La dinámica urbana y sus impactos asociados han llevado a modificaciones significativas en la estructura básica y el funcionamiento de los ecosistemas. La heterogeneidad del paisaje juega un papel importante en la variación de la temperatura superficial terrestre (LST) dentro de la ciudad y sus áreas circundantes. Las islas de calor urbanas superficiales (SUHI) son una alteración antropogénica del sistema terrestre. Sus patrones espaciotemporales generan variaciones térmicas que afectan la relación entre los sistemas urbano y biofísico. Comprender el efecto de estos cambios es fundamental para enfrentar los desafíos que genera el crecimiento de las poblaciones urbanas. En esta Tesis Doctoral se utilizaron 37 imágenes de los sensores Landsat-TM, ETM+, OLI/TIRS y 11 imágenes del instrumento multiespectral Sentinel-2 (S2-MSI) para derivar LST y diferentes factores ambientales que permitieron generar un modelo explicativo del fenómeno SUHI, detectando patrones térmicos espaciotemporales a través de la combinación de técnicas de análisis de componentes principales (PCA), y regresión lineal múltiple (MLR) para la ciudad colombiana de Cartago durante el período 2001-2020. Las variables del modelo incluyeron distintos índices espectrales, transformadas espectrales y factores de proximidad. Para estimar los valores LST en las imágenes Landsat-8 OLI/TIRS se probaron 3 modelos de emisividad. El modelo de fracción de cobertura vegetal (FCOVER) derivado de S2-MSI produjo los mejores resultados para recuperar LST con R² = 0,78 y errores medios comprendidos entre 1,1 y 1,3 °C, en comparación con las temperaturas medidas in situ. Los resultados indicaron que los factores ambientales con mayor impacto fueron los índices de diferencia normalizada de agua (NDWI), 52%, y de construcción (NDBI), 21%. El resto de factores incidieron en menor medida. Además, durante la serie temporal 2001-2020 se observó un aumento continuo térmico en tiempo y espacio. Esta investigación propone un modelo novedoso para determinar el fenómeno SUHI, incorporando el algoritmo Weighted Naïve Bayes (WNB) que permitió identificar áreas propensas a temperaturas extremas. El modelo obtenido con WNB demostró confiabilidad de 95%, frente al 88% proporcionado por el algoritmo Support Vector Machine (SVM). El algoritmo WNB permitió integrar de manera eficiente la contribución de cada factor ambiental involucrado. La segmentación se utilizó para producir el mapa de recomendación térmica urbana y categorizar el entorno con un estado SUHI específico y, por tanto, proponer acciones de mitigación y adaptación como parte del proceso de planificación urbana.
© 2001-2026 Fundación Dialnet · Todos los derechos reservados