بررسی تأثیر ویژگی‌های محیطی ساخته‌شده بر پیروان اجتماعی با استفاده از داده‌های رسانه‌های اجتماعی و یادگیری عمیق

توسط

یوون تانگ

1،

جیاکسین ژانگ

2،

رونجیائو لیو

1،*و

یونقین لی

2

1
دانشکده معماری و هنر، دانشگاه مرکزی جنوبی، شماره 68، جاده شائوشان جنوبی، منطقه تیانشین، چانگشا 410075، چین
2
بخش مهندسی انرژی و محیط زیست پایدار، دانشکده مهندسی تحصیلات تکمیلی، دانشگاه اوزاکا، 2-1 یامادائوکا، سوئیتا 565-0871، اوزاکا، ژاپن
*
نویسنده ای که مسئول است باید ذکر شود.
ISPRS Int. J. Geo-Inf. 2022 , 11 (6), 325; https://doi.org/10.3390/ijgi11060325
دریافت: 25 آوریل 2022/بازبینی شده: 25 مه 2022/پذیرش: 27 مه 2022/تاریخ انتشار: 27 مه 2022

ارقام را مرور کنید

نسخه ها یادداشت ها

 

چکیده

:

خیابان ها جزء مهمی از مناظر شهری هستند و منعکس کننده تصویر، کیفیت زندگی و سرزندگی فضاهای عمومی هستند. با کمک مجموعه داده شهری Google Cityscapes و مدل یادگیری عمیق DeepLab-v3، تصاویر پانوراما را برای به دست آوردن آمار بصری تقسیم بندی کردیم و تأثیر ویژگی های محیط ساخته شده را بر محبوبیت رستوران تجزیه و تحلیل کردیم. نتایج نشان می‌دهد که بررسی‌های رستوران‌ها تحت‌تاثیر تراکم علائم راهنمایی و رانندگی، جریان عابران پیاده، شاخص حرکت آهسته دوچرخه، و تغییرات در زمین قرار می‌گیرند، که در این میان تراکم علائم راهنمایی و رانندگی با تعداد بازبینی‌ها همبستگی منفی معناداری دارد. مهم‌ترین عاملی که بر رتبه‌بندی غذا، محیط داخلی و خدمات رستوران‌ها تأثیر می‌گذارد، جریان عابر پیاده است و پس از آن قابلیت پیاده‌روی در جاده و شاخص حرکت آهسته دوچرخه قرار دارند. و سپس عناصر طبیعی (باز بودن آسمان، میزان سبز شدن، و زمین)، عوامل مرتبط با ترافیک (تراکم شبکه جاده و شاخص تداخل وسایل نقلیه موتوری) و محیط مصنوعی (مانند نرخ ساختمان)، در حالی که تمایل افراد به ماندن دارای منفی معنی‌دار است. تاثیر بر رتبه بندی کیفیت محیط ساخته شده که بر مصرف سرانه تأثیر می گذارد شامل تراکم علائم راهنمایی و رانندگی، جریان عابر پیاده و درجه طراحی غیر موتوری است که تراکم علائم راهنمایی و رانندگی بیشترین تأثیر را دارد.

 

1. مقدمه

مدل توسعه گسترده، از زمان شروع شهرنشینی، باعث ایجاد مشکلاتی مانند تراکم ترافیک، فضاهای عمومی ناکافی و تخریب محیط زیست در شهرها شده است [ 1 ]. این مشکلات در مجموع باعث ایجاد مشکلات جدیدی از جمله وخامت کیفیت فضاهای شهری و فضاهای عمومی با سرزندگی ناکافی شده است. چین اکنون وارد مرحله جدیدی از شهرنشینی شده است [ 2 ]، جایی که توسعه و ساخت و ساز شهری از برنامه ریزی تدریجی به برنامه ریزی مبتنی بر سهام، با تمرکز بیشتر بر نقش مردم در فرآیند شهرنشینی تغییر کرده است [ 3 ]. خیابان ها اسکلت یک شهر را تشکیل می دهند و معمولی ترین فضای عمومی یک شهر هستند [ 4]. خیابان ها فروشندگان خیابانی، بازارها، تاسیسات هنری، نیمکت های راحت، فضاهای سبز [ 5 ] را در خود جای می دهند، طبیعت درونی و سبک های شهر را به نمایش می گذارند، فضاهای شهری را شکل می دهند و به سرزندگی می افزایند [ 6 ]. این مطالعه رابطه بین کیفیت محیط ساخته شده و رتبه‌بندی مصرف‌کنندگان از خیابان‌های شهر را از منظر انسان‌گرایی بررسی می‌کند و الگوهای محبوبیت مکان‌های غذاخوری در بین مصرف‌کنندگان را تحت تأثیرات مختلف محیط بیرون بررسی می‌کند. نتایج می تواند به بهینه سازی برنامه ریزی انواع مختلف زمین و بهبود زیست پذیری شهرها کمک کند.
در سال های اخیر، تعداد مطالعات مبتنی بر تصاویر نمای خیابان به طور تصاعدی گسترش یافته است [ 7 ]. تصاویر نمای خیابان زمانی ارزشمند هستند که با انواع داده‌ها مانند رسانه‌های اجتماعی ترکیب شوند [ 8 ]. مطالعات با استفاده از داده‌های Weibo در مورد ترجیحات آنلاین افراد نیز در حال ظهور هستند [ 9 ]. با این حال، از یک طرف، تحقیقات موجود در مورد داده‌های رسانه‌های اجتماعی بر روی داده‌های ورود به سیستم‌هایی مانند Weibo و Twitter متمرکز است، اما استفاده از داده‌های ورود برای توصیف محبوبیت مکان‌ها مغرضانه است [ 9 ]]. در واقع، داده‌های بزرگ اجتماعی گسترده شامل داده‌های بررسی نیز می‌شود که نشان‌دهنده‌ترین آنها داده‌های بررسی مصرف‌کننده از وب‌سایت‌هایی مانند Dianping و Meituan است. چنین داده‌هایی اطلاعات بسیار مهمی هستند، زیرا ارزیابی چنین وب‌سایت‌هایی به شدت بر قضاوت مصرف‌کنندگان بالقوه تأثیر می‌گذارد و همراه با داده‌های فعالیت انسانی چندمنبعی می‌تواند بر تعصب داده‌های بررسی ورود غلبه کند. از سوی دیگر، درجاتی از اجماع در جامعه دانشگاهی وجود دارد که محیط ساخته شده بر ترجیحات افراد برای استفاده از فضاهای خاص تأثیر می گذارد، اما در مورد درجه اهمیت عناصر مختلف کیفیت خیابان اتفاق نظر وجود ندارد.
این مطالعه یک ارزیابی محیط ساخته‌شده در مقیاس شهری مبتنی بر داده‌ها و فناوری است که متغیرهای موجود در محیط ساخته‌شده را که با مشخص کردن محبوبیت رستوران‌ها از طریق داده‌های رسانه‌های اجتماعی تأثیر قابل‌توجهی بر ادراک انسان دارند، بررسی می‌کند. بنابراین، برای دستیابی به اهداف تحقیق، این فرضیه را ایجاد کردیم که محیط ساخته شده بر پیروان اجتماعی تأثیر می گذارد. این کار بینش جدیدی در مورد چگونگی ترکیب چندین منبع داده‌های بزرگ جغرافیایی در تحقیقات محیطی ساخته‌شده در مقیاس شهری ارائه می‌کند و امکانات داده‌های رسانه‌های اجتماعی را در ارزیابی محیط ساخته‌شده آشکار می‌کند.
با در نظر گرفتن مکان های غذاخوری به عنوان نمونه تحقیق، ما یک چارچوب داده محور با استفاده از دو منبع داده جغرافیایی اصلی ایجاد کردیم: نمای پانوراما خیابان و داده های رتبه بندی رسانه های اجتماعی. ما از روش‌های یادگیری عمیق برای تعیین کمیت اجزای قابل مشاهده خیابان‌ها استفاده کردیم و یک مدل طبقه‌بندی شبکه عصبی کانولوشن (CNN) ساختیم که با معیارهای رتبه‌بندی تمایل به ماندن سازگار است، تا رابطه بین کیفیت فضاهای خیابان و داده‌های رسانه‌های اجتماعی را بررسی کنیم و کاوش کنیم. متغیرهایی در محیط ساخته شده که تأثیر قابل توجهی بر ادراک افراد و همچنین مکانیسم های زیربنایی دارند.
بقیه این مقاله به شرح زیر است. پس از بررسی مختصری از ادبیات ارزیابی محیط ساخته شده، داده های رسانه های اجتماعی، و یادگیری عمیق در بخش 2 ، منطقه مورد مطالعه، منابع داده ها و روش های تحقیق را در بخش 3 شرح می دهیم . در بخش 4 ، قرارگیری مکانی داده‌های مربوطه به تصویر کشیده می‌شود و نتایج تحلیل همبستگی پیرسون، خودهمبستگی فضایی و رگرسیون حداقل مربع ارائه می‌شود. نتایج در بخش 5 مورد بحث قرار گرفته و بخش 6 نتیجه گیری است.

2. بررسی ادبیات

2.1. ارزیابی کیفیت محیط های ساخته شده

ارزیابی کیفی یک محیط ساخته شده شامل ارزیابی کمی است. ارزیابی کیفی بر اساس ادراک افراد است که توسط فناوری‌های جدید و داده‌های بزرگ پشتیبانی می‌شود. با کمک یادگیری عمیق ماشینی، می توان اطلاعات مربوط به ادراکات ذهنی افراد را پس از آموزش به سرعت پردازش کرد. این پیشرفت ها فرصت های جدیدی را برای مطالعات شهری ایجاد کرده است.

2.1.1. ارزیابی کمی

روش‌های تحقیق کیفی سنتی که بر خیابان‌ها تمرکز می‌کنند، بر سفرهای میدانی و مصاحبه‌های پرسشنامه تکیه می‌کنند و شامل تجزیه و تحلیل نمونه‌های انبوه یا به طور جامع ویژگی‌های داده‌های جمع‌آوری‌شده را منعکس نمی‌کنند. نسل جدید پردازش داده ها و یادگیری عمیق، پایه و اساس تصمیم گیری علمی در برنامه ریزی شهری را گذاشته است. برای مدت طولانی، جغرافیا عمدتاً به مشاهدات میدانی برای به دست آوردن داده های دست اول برای تحقیقات جغرافیایی متکی بوده است. استفاده از فناوری سنجش از دور طبقه‌بندی زمین [ 10 ]، محاسبه شاخص پوشش گیاهی [ 11 ]، اندازه‌گیری رنگ نما [ 12 ] را ارتقا داده است.]، و ارزیابی کیفیت های ساخته شده از جمله ویژگی های فضای سبز شهری بر اساس اندازه گیری های هوایی. با این حال، به دلیل محدودیت‌های حسگرهای تفکیک مکانی، طیفی و زمانی، نمی‌توان از داده‌های سنجش از دور به طور کامل در زمینه مشاهدات شهری استفاده کرد [ 6 ].
ظهور داده های جغرافیایی چندمنبعی فرصت های جدیدی برای کشف الگوها در توسعه فضای شهری فراهم می کند [ 13 ]. به لطف کمیت، تنوع و پیشرفت‌های بزرگ در داده‌های بزرگ، محققان این ظرفیت را دارند که از داده‌های بزرگ برای بررسی پدیده‌ها و روندها در توسعه اجتماعی، اقتصادی و فرهنگی شهرها استفاده کنند. به عنوان مثال، جنیفر اس. گوئررو-پرادو و همکاران. یک چارچوب تحلیلی داده برای اندازه‌گیری پیشرفته داده‌های زیرساخت پیشنهاد کرده‌اند [ 14] برای افشای قوانین ذاتی فرآیند توسعه شهری. ظهور تصاویر Google Street View (GSV) کاوش غیرمستقیم عوامل کلیدی را که بر کیفیت محیطی تأثیر می‌گذارند، مانند نرخ نمای سبز شهرها و باز بودن آسمان، تسهیل می‌کند. در نتیجه، تعداد زیادی از مطالعات کیفیت فضاهای فیزیکی خیابان در شهرها را بر اساس تصاویر GSV بررسی کرده اند [ 15 ]. به عنوان مثال، دونگ وو و همکاران. تأثیر سبز شدن خیابان‌های شهری و ساختمان‌های خیابانی بر آلودگی هوای تابستان را بر اساس داده‌های GSV تجزیه و تحلیل کرد [ 16 ]. رنکای دونگ و همکاران میزان نمای سبز انواع جاده های مختلف را در جاده کمربندی ششم پکن اندازه گیری و مقایسه کرد [ 17 ]]. GSV همچنین امکان بررسی رابطه بین فعالیت های افراد و محیط ساخته شده را از دیدگاه جامعه شناختی فراهم می کند. به عنوان مثال، انقی هو و همکاران. شاخص نمای سبز را تجزیه و تحلیل کرد و مسیر شاخص بهینه را بر اساس نمای خیابان و یادگیری عمیق بررسی کرد [ 18 ]. یی لو نرخ نمای سبز شهری را تخمین زد و ارتباط بین نرخ نمای سبز و انتخاب مسیر پیاده روی ساکنان را بررسی کرد [ 19 ]. بر اساس تصاویر Baidu Street View (BSV)، Yilei Tao و همکاران. همبستگی بین تراکم فعالیت ساکنین و درک منظره خیابان را مورد بررسی قرار داد [ 20]. لینگژو ژانگ و همکاران کیفیت خیابان را در زمینه فعالیت بدنی و سلامت عمومی مورد بررسی قرار داد تا چارچوبی بسازد که برداشت کلی مردم از محیط خیابان را نشان دهد [ 21 ].
کیفیت یک محیط ساخته شده را می توان از منظرهای دیگری نیز بررسی کرد. به عنوان مثال، چوان-بو هو و همکاران. با نسبت ارتفاع ساختمان در دو طرف خیابان به عرض خیابان (H/W) شروع شد و از GSV برای طبقه بندی و ترسیم هندسه دره شهری استفاده کرد [ 22 ]. تیان پنگ لین و همکاران دید سه بعدی و کیفیت بصری فضاهای باز شهری را با Google SketchUp و WebGIS بررسی کرد [ 23]، به دست آوردن ریاضی عوامل بصری، توپوگرافی و سایر ویژگی های جغرافیایی از روابط فضایی. از منظر کلان یک کشور، برخی از کشورهای غربی نیز روابط بین فضاها مانند توپولوژی، هندسه و فواصل واقعی و ارزیابی کامل خیابان ها در مقیاس بزرگ را با نحو فضا و تقسیم بندی فضاها از طریق طبقه بندی فضاها و توسعه مقیاس ها [ 24 ].

2.1.2. تصورات مردم

دونالد اپلیارد و مارک لینتل [ 25 ] از تحقیقات و مشاهدات میدانی برای تعیین عواملی که بر کیفیت محیطی خیابان تأثیر می گذارند، استفاده کردند، همانطور که Jan Gehl و Lar Gemzøe [ 26 ] انجام دادند. یوینگ رید و کلمنته اتو فضاهای شهری را با استفاده از روش زندگی عمومی در فضای عمومی (PLPS) بررسی کردند. مطالعه آنها کیفیت فضای عمومی، کیفیت نمای ساختمان ها، جریان مردم و فعالیت های در طول اقامت آنها را پوشش می دهد [ 27 ]. این مطالعه کیفیت فضای خیابان را به پنج بعد، یعنی محاصره، مقیاس انسانی، شفافیت، مرتب بودن و توانایی تصویر تقسیم کرد و از پاسخ دهندگان خواست تا به نمای خیابان امتیاز دهند.
در مقایسه با روش‌های سنتی نظرسنجی که از پرسشنامه و مصاحبه برای افشای داده‌های ذهنی استفاده می‌کنند، تصاویر نمای خیابان و ارزیابی هوش رایانه‌ای دامنه وسیع‌تری دارند. مجموعه داده Place Pulse 2.0 آزمایشگاه رسانه MIT حاوی بیش از 100000 تصویر GSV است که در 56 شهر در سراسر جهان گرفته شده است [ 28 ]. این تصاویر توسط بیش از 80000 داوطلب به صورت آنلاین مقایسه و رتبه بندی شده اند تا نمرات ادراک مربوطه را به دست آورند و مجموعه داده یادگیری ماشینی را تشکیل دهند. بر اساس این مجموعه داده، Salesses و همکاران. کیفیت فضای خیابان را از سه بعد ارزیابی کرد: طبقه اجتماعی، احساس امنیت و منحصر به فرد بودن [ 29]. یونقین لی و همکاران تصاویر جمع‌آوری‌شده نمای خیابان، داده‌های جریان ترافیک و داده‌های حسگر محیطی از خیابان‌های دانشگاه اوزاکا را گرفت و یک ارزیابی فیزیکی و درک پیاده‌روی انجام داد. در نهایت، آنها تفاوت های بین این دو را مقایسه کردند و امکان سنجی و محدودیت های روش محاسبه خودکار را توضیح دادند [ 30 ].

2.2. داده های رسانه های اجتماعی

داده های سنجش از دور یک منبع داده قابل اعتماد هستند. در کاربرد عملی، می توان آن را با سایر منابع داده مانند داده های رسانه های اجتماعی تکمیل کرد تا ابعاد اجتماعی- فضایی رفتار فردی و مسائل کلیدی شهری را بررسی کند [ 31 ]. چی و همکاران چهار نوع فرصت توسعه برای داده‌های رسانه‌های اجتماعی شناسایی کرده‌اند، بنابراین استفاده از داده‌های رسانه‌های اجتماعی را برای تحقیقات در زمینه‌هایی مانند مشارکت عمومی، کاربری زمین، مدیریت بلایا و نظارت بر محیط‌زیست ترویج می‌کنند [ 32 ].]. با در نظر گرفتن همزمان داده های ورود به Weibo و تصاویر نمای خیابان، فن ژانگ و همکاران. بر انواع، محبوبیت، مناطق و گروه‌های مکان‌ها برای گسترش معنای مکان‌ها تمرکز کرد و در نتیجه رستوران‌های نامحسوس اما محبوب و همچنین مکان‌های بیرونی خوش منظره را کشف کرد که به راحتی نادیده گرفته می‌شد [ 9 ]. Yiyong Chen و دیگران از داده‌های ساعتی تراکم کاربر Tencent (RTUD) از رسانه‌های اجتماعی برای تجزیه و تحلیل توزیع زمانی-مکانی کاربران در پارک‌های شهری استفاده کردند و در نهایت پیشنهادات هدفمندی را برای ساخت و نگهداری پارک‌های شهری ارائه کردند [ 33 ].
علاوه بر این، برخی از محققان کاربرد رسانه های اجتماعی را در سطح شهری بررسی کرده اند. تینگینگ چن و همکاران از رسانه های اجتماعی مختلف ردیابی GPS برای ترسیم ساختار فضایی شهری، تعیین مکان مرکزی و درک عملکردهای شهری و ویژگی های فضایی مناطق ساخته شده استفاده کرد [ 34 ].

2.3. یادگیری ماشینی کاربردی در مطالعات شهری

نیکی نایک و دیگران یادگیری ماشینی، رتبه‌بندی خودکار و اندازه‌گیری‌هایی را در مورد ایمنی درک شده از فضاهای خیابان بر اساس بیش از یک میلیون تصویر نمای خیابان در پنج شهر از جمله نیویورک انجام دادند [ 35 ]. Vicente Ordonez و Tamara L. Berg این مجموعه داده را آموزش دادند و شش شاخص ادراکی انسانی را پیش‌بینی کردند، یعنی ایمن، سرزنده، زیبا، ثروتمند، افسرده‌کننده و خسته‌کننده [ 36 ]. ژانگ فن و همکاران مدل را بهینه کرد و در نهایت به پیش بینی همزمان شش بعد رتبه بندی ادراک انسان دست یافت [ 37 ].
به غیر از آموزش مدل، برخی از محققان همچنین از یادگیری عمیق برای تمرین صنعت استفاده می کنند. به عنوان مثال، شیائو فو و همکاران. چارچوب «مدل‌سازی قیمت لذت‌جوی مبتنی بر داده‌های دسترسی باز» را از دیدگاه توسعه املاک [ 38 ] پیشنهاد کرد و نرخ نمای سبز، باز بودن آسمان و نمایه‌های نمای ساختمان را با چارچوب یادگیری عمیق و پانورامای عظیم BSV تعیین کرد، و در نهایت رابطه بین محبوبیت خانه ها و درک صحنه های اطراف را بررسی کرد. مارکو هلبیچ و همکاران از یادگیری عمیق برای بررسی فضاهای سبز و آبی نمای خیابان و ارتباط آنها با افسردگی سالمندان استفاده کرد [ 39 ].

3. روش تحقیق

3.1. منطقه مطالعه

منطقه تحقیقاتی در داخل جاده حلقه داخلی شانگهای قرار دارد ( شکل 1 ). Inner Ring Road اولین بزرگراه شهری مرتفع شانگهای است و یکی از توسعه یافته ترین مناطق شهری در چین را مشخص می کند. شهرداری های داخل جاده کمربندی داخلی نیز از نظر مالی نسبتاً قوی هستند. پانورامای خیابان طیف نسبتاً وسیعی از عناصر را در بر می گیرد و توسعه صنعت پذیرایی نسبتاً بالغ است. بنابراین، 21065 مکان ناهار خوری در داخل جاده کمربندی داخلی به عنوان اهداف تحقیق برای بررسی رابطه بین کیفیت محیط ساخته شده شهر و محبوبیت مکان ها در سطح فضایی، برای ارتقای چیدمان متفاوت زمین و به حداکثر رساندن ارزش بالقوه انتخاب شدند. سرزمین.

3.2. منابع اطلاعات

3.2.1. تصاویر نمای خیابان بایدو

Baidu Map یک سرویس نقشه آنلاین است که توسط Baidu [ 40 ] ارائه می شود. سرویس تصویر استاتیک پانوراما ارائه شده توسط Baidu Map ( https://map.baidu.com ، قابل دسترسی در 31 ژانویه 2022) مشابه GSV است. در این مطالعه، 8220 تصویر پانوراما خیابانی با وضوح 1024 dpi × 512 dpi بر اساس مختصات مکان‌های غذاخوری در جاده حلقه داخلی شانگهای، از طریق رابط برنامه‌نویسی برنامه‌نویسی تصویر استاتیک پانوراما ارائه‌شده توسط پلت فرم توسعه‌دهنده نقشه بایدو، دانلود شد. این مطالعه از نسبت عناصر رایج خیابان – گیاهان، آسمان و دیدگاه مردم از پیاده روها – به عنوان متغیرهای مستقل برای بررسی رابطه بین عناصر و داده های رتبه بندی استفاده می کند.

3.2.2. داده های داژونگ دیانپینگ

داده های بررسی مصرف کنندگان رستوران از وب سایت Dazhong Dianping استخراج شده است. Dazhong Dianping بزرگترین وب سایت رتبه بندی مصرف کننده شخص ثالث در چین است و کارکنان فروش آفلاین حرفه ای را برای بررسی و به روز رسانی اطلاعات فروشگاه در محل استخدام می کند. به عنوان یک شبکه معتبر و نماینده، داده های وب سایت یک نمای کلی از اطلاعات بازرگانان و ارزیابی های مصرف کننده ارائه می دهد.
با کمک یک خزنده وب، این مطالعه انواع، مختصات، تعداد تجمعی نظرات، رتبه‌بندی سلیقه مصرف‌کنندگان، رتبه‌بندی محیط داخلی، رتبه‌بندی خدمات، و مصرف سرانه 21065 رستوران در جاده حلقه داخلی شانگهای را استخراج کرد. تعداد بررسی ها، سه نوع رتبه بندی و مصرف سرانه به عنوان متغیرهای وابسته برای بررسی رابطه بین آنها و کیفیت محیط فضاهای ساخته شده در تحلیل رگرسیون حداقل مربعات بعدی انتخاب شدند.

3.3. ابزار تحقیق

3.3.1. تقسیم بندی معنایی تصویر

این مطالعه با استفاده از فناوری تقسیم‌بندی تصویر یادگیری عمیق و با کمک مجموعه داده شهری Google Cityscapes و مدل یادگیری عمیق DeepLab-v3، 19 عنصر را در تصاویر نمای خیابان شهری، یعنی جاده، پیاده‌رو، ساختمان، دیوار، حصار، قطب، چراغ راهنمایی، علائم راهنمایی و رانندگی، پوشش گیاهی، زمین، آسمان، شخص، سوار، ماشین، کامیون، اتوبوس، قطار، موتور سیکلت و دوچرخه ( جدول 1 )، برای تعیین کمیت ترکیب خیابان های قابل مشاهده و به دست آوردن دسته بندی هر عنصر در خیابان مشاهده نقشه با دقت نسبتا بالا تصاویر با عناصر خیابانی تقسیم‌بندی شده از قبل حاوی اطلاعات عناصر هستند، اما هنوز نتایج کمی ندارند. بنابراین از Python 3.7.2 برای محاسبه به صورت دسته ای نسبت هر عنصر در تصاویر پس از تقسیم بندی استفاده شد.
در تحلیل این پژوهش از ۱۶ عنصر فوق الذکر استفاده شد. نسبت دیوارها و نرده‌ها به‌عنوان حلقه مشترک و نسبت خودروها، کامیون‌ها و اتوبوس‌ها به عنوان شاخص تداخل وسیله نقلیه موتوری در نظر گرفته شد. در مجموع 13 متغیر مستقل در رده محیط ساخته شده باقی ماند ( جدول 2 ).

3.3.2. تمایل مردم به ماندن

BSV به طور عینی کیفیت خیابان را از منظر یک فضای فیزیکی ارزیابی می کند، در حالی که تمایل افراد به ماندن به طور ذهنی کیفیت خیابان را از منظر ادراک مردم از یک فضای فیزیکی ارزیابی می کند. تمایل به ماندن به عنوان یکی از متغیرهای مستقل این مطالعه همراه با تراکم شبکه جاده، پیاده‌روی جاده، میزان نمای سبز و باز بودن آسمان در نظر گرفته شده است. کمی سازی تمایل افراد به ماندن می تواند برای ارزیابی درک شهودی افراد از کیفیت فضا و افزایش ابعاد بحث در مورد کیفیت فضای یک محیط ساخته شده استفاده شود.
با تکیه بر معیارهای ارزیابی به طور گسترده پذیرفته شده در ادبیات موجود [ 41 ] بر اساس شخصیت تخیلی، مقیاس انسانی و شفافیت، آراستگی، پوشش گیاهی و احساسات روانی افراد، تصاویر نمونه مطابق با رتبه‌بندی‌های 1 تا 5 برای مرجع انتخاب شدند. از یادگیری عمیق برای ارزیابی تمایل عابران پیاده به ماندن در مقیاس 1 تا 5 استفاده شد ( جدول 3 ).

3.3.3. مدل ارزیابی کیفیت محیطی

پس از بررسی تصاویر استخراج شده، 5 درصد از 8220 تصویر را برای نمونه انتخاب کردیم (420 پانورامای خیابان که 70 درصد آن برای آموزش، 20 درصد برای آزمایش و 10 درصد برای اعتبار سنجی استفاده شد) و از سه طراح که دریافت کرده بودند دعوت کردیم. آموزش سیستماتیک در برنامه ریزی شهری و روستایی برای امتیاز دهی به تصاویر.
سپس، چندین مدل پیشرفته CNN مانند DenseNet-121 [ 42 ]، SENet-154 [ 43 ]، ResNeSt-50d [ 44 ] و Inception-v4 [ 45 ] را آموزش دادیم و تأیید صحت را مقایسه کردیم. نتایج چهار مدل طبقه بندی مبتنی بر CNN ( شکل 2 ). در نهایت مدل Inception-v4 انتخاب شد. تطبیق نمره تمایل تمایل به ماندن در 95 درصد نمونه‌ها (7820 پانورامای خیابان) با استفاده از مدل یادگیری عمیق Inception-v4 انجام شد. هنگام پیش‌بینی رتبه‌بندی ۱ تا ۵ تمایل به ماندن، دقت مدل Inception-v4 به ترتیب به ۶۲، ۶۵، ۷۴، ۵۳ درصد و ۷۹ درصد رسید.

3.3.4. حذف موارد پرت

بر اساس اصل 3σ در یک توزیع نرمال، احتمال توزیع مقادیر در (μ – 3σ، μ + 3σ) 0.9974 است، احتمال اینکه متغیرها خارج شوند (μ – 3σ، μ + 3σ) کمتر از سه است. هزارم، و فرض بر این است که رویداد مربوطه در مسائل عملی رخ نخواهد داد. بنابراین، به منظور افزایش پایایی نتایج تجربی، داده‌های هر آیتم خارج از سه انحراف استاندارد حذف شد. این نمونه نهایی شامل 16794 مورد داده بود.

3.3.5. روش حداقل مربعات

این مطالعه از تحلیل رگرسیون حداقل مربع برای بررسی بیشتر همبستگی فضایی بین متغیرهای مستقل و متغیر وابسته، یعنی کیفیت فضای محیط ساخته شده استفاده کرد. روش حداقل مربعات تطبیق تابع بهینه داده ها را با به حداقل رساندن مجموع مجذورهای باقیمانده، که یک روش آماری رایج برای بازسازی درختان فیلوژنتیک است، پیدا می کند [ 46 ]. داده های مجهول را می توان به راحتی با استفاده از روش حداقل مربعات به دست آورد و مجموع مجذور باقیمانده بین داده های به دست آمده و داده های واقعی را می توان به حداقل رساند. در این مطالعه، می توان از آن برای تعیین رابطه کمی بین عناصر در محیط ساخته شده در فضای باز در نزدیکی مکان های غذاخوری و ترجیحات مصرف کننده استفاده کرد.
اصل اساسی به شرح زیر است:
فرض کنید ( x , y ) یک جفت مشاهدات باشد که ایکس=ایکس1،ایکس2،⋯،ایکسnتی∈آرn،y=آردر عملکرد نظری زیر ارضا شود:

y=fایکس،ω

که در آن ω=ω1،ω2،⋯،ωnتیپارامتری است که باید تعیین شود.

برای یافتن تخمین بهینه پارامتر ωدر عمل fایکس،ω، برای مجموعه های m داده شده (معمولا متر>n) داده های مشاهده شده ایکسمن،yمنمن=1،2،…،متر، تابع هدف

Ly،fایکس،ω=∑من=1مترyمن–fایکسمن،ωمن2

حداقل مقدار پارامتر را می گیرد ωمنمن=1،2،…،n. نوع مسئله ای که باید حل شود را مسئله حداقل مربعات و زبان هندسی حل این مسئله را برازش حداقل مربعات می نامند.

برای مسائل بهینه سازی نامحدود، شکل کلی روش حداقل مربعات است

مترمنnfایکس=∑من=1مترLمن2ایکس=∑من=1مترLمن2yمن،fایکسمن،ωمن=∑من=1مترyمن–fایکسمن،ωمن2

جایی که Lمنایکسمن=1،2،…،مترتابع باقیمانده نامیده می شود. چه زمانی Lمنایکسمن=1،2،…،مترتابع خطی x است، آن را مسئله حداقل مربعات خطی و در غیر این صورت مسئله حداقل مربعات غیرخطی نامیده می شود.

3.4. چارچوب تحقیق

با در نظر گرفتن مکان های غذاخوری به عنوان مثال، این مطالعه (1) از پانورامای BSV در جاده حلقه داخلی شانگهای استفاده کرد و ترکیب خیابان های قابل مشاهده را با تقسیم بندی معنایی کمی کرد. (2) انتخابی با استفاده از ماتریس‌های سردرگمی تمایل به ماندن انجام شد، و یک مدل Inception-v4 برای انجام استنتاج در مقیاس 1-5 در 8220 پانورامای خیابان انتخاب شد. (3) داده‌ها از وب‌سایت Dazhong Dianping با استفاده از یک برنامه خزنده برای به دست آوردن رتبه‌بندی افراد در مورد تجربه غذاخوری‌شان در رستوران‌ها استخراج شد. ArcGIS 10.6 برای تجسم انواع، تعداد نظرات، رتبه‌بندی سلیقه مصرف‌کنندگان، رتبه‌بندی محیط داخلی، رتبه‌بندی خدمات، و مصرف سرانه 21065 رستوران در داخل رینگ جاده شانگهای استفاده شد. (4) بر اساس اصل 3σ در آمار ریاضی، داده هایی که خارج از سه انحراف استاندارد بودند حذف شدند تا انتخاب نهایی 16794 مورد داده به دست آید. (5) بر اساس مختصات، تحلیل رگرسیون حداقل مربعات بر روی کیفیت محیطی فضاهای فیزیکی، تمایل افراد به ماندن و محبوبیت مکان انجام شد. در نهایت، رابطه بین ویژگی‌های محیط فیزیکی اطراف رستوران‌ها، رتبه‌بندی تمایل مردم به اقامت و ترجیحات مردم، برای ارائه منابعی برای بهینه‌سازی استفاده از زمین، افزایش زیست‌پذیری کلان شهرها و تضمین توسعه شهری با کیفیت بالا، کمیت‌سازی شد. چارچوب تحلیلی در خلاصه شده است تحلیل رگرسیون حداقل مربعات بر روی کیفیت محیط فضاهای فیزیکی، تمایل افراد به ماندن و محبوبیت مکان انجام شد. در نهایت، رابطه بین ویژگی‌های محیط فیزیکی اطراف رستوران‌ها، رتبه‌بندی تمایل مردم به اقامت و ترجیحات مردم، برای ارائه منابعی برای بهینه‌سازی استفاده از زمین، افزایش زیست‌پذیری کلان شهرها و تضمین توسعه شهری با کیفیت بالا، کمیت‌سازی شد. چارچوب تحلیلی در خلاصه شده است تحلیل رگرسیون حداقل مربعات بر روی کیفیت محیط فضاهای فیزیکی، تمایل افراد به ماندن و محبوبیت مکان انجام شد. در نهایت، رابطه بین ویژگی‌های محیط فیزیکی اطراف رستوران‌ها، رتبه‌بندی تمایل مردم به اقامت و ترجیحات مردم، برای ارائه منابعی برای بهینه‌سازی استفاده از زمین، افزایش زیست‌پذیری کلان شهرها و تضمین توسعه شهری با کیفیت بالا، کمیت‌سازی شد. چارچوب تحلیلی در خلاصه شده است و تضمین توسعه شهری با کیفیت بالا. چارچوب تحلیلی در خلاصه شده است و تضمین توسعه شهری با کیفیت بالا. چارچوب تحلیلی در خلاصه شده استشکل 3 .

4. نتایج

4.1. تجزیه و تحلیل کیفیت فضا

4.1.1. تجزیه و تحلیل محیط فیزیکی

همانطور که در شکل 4 نشان داده شده است ، این مطالعه از فناوری تقسیم‌بندی تصویر یادگیری عمیق برای طبقه‌بندی تصاویر پانوراما BSV به 19 مورد، از جمله جاده‌ها، پیاده‌روها و ساختمان‌ها، در یک جدول خلاصه آماری استفاده کرد.
تصاویر در نتایج تقسیم‌بندی به پلتفرم ArcGIS 10.6 برای طبقه‌بندی مقادیر منحصربه‌فرد وارد شدند. پیکسل ها با محتوای متفاوت با رنگ های مختلف برچسب گذاری می شوند تا قابل تشخیص باشند ( شکل 5 ). تعداد پیکسل های مربوط به محتوای مختلف را می توان با بررسی جدول ویژگی ها به دست آورد و به عنوان متغیرهای مستقل در تحلیل رگرسیون بعدی استفاده شد.

4.1.2. تجزیه و تحلیل تمایل به ماندن

تعداد تصاویر با امتیاز کلی 4 (6907) و 5 (5558) 59.17٪ از تعداد کل تصاویر را به خود اختصاص داده است. تعداد تصاویر با امتیاز 3 (4724) 22.43 درصد از کل، تعداد تصاویر با امتیاز کل 1 (531) و 2 (3345) 18.40 درصد از کل را به خود اختصاص داده است. نتایج نشان می‌دهد که تمایل عابران پیاده برای ماندن در مناطق اطراف بیش از نیمی از رستوران‌های داخل رینگ جاده شانگهای نسبتاً زیاد است و بیش از ۸۰ درصد رستوران‌ها می‌توانند انتظار داشته باشند که عابران پیاده در این منطقه بمانند. نتایج در شکل 6 نشان داده شده است.

4.2. نتایج ارزیابی رستوران

تجسم داده ها در پلت فرم ArcGIS 10.6 نشان می دهد که 91.13٪ ( n= 19197) از رستوران ها 1 تا 3390 نظر دریافت کردند. رستوران‌هایی با تعداد نقد بالا، که بسیار نادر بودند، عموماً در جاده Huaihai و West Beijing Road دسته‌بندی شده‌اند. نتایج نشان می‌دهد که 51.29 درصد از رستوران‌ها رتبه‌بندی طعم زیر 7.6 (10805) را دریافت کردند، در حالی که نزدیک به نیمی از رستوران‌ها، پراکنده در سراسر منطقه مورد مطالعه، رتبه‌بندی بالاتر از 7.6 را دریافت کردند. علاوه بر این، 42.61 درصد از رستوران‌های دارای محیط داخلی رتبه‌بندی زیر 7.4 (8976) را دریافت کردند و بیش از نیمی از رستوران‌ها، پراکنده در سراسر منطقه مورد مطالعه، رتبه‌بندی بالاتر از 7.4 را دریافت کردند. در مجموع 43.96 درصد از رستوران ها رتبه بندی خدمات زیر 7.4 (9261) را دریافت کردند و بیش از نیمی از رستوران ها با رتبه بالای 7.4 و در منطقه مورد مطالعه پراکنده بودند. در نهایت، 58.90٪ از رستوران ها مصرف سرانه 63 RMB یا کمتر را گزارش کردند (12,407)، و 84.59٪ مصرف سرانه 142 RMB یا کمتر (17819) را گزارش کردند. علاوه بر این، بیش از یک پنجم رستوران‌های پرمصرف روند «پراکندگی بزرگ و خوشه‌بندی کوچک» را با درجه مشخصی از خوشه‌بندی در سمت‌های شرقی و غربی رودخانه Huangpu و تقاطع جاده Caoyang و جاده هواشان. نتایج در نشان داده شده استشکل 7 .

4.3. نتایج تجزیه و تحلیل روش حداقل مربعات

4.3.1. تحلیل همبستگی پیرسون

ما داده ها را به پلتفرم IBM SPSS Statistics 26 وارد کردیم و تجزیه و تحلیل همبستگی پیرسون را انجام دادیم. تجزیه و تحلیل نشان داد که بیشتر متغیرها در سطح 01/0 همبستگی معنی‌دار و تعداد کمی از متغیرها مانند مصرف سرانه و نوسانات زمین دارای همبستگی معنی‌دار در سطح 05/0 هستند. همچنین متغیرهایی وجود دارند که در سطح 05/0 همبستگی معنی داری ندارند، مانند درجه سلیقه و نرخ ساخت. نتایج در جدول 4 خلاصه شده و در شکل 8 نشان داده شده است.

4.3.2. نتایج تحلیل خودهمبستگی فضایی

تجزیه و تحلیل خودهمبستگی فضایی نشان می دهد که وقتی متغیرهای وابسته تعداد بررسی ها، رتبه بندی طعم، رتبه بندی محیط داخلی، رتبه بندی خدمات و مصرف سرانه باشد، امتیاز z بالاتر است. بنابراین، احتمال اینکه این الگوی خوشه بندی به طور تصادفی ایجاد شود کمتر از 1٪ است. نتایج در شکل 9 نشان داده شده است. به منظور بررسی بیشتر رابطه عملکردی بین کیفیت فضای محیط ساخته شده و داده های بررسی رستوران، تحلیل حداقل مربعات را در بخش زیر انجام دادیم.

4.4. تحلیل حداقل مربعات

با در نظر گرفتن تعداد بررسی‌های رستوران به عنوان متغیر وابسته، تحلیل حداقل مربعات معمولی (OLS) نشان می‌دهد که متغیرهای مستقلی که در سطح 0.01 معنی‌دار هستند، شامل علائم راهنمایی و رانندگی، فرد و دوچرخه و متغیر مستقل است که در سطح 0.05 معنی‌دار است. سطح زمین بود بنابراین، (1) عناصر محیط ساخته شده با بیشترین تأثیر بر تعداد بررسی های رستوران شامل تراکم علائم راهنمایی و رانندگی، جریان عابر پیاده، شاخص حرکت آهسته دوچرخه، و نوسانات زمین است. در این میان، تراکم علائم راهنمایی و رانندگی تأثیر منفی معنی‌داری بر تعداد بازبینی‌ها دارد، در حالی که جریان عابر پیاده تأثیر مثبت معناداری بر تعداد بازبینی‌ها دارد که بیش از دو عنصر دیگر است. (2) هر چه تراکم علائم راهنمایی و رانندگی در یک منطقه کمتر باشد، تعداد بررسی ها بیشتر است. (3) هر چه جریان عابر پیاده در یک منطقه بیشتر باشد، تعداد بازبینی ها نیز بیشتر است. (4) هر چه شاخص حرکت آهسته دوچرخه در یک منطقه بیشتر باشد، تعداد بازبینی‌ها بیشتر است. در نهایت، (5) بین نوسانات زمین و تعداد بررسی ها همبستگی مثبت و معناداری وجود دارد. نتایج در خلاصه شده استجدول 5 .
با در نظر گرفتن رتبه بندی طعم رستوران ها به عنوان متغیر وابسته، یک تحلیل OLS نشان می دهد که متغیرهای مستقل مربوطه با اهمیت در سطح 0.01 شامل جاده، پیاده رو، ساختمان، پوشش گیاهی، زمین، آسمان، فرد، وسیله نقلیه و دوچرخه است، در حالی که محاصره معنادار است. در سطح 0.05 تمامی متغیرهای وابسته با تعداد مرورها همبستگی مثبت و معناداری نشان می دهند. بنابراین، (1) عناصر محیط ساخته شده با بیشترین تأثیر بر درجه بندی طعم رستوران ها شامل جریان عابر پیاده، شاخص حرکت آهسته دوچرخه، نوسانات زمین، قابلیت پیاده روی جاده، شاخص تداخل وسیله نقلیه موتوری، نرخ نمای سبز، نرخ ساختمان، باز بودن آسمان، تراکم شبکه جاده و محاصره رابط، در حالی که جریان عابر پیاده بیشترین تأثیر را دارد و به دنبال آن شاخص حرکت آهسته دوچرخه قرار دارد. سایر عوامل تفاوت معنی داری در میزان تأثیر نداشتند. یافته های اضافی عبارتند از: (2) هرچه جریان عابر پیاده بیشتر باشد، درجه طعم بالاتر است. (3) هرچه شاخص حرکت آهسته دوچرخه بیشتر باشد و ترافیک غیر موتوری در یک منطقه توسعه یافته تر باشد، درجه طعم رستوران ها بالاتر است. و (4) هر چه نوسانات زمین یک منطقه بیشتر باشد، درجه طعم بالاتر است. (5) هر چه میزان سبز شدن و باز بودن آسمان یک خیابان بیشتر باشد، رتبه بندی مصرف کنندگان بالاتر است. (6) نرخ ساخت و محاصره رابط نیز به طور مثبت رتبه بندی طعم یک رستوران را ارتقا داد. (7) افزایش درجه تداخل وسایل نقلیه موتوری و تراکم شبکه جاده‌ای نیز به افزایش درجه‌بندی طعم کمک کرده است. نتایج در خلاصه شده است (2) هرچه جریان عابر پیاده بیشتر باشد، درجه طعم بالاتر است. (3) هرچه شاخص حرکت آهسته دوچرخه بیشتر باشد و ترافیک غیر موتوری در یک منطقه توسعه یافته تر باشد، درجه طعم رستوران ها بالاتر است. و (4) هر چه نوسانات زمین یک منطقه بیشتر باشد، درجه طعم بالاتر است. (5) هر چه میزان سبز شدن و باز بودن آسمان یک خیابان بیشتر باشد، رتبه بندی مصرف کنندگان بالاتر است. (6) نرخ ساخت و محاصره رابط نیز به طور مثبت رتبه بندی طعم یک رستوران را ارتقا داد. (7) افزایش درجه تداخل وسایل نقلیه موتوری و تراکم شبکه جاده‌ای نیز به افزایش درجه‌بندی طعم کمک کرده است. نتایج در خلاصه شده است (2) هرچه جریان عابر پیاده بیشتر باشد، درجه طعم بالاتر است. (3) هرچه شاخص حرکت آهسته دوچرخه بیشتر باشد و ترافیک غیر موتوری در یک منطقه توسعه یافته تر باشد، درجه طعم رستوران ها بالاتر است. و (4) هر چه نوسانات زمین یک منطقه بیشتر باشد، درجه طعم بالاتر است. (5) هر چه میزان سبز شدن و باز بودن آسمان یک خیابان بیشتر باشد، رتبه بندی مصرف کنندگان بالاتر است. (6) نرخ ساخت و محاصره رابط نیز به طور مثبت رتبه بندی طعم یک رستوران را ارتقا داد. (7) افزایش درجه تداخل وسایل نقلیه موتوری و تراکم شبکه جاده‌ای نیز به افزایش درجه‌بندی طعم کمک کرده است. نتایج در خلاصه شده است هر چه درجه بندی طعم رستوران ها بالاتر باشد. و (4) هر چه نوسانات زمین یک منطقه بیشتر باشد، درجه طعم بالاتر است. (5) هر چه میزان سبز شدن و باز بودن آسمان یک خیابان بیشتر باشد، رتبه بندی مصرف کنندگان بالاتر است. (6) نرخ ساخت و محاصره رابط نیز به طور مثبت رتبه بندی طعم یک رستوران را ارتقا داد. (7) افزایش درجه تداخل وسایل نقلیه موتوری و تراکم شبکه جاده‌ای نیز به افزایش درجه‌بندی طعم کمک کرده است. نتایج در خلاصه شده است هر چه درجه بندی طعم رستوران ها بالاتر باشد. و (4) هر چه نوسانات زمین یک منطقه بیشتر باشد، درجه طعم بالاتر است. (5) هر چه میزان سبز شدن و باز بودن آسمان یک خیابان بیشتر باشد، رتبه بندی مصرف کنندگان بالاتر است. (6) نرخ ساخت و محاصره رابط نیز به طور مثبت رتبه بندی طعم یک رستوران را ارتقا داد. (7) افزایش درجه تداخل وسایل نقلیه موتوری و تراکم شبکه جاده‌ای نیز به افزایش درجه‌بندی طعم کمک کرده است. نتایج در خلاصه شده است (7) افزایش درجه تداخل وسایل نقلیه موتوری و تراکم شبکه جاده‌ای نیز به افزایش درجه‌بندی طعم کمک کرده است. نتایج در خلاصه شده است (7) افزایش درجه تداخل وسایل نقلیه موتوری و تراکم شبکه جاده‌ای نیز به افزایش درجه‌بندی طعم کمک کرده است. نتایج در خلاصه شده استجدول 6 .
با در نظر گرفتن رتبه بندی محیط داخلی رستوران ها به عنوان متغیر وابسته، تجزیه و تحلیل OLS نشان می دهد که متغیرهای مستقل با معنی داری در سطح 0.01 شامل پیاده رو، ساختمان، پوشش گیاهی، زمین، آسمان، فرد و وسیله نقلیه هستند، در حالی که متغیرهای مستقل با اهمیت در سطح 0.01 هستند. سطح 0.05 شامل تمایل به ماندن، جاده و دوچرخه است. جریان عابر پیاده بیشترین تأثیر را بر رتبه بندی دارد، در حالی که تأثیر تمایل افراد به ماندن نسبتاً ضعیف و منفی است. همه عوامل دیگر تأثیر مثبت دارند و تفاوت چندانی در میزان تأثیر ندارند. بنابراین، (1) عناصر محیط ساخته شده با بیشترین تأثیر بر رتبه بندی محیط داخلی رستوران ها شامل جریان عابر پیاده، شاخص حرکت آهسته دوچرخه، قابلیت پیاده روی جاده، نرخ نمای سبز، نرخ ساختمان، نوسانات زمین، باز بودن آسمان، تراکم شبکه جاده، شاخص تداخل وسایل نقلیه موتوری، و تمایل مردم به ماندن. نتایج همچنین نشان می دهد که (2) هرچه جریان عابر پیاده در اطراف یک رستوران بیشتر باشد، رتبه محیط داخلی بالاتر است. (3) هرچه شاخص حرکت آهسته دوچرخه بیشتر باشد و پیاده روی جاده در یک منطقه بیشتر باشد، رتبه محیط داخلی رستوران بالاتر است. و (4) هر چه میزان نمای سبز بیشتر باشد، باز بودن آسمان بیشتر است، و هر چه نوسانات زمین یک خیابان بیشتر باشد، رتبه رستوران بالاتر است. (5) نرخ ساخت و ساز رتبه بندی محیط داخلی یک رستوران را ارتقا می دهد. (6) مناطق با تراکم شبکه جاده ای بالا و شاخص های تداخل وسایل نقلیه موتوری رتبه های بالاتری را برای فضای غذاخوری دریافت می کنند. (7) همچنین بین تمایل به ماندن و رتبه بندی محیط داخلی همبستگی منفی معناداری وجود دارد.جدول 7 .
با در نظر گرفتن رتبه بندی خدمات رستوران ها به عنوان متغیر وابسته، یک تحلیل OLS، نشان می دهد که متغیرهای مستقل با اهمیت در سطح 0.01 شامل جاده، پیاده رو، ساختمان، پوشش گیاهی، زمین، آسمان، فرد، وسیله نقلیه و دوچرخه و تمایل به ماندن هستند. متغیر مستقل با معناداری در سطح 0.05 می باشد. جریان عابر پیاده بیشترین تأثیر را بر درجه بندی محیطی دارد. بنابراین، (1) عناصر محیط ساخته شده که بیشترین تأثیر را بر رتبه بندی خدمات رستوران ها دارند شامل جریان عابر پیاده، قابلیت پیاده روی جاده، شاخص حرکت آهسته دوچرخه، نرخ نمای سبز، نرخ ساختمان، شاخص تداخل وسیله نقلیه موتوری، باز بودن آسمان، نوسانات زمین است. ، تراکم شبکه جاده ای و تمایل مردم به ماندن. نتایج همچنین نشان می دهد که (2) هرچه جریان عابر پیاده در اطراف رستوران بیشتر باشد، خدمات بهتر؛ (3) هرچه میزان پیاده‌روی جاده بیشتر باشد و شاخص حرکت آهسته دوچرخه یک منطقه بالاتر باشد، رتبه‌بندی خدمات بالاتر است. (4) هر چه نرخ نمای سبز بیشتر باشد و باز بودن آسمان و نوسانات زمین بیشتر باشد، مصرف کنندگان کیفیت خدمات رستوران ها را بالاتر می برند. (5) نرخ ساختمان همچنین رتبه خدمات یک رستوران را ارتقا می دهد. (6) در مناطقی با تراکم شبکه جاده ای بالا و درجه تداخل وسایل نقلیه موتوری، رستوران ها خدمات با کیفیت بالا را برای جلب حمایت مصرف کنندگان ارائه می دهند. (7) همچنین بین تمایل به ماندن و رتبه خدمات همبستگی منفی معناداری وجود دارد. نتایج در خلاصه شده است (4) هر چه نرخ نمای سبز بیشتر باشد و باز بودن آسمان و نوسانات زمین بیشتر باشد، مصرف کنندگان کیفیت خدمات رستوران ها را بالاتر می برند. (5) نرخ ساختمان همچنین رتبه خدمات یک رستوران را ارتقا می دهد. (6) در مناطقی با تراکم شبکه جاده ای بالا و درجه تداخل وسایل نقلیه موتوری، رستوران ها خدمات با کیفیت بالا را برای جلب حمایت مصرف کنندگان ارائه می دهند. (7) همچنین بین تمایل به ماندن و رتبه خدمات همبستگی منفی معناداری وجود دارد. نتایج در خلاصه شده است (4) هر چه نرخ نمای سبز بیشتر باشد و باز بودن آسمان و نوسانات زمین بیشتر باشد، مصرف کنندگان کیفیت خدمات رستوران ها را بالاتر می برند. (5) نرخ ساختمان همچنین رتبه خدمات یک رستوران را ارتقا می دهد. (6) در مناطقی با تراکم شبکه جاده ای بالا و درجه تداخل وسایل نقلیه موتوری، رستوران ها خدمات با کیفیت بالا را برای جلب حمایت مصرف کنندگان ارائه می دهند. (7) همچنین بین تمایل به ماندن و رتبه خدمات همبستگی منفی معناداری وجود دارد. نتایج در خلاصه شده است (7) همچنین بین تمایل به ماندن و رتبه خدمات همبستگی منفی معناداری وجود دارد. نتایج در خلاصه شده است (7) همچنین بین تمایل به ماندن و رتبه خدمات همبستگی منفی معناداری وجود دارد. نتایج در خلاصه شده استجدول 8 .
با در نظر گرفتن سرانه مصرف رستوران ها به عنوان متغیر وابسته، تجزیه و تحلیل OLS نشان می دهد که متغیرهای مستقل با اثر مثبت معنادار در سطح 0.01 شامل علائم راهنمایی و رانندگی و فرد هستند، در حالی که متغیرهای مستقل با تأثیر مثبت معنادار در سطح 0.05 شامل سوارکار می شوند. و دوچرخه بنابراین، (1) کیفیت محیط ساخته شده با بیشترین تأثیر بر مصرف سرانه شامل تراکم علائم راهنمایی و رانندگی، جریان عابر پیاده، و شاخص کند حرکت دوچرخه است که در این میان تراکم علائم راهنمایی و رانندگی بیشترین اهمیت را دارد، در حالی که تعداد سواران. اثر منفی معنی داری بر مصرف سرانه دارد. (2) در این مطالعه، هر چه تراکم علائم راهنمایی و رانندگی در یک منطقه بیشتر باشد، مصرف سرانه بالاتر است. (3) هر چه جریان عابر پیاده در یک منطقه بیشتر باشد، هر چه سرانه مصرف بیشتر باشد. (4) هرچه شاخص حرکت آهسته دوچرخه در یک منطقه بیشتر باشد، مصرف سرانه بالاتر است. و (5) هر چه تعداد سواران در یک منطقه بیشتر باشد، مصرف سرانه کمتر است. نتایج در خلاصه شده استجدول 9 .

5. بحث

این مطالعه از دیدگاه دو بعدی تصاویر سنجش از دور به چشم انداز سه بعدی از تصاویر نمای خیابان برای بررسی کیفیت فضاهای فیزیکی و ارزیابی ذهنی افراد از فضاهای عمومی تغییر می کند. این مطالعه یک چارچوب مبتنی بر داده را بر اساس دو منبع داده‌های جغرافیایی اصلی – تصاویر پانوراما خیابان و داده‌های رتبه‌بندی رسانه‌های اجتماعی – ایجاد می‌کند و از تقسیم‌بندی معنایی برای تعیین کمیت اجزای قابل مشاهده خیابان‌ها استفاده می‌کند. برای بررسی رابطه بین ویژگی‌های فضاهای خیابان و داده‌های رتبه‌بندی در وب‌سایت‌های مصرف‌کننده، روش‌های یادگیری عمیق را برای ساخت یک مدل طبقه‌بندی مبتنی بر CNN اتخاذ می‌کند که با معیارهای رتبه‌بندی تمایل به ماندن سازگار است.
اگرچه مطالعات قبلی تحقیقاتی را با ترکیب استفاده از تصاویر نمای خیابان و داده های رسانه های اجتماعی انجام داده اند [ 47 ، 48]، درک آنها از انواع داده های رسانه های اجتماعی نسبتا محدود است و بنابراین محدود به داده های نقطه نظر (POI) استخراج شده از سیستم عامل هایی مانند Weibo و Twitter است. تا آنجا که ما می دانیم، مطالعه ما اولین مطالعه ای است که کیفیت محیط ساخته شده را بررسی می کند، در عین حال، دامنه داده های رسانه های اجتماعی را به داده های وب سایت های رتبه بندی پس از استفاده گسترش می دهد. داده های نظر مقدار زیادی انتشار و یک اثر تجمعی قوی دارند که می تواند ترجیحات جمعیت ساکن و جمعیت شناور را منعکس کند و بر تاخیر زمانی شدید داده های تحقیقات سنتی غلبه کند. مطالعه رابطه بین کیفیت محیط ساخته شده و محبوبیت رستوران ها نمونه ای از کاربرد واقعی این مطالعه است. که در آن غربالگری عواملی که تأثیر قابل توجهی در ارزیابی مصرف کننده دارند برای رستوران ها مفید است تا کارایی عملیاتی خود را تا حد امکان بهبود بخشند، حتی اگر این تنها راه برای بهبود کارایی نباشد، اما برای اپراتورها مفید است که کمی بهبود یابند. نتایج کارایی و ارزیابی در بازار رقابتی فعلی. کاهش نسبت پروژه‌ها در محیط ساخته شده که مانع از محبوبیت رستوران‌ها می‌شود، و افزایش نسبت پروژه‌هایی که باعث محبوبیت رستوران‌ها می‌شوند، ممکن است به بهبود سرزندگی اقتصادی شهرهای چین کمک کند. اما برای اپراتورها مفید است که کمی کارایی و نتایج ارزیابی را در بازار رقابتی فعلی بهبود بخشند. کاهش نسبت پروژه‌ها در محیط ساخته شده که مانع از محبوبیت رستوران‌ها می‌شود، و افزایش نسبت پروژه‌هایی که باعث محبوبیت رستوران‌ها می‌شوند، ممکن است به بهبود سرزندگی اقتصادی شهرهای چین کمک کند. اما برای اپراتورها مفید است که کمی کارایی و نتایج ارزیابی را در بازار رقابتی فعلی بهبود بخشند. کاهش نسبت پروژه‌ها در محیط ساخته شده که مانع از محبوبیت رستوران‌ها می‌شود، و افزایش نسبت پروژه‌هایی که باعث محبوبیت رستوران‌ها می‌شوند، ممکن است به بهبود سرزندگی اقتصادی شهرهای چین کمک کند.49 ]، به ویژه در دورانی که رشد اقتصادی چین عمدتاً به رشد صنعت خدمات در مناطق شهری بستگی دارد. در نظر گرفتن داده‌های ادراک جمعیت و داده‌های تقسیم‌بندی معنایی محیط ساخته‌شده با هم به عنوان متغیرهای مستقل می‌تواند کاستی‌های تحقیقات قبلی را جبران کند و حلقه بسته‌ای را تشکیل دهد که از ادراک انسان شروع می‌شود و سپس به ادراک انسانی بازمی‌گردد.
ما فقط عناصر رایج در تصاویر منظره خیابانی را انتخاب می کنیم که محیط ساخته شده را از منظر محیط ساخته شده مشخص می کنند و بررسی می کنیم که آیا و تا چه حد بر محبوبیت رستوران تأثیر دارند یا خیر. آزمایش فعلی فقط می تواند ثابت کند که وقتی عنصر خاصی از محیط ساخته شده تغییر می کند، تغییر خاصی در نتایج ارزیابی وجود دارد. یعنی بین آن‌ها همبستگی وجود دارد، اما نمی‌توانیم ثابت کنیم که رابطه علی آشکاری بین آن‌ها وجود دارد، زیرا تغییر در محیط ممکن است بر سایر عواملی که هنوز آن‌ها را کشف نکرده‌ایم (مانند دستمزد، افراد ساکن در اطراف، مصرف) تأثیر بگذارد. سطوح و غیره)، و سپس این عوامل بر نتایج ارزیابی تأثیر می گذارند، بنابراین مطالعه دارای محدودیت هایی است.
با کمک داده های رسانه های اجتماعی به دست آمده از وب، این مطالعه به طور شهودی ویژگی های توزیع فضایی ترجیحات مصرف کنندگان برای رستوران ها را منعکس می کند و عوامل کیفیت فضا را که بر محبوبیت مکان های غذاخوری تأثیر می گذارد بیشتر بررسی می کند. نتایج نشان می دهد که علائم راهنمایی و رانندگی متغیری هستند که به طور معناداری با تعداد بررسی ها همبستگی منفی دارند. این به این دلیل است که بیشتر مکان‌های غذاخوری قدیمی در کوچه‌های عمیق خیابان‌های قدیمی قرار دارند که مردم فقط می‌توانند در آن راه بروند و علائم راهنمایی و رانندگی بسیار کمی برای وسایل نقلیه موتوری وجود دارد. جریان عابر پیاده متغیری است که بیشترین تأثیر را بر طعم، محیط داخلی و رتبه بندی خدمات دارد. این به این دلیل است که جریان عابر پیاده به دوستی عابر پیاده در یک خیابان مربوط می شود: هر چه منطقه در بین عابران پیاده محبوب تر باشد، هرچه تردد مردم بیشتر باشد و رستوران ها بیشتر در معرض دید قرار بگیرند، بنابراین احتمال ناهار خوری افراد در آنها بیشتر است. عوامل کیفیت فضا شامل (1) عوامل طبیعی، مانند نرخ نمای سبز، نوسانات زمین، و باز بودن آسمان، (2) عوامل مؤثر بر ترافیک مانند تراکم شبکه جاده و شاخص تداخل وسایل نقلیه موتوری، و (3) عوامل محیطی مصنوعی مانند ساختمان نرخ، همه اینها به نمرات کیفیت بالاتر کمک می کند. با این حال، شدت اثر به مراتب کمتر از جریان عابر پیاده یا دو متغیر مستقل است که نشان‌دهنده دوستی عابر پیاده در خیابان‌ها است. (2) عوامل مؤثر بر ترافیک مانند تراکم شبکه جاده و شاخص تداخل وسایل نقلیه موتوری، و (3) عوامل محیطی مصنوعی مانند نرخ ساختمان، همه اینها به نمرات کیفیت بالاتر کمک می کنند. با این حال، شدت اثر به مراتب کمتر از جریان عابر پیاده یا دو متغیر مستقل است که نشان‌دهنده دوستی عابر پیاده در خیابان‌ها است. (2) عوامل مؤثر بر ترافیک مانند تراکم شبکه جاده و شاخص تداخل وسایل نقلیه موتوری، و (3) عوامل محیطی مصنوعی مانند نرخ ساختمان، همه اینها به نمرات کیفیت بالاتر کمک می کنند. با این حال، شدت اثر به مراتب کمتر از جریان عابر پیاده یا دو متغیر مستقل است که نشان‌دهنده دوستی عابر پیاده در خیابان‌ها است.
همچنین بین تمایل افراد به ماندن و رتبه بندی همبستگی منفی و معناداری وجود دارد. عقل سلیم حکم می کند که منطقه ای در داخل جاده حلقه داخلی شانگهای دارای فروشندگان غذاهای خیابانی زیادی است. اپراتورهای به اصطلاح “قاشق های چرب” که مورد علاقه گروه های کم درآمد است، معمولاً در دسترس و دوستانه هستند و غذا با اشتیاق سرو می شود. رستوران‌های مناطقی که تراکم علائم راهنمایی و رانندگی بالاتری دارند، میزان مصرف سرانه بالاتری را گزارش می‌کنند. چنین مناطقی به مرکز منطقه نزدیک‌تر هستند و رستوران‌ها مجبورند قیمت‌ها را برای پشتیبانی از فعالیت‌های عادی تحت فشار اجاره‌های بالاتر افزایش دهند. علاوه بر این، مناطقی که نسبت سواری بیشتری دارند، سطح مصرف سرانه کمتری دارند. یکی از دلایل احتمالی این است که بیشتر افراد متعلق به گروه‌های با درآمد متوسط ​​و پایین هستند.
این مطالعه از تصاویر BSV به‌دست‌آمده و مختصات رستوران‌ها در جاده حلقه داخلی شانگهای استفاده کرد. با این حال، به دلیل تأثیر پوشش تصویر و خطاهای افست، تصاویر واقعی خیابان در مکان های رستوران کاملاً با تصاویر به دست آمده مطابقت نداشت. دوم، تصاویر BSV به دست آمده فاقد بعد زمانی به عنوان مرجع هستند. در تعداد کمی از تصاویر، ساختمان‌ها یا در حال بازسازی بودند یا جاده‌ها در حال تعمیر بودند، بنابراین عناصر گرفته‌شده از تصاویر تجزیه‌شده تنها می‌توانستند وضعیت خیابان را در زمان عکاسی و بدون طولانی‌مدت نشان دهند. نمایندگی مدت بنابراین، نتایج تقسیم بندی معنایی تصویر ممکن است کمی متفاوت از وضعیت روزانه باشد. در آخر، تصویر استاتیک پانوراما دانلود شده از طریق Baidu API دارای حداکثر وضوح 1024 dpi × 512 dpi است، بنابراین اطلاعات مرزی اشیاء در هنگام تشخیص معنایی تصاویر به سختی می‌توان ثبت کرد. مرزهای تار اغلب به وضوح تقسیم بندی نمی شدند، که با دقت نتایج تقسیم بندی پیکسل تداخل داشت. علاوه بر این، داده های رسانه های اجتماعی جمع آوری شده ازwww.dianping.com (دسترسی در 31 ژانویه 2022). از یک سو، منبع داده های بررسی تنها دیدگاه های برخی گروه ها را نشان می دهد. از آنجایی که برخی از افراد دسترسی محدودی به گوشی‌های هوشمند دارند، ممکن است تصور برخی افراد مسن و کودکان از رستوران‌ها حذف شده باشد. از طرفی ممکن است خطاهای انسانی در رتبه بندی ها وجود داشته باشد. به عنوان مثال، در موارد بسیار نادر، رستوران ها ممکن است تخفیف یا کوپن ارائه دهند تا مصرف کنندگان را ترغیب کنند تا رتبه های بالایی را به جا بگذارند. این شیوه ها بدون شک با عینیت تجربی مطالعه تداخل خواهند داشت.
از سنجش از راه دور تا تصاویر نمای خیابان تغییری در دیدگاه تحقیقاتی است و از داده‌های بررسی رسانه‌های اجتماعی تا داده‌های بررسی مصرف‌کنندگان، گسترش پوشش جمعیت است. ایجاد پلی بین عناصر بصری و نمرات ادراک تصاویر نمای خیابان و ارزیابی مصرف کنندگان یک نوآوری در جهت تحقیقات است. در عین حال، نتایج ما را ترغیب می‌کند تا بیشتر بر نوآوری فناوری تحقیقات در برنامه‌ریزی مردم‌محور آینده تمرکز کنیم و روش‌های تحقیقی را که بهتر با مقیاس انسانی سازگار است و انتظارات حسی مصرف‌کنندگان را برآورده می‌کند، کشف کنیم. در آینده، استفاده بیشتر از مدل‌های یادگیری عمیق حرفه‌ای از قبل آموزش دیده، تحقیقات در این زمینه را بیشتر بهبود خواهد بخشید.
در این مطالعه، تصاویر نمای خیابان از طریق Baidu API به دست آمد، در حالی که در پلتفرم های دیگر مانند Tencent Maps و اطلاعات تصویر تاریخی نیز قابل دانلود بود. این ممکن است مشکل احتمالی در آزمایش ها را حل کند و حتی ممکن است بعد تحقیق را گسترش دهد. اینها دستورالعمل هایی برای تحقیقات آینده هستند.

6. نتیجه گیری

با در نظر گرفتن رستوران ها به عنوان مثال، ما از روش های پیشرفته یادگیری عمیق برای پردازش پانورامای BSV استفاده کردیم. پس از حذف موارد پرت، رابطه بین ویژگی‌های محیطی 16794 مکان غذاخوری در جاده حلقه داخلی شانگهای و داده‌های بررسی مصرف‌کننده بررسی شد. تجزیه و تحلیل OLS از تعداد بررسی ها، رتبه بندی طعم، رتبه بندی محیط داخلی، رتبه بندی خدمات و مصرف سرانه به عنوان متغیرهای وابسته استفاده کرد. عوامل کیفیت فضای محیط بیرون که تحت تأثیر متغیرهای مختلف برجسته شدند، کشف شدند.
می توان نتیجه گیری های زیر را گرفت. (1) کیفیت های محیط ساخته شده که بر تعداد بررسی های رستوران تاثیر می گذارد شامل تراکم علائم راهنمایی و رانندگی، جریان عابر پیاده، شاخص حرکت آهسته دوچرخه، و نوسانات زمین است. تراکم علائم راهنمایی و رانندگی تأثیر منفی قابل توجهی بر تعداد بازبینی دارد. (2) مهم ترین عاملی که بر درجه بندی طعم غذای رستوران، محیط داخلی و خدمات تأثیر می گذارد، جریان عابر پیاده است، پس از آن قابلیت پیاده روی جاده و شاخص حرکت آهسته دوچرخه و به دنبال آن عوامل طبیعی (باز بودن آسمان، میزان سبز شدن، زمین) است. نوسان)، عوامل ترافیک (تراکم شبکه جاده، شاخص تداخل وسایل نقلیه موتوری)، و عوامل محیطی مصنوعی (مانند نرخ ساختمان)، در حالی که تمایل افراد به ماندن تأثیر منفی قابل توجهی بر رتبه‌بندی دارد. (3) کیفیت محیط ساخته شده که بر مصرف سرانه تأثیر می گذارد شامل تراکم علائم راهنمایی و رانندگی، جریان عابر پیاده خیابان و درجه طراحی غیر موتوری است. تأثیر تراکم علائم راهنمایی و رانندگی بیشترین اهمیت را دارد.
این مطالعه یک ارزیابی محیطی در مقیاس شهری است که با داده‌ها و فناوری‌های جدید توانمند شده است. برخلاف مطالعات قبلی که بر تأثیر فضاهای سبز عمومی در فضای باز بر کیفیت محیطی و ادراک جمعیت متمرکز بودند، این مقاله عوامل بیشتری را کشف می کند که بر داده های ارزیابی پس از استفاده از جمعیت تأثیر می گذارد. برخلاف تصورات سنتی، متوجه شدیم که تراکم علائم راهنمایی و رانندگی، جریان عابر پیاده و شاخص حرکت آهسته دوچرخه نسبت به باز بودن آسمان و نرخ نمای سبز تأثیرات معنی‌داری بر متغیرهای وابسته دارند.
در کار آینده، ما به تجزیه و تحلیل جزئیات نقش های تأثیرگذار بین عناصر مختلف و عوامل تأثیرگذار که نقش تعیین کننده ای در ارزیابی هتل دارند، ادامه خواهیم داد و رابطه علی بین کیفیت محیط ساخته شده و نتایج ارزیابی را بیشتر تحلیل خواهیم کرد. از نظر قابل اعتماد بودن داده های رسانه های اجتماعی، از آنجایی که “داده های بزرگ همیشه داده های بهتری نیستند” [ 50 ]، اعتبار سنجی دستی نیز به دلیل مجموعه داده های بزرگ غیرعملی است. پابلو مارتی و همکاران روشی را برای بازیابی، انتخاب، طبقه‌بندی و تجزیه و تحلیل داده‌های LBSN پیشنهاد کنید [ 51 ]، که به ما در تحقیقات آینده برای بهبود دقت داده‌های رسانه‌های اجتماعی کمک می‌کند.

مشارکت های نویسنده

مفهوم سازی، Yiwen Tang و Jiaxin Zhang. مدیریت داده، جیاکسین ژانگ. تحلیل رسمی، رونجیائو لیو؛ کسب سرمایه، Runjiao Liu; تحقیق، Yiwen Tang و Runjiao Liu; روش، Yiwen تانگ و Jiaxin Zhang. مدیریت پروژه، رونجیائو لیو؛ منابع، Jiaxin Zhang; نرم افزار، Yiwen Tang، Jiaxin Zhang و Runjiao Liu. نظارت، Jiaxin ژانگ و Yunqin لی. اعتبار سنجی، جیاکسین ژانگ. تجسم، Yiwen تانگ و Yunqin لی. نوشتن-پیش نویس اصلی، Yiwen Tang; نوشتن – بررسی و ویرایش، یونقین لی. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق توسط بنیاد ملی علوم طبیعت چین با شماره کمک مالی 52008397 تامین شده است.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

قابل اجرا نیست.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. چن، ام. گونگ، ی. لو، دی. بله، سی. یک شهرنشینی مردم محور بسازید: رویای شهرنشینی نوع جدید چین و مدل آنهویی. سیاست کاربری زمین 2019 ، 80 ، 1-9. [ Google Scholar ] [ CrossRef ]
  2. ما، ال. چنگ، دبلیو. Qi، J. ارزیابی هماهنگ و مدل توسعه شهرنشینی واحه از دیدگاه شهرنشینی جدید: مطالعه موردی در شهرستان شاندان از کریدور هکسی، چین. حفظ کنید. جامعه شهرها 2018 ، 39 ، 78-92. [ Google Scholar ] [ CrossRef ]
  3. یائو، اس ام. ژانگ، پی. یو، سی. لی، جی. وانگ، سی ایکس تئوری و عمل شهرنشینی جدید در چین. علمی Geogr. گناه 2014 ، 34 ، 641-647. [ Google Scholar ]
  4. Meta, V. The Street: A Quintessential Social Space Public ; Routledge: لندن، انگلستان؛ نیویورک، نیویورک، ایالات متحده آمریکا، 2013; شابک 978-0-415-52710-1. [ Google Scholar ]
  5. فون شونفلد، KC; برتولینی، L. خیابان های شهری: تجسم چالش ها و فرصت های برنامه ریزی در رابط فضای عمومی و تحرک. شهرها 2017 ، 68 ، 48-55. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. لی، ی. یابوکی، ن. فوکودا، تی. بررسی ارتباط بین محیط ساخته شده در خیابان و سرزندگی خیابان با استفاده از روش های یادگیری عمیق. حفظ کنید. جامعه شهرها 2022 ، 79 ، 103656. [ Google Scholar ] [ CrossRef ]
  7. خو، اف. جین، ا. چن، ایکس. لی، جی. داده های جدید، روش های یکپارچه و کاربردهای چندگانه: مروری بر مطالعات شهری بر اساس تصاویر نمای خیابان. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2021 IGARSS، بروکسل، بلژیک، 11 تا 16 ژوئیه 2021؛ IEEE: بروکسل، بلژیک، 2021؛ صص 6532–6535. [ Google Scholar ]
  8. بله، سی. ژانگ، اف. مو، ال. گائو، ی. لیو، ی. تشخیص عملکرد شهری با ادغام رسانه های اجتماعی و تصاویر در سطح خیابان. محیط زیست طرح. ب شهری. مقعدی علوم شهر 2021 ، 48 ، 1430-1444. [ Google Scholar ] [ CrossRef ]
  9. ژانگ، اف. زو، جی. هو، م. زو، دی. کانگ، ی. گائو، اس. ژانگ، ی. Huang, Z. کشف مکان‌های نامحسوس با استفاده از اعلام حضور در رسانه‌های اجتماعی و تصاویر نمای خیابان. محاسبه کنید. محیط زیست شهری. سیستم 2020 ، 81 ، 101478. [ Google Scholar ] [ CrossRef ]
  10. کائو، آر. ژو، جی. تو، دبلیو. لی، کیو. کائو، جی. لیو، بی. ژانگ، Q. Qiu, G. یکپارچه سازی تصاویر هوایی و نمای خیابان برای طبقه بندی کاربری زمین شهری. Remote Sens. 2018 ، 10 ، 1553. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  11. ژو، جی. Su، B. شاخص های گیاهی سنجش از دور قابل توجه: مروری بر تحولات و کاربردها. J. Sens. 2017 ، 2017 ، 1-17. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. ژانگ، جی. فوکودا، تی. Yabuki، N. توسعه یک رویکرد مقیاس شهر برای اندازه‌گیری رنگ نما با طبقه‌بندی عملکردی ساختمان با استفاده از یادگیری عمیق و تصاویر نمای خیابان. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 551. [ Google Scholar ] [ CrossRef ]
  13. شیائو، سی. شی، س. گو، سی.-جی. ارزیابی الگوی توزیع فضایی سبزی خیابان و رابطه آن با وضعیت اجتماعی و اقتصادی و محیط ساخته شده در شانگهای، چین. Land 2021 , 10 , 871. [ Google Scholar ] [ CrossRef ]
  14. Guerrero-Prado، JS; آلفونسو مورالس، دبلیو. Caicedo-Bravo، EF تجزیه و تحلیل داده / چارچوب کلان داده برای داده های زیرساخت اندازه گیری پیشرفته. Sensors 2021 , 21 , 5650. [ Google Scholar ] [ CrossRef ]
  15. لانگ، ی. لیو، ال. خیابان ها چقدر سبز هستند؟ تحلیلی برای مناطق مرکزی شهرهای چین با استفاده از Tencent Street View. PLoS ONE 2017 , 12 , e0171110. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. وو، دی. گونگ، جی. لیانگ، جی. سان، ج. ژانگ، جی. تجزیه و تحلیل تأثیر فضای سبز خیابان های شهری و ساختمان های خیابان بر آلودگی هوای تابستانی بر اساس داده های تصویر نمای خیابان. بین المللی J. Geo-Inf. 2020 ، 9 ، 500. [ Google Scholar ] [ CrossRef ]
  17. دونگ، آر. ژانگ، ی. ژائو، جی. خیابان های داخل جاده کمربندی ششم پکن چقدر سبز هستند؟ تحلیلی بر اساس تصاویر Tencent Street View و شاخص نمای سبز. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 1367. [ Google Scholar ] [ CrossRef ][ Green Version ]
  18. هو، ا. ژانگ، جی. Kaga، H. تجزیه و تحلیل شاخص نمای سبز و مسیر شاخص نمای سبز بهینه بر اساس نمای خیابان و یادگیری عمیق. arXiv 2021 ، arXiv:2104.12627. [ Google Scholar ]
  19. Lu, Y. انجمن سبزی شهری و رفتار پیاده‌روی: استفاده از نمای خیابان گوگل و تکنیک‌های یادگیری عمیق برای تخمین قرار گرفتن ساکنان در معرض سبزی شهری. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 1576. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  20. تائو، ی. وانگ، ی. وانگ، ایکس. تیان، جی. ژانگ، اس. اندازه گیری همبستگی بین تراکم فعالیت انسانی و ادراک منظره خیابان: تحلیلی بر اساس تصاویر نمای خیابان Baidu در ژنگژو، چین. Land 2022 , 11 , 400. [ Google Scholar ] [ CrossRef ]
  21. 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 ] [ نسخه سبز ]
  22. هو، سی.-بی. ژانگ، اف. گونگ، F.-Y. راتی، سی. Li، X. طبقه‌بندی و نقشه‌برداری هندسه دره شهری با استفاده از تصاویر نمای خیابان Google و یادگیری عمیق چندکاره. ساختن. محیط زیست 2020 , 167 , 106424. [ Google Scholar ] [ CrossRef ]
  23. لین، تی. لین، اچ. Hu, M. تحلیل دید سه بعدی و محاسبه کیفیت بصری برای فضاهای باز شهری با کمک Google SketchUp و WebGIS. محیط زیست طرح. ب مقعد شهری. علوم شهر 2017 ، 44 ، 618-646. [ Google Scholar ] [ CrossRef ]
  24. سرا، م. هیلیر، بی. کریمی، ک. بررسی سیستم‌های فضایی در سطح کشور: همبستگی‌های فضایی-ساختاری در مقیاس منطقه‌ای و ملی. در مجموعه مقالات SSS 2015 – دهمین سمپوزیوم بین المللی نحوی فضایی، لندن، بریتانیا، 13 تا 17 ژوئیه 2015. [ Google Scholar ]
  25. اپل یارد، دی. Lintell, M. کیفیت محیطی خیابان های شهر: دیدگاه ساکنان. مربا. Inst. طرح. 1972 ، 38 ، 84-101. [ Google Scholar ] [ CrossRef ]
  26. گهل، ج. Gemzøe, L. Public Spaces—Public Life ; Arkitektens Forlag: کپنهاگ، دانمارک، 2004. [ Google Scholar ]
  27. اندازه گیری طراحی شهری|SpringerLink. در دسترس آنلاین: https://link.springer.com/book/10.5822/978-1-61091-209-9 (در 28 مارس 2022 قابل دسترسی است).
  28. دوبی، ا. نایک، ن. پریخ، د. راسکار، ر. هیدالگو، کالیفرنیا یادگیری عمیق شهر: کمی کردن ادراک شهری در مقیاس جهانی. در مجموعه مقالات کنفرانس اروپایی بینایی کامپیوتر، گلاسکو، بریتانیا، 8 تا 14 ژوئیه 2016. Springer: برلین/هایدلبرگ، آلمان، 2016; صص 196-212. [ Google Scholar ]
  29. ثالس، پ. شچتنر، ک. هیدالگو، کالیفرنیا تصویر مشارکتی شهر: نقشه برداری از نابرابری ادراک شهری. PLoS ONE 2013 ، 8 ، e68400. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  30. لی، ی. یابوکی، ن. فوکودا، تی. Zhang, J. ارزیابی کلان داده‌های پیاده‌روی در خیابان شهری با استفاده از یادگیری عمیق و حسگرهای محیطی – مطالعه موردی در اطراف پردیس Suita دانشگاه اوزاکا10 ; دانشگاه اوزاکا: اوزاکا، ژاپن، 2020. [ Google Scholar ]
  31. چای، ی. تا، ن. Ma، J. بعد اجتماعی و فضایی تحلیل رفتار: مرزها و پیشرفت در جغرافیای رفتاری چین. جی. جئوگر. علمی 2016 ، 26 ، 1243-1260. [ Google Scholar ] [ CrossRef ]
  32. چی، ال. لی، جی. وانگ، ی. گائو، ایکس. مشاهده شهری: ادغام داده های سنجش از راه دور و رسانه های اجتماعی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2019 , 12 , 4252–4264. [ Google Scholar ] [ CrossRef ]
  33. چن، ی. لیو، ایکس. گائو، دبلیو. وانگ، RY؛ لی، ی. Tu, W. داده های رسانه های اجتماعی در حال ظهور در مورد اندازه گیری استفاده از پارک شهری. شهری برای. سبز شهری. 2018 ، 31 ، 130-141. [ Google Scholar ] [ CrossRef ]
  34. چن، تی. هوی، ECM؛ وو، جی. لانگ، دبلیو. Li، X. شناسایی ساختار فضایی شهری و سرزندگی شهری در شهرهای بسیار متراکم با استفاده از داده‌های رسانه‌های اجتماعی جغرافیایی مرجع. Habitat Int. 2019 ، 89 ، 102005. [ Google Scholar ] [ CrossRef ]
  35. نایک، ن. فیلیپوم، جی. راسکار، ر. هیدالگو، سی. استریت اسکور-پیش‌بینی امنیت درک شده یک میلیون منظره خیابانی. در مجموعه مقالات کنفرانس IEEE 2014 در کارگاه های آموزشی بینایی کامپیوتری و تشخیص الگو، لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، 23 تا 28 ژوئن 2014. IEEE: Columbus, OH, USA, 2014; صص 793-799. [ Google Scholar ]
  36. اردونز، وی. برگ، TL یادگیری قضاوت های سطح بالا از ادراک شهری. در Computer Vision-ECCV 2014 ; یادداشت های سخنرانی در علوم کامپیوتر; Fleet, D., Pajdla, T., Schiele, B., Tuytelaars, T., Eds.; انتشارات بین المللی Springer: چم، سوئیس، 2014; جلد 8694، صص 494–510. شابک 978-3-319-10598-7. [ Google Scholar ]
  37. 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 ]
  38. فو، ایکس. جیا، تی. ژانگ، ایکس. لی، اس. ژانگ، ی. آیا تصورات صحنه در سطح خیابان بر قیمت مسکن در کلان شهرهای چین تأثیر می‌گذارد؟ تجزیه و تحلیل با استفاده از مجموعه داده های دسترسی باز و یادگیری عمیق. PLoS ONE 2019 , 14 , e0217505. [ Google Scholar ] [ CrossRef ]
  39. هلبیچ، ام. یائو، ی. لیو، ی. ژانگ، جی. لیو، پی. وانگ، آر. استفاده از یادگیری عمیق برای بررسی فضاهای سبز و آبی نمای خیابان و ارتباط آنها با افسردگی سالمندان در پکن، چین. محیط زیست بین المللی 2019 ، 126 ، 107-117. [ Google Scholar ] [ CrossRef ]
  40. بیلجکی، اف. Ito، K. تصاویر نمای خیابان در تجزیه و تحلیل شهری و GIS: یک بررسی. Landsc. طرح شهری. 2021 , 215 , 104217. [ Google Scholar ] [ CrossRef ]
  41. تانگ، جی. طولانی، Y. اندازه گیری کیفیت بصری فضای خیابان و تغییرات زمانی آن: روش شناسی و کاربرد آن در منطقه هوتونگ در پکن. Landsc. طرح شهری. 2019 ، 191 ، 103436. [ Google Scholar ] [ CrossRef ]
  42. ایاندولا، اف. موسکویچ، م. کارایف، اس. گیرشیک، آر. دارل، تی. Keutzer، K. DenseNet: پیاده‌سازی هرم‌های توصیفگر ConvNet کارآمد. arXiv 2014 ، arXiv:1404.1869. [ Google Scholar ]
  43. هو، جی. شن، ال. آلبانی، اس. سان، جی. وو، ای. شبکه های فشار و برانگیختگی. IEEE Trans. الگوی مقعدی ماخ هوشمند 2020 ، 42 ، 2011–2023. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  44. ژانگ، اچ. وو، سی. ژانگ، ز. زو، ی. لین، اچ. ژانگ، ز. سان، ی. او، تی. مولر، جی. مانماتا، آر. و همکاران ResNeSt: شبکه های توجه تقسیم شده. arXiv 2020 ، arXiv:2004.08955. [ Google Scholar ]
  45. سگدی، سی. آیوف، اس. ونهوک، وی. عالمی، AA Inception-v4، Inception-ResNet و تاثیر اتصالات باقیمانده بر یادگیری. در مجموعه مقالات سی و یکمین کنفرانس AAAI در مورد هوش مصنوعی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 4 تا 9 فوریه 2017. [ Google Scholar ]
  46. رزتسکی، آ. Nei, M. خواص آماری روشهای حداقل مربعات معمولی، حداقل مربعات تعمیم یافته و حداقل تکامل استنتاج فیلوژنتیک. جی. مول. Evol 1992 , 35 , 367-375. [ Google Scholar ] [ CrossRef ]
  47. ممکن است.؛ یانگ، ی. جیائو، اچ. بررسی تأثیر محیط ساخته شده شهری بر احساسات عمومی بر اساس داده های رسانه های اجتماعی: مطالعه موردی ووهان. Land 2021 , 10 , 986. [ Google Scholar ] [ CrossRef ]
  48. وانگ، ی. گائو، اس. لی، ن. یو، اس. جمع سپاری محیط ساخته شده شهری درک شده از طریق رسانه های اجتماعی: مورد زمین های کم استفاده. Adv. مهندس به اطلاع رساندن. 2021 ، 50 ، 101371. [ Google Scholar ] [ CrossRef ]
  49. لانگ، ی. هوانگ، سی. آیا اندازه بلوک مهم است؟ تاثیر طراحی شهری بر سرزندگی اقتصادی شهرهای چین محیط زیست طرح. ب مقعد شهری. علوم شهر 2019 ، 46 ، 406-422. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. ایلیوا، RT; McPhearson، T. داده های رسانه های اجتماعی برای پایداری شهری. نات حفظ کنید. 2018 ، 1 ، 553-565. [ Google Scholar ] [ CrossRef ]
  51. مارتی، پی. سرانو-استرادا، ال. Nolasco-Cirugeda، A. داده های رسانه های اجتماعی: چالش ها، فرصت ها و محدودیت ها در مطالعات شهری. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 74 ، 161-174. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00325 g001 550
شکل 1. منطقه مطالعه: مناطقی در داخل جاده حلقه داخلی شانگهای.
Ijgi 11 00325 g002 550
شکل 2. تصاویر آزمایشی ماتریس های سردرگمی نرمال شده همبستگی ها که چهار شبکه را ارزیابی کردند.
Ijgi 11 00325 g003 550
شکل 3. سیستم شاخص و چارچوب تحلیلی.
Ijgi 11 00325 g004 550
شکل 4. دموهای تقسیم بندی توسط Deeplab.
Ijgi 11 00325 g005 550
شکل 5. جدول خلاصه نتایج تقسیم بندی.
Ijgi 11 00325 g006 550
شکل 6. رتبه بندی نتایج تمایل به ماندن.
Ijgi 11 00325 g007 550
شکل 7. توزیع فضایی داده های رسانه های اجتماعی.
Ijgi 11 00325 g008 550
شکل 8. نتایج همبستگی پیرسون.
Ijgi 11 00325 g009 550
شکل 9. نتایج حاصل از تجزیه و تحلیل خودهمبستگی فضایی (ردیف بالا، از چپ به راست: متغیرهای وابسته، یعنی تعداد مرورها و مجموع درجه بندی طعم، ردیف میانی، از چپ به راست: متغیرهای وابسته، یعنی رتبه بندی محیط داخلی و رتبه خدمات؛ و ردیف پایین، متغیر وابسته، مصرف سرانه).
جدول

مقالات داخلی و بین المللی

مطالب مرتبط ...

8 نظرات

دیدگاهتان را بنویسید