📄 علوم الأرض

Novel Use of Local Climate Zones: Urban Form-based Method for Carbon Sink Assessment using Convolutional Neural Network

تقترح هذه الدراسة منهجية مبتكرة قائمة على الشكل الحضري لتقدير بالوعات الكربون في المدن من خلال دمج خرائط المناطق المناخية المحلية (LCZ) مع نموذج الشبكة العصبية الالتفافية (CNN)، مما يثبت أن البيئات العمرانية ذات الكثافة المنخفضة (LCZ 5 و6 و9) توفر إمكانات أكبر لاحتجاز الكربون مع تحقيق دقة تقدير عالية رغم حساسيتها لدقة خرائط المناطق المناخية المحلية.

المؤلفون الأصليون: Tsz-Kin Lau, Li-Tzu Yu, Tzu-Ping Lin

نُشر 2026-09-11

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Tsz-Kin Lau, Li-Tzu Yu, Tzu-Ping Lin

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تتغير المدن باستمرار، وتزداد طولاً وكثافة مع انتقال المزيد من الناس إليها. وغالباً ما يؤدي هذا التوسع إلى إزاحة المساحات الخضراء التي تنقي هواءنا طبيعياً، مما يخلق حاجة ملحة لفهم مقدار الكربون الذي لا تزال هذه البيئات الحضرية قادرة على امتصاصه. ولمعالجة ذلك، طور العلماء طريقة لتصنيف الشكل الفيزيائي للمدينة إلى أحياء متميزة بناءً على كيفية ترتيب المباني والأراضي. وهم يسمون هذه الفئات "مناطق المناخ المحلي"، وهو نظام يجمع المناطق حسب ارتفاعها، وكثافتها، ومواد سطحها، بدءاً من المناطق ذات الأبراج العالية والمكتظة وصولاً إلى المناطق المفتوحة ومنخفضة الارتفاع والغابات الكثيفة. وإلى جانب ذلك، يشير مفهوم "بالوعة الكربون" إلى القدرة الطبيعية للغطاء النباتي، مثل الأشجار والأعشاب، على سحب ثاني أكسيد الكربون من الغلاف الجوي وتخزينه. وبينما تسعى المدن جاهدة لتحقيق الأهداف العالمية لتقليل غازات الاحتباس الحراري، أصبح تحديد مقدار الكربون الذي يمكن لخضرتها المتبقية التقاطه مهمة حيوية لمخططي المدن وعلماء البيئة.

لقد شرع فريق من الباحثين مؤخراً في محاولة إيجاد طريقة أسرع وأبسط لقياس إمكانات التقاط الكربون هذه داخل المشاهد الحضرية المعقدة. وبدلاً من الاعتماد على المسوحات التفصيلية البطيئة لكل شجرة بمفردها، قاموا بدمج خرائط تقسيم المناطق في المدينة مع نوع من البرامج الحاسوبية المعروف باسم "الشبكة العصبية التلافيفية". فكر في هذا البرنامج كعين مدربة تدريباً عالياً يمكنها النظر إلى خريطة مناطق المدينة والتعرف فوراً على الأنماط للتنبؤ بكمية الكربون التي يتم تخزينها. اختبر الفريق هذا النهج في مدينتين تايوانيتين مختلفتين تماماً: تايبيه، وهي مدينة صاخبة ذات كثافة عالية من المباني الشاهقة، وتشيياي، وهي مدينة أصغر تضم مزيجاً من الهياكل منخفضة ومتوسطة الارتفاع. قاموا أولاً بإنشاء خرائط تفصيلية توضح أماكن وجود الأشجار والمساحات الخضراء في كلتا المدينتين، وحسبوا الكمية الدقيقة للكربون التي يمكن أن يمتصها كل مجال. ثم قاموا بتغذية هذه الخرائط في نموذجهم الحاسوبي، لتعليم البرنامج كيفية ربط الأنماط البصرية لمناطق المدينة ببيانات الكربون.

وكشفت النتائج عن صلة واضحة ومثيرة للدهشة نوعاً ما بين شكل المدينة وقدرتها على تخزين الكربون. وجدت الدراسة أن أكثر بالوعات الكربون فعالية لم تكن دائماً الغابات الأكثر كثافة، بل شملت أيضاً أنواعاً معينة من المناطق العمرانية. وبشكل خاص، أظهرت الأحياء ذات المباني منخفضة الارتفاع والمساحات الأكثر انفتاحاً، مثل تلك التي تحتوي على هياكل متفرقة منخفضة الارتفاع أو مناطق مبنية بشكل متباعد، إمكانات عالية لتخزين الكربون. ويشير هذا إلى أنه عندما تكون المدن أقل تطوراً بكثافة، يكون هناك ببساطة مساحة أكبر لنمو النباتات وازدهارها، مما يسم يسمح للأشجار والشجيرات بالتقاط المزيد من الكربون. وقد أثبت النموذج الحاسوبي نجاحاً ملحوذاً في تعلم هذه العلاقات في تايبيه، حيث استطاع التنبؤ بمستويات الكربون بدقة عالية، مطابِقاً البيانات الواقعية عن كثب. ومع ذلك، واجه النموذج صعوبة عند تطبيقه على تشيياي، ويرجع ذلك أساساً إلى أن الخرائط المستخدمة لوصف مناطق المدينة احتوت على أخطاء. ففي تشيياي، تم تصنيف بعض المناطق الطبيعية بالخطأ على أنها مناطق عمرانية في الخريطة، مما أربك الحاسوب وأدى إلى تنبؤات غير دقيقة.

وقد سلط هذا التباين الضوء على درس بالغ الأهمية: نجاح هذه الطة الجديدة يعتمد كلياً على دقة خرائط المدن الأساسية. فإذا قالت الخريطة إن غابة ما هي موقف للسيارات، فسوف يخطئ الحاسوب في تخمين تخزين الكربون. ورغم هذا القصور، توضح الدراسة أن استخدام خرائط تقسيم المناطق هذه جنباً إلى جنب مع الخوارزميات الحاسوبية الذكية يوفر أداة قوية وفعالة من حيث التكلفة لتقدير بالوعات الكربون عبر مدن بأكملها. وخلص الباحثون إلى أنه بينما تعمل هذه الطريقة بشكل أفضل عندما تكون بيانات المدينة دقيقة، فإنها توفر بديلاً أبسط بكثير لتقنيات القياس التقليدية التي تتطلب جهداً كبيراً. ومن خلال فهم أي الأشكال الحضرية تدعم أكبر قدر من النمو الأخضر، يمكن لمخططي المدن اتخاذ قرارات أفضل للحفاظ على المساحات أو إنشائها للمساعدة في محاربة تغير المناخ، وضمان استمرار المدن في التنفس من أجل الكوكب حتى مع نموها.

ملخص تقني: استخدام مبتكر لمناطق المناخ المحلي لتقييم بالوعات الكربون الحضرية

بيان المشكلة
تستلزم ظاهرة الاحتباس الحراري استراتيجيات للحد من انبعاثات الكربون، حيث تلعب بالوعات الكربون (وتحديداً بالوعات الكربون القائمة على النباتات، أو $CS_v$ ) دوراً حاسماً. وبينما تعد المحيطات والغابات بالوعات رئيسية، فإن التوسع الحضري غالباً ما يدمر المناظر الطبيعية، مما يقلل من قدرة المدن على عزل الكربون. تتطلب الطرق الحالية لتقدير $CS_v$ الحضري حسابات معقدة، أو جردًا تفصيليًا للغطاء النباتي، أو نماذج رقمية عالية الدقة، مما يجعل تطبيقها على نطاق واسع أمراً صعباً. وهناك حاجة إلى طريقة مبسطة وفعالة من حيث التكلفة لتحديد العلاقة بين الشكل الحضري وعزل الكربون لدعم التخطيط الحضري وأهداف صافي الانبعاثات الصفري.

المنهجية
تقترح هذه الدراسة إطار عمل مبتكر يجمع بين مناطق المناخ المحلي (LCZ) والشبكات العصبية الالتفافية (CNN) لتقدير $CS_v$ دون الحاجة إلى بيانات نباتية مفصلة.

مناطق الدراسة والبيانات: ركز البحث على مدينتين تايوانيتين ذات كثافات حضرية متفاوتة: مدينة تايبيه (كثافة عالية) ومدينة تشياي (كثافة منخفضة).
- رسم خرائط LCZ: تم الحصول على خرائط LCZ عالمية (بدقة 100 متر) لكلتا المدينتين لتحديد الشكل الحضري. تصنف هذه الخرائط البيئات إلى 17 فئة (10 مبنية، 7 طبيعية).
- حساب بالوعة الكربون ( $CS_v$ ): تم إنشاء نموذج نباتي ثلاثي الأبعاد باستخدام صور SPOT 6، وتجميع K-means، وخريطة ارتفاع الغطاء النباتي (ETH Global Sentinel-2). وبناءً على إرشادات المباني الخضراء في تايوان، تم حساب $CS_v$ عن طريق تصنيف النباتات إلى أشجار كبيرة، وأشجار صغيرة، وشجيرات، وحقول خضراء، مع تخصيص معدلات عزل محددة (كجم ثاني أكسيد الكربون المكافئ/م²/سنة) لكل منها.
- إعداد البيانات: تمت إعادة أخذ عينات خرائط $CS_v$ المحسوبة لتصبح شبكة بدقة 500 متر. كما تمت إعادة أخذ عينات خرائط LCZ لتصبح بدقة 10 أمتار وتقسيمها إلى شبكات بمساحة 50م × 50م (2,500 م²) لتكون بمثابة صور مدخلة للشبكة العصبية الالتفافية (CNN).
بنية النموذج: تم بناء نموذج CNN قياسي يتكون من 4 طبقات تلافيفية، و4 طبقات تجميع، وطبقة تسطيح واحدة.
- التدريب: تم تدريب النموذج على مدخلات شبكة LCZ للتنبؤ بقيم $CS_v$ المقابلة. تم إجراء التدريب بنسب أخذ عينات تتراوح من 50% إلى 80%.
- التقييم: تم تقييم الأداء باستخدام معامل التحديد ( $R^2$ )، ومتوسط الخطأ المطلق (MAE)، وتشابه جيب التمام، وارتباط بيرسون. تم اختبار النماذج على كل من البيانات "المشاهدة" (نفس المدينة) والبيانات "الغريبة" (التطبيق عبر المدن).

النتائج الرئيسية

الشكل الحضري وبالوعة الكربون: كشف التحليل الإحصائي أن البيئات المبنية ذات الكثافة الحضرية المنخفضة — وتحديداً LCZ 5 (متوسط الارتفاع مفتوح)، وLCZ 6 (منخفض الارتفاع مفتوح)، وLCZ 9 (مبني بشكل متفرق) — تمتلك إمكانات عالية للمساهمة في $CS_v$ . ويعود ذلك إلى توافر مساحات لنمو النباتات. كما أظهرت المناظر الطبيعية (LCZ 11، 12، 14) مساهمة عالية أيضاً، وهو ما يتوافق مع التوقعات.
أداء CNN (تايبيه): حقق نموذج CNN المدرب على بيانات مدينة تايبيه أداءً قوياً، حيث سجل درجة $R^2$ تتجاوز 0.75 ومتوسط خطأ مطلق منخفض (حوالي 29,000 كجم ثاني أكسيد الكربون/سنة) مع نسبة أخذ عينات 50%. أظهر النموذج ارتباطاً عالياً (بيرسون ~0.999) بين القيم المرصودة والمتوقعة داخل نفس المدينة.
أداء CNN (تشياي): كان أداء النموذج المدرب على بيانات مدينة تشياي ضعيفاً، حيث سجل قيم $R^2$ سالبة أو منخفضة وMAE مرتفع. ويعزو المؤلفون ذلك إلى أخطاء التصنيف في خريطة LCZ الخاصة بتشياي (على سبيل المثال، تصنيف المناظر الطبيعية بشكل خاطئ كأحياء مبنية)، مما أدى بالنموذج إلى تعلم علاقات غير موثوقة بين الشكل الحضري وبالوعة الكربون.
القابلية للتطبيق عبر المدن: عند تطبيق النماذج المدربة على مدينة واحدة على المدينة الأخرى ("مجموعات البيانات الغريبة")، انخفض الأداء بشكل كبير (انخفاض $R^2$ وارتفاع MAE). وأكد تحليل الارتباط أن تايبيه وتشياي تمتلكان أنماطاً مكانية متميزة لـ $CS_v$ وLCZ، مما يشير إلى أن النماذج تتعلم علاقات خاصة بكل مدينة بدلاً من أنماط عالمية عامة.

المساهمات الرئيسية

التطبيق المبتكر لـ LCZ: يتجاوز هذا البحث الاستخدام التقليدي لـ LCZ في دراسات المناخ الحضري والجزر الحرارية، مقترحاً استخدامه كوسيط لقياس الشكل الحضري لتقدير بالوعات الكربون.
طريقة تقدير مبسطة: توفر طريقة CNN-LCZ المقترحة بديلاً أبسط لتقييم $CS_v$ التقليدي، حيث لا تتطلب جردات نباتية تفصيلية على مستوى الأرض أو نمذجة ثلاثية الأبعاد معقدة لمرحلة التنبؤ، بل تعتمد بدلاً من ذلك على خرائط LC_Z والاستشعار عن بعد.
تحديد تأثير الشكل الحضري كمياً: يثبت البحث تجريبياً أن البيئات المبنية منخفضة الكثافة (LCZ 5، 6، 9) يمكن أن تساهم بشكل كبير في بالوعات الكربون الحضرية، مما يوفر رؤى قابلة للتنفيذ للتخطيط الحضري.

الأهمية والادعاءات
يزعم المؤلفون أن هذه الدراسة تقدم طريقة مبتكرة، وفعالة من حيث التكلفة، وفعالة لتقدير بالوعات الكربون الحضرية. ومن خلال الاستفادة من العلاقة بين أنماط LCZ و $CS_v$ ، يمكن للطريقة مساعدة التخطيط الحضري لضمان أن التطوير يحافظ على مستوى عالٍ من عزل الكربون.

ومع ذلك، تحافظ الورقة على نبرة متواضعة فيما يتعلق بحدودها؛ حيث تنص صراحة على أن موثوقية الطريقة تعتمد بشكل كبير على دقة خريطة LCZ. ففي حالة تشياي، حيث احتوت خريطة LCZ على أخطاء في التصنيف، كانت نتائج التقدير غير موثوقة. لذلك، خلص المؤلفون إلى أنه بينما تعتبر الطريقة قابلة للتطبيق، فإنها تتطلب خرائط LCZ عالية الجودة ومحققة محلياً، وتدريباً للنماذج خاصاً بكل مدينة لتكون فعالة. ولا تدعي الدراسة أن الطريقة قابلة للتطبيق عالمياً دون معايرة محلية، بل تسلط الضوء على إمكاناتها كأداة للمدن التي تمتلك قياسات بيئية دقيقة.

أبحاث مشابهة