Deep Learning–Based Semantic GIS for Heritage-Sensitive Green Space Planning

Technische Samenvatting: Deep Learning-gebaseerde Semantische GIS voor Erfgoedgevoelige Groenruimteplanning

Probleemstelling
Historische stedelijke omgevingen staan voor een kritisch planningsdilemma: de noodzaak om milieuproblemen aan te pakken, zoals klimaatverandering, stedelijke verdichting en thermische stress, terwijl tegelijkertijd strikte regelgeving voor de instandhouding van cultureel erfgoed moet worden nageleefd. Conventionele planningsbenaderingen behandelen erfgoedbehoud en milieusanering vaak als afzonderlijke domeinen, wat leidt tot ruimtelijke conflicten en inefficiënte beslissingen over landgebruik. In gebieden met veel erfgoed, met name in aride regio's zoals de Mamlukse Woestijnbegraafplaats in Caïro, verergert het gebrek aan groenruimte het thermische ongemak, terwijl de ruimtelijke gevoeligheid van historische monumenten de implementatie van conventionele groene infrastructuur beperkt. Bestaand onderzoek richt zich doorgaans op erfgoeddocumentatie of milieubeoordeling in isolatie, en mist een geïntegreerd kader dat kunstmatige intelligentie gebruikt om deze concurrerende ruimtelijke prioriteiten in balans te brengen.

Methodologie
De studie stelt een geïntegreerd kader voor dat deep learning-gebaseerde beeldanalyse combineert met semantische Geografische Informatiesystemen (GIS) om erfgoedgevoelige groenruimteplanning te ondersteunen. De methodologie volgt een workflow van vier fasen:

1. Data-acquisitie en Voorbereiding: Hoog-resolutie satellietbeelden (Sentinel-2/Google Earth), historische kaarten, erfgoedinventarissen en milieugegevens (vegetatie-indices, thermische proxies) werden verzameld en georeferentieerd naar een uniform coördinatensysteem.
2. Deep Learning Feature Extractie: Een op Convolutionele Neurale Netwerken (CNN) gebaseerd semantisch segmentatiemodel (bijv. U-Net of DeepLabV3+) werd getraind om het stedelijk weefsel automatisch te classificeren in vier categorieën: erfgoedstructuren, bebouwde gebieden, open/braakliggend terrein en vegetatie. Het model werd gevalideerd met metrieken zoals Precisie, Recall en Intersection over Union (IoU).
3. Semantische GIS-modellering: Geëxtraheerde kenmerken werden geïntegreerd in een semantische GIS-omgeving met behulp van een ontologie-gebaseerde aanpak. Deze structuur definieerde hiërarchische klassen en semantische relaties (bijv. nabijheid, bufferzones) tussen erfgoedactiva, groenruimten en toegankelijkheidsnetwerken. Cruciaal was dat er bufferzones rond beschermde monumenten werden gegenereerd om als ruimtelijke restricties te fungen, waardoor interventies in gebieden met een hoge gevoeligheid worden voorkomen.
4. Ruimtelijke Geschiktheidsanalyse: Binnen de GIS-omgeving werd een multi-criteria besluitvormingsanalyse uitgevoerd. Vier gewogen indicatoren werden gebruikt om een geschiktheidskaart voor groene interventies te genereren:
   • Erfgoedgevoeligheid (gewicht 35%): Afstand tot monumenten.
   • Beschikbaarheid van Land (gewicht 25%): Aanwezigheid van braakliggend of onderbenut land.
   • Milieunoodzaak (gewicht 25%): Gebieden met lage vegetatie en hoge thermische blootstelling.
   • Toegankelijkheid (gewicht 15%): Nabijheid van voetgangersroutes.

Casestudy Toepassing
Het kader werd toegepast op de omgeving van de Moskee en Khanqah van al-Nasir Faraj ibn Barquq in de Mamlukse Woestijnbegraafplaats, Caïro. Deze locatie kenmerkt zich door een dichte begrafenisarchitectuur ingebed in een evoluerend stedelijk weefsel met beperkte vegetatie en hoge zonneblootstelling.

Belangrijkste Resultaten

• Classificatieprestaties: Het deep learning-model bereikte een algehele classificatienauwkeurigheid met een Intersection over Union (IoU) van ongeveer 0,80. Specifieke klasseprestaties omvatten hoge scores voor bebouwde gebieden (IoU 0,84) en vegetatie (IoU 0,82), waarbij erfgoedstructuren een IoU van 0,78 bereikten.
• Ruimtelijke Analyse: De analyse toonde aan dat de vegetatie schaars en gefragmenteerd is, terwijl aanzienlijke delen van het studiegebied bestaan uit braakliggend of onderbenut land.
• Geschiktheidsmapping: De multi-criteria analyse categoriseerde het studiegebied (84.000 m²) in drie geschiktheidsklassen:
  • Hoge Geschiktheid (22%): Voornamelijk braakliggende percelen buiten de beschermingsbuffers van het erfgoed, geïdentificeerd als optimaal voor groene interventies.
  • Matige Geschiktheid (39%): Transitiezones die kleinschalige of omkeerbare interventies toestaan.
  • Lage Geschiktheid (39%): Gebieden binnen of direct grenzend aan de erfgoedbuffers waar interventies vermeden of strikt gecontroleerd moeten worden.
• Voorgestelde Interventies: Op basis van de geschiktheidskaart stelde de studie context-responsieve strategieën voor, waaronder schaduwrijke voetgangerscorridors, pocket gardens in braakliggende percelen, lineaire beplantingsstroken en bufferlandschappen, allen ontworpen om de visuele en ruimtelijke integriteit van de erfgoedlocatie te respecteren.

Betekenis en Bijdragen
Het artikel stelt dat de primaire bijdrage van dit werk de ontwikkeling is van een verenigde methodologische benadering die de kloof overbrugt tussen AI-gestuurde ruimtelijke feature extractie en semantische GIS-modellering. Door deze technologieën te integreren, maakt het kader de volgende zaken mogelijk:

• Geautomatiseerde en Consistente Mapping: Het verminderen van de tijd en inspanning die vereist is voor handmatige mapping van complex historisch stedelijk weefsel, terwijl de consistentie van de classificatie wordt verbeterd.
• Semantisch Redeneren: Het verder gaan dan eenvoudige geografische mapping naar intelligente ruimtelijke redenering die de relaties tussen erfgoedactiva en milieunoden begrijpt.
• Evidence-Based Besluitvorming: Het bieden van een schaalbaar en reproduceerbaar instrument voor planners om ruimtelijke kansen voor groene infrastructuur te identificeren die zowel milieureactief als cultureel sensitief zijn.

De studie concludeert dat deze geïntegreerde aanpak een praktisch pad biedt voor historische steden om cultuurbehoud en milieustabiliteit in balans te brengen, waarbij zij afstappen van het behandelen van conservering en milieubeheer als afzonderlijke, conflicterende domeinen. De auteurs merken op dat er beperkingen zijn met betrekking tot de afhankelijkheid van de resolutie van de invoerbeelden en de subjectiviteit van de wegingscriteria, en suggereren dat toekomstig werk hogere-resolutie data, 3D ruimtelijke informatie en participatieve planningsmethoden zou kunnen bevatten.