توسعه یک مدل پیش بینی کننده برای مدیریت بحران های زیست محیطی شهری (مانند هجوم سگ های بلاصاحب یا پیک آلودگی هوا) با استفاده از داده های مکانی-زمانی

شهرها به عنوان سیستم های پویا و پیچیده، به طور فزاینده ای با بحران های زیست محیطی ناگهانی و مکرر، مانند پیک های شدید آلودگی هوا و افزایش جمعیت حیوانات بلاصاحب، روبرو هستند. رویکردهای مدیریتی سنتی که ماهیتی واکنشی دارند، اغلب در مواجهه با این بحران ها ناکارآمد، پرهزینه و دیرهنگام عمل می کنند. این مقاله مروری، با هدف بررسی مبانی نظری و عملیاتی گذار به سمت یک پارادایم مدیریتی پیش بینانه، به تحلیل پتانسیل مدل های یادگیری ماشین و یادگیری عمیق در پیش بینی این بحران ها با استفاده از داده های مکانی-زمانی می پردازد. با بررسی نظام مند ادبیات پژوهشی، مشخص شد که داده های مکانی-زمانی، شامل اطلاعات حسگرها، گزارش های شهروندی، تصاویر ماهواره ای و داده های هواشناسی، ماده خام لازم برای درک الگوهای پنهان این پدیده ها را فراهم می کنند. این پژوهش نشان می دهد که مدل های پیشرفته ای مانند شبکه های عصبی پیچشی (برای درک الگوهای مکانی) و شبکه های عصبی بازگشتی (برای تحلیل روندهای زمانی)، به ویژه در قالب معماری های ترکیبی، قادر به پیش بینی دقیق وقوع، شدت و مکان بحران های زیست محیطی هستند. در نهایت، این مقاله ضمن تشریح چالش های کلیدی پیاده سازی این مدل ها، از جمله کیفیت داده ها، تفسیرپذیری و ملاحظات اخلاقی، چارچوبی مفهومی برای توسعه و استقرار یک سیستم پشتیبان تصمیم گیری هوشمند در مدیریت شهری ارائه داده و مسیرهای تحقیقاتی آتی را برای افزایش کارایی و کاربردی سازی این فناوری ها پیشنهاد می کند.واژگان کلیدی: مدل سازی پیش بینانه، بحران زیست محیطی شهری، داده های مکانی-زمانی، یادگیری ماشین، یادگیری عمیق، آلودگی هوا، حیوانات بلاصاحب، مدیریت شهری هوشمند.