Compréhension du microclimat urbain lyonnais par l’intégration de prédicteurs complémentaires à différentes échelles dans des modèles de régression

Abstract

Le changement climatique est un phénomène majeur actuel générant de multiples conséquences. En milieu urbain, il exacerbe celui de l’îlot de chaleur urbain. Ces deux manifestations climatiques engendrent des conséquences sur la santé des habitants et sur la sensation d’inconfort thermique ressenti en milieu urbain. Ainsi, il est nécessaire d’estimer au mieux la température de l’air en tout point d’un territoire, notamment face à la rationalisation actuelle du réseau de stations météorologiques fixes de Météo France. La connaissance spatialisée de la température de l’air est de plus en plus demandée pour alimenter des modèles quantitatifs liés à un large éventail de domaines, tels que l’hydrologie, l’écologie ou les études sur les changements climatiques. Cette étude se propose ainsi de modéliser la température de l’air, mesurée durant 4 campagnes mobiles réalisées durant les mois d’été, entre 2016 et 2019, dans Lyon par temps clair, à l’aide de modèle de régressions à partir de 33 variables explicatives issues de données traditionnellement utilisées, de données issues de la télédétection par une acquisition LiDAR (Light Detection And Ranging) ou satellitaire Landsat 8. Trois types de régression statistique ont été expérimentés, la régression partial least square, la régression linéaire multiple et enfin, une méthode de machine learning, la forêt aléatoire de classification et de régression. Par exemple, pour la journée du 30 août 2016, la régression linéaire multiple a expliqué 89% de la variance pour les journées d’étude, avec un RMSE moyen de seulement 0,23°C. Des variables comme la température de surface, le NDVI ou encore le MNDWI impactent fortement le modèle d’estimation.

Influence des paramètres hydro-morphométriques sur l’écoulement des eaux des sous-bassins versants de la Tshopo, République démocratique du Congo

“…La régression linéaire multiple (RLM) quand elle, a été utilisée pour modéliser la relation linéaire entre les différents paramètres hydromorphométriques analysés et déduire les variables les plus caractéristiques qui influencent significativement l'écoulement des eaux dans les sous-bassins versants de la rivière Tshopo. Cette technique est couramment utilisée dans les littératures scientifiques pour prédire et expliquer la variation d'une variable dépendante en fonction des plusieurs variables indépendantes, comme démontré par (D'Arcy [48], Kribes et al [49], El Badaoui et al [50], Amiri et al [51], Alonso et al [52,53], Abdellatif et al [54]).…”

On the Data Analysis of Participatory Air Pollution Monitoring Using Low-cost Sensors

“…Synthetic measurements were used in [13] to build Nitrogen Dioxide (NO 2 ) concentration map considering up to 4500 bike tracks randomly generated across the city of Marseille, France. The simulated observations were generated using a numerical Data from satellite acquisition combined with air temperature and relative humidity measurements collected during four mobile sensing campaigns were used in [14] to estimate air temperature in the city of Lyon, France. The estimations were performed with three regression approaches: Multiple Linear Regression, Partial Least Square Regression, and Random Forest.…”