از «نقشه شهر» تا «تجربه زیسته خیابان»: چگونه هوش مصنوعی می تواند نابرابری های پنهان شهری را آشکار کند؟

از «نقشه شهر» تا «تجربه زیسته خیابان»: چگونه هوش مصنوعی می تواند نابرابری های پنهان شهری را آشکار کند؟

چکیده

بخش مهمی از برنامه ریزی شهری بر پایه داده های کالبدی، نقشه های کاربری زمین، شاخص های جمعیتی و فاصله مکانی تا خدمات عمومی انجام می شود. این داده ها برای شناخت ساختار شهر ضروری اند، اما لزوما نشان نمی دهند که شهروندان در مقیاس خیابان و محله چه کیفیتی از محیط شهری را تجربه می کنند. دو محله ممکن است از نظر فاصله تا پارک، تراکم خدمات یا دسترسی شبکه ای وضعیت مشابهی داشته باشند، اما از نظر سایه اندازی درختان، کیفیت پیاده رو، احساس امنیت، پیوستگی مسیرهای پیاده و موانع حرکتی تفاوت های چشمگیری را تجربه کنند.

پیشرفت بینایی ماشین، یادگیری ماشین و مدل های هوش مصنوعی چندوجهی امکان تحلیل تصاویر خیابانی و استخراج شاخص های دقیق تر از محیط ساخته شده را فراهم کرده است. پژوهش های جدید، از جمله مرور نظام مند کاربرد بینایی ماشین در برنامه ریزی شهری، نشان می دهند که این فناوری می تواند از استخراج ویژگی های بصری به سمت تشخیص مسائل، تحلیل روابط فضایی و پشتیبانی از مداخله های برنامه ریزی حرکت کند.

این مقاله مفهوم «هوشمندی بصری شهری» را به عنوان رویکردی برای پیوند دادن شواهد دیداری، تحلیل فضایی و تصمیم گیری عمومی مطرح می کند. استدلال اصلی آن است که ارزش هوش مصنوعی در شهرسازی صرفا به تولید نقشه های دقیق تر محدود نیست؛ بلکه در توانایی آن برای شناسایی نابرابری هایی است که در شاخص های کلان شهری پنهان می مانند و تبدیل این شواهد به سیاست های قابل ارزیابی و عادلانه قرار دارد.

واژگان کلیدی: هوش مصنوعی، بینایی ماشین، عدالت فضایی، کیفیت محیط شهری، تصاویر خیابانی، برنامه ریزی محله محور.

۱. مقدمه: آیا نقشه های شهری تمام واقعیت را نشان می دهند؟

نقشه های شهری ابزارهای اصلی شناخت و مدیریت فضا هستند؛ بااین حال، هر نقشه بر اساس متغیرهایی مشخص ساخته می شود و بخشی از واقعیت را برجسته می کند، درحالی که ممکن است بخش های دیگری را نادیده بگیرد.

برای مثال، وجود یک پارک در شعاع ۵۰۰ متری محل سکونت، به تنهایی به معنای دسترسی مناسب به فضای سبز نیست. ممکن است مسیر رسیدن به پارک فاقد پیاده روی پیوسته باشد، عبور از خیابان های پرترافیک را ضروری کند یا برای سالمندان و افراد دارای محدودیت حرکتی مناسب نباشد. به همین ترتیب، وجود ایستگاه حمل ونقل عمومی در نزدیکی یک محله لزوما به معنای برخورداری از محیطی ایمن، قابل دسترس و مناسب برای پیاده روی نیست.

این مسئله نشان می دهد که دسترسی مکانی با دسترسی تجربه شده یکسان نیست.

در رویکردهای متعارف، بسیاری از شاخص های شهری بر اساس فاصله، ظرفیت، تعداد خدمات یا میانگین های منطقه ای محاسبه می شوند. این شاخص ها برای مقایسه کلان ضروری اند، اما گاهی تفاوت های ظریف میان خیابان ها، بلوک ها و گروه های اجتماعی را آشکار نمی کنند.

هوش مصنوعی می تواند این شکاف اطلاعاتی را تا اندازه ای کاهش دهد؛ به شرط آنکه تصاویر و داده های بصری به عنوان شواهد مکمل تحلیل شوند، نه بازنمایی کامل تجربه انسانی.

۲. هوشمندی بصری شهری چیست؟

در این مقاله، «هوشمندی بصری شهری» یا Urban Visual Intelligence به توانایی نظام مند برای تبدیل داده های تصویری محیط شهری به اطلاعات قابل استفاده در برنامه ریزی، مدیریت و ارزیابی سیاست های عمومی اشاره دارد.

بینایی ماشین می تواند ویژگی هایی مانند پوشش گیاهی قابل مشاهده، وضعیت ظاهری پیاده روها، موانع حرکتی، حضور خودروها، شکل جداره های شهری و برخی ویژگی های محیط ساخته شده را از تصاویر استخراج کند. ترکیب این اطلاعات با داده های GIS، شبکه معابر، جمعیت، کاربری زمین و اطلاعات اجتماعی، امکان تحلیل دقیق تری از شرایط محله ها را فراهم می سازد.

مرور نظام مند Marasinghe و همکاران (2026) پنج حوزه مهم در کاربرد بینایی ماشین در شهرسازی را شناسایی می کند: تحلیل محیط ساخته شده، برداشت و پایش شهری، تحرک هوشمند، پیشرفت های روش شناختی و مدل سازی سه بعدی شهری. این پژوهش همچنین بر ضرورت توجه به نمایندگی داده ها، قابلیت انتقال مدل ها، تفسیرپذیری و حریم خصوصی تاکید دارد.

بر این اساس، می توان فرایند هوشمندی بصری شهری را در چهار سطح در نظر گرفت:

• مشاهده: استخراج ویژگی های قابل مشاهده از تصاویر خیابانی.
• تشخیص: شناسایی کمبودها، موانع و الگوهای فضایی مسئله ساز.
• تبیین و پیش بینی: بررسی ارتباط میان ویژگی های محیطی و پیامدهای احتمالی آن ها، با توجه به محدودیت های استنباط.
• پشتیبانی از مداخله: مقایسه گزینه های سیاستی و تعیین مکان های مناسب برای بهبود محیط شهری.

این سطوح نباید با یکدیگر اشتباه گرفته شوند. شناسایی یک پیاده روی مسدود از روی تصویر، یک مشاهده نسبتا مستقیم است؛ اما نتیجه گیری درباره اثر آن بر سلامت، امنیت یا رفتار شهروندان به داده ها و روش های تحلیلی بیشتری نیاز دارد.

۳. از تصاویر خیابانی تا شناسایی نابرابری های فضایی

یکی از مهم ترین کاربردهای این رویکرد، شناسایی تفاوت هایی است که در کیفیت تجربه روزمره شهروندان از محیط شهری وجود دارد.

۳.۱. عدالت در دسترسی به فضای سبز

دو محله ممکن است از نظر مساحت فضای سبز یا فاصله تا پارک وضعیت مشابهی داشته باشند، اما کیفیت محیط سبز در مسیرهای روزمره آن ها متفاوت باشد. تحلیل تصاویر خیابانی می تواند به سنجش پوشش گیاهی قابل مشاهده، سایه اندازی و برخی ویژگی های بصری محیط کمک کند.

پژوهشی در سال ۲۰۲۶ درباره شهر چنگدو، با استفاده از تصاویر خیابانی و یادگیری ماشین تفسیرپذیر، عدالت محیط سبز را در مقیاس انسانی و در چارچوب شهر ۱۵ دقیقه ای بررسی کرده است. این رویکرد نشان می دهد که سنجش عدالت سبز صرفا با اندازه گیری فاصله تا فضای سبز کامل نمی شود و باید کیفیت محیط در مقیاس تجربه پیاده نیز در نظر گرفته شود.

۳.۲. دسترس پذیری برای افراد دارای محدودیت حرکتی

دسترسی به خدمات عمومی زمانی معنادار است که مسیر رسیدن به آن ها نیز قابل استفاده باشد. پیاده روهای ناپیوسته، موانع فیزیکی، عبورهای نامناسب و نبود مسیرهای قابل دسترس ممکن است دسترسی عملی افراد دارای محدودیت حرکتی را کاهش دهند.

پژوهشی منتشرشده در سال ۲۰۲۶، با ترکیب بینایی ماشین، تحلیل مسیر و مدل های زبانی بزرگ، نابرابری دسترسی به پارک های شهری را میان افراد دارای محدودیت حرکتی و سایر شهروندان بررسی کرده است. این مطالعه بر اهمیت پیوستگی شبکه های بدون مانع، فراتر از نزدیکی جغرافیایی، تاکید دارد.

۳.۳. کیفیت بصری و نابرابری محله ای

کیفیت محیط شهری فقط به وجود زیرساخت وابسته نیست؛ نحوه سازمان یافتگی آن زیرساخت نیز اهمیت دارد. پوشش گیاهی، کیفیت جداره ها، وضعیت نگهداشت محیط و ویژگی های بصری خیابان می توانند در تجربه افراد از محله نقش داشته باشند.

مطالعه ای در سال ۲۰۲۵ با استفاده از بینایی ماشین و روش های یادگیری ماشین چندمدلی، نابرابری های محیط بصری محله ها در لس آنجلس را بررسی کرده است. چنین پژوهش هایی ظرفیت تحلیل تصویری را برای آشکار کردن تفاوت های محیطی میان گروه ها و محله ها نشان می دهند؛ البته شاخص های بصری به تنهایی برای اثبات تجربه ذهنی یا رابطه علی کافی نیستند.

۴. چارچوب پیشنهادی: از هوشمندی بصری تا عدالت فضایی

برای بهره گیری موثر از هوش مصنوعی در برنامه ریزی شهری، پیشنهاد می شود یک چارچوب پنج لایه تدوین شود که میان مشاهده محیط، تحلیل فضایی و تصمیم گیری عمومی ارتباط برقرار کند.

لایه اول: شواهد بصری شهری

تصاویر خیابانی، برداشت های میدانی، تصاویر هوایی و داده های بصری مجاز و متناسب با هدف مطالعه.

لایه دوم: استخراج ویژگی ها

شناسایی پوشش گیاهی، پیاده روها، موانع، عناصر کالبدی و سایر ویژگی های قابل مشاهده با استفاده از بینایی ماشین.

لایه سوم: یکپارچه سازی فضایی و اجتماعی

ترکیب ویژگی های تصویری با GIS، شبکه معابر، اطلاعات جمعیتی، دسترسی به خدمات و شاخص های آسیب پذیری اجتماعی.

لایه چهارم: تشخیص شکاف ها و اولویت بندی

شناسایی کمبودهای محیطی، مقایسه محله ها و تعیین اولویت مداخله با توجه به نیاز، آسیب پذیری و میزان اطمینان تحلیل.

لایه پنجم: مداخله و ارزیابی مجدد

تدوین سیاست های بهبود، مشارکت شهروندان، اجرای مداخله و ارزیابی تغییرات محیطی و توزیعی پس از اجرا.

الزامات مشترک: حفظ حریم خصوصی، کنترل سوگیری داده ها، اعتبارسنجی میدانی، شفافیت روش و نظارت انسانی.

نکته کلیدی این چارچوب، پیوند دادن خروجی الگوریتم با اقدام شهری است. تولید نقشه ای از کمبود پوشش گیاهی، به خودی خود به عدالت فضایی منجر نمی شود. این اطلاعات باید به برنامه ای روشن برای تخصیص بودجه، اصلاح طراحی خیابان، بهبود مسیرهای پیاده یا ارتقای دسترسی محله های محروم متصل شود.

همچنین، شاخص های بصری باید در کنار داده های میدانی و تجربه شهروندان قرار گیرند؛ زیرا یک تصویر ثابت نمی تواند به تنهایی وضعیت فصلی، کیفیت واقعی خدمات، احساس امنیت یا تجربه همه گروه های اجتماعی را نشان دهد.

۵. چالش های روش شناختی و حکمرانی

با وجود ظرفیت های این فناوری، استفاده از داده های بصری در برنامه ریزی شهری با محدودیت های جدی همراه است.

نخست، نمایندگی داده ها: همه خیابان ها با کیفیت یکسان تصویربرداری نمی شوند. برخی مناطق ممکن است تصاویر قدیمی تر، کم کیفیت تر یا کمتری داشته باشند. اگر این تفاوت ها کنترل نشوند، مدل ممکن است درباره محله های کم داده عملکرد ضعیف تری داشته باشد.

دوم، حریم خصوصی: تصاویر شهری ممکن است چهره افراد، پلاک خودروها یا اطلاعاتی درباره زندگی روزمره شهروندان را ثبت کنند. گردآوری و تحلیل چنین داده هایی باید متناسب با هدف، با حداقل سازی اطلاعات شناسایی کننده و رعایت الزامات قانونی انجام شود.

سوم، محدودیت استنباط: بینایی ماشین می تواند ویژگی های قابل مشاهده را اندازه گیری کند، اما از تصویر به تنهایی نمی توان درباره احساس امنیت، رضایت، کیفیت تجربه یا علت نابرابری ها نتیجه قطعی گرفت. برای این موضوعات، پیمایش، مصاحبه، مشاهده میدانی و تحلیل های تکمیلی ضروری اند.

چهارم، سوگیری الگوریتمی: اگر داده های آموزشی نماینده تنوع کالبدی و اجتماعی شهر نباشند، مدل ممکن است ویژگی های برخی بافت ها را بهتر از سایر مناطق تشخیص دهد. اعتبارسنجی باید در محله ها و شرایط متفاوت انجام شود.

پنجم، خطر تبدیل اندازه گیری به تصمیم خودکار: حتی اگر یک مدل به درستی یک کمبود محیطی را شناسایی کند، تصمیم درباره اولویت مداخله نیازمند توجه به عدالت، هزینه، نیاز شهروندان و مسئولیت پذیری نهادی است. الگوریتم نباید جایگزین پاسخ گویی مدیران شهری شود.

در نتیجه، هوشمندی بصری شهری زمانی ارزشمند است که نه تنها توان تحلیل را افزایش دهد، بلکه شفافیت تصمیم ها و امکان ارزیابی عمومی آن ها را نیز تقویت کند.

۶. پیامدها برای برنامه ریزی و مدیریت شهری

این رویکرد می تواند سه تغییر مهم در عملکرد نهادهای شهری ایجاد کند.

نخست، حرکت از میانگین های منطقه ای به تحلیل خردمقیاس: به جای اتکا به میانگین کیفیت محیط در سطح یک منطقه، امکان شناسایی خیابان ها و بلوک هایی فراهم می شود که با کمبودهای مشخص مواجه اند.

دوم، تغییر از برنامه ریزی مبتنی بر دارایی به برنامه ریزی مبتنی بر تجربه: وجود زیرساخت، تعداد خدمات یا مساحت فضای سبز همچنان اهمیت دارد؛ اما این شاخص ها باید با کیفیت دسترسی، پیوستگی مسیرها و قابلیت استفاده واقعی از محیط تکمیل شوند.

سوم، پیوند دادن تشخیص با پاسخ گویی: اگر شهرداری ها شکاف های فضایی را به صورت نظام مند شناسایی کنند، می توانند مشخص سازند که کدام محله ها در اولویت بهسازی قرار گرفته اند، چه مداخلاتی اجرا شده و آیا تفاوت های اولیه کاهش یافته اند یا خیر.

برای اجرای این رویکرد، لازم است شاخص های تصویری در نظام پایش شهری تعریف شوند، مسئولیت به روزرسانی داده ها مشخص باشد و نتایج تحلیل در کنار معیارهای اجتماعی و مالی به تصمیم گیران ارائه شود. مشارکت ساکنان نیز باید بخشی از فرایند اعتبارسنجی و تعیین اولویت ها باشد، نه صرفا مرحله ای پس از تکمیل تحلیل فنی.

۷. نتیجه گیری: شهر را باید از سطح خیابان نیز شناخت

تحول دیجیتال در شهرسازی زمانی معنا پیدا می کند که داده های جدید بتوانند ابعاد مغفول مانده مسائل شهری را آشکار کنند. نقشه های کاربری زمین، شاخص های دسترسی و آمارهای جمعیتی همچنان ابزارهای بنیادین برنامه ریزی هستند؛ اما برای شناخت کیفیت واقعی محیط شهری باید آن ها را با شواهدی از تجربه روزمره در خیابان ها و محله ها تکمیل کرد.

هوش مصنوعی و بینایی ماشین این فرصت را فراهم می کنند که برخی ویژگی های محیط شهری با جزئیات بیشتر، در مقیاس گسترده تر و به صورت نظام مند بررسی شوند. بااین حال، هدف نهایی نباید صرفا تولید تصاویر تحلیلی یا نقشه های هوشمندتر باشد؛ بلکه باید تبدیل این شواهد به سیاست هایی باشد که کیفیت زندگی را بهبود می دهند و نابرابری های فضایی را کاهش می دهند.

پیشنهاد اصلی این مقاله، حرکت از «برنامه ریزی مبتنی بر آنچه روی نقشه دیده می شود» به «برنامه ریزی مبتنی بر آنچه در محیط شهری تجربه می شود» است؛ رویکردی که در آن هوش مصنوعی به شناسایی شکاف ها کمک می کند، شهروندان در تفسیر و تعیین اولویت ها نقش دارند و نهادهای شهری مسئولیت تصمیم نهایی و ارزیابی نتایج را بر عهده می گیرند.

شهر عادلانه تر لزوما شهری نیست که در نقشه هایش امکانات بیشتری ثبت شده باشد؛ بلکه شهری است که مردم در زندگی روزمره خود، کیفیت بهتر و دسترسی منصفانه تری را تجربه کنند.

منابع

1. Kan, Z., Huang, J., Liu, D., Pereira, R. H. M., & Gilliland, J. (2026). Integrated AI framework combining routing, computer vision, and large language models to assess urban park access disparities among people with and without mobility impairments. Sustainable Cities and Society, 147, Article 107528. https://doi.org/10.1016/j.scs.2026.107528

2. Marasinghe, R., Yigitcanlar, T., Fu, X., & Quan, S. J. (2026). Augmenting urban planning with computer vision: A review of the state-of-the-art. Sustainable Cities and Society, 138, Article 107209. https://doi.org/10.1016/j.scs.2026.107209

3. Yan, S., Ma, Y., & Wang, X. (2026). Assessing human-scale green equity in the 15-minute city using street-view-based visual landscape indicators and explainable machine learning: A case study of Chengdu, China. Frontiers in Public Health, 14, Article 1847064. https://doi.org/10.3389/fpubh.2026.1847064

4. Reducing the social inequity of neighborhood visual environment in Los Angeles through computer vision and multi-model machine learning. (2025). Sustainable Cities and Society, 119, Article 106062. https://doi.org/10.1016/j.scs.2024.106062