کاربرد هوش مصنوعی در طراحی و تحلیل منظر شهری

مقدمه

منظر شهری یا Urban Landscape، تنها به معنای فضای سبز و پارک ها نیست؛ بلکه ترکیبی از عناصر طبیعی، ساخته شده و ادراک انسانی از فضاست که کیفیت زندگی روزمره شهروندان را شکل می دهد. طراحی و تحلیل این منظر، به طور سنتی وابسته به بازدید میدانی، تجربه طراح و تحلیل های آماری محدود بوده است؛ روشی که در مواجهه با پیچیدگی و مقیاس رو به رشد شهرهای امروزی، به سرعت با محدودیت روبه رو می شود.

در سال های اخیر، هوش مصنوعی ابزاری تازه در اختیار طراحان منظر و برنامه ریزان شهری قرار داده که هم در فاز «تحلیل» و هم در فاز «طراحی» نقش آفرینی می کند. از پردازش میلیون ها تصویر خیابانی برای سنجش میزان سبزینگی یک محله گرفته تا تولید خودکار چیدمان های منظر بر اساس ترجیحات زیبایی شناختی، این فناوری در حال بازتعریف نحوه شکل گیری فضاهای شهری است. در ادامه این مقاله، به صورت گام به گام کاربردهای مختلف هوش مصنوعی در این حوزه را بررسی می کنیم.

چرا تحلیل منظر شهری کار پیچیده ای است؟

ارزیابی منظر شهری، فرایندی چندلایه است که هم زمان باید ابعاد بصری، اکولوژیک، اجتماعی و عملکردی یک فضا را در نظر بگیرد. طراحی منظر، در واقع پلی است میان اکوسیستم های طبیعی و محیط ساخته شده انسان و در کنار زیبایی شناسی، بر سلامت اکولوژیک و عملکرد فضاهای شهری نیز تاثیرگذار است. با رشد شهرها و افزایش فشار بر منابع طبیعی، ضرورت رویکردهای پایدار در طراحی منظر بیش از گذشته احساس می شود، در حالی که روش های سنتی اغلب در همراهی با پیچیدگی چالش هایی مانند تغییر اقلیم، کاهش تنوع زیستی و کمبود منابع، ناتوان می مانند (Novedge, 2024).

از سوی دیگر، سنجش کیفیت یک فضای شهری صرفا به داده های کمی محدود نمی شود؛ بخش مهمی از ارزش یک منظر، در ادراک و احساس انسانی نسبت به آن نهفته است. رشد شتابان شهرها، ارزیابی ویژگی های اجتماعی-فضایی محیط پیرامون را به کاری روزافزون دشوار تبدیل کرده است، به گونه ای که بسیاری از مطالعات شهری امروز به دنبال روش های جدیدتر و مقیاس پذیرتر برای این ارزیابی هستند. این دقیقا همان نقطه ای است که ابزارهای مبتنی بر یادگیری ماشین و بینایی کامپیوتر وارد میدان می شوند و امکان تحلیل حجم عظیمی از داده های بصری و مکانی را در مقیاسی فراهم می کنند که پیش از این ممکن نبود.

هوش مصنوعی در تحلیل منظر شهری: از تصاویر خیابانی تا داده های مکانی

یکی از پرکاربردترین روش های تحلیل منظر شهری با کمک هوش مصنوعی، استفاده از تصاویر سطح خیابان (Street View Imagery) است. با بهره گیری از مدل های یادگیری عمیق برای تفکیک معنایی تصویر (Semantic Segmentation)، امکان استخراج شاخص هایی مانند «شاخص دید سبز» یا Green View Index از تصاویر خیابانی فراهم شده که سنجش میزان سبزینگی قابل مشاهده در سطح خیابان را دقیق تر و مقیاس پذیرتر از روش های سنتی می کند (Biljecki & Ito, 2021). این رویکرد به پژوهشگران و طراحان اجازه می دهد بدون نیاز به بازدید میدانی گسترده، وضعیت سبزینگی هزاران قطعه خیابان را در سراسر یک شهر ارزیابی کنند.

علاوه بر تصاویر خیابانی، ترکیب هوش مصنوعی با سامانه های اطلاعات جغرافیایی (GIS) امکان تحلیل های پیچیده تری مانند مدل سازی پیش بینانه رشد شهری، بهینه سازی توزیع فضای سبز و شناسایی مناطق در معرض ریسک های محیطی را فراهم کرده است (Novedge, 2024). این نوع تحلیل مکانی به ویژه در تصمیم گیری های کلان شهری، مانند تعیین اولویت توسعه پارک های جدید یا شناسایی محله های کم برخوردار از فضای سبز، نقشی کلیدی ایفا می کند و مبنایی داده محور برای سیاست گذاری شهری فراهم می آورد.

کاربرد هوش مصنوعی در طراحی خودکار منظر شهری

فراتر از تحلیل، هوش مصنوعی به طور فزاینده ای در فاز تولید و طراحی منظر شهری نیز نقش آفرینی می کند. مدل های مبتنی بر یادگیری عمیق اکنون قادرند بر اساس داده های ورودی، چیدمان های اولیه ای برای فضاهای شهری تولید کنند که هم زمان معیارهای زیبایی شناختی و کارکردی را در نظر می گیرند. برای نمونه، پژوهشی که یک مدل چیدمان منظر شهری مبتنی بر یادگیری عمیق را معرفی کرده، نشان می دهد که این گونه مدل ها می توانند هم زمان دو بعد «گرایش احساسی» و «ارزیابی کیفیت منظر» را در فرایند تولید طرح لحاظ کنند (Tang & Chung, 2024).

این رویکرد، به ویژه در مراحل اولیه طراحی که نیاز به بررسی سریع گزینه های متعدد وجود دارد، ارزش زیادی ایجاد می کند؛ طراح می تواند در زمانی کوتاه، ده ها نسخه از یک چیدمان را بر اساس پارامترهای متفاوت مشاهده و مقایسه کند، کاری که با روش های دستی زمان و منابع بسیار بیشتری می طلبد. با این حال، این مدل ها معمولا نقش «دستیار خلاق» را ایفا می کنند، نه جایگزین کامل طراح؛ خروجی آن ها معمولا به عنوان نقطه شروع یا الهام برای تصمیم گیری نهایی طراح مورد استفاده قرار می گیرد.

ارزیابی زیبایی شناسی و ادراک احساسی شهروندان از فضای شهری

یکی از جنبه های جذاب و نسبتا جدید کاربرد هوش مصنوعی در این حوزه، توانایی آن در تحلیل ادراک احساسی انسان از منظر شهری است. مدل های امروزی می توانند با تحلیل داده های بصری و حتی بازخوردهای متنی کاربران، الگوهایی از واکنش های احساسی افراد نسبت به فضاهای مختلف شهری استخراج کنند. پژوهش هایی که مدل های چیدمان منظر شهری را بر پایه گرایش های احساسی طراحی کرده اند، دقیقا با هدف نزدیک کردن طراحی الگوریتمی به تجربه واقعی و احساسی شهروندان شکل گرفته اند (Tang & Chung, 2024).

این نوع تحلیل احساسی، در کنار روش های سنتی نظرسنجی و مشاهده میدانی، دیدگاهی مقیاس پذیرتر و کمی تر از تجربه انسانی فضا ارائه می دهد. برای مثال، می توان با تحلیل حجم بالایی از تصاویر و بازخوردهای کاربران در شبکه های اجتماعی یا پلتفرم های نقشه، الگوهای استفاده و احساس رضایت از یک فضای سبز شهری خاص را شناسایی کرد؛ داده ای که در فرایندهای بازطراحی یا بهبود کیفیت فضاهای موجود، ارزش تصمیم گیری بالایی دارد.

پایداری زیست محیطی و بهینه سازی منابع با کمک هوش مصنوعی

بعد دیگری که کاربرد هوش مصنوعی در منظر شهری اهمیت پیدا می کند، حوزه پایداری زیست محیطی است. با تحلیل داده های آب وهوایی، خاک، و پوشش گیاهی، مدل های هوش مصنوعی می توانند به طراحان کمک کنند گونه های گیاهی مناسب تر با شرایط اقلیمی محلی را انتخاب کنند، مصرف آب را بهینه کنند و طرح هایی مقاوم تر در برابر تغییرات آب وهوایی ارائه دهند. این رویکرد به ویژه در مناطقی با محدودیت منابع آبی یا در معرض گرمای شدید شهری، می تواند تفاوت معناداری در پایداری بلندمدت فضای سبز ایجاد کند (Novedge, 2024).

از سوی دیگر، بهینه سازی توزیع فضای سبز با کمک تحلیل های مکانی مبتنی بر هوش مصنوعی، امکان توزیع عادلانه تر منابع طبیعی در سطح شهر را فراهم می کند. به جای تصمیم گیری های موردی و مبتنی بر تجربه فردی، تحلیل داده محور می تواند نشان دهد کدام محله ها بیشترین نیاز به توسعه فضای سبز را دارند و کدام مناطق در برابر گرمای شهری یا سیلاب آسیب پذیرترند، و بر این اساس اولویت های سرمایه گذاری شهری را هدایت کند.

چالش ها و محدودیت های به کارگیری هوش مصنوعی در این حوزه

با وجود پتانسیل بالای این فناوری، به کارگیری آن با محدودیت های جدی همراه است. یکی از مهم ترین چالش ها، وابستگی مدل های هوش مصنوعی به کیفیت و تنوع داده های آموزشی است؛ اگر داده های ورودی تنها بازتاب دهنده بخش محدودی از شهرها یا فرهنگ های خاص باشند، خروجی مدل نیز دچار سوگیری خواهد شد و ممکن است نیازهای واقعی جوامع متنوع را نادیده بگیرد. همچنین شفافیت الگوریتمی همچنان یک دغدغه جدی است؛ بسیاری از مدل های پیشرفته به صورت «جعبه سیاه» عمل می کنند و درک اینکه چرا یک مدل چیدمان یا تحلیل خاصی را پیشنهاد داده، برای طراحان و تصمیم گیران دشوار است.

چالش دیگر، فقدان استانداردهای یکپارچه برای به کارگیری این ابزارها در فرایند حرفه ای طراحی منظر است؛ مطالعات نشان می دهند که سوگیری داده ای، مبهم بودن الگوریتم ها و نبود گردش کار استاندارد، پیاده سازی موثر هوش مصنوعی در این حوزه را پیچیده می کند. در نهایت، باید تاکید کرد که قضاوت حرفه ای، درک زمینه ای و تعامل انسانی همچنان مولفه های ضروری در مواجهه با چالش های پیچیده طراحی شهری اند و هوش مصنوعی، حتی در پیشرفته ترین شکل خود، جایگزین کامل این مولفه های انسانی نیست، بلکه ابزاری برای تقویت آن هاست.

جمع بندی

کاربرد هوش مصنوعی در طراحی و تحلیل منظر شهری از تحلیل تصاویر خیابانی و داده های مکانی گرفته تا تولید خودکار چیدمان های طراحی و سنجش ادراک احساسی شهروندان، طیف گسترده ای را در بر می گیرد. این فناوری امکان تحلیل مقیاس پذیرتر، دقیق تر و داده محورتر منظر شهری را فراهم کرده و می تواند به تصمیم گیری های پایدارتر در حوزه فضای سبز شهری کمک کند. با این حال، موفقیت واقعی این مسیر در گرو ترکیب هوشمندانه توانایی های الگوریتمی با قضاوت حرفه ای طراحان و درک عمیق از بافت اجتماعی و فرهنگی هر شهر است.

منابع

Biljecki, F., & Ito, K. (2021). Street view imagery in urban analytics and GIS: A review. Landscape and Urban Planning, 215, 104217. https://doi.org/10.1016/j.landurbplan.2021.104217

Novedge. (2024, November 7). Harnessing artificial intelligence for sustainable urban landscape design. https://novedge.com/blogs/design-news/harnessing-artificial-intelligence-for-sustainable-urban-landscape-design

Tang, X., & Chung, W. (2024). Automated urban landscape design: An AI-driven model for emotion-based layout generation and appraisal. PeerJ Computer Science. https://doi.org/10.7717/peerj-cs.2426