همانطور که در جدول مشاهده می شود، چندین کار تحقیقاتی از روش های تصمیم گیری چند معیاره (MCDM) برای سفارشی سازی ابزارهای شناخته شده ارزیابی ساختمان سبز استفاده کردند. MCDM از ابتدای دهه 1970 به عنوان یک ابزار تصمیم گیری قابل اعتماد (DM) در نظر گرفته شده است که شامل عوامل کمی و کیفی می شود [ 37 ]. چندین روش MCDM که در اینجا به طور گسترده مورد استفاده قرار می گیرد عبارتند از AHP (فرایند سلسله مراتبی تحلیلی)، ANP (فرایند شبکه تحلیلی)، ELECTRE (ترجمه انتخاب Et حذف)، PROMETHEE (روش سازمان رتبه بندی ترجیحی)، TOPSIS (تکنیکی برای اولویت سفارش بر اساس شباهت به راه حل ایده آل) و غیره [ 38 ]. برخی از مشکلات مرتبط با استفاده از برخی روش های MCDM گزارش شده است [ 21 ]. برای مثال، روش TOPSIS مشکل سازگاری رضایت‌بخش قضاوت‌های متخصصان را دارد و روش تخصیص وزن در PROMETHEE نسبتا مبهم است [ 39 ]. از سوی دیگر، با توجه به ساعتی (2008) [ 40 ]، AHP یک ابزار قدرتمند برای رسیدگی به مسائل دشوار DM است و از مقایسه‌های زوجی برای به دست آوردن اهمیت عوامل مورد نظر استفاده می‌کند. علاوه بر این، این روش به طور گسترده در موارد متعدد برای تحقیقات ساختمان سبز استفاده شده است [ 41 ، 42 ] و از این رو، AHP روشی مطلوب برای تصمیم گیری گروهی با معیارهای متعدد به نظر می رسد. علیرغم محاسن AHP، کاربرد آن ممکن است مسائلی را ایجاد کند که در اینجا به آنها اشاره شده است. اولاً، به دلیل ساختار سلسله مراتبی مدل، نیاز به پاسخگویی به تعداد زیادی پرسش است که ممکن است عدم قطعیت فرآیند تصمیم گیری را افزایش دهد. این امر به ویژه در مورد ابزارهای ارزیابی ساختمان سبز با تعداد زیادی مقوله و معیار که به تعداد قابل توجهی از مقایسه های زوجی نیاز دارد، مهم است . اگرچه نسبت ناسازگاری مقایسه‌های زوجی محدود است، اما به دلیل ماهیت ذهنی ورودی‌های گرفته شده از قضاوت‌های پاسخ‌دهندگان، اطمینان از عدم قطعیت کلی تصمیم‌گیری به حداقل می‌رسد. علاوه بر این، AHP کلاسیک قادر به ارضای مبهم قضاوت ذهنی انسان به درستی نیست. این مشکل عمدتاً با ترکیب AHP با منطق فازی برای کمک به پاسخ‌دهندگان در بیان قضاوت‌های خود به شیوه‌ای قاطع‌تر با استفاده از اصطلاحات زبانی که می‌تواند منجر به کاهش سطح ابهام شود، مورد توجه قرار گرفت [ 43 ].

علاوه بر نیاز به سفارشی سازی GBAT در یک کشور جدید، ویژگی های منحصر به فرد آب و هوا، اقتصاد و فرهنگ مناطق مختلف کشور باید به درستی گنجانده شود. از این رو، طراحی یک GBAT جهانی برای گنجاندن کافی تمام دیدگاه های پایداری در مقیاس منطقه ای می تواند چالش برانگیز باشد [ 36 ]. علاوه بر این، منابع موجود برای دستیابی به ساختمان های پایدار ممکن است در مناطق مختلف بسیار متفاوت باشد. به عبارت دیگر، تأثیر قابل توجه محیط طبیعی و فرهنگ بر رفتار انسانی یک منطقه مانند مصرف انرژی، روش های ساخت و ساز و مواد باید در سفارشی سازی طراحی GBAT به دقت در نظر گرفته شود [ 44 ]. با این حال، ابزارهای ارزیابی شناخته شده مانند LEED توجه کمی به موضوعات تفاوت های جغرافیایی و اقلیمی می کنند [ 45 ]. به عنوان مثال، بر اساس LEED برای ساختمان های موجود (2009) [ 46 ]، تفاوت های اقلیمی و جغرافیایی به سختی در مقررات تشخیص داده شد. به طور خاص، ساختمان‌هایی با طراحی و روش ساخت یکسان، اما در مناطق آب و هوایی مختلف قرار دارند ، طبق LEED 2009 به نقاط یکسانی برای پایداری دست خواهند یافت، اگرچه عملکرد پایداری آنها ممکن است کاملاً متفاوت باشد. اگرچه در LEED 2009، یک دسته بندی جدید به نام “اولویت منطقه ای” برای پرداختن به این موضوع معرفی شد [ 47 ]، این به دلیل (1) دسته اختیاری “اولویت منطقه ای” در LEED و (2) تخصیص امتیاز کوچک (یعنی فقط 4 امتیاز جایزه در مقایسه با کل 100 امتیاز پایداری به خود اختصاص داده است). این نیاز به روش موثرتری برای ترکیب تفاوت‌های آب و هوایی در GBAT دارد.

عملکرد پایداری LEED نسبت به عوامل اقلیمی توسط برخی مطالعات در سال‌های اخیر مورد بررسی قرار گرفته است. Cidell و Beata (2009) “تغییر فضایی بین دسته های گواهی ساختمان” LEED را برای ایالت های مختلف در ایالات متحده بررسی کردند [ 35 ]. بوشمن و گابریل (2013) فقدان یک رویکرد طراحی سبز عمیق را که بر شرایط جغرافیایی محلی در اعتبارات LEED تمرکز دارد، مطالعه می کنند [ 48 ]. چنگ و ما (2015) از تکنیک های داده کاوی برای بررسی رابطه بین عوامل آب و هوایی و دستاوردهای اعتباری LEED استفاده کردند [ 45 ]. وو و همکاران (2017) همچنین تحقیقاتی را برای تجزیه و تحلیل الگوهای دستیابی به اعتبار و تنوع منطقه ای اعتبار به دست آمده توسط ساختمان های سبز دارای گواهی LEED 2009 در سطح کشور انجام داد [ 36 ].

برای درک درست تفاوت های آب و هوایی، یک راه حل عملی کارآمد، گروه بندی مناطق بر اساس اقلیم های مشابه است. تعداد نسبتاً زیاد متغیرهای هواشناسی، که بر دسته بندی آب و هوا تأثیر می گذارند، محققان را به استفاده از روش های خوشه بندی سوق داده است [ 45 ]. روش های مختلف خوشه بندی مانند K -means، k -median و ماشین بردار پشتیبان (SVM) به طور گسترده برای خوشه بندی اقلیمی استفاده شده است [ 49 ، 50 ].

اگرچه تعداد زیادی از کارهای تحقیقاتی در ادبیات بررسی شده در بالا برای سفارشی کردن GBAT ها استفاده شده است، تا آنجا که نویسندگان دانش دارند، هیچ یک از آنها روش های خوشه بندی را برای سفارشی سازی GBAT بر اساس عوامل آب و هوایی در نظر نگرفته اند. از این رو، هدف این مقاله ایجاد چارچوبی برای سفارشی‌سازی GBAT بر اساس پارامترهای اقلیمی و قضاوت کارشناسان با استفاده از روش‌های AHP فازی و K -means برای کشوری با مناطق مختلف آب و هوایی و اولویت‌های پایداری محلی است. فازی-AHP به دلیل ماهیت ذهنی شاخص‌های ساختمان سبز، در اینجا به عنوان یک روش تصمیم‌گیری برای سفارشی‌سازی GBAT استفاده می‌شود. K – means همچنین در اینجا برای خوشه‌بندی آب و هوایی در میان این روش‌های مختلف به‌دلیل مزایای آن نسبت به روش‌های دیگر استفاده می‌شود، به‌عنوان مثال، رویکرد نسبتاً ساده برای ایجاد، به راحتی با مجموعه داده‌های جدید تطبیق داده می‌شود و تضمین همگرایی خوشه‌ها [ 51 ]. چارچوب پیشنهادی نیز با کاربرد آن در مطالعه موردی ایران به عنوان کشوری با مناطق مختلف آب و هوایی نشان داده شده است. در اینجا از روش K -means برای خوشه بندی اقلیمی بر اساس داده های اقلیمی جمع آوری شده از بیش از 80 شهر ایران استفاده شده است. این مطالعه همچنین “LEED EB 2009” را به عنوان یک GBAT شناخته شده برای اصلاح شاخص ها و وزن های مرتبط در مناطق مختلف انتخاب می کند. جزئیات روش شناسی در بخش بعدی و سپس با معرفی مطالعه موردی و ارائه نتایج و بحث ارائه می شود.