Urban Thermal Hotspots: A Machine Learning Approach to Analyzing Urban Heat Island Dynamics in Stockholm, Sweden

L'Isola di Calore Urbana (UHI) rappresenta una crescente preoccupazione ambientale, in particolare nelle regioni soggette a rapida urbanizzazione, dove l’aumento delle temperature superficiali comporta rischi per la salute umana, le infrastrutture e la sostenibilità urbana. Questa tesi presenta un'analisi spaziotemporale dell'intensità dell'UHI dal 2014 al 2023, nelle stagioni estive e invernali, utilizzando dati da telerilevamento e tecniche di apprendimento automatico. Le principali variabili in ingresso includono la temperatura, l'Indice Normalizzato della Vegetazione (NDVI), l'Indice Normalizzato delle Aree Edificate (NDBI), l'Albedo della Superficie Terrestre (LSA), la velocità del vento e le Zone Climatiche Locali (LCZ). Sono state generate mappe di pericolo UHI per ciascun mese delle stagioni estive e invernali. Sono stati valutati sette algoritmi di apprendimento automatico per le loro prestazioni predittive: Regressione Lineare, Regressione con Macchine a Vettori di Supporto, Alberi Decisionali, K-Nearest Neighbors, Random Forest, Extra Trees e XGBoost. Il modello Random Forest si è rivelato il più performante in base ai parametri R², RMSE e MAE. L'analisi dell'importanza delle variabili ha identificato l’NDVI come il principale contributore alla mitigazione dell’UHI, mentre l’NDBI è risultato associato a intensità UHI più elevate. Nella seconda fase, lo studio ha utilizzato un approccio di proiezione basato su tendenze impiegando dati di temperatura corretti per il bias dal dataset NEX-GDDP-CMIP6, considerando due diversi Shared Socioeconomic Pathways (SSPs): SSP1-2.6 e SSP5-8.5, per valutare i rischi futuri legati all’UHI nel periodo 2030-2039, evidenziando tendenze in aumento dell’UHI in entrambe le stagioni negli anni a venire.