عرفان متقیان

آلودگی بصری به عنوان چالشی مهم در مدیریت منظر مطرح است. روش های پایش سنتی، هزینه بر و با پوشش محدود هستند، در حالی که داده های شهروند محور با وجود پوشش گسترده و هزینه کمتر، به دلیل ناهمگونی در کیفیت و احتمال خطا، نیازمند سازوکار اعتبارسنجی می باشند. این پژوهش با هدف اعتبارسنجی داده های مکانی شهروند محور در ارزیابی آلودگی بصری دیوارهای شهری و ارائه چارچوبی ترکیبی مبتنی بر یادگیری عمیق و مشارکت شهروندان انجام شد. مطالعه به صورت ترکیبی و در چهار مرحله طراحی شد: گردآوری داده های مکانی-تصویری از طریق سامانه ای تحت وب در تهران، پالایش و برچسب گذاری تصاویر در چهار طبقه، آموزش سه مدل یادگیری عمیق ResNet50، EfficientNetB0 و  EfficientNetV2-L و در نهایت اعتبارسنجی داده های شهروند محور با مقایسه برچسب های کاربران و نتایج مدل ها. مدل EfficientNetV2-L با دقت ۸۷/۷۸٪ بهترین عملکرد را نشان داد و در تشخیص کلاس های دشوار پایدارتر عمل کرد. منحنی های یادگیری، همگرایی مناسب و کنترل بیش برازش را تأیید نمودند. تلفیق این دو منبع، چارچوبی کارآمد و قابل اعتماد برای پایش آلودگی بصری و پشتیبانی از تصمیم گیری مشارکتی ایجاد کرد. پژوهش حاضر چارچوبی عملی برای استفاده از مدل های یادگیری عمیق به عنوان مرجع پویا در اعتبارسنجی داده های شهروند محور ارائه می دهد. ادغام این نتایج در سامانه های مدیریتی، امکان پایش مستمر، بازخورد بلادرنگ و ارتقای همزمان کیفیت داده و دقت مدل را فراهم کرده و به ابزاری مؤثر در تصمیم گیری مدیریت شهری تبدیل می شود.