Mfumo wa ufuatiliaji wa kijamii-kiteknolojia unaotegemea data na kusaidiwa na akili bandia ni mfumo wa kusaidia maamuzi unaochakata data za mazingira na kijiografia kwa mbinu za kialgorithimu, lakini ambao lazima ufanye kazi pamoja na manispaa, wataalamu, kanuni za utawala na mtiririko wa kazi wa kitaasisi ili kubadilisha taarifa inayozalishwa kuwa maamuzi halisi ya mipango. White paper hii inatathmini, kupitia miundombinu ya urejelezaji nchini Costa Rica, hatari za hali ya hewa na ikolojia katika miji ya Marekani, na eneo la Vancouver-Seattle-Portland katika Pacific Northwest, nafasi ya GIS, utambuzi wa mbali, uchanganuzi wa kijiografia na mbinu za ufuatiliaji zinazotegemea akili bandia katika mipango ya uendelevu na ustahimilivu wa kiikolojia wa mijini. Hitimisho kuu ni kwamba ingawa uwezo wa kuzalisha taarifa inayoweza kugeuzwa kuwa hatua kutokana na data za mazingira unaendelea kwa kasi, taarifa hiyo haiingizwe kwa utaratibu katika mipango ya manispaa, upangaji wa bajeti na michakato ya sera. Utafiti unalitazama pengo hili kama pengo la utekelezaji wa kijamii-kiteknolojia na unatambua kutolingana kwa kiufundi, upungufu wa uwezo wa taasisi, utawala uliogawanyika na mapungufu ya usambazaji unaozingatia usawa kuwa vikwazo vikuu. Hata hivyo, utafiti si uthibitishaji unaodhibitiwa wa modeli mpya ya AI; matokeo yanategemea uchanganuzi wa visa, tafiti za awali za kijiografia za mwandishi na usanisi wa fasihi husika.

Katika utafiti huu, akili bandia hailinganishwi tu na modeli kubwa za lugha. Katika muktadha wa mipango ya mazingira, AI inahusisha eneo pana la ukokotoaji kama vile uainishaji wa picha za setilaiti, utambuzi wa mabadiliko ya matumizi ya ardhi, utabiri wa michakato ya mazingira inayotegemea wakati, utambuzi wa mikusanyiko ya hatari ya kijiografia na ubadilishaji wa tabaka changamano za data kuwa mifumo ya kusaidia maamuzi.

Ujumbe mkuu wa kisera wa white paper pia hauishii katika uwezo wa kiteknolojia: ikiwa mfumo wa utawala wa manispaa au wa kikanda hauwezi kubadilisha matokeo ya kialgorithimu kuwa bajeti, uamuzi wa uwekezaji, uteuzi wa eneo la miundombinu au utekelezaji wa kukabiliana na hali ya hewa, mfumo wa hali ya juu wa uchanganuzi hauzalishi wenyewe ustahimilivu wa mijini.

Tatizo la utafiti

Miji ni mifumo ambamo kwa wakati mmoja mizigo mikubwa ya kimazingira huzalishwa na hatari za hali ya hewa hujikita. Chanzo kinaeleza kuwa maeneo ya mijini yanahusishwa na zaidi ya %70 ya uzalishaji wa gesi chafu duniani na yanaishi zaidi ya %56 ya watu duniani. Changamoto kama mawimbi ya joto, mafuriko, uchafuzi, upotevu wa mifumo ikolojia, uchakavu wa miundombinu na shinikizo la rasilimali husababisha miji kuhitaji si nyaraka za muda mrefu za mipango pekee, bali pia taarifa za mazingira zinazoweza kusasishwa kila mara.

GIS, utambuzi wa mbali, mitandao ya vihisi na akili bandia hutoa zana zenye nguvu za kiufundi kwa hitaji hili. Hata hivyo, pengo ambalo utafiti unalenga liko zaidi ya uzalishaji wa data: jinsi matokeo ya ufuatiliaji wa mazingira wa wakati halisi au karibu na wakati halisi yanavyoweza kuunganishwa na taratibu halisi za kufanya maamuzi za utawala wa miji.

Mfumo wa ufuatiliaji wa kijamii-kiteknolojia unaotegemea data ni nini?

Mfumo wa ufuatiliaji wa kijamii-kiteknolojia unaotegemea data ni muundo unaounganisha algorithimu na miundombinu ya data na wataalamu wa kibinadamu, taasisi za manispaa, kanuni za utawala, mifumo ya ufadhili na mtiririko wa kazi wa uendeshaji ndani ya mfumo mmoja wa kusaidia maamuzi; utendaji wa mfumo hautegemei tu usahihi wa kiufundi wa modeli, bali pia kueleweka kwa taarifa iliyozalishwa na taasisi, kupokelewa kwa wakati na kutekelezwa kwake.

Kwa nini mkabala wa kijamii-kiteknolojia ni muhimu?

Dhana ya msingi ya nadharia ya mifumo ya kijamii-kiteknolojia ni kwamba teknolojia haiwezi kutathminiwa bila mazingira yake ya kijamii na kitaasisi. Hata kama algorithimu imefanikiwa kiufundi, ikiwa imeunganishwa na mtiririko usiofaa wa data, haiendani na mzunguko wa bajeti wa manispaa, wajibu wake haujafafanuliwa au inazalisha matokeo yasiyoweza kushirikiwa kati ya taasisi tofauti, athari yake katika ulimwengu halisi inaweza kubaki ndogo.

Kwa hiyo utafiti hauichukulii akili bandia kama bidhaa huru ya programu, bali kama tabaka la ukokotoaji la miundombinu kubwa zaidi inayoundwa kwa pamoja na data, algorithimu, utaalamu wa binadamu, taasisi ya mipango na mfumo wa utawala.

Uendelevu na ustahimilivu si dhana moja

Chanzo kinahusisha uendelevu na uwezo wa kukidhi mahitaji ya sasa ya kimazingira, kijamii na kiuchumi bila kuhatarisha mahitaji ya wakazi wa mijini wa siku zijazo. Mkabala huu unazingatia matumizi ya rasilimali, uzalishaji, miundombinu na uwiano wa muda mrefu wa mifumo ya kiikolojia.

Ustahimilivu wa kiikolojia, kwa upande mwingine, hulenga zaidi uwezo wa mfumo wa mijini uliokumbwa na mishtuko kuendeleza kazi zake msingi, kuzoea na kurejea katika utendaji kuliko kudumisha usawa usiobadilika. Katika matukio kama mafuriko, wimbi la joto, moto, uhaba wa maji au uharibifu wa mfumo ikolojia, si tu “kuzuia madhara” kunakokuwa muhimu, bali pia uwezo wa mfumo kuzoea hali zinazobadilika.

Kwa nini akili bandia na modeli kubwa za lugha zinatenganishwa katika utafiti huu?

Akili bandia ni eneo pana linalojumuisha mbinu nyingi za ukokotoaji kama hoja za kiishara, uboreshaji, udhibiti, ujifunzaji wa mashine, uchanganuzi wa picha, utabiri na uainishaji; modeli kubwa za lugha ni sehemu ndogo tu ya akili bandia inayofanya uzalishaji wa kiuwezekano kwenye lugha asilia kwa kutumia usanifu wa transformer, na matumizi mengi ya AI ya kimazingira katika utafiti huu hayategemei LLM.

Tatizo la mtazamo wa “AI = ChatGPT”

Chanzo kinapinga hasa kuhusishwa kwa dhana ya AI na LLM katika mtazamo wa umma. Katika mifumo ya ufuatiliaji wa mazingira ya mijini, mzigo mkuu wa ukokotoaji mara nyingi si uzalishaji wa matini, bali uchakataji wa picha za setilaiti, upangaji wa makundi ya kijiografia, utabiri, uboreshaji, ujumuishaji wa data za vihisi na uundaji wa nyuso za hatari.

Tofauti hii ni muhimu kwa tafsiri ya makala. Uteuzi wa maeneo ya vituo vya urejelezaji nchini Costa Rica au utambuzi wa maeneo ya hatari ya hali ya hewa nchini Marekani si uchanganuzi unaofanywa kwa kuuliza chatbot swali. Mbinu zinazotumika au kujadiliwa katika chanzo zinajumuisha mifumo ya taarifa za kijiografia, utambuzi wa mbali, takwimu za kijiografia na mbinu mbalimbali za ujifunzaji wa mashine.

Mbinu za AI zinazojadiliwa katika ufuatiliaji wa mazingira

Chanzo pia kinapendekeza modeli za CNN au transformer kama upanuzi wa baadaye wa mfumo wa ufuatiliaji wa Marekani. Kauli hii haimaanishi kwamba modeli hizo zilifundishwa kweli katika uchanganuzi wa kisa cha sasa au kwamba utendaji wake ulipimwa.

Akili bandia huzalishaje usaidizi wa maamuzi kutoka data za mazingira?

Mnyororo wa dhana wa data katika utafiti unaweza kueleweka katika hatua nne:

1. Uchunguzi: picha za setilaiti, data za uchanganuzi upya wa hali ya hewa, data za miundombinu, eneo la kituo au data za vihisi hukusanywa.
2. Uchanganuzi: GIS, takwimu za kijiografia au mbinu za AI hutambua muundo katika data, mkusanyiko wa hatari au pengo la ufikivu.
3. Taarifa ya uamuzi: matokeo hubadilishwa kuwa ramani, uso wa hatari, pengo la huduma au eneo la kipaumbele.
4. Utekelezaji wa kitaasisi: manispaa au mfanya maamuzi mwingine huamua jinsi taarifa itakavyotumika katika uwekezaji, bajeti, uchaguzi wa eneo, maandalizi ya majanga au sera ya hali ya hewa.

Dai muhimu la white paper ni kwamba wakati hatua tatu za kwanza zimeimarishwa na maendeleo ya teknolojia, hatua ya nne haijaendelea kwa kasi sawa.

Utafiti unaunga mkono nini

Chanzo kinaunga mkono kwamba GIS na mifumo ya kijiografia inayotegemea data inaweza kufanya ukosefu wa usawa katika huduma za mazingira na mikusanyiko ya hatari ya hali ya hewa ionekane, na inaweza kubadilisha taarifa za mazingira kuwa usaidizi wa maamuzi ulio na muundo zaidi kwa ajili ya mipango.

Chanzo pia kinahoji kuwa uwezo wa kitaasisi, uratibu kati ya taasisi na muundo wa mtiririko wa kazi wa mipango ni vigezo vya msingi vya matumizi ya usaidizi wa maamuzi ya mazingira unaotegemea AI katika ulimwengu halisi.

Utafiti hauungi mkono nini

White paper haionyeshi kwamba modeli fulani ya AI imeongeza uendelevu wa miji kwa asilimia fulani. Haitoi ulinganisho unaodhibitiwa kati ya manispaa zinazotumia AI na zile zisizotumia; wala haipimi kwa majaribio mabadiliko katika usahihi wa maamuzi au kasi ya utekelezaji.

Chanzo pia hakijaribu ikiwa ChatGPT au LLM nyingine huongeza utendaji wa mipango ya miji. Mjadala wa LLM unatumiwa zaidi kufafanua kwa usahihi upeo wa dhana ya AI.

Kutajwa kuwa usanifu wa CNN au transformer unaweza kutumika baadaye katika uchanganuzi wa hatari wa Marekani pia hakumaanishi kwamba usanifu huo umethibitishwa katika utafiti huu.

Mbinu na Matokeo ya Utafiti

1. Muundo wa utafiti

Badala ya jaribio linalodhibitiwa au sampuli moja ya takwimu, utafiti unaunganisha maeneo matatu ya visa yanayohusiana na fasihi pana zaidi ya kijamii-kiteknolojia na mipango ya mazingira:

2. Miundombinu ya urejelezaji ya Costa Rica

Katika mfano wa Costa Rica, data za kitaifa za vituo vya urejelezaji zilitathminiwa kwa uchanganuzi wa hot-spot unaotegemea GIS, uundaji wa modeli wa location-allocation na vipimo vya muda wa safari/umbali. Lengo la uchanganuzi si tu kuonyesha vituo kwenye ramani, bali kulinganisha utoaji wa vituo na mahitaji ya kijiografia ya uzalishaji wa taka za plastiki.

Chanzo kinaripoti kwamba kutokuwiana kwa mahitaji na utoaji kunaonekana zaidi katika kantoni za vijijini, makazi ya pwani na maeneo ya kilimo ya mwinuko mkubwa.

3. Kielelezo 1 kinaonyesha nini?

Kielelezo 1 katika ukurasa wa tano wa chanzo kinaonyesha kwa kulinganisha utoaji wa vituo vya urejelezaji na mahitaji ya kulinganisha ya taka za plastiki katika maeneo mbalimbali ya Costa Rica. Ujumbe wa kisayansi wa grafu ni kwamba mahitaji makubwa ya taka hayaendani moja kwa moja na uwezo mkubwa wa vituo. Kutolingana huku kwa kijiografia kunaunga mkono haja ya kutumia si mipaka ya kiutawala pekee, bali mahitaji halisi ya huduma na muda wa kufikia huduma katika mipango ya miundombinu.

4. Kikomo cha uchanganuzi wa GIS na mpito kwenda AI

Chanzo kinasisitiza kwamba mifumo mingi ya sasa ya GIS bado ni ya kuangalia nyuma na tuli. Tabaka za kihistoria za data na mwingiliano wa kijiografia wa kideterministi zinaweza kueleza hali ya sasa; hata hivyo, mitiririko endelevu ya data na mbinu za utabiri wa kiuwezekano zinaweza kuhitajika kutabiri hali ambako uzalishaji wa taka au shinikizo la miundombinu hubadilika haraka.

Kwa hiyo mwandishi anapendekeza kwamba algorithimu za utabiri wa spatiotemporal na uboreshaji zinaweza baadaye kuhamisha miundombinu hii kutoka uchanganuzi wa GIS wa maelezo kwenda mifumo ya ufuatiliaji inayoweza kuzoea zaidi. Pendekezo hili ni usanifu wa mfumo wa baadaye; si matokeo ya modeli mpya ya utabiri wa AI iliyothibitishwa katika kisa cha Costa Rica.

5. Hatari za eko-hali ya hewa katika miji ya Marekani

Mfano wa Marekani unalenga kuonyesha kwamba katika zaidi ya miji 80, hatari zinazohusiana na hali ya hewa na hatari zilizounganishwa za kiikolojia hujikusanya kijiografia. Chanzo kinaangazia vimbunga, mafuriko na kupanda kwa kina cha bahari katika maeneo ya mashariki na Gulf Coast; huku Southwest na California vikionyesha mienendo ya moto, ukame na joto kali.

Ni muhimu kwamba hatari hizi tofauti zisitafsiriwe kama aina moja ya hatari kwenye ramani moja ya kitaifa. Alama sawa ya hatari kubwa inaweza kutokana na mchanganyiko tofauti wa hatari za kimwili katika maeneo tofauti.

6. Kielelezo 2 na vitengo 171.523 vya kijiografia

Kielelezo 2 katika ukurasa wa sita wa chanzo kinaonyesha maeneo ya eko-hali ya hewa ya hot-spot nchini Marekani kwa kutumia `GiZScore`. Katika maelezo ya kielelezo, kiwango cha uchanganuzi kimetolewa kama n = 171.523 vitengo vya kijiografia. Maeneo ya hatari kubwa yamepangwa kama Zones 1–7 na hujikusanya katika korido za Mountain West, Gulf South, Midwest na Northeast.

Chanzo kinasisitiza hasa kwamba ramani hii ilichakatwa kijiografia na kuonyeshwa kwa ArcGIS Online. Kwa hiyo, matokeo haya hayapaswi kutafsiriwa kama uundaji wa ramani unaotegemea LLM.

7. Mnyororo wa uchakataji wa data katika kisa cha Marekani

White paper inaeleza ujumuishaji wa mfululizo wa muda wa utambuzi wa mbali, data za uchanganuzi upya wa hali ya hewa na tabaka za kuathiriwa kwa miundombinu katika mtiririko wa kazi wa geospatial machine learning. Mtiririko huu unajumuisha upangaji wa makundi ya kijiografia, kernel density estimation na predictive interpolation.

Data hizi zinaweza kubadilishwa kuwa ramani zinazosasishwa za uwezekano wa hatari. Chanzo kinaeleza kwamba kupanua miundombinu hii baadaye kwa CNN kwa uainishaji wa setilaiti au modeli za transformer kwa mfululizo wa muda wa hali ya hewa kunaweza kuwezesha mpito kutoka uchoraji wa ramani tuli wa hot-spot kwenda mifumo ya ufuatiliaji yenye nguvu zaidi.

Kikomo muhimu: Chanzo kinaeleza upanuzi wa CNN au transformer kama mfumo unaowezekana; white paper haitoi data mpya ya mafunzo ya CNN/transformer, vigezo vya juu, kipimo cha usahihi au matokeo ya majaribio.

8. Pacific Northwest: Vancouver, Seattle na Portland

Kisa cha tatu kinaichukulia Pacific Northwest kama korido moja ya kibaiolojia-kiikolojia inayovuka mpaka wa Marekani na Kanada. Vancouver, Seattle na Portland zina uhusiano wa kimazingira usioelezeka kwa mipaka ya kiutawala pekee kutokana na michakato ya angahewa ya pwani, topografia ya milima, msitu mnene na mifumo ya pamoja ya kihidrologia.

Chanzo kinajadili ongezeko la joto la kikanda, kupungua kwa kifuniko cha theluji na mabadiliko ya mpangilio wa mvua wa msimu pamoja na michakato mingine kama moto wa misitu, mfumo wa mtiririko na usimamizi wa maji.

9. Kwa nini ikolojia ya kihistoria inaingizwa katika mfumo?

Kwa mujibu wa utafiti, hatari ya sasa ya kimazingira haijumuishi tu data za joto, mvua au kifuniko cha ardhi cha leo. Mabadiliko ya zamani kama uhandisi wa bonde, mabadiliko ya pwani, matumizi ya misitu, upanuzi wa mijini na upotevu wa bioanuwai yanaweza kuunda usambazaji wa kijiografia wa udhaifu wa leo.

Kwa hiyo mwandishi anapendekeza mifumo ya ufuatiliaji wa wakati halisi iunganishwe na taarifa za ikolojia ya kihistoria. Mfumo kama huo unaweza kuleta katika mipango si swali la “hatari iko juu wapi sasa?” pekee, bali pia “kwa nini hatari hii huenda imejikusanya hapa?”

10. Jukumu la kisayansi la Kielelezo 3

Kielelezo 3 katika ukurasa wa saba wa chanzo kinaonyesha eneo la Pacific Northwest na mipaka ya miji ya Vancouver, Seattle na Portland juu ya picha za setilaiti. Kazi kuu ya kielelezo ni kuweka miji hii mitatu ndani ya mfumo wa kikanda unaounganishwa na michakato ya pamoja ya kiikolojia na hali ya hewa badala ya kuiona kama maeneo huru.

Pengo la utekelezaji wa kijamii-kiteknolojia ni nini?

Pengo la utekelezaji wa kijamii-kiteknolojia ni hali ambayo, ingawa data za mazingira na algorithimu huzalisha taarifa inayoweza kutumika kwa maamuzi, manispaa na taasisi nyingine za mipango haziwezi kubadilisha matokeo hayo kwa utaratibu kuwa bajeti halisi, uwekezaji, miundombinu, sera za kukabiliana na hali ya hewa na usawa; utafiti unasema kwamba pengo hili linatokana na mwingiliano wa vikwazo vya kiufundi, vya shirika, vya kisiasa na vya kimuundo.

11. Mivunjiko mitatu ya msingi kati ya data na utekelezaji

12. Kutolingana kwa data–utekelezaji

Modeli za mazingira zinaweza kusasishwa kila wiki, kila siku au mara nyingi zaidi; lakini mpango wa uwekezaji wa manispaa unaweza kutegemea bajeti ya mwaka, kalenda ya kisiasa na taratibu za ununuzi. Ikiwa pendekezo linalozalishwa na mfumo wa uchanganuzi linafika baada ya dirisha la kitaasisi la kufanya maamuzi kufungwa, ubora wa kiufundi pekee hautoshi.

Kwa hiyo chanzo kinachukulia kubaki kwa mapendekezo ya kialgorithimu katika ripoti za utafiti au paneli za wavuti kama tatizo la ujumuishaji zaidi kuliko upungufu wa teknolojia.

13. Kugawanyika kwa utawala

Katika mfano wa Costa Rica, ingawa mfumo wa taka unasimamiwa kwa mipaka ya kantoni, mahitaji halisi ya huduma yanaweza kuvuka mipaka hiyo. Katika mfano wa Marekani, kuna tatizo sawa la uratibu kati ya viwango tofauti vya kiutawala vya manispaa, utawala wa kikanda na programu za shirikisho. Katika Pacific Northwest, eneo lilelile la kiikolojia linapovuka mpaka wa Marekani na Kanada, kipengele cha uratibu wa kimataifa hujitokeza.

Hitimisho la pamoja la chanzo ni kwamba mifumo ya kiikolojia haifuati mipaka ya kiutawala. Bonde la taka, bonde la maji, mfumo wa moto au korido ya hatari ya hali ya hewa haviishii kwenye mpaka wa manispaa.

14. Upungufu wa viashiria vya usawa

Kwa mujibu wa matokeo ya Praharaj yaliyonukuliwa katika utafiti, ni %18 tu ya zana za kusaidia maamuzi ya ustahimilivu za Marekani zilizochunguzwa ambazo zina viashiria vinavyozingatia usawa. Idadi hii si kipimo kipya kilichotokana na sampuli ya Graham mwenyewe, bali ni matokeo ya utafiti mwingine yaliyonukuliwa katika white paper.

Tofauti hii ni muhimu: modeli ya kijiografia inaweza kutambua kwamba eneo lina hatari kubwa, lakini ni kundi gani la kijamii linapaswa kupewa kipaumbele katika usambazaji wa rasilimali si uamuzi wa kimaadili ambao algorithimu huutatua yenyewe.

15. Mapendekezo manne ya sera na utekelezaji

16. Kwa nini ujumuishaji wa kitaasisi ni muhimu kama kipengele cha programu?

Matokeo mengine yaliyonukuliwa katika white paper ni kwamba %65 ya zana za ustahimilivu zilizotathminiwa hazina mifumo ya kuunganisha mapendekezo na mtiririko halisi wa kazi wa mipango. Kwa hiyo chanzo kinapendekeza kuzingatia masharti ya utoaji kama miunganisho ya API, mizunguko ya kusasisha inayolingana na mwaka wa fedha na mipango ya kupokelewa na taasisi katika zana zinazofadhiliwa na umma.

Hata hivyo, mwandishi anaeleza wazi kwamba pendekezo hili pia si suluhisho la moja kwa moja. Ikiwa manispaa hutumia mifumo ya zamani ya taarifa au iliyotenganishwa na intaneti, haina wafanyakazi au bajeti ya matengenezo, kutengeneza API mpya pekee huenda kusiweze kuleta ujumuishaji halisi.

17. Hatari za mapendekezo yenyewe ya sera

Utafiti hauwasilishi mapendekezo ya sera kama suluhisho kamili. Ukaguzi wa usawa wa kijiografia unaweza kugeuka kuwa kisanduku cha ukaguzi cha kiutawala tu. Manispaa zenye uwezo mdogo wa kiufundi zinaweza kutengwa na ufadhili kwa sababu haziwezi kuandaa uchanganuzi unaohitajika. Utawala wa kikanda au wa kiwango cha bonde unaweza kusababisha mijadala kuhusu mamlaka ya eneo na msingi wa kodi.

Kuongeza maarifa ya ikolojia ya kihistoria au ya Wenyeji katika mifumo ya data ya kihandisi pia si rahisi; kuyalazimisha katika muundo wa data wa kiasi kunaweza kupoteza muktadha wa maarifa. Vivyo hivyo, masharti ya ujumuishaji wa kiufundi yanaweza kutokuwa endelevu ikiwa mfumo hauna uwezo wa matengenezo ya muda mrefu na wafanyakazi.

18. Hitimisho muhimu zaidi la utafiti

Kwa mujibu wa sehemu ya hitimisho ya utafiti, uwezo wa AI, GIS, utambuzi wa mbali na mifumo ya ufuatiliaji wa mazingira katika kutambua hatari, kufuatilia mabadiliko, kuunda modeli za matukio na kulenga hatua umeendelea kwa kiasi kikubwa. Hata hivyo, tatizo kuu la baadaye si tu kutengeneza algorithimu zenye nguvu zaidi.

Suala kuu ni iwapo taasisi zina uwezo, mifumo ya uratibu na muundo wa utawala unaohitajika kutumia taarifa kutoka mifumo hii. Kwa mujibu wa utafiti, ikiwa tofauti hii kati ya maendeleo ya teknolojia na maendeleo ya taasisi haitatatuliwa, akili ya mazingira ya ubora wa juu inaweza kuzalishwa lakini isionekane vya kutosha katika mipango halisi ya miji.

19. Vikwazo vikuu vya kimethodolojia

White paper haitathmini algorithimu mpya ya AI kwa seti huru za data za mafunzo, uthibitishaji na majaribio. Kwa hiyo accuracy, precision, recall, F1, ROC-AUC au vipimo vingine vinavyofanana vya utendaji wa modeli si matokeo makuu ya utafiti.

Utafiti hauna ulinganisho unaodhibitiwa wa “manispaa inayotumia AI / manispaa isiyotumia AI”. Kwa hiyo matokeo ya kitaasisi ya mifumo ya ufuatiliaji inayotegemea AI hayajathibitishwa kwa muundo wa majaribio wa kisababishi.

Visa vitatu vinategemea viwango na vyanzo tofauti vya data. Miundombinu ya urejelezaji ya Costa Rica, uchoraji wa ramani za hatari za eko-hali ya hewa wa Marekani na mkabala wa ikolojia ya kihistoria wa Pacific Northwest si marudio matatu ya itifaki ileile ya majaribio.

Katika chanzo, baadhi ya viashiria vya namba vimetolewa kutoka tafiti za awali. Kwa hiyo %18, %65 au matokeo fulani ya hatari za mazingira hayapaswi kutafsiriwa kama matokeo ya seti moja ya data iliyopimwa upya kutoka mwanzo na white paper.

Zaidi ya hayo, ingawa chanzo kinajadili uwezo wa baadaye wa mifumo ya AI ya wakati halisi, hakionyeshi kwamba katika visa vyote miundombinu endelevu ya vihisi vya wakati halisi imewekwa kwenye eneo na kufanya kazi ikiwa imeunganishwa na maamuzi ya manispaa.

Maelezo ya Chanzo na Mbinu

Kichwa asili: AI for Sustainability and Ecological Resilience in Urban Planning: Deploying Sociotechnical Data-driven Monitoring Systems

Mwandishi: Christopher C. Graham.

Taarifa za taasisi katika PDF ya chanzo: Pardee School of Global Studies, Boston University; Climate & Energy Consortium.

Msimbo wa hati: White Paper ECSAAL02.

Aina ya chanzo: White paper ya kitaaluma inayolenga sera na utekelezaji / usanisi wa visa.

Tarehe ya PDF: Juni 2026; katika mstari wa mawasiliano wa PDF, 3 Juni 2026.

Rekodi ya sasa ya SSRN: Abstract ID 7164598.

DOI: 10.2139/ssrn.7164598.

Taarifa ya rekodi ya sasa ya SSRN: Ukurasa wa SSRN unaorodhesha hati kama kurasa 13, White Paper ECSAAL02 2026 na “Date Written: June 01, 2026”; rekodi inaonekana kuwasilishwa tarehe 27 Julai 2026.

Dokezo la toleo la kibibliografia: Pia kuna rekodi ya zamani ya SSRN `6875718` na DOI `10.2139/ssrn.6875718` kwa kichwa hicho hicho. Rekodi ya zamani inaonyesha tarehe 3 Juni 2026 na uwasilishaji wa 8 Juni 2026. Kwa kuwa ukurasa wa sasa wa kibinafsi wa mwandishi unaorodhesha kazi hiyo kwa DOI `10.2139/ssrn.7164598`, Verianla hutumia 7164598 kama rekodi kuu ya kibibliografia.

Hali ya mapitio / aina ya uchapishaji: Chanzo hakijawasilishwa kama version of record ya makala ya jarida, bali kama white paper na rekodi ya kazi ya SSRN.

Leseni: Rekodi ya sasa ya SSRN inasema “All rights reserved; no reuse allowed without permission”. Kwa hiyo muundo wa vielelezo vya chanzo haupaswi kutumiwa tena moja kwa moja ndani ya Verianla.

Mgongano wa maslahi: Katika rekodi ya SSRN, mwandishi anatangaza kutokuwepo kwa mgongano wa maslahi.

Ufadhili: Rekodi ya SSRN inaeleza kuwa hakuna ufadhili wa nje wala mgongano wa maslahi ya kifedha.

Maadili: Rekodi ya SSRN inaeleza kwamba washiriki wa kibinadamu hawakutumika.

Upatikanaji wa data: Hakuna sehemu tofauti ya Data Availability inayoonekana katika white paper. Vielelezo vikuu vinahusishwa na uchanganuzi wa kijiografia katika tafiti za awali za Graham.

Data na mbinu kuu: Uchanganuzi wa GIS hot-spot, uundaji wa modeli wa location-allocation, uchanganuzi wa muda wa safari/umbali, geospatial machine learning, mfululizo wa muda wa utambuzi wa mbali, data za uchanganuzi upya wa hali ya hewa, tabaka za kuathiriwa kwa miundombinu, upangaji wa makundi ya kijiografia, kernel density estimation, predictive interpolation, ikolojia ya kihistoria na uchanganuzi wa sera/utawala.

Kikomo kikuu cha tafsiri: Utafiti si performance benchmark ya modeli mpya ya AI wala jaribio la shambani linalodhibitiwa. Mchango wake mkuu ni kuchambua pengo la kijamii-kiteknolojia kati ya akili ya kimazingira ya kialgorithimu na utekelezaji wa kitaasisi kwa kutumia mifumo iliyopo ya data za mazingira na matokeo ya visa.