چکیده

در عصر داده های بزرگ، داده های تحرک شهری گسترده فرصت های جدیدی را برای استنباط کاربری زمین شهری از منظر عملکرد اجتماعی ارائه می دهد. بیشتر آثار موجود فقط اطلاعات کاربری زمین را از یک نوع مجموعه داده تحرک شهری به دست می‌آورند که معمولاً مغرضانه است و به مشکل در دستیابی به یک نمای جامع از کاربری زمین شهری منجر می‌شود. ادغام داده‌های چندمنبعی تحرک شهری با ابعاد بالا و پر سر و صدا برای استنباط کاربری زمین شهری همچنان چالش برانگیز است. این مطالعه با هدف استنتاج استفاده از زمین شهری از داده‌های تحرک شهری چند منبعی با استفاده از خوشه‌بندی چند نمای پنهان زیرفضا انجام شد. تغییر در تعداد نقاط مبدا/مقصد در طول زمان در ابتدا برای توصیف انواع کاربری زمین مورد استفاده قرار گرفت. سپس، یک نمایش چند نمای پنهان برای ساخت ساختار زیربنایی مشترک به اشتراک گذاشته شده توسط داده های تحرک شهری چند منبعی و به طور موثر مقابله با نویز استفاده شد. در نهایت، بر اساس بازنمایی چند نمای پنهان، از روش خوشه‌بندی زیرفضا برای استنباط انواع کاربری زمین استفاده شد. آزمایش‌ها بر روی داده‌های مسیر تاکسی و داده‌های کارت هوشمند اتوبوس در پکن نشان می‌دهد که در مقایسه با روش با استفاده از یک نوع مجموعه داده تحرک شهری و روش همجوشی وزنی، رویکرد ارائه‌شده در این مطالعه بالاترین نرخ تشخیص کاربری زمین را به‌دست می‌آورد. کاربری اراضی شهری استنباط شده در این مطالعه، کالیبراسیون و مرجعی را برای برنامه ریزی شهری فراهم می کند. آزمایش‌ها بر روی داده‌های مسیر تاکسی و داده‌های کارت هوشمند اتوبوس در پکن نشان می‌دهد که در مقایسه با روش با استفاده از یک نوع مجموعه داده تحرک شهری و روش همجوشی وزنی، رویکرد ارائه‌شده در این مطالعه بالاترین نرخ تشخیص کاربری زمین را به‌دست می‌آورد. کاربری اراضی شهری استنباط شده در این مطالعه، کالیبراسیون و مرجعی را برای برنامه ریزی شهری فراهم می کند. آزمایش‌ها بر روی داده‌های مسیر تاکسی و داده‌های کارت هوشمند اتوبوس در پکن نشان می‌دهد که در مقایسه با روش با استفاده از یک نوع مجموعه داده تحرک شهری و روش همجوشی وزنی، رویکرد ارائه‌شده در این مطالعه بالاترین نرخ تشخیص کاربری زمین را به‌دست می‌آورد. کاربری اراضی شهری استنباط شده در این مطالعه، کالیبراسیون و مرجعی را برای برنامه ریزی شهری فراهم می کند.

کلید واژه ها:

کاربری اراضی شهری ; داده های تحرک شهری ; چند منبعی ؛ بازنمایی پنهان ; خوشه بندی زیرفضا

1. مقدمه

کاربری زمین شهری معمولاً به سندرم‌های فعالیت‌های انسانی اشاره دارد که فرآیندهای سطح زمین را در یک شهر تغییر می‌دهند [ 1 ]. اطلاعات کاربری زمین شهری برای فرآیندهای برنامه ریزی شهری و مدیریت زیست محیطی اهمیت حیاتی دارد [ 2 ، 3 ]. تصاویر سنجش از دور به طور گسترده برای استخراج اطلاعات کاربری اراضی شهری استفاده می شود. تعدادی از روش‌های سنجش از دور بر اساس ویژگی‌های فیزیکی اجزای زمین، مانند طیف، شکل، و بافت توسعه یافته‌اند [ 4 ، 5 ، 6 ]]. اگرچه تصاویر سنجش از دور برای شناسایی ویژگی‌های طبیعی اشیاء زمینی مؤثر هستند، اما نشان دادن ویژگی‌های اجتماعی-اقتصادی و فعالیت‌های انسانی که به شدت با انواع کاربری زمین شهری مرتبط هستند، دشوار است [ 7 ، 8 ]. در عصر داده های بزرگ، طیف گسترده ای از مجموعه داده های تحرک شهری در حال حاضر در دسترس است، از جمله مسیرهای GPS تاکسی [ 9 ]، تراکنش های کارت هوشمند [ 10 ] و سوابق تلفن همراه [ 11 ]. این مجموعه داده‌های تحرک شهری می‌توانند ریتم‌های زمانی فعالیت‌های انسانی را منعکس کنند و می‌توانند برای کشف عملکردهای اجتماعی انواع کاربری زمین شهری استفاده شوند [ 12 , 13 ]]. این می تواند به برنامه ریزان شهری کمک کند تا در برنامه ریزی خود تصمیمات آگاهانه و انسان محورتر اتخاذ کنند [ 14 ].
مسیرهای GPS تاکسی [ 9 ، 15 ، 16 ]، تراکنش های کارت هوشمند [ 10 ]، و سوابق تلفن همراه [ 13 ، 17 ، 18 ]] به طور گسترده ای برای استنباط کاربری زمین شهری از منظر عملکرد اجتماعی مورد استفاده قرار گرفته اند. چارچوب اصلی کار موجود به طور کلی از سه بخش تشکیل شده است: اول، ویژگی‌ها (متغیرهای خوشه‌بندی یا طبقه‌بندی) از داده‌های تحرک شهری برای ایجاد رابطه بین ریتم‌های زمانی فعالیت‌های انسانی و انواع کاربری زمین شهری استخراج شد. دوم، با استفاده از ویژگی‌های استخراج‌شده، از روش‌های طبقه‌بندی/خوشه‌بندی برای کشف مناطق استفاده شد. سوم، انواع کاربری اراضی مناطق کشف شده بر اساس دانش قبلی و/یا داده های کمکی حاشیه نویسی و تجزیه و تحلیل شدند.

1.1. استخراج ویژگی‌ها از مجموعه داده‌های تحرک شهری

یک ویژگی موثر برای استنباط کاربری زمین شهری حیاتی است. برای داده های تلفن همراه، پیشگامان تحقیق سری زمانی نرمال شده حجم ساعتی را در همان ایستگاه فرستنده گیرنده پایه (BTS) برای تعریف ویژگی ها اعمال کردند [ 17 ]. چنین ویژگی هایی تفاوت در حجم کل بین BTS های مختلف را نادیده می گیرند. برای غلبه بر این محدودیت، حجم تماس های ساعتی نرمال شده و مجموع حجم تماس برای ساختن یک بردار ویژگی الگوی دو روزه، یعنی یک الگوی روز هفته و یک الگوی آخر هفته [ 18 ] ترکیب شدند. این الگوی دو روزه نمی تواند به طور کامل تفاوت فعالیت های انسانی را بین روزهای هفته و غیر هفته آشکار کند. از این رو، پی و همکاران. [ 13] یک بردار ویژگی جدید را با ترکیب حجم تماس ساعتی و حجم کل مکالمه برای ایجاد ترکیبی خطی از حالت چهار روزه (عمومی روزهای هفته، جمعه، شنبه و یکشنبه) ساخت.
برای مسیرهای GPS تاکسی و تراکنش‌های کارت هوشمند، انواع کاربری زمین معمولاً با دینامیک زمانی مقدار سوار/پیاده‌شدن مشخص می‌شوند [ 15 ]. این ویژگی‌ها معمولاً با تفاوت بین تعداد بارگیری و جابجایی در هر ساعت، و نسبت تعداد بارگیری به عدد پایین‌آمدن در هر ساعت تعریف می‌شد [ 9 ، 10 ، 16 ، 19 ، 20 . , 21 , 22 ].

1.2. روش‌های طبقه‌بندی/خوشه‌بندی کاربری اراضی

هنگامی که برچسب‌های کاربری اراضی مناطق در دسترس هستند، برخی از روش‌های طبقه‌بندی نظارت شده (به عنوان مثال، الگوریتم k-نزدیک‌ترین همسایه، الگوریتم جنگل تصادفی، ماشین‌های بردار پشتیبان) می‌توانند برای استنتاج انواع کاربری اراضی سایر مناطق بدون برچسب [ 9 ، 15 ، 22 ] استفاده شوند. ]. در عمل معمولاً برچسب کاربری زمین وجود ندارد. بنابراین، روش‌های خوشه‌بندی (مانند K-means، فازی c-means، خوشه‌بندی طیفی، و الگوریتم انتظار-بیشینه‌سازی) اغلب برای شناسایی خوشه‌هایی با انواع کاربری مشابه، بر اساس شباهت ویژگی‌های استخراج‌شده استفاده می‌شوند [ 10 ، 13 ، 17 ، 23]. مجموعه داده های اضافی یا دانش قبلی باید بیشتر مورد استفاده قرار گیرد تا انواع کاربری زمین این خوشه ها را شرح دهد.

1.3. حاشیه نویسی و تجزیه و تحلیل مناطق طبقه بندی شده

نقاط مورد علاقه (POI)، تصاویر سنجش از دور، و نقشه های دیجیتال برای حاشیه نویسی انواع کاربری اراضی خوشه های شناسایی شده استفاده می شوند [ 22 ، 24 ، 25 ]. POI بسیار مرتبط با فعالیت های انسانی است و می تواند برای استخراج اطلاعات مربوط به کاربری زمین شهری استفاده شود [ 8 ]. چگالی فرکانس (FD) و نسبت طبقه بندی (CR) POI ها به حاشیه نویسی نوع کاربری زمین یک خوشه کمک می کند [ 26 ]]. برای مثال، اگر POI هایی مانند امکانات خدماتی، مراکز خرید، رستوران ها و مراکز ورزشی اغلب در یک خوشه رخ می دهند، آن خوشه می تواند به عنوان یک منطقه مسکونی تعریف شود. با استفاده از تصاویر سنجش از دور و نقشه‌های دیجیتال، نقاط عطف را می‌توان به صورت بصری شناسایی کرد و بیشتر به منظور حاشیه‌نویسی نوع کاربری زمین یک خوشه استفاده کرد [ 10 ، 22 ]. اگر مکان‌های دیدنی مانند موزه کاخ ملی، کاخ تابستانی و یوان‌مین‌گیوان در یک خوشه باشند، ممکن است این خوشه به‌عنوان منطقه گردشگری معرفی شود. علاوه بر این، ماتریس گذار ورود/خروج می‌تواند الگوی سفر انسان را بین خوشه‌های منطقه‌ای نشان دهد [ 24 ، 26 ]]. به عنوان مثال، در روزهای هفته، اگر بیشتر افراد پس از کار (5 بعد از ظهر تا 6 بعدازظهر) از یک خوشه خارج شوند، در حالی که در روزهای آخر هفته، افراد در طول روز به یک خوشه خاص می‌رسند و از آن خارج می‌شوند، آن خوشه ممکن است به عنوان یک منطقه تجاری نشان داده شود.
این مطالعه به این نتیجه رسید که پیشرفت قابل توجهی در استفاده از داده های تحرک شهری برای استنباط انواع کاربری زمین شهری حاصل شده است. اگرچه نتایج پژوهشی مثمر ثمری به دست آمده است، اکثر کارهای موجود فقط اطلاعات کاربری زمین را از یک نوع مجموعه داده تحرک شهری استخراج می کنند. از آنجا که اطلاعات کاربری زمین استنتاج شده از مجموعه داده تحرک شهری تک منبعی معمولاً جانبدارانه است [ 27 ، 28 ]]، دستیابی به دیدی جامع از کاربری اراضی شهری دشوار است. بنابراین، ترکیب داده های تحرک شهری چند منبعی برای به دست آوردن یک دید جامع از کاربری زمین شهری مهم است. در سال‌های اخیر، برخی از محققان تلاش کرده‌اند تا مجموعه داده‌های مختلف تحرک شهری را برای استنباط کاربری زمین شهری ترکیب کنند. ساده ترین استراتژی ترکیب مسیرهای GPS تاکسی و تراکنش های کارت هوشمند برای نمایش تحرک شهری بوده است. برای در نظر گرفتن اهمیت نسبی انواع مختلف داده‌های تحرک شهری، برخی از محققان از استراتژی‌های همجوشی وزنی برای ترکیب داده‌های تحرک شهری چند منبعی با تعیین وزن‌ها بر اساس نسبت کل اتوبوس و تاکسی سواری یا با استفاده از رویکرد وزن آنتروپی استفاده کرده‌اند. 23 ، 29]. اگرچه این روش ها می توانند اطلاعات داده های چند منبع را تا حدی یکپارچه کنند، تعیین وزن دقیق برای داده های منبع مختلف دشوار است. مهمتر از آن، داده های تحرک شهری معمولاً نویز هستند و ویژگی های استخراج شده از داده های تحرک شهری معمولاً ابعاد بالایی دارند [ 30 ، 31 ]. ادغام داده‌های تحرک شهری چند منبع، با ابعاد بالا و پر سر و صدا برای استنباط کاربری زمین شهری همچنان چالش برانگیز است [ 27 ].
برای پرداختن به این چالش‌ها، این مطالعه با هدف استنباط استفاده از زمین شهری از داده‌های تحرک شهری چند منبعی با استفاده از خوشه‌بندی زیرفضای چند نمای پنهان انجام شد. در این مطالعه، داده‌های تحرک شهری چند منبعی به‌عنوان دیدگاه‌های مختلف برای مشاهده کاربری اراضی شهری در نظر گرفته شد و از داده‌های تحرک شهری چند منبعی برای به دست آوردن دید جامعی از کاربری شهری استفاده شد. با استفاده از پکن به عنوان مطالعه موردی، مسیرهای GPS تاکسی و داده های کارت هوشمند اتوبوس از 9 می 2016 تا 15 مه 2016 برای استنتاج انواع کاربری زمین شهری از منظر عملکرد اجتماعی ترکیب شدند. این مطالعه به سه مشارکت زیر منجر شد:
  • داده‌های چند منبعی و پر سر و صدای تحرک شهری (به عنوان مثال، سیگنال GPS ممکن است توسط ساختمان‌های شهری مسدود شود، در نتیجه منجر به ایجاد نویز می‌شود) ابتدا با اعمال تغییرات در تعداد نقاط مبدا/مقصد در طول زمان برای توصیف انواع کاربری‌های زمین، ترکیب شدند. سپس یک بازنمایی چند نمای پنهان [ 32 ] برای ساختن ساختار زیربنایی مشترک، به اشتراک گذاشته شده توسط داده های تحرک شهری چند منبعی به کار گرفته شد.
  • ویژگی‌های ابعادی بالا با استفاده از روش خوشه‌بندی زیرفضا [ 33 ] برای استنباط انواع کاربری‌های زمین بر اساس نمایش چند نمای پنهان، مدیریت شدند.
  • نتایج تجربی نشان داد که در مقایسه با روش با استفاده از یک نوع مجموعه داده تحرک شهری و روش همجوشی وزنی، رویکرد ارائه‌شده در این مطالعه بالاترین نرخ تشخیص کاربری زمین را به‌دست می‌آورد و مرجعی برای برنامه‌ریزی شهری ارائه می‌دهد.
ادامه این مقاله به شرح زیر سازماندهی شده است: بخش 2 منطقه مورد مطالعه و داده های تحرک شهری چند منبع مورد استفاده در این کار را معرفی می کند. بخش 3 روش هایی را برای استنباط کاربری زمین شهری از داده های تحرک شهری چند منبعی شرح می دهد. بخش 4 نتایج تجربی را ارائه و مورد بحث قرار می دهد. بخش 5 این مطالعه را به پایان می‌رساند و مسیرهای کاری آینده را مشخص می‌کند. جدول 1 خلاصه اختصارات استفاده شده در این مقاله را نشان می دهد.

2. منطقه مطالعه و مجموعه داده ها

2.1. استخراج ویژگی‌ها از مجموعه داده‌های تحرک شهری

پکن به عنوان پایتخت چین دارای یک شبکه حمل و نقل سه بعدی است و در توسعه تجارت، مالی، آموزش و فناوری بالا نسبت به بسیاری از شهرهای دیگر این کشور رتبه بالاتری دارد. منطقه در محدوده جاده حلقه پنجم پکن به عنوان منطقه مورد مطالعه انتخاب شد و به 577 منطقه تجزیه و تحلیل ترافیک (TAZs) و هفت منطقه اداری تقسیم شد ( شکل 1 a). نقشه کاربری اراضی دولتی منطقه مورد مطالعه در شکل 1 نشان داده شده استb (به دست آمده از کمیسیون برنامه ریزی و منابع طبیعی شهرداری پکن). اطلاعات کاربری زمین از تصویر Landsat TM/ETM/OLI در سال 2017 استخراج شد. با استفاده از روش استخراج اطلاعات سنجش از دور (تصحیح هندسی تصویر، انتخاب باند و ادغام، تفسیر بصری و بررسی کیفیت داده)، منطقه شهری پکن به 17 نوع کاربری تقسیم شد. 17 نوع کاربری زمین بر اساس استاندارد طبقه بندی زمین فعلی (GB/T 21010-2017) در هفت دسته جمع شدند: تسهیلات تجاری و تجاری (CBF)، زمین مسکونی (RUL)، جاذبه گردشگری و آب (TAW) ، زمین های صنعتی (IUL)، مدیریت و خدمات عمومی (PAS)، راه و تأسیسات حمل و نقل (RTF) و کشاورزی (AGR).

2.2. مجموعه داده ها

داده‌های تحرک شهری چند منبعی: در این مطالعه، مسیرهای GPS تاکسی و داده‌های کارت هوشمند اتوبوس از 9 می 2016 تا 15 مه 2016 برای ثبت رابطه بین تحرک شهری و انواع کاربری زمین شهری استفاده شد. زمان جمع آوری از ساعت 8:00 الی 24:00، همه روزه بود. مسیرهای GPS تاکسی از بیش از 33000 تاکسی (تقریبا 50٪ از تعداد کل تاکسی ها) و داده های کارت هوشمند اتوبوس از 834 خط (81.76٪ از کل خطوط اتوبوس) استخراج شده است. هر مسیر تاکسی شامل چهار ویژگی ضروری بود: شناسه تاکسی، زمان ضبط، و طول و عرض جغرافیایی موقعیت. هر رکورد از داده های کارت هوشمند اتوبوس شامل چهار ویژگی ضروری بود: شناسه اتوبوس، زمان تراکنش، ایستگاه تحویل و ایستگاه تحویل. در مجموع 14157913 جریان OD اتوبوس و 792497 جریان OD تاکسی در روزهای هفته استخراج شد. در مجموع 4157شکل 2 تغییرات در نقاط برداشتن و پایین آمدن را در طول زمان نشان می دهد. ویژگی‌های تحرک شهری در روزهای هفته به وضوح با روزهای آخر هفته متفاوت بود زیرا انعطاف‌پذیری زمانی و مکانی بیشتری برای فعالیت‌های ساکنان در تعطیلات آخر هفته نسبت به روزهای هفته وجود داشت.
داده‌های POI: داده‌های نقاط مورد علاقه از Gaode Map، ارائه‌دهنده خدمات نقشه دیجیتال پیشرو، ناوبری و مکان در چین به‌دست آمد. POI های جمع آوری شده در سال 2017 شامل 23 نوع در جاده کمربندی پنجم پکن با 1,210,197 کل رکورد بود. هر POI بر اساس نام، شناسه، طول جغرافیایی، عرض جغرافیایی و دسته بندی طبقه بندی می شد. داده‌های مسیر GPS تاکسی، داده‌های کارت هوشمند اتوبوس، و داده‌های POI همگی با توجه به مکان‌های مکانی آن‌ها با ۵۷۷ TAZ مطابقت داده شدند.

3. روش

ابتدا ویژگی های مسیرهای GPS تاکسی و داده های کارت هوشمند اتوبوس جمع آوری شد. دوم، نمایش چند نمای پنهان برای ترکیب داده‌های تحرک شهری چند منبعی استفاده شد. در نهایت، روش خوشه‌بندی زیرفضا برای استنباط انواع کاربری اراضی شهری بر اساس نمایش چند نمای پنهان به کار گرفته شد ( شکل 3 ).

3.1. استخراج ویژگی خوشه بندی

ویژگی‌های خوشه‌بندی بر اساس پویایی زمانی مقدار ورود/خروج در هر TAZ ساخته شد. بر اساس تحقیقات موجود، هفت ویژگی [ 9 ، 34 ] بر اساس تعداد نقاط برداشتن و پایین آمدن ساخته شد.
(من)

بردار ویژگی تحویل در روزهای هفته/آخر هفته: برای اندازه گیری تعداد مسافرانی که در طول روزهای هفته یا آخر هفته سوار اتوبوس می شوند، استفاده شد که می تواند به عنوان یک بردار 16 بعدی به عنوان فرمول مشخص شود.

[Ow1،…،Ow16] or [Or1،…،Or16]،

جایی که Owمنو Orمننشان دهنده تعداد وانت در منتیساعتساعت در روزهای هفته و آخر هفته نمادهای زیر همین معنی را دارند.

(II)

بردار ویژگی تنظیم روز هفته/آخر هفته: شبیه به ویژگی I، این نیز یک بردار 16 بعدی است که می توان آن را به صورت مشخص کرد.

[Dw1،…،Dw16] or [Dr1،…،Dr16].

Dwمنو Drمننشان دهنده تعداد تنظیمات در منتیساعتساعت در روزهای هفته و آخر هفته

(III)

بردار ویژگی پیک آپ روزانه: این ویژگی ترکیبی از ویژگی های پیک آپ در روزهای هفته و آخر هفته است که تعداد کل پیک آپ ها را در روزهای هفته و آخر هفته اندازه گیری می کند. شکل این بردار 32 بعدی است

[Ow1،…،Ow16،Or1،…،Or16]
(IV)

بردار ویژگی کاهش روزانه: مشابه ویژگی III، بردار ویژگی تنظیم پایین روزانه نیز یک بردار 32 بعدی است که به صورت مشخص شده است.

[Dw1،…،Dw16،Dr1،…،Dr16].
(V)

بردار ویژگی تفاوت Pick-up/set-down: این ویژگی تفاوت بین شماره برداشت و عدد پایین آمدن را به صورت اندازه گیری می کند.

[Ow1-Dw1،…،Ow16-Dw16،Or1-Dr1،…،Or16-Dr16].
(VI)

بردار ویژگی نسبت برداشتن/تنظیم کردن: مشابه ویژگی V، بردار 32 بعدی نسبت عدد برداشتن و عدد پایین آمدن را به صورت اندازه گیری می کند.

[Ow1/Dw1،…،Ow16/Dw16،Or1/Dr1،…،Or16/Dr16].
(VII)

بردار ترکیبی برداشت و پایین آمدن روزانه: این ویژگی یک بردار 64 بعدی است که جریان کل در طول روز را اندازه گیری می کند.

[Ow1،…،Ow16،Or1،…،Or16،Dw1،…،Dw16،Dr1،…،Dr16].

3.2. نمایش پنهان چند نمای

این مطالعه فرض می‌کرد که داده‌های تحرک شهری چند منبعی از یک نمایش نهفته زیربنایی سرچشمه می‌گیرد. همانطور که در شکل 4 نشان داده شده است ، ن مشاهدات از Vنماها را می توان به صورت نمایش داد

ایکس={[ایکسمن(1);ایکسمن(2);…;ایکسمن(V)]}من=1ن

هدف از بازنمایی چند نمای پنهان به دست آوردن بود اچ=[ساعت1،ساعت2،…،ساعتن]توسط مدل های طرح ریزی پ=[پ(1)،پ(2)،…،پ(V)].در مقایسه با داده‌های تک منبع مغرضانه، این نمایش چند نمای پنهان مشترک، اطلاعات ثابت ضروری را از چندین نما ترکیب می‌کند. تابع هدف را می توان به صورت بیان کرد دقیقهپ،اچLساعت(ایکس،پاچ)، جایی که Lساعتتابع ضرر بازسازی را از نمایش پنهان تا ویژگی های چند نمایه نشان می دهد [ 35 ].

برای ایجاد روابط بین نمایش چند نمای پنهان و ویژگی‌ها از نماهای فردی، از یک شبکه عصبی BP برای ثبت این برهمکنش پیش‌بینی غیرخطی استفاده شد و تابع هدف به صورت [ 32 ] فرموله شد.

دقیقه{θv}v=1V،اچ،ز∑v=1VαvLv(ایکسv،gθv(اچ))

جایی که gθv(اچ)=دبلیو(ک،v)f(دبلیو(ک-1،v)…f(دبلیو(1،v)اچ))مدل شبکه عصبی را نشان می دهد. f(آ)=برنزه(آ)=1-ه2آ1+ه-2آتابع فعال سازی است و دبلیو(ک،v)ماتریس وزن را نشان می دهد کتیساعتلایه به (ک+1)تیساعتلایه در vتیساعتچشم انداز. Lvتلفات بازسازی را از بازنمایی نهفته به ویژگی های مشاهده شده در زیر اندازه گیری می کند vتیساعتچشم انداز.  αvپارامتر مبادله است.

3.3. خوشه بندی زیرفضا

خوشه بندی زیرفضا یک تکنیک موثر برای برخورد با داده های با ابعاد بالا است [ 33 ، 36 ، 37 ]. فرض می‌کند که نقاط داده با ابعاد بالا در چندین زیرفضا با ابعاد پایین قرار دارند [ 38 ]. در این مطالعه، خوشه‌بندی زیرفضا بر اساس ویژگی خود بازنمایی داده‌های با ابعاد بالا انجام شد [ 39 ]، که در آن هر نقطه داده با ابعاد بالا ایکسمنرا می توان به صورت ترکیبی از نکات دیگر بیان کرد ایکسj (من≠j). فرمول به طور کلی می تواند بیان شود

دقیقهزL(ایکس،ایکسز)+λΩ(ز)،

جایی که ز=[z1،z2،…،zn]∈آرn×nماتریس نمایش زیرفضا (ماتریس ضریب بازسازی) است. zمننمایش شباهت نقطه داده اصلی است ایکسمنبر اساس فضای فرعی ایکس=[ایکس1،ایکس2،…،ایکسn]ویژگی های استخراج شده از  nمشاهدات در این مطالعه، بازنمایی چند نمای پنهان اچبه عنوان ویژگی استفاده شد ایکس. بنابراین، تابع هدف خوشه بندی زیرفضا را می توان با ترکیب مشترک فرمول های (9) و (10) به دست آورد:

دقیقه{θv}v=1V،اچ،ز∑v=1VαvLv(ایکسv،gθv(اچ))+L(اچ،اچز)+λΩ(ز)،

زبرای ساخت ماتریس شباهت با اس=آبس(ز)+آبس(زتی)برای خوشه بندی طیفی [ 40 ]. تابع هدف در فرمول (11) را می توان در دو مرحله زیر بهینه کرد [ 32 ]:

(من)
به روز رسانی پارامترهای شبکه عصبی BP با استفاده از الگوریتم گرادیان نزول. شبکه عصبی BP از دو لایه پنهان تشکیل شده است دبلیو(1،v)و دبلیو(2،v). اولین، دبلیو(1،v)و اچبه طور تصادفی مقداردهی اولیه شدند. دوم، تابع ضرر Lw=αv2∥ایکسv-دبلیو(2،v)f(دبلیو(1،v)اچ)∥اف2و عملکرد فعال سازی مv=تیآnساعت(دبلیو(1،v)اچ)تعریف شدند. برای هر نما، به روز شد دبلیو(1،v)=دبلیو(1،v)-η∂Lwدبلیو(1،v)و دبلیو(2،v)=ایکسvمvتی(مvمvتی+γαv)-1، دبلیو(1،v)و دبلیو(2،v)تا زمانی که خطای بازسازی به اندازه کافی کوچک نباشد می توان خروجی داد.
(II)
حل و بهینه سازی. اولین، اچبا استفاده از الگوریتم گرادیان نزول با به روز شد Lاچ=12∥اچ-اچز∥اف2+∑v=1Vαv2∥ایکسv-دبلیو(2،v)f(دبلیو(1،v)اچ)∥اف2. دومین،  زبه طور مکرر با استفاده از روش جهت متناوب الگوریتم ضرب [ 41 ] به روز شد.

4. نتایج و بحث

4.1. روش های مقایسه ای و تنظیم پارامتر

روش خوشه‌بندی زیرفضای چند نمای پنهان با دو خط پایه زیر مقایسه شد:
(من)
روش‌ها با استفاده از یک نوع از داده‌های تحرک شهری [ 9 ]: مسیر GPS تاکسی یا داده‌های کارت هوشمند اتوبوس برای ساخت بردارهای ویژگی استفاده شد. برای خوشه‌بندی TAZها از خوشه‌بندی طیفی استفاده شد کانواع کاربری زمین بر اساس بردارهای ویژگی استخراج شده آنها.
(II)
روش همجوشی وزنی [ 23 ]: دو ماتریس شباهت دبلیوتیآایکسمن،  دبلیوبتوسابتدا برای مسیر تاکسی و داده های کارت هوشمند اتوبوس محاسبه شد. سپس، ماتریس شباهت یکپارچه دبلیوبه عنوان محاسبه شد دبلیو=α1دبلیوتیآایکسمن+α2دبلیوبتوس. α1و α2دو وزن با نسبت تاکسی سواری و اتوبوس سواری تعیین می شود. در آزمایش، α1و α2به ترتیب 96.34% و 4.66% بودند. ماتریس شباهت W به عنوان ورودی برای خوشه بندی طیفی ارائه شد.
تحقیقات موجود نشان داده است که ویژگی VII معرفی شده در بخش 3.1 بهترین ویژگی برای نشان دادن الگوهای برداشت/تنظیم برای طبقه بندی کاربری زمین است [ 9 ]. بنابراین، برای روش پیشنهادی، در ابتدا از ویژگی VII در روش خوشه‌بندی استفاده شد. برای انتخاب شماره خوشه از ضریب silhouette استفاده شد [ 42 ]. شکل 5 نشان می دهد که مقدار ضریب silhouette زمانی که عدد خوشه 8 باشد به حداکثر می رسد. بنابراین، عدد خوشه روی 8 تنظیم شد. همانطور که در نشان داده شده است. جدول 2 نشان داده شده است.شش ویژگی دیگر در روش خوشه‌بندی استفاده شد و ویژگی VII بالاترین دقت کلی (OA) را به دست آورد. در نتیجه، برای هر سه روش ارزیابی شده در این مطالعه، ویژگی VII به عنوان بردار ویژگی انتخاب شد و عدد خوشه بر روی 8 قرار گرفت.

4.2. حاشیه نویسی انواع کاربری اراضی شهری

روش خوشه‌بندی زیرفضای چند نمای پنهان با دو خط پایه زیر مقایسه شد:
شکل 6 خوشه های TAZهای کشف شده با استفاده از روش اتخاذ شده و خطوط پایه معرفی شده در بخش 4.1 را نشان می دهد. خوشه های کشف شده به شرح زیر مشروح شدند:
(من)

FD و CR POI در هر خوشه ( جدول 3 ):

FDij=عدد از را منهفتم دسته بندی از POI که در خوشه jرا حوزه از خوشه j
CRij=عدد از را منهفتم دسته بندی از POI که در خوشه jرا عدد از POI که در خوشه j×100%
(II)
ماتریس‌های انتقالی ورود/خروج: همانطور که در شکل 7 نشان داده شده است ، محورهای افقی نشان‌دهنده زمان در طول روز از ساعت 8:00 تا 24:00 است، و محورهای عمودی نشان‌دهنده خوشه‌هایی هستند که مسافران به آن‌ها می‌رسند یا می‌روند.
همانند روش‌های قبلی، برای خوشه‌های کشف‌شده توسط خوشه‌بندی زیرفضای چند نمای پنهان در این مطالعه، انواع کاربری‌های زمین را می‌توان به صورت زیر مشروح کرد:

4.2.1. جاذبه های گردشگری و مناطق آبی (C1)

C1 به عنوان یک جاذبه توریستی و منطقه آبی حاشیه نویسی شده است زیرا FD و CR جاذبه های گردشگری در C1 بالاترین در بین هشت خوشه است ( جدول 3 ). شکل 8 a شدت سه نوع معرف POI (نام مکان های طبیعی، مکان های توریستی معروف، نقاط دیدنی) واقع در C1 را نشان می دهد. بیشتر مکان های تاریخی مانند میدان تیان آن من، موزه قصر، شهر ممنوعه، کاخ تابستانی و معبد بهشت ​​در این خوشه متمرکز شده اند.
4.2.2. مناطق تجاری توسعه یافته (C2)
C2 یک منطقه تجاری توسعه یافته با پیکربندی POI بالغ از ساختمان ها، شرکت ها، رستوران ها و تئاترها است. شکل 8 ب شدت چهار نوع POI نماینده (ساختمان، شرکت، شرکت معروف و مؤسسه خارجی) واقع در C2 را نشان می دهد. حلقه‌های تجاری محبوب مانند منطقه تجاری مرکزی، ژونگگوانکون، زیدان و حلقه‌های تجاری سانلیتونان در این خوشه قرار دارند.
4.2.3. مناطق مسکونی کمتر توسعه یافته (C3)
شکل 7 a-d نشان می دهد که C3 دارای ویژگی های یک منطقه مسکونی است. به طور خاص، ساکنان معمولاً این منطقه را در اوج صبح (8 صبح تا 9 صبح) ترک می‌کنند و در روزهای اوج عصر (5 بعد از ظهر تا 7 بعد از ظهر) به این منطقه می‌رسند. همین الگوی رفت و آمد را نمی توان در تعطیلات آخر هفته پیدا کرد.
C3 دارای بسیاری از ساختمان‌های باستانی در خیابان‌ها و کوچه‌های قدیمی است که به «هوتانگ» یا «خانه‌های چهارگوش» معروف هستند. جدول 3 نشان می دهد که انواع معرف POI در C3 اطلاعات خانه و صفحه در است (صفحه درب علامت “hutong” است). بنابراین، پیکربندی POI نشان می دهد که C3 یک منطقه مسکونی کمتر توسعه یافته است.
4.2.4. مناطق مسکونی نوظهور (C4)
شکل 7 e-h نشان می دهد که C4 ویژگی های یک منطقه مسکونی را نشان می دهد. پیکربندی POI C4 شبیه به C5 است که شامل خانه‌ها، خدمات زندگی، مراکز خرید، درمان‌های بهداشتی و فروشگاه‌های راحت است. با این حال، FD و CR POI در C4 کمتر از C5 است. بنابراین، C4 به عنوان یک منطقه مسکونی در حال ظهور طبقه بندی می شود.
4.2.5. مناطق مسکونی توسعه یافته (C5)
شکل 7 i-l نشان می دهد که C5 ویژگی های یک منطقه مسکونی مشابه C3 را دارد. جدول 3 نشان می دهد که C5 دارای یک پیکربندی POI بالغ با خانه ها، خدمات زندگی، درمان های مراقبت های بهداشتی، بیمارستان ها، بانک ها، مراکز ورزشی، خدمات پیک و فروشگاه های راحت است. در C5 تعداد کافی POI شرایط لازم را برای ساکنین در تمام جنبه های زندگی فراهم می کند. بنابراین، C5 به عنوان یک منطقه مسکونی توسعه یافته حاشیه نویسی شد.
4.2.6. مناطق مسکونی/تفریحی/تجاری (C6)
C6 به عنوان ترکیبی از مناطق مسکونی، تفریحی و تجاری مشروح شده است زیرا دارای ویژگی های سه نوع کاربری زمین است. جدول 3 نشان می دهد که C6 یک پیکربندی POI متعادل با مراکز خرید، خدمات زندگی، درمان های مراقبت های بهداشتی، جاذبه ها، تفریحات، ساختمان ها، شرکت ها و تئاترها را نشان می دهد. سه نوع قبلی POI نشانه های مناطق مسکونی هستند ( شکل 7m-p همچنین نشان می دهد که C6 ویژگی های یک منطقه مسکونی را نشان می دهد). تعدادی جاذبه و مکان های تفریحی در C6 وجود دارد، مانند برج ناقوس، برج درام، عمارت شاهزاده کونگ و برخی از اقامتگاه های اجدادی سابق. تعداد ساختمان‌ها، شرکت‌ها، هتل‌ها و تئاترها در C6 تنها پس از مناطق تجاری توسعه‌یافته (C2) است.
4.2.7. مدیریت و خدمات عمومی (C8)
C8 دارای کمترین POI در بین همه خوشه ها است. نام مکان اداری تنها نماینده POI در C8 است و عمدتاً توسط فضای سبز پوشیده شده است که نمایانگر پارک لیانگشان، پارک بیوو، پارک جنگلی لاوشان، پارک هایزی، پارک دریاچه وانگ‌کسینگ و پارک معبد ژنهای است.
4.2.8. مناطق خدمات صنعتی/حمل و نقل (C7)
در جدول 3 ، تمام ایستگاه های عوارض و بیشتر صنایع در C7 قرار گرفته اند. ایستگاه‌های عوارضی خدمات حمل‌ونقل نماینده‌ای هستند، مانند ایستگاه راه‌آهن پکن، بزرگراه، و ایستگاه اتوبوس راه دور. برخی از صنایع مانند پایگاه‌های الکترونیکی، کارگاه‌های چاپ، نیروگاه‌ها و تجهیزات تجهیزات، عمدتاً در این خوشه قرار دارند. بنابراین، C7 را می توان به عنوان ترکیبی از مناطق صنعتی و حمل و نقل حاشیه نویسی کرد.

4.3. مقایسه و تحلیل کمی

جدول 4 OA انواع کاربری های شناسایی شده را با روش های مختلف نشان می دهد. روش خوشه‌بندی چند نمای پنهان مورد استفاده در این مطالعه به بالاترین دقت طبقه‌بندی 57.7% دست می‌یابد.
برای نشان دادن مزیت روش خوشه‌بندی زیرفضای چند نمایه، نتایج طبقه‌بندی به‌دست‌آمده با روش‌های مختلف بیشتر مورد تجزیه و تحلیل قرار گرفت. بر اساس نتایج طبقه‌بندی به‌دست‌آمده تنها با استفاده از داده‌های تاکسی ( شکل 6 a)، منطقه تجاری اطراف منطقه A بسیار بیش از حد برآورد شد. با این حال، مناطق تجاری مانند Xidan (منطقه B) و Wangjing (منطقه C) قابل شناسایی نیستند. از نتایج طبقه بندی به دست آمده تنها با استفاده از داده های کارت هوشمند اتوبوس ( شکل 6ب)، اشاره شد که برخی از مناطق تجاری (به عنوان مثال، Wangjing در منطقه C) و مناطق تجاری/سرگرمی (به عنوان مثال، Sanlitun در منطقه A) قابل کشف نیستند. علاوه بر این، جاذبه های توریستی و مناطق آبی در مجاورت منطقه B (معبد بهشت) بسیار بیش از حد برآورد شد. با این حال، معبد بهشت ​​به اشتباه به عنوان یک منطقه مسکونی/سرگرمی/تجاری شناسایی شد. نتایج طبقه بندی در شکل 6 نشان داده شده استb,c مشابه هستند، زیرا نسبت سواری اتوبوس (96.34٪) بسیار بیشتر از تاکسی (4.66٪) است. از نتیجه طبقه‌بندی به‌دست‌آمده از روش وزن‌دهی، برخی از مناطق تجاری (منطقه C) و مناطق تجاری/تفریحی (منطقه A) غیرقابل شناسایی بودند و برخی از مناطق مسکونی (به عنوان مثال، منطقه B) به اشتباه به عنوان جاذبه‌های گردشگری و مناطق آبی طبقه‌بندی شدند. از نتایج طبقه‌بندی به‌دست‌آمده با روش خوشه‌بندی چند نمای ( شکل 6 د)، مناطق طبقه‌بندی‌شده اشتباه در شکل 6 a-c به درستی شناسایی شدند.

4.4. بحث

اگرچه روش چند نمای می‌تواند به دقت طبقه‌بندی کاربری اراضی بالاتری نسبت به روشی که از یک نوع داده تحرک شهری و روش همجوشی وزنی استفاده می‌کند، به دست آورد، نرخ تشخیص نسبتاً پایین است (OA = 57.7٪). علل احتمالی نرخ تشخیص پایین روش خوشه‌بندی چند نمایه مورد تجزیه و تحلیل قرار گرفت و سه عامل اصلی تعیین شد که احتمالاً بر میزان خطای طبقه‌بندی تأثیر می‌گذارند.

4.4.1. عدم تطابق بین ویژگی های کالبدی و کارکرد اجتماعی زمین شهری

عدم تطابق بین ویژگی های فیزیکی و عملکرد اجتماعی زمین شهری ممکن است عامل اصلی کمک به عدم دقت طبقه بندی باشد. نقشه‌های کاربری فعلی عمدتاً با استفاده از تصاویر سنجش از دور به دست آمده‌اند و ارتباط نزدیکی با ویژگی‌های فیزیکی ویژگی‌های زمین مشاهده‌شده (مانند طیف، شکل و بافت) دارند. در واقع، این نقشه‌های کاربری زمین نمی‌توانند ویژگی‌های اجتماعی-اقتصادی را که برای برنامه‌ریزی شهری مفید هستند منعکس کنند [ 43 ]]. به عنوان مثال، از منظر تصاویر سنجش از دور، C6 یک منطقه مسکونی است زیرا بیشتر ساختمان ها خانه هستند. با این حال، از منظر عملکرد اجتماعی، C6 ترکیبی از مناطق مسکونی، تفریحی و تجاری است زیرا شامل برخی از مراکز خرید معروف، جاذبه‌های گردشگری و بارها می‌شود. در نتیجه، الگوهای تحرک شهری در C6 با الگوهای مناطق مسکونی خالص (مانند C3، C4 و C5) متفاوت است. مثال دیگر خیابان وانگجینگ است. از منظر تصاویر سنجش از دور، پوشش های اصلی زمین در خیابان وانگجینگ جاده و زمین سبز هستند. اگرچه تعداد امکانات تجاری در خیابان وانگ‌جینگ غالب نیست، اما این امکانات تجاری جاذبه‌های اصلی هستند و خیابان وانگ‌جینگ یک منطقه تجاری نوظهور است. با استفاده از داده های تحرک شهری،
4.4.2. تأثیر ساخت ویژگی
ایجاد ویژگی هایی که رابطه بین ریتم های زمانی فعالیت های انسانی و انواع کاربری اراضی شهری را مدل می کند، ضروری است. ویژگی های استخراج شده از مجموعه داده های تحرک شهری به طور قابل توجهی بر دقت طبقه بندی تأثیر می گذارد. در این مطالعه، این ویژگی ها بر اساس تجربه ساخته شده است. اگرچه پویایی بالا و پایین رفتن در روزهای هفته و آخر هفته نقش مهمی در مدل‌سازی رابطه بین ریتم‌های زمانی فعالیت‌های انسانی و انواع کاربری اراضی شهری بازی می‌کند، برخی از روابط پیچیده ممکن است به تصویر کشیده نشوند. در آینده، ساخت ویژگی های داده های تحرک شهری باید بیشتر مورد توجه قرار گیرد.
4.4.3. تأثیر مدل بازنمایی چند نمای پنهان
نمایش پنهان چند نمایه یک ساختار زیربنایی مشترک برای حفظ اطلاعات ثابت به اشتراک گذاشته شده توسط چندین نما ایجاد کرد. با این حال، ممکن است برخی اطلاعات خاص و تبعیض آمیز در هر دیدگاه وجود داشته باشد. در نتیجه، توزیع داده های اساسی در نماهای مختلف ممکن است به طور جامع بازسازی نشود. به همین ترتیب، دقت طبقه بندی تحت تأثیر قرار می گیرد. در آینده، برای بهبود عملکرد روش خوشه‌بندی چند نمایه، باید اطلاعات ثابت و خاص بین چند نما در نظر گرفته شود.
کاربری زمین شهری استنباط شده از منظر کارکردهای اجتماعی ممکن است کالیبراسیون و مرجعی برای برنامه ریزی شهری ارائه دهد.
(من)
با استفاده از روش خوشه‌بندی چند نمای پنهان، انواع کاربری‌های زمین پیچیده‌تر را می‌توان شناسایی کرد. به عنوان مثال، مناطق مسکونی را می توان بیشتر به مناطق مسکونی توسعه یافته، مناطق مسکونی کمتر توسعه یافته و مناطق مسکونی نوظهور تقسیم کرد. این تقسیم بندی پیچیده به برنامه ریزان شهری کمک می کند تا سیاست های هدفمندتر و مؤثرتری برای برنامه ریزی شهری تدوین کنند.
(II)
برخی کالیبراسیون ها ممکن است برای برنامه ریزی کاربری اراضی شهری ارائه شود. در نقشه کاربری اراضی دولتی، مناطق A، B، C و D به ترتیب به عنوان مناطق خدمات حمل و نقل، صنعتی، اداری و خدماتی دولتی و مناطق مسکونی برچسب گذاری شدند. مناطق A، B و C همگی به مناطق تجاری تبدیل شدند. همانطور که در شکل 9 نشان داده شده است، نقطه عطف منطقه A خیابان وانگجینگ است که یکی از مناطق تجاری نوظهور در پکن است. منطقه B عمدتاً شامل مرکز تجارت بین المللی Hengtong و برخی از شرکت های فناوری است. منطقه C یک منطقه تجمع سفارت است که شامل سفارت ایالات متحده، سفارت کره، سفارت ژاپن و سفارت اسرائیل است. منطقه D ترکیبی از مناطق مسکونی، تفریحی و تجاری است. خوشه‌های کشف‌شده با استفاده از روش خوشه‌بندی چند نمای پنهان، برای شناسایی انواع کاربری‌های زمین از منظر فعالیت‌های انسانی مفید هستند و می‌توانند برنامه‌ریزی شهری را انسان محورتر کنند.

5. نتیجه گیری ها

استنباط کاربری زمین شهری با ادغام داده‌های چند منبعی پر سر و صدا و پربعد حرکت شهری (به عنوان مثال، تراکنش‌های کارت هوشمند و مسیرهای GPS تاکسی) یک موضوع چالش برانگیز در جغرافیای حمل‌ونقل است. اطلاعات کاربری زمین استنتاج شده از مجموعه داده تحرک شهری تک منبعی معمولاً جانبدارانه است. در این مطالعه، یک استراتژی یادگیری چند نما برای ترکیب داده های تحرک شهری چند منبعی برای به دست آوردن یک دید جامع از کاربری زمین شهری استفاده شد. ویژگی‌های استخراج‌شده از مجموعه داده‌های تحرک شهری چند منبعی با استفاده از یک نمایش چند نمای پنهان ترکیب شدند. بنابراین، از وزن‌های مشخص شده توسط کاربر برای انواع مختلف داده‌های تحرک شهری اجتناب شد و اثر نویز به خوبی مدیریت شد. یک روش خوشه‌بندی زیرفضا برای استنتاج انواع کاربری زمین با استفاده از نمایش چند نمای پنهان استفاده شد. که می تواند به طور موثر “نفرین ابعاد” را پردازش کند. آزمایش‌ها روی داده‌های مسیر تاکسی و داده‌های کارت هوشمند اتوبوس در پکن نشان می‌دهد که روش خوشه‌بندی چند نمای پنهان از روش با استفاده از یک نوع مجموعه داده تحرک شهری و روش همجوشی وزنی بهتر است. تجزیه و تحلیل نشان می‌دهد که روش خوشه‌بندی زیرفضای چند نمای پنهان می‌تواند عملکرد اجتماعی کاربری زمین را آشکار کند، و انواع پیچیده‌تر کاربری زمین را می‌توان با ترکیب داده‌های تحرک شهری چند منبع شناسایی کرد، و تأثیر فعالیت‌های انسانی بر کاربری زمین شهری را بهتر آشکار کرد. کاربری اراضی شهری استنباط شده می تواند به دولت ها در تدوین سیاست ها و مقررات موثر برای برنامه ریزی شهری و ارائه کالیبراسیون و مرجع برای برنامه ریزی شهری کمک کند. آزمایش‌ها روی داده‌های مسیر تاکسی و داده‌های کارت هوشمند اتوبوس در پکن نشان می‌دهد که روش خوشه‌بندی چند نمای پنهان از روش با استفاده از یک نوع مجموعه داده تحرک شهری و روش همجوشی وزنی بهتر است. تجزیه و تحلیل نشان می‌دهد که روش خوشه‌بندی زیرفضای چند نمای پنهان می‌تواند عملکرد اجتماعی کاربری زمین را آشکار کند، و انواع پیچیده‌تر کاربری زمین را می‌توان با ترکیب داده‌های تحرک شهری چند منبع شناسایی کرد، و تأثیر فعالیت‌های انسانی بر کاربری زمین شهری را بهتر آشکار کرد. کاربری اراضی شهری استنباط شده می تواند به دولت ها در تدوین سیاست ها و مقررات موثر برای برنامه ریزی شهری و ارائه کالیبراسیون و مرجع برای برنامه ریزی شهری کمک کند. آزمایش‌ها روی داده‌های مسیر تاکسی و داده‌های کارت هوشمند اتوبوس در پکن نشان می‌دهد که روش خوشه‌بندی چند نمای پنهان از روش با استفاده از یک نوع مجموعه داده تحرک شهری و روش همجوشی وزنی بهتر است. تجزیه و تحلیل نشان می‌دهد که روش خوشه‌بندی زیرفضای چند نمای پنهان می‌تواند عملکرد اجتماعی کاربری زمین را آشکار کند، و انواع پیچیده‌تر کاربری زمین را می‌توان با ترکیب داده‌های تحرک شهری چند منبع شناسایی کرد، و تأثیر فعالیت‌های انسانی بر کاربری زمین شهری را بهتر آشکار کرد. کاربری اراضی شهری استنباط شده می تواند به دولت ها در تدوین سیاست ها و مقررات موثر برای برنامه ریزی شهری و ارائه کالیبراسیون و مرجع برای برنامه ریزی شهری کمک کند. و انواع پیچیده‌تر کاربری زمین را می‌توان با ادغام داده‌های تحرک شهری چند منبعی شناسایی کرد، که تأثیر فعالیت‌های انسانی بر کاربری زمین شهری را بهتر آشکار می‌کند. کاربری اراضی شهری استنباط شده می تواند به دولت ها در تدوین سیاست ها و مقررات موثر برای برنامه ریزی شهری و ارائه کالیبراسیون و مرجع برای برنامه ریزی شهری کمک کند. و انواع پیچیده‌تر کاربری زمین را می‌توان با ادغام داده‌های تحرک شهری چند منبعی شناسایی کرد، که تأثیر فعالیت‌های انسانی بر کاربری زمین شهری را بهتر آشکار می‌کند. کاربری اراضی شهری استنباط شده می تواند به دولت ها در تدوین سیاست ها و مقررات موثر برای برنامه ریزی شهری و ارائه کالیبراسیون و مرجع برای برنامه ریزی شهری کمک کند.
اگرچه روش خوشه‌بندی زیرفضای چند نمای پنهان برای تشخیص انواع کاربری اراضی شهری از منظر عملکرد اجتماعی ارزشمند است، دو موضوع باید بیشتر مورد توجه قرار گیرد. اول، اشتباهات طبقه بندی ممکن است تا حدی به دلیل خطاهای روش باشد. در آینده، بازنمایی‌های خاص بین چند نما باید برای تضمین اطلاعات متنوع داده‌های چند نمایه مورد سوء استفاده قرار گیرد. دوم، اطلاعات کاربری زمین استخراج شده از داده های تحرک شهری ممکن است ناکافی باشد. در این مطالعه عمدتاً هدف ما شناسایی کارکرد اجتماعی کاربری زمین است که با روش‌های موجود به خوبی قابل تشخیص نیست. در واقع، ویژگی‌های استخراج‌شده از تصاویر سنجش از دور می‌توانند به اندازه کافی ویژگی‌های فیزیکی اجزای زمین را منعکس کنند، که نقش مهمی در تکمیل اطلاعات اضافی برای داده‌های تحرک شهری دارند. در آینده، ما به تحقیقات خود برای ترکیب داده های تحرک شهری و تصاویر سنجش از دور برای استنباط کاربری زمین شهری ادامه خواهیم داد. چالش اصلی شناسایی اطلاعات تکمیلی بین این دو منبع داده است.

منابع

  1. الیس، ای. تغییر کاربری و پوشش زمین. در دسترس آنلاین: https://editors.eol.org/eoearth/wiki/Land-use_and_land-cover_change (در 8 مارس 2021 قابل دسترسی است).
  2. ویلیامسون، آی. Enemark، S. والاس، جی. رجبی فرد، الف. آمایش سرزمین برای توسعه پایدار ; Emerald Group Publishing Limited: Emerald, UK, 2010; پ. 324. [ Google Scholar ]
  3. لی، اس. دراگیسویچ، اس. کاسترو، FA; سستر، ام. زمستان، م. Coltekon، A. تئوری و روش های مدیریت داده های بزرگ جغرافیایی: بررسی و چالش های تحقیق. ISPRS J. Photogramm. Remote Sens. 2016 ، 115 ، 119-133. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. هوانگ، ایکس. Zhang، L. یک رویکرد گروهی SVM که ویژگی‌های طیفی، ساختاری و معنایی را برای طبقه‌بندی تصاویر سنجش از دور با وضوح بالا ترکیب می‌کند. IEEE Trans. Geosci. Remote Sens. 2013 ، 51 ، 257-272. [ Google Scholar ] [ CrossRef ]
  5. بلاشکه، تی. هی، GJ; کلی، م. لانگ، اس. هافمن، پی. Addink، E. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی – به سمت یک پارادایم جدید. ISPRS J. Photogramm. Remote Sens. 2014 ، 87 ، 180-191. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. ژو، دبلیو. مینگ، دی. Lv، X.; ژو، ک. Bao، H. SO-CNN بر اساس تقسیم بندی دقیق منطقه عملکردی شهری با تصویر سنجش از دور VHR. سنسور از راه دور محیط. 2019 ، 236 ، 111458. [ Google Scholar ] [ CrossRef ]
  7. 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. 2015 ، 105 ، 512-530. [ Google Scholar ] [ CrossRef ]
  8. 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 ]
  9. پان، جی. چی، جی. وو، زی. ژانگ، دی. Li, S. طبقه بندی کاربری زمین با استفاده از ردیابی GPS تاکسی. IEEE Trans. هوشمند ترانسپ سیستم 2013 ، 14 ، 113-123. [ Google Scholar ] [ CrossRef ]
  10. لانگ، ی. Shen, Z. کشف مناطق عملکردی با استفاده از داده های کارت هوشمند اتوبوس و نقاط مورد علاقه در پکن. در تجزیه و تحلیل جغرافیایی برای حمایت از برنامه ریزی شهری در پکن ; Long, Y., Shen, Z., Eds.; Springer: برلین، آلمان، 2015; جلد 116، صص 193–217. [ Google Scholar ]
  11. آهنگ، سی. Qu، Z. بلوم، ن. برعباسی، ع. محدودیت‌های پیش‌بینی‌پذیری در تحرک شهری. Science 2010 ، 327 ، 1018-1021. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. سوتسوک، ا. راتی، سی. آیا تحرک شهری یک روال روزانه دارد؟ یادگیری از داده های کل شبکه های تلفن همراه. J. فناوری شهری. 2010 ، 17 ، 41-60. [ Google Scholar ] [ CrossRef ]
  13. پی، تی. سوبولفسکی، اس. راتی، سی. 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 2014 ، 28 ، 1988-2007. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. آحاس، ر. مارک، Ü. خدمات مبتنی بر مکان – چالش های جدید برای برنامه ریزی و مدیریت دولتی؟ آتی 2015 ، 37 ، 547-561. [ Google Scholar ] [ CrossRef ]
  15. چی، جی. لی، ایکس. لی، اس. پان، جی. وانگ، ز. ژانگ، دی. اندازه گیری کارکردهای اجتماعی مناطق شهر از رفتارهای تاکسی در مقیاس بزرگ. در مجموعه مقالات کنفرانس بین المللی IEEE 2011 در کارگاه های آموزشی فراگیر محاسبات و ارتباطات، سیاتل، WA، ایالات متحده آمریکا، 21-25 مارس 2011. صص 384-388. [ Google Scholar ]
  16. لیو، ی. وانگ، اف. شیائو، ی. گائو، جنوب. استفاده از زمین شهری و ترافیک “مناطق منبع غرق”: شواهد از داده های تاکسی مجهز به GPS در شانگهای. Landsc. طرح شهری. 2012 ، 106 ، 73-87. [ Google Scholar ] [ CrossRef ]
  17. سوتو، وی. Frias-Martinez, E. شناسایی خودکار کاربری زمین با استفاده از سوابق تلفن همراه. در مجموعه مقالات سومین کارگاه بین المللی ACM در MobiArch، Bethesda، MD، ایالات متحده، 28 ژوئن 2011; صص 17-22. [ Google Scholar ]
  18. تول، جی. اولم، ام. بائر، دی. گونزالس، ام. استنباط کاربری زمین از فعالیت تلفن همراه. در مجموعه مقالات کارگاه بین المللی ACM SIGKDD در محاسبات شهری، پکن، چین، 12 اوت 2012. صص 1-8. [ Google Scholar ]
  19. فن، ک. ژانگ، دی. وانگ، ی. ژائو، اس. کشف مناطق عملکردی اجتماعی شهری با استفاده از مسیرهای تاکسی. در مجموعه مقالات دوازدهمین کنفرانس بین المللی IEEE 2015 در مورد هوش و محاسبات همه جا حاضر، پکن، چین، 10 تا 14 اوت 2015؛ صص 356-359. [ Google Scholar ]
  20. Mazimpaka، JD; Timpf، S. بررسی پتانسیل ترکیب GPS تاکسی و داده های فلیکر برای کشف مناطق عملکردی. در مجموعه مقالات هجدهمین کنفرانس آزمایشگاه های اطلاعات جغرافیایی-جغرافیایی-جغرافیایی-برای-اروپا در زمینه علوم اطلاعات جغرافیایی، لیسبون، پرتغال، 9 تا 12 ژوئن 2015. صص 3-18. [ Google Scholar ]
  21. Mou، X. کای، اف. ژانگ، ایکس. چن، جی. Zhu، RR شناسایی عملکرد شهری بر اساس داده های POI و مسیر تاکسی. در مجموعه مقالات سومین کنفرانس بین المللی 2019 در تحقیقات کلان داده، پاریس، فرانسه، 20 نوامبر 2019؛ صص 152-156. [ Google Scholar ]
  22. لیو، ایکس. تیان، ی. ژانگ، ایکس. Wan, Z. شناسایی مناطق عملکردی شهری در چنگدو بر اساس داده‌های سری زمانی مسیر تاکسی. بین المللی J. Geo-Inf. 2020 ، 9 ، 158. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. یو، م. کانگ، سی. آندریس، ا. Qin، K. لیو، ی. منگ، کیو. درک تعامل بین پویایی اتوبوس، مترو و تاکسی سواری در شنژن، چین. ترانس. GIS 2018 ، 22 ، 855-871. [ Google Scholar ] [ CrossRef ]
  24. ژای، دبلیو. بای، ایکس. شی، ی. هان، ی. پنگ، ز. Gu, C. Beyond word2vec: رویکردی برای استخراج و شناسایی منطقه عملکردی شهری با ترکیب place2vec و POI. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 74 ، 1-12. [ Google Scholar ] [ CrossRef ]
  25. یوان، جی. ژنگ، ی. Xie, X. کشف مناطق با عملکردهای مختلف در یک شهر با استفاده از تحرک شهری و POI. در مجموعه مقالات هجدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، پکن، چین، 12 تا 16 اوت 2012. ص 186-194. [ Google Scholar ]
  26. یوان، ن. 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 2015 ، 27 ، 712-725. [ Google Scholar ] [ CrossRef ]
  27. ژانگ، ایکس. خو، ی. تو، دبلیو. Ratti, C. آیا مجموعه داده های مختلف داستان یکسانی را در مورد تحرک شهری بیان می کنند – مطالعه مقایسه ای استفاده از حمل و نقل عمومی و تاکسی. J. Transp. Geogr. 2018 ، 70 ، 78-90. [ Google Scholar ] [ CrossRef ]
  28. تو، دبلیو. کائو، آر. یو، ی. ژو، بی. لی، کیو. تغییرات فضایی در رفت و آمدهای عمومی شهری به دست آمده از مسیرهای GPS و داده های کارت هوشمند. J. Transp. Geogr. 2018 ، 69 ، 45-57. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. تو، دبلیو. زو، تی. شیا، جی. ژو، ی. لای، ی. جیانگ، جی. لی، کیو. به تصویر کشیدن پویایی فضایی سرزندگی شهری با استفاده از داده های بزرگ شهری چند منبعی. محاسبه کنید. محیط زیست سیستم شهری 2020 , 80 , 101428. [ Google Scholar ] [ CrossRef ]
  30. میلر، اچ. Goodchild، M. جغرافیای داده محور. GeoJournal 2015 ، 80 ، 449-461. [ Google Scholar ] [ CrossRef ]
  31. لیو، جی. لی، جی. لی، دبلیو. Wu, J. بازاندیشی کلان داده: مروری بر کیفیت داده ها و مسائل استفاده. ISPRS J. Photogramm. Remote Sens. 2016 ، 115 ، 134-142. [ Google Scholar ] [ CrossRef ]
  32. ژانگ، سی. فو، اچ. هو، کیو. کائو، ایکس. زی، ی. تائو، دی. Xu, D. خوشه‌بندی زیرفضای چند نمای پنهان تعمیم یافته. IEEE Trans. الگوی مقعدی ماخ هوشمند 2020 ، 42 ، 86-99. [ Google Scholar ] [ CrossRef ]
  33. پارسونز، L. خوشه بندی زیرفضا برای داده های با ابعاد بالا: یک بررسی. در خبرنامه اکتشافات ACM SIGKDD ; فیاض، U.، ویرایش. انجمن ماشین‌های محاسباتی: نیویورک، نیویورک، ایالات متحده آمریکا، 2004. جلد 6، ص 90–105. [ Google Scholar ]
  34. چنگ، جی. لیو، جی. گائو، ی. تجزیه و تحلیل ویژگی‌های مکانی-زمانی حجم سفر OD پکن بر اساس روش خوشه‌بندی سری‌های زمانی. بین المللی J. Geo-Inf. 2016 ، 18 ، 1227-1239. [ Google Scholar ]
  35. ژانگ، سی. هو، کیو. فو، اچ. زو، پی. کائو، X. خوشه‌بندی زیرفضای چند نمای پنهان. در مجموعه مقالات کنفرانس IEEE در مورد دید رایانه و تشخیص الگو، هونولولو، هاوایی، 22 تا 25 ژوئیه 2017؛ صص 79-4287. [ Google Scholar ]
  36. لیو، جی. لین، ز. یان، اس. سان، ج. یو، ی. Ma، Y. بازیابی قوی ساختارهای زیرفضایی با نمایش رتبه پایین. IEEE Trans. الگوی مقعدی ماخ هوشمند 2010 ، 35 ، 171-184. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. Guo, Y. آموزش بازنمایی زیرفضای محدب از داده‌های چند نمای. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، Bellevue، WA، ایالات متحده، 14-18 ژوئیه 2013; صص 387-393. [ Google Scholar ]
  38. گائو، اچ. نی، اف. لی، XL; Huang, H. خوشه بندی زیرفضای چند نمای. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2015 در بینایی کامپیوتر، سانتیاگو، شیلی، 7 تا 13 دسامبر 2015؛ صص 4238-4246. [ Google Scholar ]
  39. الهامی فر، ا. ویدال، آر. خوشه بندی زیرفضای پراکنده: الگوریتم، نظریه و کاربردها. IEEE Trans. الگوی مقعدی ماخ هوشمند 2012 ، 35 ، 2765-2781. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. نگ، ا. جردن، م. Weiss, Y. در مورد خوشه بندی طیفی: تجزیه و تحلیل و یک الگوریتم. در پیشرفت در سیستم های پردازش اطلاعات عصبی ; تننباوم، جی.، گریفیث، تی.، ویرایش. Morgan Kaufmann Publishers: San Francisco, CA, USA, 2001; جلد 14، صص 849–856. [ Google Scholar ]
  41. هان، دی. یوان، X. نکته ای در مورد روش جهت متناوب ضرایب. J. Optim. تئوری کاربردی 2012 ، 155 ، 227-238. [ Google Scholar ] [ CrossRef ]
  42. Rousseeuw, P. Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis. جی. کامپیوتر. Appl. ریاضی. 1987 ، 20 ، 53-65. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. لیو، ایکس. او، جی. یائو، ی. ژانگ، جی. لیانگ، اچ. وانگ، اچ. Hong, Y. طبقه بندی کاربری زمین شهری با ادغام داده های سنجش از دور و رسانه های اجتماعی. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 1675-1696. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00274 g001 550
شکل 1. منطقه مطالعه. ( الف ) تقسیم منطقه مطالعه؛ ( ب ) نقشه کاربری اراضی پکن (2017).
Ijgi 10 00274 g002 550
شکل 2. تعداد نقاط برداشت/تنظیم در طول زمان. ( الف ) تعداد نقاط تحویل اتوبوس؛ ( ب ) تعداد نقاط دریافت تاکسی؛ ( ج ) تعداد نقاط تنظیم اتوبوس. ( د ) تعداد نقاط توقف تاکسی.
Ijgi 10 00274 g003 550
شکل 3. تصویر نمایش چند نمای پنهان برای خوشه بندی زیرفضا.
Ijgi 10 00274 g004 550
شکل 4. تصویر نمایش نهفته چند نمای.
Ijgi 10 00274 g005 550
شکل 5. مقادیر ضرایب سیلوئت با اعداد خوشه های مختلف.
Ijgi 10 00274 g006 550
شکل 6. خوشه بندی نتایج با استفاده از روش های مختلف. ( الف ) روش استفاده از مسیر GPS تاکسی. ( ب ) روش با استفاده از داده های کارت هوشمند اتوبوس؛ ( ج ) روش همجوشی وزنی. ( د ) روش خوشه‌بندی زیرفضای چند نمای پنهان. (توجه: منطقه A در ( a – c ) Sanlitun است. منطقه A در ( d ) منطقه تجاری مرکزی پکن است. منطقه B در ( a , b ) معبد بهشت ​​است. منطقه B در ( c ) یک منطقه مسکونی است. منطقه B در ( d ) Xidan است. منطقه C در ( a – d ) وانگجینگ است. منطقه D, E, F در ( d)) به ترتیب سفارت، معبد بهشت، مناطق مسکونی هستند.)
Ijgi 10 00274 g007 550
شکل 7. ماتریس های انتقال خوشه های کشف شده با روش خوشه بندی زیرفضای چند نمای پنهان. ( الف ) ورود، C3، روز هفته؛ ( ب ) خروج، C3، روز هفته. ( ج ) ورود، C3، آخر هفته؛ ( د ) خروج، C3، آخر هفته؛ ( ه ) ورود، C4، روز هفته. ( f ) خروج، C4، روز هفته. ( g ) ورود، C4، آخر هفته؛ ( h ) خروج، C4، آخر هفته؛ ( i ) ورود، C5، روز هفته؛ ( j ) خروج، C5، روز هفته؛ ( k ) ورود، C5، آخر هفته؛ ( ل ) خروج، C5، آخر هفته؛ ( m ) ورود، C6، روز هفته؛ ( n) خروج، C6، روز هفته؛ ( o ) ورود، C6، آخر هفته؛ ( ص ) خروج، C6، آخر هفته.
Ijgi 10 00274 g008 550
شکل 8. شدت انواع معرف POI. ( الف ) C1; ( ب ) C2.
Ijgi 10 00274 g009 550
شکل 9. تصاویر Google Earth. (توجه: منطقه A خیابان وانگجینگ است. منطقه B عمدتاً شامل برخی ساختمان‌های تجاری است. منطقه C عمدتاً شامل برخی سفارتخانه‌ها است. منطقه D ترکیبی از مناطق مسکونی، تفریحی و تجاری است.)

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید