Формування моделі розумного міста з огляду на динаміку змін міської забудови
DOI:
https://doi.org/10.30837/2522-9818.2025.2.016Ключові слова:
теоретико-множинна модель; дистанційне зондування; глибоке навчання; актуалізація даних; напрями інтелектуалізації містаАнотація
Мета роботи – підвищення ґрунтовності оцінок для формування рішень з інтелектуалізації міста на основі аналізу змін міської забудови. У статті розв’язано такі завдання: розглянуто тенденції розвитку концепцій Smart City; проаналізовано вимоги до розумних міст і запропоновано теоретико-множинну модель розумного міста; подальшого розвитку набув метод аналізу міської забудови за дистанційними даними, експериментально підтверджено можливість його використання. Упроваджено методи системного аналізу, теорії множин і глибокого навчання. Досягнуті результати. Створення зручного міського середовища сприяє економічному зростанню, покращує якість життя та забезпечує сталий розвиток, що можливо завдяки впровадженню концепції розумного міста. Для уніфікації кроків зі створення розумних міст запропоновано теоретико-множинну модель розумного міста, яка відповідно до вимог стандартів серії ISO 37100 поєднує показники, що забезпечують реалізацію певних напрямів інтелектуалізації. Вибір напряму інтелектуалізації має ґрунтуватися на вивченні проблем урбанізації. Складність цього питання потребує вдосконалення процесів аналізу міської забудови, наприклад, з використанням даних дистанційного зондування Землі (ДЗЗ). Для отримання оцінок, придатних для подальшого аналізу та формування рішень, розроблено метод аналізу міської забудови за даними ДЗЗ, що використовує глибоке навчання в обробленні структурованої інформації за допомогою інструменту Image Analyst ArcGIS Pro 3.4. Розроблено схему алгоритму отримання моделі Deep Learning для дешифрування об’єктів міської забудови, запропоновано її програмну реалізацію. Дослідження можливостей розробленого методу відбувалося в процесі розв’язання завдань актуалізації інформації про міську забудову Києва. Модель Deep Learning добре розпізнає об’єкти міської забудови та має добру пристосованість до об’єктів, що різняться від об’єктів навчальної вибірки. Висновки. Вибір напряму інтелектуалізації має ґрунтуватися на ретельному вивченні ситуації, що виникла внаслідок урбанізації міських районів. Експериментальний аналіз динаміки змін міської забудови району м. Києва за період 2005–2021 рр. показав: збільшення кількості об’єктів житлової (на 5,4%) та комерційної забудови (на 11%), нехтування розвитком соціальної інфраструктури, нерозбудову транспортної інфраструктури, ігнорування питань озеленення території району тощо. Досягнуті результати можуть бути корисними у формуванні пріоритетних способів упровадження інтелектуальних рішень у повсякденне життя містян.Завантаження
Посилання
Tricomi G., CV POp-CoRN: The (smart) city-vehicle participatory-opportunistic cooperative route navigation system / G. Tricomi, C. Scaffidi, A. Puliafito, S. Distefano. Ad Hoc Networks. 2024. Article 103604. DOI: https://doi.org/10.1016/j.adhoc.2024.103604
Teng Q., Bai X., Apuke O. D. Modelling the factors that affect the intention to adopt emerging digital technologies for a sustainable smart world city. Technology in Society. 2024. Vol. 78. Article 102603. DOI: https://doi.org/10.1016/j.techsoc.2024.102603
Yang R., Zhen F. Smart city development Models: A cross-cultural regional analysis from theory to practice. Research in Globalization. 2024. Vol. 8. Article 100221. DOI: https://doi.org/10.1016/j.resglo.2024.100221
Чичкало-Кондрацька І. Б., Буряк А. А., Кондрацька Д. С. Особливості створення та перспективи розвитку Smart Cities у країнах світу. Ефективна економіка. 2020. № 8. DOI: https://doi.org/10.32702/2307-2105-2020.8.9
IMD Smart City Index 2024. URL: https://www.imd.org/wp-content/uploads/2024/04/20240412-SmartCityIndex-2024-Full-Report_4.pdf. (дата звернення 1.07.2024).
IMD World Competitiveness Booklet. URL: https://www.imd.org/wp-content/uploads/2023/06/WCY_Booklet_2023-FINAL.pdf. (дата звернення 1.07.2024).
Zhu J. How different can smart cities be? A typology of smart cities in China / J. Zhu et al. Cities. 2024. Vol. 149. Article 104992. DOI: https://doi.org/10.1016/j.cities.2024.104992
Okonta D. E., Vukovic V. Smart cities software applications for sustainability and resilience. Heliyon. 2024. Vol. 10, Issue 2. Article e32654. DOI: https://doi.org/10.1016/j.heliyon.2024.e32654
Liu Y., Wen X. Sustainability assessment of cities using multicriteria decision-making combined with deep learning methods Sustainable Cities and Society. 2024. Vol. 115. Article 105571. DOI: https://doi.org/10.1016/j.scs.2024.105571
Шпак О., Федорка П., Пригара М. Розумні міста та Інтернет речей: вплив розробок у сфері ІТ на розвиток міст і покращення якості життя. Сучасний стан наукових досліджень та технологій в промисловості. 2023. № 3 (25). С. 114 – 128. DOI: https://doi.org/10.30837/ITSSI.2023.25.114
Kim J. S., Feng Y. Understanding complex viewpoints in smart sustainable cities: The experience of Suzhou, China. Cities. 2024, Vol. 147, Article 104832. DOI: https://doi.org/10.1016/j.cities.2024.104832
Han M.J.N., Kim M. J. A systematic literature review of the smart city transformation process: The role and interaction of stakeholders and technology. Cities. 2024. Vol. 150. Article 105027. DOI: https://doi.org/10.1016/j.cities.2024.105027
Abdullah Kaiser Z. R. M. Smart Governance for Smart Cities and Nations: The Case of Smart Bangladesh. Journal of Economy and Technology. 2024, Article 003. DOI: https://doi.org/10.1016/j.ject.2024.07.003
Makkonen T., Inkinen T. Inclusive smart cities? Technology-driven urban development and disabilities. Cities. 2024. Vol. 154. Article 105334. DOI: https://doi.org/10.1016/j.cities.2024.105334
Ulya A. Major Dimensions of Smart City: A Systematic Literature Review / A. Ulya, T. D. Susanto, Y. S. Dharmawan, A. P. Subriadi. Procedia Computer Science. 2024. Vol. 234. Р. 996-1006. DOI: https://doi.org/10.1016/j.procs.2024.03.089
Florentin K. M., Onuki M., Yarime M. Facilitating citizen participation in Greenfield smart city development: The case of a human-centered approach in Kashiwanoha international campus town. Telematics and Informatics Reports. 2024. Vol. 15. Article 100154. DOI: https://doi.org/10.1016/j.teler.2024.100154
Trencher G. Towards the smart city 2.0: Empirical evidence of using smartness as a tool for tackling social challenges. Technological Forecasting and Social Change. 2019. Vol. 142. P. 117-128. DOI: https://doi.org/10.1016/j.techfore.2018.07.033
Даншина С. Ю., Андрєєв С. М. Дистанційні дані у процесі реставрації пам’яток архітектури. Управління розвитком складних систем. 2024. No. 59. С. 138-147. DOI: https://doi.org/10.32347/2412-9933.2024.59.138-147
ISO 37122:2019. Sustainable cities and communities – Indicators for smart cities. URL: https://www.iso.org/standard/69050.html. (дата звернення 5.07.2024).
Zheng Y. Wavelet Transform Cluster Analysis of UAV Images for Sustainable Development of Smart Regions Due to Inspecting Transport Infrastructure / Y. Zheng et al. Sustainability. 2025. Vol. 17(3), Article 927. DOI: https://doi.org/10.3390/su17030927
Дюжев С. Генеральне стратегічне містобудівне планування та проблеми планувального управління розселенням (частина друга: проблеми, перешкоди щодо їх розв’язання, актуальні завдання та технологічні вимоги до змісту містобудівної документації). Містобудування та територіальне планування. 2023. № 84. С. 64-131. DOI: https://doi.org/10.32347/2076-815x.2023.84.64-131
Danshyna S., Nechausov A. Andrieiev S. Information technology of transport infrastructure monitoring based on remote sensing data. Radio Electronics, Computer Science, Control. 2022. No. 4 (63). P. 86–97. DOI: https://doi.org/10.15588/1607-3274-2022-4-7
Zhou H. Identifying influencing factors and characterizing key issues in urban sustainable development capacity through machine learning / H. Zhou et al. Chinese Journal of Population, Resources and Environment. 2024. Vol. 22, issue 3. P. 291-304. DOI: https://doi.org/10.1016/j.cjpre.2024.09.008
Deep learning using the ArcGIS Image Analyst extension. URL: https://pro.arcgis.com/en/pro-app/3.3/help/analysis/image-analyst/deep-learning-in-arcgis-pro.htm
Shaoqing R. University of Science and Technology of China, Hefei, Anhui, ChinaFaster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks / Sh. Ren, Kaiming He, R. Girshick, J. Sun. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39, Issue 6. P. 1137-1149. DOI: https://doi.org/10.1109/TPAMI.2016.2577031
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
-
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
-
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
-
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.












