پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 13 |
| تعداد شماره‌ها | 200 |
| تعداد مقالات | 2,008 |
| تعداد مشاهده مقاله | 2,680,153 |
| تعداد دریافت فایل اصل مقاله | 1,937,353 |
ارزیابی الگوریتمهای فراابتکاری در انتخاب پوشش بهینه ساختمانها بر اساس اثر جزایر حرارتی شهری | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 خرداد 1403 اصل مقاله (1.83 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2024.10709.1056 | ||
| نویسندگان | ||
| امیررضا قندیان1؛ نیکروز مستوفی* 1؛ عباس مجیدی زاده2؛ حمید مطیعیان3 | ||
| 1گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی- واحد تهران جنوب، تهران، ایران | ||
| 2گروه ژئودزی و مهندسی نقشه برداری، دانشگاه تفرش، تفرش، ایران | ||
| 3گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران | ||
| تاریخ دریافت: 09 اسفند 1402، تاریخ بازنگری: 11 اردیبهشت 1403، تاریخ پذیرش: 05 خرداد 1403 | ||
| چکیده | ||
| پیشینه و اهداف: امروزه، توسعه شهرنشینی و افزایش جمعیت شهری، بیش از گذشته باعث گرم‌شدن هوا و ایجاد جزایر حرارتی شهری شده است. جزایر حرارتی شهری، پدیدهای ناشی از آثار شهرنشینی است که به واسطه آن، درجه حرارت در محیط شهری از مناطق حومهای بالاتر میرود. این پدیده، به سبب افزایش دما جوی و محیطی میتواند صدمات جبران ناپذیری از قبیل آلودگیهای زیستی، انتشار گازهای گلخانهای، بیماریهای ناشی از گرما و تأثیر در کیفیت آب را برای جوامع و محیط زیست به بار آورد. این پژوهش، به‌منظور کاهش دما و تلاش برای از بین‌بردن پدیده جزیره حرارتی، رویکرد مؤثر و کارآمدی را به‌کمک علم سنجش از دور و الگوریتمهای بهینهسازی براساس جایگزینی پوشش بام‌های یک منطقه با پوششهای با جذب گرمای کمتر پیشنهاد میکند. در این پژوهش، سعی بر آن است تا اثر جزیره حرارتی شهری را بر مبنای الگوریتمها و پارامترهای آماری تأثیرگذار بر دمای محیط که در تحقیقات گذشته کمتر مورد مطالعه قرار گرفتهاند، کاهش دهیم. همچنین، استفاده از روش بهینهسازی هوشمند در این زمینه میتواند باعث نوآوری و ایجاد نتایج بهتر و دقیقتری شود. مسیر جدیدی که این مطالعه بررسی میکند، تغییر پوشش سقف یک منطقه با پوششهای کاربردی دیگر است که باعث کاهش دمای هوا در آن منطقه میشود. پوشش‌هایی که جهت جایگزینی پوشش بام‌ها برای تعدیل و خنک‌سازی دمای منطقه مورد مطالعه در نظر گرفته شدند، دو نوع پوشش خاک و گیاهی می‌باشند. روش‌ها: رویکرد پیشنهادی این پژوهش، استفاده از دو الگوریتم بهینهسازی ژنتیک و ازدحام ذرات است و پارامترهایی که تابع هدف این دو الگوریتم را تشکیل میدهند، دو پارامتر انحراف معیار دما و میانگین هزینه مالی تغییر پوشش سقف هر قطعه ساختمانی است. مجموعه داده تحقیق، تصاویر ماهوارهای لندست 8 از محله اندیشه شهر تهران است. در این تحقیق، از تصاویر ماهوارهای برای اهدافی همچون تهیه تصاویر رنگی، نگاشت شاخص‌های گیاهی و غیرگیاهی منطقه مورد مطالعه، محاسبه دمای سطح زمین و جزایر حرارتی شهری استفاده شده است. یافته‌ها: نتایج به‌دست آمده بیانگر این موضوع میباشد که هر دو الگوریتم بهینهسازی عملکرد خوبی را ارائه داده و پارامترهای مسأله را بهبود بخشیدهاند، اما الگوریتم بهینهسازی ژنتیک، نتیجه بهتری را در زمان و تکرار کمتری کسب کرده است. در مقایسه این دو الگوریتم، الگوریتم بهینهسازی ژنتیک انحراف معیار را 19 درصد کاهش داد و مقدار آن را به 42/0 رساند. از سوی دیگر، الگوریتم بهینهسازی ازدحام ذرات در مدت زمانی طولانیتر، انحراف معیار را 14 درصد کاهش داد و مقدار آن را به 44/0 رساند. نتیجه‌گیری: الگوریتم ژنتیک در بهینهسازی پوشش بام ساختمانها، نتایج بسیار خوبی را با هزینه کل 4678 و انحراف معیار 4177/0 کسب کرد. با تعداد 12100 بار ارزیابی تابع هدف به سرعت همگرا شد و هر دو پارامتر تابع هزینه را به میزان قابل توجهی کاهش داد (الگوریتم ژنتیک تا حد ممکن به بهترین جواب رسیده است). الگوریتم بهینهسازی ازدحام ذرات نیز با کسب هزینه کل 4965، انحراف معیار 4430/0 و با تعداد 20100 بار ارزیابی تابع هدف نتوانست جوابی به‌خوبی الگوریتم ژنتیک برسد. در خصوص مقایسه بین این دو الگوریتم، ژنتیک با کمتر از 3000 بار ارزیابی تابع هدف، توانست بهینه‌ترین جوابی را که الگوریتم ازدحام ذرات در 20100 بار ارزیابی به آن رسیده، تجربه کند. استفاده از الگوریتمهای فراابتکاری در بهینهسازی مسائل عملی، که امروزه در صنایع متنوع به دفعات با آن‌ها مواجه می شویم، میتواند بسیار کارآمد باشد. نتایج این الگوریتمها، با وجود اختلافات در خروجی‌ها بسیار مناسب و رسیدن به چنین جواب‌هایی برای مسائل مختلف بدون استفاده از این‌گونه الگوریتمها غیرممکن خواهد بود. به عنوان کارهای آتی براساس آن‌چه که در این پژوهش حاصل شده، پیشنهاد میشود از سایر الگوریتمهای بهینهسازی و یا حتی الگوریتمهای قدرتمند مدل‌سازی همچون شبکههای عصبی مصنوعی استفاده شود. همچنین، می‌توان تغییر پوشش بام ساختمانها و استفاده از پوشش های جدیدتر را در تعدیل دما با اتخاذ پارامترهای جدید از تابع هزینه در الگوریتمهای بهینهسازی و یادگیری عمیق مورد بررسی قرار داد. | ||
| کلیدواژه‌ها | ||
| الگوریتم بهینهسازی ازدحام ذرات؛ الگوریتم بهینهسازی ژنتیک؛ تصاویر ماهواره لندست 8؛ جزایر حرارتی شهری؛ سنجش از دور | ||
| عنوان مقاله [English] | ||
| Evaluation of Metaheuristic Algorithms in Selecting the Building Optimal Cover Based on the Effect of Urban Heat Islands | ||
| نویسندگان [English] | ||
| A. Ghandian1؛ Ni. Mostofi1؛ A. Majidizadeh2؛ H. Motieyan3 | ||
| 1Department of Geomatics Engineering, Faculty of Engineering, Islamic Azad University- South Tehran Branch, Tehran, Iran | ||
| 2Department of Geodesy and Surveying Engineering, Faculty of Engineering, Tafresh University, Tafresh, Iran | ||
| 3Department of Geomatics Engineering, Faculty of Civil Engineering, Babol Noshirvani University of Technology, Balbo, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Nowadays, the development of urbanization and the increase of urban population have caused the air to heat up more than in the past and create urban heat islands. Urban heat islands are a phenomenon caused by the urbanization effects, due to which the temperature in the urban environment rises higher than in the suburbs. This phenomenon can cause irreparable damage due to the increasing atmospheric and environmental temperature, such as biological pollution, greenhouse gas emissions, diseases caused by heat, and impact on water quality brought to communities and the environment. This research proposes an effective and efficient approach with the help of remote sensing and optimization algorithms based on replacing the roof covering of an area with less heat-absorbing coverings to reduce the temperature and try to eliminate the heat island phenomenon. In this research, we are trying to reduce the urban heat island effect based on algorithms and statistical parameters affecting the ambient temperature, which has had few studies in past research. Also, using the intelligent optimization method in this field can cause innovation and create better and more accurate results. The new way that this study examines is to change the roof covering of an area with other functional coverings that reduce the air temperature in that area. The coverings that we considered to replace the covering of the roofs to moderate and cool the temperature of the studied area are two types of coverings: soil and vegetation. Methods: The proposed approach of this research is to use two optimization algorithms of genetic and particle swarm, and the parameters that form the objective function of these two algorithms are the temperature standard deviation and the average financial cost of the coverage changing of each building parcel. The research dataset is Landsat 8 satellite images of Andisheh neighborhood in Tehran. This research uses satellite images for purposes such as preparing color images, mapping the vegetation and non-vegetation indices of the study area, and calculating the earth's surface temperature and urban heat islands. Findings: The results indicate that both optimization algorithms have provided good performance and improved the problem parameters, but the genetic optimization algorithm obtained a better result in less time and iteration. In comparing the two algorithms, the genetic optimization algorithm reduced the standard deviation by 19%, bringing its value to 0.42. On the other hand, the particle swarm optimization algorithm for a longer time, reduced the standard deviation by 14%, bringing its value to 0.44. Conclusion: The genetic algorithm in optimizing the building roofs obtained excellent results with a total cost of 4678 and a standard deviation of 0.4177. It converged quickly with the 12100 number of objective function evaluations and significantly reduced both the cost function parameters (The genetic algorithm has reached the best possible answer). The particle swarm optimization algorithm also failed to achieve an answer as good as the genetic algorithm with a total cost of 4965, a standard deviation of 0.4430, and a 20100 number of objective function evaluations. About the comparison between these two algorithms, the genetic, with less than 3000 objective function evaluations, was able to experience the most optimal solution that particle swarm algorithm reached with the 20100 number of function evaluations. The use of metaheuristic algorithms in practical problem optimizations, which we frequently encounter in various industries today, can be very efficient. The results of these algorithms are very suitable despite the differences in the outputs, and it will be impossible to reach such answers to different problems without using such algorithms. In future work, based on what we obtained in this research, we suggest using other optimization algorithms or even powerful modeling algorithms such as artificial neural networks. Also, it is possible to study the change in building roof covers and the use of newer coverings in moderating the temperature by adopting new parameters from the cost function in optimization and deep learning algorithms. | ||
| کلیدواژه‌ها [English] | ||
| Genetic Optimization Algorithm, Remote Sensing Genetic Optimization Algorithm, Landsat 8 Satellite Images, Particle Swarm Optimization Algorithm, Remote Sensing, Urban heat Islands | ||
| مراجع | ||
|
https://doi.org/10.3390/atmos10070364
[2] Ren Y, Lafortezza R, Giannico V, Sanesi G, Zhang X, Xu C. The unrelenting global expansion of the urban heat island over the last century. Science of The Total Environment. 2023 Jul 1; 880:163276. https://doi.org/10.1016/j.scitotenv.2023.163276
https://doi.org/10.3390/environments8100105
https://doi.org/10.1016/j.jum.2021.09.002
[6] El-Hattab M, Amany SM, Lamia GE. Monitoring and assessment of urban heat islands over the Southern region of Cairo Governorate, Egypt. The Egyptian Journal of Remote Sensing and Space Science. 2018 Dec 1;21(3):311-23. https://doi.org/10.1016/j.ejrs.2017.08.008
https://doi.org/10.3390/ijgi9120726
doi: 10.22108/gep.2019.115781.1127
[10] Ahmed S. Assessment of urban heat islands and impact of climate change on socioeconomic over Suez Governorate using remote sensing and GIS techniques. The Egyptian Journal of Remote Sensing and Space Science. 2018 Apr 1;21(1):15-25. https://doi.org/10.1016/j.ejrs.2017.08.001
https://doi.org/10.1016/j.scitotenv.2020.139253
[12] Jin H, Cui P, Wong NH, Ignatius M. Assessing the effects of urban morphology parameters on microclimate in Singapore to control the urban heat island effect. Sustainability. 2018 Jan 16;10(1):206. https://doi.org/10.3390/su10010206
https://doi.org/10.1016/j.uclim.2021.101052
https://doi.org/10.3390/buildings12050537
[16] Rahman MN, Rony MR, Jannat FA, Chandra Pal S, Islam MS, Alam E, Islam AR. Impact of urbanization on urban heat island intensity in major districts of Bangladesh using remote sensing and geo-spatial tools. Climate. 2022 Jan 4;10(1):3. https://doi.org/10.3390/cli10010003
[17] Moazzam MF, Doh YH, Lee BG. Impact of urbanization on land surface temperature and surface urban heat Island using optical remote sensing data: A case study of Jeju Island, Republic of Korea. Building and Environment. 2022 Aug 15; 222:109368. https://doi.org/10.1016/j.buildenv.2022.109368
https://doi.org/10.3390/su14159234
[19] van der Schriek T, Varotsos KV, Giannakopoulos C, Founda D. Projected future temporal trends of two different urban heat islands in Athens (Greece) under three climate change scenarios: a statistical approach. Atmosphere. 2020 Jun 16;11(6):637. https://doi.org/10.3390/atmos11060637
[20] Dong J, Lin M, Zuo J, Lin T, Liu J, Sun C, Luo J. Quantitative study on the cooling effect of green roofs in a high-density urban Area—A case study of Xiamen, China. Journal of cleaner production. 2020 May 10; 255:120152. https://doi.org/10.1016/j.jclepro.2020.120152
[21] Shi H, Xian G, Auch R, Gallo K, Zhou Q. Urban heat island and its regional impacts using remotely sensed thermal data—a review of recent developments and methodology. Land. 2021 Aug 18;10(8):867. https://doi.org/10.3390/land10080867
[22] Mostofi N, Hasanlou M. Feature selection of various land cover indices for monitoring surface heat island in Tehran city using Landsat 8 imagery. Journal of Environmental Engineering and Landscape Management. 2017 Jul 3;25(3):241-50. https://doi.org/10.3846/16486897.2016.1223084
[23] Henn KA, Peduzzi A. Surface Heat Monitoring with High-Resolution UAV Thermal Imaging: Assessing Accuracy and Applications in Urban Environments. Remote Sensing. 2024 Mar 6;16(5):930. https://doi.org/10.3390/rs16050930
https://doi.org/10.1016/j.scs.2023.104513
https://doi.org/10.1016/j.proeng.2017.09.862
https://doi.org/10.3390/ijgi9100568
https://doi.org/10.22131/sepehr.2019.36614
[28] Taheri Otaghsara MP, Arefi H. Modelling urban heat island using remote sensing and city morphological parameters. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2019 Oct 19; 42:1035-40. https://doi.org/10.5194/isprs-archives-XLII-4-W18-1035-2019
https://doi.org/10.1016/j.landurbplan.2020.103927
https://doi.org/10.1016/j.solener.2012.07.003 | ||
|
آمار تعداد مشاهده مقاله: 180 تعداد دریافت فایل اصل مقاله: 73 |
||