توسعه مدل یادگیری عمیق تعبیه محور برای ارزیابی اثرات سناریوهای برنامه ریزی شهری بر شدت جزیره ی گرمایی غرب تهران

افزایش شتابان دمای سطح زمین در کلان شهرها و کمبود چارچوب های تحلیلی دقیق برای برآورد پیامدهای برنامه ریزی شهری نیاز مبرمی را به توسعه ی مدل های پیش بینی قابل اعتماد در حوزه ی اقلیم شهری ایجاد کرده است. در این پژوهش، چارچوبی تعبیه محور (Embedding-Driven) برای مدل سازی و پیش بینی شدت جزیره ی گرمایی شهری SUHI یا AT غرب تهران توسعه یافته است که بر پایه ی داده های چند منبعی سنجش از دور و تعبیه های (AlphaEarth Foundations (AEF) شکل گرفته است. سامانه ی AEF به عنوان مدل یادگیری عمیق میدان تعبیه (Embedding Field) قادر است اطلاعات مکانی و طیفی سطح زمین را با وجود پراکندگی داده ها در قالب تعبیه هایی پیوسته و عمومی بازنمایی کند. در این مطالعه از ۶۴ باند تعبیه ی AlphaEarth در کنار شاخص های سطحی کلاسیک بهره گرفته شد. با استفاده از تحلیل ANOVA و Random Forest، موثرترین بلندها شناسایی و ۱۸ ویژگی برتر برای آموزش شبکه عصبی عمیق (DNN) و جنگل تصادفی (Random Forest) انتخاب شدند. مدل نهایی با ضریب تعیین ۰.۸۴ R۲ و خطای ۰.۰۶ = RMSE نرمال شده بر اساس داده های اعتبارسنجی سال ۲۰۲۳ عملکردی مطلوب نشان داد و قادر است شدت جزیره گرمایی سطحی را در مقیاس ۳۰ متر پیش بینی کند. دستاورد اصلی پژوهش ارائه ی چارچوبی کاربردی برای ارزیابی اثرات سناریوهای برنامه ریزی شهری است؛ به گونه ای که می توان با تغییر شاخص های کلاسیک شامل پوشش گیاهی (NDVI) و ساخت و ساز (NDBI) اثر حرارتی طرح های توسعه ی شهری بر شدت SUHI را برآورد کرد. نتایج نشان می دهد که ترکیب تعبیه های AEF با شاخص های کلاسیک به صورت موثری توان مدل در تعمیم زمانی و مکانی را افزایش داده است و امکان استفاده از آن را در تصمیم گیری های اقلیمی و مدیریت پایدار شهری فراهم ساخته است.

کلیدواژه ها:

جزیره ی گرمایی شهری ، تعبیه های آلفا ارث ، یادگیری عمیق ، برنامه ریزی شهری ، مدیریت پایدار شهری