7 دقیقه
پژوهشگران دانشگاه فنی مونیخ (TUM) بزرگترین نقشه سهبعدی تا کنون از سازههای ساختهشده توسط انسان را منتشر کردهاند: آتلاسی آنلاین به نام GlobalBuildingAtlas که حدود 2.75 میلیارد ساختمان در سراسر کره زمین را موقعیتیابی و مدلسازی میکند. این آتلاس که از تصاویر ماهوارهای، اندازهگیریهای ارتفاع و روشهای یادگیری ماشینی ساخته شده، بینشی حجمی درباره شکل شهری ارائه میدهد که در این مقیاس پیش از این بیسابقه بوده است.
گامی فراتر از نقشههای کفساختمان: گذار به شهرهای حجمی
مجموعههای داده جهانی قبلی — مانند پایگاه داده کفساختمان مایکروسافت — عمدتاً بر تفسیرهای دوبعدی و خطوط پیرامونی ساختمانها تمرکز داشتند. آتلاس دانشگاه فنی مونیخ فراتر رفته و ارتفاع ساختمانها را نیز برآورد میکند و بلوکهای سهبعدی با اندازهٔ حدود ۳ در ۳ متر تولید میکند که شکل تقریبی و حجم تقریبی تقریباً هر سازه را توصیف میکنند. این رزولوشن فضایی تا اندازهای که جزئیات نما یا مصالح را نشان دهد دقیق نیست، اما نزدیک به سی برابر جزئیات بیشتری نسبت به مجموعههای کفساختمانی قبلی ارائه میدهد که این موضوع کاربردی بودن آن را برای سنجش چگالی و مقیاس عمودی مناطق شهری بهطور چشمگیری افزایش میدهد.
چرا حجم اهمیت دارد؟ زیرا صرفِ بررسی کفِ ساختمان اغلب میتواند برنامهریزان و تحلیلگران را در تخمین تعداد ساکنان یا شاغلان یک محل به اشتباه بیندازد. حجم نمایانگر جرم سهبعدی ساختهشده است؛ و از آن بهعنوان یک سنجهٔ بهبودیافته برای جمعیت، ظرفیت مسکن و تقاضای زیرساختی استفاده میشود. آتلاس یک شاخص نوآورانه معرفی میکند: «حجم ساختمان سرانه» (Building volume per capita) که مجموع جرم ساختهشده در یک ناحیه را به جمعیت آن پیوند میدهد و نشانگر دسترسی به مسکن، تفاوتهای اجتماعی-اقتصادی و شکل کالبدی شهری است. این متریک میتواند نشانههایی از تراکم مسکن، فضای مفید سرپناه و تفاوتهای سرمایهگذاری در بافتهای شهری را آشکار کند که در نقشههای دوبعدی پنهان میماند.
چگونگی ساخت آتلاس
این پروژه بر آرشیوی عظیم از تصاویر ماهوارهای تکیه داشت که با نمونههای اندازهگیریشدهٔ ارتفاع و مدلهای یادگیری ماشینی ترکیب شد تا ارتفاعها در مناطقی که اندازهگیری مستقیم محدود یا پراکنده بود، برآورد شود. پژوهشگران الگوریتمها را آموزش دادند تا شکل سقفها، سایهها، بافت زمینهای و سرنخهای محیطی را تشخیص دهند؛ با بهرهگیری از این قابلیتها، تیم توانست برآوردهای سهبعدی برای میلیاردها سازه در سراسر جهان تولید کند.
گامهای مبتنی بر هوش مصنوعی پروژه را در مقیاس جهانی قابل انجام ساخت، اما همزمان عدم قطعیتهایی را نیز وارد میکند که شناختهشدهاند. تیم TUM اذعان دارد که ارتفاعِ آسمانخراشها اغلب دستکم گرفته میشود و برخی مناطق — بهویژه بخشهایی از قارهٔ آفریقا — به دادههای آموزشی محلی و اعتبارسنجی میدانی بیشتری نیاز دارند. با این وجود، این مجموعهٔ داده نسبت به منابع قبلی در هر دو بعدِ پوشش جغرافیایی و جزئیات سهبعدی پیشرفتی چشمگیر نشان میدهد و امکان تحلیلهای دقیقتر در حوزههایی مانند تراکم ساختوساز، الگوهای توسعه شهری و توزیع مرزهای ارتفاعی را فراهم میآورد.
آتلاس بهصورت عمومی و آنلاین در دسترس قرار دارد تحت نام GlobalBuildingAtlas، و نویسندگان مطالعهٔ پایه روشها و فرآیندهای اعتبارسنجی را در مجلهٔ Earth System Science Data (2025) منتشر کردهاند که نشاندهنده تلاش برای شفافیت متدولوژیک و امکان بازتولید نتایج توسط محققان دیگر است.
آتلاس به پژوهشگران امکان داد چگالی ساختمانها را در سراسر جهان ترسیم کنند
پیامدها برای شهرها، تغییر اقلیم و مدیریت مخاطرات
دادههای حجمی ساختمان کاربردهای فوری و متنوعی در حوزههای مختلف دارند. برنامهریزان شهری میتوانند از حجم ساختمان برای برآورد دقیقتر تمرکز جمعیت بهره ببرند و بر اساس آن، نیازهای آموزشی، مراکز بهداشتی و حملونقل را بهتر طراحی کنند. مدیران مخاطرات میتوانند با شناخت نه فقط مکان ساختارها بلکه مقدار جرم ساختهشده در مناطق پرخطر، مدلهای قرارگیری در معرض خطر (exposure) و آسیبپذیری را دقیقتر شبیهسازی کنند. دانشمندان اقلیم و تیمهای سیاستگذاری نیز میتوانند حجم شهری را در مدلهای تقاضای انرژی، مؤلفههای اثر جزیرهٔ گرمای شهری (urban heat island) و محاسبهٔ انتشار گازهای گلخانهای مرتبط با ساختمانها وارد کنند.
همزمان که سازمان ملل به دنبال دستیابی به اهداف توسعهٔ پایدار در زمینهٔ ایجاد شهرهای فراگیر، ایمن و تابآور است، دادههای سهبعدی دقیقتر چشماندازی درستتر از نابرابریهای شهری و نیازهای زیرساختی فراهم میآورند. برای مثال، شاخص «حجم ساختمان سرانه» میتواند اختلافات در تراکم مسکن، کیفیت مسکن و سطح سرمایهگذاری در مناطق مختلف شهری را نشان دهد؛ اطلاعاتی که برنامهریزی شهری، تخصیص بودجه مسکن و سیاستهای اجتماعی را بهتر هدایت میکند.
محدودیتها، اعتبارسنجی و بهبودهای آینده
هیچ نقشهٔ ماشینی جهانی بدون خطا نیست. تیم TUM نقاطِ ضعف منطقهای را که در آن دادهٔ آموزشی محدود است برجسته میکند؛ همچنین زیربرآوردِ ارتفاعِ ساختمانهای بسیار بلند و چالشهای معمول دادههای ماهوارهای — مانند پوشش ابری، تفاوتهای فصلی و کاربریهای مختلط زمین — از مسائل شناختهشدهاند. آتلاس بهصراحت بهعنوان یک محصول تکرارشونده (iterative) توصیف شده است: پیمایشهای میدانی بیشتر، نمونههای آموزشی متنوعتر و پیشرفت در الگوریتمها میتواند ارتفاعها را دقیقتر کند و خطاهای منطقهای را کاهش دهد.
قابلیت دسترسی باز آتلاس یک نقطهقوت است: با اینکه مدلها و پیشبینیها در ابتدا ممکن است خطا داشته باشند، اما هرچه محققان و نهادهای محلی بیشتر از داده استفاده و آن را اعتبارسنجی کنند، اشتباهات قابلشناسایی و اصلاح هستند و آتلاس میتواند به زیرساختی مشترک برای پژوهش شهری و تصمیمسازی سیاستی بدل شود. همکاریهای محلی برای افزودن دادههای کاداستری، نتایج سرشماری و اندازهگیریهای ارتفاع محلی (مانند LiDAR یا شمارش میدانی) از اهمیت بالایی برخوردار خواهند بود تا دقت و اعتبار مدلها در سطح محلی ارتقا یابد.
دیدگاه تخصصی
دکتر النا مارکز، دانشمند ژئومکانی شهری که در این پروژه شرکت نداشته است، میگوید: «این آتلاس یک گام بزرگ به جلو است زیرا واحد تحلیل را از کفهای صاف به بافت سهبعدی واقعی شهری تغییر میدهد. حتی با وجود عدم قطعیتهای فعلی، سنجههای مبتنی بر حجم به ما اجازه میدهد پرسشهای بهتری درباره مسکن، خدمات و تابآوری مطرح کنیم. گام بعدی ادغام دادههای سرشماری محلی و اطلاعات کاربری ساختمانهاست تا حجم به نتایج عملکردی تبدیل شود — یعنی چه کسانی کجا زندگی میکنند و چرا.»
در افق پیش رو، GlobalBuildingAtlas پتانسیل تبدیل شدن به سکوی قدرتمندی برای کار بینرشتهای را دارد: توسعهدهندگان ماهواره و هوش مصنوعی میتوانند تشخیص و استنتاج ارتفاع را بهبود بخشند؛ شهرشناسان و جمعیتشناسان میتوانند مدلهای جدید جمعیتی را بر مبنای حجم آزمایش کنند؛ و سیاستگذاران میتوانند تصمیمات تخصیص بودجه را بر اساس تصویر واضحتری از محیطهای ساختهشده پایهریزی کنند. بهعلاوه، ترکیب این دادهها با اطلاعات انرژی ساختمان، شبکههای حملونقل و خدمات شهری میتواند تحلیلهای پایدارتر و کارآمدتری برای مقابله با چالشهای شهری قرن بیستویکم فراهم کند.
در نهایت، GlobalBuildingAtlas نه فقط یک مجموعهٔ داده بلکه زیرساختی اطلاعاتی برای سنجش، مقایسه و مدیریت فضای شهری در سطح جهانی است؛ ابزاری که میتواند به بهبود سیاستگذاری، کاهش ریسک بلایا، برنامهریزی شهری هوشمند و پیگیری اهداف توسعهٔ پایدار کمک کند، بهشرط آنکه ملاحظات محلی، شفافیت متدولوژیک و مشارکت جوامع محلی در فرآیند اعتبارسنجی و بهبود دادهها نادیده گرفته نشود.
منبع: sciencealert
نظرات
نووا_ای
نقطه قوتش دسترسی بازه، اما کاربرد عملی وابسته به ادغام با سرشماری و دادههای انرژی. امیدوارم جوامع محلی مشارکت کنن.
پمپزون
آیندش خوبه، اما زیاد تبلیغشده بنظر میاد، ۳۰ برابر جزئیات؟ نه که نشه ولی باید میدانی تایید کنن، اگه نه...
رضا
من تو پروژه شهرسازی با محدودیت داده روبهرو بودم؛ حجم بهمراتب بهتر جواب میده، مخصوصا برای برآورد جمعیت ولی یهکم دسترسی محلی لازمه.
بیونیکس
برای من سواله، چطور ارتفاع آسمانخراشها دستکم گرفته میشه؟ دادههای آفریقا واقعا به اعتبارسنجی محلی نیاز دارن، اگه اصلاح نشن مشکلساز میشه.
دیتاکس
واقعاً؟ 2.75 میلیارد ساختمان! این حجم داده وحشتناکه، فکر کن چقدر میتونه شهرسازی رو عوض کنه... اما دقتش رو باید دید.
ارسال نظر