Sub-tägliche Daten zur Landoberflächentemperatur für die Überwachung der städtischen Wärme aus dem All, verbessert durch maschinelles Lernen

Städtische Wärmeinseln werden zu einem wichtigen Gesundheitsfaktor für Städte im Angesicht eines sich erwärmenden Planeten. Angetrieben von wasserundurchlässigen Flächen und steigenden Temperaturen können extreme Temperaturen allein in den USA im Jahr 2023 zu 235.000 Notaufnahmen und 56.000 Krankenhausaufenthalten jährlich führen. Über die wirtschaftlichen Auswirkungen hinaus belastet städtische Wärme das Wohlbefinden und die Gesundheit weltweit mit sichtbaren Effekten auf die Sterblichkeit. Stadtplanung zielt darauf ab, extreme Wärme in Städten zu mildern, eine Herausforderung, die durch städtische Verdichtung und den Klimawandel noch verstärkt wird. Die genaue Vorhersage und das Management urbaner Wärme sind jedoch aufgrund der Schwierigkeit, lokale physikalische Prozesse zu messen, vor allem in dynamisch wechselnden Umgebungen, komplex. Der Mangel an granularen Messungen der Landoberflächentemperatur verstärkt dieses Problem. Während Satellitenbilder von thermischen Instrumenten einige Unterstützung bieten, fehlt es traditionellen Datenquellen oft an der notwendigen zeitlichen Dichte der Beobachtungen. Schnelle diurne Temperaturschwankungen erfordern eine nahezu in Echtzeit erfolgen Überwachung für effektive Entscheidungsfindung und ein umfassendes Verständnis der städtischen Temperaturdynamik. Neue Raumkonstellationen mit höherer zeitlicher Kadenz beginnen, diese Datenlücke zu schließen, mit enormem Potenzial für die Stadtentwicklung sowie die Antizipation extremer Wärmeereignisse. Beispielsweise ermöglicht die Forest-Konstellation von OroraTech eine häufige Beobachtung urbaner Gebiete. Mit 2 Satelliten, die im Orbit betrieben werden, und 9 weiteren, die für 2024 geplant sind, wollen wir alle 12 Stunden weltweit die Landoberflächentemperatur (LST) bereitstellen. Sobald unsere vollständige Konstellation 2027 betrieben wird, wird die Aktualisierungsfrequenz erneut auf unterstündlich steigen. Die native räumliche Auflösung der Forest-Daten von 200 m ist jedoch eine Herausforderung für städtische Anwendungen. Derzeit untersuchen wir, wie wir unsere Bilder mit Ansätzen der künstlichen Intelligenz auf 70 m verbessern können, um vom Stadtviertel auf die Gebäudeebene zu gelangen. Diese Super-Auflösungstechniken sind das Ergebnis jüngster Fortschritte in der KI und Bildverarbeitung mit vielversprechenden Ergebnissen für unsere thermalen Daten. Dennoch ist die Nutzbarkeit der super-resolvierten Daten für städtische Politiken unterforscht. Wir zielen darauf ab, vorläufige Ergebnisse der Genauigkeit unserer Super-Auflösungsmethode im Vergleich zu hochauflösenden Ecostress-Daten zu präsentieren und die Anwendbarkeit der Ergebnisse für die Stadtplanung sowie die Analyse extremer Wärmeereignisse zu untersuchen. Damit wollen wir Städten helfen, die neuen Herausforderungen der öffentlichen Gesundheit durch extreme Hitze zu bewältigen.