فاطمه نوارباف

شهر اهواز با توجه به موقعیت جغرافیایی و شرایط اقلیمی خاص خود، پتانسیل ها و چالش های منحصر به فردی برای تبدیل شدن به یک بوم شهر دارد. این پژوهش با هدف تحلیل و تدوین راهبردهای ایجاد بوم شهر در اهواز، با استفاده از چارچوب های مفهومی و مبانی نظری بوم شهرها و توسعه پایدار انجام شده است. روش پژوهش به صورت توصیفی-تحلیلی بوده و داده ها از طریق مطالعات کتابخانه ای و میدانی جمع آوری شده است. نتایج پژوهش نشان می دهد که برای تحقق بوم شهر در اهواز باید به یکپارچگی و هماهنگی بین ابعاد محیطی، اجتماعی، اقتصادی، مدیریتی و فنی توجه شود. از منظر محیطی، کاهش آلودگی هوا، استفاده از انرژی های تجدیدپذیر، مدیریت منابع آب و افزایش فضای سبز از اولویت های اساسی هستند. در بعد اجتماعی، تقویت حس تعلق اجتماعی، افزایش مشارکت شهروندان و آموزش عمومی اهمیت دارد. در زمینه اقتصادی، جذب سرمایه گذاری پایدار و استفاده بهینه از منابع محلی به توسعه پایدار شهر کمک می کند. از منظر مدیریتی، هماهنگی بین نهادها و استفاده از فناوری های نوین مدیریتی از جمله راهکارهای مهم محسوب می شوند. در بعد فنی نیز، استفاده از تکنولوژی های سبز و طراحی ساختمان های سازگار با محیط زیست پیشنهاد می شود. در نهایت، با اجرای این راهبردها، شهر اهواز می تواند به یک بوم شهر پایدار تبدیل شود که هم از لحاظ زیست محیطی و هم از لحاظ اجتماعی و اقتصادی پایداری داشته باشد. تحقق این هدف نیازمند همکاری و هماهنگی بین تمامی ذینفعان از جمله شهروندان، مدیران شهری و سرمایه گذاران است.

هدف: بررسی رابطه بین دمای سطح زمین و کاربری های شهری می تواند در مدیریت شهری مورد استفاده قرار بگیرد؛ اما یکی از مشکلات پیش رو، قدرت تفکیک مکانی پایین تصاویر حرارتی است. هدف این پژوهش، بررسی و انتخاب بهترین الگوریتم موجود با هدف دستیابی به توان تفکیک مکانی بالای تصاویر حرارتی برای بررسی و تحلیل تغییرات دمای سطح زمین در منطقه ۴ اهواز و کشف بهترین الگوریتم در این زمینه است. روش و داده: به همین منظور الگوریتم Split Window به عنوان یکی از متداول ترین الگوریتم های مناسب تعیین دما و الگوریتم T Sharp Dis Trade و SFIM در مناطق شهری به منظور بهبود قدرت تفکیک مکانی استفاده شده است. یافته ها: نتایج نشان می دهد که توان تفکیک مکانی تصویر خروجی حاصل از الگوریتم Split Window ، T Sharp Dis Trade و SFIM، به ترتیب برابر با ۳۰، ۱۰۰ و ۴۵ متر است. الگوریتم T Sharp Dis Trade توان تفکیک بسیار مناسبی برای تصویر خروجی نشان داد به گونه ای که بر اساس آن تفکیک کاربری های مختلف متناسب با دمای آن ها میسر شد. الگوریتم های Split Window و SFIM نتایج قابل قبولی در بررسی کاربری ها ارائه ندادند. همچنین میانگین دمای به دست آمده از الگوریتم T Sharp Dis Trade، Split Window و SFIM به ترتیب برابر با ۱۷/۵، ۲۳/۵ و ۲۸/۲۵ درجه سانتی گراد است. این تفاوت دمایی الگوریتم ها به دلیل اعمال فرآیند تلفیق است. نتیجه گیری: در نتیجه الگوریتم T Sharp Dis Trade در زمینه  بهبود دقت مکانی تصاویر حرارتی موثرتر عمل کرد. نوآوری، کاربرد نتایج: نوآوری های پژوهش حاضر عبارتند از: استفاده همزمان سه الگوریتم ذکر شده با هدف افزایش توان تفکیک مکانی تصاویر حرارتی و کشف بهترین الگوریتم در این زمینه، که در تحقیقات قبلی تاکنون انجام نشده است، بهبود توان تفکیک مکانی تصاویر حرارتی برای ارزیابی کاربری های شهری با استفاده از الگوریتم T Sharp Dis Trade و بررسی دقیق تغییرات دمای سطح زمین است.