ارزیابی کیفیت فضای خیابان با استفاده از تصاویر نمای خیابان و روش تابع محور: مورد Xiamen، چین

ارزیابی کیفیت فضای خیابان به استخراج و ارزیابی مناسب اطلاعات کیفی فضای خیابان های شهری اشاره دارد که معمولاً برای ارتقای کیفیت برنامه ریزی و مدیریت شهری به کار می رود. در مقایسه با رویکردهای سنتی با تکیه بر دانش تخصصی، پیشرفت‌های فن‌آوری‌های جمع‌آوری و تحلیل داده‌های بزرگ، جایگزینی برای ارزیابی دقیق‌تر فضای خیابان فراهم می‌کند. این مطالعه با تصاویر نمای خیابان (SVI)، نقاط مورد علاقه (POI) و داده‌های نظر از رسانه‌های اجتماعی، کیفیت فضای خیابان را از منظر کاوش و بحث در مورد رابطه بین سرزندگی خیابان، امکانات خدماتی و محیط ساخته شده ارزیابی می‌کند. در مرحله اول، یک چارچوب مبتنی بر یادگیری انتقالی برای بخش‌بندی معنایی SVI به کار گرفته شده است تا محیط ساخته شده در خیابان را کمی‌سازی کند. سپس، ما از داده‌های POI برای شناسایی عملکردهای شهری مختلف که خیابان‌ها در آن خدمت می‌کنند استفاده می‌کنیم، و داده‌های نظرات برای بررسی ترکیب سرزندگی شهری و ادغام آن با عملکردهای مختلف شهری مرتبط با خیابان‌ها استفاده می‌شوند. در نهایت، یک رویکرد ارزیابی کیفیت فضای خیابان مبتنی بر عملکرد ایجاد می‌شود. برای بررسی کاربرد و عملکرد آن، روش پیشنهادی با داده‌های منطقه قطعه در Xiamen، چین آزمایش می‌شود. خروجی با استفاده از روش تحلیل همبستگی با نتایج بر اساس نظر متخصص مقایسه می شود. نتایج نشان می‌دهد که رویکرد ارزیابی پیشنهادی طراحی‌شده در این مطالعه مطابق با داده‌های اعتبارسنجی، با کلی است یک رویکرد ارزیابی کیفیت فضای خیابان مبتنی بر عملکرد ایجاد شده است. برای بررسی کاربرد و عملکرد آن، روش پیشنهادی با داده‌های منطقه قطعه در Xiamen، چین آزمایش می‌شود. خروجی با استفاده از روش تحلیل همبستگی با نتایج بر اساس نظر متخصص مقایسه می شود. نتایج نشان می‌دهد که رویکرد ارزیابی پیشنهادی طراحی‌شده در این مطالعه مطابق با داده‌های اعتبارسنجی، با کلی است یک رویکرد ارزیابی کیفیت فضای خیابان مبتنی بر عملکرد ایجاد شده است. برای بررسی کاربرد و عملکرد آن، روش پیشنهادی با داده‌های منطقه قطعه در Xiamen، چین آزمایش می‌شود. خروجی با استفاده از روش تحلیل همبستگی با نتایج بر اساس نظر متخصص مقایسه می شود. نتایج نشان می‌دهد که رویکرد ارزیابی پیشنهادی طراحی‌شده در این مطالعه مطابق با داده‌های اعتبارسنجی، با کلی استمقدار R ² بزرگتر از 0.6 است. به طور خاص، روش پیشنهادی عملکرد بهتری را در زمین‌های دیدنی و خیابان‌های کاربردی مختلط با ^مقدارR2 که بیشتر از 0.8 است، نشان می‌دهد. انتظار می رود این روش ابزاری کارآمد برای کشف مشکلات و بهینه سازی برنامه ریزی و مدیریت شهری باشد.

کلید واژه ها:

تصاویر نمای خیابان ; عملکرد شهری ; سرزندگی خیابانی ; ارزیابی کیفیت فضای خیابان

چکیده گرافیکی

1. مقدمه

فضای خیابان به عنوان یک جزء ضروری از فضای عمومی شهری در نظر گرفته می شود و مسئولیت فعالیت های عمومی مختلف را بر عهده دارد و مناطق مختلف عملکردی شهر را به هم متصل می کند [ 1 ، 2 ]. به‌عنوان متداول‌ترین فضای عمومی در زندگی روزمره شهروندان، کیفیت فضای خیابان‌ها به طور مستقیم بر برداشت کاربران، از جمله شهروندان و گردشگران، از فضای شهری تأثیر می‌گذارد [ 3 ]. در این زمینه، بسیاری از ابتکارات طراحی و سیاست‌های نوسازی شهری در خیابان‌ها در سطح بین‌المللی پیشنهاد شده‌اند، از جمله راهنمای طراحی خیابان شهری [ 4 ] و دستورالعمل‌های طراحی خیابان Xiamen [ 5 ] و غیره.

تاکنون روش‌های متعددی برای ارزیابی کیفیت فضای خیابان ابداع و مورد استفاده قرار گرفته‌اند، مانند بررسی اولویت‌های اعلام‌شده و نقشه‌برداری رفتار [ 6 ]. تا حد زیادی، چنین روش هایی که در اینجا روش های سنتی نامیده می شوند، پرسشنامه و نظرسنجی های دستی میدانی را برای تحقق اهداف خود به کار می گیرند. در سال‌های اخیر، ظهور علم اطلاعات جغرافیایی و فناوری رایانه فرصت‌های جدیدی را برای پردازش و درک ساختار فضایی خیابان‌ها به‌طور جامع‌تر از زمان‌های قبل به ارمغان آورده است [ 2 ، 7 ، 8 ].]. در مقایسه با داده‌های سنتی، داده‌های بزرگ مزایای آزاد بودن و به‌روزرسانی پویا را نشان می‌دهد و حاوی اطلاعات فیزیکی و عینی کافی برای توصیف محیط شهری است. در واقع، با استفاده از داده‌های بزرگ چند منبعی، مانند تصاویر نمای خیابان (SVIs) و نقاط مورد علاقه (POIs)، مطالعات فعلی ارزیابی کیفیت فضای خیابان را در دیدگاه‌های مختلف، از جمله محیط شهری، سرزندگی شهری، ادراکات انسانی و غیره بررسی کرده‌اند. [ 9 ، 10 ]. به عنوان مثال، لیو و همکاران. [ 2] از سه شاخص کمی (به عنوان مثال، تمیزی، راحتی و ترافیک) استفاده کرد و یک رویکرد یادگیری عمیق جدید را برای ارزیابی کیفیت فضای خیابان پیشنهاد کرد. تحقیقات آنها به تجزیه و تحلیل کمی کیفیت فضا در جاده کمربندی دوم چنگدو دست یافت. شن و همکاران [ 11 ] از داده‌های بررسی رسانه‌های اجتماعی برای توصیف خیابان‌های شهری با شاخص‌های اتصال کاربری زمین استفاده کرد. به طور کلی، این مطالعات توصیف فعلی شبکه های خیابانی را غنی می کند و ارزیابی عملکرد شبکه خیابانی را افزایش می دهد.

بسیاری از محققان برای درک کیفیت فضای خیابان بر اساس محیط ساخته شده با استفاده از تصاویر سطح خیابان تحقیق کرده اند. چنین داده‌هایی اغلب استفاده می‌شوند زیرا حاوی مقدار زیادی اطلاعات بصری در مورد یک محیط فیزیکی ساخته شده شهری هستند [ 12 ، 13 ]. علاوه بر این، آنها طیف گسترده ای را برای یادگیری کیفیت فضای خیابان با ترکیب بینایی کامپیوتر و فناوری تقسیم بندی معنایی ارائه می دهند [ 14 ، 15 ]. در این راستا، گونگ و همکاران. [ 16 ]، برای مثال، یک رویکرد تخمینی برای استخراج ویژگی‌های خیابان (آسمان، درختان، و ساختمان‌ها) و ارزیابی محیط‌های خیابان شهری، با استفاده از تصاویر نمای خیابان گوگل (GSV) و یک الگوریتم یادگیری عمیق ایجاد کرد. چن و همکاران [17 ] یک درک کلی از محیط شهری، به ویژه ارزیابی کیفیت محیطی، بر اساس تصاویر نمای خیابان و کاربرد چشم انداز ایجاد کرد. علاوه بر این، لی و همکاران. [ 15 ] با استفاده از الگوریتم‌های یادگیری ماشین در تصاویر نمای خیابان، سه معیار را در مورد محفظه بصری بررسی کرد و نتایج با گنجاندن حجم عابر پیاده و امتیاز پیاده‌روی بهبود یافت.

برای ارزیابی کمی سرزندگی شهری، مطالعات اکتشافی مختلفی از دیدگاه‌های مختلف انجام شده است که داده‌های چند منبعی (داده‌های سرویس مبتنی بر مکان، نقطه مورد علاقه، بررسی رسانه‌های اجتماعی، نقشه‌های آنلاین و غیره) را ترکیب می‌کند [ 18 ]. چن و همکاران [ 19 ] شاخص های صریح فضایی را برای تجزیه و تحلیل الگوی فضایی در پلت فرم داده های بزرگ محاسبه کرد. این تحقیق بر ارزیابی سرزندگی شهری برای پرداختن به الگوهای غیرمتمرکز شهری فزاینده و اتخاذ تدابیر احتیاطی برای کاهش شهری متمرکز بود. دونگ و همکاران [ 20] راه حل ایده آل TOPSIS را برای ارزیابی کمی از سرزندگی شهری فضای زیرزمینی مترو (MUS) بر اساس داده های بزرگ چند منبعی اتخاذ کرد. این تلاش‌ها نشان می‌دهد که با استفاده از داده‌های جغرافیایی که انواع مختلف فعالیت‌های انسانی را منعکس می‌کند، می‌توانیم به طور دقیق توزیع سرزندگی فضای شهری را در مقیاس‌های مختلف به دست آوریم [ 21 ]. به عبارت دیگر، آنها تأیید می‌کنند که با استفاده از داده‌های جغرافیایی می‌توان انواع مختلف توابع و حیات متناظر آن‌ها را که توسط فضای خیابان انجام می‌شود به طور مؤثر ارزیابی کرد [ 22 ].

تا به امروز، بسیاری از مطالعاتی که داده‌های جغرافیایی را برای ارزیابی کیفیت فضای خیابان به کار می‌برند، طیف وسیعی از خیابان‌های شهری را به‌عنوان اشیاء مستقل مورد بررسی قرار می‌دهند تا نقش آن‌ها در سبزسازی، حمل‌ونقل و سرزندگی شهری را بررسی کنند [ 14 ، 20 ، 23 ]. علاوه بر این، مطالعات فعلی عملکردهای شهری را در زمینه ارزیابی کیفیت خیابان بررسی کرده‌اند. هو و همکاران [ 24به عنوان مثال، یک مدل ارزیابی ترکیبی با تصویر نمای خیابان و عملکرد شهری ایجاد کرد که این واقعیت را نادیده می گیرد که سرزندگی شهری نیز یک عنصر تشکیل دهنده کیفیت فضایی است. علیرغم موفقیت و مشارکت قابل توجه آنها، محدودیت هایی وجود دارد که نیاز به توجه بیشتری دارد. درک کیفیت فضای خیابان در مطالعات موجود بیشتر بر ارزیابی مفاهیم مادی فضا متمرکز است، در حالی که سرزندگی خیابان و عملکرد خیابان به مفهومی جامع از جمله عناصر مادی و فعالیت های شهروندی تبدیل شده است [ 25 ، 26 ]. یکی دیگر از مشکلات چالش برانگیز که در این حوزه مطرح می شود، چگونگی بررسی همه جانبه این عوامل است.

این مقاله برای پرداختن به چنین شکاف هایی با یکپارچه سازی و بحث در مورد رابطه بین سرزندگی خیابان، عملکرد شهری و محیط ساخته شده در همان فضای خیابان از دیدگاهی جامع از طریق تحلیل عینی و ادراک ذهنی طراحی شده است. یک نمونه اولیه مبتنی بر سیستم اطلاعات جغرافیایی (GIS) برای استقرار داده‌های چند منبع با شاخص‌های چند منظر برای ارزیابی کیفیت فضای خیابان پیشنهاد شده است، و این مطالعه یک سیستم شاخص وزن جدید را معرفی می‌کند که عملکرد شهری زمین دیدنی را برای ارزیابی خیابان یکپارچه می‌کند. کیفیت فضا این سیستم نتایج معقول‌تری را ارائه می‌کند، به‌ویژه در شهرهایی که ویژگی‌های محلی آن‌ها مانند شهر Xiamen گردشگری محور هستند.

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 منطقه مورد مطالعه و داده های چند منبع مورد استفاده در این مطالعه را معرفی می کند. بخش 3 رویکرد پیشنهادی ما را برای ارزیابی کیفیت فضای خیابان نشان می دهد. بخش 4 نتایج ارزیابی مقایسه ای در منطقه مورد مطالعه را نشان می دهد. بخش 5 نتایج به‌دست‌آمده را مورد بحث قرار می‌دهد و بخش آخر این کار را با ارائه خلاصه و جهت‌گیری‌های آتی این مطالعه به پایان می‌رساند.

2. شرح داده ها

2.1. منطقه مطالعه

داده‌هایی که این مطالعه برای ارائه و تحلیل کیفیت فضای خیابان استفاده می‌کند از Xiamen، یکی از مشهورترین شهرهای گردشگری در جنوب شرقی استان فوجیان، چین به‌دست آمده است. به طور خاص، سه منطقه مشخص شده به عنوان منطقه I، II و III در شهر Xiamen برای تحقق اهداف این مطالعه انتخاب شده اند، همانطور که در شکل 1 مشاهده می شود . منطقه I در جنوب غربی ناحیه سیمینگ واقع شده است. منطقه II با مساحت زیاد و تراکم جاده کمتر از دو منطقه دیگر در منطقه جیمی واقع شده است. منطقه III در وسط منطقه سیمینگ واقع شده است و شامل ایستگاه راه آهن Xiamen است. هر خیابان به عنوان یک واحد مجزا برای جمع‌آوری تصاویر نمای خیابان و سایر داده‌های چند منبعی در نظر گرفته شد.

2.2. منابع داده و پیش پردازش

2.2.1. تصاویر نمای خیابان

در این مطالعه، ما در مجموع از 704 تصویر نمای خیابان باز استفاده می‌کنیم که توسط برگزارکنندگان مسابقه امنیت داده‌های بزرگ، برنامه کاربردی باز و نوآورانه Xiamen ارائه شده‌اند. گردش کار پردازش در شکل 2 ارائه شده است .

پیش پردازش تصاویر نمای خیابان با استفاده از روش یکسان سازی هیستوگرام برای از بین بردن تأثیر روشنایی تصویر تحت نورهای مختلف انجام شد [ 27 ]. همانطور که در شکل 2 نشان داده شده است ، تصاویر اصلی نمای خیابان از فضای قرمز-سبز-آبی (RGB) به فضای رنگی با شدت اشباع رنگ (HSI) تبدیل می شوند، سپس مولفه روشنایی در فضای رنگی HSI برابر می شود. به این ترتیب، کنتراست محلی بدون تأثیر بر کنتراست کلی افزایش می یابد. در نهایت، تصویر پس از تبدیل به فضای RGB برش داده می شود (اندازه تصویر برش داده شده 300 × 600 است) تا تأثیر عوامل نامربوط در پردازش و تجزیه و تحلیل بعدی داده ها از بین برود. نمونه های تصویر نمای خیابان در شکل 3 نشان داده شده است. شکل 3a,b تصاویر اصلی نمای خیابان هستند و تصاویر مربوط به آنها پس از پیش پردازش همانطور که در شکل 3 c,d مشاهده می شود.

2.2.2. داده های POI

داده‌های POI از سازمان‌دهندگان رقابت برنامه‌های کاربردی باز و نوآورانه امنیت داده بزرگ Xiamen به‌دست آمده است. هر داده شامل سه ویژگی است، یعنی نام، مختصات XY و دسته. قبل از استفاده، ما آنها را با حذف، به عنوان مثال، اطلاعات اضافی، ادغام و تمیز کردیم. در مجموع 175279 رکورد از داده های POI پس از فرآیند تمیز کردن حفظ شد و تجزیه و تحلیل آنها بر اساس موقعیت جغرافیایی آنها (یعنی مختصات XY) و سایر انواع فیلدها انجام شد.

2.2.3. داده های بررسی/نظر

داده های نظر از گروه Trip.com در https://www.ctrip.com (در 3 اکتبر 2021 قابل دسترسی است) بازیابی شده است. گروه Trip.com یکی از پیشروترین پلتفرم های خدمات مسافرتی آنلاین چین است. داده های جمع آوری شده برای این مطالعه شامل داده های جاذبه ها، هتل ها، رستوران ها و مراکز خرید می باشد. این داده ها همراه با جزئیات آنها، از جمله نام، مختصات و تعداد نظرات بازیابی شدند. در مجموع 5024 رکورد نظر در Xiamen به دست آمد. سپس از شعاع بافر 800 متر برای به دست آوردن داده های نظر موجود در منطقه مورد مطالعه استفاده شد. این رویکرد در مجموع 1195 نقطه داده نظر ایجاد کرد که برای تحقیقات بیشتر مورد استفاده قرار گرفت. علاوه بر این، داده های جاده Xiamen از OpenStreetMap [ 28 ] به دست آمده است.

3. روش شناسی

در این تحقیق، ما از داده‌های جغرافیایی چند منبعی، از جمله تصاویر نمای خیابان، داده‌های نظر و POI برای ارزیابی جامع کیفیت فضای خیابان بر اساس عملکرد شهری استفاده می‌کنیم. در مرحله اول، تصاویر نمای خیابان توسط مدل DeepLabv3 برای استخراج شاخص‌های محیطی فضای خیابان تقسیم‌بندی می‌شوند. سپس، ما یک مدل وزنی از سرزندگی خیابان را در ترکیب با مدل دسترسی یک شبکه جاده‌ای خیابانی ایجاد می‌کنیم تا شبیه‌سازی سرزندگی فضای خیابان را در محدوده معینی محقق کنیم. در نهایت، ما از POI برای تشخیص عملکرد شهری استفاده می کنیم. در مرحله دوم، شاخص های کمی سازی فضای خیابان را برای عملکردهای مختلف شهری ایجاد می کنیم. سپس، نوع وزن را برای عملکردهای مختلف تعیین می کنیم. سرانجام، ارزیابی کیفیت خیابان توسط تکنیک آنتروپی برای اولویت سفارش با شباهت به یک راه حل ایده آل (Entropy TOPSIS) تحقق می یابد. مرحله دوم از طبقه‌بندی توابع شهری در گام اول استفاده می‌کند و راهبردهایی را برای توصیف و وزن‌دهی کیفیت فضای خیابان پیشنهاد می‌کند. چارچوب ارزیابی کیفیت فضای خیابان در نمایش داده شده استشکل 4 .

3.1. تقسیم بندی تصویر نمای خیابان با استفاده از CNN و آموزش انتقال

به عنوان یک جریان اصلی معماری یادگیری عمیق، شبکه‌های عصبی کانولوشنال (CNN) در استخراج اطلاعات بافت مکانی تخصص دارند که آن را به ویژه در زمینه‌های تشخیص ویدیو، طبقه‌بندی تصویر و بخش‌بندی مؤثر می‌سازد [ 29 ]. در این کار، ما از مدل DeepLabv3 برای یادگیری دانش یک محیط فیزیکی و استفاده از نمایش عمیق یک تصویر صحنه برای استخراج اطلاعات معنایی از تصاویر نمای خیابان، مانند آسمان و ساختمان‌ها استفاده می‌کنیم [ 30 ]. DeepLabv3 برای استخراج نقشه های متراکم از ویژگی ها و به تصویر کشیدن یک زمینه دوربرد، از کانولوشن شدید با فیلترهای نمونه برداری شده استفاده می کند. با توجه به کمبود مجموعه داده های آموزشی در منطقه مورد مطالعه، این مطالعه از روش یادگیری انتقالی و مجموعه داده های Cityscapes [ 31 ] استفاده می کند.] برای تحقق بخش بندی معنایی تصاویر نمای خیابان.

همانطور که در شکل 5 نشان داده شده است ، ابتدا با آموزش یک مدل DeepLabV3، یادگیری انتقال را به این کار اعمال می کنیم. مسبا استفاده از مجموعه داده Cityscapes برای انجام یک کار تقسیم‌بندی تصویر، به عنوان مثال، تشخیص دهید که پیکسل به کدام دسته تعلق دارد، و سپس یک مدل DeepLabV3 را آموزش دهید. متیبرای پیش بینی تصاویر نمای خیابان در منطقه مورد مطالعه با تنظیم دقیق مدل از پیش آموزش دیده مس.

در این مطالعه 70 تصویر نمای خیابان در منطقه مورد مطالعه با 14 دسته پیکسل برای تنظیم دقیق مدل برچسب گذاری شده است. جدول 1 شرح تفصیلی دسته ها را نشان می دهد.

3.2. استخراج نشانگر محیط فضای خیابان

سه شاخص عنصری منفرد و سه شاخص چند عنصری انتخاب و در این تحقیق مورد استفاده قرار گرفتند. ما نمی گوییم که این شش شاخص کمی انتخاب شده مناسب ترین یا مهم ترین برای این مطالعه هستند. آنها تازه در آغاز این سری از مطالعات هستند.

نشانگر عنصر فردی

در میان 14 کلاس، تعداد پیکسل‌ها را برای سه ویژگی شناسایی‌شده، یعنی سبزی ، آسمان و جاده می‌شماریم تا ویژگی عناصر جداگانه در هر تصویر نمای خیابان، از جمله نمایه سبز قابل مشاهده، باز بودن فضایی، و وسعت خیابان را تجزیه و تحلیل کنیم. .

2.: نشانگر چند عنصری

علاوه بر شاخص‌های تک تک عناصر، برخی از ویژگی‌های خیابان تحت تأثیر چندین نوع عنصر قرار می‌گیرند که بر کاربران و درک محیط تأثیر می‌گذارند. ما سه شاخص چند عنصری را برای تحلیل بیشتر عناصر خیابان در منطقه تحقیق محاسبه می‌کنیم.

هتروزیگوسیتی رابط

این شاخص به درجه محصور بودن رابط فضای خیابان اشاره دارد که می تواند منعکس کننده محدودیت ساختمان ها، دیوارها، درختان و سایر عناصر در دو طرف خیابان باشد که به صورت زیر محاسبه می شود:

سیه=nبتومنلدمنng+nwآلل+nvهgهتیآتیمنon-nبrمندgه-nتیهrrآمنnن،

(1)

که در آن N تعداد کل پیکسل های تصویر است و nبتومنلدمنng، nwآلل، nvهgهتیآتیمنon، nبrمندgهو nتیهrrآمنnبه ترتیب تعداد پیکسل های مربوط به ساختمان ، دیوار ، فضای سبز ، پل و زمین را نشان می دهد. به عنوان مثال ساختمان، زمانی که نسبت ساختمان نسبتاً زیاد است، فضای خیابان نسبتا فشرده است، یعنی حس محصور شدن فضا قوی است.

موتورسازی

برای ارائه تداخل فضای وسیله نقلیه در راه رفتن، شاخص موتورسازی را معرفی کردیم که از پنج دسته برای محاسبه استفاده می‌کرد:

سیمتر=nجآr+nبتوس+nroآد-nسمندهwآلک-nتیهrrآمنnن،

(2)

که در آن N تعداد کل پیکسل های تصویر است و nجآr، nبتوس، nroآد، nسمندهwآلکو nتیهrrآمنnتعداد پیکسل های مربوط به خودرو ، اتوبوس ، جاده ، پیاده رو و زمین را به ترتیب نشان می دهد. هر چه درجه موتوری شدن کمتر باشد، تداخل عابران پیاده کمتر و برای توسعه فعالیت های پیاده روی مساعدتر است.

قابلیت راه رفتن

وجود مسیر عابر پیاده با عرض مناسب برای بهبود احساس امنیت شهروندان و گردشگران اهمیت زیادی دارد [ 32 ]. شاخص پیاده روی به صورت زیر محاسبه می شود:

سیس=nسمندهwآلک+nتیهrrآمنn+nپهrسonن،

(3)

که در آن N تعداد کل پیکسل های تصویر است. nسمندهwآلک، nپهrسonو nتیهrrآمنnبه ترتیب تعداد پیکسل های مربوط به پیاده رو ، فرد و زمین را نشان می دهد.

پس از تکمیل تشخیص محتوای تصویر نمای خیابان، نقاط جمع‌آوری نمای خیابان از طریق اتصال فضایی با بخش‌های خیابان مربوطه تطبیق داده می‌شود، میانگین مقدار پیکسل‌های برچسب مختلف در هر بخش خیابان شمارش می‌شود و توزیع فضایی برخی از عناصر در ArcGIS تجسم می‌شود. برای تحلیل بیشتر

3.3. ساخت مدل سرزندگی فضای خیابان

از داده های نظر برای استخراج سرزندگی خیابان در این مطالعه استفاده شده است. امکانات مختلف تأثیرات متفاوتی بر سرزندگی فضای خیابان دارند، بنابراین ما با توجه به تعداد کاربران به امکانات مختلف وزن‌هایی دادیم (یعنی تعداد نظرات در مورد امکانات، جj) و سپس مدل شبکه وزنی سرزندگی خیابان را در ترکیب با مدل دسترسی شبکه جاده های خیابانی ساخته تا شبیه سازی سرزندگی فضای خیابان در محدوده معینی محقق شود. ما از فاصله تسهیلات تا تقاطع خیابان برای نشان دادن دسترسی به شبکه خیابان استفاده می کنیم. عمدتاً به موقعیت های زیر تقسیم می شود:

فاصله تأثیر مؤثر (800 متر): تأسیسات خارج از این فاصله تأثیر قابل توجهی بر سرزندگی فضایی ندارند و تأثیر این تأسیسات با افزایش فاصله تغییر نخواهد کرد. محدود به مسافت پیاده‌روی مناسب، حداکثر فاصله تأثیر مؤثر تأسیسات در فضای خیابان 800 متر تعیین می‌شود [ 33 ].
محدوده نفوذ (25 تا 800 متر): طبق قانون مربع معکوس [ 34 ]، در شبکه خیابانی، تأثیر تأسیسات بر سرزندگی خیابان به طور قابل توجهی ضعیف می شود، یعنی در محدوده 25 تا 800 متر، تأثیرگذاری خواهد شد. کاهش به توان 2 با افزایش فاصله؛
فاصله نفوذ مستقیم (25 متر): امکانات می توانند به طور مستقیم بر سرزندگی خیابان های فضایی در فاصله معین تأثیر بگذارند. در این محدوده، امکانات بیشترین تاثیر را بر سرزندگی فضایی دارند و با افزایش فاصله تغییر محسوسی نخواهند داشت. به عبارت دیگر، تأسیسات در فاصله 25 متری بیشترین تأثیر را بر سرزندگی فضایی دارند [ 35 ].

اجازه دهید x نشان دهنده فاصله هر نقطه p در خیابان S تا اولین تقاطع باشد مناز S ، دایکسjنشان دهنده فاصله از نقطه پبه یک نقطه تسهیلات پoمنj، کارکرد f(ایکس)از دایکسjبه ایکسپس از محدودیت فاصله به صورت زیر تعریف می شود:

g(ایکس)={ 25 f(ایکس)≤25f(ایکس) 25<f(ایکس)≤800800 f(ایکس)>800 ،

(4)

سپس تأثیر کل کلیه امکانات در محدوده مطالعه بر سرزندگی یک تقاطع خیابان سvمنبه صورت زیر محاسبه می شود:

سvمن=∑jجjg2(ایکس)،

(5)

جایی که جjتعداد نظرات را نشان می دهد jتیساعتامکانات.

3.4. سنجش توزیع فضایی عملکرد شهری

برای ارزیابی کیفیت فضای خیابان، باید تنوع انواع خیابان ها را در نظر گرفت. این تحقیق بر ارزیابی کیفیت بر اساس مقوله‌های عملکرد شهری تمرکز دارد. بر اساس دستورالعمل‌های طراحی خیابان Xiamen [ 5 ]، با توجه به فعالیت‌های خیابانی و ویژگی‌های منظر فضای خیابان، خیابان‌های Xiamen به پنج نوع تقسیم می‌شوند: خیابان تجاری‌محور، خیابان خدمات‌محور زندگی، خیابان منظر محور، خیابان ترافیک محور و مختلط. خیابان تابع بر این اساس، ما از داده‌های POI برای شناسایی عملکرد بلوک‌های شهری، از جمله تجاری ، زندگی ، ترافیک ، زمین‌های دیدنی و ترکیبی استفاده کردیم . جدول 2نمونه های معمولی از پنج نوع خیابان در Xiamen را نشان می دهد.

در مرحله اول، تجزیه و تحلیل مبتنی بر مش برای محاسبه نمرات تابع شهری با استفاده از داده های POI [ 36 ] استفاده شد. شاخص هایی مانند تعداد POI در هر شبکه مش محاسبه شد. سپس امتیاز چهار دسته عملکرد شهری یعنی تجاری ، مسکونی ، ترافیکی و زمین دیدنی به دست آمد. در میان آنها، منطقه کاربردی تجاری عمدتاً شامل زمین اداری و مناطق عملکردی زندگی شامل زمین های مسکونی، سوپرمارکت ها و سایر امکانات خدمات زندگی است. منطقه عملیاتی حمل و نقل دارای مراکز حمل و نقل مانند ایستگاه های مترو و ایستگاه های اتوبوس است. در پایان، از روش تصمیم گیری برای طبقه بندی عملکرد شهری به پنج دسته: تابع تجاری استفاده شد, عملکرد زندگی , عملکرد ترافیک , زمین دیدنی و ترکیبی .

تعیین نوع تابع خاص مهمترین مرحله برای تشخیص عملکرد شهری است. مراحل تعیین به شرح زیر است:

مرحله 1. اگر امتیاز زمین دیدنی برابر با 0 باشد (صرف نظر از امتیاز سایر انواع)، به عنوان رده زمین دیدنی قضاوت می شود، در غیر این صورت در مرحله 2 قضاوت می شود.

مرحله 2. اگر به زمین دیدنی تعلق نداشته باشد و حداکثر امتیاز ( C _A ) بیش از دو برابر دومین امتیاز بزرگ ( C _B ) باشد، به عنوان نوع A قضاوت می شود ، در غیر این صورت عملکرد مختلط خواهد بود .

به طور خاص، ما هر جاده را به شبکه های منظم 100 متر × 100 متر برای اندازه گیری عملکرد شهری تقسیم کردیم. با توجه به خاص بودن منطقه II، اندازه شبکه 400 متر × 400 متر تعیین شد. سپس، فیلدهای ویژگی شبکه‌های مش به صورت مکانی به نقاط داده نمای خیابان متصل شدند، که امکان تجمیع داده‌های تصاویر نمای خیابان و داده‌های POI را فراهم می‌کند.

3.5. ارزیابی کیفیت فضای خیابان

از آنجایی که عوامل مختلفی در کیفیت فضای خیابان دخیل هستند، این یک مشکل تصمیم گیری چند ویژگی معمولی برای ارزیابی کمی آن است. در این پژوهش از روش تاپسیس برای سنجش سطح کیفی فضای خیابان استفاده شد. TOPSIS به طور منطقی برای ارزیابی عملکرد بر اساس شباهت جایگزین بررسی شده به یک راه حل ایده آل عملی است [ 37 ]. TOPSIS بر این ایده استوار است که بهترین عملکرد باید کمترین فاصله را از راه‌حل ایده‌آل مثبت داشته باشد و از طرف دیگر، دورترین فاصله را از راه‌حل ایده‌آل منفی داشته باشد [ 38 ].

704 نمونه در سه حوزه مورد تجزیه و تحلیل در این مطالعه موردی وجود داشت. با در نظر گرفتن تابع شهری خیابان‌ها، وزن‌ها را در هر دسته تابع (که در بخش 3.3 ذکر شد ) با روش وزن آنتروپی (EWM) محاسبه می‌کنیم [ 39 ]. هنگام انجام تجزیه و تحلیل TOPSIS، تعیین اینکه آیا یک شاخص از نوع سود (بزرگتر، بهتر) یا نوع هزینه (کوچکتر، بهتر) است، بسیار مهم است. طبق دستورالعمل‌های طراحی خیابان Xiamen [ 5 ]، فرضیه اصلی به شرح زیر است: بلوک‌های تاریخی (یعنی زمین دیدنیدر این مطالعه) نیاز است که خیابان‌ها قابلیت پیاده‌روی قوی، فعالیت‌های خیابانی غنی و چشم‌انداز خیابان با ویژگی‌های محلی داشته باشند. بلوک های تجاری به حمل و نقل راحت، امکانات خدماتی مناسب و محیط زیبا نیاز دارند. بلوک‌های زندگی‌گرا به خیابان‌ها نیاز دارند که پیاده‌روی راحت، فضای پارکینگ مناسب و فضای زندگی خوب داشته باشند. بلوک های ترافیک محور نیاز به حمل و نقل راحت، خیابان های عریض و فضای پارک کافی دارند. برای عملکردهای مختلف شهری، نوع وزن نهایی هر شاخص را در قالب انتخاب خبره اتخاذ می کنیم. به عنوان مثال، در مورد منطقه عملکردی ترافیک، انتظار می رود که نشانگر موتورسازی از نوع بهره باشد، در حالی که در منطقه عملکردی زندگی، مقدار متوسط این شاخص بهترین خواهد بود. به این ترتیب، نوع وزن شاخص های انتخاب شده در نشان داده شده استجدول 3 . “g” نشان دهنده نوع سود، “c” نشان دهنده نوع هزینه، و “-” نشان دهنده نوع متوسط است. علاوه بر این، نتایج ارزیابی نهایی به (0، 100) نرمال شد. مراحل تحلیل TOPSIS به شرح زیر است.

مرحله 1. تعیین شاخص های ارزیابی با جمع آوری داده های چند منبعی و پردازش داده ها ( جدول 2 را ببینید ).

مرحله 2. ماتریس ارزیابی اولیه را بر اساس شاخص های به دست آمده ایجاد کنید.

ایکسمنj={ایکسمنj}متر×n ، من=1،2،…،متر، j=1،2،…،n،

(6)

جایی که ایکسمنjنشان دهنده مقدار jتیساعتشاخص ارزیابی برای منتیساعتنمونه.

مرحله 3. ماتریس ارزیابی نرمال شده را ایجاد کرد.

دبلیومنj={wمنj}متر×n ، من=1،2،…،متر، j=1،2،…،n،

(7)

wمنj=ایکسمنj∑من=1مترایکسمنj2 ، j=1،2،…،n

(8)

جایی که wمنjنشان دهنده ارزش jتیساعتشاخص ارزیابی نرمال شده برای منتیساعتنمونه.

مرحله 4. وزن هر نوع شاخص ارزیابی را با روش EWM تعیین کنید.

مرحله 5. فاصله اقلیدسی هر نمونه از راه حل ایده آل مثبت و راه حل ایده آل منفی را محاسبه کنید.

دمن+=∑j=1nωj×(مترمنj-مترj+)2، من=1،2،…،متر،

(9)

دمن-=∑j=1nωj×(مترمنj-مترj-)2، من=1،2،…،متر،

(10)

جایی که دمن+و دمن-نشان دهنده فاصله اقلیدسی از منتیساعتنمونه از راه حل ایده آل مثبت (PIS) و راه حل ایده آل منفی (NIS)، و مترj+و مترj-مقدار PIS و NIS را نشان می دهد jتیساعتشاخص ارزیابی

مرحله 6. مقدار کیفیت فضای خیابان هر جایگزین را در سطح شاخص فعلی محاسبه کنید.

سمن=دمن-دمن++دمن-، من=1،2،…،متر،

(11)

مرحله 7. الگوریتم قبلی را به طور مکرر از سطح پایین به سطح بالاتر انجام دهید تا نتیجه نهایی کیفیت فضای خیابان را به دست آورید.

4. نتایج

4.1. تجزیه و تحلیل نتایج از محیط ساخته شده در خیابان

شکل 6 نتایج تجسم شاخص سبز قابل مشاهده را در مناطق مورد مطالعه نشان می دهد. هنگام مشاهده توزیع به عنوان یک کل، خیابان هایی با شاخص سبز قابل مشاهده بالاتر عموماً در پارک ها و جاده های اصلی با شرایط طبیعی بهتر توزیع می شوند. جاده های با کیفیت سبز عالی در منطقه I و منطقه III متمرکز تر هستند. با این حال، فضای سبز پراکنده است و مقدار سبز به وضوح در برخی از شهرهای قدیمی کافی نیست، همانطور که در شکل 6 نشان داده شده است.الف، ج مناطق زندگی و دانشگاه ها، مانند دانشگاه Huaqiao، عمدتاً در منطقه II توزیع شده اند که منجر به مقدار نسبتاً بالایی از شاخص سبز قابل مشاهده می شود. علاوه بر این، فضای داخلی منطقه یک عمدتاً مناطق شهری قدیمی با درجه سبز کم است، در حالی که غرب نزدیک به دریا است و دارای مناطق توریستی مهم شهر Xiamen است، به عنوان مثال، جزیره Gulangyu در جنوب غربی منطقه I. بنابراین، سبز قابل مشاهده است. شاخص خیابان ها در منطقه I می تواند تا 70٪ تغییر کند. با این حال، تفاوت شاخص سبز قابل مشاهده بین خیابان ها در منطقه III کمترین است. منطقه III در نزدیکی ایستگاه راه‌آهن Xiamen قرار دارد که تحت تسلط زمین تجاری و اداری است که تا حدی بر سطح کلی شاخص سبز قابل مشاهده تأثیر می‌گذارد.

همانطور که در شکل 7 و شکل 8 نشان داده شده است ، توزیع فضای محصور و باز بودن فضایی تقریباً مخالف است، به عنوان مثال، خیابان‌های با ساختمان‌های متراکم دارای نماهای آسمانی باریک هستند، در حالی که خیابان‌هایی با ساختمان‌های کم دارای نماهای آسمانی وسیع‌تر هستند که با احساس ما در این زمینه نیز مطابقت دارد. زندگی روزمره. به طور خاص، از نظر فضای محصور، توزیع کلی در ناحیه I در غرب زیاد و در شرق کم است ( شکل 7).الف) در منطقه III، توزیع کلی فضای محصور در حاشیه زیاد و در وسط کم است، در حالی که در جنوب، مجاور نقطه دیدنی، ارزش فضای محصور بالاتر از منطقه مجاور آن است. در منطقه II، باز بودن فضایی بیشتر و محصور شدن فضای کمتر به طور کلی در امتداد جاده اصلی ظاهر می شود.

به جز برخی از مناطق بدون داده های نمای خیابان، مکان هایی با فضای زیاد محصور اساساً تراکم شبکه جاده ای بالایی دارند. نواحی با شبکه‌های جاده‌ای متراکم معمولاً زودتر توسعه می‌یابند، با مقیاس خیابان نسبتاً باریک و نسبت ابعاد پایین، که منجر به نسبت بالایی از ساختمان‌ها در میدان بصری می‌شود ( شکل 8 a). توزیع خیابان هایی با ارزش باز بودن فضایی بالاتر در میدان بصری دارای دو ویژگی بارز است. اولاً، بیشتر در امتداد ساحل پراکنده شده است زیرا انسداد کمتر قابل مشاهده در نزدیکی دریا وجود دارد. ثانیا، خیابان هایی با باز بودن فضایی بالاتر، تراکم شبکه خیابانی کمتر و جاده های وسیع تری دارند، همانطور که در شکل 9 نشان داده شده است.

پیاده‌روی و موتوری شدن نشان‌دهنده الگوی فعالیت و رونق خیابان‌های شهری است. از نظر توزیع فضایی قابلیت پیاده‌روی ( شکل 10 )، پیاده‌روها بیشتر در مرکز منطقه I و شمال غربی منطقه II توزیع شده‌اند و مسیرهای عابر پیاده در منطقه II عمدتاً در جاده‌های اصلی، به عنوان مثال، جاده سانبان جنوبی و جاده Xinglinwan. به طور کلی، توزیع پیاده روها در بین خیابان های منطقه مورد مطالعه بسیار متفاوت است. در مورد خیابان غیرپیاده، وجود پیاده روهایی با عرض مناسب برای بهبود احساس امنیت شهروندان و گردشگران اهمیت زیادی دارد [ 32 ].

علاوه بر این، همانطور که در شکل 10 و شکل 11 نشان داده شده است، توزیع قابلیت راه رفتن و موتوری شدن رابطه معکوس دارد . خیابان‌های با موتور بالاتر تداخل بیشتری با پیاده‌روها دارند و ممکن است برای فعالیت‌های پیاده‌روی مناسب نباشد، بنابراین خیابان قابلیت پیاده‌روی کمتر و پیاده‌روهای کمتری دارد.

4.2. تجزیه و تحلیل نتایج سرزندگی خیابان شهری

تجزیه و تحلیل تجسم فضایی داده های نظرات با استفاده از ابزار تراکم هسته در ArcGIS [ 36 ] انجام شد. نتایج در شکل 12 نشان داده شده است. منطقه Siming در مرکز Xiamen قرار دارد و دارای توسعه اقتصادی سریع و زیرساخت های پراکنده است. خیابان Amoy Yat-Sen یکی از پر رونق ترین خیابان های تجاری Xiamen است که تعداد مسافران روزانه بالای 300000 در تعطیلات آخر هفته وجود دارد [ 40 ]. شکل 12 a نشان می دهد که توزیع فضایی مکان داده های نظر در منطقه I و ناحیه III ناحیه سیمینگ به طور گسترده توزیع شده است. در مقابل، توزیع فضایی مکان داده‌های نظر در منطقه II (منطقه جیمی) پراکنده‌تر است. همانطور که در شکل 12 نشان داده شده استb، چگالی کمیت نظر در مقایسه با داده‌های نظر متمرکزتر است و حداکثر مقدار در Amoy YatSen Rd و مناطق اطراف آن در منطقه Siming توزیع شده است و بالاترین مقدار بعدی در ایستگاه Xiamen قرار دارد. تعداد نظرات در منطقه Jimei کمتر متراکم و پراکنده است، که همچنین به توزیع مکانی داده های نظرات مربوط می شود.

شکل 13نتایج تجسم سطوح اندازه گیری سرزندگی خیابان در منطقه مورد مطالعه را نشان می دهد. به طور کلی سرزندگی خیابانی منطقه سیمینگ روند بالاتری نسبت به منطقه جیمی نشان می دهد. منطقه I و منطقه III در منطقه Siming، منطقه اصلی شهری Xiamen واقع شده‌اند که دارای مراکز خرید، آموزشی و پزشکی بیشتری در منطقه اطراف است، با انواع زیرساخت‌های مختلف و پراکنده، که سرزندگی خیابان را در منطقه اطراف افزایش می‌دهد. . ایستگاه راه‌آهن Xiamen با تراکم جمعیت بالا و سرزندگی خیابان‌ها در منطقه III واقع شده است. Area II در منطقه Jimei واقع شده است، جایی که بسیاری از موسسات آموزش عالی، مانند دانشگاه Jimei، در آن قرار دارند، بنابراین ارزش کلی سرزندگی خیابان پایین است. به طور کلی، منطقه I به سمت مناطق کاربردی تجاری و گردشگری گرایش دارد، ناحیه II تمایل به مناطق کاربردی آموزش محور دارد و منطقه III به سمت مناطق عملکردی زندگی محور است. بنابراین سرزندگی خیابان ارتباط تنگاتنگی با کارکردهایی دارد که منطقه تحقیقاتی در آن قرار دارد.

4.3. ارزیابی کیفیت خیابان

نتایج ارزیابی کیفیت خیابان در شکل 14 نشان داده شده است. همانطور که در شکل 14 نشان داده شده است ، تابع شهری پنج نتیجه تشخیص تابع شهری را نشان می دهد. برای کیفیت خیابان، رتبه از 1 تا 5 است که نشان می دهد نتایج ارزیابی کیفیت خیابان از بد به خوب است، که در آن بدترین سطح 1 و بهترین سطح 5 است. بر این اساس، نتایج جزئی ارزیابی کیفیت خیابان است. در جدول 4 نمایش داده شده است. همانطور که در جدول 4 نشان داده شده است ، تابع شهری نشان دهنده نوع عملکردی بلوک شهری است که خیابان در آن قرار دارد. به عنوان مثال، “ترافیک” به این معنی است که این جاده بیشتر به سمت ترافیک گرایش دارد تا به سمت کارکردهای تجاری و زندگی شهری.

نتایج ارزیابی کیفیت خیابان با ارزیابی جامع همراه با عناصر مختلف عملکرد شهری به طور خاص به دست می‌آید. به دلیل فقدان تصاویر نمای خیابان و داده‌های POI، نتایج تجسم منطقه II به طور کلی بدتر از دو منطقه مورد مطالعه دیگر است.

از شکل 14 الف، مناطق تحت سلطه عملکرد تجاری در وسط منطقه I قرار دارند. زمین های دیدنی در این منطقه نسبت نسبتاً زیادی را در مقایسه با سایرین به خود اختصاص می دهند. از شکل 14 ج، مناطق عملکردی زندگی و تجاری در منطقه III در مقایسه با سایرین، مناطق وسیعی را اشغال می کنند. بیشتر مناطق عملیاتی ترافیک در منطقه III در نزدیکی ایستگاه راه آهن Xiamen قرار دارد. مناطق با تراکم بالا برای عملکردهای ترافیکی و زندگی در منطقه II پراکنده تر هستند و مناطق عملکردی مختلط فراوان تر هستند.

برای نتایج ارزیابی کیفیت خیابان، کیفیت خیابان‌های منطقه I بالاتر از منطقه III است، و از این رو، ما این مشاهدات را با درصد زیادی از زمین دیدنی آن مرتبط می‌کنیم. کیفیت سایر خیابان ها نسبتا پایین است و فکر می کنیم این به وضعیت فعلی حفاظت و توسعه بناهای باستانی در شیامن مربوط می شود. از بخش 4.2 می توان دریافت که اگرچه تراکم کلی تسهیلات در منطقه سیمینگ بیشتر از ناحیه جیمی است، کیفیت خیابان لزوماً به دلیل افزایش تراکم تسهیلات بهبود نخواهد یافت. از شکل 14ب، می بینیم که کیفیت چندین خیابان در منطقه III بالاتر از دو منطقه دیگر است که نشان دهنده اهمیت خدمات کامل حمایتی شهری برای تجربه سکونتی شهروندان است. با عملکردهای ترکیبی و حمل و نقل راحت، خیابان ها نشان می دهند که از کیفیت فضای جامع بالایی برخوردار هستند.

علاوه بر این، در شمال غربی منطقه یک و منطقه مرکزی منطقه III، عملکرد برخی از خیابان ها نسبتاً واحد است. آنها فاقد عملکردهای متنوع فضای خیابان هستند که در نتیجه کیفیت خیابان پایین است.

4.4. اعتبارسنجی نتایج ارزیابی

بخش دشوار این است که به دلیل عدم وجود یک مرجع استاندارد، یک تأیید کاملاً قطعی ایجاد کنید. بنابراین، نتایج ارزیابی شده را با ارزیابی ذهنی کارشناسان مقایسه کردیم. برای ارزیابی دقت، نمای خیابان از نقطه نمونه‌برداری را برای توصیف و تأیید نتایج برای ارزیابی کیفیت خیابان انتخاب کردیم. تصاویر تأیید به‌طور تصادفی با استفاده از روش نمونه‌گیری تصادفی برای مجموع 84 تصویر نمونه‌برداری از نمای خیابان، که همه انواع عملکرد را پوشش می‌دهند، تولید می‌شوند. بر این اساس، ارزیابی ذهنی برای تایید و تایید نتایج ارزیابی شده به کار گرفته شد. با در نظر گرفتن ادراک ذهنی شهروندان از کیفیت خیابان، ارزیابی ذهنی کیفیت خیابان از پنج شاخص زیر انجام می شود: راحتی ، تمیزی ،ایمنی , سرزندگی و زیبایی . در میان آنها، نشانگر راحتی عمدتاً آسایش ذهنی ناشی از خیابان ها را در نظر می گیرد، در حالی که شاخص ایمنی عمدتاً در نظر می گیرد که آیا خیابان ها دارای چراغ های خیابان، گذرگاه های گورخری و سایر امکانات ایمنی هستند یا خیر. شاخص Vitality عمدتاً در نظر می‌گیرد که آیا خیابان‌ها دارای امکانات خدماتی مانند سوپرمارکت‌ها هستند یا خیر و آیا جریان مردم متراکم است یا خیر، و شاخص زیبایی در نظر می‌گیرد که آیا مناظر خیابان از منظر حس انسان زیبا است یا خیر.

ما پنج داوطلب با رشته های مرتبط را برای رتبه بندی مجموعه داده انتخاب کردیم. به منظور اطمینان از عینی بودن امتیازدهی دستی، اقدامات زیر را انجام دادیم. ابتدا سمیناری برای داوطلبان برگزار کردیم تا قوانین امتیازدهی ( جدول 5 ) کیفیت فضای خیابان را درک کنند. سپس، از همه داوطلبان خواستیم تا 84 تصویر را تا زمانی که امتیازات آنها در بیشتر موارد ثابت شود، امتیاز دهند. محدوده امتیاز 1، 3 و 5 است. در نهایت، ما میانگین امتیاز همه داوطلبان را در یک نشانگر یک تصویر به عنوان ارزش امتیازی آن شاخص تصویر محاسبه کردیم.

نتایج ارزیابی ذهنی نهایی بر اساس نمرات و وزن عملکردهای مختلف شهری به دست می آید. وزن هر شاخص برای توابع مختلف شهری با استفاده از روش ساخت ماتریس قضاوت فرآیند تحلیل سلسله مراتبی (AHP) [ 41 ] محاسبه شد. به طور خاص، وزن‌های نسبی این پنج شاخص تحت توابع مختلف شهری، و نسبت‌های سازگاری (CR) ماتریس‌های قضاوت محاسبه می‌شوند. اگر ماتریسی با مقدار CR غیرقابل قبول، یعنی > 0.10 وجود داشته باشد، مجدداً در مورد آن ماتریس قضاوت خواهیم کرد. بنابراین، وزن ها را از طریق روش ساخت ماتریس قضاوت به دست آوردیم و نتایج اندازه گیری ذهنی با محاسبه برهم نهی وزنی به دست می آید.

نمودار پراکندگی ( شکل 15 ) رابطه بین مقادیر کیفیت خیابان محاسبه شده با استفاده از روش پیشنهادی و مقادیر ذهنی را نشان می دهد. روش پیشنهادی نتایج عالی و معقولی را با مقدار کلی R ² بیشتر از 0.6 ارائه کرده است. مقادیر R ² در عملکردهای مختلف شهری در جدول 6 نشان داده شده است. برای زمین‌های دیدنی و خیابان‌های کاربردی مختلط، مقدار R ² می‌تواند به بیش از 0.8 برسد، در حالی که R ²مقادیر بیشتر از 0.6 برای خیابان های تجاری و کاربردی زندگی می باشد. در مورد خیابان عملکردی ترافیک، وضعیت شریان های ترافیکی پیچیده است که منجر به مغایرت بین نتایج امتیازدهی کارشناسان و نتایج ارزیابی به دست آمده با روش پیشنهادی می شود. این نشان می دهد که برنامه ریزی شهری باید به احساسات ذهنی مردم توجه بیشتری داشته باشد تا کیفیت توسعه شهری را بهبود بخشد. به طور خلاصه، تطابق خوبی بین نتایج ارزیابی شده و درک عمومی کارشناسان وجود دارد.

5. بحث، نتیجه گیری و جهت گیری های آینده

5.1. بحث و نتیجه گیری

از طریق تجزیه و تحلیل نتایج ارزیابی چند شاخصه، مشهود است که پنج کلاس توزیع عملکرد شهری و نمره کیفیت خیابان در مناطق تحقیقاتی، تفاوت بین منطقه سیمینگ و منطقه جیمی را به طور کلی منعکس می‌کند. به عنوان یک شهر توریستی معروف در چین، منطقه Siming در Xiamen در مقایسه با Jimei District پرجمعیت است. منطقه سیمینگ اولویت بالایی برای صنایع پر سود مانند مشاغل تجاری و اداری با تراکم نسبتاً بالاتر ترافیک دارد و از نظر امکانات پشتیبانی از جمله امکانات علمی و فرهنگی، امکانات پزشکی و امکانات عمومی کاملتر است. از سوی دیگر، صنایع با مناظر طبیعی، موسسات آموزش عالی و سکونت در اولویت توسعه در منطقه جیمی قرار دارند. از آنجایی که دانشگاه‌ها و پارک‌های با فناوری پیشرفته منطقه وسیعی را پوشش می‌دهند، این محله دید وسیع‌تری دارد و کسب‌وکار پراکنده‌تری دارد. در مقایسه با سایرین، منطقه Jimei سطح آسایش زندگی بالاتر و سطح ناراحتی کمتری دارد. این نتیجه گیری شواهدی را برای کسانی که بر روی درک تعاملات متقابل بین محیط ساخته شده شهری، برنامه ریزی شهری و رفتار انسانی کار می کنند، نشان می دهد. این چارچوب همچنین امیدوار است که با مشاهده رابطه بین محیط کالبدی شهری و فعالیت های انسانی ارزیابی شود که آیا توسعه یک شهر مازاد عرضه یا ناکافی است. این نتیجه گیری شواهدی را برای کسانی که بر روی درک تعاملات متقابل بین محیط ساخته شده شهری، برنامه ریزی شهری و رفتار انسانی کار می کنند، نشان می دهد. این چارچوب همچنین امیدوار است که با مشاهده رابطه بین محیط کالبدی شهری و فعالیت های انسانی ارزیابی شود که آیا توسعه یک شهر مازاد عرضه یا ناکافی است. این نتیجه گیری شواهدی را برای کسانی که بر روی درک تعاملات متقابل بین محیط ساخته شده شهری، برنامه ریزی شهری و رفتار انسانی کار می کنند، نشان می دهد. این چارچوب همچنین امیدوار است که با مشاهده رابطه بین محیط کالبدی شهری و فعالیت های انسانی ارزیابی شود که آیا توسعه یک شهر مازاد عرضه یا ناکافی است.

در حال حاضر، مطالعات کمی در مورد ارزیابی فضای خیابان در شهر Xiamen وجود دارد. در مقایسه با مطالعات فعلی، نوآوری های این مطالعه را می توان به شرح زیر نتیجه گرفت. ابتدا، این کار یک روش جدید مبتنی بر GIS را برای ارزیابی کیفیت فضای خیابان با استفاده از داده‌های چند منبعی به جای بررسی کیفیت خیابان از یک دیدگاه واحد، با در نظر گرفتن شخصیت‌های محلی برای شهرهای گردشگری محور ارائه کرده است. دوم، از آنجایی که خیابان ها به عنوان یک مؤلفه اساسی برای شناسایی ساختار شهری در نظر گرفته می شوند، برای سیاست گذاران حیاتی است که بررسی کنند آیا یک خیابان مستقل می تواند با عملکردهای مختلف شهری سازگار باشد یا خیر. رتبه‌بندی پایین‌تر ارزیابی نشان می‌دهد که خیابان‌های فعلی را می‌توان در عملکردهای خاص برای حمایت از خدمات عمومی بهبود بخشید.

اگرچه دقت ارزیابی کیفیت فضای خیابان دشوار است، به ویژه هنگامی که پارامترهای متعدد و محاسبات کمی را شامل می شود، ما ثابت کرده ایم که با روش جدیدمان، همانطور که در این مطالعه نشان داده شده است، امکان پذیر است.

5.2. محدودیت ها و چشم اندازهای آینده

اگرچه رویکرد ارزیابی کیفیت تطبیقی خیابان پیشنهادی نتایج رضایت‌بخشی به دست آورده است، هنوز محدودیت‌هایی وجود دارد که نیاز به توجه بیشتری در آینده دارد.

به عنوان مثال، برخی از مناطق، به ویژه منطقه II، فاقد تصاویر نمای خیابان بودند، و این کمبود منجر به چالش دیگر دستیابی به داده های چند منبعی آنها شد. تحقیقات دیگر باید استفاده از مجموعه داده‌های کاملی را در نظر بگیرند که تمام حوزه‌های مطالعه را پوشش می‌دهند تا نتایج امیدوارکننده‌تری داشته باشند. برای مدل سرزندگی خیابان، کار ما از داده‌های نظرات گروه Trip.com استفاده کرد که فاقد شرح سرزندگی خیابان توسط سایر امکانات خدمات زندگی است. مطالعات آینده باید این مشکل را با گسترش منابع داده‌ای که شامل داده‌های نمای خیابان از دیگر پلتفرم‌ها، و بررسی و عکس‌برداری در محل برای شبیه‌سازی تصاویر نمای خیابان باشد، در نظر بگیرند.

موضوع دیگر مربوط به توصیف عملکردهای شهری در سطح خیابان است. به طور کلی، انواع توابع شهری در داخل بسته ها تعریف می شود. این مطالعه از چهار نوع اصلی عملکرد شهری استفاده کرد و تا حدی تأثیر سایر عملکردها بر کیفیت فضای خیابان را نادیده گرفت. برای قوی‌تر کردن روش، به محققان توصیه می‌شود این مطالعه را با افزایش حجم داده‌ها و سایر پارامترهای عملکردی در تحقیقات خود گسترش دهند.

علاوه بر این، تعداد داوطلبانی که ما انتخاب کردیم در اعتبارسنجی محدود است. تحقیقات بعدی برای غنی‌سازی کمیت پرسشنامه‌ها و تعریف شاخص‌های ارزیابی از دیدگاه ساکنان برای تشکیل یک سیستم شاخص دقیق‌تر با ترکیب روش‌های ذهنی و عینی ادامه خواهد یافت.

منابع

کارداچاروک، ا. ویلسون، دی جی؛ دان، آر. مروری بر تکامل مفاهیم فضای مشترک (خیابان) در محیط‌های شهری. ترانسپ Rev. 2014 , 34 , 190-220. [ Google Scholar ] [ CrossRef ]
لیو، ام. هان، ال. شیونگ، اس. چینگ، ال. جی، اچ. پنگ، ی. ارزیابی کیفیت فضای خیابان در مقیاس بزرگ بر اساس یادگیری عمیق از تصویر نمای خیابان. در مجموعه مقالات کنفرانس بین المللی تصویر و گرافیک، پکن، چین، 23 تا 25 اوت 2019؛ صص 690-701. [ Google Scholar ]
لی، ایکس. ژانگ، سی. لی، دبلیو. ریکارد، آر. منگ، کیو. ژانگ، دبلیو. ارزیابی فضای سبز شهری در سطح خیابان با استفاده از نمای خیابان گوگل و نمایه نمای سبز اصلاح شده. شهری برای. سبز شهری. 2015 ، 14 ، 675-685. [ Google Scholar ] [ CrossRef ]
انجمن ملی مقامات حمل و نقل شهری. راهنمای طراحی خیابان شهری ; مطبوعات جزیره: واشنگتن، دی سی، ایالات متحده آمریکا، 2013. [ Google Scholar ]
یان، جی. بازتاب ها و کاوش های عملی حقوق در طراحی خیابان. طرح شهر چین Rev. 2019 , 28 , 37–44. [ Google Scholar ]
Vajhala، SP; میشه جان، ا. ایوانز، DA تعیین وسعت بازار و وسعت منابع برای طراحی نظرسنجی ترجیحی بیان شده با استفاده از روش های نقشه برداری. 2008. در دسترس آنلاین: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1280945 (در 8 اکتبر 2008 قابل دسترسی است).
Stubbings، P. پسکت، جی. رو، اف. Arribas-Bel، D. یک شاخص جنگل شهری سلسله مراتبی با استفاده از تصاویر سطح خیابان و یادگیری عمیق. Remote Sens. 2019 , 11 , 1395. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
نیو، سی. تان، ک. جیا، ایکس. Wang, X. رگرسیون مبتنی بر یادگیری عمیق برای تخمین پارامتر کیفیت آب داخلی غیرفعال نوری با استفاده از تصاویر فراطیفی هوابرد. محیط زیست آلودگی 2021 ، 286 ، 117534. [ Google Scholar ] [ CrossRef ] [ PubMed ]
یوینگ، RH; کلمنته، او. Neckerman، KM; پورسیل هیل، ام. کوین، جی دبلیو. راندل، الف. اندازه‌گیری طراحی شهری: معیارهای مکان‌های قابل سکونت . Springer: برلین/هایدلبرگ، آلمان، 2013; جلد 200. [ Google Scholar ]
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 2017 ، 31 ، 825-848. [ Google Scholar ] [ CrossRef ]
شن، ی. کریمی، ک. اتصال عملکرد شهری: مشخصه‌یابی خیابان‌های شهری کاربردی با داده‌های ورود به شبکه‌های اجتماعی. شهرها 2016 ، 55 ، 9-21. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیا، ی. یابوکی، ن. فوکودا، تی. توسعه سیستمی برای ارزیابی کیفیت فضای سبز سطح خیابان شهری با استفاده از تصاویر نمای خیابان و یادگیری عمیق. شهری برای. سبز شهری. 2021 ، 59 ، 126995. [ Google Scholar ] [ CrossRef ]
شیا، ی. یابوکی، ن. فوکودا، تی. تخمین عامل نمای آسمان از تصاویر نمای خیابان بر اساس تقسیم بندی معنایی. اقلیم شهری. 2021 ، 40 ، 100999. [ Google Scholar ] [ CrossRef ]
ژانگ، اف. وو، ال. زو، دی. لیو، ی. سنجش اجتماعی از تصویرسازی سطح خیابان: مطالعه موردی در یادگیری الگوهای تحرک شهری فضایی-زمانی. ISPRS J. Photogramm. Remote Sens. 2019 ، 153 ، 48–58. [ Google Scholar ] [ CrossRef ]
یین، ال. Wang, Z. اندازه‌گیری محوطه بصری برای پیاده‌روی در خیابان: با استفاده از الگوریتم‌های یادگیری ماشین و تصاویر نمای خیابان Google. Appl. Geogr. 2016 ، 76 ، 147-153. [ Google Scholar ] [ CrossRef ]
گونگ، FY؛ Zeng، ZC; ژانگ، اف. لی، ایکس. نگ، ای. نورفورد، LK نقشه برداری از آسمان، درخت و عوامل نمای ساختمان دره های خیابان در یک محیط شهری با تراکم بالا. ساختن. محیط زیست 2018 ، 134 ، 155-167. [ Google Scholar ] [ CrossRef ]
چن، جی. وانگ، ایکس. وو، ی. شی، بی. Lu, J. ارزیابی محیطی شهرهای کوچک ساحلی بر اساس تصاویر نمای خیابان. J. Phys. Conf. سر. 2021 ، 1881 ، 042083. [ Google Scholar ] [ CrossRef ]
لیو، اس. ژانگ، ال. Long, Y. شناسایی منطقه حیات شهری و تجزیه و تحلیل الگو از دیدگاه همجوشی زمان و مکان. پایداری 2019 ، 11 ، 4032. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
زنگ، سی. آهنگ، ی. او، س. شن، اف. ارزیابی صریح فضایی بر سرزندگی شهری: مطالعات موردی در شیکاگو و ووهان. حفظ کنید. جامعه شهرها 2018 ، 40 ، 296-306. [ Google Scholar ] [ CrossRef ]
دونگ، YH; پنگ، فلوریدا؛ Guo، TF روش ارزیابی کمی بر سرزندگی شهری فضای زیرزمینی مترو بر اساس داده‌های چند منبع: مطالعه موردی منطقه حلقه داخلی شانگهای. تون. Undergr. فناوری فضایی 2021 ، 116 ، 104108. [ Google Scholar ] [ CrossRef ]
شیا، سی. بله، پیش از این؛ Zhang، A. تجزیه و تحلیل روابط فضایی بین شدت استفاده از زمین شهری و سرزندگی شهری در سطح بلوک خیابان: مطالعه موردی پنج کلان شهر چین. Landsc. طرح شهری. 2020 , 193 , 103669. [ Google Scholar ] [ CrossRef ]
میائوی، ال. یان، م. سان، ایکس. وانگ، جی. Dang, A. کاربرد آنتروپی مکانی و زمانی بر اساس داده های چند منبعی برای اندازه گیری درجه ترکیبی توابع شهری. طرح شهر. Rev. 2018 , 42 , 97-103. [ Google Scholar ]
ون، سی. آلبرت، سی. فون هارن، سی. برابری در دسترسی به فضاهای سبز شهری: مطالعه موردی در هانوفر، آلمان، با تمرکز بر جمعیت سالمند. شهری برای. سبز شهری. 2020 , 55 , 126820. [ Google Scholar ] [ CrossRef ]
هو، اف. لیو، دبلیو. لو، جی. آهنگ، سی. منگ، ی. وانگ، جی. Xing، H. عملکرد شهری به عنوان یک دیدگاه جدید برای ارزیابی کیفیت خیابان تطبیقی. پایداری 2020 ، 12 ، 1296. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Hyam, R. نمونه برداری و طبقه بندی تصویر خودکار می تواند برای کشف طبیعی بودن درک شده از فضاهای شهری استفاده شود. PLoS ONE 2017 , 12 , e0169357. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بله، ی. زنگ، دبلیو. شن، Q. ژانگ، ایکس. Lu, Y. کیفیت بصری خیابان ها: یک اندازه گیری پیوسته انسان محور بر اساس الگوریتم های یادگیری ماشین و تصاویر نمای خیابان. محیط زیست طرح. ب مقعد شهری. علوم شهر 2019 ، 46 ، 1439-1457. [ Google Scholar ] [ CrossRef ]
Kim, YT افزایش کنتراست با استفاده از حفظ روشنایی برابری دو هیستوگرام. IEEE Trans. مصرف کنید. الکترون. 1997 ، 43 ، 1-8. [ Google Scholar ]
مونی، پی. مینگینی، ام. مروری بر داده های نقشه خیابان باز. در نقشه برداری و سنسور شهروند ; Foody, G., See, L., Fritz, S., Mooney, P., Olteanu-Raimond, A.-M., Fonte, CC, Antoniou, V., Eds.; Ubiquity Press: لندن، بریتانیا، 2017؛ صص 37-59. [ Google Scholar ] [ CrossRef ]
چن، ال سی; پاپاندرو، جی. شروف، اف. آدام، اچ. بازاندیشی در پیچیدگی آزاردهنده برای تقسیم‌بندی تصویر معنایی. arXiv 2017 , arXiv:1706.05587. [ Google Scholar ]
یورتکولو، SC; شاهین، YH; Unal، G. Semantic Segmentation with Extended DeepLabv3 Architecture. در مجموعه مقالات بیست و هفتمین کنفرانس کاربردهای پردازش سیگنال و ارتباطات (SIU) 2019، سیواس، ترکیه، 24 تا 26 آوریل 2019؛ صص 1-4. [ Google Scholar ]
کریلوف، آ. او، ک. گیرشیک، آر. راتر، سی. Dollár, P. Panoptic segmentation. در مجموعه مقالات کنفرانس IEEE/CVF در مورد دید کامپیوتری و تشخیص الگو، لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، 15 تا 20 ژوئن 2019؛ ص 9404–9413. [ Google Scholar ]
بحرین، ح. خسروی، ح. تأثیر ویژگی‌ها و کیفیت‌های طراحی شهری بر پیاده‌روی و سلامت در محیط‌های در حال ساخت: مورد شهر جدید هشتگرد در ایران. شهرها 2013 ، 31 ، 17-28. [ Google Scholar ] [ CrossRef ]
لی، ایکس. کیان، ی. زنگ، جی. وی، ایکس. گوانگ، X. تأثیر ساختار شبکه خیابان‌های شهر نواری بر سرزندگی فضایی: مطالعات موردی در لانژو، چین. Land 2021 , 10 , 1107. [ Google Scholar ] [ CrossRef ]
آدلبرگر، EG; Heckel، BR; نلسون، AE آزمون های قانون معکوس مربع گرانشی. آنو. کشیش Nucl. قسمت علمی 2003 ، 53 ، 77-121. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کویستبرگ، دی. هوارد، ای جی. ایبل، BE; Moudon، AV; Saelens، BE; هورویتز، PM; کرتین، جی. مدل‌های چند سطحی ریوارا، FP برای ارزیابی خطر برخورد عابر پیاده و وسیله نقلیه موتوری در تقاطع‌ها و بلوک‌های میانی. اسید. مقعدی قبلی 2015 ، 84 ، 99-111. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اوکابه، ا. ساتوح، تی. Sugihara, K. یک روش تخمین چگالی هسته برای شبکه ها، روش محاسباتی آن و یک ابزار مبتنی بر GIS. بین المللی جی. جئوگر. Inf. علمی 2009 ، 23 ، 7-32. [ Google Scholar ] [ CrossRef ]
Ertuğrul، İ. Karakaşoğlu، N. ارزیابی عملکرد شرکت های سیمان ترکیه با فرآیند تحلیل سلسله مراتبی فازی و روش های TOPSIS. سیستم خبره Appl. 2009 ، 36 ، 702-715. [ Google Scholar ] [ CrossRef ]
جهانشاهلو، GR; لطفی، FH; ایزدی خواه، م. بسط روش TOPSIS برای مسائل تصمیم گیری با داده های فازی. Appl. ریاضی. محاسبه کنید. 2006 ، 181 ، 1544-1551. [ Google Scholar ] [ CrossRef ]
زو، ی. تیان، دی. Yan, F. اثربخشی روش وزن آنتروپی در تصمیم گیری. ریاضی. مشکل مهندس 2020 ، 2020 ، 3564835. [ Google Scholar ] [ CrossRef ]
ژانگ، R.-X. ژانگ، L.-M. درک بصری پانوراما و شناسایی عناصر منظر شهری معماری در یک محیط واقعیت مجازی ژنرال آینده. محاسبه کنید. سیستم 2021 ، 118 ، 107-117. [ Google Scholar ] [ CrossRef ]
Saaty، TL فرآیند تحلیل سلسله مراتبی چیست؟ در مدل های ریاضی برای پشتیبانی تصمیم ; Springer: برلین/هایدلبرگ، آلمان، 1988; صص 109-121. [ Google Scholar ]