کاربرد هوش مصنوعی در طراحی و تحلیل منظر شهری

مقدمه

منظر شهری یا Urban Landscape، تنها به معنای فضای سبز و پارک‌ها نیست؛ بلکه ترکیبی از عناصر طبیعی، ساخته‌شده و ادراک انسانی از فضاست که کیفیت زندگی روزمره شهروندان را شکل می‌دهد. طراحی و تحلیل این منظر، به‌طور سنتی وابسته به بازدید میدانی، تجربه طراح و تحلیل‌های آماری محدود بوده است؛ روشی که در مواجهه با پیچیدگی و مقیاس رو‌به‌رشد شهرهای امروزی، به‌سرعت با محدودیت روبه‌رو می‌شود.

در سال‌های اخیر، هوش مصنوعی ابزاری تازه در اختیار طراحان منظر و برنامه‌ریزان شهری قرار داده که هم در فاز «تحلیل» و هم در فاز «طراحی» نقش‌آفرینی می‌کند. از پردازش میلیون‌ها تصویر خیابانی برای سنجش میزان سبزینگی یک محله گرفته تا تولید خودکار چیدمان‌های منظر بر اساس ترجیحات زیبایی‌شناختی، این فناوری در حال بازتعریف نحوه شکل‌گیری فضاهای شهری است. در ادامه این مقاله، به‌صورت گام‌به‌گام کاربردهای مختلف هوش مصنوعی در این حوزه را بررسی می‌کنیم.

چرا تحلیل منظر شهری کار پیچیده‌ای است؟

ارزیابی منظر شهری، فرایندی چندلایه است که هم‌زمان باید ابعاد بصری، اکولوژیک، اجتماعی و عملکردی یک فضا را در نظر بگیرد. طراحی منظر، در واقع پلی است میان اکوسیستم‌های طبیعی و محیط ساخته‌شده انسان و در کنار زیبایی‌شناسی، بر سلامت اکولوژیک و عملکرد فضاهای شهری نیز تأثیرگذار است. با رشد شهرها و افزایش فشار بر منابع طبیعی، ضرورت رویکردهای پایدار در طراحی منظر بیش از گذشته احساس می‌شود، در حالی که روش‌های سنتی اغلب در همراهی با پیچیدگی چالش‌هایی مانند تغییر اقلیم، کاهش تنوع زیستی و کمبود منابع، ناتوان می‌مانند (Novedge, 2024).

از سوی دیگر، سنجش کیفیت یک فضای شهری صرفاً به داده‌های کمّی محدود نمی‌شود؛ بخش مهمی از ارزش یک منظر، در ادراک و احساس انسانی نسبت به آن نهفته است. رشد شتابان شهرها، ارزیابی ویژگی‌های اجتماعی-فضایی محیط پیرامون را به کاری روزافزون دشوار تبدیل کرده است، به‌گونه‌ای که بسیاری از مطالعات شهری امروز به دنبال روش‌های جدیدتر و مقیاس‌پذیرتر برای این ارزیابی هستند. این دقیقاً همان نقطه‌ای است که ابزارهای مبتنی بر یادگیری ماشین و بینایی کامپیوتر وارد میدان می‌شوند و امکان تحلیل حجم عظیمی از داده‌های بصری و مکانی را در مقیاسی فراهم می‌کنند که پیش از این ممکن نبود.

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

یکی از پرکاربردترین روش‌های تحلیل منظر شهری با کمک هوش مصنوعی، استفاده از تصاویر سطح خیابان (Street View Imagery) است. با بهره‌گیری از مدل‌های یادگیری عمیق برای تفکیک معنایی تصویر (Semantic Segmentation)، امکان استخراج شاخص‌هایی مانند «شاخص دید سبز» یا Green View Index از تصاویر خیابانی فراهم شده که سنجش میزان سبزینگی قابل‌مشاهده در سطح خیابان را دقیق‌تر و مقیاس‌پذیرتر از روش‌های سنتی می‌کند (Biljecki & Ito, 2021). این رویکرد به پژوهشگران و طراحان اجازه می‌دهد 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 سامانه‌های اطلاعات جغرافیایی (GIS) امکان تحلیل‌های پیچیده‌تری مانند مدل‌سازی پیش‌بینانه رشد شهری، بهینه‌سازی توزیع فضای سبز و شناسایی مناطق در معرض ریسک‌های محیطی را فراهم کرده است (Novedge, 2024). این نوع تحلیل مکانی به‌ویژه در تصمیم‌گیری‌های کلان‌شهری، مانند تعیین اولویت توسعه پارک‌های جدید یا شناسایی محله‌های کم‌برخوردار از فضای سبز، نقشی کلیدی ایفا می‌کند و مبنایی داده‌محور برای سیاست‌گذاری شهری فراهم می‌آورد.

کاربرد هوش مصنوعی در طراحی خودکار منظر شهری

فراتر از تحلیل، هوش مصنوعی به‌طور فزاینده‌ای در فاز تولید و طراحی منظر شهری نیز نقش‌آفرینی می‌کند. مدل‌های مبتنی بر یادگیری عمیق اکنون قادرند بر اساس داده‌های ورودی، چیدمان‌های اولیه‌ای برای فضاهای شهری تولید کنند که هم‌زمان معیارهای زیبایی‌شناختی و کارکردی را در نظر می‌گیرند. برای نمونه، پژوهشی که یک مدل چیدمان منظر شهری مبتنی بر یادگیری عمیق را معرفی کرده، نشان می‌دهد که این‌گونه مدل‌ها می‌توانند هم‌زمان دو بُعد «گرایش احساسی» و «ارزیابی کیفیت منظر» را در فرایند تولید طرح لحاظ کنند (Tang & Chung, 2024).

این رویکرد، به‌ویژه در مراحل اولیه طراحی که نیاز به بررسی سریع گزینه‌های متعدد وجود دارد، ارزش زیادی ایجاد می‌کند؛ طراح می‌تواند در زمانی کوتاه، ده‌ها نسخه از یک چیدمان را بر اساس پارامترهای متفاوت مشاهده و مقایسه کند، کاری که با روش‌های دستی زمان و منابع بسیار بیشتری می‌طلبد. با این حال، این مدل‌ها معمولاً نقش «دستیار خلاق» را ایفا می‌کنند، نه جایگزین کامل طراح؛ خروجی آن‌ها معمولاً به‌عنوان نقطه شروع یا الهام برای تصمیم‌گیری نهایی طراح مورد استفاده قرار می‌گیرد.

ارزیابی زیبایی‌شناسی و ادراک احساسی شهروندان از فضای شهری

یکی از جنبه‌های جذاب و نسبتاً جدید کاربرد هوش مصنوعی در این حوزه، توانایی آن در تحلیل ادراک احساسی انسان از منظر شهری است. مدل‌های امروزی می‌توانند با تحلیل داده‌های بصری و حتی بازخوردهای متنی کاربران، الگوهایی از واکنش‌های احساسی افراد نسبت به فضاهای مختلف شهری استخراج کنند. پژوهش‌هایی که مدل‌های چیدمان منظر شهری را بر پایه گرایش‌های احساسی طراحی کرده‌اند، دقیقاً با هدف نزدیک‌کردن طراحی الگوریتمی به تجربه واقعی و احساسی شهروندان شکل گرفته‌اند (Tang & Chung, 2024).

این نوع تحلیل احساسی، در کنار روش‌های سنتی نظرسنجی و مشاهده میدانی، دیدگاهی مقیاس‌پذیرتر و کمّی‌تر از تجربه انسانی فضا ارائه می‌دهد. برای مثال، می‌توان با تحلیل حجم بالایی از تصاویر و بازخوردهای کاربران در شبکه‌های اجتماعی یا پلتفرم‌های نقشه، الگوهای استفاده و احساس رضایت از یک فضای سبز شهری خاص را شناسایی کرد؛ داده‌ای که در فرایندهای بازطراحی یا بهبود کیفیت فضاهای موجود، ارزش تصمیم‌گیری بالایی دارد.

پایداری زیست‌محیطی و بهینه‌سازی منابع با کمک هوش مصنوعی

بُعد دیگری که کاربرد هوش مصنوعی در منظر شهری اهمیت پیدا می‌کند، حوزه پایداری زیست‌محیطی است. با تحلیل داده‌های آب‌وهوایی، خاک، و پوشش گیاهی، مدل‌های هوش مصنوعی می‌توانند به طراحان کمک کنند گونه‌های گیاهی مناسب‌تر با شرایط اقلیمی محلی را انتخاب کنند، مصرف آب را بهینه کنند و طرح‌هایی مقاوم‌تر در برابر تغییرات آب‌وهوایی ارائه دهند. این رویکرد به‌ویژه در مناطقی با محدودیت منابع آبی یا در معرض گرمای شدید شهری، می‌تواند تفاوت معناداری در پایداری بلندمدت فضای سبز ایجاد کند (Novedge, 2024).

از سوی دیگر، بهینه‌سازی توزیع فضای سبز با کمک تحلیل‌های مکانی مبتنی بر هوش مصنوعی، امکان توزیع عادلانه‌تر منابع طبیعی در سطح شهر را فراهم می‌کند. به‌جای تصمیم‌گیری‌های موردی و مبتنی بر تجربه فردی، تحلیل داده‌محور می‌تواند نشان دهد کدام محله‌ها بیشترین نیاز به توسعه فضای سبز را دارند و کدام مناطق در برابر گرمای شهری یا سیلاب آسیب‌پذیرترند، و بر این اساس اولویت‌های سرمایه‌گذاری شهری را هدایت کند.

چالش‌ها و محدودیت‌های به‌کارگیری هوش مصنوعی در این حوزه

با وجود پتانسیل بالای این فناوری، به‌کارگیری آن با محدودیت‌های جدی همراه است. یکی از مهم‌ترین چالش‌ها، وابستگی مدل‌های هوش مصنوعی به کیفیت و تنوع داده‌های آموزشی است؛ اگر داده‌های ورودی تنها بازتاب‌دهنده بخش محدودی از شهرها یا فرهنگ‌های 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 مدل‌های پیشرفته به‌صورت «جعبه سیاه» عمل می‌کنند و درک اینکه چرا یک مدل چیدمان یا تحلیل خاصی را پیشنهاد داده، برای طراحان و تصمیم‌گیران دشوار است.

چالش دیگر، فقدان استانداردهای یکپارچه برای به‌کارگیری این ابزارها در فرایند حرفه‌ای طراحی منظر است؛ مطالعات نشان می‌دهند که سوگیری داده‌ای، مبهم‌بودن الگوریتم‌ها و نبود گردش‌کار استاندارد، پیاده‌سازی مؤثر هوش مصنوعی در این حوزه را پیچیده می‌کند. در نهایت، باید تأکید کرد که قضاوت حرفه‌ای، درک زمینه‌ای و تعامل انسانی همچنان مؤلفه‌های ضروری در مواجهه با چالش‌های پیچیده طراحی شهری‌اند و هوش مصنوعی، حتی در پیشرفته‌ترین شکل خود، جایگزین کامل این مؤلفه‌های انسانی نیست، بلکه ابزاری برای تقویت آن‌هاست.

جمع‌بندی

کاربرد هوش مصنوعی در طراحی و تحلیل منظر شهری از تحلیل تصاویر خیابانی و داده‌های مکانی گرفته تا تولید خودکار چیدمان‌های طراحی و سنجش ادراک احساسی شهروندان، طیف گسترده‌ای را در بر می‌گیرد. این فناوری امکان تحلیل مقیاس‌پذیرتر، دقیق‌تر و داده‌محورتر منظر شهری را فراهم کرده و می‌تواند به تصمیم‌گیری‌های پایدارتر در حوزه فضای سبز شهری کمک کند. با این حال، موفقیت واقعی این مسیر در گرو ترکیب هوشمندانه توانایی‌های الگوریتمی با قضاوت حرفه‌ای 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