تحلیل تأثیر فضای سبز خیابان های شهری و ساختمان های خیابانی بر آلودگی هوای تابستانی بر اساس داده های تصویر نمای خیابان

خلاصه

انتشار گازهای گلخانه ای و گرد و غبار خیابان ها منابع مهم آلودگی هوا در تابستان در مراکز شهری هستند. سبز شدن خیابان ها و ساختمان ها بر انتشار آلودگی هوا از خیابان ها تأثیر دارد. برای اندازه‌گیری‌های میدانی، بسیاری از مطالعات تأثیر آرایش فضای سبز خیابان را بر انتشار آلودگی هوا تحلیل کرده‌اند، اما این مطالعات الگوهای در مقیاس چشم‌انداز را نادیده گرفته‌اند. مطالعات دیگر اثرات مقیاس وسیع فضای سبز بر آلودگی هوا را تحلیل کرده‌اند، اما توزیع عمودی ساختمان‌های خیابانی و فضای سبز به ندرت مورد توجه قرار گرفته است. در این مطالعه، ما تأثیر توزیع عمودی فضای سبز خیابان های شهری را بر آلودگی هوای تابستانی در مراکز شهری در مقیاس شهری برای اولین بار با استفاده از روش یادگیری عمیق برای استخراج توزیع عمودی فضای سبز خیابان ها و ساختمان ها از داده های تصویر نمای خیابان تحلیل کردیم. . در مجموع ۶۸۷۳۵۴ تصویر نمای خیابان جمع آوری شد. شاخص سبز و شاخص ساختمان برای تعیین کمیت سبز شدن خیابان ها و ساختمان های خیابانی پیشنهاد شد. برای تجزیه و تحلیل ارتباط بین شاخص سبز خیابان، شاخص ساختمان و شاخص های آلودگی هوا از روش رگرسیون چند سطحی استفاده شد. برای موارد موجود در این مطالعه، از جمله مناطق مرکزی شهری پکن، شانگهای و نانجینگ، نتایج رگرسیون چندسطحی ما نشان می‌دهد که، در ناحیه مرکزی شهر، توزیع عمودی فضای سبز خیابان ها و ساختمان ها در محدوده معینی از سایت پایش با شاخص آلودگی هوای تابستانی سایت پایش ارتباط دارد. ارتباط منفی معنی داری بین سبز شدن خیابان ها و شاخص های آلودگی هوا (شعاع = ۱-۲ کیلومتر، NO) وجود دارد.۲ ، p = ۰٫۰۴۲; شعاع = ۳-۴ کیلومتر، AQI، p = ۰٫۰۳۴٫ PM ۱۰ ، p = ۰٫۰۲۸). طول خیابان در محدوده معینی از سایت پایش ارتباط مثبتی با شاخص‌های آلودگی هوا دارد (شعاع = ۱-۲ کیلومتر، AQI، p = ۰٫۰۷۲؛ PM ۱۰ ، p = ۰٫۰۶۲). با افزایش فاصله بین خیابان ها و مکان های نظارتی، ارتباط بین خیابان ها و شاخص های آلودگی هوا کاهش می یابد. یافته های ما در مورد ارتباط بین ساختار عمودی سبز شدن خیابان ها، ساختمان های خیابانی و آلودگی هوای تابستان در مراکز شهری می تواند از برنامه ریزی خیابان شهری حمایت کند.

کلید واژه ها:

داده های تصویر نمای خیابان ; یادگیری عمیق ؛ سبز شدن خیابان ؛ ساختمان های خیابانی ؛ توزیع عمودی ; آلودگی هوا

۱٫ معرفی

آلاینده های هوا مانند دی اکسید نیتروژن (NO ۲ )، ذرات ریز (PM2.5، اندازه ذرات ≤ ۲٫۵ میکرومتر)، و ذرات قابل استنشاق (PM10، اندازه ذرات ≤ ۱۰ میکرومتر) در منطقه مرکزی شهری به شدت تحت تأثیر انتشارات ترافیکی قرار دارند و انتقال منطقه ای در تابستان انتشار گازهای گلخانه ای و گرد و غبار خیابان ها منابع مهم آلودگی در تابستان هستند [ ۱ ]. سبز شدن خیابان ها و ساختمان های خیابانی بر آلودگی هوای شهری تأثیر دارند [ ۲ ، ۳ ] و سبز شدن شهری می تواند آلودگی هوا را کاهش دهد [ ۴ ]. استفاده معقول از سبز کردن خیابان ها می تواند فیلترهای آلاینده شهری کارآمد را تشکیل دهد و به طور مداوم کیفیت هوای خیابان ها را در مناطق متراکم شهری بهبود بخشد. ۵]]. افزایش تنوع زیستی گیاهان کنار جاده به فیلتر هوا کمک می کند و در نتیجه محیط در امتداد راهروهای خیابان را بهبود می بخشد [ ۶ ]. روش‌های تحقیق فعلی برای سبز کردن خیابان‌ها و ساختمان‌ها در رابطه با انتشار آلودگی خیابان‌ها شامل شبیه‌سازی عددی [ ۷ ، ۸ ، ۹ ]، آزمایش‌های تونل باد و اندازه‌گیری‌های میدانی [ ۱۰ ] است. با توسعه فناوری رایانه، شبیه سازی عددی به طور گسترده در تحقیقات انتشار آلودگی خیابان ها استفاده شده است [ ۱۱ ، ۱۲ ]. با این حال، بیشتر مطالعات شبیه سازی عددی [ ۱۳ ] فاقد پشتیبانی از داده های اندازه گیری شده است.
در اندازه‌گیری‌های میدانی، تأثیر توزیع عمودی ساختمان‌های خیابانی و سبز شدن خیابان‌ها بر کیفیت هوا در مقیاس شهر به ندرت در نظر گرفته می‌شود. برخی از مطالعات تأثیر پیکربندی گیاهان را بر انتشار آلودگی هوا در یک خیابان خاص در مقیاس کوچک تجزیه و تحلیل کرده اند. به عنوان مثال، برانتلی [ ۱۴ ] دریافت که درختان خیابان می توانند آلودگی هوا را در ناحیه نزدیک جاده به طور متوسط ​​بهبود بخشند و پیکربندی درختان بر انتشار آلاینده ها تأثیر می گذارد. دشموک [ ۱۵ ] از یک وسیله نقلیه بازرسی متحرک برای اندازه گیری کیفیت هوای یک بزرگراه در کالیفرنیا، ایالات متحده آمریکا استفاده کرد و تأثیر موانع پوشش گیاهی را بر کیفیت هوای جاده های مجاور اندازه گرفت. با این حال، این مطالعات از الگو و فرآیند در مقیاس چشم‌انداز غفلت می‌کنند [ ۱۶] و عدم تحلیل رابطه بین فضای سبز خیابان و کیفیت هوا در مقیاس شهری. به همین دلیل، برخی از مطالعات [ ۱۷ ، ۱۸ ] تأثیر توزیع افقی پوشش سبز شهری را بر آلودگی هوا در مقیاس شهر بر اساس داده های فضای سبز شهری سنتی تحلیل کرده اند. با این حال، این مطالعات میدانی در مقیاس شهر فقط توزیع افقی گیاهان را در نظر می گیرد و به ندرت توزیع عمودی و ساختار ساختمان های خیابانی و سبز شدن خیابان ها را در نظر می گیرد.
در سال‌های اخیر، فناوری‌های جمع‌آوری و پردازش داده‌ها به سرعت توسعه یافته‌اند و پردازش خودکار تصاویر خیابانی در مقیاس بزرگ به تدریج رشد کرده است. ویژگی‌های فضایی سطح شهری از سطح خیابان بر اساس تصاویر نمای خیابان شهری در مقیاس بزرگ توصیف می‌شوند. ویژگی های گیاهان، ساختمان ها و غیره در سطح خیابان استخراج می شود. رابطه آنها با اقتصاد [ ۱۹ ]، رفتار انسان [ ۲۰ ]، بیماری [ ۲۱ ]، امنیت عمومی [ ۲۲ ]، ادراک عابر پیاده [ ۲۳ ] و غیره مورد مطالعه قرار گرفت و بیشتر به طراحی منظر خیابان کمک می کند.
مدل‌های تقسیم‌بندی معنایی یادگیری عمیق برای استخراج اطلاعات، مانند نسبت انواع مختلف اشیاء از تصاویر نمای خیابان استفاده می‌شود [ ۲۴ ، ۲۵ ، ۲۶ ، ۲۷ ]. در سال های اخیر، مدل تقسیم بندی معنایی مبتنی بر یادگیری عمیق به تدریج در جهت بهبود عملکرد زمان واقعی توسعه یافته است. با این حال، با بهبود عملکرد بلادرنگ، دقت تقسیم‌بندی ناگزیر تا حدی کاهش می‌یابد. برای تحقیقات در مقیاس شهری، دقت مهمتر است. شبکه‌های کاملاً کانولوشنال (FCN) [ ۲۸ ]، شبکه‌های رمزگذار – رمزگشای کانولوشن عمیق برای تقسیم‌بندی (SegNet) [ ۲۹ ]، شبکه‌های عبارت صحنه هرمی (PSPNet) [ ۳۰] و دیگر الگوریتم‌های تقسیم‌بندی بالغ برای تقسیم‌بندی تصاویر نمای خیابان [ ۷ ، ۱۰ ، ۳۱ ] با دقت بالا استفاده می‌شوند. جریان اصلی پردازش این است که ابتدا از مجموعه داده های موجود برای آموزش مدل تقسیم بندی معنایی استفاده شود. پس از آموزش، از مدل تقسیم‌بندی آموزش‌دیده برای تقسیم‌بندی تصاویر نمای خیابان در مقیاس بزرگ و خروجی نتایج تقسیم‌بندی استفاده می‌شود. نتایج تقسیم‌بندی معمولاً تصاویری با رنگ‌های مختلف هستند که نشان‌دهنده دسته‌های شی و اطلاعات متناسب دسته‌های مختلف هستند. فضای سبز، بدنه آبی، آسمان [ ۲۴ ، ۲۵ ، ۲۶ ، ۲۷ ] و سایر اطلاعات برای ساخت شاخص نمای سبز (GVI) [ ۳۲] استخراج شده است.]، ضریب نمای آسمان (SVF) [24 ]، ضریب نمای ساختمان (BVF) [ ۲۵ ] و سایر شاخص‌ها برای تعیین کمیت ویژگی‌های فضای شهری. علاوه بر این، روش‌های تشخیص هدف یادگیری عمیق برای استخراج اهداف کوچک، مانند علائم راهنمایی و رانندگی، متن در ساختمان‌ها و غیره استفاده می‌شود [ ۳۳ ].
در این مطالعه، ما برای اولین بار ارتباط توزیع عمودی سبز شدن خیابان‌های شهری و ساختمان‌های خیابانی را با آلودگی هوای تابستانی در مرکز شهری در مقیاس شهری تحلیل کردیم. داده های تصویر نمای خیابان و روش های یادگیری عمیق برای استخراج توزیع عمودی فضای سبز خیابان و ساختمان ها استفاده می شود. بر اساس مطالعات قبلی، اثرات مثبت فضاهای سبز خیابانی بر آلودگی هوا در تابستان فرض شد.

۲٫ مواد و روشها

در این مطالعه، منطقه مرکزی شهر، شامل منطقه داخلی جاده کمربندی پنجم در پکن ( شکل ۱ ب)، منطقه اصلی شهری نانجینگ ( شکل ۱ ج)، و منطقه درون جاده حلقه بیرونی شانگهای ( شکل ۱ الف) به عنوان منطقه تحقیق استفاده شد. تصاویر نمای خیابان تابستانی بایدو در شعاع ۱ تا ۵ کیلومتری از سایت پایش کیفیت هوا جمع‌آوری شد و توزیع عمودی فضای سبز خیابان و ساختمان‌های خیابان با استفاده از روش‌های یادگیری عمیق استخراج شد. در این مقاله از زبان پایتون برای توسعه اسکریپت خزنده استفاده شده است. یک شاخص سبز و شاخص ساختمانی که برای تعیین کمیت فضای سبز خیابان در یک شعاع معین استفاده می شود، پیشنهاد شده است. شاخص های آلودگی هوای سایت های مختلف از جمله شاخص کیفیت هوا (AQI)، NO2 ، PM2.5 و PM10، با داده های ساعتی از ماه می تا اکتبر ۲۰۱۹، که از ۲۵ سایت آلودگی هوا به دست آمده است، محاسبه می شوند. در نهایت، از روش رگرسیون چند سطحی برای تجزیه و تحلیل ارتباط بین شاخص سبز خیابان، شاخص ساختمان و شاخص‌های آلودگی هوا (AQI، NO ۲ ، PM2.5 و PM10) استفاده شد.

۲٫۱٫ داده های آلودگی هوا

در ژانویه ۲۰۱۳، وزارت حفاظت از محیط زیست چین (MEPC) شروع به انتشار اطلاعات نظارت بر آلودگی هوا در زمان واقعی در ۷۴ شهر بزرگ برای عموم کرد [ ۳۴ ]. در این مطالعه، داده‌های آلودگی هوا که برای تعیین کیفیت هوای شهری استفاده می‌شود، از ۸ سایت پایش کیفیت هوا ( شکل ۱ الف) واقع در منطقه شهری مرکزی جاده کمربندی بیرونی شانگهای، ۸ سایت ( شکل ۱ ب) در محدوده پنجم بدست آمده است. جاده کمربندی پکن، و ۹ سایت ( شکل ۱ ج) در منطقه اصلی شهری نانجینگ. مکان این سایت های نظارت بر کیفیت در شکل ۱ a-c نشان داده شده است. این سایت ها در داخل خیابان توزیع نمی شوند، بلکه در مناطق روباز مناطق مسکونی و پارک ها توزیع می شوند.
داده های ساعتی این ۲۵ سایت از ماه می تا اکتبر ۲۰۱۹، از جمله AQI، NO ۲ ، PM10 و PM2.5 ( http://datacenter.mep.gov.cn/ ) جمع آوری شد. شرح مختصری از سیستم های اندازه گیری MEPC برای اندازه گیری آلاینده های هوا در جدول ۱ نشان داده شده است [ ۳۵ ، ۳۶ ، ۳۷ ]. متفاوت از NO ۲ ، PM10 و PM2.5، AQI از شش آلاینده اتمسفر در این سیستم های اندازه گیری محاسبه می شود [ ۳۵ ]. جدول ۲ مقادیر NO ۲ ، PM10، PM2.5 و AQI مربوط به سطوح مختلف کیفیت هوا را فهرست می کند [ ۳۸]]. هر چه مقادیر بالاتر باشد، کیفیت هوا بدتر است. برای به حداقل رساندن تاثیر عوامل هواشناسی بر کیفیت هوا، شاخص‌های آلودگی هوا (AQI، NO ۲ ، PM10 و PM2.5) سایت‌های مختلف، میانگین هر شاخص برای هر سایت است که به طور جداگانه با داده‌های ساعتی محاسبه شد. برای نشان دادن میزان آلودگی ممکن است در طول فصل تابستان متفاوت باشد، انحراف استاندارد (SD) برای هر پارامتر در هر سایت نیز محاسبه شد.

۲٫۲٫ داده های تصویر نمای خیابان

در این مطالعه، تصاویر نمای خیابان از نقشه بایدو ( https://map.baidu.com ) در سال ۲۰۱۹ استخراج شد که مشابه نقشه گوگل است. از داده‌های خیابان OpenStreetMap [ ۳۹ ]، ما خطوط بردار جاده را در جاده حلقه پنجم پکن، جاده حلقه‌ای بیرونی شانگهای و منطقه اصلی شهری نانجینگ استخراج کردیم. با مراجعه به تحقیقات مربوطه [ ۲۱ ، ۴۰ ] و با در نظر گرفتن کارایی و جزئیات، نقاط نمونه برداری را در فواصل ۱۰۰ متری بر روی خط برداری جاده تنظیم کردیم و یک اسکریپت برای خزیدن تصاویر نمای خیابان در شعاع ۵۰ متری از نقطه نمونه برداری تهیه کردیم. نقشه بایدو شکل ۱ d توزیع نقاط نمونه برداری را در حلقه بیرونی شانگهای نشان می دهد. همانطور که در نشان داده شده استشکل ۱g، تصاویر نمای خیابان را در شش جهت در هر نقطه نمونه برداری، شامل زوایای آزیموت ۰، ۶۰، ۱۲۰، ۱۸۰، ۲۴۰ و ۳۰۰ به دست آوردیم. اندازه این تصاویر ۶۰۰ × ۶۰۰ پیکسل و زاویه عمودی ۰ درجه است. . منظور از انتخاب زاویه عمودی ۰ درجه، استفاده از ساده ترین استاندارد برای یکسان سازی تمام تصاویر است و از تفاوت در استانداردها در هنگام استخراج اطلاعات از خیابان های مختلف به دلیل زوایای مختلف ارتفاع تصاویر جلوگیری می کند، که باعث می شود تصاویر از خیابان های مختلف قابلیت مقایسه را از دست بدهند. اگر از یک زاویه ارتفاع یکپارچه برای همه تصاویر استفاده کنیم، مانند حالت ۰ درجه، همیشه برخی از تصاویر نمای خیابان وجود خواهند داشت که نمی توانند وسعت کامل (بالا یا پایین) درختان یا ساختمان ها را نشان دهند، باید ارتفاع متفاوتی را انتخاب کنیم. زوایای برخی از خیابان ها برای ایجاد تصاویر همیشه وسعت کامل درختان یا ساختمان ها را به درستی نشان می دهد،
در مجموع ۶۸۷۳۵۴ تصویر جمع آوری شد که از این تعداد ۱۷۴۲۵۲ تصویر در جاده کمربندی پنجم پکن، ۲۸۱۰۷۰ تصویر در منطقه اصلی شهری نانجینگ و ۲۳۲۰۳۲ تصویر در منطقه مرکزی شهری حلقه بیرونی شانگهای بود. برای تجزیه و تحلیل اثرات سبز شدن خیابان ها و ساختمان ها در محدوده های مختلف بر کیفیت هوای تابستان شهری، داده های تصویر نمای خیابان را برای شعاع های مختلف از سایت های پایش کیفیت هوا در منطقه مورد مطالعه استخراج کردیم، از جمله ۰-۱، ۱-۲، ۲-۳٫ ، ۳-۴ و ۴-۵ کیلومتر ( شکل ۱ e). شکل ۱ f توزیع مکانی دقیق نقاط نمونه برداری را در شعاع معینی از یک سایت پایش کیفیت هوا در شانگهای نشان می دهد.

۲٫۳٫ تقسیم بندی تصویر نمای خیابان

یک شبکه عبارت صحنه هرمی (PSPNet) [ ۳۰ ] برای تقسیم‌بندی تصاویر نمای خیابان در این مطالعه استفاده شد. اکثر روش‌های پیشرفته تقسیم‌بندی معنایی مبتنی بر یک شبکه کاملاً متصل (FCN) هستند. با این حال، دامنه پذیرش تجربی شبکه عصبی کانولوشنال (CNN) بسیار کوچکتر از حوزه پذیرش نظری است، به خصوص در سطح بالا [ ۴۱ ]، و مدل مبتنی بر FCN فاقد استراتژی‌های مناسب برای ادغام کامل پیشین‌های صحنه مهم جهانی است که در نتیجه در وقوع اکثر خطاهای تقسیم بندی [ ۳۰]. برای حل این مشکل، PSPNet یک ماژول ادغام هرمی را معرفی می‌کند که تجمع زمینه را بر اساس مناطق مختلف تحقق می‌بخشد، توانایی استفاده از اطلاعات زمینه جهانی را بهبود می‌بخشد و پیش‌بینی نهایی را قابل اعتمادتر می‌کند.
شکل ۲ a ساختار PSPNet را نشان می دهد. ابتدا، یک تصویر به یک شبکه باقیمانده عمیق قبل از آموزش وارد می شود [ ۴۲] (ResNet) برای استخراج نقشه ویژگی تصویر. سپس نقشه ویژگی به ماژول ادغام هرم وارد می شود و خروجی سطوح مختلف با استفاده از چهار سطح هرم به دست می آید. خروجی نقشه‌های ویژگی با اندازه‌های مختلف نمونه‌برداری می‌شود و نقشه ویژگی با اندازه یکسان با درونیابی دوخطی به دست می‌آید. سپس، ویژگی های سطوح مختلف در هرم جهانی قبلی جمع می شوند. این ماژول یک پیشین جهانی سلسله مراتبی است که با ترکیب ویژگی های چهار مقیاس هرمی مختلف، از دست دادن اطلاعات زمینه را بین مناطق فرعی مختلف کاهش می دهد. سپس، در آخرین بخش از ماژول ادغام هرم، پیشین جهانی هرم به نقشه ویژگی اصلی الحاق می شود. در نهایت، نتیجه پیش‌بینی نهایی ورودی از طریق لایه کانولوشن تولید می‌شود.
جریان به بخش بندی تصاویر نمای خیابان در شکل ۲ ب نشان داده شده است. داده‌های جمع‌آوری‌شده تصویر نمای خیابان به شبکه آموزش‌دیده PSPNet وارد می‌شود و تعداد پیکسل‌های سبز و ساختمان در هر تصویر نمای خیابان خروجی می‌شود. مدل PSPNet آموزش داده شده بر روی مجموعه داده منظر شهری [ ۴۳ ] استفاده شد. Cityscape شامل ۵۰۰۰ تصویر نمای خیابان با کیفیت بالا در سطح پیکسل و حاشیه نویسی دقیق از ۵۰ شهر است. در داده های حاشیه نویسی، کارخانه و ساختمان ها پیکسل به پیکسل مشخص می شوند. مدل آموزش دیده می تواند به طور دقیق سبز شدن و ساختمان را در تصویر نمای خیابان شناسایی کند. دقت پیکسلی برای ساختمان ها ۹۳٫۲% و برای گیاهان ۹۳٫۴% است [ ۳۰ ].

۲٫۴٫ مقدار سبز شدن خیابان ها و ساختمان های خیابان

شاخص نمای سبز (GVI) به طور گسترده در فضاهای سبز شهری مختلف استفاده شده است [ ۳۲ ]، و بسیاری از محققان از GVI برای تعیین کمیت سبز شدن در مناظر خیابانی و انجام بسیاری از مطالعات تحقیقاتی استفاده کرده اند [ ۱۹ ، ۲۷ ، ۳۲ ، ۴۴ ، ۴۵ ، ۴۶ ] . تفاوت هایی در فرمول های محاسبه GVI در مطالعات مختلف وجود دارد که دلیل اصلی آن تفاوت در داده ها است، از جمله تفاوت در تعداد تصاویر نمای خیابان انتخاب شده در هر نقطه نمونه [۱۹، ۲۷] و تفاوت در زوایای عمودی . [ ۳۲ ، ۴۵ ].

در بخش ۲٫۲ و بخش ۲٫۳ ، تصاویر در شش جهت در هر نقطه نمونه برداری به دست آمد و تعداد پیکسل ها برای سبز شدن و ساختمان ها محاسبه شد. آزیموت های این تصاویر ۰ درجه، ۶۰ درجه، ۱۲۰ درجه، ۱۸۰ درجه، ۲۴۰ درجه و ۳۰۰ درجه و زاویه عمودی آن ۰ درجه است. میدان دید تصاویر ۶۰ درجه است، بنابراین شش تصویر از یک نقطه نمونه برداری صحنه ۳۶۰ درجه اطراف را پوشش می دهند و هیچ همپوشانی بین تصاویر وجود ندارد. بنابراین، هنگام تعیین کمیت سبز شدن خیابان بر اساس داده های نمای خیابان، فرمول GVI مورد استفاده در هر نقطه نمونه به شرح زیر است:

جیVمن_سآمترپله=∑من=۱۶پمنایکسهلسg_من∑من=۱۶پمنایکسهلستی_من

در فرمول (۱) پمنایکسهلسg_منتعداد پیکسل های سبز رنگ استخراج شده از هر تصویر را نشان می دهد و پمنایکسهلستی_منتعداد کل پیکسل ها در هر تصویر را نشان می دهد. بر اساس فرمول (۱)، فرمول (۲) برای تعیین کمیت سبز شدن خیابان ها در شعاع مشخصی از سایت های پایش کیفیت هوا پیشنهاد شد، که در آن n نشان دهنده تعداد نقاط نمونه برداری در محدوده و جیVمن_سآمترپلهjمقدار GVI است که در هر نقطه نمونه گیری محاسبه می شود.

جیVمن_سمنتیه=∑j=1nجیVمن_سآمترپلهjn

برای تعیین کمیت ساختمان‌های خیابان، یک شاخص کمی BVI (شاخص نمای ساختمان) پیشنهاد کردیم که شبیه به شاخص کمی GVI سبز شدن خیابان است. این فرمول شامل فرمول (۳) برای تعیین کمیت ساختمان‌های خیابانی در هر نقطه نمونه و فرمول (۴) برای تعیین کمیت ساختمان‌های خیابانی در شعاع مشخصی از سایت‌های نظارت بر کیفیت هوا است. پمنایکسهلسب_منتعداد پیکسل های ساختمان های استخراج شده از هر تصویر را نشان می دهد و بVمن_سآمترپلهjنشان دهنده مقدار BVI محاسبه شده در هر نقطه نمونه برداری است.

بVمن_سآمترپله=∑من=۱۶پمنایکسهلسب_من∑من=۱۶پمنایکسهلستی_من
بVمن_سمنتیه=∑j=1nبVمن_سآمترپلهjn

۲٫۵٫ متغیرهای کمکی

طول خیابان ها در شعاع های مختلف سایت مانیتورینگ در نظر گرفته شد زیرا مرتبط با آلودگی هوای تابستان در منطقه مرکز شهری در نظر گرفته شد. طول خیابان ممکن است منعکس کننده انتشار گازهای گلخانه ای و میزان گرد و غبار خیابان در این منطقه باشد. تعداد نقاط نمونه‌برداری برای تعیین کمیت طول کل خیابان استفاده می‌شود، زیرا هنگام جمع‌آوری داده‌های تصویر نمای خیابان، هر ۱۰۰ متر در امتداد خیابان یک نقطه نمونه‌برداری تعیین می‌کنیم.

۳٫ تجزیه و تحلیل آماری

ما مدل‌های رگرسیون چند سطحی را برای بررسی ارتباط فضای سبز خیابان‌ها و ساختمان‌های خیابان با آلودگی هوای تابستانی شهری، با در نظر گرفتن شاخص‌های آلودگی هوا (NO ۲ ، PM2.5، PM10، AQI) هر سایت به‌عنوان نتیجه و کنترل خیابان نصب کردیم. متغیرهای طول
برای تجزیه و تحلیل ارتباط توزیع عمودی فضای سبز خیابانی و ساختمان‌های خیابانی با شاخص‌های آلودگی هوا، چهار نوع مدل (مدل‌های a1-a3، c1) برازش شدند. اولین نوع مدل (مدل‌های a1) مدل پایه است و فقط شامل متغیرهای طول خیابان در شعاع‌های مختلف سایت پایش آلودگی هوا است. برای آزمایش اینکه آیا متغیرهای فضای سبز و خیابان‌سازی می‌توانند تناسب را بهبود بخشند، متغیرهای سبز کردن خیابان (مدل‌های a3) و ساختمان‌های خیابانی (مدل a2) به ترتیب در شعاع‌های مختلف سایت پایش آلودگی هوا اضافه می‌شوند. مدل چهارم (مدل های c1) شامل متغیرهای سبز شدن خیابان و ساختمان های خیابانی است.
برای تجزیه و تحلیل تأثیر خیابان‌ها در شعاع‌های مختلف سایت پایش آلودگی هوا بر شاخص‌های آلودگی هوا، پنج مدل (مدل‌های b1-b4، c1) نصب شدند. مدل پایه (مدل b1) شامل متغیرهای طول خیابان، متغیرهای سبز شدن خیابان، و متغیرهای ساختمان خیابان در محدوده ۰-۱ کیلومتری سایت پایش آلودگی هوا است. برای آزمایش اینکه آیا گسترش شعاع سایت پایش آلودگی هوا می تواند تناسب را بهبود بخشد، چهار نوع مدل دیگر متغیرهای مربوط به خیابان را در شعاع های ۰-۲، ۰-۳، ۰-۴ و ۰ اضافه کردند. -۵ کیلومتر از سایت پایش آلودگی هوا (مدل‌های b2، ۰-۱ و ۰-۲ کیلومتر؛ مدل‌های b3، ۰-۱، ۱-۲ و ۲-۳ کیلومتر؛ مدل‌های b4، ۰-۱، ۱-۲، ۲-۳ و ۳-۴ کیلومتر). مدل‌های c1 شامل متغیرهای طول خیابان، سبز شدن خیابان و ساختمان‌های خیابانی در شعاع ۰-۱، ۱-۲، ۲-۳، ۳-۴،

برای ارزیابی عملکرد مدل از معیار اطلاعات آکایک (AIC) [ ۴۶ ] و معیار اطلاعات بیزی (BIC) [ ۴۷ ] استفاده شد. بر اساس نظریه اطلاعات [ ۴۸ ]، AIC و BIC معیارهای انتخاب مدل دو هستند. نمرات AIC و BIC به صورت فرمول (۵) و (۶) محاسبه می شود که در آن θپارامترهای مدل را نشان می دهد، L(^θ)احتمال مدل کاندید با توجه به داده‌ها زمانی است که در برآورد حداکثر احتمال ارزیابی می‌شود θ[ ۴۹ ]، کتعداد پارامترهای مدل را نشان می دهد، n تعداد نمونه ها را نشان می دهد.

آمنسی=-۲ورود به سیستمL(^θ)+۲ک
بمنسی=-۲ورود به سیستمL(^θ)+کورود به سیستمn
نمرات AIC یا BIC به‌صورت مجزا بی‌معنی است [ ۴۸ ]، «انزوا» در اینجا به معنای تمرکز فقط بر نمرات در یک مدل است. با محاسبه نمرات AIC و BIC همه مدل‌های کاندید، “بهترین” مدل کاندیدایی است که کمترین امتیاز AIC یا BIC را در بین همه مدل‌های کاندید دارد. هرچه امتیازات AIC و BIC کمتر باشد، تناسب و عملکرد بهتری دارد. علاوه بر این، ما مقادیر p و فاصله اطمینان ۹۵% را برای همه مدل ها گزارش کردیم. p -values ​​< 0.05 از نظر آماری معنی دار در نظر گرفته شد. Spss22.0 برای آمار استفاده شد.

۴٫ نتایج

۴٫۱٫ معیارهای آلودگی هوا و نمای خیابان

میانگین آلودگی هوا، از جمله AQI، NO ۲ ، PM10 و PM2.5 در ۲۵ سایت از ماه می تا اکتبر ۲۰۱۹، محاسبه شد و انحراف استاندارد (SD) برای هر پارامتر در هر سایت محاسبه شد ( شکل ۳ ). روش تحلیل تقاطع در ArcGIS 10.5 برای محاسبه تعداد نقاط نمونه برداری (Total = 430584) در شعاع های مختلف هر سایت به عنوان متغیر طول خیابان استفاده شد. اطلاعات دقیق در مورد شاخص کیفیت هوا و طول خیابان را می توان در جداول S1 و S2 مواد تکمیلی یافت .
مناطق سبز و ساختمان در تصاویر نمای خیابان به طور دقیق توسط مدل آموزش دیده PSPNet استخراج شد. شکل ۴ نتایج تقسیم بندی برخی از تصاویر را نشان می دهد. ناحیه زرد ناحیه سبز و قرمز ناحیه ساختمان ها است. می توان دریافت که گاهی اوقات یک ساختمان عمودی پشت سرسبزی عمودی در تصاویر نمای خیابان وجود دارد. مطالعات قبلی نشان داده اند که ساختار عمودی نزدیک به خیابان تأثیر مهمی بر انتشار آلاینده دارد. نتایج پایش میدانی جاده Xilin شمالی و جاده Wencheng در شانگهای [ ۴۹] نشان می دهد که انتشار آلاینده در خیابان به وضوح تحت تأثیر ساختار عمودی نزدیک به خیابان (مانند گیاهان سبز) است. گیاهان سبز بین خیابان و ساختمان های خیابان به طور قابل توجهی انتشار آلاینده ها را از گیاهان سبز نزدیک خیابان به ساختمان ها کاهش می دهد. بنابراین، هنگامی که ساختار عمودی را از تصویر نمای خیابان استخراج می کنیم، ساختار عمودی نزدیک به خیابان را استخراج می کنیم و ساختمان های عمودی پوشیده از فضای سبز عمودی را نادیده می گیریم. شکل ۵توزیع فضایی GVI_نمونه و BVI_نمونه را در منطقه مورد مطالعه ترسیم می کند. می توان دریافت که تفاوت هایی در توزیع فضایی وجود دارد. GVI_sample (میانگین = ۰٫۲۱۰۳، SD = 0.1314) و BVI_sample (میانگین = ۰٫۱۹۵۵، SD = 0.1436) از نقاط نمونه برداری در محدوده شعاع های مختلف هر سایت پایش کیفیت هوا محاسبه شد. شاخص سبز شدن خیابان GVI_site (میانگین = ۰٫۲۱۶۵، SD = 0.0412) و شاخص ساختمان خیابان BVI_site (میانگین = ۰٫۱۸۵۴، SD = 0.0658) در شعاع های مختلف در هر سایت محاسبه شد. نتایج آماری توصیفی شعاع‌های مختلف تمام سایت‌های پایش آلودگی هوا در همه شهرها در جدول ۳ نشان داده شده است.که بیانگر وضعیت کلی BVI_site و GVI_site در منطقه مورد مطالعه و تفاوت BVI_site و GVI_site در بین سایت های مختلف است. برای نتایج دقیق GVI_site و BVI_site، به جدول S3 از مواد تکمیلی مراجعه کنید .

۴٫۲٫ مدل رگرسیون چند سطحی

از مدل‌هایی که همه متغیرها را در نظر می‌گیرند (مدل c1)، ما ارتباط سبز خیابان‌ها و ساختمان‌های خیابانی را با شاخص‌های آلودگی هوا در شعاع‌های مختلف سایت پایش کیفیت هوا مشاهده کردیم. در شعاع ۱ کیلومتری، یک ارتباط مثبت ( ۰٫۰۷۷ = p ) بین ساختمان‌های خیابانی و NO ۲ وجود دارد . در شعاع ۱-۲ کیلومتر، سبز شدن خیابان ( ۰٫۰۴۲ = p ) با NO ۲ ارتباط منفی و طول خیابان با AQI ( ۰٫۰۷۲ = p ) و PM10 ( 0.062 = p ) ارتباط مثبت دارد. در شعاع ۳-۴ کیلومتری سایت پایش کیفیت هوا، ارتباط منفی بین سبز شدن خیابان ها و PM2.5 وجود دارد ( ص۰٫۰۶۵ =)، و بین سبز شدن خیابان و AQI ( 0.034 = p )، PM10 (0.028 = p ) ارتباط منفی معنی‌داری وجود دارد . با این حال، در شعاع ۴-۵ کیلومتری، هیچ ارتباط معنی‌داری بین پوشش گیاهی خیابان، ساختمان‌های خیابان، طول خیابان و شاخص کیفیت هوای سایت‌های پایش هوا وجود ندارد.
جدول ۴ (مدل‌های a1-a3, c1) تأثیر ساختمان‌های خیابان و متغیرهای سبز شدن خیابان را بر آلودگی هوای تابستان برای همه شاخص‌های آلودگی هوا، از جمله AQI، NO 2، PM10 و PM2.5 نشان می‌دهد. افزودن متغیرهای سبز کردن خیابان (مدل a3) یا متغیرهای ساختمان خیابان (مدل a2) به متغیرهای طول خیابان (مدل a1) منجر به کاهش امتیازات AIC و امتیازات BIC می‌شود، که به این معنی است که تناسب و عملکرد مدل بهبود می‌یابد. . مدل‌های c1 که شامل متغیرهای سبز کردن خیابان، ساختمان خیابان و متغیرهای طول خیابان است، کمترین امتیاز AIC و BIC را دریافت کردند که نشان‌دهنده بالاترین حسن تناسب و بهترین عملکرد است.
نتایج مدل‌ها ( جدول ۴ ، مدل‌های b1-b4، مدل‌های c1) تأثیر متغیرهای طول خیابان، سبز شدن خیابان، و متغیرهای خیابان‌سازی را بر آلودگی هوای تابستان در شعاع‌های مختلف سایت پایش آلودگی هوا برای مدل‌های مختلف نشان داد. شاخص های آلودگی هوا به عنوان نتیجه، از جمله AQI، NO ۲، PM10 و PM2.5. با افزایش شعاع سایت پایش آلودگی هوا (از ۰-۱ به ۰-۵ کیلومتر، مدل های b1-b4، مدل های c1)، یعنی با در نظر گرفتن متغیرهای طول خیابان، متغیرهای سبز شدن خیابان ها و متغیرهای خیابان سازی در شعاع بزرگتر. در سایت پایش آلودگی هوا (از ۰-۱ تا ۰-۵ کیلومتر)، امتیازات AIC مدل و امتیازات BIC کاهش می یابد، که نشان دهنده افزایش حسن تناسب و عملکرد مدل است. در میان آنها، مدل های c1، که شامل متغیرهای طول خیابان، سبز شدن خیابان و ساختمان های خیابانی با شعاع ۰-۵ کیلومتر (۰-۱، ۱-۲، ۲-۳، ۳-۴، و ۴-۵ کیلومتر) است. سایت پایش آلودگی هوا، کمترین امتیاز AIC و BIC را دارد که نشان می‌دهد خیابان‌های ۰ تا ۵ کیلومتری بر شاخص‌های آلودگی هوای سایت‌های پایش کیفیت هوا تأثیر می‌گذارند.
با این حال، اگرچه مدل بهبود می‌یابد (AIC و BIC پایین‌تر) با گنجاندن متغیرهای بیشتر و فواصل بیشتر از سایت‌های نظارت، بهترین نتیجه زمانی رخ می‌دهد که متغیرها در تمام شعاع‌های مختلف سایت گنجانده شوند (مدل‌های c1؛ ۰-۱، ۱-). ۲، ۲-۳، ۳-۴ و ۴-۵ کیلومتر)؛ با این حال، آیا تأثیر متغیرهای خیابان با شعاع های مختلف سایت (۰-۱، ۱-۲، ۲-۳، ۳-۴، و ۴-۵ کیلومتر) بر شاخص های آلودگی هوا متفاوت است؟ برای مدل‌های با NO ۲ ، PM10 و PM2.5 به عنوان نتیجه، متوجه می‌شویم که با افزایش فاصله بین متغیرهای خیابان جدید و سایت ( جدول ۵); به عنوان مثال، مدل‌های b2 متغیرهایی را با شعاع ۱-۲ کیلومتری سایت در مقایسه با مدل‌های b1 و مدل‌های c1 متغیرهایی با شعاع ۴ تا ۵ کیلومتری در مقایسه با مدل‌های b4 اضافه کردند، تغییر مربع R در آلودگی هوای مختلف. شاخص ها بیشتر کوچکتر می شوند. تغییرات مربع R برای شعاع های ۳-۴ و ۴-۵-km تقریباً کوچکترین در مدل ها هستند ( جدول ۵ ، NO ۲ ، PM2.5). هرچه تغییر مربع R کوچکتر باشد، توانایی متغیر جدید در تفسیر نتیجه کمتر است. این نشان می‌دهد که اگرچه متغیرهای خیابان در ۳-۴ یا ۴-۵ کیلومتر هنوز روی مدل تأثیر دارند ( جدول ۴ ، مدل‌های b4، مدل‌های c1)، تأثیر در مقایسه با متغیرهای خیابان در شعاع ۰-۱ کاهش می‌یابد. ۱-۲ یا ۲-۳ کیلومتر ( جدول ۵، مدل های b1-c1). هنگامی که شعاع سایت پایش آلودگی هوا زیاد باشد (از ۰-۱ تا ۴-۵ کیلومتر)، تأثیر خیابان بر شاخص های آلودگی هوا کاهش می یابد.

۵٫ بحث

این مطالعه برای اولین بار با استفاده از داده‌های تصویر نمای خیابان و الگوریتم یادگیری عمیق، ارتباط توزیع و ساختار عمودی سبز کردن خیابان‌های شهری و ساختمان‌های خیابانی را با آلودگی هوای تابستان در منطقه مرکز شهری در مقیاس شهر تجزیه و تحلیل می‌کند. اکثر تحقیقات قبلی ارتباط بین فضای سبز شهری و کیفیت هوا را بر اساس خیابان های کوچک [ ۱۴ ، ۱۵ ] یا توزیع افقی در مقیاس بزرگ فضای سبز شهری [ ۱۷ ، ۱۸ ] مورد مطالعه قرار دادند.

۵٫۱٫ ارتباط بین خیابان ها و آلودگی هوا در تابستان

نتایج ما نشان می دهد که ارتباط معنی داری بین آلودگی هوا در تابستان و خیابان های شهری وجود دارد. توزیع عمودی فضای سبز خیابان های شهری و ساختمان های خیابانی بر آلودگی هوا تاثیر دارد و افزایش توزیع عمودی سبزینگی خیابان ها نقش مثبت بسزایی در جلوگیری از انتشار آلودگی خیابان ها دارد، در حالی که افزایش طول خیابان ها در شعاع معینی. آلودگی هوا در مناطق شهری را تشدید می کند.
ثابت شده است که ساختار عمودی فضای سبز [ ۱۴ ] و ساختمان ها [ ۵۰ ] برای خیابان های خاص در مقیاس کوچک، و همچنین توزیع فضای سبز بلوک شهری در مقیاس بزرگ [ ۱۷]]، بر انتشار آلودگی هوا تأثیر دارد. با این حال، با توجه به تأثیر توزیع عمودی فضای سبز و ساختمان‌ها بر آلودگی هوا در طیف وسیعی از خیابان‌های شهری، هنوز عدم درک وجود دارد. از آنجایی که داده‌های تصویر نمای خیابان منعکس کننده ساختار عمودی سبز شدن خیابان و ساختمان‌ها هستند، با استفاده از داده‌های تصویر نمای خیابان، دریافتیم که افزایش توزیع عمودی سبز شدن خیابان‌ها می‌تواند به طور موثر آلودگی هوای تابستان را از خیابان‌ها کاهش دهد. افزایش توزیع عمودی سبز شدن خیابان ها اغلب به معنای افزایش تنوع گونه های گیاهی است و تفاوت در توزیع عمودی فضای سبز بر اثر فیلترینگ تأثیر می گذارد [۱۴] .]، مانند درختچه های پایین تر و درختان بلندتر. این فقط ارتباط منفی معنادار بین سبز شدن خیابان ها و شاخص کیفیت هوا را در این مطالعه توضیح می دهد.
با توجه به تأثیر ساختمان‌های خیابانی بر انتشار آلودگی هوا در تابستان، مطالعات قبلی نشان داده‌اند که توزیع عمودی ساختمان‌ها در خیابان‌ها بر نور، جریان هوا و غیره در خیابان‌ها تأثیر می‌گذارد و بنابراین تأثیر می‌گذارد. انتشار آلاینده ها ما دریافتیم که توزیع عمودی ساختمان‌های خیابانی در ۱ کیلومتری با شاخص NO ۲ آلودگی هوا ارتباط مثبت دارد ( p= 0.077)، و مدل با متغیرهای ساختمان های خیابانی اضافه شده (مدل a2) دارای امتیاز AIC و BIC پایین تری نسبت به مدل هایی است که فقط دارای متغیرهای طول خیابان هستند (مدل a1). توزیع عمودی ساختمان‌های خیابانی ممکن است بر جریان هوا در خیابان تأثیر بگذارد، در نتیجه بر انتشار آلودگی هوا در خیابان و در نهایت بر آلودگی هوای تابستان شهری در این منطقه تأثیر بگذارد.
ارتباط بین آلودگی هوای تابستان در منطقه مرکزی شهر و طول خیابان در این منطقه پیدا شد. تحقیقات نشان می‌دهد که [ ۱ ، ۵۱ ] بخش بزرگی از منبع آلودگی هوای تابستانی شهری ناشی از گرد و غبار خیابان‌ها، اگزوزهای خودروها و غیره است. نتایج تحقیقات ما این دیدگاه را تایید می‌کند. افزایش طول خیابان تا حدودی نشان دهنده افزایش انتشار آلاینده های حمل و نقل و گرد و غبار خیابان است. ما دریافتیم که یک ارتباط مثبت ( p <0.1) بین طول خیابان و شاخص آلودگی هوا در شعاع ۱-۲ کیلومتر وجود دارد . با افزایش طول خیابان ها در این منطقه، آلودگی هوا در تابستان بدتر می شود.
خیابان‌ها در شعاع معینی بر آلودگی هوای تابستان در مرکز منطقه تأثیر دارند، اما تأثیر خیابان‌ها در محدوده‌های شعاع مختلف بر شاخص‌های آلودگی هوا متفاوت است. نتایج ما نشان می‌دهد که در محدوده ۴ تا ۵ کیلومتری، هیچ ارتباط قابل‌توجهی ( p > 0.1) از سبز شدن خیابان، ساختمان‌های خیابان و طول خیابان با شاخص‌های آلودگی هوای تابستانی سایت‌های پایش هوا وجود ندارد. این نشان می دهد که هر چه فاصله دورتر باشد، تأثیر کمتری بر آلودگی هوا در تابستان دارد. تحقیق [ ۱۷] نشان می دهد که فضای سبز وسیع شهر بر کیفیت هوا تأثیر خواهد داشت. بنابراین احتمال دادیم آلودگی هوای خیابان‌های دور توسط فضای سبز شهری بین خیابان‌ها جذب و مسدود شود تا تأثیر آن بر شاخص سایت‌های پایش آلودگی هوا ضعیف شود.

۵٫۲٫ نقاط قوت و محدودیت ها

تحقیقات ما نقاط قوت زیادی دارد. اول، ما بر تأثیر توزیع عمودی فضای سبز خیابانی بر آلودگی هوا در مقیاس بزرگ، در مقایسه با مطالعات عمده متمرکز بر انتشار آلودگی در خیابان ها در مقیاس کوچک تمرکز می کنیم [۷ ، ۱۱ ] . ثانیاً، استفاده از داده‌های تصویر نمای خیابان برای تجزیه و تحلیل اثر فضای سبز خیابان و ساختمان‌های خیابان بر انتشار آلودگی هوا در تابستان، به جای اندازه‌گیری میدانی [۱۴] یا شبیه‌سازی [۷] مبتکرانه، کارآمد و قابل اعتماد است .] هر خیابان تصاویر نمای خیابان توزیع عمودی فضای سبز خیابان و ساختمان ها را به تصویر می کشند. ثالثاً، یک روش یادگیری ماشینی برای تحقق استخراج خودکار اطلاعات داده‌های نمای خیابان در مقیاس بزرگ استفاده می‌شود، و روش یادگیری عمیق ما را قادر می‌سازد تا در مقایسه با طبقه‌بندی پیکسلی، فضای سبز و ساختمان را به طور مؤثر و دقیق‌تری استخراج کنیم [۵۲] . ] و روشهای سنتی.
با این حال، محدودیت های زیادی در تحقیقات ما وجود دارد. اول از همه، داده‌های تصویر نمای خیابان از نقشه بایدو در یک زمان خاص گرفته شده است، بنابراین سبز شدن خیابان و ساختمان‌های به‌دست‌آمده، مقادیر یک زمان معین هستند تا مقدار متوسط. با این حال، شاخص های سبزسازی و ساختمان سازی خیابان ها همچنان قابل اعتماد هستند، زیرا تغییر فضای سبز و ساختمان ها به کندی انجام می شود [ ۷]]. ثانیاً، اگرچه داده‌های آلودگی هوا از میانگین داده‌های ماه می تا اکتبر استفاده می‌کنند تا تأثیر عوامل هواشناسی را تا حد امکان از بین ببرند، اما عوامل هواشناسی ممکن است هنوز تأثیری بر نتایج داشته باشند و تأثیر آن بر نتایج در حال حاضر مشخص نیست. . در نهایت، اگرچه ما مقدار زیادی از داده‌های تصویر نمای خیابان را به دست آورده‌ایم، در مقایسه با تمام شهرهای چین، حجم داده‌ها هنوز کم است، بنابراین کاربرد نتایج تحقیق در سایر شهرهای چین هنوز مورد بحث قرار می‌گیرد.
بنابراین در کارهای آینده مطالعات بیشتری را انجام خواهیم داد. همانطور که اشاره کردیم در این مقاله کاستی هایی وجود دارد. اول از همه، در کار آینده، شاید بتوانیم تمام شهرهای بزرگ چین را برای مطالعه کاربردی بودن نتایج تحقیقات در چین در نظر بگیریم. ثانیاً، کار فعلی محدود به چند شهر در چین بود و در کارهای آینده می‌توانیم از داده‌های Google برای گسترش مطالعه به کشورهای بیشتری در سراسر جهان استفاده کنیم. مقایسه نتایج در بین کشورهای مختلف باید جالب باشد. در نهایت، شاید بتوانیم شبکه عصبی قدرتمندتری را برای استخراج انواع پوشش گیاهی با جزئیات بیشتر، مانند علفزار، درختان، درختچه‌ها و غیره آموزش دهیم و تأثیر انواع مختلف پوشش گیاهی بر آلودگی را بتوان با دقت بیشتری تحلیل کرد.

۶٫ نتیجه گیری

این مطالعه نشان می‌دهد که توزیع عمودی ساختمان‌های خیابانی و سبز شدن خیابان‌ها با آلودگی هوای تابستان در ناحیه مرکزی شهر مرتبط است. افزایش توزیع عمودی سبز شدن خیابان ها می تواند از انتشار آلودگی هوا از خیابان ها که در مناطق مرکزی پکن، نانجینگ و شانگهای چین است، جلوگیری کند. در مقایسه با مشاهدات میدانی یا شبیه‌سازی عددی موجود، ما از داده‌های نمای خیابان و روش‌های یادگیری عمیق برای استخراج ساختار عمودی مناطق سبز و ساختمان استفاده می‌کنیم. مناطق چند سطحی ما نشان می دهد که توزیع عمودی سبز شدن خیابان در یک شعاع مشخص در اطراف سایت نظارت به طور قابل توجهی با کیفیت هوای تابستانی سایت مرتبط است و طول خیابان با کیفیت هوا همبستگی منفی دارد. با افزایش فاصله از خیابان، تأثیر آلودگی خیابان بر کیفیت هوای تابستان کاهش می یابد. سهم اصلی این مقاله استفاده از منابع داده نمای خیابان و روش‌های یادگیری عمیق، برای مطالعه مسئله از منظر دیگری است. یک مسیر امکان پذیر با استفاده از داده های نمای خیابان و روش یادگیری عمیق برای تجزیه و تحلیل بیشتر ایجاد شد. این مقاله دارای مشارکت های زیر است:
  • روشی برای اندازه‌گیری ساختار عمودی فضای سبز خیابانی و ساختمان‌های خیابانی در ارزیابی آلودگی هوای تابستان در مقیاس بزرگی از مناطق مرکزی شهری پیشنهاد شده‌است.
  • استفاده از روش‌های یادگیری عمیق برای استخراج توزیع عمودی فضای سبز خیابان و ساختمان‌ها از تصاویر نمای خیابان.
  • شاخص سبز خیابان و شاخص ساختمان برای تعیین کمیت سبز شدن خیابان ها و ساختمان های خیابان در یک شعاع خاص پیشنهاد شده است.
  • ارتباط بین ساختار عمودی فضای سبز خیابان و آلودگی هوای تابستان در منطقه مرکزی شهر در مقیاس شهری تحلیل می‌شود.
یافته‌های ما اهمیت روش‌های اندازه‌گیری برای ساختار عمودی فضای سبز خیابان و ساختمان‌های خیابانی را در ارزیابی آلودگی هوای تابستان در مناطق مرکزی شهری در مقیاس بزرگ نشان می‌دهد. همراه با داده های نمای خیابان و یادگیری عمیق، ابزاری کارآمد برای ارزیابی محیط خیابان ارائه می کند که برای تحقیقات آلودگی هوای شهری مناسب است. کشف ما از رابطه بین ساختار عمودی فضای سبز خیابان و آلودگی هوای تابستانی در ناحیه مرکزی شهر می‌تواند پشتیبانی از برنامه‌ریزی خیابان شهری را فراهم کند. در برنامه ریزی خیابانی منطقه مرکز شهری، ما باید پیکربندی های مختلف گیاهان سبز خیابانی و ساختمان های خیابانی را در نظر بگیریم و یک پیکربندی توزیع عمودی معقول ایجاد کنیم تا آلودگی هوا در منطقه مرکز شهری در تابستان کاهش یابد. کار فعلی محدود به چند شهر در چین بود و در کارهای آینده، می‌توانیم از داده‌های Google برای گسترش مطالعه به کشورهای بیشتری در سراسر جهان استفاده کنیم.

منابع

  1. لیو، ز. هو، بی. لیو، کیو. سان، ی. وانگ، YS منبع تقسیم غلظت تعداد ذرات ریز شهری در طول تابستان در پکن. اتمس. محیط زیست ۲۰۱۴ ، ۹۶ ، ۳۵۹-۳۶۹٫ [ Google Scholar ] [ CrossRef ]
  2. Abhijith، KV; کومار، پی. گالاگر، جی. عملکردهای کاهش آلودگی هوا در زیرساخت‌های سبز در جاده‌های باز و محیط‌های دره خیابانی ساخته‌شده – مروری. اتمس. محیط زیست ۲۰۱۷ ، ۱۶۲ ، ۷۱-۸۶٫ [ Google Scholar ] [ CrossRef ]
  3. جایسوریا، وی. نگ، ا. موتوکوماران، س. Perera, B. اقدامات زیرساخت سبز برای بهبود کیفیت هوای شهری. شهری برای. سبز شهری. ۲۰۱۷ ، ۲۱ ، ۳۴-۴۷٫ [ Google Scholar ] [ CrossRef ]
  4. لیو، جی. کائو، ز. زو، اس. لیو، اچ. های، ایکس. وانگ، اس. دوان، جی. شی، بی. یان، جی. ژانگ، اس. و همکاران بررسی ظرفیت، کارایی و مکانیسم نگهداری برگ برای ذرات اتمسفر پنج گونه درخت سبز در پکن، چین. علمی کل محیط. ۲۰۱۸ ، ۶۱۶ ، ۴۱۷-۴۲۶٫ [ Google Scholar ] [ CrossRef ]
  5. Pugh، TAM; مکنزی، آر. Whyatt, JD; هویت، CN اثربخشی زیرساخت سبز برای بهبود کیفیت هوا در دره های خیابان شهری. محیط زیست علمی تکنولوژی ۲۰۱۲ ، ۴۶ ، ۷۶۹۲-۷۶۹۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. وبر، اف. کواریک، آی. Säumel, I. گیاهان علفی به عنوان فیلتر: تثبیت ذرات در امتداد راهروهای خیابان شهری. محیط زیست آلودگی ۲۰۱۴ ، ۱۸۶ ، ۲۳۴-۲۴۰٫ [ Google Scholar ] [ CrossRef ]
  7. واردولاکیس، اس. ولیانتیس، م. میلنر، جی. مدل‌سازی عملیاتی آلودگی هوا در بریتانیا – کاربردها و چالش‌های دره خیابان. اتمس. محیط زیست ۲۰۰۷ ، ۴۱ ، ۴۶۲۲-۴۶۳۷٫ [ Google Scholar ] [ CrossRef ]
  8. نواک، دی جی; هیرابایاشی، اس. بودین، ا. Hoehn, R. حذف PM2.5 توسط درختان در ده شهر ایالات متحده و اثرات بهداشتی مرتبط با آن. محیط زیست آلودگی ۲۰۱۳ ، ۱۷۸ ، ۳۹۵-۴۰۲٫ [ Google Scholar ] [ CrossRef ]
  9. ژانگ، اچ. وانگ، ی. لی، اس. مطالعه در مورد تأثیر ساختمان های کنار خیابان بر پراکندگی آلاینده ها در دره خیابان. Procedia Eng. ۲۰۱۵ ، ۱۲۱ ، ۳۷-۴۴٫ [ Google Scholar ] [ CrossRef ]
  10. سالموند، JA; ویلیامز، دی. Laing, G. تأثیر پوشش گیاهی بر توزیع افقی و عمودی آلاینده ها در یک دره خیابان. علمی کل محیط. ۲۰۱۳ ، ۴۴۳ ، ۲۸۷-۲۹۸٫ [ Google Scholar ] [ CrossRef ]
  11. موراکینیو، تی. لام، YF; هائو، اس. ارزیابی نقش زیرساخت‌های سبز در پراکندگی و حذف آلاینده‌های نزدیک جاده: مدل‌سازی و اندازه‌گیری. جی. محیط زیست. مدیریت ۲۰۱۶ ، ۱۸۲ ، ۵۹۵-۶۰۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. ژانژان، ا. راهبان، PS; Leigh, RJ مدلسازی اثربخشی درختان و چمن شهری بر کاهش PM2.5 از طریق پراکندگی و رسوب در مقیاس شهر. اتمس. محیط زیست ۲۰۱۶ ، ۱۴۷ ، ۱-۱۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. یاچو، ک. لیوادا، آی. Santamouris، M. مطالعه تجربی دما و توزیع جریان هوا در داخل یک دره خیابان شهری در طول شرایط آب و هوایی گرم تابستان: قسمت ۱: دمای هوا و سطح. ساختن. محیط زیست ۲۰۰۸ ، ۱۳ ، ۱۳۸۳–۱۳۹۲٫ [ Google Scholar ]
  14. برانتلی، اچ ال. هاگلر، جی اس. دشموک، پ.ج. Baldauf, R. ارزیابی میدانی اثرات پوشش گیاهی کنار جاده بر کربن سیاه نزدیک جاده و ذرات معلق. علمی کل محیط. ۲۰۱۴ ، ۴۶۹ ، ۱۲۰-۱۲۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. دشموک، پ. ایزاکوف، وی. ونکاترام، ا. یانگ، بی. ژانگ، KM; لوگان، آر. Baldauf, R. اثرات ویژگی های پوشش گیاهی کنار جاده بر کیفیت هوای محلی و نزدیک جاده. کیفیت هوا اتمس. Health ۲۰۱۸ , ۱۲ , ۲۵۹-۲۷۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. تانگ، ز. ویتلو، TH; Macrae، PF; لندرز، ای جی. هارادا، ی. کمی سازی اثر پوشش گیاهی بر کیفیت هوای نزدیک جاده با استفاده از کمپین های مختصر. محیط زیست آلودگی ۲۰۱۵ ، ۲۰۱ ، ۱۴۱-۱۴۹٫ [ Google Scholar ] [ CrossRef ]
  17. چن، ال. لیو، سی. Zou, R. بررسی تجربی اثربخشی پوشش گیاهی به عنوان فیلتر زیستی ذرات معلق در محیط شهری. محیط زیست آلودگی ۲۰۱۶ ، ۲۰۸ ، ۱۹۸-۲۰۸٫ [ Google Scholar ] [ CrossRef ]
  18. مدلسازی لی، جی کی و تحلیل تأثیر طراحی ساختار فضایی کمربند سبز جاده بر انتشار آلاینده. محیط زیست علمی مدیریت ۲۰۱۸ ، ۴۳ ، ۷۵-۷۸٫ [ Google Scholar ]
  19. ژانگ، ی. دونگ، آر. تأثیر فضای سبز قابل مشاهده در خیابان بر قیمت مسکن: شواهدی از یک مدل قیمت لذت‌بخش و مجموعه داده‌های عظیم نمای خیابان در پکن. ISPRS Int. جی. ژئو. Inf. ۲۰۱۸ ، ۷ ، ۱۰۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  20. لو، ی. سرکار، سی. Xiao, Y. تأثیر فضای سبز سطح خیابان بر رفتار راه رفتن: شواهدی از هنگ کنگ. Soc. علمی پزشکی ۲۰۱۸ ، ۲۰۸ ، ۴۱-۴۹٫ [ Google Scholar ] [ CrossRef ]
  21. هلبیچ، ام. یائو، ی. لیو، ی. ژانگ، جی. لیو، پی. وانگ، آر. استفاده از یادگیری عمیق برای بررسی فضاهای سبز و آبی نمای خیابان و ارتباط آنها با افسردگی سالمندان در پکن، چین. محیط زیست بین المللی ۲۰۱۹ ، ۱۲۶ ، ۱۰۷-۱۱۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. او، ال. پائز، ا. لیو، دی. محیط ساخته شده و جنایات خشونت آمیز: رویکرد حسابرسی محیطی با استفاده از نمای خیابان Google. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۷ ، ۶۶ ، ۸۳-۹۵٫ [ Google Scholar ] [ CrossRef ]
  23. فن، ز. بولئی، ز. لیو، ال. اندازه گیری ادراک انسان از یک منطقه شهری در مقیاس بزرگ با استفاده از یادگیری ماشین. Landsc. طرح شهری. ۲۰۱۸ ، ۱۸۰ ، ۱۴۸-۱۶۰٫ [ Google Scholar ]
  24. زنگ، ال. لو، جی. Li, W. یک رویکرد سریع برای تخمین فاکتور نمای آسمان در مقیاس بزرگ با استفاده از تصاویر نمای خیابان. ساختن. محیط زیست ۲۰۱۸ ، ۱۳۵ ، ۷۴-۸۴٫ [ Google Scholar ] [ CrossRef ]
  25. گونگا، FY؛ Zeng، ZC; ژانگ، اف. نقشه برداری از آسمان، درخت و فاکتورهای نمای ساختمان دره های خیابان در یک محیط شهری با تراکم بالا. ساختن. محیط زیست ۲۰۱۸ ، ۱۳۴ ، ۱۵۵-۱۶۷٫ [ Google Scholar ] [ CrossRef ]
  26. میدل، ا. لوکاشیک، جی. Zakrzewski، S. فرم شهری و ترکیب دره های خیابانی: یک داده بزرگ انسان محور و رویکرد یادگیری عمیق. Landsc. طرح شهری. ۲۰۱۹ ، ۱۸۳ ، ۱۲۲-۱۳۲٫ [ Google Scholar ] [ CrossRef ]
  27. لیانگ، سی. سنسن، سی. Wenwen, Z. استفاده از تصاویر نمای خیابان Tencent برای درک بصری از خیابان ها. ISPRS International. جی. ژئو. Inf. ۲۰۱۷ ، ۶ ، ۲۶۵٫ [ Google Scholar ]
  28. لانگ، جی. شلهامر، ای. دارل، تی. شبکه های کاملاً پیچیده برای تقسیم بندی معنایی. IEEE Trans. الگوی مقعدی ماخ هوشمند ۲۰۱۴ ، ۳۹ ، ۶۴۰-۶۵۱٫ [ Google Scholar ]
  29. بدرینارایانان، وی. کندال، ا. Cipolla، R. SegNet: معماری رمزگذار-رمزگشای پیچیده پیچیده برای تقسیم‌بندی صحنه. IEEE Trans. الگوی مقعدی ماخ هوشمند ۲۰۱۷ ، ۳۹ ، ۲۴۸۱-۲۴۹۵٫ [ Google Scholar ] [ CrossRef ]
  30. ژائو، اچ. شی، ج. Qi، X. وانگ، ایکس. شبکه تجزیه صحنه هرمی جیا، جی. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو، هونولولو، HI، ایالات متحده آمریکا، ۲۱ تا ۲۶ ژوئیه ۲۰۱۷٫ [ Google Scholar ]
  31. روستی، تی. لوبل، اچ. روکو، وی. Hurtubia, R. توضیح ادراکات ذهنی از فضاهای عمومی به عنوان تابعی از محیط ساخته شده: یک رویکرد داده عظیم. Landsc. طرح شهری. ۲۰۱۹ ، ۱۸۱ ، ۱۶۹-۱۷۸٫ [ Google Scholar ] [ CrossRef ]
  32. 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 ][ Green Version ]
  33. لو، ی. لو، جی. ژانگ، اس. هال، ص. تشخیص و طبقه بندی سیگنال ترافیک در نمای خیابان با استفاده از مدل توجه. محاسبه کنید. Vis. رسانه ۲۰۱۸ ، ۴ ، ۲۵۳-۲۶۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. فن، اچ. ژائو، سی. یانگ، ی. تحلیلی جامع از تغییرات مکانی-زمانی آلودگی هوای شهری در چین طی سال‌های ۲۰۱۴-۲۰۱۸٫ اتمس. محیط زیست ۲۰۲۰ ، ۲۲۰ ، ۱۱۷۰۶۶٫ [ Google Scholar ] [ CrossRef ]
  35. آهنگ، ز. دنگ، س. Ren، Z. همبستگی و تحلیل رگرسیون مؤلفه اصلی برای مطالعه کیفیت هوا و عناصر هواشناسی در ووهان، چین. محیط زیست Prog. حفظ کنید. انرژی ۲۰۱۹ , ۳۹ . [ Google Scholar ] [ CrossRef ]
  36. وزارت اکولوژی و محیط زیست جمهوری خلق چین. تعیین مواد جوی PM10 و PM2.5 در هوای محیط با روش گرانشی (HJ 618-2011). در دسترس آنلاین: http://www.mee.gov.cn/ywgz/fgbz/bz/bzwb/jcffbz/201109/W020120130460791166784.pdf (در ۱۰ ژانویه ۲۰۲۰ قابل دسترسی است).
  37. وزارت اکولوژی و محیط زیست جمهوری خلق چین. مشخصات و روش های آزمایش برای سیستم نظارت خودکار مداوم کیفیت هوای محیط برای SO ۲ , NO ۲ , O ۳ و CO (HJ 654-2013). در دسترس آنلاین: http://www.cnemc.cn/jcgf/dqhj/201711/P020181010540087558130.pdf (در ۱۰ ژانویه ۲۰۲۰ قابل دسترسی است).
  38. وزارت اکولوژی و محیط زیست جمهوری خلق چین. مقررات فنی در مورد شاخص کیفیت هوای محیط (در حال آزمایش) (HJ 633-2012). در دسترس آنلاین: http://www.mee.gov.cn/ywgz/fgbz/bz/bzwb/jcffbz/201203/W020120410332725219541.pdf (در ۱۰ ژانویه ۲۰۲۰ قابل دسترسی است).
  39. ارسنجانی، ج. مونی، پی. Zipf، A. OpenStreetMap در GIScience: تجربیات، تحقیقات، کاربردها . Springer: Cham, Switzerland, 2015. [ Google Scholar ]
  40. Lu, Y. انجمن سبزی شهری و رفتار پیاده‌روی: استفاده از نمای خیابان گوگل و تکنیک‌های یادگیری عمیق برای تخمین قرار گرفتن ساکنان در معرض سبزی شهری. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۸ ، ۱۵ ، ۱۵۷۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  41. ژو، بی. خسلا، ع. Lapedriza، A. آشکارسازهای شیء در CNNهای صحنه عمیق ظاهر می شوند. arXiv ۲۰۱۴ ، arXiv:1412.6856. [ Google Scholar ]
  42. او، ک. ژانگ، ایکس. رن، اس. Sun، J. یادگیری باقیمانده عمیق برای تشخیص تصویر. در مجموعه مقالات کنفرانس IEEE 2016 در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، لاس وگاس، NV، ایالات متحده آمریکا، ۲۷ تا ۳۰ ژوئن ۲۰۱۶؛ صص ۷۷۰-۷۷۸٫ [ Google Scholar ]
  43. کوردتس، ام. عمران، م. راموس، اس. رهفلد، تی. انزوایلر، م. بننسون، آر. فرانکه، یو. راث، اس. Schiele, B. مجموعه داده های Cityscapes برای درک معنایی صحنه شهری. در مجموعه مقالات کنفرانس IEEE 2016 در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، لاس وگاس، NV، ایالات متحده آمریکا، ۲۷ تا ۳۰ ژوئن ۲۰۱۶؛ صص ۳۲۱۳–۳۲۲۳٫ [ Google Scholar ]
  44. یانگ، جی. ژائو، ال. مک براید، جی. گونگ، پی. آیا می توانید سبز را ببینید؟ ارزیابی دید جنگل های شهری در شهرها. Landsc. طرح شهری. ۲۰۰۹ ، ۹۱ ، ۹۷-۱۰۴٫ [ Google Scholar ] [ CrossRef ]
  45. لی، ایکس. ژانگ، سی. لی، دبلیو. ریکارد، آر. منگ، کیو. ژانگ، دبلیو. ارزیابی فضای سبز شهری در سطح خیابان با استفاده از نمای خیابان گوگل و نمایه نمای سبز اصلاح شده. شهری برای. سبز شهری. ۲۰۱۵ ، ۱۴ ، ۶۷۵-۶۸۵٫ [ Google Scholar ] [ CrossRef ]
  46. Akaike, H. نگاهی جدید به شناسایی مدل آماری. IEEE Transact. خودکار کنترل ۱۹۷۴ ، ۱۹ ، ۷۱۶-۷۲۳٫ [ Google Scholar ] [ CrossRef ]
  47. شوارتز، جی. برآورد ابعاد یک مدل. ان آمار ۱۹۷۸ ، ۶ ، ۳۱-۳۸٫ [ Google Scholar ] [ CrossRef ]
  48. Fabozzi، FJ; فوکاردی، اس ام. Rachev, ST The Basics of Financial Econometrics (ابزارها، مفاهیم و کاربردهای مدیریت دارایی) در پیوست E: معیار انتخاب مدل: AIC و BIC [M] ; John Wiley & Sons Inc.: Hoboken, NJ, USA, 2014. [ Google Scholar ]
  49. وانگ، ی. کانگ، ی. Chen, Y. تأثیر ساختمان‌ها و درختکاری بر انتشار آلاینده‌های هوا در خیابان خیابان. J. Donghua Univ. نات. علمی ۲۰۱۲ ، ۳۸ ، ۷۴۰-۷۴۴٫ [ Google Scholar ]
  50. زو، س. کانگ، ی. یانگ، اف. تأثیر ساختمان‌های بالادست بر میدان‌های جریان و توزیع آلاینده‌ها در دره‌های خیابانی. محیط زیست چین علمی ۲۰۱۵ ، ۳۵ ، ۴۵-۵۴٫ [ Google Scholar ]
  51. فو، ال. هائو، جی. او، دی. ویژگی های انتشار آلاینده ها از وسایل نقلیه موتوری در پکن. چانه. جی. محیط زیست. علمی ۲۰۰۰ ، ۲۱ ، ۶۸-۷۰٫ [ Google Scholar ]
  52. لارکین، ا. Hystad, P. ارزیابی معیارهای قرار گرفتن در معرض نمای خیابان از فضای سبز قابل مشاهده برای تحقیقات بهداشتی. J. Expo. علمی محیط زیست اپیدمیول. ۲۰۱۸ ، ۱ ، ۴۴۷-۴۵۶٫ [ Google Scholar ]
شکل ۱٫ توزیع منطقه مورد مطالعه از سایت های پایش کیفیت هوا و داده های تصویر نمای خیابان. ( الف ) شبکه جاده‌ای و توزیع مکان‌های پایش کیفیت هوا در جاده کمربندی بیرونی شانگهای. ( ب ) جاده و توزیع سایت ها در داخل جاده حلقه پنجم در پکن. ( ج ) جاده و توزیع سایت ها در منطقه اصلی شهری نانجینگ. ( د ) توزیع نقاط نمونه برداری در امتداد خیابان در داخل حلقه بیرونی شانگهای. ( ه ) برای هر سایت، شعاع در نظر گرفته شده از ۱ تا ۵ کیلومتر با فاصله ۱ کیلومتر در بازه زمانی بود. ( f ) توزیع فضایی نقاط نمونه برداری در اطراف یک سایت. ( گدر هر نقطه نمونه برداری، تصاویر نمای خیابان با شش زاویه آزیموت (۰، ۶۰، ۱۲۰، ۱۸۰، ۲۴۰ و ۳۰۰) جمع آوری شد. زاویه عمودی ۰ درجه و وضوح ۶۰۰ × ۶۰۰ پیکسل است.
شکل ۲٫ معماری PSPNet [ ۳۰ ] ( a ) و جریان تقسیم بندی تصویر نمای خیابان ( b ).
شکل ۳٫ میانگین و انحراف معیار (SD) برای هر پارامتر در هر سایت.
شکل ۴٫ نتایج تقسیم بندی تصویر نمای خیابان.
شکل ۵٫ توزیع فضایی GVI_sample و BVI_sample (مقادیر بین ۰~۱). ( الف ) پکن، BVI; ( ب ) نانجینگ، BVI; ( ج ) شانگهای، BVI; ( د ) پکن، GVI; ( ه ) نانجینگ، GVI; ( f ) شانگهای، GVI.

بدون دیدگاه

دیدگاهتان را بنویسید

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

خانهدربارهتماسارتباط با ما