مراقبة تطور المناطق العشوائية عبر تقنيات التعلم الآلي (Machine Learning)

تُعد عملية مراقبة تغيرات الأحياء الفقيرة ورسم خرائطها إحدى أكثر الاهتمامات العلمية في مجال التخطيط العمراني، وذلك لدعم صياغة السياسات المناصرة للفقراء عبر دمج البيانات المكانية لتلك الأحياء مع رسم الخرائط الذي يقوده المجتمع لفهم الاحتياجات المحلية (1,2)، ولأنه من الناحية الشكلية يمكن وصف البيانات المكانية للعشوائيات الفقيرة بثلاث خصائص هي: الكثافة، والحجم، والنمط المكاني، إضافةً إلى خصائص الموقع مثل الوجود في مناطق الخطر؛ فمن الممكن تمييز المساكن العشوائية ببعض الصفات العامة مثل الحجم الصغير للمباني (عبر مساحات الأسقف)، والكثافات العالية (كثافات الأسقف)، وقلة المساحة المفتوحة وغيرها (3).

وقد أكَّدت عديدٌ من الدراسات أنَّ الاستشعار عن بعد أحد أهم التقنيات المستخدمة في رصد هذه البيانات المكانية عبر التمييز بين الخصائص الفيزيائية للعشوائيات عن المستوطنات الرسمية المنظمة، مثل تقنية تحليل الصور على أساس العنصر (OBIA)، والتفسير المرئي وتحليل النسيج، إضافةً إلى تقنيات التعلم الآلي (Machine Learning ML) التي تستخدم صورًا مكانيةً عالية الدقة معتمدةً على خوارزميات على مستوى البكسل (1)، وذلك عبر مراقبة عمليات التكثيف والتوسع، أو عبر المقترحات المساعدة في تنفيذ سياسات تحسين الأحياء الفقيرة، إضافةً إلى أهمية الاستشعار عن بعد أيضًا في ربط التشكيل الحضري بالمعايير الاجتماعية والاقتصادية (2). وتُعد تقنية دمج مصفوفة الوجود ذات المستوى الرمادي (GLCM) مع مؤشر الغطاء النباتي للفروقات الطبيعية (NDVI) لصور الأقمار الصناعية أيضًا قادرةً على فصل الأحياء الفقيرة العشوائية عن التجمعات الرسمية بدقة وصلت إلى 84٪ في مدينة كيغالي في رواندا، و87٪ في مدينة مومباي في الهند (3).

وتُعد محركات جوجل (Google Earth Engine GEE) إحدى أحدث التقنيات في رصد ورسم خرائط العشوائيات؛ إذ استفاد الباحثون من تطبيقات (GEE) التي تسمح ببناء صور مركبة من مجموعة من الميزات المتكاملة لمعالجة وتكديس بيانات إدخال الصورة الفضائية للعشوائيات، وتشغيل جميع التحليلات بالتوازي، وطُبِّق ذلك في دراسة على عشوائيات كولومبيا عبر الاستفادة من قدرات الحوسبة السحابية (cloud computing) عن طريق دمج النطاقات الطيفية والمؤشرات المشتقة من النطاق الطيفي (4).

فما رأيكم؟ ما الجوانب التي قد تساهم هذه التقنيات في تحسينها عند دراسة المناطق العشوائية؟

المصادر:

1- Duque JC, Patino JE, Betancourt A. Exploring the potential of machine learning for automatic slum identification from VHR imagery. Remote Sensing [Internet]. 2017 [cited 2023Mar4];9(9):895. Available from: هنا

2- Kuffer M, Pfeffer K, Sliuzas R. Slums from Space—15 Years of Slum Mapping Using Remote Sensing. Remote Sensing [Internet]. 2016 [cited 2023Mar4];8(6):455. Available from: هنا

3- Kuffer M, Pfeffer K, Sliuzas R, Baud I. Extraction of Slum Areas From VHR Imagery Using GLCM Variance. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing [Internet]. 2016 [cited 2023Mar4];9(5):1830–40. Available from: هنا

4- Matarira D, Mutanga O, Naidu M. Google Earth Engine for Informal Settlement Mapping: A Random Forest Classification Using Spectral and Textural Information. Remote Sensing [Internet]. 2022 [cited 2023Mar4];14(20):5130. Available from: هنا

مراقبة تطور المناطق العشوائية عبر تقنيات التعلم الآلي (Machine Learning)

الجغرافيا البشرية والعلوم الإقليمية >>>> الجغرافيا الرقمية ونظم المعلومات الجغرافية

المساهمون في الإعداد

تابعنا على يوتيوب

من أعد المقال؟

مواضيع مرتبطة

مراقبة تطور المناطق العشوائية عبر تقنيات التعلم الآلي (Machine Learning)

الجغرافيا البشرية والعلوم الإقليمية >>>> الجغرافيا الرقمية ونظم المعلومات الجغرافية

مواضيع مرتبطة إضافية المزيد >

شارك

تفاصيل

المساهمون في الإعداد

تابعنا على يوتيوب

من أعد المقال؟

مواضيع مرتبطة

مواضيع مرتبطة إضافية
المزيد >