Modeling thermal comfort indicators in an urban environment using remote sensing, open geodata, and artificial intelligence
| dc.contributor.advisor | Kleinschmit, Birgit | |
| dc.contributor.advisor | Tetzlaff, Dörthe | |
| dc.contributor.advisor | Soulsby, Chris | |
| dc.contributor.author | Vulova, Stenka Valentinova | |
| dc.contributor.grantor | Technische Universität Berlin | |
| dc.contributor.referee | Hostert, Patrick | |
| dc.contributor.referee | Kleinschmit, Birgit | |
| dc.date.accepted | 2022-10-11 | |
| dc.date.accessioned | 2022-11-17T17:16:22Z | |
| dc.date.available | 2022-11-17T17:16:22Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | The world’s expanding cities are increasingly at risk from the effects of climate and global change. Heat extremes pose one of the greatest threats to urban residents, causing mortalities, detrimental health effects, economic losses, increased energy consumption, and exacerbated air pollution. Various frameworks, such as the Sponge City, have been proposed to increase the resilience of cities to multiple environmental threats, mainly relying on the ecosystem services provided by urban greenery. Sustainability initiatives in cities need to be implemented at a neighborhood scale capturing socio-demographic vulnerability to heat stress. However, high-resolution, spatially distributed data to identify hotspots of heat exposure are largely unavailable. In particular, two major indicators of thermal comfort in cities - air temperature and evapotranspiration (ET) - urgently need to be characterized. However, their estimation remains challenging, as the urban environment is highly horizontally and vertically heterogeneous. The majority of existing process-based models cannot handle the urban complexity or be upscaled to the city-level. To address these challenges, state-of-the-art technologies, in particular, artificial intelligence (AI), remote sensing, and crowdsourcing, have emerged as a solution to producing spatially-explicit and accurate information on parameters relevant to climate change mitigation. Thus, the overall goal of this thesis was to characterize thermal comfort indicators in an urban environment at a high spatial resolution using remote sensing, open geodata, and AI. Berlin, Germany was selected as a test site due to its high risk of heat-related mortalities and established infrastructure of atmospheric measurements. This thesis had two main objectives: (1) investigate how accurately thermal comfort indicators in urban areas can be modeled at a high spatial resolution with remote sensing imagery, geodata, and meteorological data using machine learning (ML) regression algorithms; and (2) assess the spatial variation of the modeled ET and air temperature across Berlin to provide insights for urban planning and policy focused on heat risk mitigation. Air temperature, especially at night, is one of the best indicators of heat stress. However, high-resolution air temperature maps have until recently remained unavailable due to the limited number of weather stations in cities. Thus, the first part of this thesis focused on how open source remote sensing, GIS and crowdsourced weather data can be used to predict the spatial distribution of nocturnal air temperature one day in advance at a 30-m resolution for the entire city using ML. Three predictor scenarios were tested: (1) only remotely sensed predictors, (2) only the spatially interpolated crowdsourced air temperature from the previous day, and (3) both remotely sensed and crowdsourced data from the previous day. As crowdsourced weather data is associated with more uncertainties than traditional weather data, validation was conducted with both crowdsourced and traditional air temperature data using “leave-one-date-out” cross-validation. Using only remotely sensed predictors showed the highest overall accuracy when validating with conventional air temperature data, demonstrating that remote sensing data is essential to accurately predicting air temperature in the gaps between citizen weather stations. Accuracy was high when validating with crowdsourced data, but decreased when validating with independent data, likely due to the effect of citizen weather stations’ installation near building walls. However, accuracy was highest in highly sealed urban fabric, where heat risk is highest, demonstrating the utility of this approach for identifying dangerous hotspots within the city. ET provides an essential cooling service and approximates vegetation water use, making it a key indicator for urban sustainability. ET is defined as the water transported from the land surface to the atmosphere and consists mainly of soil evaporation, plant transpiration, and evaporation of intercepted precipitation in terrestrial ecosystems. To improve ET modeling in urban areas, a novel approach was developed which incorporated diverse land cover contributing to urban ET measurements into AI algorithms. Flux footprint modeling, which estimates the source area of eddy covariance (EC) measurements, was used to extract weighted averages from remote sensing and GIS data. Incorporating remotely sensed data extracted with flux footprints enhanced the predictive accuracy of models. In the next phase, this approach was extended to map ET for the entire city at a high spatial (10-m) and temporal (hourly) resolution for one year. Validation showed that this approach is reliable for mapping urban ET. Lastly, to support urban planning, the spatial variation of both modeled thermal comfort indicators was analyzed in relation to land cover. Ultimately, using remote sensing and AI to characterize indicators of thermal comfort can support urban planning aiming to reduce heat risks for an increasingly urban world population. | en |
| dc.description.abstract | Hitzeperioden stellen eine der größten Bedrohungen für Stadtbewohner dar. Sie führen zu Todesfällen, gesundheitlichen Beeinträchtigungen, wirtschaftlichen Verlusten, erhöhtem Energieverbrauch und verstärkter Luftverschmutzung. Verschiedene städtebauliche Nachhaltigkeitskonzepte, wie z. B. die Sponge City, stützen sich vor allem auf die Ökosystemleistungen des städtischen Grüns und sollen die Resilienz von Städten gegenüber zahlreichen Umweltbedrohungen erhöhen. Nachhaltigkeitsinitiativen müssen auch auf der Ebene von Stadtteilen umgesetzt werden, um soziodemografische Anfälligkeiten für Hitzestress detailliert aufzugreifen. Entsprechend hochauflösende, räumlich verteilte Daten für die Identifizierung von Hotspots mit Hitzerisiko fehlen jedoch weitgehend. Insbesondere zwei wichtige Indikatoren für das thermische Wohlbefinden in Städten – Lufttemperatur und Evapotranspiration (ET) – müssen dringend charakterisiert werden. Ihre Abschätzung bleibt eine Herausforderung, da die städtische Umwelt horizontal und vertikal sehr heterogen ist. Die meisten der bestehenden prozessbasierten Modelle können die Komplexität von Städten nicht aufnehmen oder müssen auf die Stadtebene hochskaliert werden. Zur Bewältigung dieser Herausforderungen haben sich modernste Technologien, insbesondere künstliche Intelligenz (KI), Fernerkundung und Crowdsourcing, als Lösung für die Erstellung räumlich expliziter und genauer Informationen über die für den Klimaschutz relevanten Parameter erwiesen. Das übergeordnete Ziel dieser Arbeit war es daher, Indikatoren für das thermische Wohlbefinden in einer städtischen Umgebung mit hoher räumlicher Auflösung und unter Verwendung von Fernerkundung, offenen Geodaten und KI zu charakterisieren. Berlin wurde aufgrund des hohen Risikos von hitzebedingten Todesfällen und der etablierten Infrastruktur für atmosphärische Messungen als Studiengebiet ausgewählt. Die vorliegende Doktorarbeit verfolgt zwei Hauptziele: (1) Methoden zu untersuchen, wie Indikatoren zum thermischen Wohlbefinden in städtischen Gebieten mit Fernerkundung, Geodaten und meteorologischen Daten unter Verwendung von Regressionsalgorithmen des maschinellen Lernens (ML) in hoher räumlicher Auflösung modelliert werden können; und (2) die räumliche Variation der modellierten ET und Lufttemperatur in Berlin zu bewerten, um Erkenntnisse in die Stadtplanung und -politik zur Minderung des Hitzerisikos einfließen zu lassen. Die Lufttemperatur, insbesondere nachts, ist einer der besten Indikatoren für Hitzestress. Hochauflösende Karten der Lufttemperatur waren jedoch bislang aufgrund der begrenzten Anzahl von Wetterstationen in Städten nicht verfügbar. Daher konzentrierte sich der erste Teil dieser Arbeit auf die Frage, wie Open-Source Fernerkundungs-, GIS- und Crowdsource-Wetterdaten genutzt werden können, um die räumliche Verteilung der nächtlichen Lufttemperatur einen Tag im Voraus mit einer Auflösung von 30 m für die gesamte Stadt mittels ML vorherzusagen. Es wurden drei Vorhersageszenarien getestet: (1) ausschließlich fernerkundlich basiert, (2) ausschließlich basiert auf räumlich interpolierte Crowdsource-Lufttemperatur Daten vom Vortag, und (3) basiert auf sowohl fernerkundlichen als auch Crowdsource-Daten vom Vortag. Da Crowdsource-Wetterdaten mit mehr Unsicherheiten behaftet sind als herkömmliche Wetterdaten, wurde die Validierung sowohl mit Crowdsource- als auch mit herkömmlichen Lufttemperaturdaten unter Verwendung einer "leave-one-date-out"-Kreuzvalidierung durchgeführt. Die Verwendung von Fernerkundungsdaten zeigte die höchste Gesamtgenauigkeit bei der Validierung mit herkömmlichen Lufttemperaturdaten. Das zeigt, dass Fernerkundungsdaten eine genaue räumliche Vorhersage der Lufttemperatur, ergänzend zu den privaten Wetterstationen von Bürgern, ermöglichen. Die Genauigkeit war bei der Validierung mit Crowdsource-Daten hoch, nahm jedoch bei der Validierung mit unabhängigen Daten ab, was wahrscheinlich auf die Installation der privaten Wetterstationen in der Nähe von Gebäudewänden zurückzuführen ist. Die Genauigkeit war jedoch in stark versiegelten städtischen Strukturen am höchsten, in denen das Hitzerisiko zugleich am stärksten ausgeprägt ist. Das zeigt den Nutzen dieses Ansatzes für die Identifizierung gefährlicher Hotspots in der Stadt. ET entspricht dem Wasserverbrauch von Vegetation und leistet somit einen wesentlichen Beitrag zur Abkühlung, welcher sie zu einem Schlüsselindikator für urbane Nachhaltigkeit macht. ET ist definiert als das Wasser, welches von der Landoberfläche in die Atmosphäre transportiert wird. Sie besteht hauptsächlich aus Bodenverdunstung, Transpiration über Pflanzen und Evaporation von interzeptierten Niederschlägen innerhalb terrestrischer Ökosysteme. Um ET-Modellierungen in städtischen Gebieten zu verbessern, wurde ein neuartiger Ansatz entwickelt, der verschiedene Landbedeckungen in KI-Algorithmen integriert. Die Flux-Footprint-Modellierung, welche den räumlichen Fußabdruck der Eddy-Kovarianz-Messungen (EC) schätzt, wurde verwendet, um gewichtete Mittelwerte aus Fernerkundungs- und Geoinformationsdaten zu gewinnen. Die Einbeziehung von Fernerkundungsdaten aus den Flux-Footprints, verbesserte die Vorhersagegenauigkeit der Modelle. In der nächsten Phase wurde dieser Ansatz erweitert, um die ET für die gesamte Stadt mit einer hohen räumlichen (10 Meter) und zeitlichen (stündlich) Auflösung für ein Jahr zu modellieren. Die Validierung zeigte, dass dieser Ansatz für die Kartierung der ET in Städten zuverlässig ist. Zur stadtplanerischen Verbesserung wurden schließlich die räumlichen Variationen der beiden modellierten Indikatoren für das thermische Wohlbefinden bezüglich verschiedener Landbedeckungsklassen analysiert. Somit kann der Einsatz von Fernerkundung und KI zur Charakterisierung von Indikatoren für das thermische Wohlbefinden Stadtkonzepte unterstützen, welche auf die Verringerung von Hitzerisiken für eine zunehmend urbane Weltbevölkerung abzielen. | de |
| dc.description.sponsorship | DFG, GRK 2032-2, Research Training Group: Urban Water Interfaces | |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/17688 | |
| dc.identifier.uri | https://doi.org/10.14279/depositonce-16474 | |
| dc.language.iso | en | |
| dc.relation.haspart | 10.14279/depositonce-16557 | |
| dc.relation.haspart | 10.14279/depositonce-16558 | |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
| dc.subject.ddc | 550 Geowissenschaften | de |
| dc.subject.ddc | 621 Angewandte Physik | de |
| dc.subject.other | evapotranspiration | en |
| dc.subject.other | air temperature | en |
| dc.subject.other | urban heat island (UHI) | en |
| dc.subject.other | machine learning | en |
| dc.subject.other | satellite remote sensing | en |
| dc.title | Modeling thermal comfort indicators in an urban environment using remote sensing, open geodata, and artificial intelligence | en |
| dc.type | Doctoral Thesis | |
| dc.type.version | acceptedVersion | |
| tub.accessrights.dnb | free | |
| tub.affiliation | Fak. 6 Planen Bauen Umwelt::Inst. Landschaftsarchitektur und Umweltplanung::FG Geoinformation in der Umweltplanung | |
| tub.publisher.universityorinstitution | Technische Universität Berlin |