Más allá del mapa de calor
El barrio más popular es sólo una parte de la historia.

Una ciudad del desierto, vista desde la órbita y desde la calle.
Una ilustración creada en Blender para este sitio. Explica la idea; no son datos del proyecto.
Las imágenes, los diagramas y los vídeos originales conservan su idioma de origen.
Un mapa de temperatura superficial nos dice dónde hace calor en una ciudad. Por sí solo, no nos dice qué barrios son más vulnerables. Mi investigación reunió información satelital, de cobertura del suelo y censal de 369 sectores censales de Phoenix para examinar esa diferencia y para preguntar cuánto cambian las prioridades de un programa de enfriamiento cuando cambia la definición de “prioridad”.
Una manera diferente de hacer la pregunta
Estudié 369 sectores censales de Phoenix. En lugar de tratar la temperatura como si fuera todo el problema, comparé dos formas de elegir dónde actuar primero: una clasificación solo por temperatura superficial y otra según una puntuación que también tiene en cuenta cuán urbanizado está un sector, cuántas personas viven en él y cuán sensibles son al calor.
Una imagen a partir de once
La temperatura superficial procede de escenas Collection 2 Level-2 de Landsat 8 y 9. Once escenas de junio a agosto de 2024 superaron el control de calidad; se enmascararon los píxeles con nubes, sombras o saturación, y la mediana por píxel de lo restante dio un compuesto estival de temperatura y vegetación. La National Land Cover Database de 2024 aportó la superficie pavimentada y la cobertura arbórea, y la American Community Survey aportó datos de edad, pobreza y vivienda con sus márgenes de error.
Una puntuación que mantiene visibles sus partes
La puntuación de prioridad es el promedio simple de cuatro rangos percentiles: calor, carga construida (superficie pavimentada y falta de vegetación), exposición (densidad de población) y sensibilidad (personas mayores de 65 años, niños menores de cinco y pobreza). Los pesos iguales son una elección de valores, no un modelo ajustado, y el artículo lo dice. Mantener separadas las cuatro partes permite a cualquiera ver por qué un sector ocupa el puesto que ocupa.
Cuando las clasificaciones divergen
En el conjunto de los sectores, las dos clasificaciones coinciden bastante, con una correlación de rangos de 0,749. En la parte alta, donde se toman las decisiones, no: solo 17 de los 37 sectores más calurosos están también entre los 37 de mayor prioridad. Pasar de una clasificación a la otra desplazó al sector mediano 42 puestos, y los mayores desplazamientos fueron de unos 250 puestos en cada dirección.
Tres tipos de barrio
Agrupar los sectores según siete variables estandarizadas dio tres perfiles legibles: 206 sectores con calor y carga socioeconómica acumulados; 45 sectores de baja densidad alejados de los centros de enfriamiento; y 118 sectores más verdes y algo más frescos, con los residentes de mayor edad. La agrupación se mantuvo estable cuando los datos censales se perturbaron 50 veces dentro de sus márgenes de error, que es la comprobación que permite siquiera discutir los perfiles.
Una ciudad. Tres formas de leerlo.
- 01
De la radiancia al sector censal
Los valores térmicos de Landsat se convierten a kelvin con la escala y el desplazamiento publicados para el producto, se enmascaran con sus bandas de calidad de píxel y se combinan como mediana por píxel a lo largo del verano. Después, cada ráster se resume dentro de los límites de los sectores en una proyección cartográfica común. De los 373 sectores reunidos, 369 superaron las comprobaciones de cobertura y calidad.
- 02
Un cambio en la regla de decisión.
Se comparan una clasificación solo por temperatura y la clasificación de prioridad de cuatro componentes en el decil superior y en el quintil superior. La coincidencia se expresa en recuentos y como índice de Jaccard (0,298 en el decil superior), de modo que el resultado trata de qué lugares visitaría primero un programa, no de una diferencia promedio.
- 03
Perfiles que resisten la perturbación
Se eligió k-means con tres clústeres tras comparar de tres a seis clústeres frente al enlace de Ward. La estabilidad se midió volviendo a agrupar tras perturbar las variables censales dentro de sus márgenes de error: el índice de Rand ajustado mediano fue 0,797 para k-means frente a 0,580 para Ward. Ambas puntuaciones presentan agrupamiento espacial (I de Moran de aproximadamente 0,5), así que los sectores vecinos no son muestras independientes.
La temperatura superficial, la vulnerabilidad demográfica y la prioridad de intervención responden a preguntas relacionadas pero distintas. El estudio compara esas perspectivas; no mide los efectos de un programa de enfriamiento ya completado.
Los límites, con honestidad.
- La temperatura superficial medida por satélite no es la temperatura del aire, ni el calor nocturno, ni el calor en interiores.
- Los pesos iguales de la puntuación de prioridad son una elección de valores explícita. Con otros pesos, los sectores cambiarían de posición.
- El estudio no vincula ninguna clasificación con resultados de salud, y la distancia a un centro de enfriamiento es en línea recta, no tiempo de desplazamiento.
Dónde conecta esto.
ZenithSync Assay PlannerAmbos usan la incertidumbre para decidir adónde debe dirigirse una atención escasa: aquí, los márgenes de error del censo; allí, la varianza del modelo.
Encontrar el rumboLimpiar una señal de viento y enmascarar píxeles nublados son la misma tarea: corregir la medición antes de decidir.
ReleafReleaf aborda el lado cotidiano de las mismas cuestiones ambientales.Artículo: “Teledetección y aprendizaje automático interpretable para la vulnerabilidad al calor urbano a nivel de barrio en Phoenix, Arizona”. Presentado a mi profesor supervisor y aceptado por él; inédito. “Interpretable” se refiere a los perfiles de clúster legibles y a la puntuación transparente.