ارائه یک روش ترکیبی مبتنی بر یادگیری عمیق برای پیش بینی شاخص جهانی اقلیم حرارتی در فضای باز شهری.

رشد روزافزون شهرنشینی و چالش های اقلیمی، ایجاد محیط های شهری پایدار را به موضوعی مهم در سالهای اخیر تبدیل کرده است. طراحی فضای پایدار بدلیل تاثیر آسایش حرارتی در فضای باز شهری بر احساس آسایش و رضایت شهروندان و همچنین استفاده بهینه از شرایط محیطی در ایجاد آسایش و صرفه جویی انرژی اهمیت زیادی داشته است. پیش بینی دقیق آسایش حرارتی و شرایط حرارتی محیطی در مناطق شهری با روشهای مختلف، بهبود برنامه ریزی شهری و مدیریت انرژی را تسهیل مینماید. بررسی مطالعات پیشین نشان دهنده توانایی بالای مدل های یادگیری عمیق در بهبود پیش بینی های آسایش حرارتی است. در این مقاله یک روش ترکیبی مبتنی بر یادگیری عمیق برای پیش بینی شاخص جهانی اقلیم حرارتی ارائه شده است. در این مقاله بعد از پیش پردازش مجموعه داده، مدل های قبلی که دقت بالایی داشته اند اموزش داده شده و مورد ارزیابی قرار گرفتند. سپس سه مدل با بالاترین عملکرد برای مدل ترکیبی انتخاب شده و پیش بینی های هر سه مدل برای مجموعه تست تولید و برای اطمینان از یکپارچگی ابعاد، پیش بینی ها به آرایه های یک بعدی تبدیل شدند. در نهایت پیش بینی نهایی از میانگین گیری پیش بینی های سه مدل محاسبه شد. مجموعه داده های واقعی مربوط به شهر مشهد برای ارزیابی عملکرد مدل پیشنهادی و اموزش و آزمایش روش های استفاده شده در مدل ترکیبی بکارگرفته شد. معیارهای استاندارد پیش بینی عددی شامل ریشه میانگین مربعات خطا، میانگین مطلق خطا و ضریب تعیین برای ارزیابی مدل پیشنهادی محاسبه شد. نتایج ارزیابی نشان داد که مدل ترکیبی عملکرد بهتری در پیش بینی شاخص جهانی اقلیم حرارتی در مقایسه با روش های پیشین ارائه می دهد.

کلیدواژه ها:

فضای باز شهری ، آسایش حرارتی ، پیشبینی ، شاخص جهانی اقلیم حرارتی