کیفیت فضای خیابان توجه ها را به خود جلب کرده است. درک نیازهای گروه های مختلف جمعیتی برای کیفیت فضای خیابان، به ویژه گروه سالمندان که به سرعت در حال رشد هستند، مهم است. بهبود کیفیت فضای خیابان باعث ارتقای فعالیت‌های اوقات فراغت فیزیکی سالمندان به منظور بهره‌مندی از سلامتی آنها می‌شود. بنابراین، ارزیابی کیفیت فضای خیابان برای سالمندان مهم است. مطالعات موجود، از یک سو، با حجم نمونه داده‌های پیمایش سنتی، که به سختی در مقیاس بزرگ اعمال می‌شود، محدود شده‌اند. از سوی دیگر به عواملی که کیفیت فضای خیابان را از دیدگاه سالمندان نمایان می کند، توجهی نمی شود. این مقاله گوانگژو را به عنوان مثال برای ارزیابی کیفیت فضای خیابان در نظر می گیرد. اولین، تصاویر خیابان نمونه توسط افراد مسن در مقیاس کوچک نمره گذاری شد. سپس از تحلیل رگرسیون برای استخراج عناصر خیابانی مورد توجه سالمندان استفاده شد. در نهایت، عناصر خیابان در مدل جنگل تصادفی برای ارزیابی کیفیت فضای خیابان در مقیاس بزرگ قرار گرفتند. مشخص شد که میزان نمای سبز و پیاده روها با رضایت همبستگی مثبت دارند و اثر مثبت به ترتیب افزایش می یابد. جاده‌ها، ساختمان‌ها، آسمان، وسایل نقلیه، دیوارها، سقف‌ها، پنجره‌های شیشه‌ای، باند فرودگاه، نرده‌ها و صخره‌ها با رضایت همبستگی منفی دارند و تأثیر منفی به این ترتیب افزایش می‌یابد. میانگین امتیاز رضایت از کیفیت فضای خیابان برای فعالیت های بدنی تفریحی سالمندان در سه منطقه مرکزی گوانگژو (یوکسیو، لیوان و هایزو) 2.6 است. در این میان خیابان Xingang بالاترین امتیاز کیفیت (2.92) و خیابان Hailong کمترین امتیاز کیفیت (2.32) را دارد. این یافته ها برای ارائه پیشنهاداتی به فرمانداران و طراحان شهر برای بهینه سازی فضای خیابان مفید است.

کلید واژه ها:

تصویر خیابان ؛ کیفیت فضای خیابان ؛ سالمندان ؛ فعالیت بدنی تفریحی ؛ یادگیری عمیق ؛ فراگیری ماشین

1. مقدمه

کیفیت فضای خیابان به درک انسان از شرایط محیطی مرتبط با فضای خیابان اشاره دارد [ 1 ]. کلمه کلیدی در این اصطلاح کیفیت است که می تواند در زمینه های مختلف درک شود و ممکن است معانی مختلفی در مورد استفاده از آن داشته باشد [ 2 ]. هنگامی که به مفهوم فضاهای خیابانی اعمال می شود، کیفیت به طور کلی به درجه ای از رضایت مربوط به شرایط محیطی اشاره دارد [ 3 ]. در این زمینه، تعداد قابل توجهی از محققین مطالعاتی را برای ارزیابی کیفیت‌های چندحسی فضاهای خیابان، از جمله کیفیت شنوایی، بو و منظره خیابانی بصری انجام داده‌اند [ 3 ].]. در این مقاله، تمرکز بر اندازه گیری نمای خیابان بصری و بازتاب فیزیکی کاربران از تصویر ایستا از فضا است که متقاعد شده است که سنگ بنای فعالیت های خیابانی است [ 4 ].

اخیراً کیفیت فضای خیابان به دلیل اهمیت آن برای رفاه جمعیت شهری به طور فزاینده ای مورد تایید قرار گرفته است. درک نیازهای گروه های مختلف جمعیتی برای کیفیت فضای خیابان برای برنامه ریزان شهری بسیار مهم است. با این حال، کمبود مطالعات با تمرکز بر نیازهای خاص برای فضای خیابان با کیفیت بالا توسط سالمندان وجود دارد. جمعیت جهان با سرعت بی‌سابقه‌ای در حال پیر شدن است و پیش‌بینی می‌شود که نسبت جمعیت جهانی 60 سال و بالاتر بین سال‌های 2015 تا 2030 به میزان 56 درصد افزایش یابد [ 5 ]. کیفیت خوب فضای خیابان برای سلامت جسمی و روانی سالمندان مفید است [ 6 ]. افراد مسن‌تری که با کیفیت فضای خیابان خوب زندگی می‌کنند، می‌توانند فعالیت‌های اوقات فراغت فیزیکی بیشتری انجام دهند و شبکه‌های اجتماعی را توسعه دهند [ 7]. بنابراین ارزیابی کیفیت فضای خیابان از دیدگاه سالمندان بسیار حائز اهمیت است.

مطالعات موجود برای ارزیابی کیفیت فضای خیابان برای کل جمعیت را می توان بر اساس داده های موجود به سه نوع تقسیم کرد. اولین نوع مطالعات مبتنی بر داده های پیمایشی است [ 8 ]. برای مثال، یوینگ و کلمنته [ 9 ] یک سیستم ارزیابی کیفیت طراحی شهری را ساختند. با تجزیه و تحلیل رتبه بندی پاسخ دهندگان از تصاویر Streetscape، آنها پنج عامل کیفیت فضایی را به صورت کمی ارزیابی کردند: محفظه، مقیاس انسانی، شفافیت، مرتب بودن، و قابلیت تصویر. بر اساس پنج عامل، تانگ و لانگ [ 10] شاخص‌های بخش ارزیابی ذهنی کاربر را اصلاح کرد، به طوری که نتایج امتیازدهی ذهنی می‌تواند به راحتی جنبه‌های مختلف کیفیت فضای خیابان را منعکس کند. اگرچه این مطالعات مبتنی بر داده‌های نظرسنجی دارای مزیت پاسخ‌های دقیق و مستقیم از دیدگاه‌های مردم در مورد کیفیت فضای خیابان بودند، اما در ارزیابی کیفیت فضای خیابان در مقیاس بزرگ، محدود به حجم نمونه داده‌های کوچک و راندمان پایین جمع‌آوری داده‌ها، شکست خوردند. [ 11 ]. نوع دوم مطالعه بر اساس داده های رسانه های اجتماعی دارای برچسب جغرافیایی (عمدتا شامل داده های رسانه های اجتماعی آنلاین، داده های سیگنالینگ تلفن همراه و غیره) است [ 12 ]. توماس لوایی و همکاران [ 13] یک مطالعه طبقه بندی شده در مورد انواع و توزیع فضایی فعالیت های مردم بر اساس داده های سیگنالینگ تلفن همراه از 20 شهر اسپانیا انجام داد. Fang [ 14 ] سرزندگی خیابان منطقه شهری اصلی در نانجینگ را با استفاده از داده‌های سیگنالینگ تلفن همراه و داده‌های نقاط مورد علاقه (POI) اندازه‌گیری کرد. اگرچه داده های رسانه های اجتماعی دارای برچسب جغرافیایی دارای مزایای اندازه نمونه بزرگ، عملکرد قوی در زمان واقعی و اطلاعات غنی بودند [ 15 ]، اما تأیید اعتبار آن دشوار است. نوع سوم مطالعه بر اساس تصاویر خیابانی است. نیکیل نایک و همکاران. یادگیری ماشینی خودکار را برای امتیاز دهی به میلیون‌ها نمای خیابان گوگل در پنج شهر، از جمله نیویورک، نیویورک، ایالات متحده آمریکا، برای ارزیابی ایمنی درک شده از فضاهای خیابان انجام داد [ 16 ]]. بر اساس داده های Baidu Streetscape، Ye et al. یک الگوریتم یادگیری ماشین را برای استخراج عناصر فضایی خیابان اتخاذ کردند و از یک الگوریتم شبکه عصبی برای آموزش مدل‌های ارزیابی و ساخت بیشتر حالت اندازه‌گیری کیفیت مکان خیابان استفاده کردند [ 17 ]. لیو و همکاران کیفیت ظاهر شهری را با استفاده از یادگیری ماشین ارزیابی کرد، اما به تجزیه و تحلیل در سطح معماری محدود شد [ 18 ]. داده‌های Streetscape نقاط قوت داده‌های نظرسنجی و داده‌های دارای برچسب جغرافیایی رسانه‌های اجتماعی، از جمله حجم نمونه بزرگ و اطلاعات هدف فراوان را ترکیب می‌کند. بنابراین، افزایش مطالعات مزایای استفاده از داده های Streetscape را برای ارزیابی کیفیت فضای خیابان برجسته کرده است [ 15 ].

در حال حاضر، تحقیق در مورد ارزیابی کیفیت فضای خیابان بر اساس داده‌های Streetscape، بیشتر در مورد عملکرد و گفتمان خیابان‌ها در مناطق بزرگ شهری، مناطق تاریخی و فرهنگی و هوتونگ‌ها در مناطق قدیمی شهری است، علی‌رغم امکان استفاده در مقیاس وسیع از Streetscape. تصاویر [ 3 ، 19 ، 20 ]. علاوه بر این، مطالعات موجود عمدتاً کیفیت فضای خیابان را از دیدگاه کل جمعیت ارزیابی کرده است، اما نیازهای خاص افراد مسن را نادیده گرفته است. در نهایت، اما مهمتر از همه، اگرچه استفاده از داده‌های Streetscape به پیشرفت زیادی در ارزیابی خودکار کیفیت فضا در مقیاس بزرگ دست یافته است [ 21 ، 22 ]]، یک درک پیچیده در مورد چگونگی ارتباط بین ادراک انسان با فضای شهری به روشی منطقی تر وجود ندارد، که عملکرد این روش ها را از نظر دقت و کاربرد آنها در حمایت از سیاست عمومی محدود می کند [ 18 ]. به ویژه برای درک کیفیت فضای خیابان، کلید ارزیابی، تفسیر دقیق و پایدار کیفیت توسط گروه‌های مختلف مردم به دلیل ماهیت ذهنی نظرات انسانی است. از آنجایی که مفهوم کیفیت بسته به کاربرد آن می‌تواند معانی مختلفی را تفسیر کند، گروه‌های اجتماعی مختلف برداشت‌های متفاوتی از برآورده شدن نیازهای خود دارند. در این زمینه، لازم است عناصر فضای خیابان با کیفیت بالا که سالمندان به آن اهمیت می دهند، تعیین شوند [ 2 ].

با این حال، شاخص‌های ارزیابی کیفیت فضای خیابان از نظر شرایط فیزیکی در مطالعات موجود، عمدتاً شامل نرخ نمای سبز، قرار گرفتن در معرض آسمان، محفظه رابط، درجه موتورسازی جاده و غیره می‌شوند. [ 10 ، 23 ]]. کاوش در سایر عناصر مربوط به تقسیم‌بندی تصویر Streetscape که امکان برآوردن نیازهای سالمندان را فراهم می‌کند و بر آن‌ها تأثیر می‌گذارد، مانند سنگ‌ها، صندلی‌ها، سقف‌ها، شیشه‌های پنجره، نرده‌ها و غیره وجود ندارد. بنابراین، هدف این مقاله ارزیابی است. کیفیت فضای خیابان‌های شهری بر اساس داده‌های Streetscape از منظر فعالیت‌های فیزیکی تفریحی سالمندان و سیستم شاخص کیفیت فضای خیابان با بسیاری از عناصر مؤثر بر رضایت سالمندان گسترش می‌یابد.

به طور خاص، ما یک استراتژی جدید طبقه‌بندی و سپس رگرسیون پیشنهاد می‌کنیم که با مدل تقسیم‌بندی معنایی تصویر PSPNet یادگیری عمیق شروع می‌شود تا شرایط فیزیکی- فضایی محیط خیابان را استخراج کند، و به دنبال آن یک مدل رگرسیونی برای تعیین عناصر Streetscape که مربوط به سالمندان است. فعالیت بدنی اوقات فراغت آنها در نهایت، ما از مدل جنگل تصادفی در یادگیری ماشین برای تحقق ارزیابی خودکار کیفیت فضای خیابان استفاده می‌کنیم. معرفی یک استراتژی طبقه‌بندی-سپس-رگرسیون می‌تواند عدم قطعیت و بی‌ثباتی ادراکات انسان را کاهش دهد، بنابراین عملکرد بهتری نسبت به تحقیقات موجود به روشی مؤثرتر به دست می‌آورد.

اهداف این مقاله کشف کردن موارد زیر است: (1) عناصر بصری فضای خیابان شهری که بر فعالیت بدنی تفریحی سالمندان تأثیر می‌گذارد، و (2) چگونه می‌توان به ارزیابی خودکار کیفیت فضایی خیابان‌های بزرگ مقیاس دست یافت. منطقه مورد مطالعه بر اساس داده‌های Streetscape و نمونه کیفیت فضای خیابان که توسط سالمندان به ثمر رسیده است، ابتدا از الگوریتم PSPNet برای استخراج عناصر Streetscape مرتبط با ویژگی‌های فضای خیابان استفاده می‌کنیم، سپس عناصر Streetscape موثر بر کیفیت فضای خیابان را تعیین می‌کنیم. فعالیت های اوقات فراغت سالمندان از طریق تجزیه و تحلیل رگرسیون، و در آخر ما از روش های یادگیری ماشینی و یادگیری عمیق برای تحقق بخشیدن به ارزیابی خودکار کیفیت فضای خیابان استفاده می کنیم.

بقیه این مقاله به شرح زیر است. بخش 2 منطقه و داده های مورد مطالعه را ارائه می دهد. بخش 3 سه روش تحقیق اتخاذ شده در این مقاله را معرفی می کند. بخش 4 در مورد یافته ها و نتایج است. بخش 5 نتیجه گیری را روشن می کند و بخش آخر پیامدهای مطالعات آینده و سیاست گذاری را مورد بحث قرار می دهد.

2. حوزه و داده های تحقیق

2.1. حوزه تحقیقاتی

گوانگژو، مرکز استان گوانگدونگ، واقع در جنوب چین، یکی از پیرترین جمعیت در چین را دارد. سه ناحیه مرکزی گوانگژو (یعنی هایزو، لیوان و یوکسیو) سه منطقه با برجسته ترین چالش های مرتبط با سالمندی هستند، با نسبت جمعیت سالمند بیش از 15٪. بنابراین، سه ناحیه مرکزی ( شکل 1 ) به عنوان مناطق برای این مطالعه انتخاب شدند. از این میان، ناحیه هایزو شامل 18 خیابان، ناحیه لیوان شامل 22 خیابان، و ناحیه یوکسیو شامل 22 خیابان است.

2.2. داده های تحقیق

این مقاله عمدتاً سه نوع داده را اعمال می‌کند: داده‌های شبکه جاده‌ای، داده‌های Streetscape، و رتبه‌بندی کیفیت فعالیت بدنی تفریحی توسط سالمندان بر روی داده‌های نمونه Streetscape. در این میان، داده‌های شبکه جاده‌ای برای تعیین نقاط نمونه‌برداری، داده‌های Streetscape برای استخراج عناصر Streetscape، و رتبه‌بندی نمونه برای تعیین شاخص‌های عنصر Streetscape که مربوط به سالمندان است استفاده می‌شود.

2.2.1. داده های شبکه جاده ای

داده های شبکه جاده عمدتاً برای تعیین نقاط نمونه برداری از Streetscape استفاده می شود. OpenStreetMap (OSM) به عنوان منبع داده شبکه جاده در منطقه تحقیقاتی گنجانده شده است که شامل طبقه بندی دقیق درجه ها و انواع جاده ها است. از آنجایی که ما عمدتاً درگیر خیابان هایی هستیم که در آن افراد مسن فعالیت های فیزیکی تفریحی انجام می دهند، ما فقط جاده های عابر پیاده، جاده های داخلی، جاده های تغذیه شهری و مسیرهای دوچرخه را مطالعه می کنیم. شکل 2 توزیع فضایی راه های مورد مطالعه را نشان می دهد.

ابتدا، داده های شبکه جاده با تصحیح نوع جاده، تصحیح توپولوژی و تصحیح هندسه پیش پردازش می شوند. سپس نقاط نمونه برداری Streetscape با توجه به نمونه برداری با فاصله 100 متری مساوی به دست می آید و پس از یک فرآیند تکراری زدایی می توان 14787 امتیاز را به دست آورد. در نهایت، طول و عرض جغرافیایی نقاط نمونه توسط ArcGIS به عنوان پارامترهای جمع آوری داده های Streetscape محاسبه می شود. توزیع فضایی در شکل 3 نشان داده شده است .

2.2.2. داده های Streetscape

داده‌های Streetscape عمدتاً برای استخراج عناصر Streetscape استفاده می‌شوند. به طور سنتی، داده‌های دست اول از سوابق عکاسی به‌دست می‌آیند و روش‌های متعددی برای استاندارد کردن عکس‌ها و به حداقل رساندن تغییرات برای تحقیقات کمی در مورد کیفیت فضای خیابان، که پرهزینه، زمان‌بر و کار فشرده است، اتخاذ می‌شود [ 20 ]. با ظهور مجموعه داده تصویر نمای خیابان و توسعه فناوری تقسیم‌بندی تصویر، تعداد فزاینده‌ای از مطالعات، تصاویر پانوراما در سطح خیابان را اتخاذ کرده‌اند که یک تصویر 360 درجه پیوسته از یک منظره خیابانی برای تجزیه و تحلیل کیفیت فضای خیابان ایجاد می‌کند [ 3 ، 20 ، 24 ].]. ما متقاعد شده‌ایم که تقسیم‌بندی تصویر از تصاویر خیابانی 360 درجه برای گسترش پانوراما به تصاویر در جهات مختلف می‌تواند مناظر واقعی خیابان را منعکس کند و ارزیابی‌های دقیق‌تری از کیفیت خیابان از طریق مقایسه‌های مکرر بدست آورد [ 1 ]. در مقایسه با روش های سنتی، استفاده از تصاویر پانوراما در سطح خیابان دارای مزایایی در ارزیابی کیفیت فضای خیابان در مقیاس بزرگ به طور موثر و اقتصادی است [ 1 ، 24 ].]. در این زمینه، بسیاری از شرکت ها از جمله Tencent، Baidu و Google API (رابط برنامه کاربردی) را برای دانلود Streetscape در محصولات نقشه خود ارائه می دهند. با در نظر گرفتن کیفیت Streetscape، در دسترس بودن خزیدن داده ها، زمان به روز رسانی داده ها، و کمیت قابل دانلود، این مقاله از تصاویر خیابان Baidu به عنوان منبع داده استفاده می کند.

داده‌های Streetscape از https://lbsyun.baidu.com/ (در 20 مارس 2020 قابل دسترسی است). این مقاله تصاویر Streetscape از مناطق Yuexiu، Haizhu و Liwan را جمع آوری می کند. ابتدا زاویه گام هر نقطه نمونه برداری را روی 0 درجه (زاویه افق) قرار می دهیم. سپس، نزدیکترین نقشه Streetscape را در محدوده بر اساس مختصات طول و عرض جغرافیایی نقاط نمونه برداری بدست آمده توسط ابزار جمع آوری مختصات پانورامیک Baidu جستجو می کنیم. بعداً، برنامه را برای تجزیه آدرس URL آن اعمال می‌کنیم و به طور خودکار داده‌های کاشی نقشه پانوراما را در پس‌زمینه آن ترکیب می‌کنیم تا یک تصویر پانوراما استاتیک کامل از محدوده افقی 360 درجه از نقطه را به دست آوریم، که یک تصویر پانورامای کروی مستطیلی معمولی است [ 25 ] ، همانطور که در شکل 4 نشان داده شده است. در نهایت، برنامه تقسیم بندی کامپیوتری برای گسترش پانوراما به تصاویر در چهار جهت، یعنی جلو، راست، عقب و چپ (یعنی 0 درجه، 90 درجه، 180 درجه و 270 درجه) استفاده می شود که در شکل 5 نشان داده شده است . در نهایت، پس از حذف داده های بی فایده، در مجموع 14569 عکس پانوراما به دست می آید. این تصاویر پانوراما نشان دهنده 58276 تصویر خیابانی پس از گسترش است که برای ارزیابی کیفیت فضای خیابان استفاده می شود.

2.2.3. داده‌های ارزیابی ذهنی در مورد کیفیت فضای خیابان در مقیاس کوچک

داده‌های امتیازدهی نمونه در مورد کیفیت فضای خیابان از افراد مسن‌تر جمع‌آوری شده است. به طور خاص، ما از پرسشنامه و مصاحبه برای ارزیابی رضایت از کیفیت فضای خیابان از فعالیت بدنی اوقات فراغت در میان سالمندان استفاده می کنیم. برای اطمینان از توزیع تقریباً یکنواخت خیابان ها در فضا، سه خیابان به طور تصادفی از هر منطقه و 100 پانورامای خیابان به طور تصادفی از هر خیابان انتخاب می شوند. بنابراین، در مجموع 900 تصویر خیابان وجود دارد.

ابتدا از نظر انتخاب نمونه های تصویر Streetscape، توزیع مکانی و کمی نقاط نمونه برداری کلی در نظر گرفته شده است. سپس 1200 تصویر نمایانگر Streetscape در ابتدا انتخاب می شوند و تمام تصاویر به طور خودکار از نظر روشنایی، رنگی، نور و غیره کالیبره می شوند تا تأثیر بالقوه محیط نوری خود تصاویر کاهش یابد. در مرحله بعد، 900 تصویر Streetscape با ویژگی‌های فضایی خیابان‌ها برای فعالیت‌های اوقات فراغت فیزیکی سالمندان به‌صورت دستی انتخاب می‌شوند، بنابراین از نمایندگی و اعتبار نمونه‌های صحنه‌های خیابانی اطمینان حاصل می‌شود.

دوم، در تحقیقات سالمندان برای به دست آوردن امتیاز تصویر Streetscape، 90 سالمند 60 سال و بالاتر در گوانگژو مورد بررسی قرار گرفتند. برای هر خیابان، از آنجایی که نمی دانیم چند نفر سالمند در آن زندگی می کنند، شرکت کنندگان از طریق نمونه گیری آسان با تعداد 10 نفر انتخاب می شوند. با توجه به تعریف کیفیت فضای خیابان، فرآیند ارزیابی انعکاسی ترکیبی از فیزیکی و ویژگی های ادراکی خیابان ها [ 2]. خصوصاً با توجه به محدود بودن دامنه فعالیت سالمندان، انتخاب سالمندانی که با خیابان‌های نمونه‌گیری آشنا هستند در انتخاب نمونه برای بررسی کیفیت فضای فعالیت‌شان از اهمیت کاربردی‌تری برخوردار است. بنابراین، همه افراد نمونه مدت زیادی در آنجا زندگی می‌کنند و اغلب فعالیت‌های بدنی انجام می‌دهند، بنابراین مطمئناً با خیابان‌ها آشنایی نسبی دارند که دقت امتیازدهی آنها به نمونه‌های عکس خیابان را تضمین می‌کند. قبل از اینکه هر پاسخ دهنده تصاویر Streetscape را ارزیابی کند، باید به طور کلی تصاویر را مرور کند و همه تصاویر را درک کند. یک مقیاس لیکرت پنج درجه ای اعمال می شود و گزینه های “بسیار ضعیف، ضعیف، منصفانه، خوب، و بسیار خوب” به ترتیب “1، 2، 3، 4، و 5” ارزش گذاری می شوند [ 26 ]]. امتیاز کیفی ذهنی هر نقشه نمونه Streetscape را می توان با میانگین سه امتیاز بدست آورد. در همین حال، برای بهبود دقت امتیازدهی و کاهش تأثیر حافظه ذهنی بر نتایج ارزیابی، قبل از هر نمره‌گذاری، محققین به پاسخ‌دهندگان تأکید می‌کنند که ارزیابی کیفیت بصری برای فعالیت‌های بدنی است. به عنوان مثال، سؤالی مانند: “اگر به این تصویر از منظر فعالیت بدنی اوقات فراغت نگاه کنید، مثلاً آیا برای پیاده روی مناسب است یا خیر، دوست دارید کیفیت آن را چگونه ببینید؟” در طول مصاحبه پرسیده می شود. علاوه بر این، تأیید بیشتر و بررسی مجدد با استفاده از مصاحبه های عمیق در مورد دلایل پس از امتیازدهی برای تجزیه و تحلیل انجام می شود تا احتمال پاسخ های جانبدارانه کاهش یابد.

در نهایت، نتایج نمونه Streetscape به شرح زیر نمره گذاری می شود. نسبت های پنج سطح در جدول 1 نشان داده شده است ، و نمونه تصاویر Streetscape در شکل 6 نشان داده شده است.. از جدول، اکثر تصاویر Streetscape نمونه امتیاز 2 یا 3، با نسبت کل 84.11٪. در مقابل، نسبت تصاویر Streetscape که امتیاز 5 را کسب کرده اند بسیار کم است، تنها 1.67%. از نمونه تصاویر معمولی Streetscape، Streetscape با امتیاز 1 بسیار شلوغ است. ماشین های زیادی وجود دارد، فضای سبز کم و فضای کمی برای عابران پیاده وجود دارد. در مقابل، Streetscape با امتیاز 5 دارای نسبت بسیار زیادی از فضای سبز و فضای زیادی برای عابران پیاده است. آنها بیشتر در پارک هایی با ماشین های کم دیده می شوند که فضای خیابان را ایمن تر و زیباتر می کند.

3. روش تحقیق

تحقیق به شرح زیر انجام می شود. ابتدا، مدل تقسیم‌بندی معنایی تصویر PSPNet یادگیری عمیق برای بخش‌بندی عناصر تصویر Streetscape جمع‌آوری‌شده برای به دست آوردن داده‌های عنصر مادی فضای خیابان استفاده می‌شود. سپس مدل رگرسیون برای نمرات کیفیت فضای خیابان توسط سالمندان و عناصر خیابان در مقیاس کوچک ساخته می شود. در نهایت، از مدل جنگل تصادفی برای پیش‌بینی کیفیت فضای خیابان در مقیاس بزرگ بر اساس عناصر خیابانی معنی‌دار مدل رگرسیون استفاده می‌شود.

3.1. PSPNet

برای تعیین سریع و موثر شرایط فیزیکی- فضایی محیط خیابان، این مطالعه از روش PSPNet برای بخش‌بندی و اختصاص برچسب‌های معنادار به مناطق مختلف پیکسلی تصاویر Streetscape استفاده می‌کند.

چارچوب PSPNet [ 27 ] یک شبکه تقسیم بندی معنایی تصویر در سطح پیکسل است که بر اساس یک شبکه عصبی کانولوشنال و مدل ادغام هرمی است. از آنجایی که آموزش مستقیم بر اساس داده ها بسیار وقت گیر و زمان بر است، مدل از پیش آموزش دیده معمولاً برای پیش بینی استفاده می شود. در این مقاله، فایل های وزنی از پیش آموزش داده شده PSPNet بر روی مجموعه داده ADE20k برای پیش بینی دانلود می شوند. تصاویر Streetscape به دست آمده از هر نقطه نمونه در پوشه مربوطه قرار می گیرند. پس از اجرای برنامه می توان نتایج تقسیم بندی تصویر را به دست آورد.

3.2. تجزیه و تحلیل رگرسیون

برای شناسایی عناصر کیفیت فضای خیابان‌ها که مورد علاقه سالمندان برای فعالیت‌های فیزیکی تفریحی هستند، ما یک تحلیل رگرسیونی از رتبه‌بندی سالمندان و عناصر Streetscape توسط نرم‌افزار Stata انجام می‌دهیم. ابتدا 24 متغیر مستقل غربال می شوند. تجزیه و تحلیل رگرسیون متغیرهای تک عاملی و متغیرهای وابسته با استفاده از یک مدل رگرسیونی انجام می شود و متغیرهای غیر همبسته (معناداری 0.05>) حذف می شوند. سپس، متغیرهای باقی‌مانده از نظر کوواریانس آزمایش می‌شوند تا از هم خطی جلوگیری شود. در آخر، از متغیرهای مستقل باقیمانده برای رگرسیون رتبه بندی سالمندان استفاده می شود.

3.3. جنگل تصادفی

برای به دست آوردن امتیازهای کیفیت فضای خیابان در مقیاس بزرگ برای منطقه مورد مطالعه، این تحقیق یک الگوریتم جنگل تصادفی را در یادگیری ماشین برای پیش‌بینی کیفیت فضای خیابان اتخاذ می‌کند. به طور خاص، 900 نمونه به طور تصادفی به مجموعه‌های آموزشی و آزمایشی در نسبت 7:3 تقسیم می‌شوند و ما اطمینان می‌دهیم که نسبت نمونه‌ها در پنج سطح (1-5) در هر مجموعه داده تقریباً با نسبت کل نمونه‌ها یکسان است. یک زیرمجموعه از N، از نظر اندازه با داده‌های آموزشی موجود، با استفاده از نمونه‌گیری تصادفی مکرر با قرار دادن به عقب برای رشد N مدل درخت تصمیم مستقل انتخاب می‌شود.

4. نتایج تجزیه و تحلیل

نتایج تحقیق عمدتاً از سه جنبه تجزیه و تحلیل می‌شوند: (1) طبقه‌بندی پیش پردازش عناصر اصلی استخراج شده از Streetscape، مانند ادغام یا حذف، برای تعیین ویژگی‌های Streetscape، (2) کاوش عوامل تأثیرگذار بر کیفیت فضای خیابان برای فعالیت های اوقات فراغت فیزیکی سالمندان، و (3) تجزیه و تحلیل امتیاز کیفیت فضای خیابان در مقیاس بزرگ در منطقه مورد مطالعه.

4.1. جنگل تصادفی

در طول آزمایش مدل تقسیم‌بندی معنایی تصویر PSPNet، از مجموعه داده‌های ADE20K استفاده می‌شود [ 28 ] که حاوی 150 برچسب محتوا است. از طریق غربالگری، 71 برچسب نمای بیرونی برای شناسایی محیط خیابان مناسب است. برای شناسایی تصویر Streetscape، با در نظر گرفتن برخی از برچسب‌ها با محتوای مشابه در لیست برچسب اصلی، این مطالعه بخش‌هایی از برچسب‌های مشابه را ترکیب می‌کند ( جدول 2 را ببینید ). 21 پیکسل برچسب لیست شده در جدول 2 پیکسل هایی با نسبت بالاتر هستند و مجموع این پیکسل ها 99.04٪ از کل را تشکیل می دهد که اساساً کل محتوای تصویر را نشان می دهد، در حالی که درصد سایر پیکسل های برچسب بسیار کم است ( کمتر از 0.05٪، و تشخیص بصری آنها دشوار است. بنابراین، 21 پیکسل برچسب درجدول 2 عمدتاً در این مقاله در نظر گرفته شده است.

به طور خاص، برچسب 1 “ساختمان ¹ ” با برچسب های اصلی شامل “ساختمان”، “درب”، “خانه”، “توالت” و “کوهک” ترکیب شده است. برچسب 2 “نمای سبز ² ” با برچسب های اصلی شامل “درخت”، “گیاه”، “علف” و “گل” ترکیب شده است. برچسب 3 “خودرو ³ ” با برچسب های اصلی از جمله “خودرو”، “اتوبوس” و “کامیون” ترکیب شده است. برچسب 4 “آب ⁴ ” با برچسب های اصلی از جمله “آب” و “دریا” ترکیب شده است. برچسب 5 “کوه ⁵ ” با برچسب های اصلی از جمله “کوه” و “تپه” ترکیب شده است. برچسب 6 “صندلی ⁶” با برچسب های اصلی از جمله “صندلی” و “صندلی” ترکیب شده است. برچسب 7 “باند” به یک مسیر باریک در 1 متر برای دویدن و دوچرخه سواری مردم اشاره دارد. برچسب 8 “دوچرخه ⁸ ” با برچسب های اصلی از جمله “دوچرخه” و “مینی دوچرخه” ترکیب شده است. و “Total ⁹ ” نشان دهنده مجموع پیکسل های برچسب های باقی مانده (به جز 21 مورد برتر) است که 0.96٪ از کل را تشکیل می دهد.

از نظر نسبت کلی پیکسل‌های برچسب، مجموع برچسب‌ها، شامل ساختمان‌ها، نمای سبز، جاده‌ها و آسمان به 72.44 درصد می‌رسد که عناصر مادی ضروری صحنه خیابان هستند. هشت برچسب برتر با بیشترین نسبت شامل ساختمان‌ها، نمای سبز، جاده‌ها، آسمان، دیوارها، کف‌ها، وسایل نقلیه و پیاده‌روها هستند. مجموع نسبت پیکسل های آنها 92.79٪ است که نشان می دهد این عناصر در اکثر تصاویر Streetscape ظاهر می شوند و نیاز استفاده روزانه از خیابان را برآورده می کنند. برچسب‌های دیگر با پیکسل‌های کوچک‌تر مانند سقف‌ها، کوه‌ها، شیشه‌های پنجره و نام‌های تجاری را می‌توان به‌عنوان ویژگی‌های منحصربه‌فرد برخی از خیابان‌ها در نظر گرفت که ممکن است نقشی کلیدی در سنجش کیفیت فضای خیابان در فعالیت‌های اوقات فراغت فیزیکی سالمندان داشته باشد.

4.2. عوامل موثر بر کیفیت فضای خیابان برای فعالیت بدنی اوقات فراغت سالمندان

با استفاده از مدل رگرسیون خطی چندگانه، می توان عناصر مؤثر بر کیفیت فضای خیابان را شناسایی کرد که برای سالمندان برای انجام فعالیت های اوقات فراغت اهمیت زیادی دارد. این همچنین می تواند اندازه گیری بعدی کیفیت فضای خیابان در مقیاس بزرگ را تسهیل کند. به‌طور دقیق‌تر، متغیرهای نامرتبط «کف»، «زمین»، «شخص»، «کوه»، «صندلی»، «دوچرخه» و متغیرهایی که با عناصر منفرد کوواریانس دارند (مثلاً «محصور کردن»، «موتورسازی»، و “راه رفتن”) ابتدا با تجزیه و تحلیل تک عاملی و آزمون کوواریانس حذف می شوند. سپس متغیرهای مستقل باقیمانده در معرض رگرسیون خطی چندگانه با رتبه‌بندی سالمندان قرار می‌گیرند. نتایج در جدول 3 نشان داده شده است. ضریب تعیین (R2) مدل 0.461 و ضریب تعیین قابل تنظیم (R2) 0.452 است که هر دو بیشتر از 40٪ هستند، بنابراین مدل مناسب است و اساساً کیفیت فضای خیابان پیش بینی شده را توصیف می کند.

از جدول 3 ، متغیرهای مرتبط با کیفیت فضای خیابان ( 05/ 0p <) به شرح زیر است: “نمای سبز” و “پیاده رو” که ضریب آنها مثبت است، با رضایت همبستگی مثبت دارد. «جاده»، «ساختمان»، «آسمان»، «وسیله نقلیه»، «دیوار»، «سقف»، «شیشه پنجره»، «باند فرودگاه»، «نرده» و «صخره» که ضریب آنها منفی است، با رضایت همبستگی منفی دارد. و اثر منفی افزایش می یابد. شایان ذکر است که نتایج همبستگی بین «جاده»، «آسمان»، «نرده» و کیفیت فضای خیابان با برخی مطالعات ادبیات همخوانی ندارد.

به طور خاص، نمای سبز به طور مثبت با کیفیت فضای خیابان مرتبط است، که با اکثر تحقیقات مطابقت دارد، یعنی هر چه نمای سبز بزرگتر باشد، گیاهان سبز بیشتری در خیابان وجود خواهند داشت و برای ایجاد محیط زیست بیشتر مساعدتر است. فضای خیابانی که محیطی دلپذیر برای سالمندان فراهم می کند و مشارکت آنها را در فعالیت های بدنی تحریک می کند.

تصویرسازی فضای باز خیابان، تمایل افراد را برای معاشرت افزایش می‌دهد [ 29 ]، و سالمندان تمایل بیشتری به انجام فعالیت‌های اوقات فراغت فیزیکی در آنجا دارند و در نتیجه رضایت بیشتری از کیفیت پیاده‌رو فضای خیابان دارند.

برای خیابان‌های مجزا از وسایل نقلیه عابر پیاده، فضای پیاده‌روی ایمن فراهم شده است و مطالعات نشان داده‌اند که همبستگی مثبت قوی بین شاخص پیاده‌روی و فعالیت‌های بدنی تفریحی سالمندان وجود دارد [ 30 ]. بنابراین پیاده روها تأثیر مثبت و معناداری بر رضایت از کیفیت فضای خیابان دارند.

خیابان‌های عریض معمولاً فضای جاده‌ای بیشتری دارند که بیشتر آن‌ها خطوط ترافیکی هستند و فضای پیاده‌روی کمتری وجود دارد که برای سالمندان برای انجام فعالیت‌های اوقات فراغت فیزیکی مناسب نیست و احساس ایمنی کمتری را در آنها ایجاد می‌کند. با این حال، مطالعه انجام شده توسط لیانگ و همکاران. استدلال می کند که جاده عملکرد یک پیاده رو دارد و تأثیر مثبتی بر کیفیت فضایی خیابان و همچنین پیاده رو دارد [ 31 ].

مناطقی که ساختمان‌ها متراکم ساخته شده‌اند معمولاً شلوغ‌تر و کمتر پیاده‌روی می‌شوند و برای سالمندان برای انجام فعالیت‌های اوقات فراغت فیزیکی در فضای باز نامناسب هستند، بنابراین امتیاز آنها در کیفیت فضای خیابان کاهش می‌یابد. این نتیجه در تضاد با مطالعات قابلیت پیاده‌روی نحو فضا است که نشان می‌دهد محیط‌های متراکم ساخته شده بسیار متصل فعالیت‌های فیزیکی را ترویج می‌کنند. دلایل بالقوه برای این جهت مخالف ممکن است جنبه زیست محیطی منحصر به فرد منطقه مورد مطالعه ما باشد. از آنجایی که گوانگژو شهری با جمعیت و تراکم ساختمانی بالا است، به ویژه در مناطق مورد مطالعه در سه منطقه مرکزی، ممکن است وقتی ساختمان ها متراکم تر هستند، مردم را خفه کند.

نسبت آسمان تا حدودی می تواند نشان دهنده درجه نوردهی آسمان باشد. خیابان‌هایی که عناصر آسمانی بیشتری دارند، ساختمان‌های کمتر، گیاهان سبز، حس فضا و سرزندگی کمتری دارند و برای سالمندان برای انجام فعالیت‌های اوقات فراغت فیزیکی در فضای باز نامناسب هستند. با این حال، برخی از مطالعات همچنین نشان داده اند که درجه نوردهی بیش از حد زیاد یا خیلی کم آسمان می تواند کیفیت فضای خیابان را کاهش دهد [ 32 ]. این به این دلیل است که آسمان های بیش از حد عریض به مردم احساس پوچی می دهد و تجربه فضایی ضعیفی را برای آنها به ارمغان می آورد. آسمان خیلی کم می تواند باعث ایجاد حس بسته شدن بصری شود و افراد را از نظر روانی احساس افسردگی کند، که بر محیط باد خیابان نیز تأثیر می گذارد و اثر جزیره گرمایی شهری را تشدید می کند [ 32 ].

خیابان‌هایی با تعداد زیادی وسایل نقلیه باعث می‌شود شهروندان سالخورده احساس ناامنی کنند، که با پیش‌شرط حضور سالمندان، یعنی ایمنی مطابقت ندارد [ 33 ]. حتی بدتر از آن، ساختمان‌های اطراف ممکن است در حال ساخت باشند و برای انجام فعالیت‌های اوقات فراغت فیزیکی مناسب نباشند، بنابراین بر کیفیت فضای خیابان تأثیر منفی می‌گذارند.

خیابان‌هایی که دیوارهای زیادی دارند، تأثیر محصور آشکاری بر فضا دارند و جلوی دید را می‌گیرند و فضا را باریک می‌کنند. به خصوص در برخی از کارگاه های ساختمانی، صدا، گرد و غبار و سایر آلودگی های زیست محیطی اساسی به راحتی تولید می شود که برای سالمندان بی خطر نیست و در نتیجه احساس منفی به آنها می دهد.

خیابان‌هایی که سقف بیشتری دارند معمولاً در زیر پل‌های روگذر، در تونل‌ها یا کنار باغ‌های گلدانی بزرگ قرار دارند، جایی که ارتفاع فضای بیرون محدود است. به طور کلی، این مناطق تاریک و مرطوب یا مملو از وسایل نقلیه هستند که برای سالمندان برای انجام فعالیت‌های اوقات فراغت فیزیکی در فضای باز نامناسب هستند و در نتیجه تأثیر منفی بر کیفیت فضای خیابان ایجاد می‌کنند.

خیابان‌هایی که شیشه‌های پنجره بیشتری دارند، ساختمان‌های بیشتری دارند، به‌ویژه ساختمان‌های اداری بلندمرتبه یا مراکز خرید بزرگ. این مکان ها دارای رفت و آمد پیاده زیاد و پر سر و صدا و شلوغ هستند. علاوه بر این، شیشه‌های پنجره در نور احتمالاً تابش خیره‌کننده‌ای برای سلامتی افراد مسن ایجاد می‌کند، بنابراین بر نظرات آنها در مورد کیفیت فضای خیابان تأثیر منفی می‌گذارد.

اغلب از نرده ها برای جداسازی پیاده رو و جاده استفاده می شود. خیابان‌هایی که نرده‌های بیشتری دارند، اغلب نزدیک راه‌راه‌ها یا محل‌های ساخت‌وساز هستند که در آن‌ها اطمینان از ایمنی مردم دشوار است، بنابراین برای سالمندان برای انجام فعالیت‌های اوقات فراغت فیزیکی در فضای باز مناسب نیستند. با این حال، برخی از مطالعات استدلال کرده اند که نرده ها و پیاده روها، که اغلب با هم ظاهر می شوند، عناصر مهمی هستند که ایمنی خیابان را تشکیل می دهند و بنابراین ممکن است تأثیر مثبتی بر کیفیت فضای خیابان داشته باشند.

خیابان‌هایی با سنگ‌های زیاد معمولاً محل ساخت‌وساز هستند، با آجر و کاشی و غیره. بنابراین انجام فعالیت های فیزیکی در فضای باز در این مناطق برای سالمندان بی خطر نیست.

باند فرودگاه ها با کیفیت فضای خیابان برای سالمندان همبستگی منفی دارد، عمدتاً به این دلیل که باند فرودگاه ها در پارک ها اغلب توسط افراد جوان اشغال می شود، که خطر برخورد عابر پیاده را افزایش می دهد که برای برخی از سالمندان غیر دوستانه است. با این حال، مقدار p یک باند نزدیک به 0.1 است، بنابراین همبستگی منفی نسبتا زیاد نیست.

4.3. نمرات کیفیت فضای خیابان در مقیاس بزرگ در منطقه مطالعه

عناصر تأثیرگذار مهم کیفیت فضایی خیابان برای دستیابی به پیش‌بینی تمام نمرات کیفیت فضای خیابان در منطقه مورد مطالعه، وارد الگوریتم جنگل تصادفی می‌شوند. از دقت نتیجه و کل خطای مدل پیش‌بینی‌شده با مدل محاسبه، می‌توان دریافت که خطای کل مدل زمانی که 143 درخت تصمیم تولید می‌شوند، تمایل به تثبیت دارد، بنابراین پارامترهای مهم برای اشکال‌زدایی مدل جنگل تصادفی تعیین می‌شوند. سپس در پیش‌بینی کیفیت فضای خیابان همه نمونه‌ها، آخرین دقت پیش‌بینی مدل استفاده‌شده 70.6 درصد، بالای 70 درصد است و احتمال انحراف یک سطح (مثلاً «راضی» به‌عنوان «خیلی خوب» ارزیابی می‌شود) 27.6 درصد است. بنابراین، احتمال پیش بینی دقیق یا انحراف یک سطح 98.5٪، بالای 95٪ است. که اساساً با خطای قضاوت ذهنی سازگار است. خطای پیش‌بینی مدل برای اندازه‌گیری کیفیت فضای خیابان در مقیاس بزرگ قابل قبول است. در نهایت، نمرات کیفیت فضای خیابان همه خیابان‌های مورد مطالعه، توزیع فضای چگالی هسته‌ای، و امتیازات کیفیت فضای 62 عنصر خیابان در منطقه مورد مطالعه در ArcGIS تجسم می‌شوند، همانطور که در نشان داده شده است.شکل 7 ، شکل 8 و شکل 9 .

همانطور که در شکل 7 مشاهده می شود ، امتیازات کیفیت فضای خیابانی فعالیت های اوقات فراغت فیزیکی سالمندان در سه منطقه مرکزی گوانگژو عمدتاً در دو بخش 2-3 امتیاز و 3-4 امتیاز است. تعداد کمی از خیابان‌ها امتیاز 1 یا 5 را دریافت می‌کنند. میانگین رضایت کلی 2.6 است که فضای زیادی را برای بهبود کیفیت فضای خیابان نشان می‌دهد. خیابان هایی با رضایت از 4 تا 5 دارای نماهای سبز، پیاده روهای بیشتر و تعداد افراد، وسایل نقلیه و ساختمان های کمتری هستند. بسیاری از آنها در نزدیکی پارک ها توزیع می شوند.

در شکل 8 ، نمرات متوسط و پایین به خوبی توزیع شده اند. منطقه Yuexiu از رضایت کلی از کیفیت فضای خیابان برخوردار است. بالاترین امتیازها عمدتاً در اطراف مرز خیابان لانگ فنگ، خیابان داتانگ، و خیابان نونگلین، و همچنین خیابان Qianzhong، در شمال غربی Haizhu و Liwan District و وسط منطقه Yuexiu متمرکز شده است.

همانطور که در شکل 9 نشان داده شده است ، اکثر 62 خیابان کمتر از میانگین 2.6 امتیاز داده شده اند. در این میان خیابان Xin’gang با 2.92 بالاترین امتیاز را به خود اختصاص داده است. دلیل احتمالی این است که بسیاری از سطوح مدارس، از جمله دانشگاه Sun Yat-Sen و بسیاری از مدارس متوسطه، که فضای سبز کلی در آنها خوب است، در این خیابان ها قرار دارند. این خیابان همچنین دارای فعالیت‌های فرهنگی و ورزشی برجسته‌ای است، با تیم‌های فرهنگی و هنری توده‌ای فعال‌تر و مکان‌های فرهنگی و ورزشی بیشتر، مانند باشگاه قایقرانی گوانگژو در میدان دروازه شمالی دانشگاه سان یات سن، که برای تقویت اجتماعی مفید است. و روابط عاطفی سالمندان و در نتیجه رضایت بیشتری از کیفیت فضای خیابان دارند.

در مقایسه، خیابان Hailong کمترین امتیاز 2.32 را کسب می کند. جاده‌های اصلی بیشتر و پیاده‌روهای کمتر می‌تواند پایین‌ترین امتیاز را توضیح دهد. از منظر نسبت عناصر، در خیابان هایلونگ، نسبت پیاده رو کمترین و نمای سبز نزدیک به حداقل است. در عین حال، نسبت آسمان بالاترین است و نسبت شیشه پنجره، سقف، نرده و باند بیشتر از میانگین است و نسبت دیوار نزدیک به حداکثر است. بنابراین، خیابان هایلونگ نیاز فوری به بهبود کیفیت فضای خیابان خود دارد تا شهروندان سالخورده را به انجام فعالیت‌های اوقات فراغت فیزیکی تشویق کند.

5. نتیجه گیری ها

به طور سنتی، داده‌های دست اول در مورد کیفیت فضای خیابان از سوابق عکاسی و بررسی‌های دستی همراه با روش‌های امتیازدهی متخصص و تعیین وزن به‌دست می‌آمدند که زمان‌بر، سخت برای به دست آوردن داده‌ها و کار فشرده است [ 20 ]. با توسعه تصاویر Streetscape و فناوری‌های رایانه‌ای مانند یادگیری عمیق و یادگیری ماشین، اندازه‌گیری کمی در مقیاس بزرگ و با دقت بالا از کیفیت فضای خیابان در منطقه شهری به دست می‌آید [ 18 ، 24 ]. با توجه به محدودیتی که پژوهش قبلی نیازهای خاص سالمندان را بررسی نکرد [ 20 ، 21]، این مطالعه کیفیت فضای خیابان را از منظر فعالیت‌های اوقات فراغت فیزیکی سالمندان بر اساس داده‌های Streetscape ارزیابی می‌کند، که می‌تواند کمبود تحقیقات نظری در مورد کیفیت فضای خیابان‌های شهری برای سالمندان را جبران کند و پایه‌ای نظری برای تحقیقات آینده ایجاد کند. . علاوه بر این، یک استراتژی جدید طبقه‌بندی-سپس-رگرسیون مبتنی بر الگوریتم PSPNet و جنگل تصادفی پیشنهاد شده است که می‌تواند عدم قطعیت و بی‌ثباتی ارزیابی کیفیت ناشی از ماهیت ذهنی ادراکات انسانی را کاهش داده و به دقت بهتری نسبت به مطالعات موجود دست یابد [ 2 ، 20 ]. ]. در همین حال، به منظور اجتناب از ناآگاهی از دیدگاه‌های متنوع گروه‌های مختلف مردم هنگام ارزیابی سایر محققان کیفیت سرعت خیابان [ 3 ،21 ]، ما تصاویر نمای خیابان را با عناصر ظاهری متعدد می گیریم و سیستم شاخص فضای خیابان با کیفیت بالا را که سالمندان به آن اهمیت می دهند گسترش می دهیم. با در نظر گرفتن گوانگژو، که یک چالش جدی مرتبط با سالمندی دارد، این مقاله به بررسی کیفیت فضای خیابانی فعالیت‌های اوقات فراغت فیزیکی سالمندان بر اساس تصاویر نمای خیابان از سه منطقه مرکزی (منطقه یوکسیو، ناحیه لیوان و ناحیه هایژو) می‌پردازد. نتیجه گیری به شرح زیر است:

اول، عناصر منظر خیابانی که بر کیفیت فضای خیابانی فعالیت‌های اوقات فراغت فیزیکی سالمندان تأثیر می‌گذارند، عمدتاً شامل نمای سبز، ساختمان، آسمان، وسیله نقلیه، دیوار، فرد و پیاده‌رو می‌شود. در میان آنها، “نمای سبز” و “پیاده رو” با رضایت همبستگی مثبت دارند. «جاده»، «ساختمان»، «آسمان»، «وسیله نقلیه»، «دیوار»، «سقف»، «شیشه پنجره»، «باند»، «نرده» و «صخره» با رضایت همبستگی منفی دارند و اثر منفی افزایش می‌یابد. .

دوم، مقدار متوسط رضایت کلی در سه منطقه مرکزی گوانگژو (Yuexiu، Liwan، و Haizhu) 2.6، حداقل 1 و حداکثر 5 است. بر اساس تجزیه و تحلیل تراکم هسته، نمرات متوسط و پایین کیفیت فضای خیابان نسبتاً خوب توزیع شده اند. بالاترین امتیازها عمدتاً در اطراف مرز خیابان لانگ فنگ، خیابان داتانگ، و خیابان نونگلین، و همچنین خیابان Qianzhong، در شمال غربی Haizhu و Liwan District و وسط منطقه Yuexiu متمرکز شده است. علاوه بر این، منطقه Yuexiu از رضایت کلی بالایی برخوردار است. در بین 62 خیابان، خیابان Xin’gang بالاترین امتیاز (2.92) را به خود اختصاص داده است، در حالی که خیابان Hailong کمترین امتیاز (2.32) را دارد که نشان می دهد نیاز فوری به بهبود کیفیت فضای خیابان برای تشویق سالمندان به انجام اوقات فراغت فیزیکی است. فعالیت ها.

ثالثاً، بر اساس بدترین کیفیت خیابان هایلونگ، می‌توان تلاش‌های بیشتری برای بهبود فضای خیابان‌های شهری از جمله گسترش پیاده‌روی باریک، زیباسازی محیط سبز و کاهش مناسب نسبت «آسمان»، «دیوار» انجام داد. “سقف”، “باند فرودگاه”، “نرده” و “پنجره”. علاوه بر این، از طرح‌های سبز عمودی، مانند افزودن گیاهان سبز بیشتر به دیوارهای کنار خیابان‌ها، می‌توان برای بهبود کیفیت فضای خیابان استفاده کرد.

6. بحث

این مطالعه به شاخص ارزیابی سنتی و ذاتی محدود نمی شود. بر اساس دیدگاه شهروندان سالمند، عناصر مربوط به Streetscape را استخراج می کند و سپس آنها را در مدل جنگل تصادفی در یادگیری ماشینی وارد می کند، بنابراین ارزیابی کیفیت خیابان را از دیدگاه سالمندان به دست می آورد و سیستم شاخص عناصر کیفیت فضای خیابان را گسترش می دهد. . این مطالعه می‌تواند کمبود تحقیقات کنونی در مورد کیفیت فضای خیابان برای فعالیت‌های اوقات فراغت فیزیکی سالمندان را جبران کند و پایه‌ای نظری برای تحقیقات آینده ایجاد کند. علاوه بر این، از کمبود داده های کوچک، هزینه بالا و کارایی کم روش های تحقیق سنتی جلوگیری می کند. با تصاویر Streetscape و فناوری‌های کامپیوتری مانند یادگیری عمیق و یادگیری ماشین،

با این حال، محدودیت‌هایی نیز در تحلیل کیفیت فضای خیابان با تصاویر Streetscape وجود دارد. به دلیل ویژگی Streetscape که شامل رانندگی و عکسبرداری با ماشین می شود، تصاویر Streetscape هنوز از نظر چشم انسان دارای تفاوت های خاصی هستند. داده‌های برخی از مناطقی که خودروهای Streetscape نمی‌توانند وارد آن‌ها شوند هنوز وجود ندارد. به عنوان مثال، این مطالعه بر خیابان‌هایی که سالمندان در آن فعالیت‌های تفریحی فیزیکی انجام می‌دهند، عمدتاً پیاده‌روها یا جاده‌های داخلی تمرکز دارد. ورود خودروهای Streetscape به این مناطق و گرفتن عکس دشوار است، که منجر به کمبود داده می شود، که ممکن است بر ارزیابی کلی تأثیر بگذارد. علاوه بر این، تفاوت های زمانی تصاویر Streetscape گرفته شده در خیابان های مختلف می تواند در تجزیه و تحلیل عناصری مانند عابران پیاده و وسایل نقلیه اختلال ایجاد کند. که تا حدی بر تفسیر تشخیص تصویر Streetscape تأثیر می گذارد. بنابراین، در تحقیقات آینده، بررسی میدانی می تواند به جمع آوری داده های مناطقی که خودروهای Streetscape نمی توانند وارد شوند، کمک کند. علاوه بر این، حجم نمونه سالمندان باید بیشتر افزایش یابد. در نهایت، روش‌های ارزیابی بهتری مانند سیستم ELO را می‌توان برای امتیاز دادن به کیفیت تصویر، دقیق‌تر کردن داده‌های تحقیق و کاهش بیشتر خطای مدل ارزیابی اتخاذ کرد.

این کار ارزش استفاده از تصاویر Streetscape و انجام روش‌های یادگیری ماشینی و یادگیری عمیق را برای ارزیابی کیفیت فضای شهری نشان می‌دهد. نتایج این کار عناصر بصری فضای خیابان شهری را نشان می‌دهد که به شدت با فعالیت‌های بدنی تفریحی سالمندان مرتبط است. با شناسایی خیابان‌های با کیفیت پایین‌تر، می‌توان پیامدهای قابل توجهی از این کار به فرمانداران و طراحان شهر ارائه کرد و به هدایت تصمیم‌های برنامه‌ریزی شهری با هدف بهبود کیفیت فضا کمک کرد. چارچوب روش‌شناسی و فرآیند تحلیل در این مطالعه می‌تواند در شهرهای دیگر با تعدیل‌های مناسب جزئیات تکرار و اعمال شود که بینش‌های معناداری را برای تحقیقات دانشگاهی و تجربه عملی در این زمینه فراهم می‌کند.

منابع

لی، اس. ما، س. تانگ، دی. جیا، ز. لی، پی. طولانی، Y. ارتباط بین کیفیت فضای خیابان و ویژگی های محیط ساخته شده با استفاده از حجم زیادی از تصاویر نمای خیابان. محیط زیست طرح. ب مقعد شهری. علوم شهر 2021 ، 23998083211056340. [ Google Scholar ] [ CrossRef ]
دوگان، U. مقایسه کیفیت فضا در خیابان ها در زمینه طراحی فضای باز عمومی: نمونه ای از ازمیر، بارسلونا و لیورپول. J. شهری Aff. 2021 . [ Google Scholar ] [ CrossRef ]
تانگ، جی. طولانی، Y. اندازه گیری کیفیت بصری فضای خیابان و تغییرات زمانی آن: روش شناسی و کاربرد آن در منطقه هوتونگ در پکن. Landsc. طرح شهری. 2019 ، 191 ، 103436. [ Google Scholar ] [ CrossRef ]
Lynch, K. Good City Form ; انتشارات MIT: کمبریج، انگلستان، 1984. [ Google Scholar ]
سازمان ملل متحد، 2015 الف. پیری جمعیت جهان 2015. سازمان ملل متحد، نیویورک. سازمان ملل متحد، 2015b. تغییر جهان ما: دستور کار 2030 برای توسعه پایدار. در دسترس آنلاین: https://sustainabledevelopment.un.org/content/documents/7891Transforming%20Our%20World.pdf (در 12 ژانویه 2016 قابل دسترسی است).
بله، CY؛ چانگ، CK; یانگ، FA استفاده از یک مدل اثرات درمانی برای بررسی تأثیر رفاه عمومی بر فعالیت بدنی سالمندان. J. Aging Soc. سیاست 2018 ، 30 ، 72-86. [ Google Scholar ] [ CrossRef ] [ PubMed ]
منگ، ال سی. Wen، KH; Zeng، ZJ; بروین، آر. فن، X. وو، کیو. تأثیر عوامل درک فضای خیابان بر سلامت سالمندان در شهرهای با تراکم بالا در ماکائو – تجزیه و تحلیل بر اساس تصاویر نمای خیابان و فناوری یادگیری عمیق. پایداری 2020 ، 12 ، 1799. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
چستر، اچ. لیزا، الف. اندازه‌گیری مناظر خیابانی شهری برای زیست‌پذیری: مروری بر رویکردها. پروفسور Geogr. 2016 ، 68 ، 149-158. [ Google Scholar ]
رید، ای. اتو، سی. اندازه‌گیری طراحی شهری: معیارهای مکان‌های قابل سکونت . مطبوعات جزیره: واشنگتن، دی سی، ایالات متحده آمریکا، 2013. [ Google Scholar ]
تانگ، جی ایکس؛ ارزیابی کیفیت فضای خیابان طولانی، Y. متروپولیتن: حلقه دوم و سوم پکن، حلقه داخلی شانگهای. برنامه ریزان 2017 ، 33 ، 68-73. [ Google Scholar ]
لانگ، ی. تانگ، JX اندازه‌گیری کمی در مقیاس بزرگ کیفیت فضای خیابان شهری: پیشرفت پژوهش. طرح شهر. Rev. 2019 , 43 , 108–110. [ Google Scholar ]
لی، توسط مطالعه بر روی اندازه‌گیری کیفیت فضایی خیابان‌های زندگی در منطقه جنوب غربی منطقه مینگ‌چنگ بر اساس داده‌های بزرگ چند منبعی. دکتری پایان نامه، دانشگاه معماری و فناوری شیان، شیان، چین، 2021. [ Google Scholar ]
لوائل، تی. لنورمند، م. Ros، OGC; پیکورنل، ام. هرانز، ر. فریاس مارتینز، ای. راماسکو، جی. بارتلمی، ام. از داده های تلفن همراه تا ساختار فضایی شهرها. علمی Rep. 2014 , 4 , 5276. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
نیش، YH مکانیسم اندازه‌گیری و تأثیر سرزندگی خیابان شهر. دکتری پایان نامه، دانشگاه جنوب شرقی، نانجینگ، چین، 2018. [ Google Scholar ]
ژانگ، LY; پی، تی. چن، YJ; آهنگ، سی. لیو، ایکس. مروری بر ارزیابی محیطی شهری بر اساس تصاویر نمای خیابان. J. Geo-Inf. علمی 2019 ، 21 ، 46-58. [ Google Scholar ]
نایک، ن. فیلیپوم، جی. راسکار، ر. هیدالگو، سی. استریت اسکور: پیش بینی امنیت درک شده یک میلیون منظره خیابانی. در مجموعه مقالات کارگاه های آموزشی بینایی کامپیوتری و تشخیص الگو (CVPRW)، کنفرانس IEEE 2014 در، کلمبوس، OH، ایالات متحده آمریکا، 23 تا 28 ژوئن 2014. صص 793-799. [ Google Scholar ]
بله، ی. ژانگ، SH; ژانگ، XH; Zeng، W. کیفیت مقیاس انسانی در خیابان ها: یک رویکرد تحلیلی در مقیاس بزرگ و کارآمد بر اساس تصاویر نمای خیابان و ابزارهای تحلیل شهری جدید. طرح شهری. بین المللی 2019 ، 34 ، 18-27. [ Google Scholar ] [ CrossRef ]
جی، اچ. چینگ، ال. هان، ال. وانگ، ز. چنگ، ی. پنگ، ی. چارچوب هوشی جدید مبتنی بر داده برای ارزیابی ادراک فضای شهری. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 400. [ Google Scholar ] [ CrossRef ]
دای، ZM; Hua, C. بهبود روش اندازه گیری کیفیت فضای خیابان بر اساس نمای خیابان. برنامه ریزان 2019 ، 35 ، 57-63. [ Google Scholar ]
لیو، ام. جیانگ، ی. او، جی. ارزیابی کمی بر سرزندگی خیابان: مطالعه موردی جامعه ژوجیادو در شانگهای. پایداری 2021 ، 13 ، 3027. [ Google Scholar ] [ CrossRef ]
ژانگ، اف. ژو، بی. لیو، ال. لیو، ی. Fung، HH; لین، اچ. راتی، سی. اندازه گیری ادراک انسان از یک منطقه شهری در مقیاس بزرگ با استفاده از یادگیری ماشین. Landsc. طرح شهری. 2018 ، 180 ، 148-160. [ Google Scholar ] [ CrossRef ]
دوبی، ANN; پریخ، د. راسکار، ر. هیدالگو، کالیفرنیا یادگیری عمیق شهر: کمی کردن ادراک شهری در مقیاس جهانی. در کنفرانس اروپایی بینایی کامپیوتر ; Springer: Cham, Switzerland, 2016; صص 196-212. [ Google Scholar ]
Alexander, C. A Pattern Language: Towns, Buildings, Construction ; انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 1977. [ Google Scholar ]
دارچین، جی. جاهیو، ال. تصاویر پانورامیک سطح خیابان در تحقیقات شهری داده محور: بررسی جهانی جامع کاربردها، تکنیک ها و ملاحظات عملی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 471. [ Google Scholar ] [ CrossRef ]
گائو، ال. تحقیق در مورد تغییر کیفیت فضای خیابان شهری بر اساس تشخیص تصویر نمای خیابان – مطالعه موردی شیجینگشان. پایان نامه کارشناسی ارشد، دانشگاه فناوری شمال چین، پکن، چین، 2021. [ Google Scholar ]
آهنگ، تحقیق ارزیابی YLQ در مورد محیط ساختمانی سالمندان در اوقات فراغت فعالیت بدنی جامعه شهری. دکتری پایان نامه، دانشگاه عادی نانجینگ، نانجینگ، چین، 2017. [ Google Scholar ]
ژائو، اچ. شی، ج. Qi، X. وانگ، ایکس. شبکه تجزیه صحنه هرمی جیا، جی. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، هونولولو، HI، ایالات متحده آمریکا، 21 تا 26 ژوئیه 2017؛ صص 2881-2890. [ Google Scholar ]
ژو، بی. ژائو، اچ. پویگ، ایکس. شیائو، تی. فیدلر، اس. باریوسو، آ. Torralba، A. درک معنایی صحنه ها از طریق مجموعه داده ADE20K. بین المللی جی. کامپیوتر. Vis. 2019 ، 127 ، 302-321. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Xu، LQ; جیانگ، WJ; چن، زی. مطالعه در مورد ایمنی درک شده در فضاهای عمومی: به عنوان مثال درک نمای خیابان در شانگهای را در نظر بگیرید. Landsc. آرشیت. 2018 ، 25 ، 23-29. [ Google Scholar ]
وو، YH; Wang, JL مروری بر اثرات محیط ساخته شده بر فعالیت بدنی تفریحی سالمندان. چانه. J. Sports Med. 2016 ، 35 ، 1074-1075. [ Google Scholar ]
لیانگ، JY کاوش کیفیت فضای خیابان شهری در ماکائو بر اساس داده‌های چند منبعی. دکتری پایان نامه، دانشگاه صنعتی چین جنوبی، گوانگژو، چین، 2020. [ Google Scholar ]
گائو، ال. تحقیق در مورد تغییرات کیفیت فضا در خیابان های شهری بر اساس تشخیص تصویر نمای خیابان. دکتری پایان نامه، دانشگاه فناوری شمال چین، پکن، چین، 2021. [ Google Scholar ]
آهنگ، YLQ; لیو، ی. وانگ، زی. Wu، ZJ; Zhang، F. Gray همبستگی تجزیه و تحلیل عوامل موثر بر محیط ساخته شده از جوامع شهری برای سالمندان اوقات فراغت و فعالیت های بدنی. چانه. جی. جرونتول. 2018 ، 8 ، 3778–3779. [ Google Scholar ]