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 ملائم يوثق جودة الفضاء الحضري، وتغيره بمرور الوقت، والتفاوت المكاني الذي يظهره." عملت Andrea مع مؤلفها المشارك، Yong Suk Lee، لسد هذه الفجوة باستخدام صور Google Street View عالية التردد وبناء بيانات لوحية على مستوى قطاع الشارع، مما جعلهم رواداً في هذا المجال.

Andrea Vallebueno هي زميلة بحثية في العلوم الحسابية في Stanford University’s Regulation, Evaluation, and Governance Lab.

فعل الخير بالذكاء الاصطناعي#

أدت شغف أندريا بتوظيف علم البيانات في تطبيقات النفع الاجتماعي إلى استكشاف استخدام التعلم الآلي ورؤية الذكاء الاصطناعي. ومع خلفية في الاقتصاد ودرجة الماجستير في علم البيانات من جامعة ستانفورد، استخدمت أندريا نموذج Ultralytics YOLOv5 لمدة عام ونصف تقريبا.

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.

لماذا استخدام Ultralytics YOLOv5؟#

هدفت Andrea وYong إلى إنشاء مقياس موضوعي للانهيار الحضري. واستخدما الكشف عن الكائنات في صور Google Street View لالتقاط ثمان ميزات حضرية تشير إلى التدهور الحضري. لقد اختارا YOLOv5 نظراً لسرعة استنتاجه واستخدامه للمعلومات السياقية، وهو أمر بالغ الأهمية لحالتهما الاستخدامية.

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 Ultralytics YOLOv5 سهل بشكل لا يصدق، حيث أمضوا غالبية وقتهما في تنسيق مجموعات البيانات وتدريب نماذجهم. وقد قدروا التكامل مع أدوات تتبع التجارب، والتعلم التلقائي لصناديق الإحاطة، مما جعل العملية أكثر سهولة.

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.

نصائح 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 Andrea مع YOLOv5! هل ترغب في مشاركة تجربتك؟ قم بالإشارة إلينا في كل مكان @Ultralytics مع حالة الاستخدام الخاصة بك لـ Ultralytics YOLO وسنقوم بالترويج لعملك لمجتمع التعلم الآلي.