سنجش اجتماعی برای شناسایی کاربری اراضی شهری

خلاصه

استفاده از نقشه‌های کاربری اراضی شهری می‌تواند الگوهای رفتار انسانی را از طریق استخراج ویژگی‌های اجتماعی-اقتصادی و جمعیتی کاربری اراضی شهری آشکار کند. سنجش از دور که اطلاعات دقیق و فراوانی در مورد پیکربندی‌های طیفی، متنی، بافتی و فضایی در اختیار دارد برای به دست آوردن نقشه‌های کاربری زمین که تغییرات محیط شهری را نشان می‌دهد، بسیار مهم است. با این حال، حس اجتماعی برای آشکار کردن ویژگی‌های اجتماعی-اقتصادی و جمعیتی کاربری زمین شهری ضروری است. این رویکرد داده کاوی مربوط به پاکسازی/حذف داده های پرت و یادگیری ماشین است و برای دستیابی به طبقه بندی کاربری زمین از داده های سنجش از راه دور و اجتماعی استفاده می شود. در نقشه‌های تراکم دوچرخه و تاکسی، مقصد روز و تراکم مبدا شبانه منعکس‌کننده کاربری‌های زمین مربوط به کار، از جمله مناطق تجاری و صنعتی است. در مقابل، مقصد شبانه و الگوی تراکم مبدا در روز، الگوی مناطق مسکونی را نشان می‌دهد. ارزیابی دقت نقشه‌های طبقه‌بندی شده کاربری اراضی نشان می‌دهد که ادغام سنجش از دور و اجتماعی، با استفاده از روش درخت تصمیم و جنگل تصادفی، به ترتیب دقت ۸۳ و ۸۶ درصد را به دست می‌دهد. بنابراین، این رویکرد یک طبقه بندی دقیق کاربری اراضی شهری را تسهیل می کند. شناسایی کاربری اراضی شهری می تواند به سیاست گذاران در پیوند دادن فعالیت های انسانی با پیامدهای اجتماعی-اقتصادی کاربری های مختلف شهری کمک کند. دقت ۸۳% و ۸۶% را به دست می دهد. بنابراین، این رویکرد یک طبقه بندی دقیق کاربری اراضی شهری را تسهیل می کند. شناسایی کاربری اراضی شهری می تواند به سیاست گذاران در پیوند دادن فعالیت های انسانی با پیامدهای اجتماعی-اقتصادی کاربری های مختلف شهری کمک کند. دقت ۸۳% و ۸۶% را به دست می دهد. بنابراین، این رویکرد یک طبقه بندی دقیق کاربری اراضی شهری را تسهیل می کند. شناسایی کاربری اراضی شهری می تواند به سیاست گذاران در پیوند دادن فعالیت های انسانی با پیامدهای اجتماعی-اقتصادی کاربری های مختلف شهری کمک کند.

کلید واژه ها:

نقشه کاربری اراضی شهری ; رفتار انسان ؛ سنجش از دور ؛ حس اجتماعی ; درخت تصمیم ; جنگل تصادفی ; ارزیابی دقت

۱٫ معرفی

کاربری زمین شهری حاوی اطلاعات حیاتی برای فعالیت های انسانی برای برنامه ریزی شهری و تحلیل اقتصادی و همچنین مدیریت خطرات و آلودگی است [ ۱ ]. مسائل مرتبط با کاربری زمین به دلیل نقش محوری استفاده از زمین به عنوان علت و پیامد فعالیت های انسانی، توجه قابل توجهی را از سوی جوامع به خود جلب کرده است. تقاضا برای استفاده از نقشه های کاربری اراضی شهری توسط مقامات شهری، محققان و شهروندان به طور پیوسته افزایش یافته است، به ویژه در مناطق در حال توسعه سریع که در آن کسب به موقع اطلاعات کاربری زمین بسیار مهم است [ ۲ ].

کاربری اراضی یک سیستم انسان-محیط است که از رابطه بین فعالیت های انسانی و مؤلفه های مشخصه اجتماعی-اقتصادی، زیست محیطی و جمعیتی زمین شهری تشکیل شده است. با این حال، کشف کاربری‌های زمین از طریق تصاویر سنجش از راه دور، نسبتاً دشوار است [ ۳ ، ۴ ]. بازتاب طیفی ارتباط مستقیمی با ویژگی ها و اشیاء اجتماعی-اقتصادی ندارد. حس اجتماعی به طور کلی به مجموعه‌ای از سنجش و مجموعه‌های داده اشاره دارد که در آن داده‌ها از طرف انسان‌ها یا دستگاه‌ها جمع‌آوری می‌شوند [ ۴ ]]. داده‌های سنجش اجتماعی در شهرها مانند اطلاعات ترافیکی و حرکت جمعیت به ابزار مهمی برای تجزیه و تحلیل مسائل توسعه شهری تبدیل شده‌اند. برای مناطق شهری، شدت حس اجتماعی معمولاً در مراکز شهری زیاد است و فعالیت‌های انسانی نسبتاً متراکم هستند. با این حال، تراکم حس اجتماعی و شدت فعالیت در حومه شهر نسبتا کم است. چنین داده‌های سنجش اجتماعی شامل مسیرهای دوچرخه، مسیرهای تاکسی، سوابق کارت هوشمند در سیستم‌های حمل‌ونقل عمومی، رسانه‌های اجتماعی یا داده‌های شبکه‌های اجتماعی و غیره است [ ۴ ، ۵ ، ۶ ]. مطالعات قبلی از داده‌های سنجش اجتماعی برای نقشه‌برداری الگوهای پویای کاربری زمین شهری [ ۷ ، ۸ ] و سیستم‌های ترافیک و حمل و نقل [ ۵ ، ۶ ] استفاده کرده‌اند.]. تحرک انسان را می توان از دستگاه های آگاه از موقعیت مکانی مانند گیرنده های GPS (سیستم موقعیت یابی جهانی) و تلفن های همراه برای جمع آوری حجم زیادی از داده های مسیر فردی تشخیص داد. با استفاده از مکان های رسانه های اجتماعی [ ۵ ]، موقعیت یابی تلفن همراه [ ۶ ] و داده های ردیابی GPS از رانندگان تاکسی [ ۷ ]] می تواند به درک پویایی تحرک فضایی انسان کمک کند. در این تحقیق از اطلاعات دوچرخه و تاکسی (انتقال و تحویل) برای بررسی رفتار کاربر و الگوهای انسانی در یک شهر استفاده شده است. داده‌های سنجش از دور (تصویر ماهواره‌ای)، و سنجش اجتماعی (سفرهای دوچرخه‌سواری و مسیرهای تاکسی) برای تخمین کاربری‌های زمین شهری جمع‌آوری شد. به ویژه از داده‌های سنجش اجتماعی، توزیع مکانی و زمانی فعالیت‌های انسانی، همراه با طبقه‌بندی تله‌متری فعلی، می‌تواند برای درک توزیع مکانی و زمانی استفاده از زمین و فعالیت‌های انسانی مورد استفاده قرار گیرد. استفاده صرفاً از داده های سنجش از دور ممکن است به دقت طبقه بندی بالایی در یک منطقه شهری، به عنوان مثال، منطقه تجاری و مسکونی دست یابد. مطالعات قبلی حس اجتماعی را در طبقه بندی کاربری زمین در نظر گرفته اند [ ۴ ، ۹، ۱۰ ]. در مطالعه حاضر، حذف عدم قطعیت حسگری اجتماعی یا پاکسازی داده ها در نظر گرفته شده است. سنجش اجتماعی با پاکسازی داده ها اطلاعات بسیار قابل اعتماد و دقیقی را در مورد فعالیت های انسانی در ساختارهای شهری فراهم می کند و بنابراین تخصیص عملکردهای اجتماعی-اقتصادی به مناطق مختلف را تسهیل می کند.

این مطالعه داده‌های سنجش اطلاعات دوچرخه، مسیرهای تاکسی و سنجش از راه دور را برای تخمین استفاده از زمین شهری با استفاده از تمیز کردن داده‌ها و یادگیری ماشین جمع‌آوری می‌کند. با توجه به داده های حس اجتماعی، توزیع مکانی و زمانی فعالیت های انسانی درک توزیع مکانی و زمانی فعالیت های انسانی را غنی می کند. در نهایت، یادگیری ماشین سنجش از دور و سنجش اجتماعی یک طبقه‌بندی کاربری زمین شهری بسیار دقیق را تضمین می‌کند.

۲٫ مواد

۲٫۱٫ منطقه مطالعه

منطقه مورد مطالعه شامل مناطق منهتن، بروکلین و کوئینز در شهر نیویورک، ایالات متحده آمریکا (ایالات متحده آمریکا) است. این مناطق به دلیل ویژگی هایی که برای طبقه بندی کاربری اراضی شهری مناسب هستند انتخاب شده اند. منهتن نه تنها مرکز اقتصادی و اداری شهر است، بلکه پرجمعیت ترین منطقه در شهر نیویورک است. بروکلین چشم انداز دائماً در حال تغییر و جهشی در توسعه املاک و مستغلات دارد. کوئینز یک منطقه شهری با تنوع قومی ارائه می دهد. مساحت منطقه مورد مطالعه تقریباً ۱۳۹ کیلومتر مربع ^استبا مناطق مسکونی، مناطق اداری، مناطق صنعتی، مناطق تفریحی، فضاهای باز و رودخانه ها. بروکلین با ناحیه کوئینز هم مرز است و هر دو ناحیه توسط رودخانه شرقی از منهتن جدا می شوند. منهتن دارای ساختمان های اداری و سرگرمی بسیاری است زیرا مرکز اداری و پرجمعیت ترین منطقه شهر است. پارک مرکزی، که یک فضای باز نمادین است، در منهتن واقع شده است. بروکلین به دلیل جهش توسعه املاک و مستغلات، ساختمان های مسکونی بسیاری دارد. بسیاری از ساختمان های صنعتی نیز در بروکلین برای رفع نیازهای انسان ساخته می شوند. کوئینز از نظر نوع ساختمان دارای توازن توسعه است زیرا یک منطقه شهری متنوع از نظر قومی است.

۲٫۲٫ مجموعه داده ها

در این مطالعه از دو مجموعه داده استفاده شده است: داده های سنجش از دور و داده های سنجش اجتماعی. هر دو مجموعه داده آشکارا در دسترس هستند اما منابع، معانی و اطلاعات متفاوتی دارند. تصاویر سنجش از راه دور نگهبان به داده های سنجش از دور تعلق دارند، در حالی که داده های دوچرخه و تاکسی به داده های سنجش اجتماعی تعلق دارند.

۲٫۲٫۱٫ داده های سنجش از راه دور

تصاویر سنجش از دور Sentinel-2A از نیویورک در ۷ ژوئن ۲۰۱۶ به عنوان منبع داده سنجش از دور استفاده شد. سیزده باند طیفی را می توان در تصاویر نگهبان-۲A یافت، و از امواج مرئی و نزدیک به مادون قرمز تا امواج کوتاه مادون قرمز در وضوح های فضایی از ۱۰ متر تا ۶۰ متر بر روی زمین متغیر است. تصاویر Sentinel-2A دارای وضوح فضایی ۱۰، ۲۰ و ۶۰ متر است. هر نوار در وضوح‌های فضایی مختلف تصاویر نگهبان-۲A عملکرد متفاوتی دارد (به عنوان مثال، نوارهای تفکیک مکانی ۱۰ متر برای طبقه‌بندی پایه پوشش زمین استفاده می‌شوند، نوارها برای وضوح فضایی ۲۰ متر برای افزایش بازیابی استفاده می‌شوند. پارامترهای ژئوفیزیکی، و باندها برای وضوح فضایی ۶۰ متر برای تصحیح اتمسفر و غربالگری سیروس-ابر استفاده می‌شوند. قرمز، سبز، آبی،

۲٫۲٫۲٫ داده های سنجش اجتماعی

داده های دوچرخه و تاکسی به عنوان داده های سنجش اجتماعی در این مطالعه انتخاب شده اند. داده های حسی اجتماعی برای درک رفتار انسان در منطقه مورد مطالعه به نفع مقامات شهری و شهروندان استفاده می شود. مجموعه داده‌های دوچرخه و تاکسی آشکارا در دسترس هستند و داده‌های بازیابی شده یک ماه را پوشش می‌دهند. کل ماه ژوئن سال ۱۳۹۵ به عنوان دوره مطالعه انتخاب شد. مجموعه داده دوچرخه برای این مطالعه از سیستم CitiBike Bikeshare شهر نیویورک بازیابی شده است.

هر رکورد سفر با دوچرخه شامل فیلدهای زیر است:

شناسه سفر: شناسه منحصر به فرد سفر
شناسه دوچرخه: شناسه منحصر به فرد دوچرخه
شناسه ایستگاه خروج: شناسه منحصربه‌فرد ایستگاهی که افراد دوچرخه‌ها را در آنجا اجاره می‌کنند
مختصات ایستگاه خروج: مختصات ایستگاهی که مردم دوچرخه‌ها را اجاره می‌کنند
شناسه ایستگاه ورود: شناسه منحصربه‌فرد ایستگاهی که مردم دوچرخه‌ها را در آن پس می‌دهند
مختصات ایستگاه ورود: مختصات ایستگاهی که مردم دوچرخه‌ها را در آنجا برمی‌گردانند
زمان حرکت: زمانی که یک دوچرخه مربوطه توسط شخصی از اسکله در ایستگاه حرکت اجاره می شود.
زمان ورود: زمانی که یک دوچرخه مربوطه توسط شخصی در اسکله ایستگاه ورود بازگردانده می شود

مجموعه داده تاکسی برای این مطالعه از کمیسیون تاکسی و لیموزین شهر نیویورک بازیابی شده است.

هر رکورد سفر تاکسی شامل فیلدهای زیر است:

شناسه سفر: شناسه منحصر به فرد سفر
مختصات پیک آپ: مختصاتی که تاکسی مسافر را از آنجا می برد
مختصات Drop-Off: مختصاتی که در آن تاکسی مسافر را پیاده می کند
زمان تحویل: زمانی که تاکسی مربوطه مسافر را سوار می کند
Drop-Off Time: زمانی که تاکسی مربوطه مسافر را پیاده می کند

۲٫۲٫۳٫ نقشه OSM

OpenStreetMap (OSM) یک پروژه در حال انجام است که از سال ۲۰۰۴ از طریق میلیون ها مشارکت کننده داوطلب در یک محیط متن باز، محتوای فضایی و موضوعی را در مقیاس سیاره ای تولید می کند [ ۱۱ ]. در این مطالعه، داده‌های شبکه خیابانی و نقطه مورد علاقه (POI) به‌دست‌آمده از OSM که به‌صورت آزاد در دسترس هستند و تحت مجوز Open Data Commons Open Database هستند، استفاده می‌شوند، زیرا OSM نمایش دقیق‌تری از کاربری زمین/پوشش زمین نسبت به سنجش از دور ارائه می‌کند. انجام می دهد [ ۱۲ ]. شکل ۱شبکه خیابانی را برای دو نوع خیابان در OSM نشان می دهد. جاده‌های مناطق مسکونی (بزرگراه = مسکونی) به عنوان خیابان‌های مسکونی و جاده‌های اولیه و فرعی (بزرگراه = اولیه یا فرعی در برچسب‌های OSM) به عنوان خیابان‌های غیرمسکونی در این مطالعه تعریف می‌شوند.

۲٫۲٫۴٫ تعریف کلاس

کاربری زمین و پوشش زمین عوامل کلیدی در درک مسائل مهمی مانند تغییرات آب و هوا، مدیریت منابع طبیعی و برنامه ریزی شهری و منطقه ای هستند [ ۱۳ ]. نقشه پوشش زمین، پوشش فیزیکی و بیولوژیکی یک منطقه (به عنوان مثال، علفزار یا آب) را توصیف می کند، در حالی که نقشه کاربری زمین فعالیت های انسانی (به عنوان مثال، زیرساخت ها) را نشان می دهد [ ۱۴ ، ۱۵ ، ۱۶ ]. برای تهیه نقشه پوشش زمین و کاربری اراضی نیاز به تعریف طبقات است. تعاریف دقیق مقوله های کاربری زمین و دسته بندی ساختمان ها در جدول ۱ ارائه شده است. شش دسته عمده پوشش زمین و کاربری زمین عبارتند از آب، فضای باز، صنعتی، مسکونی، اداری و تفریحی.

۳٫ روش

چارچوب داده کاوی، به عنوان مثال، تجزیه و تحلیل زمانی و مکانی، تمیز کردن داده ها، و یادگیری ماشین، اتخاذ شده در این مطالعه در شکل ۲ ارائه شده است.. مجموعه داده‌های دوچرخه و تاکسی برای درک زمان و مکان افراد در شهر و در نتیجه کشف الگوهای رفتاری انسانی در شهر پردازش شدند. تجزیه و تحلیل زمانی با استخراج مجموعه داده های دوچرخه و تاکسی انجام شد تا مشخص شود مردم چه زمانی در شهر هستند. علاوه بر این، تجزیه و تحلیل زمانی می‌تواند زمان‌های اوج مصرف را که افراد در یک روز دوچرخه‌سواری و تاکسی می‌کنند، نشان دهد. رفتار انسان به دو دسته تقسیم می شود، یعنی رفتار انسان در روزهای هفته و رفتار انسان در آخر هفته. برای تجسم میانگین استفاده از دوچرخه و تاکسی در یک روز، استفاده از دوچرخه و تاکسی یک ماه را بر اساس تعداد هفته‌های یک ماه به چهار تقسیم کردیم. میانگین داده‌های دوچرخه و تاکسی به ۲۴ ساعت تقسیم شد تا زمان‌های اوج مصرف که مردم در یک روز در روزهای هفته و آخر هفته دوچرخه سواری و تاکسی می‌کنند بررسی شود. زمان‌های اوج‌گیری که نشان می‌دهد چه زمانی مردم در یک روز بیشترین دوچرخه و تاکسی را سوار می‌کنند، چهارشنبه و یکشنبه در این مطالعه شناسایی شدند. داده های دوچرخه و تاکسی در روز چهارشنبه، که یک روز هفته را نشان می دهد. و در روز یکشنبه، که نشان دهنده تعطیلات آخر هفته است، برای ایجاد استفاده از دوچرخه و تاکسی انتخاب شدند. در همین حال، تجزیه و تحلیل فضایی با تجزیه و تحلیل نقشه های تراکم دوچرخه و تاکسی انجام شد تا مشخص شود مردم در کجای شهر هستند. نقشه های تراکم دوچرخه ها و تاکسی ها باید با استفاده از تخمین تراکم هسته (اندازه پیکسل = ۱۰ متر، شعاع جستجو = ۱۰۰ متر) تولید شوند. اطلاعات مکان مختصات، مختصات دقیق مکان‌هایی را که افراد دوچرخه سوار می‌کنند و برمی‌گردانند در نقشه ایستگاه دوچرخه و جایی که رانندگان تاکسی مسافران را سوار و پیاده می‌کنند، نشان می‌دهد. نقشه تراکم دوچرخه و تاکسی را می توان از طریق استفاده مردم از دوچرخه و تاکسی در شهر به دست آورد. نقشه تراکم مبدا مکانی را نشان می دهد که مردم با دوچرخه از ایستگاه ها خارج می شوند یا از مکان های سوار تاکسی می شوند. نقشه تراکم مقصد، مکان افرادی را نشان می دهد که دوچرخه های خود را در ایستگاه های ورود برمی گردانند یا از تاکسی ها در مکان های تخلیه خود پیاده می شوند.

از آنجایی که توزیع نقطه دوچرخه و تاکسی حاوی عوامل و عوامل نامشخص است، پاکسازی داده ها برای حذف آنها انجام شد. نقاط پرت موجود در نقشه های تراکم با استفاده از شبکه خیابان حذف شدند. فرآیند پاکسازی داده ها شامل مجموعه داده های OSM بود. پس از پاکسازی داده ها، نقشه های تراکم دوچرخه و تاکسی موثر برای کاربری زمین تولید شد. همه این مراحل برای آشکارسازی الگوهای رفتاری انسان در شهر مورد استفاده قرار گرفت. این مراحل برای طبقه بندی کاربری زمین از طریق ادغام داده های سنجش از دور و سنجش اجتماعی استفاده شد. در نهایت از روش درخت تصمیم و جنگل تصادفی در طبقه بندی کاربری اراضی از نمونه های آموزشی استفاده شد. نمونه‌گیری آموزشی با همپوشانی داده‌های تصاویر سنجش از دور و نقشه‌های تراکم دوچرخه و تاکسی انجام شد. تصاویر سنجش از راه دور و نقشه های تراکم دوچرخه و تاکسی، به عنوان مثال، مبدا و مقصد در قله اول و دوم، به عنوان ویژگی برای طبقه بندی انتخاب شدند. برای ارزیابی دقت، نمونه‌گیری آزمایشی بر اساس MapPLUTO انجام شد که دولت نیویورک از آن به عنوان حقیقت زمین یا نقشه مرجع استفاده می‌کند. طبقه بندی پوشش زمین و کاربری اراضی شامل آب، فضای باز، صنعتی، مسکونی، اداری و تفریحی بود.

۳٫۱٫ پاکسازی داده ها

پاکسازی داده‌ها برای حذف نقاط پرت از توزیع نقطه دوچرخه و تاکسی انجام شد. نقاط پرت، به عنوان مثال، نقاط داده دور از خیابان های تجاری و مسکونی، حذف شدند. همانطور که در این مطالعه مشخص شد، اکثر مردم در منطقه مورد مطالعه تمایل دارند در طول روزهای هفته دوچرخه سواری و تاکسی کنند تا از خانه خود به دفتر خود بروند. در مقابل، اکثر مردم در تعطیلات آخر هفته برای رفتن به مناطق تفریحی از خانه خود دوچرخه سواری و تاکسی می کنند. تحت این پدیده، نقاط دورتر ظاهر می شوند زیرا برخی از افراد در طول روزهای هفته برای رفتن به مکان هایی غیر از دفاتر خود، دوچرخه و تاکسی می رانند. به همین ترتیب، برخی افراد در تعطیلات آخر هفته برای رفتن به مکان‌هایی غیر از مکان‌های تفریحی دوچرخه و تاکسی می‌روند. بنابراین، OSM برای غلبه بر این نوع نقاط پرت مورد استفاده قرار گرفت. دو نوع خیابان به دست آمده از OSM، یعنی از خیابان های غیر مسکونی و خیابان های مسکونی برای حذف نقاط پرت استفاده شد. خیابان مسکونی در یک منطقه مسکونی واقع شده است، در حالی که خیابان غیر مسکونی نزدیک به یک منطقه اداری واقع شده است. بر اساس مشاهده داده‌های OSM در منطقه مورد مطالعه، نقاط تفریحی نیز در امتداد خیابان‌های غیرمسکونی قرار دارند.

۳٫۲٫ درخت تصمیم

درخت تصمیم متعلق به طبقه بندی نظارت شده است که اغلب در طبقه بندی کاربری زمین استفاده می شود زیرا یک الگوریتم کارآمد برای طبقه بندی مجموعه داده های بزرگ است. درخت تصمیم می‌تواند اندازه‌گیری داده‌ها را در مقیاس‌های مختلف بدون هیچ فرضی در مورد توزیع فراوانی داده‌ها اداره کند [ ۱۷ ]. این یک استراتژی طبقه بندی از بالا به پایین بر اساس قوانین انتخاب شده خودکار است که مجموعه ای از موجودیت های داده شده را به کلاس های کوچک تقسیم می کند [ ۱۸ ]. چندین الگوریتم یادگیری درخت تصمیم پیشنهاد شده‌اند که شامل طبقه‌بندی و درخت رگرسیون (CART) [ ۱۹ ]، نسخه ۳ (ID3) تکرارشونده می‌شوند .] و C4.5 (نسخه صنعتی ID3). این الگوریتم‌ها روش‌های متفاوتی برای تعیین کمیت تمایز و معیارهای متفاوتی دارند که ممکن است موجودیت‌های مجموعه داده ورودی مستقل از آن‌ها باشند. CART پردازش شده با استفاده از محیط برنامه نویسی R (بسته rpart) در این مطالعه استفاده شد.

۳٫۳٫ جنگل تصادفی

جنگل تصادفی یک روش یادگیری مجموعه ای است که از چندین درخت تصمیم ساخته شده به طور مستقل استفاده می کند، که هر کدام از یک نمونه بوت استرپ منحصر به فرد از داده ها استفاده می کنند [ ۲۱ ]. الگوریتم جنگل تصادفی دارای دو سطح تصادفی سازی در هر درخت است [ ۲۲ ]. اولین مورد، تجمیع بوت استرپ است که در آن یک زیرمجموعه تصادفی متشکل از دو سوم داده ها با جایگزینی داده های آموزشی و بخش باقی مانده از داده ها نمونه برداری می شود. سطح دوم تصادفی سازی در هر گره درخت تصمیم فردی است. تصادفی سازی بهترین تقسیم را در بین متغیرها مشخص می کند. نتایج طبقه بندی را می توان با استفاده از اکثریت رای از همه درخت های تصمیم به دست آورد، و رای برای هر درخت وزن یکسانی دارد [ ۲۳ ]]. در این تحقیق مدل جنگل تصادفی با استفاده از محیط برنامه نویسی R (بسته جنگل تصادفی) پردازش شده است. تنظیم پارامتر پیش فرض، یعنی ۵۰۰ ntrees (تعداد درخت) استفاده می شود.

۳٫۴٫ آموزش و آزمون نمونه گیری

دولت نیویورک یک نقشه کاربری اراضی قابل دسترسی به نام MapPLUTO دارد که از اداره برنامه ریزی شهر نیویورک (NYC Planning) تهیه شده است. MapPLUTO در سال ۲۰۱۶ ایجاد شد و شامل کاربری گسترده زمین و داده های جغرافیایی در قالب های shapefile و geodatabase است. MapPLUTO همچنین داده‌های PLUTO را ادغام می‌کند، که حاوی داده‌های کاربری گسترده زمین و داده‌های جغرافیایی در سطح مالیات در قالب فایل مقدار جدا شده با کاما (CSV) است و توسط سازمان‌های شهری با نقشه مالیاتی دیجیتال وزارت دارایی (NYC, 2018) نگهداری می‌شود. ). بنابراین، نمونه های آموزشی و آزمایشی در این کار بر اساس MapPLUTO انجام شد که به عنوان نقشه مرجع عمل می کند. از ۷۰۰ نمونه آموزشی برای ساخت مدل درخت تصمیم و جنگل تصادفی استفاده می شود. ۳۰۰ نمونه آزمایش برای اندازه گیری دقت نقشه های طبقه بندی شده استفاده شد.شکل ۳ MapPLUTO را به عنوان نقشه مرجع نشان می دهد.

۳٫۵٫ ارزیابی دقت

ارزیابی دقت مهمترین مرحله در هر روش طبقه بندی است زیرا نشان می دهد که نتایج طبقه بندی چقدر دقیق هستند [ ۲۴ ]]. در این مطالعه، ارزیابی دقت برای بررسی میزان دقیق بودن مدل انجام شد. به طور خاص، درصد نمونه آزمایشی از نقشه مرجع که به درستی توسط مدل طبقه بندی شده بود، برآورد شد. روش ماتریس سردرگمی به عنوان ابزار ارزیابی دقت در این پژوهش انتخاب شد. به طور کلی، ماتریس سردرگمی چهار نوع دقت، یعنی دقت کلی، دقت سازنده، دقت کاربر و ضریب کاپا را شناسایی می کند. دقت کلی نشان دهنده درصد کل مرجع یا داده های واقعی است که به درستی توسط مدل طبقه بندی شده اند. دقت کاربر نشان‌دهنده درصدی از مدل است که واقعاً روی مرجع نشان داده شده توسط نقشه‌ساز یا از دیدگاه کاربر وجود دارد.۲۵ ]. ماتریس سردرگمی ارزیابی دقت برای بررسی میزان خوب بودن مدل با استفاده از نمونه‌های آزمایشی MapPLUTO ایجاد شد.

۴٫ نتایج و بحث

۴٫۱٫ تجزیه و تحلیل زمانی داده های دوچرخه و تاکسی

الگوهای رفتاری انسان را می توان از طریق تجزیه و تحلیل زمانی تعیین کرد، که در این مطالعه برای مشخص کردن زمان حضور افراد در شهر بر اساس استفاده از دوچرخه و تاکسی انجام شد.

۴٫۱٫۱٫ زمان هفته

شکل ۴میانگین استفاده از دوچرخه و تاکسی در یک روز هفته را نشان می دهد. این الگو میانگین تعداد افرادی را نشان می دهد که در یک دوره ۲۴ ساعته در طول روزهای هفته در کل ماه ژوئن ۲۰۱۶ دوچرخه سواری و تاکسی می کردند. بینش های جالبی را می توان از نتایج بدست آورد. به عنوان مثال، میانگین استفاده از دوچرخه و تاکسی در روزهای هفته دارای دو زمان اوج مصرف است، یعنی ۰۸:۰۰-۰۹:۰۰ و ۱۸:۰۰-۱۹:۰۰٫ اولی به دوره ای اشاره دارد که مردم برای رفتن به دفتر خانه را ترک می کنند. مورد دوم به دوره ای اشاره دارد که افراد دفتر را برای رفتن به خانه ترک می کنند. نکته جالب دیگر شباهت نمودارهای استفاده از دوچرخه و تاکسی در روزهای هفته است. هر دو نمودار کاهش استفاده را از ۰۰:۰۰ تا ۰۱:۰۰ تا ۰۳:۰۰ تا ۰۴:۰۰ نشان می‌دهند که نشان‌دهنده استفاده محدود از دوچرخه و تاکسی در آن زمان‌ها است. هر دو نمودار همچنین افزایش استفاده را از ساعت ۰۴:۰۰ تا ۰۵:۰۰ تا ۰۸:۰۰ تا ۰۹:۰۰ نشان می دهند. نشان دهنده استفاده منظم مردم از دوچرخه و تاکسی برای سفر به محل کار است. کاهش دیگری از ساعت ۰۹:۰۰ تا ۱۰:۰۰ تا ۱۲:۰۰ تا ۱۳:۰۰ مشاهده می شود که نشان دهنده دوره هایی است که افراد در حال کار هستند. افزایش استفاده از ساعت ۱۳:۰۰ تا ۱۴:۰۰ تا ۱۸:۰۰ تا ۱۹:۰۰ مشاهده می شود که به ترتیب نشان دهنده زمان استراحت ناهار و خروج افراد از دفتر است.

۴٫۱٫۲٫ زمان آخر هفته

شکل ۵ میانگین استفاده از دوچرخه و تاکسی را در تعطیلات آخر هفته نشان می دهد. نتایج نشان دهنده میانگین تعداد افرادی است که در یک دوره ۲۴ ساعته در تعطیلات آخر هفته در کل ماه ژوئن ۲۰۱۶ دوچرخه سواری و تاکسی سواری کردند. همچنین می توان بینش های جالبی را از نتایج بدست آورد. اول، میانگین استفاده از دوچرخه و تاکسی در تعطیلات آخر هفته، زمان های مختلف اوج مصرف را نشان می دهد. داده‌های استفاده از دوچرخه یک زمان اوج مصرف را از ساعت ۱۷:۰۰ تا ۱۸:۰۰ نشان می‌دهد، در حالی که داده‌های استفاده از تاکسی یک زمان اوج مصرف را در ساعت ۱۸:۰۰ تا ۱۹:۰۰ نشان می‌دهد. این نتیجه نشان دهنده تفاوت یک ساعته در استفاده مردم از دوچرخه و تاکسی است که تمایل به ایجاد الگوی مشابه دارد. زمان های پیک آخر هفته به دوره ای اطلاق می شود که اکثر مردم برای رفتن به مناطق تفریحی از خانه خود با دوچرخه و تاکسی می روند و بالعکس.

نمودارهای استفاده از دوچرخه و تاکسی در تعطیلات آخر هفته مشابه است. نمودارهای آخر هفته کاهش استفاده از دوچرخه و تاکسی را به ترتیب از ساعت ۰۰:۰۰ تا ۰۱:۰۰ تا ۰۵:۰۰ تا ۰۶:۰۰ و از ۰۶:۰۰ تا ۰۷:۰۰ نشان می دهد. این نتیجه نشان می دهد که مردم در آن زمان ها به ندرت دوچرخه سواری و تاکسی می کنند. علاوه بر این، هر دو نمودار افزایش استفاده از دوچرخه و تاکسی را به ترتیب تا ساعات اوج ۱۷:۰۰ تا ۱۸:۰۰ و ۱۸:۰۰ تا ۱۹:۰۰ نشان می‌دهند. این نتیجه نشان می دهد که مردم در آن مواقع برای رفتن به مناطق تفریحی دوچرخه سواری و تاکسی می کنند. نمودارها همچنین کاهش تا نیمه شب را نشان می دهند که نشان دهنده دوره ای است که مردم مناطق تفریحی را برای رفتن به خانه ترک می کنند.

۴٫۲٫ تحلیل فضایی نقشه های تراکم دوچرخه و تاکسی

نقشه‌های تراکم دوچرخه و تاکسی برای آن زمان‌های اوج مصرف برای نشان دادن رفتار انسان در شهر با تجسم مناطقی که مردم در آن دوچرخه‌سواری و تاکسی می‌روند، به دست آمد. نقشه های تراکم دوچرخه و تاکسی به دو نقشه تراکم مبدا و نقشه مقصد تقسیم شدند.

۴٫۲٫۱٫ زمان هفته

استفاده از دوچرخه و تاکسی در روزهای هفته دو زمان اوج مصرف را نشان داد. ساعت اوج اول ساعت ۰۸:۰۰ تا ۰۹:۰۰ و ساعت اوج دوم ساعت ۱۸:۰۰ تا ۱۹:۰۰ است. اولی نشان‌دهنده دوره‌ای است که مردم برای رفتن به محل کارشان بیشتر از همه دوچرخه و تاکسی می‌کنند، در حالی که دومی نشان‌دهنده دوره‌ای است که مردم بیشتر از همه برای رفتن به خانه دوچرخه و تاکسی می‌روند. بنابراین، نقشه‌های تراکم دوچرخه و تاکسی در مناطق مبدأ و مقصد در اولین ساعت پیک (۰۸:۰۰ تا ۰۹:۰۰) و در زمان اوج دوم (۱۸:۰۰ تا ۱۹:۰۰) در طول روزهای هفته ایجاد شد تا انسان را آشکار کند. رفتار در شهر شکل ۶ و شکل ۷نقشه‌های تراکم دوچرخه و تاکسی را در اولین و دومین زمان اوج هفته در مناطق مبدأ و مقصد نشان دهید. نقاط داغ تراکم دوچرخه و تاکسی در اولین زمان پیک روز هفته (۰۸:۰۰ تا ۰۹:۰۰) مناطق مسکونی در نقشه تراکم مبدا و مناطق اداری در نقشه تراکم مقصد هستند. زمان اوج روز دوم هفته (۱۸:۰۰ تا ۱۹:۰۰) در مناطق اداری در نقشه تراکم مبدا و در مناطق مسکونی در نقشه تراکم مقصد رخ می دهد.

۴٫۲٫۲٫ زمان آخر هفته

در تعطیلات آخر هفته، استفاده از دوچرخه یک ساعت اوج مصرف را در ساعت ۱۷:۰۰ تا ۱۸:۰۰ نشان می دهد، در حالی که استفاده از تاکسی یک زمان اوج مصرف را در ساعت ۱۸:۰۰ تا ۱۹:۰۰ نشان می دهد. این نتیجه نشان دهنده تفاوت یک ساعته در زمان اوج و یک الگوی مشابه است. زمان‌های اوج مصرف آخر هفته به دوره‌هایی اطلاق می‌شود که مردم برای رفتن به مناطق تفریحی از خانه خود و بالعکس، بیشتر دوچرخه و تاکسی می‌روند. نقشه‌های تراکم مبدا و مقصد استفاده از دوچرخه در ساعات اوج آخر هفته از ساعت ۱۷:۰۰ تا ۱۸:۰۰ و استفاده از تاکسی در زمان اوج تعطیلات آخر هفته از ساعت ۱۸:۰۰ تا ۱۹:۰۰ برای آشکار کردن رفتار انسانی در شهر ایجاد شد.

در شکل ۸ ، مکان هایی که مردم در زمان اوج استفاده از دوچرخه و تاکسی در آخر هفته در منطقه مبدا و مقصد هستند، مناطق مسکونی و تفریحی هستند. علاوه بر این، مکان‌هایی که مردم در زمان اوج آخر هفته دوم استفاده از دوچرخه در منطقه مبدا و مقصد هستند، مناطق تفریحی و مسکونی را نشان می‌دهند.

به طور کلی، افراد در منطقه مبدا در اولین زمان اوج مصرف در یک روز هفته در یک منطقه مسکونی قرار دارند و منطقه مقصد آنها یک منطقه اداری است. در زمان اوج دوم در یک روز هفته، مردم سفر خود را در یک منطقه اداری آغاز می کنند و منطقه مقصد آنها یک منطقه مسکونی است. زمان اوج تعطیلات آخر هفته به دوره‌هایی گفته می‌شود که مردم برای رفتن به مناطق تفریحی از خانه‌های خود بیشتر دوچرخه‌سواری و تاکسی می‌کنند و بالعکس. بر اساس استفاده از دوچرخه و تاکسی، رفتار انسان در یک شهر قابل شناسایی و تحلیل است. نقاط داغ استفاده از دوچرخه و تاکسی در مناطق منبع ترافیک با شدت ترافیک و الگوهای کاربری زمین مرتبط است [ ۴ ، ۱۰ ].

۴٫۳٫ اثرات پاکسازی داده ها بر توزیع نقطه

توزیع دوچرخه و نقطه تاکسی مکانی را نشان می دهد که مردم در آن دوچرخه و تاکسی سوار می شوند. پاکسازی داده ها برای حذف نقاط پرت از توزیع نقطه دوچرخه و تاکسی با استفاده از دفتر OSM و خیابان های مسکونی انجام شد.

۴٫۳٫۱٫ زمان هفته

استفاده از دوچرخه و تاکسی در روزهای هفته یکسان ساعت‌های اوج مصرف را در ساعت‌های ۰۸:۰۰ تا ۰۹:۰۰ و ۱۸:۰۰ تا ۱۹:۰۰ نشان می‌دهد. اولی به دوره ای اشاره دارد که مردم برای خروج از خانه و رفتن به دفتر دوچرخه و تاکسی سوار می شوند. مورد دوم به دوره ای اشاره دارد که مردم برای ترک دفتر و رفتن به خانه، دوچرخه و تاکسی می رانند.

روش تمیز کردن داده ها برای حذف نقاط پرت توزیع نقطه در مکان های مبدا و مقصد با استفاده از خیابان های مسکونی و غیر مسکونی به کار گرفته شد. در زمان اوج ۰۸:۰۰ تا ۰۹:۰۰، توزیع نقطه در مکان های مبدا و مقصد، یک منطقه مسکونی واقع در یک خیابان مسکونی و یک منطقه اداری واقع در یک خیابان غیرمسکونی را نشان می دهد. بنابراین، در ساعت اوج ۰۸:۰۰ الی ۰۹:۰۰، نقاط پرت توزیع نقطه در محل مبدا که در یک خیابان مسکونی قرار ندارد، و در محل مقصد که در یک خیابان غیرمسکونی قرار ندارد، باید حذف شود ( شکل ۹). و شکل ۱۰). در زمان اوج ۱۸:۰۰ تا ۱۹:۰۰، توزیع نقطه در محل مبدا یک منطقه مسکونی را در یک خیابان غیرمسکونی نشان می دهد، در حالی که در مکان مقصد، یک منطقه مسکونی را در یک خیابان مسکونی نشان می دهد. بنابراین، در ساعت اوج ۱۸:۰۰ الی ۱۹:۰۰، نقاط پرت توزیع نقطه در محل مبدا که در خیابان غیرمسکونی قرار ندارد و در مکان مقصد که در خیابان مسکونی قرار ندارد، باید حذف شود. توزیع‌های دوچرخه و نقطه تاکسی در همان زمان‌های پیک قبل و بعد از پاک‌سازی داده‌ها ایجاد شد ( شکل ۱۱ و شکل ۱۲ ).

۴٫۳٫۲٫ زمان آخر هفته

ساعات اوج استفاده از دوچرخه و تاکسی در آخر هفته به ترتیب ۱۷:۰۰ تا ۱۸:۰۰ و ۱۸:۰۰ تا ۱۹:۰۰ است. در این ساعات اوج تعطیلات آخر هفته، اکثر مردم با دوچرخه و تاکسی از خانه خارج شده و به مناطق تفریحی می روند. روش پاکسازی داده‌ها برای حذف نقاط پرت توزیع نقطه در مکان‌های مبدا و مقصد با استفاده از خیابان‌های مسکونی و غیرمسکونی اجرا شد. در زمان اوج استفاده از دوچرخه و تاکسی، توزیع نقطه در محل مبدا، یک منطقه مسکونی واقع در یک خیابان مسکونی را نشان می‌دهد، در حالی که در مکان مقصد، یک منطقه تفریحی واقع در یک خیابان غیرمسکونی را نشان می‌دهد. بنابراین، در زمان اوج استفاده از دوچرخه و تاکسی، نقاط پرت توزیع نقطه در محل مبدأ نه در یک خیابان مسکونی و آنهایی که در مکان مقصد در یک منطقه تفریحی در یک خیابان غیرمسکونی نیستند باید حذف شوند. توزیع دوچرخه و نقطه تاکسی در زمان های مختلف اوج مصرف قبل و بعد از تمیز کردن داده ها نشان داده شده استشکل ۱۳ و شکل ۱۴ به ترتیب.

۴٫۴٫ ارزیابی دقت مدل کاربری اراضی

جدول ۲دقت کلی متفاوت و مقادیر ضریب کاپا مدل های کاربری زمین شهری را برای شش کلاس نشان می دهد. تنها با در نظر گرفتن اطلاعات سنجش از دور، دقت کلی درخت تصمیم ۶۹ درصد بود، در حالی که دقت کلی جنگل تصادفی به ترتیب ۶۳ درصد بود. با استفاده از داده های از راه دور و اجتماعی، دقت کلی درخت تصمیم به ۷۸٪ افزایش می یابد، در حالی که دقت کلی جنگل تصادفی به ۸۱٪ افزایش می یابد. پس از پاکسازی داده ها، دقت کلی درخت تصمیم به ۸۳ درصد می رسد در حالی که دقت کلی جنگل تصادفی به ۸۶ درصد می رسد. بهترین ضرایب کاپا نقشه طبقه بندی درخت تصمیم و نقشه طبقه بندی جنگل تصادفی به ترتیب ۸۰/۰ و ۸۲/۰ بود. نتایج نشان می‌دهد که پاکسازی داده‌های مؤثر داده‌های سنجش از راه دور و اجتماعی، طبقه‌بندی دقیق کاربری اراضی شهری را تضمین می‌کند.

جدول A1 , جدول A2 , جدول A3 , جدول A4 , جدول A5 و جدول A6به ترتیب ماتریس سردرگمی درخت تصمیم و نقشه‌های طبقه‌بندی جنگل تصادفی ناشی از ادغام سنجش از راه دور و اجتماعی با استفاده از پاکسازی داده‌ها را نشان می‌دهد. نتیجه حاکی از بهبود چشمگیر با ادغام داده‌های سنجش از راه دور اجتماعی و پاکسازی داده‌ها نسبت به استفاده انحصاری از داده‌های سنجش از دور است. تنها با استفاده از سنجش از دور، دقت کاربر و تولید کننده در مناطق تفریحی، صنعتی، تجاری و مسکونی پایین است. در طبقه‌بندی کاربری اراضی شهری، استفاده از ترکیب داده‌های سنجش از راه دور و اجتماعی با پاک‌سازی داده‌ها بر استفاده از سنجش از راه دور برتری دارد. درخت تصمیم را به عنوان مثال در نظر بگیرید. دقت کاربر (خطای کمیسیون) در مناطق اداری، مسکونی و صنعتی (به ترتیب ۱۸٪، ۲۵٪ و ۲۱٪) بهبود می یابد.

۴٫۵٫ نقشه کاربری اراضی شهری

نقشه طبقه بندی شده کاربری زمین به سه روش تولید می شود، یعنی فقط با استفاده از داده های سنجش از دور، با استفاده از ادغام داده های سنجش از دور و سنجش اجتماعی بدون پاکسازی داده ها، و استفاده از یکپارچه سازی هر دو داده با پاکسازی داده ها. شکل ۱۵ و شکل ۱۶نتایج مقایسه را برای شش دسته نقشه طبقه بندی شده کاربری اراضی از سه روش ذکر شده بر اساس درخت تصمیم گیری و طبقه بندی تصادفی جنگل نشان می دهد. تمام نتایج نقشه طبقه‌بندی‌شده کاربری زمین نشان می‌دهد که توزیع مناطق صنعتی در بروکلین برای شش کلاس نقشه‌های طبقه‌بندی شده درخت تصمیم و کاربری جنگل تصادفی که از ادغام داده‌های سنجش از راه دور و اجتماعی بدون تمیز کردن داده‌ها استفاده می‌کنند، تصادفی است. توزیع دفاتر در نقشه طبقه‌بندی‌شده جنگل تصادفی‌تر از نقشه طبقه‌بندی درخت تصمیم زمانی است که فقط از سنجش از دور استفاده می‌شود. جنگل تصادفی بدیهی است که برای تولید مناطق اداری به داده های حسگر اجتماعی نیاز دارد.

از طریق داده های سنجش اجتماعی اضافی، عملکرد مدل را می توان بهبود بخشید. ترکیب داده‌های سنجش از راه دور و اجتماعی روشی امیدوارکننده برای نقشه‌برداری دقیق کاربری زمین شهری در یک منطقه بزرگ شهری است [ ۹ ]. نقشه های تراکم دوچرخه و تاکسی برای تخمین قابل اعتماد شدت، مدت و فرکانس الگوهای فعالیت انسان اعمال می شود [ ۲۶ ]. با این حال، ممکن است تعصب یا عدم قطعیت خاصی نسبت به استفاده از داده های اجتماعی برای شناسایی انواع کاربری اراضی شهری یک شهر وجود داشته باشد [ ۲۶ ]]. به عنوان مثال، افرادی که در روزهای هفته از دوچرخه یا تاکسی استفاده می کنند، همیشه از خانه خود به مناطق اداری سفر نمی کنند، مثلاً از خانه به مکان های آموزشی می روند. با این وجود، اکثر مردم از دوچرخه و تاکسی برای خروج از خانه و رفتن به مناطق اداری در روزهای هفته استفاده می کنند. بر اساس قاعده داده شده، نقاط پرت که به مناطق مسکونی و اداری تعلق ندارند در نقشه های تراکم حذف می شوند. پس از پاکسازی داده ها، الگوهای کاربری زمین شهری با استفاده از هر دو مدل، ۵ درصد بهبود در دقت کلی را در مقایسه با الگوهای به دست آمده بدون پاکسازی داده نشان می دهد.

شناسایی کاربری زمین مبتنی بر سنجش می‌تواند به سیاست‌گذاران کمک کند تا شدت کاربری زمین و فعالیت‌های انسانی را با پیامدهای اجتماعی-اقتصادی کاربری‌های مختلف شهری در یک منظر مرتبط کنند. بر اساس رویکرد پیشنهادی، ما تحقیقات بیشتری را برای شناسایی الگوهای طبقات کاربری زمین شهری، مانند فشردگی یک نوع کاربری مشخص، درجه تغییر شهری و نرخ گسترش انجام خواهیم داد [ ۲۷ ].

۵٫ نتیجه گیری ها

این مطالعه بر در نظر گرفتن الگوهای پویا مرتبط با فعالیت‌ها و رفتارهای انسانی مختلف برای طبقه‌بندی کاربری اراضی شهری متمرکز بود. این مطالعه با موفقیت نقشه های تراکم را ایجاد کرد تا نشان دهد که اکثر مردم در زمان اوج شهر در کجا قرار دارند. نقشه‌های تراکم دوچرخه و تاکسی مناطق مبدأ و مقصد در روزهای هفته، موقعیت مناطق مسکونی و اداری را نشان می‌دهند، در حالی که در تعطیلات آخر هفته، مکان مناطق مسکونی و تفریحی را نشان می‌دهند. الگوهای نقشه تراکم برای درک رفتار انسان در یک شهر برجسته شده است. مقصد در طول روز و تراکم مبدا شبانه منعکس کننده کاربری های زمین مرتبط با کار، از جمله مناطق تجاری و صنعتی است. در مقابل، مقصد شبانه و الگوی تراکم مبدا در روز، الگوی مناطق مسکونی را نشان می‌دهد. رفتار انسان نسبت به استفاده از تاکسی و دوچرخه در روزهای هفته و آخر هفته بینش جالبی ارائه می دهد. در طول روزهای هفته، استفاده از دوچرخه و تاکسی دو زمان اوج مصرف مشابه را نشان می‌دهد و به دلیل شباهت نمودارها، الگوها یکسان هستند. این زمان‌های اوج مصرف در ساعت‌های ۰۸:۰۰ تا ۰۹:۰۰ و ۱۸:۰۰ تا ۱۹:۰۰ رخ می‌دهد. همین زمان‌های اوج مصرف نشان می‌دهد که اکثر افرادی که دوچرخه‌سواری یا تاکسی می‌کنند سر کار می‌روند و به خانه بازمی‌گردند. استفاده از دوچرخه و تاکسی در آخر هفته ها الگوی متفاوتی را نشان می دهد. در طول تعطیلات آخر هفته، استفاده از دوچرخه و تاکسی زمان‌های اوج مصرف متفاوتی را نشان می‌دهد، و الگوهای نمودار مشابه هستند، اگرچه شباهت به اندازه نمودار استفاده از دوچرخه و تاکسی در روزهای هفته نیست. این زمان‌های اوج تعطیلات آخر هفته به زمانی اطلاق می‌شود که بیشتر مردم برای رفتن به مناطق تفریحی از خانه خود دوچرخه و تاکسی می‌روند و بالعکس. استفاده از دوچرخه و تاکسی دو زمان اوج یکسان را نشان می دهد و به دلیل شباهت نمودارها، الگوها یکسان هستند. این زمان‌های اوج مصرف در ساعت‌های ۰۸:۰۰ تا ۰۹:۰۰ و ۱۸:۰۰ تا ۱۹:۰۰ رخ می‌دهد. همین زمان‌های اوج مصرف نشان می‌دهد که اکثر افرادی که دوچرخه‌سواری یا تاکسی می‌کنند سر کار می‌روند و به خانه بازمی‌گردند. استفاده از دوچرخه و تاکسی در آخر هفته ها الگوی متفاوتی را نشان می دهد. در طول تعطیلات آخر هفته، استفاده از دوچرخه و تاکسی زمان‌های اوج مصرف متفاوتی را نشان می‌دهد، و الگوهای نمودار مشابه هستند، اگرچه شباهت به اندازه نمودار استفاده از دوچرخه و تاکسی در روزهای هفته نیست. این زمان‌های اوج تعطیلات آخر هفته به زمانی اطلاق می‌شود که بیشتر مردم برای رفتن به مناطق تفریحی از خانه خود دوچرخه و تاکسی می‌روند و بالعکس. استفاده از دوچرخه و تاکسی دو زمان اوج یکسان را نشان می دهد و به دلیل شباهت نمودارها، الگوها یکسان هستند. این زمان‌های اوج مصرف در ساعت‌های ۰۸:۰۰ تا ۰۹:۰۰ و ۱۸:۰۰ تا ۱۹:۰۰ رخ می‌دهد. همین زمان‌های اوج مصرف نشان می‌دهد که اکثر افرادی که دوچرخه‌سواری یا تاکسی می‌کنند سر کار می‌روند و به خانه بازمی‌گردند. استفاده از دوچرخه و تاکسی در آخر هفته ها الگوی متفاوتی را نشان می دهد. در طول تعطیلات آخر هفته، استفاده از دوچرخه و تاکسی زمان‌های اوج مصرف متفاوتی را نشان می‌دهد، و الگوهای نمودار مشابه هستند، اگرچه شباهت به اندازه نمودار استفاده از دوچرخه و تاکسی در روزهای هفته نیست. این زمان‌های اوج تعطیلات آخر هفته به زمانی اطلاق می‌شود که بیشتر مردم برای رفتن به مناطق تفریحی از خانه خود دوچرخه و تاکسی می‌روند و بالعکس. همین زمان‌های اوج مصرف نشان می‌دهد که اکثر افرادی که دوچرخه‌سواری یا تاکسی می‌کنند سر کار می‌روند و به خانه بازمی‌گردند. استفاده از دوچرخه و تاکسی در آخر هفته ها الگوی متفاوتی را نشان می دهد. در طول تعطیلات آخر هفته، استفاده از دوچرخه و تاکسی زمان‌های اوج مصرف متفاوتی را نشان می‌دهد، و الگوهای نمودار مشابه هستند، اگرچه شباهت به اندازه نمودار استفاده از دوچرخه و تاکسی در روزهای هفته نیست. این زمان‌های اوج تعطیلات آخر هفته به زمانی اطلاق می‌شود که بیشتر مردم برای رفتن به مناطق تفریحی از خانه خود دوچرخه و تاکسی می‌روند و بالعکس. همین زمان‌های اوج مصرف نشان می‌دهد که اکثر افرادی که دوچرخه‌سواری یا تاکسی می‌کنند سر کار می‌روند و به خانه بازمی‌گردند. استفاده از دوچرخه و تاکسی در آخر هفته ها الگوی متفاوتی را نشان می دهد. در طول تعطیلات آخر هفته، استفاده از دوچرخه و تاکسی زمان‌های اوج مصرف متفاوتی را نشان می‌دهد، و الگوهای نمودار مشابه هستند، اگرچه شباهت به اندازه نمودار استفاده از دوچرخه و تاکسی در روزهای هفته نیست. این زمان‌های اوج تعطیلات آخر هفته به زمانی اطلاق می‌شود که بیشتر مردم برای رفتن به مناطق تفریحی از خانه خود دوچرخه و تاکسی می‌روند و بالعکس.

بر اساس داده‌های سنجش از دور و سنجش اجتماعی، روش‌های یادگیری ماشینی با موفقیت یک نقشه طبقه‌بندی شده کاربری زمین از یک منطقه شهری در نیویورک، ایالات متحده آمریکا، با شش دسته، یعنی آب، فضای باز، صنعتی، مسکونی، اداری، تولید می‌کنند. و کلاس های سرگرمی ارزیابی دقت ماتریس سردرگمی برای بررسی دقت درخت تصمیم و نقشه‌های طبقه‌بندی جنگل تصادفی استفاده می‌شود. دقت کلی نقشه های طبقه بندی درخت تصمیم و جنگل تصادفی برای شش کلاس به ترتیب به ۸۳% و ۸۶% می رسد. نقشه های طبقه بندی شده کاربری زمین دقت بالایی را برای ادغام داده های سنجش از دور و سنجش اجتماعی با پاکسازی داده ها نشان می دهد. ارزیابی دقت، استخراج موثر داده‌های سنجش از راه دور و اجتماعی را نشان می‌دهد و طبقه‌بندی دقیق کاربری زمین شهری را تضمین می‌کند.

پیوست اول

جدول A1. ماتریس سردرگمی نقشه طبقه بندی شده درخت تصمیم تنها با استفاده از سنجش از دور.

جدول A2. ماتریس سردرگمی نقشه طبقه بندی درخت تصمیم با استفاده از ادغام سنجش از راه دور و اجتماعی (بدون پاکسازی داده ها).

جدول A3. ماتریس سردرگمی نقشه طبقه بندی درخت تصمیم با استفاده از ادغام سنجش از راه دور و اجتماعی (با پاکسازی داده ها).

ضمیمه B

جدول A4. ماتریس سردرگمی نقشه طبقه بندی شده جنگل تصادفی تنها با استفاده از سنجش از دور.

جدول A5. ماتریس سردرگمی نقشه طبقه بندی شده تصادفی جنگل با استفاده از ادغام سنجش از راه دور و اجتماعی (بدون پاکسازی داده ها).

جدول A6. ماتریس سردرگمی نقشه طبقه بندی درخت تصمیم با استفاده از ادغام سنجش از راه دور و اجتماعی (با پاکسازی داده ها).

منابع

جنسن، جی آر. Cowen، DC سنجش از دور زیرساخت‌های شهری/حومه‌ای و ویژگی‌های اجتماعی-اقتصادی. در نقشه خوان ؛ John Willey & Sons, Ltd.: Hoboken, NJ, USA, 2011; صص ۱۵۳-۱۶۳٫ [ Google Scholar ]
هو، اس. Wang, L. طبقه‌بندی خودکار کاربری زمین شهری با سنجش از دور. بین المللی J. Remote Sens. ۲۰۱۲ ، ۳۴ ، ۷۹۰-۸۰۳٫ [ Google Scholar ] [ CrossRef ]
هرولد، ام. لیو، ایکس. Clarke، KC Spatial Metrics and Image Texture برای نقشه برداری کاربری زمین شهری. فتوگرام مهندس Remote Sens. ۲۰۰۳ , ۶۹ , ۹۹۱-۱۰۰۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، ی. لیو، ایکس. گائو، اس. گونگ، ال. کانگ، سی. ژی، ی. چی، جی. شی، ال. حس اجتماعی: رویکردی جدید برای درک محیط های اجتماعی-اقتصادی ما. ان دانشیار صبح. Geogr. ۲۰۱۵ ، ۱۰۵ ، ۵۱۲-۵۳۰٫ [ Google Scholar ] [ CrossRef ]
D’Andrea، E. دوکانژ، پی. لازرینی، بی. مارسلونی، اف. تشخیص ترافیک در زمان واقعی از تحلیل جریان توییتر. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۵ ، ۱۶ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
شین، دی. آلیاگا، دی. تونسر، بی. آریسونا، اس ام. کیم، اس. زوند، دی. اشمیت، جی. سنجش شهری: استفاده از تلفن های هوشمند برای طبقه بندی حالت حمل و نقل. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۵ ، ۵۳ ، ۷۶-۸۶٫ [ Google Scholar ] [ CrossRef ]
پان، جی. چی، جی. وو، زی. ژانگ، دی. Li, S. طبقه بندی کاربری زمین با استفاده از ردیابی GPS تاکسی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۳ ، ۱۴ ، ۱۱۳-۱۲۳٫ [ Google Scholar ] [ CrossRef ]
جیانگ، اس. آلوز، آ. رودریگز، اف. فریرا، جی. Pereira، FC داده های نقطه مورد علاقه استخراج از شبکه های اجتماعی برای طبقه بندی و تفکیک کاربری زمین شهری. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۵ ، ۵۳ ، ۳۶-۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هو، تی. یانگ، جی. لی، ایکس. Gong, P. نقشه برداری کاربری زمین شهری با استفاده از تصاویر Landsat و داده های اجتماعی باز. Remote Sens. ۲۰۱۶ , ۸ , ۱۵۱٫ [ Google Scholar ] [ CrossRef ]
آنوگراها، ع. چو، اچ.-جی. طبقه بندی کاربری زمین از استفاده ترکیبی از سنجش از دور و داده های سنجش اجتماعی. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی ۲۰۱۸ ، XLII-4 ، ۳۳–۳۹٫ [ Google Scholar ] [ CrossRef ]
Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی مجموعه داده‌های OpenStreetMap و Ordnance Survey. محیط زیست طرح. ب مقعد شهری. علوم شهر ۲۰۱۰ ، ۳۷ ، ۶۸۲-۷۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شولتز، ام. ووس، ج. اور، ام. کارتر، اس. Zipf، A. پوشش زمین را از OpenStreetMap و سنجش از راه دور باز کنید. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۷ ، ۶۳ ، ۲۰۶-۲۱۳٫ [ Google Scholar ] [ CrossRef ]
جونز، ک. اهمیت پوشش زمین و داده های بیوفیزیکی در ارزیابی زیست محیطی مبتنی بر منظر . اجلاس پوشش زمین آمریکای شمالی؛ انجمن جغرافیدانان آمریکایی: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۰۸; ص ۲۱۵-۲۴۹٫ [ Google Scholar ]
سپسکبیل، ص. شول، ام. استفاده از زمین/پوشش زمین حوضه رودخانه تورال، H. گنگ و سند (LULC) و نقشه‌برداری مناطق آبی با استفاده از جریان‌های پیوسته داده‌های MODIS. سنسور از راه دور محیط. ۲۰۰۵ ، ۹۵ ، ۳۱۷-۳۴۱٫ [ Google Scholar ] [ CrossRef ]
Kasetkasem، T. آرورا، MK; نقشه برداری پوشش زمین با وضوح فوق العاده Varshney، PK با استفاده از رویکرد مبتنی بر میدان تصادفی مارکوف. سنسور از راه دور محیط. ۲۰۰۵ ، ۹۶ ، ۳۰۲-۳۱۴٫ [ Google Scholar ] [ CrossRef ]
لامبین، EF; ترنر، BL; Geist، HJ; آگبولا، اس بی؛ آنجلسن، آ. بروس، جی دبلیو. جورج، پی. علل تغییر کاربری و پوشش زمین: حرکت فراتر از افسانه ها. گلوب. محیط زیست چانگ. ۲۰۰۱ ، ۱۱ ، ۲۶۱-۲۶۹٫ [ Google Scholar ] [ CrossRef ]
نخل.؛ Mather، P. ارزیابی اثربخشی روش های درخت تصمیم برای طبقه بندی پوشش زمین. سنسور از راه دور محیط. ۲۰۰۳ ، ۸۶ ، ۵۵۴-۵۶۵٫ [ Google Scholar ] [ CrossRef ]
Quinlan, J. Induction of Decision Trees. ماخ فرا گرفتن. ۱۹۸۶ ، ۱ ، ۸۱-۱۰۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بریمن، ال. فریدمن، جی اچ. اولشن، RA; سنگ، CJ طبقه بندی و رگرسیون درختان ; Wadsworth & Brooks/Cole Advanced Books & Software: Monterey, CA, USA, 1984. [ Google Scholar ]
میچل، دی. تام، ام. یادگیری ماشینی ; McGraw-Hill: نیویورک، نیویورک، ایالات متحده آمریکا، ۱۹۹۷٫ [ Google Scholar ]
لیاو، ا. وینر، ام. طبقه بندی و رگرسیون توسط جنگل تصادفی. R News ۲۰۰۲ , ۲ , ۱۸-۲۲٫ [ Google Scholar ]
وزنیکی، SA; بینز، جی. پانلاسیگی، اس. محفی، م. نیل، A. توسعه یک نقشه دشت سیلابی کامل فضایی ایالات متحده همجوار با استفاده از جنگل تصادفی. علمی کل محیط. ۲۰۱۹ ، ۶۴۷ ، ۹۴۲-۹۵۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژانگ، ام. چن، اف. تیان، بی. لیانگ، دی. طبقه‌بندی تصویر SAR چند زمانی از تالاب‌های دشت ساحلی با استفاده از روش انتخاب ویژگی جدید و جنگل‌های تصادفی. سنسور از راه دور Lett. ۲۰۱۸ ، ۱۰ ، ۳۱۲-۳۲۱٫ [ Google Scholar ] [ CrossRef ]
چو، اچ.-ج. وانگ، سی.-ک. کنگ، اس.-جی. چن، ک.-سی. ادغام LiDAR شکل موج کامل و داده های فراطیفی برای تقویت طبقه بندی چای و آرکا. GIScience Remote Sens. ۲۰۱۶ ، ۵۳ ، ۵۴۲-۵۵۹٫ [ Google Scholar ] [ CrossRef ]
اولوفسون، پی. فودی، جنرال موتورز; Stehman، SV; Woodcock، CE استفاده بهتر از داده های دقت در مطالعات تغییر زمین: تخمین دقت و مساحت و کمی کردن عدم قطعیت با استفاده از تخمین طبقه بندی شده. سنسور از راه دور محیط. ۲۰۱۳ ، ۱۲۹ ، ۱۲۲-۱۳۱٫ [ Google Scholar ] [ CrossRef ]
وانگ، Y.-D. وانگ، تی. تسو، M.-H. لی، اچ. جیانگ، دبلیو. Guo, F. نقشه‌برداری از الگوهای کاربری پویا شهری با رسانه‌های اجتماعی برچسب‌گذاری شده جغرافیایی جمع‌سپاری شده (Sina-Weibo) و مجموعه‌های نقاط تجاری مورد علاقه در پکن، چین. Sustainability ۲۰۱۶ , ۸ , ۱۲۰۲٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
جیائو، L. تابع تراکم زمین شهری: روشی جدید برای توصیف گسترش شهری. Landsc. طرح شهری. ۲۰۱۵ ، ۱۳۹ ، ۲۶-۳۹٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ شبکه خیابانی OpenStreetMap (OSM): ( الف ) شبکه خیابانی کلی. ب ) خیابانهای مسکونی و غیرمسکونی در محدوده مورد مطالعه.

شکل ۲٫ فلوچارت سنجش و شناسایی کاربری های زمین، از جمله تجزیه و تحلیل زمانی و مکانی، تمیز کردن داده ها، و یادگیری ماشینی (درخت تصمیم و جنگل تصادفی).

شکل ۳٫ کاربری اراضی دولتی: MapPLUTO.

شکل ۴٫ میانگین استفاده در روزهای هفته برای یک ماه: ( الف ) دوچرخه; ( ب ) تاکسی.

شکل ۵٫ میانگین استفاده در تعطیلات آخر هفته در یک ماه: ( الف ) دوچرخه; ( ب ) تاکسی.

شکل ۶٫ نقشه های تراکم دوچرخه در ساعات اوج روز هفته: ( الف ) نقشه تراکم مبدا در ساعت ۰۸:۰۰-۰۹:۰۰٫ ( ب ) نقشه تراکم مقصد در ساعت ۰۸:۰۰ تا ۰۹:۰۰٫ ( ج ) نقشه چگالی مبدا در ساعت ۱۸:۰۰-۱۹:۰۰٫ ( د ) نقشه تراکم مقصد در ساعت ۱۸:۰۰ تا ۱۹:۰۰٫

شکل ۷٫ نقشه های تراکم تاکسی در ساعات اوج روز هفته: ( الف ) نقشه تراکم مبدا در ساعت ۰۸:۰۰-۰۹:۰۰٫ ( ب ) نقشه تراکم مقصد در ساعت ۰۸:۰۰ تا ۰۹:۰۰٫ ( ج ) نقشه چگالی مبدا در ساعت ۱۸:۰۰-۱۹:۰۰٫ ( د ) نقشه تراکم مقصد در ساعت ۱۸:۰۰ تا ۱۹:۰۰٫

شکل ۸٫ نقشه تراکم دوچرخه و تاکسی در ساعات اوج تعطیلات آخر هفته: ( الف ) نقشه تراکم مبدا دوچرخه در ساعت ۱۷:۰۰ تا ۱۸:۰۰٫ ( ب ) نقشه تراکم مقصد دوچرخه در ساعت ۱۷:۰۰ تا ۱۸:۰۰٫ ( ج ) نقشه تراکم مبدا تاکسی در ساعت ۱۸:۰۰ تا ۱۹:۰۰٫ ( د ) نقشه تراکم مقصد تاکسی در ساعت ۱۸:۰۰ تا ۱۹:۰۰٫

شکل ۹٫ توزیع نقطه دوچرخه در اولین زمان اوج روز هفته (۰۸:۰۰-۰۹:۰۰): ( الف ) مبدأ قبل از تمیز کردن داده ها. ( ب ) مبدا پس از پاکسازی داده ها. ( ج ) مقصد قبل از پاکسازی داده ها؛ ( د ) مقصد پس از پاکسازی داده ها.

شکل ۱۰٫ توزیع نقطه تاکسی در اولین زمان پیک روز هفته (۰۸:۰۰-۰۹:۰۰): ( الف ) مبدا قبل از پاکسازی داده ها. ( ب ) مبدا پس از پاکسازی داده ها. ( ج ) مقصد قبل از پاکسازی داده ها؛ ( د ) مقصد پس از پاکسازی داده ها.

شکل ۱۱٫ توزیع نقطه دوچرخه در زمان اوج روز دوم هفته (۱۸:۰۰ تا ۱۹:۰۰): ( الف ) مبدا قبل از تمیز کردن داده ها. ( ب ) مبدا پس از پاکسازی داده ها. ( ج ) مقصد قبل از پاکسازی داده ها؛ ( د ) مقصد پس از پاکسازی داده ها.

شکل ۱۲٫ توزیع نقطه تاکسی در زمان اوج روز دوم هفته (۱۸:۰۰ تا ۱۹:۰۰): ( الف ) مبدا قبل از پاکسازی داده ها. ( ب ) مبدا پس از پاکسازی داده ها. ( ج ) مقصد قبل از پاکسازی داده ها؛ ( د ) مقصد پس از پاکسازی داده ها.

شکل ۱۳٫ توزیع نقطه دوچرخه در زمان اوج آخر هفته (۱۷:۰۰ تا ۱۸:۰۰): ( الف ) مبدا قبل از تمیز کردن داده ها. ( ب ) مبدا پس از پاکسازی داده ها ( ج ) مقصد قبل از پاکسازی داده ها. ( د ) مقصد پس از پاکسازی داده ها.

شکل ۱۴٫ توزیع نقطه تاکسی در زمان اوج آخر هفته (۱۸:۰۰ تا ۱۹:۰۰): ( الف ) مبدا قبل از پاکسازی داده ها. ( ب ) مبدا پس از پاکسازی داده ها ( ج ) مقصد قبل از پاکسازی داده ها. ( د ) مقصد پس از پاکسازی داده ها.

شکل ۱۵٫ نقشه طبقه بندی شده درخت تصمیم شش کلاسه با استفاده از ( الف ) فقط سنجش از دور. ( ب ) ادغام سنجش از راه دور و اجتماعی (بدون پاکسازی داده ها). ( ج ) ادغام سنجش از راه دور و اجتماعی (با پاکسازی داده ها).

شکل ۱۶٫ نقشه طبقه بندی شده جنگل تصادفی شش کلاسه با استفاده از ( الف ) فقط سنجش از دور. ( ب ) ادغام سنجش از راه دور و اجتماعی (بدون پاکسازی داده ها). ( ج ) ادغام سنجش از راه دور و اجتماعی (با پاکسازی داده ها).