הפחתת החום Turning down the heat An enhanced understanding of the relationship between urban vegetation and surface temperature at the city scale

הפחתת החום: הבנה משופרת של הקשר בין הצמחייה העירונית לבין טמפרטורת פני השטח בקנה מידה עירוני

JMA Duncan, B. Boruff, A. Saunders, Q. Sun, J. Hurley, M.

Amati

נא לצטט מאמר זה כ: JMA Duncan, B. Boruff, A. Saunders, Q. Sun, ג ‘יי הארלי, מ Amati, הנמכת החום: הבנה משופרת של היחסים בין הצמחייה העירונית טמפרטורת פני השטח בקנה מידה עירוני

. Stoten (2018), https://doi.org/ 10.1016 / j.scitotenv.2018.11.223

הפחתת החום: הבנה משופרת של היחסים בין הצמחייה העירונית לבין טמפרטורת פני השטח בקנה מידה עירוני

תקציר

הדרכת מתכננים עירוניים על ההשפעות המקררות של עיצובים שונות של צמחייה עירונית חשובה כדי להגן על תושבי העיר מפני השפעות חום שליליות. לשם כך, הערכנו מודלים סטטיסטיים הממזגים רב-טמפורלית ברזולוציה תמונה בדיוק גבוהה מרחבית (20 ס”מ) והאנכית (1 מ”מ), הלוכדת את מורכבות הצמחייה העירונית, עם נתונים מחישני טמפרטורה מרוחקים בכדי להעריך כיצד עיצוב הצמחייה העירונית משפיעה על הטמפרטורות העירוניות. פרת ‘ (Perth), מערב אוסטרליה, שימשה כמקרה מבחן לניתוח זה. מספר מודלים של רגרסיה הראו שבמקום שבו הגידולים הם עץ ושיחים נוצר אפקט קירור גדול יותר מאשר כיסוי השטח בדשא. בממוצע, כאשר שאר התנאים שווים, הגדלה של 1 ק”מר של גידולים שיחיים (עצים) באיזור מסויים מפחיתה את טמפרטורות פני השטח ב 12 C° (5 ° C). כללנו מגוון של בדיקות עמידות עבור היחסים שנצפו בין סוג הצמחייה העירונית והטמפרטורה. מודלים של רגרסיה משוקללת גיאוגרפית הראו שונות מרחבית באפקט הקירור המקומי של צמחייה מסוגים שונים; זה מצביע על כך שראשית גורמים בלתי צפויים ממתונים את קשרי הטמפרטורה בין הנופים העירוניים, ושנית כי סוג הצומח העירוני והטמפרטורה הם מורכבים. מודלים של למידה מכונה (משין לרנינג בשימוש יערות אקראיים- Random Forests) שימשו לבדיקת קשרים מורכבים ולא ליניאריים בין צורות צמחיה שונות והטמפרטורות השונות. המודלים (יערות אקראיים) הראו כי לסוג הצמחייה סבירות של 31.84% אשר מוציאה את המרצה מן השק, כלומר את המשתנים של טמפרטורות פני השטח בקיץ, הגדלת כיסוי שטח בצמחייה גדולה מגביר את אפקט הקירור, וכי תצורות שונות של צמחיה עירונית יכולים להשיג קירור רב יותר. במודלים במחקר זה הוזנו נתוני הצמחים בדיוק מקומי, עונות רבות, ואת כיסוי הצמחיה בכל העיר. לכן, מודלים אלה, ממחישים את הפוטנציאל לפתח כלים מקומיים, מפורטים ומפורשים בכדי להנחות את תכנון תצורת הצמחים לייעול הקירור ברמה מקומית ועירונית.

מילות מפתח: צמחייה עירונית, טמפרטורת פני השטח(LST), אי (נקודה) חום עירוני (UHI), רגרסיה משוקללת גיאוגרפית (GWR), למידת מכונה

1. מבוא

במהלך העשורים הקרובים, יחשפו אוכלוסיות עירוניות לטמפרטורות גוברות משינויי אקלים גלובליים ואזוריים והתחממות מקומית הקשורה לפיתוח עירוני ולהשפעות איי חום עירוני (Clinton and Gong, 2013; Field et al., 2014). להתחממות זו צפויה להיות השפעה שלילית על האוכלוסיות העירוניות. מחקרים שנעשו לאחרונה הראו שחשיפה מוגברת לטמפרטורות חמות גורמת להשפעות שליליות על פני מגוון של אינדיקטורים חברתיים-כלכליים של רווחה, הכוללים הכנסה, פשע, שינה, בריאות ופרודוקטיביות עבודה (Carleton and Hsiang 2016, Obradovich et al., 2017; Peng et al., 2011; Weber et al., 2015). הפגיעות של מקומות עירוניים והרגישות של התושבים שלהם להשפעות השליליות של הטמפרטורות הגוברות משמעותה שחלק גדול מהאוכלוסייה העולמית חשופים לסיכונים הקשורים בחום. כאשר אזורים עירוניים גדלים ומתחדשים, התכנון העירוני צריך להיות גמיש ביישום מדיניות המגנה על תושבי העיר מפני חשיפה לחום (Norton et al., 2015).

בתגובה לפגיעות החום הגוברת בערים שלנו, החוקרים ביקשו לזהות את הגורמים להתחממות באזורים עירוניים (Mirzaei, 2015). קונצנזוס התקבל שהגדלת שטחים ירוקים עירוניים יובילו לאפקט קירור, בעוד שהקצעת שטחים גדולים לאזוריי “בנויים” מוביל להתחממות, כאשר בערים הגדולות נוצרים יותר איי חום עירוני (SUHI: ההבדל בטמפרטורת פני הקרקע בין אזורים עירוניים לבין איזורים כפרים) (Bounoua et al, 2015; Li et al., 2018; Li et al., 2017; Zhou et al., 2017). באופן דומה, משטחים בנויים הוכיחו כי הם מציגים טמפרטורות פני שטח גבוהות יותר מאשר מרחבים ירוקים והסדר מרחבי של השטחים הבנויים ביחס עם לשטחים הירוקים משפיעים על ה SUHI””.         (Chun and Guldmann, 2014; Estoque et al., 2017). ג’קרטה, מנילה ובנגקוק למשל, אסטוק ואח ‘. (2017) הראו כי צפיפות מרחבית גוברת של שטחים בנויים (או שטחים ירוקים) יש אפקט התחממות (או קירור).

היחס בין המרחבים הירוקים העירוניים לבין הטמפרטורות האורבניות קרירות כבר הוכח. עם זאת, רק זיהוי היחס אינו מספק מידע ספציפי הדרוש למתכננים העירוניים בכדי לאתר ולכוון ביעילות את הצמחייה במרחב הירוק כדי להגן על התושבים העירוניים מן החום (Greene ו Kedron, 2018). מתאם זה נצפה לעיתים קרובות באמצעות הגדרות כלליות של שטח ירוק (לדוגמה, Estoque et al. (,2017 משתמשים במרחב הירוק עצמו כקטגוריה בניתוח שלהם) או באמצעות ערכים של הפרש מנורמל של מדיי הצמח (NDVI)( Goldmann, 2014; Guo et al., 2015; Rotem-Mindali et al., 2015); שתיהן מטשטשות את המגוון והמורכבות של מבנה הצמחייה באזורים עירוניים (למשל, כפי שהוצע על ידי Myint.  (2013)).

Zhou   ואח ‘. (2014) מראים כי הגדלת כמות הצמחייה העירונית וכיסוי הקרקע, בהשוואת מדדי ה- NDVI, מסביר את הגברת ההשפעה של הצמחייה העירונית על מודלים של טמפרטורת. מחקרים אחרים משווים טמפרטורות עירוניות עם אזורים כפריים (Zhou et al., 2016); עם זאת, השוואה זו מזהה את הקשר בין צמחייה וקירור באזורים כפריים אינה משמשת דוגמא לסוגי הצמחייה ואופן כיסוי הקרקע נמצא בסביבה עירונית (Li et al, 2018).

יתרה מזאת, מחקר שמצא קשר בין טמפרטורה לבין כמות הצמחייה העירונית עושה זאת לעתים קרובות באמצעות מודלים של רגרסיה המותאמים לנתוני חתך (לדוגמה, Estoque et al., 2017), Chun ו- Guldmann (2014) ו- Myint et al. (2013 )). במודל רגרסיה חתך ההשפעה של שטח ירוק עירוני על הטמפרטורה מזוהה באמצעות השוואות של שטח ירוק וטמפרטורה במקומות שונים. עם זאת, יש נתונים רבים בלתי מזוהים המשפיעים על הטמפרטורה וקיימת הטיה של מידת השפעות הצמחיה על טמפרטורת פני השטח. בהגדרות תצפיתיות, אחת האסטרטגיה להקטנת הטיה זו היא להשתמש במערכי פאנל נתונים (כלומר תצפיות חוזרות של אותן יחידות לאורך זמן) עם מודלים שנאמדו כדי לשלוט בגורמים בלתי צפויים בזמנים ספציפיים למיקום מסויים (כלומר, מיקום קבוע) (Angrist ו- Pischke , 2008). עם מערך פאנל הנתונים, ניתן לזהות את ההשפעה של הצמחייה העירונית על טמפרטורה על ידי השוואת אותו מיקום לאורך זמן במקום השוואה בין מיקומים שונים במרחב (Deilami et al., 2016). זה עשוי לתת פחות אומדנים משוערים של השפעת הצומח על טמפרטורות עירוניות ולאפשר הערכה מדויקת יותר של פוטנציאל ההסתגלות בשילוב צמחייה לתוך אזורים עירוניים. באופן דומה, מחקרי SUHI (איי חום) המזהים התחממות עירונית באמצעות השוואה עם אזורים כפריים הם לא מיטביים להנחיית התכנון העירוני, שכן הצמחייה הגורמת קירור באיזור הכפרי אינה מייצגת את סוגי צמחייה / תצורות המתאימות לאזורים עירוניים (Li et al., 2018).

פערי המחקר הנ”ל מצביעים על כך שלמתכננים עירוניים חסר מידע המסביר כיצד תצורות צמחייה שונות יפיקו השפעות קירור מקומיות שונות. עם זאת, מידע זה חשוב לתכנון העירוני בכדי להפחית את החשיפה לחום. לדוגמה, Norton ואחרים (2015), מתאר למתכננים עירוניים תרשים זרימה לזהות מקומות פגיעים לחום באזורים עירוניים בכדי לפתח תשתיות ירוקות. עם זאת, בתרשים זה, הבחירה של תשתית ירוקה עירונית אינה אינה מביאה בחשבון שמודלים שונים שתצורות הצמחייה העירונית גורמים לרמות שונות של קירור. ואכן, Norton ואחרים (2015), מסכמים בהדגשת הצורך בשיפור הגדרות של הצמחייה העירונית במחקרים מודלים אקלים עירוני. שילוב מידע ממודלים אלה למסגרות החלטה עשוי לסייע למתכננים לבחור ביעילות צמחייה לקירור מרבי ולשקול את היתרונות קירור של סוגי צמחייה שונים (Norton et al., 2015). מחקר זה תורם בהתייחסות לפער זה, על ידי שימוש במספר מודלים כדי לחקור את הקשר בין סוגים שונים של הצמחייה העירונית לטמפרטורות פני הקרקע (LSTs). אנו מבצעים ניתוח זה באמצעות צילומים אוויריים ברזולוציה מרחבית גבוהה (20 ס”מ) ואנכית (1 מ”מ) ומודלים פנימיים של משטח דיגיטלי (DSM). בהשוואה לקטגוריות רחבות כגון “שטח ירוק” או משתנים נגזרים כגון NDVI קטגוריות של סוג צמחייה עירונית, אשר ניתן להפיק באמצעות נתונים אלה, הם משתקפים את הפסיפס של צמחיה ירוקה בפועל אשר מתכננים עירוניים יכולים להתייחס ולישם ישירות. מערך נתונים זה מאפשר ל1. לזהות כיצד הכיסוי המרחבי של הצומח בתוך מיקום עירוני משפיע על הטמפרטורות המקומיות, וכן2. הפרדה בין השפעת הקירור של צמחייה בגבהים שונים (כגון דשא לעומת שיחים לעומת עצים) ותצורות. הניתוח שלנו משתמש באיזור פרת’ ופיל מטרופולין,( Perth and Peel Metropolitan Region) מערב אוסטרליה, כמקרה מבחן שהוא דוגמה לערים פגיעות טמפרטורה עם אקלים ים תיכוני.

ראשית אנו מוודאים בניתוח הנתונים כי הנתונים ברזולוציה בסדר זה מתאים לאנליזה של השפעות הצמחייה העירונית על LSTs באמצעות מודלים רגרסיה פאנל וביצוע בדיקות בודדות הכולל השוואות עם אמצעים נפוצים אחרים של צמחייה (למשל NDVI). השוואה היחסים בין הצמחייה והטמפרטורה בין מערכי נתונים שונים של צמחייה מספק בביטחון כי הנתונים אינם מושפעים ממדי צמחיה שאינם קשורים לטמפרטורה. לאחר מכן, הניתוח שלנו מבוסס על הידע הקיים בספרות על ידי בחינת הקשר בין סוג צמחיה עירונית (עץ, שיח, דשא) וטמפרטורות פני השטח ברזולוציה גבוהה ובנתונים הנמדדים ממרחק. לשם כך אנו מבצעים שני ניתוחים נוספים. ראשית אנו חוקרים חוסר יציבות מרחבית ביחסים בין צמחייה עירונית לטמפרטורה במודלים של רגרסיה משוקללת גיאוגרפית (GWPR). שנית, אנו חוקרים פוטנציאל של יחסים לא ליניארי בין סוג צמחיה עירונית ובין טמפרטורה, ובין אפקט אינטראקציה לבין סוגי צמחייה עירוניים באמצעות למידת מכונה. במטרה לייצג בצורה המדויקת יותר את היחסים בין סוגי צמחייה עירונית והטמפרטורה החשובים למתכננים בכדי להיות מסוגלים להעריך השפעת שממתנות את הטמפרטורה בשילוב סוגי צמחים שונים בתוך הנוף העירוני.

2. שיטות

2.1- שטח המחקר

Study area

איור 1 אזור המחקר: פרת ‘ופאל אזור המטרופולין, מערב אוסטרליה

אזור פרת ‘ופאל מטרופוליטן (פרת מעתה ואילך, איור 1) משתרע על כ -150

קילומטרים מצפון לדרום, וכיום הוא ביתם של יותר משני מיליון אנשים עם

האוכלוסייה צפוי לגדול ל -3.5 מיליון עד 2050 (מחלקת תכנון (WA), 2018). לפרת ‘יש

אקלים ים תיכוני: בקיץ חם (סיווג לפי Köppen-Geiger) ומקבל בחורף גשם מתון ומבוסס. בקיץ בדרך כלל חם ויבש, הוא נמשך מדצמבר עד מרץ, החורף עשויי להיות קריר ורטוב (איור 2). הקיץ בפרת ‘חם יכולים להיות גלי חום קיצוניים המהווים סיכון לבריאותם של אוכלוסייה ותשתיות ושירותים הציבוריים (Cleugh et al., 2006). מחקרים הראו שבמאה העשרים ואחת יותר ערים אוסטרליות, כולל פרת’, מקבלות גלי חום ארוכים,תכופים וחמים חותר.  יותר תכופות, יותר(Cowan et al., 2014). בתוך השטח העירוני של פרת’ יש מגוון רחב של סוגי הצמחייה ובכיסוי, החל פארקים עירוני פרברים עם עצים ירוקים, באזורים תעשייה דלים בצמחיה.

איור 2 ממוצע משקעים חודשי (עמודות) ו LST בשעות היום (קו שלום) ולילה LST זמן (קו מקווקו קו) מ 2003 עד 2016.

2.2- נתונים ועבוד מקדים

כדי למדוד את הטמפרטורה על פני פרת ‘, השתמשנו במוצר LST (MYD11A2) מהחיישן המתוחכם של הדמיה ספקטורדיאומטר (MODIS) על הלוויין “אקווה” (Wan

et al., 2002). החיישן MODIS על הלוויין Aqua כבר פעיל מבצעית מאז 2002 ומספק מידע מיולי 2002 ועד לכתיבת מאמר זה. המוצר MYD11A2 מספק 8 ימים המרוכבים משעות היום (1:30) ולילה (1:30) בשמיים בהירים ערכי LST  ברזולוציה מרחבית של 1 ק”מ. המוצר 8 ימים LST שימש כדי להפחית את הבעיה של ערכים חסרים (עקב תנאי השמים לא בהירים) ברכישת MODIS LST היומי (MYD11A1). נתוני MODIS LST יש דיוק של ± 1 K לעומת מדידות בשטח עבור רוב אתרי המדידה והמוצר V6 שבשימוש כאן, זמין מאז 2016, מראה שיפור דיוק על פני הקרקע החשופים (Duanet al., 2018, וואן, 2008 , 2014). המוצר LST שמקורו בחיישן על גבי הלוויין Aqua שימש במקום ה LST מהחיישן MODIS על הלוויין “טרה” והיווה מגשר לוויין אקווה בשעה 13:30, מתאם טמפרטורה מרבית בשעות היום אשר הוכחו שיש השפעות שליליות על היבטים של רווחת האדם. באמצעות Google Earth Engine  (מנוע חיפוש של גוגל) הגענו לכל הארכיון MYD11A2 כולו מעל פרת ‘ ויצרנו ממוצע חודשי של שעות היום ומוצרי LST בין השנים 2003 ל -2016; עבור כל שנה שמרנו רק את חודשי הקיץ (דצמבר עד פברואר) וחורף (יוני עד אוגוסט).  נתוני ה-MODIS LST שימשו מספר מחקרים לניטור טמפרטורות אורבניות (קלינטון וגונג, 2013;Li et al., 2017; MacLachlan et al., 2017).

יצרנו שני מערכי נתונים של צמחייה עירונית, אשר צברו את הרזולוציה המרחבית של פיקסלים מסוג MODIS LST (1 ק”מ). מערך נתוני הצומח העירוני העיקרי שלנו היה ממאגר נתונים עירוני (4- מרחבים, ברזולוציה גבוהה, הדמיות אוויריות ומוצרי הצומח הנגזרים הייחודיים לפרת ‘) אשר נאספו ונמסרו על-ידי הארגון למחקר מדעי ותעשייתי של החברה(CSIRO)    (Caccetta et al. , 2012). מערך המעקב העירוני מספק מידה של גובה צמחייה ברזולוציה אנכית של 1 מ”מ ורזולוציה מרחבית של 20 ס”מ, נאסף במרץ 2007, 2009  ו -2016 מצילום אווירי דיגיטלי. פרטים מלאים על איסוף נתונים ועיבוד של

נתוני צג עירוני ניתן למצוא Caccetta et al. (2012). סיווגנו מחדש את נתוני גובה הצמחייה העירונית לשלושה סוגי צמחייה: של דשא (<50 ס”מ), שיח (50 ס”מ – 3 מ ‘) ועץ (> 3 מ’).

לאחר מכן, שילבנו את נתוני גובה הצמחייה של 2007, 2009 ו- 2016 מהמאגר העירוני עם תצפיות MODIS LST  שבשנים מקבילות על ידי התאמת של כל סוגי הצמחים בתוך כל הפיקסלים של ה MODIS. יצרנו מערך שני של נתוני צמחים על ידי חישוב NDVIערכי ומנתוני ההחזרה של פני השטח מלוויינים:  Landsat 5, 7  ו-8, באמצעות, Google Earth Engine (מנוע חיפוש של גוגל). עבור כל 30 מ ‘Landsat פיקסל לכל שנה, שמרו את הערך המרבי NDVI ואז את המרחביות ואת ממוצעים ערכים אלה בתוך כל פיקסל LST MODIS. Landsat NDVI שימש בעבר למחקרים קודמים על מנת להעריך את השפעת הצומח העירוני על הטמפרטורה, והוא מדד מקובל לשפע הצמחים במקום מסויים (Estoque et al.,2017; Pettorelli et al., 2005). השתמשנו בנתוני NDVI של Landsat כמערכת נתונים משני כדי לאמת את השימוש בנתוני המעקב העירוני לחקר יחסי טמפרטורת לצמחים.

כדי למקד את הניתוח של הצמחייה העירונית בתוך פרת ‘, אנחנו כללנו את קרקעות חקלאיות המקיפות את המטרופולין. לשם כך הסרנו כל פיקסל MODIS מניתוח שלנו, אשר הייתה חפיפה במרכזו או בחלקו בין Mesh Block לבין קרקע חקלאי (ABS, 2011).

Mesh Block הוא יחידה אוסטרלי סטטיסטי הקטנה ביותר אשר כולל סטנדרט גאוגרפי קטן  (המכיל בדרך כלל 30 עד 60 שוהים) ומספק מידע על כלל האוכלוסייה, מספר הדירות ושימושי קרקע (מים, פארקים, מגורים, תעשייה, מסחר, חינוך, בית חולים / רפואי, חקלאי, תחבורה ועוד). לבסוף, אנו יצרנו מדידות חודשיות של משקעים, תוך שימוש בנתונים המשולבים של נתוני אקלים (CHARPS) (0.05 מעלות ברזולוציה מרחבית, Funk et al. (2015)), אשר מוינו ל MODIS LST לרזולוציה מרחבית באמצעות Google Earth Engine. נתוני משקעים עבור אזור המחקר נכללו כמשתנה בלתי תלוי במודלים של רגרסיה, שכן משקעים מתואמים לעיתים קרובות עם רמות הצומח ו- LST, וזה עלול להיות גורם מבלבל. תרשים זרימה של ניתוח הנתונים שלנו מוצג באיור 3.

איור 3- תרשים זרימה לעיבוד נתונים. מערכי הנתונים הסופיים המשמשים לניתוח הבא הם בצבע אפור.

2.3-אנליזה

ראשית, ביקשנו לזהות אם הקשר בין סוג הצומח העירוני לבין LST העירוני כפי שהוצג במאגר העירוני בכדי לברר אם היחסים שנצפו היו חזקים בטווח של הבדיקות. בדיקה זו מצדיקה את השימוש במאגר העירוני כביקורת על המשך מחקר סוג הצמחייה העירונית והתצורה והשפעותיה על טמפרטורות עירוניות. אומדנו רגרסית דגמים תוך שימוש בריבועים מינימליים מקובצים (Oq) (eq) 1 עם אפקטים קבועים של מיקום (eq.2) שטח הדשא, השיחים והעצים שנמדדו באמצעות נתוני צג העירוני בכל LST MODIS פיקסל כמשתנים בלתי תלויים.

 =  + 1  + 2 ℎ  + 3  + 4  +  +

(1)

 = 1  + 2 ℎ  + 3  + 4  +  +  +

(2)

כאשר  הוא LST המקום הוא  החודש  ושנה , ה-     1-3 הם ההשפעה של שינוי של 1 ק”מ 2 של דשא (צמחיה <50 ס”מ), שיחים (צמחייה בין 50 ס”מ ו 3 מ ‘) ועצים (צמחייה> 3 מ’) על LST מחזיק כאשר השאר קבועים;  4היא ההשפעה של משקעים על LST, ו  ,    הם השנה והמיקום קבועים בהתאמה.

כולל השפעות עבור מיקום קבוע, זמן קבוע וגורמים מסוימים שעלולים להשפיע על הקשר בין הצמחייה לבין  LST כגון המרחק מהחוף או גובה. כולל השפעות קבועות שנתיות שחשוב לשלב וריאציה אקלימיות שמתרחשות ברקע אשר כבר הוכח שיש להן השפעה על האי החום העירוני (למשל Zhou et al. (2016)), ולמנוע התנגשות בהשפעה זו על מדידות הצמחייה העירונית ועל LST. הערכת מודלים רגרסיה בנפרד עבור תקופות הקיץ והחורף אפשרה לנו ללכוד שונות תוך שנתית ואיך הצמחים עירוניים משפיעים על LST העירוני.

כדי לבדוק שהשפעת הצומח שנצפתה על LST העירוני לא הייתה מלאכותית בגלל שהמארג הכיל תקופות מסויימות, בצענו בדיקות אקראיות. באופן ספציפי, התחשבנו גם בשימוש במערך צמחייה שונה, אשר נעשה בו שימוש נרחב למחקרים על צמחייה עירונית – טמפרטורות (Landsat NDVI), תוך התייחסות לזמן תצפיות ארוך יותר (2003 עד 2016),ובחישוב קורלציה מרחבית של המשתנה התלוי והשאר, והגבלת הניתוח למיקומים בהם קיימת ראיה סבירה שצמחייה עירונית השתנתה לאורך זמן (זה חשוב כי במחקרים אחרים הראו כי למשטחים בנויים גם יש אפקט התחממות (Bounoua et al., 2015; Li et al., 2017; Myint et al., 2013), רצינו להמנע מלייחס את אפקט קירור לצמחייה, כאשר למעשה האפקט הוא התחממות של משטחים אטומים / בנויים).אלה בדיקות האיתנות מוצגות ונדונות החומר הנוסף.

הקשר בין סוג הצמחיה העירונית לבין הטמפרטורות העירוניות הוכח כמשתנה במרחב בסולמות שונים (Deilami et al, 2016; Guo et al., 2015; Li et al, 2017; Szymanowski and Kryza, 2012). הערכת השפעת הוריאציה מרחבית של סוגים שונים של צמחייה עירונית על LST חשוב כי: 1. בכדי לזהות אומדנים מקדמים שימושיים (למשל, eq 1-2) של ההשפעה הממוצעת של סוג הצמחייה העירונית על LST עבור המתכננים המנסים להקל על חום עירוני. 2. בכדי להצביע על גורמים נוספים הממתנים את הקשר בין סוג הצומח והטמפרטורה העירונית במרחב,ו-3. כדי לספק תובנות נוספות לגבי השפעת סוג הצמחיה העירונית על טמפרטורות אורבניות אלו מובילים לשאלות מחקר ולהשערות ממוקדות יותר.

כדי לחקור את השונות המרחבית ביחסים בין הצמחייה העירונית לבין LST, ערכנו מודלים של רגרסיה משוקללת גיאוגרפית (GWPR) עבור תצפיות LST לחודשי הקיץ. הערכנו את מודלי GWPR על ידי עריכת רגרסיה משוקללת מקומית בכל מיקום במערך הנתונים שלנו; בכל אזור שטח היו המשתנים: הדשא, השיחים, העצים וסכומי המשקעים החודשיים עם LST חודשי והיום כמשתנה התלוי. מקומות שכנים היו משוקללים באמצעות ליבה bisquare עם רוחב פס אדפטיבית של32 סמ”ר פיקסלים. בעקבות Cai et al. (2014), השתמשנו ברוחב פס זמן קבוע, שנבחר באמצעות הקטנת קריטריון המידע של Akaike (AIC) תוך שימוש במערך חתך הכולל את ממוצע הקיץ LST, הדשא, השיחים, העץ והמשקעים במשך שלוש השנים מתוך מאגר הנתונים שהיה זמין. 

בדרך כלל הצמחייה העירונית אינה גדלה בסדר הומוגני; במציאות, סוגים שונים של צמחייה מעורבים בסביבות ומובילים לצפיפות, מורכבות ודפוסים שונים של צמחייה (Guo et al., 2015). ההבנה כיצד הסדר המורכב הזה של הצמחייה העירונית משפיע על הטמפרטורה העירונית חשוב למתכננים העירוניים. סוגי הצמחים אינם תמיד מתחלפים בתוך פסיפס עירוני, כלומר, זיהוי תצורות שונות שמובילות לקירור דומה יהיה חשוב למתכננים ויספק להם עם אפשרויות הסתגלות (Norton et al.,

2015). ניתוח רגרסיה מתאים לזיהוי הקשר הממוצע בין השונים המנבאים לבין משתנה תגובה, המחזיק את כל השאר, שווה. עם זאת, הרגרסיה פחות שימושית כאשר קיימים יחסים לא ליניאריים ומורכבים בין מנבאים ומשתני תגובה (James et al., 2013) כפי שקורה בין תצורות צמחיות שונות בטמפרטורות שונות. לכן, כדי לחקור אינטראקציות מורכבות אלה, ויחסים לא לינארית בפוטנציאל, בין הצמחייה העירונית,   יישמנו בניתוח   LSTלמידת מכונה- יערות אקראיים- באמצעות בסיס נתונים שהכילו נתוני LST ומעקב אחר מערכי נתונים של צמחייה עירונית בשעות יום בקיץ מן 2007, 2009, ו 2016. יערות אקראיים הם מודל של למידת מכונה, המצרף את התחזיות של מספר

עצי החלטה; יש להם הטיה נמוכה וחיזוי שונות בהשוואה לתחזיות של עצי החלטה פרטיים. יערות אקראיים שימשו בהצלחה במחקרים קודמים לחיזוי טמפרטורות עירוניות מתכונות נוף (Voelkel and Shandas, 2017; Yoo, 2018). הגדלנו 1000 עצי רגרסיה עם 10 צמתים סופניים. החזרנו את העץ הייצוגי ביותר מתוך למידת המכונה של עצים שנוצרו על ידי היער האקראי באמצעות החבילה ‘reprtree’ ב- R (R Core Team,2017) אשר מיישמת את המתודולוגיה המתוארת Banerjee  ואח ‘. (2012). העץ הייצוגי ביותר הוא העץ הדומה ביותר לכל העצים האחרים בהרכבה, על פי מדד שמכמת את ההבדל בין תחזיות כל צירופי העצים (Banerjee et al., 2012). יצירת העץ הייצוגי ביותר הוא כלי שימושי לפרשנות היחסים בין משתנים מנבאים ומשתנים בתגובה במערך נתונים זה.

3. תוצאות

הייתה וריאציה מרחבית LSTs על פני Perth בחורף ובקיץ (איור 4). ההתפלגות החודשית של LST הממוצע על פני אזור המחקר פרת’ מ 2003 עד 2016 מוצג באיור 2. ההתפלגות החודשית של ערכי LST בלילה מוצגים באיורים S1 ו S2. כמויות המשקעים הגדולות ביותר התקבלו גם בחודשי החורף בין השנים 2003 ל -2016 (איור 2). דפוס עונתי זה משתקף בהבדלים בין-שנתיים בגידול הצמחייה; במהלך חודשי החורף יש שינוי בהתפלגות ערכי NDVI כלפי רמות גבוהות יותר (איור S3). יש גם שונות מרחבית בולטת בסוגי הצמחייה באזור פרת'(איור 5), שלמטרת עבודת מחקר זו הוגדרה כעשב (איור 5 A), שיח (איור 5 B) ועצים (איור 5 C) המסווגי לפי CSIRO עם כיסוי צפוף יחסית של עצים לאורך מתלול דארלינג ממזרח לשטח המחקר באיור 5C.

איור 4 – ממוצע חודשי LSTs LTS ב- C לאורך אזור פרת ‘בשנים 2007, 2009 ו- 2016 עבור A)-

קיץ ו- b) חודשי החורף

איור 5 החלק הממוצע של פיקסל LST MODIS מכוסה עשב (א), שיח (ב), ועצים (ג)

ב 2007, 2009, ו 2016 כפי שנמדד באמצעות נתונים במעקב עירוני.

לצמחייה עירונית יש השפעה שלילית על LST (טבלה 1). עלייה של בכיסוי השטח בדשא, שיחים או עצים מפחית LST, מחזיק את כל שאר שווה (טבלה 1). יחסים אלה היו עקביים על פני מודלים של OLS ובמודלים שבהם היה משתנים קבועים של מיקום. השפעת הקירור של הצמחייה העירונית על LST היה גדול יותר בחודשי הקיץ (טבלה 1). עלייה בשטח של שיחים או עצים קשורה עם אפקט קירור גדול יותר מאשר עלייה בשטח של דשא (טבלה 1). סימן המקדם לצמחייה היה עקבי לאורך ה – OLS וללוח המודלים של רגרסיה, אך גודל האפקט הקירור של הצמחייה ירד כאשר במיקום נכללו השפעות קבועות. תוצאות בדיקות החוסן מוצגות ונדונות בחומר משלים (לוחות S1, S2 ו- S3). את האותות של טמפרטורה הצמח זיהו באמצעות המעקב העירוני ותואם את התיאוריה הצפויה וכי האות הזה היה חזק טווח הבדיקות ומעיד על כך שמערך נתונים זה מתאים לבדיקה נוספת של יחסי צמחייה עירונית-טמפרטורה.

טבלה 1. תוצאות רגרסיה באמצעות נתוני גובה הצמחייה העירונית. תוצאות שנאמדו באמצעות פאנל של תצפיות LST חודשי. מקדם האומדנים המוצג כאן מראה את השפעה על המוצע  חודשי עירוני של LSTs עבור 1 ק”מ 2 עלייה כיסוי אירי של דשא, שיח, עצים, או עלייה של אחת מ”מ בסיכומים משקעים חודשיים.

Note:         *p<0.1; **p<0.05; ***p<0.01

אומדן מקדם הדשא, השיחים והעצים המוערכים באמצעות דגמי GWPR מתואר איור 6 וההתחלקות של אומדני המקדם מתוארים באיור S4. ערכי R 2 המקומיים עבור המודל GWPR מוצגים גם באיור 6. המודלים GWPR ממחישים כי היחסים בין סוגי צמחייה שונים ו- LST משתנים מרחבית על פני שטח המחקר של פרת’ ובחלקם מקדמים חיוביים מוחזרים (איור 6). ההשפעה של דשא, שיחים ועצים על הטמפרטורה עירונית אינה תמיד מתואמת במרחב; לדוגמה, במקומות שבהם יש עצים השפעה קירור מוגבלת יותר, בשיחים התקבל אפקט קירור גדול יותר ולהיפך (ראה מיקומים בצפון הרחוק של אזור המחקר; איור 6). ההבדלים המרחביים במשתני הרגרסיה של הדשא, השיחים והעצים על פני פרת’ (איורים 6 ב’ ו -6 ג ‘) מצביע על כך שגורמים אחרים, שאינם נצפים, מתונים לצמחייה העירונית את יחסי ה- LST . זה מצביע על כך 1. אותו סוג צמחיה במיקומים שונים לא בהכרח לספק את אותו אפקט קירור, ו -2. מחקר נוסף צריך להעשות על מנת להבין את הקשר בין סוג הצמחייה, הסידור המרחבי שלה, האחר גורמים אחרים בנוף והטמפרטורה על מנת לספק הערכות ספציפיות של רווח הטמפרטורה ממיקום יזום של צמחיות עירוניות. עם זאת, בעזרת הרזולוציה המרחבית בהצגת הנתונים על תצורות עירוניות, היכולת ללכוד את הקטגוריות השונות של סוגי צמחים, וזיהוי של טמפרטורת הצמח באמצעות האות (טבלה 1) מצביע ששימוש זה מוצדק למחקר זה.

איור 6- אומדנים מקדמים שחזרו מרגרסיה משוקללת גיאוגרפית (GWPR)

מודלים בדיקה, היחסים בין) א דשא, ב) שיחים, ו ג) עצים, LST בשעות היום. ה

מקדמים R 2 המקומיות מתוות ב (ד).

בניתוח יערות אקראיים באמצעות אחוז כיסוי הדשא, כיסוי השיחים, ואת כיסוי העצים בפנים 1 ק”מ פיקסל מנבאים 31.84% מהשונות בקיץ ב- LSTs. היערות האקראיים הצביעו על כך שהעצים והשיחים הם משתנים חשובים לחיזוי LST; יש 89% (98%) ירידה באחוז הדיוק של ניבוי הטמפרטורה (עלייה בשגיאה מרובע ממוצע) כאשר העץ (שיח) אינו נכלל במודל. לשם הדגמה, עץ רגרסיה הייצוגי ביותר של האנסמבל של 1000 עצי רגרסיה שנוצר באיור 7. הקיץ הקריר ביותר LST הושג במקומות עם הצפיפות הגבוהה ביותר של צמחייה; האיבר הימני של העץ מייצג מיקומים עם אחוז גבוה של כיסוי עץ (> 29.75%) וכיסוי שיח (> 7.75%), כאשר גם הממוצע הנמוך ביותר בקיץ LST (36.28 מעלות צלזיוס). בניגוד לאיבר שמאל המתאר מיקומים עם כיסוי צמחייה נמוך אשר טמפרטורות LST בקיץ חמים יותר(43.85 ° C). איור 7 מראה גם שתצורות שונות של צמחייה עירונית בתוך שטח (1ק”מ פיקסל) ניתן להשתמש כדי להפחית את ה- LST בקיץ.

איור 7 מציג עץ רגרסיה מהרכבה של עצי רגרסיה שנוצרו באמצעות יערות אקראיים המראים את הקשר בין הצמחייה העירונית לבין LST בקיץ. ערכים בצמתים סופניים של  LST הממוצע עבור תצפיות נופלים לקשר, וערכים ליד תוויות הצומח, בכל צומת מתאימים לאחוז כיסוי הצמחייה של זה סוג צמח בתוך פיקסל LST MODIS. הערכים בצמתים המסופים של העץ מייצגים ערכי הטמפרטורה החזויים המשויכים לסוג צמחייה נתון; דוגמה לסוגי הצמחייה במיקומם ברחבי פרת’, המשויכים לכל צומת מוצגים לצד כל אחדת מהצמתים. המפה מראה מקומות על פני פרת’ מסווגים לקטגוריה טמפרטורה מבוסס על מבנה הצמחייה שלה באמצעות העץ הייצוגי ביותר המוצג כאן.

4. דיון

התוצאות מהיערות אקראיים ממחישות בצמתים כיצד מתקבל איזורים קרירים ע”י שיחים או עצים (כגון איור 7). ניתן לראות שהגדלת צפיפות הצומח בתוך מיקום עירוני יש השפעה קירור על LSTs בשעות היום. טענה זו מאוששת על ידי מודלים רגרסיה מוערך באמצעות Landsat NDVI (טבלה S1) ואחרים (למשל Bounoua et al (2015); Myint et al. (2013)). את ערכי Landsvi NDVI חושבנו לכל צירוף של חודש-שנה, כך ששכללנו את השינוי במצב הצמחייה לאורך השנים ועל פני שנים. NDVI הוכח כמתאם חזק של צפיפות הצמחייה והביומסה שלה (Pettorelli et al. 2005). תוצאות אלו מצביעות על כך שתכנון עירוני המאפשר את התפתחות של צפיפות צמחייה גבוהה בעתיד יפיק יתרונות קירור משופרת ככל שהצמחייה מתבגרת. זה חשוב כאשר שוקלים כי הצמחייה העירונית יש השפעת קירור גדולה במיוחד על LST בשעות היום במהלך חודשי הקיץ החמים של פרת’ שהם תואמים לתנאים שעשויים להיות תכופים יותר באקלים משתנה (King et al., 2017).

המחקר שלנו מבוסס על מחקרים סטטיסטיים של צמחייה – יחסי LST באמצעות מדידה מפורשת וריאציה של סוגי צמחייה (המוגדרים כעשב, שיח ועץ) בתוך אזורים עירוניים לעומת בהסתמך אך ורק על NDVI, שטח ירוק, או אזורים כפריים כמו אומדנים. התוצאות שלנו מראות כי שיחים עצים יש השפעה קירור גדול על LST מאשר הדשא. ממצאים אלה עולים בקנה אחד עם מנגנוני קירור של גוון וקירור חום סמוי (Bounoua et al., 2015; Ellison et al., 2017;Norton et al., 2015) וממחישה את ההבנה בדקות רבה יותר, של היחסים בין הצמחייה העירונית LSTs, כי ניתן ללכוד באמצעות נתוני גובה הצמחייה את מצב הצמחייה העירונית בפועל. המודלים המשמשים בניתוח זה הוזנו בנתוני הצומח מדוייקים, חזרה על עונות רבות, ואת כיסוי כל העיר. מודל היערות האקראיים מהר יחסית לנתח מערכי נתונים גדולים, אשר נדרשו בטיפול בנתוני הצמחים על פני העיר כולה (שנה אחת של נתוני גובה הצמח מעיר הוא כ 1.5 TB), וכן כפי שמוצג כאן ובדוגמאות אחרות בספרות (למשל, Voelkel and Shandas (2017)) וביצועים בחיזוי טמפרטורות בנוף העירוני. לפיכך, המודלים האלה (למשל איור 6 ואיור 7), ממחישים את הפוטנציאל לפתח כלים מקומיים מפורטים ומפורשים בתכנון מדריך של תצורת צמחייה כדי לייעל את הקירור המקומי ברמה עירונית.

עם זאת, הניתוח שלנו לא יכול לזהות בוודאות אילו מנגנוני קירור בצמחיה העירונית פעילים וחשיבותם היחסית בהקשרים שונים. לדוגמה, Bounoua (2015) מצביעים על מיני עצים שונים המספקים יתרונות קירור שונים באמצעות מנגנון הזעה. אומנם הבנה נוספת של מנגנוני קירור גנטיים חשובה חשוב יותר שמתכננים יהיו ממוקדים במיקום של צמחייה בתוך הנופים העירוניים. נמחיש בדוגמה היפותטית, אם הבנה משופרת של מנגנוני הקירור הראו כי צל, בהקשר מקומי נתון, נדרש כדי להקל על טמפרטורות קיצוניות אז מתכננים יכול להתמקד במציאת מיקומים אופטימליים לשתול עצים גבוהים. הבנה משופרת של מנגנוני קירור בתוך נופים עירוניים המורכבים ישפרו את כלי הסימולציה והמודלים. אז ניתן לדייק בצמחייה בכדי ששינוי אקלים יתרחש.

ניתוח ה- GWPR הראה שונות ניכרת בתוך העיר באפקט הקירור של צמחייה גבהים שונים (איור 6). ההבדלים המרחביים ביחסים בין צמחייה עירונית לבין LST נצפתה גם בערים אחרות (Deilami et al., 2016; Szymanowski and Kryza, 2012). מצביע על כך שקיימים גורמים משתנים אחרים מרחבית שממתנים את ההשפעה הקירור של הצמחייה העירונית, המשקפת את המורכבות בפועל של כיסויי קרקע עירוניים ואת האינטראקציה עם האטמוספירה. לדוגמה, מחקרים קודמים הראו כיצד גורם בהירות השמים (כאשר השמים גלוי ממיקום) משפיע על SUHI (צ’ון וגולדמן, 2014), כי מבנים מסחריים עם גגות גבוהים יחסית מפחיתים LST (Myint et al., 2013), כי מדרכות וגגות יחסית נמוכים עם חום גבוה יותר (Wang et al., 2016), וכי השילוב של השינויים בקרקע הבנויה ולהגדלת כיסוי הצמחים יש אפקט קירור גדול (Wang et al., 2016). עם זאת, יש צורך בפיתוח מודלים להבנה נוספת של יחסי הגומלין בין מיקום ספציפי של מבנה הצמחייה וצורה הבניה שבטח להבנת היחסים בין הצמחייה והטמפרטורה. קיימים עבור פרת ‘ וערים אחרות באוסטרליה, מודלים של רזולוציה מרחבית עדינה של פני השטח הדיגיטלי בהיקף עירוני(Caccetta et al., 2012). נוצרת הזדמנות לבנות מטריצת שתאפיין את צורה הבנייה ולקיום מודלים על מנת להעריך את האינטראקציה בין צורות הבנויה וצמחייה, צמחייה מתונה ואינטראקציות LST. גישות של למידת מכונה, כגון יערות אקראיים, יהיו שימושיות עבור ביצוע ניתוח זה מפני שהם ללכוד יחסים מורכבים לא לינאריים בין מנבאים שונים, משתנים ותוצאה, הם יכולים להתמודד עם מספר גדול של משתנים מנבאים, והם מתמודדים עם מערכי נתונים גדולים יחסית מהר. לדוגמה, Voelkel ו Shandas (2017), הראו כי יערות אקראיים ביצועים טובים יותר לרגרסיה ליניארית מרובה ולמודלים בודדים CART בניבוי טמפרטורות עירוניות באמצעות צמחייה שונה ובניה ומדדים של כיסוי הקרקע.

מחקר זה התמקד ביחסים בין הצמחייה העירונית לבין LST כאשר בדרך כלל טמפרטורות האוויר הן אלו שמשפיעות ישירות על אנשים ועל פעילות חברתית וכלכלית (Carleton and Hsiang,2016).לפי  White-Newsome  (2013), יש לנקוט משנה זהירות בשימוש LST עירוני כדי לעקוב אחר וריאציה בטווח הקצר בטמפרטורות האוויר העירוניות; אם כי הם הראו כי ל- LST האורבני העירוני ולטמפרטורות האוויר מתואם וניתוח אחרונים הראו כי היחסים בין התמ”ג ה- LST והתמ”ג טמפרטורה האוויר דומים (Heft-Neal et al., 2017). המחקר מזהה 1. הקשר בין צמחייה עירונית לטמפרטורת האוויר ובין טמפרטורת האוויר להשפעות סוציו – אקונומיות. 2. הקשר בין LSTs לבין תוצאות סוציו-אקונומיות יהיה חשוב לכמת את התועלת של סוגים שונים של צמחייה עירונית במונחים כלכליים והזדמנות הרווח/הפסד פיתוח עירוני ללא צמחייה עירונית תחת התחממות האקלים. הראינו כי נתוני גובה הצמחייה ברזולוציה גבוהה יכולים לספק הבנה מתוחכמת יותר של היחסים בין צמחייה עירונית לבין LSTs (טבלה 1, איור 6, איור 7). נתונים אלה שימושיים לביצוע ניתוח זה בגלל הדמיון הרב שלהם לסוגים ותצורות צמחייה עירונית במציאות.

בערים כגון פרת’ שאלת מרכזית בתכנון היא “כאשר התפתחות גורמת להסרת צמחייה, היכן ניתן לשתול מחדש את הצמחייה העקורה הזו כדי להקל על ההתחממות?” לעתים קרובות נשאלת שאלה זו בהקשר של פיצוי אובדן הצמחייה ממיזם פרטי בשימוש אדמות ציבוריות.  בכדי שהאסטרטגיה הזו של פיצוי תעבוד, על הצמחייה לספק אפקט קירור כמו שמוצעים Chun and Guldmann (2014). עם זאת, סביר להניח כי לאיזורים הקטנים של צמחייה שבדרך כלל נמצאים בנופים העירוניים, אפקט הקירור המקורב יהיה קטן ומקומי שמאתגר מערכות נתונים LST גסות יחסית (למשל מערך הנתונים של MODIS LST המשמש כאן). זה מצביע על כך שיש צורך בנתוני LST אורבאניים מרחביים ורב-טמפורליים. Weng ואחרים (2014), מפגינים גישה ליצור 30 מ ‘רזולוציה מרחבית היומי LST ידי מיזוג התצפיות Landsat ו MODIS; הפקת נתונים כאלה ניתן לעשות בקלות יחסית באמצעות משאבים חישוביים חדשים כגון Google Earth Engine  (Gorelick et al., 2017). יצירת רזולוציה מרחבית עדינה רב טמפורלית של נתוני LST עירוני ומעקב אחר החשיפה LST משתנה עם אובדן הצמחייה הסמוכה היא תחום חשוב עבור מחקרי עתיד שכעת הופכי ראליים עם הקיים תצפיות מערכי משאבי חישוב.

5. מסקנות

מחקר זה העריך כיצד סוג הצמחייה העירונית השפיע על LST העירוני באמצעות העיר פרת ‘, מערב אוסטרליה, כמקרה מבחן. זו שאלה רלוונטית למתכננים עירוניים המחפשים אסטרטגיות להתאמת ערים לתנאי התחממות בשל שינוי האקלים ואת תופעות איי החום העירוני.  השתמשנו במיוחד במערכי נתונים של צמחייה עירונית הדומה בפועל לסוגי הצמחים / תצורותיהם,  והיינו מודעים לאופן שבו וריאציה מרחבית ואינטראקציות מורכבות בין סוגי צמחייה עירונית שונים עשויים להשפיע על LST העירוני.

הראינו כי גידול בצמחייה העירונית בתוך מיקום מקטין את LSTs בקיץ ובחורף ושהאפקט הזה היה גדול יותר בחודשי הקיץ. הראינו כי שיחים (צמחיה של 0.5 מ ‘עד <3 מ ‘גובה) ועצים (צמחייה> 3 מ’) יש השפעה קירור גדול יותר על LST מאשר דשא. מערכות היחסים אלה היו עקביות על פני טווח של בדיקות עמידות. שילובים של שיחים ועצים הראו השפעה קירור; צמחייה עירונית שאינה גבוהה כגון שיחים יש פוטנציאל להשתלב יותר בקלות באזורים עירוניים לעומת עצים. מתכננים יכולים לנצל רווחי קירור קלים ומהירים יותר מאשר עצים גדולים עם זמן צמיחה ארוך. יחד עם זאת בהתחשב בהתחממות הגלובלית, פיתוח עירוני המתחשב בצמיחה גבוהה לאורך זמן יוכל בעתיד להרוויח מיתרונות קירור האוויר מאשר זה המטפח צמיחה צפופה של שיחים אשר מקררים את פני השטח יותר מאשר את טמפרטורת האויר.  

מדדים כגון NDVI או כיסוי “ירוק”  של הקרקע היו שימושיים בהגדרת היחסים בין הצמחייה העירונית לבין LST. עם זאת, הם מסווים את השוני  הניכר בגובהה ובתצורה מרחבית של צמחייה עירונית וכיצד שוני זה משפיעה על החשיפה לטמפרטורה. הניתוח שלנו הראה כי היחסים בין דשא, שיחים ועצים, ו- LST השתנו מרחבית על פני הנוף וכי אפקטים של קירור יכול לקרואת באמצעות שילובים שונים של השלושה. אנו תומכים בעבודה נוספת המבקשת להבין טוב יותר את מנגנוני הקירור הפוטנציאליים במורכבות הנופים העירוניים, כולל אינטראקציות בין צמחייה עירונית לבין קרקע בנויה ומכסה, ואינטראקציה של האויר והשפעתו על הטמפרטורה. תובנות אלה יאפשרו למתכננים להיות ממוקדים יותר בהקשר ספציפי בבחירת אסטרטגיות צמחיה בתוך עירוני נופים.