در پیشینه برنامه ریزی سهام، بهبود کیفیت فضای عمومی شهری به یکی از کارهای مهم برنامه ریزی، طراحی و مدیریت ساخت و ساز شهری تبدیل شده است. تشخیص دقیق کیفیت فضایی خیابان‌ها و اجرای مؤثر برنامه‌ریزی نوسازی خیابان‌ها نقش مهمی در توسعه باکیفیت محیط‌های فضایی شهری دارد. با این حال، روش‌های سنتی طراحی و مطالعه برنامه‌ریزی، معمولاً مبتنی بر پرسشنامه، مصاحبه و تحقیقات در محل، ناکارآمد بوده و درک عینی و جامع ویژگی‌های ساخت و ساز کلی و مشکلات فضای خیابان شهری در یک منطقه بزرگ را دشوار می‌سازد. پاسخگویی به نیازهای برنامه ریزی عملی چالش برانگیز است. بنابراین، بر اساس تصاویر نمای خیابان، این مطالعه یادگیری ماشین را با یک ممیزی مصنوعی ترکیب کرد تا یک چارچوب روش شناختی برای تشخیص مسائل کیفی فضای خیابان ارائه دهد. منطقه گونگشو در هانگژو، چین، به عنوان مطالعه موردی انتخاب شد و تشخیص مشکلات کیفی برای خیابان‌ها در درجه‌های مختلف به دست آمد. نتایج تشخیص وضعیت فعلی و مشکلات منطقه انتخابی را نشان داد. به طور همزمان، مجموعه ای از استراتژی های هدفمند برای برنامه ریزی به روز رسانی فضایی خیابان ها برای حل این مشکلات پیشنهاد شد. این روش تشخیصی مبتنی بر ترکیبی از رویکردهای ذهنی و عینی می‌تواند به شناسایی دقیق و جامع مشکلات فضای عمومی شهری کمک کند که انتظار می‌رود به ابزاری مؤثر برای کمک به نوسازی شهری و سایر تصمیم‌های برنامه‌ریزی تبدیل شود. منطقه گونگشو در هانگژو، چین، به عنوان مطالعه موردی انتخاب شد و تشخیص مشکلات کیفی برای خیابان‌ها در درجه‌های مختلف به دست آمد. نتایج تشخیص وضعیت فعلی و مشکلات منطقه انتخابی را نشان داد. به طور همزمان، مجموعه ای از استراتژی های هدفمند برای برنامه ریزی به روز رسانی فضایی خیابان ها برای حل این مشکلات پیشنهاد شد. این روش تشخیصی مبتنی بر ترکیبی از رویکردهای ذهنی و عینی می‌تواند به شناسایی دقیق و جامع مشکلات فضای عمومی شهری کمک کند که انتظار می‌رود به ابزاری مؤثر برای کمک به نوسازی شهری و سایر تصمیم‌های برنامه‌ریزی تبدیل شود. منطقه گونگشو در هانگژو، چین، به عنوان مطالعه موردی انتخاب شد و تشخیص مشکلات کیفی برای خیابان‌ها در درجه‌های مختلف به دست آمد. نتایج تشخیص وضعیت فعلی و مشکلات منطقه انتخابی را نشان داد. به طور همزمان، مجموعه ای از استراتژی های هدفمند برای برنامه ریزی به روز رسانی فضایی خیابان ها برای حل این مشکلات پیشنهاد شد. این روش تشخیصی مبتنی بر ترکیبی از رویکردهای ذهنی و عینی می‌تواند به شناسایی دقیق و جامع مشکلات فضای عمومی شهری کمک کند که انتظار می‌رود به ابزاری مؤثر برای کمک به نوسازی شهری و سایر تصمیم‌های برنامه‌ریزی تبدیل شود. نتایج تشخیص وضعیت فعلی و مشکلات منطقه انتخابی را نشان داد. به طور همزمان، مجموعه ای از استراتژی های هدفمند برای برنامه ریزی به روز رسانی فضایی خیابان ها برای حل این مشکلات پیشنهاد شد. این روش تشخیصی مبتنی بر ترکیبی از رویکردهای ذهنی و عینی می‌تواند به شناسایی دقیق و جامع مشکلات فضای عمومی شهری کمک کند که انتظار می‌رود به ابزاری مؤثر برای کمک به نوسازی شهری و سایر تصمیم‌های برنامه‌ریزی تبدیل شود. نتایج تشخیص وضعیت فعلی و مشکلات منطقه انتخابی را نشان داد. به طور همزمان، مجموعه ای از استراتژی های هدفمند برای برنامه ریزی به روز رسانی فضایی خیابان ها برای حل این مشکلات پیشنهاد شد. این روش تشخیصی مبتنی بر ترکیبی از رویکردهای ذهنی و عینی می‌تواند به شناسایی دقیق و جامع مشکلات فضای عمومی شهری کمک کند که انتظار می‌رود به ابزاری مؤثر برای کمک به نوسازی شهری و سایر تصمیم‌های برنامه‌ریزی تبدیل شود.
کلید واژه ها:
تصاویر نمای خیابان ; کیفیت فضایی خیابان ; یادگیری ماشینی ؛ ممیزی مصنوعی ; برنامه ریزی نوسازی
1. مقدمه
شهرنشینی توسعه سریع اقتصاد جهانی را ارتقا داده است، اما همچنین منجر به یک سری “بیماری های شهری” شده است. مشکلات متعدد کیفی فضایی شهری ناشی از مدل ساخت و ساز گسترده شهری به طور فزاینده ای برجسته شده است، از جمله تراکم ترافیک شهری، وخامت محیط زیست، کمبود نشاط فضایی عمومی شهری و غیره، به ویژه در مناطق قدیمی شهری شهرها. انباشته شدن این مشکلات به طور جدی بر خواسته های ساکنان شهری در مورد زندگی روزمره و پیگیری کیفیت زندگی تأثیر گذاشته است. در مواجهه با فشار دوگانه “بیماری شهری” و کاهش زمین های شهری جدید، نوسازی و حکمرانی شهری به گزینه ای اجتناب ناپذیر برای تحول و توسعه شهری تبدیل شده است. این امر به ایجاد محیطی قابل زندگی در شهر و بهبود کیفیت فضای عمومی شهری کمک می کند که نقش اساسی در ارتقای توسعه پایدار شهری دارد. بهبود دقیق و مؤثر کیفیت فضاهای عمومی شهری به یک وظیفه مهم در برنامه ریزی، طراحی و مدیریت ساخت و ساز شهری تبدیل شده است.
فضاهای خیابانی به عنوان اصلی ترین فضای ارتباط عملکردی شهری و زندگی روزمره در شهرها، نه تنها نوع مهمی از فضای عمومی شهری هستند، بلکه اصلی ترین نوع فضایی مؤثر بر مکانیسم عملکردی شهری و کیفیت محیطی هستند .]. آنها نه تنها حامل حافظه فرهنگی و تاریخی شهر هستند، بلکه دریچه ای مهم برای ارائه سبک شهر هستند. بنابراین با استفاده از فضای خیابان به عنوان واحد اساسی و حامل موثر، انجام تعمیرات دقیق از جمله نوسازی انبار و نوسازی شهری ضروری است که اهمیت عملی مهمی برای ساخت مدیریت شهری تصفیه شده دارد. چگونگی تشخیص دقیق مشکلات کیفی فضای خیابان، اجرای برنامه ریزی و مدیریت نوسازی خیابان ها به شیوه ای منظم و بهینه سازی کیفیت فضای شهری به چالش های بدیعی در نوسازی و بازسازی شهری تبدیل شده است.
در زمینه برنامه ریزی شهری، معمولاً کیفیت فضای عمومی به عنوان ارزیابی کلی از محیط فضایی شهری در نظر گرفته می شود که نشان دهنده میزان پاسخگویی محیط فضایی شهری به نیازهای فعالیت های مردم است. این یک مفهوم نسبتاً جامع است که هم محیط مادی فضایی و هم فعالیت های انسانی و احساسات ذهنی را شامل می شود [ 2 ، 3 ، 4 ]. با بازگشت به کیفیت فضایی خیابان، جاکوبز و همکاران. [ 5 ] اشاره کرد که «خیابان‌های بزرگ» هم از نظر شخصیت و هم از نظر کیفیت عالی هستند و با تعامل بین فعالیت‌های انسانی و ویژگی‌های فیزیکی فضا ارتباط زیادی دارند. گهل و همکاران [ 6] بیان کرد که فضای عمومی که توسط خیابان ها نشان داده می شود، می تواند تعامل اجتماعی و فعالیت های عمومی را با ایجاد یک محیط کالبدی فضایی مناسب تسهیل کند. بنابراین، می توان در نظر گرفت که مفهوم اساسی کیفیت فضایی خیابان همان کیفیت فضایی عمومی است که هم محیط فیزیکی خیابان و هم احساسات درونی کاربران را شامل می شود. در این پژوهش کیفیت فضای خیابان از منظر کیفیت بصری مورد ارزیابی قرار گرفت. در فرآیند اندازه گیری، کیفیت فضایی عینی به درجه کیفی عناصر فیزیکی فضایی مانند روسازی، رابط های ساختمانی، تأسیسات محیطی، درختان و غیره اشاره دارد [ 7 ، 8 ].]، در حالی که ادراک درونی ذهنی به القای احساسات شخصی تر افراد مانند ایمنی، آسایش، زیبایی و غیره تحت نقش فضای فیزیکی شهری اشاره دارد [ 9 ، 10 ، 11 ].
در حال حاضر نوسازی شهری که در جهت توسعه باکیفیت است، نه تنها باید کیفیت مادی فضای خیابان را بهبود بخشد، بلکه باید به احساسات ذهنی شهروندان نسبت به فضای خیابان نیز توجه کند. این یک تقاضای اجتناب ناپذیر است که توسعه روش های ساخت و ساز شهری فشرده، اصلاح شده و انسانی شود. طراحی برنامه‌ریزی سنتی و روش‌های مطالعه مبتنی بر پرسشنامه، مصاحبه و تحقیقات در محل می‌تواند دقت بالایی را حفظ کند و نتایج تحقیقات گسترده‌ای را برای اندازه‌گیری کیفیت فضایی خیابان‌ها جمع‌آوری کند. برای مثال، دونالد و مارک [ 12 ] عوامل مؤثر بر کیفیت فضایی سه خیابان در سانفرانسیسکو، ایالات متحده را با استفاده از بررسی و تحقیق در محل قضاوت کردند. یانگ و همکاران [ 13] کیفیت منظره سبز فضایی شهری را با استفاده از بررسی میدانی و تفسیر دستی عکاسی ارزیابی کرد. Lv و همکاران [ 14 ] جریان عابر پیاده و ویژگی‌های فعالیت جمعیتی خیابان‌های زندگی را با استفاده از روش پیمایش PSPL مشاهده میدانی تجزیه و تحلیل کردند و آنها تحلیلی از ادراک فضایی خیابان و عوامل کلیدی مؤثر بر کیفیت فضایی را انجام دادند. با این حال، این روش ها اغلب برای نمودارهایی با دامنه بررسی کوچک قابل استفاده هستند. در همین حال، آنها نیز ناکارآمد هستند و حجم کار زیادی را شامل می شوند. در برنامه ریزی واقعی، درک عینی و جامع ویژگی های ساخت و ساز کلی و مشکلات فضای خیابان شهری در یک منطقه بزرگ و همچنین شناسایی احساسات ذهنی شهروندان نسبت به فضاهای خیابان شهری را دشوار می کنند.
در سال‌های اخیر، توسعه سریع داده‌های بزرگ و فناوری هوش مصنوعی در تحقیقات برنامه‌ریزی شهری، کمی کردن ادراک بصری فضایی و تشخیص دقیق مشکلات کیفی مربوط به فضای خیابان را امکان‌پذیر ساخته است. چنین رویکردی پشتیبانی قوی برای اداره دقیق محیط ساخته شده خیابان ها فراهم می کند و به این ترتیب، به یک نقطه داغ تحقیقاتی فعلی در برنامه ریزی و طراحی شهری تبدیل شده است [ 15 ، 16 ، 17 ، 18 ، 19 ]. با بهره مندی از توسعه سریع تکنیک های یادگیری ماشین در زمینه بینایی کامپیوتر، استفاده از تصاویر نمای خیابان در تحقیقات فضای خیابان توجه قابل توجهی را به خود جلب کرده است [ 20 ، 21 ], 22 , 23 ]. به عنوان مثال، تانگ و همکاران. [ 24 ] عناصر تشکیل دهنده فضای خیابان شهری را با استفاده از تقسیم بندی معنایی تصویر با موفقیت شناسایی کرد و نسبت سبز به نظر، باز بودن، محصور بودن و درجه موتورسازی فضای خیابان را تجزیه و تحلیل کمی کرد. ژانگ و همکاران [ 25 ] از یک مدل DCNN شامل یک شبکه باقیمانده عمیق برای مدلسازی و پیش‌بینی تبعیض ادراکی ذهنی، مانند ایمنی، زیبایی، سرخوردگی و خستگی در فضاهای خیابان استفاده کرد و سپس عناصر بصری مؤثر بر کیفیت ادراکی خیابان را تحلیل کرد. وانگ و همکاران [ 26 ، 27 ] و ژائو و همکاران. [ 28] از مدل Deeplabv3+ برای اجرای بخش‌بندی معنایی تصویر در سطح خیابان به منظور ارائه پشتیبانی برای انجام مطالعات شهری استفاده کرد. یه و همکاران [ 29 و 30 ] یک چارچوب تحقیقاتی برای اندازه‌گیری کیفیت فضای خیابان با استفاده از تصاویر نمای خیابان به عنوان منبع داده ایجاد کرد و سپس استخراج عناصر ویژگی فضایی خیابان، امتیازدهی و ارزیابی تخصصی و آموزش مدل‌های ارزیابی با استفاده از عصبی مصنوعی را انجام داد. الگوریتم های شبکه یائو و همکاران [ 31 ] از یک شبکه کانولوشن کامل برای شناسایی موثر عناصر فضایی خیابان ها در تصاویر نمای خیابان استفاده کردند و آنها یک روش کمی برای ادراک شهری بر اساس امتیاز دهی داده های نمای خیابان با استفاده از الگوریتم جنگل های تصادفی (RF) ساختند. شی و همکاران [ 32] با استفاده از الگوریتم درخت تصمیم، ویژگی‌های تأثیر عناصر رابط فضایی خیابان را بر تناسب پیاده‌روی خیابان اندازه‌گیری کرد. علاوه بر این، وانگ و همکاران. [ 33 ]، کوی و همکاران. [ 34 ]، لی و همکاران. [ 35 ]، و لیو و همکاران. [ 36] همچنین از داده های نمای خیابان و فناوری یادگیری ماشین برای انجام تحقیقات مربوط به ارزیابی ادراک شهر و ارزیابی کیفیت فضایی استفاده کرد. به طور کلی، با توسعه فناوری، نتایج پژوهشی فراوانی و روش‌های فنی نسبتاً بالغی در کاربرد تصاویر نمای خیابان شکل گرفته است که می‌تواند ویژگی‌های فضایی خیابان را به‌طور دقیق به تصویر بکشد و مشکلات کیفی فضاهای خیابان را شناسایی کند. با این حال، با توجه به ویژگی های تحقیقات بین رشته ای، نتایج تحقیقات موجود معمولاً به سختی می تواند به طور گسترده و موثر در برنامه ریزی شهری اعمال شود. به عبارت دیگر، روش های فنی، اشیاء تجزیه و تحلیل ارزیابی، و عناصر پیشنهاد شده در ادبیات موجود هنوز نیاز به ادغام بیشتر با سیستم های فنی برای تسهیل کاربرد عملی آنها در برنامه ریزی شهری دارند.
بر اساس ادبیات موجود، این مطالعه نشان داد که استفاده از تصاویر نمای خیابان همراه با یادگیری ماشین در تحقیقات و عمل برنامه ریزی شهری توجه زیادی را به خود جلب کرده است، اما هنوز مشکلاتی وجود دارد که باید فوراً در رابطه با ارتباط بیش از حد بین پیشرفت تکنولوژی حل شوند. و تمرین حرفه ای اولین مشکلی که باید حل شود تعمیق و اصلاح موضوع تحقیق است. مطالعات موجود، خیابان‌های شهری را در فرآیند بکارگیری روش‌های یادگیری ماشین برای اندازه‌گیری کیفیت فضای خیابان طبقه‌بندی نکرده‌اند. با این حال، جاده‌ها در درجه‌های مختلف از نظر ویژگی‌های عملکردی و طراحی مقطعی، که تفاوت‌ها را در ترکیب عناصر نمای خیابان آنها تعیین می‌کند، تا حدی متفاوت است. بدین ترتیب، به منظور تحقق کاربرد روش‌های فنی و توسعه در برنامه‌ریزی شهری، لازم است تحقیقات در مورد اندازه‌گیری خیابان‌های شهری در درجات مختلف عمیق‌تر شود. دومین مشکلی که باید حل شود، ترکیب سنجش عینی و قضاوت ذهنی است. مفهوم اساسی کیفیت فضایی خیابان، ترکیبی از محیط فیزیکی فضایی و ادراک ذهنی است که نه تنها عناصر مادی ترکیب خیابان، بلکه تجربه ادراکی انسان از کیفیت محیط را نیز در بر می گیرد.24 ، 30]. الگوریتم‌های یادگیری ماشینی می‌توانند به طور موثر مشکلات موجود در عناصر عینی فضای خیابان را تشخیص دهند، اما نمی‌توانند به طور کامل تمام مطالب و مشکلات خیابان‌ها و زندگی شهری مانند تاسیسات بی‌نظم خیابان و رابط‌های فضایی آشفته را پوشش دهند. بنابراین، هنگام استفاده از روش‌های یادگیری ماشین، دستیابی به یک تشخیص جامع مشکلات کیفیت فضایی خیابان با ترکیب ادراک ذهنی شهروندان نیز ضروری است. سومین مشکلی که باید حل شود، کاربرد عملی شاخص های اندازه گیری است. در حال حاضر، فرآیند بکارگیری یک الگوریتم یادگیری ماشین برای اندازه‌گیری عناصر ویژگی فضایی خیابان می‌تواند مستقیماً تحلیل نسبت سبز فضایی خیابان، محفظه رابط و سایر شاخص‌های اندازه‌گیری را محقق کند. با این حال، شاخص های فوق هنوز به طور مستقیم با اهداف عملی برنامه ریزی شهری و مدیریت ساخت و ساز مرتبط نشده اند. به منظور حمایت از شیوه های برنامه ریزی موثر، تبدیل شاخص اندازه گیری به “گفتمان” سیستم فناوری برنامه ریزی شهری بسیار ضروری است.
بنابراین، برای جبران این کاستی‌ها، این مطالعه چارچوبی روش‌شناختی برای تشخیص مشکلات کیفی خیابان پیشنهاد می‌کند. این مطالعه ابتدا با استفاده از فناوری یادگیری ماشین برای اندازه‌گیری کیفیت فضایی خیابان‌ها در درجات مختلف، پیوند ممیزی مصنوعی را برای دستیابی به ترکیبی از ارزیابی ذهنی و شاخص‌های عینی اضافه کرد و سپس به طور جامع و دقیق کیفیت فضایی خیابان‌ها را تشخیص داد. پس از آن، تجزیه و تحلیل دسترسی خیابان ها برای شناسایی اهمیت خیابان ها، که می تواند با ویژگی های خاص عمل برنامه ریزی شهری مطابقت داشته باشد، به منظور ارائه پشتیبانی متوالی برای اجرای برنامه ریزی نوسازی خیابان های شهری در مراحل مختلف مورد استفاده قرار گرفت. سرانجام، مشکل کیفیت فضایی خیابان ها به اشیاء فنی موثر و محتوای مدیریتی برنامه ریزی شهری تبدیل شد. به این ترتیب، اتصال موثر بین نتایج تشخیص و اجرای برنامه‌ریزی محقق شد که می‌تواند به طور موثر اجرای نوسازی دقیق شهری و سایر کارهای مرتبط را هدایت کند.
بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 چارچوب تحلیلی و منطقه مورد مطالعه را شرح می دهد. بخش 3 روش شناسی مطالعه را معرفی می کند. بخش 4 نتایج تشخیص مشکلات کیفی فضایی خیابان و اقدام متقابل تجدید فضای خیابان را تجزیه و تحلیل می کند. بخش 5 کاربردهای بالقوه این روش و همچنین الهام‌بخش برنامه‌ریزی شهری و توسعه آینده به‌دست‌آمده از مطالعه موردی را مورد بحث قرار می‌دهد. بخش پایانی مطالعه را خلاصه می کند.
2. چارچوب تحلیلی و حوزه مطالعاتی
2.1. چارچوب تحلیلی
هدف این مقاله تشخیص مشکلات کیفیت فضایی خیابان با استفاده از تصاویر نمای خیابان و فناوری یادگیری ماشین و پیشنهاد استراتژی‌های نوسازی فضایی هدفمند برای این مشکلات، به منظور بهینه‌سازی کیفیت فضای عمومی شهری و ترویج نوسازی شهری پایدار است. به طور خاص، پس از طبقه بندی شبکه راه های شهری، تصاویر نمای خیابان از راه های شریانی، راه های تنه فرعی و جاده های فرعی به دست آمد. سپس پس از استخراج آسمان، درختان، ساختمان ها و سایر عناصر صحنه، ویژگی های فضایی خیابان مانند باز بودن، سرسبزی و محصور به دست آمد. با توجه به این عناصر ویژگی و ارزیابی ذهنی مقیاس کوچک نمرات کیفیت فضایی خیابان، مدل یادگیری ماشین برای دستیابی به اندازه‌گیری کیفیت فضایی خیابان در مقیاس بزرگ آموزش داده شد. بعد، تشخیص بیشتر مشکلات کیفیت فضایی خیابان با استفاده از ممیزی مصنوعی به دست آمد. در نهایت، دسترسی به خیابان برای تعیین اهمیت خیابان مورد استفاده قرار گرفت. “اهمیت” و “کیفیت” با استفاده از برهم نهی برای شناسایی بیشتر پتانسیل نوسازی خیابان و تعیین توالی زمانی نوسازی خیابان مورد تجزیه و تحلیل قرار گرفت. بر اساس مشکلات تشخیص داده شده و توالی زمانی به روز شده، اقدامات متقابل برنامه ریزی تمدید هدفمند پیشنهاد شد. چارچوب تحلیلی خاص در نشان داده شده است بر اساس مشکلات تشخیص داده شده و توالی زمانی به روز شده، اقدامات متقابل برنامه ریزی تمدید هدفمند پیشنهاد شد. چارچوب تحلیلی خاص در نشان داده شده است بر اساس مشکلات تشخیص داده شده و توالی زمانی به روز شده، اقدامات متقابل برنامه ریزی تمدید هدفمند پیشنهاد شد. چارچوب تحلیلی خاص در نشان داده شده استشکل 1 .
2.2. منطقه مطالعه
این مطالعه در منطقه گونگشو، هانگژو، چین انجام شد. منطقه گونگشو، واقع در قسمت شمال شرقی هانگژو، یک منطقه شهری قدیمی با مساحت کل 119 کیلومتر مربع در سال 2022 است ( شکل 2)). این منطقه دارای میراث فرهنگی در سطح جهانی کانال بزرگ پکن-هانگژو، آثار باستانی صنعتی مانند مجتمع کشتی‌سازی هانگژو داهه و محله‌هایی با سبک متمایز مانند خیابان مستقیم Xiaohe است. در سال‌های اخیر، با مواجهه با مشکلات فرسودگی، کمبود سرزندگی فضایی و زوال محیطی در شهر قدیمی، ناحیه گونگشو به شدت در حال اجرای کارهای نوسازی شهری برای تغییر شکل شخصیت منظره و بهبود کیفیت فضا بوده است. این مطالعه منطقه گونگشو را به عنوان مطالعه موردی انتخاب کرد. با توجه به اینکه ادراک کیفیت فضایی خیابان ارتباط تنگاتنگی با تجربه افراد در فضا دارد، جاده های شریانی، جاده های تنه فرعی و جاده های فرعی منطقه به عنوان اشیایی در نظر گرفته شدند که با عملکردهای زندگی مرتبط هستند. با استفاده از شبکه خیابانی، تصاویر نمای خیابان، و سایر داده‌های چند منبع شهری، این مطالعه یک اندازه‌گیری کیفیت فضایی خیابان در مقیاس بزرگ را انجام داد، مشکلات کیفیت را به طور جامع تشخیص داد، و اقدامات متقابل برنامه‌ریزی هدفمند را برای نوسازی دقیق آن ارائه کرد. این کار می تواند بیشتر به نوسازی شهری و ساخت و ساز در چین کمک کند.
3. روش شناسی
3.1. جمع آوری و پردازش داده ها
نمای خیابان Baidu از مزایای در دسترس بودن قوی در چین، پوشش بالا در منطقه مورد مطالعه و سرعت به‌روزرسانی سریع داده‌ها برخوردار است، بنابراین ما داده‌های نمای خیابان Baidu را برای این مطالعه انتخاب کردیم. داده ها در دو مرحله اصلی جمع آوری شد. یکی استخراج و طبقه بندی شبکه خیابانی و دیگری به دست آوردن داده های نمای خیابان Baidu بود.
ابتدا، بر اساس محتویات مربوط به طبقه بندی جاده ها در استاندارد برنامه ریزی سیستم جامع حمل و نقل شهری (GB/T51328-2018)، سه نوع داده شامل جاده های شریانی، جاده های تنه ثانویه و جاده های فرعی با استفاده از ArcGIS به دست آمد. ویژگی های داده شبکه خیابان در نقشه خیابان باز (بازدید شده در آوریل 2022)، همانطور که در شکل 3 الف نشان داده شده است. پس از انجام فرآیندهای ساده سازی شبکه راه، تصحیح توپولوژی و استخراج خط مرکزی جاده ها، نقاط نمونه برداری از تصاویر نمای خیابان در فاصله 50 متری مطابق شکل 3 تعیین شد.ب در مجموع 11377 نقطه نمونه برداری موثر از نمای خیابان پس از پاکسازی به دست آمد که در این میان جاده های شریانی، جاده های تنه فرعی و جاده های فرعی به ترتیب شامل 2308، 3319 و 5750 نقطه بودند. دوم، رابط برنامه‌نویسی کاربردی (API) نمای خیابان بایدو با استفاده از برنامه‌های پایتون فراخوانی شد و زاویه دید افقی، عرض دید و مختصات نقطه نمونه‌برداری برای ثبت تصاویر نمای خیابان وارد شد. به منظور انعکاس جامع و مؤثر احساسات واقعی شهروندان در فضای خیابان، چهار تصویر نمای خیابان در هر نقطه نمونه‌برداری جمع‌آوری شد که هر کدام دارای خط دید افقی 0 درجه («پیچ = 0») و عرض زاویه دید 90 درجه بودند. “fov” = 90). در مجموع 45، 508 تصویر نمای خیابان با وضوح 600 × 480 پیکسل به عنوان منبع داده برای ارزیابی کیفیت فضای خیابان جمع آوری شد. این شامل تصاویر نمای خیابان جلو و عقب موازی با جاده و تصاویر نمای خیابان چپ و راست عمود بر جاده بود که با هم می توانند یک پانوراما را تشکیل دهند.شکل 4 ).
3.2. اندازه گیری کیفیت فضای خیابان
هدف اصلی از سنجش کیفیت فضای خیابان، یافتن مشکلات عمده مربوط به کیفیت فضایی خیابان است. مدل رگرسیون RF در یادگیری ماشینی می‌تواند روابط بین شاخص‌های عنصر مشخصه فضایی خیابان و نمرات کیفیت را تجزیه و تحلیل کند و سپس عوامل ویژگی‌هایی را که تأثیر قابل‌توجهی بر کیفیت فضایی خیابان‌ها در درجات مختلف دارند، شناسایی کند. به این ترتیب، می تواند نقش راهنمای مهمی در شناسایی مشکلات کلیدی مربوط به کیفیت فضایی خیابان ایفا کند.
برای این مطالعه، چارچوبی برای اندازه‌گیری و تحلیل کیفیت فضایی خیابان‌ها در درجه‌های مختلف طراحی شد که شامل استخراج عناصر ویژگی، مقایسه مصنوعی و ارزیابی تصاویر نمای خیابان در مقیاس کوچک و استفاده از الگوریتم RF می‌شود. 37 ] ( شکل 5). با استفاده از فضای خیابان به عنوان هدف تحقیق، بر اساس تصاویر نمای خیابان، از یک سو، از فناوری قطعه‌بندی تصویر برای استخراج عناصر مشخصه فضایی خیابان استفاده شد. از سوی دیگر، تعداد معینی از تصاویر نمونه به صورت دستی ارزیابی شدند و نمرات کیفیت فضایی خیابان با الگوریتم امتیازدهی مربوطه کمی سازی شدند. متعاقباً، مدل‌های RF برای جاده‌های شریانی، جاده‌های تنه ثانویه و جاده‌های شاخه‌ای با استفاده از مقادیر عناصر ویژگی و نمرات کیفیت تصاویر نمونه آموزش داده شدند، که می‌تواند به سرعت اندازه‌گیری کیفیت فضایی خیابان در مقیاس بزرگ را تحقق بخشد.
3.2.1. استخراج عناصر ویژگی فضایی خیابان
تقسیم‌بندی معنایی تصویر شاخه‌ای مهم در حوزه هوش مصنوعی است و همچنین یکی از حلقه‌های اصلی در کاربرد فناوری پردازش تصویر و بینایی ماشین است. تقسیم بندی معنایی روشی برای تقسیم منطقه است که می تواند هر پیکسل را در یک تصویر طبقه بندی کند و دسته بندی های آن را تعیین کند، مانند شناسایی خودروها، ساختمان ها و عابران پیاده. لانگ و همکاران [ 38 ]، از دانشگاه کالیفرنیا، برکلی، شبکه کاملاً پیچیده (FCN) را برای تقسیم‌بندی تصویر پیشنهاد کرد، که از آن زمان به چارچوب اساسی برای تقسیم‌بندی معنایی تبدیل شده است.
با توجه به اینکه فناوری تقسیم‌بندی تصویر FCN اثر تشخیص عالی در کاربردهای اکتشافی در شهرهای چین دارد [ 31 ، 39 ، 40 ، 41 ]، این مطالعه از FCN [ 31 ] استفاده کرد.] برای تجزیه و تحلیل تصاویر نمای خیابان به منظور شناسایی عناصری مانند ساختمان ها، آسمان و گیاهان. فراوانی وقوع عناصر مشخصه در مطالعات مرتبط موجود به اشیاء فضایی که با استفاده از برنامه‌ریزی شهری قابل مداخله هستند، تبدیل شد. هفت شاخص عنصر مشخصه فضای خیابان شامل نسبت سبز، باز بودن خیابان، محفظه رابط، درجه موتوری بودن جاده، نسبت امکانات خیابان، غنای رنگ خیابان و نسبت فضای عابر پیاده برای محاسبه و انتخاب شدند. تجزیه و تحلیل به منظور کشف عناصر و مکانیسم های موثر بر کیفیت فضایی خیابان ( جدول 1). در میان آنها، درجه موتوریزه شدن جاده برای نشان دادن مشخصات ترافیکی خیابان مورد استفاده قرار گرفت که معمولاً به میزان وقوع اتومبیل ها، چیدمان و روسازی سطح مشترک پایین فضای خیابان مربوط می شود. پیکسل‌های پیاده‌رو را از مجموع پیکسل‌های جاده‌های وسیله نقلیه و وسایل نقلیه موتوری کم کنید، و نسبت مقدار محاسبه‌شده به پیکسل‌های تصویر نمای خیابان به‌عنوان درجه موتورسازی جاده بیان می‌شود [ 24 ، 42 ]]. غنای رنگ خیابان تا حدودی می تواند نشان دهنده پیچیدگی بصری فضای خیابان و تنوع عناصر تشکیل دهنده باشد. بنابراین، تنوع انواع عناصر فضایی خیابان برای نشان دادن غنای رنگ خیابان استفاده شد که با استفاده از شاخص سیمپسون محاسبه شد. سایر شاخص ها به عنوان نسبت عناصر نمای خیابان مربوطه به تعداد کل نقاط پیکسل محاسبه شدند.
3.2.2. مقایسه و ارزیابی مصنوعی تصاویر نمای خیابان در مقیاس کوچک
در این مطالعه، نمونه کوچکی از داده‌های ارزیابی کیفیت فضایی خیابان مربوط به ادراکات ذهنی انسان به‌عنوان مجموعه داده آموزشی، به منظور پیش‌بینی نمرات کیفیت فضایی خیابان در مقیاس بزرگ استفاده شد. در ارزیابی نمونه‌گیری، تصاویر نمای خیابان با کیفیت فضایی بهتر با استفاده از مقایسه زوجی انتخاب و رتبه‌بندی شدند و رتبه‌بندی به صورت مشخص به امتیازات کیفیت فضایی خیابان تبدیل شد. در حال حاضر، سیستم رتبه بندی ELO به روشی مقبول و معتبر برای ارزیابی سطح بازی تبدیل شده است که معمولاً برای اندازه گیری رتبه بندی بازیکنان در انواع مختلف فعالیت ها مانند شطرنج استفاده می شود [ 43 ].]. با توجه به مزایای این سیستم از جمله الزامات ارزیابی مختصر، اجتناب از تفاوت‌های ناشی از سیستم‌های امتیازدهی مختلف و انعکاس ذهنیت و جامعیت امتیازدهی، برخی از محققان این سیستم را در ارزیابی کیفی محیط‌های ساخته شده شهری معرفی کرده‌اند و به نتایج پژوهشی خاصی دست یافته‌اند. [ 30 ] که می تواند این مطالعه را بهتر راهنمایی کند. بنابراین، از نظر ارزیابی مصنوعی در مقیاس کوچک تصاویر نمای خیابان، این مطالعه به طور مساوی سیستم امتیازدهی ELO را برای ارزیابی انتخاب کرد.
ایده کلی ارزیابی این است که یک امتیاز اولیه به تصاویر نمای خیابان اختصاص دهیم، با استفاده از قضاوت مقایسه، احتمال برنده شدن تصویر با کیفیت بهتر را پیش بینی کنیم و سپس امتیازات کیفی تصاویر نمای خیابان را با توجه به نتیجه نهایی به روز کنیم. . با استفاده از چندین دور مقایسه، نمرات تصاویر نمای خیابان به طور مداوم به روز می شوند. وقتی تعداد مقایسه‌ها به مقدار مشخصی می‌رسد، رتبه‌بندی تصاویر نمای خیابان به ثبات می‌رسد، به این معنی که نمرات کیفیت نزدیک به سطح واقعی تصاویر نمای خیابان را می‌توان به دست آورد. ابتدا از بین 45508 تصویر نمای خیابان، 500 تصویر به طور تصادفی از هر یک از جاده های شریانی، جاده های تنه فرعی و جاده های فرعی به عنوان نمونه انتخاب شدند. و آنها از نظر فضایی در ArcGIS قرار گرفتند تا اطمینان حاصل شود که توزیع فضایی نمونه‌ها غیرمتمرکز و نماینده است. دوم، از زبان پایتون برای تدوین یک برنامه کاربردی ارزیابی برای مقایسه کیفیت فضایی خیابان استفاده شد.شکل 6 ) و 10 داوطلب در رشته برنامه ریزی شهری برای قضاوت جامع در مورد تصاویر نمای خیابان در مقاطع مختلف دعوت شدند. در نهایت امتیاز اولیه هر تصویر نمونه 1500 تعیین شد و نتایج مقایسه زوجی و قضاوت با استفاده از الگوریتم ELO به نمرات کیفیت تصاویر نمونه تبدیل شد. پس از چندین مقایسه، نمرات کیفیت نهایی تمام تصاویر نمونه زمانی به دست آمد که رتبه بندی امتیاز به پایداری گرایش داشت.
3.2.3. اندازه گیری کیفیت فضای خیابان با استفاده از یادگیری ماشین
RF یک الگوریتم یادگیری ماشینی انعطاف‌پذیر و با استفاده آسان است که از درخت‌های تصمیم‌گیری متعددی تشکیل شده است که اغلب برای پیش‌بینی نتایج داده‌ها استفاده می‌شود و دارای مزیت بیشتری در اندازه‌گیری اهمیت نسبی هر ویژگی با توجه به نتیجه است [ 44 , 45 ]. به منظور اندازه‌گیری امتیاز کیفیت فضایی خیابان‌ها در مقیاس بزرگ و شناسایی مؤثر اهمیت عناصر ویژگی، و همچنین برای مقابله با تفاوت‌های ترکیب عناصر نمای خیابان خیابان‌ها در درجه‌های مختلف، از الگوریتم RF استفاده شد. اندازه گیری کیفیت فضایی خیابان در منطقه مورد مطالعه
بر اساس اصل الگوریتم RF، این مطالعه مراحل زیر را برای ساخت مدل‌های رگرسیون RF برای جاده‌های شریانی، جاده‌های تنه ثانویه، و جاده‌های فرعی اتخاذ کرد که به نوبه خود می‌تواند برای اندازه‌گیری امتیازات ارزیابی کیفیت فضایی خیابان‌ها در درجات مختلف ابتدا مقادیر عناصر مشخصه فضایی خیابان و نمرات کیفی ارزیابی نمونه گیری به ترتیب به عنوان متغیر مستقل و متغیر وابسته در نظر گرفته شد. پس از استانداردسازی داده‌های متغیر، به مجموعه‌های آموزشی و آزمایشی با نسبت 7:3 تقسیم شدند. دوم، روش نمونه‌گیری بوت استرپ به منظور تشکیل درخت‌های تصمیم‌گیری رگرسیون N اتخاذ شد و آموزش هدفمند برای مدل رگرسیون RF در یک درجه خیابان منفرد انجام شد. سرانجام، مقدار میانگین نتایج پیش‌بینی تمام درختان تصمیم‌گیری رگرسیون محاسبه شد و امتیازات ارزیابی کیفیت فضایی خیابان به‌دست آمد. نمره کیفیت همان نقطه خیابان به عنوان میانگین نمرات ارزیابی برای چهار تصویر نمای خیابان در نظر گرفته شد. برای خیابان‌های هم سطح، نمرات کیفیت فضایی خیابان‌ها از بالا به پایین طبقه‌بندی شد و کیفیت خیابان با استفاده از یک سوم رتبه‌بندی امتیاز به عنوان نقطه تقسیم به‌عنوان «بالا، متوسط و پایین» طبقه‌بندی شد. به منظور شناسایی موثر عناصر ویژگی که تأثیر قابل توجهی بر کیفیت فضایی خیابان دارند، امتیازات اهمیت عناصر ویژگی جاده های شریانی، جاده های تنه ثانویه و جاده های فرعی با استفاده از الگوریتم RF محاسبه و رتبه بندی شد. و نمرات ارزیابی کیفیت فضایی خیابان به دست آمد. نمره کیفیت همان نقطه خیابان به عنوان میانگین نمرات ارزیابی برای چهار تصویر نمای خیابان در نظر گرفته شد. برای خیابان‌های هم سطح، نمرات کیفیت فضایی خیابان‌ها از بالا به پایین طبقه‌بندی شد و کیفیت خیابان با استفاده از یک سوم رتبه‌بندی امتیاز به عنوان نقطه تقسیم به‌عنوان «بالا، متوسط و پایین» طبقه‌بندی شد. به منظور شناسایی موثر عناصر ویژگی که تأثیر قابل توجهی بر کیفیت فضایی خیابان دارند، امتیازات اهمیت عناصر ویژگی جاده های شریانی، جاده های تنه ثانویه و جاده های فرعی با استفاده از الگوریتم RF محاسبه و رتبه بندی شد. و نمرات ارزیابی کیفیت فضایی خیابان به دست آمد. نمره کیفیت همان نقطه خیابان به عنوان میانگین نمرات ارزیابی برای چهار تصویر نمای خیابان در نظر گرفته شد. برای خیابان‌های هم سطح، نمرات کیفیت فضایی خیابان‌ها از بالا به پایین طبقه‌بندی شد و کیفیت خیابان با استفاده از یک سوم رتبه‌بندی امتیاز به عنوان نقطه تقسیم به‌عنوان «بالا، متوسط و پایین» طبقه‌بندی شد. به منظور شناسایی موثر عناصر ویژگی که تأثیر قابل توجهی بر کیفیت فضایی خیابان دارند، امتیازات اهمیت عناصر ویژگی جاده های شریانی، جاده های تنه ثانویه و جاده های فرعی با استفاده از الگوریتم RF محاسبه و رتبه بندی شد. نمره کیفیت همان نقطه خیابان به عنوان میانگین نمرات ارزیابی برای چهار تصویر نمای خیابان در نظر گرفته شد. برای خیابان‌های هم سطح، نمرات کیفیت فضایی خیابان‌ها از بالا به پایین طبقه‌بندی شد و کیفیت خیابان با استفاده از یک سوم رتبه‌بندی امتیاز به عنوان نقطه تقسیم به‌عنوان «بالا، متوسط و پایین» طبقه‌بندی شد. به منظور شناسایی موثر عناصر ویژگی که تأثیر قابل توجهی بر کیفیت فضایی خیابان دارند، امتیازات اهمیت عناصر ویژگی جاده های شریانی، جاده های تنه ثانویه و جاده های فرعی با استفاده از الگوریتم RF محاسبه و رتبه بندی شد. نمره کیفیت همان نقطه خیابان به عنوان میانگین نمرات ارزیابی برای چهار تصویر نمای خیابان در نظر گرفته شد. برای خیابان‌های هم سطح، نمرات کیفیت فضایی خیابان‌ها از بالا به پایین طبقه‌بندی شد و کیفیت خیابان با استفاده از یک سوم رتبه‌بندی امتیاز به عنوان نقطه تقسیم به‌عنوان «بالا، متوسط و پایین» طبقه‌بندی شد. به منظور شناسایی موثر عناصر ویژگی که تأثیر قابل توجهی بر کیفیت فضایی خیابان دارند، امتیازات اهمیت عناصر ویژگی جاده های شریانی، جاده های تنه ثانویه و جاده های فرعی با استفاده از الگوریتم RF محاسبه و رتبه بندی شد.
3.3. ممیزی مشکلات کیفی فضای خیابان
از منظر نوسازی و مدیریت فضایی خیابان ها، فهرستی از مشکلات کیفی با توجه به نتایج اندازه گیری کیفیت فضایی خیابان ها و مصاحبه با کارشناسان و ساکنان تهیه شد ( جدول 2 ). اینها عمدتاً شامل پنج جنبه، از جمله تأسیسات خیابانی، ساخت و ساز ساختمان، بهداشت محیطی، رابط ساختمان، و جاده و روسازی هستند ( شکل 7 ).
در این تحقیق، ممیزی مصنوعی به روشی اطلاق می شود که در آن محققین به طور مستقیم و سیستماتیک ویژگی های فضایی منطقه مورد مطالعه را مشاهده کرده و سپس بر اساس قضاوت ذهنی، محیط ساخته شده شهری را ارزیابی می کنند. در تشخیص مشکلات کیفیت فضایی خیابان، صرفاً با استفاده از روش یادگیری ماشینی نمی توان به طور کامل تشخیص مشکلات کیفیت را که ارتباط تنگاتنگی با زندگی روزمره ساکنان دارد، در نظر گرفت. بنابراین لازم است با ممیزی مصنوعی تکمیل شود تا روش تشخیص بهبود و بهینه شود و بدین ترتیب تشخیص جامع مشکلات کیفی فضایی خیابان ها محقق شود. به منظور بهبود کارایی کاری ممیزی مصنوعی، روش حسابرسی آنلاین با توجه به لیست مشکلات کیفیت فضایی خیابان به زبان پایتون گردآوری شد.شکل 8 ). چهار جهت از تصاویر نمای خیابان برای هر نقطه مشاهده نمای خیابان در یک صفحه متمرکز شد و مشکلات کیفیت در چهار تصویر با استفاده از گزینه های ارائه شده در یک طرف بررسی شد. کار ممیزی بر خیابان‌های با کیفیت فضایی متوسط و پایین متمرکز بود تا به تحلیل کیفی مشکلات کیفیت دست یابد. برای این نوع مشکلات کیفی، با شمارش فراوانی آنها می‌توان قضاوت کرد که آیا این مشکلات، عمده‌ترین مشکلات کیفی فضای خیابان هستند یا خیر.
3.4. تعیین توالی زمانی تجدید خیابان
در زمینه برنامه‌ریزی شهری، دسترسی به خیابان معمولاً برای توصیف بزرگی فرصت‌های گره‌ها در شبکه‌های حمل‌ونقل خیابانی شهری برای تعامل با یکدیگر استفاده می‌شود و مطالعات زیادی در مورد روش‌های ارزیابی مربوطه انجام شده است [ 46 ، 47 ]. در حال حاضر، روش تجزیه و تحلیل شبکه طراحی فضایی (sDNA) به دلیل سادگی، سهولت استفاده و عملکرد قوی، اغلب در مطالعات دسترسی به خیابان ها معرفی می شود [ 48 ، 49 ]]. می تواند با استفاده از محاسبه پتانسیل استفاده از پیاده روی خیابانی، وسایل نقلیه موتوری، دوچرخه و حمل و نقل عمومی دسترسی به شبکه راه را تجزیه و تحلیل کند و به طور گسترده در شبکه های فضایی مختلف مانند جاده های شهری، فضاهای پیاده روی سه بعدی و غیره استفاده می شود. بر. رویکرد sDNA نزدیکی و بین بودن را به عنوان معیارهای محاسباتی برای تجزیه و تحلیل یک شبکه خیابانی می‌گیرد [ 49 ]. نزدیکی به درجه سختی هنگام رفتن از یک نقطه در شبکه خیابان به نقاط دیگر در شعاع جستجو اشاره دارد. Betweenness برای اندازه گیری فرکانس انتخاب مسیر در شبکه خیابان استفاده می شود [ 48 ]، که می تواند رابطه بین فضای کلی و فضای محلی را منعکس کند، و هر چه بین این دو بیشتر باشد، دسترسی بیشتر است [ 46 ،47 ].
بنابراین، تا حدی، اندازه‌گیری دسترسی به خیابان‌ها با توجه به فاصله بین آنها می‌تواند منعکس‌کننده فراوانی و اهمیت مسیرهای خیابانی مورد استفاده در کل شبکه خیابان‌ها باشد. بین بین بودن بیشتر به معنای دسترسی قوی تر به خیابان است، که همچنین به این معنی است که خیابان اهمیت بیشتری دارد و در فرآیند عبور عمومی بیشتر انتخاب می شود. به طور همزمان، نمره ارزیابی پایین تر از یک خیابان به این معنی است که لزوم بهبود کیفیت فضایی خیابان بیشتر است. به منظور شناسایی اهمیت خیابان‌ها، بر اساس داده‌های شبکه خیابانی، این مطالعه از ابزار sDNA در پلت فرم ArcGIS برای محاسبه بین راه‌های شریانی، جاده‌های تنه ثانویه و جاده‌های فرعی استفاده کرد. این عمدتا شامل مراحل “آماده سازی شبکه” و “تجزیه و تحلیل یکپارچه” در ابزار،30 ]. برای خیابان‌های هم‌پایه، از مقدار متوسط بین‌بینی برای تشخیص خیابان‌های «با اهمیت بالا» و «کم اهمیت» استفاده شد.
در ادامه، اهمیت و کیفیت خیابان ها با استفاده از برهم نهی تحلیل شد. با در نظر گرفتن “اهمیت – کیفیت” به عنوان بعد ارزیابی، چندین نوع اهمیت خیابان به دست آمد: اهمیت بالا و کیفیت بالا، اهمیت بالا اما کیفیت پایین، اهمیت و کیفیت پایین، و اهمیت کم اما کیفیت بالا. در نتیجه، خیابان‌هایی با پتانسیل بیشتر برای نوسازی به منظور تعیین توالی زمانی نوسازی خیابان‌ها شناسایی شدند که می‌تواند ترتیبات کاری منظمی را برای نوسازی شهری فراهم کند و به طور مؤثر اجرای برنامه‌ریزی فضایی را هدایت کند.
3.5. پیشنهاد اقدامات متقابل برنامه ریزی برای نوسازی فضایی خیابان ها
هدف از این مطالعه شامل دو بخش بود، یکی تشخیص مشکلات کیفی فضایی خیابان در مقیاس بزرگ، در حالی که دیگری پیشنهاد استراتژی‌های هدفمند خاص برای برنامه‌ریزی نوسازی فضای خیابان بود. در بخش اول، این مطالعه مسائل عمده و فرعی کیفیت فضایی خیابان ها را با استفاده از استخراج اهمیت ویژگی مدل RF، که پشتیبانی از داده های خاصی را برای تعیین اولویت به روز رسانی عناصر فضایی در برنامه ریزی نوسازی خیابان ارائه می دهد، روشن کرد. با استفاده از افزودن پیوند ممیزی مصنوعی مشکلات کیفیت فضایی خیابان ها، تشخیص مشکلات کیفیت را که نزدیک به زندگی ساکنان مرتبط است تکمیل کرد. در این میان، تجزیه و تحلیل آماری انواع مشکلات به وضوح نشان دهنده تعارضات عمده و جزئی این موضوعات بود.
بنابراین نیازی به بهینه سازی تمام شاخص های اندازه گیری و عناصر فضایی برای بهبود کیفیت فضای خیابان نیست. در عوض، ارائه اقدامات متقابل کلیدی به‌روزرسانی در برابر شاخص‌های مربوطه و مشکلات کیفی که تا حد امکان با نتایج ارزیابی کیفیت مرتبط هستند، به منظور دستیابی به اثر و هدف بهینه‌سازی کیفیت فضایی کلی خیابان، مهم‌تر است. این مطالعه بر اساس تعریف مسائل کیفی فضای خیابان، مشکلات کیفی را به عناصر عملیاتی در برنامه ریزی شهری و مدیریت ساخت و ساز تبدیل کرد ( شکل 9).). به عنوان مثال، مشکل نسبت ظاهر سبز به درختان خیابان، کمربندهای ایزوله و سبز شدن سه بعدی در فضای خیابان تبدیل شد. در نهایت، به منظور ترویج بیشتر توسعه منظم کارهای مربوطه، مانند نوسازی و نوسازی خیابان، این مطالعه پیشنهادهای برنامه ریزی هدفمندی را برای نوسازی و بازسازی خیابان ها در سطوح مختلف با توجه به مشکلات مهم کیفی و توالی زمانی خیابان ارائه کرد. بازسازی.
4. نتایج و اقدامات متقابل
4.1. اندازه گیری و طبقه بندی کیفیت فضایی خیابان
در پیوند ارزیابی نمونه‌گیری، این مطالعه از هر داوطلب دعوت کرد تا 500 قضاوت مقایسه‌ای از خیابان‌های هم‌پایه انجام دهد. مقادیر اختلاف رتبه پس از هر مقایسه محاسبه شد و نمودار پراکندگی با استفاده از مقدار متوسط از یک گروه 5 مقایسه ترسیم شد. محور عمودی نشان دهنده میانگین مقدار اختلاف رتبه برای پنج مقایسه است و محور افقی تعداد مقایسه ها است. مطابق شکل 10با افزایش تعداد مقایسه ها، مقدار اختلاف رتبه یک روند کاهشی لگاریتمی را نشان می دهد. زمانی که تعداد ارزیابی مقایسه‌ها برای جاده‌های شریانی، جاده‌های تنه ثانویه و جاده‌های فرعی به ترتیب به حدود 2500، 2800 و 3000 رسید، رتبه‌بندی امتیازات تمایل به پایداری داشت و مقدار اختلاف رتبه اساساً زیر 0.1 بود. نمرات کیفیت نهایی تمام تصاویر نمونه به دست آمد ( شکل 11 ).
مقادیر هفت شاخص عنصر مشخصه فضایی خیابان پس از استانداردسازی داده ها به مدل رگرسیون RF وارد شد ( شکل 12) و آموزش RF خیابان ها در مقاطع مختلف انجام شد. با توجه به خطا و دقت هر دور تمرین، مشخص شد که وقتی تعداد درختان تصمیم انتخاب شده برای جاده های شریانی، راه های تنه ثانویه و جاده های شاخه ای به ترتیب 100، 150 و 150 و کمترین تعداد نمونه بود. تقسیم شده توسط گره های داخلی و برای هر گره برگ هر دو 2 بود، خطای کل مدل تمایل به پایدار بودن داشت. یعنی تحت این تنظیمات، آموزش مدل بر اساس الگوریتم رگرسیون RF تاثیر خوبی داشت. به طور خاص، در مدل RF از خیابان‌های سه درجه، ضریب تعیین (R2) مجموعه آموزشی بالای 0.83 و R2 مجموعه آزمایشی بالای 0.82 بود. این بدان معنی است که الگوریتم رگرسیون RF به خوبی با داده های مربوطه مطابقت دارد. و بین مقدار واقعی و مقدار پیش بینی شده مدل همبستگی بالایی وجود داشت. در مقایسه با مجموعه‌های آموزشی و آزمایشی برای همان مدل، تفاوت در مقادیر شاخص ارزیابی مدل کم بود، که نشان می‌دهد مدل هیچ پدیده بیش از حد برازشی را ارائه نمی‌دهد و توانایی تعمیم قوی دارد. نتایج نهایی نشان داد که دقت مدل‌های جاده‌های شریانی، جاده‌های تنه ثانویه و جاده‌های شاخه‌ای همگی بالاتر از ۸۰ درصد بود که نشان می‌دهد این مدل کاربرد و اثربخشی قوی در اندازه‌گیری کیفیت فضایی خیابان‌ها دارد.
پس از استانداردسازی داده ها، از مدل رگرسیون RF آموزش دیده برای پیش بینی نمرات کیفیت فضایی خیابان ها در درجات مختلف استفاده شد. در نهایت نمرات کیفیت هر نقطه نمونه به دست آمد. با توجه به نتایج اندازه گیری، دامنه امتیاز کیفیت فضایی خیابان در ناحیه گونگشو 0.172-0.906، با مقدار متوسط 0.593 بود. امتیاز کیفی جاده های شریانی از 0.172 تا 0.906 با مقدار متوسط 0.634 متغیر بود. امتیاز جاده های تنه ثانویه 0.210-0.808 با میانگین 0.559 بود. امتیاز جاده های انشعاب 0.196-0.861، با میانگین 0.596 ( جدول 3) بود.). در نهایت، نمرات کیفیت فضایی جاده های شریانی، جاده های تنه ثانویه و جاده های فرعی از بالا به پایین رتبه بندی شدند. با استفاده از 1/3 از رتبه بندی امتیاز به عنوان نقطه تقسیم، کیفیت فضایی خیابان ها به سه دسته بالا، متوسط و پایین تقسیم شد و با استفاده از ArcGIS، همانطور که در شکل 13 نشان داده شده است، تجسم شد .
4.2. تشخیص مشکلات کیفیت فضایی خیابان
4.2.1. ویژگی های کلی مشکلات کیفیت فضایی خیابان ها
با توجه به نتایج تجزیه و تحلیل اهمیت متغیر به‌دست‌آمده با استفاده از الگوریتم RF، نسبت ظاهر سبز و درجه موتورسازی جاده تأثیر مهمی بر سه نوع خیابان داشت. غنای رنگ خیابان تأثیر قابل توجهی بر کیفیت فضایی جاده های تنه شریانی و فرعی داشت. محفظه رابط تأثیر خاصی بر جاده های شریانی و شاخه ای داشت. و باز بودن خیابان و نسبت فضای پیاده روی به ترتیب تأثیر بیشتری بر جاده های تنه ثانویه و جاده های فرعی داشت ( شکل 14).). بنابراین، تأثیر عناصر ویژگی‌های فضایی خیابان بر کیفیت خیابان‌ها در درجات مختلف تفاوت‌های زیادی را نشان می‌دهد. در برنامه ریزی واقعی نوسازی، استراتژی های هدفمند باید با استفاده از ترکیبی با ویژگی های مشکلات مختلف کیفیت فضایی خیابان طراحی شوند.
بر اساس نتایج ممیزی مشکلات کیفیت فضایی خیابان ها، مسائل مشترکی در رابطه با رابط ساختمان (آشفتگی رابط، نمای ساختمان قدیمی یا آسیب دیده) و تأسیسات خیابانی (بیلبوردهای آشفته) در سه نوع خیابان وجود دارد ( شکل 15).). ساخت و ساز ساختمان های موقت اغلب در جاده های تنه شریانی و فرعی رخ می دهد و اختلال خطوط هوایی عمدتاً در جاده های تنه و فرعی ثانویه وجود دارد. مشکلات تجاوز، خرابی و سفت نشدن تأسیسات جاده ای در راه های شریانی و راه های فرعی جدی تر بود. بنابراین، مشکلات کیفی تأسیسات خیابانی، رابط های ساختمانی و جاده ها به طور کلی برجسته بود. سایر مشکلات کیفی با توجه به خیابان‌ها در درجات مختلف متفاوت است و بنابراین باید با توجه به وضعیت واقعی بهبود یابد.
4.2.2. ویژگی های مشکلات کیفی در خیابان ها در مقاطع مختلف
جاده های شریانی: از شکل 16 مشاهده می شود که امتیازات اهمیت برای درجه موتوری شدن جاده، غنای رنگ خیابان، نسبت ظاهر سبز و محفظه رابط بالاتر بوده است، به این معنی که این عناصر ویژگی تاثیر بیشتری دارند. در مورد کیفیت فضای خیابان بر اساس فهرست مشکلات کیفی فضایی خیابان ها، 657 نقطه نمونه برداری با مشکل در معابر شریانی وجود دارد که 28.47 درصد را به خود اختصاص داده است. مشکلات کیفیت برجسته عمدتاً شامل آشفتگی رابط، نمای ساختمان‌های قدیمی یا آسیب‌دیده، بیلبوردهای آشفته، ساختمان‌های موقت و تأسیسات جاده‌ای بود که مورد تجاوز، آسیب‌دیدگی یا مقاوم‌سازی قرار گرفته بودند.
جاده‌های تنه ثانویه: از شکل 17 مشاهده می‌شود که امتیازات اهمیت درجه موتوری بودن جاده، غنای رنگ خیابان، باز بودن خیابان و نسبت سبزه بیشتر بوده که نشان می‌دهد این عناصر ویژگی دارای اهمیت قابل توجهی هستند. تاثیر بر کیفیت فضایی خیابان های جاده های تنه ثانویه از لیست مشکلات کیفی، 1257 نقطه نمونه برداری با مشکل در جاده های تنه فرعی وجود دارد که 37.87 درصد را شامل می شود. مشکلات کیفیت برجسته عمدتاً شامل نمای ساختمان های قدیمی یا آسیب دیده، بیلبوردهای آشفته، سردرگمی رابط، خطوط هوایی نامرتب و ساخت و ساز موقت ساختمان بود.
جاده های شاخه ای: از شکل 18 مشاهده می شود که امتیازات اهمیت درجه موتوری شدن جاده، نسبت سبزه، محفظه رابط و نسبت فضای پیاده روی بالاتر بوده است، به این معنی که این عناصر ویژگی تأثیر بیشتری داشته اند. در خیابان کیفیت فضایی از لیست مشکلات کیفی، 2889 نقطه نمونه برداری در جاده های فرعی دچار مشکل شدند که 50.24 درصد را شامل می شود. مشکلات کیفیت برجسته عمدتاً شامل نمای ساختمان‌های قدیمی یا آسیب‌دیده، خطوط هوایی نامرتب، تأسیسات جاده‌ای که مورد تجاوز قرار گرفته، آسیب‌دیده یا سخت‌نشده، سردرگمی رابط، و بیلبوردهای نامرتب بودند.
4.3. برنامه ریزی نوسازی فضایی خیابان ها
4.3.1. دنباله زمانی تجدید خیابان
در sDNA، نتایج محاسبه در مورد دسترسی به خیابان تحت شعاع های اندازه گیری مختلف نشان دهنده درجات مختلف انتخاب جاده توسط ساکنان است. با توجه به وضعیت سفر روزانه در هانگژو و نتایج تحقیقات مربوطه [ 48 ، 50 ]، 6000 متر و 800 متر به ترتیب به عنوان شعاع اندازه گیری سفر روزانه در رفت و آمد و پیاده روی برای محاسبه دسترسی به خیابان انتخاب شدند ( شکل 19 ). با توجه به اینکه ویژگی‌های عملکردی خیابان‌ها در درجات مختلف دارای تفاوت‌های خاصی است، اهمیت خیابان‌های جاده‌های تنه شریانی و فرعی با توجه به دسترسی رفت‌وآمد و اهمیت جاده‌های فرعی با استفاده از دسترسی پیاده‌روی شناسایی شد ( شکل 20).). بر اساس نتیجه برهم نهی «اهمیت و کیفیت»، خیابان‌های با کیفیت پایین که اغلب ساکنان در زندگی روزمره از آن استفاده می‌کنند باید در اولویت قرار گیرند تا اخیراً به‌روزرسانی شوند. یعنی خیابان‌های «با اهمیت بالا-کیفیت پایین». سپس، خیابان‌های «با اهمیت بالا-کیفیت متوسط» نیز باید نوسازی شوند ( شکل 21 ).
4.3.2. برنامه ریزی اقدامات متقابل برای نوسازی فضایی خیابان ها
اجرای برنامه ریزی نوسازی فضایی خیابان ها موظف به اجرای مرحله ای و طبقه بندی شده است. از یک سو، با توجه به توالی زمانی به روز شده خیابان ها در درجه های مختلف ( شکل 21 )، برنامه ریزی نوسازی خیابان ها را می توان به صورت منظم انجام داد. از سوی دیگر، در فرآیند نوسازی خیابان‌های هم سطح، باید مسائل کلیدی کیفی برای ارتقای اولویت در نظر گرفته شود. به این معنا که برای بهبود کارایی نوسازی فضایی خیابان‌ها و بهینه‌سازی اثر نوسازی، باید روی عناصر مشخصه‌ای که تأثیر زیادی بر کیفیت خیابان دارند و همچنین مشکلات کیفی برجسته فضای خیابان تمرکز کنیم.
بر اساس توالی زمانی نوسازی خیابان‌ها در درجه‌های مختلف و نتایج تشخیص مشکلات کیفی فضایی خیابان‌ها، استراتژی‌های نوسازی بسیار هدفمند برای دستیابی به نوسازی دقیق خیابان‌ها تدوین شد. شروع از خیابان های اولویت دار برای نوسازی در بعد «اهمیت بالا-کیفیت پایین» با استفاده از سه نوع فضای خیابانی شامل جاده های شریانی، جاده های تنه فرعی و جاده های فرعی، طبق اصل و ابزار «نوسازی دقیق» به عنوان نمونه. ، این مطالعه توصیه های برنامه ریزی هدفمندی را برای فضای خیابان به منظور کمک بیشتر به تصمیمات برنامه ریزی مربوط به نوسازی شهری در ناحیه گونگشو ارائه کرد.
جاده های شریانی: همانطور که در شکل 21 نشان داده شده است، در مجموع 13 بخش خیابان، مانند L1 (جاده Shixiang: Tongyi Road-Lishui Road Section) باید در اولویت برای نوسازی قرار گیرند .آ. در بعد بهینه سازی عناصر مشخصه فضای خیابان، باید بر کاهش درجه موتوریزه شدن با استفاده از خطوط دوچرخه، تعریض فضاهای عابر پیاده و اجرای انواع اقدامات کاهش سرعت برای ارتقای ایمنی خیابان ها تمرکز شود. با توجه به رنگ غالب ساختمان های کنار خیابان، رنگ نمای ساختمان، تابلوهای تبلیغاتی و سایر عناصر باید به درستی تنظیم و کنترل شود. اقداماتی مانند استفاده کامل از منطقه حائل خیابان و کمربند ایزوله سبز باید برای بهبود نسبت ظاهر سبز انجام شود. ماهیت زمین اطراف خیابان باید تا حد امکان سازگار و مخلوط باشد، مانند تشویق تجارت خیابانی متوسط، تا تنوع عملکردی و شفافیت فضای زیرین ساختمان تضمین شود. از نظر بهبود مشکلات کیفی فضای خیابان، باید بر نوسازی نمای ساختمان‌های کنار خیابان و تغییر شکل رابط معماری متمرکز شود. همچنین برای دستیابی به جاده‌های هموار، محیطی پاک و فضای خیابانی باکیفیت، باید کارهای نوسازی موقت ساختمان و اقدامات ویژه راهبری انجام شود و مشکلاتی از قبیل اشغال جاده، تجاوز به فضای پارکینگ و آسیب‌دیدگی جاده برطرف شود. به موقع برخورد کرد.
جاده های تنه ثانویه: همانطور که در شکل 21 نشان داده شده است، دریافتیم که 19 بخش خیابان، مانند L1 (جاده جینچانگ: Lishui Road-Beixiu Street Section) باید برای تجدید اولویت داده شوند .ب در بعد بهینه سازی ویژگی های فضای خیابان، با توجه به جریان انسانی، اقداماتی مانند تنظیم فرم بخش جاده و تخصیص منطقی فضای سطح جاده عمدتاً باید به منظور اطمینان از مناسب بودن مقیاس فضایی و دسترسی به ترافیک انجام شود. هماهنگی فرم و رنگ رابط ساختمان در امتداد خیابان، پرورش گیاهان با جلوه های منظر خوب بر اساس فصل و غنی سازی رنگ خیابان می تواند جلوه سبز شدن منظر خیابان را تقویت کند. از نظر نوسازی کیفیت فضای خیابان، رابط ساختمان و امکانات باید با استفاده از بازسازی خرد ساختمان ها مرتب و یکنواخت نگه داشته شود. تخریب ساختمان های موقت و اصلاح فضای خیابان باید در یک محدودیت زمانی انجام شود. علاوه بر این،
جاده های شعبه: همانطور که در شکل 21 نشان داده شده است، باید به بخش های متعدد خیابان، مانند L1 (جاده Xiangsheng: Xiangmao Road-Beiruan Road)، اولویت برای تجدید داده شود .ج در بعد بهینه سازی عناصر مشخصه فضای خیابان، باید بر آزادسازی فضای جاده با استفاده از محدودیت پارک در دو طرف جاده و یکپارچه سازی طراحی مقاوم سازی ساختمان های کنار خیابان و پیاده رو متمرکز شود. برای برخی از خیابان‌های فاقد مقدار سبز، با استفاده از افزایش درختان خیابان، سبز کردن زمین در امتداد خیابان، و ساختن سبزه عمودی، در میان راه‌های دیگر، نسبت سبزی مشخصی را می‌توان تضمین کرد. برای خیابان هایی با درختان سرسبز، شاخه ها باید به درستی کوتاه شوند تا از عبور ایمن وسایل نقلیه و دید باز از خیابان اطمینان حاصل شود. در راستای ارتقای کیفیت فضای خیابان، باید بر تعمیر و بازسازی نمای ساختمان و همچنین استانداردسازی امکاناتی مانند بیلبوردها و دستگاه های تهویه مطبوع تمرکز شود. مدیریت یکپارچه خطوط هوایی می تواند فضای خیابان را زیباتر و زیباتر کند. همچنین پروژه‌های سخت‌سازی جاده‌ها و نوسازی زمین‌های بایر باید انجام شود که در بهبود کیفیت فضای خیابان مفید خواهد بود.
5. بحث
5.1. تشخیص کارآمد مشکلات کیفیت فضای خیابان
در این مطالعه، ما از داده‌های بزرگ از تصاویر نمای خیابان استفاده کردیم و رویکرد یادگیری ماشین را با ممیزی مصنوعی ترکیب کردیم تا روشی سریع، دقیق و مؤثر برای تشخیص کیفیت فضایی و مشکلات خیابان‌ها بسازیم. ما معتقدیم که در مقایسه با تحقیقات موجود، نوآوری های کلیدی این مطالعه به شرح زیر است:
از نظر محتوای مطالعه، مطالعات موجود خیابان‌های شهری را در فرآیند بکارگیری روش‌های یادگیری ماشینی برای اندازه‌گیری کیفیت فضای خیابان طبقه‌بندی نکرده‌اند. در این کار، ما از یادگیری ماشین برای انجام آموزش مدل هدفمند با توجه به درجه‌های مختلف خیابان‌ها استفاده کردیم و سپس یک ارزیابی کمی از کیفیت فضایی خیابان‌ها برای جاده‌های شریانی، جاده‌های تنه ثانویه و جاده‌های شاخه انجام دادیم. این نه تنها کاربرد هدفمند فناوری‌های جدید را در زمینه برنامه‌ریزی شهری تقویت می‌کند، بلکه اثربخشی روش‌های اندازه‌گیری کیفیت فضایی خیابان‌ها را با استفاده از داده‌های بزرگ و فناوری‌های جدید بیشتر افزایش می‌دهد.
از نظر روش‌های مطالعه، از یک سو، ترکیب داده‌های نمای خیابان و فناوری یادگیری ماشین، در مقایسه با روش‌های سنتی برنامه‌ریزی و طراحی مانند بررسی‌های میدانی و پرسشنامه، مزایای سرعت و کارآمدی بیشتر در اندازه‌گیری فضای خیابان را نشان داده است. کیفیت از سوی دیگر، روش ترکیب اندازه‌گیری عینی با قضاوت ذهنی اتخاذ شد که نه تنها از فناوری یادگیری ماشین برای تشخیص مؤثر مشکلات موجود در عناصر فیزیکی فضای خیابان استفاده می‌کرد، بلکه از یک روش حسابرسی مصنوعی برای ترکیب دانش و قضاوت ذهنی استفاده کرد. شهروندان، به این ترتیب به تشخیص دقیق مشکلات کیفی خیابان دست می یابند. از این رو،
5.2. الهامات برای ساخت فضای خیابان شهری
در مرحله توسعه سهام ساخت و ساز شهری، ارزیابی جامع و دقیق کیفیت فضایی خیابان های شهری و مشکلات مربوط به آن، پایه مهمی برای اجرای نوسازی شهری است. این مطالعه اندازه‌گیری‌های کیفیت فضایی خیابان‌ها را با استفاده از داده‌های چند منبع شهری انجام داد و به تشخیص دقیق مشکلات کیفیت خیابان دست یافت. بر اساس مشکلات کیفی موجود در فضای خیابان، این مطالعه برخی اقدامات متقابل راهنمایی هدفمند برای برنامه‌ریزی نوسازی فضایی خیابان‌ها را پیشنهاد می‌کند که ممکن است به کاهش معضل فعلی سرزندگی فضایی ناکافی خیابان کمک کند. علاوه بر این، اهمیت عملی قوی در ترویج کار نوسازی دقیق در مناطق قدیمی شهری و توسعه پایدار شهرها داشت. از منظر برنامه ریزی و ساخت و ساز کل چارچوب تحلیلی برای ساخت و مدیریت فضای خیابان شهری بسیار روشنگر است. بینش های خاص به شرح زیر است:
اولین مورد تمایز درجه خیابان برای مدیریت فضایی است. نوسازی و نوسازی فضاهای خیابان در درجات مختلف نیازمند تمرکز و هماهنگی هدف است. به عنوان مثال، برای اصلاح دستگاه های تهویه مطبوع خارجی در ساختمان های خیابانی، کابینت های تهویه مطبوع در جاده های تنه شریانی و ثانویه باید تا حد امکان کاملاً پنهان شوند، اما کابینت های موجود در جاده های شعب شهری باید به سادگی به طور منظم چیده شوند. . برخورد تفاضلی فضای خیابان می‌تواند منعکس‌کننده ویژگی‌های فضایی خیابان‌ها باشد و از پدیده «هزار شهر در یک الگو» اجتناب کند، که برای بهینه‌سازی اثر نوسازی فضایی مهم است.
دوم، تنظیم را می توان با توجه به شاخص های عناصر مشخصه خیابان انجام داد. بر اساس شاخص های مختلف اندازه گیری مانند نسبت سبز به نظر، باز بودن خیابان، محفظه رابط و غیره، اقدامات کنترلی ویژه مربوطه را می توان برای درمان ویژه یک به یک پیشنهاد کرد. با استفاده از نسبت ظاهر سبز به عنوان مثال، می توان آن را با تنظیم تعداد درختان خیابان در دو طرف خیابان، نوسازی منطقه ایزوله مرکزی برای بهبود سبز شدن و افزایش سبز شدن سه بعدی ساختمان های کنار خیابان تنظیم کرد. بنابراین، انتظار می‌رود مقررات مبتنی بر شاخص‌های المان خیابان، منجر به تحقق مدیریت و کنترل دقیق عناصر فضایی خیابان‌ها شود.
سوم، اطلاعات ریز فضایی خیابان ها را می توان در طول زمان رصد کرد. داده‌های نمای خیابان که به‌طور منظم به‌روزرسانی می‌شوند را می‌توان برای درک تغییرات دینامیکی مسائل کیفیت فضایی خیابان، به‌طور مؤثر ارزیابی پویا کیفیت فضایی خیابان را تکمیل کرد. از یک طرف، پایگاه داده شاخص مربوطه را می توان با توجه به شاخص های عناصر فضایی خیابان ساخت. با استفاده از داده های به روز و مرتبط به موقع، می توان کیفیت فضای خیابان را به صورت پویا مدیریت کرد. از سوی دیگر، با استفاده از روش تشخیص مشکلات کیفی فضایی خیابان ساخته شده در این مطالعه، می توان محیط ریز فضایی خیابان را برای پاسخگویی به موقع به دقت پایش کرد.
5.3. محدودیت ها و کار آینده
اگرچه روش تشخیص مشکلات کیفی فضایی خیابان پیشنهاد شده در این مطالعه نتایج رضایت‌بخشی به دست آورد، هنوز محدودیت‌هایی وجود دارد که باید در کارهای آینده بهبود یابد.
از نظر جمع‌آوری داده‌ها، تنها تصاویر نمای خیابان در یک بازه زمانی معین به عنوان داده‌های پایه انتخاب شدند که فاقد کسب و تحقیق از داده‌های نمای خیابان در فصول و اقلیم‌های مختلف بودند. در تحقیقات بعدی، می توان با استفاده از فناوری اطلاعات و ارتباطات، داده های جامع تری از نمای خیابان به دست آورد. در همین حال، مدل‌های متعددی مانند FCN و Deeplab را می‌توان برای مطالعه مقایسه‌ای در حین تقسیم‌بندی تصویر انتخاب کرد تا فرصت‌های بیشتری برای مطالعه مرتبط در مورد کیفیت فضایی خیابان‌ها و انجام تحقیقات علمی و دقیق‌تر در مورد ارزیابی آن فراهم شود.
از نظر کاربردهای داده، تصاویر نمای خیابان یک صفحه دو بعدی را نشان می‌دهند، اما درک بصری انسان از فضا معمولاً بیشتر تحت تأثیر فضای سه‌بعدی است که ممکن است تأثیر خاصی بر نتایج نهایی ارزیابی کیفیت فضایی خیابان داشته باشد. در آینده، ما قصد داریم فناوری را با استفاده از ساخت صحنه VR و سایر فناوری‌های مرتبط بهینه کنیم تا به درک و احساس واقعی مردم نزدیک‌تر شویم، بنابراین پشتیبانی داده‌ای قوی‌تر برای تحقیقات مربوط به کیفیت فضایی خیابان ارائه می‌کنیم.
6. نتیجه گیری
توسعه سریع داده‌های بزرگ و فناوری‌های جدید، روش‌های مطالعه جدیدی را برای تحلیل فضایی خیابان‌ها و همچنین پایه‌گذاری داده‌ها برای ارزیابی کمی کیفیت فضایی خیابان‌ها و تشخیص دقیق مشکلات کیفی به ارمغان آورده است. در این مطالعه، چارچوبی برای روشی برای تشخیص کیفیت فضایی و مشکلات خیابان‌ها با استفاده از تصاویر نمای خیابان ایجاد کردیم. در همین حال، امکان‌سنجی و کاربردی بودن این روش با استفاده از مطالعه موردی منطقه گونگشو، شهر هانگژو تأیید شد. از یک سو، با استفاده از ترکیب یادگیری ماشین و ممیزی مصنوعی، تشخیص جامع مشکلات کیفی خیابان ها در درجات مختلف محقق شد. از سوی دیگر، اهمیت خیابان‌ها با توجه به دسترسی به آنها شناسایی شد. پس از آن می توان توالی زمانی نوسازی خیابان را تعیین کرد. پس از آن، یک سری از استراتژی های هدفمند برای برنامه ریزی به روز رسانی فضایی خیابان ها به منظور حل این مشکلات پیشنهاد شد. به طور کلی، در این کار، ما از داده‌های بزرگ و فناوری‌های جدید برای ارائه دیدگاه جدیدی برای نوسازی شهری استفاده کردیم، بنابراین محتوای مطالعاتی مرتبط با کیفیت فضایی خیابان‌های شهری را غنی‌تر کردیم و همچنین کاربرد عملی نتایج مطالعه را تقویت کردیم. ما معتقدیم که چارچوب روش‌شناختی پیشنهادی در این مطالعه می‌تواند پشتیبانی تصمیم‌گیری بیشتر برای برنامه‌ریزی شهری و مدیریت ساخت‌وساز علمی و معقول، از جمله معاینه فیزیکی شهری، ساخت و ساز شهر هوشمند و غیره را فراهم کند. مجموعه ای از استراتژی های هدفمند برای برنامه ریزی به روز رسانی فضایی خیابان ها به منظور حل این مشکلات پیشنهاد شد. به طور کلی، در این کار، ما از داده‌های بزرگ و فناوری‌های جدید برای ارائه دیدگاه جدیدی برای نوسازی شهری استفاده کردیم، بنابراین محتوای مطالعاتی مرتبط با کیفیت فضایی خیابان‌های شهری را غنی‌تر کردیم و همچنین کاربرد عملی نتایج مطالعه را تقویت کردیم. ما معتقدیم که چارچوب روش‌شناختی پیشنهادی در این مطالعه می‌تواند پشتیبانی تصمیم‌گیری بیشتر برای برنامه‌ریزی شهری و مدیریت ساخت‌وساز علمی و معقول، از جمله معاینه فیزیکی شهری، ساخت و ساز شهر هوشمند و غیره را فراهم کند. مجموعه ای از استراتژی های هدفمند برای برنامه ریزی به روز رسانی فضایی خیابان ها به منظور حل این مشکلات پیشنهاد شد. به طور کلی، در این کار، ما از داده‌های بزرگ و فناوری‌های جدید برای ارائه دیدگاه جدیدی برای نوسازی شهری استفاده کردیم، بنابراین محتوای مطالعاتی مرتبط با کیفیت فضایی خیابان‌های شهری را غنی‌تر کردیم و همچنین کاربرد عملی نتایج مطالعه را تقویت کردیم. ما معتقدیم که چارچوب روش‌شناختی پیشنهادی در این مطالعه می‌تواند پشتیبانی تصمیم‌گیری بیشتر برای برنامه‌ریزی شهری و مدیریت ساخت‌وساز علمی و منطقی، از جمله معاینه فیزیکی شهری، ساخت‌وساز شهر هوشمند و غیره را فراهم کند. و همچنین تقویت کاربرد عملی نتایج مطالعه. ما معتقدیم که چارچوب روش‌شناختی پیشنهادی در این مطالعه می‌تواند پشتیبانی تصمیم‌گیری بیشتر برای برنامه‌ریزی شهری و مدیریت ساخت‌وساز علمی و منطقی، از جمله معاینه فیزیکی شهری، ساخت‌وساز شهر هوشمند و غیره را فراهم کند. و همچنین تقویت کاربرد عملی نتایج مطالعه. ما معتقدیم که چارچوب روش‌شناختی پیشنهادی در این مطالعه می‌تواند پشتیبانی تصمیم‌گیری بیشتر برای برنامه‌ریزی شهری و مدیریت ساخت‌وساز علمی و منطقی، از جمله معاینه فیزیکی شهری، ساخت‌وساز شهر هوشمند و غیره را فراهم کند.
منابع
- اتوپون، ک. داگلاس، جی دبلیو. راجر، دی. مروری بر تکامل مفاهیم فضای مشترک (خیابان) در محیط های شهری. ترانسپ Rev. 2014 , 34 , 2. [ Google Scholar ]
- Guo, E. طراحی متقابل برای فضای عمومی شهری با کیفیت بالا. آرشیت. J. 1998 ، 3 ، 10-12. [ Google Scholar ]
- ژو، جی. Huang, J. بحث در مورد سیستم شاخص ارزیابی کیفیت فضای عمومی شهری. آرشیت. J. 2003 ، 3 ، 52-56. [ Google Scholar ]
- Lansing، JB; Marans، RW ارزیابی کیفیت همسایگی. مربا. Inst. طرح. 2007 ، 35 ، 3. [ Google Scholar ] [ CrossRef ]
- Jacobs, AB Great Streets ; انتشارات MIT: کمبریج، بریتانیا، 1993. [ Google Scholar ]
- Gehl, J. زندگی بین ساختمان ها: استفاده از فضای عمومی . انتشارات معماری دانمارکی: کپنهاگ، دانمارک، 1971. [ Google Scholar ]
- لی، ز. Long, Y. تحلیلی بر تنوع کیفیت فضای خیابان در شهرهای کوچک شده بر اساس تشخیص تصاویر پویا نمای خیابان: مطالعه موردی قیقیار. شهری. آرشیت. 2018 ، 6 ، 21-25. [ Google Scholar ]
- وانگ، ی. چن، کیو. هو، ی. Xu, D. تحقیقات ارزیابی کیفیت فضای خیابان بر اساس عناصر مادی – با در نظر گرفتن منطقه شهری قدیمی شهرستان تونگلو به عنوان مثال. آرشیت. فرقه 2017 ، 3 ، 201-203. [ Google Scholar ]
- خو، ال. جیانگ، دبلیو. 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 ، 7 ، 23-29. [ Google Scholar ]
- شائو، ی. یین، ی. Xue, Z. ارزیابی و مقایسه آسایش منظره خیابان در پکن و شانگهای بر اساس رویکرد داده های بزرگ با تصاویر خیابان. Landsc. آرشیت. 2021 ، 1 ، 53-59. [ Google Scholar ]
- دی، دی. جیانگ، ی. بله، دی. Ye, Y. ارزیابی کیفیت فضای خیابان با پشتیبانی New Urban Science: منطقه مرکزی شانگهای. برنامه ریزان 2021 ، 16 ، 5-12. [ Google Scholar ]
- دونالد، ا. مارک، ال. کیفیت محیطی خیابان های شهر: دیدگاه ساکنان. مربا. برنامه ریزی کنید. دانشیار 1972 ، 38 ، 84-101. [ Google Scholar ]
- یانگ، جی. ژائو، ال. جو، ام. گونگ، پی. آیا می توانی سبز را ببینی؟ ارزیابی دید جنگل های شهری در شهرها. Landsc. طرح شهری. 2008 ، 91 ، 97-104. [ Google Scholar ] [ CrossRef ]
- Lv، X.; تانگ، اچ. لی، اچ. Bian, G. تحقیق در مورد ادراک فضایی و استراتژی بهینه‌سازی خیابان‌های زندگی بر اساس PSPL و روش تفاضلی معنایی-مطالعه موردی خیابان یوهو در تیانجین. J. دانشگاه پکن. مدنی مهندس آرشیت. 2021 ، 37 ، 9-19. [ Google Scholar ]
- لی، جی. کیم، دی. پارک، جی. مطالعه ماشینی و بینایی کامپیوتری در مورد ویژگی های محیطی مناظر خیابانی که بر رضایت عابران پیاده تأثیر می گذارد. پایداری 2022 ، 14 ، 9. [ Google Scholar ] [ CrossRef ]
- لانگ، ی. تانگ، جی. اندازه‌گیری کمی در مقیاس بزرگ کیفیت فضای خیابان شهری: پیشرفت پژوهش. طرح شهر. Rev. 2019 , 43 , 107–114. [ Google Scholar ]
- فن، جی. تانگ، اچ. Ye, Y. ارزیابی چند بعدی و راهنمایی برای کیفیت فضای خیابان عابر پیاده: تجزیه و تحلیل داده های شهری چند منبعی. برنامه ریزان 2019 ، 35 ، 5-11. [ Google Scholar ]
- Ge، Y. بله، ی. متعجب.؛ تانگ، اچ. Qi, Y. برنامه ریزی تمرین “نوسازی شهری و احیای محیط زیست” از دیدگاه جهت گیری انسان تحت حمایت علوم شهری جدید: موردی از Kaifeng. شهری. آرشیت. 2019 ، 16 ، 118-127. [ Google Scholar ]
- لانگ، ی. Ye, Y. فرم شهری در مقیاس انسانی: اندازه گیری ها، عملکردها و مداخلات برنامه ریزی و طراحی شهری. معمار جنوبی. 2016 ، 5 ، 41-47. [ Google Scholar ]
- دو، ی. Huang, W. ارزیابی کیفیت فضای خیابان با استفاده از داده‌های نمای خیابان: دیدگاهی از فعالیت فیزیکی تفریحی سالمندان. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 4. [ Google Scholar ] [ CrossRef ]
- ون، دی. لیو، ام. Yu, Z. کمی کردن کیفیت چشم انداز اکولوژیکی خیابان شهری با تصاویر نمای خیابان باز: مطالعه موردی جزیره Xiamen، چین. Remote Sens. 2022 , 14 , 14. [ Google Scholar ] [ CrossRef ]
- گونگ، ز. ما، س. کان، سی. Qi، Q. طبقه بندی فضاهای خیابان با تصاویر نمای خیابان برای نشانگر فضایی توابع شهری. پایداری 2019 ، 11 ، 22. [ Google Scholar ] [ CrossRef ]
- ثالس، پ. شچتنر، ک. هیدالگو، کالیفرنیا تصویر مشارکتی شهر: نقشه برداری از نابرابری ادراک شهری. PLoS ONE 2013 ، 8 ، 7. [ Google Scholar ] [ CrossRef ]
- تانگ، جی. ارزیابی کیفیت فضای خیابان طولانی، Y. متروپولیتن: حلقه دوم و سوم پکن، حلقه داخلی شانگهای. برنامه ریزان 2017 ، 33 ، 68-73. [ Google Scholar ]
- 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 ]
- وانگ، ام. Vermeulen، F. زندگی بین ساختمان ها از تصویر نمای خیابان: تجزیه و تحلیل داده های بزرگ در مورد سرزندگی سازمانی محله چه چیزی را آشکار می کند؟ مطالعه شهری. 2021 ، 58 ، 3118-3139. [ Google Scholar ] [ CrossRef ]
- وانگ، ام. چن، ز. Rong، HH; مو، ال. زو، پی. Shi, Z. دسترسی به اشتراک سواری از چشم انسان: مدلسازی فضایی محیط ساخته شده با تصاویر سطح خیابان. محاسبه کنید. محیط زیست سیستم شهری 2022 ، 97 ، 101858. [ Google Scholar ] [ CrossRef ]
- ژائو، تی. لیانگ، ایکس. تو، دبلیو. هوانگ، ز. Biljecki، F. سنجش صداهای شهری از تصاویر نمای خیابان. محاسبه کنید. محیط زیست سیستم شهری 2023 ، 99 ، 101915. [ Google Scholar ] [ CrossRef ]
- بله، ی. زنگ، دبلیو. شن، Q. ژانگ، ایکس. Lu, Y. کیفیت بصری خیابان ها: اندازه گیری مداوم انسان محور بر اساس الگوریتم های یادگیری ماشین و تصاویر نمای خیابان. محیط زیست Plan B-Urban 2019 , 46 , 1439–1457. [ Google Scholar ] [ CrossRef ]
- بله، ی. ژانگ، ز. ژانگ، ایکس. Zeng، W. کیفیت مقیاس انسانی در خیابان ها: 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 ]
- یائو، ی. لیانگ، ز. یوان، ز. لیو، پی. بی، ی. ژانگ، جی. وانگ، آر. وانگ، جی. Guan، Q. چارچوب امتیازدهی انسان و ماشین برای ارزیابی ادراک شهری با استفاده از تصاویر نمای خیابان. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 2363-2384. [ Google Scholar ] [ CrossRef ]
- شی، سی. یوان، Q. پان، اچ. Ye, Y. اندازه‌گیری قابلیت پیاده‌روی فضای خیابان و کنترل طراحی آن در زمینه تکنیک‌های تحلیلی جدید: مطالعه موردی منطقه معبد شانگهای Jing’an. طرح شهری شانگهای Rev. 2020 , 5 , 71-79. [ Google Scholar ]
- وانگ، آر. لیو، ی. لو، ی. ژانگ، جی. لیو، پی. یائو، ی. گرکوسیس، جی. ادراکات محیط ساخته شده و نتایج سلامت برای چینی‌های مسن‌تر در پکن: رویکرد داده‌های بزرگ با تصاویر نمای خیابان و تکنیک یادگیری عمیق. محاسبه کنید. محیط زیست شهری. 2019 ، 78 ، 101386. [ Google Scholar ] [ CrossRef ]
- کوی، سی. رن، اچ. ژائو، ال. ارزیابی کیفیت فضای خیابان Zhuang، D. در منطقه Yuexiu شهر گوانگژو بر اساس ترکیب چند ویژگی تصاویر نمای خیابان. J. Geo-Inf. علمی 2020 ، 22 ، 1330-1338. [ Google Scholar ]
- لی، ام. یانگ، ز. Xue, F. استراتژی‌های ارتقای کیفیت، برنامه‌ریزی و طراحی سبزی خیابان شهری بر اساس داده‌های چند منبعی: مطالعه موردی منطقه شهری اصلی فوژو. Landsc. آرشیت. 2021 ، 28 ، 62-68. [ Google Scholar ]
- لیو، ز. لیو، جی. یائو، ی. ژانگ، جی. کو، س. Guan، Q. روش تحقیق مدل ادراک شهری قابل تفسیر بر اساس تصاویر نمای خیابان. J. Geo-Inf. علمی 2022 ، 24 ، 2045-2057. [ Google Scholar ]
- بریمن، ال. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ]
- لانگ، جی. شلهامر، ای. دارل، تی. شبکه های کاملاً پیچیده برای تقسیم بندی معنایی. IEEE T. Pattern Anal. 2017 ، 39 ، 640-651. [ Google Scholar ]
- ژنگ، ی. یانگ، جی. تحقیق در مورد رویکرد برنامه ریزی تعمیرات شهری دقیق بر اساس تجزیه و تحلیل هوش مصنوعی داده های بزرگ نمای خیابان در مقیاس بزرگ. چانه. Landsc. آرشیت. 2020 ، 36 ، 73-77. [ Google Scholar ]
- یانگ، جی. وو، اچ. ژنگ، ی. تحقیق در مورد ویژگی ها و مکانیسم تعاملی پیاده روی خیابان از طریق داده های بزرگ چند منبع: منطقه مرکزی نانجینگ به عنوان یک مطالعه موردی. طرح شهری. بین المللی 2019 ، 34 ، 33-42. [ Google Scholar ] [ CrossRef ]
- خو، ز. ژو، اس. چن، اف. ارزیابی چند بعدی فضاهای آبی و سبز منظره خیابانی در شائوسین، ژجیانگ. Landsc. آرشیت. 2022 ، 29 ، 111-117. [ Google Scholar ]
- دای، ز. Hua, C. بهبود روش اندازه گیری کیفیت فضای خیابان بر اساس نمای خیابان. برنامه ریزان 2019 ، 35 ، 57-63. [ Google Scholar ]
- Elo، AE رتبه بندی شطرنج بازان، گذشته و حال . Arco Pub: نیویورک، نیویورک، ایالات متحده آمریکا، 1978. [ Google Scholar ]
- جانیتزا، اس. استروبل، سی. Boulesteix، AL یک اندازه گیری اهمیت متغیر جایگشت مبتنی بر AUC برای جنگل های تصادفی. BMC Bioinform. 2013 ، 14 ، 119. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Cao, T. مطالعه در مورد اهمیت متغیرها بر اساس جنگل های تصادفی. آمار تصمیم می گیرد. 2022 ، 38 ، 60-63. [ Google Scholar ]
- Xia, Y. ارزیابی قابلیت دسترسی شبکه حمل و نقل ریلی بر اساس نحو فضایی. راه آهن محاسبه کنید. Appl. 2021 ، 30 ، 15-20. [ Google Scholar ]
- آهنگ، X. تائو، ی. پان، جی. Xiao, Y. مقایسه روش‌های تحلیلی برای شبکه خیابان شهری: در نظر گرفتن نحو فضا، sDNA و UNA به عنوان مثال. طرح شهری. انجمن 2020 ، 2 ، 19–24. [ Google Scholar ]
- بله، ی. هوانگ، آر. Zhang، L. طراحی شهری انسان محور با پشتیبانی از داده های چندمنبعی و یادگیری عمیق: مطالعه موردی در مورد برنامه ریزی راه سبز شهری در سوژو کریک، شانگهای. Landsc. آرشیت. 2021 ، 28 ، 39-45. [ Google Scholar ]
- کوپر، CHV; Chiaradia، AJF SDNA: تجزیه و تحلیل شبکه فضایی سه بعدی برای GIS، CAD، خط فرمان و پایتون. SoftwareX 2020 , 12 , 100525. [ Google Scholar ]
- بله، ی. ژانگ، ال. یان، دبلیو. Zeng، W. اندازه‌گیری کیفیت سبز شدن خیابان از دیدگاه انسان‌گرا: تحلیلی در مقیاس بزرگ بر اساس تصاویر نمای خیابان Baidu و الگوریتم‌های یادگیری ماشین. Landsc. آرشیت. 2018 ، 25 ، 24-29. [ Google Scholar ]
شکل 1. چارچوب تحلیلی.
شکل 2. منطقه مورد مطالعه: ناحیه گونگشو، شهر هانگژو، استان ژجیانگ، چین.
شکل 3. داده های شبکه خیابان و نقاط نمونه برداری نمای خیابان: ( الف ) داده های شبکه جاده ای خیابان ها. ( ب ) نقاط نمونه برداری نمای خیابان در منطقه مورد مطالعه.
شکل 4. نمودار شماتیک دریافت تصویر نمای خیابان: ( الف ) زوایای دید عمودی مختلف. ( ب ) تصاویر نمای خیابان در چهار جهت. ( ج ) پانوراما از نقطه نمونه برداری نمای خیابان.
شکل 5. چارچوب برای اندازه گیری کیفیت فضایی خیابان.
شکل 6. روش مقایسه و ارزیابی کیفیت فضایی خیابان.
شکل 7. نمودار شماتیک مشکلات کیفیت فضایی خیابان.
شکل 8. روش حسابرسی برای مسائل کیفیت فضایی خیابان.
شکل 9. ویژگی های مسئله به عناصر عملیاتی مدیریت برنامه ریزی تبدیل شده است.
شکل 10. تغییر روند مقدار اختلاف رتبه. ( الف ) جاده شریانی؛ ( ب ) جاده تنه ثانویه. ج ) جاده شعبه.
شکل 11. امتیاز کیفیت پس از تعیین کمیت ELO. ( الف ) جاده شریانی؛ ( ب ) جاده تنه ثانویه. ج ) جاده شعبه.
شکل 12. عناصر مشخصه فضای خیابان.
شکل 13. نتایج طبقه بندی کیفیت فضایی خیابان ها در درجات مختلف. ( الف ) جاده شریانی؛ ( ب ) جاده تنه ثانویه. ج ) جاده شعبه.
شکل 14. عناصر ویژگی مهم انواع مختلف خیابان ها.
شکل 15. آمار مشکلات برجسته در فضاهای مختلف خیابان.
شکل 16. امتیاز اهمیت عناصر ویژگی جاده های شریانی ( الف ) و وضعیت ممیزی مسائل کیفیت فضایی خیابان ها ( ب ).
شکل 17. امتیاز اهمیت عناصر ویژگی جاده های تنه ثانویه ( الف ) و وضعیت ممیزی مسائل کیفیت فضایی خیابان ها ( ب ).
شکل 18. امتیاز اهمیت عناصر ویژگی جاده های فرعی ( الف ) و وضعیت ممیزی مسائل کیفیت فضایی خیابان ها ( ب ).
شکل 19. ارزیابی دسترسی به خیابان.
شکل 20. ارزیابی اهمیت خیابان ها در سطوح مختلف. ( الف ) جاده شریانی؛ ( ب ) جاده تنه ثانویه. ج ) جاده شعبه.
شکل 21. نتایج ارزیابی «اهمیت-کیفیت» و توزیع فضایی خیابان‌های نوسازی اولویت‌دار در آینده نزدیک. ( الف ) جاده شریانی؛ ( ب ) جاده تنه ثانویه. ج ) جاده شعبه.
بدون دیدگاه