Table of Contents
החשיבות הגוברת של חללים ירוקים עירוניים
חללים ירוקים עירוניים - פארקים, גני קהילה, גגות ירוקים, עצי רחוב ומאגרי טבע - הם מרכיבים חיוניים של ערים בריאים, בר קיימא.הם מספקים מגוון רחב של שירותי מערכת אקולוגית: שיפור איכות האוויר על ידי סינון שלמזהמים, צמצום מי הסערה, המעודדים את אפקט החום העירוני, תמיכה במגוון ביולוגי, ומציעים אתגרים קריטיים ובריאות הנפש עבור התושבים.
סקרים מסורתיים המבוססים על הקרקע, בעוד מדויקים עבור אזורים קטנים, הם זמן-consuming, כוח-העבודה, ו unractical למעקב באזורים מטרופוליניים גדולים על בסיס קבוע.כאן טכנולוגיות מתקדמות כגון חישה מרחוק (RS) ומערכות מידע גיאוגרפיות (GIS) הופכות חיוניות. על ידי מתן מידע סינתטי, עלות ויעילות, RS ו- GIS הם כיצד ערים מתפתחות, מעקב מהיר של זמן ניהול שטח, שינויים סביבתיים, שינויים.
הבנה מרחוק של הסביבה העירונית
חישה מרחוק מתייחסת לרכישת מידע על אובייקט או אזור מרחוק, בדרך כלל באמצעות חיישנים הרכובים על לווינים, מטוסים או מזל"טים.חיישנים אלה מודדים את הקרינה האלקטרומגנטית שמשתקף או פולטים משטח כדור הארץ חומרים שונים - כגון צמחייה בריאה, אדמה חשוף, מים או בטון - יש חתימות ספקטרליות נפרדות, המאפשרים למדענים לסווג כיסוי קרקע ולהעריך תכונות ביופיזיות ללא מגע פיזי.
פלטפורמות ל- Urban Remote Sensing
בחירת הפלטפורמה תלויה בקנה מידה המרחבי, תדירות זמני, ופתרון ספקטרלי הנדרש למשימה ניטור:
- (FLT:0Satellite מבוסס חישה: ⁇ FLT:1 תוכניות כמו לנדsat של נאס"א (30 מ"ר החלטה, 16 ימים revisit), Sentinel-2 (10–20 מ"מ, 5 ימים revisit), ולוויינים מסחריים כגון Maxar או Planet Labs מספקים תמונה מתונה עד גבוהה עבור הערכות אזוריות או אזוריות.
- (FLT:0) חישה אווירית (מטוסים מומנים): תהלוכות טיסה 1:1 יכולות לרכוש תמונות ברזולוציה גבוהה מאוד (0.1-1 מ') ו- LiDAR (Light Detection and Ranging) נתונים, אשר שימושי במיוחד עבור מיפוי 3D מפורט של גובה עץ ומבנה.
- (FLT:0) כלי רכב אוויריים (UAVs/drones): 1FLT:1 Drones מצויד עם רב-ספקטרום, תרמי, או לידרומי מציעים פתרון מרחבי ללא תחרות (מכירים) וגמישות לפקח על פארקים ספציפיים, גגות ירוקים, או אתרי שיקום.
סוגי חיישן מרכזיים ויישומים עירוניים
חיישנים שונים תופסים אזורים שונים של אורכי גל:
- (FLT:0) חיישנים רב-ממדיים (FLT:1) (למשל, Landsat OLI, Sentinel-2 MSI) שיא גלוי וסמוך-infrared (NIR) להקות קריטיות עבור אינדיקציות צמחיות כמו NDVI.הם הם סוסי העבודה עבור ניטור צמחייה רחב.
- (FLT:0) חיישניים של Hyperspectralחיישנים (למשל, Aware Visible / Infrared Imaging Spectrometer, AVIRIS) ללכוד מאות להקות ספקטרליות צרות, המאפשר מיפוי מפורט של מינים צמחיים, גילוי מתח (מחלה, מחסור תזונתי), ואפילו תוכן ביוכימי.
- (FLT:0) חיישני אינפרא אדום אורתרמי 1 מדד טמפרטורת פני השטח, חיוני למיפוי איים חום עירוניים והערכה של יתרונות קירור של חללים ירוקים.
- (FLT:0)LiDARIRLT:1 (Light Detection and Ranging) משתמש הדופק לייזר כדי לייצר עננים נקודה 3D, מתן המדידות מדויקות של גובה העץ, נפח קאנופי, וגובה הקרקע מתחת צמחייה.
- (ב) ⁇ 0) חיישנים של רדאר (למשל, Sentinel-1 SAR) חודרים עננים ויכולים לזהות שינויים במבנה הצמחייה ובלחות הקרקע, שימושיים בערים מעוננים.
מדדים מרכזיים ל-Vgetation Monitoring
תמונות מרחוק Raw מחישה לעתים קרובות הופכת לתדיונים ספקטרליים המדגישים מאפיינים צמחיים ספציפיים.האינדיאנים האלה הם שילובים מתמטיים פשוטים של להקות ספקטרליות הממקסמות את הרגישות לתכונות צמחיות תוך צמצום השפעות חיצוניות כמו אווירה או רקע קרקע.
מדד הפחתת ההבדלים הנורמלי (NDVI)
NDVI = (NIR- Red) / (NIR + Red) זהו המדד הנפוץ ביותר להערכת צפיפות ירוקה ובריאות. בריאה, צמחייה צפופה משקפת חזק NIR ו סופג אדום, מניב ערכים NDVI גבוהים (0.6-0.9) או צמחייה מתוחה יש ערכים נמוכים יותר. NDVI הוא שימושי למעקב ירוק עונתי, זיהוי מתח, ומיפוי צמחייה על פני אזורים עירוניים, אך הוא יכול להיות מושפע מאוד על ידי ספופרעפות.
מדד הטיפוח (EVI)
EVI משתפר על NDVI על ידי שילוב של גורם הסתגלות הקרקע ושימוש בלהקה הכחולה כדי להפחית את ההשפעות אווירוסול אטמוספיריות.זה יותר קשוב לריאציות מבניות canopy נשאר רגיש על פני אזורים ביומסה גבוהה, מה שהופך אותו יקר עבור יערות עירוניים ופארקים צפופים.
מדד הווטאציה של Soil-Adjusted Vegetation Index (SAVI)
SAVI Modifies NDVI כדי להסביר את וריאציות של בוהק הקרקע, אשר חשוב במיוחד בערים או באזורים עם אדמה חשוף בין העצים.זה משתמש גורם ריצוף (L) בדרך כלל להגדיר ל- 0.5 עבור כיסוי צמחייה בינונית.
מדד ההבדלים הנורמליים (NDWI)
NDWI = (Green-NIR) / (Green + NIR) מדד זה רגיש לתוכן מים בצמחייה ובקרקע.זה משמש לזיהוי צרכי השקיה, ניטור בריאות רטובה, והערכה של השפעות בצורת על עצים עירוניים ו ⁇ .
המונחים: Urban Thermal Indices
דרבירד מלהקות תרמיות, טמפרטורת פני הקרקע (LST) מפות קריטיות עבור מחקרי האי החום של חום.אפקט חום האורבני (UHI) ניתן לכמת על ידי השוואת LST על פני שימושים שונים בקרקע.שלב LST עם אינדיקציות צמחיות מגלה את יעילות הקירור של הפארקים (אפקט "פארק מגניב"), עוזר מתכננים לכוון מאמצים ירוקים בשכונות חום-אפיל.
יישומים של סניפי מרחוק בניהול החלל הירוק
טווח היישומים התרחב באופן דרמטי ככל שזמינות המידע וכוח המחשוב גדלו.למטה הם השימושים המשפיעים ביותר עבור מנהלי ערים ומתכננים סביבתיים.
בריאות והערכה מתח
סדרה רגילה של זמן NDVI או EVI מאפשרת לערים לזהות ירידות בבריאות הצמחייה לפני שהם הופכים גלויים לעין העירומה. לדוגמה, מגמה של שלוש שנים כלפי מטה ב NDVI ברחבי הפארק עשוי להצביע על מתח מים כרוני, קומפקטיות אדמה, או חמצון infestation. Planners יכול לאשר שיפורים השקיה או תחליף עץ.
האי החום העירוני מיטיגציה ו-Thermal Comfort
מפות LST הנגזרות מחיישנים לוויין תרמיים (למשל, לנדסאט 8/99 TIRS, ECOSTRESS על ISS) מספקים התפלגות טמפרטורה עירונית ברחבי העיר.על ידי הסתמכות על נתונים אלה עם מפות כיסוי קרקע, מנהלים מזהים "נקודות חמות" - אזורים עם כיסוי משטח לא מזיק גבוה צמחייה נמוכה - כי אין תשתיות קירור ירוקות.
המגוון הביולוגי וההפצה של Habitat Mapping
תמונות היפר-ספקטרום ונתונים LiDAR מאפשרים מיפוי מפורט של מבנה צמחייה והרכב, אשר קריטי עבור מגוון ביולוגי עירוני.גובה ומדפיות של LiDAR יכול להבדיל בין עצים מקומיים גבוהים לבין שכבות השבבים פולשניים. , סדרת זמן רב-ספקטרום יכול לעקוב אחר פנולוגיה של מינים שונים.ערים כמו סינגפור להשתמש בטכניקות אלה כדי למפות קישוריות אקולוגית וירוקה תוכנית עבור מסדרונות בית הגידול.
ניהול משאבי מים ותשתית ירוקה
גגות ירוקים, גני גשם, וריצוף שניתן להשתמש בו יותר ויותר לניהול מים סוער.רגישות מרחוק יכולה לפקח על הבריאות והכיסוי של צמחייה ירוקה, לזהות כשלים השקיה, ולהעריך את הביצועים הכוללים של תשתיות ירוקות בשמירה על גשמים. מוצרי לחות קרקע מבוססי לוויין (למשל, מ- SMAP או Sentinel-1) יכולים להצביע אם חללים עירוניים הם יבשים או מכופים כראוי לבצורת של מים ירוקה.
תכנון עמידות להשקעות פחמן ואקלים
עצים עירוניים וצמחייה מאחסנים כמויות משמעותיות של פחמן.על ידי שילוב ביומסה מבוססת LiDAR, עם סיווג מינים של נתונים היפר-ספקטרום, ערים יכולות לכמת מלאי פחמן בפארקים ובעצים רחוב שלהם.ממציאים אלה חיוניים לתוכניות פעולה אקלים ולדיווח במסגרת מסגרות כמו האמנה הגלובלית של ראשי ערים לאקלים ואנרגיה.
מידע על נתונים מרוחקים עם GIS ומערכות אחרות
Raw-Sensing Imagery הוא החזק ביותר כאשר משולב עם שכבות נתונים מרחביות אחרות בתוך סביבת GIS. פלטפורמות ניהול עירוני מודרני, כגון אלה שנבנו על Directus, לאפשר שילוב חלקה של מוצרים RS-derive עם גבולות מנהליים, נתונים בלתי מזוהים, נתונים סטטיסטיים מפקדים, רשתות שירות, ו-IoT בזמן אמת.
עקבו אחרי Socio Economic Data for Equity Analysis
אחד השימושים המשפיעים ביותר הוא ניתוח חלוקת חלל ירוקה יחסית לדמוגרפיות האוכלוסייה.על ידי תיקון NDVI או פארק שכבות קרביות עם הכנסה, גזע, ונתוני גיל, ערים יכולות לזהות "שוויון ירוק" - אזורים שבהם קהילות מוחלשות יש מספיק גישה לחללים ירוקים.ניתוח הון זה, לעתים קרובות מחייב על ידי תוכניות קיימות, משאבים ישירים לשכונות מוחלשות.
לוחות זמנים אמיתיים ותמיכה בהחלטות
אינטגרציה עם תחנות מזג אוויר וחיישנים לחות קרקע מאפשרת עדכונים במשרה חלקית.לדוגמה, לוח המחוונים עשוי לשלב NDVI יומי מ Sentinel-2 עם חיישנים על הקרקע המציגים תוכן מים קרקע, השקיה אוטומטית כאשר סף חוצה מודלים חיזויים באמצעות RS נתונים יכול לצפות התפשטות של מזיקים עץ (למשל, מגלם ashr) או את הסבירות של סיכון בממשקים עירוניים.
ניהול נכסים לתשתית ירוקה
לידר-דרדרטיבית עץ מפות הופך לבסיס לממציאים של נכסים הפארקים.מנהלים יכולים לשאול את מסד הנתונים: "כמה עצים נמצאים במרחק של 10 מטרים של כבישים במחוז 3?", או "איזה פארקים איבדו יותר מ-5% כיסוי קנופי בשנתיים האחרונות?", תמיכה בשאילתות כאלה ממוקדת בתחזוקה, מחזורי ריצה ותקציב.
מחקרים: ערים מובילות את הדרך
סינגפור: העיר בגן
סינגפור כבר ארוכה חלוצה ניטור שטח ירוק עירוני.מועצת הפארקים הלאומיים (NParks) משתמשת בשילוב של תמונות לוויין (WorldView-2, 0.5 מ'), לידר אווירי, סקרי מל"טים למלאי כל עץ בעיר-המדינה שלהם.מערכת שלהם עוקב אחר בריאות עץ, מינים, ומיקום, ומשתלב עם יישומים ציבוריים המאפשרים לאזרחים לדווח על נושאים.
ברצלונה: ירוק עם הון
ברצלונה משתמשת בנתונים של Landsat ו-Stinel-2 בשילוב עם נתוני מפקד האוכלוסין כדי למפות נגישות חלל ירוקה ופגיעות חום. "תוכנית התשתיות הירוקות והמגוון הביולוגי של העיר 2020" השתמש ב-NDVI זמן כדי לזהות שכונות עם פחות מ- 18% כיסוי ירוק - המינימום המומלצת על ידי WHO.This הוביל להתערבויות ממוקדות, כולל יצירת "מסדרונות ירוק" אשר הפחיתו את הטמפרטורות הקיץ הממוצעות ב-2.5 מעלות צלזיוס באזורים הסמוכים.
ניו יורק: עץ רחוב Census ו-Lidar
מחלקת הפארקים וה Recreation של ניו יורק ערכה מפקד עץ רחוב באמצעות מתנדבים, אך כעת היא מציעה זאת עם קרינת LiDAR ו- Multispectral Imagery.The LiDAR מספקת גובה ונפח מדויקים, אשר בשילוב עם מודלים של מינים, מאפשר estation של שירותים אקולוגיים כמו הסרת זיהום אוויר ואבטחת פחמן.
אתגרים ומגבלות
למרות הפוטנציאל שלו, השימוש התפעולי של חישה מרחוק לניהול חלל ירוק עירוני עומד בפני כמה מכשולים שהמתרגלים צריכים לנווט.
החלטות פרטיות ופיתוייות
לווייני רזולוציה גבוהה (sub-meter) יקרים ולעתים קרובות יש כיסוי סצינה מוגבל, בעוד נתונים לטווח בינוני חינם (10-30 מ) עשויים להחמיץ כתמים קטנים של צמחייה כמו עצי רחוב בודדים או רצועות ירוקות צר.בחירת החיישן הנכון דורש איזון עלויות, כיסוי ופרטיות. סקרי ד"ר אחד לפתור את הפער, אך להוסיף מורכבות תפעולית ומגבלות רגולטוריות.
השפעות אטמוספיריות ותצוגה
מים אטמוספריים vapor, aerosols, כיסוי ענן יכול לחדד איכות תמונה, במיוחד בערים לחות או מזוהות. צללים טופוגרפיים וצללים מושרה בנייה סיבוך צמחייה בקניונים עירוניים צפופים. אלגוריתמים מתקדמים תיקון אטמוספירי (למשל, 6SV, FLA) נדרשים אך לא תמיד מוחלים על ידי משתמשי קצה.
Data Volume and Processing
משימות RS מודרניות לייצר טרה-בייט של תמונות מדי שנה. עיבוד יעיל, אחסון וניתוח דורשים פלטפורמות מחשוב ענן (למשל, Google Earth Engine, Amazon Web Services) ואנליסטים מיומנים. סוכנויות עיר רבות חסרות צוות רגיש מרחוק ייעודי, המוביל להסתמכות על יועצים חיצוניים או פתרונות turnkey.
אמת ואמת קרקע
מודלים לחישה מרחוק לבריאות הצמחייה, זיהוי מינים או ביומסה צריכים על מכסה הקרקע ואימות. Gathering מספיק נתונים רצפה אמת ברחבי עיר גדולה היא משאבים-intensive תוכניות מדע אזרחי (למשל, שימוש באפליקציות סמארטפונים כדי לזהות עצים) מתעוררים כשיטת אימות עלות.
כיוונים עתידיים
התחום מתקדם במהירות, וכמה מגמות יחזקו עוד יותר את התפקיד של RS בניהול ירוק עירוני.
שילוב של בינה מלאכותית ולמידה של מכונות
מודלים למידה עמוקה שהוכשרו על תמונות ברזולוציה גבוהה ו- LiDAR יכולים כעת באופן אוטומטי לפצח כתרים בודדים, לזהות מינים, ולהעריך את הבריאות עם דיוק המתחרים במומחים אנושיים.רשתות עצביות מהפכתיות (CNN) שהוכשרו על בסיס נתונים גדול כמו FLT:0TreeSatAIFLT:1 יכול לסווג 20 מינים נוספים של תמונות אוויריות.
ספין-שן של מספר חיישנים
ניטור עתידי ימזג יותר ויותר אופטי, תרמי, מכ"ם ו- LiDAR נתונים כדי ליצור מוצרים "מעציים" (למשל, שילוב מכ"ם Sentinel-1 (רגישים למבנה) עם Sentinel-2 אופטי (רגישים לכלורופיל) משפר את סיווג הגגות הירוקות ומבחין בין דשא ו- shrubs.com הקרובה של נאס"א:0ANAS-ANAS-RISRISRISRISRic, כל ימי ניטור עולמיים) יספקומטרים של רדאר (R).
Open Data and Cloud Based Platforms
הדמוקרטיזציה של נתונים לווייניים - באמצעות תוכניות כמו Copernicus וארכיון USGS Landsat - בשילוב עם מחשוב ענן (Google Earth Engine, Microsoft Planetary Computer) מאפשר לכל עיר, ללא קשר לתקציב, לבצע ניתוחים מתוחכמים. Tutorials ואלגוריתמים שנבנו מראש הם מורידים את המחסום ל- RS-FLT:0Urban ObservatoryLTFLT1, מספק מודל לשיתוף סטנדרטי של RS-דר גלובלי.
מדע אזרחי והשתתפותי
יישומים סמארטפונים המאפשרים לתושבים לצלם עצים, לדווח על בעיות בריאותיות, או להקליט אירועים פנולוגיים יכולים להגדיל את נתוני הלוויין עם ידע מקומי בעל ידע מקומי מוגן היטב.פלטפורמות כמו iNaturalist או TreeSnap לייצר נתונים על בסיס-אמת בקנה מידה בלתי אפשרי עבור צוות העיר.חבר נתונים אלה עם נתונים פופולריים RS עם נתונים רשמיים באמצעות ממשקי API יוצר מערכת ניטור שיתופית חזקה.
מסקנה
חישה מרחוק, בשילוב עם GIS ופלטפורמות ניהול נתונים מודרניות, הפכה אבן הפינה של ניהול החלל הירוק מבוסס מדע.ממיפוי כל עץ בסינגפור ועד לזרז גלי חום בברצלונה, טכנולוגיות אלה מספקות מתכננים ערים עם הרחפנים האובייקטיביים, בזמן, ומדיניתנות מידע מפורשות מרחבית הדרושים כדי להגן ולשפר את הנכסים הירוקים.