Anwar Ramdan Pano

A 3D ábrázolás az építészeti és a tájépítészeti tervezés régóta fontos területe. Perspektívikus kert és tájábrázolások ugyan már a reneszánsz óta ismertek, de a digitális tervezés, modellezés még napjainkban is általában két dimenziós tervekre korlátozódik. A 2D tervekkel viszont szinte lehetetlen bemutatni egy háromdimenziós tér kialakítását, látványát, változását, alakulását. A 2D/3D modellezés előnye, hogy a múltbeli állapotok rekonstrukciója, a jelenlegi tájhasználat megjelenítése és a jövőbeni forgatókönyvek vizualizálása egységes térbeli keretben elemezhető. Táji, térségi léptékben, országos szinten számos olyan térinformatikai adatbázis áll rendelkezésre, amely alkalmas lehet vizuális modellek készítésére. Kifejezetten 3D táji modellező eszköz ugyan nem létezik, de a különböző eszközök, adatbázisok kombinálásával, a hardver és a szoftver környezet fejlődésével egyre elérhetőbbé válnak ezek a modellezési módszerek a kisebb tájépítész irodák, tervezők számára is. A mesterséges intelligencia (AI) alkalmazások megjelenése és a tervező szoftverekbe történő beépülése új digitális forradalmat indíthat el a tájépítészeti tervezésben.

Rapid urban expansion in tropical coastal cities has intensified vegetation moisture stress, compromising urban resilience and ecological stability. This study investigates the spatial drivers of the Moisture Stress Index (MSI) in Makassar City, Indonesia, by integrating biophysical indicators and land-use characteristics through multi-scale regression analyses. Utilizing dry-season satellite composites (May–August 2025), the research derived Normalized Difference Vegetation Index (NDVI), Land Surface Temperature (LST), and Normalized Difference Built-up Index (NDBI). MSI was modeled using Ordinary Least Squares (OLS) and Geographically Weighted Regression (GWR) across 240 m, 480 m, and 960 m grids. Results indicate that MSI is highly sensitive to urban morphology and land-use configuration. High moisture stress was concentrated in commercial–industrial and dense residential zones characterized by extreme population densities exceeding 28,000 people/km² and elevated NDBI. In contrast, agricultural zones and open/green spaces provided significant cooling and moisture retention. Comparative performance analysis reveals that the local GWR model significantly outperformed the global OLS model, achieving a substantial reduction in AICc (−10,475.81) and resolving significant spatial autocorrelation to achieve random residuals (z-score = 1.55). The study further confirms that NDBI is the most robust biophysical predictor of MSI. Spatial heterogeneity analysis demonstrated that land-use influences are geographically contingent, with institutional areas showing varied effects based on campus design and canopy presence. These findings emphasize the necessity of scale-aware, climate-adaptive urban planning and demonstrate that GWR provides a high-fidelity tool for identifying neighborhood-level “micro-hotspots” overlooked by global modeling frameworks.