هوش مصنوعی چندوجهی و بازتعریف جغرافیای محرومیت شهری در سنجش نابرابری فضایی و پایش محیط ساخته‌شده

هوش مصنوعی چندوجهی و بازتعریف جغرافیای محرومیت شهری در سنجش نابرابری فضایی و پایش محیط ساخته‌شده

رضا جابری1 امیر محمد جابری2

1) دپارتمان بین‌دانشگاهی مطالعات و برنامه‌ریزی منطقه‌ای و شهری (DIST)، دانشگاه پلی‌تکنیک تورین، تورین، ایتالیا. ایمیل:
2) کارشناس ارشد مدیریت اجرایی دانشگاه آزاد اسلامی واحد کرج – البرز - ایران

کد IOI مقاله : AAHF-ACZAED
محل انتشار : کنفرانس ملی فناوری های معماری و هنر، شهر هوشمند، صنایع نرم وخلاق و فرهنگ فناوری (icact.ir)
چکیده :
    سنجش محرومیت شهری برای مدت طولانی بر سرشماری، شاخص‌های اجتماعی-اقتصادی و روش‌های متعارف تحلیل فضایی متکی بوده است، اما توسعه تصاویر ماهواره‌ای با وضوح بالا، تصاویر سطح خیابان، داده‌های مکانی ناهمگون و مدل‌های یادگیری عمیق امکان مشاهده ریزمقیاس‌تر محیط ساخته‌شده را فراهم کرده است. هدف این مقاله، مرور انتقادی ظرفیت هوش مصنوعی چندوجهی برای بازتعریف جغرافیای محرومیت شهری، سنجش نابرابری فضایی و پایش محیط ساخته‌شده است. پژوهش با طرح مرور دامنه‌ای ساختاریافته و رویکرد PRISMA-ScR-informed انجام شد و شواهد سال‌های 2010 تا 2026 براساس نوع داده، مقیاس فضایی، مدل تحلیلی، اعتبارسنجی، انتقال‌پذیری و عدالت داده سنتز شدند. یافته‌ها نشان می‌دهد ویژگی‌های بصری و مورفولوژیک شهر حامل بخشی از سیگنال اجتماعی-اقتصادی‌اند، اما قابلیت مشاهده برای ابعاد مختلف محرومیت یکسان نیست. تلفیق تصاویر ماهواره‌ای و خیابانی در برخی مطالعات عملکرد برآورد را بهبود داده، ولی برتری چندوجهی به متغیر هدف، زمینه جغرافیایی و مقیاس وابسته است. همچنین پوشش غیرتصادفی تصاویر خیابانی، تغییر کیفیت داده در مکان‌های مختلف، spatial leakage و سوگیری جغرافیایی مدل‌های دیداری-زبانی می‌توانند نابرابری را وارد خود زنجیره اندازه‌گیری کنند. بر پایه سنتز شواهد، چارچوب CMUDA پیشنهاد می‌شود که داده اجتماعی، دید از بالا، دید سطح خیابان، ادراک شهروندی، زمینه نهادی و عدالت داده را در یک معماری واحد ادغام و خروجی محرومیت را همراه با عدم قطعیت و کیفیت پوشش گزارش می‌کند.

کلمات کلیدی : هوش مصنوعی چندوجهی محرومیت شهری نابرابری فضایی geoai تصاویر خیابانی سنجش‌ازدور