کاربرد یادگیری ماشین در شناسایی الگوهای فرسودگی کالبدی و اولویت بندی محدوده های بازآفرینی شهری

فرسودگی کالبدی بافت های شهری، چالشی فزاینده برای مدیریت پایدار شهرها محسوب می شود. روش های سنتی شناسایی و اولویت بندی محدوده های فرسوده، عموما هزینه بر، زمان گیر و مبتنی بر قضاوت کارشناسی هستند و از دقت و جامعیت لازم برای پاسخگویی به پیچیدگی فضاهای شهری برخوردار نیستند. پژوهش حاضر با هدف بررسی کاربرد روش های یادگیری ماشین در شناسایی الگوهای فرسودگی کالبدی و اولویت بندی محدوده های نیازمند بازآفرینی انجام شده است. روش تحقیق از نوع توصیفی-تحلیلی و با رویکرد مرور نظام مند منابع علمی معتبر است. یافته ها نشان می دهد که الگوریتم های یادگیری ماشین، به ویژه مدل های یادگیری عمیق بینایی رایانه ای، یادگیری جمعی و شبکه های عصبی مصنوعی، توانایی بالایی در تشخیص خودکار الگوهای فرسودگی از طریق تحلیل تصاویر ماهواره ای و دید خیابانی دارند و می توانند با دقتی بیش از نود و پنج درصد، محدوده های نیازمند مداخله را شناسایی کنند. همچنین، روش های یادگیری ماشین قابل تفسیر، امکان شناسایی عوامل کلیدی موثر بر فرسودگی و پیش بینی روندهای آتی را فراهم می آورند. نتیجه گیری پژوهش حاکی از آن است که به کارگیری یادگیری ماشین در فرایند بازآفرینی شهری، با ارائه تصویری دقیق تر، به روزتر و عینی تر از وضعیت بافت های شهری، می تواند به تخصیص بهینه منابع، افزایش شفافیت و ارتقای مشارکت شهروندی در فرایندهای بازآفرینی منجر شود.

کلیدواژه ها:

یادگیری ماشین ، فرسودگی کالبدی ، بازآفرینی شهری ، اولویت بندی ، هوش مصنوعی