ارائه چارچوب هوشمند پهنهبندی ظرفیت فضایی توسعه کالبدی شهر با تلفیق GIS و یادگیری ماشین؛ مطالعه مروری شهر تبریز
ارائه چارچوب هوشمند پهنهبندی ظرفیت فضایی توسعه کالبدی شهر با تلفیق GIS و یادگیری ماشین؛ مطالعه مروری شهر تبریز
سجاد امانپور1 یعقوب کهنسال2
1) دانشجوی کارشناسی ارشد برنامه ریزی شهری، دانشگاه گیلان، رشت، ایران -
2) دانشجوی کارشناسی ارشد برنامه ریزی شهری، دانشگاه گیلان، رشت؛
کد IOI مقاله
:
ABKD-ACAFDB
محل انتشار :
چهارمین کنفرانس بین المللی پژوهش های کاربردی در مهندسی عمران، معماری و شهرسازی(icarcau.com)
چکیده :
هر تعیین ظرفیت فضایی توسعه کالبدی شهر، مسئلهای چندمعیاره است که در آن مناسببودن یک پهنه برای توسعه به مجموعهای از شرایط طبیعی، محیطی، دسترسی، زیرساختی و ساختار فضایی وابسته است. در رویکردهای متعارف، سامانه اطلاعات جغرافیایی و ارزیابی چندمعیاره برای تبدیل این عوامل به لایههای فضایی، استانداردسازی آنها و تولید نقشه تناسب به کار رفتهاند. روشهایی مانند فرایند تحلیل سلسلهمراتبی نیز برای تعیین وزن معیارها مورد استفاده قرار گرفتهاند، اما وابستگی آنها به قضاوت کارشناسی و حساسیت نتایج نسبت به انتخاب معیارها و وزنها، یکی از موضوعات مورد بحث در ادبیات این حوزه است (Malczewski, 1999; Zhao et al., 2025). در سالهای اخیر، یادگیری ماشین بهتدریج وارد این حوزه شده و از آن برای استخراج اهمیت معیارها، مدلسازی روابط غیرخطی و تولید سطوح تناسب فضایی استفاده شده است (Zhao et al., 2024).
پژوهش حاضر با رویکرد مروری ـ تحلیلی، روند تحول روشهای ارزیابی تناسب و ظرفیت فضایی توسعه شهری را از GIS-MCE و روشهای وزندهی سنتی تا یادگیری ماشین و هوش مصنوعی تبیینپذیر بررسی میکند. مطالعات داخلی و خارجی بر اساس مسئله پژوهش، نوع داده، معیارهای فضایی، الگوریتم مورد استفاده، نحوه اعتبارسنجی و قابلیت تفسیر نتایج مقایسه شدهاند. در سطح بینالمللی، مطالعات اخیر استفاده از Random Forest، XGBoost و سایر الگوریتمهای یادگیری ماشین را برای ارزیابی تناسب توسعه و استخراج اهمیت متغیرها دنبال کردهاند. همچنین اعتبارسنجی فضایی و روشهای Explainable AI در مطالعات جدیدتر بهعنوان پاسخ به دو مسئله برآورد بیش از اندازه عملکرد مدل و ماهیت جعبهسیاه برخی الگوریتمها مورد توجه قرار گرفتهاند (Nguyen et al., 2026; Wang et al., 2025). در ایران، مطالعات مرتبط با تهران، تبریز، ارومیه و سایر شهرها نشان میدهند که یادگیری ماشین و سنجشازدور بیشتر در زمینه مدلسازی و پیشبینی رشد شهری و تغییر کاربری زمین به کار رفتهاند. در مورد تبریز نیز پژوهشهای قبلی از Cellular Automata، رگرسیون، شبکه عصبی و الگوریتمهای یادگیری ماشین برای تحلیل رشد شهری استفاده کردهاند (Ashkriz et al., 2021; Mahmoudzadeh et al., 2022; Azizi et al., 2022).
یافتههای مرور نشان میدهد که شکاف پژوهشی را نمیتوان صرفاً در کمبود استفاده از هوش مصنوعی جستوجو کرد. مسئله مهمتر، نحوه ترکیب محدودیتهای قطعی توسعه، عوامل فضایی مؤثر، شواهد تجربی حاصل از الگوی توسعه گذشته، اعتبارسنجی فضایی و تفسیرپذیری مدل است. بر این اساس، مقاله چارچوبی چهارلایه برای پهنهبندی ظرفیت فضایی توسعه پیشنهاد میکند که در آن ابتدا محدودیتهای قطعی از عوامل مؤثر تفکیک میشوند، سپس عوامل فضایی در محیط GIS سازماندهی شده و با استفاده از یادگیری ماشین تحلیل میشوند؛ خروجی مدل نیز با روشهای تفسیرپذیری مورد بررسی قرار میگیرد. شهر تبریز بهعنوان نمونهای دارای سابقه مطالعاتی قابل توجه در زمینه مدلسازی رشد شهری، زمینه مناسبی برای توضیح قابلیت کاربرد این چارچوب فراهم میکند. نتیجه اصلی پژوهش آن است که استفاده از یادگیری ماشین زمانی میتواند به تصمیمگیری فضایی کمک کند که در یک ساختار روششناختی روشن، با تعریف دقیق مسئله، کنترل وابستگی مکانی، تفکیک محدودیت و عامل و تفسیر نتایج همراه شود.
کلمات کلیدی : ظرفیت فضایی توسعه توسعه کالبدی سامانه اطلاعات جغرافیایی ارزیابی چندمعیاره یادگیری ماشین تبریز