كشف مؤشرات التدهور الحضري: قوة الذكاء الاصطناعي في التخطيط الحضري

يُعد القياس الدقيق لجودة المساحات الحضرية جانبًا بالغ الأهمية في وضع سياسات فعّالة تتصدى للتحديات المتنوعة التي يواجهها سكان المدن، مثل الفقر والبنية التحتية والنقل والصحة والسلامة. إلا أن الأساليب التقليدية لجمع البيانات الاجتماعية والاقتصادية، مثل معدلات الجريمة ومستويات الدخل وظروف السكن، من خلال استطلاعات المواطنين المتفرقة، غير كافية لأنها غير متكررة ومكلفة وتعتمد على الإدراك البشري، ما يؤدي إلى صورة قديمة عن الظروف على مستوى الأحياء.

يزداد استخدام الذكاء الاصطناعي في هذا المجال انتشارًا بسرعة، إذ يختبر الباحثون الصور الفضائية لقياس التمدد الحضري، كما تُستخدم مشروعات التعلم الآلي لإنشاء خرائط واسعة النطاق للفقر والثروة والدخل في البلدان النامية. وعلى الرغم من هذه التطورات، لم تُستكشف بعد بصورة كاملة البيئة المادية داخل المناطق الحضرية وكيفية تغيرها بمرور الوقت.

وفقًا لـ Andrea Vallebueno، "لا يوجد مقياس مناسب يوثّق جودة الحيز الحضري، وتغيره بمرور الوقت، وأوجه عدم المساواة المكانية التي يعكسها." عملت Andrea مع مؤلفها المشارك Yong Suk Lee لسد هذه الفجوة، وذلك باستخدام صور عالية التواتر من Google Street View وإنشاء بيانات لوحية على مستوى مقاطع الشوارع، ليكونا رائدين في هذا المجال.

Andrea Vallebueno زميلة بحثية في العلوم الحاسوبية لدى مختبر التنظيم والتقييم والحوكمة بجامعة ستانفورد.

العمل الخيّر باستخدام الذكاء الاصطناعي#

قاد شغف Andrea باستخدام علم البيانات في تطبيقات الخير الاجتماعي إلى استكشاف استخدام التعلم الآلي وAI للرؤية. وبفضل خلفيتها في الاقتصاد وحصولها على درجة الماجستير في علم البيانات من جامعة ستانفورد، تستخدم Andrea ‏Ultralytics YOLOv5 منذ نحو عام ونصف.

منذ طفولتها في مدينة مكسيكو، كانت Andrea تدرك بحدة التفاوتات الكبيرة بين أحياء مثل Santa Fe، حيث كان جدار خرساني كبير يفصل بين الأغنياء والفقراء. وبصفتها باحثة في علم البيانات، شعرت Vallebueno بالقلق من أن البيانات الاقتصادية التقليدية تتجاهل هذه الفروق الحادة، وتحجب مؤشرات عدم المساواة والتدهور الحضري. وأدركت أن النقص في البيانات التفصيلية لن يصبح إلا مشكلة أكثر إلحاحًا مع التدفق المتزايد للأشخاص الذين ينتقلون إلى المدن في جميع أنحاء العالم.

لماذا Ultralytics YOLOv5؟#

هدف Andrea وYong إلى إنشاء مقياس موضوعي للتدهور الحضري. استخدما كشف الأجسام في صور Google Street View لالتقاط ثماني سمات حضرية تشير إلى التدهور الحضري. واختارا YOLOv5 بفضل سرعة الاستدلال فيه واستخدامه المعلومات السياقية، وهو أمر بالغ الأهمية لحالة الاستخدام الخاصة بهما.

استُخدم النموذج المدرَّب لإجراء الاستدلال على 114,000 صورة من صور مشاهد الشوارع من أحياء مختلفة في سان فرانسيسكو ومدينة مكسيكو وساوث بند. وجُمعت عمليات كشف السمات الثماني على مستوى مقاطع الشوارع لإنشاء مؤشرات للتدهور الحضري وقياس التغير في معدل حدوث التدهور الحضري بمرور الوقت.

مدينة مكسيكو، MX

سان فرانسيسكو، CA

وجدت Andrea وفريقها أن العمل باستخدام Ultralytics YOLOv5 سهل للغاية، إذ أمضوا معظم وقتهم في تنقيح مجموعة البيانات وتدريب نماذجهم. وقد قدّروا التكامل مع أدوات تتبع التجارب، والتعلّم التلقائي لمربعات الإحاطة، ما جعل العملية أكثر سهولة وإتاحة.

تتحمس Andrea وفريقها لتوسيع مقياسهم لجودة المناطق الحضرية ليشمل السمات الإيجابية للبيئة الحضرية المادية، واختبار أداء هذه المؤشرات في مجموعة متنوعة من الأحياء الحضرية.

تصوير مرئي لمجموعة عمليات كشف النموذج للخيام/الأغطية المشمعة المستخدمة مساكنَ للمشردين بمرور الوقت في حي تندرلوين، سان فرانسيسكو.

نصائح لبدء مسيرتك في الذكاء الاصطناعي#

بالنسبة إلى المبتدئين في الذكاء الاصطناعي، توصي Andrea بالعثور على مشكلة أو سؤال بحثي يثير شغفهم، وخوض دورة حياة الذكاء الاصطناعي بأكملها. وترى أن هذه إحدى أفضل الطرق لبناء الحدس وفهم حدود نموذجهم.

أصبح الذكاء الاصطناعي أداة بالغة الأهمية للجامعات والباحثين على نحو متزايد، إذ يتيح لهم استكشاف مجموعات البيانات المعقدة وفهمها، ما يجعل نتائجهم أكثر دقة وموثوقية. ومن خلال الاستفادة من الذكاء الاصطناعي، يستطيع الباحثون تكوين فهم أشمل للمساحات الحضرية والتحديات التي يواجهها سكان المدن، بما يؤدي إلى سياسات وحلول أفضل.

شكرًا على قراءة تجربة Andrea مع YOLOv5! هل تود مشاركة تجربتك؟ اذكرنا في كل مكان عبر @Ultralytics مع حالة الاستخدام الخاصة بك لـ Ultralytics YOLO، وسنروّج لعملك لدى مجتمع التعلم الآلي.