۱٫ معرفی

برنامه ریزی و نظارت مؤثر به طور خاص به داده های به موقع، دقیق و در سطح شهر در مقیاس بلوک یا محله نیاز دارد. با این حال، این اطلاعات به ندرت در بسیاری از کشورهای با درآمد کم و متوسط ​​(LMIC) در دسترس است.

در این مطالعه، شاخص‌های فیزیکی و اجتماعی-اقتصادی را از داده‌های فضایی باز برای نقشه‌برداری مناطق محروم هماهنگ و استخراج کردیم. ما یک مدل یادگیری ماشینی را برای نقشه‌برداری و توصیف مناطق محروم در شهرهای مختلف و در مقیاس بزرگ ایجاد و آزمایش کردیم. این مطالعه دامنه IDEAMAPS چارچوب‌های محرومیت اخیر منتشر شده را عملیاتی کرد تا (۱) شاخص‌های مرتبط و لایه‌های جغرافیایی مربوطه را برای توصیف مناطق محروم شناسایی کند، (ب) لایه‌های جغرافیایی شناسایی‌شده را به شیوه‌ای سیستماتیک و سازگار برای مدل‌سازی یادگیری ماشین پردازش کند، و (iii) تجزیه و تحلیل اهمیت نسبی شاخص ها برای مدل سازی. حوزه IDEAMAPS چارچوب محرومیت، دیدگاهی کل نگر درباره ویژگی‌های اجتماعی و فیزیکی ارائه می‌کند که به تعریف محرومیت شهری در زمینه‌های مختلف، از جمله شاخص‌های منابع سنتی (مثلا، نظرسنجی‌ها) و داده‌های بزرگ (مانند رسانه‌های اجتماعی) کمک می‌کند. با این حال، این چارچوب در مقیاس بزرگ اعمال نشده است. سهم اصلی این مطالعه شامل:

۲٫ منطقه مطالعه

۳٫ مواد و روشها

در تمام مراحل، این تیم با شبکه IDEAMAPS و کارشناسان درگیر در کارهای مرتبط با محرومیت شهری برای به اشتراک گذاشتن یافته‌ها برای برجسته کردن اشتراکات و تقویت یافته‌های مطالعه، هماهنگ شدند. کارشناسان از طریق نمونه گیری هدفمند انتخاب شدند و گروهی متنوع شامل محققان مؤسساتی مانند مرکز تحقیقات شهری و محیطی (CUER) دانشگاه جورج واشنگتن، دانشکده علوم اطلاعات جغرافیایی و رصد زمین در دانشگاه توئنته، مرکز کلان داده شهری دانشگاه گلاسکو، دانشگاه لاگوس، و مرکز تحقیقات جمعیت و سلامت آفریقا و همچنین کارشناسان سازمان‌های غیردولتی مانند طرح‌های عدالت و توانمندسازی در نیجریه و گفتگوی مردمی در غنا.

۵٫ بحث

این مقاله شواهد تجربی ارائه می‌کند که داده‌های مکانی باز و یادگیری ماشینی می‌توانند نقشه‌ها و ویژگی‌های مناطق محروم را با وضوح بالا ارائه دهند. رویکرد مبتنی بر ML ما برای نقشه‌برداری مناطق محروم، هم مقیاس‌پذیر و هم قابل انتقال است و می‌تواند برای تولید نقشه‌های با وضوح بالا در شهرها با استفاده از داده‌های فضایی باز رایج در دسترس استفاده شود. نتایج نشان می‌دهد که داده‌های فضایی باز امکان مدل‌سازی و درک بسیاری از ویژگی‌های فیزیکی و اجتماعی کلیدی مناطق محروم در سراسر شهرها را فراهم می‌کند، و دیدی جامع‌تر از مناطق محروم ارائه می‌دهد، که انتقاد عمده‌ای از روش‌های موجود مبتنی بر رصد زمین بوده است. تا آنجا که ما می دانیم، مطالعه ما اولین مطالعه ای است که نقشه برداری مناطق محروم را به مناطق پرتراکم و کمتر متراکم حومه شهری با استفاده از داده های مکانی باز گسترش می دهد. این مناطق حاشیه شهری رشد سریع شهری را تجربه می کنند و مناطق رشد آتی این شهرها خواهند بود.

برخلاف سایر مطالعاتی که بر مجموعه داده‌های تجاری متکی هستند، رویکرد ما فقط از داده‌های در دسترس استفاده می‌کند و مقیاس آن در شهرها تقریباً بدون هزینه است. دقت مدل ما، اگر بالاتر نباشد، در مقایسه با سایر مطالعات با استفاده از مجموعه داده‌های تجاری اختصاصی مشابه است. ارزیابی دقت در تمام شهرها نشان داد که داده‌های فضایی باز برای تعمیم نقشه‌برداری مناطق محروم امیدوارکننده هستند.

قابل توجه است، ما نشان داده‌ایم که وقتی مدلی که در یک شهر آموزش دیده برای پیش‌بینی در شهر دیگر استفاده می‌شود، قدرت پیش‌بینی مدل ما به طور متوسط ​​کاهش یافته است (بیش از ۶۵٪ امتیاز F1). علیرغم تفاوت‌ها در ویژگی‌های مناطق محروم، به نظر می‌رسد ویژگی‌های مشتق‌شده از مدل، مشترکات را در بین شهرها شناسایی می‌کنند. این نشان می‌دهد که رویکرد ما می‌تواند شکاف‌های بزرگ داده‌ها را به دلیل پوشش ضعیف نظرسنجی پر کند و می‌تواند تخمین خامی از مناطق محروم با اطلاعات کمی در مورد یک شهر ارائه دهد.

عملکرد مدل همه ویژگی ها و تعریف شده توسط کاربر برای هر شهر نزدیک بود. با این حال، ویژگی‌های تعریف‌شده توسط کاربر نتایج نسبتاً بالایی در مدل شهر به شهر به دست آوردند، که نشان‌دهنده ارتباط ویژگی‌های ورودی کوچک برای مدل‌سازی است. همچنین نشان می دهد که چگونه بسیاری از ویژگی ها ممکن است گیج کننده باشند، به خصوص با آموزش محدود و داده های اعتبارسنجی برای بهینه سازی.

در حالی که نتایج ما امیدوارکننده است، این رویکرد دارای محدودیت‌های مهمی است. درک روندهای زمانی ویژگی های مناطق محروم برای محققان و سیاست گذاران برای برنامه ریزی مداخلات و نظارت بر پیشرفت بسیار مهم است. با این حال، داده های باز اغلب وضوح زمانی پایینی دارند و فقط در شهرها یا کشورهای خاصی در دسترس هستند. علاوه بر این، ما هنوز قادر به ارزیابی توانایی مدل برای پیش‌بینی تغییرات در طول زمان نبوده‌ایم. پیشرفت در داده های سنجش از دور (مثلاً Sentinel-2 به طور رایگان در دسترس) را می توان با داده های مکانی باز ترکیب کرد تا تغییرات زمانی را ترسیم کند. تصاویر ماهواره‌ای می‌توانند داده‌های سری زمانی را ارائه دهند که احتمالاً می‌توانند برای تکمیل شاخص‌های اجتماعی-اقتصادی به‌دست‌آمده از داده‌های فضایی باز استفاده شوند.

علاوه بر این، بیشتر داده های مرجع از درون شهرها استخراج شده و محدود هستند. قضاوت در مورد اینکه آیا مناطق محروم شناسایی شده در مدل در حومه شهری واقعاً بازتابی از آنچه در واقع روی زمین بود، دشوار بود. کار آینده شامل بازدید و بررسی این مناطق و جمع آوری داده های بیشتر برای آموزش خواهد بود، زیرا تعداد ویژگی ها و پیچیدگی مدل ها نسبتاً کم است. تنوع منحصر به فرد درون شهری مناطق محروم به داده های آموزشی بیشتری نیاز دارد که همه پویایی ها را هم در مرکز شهر و هم در حومه پوشش می دهد.

مناطق پیرامون شهری دارای ویژگی های مورفولوژیکی و اجتماعی-فرهنگی منحصر به فردی هستند که نیازمند بررسی دقیق است. ما در مطالعه مشاهده کردیم که مناطق محروم در داخل شهر بسیار متراکم هستند و کمتر از ۱ درصد مناطق دارای پوشش گیاهی هستند. مناطق حومه شهری تمایل به ترکیب پوشش گیاهی بالاتری دارند (بین ۱۰ تا ۲۰ درصد پوشش گیاهی). کارهای آینده این ویژگی های منحصر به فرد را بررسی کرده و مدل های قوی تری را توسعه خواهند داد.

این مطالعه فرض می‌کند که ویژگی‌های ما نماینده وضوح زمانی است زیرا مناطق شهری به سرعت تغییر نمی‌کنند. فاصله زمانی داده ها ۱۰ سال بود. در حالی که این معقول است، ما تصدیق می کنیم که تفاوت های زمانی ممکن است بر عملکرد مدل تاثیر بگذارد. به عنوان مثال، زاغه های تخلیه شده به حساب نمی آمدند. شایان ذکر است که خطاهای ذاتی در داده های مکانی باز در مدل منتشر می شود و پیچیدگی های مدل سازی را افزایش می دهد.