Analysing the effect of tree canopy and urban form on urban surface heat using street IR imagery
Tid: Må 2026-06-15 kl 13.00
Plats: H1, Teknikringen 33, Stockholm
Videolänk: https://kth-se.zoom.us/j/63024958953
Språk: Engelska
Ämnesområde: Mark- och vattenteknik
Licentiand: Elina Merdymshaeva , Hållbarhet, utvärdering och styrning, Environmental Management and Assessment
Granskare: Professor Anders Brandt, Högskolan i Gävle, Gävle, Sweden
Huvudhandledare: Professor Ulla Mörtberg, Hållbarhet, utvärdering och styrning; Professor Anne Håkansson, Datatekniska och lärande system
QC 20260525
Abstract
Urbana värmeöeffekter (Urban Heat Island, UHI) förstärks i takt med klimatförändringar och urbanisering, vilket medför ökade risker för hälsa, energianvändning och urban hållbarhet. Trots omfattande forskning kvarstår betydande kunskapsluckor kring hur urban morfologi och vegetation påverkar temperaturförhållanden på detaljerad rumslig skala i det urbana landskapet. Denna licentiatavhandling syftar till att analysera urbana värmemönster i Stockholm med särskilt fokus på samspelet mellan bebyggelsestruktur, trädskikt och yttemperatur, genom användning av högupplöst mobil datainsamling och rumslig maskininlärning.
Studien baseras på mobil datainsamling (drive-by sensing), där temperaturdata samlats in med sensorer monterade på eldrivna fordon under somrarna 2021 och 2022. Datamaterialet omfattar över en miljon observationer av lufttemperatur och yttemperatur, vilka har integrerats med geodata om bebyggelse, vegetation och vatten. Samband mellan miljövariabler och temperaturmönster analyserades med statistiska metoder samt maskininlärningsmodeller, främst XGBoost och GPBoost, på flera rumsliga skalor.
Resultaten visar att DS-metoden möjliggör analys av betydande hyperlokal variation i yttemperatur, som inte fångas av traditionella väderstationer eller satellitbaserade observationer. Yttemperaturen uppvisar större variation och generellt högre värden än lufttemperaturen, vilket speglar stark påverkan från lokala markegenskaper och urban geometri. Trädskikt och minskad solexponering är konsekvent associerade med lägre temperaturdifferenser, medan hög bebyggelsetäthet bidrar till ökad värmeackumulering. Maskininlärningsmodellerna uppvisar högst förklaringsgrad på hyperlokal skala, där GPBoost presterar bättre än XGBoost genom att explicit beakta rumsliga beroenden.
Avhandlingen visar att kombinationen av högupplöst mobil miljömätning och avancerad rumslig modellering ger förbättrade möjligheter att förstå urbana värmeprocesser. Resultaten understryker vikten av finupplöst analys för att identifiera lokala värmemönster som är relevanta för mänsklig exponering. Den föreslagna metodansatsen bidrar till utvecklingen av evidensbaserade planeringsstrategier för klimatanpassning, där vegetation, skuggning och urban form utgör centrala komponenter för att minska värmebelastning i städer.