Sự pha trộn sử dụng đất đô thị và trí tuệ nhân tạo: Một tổng quan có hệ thống

Sự pha trộn sử dụng đất đô thị và trí tuệ nhân tạo: Một tổng quan có hệ thống

Urban land use mix and AI: A systematic review

SHARE COMMENTS

1 – GIỚI THIỆU

Sự đa dạng trong sử dụng đất là yếu tố nền tảng của tính bền vững đô thị, đối lập với các chính sách phân khu chức năng tách biệt. Môi trường xây dựng tích hợp nhiều chức năng khác nhau giúp tăng tính gần gũi, giảm quãng đường di chuyển, khuyến khích lối sống lành mạnh và nâng cao khả năng sử dụng không gian công cộng. Tuy nhiên, các nhà quy hoạch vẫn thiếu công cụ để thúc đẩy và bảo vệ tính đa dạng chức năng này.

Sự xuất hiện của Trí tuệ nhân tạo (AI) đang mở ra một kỷ nguyên mới cho quy hoạch và thiết kế đô thị thông minh, giúp đô thị trở nên bền vững hơn và phản ứng linh hoạt với nhu cầu của cư dân. Khi đô thị phát triển và mở rộng nhanh chóng, độ phức tạp trong quản lý không gian tăng lên, khiến các phương pháp truyền thống trở nên hạn chế. AI nổi lên như công cụ mạnh mẽ để giải quyết các thách thức này, góp phần cải thiện quy trình quy hoạch, nâng cao tính hiệu quả, khả năng sống và tính bền vững đô thị.

Nghiên cứu này thực hiện tổng quan hệ thống (systematic review) 66 công trình trong giai đoạn 2014–2024 về ứng dụng AI trong đánh giá và tối ưu hóa pha trộn sử dụng đất đô thị. Mục tiêu nhằm làm rõ cách thức các kỹ thuật AI — bao gồm học máy, học sâu, mạng nơ-ron, thuật toán tiến hóa và các hệ thống đa tác tử — được ứng dụng để mô hình hóa, dự báo và tối ưu hóa sự đa dạng chức năng trong môi trường đô thị, từ đó hỗ trợ quy hoạch thích ứng và phát triển bền vững.

2 – MÔ TẢ HỆ THỐNG

Bài nghiên cứu được thiết kế theo cấu trúc một tổng quan hệ thống (systematic review) nhằm xem xét một cách toàn diện các nghiên cứu ứng dụng trí tuệ nhân tạo (AI) trong lĩnh vực pha trộn sử dụng đất đô thị. Quá trình tìm kiếm, chọn lọc và tổng hợp dữ liệu được thực hiện dựa trên hướng dẫn PRISMA, bảo đảm tính minh bạch và khả năng tái lập của quy trình nghiên cứu. Các cơ sở dữ liệu khoa học lớn gồm Scopus, Springer Link, Google Scholar và Semantic Scholar được lựa chọn vì tính phù hợp với lĩnh vực quy hoạch đô thị và công nghệ AI. Các từ khóa được thiết lập theo chuỗi truy vấn logic kết hợp (“AND”, “OR”) để bao quát tối đa phạm vi nghiên cứu như “AI AND urban AND land use AND analysis”, “deep learning AND spatial AND function”, “artificial intelligence AND urban diversity”, và “machine learning AND land use classification”. Khung thời gian được giới hạn từ năm 2014 đến 2024, giai đoạn chứng kiến sự bùng nổ của các công nghệ học máy và học sâu trong lĩnh vực đô thị học.

Tổng cộng 2107 bài viết được tìm thấy trong lần quét đầu tiên, sau khi loại bỏ trùng lặp và những bài tập trung vào phân tích sử dụng đất quy mô vùng hoặc thay đổi lớp phủ đất, nhóm nghiên cứu thu hẹp danh sách xuống còn 654 bài. Các tiêu chí chọn mẫu tập trung vào các công trình ứng dụng AI vào pha trộn sử dụng đất ở cấp độ vi mô, bao gồm các nghiên cứu về phân loại, mô phỏng, tối ưu hóa, ra quyết định và quy hoạch có sự tham gia. Ở giai đoạn tiếp theo, quá trình sàng lọc được thực hiện kết hợp giữa đánh giá thủ công và công cụ mô hình ngôn ngữ lớn (LLM) tùy chỉnh – cụ thể là ChatGPT – nhằm tăng độ chính xác trong việc đối chiếu tiêu chí chọn và loại. Kết quả cuối cùng xác định 66 bài nghiên cứu đáp ứng đầy đủ yêu cầu và được đưa vào phân tích chi tiết. Quá trình chọn lọc này được thể hiện bằng sơ đồ dòng PRISMA, làm rõ từng bước sàng lọc, số lượng bài bị loại và lý do tương ứng.

Quy trình trích xuất dữ liệu được tiến hành theo phương pháp có cấu trúc, tập trung vào các thông tin trọng yếu của mỗi nghiên cứu: mục tiêu, phương pháp AI, loại dữ liệu sử dụng, bối cảnh địa lý và kết quả đạt được. Các phương pháp được nhóm thành từng loại theo chức năng như phân loại sử dụng đất, tích hợp dữ liệu đa nguồn, phân tích tương tác không gian, tối ưu hóa cấu hình sử dụng đất, mô phỏng kịch bản phát triển và hỗ trợ ra quyết định. Mức độ nghiêm ngặt về phương pháp của từng bài được đánh giá dựa trên bộ tiêu chí CASP (Critical Appraisal Skills Program), bảo đảm chỉ những nghiên cứu đạt chuẩn cao nhất về độ tin cậy, tính hợp lý và giá trị thực tiễn mới được đưa vào phân tích tổng hợp. Dữ liệu trích xuất được chuẩn hóa để phục vụ so sánh liên ngành, tạo cơ sở cho việc hình thành một bức tranh tổng quan về cách thức AI đang được tích hợp vào quy hoạch đô thị.

3 – PHƯƠNG PHÁP NGHIÊN CỨU

Phương pháp nghiên cứu của bài tổng quan này kết hợp tiếp cận định lượng và định tính nhằm tái hiện xu hướng phát triển của AI trong quy hoạch sử dụng đất đô thị. Các công trình được phân chia thành ba nhóm chính theo mục tiêu và phạm vi ứng dụng: thứ nhất, những nghiên cứu sử dụng AI cho phân loại và phân tích không gian đô thị; thứ hai, các công trình về chiến lược AI trong phát triển và quản lý đô thị đa chức năng; và thứ ba, các nghiên cứu khai thác AI trong các hệ thống hỗ trợ ra quyết định và quy hoạch có sự tham gia của cộng đồng. Phương pháp tổng hợp dữ liệu dựa trên việc mã hóa các đặc trưng chung và khác biệt trong từng nhóm, từ đó xác định xu hướng, khoảng trống và cơ hội nghiên cứu tương lai.

Các kỹ thuật AI được hệ thống hóa thành 11 nhóm phương pháp, bao gồm học sâu (Deep Learning) như CNN, GAN, Transformer, học máy (Machine Learning) như Random Forest, SVM, XGBoost, học tăng cường (Reinforcement Learning), thuật toán tiến hóa (Genetic Algorithms, Particle Swarm Optimization), phương pháp dựa trên đồ thị (Graph Neural Networks, Graph Attention Networks), học tổ hợp (Ensemble Learning), mô hình lai, học đa phương thức (multimodal learning), mô hình đa tác tử (Multi-Agent Systems) và mô hình mô phỏng quy trình (Procedural Modeling). Mỗi nhóm được đánh giá về khả năng xử lý dữ liệu không gian, mức độ thích ứng với dữ liệu đa nguồn, năng lực mô phỏng hành vi đô thị, và tiềm năng ứng dụng thực tiễn trong quy hoạch thông minh.

Phân tích địa lý cho thấy Trung Quốc, Hoa Kỳ và Iran là những quốc gia có tỷ lệ nghiên cứu ứng dụng AI trong quy hoạch đô thị cao nhất, trong khi các nước như Nhật Bản, Tây Ban Nha hay Qatar có phạm vi ứng dụng hẹp hơn, chủ yếu tập trung vào học máy truyền thống. Xu hướng nghiên cứu toàn cầu thể hiện rõ sự chuyển dịch từ mô hình tĩnh, quy mô lớn sang các mô hình linh hoạt, quy mô vi mô, phản ánh nhu cầu mô phỏng chính xác các không gian sống thực tế ở cấp độ khu dân cư hoặc khoảng cách đi bộ. Sự kết hợp giữa dữ liệu vệ tinh, dữ liệu mạng xã hội và các chỉ số hành vi đô thị đang mở ra hướng nghiên cứu mới về “trí tuệ không gian đô thị (GeoAI)”, nơi AI trở thành công cụ dự báo, mô phỏng và tối ưu hóa cấu trúc đô thị theo hướng bền vững và công bằng hơn.

4 – KẾT QUẢ NGHIÊN CỨU

Kết quả tổng hợp cho thấy ứng dụng AI trong lĩnh vực pha trộn sử dụng đất đô thị đang phát triển mạnh mẽ theo ba hướng chính: phân tích không gian, quản lý – tối ưu hóa phát triển đô thị, và hỗ trợ ra quyết định có sự tham gia. Trong phân tích không gian, các thuật toán học sâu như CNN, Random Forest, Gradient Boosting Decision Tree đã chứng minh khả năng vượt trội trong việc phân loại và nhận diện các vùng chức năng đô thị, giúp phát hiện những khu vực hỗn hợp hoặc chuyển đổi mục đích sử dụng đất với độ chính xác cao. Các mô hình học đa phương thức như Inception V3 kết hợp BERT cho phép tích hợp dữ liệu hình ảnh vệ tinh với dữ liệu văn bản hoặc dữ liệu hành vi người dùng để hiểu sâu hơn về các mô hình không gian phức tạp. Việc kết hợp nhiều nguồn dữ liệu như ảnh vệ tinh, dữ liệu POI, mạng lưới giao thông, bản đồ dân cư và dữ liệu mạng xã hội đã tạo nên những mô hình dự báo mạnh mẽ, có khả năng nắm bắt biến động đô thị theo thời gian thực.

Trong lĩnh vực quản lý và phát triển đô thị đa chức năng, các mô hình GAN, Reinforcement Learning, Genetic Algorithms và Multi-Objective Evolutionary Algorithms được ứng dụng để mô phỏng sự tăng trưởng, tái cấu trúc và tối ưu hóa không gian đô thị. Một ví dụ tiêu biểu là mô hình LUCGAN+ có thể tự động đề xuất cấu hình sử dụng đất dựa trên dữ liệu lịch sử và các chỉ số kinh tế – xã hội, trong khi mô hình Text2City sử dụng mô tả ngôn ngữ tự nhiên để sinh ra bố cục đô thị mới, tạo ra công cụ quy hoạch tương tác trực quan giữa con người và AI. Ngoài ra, các phương pháp tối ưu đa mục tiêu (như NSGA-II, MOPSO, MOEA/D) giúp các nhà quy hoạch cân bằng giữa mật độ xây dựng, khả năng tiếp cận, bảo tồn không gian xanh và phát triển kinh tế, mở ra hướng tiếp cận quy hoạch đa chiều và linh hoạt.

Trong lĩnh vực quy hoạch có sự tham gia và hỗ trợ ra quyết định, AI đang đóng vai trò như một trung gian kỹ thuật giữa các bên liên quan. Các mô hình Multi-Agent Reinforcement Learning (MARL) mô phỏng quá trình thương lượng giữa cư dân, doanh nghiệp và chính quyền, giúp đánh giá sự cân bằng giữa tăng trưởng kinh tế, công bằng xã hội và bền vững môi trường. Công cụ Intelligent Group Decision Support System (IGDSS) sử dụng các tác tử phần mềm (MAS) và mô hình học Bayes để học các ưu tiên xã hội (Social Value Orientations) của từng nhóm đối tượng, từ đó rút ngắn thời gian đàm phán và tăng tính công bằng trong phân bổ đất đai. Bên cạnh đó, các mô hình ngôn ngữ lớn (LLMs) được dùng để diễn giải và tự động hóa quy định phân khu, giúp chuyển đổi các văn bản pháp lý phức tạp thành công cụ tính toán trực quan, hỗ trợ hoạch định chính sách minh bạch hơn. Tuy nhiên, các công cụ này vẫn tiềm ẩn nguy cơ củng cố thiên vị thể chế và làm giảm quyền tự chủ của cộng đồng nếu thiếu cơ chế kiểm soát và giải thích rõ ràng.

Về khía cạnh bền vững môi trường, các mô hình như UNet CNN và Land Use Random Forest (LURF) cho phép dự đoán mối liên hệ giữa cấu trúc sử dụng đất và chất lượng không khí, xác định các khu vực công nghiệp đóng góp mức phát thải PM2.5 cao hơn 37% so với khu dân cư, qua đó cung cấp cơ sở dữ liệu phục vụ quy hoạch xanh và kiểm soát ô nhiễm. Tuy nhiên, vấn đề giải thích mô hình (interpretability) và giới hạn của dữ liệu đầu vào vẫn là thách thức lớn khi AI được áp dụng trong các bối cảnh đô thị có cấu trúc phức tạp và không đồng nhất.

5 – KẾT LUẬN

Trí tuệ nhân tạo đang trở thành nhân tố trung tâm trong việc tái định hình lĩnh vực quy hoạch và phát triển đô thị bền vững, đặc biệt trong phân tích và tối ưu hóa sự pha trộn sử dụng đất. Bằng cách hợp nhất dữ liệu không gian, kinh tế – xã hội và môi trường, AI giúp các nhà quy hoạch hiểu sâu hơn về mối quan hệ giữa mật độ, tính đa dạng chức năng và khả năng tiếp cận của cư dân. Các khung học máy và học sâu hiện đại không chỉ đóng vai trò phân tích mà còn mở ra khả năng dự báo, mô phỏng và đồng sáng tạo cùng cộng đồng.

Điểm nổi bật của giai đoạn mới này là khả năng dân chủ hóa quy hoạch đô thị thông qua AI. Những hệ thống mô phỏng và công cụ xử lý ngôn ngữ tự nhiên giúp cộng đồng tham gia vào quy trình ra quyết định một cách trực tiếp, biến quy hoạch thành quá trình tương tác hai chiều giữa công nghệ và con người. Tuy nhiên, sự phụ thuộc vào dữ liệu và thuật toán cũng đặt ra yêu cầu cấp thiết về đạo đức, minh bạch và trách nhiệm giải trình. Các mô hình cần được phát triển trong khuôn khổ pháp lý rõ ràng để đảm bảo công bằng, tránh thiên lệch và bảo vệ quyền lợi của các nhóm yếu thế.

Hướng đi tương lai mà bài nghiên cứu gợi mở là tích hợp học liên kết (Federated Learning) để bảo vệ quyền riêng tư dữ liệu, phát triển mô hình ngôn ngữ lớn tinh chỉnh (fine-tuned LLMs) để hỗ trợ phân tích chính sách, và áp dụng tối ưu đa mục tiêu (multi-objective optimization) nhằm cân bằng giữa phát triển, bền vững và công bằng. Khi được triển khai đúng cách, AI không thay thế con người mà trở thành công cụ hỗ trợ mạnh mẽ, giúp các nhà quy hoạch điều hướng sự phức tạp của đô thị đương đại, tạo ra những không gian sống thích ứng, linh hoạt và bao trùm hơn. Như vậy, sự kết hợp giữa năng lực phân tích dữ liệu của AI và khả năng nhận thức xã hội của con người chính là chìa khóa để xây dựng các thành phố tương lai – thông minh, công bằng và bền vững.