La predicción de la temperatura de la superficie terrestre (LST, por sus siglas en inglés) es un aspecto crítico en diversas áreas, como la gestión de recursos naturales, el monitoreo ambiental y la planificación urbana. La LST proporciona información fundamental sobre el intercambio de energía entre la superficie y la atmósfera, lo que impacta fenómenos como el cambio climático, la desertificación y las islas de calor urbano.

Tradicionalmente, los datos de LST se obtienen mediante sensores remotos, como los proporcionados por satélites (MODIS, Landsat, entre otros). Sin embargo, los datos satelitales suelen estar limitados por su resolución espacial o temporal. Para abordar estas limitaciones, la modelización basada en índices espectrales y técnicas estadísticas, como la regresión lineal múltiple, puede ser una solución eficaz.

En este proyecto, se utiliza Python como la herramienta principal para implementar un modelo de regresión lineal múltiple que incorpore índices espectrales y otros datos relevantes para predecir la LST con alta resolución espacial.

Aprenderá:

• Identificar y seleccionar índices espectrales relevantes para la predicción de la LST, como el NDVI, NDWI y SAVI.
• Procesar imágenes satelitales para generar un conjunto de datos adecuado para el análisis y modelización.
• Implementar un modelo de regresión lineal múltiple en Python que relacione los índices espectrales y otras variables explicativas con los valores observados de LST.
• Validar el modelo predictivo mediante métricas de rendimiento como el RMSE (Error Cuadrático Medio) y el R².
• Evaluar la capacidad del modelo para mejorar la resolución espacial de las estimaciones de LST.