Investigation of Urban Climate and Built Environment Relations by Using Machine Learning

Abstract

İklim değişikliği, bütün türlerin karmaşık bir etkileşim ağının öğesi olduğu doğada, tek organizma ölçeğinden ekosistem ölçeğine kadar bir etkiler zincirine sebep olabilir; bu nedenle her ölçekteki her etkinin değişimdeki rolü çok büyüktür. Bu ağların özellikleri, dünyadaki bütün ekosistemlerde belirleyici role sahiptir, bu nedenle iklim değişikliğinden nasıl etkileneceği ciddi araştırmalar sonucunda ortaya çıkacaktır. Kentsel alanlar, Dünya yüzeyinin küçük bir kısmını oluşturmasına rağmen iklim değişikliği üzerinde önemli etkiler yaratmaktadırlar ve bu etkilere karşın, kentleşmenin iklim ve ekosistemler üzerindeki etkileri yeterince çalışılmamıştır. Bu arada, kentleşme dünya genelinde artmaya devam etmektedir ve 2030'da nüfusun 2/3'ünün kentsel alanlarda yaşaması ve bu oranın zamanla artması beklenmektedir. Kentleşmeyi arttırmak, kentsel klimatolojiyi anlamayı ve gelecekteki senaryoları tahmin etmeyi iklim değişikliği konusunda önemli bir sorun haline getirmektedir. Günümüzde bu alandaki analitik araçların kullanımı artmış ve çok sayıda yazılım geliştirilmiştir. Bu yazılımları kullanmak, iklim değişikliğinin etkilerine göre kentsel alanlar oluşturmak için iklimi ve özellikleri hakkında kavrayışımızı geliştirecektir. Diğer yandan, gelişen teknoloji ile birlikte, model oluşturma ve simülasyon yapmada kullanılabilecek araçlar da artmakta ve gelişmektedir. Bu araçlardan biri, bilgisayardaki veri bilimlerinde otomatik olarak tanınmasıyla ilgilenen bilgisayar bilimi dalı olan makine öğrenmesi algoritmalarıdır. Makine öğrenmesi algoritmalarının kullanılmasının, iklimi anlama ve öngörmede büyük avantajlar sağlaması hedeflenmektedir. Büyük veriye dair hesaplama gücü ve doğrusal olmayan davranışları yakalama, yeni veriler geldiğinde öğrenme vb. özellikleri, makine öğrenmesini iklimin anlaşılması ve kentsel planlamanın geliştirilmesi için uygun bir araç haline getirecektir. Bu çalışmada açık kaynaklı bir makine öğrenmesi algoritması ele alınarak, iklim parametrelerinin geleceğe yönelik tahminlerini yapmak için modifiye edilmiştir. Bu anlamda, bu çalışmanın amacı, iklim tahmini yapmak için çalışan "recurrent neural network" algoritması elde ederek makine öğrenmesi algoritmalarının avantajlarını ve kullanılabilirliğini göstermek, bunun üzerinden makine öğreniminin tasarım elemanı olarak etkin bir şekilde kullanılması üzerine ve iklimin anlaşılması üzerine olası durumları tartışmaktadır.

Climate change can cause a cascade of effects from the individual organisms to ecosystem-scale where in nature all species are elements of complex networks of interactions so every effect on every scale has great role. The properties of those networks are decisive on ecosystems all around the world so how they will be modified by climate change needs serious studies. Urban areas' vast population exert significant effects on the climate change even though they cover a small proportion of the Earth's surface, however, impacts of the urbanization on climate and ecosystems remain inadequately understood. In the meantime, urbanization continues to increase and in the 2030, 2/3 of the population is expected to be living in urban areas and this rate will increase in time. It is of importance to elaborate the studies investigating the relations between the urbanization and climate. In this respect, the use of information technologies with an extensive computational capacity is one of the cornerstones of the climate and urban studies. Machine learning algorithms is a branch of computer science that deals with automated recognition of patterns from data. The use of the machine learning algorithms can bring great advantages to both understanding and predicting the climate. The computational power with big data and ability to capture nonlinear behavior, learn as new data arrive, etc. make the machine learning favorable tool for understanding climate and developing urban planning. In this sense, purpose of this study is showing the advantages of machine learning algorithms by achieving working recurrent neural network algorithm to make climate predictions, and through this achievement, stating possible effects of machine learning on design and its contribution to understanding the climate.