Urban Spatial Growth Modeling and Prediction using an Inte-grated Model of Artificial Neural Network and Cellular Au-tomata
تقترح هذه الورقة نموذجاً متكاملاً يجمع بين الشبكة العصبية الاصطناعية والأوتوماتا الخلوية، يدمج العوامل الجغرافية والتضاريسية والاجتماعية والاقتصادية للتنبؤ بدقة بالنمو الحضري وتغيرات استخدام الأراضي في منطقة توتوكوريدي بالهند، من أجل التخطيط المستدام بحلول عام 2030.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
المدن كائنات حية تتنفس، وتتوسع، وتتحول، مدفوعة بالحركة المستمرة للناس والحاجة إلى المساكن والوظائف والطرق. عندما تنمو المدينة، فهي لا تكتفي بأن تصبح أكبر فحسب؛ بل تغير الأرض التي تحتها، محولةً الحقول إلى أحياء والغابات إلى مواقف للسيارات. ولإدارة هذا النمو دون تدمير البيئة، يحتاج المخططون إلى رؤية المستقبل؛ إذ يتعين عليهم معرفة أين ستتوسع المدينة تالياً حتى يتمكنوا من حماية مصادر المياه، والحفاظ على المساحات الخضراء، وبناء البنية التحتية في الأماكن الصحيحة. لعقود من الزمن، حاول العلماء بناء نماذج حاسوبية تعمل مثل "الكرات البلورية"، باستخدام الخرائط والبيانات لتخمين كيفية تطور المدينة. وعادة ما تنظر هذه النماذج إلى شيء واحد في كل مرة، مثل مدى قرب قطعة أرض من طريق ما، أو مدى انحدار التلال. ومع ذلك، فإن المدن الحقيقية فوضوية ومعقدة؛ فقد تكون قطعة أرض مسطحة وقريبة من طريق، ولكن إذا كانت التربة فقيرة أو المنطقة مزدحمة بالفعل، فقد لا تتحول إلى جزء من المدينة. غالباً ما تغفل الأدوات الحالية هذه الروابط الدقيقة، حيث تعامل المدينة كمجرد مجموع لأجزاء بسيطة بدلاً من كونها شبكة معقدة من العلاقات.
وفي دراسة حديثة ركزت على منطقة "ثوتوكودي" في جنوب الهند، بنى الباحثون نوعاً جديداً من النماذج الرقمية لحل هذه المشكلة. أرادوا إنشاء نظام يمكنه فهم كيف تعمل الجغرافيا، وشكل الأرض، والاقتصاد البشري معاً لدفع التوسع الحضري. وبدلاً من النظر إلى هذه العوامل بشكل منفصل، قاموا بدمج تقنيتين حاسوبيتين قويتين. التقنية الأولى، المعروفة باسم نموذج "الخوارزميات الخلوية" (cellular automata)، تقوم بتجزئة الخريطة إلى شبكة من المربعات الصغيرة، أو الخلايا، وتطبيق قواعد بسيطة لرؤية كيفية تغيرها بمرور الوقت. أما التقنية الثانية، وهي "الشبكة العصبية الاصطناعية"، فتعمل كآلة تعلم تدرس الأنماط الماضية لفهم القواعد المعقدة التي تحكم تلك التغييرات. ومن خلال نسج هذين الأسلوبين معاً، ابتكر الباحثون نموذجاً هجيناً يمكنه التعلم من التاريخ ثم محاكاة المستقبل بتفاصيل أدق مما سبق.
بدأ الفريق بجمع صور أقمار صناعية لمنطقة "ثوتوكودي" من الأعوام 2016 إلى 2025. قاموا بتنقية هذه الصور لإزالة السحب والضباب الجوي، ثم استخدموا الحاسوب لتصنيف كل بكسل على الخريطة إلى واحدة من أربع فئات: أراضٍ حضرية، غطاء نباتي، مياه، أو تربة جرداء. بعد ذلك، بسطوا هذا التصنيف إلى عرض ثنائي، حيث جمعوا كل ما هو ليس مدينة في فئة "غير حضرية". ولتعليم نموذجهم كيفية نمو المدن، غذّوه بمجموعة واسعة من المعلومات؛ حيث بحثوا في مدى قرب كل بقعة أرض من مركز المدينة، ومن الطرق، والسكك الحديدية، ومصادر المياه. كما فحصوا الشكل الفيزيائي للأرض، بما في ذلك اتجاهات المنحدرات، ونوع التربة، ومخاطر الفيضانات. وأخيراً، أضافوا عوامل بشرية، مثل عدد السكان الذين يعيشون في مكان قريب، ومدى قرب الأرض من المراكز الاقتصادية، وقيمة الأرض نفسها.
جوهر نظامهم الجديد هو عملية التعلم؛ حيث درست الشبكة العصبية الاصطناعية البيانات التاريخية لتحديد أي توليفات من هذه العوامل أدت فعلياً إلى إنشاء مبانٍ جديدة. لقد تعلمت أن قطعة أرض قريبة من طريق ليست مقدراً لها تلقائياً أن تصبح جزءاً من المدينة، بل يعتمد ذلك أيضاً على جودة التربة، وكثافة السكان المحليين، وقواعد تقسيم المناطق. وبمجرد أن تعلم الحاسوب هذه الأنماط، نقل تلك المعرفة إلى نموذج الخوارزميات الخلوية. هذا الجزء الثاني من النظام قام بعد ذلك بتشغيل آلاف عمليات المحاكاة، مطبقاً القواعد المتعلمة على شبكة الخلايا ليرى كيف ستنتشر المدينة بمرور الوقت. لم يكن النموذج مجرد تخمين؛ بل قام بحساب احتمالية لكل خلية على الخريطة، ليقرر ما إذا كانت ستبقى حقلاً أم ستتحول إلى مبنى بناءً على المزيج المعقد من العوامل التي حددتها الشبكة العصبية.
وعندما اختبر الباحثون نموذجهم الجديد مقابل التغييرات الفعلية التي حدثت في "ثوتوكودي" بين عامي 2016 و2025، وجدوا أنه يتفوق بشكل كبير على الطرق التقليدية. فالطريقة القديمة في النمذجة، والتي غالباً ما اعتمدت على درجات وزن بسيطة، نجحت في التنبؤ بالتغييرات الصحيحة في حوالي 82 بالمائة من الحالات. أما النموذج الهجين الجديد، فقد حقق نسبة مطابقة صحيحة (PCM) بلغت 91.4%، مما يشير إلى مستوى عالٍ من التوافق بين التحولات المتوق actually والواقعية. كما كان أفضل في التقاط شكل نمو المدينة؛ فالمدينة الحقيقية تميل إلى النمو في تجمعات، حيث تظهر المباني الجديدة بالقرب من المباني الموجودة بالفعل، بدلاً من الانتشار العشوائي. وقد نجح النموذج الجديد في إعادة إنتاج هذا النمط المتكتل، مظهراً درجة عالية من التوافق المكاني مع الواقع، في حين كانت النماذج الأقدم تميل إلى إنتاج أنماط أكثر تشتتاً وغير واقعية.
كما نظرت الدراسة في ما حدث بالفعل للأرض؛ فبين الفترتين الزمنيتين، نمت مساحة الأراضي الحضرية في المنطقة من 18.4 بالمائة إلى 27.9 بالمائة من المساحة الإجمالية. وجاء هذا التوسع بشكل أساسي على حساب الغطاء النباتي، الذي انخفض بنسبة تقارب 8 بالمائة، والمياه السطحية، التي تقلصت بأكثر من 2 بالمائة. وقد أكد النموذج أن المدينة كانت تلتهم المناظر الطبيعية، محولةً الحقول والغابات إلى خرسانة وأسفلت. ومن خلال فهم المكان الذي يُرجح فيه حدوث هذا التحول بدقة، يمكن للباحثين الآن توقع شكل المنطقة في عام 2030. وتشير محاكاتهم إلى أنه بدون تدخل، سيستمر الزحف العمراني في التوسع نحو الخارج، مما يقلل بشكل أكبر من المساحات الخضراء والمائية الحيوية للنظام البيئي المحلي.
يقدم هذا العمل طريقة أكثر موثوقية للمخططين الحضريين لرؤية المستقبل. فمن خلال الجمع بين قدرة "آلة التعلم" على إيجاد الأنماط الخفية والمنطق المهيكل للنمذجة القائمة على الشبكة، ابتكر الباحثون أداة ترى المدينة ككيان كامل. إنها تدرك أن نمو المدينة ليس مجرد مسافة عن طريق أو ميل منحدر، بل هو تفاعل معقد للعديد من القوى. يوفر النموذج صورة واضحة لما قد تؤول إليه المدينة تالياً، مما يمنح المسؤولين المعلومات التي يحتاجونها لاتخاذ قرارات توازن بين التنمية وحماية البيئة. ورغم أن النموذج هو محاكاة وليس نبوءة مضمونة، إلا أن دقته العالية تشير إلى أنه خطوة متقدمة وقوية في فهم كيفية تشكيل مدننا للعالم من حولنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.