# Analisando Ilhas de Calor Urbanas Usando Dados de Temperatura do Ar Colaborativos (Crowdsourced) e LCZ4r

Introdução

Ilhas de Calor Urbanas (ICU) são um problema ambiental crítico nas cidades, onde áreas urbanas experimentam temperaturas mais altas do que suas áreas rurais circundantes. Este estudo de caso demonstra como analisar ICUs usando dados colaborativos de temperatura do ar (Tair) de Estações Meteorológicas Cidadãs (CWS) e o pacote LCZ4r no R. Focamos em dados horários de Tair de maio de 2023, coletados por estações Netatmo CWS em Berlim, Alemanha, e disponíveis através do pacote CrowdQCplus no R.

# Install and load necessary packages
if (!require("pacman")) install.packages("pacman")
install.packages("sf", type = "binary")
pacman::p_load(remotes, dplyr, tmap, ggplot2, devtools, data.table)

library(dplyr)   # For data manipulation
library(sf)      # For vector data manipulation
library(tmap)    # For interactive map visualization
library(ggplot2) # For data visualization
library(data.table)

# Install CrowdQCplus for quality control of CWS data
if (!require("CrowdQCplus")) {
  remotes::install_github("dafenner/CrowdQCplus")
}
library(CrowdQCplus)

Por que Dados Colaborativos?

Estações meteorológicas colaborativas oferecem cobertura espacial sem precedentes de dados de temperatura urbana: - Alta densidade: Centenas ou milhares de estações em toda a cidade - Dados em tempo real: Medições horárias ou sub-horárias - Custo-efetivo: Utiliza infraestrutura cidadã existente - Complementar: Preenche lacunas em redes oficiais de monitoramento

No entanto, um controle de qualidade cuidadoso é essencial para garantir a confiabilidade dos dados.

Preparação do Conjunto de Dados

Carregar Mapa LCZ para Berlim

# Retrieve the LCZ map for Berlin using the LCZ Generator Platform
lcz_map <- LCZ4r::lcz_get_map_generator(ID = "8576bde60bfe774e335190f2e8fdd125dd9f4299")

# Visualize the LCZ map
LCZ4r::lcz_plot_map(lcz_map)

Mapa LCZ de Berlim mostrando a distribuição espacial das Zonas Climáticas Locais. Este mapa serve como estrutura espacial para analisar dados de temperatura colaborativos.

Carregar e Explorar Dados CWS

# Load sample CWS data for Berlin from the CrowdQCplus package
data(cqcp_cws_data)

# View the structure of the dataset
head(cqcp_cws_data)

# Summary statistics
summary(cqcp_cws_data)

Visualizar Distribuição das Estações CWS

# Convert CWS stations to an sf object for spatial analysis
shp_stations <- cqcp_cws_data %>%
  distinct(lon, lat, .keep_all = TRUE) %>%
  st_as_sf(coords = c("lon", "lat"), crs = 4326)

# Visualize CWS stations on an interactive map
tmap_mode("view")
qtm(shp_stations, dots.col = "blue", dots.size = 0.3,
    title = "Citizen Weather Stations in Berlin")

Controle de Qualidade dos Dados CWS

Para garantir a confiabilidade dos dados, aplicamos o método de controle de qualidade (QC) desenvolvido por Fenner et al. (2021) usando o pacote CrowdQCplus. Este processo filtra leituras estatisticamente implausíveis, melhorando a precisão dos dados.

Etapas do Processo de QC:

Padding dos dados: Garante séries temporais consistentes
Validação de entrada: Verifica a estrutura dos dados
Controle de qualidade: Aplica filtros estatísticos para identificar outliers
Estatísticas de saída: Resume os resultados do QC

# Perform data padding and input checks
data_crows <- cqcp_padding(cqcp_cws_data)
data_check <- cqcp_check_input(data_crows)

# Apply quality control
if (data_check) {
  data_qc <- cqcp_qcCWS(data_crows)  # QC process
}

# View QC output
head(data_qc)

# Display QC output statistics
n_data_qc <- cqcp_output_statistics(data_qc)
print(n_data_qc)

::: {.callout .callout-tip} ::: {.callout .callout-note} Entendendo a Saída do QC:

Após aplicar o QC, múltiplas colunas são geradas: - ta_int: Valores de temperatura que passaram por todas as etapas de controle de qualidade - qc_flag: Flags de controle de qualidade indicando o status dos dados - qa_flag: Flags de garantia de qualidade para validação adicional

Para a interpolação da temperatura do ar, usamos a coluna ta_int, que representa as estimativas de temperatura mais confiáveis.

Análise do Ciclo Diurno por LCZ

Examinamos o ciclo diurno da temperatura do ar para um dia específico (1º de maio de 2023) em diferentes LCZs para entender como a forma urbana afeta os padrões diários de temperatura.

# Analyze diurnal temperature cycle across LCZ classes
cws_ts <- lcz_ts(lcz_map, 
                 data_frame = data_qc,
                 var = "ta_int", 
                 station_id = "p_id",
                 time.freq = "hour",
                 extract.method = "two.step",
                 year = 2023, month = 5, day = 1,
                 by = "daylight")

# Display the time series plot
cws_ts

Ciclo diurno de temperatura em diferentes classes LCZ em Berlim em 1º de maio de 2023. Observe como as áreas compactas construídas mantêm temperaturas mais altas ao longo do dia em comparação com áreas vegetadas e abertas.

Análise da Ilha de Calor Urbana

Série Temporal da Intensidade da ICU

Calculamos as intensidades horárias da ICU para maio de 2023 usando o método LCZ, que seleciona automaticamente temperaturas urbanas e rurais com base nas classes LCZ.

# Calculate UHI intensity for May 2023
cws_uhi <- lcz_uhi_intensity(lcz_map, 
                             data_frame = data_qc,
                             var = "ta_int", 
                             station_id = "p_id",
                             time.freq = "hour",
                             extract.method = "two.step",
                             year = 2023, month = 5,
                             method = "LCZ")

# Display UHI intensity time series
cws_uhi

Série temporal da intensidade da ICU para Berlim em maio de 2023. A maior intensidade da ICU observada foi de 3,7°C em 13 de maio às 16:00, demonstrando o significativo efeito de aquecimento urbano.

Mapeamento Espacial da ICU

Modelamos a ICU para 13 de maio de 2023, às 16:00 (horário de máxima intensidade), usando interpolação espacial baseada em LCZ.

Mapa de Temperatura

# Map air temperatures for the peak UHI event
my_interp_map <- lcz_interp_map(
  lcz_map,
  data_frame = data_qc,
  var = "ta_int",
  station_id = "p_id",
  sp.res = 100,
  tp.res = "hour",
  year = 2023, month = 5, day = 13, hour = 16
)

# Customize the plot with titles and labels
lcz_plot_interp(
  my_interp_map,
  title = "Thermal Field - CWS Data",
  subtitle = "Berlin - May 13, 2023 at 16:00",
  caption = "Source: LCZ4r, 2024",
  fill = "Temperature [°C]"
)

Distribuição espacial da temperatura do ar durante o evento de pico da ICU em 13 de maio de 2023 às 16:00. O mapa revela padrões térmicos distintos com temperaturas mais quentes em áreas urbanas compactas e temperaturas mais frias em zonas vegetadas e periféricas.

Mapa de Anomalia Térmica

# Generate thermal anomaly map for the same event
my_anomaly_map <- lcz_anomaly_map(
  lcz_map,
  data_frame = data_qc,
  var = "ta_int",
  station_id = "p_id",
  sp.res = 100,
  tp.res = "hour",
  year = 2023, month = 5, day = 13, hour = 16
)

# Customize the anomaly plot
lcz_plot_interp(
  my_anomaly_map,
  title = "Thermal Anomaly Field - CWS Data",
  subtitle = "Berlin - May 13, 2023 at 16:00",
  caption = "Source: LCZ4r, 2024",
  fill = "Temperature Anomaly [°C]", 
  palette = "bl_yl_rd"
)

Mapa de anomalia térmica mostrando desvios da média urbana. Áreas vermelhas indicam temperaturas acima da média (hotspots de calor), enquanto áreas azuis indicam temperaturas abaixo da média (pontos frios).

Avaliação da Precisão do Mapa de ICU

Avaliamos a precisão da interpolação usando validação cruzada de deixar-um-fora (LOOCV) e calculamos métricas como RMSE, MAE e sMAPE.

Validação Cruzada

# Evaluate the interpolation accuracy
df_eval <- lcz_interp_eval(
  lcz_map,
  data_frame = data_qc,
  var = "ta_int",
  station_id = "p_id",
  year = 2023, month = 5, day = 13, 
  LOOCV = TRUE,
  extract.method = "two.step",
  sp.res = 500,
  tp.res = "hour",
  vg.model = "Sph",
  LCZinterp = TRUE
)

Métricas de Avaliação por Classe LCZ

# Calculate evaluation metrics by LCZ class
df_eval_metrics <- df_eval %>%
  group_by(lcz) %>%
  summarise(
    n_obs = n(),                                      # Number of observations
    rmse = sqrt(mean((observed - predicted)^2)),      # RMSE
    mae = mean(abs(observed - predicted)),            # MAE
    smape = mean(2 * abs(observed - predicted) / 
                (abs(observed) + abs(predicted)) * 100) # sMAPE
  ) %>%
  arrange(rmse)

# Display the metrics
df_eval_metrics

Análise de Correlação

# Correlation plot with regression equation and R²
p1 <- ggplot(df_eval, aes(x = observed, y = predicted)) +
  geom_point(alpha = 0.3, color = "#1D9E75", size = 1) +
  geom_smooth(method = "lm", color = "red", se = FALSE, linewidth = 1) +
  stat_density2d(aes(fill = after_stat(level)), geom = "polygon", alpha = 0.3) +
  scale_fill_viridis_c(option = "viridis", name = "Density") +
  stat_poly_eq(
    aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~")),
    formula = y ~ x,
    parse = TRUE,
    label.x.npc = "left",
    label.y.npc = "top",
    size = 4
  ) +
  labs(
    title = "Observed vs. Predicted Temperatures",
    x = "Observed Temperature [°C]",
    y = "Predicted Temperature [°C]"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
    axis.title = element_text(face = "bold")
  )

# Add marginal histograms
p1_with_marginals <- ggMarginal(p1, 
                                 type = "histogram", 
                                 fill = "#1D9E75", 
                                 bins = 30,
                                 alpha = 0.6)

# Print the plot
p1_with_marginals

Correlação entre temperaturas observadas e previstas a partir de dados CWS

Correlação entre temperaturas observadas e previstas a partir de dados colaborativos. O alto valor de R² indica bom desempenho do modelo, demonstrando a confiabilidade dos dados colaborativos após o QC.

Análise de Resíduos por Classe LCZ

# Residuals plot by LCZ class
p2 <- ggplot(df_eval, aes(x = observed, y = residual)) +
  geom_point(alpha = 0.3, color = "darkgreen", size = 1) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "red", linewidth = 0.8) +
  geom_smooth(method = "loess", color = "blue", se = FALSE, linewidth = 1) +
  stat_density2d(aes(fill = after_stat(level)), geom = "polygon", alpha = 0.3) +
  scale_fill_viridis_c(option = "plasma", direction = -1, name = "Density") +
  facet_wrap(~ lcz, scales = "free", ncol = 3) +
  labs(
    title = "Residuals by LCZ Class",
    x = "Observed Temperature [°C]",
    y = "Residuals [°C]"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
    axis.title = element_text(face = "bold"),
    strip.text = element_text(size = 12, face = "bold"),
    legend.position = "right",
    panel.grid.major = element_line(color = "gray90", linetype = "dotted"),
    panel.grid.minor = element_blank()
  )

# Print the plot
p2

Resíduos por classe LCZ para a avaliação dos dados colaborativos. A dispersão aleatória em torno de zero indica bom desempenho do modelo em diferentes formas urbanas.

Principais Descobertas e Discussão

Resumo dos Resultados

Métrica	Valor	Interpretação
Intensidade Máxima da ICU	3,7°C	Efeito significativo de aquecimento urbano
RMSE Geral	~0,8-1,2°C	Boa precisão de predição
LCZ de Melhor Desempenho	Open low-rise	Bem representada nos dados de treinamento
LCZ Desafiadora	Compact mid-rise	Maior variabilidade espacial

Vantagens dos Dados Colaborativos

Alta Resolução Espacial: Centenas de estações fornecem padrões térmicos urbanos detalhados
Monitoramento em Tempo Real: Captura mudanças rápidas de temperatura
Custo-Efetivo: Utiliza infraestrutura cidadã existente
Complementar: Preenche lacunas em redes oficiais de monitoramento

Benefícios do Controle de Qualidade

O processo de QC do CrowdQCplus: - Identificou e removeu leituras estatisticamente implausíveis - Reduziu ruído no sinal de temperatura - Melhorou a correlação entre valores observados e previstos - Aumentou a detecção de padrões espaciais

Aplicações Práticas

Alerta Precoce de Ondas de Calor: Identifique áreas de maior risco durante eventos de calor extremo
Planejamento Urbano: Informe a localização de infraestrutura verde com base em padrões térmicos
Adaptação Climática: Avalie a eficácia das estratégias de mitigação
Saúde Pública: Direcione intervenções em áreas vulneráveis ao calor

Salvar Resultados

# Save evaluation metrics to CSV
write.csv(df_eval_metrics, 
          file = "cws_uhi_metrics_may2023.csv", 
          row.names = FALSE)

# Save full evaluation data frame
write.csv(df_eval, 
          file = "cws_uhi_evaluation_may2023.csv", 
          row.names = FALSE)

# Save plots
ggsave("cws_correlation_plot.png", p1_with_marginals, width = 10, height = 8, dpi = 300)
ggsave("cws_residuals_by_lcz.png", p2, width = 12, height = 10, dpi = 300)

Tem sugestões ou feedback?

Você tem uma ideia para melhoria ou encontrou um erro? Adoraríamos saber! Clique no botão abaixo para criar uma nova issue (GitHub) e compartilhar seu feedback ou sugestões diretamente conosco.

Open GitHub issue

Max Anjos

April 08, 2026