معماری و شهرسازی ایران(JIAU)

چکیده منطقه گرم و مرطوب ایران دارای تابستان‌های گرم با رطوبت بالا و از بحرانی‌ترین اقلیم‌های جهان است. مطالعه ویژگی‌های مسکن بومی این مناطق می‌تواند منجر به ارائه راهکارهای پیشنهادی برای طراحی مسکن معاصر شود. یکی از چالش‌هایی که پژوهشگران در مطالعه گونه‌های معماری با آن مواجه هستند، انتخاب نمونه‌های موردی می‌باشد. هدف این پژوهش استفاده از روش‌های یادگیری ماشین برای انتخاب نمونه‌های موردی و دسته‌بندی خانه‌های بندر کنگ بر اساس شکل و نحوه قرارگیری بادگیر و فضاهای مجاور آن است. برای این منظور از نرم‌افزار آناکوندا 3.9 و جوپیتر 6.4.5 استفاده شده است. سنجش شباهت از لحاظ شکلی و روابط فضایی توسط الگوریتم فاصله کسینوسی انجام شده است. دسته‌بندی بر اساس ویژگی‌های استخراج شده توسط الگوریتم سلسله مراتبی به روش پیوند میانگین انجام شده است. بر اساس نتایج شباهت‌سنجی نمونه‌های موردی منتخب پلان خانه‌های یونسی، گلبت و کرچی، با بالاترین میزان شباهت شکلی و روابط فضایی با دیگر پلان‌ها می‌باشند. نتایج حاصل از دسته‌بندی نشان می‌دهد پلان‌ها از نظر ویژگی‌های استخراج شده به سه دسته قابل تقسیم می‌باشند. با تحلیل نمودار پراکندگی ویژگی‌های هر دسته، نتایج زیر استخراج شده است. در دسته اول اتاق بادگیر در شرق خانه قرار دارد و ساباط و یا حیاط در سمت غرب آن قرار گرفته است. اتاق‌های اصلی غالباً در ضلع شمالی و فضاهای خدماتی در ضلع شرقی و غربی قرار دارند. در دسته دوم اتاق بادگیر در میانه ضلع غربی خانه قرار گرفته است. در این دسته کشیدگی پلان شمالی- جنوبی است و اتاق‌های زیستی در سمت غربی و شرقی قرار گرفته‌اند. در دسته سوم بادگیر در ضلع غربی پلان قرار دارد. در این دسته کشیدگی پلان‌ها بیشتر شرقی- غربی می‌باشد. مجاورت شمالی اتاق بادگیر گتیه و یا اتاق می‌باشد و در اکثر پلان‌های این دسته اتاق بادگیر به اتاق شمالی و یا گتیه راه دارد.

چکیده تحلیل احساسات کاربران از طریق شبکه‌‌های مجازی، به‌‌حوزه‌‌ای موثر در علوم مختلف تبدیل شده و مخاطبان آن نه تنها صاحبان شرکت‌‌ها و سیاست‌‌مدارن، بلکه کاربران هستند. در این میان این حوزه در مطالعات شهری هم نفوذ کرده و به‌‌دلیل روش‌‌مندی آن؛ چه در قالب پژوهش‌‌هایی که صرفاً تحلیل احساس را هدف خود قرار داده‌‌اند و چه به‌‌صورت لایه‌‌ای تلفیقی در پژوهش‌‌ها مورد استفاده برنامه‌‌ریزان و طراحان شهری قرار گرفته است. مقاله‌‌ی پیش‌‌رو با هدف تبیین این حوزه در تحلیل احساسات شهری در قالب روش‌‌های مدل‌‌گرا بر آن است تا با بررسی اهمیت احساس و روش‌‌های مطرحِ بررسی آن در شهر، جایگاه این حوزه را در مطالعات شهری نشان دهد و در ادامه به آموزش ماشین برای ارائه‌‌ی مدل پیش‌‌بینی‌‌کننده برای تحلیل احساسات شهر بپردازد. مجموعه‌‌ی داده‌‌های این پژوهش مربوط به 8 کلان‌‌شهر ایران است که از توئیتر استخراج شده و تحلیل داده‌‌های متنی مورد توجه قرار گرفته است. به‌‌منظور آموزش ماشین برای تحلیل احساسات از یادگیری ماشین و یادگیری عمیق بهره برده شده و نتایج آنها با هم مقایسه شده است. الگوریتم‌‌های مورد استفاده در یادگیری ماشین، ماشین بردار پشتیبان، رگرسیون لجستیک و درخت تصمیم بوده و در یادگیری عمیق، ماشین با استفاده از شبکه‌‌ی عصبی و شبکه‌‌ی هیبریدی آموزش و تست شده است. براساس نتایج یادگیری عمیق برای پیش‌‌بینی احساسات و قطبیت متن در کلان‌‌شهرهای ایران بهتر عمل کرده و دقتی برابر با 80 داشته است.