שיטה מבוססת לוויין ולמידת מכונה לאומדן טמפרטורת אוויר יומית ממוצעת ברזולוציה גבוהה במגה-עיר בברזיל

מדוע חום העיר אינו זהה בכל מקום

ביום חם בעיר גדולה, הטמפרטורה שתרגישו ברחוב מוצל בעצים יכולה להיות שונה מאוד מהטמפרטורה שמישהו אחר חווה בכיכר מבטון במרחק כמה רחובות. ועדיין, רוב המחקרים הבריאותיים והאקלימיים מתייחסים לעיר כולה כאילו יש לה טמפרטורה אחת אחידה. מאמר זה מראה כיצד מדענים השתמשו בלוויינים, במודלים מטאורולוגיים ובלמידת מכונה כדי למפות טמפרטורות יומיות ברחבי סאו פאולו שבברזיל, ברמת פירוט גבוהה — ולסייע לחשוף מי למעשה חשוף לחום מסוכן והיכן יש צורך במאמצי קירור.

למדוד את טמפרטורת העיר ברזולוציה גבוהה

רשומות טמפרטורה מסורתיות מבוססות על מספר מוגבל של תחנות מזג אוויר, לעתים קרובות מרוכזות ליד שדות תעופה או בשכונות עשירות יותר. זה מקשה לראות כיצד החום מפוזר בשכונות עצמן, במיוחד בערים גדולות ובמדינות בעלות הכנסות נמוכות ובינוניות, שבהן רשתות המדידה דלות. החוקרים התמקמו בסאו פאולו, מגה-עיר עצומה ומגוונת שבה חיים יותר מ-22 מיליון בני אדם. מטרתם הייתה לאמוד את טמפרטורת האוויר היומית הממוצעת לכל משבצת בגודל 500 על 500 מטר ברחבי המטרופולין במשך חמש שנים, מ-2015 עד 2019, וליצור אחד ממאגרי הטמפרטורה העירוניים המפורטים ביותר הזמינים בדרום אמריקה.

שילוב לוויינים, מודלים מטאורולוגיים וחיישנים קרקעיים

כדי לבנות תמונה ברזולוציה גבוהה זו, הצוות שילב כמה סוגי נתונים הפתוחים לציבור. הם אספו מדידות מ-48 תחנות קרקעיות, שמספקות את הקריאות הישירות ביותר של טמפרטורת האוויר אך רק בנקודות ספציפיות. לאחר מכן ייבאו תצפיות לוויין של טמפרטורת פני הקרקע, זווית השמש ועד כמה הקרקע מחזירה אור, לצד מידע על לחות, רוח ולחץ ממוצר "ריאנליזת" מזג אוויר גלובלי שמבנה מחדש את מזג האוויר השעתי ברשת גסה. רכיבים אלה נערכו מחדש כדי להתאים לרשת של 500 מטר ונוקו כדי למלא פערים הנובעים מעננים או מעוברים חסרים של לוויין. בסך הכל הם בחנו 23 משתני חיזוי אפשריים שעשויים לסייע להסביר כיצד החום משתנה במרחב ובזמן.

לאמן מכונת למידה לקריאת החום

במקום להשתמש במשוואה פשוטה בקו ישר (ליניארית), המדענים פנו ל-Random Forest, שיטת למידת מכונה פופולרית שבונה עצי החלטה רבים וממוצעת את תוצאותיהם. גישה זו מתאימה במיוחד לחשיפת קשרים מורכבים ולא-ליניאריים, כגון האופן שבו טמפרטורה מגיבה באופן שונה לחום פני הקרקע, לחות ורוח בחלקים שונים של העיר או בזמני השנה השונים. כדי להימנע מהתאמה-יתר למאפיינים של מספר מועט של תחנות, השתמשו בתהליך בחירת משתנים שלב-אחר-שלב ששומר רק על משתנים שמשפרים באופן ממשי את התחזיות, ואימותו את המודל בשתי דרכים: על ידי השמטה חוזרת של קבוצות תחנות במהלך האימון, ועל ידי שמירת חמש תחנות שלמות כבוחן חיצוני קפדני לבחינת ביצועי המודל במיקומים חדשים.

מה המפות המפורטות חושפות

המודל הסופי השתמש רק בשמונה משתנים מרכזיים, בראשם טמפרטורת האוויר מהמוצר המטאורולוגי הגלובלי, כשגם טמפרטורת פני הקרקע מלוויין ולחות שיחקו תפקידים חשובים. הוא שיחזר את קריאות התחנות באופן קרוב מאוד, עם שגיאה ממוצעת של כ-0.8 6C והתאמה גבוהה מאוד בין הטמפרטורות הנמדדות לנחזות. המפות מראות דפוסים ברורים: אזורים קרירים מעל יערות, הרים ומאגרים גדולים, ואזורים חמים במרכז העיר הבנוי בצפיפות, שם הטמפרטורות יכולות להיות עד 5 6C גבוהות יותר מאשר באזורים כפריים סמוכים. המודל תפס תנודות עונתיות, עם התנאים החמים ביותר מדצמבר עד מרץ והקרים ביותר ממאי עד אוגוסט. הוא היה מדויק במידה מעט נמוכה יותר באזורים כפריים ונוטה להחליק את הימים החמים והקרים הקיצוניים ביותר, אך עדיין התעלה על מודל רגרסיה מולטי-ליניארי מסורתי שהשתמש באותם קלטים.

מדוע מפות אלה חשובות לבריאות הציבור

על-ידי המרה של מדידות מפוזרות ותצלומי לוויין לרישות יומי ברמת רחוב, עבודה זו מציעה כלי חדש ועוצמתי לבריאות הציבור ותכנון עירוני בסאו פאולו ומעבר לה. חוקרים יכולים כעת לחקור כיצד החום משפיע על שכונות שונות, כולל יישובים בלתי פורמליים שלעתים קרובות אינם מופיעים ברשומות הרשמיות, ולזהות היכן תושבים בסיכון הגבוה ביותר בגלי חום. מכיוון שהשיטה מסתמכת כולה על נתונים פתוחים ותוכנה סטנדרטית, ניתן להתאימה לערים אחרות שיש בהן כמה תחנות קרקע וכיסוי לווייני דומה. בפירוש פשוט, המחקר מראה שנוכל כעת "לראות" את החום העירוני בפירוט רב יותר, ובכך לספק בסיס חיוני להסתגלות אקלימית הוגנת וממוקדת יותר והגנה על קהילות פגיעות.

ציטוט: Roca-Barceló, A., Schneider, R., Pirani, M. et al. A satellite based machine learning approach for estimating high resolution daily average air temperature in a megacity in Brazil. Sci Rep 16, 7459 (2026). https://doi.org/10.1038/s41598-026-35689-x

מילות מפתח: חום עירוני, למידת מכונה, נתוני לוויין, סאו פאולו, טמפרטורת אוויר