana: estudo de caso de Toulouse (França). Sensor Remoto. Ambiente. 117, 19–33.https://
doi.org/ 10.1016/j.rse.2011.06.022.
Lai, J., Zhan, W., Huang, F., Quan, J., Hu, L., Gao, L., Ju, W., 2018a. O controle de qualidade importa? Variações de intensidade de ilhas de calor urbanas de superfície estimadas por satélite
produtos derivados da temperatura da superfície terrestre. ISPRS J. Photogramm. Sensor remoto 139, 212–227.https://doi.org/10.1016/j.isprsjprs.2018.03.012.
Lai, J., Zhan, W., Huang, F., Voogt, J., Bechtel, B., Allen, M., Peng, S., Hong, F., Liu, Y., Du, P., 2018b. Identificação de padrões diurnos típicos para climatologia de céu claro
de ilhas de calor urbanas superficiais. Sensor Remoto. Ambiente. 217, 203–220.https://doi.org/10.1016/j.rse.2018.08.021.
Lehnert, M., Geletič, J., Husák, J., Vysoudil, M., 2015. Classificação do campo urbano por “zonas climáticas locais” numa cidade de média dimensão da Europa Central: o caso de Olomouc
(República Checa). Teor. Appl. Climatol. 122, 531–541.https://doi.org/10.1007/s00704-014-1309-6.
Mirzaei, PA, Haghighat, F., 2010. Abordagens para estudar a Ilha de Calor Urbana—habilidades e limitações. Construir. Ambiente. 45, 2192–2201.https://doi.org/10.1016/j.
buildenv.2010.04.001.
Morrison, W., Kotthaus, S., Grimmond, CSB, Inagaki, A., Yin, T., Gastellu-Etchegorry, J.-P., Kanda, M., Merchant, CJ, 2018. Um novo método para obter três-
temperatura dimensional da superfície urbana a partir da termografia terrestre. Sensor Remoto. Ambiente. 215, 268–283.
Nassar, AK, Blackburn, GA, Whyatt, JD, 2016. Dinâmica e controles do dissipador de calor urbano e fenômenos insulares em uma cidade deserta: desenvolvimento de uma zona climática local
esquema usando entradas de sensoriamento remoto. Int. J. Appl. Terra Obs. Geoinformação 51, 76–90.
Nichol, J., 2005. Sensoriamento remoto de ilhas de calor urbanas durante o dia e a noite. Fotograma. Eng. Controlo remoto. Sens. 71, 613–622.
Nichol, JE, Fung, WY, Lam, K., Wong, MS, 2009. Diagnóstico de ilha de calor urbana usando imagens de satélite ASTER e temperatura do ar 'in situ'. Atmos. Res. 94, 276–284. Oke, TR,
Mills, G., Christen, A., Voogt, JA, 2017. Urban Climates. Cambridge University Press.
Parastatidis, D., Mitraka, Z., Chrysoulakis, N., Abrams, M., 2017. Estimativa online da temperatura da superfície terrestre global do Landsat. Sensor remoto 9, 1208.https://doi.
org/10.3390/rs9121208.
Peña, MA, 2008. Relações entre parâmetros de superfície detectados remotamente associados à formação de dissipadores de calor urbanos em Santiago, Chile. Int. J. Sensor Remoto 29,
4385–4404.
Peng, S., Piao, S., Ciais, P., Friedlingstein, P., Ottle, C., Bréon, F.-M., Nan, H., Zhou, L., Myneni, RB, 2012. Surface Ilha de Calor Urbano em 419 grandes cidades globais.
Ambiente. ciência Tecnol. 46, 696–703.https://doi.org/10.1021/es2030438.
Rasul, A., Balzter, H., Smith, C., 2016. Variação diurna e sazonal da superfície Ilhas urbanas de calor e frio na cidade semiárida de Erbil, Iraque. Clima 4, 42.https://
doi.org/10.3390/cli4030042.
Saaroni, H., Ben-Dor, E., Bitan, A., Potchter, O., 2000. Distribuição espacial e características de microescala da ilha de calor urbana em Tel-Aviv, Israel. Landsc. Urbano
Plano. 48, 1–18.https://doi.org/10.1016/S0169-2046(99)00075-4.
Schwarz, N., Lautenbach, S., Seppelt, R., 2011. Explorando indicadores para quantificar ilhas de calor urbanas superficiais de cidades europeias com MODIS
peratures. Sensor Remoto. Ambiente. 115, 3175–3186.
Shih, W., 2017. O impacto dos padrões de desenvolvimento urbano na distribuição termal em Taipei. In: Evento Conjunto de Sensoriamento Remoto Urbano 2017 (JURSE). Apresentado no
Evento Conjunto de Sensoriamento Remoto Urbano de 2017 (JURSE), pp. 1–5.https://doi.org/10.1109/JURSE.2017.7924634.
Sismanidis, P., Keramitsoglou, I., Kiranoudis, CT, 2015. Um sistema baseado em satélite para monitoramento contínuo de ilhas de calor urbanas superficiais. Clima Urbano. 14, 141–153. Skarbit, N.,
Gál, T., Unger, J., 2015. Diferenças de temperatura da superfície aérea das diferentes zonas climáticas locais na área urbana de uma cidade de médio porte. Em: 2015
Evento Conjunto de Sensoriamento Remoto Urbano (JURSE). Apresentado no Evento Conjunto de Sensoriamento Remoto Urbano de 2015 (JURSE), pp. 1–4.https://doi.org/10.1109/JURSE.2015.
7120497.
Skarbit, N., Stewart, ID, Unger, J., Gál, T., 2017. Empregando uma rede meteorológica urbana para monitorar as condições de temperatura do ar nas 'zonas climáticas locais' de
Szeged, Hungria. Int. J. Climatol. 37, 582–596.
Sobrino, JA, Oltra-Carrió, R., Sòria, G., Bianchi, R., Paganini, M., 2012. Impacto da resolução espacial e do tempo de passagem do satélite na avaliação do calor urbano de superfície
efeitos de ilha. Sensor Remoto. Ambiente. 117, 50–56.https://doi.org/10.1016/j.rse.2011.04.042.
Stewart, ID, 2011. Uma revisão sistemática e crítica científica da metodologia na literatura moderna sobre ilhas de calor urbanas. Int. J. Climatol. 31, 200-217.https://doi.org/
10.1002/joc.2141.
Stewart, ID, Oke, TR, 2012. Zonas climáticas locais para estudos de temperatura urbana. Touro. Sou. Meteorol. Sociedade 93, 1879–1900.https://doi.org/10.1175/BAMS-D-11-
00019.1.
Stewart, ID, Oke, TR, Krayenhoff, ES, 2014. Avaliação do esquema de 'zona climática local' usando observações de temperatura e simulações de modelo. Int. J. Climatol.
34, 1062-1080.https://doi.org/10.1002/joc.3746.
Tomlinson, CJ, Chapman, L., Thornes, JE, Baker, C., 2011. Sensoriamento remoto da temperatura da superfície terrestre para meteorologia e climatologia: uma revisão. Meteorol. Appl. 18,
296–306.https://doi.org/10.1002/met.287.
Tran, H., Uchihama, D., Ochi, S., Yasuoka, Y., 2006. Avaliação com dados de satélite dos efeitos das ilhas de calor urbanas em megacidades asiáticas. Int. J. Appl. Terra Obs.
Geoinformação 8, 34–48.
USGS (Ed.), 2018. Produto Landsat 8 Surface Reflectance Code (LaSRC).
Voogt, JA, Oke, TR, 2003. Sensoriamento remoto térmico de climas urbanos. Sensor Remoto. Ambiente. 86, 370–384.
Wang, Y., Zhan, Q., Ouyang, W., 2017. Impacto dos padrões de paisagem do clima urbano na temperatura da superfície terrestre em Wuhan, China. Sustentabilidade 9, 1700. Wang,
C., Middel, A., Myint, SW, Kaplan, S., Brazel, AJ, Lukasczyk, J., 2018. Avaliação de zonas climáticas locais em cidades áridas: o caso de Phoenix, Arizona e Las Vegas,
Nevada. ISPRS J. Photogramm. Sensor Remoto 141, 59–71.https://doi.org/10.1016/j.isprsjprs.2018.04.009.
Wiesner, S., Bechtel, B., Fischereit, J., Gruetzun, V., Hoffmann, P., Leitl, B., Rechid, D., Schlünzen, KH, Thomsen, S., 2018. É possível distinguir global e
mudança climática regional a partir de sinais induzidos pela cobertura do solo urbano? Um exemplo de cidade de latitude média. Ciências Urbanas. 2, 11.https://doi.org/10.3390/urbansci2010011.

17
B. Bechtel, e outros. Clima Urbano 28 (2019) 100451

Zhang, P., Imhoff, ML, Wolfe, RE, Bounoua, L., 2010. Caracterizando ilhas de calor urbanas de assentamentos globais usando MODIS e produtos de iluminação noturna. Pode. j.
Controlo remoto. Sens. 36, 185–196.
Zhongli, L., Hanqiu, X., 2016. Um estudo da intensidade da ilha de calor urbana com base em “zonas climáticas locais”: um estudo de caso em Fuzhou, China. In: Observação da Terra e Controle Remoto
Aplicações de sensoriamento (EORSA), 2016 4º Workshop Internacional sobre. IEEE, pp. 250–254.
Zhou, B., Rybski, D., Kropp, JP, 2013. Sobre as estatísticas da intensidade das ilhas de calor urbanas. Geophys. Res. Deixe 40, 5486–5491.https://doi.org/10.1002/2013GL057320. Zhou, D., Zhao, S., Liu,
S., Zhang, L., Zhu, C., 2014. Ilha de calor urbana de superfície nas 32 principais cidades da China: padrões espaciais e determinantes. Sensor Remoto. Ambiente. 152, 51–61.

18