Modelado de la temperatura del aire a 2 m usando la Temperatura de Supercie Terrestre de MODIS mediante la API de Python de Google Earth Engine sobre la región de Abruzzo, Italia

• Autores: Paz, Sergio Daniel
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Curci, Gabriele; Pagot, Mariana Reneé
• Materia: CONAE. Comisión Nacional de Actividades Espaciales. Instituto de Altos Estudios Espaciales "Mario Gulich"; Geomática; Observación de la Tierra; Temperatura de la superficie terrestre; Temperatura del aire |; Regresión lineal; Machine Learning; Land surface temperature; Machine Learning
• Institución: Universidad Nacional de Córdoba

Tesis (Magister en aplicaciones de información espacial)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2025.
Fil: Paz, Sergio Daniel. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.
La temperatura del aire es clave para planificación urbana, agricultura y cambio climático. Las estaciones meteorológicas ofrecen mediciones precisas pero localizadas, lo que limita su cobertura espacial. Para superar esto, se usan productos satelitales como la Temperatura Superficial de Suelo (LST) de MODIS (NASA). Este estudio estima temperaturas máximas y mínimas diarias en Abruzzo (Italia) usando datos MODIS LST (2017-2019), complementados con variables auxiliares. Se compararon regresión lineal múltiple y random forest, resultando este último superior en rendimiento. Para temperatura mínima, random forest obtuvo R² 0,9515 (RMSE 1,69 K) vs. regresión con R² 0,8827 (RMSE 2,52 K). Para máxima, random forest alcanzó R² 0,9537 (RMSE 1,76 K) vs. regresión con R² 0,8829 (RMSE 2,64 K). La validación (2020-2022) confirmó la ventaja de random forest. Se probaron dos métodos de relleno de imágenes LST (días vecinos y ERA5), ambos con resultados similares a los originales. El tratamiento de datos atípicos mejoró ambos modelos, especialmente la regresión lineal. Los resultados igualan o superan estudios previos con técnicas similares.
Air temperature is crucial for urban planning, agriculture, and climate change studies. While meteorological stations provide accurate measurements, their point-based nature limits spatial coverage. To address this, satellite products like Land Surface Temperature (LST) from NASA's MODIS (Terra and Aqua platforms) are used. This study estimates daily maximum and minimum air temperatures for the Abruzzo region (Italy) using MODIS LST data (2017-2019) and auxiliary variables. Multiple Linear Regression and Random Forest models were implemented, with Random Forest outperforming Linear Regression. For minimum temperature, Random Forest achieved an R² of 0.9515 (RMSE 1.69 K) compared to 0.8827 (2.52 K) for regression. For maximum temperature, Random Forest scored an R² of 0.9537 (RMSE 1.76 K) versus 0.8829 (2.64 K) for regression. This superiority was confirmed during validation with 33 stations (2020-2022). Two image-filling methods (neighboring days and ERA5 data) performed similarly to original LST images. Outlier treatment improved both models, especially linear regression. Overall, the study successfully estimated air temperatures, matching or exceeding the performance of previous research.
Fil: Paz, Sergio Daniel. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.