Urban heat island (UHI) effects are intensifying due to climate change and urbanisation, posing increasing risks to human health, energy demand, and environmental sustainability. Understanding how urban morphology and vegetation influence thermal conditions at street level remains challenging due to the limited spatial resolution of traditional measurement approaches. This thesis investigates urban heat dynamics in Stockholm using opportunistic drive-by sensing (DS) combined with spatial machine learning methods to analyse hyperlocal relationships between urban form, tree canopy, and surface temperature within the urban canopy layer. High-resolution air and surface temperature data were collected during the summers of 2021 and 2022 using DS platforms mounted on electric vehicles, generating more than one million spatially distributed observations. These data were integrated with geospatial datasets describing urban morphology, greenery, and water bodies. Relationships between environmental variables and thermal patterns were analysed using statistical methods and machine learning models, including XGBoost and GPBoost, across multiple spatial scales. The results demonstrate that DS measurements capture substantial hyperlocal variability in surface temperature that is not fully captured by weather stations or satellite-derived land-surface temperatures. Surface temperatures were generally higher and more spatially heterogeneous than air temperature, reflecting strong dependence on immediate land cover and urban geometry. Tree canopy and reduced sun exposure were consistently associated with lower surface temperature differences, while higher building density increased heat accumulation. Machine learning models showed the highest explanatory power at a hyperlocal scale, with GPBoost outperforming XGBoost due to its ability to account for spatial dependencies. The findings highlight the importance of integrating fine-scale sensing with advanced spatial modelling to improve understanding of urban heat processes. The proposed methodological framework supports evidence-based urban planning strategies to enhance climate resilience through vegetation, shading, and urban design.

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.