توسعه مدل یادگیری عمیق تعبیه‌محور برای ارزیابی اثرات سناریوهای برنامه‌ریزی شهری بر شدت جزیره‌ی گرمایی غرب تهران

افزایش شتابان دمای سطح زمین در کلان‌شهرها و کمبود چارچوب‌های تحلیلی دقیق برای برآورد پیامدهای برنامه‌ریزی شهری، نیاز مبرمی را به توسعه‌ی مدل‌های پیش‌بینی قابل‌اعتماد در حوزه‌ی اقلیم شهری ایجاد کرده است. در این پژوهش، چارچوبی تعبیه‌محور (embedding-driven) برای مدل‌سازی و پیش‌بینی شدت جزیره‌ی گرمایی شهری ( suhiیاδt ) غرب تهران توسعه یافته است که بر پایه‌ی داده‌های چند منبعی سنجش‌ازدور و تعبیه‌های alphaearth foundations (aef) شکل گرفته است. سامانه‌ی aef به‌عنوان مدل یادگیری عمیق «میدان تعبیه» (embedding field) قادر است اطلاعات مکانی و طیفی سطح زمین را با وجود پراکندگی داده‌ها در قالب تعبیه‌هایی پیوسته و عمومی بازنمایی کند. در این مطالعه از 64 باند تعبیه‌ی alphaearth در کنار شاخص‌های سطحی کلاسیک بهره گرفته‌شد. با استفاده از تحلیل anova و random forest، موثرترین باندها شناسایی و 18 ویژگی برتر برای آموزش شبکه‌ی عصبی عمیق (dnn) و جنگل تصادفی (random forest) انتخاب شدند. مدل نهایی با ضریب تعیین  r² = 0.84  و خطای rmse = 0.06 نرمال شده در داده‌های اعتبارسنجی 2023 عملکردی مطلوب نشان داد و قادر است شدت جزیره گرمایی سطحی نسبت به میانگین نواحی غیر شهری را در مقیاس 30 متر پیش‌بینی کند. دستاورد اصلی پژوهش ارائه‌ی چارچوبی کاربردی برای ارزیابی اثرات سناریوهای برنامه‌ریزی شهری است؛ به‌گونه‌ای که می‌توان با تغییر شاخص‌های کلاسیک شامل پوشش گیاهی (ndvi) و ساخت‌وساز (ndbi)، اثر حرارتی طرح‌های توسعه‌ی شهری بر شدت suhi را برآورد کرد. نتایج نشان می‌دهد که ترکیب تعبیه‌های aef با شاخص‌های کلاسیک به‌صورت موثری توان مدل در تعمیم زمانی و مکانی را افزایش داده‌است و امکان استفاده از آن را در تصمیم‌گیری‌های اقلیمی و مدیریت پایدار شهری فراهم ساخته است.