مرور نظام مند کاربردهای یادگیری عمیق و GIS در پیش بینی الگوهای رشد شهری و کنترل گسترش بی رویه

شهرنشینی سریع و اغلب کنترل نشده یکی از مهمترین چالشهای قرن بیست و یکم است که منجر به گسترش بی رویه شهری، تخریب محیط زیست، فشار بر زیرساخت ها و نابرابری های اجتماعی می شود. مدیریت پایدار این فرآیند پیچیده نیازمند ابزارهای پیشرفته ای برای پیش بینی دقیق الگوهای رشد شهری است. این مقاله یک مرور نظام مند جامع از ادبیات پژوهشی موجود در زمینه ادغام یادگیری عمیق (DL) و سیستم های اطلاعات جغرافیایی (GIS) برای مدل سازی و پیش بینی رشد شهری ارائه می دهد. با پیروی از دستورالعمل های PRISMA مقالات کلیدی از پایگاه های داده معتبر علمی شناسایی و تحلیل شده اند. یافته ها نشان می دهند که معماری های یادگیری عمیق به ویژه شبکه های عصبی کانولوشنی (CNN) و معماری -U در استخراج ویژگی های مکانی از تصاویر ماهواره ای و طبقه بندی کاربری اراضی با دقت بالا بسیار موثر هستند. همچنین شبکه های عصبی بازگشتی (RNN) مانند LSTM و ConvLSTM توانایی بالایی در مدل سازی دینامیک های زمانی و پیش بینی روندهای رشد از روی داده های سری زمانی دارند. روند غالب در این حوزه توسعه مدل های ترکیبی است که در آن، یادگیری عمیق برای یادگیری قوانین گذار پیچیده و غیرخطی در مدل های سنتی مانند اتوماتای سلولی (CA) به کار می رود و به طور قابل توجهی دقت پیش بینی را بهبود می بخشد. با این حال چالش هایی نظیر ماهیت جعبه سیاه مدل های یادگیری عمیق، نیاز به حجم بالای داده های باکیفیت و منابع محاسباتی سنگین موانعی بر سر راه پذیرش گسترده این فناوری ها در فرآیندهای برنامه ریزی شهری هستند. این مرور ضمن بررسی مرزهای جدید پژوهش مانند مدل های مولد (GANS) و یادگیری تقویتی عمیق (DRL)، بر اهمیت حرکت به سوی هوش مصنوعی قابل توضیح (XAI) برای افزایش شفافیت و اعتماد در تصمیم گیری های خطیر شهری تاکید می کند. در نهایت این پژوهش پیامدهایی برای برنامه ریزان شهری و پیشنهادهایی برای تحقیقات آتی در جهت توسعه ابزارهای پیش بینی هوشمندتر، دقیق تر و شفاف تر برای هدایت رشد شهری به سمت آینده ای پایدارتر ارائه می دهد.

کلیدواژه ها:

یادگیری عمیق ، سیستم اطلاعات جغرافیایی (GIS) ، رشد شهری ، گسترش بی رویه ، مدل سازی فضایی زمانی ، شبکه های عصبی کانولوشنی ، اتوماتای سلولی ، هوش مصنوعی مکانی (GeoAI)