ارزیابی سایبان مسیرهای دوچرخه‌سواری: مقایسه فیلم‌های دوربین نصب‌شده روی دوچرخه و GPS و تصاویر ماهواره‌ای

بسیاری از مطالعات ثابت کرده اند که سبز بودن شهری عامل مهمی در انتخاب مسیر دوچرخه سواران است. بنابراین، شناسایی درختان در طول مسیر دوچرخه‌سواری، کلید اصلی ارزیابی کیفیت مسیرهای دوچرخه‌سواری و ارائه دلایل بیشتر برای بهبود سواری و طراحی بهتر مسیرهای دوچرخه‌سواری است. افزایش استفاده از فیلم‌های ضبط‌شده در جمع‌آوری داده‌ها، دسترسی به دیدگاه جدیدی از یک شهر را با داده‌های ثبت شده در سطح چشم فراهم می‌کند. این روش ممکن است نسبت به شاخص متداول تفاوت نرمال شده گیاهی (NDVI) از تصاویر ماهواره ای برتر باشد زیرا به دست آوردن تصاویر ماهواره ای پرهزینه است و پوشش ابر گاهی اوقات دید را مبهم می کند. این مطالعه دو هدف دارد: (1) ارزیابی تعداد درختان در طول مسیر دوچرخه سواری با استفاده از نرم افزار تشخیص اشیاء در فیلم ها، به ویژه کتابخانه Detectron2، و (2) برای مقایسه سایه بان شناسایی شده روی ویدیوها با سایر داده های سایه بان برای تعیین اینکه آیا آنها قابل مقایسه هستند یا خیر. با استفاده از دوچرخه های نصب شده با دوربین و GPS، چهار شرکت کننده در 141 مسیر از پیش تعریف شده در مونترال بیش از 87 ساعت و در مجموع 1199 کیلومتر دوچرخه سواری کردند. بیش از 300000 تصویر با استفاده از Detectron2 استخراج و تجزیه و تحلیل شد. نتایج نشان می دهد که تشخیص درختان با استفاده از نرم افزار دقیق است. علاوه بر این، مقایسه یک همبستگی قوی (> 0.75) بین دو مجموعه داده را نشان می دهد. این بدان معناست که داده‌های تاج پوشش را می‌توان با درختان شناسایی شده با ویدیو جایگزین کرد، که به ویژه در شهرهایی که داده‌های GIS باز در مورد پوشش گیاهی خیابان‌ها در دسترس نیست، مرتبط است. چهار شرکت کننده در 141 مسیر از پیش تعریف شده در مونترال بیش از 87 ساعت در مجموع 1199 کیلومتر دوچرخه سواری کردند. بیش از 300000 تصویر با استفاده از Detectron2 استخراج و تجزیه و تحلیل شد. نتایج نشان می دهد که تشخیص درختان با استفاده از نرم افزار دقیق است. علاوه بر این، مقایسه یک همبستگی قوی (> 0.75) بین دو مجموعه داده را نشان می دهد. این بدان معناست که داده‌های تاج پوشش را می‌توان با درختان شناسایی شده با ویدیو جایگزین کرد، که به ویژه در شهرهایی که داده‌های GIS باز در مورد پوشش گیاهی خیابان‌ها در دسترس نیست، مرتبط است. چهار شرکت کننده در 141 مسیر از پیش تعریف شده در مونترال بیش از 87 ساعت در مجموع 1199 کیلومتر دوچرخه سواری کردند. بیش از 300000 تصویر با استفاده از Detectron2 استخراج و تجزیه و تحلیل شد. نتایج نشان می دهد که تشخیص درختان با استفاده از نرم افزار دقیق است. علاوه بر این، مقایسه یک همبستگی قوی (> 0.75) بین دو مجموعه داده را نشان می دهد. این بدان معناست که داده‌های تاج پوشش را می‌توان با درختان شناسایی شده با ویدیو جایگزین کرد، که به ویژه در شهرهایی که داده‌های GIS باز در مورد پوشش گیاهی خیابان‌ها در دسترس نیست، مرتبط است.

کلید واژه ها:

دوچرخه ; درختان ؛ سایبان ; NDVI ; ویدئو ؛ تشخیص خودکار ؛ دتکترون 2 ; مونترال

1. مقدمه

ارتباط با طبیعت فواید بسیاری برای سلامتی دارد [ 1 ، 2 ، 3 ]. یک راه عالی برای بهبود سلامت روحی و جسمی استفاده از دوچرخه برای سفر و رفت و آمد است [ 4 ]. با این حال، بسیاری از عوامل مانند محیط ساخته شده بر تصمیم برای استفاده از دوچرخه به عنوان یک روش حمل و نقل تأثیر می گذارد [ 5 ، 6 ]. با توجه به Winters و همکاران. [ 7]، هنگام انتخاب مسیر برای دوچرخه سواری، مناظر زیبا پس از مسیرهایی که قرار گرفتن در معرض صدا و آلودگی هوا را به حداقل می رساند و قبل از مسیرهای دوچرخه سواری که از ترافیک جاده جدا شده اند، دومین انگیزه مهم در تصمیم گیری فرد است. بنابراین، تعیین سبز شدن شهرها، به ویژه فراوانی درختان خیابان، می تواند ابزاری برای درک رفتار سفر یا ارزیابی کیفیت مسیرهای دوچرخه در یک شهر باشد. در واقع، تاج درخت عنصری از طبیعت است که به احساسات مثبت [ 8 ] و مناظر زیباتر [ 9 ] کمک می کند. مسیرهای دارای درخت نیز توسط عابران پیاده و دوچرخه سواران ترجیح داده می شوند [ 10 ].

یک روش رایج برای تعیین سرسبزی در شهرها، محاسبه شاخص تفاوت نرمال شده گیاهی (NDVI) از تصاویر ماهواره ای است [ 11 ، 12 ]. اگرچه جالب است، اما این رویکرد دو اشکال قابل توجه دارد: (1) به دست آوردن تصاویر با وضوح بالا می تواند پرهزینه باشد، و (2) گاهی اوقات، بخش هایی از تصاویر به دلیل پوشش ابری قابل استفاده نیستند.

یک جایگزین، تجزیه و تحلیل تصاویر نمای خیابان – به دست آمده از نمای خیابان گوگل (GSV) یا BMap است که تصویری از پوشش گیاهی را که توسط فردی در خیابان مشاهده می شود ارائه می دهد [ 13 ، 14 ، 15 ، 16 ]. به عنوان مثال، بر اساس GSV، لی و همکاران. [ 14 ] یک شاخص نمای سبز (GVI) پیشنهاد کرد که از 0 تا 100 برای درصد پوشش گیاهی خیابان در مناظر شهر متغیر است. در این رابطه، یک مطالعه اخیر کانادایی بر اساس نظرسنجی از 282 بزرگسال، ارتباط مثبت معناداری را بین GVI و مشارکت در فعالیت های تفریحی در طول تابستان نشان داد، در حالی که هیچ ارتباط معنی داری با NDVI یافت نشد [ 15 ].]. با این حال، استفاده از GSV دارای دو محدودیت مهم است: (1) جمع آوری داده های خیابانی کل شهر را می توان در چندین فصل، از جمله زمستان ( شکل 1 )، یا حتی سال ها انجام داد، و (2) تصاویر GSV انجام نشده است. در همه جای جهان، به ویژه در شهرهای جنوب جهانی گرفته شده است.

در طول دو دهه گذشته، دوربین های ویدئویی به ابزاری محبوب برای ضبط و تجزیه و تحلیل داده ها در زمینه [ 17 ، 18 ] از جمله در مطالعات حمل و نقل [ 19 ، 20 ، 21 ، 22 ، 23 ] تبدیل شده اند. الگوریتم‌های جدید با استفاده از هوش مصنوعی می‌توانند اجزای یک تصویر را برای شناسایی اشیا از جمله ویژگی‌های موجود در محیط ساخته شده شناسایی کنند. محبوب ترین کتابخانه ها برای چنین استفاده ای Detectron2، EfficientDet، YOLO و Faster R-CNN هستند که Detectron2 دقیق ترین آنهاست [ 24 ]. علاوه بر این، Detectron2 در حال حاضر در مطالعات حمل و نقل برای شمارش تعداد اتومبیل ها در یک بزرگراه استفاده می شود [ 25 ]]. با این حال، تا آنجا که ما می‌دانیم، هیچ مطالعه‌ای وجود ندارد که در حال حاضر از چنین الگوریتم‌هایی برای تعیین اینکه آیا ویدیوهای گرفته‌شده در یک شهر می‌توانند میزان سبزی را در مسیرها و انواع جاده‌های مختلف نشان دهند یا خیر، وجود ندارد. این ویدیوها که در سطح چشم با دوربین نصب شده بر روی دسته دوچرخه گرفته شده اند نیز می توانند به دلیل چشم انداز خود اطلاعات جدیدی را در زمان واقعی ارائه دهند. اگرچه داده‌های ماهواره‌ای فیلم‌ها را از منظری بالاتر ضبط می‌کنند، ویدئوهای خیابانی هر مانعی را در یک شهر، مانند وسایل نقلیه موتوری یا کارگاه‌های ساخت‌وساز، ضبط می‌کنند و بنابراین می‌توانند معیار متفاوتی از سبز بودن را ارائه دهند.

اهداف پژوهش

مطالعات قبلی اهمیت مسیرهای دیدنی و درختان را در انتخاب مسیر دوچرخه سواری نشان داده است [ 10 , 13 , 26 , 27 , 28]. هدف این مقاله دو چیز است. ابتدا، هدف ما این است که تعیین کنیم آیا فیلم‌های ویدیویی دوچرخه‌سوار که درست زیر سطح چشم گرفته می‌شوند، می‌توانند برای تعیین سطح سبزی – که در این مطالعه، به عنوان درصد درختان خیابان اندازه‌گیری می‌شود- از یک مسیر با استفاده از نرم‌افزار تشخیص اشیا، در این مورد استفاده شوند. مورد، کتابخانه Detectron2. دوم، ما می‌خواهیم بدانیم که آیا داده‌های ویدیویی ممکن است جایگزینی برای داده‌های سایه‌بان باشد، به خصوص زمانی که داده‌ها هنگام دوچرخه‌سواری جمع‌آوری می‌شوند. بنابراین، ما داده‌های ویدیویی سطح چشم را با داده‌های سایه‌بان به‌دست‌آمده از داده‌های NDVI برای همان سال در مونترال مقایسه می‌کنیم – شهری که مجموعه داده‌های بزرگی از قبل در دسترس است. این به ما امکان می دهد تا امکان تعیین کمیت درختان خیابان را با تصاویر ویدئویی تعیین کنیم و از این داده ها در مطالعات دیگر استفاده کنیم.

2. مواد و روشها

2.1. منطقه مطالعه و جمع آوری داده های اولیه

این مطالعه بر اساس جمع‌آوری داده‌های اولیه با استفاده از دوچرخه‌های ابزاردار است که در جزیره مونترال در ژوئن 2019 (2 میلیون نفر در سال 2020) انجام شد. این مجموعه داده‌های تلفن همراه گسترده قبلاً در کارهای اخیر برای تجزیه و تحلیل ایمنی دوچرخه‌سواری، به‌ویژه سبقت‌های خطرناک [ 19 ] و وقوع درگیری با وسایل نقلیه موتوری و عابران پیاده [ 20 ] استفاده شده است. خواننده می تواند برای شرح مفصل این مجموعه داده های اولیه به این دو مطالعه مراجعه کند. به طور خلاصه، 4 شرکت کننده در 141 مسیر از پیش تعریف شده به مدت 87 ساعت و 1199 کیلومتر دوچرخه سواری کردند. این مسیرها برای به حداکثر رساندن پوشش جاده‌ها و شبکه‌های دوچرخه‌سواری و همچنین در نظر گرفتن تنوع محیط‌های خرد شهری انتخاب شدند [ 20 ]]. همه آزمودنی ها قبل از شرکت در مطالعه رضایت آگاهانه خود را برای ورود به مطالعه دادند. این مطالعه مطابق با اعلامیه هلسینکی انجام شد و پروتکل توسط کمیته اخلاق مؤسسه ملی دانش علمی (پروژه شماره CER 19-509) تأیید شد. هر شرکت کننده به (1) یک ساعت GPS (Garmin Forerunner 920 XT, Olathe, KA, USA) برای ثبت نقاط GPS در هر ثانیه و (2) یک دوربین اکشن (Garmin VIRB XE, Olathe, KA, USA) مجهز بود که روی آن نصب شده بود. دسته دوچرخه برای ضبط ویدیو از هر مسیر.

2.2. داده های ثانویه GIS در مورد شبکه راه و سایبان

همانطور که در مطالعات قبلی [ 19 ، 20 ] توضیح داده شد، تمام نقاط GPS بر روی داده های شبکه OpenStreetMap (OSM) [ 29 ] مطابق نقشه شدند و به صورت دستی برای استخراج نوع جاده (اولیه، ثانویه، سوم، خدماتی، مسکونی و غیره) اعتبارسنجی شدند. .) با استفاده از کلید بزرگراه از OSM [ 30 ] ( جدول 1 ).

داده های سایه بان از وب سایت جامعه شهری مونترال [ 31 ] دانلود شد. این مجموعه داده باز که از داده های NDVI و یک مدل ارتفاع دیجیتال (DHM) ساخته شده است، شامل چهار دسته (پوشش) است: مواد معدنی کم ، مواد معدنی زیاد ، و گیاهی کم و گیاهی زیاد (سایبان)، که در آن

l o w

زیر سه متر از سطح زمین است و

h i g h

بالای سه متر است تفاوت بین کم گیاهی و گیاهی زیاد در مقدار NDVI است، با داده های کمتر از 0.3

l o w

و بقیه هستن

h i g h

(با داده های مختلف از

- 1

به 1). با این دسته بندی ها، پوشش گیاهی بالا را جدا می کنیم و نقشه ای از سایه بان در جزیره مونترال ایجاد می کنیم.

2.3. پردازش داده ها

پردازش داده ها به طور کامل در پایتون انجام شده است و در شکل 2 نشان داده شده است .

ابتدا یک تصویر در ثانیه از هر ویدیو با استفاده از کتابخانه OpenCV [ 32 ] استخراج شد. در مجموع 311446 تصویر تولید شد. دوم، هر تصویر ویدیویی با استفاده از کتابخانه Detectron2 [ 33 ]، که در PyTorch [ 34 ] پیاده‌سازی شده است، به منظور محاسبه تعداد درخت‌های موجود در هر فریم، تجزیه و تحلیل شد. لازم به ذکر است که اگرچه این مطالعه بر روی درختان متمرکز شده است، اما الگوریتم Detectron2 می‌تواند گل‌ها، علف‌ها و دیگر انواع پوشش گیاهی را نیز شناسایی کند. پیکربندی مورد استفاده برای Detectron2 فایل COCO-PanopticSegmentation ارائه شده توسط کتابخانه [ 35]. در طی این فرآیند، سه ویژگی دیگر استخراج شد: ساختمان ها، جاده ها و آسمان. به عنوان مثال، 17.1٪، 32.7٪، 21.8٪ و 25.1٪ از درختان، جاده ها/روسازی، آسمان و ساختمان ها، به ترتیب در تصویر در شکل 3 شناسایی شدند . توجه داشته باشید که این درصدها روی هر فریم حاشیه نویسی شده است تا بررسی شود که آیا منطقی هستند یا خیر. این درصدها نیز در یک فایل متنی ذخیره شده و آمار تک متغیره آنها در جدول 2 گزارش شده است.

سوم، نتایج به‌دست‌آمده از تجزیه و تحلیل Detectron2 سپس با نقاط GPS جمع‌آوری‌شده در هر مسیر ادغام شد و در یک فایل بسته‌بندی جغرافیایی ( gpkg ) ذخیره شد. مقادیر با استفاده از نام فایل مسیر و همچنین مهر زمانی (DD:HH:MM:SS) با هر نقطه مرتبط شدند.

چهارم، هر مسیر به بخش هایی از 100 تا 400 متر با یک پله 50 متر تقسیم شد. طول های مختلف برای دیدن اینکه آیا یک طول خاص در پیش بینی سایبان در سطح مسیر کارآمدتر است (یعنی تجزیه و تحلیل حساسیت) مقایسه شد. این بخش ها از مختصات GPS هر مسیر با استفاده از کتابخانه GeoPandas [ 36 ] ایجاد شدند. بخش ها همچنین دارای سطح سبزی بودند ( $g_{S}$ ، که میانگین وزنی درصد درخت هر نقطه است ( $g_{i}$ )، جایی که $w_{i}$ فاصله بین نقطه i و نقطه بعدی در طول قطعه است ( $l_{S}$ ):

g اس = \sum i = 1 p \in S g من w من \sum i = 1 p \in S w من با w من = د ( من ، من + 1 ) ل اس

(1)

از فرمول ( 1 ) برای رفع مشکل زیر استفاده شد: نقاط داده ای که دوچرخه سوار متوقف شده بود تمایل به جمع شدن داشتند زیرا ما یک نقطه در ثانیه داشتیم، اما ویژگی های شهری روی تصویر به سختی متفاوت بود ( شکل 4 ). با نگاه کردن به فاصله تا نقطه بعدی، انباشتگی نقاطی را که مقدار جدیدی ارائه نمی کرد، هموار کردیم.

سپس یک بافر 15 متری در هر طرف هر نقطه اضافه کردیم ( شکل 5آ). این بافر به ما این امکان را می داد که چند ضلعی ایجاد کنیم که هر بخش نمایانگر میدان دید باشد. از آنجایی که می‌خواستیم سبز بودن شناسایی‌شده در ویدیوها را با داده‌های سایه‌بان مقایسه کنیم، منطقه قابل مشاهده را به آن چیزی که توسط دوربین مشاهده می‌شود محدود کردیم. به عنوان مثال، ما نمی توانستیم در طرف دیگر ساختمان ها یا خیلی دور در هر طرف را ببینیم. وارد کردن دستی فاصله برای هر نقطه بر اساس محیط ساخته شده و مشاهدات بصری زمان بر و دشوار خواهد بود، بنابراین یک بافر 15 متری در هر طرف انتخاب شد. ما این آستانه 15 متری را انتخاب کردیم زیرا وقتی در نرم افزار GIS مشاهده شد، میانگین عرض جاده را برای مسیرهای مونترال منعکس می کرد. بنابراین، چند ضلعی ها میدان دید در هر طرف ویدیو را در بیشتر نقاط شهر نشان می دادند. از آنجایی که نقاطی وجود داشت که بافر خیلی کم یا زیاد بود، ممکن بود نتایج نهایی تحت تأثیر قرار گیرد.

در نهایت، می‌توان قسمت‌هایی از سایبان به دست آمده از داده‌های NDVI را که با بخش‌های مسیر تلاقی می‌کنند، تعیین کرد و درصد مساحت سایه‌بان را محاسبه کرد. $C_{S}$ ، معادله ( 2 )) برای هر بخش ( شکل 5 ب). آمار تک متغیره اینها $C_{S}$ شاخص ها در جدول 3 گزارش شده است.

سی اس = حوزه از سایبان که در بخش جمع حوزه از بخش \times 100

(2)

2.4. تحلیل داده ها

تمام تجزیه و تحلیل های آماری با استفاده از R (نسخه 4.0.5) [ 37 ] انجام شد. پس از تقسیم بندی تصویر (با استفاده از Detectron2)، دو نوع تجزیه و تحلیل انجام شد. ابتدا یک ماتریس همبستگی پیرسون برای بررسی ارتباط بین چهار دسته ( درخت ، جاده ، آسمان ، ساختمان ) ساخته شد. دوم، نمودارهای جعبه، آنالیز واریانس (ANOVA) و آزمون کروسکال-والیس بر اساس رتبه‌ها برای آزمایش اینکه آیا درصد سبزی با انواع جاده‌های شناسایی‌شده توسط OpenStreetMap متفاوت است یا خیر، استفاده شد. این به ما امکان داد تعیین کنیم که آیا یک نوع جاده خاص سبزی بیشتری نسبت به بقیه دارد.

در راستای هدف دوم – برای بررسی اینکه آیا داده‌های ویدیویی ممکن است جایگزین جالبی برای داده‌های تاج پوشش برای تعیین کمیت پوشش گیاهی در یک مسیر معین باشد یا خیر – تحلیل‌های دو متغیره (تحلیل‌های رگرسیون ساده و همبستگی) با شاخص‌های سبزی به‌دست‌آمده با استفاده از Detectron2 انجام شد.

g_{S}

) و شاخص های سایبان (

C_{S}

) برای قطعه بافر از 100 تا 400 متر.

3. نتایج

3.1. تشخیص درخت

اولین نتایج پس از پردازش فیلم ها برای شناسایی اجزا (به عنوان مثال، درخت ، جاده ، آسمان ، ساختمان ) به دست آمد. این الگوریتم توانست درختان هر تصویر را کاملاً دقیق تشخیص دهد. همه بیش از 300000 تصویر توسط انسان بازبینی نشدند، اما هر تصویری که مشاهده شد درصد درستی از درختان شناسایی شده بود ( شکل 6 ). این نتایج مطابق با ادبیات است، که نشان می دهد کتابخانه Detectron2 دقیق بود [ 24 ]. مناطقی مانند تصویر دوم در مجموعه وجود داشت که در آن درختچه های کوچک درخت در نظر گرفته می شدند که ممکن است بر نتایج تأثیر بگذارد.

ماتریس همبستگی بین نسبت های چهار دسته شناسایی شده در 311446 تصویر در جدول 4 گزارش شده است . هرچه جاده ها، آسمان یا ساختمان های بیشتری در تصویر شناسایی شوند، سبزی کمتری وجود دارد. قوی ترین همبستگی منفی بین نسبت طبقه درخت و ساختمان مشاهده شد (r =

- 0.452

، p <0.001). همچنین بین طبقه بندی راه و ساختمان همبستگی مثبت وجود داشت (r =

0.113

، p <0.001). این نتایج ممکن است بدیهی به نظر برسند، اما آنها یک استدلال خوب ارائه می دهند که تشخیص تصویر به خوبی کار می کند. بنابراین، الگوریتم Detectron2 می تواند به درستی قسمت هایی از تصویر را که با هر دسته مطابقت دارد، تعیین کند.

هنگامی که نشانگرهای سبز بودن در نقاط GPS و بخش های بافر به دست آمد، می توان آنها را با نرم افزار GIS مانند QGIS [ 38 ] ترسیم کرد، همانطور که برای بخشی از یک مسیر در شکل 7 نشان داده شده است.

جای تعجب نیست که درصد سبزی (درختان) با توجه به نوع جاده متفاوت است، همانطور که در نمودارهای جعبه در شکل 8 نشان داده شده است. خیابان های عابر پیاده بیشترین سرسبزی را داشتند، بیشتر آنها در پارک های بزرگ (مثلاً پارک مون رویال) قرار داشتند. جاده های اولیه و فرعی کمترین سرسبزی را داشتند زیرا این جاده ها طبق طبقه بندی OpenStreetMap مهمترین خیابان ها در شبکه جاده ها هستند که اکثر آنها جاده های بزرگتر هستند و عمدتاً توسط اتومبیل استفاده می شود. همچنین این طرح توسط شهر مونترال انتخاب شد، به این معنی که نتایج ممکن است در شهر دیگری متفاوت باشد. برعکس، حضور درختان در خیابان‌های مسکونی، مسیرهای دوچرخه‌سواری و خیابان‌های عابر پیاده اهمیت بیشتری داشت.

3.2. همبستگی بین سبزی شناسایی شده و داده های تاج پوشش

رگرسیون خطی ساده و ضرایب همبستگی پیرسون برای ارزیابی رابطه بین درصد درختان شناسایی شده در تصاویر و درصد تاج پوشش، با قطعات 100، 150، 200، 250، 300 و 400 متر محاسبه شد ( شکل 9 ). همه مقادیر ضریب همبستگی معنی‌دار بود ( 001/ 0p <) و کمی بین 77/0 و 82/0 متغیر بود. تجزیه و تحلیل حساسیت نشان داد که طول قطعه تأثیر معنی‌داری بر همبستگی بین سبزی ویدیو (درخت) و پوشش تاج پوشش ندارد.

4. بحث

4.1. استفاده از Detectron2 برای تشخیص سبزی

استفاده از Detectron2 برای شناسایی درختان با توجه به تصاویر ایجاد شده در طول تولید شاخص سبزی به خوبی عمل می کند. این نشان می دهد که می توان از ویدئوهای جمع آوری شده در حین دوچرخه سواری در شهرها برای تعیین تعداد درختان خیابان در یک مسیر استفاده کرد. این رویکرد به ویژه برای شهرها و شهرهایی که داده‌های سایه‌بانی ندارند – داده‌هایی که اغلب در تحقیقات علمی برای تعیین سبزی استفاده می‌شوند، مرتبط است. این رویکرد همچنین می‌تواند برای شناسایی سایر ویژگی‌های شهری (به عنوان مثال، جاده‌ها، ساختمان‌ها، پیاده‌روها)، اشیاء شهری (چراغ‌های راهنمایی، شیر آتش نشانی، علائم خیابان، علائم توقف، پارکومترها، نیمکت‌ها) و کاربران خیابان (وسایل نقلیه موتوری، عابران پیاده) استفاده شود. ، دوچرخه سواران). این امر به ویژه برای شهرهایی که داده‌های GIS باز، تصاویر نمای خیابان Google، یا تصاویر ماهواره‌ای در دسترس نیستند، مرتبط است. علاوه بر این، از آنجایی که فیلم‌ها تقریباً در سطح چشم گرفته می‌شوند، مناظری را که هنگام دوچرخه‌سواری در شهر مشاهده می‌کنید، بهتر نشان می‌دهند. دیدن تعداد ماشین‌های موجود در خیابان آسان‌تر است، که ممکن است مقداری از پوشش گیاهی را پنهان کند و مسیر را سبزتر و در نتیجه کمتر منظره کند.شکل 10 ).

شاخص سبزی ایجاد شده با استفاده از فیلم ها نشان دهنده راه طبیعی تری برای تعیین سبزی است زیرا فیلم ها در سطح چشم گرفته می شوند. ویدیوها در روز و ساعت خاصی گرفته شده اند، به این معنی که بعید است که همان مسیر در روز دیگری همان مقدار را برگرداند. به عبارت دیگر، کارهای آینده می تواند بررسی کند که چگونه میزان پوشش گیاهی قابل مشاهده برای دوچرخه سوار می تواند بر اساس زمان و روز (به عنوان مثال، ساعت شلوغی در مقابل بقیه روز، روزهای هفته در مقابل تعطیلات آخر هفته) یا فصل برای همان مسیر متفاوت باشد. این یک مزیت است زیرا سبزی سطح چشم بیشتر از تصاویر ماهواره ای مناظر را نشان می دهد.

4.2. مقایسه داده‌های سایبان با سبز بودن ویدیو

مقادیر همبستگی قوی (> 0.75) به‌دست‌آمده بین شاخص‌های داده‌های تاج پوشش و سبز بودن ویدیو نشان می‌دهد که رویکرد پیشنهادی برای ارزیابی درختان با استفاده از تشخیص شی نرم‌افزار در فیلم‌ها مرتبط است. این یافته باید در سایر شهرها، به ویژه شهرهای اروپایی و شهرهای جنوب جهانی، جایی که میزان و گونه درختان خیابانی می تواند بسیار متفاوت باشد، تأیید شود.

با این حال، دو عنصر اصلی می توانند اختلاف بین دو مجموعه داده را توضیح دهند. اولین مورد مربوط به عرض بافر انتخابی (15 متر) است که میدان دید را نشان می دهد. در حالت ایده آل، عرض دقیق هر خیابان را خواهیم داشت. متأسفانه، داده‌های GIS باز در عرض خیابان‌ها برای منطقه مورد مطالعه در دسترس نیست، که برای بسیاری از شهرهای جهان نیز صادق است. دوم این است که دو نشانگر دو ویژگی متفاوت را اندازه‌گیری می‌کنند: (1) سایه‌بان که از آسمان دیده می‌شود، و (2) درختانی که از خیابان دیده می‌شوند، با موانع مختلف مانع دید (مثلاً وسایل نقلیه موتوری). اگرچه همبستگی قوی بین این دو وجود داشت، اما می‌توان از هر دو به عنوان متغیرهای متمایز در مطالعاتی که تأثیرات مختلف سبزی را مشاهده می‌کنند، استفاده کرد.

5. نتیجه گیری ها

برای نتیجه گیری، این مقاله دو هدف داشت: (1) تعیین اینکه آیا فیلم های ضبط شده توسط دوربین ثابت روی دسته دوچرخه می تواند برای تعیین سبز بودن استفاده شود یا خیر، و (2) تعیین اینکه آیا فیلم ها می توانند جایگزین داده های سایه بان شوند یا خیر. برای هدف اول، متوجه شدیم که با استفاده از Detectron2، می‌توانیم درختان را در تصاویر گرفته شده در سطح چشم به دقت تشخیص دهیم. درصد درختان (و سایر دسته‌ها مانند گل‌ها و علف‌ها [ 35]) نمای واقع گرایانه تری ارائه می دهد زیرا همان دیدگاه دوچرخه سوار را از جمله موانع جاده ثبت می کند. این ممکن است به محاسبه سطح سبزی معرف بیشتر در شهرهای مختلف کمک کند، به خصوص زمانی که همه انواع سبزی در الگوریتم تشخیص گنجانده شود. برای هدف دوم، همبستگی قوی بین دو نوع شاخص پوشش گیاهی یافت شد. این بدان معنی است که داده های سایه بان را می توان با سبزی تشخیص داده شده توسط ویدیو جایگزین کرد. بنابراین، این یافته می‌تواند برای مطالعات آینده حرکت شهری که قبلاً از دوربین‌ها استفاده می‌کنند و دیدگاه کاربر از پوشش گیاهی را در نظر می‌گیرند، مفید باشد. همچنین می تواند در سایر جنبه های محیط ساخته شده مانند ساختمان ها و جاده ها نیز اعمال شود.

منابع

براتمن، GN; اندرسون، CB; برمن، ام جی; کوکران، بی. د وریس، اس. فلاندرز، جی. فولک، سی. فرومکین، اچ. گراس، جی جی. هارتیگ، تی. و همکاران طبیعت و سلامت روان: دیدگاه خدمات اکوسیستم علمی Adv. 2019 ، 5 ، eaax0903. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کاونتری، PA; براون، JE; پروین، جی. برابین، اس. پتمن، آر. بریدولت، جی. گیل بادی، اس. استنکلیف، آر. مک ایکان، آر. سفید، PL فعالیت های فضای باز مبتنی بر طبیعت برای سلامت روانی و جسمی: بررسی سیستماتیک و متاآنالیز. SSM-Popul. Health 2021 , 16 , 100934. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بولر، دی. Buyung-Ali، LM; Knight, TM; Pullin، AS مروری سیستماتیک از شواهد برای مزایای اضافه شده برای سلامت قرار گرفتن در معرض محیط های طبیعی. BMC Public Health 2010 , 10 , 456. [ Google Scholar ] [ CrossRef ]
گروه، BMJP خطرات و مزایای سلامتی دوچرخه‌سواری در محیط‌های شهری در مقایسه با استفاده از خودرو: مطالعه ارزیابی تأثیر سلامت. BMJ 2011 , 343 , d5306. [ Google Scholar ] [ CrossRef ]
مجومدار، بی بی; میترا، س. پریخ، پ. در شناسایی و اولویت بندی عوامل محرک و بازدارنده دوچرخه سواری. ترانسپ Lett. 2020 ، 12 ، 591-603. [ Google Scholar ] [ CrossRef ]
سرورو، آر. کالدول، بی. Cuellar, J. Bike-and-ride: آن را بسازید و آنها خواهند آمد. J. Public Transp. 2013 ، 16 ، 5. [ Google Scholar ] [ CrossRef ]
وینترز، م. بروئر، ام. ستتون، EM; Teschke, K. محیط ساخته شده بر انتخاب های حمل و نقل سالم تأثیر می گذارد: دوچرخه سواری در مقابل رانندگی. J. Urban Health 2010 ، 87 ، 969-993. [ Google Scholar ] [ CrossRef ]
Stefansdottir, H. دیدگاهی نظری در مورد اینکه چگونه مسافران دوچرخه ممکن است ویژگی‌های زیبایی‌شناختی فضای شهری را تجربه کنند. J. Urban Des. 2014 ، 19 ، 496-510. [ Google Scholar ] [ CrossRef ]
پارسونز، آر. Tassinary، LG; اولریش، آر.اس. Hebl, MR; گروسمن-الکساندر، ام. منظره از جاده: پیامدهایی برای بازیابی استرس و ایمن سازی. جی. محیط زیست. روانی 1998 ، 18 ، 113-140. [ Google Scholar ] [ CrossRef ]
Lusk، AC؛ داسیلوا فیلهو، دی اف. Dobbert، L. ترجیحات عابر پیاده و دوچرخه سوار برای مکان های درختی در کنار پیاده روها و مسیرهای دوچرخه سواری و مزایای مرتبط: پیامدهای جهانی از یک مطالعه در بوستون، MA. Cities 2020 , 106 , 102111. [ Google Scholar ] [ CrossRef ]
رید، م. Kubzansky، LD; لی، جی. شمول، جی ال. Cougherty، JE ارزیابی سبز بودن آسان نیست: مقایسه مجموعه داده‌های NDVI و انواع محله‌ها و ارتباط آن‌ها با سلامت خود رتبه‌بندی در شهر نیویورک. Health Place 2018 ، 54 ، 92-101. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Rhew, IC; واندر استوپ، آ. کرنی، ا. اسمیت، NL; دانبار، MD اعتبار سنجی شاخص گیاهی تفاوت نرمال شده به عنوان معیاری برای سرسبزی محله. ان اپیدمیول. 2011 ، 21 ، 946-952. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لو، ی. یانگ، ی. سان، جی. Gou, Z. ارتباط بین نمای بالای سر و سبزی شهری در سطح چشم و رفتارهای دوچرخه سواری. شهرها 2019 ، 88 ، 10-18. [ Google Scholar ] [ CrossRef ]
لی، ایکس. ژانگ، سی. لی، دبلیو. ریکارد، آر. منگ، کیو. ژانگ، دبلیو. ارزیابی فضای سبز شهری در سطح خیابان با استفاده از نمای خیابان گوگل و نمایه نمای سبز اصلاح شده. شهری برای. سبز شهری. 2015 ، 14 ، 675-685. [ Google Scholar ] [ CrossRef ]
ویلنوو، پی جی; Ysseldyk، RL; روت، ا. آمبروز، اس. دی موزیو، جی. کومار، ن. شهاتا، م. شی، ام. دانه، E. لی، ایکس. و همکاران مقایسه شاخص تفاوت عادی شده گیاهی با معیار نمای خیابان Google از پوشش گیاهی برای ارزیابی ارتباط بین سبزی، پیاده روی، فعالیت بدنی تفریحی و سلامت در اتاوا، کانادا. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 1719. [ Google Scholar ] [ CrossRef ]
گائو، اف. لی، اس. تان، ز. ژانگ، ایکس. لای، ز. Tan, Z. چگونه فضای سبز شهری با استفاده از اشتراک دوچرخه بدون اسکله در روزهای هفته، آخر هفته و تعطیلات مرتبط است؟ ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 238. [ Google Scholar ] [ CrossRef ]
Garrett, BL جغرافیاهای ویدئویی: استفاده از ویدیوی دیجیتال برای تحقیقات جغرافیایی. Prog. هوم Geogr. 2011 ، 35 ، 521-541. [ Google Scholar ] [ CrossRef ]
بوشر، ام. Urry, J. متدهای موبایل و تجربی. یورو J. Soc. نظریه 2009 ، 12 ، 99-116. [ Google Scholar ] [ CrossRef ]
هنائو، ا. Apparicio, P. سبقت خطرناک دوچرخه سواران در مونترال. ایمنی 2022 ، 8 ، 16. [ Google Scholar ] [ CrossRef ]
جری، وی. آپاریسیو، پی. سوار در صلح: چگونه انواع زیرساخت های دوچرخه سواری بر وقوع درگیری ترافیکی در مونترال، کانادا تأثیر می گذارد. ایمنی 2021 ، 7 ، 63. [ Google Scholar ] [ CrossRef ]
اسماعیل، ک. سید، ت. سونیر، ن. Lim, C. تجزیه و تحلیل خودکار درگیری های عابر پیاده و وسیله نقلیه با استفاده از داده های ویدیویی. ترانسپ Res. ضبط 2009 ، 2140 ، 44-54. [ Google Scholar ] [ CrossRef ]
جکسون، اس. میراندا-مورنو، LF; سنت اوبین، پی. Saunier، N. Flexible، سیستم دوربین فیلمبرداری سیار و نرم افزار تجزیه و تحلیل ویدئو منبع باز برای ایمنی جاده و تجزیه و تحلیل رفتاری. ترانسپ Res. ضبط 2013 ، 2365 ، 90-98. [ Google Scholar ] [ CrossRef ]
سونیر، ن. Sayed, T. تجزیه و تحلیل خودکار ایمنی جاده با داده های ویدئویی. ترانسپ Res. ضبط 2007 ، 2019 ، 57–64. [ Google Scholar ] [ CrossRef ]
جابر، ب. نورالدین، ف. رحمانی، ک. مقایسه دقت و کارایی مدل‌های منبع باز تشخیص اشیا. بین المللی J. Online Biomed. مهندس (iJOE) 2021 ، 17 ، 165. [ Google Scholar ] [ CrossRef ]
ماندال، وی. Adu-Gyamfi، Y. الگوریتم های تشخیص و ردیابی شی برای شمارش وسایل نقلیه: تجزیه و تحلیل مقایسه ای. J. Big Data Anal. ترانسپ 2020 ، 2 ، 251-261. [ Google Scholar ] [ CrossRef ]
وینترز، م. دیویدسون، جی. کائو، دی. Teschke، K. محرک ها و عوامل بازدارنده دوچرخه سواری: مقایسه تأثیرات در تصمیم گیری برای دوچرخه سواری. حمل و نقل 2011 ، 38 ، 153-168. [ Google Scholar ] [ CrossRef ]
مرتنز، ال. ون دایک، دی. قییر، ع. دوبوردوهویج، آی. دفورچه، بی. ون دی وگه، ن. ون کوونبرگ، جی. کدام عوامل محیطی به شدت بر جذابیت یک خیابان برای حمل و نقل دوچرخه در میان بزرگسالان تأثیر می گذارد؟ مطالعه مشترک با استفاده از عکس های دستکاری شده بین المللی J. Health Geogr. 2016 ، 15 ، 31. [ Google Scholar ] [ CrossRef ]
وانگ، آر. لو، ی. وو، ایکس. لیو، ی. یائو، ی. رابطه بین سبزی سطح چشم و فرکانس دوچرخه سواری در اطراف ایستگاه های مترو در شنژن، چین: یک رویکرد داده بزرگ. حفظ کنید. جامعه شهرها 2020 , 59 , 102201. [ Google Scholar ] [ CrossRef ]
مشارکت کنندگان OpenStreetMap. Planet Dump بازیابی شد. 2017. در دسترس آنلاین: https://planet.osm.org (دسترسی در 26 دسامبر 2022).
OpenStreetMap. کلید: بزرگراه 2022. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Key:highway (در 26 دسامبر 2022 قابل دسترسی است).
Communauté métropolitaine de Montréal, Données géoréférencées de l’Observatoire du Grand Montréal: Indice de canopée metropolitain. 2022. در دسترس آنلاین: https://observatoire.cmm.qc.ca/produits/donnees-georeferencees/#indice_canopee (در 26 دسامبر 2022 قابل دسترسی است).
برادسکی، جی. کتابخانه openCV. دکتر Dobb’s J. Softw. ابزار پروفسور برنامه. 2000 ، 25 ، 120-123. [ Google Scholar ]
وو، ی. کریلوف، آ. ماسا، اف. لو، WY; Girshick, R. Detectron2. 2019. در دسترس آنلاین: https://github.com/facebookresearch/detectron2 (در 26 دسامبر 2022 قابل دسترسی است).
پاسسکه، آ. گراس، اس. ماسا، اف. لرر، ا. بردبری، جی. چانان، جی. کیلین، تی. لین، ز. گیملشاین، ن. آنتیگا، ال. و همکاران PyTorch: یک سبک ضروری، کتابخانه یادگیری عمیق با کارایی بالا. در پیشرفت در سیستم های پردازش اطلاعات عصبی 32 ; Wallach, H., Larochelle, H., Beygelzimer, A., d’Alché-Buc, F., Fox, E., Garnett, R., Eds.; Curran Associates, Inc.: Red Hook, NY, USA, 2019; صفحات 8024–8035. [ Google Scholar ]
لین، TY; مایر، م. بلنگی، اس. بوردف، ال. گیرشیک، آر. هیز، جی. پرونا، پی. رامانان، دی. Zitnick، CL; Dollár, P. Microsoft COCO: اشیاء مشترک در زمینه. arXiv 2015 ، arXiv:1405.0312. [ Google Scholar ] [ CrossRef ]
جوردال، ک. Bossche, JVd; فلیشمن، ام. واسرمن، جی. مک براید، جی. جرارد، جی. تراتنر، جی. پری، م. Badaracco، AG; کشاورز، سی. و همکاران geopandas/geopandas: V0.8.1. زنودو 2020 . [ Google Scholar ] [ CrossRef ]
تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2021. [ Google Scholar ]
تیم توسعه QGIS. سیستم اطلاعات جغرافیایی QGIS 2022. در دسترس آنلاین: https://www.qgis.org (در 26 دسامبر 2022 قابل دسترسی است).

شکل 1. تصویر نمای خیابان گوگل برای جاده ای در مونترال در سال 2020.

شکل 2. پردازش داده ها در پایتون.

شکل 3. تصویر قطعه بندی شده. 17.08 درصد از پیکسل های تصویر به عنوان درخت طبقه بندی شدند.

شکل 4. نقاط GPS در یک مسیر با فواصل مختلف بین آنها.

شکل 5. نمونه ای از بخش های جاده. ( الف ) چند ضلعی های بخش جاده. ( ب ) بخشهای جاده با سایبان همپوشانی.

شکل 6. تشخیص درختان در تنظیمات مختلف.

شکل 7. نقشه برداری نتایج در طول یک مسیر. ( الف ) تصاویر Google Maps و بخش 100 متری بافر به رنگ قرمز. ( ب ) نقاط GPS و 100 متر بخش بافر. سبزی نقاط GPS به عنوان درصد درختان شناسایی شده در تصویر با استفاده از Detectron2 تعریف می شود.

شکل 8. سرسبزی در هر نوع جاده (یعنی درصد درختان). ANOVA: F Welch (8، 311،437) = 6842، p <0.001، Eta ² = 0.15. تست کروسکال-والیس:

χ^{2} (8)

= 39112، p <0.001.

شکل 9. همبستگی سبزی و تاج پوشش.

شکل 10. وسایل نقلیه موتوری که درختان را مسدود می کند.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها: