چکیده

:

انتشار Google Street View در سال 2007 الهام بخش چندین پلتفرم جدید تصویربرداری پانوراما در سطح خیابان از جمله Apple Look Around، Bing StreetSide، Baidu Total View، Tencent Street View، Naver Street View و Yandex Panorama بود. تصرف جهانی روزافزون شهرها در 360 درجه فرصت های قابل توجهی را برای تحقیقات شهری مبتنی بر داده فراهم می کند. این مقاله اولین بررسی جامع و پیشرفته را در مورد استفاده از تصاویر سطح خیابان برای تحلیل شهری در پنج حوزه تحقیقاتی ارائه می‌کند: محیط ساخته شده و کاربری زمین. سلامتی و تندرستی؛ محیط طبیعی؛ مدلسازی شهری و نظارت جمعیتی؛ و کیفیت و شهرت منطقه. تصاویر پانوراما در سطح خیابان در مقایسه با تصاویر سنجش از راه دور و منابع داده های شهری معمولی، چه دستی، چه خودکار، مزایایی را ارائه می دهند. یا تکنیک های استخراج داده های یادگیری ماشین استفاده می شود. مزایای کلیدی شامل جمع آوری داده های کم هزینه، سریع، با وضوح بالا و در مقیاس وسیع، ایمنی افزایش یافته از طریق حضور از راه دور، و دیدگاه منحصر به فرد عابر پیاده/وسیله نقلیه برای تجزیه و تحلیل شهرها در مقیاس و دیدگاهی است که در آن تجربه شده اند. با این حال، چندین محدودیت مشهود است، از جمله توانایی محدود برای گرفتن اطلاعات ویژگی، غیرقابل اعتماد بودن برای تجزیه و تحلیل های زمانی، استفاده محدود برای تجزیه و تحلیل عمق و فاصله، و نقش شرکت ها به عنوان دروازه بان داده های تصویر. یافته ها بینش دقیقی را برای کسانی که علاقه مند به استفاده از تصاویر پانوراما در سطح خیابان برای تحقیقات شهری هستند فراهم می کند. و یک دیدگاه منحصر به فرد عابر پیاده / وسیله نقلیه برای تجزیه و تحلیل شهرها در مقیاس و چشم اندازی که در آن تجربه شده اند. با این حال، چندین محدودیت مشهود است، از جمله توانایی محدود برای گرفتن اطلاعات ویژگی، غیرقابل اعتماد بودن برای تجزیه و تحلیل های زمانی، استفاده محدود برای تجزیه و تحلیل عمق و فاصله، و نقش شرکت ها به عنوان دروازه بان داده های تصویر. یافته ها بینش دقیقی را برای کسانی که علاقه مند به استفاده از تصاویر پانوراما در سطح خیابان برای تحقیقات شهری هستند فراهم می کند. و یک دیدگاه منحصر به فرد عابر پیاده / وسیله نقلیه برای تجزیه و تحلیل شهرها در مقیاس و چشم اندازی که در آن تجربه شده اند. با این حال، چندین محدودیت مشهود است، از جمله توانایی محدود برای گرفتن اطلاعات ویژگی، غیرقابل اعتماد بودن برای تجزیه و تحلیل های زمانی، استفاده محدود برای تجزیه و تحلیل عمق و فاصله، و نقش شرکت ها به عنوان دروازه بان داده های تصویر. یافته ها بینش دقیقی را برای کسانی که علاقه مند به استفاده از تصاویر پانوراما در سطح خیابان برای تحقیقات شهری هستند فراهم می کند.

 

1. مقدمه

به عنوان ادغام اشکال بازنمایی نقشه‌برداری و عکاسی، افزودن پلت‌فرم Street View به برنامه‌های موقعیت جغرافیایی پایدار Google (همچنین از جمله Maps و Earth) در سال 2007 نه تنها پانورامای جغرافیایی تعاملی را به توده‌ها معرفی کرد [ 1 ، 2 ]، بلکه استفاده از تصاویر سطح خیابان را برای اهداف تحقیقاتی پیشرفته کرد. اگرچه پوشش نمای خیابان Google به طور کلی ناقص و ناقص است، بسیاری از شهرها در حال حاضر در پلتفرم گنجانده شده و مرتباً به روز می شوند، به ویژه شهرهای شمالی [ 3 ]]. به دنبال Google Street View، دیگر پلتفرم‌های دیجیتال محصولات تصاویر پانوراما در سطح خیابان را منتشر کرده‌اند، از جمله Microsoft Bing StreetSide (ایالات متحده و شهرهای منتخب اروپایی)، Apple Look Around (شهرهای انتخابی ایالات متحده و بین‌المللی)، Baidu Total View و Tencent Street View (شهرهای چین) ، Kakao/Daum Road View و Naver Street View (کره جنوبی) و Yandex (روسیه و برخی از کشورهای اروپای شرقی) و همچنین پلتفرم های جمع سپاری متعلق به شرکت KartaView (OpenStreetCam سابق که توسط Telenav اداره می شد) و Mapillary (اخیراً توسط فیس بوک). بینندگان این پلت‌فرم‌ها می‌توانند بین تصاویر گرفته‌شده در فواصل زمانی مشخص در امتداد خیابان‌ها حرکت کنند و به‌طور مجازی تنوعی از مناظر شهری، محیط‌های ساخته‌شده و فعالیت‌های انسانی را از چشم‌انداز 360 درجه تجربه کنند. در حالی که تعاملی،4 ]. این مقاله اولین بررسی جامع، جهانی و پیشرفته ادبیات را در مورد استفاده از تصاویر پانوراما در سطح خیابان برای تحقیقات شهری مبتنی بر داده ارائه می دهد.
پلتفرم‌های تصویربرداری سطح خیابان شرکت‌ها معمولاً دسترسی به تصاویر پانوراما و ابرداده‌های مرتبط با آن‌ها (مثلاً مختصات جغرافیایی، مهر زمانی) را به صورت رایگان یا کم هزینه برای محققان فراهم می‌کنند. با افزایش پوشش جهانی در سال‌های اخیر، محققان تکنیک‌های دستی و محاسباتی را برای تجزیه و تحلیل و استخراج اطلاعات مبتنی بر مکان از تصاویر سطح خیابان برای مجموعه‌ای متنوع از موضوعات تحقیقات شهری – از دسترسی به فضای سبز [ 5 ] و تخمین عابران پیاده توسعه داده‌اند. جلد [ 6 ]، تا ادراک ایمنی [ 7 ]، الگوهای مالکیت خودرو [ 8 ]، رابطه بین ویژگی های فیزیکی خانه ها و خطر جرم [ 9 ]]، و بین زبانشناسی علائم خیابانی و وضعیت اجتماعی-اقتصادی مبتنی بر منطقه [ 10 ]. رشد قابل توجه اخیر در تجزیه و تحلیل تصاویر پانوراما در سطح خیابان با علاقه فزاینده به “حسگر تقریبی” همسو است – که در آن مجموعه داده های شهری از تصاویر گرفته شده با وضوح بالا نزدیک به موضوع مورد نظر گرفته می شود – یک چشم انداز هیجان انگیز در عصر داده ها – تحلیل شهری هدایت شده
علیرغم رشد سریع استفاده از تصاویر سطح خیابان برای تحقیقات در شهرهای سراسر جهان، تلاش‌های اندکی برای ارزیابی دامنه این حوزه تحقیقاتی تنها بر نمای خیابان گوگل و دامنه‌های کاربردی با تعریف محدود (مثلاً در تحقیقات سلامت) متمرکز شده است. ، نگاه کنید به [ 11 ، 12]). این مقاله به این شکاف دانش از طریق یک بررسی جهانی جامع از تحقیقات با استفاده از تصاویر سطح خیابان از پلت‌فرم‌های نمای پانورامای خیابانی شرکتی از سراسر جهان می‌پردازد. سؤال کلی تحقیق زیر این مطالعه را راهنمایی می‌کند: چگونه از تصویربرداری از پلتفرم‌های تصویر پانوراما در سطح خیابان در تحقیقات شهری مبتنی بر داده استفاده می‌شود؟ برای پاسخ به این سوال، ما به طور سیستماتیک ادبیات استفاده از تصاویر سطح خیابان را برای تحقیق در شهرها، با تمرکز بر شناسایی بسترهای تصویری مورد استفاده، حوزه های کاربردی تحقیق، روش های استخراج و تجزیه و تحلیل داده ها، و مزایا و محدودیت ها مرور می کنیم. یافته‌های کلیدی خلاصه می‌شوند و ارزش بالقوه تصاویر پانوراما را برای طیف گسترده‌ای از کاربردهای تحقیقات شهری برجسته می‌کنند. به ویژه، این بررسی علاقه روزافزون به استفاده از تصاویر سطح خیابان را به عنوان منبع داده در مورد مشکلات تحقیقات شهری از طریق رویکردهای «ممیزی مجازی» دستی و نظرسنجی که برای نمونه‌های کوچک تصویر اعمال می‌شود، و همچنین تکنیک‌های تحلیل بصری محاسباتی و یادگیری ماشین را شناسایی می‌کند. به مجموعه داده های عظیم تصویر اعمال می شود. مزیت های قابل توجه به تفصیل شرح داده شده است، و همچنین محدودیت هایی که محققان باید قبل از استفاده از تصاویر سطح خیابان در پروژه های تحقیقاتی شهری در نظر بگیرند. در نهایت، ما پیشرفت‌های جدید در فناوری تصویربرداری پانوراما را خلاصه می‌کنیم که برای پیشبرد بیشتر جمع‌آوری و تجزیه و تحلیل تصاویر در سطح خیابان آماده است. و همچنین تکنیک های تحلیل بصری محاسباتی و یادگیری ماشینی که در مجموعه داده های تصویری عظیم اعمال می شود. مزیت های قابل توجه به تفصیل شرح داده شده است، و همچنین محدودیت هایی که محققان باید قبل از استفاده از تصاویر سطح خیابان در پروژه های تحقیقاتی شهری در نظر بگیرند. در نهایت، ما پیشرفت‌های جدید در فناوری تصویربرداری پانوراما را خلاصه می‌کنیم که برای پیشبرد بیشتر جمع‌آوری و تجزیه و تحلیل تصاویر در سطح خیابان آماده است. و همچنین تکنیک های تحلیل بصری محاسباتی و یادگیری ماشینی که در مجموعه داده های تصویری عظیم اعمال می شود. مزیت های قابل توجه به تفصیل شرح داده شده است، و همچنین محدودیت هایی که محققان باید قبل از استفاده از تصاویر سطح خیابان در پروژه های تحقیقاتی شهری در نظر بگیرند. در نهایت، ما پیشرفت‌های جدید در فناوری تصویربرداری پانوراما را خلاصه می‌کنیم که برای پیشبرد بیشتر جمع‌آوری و تجزیه و تحلیل تصاویر در سطح خیابان آماده است.

2. روش ها

جستجوی ادبیات زبان انگلیسی برای جمع‌آوری ادبیات آکادمیک در مورد استفاده از تصاویر پانوراما در سطح خیابان برای تحقیقات شهری منتشر شده در دوره 14 ساله بین 1 ژانویه 2007 و 31 دسامبر 2020 (زمانی که نمای خیابان Google در ایالات متحده منتشر شد، انجام شد. زمان اتمام بررسی). این مقاله از روش بررسی محدوده، یک روش بررسی ادبیات جامع که برای خلاصه کردن دامنه و وسعت یک حوزه دانش انجام شده است، پیروی می کند [ 13 ]. به عنوان یک رویکرد ترکیبی دانش، بررسی های محدوده ابزاری برای تجمیع سریع دانش در مورد یک حوزه تحقیق یا عمل فراهم می کند، و به ویژه برای ترسیم خطوط، مضامین، مفاهیم و موضوعات کلیدی مربوط به موضوعات جدید و نوظهور مفید است، با هدف: شکل دادن به اولویت های تحقیقاتی آینده [14 ]. اگرچه به طور مشابه با مرورهای سیستماتیک انجام می شود، بررسی های محدوده از این نظر متفاوت هستند که هدف آنها خلاصه کردن وضعیت یک حوزه پژوهشی از طریق معیارهای گنجاندن گسترده تر است، نه پاسخ به سؤالات محدود تحقیق [ 15 ]. به این ترتیب، بررسی های محدوده برای ترکیب حوزه ای از تحقیقات تعریف شده توسط ناهمگونی با توجه به طراحی تحقیق، روش ها و حوزه های کاربردی ایده آل هستند [ 16 ]. از سه پایگاه داده دانشگاهی برای دسترسی به تحقیقات دانشگاهی منتشر شده از مجلات، مقالات کنفرانس و پایان نامه های دانشگاهی استفاده شد: Google Scholar، Web of Science، و ProQuest Dissertations and Thes. علاوه بر این، فهرست‌های مرجع مقالات کلیدی برای شناسایی نقل‌قول‌های مرتبطی که از طریق جستجوهای پایگاه داده به دست نیامده‌اند، جستجو شد.
با هدایت سوال تحقیق پروژه و بر اساس اسکن مقدماتی ادبیات منتشر شده، تیم تحقیقاتی 5 نوع اطلاعات کلیدی را برای استخراج از هر آیتم در نمونه بررسی دامنه شناسایی شناسایی کردند:
  • منطقه کاربردی تحقیقات شهری
  • منبع تصاویر پانوراما
  • روش های استخراج و تجزیه و تحلیل داده ها از تصاویر.
  • مزایا و مزایای تصاویر پانوراما.
  • موانع و محدودیت های تصاویر پانوراما.
از آنجایی که هدف کلی این بررسی، درک چگونگی استفاده از تصاویر از سکوهای تصویربرداری در سطح خیابان در طیف گسترده ای از موضوعات تحقیقات شهری بود، ارزیابی کیفیت طراحی تحقیق یا سازگاری نتایج در بین مطالعات مناسب نبود و بنابراین، انجام نشد. انجام شده. فهرست نهایی عبارات جستجوی ادبیات مورد استفاده در جدول 1 ارائه شده است . جستجوها یک یا چند عبارت از گروه A را با یک یا چند عبارت از گروه B، در یک فرآیند تکراری و با نسخه‌های کوتاه شده مختلف ترکیب کردند.
چندین معیار خروج برای اصلاح دامنه بررسی اعمال شد. اگر مطالعه از تصاویر مرسوم سطح خیابان استفاده می کرد، مقالات حذف شدند. به عنوان مثال، مطالعات مبتنی بر تصاویری که از دوربین داش‌کم گرفته شده و در پلتفرم‌های کارتا ویو یا Mapillary جمع‌سپاری شده در دسترس هستند. در صورتی که تمرکز اصلی برای یک موضوع تحقیقات شهری نبود، مقالات نیز حذف شدند. اگرچه اکثر مطالعات بر اساس تصویرسازی از محیط‌های شهری بودند، زیرا پوشش در شهرها کامل‌ترین است، نمونه‌هایی از مطالعات حذف‌شده شامل مواردی است که بر توسعه الگوریتم‌های استخراج داده‌ها، پردازش یا بهبود تصویر، و ارزیابی کامل بودن تصاویر در بسترهای مختلف متمرکز شده‌اند. برخی از مطالعات شناسایی شدند که در مورد استفاده از پلتفرم های تصویر پانوراما در درجه اول برای تجربه غوطه ور، جهت گیری، و اهداف شناخت مکانی به جای استخراج داده ها، و بنابراین از بررسی حذف شدند. استثناهای بیشتر برای مقالاتی اعمال شد که در آنها تصاویر پانوراما برای پروژه به جای دسترسی از یک پلت فرم تصویر موجود در سطح خیابان و زمانی که از تصاویر صرفاً برای مقاصد تصویری استفاده می شد، برای پروژه تولید می شد. هر دو نویسنده تمام مقالات موجود در نمونه بررسی محدوده نهایی را بررسی کردند. در تعداد کمی از موارد، داوران در مورد گنجاندن یک مقاله در نمونه اختلاف نظر داشتند و تصمیم نهایی برای گنجاندن یا حذف از طریق بحث حل شد. استثناهای بیشتر برای مقالاتی اعمال شد که در آنها تصاویر پانوراما برای پروژه به جای دسترسی از یک پلت فرم تصویر موجود در سطح خیابان و زمانی که از تصاویر صرفاً برای مقاصد تصویری استفاده می شد، برای پروژه تولید می شد. هر دو نویسنده تمام مقالات موجود در نمونه بررسی محدوده نهایی را بررسی کردند. در تعداد کمی از موارد، داوران در مورد گنجاندن یک مقاله در نمونه اختلاف نظر داشتند و تصمیم نهایی برای گنجاندن یا حذف از طریق بحث حل شد. استثناهای بیشتر برای مقالاتی اعمال شد که در آنها تصاویر پانوراما برای پروژه به جای دسترسی از یک پلت فرم تصویر موجود در سطح خیابان و زمانی که از تصاویر صرفاً برای مقاصد تصویری استفاده می شد، برای پروژه تولید می شد. هر دو نویسنده تمام مقالات موجود در نمونه بررسی محدوده نهایی را بررسی کردند. در تعداد کمی از موارد، داوران در مورد گنجاندن یک مقاله در نمونه اختلاف نظر داشتند و تصمیم نهایی برای گنجاندن یا حذف از طریق بحث حل شد.

3. نتایج

جستجوی ادبیات در مجموع 234 مقاله تولید کرد که با معیارهای ورود به مطالعه مطابقت داشتند. اکثر آنها در مجلات دانشگاهی و به دنبال آن مقالات کنفرانس ها و پایان نامه ها یا پایان نامه های دانشگاهی منتشر شدند. نمونه بررسی دامنه نهایی طیف گسترده‌ای از رشته‌هایی را نشان می‌دهد که در آنها از این تصاویر استفاده شده است – از جمله در سراسر علوم بهداشتی و اجتماعی، و در برنامه‌ریزی شهری، مطالعات محیطی، و علوم رایانه. شکل 1 سال انتشار مطالعه را نشان می دهد و افزایش تدریجی استفاده از این تصاویر را در سال های آخر دوره بررسی نشان می دهد. توجه داشته باشید که هیچ مطالعه ای در این بررسی در سال 2007 یا 2008 منتشر نشده است. جدول 2یافته‌های مجموعه‌ای از 10 مقاله را برجسته می‌کند که حوزه‌های مختلف تحقیقات شهری و بسترهای تصویری مورد استفاده را نشان می‌دهد. فهرست کامل انتشارات بررسی شده در این لینک موجود است: https://tinyurl.com/panoramic-images-review (در 8 ژوئن 2021 قابل دسترسی است).

3.1. مکان‌های مطالعه و پلت‌فرم‌های تصویربرداری سطح خیابان استفاده شده است

بررسی محدوده هفت سکوی تصویربرداری پانوراما در سطح خیابان را شناسایی کرد که برای تحقیقات شهری در سطح جهان استفاده می‌شوند. Google Street View منبع تصاویر را در اکثر مطالعات (166، 71٪) ارائه کرد. دومین و سومین منبع پرطرفدار تصاویر، Baidu Maps Total View (40، 17%) و Tencent Street View (23، 10%) بودند که هر دو فقط شهرهای چین را پوشش می دهند. Bing StreetSide از مایکروسافت – که عمدتاً در شهرهای ایالات متحده موجود است – در تعداد کمی از مطالعات مورد استفاده قرار گرفت (5). دو سکوی کره جنوبی در تعداد کمی از مطالعات مورد استفاده قرار گرفت، Kakao/Daum Road View (2) و Naver Street View (5). سه مطالعه از تصاویر Yandex Panorama، پلتفرم روسی موجود در روسیه و برخی شهرهای اروپای شرقی استفاده کردند.
اکثر نشریات بر شهرهای ایالات متحده آمریکا (87، 37٪ از مطالعات) و جمهوری چین (69، 29٪) متمرکز شده اند، که منعکس کننده پوشش گسترده Google Street View و Baidu Total View/Tencent Street View در آن کشورها است. به ترتیب. شهرهای اروپایی (عمدتاً در بریتانیا و فرانسه) 64 (27٪) مطالعه را به خود اختصاص دادند. تعداد کمی در کانادا (7، 3٪)، نیوزیلند (6، 3٪)، استرالیا (5، 2٪)، و کره جنوبی (5، 2٪) انجام شد. هیچ مطالعه ای از شهرهای آفریقا انجام نشده است، احتمالاً به دلیل پوشش بسیار محدود در هیچ پلتفرمی (به غیر از Google Street View در آفریقای جنوبی). ادبیات محدود در نمونه از آمریکای جنوبی (4 مطالعه در شیلی و برزیل) احتمالاً به دلیل حذف مقالاتی است که به زبان انگلیسی منتشر نشده و در دسترس بودن محدود تصاویر در آنجا است.

3.2. تکنیک های مورد استفاده برای استخراج و تجزیه و تحلیل داده ها

اکثر مطالعاتی که در بررسی محدوده‌بندی گنجانده شده‌اند، از تصاویر سطح خیابان به‌عنوان منبع شواهدی برای وجود یا عدم وجود ویژگی‌ها یا پدیده‌های مختلف شهری استفاده می‌کنند، بر اساس این فرض که داده‌ها را می‌توان با استفاده از روش دستی یا محاسباتی از تصاویر استخراج کرد. ، و اینکه تصویر، نمایانگر خوبی از فضای شهری است. مطالعات هم اطلاعات کمی (به عنوان مثال، حضور، عدم حضور، کمیت یک ویژگی معین) و همچنین اطلاعات کیفی (مانند تفسیرها، رتبه بندی صحنه های ذهنی) را استخراج کردند. تجزیه و تحلیل تغییرات زمانی در تعداد کمی از مطالعات بر اساس تجزیه و تحلیل سیستماتیک از تصاویر گرفته شده در دوره های زمانی مختلف (در برخی از سیستم عامل ها از جمله Google Street View و Tencent Street View موجود است) انجام شد. در بسیاری از مطالعات، سپس داده‌های استخراج‌شده از تصاویر به همراه مجموعه داده‌ها و شواهد اضافی برای حمایت از نظریه‌ها یا مدل‌های شهری، از رفتارهای بهداشتی گرفته تا پیشگیری از جرم مورد تجزیه و تحلیل قرار گرفتند (به حوزه‌های کاربردی زیر مراجعه کنید). در بیشتر موارد، محیط‌های شهری بررسی‌شده توسط محققین دارای پارامترهای از پیش تعیین‌شده (مثلاً مکان‌های خاص، ویژگی‌ها یا پدیده‌هایی برای ثبت) بودند، به استثنای مطالعاتی که تصادفی‌سازی این پارامترها را انتخاب کردند.27 ].
در مجموع 162 (69%) مطالعه از روش‌های دستی استخراج داده‌ها استفاده کردند که عمدتاً به‌عنوان شکلی از «حسابرسی مجازی» یا نظرسنجی انجام می‌شد. در چنین مواردی، تصاویر مستقیماً در محیط کاملاً 360 درجه سکوی تصویربرداری در سطح خیابان – از جمله روش «افت و چرخش» [ 28 ] – یا ابتدا با به دست آوردن تصاویر از طریق رابط برنامه‌نویسی برنامه پلت فرم (API ) تجزیه و تحلیل شدند. ) و سپس مشاهده آن در نرم افزار تصویربرداری دیجیتال. بسیاری از مطالعات از تکنیک های حسابرسی مجازی سفارشی بر اساس یک چک لیست از پیش تعریف شده یا ابزار نظرسنجی برای ثبت شی، ویژگی یا پدیده مورد علاقه استفاده کردند. چندین ابزار حسابرسی مجازی تثبیت شده برای صحنه های تصویر پانوراما در چندین مطالعه از جمله FASTVIEW [ 29 ]، CANVAS [ 30 ] استفاده شد.]، و SPACES [ 31 ]. این مطالعات تا حد زیادی به اعضای آموزش دیده تیم تحقیقاتی برای انجام ممیزی مجازی متکی بود و در برخی موارد قابلیت اطمینان بین ارزیاب ها را نیز ارزیابی می کرد [ 32 ]. زیرمجموعه دیگری از مطالعات، طرح‌های تحقیقاتی جمع‌سپاری را توسعه دادند که در آن به شرکت‌کنندگان توزیع شده آموزش‌هایی برای انجام ممیزی به طور مستقیم از طریق رابط عمومی پلت فرم وب ارائه شد [ 33 ].
این بررسی رشد مداوم در استفاده از روش‌های محاسباتی برای تجزیه و تحلیل تصاویر سطح خیابان را شناسایی کرد که 72 (31٪) مطالعه را شامل می‌شود. بسیاری از چنین مطالعاتی با هدف فراتر رفتن از اهداف توصیفی و فهرست‌بندی مطالعات مبتنی بر روش‌های دستی، تجزیه و تحلیل این تصاویر را برای اهداف تشخیص ویژگی، تقسیم‌بندی، مدل‌سازی و استنتاج پیشرفته‌تر انجام دادند. در بسیاری از این مطالعات، روش‌های محاسباتی برای تصاویری که به‌صورت انبوه از طریق APIهای پلتفرم به آن‌ها دسترسی پیدا می‌کردند، استفاده می‌شد و امکان تجزیه و تحلیل مقادیر زیادی از تصاویر را با استفاده از مدل‌سازی آماری و روش‌های علم داده فراهم می‌کرد. تکنیک‌های محاسباتی به کار رفته در تصویربرداری در سطح خیابان شامل انواع روش‌های خودکار و الگوریتمی است که در آن‌ها تصاویر تحت شرایط تحت نظارت محقق تحلیل و پردازش می‌شوند.34 ، 35 ]. برخی از مطالعات به تصاویر سطح خیابان از مجموعه داده های از پیش مونتاژ شده بزرگ طراحی شده برای تجزیه و تحلیل محاسباتی، از جمله مجموعه داده Place Pulse ساخته شده از تصاویر استخراج شده از Google Street View API [ 36 ، 37 ] دسترسی پیدا کردند. برای آموزش و آزمایش مدل‌های بینایی رایانه‌ای، مجموعه داده‌های تصویر شهری بیشتری که حاوی تصاویر از پیش برچسب‌گذاری‌شده و بخش‌بندی‌شده هستند، اغلب استفاده می‌شوند، مانند مجموعه داده‌های CityScapes [ 38 ] و ADE20K [ 39 ].

3.3. مناطق تحقیقات شهری

یافته‌های بررسی محدوده طیف وسیعی از کاربردها را برای تصاویر پانوراما سطح خیابان در تحقیقات شهری نشان می‌دهد. ما این ناهمگونی را به پنج دسته موضوعی کلی اصلاح می کنیم: محیط ساخته شده و کاربری زمین. سلامتی و تندرستی؛ محیط طبیعی؛ مدلسازی شهری و نظارت جمعیتی؛ و کیفیت و شهرت منطقه. همانطور که در شکل 2 نشان داده شده است، دو مورد از رایج ترین کاربردهای تصویربرداری در سطح خیابان، تحقیق در مورد محیط ساخته شده/کاربری زمین و سلامت/بهزیستی با 91 مطالعه در هر دسته بود. به طور کلی، در تمام حوزه‌های کاربردی، هدف بیشتر مطالعات، کسب داده‌ها بر اساس جنبه‌های فردی تصویر (اشیاء، ویژگی‌ها، یا پدیده‌ها) یا کل خود تصویر بود، آنچه کانگ و همکارانش انجام دادند. [ 12] به ترتیب به عنوان سطح “عنصر” و سطح “صحنه” مشاهده می شود.

3.3.1. محیط ساخته شده و کاربری زمین

با پوشش کامل یا تقریباً کامل در بسیاری از شهرهای جهانی، تجزیه و تحلیل محیط ساخته شده شاید آماده ترین منطقه کاربردی برای تصویربرداری در سطح خیابان باشد. با توجه به تکنیک های دستی برای شناسایی ویژگی های محیط ساخته شده، هارا و همکاران. [ 40 ] شرکت‌کنندگان را برای شناسایی وجود ویژگی‌های دسترسی مانند رمپ‌های محدود در تصاویر نمای خیابان Google با استفاده از رویکرد جمع‌سپاری و تکنیک استخراج دستی داده‌های حسابرسی استخدام کرد. پلاسکاک و همکاران [ 41] یک نقشه با وضوح بالا از شرایط پیاده رو نیوجرسی با استفاده از یک رویکرد بررسی مجازی دستی بر اساس ابزار حسابرسی CANVAS تهیه کرد. پلت فرم متعلق به روسیه Yandex Panorama در تعداد کمی از موارد برای ممیزی دستی محیط های ساخته شده، از جمله برای شناسایی مکان ها و زیبایی شناسی کافی شاپ های موج سوم در استانبول [ 42 ]، و ارزیابی کیفیت ساختمان برای خطر لرزه ای استفاده شده است. ارزیابی ها در سوچی [ 43 ]. با این حال، معمولاً تصاویر سطح خیابان به صورت محاسباتی تجزیه و تحلیل می‌شوند تا ویژگی‌های محیط ساخته‌شده مانند زیرساخت‌های خیابان را شناسایی کنند [ 44 ، 45 ]]، به عنوان بخشی از یک منطقه گسترده تر از تحقیقات با استفاده از روش های بینایی کامپیوتری برای طراحی شهری و مشکلات محیط ساخته شده است. به عنوان مثالی از چگونگی استفاده از ویژگی های شناسایی شده در تصویر به عنوان مبنایی برای توضیح فرآیندهای اجتماعی، جیانگ و همکاران. [ 46 ] تصاویر از نمای خیابان Baidu را در یک مدل CNN برای تشخیص علائم راهنمایی و رانندگی در دو شهر چین تجزیه و تحلیل کرد، و ارتباط قرار دادن علائم را در محیط ساخته شده با حضور مناطق «مستعد تخلفات ترافیکی» امکان‌پذیر کرد.
با توجه به کاربری زمین شهری، تجزیه و تحلیل تصاویر سطح خیابان اغلب به عنوان یک رویکرد مکمل یا جایگزین برای طبقه‌بندی کاربری اراضی با استفاده از منابع داده‌های مرسوم، به‌ویژه داده‌های سنجش از دور (مانند تصاویر ماهواره‌ای) ارائه می‌شود. با توجه به میدان دید افقی کاملا پانورامایی که در سطح تعامل انسان با شهر ثبت شده است، تصاویر سطح خیابان دیدگاه جایگزینی برای تجزیه و تحلیل کاربری اراضی ارائه می دهد که ممکن است طبقه بندی دقیق تری از انواع کاربری زمین شهری را ارائه دهد – که گاهی اوقات ممکن است دشوار باشد. از منظر نادری هوایی متمایز شود [ 47]. کاربردهای کاربری زمین در تصاویر سطح خیابان معمولاً به روش‌های طبقه‌بندی جایگزینی نسبت به روش‌های مرسوم در سنجش از دور با توجه به عدم وجود باندهای طیفی متعدد (فقط RGB موجود است) نیاز دارند، بنابراین بسیاری از ادبیات از مجموعه‌ای از تکنیک‌های یادگیری ماشینی استفاده می‌کنند که به عنوان بینایی کامپیوتری شناخته می‌شوند. . در اصل، این رویکردها تشخیص و طبقه‌بندی ویژگی‌ها را بر اساس ویژگی‌های هندسی و توپولوژیکی به جای امضاهای طیفی انجام می‌دهند، و بنابراین، می‌توانند هم برای تصاویر از راه دور و هم در سطح خیابان اعمال شوند. کائو و همکاران [ 48] فرآیندی را برای طبقه‌بندی کاربری زمین در سطح پیکسل از هر دو دیدگاه با استفاده از یک شبکه عصبی تقسیم‌بندی صحنه برای شهر نیویورک مستند کنید، که پتانسیل دقت بالاتری را برای طبقه‌بندی دسته‌های کاربری اجتماعی-اقتصادی زمین در مقایسه با تصاویر هوایی صرفاً نشان می‌دهد (همچنین به تحلیل قیمت خانه مراجعه کنید. [ 34 ] و الگوهای اصیل سازی [ 49 ]). قابل‌توجه، این روش برای تخمین مقادیر پیکسل بین تصاویر سطح خیابان (از آنجایی که به‌طور متناوب گرفته می‌شوند)، به یک تکنیک درون‌یابی فضایی متکی است، که در هنگام ترکیب مجموعه‌داده‌های سنجش از راه دور و «تقریبی» عنصر دیگری از عدم قطعیت را اضافه می‌کند. سریواستاوا و همکاران [ 50] یک رویکرد تشخیص کاربری زمین شهری را توسعه داد که تصاویر سنجش از راه دور هوایی از Google Maps را با تصاویر سطح خیابان از Google Street View برای شناسایی ویژگی‌های کاربری زمین در سطح عنصر، با استفاده از یک مدل CNN آموزش‌دیده بر روی مجموعه داده OpenStreetMap با برچسب جمع‌سپاری ادغام کرد. نشان دادن ارزش افزوده دیدگاه افقی تصاویر سطح خیابان، لی و همکاران. [ 19 ] تصاویر سه شهر ایالات متحده را برای طبقه‌بندی کاربری‌های مسکونی در سطح بلوک، بر اساس نماهای ساختمانی دقیق، برخلاف سقف‌های عمومی‌تر که در طبقه‌بندی تصاویر هوایی تحلیل می‌شوند، تجزیه و تحلیل کرد. نتایج نقشه‌های کاربری اراضی را در سطح بلوک فردی تولید کرد که نشان‌دهنده بهبود مقیاسی نسبت به طبقه‌بندی کاربری زمین در سطح همسایگی معمولی است.

3.3.2. سلامتی و تندرستی

برخی از اولین تحلیل‌های تصویربرداری در سطح خیابان برای مطالعات سلامت و رفاه شهری بود، که خود اکنون نشان‌دهنده یک طرح مطالعاتی تثبیت‌شده در این زمینه است که از طریق بررسی‌های اخیر نشان داده شده است [ 11 ، 12 ]. کاربردهای بهداشت شهری در درک سلامت و رفاه که توسط عوامل اجتماعی و مکان‌هایی که در آن زندگی می‌کنیم، کار می‌کنیم و بازی می‌کنیم شکل می‌گیرند – که به عنوان عوامل اجتماعی و محیطی تعیین‌کننده سلامت شناخته می‌شوند [ 51 ].]. بیشتر تحلیل‌ها بر ارتباط ویژگی‌های محیطی طبیعی و ساخته‌شده شهری با الگوهای بهداشتی مشاهده‌شده تمرکز دارند. در اکثر مطالعات، هدف بررسی تأثیر قرار گرفتن در معرض بالقوه (مثلاً ویژگی‌های محیطی محلی) بر سلامت و تندرستی، به جای استخراج شواهدی از شرایط واقعی سلامت یا رفتارهای سلامت افراد یا گروه‌هایی است که در تصاویر ثبت شده‌اند. یک استثنای قابل توجه، مطالعه الکل در مناظر شهری در ولینگتون، نیوزیلند است که شامل ممیزی «مصرف مشهود الکل» [ 52 ]، و تعداد کمی از مطالعات رفتارها و حجم عابران پیاده [ 53 ] بود.]. این رابطه بین سلامت، جامعه و مکان از طریق تصاویر سطح خیابان در طیف وسیعی از شرایط سلامت جسمی و روانی مورد بررسی قرار گرفته است. تعداد زیادی از مطالعات رابطه بین طراحی شهری و سلامت را بررسی کرده‌اند، از جمله وجود زیرساخت‌های فعالیت بدنی و میزان چاقی [ 54 ، 55 ] و رفاه روانی [ 56 ]، و بین ویژگی‌های خیابان/زیرساخت‌ها و رفتارهای پیاده‌روی [ 57 ، 58 ، 59 ]، آسیب عابر پیاده [ 30 ، 60 ]، و ایمنی دوچرخه سواری [ 23 ، 61]. رابطه بین قرار گرفتن در معرض محیط‌های طبیعی شهری و طیف وسیعی از پیامدهای سلامتی، یک تمرکز تحقیقاتی قابل‌توجه بیشتر است (به عنوان مثال، [ 62 ، 63 ])، و همچنین بین محیط‌های طبیعی و عوامل خطر سلامت از جمله استرس [ 64 ]. بر اساس مفاهیم مفهومی سالوتوژنز (قرار گرفتن در معرض عواملی که به جای آسیب رساندن به سلامتی) تأثیر محیط های طبیعی شهری را در ارتقای سلامت و احساس رفاه بیشتر مورد بررسی قرار دادند [ 65 ، 66 ].
از نقطه نظر شناسایی و کاهش خطر، مطالعات این تصاویر را برای شناسایی مناطق یا عناصر فردی از محیط ساخته شده که می‌توانند برای مداخله هدف قرار دهند، تجزیه و تحلیل می‌کنند. نمونه‌هایی از این رویکرد شامل ممیزی دستی نمای خیابان گوگل برای شناسایی «تبلیغات چاقی» به‌طور قابل‌توجهی نسبت به سایر اشکال تبلیغات علامت در شعاع 800 متری مدارس در اوکلند است [ 67 ]. نگوین و همکاران [ 68 ] 164 میلیون تصویر نمای خیابان Google را در یک مدل یادگیری ماشینی برای پیش‌بینی مناطق در معرض خطر COVID-19 بر اساس تشخیص ویژگی‌های محیط ساخته‌شده که تصور می‌شود با افزایش خطر ویروس مرتبط هستند، از جمله خانه‌های غیر مجردی، فرسوده، تحلیل کرد. سازه ها و سیم های قابل مشاهده

3.3.3. محیط طبیعی

این بررسی تمرکز قابل توجهی بر استفاده از تصاویر در سطح خیابان برای تجزیه و تحلیل سطح صحنه از فضای سبز شهری، فضاهای آبی و فضای باز با استفاده از تکنیک‌های محاسباتی شناسایی کرد. در مطالعه ای در پکن، تصاویر Tencent Street View در یک مدل یادگیری ماشینی (مدل FCN8 CNN) در برابر تصاویر برچسب گذاری شده از مجموعه داده ADE20K برای تشخیص فضای آبی و سبز آموزش داده شدند [ 69 ]. همچنین در پکن، تصاویر API Tencent Street View برای محاسبه شاخص نمای سبز (معیار رنگ سبز در تصاویر به عنوان شاخص حضور پوشش گیاهی) با استفاده از یک الگوریتم تقسیم‌بندی خودکار صحنه بر اساس SegNet، یک CNN در سطح پیکسل برای معنایی استفاده شد. تقسیم بندی [ 70]. در سطح عنصر تجزیه و تحلیل، محققان از این تصویر برای تشخیص، طبقه بندی و کمیت ویژگی های محیط طبیعی فردی در صحنه تصویر استفاده می کنند. برای پاسخ به این سوال که آیا ممیزی مجازی می تواند جایگزین بازدیدهای درجا توسط نقشه برداران درخت صحرایی شود، داوطلبانی با سطوح مختلف تجربه برای فهرست بندی دستی درختان خیابانی موجود در تصاویر نمای خیابان گوگل از حومه شیکاگو [ 71 ] استخدام شدند.]. یافته‌ها نشان داد که چنین رویکردهایی می‌توانند جایگزین نظرسنجی‌های حضوری برای اطلاعات اولیه مانند مکان درخت شوند، اما اگر گونه‌های درخت یا تخمین قطر مورد نیاز باشد، احتمال کمتری جایگزینی برای آنها وجود دارد. در بسیاری از مطالعات متمرکز بر محیط‌های طبیعی، محققان همچنین تلاش کردند تا ارتباطی را با پیامدهای سلامت، تحرک یا وضعیت اجتماعی-اقتصادی شناسایی کنند، که تلاقی قابل‌توجهی بین این حوزه از تحقیقات شهری و سایر مقوله‌های موضوعی مورد استفاده برای این بررسی را نشان می‌دهد. قابل توجه است، محققان تصاویر سطح خیابان را برای ایجاد ارتباط فضایی بین حضور سبز و شرایط اجتماعی و ساختاری مختلف، از جمله رفتارهای حمل و نقل فعال [ 62 ، 72 ]، آلودگی [ 73 ]، اصیل سازی [ 74 ] تجزیه و تحلیل کرده اند.]، و قیمت مسکن [ 75 ، 76 ، 77 ]، و همچنین رابطه بین در دسترس بودن فضای باز و فقر [ 78 ].

3.3.4. مدلسازی شهری و نظارت جمعیتی

این دسته تحقیقاتی شامل مطالعاتی است که تصاویر سطح خیابان را در مدل‌سازی محاسباتی مقیاس بزرگ محیط‌ها یا جمعیت‌های شهری به کار می‌برد. در این دسته، هدف بیشتر مطالعات بررسی پتانسیل این تصاویر به عنوان جایگزین یا مکمل رسانه های سه بعدی کامپیوتری و اشکال متعارف داده های شاخص جمعیتی بود. از طریق به کارگیری انواع روش‌های محاسباتی، محققان از تصاویر سطح خیابان برای بازسازی صحنه‌های شهری و عناصر صحنه، به‌ویژه برای استفاده در برنامه‌ریزی شهری استفاده کرده‌اند. با کمک تصاویر GSV، Takizawa و Kinugawa [ 79 ] مناظر شهری سه بعدی را بازسازی کردند و Cetiner [ 80 ]] بر عنصر خاصی از محیط شهری، یعنی مدل سازی پل ها متمرکز شده است. چند مطالعه ویژگی های “دره های شهری” را بررسی کرده اند. این شامل مطالعه ای است که از تصاویر بایدو برای تخمین مدت زمان روزانه خورشید در سطح خیابان استفاده می کند، و مطالعه دیگری که از تصاویر نمای خیابان گوگل برای مدل سازی تجربه عابر پیاده در یک دره شهری استفاده می کند [ 81 ]. در سراسر این مطالعات، تصاویر در سطح خیابان جایگزینی برای روش‌هایی است که نیاز به بازسازی مدل‌های سه بعدی پرهزینه‌تر دارند.
با توجه به استفاده از تصاویر سطح خیابان برای استنتاج ویژگی‌های اجتماعی-اقتصادی و جمعیتی شهرها، تعدادی از مطالعات نشان می‌دهند که چگونه می‌تواند به عنوان نماینده مجموعه داده‌های اداری برای نظارت جامع سلامت و جمعیت‌شناختی عمل کند. سوئل و همکاران [ 82 ] بیش از یک میلیون تصویر نمای خیابان گوگل را در یک شبکه عصبی تجزیه و تحلیل کرد تا مناطق لندن را بر اساس معیارهای رایج نابرابری اجتماعی و جمعیتی دسته بندی کند. در مقایسه با منابع مرسوم چنین داده‌هایی (مثلاً سرشماری)، نتایج پیش‌بینی‌شده همراستایی قابل‌توجهی با داده‌های مشاهده‌شده را نشان می‌دهد، که یک منبع کلان داده جدید را برای نظارت جمعیت‌شناختی در سطح منطقه نشان می‌دهد. به طور مشابه، مطالعه ای توسط گبرو و همکارانش [ 83] از یک مدل یادگیری عمیق برای شناسایی سال خودرو و تهیه اطلاعات از 50 میلیون تصویر Google Street View در 200 شهر ایالات متحده استفاده کرد، که نشان می‌دهد چگونه می‌توان وضعیت اجتماعی-اقتصادی در سطح محله را در مقیاس بزرگ، با دقت و زمان و هزینه‌ی قابل توجه استنباط کرد (نگاه کنید به همچنین [ 84 ]). در مطالعه دیگری، یک CNN برای پیش‌بینی براکت‌های درآمدی در سطح محله بر اساس تصاویر Google Street View از اوکلند آموزش دید، با هدف پاسخ به این سؤال که «چه ویژگی‌های قابل مشاهده یک منطقه را مستعد سطوح فقر پایین یا بالا می‌کند؟» [ 85 ].

3.3.5. کیفیت و شهرت منطقه

تصاویر سطح خیابان نیز برای ارزیابی کیفیت یا شهرت مناطق شهری بر اساس ادراکات ذهنی انسان و همچنین رویکردهای محاسباتی که به دنبال ارائه ارزیابی‌های مقایسه‌ای عینی هستند، تحلیل می‌شود. به عنوان بخشی از یک تمرکز تحقیقاتی بزرگتر بر به اصطلاح “اثرات همسایگی” که پیامدهای اجتماعی را به ویژگی های فضایی شهری پیوند می دهد [ 86 ]، تحقیقات کیفیت منطقه با استفاده از تصاویر سطح خیابان اغلب بر اساس استنباط شهرت یک منطقه از طریق حضور عناصر خاص است. در تصویرسازی، این ویژگی‌ها را با پدیده‌هایی مانند جرم، نابرابری و «رفتار ضد اجتماعی» مرتبط می‌کند. به طور کلی، این تحقیق ویژگی‌های مکان را از طریق تصاویر سطح خیابان به صورت قیاسی در تلاش برای توضیح پدیده‌های اجتماعی شهری موجود تجزیه و تحلیل می‌کند (نگاه کنید به [ 87 ]]). دو هدف متمایز را می توان تشخیص داد – تجزیه و تحلیل هایی با هدف توصیف مناطق “خطرناک” (به ویژه مربوط به جرم، بی نظمی و مخاطرات زیست محیطی)، و تجزیه و تحلیل هایی با هدف توصیف محیط های شهری “قابل زندگی”. با توجه به فضاهای شهری پرخطر، محققان تصاویر سطح خیابان را برای شناسایی صحنه‌ها و عناصر فردی مرتبط با فعالیت‌های مجرمانه تجزیه و تحلیل کرده‌اند که اغلب از نظریه‌های تثبیت‌شده در جرم‌شناسی محیطی مانند نظریه پنجره‌های شکسته استفاده می‌کنند [ 88 ، 89 ]. به عنوان مثال، لنگتون و استین بیک [ 9] روشی را برای تجزیه و تحلیل حساسیت به سرقت از طریق ممیزی دستی تصاویر املاک مسکونی در نمای خیابان گوگل توسعه داد. مقایسه یافته‌ها با آمار جرایم محلی، نتایج نشان می‌دهد که ویژگی‌های خاصی از اموال (مانند سهولت فرار، میزان بسته بودن آن برای نظارت همسایه‌ها) با افزایش خطر سرقت مرتبط است، که اجازه می‌دهد در مقیاس محلی بیشتر (املاک فردی) باشد. ارزیابی ریسک در مقایسه با مطالعاتی که ریسک را به عنوان تابعی از ثروت در سطح همسایگی شناسایی می‌کنند.
روش‌های محاسباتی به دلیل ماهیت ذهنی‌تر ارزیابی کیفیت و شهرت منطقه نسبتاً کمتر رایج هستند. تلاش مهمی برای بررسی ادراکات ذهنی از فضای شهری در مقیاس بزرگ، پروژه Place Pulse در MIT بود ( https://www.media.mit.edu/projects/place-pulse-new/overview/) (دسترسی در 8 ژوئن 2021). Place Pulse پایگاه داده بزرگی از تصاویر را از نمای خیابان گوگل جمع آوری کرد و اعضای عمومی را برای مقایسه تصاویر بر اساس تصورات ثروت، ایمنی، سرزندگی و غیره ثبت نام کرد. مجموعه داده حاصل از تصاویر برچسب‌گذاری‌شده و طبقه‌بندی‌شده برای آموزش مدل‌های یادگیری عمیق برای شناسایی شاخص‌های کیفیت زندگی شهری تعبیه‌شده در محیط‌های شهری، از جمله تحقیقاتی که از این مجموعه داده برای ایجاد معیار Streetscore ایمنی شهری برای ایالات متحده استفاده کرد، استفاده شده است [ 37 ]، و برای شناسایی شش شاخص کیفیت زندگی (ایمن، سرزنده، زیبا، ثروتمند، خسته کننده، افسرده) در سطح جهانی [ 90 ]. به همین ترتیب، Choiri [ 91] برچسب‌گذاری 800 تصویر سطح خیابان آمستردام را برای درک «جذابیت شهری» جمع‌آوری کرد و از آن برای آموزش یک مدل CNN استفاده کرد که شناسایی خودکار مناطق جذاب را از مجموعه داده‌های تصاویر بسیار بزرگ‌تر ممکن می‌سازد. چندین مطالعه از تصاویر Tencent Street View برای ارزیابی «کیفیت بصری» مناظر خیابانی در شهرهای چین استفاده کردند. این شامل مطالعه تانگ و لانگ [ 92 ] از مناطق تاریخی هوتونگ پکن است که به تصاویر گرفته شده بین سال‌های 2012 و 2016 از ویژگی «ماشین زمان» Tencent دسترسی پیدا کرد که پتانسیل تحلیل‌های زمانی را با تصاویر سطح خیابان نشان می‌دهد (همچنین رجوع کنید به [ 93 ]). .

3.4. مزایا و مزایای تصویرسازی سطح خیابان در تحقیقات شهری

اکثر مطالعات به صراحت مزایای تصویربرداری در سطح خیابان و در بسیاری موارد ارزش افزوده آن را نسبت به منابع داده شهری مرسوم در نظر گرفتند. با این حال، به‌طور قابل‌توجهی، مطالعات اخیر کمتر احتمال داشت که به‌صراحت مزایا و فواید را نشان دهند، که همراه با افزایش قابل‌توجه در مطالعات منتشر شده در سال‌های اخیر، نشان‌دهنده بلوغ تصاویر سطح خیابان به‌عنوان یک منبع داده شناخته‌شده برای تحقیقات شهری است. از تجزیه و تحلیل چنین اظهاراتی، این بررسی چندین مزیت و مزیت اصلی تصویرسازی سطح خیابان را در دو حوزه مجزا اما مرتبط شناسایی کرد: (1) طراحی تحقیق، و (2) تولید دانش.

3.4.1. طرح پژوهش

در مطالعات مبتنی بر استخراج دستی داده‌ها، بسیاری از محققان خاطرنشان کردند که ممیزی مجازی مناظر شهری امکان جمع‌آوری سریع داده‌ها را در تعداد فزاینده‌ای از شهرهای سراسر جهان با تصاویر سطح خیابان فراهم می‌کند، و با هزینه‌ای که بسیار کمتر از بازدیدهای حضوری در نظر گرفته می‌شود. 94 ، 95 ، 96 ]. چانگ و همکاران [ 97] تصاویر بایدو را به دلیل هزینه کم آن، پوشش 95 درصد شهرهای چین (سه میلیون کیلومتر مناظر خیابانی)، و به روز رسانی های منظم که امکان تجزیه و تحلیل مکانی و زمانی را فراهم می کند، تحسین کرد. از آنجایی که تصاویر سطح خیابان به طور کلی یکی از اجزای پلت فرم نقشه برداری دیجیتال است، محققان همچنین به صراحت توانایی استخراج مختصات جغرافیایی دقیق از طریق API را به عنوان یک مزیت کلیدی نسبت به سایر منابع تصویر [ 45 ، 98 ، 99 ]، مانند Flickr، شناسایی کردند. که ممکن است شامل فراداده مکان نباشد. با این حال، جالب توجه است که هیچ مطالعه ای به طور صریح هزینه دسترسی به تصاویر به صورت انبوه از طریق یک API را شرح نداده است، اگرچه هزینه ها احتمالاً برای همه به جز تصاویر در بزرگ ترین مقیاس بسیار کم است. Google Street View Static API در حال حاضر فقط شارژ می شود5.60 دلار آمریکا به ازای هر 1000 تصویر پانوراما (زمانی که حداکثر 500000 عکس قابل دسترسی است) از طریق مدل قیمت‌گذاری «پرداخت در زمان خرید»، که همچنین دسترسی به ابرداده‌های تصویر شامل مختصات جغرافیایی و مهر زمانی را فراهم می‌کند. آشنایی با پلت‌فرم‌های تصویرسازی سطح خیابان به عنوان یک مزیت برای مطالعاتی که از طرح تحقیقاتی جمع‌سپاری استفاده می‌کنند، شناسایی شد، زیرا شرکت‌کنندگان به آموزش صریح در استفاده از آنها نیاز ندارند [ 40 ]. به طور مشابه، محققان به پتانسیل افزایش راحتی و ایمنی محقق/شرکت‌کننده از طریق «حضور از راه دور» ممیزی‌های مجازی اشاره کردند، که ممکن است به ویژه در ممیزی مناطقی که مخاطره‌آمیز یا خطرناک تلقی می‌شوند، ارزشمند باشد [ 100 ].

3.4.2. تولید دانش

ادبیات همچنین مزیت‌های معرفتی تصویرسازی در سطح خیابان را مورد بحث قرار می‌دهد. به عبارت دیگر، توانایی های منحصر به فرد آن امکان تولید دانش جدید در مورد جهان را فراهم می کند. تعدادی از مطالعات ادعا می‌کنند که تصاویر در سطح خیابان می‌توانند درک ما از فضاهای شهری، ویژگی‌ها، و فرآیندها را از طریق دیدگاه منحصربه‌فرد عابر پیاده/خودرو (POV) افزایش دهند، که به آسانی در سایر اشکال تصویر یا نمایش ثبت نمی‌شود [ 62 ، 101 ، 102]. امکان شکل‌های جدید تجزیه و تحلیل و تولید دانش در کاربردهای شناسایی ویژگی‌های محیط ساخته شده و طبقه‌بندی کاربری زمین شناسایی می‌شود، زیرا تصاویر عموماً نزدیک به موضوع، و از یک POV که جزئیات و تنوع بیشتری را نشان می‌دهد، به ویژه در مقایسه با POV هوایی با توجه به مدل‌سازی شهری و برنامه‌های نظارت جمعیتی، محققان به سهولت کلی دسترسی به میلیون‌ها تصویر سطح خیابان و تجزیه و تحلیل آن در یک محیط یادگیری عمیق اشاره کردند. این امر تجزیه و تحلیل مقایسه ای و تعمیم مقیاس بزرگ را در مقیاس های زمانی شتاب یافته تسهیل می کند، که می تواند درک ما از فرم، الگو و فرآیند شهری را به طور قابل ملاحظه ای بهبود بخشد [ 83 ، 84 ].

3.5. محدودیت ها و نقاط ضعف تصویرسازی سطح خیابان در تحقیقات شهری

بسیاری از ادبیات محدودیت ها و ضعف ها را نیز در نظر گرفته اند. اگرچه فقط در چند مطالعه به صراحت ذکر شده است، یک ضعف کلیدی شناسایی شده در بین مطالعات در این بررسی، ابعاد محدود داده های استخراج شده از تصاویر است، چه با استفاده از رویکرد دستی یا محاسباتی (برلند و همکاران، 2019؛ Meunpong و همکاران، 2019). ). به عبارت دیگر، بسیاری از مطالعات از تصاویر سطح خیابان به‌عنوان منبع داده‌ای در مورد حضور/غیاب دوتایی ویژگی‌ها، اشیاء یا پدیده‌ها در فضای جغرافیایی استفاده کردند – جایی که اشیا بر خلاف ویژگی‌هایشان (مثلاً کمیت‌ها، کیفیت‌ها) قرار دارند. ، ارزش های). تعدادی از مطالعات تلاش کردند تا اطلاعات کمی و کیفی صحنه ها و اشیاء را استنتاج کنند. با این حال، توانایی محدود کلی برای گرفتن قطعی اطلاعات ویژگی ها، محدودیت قابل توجهی را در تصاویر سطح خیابان به عنوان منبع داده در شهرها نشان می دهد. تخمین ها و استنباط ها ممکن است با توسعه بیشتر ابزار حسابرسی مجازی استاندارد شده و تکنیک های یادگیری ماشین و مقایسه سیستماتیک با سایر منابع داده، قابل اعتمادتر شوند. وجود اشیایی مانند تیرهای چراغ برق، وسایل نقلیه یا عابران پیاده می‌تواند جلوی ویژگی‌های مورد علاقه را بگیرد.103 ]. این محدودیت همچنین می تواند توسط عوامل ذاتی ضبط و پردازش تصویر تشدید شود. یعنی نور، فصلی بودن، شرایط آب و هوایی، یا محو شدن حریم خصوصی، که می تواند کیفیت تصویر و در نتیجه توانایی های نمایشی بالقوه آنها را کاهش دهد [ 82 ]. به طور خاص، این بدان معنی است که تصاویر سطح خیابان به دلیل تغییر در کیفیت تصویر بین سال‌ها و داده‌های از دست رفته در طول یک دوره زمانی خاص، به‌علاوه از دست دادن مهرهای زمانی در تصاویر قدیمی‌تر، گاهی اوقات برای تحلیل‌های زمانی قابل اعتماد نیستند [ 32 ، 104 ، 105 ، 106 . ].
در حالی که برخی از مطالعات مبتنی بر استخراج دستی داده‌ها به طور مستقیم با تصاویر سطح خیابان در محیط مجازی 360 درجه این پلت‌فرم تعامل داشتند، حجم قابل توجهی از تحقیقات مبتنی بر تجزیه و تحلیل تصاویر مسطح مستطیلی استخراج‌شده از پانورامای کامل است. بسته به ناحیه تصویر گرفته شده و طرح ریزی خاص مورد استفاده، ممکن است برخی اعوجاج های هندسی وجود داشته باشد که ممکن است بر دقت نتایج در برنامه های کاربردی تشخیص ویژگی تأثیر بگذارد [ 46 ، 107 ، 108 ]. در حال حاضر کاربرد محدودی از این تصاویر سه بعدی جعلی [ 109 ] برای تجزیه و تحلیل بر اساس عمق و فاصله وجود دارد [ 79 ]]؛ با این حال، ادغام اخیر حسگرهای LiDAR در فرآیندهای ثبت تصاویر در سطح خیابان توسط گوگل، مایکروسافت و اپل ممکن است مطالعات آینده را با توانایی اندازه گیری فاصله و عمق فراهم کند. با این حال، نقش شرکت‌های خصوصی به عنوان دروازه‌بان تصاویر سطح خیابان ممکن است حداقل به دو دلیل نگران‌کننده باشد. اولاً، دسترسی بستگی به این دارد که شرکت به استفاده از ساختار فعلی کم یا بدون هزینه برای تحقیق ادامه دهد، اما این می تواند به راحتی تغییر کند. برای مثال، گوگل تلاش می‌کند تا جریان‌های درآمدزایی خود را بر اساس انباشت داده‌های شخصی و تبلیغات هدفمند، از جمله افزایش هزینه‌ها برای دسترسی به API‌های خود، از مدل کسب‌وکار فعلی خود دور کند [ 110 ، 111 ]]. دوم، پلتفرم‌های شرکتی تصمیم می‌گیرند که چه شهرها و چه مناطقی در داخل شهرها در تصاویر سطح خیابان ثبت شوند، و همچنین به‌روزرسانی‌ها چقدر اتفاق می‌افتد. پلتفرم‌ها این تصمیم‌ها را عمدتاً بر اساس بازده اقتصادی سرمایه‌گذاری می‌گیرند، و بنابراین تکیه بر تصاویر سطح خیابان به عنوان منبع اطلاعات در شهرها می‌تواند منجر به نابرابری شهری بیشتر شود – بین مناطقی که شایسته پوشش تصویری در سطح خیابان هستند (و، بنابراین، تجزیه و تحلیل)، و کسانی که نامرئی و تحلیل نشده باقی مانده اند [ 3 ]. از سوی دیگر، همانطور که در برخی از مطالعاتی که در بالا توضیح داده شد، مشاهده شد، طبقه‌بندی خودکار در مقیاس بزرگ فضاهای شهری بر اساس دسته‌های خطر (به عنوان مثال، ناسالم، جنایت‌آمیز) باعث ایجاد «بیش‌رویت» می‌شود که ممکن است پیامدهای منفی برای گروه‌ها و محله‌های اجتماعی شناسایی‌شده داشته باشد. [ 112]. در حالی که حریم خصوصی فردی از طریق محو کردن چهره ها و اطلاعات حساس مورد توجه قرار می گیرد، بیانات جدیدتر «حریم خصوصی گروهی» [ 113 ] نشان می دهد که چنین تحلیل هایی می توانند اثرات مضری داشته باشند و بنابراین پیامدهای اخلاقی نیازمند توجه بیشتر است. در نهایت، به دلیل شواهد جامع و پانوراما از شهرها و ساکنان آنها که از طریق این تصاویر ارائه شده است، تا حد زیادی در ادبیات بررسی شده، آگاهی قابل توجهی در مورد تهدیدات امنیت مدنی و ملی وجود ندارد. به عنوان مثال، تصاویری که زیرساخت‌های حیاتی شهری، سایت‌های امنیت ملی و مکان‌های تجمع گروه‌های بزرگ را نشان می‌دهند، می‌توانند منبعی از داده‌ها را برای هدف قرار دادن اقدامات خود در اختیار بازیگران شرور قرار دهند.

4. نتیجه گیری و جهت گیری های آینده

این مقاله اولین بررسی جامع و پیشرفته استفاده از تصاویر پانوراما از سکوهای تصویربرداری سطح خیابان در سراسر جهان را در سراسر طیف کامل تحقیقات در مورد شهرها ارائه می دهد. نتایج این بررسی محدوده، با شناسایی پلتفرم‌های مورد استفاده در سراسر جهان برای دسترسی به تصاویر، حوزه‌های کلیدی کاربرد در مطالعات شهری، روش‌های استخراج و تجزیه و تحلیل داده‌ها و کلید، پایگاه دانش دقیقی را برای محققان علاقه‌مند به استفاده از تصاویر در سطح خیابان فراهم می‌کند. مزایا و محدودیت ها به طور کلی، نتایج به استفاده سریع از تصاویر سطح خیابان به عنوان منبع داده‌های شهری در سال‌های اخیر اشاره می‌کند، زیرا شرکت‌ها همچنان به افزایش مقدار منطقه شهری ثبت شده در 360 درجه ادامه می‌دهند. و همانطور که روش‌های دستی و محاسباتی استخراج و تجزیه و تحلیل داده‌های مبتنی بر تصویر در جامعه پژوهشی تثبیت‌تر می‌شوند. این بررسی مزایا و مزایای قابل‌توجهی از جمله جمع‌آوری داده‌های کم هزینه، سریع و گسترده، افزایش ایمنی از طریق جمع‌آوری داده‌های از راه دور، و یک POV منحصربه‌فرد برای عابر پیاده را شناسایی کرد که نه تنها یک منبع داده جایگزین، بلکه راهی برای ثبت شهرها از این منظر ارائه می‌کند. مردم آنها را تجربه می کنند با این حال، چندین محدودیت پتانسیل آن را به عنوان یک منبع داده شهری محدود می‌کند، از جمله توانایی محدود برای گرفتن اطلاعات فراتر از وجود/عدم ویژگی‌های مکانی، غیرقابل اعتماد بودن برای تحلیل‌های زمانی، استفاده محدود برای تحلیل‌های عمق و فاصله، و نقش شرکت‌ها به عنوان تصویر. دروازه بان های داده این بررسی مزایا و مزایای قابل‌توجهی از جمله جمع‌آوری داده‌های کم هزینه، سریع و گسترده، افزایش ایمنی از طریق جمع‌آوری داده‌های از راه دور، و یک POV منحصربه‌فرد برای عابر پیاده را شناسایی کرد که نه تنها یک منبع داده جایگزین، بلکه راهی برای ثبت شهرها از این منظر ارائه می‌کند. مردم آنها را تجربه می کنند با این حال، چندین محدودیت پتانسیل آن را به عنوان یک منبع داده شهری محدود می‌کند، از جمله توانایی محدود برای گرفتن اطلاعات فراتر از وجود/عدم ویژگی‌های مکانی، غیرقابل اعتماد بودن برای تحلیل‌های زمانی، استفاده محدود برای تحلیل‌های عمق و فاصله، و نقش شرکت‌ها به عنوان تصویر. دروازه بان های داده این بررسی مزایا و مزایای قابل‌توجهی از جمله جمع‌آوری داده‌های کم هزینه، سریع و گسترده، افزایش ایمنی از طریق جمع‌آوری داده‌های از راه دور، و یک POV منحصربه‌فرد برای عابر پیاده را شناسایی کرد که نه تنها یک منبع داده جایگزین، بلکه راهی برای ثبت شهرها از این منظر ارائه می‌کند. مردم آنها را تجربه می کنند با این حال، چندین محدودیت پتانسیل آن را به عنوان یک منبع داده شهری محدود می‌کند، از جمله توانایی محدود برای گرفتن اطلاعات فراتر از وجود/عدم ویژگی‌های مکانی، غیرقابل اعتماد بودن برای تحلیل‌های زمانی، استفاده محدود برای تحلیل‌های عمق و فاصله، و نقش شرکت‌ها به عنوان تصویر. دروازه بان های داده و یک POV عابر پیاده منحصر به فرد که نه تنها یک منبع داده جایگزین، بلکه راهی برای ثبت شهرها از منظری که مردم آنها را تجربه می کنند، ارائه می دهد. با این حال، چندین محدودیت پتانسیل آن را به عنوان یک منبع داده شهری محدود می‌کند، از جمله توانایی محدود برای گرفتن اطلاعات فراتر از وجود/عدم ویژگی‌های مکانی، غیرقابل اعتماد بودن برای تحلیل‌های زمانی، استفاده محدود برای تحلیل‌های عمق و فاصله، و نقش شرکت‌ها به عنوان تصویر. دروازه بان های داده و یک POV عابر پیاده منحصر به فرد که نه تنها یک منبع داده جایگزین، بلکه راهی برای ثبت شهرها از منظری که مردم آنها را تجربه می کنند، ارائه می دهد. با این حال، چندین محدودیت پتانسیل آن را به عنوان یک منبع داده شهری محدود می‌کند، از جمله توانایی محدود برای گرفتن اطلاعات فراتر از وجود/عدم ویژگی‌های مکانی، غیرقابل اعتماد بودن برای تحلیل‌های زمانی، استفاده محدود برای تحلیل‌های عمق و فاصله، و نقش شرکت‌ها به عنوان تصویر. دروازه بان های داده
رشد مداوم کاربردهای تحقیقاتی برای تصویربرداری در سطح خیابان در طول دوره بررسی 14 ساله، استفاده گسترده از این فناوری را با به وجود آمدن فرصت‌های جدید پیشنهاد می‌کند، که ممکن است برخی از محدودیت‌های فعلی آن را نیز برطرف کند. همانطور که در بالا نشان داده شد، پلتفرم‌های تصاویر پانورامای شرکتی حسگرهای اضافی را در فرآیندهای ثبت تصویر ادغام می‌کنند، از جمله افزودن LiDAR توسط Google Street View برای سنجش عمق و مدل‌سازی سه‌بعدی، دوربین‌های با وضوح بالاتر برای تشخیص خودکار اشیا، و سنسورهای کیفیت هوای Aclima [ 114 ]. دسترسی عمومی به داده‌های این حسگرها محدود است، اگرچه Google اکنون داده‌های کیفیت هوای سطح بخش خیابان را برای کپنهاگ و لندن از طریق برنامه Environmental Insights Explorer در دسترس قرار داده است [ 115 ]]. دسترسی بیشتر به این داده‌ها و سایر داده‌های حسگر، امکان سنجش شهری 360 درجه را افزایش می‌دهد. اگرچه مطالعات کمی شناسایی شد که از تصاویر سطح خیابان برای تجزیه و تحلیل فضاهای روستایی استفاده می کرد، افزایش پوشش خارج از شهرها پتانسیل استفاده بیشتر از این تصاویر را برای تجزیه و تحلیل مناطق روستایی در آینده نشان می دهد. استفاده از تصاویر سطح خیابان در محیط‌های واقعیت مجازی [ 116 ] یکی دیگر از حوزه‌های تحقیقاتی است که احتمالاً در سال‌های آینده توجه بیشتری را به خود جلب خواهد کرد، به‌ویژه از آنجایی که اکنون ایجاد تصاویر پانوراما و محیط‌های غوطه‌ور با استفاده از فناوری‌های کم هزینه آسان است. [ 3]. دوربین‌های 360 درجه مصرف‌کننده می‌توانند نه تنها عکس‌ها، بلکه فیلم‌های پانوراما و صدای فضایی را نیز ثبت کنند، که می‌تواند اشکال جدیدی از تجزیه و تحلیل شهری را مستقل از محدودیت‌های اکوسیستم‌های تصویری سطح خیابان شرکت‌ها ممکن کند.
این مرور به طور سیستماتیک و با پیروی از رویکرد بازنگری محدوده انجام شد و به عنوان ترکیبی جامع از تحقیقات دانشگاهی در مورد استفاده از تصاویر سطح خیابان برای تحقیق در شهرها قرار دارد. با این حال، ممکن است تعداد کمی از مطالعات به دلیل درج نشدن در پایگاه‌های اطلاعاتی مورد استفاده برای بررسی، از دست رفته باشند. علاوه بر این، ممکن است برخی از مطالعات به دلیل قضاوت یا خطای انسانی، ناخواسته حذف شده باشند. به عنوان مثال، تصمیم گیری در مورد اینکه آیا یک مقاله با معیار گنجاندن «پژوهش شهری» مطابقت دارد یا خیر، در اقلیت موارد ساده نبود. در نهایت، تمرکز بر نشریات زبان انگلیسی احتمالاً برخی از تحقیقات منتشر شده به زبان‌های دیگر را حذف می‌کند، و بنابراین بررسی‌های آینده می‌تواند شامل تحقیقات منتشر شده به زبان‌های مختلف باشد.

مشارکت های نویسنده

مفهوم سازی، جاناتان سینامون; روش شناسی، جاناتان سینامون، لیندی جاهیو; تحلیل رسمی، جاناتان سینامون، لیندی جاهیو; مدیریت داده، جاناتان سینامون، لیندی جاهیو؛ نوشتن – آماده سازی پیش نویس اصلی، جاناتان سینامون، لیندی جاهیو; نوشتن-بررسی و ویرایش، جاناتان سینامون، لیندی جاهیو. هر دو نویسنده نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق هیچ بودجه خارجی دریافت نکرد.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

فهرست کامل انتشارات تحلیل‌شده در این بررسی در این پیوند موجود است: https://tinyurl.com/panoramic-images-review ، قابل دسترسی در 22 مه 2021.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. کمپکین، بی. راس، آر. مذاکره با شهر از طریق نمای خیابان گوگل. در ساختارهای دوربین: عکاسی، معماری و شهر مدرن ؛ Higgott, A., Wray, T., Eds. Ashgate: Farnham, UK, 2012; صص 147-158. [ Google Scholar ]
  2. Gilge، C. نمای خیابان گوگل و تصویر به عنوان تجربه. GeoHumanities 2016 ، 2 ، 469-484. [ Google Scholar ] [ CrossRef ]
  3. دارچین، جی. گافنی، A. نماهای خیابانی خودت انجام بده و تخیل شهری نمای خیابان گوگل. J. فناوری شهری. 2021 ، 1-22. [ Google Scholar ] [ CrossRef ]
  4. Shapiro، A. سطح خیابان: انتزاع نمای خیابان گوگل با داده‌سازی. شبکه رسانه های جدید 2018 ، 20 ، 1201-1219. [ Google Scholar ] [ CrossRef ]
  5. چنگ، ال. چو، اس. زونگ، دبلیو. لی، اس. وو، جی. لی، ام. استفاده از تصاویر نمای خیابان تنسنت برای درک بصری خیابان ها. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 265. [ Google Scholar ] [ CrossRef ]
  6. چن، ال. لو، ی. شنگ، ق. بله، ی. وانگ، آر. لیو، ی. تخمین حجم عابر پیاده با استفاده از تصاویر نمای خیابان: آزمون اعتبارسنجی در مقیاس بزرگ. محاسبه کنید. محیط زیست سیستم شهری 2020 , 81 , 101481. [ Google Scholar ] [ CrossRef ]
  7. دی ندایی، م. Vieriu، RL; ذن، جی. دراگیسویچ، اس. نایک، ن. کاراویلو، ام. هیدالگو، کالیفرنیا؛ سبه، ن. لپری، بی. آیا محله‌های امن‌تر پر جنب و جوش‌تر هستند؟ بررسی چندوجهی در زندگی شهری در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی ACM در چند رسانه ای، آمستردام، هلند، 15 تا 19 اکتبر 2016؛ صص 1127–1135. [ Google Scholar ]
  8. Guo, Z. پارکینگ خیابانی مسکونی و مالکیت خودرو: مطالعه خانواده‌هایی با پارکینگ خارج از خیابان در منطقه شهر نیویورک. مربا. طرح. دانشیار 2013 ، 79 ، 32-48. [ Google Scholar ] [ CrossRef ]
  9. لنگتون، SH. Steenbeek, W. Residential Delarg انتخاب هدف: تحلیلی در سطح ملک با استفاده از نمای خیابان Google. Appl. Geogr. 2017 ، 86 ، 292-299. [ Google Scholar ] [ CrossRef ]
  10. هونگ، اس.-ای. مناظر زبانی در تصاویر سطح خیابان. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 57. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  11. رزوتکیویچ، آ. پیرسون، آل. Dougherty، BV; شورتریج، ا. ویلسون، ن. بررسی سیستماتیک استفاده از نمای خیابان گوگل در تحقیقات سلامت: مضامین اصلی، نقاط قوت، نقاط ضعف و احتمالات برای تحقیقات آینده. Health Place 2018 ، 52 ، 240–246. [ Google Scholar ] [ CrossRef ]
  12. کانگ، ی. ژانگ، اف. گائو، اس. لین، اچ. لیو، ی. مروری بر سنجش محیط فیزیکی شهری با استفاده از تصاویر نمای خیابان در مطالعات بهداشت عمومی. ان GIS 2020 ، 26 ، 261-275. [ Google Scholar ] [ CrossRef ]
  13. آرکسی، اچ. O’Malley، L. Scoping مطالعات: به سوی یک چارچوب روش شناختی. بین المللی J. Soc. Res. روش. 2005 ، 8 ، 19-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. Colquhoun، HL; لواک، دی. O’Brien، KK; استراوس، اس. Tricco، AC; پریر، ال. کاستنر، ام. Moher, D. Scoping بررسی ها: زمان برای وضوح در تعریف، روش ها و گزارش. جی. کلین. اپیدمیول. 2014 ، 67 ، 1291-1294. [ Google Scholar ] [ CrossRef ]
  15. مون، ز. پیترز، MDJ; استرن، سی. توفانارو، سی. مک آرتور، ای. Aromataris، E. بررسی سیستماتیک یا بررسی محدوده؟ راهنمایی برای نویسندگان هنگام انتخاب بین رویکرد مرور سیستماتیک یا محدوده. BMC Med. Res. روش. 2018 ، 18 ، 143. [ Google Scholar ] [ CrossRef ]
  16. نابورس، ال. مونین، جی. Jimenez, S. A Scoping Review of Studies on Virtual Reality برای افراد دارای معلولیت ذهنی. Adv. نورودف. بی نظمی 2020 ، 4 ، 344-356. [ Google Scholar ] [ CrossRef ]
  17. Stubbings، P. پسکت، جی. رو، اف. Arribas-Bel، D. یک شاخص جنگل شهری سلسله مراتبی با استفاده از تصاویر سطح خیابان و یادگیری عمیق. Remote Sens. 2019 , 11 , 1395. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. 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 ]
  19. لی، ایکس. ژانگ، سی. Li, W. بازیابی اطلاعات کاربری زمین شهری در سطح بلوک ساختمان بر اساس تصاویر نمای خیابان Google. GIScience Remote Sens. 2017 ، 54 ، 819-835. [ Google Scholar ] [ CrossRef ]
  20. ژانگ، ام. لیو، ی. لو، اس. گائو، اس. تحقیق در مورد استخراج اطلاعات شکاف جاده با نمای خیابان Baidu بر اساس روش یادگیری عمیق. در مجموعه مقالات مجله فیزیک: مجموعه کنفرانس، مانگالور، هند، 1 اوت 2020؛ پ. 012086. [ Google Scholar ]
  21. کوین، جی دبلیو. مونی، اس جی; شیهان، DM; تیتلر، جی. Neckerman، KM; کافمن، TK; لواسی، جی اس. بادر، MD; راندل، اختلال جسمانی محله AG در شهر نیویورک. J. Maps 2016 ، 12 ، 53-60. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. مارکو، ام. گراسیا، ای. مارتین-فرناندز، م. López-Quílez، A. اعتبارسنجی مقیاس مشاهده‌ای اختلال همسایگی مبتنی بر نمای خیابان Google. J. Urban Health 2017 ، 94 ، 190-198. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. بدلند، اچ ام. اوپیت، اس. ویتن، ک. کرنز، RA; Mavoa، S. آیا ممیزی های مجازی خیابان به طور قابل اعتمادی می توانند جایگزین ممیزی های فیزیکی نمای خیابان شوند؟ J. Urban Health 2010 ، 87 ، 1007-1016. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. ژو، اچ. او هست.؛ کای، ی. وانگ، ام. سو، اس. نابرابری های اجتماعی در پیاده روی بصری محله: استفاده از تصاویر نمای خیابان و فناوری های یادگیری عمیق برای تسهیل برنامه ریزی شهری سالم. حفظ کنید. جامعه شهرها 2019 ، 50 ، 101605. [ Google Scholar ] [ CrossRef ]
  25. 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 ]
  26. ژانگ، ال. پی، تی. وانگ، ایکس. وو، ام. آهنگ، سی. گوا، اس. چن، ی. کمی کردن ادراک بصری شهری از ساختمان‌های به سبک سنتی چینی با تصاویر نمای خیابان. Appl. علمی 2020 ، 10 ، 5963. [ Google Scholar ] [ CrossRef ]
  27. Hyam, R. نمونه برداری و طبقه بندی تصویر خودکار می تواند برای کاوش طبیعی بودن درک شده از فضاهای شهری استفاده شود. PLoS ONE 2017 , 12 , e0169357. [ Google Scholar ] [ CrossRef ]
  28. Plascak، JJ; راندل، AG; بابل، RA; Llanos، AAM؛ LaBelle، CM; استروپ، AM; مونی، SJ Drop-And-Spin حسابرسی محله مجازی: ارزیابی محیط ساخته شده برای ارتباط با مطالعات بهداشتی. صبح. J. قبلی پزشکی 2020 ، 58 ، 152-160. [ Google Scholar ] [ CrossRef ]
  29. بروکفیلد، ک. Tilley، S. استفاده از ممیزی های خیابانی مجازی برای درک قابلیت پیاده روی انتخاب مسیر افراد مسن بر اساس جنسیت و سن. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2016 ، 13 ، 1061. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. مونی، اس جی; دی ماجیو، سی جی؛ لواسی، جی اس. Neckerman، KM; بادر، MDM; تیتلر، جی. شیهان، DM; جک، DW; Rundle، AG استفاده از نمای خیابان Google برای ارزیابی مشارکت های محیطی در آسیب عابر پیاده. صبح. J. بهداشت عمومی 2016 ، 106 ، 462-469. [ Google Scholar ] [ CrossRef ]
  31. گولون، پ. بدلند، اچ ام. آلفایات، اس. بلال، یو. اسکوبار، اف. Cebrecos، A. دیز، جی. فرانکو، ام. ارزیابی محیط پیاده‌روی و دوچرخه‌سواری در خیابان‌های مادرید: مقایسه ممیزی‌های میدانی و مجازی. J. Urban Health 2015 ، 92 ، 923-939. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. کلی، سی ام. ویلسون، جی اس. بیکر، EA; میلر، DK; Schootman, M. استفاده از نمای خیابان گوگل برای ممیزی محیط ساخته شده: نتایج قابلیت اطمینان بین ارزیاب. ان رفتار پزشکی 2013 ، 45 ، S108–S112. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. هانیبوچی، تی. ناکایا، تی. Inoue, S. ممیزی مجازی مناظر خیابانی توسط کارگران جمعی. Health Place 2019 ، 59 ، 1-8. [ Google Scholar ] [ CrossRef ]
  34. قانون، اس. Seresinhe، CI; شن، ی. Gutierrez-Roig، M. Street-Frontage-Net: طبقه بندی تصویر شهری با استفاده از شبکه های عصبی کانولوشن عمیق. بین المللی جی. جئوگر. Inf. علمی 2018 ، در دست چاپ. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. نواک، تی. ووربک، ال. لری، ح. Zipf، A. Towards Towards Detecting نماهای ساختمان با آثار هنری گرافیتی بر اساس تصاویر نمای خیابان. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 98. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. لی، ایکس. ژانگ، سی. لی، دبلیو. آیا دید فضای سبز باعث افزایش ایمنی درک شده در مناطق شهری می شود؟ شواهد از مجموعه داده مکان پالس 1.0. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1166-1183. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. نایک، ن. راسکار، ر. شهرهای هیدالگو، کالیفرنیا نیز فیزیکی هستند: استفاده از بینایی کامپیوتری برای سنجش کیفیت و تاثیر ظاهر شهری. صبح. اقتصاد Rev. 2016 , 106 , 128-132. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. کای، بی. لی، ایکس. Ratti, C. کمی سازی پوشش سایبان شهری با شبکه های عصبی کانولوشنال عمیق. در مجموعه مقالات کارگاه هوش مصنوعی تغییر آب و هوا در NeurIPS (2019)، ونکوور، BC، کانادا، 14 دسامبر 2019. [ Google Scholar ]
  39. هو، اف. لیو، دبلیو. لو، جی. آهنگ، سی. منگ، ی. وانگ، جی. زینگ، اچ. عملکرد شهری به عنوان یک دیدگاه جدید برای ارزیابی کیفیت خیابان تطبیقی. پایداری 2020 ، 12 ، 1296. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  40. هارا، ک. لی، وی. Froehlich, J. ترکیب جمع‌سپاری و نمای خیابان گوگل برای شناسایی مشکلات دسترسی در سطح خیابان. در مجموعه مقالات کنفرانس SIGCHI در مورد عوامل انسانی در سیستم های محاسباتی، پاریس، فرانسه، 27 آوریل تا 2 مه 2013. صص 631-640. [ Google Scholar ]
  41. Plascak، JJ; شوتمن، م. راندل، AG; زینگ، سی. Llanos، AAM؛ استروپ، AM; Mooney، SJ ویژگی‌های پیش‌بینی فضایی ویژگی‌های محیط ساخته‌شده توسط ممیزی محله مجازی drop-and-spin ارزیابی شده است. بین المللی J. Health Geogr. 2020 ، 19 ، 21. [ Google Scholar ] [ CrossRef ]
  42. Uluengin، MB استانبول و کافی شاپ های موج سوم؟ کبریت ساخته شده در بهشت؟ در مجموعه مقالات تعاملات آرکی-فرهنگی از طریق چهارمین کنفرانس بین المللی جاده ابریشم، دانشگاه زنان موکوگاوا، نیشینومییا، ژاپن، 16-18 ژوئیه 2016; صص 53-56. [ Google Scholar ]
  43. اوسیپوف، وی. لاریونوف، وی. سوشچف، اس. فرولووا، ن. اوگاروف، آ. کوژارینوف، اس. بارسکایا، T. ارزیابی خطر لرزه ای برای منطقه سوچی بزرگ. منبع آب 2016 ، 43 ، 982-997. [ Google Scholar ] [ CrossRef ]
  44. لو، ی. لو، جی. ژانگ، اس. هال، ص. تشخیص و طبقه بندی سیگنال ترافیک در نمای خیابان با استفاده از مدل توجه. محاسبه کنید. Vis. رسانه 2018 ، 4 ، 253-266. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. بلالی، وی. عاشوری راد، ع. گلپرور فرد، م. تشخیص، طبقه بندی و نقشه برداری از علائم راهنمایی و رانندگی ایالات متحده با استفاده از تصاویر نمای خیابان گوگل برای مدیریت موجودی جاده ها. Vis. مهندس 2015 ، 3 ، 1-18. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. جیانگ، ز. چن، ال. ژو، بی. هوانگ، جی. زی، تی. فن، ایکس. Wang, C. iTV: استنتاج مکان‌های مستعد نقض ترافیک با مسیرهای خودرو و داده‌های محیط جاده. سیستم IEEE J. 2020 . [ Google Scholar ] [ CrossRef ]
  47. ورکمن، اس. ژای، م. کراندال، دی جی; Jacobs, N. یک مدل واحد برای سنجش نزدیک و از راه دور. در مجموعه مقالات کنفرانس بین المللی IEEE در بینایی کامپیوتر، ونیز، ایتالیا، 22 تا 29 اکتبر 2017؛ صص 2688-2697. [ Google Scholar ]
  48. 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 ]
  49. ایلیچ، ال. سوادا، م. Zarzelli، A. نقشه برداری عمیق در یک شهر بزرگ کانادا با استفاده از یادگیری عمیق و نمای خیابان گوگل. PLoS ONE 2019 , 14 , e0212814. [ Google Scholar ] [ CrossRef ]
  50. سریواستاوا، اس. بارگاس مونوز، جی. لوبری، اس. Tuia, D. خصوصیات کاربری زمین با دانه بندی ریز با استفاده از تصاویر زمینی: یک راه حل یادگیری عمیق بر اساس داده های موجود در سطح جهانی. بین المللی جی. جئوگر. Inf. علمی 2018 . در مطبوعات. [ Google Scholar ] [ CrossRef ]
  51. مارموت، ام. فریل، اس. بل، آر. هوولینگ، تاج. تیلور، اس. بستن شکاف در یک نسل: برابری سلامت از طریق اقدام بر روی عوامل اجتماعی تعیین کننده سلامت. Lancet 2008 ، 372 ، 1661-1669. [ Google Scholar ] [ CrossRef ]
  52. کلوز، سی. براجکوویچ پین، آر. دوایت، ای. Fauzul, AA; برتون، ام. کارلتون، او. کوک، جی. درولز، سی. فاکنر، آر. Furniss، M. الکل در مناظر خیابانی شهری: مقایسه استفاده از نمای خیابان گوگل و مشاهده در خیابان. BMC Public Health 2016 ، 16 ، 1-8. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. یوینگ، آر. حجرسولیها، ع. Neckerman، KM; پورسیل هیل، ام. ویژگی های Greene, W. Streetscape مربوط به فعالیت عابر پیاده. جی. پلان. آموزش. Res. 2016 ، 36 ، 5-15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. بیت لحم، JR; مکنباخ، جی دی. بن رباح، م. کامپرنول، اس. گلونتی، ک. باردوس، اچ. راتر، منابع انسانی؛ شاریر، اچ. اوپرت، جی.-م. Brug, J. ابزار ممیزی مجازی SPOTLIGHT: ابزاری معتبر و قابل اعتماد برای ارزیابی ویژگی های چاق زایی محیط ساخته شده. بین المللی J. Health Geogr. 2014 ، 13 ، 1-8. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. Feuillet، T. شاریر، اچ. رودا، سی. بن رباح، م. مکنباخ، جی دی. کامپرنول، اس. گلونتی، ک. باردوس، اچ. راتر، اچ. دوبوردوهویج، آی. و همکاران نوع شناسی محله بر اساس ممیزی مجازی ویژگی های چاقی محیطی: ممیزی مجازی و گونه شناسی محله چاق ها Rev. 2016 , 17 , 19-30. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. وانگ، آر. هلبیچ، ام. یائو، ی. ژانگ، جی. لیو، پی. یوان، ی. لیو، ی. سبزی شهری و رفاه روانی در بزرگسالان: تحلیل‌های میانجی‌گری مقطعی در مسیرهای متعدد در مقیاس‌های مختلف سبز. محیط زیست Res. 2019 ، 176 ، 108535. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  57. گریو، پی. هیلزدون، ام. فاستر، سی. کومبز، ای. جونز، ا. Wilkinson, P. توسعه و آزمایش ابزار ممیزی خیابانی با استفاده از نمای خیابان Google برای اندازه‌گیری حمایت‌های محیطی برای فعالیت بدنی. بین المللی جی. رفتار. Nutr. فیزیک عمل کنید. 2013 ، 10 ، 1-7. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. کیم، ای جی. برنده، جی. کیم، جی. آیا سئول راه رفتن است؟ ارزیابی نمره پیاده‌روی و بررسی رابطه آن با رضایت عابران پیاده در سئول، کره. پایداری 2019 ، 11 ، 6915. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  59. 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 ]
  60. Nesoff، ED; میلام، ای جی. پولاک، KM; کوریرو، اف سی؛ بووی، JV; Gielen، AC; روش‌های جدید Furr-Holden، DM برای ارزیابی زیست‌محیطی آسیب عابر پیاده: ایجاد و اعتبارسنجی فهرستی برای زیرساخت‌های ایمنی عابر پیاده. J. Urban Health 2018 ، 95 ، 208-221. [ Google Scholar ] [ CrossRef ]
  61. وانولگهم، جی. ون دایک، دی. دوچین، اف. دوبوردوهویج، آی. کاردون، جی. ارزیابی ویژگی‌های زیست‌محیطی مسیرهای دوچرخه‌سواری به مدرسه: مطالعه روی قابلیت اطمینان و اعتبار ممیزی مبتنی بر نمای خیابان Google. بین المللی J. Health Geogr. 2014 ، 13 ، 1-9. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. لو، ی. سرکار، سی. Xiao, Y. تأثیر فضای سبز سطح خیابان بر رفتار راه رفتن: شواهدی از هنگ کنگ. Soc. علمی پزشکی 2018 ، 208 ، 41-49. [ Google Scholar ] [ CrossRef ]
  63. شیائو، ی. ژانگ، ی. سان، ی. تائو، پی. Kuang, X. آیا فضای سبز واقعاً برای چاقی ساکنان اهمیت دارد؟ دیدگاهی جدید از نمای خیابان بایدو. جلو. بهداشت عمومی 2020 ، 8 ، 332. [ Google Scholar ] [ CrossRef ]
  64. جیانگ، ب. ایجاد منحنی‌های دوز-پاسخ برای تأثیر جنگل‌های شهری بر بازیابی از استرس حاد و ترجیح منظر . دانشگاه ایلینوی در Urbana-Champaign: Urbana-Champaign، IL، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  65. وو، جی. وانگ، بی. تا، ن. ژو، ک. چای، ی. آیا سرسبزی خیابان همیشه سفر فعال را ترویج می کند؟ شواهد از پکن شهری برای. سبز شهری. 2020 ، 56 . [ Google Scholar ] [ CrossRef ]
  66. ویلنوو، پی جی; Ysseldyk، RL; روت، ا. آمبروز، اس. دی موزیو، جی. کومار، ن. شحاتا، 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 ] [ PubMed ] [ نسخه سبز ]
  67. اگلی، وی. زین، سی. مکی، ال. دانلان، ن. ویلانووا، ک. ماووا، اس. اکستر، دی جی; وندویویوره، س. اسمیت، ام. مشاهده تبلیغات چاقی در محله های کودکان با استفاده از نمای خیابان گوگل. Geogr. Res. 2019 ، 57 ، 84–97. [ Google Scholar ] [ CrossRef ]
  68. نگوین، QC؛ هوانگ، ی. کومار، ا. دوان، اچ. کرالیس، جی.ام. دوویدی، پ. منگ، H.-W.; Brunisholz، KD; جی، جی. جوانمردی، م. استفاده از 164 میلیون تصویر نمای خیابان Google برای استخراج پیش‌بینی‌کننده‌های محیطی ساخته‌شده از موارد COVID-19. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 , 17 , 6359. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  69. 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 ]
  70. دونگ، آر. ژانگ، ی. ژائو، جی. خیابان های داخل حلقه ششم پکن چقدر سبز هستند؟ تحلیلی بر اساس تصاویر نمای خیابان تنسنت و شاخص نمای سبز. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 1367. [ Google Scholar ] [ CrossRef ][ Green Version ]
  71. برلند، ا. رومن، لس آنجلس; Vogt, J. آیا خدمه میدانی می توانند از راه دور کار کنند؟ کیفیت داده‌های متنوع از فهرست‌های درخت علم شهروندی که با استفاده از تصاویر سطح خیابان انجام شده است. Forests 2019 , 10 , 349. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. زنگ، پ. لیو، ایکس. ژائو، ی. گوا، اچ. لو، ی. Xue، سبزی خیابان در سطح چشم CQL و رفتارهای پیاده روی افراد مسن تر. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 6130. [ Google Scholar ] [ CrossRef ]
  73. 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. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 500. [ Google Scholar ] [ CrossRef ]
  74. سانچز، ام. استفاده از نمای خیابان گوگل برای بررسی اصالت‌گرایی سبز: مطالعه موردی در شیلی . دانشگاه ایالتی آیووا: ایمز، IA، ایالات متحده آمریکا، 2019. [ Google Scholar ]
  75. بله، ی. زی، اچ. نیش، جی. جیانگ، اچ. وانگ، دی. قیمت سبز و مسکن خیابان با دسترسی روزانه: اندازه‌گیری عملکرد اقتصادی مناظر خیابانی در مقیاس انسانی از طریق داده‌های شهری جدید. پایداری 2019 ، 11 ، 1741. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  76. چن، ال. یائو، ایکس. لیو، ی. زو، ی. چن، دبلیو. ژائو، ایکس. چی، تی. اندازه‌گیری تأثیرات عناصر محیطی شهری بر قیمت‌های مسکن بر اساس داده‌های چند منبعی – مطالعه موردی شانگهای، چین. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 106. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  77. ژانگ، ی. دونگ، آر. تأثیر فضای سبز قابل مشاهده در خیابان بر قیمت مسکن: شواهدی از یک مدل قیمت لذت‌بخش و مجموعه داده‌های عظیم نمای خیابان در پکن. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 104. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  78. منگ، ی. زینگ، اچ. یوان، ی. وانگ، ام اس؛ فن، ک. احساس فقر شهری: از منظر فضای سبز مبتنی بر ادراک انسانی و مناظر فضای باز. محاسبه کنید. محیط زیست سیستم شهری 2020 ، 84 ، 101544. [ Google Scholar ] [ CrossRef ]
  79. تاکیزاوا، ا. Kinugawa، H. مدل یادگیری عمیق برای بازسازی مناظر شهری سه بعدی با ایجاد نقشه های عمق از تصاویر همه جانبه و کاربرد آن در پیش بینی اولویت بصری. دس علمی 2020 ، 6 . [ Google Scholar ] [ CrossRef ]
  80. Cetiner، B. مدل سازی بر اساس تصویر پل ها و کاربردهای آن در ارزیابی تاب آوری شبکه های حمل و نقل . UCLA: لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 2020. [ Google Scholar ]
  81. میدل، ا. لوکاشیک، جی. زاکرزوسکی، اس. آرنولد، ام. Maciejewski، R. فرم شهری و ترکیب دره های خیابانی: یک داده های بزرگ انسان محور و رویکرد یادگیری عمیق. Landsc. طرح شهری. 2019 ، 183 ، 122-132. [ Google Scholar ] [ CrossRef ]
  82. سوئل، ای. پولاک، جی دبلیو. بنت، جی. عزتی، م. سنجش نابرابری های اجتماعی، محیطی و بهداشتی با استفاده از یادگیری عمیق و تصویرسازی خیابانی. علمی جمهوری 2019 ، 9 ، 6229. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  83. گبرو، تی. کراوز، جی. وانگ، ی. چن، دی. دنگ، ج. آیدن، EL; Fei-Fei, L. استفاده از یادگیری عمیق و نمای خیابان Google برای تخمین ترکیب جمعیتی محله‌ها در سراسر ایالات متحده. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2017 ، 114 ، 13108–13113. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  84. دیو، سی. للکاس، پ. دلوپولوس، الف. جانشین‌های مبتنی بر تصویر وضعیت اجتماعی-اقتصادی در محله‌های شهری با استفاده از یادگیری چند نمونه عمیق. J. Imaging 2018 ، 4 ، 125. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  85. آچاریا، ا. نیش، اچ. Raghvendra، S. Neighborhood Watch: استفاده از CNN برای پیش‌بینی براکت‌های درآمد از تصاویر نمای خیابان Google . دانشگاه استنفورد: استانفورد، کالیفرنیا، ایالات متحده آمریکا، 2017. [ Google Scholar ]
  86. ون هام، ام. مانلی، دی. بیلی، ن. سیمپسون، ال. Maclennan, D. (Eds.) تحقیقات اثرات محله: دیدگاه های جدید ; Springer: Dordrecht، هلند، 2012; ص 1-21. [ Google Scholar ]
  87. اسلاتر، تی. شانس زندگی شما بر محل زندگی شما تأثیر می گذارد: نقدی بر “صنعت کلبه” تحقیقات اثرات محله. بین المللی J. Urban Reg. Res. 2013 ، 37 ، 367-387. [ Google Scholar ] [ CrossRef ]
  88. Kronkvist، K. مشاهده اجتماعی سیستماتیک اختلال فیزیکی در محله‌های شهری درون شهری از طریق نمای خیابان گوگل: همبستگی بین اختلال فیزیکی مشاهده شده مجازی، اختلال خود گزارشی و قربانی شدن جرایم دارایی . دانشگاه مالمو: مالمو، سوئد، 2013. [ Google Scholar ]
  89. فو، ک. چن، ز. لو، سی.-تی. StreetNet: یادگیری ترجیحی با شبکه عصبی کانولوشنال بر درک جرم شهری در مجموعه مقالات بیست و ششمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، 6-9 نوامبر 2018؛ ص 269-278. [ Google Scholar ]
  90. 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، آمستردام، هلند، 11 تا 14 اکتبر 2016؛ صص 196-212. [ Google Scholar ]
  91. Choiri، HH کمی سازی و پیش بینی جذابیت شهری با داده های نمای خیابان و شبکه های عصبی کانولوشنال . دانشگاه صنعتی دلفت: دلفت، هلند، 2017. [ Google Scholar ]
  92. 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 ]
  93. نجفی زاده، ل. Froehlich، JE مطالعه امکان سنجی استفاده از نمای خیابان گوگل و بینایی کامپیوتری برای ردیابی تکامل دسترسی شهری. در مجموعه مقالات بیستمین کنفرانس بین المللی ACM SIGACCESS در مورد رایانه و دسترسی، گالوی، ایرلند، 22 تا 24 اکتبر 2018؛ صص 340-342. [ Google Scholar ]
  94. راندل، AG; بادر، MDM; ریچاردز، کالیفرنیا؛ Neckerman، KM; Teitler، JO استفاده از نمای خیابان گوگل برای ممیزی محیط های محله. صبح. J. قبلی پزشکی 2011 ، 40 ، 94-100. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  95. Odgers، CL; کاسپی، ع. بیتس، سی جی; سامپسون، RJ; Moffitt، TE مشاهده اجتماعی سیستماتیک محله های کودکان با استفاده از نمای خیابان گوگل: یک روش قابل اعتماد و مقرون به صرفه. جی روانی کودک. روانپزشکی 2012 ، 53 ، 1009-1017. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  96. زنگ، پ. لو، ی. ما، جی. زی، بی. وانگ، آر. لیو، ی. جداسازی انتخاب خود مسکونی از تأثیر ویژگی‌های محیط ساخته شده بر رفتارهای سفر برای افراد مسن. Soc. علمی پزشکی 2019 ، 238 ، 112515. [ Google Scholar ] [ CrossRef ]
  97. چانگ، اس. وانگ، ز. مائو، دی. گوان، ک. جیا، م. چن، سی. نقشه برداری از کاربری ضروری زمین شهری در چانگچون با استفاده از جنگل تصادفی و داده های جغرافیایی چند منبعی. Remote Sens. 2020 , 12 , 2488. [ Google Scholar ] [ CrossRef ]
  98. لارکین، ا. Hystad, P. ارزیابی معیارهای قرار گرفتن در معرض نمای خیابان فضای سبز قابل مشاهده برای تحقیقات بهداشتی. J. Expo. علمی محیط زیست اپیدمیول. 2019 ، 29 ، 447-456. [ Google Scholar ] [ CrossRef ]
  99. لیو، ز. یانگ، آ. گائو، ام. جیانگ، اچ. کانگ، ی. ژانگ، اف. Fei, T. به سمت امکان سنجی جاده فتوولتائیک برای برآورد ترافیک شهری- انرژی خورشیدی با استفاده از تصویر نمای خیابان. جی. پاک. تولید 2019 ، 228 ، 303-318. [ Google Scholar ] [ CrossRef ]
  100. اشتاینمتز-وود، ام. ولاوتاپیلایی، ک. اوبراین، جی. راس، NA ارزیابی محیط در مقیاس خرد با استفاده از نمای خیابان گوگل: ابزار سیستماتیک مجازی برای ارزیابی مناظر خیابان عابر پیاده (مجازی-STEPS). BMC Public Health 2019 ، 19 ، 1246. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  101. 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 ]
  102. چن، ایکس. منگ، کیو. هو، دی. ژانگ، ال. یانگ، جی. ارزیابی فضای سبز اطراف خیابان ها با استفاده از تصاویر نمای خیابان پانورامیک Baidu و نمایه نمای سبز پانورامیک. Forests 2019 , 10 , 1109. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  103. پلیاکاس، تی. هاکسورث، اس. سیلوروود، RJ; ننچهال، ک. گراندی، سی. آرمسترانگ، بی. Casas، JP; موریس، RW; ویلکینسون، پی. لاک، ک. بهینه‌سازی اندازه‌گیری ویژگی‌های مرتبط با سلامت محیط ساخته شده: مقایسه داده‌های جمع‌آوری‌شده توسط ممیزی‌های خیابانی، ممیزی‌های خیابان مجازی و منابع داده ثانویه معمول. Health Place 2017 ، 43 ، 75-84. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  104. گروبسیچ، TH; والاس، دی. چمبرلین، AW; نلسون، جی آر با استفاده از سیستم های هوایی بدون سرنشین (UAS) برای سنجش از راه دور اختلالات فیزیکی در محله ها. Landsc. طرح شهری. 2018 ، 169 ، 148-159. [ Google Scholar ] [ CrossRef ]
  105. هوانگ، دی. براین، ا. عمری، ل. کالپین، ا. اسمیت، ام. Egli، V. ایستگاه های اتوبوس در نزدیکی مدارس تبلیغات غذاهای ناسالم و نوشیدنی های شیرین. Nutrients 2020 , 12 , 1192. [ Google Scholar ] [ CrossRef ]
  106. کوهن، ن. کروبوک، ام. Caruso, O. Google-truthing برای ارزیابی نقاط داغ تغییر خرده فروشی مواد غذایی: تکرار نمای خیابان مقطعی از محیط های غذایی در برانکس، نیویورک. Health Place 2020 , 62 , 102291. [ Google Scholar ] [ CrossRef ]
  107. 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 ]
  108. ژانگ، دبلیو. ویتارانا، سی. لی، دبلیو. ژانگ، سی. لی، ایکس. والد، J. استفاده از یادگیری عمیق برای شناسایی قطب‌های ابزار با بازوهای متقاطع و تخمین مکان آنها از تصاویر نمای خیابان گوگل. Sensors 2018 , 18 , 2484. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  109. لی، ایکس. راتی، سی. سیفرلینگ، I. نقشه برداری از مناظر شهری در امتداد خیابان ها با استفاده از نمای خیابان گوگل. در مجموعه مقالات کنفرانس بین المللی کارتوگرافی، واشنگتن دی سی، ایالات متحده آمریکا، 2 تا 7 ژوئیه 2017؛ صص 341-356. [ Google Scholar ]
  110. فوربس. آیا جریان‌های درآمد غیر تبلیغاتی گوگل می‌تواند تأثیر کندی رشد تبلیغات را کاهش دهد؟ در دسترس آنلاین: https://www.forbes.com/sites/greatspeculations/2019/11/04/can-googles-non-advertising-revenue-streams-mitigate-impact-of-slowing-advertising-growth/?sh= 238ed5292652 (دسترسی در 28 مه 2021).
  111. Singh، I. دیوانه، تکان دهنده، ظالمانه: توسعه دهندگان به تغییرات در Google Maps API واکنش نشان می دهند. در دسترس آنلاین: https://geoawesomeness.com/developers-up-in-arms-over-google-maps-api-insane-price-hike/ (در 12 نوامبر 2020 قابل دسترسی است).
  112. دارچین، جی. عدالت داده های بصری؟ داده‌سازی غیررسمی شهری در آفریقای جنوبی با استفاده از فناوری‌های تصویربرداری 360 درجه . موسسه توسعه جهانی، دانشگاه منچستر: منچستر، بریتانیا، 2019. [ Google Scholar ]
  113. تیلور، ال. فلوریدی، ال. van der Sloot, B. (Eds.) حریم خصوصی گروه: چالش های جدید فناوری های داده ; Springer: Dordrecht، هلند، 2017. [ Google Scholar ]
  114. نمای سفر. دوربین‌های نمای خیابان Google—بیشتر از آنچه در چشم دیده می‌شود. در دسترس آنلاین: https://www.trekview.org/blog/2019/google-street-view-cameras-more-than-meets-the-eye/ (در 9 ژانویه 2021 قابل دسترسی است).
  115. گوگل. Environmental Insights Explorer—Labs: Air Quality. در دسترس آنلاین: https://insights.sustainability.google/labs/airquality (در 22 مه 2021 قابل دسترسی است).
  116. Carbonell-Carrera، C.; Saorín، JL Geospatial Google Street View با واقعیت مجازی: رویکردی انگیزشی برای آموزش آموزش فضایی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 261. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Ijgi 10 00471 g001 550
شکل 1. نمونه بررسی محدوده بر اساس سال انتشار.
Ijgi 10 00471 g002 550
شکل 2. حوزه های کاربردی تحقیقات شهری. توجه داشته باشید که برخی از مطالعات در بیش از یک دسته تحقیقاتی قرار گرفتند.

دسته‌بندی نشده

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید