Intensité et spatialisation de l’îlot de chaleur urbain parisien à partir de données participatives

Abstract

L’îlot de chaleur urbain est une des principales manifestations du climat urbain qui se caractérise par des températures plus élevées en ville qu’à la campagne et peut avoir des conséquences importantes pour les citadins en particulier lors des vagues de chaleur. Par convention, l’intensité de l’îlot est calculée, à partir des données des stations météorologiques de référence, comme la différence de température de l’air entre les zones urbaines et rurales environnantes. Dans cet article, nous cherchons à quantifier cette intensité et son extension sur la région parisienne, à partir d’un jeu de données massives participatives, que nous avons collectées depuis l’été 2017. Nous détaillons l’analyse critique de ces données non homogènes, absolument nécessaire avant leur exploitation scientifique. Nous montrons alors l’existence d’un îlot de chaleur urbain nocturne, dont l’intensité et l’extension spatiale varient selon les saisons et les conditions atmosphériques, avec une intensification lors des nuits radiatives (ciel clair, vent calme). In fine, nous spatialisons cet îlot pour des conditions radiatives et le comparons avec l’îlot de surface, produit à partir des températures de surface MODIS.

The importance of crowdsourced observations for urban climate services

“…However, studies have shown that the instrument has an inbuilt lag and that if it is not positioned in shade then it is vulnerable to radiative overheating from direct sunlight (Büchau, 2018; Coney et al, 2022; Meier et al, 2017). Moreover, if the owner does not specify their location, a false location may be assigned using the IP address of the assigned wireless network (Madelin & Dupuis, 2020; Meier et al, 2017).…”

“…There have been a considerable number of studies that have explored such sources for temperatures in individual cities-Berlin (Meier et al, 2015), London (Chapman et al, 2017), Amsterdam (De Vos et al, 2017), Paris (Madelin & Dupuis, 2020), Oslo (Venter et al, 2020), Moscow (Varentsov et al, 2020), Sydney (Potgieter et al, 2021)-and increasingly for other parameters (De Vos et al, 2020). These have consistently found parts of cities to be considerably hotter than the NMS networks suggest, particularly during heatwaves.…”

“…This last source is particularly pertinent in Europe, where there is a long tradition of citizen science (Vohland et al, 2021), where climate science is of widespread interest, where high‐quality instruments are relatively affordable, and where internet connectivity is ubiquitous. Consequently there are multiple networks of high‐quality sites at national and European scale returning climate observations in near real time, such as WOW (Bell et al, 2013; Garcia‐Marti et al, 2023; Kirk et al, 2020) and Netatmo (Madelin & Dupuis, 2020; Meier et al, 2017). These networks are far denser than any NMS network and cover a much wider range of environments, including cities.…”

“…The immediate challenge that is faced when attempting to use such citizen science observations is the need for an adequate quality control process. The observations may suffer from any combination of shortcomings: the equipment design may introduce systematic biases (Bell et al, 2015), systematic lags (Büchau, 2018; Coney et al, 2022) or permit radiative over‐heating (Bell, 2014; Cornes et al, 2020); the reporting may be intermittent or short‐term; the metadata may be false or fail to record changes in position (Madelin & Dupuis, 2020). The task of quality controlling these observations has been tackled using both a temporal approach (Meier et al, 2015; Napoly et al, 2018) and a spatial approach (Alerskans et al, 2022; Nipen et al, 2020).…”

Urban heat island estimation from crowdsensing thermometers embedded in personal cars

“…Meier et al (2017) suggested to elaborate a quality control, since then enriched by Varentsov et al (2020) on Moscow and Feichtinger et al (2020) on Vienna. Madelin and Dupuis (2019) developed another statistical method evaluated on Paris and Napoly et al (2018) proposed a quality control process that can operate without any temperature reference in Berlin, Toulouse, or Paris. In previously cited case studies, the percentage of deleted observations ranged from 40% to 75% depending on the method.…”