התפתחות המודל העירוני לקראת קיימות

התפתחות עירונית תמיד הייתה משחק מורכב של כוחות חברתיים, כלכליים וסביבתיים.גישות תכנון מסורתיות התייחסו לעתים קרובות לממדיים האלה בבידוד, מה שמוביל לתוצאות בלתי צפויות – סופרנשוף, גישה בלתי נמנעת למשאבים, או להשפלה סביבתית.כפי שערים מתמודדות עם לחץ גובר מפני התפתחות האוכלוסייה ושינוי האקלים, יש צורך דחוף בכלים משולבים שיכולים ללכוד מודלים הוליסטיים אלה (ABS) כמו גם שיטות מבטיחות, בעיקר, כמו גם עם מצבים סביבתיים, כמו גם עם מצבים סביבתיים, כמו גם עם מצבים, כמו גם עם מצבים סביבתיים, והתנהגויות מבטיחים, כמו גם עם מערכות יחסים מבטיחות, ומערכת יחסים עם מצבים, ומערכת יחסים עם מצבים טבעיים, כמו גם עם מערכות יחסים עם מערכות יחסים מבטיחות, ואקלים, כמו גם עם מצבים טבעיים, כמו גם עם מצבים סביבתיים, ומערכת יחסים עם התפתחותיים, כמו גם עם מצבים טבעיים, כמו גם עם מערכות יחסים עם מערכות יחסים עם מצבים סביבתיים, כמו גם עם התפתחותיים, כמו גם עם מצבים חברתיים, כמו גם עם מערכות יחסים מבטיחות, כמו גם עם מצבים סביבתיים, כמו גם עם מצבים סביבתיים, כמו גם עם מצבים סביבתיים, כמו גם עם מצבים סביבתיים, כמו גם עם מצבים סביבתיים, כמו גם עם שיטות עבודה אישית, כמו גם עם מערכות יחסים מבטיחות, כמו גם עם

היתרון העיקרי של ABMs הוא ביכולתם לייצג את הטרוגניות ואת משוב לא ליניארי. בניגוד למודלים מצטברים כי נניח התנהגות ממוצעת, ABMs לאפשר לכל סוכן תכונות ייחודיות, העדפות, וחוקי החלטות. ⁇ זה הופך אותם אידיאליים ללימוד תופעות כגון הפרדה למגורים, עומס תנועה, או התפשטות של שיטות בנייה ירוקה וסביבתית משולבים לתוך הכללים של הסביבה והסביבה, הם מאכלסים מודל לבדיקות מעבדה לפני ביצוע מעבדה.

מה הם מודלים מבוססי סוכנים?

מודל מבוסס סוכן הוא סימולציה חישובית שבה גופים אוטונומיים - מה שנקרא סוכנים - מתמזגים זה עם זה ועם הסביבה שלהם על פי כללים מוגדרים. סוכנים יכולים לייצג אנשים, משקי בית, חברות, סוכנויות ממשלתיות, או אפילו בעלי חיים ומערכות אקולוגיות.הסביבה היא בדרך כלל ייצוג מרחבי של עיר או אזור, להשלים עם שכבות כגון חבילות, רשתות תחבורה, מבנים, תכונות טבעיות.

המודל פועל בצעדים זמניים דיסקרטיים.בכל שלב, סוכנים תופסים את מצב העולם, להעריך אפשרויות ולפעול – לדוגמה, סוכן בית יכול לבחור שכונה חדשה המבוססת על מחירי הדיור, זמן הנסיעה ואיכות בית הספר.בצעדים רבים, החלטות ברמה מיקרו-דרג לייצר דפוסים ברמת מאקרו: אשכולות של עוני, צווארי תנועה, או אובדן של חלל ירוק.

(ב) משתמשים ב-ABMs במשך עשרות שנים באקולוגיה, בכלכלה ובמדע חברתי.בתכנון העירוני, יישומים ידועים כוללים את ה-FLT:0UrbanSimFLT:1 מסגרת, אשר מדמה שימוש בקרקע ותחבורה, ו- (FLT:2ComoFLT 3: 3) מודלים של עיבוד חיצוני (DLT) אשר חוקרים דינמיקה או צריכת אנרגיה.

כיצד הסוכן לומד ומתאמת

מודרני ABMs לעתים קרובות לשלב אלגוריתמים למידה.סוכנים עשויים לעדכן את האמונות שלהם בהתבסס על תוצאות העבר - לדוגמה, הקמעונאי עשוי בתחילה לאתר באזור עסוק אבל לעבור אם תעבורת הולכי רגל יורדת לאחר קו מעבר חדש נפתח. נתונים חברתיים כגון דפוסי הגירה או ניידות עבודה יכול למקם את כללי הלמידה האלה. [+] כמו רמות זיהום אוויר יכול להגביל את אפשרויות ניתוח: בית עם ילדים אסטמה עלול להימנע מעומס גבוה בין שני מצבים סביבתיים כגון זה הוא עושה טיפול פסיכולוגי התנהגות טובה.

מקור הנתונים: מקורות חברתיים וסביבתיים

האיכות והרלוונטיות של ABM תלויים ישירות בנתונים המשמשים ל ראשונית של סוכנים, להגדיר כללים, ולאמת תפוקה. נתונים חברתיים לוכדים דמוגרפים, התנהגויות ומוסדות אנושיים; נתונים סביבתיים מתארים את הסביבה הביו-פיזיתית והבנייה.

סוגי נתונים חברתיים ומקורות

ניתן לסווג נתונים חברתיים למספר קטגוריות:

  • (FLT:0) נתונים דמוגרפיים וכלכליים של ההרחבה 1 (FLT:1), ממפקדים, סקרי בית, רשומות מס כולל גיל, הכנסה, חינוך, תעסוקה, ורכב בית. נתונים אלה מגדירים תכונות הסוכן ויכולים להיות מפוזרים באופן מרחבי לשכונות.
  • (FLT:0Mobility and Activityshow Patterns) 1 - מרשומות טלפון סלולריות, עקבות GPS, כרטיסי טיסה חכמים תחבורה ציבורית סקרים נסיעות.אלה חושפים כיצד אנשים עוברים, שבו הם מבלים זמן, ואשר מצבים בהם הם משתמשים.
  • (FLT:0 Social Network and אינטראקציה DataFLT:1) - מסקרים או פלטפורמות מקוונות.הבנת קשרים חברתיים מסייעת לדגיד את הפיזור של רעיונות (למשל אימוץ של לוחות סולאריים) או התפשטות מחלות.
  • (FLT:0) Institutional and Policyroval DataFLT:1 - ייעוד קודים, תמריצים מס ושירותים ציבוריים.

מקורות עיקריים כוללים סוכנויות סטטיסטיות לאומיות כמו הלשכה האמריקנית Census (IRLT:0census.govcioFLT:1), Eurostat של האיחוד האירופי, פורטלי נתונים פתוחים מקומיים.

סוגי נתונים סביבתיים ומקורות

נתונים סביבתיים רלוונטיים לקיימות עירונית כוללים:

  • (FLT:0Land use and Land CoverFLT:1) - מתמונות לוויין (Landsat, Sentinel-2), מפות קדרסטרליות ותכנון מסדי נתונים של GIS.זה יוצר את שכבת הבסיס של סביבת המודל, המתאר מבנים, פארקים, כבישים, גופי מים וקרקע חקלאית.
  • (FLT:0Climate ונתוני מזג האוויר של LT:1, טמפרטורה, משקעים, דפוסי רוח חיוניים לסימול השפעות של האי החום, סיכונים הצפות וביקוש לאנרגיה.
  • (FLT:0) Air and Water QualityearFLT:1 - מתחנות ניטור, חיישנים ניידים, ורטיוולות לוויין (למשל, MODIS של נאס"א עבור ארוסולמות) תוצאות בריאות של סוכנים והעדפות המיקום יכולים להיות תלויים במשתנים אלה.
  • (FLT:0)אנרגיה, מים וזרימת פסולת 1) - רשומות שימושיות ונתונים חכמים של מטר.אלה מידע צריכת משאבים ופליטות ברמת הבית או הבנייה.
  • (FLT:0) מגוון שירותי מערכת אקולוגית ושירותים מערכתיים של LT:1) - נתונים חלוקת מינים, פיקוח ירוק (NDVI), ומפות סקריפיות חשובות להערכת שיתוף הפעולה של תשתיות ירוקות.

סוכנויות סביבתיות כגון סוכנות הסביבה האירופית (IRFLT:0eea.europa.eucioFLT:1) וסוכנות הגנת הסביבה של ארה"ב מספקת נתונים נרחבים.

מידע חברתי וסביבתי ל-ABMs: שיטות ופרקטיקה הטובה ביותר

אינטגרציה אינה רק על לשפוך נתונים למודל.זה כרוך בהיערכות של בקנה מידה מרחבי וזמני, טיפול בנתונים חסרים, ו calibration כדי לראות תופעות. גישה שיטתית מתקדמת דרך מספר שלבים.

עיבוד נתונים ו- Fusion

נתונים חברתיים וסביבתיים באים לעתים קרובות בהחלטות שונות.קבוצות בלוק Census עשויות להיות מספר דונם, בעוד שנתוני ניטור איכות האוויר מבוסס על נקודה.

  • (ב) ,0) ירידה במשקל של ההרחבה: (בקיצור:0) ,(ב) שימוש במשתנה עזר (למשל, כיסוי קרקע) כדי להפיץ נתונים מצטברים על תאים קטנים יותר ברשת או חבילות.
  • (FLT:0) ,Temporal InterpolationFLT:1 - המרת נתוני מפקד האוכלוסין השנתיים לערכים חודשיים או עונתיים באמצעות מגמות מסקרים או פרוקסים.
  • (FLT:0) התאמה סטאטיסטית של קונסול 1 (FLT:1), שילוב שני נתונים עם משתנים חופפים כדי ליצור אמת קרקעית סינתטית.

(ב) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

תרגום נתונים לחוקי הסוכן

הנתונים החברתיים מגדירים תכונות הסוכן - סוכן משק בית טיפוסי עשוי להיות בעל הכנסה, בעלות רכב ומספר הילדים.הנתונים הסביבתיים מגדיר את מצב העולם - לשורה של אדמה יש שימוש מסוים, סיכון שיטפון ורמת רעש.כללים המקשרים תכונות להתנהגות: לדוגמה, "אם ההכנסה הביתית היא נמוכה וכנה של תדירות מעבר גבוהה, אז סבירות לשימוש בגידולים של מעבר ביתי" יכול גם להכשיר ממני למידה שמצפים לחיזוי של מודלים של מודלים: FART: 1.101 לסיכון לסיכון לסיכון ל-F: 1.com: 1.10.

המונחים: obation

מודלים חייבים להיות מכווצים כדי לשחזר דפוסים היסטוריים - צפיפות אוכלוסין, שימוש בקרקע, ספירות תנועה - ואומת נגד נתונים עצמאיים.טכניקות נפוצות כוללות מודלים מוכווני דפוס (המתאם לעומת דפוסים מרחביים שנצפו) וניתוח רגישות כדי לזהות פרמטרים המשפיעים.סביבה כמו כיסוי צמחייה שינוי לאורך זמן מספק ציון עבור מודל הפעלת דיוק.

גישה חזקה היא (FLT:0) הטמעת נתונים 1FLT, המשמשת בחיזוי מזג האוויר, שבו תצפיות בזמן אמת מוזנים למודל לתיקון הקורס.

יישומים לפיתוח עירוני בר קיימא

שילוב חברתי-סביבה ABMs כבר הוצב על פני מגוון תחומים.הדוגמאות הבאות ממחישות את טווחם.

תחבורה וניידות

מודלים תחבורה מסורתיים מתייחסים לנסיעות כביקוש שמקורם בשימוש בקרקע.ABMs להמשיך על ידי הדמיה של האופן שבו אנשים בוחרים מצב, מסלול, ותזמון פעילות המבוסס על מגבלות חברתיות (למשל הכנסה, לוח זמנים עבודה) וגורמים סביבתיים (למשל, איכות אוויר לאורך נתיב) לדוגמה, מודל של בייג'ינג בדק את ההשפעה של עומס על פליטות תוך חשבונאית הון עצמי: סוכנים בעלי הכנסה נמוכה שלא יכלו להרשות לעצמם לעבור את ה-F1 לפירוק (F) עבור מסדרונות חיצוניים (למשל, לדוגמה, לדוגמה, לדוגמה, מודל של מדיניות העברה).

שימוש בקרקע ותשתית ירוקה

ספירת אורבן צורכת בתי גידול טבעיים ומגדילה את טביעות רגל פחמן.ABMs מאפשרת למתכננים לדמות את ההשפעה של מדיניות zoning המתמקדת בפיתוח בצומתים מוכווני תחבורה תוך שמירה על חגורות ירוקות. נתונים חברתיים על העדפות פרבריאן לעומת מגורים עירוניים, בשילוב עם נתונים סביבתיים על איכות הקרקע ושירותי מערכת אקולוגית, יכול לחשוף מודל אחד עבור פורטלנד, אזור אורגון הראה כי תרחיש צפיפות מתון שהושגוכות דיור ו-ידי פחמן, השתמשתי נתונים על בסיס פחמן, השתמשתי, מודל גישה פחמן.

הסתגלות אקלים וחוססן

שינויי אקלים מביאים גלי חום, שיטפונות ועלייה ברמת הים.AABM המאוכלסים בנתונים דמוגרפיים יכול לזהות אילו קהילות נחשפים ביותר – תושבים בעלי בתים חסרי השכלה, משקי בית בעלי הכנסה נמוכה באזורי הצפה – ולדמיין את התגובות ההסתגלות שלהם.לדוגמה, מודל של מיאמי-דה מחוז משולב מיקרו-נתונים, FEMA המפות, וביטוח טוענים נתונים כדי להעריך את ההשפעה של תת-קרקעית על סערות עתידיות של .

אנרגיה וסיעות

מודלים מבוססי סוכנים של ביקוש אנרגיה ואספקה משמשים יותר ויותר לתכנון תוכניות תגובה הביקוש ותמריצים לאימוץ אנרגיה מתחדשת. נתונים חברתיים על הכנסות, חינוך, והשפעה עמיתים (מרשתות חברתיות) קובעים עקומות של השמש על גג, בעוד נתונים סביבתיים על אי-פיגור סולארי וגג מגדיר את הפוטנציאל הטכני. A מחקר באוסטין, טקסס הראה כי תוכנית rebate מתקדמת מוגברת אימוץ בין משקי בית בעלי הכנסה נמוכה תוך שמירה על פליטות פחמן ועלויות גבוהות של פחמן חכם באמצעות נתונים.

אתגרים ושאלות פתוחות

למרות ההבטחה שלהם, שילוב נתונים חברתיים וסביבתיים ל-ABMs הוא משתגע עם מכשולים.השטן נמצא בפרטים - ובהנתונים.

איכות נתונים וזמינות

(המידע החברתי הוא לעתים קרובות מיושן, מצטבר או לא שלם.Census Data שוחרר רק כל 5-10 שנים; נתוני טלפון סלולרי סובלים מטיה דגימה.סביבה נתונים עשויים להיות בעלי רזולוציה או להיות בלתי עקביים על פני תחומי שיפוט.אמת הקרקע היא יקרה.מודלים של עבודה ומבצעים הנחות של אימות מוקדם כמו FLT:0:OGCSPRGOFQARQRE, אך ורק חלק מ-F2 פתוח, אך ורק כ-F2, אך ורק כ-FLT2, אך ורק , אך ורק , יש צורך ביוזמות פתוחות.

פרטיות ואתיקה

נתונים חברתיים ברמה האישית מעלה חששות פרטיות, במיוחד כאשר הם קשורים לנתונים של נתונים שונים וטכנולוגיית נתונים סינתטית יכולים להפחית את הסיכון, אבל הם עשויים לעוות יחסים.יתר על כן, ABMs יכול לחזק באופן בלתי נמנע את ההטיות הקיימות בנתונים היסטוריים - למשל, אם בעבר נהלי הלוואות מפלים מוטבעים בחוקי הסוכן, המודל עשוי להנציח אי שוויון אתי ומודלים חלקיים הכוללים אמצעי הגנה חיוניים על הקהילה.

אתגרים טכניים וטכניים

(ב) ב[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]] [[1924]] [[1924]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] [[1924]] [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]] [[[[1924]]]]]] [[[[1966]]]]]] [[[[1924]]]]]] [[[[1924]]]]]]]]]] [[[[1924]]]]]] [[[[1924]]]]]] [[[[1924]]]]]]]] [[[[[[[[[[1924]]

קשיים

אימות מודלים משולבים הוא קשה כי איננו יכולים להפעיל ניסויים מבוקרים על ערים אמיתיות.התאמת פנים (בדיקה עם מומחים) ואימות מוכווני דפוס הם סטנדרטיים, אך הם אינם מוכיחים שהמנגנונים נכונים.השדה נע לכיוון FLT:0out-of-sampleation FLT:1 - תוך תחזיות נתונים וניסויים נסתרים - ובדיקה - ו-FLT2: החלטות מדויקות יותר מאשר זיהוי מדויק של עבודה על פני פתורים רבים.

כיוונים עתידיים: מידע בזמן אמת, מודלים משתתפים ו- Digital Twins

הנוהג של שילוב נתונים חברתיים וסביבתיים ל-ABMs מתקדם במהירות.3 מגמות בולטות.

מידע אמיתי Fusion

עם התפשטות חיי החיישנים והמזינים החברתיים של IoT, זה הופך להיות אפשרי להאכיל נתונים חיים לתוך ABMs. Imagine מודל כי מקיפים את נפח התנועה בזמן אמת וקריאה איכותית אווירית כדי להתאים תזמון אותות דינמי או להציע מסלולים חלופיים.זהו החזון של תאומים דיגיטליים עירוניים - העתקים פעילים של ערים המדמים את ההשלכות של התערבויות בזמן אמת בסינגפור ומטרות וירטואליות אירופיות אלה יכולים לשרת את הדוגמאות הנוכחיות של כדור הארץ, בעוד שרטוטים אלה הם חלוציים.

אינטגרציה למידת מכונות

למידת מכונה (ML) יכולה להפוך את תהליך הטיפוח של כללי הסוכן מהנתונים, צמצום ההסתמכות על הנחות מומחה.לדוגמה, סוכני למידה חיזוק יכולים ללמוד כדי להתאים את בחירת המיקום שלהם באמצעות ניסוי וטעייה במודל, מחקה למידה אנושית.באותו זמן, ML יכול לעזור עם caliation מודל על ידי חיפוש של חללים פרמטרים היברידיים.

מודלים משותפים וקודמת

אחריות דורשת לגיטימציה דמוקרטית.מודלים של משתתפים כרוכים בעלי עניין - לצד בעלי עסקים, בעלי עסקים - בהגדרת סוכנים, כללים ותרחישים. נתונים חברתיים יכולים לבוא מסדנאות או פלטפורמות מקוונות שבו אנשים מביעים העדפות.נתוני סביבתיים עשויים להיות מתווסף על ידי יוזמות מדע אזרחי, כגון ניטור איכות אוויר קהילתי. גישה זו בונה אמון ומבטיחה כי תפוקות מודל הן רלוונטיות ופעולות.

מסקנה: לקראת ראיות מבוססות על קיימות עירונית

הגדלת נתונים חברתיים וסביבתיים למודלים המבוססים על הסוכן אינה פנאצה, אבל היא אחת המסגרות הקפדניות ביותר הזמינות לחקר התפתחות עירונית בת קיימא.על ידי סימולציה בנתונים דמוגרפיים, התנהגותיים ואקולוגיים אמיתיים, מתכננים יכולים לבחון מדיניות בסביבה נטולת סיכון, לזהות תוצאות לא מכוונות, ולערב קהילות ביצירת משותף של פתרונות.

קיימות עירונית אינה רק בעיה טכנית; היא חברה ופוליטית.ABMs הם כלים לדיון, לא מקבלי החלטות.הם יכולים להאיר את הרכישות: גישור עשוי להפחית את השימוש במכוניות אך להגדיל את החשיפה לחום המקומי; גגות ירוקים עשויים לשפר את ניהול המים בסערה, אלא להעלות עלויות דיור.עם נתונים חברתיים וסביבתיים שזורקים לתוך הבד שלהם, מודלים אלה מסייעים להבטיח שהאורות שאנו משאירים על פני הדורות הבאים הן בהירות, ירוקות, ירוקות, ירוקות יותר, ירוקות יותר, ירוקות יותר, ירוקות יותר, ירוקות יותר, אך הן ירוקות יותר, ירוקות יותר, ירוקות יותר, אך הן ירוקות יותר.

(FLT:0Key Takeaway:FLT:1) העיר הגדולה ביותר הם אלה המטפלים בנתונים חברתיים וסביבתיים לא כקלטים נפרדים אלא כשכבות ⁇ של אותה מערכת מורכבת.כאשר נעשה בזהירות, אינטגרציה מגלה את הנתיבים לעבר ערים שהן גם ניתנות להשגה והן ממושכות.