فراتحلیل کاربرد هوش مصنوعی در توسعه کاربری های ترکیبی اراضی شهر تهران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه در دهه های اخیر، تنوع کاربری اراضی شهری به عنوان یکی از ارکان کلیدی پایداری شهری اهمیت یافته است، چرا که مدل های سنتی برنامه ریزی مبتنی بر تفکیک کاربری ها قادر به پاسخ گویی به پیچیدگی ها و نیازهای فضایی اجتماعی شهرهای معاصر نبوده اند، که این ناکارآمدی به صورت گسست های فضایی، تضعیف تعاملات اجتماعی و افزایش وابستگی به حمل ونقل موتوری بروز یافته است. در مقابل، توسعه مبتنی بر کاربری ترکیبی با تأکید بر هم زیستی عملکردهای گوناگون در یک بستر مشترک، امکان بهبود دسترسی پذیری و بهره وری فضایی را فراهم می آورد و می تواند مصرف انرژی را کاهش دهد و پیوندهای اجتماعی را تقویت کند و بهره وری زیرساخت ها را ارتقا دهد؛ ولی تحقق این رویکرد مستلزم تحلیل های دقیق و چندلایه از ساختارهای کالبدی، اجتماعی و اقتصادی شهر است، امری که بدون بهره گیری از فناوری های نوین مانند هوش مصنوعی ممکن نیست. هوش مصنوعی با الگوریتم های یادگیری ماشین قادر است داده های مکانی و اجتماعی را به صورت هم زمان پردازش کرده و الگوهای پنهان و همبستگی های پیچیده را شناسایی کند، که این قابلیت به برنامه ریزی شهری مبتنی بر داده امکان می دهد تا ساختارهای هدفمند و انطباق پذیر برای کاربری ترکیبی طراحی کند و سیاست های شهری را به سوی تاب آوری و پایداری سوق دهد. افزون بر این، کاربری ترکیبی نه تنها یک راهکار کالبدی، بلکه ابزاری چندبعدی برای ارتقای تاب آوری اجتماعی، اقتصادی و فرهنگی فضاهای شهری محسوب می شود که با تقویت اقتصاد منطقه ای و افزایش تعاملات اجتماعی، آسیب پذیری های شهری را کاهش می دهد؛ اما تحقق این چشم انداز نیازمند داده های دقیق مکانی، ابزارهای تحلیل پیشرفته و نهادینه سازی سازوکارهای مشارکتی مبتنی بر داده است که در بسیاری از شهرهای در حال توسعه با محدودیت هایی همچون ضعف زیرساخت های فنی و نهادی مواجه است. اگرچه فناوری های هوشمند پتانسیل بالایی در تحلیل پیچیدگی های فضایی دارند، استفاده عملی از آن ها در مقیاس های کلان محدود و کمتر به نیازهای زمینه ای پاسخ گو بوده است؛ از این رو، شکاف میان ظرفیت نظری فناوری و کاربرد عملی آن به تحول ساختاری در نظام های قانونی و مدیریتی نیاز دارد تا بتوان نظام تصمیم سازی هماهنگ، مشارکتی و آینده نگر را پایه گذاری کرد و الگوهای پایدار، منعطف و تاب آور کاربری زمین را طراحی و اجرا کرد. در نهایت، با توجه به چالش های جمعیتی و کالبدی شهر تهران و محدودیت های برنامه ریزی موجود، این پژوهش به بررسی کاربرد هوش مصنوعی در توسعه کاربری های ترکیبی اراضی با تمرکز بر ایجاد الگوهای داده محور، چندبعدی و انطباق پذیر می پردازد تا پاسخ گوی پیچیدگی های فضایی معاصر باشد. مواد و روش ها پژوهش حاضر با رویکرد فراتحلیل و مرور نظام مند به بررسی کاربرد هوش مصنوعی در تحلیل ترکیب کاربری اراضی شهری می پردازد و از روش تحلیل مسیر برای بررسی تأثیر متغیرهای مستقل بر توسعه کاربری های ترکیبی استفاده کرده است. در بخش مرور نظام مند، با بهره گیری از نرم افزار PRISMA و طی فرایندی سه مرحله ای، ابتدا جست وجوی گسترده ای در پایگاه های معتبر اسکاپوس، اسپرینگر لینک، گوگل اسکالر و سمنتیک اسکالر انجام شده و ۲۱۰۷ مقاله شناسایی شد. پس از حذف مطالعات نامرتبط و کاهش تعداد مقالات به ۶۵۴، با استفاده از معیارهای دقیق تری بر اساس ورود و خروج، تعداد به ۱۸۷ و در نهایت، به ۶۵ مقاله با کیفیت رسید. داده ها با نرم افزار VOSviewer تحلیل و نقشه های بصری آن تهیه شدند. در بخش دوم، هفت مؤلفه کاربرد هوش مصنوعی به عنوان متغیرهای مستقل و پنج مؤلفه توسعه کاربری ترکیبی به عنوان متغیرهای وابسته تعیین شدند و تأثیرات آن ها توسط جامعه ای شامل ۹۶ خبره و متخصص با نمونه گیری هدفمند بررسی شد. مقیاس پرسشنامه بر اساس طیف لیکرت پنج سطحی طراحی و تحلیل داده ها با مدل سازی معادلات ساختاری و رویکرد حداقل مربعات جزئی (PLS3) انجام گرفت. تحلیل مدل های اندازه گیری و ساختاری با نرم افزار SMARTPLS انجام شد که پایایی، روایی و معناداری مدل ها را تأیید کرد. یافته ها یافته های توصیفی پژوهش نشان می دهد مطالعات مرتبط با کاربرد هوش مصنوعی در توسعه کاربری های ترکیبی اراضی شهری بیشتر در سه حوزه تحلیل کاربری اراضی و تحلیل فضایی شهری، استراتژی های توسعه و مدیریت کاربری ترکیبی و تصمیم گیری های مرتبط با کاربری اراضی دسته بندی می شوند که به ترتیب شامل ۲۹، ۳۰ و ۷ مقاله هستند. از نظر توزیع جغرافیایی، چین با ۴۰ مقاله پیشرو بوده و پس از آن آمریکا، اروپا و ایران به ترتیب با ۱۲، ۹ و ۳ مقاله قرار دارند؛ این ترکیب نشان دهنده تمرکز علمی جهانی و همچنین، شکاف های موجود در کاربرد هوش مصنوعی در برنامه ریزی کاربری زمین است. روند زمانی مطالعات نیز حاکی از افزایش چشمگیر انتشارات از سال ۲۰۲۰ به بعد و اوج آن در سال ۲۰۲۴ است که این موضوع بیانگر توجه روزافزون جامعه علمی به فناوری های هوشمند در مواجهه با پیچیدگی های برنامه ریزی شهری است. تحلیل هم زمانی کلیدواژه ها نیز تأکید می کند که رویکردهای یکپارچه هوش مصنوعی با مفاهیمی همچون برنامه ریزی پیشگیرانه، تغییرات جمعیتی و تحولات زیست محیطی پیوند خورده و نقش مهمی در ایجاد الگوهای پویا و انعطاف پذیری سیستم های شهری دارد. بررسی کاربرد تکنیک های هوش مصنوعی نشان می دهد روش هایی مانند یادگیری عمیق، الگوریتم های ژنتیک، یادگیری ترکیبی و تحلیل کلان داده در حوزه هایی نظیر طبقه بندی و پیش بینی کاربری زمین، شبیه سازی چیدمان فضایی و بهینه سازی تخصیص کاربری زمین کاربرد گسترده دارند. در تحلیل مدل سازی معادلات ساختاری، متغیرهای پژوهش مشتمل بر هفت مؤلفه برای کاربرد هوش مصنوعی و پنج مؤلفه برای توسعه کاربری های ترکیبی شناسایی شدند و مدل اندازه گیری با بارهای عاملی بالاتر از 0/4، پایایی و روایی مطلوب تأیید شد. شاخص های برازش مدل ساختاری نیز حاکی از کیفیت بالای مدل است؛ معیار GoF برابر 0/739، R² معادل 0/716 و Q² برابر 0/506 نشان دهنده تبیین قوی و پیش بینی مناسب متغیر وابسته است. تمامی مسیرهای اثرگذاری میان متغیرهای مستقل و وابسته در سطح معناداری ۹۵ درصد تأیید شده اند که مهم ترین آن ها مدل سازی و شبیه سازی چیدمان فضایی (15/858=t)، مدل سازی مشارکت و مذاکره ذی نفعان (5/765= t) و هم افزایی الگوریتم های هوشمند (4/339= t) بوده اند؛ همچنین مسیر پیش بینی و طبقه بندی کاربری زمین (3/652= t)، کاربرد هوش مصنوعی (2/868= t)، ترکیب داده ها و یادگیری ترکیبی (2/510= t)، تحلیل کلان داده و روندهای شهری (2/09= t) و تحلیل و بهینه سازی تخصیص کاربری (2/023= t) نیز به طور معنادار بر توسعه کاربری های ترکیبی اراضی تأثیرگذار شناخته شده اند که درمجموع اهمیت هوش مصنوعی را در بهبود کاربری های ترکیبی اراضی شهری به روشنی نشان می دهد. نتیجه گیری هوش مصنوعی با بهره گیری از تحلیل های عمیق و تلفیق داده های جغرافیایی، اجتماعی و محیط زیستی، ظرفیت های چشمگیری در درک و مدیریت پیچیدگی های کاربری های ترکیبی اراضی شهری ایجاد کرده است. مرور نظام مند پژوهش ها نشان می دهد کاربردهای هوش مصنوعی عمدتاً در سه حوزه تحلیل فضایی و کاربری اراضی، استراتژی های توسعه و تصمیم گیری برنامه ریزی شهری متمرکز شده و از سال ۲۰۲۰ رشد قابل توجهی داشته است. تحلیل هم زمانی کلیدواژه ها، هوش مصنوعی را به عنوان عاملی تحول آفرین معرفی می کند که پیوند مفاهیم زیست محیطی، جمعیتی و برنامه ریزی پیشگیرانه را تسهیل کرده و گذار از مدل های سنتی به الگوهای پویا و آینده نگر را ممکن ساخته است. تکنیک های پیشرفته ای مانند یادگیری عمیق، یادگیری ماشین، الگوریتم های ژنتیک و مدل های عامل محور، با بهره گیری از داده های چندمنبعی شامل تصاویر ماهواره ای، داده های حمل ونقل و شبکه های اجتماعی، نقش مهمی در طبقه بندی، بهینه سازی و شبیه سازی کاربری زمین شهری ایفا کرده و انعطاف پذیری سیستم های شهری را در مواجهه با چالش های محیطی و اجتماعی افزایش داده اند. پژوهش ها بر اهمیت ابعاد اجتماعی فرهنگی، حکمرانی شفاف و عدالت الگوریتمی تأکید دارند و توسعه چارچوب های اخلاقی و همکاری های میان رشته ای را ضروری می دانند. همچنین، محدودیت های فناورانه مانند نیاز به منابع پردازشی بالا و چالش های داده ای، ضرورت استفاده از رایانش ابری و یادگیری فدرال را برجسته می کند. تحلیل معادلات ساختاری نشان داد تمامی مسیرهای اثرگذاری هوش مصنوعی بر توسعه کاربری های ترکیبی اراضی شهر تهران در سطح اطمینان معنادار هستند؛ مهم ترین مؤلفه ها شامل مدل سازی و شبیه سازی چیدمان فضایی، مدل سازی مشارکت و مذاکره ذی نفعان و هم افزایی الگوریتم های هوشمند هستند. دیگر مسیرهای معنادار شامل پیش بینی و طبقه بندی کاربری زمین، کاربرد هوش مصنوعی، ترکیب داده ها و یادگیری ترکیبی، تحلیل کلان داده و روندهای شهری و تحلیل و بهینه سازی تخصیص کاربری نیز در مدل تأیید شده اند. در مجموع، هوش مصنوعی با فراهم آوردن بستری کارآمد برای مدل سازی، پیش بینی، مشارکت پذیری و بهینه سازی، به ارتقای کیفیت تصمیم گیری و تحقق توسعه پایدار کاربری های ترکیبی در تهران کمک شایانی می کند، هرچند نیاز به توسعه زیرساخت های فنی، تضمین عدالت الگوریتمی و همکاری های میان رشته ای در پژوهش های آینده حیاتی است.Meta-Analysis of Artificial Intelligence Applications in the Development of Mixed Land Uses in Tehran
Introduction In recent decades, the diversification of urban land use has emerged as a key pillar of urban sustainability, as traditional planning models based on segregated land uses have proven inadequate in addressing the complex spatial and social needs of contemporary cities. This inadequacy manifests as spatial fragmentation, weakened social interactions, and increased dependence on motorized transportation. In contrast, development based on mixed land use—emphasizing the coexistence of diverse functions within a shared context—enables improved accessibility and spatial efficiency, reduces energy consumption, strengthens social ties, and enhances infrastructure productivity. However, realizing this approach requires precise and multilayered analyses of the city’s physical, social, and economic structures, which are unattainable without leveraging advanced technologies such as artificial intelligence (AI). AI, through machine learning algorithms, can simultaneously process spatial and social data to identify hidden patterns and complex correlations. This capability enables data-driven urban planning to design targeted and adaptable frameworks for mixed land use, steering urban policies toward resilience and sustainability. Moreover, mixed land use is not merely a physical solution but a multidimensional tool to enhance social, economic, and cultural resilience in urban spaces, reducing vulnerabilities by boosting regional economies and social interactions. Nonetheless, this vision requires accurate spatial data, advanced analytical tools, and institutionalized participatory mechanisms based on data—elements that are often constrained by technical and institutional limitations in many developing cities. Although smart technologies hold high potential for analyzing spatial complexities, their practical application at large scales remains limited and insufficiently responsive to contextual needs. Therefore, bridging the gap between theoretical capacity and practical application demands structural reforms in legal and administrative systems to establish coordinated, participatory, and future-oriented decision-making and to design sustainable, flexible, and resilient land-use patterns. Finally, given Tehran’s demographic and physical challenges, as well as current planning limitations, this research investigates the application of AI in developing mixed land use, with a focus on creating data-driven, multidimensional, and adaptive patterns that address contemporary spatial complexities. Materials and Methods This study employs a meta-analytic and systematic review approach to explore the applications of AI in analyzing urban land-use mixtures. It employs path analysis to examine the impact of independent variables on mixed land-use development. In the systematic review phase, using PRISMA software and a three-step process, an extensive search was conducted across reputable databases, including Scopus, SpringerLink, Google Scholar, and Semantic Scholar, resulting in the identification of 2,107 articles. After excluding irrelevant studies and applying stricter inclusion/exclusion criteria, the corpus was reduced to 187 and finally to 65 high-quality articles. Data analysis and visual mapping were conducted using VOSviewer software. In the second phase, seven AI application components were identified as independent variables, and five components of mixed land-use development were designated as dependent variables. Their impacts were examined by a purposive sample of 96 experts and specialists. The questionnaire employed a five-point Likert scale, and data were analyzed using structural equation modeling (SEM) with the partial least squares approach (PLS3). Measurement and structural model analyses were performed via SMARTPLS software, confirming the reliability, validity, and significance of the models. Findings Descriptive findings reveal that studies on AI applications in mixed urban land use primarily cluster into three domains: land-use and spatial analysis (29 articles), development strategies and management of mixed use (30 articles), and land-use decision-making (7 articles). Geographically, China leads with 40 articles, followed by the United States (12), Europe (9), and Iran (3), reflecting both the global academic focus and existing gaps in AI application for land-use planning. The temporal trend indicates a sharp increase in publications since 2020, peaking in 2024, underscoring the growing scientific interest in smart technologies for addressing urban planning complexities. Keyword co-occurrence analysis underscores the significance of integrated AI approaches in connecting concepts such as anticipatory planning, demographic shifts, and environmental transformations, thereby playing a crucial role in fostering dynamic and adaptable urban systems. AI techniques, including deep learning, genetic algorithms, ensemble learning, and big data analytics, are widely applied in land-use classification and prediction, spatial layout simulation, and land-use allocation optimization. In SEM analysis, seven AI application components and five mixed land-use development components were identified, with measurement models exhibiting factor loadings above 0.4 and acceptable reliability and validity. Structural model fit indices (GoF = 0.739, R² = 0.716, Q² = 0.506) indicate strong explanatory power and predictive accuracy. All paths between independent and dependent variables were significant at the 95% confidence level. The most influential factors were spatial layout modeling and simulation, stakeholder participation and negotiation modeling, and synergy among intelligent algorithms. Other significant paths included land-use prediction and classification, overall AI application, data fusion and ensemble learning, big data and urban trends analysis, and land-use allocation optimization—collectively demonstrating AI’s critical role in enhancing mixed urban land use. Conclusion Artificial intelligence, through advanced analysis and integration of geographic, social, and environmental data, has created significant capacities for understanding and managing the complexities of mixed urban land uses. Systematic review findings indicate that AI applications are concentrated in spatial and land-use analysis, development strategies, and urban planning decision-making, with notable growth since 2020. Keyword co-occurrence reveals AI as a transformative agent linking environmental, demographic, and anticipatory planning concepts, enabling the transition from traditional to dynamic and forward-looking models. Advanced AI techniques, leveraging multi-source data such as satellite imagery, transportation data, and social networks, have played essential roles in land-use classification, optimization, and simulation, enhancing urban system resilience to environmental and social challenges. Research highlights the importance of socio-cultural dimensions, transparent governance, and algorithmic fairness, advocating for ethical frameworks and interdisciplinary collaboration. Technological constraints, including high computational demands and data challenges, underscore the need for cloud computing and federated learning solutions. Structural equation modeling confirms significant effects of AI components on mixed land-use development in Tehran, notably spatial layout modeling, participatory decision-making facilitation, and intelligent algorithm integration. Overall, AI offers an efficient platform for modeling, prediction, participation, and optimization, substantially improving decision quality and sustainable mixed land-use development in Tehran, while future research must focus on advancing technical infrastructure, ensuring algorithmic justice, and fostering interdisciplinary collaboration.
تبلیغات
