Brezilya’daki bir megakentte yüksek çözünürlüklü günlük ortalama hava sıcaklığını tahmin etmek için uydu tabanlı makine öğrenimi yaklaşımı

Şehir ısısının her yerde aynı olmamasının nedeni

Büyük bir şehirde sıcak bir günde, ağaçlıklı bir sokakta hissettiğiniz sıcaklık, birkaç blok ötedeki beton bir meydanda bulunan birinin deneyiminden büyük ölçüde farklı olabilir. Buna rağmen çoğu sağlık ve iklim çalışması hâlâ bir şehrin tümünü tek bir sıcaklığa sahipmiş gibi ele alıyor. Bu çalışma, bilim insanlarının uydu verileri, hava tahmin modelleri ve makine öğrenimini kullanarak Brezilya’nın São Paulo kentinde günlük sıcaklıkları ayrıntılı biçimde haritalandırmasını gösteriyor—kimin gerçekten tehlikeli ısıya maruz kaldığını ve nerede soğutma çabalarına en çok ihtiyaç duyulduğunu ortaya çıkarmaya yardımcı oluyor.

Şehrin sıcaklığını yüksek çözünürlükte ölçmek

Geleneksel sıcaklık kayıtları genellikle havaalanları veya daha zengin semtler yakınında kümelenmiş sınırlı sayıda meteoroloji istasyonuna dayanır. Bu da sıcaklığın gerçek mahalleler arasında nasıl dağıldığını görmekte zorluk yaratır; özellikle büyük şehirlerde ve izleme ağlarının seyrek olduğu düşük ve orta gelirli ülkelerde. Araştırmacılar, 22 milyondan fazla nüfusa sahip geniş ve çok çeşitli bir megakent olan São Paulo’ya odaklandı. 2015–2019 yılları arasındaki beş yıllık dönemde metropol alanın her 500x500 metrelik karesi için günlük ortalama hava sıcaklığını tahmin etmeyi hedefleyerek Güney Amerika’da şimdiye kadar oluşturulmuş en ayrıntılı kent çapı sıcaklık veri setlerinden birini yarattılar.

Uydu, hava modelleri ve yer sensörlerini harmanlamak

Bu yüksek çözünürlüklü resmi oluşturmak için ekip birkaç tür ücretsiz veri kaynağını birleştirdi. Hava sıcaklığının en doğrudan ölçümlerini sağlayan ancak yalnızca belirli noktalarda bulunan 48 yer istasyonundan veri topladılar. Ardından yüzey sıcaklığı, güneş açısı ve zeminin yansıtıcılığına ilişkin uydu gözlemlerini, ayrıca nispi nem, rüzgar ve basınç gibi bilgileri saatlik hava koşullarını kaba bir ızgarada yeniden oluşturan küresel bir hava “yeniden-analiz” ürününden aldılar. Bu bileşenler 500 metrelik ızgaraya yeniden örneklendi ve bulutlar veya eksik uydu geçişleri nedeniyle oluşan boşlukları doldurmak için temizlendi. Toplamda, ısıyı mekânda ve zamanda nasıl açıklayabileceklerini test etmek üzere 23 olası öngörücü değişken denenmiş oldu.

Isıyı okumayı öğrenen bir makine eğitmek

Basit doğrusal bir denklem kullanmak yerine bilim insanları çok sayıda karar ağacı kurup sonuçlarını ortalayan popüler bir makine öğrenimi yöntemi olan Random Forest’a yöneldiler. Bu yaklaşım, yüzey ısısı, nem ve rüzgarın şehrin farklı bölgelerinde veya yılın farklı zamanlarında sıcaklığa nasıl farklı tepki verdiği gibi karmaşık, doğrusal olmayan ilişkileri ortaya çıkarmaya uygundur. Birkaç istasyonun tuhaflıklarına fazla uyum sağlamamak için yalnızca gerçekten tahmini iyileştiren değişkenleri tutan adım adım bir özellik seçimi süreci kullandılar ve modeli iki şekilde doğruladılar: eğitim sırasında gruplar halinde istasyonları tekrar tekrar hariç bırakarak ve beş istasyonu tamamen dışarıda tutarak, modelin yeni konumlardaki performansını katı bir dış testle sınayarak.

Ayrıntılı haritaların ortaya koydukları

Nihai model yalnızca sekiz anahtar değişken kullandı; başı, küresel hava ürününden alınan hava sıcaklığı çekti ve uydu yüzey sıcaklığı ile nem de önemli roller oynadı. Model istasyon ölçümlerini çok yakın şekilde yeniden üretti; ortalama hata yaklaşık 0,8 °C civarındaydı ve gözlenen ile tahmin edilen sıcaklıklar arasında çok yüksek bir uyum vardı. Haritalar belirgin desenler gösteriyor: ormanlar, dağlar ve büyük rezervuvarlar üzerinde daha serin bölgeler; sıkı, yapılaşmış şehir merkezinde ise çevre kırsal alanlara göre 5 °C’ye kadar daha sıcak olabilen bölgeler. Model mevsimsel dalgalanmaları yakaladı; en sıcak koşullar Aralık–Mart arasında, en soğuk dönemler Mayıs–Ağustos arasında görüldü. Kırsal alanlarda doğruluğu biraz daha düşüktü ve en uç sıcak ve soğuk günleri biraz düzleştirme eğilimindeydi, ancak aynı girdileri kullanan geleneksel çoklu doğrusal regresyon modelinden yine de daha iyi performans gösterdi.

Bu haritaların insanların sağlığı için önemi

Dağınık ölçümleri ve uydu görüntülerini günlük, sokak ölçeğinde sıcaklık tahminlerine dönüştürerek bu çalışma, São Paulo ve benzer kentsel alanlar için halk sağlığı ve şehir planlamasında güçlü yeni bir araç sunuyor. Araştırmacılar artık resmi kayıtlarda sıklıkla yer almayan gecekondu mahalleleri de dahil olmak üzere farklı mahallelerin ısının etkisini inceleyebilir ve sıcak hava dalgaları sırasında hangi bölgelerdeki sakinlerin en çok risk altında olduğunu belirleyebilir. Yöntem tamamen açık veriler ve standart yazılımlar üzerine kurulu olduğundan, bazı yer istasyonları ve benzer uydu örtüsüne sahip diğer şehirlere de uyarlanabilir. Basitçe söylemek gerekirse, çalışma artık kentsel ısının çok daha ince ayrıntıyla “görülebileceğini” ve bu sayede daha adil, hedefe yönelik iklim uyumları ve savunmaları için gerekli temeli sağladığını gösteriyor.

Atıf: Roca-Barceló, A., Schneider, R., Pirani, M. et al. A satellite based machine learning approach for estimating high resolution daily average air temperature in a megacity in Brazil. Sci Rep 16, 7459 (2026). https://doi.org/10.1038/s41598-026-35689-x

Anahtar kelimeler: kentsel ısı, makine öğrenimi, uydu verileri, São Paulo, hava sıcaklığı