توسعه چارچوب GeoAL برای شناسایی و اولویت بندی هوشمند املاک مستعد توسعه فضاهای سبز محله ای

توسعه فضاهای سبز محله ای در بافت های متراکم شهری با چالش کمبود زمین های مناسب و هزینه های بالای تملک مواجه است. روش های سنتی مکان یابی به دلیل اتکا به نظر خبرگان و ناتوانی در مدل سازی روابط غیرخطی میان عوامل موثر از دقت و کارایی کافی برخوردار نیستند. پژوهش حاضر با هدف تدوین چارچوبی یکپارچه برای شناسایی و اولویت بندی هوشمند املاک مستعد توسعه فضاهای سبز محله ای با تلفیق سامانه اطلاعات جغرافیایی، الگوریتم های یادگیری ماشین و روش های تصمیم گیری چندمعیاره انجام شده است. روش تحقیق از نوع توصیفی-تحلیلی بوده و با بهره گیری از الگوریتم جنگل تصادفی، روش تحلیل سلسله مراتبی و منطق فازی در بستر سامانه اطلاعات جغرافیایی به ارزیابی تناسب مکانی املاک پرداخته است. یافته ها نشان می دهد که الگوریتم جنگل تصادفی با ضریب تعیین بالای نود و شش، صد عملکرد بسیار مطلوبی در مدل سازی تناسب مکانی دارد. معیارهای شاخص پوشش گیاهی، تراکم جمعیتی و دسترسی به منابع آبی بیشترین اهمیت را در تعیین تناسب مکانی دارند. چارچوب پیشنهادی با تلفیق رویکردهای داده محور و خبره محور امکان شناسایی علمی و شفاف پهنه های دارای اولویت برای توسعه فضای سبز را فراهم می آورد و به مدیران شهری در تخصیص بهینه منابع و کاهش نابرابری های فضایی کمک می کند.

کلیدواژه ها:

هوش مصنوعی ، فضایی ، مکان یابی فضای سبز ، محل های یادگیری ماشین ، سامانه اطلاعات جغرافیایی ، تصمیم گیری چند معیاره