بازاندیشی شهرهای هوشمند: ابزاری منبع باز برای جمع آوری داده های شهری

ویرایش شده توسط Sadie Harley، بررسی توسط Andrew Zinin

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

بخش بزرگی از برنامه ریزی شهری شامل پیمایش چگونگی تجربه مردم از یک مکان است. این نوع بینش می‌تواند مستلزم جمع‌آوری داده‌ها در سطحی از جزئیات باشد که مجموعه‌های داده در مقیاس بزرگ نمی‌توانند ارائه کنند.

Henry Levesque دانشجوی دکترا در برنامه ریزی توسعه منطقه ای در دانشکده طراحی، معماری، هنر و برنامه ریزی دانشگاه سینسیناتی (DAAP) است. او در حال بررسی رویکردی متفاوت برای جمع‌آوری داده‌های شهر هوشمند با توسعه یک ابزار منبع باز است که برای دسترسی بیشتر به این فرآیند طراحی شده است. تحقیقات او بر روی یک سیستم منبع باز و کم هزینه متمرکز است که به افراد امکان می دهد اطلاعات بسیار محلی در مورد محیط خود را جمع آوری کنند و کنترل بیشتری بر نحوه جمع آوری و استفاده از آن داده ها حفظ کنند.

ابزارهای Levesque به جای تکیه انحصاری بر مجموعه داده های بزرگ طراحی شده برای توصیف کل شهر یا منطقه، برای پاسخ به سؤالات در مقیاس بسیار کوچکتر طراحی شده اند: درجه حرارت در این بلوک خاص چقدر است؟ این پیاده رو چه شرایطی دارد؟ چگونه یک فرد به یک محیط خاص واکنش نشان می دهد؟

Levesque گفت: "اگر من فقط داده های دما را در اطراف یک بلوک یا تقاطع یا محله بسیار خاص می خواهم، به مجموعه داده های کل شهر یا شهرستان نیازی ندارم." در عوض می‌توانم مجموعه داده‌های خودم را جمع‌آوری کنم که می‌تواند جزئیات بهتری داشته باشد.»

پلتفرم جمع‌آوری داده‌های Levesque از اجزای ارزان‌قیمتی برای جمع‌آوری اطلاعات در مورد یک محیط و افرادی که آن را تجربه می‌کنند، استفاده می‌کند. در پیکربندی فعلی، دستگاه را می توان روی کلاه پوشید یا به کلاه ایمنی متصل کرد و هم از کاربر و هم از آنچه کاربر در حال مشاهده است، عکس می گیرد.

می تواند به طور همزمان موقعیت مکانی GPS را ضبط کند و می تواند با سنسورهای اضافی برای جمع آوری اطلاعاتی مانند دما، رطوبت و کیفیت هوا پیکربندی شود.

دستگاه جمع آوری اطلاعات اولیه Levesque را می توان روی کلاه یا کلاه ایمنی پوشید. در پیکربندی فعلی خود، تصاویر را می گیرد و اطلاعات GPS را ضبط می کند. سنسورهای اضافی را می توان برای اندازه گیری عواملی مانند کیفیت هوا، دما، رطوبت و نور اضافه کرد.

این سیستم به جای تجهیزات تخصصی از اجزای ارزان قیمت و در دسترس استفاده می کند. Levesque همچنین سیستم را طوری طراحی کرده است که داده ها برای افرادی که آنها را جمع آوری می کنند در دسترس باقی بماند.

به جای تولید داده‌های قفل‌شده در قالب اختصاصی، سیستم می‌تواند توالی‌های تصویر و داده‌های مهر زمانی تولید کند که می‌توانند با استفاده از نرم‌افزارهای رایج در دسترس باز و تجزیه و تحلیل شوند. یک مجموعه می‌تواند شامل یک تصویر هر پنج ثانیه، هر دقیقه یا در بازه‌های زمانی دیگر، همراه با اطلاعاتی مانند مکان و دما باشد.

برای Levesque، این دسترسی به ویژه زمانی مهم است که تحقیق برای اطلاع رسانی تصمیمات در مورد جوامع و محیط های شهری باشد.

لوسک گفت: «امیدوارم بتوانم روش‌های در دسترس‌تری برای درک محیط‌های شهری ارائه دهم. ارزان‌تر، آسان‌تر است و به تجهیزات تخصصی یا تخصص زیادی نیاز ندارد.»

همچنین بسته به سوال تحقیق می توان سیستم را مجددا پیکربندی کرد. برای مثال، یک دستگاه را می توان در یک مکان ثابت نصب کرد و برای جمع آوری اندازه گیری های محیطی در طول زمان استفاده کرد. اگر ردیابی مکان غیر ضروری باشد، می‌توان GPS را حذف کرد، در حالی که می‌توان یک پنل خورشیدی یا حسگرهای اضافی اضافه کرد.

این انعطاف پذیری در رویکرد Levesque به داده های شهری مرکزی است.

Levesque گردش کار کامل را با دانش‌آموزانی آزمایش کرده است، که بسیاری از آن‌ها تجربه قبلی در زمینه کدنویسی یا محاسبات فیزیکی نداشتند یا نداشتند. در طی یک کلاس چهار هفته‌ای، دانشجویان بسته‌های حسگر ساختند، پدیده‌هایی را که می‌خواستند مطالعه کنند شناسایی کردند، داده‌ها را جمع‌آوری کردند و نتایج را با استفاده از ابزارهای اضافی توسعه‌یافته توسط Levesque تجزیه و تحلیل کردند.

یک پروژه تخمین‌های حالت چهره را در طول جلسات مربیگری شغلی بررسی کرد. با اجازه شرکت کنندگان، یک دانش آموز از سیستم حسگر برای گرفتن تصاویر در فواصل منظم در طول جلسه مربیگری استفاده کرد. ابزار تجزیه و تحلیل منبع باز Levesque سپس توالی تصویر را پردازش کرد و تخمین هایی را در هفت دسته حالت چهره در هر مهر زمانی ایجاد کرد.

داده‌های به‌دست‌آمده به مربی دانش‌آموز راه دیگری برای بررسی نحوه تغییر حالات چهره در طول زمان می‌دهد و اطلاعاتی را ارائه می‌دهد که مشاهده آن‌ها در حین انجام همزمان جلسه مربیگری دشوار است.

این پروژه بخشی از تحقیقات دکتری Levesque است که جمع‌آوری و تجزیه و تحلیل داده‌های منبع باز را با روش‌های به کمک هوش مصنوعی ترکیب می‌کند. کار گسترده‌تر او راه‌هایی را برای تبدیل اطلاعات بدون ساختار، از جمله متن و تصاویر، به مجموعه داده‌های ساختاریافته‌ای که می‌تواند توسط محققان تجزیه و تحلیل و تأیید شود، بررسی می‌کند.

کار Levesque همچنین نشان‌دهنده علاقه گسترده‌تر به دسترسی بیشتر به فناوری‌های نوظهور است. ابزارهای تحقیقاتی او در دسترس عموم شامل یک پلت فرم تجزیه و تحلیل به کمک هوش مصنوعی و یک سیستم جمع آوری داده مبتنی بر Raspberry Pi است.

رویکرد او فناوری را در یک فرآیند تحقیقاتی گسترده‌تر جامعه‌محور قرار می‌دهد، جایی که افرادی که یک محیط را تجربه می‌کنند می‌توانند در تعیین اینکه چه چیزی باید اندازه‌گیری شود و داده‌ها به چه سؤالاتی باید پاسخ دهند، نقش داشته باشند.

از این نظر، تحقیقات Levesque روشی متفاوت برای اندیشیدن در مورد آنچه که یک شهر را «هوشمند» می‌کند، ارائه می‌کند. سوال تنها این نیست که یک شهر چقدر داده می‌تواند جمع‌آوری کند، بلکه این است که چه کسی ابزار و دانش لازم را برای جمع‌آوری، درک آن و استفاده از آن برای شکل دادن به تغییرات دارد.

کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →