הדרך לקרר עיר יכולה להתחיל במקום מאוד נקודתי. לא בשאלה איזו שכונה חמה יותר, אלא איזה גג ״בולע״ יותר שמש, באיזה בניין כדאי לטפל קודם, ואיפה השקעה עירונית קטנה יחסית יכולה להשפיע יותר. זה בדיוק המקום שבו גוגל מרחיבה את פרויקט Heat Resilience שלה ופותחת לשימוש ציבורי מערך נתונים על יותר מ-50 ערים בעולם. המטרה היא לעזור לעיריות, חוקרים ומתכנני ערים לזהות גגות בעלי החזר שמש נמוך ולתעדף התערבויות כמו התקנת גגות מחזירי שמש. הסיפור כאן רחב יותר מגגות. זו דוגמה לשימוש מעשי בבינה מלאכותית על נתונים גיאו-מרחביים, כלומר נתונים שמחוברים למיקום פיזי בעולם. גוגל משלבת תצלומי לוויין ואוויר עם מודלים ושיטות כיול כדי להפוך תמונות לשכבת מידע שאפשר לקבל לפיה החלטות. לא החלטות תאורטיות, אלא החלטות על תקציבי שיפוץ, תוכניות אקלים עירוניות, רגולציה על מבנים ותעדוף שכונות שסובלות יותר מחום.
רוצים לקבל עדכונים בלייב? רוצים מקום בו אתם יכולים להתייעץ עם מומחי AI, לשאול שאלות ולקבל תשובות? רוצים לשמוע על מבצעים והטבות לכלי ה-AI שמשנים את העולם? הצטרפו לקהילות ה-AI שלנו.
אפשר גם להרשם לניוזלטר שלנו
כשה-AI הופך תמונת לוויין לשכבת החלטה
המדד המרכזי בפרויקט הוא אלבדו (Albedo), שיעור קרינת השמש שמשטח מחזיר לעומת זו שהוא סופג. גגות כהים ואספלט טרי מחזירים מעט קרינה ולכן מתחממים יותר. גגות בהירים מחזירים חלק גדול יותר מהקרינה, מתחממים פחות, ובתנאים מסוימים גם מפחיתים את עומס החום בתוך המבנה ובסביבה הקרובה. גוגל מציגה ערכים אופייניים של 0.05 עד 0.15 לגגות כהים, לעומת 0.60 עד 0.85 לגגות “קרים”.
אבל עיר היא לא משטח אחיד. באותו אזור יכולים להופיע גג כהה, עץ, כביש, צל ומבנה סמוך במרחקים קצרים מאוד. כדי לחקור תופעות בקנה מידה רחב, חוקרים משתמשים במערכת לווייני התצפית סנטינל-2 (Sentinel-2), שמספקת צילומים שוטפים של כל רחבי כדור הארץ. הנתונים האלו זמינים בקנה מידה עולמי, אך רמת הפירוט שלהם היא 10 מטרים. כלומר, התמונות נועדו להציג מגמות בשטחים גדולים כמו צמיחה חקלאית או שינויי אקלים, ולא נועדו להתמקד בעצמים בודדים שקטנים מגודל של בית ממוצע.
בעיר צפופה, זה פשוט לא מספיק כדי להבין מה קורה בגג בודד. לכן, גוגל והחוקרים משלבים אותם עם תצלומי לוויין מסחריים ברזולוציה של 30 סנטימטר. התהליך הזה נקרא 'היתוך נתונים' (Data Fusion) - חיבור בין מקורות מידע שונים כדי לקבל תמונה מדויקת ושימושית יותר מזו שכל מקור היה מספק לבדו.
כאן הבינה המלאכותית רלוונטית באמת. היא לא מקררת את העיר בעצמה וגם לא מחליפה מהנדס, אדריכל או מתכנן עירוני. התפקיד שלה הוא לתרגם חומר גלם חזותי למידע תכנוני. בעזרת ראייה ממוחשבת וסגמנטציה של גגות, המערכת יכולה לזהות משטחים, להפריד בין חלקי תמונה שונים ולהפיק שכבת נתונים ברמת פירוט גבוהה בהרבה ממפת חום כללית.
מה המחקר הוכיח, ומה עדיין נשאר בגדר מודל
הבסיס המדעי לפרויקט פורסם ב-Nature Communications ביוני 2026. החוקרים שילבו נתוני Sentinel-2 עם דימות לווייני מסחרי כדי להעריך אלבדו ברזולוציה גבוהה, ואימתו את השיטה מול מדידות אוויריות בעיר בולדר (Boulder), קולורדו. התוצאות הראו דיוק גבוה יותר לעומת שימוש בנתונים פתוחים בלבד. יחד עם זאת, אימות בעיר אחת אינו מבטיח דיוק זהה בכל סביבה עירונית.
הבדלים בחומרי בנייה, צפיפות, צללים, גגות מאולתרים ודפוסי תכנון יכולים להשפיע על התוצאות. זו נקודה חשובה במיוחד כאשר מערכת שנבדקה היטב במקום אחד אמורה לשמש גם ערים שונות מאוד מבחינה אקלימית, חברתית ופיזית.
המספר הבולט בפרויקט הוא פוטנציאל להפחתת טמפרטורה עירונית של עד 0.5 מעלות צלזיוס באמצעות תכנון ממוקד של גגות מחזירי שמש. זה נתון משמעותי, אבל צריך לקרוא אותו בזהירות. מדובר בהערכה מתוך תרחישי יישום, לא במדידה של עיר שכבר שינתה את הגגות וראתה ירידה כזו בפועל.
ועדיין, הערך המעשי ברור. גם אם חצי מעלה אינה הבטחה, עצם היכולת לתעדף מבנים ברמת הגג הבודד משנה את אופי העבודה העירונית. במקום תוכנית כללית של גגות קרים, אפשר לשאול איזה מבנים גדולים, כהים ובעלי השפעה סביבתית גבוהה צריכים להיכנס ראשונים לתוכנית סבסוד, שיפוץ או רגולציה.
למה זה סיפור על AI, ולא רק סיפור אקלים
במבט ראשון, זו כתבת אקלים-טק. גגות, חום, עיר, אנרגיה. אבל הזווית העמוקה יותר היא השימוש בבינה מלאכותית כדי לעבור מזיהוי בעיה לתמיכה בהחלטה. המודל לא מסתפק בזיהוי דפוס בתמונה. הוא הופך את הדפוס הזה למידע שמיועד למערכת ציבורית, עם תקציבים, סדרי עדיפויות ואחריות כלפי תושבים.
זה חשוב משום שהחום העירוני לא מתחלק באופן שווה. ארגון הבריאות העולמי מתאר עומס חום כסיכון סביבתי ותעסוקתי משמעותי וכגורם מוביל לתמותה הקשורה במזג אוויר. בעיר, החום מצטבר בגלל משטחים כהים, צפיפות בנייה, כבישים, מחסור בצמחייה ושימוש גובר במיזוג. הוא גם מכביד על מערכות בריאות, תחבורה, מים וחשמל.
לכן מפת הגגות של גוגל היא לא רק כלי למדידת משטחים. היא יכולה להפוך לשכבת תעדוף בין בתי ספר, מבני ציבור, מרכזים מסחריים, שכונות חלשות ובנייני מגורים גדולים. השאלה כאן היא לא רק איפה יש גג כהה, אלא איפה טיפול בגג כזה עשוי להשפיע יותר על אנשים, תשתיות וצריכת אנרגיה.
תרחישי גגות קרים בערים שונות בעולם | Google
התרשים מציג איך יישום גגות מחזירי שמש יכול להעלות את האלבדו העירוני, כלומר את שיעור הקרינה שהעיר מחזירה, ובמודל גם להפחית את טמפרטורת האוויר. הנקודה החשובה היא שההשפעה אינה אחידה בין ערים. היא תלויה בכיסוי הבניינים, באלבדו הקיים ובשאלה אילו גגות מתעדפים לטיפול. לכן הנתונים לא מספקים רק “מפת חום”, אלא בסיס לקבלת החלטות עירונית מדויקת יותר.
גם פתרון פשוט דורש החלטה חכמה
גגות מחזירי שמש הם פתרון פיזי מוכר יחסית. גג כזה מחזיר יותר אור שמש מגג רגיל, סופג פחות אנרגיה, ויכול להפחית את טמפרטורת המבנה, לצמצם צריכת מיזוג ולשפר נוחות במבנים שאינם ממוזגים.
אבל גם כאן אין פתרון אוטומטי. באזורים קרים, גג שמחזיר יותר שמש עלול להקטין חימום פסיבי בחורף ולהעלות את הצורך בחימום מכני. זו תופעה שמכונה “קנס חורף”. במקרים רבים החיסכון בקירור בקיץ עשוי לקזז את העלות הזו, אבל ההחלטה תלויה באקלים המקומי, בבידוד המבנה, בצריכת האנרגיה ובאופן השימוש בבניין.
לכן מפת AI טובה היא לא הוראה לצבוע כל גג בלבן - היא שכבת החלטה. בעיר חמה וצפופה, גג כהה ורחב באזור חסר צל יכול להיות מועמד מתבקש. בעיר קרה יותר, או בבניין שבו החימום בחורף משמעותי, צריך לחשב את מאזן האנרגיה השנתי. הערך של המערכת הוא בכך שהיא עוזרת להתחיל מהמקומות שבהם הסיכוי להשפעה גבוה יותר.
הנתונים פתוחים, אבל לא הכול שקוף
גוגל פתחה את הנתונים לשימוש ציבורי, ואפשר כבר עכשיו לחקור אותם ולהוריד קבצים. אבל חשוב להבין שלא כל מה שמאחורי הקלעים פתוח. הנתונים מבוססים גם על שכבות קנייניות שלא זמינות לבדיקה, ולכן זה כלי שימושי, אבל כזה שצריך להשתמש בו באופן מושכל, במיוחד בהחלטות ציבוריות.
כאן נכנסת לתמונה האחריותיות האלגוריתמית (Algorithmic Accountability) - הדרישה להסביר ולבקר החלטות שמתקבלות על סמך מערכות אוטומטיות. בהקשר העירוני, הסיכון אינו שהמודל 'יחליט' בעצמו לצבוע גג, אלא האופן שבו הרשויות ישתמשו בנתונים.
עירייה עשויה להסתמך על המפה כדי לקבוע מי יקבל סבסוד, איזו שכונה תשופץ ראשונה, או אילו מבנים יתועדפו. כאשר תושב או קהילה יבקשו להבין מדוע הודרו מהתוכנית, המבחן האמיתי יהיה היכולת לספק נימוק שקוף וברור, מעבר לתירוץ השרירותי ש'כך האלגוריתם קבע'.
המבחן האמיתי הוא ביישום
החשיבות של Heat Resilience לא נובעת מכך שגוגל גילתה שגגות כהים מתחממים. את זה ערים, אדריכלים וחוקרי אקלים יודעים היטב. החידוש הוא בניסיון להפוך דימות לווייני, AI ונתונים גיאו-מרחביים לכלי תעדוף מעשי. זה סוג היישום שבו בינה מלאכותית יכולה להיות רלוונטית לחיים הציבוריים, מפני שהיא משנה את רמת הפירוט שבה אפשר לקבל החלטות.
המבחן יגיע מהשטח. האם עיריות ישתמשו בנתונים כדי לקבל החלטות טובות יותר, האם התוכניות יגיעו גם לשכונות שבהן החום פוגע יותר, האם אפשר יהיה למדוד לאורך זמן ירידה אמיתית בעומס החום ולא רק פוטנציאל במפה, והאם שכבת מידע של חברת טכנולוגיה תישאר כלי עזר במקום להפוך לקופסה שחורה שמכתיבה סדרי עדיפויות ציבוריים.
גג קר הוא פתרון טכני פשוט יחסית. הדאטה יכול להראות איפה ההתערבות צפויה להיות יעילה יותר, אבל הבחירה מה לתעדף קודם תלויה בשאלה רחבה יותר. האם העיר מחפשת את הירידה הגדולה ביותר בטמפרטורה, את ההגנה על האוכלוסיות הפגיעות ביותר, את החיסכון האנרגטי, או את הפרויקטים שקל לבצע מהר. שם, בין המודל לבין סדרי העדיפויות העירוניים, נמצא הסיפור האמיתי.
