هوش مکانی اتیم تحقیقاتی ونوس نصیرفام

اطلاعات در مناظر خیابانی – تحقیق در مورد اطلاعات ادراک بصری کمیت فضای خیابان بر اساس آنتروپی اطلاعات و یادگیری ماشین

خلاصه

فضای خیابان شهری بازتابی انتقادی از سرزندگی و تصویر یک شهر و جزء حیاتی برنامه ریزی شهری است. در حالی که اطلاعات ادراکی بصری در مورد فضای خیابان شهری می تواند ترکیب عناصر مکان و روابط فضایی را منعکس کند، فاقد یک سیستم کمی سازی یکپارچه و جامع است. اغلب در قالب نسبت عناصر بدون در نظر گرفتن عوامل واقع بینانه مانند انسداد، نور و سایه و مواد ارائه می شود که توصیف دقیق اطلاعات پیچیده موجود در صحنه های واقعی را برای داده ها دشوار می کند. نتایج مطالعات مرتبط به اندازه کافی متمرکز نیستند تا به عنوان راهنمای طراحی راه حل ها عمل کنند و صرفاً پارادایم های نظری باقی بمانند. همینطور، این مطالعه از مدل‌های تقسیم‌بندی معنایی و آنتروپی اطلاعات برای تولید چهار معیار کمیت اطلاعات ادراکی بصری (VPIQ) فضای خیابان استفاده کرد: (۱) فرم. (۲) خط؛ (۳) بافت؛ و (۴) رنگ. سپس، در سطح کلان، ضریب تغییرات منظره خیابان (SCV) و آنتروپی خوشه‌ای K-means (HCK) برای تعیین کمیت ویژگی‌های تغییرات فضایی خیابان بر اساس VPIQ پیشنهاد شد. علاوه بر این، ما از رگرسیون وزن‌دار جغرافیایی (GWR) برای بررسی رابطه بین VPIQ و عناصر خیابان در سطح مزو و همچنین کاربرد عملی آن استفاده کردیم. این روش می تواند به طور دقیق و عینی وضعیت فعلی فضاهای خیابان را توصیف و تشخیص دهد، به برنامه ریزان شهری و تصمیم گیرندگان در تصمیم گیری در مورد سیاست های برنامه ریزی، طرح های بازآفرینی شهری و نحوه مدیریت محیط خیابان کمک می کند.

کلید واژه ها: 

فضای خیابان ؛ آنتروپی اطلاعات ; یادگیری ماشینی ؛ ادراک بصری ؛ تغییر فضایی ؛ ناهمگونی فضایی

۱٫ معرفی

خیابان ها بخشی جدایی ناپذیر از شهرها هستند و شهروندان اغلب منظر شهری را از طریق آنها درک می کنند. چندین رشته به دلیل ویژگی‌های چندوجهی آن‌ها [ ۱ ]، به‌ویژه برای مطالعات در مورد سرسبزی شهری [ ۲ ، ۳ ]، قابلیت پیاده‌روی [ ۴ ، ۵ ]، مورفولوژی شهری [ ۶ ، ۷ ] و ادراک شهری [ ۸ ، ۹ ]، تحقیقات فشرده‌ای در خیابان‌ها انجام می‌دهند. ]، جایی که ارزش و پتانسیل ایده آل پژوهشی را نشان می دهند. درک خیابان شهری معمولاً با استفاده از نظرسنجی های دستی مورد مطالعه قرار گرفته است [ ۱۰ , ۱۱ , ۱۲ , ۱۳ , ۱۴]. با این حال، به دلیل محدودیت های شناخت انسان و شرایط اقتصادی، تکیه بر داده های به دست آمده از بررسی های دستی برای مدل سازی شهری دشوار است. تحت فراخوان شهرسازی هوشمند، استفاده از فناوری اطلاعات و ارتباطات مدرن (ICT) برای تجزیه و تحلیل داده های شهری برای کمک به تصمیم گیری و برنامه ریزی، رقابت قابل توجهی خواهد داشت [ ۱۵ ، ۱۶ ] که یکی از دلایل افزایش تعداد است. مطالعات انجام شده در زمینه شهرهای هوشمند در سال های اخیر [ ۱۷ ]. ظهور ابزارهای هوش مصنوعی (AI) مانند یادگیری ماشینی (ML) و یادگیری عمیق (DL) جهت جدیدی را برای تحقق شهرهای هوشمند فراهم می کند [ ۱۸ ، ۱۹ ]. رابط های پلت فرم باز ارائه شده توسط شرکت هایی مانند Google [20 ]، تنسنت [ ۲۱ ] و بایدو [ ۲۲]، همچنین کسب کلان داده را در شهرها تسهیل می کند. بنابراین استفاده از تصاویر نمای خیابان برای مطالعه درک فضای خیابان های شهری و استفاده از الگوریتم های هوش مصنوعی برای مدل سازی داده ها به یکی از پارادایم ها از دیدگاه شهرهای هوشمند تبدیل شده است. این مطالعه همچنین توسط این پارادایم هدایت می‌شود، یعنی پردازش نمای خیابان Baidu (BSV) از طریق روش‌های یادگیری ماشین و کمی‌سازی ادراک خیابان شهری با آنتروپی اطلاعات. بنابراین، کاوش درک بصری از فضای خیابان برای درک رابطه بین عناصر خیابان و ظاهر شهری، توصیف محیط ساخته شده، یا ارزیابی کیفیت فضا، ارائه راهنمایی های علمی برای برنامه ریزی و ساخت و ساز شهری و برنامه ریزی محیطی مفید است.
به عنوان یک رویکرد به طور گسترده به رسمیت شناخته شده برای تحقیقات توسعه شهری، یادگیری ماشینی شکاف بین هوش مصنوعی و حاکمیت شهری را پر می کند [ ۲۳ ]. محققان می‌توانند از الگوریتم‌های یادگیری ماشین برای بررسی قوانین عمیق‌تر زیربنای کلان داده‌ها به منظور توضیح پدیده‌های پیچیده مختلف در فرآیند توسعه شهری امروزی استفاده کنند [ ۲۴ ]. با کمک چنین کاربردهای هوشمندی، مدیریت شهری و سیاست گذاری به تدریج به یک سیستم اطلاعاتی بین رشته ای و متنوع تبدیل می شود [ ۲۵ ]. Deeplabv3+ به طور فزاینده ای در علوم شهری استفاده شده است [ ۲۶ ، ۲۷ ، ۲۸]. تکنیک‌های تقسیم‌بندی معنایی برای یادگیری عمیق می‌توانند تصاویر را پردازش دسته‌ای کنند و داده‌هایی مانند نسبت فضای سبز، وسایل نقلیه، عابران پیاده و ساختمان‌ها را استخراج کنند [ ۲۹ ، ۳۰ ، ۳۱ ]، و بنابراین نتایج تحقیق را قابل تفسیرتر کنند [ ۳۲ ، ۳۳ ، ۳۴ ، ۳۵ ]. آنها توصیف محیط ساخته شده شهری را از طریق اطلاعات ادراک بصری [ ۲۱ ، ۳۵ ، ۳۶ ، ۳۷ ] ممکن می سازند، و استدلال می کنند که ابهام اطلاعات بصری در محیط شهری نیازمند توجه بیشتری در تحقیقات کمی ظاهر شهری است [ ۳۵ ].]. بر این اساس، ورما با کاوش در توسعه مدل های ادراک سمعی و بصری [ ۳۸ ]، سیستم ادراک را غنی کرد و برخی از مطالعات از آنتروپی بصری یا عناصر جزئی خیابان برای اندازه گیری پیچیدگی رابط های خیابان استفاده کردند [ ۹ ، ۳۹ ]. محققان مطالعات ادراک در مقیاس بزرگ را انجام داده‌اند، نظریه‌های راهنما برای ایجاد فضاهای خیابانی [ ۸ ، ۴۰ ]، معرفی الگوریتم‌های شبکه عصبی برای طبقه‌بندی تصاویر نمونه، یا اصلاح سیستم‌های ارزیابی برای به دست آوردن مدل‌های ادراکی دقیق‌تر [ ۴۱ ، ۴۲ ]، انجام داده‌اند. ارائه راه هایی برای بهبود کیفیت فضاهای خیابانی شهری بر اساس سلامت و رفاه انسان در سطح عملکردی [ ۲۲ ]، ۳۱ ، ۴۲ ]، و ایجاد پیوند بین عناصر خیابان و اقلیم های کوچک شهری [ ۶ ، ۴۳ ]. روش دیگر، در سطح ظاهری، برخی از ویژگی های ادراکی بصری را می توان برای پیشنهاد روش هایی برای ارزیابی کیفیت فضایی خیابان ها [ ۳۰ ، ۴۴ ، ۴۵ ] در حالی که تأثیر ناهمگونی فضایی در مقیاس محلی را در نظر گرفت [ ۴۶ ، ۴۷ ] استفاده کرد. تحقیقات فعلی به طور فزاینده ای بر توسعه روش ها یا مدل هایی برای اندازه گیری محیط از طریق یادگیری ماشین برای کمک به برنامه ریزی و مدیریت محیط زیست شهری متمرکز شده است [ ۴۸ , ۴۹ , ۵۰].
تحقیقات قبلی امکان سنجی استفاده از تصاویر منظره خیابان را برای درک فضای خیابان شهری ایجاد کرد و پایه ای محکم برای تحقیقات آینده ایجاد کرد که می تواند در دو جهت بر اساس روش ها و یافته های مشترک گسترش یابد. (۱) برای توضیح «کمیت اطلاعات» درگیر در ادراک بصری، روش‌شناسی بینایی ساختارشکنی گنجانده شد، که مبتنی بر تعیین نسبت‌های هر عنصر خیابانی در حالی که انسداد بین عناصر خیابان، نور و سایه، رنگ، مواد و شکل است. ، امکان نمایش جامع تری از عوامل پیچیده در صحنه های واقع گرایانه را فراهم می کند. علاوه بر بهبود الگوریتم سنتی مورد استفاده برای محاسبه آنتروپی بصری برای تعیین کمیت مقدار اطلاعات در فضاهای خیابان در تحقیقات قبلی، این الگوریتم به روز مزیت کاوش عمیق‌تر در داده‌های اساسی را منعکس می‌کند و به شاخص ادراک بصری بهبودیافته اجازه می‌دهد تا با ادراک انسان مناسب‌تر باشد و همچنین به طور کارآمدی فضای خیابان را با دقت بیشتری توصیف و کمی کند. (۲) گسترش پارادایم نظری طراحی راهنما که در تحقیقات قبلی ایجاد شده است، پیشنهادات راهنمایی را برای ایجاد ریزدانه فضا ارائه می دهد، که نه تنها توصیفی در سطح کلان از ادراک بصری خیابان های شهری ارائه می دهد، بلکه به طور مستقیم به خیابان کمک می کند. فرآیند طراحی تجدید بنابراین، کمی کردن اطلاعات ادراک بصری برای تحقیقات آینده حیاتی است. و همچنین توصیف موثر و کمی کردن فضای خیابان به طور دقیق تر. (۲) گسترش پارادایم نظری طراحی راهنما که در تحقیقات قبلی ایجاد شده است، پیشنهادات راهنمایی را برای ایجاد ریزدانه فضا ارائه می دهد، که نه تنها توصیفی در سطح کلان از ادراک بصری خیابان های شهری ارائه می دهد، بلکه به طور مستقیم به خیابان کمک می کند. فرآیند طراحی تجدید بنابراین، کمی کردن اطلاعات ادراک بصری برای تحقیقات آینده حیاتی است. و همچنین توصیف موثر و کمی کردن فضای خیابان به طور دقیق تر. (۲) گسترش پارادایم نظری طراحی راهنما که در تحقیقات قبلی ایجاد شده است، پیشنهادات راهنمایی را برای ایجاد ریزدانه فضا ارائه می دهد، که نه تنها توصیفی در سطح کلان از ادراک بصری خیابان های شهری ارائه می دهد، بلکه به طور مستقیم به خیابان کمک می کند. فرآیند طراحی تجدید بنابراین، کمی کردن اطلاعات ادراک بصری برای تحقیقات آینده حیاتی است. بلکه به طور مستقیم به فرآیند طراحی نوسازی خیابان کمک می کند. بنابراین، کمی کردن اطلاعات ادراک بصری برای تحقیقات آینده حیاتی است. بلکه به طور مستقیم به فرآیند طراحی نوسازی خیابان کمک می کند. بنابراین، کمی کردن اطلاعات ادراک بصری برای تحقیقات آینده حیاتی است.
برای انجام این دو هدف تحقیق گسترده، ما مدلی را پیشنهاد می‌کنیم که می‌تواند کمیت اطلاعات ادراکی بصری (VPIQ) فضاهای خیابان و همچنین تغییرات فضایی آنها را کمی کند. ابتدا، VPIQ تصاویر خیابانی را با استفاده از آنتروپی اطلاعات و تقسیم‌بندی تصویر معنایی محاسبه کردیم. ما تنوع فضای خیابان را بر اساس ضریب تغییرات VPIQ و آنتروپی خوشه‌بندی اندازه‌گیری کردیم. مدل رگرسیون وزن‌دار جغرافیایی (GWR) همچنین به ما اجازه می‌دهد تا ویژگی‌های عناصر خیابانی را که بر بخش‌های جاده محلی با دانه‌ریزی خوب تأثیر می‌گذارند، به دست آوریم. این روش می‌تواند توصیفات عینی و ویژگی‌های تاثیر تجسم فضای خیابان را از منظرهای کلان و میانی ارائه دهد. علاوه بر این، می تواند به عنوان مرجعی برای سیاست های نوسازی شهری و سفارشی کردن راه حل های طراحی خیابان عمل کند.
این مقاله حوزه مورد مطالعه، فرآیندهای جمع آوری داده و پردازش را در بخش ۲ معرفی می کند. بخش ۳ به سه بخش می پردازد: (۱) چهار معیار VPIQ در فضای خیابان بر اساس آنتروپی اطلاعات و تقسیم بندی معنایی. (۲) روش‌هایی برای اندازه‌گیری تغییرات فضایی در خیابان‌ها بر اساس VPIQ. و (۳) روش‌هایی برای بررسی تأثیر VPIQ در خیابان‌ها با استفاده از GWR. بخش ۴ نتایج اندازه گیری تغییر فضای خیابان و مدل GWR را ارائه می کند. بخش ۵ هر یک از دو بخش از بخش ۴ را مورد بحث و نتیجه گیری قرار خواهد داد .

۲٫ مواد

۲٫۱٫ مناطق مطالعه

این مطالعه در مناطق فرعی خیابان های Hubin، Qingbo، و Xiaoying در منطقه Shangcheng Hangzhou، چین انجام شد. این منطقه در مجاورت منطقه دیدنی دریاچه غربی است و شهر قدیمی منطقه مرکزی هانگژو است ( شکل ۱ ). این شامل عناصری مانند خیابان‌های تجاری، ساختمان‌های تجاری، مناطق مسکونی قدیمی و جدید، ایستگاه‌های راه‌آهن، خطوط زیرزمینی، نقاط دیدنی و امکانات پشتیبانی مختلف است. همچنین تنوع قوی را ارائه می دهد و تا حدی سبک و عملکرد یک شهر را منعکس می کند. این منطقه زمینه ایده آلی برای این مطالعه فراهم کرد.

۲٫۲٫ آماده سازی داده ها

ما ۱۱۷۹ تصویر نمای خیابان را که در سپتامبر ۲۰۱۷ از پلتفرم برنامه‌نویس نقشه‌های Baidu ( https://lbsyun.baidu.com/ ، دسترسی در ۲۶ دسامبر ۲۰۲۱) در فاصله ۴۰ متری از خیابان‌ها گرفته‌اند، به دست آوردیم که نمونه‌برداری از نمای خیابان را پوشش می‌دهد. ما وظیفه جمع‌آوری تصویر نمای خیابان را در پایتون از طریق کتابخانه درخواست بر اساس مکان یاب منبع یکنواخت (URL) ارائه‌شده توسط رابط برنامه‌نویسی برنامه‌نویسی تصویر ثابت (API) پلتفرم ایجاد کردیم. در نظر گرفتن حریم خصوصی داده ها و مسائل امنیتی [ ۱۷]، سهمیه کلیدهای برنامه شخصی (AK) را تنها ۱۰۰ بار در روز روی پلتفرم اعمال کردیم و بنابراین از چندین AK برای به دست آوردن تمام تصاویر نمای خیابان استفاده کردیم. بایدو از پردازش محرمانه (تاری گاوسی) برای چهره انسان و شماره پلاک ثبت شده در همه تصاویر استفاده می کند که برای انتشار عمومی تحقیقات دانشگاهی مناسب است. محدوده میدان دید افقی و عمودی (FOV) دوربین مورد استفاده توسط خودروی نمونه‌برداری نمای خیابان برای جمع‌آوری داده‌ها ۸۰-۱۴۰ درجه است. وقتی زاویه گام دوربین ۰ درجه باشد، میدان دید تقریباً با میدان دید معمولی یک فرد برابر است. بنابراین، هنگام خزیدن تصاویر نمای خیابان، زاویه گام را روی ۰ درجه تنظیم می کنیم. زاویه دید افقی به یک تصویر پانوراما از طریق ۰ درجه، ۹۰ درجه، ۱۸۰ درجه و ۲۷۰ درجه متصل می شود.شکل ۱ ). سپس این تصاویر از تصاویر تکراری و رندر نادرست پاک شدند. رزولوشن هر تصویر ۱۰۲۴ × ۵۱۲ (پیکسل) و اندازه تصویر ۱۰۲۴ × ۳۳۵ (پیکسل) پس از برش تصاویر نمونه‌برداری شده خودرو و مقیاس‌بندی برابر طبق الگوریتم‌های مختلف بود. توزیع نقطه نمونه برداری در شکل ۱ نشان داده شده است .
داده های POI از Gaode Map (یک شرکت نقشه آنلاین در چین) به دست آمد و پس از فیلتر کردن داده های غیرعادی خارج از منطقه مورد مطالعه، ۹۹۶۸ رکورد حاوی ۱۵ دسته وجود داشت.

۳٫ روش ها

روابط بین شاخص های محاسبه شده درگیر در تمام مراحل در شکل ۲ و شکل ۳ نشان داده شده است.

۳٫۱٫ کمی سازی اندازه گیری VPIQ

رویکرد متخصص/طراحی دید (فرم، خط، بافت و رنگ) را با استخراج ویژگی‌های رسمی منظر [ ۵۱ ، ۵۲ ] برای ارزیابی ویژگی‌های آن (مانند سازگاری، تنوع، زنده بودن و هماهنگی) تجزیه می‌کند، اما این رویکرد تحت تأثیر تداخل ذهنی بیش از حد [ ۵۱ ]. با این حال، از آنجایی که استفاده از ویژگی های بیوفیزیکی برای توصیف مناظر به طور سیستماتیک با درک چشم انداز بصری [ ۵۳ ] مرتبط است، این روش استخراج پارامترهای انتزاعی از مناظر برای مطالعه درک بصری مناظر مناسب است.
طبق تعریف «آنتروپی بصری»، جلوه‌های بصری منظره متنوع‌تر است و زمانی که آنتروپی بیشتر است، اطلاعات بصری بیشتری را در اختیار چشم انسان قرار می‌دهد. در نتیجه، ما روش اندازه‌گیری ویژگی‌های مورفولوژیکی منظر را در تئوری متخصص/طراحی به منظور تجزیه اطلاعات بصری از چهار منظر: فرم، خط، بافت و رنگ، برای کمی کردن اطلاعات ادراک بصری موجود در فضای خیابان، ادغام می‌کنیم. دوم، این مطالعه مبتنی بر توصیف عینی اطلاعات بصری بود. این امر بر نیاز به اندازه گیری عینی بیش از ارزیابی تأکید می کند. این بدان معناست که اطلاعات بصری کارکرد ارزیابی خوبی را ندارند، بلکه باید از نظر شناختی با الزامات برنامه ریزی و طراحی خیابان شهری واقعی ادغام شوند. ( شکل ۲).

۳٫۱٫۱٫ فرم

ظاهر و ترکیب عناصر مختلف خیابان درجات مختلفی از اطلاعات بصری را در اختیار عابران پیاده قرار می دهد. به‌جای شمارش مستقیم درصد عناصر خیابان در تصویر نمای خیابان، اطلاعات فرم تعریف‌شده در این مقاله بر روی تمام بلوک‌های رنگی مستقل در تصویر با برچسب طبقه‌بندی شده به‌دست‌آمده از تقسیم‌بندی معنایی متمرکز شده است ( شکل ۲).)، محیط و مساحت آنها را با استفاده از OpenCV به دست آورد و آنتروپی اطلاعات کل تصویر را محاسبه کرد تا مشخص کند فرم صحنه چقدر اطلاعات بصری ارائه می دهد. اهمیت این محاسبه در این است که اثر تقسیم‌بندی را بر روی رابط بصری ناشی از انسداد متقابل صحنه‌های خیابانی (به عنوان مثال، تقسیم‌بندی ساختمان‌ها و پیاده‌روها توسط شاخه‌های درخت و تیرهای برق) در نظر می‌گیرد و مطالعات قبلی نشان داده‌اند که انسداد صحنه تأثیر قابل توجهی در محاسبه رابط خیابان [ ۵۴ ، ۵۵ ، ۵۶ ]. شکل A1 را در ضمیمه A برای تصویر دقیق ببینید .
در نتیجه، ما تقسیم‌بندی معنایی تصاویر نمای خیابان را با استفاده از چارچوب الگوریتم Deeplabv3+ Python و مجموعه داده CitySpaces انجام دادیم و سپس از ابزار OpenCV برای پیاده‌سازی روش محاسبه فوق‌الذکر استفاده کردیم و مقدار اطلاعات فرم به صورت زیر فرمول‌بندی شد:

اچسیب=–∑من=۱nسیمنپمناسمنورود به سیستمپمن

که در آن n تعداد کل بلوک های رنگی در تصویر و P i نسبت بلوک i- امین تصویر است. HCB کمیت اطلاعات فرمی است که در ضریب تقسیم بصری در نظر گرفته می شود.

سپس غنای انواع صحنه های خیابانی به محاسبه اضافه شد. الگوریتم تقسیم بندی معنایی نسبت رنگ های مختلف (به عنوان مثال، انواع عناصر خیابان) را شمارش می کند، که برای محاسبه پیچیدگی تنوع با فرمول بندی به صورت زیر استفاده می شود:

اچسیO=–∑من=۱nپمنورود به سیستمپمن

که در آن n تعداد کل رنگ ها (طبقه بندی عناصر خیابان) در تصویر و P i نسبت رنگ i- امین تصویر است.

۳٫۱٫۲٫ خط
لبه‌های اشیاء، مرزهای روشن و تاریک و غیره همگی جلوه‌ای از اطلاعات خط هستند، مشابه نحوه ثبت صحنه با طراحی قلم. ابتدا از الگوریتم تشخیص لبه Canny برای جداسازی طرح کلی و پس‌زمینه صحنه، حفظ خطوط و حذف سایر جزئیات استفاده شد. الگوریتم Canny یک الگوریتم تشخیص لبه به طور گسترده در تحقیقات فعلی است [ ۵۷ ، ۵۸ ]. سپس بعد فراکتال تصویر پردازش شده محاسبه شد. در میان روش‌های محاسبه بعد فراکتال، روش بعد شمارش جعبه در زمینه‌های مرتبط با برنامه‌ریزی بسیار شناخته شده است [ ۵۸ ]. تصویر ابتدا با یک ماتریس شبکه پوشانده شد، که در آن طول سمت شبکه ε و عدد شبکه N است (ε )، زمانی که شبکه به اندازه کافی منقبض شد تا همه تغییرات εn و N ( ε n ) را ثبت کند، بر اساس log(1/ εn ) و log ( N ( εn ))، نمودار پراکندگی رسم شد و شیب HLI از خط برازش شده ثبت شد ( شکل ۲ ) که بعد شمارش جعبه نمودار است و بیان آن عبارت است از:

اچLمن=لیمε→∞ورود به سیستم(ن(εn))ورود به سیستم(۱/εn)
۳٫۱٫۳٫ بافت
اطلاعات بافت، تغییرات نور و تاریکی روی سطح یک شی را به دلیل ناهمواری اندازه گیری می کند، و این تغییر به عنوان سطح مقادیر مقیاس خاکستری در یک تصویر در مقیاس خاکستری نشان داده می شود، که می تواند به عنوان یک ماتریس یک بعدی مشاهده شود که مقادیر مختلف مقیاس خاکستری را ثبت می کند. آنتروپی دو بعدی معمولاً در زمینه مهندسی ارتباطات برای محاسبه اطلاعات بافت به جای آنتروپی یک بعدی استفاده می شود زیرا می تواند ویژگی های توزیع فضایی هر پیکسل مقیاس خاکستری را در یک تصویر ثبت کند [ ۵۹ ، ۶۰ ، ۶۱ ]. ما هر پیکسل و هشت پیکسل اطراف آن را با استفاده از یک شبکه ۳ × ۳ پیمایش کردیم و مقدار مقیاس خاکستری پیکسل را با i نشان دادیم.و میانگین مقادیر مقیاس خاکستری هشت پیکسل اطراف توسط j که به عنوان یک گروه باینری ( i ، j ) ذکر شد. پایتون برای انجام یکسان سازی هیستوگرام روی تصویر نمونه برای کمک به استخراج بافت شی مورد استفاده قرار گرفت. سپس احتمال وقوع ( i , j ) در تصویر محاسبه شد و به صورت زیر در فرمول آنتروپی اطلاعات گنجانده شد:

j=∑ک=۱۸j(ک)۸
اچتیE=–∑من=۰۲۵۵∑j=0255پمنjورود به سیستمپمنj

جایی که i مقدار خاکستری پیکسل i ام در تصویر است (من∈[۰،۲۵۵]j مقدار خاکستری همسایگی است ( j∈[۰،۲۵۵]، و P ij احتمال ظاهر شدن گروه دودویی ( i , j ) در تصویر است.

۳٫۱٫۴٫ رنگ
رنگ جنبه اولیه ادراک بصری است و عناصری مانند پوشش گیاهی، وسایل نقلیه، ساختمان‌ها، جاده‌ها و سایر زیرساخت‌ها بر میزان اطلاعات موجود از طریق رنگ‌های مختلف تأثیر می‌گذارند. از مقدار اطلاعات رنگ در یک صحنه می توان برای تعیین کمیت غنای رنگ استفاده کرد.
ما به روش هان برای محاسبه رنگ صحنه های خیابانی [ ۶۲ ] اشاره کردیم که شامل خواندن مقادیر RGB از تصاویر در MATLAB و نمایش سه مقدار در یک سیستم مختصات سه بعدی برای تشکیل یک مکعب رنگی RGB بود ( شکل ۲ ). نقاط پیکسل با مختصات RGB در محدوده مشخص شده فیلتر شدند و حداکثر مقدار RGB نقطه پیکسل به عنوان متریک رنگ استخراج شد. محدوده مقادیر برای هر رنگ با استفاده از معادله کروی در شکل ۲ نشان داده شده است . متریک رنگ به دست آمده برای محاسبه آنتروپی اطلاعات در معادله جایگزین شد و معادله زیر را برای اندازه گیری اطلاعات رنگ به دست داد:

اچسی=–∑من=۱nسیمنپمنورود به سیستمپمن

که در آن C i متریک رنگ پیکسل i است، P i احتمال وجود مقدار خاکستری پیکسل i در یک تصویر در مقیاس خاکستری است، و Hc مقدار اطلاعات رنگ تصویر است.

برای به دست آوردن نمایش دقیق تری از توزیع رنگ یک صحنه، ما به طور مستقل رنگ ها را در هر گوشه از مکعب رنگ شمارش کردیم و مقادیر اطلاعات رنگ را برای شش رنگ Hc_B (آبی)، Hc_G (سبز)، Hc_C (فیروزه ای)، Hc_M محاسبه کردیم. (سرخابی)، Hc_R (قرمز) و Hc_Y (زرد). با توجه به اینکه آب و هوا و تفاوت زمانی هر تصویر نمای خیابان می تواند بر روشنایی تصویر تأثیر بگذارد، ما از روش هیستوگرام RGB برای تصحیح دسته ای روشنایی تصویر استفاده کردیم ( پیوست B ، شکل A2 ).

۳٫۲٫ کاوش تغییرات فضایی با استفاده از VPIQ در فضای خیابان

از لحاظ تاریخی، برنامه ریزی و طراحی اغلب به صورت خیابان به خیابان انجام شده است. بنابراین، این بخش با استفاده از مقادیر VPIQ فضای خیابان به عنوان یک واحد آماری، تغییرات فضایی در منظر خیابان را از منظر کلان، در هر دو سطح عمومی و داخلی خیابان بررسی می‌کند.

۳٫۲٫۱٫ تنوع بصری در فضای کلی خیابان تک

Hc_SUM با تجمیع مقادیر VPIQ برای ۷۷ خیابان در منطقه مورد مطالعه و اضافه کردن HCB، HCO، HLI، HTE، Hc_G، Hc_M، Hc_R، Hc_Y، Hc_B، و Hc_C محاسبه شد. به منظور جلوگیری از تأثیر شرایط آب و هوایی مختلف در هر تصویر نمای خیابان، هنگام محاسبه Hc_B و Hc_C، طبق نتایج تقسیم‌بندی معنایی، قسمت آسمان با پیکسل‌های سیاه (مقدار RGB 0 است) جایگزین شد. سپس عملگرهای فوق نرمال سازی شدند تا قابل مقایسه باشند. در نهایت وزن هر اپراتور با روش ارزیابی جامع فازی تعیین شد و مقدار کل VPIQ Hc_SUM با وزن دهی به دست آمد.
ارزیابی جامع فازی (FCE) بر اساس نظریه درجه عضویت ریاضیات فازی است که ارزیابی کیفی را به ارزیابی کمی تبدیل می کند، یعنی از ریاضیات فازی برای ارزیابی کلی چیزها یا اشیایی استفاده می کند که توسط عوامل مختلف محدود شده اند. ابتدا مسئله را روشن کردیم و ۳ ساختار سلسله مراتبی شامل لایه هدف، لایه معیار با ۴ عامل، لایه زیر معیار و لایه طرح با ۱۰ عامل ایجاد کردیم. ما ماتریس قضاوت A = (a ij )n × n , i,j = ۱, ۲, …, n را ساختیم که در آن ij اغلب مقادیری را که در جدول ۱ نشان داده شده است می گیرد.و سپس مرتب‌سازی سلسله مراتبی را انجام داد، یعنی حداکثر مقدار ویژه ماتریس قضاوت A، مقدار تقریبی λmax و معادله مشخصه متناظر آن AW = Wλ max را یافت.برای حل بردار ویژه مربوطه، و سپس بردار ویژه آن Wi را عادی کرد و سازگاری را بررسی کرد. در نهایت، با توجه به رتبه‌بندی کل لایه‌ها، آزمون قوام ترکیبی انجام شد و نتیجه رتبه‌بندی، وزن اهمیت نسبی هر عامل از لایه طرح را به لایه هدف محاسبه می‌کند. با توجه به تحقیقات مربوطه در ادبیات، فرکانس پذیرش ۱۰ شاخص برای محاسبه وزن اندیکاتور با استفاده از نرم افزار Yaahp که از روش ارزیابی جامع فازی پشتیبانی می کند و به شدت با توابع AHP موجود ادغام می شود، استفاده شد.
سپس ضریب تغییرات نمای خیابان ( SCV ) برای هر خیابان محاسبه می‌شود تا پراکندگی کلی VPIQ برای هر خیابان را اندازه‌گیری کند که به صورت زیر فرموله می‌شود:

اسسیV=σمنμمن

جایی که σ i انحراف معیار خیابان i و μi مقدار مورد انتظار Hc_SUM در خیابان i است . درجه پراکندگی ناشی از Hc_SUM با اندازه SCV افزایش می یابد و تفاوت های بصری را آشکارتر می کند. برای تعیین درجه تنوع در ادراک بصری فضای خیابان، SCV باید همراه با سایر شاخص ها استفاده شود زیرا، به طور کلی، عابران پیاده از ابتدا تا انتها از یک خیابان بازدید نمی کنند ( شکل ۴ ).

۳٫۲٫۲٫ تنوع بصری در فضای یک خیابان
ما از متغیرهای نرمال شده HCB، HCO، HLI، HTE، Hc G، Hc M، Hc R و Hc Y به عنوان مقادیر ویژگی استفاده کردیم و از الگوریتم PCA در بسته اسکلرن پایتون برای کاهش ابعاد مجموعه داده استفاده کردیم. سپس مجموعه داده با استفاده از الگوریتم K-means خوشه‌بندی شد، که می‌تواند صحنه‌های خیابان را با اشکال، خطوط، بافت‌ها و رنگ‌های مشابه دسته‌بندی کند و برچسب‌های دسته‌بندی را اختصاص دهد [ ۶۳ ]. پس از به دست آوردن نتایج، آنتروپی خوشه‌بندی HCK برای شمارش برچسب‌ها بر اساس خیابان به صورت زیر فرموله می‌شود:

اچسیک=–∑من=۱کپمنورود به سیستمپمن

که در آن k تعداد کل برچسب‌های خوشه‌ای است و P i به نسبت دسته i- امین برچسب‌های موجود در خیابان فعلی اشاره دارد. ما منظره خیابان را بر اساس ترکیب زیرمتریک های VPIQ به چند دسته تقسیم کردیم و سپس از HCK برای اندازه گیری پیچیدگی دسته بندی های منظره خیابانی موجود در هر خیابان استفاده کردیم. این به ما کمک کرد تا درجه تنوع در فضای خیابان فعلی را درک کنیم، و هر چه برچسب‌های خوشه‌ای موجود در یک خیابان مجزاتر باشد، درک بصری از خیابان متنوع‌تر می‌شود. این می تواند تغییرات داخل خیابان را با دانه بندی دقیق تری اندازه گیری کند و بنابراین وقتی با SCV ترکیب می شود دقیق تر استبرای تعیین ماهیت هر فضای خیابان ( شکل ۴ ).

۳٫۲٫۳٫ ارتباط تنوع فضایی با عناصر خیابان
این بخش به بررسی همبستگی های دو متغیره پیرسون بین هر عنصر خیابان و SCV و HCK می پردازد. با در نظر گرفتن خیابان به عنوان واحد آماری، مقدار میانگین VPIQ برای هر خیابان (Sum_avg) را با تعداد نرمال شده نقاط نمونه برداری، یعنی طول نسبی خیابان (RLS) ترکیب کردیم.

۳٫۳٫ بررسی عوامل مؤثر بر همبستگی ارزش های اطلاعات مکانی و عناصر خیابان

با توجه به ویژگی های چیدمان خیابان های شهری، ناهمگونی فضایی بسیار مهم است [ ۴۷ ، ۶۴ ]. برای به دست آوردن یک نمای ریز از VPIQ در فضای خیابان، ناهمگونی فضایی Hc_SUM در محیط خیابان شهری را از منظر مزوسکوپی با استفاده از یک مدل رگرسیون وزن‌دار جغرافیایی (GWR) برای بررسی رابطه بین ارزش کل فضایی بررسی کردیم. اطلاعات و نسبت هر عنصر از فضای خیابان، و همچنین اطلاعات POI اطراف هر نقطه نمونه برداری تصویر خیابان.

۳٫۳٫۱٫ رگرسیون وزنی جغرافیایی

اگرچه روابط توپولوژیکی خیابان‌های شهری به شدت تحت‌تاثیر مداخله دستی است، تداعی‌های محلی در فضا باقی می‌مانند و تحت تأثیر عوامل محیطی [ ۶۵ ] قرار می‌گیرند، به همین دلیل است که ما مدل GWR را برای بررسی روابط محلی بین VPIQ و هر عامل تأثیرگذار انتخاب کردیم. قبل از این، ما از حداقل مربعات معمولی (OLS) برای بررسی رگرسیون های جهانی استفاده کردیم که ویژگی های جغرافیایی را برای تأیید برتری و ضرورت مدل GWR در نظر نمی گرفتند. معادلات OLS و GWR به شرح زیر است:

yمن=β۰+∑jβjایکسمنj+εمن
yمن=β۰(تومن،vمن)+∑jβj(تومن،vمن)ایکسمنj+εمن

که در آن y i نشان دهنده متغیر وابسته است، β j ضریب رگرسیون متغیر مستقل X ij ، εi خطای باقیمانده، و ( u i ,v i ) مختصات مکانی مکان i است. GWR اطلاعات مکانی ( u i ,v i ) را به معادله OLS اضافه می کند و به هر متغیر اجازه می دهد ویژگی های جغرافیایی داشته باشد. مراحل قبل با استفاده از IBM SPSS 26 و ArcGIS 10.2 انجام شد.

۳٫۳٫۲٫ انتخاب و پیاده سازی متغیرهای مستقل
به عنوان یک متغیر مستقل، از نسبت ۱۹ دسته عناصر خیابانی پس از تقسیم بندی معنایی استفاده کردیم. با توجه به اینکه داشتن متغیرهای زیاد دقت مدل رگرسیون را مختل می کند، ما این ۱۹ دسته را به شش دسته ( جدول ۲ ) متراکم کردیم، هشت متغیر با یک جزء متحرک را به دلیل عدم قابلیت اطمینان در نتایج مطالعه حذف کردیم [ ۶۶ ]، و این مطالعه بر روی حضور پایدار عناصر خیابانی با این حال، از آنجایی که داده‌های فوق صرفاً بصری هستند، داده‌های نقطه POI برای تعیین کمیت کسب‌وکارهای واقع در نزدیکی نقاط نمونه‌برداری اضافه شدند [ ۶۷ ].
ما داده‌ها را در مورد تمام نقاط POI در منطقه مورد مطالعه جمع‌آوری کردیم و ۱۵ دسته اصلی را در پنج دسته جمع‌آوری کردیم ( جدول ۲ ). سپس تمام نقاط نمونه برداری در منطقه مورد مطالعه با استفاده از چند ضلعی های تایسون به نواحی مجزا تقسیم شدند و به همه نقاط POI اجازه داد تا بر روی یک شبکه مربوط به هر نقطه نمونه برداری پیش بینی شوند. تعداد نقاط POI در هر شبکه بر اساس دسته شمارش شد و درجه اختلاط عملکردی آنها محاسبه شد که می تواند به صورت فرموله شود.

اچج_Lآ=–∑من=۱۵پمنورود به سیستمپمن

جایی که پمننسبت نقاط POI در رده i از تمام نقاط POI در شبکه است.

۴٫ نتایج

۴٫۱٫ نتایج تغییرات فضایی خیابان ها با استفاده از VPIQ اندازه گیری شد

این بخش به بررسی روش ها و نتایج توضیح تغییرات فضایی در خیابان ها با استفاده از VPIQ می پردازد، تجزیه و تحلیل را در دو بعد توسعه می دهد: یکی از خیابان به عنوان یک کل، اندازه گیری شدت تغییرات در مقدار کل VPIQ، و دیگری از داخل خیابان، بررسی تنوع ترکیب در میان شاخص های فرعی VPIQ. در نهایت با ترکیب این دو روش به تغییرات فضای خیابان می پردازیم.

۴٫۱٫۱٫ عملکرد کلی Single Street VPIQ

در بخش ۳٫۲٫۱ ، Hc_SUM بر اساس روش FCE محاسبه شد و وزن آن با نتایج ارائه شده در جدول ۳ پس از مقایسه مکرر تیم تحقیقاتی و مراجعه به مطالعات قبلی تعیین شد. سپس ضریب تغییرات منظر خیابانی (SCV) Hc_SUM برای ۷۷ خیابان محاسبه شد و حداکثر مقدار تقریباً ده برابر مقدار حداقل بود که نشان می‌دهد تغییرات VPIQ بین خیابان‌ها معنی‌دارتر است.
۴٫۱٫۲٫ عملکرد داخلی Single Street VPIQ
این بخش عملکرد ادراک بصری محلی را در یک خیابان با استفاده از الگوریتم خوشه‌بندی نشان می‌دهد. ابتدا از تجزیه و تحلیل مؤلفه اصلی (PCA) استفاده کردیم که ماتریس داده اصلی را از هشت به سه بعد کاهش داد و در عین حال ۹۵ درصد از اطلاعات داده های اصلی را حفظ کرد، سپس از الگوریتم K-means برای افزودن برچسب های خوشه خوشه ای به داده ها استفاده کردیم. تعداد بهینه خوشه‌ها با «روش زانویی» با استفاده از بسته آجر زرد در پایتون تعیین شد، همانطور که در شکل ۵ نشان داده شده است، که مجموعه داده‌ها در زمانی که K = 6 به طور بهینه خوشه‌بندی می‌شوند. نقشه ( شکل ۶آ). الگوریتم خوشه‌بندی نشان داد که طبقه‌بندی VPIQ نقاط نمونه‌برداری از منظره خیابانی بارزتر است، با تصاویر بیشتر خیابان در منطقه محلی که در همان دسته طبقه‌بندی شده‌اند، نه فقط در همان خیابان، که نشان‌دهنده درجه‌ای از همبستگی در VPIQ منظر خیابانی در محدوده محلی است. حوزه.
۴٫۱٫۳٫ نتایج جفت
تجزیه و تحلیل همبستگی پیرسون بین SCV و HCK در SPSS در شکل ۷ نشان داده شده است.. HCK به طور قابل توجهی با Sum_avg، RLS، مساحت ساختمان، دیوارها، جاده ها، چراغ های خیابان، علائم راهنمایی و رانندگی و اتوبوس ها مرتبط بود. در میان آنها، Sum_avg، مساحت ساختمان و دیوارها همبستگی منفی داشتند، که نشان می‌دهد زمانی که نسبت بیشتری از این عناصر خیابانی وجود داشت، VPIQ فضای خیابان یکدست‌تر بود و در نتیجه تجربه بصری متعادل‌تری در هنگام بازدید از همان خیابان ایجاد می‌شد. خیابان با این حال، SCV به طور قابل توجهی با طول نسبی خیابان، ساختمان‌ها، پوشش گیاهی و آسمان ارتباط داشت. فقط پوشش گیاهی همبستگی مثبت داشت، که نشان می‌دهد خیابان‌هایی با نوسانات قابل‌توجه در ارزش کل VPIQ (SCV بزرگتر) به دلیل تنوع فضایی ممکن است نرخ دید سبز بیشتری داشته باشند.
علاوه بر این، Sum_avg را روی این نقشه نگاشت کردیم ( شکل ۶ ب). Sum_avg نشان می دهد که آیا درک بصری خیابان فعلی پیچیده است یا خیر، و بنابراین، هنگامی که با HCK و SCV ترکیب می شود، می تواند توصیف دقیق تری از وضعیت فعلی محیط خیابان ارائه دهد. به عنوان مثال، در جاده نانشان، جایی که Sum_avg کم است اما SCV و HCK هر دو زیاد هستند، این نشان می‌دهد که خیابان فعلی دارای تغییرات فضایی متنوع‌تر است، اما درک بصری آموزنده‌تری دارد، و در نتیجه رابط خیابان کمتر گیج‌کننده است. این نشان‌دهنده تلاش‌های برنامه‌ریزان شهری و مدیران برای افزایش تجربه بازدیدکنندگان در عین حفظ کنترل بر ظاهر خیابان است.

۴٫۲٫ تحلیل عوامل موثر بر ارزش اطلاعات مکانی

۴٫۲٫۱٫ نتایج OLS

ما با انجام یک رگرسیون جهانی روی داده‌ها با استفاده از OLS و ثبت ضریب تورم واریانس (VIF) برای هر متغیر شروع کردیم تا مشخص کنیم که آیا هر یک از متغیرها چند خطی هستند یا خیر. جدول ۴ خلاصه ای از متغیرهای شناسایی شده و آمار توصیفی و نتایج رگرسیون آنها را نشان می دهد. با گذراندن همه متغیرها از تشخیص کوواریانس (VIF < 7.5) و باقیمانده ها به دنبال توزیع نرمال ( پیوست A )، معیار اطلاعاتی Akaike تصحیح شده (AICc) 3926- بود، با R2 = 0.534 و R2 = 0.532 تنظیم شده، نشان می دهد که متغیر مستقل ۵۳٫۲ درصد از تغییرات را توضیح داد. متغیر sky_A حذف شد زیرا نمی توان آن را به طور مصنوعی کنترل کرد و منجر به همبستگی های جعلی می شود [ ۴۶ ]]، یا به دلیل اینکه خود آسمان نمایش ضعیفی از اطلاعات بافت و رنگ دارد، تقسیم بندی معنایی قادر به شناسایی ابرها نیست و سیستم آسمان را در تفسیرپذیری رگرسیون قابل تفسیر در نظر نمی گیرد. شش متغیر مستقل باقی‌مانده که می‌توانند تأثیر قابل‌توجهی بر Hc_SUM داشته باشند، building_A، barrier_A، road_A، infrustructure_A، vegetation_A و Hc_LA بودند. ضرایب همبستگی آنها همه همبستگی منفی بود (ضریب <0)، که نشان می‌دهد با افزایش مساحت پنج متغیر اول یا تنوع کسب‌وکارهای اطراف نقاط نمونه‌گیری، پیچیدگی بصری کاهش می‌یابد. نتایج فوق نتایج رگرسیون جهانی هستند که شامل ویژگی‌های مکانی نمی‌شوند. در بخش زیر آنها را با نتایج GWR مقایسه می کنیم.
۴٫۲٫۲٫ نتایج GWR
مدل GWR شش متغیر به جز آسمان را به‌عنوان متغیر مستقل در نظر می‌گیرد و نتایج نشان می‌دهد که R² = ۰٫۷۳۶ و R² تنظیم شده، به ترتیب ۰٫۷۱۰ است. این بهتر از مدل OLS بود (R² تنظیم شده = ۰٫۵۳۲). علاوه بر این، AICc (GWR) = -9780، که کمتر از مدل OLS (AICc = -3926) است. بنابراین، مدل GWR برای بررسی عوامل موثر بر Hc_SUM ارجح است و جدول ۴ نتایج GWR را خلاصه می کند. علاوه بر این، ما خود همبستگی فضایی Hc_SUM را بررسی کردیم که با محاسبه موران I جهانی (موران I) و استفاده از آن برای انتخاب فاصله منهتن مناسب‌ترین برای رابطه شهر-خیابان تعیین شد. Moran’s I = 0.373 و z-score 15.66 با p به دست آمد.– مقدار ۰٫۰۰۱، نشان می دهد که VPIQ کمتر از ۱٪ احتمال دارد که به طور تصادفی این الگوی خوشه بندی را در فضا ایجاد کند، بنابراین فرضیه صفر را رد کرده و آمار فضایی را برآورده می کند.

۵٫ بحث

۵٫۱٫ تفسیر و اهمیت تغییرات فضایی اندازه گیری شده با VPIQ

ما تمام متغیرهای درگیر در قسمت پنجم را در جدول ۵ نشان می دهیم .
اگرچه HCK و SCV همبستگی مثبت معنی‌داری را نشان دادند، اما هنوز خیابان‌های زیادی با توزیع زیاد و کم SCV و HCK وجود داشت. بنابراین، این بخش چهار سناریو را بر اساس ترکیبی از دو معیار HCK و SCV مورد بحث قرار می‌دهد که با چهار نوع مختلف خیابان در منطقه مورد مطالعه مطابقت دارند. محدودیت‌های خط‌مشی محدودیت‌هایی را در ماهیت کسب‌وکار و کاربری زمین نشان می‌دهد، چشم‌انداز به ترتیب عناصر خیابان در رابط خیابان اشاره دارد.
در مورد خیابانی با HCK و SCV بالا ( شکل ۸ الف)، این نوع جاده منعکس کننده عدم کنترل بر برنامه ریزی خیابان، عناصر اصلی و سبک سازگار است که باید در طراحی شهری بعدی در نظر گرفته شود. با توجه به تحلیل همبستگی و سناریوی واقعی، این نوع خیابان دارای پیکربندی ناهماهنگی از عناصر، اغلب با نسبت نامتقارن ساختمان‌ها به پوشش گیاهی است که منجر به کاهش نسبت ساختمان‌ها یا افزایش نسبت پوشش گیاهی، همانطور که پیش‌بینی می‌شود، می‌شود. توسط تحلیل همبستگی بنابراین، شکل پوشش گیاهی تأثیر بصری بیشتری نسبت به نسبت سبز خالص دارد [ ۴۰]. به طور همزمان، چیدمان مبلمان و امکانات خیابانی بی‌نظم‌تر و مدیریت‌نشده‌تر است، که منجر به یک رابط خیابانی به هم ریخته و تقویت مقادیر شاخص‌های محلی شکل (HCB) و خطوط (HLI)، مانند جاده Zhonghezhong شرق، جاده Wunsa، جاده Renhe، و جاده چانگ شنگ جاده نانشان از این نظر منحصر به فرد است که شهر را به منطقه دیدنی وصل می کند و نیاز دارد که چشم انداز آن با طبیعت در حال تغییر چشم انداز اطراف سازگار شود. اگرچه هر دو سطح SCV و HCK بالا بودند، Sum_avg پایین باقی ماند، که نشان می‌دهد که چشم‌انداز کلی هنوز تحت محدودیت سیاست قرار دارد. در نتیجه، چنین جاده‌هایی باید در بخش‌هایی بر اساس ویژگی‌های سایت ارزیابی شوند.
خیابان هایی با HCK و SCV پایین ( شکل ۸ب) عموماً به خوبی مدیریت می شوند یا مشمول محدودیت های خط مشی هستند و ظاهری یکسان دارند، اما اگر بیش از حد طولانی باشند (RLS بالا) یا Sum_avg پایینی داشته باشند، می توانند بسیار راکد شوند. اگرچه این جاده ها از نظر مقیاس، امکانات و مشاغل مجاور متفاوت هستند، اما همه آنها دارای مناظر خیابانی جذاب، نمای ساختمان کامل و درجه بالایی از VPIQ هستند که با نتایج تست پیرسون مطابقت دارد. به دلیل همبستگی منفی بین ساختمان‌ها با HCK و SCV و اینکه اکثر این خیابان‌ها نسبت ساختمانی کمتر از میانگین ۲۰٫۵۳ درصد دارند و رابطه هماهنگ با نسبت پوشش گیاهی دارند، HCK و SCV در کل پایین بودند. چراغ‌های خیابان و علائم راهنمایی و رانندگی عمدتاً توسط پوشش گیاهی پنهان می‌شوند و نسبت عناصر خیابانی که مانع دید می‌شوند کاهش می‌یابد و احساس کلی یکنواخت‌تری ایجاد می‌کند. همانطور که در جاده Qingchun، خیابان Qingin، و جاده Wushan مشاهده شده است. با این حال، در حالی که Sum_avg در جاده Huimin کمتر است، ادراک بصری یکنواخت تر اما یکنواخت است.
خیابان هایی با HCK بالا و SCV پایین ( شکل ۸ج) معمولاً نشان دهنده تغییر در ظاهر محلی یک بخش خیابان در نتیجه تغییر در ماهیت سایت، تغییر در کسب و کار اصلی، یا وضعیت غیرمعمول خیابان است. میزان سودمندی این تغییر باید در زمینه تعیین شود. تأثیر کاربری زمین، مانند عبور جاده از فضای سبز، منجر به تغییر در ظاهر محله، تغییر در نوع کسب و کار، مانند یک خیابان تجاری اطراف یک خیابان مسکونی، یا شرایط غیرعادی، مانند وجود یک سایت ساخت و ساز در مقیاس بزرگ به طور کلی، روابط و نسبت‌های این خیابان‌ها پایدار است و همه آنها یک رابط دست نخورده دارند که منجر به SCV پایین می‌شود. با این حال، این تغییرات منجر به نوسانات ادراک بصری موضعی می شود که باعث افزایش HCK می شود.۶۶ ]. جاده جیانگ چنگ، خیابان چینگتای، جاده یانان و جاده میانی جیانگو نمونه هایی از این گونه جاده ها هستند.
خیابان هایی با HCK پایین و SCV بالا ( شکل ۸د) معمولاً جاده های شهری در مقیاس کوچکتر با مشاغل و سبک های نسبتاً پایدار هستند. در نتیجه، HCK پایینی دارند، اما چون با برخی از جاده های شریانی اصلی با ساختمان های بلند متعدد تلاقی می کنند، ساختمان های بلند در تقاطع جاده ها ظاهر می شوند. این ساختمان‌ها به‌جای غنی بودن از نظر بافت و رنگ مانند سایر ساختمان‌ها، تحت سایه پوشش گیاهی قرار می‌گیرند و تقسیم‌بندی‌های کمتری دارند، که در نتیجه باعث کاهش ۱۰ شاخص VPIQ به طور کلی می‌شود، اما تغییر کمی در نسبت کلی، همانطور که در ناحیه Ma دیده می‌شود. خیابان شی – جاده یو شنگ گوان. با این حال، در یک منطقه مسکونی قدیمی‌تر، بخش‌های محلی ممکن است فاقد فروشگاه و پوشش گیاهی باشند، همانطور که با عقب‌نشینی‌های ناکافی ساختمان یا حصارهای یکنواخت در ترکیب‌های سازمانی، مانند آنهایی که در جاده دانشگاه و جاده کارگری، که ممکن است برای نوسازی فضای جامعه در نظر گرفته شوند، مشهود است.
ما باید نتایج تجزیه و تحلیل همبستگی پیرسون را از نظر ایجاد فضای واقعی، زمینه سازی کنیم. به عنوان مثال، نسبت ساختمان و نسبت دیوار با HCK همبستگی منفی دارند، که به این معنی نیست که صرفاً کاهش رابط ساختمان یا دیوار منجر به تغییرات بزرگتر در HCK می شود. با این حال، خیابان‌هایی که HCK بالاتری دارند نسبت‌های ساختمان و دیوار کمتری دارند، بنابراین نماهایشان را غنی می‌کنند و بافت (HTE) و اطلاعات رنگ (Hc) را افزایش می‌دهند، در حالی که مساحت ساختمان و رابط دیوار را بدون تغییر نگه می‌دارند، همچنین می‌توانند HCK را بهبود بخشند. علاوه بر این، شکل و مکان متفاوت چراغ‌های خیابان و چراغ‌های راهنمایی می‌تواند بر تأثیر تقسیم‌بندی آن‌ها بر منظر خیابان تأثیر بگذارد، در نتیجه نسبت اصلی مورفولوژی و اطلاعات خطوط را تغییر می‌دهد. وقتی سیاست اجازه می دهد یا تقاضای معقولی وجود دارد، سطح جاده را می توان به طور مناسب تعریض کرد، یا پیکربندی کارخانه منطقه جداسازی ترافیک را می توان برای تغییر شکل جاده (HCB) و اطلاعات خط (HLI) افزایش داد. همه این اقدامات پتانسیل تغییر VPIQ فضاهای خیابان را دارند.
به طور خلاصه، خیابان‌های با SCV بالا بیشتر احتمال دارد که ناهنجاری‌هایی داشته باشند، که معمولاً نشان می‌دهد که رابط خیابان گیج‌کننده یا ناقص است، در حالی که تفسیر HCK بر اساس وضعیت واقعی برای تعیین منطقی بودن رابط خیابان فعلی است. اگر SCV و HCK هر دو در هنگام ترکیب با Sum_avg بالا یا پایین باشند، مشخص می کند که آیا جاده فعلی نیاز به بهبود دارد یا خیر. اهمیت استفاده از VPIQ برای اندازه‌گیری سازگاری در این است که به برنامه‌ریزان شهری و تصمیم‌گیرندگان مدیریت اجازه می‌دهد تا به سرعت وضعیت فعلی هر خیابان را در قالب داده درک کنند و نحوه تنظیم راه‌حل‌های برنامه‌ریزی سازنده را بر اساس سیاست‌های برنامه‌ریزی و موقعیت‌یابی تقاضا در نظر بگیرند.

۵٫۲٫ اهمیت و کاربرد عوامل مؤثر بر VPIQ

هر یک از متغیرهای توضیحی از نظر چگونگی تأثیر آن بر Hc_SUM و نحوه درک و استفاده از این اطلاعات مورد بحث قرار می گیرد. این محاسبه بر اساس خروجی مدل GWR است که نتایج اندازه گیری دقیق تری را در اختیار برنامه ریزان قرار می دهد. این نشان می دهد که چگونه بخش های مختلف یک خیابان به طور متفاوت تحت تأثیر این عوامل قرار می گیرند. در نتیجه، می تواند به عنوان مرجعی برای راه حل های طراحی دقیق تر عمل کند. رابطه بین تأثیر هر متغیر توضیحی و Hc_SUM در GWR در شکل ۹ نشان داده شده است .
در مورد Building_A ( شکل ۹ ب)، یک ناحیه همبستگی منفی معمولاً نشان می‌دهد که جرم یا سبک ساختمان تا حدودی کنترل می‌شود و بنابراین اطلاعات بصری کمتری ارائه می‌کند. به عنوان مثال، مجتمع‌های تجاری بزرگ و ساختمان‌های اداری با نمای یکنواخت در زیرمنطقه Hubin نسبت به خیابان‌های شهر با تابلوهای رنگارنگ مینیمالیستی‌تر خواهند بود [ ۶۸ ]]، که منجر به Hc_SUM کمتر می شود. در مقابل، مناطق دارای همبستگی مثبت اغلب با توده‌های ساختمانی متفاوت، نماهای غنی‌تر، و افزایش تیرگی و تقسیم‌بندی توسط سایر عناصر خیابانی تعریف می‌شوند، که به عناصر معماری اجازه می‌دهد اطلاعات بصری بیشتری را ارائه دهند، همانطور که با فراوانی تابلوهای مغازه و پنجره‌ها در تاریخی Wuliu Xiang مشهود است. ناحیه. بنابراین، نتیجه رگرسیون Building_A می تواند سهم ساختمان های این ناحیه را در میزان اطلاعات ادراک بصری اندازه گیری کند. هنگامی که رابط خیابان بیش از حد آشفته است، می توان قضاوت کرد که نمای ساختمان باید با توجه به عوامل مثبت و منفی و اندازه متغیر ساختمان_A در منطقه فعلی ساده یا غنی شود یا با سایر متغیرها ترکیب شود تا به یک جامعیت بیشتر دست یابد. استراتژی ساخت و ساز
با توجه به چارک‌های ضرایب رگرسیون GWR ( شکل ۹ ج)، Barrier_A (میانگین = ۰٫۰۹۶-) تأثیر بیشتری بر Hc_SUM نسبت به Building_A دارد (میانگین = ۰٫۰۷۰)، در حالی که تقسیم‌بندی مجموعه داده‌های فضاهای شهر نشان می‌دهد که حصارها و برخی مبلمان خیابانی احتمالاً به عنوان دیوار یا زمین طبقه بندی می شوند، که نشان می دهد این عناصر به اندازه کافی در ترکیب منظره خیابان مهم هستند. همبستگی مثبت نشان می‌دهد که این مناطق دارای سازه‌های بیشتری هستند که توسط ساکنان و مشاغل ساخته شده‌اند و این سازه‌ها با مبلمان خیابانی دارای فرم‌های متنوع‌تر (HCB بالا) و خطوط (HLI بالا) یا بافت‌های متمایز (HTE بالا) هستند و بنابراین دارای یک معنادار هستند. اثر مثبت بر Hc_SUM [ ۶۶]، مانند گوشه شمال غربی منطقه فرعی Hubin، منطقه فرعی چینگبو، و جاده Huancheng East، Pi Shi Lane، و خیابان Ma Shi در منطقه فرعی Xiaoying. همبستگی منفی به احتمال زیاد به دلیل وجود مکان‌های ساخت و ساز یا دیوارهای نهادی در منطقه مورد مطالعه، که معمولاً از نظر شکل ملایم (HCB کم) و یکنواخت از نظر بافت (HTE پایین) و رنگ (Hc پایین) هستند و بنابراین سهم کمی در Hc_SUM دارند. بنابراین، همبستگی‌های مثبت و منفی مدل GWR در متغیر Barrier_A تأثیر بصری حصار و مبلمان خیابان در منطقه فعلی، مدیریت مبلمان و سازه‌های خیابانی در ناحیه همبستگی مثبت و نیازهای فضای از دست رفته خارج از محدوده را نشان می‌دهد. حصار حیاط در ناحیه همبستگی منفی مورد توجه قرار می گیرد.
در مورد Road_A ( شکل ۹د)، یک همبستگی عمدتاً منفی (میانگین = -۱٫۳۵۷) در منطقه مورد مطالعه وجود دارد، که به دلیل سایه‌اندازی وسایل نقلیه و عدم بافت متمایز جاده (HTE) و رنگ (Hc) است، اما همچنین به این دلیل است که معمولاً خیابان‌هایی با مساحت بزرگ فضای بازتری دارند و از عناصری مانند ساختمان ها و پوشش گیاهی دورتر هستند و بافت و جزئیات رنگ را رقیق می کنند. وضعیت ترافیک جاده ممکن است در ناحیه همبستگی مثبت بهبود یابد، فاصله فاصله جریان ترافیک در جاده را تعدیل می کند و اثر جدایی ایجاد می کند و یک حصار کار باز جاده را در وسط جدا می کند و شکل (HCB) و خط را افزایش می دهد. اطلاعات (HLI). در نتیجه، خیابان‌هایی با مقادیر Road_A بالا باید توجه بیشتری به ایجاد عناصر ستون فقرات، مانند ساختمان‌ها و پوشش گیاهی داشته باشند، در حالی که برای مناطقی با همبستگی منفی قوی،
مقدار میانگین ضریب رگرسیون در Infrustructure_A ( شکل ۹f) یک همبستگی منفی قوی نشان داد (-۱٫۳۲۵). به نظر می رسد این با این تصور که چراغ های خیابان و نرده ها منظره خیابان را تقسیم می کنند و Hc_SUM را افزایش می دهد، در تضاد است. با این حال، در واقعیت، بیشتر چراغ‌های خیابان توسط پوشش گیاهی و نرده‌ها توسط وسایل نقلیه پنهان می‌شوند. این عناصر فاقد اطلاعات رنگ غنی (Hc بالا) و بافت (بالا) هستند، در حالی که علائم راهنمایی و رانندگی تنها بخش ناچیزی از منظره خیابان را اشغال می کنند. این نشان می‌دهد که امکانات جاده‌ای، مانند جاده جیفانگ و جاده یانان، به اندازه‌ای که از نظر تئوری پیش‌بینی می‌شود، به Hc_SUM کمک نمی‌کنند. در عوض، عناصری مانند تیرهای چراغ در خیابان‌ها در مناطق دارای همبستگی مثبت، مانند جاده هوان چنگ دونگ، خیابان چینگ تای، و منطقه اطراف جاده پینگ های-خیابان چینگ یین، معمولاً توسط درختان پوشیده نمی‌شوند. خیابان ها در مناطق مرتبط مثبت باید به رابطه بین امکانات خیابان و محیط اطراف توجه کنند. اگر محیط کنونی بیش از حد آشفته است، لازم است شکل و حجم امکانات را به طور منطقی انتخاب کرد تا از افزودن اطلاعات بصری غیر ضروری جلوگیری شود، در حالی که خیابان ها در مناطق منفی با هم می توانند با استفاده از مواد هنری، نرده های شکل دار، چراغ های خیابانی، ظاهر امکانات خیابانی را غنی تر کنند. و غیره اگر نیاز به افزایش نشاط بصری داشته باشند.
Vegetation_A ( شکل ۹ g) یک همبستگی منفی قوی با مقدار کلی (-۱٫۰۷۷) نشان می دهد، که نشان می دهد که عمدتاً نقش پوشش بیشتری را در منظره خیابان ایفا می کند. علاوه بر این، نمونه برداری عمدتاً ابری بود که منجر به رنگ پوشش گیاهی کدر (Hc کم) شد. سایه‌های ایجاد شده توسط ساختمان‌های بلند بافت گیاهی (HTE پایین) و رنگ (Hc پایین) و همچنین یکنواختی آن را پنهان می‌کرد، یا آنقدر متراکم بود که نمی‌توانست جلوی نور خورشید را بگیرد، مانند جاده‌های Pinghai و Nanshan. برخی از خیابان‌های با پوشش گیاهی کمتر، مانند Pi Shi Lane، همبستگی منفی نشان دادند. پوشش گیاهی بیش از حد یا ناکافی می تواند Hc_SUM را تحت تاثیر قرار دهد، و تحقیقات قبلی به همین نتیجه رسیده اند [ ۳۹ ]]. نور عامل مهمی در ادراک بصری پوشش گیاهی است و طراحان باید توجه داشته باشند که آیا پوشش گیاهی در خیابان‌های مناطق با همبستگی منفی شدید بر بینایی تأثیر می‌گذارد و سریعاً پوشش گیاهی را هرس کنند، گیاهان شاخ و برگ رنگارنگ را مجدداً کاشت کنند یا نه. سبز شدن نمای ساختمان را در نظر بگیرید.
ضریب رگرسیون برای Hc_LA ( شکل ۹ h) کمتر از ضریب رگرسیون برای Building_A است (میانگین = ۰٫۰۱۷-)، به احتمال زیاد به دلیل همپوشانی در اطلاعات توضیح داده شده توسط دو متغیر. همبستگی مثبت در مناطقی با ترکیبی متنوع از مشاغل و نمای ساختمان برجسته‌تر است. تنوع ساختمان‌ها، پنجره‌ها و تابلوها در امتداد خیابان، اطلاعات بصری فراوانی را به همراه دارد. همانطور که مشاهده می شود، ترکیب متنوعی از مشاغل اغلب منجر به یک رابط خیابانی از نظر بصری جذاب تر می شود [ ۶۸ ]]، افزایش اطلاعات بصری؛ به عنوان مثال، در منطقه تجاری منطقه فرعی هوبین، کل جاده جیفانگ، ایستگاه راه آهن و مناطق Wuliu Xiang. در مقابل، تراکم کسب و کار به طور کلی در مناطق مرتبط منفی، مانند بخش جنوبی جاده Nanshan، بخش شمالی جاده Zhonghezhong و گوشه شمال شرقی خیابان Xiaoying، کم و همگن است. نتایج رگرسیون Hc_LA می تواند تا حدی منعکس کننده این باشد که آیا پویایی کسب و کار مکان با ظاهر خیابان مطابقت دارد، تا منطقی بودن ظاهر فروشگاه و رابط خیابان را اندازه گیری کند. مناطق با همبستگی مثبت و منفی قوی نسبت به تطابق موقعیت کسب و کار خیابانی و جو سبک بسیار حساس خواهند بود و باید به عنوان مرجع در مرحله پیش برنامه ریزی مورد استفاده قرار گیرند.
مدل GWR برنامه ریزان شهری و تصمیم گیرندگان را قادر می سازد تا درک دقیق تری از عوامل و ویژگی هایی که بر تغییر Hc_SUM در یک منطقه محلی تأثیر می گذارند به دست آورند. از آنجایی که عناصر خیابانی مشابه اغلب اثرات متفاوتی بر Hc_SUM بخش‌های مختلف خیابان دارند، مدل GWR به توسعه طرح‌های خاص توسط طراحان برای تمرکز بر عناصر خیابانی که برای دستیابی به نتایج هدفمند نیاز به توجه بیشتری دارند، کمک می‌کند.

۵٫۳٫ خلاصه

این مطالعه فرآیند برنامه‌ریزی و طراحی شهری را دنبال کرد و با بحث در سطح کلان در مورد تفسیر و اهمیت اندازه‌گیری‌های تغییرات فضایی خیابان‌ها آغاز شد و دو کارکرد اصلی آن‌ها را آشکار کرد: تشخیص و مرجع، که به کمی کردن وضعیت فعلی و توسعه برنامه‌ریزی کمک می‌کند. پس از آن یک بحث در سطح متوسط ​​در مورد اینکه چگونه هر عنصر خیابان در یک منطقه محلی بر VPIQ تأثیر می‌گذارد، عناصر خیابانی را که نیاز به توجه بیشتری در طراحی و مشکلات احتمالی دارند برجسته می‌کند. مدل VPIQ در سراسر فرآیند برنامه ریزی و طراحی شهری قابل اجرا است و راهنمایی های علمی ارائه می دهد.

۶٫ نتیجه گیری

هدف از این مطالعه پیشنهاد روشی برای کمی کردن مقدار اطلاعات ادراکی بصری در فضاهای خیابان (VPIQ) و اعمال آن در هانگژو، شهر قدیمی چین، در مجاورت دریاچه غربی است. ما امکان استفاده از VPIQ را برای تعیین کمیت تغییرات فضایی در فضاهای خیابان و تفسیر ادراک بصری تحت تأثیر عناصر خیابان از طریق تحلیل تجربی نشان دادیم. این امر باعث افزایش کارایی و دقت فرآیندهای کنترل محیطی و ایجاد فضایی برای خیابان های شهری می شود.
با توجه به اینکه موقعیت‌های مختلف اندازه‌گیری VPIQ را متفاوت ارزیابی می‌کنند، هم از نظر کنترل سطح کلان منظر خیابان و هم درک سطح متوسط ​​از صحنه‌های خیابان محله، رویکرد ارائه‌شده در اینجا نیاز به انعطاف‌پذیری در کاربرد آن توسط تصمیم‌گیرندگان و برنامه‌ریزان شهری دارد. پس از توسعه یک طرح برای ایجاد فضای جاده بر اساس نتایج اندازه‌گیری‌های تغییرات فضایی، مدل GWR همچنان به هدایت انتخاب عناصر خیابانی برای در نظر گرفتن هنگام توسعه یک طرح طراحی ادامه می‌دهد.
محدودیت‌های تحقیقاتی زیر به دلایل عینی در این مطالعه وجود دارد: (۱) شرایط آب و هوایی باعث ایجاد عناصر آسمان ناسازگار در تصاویر مناظر خیابانی می‌شود که مانع اندازه‌گیری اطلاعات رنگ آبی و فیروزه‌ای می‌شود. (۲) API کارایی جذب تصویر خیابان را محدود می کند و دشواری انجام مطالعات در مقیاس بزرگ را افزایش می دهد.
در نتیجه، کار آینده بر موضوعات زیر متمرکز خواهد شد: (۱) استفاده از تکنیک های تصحیح رنگ تصویر برای اطمینان از یکپارچگی اندازه گیری رنگ. (۲) گسترش دسترسی به داده‌ها برای گنجاندن تصاویر منظره خیابان از شهرهای جدید و حومه‌ها در مطالعات آینده، در نتیجه مدل را به اندازه کافی جهانی می‌کند. (۳) توسعه الگوریتم‌های جدید برای جایگزینی الگوریتم‌های سنتی برای محاسبه اطلاعات بافت و رنگ برای جلوگیری از کاهش دقت و به حداکثر رساندن کارایی تحقیق. (۴) شامل سری های زمانی در محاسبه تغییرات فضایی برای شبیه سازی ادراک عابر پیاده.

ضمیمه A. تصویر روش های کوانتیزه کردن برای انسداد و تقسیم بندی

Ijgi 11 00628 g0a1 550
شکل A1. با در نظر گرفتن انسداد و تقسیم بندی ساختمان ها توسط پوشش گیاهی به عنوان مثال، آمار تقسیم بندی معنایی و روش های محاسبه HCB را مقایسه کنید.

پیوست B. نمایش تصحیح روشنایی تصویر

اصل این است که توزیع رنگ یک تصویر را با بدست آوردن هیستوگرام کانال های RGB برای هر نمای خیابان قضاوت کنیم. به طور کلی، هر چه مقادیر R، G و B بالاتر باشد (حد بالایی ۲۵۵ است)، احتمال اینکه تصویر روشنایی بیشتری داشته باشد بیشتر است. سپس دو مقدار کمیت به عنوان حد بالایی و پایینی مقادیر RGB در قسمت اصلی تصویر تنظیم می شوند. سپس، مقادیر خارج از فاصله مقدار کمی حذف شدند، و سپس فاصله مقدار کمیت به ۲۵۵ × ۰٫۱ تا ۲۵۵ × ۰٫۹ کشیده شد (برای جلوگیری از سرریز مقدار پیکسل)، در نتیجه روشنایی تصویر اصلاح شد. برای تصاویر با روشنایی کافی، شرط قضاوت عدم تصحیح روشنایی تصویر اضافه شد. برای اینکه به راحتی قسمت آسمان را شناسایی کنیم، از تصویر اصلی در قسمت “قبل” استفاده کردیم.
Ijgi 11 00628 g0a2 550
شکل A2. نمایش تصحیح روشنایی برای صحنه هایی با شرایط نوری مختلف.

منابع

  1. بیلجکی، اف. Ito, K. Street View Imagery in Urban Analytics and GIS: A Review. Landsc. طرح شهری. ۲۰۲۱ , ۲۱۵ , ۱۰۴۲۱۷٫ [ Google Scholar ] [ CrossRef ]
  2. دونگ، آر. ژانگ، ی. ژائو، جی. خیابان های داخل جاده کمربندی ششم پکن چقدر سبز هستند؟ تحلیلی بر اساس تصاویر Tencent Street View و شاخص نمای سبز. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۸ ، ۱۵ ، ۱۳۶۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. وو، جی. چنگ، ال. چو، اس. شیا، ن. لی، ام. شاخص نمای سبز برای حمل و نقل شهری: در حین حرکت در شهرها چقدر فضای سبز مشاهده می کنیم؟ بین المللی J. Sustain. ترانسپ ۲۰۲۰ ، ۱۴ ، ۹۷۲-۹۸۹٫ [ Google Scholar ] [ CrossRef ]
  4. اشتاینمتز-وود، ام. ولاوتاپیلایی، ک. اوبراین، جی. راس، NA ارزیابی محیط مقیاس میکرو با استفاده از نمای خیابان گوگل: ابزار سیستماتیک مجازی برای ارزیابی مناظر خیابان عابر پیاده (مجازی-STEPS). BMC Public Health ۲۰۱۹ ، ۱۹ ، ۱۲۴۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. ژو، ز. زو، زی. تشخیص سوله عابر پیاده و محیط مسیر پیاده روی پارک های شهری با داده های منبع باز: مطالعه موردی در نانجینگ، چین. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ ، ۱۷ ، ۴۸۲۶٫ [ Google Scholar ] [ CrossRef ]
  6. هو، سی.-بی. ژانگ، اف. گونگ، F.-Y. راتی، سی. Li، X. طبقه‌بندی و نقشه‌برداری هندسه دره شهری با استفاده از تصاویر نمای خیابان گوگل و یادگیری چندکاره عمیق. ساختن. محیط زیست ۲۰۲۰ , ۱۶۷ , ۱۰۶۴۲۴٫ [ Google Scholar ] [ CrossRef ]
  7. خامچیانگتا، دی. داکال، S. عوامل فیزیکی و غیر فیزیکی که جزیره گرمایی شهری را هدایت می کنند: موردی از اداره کلانشهر بانکوک، تایلند. جی. محیط زیست. مدیریت ۲۰۱۹ ، ۲۴۸ ، ۱۰۹۲۸۵٫ [ Google Scholar ] [ CrossRef ]
  8. لی، ز. Long, Y. تجزیه و تحلیل تنوع در کیفیت فضای خیابان در شهرهای کوچک شده بر اساس تشخیص تصویر پویا نمای خیابان: مطالعه موردی قیقیار. در کوچک شدن شهرهای چین: وجه دیگر شهرنشینی . مجموعه کتاب شهری؛ Long, Y., Gao, S., Eds. Springer: سنگاپور، ۲۰۱۹؛ صص ۱۴۱-۱۵۵٫ ISBN 9789811326462. [ Google Scholar ]
  9. بله، ی. زنگ، دبلیو. شن، Q. ژانگ، ایکس. Lu, Y. کیفیت بصری خیابان ها: اندازه گیری مداوم انسان محور بر اساس الگوریتم های یادگیری ماشین و تصاویر نمای خیابان. محیط زیست طرح. ب مقعد شهری. علوم شهر ۲۰۱۹ ، ۴۶ ، ۱۴۳۹-۱۴۵۷٫ [ Google Scholar ] [ CrossRef ]
  10. چیانگ، ی.-سی. لی، دی. جین، H.-A. طبیعت وحشی یا مطبوع؟ اثرات مکان یابی منظر و تراکم پوشش گیاهی بر پاسخ های فیزیولوژیکی و روانی. Landsc. طرح شهری. ۲۰۱۷ ، ۱۶۷ ، ۷۲-۸۳٫ [ Google Scholar ] [ CrossRef ]
  11. گائو، تی. ژانگ، تی. زو، ال. گائو، ی. کیو، ال. بررسی بازسازی روانی فیزیولوژیکی و ترجیحات فردی در محیط های مختلف بر اساس واقعیت مجازی. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۹ ، ۱۶ ، ۳۱۰۲٫ [ Google Scholar ] [ CrossRef ]
  12. جو، سلام؛ Jeon، JY ارزیابی کلی محیطی در پارک‌های شهری: مدل‌سازی تعامل سمعی و بصری با مدل معادلات ساختاری بر اساس شاخص‌های منظر و منظر. ساختن. محیط زیست ۲۰۲۱ ، ۲۰۴ ، ۱۰۸۱۶۶٫ [ Google Scholar ] [ CrossRef ]
  13. پتوکو، سی. Skovsgaard، JP; Jensen، FS ترجیحات تفریحی بسته به تمرین لاغری در توده های جوان و حتی مسن بلوط دمپایی ( Quercus robur L.): مقایسه نظرات کارشناسان جنگل و منظر و جمعیت عمومی دانمارک. Scand. جی. برای. Res. ۲۰۱۳ ، ۲۸ ، ۶۶۸-۶۷۶٫ [ Google Scholar ] [ CrossRef ]
  14. Wartmann، FM; فریک، جی. کیناست، اف. هونزیکر، ام. عوامل مؤثر بر کیفیت منظره بصری درک شده توسط عموم. نتایج یک نظرسنجی ملی Landsc. طرح شهری. ۲۰۲۱ ، ۲۰۸ ، ۱۰۴۰۲۴٫ [ Google Scholar ] [ CrossRef ]
  15. شریفی، ع. علام، ز. در طبقه بندی شاخص های شهر هوشمند و همسویی آنها با پایداری و تاب آوری. محیط زیست طرح. ب مقعد شهری. علوم شهر ۲۰۲۲ ، ۴۹ ، ۱۵۳۶-۱۵۵۵٫ [ Google Scholar ] [ CrossRef ]
  16. کوگورولو، اف. افشای شهرهای هوشمند و شهرهای زیست محیطی: شهرسازی فرانکشتاین و چالش های پایداری شهر تجربی. محیط زیست طرح. A ۲۰۱۸ , ۵۰ , ۷۳–۹۲٫ [ Google Scholar ] [ CrossRef ]
  17. شریفی، ع. علام، ز. فیضی زاده، ب. قمری، ح. سه دهه تحقیق در مورد شهرهای هوشمند: نقشه ساختار دانش و روندها. پایداری ۲۰۲۱ ، ۱۳ ، ۷۱۴۰٫ [ Google Scholar ] [ CrossRef ]
  18. Yigitcanlar، T. کوگورولو، اف. پایداری هوش مصنوعی: دیدگاه شهری از دریچه شهرهای هوشمند و پایدار. پایداری ۲۰۲۰ ، ۱۲ ، ۸۵۴۸٫ [ Google Scholar ] [ CrossRef ]
  19. قیوم، س. الله، اف. الترجمان، ف. مجتهدی، م. مدیریت شهرهای هوشمند از طریق روش شش سیگما DMADICV: چارچوب مفهومی مبتنی بر بازبینی. حفظ کنید. جامعه شهرها ۲۰۲۱ , ۷۲ , ۱۰۳۰۲۲٫ [ Google Scholar ] [ CrossRef ]
  20. کیم، جی اچ. لی، اس. هیپ، جی آر؛ کی، دی. رمزگشایی مناظر شهری: نمای خیابان گوگل و حساسیت اندازه‌گیری. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۱ ، ۸۸ ، ۱۰۱۶۲۶٫ [ Google Scholar ] [ CrossRef ]
  21. ژو، اف. لی، ایکس. لو، دبلیو. وبستر، سی جی; چن، ز. Lin, L. تجزیه و تحلیل عابر پیاده مبتنی بر داده های بزرگ: خوشه بندی بدون نظارت و پرس و جوی رابطه ای بر اساس عکس های Tencent View Street. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۵۶۱٫ [ Google Scholar ] [ CrossRef ]
  22. ژو، اچ. او هست.؛ کای، ی. وانگ، ام. سو، اس. نابرابری های اجتماعی در پیاده روی بصری محله: استفاده از تصاویر نمای خیابان و فناوری های یادگیری عمیق برای تسهیل برنامه ریزی شهری سالم. حفظ کنید. جامعه شهرها ۲۰۱۹ ، ۵۰ ، ۱۰۱۶۰۵٫ [ Google Scholar ] [ CrossRef ]
  23. الله، ز. الترجمان، ف. مستاردا، ال. گاگلیاردی، آر. کاربردهای هوش مصنوعی و یادگیری ماشینی در شهرهای هوشمند. محاسبه کنید. اشتراک. ۲۰۲۰ ، ۱۵۴ ، ۳۱۳-۳۲۳٫ [ Google Scholar ] [ CrossRef ]
  24. کوگورولو، اف. هوش مصنوعی شهری: از اتوماسیون تا خودمختاری در شهر هوشمند. جلو. حفظ کنید. شهرها ۲۰۲۰ ، ۲ ، ۳۸٫ [ Google Scholar ] [ CrossRef ]
  25. علام، ز. Dhunny، ZA درباره کلان داده، هوش مصنوعی و شهرهای هوشمند. شهرها ۲۰۱۹ ، ۸۹ ، ۸۰–۹۱٫ [ Google Scholar ] [ CrossRef ]
  26. وانگ، ام. Vermeulen، F. زندگی بین ساختمان ها از تصویر نمای خیابان: تجزیه و تحلیل داده های بزرگ در مورد سرزندگی سازمانی محله چه چیزی را آشکار می کند؟ مطالعه شهری. ۲۰۲۱ ، ۵۸ ، ۳۱۱۸-۳۱۳۹٫ [ Google Scholar ] [ CrossRef ]
  27. ژائو، تی. لیانگ، ایکس. تو، دبلیو. هوانگ، ز. Biljecki، F. سنجش صداهای شهری از تصاویر نمای خیابان. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۳ ، ۹۹ ، ۱۰۱۹۱۵٫ [ Google Scholar ] [ CrossRef ]
  28. وانگ، ام. چن، ز. Rong، HH; مو، ال. زو، پی. Shi, Z. دسترسی به اشتراک سواری از چشم انسان: مدلسازی فضایی محیط ساخته شده با تصاویر سطح خیابان. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۲ ، ۹۷ ، ۱۰۱۸۵۸٫ [ Google Scholar ] [ CrossRef ]
  29. اینو، تی. مانابه، آر. مورایاما، ا. کویزومی، اچ. ارزش منظر در محله های شهری: یک تحلیل آزمایشی با استفاده از تصاویر سطح خیابان. Landsc. طرح شهری. ۲۰۲۲ ، ۲۲۱ ، ۱۰۴۳۵۷٫ [ Google Scholar ] [ CrossRef ]
  30. لارکین، ا. گو، ایکس. چن، ال. Hystad، P. پیش‌بینی ادراک از محیط ساخته شده با استفاده از روش‌های GIS، ماهواره و تصویر نمای خیابان. Landsc. طرح شهری. ۲۰۲۱ , ۲۱۶ , ۱۰۴۲۵۷٫ [ Google Scholar ] [ CrossRef ]
  31. ورما، دی. جانا، ا. Ramamritham، K. درک مبتنی بر ماشین از مجموعه داده های دیداری و شنیداری جمع آوری شده دستی برای مطالعات ادراک شهری. Landsc. طرح شهری. ۲۰۱۹ ، ۱۹۰ ، ۱۰۳۶۰۴٫ [ Google Scholar ] [ CrossRef ]
  32. چن، سی. لی، اچ. لو، دبلیو. زی، جی. یائو، جی. وو، ال. Xia, Y. پیش بینی تأثیر محیط خیابان بر حالات خلقی ساکنان در مناطق بزرگ شهری با استفاده از یادگیری ماشین و تصاویر نمای خیابان. علمی کل محیط. ۲۰۲۲ ، ۸۱۶ ، ۱۵۱۶۰۵٫ [ Google Scholar ] [ CrossRef ]
  33. لی، ایکس. Cai، BY; Ratti, C. استفاده از تصاویر سطح خیابان و یادگیری عمیق برای مطالعات شهری La Ndscape. Landsc. آرشیت. جلو. ۲۰۱۸ ، ۶ ، ۲۰٫ [ Google Scholar ] [ CrossRef ]
  34. شیا، ی. یابوکی، ن. فوکودا، تی. توسعه سیستمی برای ارزیابی کیفیت فضای سبز سطح خیابان شهری با استفاده از تصاویر نمای خیابان و یادگیری عمیق. شهری برای. سبز شهری. ۲۰۲۱ ، ۵۹ ، ۱۲۶۹۹۵٫ [ Google Scholar ] [ CrossRef ]
  35. ژانگ، اف. ژانگ، دی. لیو، ی. لین، اچ. نمایش مکان‌های مکان با استفاده از عناصر صحنه. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۸ ، ۷۱ ، ۱۵۳-۱۶۴٫ [ Google Scholar ] [ CrossRef ]
  36. هان، جی.ام. لی، N. نمایش داده های تصویری جامع برای ارزیابی محیط ساخته شده. بین المللی J. SDP ۲۰۱۸ ، ۱۳ ، ۵۱۶-۵۲۷٫ [ Google Scholar ] [ CrossRef ]
  37. ژانگ، اف. وو، ال. زو، دی. لیو، ی. حس اجتماعی از تصویرسازی سطح خیابان: مطالعه موردی در یادگیری الگوهای تحرک شهری فضایی-زمانی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۹ ، ۱۵۳ ، ۴۸–۵۸٫ [ Google Scholar ] [ CrossRef ]
  38. ورما، دی. جانا، ا. راممریتام، ک. پیش‌بینی درک انسان از محیط شهری در یک محیط شهری فضایی-زمانی با استفاده از تصاویر و کلیپ‌های صوتی نمای خیابان به‌دست‌آمده محلی. ساختن. محیط زیست ۲۰۲۰ , ۱۸۶ , ۱۰۷۳۴۰٫ [ Google Scholar ] [ CrossRef ]
  39. چنگ، ال. چو، اس. زونگ، دبلیو. لی، اس. وو، جی. لی، ام. استفاده از تصاویر نمای خیابان Tencent برای درک بصری از خیابان ها. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۲۶۵٫ [ Google Scholar ] [ CrossRef ]
  40. فو، ی. آهنگ، Y. ارزیابی نمای خیابان شناخت فضای سبز قابل مشاهده در منطقه فانگ چنگ شن یانگ با شاخص نمای سبز. در مجموعه مقالات کنفرانس کنترل و تصمیم چین ۲۰۲۰ (CCDC)، هفی، چین، ۲۲ تا ۲۴ اوت ۲۰۲۰؛ صص ۱۴۴-۱۴۸٫ [ Google Scholar ]
  41. وانگ، آر. لیو، ی. لو، ی. یوان، ی. ژانگ، جی. لیو، پی. یائو، ی. ارتباط بین ادراک همسایگی و فعالیت بدنی در گوانگژو، چین: استفاده از تصاویر نمای خیابان با تکنیک های یادگیری عمیق. بین المللی J. Health Geogr. ۲۰۱۹ ، ۱۸ ، ۱۸٫ [ Google Scholar ] [ CrossRef ]
  42. ژانگ، ال. بله، ی. زنگ، دبلیو. کیارادیا، الف. اندازه‌گیری سیستماتیک کیفیت خیابان از طریق داده‌های شهری چند منبعی: تحلیلی انسان‌محور. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۹ ، ۱۶ ، ۱۷۸۲٫ [ Google Scholar ] [ CrossRef ]
  43. دو، ک. نینگ، جی. Yan, L. مدت زمان خورشید در یک دره خیابان چقدر است؟-تحلیل عوامل دید دره های خیابان. ساختن. محیط زیست ۲۰۲۰ , ۱۷۲ , ۱۰۶۶۸۰٫ [ Google Scholar ] [ CrossRef ]
  44. وو، بی. یو، بی. شو، اس. لیانگ، اچ. ژائو، ی. Wu, J. Mapping Fine-Scale Visual Quality Distribution در داخل خیابان های شهری با استفاده از داده های LiDAR موبایل. ساختن. محیط زیست ۲۰۲۱ ، ۲۰۶ ، ۱۰۸۳۲۳٫ [ Google Scholar ] [ CrossRef ]
  45. یائو، ی. وانگ، جی. هونگ، ی. کیان، سی. گوان، کیو. لیانگ، ایکس. دای، ال. Zhang, J. کشف حوزه جغرافیایی همگن ادراک انسان از تصاویر نمای خیابان. Landsc. طرح شهری. ۲۰۲۱ ، ۲۱۲ ، ۱۰۴۱۲۵٫ [ Google Scholar ] [ CrossRef ]
  46. وو، سی. پنگ، ن. ما، ایکس. لی، اس. رائو، جی. ارزیابی ویژگی‌های ظاهری بصری چند مقیاسی محله‌ها با استفاده از تجزیه و تحلیل مؤلفه‌های اصلی وزن‌دار جغرافیایی در شنژن، چین. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۰ , ۸۴ , ۱۰۱۵۴۷٫ [ Google Scholar ] [ CrossRef ]
  47. یانگ، ال. یو، ک. آی، جی. لیو، ی. یانگ، دبلیو. لیو، جی. عوامل غالب و ناهمگونی فضایی دمای سطح زمین در مناطق شهری: مطالعه موردی در فوژو، چین. Remote Sens. ۲۰۲۲ , ۱۴ , ۱۲۶۶٫ [ Google Scholar ] [ CrossRef ]
  48. گونگ، F.-Y. Zeng، Z.-C.; ژانگ، اف. لی، ایکس. نگ، ای. نورفورد، LK نقشه برداری آسمان، درخت و عوامل نمای ساختمان دره های خیابان در یک محیط شهری با تراکم بالا. ساختن. محیط زیست ۲۰۱۸ ، ۱۳۴ ، ۱۵۵-۱۶۷٫ [ Google Scholar ] [ CrossRef ]
  49. لیانگ، جی. گونگ، جی. ژانگ، جی. لی، ی. وو، دی. Zhang, G. GSV2SVF-ابزار GIS تعاملی برای تخمین فاکتور نمای آسمان، درخت و ساختمان از عکس‌های نمای خیابان. ساختن. محیط زیست ۲۰۲۰ , ۱۶۸ , ۱۰۶۴۷۵٫ [ Google Scholar ] [ CrossRef ]
  50. Szcześniak، JT; Ang، YQ; لتلیه-دوشن، اس. راینهارت، CF روشی برای استفاده از تصاویر نمای خیابان برای استخراج خودکار نسبت‌های پنجره به دیوار و ارتباط آن با نور روز و شبیه‌سازی انرژی در سطح شهری. ساختن. محیط زیست ۲۰۲۲ ، ۲۰۷ ، ۱۰۸۱۰۸٫ [ Google Scholar ] [ CrossRef ]
  51. دانیل، TC; وینینگ، ج. مسائل روش شناختی در ارزیابی کیفیت منظر. در رفتار و محیط طبیعی ; Altman, I., Wohlwill, JF, Eds.; رفتار انسان و محیط; Springer: Boston, MA, USA, 1983; صص ۳۹-۸۴٫ شابک ۹۷۸-۱-۴۶۱۳-۳۵۳۹-۹٫ [ Google Scholar ]
  52. Litton, RB Forest Landscape توضیحات و موجودی: مبنایی برای برنامه ریزی و طراحی . مقاله تحقیقاتی خدمات جنگلداری USDA DSW-49; ایستگاه آزمایشی جنگل و مرتع جنوب غربی اقیانوس آرام: برکلی، کالیفرنیا، ایالات متحده آمریکا، ۱۹۶۸٫
  53. دانیل، TC اندازه گیری کیفیت محیط طبیعی: یک رویکرد روانی. صبح. روانی ۱۹۹۰ ، ۴۵ ، ۶۳۳-۶۳۷٫ [ Google Scholar ] [ CrossRef ]
  54. بین، جی. گاردینر، بی. دروغ.؛ لیو، زی. ترکیب داده‌های شهری چند منبعی برای ارزیابی ارزش دارایی: مطالعه موردی در فیلادلفیا. محاسبات عصبی ۲۰۲۰ ، ۴۰۴ ، ۷۰-۸۳٫ [ Google Scholar ] [ CrossRef ]
  55. نجفی زاده، ل. Froehlich، JE یک مطالعه امکان سنجی استفاده از نمای خیابان گوگل و دید کامپیوتری برای ردیابی تکامل دسترسی شهری. در مجموعه مقالات بیستمین کنفرانس بین المللی ACM SIGACCESS در مورد رایانه و دسترسی، گالوی، ایرلند، ۲۲ تا ۲۴ اکتبر ۲۰۱۸؛ انجمن ماشین‌های محاسباتی: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۸؛ صص ۳۴۰-۳۴۲٫ [ Google Scholar ]
  56. نواک، تی. ووربک، ال. لری، ح. Zipf، A. Towards Towards Detecting نماهای ساختمان با آثار هنری گرافیتی بر اساس تصاویر نمای خیابان. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۹۸٫ [ Google Scholar ] [ CrossRef ]
  57. کوپر، جی. Oskrochi, R. Fractal Analysis of Street Vistas: ابزاری بالقوه برای ارزیابی سطوح تنوع بصری در صحنه های روزمره خیابان. محیط زیست طرح. B طرح. دس ۲۰۰۸ ، ۳۵ ، ۳۴۹-۳۶۳٫ [ Google Scholar ] [ CrossRef ]
  58. ما، ال. ژانگ، اچ. Lu, M. روند ابعاد فراکتال ساختمان و کاربرد آن در نقشه پیچیدگی بصری. ساختن. محیط زیست ۲۰۲۰ , ۱۷۸ , ۱۰۶۹۲۵٫ [ Google Scholar ] [ CrossRef ]
  59. Brink، AD با استفاده از اطلاعات مکانی به عنوان کمکی برای انتخاب آستانه تصویر حداکثر آنتروپی. تشخیص الگو Lett. ۱۹۹۶ ، ۱۷ ، ۲۹-۳۶٫ [ Google Scholar ] [ CrossRef ]
  60. سیلوا، LEV; دوک، جی جی. فیلیپ، جی سی. مورتا، لو، جونیور؛ Humeau-Heurtier، A. تجزیه و تحلیل آنتروپی چند مقیاسی دو بعدی: کاربردها در ارزیابی بافت تصویر. فرآیند سیگنال ۲۰۱۸ ، ۱۴۷ ، ۲۲۴-۲۳۲٫ [ Google Scholar ] [ CrossRef ]
  61. زونینو، ال. ریبیرو، بافت های تصویر متمایز کننده HV با صفحه علیت پیچیدگی-آنتروپی چندمقیاس چندگانه. فراکتال های Chaos Solitons ۲۰۱۶ ، ۹۱ ، ۶۷۹-۶۸۸٫ [ Google Scholar ] [ CrossRef ]
  62. Han, J. یک مطالعه ارزیابی بصری برای Walking Streetscape. دکتری پایان نامه، دانشگاه جیائوتنگ جنوب غربی، چنگدو، چین، ۲۰۱۸٫ [ Google Scholar ]
  63. جین، خوشه بندی داده های AK: 50 سال فراتر از K-Means. تشخیص الگو Lett. ۲۰۱۰ ، ۳۱ ، ۶۵۱-۶۶۶٫ [ Google Scholar ] [ CrossRef ]
  64. Cadenasso، ML؛ پیکت، STA; شوارتز، ک. ناهمگونی فضایی در اکوسیستم های شهری: مفهوم سازی مجدد پوشش زمین و چارچوبی برای طبقه بندی. جلو. Ecol. محیط زیست ۲۰۰۷ ، ۵ ، ۸۰-۸۸٫ [ Google Scholar ] [ CrossRef ]
  65. لی، ا. ژائو، پی. هوانگ، ی. گائو، ک. Axhausen، KW تجزیه و تحلیل تجربی استفاده از دوچرخه بدون اسکله و عوامل توضیحی آن: مطالعه موردی از شانگهای، چین. J. Transp. Geogr. ۲۰۲۰ , ۸۸ , ۱۰۲۸۲۸٫ [ Google Scholar ] [ CrossRef ]
  66. ما، ایکس. مک.؛ وو، سی. شی، ی. یانگ، آر. پنگ، ن. ژانگ، سی. رن، اف. اندازه گیری ادراک انسان از مناظر خیابانی برای اطلاع بهتر از نوسازی شهری: دیدگاهی از تجزیه معنایی صحنه. Cities ۲۰۲۱ , ۱۱۰ , ۱۰۳۰۸۶٫ [ Google Scholar ] [ CrossRef ]
  67. یانگ، اچ. فو، ام. وانگ، ال. تانگ، اف. ارزیابی کاربری مختلط زمین و تأثیر آن بر قیمت مسکن در پکن بر اساس داده‌های بزرگ چند منبعی. Land ۲۰۲۱ , ۱۰ , ۱۱۰۳٫ [ Google Scholar ] [ CrossRef ]
  68. ادکوئیست، جی. رودین براون، سی ام. Lenné، MG اثرات پارکینگ در خیابان و پیچیدگی بصری محیط جاده بر سرعت سفر و زمان واکنش. اسید. مقعدی قبلی ۲۰۱۲ ، ۴۵ ، ۷۵۹-۷۶۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 11 00628 g001 550
شکل ۱٫ نمودار شماتیک منطقه تحقیق و تولید تصویر پانوراما.
Ijgi 11 00628 g002 550
شکل ۲٫ فرآیند ساختارشکنی بصری و جهت کاربرد بعدی.
Ijgi 11 00628 g003 550
شکل ۳٫ گردش کار.
Ijgi 11 00628 g004 550
شکل ۴٫ تفاوت در واحدهای آماری و بیان SCV، HCK، و GWR.
Ijgi 11 00628 g005 550
شکل ۵٫ تعیین تعداد بهینه خوشه برای K-Means با استفاده از روش زانو.
Ijgi 11 00628 g006 550
شکل ۶٫ توزیع برچسب خوشه‌بندی K-Means ( a ); میانگین خیابان اطلاعات ادراک بصری (Sum_avg) توزیع ( b ).
Ijgi 11 00628 g007 550
شکل ۷٫ ماتریس همبستگی پیرسون بین متغیرها برای مطالعات تغییرات فضایی.
Ijgi 11 00628 g008 550
شکل ۸٫ تجزیه و تحلیل مقایسه ای SCV و HCK، و همچنین شماتیک ارتفاع و نمایش صحنه واقعی فضاهای معمولی.
Ijgi 11 00628 g009 550
شکل ۹٫ نتایج مدل GWR، که در آن قطعه فرعی ( a ) خیابان ها و مناطق معمولی را در متغیرهای Building_A، Barrier_A و Road_A برچسب گذاری می کند، در حالی که قطعه فرعی ( e ) خیابان ها و مناطق معمولی را در متغیرهای Infrustructure_A، Vegetation_A، Hc_LA برچسب گذاری می کند. رنگ آبی تیره تر نشان دهنده همبستگی منفی قوی تر است، در حالی که رنگ قرمز تیره تر نشان دهنده همبستگی مثبت قوی تر است.

ونوس نصیرفام

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما