ارائه الگو بهینه شهر هوشمند در راستای توسعه اهداف مدیریت شهری با تکنیک سنجش از دور و استفاده از مدل های MLC و NeralNetwork (مطالعه موردی کلانشهر شیراز)
محورهای موضوعی : کاربرد GIS&RS در برنامه ریزی
امین فخار
1
,
مرضیه موغلی
2
,
عبدالرسول قنبری
3
1 - دانشگاه آزاد اسلامی واحد لارستان
2 - دانشیار عضو هیات علمی گروه جغرافیا، واحد لارستان، دانشگاه آزاد اسلامی، لارستان، ایران
3 - استادیار جغرافیا، دانشگاه آزاد اسلامی واحد لارستان
کلید واژه: شهر هوشمند , مدیریت شهری , سنجش از دور , شهر شیراز ,
چکیده مقاله :
در عصر حاضر، توسعه و رشد سریع شهرها، چالشهای متعددی را در حوزههای زیستمحیطی، حملونقل، منابع آب و انرژی، مدیریت پسماند و فضای سبز به همراه داشته است. پاسخ به این چالشها نیازمند رویکردهای نوین و فناوریمحور است که بتوانند فرآیندهای تصمیمگیری را بهبود بخشند و منجر به تحقق شهرهای هوشمند و پایداری بلندمدت شوند. شهرهای هوشمند، به عنوان یک مفهوم نوآورانه و چندبعدی، با بهرهگیری از فناوریهای پیشرفته، امکان نظارت، تحلیل و مدیریت مؤثر زیرساختها و دادههای شهری را فراهم میآورند.این مقاله، یک الگوی پیشنهادی برای مدیریت هوشمندانه شهری در کلانشهر شیراز ارائه میدهد که مبتنی بر بهرهگیری همزمان از فناوریهای سنجش از دور و شبکههای عصبی مصنوعی (Neural Networks) است. در مرحله بعد، روشهای تحلیل چندسطحی (MLC) به کار گرفته میشوند تا دادههای پیچیده و چندبعدی به صورت طبقهبندی و دستهبندیهای معنادار دستهبندی شوند. این روش امکان شناسایی مناطق شهری براساس معیارهای مختلف مانند میزان تراکم جمعیت، دسترسی به خدمات و امکانات شهری، وضعیت فضای سبز و میزان مصرف انرژی را فراهم میکند.هدف از این کار، ایجاد نقشههای دقیقتر و بهروزتر برای مدیریت شهری است که بتوانند تصمیمگیریهای سریعتر، دقیقتر و مبتنی بر دادهها را ممکن سازند. به عنوان نمونه، این مدل میتواند در برنامهریزی حملونقل عمومی، تخصیص منابع، مدیریت بحران و توسعه پایدار مناطق مختلف شهر موثر باشد در این مطالعه، دادههای جغرافیایی و زیستمحیطی، شامل تصاویر ماهوارهای، اطلاعات کاربری زمین، پوشش گیاهی، معابر، منابع آب و خاک منطقه، تحلیل شده و الگوهای اثرگذار در فرآیندهای مدیریت شهری شناسایی میشود.مدت زمان و هزینههای لازم برای جمعآوری دادهها و تحلیل آنها، تسهیل فرآیند تصمیمگیریهای مبتنی بر دادههای دقیق و در لحظه را به مدیران شهری میدهد. تکنیکهای یادگیری عمیق، به ویژه شبکههای عصبی، قادرند روابط پنهان و پیچیده میان عوامل مختلف را مدلسازی و پیشبینی کنند.
In the modern era, the rapid development and growth of cities have brought about numerous challenges in the areas of environment, transportation, water and energy resources, waste management, and green space. Addressing these challenges requires innovative and technology-driven approaches that can improve decision-making processes and lead to the realization of smart and sustainable cities in the long term. Smart cities, as an innovative and multi-dimensional concept, leverage advanced technologies to enable effective monitoring, analysis, and management of urban infrastructure and data. This method allows the identification of urban areas based on various criteria such as population density, access to urban services and facilities, the status of green spaces, and energy consumption. The aim is to create more accurate and up-to-date maps for urban management that can enable faster, more accurate, and data-driven decision-making. For example, this model can be effective in public transportation planning, resource allocation, crisis management, and the sustainable development of different areas of the city. In this study, geographical and environmental data, including satellite imagery, land use information, vegetation cover, roads, water resources, and soil of the region, are analyzed, and influential patterns in urban management processes are identified. The time and costs required for data collection and analysis facilitate data-driven and real-time decision-making for urban managers. Deep learning techniques, especially neural networks, are capable of modeling and predicting hidden and complex relationships between various factors. This capability provides the best results for urban management in identifying critical points, prioritizing areas in need of interventions, predicting trends of changes, and allocating resources. The purpose of this study is to improve the processes of planning, policymaking, and implementation of urban development projects, so that the results provide.
1) اسماعیل شیعه، 1397 : مدیریت شهری و برنامه ریزی فضایی ، تهران انتشارات دانشگاه
2) اسماعیل شیعه، ۱۳۹۳: برنامه ریزی شهری در عصر دیجیتال، تهران انتشارات جامعه شناسی
3) اسماعیل شیعه. 1391. کارگاه برنامهریزی شهری. دانشگاه علم و صنعت ایران، مرکزانتشارات
4) اینترنت آدم ها: تعریف شهر هوشمند ،شهر هوشمند در کتاب "شهرهای هوشمند انسانی و پایدار"1400. ریزپردازنده 283-300
5) پلآر. ولف، مجید همراه. 1397. مبانی فتوگرامتری (نقشهبرداری هوایی). دانشگاه صنعتی خواجه نصیرالدین طوسی
6) محمد ابراهیم عفیفی عضو هیئت علمی دانشگاه آزاد اسلامی واحد لارستان سال انتشار 1401 انتشارات ماهواره تحلیل نظری های برنامه ریزی شهری در جغرافیا
7) جمشیدزهی، محمداکرم ؛ کریمیان بستانی، مریم؛ حافظ رضازاده، معصومه ( 1401) تحلیل شاخص های شهر هوشمند در شهر زاهدان. فصلنامه مطالعات برنامه ریزی سکونتگاه های انسانی17،(2) .۵3۵-۵4۶
8) شیرین اعتضادزاده، سیدحسین حاتمینژاد، رامین ضربیکناری. 1399. شهر هوشمند - شهر آینده؟: شهر هوشمند 2.0 به عنوان شهر قابل زندگی و بازار آینده. پاپلی,کتاب امید
9) علیرضا درخشان و همکاران، شهر هوشمند، شهر دانش محو ر،دومین کنفرانس شهر هوشمند،
10) مرتضی نظریهریس، میرمهدی صفری، آرمین حسینیرضائیاصل، احسان صادقی. 1397. شهر هوشمند مبانی و تجهیزات. عصر زندگی
11) اصول عكس هاي هوايي ( رشته جغرافيا ) ، دكتر بهلول عليجاني ، انتشارات دانشگاه پيام نور ، ۱۳۷۱
12) اصول و مباني سنجش از دور و تعبير و تفسير تصاوير هوايي و ماهواره اي ، ليلساند و كي فر ، ترجمه مهندس حميد مالميريان ، انتشارات سازمان جغرافيايي وزارت دفاع و پشتيباني نيروهاي مسلح ،۱۳۷۹
13) بررسی ارتباط بین گسترش شهری و دمای زمین با کاهش پوشش گیاهی بوسیله سنجش از دور در شهر شیراز (حمیدرضا اقبال پور شیرازی 1396)
14) Paskin, J. (2007). Urban Remote Sensing: The Role of Earth Observing Satellites. Remote Sensing of Environment, 120, 127–135.
Bhatta, B. (2010). Remote Sensing and Urban Planning. Springer Series on Environmental Management.
15) Cocchia, A. (2014). Smart and Digital City: The Impacts of Information and Communication Technologies (ICTs) on Urban Areas. The 4th International Workshop on Smart Cities.
16) Kitchin, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. SAGE Publications.
17) Albino, V., Berardi, U., & Dangelico, R. M. (2015). Smart Cities: Definitions, Dimensions, Performance, and Initiatives. Journal of Urban Technology, 22(1), 3-21.
18) Batty, M., et al. (2012). Smart Cities of the Future. The European Physical Journal Special Topics, 214(1), 1-9.
19) Alawadhi, S., et al. (2012). Building Understanding of Smart City Initiatives through Ontological Approaches. International Journal of Information Management, 32(4), 220-236.
20) Hashem, I. A. T., et al. (2016). The Role of Big Data in Smart City Development: A Literature Review. MDPI Sustainability, 8(8), 686.
21) Zhou, Y., & Hsiao, H. (2018). A Review of Smart City Developments in China: Current News and Future Direction. Sustainable Cities and Society, 41, 67-75.
Zhou, Z., & Wang, H. (2019). Urban Resilience and Innovation in Smart City Initiatives: Integrating Stakeholders' Perspectives. Cities, 90, 54-64.
