کاربرد هوش مصنوعی در پیش بینی الگوهای گسترش فضایی شهرها

گسترش فضایی شهرها (Urban Sprawl) به عنوان یکی از چالش های اساسی در برنامه ریزی شهری معاصر، پیامدهای زیست محیطی، اقتصادی و اجتماعی منفی گسترده ای به همراه داشته است. پیش بینی دقیق الگوهای این گسترش برای تدوین سیاست های پایدار و مدیریت منابع زمین حیاتی است. روش های سنتی پیش بینی، که عمدتا بر پایه مدل های آماری خطی و روش های مبتنی بر اتوماتای سلولی (Cellular Automata - CA) با قوانین ثابت هستند، در مواجهه با پیچیدگی های غیرخطی، پویایی های زمانی و تعاملات چندمتغیره سیستم های شهری ناکارآمد عمل می کنند. این پژوهش با هدف بررسی کاربرد هوش مصنوعی (AI)، به ویژه یادگیری عمیق (Deep Learning) و شبکه های عصبی بازگشتی (RNN) و شبکه های کانولوشنی (CNN)، در پیش بینی الگوهای گسترش فضایی شهرها تدوین شده است. مسئله اصلی این پژوهش، محدودیت روش های موجود در درک الگوهای غیرخطی رشد شهری و عدم توانایی در پیش بینی بلندمدت با دقت بالا است. این مطالعه با روش «توصیفی-تحلیلی» و با استفاده از «شبیه سازی عددی» روی داده های تاریخی کاربری اراضی یک کلان شهر نمونه (تهران) انجام شده است. داده های ورودی شامل تصاویر ماهواره ای چندزمانه، داده های توپوگرافی، شبکه حمل ونقل و متغیرهای اقتصادی-اجتماعی بوده است. دو مدل هوش مصنوعی شامل «شبکه عصبی کانولوشنی-تایم (ConvLSTM)» و «درخت تصمیم تصادفی (Random Forest)» آموزش دیده و با مدل کلاسیک «اتوماتای سلولی-مارکوف (CA-Markov)» مقایسه شدند. یافته های پژوهش نشان می دهد که مدل های مبتنی بر هوش مصنوعی، به ویژه ConvLSTM که قادر به یادگیری همزمان ویژگی های مکانی و زمانی است، دقت پیش بینی را تا ۱۵٪ نسبت به مدل های سنتی افزایش داده اند. این مدل ها توانسته اند الگوهای پیچیده ای مانند رشد حاشیه ای غیرهمگن و تمرکز رشد در محورهای حمل ونقل را با انحراف معیار کمتر پیش بینی کنند. همچنین، تحلیل حساسیت نشان داد که متغیرهای «دسترسی به مراکز شهری» و «قیمت زمین» در مدل های هوشمند وزن بیشتری نسبت به مدل های سنتی دارند. نتایج حاکی از آن است که هوش مصنوعی نه تنها ابزار پیش بینی دقیق تری را فراهم می کند، بلکه امکان سناریوسازی پویا و واکنش پذیر به تغییرات سیاستی را نیز می دهد. این پژوهش پیشنهاد می کند که برنامه ریزان شهری برای دستیابی به توسعه پایدار، باید از پارادایم «پیش بینی خطی» به «مدیریت پویا بر اساس شبیه سازی هوشمند» حرکت کنند. همچنین، نیاز به یکپارچه سازی داده های بلادرنگ (Real-time Data) و ایجاد «دوقلوی دیجیتال» (Digital Twin) شهری برای نظارت مستمر بر گسترش شهرها ضروری است.

کلیدواژه ها:

هوش مصنوعی ، گسترش فضایی شهر ، یادگیری عمیق ، پیش بینی کاربری اراضی ، اتوماتای سلولی ، شهرسازی پایدار.