نشریه محیط زیست طبیعی

پایش و آموزش مشارکتی محیط‌زیست شهری مبتنی بر متاورس و هوش مصنوعی: چارچوبی برای حکمرانی هوشمند در کرج

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه طراحی شهری، دانشکدة معماری و شهرسازی، دانشگاه تربیت دبیر شهید رجائی تهران، ایران.

2 مجتمع آموزش عالی میناب، دانشگاه هرمزگان، بندرعباس.

10.22059/jne.2025.403153.2844

چکیده

رشد سریع چالش‌های محیط‌زیستی در کلانشهرهایی مانند کرج و ناکارآمدی شیوه‌های سنتی پایش و آموزش، ضرورت بهره‌گیری از فناوری‌های نوین را برجسته ساخته است. این پژوهش با هدف تحلیل نقش کاربردی دو فناوری متاورس و هوش مصنوعی در پایش و آموزش مشارکتی محیط‌زیست شهری انجام شد. متاورس به‌عنوان بستری تعاملی و سه‌بعدی برای بازنمایی داده‌ها و آموزش شهروندی، و هوش مصنوعی به‌عنوان ابزار تحلیل و پیش‌بینی تغییرات محیطی در نظر گرفته شدند. تحلیل داده‌ها با مدل‌سازی معادلات ساختاری در نرم‌افزار SmartPLS انجام گرفت. نتایج نشان می‌دهد که ادغام این فناوری‌ها می‌تواند از طریق آموزش و پایش مشارکتی، مسیر حرکت به‌سوی حکمرانی هوشمند شهری در کرج را تسهیل کند. جامعة آماری شامل خبرگان حوزه‌های محیط‌زیست، شهرسازی هوشمند و فناوری‌های دیجیتال بود که با روش نمونه‌گیری هدفمند و تکنیک گلوله‌برفی انتخاب شدند و در نهایت ۲۵۰ پرسشنامة معتبر گردآوری گردید. نتایج تحلیل مدل اندازه‌گیری نشان داد پایایی ترکیبی و روایی همگرا برای همة سازه‌ها در سطح مطلوب قرار دارند و بارهای عاملی همگی بزرگ‌تر از 0/6 بودند. در مدل ساختاری، هوش مصنوعی با ضریب مسیر 0/57 بر پایش محیطی و متاورس با ضریب مسیر 0/42 بر آموزش مشارکتی بیشترین اثر را داشتند. همچنین، حکمرانی هوشمند شهری با مقدار R² برابر 0/62 و امنیت پایدار شهری با R² برابر 0/59 بالاترین میزان تبیین‌پذیری را نشان دادند. اثرات غیرمستقیم بیانگر نقش میانجی آموزش مشارکتی و پایش محیطی در تقویت پیوند میان متاورس، هوش مصنوعی و متغیرهای وابسته است. نوآوری پژوهش در بهره‌گیری همزمان از داده‌های تعاملی متاورسی و تحلیل‌های هوش مصنوعی برای طراحی چارچوبی یکپارچه در حکمرانی محیطی و امنیت شهری است. یافته‌ها نشان می‌دهد ترکیب این فناوری‌ها می‌تواند به مشارکت مؤثر شهروندان، ارتقای کیفیت تصمیم‌سازی و کاهش آسیب‌پذیری محیط‌زیستی کمک نماید.

کلیدواژه‌ها

عنوان مقاله [English]

Application of metaverse and artificial intelligence in monitoring and participatory education of the natural environment with a new perspective on security and smart urban governance in Karaj

نویسندگان [English]

  • Ali Zeynali Azim 1
  • Mojtaba Salimi 2

1 Department of Urban Design, Faculty of Architecture and Urban Planning, Tarbiat Dabir Shahid Rajaei, University, Tehran, Iran.

2 Minab Higher Education Complex, University of Hormozgan, Bandar Abbas, Iran.

چکیده [English]

The rapid growth of environmental challenges in large cities such as Karaj, along with the inefficiency of traditional monitoring and education methods, underscores the necessity of adopting innovative technologies. This study aimed to examine the potential of the Metaverse and artificial intelligence (AI) in enhancing collaborative monitoring and environmental education and their impact on sustainable security and smart urban governance in Karaj. Applied in nature and quantitative–analytical in approach, the research employed partial least squares structural equation modeling (PLS-SEM) to analyze the relationships among variables. The statistical population consisted of experts in environmental science, smart urban planning, and digital technologies, selected through purposive sampling and a snowball technique, resulting in 250 valid questionnaires. Measurement model results confirmed acceptable composite reliability and convergent validity, with all factor loadings exceeding 0.60. In the structural model, AI exerted the strongest effect on environmental monitoring (path coefficient= 0.57), while the Metaverse showed the greatest influence on participatory education (path coefficient= 0.42). Smart urban governance (R²= 0.62) and sustainable urban security (R²= 0.59) demonstrated the highest explanatory power. Indirect effects revealed the mediating roles of participatory education and environmental monitoring in strengthening the links between the Metaverse, AI, and dependent variables. The novelty of this study lies in the simultaneous use of interactive Metaverse data and AI-driven analytics to design an integrated framework for environmental governance and urban security. Findings highlight that combining these technologies can foster citizen engagement, improve decision-making quality, and reduce environmental vulnerability in future cities.

کلیدواژه‌ها [English]

  • Metaverse
  • Artificial intelligence
  • Environmental monitoring
  • Smart governance
  • Karaj city
Almeman, K., EL Ayeb, F., Berrima, M., Issaoui, B., Morsy, H., 2025. The integration of AI and Metaverse in education: A systematic literature review. Applied Sciences 15(2), 863.
Alotaibi, E., Nassif, N., 2024. Artificial intelligence in environmental monitoring: In-depth analysis. Discover Artificial Intelligence 4(1), 84.
Asraei, M. B., Arghan, A., Zand Moghadam, M.R., 2025. Analyzing the lived experience of the citizens of Karaj city focusing on the livability components. Geographical Space 24(88), 120-141. (In Persian)
Dwivedi, Y.K., Hughes, L., Baabdullah, A.M., Ribeiro-Navarrete, S., Giannakis, M., Al-Debei, M.M., Wamba, S.F., 2022. Metaverse research agenda: Defining the metaverse and its future directions. International Journal of Information Management 66, 102542.
Fadhel, M.A., Duhaim, A. M., Albahri, A.S., Albahri, O.S., Zaidan, A.A., Zaidan, B.B., Hashim, M., 2024. Navigating the metaverse: Unraveling the impact of artificial intelligence—A comprehensive review and gap analysis. Artificial Intelligence Review 57, 264.
Fan, Z., Yan, Z., Wen, S., 2023. Deep learning and artificial intelligence in sustainability: A review of SDGs, renewable energy, and environmental health. Sustainability 15(18), 13493.
Islam, M.R., Al-Fuqaha, A., Guizani, M., 2025. Artificial intelligence and big data in smart environmental monitoring systems. Environmental Informatics 22(2), 133-147.
Khodabakhshi, S., Ghorbani, R., 2023. Challenges of implementing data-driven governance in Iran’s metropolitan municipalities: Evidence from Karaj. Urban Governance Review 9(4), 243-261. (In Persian)
Ladi, T., Jabalameli, S., Sharifi, A., 2022. Applications of machine learning and deep learning methods for climate change mitigation and adaptation. Environment and Planning B: Urban Analytics and City Science 49(4), 1061-1077.
Lifelo, Z., Ding, J., Ning, H., Dhelim, S., 2024. Artificial intelligence-enabled Metaverse for sustainable smart cities: Technologies, applications, challenges, and future directions. Electronics 13(24), 4874.
Liu, Y., Zhang, X., Li, X., 2022. Digital twin-driven urban resilience: Applications and opportunities. Cities 124, 103605.
Ma, S., Chen, J., Guo, J., 2025. Artificial intelligence development and air pollution: Evidence from Chinese cities. Romanian Journal of Economic Forecasting 29(2), 41-60.
Makransky, G., Petersen, G.B., 2019. Investigating the process of learning with desktop virtual reality: A structural equation modeling approach. Computers & Education 134, 15-30.
Mystakidis, S., 2022. Metaverse: Definition, history, applications, and future directions. Education and Information Technologies 27, 1-20.
Ning, H., Wang, H., Lin, Y., Wang, Y., 2022. A survey on metaverse: The state-of-the-art, technologies, applications, and challenges. IEEE Internet of Things Journal 9(11), 9243-9255.
Nleya, S.M., Velempini, M., 2024. Industrial Metaverse: A Comprehensive Review, Environmental Impact, and Challenges. Applied Sciences 14(13), 5736.
Olawade, D., 2024. Artificial intelligence in environmental monitoring: Challenges and opportunities. Environmental Advances 12, 100375.
Parizadi, T., Hoseinkhani, H., 2024. Evaluation of Urban Prosperity (Case Study: Eight Districts of Karaj City). Journal of Urban Planning and Research 14(55), 301-318. (In Persian)
Park, S.M., Kim, Y.G., 2022. A structural model for the sustainable adoption of metaverse in higher education. Sustainability, 14(3), 10234.
Patterson, D., Gonzalez, J.E., Le, Q., Liang, C., Munguia, L.M., Rothchild, D., So, D., Texier, M., Dean, J., 2021. Carbon emissions and large neural network training. arXiv preprint arXiv:2104.10350.
Popescu, D., Petrescu, A., Ionescu, C., 2024. IoT and AI-based systems for pollution monitoring and prediction. Sensors 24(7), 2890.
Raman, K., Gupta, A., Lee, J., 2025. The role of Metaverse technologies in energy systems: Opportunities and risks. Energy Reports 11, 551-569.
Rohde, F., Wagner, M., Meyer, J., 2023. Broadening the perspective for sustainable AI: Comprehensive sustainability criteria and indicators. AI and Ethics 3(4), 489-505.
Rolnick, D., Donti, P.L., Kaack, L.H., Kochanski, K., Lacoste, A., Sankaran, K., Bengio, Y., 2022. Tackling climate change with machine learning. ACM Computing Surveys 55(2), 1-96.
Roy, A., 2025. Metaverse-based education for sustainable development. Technology in Society 74, 102562.
Shahraki, A. A., Rahmani, M., Amini, M., 2024. Institutional barriers to smart urban governance in Iranian mid-sized cities. Cities 148, 104611. (In Persian)
Sharifi, A., Ghanbari, A., Lim, C., 2025. Digital twins, AI and the Metaverse in sustainable urban governance. Sustainable Cities and Society 109, 105612.
Uribe, C., Martinez, J., Delgado, M., 2024. Comparing learning outcomes in Metaverse-based classrooms. Frontiers in Education 9, 1451859.
Venter, Z.S., Barton, D.N., Gundersen, V., Figari, H., Nowell, M., 2020. Urban nature in a time of crisis: Recreational use of green space increases during the COVID-19 outbreak in Oslo, Norway. Environmental Research Letters 15(10), 104075.
Wang, Y., Su, Z., Zhang, N., 2022. A survey on Metaverse: Fundamentals, security, and privacy. IEEE Communications Surveys & Tutorials 24(1), 1-35.
Xu, M., Lim, W.Y.B., Xiong, Z., Niyato, D., Miao, C., Kim, D.I., 2023. Towards green metaverse networking technologies. IEEE Wireless Communications 30(1), 110-117.
Xu, X., Sun, Y., Liu, X., Wang, H., 2023. Edge intelligence in the metaverse: Architecture, applications, and challenges. IEEE Internet of Things Journal 10(15), 13429-13441.
Zeynali Azim, A., Nayeri, B., 2025. Metaverse spider-web urban design theory. International Journal of Innovation Studies 9(1), 1459-1478.
Zhang, Q., Lim, W., Kim, H., 2022. Towards green Metaverse networking technologies. arXiv preprint arXiv: 2211.03057.
Zhang, X., Chen, H., Liu, Q., 2024. AI-enabled smart governance for resilient urban ecosystems. Sustainable Cities and Society 110, 105089.
Zheng, Y., Yang, S., Cheng, J., 2022. Digital twin for sustainable cities: A review. Sustainable Cities and Society 76, 103415.
Ziari, K., Sharifi, A., Fattahi, F., 2024. Spatial hierarchy and metropolitan governance in Iranian large cities. Journal of Urban and Regional Analysis 16(1), 87-104. (In Persian)
نشریه محیط زیست طبیعی
دوره 78، شماره 3
آبان 1404
صفحه 395-411