ادغام تصاویر سنجش از راه دور و نمای خیابان برای نقشه برداری محله های فقیر نشین

خلاصه

نقشه برداری از محله های فقیر نشین برای نظارت بر شاخص های هدف توسعه پایدار (SDG) حیاتی است. در غیاب داده‌های قابل اعتماد، رویکردهای مبتنی بر سنجش از دور (RS)، به‌ویژه روش‌های یادگیری عمیق (DL)، تشخیص و دقت بالایی برای نقشه‌برداری زاغه به دست آورده‌اند. با این حال، استفاده از RS به تنهایی در محیط های پیچیده شهری محدودیت های خود را دارد. مطالعات قبلی ارزش افزوده ترکیب اطلاعات سطح زمین با RS را نشان داد. بنابراین، این تحقیق با هدف ادغام تصاویر سنجش از راه دور (RSI) و تصاویر نمای خیابان (SVI) برای نقشه برداری زاغه ها انجام می شود. شهر جاکارتا منطقه مورد مطالعه است که چالش تمایز بین کمپنگ های زاغه نشین و غیر زاغه نشین را نشان می دهد و این کمپنگ ها تقریباً ۶۰٪ از جمعیت جاکارتا را در خود جای می دهند. این تحقیق نتایج نقشه برداری به دست آمده توسط چهار شبکه DL را مقایسه می کند: FCN-DK6 فقط از RSI استفاده می کند، یک VGG16 فقط از SVI استفاده می‌کرد و دو شبکه RSI و SVI را ترکیب کردند (FCN-DK6-i و Modified FCN-DK6). بعلاوه، شبکه FCN-DK6 اصلاح شده با ادغام SVI در هر لایه کانولوشن، به عنوان مثال، اصلاح شده FCN-DK6_1، اصلاح شده FCN-DK6_2، اصلاح شده FCN-DK6_3، اصلاح شده FCN-DK6_4، و اصلاح شده FCN-DK6_4، بررسی شد. نتایج تجربی نشان می‌دهد که ترکیب RSI و SVI، بسته به اینکه چگونه و در چه سطحی در شبکه FCN یکپارچه شده‌اند، دقت را بهبود می‌بخشد. FCN-DK6_2 اصلاح‌شده در آزمایش‌های اصلاح‌شده FCN-DK6 و FCN-DK6-i از بقیه عملکرد بهتری دارد. و FCN-DK6_5 اصلاح شده است. نتایج تجربی نشان می‌دهد که ترکیب RSI و SVI، بسته به اینکه چگونه و در چه سطحی در شبکه FCN یکپارچه شده‌اند، دقت را بهبود می‌بخشد. FCN-DK6_2 اصلاح‌شده در آزمایش‌های اصلاح‌شده FCN-DK6 و FCN-DK6-i از بقیه عملکرد بهتری دارد. و FCN-DK6_5 اصلاح شده است. نتایج تجربی نشان می‌دهد که ترکیب RSI و SVI، بسته به اینکه چگونه و در چه سطحی در شبکه FCN یکپارچه شده‌اند، دقت را بهبود می‌بخشد. FCN-DK6_2 اصلاح‌شده در آزمایش‌های اصلاح‌شده FCN-DK6 و FCN-DK6-i از بقیه عملکرد بهتری دارد.

کلید واژه ها:

نقشه برداری زاغه نشینی ; تصاویر سنجش از دور ؛ تصاویر نمای خیابان ; یادگیری عمیق ؛ شبکه های کاملاً کانولوشنال ؛ استخراج ویژگی ؛ درون یابی فضایی

۱٫ معرفی

جمعیت جهانی ساکن در مناطق شهری به دلیل رشد کلی جمعیت و همچنین افزایش نرخ شهرنشینی به سرعت در حال افزایش است [ ۱ ]. بیش از نیمی از جمعیت در حال حاضر در مناطق شهری زندگی می کنند و تخمین زده می شود که این نسبت تا سال ۲۰۵۰ به ۶۸ درصد برسد [ ۲ ]. برنامه ریزی مناسب شهری در مواجهه با چنین گسترش سریع دشوار است و پاسخ ناکافی به رشد اغلب منجر به زیرساخت ها، خدمات و خانه های ناکافی و همچنین افزایش زاغه ها و زاغه نشینان می شود. این چالش به ویژه برای جنوب جهانی مرتبط است. در واقع، جمعیت ساکن در محله های فقیر نشین بیش از یک میلیارد نفر تخمین زده می شود [ ۳ ].

زاغه‌ها و سکونتگاه‌های غیررسمی در سرتاسر جهان برخی از ویژگی‌های فیزیکی مشابهی دارند [ ۴ ، ۵ ]. طبق متداول ترین تعریف، یک خانوار باید حداقل یکی از شرایط زیر را داشته باشد تا زاغه تلقی شود: (۱) نبود امنیت تصدی، (۲) عدم دوام مسکن، (۳) فضای زندگی ناکافی، (۴) عدم دسترسی به آب، و (۵) عدم دسترسی به سرویس بهداشتی [ ۴]. با این حال، باید توجه داشت که برخی از سکونتگاه های غیررسمی، هرچند اندک، ممکن است نسبتاً ثروتمند بوده و از شرایط زندگی کافی برخوردار باشند. هنگامی که گروهی از خانوارهای زاغه‌نشین، طرحی بدون برنامه در مناطق شهری با تراکم بالا ایجاد می‌کنند، به آن منطقه زاغه می‌گویند. مناطق زاغه نشین پویا هستند، به عنوان مثال، ویژگی های فیزیکی در زاغه ها در طول زمان از نظر تراکم سازه ها، مکان، اندازه ساختمان، ارتفاع و آرایش تغییر می کند، و شناسایی زاغه را با استفاده از سنجش از دور (RS) بسیار پیچیده می کند.

شناسایی و توصیف مناطق زاغه نشین با استفاده از RS می تواند به درک و به روز رسانی وضعیت فعلی برای حمایت از سیاست ها و طرح های توسعه زاغه کمک کند [ ۶ ]. اطلاعات مکانی به روز شده در مورد مکان و ویژگی های مناطق زاغه نشین در سوابق رسمی اغلب ناقص یا ناقص است [ ۷ ، ۸ ]. تهیه نقشه‌های به‌روز زاغه‌ها و ارائه آنها به دولت‌های محلی از آنها در تلاش‌هایشان برای هدف‌یابی مداخلات و ارتقای کارآمد مناطق زاغه‌نشین حمایت می‌کند.

رویکردهای نقشه برداری زاغه ها را می توان به طور کلی به سه دسته تقسیم کرد: مبتنی بر نظرسنجی، مشارکتی و مبتنی بر RS [ ۹ ]. رویکردهای مبتنی بر نظرسنجی و مشارکتی به منابع انسانی گسترده نیاز دارند، در حالی که رویکردهای مبتنی بر RS به منابع کمتری برای کار میدانی نیاز دارند اما به دانش تخصصی در RS برای تفسیر تصاویر نیاز دارند [ ۱۰ ]. مزایای استفاده از داده های RS شامل این است که می توان آن را به طور منظم به روز کرد و همانطور که از بالا گرفته شده است، اطلاعاتی را در مورد مناطقی که از زمین قابل دسترسی نیستند فراهم می کند [ ۱۱ ].

در سال‌های اخیر، بسیاری از محققان روش‌های مختلفی را برای نقشه‌برداری از محله‌های فقیر نشین به دلیل افزایش دسترسی به تصاویر سنجش از دور با وضوح بسیار بالا (VHR) توسعه داده‌اند [ ۹ ]. نقشه برداری زاغه بر اساس RS را می توان از طریق تفسیر تصویر بصری انجام داد، جایی که یک متخصص به صورت دستی مناطق زاغه را تعیین می کند. نقشه های زاغه به دست آمده می توانند دقت بالایی داشته باشند [ ۱۲ ]. با این حال، این فرآیند دستی بسیار آهسته است، دقت به‌دست‌آمده تا حد زیادی به نحوه درک کارشناس از زاغه‌ها بستگی دارد و مرزهای شناسایی شده در بین کارشناسان متفاوت است [ ۱۳ ، ۱۴ ]]. با این وجود، در غیاب مرزهای رسمی زاغه نشینی به روز و منسجم، تفسیر بصری اغلب به عنوان داده مرجع برای بررسی متقابل مرزهای زاغه به دست آمده از روش های دیگر استفاده می شود.

روش‌های یادگیری ماشین خودکار (ML) یک رویکرد جایگزین برای تعیین مرزهای زاغه‌نشینی در RSI هستند. تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) زیرگروهی از روش های ML است که برای این منظور استفاده می شود [ ۱۵ ]. این روش‌ها ابتدا یک تصویر را با گروه‌بندی پیکسل‌های مجاور به «اشیاء» تقسیم‌بندی می‌کنند که نشان‌دهنده اشیاء معنی‌دار در تصویر هستند (مانند خانه‌ها، درختان)، و ویژگی‌هایی مانند اندازه و شکل را می‌توان برای هر یک از این اشیاء محاسبه کرد [ ۱۶ ]. برای شناسایی مناطق فقیر نشین استفاده می شود، به عنوان مثال، مجموعه اولیه برای تعریف یک مجموعه قوانین برای شناسایی زاغه ها با استفاده از RSI است [ ۹ ، ۱۷ ]]. با این حال، طراحی معیارهای مجموعه قوانین بسیار چالش برانگیز است زیرا ظاهر زاغه ها و بنابراین ویژگی های مورفولوژیکی آنها، تنوع زیادی را در بین شهرها و در داخل یک شهر نشان می دهد [ ۱۸ ]. OBIA همچنین می‌تواند با روش‌های سنتی ML، مانند جنگل تصادفی (RF)، برای طبقه‌بندی اشیاء تصویر در محیط‌های پیچیده شهری ترکیب شود. روش‌های سنتی ML ویژگی‌های فضایی را از RSI برای نقشه‌برداری زاغه‌ها استخراج می‌کنند [ ۱۹ ] و می‌توانند نتایج بهتری نسبت به رویکرد OBIA مبتنی بر مجموعه قوانین [ ۱۵ ] به دست آورند.

رویکردهای یادگیری عمیق (DL) اخیراً در کارهای مختلف طبقه بندی تصاویر، از جمله طبقه بندی RSI، محبوبیت پیدا کرده اند. به عنوان مثال، شبکه‌های کاملاً پیچیده (FCNs) از لایه‌های مختلفی تشکیل شده‌اند که می‌توانند برای استخراج خودکار ویژگی‌های مرتبط از تصاویر آموزش داده شوند، بنابراین اطلاعات دقیق‌تری استخراج می‌کنند و اغلب به دقت بالاتری نسبت به سایر روش‌های ML دست می‌یابند [ ۱۹ ]. در واقع، مطالعات اخیرا نشان داده است که FCN ها همچنین می توانند با استفاده از RSI به دقت بالایی برای نقشه برداری دست یابند [ ۲۰ ].

همه روش‌های تهیه نقشه‌های زاغه‌نشینی نیاز به مفهوم‌سازی واضحی از ویژگی‌های زاغه‌ها دارند [ ۲۱ ]. به دلیل تنوع زیاد در ظاهر زاغه‌ها در بافت‌های مختلف، هیچ تعریف جهانی از زاغه‌ها وجود ندارد. تعاریف در طول زمان و مکان تغییر می کند و همچنین به تعاریف رسمی اتخاذ شده توسط سازمان های دولتی بستگی دارد. بنابراین، شروع هر تمرین نقشه برداری زاغه با گنجاندن دانش محلی و زمینه ای در مفهوم سازی یک زاغه عمل خوبی است [ ۲۲ ].

RSI دید پرنده ای از یک منطقه ارائه می دهد، اما اطلاعات دقیق سطح زمین را برای درک پیچیدگی مناطق زاغه نشین، مانند مصالح ساختمانی دیوارهای غیر بادوام یا تعداد طبقات یک ساختمان، یا وجود عناصر زهکشی بدون پوشش یا باز در محله. در عوض، چنین اطلاعاتی باید از زمین از طریق بررسی های میدانی، مصاحبه ها، گروه های متمرکز یا تصاویر نمای خیابان (SVI)، یعنی عکس های یک محله از سطح زمین به دست آید. با این حال، مطالعات بسیار کمی از SVI برای شناسایی زاغه‌ها استفاده کرده‌اند [ ۲۳ ، ۲۴]. علاوه بر این، استفاده از SVI به تنهایی دارای محدودیت‌هایی است زیرا فقط اطلاعات نقطه‌ای یا اطلاعاتی را در امتداد جاده‌ای به راحتی در دسترس ارائه می‌کند، اما نمی‌تواند یک نقشه کامل فضایی زاغه‌ها را تولید کند. به عنوان مثال، اگر بخواهیم یک منطقه را که فقط با پای پیاده قابل دسترسی است، نقشه برداری کنیم، در این صورت، نمی توانیم از SVI به تنهایی استفاده کنیم زیرا SVI اغلب توسط افرادی که با استفاده از اتومبیل به مناطق دسترسی دارند، عکس می گیرند.

اگرچه مطالعات قبلی [ ۲۳ ، ۲۴ ، ۲۵ ] اطلاعات سطح زمین را با RSI یکپارچه کرده اند، هیچ یک از محققان به طور مستقیم SVI و RSI را برای نقشه برداری محله های فقیر نشین ادغام نکرده اند. بنابراین، هدف مطالعه ما تجزیه و تحلیل این است که آیا ترکیب RSI با SVI با استفاده از رویکرد DL منجر به دقت بالاتری در نقشه برداری زاغه می شود (در مقایسه با هر دو روش به صورت جداگانه). بر اساس یک مطالعه موردی در جاکارتا، آزمایش‌ها طبقه‌بندی محله‌های فقیر نشین را با استفاده از SVI، فقط RSI، یک ترکیب ساده و یک شبکه ترکیبی جدید که در اینجا ارائه شده است، مقایسه می‌کنند.

۲٫ منطقه مطالعه

جاکارتا یکی از پرجمعیت ترین استان های اندونزی است که به سرعت در حال رشد است [ ۲۶ ]. این مرکز اقتصادی کشور است و فرصت های کاری آن افراد بسیاری از مناطق دیگر را جذب می کند. افزایش جمعیت و شهرنشینی بر در دسترس بودن مسکن مقرون به صرفه [ ۱۴ ] غلبه می کند و منجر به رشد سکونتگاه های غیررسمی می شود.

اهداف توسعه پایدار ۲۰۳۰ (SDGs) و سایر برنامه های توسعه جهانی توسط دولت ملی اندونزی به رسمیت شناخته شده و در برنامه های برنامه ریزی مختلف مانند برنامه توسعه میان مدت ملی (RPJMN) [ ۲۷ ] گنجانده شده است. به عنوان مثال، بهبود کیفیت مسکن و سکونتگاه ها و آب پاک و فاضلاب در RPMJN 2020-2024 گنجانده شده است [ ۲۷ ]]، که به صراحت برای یک سیاست ۱۰۰-۰-۱۰۰ (یعنی دسترسی ۱۰۰٪ به آب تمیز با زاغه های صفر و دسترسی ۱۰۰٪ به سرویس های بهداشتی) برنامه ریزی می کند. پیگیری کاهش زاغه نشینی کلید نظارت بر موفقیت این طرح است. با این حال، دو دلیل اصلی نظارت بر محله های فقیر نشین را در جاکارتا دشوار می کند. ابتدا، تعاریف مختلفی از زاغه‌ها توسط نهادهای دولتی ملی، منطقه‌ای و محلی در اندونزی استفاده می‌شود که مفهوم‌سازی و نقشه‌برداری یکنواخت زاغه‌ها را چالش‌برانگیز می‌کند. استفاده از تعاریف مختلف زاغه‌ها به تعیین مرزهای مختلف زاغه نیز منجر می‌شود. دوم، ویژگی های کامپونگ ها در جاکارتا نقشه برداری دقیق مناطق زاغه نشین را پیچیده می کند. حدود ۵۰ سال پیش، جاکارتا با شهرنشینی سریع مواجه شد که منجر به توسعه مسکن های کم درآمد به نام کامپونگ شد. بخش مسکن به دلیل افزایش جمعیت تحت فشار بود. مسکن مقرون به صرفه نبود و بسیاری از مردم مجبور شدند در مسکن های نامرغوب زندگی کنند. این باعث رشد تدریجی در اندازه کامپونگ ها شد که گروه های درآمدی طبقه متوسط را نیز در خود جای داده بودند. کامپونگ ها رشد کردند تا حدود ۶۰ درصد از جمعیت شهر را در خود جای دهند [۱۴ ]. شکل ۱ موقعیت جاکارتا را با مرز اداری منطقه ای و منطقه مطالعاتی انتخاب شده نشان می دهد.

۳٫ مواد و روشها

در این بخش ابتدا به بررسی اجمالی داده های مورد استفاده در این تحقیق می پردازیم. در بخش دوم، یک گردش کار روش شناختی ارائه شده است.

۳٫۱٫ مجموعه داده ها

۳٫۱٫۱٫ نقشه مرجع زاغه

مرزهای رسمی محله های فقیر نشین توسط دولت محلی جاکارتا در سال ۲۰۱۷ (RW Kumuh) ارائه شد. این محدوده های زاغه نشین به چهار دسته سنگین (برات)، متوسط (سدانگ)، سبک (رینگان) و بسیار سبک (سنگات رینگان) تقسیم می شوند. شکل ۲ این مرزهای رسمی و چهار دسته را نشان می دهد. همانطور که در بخش ۱ و بخش ۲ بحث شد، تعریف زاغه ها از مکانی به مکان دیگر و از فردی به فرد دیگر متفاوت است. بنابراین، برای این تحقیق، ما شاخص‌های مهم زاغه‌نشینی را که توسط مؤسسات دولتی و ادبیات دانشگاهی فرمول‌بندی و مورد استفاده قرار گرفته‌اند، ترکیب کردیم تا یک تعریف واحد از زاغه و مجموعه‌ای از شاخص‌های مربوط به زاغه ایجاد کنیم. علاوه بر این، نقشه مرجع رسمی مطابق با این تعریف اصلاح شد، همانطور که در بخش آماده سازی داده در زیر مورد بحث قرار گرفت و به عنوان داده مرجع برای اندازه گیری دقت نقشه های زاغه نشین به دست آمده با استفاده از RSI و SVI از طریق شبکه DL استفاده شد.

۳٫۱٫۲٫ تصاویر سنجش از راه دور

آژانس فضایی اروپا (ESA) 125 کیلومتر مربع تصویر VHR ماهواره ای ماموریت GeoEye را برای این مطالعه اعطا ^کرد . به دست آوردن تصاویر ماهواره ای از همان سال با مرزهای رسمی زاغه (۲۰۱۷) امکان پذیر نبود. بنابراین، تصاویر مربوط به سال ۲۰۱۸ با پوشش ابری کمتر از ۱۰ درصد به دلیل محدودیت‌هایی که در دستیابی به داده‌های اخیر وجود داشت، تهیه شد. تصاویر چند طیفی (باندهای قرمز، سبز، آبی و نزدیک به فروسرخ) تیز شده پان تیز شده دارای وضوح فضایی ۰٫۴ متر است.

۳٫۱٫۳٫ داده های جانبی

داده‌های جانبی شامل شبکه‌های جاده‌ای، ردپای ساختمان و داده‌های منطقه‌بندی بود که به‌عنوان فایل‌های شکل در وب‌سایت رسمی دولت جاکارتا ( https://jakartasatu.jakarta.go.id/portal/apps/sites/#popup ) در دسترس بود (در دسترس ۷ فوریه ۲۰۲۱). توجه داشته باشید که این مجموعه داده ها برای اصلاح داده های مرجع استفاده شده است. آنها به عنوان ورودی مستقیم برای الگوریتم های یادگیری عمیق استفاده نشدند.

اولین مجموعه داده فرعی شبکه راه بود. این داده شامل یک فایل شکل با یک جدول مشخصه شامل کلاس جاده (kelas jala) و اطلاعات (keterangan) است. اطلاعات کلاس جاده (ویژگی) برای شناسایی جاده های فرعی (محلی) و جاده های فرعی (محیط) استفاده شد که به نوبه خود به انتخاب مکان برای دانلود SVI کمک کرد. اطلاعات (ویژگی) اطلاعات کلاس جاده را توصیف می کند که برای شناسایی جاده های خاکی (جاده های آسفالت نشده) برای اصلاح لایه مرجع زاغه در این تحقیق استفاده می شود.

دومین مجموعه داده فرعی ردپای ساختمان بود. شکل فایل حاوی اطلاعاتی در مورد مساحت هر ساختمان (شکل ناحیه) است. این ویژگی برای فیلتر کردن ساختمان‌های کمتر از ۶۰ متر ^مربع برای اصلاح لایه مرجع زاغه استفاده شد. یک آستانه ۶۰ متر ^مربعی پس از مقایسه بصری داده های ردپای ساختمان با نقشه مرجع رسمی محله فقیر نشین در سال ۲۰۱۷ استفاده شد. این زاغه ها طبق دولت محلی و همچنین توسط یکی از نویسندگان همکار (آقای جاتی پراتومو) با تایید شده است. تخصص محلی

سومین مجموعه داده جانبی، داده های منطقه بندی بود که حاوی اطلاعاتی در مورد نوع منطقه (zona) است. انواع مناطق عبارتند از: کمربند سبز (zona jalur hijan)، پارک شهر (zona tamon kota/ lingkungan)، آبراه (zona terbuka biru)، گورستان (zona permakaman) و منطقه صنعتی و انباری (zona industrial dan pergudangan). داده های منطقه بندی برای اصلاح لایه مرجع زاغه مورد استفاده قرار گرفت. کمربندهای سبز، پارک های شهری، آبراه ها و گورستان ها مناطقی هستند که توسعه زیرساختی دیگری مانند ساخت و ساز در آنها امکان پذیر نیست. بنابراین، از این مناطق برای پرچم گذاری مناطقی استفاده می شد که شغل قانونی ندارند. بنابراین، ساختمان‌های مسکونی در این مناطق احتمالاً به‌طور غیررسمی شکل می‌گیرند تا زاغه‌های بزرگ‌تری ایجاد کنند.

۳٫۱٫۴٫ تصاویر نمای خیابان

یک شبکه منظم برای لیست کردن طول و عرض جغرافیایی بر حسب متر به منظور پرس و جو از SVI ایجاد شد. بنابراین، با استفاده از این مختصات (طول و عرض جغرافیایی)، تصاویر از Google Street View Static API در هر چهار جهت اصلی (شمال، جنوب، شرق و غرب) به دست آمد. شکل ۳ SVI را نشان می دهد که در جهت اصلی در یکی از مکان های زاغه نشین در غرب جاکارتا بر اساس نقشه مرجع رسمی محله فقیر نشین در سال ۲۰۱۷ گرفته شده است.

نقاط تصادفی در امتداد جاده های فرعی و شبکه جاده های فرعی، با تعداد تقریباً مساوی به مناطق زاغه و غیر زاغه ای از داده های مرجع زاغه اصلاح شده با استفاده از ابزار “نقاط تصادفی در امتداد خط” در QGIS تقسیم شدند. برای جلوگیری از گیج شدن طبقه‌بندی‌کننده DL، هر نقطه‌ای که در مرزهای بین مناطق زاغه‌نشین و غیر زاغه‌نشینی قرار می‌گرفت، حذف شد، به عنوان مثال، هر نقطه‌ای که حاوی زاغه‌هایی در SVI جهت‌دار شرق و غیر زاغه‌نشینی در SVI به سمت غرب باشد، الگوریتم را از ویژگی‌های یادگیری مختل می‌کند. برای تشخیص طبقات مختلف همانطور که در شکل ۴ نشان داده شده است در نهایت به ۶۹۰۳ نقطه تصادفی برای مناطق زاغه نشین و ۷۳۳۹ نقطه تصادفی برای مناطق غیر زاغه رسیدیم .

این مجموعه از مکان‌های نقطه‌ای که به‌طور تصادفی ایجاد می‌شوند، مکان‌های نمای خیابان Google (GSV) نامیده می‌شوند. در مجموع ۱۹۷۹۶ تصویر برای زاغه ها و ۲۴۵۹۶ تصویر برای مناطق غیر زاغه نشین به دست آمد و هیچ تصویر GSV در چند مکان GSV وجود نداشت. هر یک از SVI های دانلود شده به صورت دستی از نظر ناهنجاری بررسی شد. برای مثال، تصاویری که کاملاً تاریک بودند یا از داخل ساختمان گرفته شده بودند از مجموعه داده حذف شدند. سپس مجموعه نهایی شامل ۱۹۷۴۸ تصویر برای مناطق فقیر نشین و غیر زاغه نشین بود.

۳٫۲٫ روش شناسی

گردش کار تحقیق از سه مرحله تشکیل شده است ( شکل ۵ ). اول مرحله شناسایی است که زاغه ها را در منطقه مورد مطالعه مشخص می کند و نقشه محله فقیر نشین مرجع را با استفاده از RSI، SVI و داده های جانبی به روز می کند. مرحله دوم مرحله پیاده سازی است که شامل (i) پیش پردازش داده ها و (ii) طراحی آزمایشی و مدل های در حال اجرا است. در مرحله سوم و آخر، مقادیر دقت به‌دست‌آمده برای مدل‌های مختلف با هم مقایسه می‌شوند.

۳٫۲٫۱٫ مرحله شناسایی

ویژگی های زاغه از طریق مرور ادبیات شناسایی شد. این بررسی شامل شناسایی شاخص‌های تعریف‌شده توسط سازمان‌های دولتی جهانی، ملی (اندونزی) و محلی (جاکارتا) برای شناسایی ویژگی‌های زاغه‌نشین و ادبیات دانشگاهی در سطح محلی (جاکارتا) به منظور درک تعاریف زاغه‌نشینی در کمپنگ‌های جاکارتا با استفاده از ویژگی‌های محلی بود. علاوه بر این، یکی از نویسندگان همکار دارای تخصص محلی قابل توجهی است و از درک ویژگی های محله های فقیر نشین در جاکارتا در زمینه محلی به شدت حمایت می کند. بر اساس این یافته‌ها و بحث با کارشناس محلی، مروری بر ویژگی‌های زاغه‌نشینی انجام شد که می‌توان با استفاده از RSI یا SVI یا داده‌های فرعی شناسایی کرد. این ویژگی ها برای مفهوم سازی مفهوم محله فقیر نشین برای اهداف این تحقیق استفاده شد.جدول ۱ تبدیل ویژگی های انتخاب شده زاغه ها را به شاخص های نقشه برداری نشان می دهد.

۳٫۲٫۲٫ مرحله اجرا

آماده سازی داده ها

دو مرحله برای پیش پردازش وجود دارد. نقشه مرجع رسمی محله فقیر نشین از سال ۲۰۱۷ در مرحله اول با استفاده از ویژگی های زاغه توضیح داده شده در جدول ۱ به روز شد. مجموعه داده برای آموزش و متعاقباً آزمایش نتایج در مرحله دوم تولید شد.

در مرحله اول پیش پردازش داده ها، برخی از مناطق در نقشه مرجع رسمی زاغه نشینی ۲۰۱۷ با تعریف زاغه های مورد استفاده در این مطالعه مطابقت نداشتند. در نقشه مرجع رسمی، مناطق بسیار توسعه یافته، فضاهای سبز، سازه های مسکونی بلند و مناطق انباری و صنعتی در زمره زاغه ها طبقه بندی شده اند. این ناهماهنگی ممکن است ناشی از شکاف زمانی بین داده‌های ورودی مورد استفاده برای طبقه‌بندی باشد که در سال ۲۰۱۸ به‌دست‌آمده و داده‌های مرجع زاغه‌نشینی که در سال ۲۰۱۷ به دست آمده است. بنابراین، اصلاح نقشه رسمی زاغه‌نشین مرجع در سال ۲۰۱۷ انجام شد. با توجه به تعریف زاغه با استفاده از شاخص های ارائه شده در جدول ۱٫ در این فرآیند، تعدادی از محلات به عنوان زاغه‌ها طبقه‌بندی نشدند، همانطور که در ابتدا در نقشه مرجع رسمی زاغه‌ها در سال ۲۰۱۷ وجود داشت. بنابراین، محلات ذکر شده در بالا به عنوان یک دسته ناشناخته زاغه طبقه بندی شدند. در این مطالعه، این نقشه به روز شده و اصلاح شده زاغه برای تولید مجموعه داده های آموزشی و آزمایشی با کیفیت بالا برای تجزیه و تحلیل بیشتر استفاده شد. نقشه مرجع اصلاح شده زاغه مورد استفاده در این مطالعه در شکل ۶ نشان داده شده است .

مرحله دوم پیش پردازش داده ها مربوط به آماده سازی داده ها برای گردش کار یادگیری عمیق، یعنی شبکه FCN است. منطقه مورد مطالعه به ۱۲ کاشی ۲۰۰۰ × ۲۰۰۰ پیکسل تقسیم شد که هر کدام مساحت ۸۰۰ × ۸۰۰ متر را پوشش می دادند. کاشی‌ها به‌گونه‌ای انتخاب شدند که طبقات (زاغه و سایرین) را در داخل کاشی‌ها متعادل کنند و از نمایش متنوع هر دو طبقه اطمینان حاصل کنند. بنابراین، ۱۲ کاشی RSI و حقیقت زمین ایجاد شد، که ۱۰ مورد برای آموزش و ۲ برای آزمایش شبکه‌های FCN پیشنهاد شده در مطالعه مورد استفاده قرار گرفت.

شبکه عصبی کاملا کانولوشنال

Persello و Stein [ ۲۹ ] یک شبکه مغزی گشاد شده با شبکه عصبی کاملاً پیچیده (FCN-DK) را برای نقشه برداری زاغه معرفی کردند. به طور خاص تر، FCN-DK6 بهتر از سایر شبکه های FCN-DK عمل می کند. بنابراین، شبکه FCN-DK6 برای شناسایی محله های فقیر نشین با استفاده از RSI به تنهایی و ترکیبی از RSI و SVI استفاده شد. محققان در [ ۲۴ ] کاربری زمین شهری را با ترکیب RSI با SVI از طریق شبکه FCN-VGG16 طبقه بندی کردند. نقطه ضعف انتخاب FCN-VGG16 یا هر شبکه دیگری این است که هزینه محاسباتی بالاتری نسبت به FCN-DK6 دارد. علاوه بر این، FCN-DK از تکنیک پیچش گشاد شده برای افزایش میدان مربوطه استفاده می‌کند و در عین حال تعداد پارامترهای قابل یادگیری را محدود می‌کند و خطر بیش از حد برازش را کاهش می‌دهد [ ۳۰ ]]. بعلاوه، FCN-DK6 یک شبکه ناشناخته است وقتی صحبت از ادغام دو سطح مختلف مجموعه داده، یعنی RSI (سطح دید چشم پرنده) و SVI (تصاویر سطح زمین) می شود.

طبقه بندی فقط با استفاده از RSI

هر کاشی آموزشی به ۱۲۵ × ۱۲۵ پیکسل از تکه های غیر همپوشانی تقسیم شد. FCN-DK6 با استفاده از راه‌اندازی شبکه نشان‌داده‌شده در جدول ۲ ، با وزن‌های اولیه به‌طور تصادفی آموزش داده شد. تعداد دوره های آموزشی در ابتدا روی ۳۰۰ تنظیم شد و دقت اعتبار سنجی با استفاده از روش های Early Stop از کتابخانه Keras با صبر ۱۰ دوره نظارت شد، یعنی اگر مدل افزایش دقت اعتبار سنجی را نسبت به قبلی پیدا نکرد، آموزش را متوقف می کند. ۱۰ دوره این مدل تا ۳۰۰ دوره بدون توقف اجرا شد زیرا دقت اعتبارسنجی برای ۱۰ دوره متوالی ثابت نبود.

طبقه بندی فقط با استفاده از SVI

آموزش CNN از ابتدا می تواند زمان، منابع و دسترسی به یک پایگاه داده قابل توجه را صرف کند. بنابراین، برای شناسایی صحنه های شهری از SVI، یک شبکه VGG16 از پیش آموزش دیده در مجموعه داده Places365 به طور خاص برای جاکارتا تنظیم شده است. با استفاده از همان تنظیمات شبکه ارائه شده در جدول ۲ ، شبکه Places365-VGG16 با انجماد پنج بلوک کانولوشنال و تنظیم دقیق فقط بلوک طبقه بندی نهایی، به خوبی تنظیم شد. وزن ها با وزنه های Places365 شروع می شوند. روش توقف زودهنگام کتابخانه کراس برای ردیابی دقت اعتبارسنجی در یک دوره ۱۰ دوره ای استفاده شد.

طبقه بندی با استفاده از ادغام SVI با RSI

به منظور ترکیب اطلاعات موجود در SVI از مکان های گسسته با RSI در قالب شطرنجی، نقشه های ویژگی SVI تولید شد. منطقه جغرافیایی تحت پوشش تصاویر GSV به تحرک خودروها، مانند اتومبیل ها یا دوچرخه ها در امتداد جاده بستگی دارد، که به گرفتن تصویری از محیط شهری در مکان های مختلف GSV کمک می کند، به عنوان مثال، «تصاویر GSV صحنه های مناطق را ثبت می کند. نزدیکی به جای تک نقطه در فضا» [ ۲۴]. از این رو، درونیابی اطلاعات سطح زمین نقطه‌ای از تصاویر GSV در نقشه‌های ویژگی پیوسته فضایی، که می‌توانند با RSI ترکیب شوند، ضروری است. نقشه های ویژگی در سه مرحله ایجاد می شوند: (۱) استخراج ویژگی از تصاویر GSV، (ب) ایجاد نقاط جدید در اطراف هر مکان GSV و (iii) درونیابی ویژگی استخراج شده به صورت مکانی. برای تمایز بین مکان‌های زاغه‌نشین و غیر زاغه‌نشین، از شبکه Places365-VGG 16 به‌خوبی تنظیم شده برای استخراج ویژگی‌ها از تصاویر GSV استفاده شد. برای هر تصویر GSV، ۱۲۸ ویژگی از لایه متراکم (بعد ۱۲۸) قبل از لایه کاملاً متصل نهایی در شبکه Places365-VGG16 به‌خوبی تنظیم شده، بازیابی شد. با این حال، ادغام همه ۱۲۸ ویژگی در FCN-DK ابعاد داده ها و زمان محاسباتی را تا حد زیادی افزایش می دهد. از این رو، یک رویکرد کاهش ویژگی برای (i) به حداقل رساندن زمان آموزش و (ب) به حداقل رساندن بیش از حد شبکه FCN-DK اعمال شد. تجزیه و تحلیل مؤلفه اصلی (PCA) برای به حداقل رساندن ابعاد ویژگی مورد استفاده قرار گرفت. با کمک جبر خطی، PCA مجموعه داده را به یک نمایش فشرده تبدیل می کند [۳۱ ]، که در آن بیشترین تنوع توسط اولین جزء تبدیل شده PC نشان داده شده است. مزیت پیاده‌سازی PCA این است که می‌توانیم ویژگی‌های محدودی را انتخاب کنیم و در عین حال بیشترین تنوع ممکن را در داده‌ها ثبت کنیم. برای این مطالعه، ۳۲ جزء PCA اول انتخاب شدند که ۵۸٫۳۵ درصد از کل واریانس ۱۲۸ ویژگی را نشان می‌دادند. علاوه بر این، برای هر مکان GSV، یک نقطه در هر جهت (شمال، جنوب، شرق و غرب) در فاصله ۰٫۵ سانتی متر ایجاد شد که در شکل ۷ نشان داده شده است.. سپس ۳۲ ویژگی (ویژگی های کاهش یافته) برای هر تصویر GSV مطابق با مکان GSV و جهت مربوطه اضافه شد. این ویژگی‌های کاهش‌یافته از ویژگی‌های نقطه‌ای (یعنی ویژگی‌های CNN تصویر نمای خیابان در یک مکان تعریف‌شده) به یک شبکه فضایی پیوسته از طریق درون‌یابی فضایی با فاصله معکوس (IDW) تبدیل شدند. در نهایت ۳۲ نقشه ویژگی تولید شد. بنابراین تعداد نقشه های ویژگی تولید شده با تعداد ویژگی های اضافه شده به هر نقطه تعیین شد. شکل ۸ فرآیند استفاده شده برای ایجاد نقشه های ویژگی را نشان می دهد. این نقشه‌های ویژگی را می‌توان با RSI ادغام کرد، زیرا ابعاد فضایی مشابهی با RSI دارند، زیرا در حالی که نقشه‌های ویژگی با استفاده از درون یابی IDW تولید می‌شوند، وسعت و وضوح مانند RSI حفظ می‌شوند.

دو رویکرد برای ادغام RSI با نقشه های ویژگی SVI استفاده شد. اولین رویکرد FCN-DK6-i است، که در آن RSI مستقیماً با نقشه‌های ویژگی SVI با استفاده از قابلیت انباشته لایه در ArcGIS انباشته شد. این تصاویر پشته‌ای (نقشه‌های ویژگی RSI + SVI) به عنوان ورودی به FCN-DK6 برای طبقه‌بندی زاغه‌ها داده شد. FCN-DK6، که از تصاویر انباشته شده به عنوان ورودی استفاده می کند، از این نقطه به بعد در نسخه خطی به عنوان FCN-DK6-i نامیده می شود تا از سوء تفاهم با شبکه FCN-DK6 که از RSI به تنهایی به عنوان ورودی استفاده می کند جلوگیری شود. آموزش FCN-DK6-i به همان شیوه FCN-DK6 انجام شد، همانطور که در بخش ۳٫۲٫۲ بحث شد — طبقه بندی فقط با استفاده از RSI.

روش دوم یک FCN-DK6 اصلاح شده است. این تحقیق یک روش جدید برای اعمال نفوذ شبکه FCN-DK6 با شش بلوک کانولوشن برای ادغام RSI با نقشه ویژگی SVI در لایه‌های عمیق‌تر شبکه FCN-DK پیشنهاد می‌کند. شبکه FCN-DK6 برای تولید یک خروجی طبقه بندی منفرد با استفاده از دو ورودی مجزا اصلاح شد که FCN-DK6 اصلاح شده نامیده می شود. با این حال، نقشه ویژگی SVI با هر بلوک کانولوشن به طور جداگانه در شبکه اصلاح شده FCN-DK6 ادغام می شود، به عنوان مثال، اگر ویژگی های SVI در بلوک کانولوشن ۱ به هم پیوسته باشند، به طور مشابه Modified FCN-DK6_1 نامیده می شود، ویژگی های SVI با بلوک کانولوشن ۲، ۳، ۴ و ۵ به ترتیب FCN-DK6_2، FCN-DK6_3، FCN-DK6_4 و FCN-DK6_5 نامیده می شوند. و مجموعاً آنها را آزمایش‌های اصلاح‌شده FCN-DK6 از این پس در این نسخه خطی می‌نامند تا از نام‌های طولانی برای شبکه‌ها جلوگیری شود. شبکه اصلاح‌شده FCN-DK6_2 مورد استفاده برای این مطالعه در به تصویر کشیده شده استشکل ۹ .

همانطور که در شکل ۹ نشان داده شده است، ورودی اول از طریق بلوک کانولوشن ۱ و ۲ مسیریابی شد و خروجی بلوک کانولوشن ۲ با ورودی دوم در فیوژن ذوب شد و یک لایه ذوب شده ایجاد کرد. پس از آن، لایه ذوب شده به بلوک های کانولوشن باقی مانده یعنی به ترتیب ۳، ۴، ۵ و ۶ تغذیه شد، خروجی از بلوک کانولوشن ۶ به بلوک طبقه بندی منتقل شد و نقشه طبقه بندی نهایی با استفاده از تغییر شبکه FCN-DK6_2. در این فرآیند اولین ورودی RSI و ورودی دوم نقشه ویژگی SVI انباشته شده است. به طور مشابه، ادغام در هر بلوک کانولوشن، به عنوان مثال، ۱، ۳، ۴، و ۵ به صورت جداگانه انجام شد و خروجی طبقه بندی شده نهایی با استفاده از Modified FCN-DK6_1، Modified FCN-DK6_3، Modified FCN-DK6_4، و Modified FCN-DKD6_5 تولید شد. شبکه.جدول ۲ ).

۳٫۲٫۳٫ ارزیابی دقت

در این مطالعه، دقت مدل با استفاده از آزمون دقت پیش‌بینی کاشی مورد ارزیابی قرار گرفت. چندین معیار دقت، از جمله یادآوری، دقت، امتیاز F1، IoU، دقت کلی (OA) و ضریب کاپا، در تحقیقات قبلی نقشه‌برداری زاغه مورد بررسی قرار گرفته‌اند. از ضریب کاپا نمی توان برای ارزیابی دقت مدل برای مسئله ای مانند طبقه بندی تصویر استفاده کرد [ ۳۲]. به طور مشابه، OA همچنین می تواند نتایج فریبنده ای را در صورت وجود عدم تعادل کلاس ارائه دهد. به عنوان مثال، یک مقدار OA بالاتر همیشه نشان دهنده عملکرد بهتر مدل نیست، همانطور که در مورد نقشه برداری زاغه، که در آن مناطق غیر زاغه بر مناطق زاغه نشین غالب است. در نتیجه، نتایج مدل در این مطالعه با استفاده از یادآوری (R)، دقت (P)، امتیاز F1 و IoU مورد ارزیابی قرار گرفت. معادلات (۱)-(۴) نشان می دهد که چگونه فراخوان، دقت، امتیاز F1 و IoU محاسبه می شود.

پ=تیپتیپ+افپ

(۱)

آر=تیپتیپ+افن

(۲)

اف۱ اسجorه=۲∗پ∗آرپ+آر

(۳)

منoU=تیپتیپ+افپ+افن

(۴)

در معادلات بالا: P = دقت، R = فراخوان، TP = مثبت واقعی، FP = مثبت کاذب، و FN = منفی کاذب. علاوه بر این، دقت برای هر دسته زاغه موجود در داده های مرجع زاغه اصلاح شده محاسبه شد.

بنابراین، به جای مقایسه دقت، یادآوری، امتیاز F1 و IoU برای مقایسه دقت در بین شبکه‌های پیشنهادی، امتیاز F1 و IoU را با جزئیات بررسی کردیم زیرا امتیاز F1 ترکیبی از دقت و یادآوری است، در حالی که IoU یک متریک دقت استاندارد است که استفاده می‌شود. در چالش های بینایی کامپیوتری مانند چالش PASCAL VOC [ ۳۳ ].

۴٫ نتیجه

معیارهای دقت برای هشت شبکه طبقه بندی زاغه نشین مورد استفاده در این تحقیق در جدول ۳ ارائه شده است. نتایج نشان می‌دهد که تنها استفاده از RSI، یعنی FCN-DK6 (IoU = 61.65) عملکرد بهتری با استفاده از SVI دارد، یعنی Places365-VGG16 (IoU = 55.46)، و تعداد کمی از شبکه‌هایی که RSI و SVI را ادغام می‌کنند، یعنی FCN-DK6_1 اصلاح‌شده (FCN-DK6_1) = 56.63)، FCN-DK6_3 اصلاح شده (IoU = 58.05)، و FCN-DK6_4 اصلاح شده (IoU = 54.8) در این مطالعه موردی. FCN-DK6-i که هم RSI و هم SVI را ادغام می کند، دقت هایی تقریباً برابر با FCN-DK6 و Modified FCN-DK6_5 به دست می آورد. با این حال، Modified FCN-DK6_2 به بالاترین امتیاز F1 و IoU دست می یابد. این عمدتاً به دلیل افزایش ۲٫۹٪ در فراخوان در مقایسه با FCN-DK6-i، ۳٫۳٪ در مقایسه با FCN-DK6_5 اصلاح شده و ۳٫۵٪ در مقایسه با FCN-DK6 است.

ارزیابی دقت را می توان با توجه به انواع زاغه های شناسایی شده در نقشه مرجع تغییر یافته زاغه تفکیک کرد، جایی که کلاس “زاغه ناشناخته” به بخش هایی از RSI اشاره دارد که به صورت بصری به عنوان زاغه با توجه به ویژگی های برچسب گذاری شده در جدول ۱ شناسایی شده اند ، اما نه رسماً در داده های مرجع ارائه شده به عنوان زاغه طبقه بندی شده است (به بخش ۳٫۲٫۲ — آماده سازی داده ها در مورد نحوه اصلاح داده های مرجع مراجعه کنید). نتیجه اصلاح شده FCN-DK6_2 در جدول ۴ ارائه شده است و شکل ۱۰ نتیجه ایجاد شده توسط FCN-DK6_2 اصلاح شده را در tile-12 نشان می دهد. به طور مشابه، شکل A1 نتیجه ایجاد شده توسط اصلاح شده FCN-DK6_2 را در کاشی-۳ در پیوست A نشان می دهد.

ما می خواستیم تجزیه و تحلیل کنیم که چگونه ترکیب های مختلف مجموعه داده های ورودی بر درک مدل DL برای دسته های مختلف زاغه ها تأثیر می گذارد. بنابراین FCN-DK6، Places365-VGG16، FCN-DK6-i، و FCN-DK6_2 اصلاح شده انتخاب شدند. فقط اصلاح‌شده FCN-DK6_2 از آزمایش‌های اصلاح‌شده FCN-DK6 انتخاب شد، زیرا عملکرد بهتری نسبت به سایرین دارد. نتیجه پیش‌بینی‌شده تولید شده با استفاده از FCN-DK6، Places365-VGG16، FCN-DK6-i، و اصلاح‌شده FCN-DK6_2 به دسته‌های مختلف زاغه‌ها تقسیم شد، همانطور که در شکل ۱۱ نشان داده شده است.

شکل ۱۱ نشان می دهد که Places365-VGG16 می تواند زاغه های سنگین، متوسط و بسیار سبک را با دقت بیشتری نسبت به سایر شبکه های FCN-DK6 مورد استفاده در این تحقیق شناسایی کند، اما در تشخیص دسته های سبک و ناشناخته زاغه ها عملکرد ضعیفی داشت. در مقایسه با FCN-DK6-i و FCN-DK6، FCN-DK6_2 اصلاح‌شده در طبقه‌بندی انواع مختلف زاغه‌ها دقیق‌تر است، در حالی که وقتی صحبت از طبقه‌بندی دسته‌های زاغه‌نشین سبک و ناشناخته می‌شود، FCN-DK6_2 اصلاح‌شده از Places365-VGG16 بهتر عمل می‌کند.

۵٫ بحث

نتایج این آزمایش‌ها نشان می‌دهد که گنجاندن اطلاعات از SVI می‌تواند دقت طبقه‌بندی محله‌های فقیر نشین را به جای استفاده از RSI به تنهایی افزایش دهد، اما همچنین بستگی به این دارد که SVI چگونه و در چه سطحی در شبکه FCN-DK یکپارچه شود. چیدمان ساده RSI و SVI برای FCN-DK6-i در استفاده از RSI به عنوان ورودی بهبود نیافت، در حالی که ادغام SVI از طریق آزمایش‌های پیچیده‌تر اصلاح‌شده FCN-DK6 منجر به بهبود شد. همانطور که در جدول ۳ نشان داده شده است، FCN-DK6_2 اصلاح شده و FCN-DK6_5 اصلاح شده عملکرد بهتری نسبت به شبکه FCN-DK6 و Places365-VGG16 دارند .

ما نتیجه تولید شده توسط FCN-DK6 و Modified FCN-DK6_2 را مقایسه کرده ایم زیرا هدف این تحقیق مقایسه نتیجه تولید شده توسط ترکیب RSI و SVI نسبت به RSI است. همانطور که در بخش ۱ بحث شد ، نقشه زاغه را نمی توان تنها با استفاده از SVI تولید کرد، بنابراین نتیجه تولید شده با استفاده از ترکیب RSI و SVI با آنچه که از طریق SVI به تنهایی ایجاد شده است مقایسه نشد. شکل ۱۲ خروجی تولید شده برای tile-12 توسط Modified FCN-DK6_2 و FCN-DK6 را مقایسه می کند. به طور مشابه، شکل A2خروجی تولید شده برای tile-3 توسط FCN-DK6_2 اصلاح شده و FCN-DK6 را در پیوست-A مقایسه می کند. در مقایسه با FCN-DK6، FCN-DK6_2 اصلاح شده پیش بینی دقیق تری را نشان می دهد. پتانسیل SV برای ارائه اطلاعات سطح زمین که به درک زاغه‌ها در یک محیط شهری کمک می‌کند، دقت پیش‌بینی اصلاح‌شده FCN-DK6_2 را افزایش می‌دهد. بنابراین، دایره قرمز در شکل ۱۲ نشان می دهد که FCN-DK6_2 اصلاح شده در مکان هایی که SVI در دسترس است، بهتر از FCN-DK6 عمل می کند. شکل ۱۳نتایج طبقه‌بندی تولید شده توسط FCN-DK6 و Modified FCN-DK6_2 برای شناسایی مناطق زاغه‌نشین را نشان می‌دهد. این شامل (الف) تصویر واقعی یک منطقه فقیر نشین با مکان های GSV و (ب) و (ج) نتایج ایجاد شده توسط FCN-DK6 و FCN-DK6 اصلاح شده است. منطقه مشخص شده با دایره زرد نشان دهنده طبقه بندی نادرست یک منطقه زاغه به عنوان غیر زاغه به دلیل عدم در دسترس بودن SVI و عدم وجود ویژگی های زاغه، به ویژه در مصالح بام است. هر دو شبکه تقریباً یک نتیجه را تولید می کنند. در مقابل، منطقه مشخص‌شده با سرخابی نشان می‌دهد که در دسترس بودن SVI نقش حیاتی در شناسایی محله‌های فقیرنشین در هنگام استفاده از اصلاح‌شده FCN-DK6_2 دارد.

همانطور که در شکل ۱۱ نشان داده شده است ، ادغام SVI همچنین شناسایی دسته های مختلف زاغه را بهبود می بخشد. بنابراین، SVI ویژگی های قابل مشاهده محله های فقیر نشین را که در RSI قابل مشاهده نیستند (مانند مصالح ساختمانی، زهکشی باز و غیره) به تصویر می کشد. علاوه بر این، شبکه Places365-VGG16 با تنظیم دقیق برای تمایز بین دسته‌های زاغه‌نشین، مانند زاغه‌های سنگین و متوسط مناسب‌تر است. با بررسی‌های بیشتر در شبکه Places365-VGG16، مشاهده کردیم که تصاویر محله‌های فقیر نشینی که Places365-VGG16 در آنها از قبل آموزش داده شده بود، بیشتر شبیه به تصاویر زاغه‌نشینی است که در گروه زاغه‌های سنگین و متوسط در مطالعه موردی ما قرار می‌گیرند. ممکن است به همین دلیل باشد که Places365-VGG16 به‌خوبی تنظیم‌شده، فراخوانی این دو دسته زاغه‌نشین را به‌ویژه بهبود بخشید.

اگرچه گنجاندن SVI با RSI برای کاربردهای طبقه‌بندی زاغه‌ها امیدوارکننده است، تحقیقات بیشتری برای بهینه‌سازی این ادغام مورد نیاز است. اولاً، پوشش SVI در مناطق زاغه نشین سازگار نیست و مناطق زیادی وجود دارد که SVI در دسترس نیست. این به این دلیل است که اطلاعات در امتداد جاده فقط در SVI [ ۲۴ ] ثبت می شود. علاوه بر این، خیابان هایی بدون SVI وجود دارد. این تحقیق از درون یابی IDW برای تولید نقشه های ویژگی SVI استفاده کرد. تحقیقات بیشتر می‌تواند راه‌های پیچیده‌تری را برای مقابله با این پوشش متناقض پیدا کند تا ویژگی‌های SVI را از نظر فضایی بهتر درون‌یابی کند. به عنوان مثال، تکنیک هایی که به صراحت با داده های از دست رفته سروکار دارند می توانند بررسی شوند. متناوبا، داده‌های جانبی، مانند شبکه‌های جاده‌ای یا بلوک‌های شهری [ ۳۴] در دسترس از طریق OpenStreetMap، می تواند برای درون یابی SVI به طور معناداری استفاده شود.

در مرحله دوم، نقشه‌های ویژگی SVI با ۳۲ جزء اصلی از ۱۲۸ ویژگی Places365-VGG16 تولید شدند. این ۳۲ مؤلفه تنها ۵۸ درصد از واریانس همه ویژگی ها را توضیح می دهند، اما اگر سعی کنیم نقشه های ویژگی را برای همه ۱۲۸ ویژگی ایجاد کنیم و همه آنها را به عنوان لایه در Modified FCN-DK6_2 ادغام کنیم، از نظر محاسباتی کارآمد نیست. تحقیقات بیشتر می‌تواند روش‌های تولید نقشه‌های ویژگی را بررسی کند که اطلاعات بیشتری را از SVI بدون ایجاد لایه‌های فضایی زیادی برای گنجاندن در اصلاح‌شده FCN-DK6_2، ضبط می‌کند.

در نهایت، مهم است که به یاد داشته باشید که مفهوم سازی زاغه ها به شدت به بافت محلی وابسته است [ ۳۴ ]. در نتیجه، مفهوم سازی زاغه بر اساس بافت محلی در هنگام تولید نقشه های زاغه بسیار ارزشمند است.

۶٫ نتیجه گیری

در طول دو دهه گذشته، RSI برای شناسایی زاغه‌ها و ایجاد نقشه‌های زاغه‌نشین نوید فزاینده‌ای را نشان داده است. این اطلاعات می تواند برای سیاست گذاران در برنامه ریزی پروژه های بهسازی شهری بسیار مهم باشد. با این حال، ویژگی های فیزیکی ثبت شده از طریق RSI به درک محیط شهری محدود می شود، به عنوان مثال، اندازه ساختمان، تراکم، مصالح سقف و الگوی شبکه راه. با این حال، سایر ویژگی‌های مربوط به شرایط زندگی – مانند مصالح ساختمانی و زهکشی باز – برای شناسایی محله‌های فقیر نشین مهم هستند، اما ثبت آن در RSI بسیار دشوار است. این شکاف را می توان با SVI پر کرد، به ویژه با ادغام SVI و RSI. برای مطالعه موردی در جاکارتا، استفاده از داده‌های RSI و SVI با هم بهتر از داده‌های RSI یا SVI به تنهایی انجام شد. نتایج ما همچنین نشان داد که معماری شبکه در افزایش دقت بسیار مهم است. یک شبکه جدید اصلاح‌شده FCN-DK6_2 که در اینجا ارائه شد، بهبود زیادی در Recall، امتیاز F1 و IoU نشان داد. تحقیقات بیشتری برای کشف یک راه بهینه تر ادغام مورد نیاز است. نکته مهم دیگر برای تحقیقات بیشتر، یافتن راهی کارآمد برای درونیابی فضایی اطلاعات به‌دست‌آمده از طبقه‌بندی SVI است، که به مشاهدات نقطه‌ای در مختصاتی که SVI گرفته شده است، با پوشش فضایی پیوسته ارائه شده توسط RSI محدود می‌شود.

پیوست اول

شکل A1. نتیجه برای tile-3 با استفاده از اصلاح شده FCN-DK6_2، که در آن رنگ سفید مخفف منطقه زاغه نشین و سیاه برای مناطق دیگر (غیر زاغه) است، ایجاد شد.

شکل A2. مقایسه نتیجه ایجاد شده توسط اصلاح‌شده FCN-DK6_2 و FCN-DK6 برای tile-3. (محل مشخص شده با دایره قرمز نشان دهنده مکان هایی است که FCN-DK6_2 اصلاح شده به دلیل در دسترس بودن مکان GSV بهتر از FCN-DK6 عمل می کند).

منابع

چشم انداز شهرنشینی جهان ۲۰۱۸٫ در دسترس آنلاین: https://population.un.org/wup/ (دسترسی در ۴ سپتامبر ۲۰۲۲).
جمعیت شهری جهان در دسترس آنلاین: https://statisticstimes.com/demographics/world-urban-population.php (در ۴ سپتامبر ۲۰۲۲ قابل دسترسی است).
ساکس، جی. اشمیت تراب، جی. کرول، سی. لافورچون، جی. فولر، جی. گزارش توسعه پایدار ۲۰۲۰ ؛ انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، ۲۰۲۱٫ [ Google Scholar ]
UN-Habitat. فراداده در SDGs Indicator 11.1.1 Indicator Category: Tier I ; UN-Habitat: نایروبی، کنیا، ۲۰۱۸٫ [ Google Scholar ]
UN-Habitat. ALMANAC زاغه نشین ۲۰۱۵–۲۰۱۶، پیگیری بهبود در زندگی ساکنان زاغه . UN-Habitat: نایروبی، کنیا، ۲۰۱۶٫ [ Google Scholar ]
دوک، جی سی. پاتینو، جی. رویز، لس آنجلس؛ Pardo-Pascual، JE اندازه گیری فقر درون شهری با استفاده از معیارهای پوشش زمین و بافت به دست آمده از داده های سنجش از دور. Landsc. طرح شهری. ۲۰۱۵ ، ۱۳۵ ، ۱۱-۲۱٫ [ Google Scholar ] [ CrossRef ]
Nijman, J. Against the Odds: Rehabilitation Slums in Neoliberal Mumbai. شهرها ۲۰۰۸ ، ۲۵ ، ۷۳-۸۵٫ [ Google Scholar ] [ CrossRef ]
کار هیل، آر. میلیون‌ها گمشده و اندازه‌گیری پیشرفت توسعه. توسعه دهنده جهانی ۲۰۱۳ ، ۴۶ ، ۳۰-۴۴٫ [ Google Scholar ] [ CrossRef ]
مهابیر، ر. کرویتورو، آ. کروکس، آ. آگوریس، پ. استفانیدیس، A. بررسی انتقادی رویکردهای سنجش از دور با وضوح بالا و بسیار بالا برای شناسایی و نقشه برداری زاغه ها: روندها، چالش ها و فرصت های در حال ظهور. علوم شهری ۲۰۱۸ ، ۲ ، ۸٫ [ Google Scholar ] [ CrossRef ]
کوفر، م. تامسون، DR; بو، جی. مهابیر، ر. گریپا، تی. ونهویسه، اس. انگسترو، آر. ندوگوا، ر. ماکائو، جی. دارین، ای. و همکاران نقش رصد زمین در سیستم نقشه برداری یکپارچه مناطق محروم برای کشورهای با درآمد کم تا متوسط. Remote Sens. ۲۰۲۰ , ۱۲ , ۹۸۲٫ [ Google Scholar ] [ CrossRef ]
هافمن، پی. استروبل، جی. بلاشکه، تی. Kux, H. فصل ۶٫۱ تشخیص سکونت‌گاه‌های غیررسمی از داده‌های QuickBird در ریودوژانیرو با استفاده از یک رویکرد مبتنی بر شی. در تجزیه و تحلیل تصویر مبتنی بر شی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۸; صص ۵۳۱-۵۵۳٫ [ Google Scholar ]
تاوبن باک، اچ. کراف، نیوجرسی چهره فیزیکی زاغه‌ها مقایسه ساختاری زاغه‌ها در بمبئی هند بر اساس داده‌های سنجش از دور. جی. هاوس. محیط ساخته شده ۲۰۱۳ ، ۲۹ ، ۱۵-۳۸٫ [ Google Scholar ] [ CrossRef ]
پراتومو، جی. کوفر، م. کهلی، د. مارتینز، جی. کاربرد ماتریس خطای مسیر برای ارزیابی قابلیت انتقال موقت OBIA برای تشخیص محله فقیر نشین. یورو J. Remote Sens. ۲۰۱۸ , ۵۱ , ۸۳۸–۸۴۹٫ [ Google Scholar ] [ CrossRef ]
پراتومو، جی. کوفر، م. مارتینز، جی. کوهلی، دی. جفت‌گیری عدم قطعیت‌ها با ارزیابی دقت در شناسایی‌های زاغه‌نشین مبتنی بر شی، مطالعه موردی: جاکارتا، اندونزی. Remote Sens. ۲۰۱۷ , ۹ , ۱۱۶۴٫ [ Google Scholar ] [ CrossRef ]
کوفر، م. پففر، ک. Sliuzas, R. Slums from Space-15 سال نقشه برداری زاغه با استفاده از سنجش از دور. از راه دور. Sens. ۲۰۱۶ , ۸ , ۴۵۵٫ [ Google Scholar ] [ CrossRef ]
بلاشکه، تی. هی، GJ; کلی، م. لانگ، اس. هافمن، پی. آدینک، ای. کی روش فیتوسا، آر. ون در میر، اف. ون در ورف، اچ. ون کویلی، اف. و همکاران تصویر مبتنی بر شی جغرافیایی – تحلیل – به سوی یک پارادایم جدید. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۸۷ ، ۱۸۰-۱۹۱٫ [ Google Scholar ] [ CrossRef ]
مهابیر، ر. آگوریس، پ. استفانیدیس، ا. کرویتورو، آ. Crooks، AT شناسایی و نقشه برداری زاغه ها با استفاده از داده های باز: مطالعه موردی در کنیا. بین المللی جی دیجیت. زمین ۲۰۲۰ ، ۱۳ ، ۶۸۳-۷۰۷٫ [ Google Scholar ] [ CrossRef ]
کوفر، م. وانگ، جی. ناگنبورگ، ام. پففر، ک. کهلی، د. اسلیوزاس، آر. Persello, C. محدوده رصد زمین برای بهبود ثبات شاخص زاغه SDG. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۴۲۸٫ [ Google Scholar ] [ CrossRef ]
امبوگا، ن. پرسلو، سی. برگادو، جی آر. Stein، A. تشخیص سکونت‌گاه‌های غیررسمی از تصاویر VHR با استفاده از شبکه‌های عصبی کانولوشنال. Remote Sens. ۲۰۱۷ , ۹ , ۱۱۰۶٫ [ Google Scholar ] [ CrossRef ]
عجمی، ع. کوفر، م. پرسلو، سی. Pfeffer، K. شناسایی درجه محرومیت “یک زاغه” از تصاویر VHR با استفاده از شبکه های عصبی کانولوشن. Remote Sens. ۲۰۱۹ , ۱۱ , ۱۲۸۲٫ [ Google Scholar ] [ CrossRef ]
لئونیتا، جی. کوفر، م. اسلیوزاس، آر. Persello، C. نقشه برداری زاغه بر اساس یادگیری ماشینی در حمایت از برنامه های ارتقاء زاغه: مورد شهر باندونگ، اندونزی. Remote Sens. ۲۰۱۸ , ۱۰ , ۱۵۲۲٫ [ Google Scholar ] [ CrossRef ]
ورما، دی. جانا، ا. Ramamritham، K. انتقال رویکرد یادگیری به نقشه زاغه های شهری با استفاده از تصاویر ماهواره ای با وضوح بالا و متوسط. Habitat Int. ۲۰۱۹ ، ۸۸ ، ۱۰۱۹۸۱٫ [ Google Scholar ] [ CrossRef ]
ورکمن، اس. ژای، م. کراندال، دی جی; جیکوبز، ن. یک مدل واحد برای سنجش نزدیک و از راه دور. در مجموعه مقالات کنفرانس بین المللی IEEE 2017 در بینایی کامپیوتری (ICCV)، ونیز، ایتالیا، ۲۲ تا ۲۹ اکتبر ۲۰۱۷٫ [ Google Scholar ]
کائو، آر. ژو، جی. تو، دبلیو. لی، کیو. کائو، جی. لیو، بی. ژانگ، Q. Qiu, G. یکپارچه سازی تصاویر هوایی و نمای خیابان برای طبقه بندی کاربری زمین شهری. از راه دور. Sens. ۲۰۱۸ , ۱۰ , ۱۵۵۳٫ [ Google Scholar ] [ CrossRef ]
باربیراتو، ای. برنتی، آی. کاپچی، آی. ساراگوسا، سی. ادغام تصاویر سنجش از راه دور و نمای خیابان برای تعیین کمیت خدمات اکوسیستم جنگل شهری. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۲۹٫ [ Google Scholar ] [ CrossRef ]
مارتینز، آر. ماسرون، در جاکارتا شهر شهرها ; الزویر: آمستردام، هلند، ۲۰۲۰٫ [ Google Scholar ]
بستر دانش توسعه پایدار در دسترس آنلاین: https://sustainabledevelopment.un.org/vnrs/ (دسترسی در ۴ سپتامبر ۲۰۲۲).
نجمی، الف. ادغام تصاویر سنجش از دور و نمای خیابان برای نقشه‌برداری از محله‌های فقیر نشین با استفاده از رویکرد یادگیری عمیق. پایان نامه کارشناسی ارشد، دانشگاه Twente، Enschede، هلند، اوت ۲۰۲۱٫ در دسترس آنلاین: http://essay.utwente.nl/88704/ (در ۱ سپتامبر ۲۰۲۲ قابل دسترسی است).
پرسلو، سی. Stein، A. شبکه های کاملاً پیچیده عمیق برای تشخیص سکونتگاه های غیررسمی در تصاویر VHR. IEEE Geosci. از راه دور. سنس لت. ۲۰۱۷ ، ۱۴ ، ۲۳۲۵–۲۳۲۹٫ [ Google Scholar ] [ CrossRef ]
یو، اف. کلتون، V. تجمع زمینه چند مقیاسی توسط پیچیدگی های متسع. arXiv ۲۰۱۵ ، arXiv:1511.07122. [ Google Scholar ]
Jolliffe, IT Principal-Component-Analysis-2002 ; Springer: Berlin/Heidelberg، آلمان، ۲۰۰۲٫ [ Google Scholar ]
حسین، م. سلیمان، MN مروری بر معیارهای ارزیابی برای ارزیابی های طبقه بندی داده ها. بین المللی J. داده حداقل. دانستن مدیریت فرآیند ۲۰۱۵ ، ۵ ، ۱-۱۱٫ [ Google Scholar ]
لیو، کیو. سالبرگ، A.-B. جنسن، آر. مقایسه معماری های یادگیری عمیق برای نگاشت معنایی تصاویر با وضوح بسیار بالا. در مجموعه مقالات IGARSS 2018-2018 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، والنسیا، اسپانیا، ۲۲ تا ۲۷ ژوئیه ۲۰۱۸٫ [ Google Scholar ]
کهلی، د. اسلیوزاس، آر. کرل، ن. استین، A. هستی شناسی زاغه ها برای طبقه بندی مبتنی بر تصویر. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۲ ، ۳۶ ، ۱۵۴-۱۶۳٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ نقشه های موقعیت جاکارتا با مرزهای اداری منطقه ای مربوطه و منطقه مطالعاتی انتخاب شده.

شکل ۲٫ مرزهای زاغه نشین رسمی از سال ۲۰۱۷ که زاغه های سنگین، متوسط، سبک و بسیار سبک را نشان می دهد.

شکل ۳٫ SVI در جهت های اصلی در یک محل زاغه بر اساس نقشه مرجع رسمی محله فقیر نشین در سال ۲۰۱۷ گرفته شده است.

شکل ۴٫ مکان های تصادفی نقطه در جاده ها در مناطق زاغه و غیر زاغه (سبز نقطه غیر زاغه و قرمز نقطه زاغه است).

شکل ۵٫ مروری بر گردش کار روش شناختی در سه مرحله نشان داده شده است: شناسایی، اجرا و ارزیابی دقت.

شکل ۶٫ نقشه مرجع زاغه نشین اصلاح شده ایجاد شده برای این مطالعه با استفاده از شاخص های نقشه برداری.

شکل ۷٫ در فاصله ۰٫۵ سانتی متری از هر مکان GSV، نقاط اضافی در جهت اصلی ایجاد شد (قرمز مکان های GSV و زرد نقاط تازه ایجاد شده هستند).

شکل ۸٫ آماده سازی نقشه های ویژگی و داده های ورودی برای رویکردهای ۱ و ۲ (این شکل فقط روش ایجاد دو نقشه ویژگی را نشان می دهد؛ به همین ترتیب، ۳۲ نقشه ویژگی را می توان تولید کرد).

شکل ۹٫ معماری شبکه پیشنهادی اصلاح شده FCN-DK6_2 برای ترکیب نقشه ویژگی RSI و SVI در بلوک کانولوشن ۲ (RSI Input-Image_1 است و نقشه ویژگی انباشته SVI Input-Image_2 است.

شکل ۱۰٫ نتیجه تولید شده برای tile-12 با استفاده از اصلاح شده FCN-DK6_2، رنگ سفید نشان دهنده مناطق زاغه نشین و سیاه سایر مناطق (غیر زاغه) را نشان می دهد.

شکل ۱۱٫ نتیجه ایجاد شده توسط شبکه‌های FCN-DK6، Places365-VGG16، FCN-DK6-i و اصلاح‌شده FCN-DK6_2 در میان دسته‌های مختلف زاغه‌نشین مقایسه شده است.

شکل ۱۲٫ نتیجه ایجاد شده توسط اصلاح شده FCN-DK6_2 و FCN-DK6 برای tile-12 (محل مشخص شده با دایره قرمز نشان دهنده مکان هایی است که FCN-DK6_2 اصلاح شده به دلیل در دسترس بودن مکان GSV بهتر از FCN-DK6 عمل می کند).

شکل ۱۳٫ طبقه‌بندی با استفاده از FCN-DK6 و FCN-DK6_2 اصلاح‌شده برای شناسایی مناطق زاغه‌نشین (منطقه با رنگ زرد برجسته شده است، جایی که FCN-DK6_2 و FCN-DK6 اصلاح‌شده عملکرد ضعیفی دارند، زیرا دسترسی به مکان GSV محدود بود و منطقه با رنگ سرخابی که در آن تغییر یافته بود، برجسته شده بود. -DK6_2 عملکرد بهتری نسبت به FCN-DK6 دارد زیرا دسترسی به مکان GSV غنی بود).

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام