Tendances de la température de surface des terres : Ahmedabad vs Delhi ()

J'ai grandi en Inde et j'ai déménagé aux États-Unis vers l'âge de 14 ans. Après avoir déménagé, nous n'avons pas visité l'Inde pendant près de 6 à 7 ans. Récemment, ma famille a décidé d'y retourner pendant l'été, de mai à juillet 2023. Lorsque nous sommes arrivés, une chose m'a immédiatement frappé : il faisait beaucoup plus chaud que dans mes souvenirs. En regardant autour de moi, j'ai compris pourquoi : une grande partie de la verdure que j'avais vue en grandissant avait disparu, remplacée par des immeubles imposants et des complexes d'appartements tentaculaires. Cela m'a brutalement rappelé à quel point le paysage avait changé et m'a fait réfléchir à l'impact de l'urbanisation rapide sur l'environnement et le climat.

Commençons par les détails !

Lors de ma récente visite en Inde, j'ai décidé d'explorer l'effet d'îlot de chaleur urbain (UHI) en analysant les températures de surface des terres (LST) d'Ahmedabad et de Delhi, deux villes qui me tiennent à cœur. Vous trouverez ci-dessous un aperçu de ces villes pour préparer le terrain :

La chronologie que j'ai choisie pour cette analyse était la suivante :

2013 : Mon point de départ, marquant une période d'études de 10 ans.
2016 : L’année où j’ai quitté l’Inde pour les USA.
2023 : Ma plus récente visite, qui a inspiré ce projet.

Pour cette étude, je me suis appuyé sur deux sources de données principales :

• Données satellite de Google Earth Engine pour récupérer les données sur les nuages ​​et la température.
• Enregistrements météorologiques issus des bases de données météorologiques des aéroports pour validation croisée.

Partie 1 : Collecte et préparation des données :

Pour ce projet, j'ai utilisé des données provenant de différentes sources pour étudier l'effet d'îlot de chaleur urbain (UHI) à Ahmedabad et à Delhi. Mon objectif principal était la température de surface des terres (LST) et les données sur les nuages, que j'ai collectées à l'aide de Google Earth Engine, ainsi que les enregistrements météorologiques des aéroports.

Utiliser Google Earth Engine

J'ai collecté des données de température auprès de WeatherSpark, une plateforme qui fournit des enregistrements météorologiques historiques détaillés. À l’aide de données spécifiques à Ahmedabad et Delhi, je me suis concentré sur le mois de mai – de 2013 à 2023 – puisque mai est généralement le mois le plus chaud de l’année dans les deux villes. Cela m'a permis d'analyser l'évolution des températures au plus fort de l'été au cours de la dernière décennie.

• météospark.com

Température de mai à Delhi : 2013, 2016, 2023

Température de mai à Ahmedabad : 2013, 2016, 2023

J'ai également utilisé les données cloud pour m'assurer que mes résultats de température étaient exacts. Les nuages ​​peuvent bloquer les lectures satellite et rendre plus difficile l’obtention de températures correctes à la surface des terres. Pour résoudre ce problème, j'ai utilisé Google Earth Engine pour filtrer les zones avec de gros nuages. Cela m'a aidé à nettoyer les données et à me concentrer uniquement sur des lectures claires, rendant mes résultats plus fiables.

Voici un exemple du code que j'ai utilisé pour extraire des données cloud. Si vous envisagez d'utiliser ce code dans Google Earth Engine, assurez-vous d'ajuster la longitude et latitude, la plage de dates (sur 365 jours) et la zone tampon. selon vos préférences :

//area of study
var ahmedabad = ee.Geometry.Point([72.5713621, 23.022505]).buffer(30000); // buffer zone
var delhi = ee.Geometry.Point([77.1025, 28.7041]).buffer(30000); //buffer zone         

//Date
var DATE_RANGE = ee.Filter.dayOfYear(121, 151); 
var YEAR_RANGE = ee.Filter.calendarRange(2013, 2023, 'year');

var L8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') //Might want to change statelite according to your needs
  .select(['ST_B10', 'QA_PIXEL']) // Temperature and QA bands
  .filter(DATE_RANGE)
  .filter(YEAR_RANGE);

// Cloud masking function
function cloudMask(image) {
  var qa = image.select('QA_PIXEL');
  var mask = qa.bitwiseAnd(1 << 3).or(qa.bitwiseAnd(1 << 4)); // Cloud and shadow bits
  return image.updateMask(mask.not());
}

// cloud mask and filter by region
var L8_filtered = L8.map(cloudMask);

// Temperature conversion (Kelvin to Fahrenheit)
function kelvinToFahrenheit(image) {
  return image.select('ST_B10')
    .multiply(0.00341802) // Scale factor
    .add(149.0)          // Offset
    .subtract(273.15)    // Convert Kelvin to Celsius
    .multiply(9 / 5)     // Convert Celsius to Fahrenheit
    .add(32)             // Add Fahrenheit offset
    .rename('LST_Fahrenheit');
}

var ahmedabadLST = L8_filtered.filterBounds(ahmedabad).map(kelvinToCelsius).mean().clip(ahmedabad);
var delhiLST = L8_filtered.filterBounds(delhi).map(kelvinToCelsius).mean().clip(delhi);

// Visualization parameters //change the colors as you like
var visualizationParams = {
  min: 20, max: 45,
  palette: ['blue', 'yellow', 'red']
};

Map.centerObject(ahmedabad, 8);
Map.addLayer(ahmedabadLST, visualizationParams, 'Ahmedabad LST');
Map.addLayer(delhiLST, visualizationParams, 'Delhi LST');

// Export results to Google Drive
Export.image.toDrive({
  image: ahmedabadLST,
  description: 'Ahmedabad_LST_2013_2023',
  region: ahmedabad,
  scale: 30,
  maxPixels: 1e13,
  fileFormat: 'GeoTIFF'
});

Export.image.toDrive({
  image: delhiLST,
  description: 'Delhi_LST_2013_2023',
  region: delhi,
  scale: 30,
  maxPixels: 1e13,
  fileFormat: 'GeoTIFF'
});

// Calculate and print summary statistics
var ahmedabadStats = ahmedabadLST.reduceRegion({
  reducer: ee.Reducer.minMax().combine(ee.Reducer.mean(), null, true),
  geometry: ahmedabad,
  scale: 30
});
print('Ahmedabad Temperature Stats:', ahmedabadStats);

var delhiStats = delhiLST.reduceRegion({
  reducer: ee.Reducer.minMax().combine(ee.Reducer.mean(), null, true),
  geometry: delhi,
  scale: 30
});
print('Delhi Temperature Stats:', delhiStats);

Vous trouverez ci-dessous l'image des données de couverture cloud

Données cloud de mai à Delhi : aperçu (analyse 2013, 2023 et sur 10 ans)

Données cloud de mai d'Ahmedabad : aperçu (analyse 2013, 2023 et sur 10 ans)

Utiliser les enregistrements météorologiques
Pour m'assurer que les données satellite étaient correctes, je les ai comparées avec les relevés météorologiques des aéroports d'Ahmedabad et de Delhi. Ces enregistrements m'ont donné des relevés de température réels, ce qui m'a aidé à confirmer que les données satellite étaient exactes.

Partie 2 : Visualisation des données avec ArcGIS Pro

Après avoir traité les données sur les nuages ​​et la température dans Google Earth Engine, l'étape suivante consistait à importer ces données dans ArcGIS Pro pour une visualisation avancée. Il s'agissait d'une partie essentielle du projet car les données brutes peuvent être difficiles à interpréter, mais la création de cartes thermiques facilite la compréhension de tous.

Pour créer les visualisations, j'ai d'abord importé les données LST (Land Surface Temperature) filtrées dans le cloud de Google Earth Engine dans ArcGIS Pro. Ces données, qui comprenaient des relevés détaillés de température, avaient déjà été affinées pour éliminer les interférences causées par la couverture nuageuse. Ce prétraitement garantissait que les données étaient propres et fiables pour créer des visualisations précises.

Une fois les données importées, j'ai utilisé ArcGIS Pro pour générer des cartes thermiques. Ces cartes ont été créées en appliquant un dégradé de couleurs pour représenter différentes plages de température. Par exemple, les zones plus froides étaient marquées de couleurs comme l'orange (≤70°F), le bleu clair (≤80°F) et le vert (≤90°F). À mesure que les températures augmentaient, des couleurs plus chaudes étaient utilisées, comme le jaune (≤120°F) et le rouge pour les températures supérieures à 140°F. La clé, ou légende, fournie avec les cartes montrait clairement ces plages de température codées par couleur, rendant les visualisations faciles à interpréter.

Ci-dessous la photo de la Légende

J'ai créé des cartes thermiques pour Ahmedabad et Delhi pour montrer comment les températures varient dans chaque ville. Les zones bâties, comme les zones industrielles ou les centres-villes, semblaient beaucoup plus chaudes et étaient représentées en rouge, tandis que les parcs et les espaces verts étaient plus frais et affichés en vert ou en bleu. Ces cartes thermiques ont clairement mis en évidence l'impact de l'urbanisation et de la verdure sur les températures de surface.

J'ai ensuite affiné les cartes thermiques à l'aide d'ArcGIS Pro en ajustant les couleurs de température et en ajoutant une flèche nord pour la direction. Ces changements ont permis de mieux comprendre la répartition de la chaleur à Ahmedabad et à Delhi.

Ci-dessous, l'image de la visualisation d'Ahmedabad

Ci-dessous, l'image de la visualisation de Delhi

Conclusion : Tendances thermiques à Ahmedabad et Delhi

Les résultats de ce projet ont montré qu'Ahmedabad est devenue beaucoup plus chaude au cours des 10 dernières années, notamment en mai, le mois le plus chaud de l'année. En utilisant des cartes thermiques dans ArcGIS Pro, j'ai découvert que les zones avec beaucoup de bâtiments et peu de verdure étaient les plus chaudes, affichées en rouge foncé, tandis que les parcs et les espaces verts étaient plus frais, affichés en vert ou en bleu. Les températures ont été analysées en Fahrenheit.

Ahmedabad est particulièrement chaud car c'est une ville en pleine croissance avec une urbanisation rapide et des espaces verts en diminution. Une caractéristique notable de la carte thermique est la rivière Sabarmati, visible sous la forme d’une ligne bleue plus froide traversant la ville. En revanche, Delhi, en tant que capitale, est plus développée et affiche des températures légèrement plus basses, même si elle reste densément peuplée et fortement bâtie. Les deux villes présentent une urbanisation dense et de grandes populations, comme le montrent les images incluses dans l'affiche.

Les données ont également mis en évidence la manière dont les espaces verts et la végétation contribuent à rafraîchir les villes. Par temps clair et sans nuages, les températures étaient plus élevées, en particulier dans les zones sans arbres ni parcs. Cela montre à quel point la verdure est importante pour garder les villes plus fraîches.

En conclusion, Ahmedabad devient de plus en plus chaude à mesure qu'elle se développe, tandis que Delhi reste chaude en raison de sa population dense et de ses infrastructures. Pour rendre les villes plus vivables, nous devons nous concentrer sur la création de davantage de parcs, la plantation d’arbres et la protection des espaces verts. Ces mesures peuvent contribuer à réduire la chaleur et à améliorer la qualité de vie dans les zones urbaines.

Ci-dessous l'affiche des résultats

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!