خلاصه
ادغام جغرافیا و یادگیری ماشینی می‌تواند رویکردهای جدیدی را در رسیدگی به انواع مشکلاتی که در محیط‌های طبیعی و انسانی رخ می‌دهند، ایجاد کند. این مقاله آزمایشی را ارائه می‌کند که شهرهای مشابه را بر اساس داده‌های کاربری زمینشان شناسایی می‌کند. این مقاله آزمایش های مقدماتی جالبی را با تصاویری از نقشه ها از پورتال نقشه چک ارائه می دهد. پس از کار موفقیت آمیز با نمونه های نقشه، این مطالعه بر شناسایی شهرهایی با ساختارهای کاربری مشابه متمرکز شده است. اطلس شهری اروپایی کوپرنیک ۲۰۱۲ به عنوان یک مجموعه داده منبع استفاده شد (داده‌ها سال‌های معتبر ۲۰۱۵-۲۰۱۸). اطلس شهری به طور رایگان مجموعه داده های کاربری زمین را از نزدیک به ۸۰۰ منطقه شهری کاربردی در اروپا ارائه می دهد. برای جستجوی شهرهای مشابه، مجموعه ای از نقشه ها با جزئیات کاربری اراضی در شهرهای اروپایی در ArcGIS تهیه شد. بردار توصیفگرهای تصویر برای هر نقشه متعاقبا با استفاده از یک شبکه عصبی از پیش آموزش دیده، معروف به Painters، در نرم افزار Orange تولید شد. به عنوان یک کار داده کاوی معمولی، تابع نزدیکترین همسایه این توصیفگرها را با توجه به الگوهای کاربری زمین برای یافتن شهرهای مشابه تجزیه و تحلیل می کند. نمونه جفت شهر بر اساس کاربری زمین نیز در این مقاله ارائه شده است. سوال تحقیق این است که آیا شبکه عصبی از پیش آموزش‌دیده خارج از کارتوگرافی برای دسته‌بندی برخی از نقشه‌های موضوعی با وظایف داده‌کاوی مانند خوشه‌بندی، شباهت و یافتن نزدیکترین همسایه قابل استفاده است؟ سهم مقاله ارائه یک روش ممکن برای یافتن شهرهای مشابه با یکدیگر با توجه به الگوهای کاربری زمین، ساختارها و شکل آنها است. برخی از یافته‌ها شگفت‌انگیز بودند، و بدون یادگیری ماشین،
کلید واژه ها:
اطلس شهری ; نرم افزار نارنجی ; کاربری زمین ؛ فراگیری ماشین
۱٫ معرفی
حوزه هوش مصنوعی (AI) در سال های اخیر پیشرفت سریعی داشته است. هوش مصنوعی توجه فوق‌العاده‌ای از سوی دانشگاه، صنعت و همچنین عموم مردم به خود جلب کرده است. یادگیری ماشینی (ML) زیر شاخه ای از هوش مصنوعی است [ ۱ ].
یادگیری ماشینی شامل یادگیری بدون هیچ نوع نظارت (یادگیری بدون نظارت) و یادگیری با نظارت کامل (یادگیری تحت نظارت) است. یادگیری بدون نظارت داده های طبقه بندی نشده را برای کشف الگوها بررسی می کند. در حین یادگیری هیچ پاسخ صحیحی به ماشین داده نمی شود. انتظار می‌رود الگوهای طبیعی در داده‌ها، ماشین را در یادگیری برای شناسایی الگوهای کلیدی و گروه‌بندی داده‌ها بر اساس آن الگوها راهنمایی کنند (یعنی یادگیری بدون نظارت شامل تلاش ماشین‌ها برای یادگیری «به تنهایی»، بدون کمک از داده‌های طبقه‌بندی شده است. بسته به کاربرد، وظایف یادگیری بدون نظارت را می توان به صورت مشکلات خوشه بندی یا تداعی حل کرد [ ۲]. یادگیری عمیق (DL) نوع خاصی از یادگیری ماشینی است که از چندین لایه واحدهای پردازش غیرخطی یا نورون ها استفاده می کند. پیشرفت سریع در ML را می توان به سه دلیل اصلی نسبت داد: مقادیر زیاد داده های موجود، قابلیت های محاسباتی قدرتمند و بهبود الگوریتم ها، مانند شبکه های عصبی عمیق. روش یادگیری عمیق بدون نظارت برای این مطالعه برای یافتن نقشه های مشابه انتخاب شد.
اخیراً رشته جغرافیا به سمت هوش مصنوعی رفته است. به عنوان یک اصطلاح جدید، GeoAI ترکیب بین رشته ای جغرافیا و هوش مصنوعی را بیان می کند. ادغام جغرافیا با هوش مصنوعی رویکردهای جدیدی را در پرداختن به انواع مشکلات در محیط طبیعی و جامعه انسانی ارائه می دهد [ ۱ ].
Esri، یک شرکت پیشرو در نرم‌افزار GIS، سرمایه‌گذاری هنگفتی بر روی این فناوری‌های نوظهور کرده است و یک مرکز تحقیق و توسعه (R&D) جدید در دهلی نو ایجاد کرده است که بر هوش مصنوعی و یادگیری عمیق اعمال شده در تصاویر ماهواره‌ای و داده‌های مکان تمرکز دارد [ ۳ ]. Esri بینایی کامپیوتری را برای تشخیص اشیاء تجزیه و تحلیل جغرافیایی و تقسیم‌بندی معنایی به کار می‌گیرد، به عنوان مثال، برای استخراج شبکه‌های جاده‌ای از تصاویر ماهواره‌ای. نرم‌افزار ArcGIS شامل توابع شطرنجی داخلی پایتون برای تشخیص و طبقه‌بندی جریان‌های کاری با استفاده از CNTK، Keras، PyTorch، fast.ai و TensorFlow است که توسط روهیت سینگ، رئیس مرکز تحقیق و توسعه [ ۴ ] ذکر شده است.
برای مثال، استفاده از هوش مصنوعی در حفاظت، توسط هوش مصنوعی مایکروسافت برای زمین پشتیبانی می شود. این شرکت همچنین به طور فعال برای حمایت از پروژه‌هایی که از هوش مصنوعی برای زمین استفاده می‌کنند و از هوش مصنوعی در تغییر نحوه نظارت، مدل‌سازی و مدیریت سیستم‌های طبیعی زمین توسط افراد و سازمان‌ها استفاده می‌کند، اعطا می‌کند [ ۵ ].
اطلس شهری خدمات نظارت بر زمین کوپرنیک اطلاعاتی را در مورد استفاده از زمین قابل مقایسه در سراسر اروپا و داده های پوشش زمین برای مناطق شهری کاربردی (FUA) ارائه می دهد. یک منطقه شهری کاربردی از یک شهر و منطقه رفت و آمد آن تشکیل شده است. بنابراین، مناطق شهری کارکردی شامل یک شهر متراکم مسکونی و یک منطقه رفت و آمد با تراکم کمتر است که بازار کار آن به شدت با شهر یکپارچه شده است [ ۶ ].
مجموعه داده های قدیمی اطلس شهری مربوط به سال ۲۰۰۶ است، مجموعه داده جدیدتر مربوط به سال مرجع ۲۰۱۲ است. Urban Atlas 2018 اخیراً در دسترس است، اما هنوز تکمیل و تأیید نشده است. تحقیق ارائه شده از مجموعه داده های Urban Atlas 2012 استفاده شده است. سال معتبر در هر توضیح ابرداده مجموعه دانلود شده ثبت می شود. دوره معتبر از ۲۰۱۵ (۲۰۱۴ فقط برای یک مجموعه) تا ۲۰۱۸ (حدود ۳۰۰ مجموعه داده) متغیر است.
اطلس شهری اروپا برای مقایسه الگوهای کاربری زمین در شهرهای بزرگ اروپایی طراحی شده است و از این رو معیارهایی را برای این شهرها ارائه می دهد. داده ها اغلب در انواع مختلف تحقیقات مانند شناسایی رابطه بین پویایی اتصال انسانی و استفاده از زمین [ ۷ ] یا ارزیابی اتصال زیرساخت سبز مناطق شهرهای اروپایی (منچستر، انگلستان؛ روهر، آلمان؛ کپنهاگ، دانمارک) استفاده می شوند. ۸ ]. داده‌های اطلس شهری نیز برای مقایسه با معیارهای محیطی وصله چهار منطقه بزرگ شهری در جنوب اروپا استفاده شد: لیسبون (پرتغال)، بارسلونا (اسپانیا)، رم (ایتالیا) و آتن (یونان) [ ۹ ]. بدون این مجموعه داده های فرامرزی امکان اجرای این نوع تحقیقات وجود ندارد.
چندین تلاش و روش در طول تحقیقات برای یافتن شهرهای مشابه مورد استفاده قرار گرفت. شبکه های خیابانی را می توان به عنوان یک نمای شماتیک ساده از شهرها در نظر گرفت که بخش بزرگی از ساختار و سازماندهی آنها را در بر می گیرد [ ۱۰ ]. تحقیقات لوف و بارتلمی (۲۰۱۴) شهرها را بر اساس الگوهای خیابانی طبقه بندی کردند [ ۱۱]. آنها یک دندروگرام از خوشه‌ها ایجاد کردند که در سطح پایین‌تری از طبقه‌بندی مشخص کرد که اکثر شهرهای اروپایی و آمریکایی در نمونه‌ای از ۱۳۱ شهر در زیر مجموعه خود قرار می‌گیرند. اگرچه، آنها با مشکل شباهت بیش از حد شبکه های خیابانی در بیشتر شهرها مواجه شدند. آنها سعی کردند با تمرکز بر هندسه بلوک های شهری که شبکه های خیابانی ایجاد می کنند، این مشکل را حل کنند. در نتیجه این کار، شهرها بر اساس شکل و اندازه بلوک های شهر به چهار گروه تقسیم شدند.
تحقیقات بوئینگ (۲۰۱۸) نیز بر روی شبکه خیابانی متمرکز شده است [ ۱۲ ]. آنها ۲۷۰۰۰ شبکه خیابانی ایالات متحده را از OpenStreetMap در مقیاس شهری، شهری و محله دانلود و پردازش کردند. همان نویسنده متعاقباً یک شاخص جدید از جهت-نظم ایجاد کرد که نشان می دهد چگونه شبکه خیابانی یک شهر از منطق ترتیب هندسی یک شبکه منفرد پیروی می کند. این مطالعه جهت گیری، پیکربندی و آنتروپی شبکه خیابانی را در ۱۰۰ شهر در سراسر جهان بررسی کرد. آنتروپی یاتاقان‌های خیابان را در مدل‌های شبکه وزن‌دار و بدون وزن، همراه با طول بخش خیابان معمولی هر شهر، مدار متوسط، میانگین درجه گره، و نسبت شبکه از تقاطع‌ها و بن‌بست‌های چهار طرفه اندازه‌گیری کرد [ ۱۳ ].]. علاوه بر این، بوئینگ ابعاد مشترکی را برای اندازه گیری پیچیدگی فرم و طراحی شهری پیشنهاد کرد [ ۱۴ ]. ابعاد زمانی، بصری، فضایی، مقیاس‌بندی و اتصال هستند.
کورتات و همکاران (۲۰۱۱) تجزیه و تحلیل ایستا از چندین شهر فرانسوی انجام داد و این فرض را مطرح کرد که توسعه یک شهر از منطق تقسیم یا گسترش فضا پیروی می کند [ ۱۵ ]. ساندو فقط دو شهر را مقایسه کرد: ایاسی در رومانی و لیون در فرانسه. اکتشاف بر اساس داده های اطلس شهری [ ۱۶ ] است. این مقایسه بر توسعه شهری این شهرها تحت رژیم‌های مختلف سیاسی و اجتماعی-اقتصادی پس از جنگ جهانی دوم تأکید داشت. مناطق شهری از رومانی سعی کردند مدل غربی شهر سرمایه داری را کپی کنند، اما بدون پشتوانه قانونی و مالی محکم و مواجهه با میراث سوسیالیستی، منجر به توسعه شهری ترکیبی شد [ ۱۶ ].
Koperski (1995) استفاده از قوانین تداعی فضایی را به عنوان یکی از تکنیک های داده کاوی برای بررسی شهرها ارائه کرد. او به دنبال قوانین انجمن برای شهرهای بریتیش کلمبیا، استانی در کانادا بود. رخدادهای مکرر شهرها و ویژگی های آنها مانند آب، جاده ها و مرزهای اداری را توصیف می کنند. مجموعه آیتم های مکرر بر اساس روابط توپولوژیکی (داخل، حاوی، متقاطع و برابر) ویژگی ها و شهر هستند [ ۱۷ ]. شهرهایی که به مجموعه اقلام مکرر تعلق دارند را می توان مشابه فرض کرد.
یافته های شهرهای مشابه بر اساس داده های اطلس شهری توسط پایان نامه های دیپلم یانوسک [ ۱۸ ] پردازش شد. نواحی شهرها توسط بخشهای مدور به هشت بخش و هشت دایره تقسیم می شد. دسته‌های انتخاب شده از اطلس شهری با بخشهای دایره‌ای تلاقی داده شدند تا شاخص مساحت را برای بیان پوشش بر اساس طبقه در هر بخش محاسبه کنند. بر اساس مقادیر ماتریس ۸ × ۸ (با هم ۶۴) شاخص ها، همبستگی و خوشه بندی سلسله مراتبی پردازش شد. مجموعه پایه ۱۰۰ شهر اروپایی از ۵۰۰۰۰ تا ۲۰۰۰۰۰ نفر جمعیت بود.
این مقاله استفاده از شبکه عصبی از پیش آموزش دیده Painters را به عنوان روشی جدید برای نتایج سریع در شناسایی شهرهای مشابه با توجه به تصاویر کاربری اراضی بدون در نظر گرفتن اندازه شهرها، تاریخچه، ظاهر، چیدمان یا توصیف آنها ارائه می کند. مزیت نرم افزار Orange کاربرد ساده آن در این کار است. اعتبار این مفهوم جدید در آینده انتظار می رود.
۲٫ مواد و روشها
مجموعه داده اصلی (یعنی نقشه های بررسی شده در تحقیق حاضر) از اطلس شهری اروپا [ ۱۹ ] دانلود شده است. پژوهش حاضر همچنین از نقشه های پورتال نقشه چک ( https://mapy.cz ) به عنوان مجموعه آزمایشی آموزشی استفاده کرد. مجموعه کوچکی از اسکرین شات ها از انواع مختلف نقشه (نقشه های تاریخی، هوایی و پایه) به صورت دستی برای آزمایش توانایی های نرم افزار داده کاوی Orange و افزودنی Image Analytics تهیه شد. نرم افزار Orange و داده های منبع به طور مفصل در بخش های بعدی توضیح داده شده است.
۲٫۱٫ نرم افزار نارنجی و ویجت تجزیه و تحلیل تصویر جاسازی شده
نرم افزار Orange [ ۲۰ ] یک نرم افزار داده کاوی بصری است که توسط آزمایشگاه بیوانفورماتیک در دانشگاه لیوبلیانا در اسلوونی توسعه یافته است. این نرم افزار غیرتجاری است و برای استفاده رایگان در دسترس است. نرم افزار Orange در درجه اول برای اهداف آموزشی طراحی شده است، اما برای پردازش داده های عملی بسیار مفید است. رابط بصری و پلت فرم غیر تجاری آن را برای استفاده گسترده تر در تجزیه و تحلیل داده ها و وظایف داده کاوی مناسب می کند. عملکرد آن را می توان با ویجت های افزودنی مانند Time Series، Associate، Geo، Text، Image Analytics و غیره گسترش داد.
افزونه Image Analytics برای استفاده از تصاویر برای یادگیری ماشینی بدون نظارت طراحی شده است. این افزونه دارای پنج ویجت است: Import Images، Image Viewer، Image Embedding، Image Grid و Save Image (در نسخه ۰٫۴٫۱). این فرآیند به عنوان یک گردش کار بصری با زنجیره ای از ویجت ها طراحی شده است ( شکل ۱ ). ویجت های Image Analytics به عنوان گره های زرد در گردش کار نشان داده می شوند. ویجت اصلی Image Embedding است و چندین جاسازی را ارائه می دهد که هر کدام برای کار خاصی آموزش دیده اند. Image Embedding شش شبکه عصبی عمیق مصنوعی از پیش آموزش دیده را ارائه می دهد [ ۲۱ ]:
-
مدل SqueezeNet برای تشخیص تصویر آموزش داده شده در ImageNet.
-
Inception v3 (Google’s Inception v3) در ImageNet آموزش دیده است.
-
VGG-16 (مدل تشخیص تصویر ۱۶ لایه) آموزش دیده در ImageNet.
-
VGG-19 (مدل تشخیص تصویر ۱۹ لایه) آموزش دیده در ImageNet.
-
نقاشان برای پیش‌بینی هنرمندان تصاویر آثار هنری آموزش دیده‌اند.
-
مدل DeepLoc برای تجزیه و تحلیل تصاویر سلول مخمر آموزش دیده است.
جاسازی Painters برای استفاده در مطالعه حاضر انتخاب شد. نویسنده Painters Nejc Ilenič است که شبکه عصبی کانولوشنال را بر روی ۷۹۴۳۳ تصویر هنری موجود که توسط ۱۵۸۴ هنرمند مختلف تولید شده اند آموزش داده است. مجموعه آزمون از ۲۳۸۱۷ نمونه تشکیل شده بود [ ۲۲ ]. این شبکه عصبی را می توان برای یافتن نقاشی های آثار هنری مشابه در فیلم های آموزشی [ ۲۳ ] یا برای تصاویری که شامل حیوانات، عکس ها، علائم راهنمایی و رانندگی و غیره می شود، استفاده کرد [ ۲۴ ].
در هر یک از embedder ها، تصاویر ورودی به یک سرور ارسال می شوند یا به صورت محلی در رایانه کاربر ارزیابی می شوند و نمایش های برداری از تصاویر محاسبه می شود. سپس یک جدول داده های پیشرفته با ستون های اضافی (توصیف کننده های تصویر) برگردانده می شود. برای هر تصویر ورودی، یک بردار ویژگی خروجی محاسبه می شود. نمونه هایی از جدول داده های پیشرفته در شکل ۲ نشان داده شده است. جاسازی هر تصویر را با یک ویژگی برداری نشان می‌دهد و به توابع استاندارد Orange اجازه می‌دهد تا برای خوشه‌بندی، طبقه‌بندی یا هر نوع تحلیل مبتنی بر ویژگی دیگر استفاده شوند.
نتایج حاصل از ویجت Image Embedding را می توان به سادگی با ویجت Image Grid (گره زرد نهایی در شکل ۱ ) به تصویر کشید. گزینه دیگر یافتن خوشه هایی از تصاویر با محاسبه فاصله ها و اعمال خوشه بندی سلسله مراتبی است. دندروگرام نهایی خوشه هایی از تصاویر مشابه را نشان می دهد. خوشه بندی سلسله مراتبی به عنوان یک کار اساسی داده کاوی در یک ویدیو آموزشی در ویجت Image Analytics [ ۲۵ ] نشان داده شده است. این روش همچنین در تحقیقات قبلی در مورد الگوهای کاربری زمین برای یافتن شهرهایی در اروپا که شباهت هایی را نشان می دادند استفاده شده است [ ۲۶ ]. دندروگرام نیز برای ۷۸۷ شهر ساخته شد. اندازه بزرگ است و شهرهای مشابه در پایین ترین سطح قرار می گیرند.
ویجت Neighbors را نیز می توان با نتایج ویجت Image Embedding ترکیب کرد. ویجت Neighbors اغلب در Orange استفاده نمی شود [ ۲۴ ]. منبع ویجت Neighbors ماتریسی از ویژگی های تولید شده با استفاده از ابزارک Image Embedding است ( شکل ۲ ). ویجت Neighbors نزدیکترین همسایگان یک مرجع انتخاب شده (تصویر یا نقشه در مطالعه حاضر) و نوع انتخاب شده اندازه گیری فاصله را محاسبه می کند. مرجع انتخاب شده می تواند یک نمونه یا چند نمونه باشد. ویجت نزدیکترین n نمونه را در داده خروجی می دهد، جایی که nبا توجه به انتخاب کاربر در ویجت تنظیم می شود. دومین پارامتر برای محاسبه همسایگان، اندازه گیری فاصله است. اندازه گیری های پشتیبانی شده عبارتند از: اقلیدسی، منهتن، ماهالانوبیس، کسینوس، جاکارد، اسپیرمن، اسپیرمن مطلق، پیرسون و پیرسون مطلق [ ۲۷ ]. شباهت کسینوس برای محاسبه فاصله بالاتر از ارتفاع یک ویژگی ترجیح داده می شود، جایی که یک بردار توصیفی از ۲۰۴۸ عدد واقعی n0 , n1 , … n2047 در مورد Painters embedder تشکیل شده است. پارامتر فاصله کسینوس برای محاسبه نزدیکترین فاصله همسایه در تمام آزمایش های ارائه شده انتخاب شد. خروجی های ویجت Neighbors به عنوان داده های اصلی برای تعیین نقشه های مشابه کاربری اراضی در تحقیق حاضر انتخاب شدند.
۲٫۲٫ اطلس شهری کوپرنیک و پیش پردازش داده ها
اطلس شهری از تصاویر ماهواره ای برای ایجاد نقشه های برداری قابل اعتماد، مقرون به صرفه و قابل مقایسه با وضوح بالا زمین شهری استفاده می کند [ ۲۸ ]. اطلس شهری مستقیماً داده‌هایی را برای کل شهرها ارائه نمی‌کند، بلکه در واحدهایی که به عنوان مناطق شهری کاربردی و برای اطراف آنها (بیش از ۵۰۰۰۰ نفر جمعیت) تعیین شده‌اند، ارائه می‌کند. سال مرجع ۲۰۱۲ تقریباً ۸۰۰ FUA دارد. داده ها را می توان به صورت رایگان در فرمت برداری (شپفایل)، همراه با ابرداده، نقشه و افسانه رنگی ( شکل ۳ الف) برای دسته های کاربری زمین دانلود کرد.
کاربری زمین بر این اساس در حدود ۳۰ طبقه سلسله مراتبی مختلف طبقه بندی شده است که در چند دسته اصلی گروه بندی شده اند: بافت شهری با تراکم های مختلف. مناطق صنعتی و تجاری؛ مناطق ترانزیت و راه آهن؛ آب، فضای سبز و امکانات ورزشی و تفریحی؛ جنگل ها و دیگر مناطق سبز [ ۳۰ ]. وضوح فضایی به کلاس متکی است. حداقل واحد نقشه برداری به ترتیب ۰٫۲۵ هکتار برای کلاس ۱ و ۱ هکتار برای کلاس ۲-۵ است ( شکل ۳)آ). حداقل عرض نقشه برداری ۱۰ متر است. هر دسته رنگ خاص خود را در نقشه و افسانه دارد. رنگ قرمز برای پارچه شهری استفاده می شود. رنگ آبی برای آب و تالاب ها؛ زرد برای زمین های زراعی (مراتع)؛ سبز برای مناطق سبز شهری (جنگل، پوشش گیاهی، مناطق ورزشی)؛ خاکستری برای جاده های ترانزیتی و راه آهن. مناطق خاصی مانند سایت های ساخت و ساز، بنادر و فرودگاه ها نیز نشان داده شده است ( شکل ۳ ).
آزمایش اصلی با تهیه داده ها برای شهرهای اروپایی از Urban Atlas آغاز شد. در مجموع ۷۸۷ مجموعه داده از مناطق شهری کاربردی (FUA) دانلود شد. مراکز شهرها از FUA انتخاب شدند. از آنجایی که داده‌های منبع نه تنها شامل شهرها، بلکه مناطق اطراف آن نیز می‌شد که شامل سایر شهرها، حومه‌ها، شهرک‌ها و روستاها (کل FUA) بود، مناطق مرکزی شهرها به صورت دستی با محدود کردن بخشهای اصلی آنها در FUA انتخاب شدند. نقاط مرکزی شهرها اساساً بر اساس مراکز تاریخی یا مکان مهم آنها تعیین می شد. این مراکز میدان‌های اصلی یا ساختمان‌های مهم مانند کلیساها، تالارهای شهر، ساختمان‌های شهرداری یا مراکز فعالیت تجاری یا ترافیک بودند [ ۱۸ ].]. عصاره دایره‌ای از گستره مرکزی اصلی شهرها از شکل فایل‌ها بریده شد. داده‌ها در ArcMap برای دسکتاپ در ArcGIS نسخه ۱۰٫۶ پردازش شدند و نقشه‌های رنگی دایره‌ای بر اساس رویه قبلی از ArcGIS در قالب JPG صادر شدند (به [ ۲۶ ] مراجعه کنید).
۲٫۳٫ شناسایی نقشه های مشابه
تحقیقات اولیه یک مجموعه داده کوچک را با تصاویر نقشه از پورتال نقشه آزمایش کرد: https://mapy.cz . مجموعه ای از ۲۰ نقشه پایه مختلف با استفاده از انتخاب تصادفی از مناطق مسکونی و کم مسکونی تهیه شد. مقیاس در هر یک تقریباً ۱:۲۰۰۰۰۰ تنظیم شد. اندازه به طور خاص یکسان نبود زیرا شباهت تصویر به اندازه آثار هنری بستگی ندارد [ ۲۲ ]. طرح نشان داده شده در شکل ۴ نشان می دهد که چگونه یک نقشه پایه مشابه با جستجو برای نزدیکترین همسایه با استفاده از فاصله کسینوس پیدا شد. جفت در شکل ۵a یک نقشه مرجع برای اطراف شهر Třeboň و چندین آب (برکه) نشان می دهد. این نزدیکترین نقشه به شهر Hustopeče است، که همچنین توسط آب (مخزن Nové Mlýny و حوضچه های کوچکتر) احاطه شده است. جفت دوم نقشه های همسایه در شکل ۵ ب نشان داده شده است. این دو نقشه همسایه چندین سکونتگاه با اندازه متوسط و چندین خط و تقاطع جاده های درجه یک و دو (اما تراکم بیشتر) و تعداد کمی از جنگل های سبز و توده های آبی را نشان می دهد. کشف خودکار زوج‌های همسایه از نقشه‌های پایه به این روش نویدبخش بود. جفت‌های دیگر نیز مورد بررسی قرار گرفتند (اما ارائه نشده‌اند)، و مقایسه بصری انتظارات نویسنده را در یافتن عصاره‌های مشابه از نقشه‌های پایه برآورده کرد.
آزمایش بعدی سعی کرد با چهار نوع نقشه اسکرین شات از همان پورتال نقشه کار کند. این شامل نقشه های تاریخی، نقشه های هوایی، و نقشه های پایه تبدیل شده به تصاویر سیاه و سفید بود. در مجموع، نمونه آزمایشی دوم شامل ۶۵ نقشه از چهار نوع بود. ویجت Image Grid یک شبکه شباهت را نشان می دهد (یعنی تصاویر با محتوای مشابه با یکدیگر گروه بندی شدند). ویجت را می توان برای مقایسه تصاویر و جستجوی شباهت ها یا تفاوت ها در نمونه های داده انتخاب شده استفاده کرد. شبکه تصویر حاصل برای ۶۵ نقشه در شکل ۶ نشان داده شده است . نتیجه نشان می دهد که چهار نوع نقشه به طور خودکار به چهار خوشه مختلف تفکیک شده اند. نتایج یادگیری بدون نظارت توسط Painters embedder بار دیگر نتایج امیدوارکننده‌ای را در پردازش نقشه‌ها نشان داد.
آزمایش نهایی در آزمایش اولیه سعی در پیش بینی نوع نقشه بر اساس دسته بندی های شناخته شده داشت. چهار نقشه نمونه دیگر شامل دو نقشه تاریخی و دو نقشه هوایی تهیه شد. Painter embedder توصیفگر ویژگی را برای این چهار نقشه محاسبه کرد. دومین جاسازی کننده Painter در گردش کار، بردار ویژگی را برای مجموعه ۶۵ نقشه بر اساس دسته محاسبه کرد. تخصیص به یک دسته با ویجت های رگرسیون لجستیک و پیش بینی، همانطور که در گردش کار نشان داده شده است ( شکل ۷ الف) به دست آمد. تخصیص حاصل از نقشه های جدید به دسته ها با درجه احتمال بالایی درست بود ( شکل ۷ب). دو نقشه هوایی به دسته نقشه هوایی (احتمال ۱ و ۹۹/۰) و دو نقشه تاریخی به دسته نقشه تاریخی (احتمال ۹۵/۰ و ۹۹/۰) اختصاص داده شد.
۳٫ نتایج شهرهای شبیه به هم از اطلس شهری
پس از انجام آزمایشات اولیه با نقشه های پرتال نقشه، آزمایش زیر با استفاده از کاربری اراضی شهرها انجام شد. آزمایش دوم همچنین کشف کرد که شبکه عصبی پیش‌آموز Painters، که خارج از نقشه‌برداری است، برای دسته‌بندی نقشه‌های کاربری زمین با وظایف داده‌کاوی مانند خوشه‌بندی، شباهت و یافتن نزدیکترین همسایه قابل استفاده است. شرح مفصلی از آزمایش دوم در ادامه می آید.
نرم افزار GIS ArcGIS for Desktop v. 10.6 [ ۳۱ ] برای پردازش داده های دانلود شده از Urban Atlas (فرمت shp) استفاده شد. روش شناسی از بخش ۲٫۲استفاده شد. ناحیه دایره ای با استفاده از نقطه مرکزی مناسب و عملیات بافر در ArcGIS تعریف شد. هر شهر به شکل دایره ای با قطر متفاوت بریده شده بود. گستردگی این نواحی همه بخشهای شهرها از جمله مناطق حومه‌ای پیوسته را در نظر می‌گیرد. تعریف قطرها با ملاحظات دقیق انجام شد تا بخش مهمی از شهرها از جمله اطراف جزئی را پوشش دهد. اگر شکل شهر کشیده بود، وسعت بیشتر شامل چمنزارها، مزارع و جنگل ها بود. اطلس شهری به افسانه رنگ یکپارچه مشترک همراه با داده های دانلود شده می پیوندد. در ArcGIS، همان رنگ افسانه (UrbanAtlas2012.lyr) برای مقوله‌های کاربری زمین در عصاره‌های دایره‌ای شهرها که قبلاً تهیه شده بود، اعمال شد. نقشه ها به تصاویر JPG با وضوح ۳۰۰ dpi از ArcGIS صادر شدند. مجموعه داده نهایی شامل ۷۸۷ تصویر از نقشه های دایره ای بود. سپس فرآیند داده کاوی در نرم افزار Orange ادامه یافت.
برای پردازش در نارنجی، همان گردش کار مورد استفاده در آزمایش اولیه اعمال شد ( شکل ۴ ). در بخش ۲٫۳، گردش کار قادر به یافتن نزدیکترین جفت همسایه (سه قلو و غیره) از تصاویر بود. به عنوان مثال، استخراج نقشه در آزمایش اولیه. مزیت این گردش کار این است که ممکن است با هر مجموعه داده دیگری در Orange استفاده شود و بنابراین بسیار مؤثر است. فقط دایرکتوری کار باید برای پردازش داده های جدید در ویجت Import Images تنظیم شود. ویجت های بعدی در گردش کار داده های جدید را به طور خودکار محاسبه می کنند. برای پردازش حدود ۸۰۰ تصویر از نقشه‌های کاربری اراضی شهرها، این نرم‌افزار به چند دقیقه زمان نیاز دارد، زیرا embedder داده‌ها را به سروری که شامل Painters شبکه عصبی از پیش آموزش دیده است ارسال می‌کند. توصیفگرهای تصویر پس از مدت کوتاهی بازگردانده می شوند. توصیفگرهای تصویر ماتریسی از ۷۸۷ × ۲۰۴۸ سلول است که هر ردیف توصیفگر یک تصویر است.
تحقیقات قبلی تنها زیرمجموعه ای از ۱۰۰ شهر اروپایی را مورد بررسی قرار داد [ ۲۶]. نتایج حاصل از این زیرمجموعه در مطالعه حاضر با یک مجموعه داده جدید و بزرگتر مقایسه شد. پردازش قبلی، خوشه‌بندی سلسله مراتبی را با فاصله کسینوس و روش پیوند وارد اعمال کرد. اولین زوج حاصل شهر ماریبور (اسلوونی) و برن (سوئیس) بود. آنها همچنین نزدیکترین همسایگان در مجموعه داده بزرگتر در این تحقیق جدید بودند. ویجت همچنین پارامتری را ارائه می دهد که می تواند دو یا چند همسایه را پیدا کند. نتایج جفت، سه قلو، کوارتت و غیره از شهرهای شبیه به هم هستند. نزدیکترین شهر به این جفت، پونتودرا (اسپانیا) بود، که در آن مناطق کاربری زمین منحنی شکل غالب است. تجزیه و تحلیل تصویر، اشکال کاربری زمین منحنی را نشان داد. جفت شهر بعدی وارویک و کمبریج در انگلستان بودند که با استفاده از ویجت Neighbor نیز یافت شدند. نزدیکترین شهر بعدی پرستون در انگلستان بود. این سه شهر با توجه به مراتع اطرافشان از نظر شکل مشابه بودند. تاریخ و شرایط جغرافیایی نیز ممکن است بر شباهت شهرها تأثیر بگذارد. غالباً شهرهای یک کشور به دلیل تحولات تاریخی و موقعیت جغرافیایی و همچنین تحول خاص صنعت در آن کشور مشابه هستند. یکی دیگر از زوج‌های حاصل، شهرهای چک بودجوویسه و هرادک کرالووه بودند. این شهرها با ترکیبی منظم از بافت شهری پیوسته با بافت شهری ناپیوسته با تراکم متوسط در الگوهای مجزا (سکونتگاه‌های کوچک سابق که ادغام شده‌اند و به مناطق شهری تبدیل شده‌اند) مشخص می‌شوند. شهرهای یک کشور به دلیل تحولات تاریخی و موقعیت جغرافیایی و همچنین تحول خاص صنعت در آن کشور مشابه هستند. یکی دیگر از زوج‌های حاصل، شهرهای چک بودجوویسه و هرادک کرالووه بودند. این شهرها با ترکیبی منظم از بافت شهری پیوسته با بافت شهری ناپیوسته با تراکم متوسط در الگوهای مجزا (سکونتگاه‌های کوچک سابق که ادغام شده‌اند و به مناطق شهری تبدیل شده‌اند) مشخص می‌شوند. شهرهای یک کشور به دلیل تحولات تاریخی و موقعیت جغرافیایی و همچنین تحول خاص صنعت در آن کشور مشابه هستند. یکی دیگر از زوج‌های حاصل، شهرهای چک بودجوویسه و هرادک کرالووه بودند. این شهرها با ترکیبی منظم از بافت شهری پیوسته با بافت شهری ناپیوسته با تراکم متوسط در الگوهای مجزا (سکونتگاه‌های کوچک سابق که ادغام شده‌اند و به مناطق شهری تبدیل شده‌اند) مشخص می‌شوند.
مطالعه حاضر با انتخاب سیستماتیک شهرها و شناسایی شهرهای مشابه با استفاده از ویجت Neighbor دنبال شد ( شکل ۴ ). تحلیل نزدیکترین همسایه به عنوان روش اصلی در یافتن شهرهای مشابه انتخاب شد. جفت شهرهای حاصل از کشورهای مختلف جالب ترین بودند. نمونه ها در شکل ۸ و ۱۲ جفت دیگر در ضمیمه A ارائه شده است.
نزدیکترین جفت همسایه جالب Zalaegerszeg (مجارستان) و Žilina (جمهوری اسلواکی) بودند. هر دو شهر شامل چندین منطقه صنعتی بزرگ و پیوسته (رنگ بنفش) هستند و حاشیه‌های شهری بسیاری از مناطق جنگلی را لمس می‌کنند. یک بافت شهری پیوسته بر روی یک بافت شهری با تراکم کم با وقوع کم در مراکز (تراکم ۸۰ درصد) این دو شهر غالب است ( شکل ۸).). هر دو شهر قبلا تحت یک رژیم کمونیستی بودند، که شاید یکی از دلایل مشابه بودن آنها باشد. علاوه بر این، وسعت هر دو شهر از یک دسته زیر ۱۰۰۰۰۰ نفر است. ژیلینا ۸۱۰۰۰ نفر و زلاگرسگ ۶۱۶۰۰ نفر سکنه دارند. هر دو در نزدیکی رودخانه قرار دارند و بسیاری از روستاهای اطراف را در نیمه دوم قرن بیستم جذب کردند. توسط هسته های جدا شده از بافت شهری پیوسته قابل مشاهده است. هر دو شهر به دلیل صنعت خود اهمیت محلی دارند.
شکل ۸ نیز جفت جالب دیگری را نشان می دهد: نووی ساد (صربستان) و تاربس (فرانسه). در هر دو شهر، مجموعه ای مستطیلی از الگوها در بافت شهری غالب است. هر دو شهر تنها دارای یک مرکز واحد و غالب با بافت شهری پر تراکم (مرکز تاریخی با ساختمان‌های قدیمی) هستند. یک بافت شهری ناپیوسته (تراکم ۵۰-۸۰٪) مساحت بیشتری را نسبت به بافت شهری پیوسته پوشش می دهد. مناطق جنگلی در اطراف این شهرها کم است یا وجود ندارد. هر دو شهر عمدتاً توسط زمین های زراعی و مزارع احاطه شده اند.
نتایج برای سه شهر شبیه به هم در شکل ۹ نشان داده شده است. شهرهای اودنسه (دانمارک)، متز (فرانسه) و مونستر (آلمان) شهرهایی را با پراکندگی معمولی به سمت چندین بخش (حومه‌های اطراف) و طرح‌بندی غیر همگن نشان می‌دهند. چیدمان غیر معمول این شهرها به دلیل وجود مناطق صنعتی و تجاری در مراکز آنها و در سراسر شهر است. نواحی صنعتی چندان پیوسته نیستند و گسترده هستند.
وقوع بالای بافت شهری با تراکم متوسط ناپیوسته را می توان در تقابل با بافت شهری پیوسته مشاهده کرد. این نمونه ای از شهرهای اروپای غربی است، اما نه شهرهای اروپای شرقی (به عنوان مثال، شهرهای Zalaegerszeg و Žilina). جنگل ها در جیب های کوچک جدا شده وجود دارند. الگوی کاربری اراضی موزاییکی در انواع مختلف است. سالزبورگ ( شکل ۳ ) نیز به گروه سوم تقریب می زند. بنابراین، شهرهای همسایه را می‌توان با تعریف گروه‌هایی از شهرهای مشابه با توجه به ویژگی‌های معمول آرایش کاربری اراضی آنها کاوش کرد.
علاوه بر جفت ها و سه قلوهای فوق الذکر، برخی از جفت های معمولی در پیوست A ارائه شده است. ابتدا خوشه بندی سلسله مراتبی با استفاده از فاصله کسینوس و روش وارد انجام شد. انتخاب ۱۲ جفت از پایین ترین سطح دندروگرام گرفته شد. آنها کمترین فاصله کسینوس را از یکدیگر دارند. این جفت ها در سراسر کشورهای اروپایی هستند. الگوهای مشابه جفت قابل مشاهده است. در اصل، همانطور که در پاراگراف های قبلی مقاله ارائه شد، می توان نزدیک ترین همسایه را برای هر شهر پیدا کرد. فاصله بین نزدیکترین جفت به طور طبیعی متفاوت است و گاهی اوقات بزرگتر از ۱۲ جفت نشان داده شده در پیوست A است.
یافته های شهرهای مشابه برای همکاری دولتی بین شهرهای شریک یا شهرهای دوقلو مفید خواهد بود، زیرا همکاری اغلب بین شهرهای اروپا برقرار می شود. یافتن زوج های مشابه جدید، فرصت پیوستن به زوج های جدید را ایجاد می کند. دولت شهرها تجربیات خود را در مورد نحوه برنامه ریزی و مدیریت شهرها به اشتراک می گذارند. هنگامی که شهرها از نظر کاربری زمین مشابه هستند، انتظار انجام وظایف برنامه ریزی شهری مشابه مربوط به مناطق مسکونی، عمومی، تجاری و صنعتی وجود دارد. طراحان شهری نیز می توانند از این یافته ها استفاده کنند.
علاوه بر این، تحقیق ارائه شده ایده‌ای را به شاخه جدیدی می‌آورد که “علم شهرها” نامگذاری شده است [ ۳۲ ]. هدف این علم درک و الگوبرداری از پدیده های در حال وقوع در شهرها است. مورفولوژی شهری، فعالیت ساکنان، انتخاب محل سکونت، گسترش شهری و تکامل شبکه‌های شهری و مکان‌یابی نواحی صنعتی فرآیندهای مهمی هستند که برای مدت طولانی مورد بحث قرار گرفته‌اند. مقایسه شهرهای شبیه به هم دیدگاه جدیدی را برای درک تکامل ساختار شهر به ارمغان می آورد.
۴٫ بحث
آزمایش ارائه شده سعی دارد نزدیکترین شهرهای همسایه را با توجه به آرایش فضایی ساختار کاربری اراضی شهری پیدا کند. شبکه عصبی از پیش آموزش داده شده هیچ اطلاعات اولیه ای در مورد شهرها و دسته بندی طبقه بندی ندارد. شبکه عصبی همچنین نیازی به اطلاعات قبلی در مورد قوانین طبقه بندی ندارد. طبقه بندی توسط شبکه های عصبی تحت عنوان “یادگیری بدون نظارت” است. این یک مزیت بزرگ شبکه های عصبی است. تحقیقات دیگر سعی کردند معیارها یا یک ویژگی دقیق، مانند خیابان‌ها یا بلوک‌های ساختمانی را بیان کنند [ ۱۲ ، ۱۳ ]، و شهرها را بر اساس این معیارها و ویژگی‌ها ارزیابی کنند. بدیهی است که یافته های ارائه شده از نزدیکترین همسایه عمدتاً بر اساس اندازه و شکل مناطق، رنگ ها و الگوهای کاربری زمین است.
معیارهای دیگر مانند بخش های دایره ای توسط یانوسک جهت گیری را در نظر می گیرند [ ۱۸ ]. بخش دایره ای دارای جهت گیری دقیق جغرافیایی است. پس از آن، شهرهای مشابه به دلیل وجود کاربری یکسان در جهت یکسان مشابه هستند. مزیت استفاده از شبکه عصبی این است که ارزیابی به جهتی که یک ساختار معین در شهر جهت گیری می کند (مناطق صنعتی در جنوب، مناطق سبز در شمال و غیره) بستگی ندارد. شبکه عصبی از پیش آموزش دیده ارائه شده این نوع محدودیت را ندارد. این روش چندین توزیع الگو را در نظر می گیرد.
بوئینگ پیچیدگی فرم شهری را اندازه گیری کرد [ ۱۴ ]. روش ارائه شده در مقایسه با تحقیقات بوئینگ به دو بعد ارائه شده توسط وی تعلق دارد: بعد فضایی و مقیاس. بعد فضایی با الگوهای زمین و دانه، به ویژه از نظر تنوع، اندازه و شکل بلوک، توزیع فضایی فرم‌های شهری، بافت‌های سطحی و فرم‌های شهری فراکتال توصیف می‌شود. از این نقطه، داده های کاربری اراضی از اطلس شهری بیانگر اطلاعات ایستا در مورد شهر است. سایر ابعاد برای اندازه گیری پیچیدگی، مانند ابعاد زمانی و بصری، رفتار انسان (رشد و کاهش جمعیت، ترافیک و غیره) و درک محیط ساخته شده (الگوهای نور خورشید، تاج درخت و غیره) را در نظر می گیرند.
قابلیت اطمینان یافته های شبکه عصبی و نزدیکترین همسایه به کیفیت داده های ورودی بستگی دارد. اولین نکته تنظیم مرکز عصاره دایره ای در شهر در مرحله آماده سازی داده است. این یک تنظیمات تعریف شده توسط کاربر است. همین معیارها برای مراکز تاریخی، بناهای تاریخی و غیره برای همه شهرها اعمال شد. بنابراین، تأثیر می تواند حداقل باشد. تأثیر بیشتر بر قابلیت اطمینان نتیجه، محیط اطراف شهرها را در نظر می گیرد، به ویژه زمانی که شکل شهر طولانی شود. آزمایش‌های آینده می‌توانند داده‌هایی را در قطر کمتری آماده کنند تا فقط دایره محاط شده درونی را پوشش دهند.
نرم افزار داده کاوی Orange به لطف فرم بصری طراحی گردش کار، رابط بصری دارد. گردش کار قابل درک است. استفاده از نرم افزار Orange و Image Analyst Embedder Painters بسیار ساده و در پردازش داده ها مفید است. علاوه بر این ابزارها، مراحل تحقیقی مورد استفاده در مطالعه حاضر ممکن است به عنوان یک سخنرانی عملی برای مطالعات دانشگاهی در ژئوانفورماتیک و برنامه ریزی شهری استفاده شود [ ۳۳ ]. نرم افزار Orange برای متخصصان ژئوانفورماتیک که دانش و مهارت پایه در داده کاوی دارند، انتخاب خوبی است. آماده‌سازی داده‌ها توسط نرم‌افزار ArcGIS معمولی است و می‌توان آن را به عنوان مهارت پیشرفته قابل انتظار ژئوانفورماتیک فرض کرد.
۵٫ نتیجه گیری ها
استفاده از یادگیری ماشینی در کشف الگوهای کاربری زمین در شهرها دانش جدیدی را باز می کند. پردازش نزدیک به ۸۰۰ شهر اروپایی نمونه‌هایی از شهرهای شبیه به هم را نشان داد که می‌توان آنها را بر اساس یک ترتیب معمول کاربری زمین مانند نمونه‌های ارائه شده توصیف کرد. شهرهایی با الگوهای موزاییکی و شهرهایی با مقوله‌های کاربری غالب (برخی از انواع بافت شهری) شناسایی شدند. چیدمان مناطق تجاری و صنعتی نیز مهم است. برخی از شهرها با مناطق منحنی شکل غالب مشخص می شوند، در حالی که برخی دیگر کاربری زمین را بر اساس اشکال مستطیلی دقیق نشان می دهند. برخی از شهرها جمع و جور هستند، در حالی که برخی دیگر دارای مناطق و حومه های منزوی تر هستند. شباهت در شهرها گاهی با طبیعت اطراف و آرایش مناطق سبز، جنگل ها و زمین های زراعی مشخص می شود.ضمیمه A. این جفت ها در نتیجه خوشه بندی سلسله مراتبی از پایین ترین سطح دندروگرام گرفته شدند.
آزمایش ارائه شده نمونه ای از دموکراتیک سازی داده ها و نرم افزارها است. داده های Urban Atlas و شبکه عصبی از پیش آموزش دیده نمونه هایی از داده ها و نرم افزارهای آزادانه در دسترس هستند (نرم افزار داده کاوی Orange). وقتی داده‌ها و نرم‌افزارها آزادانه در دسترس هستند، تولیدکنندگان اصلی می‌توانند حوزه‌های بسیار وسیع‌تر و متنوع‌تری را برای استفاده برای راه‌حل‌های مشکل در نظر بگیرند. گاهی اوقات حوزه های استفاده غیرمنتظره هستند. دموکراتیک کردن داده ها و نرم افزارها سودمند است. در مورد داده های اطلس شهری، هدف اولیه مقایسه و بررسی الگوهای تغییر کاربری اراضی است. یافته های شهرهای شبیه به هم در ابتدا قرار نبودند.
نویسنده به بررسی عمیق‌تر داده‌های کوپرنیک برای اروپا ادامه خواهد داد. نتایج مطالعه حاضر نویدبخش تحقیقات بیشتر در مورد ساختارهای شهری است. نویسنده قصد دارد این نتایج را تأیید کند. شناسایی شهرهای مشابه باید با احتیاط انجام شود، زیرا برخی از جفت ها شباهت خاصی نداشتند. در جریان تحلیل، پارامترهای تاریخی، وسعت و شرایط طبیعی شهرها باید حذف شوند. برخی از نتایج حاصل از الگوهای کاربری زمین می تواند به عنوان جهت گیری برای تعیین خوشه ها و گروه های ویژگی های مشترک در شهرها بر اساس این الگوهای کاربری زمین مورد استفاده قرار گیرد. خوشه بندی، طبقه بندی شهرها و تخصیص شهرهای معرف نمونه برای هر دسته نیاز به کار بیشتری در ترکیب سایر ویژگی های شهرها دارد. نویسنده فرض می‌کند که برخی از شهرها به دلیل آرایش کاربری خاص خود، خارج از خوشه باقی خواهند ماند. روش جدید به کار رفته در پژوهش حاضر تنها یکی از روش‌های شناسایی شهرهایی است که ممکن است مشابه باشند.
پیوست اول
شکل A1. جفت شهرهای مشابه بر اساس کاربری اراضی تولید شده توسط خوشه بندی سلسله مراتبی. ( الف ) مودنا (ایتالیا)؛ ( ب ) پارما (ایتالیا)؛ ( ج ) پرپینیان (فرانسه)؛ ( د ) پلوودیو (بلغارستان)؛ ( ه ) بازل (سوئیس)؛ ( f ) Bielsko-Biala (لهستان)؛ ( ز ) پروجا (ایتالیا)؛ ( h ) Plauen (آلمان)؛ ( i ) اورلئان (فرانسه)؛ ( j ) Poznaň (لهستان); ( k ) Guimares (پرتغال)؛ ( l ) Osnabrück (آلمان)؛ ( m ) آگزبورگ (آلمان)؛ ( n ) Aviles (اسپانیا); ( o ) لیوبلیانا (اسلوونی)؛ (p ) Lübeck (آلمان)؛ ( q ) Enschede (هلند); ( r ) Oviedo (اسپانیا)؛ ( s ) Glogow (لهستان); ( t ) ماستریخت (هلند)؛ ( u ) České Budějovice (جمهوری چک)؛ ( v ) Hradec Králové (جمهوری چک)؛ ( w ) Crawley (بریتانیا)؛ ( x ) Örebro (سوئد).
منابع
- هو، ی. لی، دبلیو. رایت، دی. آیدین، او. ویلسون، دی. ماهر، او. رعد، م. رویکردهای هوش مصنوعی. در مجموعه دانش علم و فناوری اطلاعات جغرافیایی ; ویلسون، جی پی، اد. UCGIS: ایتاکا، نیویورک، ایالات متحده آمریکا، ۲۰۱۹٫ [ Google Scholar ]
- Lunga، D. ابزارها و بسترهای هوش مصنوعی برای GIS. در مجموعه دانش علم و فناوری اطلاعات جغرافیایی ; ویلسون، جی پی، اد. UCGIS: ایتاکا، نیویورک، ایالات متحده آمریکا، ۲۰۱۹٫ [ Google Scholar ]
- اسری. مرکز تحقیق و توسعه Esri. در دسترس آنلاین: https://newdelhi.esri.com (در ۱۱ نوامبر ۲۰۱۹ قابل دسترسی است).
- سینگ، آر. ادغام یادگیری عمیق با GIS. در دسترس آنلاین: https://medium.com/geoai/integrating-deep-learning-with-gis-70e7c5aa9dfe (در تاریخ ۱۰ سپتامبر ۲۰۱۹ قابل دسترسی است).
- مایکروسافت. در هوش مصنوعی برای زمین شرکت کنید. در دسترس آنلاین: https://www.microsoft.com/en-us/ai/ai-for-earth (در ۱۱ دسامبر ۲۰۱۹ قابل دسترسی است).
- یورواستات آمار توضیح داده شده است. واژه نامه: منطقه شهری کاربردی. در دسترس آنلاین: https://ec.europa.eu/eurostat/statistics-explained/index.php/Glossary:Functional_urban_area (دسترسی در ۵ مه ۲۰۲۰).
- نووویچ، او. بردار، س. مساروس، م. کرنویویچ، وی. پاپادوپولوس، AN کشف رابطه بین پویایی اتصالات انسانی و کاربری زمین. Isprs Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۱۴۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- روشه، ک. ریمر، ام. استیچمن، آر. نقشه برداری و ارزیابی اتصال زیرساخت سبز در مناطق شهری اروپا. پایداری ۲۰۱۹ ، ۱۱ ، ۱۸۱۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- زامبون، آی. سرا، پ. پیلی، س. برناردینی، وی. فرارا، سی. سالواتی، L. رویکردی جدید به ساختار کاربری زمین: معیارهای محیطی وصله به عنوان ابزار تحلیل فضایی. پایداری ۲۰۱۸ ، ۱۰ ، ۲۱۴۷٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- ساوتورث، ام. Ben-Joseph, E. Streets and the Shaping of Towns and Cities ; مطبوعات جزیره: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۳٫ [ Google Scholar ]
- لوف، آر. بارتلمی، ام. گونه‌شناسی الگوهای خیابانی. رابط ۲۰۱۴ , ۱۱ . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- بوئینگ، جی. تجزیه و تحلیل چند مقیاسی از ۲۷۰۰۰ شبکه خیابان شهری: هر شهر، شهرک، منطقه شهری و محله زیلو ایالات متحده. محیط زیست طرح. ب مقعد شهری. علوم شهر ۲۰۱۸ ، ۴۷ ، ۵۹۰-۶۰۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- بوئینگ، جی. نظم فضایی شهری: جهت گیری، پیکربندی و آنتروپی شبکه خیابان. Appl. شبکه علمی ۲۰۱۹ ، ۴ ، ۶۷٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- بوئینگ، جی. اندازه گیری پیچیدگی فرم و طراحی شهری. شهری دس. بین المللی ۲۰۱۸ ، ۲۳ ، ۲۸۱-۲۹۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کورتات، تی. گلوگوئن، سی. دوآدی، س. ریاضیات و ریخت زایی شهرها: رویکردی هندسی. فیزیک Rev. E ۲۰۱۱ , ۸۳ . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- Sandu, A. مطالعه تطبیقی مورفولوژی شهری در اروپا با استفاده از GMES Urban Atlas: شهر پسا سوسیالیستی در مقابل شهر سرمایه داری (رومانی در مقابل فرانک). مجموعه مقالات کنفرانس انفورماتیک، ژئوانفورماتیک و سنجش از دور، جلد سوم. در مجموعه مقالات شانزدهمین کنفرانس بین‌المللی ژئوکنفرانس علمی چند رشته‌ای SGEM، در آلبنا، بلغارستان، ۲۸ ژوئن تا ۶ ژوئیه ۲۰۱۶٫ [ Google Scholar ]
- کوپرسکی، ک. Han, J. کشف قوانین تداعی فضایی در پایگاه های اطلاعات جغرافیایی. در مجموعه مقالات چهارمین سمپوزیوم بین‌المللی در پایگاه‌های اطلاعاتی فضایی بزرگ (SSD 95)، پورتلند، ME، ایالات متحده آمریکا، ۶ تا ۹ اوت ۱۹۹۵٫ [ Google Scholar ]
- یانوسک، ام. مقایسه منطقه شهری بر اساس بخشهای دایره ای. پایان نامه کارشناسی ارشد، دانشگاه Palacky، Olomouc، چک، ۲۰۱۹٫ [ Google Scholar ]
- برنامه کوپرنیک اطلس شهری در دسترس آنلاین: https://land.copernicus.eu/local/urban-atlas (در ۱ اکتبر ۲۰۱۹ قابل دسترسی است).
- Biolab. نارنجی. در دسترس آنلاین: https://orange.biolab.si (در ۴ مه ۲۰۱۹ قابل دسترسی است).
- Biolab. اسناد تجزیه و تحلیل تصویر Orange3. در دسترس آنلاین: https://buildmedia.readthedocs.org/media/pdf/orange3-imageanalytics/latest/orange3-imageanalytics.pdf (دسترسی در ۱۹ مه ۲۰۱۹).
- کاگل. مسابقه نقاش بر اساس اعداد، مصاحبه برنده مقام اول: Nejc Ilenič. در دسترس آنلاین: http://blog.kaggle.com/2016/11/17/painter-by-numbers-competition-1st-place-winners-interview-nejc-ilenic/ (در تاریخ ۱ ژوئیه ۲۰۱۰ قابل دسترسی است).
- Biolab. داده کاوی نارنجی، تجزیه و تحلیل تصویر: یافتن پول گمشده. در دسترس آنلاین: https://www.youtube.com/watch?v=6srGs5w9x8w (در ۵ ژانویه ۲۰۲۰ قابل دسترسی است).
- زوپان، ب. تصاویر شبیه به هم. در دسترس آنلاین: https://orange.biolab.si/blog/2020/2020-01-08-neighbors-images/ (در ۲۷ ژانویه ۲۰۲۰ قابل دسترسی است).
- Biolab. شروع به کار با Orange 14: تجزیه و تحلیل تصویر – خوشه بندی. در دسترس آنلاین: https://www.youtube.com/watch?v=Iu8g2Twjn9U (در ۱۲ اکتبر ۲۰۱۹ قابل دسترسی است).
- دوبسووا، ز. شباهت شهرهای اروپایی بر اساس تحلیل تصویر. در برنامه های کاربردی سیستم های هوشمند در مهندسی نرم افزار ; Silhavy, R., Silhavy, P., Prokopova, Z., Eds. انتشارات بین المللی Springer: چم، سوئیس، ۲۰۱۹; صص ۳۴۱-۳۴۸٫ [ Google Scholar ] [ CrossRef ]
- Biolab. Orange Visual Programming Documentation، نسخه ۳٫ موجود به صورت آنلاین: https://buildmedia.readthedocs.org/media/pdf/orange-visual-programming/latest/orange-visual-programming.pdf (در ۲۴ ژانویه ۲۰۲۰ قابل دسترسی است).
- برنامه کوپرنیک خدمات مانیتورینگ زمین کوپرنیک. در دسترس آنلاین: https://land.copernicus.eu/ (دسترسی در ۵ مه ۲۰۱۹).
- کمیسیون اروپایی. Urban Atlas 2012. دانلود. گزارش تحویل FUA. در دسترس آنلاین: https://land.copernicus.eu/local/urban-atlas/urban-atlas-2012?tab=download (در ۸ فوریه ۲۰۲۰ قابل دسترسی است).
- آژانس محیط زیست اروپا آژانس محیط زیست اروپا: دستورالعمل های نامگذاری مصور CLC به روز شده. در دسترس آنلاین: https://land.copernicus.eu/user-corner/technical-library/corine-land-cover-nomenclature-guidelines/docs/pdf/CLC2018_Nomenclature_illustrated_guide_20170930.pdf (دسترسی در ۳ فوریه ۲۰۱۹).
- اسری. ArcMap برای دسکتاپ. در دسترس آنلاین: http://desktop.arcgis.com/en/arcmap/ (در ۲ مارس ۲۰۱۹ قابل دسترسی است).
- Batty, M. The New Science of Cities ; انتشارات MIT: کمبریج، بریتانیا، ۲۰۱۳٫ [ Google Scholar ]
- Dobesova, Z. آموزش سیستم های پایگاه داده با استفاده از یک مثال عملی. علوم زمین آگاه کردن. ۲۰۱۶ ، ۹ ، ۲۱۵-۲۲۴٫ [ Google Scholar ] [ CrossRef ]
شکل ۱٫ گردش کار در نارنجی با ویجت های افزونه Image Analytics.
شکل ۲٫ جدول داده های خروجی پیشرفته با توصیفگرهای تصویر (ویژگی های n0 ، n1 ، n2 …) برای هر تصویر منبع پردازش شده با استفاده از ویجت Image Analytics (فقط استخراج جزئی از توصیفگرها).
شکل ۳٫ داده های نمونه: ( الف ) دسته بندی کاربری زمین در اطلس شهری ۲۰۱۲; ( ب ) عصاره مدور شهر سالزبورگ، منبع: [ ۲۹ ]، اعتبار نهایی ۲۹ ژوئن ۲۰۱۸؛ عصاره دایره ای – اثر نویسنده.
شکل ۴٫ گردش کار با ویجت های Image Embedding و Neighbors در نارنجی.
شکل ۵٫ دو جفت با نقشه های مشابه: ( الف ) نقشه های همسایه با آب. ( ب ) نقشه‌های همسایه با جاده‌های درجه یک و دوم (عصاره‌ها کار نویسنده از پورتال است: https://mapy.cz ، دسترسی به ۱۰ سپتامبر ۲۰۱۹).
شکل ۶٫ شبکه تصویر به رنگ نارنجی با تصویر کوچک نقشه آزمایش شده، با چهار خوشه آشکار که بر اساس نقشه های پایه، تاریخی، هوایی، و سیاه و سفید مرتب شده اند (کار نویسنده).
شکل ۷٫ پیش‌بینی دسته نقشه: ( الف ) گردش کار برای پیش‌بینی دسته‌بندی نقشه با استفاده از ویجت‌های رگرسیون لجستیک و پیش‌بینی. ( ب ) جدول خروجی پیش بینی ها با احتمالات برای چهار نقشه.
شکل ۸٫ جفت های شهر شبیه به هم جالب. (منبع: [ ۲۹ ]، اعتبار نهایی Zalaegerszeg 29 ژوئن ۲۰۱۸، Žilina، ۱۶ دسامبر ۲۰۱۵، نووی ساد، ۲۲ مه ۲۰۱۸، تاربس ۲۹ ژانویه ۲۰۱۶؛ عصاره دایره ای – اثر نویسنده).
شکل ۹٫ سه گانه جالب از شهرهای شبیه به هم. ( الف ) اودنسه؛ ( ب ) متز; ( ج ) مونستر. (منبع: [ ۲۹ ]، متز ۱۶ دسامبر ۲۰۱۵، مونستر، ۲۳ مارس ۲۰۱۸؛ عصاره دایره ای – اثر نویسنده).
بدون دیدگاه