Wesly Young

Quisqueya University (UNIQ), Port-au-Prince, Haiti

Emails: wesly.jeune@uniq.edu / weslyjeune@hotmail.com

YOUNG Wesly (0009-0008-3467-0535) – ORCID

Executive summary

This study analyses the spatial distribution of urban heat islands (UCI) in the metropolitan region of Les Cayes (South, Haiti), a territory subject to rapid urbanization and high climate vulnerability. Using a Landsat 8 image of 1 June 2020, supplemented by a numerical field model and administrative data, surface temperature (LST) was estimated using an approximation of the MODTRAN model and NDVI-derived emissivity. A supervised classification of land cover, carried out with five algorithms and validated by the kappa coefficient, identified the main surface categories. The NDVI, NDBI and UHI indices were calculated to examine the relationships between vegetation, artificialization and thermal dynamics. The results show high ICU intensity, with an average difference of 5.43 °C between urban and rural areas. Built areas have the highest temperatures, while forests and vegetated areas remain significantly cooler. The strong correlations between LST, NDVI (r = -0.83) and NDBI (r = 0.78) confirm the decisive influence of vegetation cover and soil waterproofing on thermal variability. The study highlights the need to integrate sustainable development strategies, including increasing green spaces, reducing artificialisation and rational management of urban development.

Keywords : Heat islands; Space analysis; spectral indices; Les Cayes region; green spaces.

1         Introduction

Global population growth is fuelling rapid urbanization, leading to a significant spatial expansion of urban areas. This dynamic requires a fine understanding of the environmental changes that result from it, in order to support sustainable territorial planning (Kasniza Jumari et al., 2023; Emmanuel & Lucien, 2026). According to Sayad et al. (2024), cities are increasingly facing major climate change challenges, particularly as a result of the intensification of the urban heat island (UIC) phenomenon.

Urban heat islands (UICs) are the result of changes in land cover, loss of vegetation cover and the effects of climate change (Halder et al., 2021). They manifest themselves in a significant rise in temperatures in urban areas compared to adjacent rural areas (Badugu et al., 2023). Increasing surface artificialization, including the use of impermeable materials such as concrete and asphalt, alters the thermal properties of the earth's surface by reducing the thermal regulation capacity of green spaces (Jahangir et al., 2024; Pereira et al., 2024). Thus, UICs can exacerbate heat waves, increase energy consumption and affect public health (Aquino-Martínez et al., 2025; Cichowicz and Bochenek, 2024; Tehrani et al., 2024).

Terrestrial surface temperature (LST) is a key variable in the analysis of global climate dynamics. It plays a key role in radiative balance calculations, surface thermal studies and modelling climate change scenarios (Meng et al., 2021; Reiners et al., 2023). According to Wu et al. (2022), it is a representative indicator for the study of the urban thermal environment.

Remote sensing is therefore an essential tool for the study of urban heat islands, enabling the acquisition of spatialized and accurate data on surface temperature and land cover dynamics (Almeida et al., 2021; Liang et al., 2024). Among the Earth observation satellites available, Landsat missions in particular Landsat 7 (ETM+), Landsat 8 and Landsat 9 are distinguished by their high-performance sensors, capable of providing high-resolution multispectral images. These sensors also incorporate thermal bands, allowing fine surface temperature analysis. Studies (Kaplan et al., 2018; Khalil and Kumar, 2025; Sekertekin and Bonafoni, 2020) have shown the effectiveness of Landsat 8 in assessing the intensity and spatial distribution of ICUs, by correlating temperature data with land cover characteristics.

From this perspective, the present study focuses on the analysis of the phenomenon of urban heat islands within the metropolitan region of Les Cayes. This is a first such investigation in this southern region of Haiti, an area particularly exposed to heat waves, especially in the city of Les Cayes. Using Landsat 8 satellite images for the analysis of the spatial distribution of ICUs will allow accurate mapping of the most at-risk areas. This approach is likely to provide key elements to support urban planning decision-making and the development of targeted mitigation strategies to limit the effects of urban heat islands on local populations (Bensi & Esquivel, 2024). It can also enhance understanding of specific territorial issues and support the development of solutions adapted to local environmental realities.

1.1        Objectives

The main objective of the study is to map and analyse the spatial distribution of urban heat islands (UICs) in the Cayes region.

Specific objectives are:

• Identify the areas most affected by heat islands;
• Understand contributing factors such as urban areas, vegetation, topography;
• Determine indices or metrics to determine the influence of land use patterns on surface temperature;
• Propose recommendations to mitigate the effects of ICUs.

2 Equipment and methods

2.1. Study site

The study area covers an area of 732 km2 and includes several communes in the southern department of Haiti, including Les Cayes, Cavaillon, Saint-Louis-du-Sud and Torbeck (Figure 1).

Les Cayes, the third largest city in the country due to its demographic, economic and administrative importance, is the heart of the southern peninsula of Haiti. Its central role makes it a privileged place to observe the impacts of accelerated urbanization and climate change, notably through the formation of urban heat islands.

According to data from IHSI (2024), the southern region of Haiti has a total population of 955,607. Among the localities included in the study area, the town of Les Cayes has 153,560 inhabitants according to the same source.

2.1.1 Geomorphological and soil characteristics

The region is distinguished by a wide variety of landscapes, oscillating between coastal areas, mountainous reliefs, agricultural plains and densely populated urban areas. It encompasses a coastal part in the southeast, dominated by a large variation of altitude, oscillating from 0 m to the mean sea level at about 1300 m with the eastern part as the most mountainous (Figure 2).

La géologie de la région a été décrite de manière détaillée pour la première fois par Woodring et al. (1924), puis reprise par Maurrasse (1982). La formation géologique, nommée formation de Macaya, remonte au Crétacé et se caractérise par une prédominance de calcaire aux teintes variées, dues à la présence d’argiles et d’autres impuretés.

Ainsi, dans les zones de basse altitude (plaine des cayes, Torbeck), des dépôts sédimentaires d’origine calcaire constituent le matériau parental des différents types de sols chimiquement riches qui s’y développent.

Selon le système de classification Soil Taxonomy, on y retrouve principalement des sols tels que les Mollisols, les Inceptisols et les Alfisols. En revanche, dans les zones d’altitude et à fortes pentes, ce sont les Entisols qui prédominent.

2.1.2 Végétation et occupation des sols dans la région

Dans le Sud d’Haïti, la végétation est très variée en raison du climat, du relief et des sols (Robart, 1984). On y trouve des mangroves dans les zones côtières humides, des forêts sèches dans les plaines et les versants ensoleillés, et des forêts plus denses dans les zones en altitude. La flore s’adapte à chaque milieu, allant des plantes xérophiles dans les zones arides aux feuillus tropicaux dans les zones plus humides.

Les montagnes du Sud, comme la chaîne de la Hotte, renferment des forêts d’altitude très riches en espèces endémiques, notamment des forêts de pins et des forêts à feuillage persistant. Ces écosystèmes, essentiels pour la biodiversité, sont cependant menacés par la déforestation, les feux et l’agriculture, ce qui perturbe l’équilibre écologique de la région

La région étudiée présente une grande diversité de catégories d’occupation du sol, conformément à la classification établie par Churches et al., (2014) pour l’ensemble du territoire haïtien.

L’occupation du sol dans la région des Cayes se caractérise par une prédominance des zones urbanisées, principalement concentrées autour de la ville des Cayes, principal pôle urbain du sud d’Haïti. Des centres urbains secondaires sont également présents, notamment dans les municipalités d’Aquin, de Saint-Louis-du-Sud, de Camp-Perrin et de Torbeck. Parallèlement, l’agriculture intensive façonne largement le paysage, en particulier dans les plaines littorales, où la riziculture domine dans la plaine de Torbeck. Les zones périphériques, comme celles de Camp-Perrin, présentent des systèmes agricoles plus diversifiés incluant le maïs et les cultures maraîchères. En altitude, les pratiques agricoles reposent sur la culture du maïs et des tubercules, souvent intégrées à des systèmes agroforestiers favorisant la conservation des sols. Enfin, les espaces non anthropisés se composent de formations herbacées, de sols nus et de plans d’eau, complétant ainsi la mosaïque paysagère de la région.

2.2Data

2.2.1 Données satellitaires et autres données spatiales

Dans le cadre de l’analyse des îlots de chaleur urbains (ICU), un ensemble de données multisources a été mobilisé afin de caractériser la distribution spatiale de la température de surface (LST – Land Surface Temperature) dans la région d’étude (Tableau 1). L’analyse repose principalement sur une image satellitaire acquise par Landsat 8 le 1er juin 2020 à l’heure locale 11h14min26s (15h14 UTC), période correspondant au début de la saison chaude dans le sud d’Haïti. Bien que cette saison s’étende de juin à septembre, elle coïncide également avec la période humide, marquée par une forte nébulosité susceptible d’altérer la qualité des images satellitaires. L’image sélectionnée présente toutefois une couverture nuageuse relativement faible (5,46 %), une qualité radiométrique élevée (niveau 9), ainsi qu’un angle d’élévation solaire de 67,56° et un azimut solaire de 77,26°, conditions favorables à une bonne observation de la surface.

L’analyse thermique a permis de mettre en évidence les contrastes de température entre différentes unités territoriales, facilitant l’identification des zones à forte intensité thermique, caractéristiques des ICU.

En complément de l’imagerie satellitaire, des données administratives vectorielles ont été intégrées pour mieux contextualiser les résultats à l’échelle des entités locales. De plus, un modèle numérique de terrain (MNT) a été utilisé afin d’évaluer l’influence du relief sur la répartition thermique. Cette approche intégrée, combinant données thermiques, spatiales et topographiques, a permis d’affiner la compréhension des facteurs environnementaux et anthropiques qui régissent la variabilité spatiale des températures de surface dans la région analysée.

Tableau 1. Données de géomatique utilisées dans cette étude

Type de données	Format	Échelle	Source	Utilisation
Landsat 8	Matriciel/raster	–	USGS Earth Explorer	– Classification de l’utilisation ; – Carte de température de surface
Données administratives de la région	Vectoriel (polygones)	1 / 50 000	CNIGS, Haïti	Découpage administratif de la région d’étude
MNT de SRTM	Raster (30 m)	–	USGS Earth Explorer	– Correction atmosphérique des images/réflectance au sol; – Appréciation de l’élévation de la région sous étude

2.2.2 Pré-traitement des données

Les données ont été soumises à plusieurs étapes de prétraitement avant leur utilisation. Tout d’abord, les images multispectrales de Landsat 8 issues de la plateforme USGS Earth Explorer, ont été recoupées après l’assemblage des différentes bandes d’intérêt (Figure 3). Ces bandes comprennent les bandes optiques, le bleu (bande 2), le vert (3), le rouge (4), le proche infrarouge (5), l’infrarouge à ondes courtes ou SWIR (6), ainsi que la bande thermique (bande 10), couvrant une plage spectrale de 10,60 à 11,19 µm.

À partir de la bande QA (Quality Assessment), les pixels correspondant aux nuages et à leurs ombres ont été masqués afin d’éviter qu’ils n’affectent les valeurs radiométriques des cellules environnantes.

La correction pour la réflectance au sol, se basant sur le modèle du transfert radiatif, a été réalisée sur les images optiques. Cette étape de prétraitement permet d’éliminer les interférences, pour ne conserver que le signal réellement réfléchi par les surfaces terrestres. Grâce à ce type de pré-traitement, des indices spectraux peuvent être déterminés pour des analyses subséquentes approfondies en lien avec les ilots de chaleur.

La correction du Modèle Numérique de Terrain (MNT) a été réalisée afin d’éliminer les valeurs aberrantes et d’assurer une représentation plus réaliste du relief. Cette étape vise principalement à rendre le modèle hydrologiquement cohérent, c’est-à-dire capable de représenter correctement les écoulements de surface. Un MNT corrigé de cette manière devient ainsi pleinement exploitable pour des analyses hydrologiques fiables, telles que la délimitation des bassins versants ou la modélisation du ruissellement.

Le MNT a été, entre autres, utilisé durant le processus de correction atmosphérique des images optiques, en se servant de l’outil ATCOR, disponible dans Catalyst Professional 2223. Les paramètres fournis dans le fichier de métadonnées de l’image ont été exploités de manière semi-automatisée afin de corriger les effets liés à l’atmosphère, notamment ceux causés par les aérosols. Cette étape de prétraitement a permis d’améliorer la précision des valeurs de réflectance en surface, en éliminant les interférences atmosphériques dues aux gaz et aérosols (particules solides ou liquides en suspension dans l’atmosphère) affectant les données optiques.

2.3       Méthodologie

La méthodologie mise en œuvre dans cette étude s’articule autour de plusieurs étapes clés, comprenant, la classification des types d’occupation du sol, la production d’indices spectraux pertinents et l’estimation de la température de surface. Les cartes thématiques générées à partir de ces traitements constituent la base d’une analyse spatiale approfondie, visant à explorer les relations entre la distribution de la température de surface et les dynamiques d’occupation du sol dans la zone d’étude.

2.3.1 Détermination de la température de surface

La détermination de la température de surface (LST – Land Surface Temperature) constitue une étape centrale de l’analyse, notamment pour l’identification des îlots de chaleur urbains (ICU). Dans cette étude, la LST a été dérivée à partir des données thermiques de la bande 10 de Landsat 8, en appliquant un processus de correction atmosphérique basé sur une approximation du modèle MODTRAN (MODerate resolution atmospheric TRANsmission).

Ce modèle simule le transfert radiatif dans l’atmosphère et permet de corriger les effets liés aux gaz atmosphériques, à la vapeur d’eau et aux aérosols, en utilisant les paramètres inclus dans les métadonnées du satellite. L’application de MODTRAN permet ainsi de convertir la luminance mesurée au capteur en température de surface physique, en tenant compte des conditions atmosphériques au moment de la capture de l’image.

Les étapes d’application du modèle sont les suivantes :

1. Conversion des valeurs numériques en radiance spectrale selon USGS

Lλ = ML×Qcal +A, où

Lλ : radiance spectrale TOA (Watts/m²·sr·µm)

ML : facteur multiplicatif spécifique à la bande, extrait des métadonnées (RADIANCE_MULT_BAND_x, où x est le numéro de la bande)

A : Facteur additif spécifique à la bande, extrait des métadonnées (RADIANCE_ADD_BAND_x) ;

Qcal : Valeurs numériques des pixels du produit standard (DN), calibrées et quantifiées;

1. Calcul de la température de brillance

La température de brillance se calcule par la formule ci-après, et les paramètres K1 et K2 sont tirés du fichier des métadonnées de l’image.

Tb = , avec, K₁ : 774,8853, K₂ : 1321,0789

1. Estimation de la température de surface (LST)

En tenant compte de l’émissivité du sol (ε ) et des effets atmosphériques simulés avec MODTRAN, la température de surface est donnée par la relation :

Ts ou LST= , avec

Tb : Température de brillance ;

λ : longueur d’onde centrale de la bande 10 (≈ 10,895 µm) ;

ρ = = , avec constante de Planck (6,626×10⁻³⁴Js) ; c, vitesse de la lumière (2.998×108m/s) ; et σ, Constante de Boltzmann (1.38×10⁻²³J/K).

ε : émissivité de surface

L’émissivité est attribuée en fonction des valeurs de NDVI, conformément aux classes définies dans le tableau 2.

Tableau 2. Émissivité en fonction de NDVI associé aux types de surface

Condition sur NDVI	Type de surface	Formule ou valeur assignée
PIR ou NIR< 0,1	Eau	e = 0,97
NDVI < 0,15	Sol nu ou sans végétation	e = 0,88
0,15 <= NDVI < 0,7	Végétation partielle	e = 1 + 0,05 x ln(NDVI)
NDVI >= 0,7	Végétation dense (forêt)	e = 0,985

Une fois la température de surface estimée, une comparaison a été effectuée entre les zones urbaines et les zones rurales avoisinantes afin d’identifier les ICU. Un seuil thermique a été défini pour délimiter ces zones, fixé à une différence minimale de 2 à 3 °C entre la température d’une zone urbanisée et celle des zones rurales de référence. Cette méthode permet de cartographier l’intensité et la distribution spatiale des ICU à l’échelle locale.

Une analyse des résultats est nécessaire afin de mettre en évidence des corrélations entre les fortes températures de surface et les surfaces bâties, en lien avec l’artificialisation du sol et la faible couverture végétale.

Le modèle de transfert radiatif MODTRAN a déjà été utilisé par plusieurs auteurs (Dave et al., 2025; Rosas et al., 2017; Ye et al., 2023) dans des études portant sur la dynamique thermique urbaine.

Cependant, devant les difficultés d’implémenter l’algorithme MODTRAN, une approximation basée sur des études antérieures (Sobrino et al., 2004) a servi à la détermination de la température de surface, en simulant les paramètres. Il faut souligner qu’une approximation de MODTRAN correspond à une représentation simplifié, mathématique ou numérique, visant à reproduire ses résultats tout en réduisant le coût de calcul. Elle repose notamment sur des simulations préalablement générées à l’aide de MODTRAN. Son application a été rendue possible grâce à un script python exécuté sur QGIS 3. 28.

2.3.2 Classification de l’utilisation des sols

La classification des catégories d’occupation du sol a constitué une étape essentielle pour identifier les types de surface associés aux températures les plus élevées dans la zone d’étude. À cette fin, cinq classes d’occupation : zones bâties, surfaces agricoles, forêts, sols nus/terres agricoles nues et plans d’eau, ont été définies, ainsi qu’une classe additionnelle correspondant aux zones nuageuses, en raison de la présence de nuages sur l’image analysée. La classification a été réalisée à partir d’une image composite intégrant les bandes optiques corrigées (bandes 2, 3, 4, 5) et l’indice NDVI, utilisés comme variables explicatives.

Une classification supervisée a été menée en s’appuyant sur un échantillon de 300 points de contrôle, répartis entre les différentes classes cibles. Ces points ont été distribués de manière à refléter la variabilité spatiale des surfaces présentes sur l’image. Les classes dominantes, souvent hétérogènes (ex. : zones agricoles ou bâties), ont été davantage échantillonnées, tandis que les classes plus homogènes, telles que les plans d’eau, ont nécessité moins de points. L’objectif était d’assurer une représentation équilibrée et fiable des différentes catégories.

Par ailleurs, durant le processus de classification, 70% de l’échantillon a été utilisé pour l’entrainement des algorithmes et 30% pour la validation.

Le package rasclass (Wiesmann & Quinn, 2016) du programme R CRAN a été mobilisé pour appliquer cinq algorithmes de classification : Maximum de vraisemblance, Random Forest, Support Vector Machine (SVM), régression logistique, et les réseaux de neurones artificiels. Le choix du modèle final s’est basé sur l’évaluation des performances à l’aide du coefficient kappa dérivé de la matrice de confusion.

Il convient de noter que les algorithmes comme Random Forest et les réseaux de neurones normalement se révèlent particulièrement performants, notamment lorsque les relations entre les variables explicatives (bandes spectrales) et la variable réponse (classe d’occupation du sol) sont complexes et non linéaires.

Ce package a déjà été utilisé dans la classification de l’utilisation et la couverture des sols (La Rosa et Wiesmann, 2013).

2.3.3 Indices spectraux pour l’analyse de la température au sol

Trois indices spectraux ont été calculés comme étant des métriques nécessaires pour analyser la température de surface.

1. Le NDVI (Normalized Difference Vegetation Index) est un indice spectral largement utilisé pour évaluer la densité et la vitalité de la végétation. Il est calculé à partir du proche infrarouge et du rouge, deux bandes sensibles à la réflectance végétale. En lien avec la température de surface, le NDVI permet d’identifier les zones où la végétation joue un rôle de régulateur thermique naturel. En effet, les surfaces densément végétalisées ont tendance à absorber moins de chaleur grâce à la transpiration des plantes et à l’ombrage naturel, ce qui entraîne une réduction locale de la température de surface. Ainsi, une forte valeur de NDVI est généralement associée à des zones plus fraîches.

Ainsi, les valeurs de NDVI s’échelonnent de -1 à 1. Les valeurs négatives sont généralement associées à l’eau, aux zones humides ou aux nuages. Les valeurs proches de zéro correspondent aux surfaces minérales telles que le sol nu ou les zones bâties. En revanche, les valeurs proches de 1 indiquent une végétation dense et en bonne santé.

La formule utilisée pour le calcul de NDVI est la suivante :

NDVI

NIR : Proche infrarouge (bande 5 de Landsat 8) ;

Red : rouge (bande 4 de Landsat 8)

1. Le NDBI (Normalized Difference Built-up Index) est utilisé pour détecter les zones bâties en s’appuyant sur la différence de réflectance entre l’infrarouge à ondes courtes (SWIR) et le proche infrarouge (NIR). Les zones urbaines, souvent imperméables et minérales, ont tendance à stocker davantage de chaleur, ce qui augmente significativement la température de surface. Une forte valeur de NDBI est donc souvent corrélée à une LST élevée. L’analyse croisée entre le NDBI et la température de surface permet ainsi de localiser les zones où l’urbanisation contribue le plus à l’effet d’îlot de chaleur.

Les valeurs négatives indiquent généralement la présence de végétation, de zones humides ou de sols nus, tandis que les valeurs positives sont caractéristiques des zones fortement urbanisées ou bâties.

La formule utilisée pour le calcul de NDBI est la suivante :

NDBI

SWIR : Infrarouge à ondes courtes (bande 6 de Landsat 8)

NIR : Proche infrarouge (bande 5 de Landsat 8)

1. L’indice UHI (Urban Heat Island) fait directement référence au phénomène d’îlot de chaleur urbain, qui se manifeste par des températures de surface plus élevées dans les zones urbanisées par rapport aux zones rurales environnantes. Le calcul de l’UHI repose souvent sur la différence de LST entre les zones bâties et les zones non bâties (souvent végétalisées ou agricoles). Cet indice permet de quantifier l’intensité de l’effet d’îlot de chaleur urbain, mettant en évidence l’impact de l’urbanisation et du manque de couverture végétale sur l’augmentation des températures locales. Combiné aux indices NDVI et NDBI, il offre une vision intégrée de la dynamique thermique en milieu urbain.

Ainsi, le UHI se calcule de la manière suivante :

UHI=LST_urbain – LST_rural, avec

LST_urbain : Température moyenne des zones bâties ;

LST_urbain : Température moyenne des zones végétalisées ou non bâties;

L’indice ainsi obtenu a été classé en quatre niveaux d’intensité (Zhou et al., 2019): faible pour des valeurs inférieures à 2 °C (UHI < 2), modéré pour des valeurs comprises entre 2 et 5 °C (2 ≤ UHI < 5), élevé entre 5 et 8 °C (5 ≤ UHI < 8), et extrême au-delà de 8 °C (UHI ≥ 8).

2.3.4 Analyses statistiques et interprétations des résultats

La méthodologie adoptée dans cette étude repose sur la production de cartes thématiques des indices NDVI (Normalized Difference Vegetation Index), NDBI (Normalized Difference Built-up Index) et UHI (Urban Heat Island) afin de représenter la distribution spatiale des îlots de chaleur urbains (ICU). Ces indicateurs permettent de caractériser respectivement la couverture végétale, l’intensité de l’urbanisation et les variations thermiques au sein du tissu urbain.

Des analyses statistiques à la fois descriptives et inférentielles ont été appliquées aux cartes d’indices spectraux ainsi qu’à celles de l’occupation du sol, dans le but d’identifier les facteurs influençant la variabilité spatiale de la température de surface dans la zone d’étude. Les paramètres statistiques de base, tels que les valeurs minimale, maximale, moyenne et l’écart-type, ont été extraits afin de caractériser la distribution des températures et des indices. Parallèlement, des analyses de corrélation ont été menées entre la température de surface et les indices NDVI (Normalized Difference Vegetation Index) et NDBI (Normalized Difference Built-up Index), en vue d’évaluer les relations entre les propriétés spectrales de l’environnement urbain et la dynamique thermique observée.

En complément, une analyse comparative de la température de surface selon les principales classes d’occupation du sol a été réalisée, permettant d’appréhender plus finement les interactions entre la densité de l’urbanisation, la couverture végétale et l’intensité des îlots de chaleur urbains (ICU). Cette dernière a été conduite à l’aide d’une analyse de variance (ANOVA) suivie d’un test post-hoc de Tukey HSD, justifiée par la normalité des distributions observées dans chaque groupe, conformément aux propriétés asymptotiques associées aux grands échantillons.

Dans cette optique, les données relatives aux ICU ont été croisées avec les données d’occupation du sol, après transformation de la carte d’occupation du sol en format vectoriel. Cette intégration spatiale a permis de mieux appréhender les variations thermiques en fonction des différentes unités territoriales.

Enfin, les résultats obtenus ont été interprétés afin de formuler des conclusions sur les mécanismes responsables de l’intensification des îlots de chaleur urbains, et de proposer des pistes de recommandations en matière d’aménagement durable visant à atténuer leurs effets.

Le schéma conceptuel illustrant l’ensemble des étapes méthodologiques mises en œuvre dans cette étude est présenté à la Figure 4.

3         Results and discussions

3.1        Résultats de la classification de l’utilisation des sols

3.1.1       Performance des cinq classificateurs utilisés

Les résultats issus des différentes méthodes de classification (Annexe) révèlent des performances globalement élevées, avec des indices kappa variant entre 0.77 (réseaux de neurones) et 0.90 (Random Forest). Le classificateur Random Forest se démarque par sa robustesse, affichant une précision globale très élevée, en particulier pour les classes Sols nus/terre agricole (0.92) et Agriculture (0.93), tout en maintenant une bonne capacité de généralisation sur l’ensemble des classes (Tableau 3). Les performances du classificateur Random Forest observées dans cette étude sont en accord avec celles rapportées par Jeune et al., (2018). D’autres travaux, notamment ceux de Belgiu et Drăguţ, (2016), ont également confirmé l’efficacité de cet algorithme dans des contextes de classification appliquée à la télédétection. À l’inverse, les réseaux de neurones montrent une variabilité plus marquée dans les performances selon les classes, avec une précision utilisateur en baisse pour Forêt (0.76) et Agriculture (0.88), ce qui explique la valeur kappa plus faible (0.77). Cela peut être attribué à un surajustement local ou à une sensibilité plus élevée à la distribution des échantillons d’apprentissage.

Tableau 3. Performance des algorithmes dans la classification de l’utilisation des sols

Classificateur	Classe	Eau	Bâti	Agri	Sols nus/T. agr.	Forêt	Préc. Prd.
RandomForest kappa = 0.90	Eau	4	0	0	0	0	1.00
	Bâti	0	20	0	0	0	1.00
	Agriculture	0	0	25	0	3	0.89
	Sols nus/T. agr.	0	2	0	23	0	0.92
	Forêt	0	0	2	0	11	0.85
	Précision util.	1.00	0.91	0.93	1.00	0.79	NA

Légende : Précision util. = précision de l’utilisateur ; Préc. Prd. = précision du producteur ; Agri : Agriculture

Par ailleurs, la classification par maximum de vraisemblance démontre une stabilité remarquable avec un kappa de 0.88, surtout pour les classes Bâti et Eau (précision utilisateur = 1.00). Le SVM (Support Vector Machine), avec un kappa de 0.89, affiche d’excellents résultats sur la classe Eau et Bâti, mais présente un taux d’erreur notable pour Forêt (précision producteur = 0.727), probablement lié à une confusion avec la classe Agriculture. La régression logistique, bien qu’efficace pour certaines classes comme Sols nus/terre agricole (1.00), souffre de confusions entre Bâti et Agriculture, réduisant sa précision pour ces catégories. Ces résultats soulignent l’importance de choisir le classificateur en fonction de la nature des classes et des objectifs de l’étude, tout en tenant compte des compromis entre généralisation, précision locale et robustesse multi-classe.

3.1.2 Distribution spatiale des classes d’utilisation des sols

L’analyse des performances des classificateurs a permis de retenir l’algorithme Random Forest comme méthode la plus fiable pour la cartographie de l’occupation du sol dans ce cas spécifique. La carte résultante a ainsi été utilisée comme base pour l’estimation de l’indice d’îlot de chaleur urbain (UHI), en croisant les températures de surface (LST) avec les classes d’utilisation des sols. Parmi les cinq classes identifiées (Tableau 4), la classe agriculture domine largement le territoire, représentant 53 % de la superficie totale, soit environ 36 516 hectares. Elle est suivie par les sols nus et terres agricoles (22 %) et les zones bâties (15 %). Cette répartition spatiale des usages influence fortement la dynamique thermique régionale, les surfaces végétalisées et les espaces ruraux jouant un rôle modérateur sur les températures.

Tableau 4. Répartition des classes d’utilisation des sols

Classe	Surface[1] (ha)	Superficie (%)
Eau	517	1
Bâti	10275	15
Agriculture	36516	53
Sols nus / Terre agricole	15094	22
Forêt	6405	9

La carte d’occupation du sol du sud-ouest d’Haïti (Figure 5), établie pour le mois de juin 2020, met en évidence la répartition spatiale des principales classes d’utilisation des terres. Les zones bâties se concentrent majoritairement le long du littoral, traduisant une urbanisation accrue dans les basses altitudes, tandis que les surfaces agricoles dominent les espaces intérieurs. La couverture forestière apparaît principalement dans les zones d’altitude, suggérant une relative préservation des écosystèmes naturels en terrain montagneux. Les plans d’eau sont clairement délimités en bleu, alors que les hachures indiquent les secteurs masqués par une couverture nuageuse, ayant limité l’interprétation satellitaire. Cette cartographie constitue un outil fondamental pour l’analyse des interactions entre l’occupation du sol et les dynamiques environnementales, notamment en ce qui concerne le phénomène des îlots de chaleur urbains.

3.2        Température de surface cartographiée

L’analyse de la carte de température de surface révèle une forte variabilité spatiale des températures, oscillant entre 14,6 °C et 47,6 °C, avec une température moyenne de 29,6 ± 4,6 °C (Figure 6). Les zones présentant les températures les plus élevées, localisées principalement dans les secteurs côtiers urbanisés, se distinguent nettement par des teintes rougeâtres. Ces secteurs correspondent à la ville des Cayes, faisant partie des espaces fortement anthropisés, caractérisés par une imperméabilisation des surfaces, une faible couverture végétale et une densité bâtie élevée, conditions propices à la formation d’îlots de chaleur urbains (UHI). En revanche, les températures les plus faibles, observées au nord-est et au sud-est de la zone, coïncident avec des milieux agricoles, forestiers et d’altitude, favorisant un effet de refroidissement par évapotranspiration.

La distribution spatiale observée traduit également un gradient thermique orienté de l’intérieur vers le littoral ouest, illustrant l’influence combinée de l’occupation du sol, de la topographie et de l’urbanisation sur la dynamique thermique de surface. Ces résultats mettent en évidence la nécessité d’une gestion adaptée de l’aménagement urbain, notamment pour limiter les effets thermiques induits par la densification des constructions en milieu tropical côtier.

3.3 Résultats des indices NDVI, NDBI et UHI

1. L’indice de végétation (Figure 7) par différence normalisée (NDVI), calculé à partir des bandes rouges et proche infrarouge, a permis d’observer une variation allant de –0,33 dans les plans d’eau légèrement turbides à 0,88 dans les zones végétalisées, notamment les fragments forestiers. Les zones bâties affichent également des valeurs négatives, témoignant de l’absence de couverture végétale. Par ailleurs, les espaces agricoles, représentés en vert pâle, occupent une portion importante de la zone d’étude.

1. L’indice de construction de différence normalisée (NDBI-Normalized Difference Built-up Index) présente une variation allant de –0,58 à 0,21 (Figure 8). Les valeurs négatives sont associées aux zones végétalisées ou aux secteurs plus frais, typiquement recouverts de forêts ou de cultures.

En revanche, les valeurs supérieures ou égales à 0,20 correspondent aux zones bâties ou artificialisées, caractérisées par une forte imperméabilisation. Les valeurs intermédiaires, comprises entre 0 et 0,20, sont généralement représentatives des sols nus, tels que les terres agricoles récemment labourées ou les surfaces non végétalisées.

1. L’analyse thermique met en évidence un contraste net entre les zones urbanisées et les milieux ruraux de la région des Cayes. La température moyenne y atteint 32,69 °C en milieu bâti, contre 27,26 °C dans les zones agricoles et forestières environnantes. Cet écart de 5,43 °C constitue un indice global d’îlot de chaleur urbain (UHI), correspondant à une intensité élevée selon la typologie de Zhou et al. (2019).

La carte des classes UHI (Figure 9), élaborée en soustrayant la température moyenne des zones rurales à la température de chaque pixel, révèle une répartition spatiale différenciée de l’intensité thermique. Les valeurs les plus élevées (UHI > 8 °C), représentées en rouge et orange, se concentrent autour du centre-ville des Cayes et de ses environs agricoles, où la combinaison de surfaces imperméables, de faible couverture végétale et d’activités humaines intensives favorise la surchauffe. À l’inverse, les zones en bleu et vert (<5 °C), correspondant à des milieux forestiers et agricoles, témoignent d’une moindre intensité thermique grâce à leur capacité de régulation par évapotranspiration.

Ce gradient thermique marqué entre espaces urbanisés et ruraux souligne l’influence déterminante de l’occupation du sol sur la dynamique thermique locale. Ces résultats mettent en lumière la vulnérabilité accrue des zones densément peuplées face aux effets des îlots de chaleur, conformément souligné par Sidiqui et al. (2022). Ils appellent à la mise en œuvre de stratégies d’adaptation, telles que l’extension des espaces verts urbains et la préservation des ceintures agricoles en périphérie, afin d’atténuer l’impact thermique dans les zones critiques, notamment dans l’agglomération des Cayes.

3.4 Relations entre la température de surface, les indices et l’utilisation des sols

3.4.1 Lien entre la température et les indices NDVI et NDBI

Les résultats présentés dans le tableau 5 mettent en évidence une relation statistiquement significative entre la température de surface (LST) et deux indices dérivés de la télédétection : le NDVI (Normalized Difference Vegetation Index) et le NDBI (Normalized Difference Built-up Index). Une corrélation négative forte est observée entre le NDVI et la LST (r = –0,83 ; R² = 0,68 ; p < 0,001), indiquant que les zones densément végétalisées présentent des températures de surface plus faibles, ce qui confirme le rôle de la végétation dans la régulation thermique via l’évapotranspiration. À l’inverse, le NDBI présente une corrélation positive notable avec la LST (r = 0,78 ; R² = 0,61, p < 0,001), soulignant que les zones bâties ou artificialisées sont associées à des températures plus élevées. Ces résultats traduisent clairement l’impact contrasté de l’occupation du sol sur la dynamique thermique de surface, et confirment que l’intensité des îlots de chaleur urbains (UHI) est étroitement liée à la structure paysagère et à la couverture végétale.

Tableau 5. Corrélations entre des indices et la température de surface (LST)

Paramètres	Coefficient de corrélation (r)	Coefficient de détermination (R2)	p-valeur
NDVI	-0,83	0,68	0,0000
NDBI	0,78	0,61	0,000

3.4.2 Lien entre la température de surface et l’utilisation des sols

L’extraction des températures moyennes au sein des cinq classes d’occupation du sol a constitué la base de l’analyse de variance réalisée. Les résultats de l’ANOVA, appuyés par le test post-hoc de Tukey HSD, révèlent des différences hautement significatives entre les classes (p-value ≪ 0,05), comme le montre la Figure 10.

Les lettres a, b, c, d, e indiquent une différence statistiquement significative entre les classes.

L’attribution de lettres distinctes à chaque groupe confirme la significativité statistique des écarts observés. Les zones forestières affichent la température moyenne la plus faible (25,5 °C), suivies des zones d’eau (29,5 °C), des zones agricoles (30,5 °C), des sols nus (31,6 °C), et des zones bâties, qui présentent la valeur la plus élevée (32,2 °C). Ces résultats illustrent l’impact de l’occupation du sol sur la dynamique thermique, soulignant le rôle amortisseur des milieux végétalisés face à l’intensification des îlots de chaleur urbains liée à l’artificialisation des surfaces. Ces résultats sont concordants avec ceux vérifiés par (Saha et al., 2021) qui ont analysé la relation spatiale entre l’occupation du sol (LULC) et la température de surface (LST) dans trois agglomérations urbaines de l’est de l’Inde.

3.5 Limites de l’étude

Quoique les objectifs définis dans cette étude aient été atteints, l’une des principales limites de cette étude tient à la faible disponibilité d’images satellitaires récentes exemptes de couverture nuageuse, en particulier durant les mois les plus chauds comme juillet et août. Cette contrainte, fréquente en climat tropical, a restreint l’analyse à une image capturée à 11h14mn26s (heure locale), soit un horaire où les surfaces ne sont pas encore pleinement chauffées, ce qui limite la représentativité du pic thermique journalier. Par conséquent, l’intensité réelle des îlots de chaleur urbains (UHI) pourrait être sous-estimée, et la dynamique saisonnière de la température de surface est partiellement représentée, restreignant ainsi la portée des conclusions à l’échelle annuelle.

Par ailleurs, l’inaccessibilité à la version complète du modèle MODTRAN a limité la possibilité de générer des corrections atmosphériques plus spécifiques et adaptées aux conditions locales. De surcroît, l’absence de données de terrain n’a pas permis de valider la carte de température de surface (LST) à l’aide d’indicateurs comme l’erreur quadratique moyenne (RMSE). Cette absence de vérité terrain constitue un frein important à l’évaluation de la précision absolue des résultats. Bien que les tendances observées soient cohérentes avec les connaissances actuelles, une validation sur le terrain demeure indispensable pour renforcer la crédibilité des interprétations et assurer leur application dans les prises de décision.

4 Conclusion et recommandations

L’étude menée dans la région des Cayes met en évidence la pertinence de la télédétection pour la cartographie et l’analyse de la dynamique thermique urbaine, en particulier à travers l’exploitation des données Landsat 8 et des indices spectraux tels que le NDVI, le NDBI et l’UHI. Les résultats obtenus confirment que les zones bâties, caractérisées par une faible couverture végétale, sont les plus exposées aux surchauffes, tandis que les milieux agricoles et forestiers jouent un rôle majeur dans la régulation thermique. La carte d’occupation du sol, générée à l’aide de la classification supervisée par l’algorithme Random Forest, a permis d’établir une correspondance entre la structure spatiale du territoire et l’intensité des îlots de chaleur urbains (ICU). Les contrastes thermiques ainsi observés illustrent clairement l’effet de l’artificialisation des surfaces sur l’élévation des températures de surface.

Afin de renforcer la fiabilité et la transférabilité de ce type d’analyse, il est recommandé d’utiliser des images satellites récentes et sans couverture nuageuse, notamment durant les périodes critiques de l’année (juillet-août). L’intégration de données in situ s’avère également nécessaire pour valider les estimations thermiques dérivées des données satellitaires. En outre, la mise en œuvre de stratégies d’aménagement urbain axées sur l’augmentation des surfaces végétalisées et la réduction des matériaux imperméables constitue un levier essentiel pour limiter l’amplification des ICU. Le recours à des outils de correction atmosphérique avancés, tels que MODTRAN, représente également un atout méthodologique pour affiner la précision des analyses futures.

Compte tenu de la forte concentration des zones à haute intensité thermique autour de la ville des Cayes, il apparaît indispensable d’intégrer les résultats de cette étude dans les politiques locales de planification urbaine. La promotion de l’agroforesterie en périphérie, la reforestation des zones dégradées et une gestion rationnelle de l’expansion urbaine doivent être érigées en priorités par les décideurs. Par ailleurs, le verdissement de la ville des Cayes, en privilégiant les espèces locales adaptées aux conditions climatiques et écologiques, constitue une stratégie essentielle pour atténuer les îlots de chaleur urbains, améliorer le confort thermique et renforcer la résilience environnementale. Enfin, la sensibilisation des communautés aux impacts des ICU et à l’importance de la couverture végétale constitue un volet complémentaire indispensable pour renforcer la résilience territoriale face aux effets du changement climatique.

Jeune (2026). Analyse de la distribution spatiale des î️lots de chaleur dans la ré️gion des Cayes (Sud, Haïti)) – ESS-InfosNation-030

5 Références citées

Almeida, C. R. de, Teodoro, A. C. et Gonçalves, A. (2021). Study of the Urban Heat Island (UHI) Using Remote Sensing Data/Techniques: A Systematic Review. Environments, 8(10), 105. https://doi.org/10.3390/environments8100105

Aquino-Martínez, L. P., Ortega-Guerrero, B., Quintanar, A. I. et Díaz-Esteban, Y. (2025). Synoptic patterns and heatwaves: Intensifying urban heat islands in the Mexico Basin. Urban Climate, 59, 102318. https://doi.org/10.1016/j.uclim.2025.102318

Badugu, A., Arunab, K. S., Mathew, A. et Sarwesh, P. (2023). Spatial and temporal analysis of urban heat island effect over Tiruchirappalli city using geospatial techniques. Geodesy and Geodynamics, 14(3), 275‑291. https://doi.org/10.1016/j.geog.2022.10.004

Belgiu, M. et Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24‑31. https://doi.org/10.1016/j.isprsjprs.2016.01.011

Bensi, L. P., & Esquivel, R. A. (2024). Assessing the Surface Urban Heat Island Effect in Nueva Ecija, Philippines: A Decadal Analysis Using Landsat 8 Satellite Imagery. International Journal of Research and Innovation in Applied Science, 9(11), 427-433. https://www.rsisinternational.org/journals/ijrias/digital-library/volume-9-issue-11/427-433.pdf

Churches, C. E., Wampler, P. J., Sun, W. et Smith, A. J. (2014). Evaluation of forest cover estimates for Haiti using supervised classification of Landsat data. International Journal of Applied Earth Observation and Geoinformation, 30, 203‑216. https://doi.org/10.1016/j.jag.2014.01.020

Cichowicz, R. et Bochenek, A. D. (2024). Assessing the effects of urban heat islands and air pollution on human quality of life. Anthropocene, 46, 100433. https://doi.org/10.1016/j.ancene.2024.100433

Dave, J. A., Pandya, V., Goettsche, F.-M., Varchand, H. K., Parmar, P. N., Desai, D. D., Kardani, D. B., Shah, D. B., Gujrati, A., Pathak, V. N., Trivedi, H. J. et Pandya, M. R. (2025). A hybrid physics-based method for estimating land surface temperature using radiative transfer simulations and machine learning model from Sentinel-3A SLSTR observations. Earth Science Informatics, 18(1), 150. https://doi.org/10.1007/s12145-024-01530-0

Emmanuel, K. A. E., et Lucien, G. E. (2026). Les Espaces Verts Urbains Face aux Îlots de Chaleur: Une synthèse. Espace Sciences et Société. Les Espaces Verts Urbains Face aux Îlots de Chaleur : Une synthèse – Archive ouverte HAL

Halder, B., Bandyopadhyay, J. et Banik, P. (2021). Evaluation of the Climate Change Impact on Urban Heat Island Based on Land Surface Temperature and Geospatial Indicators. International Journal of Environmental Research, 15(5), 819‑835. https://doi.org/10.1007/s41742-021-00356-8

Institut Haïtien de Statistique et d’Informatique (IHSI). Estimations désagrégées de la population haïtienne en 2024. Direction des Statistiques Démographiques et Sociales (DSDS) Juillet 2024. Ministère de l’Économie et des Finances (MEF), Haïti.

Jahangir, M. H., Zarfeshani, A. et Arast, M. (2024). Investigation of green roofs effects on reducing of the urban heat islands formation (The case of a municipal district of Tehran City, Iran). Nature-Based Solutions, 5, 100100. https://doi.org/10.1016/j.nbsj.2023.100100

Jeune, W., Francelino, M. R., Souza, E. de, Fernandes Filho, E. I. et Rocha, G. C. (2018). Multinomial Logistic Regression and Random Forest Classifiers in Digital Mapping of Soil Classes in Western Haiti. Revista Brasileira de Ciência Do Solo, 42, e0170133. https://doi.org/10.1590/18069657rbcs20170133

Kaplan, G., Avdan, U. et Avdan, Z. Y. (2018). Urban Heat Island Analysis Using the Landsat 8 Satellite Data: A Case Study in Skopje, Macedonia. Proceedings, 2(7), 358. https://doi.org/10.3390/ecrs-2-05171

Kasniza Jumari, N. A. S., Ahmed, A. N., Huang, Y. F., Ng, J. L., Koo, C. H., Chong, K. L., Sherif, M. et Elshafie, A. (2023). Analysis of urban heat islands with landsat satellite images and GIS in Kuala Lumpur Metropolitan City. Heliyon, 9(8). https://doi.org/10.1016/j.heliyon.2023.e18424

Khalil, M. et Kumar, J. S. (2025). Assessing Urban Heat Island Intensity in Damascus City Using Google Earth Engine and Landsat 8 and 9: a Comparative Analysis. Remote Sensing in Earth Systems Sciences. https://doi.org/10.1007/s41976-025-00202-x

La Rosa, D. et and Wiesmann, D. (2013). Land cover and impervious surface extraction using parametric and non-parametric algorithms from the open-source software R: an application to sustainable urban planning in Sicily. GIScience & Remote Sensing, 50(2), 231‑250. https://doi.org/10.1080/15481603.2013.795307

Liang, X., Guo, S., Huang, C., Wang, B., Xiao, Y., He, J., Li, Y., Wang, M. et Guan, Q. (2024). Modeling the Subpixel Land-Use Dynamics and Its Influence on Urban Heat Islands: Impacts of Factors and Scale, and Population Exposure Risk. Sustainable Cities and Society, 107, 105417. https://doi.org/10.1016/j.scs.2024.105417

Maurrasse, F. J. R. (1982). Survey of the Geology of Haiti: Guide to the Field Excursions in Haiti of the Miami Geological Society, March 3-8, 1982. Miami Geological Society.

Meng, C., Huang, C., Dou, J., Li, H. et Cheng, C. (2021). Key parameters in urban surface radiation budget and energy balance modeling. Urban Climate, 39, 100940. https://doi.org/10.1016/j.uclim.2021.100940

Pereira, C., Flores-Colen, I. et Mendes, M. P. (2024). Guidelines to reduce the effects of urban heat in a changing climate: Green infrastructures and design measures. Sustainable Development, 32(1), 57‑83. https://doi.org/10.1002/sd.2646

R Development Core Team (2025). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/

Reiners, P., Sobrino, J. et Kuenzer, C. (2023). Satellite-Derived Land Surface Temperature Dynamics in the Context of Global ChangeA Review. Remote Sensing, 15(7), 1857. https://doi.org/10.3390/rs15071857

Robart, G. (1984). Végétation de la République de Haïti. Université scientifique et médicale de Grenoble.

Rosas, J., Houborg, R. et McCabe, M. F. (2017). Sensitivity of Landsat 8 Surface Temperature Estimates to Atmospheric Profile Data: A Study Using MODTRAN in Dryland Irrigated Systems. Remote Sensing, 9(10), 988. https://doi.org/10.3390/rs9100988

Saha, S., Saha, A., Das, M., Saha, A., Sarkar, R. et Das, A. (2021). Analyzing spatial relationship between land use/land cover (LULC) and land surface temperature (LST) of three urban agglomerations (UAs) of Eastern India. Remote Sensing Applications: Society and Environment, 22, 100507. https://doi.org/10.1016/j.rsase.2021.100507

Sayad, B., Helmi, M. R., Osra, O. A., Abed, A. M. et Alhubashi, H. H. (2024). Microscale Investigation of Urban Heat Island (UHI) in Annaba City: Unveiling Factors and Mitigation Strategies. Sustainability (Switzerland), 16(2). https://doi.org/10.3390/su16020747

Sekertekin, A. et Bonafoni, S. (2020). Land Surface Temperature Retrieval from Landsat 5, 7, and 8 over Rural Areas: Assessment of Different Retrieval Algorithms and Emissivity Models and Toolbox Implementation. Remote Sensing, 12(2), 294. https://doi.org/10.3390/rs12020294

Sidiqui, P., Roös, P. B., Herron, M., Jones, D. S., Duncan, E., Jalali, A., … & Irshad, M. (2022). Urban Heat Island vulnerability mapping using advanced GIS data and tools. Journal of Earth System Science, 131(4), 266.

Sobrino, J. A., Jiménez-Muñoz, J. C. et Paolini, L. (2004). Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment, 90(4), 434‑440. https://doi.org/10.1016/j.rse.2004.02.003

Tehrani, A. A., Veisi, O., kia, K., Delavar, Y., Bahrami, S., Sobhaninia, S. et Mehan, A. (2024). Predicting urban Heat Island in European cities: A comparative study of GRU, DNN, and ANN models using urban morphological variables. Urban Climate, 56, 102061. https://doi.org/10.1016/j.uclim.2024.102061

Wiesmann, D., & Quinn, D. (2016). rasclass: supervised raster image classification. R package version 0.2. 2.

Wu, Y., Shan, Y., Lai, Y. et Zhou, S. (2022). Method of calculating land surface temperatures based on the low-altitude UAV thermal infrared remote sensing data and the near-ground meteorological data. Sustainable Cities and Society, 78, 103615. https://doi.org/10.1016/j.scs.2021.103615

Ye, X., Liu, R., Hui, J. et Zhu, J. (2023). Land Surface Temperature Estimation from Landsat-9 Thermal Infrared Data Using Ensemble Learning Method Considering the Physical Radiance Transfer Process. Land, 12(7), 1287. https://doi.org/10.3390/land12071287

Zhou, D., Xiao, J., Bonafoni, S., Berger, C., Deilami, K., Zhou, Y., Frolking, S., Yao, R., Qiao, Z. et Sobrino, J. A. (2019). Satellite Remote Sensing of Surface Urban Heat Islands: Progress, Challenges, and Perspectives. Remote Sensing, 11(1), 48. https://doi.org/10.3390/rs11010048