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

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

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

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

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

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.