Відновлення через відбудову: партисипативна урбогеосистемна педагогіка Каразінського університету для проєкту Erasmus+ FutureLand
Анотація
Стаття описує концепцію педагогічної та методологічної моделі, яка буде розроблена у рамках проєкту FutureLand. Модель спрямована на впровадження вимог Європейського закону про відновлення природи (NRL), який зобов’язує відновлювати міські екосистеми, зокрема в постраждалих від війни містах. Ключовою інновацією стане урбогеосистемна педагогіка, що поєднує відкриті геопросторові дані з партисипативними Навчальними лабораторіями та травма-орієнтованою фасилітацією. Автори пропонують партисипативну методику викладання, адаптовану до пост-воєнної відбудови та подальшого відновлення. Методика спирається на підходи урбогеосистемного аналізу та геопросторові інструменти. Отже, головною дослідницькою метою цієї статті є представлення трансферної (модель, що має потенціал масштабування) травма‑орієнтованої партисипативної педагогіки. Методологічно майбутня модель будуватиметься на урбогеосистемній концепції міста. Остання демонструє, як Урбаністичне середовище, Урбогеосистема та Міська екологічна система структурно пов’язані: растрова діагностика, векторне подання та соціо-екологічні процеси сходяться в єдиній моделі. Разом вони дозволяють педагогіці відновлення трансформувати просторові дані у соціально легітимні та екологічно обґрунтовані міські середовища. Методологічно модель також спирається на принцип «open data first»: використання відкритих геопросторових даних та муніципальних LiDAR-порталів. Для виявлення урбаністичних змін поєднуються хмари лідарних точок, а також легкі нейронні мережі з пояснюваними результатами. Ключовим інструментом педагогічної моделі стануть Навчальні лабораторії, де студенти, громади та представники міської влади спільно збиратимуть й аналізуватимуть дані, проводитимуть «прогулянки пам’яті», партисипативне картографування та оцінку результатів. Можна сподіватися, що пілотні застосування у Харкові доведуть практичну ефективність моделі: буде створено карти змін забудови та зелених зон, підготовлено сценарії відновлення, буде розроблено пакети доказів для муніципалітету з чіткими показниками та планами реалізації. Таким чином, представлена концепція демонструє, що навіть у післявоєнних умовах наш університет, завдяки участі у проєкті FutureLand, може стати каталізатором інфраструктурної відбудови, екологічного відновлення та соціального оновлення. Модель, що відповідає запропонованій концепції, буде масштабованою та може бути адаптована для інших європейських міст, які стикаються з викликами деградації довкілля та складного врядування.
Завантаження
Посилання
Anderson R. K., Landy M., Sanchez V. [and other] (2023). Trauma-informed pedagogy in higher education: Considerations for the future of research and practice. Journal of Trauma Studies in Education, 2(2). Available at: https://journals.library.appstate.edu/index.php/JTSE/article/view/212
Ballard H. L., Belsky J. M. (2010). Participatory action research and environmental learning: Implications for resilient forests and communities. Environmental Education Research, 16(5-6), 611–627. DOI: https://doi.org/10.1080/13504622.2010.505440
Battisti C., Baiani D. S. (Eds.). (2022). Urban agglomeration: Models and strategies for regeneration of residential buildings and outdoor public spaces. IntechOpen. DOI: https://doi.org/10.5772/intechopen.102366
Biljecki, F., Stoter, J., Ledoux, H., Zlatanova, S., & Çöltekin, A. (2015). Applications of 3D city models: State of the art review. ISPRS International Journal of Geo-Information, 4(4), 2842–2889. DOI: https://doi.org/10.3390/ijgi4042842
BirdLife International. (2024). State of the World's Birds: 2024 Annual Update. Available at: https://datazone.birdlife.org/articles/state-of-the-worlds-birds-2024-annual-update
Birney L. B., McNamara D. M. (2023). The Curriculum and Community Enterprise for Restoration Science: Making STEM accessible, equitable, and environmentally relevant. NSF Public Access Repository. Available at: https://par.nsf.gov/biblio/10346894
Boulila W., Ghandorh H., Khan M. [and other] (2021). A novel CNN-LSTM-based approach to predict urban expansion. Ecological Informatics. 64, 101325. DOI: https://doi.org/10.1016/j.ecoinf.2021.101325
Brovelli M. A., Zamboni G. (2018). A New Method for the Assessment of Spatial Accuracy and Completeness of OpenStreetMap Building Footprints. ISPRS International Journal of Geo-Information, 7(8), 289. DOI: https://doi.org/10.3390/ijgi7080289
Brenner C. (2000). Extracting urban objects from airborne laser scanner data. International Archives of Photogrammetry and Remote Sensing, 33(B3/2), 29–36.
Carello J., Butler L. D. (2015). Practicing what we teach: Trauma-informed educational practice. Journal of Teaching in Social Work, 35(3), 262–278. DOI: https://doi.org/10.1080/08841233.2015.1030059
Cheng L., Wu Y., Tong L., Chen Y., Li M. (2015). Hierarchical registration method for airborne and vehicle LiDAR point cloud. Remote Sensing 7, 13921–13944. https://doi.org/10.3390/rs71013921.
Chevalier J. M., Buckles D. J. (2013). Participatory action research: theory and methods for engaged research. London: Routledge: 496. DOI: https://doi.org/10.4324/9780203107386
Chollet F. (2017). Xception: Deep learning with depth-wise separable convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1800–1807. DOI: https://doi.org/10.1109/CVPR.2017.195
Durrant E., Howson P., Puttick B. [and other] (2023). Existing evidence on the use of participatory scenarios in ecological restoration: a systematic map. Environmental Evidence, 12, 27. DOI: https://doi.org/10.1186/s13750-023-00314-1
Elwood S. (2009). Integrating participatory action research and GIS education: Negotiating methodologies, politics and technologies. Journal of Geography in Higher Education, 33(1), 51–65. DOI: https://doi.org/10.1080/03098260802276565
Elwood S. (2009). Critical issues in participatory GIS: Deconstructing the specter of objectivity. Annals of the Association of American Geographers, 99(1), 128–143. DOI: https://doi.org/10.1080/00045600802633309
European Commission (EC). (2024). Nature Restoration Regulation. European Commission – Environment. Available at: https://environment.ec.europa.eu/topics/nature-and-biodiversity/nature-restoration-regulation_en
European Parliament (EP) (2024). Legislative resolution of 27 February 2024 on the proposal for a regulation of the European Parliament and of the Council on nature restoration (COM(2022)0304 – C9-0208/2022 – 2022/0195(COD)). Official Journal of the European Union, C/2024/6757. Available at: EUR-Le
Feng H., Chen Y., Luo Z. [and other] (2022). Automated extraction of building instances from dual-channel airborne LiDAR point clouds. International Journal of Applied Earth Observation and Geoinformation, 114, 103042. DOI: https://doi.org/10.1016/j.jag.2022.103042.
Fox H., Cundill G. (2018). Towards increased community-engaged ecological restoration: A review of current practice and future directions. Ecological Restoration, 36(3), 208–218. DOI: https://doi.org/10.3368/er.36.3.208
FutureLand Consortium (FLC). (2025). FutureLand – Nature Restoration: challenges and opportunities for future landscape specialists (KA220 HED application). Unpublished application.
Goodchild M. F. (2009). Geographic information systems and science: Today and tomorrow. International Journal of Geographical Information Science, 23(10), 1371–1374. DOI: https://doi.org/10.1080/19475680903250715
Goodfellow I., Bengio Y., Courville A. (2016). Deep Learning. MIT Press. Available at: https://www.deeplearningbook.org/
He K., Zhang X., Ren S., Sun J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. DOI: https://doi.org/10.1109/CVPR.2016.90
Hussain M., Chen D., Cheng A., Wei H., Stanley D. (2013). Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80, 91–106. DOI: https://doi.org/10.1016/j.isprsjprs.2013.03.006
Johnson-Lawrence V., Sneed R., Dotson K. [and other] (2024). Trauma-informed approaches and community engagement in post-war mapping. National Library of Medicine. RTI Press. Available at: https://www.ncbi.nlm.nih.gov/books/NBK607457/
Kingma D. P., Ba J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. https://doi.org/10.48550/arXiv.1412.6980
Kostrikov, S., Serohin, D. (2025). Urban change detection with airborne LiDAR for hostilities’ impact estimation: a case study of Kharkiv. European Journal of Remote Sensing, 58 (1). DOI: https://doi.org/10.1080/22797254.2025.2491750
Kostrikov S. Niemets L., Sehida K. [and other] (2018). Geoinformation approach to the urban geographic system research (case studies of Kharkiv region). Visnyk of V.N. Karazin Kharkiv National University. Series “Geology. Geography. Ecology”, (49), 107-121. DOI: https://doi.org/10.26565/2410-7360-2018-49-09
Kostrikov S., Seryogin D. (2022). Urbogeosystemic Approach to Agglomeration Study within the Urban Remote Sensing Frameworks. Urban Agglomeration. Edited by A. Battisti and S. Baiani: Intech Open, London, Milan, Zagreb. 251-273. DOI: http://dx.doi.org/10.5772/intechopen.102482
Kostrikov S., Niemets L., Robinson D., Mezentsev K., Kravchenko K., Serohin D. (2024). Delineation of the Hostilities’ Impact on Urban Environment by LiDAR Data Processing (a Case Study of Kharkiv). In: Morar, C., Berman, L., Erdal, S., Niemets, L. (eds) Achieving Sustainability in Ukraine through Military Brownfields Redevelopment. NATOARW 2023. NATO Science for Peace and Security Series C: Environmental Security. Springer, Dordrecht. DOI: https://doi.org/10.1007/978-94-024-2278-8_22
Kostrikov S. (2025). Analyzing urban morphology changes using neural networks. Visnyk of V.N. Karazin Kharkiv National University. Series Geology. Geography. Ecology, (62), 219-236 https://doi.org/10.26565/2410-7360-2025-62-17
Kostrikov S., Pudlo R., Bubnov D., Vasiliev V. (2020). ELiT, multifunctional web-software for feature extraction from 3D LiDAR point clouds. ISPRS International Journal of Geo-Information. 9(11), 650-885. DOI: http://dx.doi.org/10.3390/ijgi9110650
Kostrikov S., Kravchenko K., Serohin D., Bilianska S., Savchenko A. (2023). The performance of the digital city projects in urban studies of the megalopolises (the case studies of Kharkiv and Dnipro cities). Visnyk of V. N. Karazin Kharkiv National University, series "Geology. Geography. Ecology", (59), 140-165. DOI: https://doi.org/10.26565/2410-7360-2023-59-11
Kostrikov S., Pudlo R., Bubnov D., Vasiliev V., Fedyay Y., 2020. Automated Extraction of Heavyweight and Lightweight Models of Urban Features from LiDAR Point Clouds by Specialized Web-Software. Adv. Sci. Technol. Eng. Syst. J. 5, 72-95. DOI: https://dx.doi.org/10.25046/aj050609
Kowarik I., Fischer L.K., Haase D. [and other] (2025). Promoting urban biodiversity for the benefit of people and nature. Nat. Rev. Biodivers. 1, 214–232. DOI: https://doi.org/10.1038/s44358-025-00035-y
Kravchenko K., Niemets L., Sehida K. (2024). War consequences and prospects for post-war reconstruction (case of Ukrainian urban agglomerations). Visnyk of V. N. Karazin Kharkiv National University. Series Geology. Geography. Ecology, (61), 193-211. DOI: https://doi.org/10.26565/2410-7360-2024-61-16
Langemeyer, J., Busse, S., Arabas, A. et al. (2025). Social-ecological justice in cities: a spatial vulnerability approach. npj Urban Sustain 5, 46. DOI: https://doi.org/10.1038/s42949-025-00234-8
LeCun Y., Bottou L., Bengio Y., Haffne, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. DOI: https://doi.org/10.1109/5.726791
Lin T.-Y., Goyal P., Girshick R., He K., Dollár P. (2017). Focal loss for dense object detection. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2980–2988. DOI: https://doi.org/10.1109/ICCV.2017.324
Lohmus A. (2025).recognizing and mitigating key uncertainties about the future in ecological restoration planning. Restoration Ecology, 32(8), e13321. DOI: https://doi.org/10.1111/rec.70158
Lundberg S. M., Lee S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS), 4768–4777. DOI: https://doi.org/10.48550/arXiv.1705.07874
Maas H.-G., Vosselman G. (1999). Two algorithms for extracting building models from raw laser altimetry data. ISPRS Journal of Photogrammetry and Remote Sensing, 54(2–3), 153–163. DOI: https://doi.org/10.1016/S0924-2716(99)00004-0
McMahon B. J. (2023). Trauma-informed pedagogy: A framework for teacher preparation and practice. In E. Stromberg (Ed.), Trauma-Informed Pedagogy in Higher Education: A Faculty Guide for Teaching and Learning, 45-60. Routledge. DOI: https://doi.org/10.4324/9781003260776
Moore E., Howson, P., Grainger M. [and other]. (2022). The role of participatory scenarios in ecological restoration: a systematic map protocol. Environmental Evidence, 11, 23 (2022). DOI: https://doi.org/10.1186/s13750-022-00276-w
Morar, C., Lukić, T., Valjarević, A. [and other]. (2022). Spatiotemporal analysis of urban green areas using change detection: A case study of Kharkiv, Ukraine. Frontiers in Environmental Science, 10, 823129. https://doi.org/10.3389/fenvs.2022.823129
Mueller H., Groeger A., Hersh A. [and other]. (2021) Monitoring war destruction from space using machine learning, Proc. Natl. Acad. Sci. U.S.A. 118 (23) e2025400118. DOI: https://doi.org/10.1073/pnas.2025400118
Narkhede J. Comparative Evaluation of Post-Hoc Explainability Methods in AI: LIME, SHAP, and Grad-CAM," 2024 4th International Conference on Sustainable Expert Systems (ICSES), Kaski, Nepal, 2024, 826-830, DOI: https://doi.org/10.1109/ICSES63445.2024.10762963
Penca J., Tănăsescu, M. (2024). The transformative potential of the EU’s Nature Restoration Law. Sustainability Science. Advance online publication. DOI: https://doi.org/10.1007/s11625-024-01610-6
Perissi I. (2025). Assessing the EU27 potential to meet the Nature Restoration Law targets. Environmental Management, 75(4), 711–729. https://doi.org/10.1007/s00267-024-02107-9
Radke, R. J., Andra, S., Al-Kofahi, O., & Roysam, B. (2005). Image change detection algorithms: A systematic survey. IEEE Transactions on Image Processing, 14(3), 294–307. DOI: https://doi.org/10.1109/TIP.2004.838698
Rambaldi G. (2010). Participatory Three-Dimensional Modelling: Guiding Principles and Applications. Technical Centre for Agricultural and Rural Cooperation (CTA). Available at: https://participatorygis.blogspot.com/2010/10/our-forest-our-dignity-forest-dependent.html
Sampath A., Shan J. (2010). Building reconstruction from airborne LiDAR point clouds. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, I-3, 163–168. DOI: http://dx.doi.org/10.1109/TGRS.2009.2030180
Selvaraju R. R., Cogswell M., Das A., Vedantam R., Parikh D., Batra, D. (2017). Grad-CAM: Visual explanations from deep networks via gradient-based localization. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 618–626. DOI: https://doi.org/10.1109/ICCV.2017.74
Shafian S., He C., Hu D. (2025). DamageScope: An Integrated Pipeline for Building Damage Segmentation, Geospatial Mapping, and Interactive Web-Based Visualization. Remote Sensing, 17(13), 2267. DOI: https://doi.org/10.3390/rs17132267
Stephens D. W. (2020). Trauma Informed Pedagogy for the Religious and Theological Higher Education Classroom. Religions, 11(9), 449. DOI: https://doi.org/10.3390/rel11090449
Stilla U., Xu Y. (2023). Change detection of urban objects using 3D point clouds: A review. ISPRS J. Photogram. Remote Sens. 197, 228-255. https://doi.org/10.1016/j.isprsjprs.2023.01.010.
Stoter J., van den Brink L., Ledoux H. (2016). 3D cadaster implementations and challenges. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, III-4, 1–8. DOI: https://doi.org/10.5194/isprs-annals-III-4-1-2016
Tadono T., Ishida H., Oda F., Naito S., Minakawa K., Iwamoto H. (2014). Precise Global DEM Generation by ALOS PRISM. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, II-4, 71–76. DOI: https://doi.org/10.5194/isprsannals-II-4-71-2014
Tian S., Zhong Y., Zheng Z. [and other] (2022). Large-scale deep learning based binary and semantic change detection in ultra high resolution remote sensing imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 193, 164–186. https://doi.org/10.1016/j.isprsjprs.2022.08.012
Toomey, A., Smith, J., Becker, C., Palta, M., & Moore, T. (2023). Towards a pedagogy of social–ecological collaborations: Engaging students and urban nonprofits for an ecology with cities. Urban Ecosystems, 26, 425–432. DOI: https://doi.org/10.1007/s11252-023-01343-x
UNECE. UN4UkrainianCities. Supporting Kharkiv's Path to Recovery with the Comprehensive Restoration Program. UN Report (2024). Available at: https://www.un4ukrainiancities.org/news/supporting-kharkivs-path-to-recovery-with-the-comprehensive-restoration-program-1
Vance-Chalcraft H. D., Hurlbert A. H., Styrsky J. N. [and other] (2022). Ecological service-learning positively impacts classroom climate and empowers undergraduates for environmental action. Ecosphere, 13(5), e4039. DOI: https://doi.org/10.1002/ecs2.4039
Wang X., Zhang L., Li H. (2020). A deep Siamese network with hybrid convolutional feature extraction module for change detection in multi-sensor remote sensing images. Remote Sensing, 12(2), 205. DOI: https://doi.org/10.3390/rs12020205
Webster S., Thompson P., Carello J. (2022). Trauma-informed pedagogies: A guide for responding to crisis and inequality in higher education. Textbook. Springer. DOI: https://doi.org/10.1007/978-3-030-92705-9
Wiley D. R., Abernathy D. R. (2023). The next layer: Towards open pedagogy in geospatial education. Transactions in GIS, 27(2), e13081. DOI: https://doi.org/10.1111/tgis.13081
Yu D., Fang, C. (2023). Urban Remote Sensing with Spatial Big Data: A Review and Renewed Perspective of Urban Studies in Recent Decades. Remote Sensing, 15(5), 1307. DOI: https://doi.org/10.3390/rs15051307
Zhou Y., Rupnik E., Meynard C., Thom, C., Pierrot-Deseilligny M. (2020). Simulation and Analysis of Photogrammetric UAV Image Blocks–Influence of Camera Calibration Error. Remote Sensing, 12(1), 22. DOI: https://doi.org/10.3390/rs12010022
Zhu Z., Woodcock C. E. (2014). Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment, 144, 152–171. DOI: https://doi.org/10.1016/j.rse.2014.01.011
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
