The Surface Urban Heat Islands (SUHI) phenomenon has adverse environmental consequences on human activities, biophysical and ecological systems. In this study, Land Surface Temperature (LST) from Landsat and Sentinel-2 satellites is used to investigate the contribution of potential factors that generate the SUHI phenomenon. We employ principal component analysis (PCA) and multiple linear regression (MLR) techniques to model the main temporal and spatial SUHI patterns of Cartago, Colombia, for the period 2001–2020. We test and evaluate the performance of three different emissivity models to retrieve LST. The fractional vegetation cover model using Sentinel-2 data provides the best results with R2 = 0.78, while the ASTER Global Emissivity Dataset v3 and the land surface emissivity model provide R2 = 0.27 and R2 = 0.26, respectively. Our SUHI model reveals that the factors with the highest impact are the Normalized Difference Water Index (NDWI) and the Normalized Difference Build-up Index (NDBI). Furthermore, we incorporate a weighted Naïve Bayes Machine Learning (NBML) algorithm to identify areas prone to extreme temperatures that can be used to define and apply normative actions to mitigate the negative consequences of SUHI. Our NBML approach demonstrates the suitability of the new SUHI model with uncertainty within 95%, against the 88% given by the Support Vector Machine (SVM) approach.

Los estudios que relacionan el creciente fenómeno de urbanización y medio ambiente térmico atraen la mirada de muchos científicos alrededor del mundo. La temperatura de la superficie terrestre es considerada una variable biofísica fundamentales para una amplia variedad de estudios de la atmósfera superficial. El fenómeno de Islas de Calor Urbano Superficial (SUHI) se refiere al aumento térmico de las áreas urbanas frente a las rurales circundantes, asociado a la capacidad de retención de energía calórica de los materiales de construcción. Este estudio investigó la influencia de la urbanización en el entorno térmico urbano, así como las relaciones de la temperatura superficial terrestre con otras variables biofísicas en Cartago-Colombia, usando 37 imágenes de las series Landsat TM/ETM + y OLI/TIRS adquiridas entre 2001 y 2020. La metodología para la caracterización del fenómeno utilizó técnicas estadísticas de Análisis de Componentes Principales (PCA) y Regresión Lineal Múltiple (MLR), que permitieron detectar las tendencias térmicas espaciotemporales y definir el aporte de cada variable sobre el modelo. Se evaluaron las técnicas de Aprendizaje Automático: Support Vector Machine y Random Forest para la identificación de zonas con propiedades térmicas similares. La ciudad ha experimentado un aumento de 2.7 °C entre la última década y la anterior. Los resultados de las métricas de calidad de los clasificadores indicaron que la caracterización del fenómeno fue confiable. La información de los patrones térmicos multitemporales, y la identificación de zonas extremadamente calientes sobre los paisajes urbanos, podrían ser de interés para los planificadores del territorio que buscan minimizar los efectos del fenómeno SUHI.