روندیابی و پیش‌بینی دمای سطح زمین شهر تبریز با استفاده از آزمون ناپارامتریک من – کندال و شبکه عصبی مصنوعی

هدف:  هدف پژوهش حاضر روندیابی و پیش‌بینی دمای سطح زمین فصل تابستان تا سال 2030 در شهر تبریز است.روش و داده: دمای سطح زمین از تصاویر روز و شب ماهواره مادیس استخراج شد. تصاویر مذکور در سامانه گوگل ارث انجین پردازش شده و برای فصل تابستان هر سال (2002 تا 2023) تهیه شد. در نهایت میانگین‌های حداقل، میانگین و حداکثر دمای سطح زمین در نرم‌افزار arcgis استخراج شد. جهت بررسی روند خطی در داده‌های دما نیز از آزمون من – کندال استفاده شد. برای پیش‌بینی روند تا تابستان سال 2030 نیز از شبکه عصبی مصنوعی خود هم‌بسته بهره گرفته شد.یافته‌ها: بر اساس نتایج تحلیل آنومالی در بازه روز مشاهده شد که بیشترین انحراف مثبت و بیشترین انحراف منفی از میانگین کل به ترتیب در سال‌های 2006 (4/74ºc) و 2023 (4/29ºc) ثبت شده است. در بازه شبانه نیز بیشترین انحراف مثبت و بیشترین انحراف منفی از میانگین کل به ترتیب در سال‌های 2006 (2/8ºc) و 2009 (2/77ºc-) ثبت شده است. بر پایه نتایج تحلیل سری زمانی حاصل از من - کندال، روند میانگین‌های دمای حداقل (0/031-)، متوسط (0/037-) و حداکثر (0/065) در بازه روز معنی‌دار شد. در بازه شب نیز تنها روند میانگین دمای سطح زمین حداقل (0/034) معنی‌دار گردید. همچنین، روند افزایش دمای حداکثر روزانه نسبت به دمای حداقل شبانه دارای شیب افزایش بیشتری است. بر اساس یافته‌های پیش‌بینی حاصل از شبکه عصبی، مشخص گردید که مدل عملکردی بهتری در بازه شب نسبت به روز داشته است. همچنین، حداکثر دمای سطح زمین روزانه و حداقل شبانه فصل تابستان در افق 2030 به ترتیب دارای اختلاف 1/12 و 1/28 درجه سانتی‌گرادی از میانگین کلی دوره است.نتیجه‌گیری: بر پایه یافته‌ها مشخص گردید که روند دمای حداکثر روز و حداقل شب افزایشی بوده و تا افق 2030 این افزایش پایدار خواهد بود. بدین اساس با روند موجود، انتظار می‌رود تا آسایش حرارتی شهر تبریز در طی زمان کاهش یافته و نیاز به انرژی سرمایشی بیشتر شود.کاربرد نتایج: پژوهش حاضر به جهت ایجاد درک و دید از روند دمای سطح زمین برای برنامه‌ریزان و مدیریت شهری در راستای اتخاذ تدابیر و استراتژی‌های سازگارانه و کاهشی با تغییرات اقلیمی مفید خواهد بود.

trend detection and forecasting of lst in tabriz city using the non-parametric mann-kendall and nnar

aim: this study aims to analyze and forecast the lst during the summer season in tabriz by 2030.material method: the lst data were extracted from the modis satellite images for both day and night. these images were processed using the gee platform and obtained for each summer season from 2002 to 2023 (minimum, average, and maximum). the mann-kendall test was used to assess the linear trend in the lst. an autoregressive neural network was employed to forecast the trend by 2030.finding: during the daytime, the highest positive departure and the highest negative departure from the overall mean were recorded in 2006 (4.74°c) and 2023 (4.29°c), respectively. during the nighttime, the highest positive and negative departures from the overall mean were observed in 2006 (2.8°c) and 2009 (-2.77°c), respectively. based on the trend analysis, the trends of the minimum (0.031°c), average (0.037°c), and maximum (0.065°c) lsts during the daytime are significant. at night, only the trend of the minimum lst (0.034°c) is significant. additionally, the rate of increase in the maximum daytime lst is higher than the minimum nighttime lst. the forecasting findings indicate that the model performed better during the nighttime than the daytime. furthermore, the maximum daytime lst and the minimum nighttime lst in the summer of 2030 are expected to deviate by 1.12°c and 1.28°c from the overall mean of the period, respectively.conclusion: the trends in the maximum daytime and minimum nighttime lsts are increasing. also, the upward trend will continue until 2030. consequently, the thermal comfort in tabriz is expected to decrease over time, leading to an increased demand for cooling energy.innovation: this study provides insight into the trends of lst, which can be useful for urban planners in adopting mitigative and adaptive strategies to cope with climate change.