في مواجهة التحديات المتزايدة التي تطرحها [موجات الحر](/tag/موجات-الحر) في المدن، يصير الأمر طارئًا لفهم أفضل لكيفية تأثير [التغير المناخي](/tag/التغير-المناخي) على الظروف الحرارية. لذلك، قام [باحثون](/tag/باحثون) في مدينة سراييفو بتطوير إطار [عمل](/tag/عمل) لتعلم الآلة المعتمد على [وحدات معالجة الرسوميات](/tag/وحدات-معالجة-الرسوميات) ([GPU](/tag/gpu)) لتنبؤات دقيقة خلال اليوم التالي حول الظروف الحرارية الحضرية وتقييم [المخاطر](/tag/المخاطر) المرتبطة بموجات الحر.

تستخدم [الدراسة](/tag/الدراسة) [البيانات](/tag/البيانات) المستمدة من أقمار MODIS لقياس درجة حرارة سطح الأرض، بالإضافة إلى [بيانات](/tag/بيانات) [التوقعات](/tag/التوقعات) الجوية من Open-Meteo. تم اختبار مجموعة من النماذج، بما في ذلك [النماذج](/tag/النماذج) التلافيفية (Convolutional [Models](/tag/models)) والنماذج الزمكانية (Spatiotemporal [Models](/tag/models))، لنكون قد توصلنا إلى أفضل [نموذج](/tag/نموذج) يحقق نتائج دقيقة، وهو ConvLSTM الذي استخدم دالة خسارة مختلطة.

لقد أسفرت النتائج عن [مقاييس](/tag/مقاييس) دقيقة للغاية، حيث بلغت [قيمة](/tag/قيمة) متوسط الخطأ المطلق (MAE) 0.2293، ومتوسط الجذر التربيعي للخطأ (RMSE) 0.3089، ودرجة [التوافق](/tag/التوافق) (R2) 0.8877. واستنتج الباحثون أن [تحسين النتائج](/tag/[تحسين](/tag/تحسين)-النتائج) كان ممكنًا عن طريق استخدام [سلاسل زمنية](/tag/سلاسل-زمنية) أطول ومتغيرات مناخية إضافية.

تم [تنفيذ](/tag/تنفيذ) هذا الإطار على وحدة معالجة الرسوميات ([GPU](/tag/gpu)) وتم تدريبه بدقة مختلطة، مما [أسهم](/tag/أسهم) بشكل كبير في تقليل الوقت المستغرق للتنفيذ. ومن خلال [توقعات](/tag/توقعات) درجات الحرارة، [تمكن](/tag/تمكن) الباحثون أيضًا من دمج [معلومات](/tag/معلومات) [المخاطر](/tag/المخاطر) مع [بيانات](/tag/بيانات) التعرض والهشاشة، مما أتاح لهم إمكانية إنشاء [خرائط](/tag/خرائط) [المخاطر](/tag/المخاطر) الحرارية للمدن.

يمثل الإطار المقترح أساسًا عمليًا لتحليل الحرارة في المدن، حيث لديه القدرة على [تحسين](/tag/تحسين) استجابات المدن لموجات الحر، مما يسهم في توفير خطط فعّالة للتخفيف.

ما رأيكم في هذا التطور؟ شاركونا في [التعليقات](/tag/التعليقات).