ویرگول
ورودثبت نام
مجله عمران شریف
مجله عمران شریفنشریه دانشجویی عمران شریف / با ما همراه باشید!
مجله عمران شریف
مجله عمران شریف
خواندن ۵ دقیقه·۶ سال پیش

از جزیره گرمایی فرار کنیم!


مدل‌های جدید از تاثیرات پدیده‌ی جزیره گرمایی مانند آژیر خطری است، یاری دهنده به برنامه‌ریزان شهری و از همه مهم‌تر مانعی است بر مرگ هزاران فرد به دلیل پدیده‌های مرتبط با گرما.

دمای بالا ، به ویژه در یک شهر، اغلب باعث ایجاد شرایطی مانند غش- های ناشی از گرما و گرما‌زدگی یا تشدید شرایط پزشکی موجود مانند بیماری‌های قلبی و عروقی می‌شود. در فاصله سال‌های 1999 تا 2010 ، حداقل 8081 نفر در ایالات متحده به دلیل بیماری‌های ناشی از گرما جان باختند. یکی از مهمترین فاکتورهای موجود در این تعداد قابل توجه، پدیده‌ی جزایر گرمایی شهری است.این امر به دلیل اختلاف دما بین شهرها و مناطق محافظت شده است که دلیل اصلی از گرمای به دام افتاده به وسیله تمرکز جمعیت و زیربناهای ساخت بشر نشات می‌گیرد .فرضا می‌دانیم دمای شهر تهران در مقایسه با روستاهای اطرافش بیشتر است؛ این همان پدیده جزایر گرمایی اطلاق می‌شود. هشتاد و یک درصد از مرگ‌های گزارش شده - درمجموع بیشتر از 6500 نفر - در مناطق شهری اتفاق افتاده است.

مشاهده می‌کنیم که در طی چندین سال نسبت به شهر‌های اطراف مانند یوکوهاما گرم‌تر شده است. با حمایت مالی توسط بنیاد ملی علوم (NSF) که برای پیش‌بینی و دریافت دوره بازگشت رویداد‌های خطرناک (PREEVENTS) وجود داشت. تیمی از محققان دانشگاه Mellon Carnegieجهت مجهز کردن شهرها با ابزاری برای درک بهتر این پدیده خطرناک شروع به کار کردند.

این تیم توسط پروفسورهای CEE Pozzi Matteo ،Berges Mario و همکاری تحقیقاتی آن‌ها، دانشمند تحقیقاتی، Klima Kelly، از دپارتمان مهندسی و سیاست عمومی که هم‌اکنون در RANDفعالیت دارد، هدایت می‌شد.

ثمره کار آن‌ها SHADEاست که مخفف ارزیابی حرارت سطح برای محیط‌های توسعه یافته می‌باشد. در SHADE، تیمی شامل پژوهشگران فوق دکترا، Malings Carl و Elie Zeid-Bou، یک پروفسور در پرینستون و محقق میدانی و اسبق CEE ، مدل‌های فضایی- زمانی و با مقیاس کوچک از دمای شهری پیتزبورگ را توسعه داده‌اند.

در حالی که محققان پرینستون بر شبیه سازی شرایط آب و هوایی و سایر عواملی که به درجه حرارت در یک مکان کمک می‌کنند متمرکز شده بودند، تیم CMU رویکرد داده محور بیشتری را در پیش گرفت. Pozziو Malings(دانش آموخته دکترای Pozzi در همان زمان) برای توسعه مدل‌های آماری به مدل بهتر، درک و پی بردن به چگونگی تغییر دما در طول زمان و فضای یک محیط شهری تلاش کردند.

آن‌ها دریافتند که دمای بالا ناشی از وقایع گرما-موجی منطقه‌ای می‌تواند یک عامل دیگر را به عوامل دمایی خطرناک در محیط اضافه کند.

اول، به گفته Maling، دما در مناطق شهری بالاتر است. دوم، در حین موج گرما منطقا دما بالا‌تر می‌رود. و سه، دما می‌تواند در سطح شهر بسیار متنوع باشد، زیرا ترکیبات پوششی ساختمان بسیار متفاوت بوده و این قضیه تاثیر را بسیار متغیر می‌کند.

در حالی که تیم پرینستون توانایی مدل سازی این عوامل در نقاط داده شده را داشتند، بسط عملیات در کل شهر به شدت محاسباتی می‌شود، و این پروسه را برای مدل سازی و پیش- بینی دما در واحد زمان غیر عملی می‌کند.

ایده‌ای که تیم SHADE در حال کار بر روی آن هستند ساخت "مدل‌های جایگزین" است که اساسا مدل‌های ساده‌تری هستند که همان نوع اطلاعات را ضبط می‌کنند اما می‌توانند خیلی سریعتر اجرا شوند تا به پیش بینی‌های زمان واقعی نزدیک شوند.

با استفاده از سیستم مدل‌های جایگزین، تیم قادر به مشاهده سیر و ارتباط مضاعفی بین دمای نقاط مختلف در طول زمان است.

این می‌تواند یک سیستم هشدار زودهنگام را برای جمعیت در معرض خطر بیماری‌های ناشی از گرما فراهم کند و حتی در مواردی که دمای شهر غیر قابل کنترل است آن‌را تخلیه کنند.

در بلند مدت نیز، این مدل می‌تواند تصمیمات زیرساختی را به مهندسان عمران اطلاع دهد. با استفاده از اطلاعات فراهم شده توسط تکنیک های مدل سازی تیم، برنامه‌ریزان و معماران شهر می‌توانند زیرساخت- های سبز و سایر تکنیک‌های کاهش گرما را در شهرهای آینده ادغام کرده و با پدیده جزیره گرمایی شهر و منشا آن مبارزه کنند.

به گفته Berges: نتیجه این کالبد، مدیران و برنامه ریزان شهری آینده را برای تصمیم گیری‌هایی مرتبط با دمای درون شهری کمک خواهد کرد و آن‌ها می‌توانند از مزایای رشد سریع جریان داده‌های حسگر‌ها که در محیط‌های شهری در دسترس است، استفاده کنند.

برای Malings،یک محقق فوق دکترا در دپارتمان مهندسی مکانیک، اطلاعات حاصل از SHADE منتج به تصمیمات منطقی تر در آینده در مورد مکان قرار دادن سنسورها برای نتایج مفید خواهد شد. استنتاج‌هایی که وی امیدوار است از این سنسورهایی که محدود به پدیده ی جزیره گرمایی شهر نیست نیز، به دست آورد.

به گفته Malings: شما می‌توانید کار مشابه را با آلودگی هوا نیز پیش بگیرید، اول پیش‌بینی قبلی خود را از غلظت آلودگی انجام می‌دهید و سپس اندازه گیری‌های سنسور را به روز کنید و بر اساس آن تصمیمات را بهینه کنید.

با محدود‌کردن مدل‌سازی ناشی از Pittsburghو York New، این تیم قصد دارد دامنه خود را در آینده به طیف وسیعی از شهرها گسترش دهد.

پس به هر حال می‌توان گرما را عاملی پیش‌بینی شونده اعلام نمود و از تاثیرات منفی آن جلوگیری کرد.گرما تنها نمونه ایست برای مدلسازی‌های بهتر در آینده ای سبز.

ترجمه: امیرعباس گودرزی (۹۸ عمران)

محیط زیست
۲
۰
مجله عمران شریف
مجله عمران شریف
نشریه دانشجویی عمران شریف / با ما همراه باشید!
شاید از این پست‌ها خوشتان بیاید