پیش بینی اولویت های بهسازی در محله های فرسوده با استفاده از الگوریتم های یادگیری ماشین و داده های چندلایه (کالبدی، اجتماعی، اقتصادی)

طرح های نوسازی و بهسازی بافت های فرسوده شهری، به دلیل محدودیت های شدید منابع مالی و زمانی، نیازمند اولویت بندی هوشمند و مبتنی بر شواهد هستند. روش های سنتی اولویت گذاری غالبا مبتنی بر شاخص های تک بعدی کالبدی بوده و از در نظر گرفتن پیچیدگی و تعامل لایه های مختلف اجتماعی، اقتصادی و محیطی ناتوانند. این پژوهش با هدف ارائه یک الگوی داده بنیاد و دقیق، به توسعه یک مدل پیش بینی برای اولویت بندی محله های فرسوده با استفاده از الگوریتم های یادگیری ماشین و تلفیق داده های چندلایه می پردازد. در این راستا، چارچوبی پژوهشی طراحی شد که در آن داده های کالبدی (نظیر فرسودگی سازه ها، عرض معابر، تراکم، وضعیت تاسیسات)، اجتماعی (از جمله نرخ باسوادی، تراکم جمعیت، شاخص های محرومیت، میزان مشارکت محلی) و اقتصادی (درآمد سرانه، نرخ بیکاری، ارزش املاک، رونق کسب وکار) در سطح بلوک های شهری یک منطقه نمونه (به عنوان مطالعه موردی) جمع آوری و یکپارچه گردید. "اولویت بهسازی" به عنوان متغیر هدف، با استفاده از یک شاخص ترکیبی که توسط کارشناسان شهری و بر اساس معیارهای ملی و محلی تعریف شده بود، کمی سازی شد. سپس، چندین الگوریتم یادگیری ماشین شامل رگرسیون خطی، جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) آموزش، آزمون و با معیارهای دقت، صحت و ضریب تعیین ارزیابی شدند. نتایج نشان داد که مدل جنگل تصادفی با توانایی مدیریت داده های ناهمگن و تعامل پیچیده متغیرها، بالاترین عملکرد را در پیش بینی اولویت محله ها دارد. همچنین، تحلیل اهمیت متغیرها در این مدل آشکار ساخت که شاخص های اجتماعی-اقتصادی (مانند محرومیت و نرخ بیکاری) و ایمنی کالبدی تاثیر به مراتب بیشتری نسبت به شاخص های صرفا فیزیکی داشته اند. این پژوهش اثبات می کند که رویکرد یادگیری ماشین با داده های چندلایه، نه تنها قادر به پیش بینی دقیق تر اولویت ها نسبت به روش های متعارف است، بلکه با شناسایی عوامل کلیدی موثر، می تواند بینش عمیق تری برای تدوین سیاست های نوسازی هدفمند و عادلانه فراهم آورد. خروجی این مدل می تواند به عنوان یک ابزار کمکی قوی در دست مدیران و برنامه ریزان شهری قرار گیرد تا منابع محدود را به جا ترین نقاط نیاز (از ابعاد کالبدی و اجتماعی) تخصیص دهند و گامی موثر به سوی نوسازی پایدار و همه شمول بردارند.

کلیدواژه ها:

نوسازی شهری ، بافت فرسوده ، اولویت بندی ، یادگیری ماشین ، داده های چندلایه ، جنگل تصادفی ، تحلیل اجتماعی-اقتصادی ، تصمیم گیری داده بنیاد