كشف علامات التدهور الحضري: قوة الذكاء الاصطناعي في التخطيط الحضري

يعد القياس الدقيق لجودة المساحات الحضرية جانباً حيوياً في وضع سياسات فعالة تعالج التحديات المختلفة التي يواجهها سكان المدن، مثل الفقر والبنية التحتية والنقل والصحة والسلامة. ومع ذلك، فإن الطرق التقليدية لجمع البيانات الاجتماعية والاقتصادية، مثل معدلات الجريمة ومستويات الدخل وظروف السكن من خلال استطلاعات المواطنين الدورية، غير كافية، نظراً لندرتها وارتفاع تكلفتها واعتمادها على التصور البشري، مما يؤدي إلى صورة قديمة للظروف على مستوى الأحياء.

يكتسب استخدام الذكاء الاصطناعي في هذا المجال شعبية سريعة، حيث يقوم الباحثون بتجربة صور الأقمار الصناعية لقياس الزحف العمراني، ومشاريع تعلم الآلة لإنشاء خرائط واسعة النطاق للفقر والثروة والدخل في البلدان النامية. وعلى الرغم من هذه التطورات، فإن المشهد المادي داخل البيئات الحضرية وكيفية تغيره بمرور الوقت لم يتم استكشافه بشكل كامل بعد.

وفقاً لـ Andrea Vallebueno، "لا يوجد مقياس مناسب يوثق جودة المساحة الحضرية وتغيرها بمرور الوقت وعدم المساواة المكانية التي تقدمها." عملت أندريا مع زميلها المؤلف Yong Suk Lee لسد هذه الفجوة باستخدام صور Google Street View عالية التردد وبناء بيانات لوحية على مستوى قطاع الشارع، مما جعلهما رائدين في هذا المجال.

أندريا فاليبيونو هي زميلة بحث في العلوم الحسابية في مختبر التنظيم والتقييم والحوكمة بجامعة ستانفورد.

Link to this sectionفعل الخير بالذكاء الاصطناعي#

قاد شغف أندريا باستخدام علم البيانات في تطبيقات النفع الاجتماعي إلى استكشاف استخدام تعلم الآلة وذكاء الرؤية الحاسوبية. بفضل خلفيتها في الاقتصاد وحصولها على درجة الماجستير في علم البيانات من جامعة ستانفورد، استخدمت أندريا YOLOv5 لمدة عام ونصف تقريباً.

كطفلة في مدينة مكسيكو سيتي، كانت أندريا تدرك تماماً التفاوتات الهائلة بين الأحياء مثل سانتا في، حيث يفصل جدار خرساني كبير بين الأغنياء والفقراء. كباحثة في علم البيانات، شعرت فاليبيونو بالقلق من كيفية تجاهل البيانات الاقتصادية التقليدية لهذه الاختلافات المتطرفة، مما يحجب مؤشرات عدم المساواة والتدهور الحضري. لقد أدركت أنه مع التدفق المتزايد للأشخاص الذين ينتقلون إلى المدن في جميع أنحاء العالم، فإن نقص البيانات التفصيلية لن يؤدي إلا إلى جعل القضية أكثر إلحاحاً.

Link to this sectionلماذا YOLOv5؟#

هدفت أندريا ويونغ إلى إنشاء مقياس موضوعي للتدهور الحضري. واستخدما اكتشاف الكائنات في صور Google Street View لالتقاط ثماني سمات حضرية تشير إلى التدهور العمراني. وقد اختارا YOLOv5 نظراً لسرعة الاستدلال التي يتمتع بها واستخدام المعلومات السياقية، وهو أمر كان حاسماً لحالة الاستخدام الخاصة بهما.

تم استخدام النموذج المُدرب لإجراء الاستدلال على 114,000 صورة من صور Google Street View من أحياء مختلفة في سان فرانسيسكو ومكسيكو سيتي وساوث بيند. وتم تجميع اكتشافات السمات الثماني على مستوى قطاع الشارع لإنشاء مؤشرات للتدهور الحضري وقياس التغير في معدل حدوث التدهور الحضري بمرور الوقت.

مدينة مكسيكو، المكسيك

سان فرانسيسكو، كاليفورنيا

وجدت أندريا وفريقها أن التعامل مع YOLOv5 سهل للغاية، حيث قضوا معظم وقتهم في تنسيق مجموعة البيانات الخاصة بهم وتدريب نماذجهم. وقد قدروا التكامل مع أدوات تتبع التجارب، والتعلم التلقائي لصناديق الإحاطة (BBox)، مما جعل العملية أكثر سهولة بكثير.

أندريا وفريقها متحمسون لتوسيع مقياسهم للجودة الحضرية ليشمل السمات الإيجابية للبيئة الحضرية المادية واختبار أداء هذه المؤشرات في مجموعة متنوعة من الأحياء الحضرية.

تصور لمجموعة اكتشافات النموذج للخيام/الأغطية المستخدمة كمساكن للمشردين بمرور الوقت في حي تنديرلوين، سان فرانسيسكو.

Link to this sectionنصائح للبدء في مجال الذكاء الاصطناعي#

بالنسبة للمبتدئين في مجال الذكاء الاصطناعي، توصي أندريا بإيجاد مشكلة أو سؤال بحثي يهتمون به بشغف وخوض دورة حياة الذكاء الاصطناعي بالكامل. وهي تعتقد أن هذه واحدة من أفضل الطرق لبناء الحدس وفهم قيود نموذجهم.

أصبح الذكاء الاصطناعي بشكل متزايد أداة حاسمة للجامعات والباحثين، لأنه يمكنهم من استكشاف وفهم مجموعات البيانات المعقدة، مما يجعل نتائجهم أكثر دقة وموثوقية. ومن خلال الاستفادة من الذكاء الاصطناعي، يمكن للباحثين تكوين فهم أكثر شمولاً للمساحات الحضرية والتحديات التي يواجهها سكان المدن، مما يؤدي إلى سياسات وحلول أفضل.

شكراً لقراءتك عن تجربة أندريا مع YOLOv5! هل تود مشاركة تجربتك؟ قم بالإشارة إلينا في كل مكان @Ultralytics مع حالة استخدام Ultralytics YOLO الخاصة بك وسنروج لعملك لمجتمع تعلم الآلة.