معيار المنهجية لتعلم الآلة في مراقبة توسع المدن في المناطق القاحلة: مثال الرياض

تجاوز الضباب الطيفي: رصد التوسع الحضري الجاف المدفوع بالتعلم الآلي وإعادة بناء المنهجية

في القرن الحادي والعشرين، أصبح التوسع الحضري العالمي قوة حاسمة تعيد تشكيل المشهد الأرضي. خاصة في المناطق الجافة وشبه الجافة، يواجه هذا التوسع تحديات هندسية فريدة: ندرة الغطاء النباتي، والتشابه العالي في الانعكاسية السطحية، مما يخلق "تطابقًا طيفيًا" (Spectral Mimicry) ملحوظًا بين المناطق المبنية (مثل الخرسانة والأسفلت) والتربة الصحراوية المكشوفة من الناحية الطيفية. هذا الغموض لا يشكل تهديدًا منهجيًا لطرق تصنيف استخدامات الأراضي/تغطية الأراضي (LULC) التقليدية فحسب، بل يضع أيضًا اختبارًا صارمًا للتخطيط طويل الأجل وتخصيص الموارد على المستوى الوطني.

تعد المملكة العربية السعودية، وخاصة العاصمة الرياض، في طليعة هذا التحول الكبير. بدفع "رؤية السعودية 2030"، تشهد الرياض عملية تحضر متفجرة. وفقًا للبيانات البحثية، فقد نما مساحة المناطق المبنية من 416 كم² في عام 1990 إلى 1,219 كم² في عام 2025، وهو نمو مذهل في مساحة المناطق المبنية، وهذا ليس مجرد انعكاس للنمو السكاني، بل هو تجسيد لاستراتيجية التنويع الاقتصادي الوطنية والاستثمار في البنية التحتية. ومع ذلك، فإن هذا التوسع المكاني السريع وغير الخطي يفرض متطلبات أعلى على أنظمة المراقبة والتخطيط التقليدية.

التحدي: فصل الخصائص الطيفية في البيئات الجافة

عند مراقبة التغيرات الحضرية باستخدام الاستشعار عن بعد، يظل التمييز الفعال بين البنية الحضرية والتضاريس الطبيعية هو العائق الأساسي. في صور الأقمار الصناعية للمناطق الجافة مثل الرياض، يصعب التمييز بين المواد الإنشائية عالية الانعكاسية والتربة المكشوفة منخفضة الانعكاسية من خلال البصمة الطيفية. غالبًا ما يعتمد التحليل السابق على مؤشر واحد (مثل NDBI)، لكن هذا المؤشر الواحد يفتقر إلى القوة التمييزية الكافية في ظل التغيرات المعقدة متعددة المقاييس ومتعددة المراحل، مما يجعل ضمان متانة نتائج التصنيف أمرًا صعبًا.

لحل هذا الخلل المنهجي، تدمج هذه الدراسة مصنفات التعلم الآلي (Machine Learning, ML) غير المعلمية في مجال المراقبة عن بعد. تكمن الابتكار في البحث في عدم الاقتصار على استخدام مؤشر واحد تجريبي، بل بناء مكدس ميزات مخصص (Custom Feature Stack) يدمج مؤشرات رئيسية مثل مؤشر التربة المكشوف (BSI) وNDBI، بهدف توفير أبعاد ميزات أكثر دقة وقابلية للفصل للتضاريس الجافة المعقدة.

منظور رأس المال الهندسي: الاختبار المعياري لاختيار النموذج

بالنسبة للاستثمار في البنية التحتية والتخطيط طويل الأجل، يعد اختيار النموذج الصحيح هو العامل الحاسم في تحديد مخاطر المشروع ودقة المراقبة.### 从工程资本视角看：模型选择的系统性基准测试

对于基础设施投资和长期规划而言，选择正确的模型是决定项目风险和监测准确性的关键。本研究超越了简单的模型应用，其核心价值在于建立了一个跨算法的性能基准测试框架（Benchmarking Framework）。研究系统地对比了五种主流的监督学习算法——随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）、梯度提升树（Gradient Boosted Trees, GBT）、分类和回归树（CART）以及k-近邻（k-Nearest Neighbor, KNN）。

这种系统对比的意义在于：它迫使分析师超越“试错法”，识别出在特定干旱光谱噪声下，哪种算法架构（如RF的非线性拟合能力）最能有效捕捉城市扩张的非线性趋势。研究结果清晰地表明，随机森林模型在整体准确率（Overall Accuracy = 0.977）和Kappa系数（Kappa = 0.954）方面表现最优，这为未来在类似干旱环境进行土地利用/土地覆盖（LULC）分类时，提供了一条高可靠性的工程实践路径。

区域发展与长期趋势的映射

从工程资本流动的角度看，高精度、可重复的城市扩张数据是吸引长期基础设施投资（无论是公建还是PPP项目）的先决条件。当国家战略（如沙特愿景2030）对城市形态有明确的量化目标时，基于长期时间序列（1990-2025）的精确空间动态评估，能够有效降低投资风险，并指导资源向高增长区域倾斜。

本研究不仅提供高精度的空间数据集，更重要的是，它提供了一套可迁移的方法论框架。这套框架不仅适用于利雅得，更可推广至全球干旱和半干旱地区的城市监测难题，为全球南方地区在快速城市化背景下，如何利用数据科学提升基建规划的科学性和前瞻性，提供了重要的工程学和政策参考。

结论： 城市扩张的监测已从单纯的影像识别升级为复杂的跨学科工程问题。通过将先进的机器学习技术与严谨的遥感方法论相结合，我们不仅量化了利雅得的城市化成就，更构建了一个应对全球干旱地区城市治理挑战的工程分析范式。