چگونه محیط های ساخته شده در مقیاس کلان و میکرو با فعالیت در حال اجرا مرتبط هستند؟ کاربرد داده های Strava و یادگیری عمیق در لندن داخلی

چکیده

دویدن می تواند سلامت عمومی را ارتقا دهد. با این حال، ارتباط بین دویدن و محیط ساخته شده، به ویژه از نظر عوامل خرد سطح خیابان، به ندرت مورد مطالعه قرار گرفته است. این مطالعه تأثیر محیط‌های ساخته شده را در مقیاس‌های مختلف بر دویدن در لندن داخلی بررسی کرد. چارچوب 5Ds (تراکم، تنوع، طراحی، دسترسی به مقصد و فاصله تا ترانزیت) برای طبقه‌بندی ویژگی‌های مقیاس کلان، و بینایی رایانه (CV) و یادگیری عمیق (DL) برای اندازه‌گیری ویژگی‌های مقیاس میکرو استفاده شد. ما داده های انباشته شده در حال اجرا GPS 40290 نقطه نمونه را از Strava استخراج کردیم. مدل ترکیبی خودرگرسیون فضایی (SAC) اثر خودهمبستگی فضایی را نشان داد.
دوره-آموزش-حرفه-ای-gis
نتایج نشان داد که برای ویژگی‌های مقیاس کلان: (1) دویدن بیشتر در جاده‌های تنه، اولیه، ثانویه و سوم رخ می‌دهد. مسیرهای دوچرخه سواری و پیاده روها، اما دوندگان مسیرها، مسیرها، خیابان های عابر پیاده و خیابان های خدماتی را نسبتاً کمتر انتخاب می کنند. (2) ایمنی، فضای باز بزرگتر، و طول خیابان های طولانی تر دویدن را ترویج می کند. (3) خیابان‌های با دسترسی بالاتر ممکن است دونده‌ها را جذب کنند (طبق تحلیل نحوی فضایی). و (4) تراکم شغلی بالاتر، آنتروپی POI، تراکم تاج پوشش، و سطوح بالای PM 2.5 ممکن است مانع از اجرا شود. برای ویژگی‌های مقیاس میکرو: (1) جاده‌های عریض‌تر (به‌ویژه پیاده‌روها)، چراغ‌های خیابان بیشتر، درختان، فضای بازتر در آسمان، و نزدیکی به کوه‌ها و آب، دویدن را تسهیل می‌کند. و (2) رابط های معماری بیشتر، نرده ها و گیاهان با نقاط انشعاب کم ممکن است مانع از اجرا شوند. نتایج نشان داد که بین محیط های ساخته شده (در مقیاس کلان و خرد) و در حال اجرا در لندن داخلی وجود دارد.

کلید واژه ها:

فعالیت دویدن ؛ محیط ساخته شده ؛ استراوا _ تصاویر نمای خیابان (SVIs) ; یادگیری عمیق ؛ تقسیم بندی معنایی ; نابرابری فضایی ; لندن داخلی

1. مقدمه

ترویج فعالیت بدنی ممکن است به طور قابل توجهی سلامت و رفاه عمومی را بهبود بخشد و بیشتر به پایداری شهرها و جامعه کمک کند [ 1 ، 2 ، 3 ، 4 ]. دویدن فواید ذهنی و جسمی متعددی دارد [ 5 ، 6 ]. از سال 1960، دویدن به تدریج محبوبیت جهانی پیدا کرد [ 7 ]. در حالی که مطالعات متعددی به این موضوع پرداخته اند که کدام ویژگی های محیط ساخته شده شهری به پیاده روی و دوچرخه سواری کمک می کند [ 2 ، 4 ، 8 ، 9 ]، تعداد کمی بررسی کرده اند که چگونه محیط ساخته شده بر فعالیت های دویدن تأثیر می گذارد [ 5 ، 10 ]]. از آنجایی که دویدن با آن فعالیت‌های بدنی متفاوت است (به عنوان مثال، از نظر سرعت، دامنه فضایی، و تجربه حسی) [ 11 ]، نمی‌توانیم آزادانه فرض کنیم که محیطی که برای پیاده‌روی، دوچرخه‌سواری، یا ورزش‌های گروهی جذاب است، به همان اندازه جذاب باشد. دوندگان [ 10 ]. بنابراین، درک بهتر روابط بین محیط ساخته شده و رفتار در حال اجرا ضروری است.
سه شکاف اصلی در میان مطالعات در حال اجرا قبلی وجود دارد. اول، مطالعات قبلی محیط در حال اجرا محدودیت هایی در منابع داده داشته است [ 12 ]. روش جمع آوری داده های مطالعات سنتی بیشتر پرسشنامه [ 5 ، 13 ]، مشاهده مشارکتی [ 14 ] و مصاحبه روزانه [ 15 ] بود.] که زمان بر و پر زحمت هستند. علاوه بر این، حجم نمونه نسبتاً محدود بود، بنابراین تجزیه و تحلیل در مقیاس بزرگ قوانین فضایی دویدن ناکافی بود. در سال‌های اخیر، ظهور داده‌های ردیابی جمع‌سپاری GPS منبع داده جدیدی را برای فعالیت‌های دویدن فراهم می‌کند که می‌تواند الگوهای رفتاری دوندگان را در محدوده وسیعی ثبت کند و فرصت جدیدی برای تحقیق در مورد الگوهای دویدن در مقیاس شهری فراهم کند.
ثانیاً، تنها تعداد کمی از مطالعات بر تأثیر عوامل (متغیرهای) محیط ساخته شده محدود بر اجرای [ 5 ، 11 ، 13 ] و فاقد اندازه‌گیری جامع و سیستماتیک محیط ساخته شده [ 6 ] متمرکز شده‌اند، بنابراین برخی از ویژگی‌های مقیاس کلان که ممکن است ممکن است دویدن را تحت تاثیر قرار دهد. در زمینه تحقیقات شهری، چارچوب 5Ds پیشنهاد شده توسط Cervero و همکاران. [ 9 ، 16 ] به طور گسترده توسط محققان و متخصصان برای طبقه بندی و اندازه گیری ویژگی های محیط ساخته شده شناخته شده است. این به طور گسترده ای در مطالعات پیاده روی و دوچرخه سواری به عنوان نمایشی از پنج جنبه از محیط ساخته شده در مقیاس کلان استفاده شده است [ 2 ,4 ، 17 ، 18 ]. استفاده از چارچوب 5Ds ممکن است یک راه موثر برای طبقه بندی و اندازه گیری محیط ساخته شده در مقیاس کلان باشد که ممکن است بر اجرا تأثیر بگذارد.
سوم، مشخص شده است که ویژگی های محیط ساخته شده در مقیاس میکرو بر اساس نماهای سطح چشم تأثیر قابل توجهی بر فعالیت های بدنی انسان دارند [ 6 ، 11 ]. با این حال، به دلیل محدودیت های تکنولوژی، تأثیر عناصر سطح خیابان بر فعالیت های در حال اجرا به ندرت در مطالعات محیطی در حال اجرا مورد بحث قرار می گیرد. منابع داده و فن آوری های جدید مطالعه تأثیر محیط ساخته شده بر اجرای عمیق تر و گسترده تر را امکان پذیر کرده است. ترکیب داده های SVI و فناوری DL فرصت های جدیدی را برای درک رابطه بین محیط ساخته شده و دویدن در مقیاس میکرو با کمی کردن محیط خیابان در سطح چشم تقریبی دوندگان فراهم می کند [ 15 ، 19 ].
در مقابل این پس‌زمینه، این مطالعه الگوهای فضایی فعالیت‌های دویدن در سطح شهر را بررسی کرد و تأثیر ویژگی‌های محیط ساختمان را در مقیاس‌های مختلف بر روی دویدن در لندن داخلی با استفاده از داده‌های چند منبع، SVI و DL بررسی کرد. ما عمدتاً چهار سؤال زیر را بررسی خواهیم کرد:
(1)
چگونه و کدام ویژگی‌های محیط ساخته شده در مقیاس کلان بر اساس چارچوب 5Ds بر میزان اجرا در لندن داخلی تأثیر می‌گذارد؟
(2)
چگونه و کدام ویژگی‌های منظره خیابانی در مقیاس میکرو بر اساس CV بر میزان اجرا تأثیر می‌گذارند؟
(3)
چگونه ویژگی‌های منظر خیابانی در مقیاس خرد با شاخص‌های محیط ساخته شده در مقیاس کلان تکمیل یا در تضاد هستند؟
(4)
آیا مقدار در حال اجرا در لندن داخلی (به عنوان داده های مکانی) اثرات وابستگی مکانی دارد؟
برای آزمایش این سؤالات، ما (1) از داده‌های ثانویه نقشه حرارتی Strava (SH) برای به دست آوردن توزیع دویدن (مسیرهای دویدن GPS انباشته شده دو ساله) در لندن داخلی استفاده کردیم. (2) استخراج داده های چند منبعی برای اندازه گیری ویژگی های محیط ساخته شده در مقیاس کلان بر اساس چارچوب 5Ds. و (3) تعداد زیادی از تصاویر نمای خیابان گوگل (GSV) را با استفاده از فناوری DL (یک چارچوب تقسیم بندی معنایی – شبکه تجزیه صحنه هرمی، PSPNet) و CV به دست آورد تا ویژگی های محیط ساخته شده میکروسکوپی را در سطحی شبیه به خط دونده اندازه گیری کند. منظره. ما این دو مقیاس مختلف را ترکیب کردیم تا ارتباط بین محیط های در حال اجرا و ساخته شده را به طور جامع اندازه گیری کنیم. علاوه بر این، ما ارتباط بالقوه بین ویژگی‌های محیطی در مقیاس کلان و میکرو را بررسی کردیم. در نهایت، بر اساس یک تحلیل رگرسیون سنتی،
مشارکت های این مطالعه را می توان به شرح زیر خلاصه کرد. ابتدا، ما سعی کردیم از یک منبع داده نیمه باز، SH، برای بررسی ترجیحات مسیر دوندگان و اثرات خوشه‌بندی فضایی در مقیاس شهر در لندن داخلی استفاده کنیم. دوم، مطالعه ما با ترکیب چارچوب سنتی 5Ds با ویژگی‌های محیط ساخته شده میکروسکوپی از دید دوندگان، به ادبیات دویدن اضافه می‌کند، که امکان تجزیه و تحلیل جامع از تأثیر محیط‌های ساخته شده بر دویدن را فراهم می‌کند. سوم، ما همبستگی داخلی بین ویژگی‌های محیط ساخته‌شده در مقیاس کلان و ویژگی‌های خرد سطح خیابان را بررسی کردیم و درجات مشارکت آنها را با قدرت توضیحی فعالیت‌های در حال اجرا مقایسه کردیم، که در مطالعات در حال اجرا ارزیابی نشده است. سرانجام، اثر خودهمبستگی فضایی به ندرت در مطالعات قبلی در نظر گرفته شده است. بنابراین، ما از مدل SAC برای در نظر گرفتن وابستگی فضایی استفاده کردیم.

2. بررسی ادبیات

دویدن را می توان به عنوان یک تعامل بین بدن، حواس و محیط در نظر گرفت [ 20 ]. شواهد قوی وجود دارد که نشان می‌دهد ویژگی‌های مختلف محیط ساخته شده می‌توانند بر اجرا تأثیر بگذارند. به عنوان مثال، بودین و هارتیگ [ 21 ] پیشنهاد کردند که محیط های بیرونی با تنظیم روانشناسی دونده، دویدن را ترویج می کنند. نویسندگان [ 22 ] دریافتند که محیط فیزیکی تأثیر مهمی بر عملکرد دوندگان دارد. دانشگاهیان و سیاست گذاران به طور فزاینده ای آگاه می شوند که فضاهای عمومی با طراحی خوب می توانند به ایجاد محیط های شهری دلپذیر و جذاب برای دوندگان کمک کنند. هر دو ویژگی های محیط ساخته شده در مقیاس کلان و میکرو در مطالعات در حال اجرا قبلی مورد بحث قرار گرفته بودند، اما به ندرت به طور سیستماتیک طبقه بندی شده بودند.

2.1. محیط ساخته شده در مقیاس کلان و دویدن

در زمینه تحقیقات شهری، یک چارچوب محبوب برای ارزیابی محیط ساخته شده در مقیاس کلان، 5Ds (تراکم، تنوع، طراحی، دسترسی به مقصد، و فاصله تا ترانزیت) است. سه بعد به نام سه بعدی (تراکم، تنوع و طراحی) اولین بار برای بیان محیط شهری توسط Cervero و Kockelman [ 23 ] ارائه شد. دو بعد دیگر (دسترسی به مقصد و فاصله تا حمل و نقل) بعداً به عنوان مکمل برای تشکیل 5Ds پیشنهاد شد [ 9 ]. Ewing و Cervero [ 16 ] استفاده از متغیرهای D را برای سازماندهی ادبیات تجربی و ارائه بینش‌های مرتبه‌ای مفید یافتند. چند محقق اخیراً سعی کرده اند چارچوب 3 بعدی یا 5 بعدی را در زمینه دویدن اعمال کنند. یانگ و همکاران [ 12] در استفاده از 5Ds برای اندازه گیری تأثیر محیط ساخته شده بر شاخص قدرت دویدن و دوچرخه سواری پیشتاز شد. بر این اساس، ما از بعد طبقه‌بندی چارچوب تئوری شهری کلاسیک 5Ds برای بحث جداگانه عوامل محیط ساخته شده در مقیاس کلان در مطالعات قبلی استفاده کردیم.
چگالی به عنوان یکی از ضروری ترین و پرکاربردترین متغیرهای محیط ساخته شده شناخته می شود [ 24 ]. اندازه گیری های رایج تراکم، تراکم جمعیت و تراکم ساختمان است [ 25 ]. بسیاری از مطالعات ارتباط معناداری بین تراکم جمعیت و فعالیت بدنی نشان داده‌اند، اما محققان در مورد اینکه چگونه تراکم جمعیت بر دویدن تأثیر می‌گذارد (موقعیت می‌کند) متفاوت است. Ettema [ 11 ] نشان داد که یک منطقه شهری پرجمعیت، لذت تجربه شده از دویدن را به دلیل ممانعت از ترافیک عمومی کاهش می دهد. هوانگ و همکاران [ 6 ] دریافتند که رضایت از دویدن با تراکم جمعیت ارتباطی ندارد. از نظر تراکم ساختمانی، یانگ و همکاران. [ 12] نشان داد که تراکم ساختمان مسکونی و نسبت مساحت طبقات دارای اثرات منفی یا ناچیز بر شاخص‌های در حال اجرا در چنگدو است. آنها توضیح دادند که چنگدو شهری با تراکم بالا است که در حال توسعه مداوم شهری است، بنابراین تأثیر تراکم ساختمان های مسکونی در چنگدو بر فعالیت بدنی ممکن است با آنچه در کشورهای غربی مشاهده می شود متفاوت باشد.
در بعد تنوع، تروپد و همکاران. [ 26 ] استدلال کردند که سطح بالاتری از ترکیب کاربری زمین می تواند فعالیت بدنی متوسط ​​تا شدید را ترویج کند، اما یانگ و همکاران. [ 12 ] به این نتیجه رسیدند که ترکیب کاربری زمین اثرات ناچیزی بر فعالیت ساکنان دارد، که تا حد زیادی با شواهد جمع آوری شده از مطالعات قبلی در تضاد است.
بعد طراحی در مطالعات در حال اجرا قبلی بیشتر مورد بحث قرار گرفته است. مطالعات زیادی نشان داده است که دوندگان ترجیح می دهند در طبیعت و دور از هیاهوی محیط شهری باشند. نویسندگان [ 21 و 27 ] دریافتند که دوندگان به دلیل جذابیت و عدم ارتباط با مشکلات روزانه، محیط های سبز را بیشتر از محیط های شهری ترجیح می دهند. نویسندگان [ 28 ، 29 ] نشان دادند که دوندگان تمایل داشتند در داخل پارک ها بدوند و از ترافیک و تقاطع ها دور بمانند تا از تجربه تکه تکه اجتناب کنند. علاوه بر این، فضای دویدن ایمن‌تر نیز دلیل محبوبیت مسیرهای مختلف دویدن در مصاحبه‌های ساختاریافته ( N= 546) که توسط Borgers و همکاران انجام شد. [ 30 ]. علاوه بر این، ویژگی های طراحی خیابان، مانند شرایط ترافیک، تراکم درخت، تراکم نور خیابان، شیب زمین، سبزی از بالا به پایین، تراکم فضای آبی، طول بخش خیابان، و پیچ و خم های مسیر، همگی نشان داده شده است. برای تأثیرگذاری بر رضایت از دویدن یا ثبات ریتم دویدن [ 6 ، 31 ، 32 ].
دسترسی به مقصد به عنوان یکی از اساسی ترین عوامل برای فعالیت بدنی شهری شناخته شد. این بعد کمتر در مطالعه دویدن دخیل بود، اما در زمینه پیاده روی، تحلیل شبکه طراحی فضایی (sDNA)، ابزار نحو فضایی، اغلب برای اندازه گیری اتصال فضایی استفاده می شد [ 25 ]. تجزیه و تحلیل بین بودن نشان دهنده امکان “از طریق حرکت” است، که به معنای پتانسیل انتخاب هر واحد خیابانی برای فعالیت بدنی است. بنابراین، می توان از آن برای پیش بینی آسان ترین خیابان ها استفاده کرد [ 33 ]. علاوه بر این، مقادیر دسترسی زاویه‌ای مبتنی بر فاصله ثابت شده است که به خوبی با توزیع‌های رفتار انسان-وسیله مشاهده‌شده همبستگی دارد [ 34 ].
فاصله تا ترانزیت معمولاً به عنوان کوتاهترین فاصله شبکه از مبدأ تا ایستگاه حمل و نقل نزدیک اندازه گیری می شود [ 16 ]. تصور می شود استفاده از حمل و نقل عمومی باعث تشویق بیشتر فعالیت های بدنی می شود. هوانگ و همکاران [ 6 ] دریافتند که مسیرهای در حال اجرا زمانی که گره های حمل و نقل عمومی بیشتری دارند رضایت بخش تر هستند.
در نتیجه، طیف وسیعی از مطالعات در حال اجرا، رابطه بین متغیرهای محیط ساخته شده در مقیاس کلان و در حال اجرا را بررسی کرده‌اند، اما تعداد کمی از این چارچوب 5Ds را به طور سیستماتیک مورد بحث قرار داده‌اند. بنابراین، نیاز به اندازه گیری ویژگی های محیط ساخته شده در مقیاس کلان به طور جامع و سیستماتیک و روابط آنها با اجرا وجود دارد.

2.2. ویژگی های محیط ساخته شده در مقیاس میکرو و دویدن

ویژگی های محیط ساخته شده در مقیاس خرد عمدتاً به عناصر و ویژگی هایی اشاره دارد که عابران پیاده می توانند مستقیماً در خیابان ها درک کنند [ 35 ، 36 ]. از ادبیات قبلی می توان دریافت که برخی از عوامل محیطی ساخته شده میکروسکوپی در سطح خیابان بر دویدن تأثیر دارند. هوانگ و همکاران [ 6 ] دریافتند که سبزی سطح چشم ویژگی‌های منظره خیابان تأثیر مثبتی بر رضایت از دویدن دارد. نویسندگان [ 37] اشاره کرد که سطوح مختلف بر تلاش مورد نیاز تأثیر می گذارد (مثلاً روسازی صاف یا چمن در مقابل روسازی های ناهموار، مسیرهای گل آلود و سوراخ ها) و ممکن است احتمال آسیب را افزایش دهد. سایر ویژگی های محیطی خیابان، مانند وسایل نقلیه، عابران پیاده، دوچرخه سواران، و حیوانات خیابانی (مانند سگ های رها نشده)، نیز با تجربه دویدن مرتبط هستند [ 11 ، 38 ].
با این حال، به دلیل محدودیت‌های تکنولوژی و روش‌های اندازه‌گیری، مطالعات قبلی تمایل دارند تنها چند عنصر در سطح خیابان را شامل شوند. تعداد کمی از محققان به طور سیستماتیک ارتباط بین عناصر محیط ساخته شده میکروسکوپی و فعالیت دویدن را در نظر گرفته اند، بنابراین تأثیر سایر عناصر خیابانی بر فعالیت دویدن ناشناخته است.
خوشبختانه، SVI ها، به عنوان یک منبع داده در مقیاس بزرگ، برای بررسی ویژگی های بصری از منظر نزدیک به انسان استفاده شده اند که منابع داده از بالا به پایین (به عنوان مثال، هوانوردی، داده های ماهواره ای) نمی توانند ارائه کنند [ 6 ، 8 ، 39 ]]. علاوه بر این، فناوری DL به ابزاری حیاتی در تقسیم بندی معنایی SVI ها تبدیل شده است و پیشرفت های مستمری در دقت پیش بینی ایجاد کرده است. بنابراین، این فرصت جدیدی برای بررسی رابطه بین محیط ساخته شده میکروسکوپی با جزئیات دقیق تر و رفتار دویدن یک منطقه بزرگتر فراهم می کند. در تحقیق پیاده‌روی یا دوچرخه‌سواری، برخی از محققان از فناوری تقسیم‌بندی تصویر در حال ظهور برای اندازه‌گیری ویژگی‌های فیزیکی محیط ساخته‌شده در سطح خیابان استفاده کرده‌اند و تأثیر این ویژگی‌های میکروسکوپی خیابان را بر فعالیت بدنی مورد بررسی قرار داده‌اند که نتایج خوبی به دست آورده است [ 2 ]. , 3 , 40 ]. با این حال، این معیار جدید به ندرت در مطالعات مربوط به فعالیت دویدن استفاده شده است. دونگ و همکاران [ 32] اخیراً تأثیرات منظره فیزیکی خیابان و ادراک را در اجرا با استفاده از Resnet (یک شبکه باقیمانده عمیق) و CV بررسی کرده است. آنها دریافتند که کیفیت منظره خیابان عامل مهمی برای دویدن در بوستون است. نتایج نشان داد که دویدن با نسبت پیکسل های پوشش گیاهی، آسمان، زمین، پیاده رو، دیوار، حصار، فرد و غیره ارتباط مثبت دارد، در حالی که با نسبت پیکسل موتورسیکلت و چراغ راهنمایی رابطه منفی دارد. با وجود این، مطالعاتی که به طور همزمان تأثیر متغیرهای مقیاس کلان و عناصر خیابانی در مقیاس خرد را بر دویدن در یک منطقه جغرافیایی بزرگ ارزیابی می‌کنند، ناشناخته باقی مانده‌اند.

2.3. ظهور داده‌های جمع‌سپاری شده برای اجرا

در سال‌های اخیر، اپلیکیشن‌هایی که از دستگاه‌های GPS (به عنوان مثال، تلفن‌های همراه، ساعت‌های تناسب اندام) برای ردیابی رفتار کاربران و ثبت فرآیندهای تناسب اندام شخصی استفاده می‌کنند، رونق زیادی داشته است. این داده‌های جمع‌سپاری می‌توانند تعداد مشاهدات را افزایش دهند و ترجیحات مسیر را در حرکات انسان از طریق ردیابی حرکت عظیم نشان دهند [ 41 ]. از نظر اجرا، Strava بزرگترین پلت فرم است که شامل Strava Metro و SH [ 42 ] است. Strava Metro داده های دقیقی را در مورد کاربران در حال اجرا ارائه می دهد، اما فقط برای شرکای خاص. با این حال، SH به صورت رایگان برای کاربران ثبت نام شده در دسترس است و حاوی تریلیون ها نقطه داده در سطح خیابان است [ 43 ، 44]. SH می‌تواند نقاط مسیر و مسیرهای دویدن واقعی یک ورزشکار، و همچنین تعداد تجمعی دویدن‌ها در هر خیابان را با استفاده از اشباع رنگ، که نشان‌دهنده تراکم نقطه GPS کاربران است، به دقت نشان دهد. هر چه مقدار حرارت بالاتر باشد، تعداد تجمعی اجراهای انجام شده در آن مکان بیشتر است [ 42 ].
محققان به ارزش SH در مطالعات آکادمیک برای اندازه گیری نقاط داغ و مسیرها در مقیاس بزرگ و استخراج الگوهای حرکتی فضایی پی برده اند. برای مثال، رایس و همکاران. [ 45 ] داده های مسیر GPS را از SH با همپوشانی شبکه های خیابانی در GIS استخراج کرد. این روش یک رویکرد امیدوارکننده برای به دست آوردن اطلاعات در مورد فعالیت بدنی ارائه می دهد. علاوه بر این هاوینگا و همکاران. [ 46 ] میانگین شدت «گرما» (مناطق دایره‌ای 18 متری در اطراف نقطه میانی هر جاده) را از SH استخراج کرد تا داده‌های فعالیت در حال اجرا را نشان دهد.
اخیراً کاهیل و وودز [ 47 ] از همان روش رایس و همکاران استفاده کردند. (2019) [ 45 ] برای گرفتن اسکرین شات کامپیوتر از نقشه های دویدن و دوچرخه سواری SH با استفاده از ابزار Microsoft Snipping Tool. آنها در مجموع 24 اسکرین شات به دست آوردند و از GIS برای طبقه بندی مجدد مقادیر پیکسل (به عنوان شدت استفاده دوندگان و دوچرخه سواران در جاده های جنگلی و مسیرهای پیاده روی) استفاده کردند. آنها با وجود اتکای زیاد به داده های پیکسلی از SH، روشی نوآورانه برای کشف ترجیحات استفاده تفریحی پیشنهاد کردند. دونگ و همکاران [ 32 ] همچنین از اسکرین شات های SH برای به دست آوردن مقدار مقدار در حال اجرا در هر بخش خیابان در بوستون برای بررسی انتخاب های مسیر استفاده کرد. یانگ و همکاران [ 12] مدل های رگرسیون فضایی را برای تجزیه و تحلیل رابطه بین محیط ساخته شده و دویدن و دوچرخه سواری با استفاده از SH در چنگدو، چین ساخت. از آنجایی که داده‌های جمع‌سپاری Strava دارای مزایای زیادی از نظر جمع‌آوری داده‌ها هستند، در این مطالعه از SH برای اندازه‌گیری مقدار در حال اجرا استفاده شد.
دوره-آموزش-حرفه-ای-gis

3. داده ها و روش ها

3.1. حوزه مطالعاتی و چارچوب تحلیلی

لندن پایتخت و بزرگترین شهر بریتانیا است. توپوگرافی کلی لندن نسبتاً مسطح است و مسیرهای دویدن در فضای باز زیاد است که برای دویدن معمولی و دویدن طولانی مناسب است. علاوه بر این، آخرین استراتژی شهردار – “ورزش برای همه ما” – مشارکت بیشتر در ورزش و فعالیت های بدنی را برای بهبود سلامت و رفاه و ایجاد پیوند بین جوامع مختلف تشویق کرده است. همه اینها فضای دوندگی منحصر به فردی را به لندن می دهد. منطقه مطالعه ما لندن داخلی بود ( شکل 1 ). لندن داخلی قسمت داخلی لندن بزرگ است و توسط لندن بیرونی احاطه شده است. مساحت آن 123 مایل مربع است و 3536000 نفر جمعیت دارد. این منطقه پرجمعیت لندن است. مرز لندن داخلی از اداره لندن بزرگ (GLA) دانلود شد.
چارچوب از چهار مرحله تشکیل شده است ( شکل 2). ابتدا مجموعه داده های چند منبعی را روی یک سرور ابری جمع آوری می کنیم. دوم، ما مقدار شطرنجی در حال اجرا را به عنوان متغیر وابسته و مجموعه‌ای از ویژگی‌ها استخراج می‌کنیم که ممکن است بر دویدن به عنوان متغیرهای مستقل در مناطق بافر 20 متر، 50 متر و 100 متر تأثیر بگذارند. این متغیرهای مستقل به سه گروه تقسیم می شوند: ویژگی های محیط ساخته شده در مقیاس کلان (5Ds)، ویژگی های محیط ساخته شده در مقیاس خرد و متغیرهای کنترل. سپس، از ویژگی‌های استخراج‌شده برای تحلیل همبستگی استفاده می‌کنیم و از روش حداقل مربعات معمولی (OLS) برای بررسی تأثیر متغیرهای چندگانه بر اجرا و رابطه بین هر متغیر مستقل استفاده می‌کنیم. در نهایت، ما از مدل SAC برای آزمایش وابستگی فضایی و حل تعصب ناشی از اثر همبستگی فضایی استفاده می‌کنیم.

3.2. جمع آوری داده ها و استخراج متغیرها

3.2.1. متغیر وابسته: مقدار در حال اجرا

طبق اسناد رسمی Strava، SH داده‌های فعالیت عمومی را در دو سال گذشته نشان می‌دهد که منعکس‌کننده فعالیت‌های عمومی انباشته شده است [ 44 ، 48 ]. در لندن بزرگ، در مجموع 4559 باشگاه با موضوع اجرا وجود دارد. در این میان 30 باشگاه دوندگی با بیش از 10000 عضو و 79 باشگاه دونده با 1000 تا 10000 عضو وجود دارد. Weekly 5kClub Run به تنهایی دارای 72133 عضو در حال اجرا است. نتایج تجمعی مسیرهای دویدن این دوندگان در طول دو سال می‌تواند نقاط داغ دویدن محلی و الگوهای ترجیحی فضایی دوندگان را تا حدی منعکس کند. ما یک اسکریپت پایتون برای بالا رفتن از نقشه شطرنجی حرارتی با کیفیت بالا در حال اجرا از SH نوشتیم، برخلاف مطالعات قبلی [ 12 ، 45 ،47 ] که داده های شطرنجی تصویر را با استفاده از صفحه نمایش کامپیوتر گرفته است. ما 594 کاشی (512 × 512 پیکسل در هر تصویر) به دست آوردیم و یک تصویر شطرنجی کامل از لندن داخلی را مونتاژ کردیم ( شکل 3 ). تمام کاشی‌های داده‌های شطرنجی که ما گرفته‌ایم در همان سطح بزرگنمایی نقشه بودند. بنابراین، روش ما دقیق تر و قابل اعتمادتر از روش های قبلی اسکرین شات است. از آنجایی که نقشه بصری پلتفرم Strava مبتنی بر شبکه‌های خیابانی OpenStreetMap (OSM) است [ 47 ]، ما داده‌های خیابان OSM را دانلود کرده و آن‌ها را برای استخراج داده‌های در حال اجرا با استفاده از ابزار «Zonal Statistics as Table» در نرم‌افزار ArcGIS Pro (نسخه 2.8) روی هم قرار دادیم. 0.6, Esri, Redlands, CA, USA). سپس مقدار شطرنجی هر خیابان را استخراج و محاسبه کردیم تا مقدار میانگین به دست آید.
برای پوشش جامع تر محیط خیابان لندن داخلی و به دست آوردن مختصات جغرافیایی GSV ها، نقاط نمونه در امتداد هر بخش خیابان در فواصل 100 متری تولید شد [ 49 ، 50 ]. در نهایت 48286 امتیاز نمونه به دست آمد. میانگین مقدار شطرنجی به عنوان پروکسی تعداد در حال اجرا تجمعی (مقدار در حال اجرا) هر نقطه نمونه و به عنوان متغیر وابسته برای این مطالعه در نظر گرفته شد.

3.2.2. محیط ساخته شده در مقیاس ماکرو: 5 بعدی

این مطالعه که از Cervero و Ewing گسترش یافته است، متغیرهای 5Ds را بر اساس ویژگی‌ها و در دسترس بودن داده‌های محیط ساخته شده در لندن داخلی تنظیم کرد. بیشتر داده‌ها از دفتر آمار ملی (ONS)، GLA، و حمل‌ونقل لندن (TFL) بین سال‌های 2018 تا 2021 جمع‌آوری شده‌اند. جدول 1 منابع، توصیف داده‌ها و روش پردازش همه متغیرها را نشان می‌دهد.
مهم است که تاکید شود که این مطالعه از بین زاویه ای (BtA) به عنوان معیاری برای دسترسی به شبکه جاده استفاده کرد. شعاع در تجزیه و تحلیل sDNA ضروری است. نتایج دسترسی به تجزیه و تحلیل شعاع های مختلف با انتخاب جاده برای رفتار سفر در فواصل شعاع مربوطه مطابقت دارد [ 25 ، 51 ]. بر اساس گزارش های خلاصه سالانه Strava برای سال های 2021 و 2020 [ 52 ، 53]، میانگین مسافت دویدن کاربران Strava در سراسر جهان در سال 2021 6.28 کیلومتر و میانگین مدت دویدن 0:38:48 دقیقه بود. در سال 2020، متوسط ​​کاربر جهانی Strava 6.3 کیلومتر را در 0:38:48 دقیقه دوید. میانگین دویدن مسافت 800 متر در هر پنج دقیقه است. بنابراین، دو فاصله 800 متری و 6.3 کیلومتری به عنوان شعاع تحلیل دویدن در مطالعه ما انتخاب شدند.

3.2.3. محیط ساخته شده در مقیاس میکرو

ما نسبت‌های پیکسلی 37 ویژگی فیزیکی منظره‌های خیابان را با استفاده از SVI و CV در سه مرحله به‌دست آوردیم ( جدول 1 ).
(1)
مجموعه GSVs. برای به دست آوردن GSV از 48286 نقطه نمونه، بر اساس طول و عرض جغرافیایی هر نقطه، یک اسکریپت پایتون برای دانلود آخرین پانورامای GSV از ماه می تا اکتبر [ 64 ] با استفاده از Google Street View Static API استفاده شد. در نهایت، تصاویر پانورامای 360 درجه از 40290 نقطه نمونه در امتداد خیابان ها با اندازه 2048 × 1024 پیکسل را جمع آوری کردیم.
(2)
تقسیم بندی معنایی پیکسل های ویژگی های فیزیکی پانوراما با استفاده از PSPNet و آموزش مدل بر اساس مجموعه داده ADE20K، که برای درک معنایی صحنه شهری طراحی شده است، استخراج شد [ 65 ]. علاوه بر این، PSPNet می‌تواند صحنه‌ها را با عناصر پیچیده تجزیه کند و توسط بسیاری از مطالعات شهری مرتبط مورد استفاده قرار گرفته است [ 61 ، 66 ]. دقت پیش‌بینی PSPNet در این مطالعه 93.4 درصد بود.
با این حال، به دلیل اعوجاج تصاویر پانوراما در قسمت های بالا و پایین، استخراج مستقیم عناصر مناسب نیست [ 40 ، 67 ، 68 ]. تسای و چانگ [ 67 ] اشاره کردند که مرکز تصاویر پانوراما کمتر تحریف شده است. آنها پیشنهاد کردند که عناصر بصری را بر اساس میدان دید عمودی لنز دوربین در قسمت‌های مرکزی 30± درجه قرار دهند. همانطور که در شکل 4 نشان داده شده است، ما این روش را در مطالعه خود اتخاذ کردیم . قطعات تقریباً در سطح چشم انسان با درجه اعوجاج کمتر در فرآیند تقسیم بندی معنایی استفاده شد.
(3)

ضریب نمای آسمان را محاسبه کنید. SVF یک شاخص مهم برای ارزیابی باز بودن خیابان ها است که منعکس کننده فرم معماری و راحتی حرارتی محیط ساختمان خیابان در مقیاس میکرو در امتداد خیابان است [ 63 ]. می تواند سطح محصور شدن دره های خیابان را کمیت کند و می تواند به عنوان نسبت مساحت آسمان قابل مشاهده به کل مساحت آسمان در یک نقطه از یک خیابان (از 0 تا 1) محاسبه شود، که در آن 1 نشان دهنده یک منطقه کاملاً باز و 0 به معنی است. یک فضای کاملاً سرپوشیده [ 62 ]. روش توسعه یافته توسط Xia و همکاران. [ 63 ] می تواند تصاویر چشم ماهی (نیم کره ای) را برای کمی سازی مقادیر SVF در سطح خیابان بر اساس مدل DL تولید کند. در این مطالعه، ما یک اسکریپت پایتون برای تخمین منطقه آسمان با استفاده از قسمت بالایی تصاویر پانوراما نوشتیم [65 ] ( شکل 5 ). در مرحله بعد، مقادیر SVF با استفاده از رابطه (1) محاسبه شد که توسط Cao و همکاران نیز اعمال شده و موثر بودن آن ثابت شده است. [ 69 ].

اسVاف=آrهآس_منآrهآتی_من×4π

که در آن Area s_i به پیکسل های منطقه آسمان در تصویر گرفته شده در نقطه نمونه i و Area t_i به کل پیکسل های تصویر گرفته شده در نقطه نمونه i اشاره دارد.

3.2.4. متغیرهای کنترل

متغیرهای کنترل شامل گروه های سنی و درآمد سرانه می باشد. مجموعه داده گروه های سنی (2020) جمعیت سطح بخش را برای هر سنی از 0 تا 90+ ارائه کرد. ما جمعیت را به پنج گروه تقسیم و محاسبه کردیم (0-17، 18-44، 45-59، 60-74، و بیش از 75).

3.3. تحلیل همبستگی و تحلیل OLS

ابتدا یک تحلیل همبستگی پیرسون بر روی همه متغیرها و متغیرهای وابسته انجام دادیم. متغیرهای غیرمرتبط با مقدار در حال اجرا حذف شدند ( 05/0p >). سپس، اهمیت نسبی سه گروه متغیر (متغیرهای کنترل، ویژگی‌های محیط ساخته شده در مقیاس کلان و میکرو) را بر روی مقدار در حال اجرا با استفاده از OLS مقایسه کردیم.
با در نظر گرفتن مشکل واحد منطقه ای قابل اصلاح، که یک سوگیری آماری است که منجر به تأثیرات تجمع داده های جغرافیایی بر نتایج تجزیه و تحلیل [ 70 ] می شود، مدل های OLS در محدوده بافرهای 20 متر، 50 متر و 100 متر ایجاد شدند. 6 ، 10 ، 68 ]، به ترتیب، برای تأیید پایداری مدل‌ها. سپس از بافر با نتیجه بهتر برای تحلیل مدل فضایی استفاده می شود.
برای مقایسه سهم سه گروه متغیر در قدرت توضیحی در مدل، به ویژه رابطه بین متغیرهای خرد و متغیرهای کلان، چهار مدل OLS به شرح زیر تولید شد:
  • OLS Model1 مقدار در حال اجرا (Y)~متغیرهای کنترل
  • OLS Model2 مقدار در حال اجرا (Y)~متغیرهای کنترل + 5Ds در مقیاس کلان
  • OLS Model3 مقدار در حال اجرا (Y)~متغیرهای کنترل + مقیاس میکرو
  • OLS Model4 مقدار در حال اجرا (Y)~متغیرهای کنترل + مقیاس کلان 5Ds + مقیاس میکرو

3.4. آزمون وابستگی فضایی و مدل فضایی

به دلیل وجود خود همبستگی فضایی، انحرافاتی در برازش مدل OLS وجود خواهد داشت [ 18 ، 61 ، 64 ، 66 ]. اثر خودهمبستگی فضایی را می توان با موران I [ 64 ] آزمایش کرد. اگر I مورن همبستگی معنی‌داری را نشان دهد، نشان می‌دهد که مدل OLS دارای همبستگی مکانی است. بنابراین، ما نیاز به ایجاد یک مدل فضایی متناظر برای تجزیه و تحلیل بیشتر داشتیم تا از صحت نتایج رگرسیون مطابق با شاخص‌های مربوطه، مانند ضریب لاگرانژ قوی (تأخیر) و ضریب لاگرانژ قوی (خطا)، در OLS اطمینان حاصل کنیم [ 50 ، 61 ].]. تست موران I و ساخت مدل فضایی در GeoDa 1.20 انجام شد.

در مورد ما، ضریب قوی لاگرانژ وجود هر دو تاخیر مکانی و اثرات خطا را نشان می دهد. بنابراین، یک مدل SAC با هر دو متغیر وابسته با تاخیر مکانی ( Wy ) و یک عبارت خطای خودهمبسته مکانی ( W μ) [ 61 ] استفاده شد. به صورت زیر محاسبه شد:

yمن=ρ∑j=1n دبلیومنjyj+βایکسمن+μμ=λدبلیوμ+εمن

جایی که، yمنسطح مقدار در حال اجرا در نقطه i است . yjسطح مقدار در حال اجرا در نقطه j است . ρضریب همبستگی مکانی است. wمنjماتریس وزن فضایی است. βضریب متغیرهایی است که ما انتخاب کردیم. ایکسمنمقدار متغیرهای نقطه i است . μ بردار عبارت خطای خودبازگشت فضایی است. λ ضریب وابستگی مکانی از نظر خطا است. εمنعبارت خطا است. و n تعداد نقاط نمونه در لندن داخلی است.

دوره-آموزش-حرفه-ای-gis

4. نتایج

4.1. آمار توصیفی

شکل 6 a مقدار در حال اجرا در شبکه های خیابانی OSM استخراج شده از SH با استفاده از GIS را نشان می دهد. شکل 6 ب توزیع فضایی مقدار شطرنجی 40290 نقطه نمونه در لندن داخلی را نشان می دهد. مقدار مقدار در حال اجرا از 0 تا 255 با مقدار متوسط ​​78.736 و انحراف استاندارد 65.165 متغیر است. از منظر توزیع فضایی نقاط داغ در حال اجرا، مناطق دارای دویدن مکرر در لندن داخلی نسبتاً یکنواخت در سطح منطقه ای هستند. یکی از پدیده های آشکار، تمرکز مسیرهای دویدن در امتداد سواحل رودخانه تیمز، و همچنین در نزدیکی پارک های بزرگ یا فضاهای باز است (به عنوان مثال، هاید پارک، پارک ریجنت، پارک باترسی، پارک ویکتوریا، پارک گرینویچ و غیره). علاوه بر این، برخی از خیابان های اصلی نیز ارزش های شطرنجی بالایی را نشان دادند. به طور خاص، همانطور که در نشان داده شده استشکل 6 ج، موقعیت های B و G مناطق دویدن با فرکانس بالا هستند، زیرا نزدیک به فضاهای باز بزرگ هستند و توسط فضای سبز احاطه شده اند. F در رودخانه تیمز واقع شده است و منطقه اطراف رودخانه دارای “گرمای” بالایی است. C، D، E، و H همگی در مناطق مسکونی قرار دارند که دوندگی متوسط ​​تا پایین را نشان می دهند. علاوه بر این، A در نزدیکی بزرگراه قرار داشت که فرکانس دویدن کمتری را نشان داد. برای بررسی بیشتر قوانین توزیع و عوامل مؤثر در اجرا، سری تحلیل‌های زیر را انجام دادیم. آمار توصیفی برای همه متغیرها در جدول A1 نشان داده شده است.

4.2. تجزیه و تحلیل همبستگی

پس از تجزیه و تحلیل همبستگی پیرسون برای همه متغیرهای مستقل و وابسته، در منطقه بافر 20 متری، 13 متغیر همبستگی معنی‌داری نشان ندادند ( 05/0p >)، یعنی پاپ 60 تا 74، خیابان زندگی، تعداد پارکینگ، شدت نور شب، و نه متغیر تقسیم بندی معنایی (ون، صندلی، دوچرخه، ستون، سقف، مبل، لامپ، تابلو اعلانات و میز). در مناطق حائل 50 متری و 100 متری، متغیرهای ناچیز با متغیرهای فوق یکسان بود با این تفاوت که تعداد پارکینگ ها با مقدار در حال اجرا همبستگی معنی داری داشت. متغیرهای نامربوط در تحلیل بعدی حذف شدند.

4.3. نتایج OLS و اهمیت نسبی گروه های متغیر

ما متغیرهای مستقل را با استفاده از روش استانداردسازی امتیاز Z استاندارد کردیم. با استفاده از این رویکرد، ما متغیرها را با مقیاس‌های مشاهده‌ای متفاوت در یک مقیاس استاندارد کردیم تا تفاوت‌های ابعادی ناشی از واحدهای مختلف را حذف کنیم. میانگین متغیرهای تازه تولید شده 0 و انحراف معیار 1 است، اما روند توزیع داده های اصلی را حفظ می کنند.
جدول 2 اهمیت نسبی گروه های متغیر کلان، مقیاس خرد و کنترل را نشان می دهد. در مناطق حایل 20 متر، 50 متر و 100 متر، نتایج رتبه بندی اهمیت سه گروه متغیر ثابت بود و آمار F همگی معنی دار بود. علاوه بر این، برای جلوگیری از مشکل چند خطی مدل‌های OLS، ما یک فاکتور تورم واریانس (VIF) کمتر از 10 را به عنوان استاندارد در نظر گرفتیم [ 61 ، 66 ]. متغیرهای با VIF > 10 حذف شدند.
در پایان، متغیرهای توضیحی که بیشترین اهمیت نسبی را داشتند، متغیرهای محیطی ساخته شده در مقیاس کلان بودند. مقادیر R2 تنظیم شده سه بافر 0.365، 0.372 و 0.373 بود. متغیرهای مقیاس خرد از نظر اهمیت در رتبه دوم قرار گرفتند. سهم متغیرهای کنترل کمترین مقدار بود.
از آنجایی که مدل‌های OLS با بافر 100 متر بالاترین خوبی را نشان می‌دهند، ما فقط جزئیات مدل‌های OLS با بافر 100 متری را در جداول نشان می‌دهیم. نتایج مدل های OLS 1-4 در جدول 3 و جدول 4 نشان داده شده است.
مدل‌های OLS سه بافر، همخط‌بندی شدیدی را برای سه متغیر، یعنی خیابان‌های مسکونی، میانگین سالانه NO2، و نسبت پیکسل‌های ساختمان‌ها نشان دادند. پس از حذف این سه متغیر، VIFهای همه متغیرهای دیگر در مدل‌های OLS نهایی کمتر از 10 بود که ثابت کرد مشکل چند خطی در مدل‌های ما وجود ندارد. علاوه بر این، آمار F برای همه مدل‌ها معنی‌دار بود.
با مقایسه مدل‌های OLS 1-4، متوجه شدیم که هر دو مجموعه متغیر به طور منحصر به فردی به قدرت توضیحی مدل پایه (مدل 1) کمک می‌کنند، زمانی که متغیرهای محیط ساخته‌شده در مقیاس کلان یا متغیرهای نمای خیابان در مقیاس خرد به طور جداگانه اضافه شدند. با این حال، زمانی که هر سه مجموعه متغیر در تجزیه و تحلیل گنجانده شده بودند، به نظر نمی‌رسد که متغیرهای نمای خیابان از نظر R2 پیشرفت‌های قابل‌توجهی داشته باشند .
برای بررسی بیشتر دلایل، ما یک تحلیل ماتریس همبستگی زوجی بین متغیرهای 5 بعدی در مقیاس کلان و متغیرهای نمای خیابان در مقیاس خرد برای تأیید همبستگی بین متغیرها انجام دادیم. ما متغیرهای دوتایی با ضرایب همبستگی بیشتر از 0.2 را برای تجسم غربال کردیم. همانطور که از شکل 7 مشاهده می شودبین برخی از متغیرها همبستگی متوسط ​​یا حتی زیاد وجود داشت. به عنوان مثال، در متغیر SVIs، SVF با تراکم ساختمان، PTALS و درآمد سرانه همبستگی متوسطی داشت (ضریب > 0.3) و همبستگی بین صدای خودرو و خیابان نیز بیشتر از 0.3 بود. شایان ذکر است که همبستگی بین چمن و فضای باز تا 0.54 بود. علاوه بر این، همبستگی نسبتاً قوی بین درخت، تراکم تاج پوشش و مساحت فضای باز وجود داشت (به ترتیب 0.44 و 0.48). این نشان داد که در متغیر خیابانی در مقیاس میکرو، در واقع برخی از ویژگی‌های نمای خیابان وجود دارد که با متغیر کلان 5Ds همپوشانی دارند. شاید به همین دلیل باشد که وقتی متغیرهای مقیاس کلان یا متغیرهای نمای خیابان به طور جداگانه اضافه می‌شوند، قدرت توضیحی بالاتری داشتند، اما وقتی سه گروه از متغیرها با هم ترکیب شدند، R2 مدل به طور قابل توجهی بهبود نیافت. علاوه بر این، با توجه به همبستگی نسبتاً قوی بین برخی متغیرها، برای جلوگیری از تأثیر همخطی بر نتایج مدل‌های OLS، نحوه تغییر نتایج را در هنگام استفاده از روش‌های مختلف انتخاب متغیر (به عنوان مثال، رگرسیون گام به گام، حذف متغیرهای بی‌اهمیت، یا یا) بررسی کردیم. کاهش مجدد آستانه VIF به 3). با این حال، صرف نظر از روش انتخاب متغیر، اهمیت نسبی ویژگی‌های مقیاس کلان و عوامل نمای خیابان در برازش مدل تغییری نکرد. ما بیشتر بررسی کردیم که چگونه نتایج هنگام استفاده از روش‌های مختلف انتخاب متغیر (به عنوان مثال، رگرسیون گام به گام، حذف متغیرهای بی‌اهمیت، یا کاهش مجدد آستانه VIF به 3) تغییر کردند. با این حال، صرف نظر از روش انتخاب متغیر، اهمیت نسبی ویژگی‌های مقیاس کلان و عوامل نمای خیابان در برازش مدل تغییری نکرد. ما بیشتر بررسی کردیم که چگونه نتایج هنگام استفاده از روش‌های مختلف انتخاب متغیر (به عنوان مثال، رگرسیون گام به گام، حذف متغیرهای بی‌اهمیت، یا کاهش مجدد آستانه VIF به 3) تغییر کرد. با این حال، صرف نظر از روش انتخاب متغیر، اهمیت نسبی ویژگی‌های مقیاس کلان و عوامل نمای خیابان در برازش مدل تغییری نکرد.

4.4. نتایج آزمون موران I و نتایج مدل فضایی

یک نقشه خوشه ای شاخص های محلی انجمن فضایی (LISA) می تواند پدیده خوشه بندی نقاط داغ در حال اجرا را ترسیم کند. همانطور که از نقشه خوشه ای LISA از مقدار در حال اجرا مشاهده می شود ( شکل 8 )، نقاط داغ در حال اجرا در لندن داخلی عمدتاً در امتداد رودخانه تیمز و در پارک های بزرگ یا مناطق باز، جایی که مقادیر بالا-بالا جمع می شوند، ظاهر می شوند. نقاط سرد در حال اجرا (مقادیر کم-کم) عمدتاً در کنزینگتون جنوبی (الف) A، واقع در جنوب هاید پارک ظاهر شدند. پدینگتون (a) B، در شمال هاید پارک؛ استپنی (الف) سی، در جنوب پارک ویکتوریا؛ دروازه جنگل (الف) D، واقع در شرق پارک المپیک؛ رامفورد (a) E، واقع در شمال شرقی لندن داخلی. و سایر مناطق این مناطق اغلب پرجمعیت با خانه ها و خانه ها هستند.
ما یک آزمون موران I (با 999 جایگشت) بر روی خطاهای باقیمانده در مدل 4 انجام دادیم و ماتریس وزن فضایی W از روش “روک” استفاده کرد. نتیجه نشان داد که مقدار I موران در باقیمانده های OLS 0.354، p -value = 0.001 < 0.05 بود ( شکل 9 a). این نشان دهنده یک همبستگی فضایی مثبت قابل توجهی در باقیمانده های OLS است. علاوه بر این، ضریب لاگرانژ قوی (تأخیر) و ضریب قوی لاگرانژ (خطا) هر دو معنادار بودند ( جدول 4).) که نشان دهنده وجود هر دو اثر تاخیر مکانی و خطا است. مدل SAC می‌تواند متغیر وابسته با تأخیر مکانی را با عبارت خطای تأخیر مکانی در فرآیند مدل‌سازی فضایی ترکیب کند تا تعاملات فضایی را محاسبه کند، بنابراین انتخاب شد. مقدار I موران در باقیمانده مدل SAC 0.001- بود، p = 0.333 > 0.05 ( شکل 9 ب)، که به این معنی است که خود همبستگی فضایی معنی دار نبود، و مدل SAC به خوبی با خود همبستگی فضایی برخورد کرد. علاوه بر این، در مقایسه با مدل OLS، ارزش Moran’s I باقیمانده مدل SAC به طور قابل توجهی کاهش یافت. مقدار R2 نیز از 0.411 (مدل 4) به 0.619 (مدل SAC) بسیار بهبود یافته است، بنابراین ما نتایج را بر اساس نتایج SAC مورد بحث قرار خواهیم داد.

5. بحث

در این مطالعه، ما از داده‌های اجرای مسیر GPS جمع‌سپاری شده منتشر شده در پلتفرم Strava و سایر مجموعه‌های داده منبع باز استفاده کردیم تا توزیع فضایی و عوامل مؤثر بر فعالیت‌های در حال اجرا در لندن داخلی را آشکار کنیم. ما از تصاویر نوظهور GSV و فناوری DL برای اندازه گیری ویژگی های محیط ساخته شده در سطح خیابان در مقیاس میکرو به عنوان مکمل متغیرهای مقیاس کلان 5Ds سنتی استفاده کردیم. این مقاله تأثیر خاص ویژگی‌های محیط ساخته‌شده در مقیاس‌های مختلف بر ترجیحات مسیر دوندگان و رابطه درونی بین عوامل محیط ساخته‌شده در مقیاس کلان و ویژگی‌های محیط نمای خیابان خرد را مورد بحث قرار می‌دهد.

5.1. یافته های پژوهش

پژوهش حاضر عمدتاً به چهار سؤال به شرح زیر پاسخ می دهد:
سوال 1: چگونه و کدام ویژگی های محیط ساخته شده در مقیاس کلان که بر اساس چارچوب 5Ds طبقه بندی شده اند، بر فعالیت در حال اجرا در لندن داخلی تأثیر می گذارد؟
با توجه به نتایج مدل SAC، ما دریافتیم که برخی از ویژگی‌های محیط ساخته شده در مقیاس کلان تأثیر قابل‌توجهی بر مقدار در حال اجرا دارند.
(1)
برای بعد تراکم، تراکم جمعیت و تراکم ساختمان با میزان اجرا همبستگی نشان ندادند، در حالی که تراکم شغلی رابطه منفی با دویدن داشت. از این نظر، Ettema [ 11 ] دریافت که به نظر نمی رسد تراکم بالا بر مشارکت در دویدن تأثیر بگذارد. مکان‌هایی با جمعیت و تراکم ساختمانی بالاتر اغلب شهری‌تر و نزدیک‌تر به مرکز شهر بودند [ 10]. اگرچه تراکم بالا راه رفتن را تحریک می کند، اما احتمالاً جذابیت دویدن را کاهش می دهد زیرا باعث تعاملات زیادی با سایر کاربران جاده می شود و به دوندگان اجازه نمی دهد حرکت خود را حفظ کنند. علاوه بر این، مناطق با تراکم شغلی بالاتر، مناطق تجاری مرکزی (CBD)، فضاهای اداری، و مناطق مرکز شهر در لندن داخلی هستند. این مناطق به شدت تجاری و مصنوعی هستند که ممکن است برای دوندگان ایده آل نباشد [ 10 ].
(2)
برای بعد تنوع، فعالیت دویدن بیشتر در جاده‌های تنه، اولیه، ثانویه و سوم، مسیرهای دوچرخه‌سواری و پیاده‌روی رخ می‌دهد. این ممکن است به این دلیل باشد که جاده های اصلی، اولیه، ثانویه و ثالث دارای اتصال قوی، زیرساخت کامل و فضای خیابان گسترده تر هستند. دوچرخه‌سواری و پیاده‌روی فضای راحت‌تری برای فعالیت بدنی دارند. برعکس، دوندگان کمتر احتمال دارد مسیرهایی (اغلب ناهموار با سطوح آسفالت نشده، عمدتاً برای مصارف کشاورزی یا جنگلی)، مسیرها (برای استفاده غیر اختصاصی یا مشترک)، خیابان های عابر پیاده (که عمدتاً برای عابران پیاده در خرید و برخی مناطق مسکونی استفاده می شود را انتخاب کنند. و خیابان های خدماتی (برای جاده های دسترسی به شهرک صنعتی، کمپینگ، پارک تجاری، پارکینگ، کوچه ها و غیره) برای فعالیت های در حال اجرا در مقایسه با دیگر انواع جاده هاشکل 10 ). دلایل احتمالی ممکن است این باشد که سطوح آسفالت نشده، مسیرهای کمتر عریض و خیابان‌های شلوغ با عابران پیاده زیاد یا حجم ترافیک سنگین، ویژگی‌هایی هستند که تأثیرات منفی بر رضایت یا فرکانس دویدن دارند [ 10 ، 11 ، 13 ]. این نیز با نتایج [ 71 ] مطابقت دارد که گزارش داد سطح دویدن راحت برای دوندگان مهم است و تأثیر مثبتی دارد.
آنتروپی POI نیز با دویدن همبستگی منفی نشان داد. مناطق با آنتروپی POI بالاتر با درجه بالاتری از اختلاط عملکردی مرتبط هستند. به عبارت دیگر، آن مناطق تمایل بیشتری به شهرنشینی دارند. مطالعات قبلی نشان داده‌اند که دوندگان بیشتر در محیط‌هایی می‌دوند که نزدیک‌تر به طبیعت و دور از مرکز شهر هستند [ 6 ، 10 ، 11 ، 21 ]. برای مثال، بودین و هارتیگ [ 21 ] پیشنهاد کردند که دوندگان واقعاً محیط‌های دویدن سبز را بر محیط‌های شهری ترجیح می‌دهند و گزارش می‌دهند که در ارائه جذابیت و فرار از دردسرهای روزانه بهتر هستند. علاوه بر این، تعداد POI به طور مثبت با مقدار در حال اجرا در بوستون مرتبط بود [ 32]، که ممکن است به دلیل تفاوت در مقیاس و تراکم بین دو شهر باشد [ 60 ].
(3)
برای بعد طراحی، عواملی که تأثیرات مثبتی بر دویدن نشان دادند و نقاط داغ دویدن را ترویج کردند، نزدیک به فضاهای باز شهری، بخش‌های نسبتاً طولانی خیابان و ایمنی بالاتر بودند. بسیاری از مطالعات نتایج مشابهی ارائه کرده اند [ 6 ، 10 ، 11 ، 27 ]. برای مثال، Shipway و Holloway [ 27 ] نشان دادند که دوندگان محیط‌های دویدن سبز، باز و طبیعی را ترجیح می‌دهند.
ویژگی‌های طراحی که در مطالعه ما مانع اجرا شد، تراکم سایبان، تعداد چراغ‌های راهنمایی و پارکینگ، حداکثر سرعت، تعداد جرایم و آتش‌سوزی و میانگین سالانه PM2.5 بود. خیابان‌هایی با تراکم سایه‌بان بیشتر ممکن است به افراد احساس محصور شدن و افسردگی بدهد و در نتیجه ممکن است بر دویدن تأثیر منفی بگذارد. علاوه بر این، خیابان‌هایی با سرعت بالای خودروها و مناطقی با تعداد زیادی پارکینگ و چراغ‌های راهنمایی، حجم ترافیک بالایی دارند و احساس ناامنی می‌کنند. بنابراین، مانع از فعالیت های دویدن می شود. منطقه‌ای با تعداد آتش‌سوزی یا جرم بیشتر نیز می‌تواند به دلیل ناامنی درک شده مرتبط با این خیابان‌ها، از دویدن جلوگیری کند. ایمنی به طور گسترده ای به رسمیت شناخته شده است که تأثیرات قابل توجهی بر قابلیت اجرا دارد [ 5 ، 10]. علاوه بر این، محیط‌های خیابانی با سطوح بالاتر PM 2.5 می‌توانند مانع دویدن شوند. طبق مطالعات قبلی، آلودگی هوا ممکن است بر سیستم تنفسی در حین دویدن تأثیر بگذارد و منجر به تجربه دویدن ناراحت کننده شود که می تواند باعث مشکلات سلامتی شود [ 12 ، 14 ، 60 ].
با این حال، نتایج ما نشان داد که نقاط داغ در حال اجرا در خیابان هایی با تعداد تصادفات ترافیکی بالا و در مناطقی با سطح سر و صدای خیابان بالاتر رخ داده است. این امر عقل سلیم را به چالش می کشد، احتمالاً به این دلیل که دویدن اغلب به جاده متصل است، بنابراین دوندگان اغلب به طور منفعلانه در معرض سر و صدا و ناامنی ترافیکی قرار می گیرند. این نشان می‌دهد که طراحان شهری باید در آینده ایمن‌تر کردن محیط‌های دویدن را برای دوندگان در نظر بگیرند.
(4)
برای بعد دسترسی به مقصد، در تجزیه و تحلیل sDNA با شعاع 800 متر ( شکل 11 a)، منطقه مرکز شهر در مرکز لندن داخلی و برخی از شبکه های خیابانی در منطقه شمال شرقی دسترسی خوبی دارند. در تجزیه و تحلیل sDNA با شعاع 6300 متر، بزرگراه‌های مهم و خیابان‌های اصلی به‌شدت قابل دسترسی هستند ( شکل 11 ب). نتایج SAC نشان داد که هر دو BTA800 و BTA6300 به طور معنی‌داری با دویدن همبستگی مثبت داشتند، که نشان می‌دهد خیابان‌هایی با دسترسی بالاتر احتمال بیشتری برای جذب دوندگان دارند. طبق دانش ما، این اولین مطالعه ای است که از نحو فضایی برای اندازه گیری ارتباط بین فعالیت در حال اجرا و دسترسی به خیابان استفاده می کند. مطالعات قبلی گزارش کرده‌اند که خیابان‌های با دسترسی بالا، پیاده‌روی را ترویج می‌کنند.33 ]. نتایج این مطالعه نشان می‌دهد که خیابان‌های با دسترسی بالا نیز دویدن را ترویج می‌کنند.
(5)
برای فاصله تا بعد حمل و نقل، PTAL ها یک همبستگی منفی با فرکانس دویدن نشان دادند. یعنی، دوندگان کمتر از ایستگاه های خدمات حمل و نقل عمومی در لندن داخلی عبور می کردند. این برخلاف مطالعات قبلی است که نشان می‌داد گره‌های حمل‌ونقل عمومی و امکانات حمل‌ونقل بیشتر می‌توانند دویدن را ترویج کنند [ 6 ، 32 ]. لندن داخلی یک کلان شهر پرجمعیت با ترافیک متراکم و توسعه یافته است. دسترسی بهتر به حمل و نقل عمومی می تواند نشان دهنده شهرنشینی شدید باشد. بنابراین، منطقی است که فرض کنیم دوندگان تمایل بیشتری به دوری از مناطق پر ترافیک دارند. علاوه بر این، Ettema [ 11] دویدن را فعالیتی مشابه پیاده روی تفریحی (تفریحی) دانسته و از این نظر، به حداقل رساندن فاصله تا امکانات حمل و نقل هدف پیاده روی یا دویدن تفریحی نیست. دویدن ممکن است بیشتر یک شکل خالص از ورزش و فعالیت بدنی باشد که با پیاده روی یا دوچرخه سواری که اغلب مستلزم انتقال ترافیک به مقاصد دیگر است متفاوت است.
سوال 2: چگونه و کدام یک از ویژگی های منظره خیابانی در مقیاس میکرو بر میزان اجرا تأثیر می گذارد؟
ما دریافتیم که برخی از ویژگی‌های خیابانی در مقیاس خرد نقش مهمی در تأثیرگذاری بر رفتار دویدن انسان دارند. نتایج ما نشان داد که نقاط داغ برای فعالیت‌های دویدن به احتمال زیاد در مناطقی با جاده‌های وسیع‌تر و به‌ویژه پیاده‌روهای وسیع‌تر، درختان بیشتر، باز بودن آسمان بالاتر، نور خیابان‌های بیشتر و نزدیکی به مناظر طبیعی (مانند کوه‌ها و آب) بیشتر است. علاوه بر این، برخی از خدمات خیابانی (مانند غرفه ها، سایبان ها و تابلوهای راهنما) نیز تأثیر مثبتی بر دویدن داشتند. با این حال، ویژگی‌های GSV که مانع از اجرا می‌شوند، رابط‌ها و نرده‌های معماری بیشتری بودند که نشان‌دهنده درجه محصور خیابان‌ها هستند. مطالعات قبلی نشان داده‌اند که افراد ترجیح می‌دهند در محیط‌هایی که بازتر، کمتر مصنوعی و طبیعی‌تر هستند فعالیت فیزیکی داشته باشند [ 5 ].
قابل توجه، نسبت پیکسل گیاهان با دویدن همبستگی منفی نشان داد، در حالی که درختان همبستگی مثبت را نشان دادند. در برچسب‌های طبقه‌بندی PSPNet، گیاه به درختچه‌ای با ارتفاع کم و نقاط انشعاب اطلاق می‌شود. تعداد زیادی درختچه ممکن است مسیر عبور دونده را مسدود کند یا دید او را مبهم کند. علاوه بر این، یک برس متراکم می تواند مناطق سایه تیره ایجاد کند، و مطالعات نشان داده اند که مناطق متراکم برس یک خطر بالقوه برای جرم و جنایت است، که می تواند باعث ایجاد احساس افسردگی و ناامنی در دوندگان شود [ 72 ].
با این حال، برخی از نتایج ما با عقل متعارف در تضاد است. نسبت پیکسل ماشین و فرد یک روند همبستگی مثبت نشان داد که با مطالعات قبلی متفاوت بود. به عنوان مثال، Ettema [ 11 ] نشان داد که حضور بیش از حد اتومبیل ها و عابران پیاده می تواند به مانعی برای دوندگان تبدیل شود و جریان دویدن را مختل کند. این مطالعه خلاف این را نشان داد. ممکن است دویدن بیشتر به خیابان ها وابسته باشد، بنابراین اجتناب از تجمع اتومبیل ها و عابران پیاده دشوار است. به طور خاص، از میان 40290 نقطه نمونه، نزدیک به 18192 نقطه نمونه در جاده های مسکونی قرار داشت که ممکن است عابران پیاده و خودروهای متوقف شده بیشتری در خیابان ها داشته باشند ( شکل 12 ).
سوال 3: چگونه ویژگی های منظره خیابانی در مقیاس خرد با شاخص های محیط ساخته شده در مقیاس کلان تکمیل یا در تضاد هستند؟
با مقایسه گروه‌های متغیر، نتایج OLS نشان داد که هر دو متغیر مقیاس کلان و مقیاس خرد با مقدار در حال اجرا معنادار آماری هستند. گروه متغیر با اهمیت نسبی بالاتر، متغیرهای مقیاس کلان بودند.
علاوه بر این، پس از مقایسه مدل‌های OLS 1-4، متوجه شدیم که عوامل مقیاس خرد به شدت به قدرت توضیحی مقدار در حال اجرا کمک می‌کنند، اما زمانی که هر سه گروه متغیر گنجانده شدند، به نظر نمی‌رسد که متغیرهای GSV پیشرفت‌های قابل‌توجهی در R2 ایجاد کنند. تحلیل ماتریس همبستگی زوجی همبستگی متوسط ​​یا حتی زیاد را بین برخی از متغیرها نشان داد. این نشان داد که در متغیرهای GSV، در واقع برخی از ویژگی‌های نمای خیابان وجود دارد که با متغیرهای کلان 5Ds همپوشانی دارند. در نتیجه، زمانی که متغیرهای GSV و متغیرهای کلان 5Ds به طور همزمان وارد مدل رگرسیون شدند، مقداری همپوشانی در قدرت توضیحی مقدار در حال اجرا وجود دارد. تحقیقات ما پشتیبانی می کند که متغیرهای GSV مکمل چارچوب 5Ds در مطالعات محیط ساخته شده هستند. اولین، هنگامی که محدودیت هایی برای به دست آوردن برخی از داده های مقیاس کلان وجود دارد، متغیرهای GSV با همبستگی قوی می توانند به عنوان یک جایگزین در نظر گرفته شوند. دوم، در میان متغیرهای GSV، برخی از ویژگی‌های نمای خیابان با عوامل 5Ds ماکرو ارتباط ندارند، بلکه با رفتار دویدن مرتبط هستند، و این ویژگی‌ها می‌توانند به عنوان مکمل چارچوب 5Ds برای اندازه‌گیری دویدن انسان استفاده شوند. با این حال، فرض این است که باید مراقب بود تا همبستگی بین متغیرها باعث ایجاد اثرات چند خطی روی مدل‌ها نشود. هیچ مجموعه داده ای نمی تواند همه فعالیت های فیزیکی را به طور جامع اندازه گیری کند، اما ترکیب و مکمل این مجموعه داده های چند منبعی ممکن است به طور جامع تری قوانین ناشناخته را توضیح دهد و اندازه گیری کند. بنابراین، راهنمایی مفید برای ساخت و ساز شهری ارائه می شود. متغیرهای GSV با همبستگی قوی را می توان به عنوان یک جایگزین در نظر گرفت. دوم، در میان متغیرهای GSV، برخی از ویژگی‌های نمای خیابان با عوامل 5Ds ماکرو ارتباط ندارند، بلکه با رفتار دویدن مرتبط هستند، و این ویژگی‌ها می‌توانند به عنوان مکمل چارچوب 5Ds برای اندازه‌گیری دویدن انسان استفاده شوند. با این حال، فرض این است که باید مراقب بود تا همبستگی بین متغیرها باعث ایجاد اثرات چند خطی روی مدل‌ها نشود. هیچ مجموعه داده ای نمی تواند همه فعالیت های فیزیکی را به طور جامع اندازه گیری کند، اما ترکیب و مکمل این مجموعه داده های چند منبعی ممکن است به طور جامع تری قوانین ناشناخته را توضیح دهد و اندازه گیری کند. بنابراین، راهنمایی مفید برای ساخت و ساز شهری ارائه می شود. متغیرهای GSV با همبستگی قوی را می توان به عنوان یک جایگزین در نظر گرفت. دوم، در میان متغیرهای GSV، برخی از ویژگی‌های نمای خیابان با عوامل 5Ds ماکرو ارتباط ندارند، بلکه با رفتار دویدن مرتبط هستند، و این ویژگی‌ها می‌توانند به عنوان مکمل چارچوب 5Ds برای اندازه‌گیری دویدن انسان استفاده شوند. با این حال، فرض این است که باید مراقب بود تا همبستگی بین متغیرها باعث ایجاد اثرات چند خطی روی مدل‌ها نشود. هیچ مجموعه داده ای نمی تواند همه فعالیت های فیزیکی را به طور جامع اندازه گیری کند، اما ترکیب و مکمل این مجموعه داده های چند منبعی ممکن است به طور جامع تری قوانین ناشناخته را توضیح دهد و اندازه گیری کند. بنابراین، راهنمایی مفید برای ساخت و ساز شهری ارائه می شود. و این ویژگی ها می تواند به عنوان مکمل چارچوب 5Ds برای اندازه گیری دویدن انسان استفاده شود. با این حال، فرض این است که باید مراقب بود تا همبستگی بین متغیرها باعث ایجاد اثرات چند خطی روی مدل‌ها نشود. هیچ مجموعه داده ای نمی تواند همه فعالیت های فیزیکی را به طور جامع اندازه گیری کند، اما ترکیب و مکمل این مجموعه داده های چند منبعی ممکن است به طور جامع تری قوانین ناشناخته را توضیح دهد و اندازه گیری کند. بنابراین، راهنمایی مفید برای ساخت و ساز شهری ارائه می شود. و این ویژگی ها می تواند به عنوان مکمل چارچوب 5Ds برای اندازه گیری دویدن انسان استفاده شود. با این حال، فرض این است که باید مراقب بود تا همبستگی بین متغیرها باعث ایجاد اثرات چند خطی روی مدل‌ها نشود. هیچ مجموعه داده ای نمی تواند همه فعالیت های فیزیکی را به طور جامع اندازه گیری کند، اما ترکیب و مکمل این مجموعه داده های چند منبعی ممکن است به طور جامع تری قوانین ناشناخته را توضیح دهد و اندازه گیری کند. بنابراین، راهنمایی مفید برای ساخت و ساز شهری ارائه می شود. اما ترکیب و مکمل این مجموعه داده‌های چند منبعی ممکن است قوانین ناشناخته را به طور جامع‌تری توضیح دهد و اندازه‌گیری کند. بنابراین، راهنمایی مفید برای ساخت و ساز شهری ارائه می شود. اما ترکیب و مکمل این مجموعه داده‌های چند منبعی ممکن است قوانین ناشناخته را به طور جامع‌تری توضیح دهد و اندازه‌گیری کند. بنابراین، راهنمایی مفید برای ساخت و ساز شهری ارائه می شود.
سوال 4: آیا مقدار در حال اجرا در لندن داخلی اثرات وابستگی فضایی دارد؟
خودهمبستگی فضایی باعث تداخل در مدل های OLS می شود [ 18 ، 61 ، 64 ، 66]. برای به دست آوردن نتایج قوی، بررسی اثرات فضایی مدل ضروری است. یک اثر خودهمبستگی فضایی قابل‌توجهی در باقیمانده‌های مدل OLS ما شناسایی شد. ما با ایجاد مدل SAC مشکل وابستگی فضایی را به خوبی حل کردیم. علاوه بر این، در مقایسه با نتایج رگرسیون مدل OLS و مدل SAC، اگرچه علائم و اهمیت بیشتر متغیرها پس از رگرسیون بدون تغییر باقی می‌ماند، برخی از متغیرها انحرافاتی را نشان می‌دهند. بنابراین، در نظر گرفتن اثر فضایی می‌تواند به ما کمک کند تا نظم‌های توزیع فضایی دویدن را بهتر درک کنیم و نتایج رگرسیون خود را قابل اعتمادتر کند.

5.2. مفهوم عملی

یافته های ما ادبیات مربوط به محیط ساخته شده و رفتارهای انسانی را غنی می کند و شواهد تجربی را برای طراحان شهری فراهم می کند تا یک محیط ساخته شده سازگار با دویدن ایجاد کنند، به نوبه خود ساکنان را به دویدن تشویق می کند که می تواند سلامت عمومی را بهبود بخشد.
اول از همه، مطالعه ما نشان داد که متغیرهای محیط ساخته شده در مقیاس کلان و متغیرهای GSV در مقیاس خرد هر دو تأثیر قابل توجهی بر مقدار در حال اجرا دارند. بنابراین، برنامه ریزان شهری و معماران منظر نه تنها باید ویژگی های محیط ساخته شده در مقیاس کلان را در نظر بگیرند، بلکه باید کیفیت خیابان هم سطح را نیز در نظر بگیرند. به عنوان مثال، برنامه ریزان باید به دنبال افزایش عرض و طول جاده ها (به ویژه پیاده روها) باشند، به باز بودن مسیرهای در حال اجرا توجه کنند، به جای بوته های متراکم که جلوی دید فرد را می گیرند، گیاهانی با نقاط انشعاب بالاتر اضافه کنند، و محوطه ها یا جو مصنوعی بیش از حد را کاهش دهند. .
دوم، ما متوجه شدیم که در توضیح مقدار در حال اجرا، بین متغیرهای GSV و متغیرهای کلان 5Ds همپوشانی وجود دارد. برخی از متغیرهای GSV همبستگی نسبتا بالایی با متغیرهای کلان 5D دارند. این ویژگی‌های GSV بسیار همبسته، جایگزین‌های بالقوه‌ای برای داده‌های کلان هستند (زمانی که دسترسی محدود است)، به عنوان مثال، فضای باز و نسبت پیکسل‌های چمن و درختان، سطح سر و صدای خیابان، و نسبت پیکسل خودروها و غیره.
سوم، ما متوجه شدیم که بسیاری از ویژگی‌های محیط ساخته شده (مانند فضاهای باز، دسترسی به خیابان، طول خیابان، ایمنی خیابان، سطح PM2.5، و غیره) ممکن است رفتار دویدن را ترویج یا مانع شوند. تعدیل در محیط ساخته شده و بهبود مسیرهای دویدن می تواند به نفع بسیاری از مردم باشد و منجر به مشارکت بیشتر افراد در دویدن شود. در این راستا، مطالعه ما می تواند چند پیشنهاد عملی برای یک شهر پر تراکم از دیدگاه یک دونده ارائه دهد. طراحان شهری باید این عوامل عملی را برای یک محیط بهتر در حال اجرا در نظر بگیرند.

5.3. محدودیت ها

محدودیت های زیر باید مورد توجه قرار گیرد. اول، فعالیت های دویدن مشاهده شده از Strava ممکن است نتواند به طور کامل رفتارهای دویدن ساکنان را در لندن داخلی نشان دهد. در پلتفرم Strava، جزئیات دموگرافیک برای محافظت از ناشناس بودن کاربران پنهان شده بود، بنابراین هیچ راهی برای اطمینان از اینکه این مسیرهای عظیم GPS چقدر نماینده همه دوندگان در لندن داخلی هستند وجود ندارد. دوم، اطلاعات در حال اجرا در سطح فردی، مانند دفعات و مدت زمان دویدن در سطح فردی، وجود نداشت. مطالعات آتی با استفاده از روش های مختلف (مثلاً پرسشنامه و مصاحبه) می تواند برای به دست آوردن اطلاعات دقیق تر از رفتارهای دویدن انجام شود. سوم، ویژگی های محیط ساخته شده در مقیاس میکرو از GSV ها ممکن است لزوماً نمایانگر صحنه واقعی که دوندگان در طول تمرین می بینند نباشد. مثلا، دید در شب را می توان برای بررسی رفتار دویدن در شب ثبت کرد. در نهایت، ما دریافتیم که برخی از ویژگی‌های محیط ساخته شده در مقیاس کلان به شدت با برخی از ویژگی‌های GSV همبستگی دارند. با این حال، اینکه آیا این رابطه در شهرهای دیگر متفاوت خواهد بود یا خیر، باید در آینده بررسی شود. ویژگی‌های GSV ممکن است به‌عنوان یک جایگزین بالقوه خوب برای برخی از ویژگی‌های محیط ساخته‌شده در مقیاس کلان شناسایی شوند که داده‌های دقیق‌تر و قوی‌تری ارائه می‌دهند.

6. نتیجه گیری

این مطالعه به دیدگاه جامع تری از رابطه بین فعالیت دویدن و محیط ساخته شده شهری در مقیاس های مختلف کمک می کند. بر اساس داده‌های نیمه باز Strava، ما توزیع فضایی و اثرات خوشه‌بندی فضایی فعالیت‌های در حال اجرا در لندن داخلی را توضیح دادیم. ما مکانیسم محیط ساخته‌شده را در مقیاس‌های مختلف به عنوان مشارکت‌کنندگان در فعالیت‌های در حال اجرا روشن کردیم. مطالعه ما با استفاده از تصاویر GSV، CV، و DL، اثرات ویژگی‌های منظره خیابانی میکروسکوپی را بر فعالیت در حال اجرا تکمیل کرد. علاوه بر این، ما رابطه بالقوه بین این ویژگی‌های GSV در مقیاس میکرو و ویژگی‌های محیط ساخته‌شده در مقیاس کلان را بررسی کردیم. علاوه بر این، ما اثر همبستگی فضایی دویدن را با استفاده از مدل‌های SAC تحلیل کردیم.
این مطالعه نشان داد که هر دو ویژگی محیط ساخته شده در مقیاس کلان و میکرو تأثیر قابل توجهی بر دویدن دارند. ویژگی های محیط ساخته شده در مقیاس میکرو استخراج شده از تصاویر GSV از مقیاسی مشابه چشم انسان می تواند مکمل خوبی برای ویژگی های محیط ساخته شده در مقیاس کلان سنتی باشد. بسیاری از ویژگی‌های خاص محیط ساخته شده در مقیاس کلان (مانند فضاهای باز، دسترسی به خیابان، طول خیابان، ایمنی خیابان، سطح آلودگی خیابان، و غیره) و ویژگی‌های GSV (مانند SVF، جاده‌ها، پیاده‌روها، درختان، دیوار، حصار، روشنایی خیابان و غیره) باعث ترویج یا ممانعت از رفتار دویدن می شود.
با گسترش جمعیت در مناطق شهری، نتایج مطالعه ما می تواند به مقابله با نیازهای روزافزون ساکنان شهری به شهر مجاورت کمک کند. ما بر این باوریم که نتایج الهام‌بخش جدیدی برای مطالعات برنامه‌ریزی شهری و بهداشت عمومی خواهد بود و می‌تواند پیشنهادهای عملی برای ایجاد شهرهای دوستدار دویدن ارائه دهد. در نتیجه، مطالعه ما ممکن است مزایای بالقوه ای برای زندگی پایدار، عادلانه، با کیفیت بالا و سالم با درک بهتر روشی که محیط ساخته شده بر تحرک افراد از منظر دویدن تأثیر می گذارد، داشته باشد.

منابع

  1. فون شرندینگ، ی. سلامت و توسعه پایدار: آیا می‌توانیم از پس چالش برآییم؟ Lancet 2002 ، 360 ، 632-637. [ Google Scholar ] [ CrossRef ]
  2. یانگ، ال. لیو، جی. لیانگ، ی. لو، ی. یانگ، اچ. اثرات متفاوت فضای سبز خیابان بر زمان پیاده روی افراد مسن. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 596. [ Google Scholar ] [ CrossRef ]
  3. صحیح است.؛ Biljecki، F. ارزیابی قابلیت دوچرخه سواری با تصاویر نمای خیابان و بینایی کامپیوتری. ترانسپ Res. قسمت C Emerg. تکنولوژی 2021 ، 132 ، 103371. [ Google Scholar ] [ CrossRef ]
  4. ربکی، آ. بوفولی، ام. دتوری، ام. آپولونی، ال. آزارا، ع. کاستیلیا، پی. D’Alessandro، D. کاپولونگو، S. محیط‌های قابل پیاده‌روی و حرکت‌های شهری سالم: چارچوب شهری ویژگی‌های چارچوب ارزیابی تجربه شده در میلان. پایداری 2019 ، 11 ، 2778. [ Google Scholar ] [ CrossRef ]
  5. شوورمن، ن. روزنکرانتز، ال. Lear، SA ترجیحات محیطی و نگرانی های دوندگان جاده تفریحی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 6268. [ Google Scholar ] [ CrossRef ]
  6. هوانگ، دی. جیانگ، بی. Yuan, L. تجزیه و تحلیل اثرات قرار گرفتن در معرض طبیعت بر رضایت درک شده از مسیرهای در حال اجرا: رویکرد سنجش مبتنی بر مسیر فعالیت. شهری برای. سبز شهری. 2022 ، 68 ، 127480. [ Google Scholar ] [ CrossRef ]
  7. Qviström، M. ماهیت دویدن: در مورد ایده آل های چشم انداز تعبیه شده در برنامه ریزی اوقات فراغت. شهری برای. سبز شهری. 2016 ، 17 ، 202-210. [ Google Scholar ] [ CrossRef ]
  8. کو، BW; گوهاتاکورتا، اس. بوچوی، ن. عوامل همسایگی و راه رفتن در سطح خیابان چگونه با رفتارهای پیاده روی مرتبط هستند؟ یک رویکرد کلان داده با استفاده از تصاویر نمای خیابان. محیط زیست رفتار 2022 ، 54 ، 211-241. [ Google Scholar ] [ CrossRef ]
  9. سرورو، آر. Sarmiento، OL; ژاکوبی، ای. گومز، LF; نیمن، الف. تأثیرات محیط های ساخته شده بر پیاده روی و دوچرخه سواری: درس هایی از بوگوتا. بین المللی J. Sustain. ترانسپ 2009 ، 3 ، 203-226. [ Google Scholar ] [ CrossRef ]
  10. شاشانک، ا. شوورمن، ن. کوپلی، آر. Lear, S. ایجاد یک شاخص قابل اجرا خشن با استفاده از یک چارچوب مبتنی بر هزینه. E&P B Urban Anal. علوم شهر 2022 ، 49 ، 321-334. [ Google Scholar ]
  11. Ettema، D. شهرهای قابل اجرا: چگونه محیط دویدن بر جذابیت درک شده، ترمیم و فرکانس دویدن تأثیر می گذارد؟ محیط زیست رفتار 2016 ، 48 ، 1127-1147. [ Google Scholar ] [ CrossRef ]
  12. یانگ، ال. یو، بی. لیانگ، پی. تانگ، ایکس. لی، جی. داده‌های جمع‌سپاری شده برای تحقیقات محیطی ساخته‌شده با فعالیت فیزیکی: استفاده از داده‌های Strava در چنگدو، چین. جلو. بهداشت عمومی 2022 , 10 , 883177. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  13. دیلن، آی. یانسن، ام. ووس، اس. کامفویس، CBM؛ Ettema، D. محیط های دویدن جذاب برای همه؟ مطالعه مقطعی ویژگی های محیطی فیزیکی و انگیزه ها و نگرش دوندگان در رابطه با تجربه محیط دویدن. BMC Public Health 2019 ، 19 ، 1-5. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. Barnfield، A. جهت گیری به محیط شهری برای یافتن زمان و مکان برای اجرا در صوفیه، بلغارستان. IRSS 2020 ، 55 ، 544-562. [ Google Scholar ] [ CrossRef ]
  15. کوک، اس. شاو، جی. سیمپسون، پی. Mobilities 2016 , 11 , 744-769. [ Google Scholar ] [ CrossRef ]
  16. یوینگ، آر. سرورو، آر. سفر و محیط ساخته شده: یک متاآنالیز. مربا. طرح. دانشیار 2010 ، 76 ، 265-294. [ Google Scholar ] [ CrossRef ]
  17. لی، ز. شانگ، ی. ژائو، جی. یانگ، ام. بررسی رابطه چند مقیاسی بین محیط ساخته شده و استفاده از دوچرخه بدون اسکله مترو گرا. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2022 ، 19 ، 2323. [ Google Scholar ] [ CrossRef ]
  18. چن، ال. لو، ی. بله، ی. شیائو، ی. یانگ، ال. بررسی ارتباط بین محیط ساخته شده و حجم عابر پیاده با استفاده از تصاویر نمای خیابان. Cities 2022 , 127 , 103734. [ Google Scholar ] [ CrossRef ]
  19. وانگ، ام. سلام.؛ منگ، اچ. ژانگ، ی. زو، بی. مانگو، جی. لی، ایکس. ارزیابی کیفیت فضای خیابان با استفاده از تصاویر نمای خیابان و روش تابع محور: مورد Xiamen، چین. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 282. [ Google Scholar ] [ CrossRef ]
  20. بارنفیلد، A. ورزش بدنی، سلامت، و مناظر پسا سوسیالیستی – دویدن تفریحی در صوفیه، بلغارستان. Landsc. Res. 2016 ، 41 ، 628-640. [ Google Scholar ] [ CrossRef ]
  21. بودین، م. هارتیگ، تی. آیا محیط بیرون برای بازسازی روانی که از طریق دویدن به دست می آید اهمیت دارد؟ روانی ورزش ورزشی 2003 ، 4 ، 141-153. [ Google Scholar ] [ CrossRef ]
  22. Thuany، M. گومز، TN; هیل، ال. روزمان، تی. Knechtle، B. Almeida، MB تغییر عملکرد دویدن در بین دوندگان از ایالات مختلف برزیل: یک رویکرد چند سطحی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 3781. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. سرورو، آر. Kockelman، K. تقاضای سفر و 3 بعدی: تراکم، تنوع، و طراحی. ترانسپ Res. قسمت D Transp. محیط زیست 1997 ، 2 ، 199-219. [ Google Scholar ] [ CrossRef ]
  24. فورسایت، ا. Oakes, JM; اشمیتز، KH; هرست، ام. آیا تراکم مسکونی راه رفتن و سایر فعالیت های بدنی را افزایش می دهد؟ مطالعه شهری. 2007 ، 44 ، 679-697. [ Google Scholar ] [ CrossRef ]
  25. تانگ، ز. بله، ی. جیانگ، ز. فو، سی. هوانگ، آر. یائو، دی. یک رویکرد تحلیلی مبتنی بر داده برای برنامه‌ریزی راه سبز در مقیاس انسانی: ادغام داده‌های چند منبع شهری با الگوریتم‌های یادگیری ماشین. شهری برای. سبز شهری. 2020 , 56 , 126871. [ Google Scholar ] [ CrossRef ]
  26. تروپد، پی جی. ویلسون، جی اس. متیوز، م. کراملی، EK; Melly, SJ محیط ساخته شده و فعالیت فیزیکی مبتنی بر مکان. صبح. J. قبلی پزشکی 2010 ، 38 ، 429-438. [ Google Scholar ] [ CrossRef ]
  27. شیپ وی، آر. هالووی، I. دویدن آزاد: پذیرش یک سبک زندگی سالم از طریق دویدن از راه دور. چشم انداز بهداشت عمومی 2010 ، 130 ، 270-276. [ Google Scholar ] [ CrossRef ]
  28. ادنسور، تی. کرهولم، ام. Wirdelöv, J. Rhythmanalysing the runner urban: Pildammsparken, Malmö. Appl. موبایل. 2018 ، 3 ، 97-114. [ Google Scholar ] [ CrossRef ]
  29. هارت، جی ال. Eifert, GH اثرات دویدن، محیط و تمرکز توجه بر سطح کاتکول آمین و کورتیزول و خلق و خوی ورزشکاران. Psychophysiology 1995 ، 32 ، 49-54. [ Google Scholar ] [ CrossRef ]
  30. بورگرز، جی. وانروسل، بی. ووس، اس. فورسبرگ، پی. Scheerder, J. آیا امکانات ورزشی سبک مشارکت ورزشی را تقویت می کند؟ مطالعه موردی در مورد استفاده از مسیرهای دویدن پوست درخت. بین المللی J. Sport Policy Politics 2016 ، 8 ، 287-304. [ Google Scholar ] [ CrossRef ]
  31. سالیس، جی اف. سرورو، RB; اشر، دبلیو. هندرسون، کالیفرنیا؛ کرافت، MK; Kerr, J. رویکردی اکولوژیکی برای ایجاد جوامع زنده فعال. آنو. Rev. Public Health 2006 , 27 , 297-322. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  32. دونگ، ال. جیانگ، اچ. لی، دبلیو. کیو، دبلیو. کیو، بی. وانگ، اچ. ارزیابی تأثیرات محیط خیابان بر انتخاب مسیر دویدن با استفاده از داده‌های نمای خیابان و یادگیری عمیق: مطالعه موردی بوستون. Landsc. طرح شهری. 2022 . تحت بررسی [ Google Scholar ]
  33. سرکار، سی. وبستر، سی. پریور، ام. تانگ، دی. ملبورن، اس. ژانگ، ایکس. Jianzheng، L. بررسی ارتباط بین سبز شهری، طراحی خیابان و پیاده‌روی: نتایج حاصل از بخش‌های لندن بزرگ. Landsc. طرح شهری. 2015 ، 143 ، 112-125. [ Google Scholar ] [ CrossRef ]
  34. کیارادیا، ا. هیلیر، بی. شواندر، سی. بارنز، ی. اثرات فرم ترکیبی و شهری بر الگوهای ارزش ملک مسکونی در لندن بزرگ. Proc. Inst. مدنی مهندس طرح شهری. دس 2013 ، 166 ، 176-199. [ Google Scholar ] [ CrossRef ]
  35. Boarnet، MG; فورسایت، ا. روز، ک. Oakes, JM محیط ساخته شده در سطح خیابان و فعالیت بدنی و پیاده روی: نتایج یک مطالعه اعتبار پیش بینی برای پرسشنامه ایروین مینه سوتا. محیط زیست رفتار 2011 ، 43 ، 735-775. [ Google Scholar ] [ CrossRef ]
  36. ناگاتا، اس. ناکایا، تی. هانیبوچی، تی. آمگاسا، اس. کیکوچی، اچ. Inoue، S. امتیازدهی هدف پیاده‌روی در منظره خیابان مربوط به پیاده‌روی اوقات فراغت: رویکرد مدل‌سازی آماری با تقسیم‌بندی معنایی تصاویر نمای خیابان Google. Health Place 2020 , 66 , 102428. [ Google Scholar ] [ CrossRef ]
  37. کالیسون، ج.ای. در حال اجرای مسیرها با هم. J. Contemp. اتنوگر. 2008 ، 37 ، 38-61. [ Google Scholar ] [ CrossRef ]
  38. هاکی، جی. Collinson, JA دیدن راه: جامعه شناسی بصری و دیدگاه دونده مسافت. Vis. گل میخ. 2006 ، 21 ، 70-81. [ Google Scholar ] [ CrossRef ]
  39. کیو، دبلیو. لی، دبلیو. لیو، ایکس. Huang, X. ادراکات منظره خیابان را به صورت ذهنی اندازه گیری کرد تا استراتژی های طراحی شهری برای شانگهای را آگاه کند. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 493. [ Google Scholar ] [ CrossRef ]
  40. یین، ال. Wang, Z. اندازه‌گیری محوطه بصری برای پیاده‌روی در خیابان: با استفاده از الگوریتم‌های یادگیری ماشین و تصاویر نمای خیابان Google. Appl. Geogr. 2016 ، 76 ، 147-153. [ Google Scholar ] [ CrossRef ]
  41. ون رنسوو، ال. بوگرز، اس. Vos، S. برنامه ریزی شهری برای فضاهای عمومی فعال و سالم با داده های بزرگ تولید شده توسط کاربر. در مجموعه داده‌های خط‌مشی 2016 مرزهای علم داده برای دولت: ایده‌ها، اقدامات و پیش‌بینی‌ها دانشگاه کمبریج، کمبریج، بریتانیا، 15 تا 16 سپتامبر 2016. [ Google Scholar ]
  42. هررو، جی. استفاده از داده های بزرگ برای درک استفاده از مسیر: سه ابزار Strava. TRAFx Res. 2016 . در دسترس آنلاین: https://www.trafx.net/img/insights/Using-big-data-to-understand-trail-use-three-strava-tools.pdf (دسترسی در 20 مارس 2022).
  43. روپی، اف. پولیزیانی، سی. Schweizer، J. تجزیه و تحلیل شبکه دوچرخه مبتنی بر داده بر اساس روش‌های شمارش سنتی و ردیابی GPS از تلفن هوشمند. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 322. [ Google Scholar ] [ CrossRef ]
  44. ساختن نقشه حرارتی جهانی در دسترس آنلاین: https://medium.com/strava-engineering/the-global-heatmap-now-6x-hotter-23fc01d301de (دسترسی در 20 فوریه 2022).
  45. برنج، WL; مولر، جی تی. Graefe، AR; Taff، BD جزئیات رویکردی برای نظارت مقرون‌به‌صرفه استفاده از بازدیدکنندگان با استفاده از داده‌های فعالیت جمع‌سپاری شده. JPRA 2019 ، 37 ، 144-154. [ Google Scholar ] [ CrossRef ]
  46. هاوینگا، آی. بوگارت، PW; هاین، ال. Tuia, D. تعریف و مدل سازی فضایی خدمات اکوسیستم فرهنگی با استفاده از داده های جمع سپاری. اکوسیست. خدمت 2020 , 43 , 101091. [ Google Scholar ] [ CrossRef ]
  47. کیهیل، م. Woods, D. Towards Sustainable Bike Trail Networks: استفاده از داده های فعالیت GPS و نرم افزار GIS برای نظارت بر ترافیک دوچرخه سواری و بهینه سازی زیرساخت دوچرخه سواری. پایان نامه کارشناسی ارشد، دانشگاه گراتس، گراتس، اتریش، 2022. [ Google Scholar ]
  48. به‌روزرسانی‌های نقشه حرارتی در دسترس آنلاین: https://blog.strava.com/press/heatmap-updates/ (دسترسی در 20 فوریه 2022).
  49. لی، ایکس. سانتی، پی. کورتنی، تی.کی. Verma, SK; Ratti, C. بررسی ارتباط بین مناظر خیابانی و فعالیت های پیاده روی انسان با استفاده از نمای خیابان گوگل و داده های مسیر انسان. ترانس. GIS. 2018 ، 22 ، 1029-1044. [ Google Scholar ] [ CrossRef ]
  50. وانگ، آر. فنگ، ز. پیرس، جی. یائو، ی. لی، ایکس. لیو، ی. توزیع کمیت و کیفیت فضای سبز و ارتباط آنها با شرایط اجتماعی-اقتصادی محله در گوانگژو، چین: رویکردی جدید با استفاده از روش یادگیری عمیق و تصاویر نمای خیابان. حفظ کنید. جامعه شهرها 2021 ، 66 ، 102664. [ Google Scholar ] [ CrossRef ]
  51. ژانگ، ال. بله، ی. زنگ، دبلیو. کیارادیا، الف. اندازه‌گیری سیستماتیک کیفیت خیابان از طریق داده‌های شهری چند منبعی: تحلیلی انسان‌محور. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2019 ، 16 ، 1782. [ Google Scholar ] [ CrossRef ]
  52. L’année Sportive 2020. در دسترس آنلاین: https://blog.strava.com/fr/press/yis2020/ (در 28 مارس 2022 قابل دسترسی است).
  53. نمودارهای Strava’s Year In Sport 2021 سیر رونق ورزشی مداوم. در دسترس آنلاین: https://blog.strava.com/press/yis2021/ (دسترسی در 28 آوریل 2022).
  54. اندرسون، دی. Shyr، OF; یانگ، جی. اثرات محله بر استفاده از حمل و نقل در سطح ایستگاه: شواهدی از مترو تایپه. J. Transp. Geogr. 2021 ، 94 ، 103127. [ Google Scholar ] [ CrossRef ]
  55. ویژگی های نقشه در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Map_features (در 12 مارس 2022 قابل دسترسی است).
  56. سلطان، ج. بن‌هایم، جی. هاونرت، جی.-اچ. دالیوت، اس. استخراج الگوهای فضایی در مسیرهای دوچرخه از داده‌های جمع‌سپاری شده. ترانس. GIS. 2017 ، 21 ، 1321-1340. [ Google Scholar ] [ CrossRef ]
  57. لی، جی. جئونگ، ی. کیم، اس. تأثیر ویژگی‌های فردی، فرم شهری، و شخصیت شهری بر انتخاب خودروها به عنوان حالت حمل‌ونقل با استفاده از مدل خطی تعمیم یافته سلسله مراتبی. J. آرشیت آسیایی. ساختن. مهندس 2016 ، 15 ، 223-230. [ Google Scholar ] [ CrossRef ]
  58. وانگ، آر. لیو، ی. لو، ی. یوان، ی. ژانگ، جی. لیو، پی. یائو، ی. ارتباط بین ادراک محله و فعالیت بدنی در گوانگژو، چین: استفاده از تصاویر نمای خیابان با تکنیک های یادگیری عمیق. بین المللی J. Health Geogr. 2019 ، 18 ، 18. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  59. لارکین، ا. گو، ایکس. چن، ال. Hystad, P. پیش بینی ادراک از محیط ساخته شده با استفاده از GIS، ماهواره و رویکردهای تصویر نمای خیابان. Landsc. طرح شهری. 2021 ، 216 ، 104257. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  60. بالابان، او. تونچر، ب. تجسم و تجزیه و تحلیل اجراهای اوقات فراغت شهری با استفاده از داده های ردیابی ورزشی. در مجموعه مقالات سی و پنجمین کنفرانس بین المللی آموزش و پژوهش در طراحی معماری به کمک رایانه در اروپا (eCAADe)، رم، ایتالیا، 20-22 سپتامبر 2017؛ جلد 1. [ Google Scholar ]
  61. کیو، دبلیو. ژانگ، ز. لیو، ایکس. لی، دبلیو. لی، ایکس. خو، X. Huang، X. معیارهای ذهنی یا عینی محیط خیابان، کدام یک در توضیح قیمت مسکن مؤثرتر است؟ Landsc. طرح شهری. 2022 ، 221 ، 104358. [ Google Scholar ] [ CrossRef ]
  62. لی، ایکس. راتی، سی. سیفرلینگ، I. کمی کردن سایه درختان خیابان در منظر شهری: مطالعه موردی در بوستون، ایالات متحده، با استفاده از نمای خیابان گوگل. Landsc. طرح شهری. 2018 ، 169 ، 81-91. [ Google Scholar ] [ CrossRef ]
  63. شیا، ی. یابوکی، ن. فوکودا، تی. تخمین عامل نمای آسمان از تصاویر نمای خیابان بر اساس تقسیم بندی معنایی. اقلیم شهری. 2021 ، 40 ، 100999. [ Google Scholar ] [ CrossRef ]
  64. لی، ایکس. ژانگ، سی. لی، دبلیو. کوزوفکینا، YA؛ وینر، دی. چه کسی در محله های سبزتر زندگی می کند؟ توزیع فضای سبز خیابان و ارتباط آن با شرایط اجتماعی-اقتصادی ساکنان در هارتفورد، کانکتیکات، ایالات متحده شهری برای. سبز شهری. 2015 ، 14 ، 751-759. [ Google Scholar ] [ CrossRef ]
  65. لی، ایکس. Cai، BY; کیو، دبلیو. ژائو، جی. راتی، سی. روشی جدید برای پیش‌بینی و نقشه‌برداری وقوع تابش نور خورشید با استفاده از نمای خیابان گوگل. ترانسپ Res. قسمت C Emerg. تکنولوژی 2019 ، 106 ، 132-144. [ Google Scholar ] [ CrossRef ]
  66. یو، اچ. زی، اچ. لیو، ال. چن، جی. شناسایی افراد در خیابان و محیط فیزیکی منظره خیابان از تصاویر نمای خیابان بایدو و تأثیر آنها بر جنایات خیابانی در سطح جامعه در یک شهر چینی. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 151. [ Google Scholar ] [ CrossRef ]
  67. Tsai، VJD; Chang، CT موقعیت یابی سه بعدی از پانورامای نمای خیابان گوگل. IET Image Proc. 2013 ، 7 ، 229-239. [ Google Scholar ] [ CrossRef ]
  68. کی، دی. لی، اس. تجزیه و تحلیل اثرات شاخص نمای سبز خیابان های محله بر زمان پیاده روی با استفاده از نمای خیابان گوگل و یادگیری عمیق. Landsc. طرح شهری. 2021 ، 205 ، 103920. [ Google Scholar ] [ CrossRef ]
  69. کائو، آر. فوکودا، تی. یابوکی، ن. کمی کردن محیط بصری با تقسیم بندی معنایی با استفاده از یادگیری عمیق – نمونه اولیه برای عامل نمای آسمان. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی انجمن تحقیقات طراحی معماری به کمک کامپیوتر در آسیا (CAADRIA)، ولینگتون، نیوزیلند، 15 تا 18 آوریل 2019؛ جلد 2. [ Google Scholar ]
  70. بله، ی. ریچاردز، دی. لو، ی. آهنگ، X. ژوانگ، ی. زنگ، دبلیو. ژونگ، تی. اندازه‌گیری فضای سبز خیابانی با دسترسی روزانه: رویکردی در مقیاس انسانی برای اطلاع‌رسانی شیوه‌های بهتر برنامه‌ریزی شهری. Landsc. طرح شهری. 2019 ، 191 ، 103434. [ Google Scholar ] [ CrossRef ]
  71. آلن کالیسون، جی. Hockey, J. هویت “کار کردن”: دوندگان مسافت و مدیریت هویت مختل شده. لیس. گل میخ. 2007 ، 26 ، 381-398. [ Google Scholar ] [ CrossRef ]
  72. فلمینگ، سی ام. منینگ، ام. Ambrey، CL Crime، فضای سبز و رضایت از زندگی: ارزیابی تجربه نیوزلند. Landsc. طرح شهری. 2016 ، 149 ، 1-10. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00504 g001 550
شکل 1. وسعت منطقه مورد مطالعه، لندن داخلی، انگلستان.
Ijgi 11 00504 g002 550
شکل 2. چارچوب تحلیلی این تحقیق.
Ijgi 11 00504 g003 550
شکل 3. کاشی های 512 × 512 پیکسل گرفته شده از SH و نقشه کامل گرما در حال اجرا از لندن داخلی که از 594 کاشی تشکیل شده است.
Ijgi 11 00504 g004 550
شکل 4. تقسیم بندی معنایی بر اساس PSPNet. ( a , c , d ) قسمت داخل خط نقطه قرمز قسمتی است که ما مشخصات محیط ساخته شده در سطح خیابان را استخراج کردیم. ( a , b ) قسمتی که در خط نقطه سیاه قرار دارد جایی است که برای محاسبه مقادیر SVF استفاده می کنیم. ( ه ) نتیجه تقسیم بندی معنایی.
Ijgi 11 00504 g005 550
شکل 5. SVF را محاسبه کنید. ( الف ، ب ) فرآیند محاسبه برای تولید تصویر چشم ماهی. ( ج ) تصویر اصلی و تصویر تقسیم شده معنایی بخشی از آسمان. ( د ) تصویر چشم ماهی تولید شده با استفاده از اسکریپت پایتون. ( ه ) پیکسل‌های آسمان در تصویر چشم ماهی که استخراج شده‌اند.
Ijgi 11 00504 g006 550
شکل 6. مقدار مقدار در حال اجرا و توزیع فضایی 40290 نقطه نمونه. ( الف ) مقدار شطرنجی در شبکه های خیابانی OSM استخراج شده از SH در لندن داخلی. ( ب ) توزیع فضایی مقدار در حال اجرا 40290 نقطه نمونه. ( ج ) صحنه های خیابانی برخی از مناطق معرف، منطقه A-H به ترتیب با یک صحنه خیابان مطابقت دارد.
Ijgi 11 00504 g007 550
شکل 7. تجزیه و تحلیل ماتریس همبستگی زوجی بین متغیرهای مقیاس کلان و متغیرهای مقیاس خرد (فقط جفت متغیرهایی با ضرایب همبستگی بیشتر از 0.2 مشاهده شدند).
Ijgi 11 00504 g008 550
شکل 8. ( الف ) نقشه خوشه‌ای LISA از مقدار در حال اجرا بر اساس 40290 نقطه نمونه، موقعیت A-E نشان‌دهنده ناحیه نماینده‌ای است که مقادیر کم-پایین ظاهر می‌شوند. ( ب ) نقشه سطح اهمیت LISA. ( ج ) آزمون موران I برای مقدار در حال اجرا، که همبستگی مکانی مثبت را نشان داد.
Ijgi 11 00504 g009 550
شکل 9. نتایج آزمون موران I. ( الف ) خودهمبستگی فضایی خطای باقیمانده مدل OLS (بافر 100 متر). ( ب ) همتای خطای باقیمانده مدل SAC (بافر 100 متر).
Ijgi 11 00504 g010 550
شکل 10. چهار نوع جاده با دویدن همبستگی منفی دارند. این تصاویر مربوط به این نوع جاده ها از سند طبقه بندی جاده OSM است.
Ijgi 11 00504 g011 550
شکل 11. تجزیه و تحلیل نحو فضای sDNA. ( الف ) با شعاع 800 متر؛ ( ب ) با شعاع 6300 متر.
Ijgi 11 00504 g012 550
شکل 12. خیابان های مسکونی اغلب توسط اتومبیل های بسیاری از ساکنان در لندن داخلی اشغال می شود.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید