مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

شناسایی منطقه عملکردی شهری در سطح ساختمان بر اساس داده‌های انباشته چند ویژگی از تلفن‌های همراه – روشی ترکیبی از سری‌های زمانی چند بعدی با یک شبکه عصبی SOM

مقالات شناسایی منطقه عملکردی شهری در سطح ساختمان بر اساس داده‌های انباشته چند ویژگی از تلفن‌های همراه - روشی ترکیبی از سری‌های زمانی چند بعدی با یک شبکه عصبی SOM

به تصویر کشیدن مناطق شهری کاربردی، بینش های مفیدی را برای درک سیستم های پیچیده شهری و تدوین برنامه های شهری منطقی ارائه می دهد. داده‌های مسیر کاربر تلفن همراه اغلب برای استنباط الگوهای فعالیت فردی افراد و شناسایی ناحیه عملکردی استفاده می‌شوند، اما به‌دلیل مسائل مربوط به حریم خصوصی شخصی به سختی به دست می‌آیند و دارای اشکال توزیع مکانی و زمانی پراکنده هستند. مدل‌های یادگیری عمیق به طور گسترده در تشخیص ناحیه عملکردی مورد استفاده قرار گرفته‌اند، اما به دلیل دشواری به دست آوردن نمونه‌های آموزشی با حجم داده‌های بزرگ محدود شده‌اند. هدف این مقاله دستیابی به شناسایی سریع و خودکار مناطق عملکردی شهری در مقیاس بزرگ بدون دانش قبلی است. این مقاله از شهر نانجینگ به عنوان منطقه آزمایشی استفاده می کند. و یک مدل شبکه عصبی نقشه خودسازماندهی (SOM) بر اساس فاصله تاب زمانی پویا (Ndim-DTW) بهبود یافته برای شناسایی خودکار عملکرد هر ساختمان با استفاده از داده‌های جمع‌آوری شده تلفن همراه حاوی ویژگی‌های محل کار و سکونت استفاده می‌شود. نتایج نشان می دهد که دقت تشخیص به ۸۸٫۷ درصد می رسد که ۱۲٫۴ درصد بیشتر از روش K-medoids بر اساس فاصله DTW با استفاده از یک ویژگی واحد و ۷٫۸ درصد بیشتر از روش K-medoids بر اساس Ndim- است. فاصله DTW با ویژگی های چندگانه، تایید کننده اثربخشی داده های انباشته شده تلفن همراه چند ویژگی و مدل SOM بر اساس فاصله Ndim-DTW است. علاوه بر این، در سطح منطقه تحلیل ترافیک (TAZ)، این مقاله تشخیص می‌دهد که نانجینگ دارای هفت نقطه حساس منطقه عملکردی با درجه بالایی از اختلاط است.

کلید واژه ها:

مناطق عملکردی شهری ; داده های جمع آوری موبایل ; تاب خوردگی زمان پویا ; SOM

۱٫ مقدمه

مناطق کارکردی شهری برای اولین بار در منشور آتن پیشنهاد شد، که از برنامه ریزان خواسته شد تا با چهار نوع منطقه شهری سروکار داشته باشند: مناطق مسکونی، کاری، تفریحی و حمل و نقل [ ۱ ]. همانطور که شهر به رشد خود ادامه می دهد، ظهور مناطق عملکردی دیگر ساختار فضایی شهر را پیچیده تر می کند [ ۲ ، ۳ ]. نوع این مناطق عملکردی را می توان با فعالیت ها یا فعل و انفعالات فضایی که ممکن است در منطقه رخ دهد تعریف کرد [ ۴ ، ۵ ]. مطالعه مناطق کارکردی شهری منجر به برنامه ریزی منطقی و پایدار شهرهای آینده و استفاده کارآمد و کافی از فضای شهری می شود . ۷ ].]. در عین حال، کشف مناطق عملکردی شهری جنبه های مختلف زندگی، سلامت و حمل و نقل انسان را تسهیل می کند [ ۸ ، ۹ ، ۱۰ ]. بنابراین، جمع‌آوری مؤثر اطلاعات در زمینه‌های عملکردی مختلف شهرها بسیار مهم است. روش‌های مبتنی بر تکنیک‌های سنجش از دور مرسوم (RS) و تصاویر سنجش از دور با وضوح فضایی بالا (HSR) به طور گسترده برای استخراج و تجزیه و تحلیل کاربری اراضی شهری و پوشش زمین به دلیل توانایی آن‌ها در به تصویر کشیدن ظاهر طبیعی سطح زمین استفاده شده است [ ۱۱ , ۱۲ ، ۱۳ ، ۱۴]. با این حال، مناطق عملکردی شهری معمولاً بیشتر به ویژگی‌های اجتماعی-اقتصادی درون منطقه توجه دارند، و تشخیص چنین ویژگی‌هایی از تصاویر سنجش از راه دور، که در پاسخ به ویژگی‌های فیزیکی سطح ویژگی‌ها (مانند بازتاب و بافت) خوب هستند، دشوار است. [ ۱۵ ].
با توسعه خدمات مکان سیار و فناوری‌های پردازش ابری، داده‌های بزرگ حسگر اجتماعی که زندگی روزمره انسان را ثبت می‌کنند، مانند داده‌های نقطه‌نظر (POI) [ ۱۶ ، ۱۷ ]، داده‌های رسانه‌های اجتماعی [ ۱۸ ، ۱۹ ]، داده‌های مسیر تاکسی [۱۸، ۱۹]. ۲۰ ، داده‌های نمای خیابان [ ۲۱ ] و داده‌های مکان تلفن همراه [ ۱۱ ، ۲۲ ]، که حاوی ویژگی‌های اقتصادی-اجتماعی غنی هستند، به طور گسترده در ترسیم مناطق عملکردی شهری استفاده می‌شوند. به عنوان مثال، یائو و همکاران. (۲۰۱۷) از داده های POI با اطلاعات معنایی و مکان غنی برای استخراج بردارهای ویژگی با ابعاد بالا POI در یک TAZ برای شناسایی انواع کاربری زمین شهری استفاده کرد [ ۱۶ ]]. اطلاعات موجود در داده‌های POI می‌تواند برای توصیف کمیت و توزیع هر نوع کاربری زمین در منطقه مورد استفاده قرار گیرد، اما استفاده از اطلاعات موجود در این داده‌ها برای طبقه‌بندی مستقیم مناطق عملکردی یک شهر ممکن نیست. به عنوان مثال، رستوران های واقع در مناطق مسکونی عمدتاً نیازهای روزانه ساکنان مجاور را تامین می کنند، در حالی که رستوران های بزرگ واقع در مناطق تجاری نقش جذب بازدیدکنندگان از سراسر جهان را ایفا می کنند. POI ها با عملکردهای مشابه ممکن است به دلیل مکان های متفاوت در مناطق عملکردی مختلف طبقه بندی شوند. یک همبستگی قوی بین عملکرد یک منطقه و فعالیت های رفتاری افرادی که از آن بازدید می کنند وجود دارد [ ۲۳ , ۲۴ ]]. اگر داده‌های POI معنایی غنی را با داده‌های جغرافیایی جدید که رفتار و فعالیت‌های ساکنان را منعکس می‌کند، مانند داده‌های مسیر فعالیت فردی ساکنان و اطلاعات ورود کاربران شبکه اجتماعی مبتنی بر مکان ترکیب کنیم، می‌توانیم مناطق عملکردی شهری را با دقت بیشتری شناسایی کنیم [ ۵ ، ۱۸ ]. ، ۲۵ ]. در مقایسه با داده‌های رسانه‌های اجتماعی، مسیر تاکسی و کارت حمل‌ونقل عمومی، داده‌های تلفن همراه دارای مزایای تعداد زیادی کاربر، پوشش فضایی گسترده و دسترسی غیرفعال قوی است که می‌تواند فعالیت‌ها و رفتار جمعیت شهری را در فضای بیشتری منعکس کند. روشی عینی و جامع
داده های مکان تلفن همراه شامل دو نوع مسیر کاربر بر اساس مکان و داده های انبوه بر اساس ایستگاه های پایه است. داده های مسیر به طور گسترده ای برای استنباط الگوهای فعالیت فردی [ ۲۶ ، ۲۷ ]، تخمین توزیع جمعیت در مقیاس های مکانی و زمانی دقیق [ ۲۲ ، ۲۸ ] و طبقه بندی مناطق عملکردی شهری در ترکیب با داده های رسانه های اجتماعی [ ۱۹ ] به دلیل جمعیت کامل استفاده می شوند. اطلاعات مسیر از آنجایی که داده های مسیر شامل مسائل مربوط به حریم خصوصی شخصی است، به دست آوردن چنین داده هایی دشوار است، و این داده ها تنها زمانی ثبت می شوند که رویدادهایی مانند تماس، پیامک یا جابجایی مکان رخ می دهد، که دارای نقص توزیع مکانی و زمانی پراکنده است [ ۲۹ ]]. در مقابل، هنگامی که ساکنان به منطقه تحت پوشش ایستگاه های پایه ارتباطات سیار منتقل می شوند و درخواست خدمات مبتنی بر مکان را ارائه می کنند، داده های تجمیع تلفن همراه به طور خودکار و سریع ثبت می شوند. با توجه به تراکم توزیع فضایی بالای ایستگاه‌های پایه در داخل شهرها، رفتار مکانی-زمانی فعالیت‌های ساکنان را می‌توان به خوبی دریافت کرد. ۳۰ ]]. داده های جمع آوری شده شامل حریم خصوصی یا امنیت شخصی نمی شود. بنابراین، آنها اغلب اطلاعات جانبی در مورد کاربران تلفن همراه، مانند جنسیت، سن و ویژگی‌های شغلی آن‌ها ارائه می‌کنند، که می‌تواند بهبود توصیف الگوهای فعالیت جمعیت را بهبود بخشد و به درک بهتر ساختار فضایی شهری کمک کند. برای مثال، ژان و همکاران. (۲۰۱۳) ویژگی‌های فضایی شرایط سکونت و اشتغال ساکنان پکن را بر اساس ویژگی‌های اجتماعی مانند سن، تحصیلات و درآمد ساکنان شهری توصیف کرد [ ۳۱ ]. شیائو و همکاران (۲۰۱۷) همبستگی بین توزیع پارک ها و خوشه بندی فضایی گروه های اجتماعی مختلف (به عنوان مثال، سنین مختلف، سطوح مختلف درآمد) را بیشتر مورد بررسی قرار داد [ ۳۲ ].
نحوه استفاده از رفتارهای فعالیت اجتماعی-اقتصادی جمعیت برای استنباط عملکرد مناطق شهری، کلید طبقه بندی مناطق عملکردی است. مدل‌های موضوع احتمالی (PTMs) اغلب برای استنتاج توابع شهری استفاده می‌شوند [ ۱۸ ، ۳۳ ] اما از اشکالاتی رنج می‌برند که الگوریتم‌ها زمان‌برتر هستند و به دانش قبلی و تنظیم دقیق پارامترها بسیار حساس هستند. مدل k-medoids مبتنی بر فاصله DTW روش اصلی برای منطقه بندی عملکردی شهرها با استفاده از داده های رسانه های اجتماعی و POI است زیرا مستقیماً توسط داده های خام هدایت می شود و هزینه محاسباتی پایینی دارد [ ۳۴ ]]. روش DTW فقط می تواند فاصله بین داده های سری زمانی ویژگی های یک بعدی را محاسبه کند و می تواند برای حل مشکل داده های ویژگی چند بعدی بهبود یابد [ ۳۵ ]. از سوی دیگر، نتایج الگوریتم‌های خوشه‌بندی مبتنی بر k-means یا k-medoids اغلب تحت تأثیر k-value و مراکز خوشه اولیه قرار دارند. مدل فقط می تواند معنای سطحی داده ها را در طول فرآیند خوشه بندی به دست آورد و نمی تواند ویژگی های ضمنی با ابعاد بالا را بیاموزد [ ۳۶ ]. بنابراین، رویکرد شبکه LSTM برای استخراج الگوهای فعالیت جمعیت برای شناسایی منطقه عملکردی شهری استفاده می‌شود [ ۳۷]. با این حال، مدل‌های شبکه LSTM به مقدار زیادی از داده‌های برچسب‌گذاری شده به عنوان نمونه‌های آموزشی نیاز دارند، که شناسایی منطقه عملکردی بزرگ و سریع در مناطق شهری را محدود می‌کند. روش‌های خوشه‌بندی مبتنی بر یادگیری عمیق، مانند نقشه خود سازمان‌دهی (SOM)، نیازی به نمونه‌های آموزشی ندارند و نمایشی با ابعاد کم از هر نقطه داده برای یادگیری شبکه و خوشه‌بندی از طریق خودبهینه‌سازی شبکه به دست می‌آورند [ ۳۸ ]. SOM به طور گسترده در خوشه بندی الگو، تشخیص گفتار و سایر تحقیقات استفاده شده است [ ۳۹ ، ۴۰ ]]. Wandeto و همکاران (۲۰۱۸) از روش SOM برای تشخیص تغییرات بالقوه در شرایط محیطی یا ساختار منظر شهری در یک سری زمانی بزرگ از داده های تصویری استفاده کرد و نشان داد که این روش می تواند به سرعت و به طور موثر تغییرات چشم انداز شهری لاس وگاس را طی دوره ۱۹۸۴-۲۰۰۸ شناسایی کند. [ ۳۹]. با این حال، هیچ تحقیقی در مورد استفاده از روش SOM برای تشخیص الگوهای فعالیت جمعیت و سپس تعیین مناطق عملکردی شهری گزارش نشده است. بنابراین، هدف این مقاله بررسی این است که آیا روش SOM بر اساس فاصله چند بعدی DTW می‌تواند به طور موثر مناطق عملکردی شهری را بدون نمونه‌های آموزشی شناسایی کند. به طور خاص، این مقاله شهر نانجینگ را به عنوان منطقه آزمایشی در نظر می گیرد، هر ساختمان را به عنوان هدف تحقیق در نظر می گیرد و از داده های تلفن همراه انباشته با ویژگی های محل کار و سکونت و روش SOM بر اساس فاصله Ndim-DTW برای استنباط نوع عملکردی هر ساختمان استفاده می کند. . داده‌ها بیشتر در سطح TAZ جمع‌آوری می‌شوند تا نقاط حساس منطقه عملکردی شهری بالقوه را شناسایی کنند. دقت داده‌های تلفن همراه با یا بدون اطلاعات ویژگی و نتایج طبقه‌بندی روش‌های مختلف خوشه‌بندی مقایسه می‌شوند، و دقت نقاط حساس ناحیه عملکردی شناسایی‌شده به صورت کیفی ارزیابی می‌شود. در نهایت، رابطه نقاط حساس منطقه عملکردی با برنامه ریزی شهری و تراکم جمعیت به طور جداگانه مورد بحث قرار می گیرد.

۲٫ منطقه مطالعه و مجموعه داده ها

۲٫۱٫ منطقه مطالعه

نانجینگ در بخش شرقی چین، در وسط پایین دست رودخانه یانگ تسه، با مساحت کل ۶۵۸۷ کیلومتر مربع و مساحت ساخته شده ۹۷۱٫۶۲ کیلومتر مربع واقع شده است ( http://tj.jiangsu.gov .cn/2020/nj18/nj1805.htm ، قابل دسترسی در ۱۸ نوامبر ۲۰۲۱). نانجینگ به عنوان یک شهر مرکزی مهم در شرق چین، دارای سطح بالایی از توسعه اقتصادی و فرهنگی، الگوی شهری پیچیده و انواع کاربری‌های زمین بسیار مختلط است. در این مقاله، ۹ منطقه اداری در نانجینگ به عنوان منطقه مورد مطالعه انتخاب شده‌اند که شامل شش منطقه شهری اصلی گولو، ژوان‌وو، جیانیه، کوین‌هوای، کیشیا، و یوهواتای و همچنین مناطق جیانگ‌نینگ، لیشوی و پوکو می‌شود. شکل ۱ ).

۲٫۲٫ داده ها

ما از پنج مجموعه داده شهری زیر برای شناسایی مناطق عملکردی شهری استفاده کردیم:
  • داده های مشترکین موبایل داده های مشترکین تلفن همراه که نه منطقه در نانجینگ را پوشش می دهد ( شکل ۱ج) از شرکت موبایل جیانگ سو خریداری و از ۱۸ تا ۲۴ فوریه ۲۰۱۹ خریداری شد. با وضوح زمانی ساعتی و وضوح فضایی شبکه ۱۵۰ × ۱۵۰ متر. هر زمان که یک تلفن همراه با یک ایستگاه پایه ارتباط برقرار کند (مانند دریافت تماس، ارسال و دریافت پیامک، به‌روزرسانی موقعیت مکانی)، ایستگاه پایه به طور خودکار داده‌های سیگنالی حاوی اطلاعات مکان ایستگاه پایه را ضبط و تولید می‌کند. داده‌های مشترک تلفن همراه خریداری‌شده با ویژگی‌های کار و محل سکونت کاربران همراه است. ویژگی های کاربر بر اساس محدوده دوره های زمانی و مدت زمانی که کاربر در منطقه تحت پوشش ایستگاه پایه می ماند، مورد قضاوت قرار می گیرد. روش تبعیض خاص به شرح زیر است: هنگامی که کاربر بیش از ۷ روز در ماه در منطقه تحت پوشش ایستگاه پایه ظاهر می شود و زمان حضور از ۱۰:۰۰ تا ۱۷ است: ۰۰، ویژگی کار به کاربر اختصاص داده می شود. هنگامی که کاربری که بیش از ۷ روز در منطقه تحت پوشش ایستگاه پایه ظاهر می شود و زمان حضور از ساعت ۰:۰۰ تا ۶:۰۰ یا ۲۱:۰۰ تا ۲۳:۰۰ باشد، ویژگی اقامت به کاربر اختصاص داده می شود. تعداد کاربران تلفن همراه، کاربران ویژگی های مسکونی و کاربران ویژگی کار در هر منطقه ایستگاه پایه در هر ساعت به صورت آماری به دست می آید و داده های جمعیتی این سه ویژگی در یک شبکه ۱۵۰ × ۱۵۰ متر درون یابی می شوند. هر شبکه شامل شناسه شبکه، زمان (که در آن سال ۲۰۱۹ نشان دهنده سال است، ۰۲۱۸ نشان دهنده ۱۸ فوریه، و ۰۱۰۰ نشان دهنده ساعت ۱:۰۰ صبح)، طول و عرض جغرافیایی و تعداد افراد با ویژگی های مختلف است. ۰۰ یا ۲۱:۰۰ تا ۲۳:۰۰، ویژگی اقامت به کاربر اختصاص داده می شود. تعداد کاربران تلفن همراه، کاربران ویژگی های مسکونی و کاربران ویژگی کار در هر منطقه ایستگاه پایه در هر ساعت به صورت آماری به دست می آید و داده های جمعیتی این سه ویژگی در یک شبکه ۱۵۰ × ۱۵۰ متر درون یابی می شوند. هر شبکه شامل شناسه شبکه، زمان (که در آن سال ۲۰۱۹ نشان دهنده سال است، ۰۲۱۸ نشان دهنده ۱۸ فوریه، و ۰۱۰۰ نشان دهنده ساعت ۱:۰۰ صبح)، طول و عرض جغرافیایی و تعداد افراد با ویژگی های مختلف است. ۰۰ یا ۲۱:۰۰ تا ۲۳:۰۰، ویژگی اقامت به کاربر اختصاص داده می شود. تعداد کاربران تلفن همراه، کاربران ویژگی های مسکونی و کاربران ویژگی کار در هر منطقه ایستگاه پایه در هر ساعت به صورت آماری به دست می آید و داده های جمعیتی این سه ویژگی در یک شبکه ۱۵۰ × ۱۵۰ متر درون یابی می شوند. هر شبکه شامل شناسه شبکه، زمان (که در آن سال ۲۰۱۹ نشان دهنده سال است، ۰۲۱۸ نشان دهنده ۱۸ فوریه، و ۰۱۰۰ نشان دهنده ساعت ۱:۰۰ صبح)، طول و عرض جغرافیایی و تعداد افراد با ویژگی های مختلف است.جدول ۱ ).
  • داده های ساختمان داده های برداری ساختمان ها در منطقه اصلی شهری نانجینگ عمدتاً با بارگیری از پلت فرم BIGEMAP ( http://www.bigemap.com/ ، دسترسی به ۱۸ نوامبر ۲۰۲۱) به دست آمده است. داده‌های ساختمانی از دست رفته در اطراف حومه‌ها با همپوشانی با تصاویر شهری GF-2 به‌دست آمدند و سپس به صورت بصری تفسیر شدند. تصاویر GF-2-شهری پس از رهگیری تصویر GF-2 با توزیع سطح غیرقابل نفوذ در نانجینگ (از وب سایت http://data.ess.tsinghua.edu.cn/ ، مشاهده شده در ۱۸ نوامبر ۲۰۲۱) به دست آمد. منطقه ساخته شده [ ۴۱]. داده‌های سطح غیرقابل نفوذ به سطوحی مانند سقف‌ها، روسازی‌های آسفالتی یا روسازی‌های بتنی اشاره دارد و در این مطالعه، ما از سطوح غیرقابل نفوذ ۲۰۱۸ استخراج‌شده از تصاویر Landsat با استفاده از چارچوب «exclude and شامل» [ ۴۲ ] برای نشان دادن وسعت ساخت‌شده استفاده می‌کنیم. بالای منطقه نانجینگ داده‌های GF-2 از پلت‌فرم سرویس داده‌های ماهواره‌ای رصد زمین ( http://36.112.130.153:7777/DSSPlatform/index.html ، قابل دسترسی در ۱۸ نوامبر ۲۰۲۱) در ۲۳ مه ۲۰۱۹ دانلود شدند. داده‌های GF-2 حاوی پانکروماتیک (PAN) هستند. ) تصاویر با وضوح ۰٫۸۹ متر و تصاویر چند طیفی (MSS) با وضوح ۳٫۲ متر. داده‌های MSS تحت تصحیح RPC [ 43 ]، کالیبراسیون رادیومتری و تصحیح جوی FLAASH [ ۴۳ ] قرار گرفتند. ۴۴ ] قرار گرفتند.]، و داده ها با داده های PAN اصلاح شده با RPC با استفاده از روش انتشار نزدیکترین همسایه [ ۴۵ ] ترکیب شدند. در نهایت، ۱۲۲۵۴۴ چند ضلعی ساختمانی در منطقه ساخته شده نانجینگ وجود داشت ( شکل ۲ )، که به عنوان واحدهای تحلیل پایه برای خوشه بندی بعدی مناطق عملکردی شهری استفاده شد.
  • داده های POI داده‌های POI سرویس نقشه Gaode که منطقه مورد مطالعه را پوشش می‌دهد در دسامبر ۲۰۱۸ به دست آمد و از Gaode ( https://lbs.amap.com ، دسترسی به ۱۸ نوامبر ۲۰۲۱)، یکی از بزرگترین ارائه‌دهندگان خدمات نقشه‌برداری وب در چین، خریداری شد. POI می‌تواند همه مکان‌های دارای موقعیت مکانی را نشان دهد که دارای وسعت فضایی بزرگ یا کوچک و تشخیص زیاد یا کم هستند، اما همه POI نمی‌توانند اطلاعات مؤثری برای حدس‌زنی عملکرد ساختمان ارائه دهند، یا حتی باعث تداخل شوند، بنابراین نقاط با دانه‌بندی فضایی کوچک و تشخیص عمومی کم، مانند توالت های عمومی، ایستگاه های اتوبوس، دکه های روزنامه فروشی و غیره، ابتدا باید از داده های اصلی حذف شوند [ ۴۶ ]]. سپس، با مراجعه به گونگ و همکاران، نقاط POI باقی‌مانده با توجه به نوع عملکرد ساختمان طبقه‌بندی شدند. (۲۰۱۹) برای معیارهای طبقه بندی کاربری زمین شهری در چین [ ۴۷ ، ۴۸ ]. داده‌های POI به‌دست‌آمده در نه دسته، یعنی: مسکونی، گروه‌بندی شدند. کسب و کار؛ مراکز خرید؛ صنعتی؛ اداری؛ پزشکی؛ پارک ها و فضای سبز؛ آموزشی; و امکانات عمومی ( جدول ۲). با توجه به ویژگی داده ها و منطقه مورد مطالعه، دسته بندی های POI ما کمی با سیستم طبقه بندی متفاوت است. برای مثال، مقوله تجاری به مراکز خرید و تجارت تقسیم می‌شود، زیرا داده‌های ما می‌تواند فعالیت‌های افرادی را با ویژگی‌های شغلی و مسکونی به خوبی نشان دهد، و آموزش به طور جداگانه از امکانات عمومی متمایز شد زیرا نانجینگ از نظر منابع آموزشی غنی است. از آنجایی که تعداد دسته‌های POI مختلف بسیار متفاوت است و توزیع فضایی انواع کاربری‌های زمین یکسان ناهموار است، داده‌های POI اصلی باید بازسازی شوند تا سوگیری داده‌ها حذف شود. روش های بازسازی عمدتاً شامل موارد زیر است: (۱) در پاسخ به مشکل علامت گذاری مکرر POI های تجاری، ما POI های تجاری با فاصله کمتر از ۱۰ متر را حذف کردیم. (۲) از آنجایی که تعداد POIهای صنعتی و مسکونی دست کم گرفته شده بود، POIهای صنعتی و مسکونی طبق روش پیشنهادی ژانگ و همکاران اضافه شدند. [۴۹ ]; و (۳) برای رده عمومی، POIها با تفسیر بصری به دلیل دقت طبقه بندی نسبتا پایین تر از طریق روش فوق، بر روی ساختمان ها اضافه شدند. مقدار داده های بازسازی شده توسط POI به طور قابل توجهی افزایش یافت ( جدول ۲ )، و انواع مختلف کاربری زمین به طور مساوی در فضا توزیع شدند. روش بازسازی داده های POI و توزیع فضایی داده های POI بازسازی شده ارجاع داده شده است [ ۴۱ ]. داده های ساخته شده توسط POI برای حاشیه نویسی انواع عملکردی ساختمان استفاده می شود.
  • منطقه تحلیل ترافیک منطقه تحلیل ترافیک با همپوشانی بافرهای شبکه جاده ای OSM با داده های سطح غیرقابل نفوذ شهر نانجینگ ایجاد می شود. در این مطالعه، داده های شبکه جاده ای OSM شهر نانجینگ برای دسامبر ۲۰۱۸ از OpenStreetMap ( https://www.openstreetmap.org ، دسترسی به ۱۸ نوامبر ۲۰۲۱) دانلود شد. OSM به هفت کلاس تقسیم شد و شعاع های بافر مختلفی را تنظیم کرد که با شمارش شعاع واقعی جاده به دست آمد. به عنوان مثال، اولیه روی ۴۴ متر، ثانویه روی ۳۴٫۸ متر، ثالث روی ۳۰٫۴ متر، مسکونی به ۲۱٫۵ متر، بزرگراه ها به ۴۲ متر، تنه به ۶۰٫۵ متر و راه آهن به ۷٫۷ تنظیم شد. m، همانطور که در [ ۴۱] توضیح داده شده است. پس از همپوشانی، ۸۲۰۹ منطقه تجزیه و تحلیل ترافیک نهایی (TAZ) به دست آمد.
  • FROM-GLC10. FROM-GLC10 اولین نقشه جهانی پوشش زمین با وضوح ۱۰ متر در جهان است [ ۵۰ ]، و می توان آن را به صورت رایگان از این وب سایت دانلود کرد ( http://data.ess.tsinghua.edu.cn/ ، در ۱۸ نوامبر ۲۰۲۱ مشاهده شد) . در این مطالعه، داده‌های FROM-GLC10 با مرزهای منطقه مورد مطالعه برای به دست آوردن انواع پوشش زمین در نانجینگ، از جمله بدنه‌های آبی، مراتع، زمین‌های خشک و جنگل‌ها رهگیری شدند.

۳٫ روش

روش تحقیق شامل چهار مرحله زیر است ( شکل ۳ ): در مرحله اول، داده های مشترکین تلفن همراه از پیش پردازش می شوند که شامل تخمین تراکم هسته برای به دست آوردن تراکم جمعیت ویژگی و تولید سری های زمانی دو بعدی جمعیت صفت می شود. منحنی ها؛ در مرحله دوم، مدل شبکه SOM ساخته می‌شود و الگوها خوشه‌بندی می‌شوند. در مرحله سوم، نتایج خوشه‌بندی با داده‌های POI بازسازی‌شده برای طبقه‌بندی عملکردهای ساختمان فردی و شناسایی نقاط حساس عملکردی شهری در سطح TAZ پوشانده می‌شوند. چهارم، صحت نتایج تایید می شود.

۳٫۱٫ مجموعه داده تراکم کاربر تلفن همراه با ویژگی ها

ابتدا، برای اطمینان از اینکه اطلاعات جمعی در هر ساختمان گرفته می شود، داده های شبکه گسسته با استفاده از تخمین تراکم هسته (KDE) به داده های شطرنجی چگالی کاربر پیوسته تبدیل می شوند، که یک روش ناپارامتریک برای تخمین توابع چگالی احتمالی برای محاسبه چگالی عناصر در آنها است. محله های اطراف [ ۵۱ ]. معادله KDE را می توان به صورت زیر بیان کرد:

جایی که تابع هسته است. h پهنای باند یا شعاع جستجو است. n تعداد نقاط شناخته شده در پهنای باند است. و d ابعاد داده ها است.

ما شعاع جستجو را روی ۲ کیلومتر تنظیم کردیم و از این پس به این داده ها به عنوان مجموعه داده تراکم کاربر تلفن همراه ( MUD ) نامیده می شود که شامل تراکم کاربر تلفن همراه است ( تراکم کاربری مسکونی ( ) و تراکم کاربر در حال کار ( ).
سپس، داده های برداری هر ساختمان با مجموعه داده MUD برای تجزیه و تحلیل برای به دست آوردن منحنی تغییر دینامیکی تراکم جمعیت برای هر ساختمان پوشش داده می شود. شکل ۴ منحنی های تغییر MUD را در طول زمان در دو ساختمان مسکونی معمولی ( شکل ۲ a,b) و دو ساختمان مرکز خرید ( شکل ۲ c,d) نشان می دهد و می توان مشاهده کرد که ساختمان هایی با عملکرد یکسان دارای تغییر MUD مشابه هستند. منحنی ها علاوه بر این، تناوب واضحی در منحنی‌های تغییرات MUD در روزهای هفته برای ساختمان‌های مسکونی و مراکز خرید وجود دارد، اما با منحنی‌های تغییرات آخر هفته متفاوت است. برای کاهش بار محاسباتی،میانگین داده‌های MUD بر اساس روزهای هفته و آخر هفته [ ۵۲ ] است.

۳٫۲٫ الگوریتم فاصله Ndim-DTW

الگوریتم تاب خوردگی زمانی پویا (DTW) می تواند شباهت سری های زمانی را اندازه گیری کند [ ۵۳ ]. فاصله DTW طول بهترین تراز (یعنی مسیر تاب برداشتن) بین دو سری زمانی معین است، و هر چه فاصله DTW بزرگتر باشد، تفاوت بین دو سری زمانی بیشتر است. فاصله DTW سنتی برای مطالعه داده های توالی یک بعدی استفاده می شود. برای توصیف دو مجموعه داده ویژگی این مطالعه، محل سکونت و کار، الگوریتم DTW بهبود یافته است و الگوریتم Ndim-DTW برای پردازش داده های چند بعدی ساخته شده است.
در این مطالعه، هر شی ساختمان در مجموعه داده یک سری زمانی چند بعدی است. تعاریف زیر از اصطلاحات کلیدی ارائه شده است.

تعریف  ۱٫

یک سری زمانی مجموعه منظمی از مقادیر واقعی است. تعداد کل مقادیر واقعی برابر با طول سری زمانی است .

تعریف  ۲٫

یک سری زمانی چند بعدی (MDT) از M سری زمانی منفرد (M ≥ ۲) تشکیل شده است، که در آن هر سری زمانی n مشاهده دارد.

برای درک بهتر روش، محاسبه فاصله Ndim-DTW با یک مثال شامل دو نوع شیء ساختمانی نشان داده شده است. و ). در این مثال، سری زمانی از و را می توان به عنوان نشان داد و ( m = n زیرا طول رکورد MUD برای تمام اشیاء ساختمان یکسان است). در تعیین فواصل DTW از و ، اولین مرحله ساخت شبکه ماتریس فاصله D از عناصر. مقادیر هر عنصر ( ) در این ماتریس می توان به صورت زیر محاسبه کرد:

جایی که نشان می دهد ارزش در ساعت در P ، نشان می دهد ارزش در ساعت در P ، نشان می دهد ارزش در ساعت در Q ، و نشان می دهد ارزش در ساعت در Q _ و نشان دهنده تفاوت بین این دو نقطه الگوریتم را می توان به یافتن یک مسیر از طریق تعدادی از نقاط شبکه در این شبکه ماتریس کاهش داد، به عنوان مثال، مسیر تاب برداشتن ( W )، با عنصر kth از W به عنوان تعریف شده است. ، نشان دهنده نگاشت P به Q است. بنابراین، W را می توان به صورت زیر بیان کرد:

مسیر منظم سازی ( W ) باید محدودیت های زیر را برآورده کند:
شرایط مرزی مستلزم آن است که مسیرها از عنصری در گوشه پایین سمت چپ ماتریس شروع شده و به عنصر سمت راست بالای ماتریس ختم شوند. و ، به ترتیب.
شرط تداوم که به عنوان شرط گام نیز شناخته می شود، مشخص می کند که باید در عناصر مجاور (از جمله در موقعیت های مورب) ماتریس قرار گیرد .
شرایط یکنواختی محدود می شود به طور یکنواخت در زمان، یعنی برای ، نیاز به ارضای دارد و .

می‌تواند تعداد نمایی از مسیرها وجود داشته باشد که محدودیت‌های بالا را برآورده کند، جایی که یک مسیر بهینه با حداقل تجمع وجود دارد:

معادله فوق را می توان با معادله بازگشتی زیر به حداقل رساند:

جایی که مجموع جریان است و حداقل فاصله های تجمعی عناصر قبلی. به دست آمده نشان دهنده فاصله Ndim-DTW بین P و Q است. اطلاعات بیشتر در مورد محاسبه فواصل DTW چند بعدی را می توان در ادبیات [ ۳۵ ] یافت.

۳٫۳٫ شبکه SOM

در مقایسه با روش‌های خوشه‌بندی سنتی (مثلاً k-medoids)، شبکه‌های عصبی می‌توانند نمایش کم‌بعدی از هر نقطه داده را برای یادگیری شبکه به دست آورند، و نمایش کم‌بعدی آموخته‌شده برای خوشه‌بندی مناسب‌تر است. در این مطالعه، یک شبکه نقشه خود سازماندهی (SOM) [ ۵۴ ] برای خوشه بندی اشیاء ساختمانی با سری های زمانی مشابه استفاده می شود. در حالی که شبکه‌های عصبی عمومی بر اساس انتقال توابع از دست دادن به عقب آموزش داده می‌شوند، روش SOM از یک استراتژی یادگیری رقابتی استفاده می‌کند که متکی به رقابت نورون‌ها با یکدیگر برای بهینه‌سازی تدریجی شبکه است. توپولوژی فضای ورودی با استفاده از تابع همسایگی حفظ می شود و به نورون های خروجی مجاور نگاشت می شود [ ۵۴]. ساختار شبکه SOM دارای یک لایه ورودی و یک لایه خروجی است (که لایه رقابت نیز نامیده می شود). تعداد نورون ها در لایه ورودی با ابعاد بردار ورودی تعیین می شود و یک نورون با یک ویژگی مطابقت دارد. تعداد نورون‌های SOM در لایه رقابتی، دانه‌بندی و مقیاس مدل نهایی را تعیین می‌کند که دقت و تعمیم‌پذیری مدل را تعیین می‌کند.
استفاده از روش SOM بر اساس فاصله Ndim-DTW شامل مراحل زیر است:
تعداد نورون های لایه رقیب n را تعیین کنید.
در مرحله اولیه، n نمونه از تمام اشیاء ساختمان به عنوان گره های اولیه در لایه رقابت انتخاب می شوند.
یک نمونه ورودی تصادفی انتخاب کنید ;
از طریق هر گره در لایه رقابتی تکرار کنید: فاصله Ndim-DTW بین را محاسبه کنید و گره گره با کمترین فاصله را به عنوان گره برنده یا بهترین واحد تطبیق (BMU) انتخاب کنید.
گره های موجود در همسایگی برنده (یعنی محدوده همسایگی گره برنده) بر اساس شعاع همسایگی σ تعیین می شوند. مقادیر به‌روزرسانی مربوطه آنها توسط تابع همسایگی محاسبه می‌شود، که در آن هر چه به گره برتر نزدیک‌تر باشد، بزرگی به‌روزرسانی بزرگ‌تر است، و هرچه از گره برتر دورتر باشد، بزرگی به‌روزرسانی کوچک‌تر است.

وزن گره ها را در محله برنده به روز کنید،

جایی که یک محدودیت برای به روز رسانی است، به عنوان مثال، ضریب بزرگی به روز رسانی. وزن فعلی گره v است. میزان یادگیری است. و میانگین خطای کوانتیزاسیون، یعنی میانگین فاصله از گره های همسایه تا گره برنده است.

یک دور از تکرارها را کامل کنید (تکرار شماره + ۱) و به مرحله (۳) برگردید تا زمانی که D(t) به مقدار تنظیم شده برسد یا به تعداد مشخصی از تکرارها برسد.
تابع نزدیکترین همسایه حباب برای تابع همسایگی انتخاب می شود. این نشان می دهد که ضرایب به روز رسانی تا زمانی که نورون ها در همسایگی برتر هستند یکسان است. نرخ یادگیری و محدوده همسایگی در شبکه SOM با تعداد تکرارها کاهش می یابد و تابع فروپاشی است. ، و ، ، که t نشان دهنده تعداد تکرارهای جاری و T نشان دهنده نیمی از تعداد کل تکرارها است.

۳٫۴٫ مقداردهی اولیه در الگوریتم OC

مشابه روش‌های k-means، مقداردهی اولیه صحیح نورون‌های لایه رقیب بر عملکرد شبکه‌های عصبی SOM تأثیر می‌گذارد. روش‌های سنتی مبتنی بر مقداردهی اولیه تصادفی در تولید نورون‌های نماینده برای مجموعه‌های داده بزرگ مؤثر نیستند و نتایج اغلب به صورت محلی بهینه هستند. حجم داده ها در این مطالعه بزرگ است، با مجموع ۱۲۲۵۴۴ واحد تجزیه و تحلیل ساختمان. بنابراین، یک الگوریتم O(logk)-Competitive (OC) اصلاح شده [ ۵۵ ] به جای مقداردهی اولیه تصادفی برای بهبود کیفیت خوشه بندی و تسریع سرعت همگرایی استفاده می شود. الگوریتم OC به یک نقطه به طور تصادفی انتخاب شده از مجموعه داده به عنوان گره مرجع اولیه نیاز دارد. ابتدا فاصله Ndim-DTW بین هر نمونه و گره های موجود با D(x) محاسبه و بیان می شود . سپس، احتمال از هر نمونه ای که به عنوان مرکز خوشه بعدی انتخاب می شود، محاسبه می شود، پس از آن گره اولیه بعدی با روش چرخ رولت انتخاب می شود. مراحل بالا تا زمانی که n نورون انتخاب شود تکرار می شود.

۳٫۵٫ شناسایی عملکرد شهری و تشخیص نقطه اتصال

مجموعه داده POI بازسازی شده برای شناسایی عملکردهای نتایج خوشه بندی در بخش ۳٫۴ استفاده شد. ضریب غنی سازی (EF) [ ۵۶ ] برای توصیف غنای نسبی داده های POI در هر سطح ساختمان استفاده شد:

جایی که نشان دهنده غنی سازی ساختمان است در کلاس POI تعداد کلاس است POI در نزدیکی محل ساختمان i (به عنوان مثال، شعاع ۱۰ متر). تعداد کل POI های کلاس l را نشان می دهد. تعداد تمام POI ها در نزدیکی محل ساختمان است ; و تعداد کل POI در کل منطقه مورد مطالعه است. مقدار ۱ برای نشان می دهد که سطح غنی سازی کلاس POI برابر با میانگین سطح منطقه است و (یا ) نشان می دهد که غنی سازی کلاس POI بزرگتر (یا کمتر) از مقدار متوسط ​​منطقه است. میانگین EF تمام ساختمان های هر خوشه به عنوان مقدار EF آن خوشه استفاده می شود.

برای آشکار ساختن کلان مناطق عملکردی شهری، غنای نسبی خوشه ها را می توان بیشتر در سطح TAZ جمع کرد. شاخص شانون برای توصیف تنوع عملکردی در سطح TAZ استفاده شد:

جایی که تنوع عملکردی است خیابان هفتم و نسبت ساختمان های با عملکرد است . آمار Getis-Ord G i * برای به تصویر کشیدن تجزیه و تحلیل نقاط حساس عملکردی در شهر استفاده می شود و مناطقی با مقادیر G i * بزرگتر از ۲٫۵۸ نقاط عملکردی نامیده می شوند [ ۵۷ ].

جایی که شاخص شانون خیابان است ، وزن فضایی بین خیابان ها است ، و ، n تعداد کل خیابان ها است. علاوه بر این،

۳٫۶٫ ارزیابی دقت

از آنجایی که چندین نوع ترکیبی از انواع عملکردی در سطح ساختمان وجود دارد، ما نمی توانیم مخلوط های خاص را قبل از نتایج خوشه بندی SOM بدانیم و نمی توانیم نمونه های اعتبار سنجی را از قبل بدست آوریم. بنابراین، بر اساس روش ارائه شده توسط [ ۵۸ ، ۵۹ ]، یک سری از کامپوزیت ها با مقیاس های فضایی مختلف به طور تصادفی در منطقه مورد مطالعه انتخاب شدند و نتایج شناسایی با داده های بررسی حقیقت زمین و نقشه های نمای خیابان Baidu مقایسه شد. برای انتخاب نمونه‌های اعتبارسنجی کافی، محدوده‌های مقیاس فضایی ۵۰۰ × ۵۰۰ متر و ۱۰۰۰ × ۱۰۰۰ متر را انتخاب کردیم.

۴٫ نتایج

۴٫۱٫ U-Matrix و Winner Matrix

ما ۱۲۲۵۴۴ سری زمانی دو بعدی را برای خوشه‌بندی به شبکه SOM وارد می‌کنیم. این مطالعه تعداد اولیه گره های عصبی را ۱۶ تنظیم کرده و با الگوریتم OC مقداردهی اولیه می کند تا ۱۶ شی ساختمان به عنوان گره های عصبی اولیه به دست آید، به عنوان مثال، ۱۶ الگوی تغییر یا نوع تابع را می توان گرفت. بر این اساس، یک شبکه DTW-SOM با طرح شبکه مستطیل شکل ۴ × ۴ ساخته شد. نرخ یادگیری اولیه و شعاع همسایگی به ترتیب روی ۰٫۵ و ۰٫۳ و میانگین خطای کمی سازی برای آموزش تکراری روی ۰٫۰۵ تنظیم شد. در این میان از نرخ یادگیری و شعاع همسایگی برای کنترل عملکرد شبکه و میانگین خطای کوانتیزه‌سازی برای پایان دادن به تکرار استفاده شد. این مدل برای به دست آوردن ماتریس U و ماتریس برنده آموزش داده شد ( شکل ۴). هر شبکه در ماتریس U نشان دهنده یک نورون برنده (BMU) است و شاخص های آنها با اعداد برچسب گذاری شده است. بزرگی مقدار در ماتریس U نشان‌دهنده شباهت بین BMU و نورون‌های برنده همسایه‌اش در فضای ورودی (یعنی فاصله Ndim-DTW) است و با استفاده از رنگ‌ها کدگذاری شده است و مقادیر بزرگ‌تر تیره‌تر هستند. شکل ۲ a نشان می دهد که BMUs 1 و ۲ مجاور هستند و تفاوت کمتری در مقادیر برچسب گذاری شده دارند. بنابراین، آنها به احتمال زیاد در یک دسته ترکیب می شوند. BMU 16 با BMU های اطراف تفاوت بیشتری دارد و احتمالاً به دسته های جداگانه تقسیم می شود. ماتریس برنده ( شکل ۵ب) تعداد ساختمان های موجود در هر دسته BMU را نشان می دهد که بیشترین تعداد ساختمان در BMU4 20071 و کمترین تعداد ساختمان در BMU16 181 است.

۴٫۲٫ تغییر منحنی در هر BMU

ما ۱۶ نورون را برای رقابت تنظیم کردیم و در نهایت دنباله ای از ۱۶ BMU به دست آوردیم ( شکل ۶ ). هر BMU شامل دو منحنی تغییر مشخصه جمعیت کار (رنگ قرمز) و جمعیت مسکونی (رنگ آبی) بود. اگرچه هر BMU نشان دهنده یک الگوی تغییر است، برخی BMU ها مانند BMU1 و BMU2 منحنی های تغییر مشابهی دارند. در روزهای هفته، جمعیت شاغل تقریباً از ساعت ۰۷:۰۰ شروع به کاهش می کند و از ساعت ۱۷:۰۰ شروع به افزایش می کند و در نهایت در ساعت ۲۱:۰۰ به ثبات می رسد. در تعطیلات آخر هفته، زمان و میزان این تغییر کمتر است. تفاوت معنی داری در تعداد ساکنان در روزهای هفته و آخر هفته نسبت به تغییر تعداد افراد شاغل وجود ندارد. علاوه بر این، BMU5 و BMU9 الگوهای تغییر مشابهی دارند ( شکل ۶).

۴٫۳٫ عوامل غنی سازی

برای درک بیشتر نوع عملکردی هر مدل BMU، ضریب غنی سازی (EF) هر ساختمان بر اساس دسته های POI بازسازی شده محاسبه شد و به نوبه خود، میانگین EF هر خوشه BMU به دست آمد ( جدول ۳).). هر چه ضریب غنی سازی POI در خوشه BMU بزرگتر باشد، غنی سازی POI از نوع موجود در خوشه بالاتر است. به عنوان مثال، در BMU1، تنها ضریب غنی‌سازی POI از نوع مسکونی بیشتر از ۱ بود، در حالی که همه انواع دیگر کمتر از ۱ بودند، که نشان می‌دهد که خوشه عمدتاً مسکونی است. در BMU5، فاکتورهای غنی‌سازی POI برای هر دو نوع مسکونی و صنعتی بیشتر از ۱ بود، که نشان می‌دهد این خوشه توسط ترکیبی از عملکردهای مسکونی و صنعتی تحت سلطه است. از آنجایی که هدف این مقاله عملکرد هر ساختمان است، ضریب غنی‌سازی نوع پارک و فضای سبز (PG) در نظر گرفته نشده است.

۴٫۴٫ انواع عملکرد شهری در سطح ساختمان

ما داده‌هایی را در هر خوشه BMU انتخاب کردیم که دو برابر بیشتر از مقدار متوسط ​​بودند و مقدار عامل غنی‌سازی بیشتر از ۱ داشتند ( جدول ۳ به صورت پررنگ). دسته های POI مربوطه برای توصیف توابع BMU مورد استفاده قرار گرفتند و ۱۶ الگوی نهایی BMU در نه خوشه عملکردی تجمیع شدند ( جدول ۴)، یعنی: مسکونی; تجاری / مراکز خرید / اجتماعی؛ مسکونی/صنعتی؛ تجاری/اجتماعی؛ مراکز خرید/مسکونی؛ کسب و کار؛ صنعتی؛ آموزشی/مسکونی; و اجتماعی/آموزشی. در میان آنها، خوشه مسکونی شامل چهار الگوی BMU، یعنی، BMU1، BMU2، BMU4 و BMU12 است. خوشه مسکونی/صنعتی شامل سه الگوی BMU5، BMU9 و BMU10 است. مراکز خرید/خوشه مسکونی شامل دو الگوی BMU7 و BMU10 است. خوشه آموزشی/مسکونی شامل BMU14 و BMU15 است. و مجموعه‌های تجاری/مراکز خرید/اجتماعی، تجاری/اجتماعی، تجاری، صنعتی و اجتماعی/آموزشی تنها دارای یک الگوی BMU هستند.
شکل ۷ الف ۹ نتیجه طبقه بندی ناحیه عملکردی را نشان می دهد که با انواع پوشش زمین FROM-GLC10 پوشانده شده اند. اگرچه تنها سه نوع ساختمان تک کاره به نام‌های مسکونی، صنعتی و تجاری وجود دارد و شش نوع باقی‌مانده همگی از نوع مختلط هستند، ساختمان‌های تک‌کارکردی ۶۳٫۷۵ درصد از کل تعداد را تشکیل می‌دهند. در این میان، تعداد ساختمان‌های مسکونی ۵۱۶۸۵ ساختمان است که ۴/۴۳ درصد از کل تعداد را به خود اختصاص می‌دهد و پس از آن ساختمان‌های صنعتی با ۳/۱۸ درصد از کل تعداد ساختمان‌ها را تشکیل می‌دهند ( شکل ۷ ب).

۴٫۵٫ نقاط مهم کاربردی شهری سطح TAZ

در این مطالعه، تنوع عملکردی هر TAZ با استفاده از شاخص شانون محاسبه شد و در مجموع هفت “نقطه داغ” بر اساس تنوع عملکردی در سطح TAZ با استفاده از تجزیه و تحلیل هات اسپات شناسایی شد. شکل ۸ a,e به ترتیب دو شهر دانشگاهی در نانجینگ، شهر دانشگاهی Xianlin (XL) و شهر دانشگاهی Jiangning (JN) هستند که XL دارای هشت نوع عملکردی و JN دارای هفت نوع عملکردی است که هر دو دارای بیشترین تعداد آموزشی و ساختمان های مسکونی شکل ۸ ب منطقه تجاری Qiaobei (QB) را نشان می دهد که دارای چندین مرکز خرید بزرگ و منطقه مسکونی است و شامل ۹ نوع عملکردی با نسبت بالایی از ساختمان های تجاری و مسکونی است. شکل ۸c Xinjiekou (XJK) را نشان می‌دهد که CBD قدیمی‌ترین مرکز تجاری نانجینگ است، با امکانات پشتیبانی عالی، هشت نوع کاربردی، و نسبت بالایی از ساختمان‌های تجاری و تجاری. شکل ۸ d ایستگاه راه‌آهن نانجینگ جنوبی (NSR) است که توسط چندین پارک صنعتی و مراکز خرید احاطه شده است، با هشت نوع عملکردی، که در میان آنها مسکونی بیشترین فراوانی را دارد و مسکونی/صنعتی دومین پرتکرار است. شکل ۸ f بلوک جاده بایما (BRB) را نشان می دهد که به عنوان بلوک قابل زندگی نانجینگ شناخته می شود. آن توسط ساختمان های مسکونی با توسعه جامعه بالغ و با امکانات آموزشی و زندگی به خوبی توسعه یافته با شش نوع کاربردی احاطه شده است. شکل ۸g Hexi CBD (HX) را نشان می‌دهد، یک منطقه متمرکز صنعت خدمات مدرن که مراکز تجاری، پارک‌های صنعتی و مناطق مسکونی را با امکانات پشتیبانی کامل ادغام می‌کند. در میان این هفت نقطه، XL وسیع‌ترین گستره فضایی (مساحت ۳۷٫۷۴ کیلومتر مربع ) را دارد، در حالی که XJK، BRB و HX دارای مناطق کوچک‌تر هستند (به ترتیب ۳٫۴۸ کیلومتر مربع ، ۴٫۴۸ کیلومتر مربع و ۳٫۱۹ کیلومتر مربع ) . با این حال، XJK ( شکل ۸ ج) دارای تعداد ساختمان‌های متعادل‌تری از همه نوع است، با بالاترین شاخص تنوع شانون (بالاترین ستون در شکل). نقطه داغ جاده Whitehorse ( شکل ۸و) تحت سلطه ساختمانهای مسکونی با درصد کمتری از انواع دیگر است و بنابراین دارای مقدار شاخص تنوع کمتر و کمترین ارتفاع ستون است. با این حال، XJK ( شکل ۸ ج) دارای تعداد ساختمان های متعادل تری از هر نوع است و دارای بالاترین شاخص تنوع شانون (بالاترین ستون در شکل) است. BRB ( شکل ۸ f) تحت سلطه ساختمان های مسکونی با درصد کمتری از انواع دیگر است، و بنابراین، مقدار شاخص تنوع پایین تری دارد (کمترین ارتفاع ستون).

۴٫۶٫ ارزیابی دقت

نمونه اعتبارسنجی از ۱۸۶ ساختمان تک کاره و ۶۷ ساختمان ترکیبی در مقیاس فضایی ۵۰۰ × ۵۰۰ متر انتخاب شد. در میان آنها، ۱۶ ساختمان تک کاره و ۹ ساختمان مختلط به اشتباه پیش بینی شده بودند. بنابراین، میزان دقت به ترتیب ۹۱٫۴% و ۸۶٫۵۷% و میزان دقت کلی ۸۸٫۹۹% بود ( جدول ۵ ). در مقیاس فضایی ۱۰۰۰ × ۱۰۰۰ متر، ۱۵۹ و ۴۶۲ ساختمان تک کاره و مختلط برای نمونه اعتبار سنجی انتخاب شدند و میزان دقت پیش‌بینی به ترتیب ۹۱٫۸۲% و ۸۵٫۲۸% با میزان دقت پیش‌بینی کلی ۸۵% بود. ( جدول ۵). میزان دقت برای مناطق کاربردی شهری همیشه بالای ۸۵ درصد در مقیاس‌های فضایی مختلف است که استحکام مدل ما را ثابت می‌کند. به طور کلی، نرخ‌های دقت برای ساختمان‌های تک‌کارکردی در مقیاس‌های مختلف همه بالاتر از ۹۱ درصد است که به‌طور قابل‌توجهی بیشتر از ساختمان‌های ترکیبی است.

۵٫ بحث

۵٫۱٫ مقایسه روش های مختلف طبقه بندی

برای بررسی اطلاعات ویژگی داده‌های کاربر تلفن همراه و اینکه آیا روش SOM بر اساس فاصله Ndim-DTW پیشنهاد شده در این مقاله مؤثر است، نتایج این مقاله با روش سنتی K-medoids مبتنی بر فاصله DTW مقایسه می‌شود. ۳۴ ]. هنگامی که از داده های کاربر تلفن همراه برای محاسبه شباهت DTW بدون در نظر گرفتن اطلاعات ویژگی استفاده می شود، فقط داده های چگالی کاربر ( ) به عنوان معیار اندازه جمعیت استفاده می شود و نتایج طبقه بندی میانگین دقت ۷۶٫۳% را نشان می دهد ( جدول ۶ ). دوم، اگر داده های چگالی کاربر با ویژگی های ( ، ) برای محاسبه متریک فاصله Ndim-DTW استفاده می شود، دقت خوشه بندی K-medoids به ۸۰٫۹٪ بهبود می یابد و مشاهده می شود که دقت خوشه بندی پس از افزودن ویژگی های ویژگی جمعیت تا ۴٫۶٪ بهبود می یابد. اگر فقط یک بعدی باشد داده‌های بدون ویژگی‌های جمعیت استفاده می‌شود، اما از روش خوشه‌بندی SOM پیشنهادی در این مقاله استفاده می‌شود که دقت خوشه‌بندی به ۸۱٫۴ درصد افزایش یافته است. این نتیجه نشان می‌دهد که روش خوشه‌بندی بیشتر به نتایج خوشه‌بندی کمک می‌کند تا بعد ویژگی‌های داده‌های جمعیت. دلیل آن این است که پس از اینکه روش K-medoids مشابه ترین کلاس را برای هر داده ورودی پیدا کرد، تنها پارامترهای این کلاس به روز می شوند. روش SOM، از سوی دیگر، گره های مجاور را که کمتر از K-medoids تحت تأثیر داده های نویز قرار می گیرند، به روز می کند [ ۵۴ ]. اگر هر دو و داده های ویژگی دو بعدی و روش خوشه بندی SOM استفاده شده است، نتایج بالاترین دقت طبقه بندی، ۸۸٫۷٪ را نشان می دهد ( جدول ۶ ). مشاهده می‌شود که داده‌های مشترک تلفن همراه با اطلاعات ویژگی و روش SOM مبتنی بر Ndim-DTW مورد استفاده در این مقاله می‌تواند به طور موثر دقت تمایز دسته‌های عملکردی ساختمان را بهبود بخشد.

۵٫۲٫ ویژگی های هات اسپات شهری

(چن و لیو و همکاران، ۲۰۱۷) بر اساس تنوع عملکردی در سطح TAZ، پنج “نقطه داغ” را در ناحیه یوکسیو، گوانگژو شناسایی کردند و به این نتیجه رسیدند که شناسایی این نقاط کانونی تا حدی مشکل تعریف “مراکز” را حل می کند. » یا «مراکز فرعی» [ ۳۴ ]. از همین روش برای شناسایی نه نقطه حساس عملکردی در نانجینگ استفاده شد ( شکل ۸ )، اما شواهد بیشتری برای تعیین اینکه آیا این مناطق واقعا “مرکز” یا “زیر مرکز” نانجینگ هستند مورد نیاز است.
هات اسپات های شهری دارای انواع مختلفی از انواع عملکردی در درون خود هستند و این مناطق عملکردی مختلف اغلب در ابتدا توسط برنامه ریزی شهری تعریف می شوند. برای این منظور، نقشه برنامه‌ریزی شهری ۲۰۱۸-۲۰۳۵ نانجینگ ( http://ghj.nanjing.gov.cn/ghbz/ztgh/201705/t20170509_874089.html ، دسترسی به ۱۸ نوامبر ۲۰۲۱) را با انواع عملکردی هفت مورد مقایسه کردیم. نقاط حساس ناحیه عملکردی شناسایی شده و توزیع آنها ( شکل ۹ ). به عنوان CBD نانجینگ، Xinjiekou به عنوان یک منطقه تجاری در ابتدای ساخت نانجینگ برنامه ریزی شد و سپس به تدریج به یک مرکز تجاری و مالی تبدیل شد. از نقشه برنامه ریزی می توان دریافت که ساختمان های تجاری، تجاری و مسکونی قسمت اصلی را اشغال کرده اند که با نتایج ما مطابقت دارد (شکل ۹ ج). Hexi CBD و Nanjing South CBD همچنین مراکز مالی شهری هستند که با تلاش‌های برنامه‌ریزی ساخته شده‌اند، جایی که ساختمان‌های تجاری، صنعتی و مسکونی بیشترین تعداد را دارند ( شکل ۹ d, g) که اساساً با نقشه برنامه‌ریزی مطابقت دارد ( شکل ۹ d). ، g). با این حال، اغلب چندین نوع ساختمانی مختلط وجود دارد که در واقع در یک نوع بسته برنامه ریزی توزیع شده اند ( شکل ۹ f,g). این ممکن است به دو دلیل مرتبط باشد: اول، نتایج طبقه‌بندی ما بر اساس ساختمان‌های منفرد است که اصلاح‌تر هستند، و نقشه‌های برنامه‌ریزی سنتی از نظر خیابان‌ها یا TAZ درشت‌تر هستند و در نتیجه تفاوت‌هایی در مقیاس ایجاد می‌شود [ ۴۹ ، ۶۰ ]]؛ دوم، نواحی عملکردی در معرض تغییر توسط فعالیت‌های درازمدت جمعیت قرار می‌گیرند، که منجر به ایجاد خوشه‌هایی از ساختمان‌های عملکردی مختلف در نوع طرح زمین اصلی می‌شود [ ۱۵ ، ۵۸ ]. هر یک از این مناطق کانونی دارای ویژگی‌های عملکردی متفاوتی هستند که تحت تأثیر برنامه‌ریزی شهری قرار دارند: کانون‌های تجاری (XJK و QB)، کانون‌های تجاری (HX و NSR)، کانون‌های آموزشی (XL و JN)، و نقاط مهم مسکونی (BRB). نوع هات اسپات با توابع ساختمان موجود در هات اسپات یا نوع کاربری زمین تعیین می شود ( شکل ۹ ). در نسخه ۲۰۲۰ طرح شهر نانجینگ ( http://ghj.nanjing.gov.cn/ghbz/ztgh/201705/t20170509_874089.html، در ۱۸ نوامبر ۲۰۲۱ قابل دسترسی است)، شهر مرکزی نانجینگ شامل “یک اصلی” یعنی شهر اصلی جیانگ نان است و “جدید” شهر اصلی جدید جیانگ بی است. در مقایسه با نسخه قبلی طرح جامع شهر، وضعیت منطقه جیانگ بی به شدت افزایش یافته است و توسعه رودخانه در آغوش گرفتن به یکی از مهم ترین استراتژی های توسعه فضایی برای نانجینگ تبدیل شده است (طرح جامع شهر نانجینگ (۲۰۱۸-۲۰۳۵) ) پیش نویس). از نظر توزیع فضایی نقاط داغ، منطقه جدید جیانگ بی دارای نقاط مهم BRB و QB برای برآوردن نیازهای زندگی و مسکونی جمعیت است که اساساً با الزامات توسعه شهری سازگار است. علاوه بر این، کانون های آموزشی (JN و XL) در مناطق شمالی و جنوبی شهر قرار دارند. که هر دو در “منطقه نمایشی مرکز علمی ملی” برنامه ریزی شده (پیش نویس طرح جامع شهری نانجینگ (۲۰۱۸-۲۰۳۵)) هستند. توزیع فضایی انواع مختلف نقاط حساسی که ما شناسایی کردیم با طرح کلی برنامه ریزی شهر نانجینگ مطابقت دارد، بنابراین کارایی روش ما را اثبات می کند.
اگر برنامه ریزی شهری طرح کلی مناطق عملکردی شهر را ایجاد کند، شکل گیری نهایی مناطق عملکردی ارتباط نزدیکی با نیازهای واقعی و استفاده ساکنان دارد [ ۵ ]. جمعیت های شهری تمایل دارند به سمت مراکز شهری خوشه شوند، که باعث می شود مراکز شهری تمایل به تراکم جمعیت بالایی داشته باشند [ ۱۱ ، ۶۱ ]. برای بررسی اینکه آیا نقاط حساس عملکردی که شناسایی کردیم دارای تراکم جمعیت بالایی هستند، میانگین تعداد افرادی که در هر ساعت در هر منطقه کانونی کار می‌کنند و زندگی می‌کنند به طور جداگانه در یک هفته شمارش کردیم، در حالی که سه منطقه غیر کانونی به عنوان کنترل انتخاب شدند. منطقه تجاری دریاچه باجیا (BJL)، پارک صنعتی Zhangcun (ZC) و منطقه Changjiangzhijia (CJ) ( شکل ۱۰)آ). BJL یک منطقه تجاری/مسکونی معمولی با مراکز خرید و ساختمان‌های مسکونی است. ZC یک منطقه تجاری/صنعتی با تعداد زیادی دفاتر تجاری و ساختمان های کارخانه است. و CJ یک منطقه مسکونی با ساختمان های عمدتا مسکونی است. در مناطق کانونی، هر دو تراکم جمعیت ویژگی بالا هستند ( شکل ۱۰ b,c). در مقابل، در مناطق غیر کانونی، هر دو تراکم جمعیت کمتر است یا نمی توانند در مقادیر بالا در یک زمان باشند. به عنوان مثال، در BJL، تراکم جمعیت هر دو ویژگی کمتر از مناطق کانونی است. در ZC، تراکم جمعیت فعال بیشتر از برخی مناطق داغ است ( شکل ۱۰ ب)، اما تراکم جمعیت مسکونی آن کمترین است ( شکل ۱۰).ج). همین امر در مورد CJ نیز صادق است، که دارای تراکم جمعیت مسکونی بالا و تراکم جمعیت کار پایین است ( شکل ۱۰ b,c). مشاهده می شود که مناطق کانونی نه تنها دارای انواع عملکرد شهری هستند، بلکه مناطق پرتراکم جمعیتی نیز هستند. علاوه بر این، تجزیه و تحلیل دو نوع تراکم جمعیت نشان می‌دهد که تنها با نگاه کردن به تغییر در تراکم جمعیت برای یک ویژگی، مشکلی در دریافت الگوی فعالیت جمعیت در سراسر توابع وجود دارد: مقادیر زیاد و پایین دو ویژگی. یکدیگر را “لغو” می کنند، بنابراین تفاوت در الگوهای بین توابع را “هموار می کنند” [ ۶۲]. برای مثال، CJ، با تراکم جمعیت مسکونی بالا و تراکم جمعیت کار پایین، و ZC، با تراکم جمعیت کار بالا و تراکم جمعیت مسکونی پایین، دو نوع عملکردی متفاوت را نشان می‌دهند، اما ممکن است تراکم کل جمعیت مشابهی داشته باشند. . اطلاعات ویژگی جمعیت به بهبود دقت طبقه بندی ریزدانه مناطق عملکردی کمک می کند ( جدول ۶ ). در این تحقیق تنها از دو ویژگی کار و سکونت استفاده کردیم و می‌توانیم در آینده سعی کنیم ویژگی‌های جمعیتی بیشتری مانند تفاوت فضای فعالیت و الگوی بین گروه‌های سنی و جنسیت‌های مختلف را در نظر بگیریم.
اگرچه این کانون‌ها همیشه تراکم جمعیت بالایی را نشان می‌دهند، ما نمی‌توانیم استنباط کنیم که آیا کانون‌ها به دلیل تراکم جمعیت زیاد تشکیل شده‌اند یا به این دلیل که مناطق عملکردی طیف گسترده‌ای از دسته‌بندی‌ها را دارند که جمعیت را برای جمع کردن جذب می‌کنند. از نتایج این مطالعه مشخص می شود که تراکم جمعیت بر تشکیل کانون ها تأثیر می گذارد. برای مثال، دو شهرک دانشگاهی ( شکل ۸الف، ه) از کانون های شناسایی شده در این پژوهش هستند که احتمالاً به دلیل زمان خاص جمع آوری داده های تلفن همراه، با مراکز سنتی شهری متفاوت هستند. دوره جمع‌آوری داده‌های مشترکین تلفن همراه مورد استفاده در این مطالعه از ۱۸ تا ۲۴ فوریه ۲۰۱۹ بود، که زمانی است که کالج‌ها و دانشگاه‌های نانجینگ یکی پس از دیگری شروع به تحصیل کردند. ما اطلاعاتی را در مورد زمان شروع کالج ها و دانشگاه ها در بهار ۲۰۱۹ جمع آوری کردیم و دریافتیم که ۱۲ کالج و دانشگاه در نانجینگ یکی پس از دیگری مدرسه را در این مدت شروع کردند ( جدول ۷).). ازدحام جمعیت در این مدت به شدت در مدارس و مکان‌های ایستگاه‌ها متمرکز می‌شود، بنابراین این مناطق در مدت زمان کوتاهی به کانون‌های داغ تبدیل می‌شوند. این یافته همچنین بینش مهمی را ارائه می دهد: ساختار فضایی مناطق عملکردی شهری به دلیل فعالیت های جمعیتی به طور پویا تغییر می کند. (Tu and Cao et al., 2017) مناطق عملکردی شهری را بر اساس اطلاعات فعالیت جمعیت استنتاج شده از مکان تلفن همراه و داده های رسانه های اجتماعی تشخیص دادند و دریافتند که بسیاری از مناطق شهری بسته به نوع و وسعت فعالیت های انسانی، به عنوان مثال، شهری، عملکردهای متفاوتی را ارائه می دهند. توابع به صورت پویا در حال تغییر هستند [ ۱۹ ]. مطالعه ما همچنین تغییرات ساختاری در عملکردهای شهری را که در دوره‌های زمانی خاص رخ می‌دهد، نشان می‌دهد.

۶٫ نتیجه گیری

در این مطالعه، یک روش شبکه عصبی SOM بر اساس فاصله Ndim-DTW برای استخراج مقوله‌های عملکردی ساختمان‌های منفرد در شهرها با استفاده از اطلاعات ویژگی‌های محل کار و سکونت کاربران موبایل پیشنهاد شد. مشخص شد که روش SOM و داده‌های ویژگی دوبعدی دقت شناسایی ناحیه عملکردی را به ترتیب ۸٫۱٪ و ۷٫۳٪ در مقایسه با استفاده از روش سنتی خوشه‌بندی K-medoids و داده‌های کاربر تلفن همراه با تک ویژگی تراکم جمعیت بهبود می‌بخشد. علاوه بر این، تجزیه و تحلیل الگوهای جمعیت بر اساس ویژگی می‌تواند از این مشکل جلوگیری کند که مقادیر زیاد و پایین ویژگی‌های مختلف یکدیگر را خنثی می‌کنند و تفاوت‌ها در الگوهای توابع مختلف را «هموار می‌کنند». این مطالعه نشان داد که نه نوع طبقه بندی عملکردی ساختمان ها در نانجینگ و به استثنای رده های مسکونی، صنعتی و تجاری، همه آنها از دسته های مختلط هستند. با این حال، ساختمان های تک کاره اکثریت (۶۳٫۷۵٪) را تشکیل می دهند. در این مقاله، ما از داده‌های جمع‌آوری‌شده تلفن همراه برای هفته ۱۸ تا ۲۴ فوریه ۲۰۱۹ استفاده کردیم تا در مجموع هفت منطقه کانونی در نانجینگ را کشف کنیم که شکل‌گیری آن‌ها نه تنها به دسته‌های عملکردی متنوعی که این مناطق دارند مربوط می‌شود، بلکه همچنین ارتباط نزدیک با توزیع جمعیت های با تراکم بالا، که با پویایی مکانی و زمانی مشخص می شود. در نتیجه، نتایج ما می‌تواند پایه‌ای علمی برای برنامه‌ریزی بلندمدت شهری و الزامات عملکردی خاص در دوره‌های خاص ارائه دهد. ساختمان های تک کاره اکثریت (۶۳٫۷۵ درصد) را تشکیل می دهند. در این مقاله، ما از داده‌های جمع‌آوری‌شده تلفن همراه برای هفته ۱۸ تا ۲۴ فوریه ۲۰۱۹ استفاده کردیم تا در مجموع هفت منطقه کانونی در نانجینگ را کشف کنیم که شکل‌گیری آن‌ها نه تنها به دسته‌های عملکردی متنوعی که این مناطق دارند مربوط می‌شود، بلکه همچنین ارتباط نزدیک با توزیع جمعیت های با تراکم بالا، که با پویایی مکانی و زمانی مشخص می شود. در نتیجه، نتایج ما می‌تواند پایه‌ای علمی برای برنامه‌ریزی بلندمدت شهری و الزامات عملکردی خاص در دوره‌های خاص ارائه دهد. ساختمان های تک کاره اکثریت (۶۳٫۷۵ درصد) را تشکیل می دهند. در این مقاله، ما از داده‌های جمع‌آوری‌شده تلفن همراه برای هفته ۱۸ تا ۲۴ فوریه ۲۰۱۹ استفاده کردیم تا در مجموع هفت منطقه کانونی در نانجینگ را کشف کنیم که شکل‌گیری آن‌ها نه تنها به دسته‌های عملکردی متنوعی که این مناطق دارند مربوط می‌شود، بلکه همچنین ارتباط نزدیک با توزیع جمعیت های با تراکم بالا، که با پویایی مکانی و زمانی مشخص می شود. در نتیجه، نتایج ما می‌تواند پایه‌ای علمی برای برنامه‌ریزی بلندمدت شهری و الزامات عملکردی خاص در دوره‌های خاص ارائه دهد. شکل‌گیری آن نه تنها به دسته‌های عملکردی متنوعی که نواحی دارند مربوط می‌شود، بلکه ارتباط نزدیکی با توزیع جمعیت‌های با تراکم بالا دارد که با پویایی مکانی و زمانی مشخص می‌شود. در نتیجه، نتایج ما می‌تواند پایه‌ای علمی برای برنامه‌ریزی بلندمدت شهری و الزامات عملکردی خاص در دوره‌های خاص ارائه دهد. شکل‌گیری آن نه تنها به دسته‌های عملکردی متنوعی که نواحی دارند مربوط می‌شود، بلکه ارتباط نزدیکی با توزیع جمعیت‌های با تراکم بالا دارد که با پویایی مکانی و زمانی مشخص می‌شود. در نتیجه، نتایج ما می‌تواند پایه‌ای علمی برای برنامه‌ریزی بلندمدت شهری و الزامات عملکردی خاص در دوره‌های خاص ارائه دهد.

منابع

  1. کوربوزیه، ال. Eardley، A. منشور آتن . Grossman Publishers: New York, NY, USA, 1973. [ Google Scholar ]
  2. ام عزیزم.؛ فلاستی، اس. شهرسازی پست مدرن. ان دانشیار صبح. Geogr. ۱۹۹۸ ، ۸۸ ، ۵۰-۷۲٫ [ Google Scholar ] [ CrossRef ]
  3. بروکس، آر. ساختار و رشد محله های مسکونی در شهرهای آمریکا اثر هومر هویت. Soc. نیروهای ۱۹۴۱ ، ۱۹ ، ۴۵۳-۴۵۴٫ [ Google Scholar ] [ CrossRef ]
  4. Janowicz، K. مهندسی ژئوآنتولوژی مبتنی بر مشاهدات. ترانس. GIS ۲۰۱۲ ، ۱۶ ، ۳۵۱-۳۷۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. ژونگ، سی. هوانگ، ایکس. آریسونا، اس ام. اشمیت، جی. باتی، ام. استنتاج توابع ساختمان از یک مدل احتمالی با استفاده از داده های حمل و نقل عمومی. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۴ ، ۴۸ ، ۱۲۴-۱۳۷٫ [ Google Scholar ] [ CrossRef ]
  6. کارول، اچ. سلسله مراتب عملکردهای مرکزی در شهر. ان دانشیار صبح. Geogr. ۱۹۶۰ ، ۵۰ ، ۴۱۹-۴۳۸٫ [ Google Scholar ] [ CrossRef ]
  7. کاتبرت، آل. اندرسون، WP با استفاده از آمار فضایی برای بررسی الگوی توسعه زمین شهری در هالیفاکس-دارتموث. پروفسور Geogr. ۲۰۰۲ ، ۵۴ ، ۵۲۱-۵۳۲٫ [ Google Scholar ] [ CrossRef ]
  8. داوی، ک. پافکا، ای. ترکیب عملکردی چیست؟ یک رویکرد مجموعه ای. طرح. عمل تئوری. ۲۰۱۷ ، ۱۸ ، ۲۴۹-۲۶۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. ژانگ، ی. لی، کیو. تو، دبلیو. مای، ک. یائو، ی. چن، ی. تشخیص کاربری زمین شهری کاربردی با ادغام داده‌های مکانی چند منبعی و همبستگی‌های متقابل. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۹ ، ۷۸ ، ۱۰۱۳۷۴٫ [ Google Scholar ] [ CrossRef ]
  10. عبداللهی، س. پرادان، بی. منصور، س. شریف، مدل سازی مبتنی بر GIS ARM برای اندازه گیری و ارزیابی فضایی توسعه کاربری مخلوط برای یک شهر فشرده. GIScience Remote Sens. ۲۰۱۵ ، ۵۲ ، ۱۸-۳۹٫ [ Google Scholar ] [ CrossRef ]
  11. تو، دبلیو. هو، ز. لی، ال. کائو، جی. جیانگ، جی. لی، کیو. لی، کیو. به تصویر کشیدن مناطق عملکردی شهری با جفت کردن تصاویر سنجش از دور و داده های سنجش انسانی. Remote Sens. ۲۰۱۸ , ۱۰ , ۱۴۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. یانگ، ی. Newsam، S. کیسه کلمات بصری و الحاقات فضایی برای طبقه بندی کاربری اراضی. در مجموعه مقالات هجدهمین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، ۳-۵ نوامبر ۲۰۱۰٫ صص ۲۷۰-۲۷۹٫ [ Google Scholar ] [ CrossRef ]
  13. هرولد، ام. کوکللیس، اچ. Clarke، KC نقش معیارهای فضایی در تحلیل و مدل‌سازی تغییر کاربری اراضی شهری. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۵ ، ۲۹ ، ۳۶۹-۳۹۹٫ [ Google Scholar ] [ CrossRef ]
  14. بسیار خوب، AO تشخیص خودکار ساختمان ها از تصاویر تک طیفی VHR با استفاده از اطلاعات سایه و برش های نمودار. ISPRS J. Photogramm. Remote Sens. ۲۰۱۳ ، ۸۶ ، ۲۱-۴۰٫ [ Google Scholar ] [ CrossRef ]
  15. ژای، دبلیو. بای، ایکس. شی، ی. هان، ی. پنگ، Z.-R. Gu, C. Beyond Word2vec: رویکردی برای استخراج و شناسایی منطقه عملکردی شهری با ترکیب Place2vec و POI. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۸ ، ۷۴ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ]
  16. یائو، ی. لی، ایکس. لیو، ایکس. لیو، پی. لیانگ، ز. ژانگ، جی. Mai، K. سنجش توزیع فضایی کاربری زمین شهری با ادغام نقاط مورد علاقه و مدل Google Word2Vec. بین المللی جی. جئوگر. Inf. علمی IJGIS ۲۰۱۶ ، ۳۱ ، ۸۲۵-۸۴۸٫ [ Google Scholar ] [ CrossRef ]
  17. 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 ]
  18. گائو، اس. یانوویچ، ک. کوکللیس، اچ. استخراج مناطق عملکردی شهری از نقاط مورد علاقه و فعالیت های انسانی در شبکه های اجتماعی مبتنی بر مکان. ترانس. GIS ۲۰۱۷ ، ۲۱ ، ۴۴۶-۴۶۷٫ [ Google Scholar ] [ CrossRef ]
  19. تو، دبلیو. کائو، جی. یو، ی. شاو، اس.-ال. ژو، ام. وانگ، ز. چانگ، ایکس. خو، ی. لی، کیو. اتصال داده های تلفن همراه و رسانه های اجتماعی: رویکردی جدید برای درک عملکردهای شهری و الگوهای روزانه. بین المللی جی. جئوگر. Inf. علمی IJGIS ۲۰۱۷ ، ۳۱ ، ۲۳۳۱-۲۳۵۸٫ [ Google Scholar ] [ CrossRef ]
  20. ژونگ، سی. آریسونا، اس ام. هوانگ، ایکس. باتی، م. اشمیت، جی. تشخیص پویایی ساختار شهری از طریق تحلیل شبکه فضایی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۴ ، ۲۸ ، ۲۱۷۸-۲۱۹۹٫ [ Google Scholar ] [ CrossRef ]
  21. کائو، آر. ژو، جی. تو، دبلیو. لی، کیو. کائو، جی. لیو، بی. ژانگ، Q. Qiu, G. یکپارچه سازی تصاویر هوایی و نمای خیابان برای طبقه بندی کاربری زمین شهری. Remote Sens. ۲۰۱۸ ، ۱۰ ، ۱۵۵۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. پی، تی. سوبولفسکی، اس. راتی، سی. شاو، اس.-ال. لی، تی. ژو، سی. بینشی جدید در طبقه بندی کاربری زمین بر اساس داده های تلفن همراه جمع آوری شده است. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۴ ، ۲۸ ، ۱۹۸۸-۲۰۰۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. یوان، نیوجرسی؛ ژنگ، ی. Xie, X. کشف مناطق عملکردی در یک شهر با استفاده از حرکات انسانی و نقاط مورد علاقه . Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۷; صص ۳۳-۶۲٫ [ Google Scholar ] [ CrossRef ]
  24. کارلسون، سی. اولسون، ام. شناسایی مناطق عملکردی: نظریه، روش ها و کاربردها. ان Reg. علمی ۲۰۰۶ ، ۴۰ ، ۱-۱۸٫ [ Google Scholar ] [ CrossRef ]
  25. یوان، نیوجرسی؛ ژنگ، ی. Xie، X. وانگ، ی. ژنگ، ک. Xiong، H. کشف مناطق عملکردی شهری با استفاده از مسیرهای فعالیت پنهان. IEEE Trans. بدانید. مهندسی داده ۲۰۱۴ ، ۲۷ ، ۷۱۲-۷۲۵٫ [ Google Scholar ] [ CrossRef ]
  26. کالابرس، اف. دیائو، م. دی لورنزو، جی. فریرا، جی. Ratti, C. درک الگوهای تحرک فردی از داده های سنجش شهری: یک مثال ردیابی تلفن همراه. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۱۳ ، ۲۶ ، ۳۰۱-۳۱۳٫ [ Google Scholar ] [ CrossRef ]
  27. دیائو، م. زو، ی. فریرا، جی جی؛ راتی، سی. استنتاج فعالیت‌های روزانه فردی از رد پای تلفن همراه: نمونه بوستون. محیط زیست طرح. B طرح. دس ۲۰۱۶ ، ۴۳ ، ۹۲۰-۹۴۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. لیو، ز. ما، تی. دو، ی. پی، تی. یی، جی. پنگ، اچ. نقشه برداری پویایی ساعتی جمعیت شهری با استفاده از مسیرهای بازسازی شده از سوابق تلفن همراه. ترانس. GIS ۲۰۱۸ ، ۲۲ ، ۴۹۴-۵۱۳٫ [ Google Scholar ] [ CrossRef ]
  29. چن، سی. ما، جی. سوسیلو، ی. لیو، ی. وانگ، ام. وعده داده‌های بزرگ و داده‌های کوچک برای تحلیل رفتار سفر (معروف به تحرک انسان). ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۱۶ ، ۶۸ ، ۲۸۵-۲۹۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. ژانگ، اس. یانگ، ی. ژن، اف. Lobsang، T. بررسی الگوهای فعالیت زمانی مناطق شهری با استفاده از داده‌های تلفن همراه مبتنی بر شبکه: مطالعه موردی ووهو، چین. چانه. Geogr. علمی ۲۰۲۰ ، ۳۰ ، ۶۹۵-۷۰۹٫ [ Google Scholar ] [ CrossRef ]
  31. ژان، دی. منگ، ب. تجزیه و تحلیل خوشه بندی فضایی توزیع مسکونی و اشتغال در پکن بر اساس ویژگی های اجتماعی آنها. Acta Geogr. گناه ۲۰۱۳ ، ۶۸ ، ۱۶۰۷-۱۶۱۸٫ [ Google Scholar ]
  32. شیائو، ی. وانگ، ز. لی، ز. تانگ، ز. ارزیابی دسترسی به پارک شهری در شانگهای – پیامدهایی برای برابری اجتماعی در چین شهری. Landsc. طرح شهری. ۲۰۱۷ ، ۱۵۷ ، ۳۸۳-۳۹۳٫ [ Google Scholar ] [ CrossRef ]
  33. یوان، جی. ژنگ، ی. Xie, X. کشف مناطقی از عملکردهای مختلف در یک شهر با استفاده از تحرک انسان و POI. در مجموعه مقالات هجدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، پکن چین، ۱۲ تا ۱۶ اوت ۲۰۱۲٫ ص ۱۸۶-۱۹۴٫ [ Google Scholar ]
  34. چن، ی. لیو، ایکس. لی، ایکس. لیو، ایکس. یائو، ی. در آغوش گرفتن.؛ خو، X. Pei، F. ترسیم مناطق عملکردی شهری با داده‌های رسانه‌های اجتماعی در سطح ساختمان: یک روش K-medoids مبتنی بر فاصله زمانی پویا (DTW). Landsc. طرح شهری. ۲۰۱۷ ، ۱۶۰ ، ۴۸-۶۰٫ [ Google Scholar ] [ CrossRef ]
  35. شکوهی یکتا، م. هو، بی. جین، اچ. وانگ، جی. Keogh، EJ تعمیم DTW به حالت چند بعدی نیاز به یک رویکرد تطبیقی ​​دارد. حداقل داده بدانید. کشف کنید. ۲۰۱۷ ، ۳۱ ، ۱-۳۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  36. الجلبوت، ای. گلکوف، وی. صدیقی، ی. استروبل، ام. Cremers, D. Clustering with Deep Learning: Taxonomy and New Methods. arXiv ۲۰۱۸ , arXiv:1801.07648. [ Google Scholar ]
  37. کائو، آر. تو، دبلیو. یانگ، سی. لی، کیو. لیو، جی. ژو، جی. ژانگ، Q. لی، کیو. کیو، جی. ادغام داده های سنجش از راه دور و اجتماعی مبتنی بر یادگیری عمیق برای تشخیص عملکرد منطقه شهری. ISPRS J. Photogramm. Remote Sens. ۲۰۲۰ , ۱۶۳ , ۸۲–۹۷٫ [ Google Scholar ] [ CrossRef ]
  38. روهانا، NA; یوسف، ن. Uti، MN; دین، AHM در حال کاوش الگوی موج فضایی-زمانی با استفاده از تکنیک بدون نظارت. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۹ ، XLII-4/W16 ، ۵۴۳–۵۴۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. Wandeto، JM; Nyongesa، HO; Dresp-Langley، B. تشخیص تغییرات ساختاری در مناطق جغرافیایی مورد علاقه با نقشه برداری خود سازماندهی شده: شهر لاس وگاس و دریاچه مید در طول سالها. arXiv ۲۰۱۸ ، arXiv:1803.11125. [ Google Scholar ]
  40. لوکش، اس. کومار، PM; دیوی، ام آر. پارتاساراتی، پ. Gokulnath، C. یک سیستم تشخیص خودکار گفتار تامیل با استفاده از شبکه عصبی بازگشتی دو طرفه با نقشه خودسازماندهی. محاسبات عصبی Appl. ۲۰۱۹ ، ۳۱ ، ۱۵۲۱-۱۵۳۱٫ [ Google Scholar ] [ CrossRef ]
  41. سان، ج. وانگ، اچ. آهنگ، ز. لو، جی. منگ، پی. Qin, S. نقشه برداری از مقوله های کاربری ضروری شهری در نانجینگ با ادغام داده های بزرگ چند منبعی. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۳۸۶٫ [ Google Scholar ] [ CrossRef ]
  42. لی، ایکس. گونگ، پی. چارچوبی «حذف-شمول» برای استخراج سکونتگاه‌های انسانی در مناطق در حال توسعه سریع چین از تصاویر Landsat. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۶ ، ۲۸۶-۲۹۶٫ [ Google Scholar ] [ CrossRef ]
  43. ژانگ، جی. دی رن، LI; Qin، XW; Zhu، XY تصحیح هندسی تصویر SAR فضایی با وضوح بالا بر اساس مدل RPC. J. Remote Sens. ۲۰۰۸ , ۱۲ , ۹۴۲-۹۴۸٫ [ Google Scholar ]
  44. یوان، جی.-جی. نیو، ز. وانگ، X.-P. تصحیح جوی تصویر فراطیفی هایپریون بر اساس FLAASH. Spectrosc. طیف مقعدی ۲۰۰۹ ، ۲۹ ، ۱۱۸۱-۱۱۸۵٫ [ Google Scholar ]
  45. دورادو-مونوز، ال. مسنجر، DW; Bove, D. یکپارچه سازی اطلاعات فضایی و طیفی برای افزایش ویژگی های فضایی در نقشه گوف بریتانیای کبیر. J. Cult. میراث. ۲۰۱۸ ، ۳۴ ، ۱۵۹-۱۶۵٫ [ Google Scholar ] [ CrossRef ]
  46. کائو، ی. لیو، جی. وانگ، ی. وانگ، ال. وو، دبلیو. Su, F. مطالعه ای در مورد روش طبقه بندی عملکردی ساختمان های شهری با استفاده از داده های POI. J. Geo-Inf. علمی ۲۰۲۰ ، ۲۲ ، ۱۳۳۹-۱۳۴۸٫ [ Google Scholar ]
  47. گونگ، پی. چن، بی. لی، ایکس. لیو، اچ. وانگ، جی. بای، ی. چن، جی. چن، ایکس. نیش، ال. فنگ، اس. و همکاران نقشه برداری مقوله های ضروری کاربری زمین شهری در چین (EULUC-چین): نتایج اولیه برای سال ۲۰۱۸٫ علمی. گاو نر ۲۰۲۰ ، ۶۵ ، ۱۸۲-۱۸۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. لین، ا. سان، ایکس. وو، اچ. لو، دبلیو. وانگ، دی. ژونگ، دی. وانگ، ز. ژائو، ال. Zhu, J. شناسایی عملکرد ساختمان شهری با ادغام تصاویر سنجش از دور و داده های POI. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۱ , ۱۴ , ۸۸۶۴–۸۸۷۵٫ [ Google Scholar ] [ CrossRef ]
  49. ژانگ، ایکس. دو، اس. وانگ، Q. شناخت معنایی سلسله مراتبی برای مناطق عملکردی شهری با تصاویر ماهواره ای VHR و داده های POI. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۳۲ ، ۱۷۰-۱۸۴٫ [ Google Scholar ] [ CrossRef ]
  50. گونگ، پی. لیو، اچ. ژانگ، ام. لی، سی. وانگ، جی. هوانگ، اچ. کلینتون، ن. جی، ال. لی، دبلیو. بای، ی. و همکاران طبقه بندی پایدار با نمونه محدود: انتقال مجموعه نمونه با وضوح ۳۰ متری جمع آوری شده در سال ۲۰۱۵ به نقشه برداری پوشش زمینی با وضوح ۱۰ متری در سال ۲۰۱۷٫ علمی. گاو نر ۲۰۱۹ ، ۶۴ ، ۳۷۰-۳۷۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. دهناد، ک. برآورد چگالی برای آمار و تجزیه و تحلیل داده ها. Technometrics ۲۰۱۲ , ۲۹ , ۴۹۵٫ [ Google Scholar ] [ CrossRef ]
  52. 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 ، ۳ ، ۵۱۲-۵۳۰٫ [ Google Scholar ] [ CrossRef ]
  53. دینگ، اچ. ترایچفسکی، جی. شوئرمن، پی. وانگ، ایکس. Keogh، E. پرس و جو و استخراج داده های سری زمانی: مقایسه تجربی نمایش ها و اندازه گیری های فاصله. Proc. VLDB Enddow. ۲۰۰۸ ، ۱ ، ۱۵۴۲-۱۵۵۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. Kohonen, T. Self-Organizing Maps , ۳rd ed.; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۱٫ [ Google Scholar ]
  55. آرتور، دی. Vassilvitskii, S. k-means: مزایای کاشت دقیق. Soc. Ind. Appl. ریاضی. ۲۰۰۷ ، ۱۰۲۷-۱۰۳۵٫ [ Google Scholar ]
  56. وربورگ، پی اچ. de Nijs، TC; ون اک، جی آر. ویسر، اچ. دی جونگ، ک. روشی برای تجزیه و تحلیل ویژگی های همسایگی الگوهای کاربری زمین. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۴ ، ۲۸ ، ۶۶۷-۶۹۰٫ [ Google Scholar ] [ CrossRef ]
  57. گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی ۱۹۹۲ ، ۲۴ ، ۱۸۹-۲۰۶٫ [ Google Scholar ] [ CrossRef ]
  58. لیو، ایکس. نیو، ن. لیو، ایکس. جین، اچ. او، جی. جیائو، ال. لیو، ی. مشخص کردن ساختمان‌های با کاربری مختلط بر اساس داده‌های بزرگ چند منبعی. بین المللی جی. جئوگر. Inf. علمی IJGIS ۲۰۱۸ ، ۳۲ ، ۷۳۸-۷۵۶٫ [ Google Scholar ]
  59. ژانگ، سی. شی، س. ژو، ال. وانگ، اف. تائو، اچ. استنباط استفاده ترکیبی از ساختمان‌ها با داده‌های چند منبعی بر اساس تجزیه تانسور. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۱۸۵٫ [ Google Scholar ] [ CrossRef ]
  60. تو، دبلیو. ژانگ، ی. لی، کیو. مای، ک. کائو، جی. اثر مقیاس بر ادغام سنجش از دور و حس انسانی برای به تصویر کشیدن توابع شهری. IEEE Geosci. سنسور از راه دور Lett. ۲۰۲۰ ، ۱۸ ، ۳۸-۴۲٫ [ Google Scholar ] [ CrossRef ]
  61. لین، تی. سان، سی. لی، ایکس. ژائو، کیو. ژانگ، جی. جنرال الکتریک، آر. بله، اچ. هوانگ، ن. یین، ک. الگوی فضایی مناظر کاربردی شهری در امتداد شیب شهری-روستایی: مطالعه موردی در شهر Xiamen، چین. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۶ ، ۴۶ ، ۲۲-۳۰٫ [ Google Scholar ] [ CrossRef ]
  62. نمشکال، ج. اوردنیچک، ام. Pospíšilová، L. موقتی بودن فضای شهری: ریتم های روزانه یک روز معمولی هفته در منطقه شهری پراگ. J. Maps. ۲۰۲۰ ، ۱۶ ، ۳۰-۳۹٫ [ Google Scholar ] [ CrossRef ]
Ijgi 11 00072 g001 550
شکل ۱٫ موقعیت منطقه مورد مطالعه. ( الف ) نانجینگ، چین. ( ب ) منطقه مورد مطالعه. ( ج ) وسعت هشت ناحیه با نقشه های گوگل به عنوان پس زمینه.
Ijgi 11 00072 g002 550
شکل ۲٫ داده های طرح کلی ساختمان در شهر نانجینگ: ( الف ، ب ) ساختمان های مسکونی در دو منطقه هستند. ( ج ، د ) دو مرکز خرید هستند.
Ijgi 11 00072 g003 550
شکل ۳٫ گردش کار شناسایی مناطق عملکردی در شهر نانجینگ.
Ijgi 11 00072 g004 550
شکل ۴٫ سری زمانی کل تراکم کاربر، تراکم جمعیت مسکونی و تراکم جمعیت فعال برای چهار ساختمان در شکل ۲ a-d.
Ijgi 11 00072 g005 550
شکل ۵٫ ( الف ) U-Matrix: میانگین فاصله Ndim-DTW بین BMU و BMUهای همسایه. فاصله کمتر به این معنی است که احتمال گروه بندی آن با BMUهای همسایه بیشتر است. ( ب ) ماتریس برنده: تعداد ساختمانهای موجود در هر دسته BMU.
Ijgi 11 00072 g006 550
شکل ۶٫ منحنی های تغییر سری زمانی در هر BMU. در مجموع ۱۶ سری زمانی BMU به دست آمد که منحنی قرمز نشان دهنده جمعیت مسکونی و منحنی آبی نشان دهنده جمعیت فعال است. محور y نشان دهنده تراکم جمعیت است. محور x نشان دهنده تغییرات زمانی در هر دو الگوی روزهای هفته و آخر هفته است، جایی که سمت چپ خط چین نشان دهنده الگوی روزهای هفته و سمت راست منحنی نشان دهنده الگوی آخر هفته است.
Ijgi 11 00072 g007 550
شکل ۷٫ ( الف ) توزیع فضایی خوشه های عملکردی، با نقشه پوشش زمین در پس زمینه. ( ب ) تعداد ساختمانها در هر منطقه کاربردی.
Ijgi 11 00072 g008 550
شکل ۸٫ مکان و اندازه مناطق هات اسپات. محور x و محور y به ترتیب طول و عرض جغرافیایی را نشان می دهند. محور z نشان دهنده میانگین شاخص شانون هر ناحیه کانونی است. ( الف ) شهر دانشگاه Xianlin، ( ب ) منطقه تجاری Qiaobei، ( ج ) منطقه تجاری و خرید Xinjiekou، ( د ) ایستگاه راه آهن نانجینگ جنوبی، ( e ) شهر دانشگاه Jiangning، ( f ) بلوک جاده Bema، و ( g )) Hexi CBD. هر ستون حاوی رنگ هایی با نسبت های مختلف است که نشان دهنده نسبت تعداد ساختمان ها در خوشه های مختلف است. نواحی قرمز رنگ زیر ستون ها وسعت واقعی نقاط داغ است و دایره های خاکستری اندازه نقاط داغ را نشان می دهد.
Ijgi 11 00072 g009 550
شکل ۹٫ مقایسه نتایج پهنه بندی عملکردی درون نقاط حساس با نقشه شهرسازی.
Ijgi 11 00072 g010 550
شکل ۱۰٫ ( الف ) توزیع فضایی مناطق غیر کانونی. ( ب ) سری زمانی تراکم جمعیت فعال نقاط داغ و غیر کانونی. ج ) سری زمانی تراکم جمعیت مسکونی نقاط داغ و غیر کانونی.

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

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

خانهدربارهتماسارتباط با ما