خلاصه

عناصر مختلف محیطی شهری ارزش سلامتی و رفاهی را برای ساکنان فراهم می کند. مردم مایلند برای محیطی بهتر هزینه پرداخت کنند. بنابراین، ارزیابی فواید و ارزش های این عناصر محیطی ضروری است. با این حال، محدود به تفسیرپذیری مدل یادگیری ماشین، مطالعات موجود نمی تواند به طور کامل روابط غیرخطی پیچیده بین قیمت مسکن و عناصر محیطی، و همچنین تغییرات فضایی اثرات عناصر محیطی شهری بر قیمت مسکن را کشف کند. این مطالعه تأثیرات عناصر محیطی شهری را بر قیمت مسکن مسکونی بر اساس داده‌های چند منبعی در شانگهای بررسی کرد. یک روش توضیح افزودنی SHapley (SHAP) برای توضیح تأثیرات عناصر محیطی شهری بر قیمت مسکن معرفی شد. با ترکیب مدل یادگیری گروهی و SHAP، مشارکت ویژگی‌های محیطی حاصل از داده‌های نمای خیابان و داده‌های سنجش از دور محاسبه و نقشه‌برداری شد. نتایج تجربی نشان می دهد که تمام ویژگی های محیطی شهری 16 درصد از قیمت مسکن در شانگهای را تشکیل می دهند. روابط بین قیمت مسکن و دو ویژگی سبز (شاخص نمای سبز از داده های نمای خیابان و نرخ پوشش سبز شهری از سنجش از دور) هر دو غیر خطی هستند. خریداران خانه شانگهای تنها زمانی مایل به پرداخت حق بیمه برای رنگ سبز هستند که شاخص نمای سبز یا نرخ پوشش سبز شهری ارزش بالاتری داشته باشد. با این حال، بین تأثیرات شاخص نمای سبز و نرخ پوشش سبز شهری بر قیمت مسکن تفاوت‌های معناداری وجود دارد. شاخص نمای آسمان تاثیر منفی بر قیمت مسکن دارد که احتمالاً به این دلیل است که منطقه مسکونی پر تراکم و بلند مرتبه اغلب امکانات زندگی بهتری دارد. ساکنان شانگهای مایل به پرداخت حق بیمه برای پوشش بالای آب شهری هستند. مورد شانگهای نشان می دهد که چارچوب پیشنهادی عملی و کارآمد است. اعتقاد بر این است که این چارچوب ابزاری برای اطلاع رسانی تصمیمات خریداران مسکن، توسعه دهندگان ملک و سیاست های مربوط به خرید و فروش زمین، توسعه املاک و بهبود محیط شهری است.

کلید واژه ها:

نمای خیابان ؛ سنجش از دور ؛ عناصر محیطی شهری ; یادگیری گروهی ; نمای سبز ؛ نمای آسمان ; نمای ساختمان ؛ SHAP

1. معرفی

فضاهای سبز شهری، آسمان و سایر عناصر محیطی شهری می توانند به طور قابل توجهی بر کیفیت زندگی شهری تأثیر بگذارند [ 1 ، 2 ]. مطالعات مختلف نشان داده است که عناصر محیطی شهری بر سلامت جسمی و روانی افراد تأثیر بسزایی دارد. به عنوان مثال، فضاهای سبز شهری دارای مزایای اکولوژیکی متعددی هستند، از جمله تصفیه هوا [ 3 ، 4 ]، تنظیم آب و هوا [ 5 ]، ذخیره کربن [ 6 ] و کاهش نویز [ 7 ]. علاوه بر این، فضاهای سبز فضاهای زیادی را برای تخلیه فشار فراهم می کنند و در نتیجه بر سلامت روان تأثیر مثبت می گذارند [ 8 ، 9 ، 10 ].]. سطوح بالاتر دید آسمان با ناراحتی روانی کمتر مرتبط بود [ 11 ]. برخلاف فضای سبز و آسمان، ساختمان‌های مرتفع باعث می‌شوند مردم احساس استرس کنند [ 12 ]. با شهرنشینی سریع و بهبود استانداردهای زندگی، نگرانی فزاینده در مورد کیفیت و کمیت عناصر محیطی شهری در سراسر جهان افزایش یافته است. بسیاری از مردم ترجیح مشخصی برای عناصر طبیعی نسبت به عناصر محیطی ساخته شده نشان می دهند [ 13 ]. این ترجیح اغلب با انتخاب مسکن مصرف کنندگان در بازار مسکن مسکونی نشان داده می شود. مردم مایل به پرداخت هزینه اضافی برای خانه ای با عناصر محیطی طبیعی بیشتر هستند [ 14 ].
متغیرهای توضیحی قیمت مسکن به طور گسترده در ادبیات مسکن مورد بحث قرار گرفته است. بانگورا، لی و الماسوم توانایی اصول بازار در توضیح قیمت مسکن از منظر اقتصاد کلان را مورد بحث قرار دادند [ 15 ، 16 ، 17 ]، در حالی که تروجانک و یاماگاتا اهمیت ویژگی های مسکن را در توضیح قیمت مسکن از منظر اقتصاد خرد بررسی کردند [ 18 ، 19 ]. در سال‌های اخیر، تحقیقات زیادی به بررسی تأثیرات عناصر محیطی بر قیمت مسکن پرداخته‌اند. به عنوان مثال، خانه ای با منظره آب می تواند در هلند 8 تا 10 درصد حق بیمه را جذب کند [ 20 ]]. در گوانگژو، منظره فضاهای سبز و نزدیکی به بدنه‌های آبی می‌تواند منجر به افزایش قابل توجه قیمت خانه شود که به ترتیب 7.1% و 13.2% سهم دارند [ 1 ]. یک درخت خیابانی اضافی، قیمت اجاره ماهانه یک خانه را 21 دلار در پورتلند، اورگان، ایالات متحده آمریکا افزایش می دهد [ 21 ]. در سنگاپور، پوشش گیاهی اثرات مثبتی بر قیمت مسکن داشت که 3 درصد از ارزش ملک را تشکیل می‌داد [ 22 ]. برعکس، هر دو نمای خیابان و ساختمان قیمت مسکن را کاهش می‌دهند، با تأثیر نمای خیابان مهم‌تر از نمای ساختمان در هنگ کنگ [ 23 ]. با این حال، اکثر مطالعات موجود با استفاده از داده‌های پیمایش میدانی، تأثیرات عناصر محیطی شهری بر قیمت مسکن را تحلیل می‌کنند [ 1، 24 ] و داده های سنجش از دور ماهواره ای [ 25 ، 26]. داده‌های پیمایش میدانی زمان‌بر است و به سختی می‌توان آن را در مطالعات مقیاس بزرگ به کار برد. داده‌های سنجش از راه دور ماهواره‌ای با چشم‌انداز دید بالای سر و وضوح مکانی-زمانی محدود می‌شوند. تصاویر نمای خیابان فرصت جدیدی را برای به دست آوردن عناصر محیطی شهری به ارمغان می آورد. این نوع داده ها دارای مزایای به دست آوردن آسان، پوشش گسترده و وضوح فضایی بالا هستند. مهمتر از همه، تصاویر نمای خیابان نمایانگر یک چشم انداز افقی است که به درک عمومی از عناصر محیطی شهری نزدیکتر است. توسعه سریع بینایی کامپیوتر روشی کارآمد برای استخراج اطلاعات تصاویر نمای خیابان فراهم می کند. در این زمینه، تعداد زیادی از مطالعات برای اندازه گیری رنگ سبز در سطح خیابان [ 27 ]، برآورد الگوهای مکانی – زمانی تحرک شهری [27] انجام شده است.28 ]، رابطه بین نمای خیابان و ایمنی درک شده [ 29 ] را بررسی کرده و کیفیت بصری محیط شهری را ارزیابی می کند [ 30 ] بنابراین، در این مطالعه از داده های نمای خیابان برای ارزیابی رابطه بین عناصر محیطی شهری و قیمت مسکن استفاده می شود.
اکثر مطالعات موجود در مورد تأثیر عناصر محیطی شهری بر قیمت مسکن از مدل قیمت‌گذاری لذت‌گرا (HPM) به عنوان روش تحقیق استفاده کردند. این روش فرض می‌کند که املاک و مستغلات ناهمگن هستند و سه نوع ویژگی تأثیر قابل‌توجهی بر قیمت مسکن دارند، یعنی ویژگی‌های ساختار، محله و مکان [ 31 ، 32 ]. در تحقیقات تجربی، HPM عمدتاً دارای سه شکل است، از جمله مدل‌های خطی [ 24 ، 30 ]، مدل‌های نیمه لاگ [ 1 ] و مدل‌های دو لگاریتمی [ 33 ]. با این حال، اکثر مطالعات رگرسیون خطی را با HPM ترکیب می‌کنند تا تأثیر متغیرهای مستقل مختلف را تفسیر کنند [ 34 ، 35]. مهم نیست که HPM کدام شکل باشد، تنها تبدیل لاگ متغیرهای مستقل یا متغیرهای وابسته برای کاهش ناهمسانی مدل انجام می شود. بنابراین، مدل لذت‌گرا محدود به آشکار کردن روابط غیرخطی پیچیده بین قیمت مسکن و انواع عوامل بالقوه است [ 36 ]]. علاوه بر این، ترکیب رگرسیون خطی و HPM تأثیر یک مشخصه مسکن بر قیمت مسکن را با مقدار این مشخصه و همان ضرایب رگرسیون متناظر معادله رگرسیون توضیح می‌دهد. بنابراین، این روش نمی تواند تغییرات فضایی سهم هر مشخصه را آشکار کند. برای پرداختن به این مشکلات، ما یک چارچوب تحلیلی را پیشنهاد می‌کنیم که ترکیبی از یادگیری گروهی و توضیحات افزودنی SHapley (SHAP) است. با ترکیب روش‌های یادگیری ماشینی فردی برای تشکیل یک طبقه‌بندی‌کننده جدید، الگوریتم‌های یادگیری مجموعه‌ای مانند رگرسیون جنگل تصادفی (RFR) و رگرسیون XGBoost (XGBoost) عملکرد بهتری نسبت به هر یک از الگوریتم‌های فردی دارند [ 37 ].]. در مقایسه با روش‌های سنتی، این الگوریتم‌های یادگیری گروهی مزایای آشکاری را در سه جنبه نشان می‌دهند: (1) قابلیت گرفتن روابط غیرخطی، (2) دقت پیش‌بینی بالا و (3) قابلیت گرفتن تعاملات مرتبه بالا بین ورودی‌ها. مطالعات اخیر قیمت مسکن شهری مزیت الگوریتم های یادگیری گروهی را نسبت به روش های سنتی نشان داده است [ 28 ، 38 ]. هو عملکرد شش الگوریتم یادگیری ماشین را در نظارت بر قیمت اجاره مسکن مقایسه کرد و دریافت که ExtraTrees و RFR نتایج بهتری دریافت می کنند [ 39 ]]. با این حال، از آنجایی که ماهیت مدل‌های یادگیری گروهی، مدل‌های قابل تفسیر نیستند، تقریباً همه این مطالعات تنها در اندازه‌گیری تأثیرات یک ویژگی مسکن بر قیمت مسکن اهمیت دارند. تجزیه و تحلیل سهم هر یک از ویژگی ها در قیمت مسکن دشوار است. SHAP که بر اساس مقادیر بهینه Shapley بازی است، در این محدوده خاص قرار می گیرد و فرصت جدیدی برای حل این مشکل فراهم می کند. بر خلاف روش‌هایی که یک پیش‌بینی‌کننده جهانی خاص ارائه می‌کنند، چارچوب SHAP توضیحی از رفتار کلی مدل در قالب مشارکت‌های ویژگی خاص ارائه می‌کند. بنابراین، از این روش می توان برای توضیح تغییرات فضایی سهم هر مشخصه و روابط غیرخطی پیچیده بین هر مشخصه و قیمت مسکن استفاده کرد.40 ، 41 ].
به طور خلاصه، مشارکت های اصلی این مطالعه به شرح زیر است. (1) با توجه به درک محیط شهری از منظر نمای افقی، که می تواند برای مردم عادی آسان تر باشد، از داده های نمای خیابان برای محاسبه ویژگی های محیطی استفاده می شود. (2) الگوریتم‌های رگرسیون یادگیری مجموعه‌ای مبتنی بر درخت برای مدل‌سازی قیمت مسکن و روشی برای توضیح این مدل‌های یادگیری گروهی استفاده می‌شوند – SHAP برای تفسیر روابط بین عناصر محیطی شهری و قیمت مسکن معرفی شده است. با ترکیب الگوریتم‌های رگرسیون یادگیری مجموعه‌ای مبتنی بر درخت و مدل SHAP، روابط پیچیده و غیرخطی بین بیشتر عناصر محیطی و قیمت مسکن آشکار می‌شود که نسبت به نتایج مطالعات قبلی مفصل‌تر است. (3) مدل های SHAP برای تجزیه و تحلیل جغرافیایی قیمت مسکن استفاده می شود. توزیع فضایی SHAP برای پنج ویژگی محیطی برای بهبود درک تغییرات فضایی سهم هر ویژگی محیطی شهری ترسیم شد. (4) تأثیرات شاخص نمای سبز از داده های نمای خیابان و نرخ پوشش سبز از داده های سنجش از دور در این مطالعه مقایسه شده است. تأثیرات متفاوت عناصر محیطی شهری یکسان از دیدگاه‌های مشاهدات مختلف، بینش جدیدی را در مورد تحقیقات محیط شهری ارائه می‌کند. (4) تأثیرات شاخص نمای سبز از داده های نمای خیابان و نرخ پوشش سبز از داده های سنجش از دور در این مطالعه مقایسه شده است. تأثیرات متفاوت عناصر محیطی شهری یکسان از دیدگاه‌های مشاهدات مختلف، بینش جدیدی را در مورد تحقیقات محیط شهری ارائه می‌کند. (4) تأثیرات شاخص نمای سبز از داده های نمای خیابان و نرخ پوشش سبز از داده های سنجش از دور در این مطالعه مقایسه شده است. تأثیرات متفاوت عناصر محیطی شهری یکسان از دیدگاه‌های مشاهدات مختلف، بینش جدیدی را در مورد تحقیقات محیط شهری ارائه می‌کند.
ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 منطقه مورد مطالعه، داده ها و روش های مورد استفاده در این مطالعه را معرفی می کند. بخش 3 نتایج تحقیق را ارائه می کند و دلایل پشت این نتایج و پیشنهاداتی برای کار آینده را مورد بحث قرار می دهد. بخش 4 نتیجه گیری از مطالعه ما را ارائه می دهد.

2. داده ها و روش ها

2.1. منطقه مطالعه

شانگهای، یکی از قطب های مالی، تجاری، اقتصادی و کشتیرانی در جهان، در سواحل شرقی چین واقع شده است. از زمان اجرای اصلاحات مسکن که سیستم مسکن را از مدل تخصیص اداری به مدل مکانیزم بازار در سال 1980 تبدیل کرد، قیمت مسکن در شانگهای در طول سال‌ها افزایش یافته است [ 42 ]. در حال حاضر، شانگهای به یکی از گران ترین بازارهای مسکن تبدیل شده است که تعداد زیادی معاملات مسکن در آن وجود دارد. منطقه درون جاده کمربندی بیرونی، که دارای تراکم جمعیت 17070 در هر کیلومتر مربع است، به عنوان شهر مرکزی شانگهای در نظر گرفته می شود [ 43 ].]. با چنین جمعیت پرتراکمی، تعداد زیادی از معاملات مسکن در این منطقه رخ می دهد. بنابراین، یک تجزیه و تحلیل تجربی در منطقه در داخل جاده کمربندی بیرونی می تواند منابع ضروری برای مطالعات مربوطه را فراهم کند. مناطق مورد مطالعه در این مقاله در شکل 1 الف نشان داده شده است.

2.2. چارچوب کلی روش شناختی

شکل 2 چارچوب کلی روش شناختی را نشان می دهد که سه مرحله اصلی را برای تکمیل تحلیل دنبال می کند. ابتدا داده‌های چند منبعی جمع‌آوری و پاکسازی شد تا قیمت مسکن و ویژگی‌های مربوطه در سطح جامعه استخراج شود. دوم، ما از این قیمت‌ها و ویژگی‌های مسکن برای انتخاب مناسب‌ترین مدل یادگیری ماشین استفاده کردیم. در نهایت، با وارد کردن مدل یادگیری ماشین انتخاب شده و ویژگی‌های جوامع در مدل توضیح افزودنی SHAPley (SHAP)، مقدار SHAP این ویژگی‌ها برای تجزیه و تحلیل اهمیت جهانی ویژگی‌ها و سهم ویژگی‌های محیطی شهری محاسبه شد.

2.3. استخراج ویژگی ها

در چین، به شکل یک منطقه مسکونی دردار، یک جامعه به عنوان یک واحد مدیریت پایه برنامه ریزی شهری در نظر گرفته می شود [ 44 ]. علاوه بر این، خانه‌هایی که در یک جامعه قرار دارند، محیط شهری مشابهی دارند. بنابراین، جوامع را به عنوان واحدهای تحلیلی پایه در این مقاله انتخاب کردیم. با خزیدن نقشه های بایدو، 7043 مرز جامعه را در منطقه مورد مطالعه به دست آوردیم ( شکل 1 ب). تمام مشخصات مسکن درگیر در این مطالعه برای مطالعه بیشتر به همان واحدهای اجتماعی تبدیل شد.

2.3.1. قیمت مسکن

در این مطالعه، بر اساس یک خزنده وب، ما داده‌های معاملاتی تاریخی خانه‌های دارای مالکیت قبلی را از Lianjia.com در سال 2018 جمع‌آوری کردیم. چهار مرحله در پردازش داده‌های معاملات خانه‌های دارای مالکیت قبلی وجود داشت. ابتدا، یک خزنده وب برای دانلود داده‌های تراکنش تاریخی خانه‌های دارای مالکیت، که در سال 2018 از Lianjia.com رخ داد، استفاده شد. داده های معاملات تعدادی ویژگی مسکن از جمله آدرس، نام جامعه، قیمت کل، مساحت کل، قیمت هر متر مربع، آسانسور و زمان ساخت ساختمان را ثبت کردند. سپس، داده‌های جمع‌آوری‌شده برای (1) رکوردهایی که موقعیت مکانی آن‌ها در خارج از منطقه در داخل جاده کمربندی بیرونی قرار دارند پاک شدند. (2) رکوردهایی با ویژگی های مهم از دست رفته، مانند “آسانسور” و “زمان ساخت ساختمان” و (3) رکوردهای مکرر. سرانجام، قیمت هر متر مربع برای هر جامعه به طور متوسط ​​محاسبه شد. در نتیجه پردازش داده‌های معاملاتی مسکن، 2547 واحد مطالعه با داده‌های معاملاتی تاریخی مشاهده شده به دست آمد.شکل 3 توزیع فضایی قیمت مسکن در سطح جامعه را نشان می دهد.
2.3.2. ویژگی‌های محیطی شهری از داده‌های نمای خیابان
داده‌های نمای خیابان عناصر محیطی شهری را از منظر نمای افقی نشان می‌دهند که به درک عموم مردم نزدیک‌تر است و برای مردم عادی درک آن آسان‌تر است. بنابراین، از داده‌های نمای خیابان برای اندازه‌گیری تأثیر عناصر محیطی شهری بر قیمت مسکن در این مطالعه استفاده شد.
فرآیند محاسبه ویژگی‌های محیطی شهری از داده‌های نمای خیابان شامل سه مرحله است: خزیدن داده‌های نمای خیابان، استخراج عناصر محیطی و محاسبه مشخصه.
ابتدا، ما جاده های اصلی را در محدوده جاده کمربندی بیرونی بر اساس مجموعه داده OpenStreetMap شانگهای انتخاب کردیم. پس از آن، خطوط مرکزی این جاده های اصلی استخراج شد و سپس، سایت های نمونه نمای خیابان را در امتداد خطوط مرکزی در فواصل 50 متری بدست آوردیم. هر سایت نمونه با یک تصویر نمای خیابان پانوراما نشان داده شد. در نهایت، با وارد کردن مختصات مکانی سایت‌های نمونه در یک API تصویر ایستا Baidu، ما 84520 تصویر نمای خیابان پانوراما را که در آگوست و سپتامبر 2017 به دست آمدند، خزیدیم. هر یک از آنها دارای اندازه 1024 در 290 پیکسل هستند.

در این مطالعه، ما عمدتا بر روی سه عنصر محیطی نمای افقی شامل سبز، آسمان و ساختمان تمرکز کردیم. هر یک از عناصر به عنوان نسبت پیکسل های مرتبط با عنصر خاص به کل پیکسل ها در یک تصویر نمای خیابان تعریف شد. به طور خاص، مقادیر شاخص نمای سبز (GVI)، شاخص نمای آسمان (SVI) و شاخص نمای ساختمان (BVI) با معادلات زیر محاسبه شدند:

GVI = پیکسل هاسبزپیکسل هاجمع
SVI = پیکسل هاآسمانپیکسل هاجمع
BVI = پیکسل هابتومنلدمنngپیکسل هاجمع
توسعه سریع بینایی کامپیوتر، به ویژه شبکه عصبی کانولوشن عمیق (DCNN)، روش جدیدی را برای استخراج اطلاعات تصاویر ارائه می دهد. DCNN های پیشرفته مانند SegNet [ 45 ]، PSPNet [ 46 ] و DeepLabv3 [ 47 ] برای تقسیم بندی معنایی تصویر به کار گرفته شدند و عملکرد فوق العاده ای در تفسیر تصویر از خود نشان دادند [ 27 ]. در این مطالعه، DeepLabv3، یکی از محبوب‌ترین مدل‌های تقسیم‌بندی معنایی تصویر، برای استخراج عناصر محیطی سطح خیابان در سطح پیکسل استفاده شد. شکل 4نمودارهای جریان تقسیم بندی معنایی تصاویر نمای خیابان را نشان می دهد. DeepLabv3 ابتدا با استفاده از مجموعه داده Cityscapes از قبل آموزش داده شد و سپس برای بخش بندی داده های نمای خیابان برای استخراج فضای سبز، آسمان و ساختمان استفاده شد. DeepLabv3 برای حل مشکل بخش‌بندی اشیاء در مقیاس‌های چندگانه، یک پیچش آتروس را با فیلترهای نمونه‌سازی شده ترکیب می‌کند. عملکرد این مدل بهتر از مدل‌های پیشرفته در معیار تقسیم‌بندی تصویر معنایی PASCAL VOC 2012 [ 47 ] بود. مجموعه داده Cityscapes برای پیش‌آموزش مدل DeepLabv3 استفاده شد. Cityscapes یک مجموعه داده در مقیاس بزرگ است که شامل انواع توالی های ویدئویی استریو در سطح خیابان از 50 شهر مختلف است. پنج هزار مورد از این تصاویر دارای برچسب گذاری سطح پیکسل با کیفیت بالا هستند [ 48]. DeepLabv3 در مجموعه داده Cityscapes به دقت 81.3 درصد دست یافت. پیکربندی دستگاه‌های سخت‌افزاری مورد استفاده در این مطالعه عبارت‌اند از یک CPU Intel i7-8700k، یک کارت گرافیک NVIDIA 1080ti با 12 گیگابایت حافظه ویدیویی و 32 گیگابایت حافظه فیزیکی. سیستم عامل کامپیوتر 64 بیتی ویندوز 10 حرفه ای است.
برای محاسبات ویژگی‌ها، GVI، SVI و BVI برای هر جامعه با بافر شعاع 400 متر برای به دست آوردن ویژگی‌های محیطی در سطح جامعه به‌طور میانگین محاسبه شد. دلیل اینکه ما 400 متر را انتخاب کردیم این است که ریشه مربع میانگین مساحت جوامع شانگهای حدود 400 متر است و دامنه زندگی عمومی شهروندان به خوبی توسط این بافر پوشش داده شده است. تمایل به خرید خانه نه تنها تحت تأثیر منظره آپارتمان آنها بلکه تحت تأثیر دیدگاه زندگی عمومی آنها نیز قرار می گیرد. پس از محاسبه، 115 سایت نمونه در هر جامعه وجود داشت.
2.3.3. ویژگی های محیطی شهری از داده های سنجش از دور
برای مقایسه ویژگی‌های محیطی شهری به دست آمده از داده‌های نمای خیابان با ویژگی‌های سنجش از دور، داده‌های GaoFen-1 برای محاسبه نرخ پوشش سبز شهری (UG) و نرخ پوشش آب شهری (UW) استفاده شد. چهار تصویر GaoFen-1 مورد استفاده در این مقاله در آوریل و می 2015 به دست آمد که همه آنها شامل چهار باند چند طیفی با وضوح فضایی 8 متر و یک باند پانکروماتیک با وضوح فضایی 2 متر بودند. طبقه بندی نظارت شده برای استخراج سبز و آب توسط ابزار ماشین بردار پشتیبان (SVM) در ENVI 5.3 انجام شد. به طور مشخص 80 نمونه آب سبز و 80 نمونه آب به صورت تصادفی با تفسیر دیداری انتخاب شدند. برای هر نوع پوشش زمین، 50 نمونه برای مدل طبقه بندی آموزشی و 30 نمونه برای آزمایش انتخاب شد. عملکرد طبقه‌بندی با ماتریس سردرگمی نمونه‌های آزمایشی ارزیابی شد. دقت کل 96.75% و ضریب کاپا 0.9578 بود. نتایج طبقه بندی در نشان داده شده استشکل 5 . برای محاسبات ویژگی‌ها، UG و UW برای هر جامعه با یک بافر شعاع 400 متر برای به دست آوردن ویژگی‌های محیطی از داده‌های سنجش از دور در سطح جامعه به‌طور میانگین محاسبه شد.
2.3.4. سایر خصوصیات
با توجه به ویژگی‌های داده‌های معاملات خانه‌های دارای مالکیت قبلی و مقیاس فضایی واحدهای مورد مطالعه، سال ساخت (YEAR)، میانگین مساحت ساخت آپارتمان (AREA)، نسبت قطعه (PR) و اینکه آیا آسانسور موجود است (EL) به عنوان ویژگی های سازه انتخاب شدند. متغیر AREA باید معرفی شود، زیرا آن منطقه به طور قابل توجهی بر قیمت مسکن در کلان شهرهای چین تأثیر می گذارد. به طور خاص، خانه های کوچک اغلب قیمت بالاتری برای هر متر مربع دارند زیرا قیمت کل پایین تر است. خانه های بزرگ (مساحت > 200 متر مربع) همچنین به دلیل امکانات و مدیریت بهتر قیمت هر متر مربع بالاتری دارند. EL در داده های تراکنش اصلی یک متغیر ساختگی است. اگر آسانسور در ساختمان آپارتمان موجود باشد، مقدار آن 1 است. در غیر این صورت، مقدار 0 است. برای روابط عمومی، نسبت قطعه یک جامعه با تقسیم مساحت ناخالص طبقه ساختمان بر مساحت کل مساحت جامعه که ساختمان بر روی آن ساخته شده است، به دست آمد. در این مطالعه، این متغیر با استفاده از ردپای ساختمان و داده های جامعه بایدو محاسبه شد.
برای ویژگی های مکان، فاصله تا مرکز شهر (C_DIS)، مرکز اشتغال شهر (EC_DIS)، رودخانه (R_DIS) و رودخانه Huangpu (HPR_DIS) انتخاب شدند. در جزئیات، Bund به عنوان مرکز شهر شانگهای انتخاب شد و مرکز اشتغال شناسایی شده توسط Sun در این مطالعه استفاده شد [ 49 ]. دلیل انتخاب HPR_DIS این است که فاصله از مرکز هر محله تا رودخانه Huangpu به طور قابل توجهی بر قیمت مسکن مسکونی تأثیر می گذارد. قیمت مسکن با افزایش فاصله کاهش می یابد [ 30 ].
برای ویژگی‌های محله، متغیرهایی که دسترسی به ایستگاه‌های اتوبوس، ایستگاه‌های مترو، مدارس ابتدایی و بیمارستان‌های درجه یک در کلاس 3 (بیمارستان‌هایی با امکانات و خدمات با کیفیت بالا) را اندازه‌گیری می‌کنند، در مطالعه ما گنجانده شدند. با استفاده از داده‌های نقاط مورد علاقه (POI) جمع‌آوری‌شده از نقشه بایدو، فاصله هر جامعه تا نزدیک‌ترین مرکز آن و تعداد امکانات در یک فاصله مشخص محاسبه شد. به طور خاص، 500 متر و 1000 متر به عنوان آستانه فاصله در محاسبه تراکم، با توجه به دایره زندگی اجتماعی 15 دقیقه پیشنهاد شده توسط دولت چین انتخاب شدند.
آمار توصیفی کلی از ویژگی های مسکن انتخاب شده در جدول 1 نشان داده شده است.

2.4. الگوریتم های یادگیری گروهی

روابط بین قیمت مسکن و ویژگی های مسکن پیچیده و غیرخطی است. با ترکیب دسته‌ای از مدل‌های فردی و میانگین‌گیری نتایج فردی، الگوریتم‌های یادگیری گروهی انعطاف‌پذیرتر و کمتر به داده حساس هستند. بنابراین، الگوریتم‌های یادگیری گروهی برای مدل‌سازی قیمت مسکن مناسب هستند. متداول‌ترین روش‌های یادگیری گروهی، کیسه‌زنی و تقویت است. تفاوت بین این دو روش در این است که روش‌های بسته‌بندی تعدادی از مدل‌ها را توسط زیرمجموعه‌ای تصادفی از داده‌های قطار به صورت موازی آموزش می‌دهند در حالی که روش‌ها، مدل‌ها را به روشی متوالی برای یادگیری اشتباهات مدل قبلی آموزش می‌دهند. در این مطالعه، از سه الگوریتم یادگیری مجموعه‌ای مبتنی بر درخت و رگرسیون خطی برای مدل‌سازی قیمت مسکن برای انتخاب الگوریتم استفاده شد. رگرسیون جنگل تصادفی (RFR) از کیسه بندی به عنوان روش مجموعه و درخت تصمیم به عنوان مدل فردی استفاده می کند. از آنجایی که RFR هر درخت را به طور مستقل آموزش می دهد و از زیرمجموعه های تصادفی از مجموعه آموزشی استفاده می کند، این روش کمتر برازش می کند [50 ]. رگرسیون افزایش گرادیان (GBR)، یک مدل تقویت کننده، درختان را یکی یکی می سازد، جایی که هدف هر درخت جدید تصحیح اشتباهات در پیش بینی های انجام شده توسط همه درختان قبلی است [ 51 ]. XGBoost با دستیابی به دقت بالا در طیف وسیعی از کاربردهای عملی، یک روش تقویت گرادیان توزیع شده بهینه شده بر اساس مجموعه‌ای از درختان طبقه‌بندی و رگرسیون (CART) است [ 52 ]. این روش یک تقویت درختی موازی را برای حل مشکلات به روشی سریع و دقیق فراهم می کند.

الگوریتم های مختلف نقاط قوت و ضعف خاص خود را دارند. بنابراین، برای انتخاب الگوریتم‌های بهینه یادگیری مجموعه، عملکرد آنها را در توضیح قیمت مسکن مقایسه کردیم. به طور مفصل، عملکرد رگرسیون چهار الگوریتم با پنج معیار رایج، از جمله امتیاز واریانس توضیح داده شده، میانگین خطای مطلق (MAE)، میانگین مربع خطا (MSE)، خطای مطلق میانه (MedAE) و ضریب تعیین (R2) اندازه‌گیری شد. :

توضیح داد واریانس(y،y^)=1-Var{y-y^}Var{y}
MAE(y،y^)=1n∑من=0n-1|yمن-yمن^|
MSE(y،y^)=1n∑من=0n-1(yمن-yمن^)2
MedAE(y،y^)=میانه(|y1-y1^|،…،|yn-yn^|)
آر2(y،y^)=1-∑من=1n(yمن-y^)2∑من=1n(yمن-y¯)2

جایی که yو y^قیمت واقعی مسکن و قیمت تخمینی مسکن است، Varواریانس است، nتعداد کل جوامع را نشان می دهد، yمنو yمن^نشان دهنده قیمت مسکن پیش بینی شده جامعه i و ارزش واقعی مربوطه است، yn^به معنای قیمت مسکن پیش بینی شده جامعه n و y¯میانگین قیمت واقعی مسکن است.

تمام آزمایشات در این مطالعه با استفاده از یک بسته اسکیت یادگیری و XGBoost پایتون انجام شد. برای تنظیم فراپارامتر و ارزیابی دقت، ما یک اعتبارسنجی متقاطع 10 برابری را انتخاب کردیم که یک روش رایج برای اعتبارسنجی عملکرد است.

2.5. توضیحات افزودنی Shapley

توضیح‌های افزودنی شاپلی (SHAP) توسط لوندبرگ و لی پیشنهاد شده است، روشی برای توضیح پیش‌بینی یک نمونه خاص با محاسبه سهم هر ویژگی در پیش‌بینی [ 53 ]. روش SHAP مقادیر Shapley را از تئوری بازی های ائتلافی محاسبه می کند. مقدار Shapley یک مقدار مشخصه، سهم آن در مقدار خروجی است، وزن‌دهی شده و جمع‌بندی شده روی تمام ترکیب‌های ممکن ارزش ویژگی. ارزش ویژگی j ام کمک کرد ϕjبه شرح زیر محاسبه شد:

ϕj(val) =∑اس⊆{ایکس1،…،ایکسپ}∖{ایکسj}|اس|!(پ-|اس|-1)!پ!(val(اس∪{ایکسj})-val(اس))

جایی که پتعداد ویژگی ها است، اسزیر مجموعه ای از ویژگی های استفاده شده در مدل را نشان می دهد، ایکسنشان دهنده بردار مقادیر ویژگی یک نمونه است که باید توضیح داده شود و val(اس)به معنای پیش بینی مقادیر ویژگی در مجموعه است اس.

مزایای SHAP عبارتند از: (1) تفسیرپذیری کلی – مقدار SHAP جمعی قادر به شناسایی رابطه مثبت یا منفی برای هر متغیر با هدف است و (2) تفسیرپذیری محلی – هر ویژگی یک نمونه مقادیر SHAP مربوط به خود را دارد. الگوریتم های سنتی اهمیت متغیر برای به دست آوردن نتایج در کل جمعیت محدود هستند، اما نه در هر نمونه جداگانه. در همین حال، ما همچنین می توانیم اهمیت جهانی ویژگی ها را با محاسبه مقادیر مطلق Shapley در هر مشخصه اندازه گیری کنیم:

منj =∑من=1n|ϕj(من)|

جایی که ϕj(من)مقدار SHAP ویژگی j را برای مثال i نشان می دهد.

در این مقاله، ما از اسناد ویژگی SHAP، نمودارهای نیروی توضیح SHAP، نمودارهای خلاصه SHAP و نمودارهای وابستگی جزئی SHAP و نمودارهای تعامل برای کشف روابط بین قیمت مسکن و عناصر محیطی شهری استفاده کردیم. برای پیاده سازی SHAP از بسته های XGBoost و shap Python استفاده شد.

3. نتایج و بحث

3.1. توزیع فضایی ویژگی های محیطی شهری

برای افزایش درک عناصر محیطی منطقه مورد مطالعه، توزیع فضایی پنج ویژگی محیطی شهری را در شکل 6 ترسیم کردیم . هر مشخصه با استفاده از هفت بازه مقدار با روش شکست طبیعی نگاشت شد. میانگین شاخص نمای سبز (GVI)، شاخص نمای آسمان (SVI)، شاخص نمای ساختمان (BVI)، نرخ پوشش سبز شهری (UG) و نرخ پوشش آب شهری (UW) در سطح جامعه 0.315، 0.473، به ترتیب 0.117، 0.381 و 0.025. شکل 6 الف نشان می دهد که جوامع با GVI بالا عمدتاً در ناحیه یانگپو، ناحیه هونگکو، ناحیه چانگنینگ، شمال شرقی ناحیه پوتوئو و جنوب ناحیه باوشان واقع شده اند. شکل 6b نشان می دهد که مقدار SVI در ناحیه مرکزی کمترین مقدار بوده و به تدریج به سمت حاشیه افزایش می یابد، در حالی که مقادیر BVI الگوی مخالف را در شکل 6 c نشان می دهد. شکل 6 د نشان می دهد که مقادیر UG نیز از ناحیه مرکزی به حومه به تدریج افزایش یافته است. از شکل 6 e، می‌توان دریافت که جوامع با UW بالا عمدتاً در امتداد رودخانه Huangpu و نهر سوژو متمرکز شده‌اند.

3.2. انتخاب مدل

چند خطی بین متغیرها که با ضریب تورم واریانس (VIF) اندازه‌گیری شد و نتایج مدل لذت‌گرا که با مدل رگرسیون خطی ساخته شد، در جدول 2 نشان داده شده است. شاخص‌های VIF همه ویژگی‌ها کمتر از چهار بود که نشان می‌دهد این ویژگی‌ها چند خطی جدی ندارند. عملکرد الگوریتم های رگرسیون یادگیری گروهی و الگوریتم های رگرسیون خطی در جدول 3 مقایسه شده است. جدول 3نشان می دهد که امتیاز واریانس توضیح داده شده از 0.5023 تا 0.6820، MAE از 0.6554 تا 0.8509، MSE از 0.8556 تا 1.3784، MedAE از 0.4848 تا 0.6549 تا 0.4 و R از 0.6549 تا 0.4 متغیر است. عملکرد سه روش گروهی بسیار بهتر از رگرسیون خطی بود. از بین سه روش مجموعه، رگرسیون XGBoost بهترین عملکرد را ارائه کرد و برای آموزش تفسیر تاثیر عناصر محیطی شهری بر قیمت مسکن انتخاب شد.
به منظور بررسی اینکه آیا ویژگی‌های محیطی شهری از نمای افقی و از نمای بالای سر بر قیمت مسکن تأثیر می‌گذارد، R² چهار مدل اضافی را تخمین زدیم: مدل 1 فقط با ویژگی‌های مکان، ساختار و محله. سه ویژگی محیطی شهری نمای افقی (GVI، SVI و BVI) بر اساس مدل 1 به مدل 2 اضافه شد. دو مشخصه محیطی شهری نمای بالای سر (UG و UW) بر اساس مدل 1 به مدل 3 اضافه شد و مدل 4 شامل کلیه مشخصات بود. همانطور که در جدول 4 نشان داده شده استافزودن مشخصات محیطی شهری با نمای افقی یا نمای بالای سر به بهبود قابل توجه R² منجر شد. به طور خاص، ویژگی‌های محیطی شهری نمای افقی R² را 0.0249 افزایش داد و آنهایی که نمای سربار R² را 0.0265 افزایش داد. با افزودن تمام ویژگی‌های محیطی شهری، بالاترین R² برابر با 7045/0 به دست آمد. این نتایج نشان می‌دهد که هم ویژگی‌های محیطی شهری از نمای افقی و هم از نمای بالای سر می‌تواند بر قیمت مسکن تأثیر بگذارد. بخش زیر بیشتر تأثیرات عناصر محیطی شهری بر قیمت مسکن را بر اساس مدل 4 تحلیل می‌کند.

3.3. اهمیت جهانی ویژگی ها

در این بخش، با محاسبه اهمیت ویژگی SHAP، اهمیت جهانی همه ویژگی ها را مقایسه کردیم. ما SHAP را برای جوامع بر اساس مدل های آموزش دیده XGBoost اجرا کردیم و ماتریسی از مقادیر Shapley دریافت کردیم.
برای تسهیل درک، عمارت آیجیان را به عنوان مثال در نظر گرفتیم. شکل 7 ویژگی‌هایی را نشان می‌دهد که هر کدام در فشار دادن خروجی مدل از مقدار پایه (خط پایه برای مقادیر Shapley میانگین همه خروجی‌ها است) به خروجی مدل کمک می‌کنند. ویژگی هایی که قیمت ها را بالاتر می برد با رنگ قرمز نشان داده شد. کسانی که قیمت ها را پایین می آورند آبی بودند. خط پایه – میانگین قیمت مسکن پیش بینی شده، 6.373 بود. قیمت پیش بینی شده عمارت آیجیان 5.90 بود. EC_DIS قیمت را 0.04922 افزایش داد، در حالی که HPR_DIS قیمت را 0.6428 کاهش داد.
بر اساس ماتریس مقادیر شپلی، مقادیر مطلق شپلی به ازای هر مشخصه در سراسر داده ها برای اندازه گیری اهمیت جهانی ویژگی ها با فرمول (10) محاسبه شد. ما ویژگی ها را با کاهش اهمیت مرتب کردیم و در شکل 8 ترسیم کردیم. ویژگی‌های بالا بیشتر از ویژگی‌های پایین به مدل کمک می‌کردند و در نتیجه تأثیر بیشتری بر قیمت مسکن داشتند. به طور کلی، چهار دسته از اهمیت SHAP ویژگی ها را می توان به صورت زیر رتبه بندی کرد: ویژگی های مکان (0.8491) > ویژگی های محله (0.7055) > ویژگی های ساختار (0.6939) > ویژگی های محیطی شهری (0.4266). این نتیجه نشان داد که ویژگی‌های مکان، تعیین‌کننده‌های غالب قیمت مسکن در شانگهای هستند. اهمیت ویژگی های محله و ویژگی های ساختار تقریباً معادل بود. اگرچه ویژگی‌های محیطی شهری تأثیر نسبتاً کم‌تری بر قیمت مسکن داشته است، اما نمی‌توان از تأثیرات ویژگی‌های محیطی شهری که 16 درصد از کل اهمیت را به خود اختصاص می‌دهند، غافل شد. به طور مشخص، پنج مشخصه برتر عبارتند از YEAR (0.4259)، EC_DIS (0.3720)، C_DIS (0.2494)، FH3_NEAR (0.1759) و HPR_DIS (0.1306). برای پنج ویژگی محیطی شهری، اهمیت SHAP به صورت زیر رتبه بندی شد: UG (0.1145) > UW (0.1043) > SVI (0.0908) > GVI (0.0601) > BVI (0.0570). اهمیت SHAP ویژگی های محیطی نمای بالای سر (0.2187) کمی بیشتر از نمای افقی (0.2079) بود. ویژگی های محیطی نمای افقی می تواند 8 درصد از کل قیمت مسکن را تشکیل دهد. اهمیت SHAP ویژگی های محیطی نمای بالای سر (0.2187) کمی بیشتر از نمای افقی (0.2079) بود. ویژگی های محیطی نمای افقی می تواند 8 درصد از کل قیمت مسکن را تشکیل دهد. اهمیت SHAP ویژگی های محیطی نمای بالای سر (0.2187) کمی بیشتر از نمای افقی (0.2079) بود. ویژگی های محیطی نمای افقی می تواند 8 درصد از کل قیمت مسکن را تشکیل دهد.
با توجه به اینکه اهمیت ویژگی‌های SHAP فقط شامل مقدار مطلق مشارکت‌های ویژگی است، یک نمودار پراکندگی چگالی مقادیر SHAP برای هر مشخصه برای تجزیه و تحلیل بیشتر روابط عوامل تعیین‌کننده با قیمت مسکن استفاده شد. ویژگی ها بر اساس مقادیر اهمیت SHAP طبقه بندی شدند. همانطور که در شکل 9 نشان داده شده است، هر نقطه در نمودار خلاصه مقدار شپلی برای ویژگی یک جامعه بود. موقعیت روی محور x با مقدار Shapley تعیین شد و رنگ نشان دهنده مقدار از کم (آبی) به زیاد (قرمز) بود. پراکندگی در جهت محور y تعداد نقاط را نشان می دهد که توزیع مقادیر Shapley را در هر مشخصه نشان می دهد. اگر مقدار SHAP یک مشخصه با افزایش مقدار ویژگی مربوطه افزایش یابد، این مشخصه تأثیر مثبتی بر قیمت مسکن دارد و بالعکس. شکل 9نشان می دهد که چهار ویژگی مکان همگی با قیمت مسکن رابطه منفی قوی داشتند. YEAR، FH3_NEAR و SUB_NEAR تأثیرات منفی ظاهری بر قیمت مسکن داشتند. EL، SUB_1000M و PRI_1000M تأثیرات مثبتی بر قیمت مسکن نشان دادند. از نظر ویژگی های محیطی شهری، UW همبستگی مثبت قوی با قیمت مسکن داشت. رابطه بین SVI و قیمت مسکن همبستگی منفی داشت. برای UG و GVI، اگرچه جوامع با مقادیر SHAP بالا دارای مقادیر ویژگی نسبتاً بالایی بودند، مقادیر SHAP همیشه با افزایش مقادیر ویژگی افزایش نمی‌یابد. این نتیجه نشان داد که روابط بین این دو ویژگی و قیمت مسکن پیچیده و غیرخطی است. علاوه بر این،

3.4. سهم ویژگی های محیطی شهری

با توجه به اینکه نمودارهای خلاصه SHAP نمی توانند به طور کامل روابط پیچیده و غیرخطی بین بسیاری از ویژگی های محیطی شهری و قیمت مسکن را آشکار کنند، ما با استفاده از نمودار وابستگی ویژگی SHAP به مشارکت خاص ویژگی ها در قیمت مسکن پرداختیم. نمودار وابستگی ویژگی SHAP برای پنج ویژگی محیطی شهری در شکل 10 ترسیم شده است تا اثرات آنها بر قیمت مسکن را توصیف کند. توزیع فضایی SHAP برای پنج ویژگی محیطی نیز در شکل 11 ترسیم شد تا درک سهم هر یک از ویژگی های محیطی شهری بهبود یابد.

3.4.1. مشارکت شاخص نمای سبز (GVI) و پوشش سبز شهری (UG)

مقادیر SHAP GVI تمایل کاهشی، پایدار و افزایشی را نشان داد و دو نقطه عطف تقریباً 0.2 و 0.5 بودند ( شکل 10 a). بسیاری از مقادیر GVI SHAP زمانی که GVI کمتر از 0.2 یا بیشتر از 0.5 بود مثبت بودند. وقتی GVI از 0.5 تجاوز کرد، با افزایش GVI، مقدار GVI SHAP افزایش یافت. نتیجه مدل لذت‌بخش سنتی که توسط مدل رگرسیون خطی ساخته شد، نشان داد که GVI تأثیر مثبت معناداری بر قیمت مسکن داشته است ( جدول 2 ). هر یک درصد افزایش در GVI می تواند قیمت مسکن را 71 RMB/m2 افزایش دهد. روش ما نشان داد که رابطه بین GVI و قیمت مسکن پیچیده و غیرخطی است تا مثبت خطی. خریداران خانه شانگهای تنها زمانی که GVI از ارزش بالاتری برخوردار بود، مایل به پرداخت حق بیمه برای منظره سبز بودند، که نسبت به نتایج مطالعات قبلی دقیق تر بود. یک مطالعه در هلند نشان داد که نمای سبز می تواند افزایش قیمت اضافی 8٪ را جذب کند [ 20 ]. مطالعه دیگری در هنگ کنگ همچنین نشان داد که نماهای فضای سبز به طور قابل توجهی قیمت مسکن مسکونی را افزایش داده است [ 23 ]. برای تفسیر بهتر نتایج، توزیع فضایی GVI ( شکل 6 الف) و GVI SHAP ( شکل 11)الف) نقش مهمی ایفا کرد. از توزیع جوامعی که GVI و GVI SHAP هر دو بالا بودند، می‌توانیم دریافتیم که بیشتر این جوامع در نزدیکی پارک‌های بزرگ مانند پارک چانگ شو در ناحیه پوتوئو، پارک خوجیاهویی در منطقه Xuhui و پارک سبز هوآشان در چانگنینگ قرار داشتند. ناحیه. این پارک ها می توانند به عنوان مکان های تفریحی عمل کنند و مناظر دلپذیری را برای ساکنان فراهم کنند [ 54 ]. دلیل اینکه جوامع با مقادیر GVI پایین اثرات مثبتی بر قیمت مسکن داشته اند، ممکن است این باشد که اکثر این جوامع برای سال ها ساخته شده اند. اگرچه این جوامع مسکونی قدیمی فاقد دید سبز افقی هستند، اما اکثر آنها به دلیل پیشرفت های طولانی مدت دارای امکانات خدمات عمومی متنوعی هستند.
در مقایسه با GVI SHAP، روند مشابهی برای UG SHAP مشاهده شد. شکل 10 d نشان داد که مقدار SHAP UG زمانی مثبت بود که UG کمتر از 0.23 بود و سپس در اطراف صفر نوسان داشت. هنگامی که UG بزرگتر از 0.5 بود، مقدار UG SHAP افزایش قابل توجهی داشت. تأثیر مثبت UG بر قیمت مسکن در زمانی که UG کمتر از 0.23 یا بیشتر از 0.5 بود، نشان داد که خریداران مسکن مایل به پرداخت بیشتر برای UGهای بالاتر هستند. دلایل این نتایج نیز مشابه دلایل GVI بود. جدول 2نشان داد که GVI در مدل لذت‌بخش سنتی معنی‌دار نبود که با روش ما همخوانی نداشت. برای بررسی اینکه آیا اثرات GVI و UG بر قیمت مسکن همان الگو را نشان می‌دهد، مقایسه‌ای بین GVI و UG انجام دادیم. ضریب تعیین برای GVI و UG 0.0799 بود. توزیع فضایی GVI و UG کاملاً متفاوت بود. این نتایج نشان داد که هیچ ارتباط آشکاری بین GVI و UG وجود ندارد. برای مقدار SHAP GVI و UG، ضریب تعیین برای آنها 0.0098 بود. توزیع فضایی GVI SHAP و UG SHAP نیز کاملاً متفاوت بود. بنابراین، هیچ ارتباط آشکاری بین GVI SHAP و UG SHAP وجود نداشت. همه این نتایج نشان داد که اگرچه GVI بالاتر و UG بالاتر تأثیرات مثبتی بر قیمت مسکن داشتند. بین الگوهای تأثیر آنها بر قیمت مسکن تفاوت معناداری وجود داشت. این یافته‌ها نشان می‌دهد که تأثیرات عناصر محیطی شهری یکسان از دیدگاه‌های مشاهدات مختلف (نمای افقی و نمای بالای سر) متفاوت است.
به طور کلی، روابط بین قیمت مسکن و دو ویژگی سبز (شاخص نمای سبز از داده‌های نمای خیابان و نرخ پوشش سبز شهری از سنجش از دور) هر دو غیرخطی هستند. خریداران خانه شانگهای تنها زمانی مایلند برای رنگ سبز هزینه اضافی بپردازند که شاخص نمای سبز یا نرخ پوشش سبز شهری ارزش بالاتری داشته باشد.
3.4.2. سهم شاخص نمای آسمان (SVI)
SVI یک جامعه می تواند میزان فضاهای باز و همچنین ارتفاع و تراکم ساختمان ها را در داخل و اطراف این جامعه منعکس کند. در این مطالعه زمانی که مقدار SVI کمتر از 0.35 بود، مقدار SHAP در اکثر جوامع مثبت بود و از 0.8 به صفر کاهش یافت. به ازای هر یک درصد افزایش در SVI، قیمت مسکن 320 RMB/m2 کاهش یافت . هنگامی که مقدار SVI بیشتر از 0.35 بود، مقدار SVI SHAP در حدود صفر ثابت بود. نتایج مدل لذت‌بخش سنتی نشان داد که SVI اثر منفی معنی‌داری بر قیمت مسکن در جدول 2 دارد.. هر یک درصد افزایش در SVI می تواند قیمت مسکن را 123.5 RMB/m2 کاهش دهد. یافته های روش ما نشان داد که رابطه بین SVI و قیمت مسکن نیز به جای خطی غیرخطی است. با مقایسه شکل 6 ب و شکل 11 ب، می‌توان دریافتیم که مقادیر SVI SHAP در ناحیه مرکزی بالاترین مقدار بوده و به تدریج به سمت حومه کاهش یافته است که برخلاف توزیع SVI بود. برخلاف انتظار، این نتایج به این معنی است که SVI تأثیر قوی و منفی بر قیمت مسکن در شانگهای زمانی که ارزش آن کمتر از 0.35 است، دارد. این یافته در تضاد با مطالعه قبلی است که نشان می‌دهد هم نمای خیابان و هم نمای ساختمان قیمت مسکن را در هنگ کنگ کاهش می‌دهند [ 23 ]]. نتیجه مخالف در شانگهای را می توان به شرح زیر توضیح داد. قیمت بالای مسکن در شانگهای منجر به ایجاد شهری عمودی و فشرده شده است که اکثر ساکنان آن در ساختمان‌های مسکونی با تراکم و بلندمرتبه زندگی می‌کنند. ساختمان های بلند به معنای لذت بردن از نماهای وسیع تر و آلودگی صوتی و هوای کمتر در طبقات بالاتر و در نتیجه کیفیت زیست محیطی بهتر است.
3.4.3. مشارکت نمای ساختمان (BVI)
با توجه به BVI، مقدار BVI SHAP همیشه حول و حوش صفر، با یک واریانس کوچک بین 0.2 و 0.2- در نوسان است. این نتیجه نشان داد که تأثیر BVI بر قیمت مسکن آشکار نیست. جدول 2 نشان داد که BVI در مدل لذت‌بخش سنتی که با روش ما سازگار بود معنی‌دار نبود. دلیل این نتیجه ممکن است این باشد که بسیاری از ساختمان ها توسط درختان و ماشین ها در تصاویر نمای خیابان مسدود شده اند. این منجر به این می شود که چگونه BVI نمی تواند توزیع ساختمان ها را به طور دقیق به تصویر بکشد. در بیشتر موارد، SVI انتخاب بهتری نسبت به BVI برای توصیف ساختمان ها از نمای افقی است.
3.4.4. مشارکت پوشش آب شهری (UW)
ارزش UW SHAP زمانی که UW کمتر از 0.08 بود به شدت افزایش یافت و یک درصد افزایش در UW SHAP می‌تواند قیمت مسکن را 800 RMB/m2 افزایش دهد . هنگامی که UW بیشتر از 0.08 بود، مقدار UW SHAP ثابت نگه داشت. این نتیجه نشان داد که خریداران خانه شانگهای مایل به پرداخت حق بیمه برای خانه در جوامع با UW بالاتر هستند، که با مطالعات در هانگژو [ 55 ] و هنگ کنگ [ 23 ] مطابقت داشت. جدول 2 نشان داد که UW در مدل لذت‌بخش سنتی معنادار و مثبت بود که با روش ما همخوانی دارد. در توزیع فضایی، شکل 6 e و شکل 11e نشان می دهد که UW SHAP و UW الگوهای مشابهی ارائه می دهند. جوامع با ارزش UW SHAP بالا عمدتا در امتداد رودخانه Huangpu و نهر Suzhou متمرکز بودند. این دو رودخانه اصلی پوشش آبی زیادی را برای جوامع کنار خود فراهم می کنند. در یک شهر فشرده، بدنه های آبی اثر تنظیم دما و رطوبت هوا را دارند که آسایش انسان را بهبود می بخشد. آب همچنین فضاهای ارزشمندی را برای ساکنان فراهم می کند که در آن گردش هوا و دسترسی خورشیدی کمتر مانع می شود.

4. نتیجه گیری

در این مطالعه، ما چارچوب جدیدی را برای اندازه‌گیری تأثیرات عناصر محیطی شهری بر قیمت مسکن در منطقه درون حلقه بیرونی شانگهای پیشنهاد کردیم. شاخص نمای سبز (GVI)، شاخص نمای آسمان (SVI) و شاخص نمای ساختمان (BVI) به عنوان ویژگی های محیطی شهری با نمای افقی بر اساس تصاویر نمای خیابان Baidu با استفاده از یک شبکه عصبی کانولوشن عمیق استخراج شدند. مشخصات محیطی نمای سربار با داده های سنجش از دور محاسبه شد. با مقایسه نتایج سه مدل یادگیری گروهی مبتنی بر درخت و مدل‌های رگرسیون خطی، مدل XGBoost بهترین عملکرد را نشان داد. پس از آن، یک روش توضیح افزودنی SHapley (SHAP) که توانایی توضیح رفتار کلی مدل را در قالب مشارکت ویژگی‌های خاص دارد، برای کشف روابط پیچیده و غیرخطی بین ویژگی‌های محیطی شهری و قیمت مسکن معرفی شد. توزیع فضایی SHAP برای پنج ویژگی محیطی برای بهبود درک سهم هر یک از ویژگی‌های محیطی شهری ترسیم شد. علاوه بر این، تأثیر ویژگی‌های سبز نمای افقی و نمای بالای سر بر قیمت مسکن برای تحلیل تفاوت‌های تأثیرات همان عناصر محیطی شهری بر قیمت مسکن از دیدگاه‌های مشاهدات مختلف مقایسه شد. نتایج تجربی به شرح زیر نشان داده شده است. در مقایسه با ویژگی‌های مکان، محله و ساختار، ویژگی‌های محیطی شهری تأثیرات نسبتاً کمی دارند که 16 درصد از قیمت مسکن را تشکیل می‌دهند. رابطه بین GVI و قیمت مسکن به جای خطی مثبت یا منفی خطی غیرخطی است. مشابه GVI، نرخ پوشش سبز شهری (UG) نیز رابطه غیرخطی با قیمت مسکن دارد. این یافته‌ها نشان می‌دهد که خریداران خانه شانگهای تنها زمانی مایل به پرداخت حق بیمه برای رنگ سبز هستند که GVI یا UG ارزش بالاتری داشته باشند. اگرچه هر دو GVI بالاتر و UG بالاتر تأثیرات مثبتی بر قیمت مسکن دارند، تفاوت های قابل توجهی بین تأثیر آنها بر قیمت مسکن وجود دارد. برخلاف مطالعات قبلی، زمانی که مقدار SVI کمتر از 0.35 باشد، هر یک درصد افزایش در SVI، قیمت مسکن را 320 RMB/m2 کاهش می‌دهد. دلیل بالقوه این است که مناطق مسکونی پر تراکم و بلند مرتبه اغلب امکانات زندگی بهتری دارند. در مقایسه با GVI و SVI، تأثیر BVI بر قیمت مسکن آشکار نیست. یک درصد افزایش در نرخ پوشش آب شهری (UW) می تواند قیمت مسکن را 800 RMB/m2 افزایش دهد، که نشان می دهد ساکنان شانگهای مایل به پرداخت حق بیمه برای پوشش آب هستند. به طور خلاصه، مورد شانگهای نشان می دهد که چارچوب پیشنهادی عملی و کارآمد است.
این مطالعه از چند جهت محدود بود. ابتدا، کاربرد چارچوب پیشنهادی در شانگهای آزمایش شد. با توجه به ناهمگونی جغرافیایی، روابط بین عناصر محیطی شهری و قیمت مسکن ممکن است در شهرهای مختلف متفاوت باشد. انتظار می رود با استفاده از این چارچوب برای تعیین کمیت تفاوت های بین شهرها به یک نتیجه امیدوار کننده دست یابیم. دوم، داده‌های معاملات مسکن مورد استفاده در این مطالعه تنها در سال 2018 به‌دست آمدند. بنابراین، می‌توان مطالعات بیشتری را برای ادغام داده‌های چند ساله برای تحلیل پویایی زمانی تأثیرات عناصر محیطی شهری بر قیمت مسکن انجام داد. ثالثاً، مدل مسکن ما برخی ویژگی‌های مسکن مانند سطح طبقه و روستای شهری را در نظر نمی‌گیرد، زیرا در حال حاضر نمی‌توان این ویژگی‌ها را در نظر گرفت. شایان ذکر است که این ویژگی های بازار مسکن چین در تحقیقات آینده مورد بحث قرار گیرد. در نهایت، زمان اکتساب داده ها برای استخراج ویژگی های محیطی شهری متفاوت بود. داده های نمای خیابان بایدو در سال 2017 به دست آمد، در حالی که داده های سنجش از دور در سال 2015 به دست آمدند. با توجه به توسعه سریع شانگهای و تفاوت های فصلی عناصر محیطی طبیعت، تفاوت در زمان جمع آوری داده ها می تواند اثرات نامطلوبی بر یافته های تحقیق داشته باشد. بنابراین، داده‌های نمای خیابان و داده‌های سنجش از دور با زمان‌های اکتساب مشابه می‌توانند در تحقیقات آینده برای بهبود نتایج استفاده شوند. داده‌های نمای خیابان بایدو در سال 2017 به‌دست آمد، در حالی که داده‌های سنجش از دور در سال 2015 به‌دست آمدند. با توجه به توسعه سریع شانگهای و تفاوت‌های فصلی عناصر محیطی طبیعت، تفاوت در زمان جمع‌آوری داده‌ها می‌تواند اثرات نامطلوبی بر یافته‌های پژوهش داشته باشد. بنابراین، داده‌های نمای خیابان و داده‌های سنجش از دور با زمان‌های اکتساب مشابه می‌توانند در تحقیقات آینده برای بهبود نتایج استفاده شوند. داده‌های نمای خیابان بایدو در سال 2017 به‌دست آمد، در حالی که داده‌های سنجش از دور در سال 2015 به‌دست آمدند. با توجه به توسعه سریع شانگهای و تفاوت‌های فصلی عناصر محیطی طبیعت، تفاوت در زمان جمع‌آوری داده‌ها می‌تواند اثرات نامطلوبی بر یافته‌های پژوهش داشته باشد. بنابراین، داده‌های نمای خیابان و داده‌های سنجش از دور با زمان‌های اکتساب مشابه می‌توانند در تحقیقات آینده برای بهبود نتایج استفاده شوند.

منابع

  1. جیم، سی. Chen, WY تأثیر عناصر محیطی شهری بر قیمت مسکن مسکونی در گوانگژو (چین). Landsc. طرح شهری. 2006 ، 78 ، 422-434. [ Google Scholar ] [ CrossRef ]
  2. Chiesura، A. نقش پارک های شهری برای شهر پایدار. Landsc. طرح شهری. 2004 ، 68 ، 129-138. [ Google Scholar ] [ CrossRef ]
  3. هالند، سی. فون دن بوش، چالش‌ها و استراتژی‌های CK برای برنامه‌ریزی فضای سبز شهری در شهرهای تحت تراکم‌سازی: یک بررسی. شهری برای. سبز شهری. 2015 ، 14 ، 347-354. [ Google Scholar ] [ CrossRef ]
  4. سابو، آ. پوپک، آر. ناورت، بی. هانسلین، اچ. گاورونسکا، اچ. Gawronski, S. تفاوت گونه های گیاهی در تجمع ذرات معلق در سطوح برگ. علمی کل محیط. 2012 ، 427 ، 347-354. [ Google Scholar ] [ CrossRef ]
  5. چن، X.-L. ژائو، اچ.-م. لی، P.-X. یین، Z.-Y. تحلیل مبتنی بر تصویر سنجش از دور رابطه بین جزیره گرمایی شهری و تغییرات کاربری/پوشش زمین. سنسور از راه دور محیط. 2006 ، 104 ، 133-146. [ Google Scholar ] [ CrossRef ]
  6. استروهباخ، مگاوات؛ آرنولد، ای. هاس، دی. ردپای کربن فضای سبز شهری – رویکرد چرخه زندگی. Landsc. طرح شهری. 2012 ، 104 ، 220-229. [ Google Scholar ] [ CrossRef ]
  7. رایدر، KD; آدامک، وی. بانوئلوس، آ. بروس، م. برگر، م. دامسگارد، او. دوفک، ج. هیرش، جی. لفبر، اف. پرز-لاکورزانا، JM یک روش یکپارچه برای ارزیابی مزایای فضای سبز شهری. علمی کل محیط. 2004 ، 334-335 ، 489-497. [ Google Scholar ] [ CrossRef ]
  8. ون دن برگ، م. ون پوپل، م. ون کمپ، آی. اندروسایتیت، اس. بالسویسین، بی. سیراک، ام. دانیلویسیوت، ا. الیس، ن. هرست، جی. Masterson, D. بازدید از فضای سبز با سلامت روان و نشاط مرتبط است: یک مطالعه مقطعی در چهار شهر اروپایی. Health Place 2016 ، 38 ، 8-15. [ Google Scholar ] [ CrossRef ]
  9. Gubbels، JS; کرمرز، SP; درومرز، م. هوفناگلز، سی. استرونکس، ک. هوسمن، سی. de Vries, S. تاثیر فضای سبز بر فعالیت بدنی و سلامت روانی نوجوانان و بزرگسالان ساکنان محله های محروم: یک مطالعه طولی. Health Place 2016 ، 40 ، 153-160. [ Google Scholar ] [ CrossRef ]
  10. دی وریس، اس. ون دیلن، SME; Groenewegen، PP; Spreeuwenberg، P. فضای سبز و سلامتی خیابان: استرس، انسجام اجتماعی و فعالیت بدنی به عنوان واسطه. Soc. علمی پزشکی 2013 ، 94 ، 26-33. [ Google Scholar ] [ CrossRef ]
  11. ناتسفورد، دی. پیرسون، آل. کینگهام، اس. Reitsma، F. مواجهه مسکونی با فضای آبی قابل مشاهده (اما نه فضای سبز) مرتبط با ناراحتی روانی کمتر در یک شهر پایتخت. Health Place 2016 ، 39 ، 70-78. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. عسگرزاده، م. کوگا، تی. هیرات، ک. فروید، م. Lusk، A. بررسی ظلم و وسعت در رابطه با ساختمان، درختان، آسمان و سطح زمین: مطالعه ای در توکیو. Landsc. طرح شهری. 2014 ، 131 ، 36-41. [ Google Scholar ] [ CrossRef ]
  13. هارتیگ، تی. ایوانز، GW; گارلینگ، تی. گولج، RG مبانی روانشناختی تجربه طبیعت. Adv. روانی Amst. 1993 , 96 , 427. [ Google Scholar ] [ CrossRef ]
  14. بنسون، ED; هانسن، جی ال. شوارتز، آل. امکانات مسکونی Smersh، GT Pricing: ارزش یک منظره. جی. امور مالی املاک و مستغلات. اقتصاد 1998 ، 16 ، 55-73. [ Google Scholar ] [ CrossRef ]
  15. Lee, CL بررسی رابطه ریسک و بازده در بازار مسکن استرالیا. بین المللی جی. هاوس. علامت گذاری. مقعدی 2017 . [ Google Scholar ] [ CrossRef ]
  16. المعصوم، م. لی، سی‌ال مدل‌سازی قیمت مسکن و اصول بازار: شواهدی از بازار مسکن سیدنی. بین المللی جی. هاوس. علامت گذاری. مقعدی 2019 . [ Google Scholar ] [ CrossRef ]
  17. بانگورا، م. لی، سی‌ال انتشار قیمت خانه در بازارهای فرعی مسکن در سیدنی بزرگ. خانه گل میخ. 2019 ، 1–32. [ Google Scholar ] [ CrossRef ]
  18. تروجانک، آر. اثر فضایی و زمانی مترو بر قیمت ملک. جی. هاوس. محیط ساخته شده 2018 ، 33 ، 359-384. [ Google Scholar ] [ CrossRef ]
  19. یاماگاتا، ی. موراکامی، دی. یوشیدا، تی. سیا، ح. Kuroda، S. ارزش نماهای شهری در یک شهر خلیج: تجزیه و تحلیل لذت با مدل رگرسیون افزایشی چند سطحی فضایی (SMAR). Landsc. طرح شهری. 2016 ، 151 ، 89-102. [ Google Scholar ] [ CrossRef ]
  20. Luttik, J. ارزش درختان، آب و فضای باز که توسط قیمت خانه در هلند منعکس شده است. Landsc. طرح شهری. 2000 ، 48 ، 161-167. [ Google Scholar ] [ CrossRef ]
  21. دونوان، جی اچ. Butry, DT تأثیر درختان شهری بر قیمت اجاره خانه های تک خانواده در پورتلند، اورگان. شهری برای. سبز شهری. 2011 ، 10 ، 163-168. [ Google Scholar ] [ CrossRef ]
  22. بلچر، RN; Chisholm، RA پوشش گیاهی گرمسیری و ارزش ملک مسکونی: تجزیه و تحلیل قیمت گذاری لذت بخش در سنگاپور. Ecol. اقتصاد 2018 ، 149 ، 149-159. [ Google Scholar ] [ CrossRef ]
  23. جیم، سی. چن، WY ارزش مناظر منظره: ارزیابی لذت‌گرایانه مسکن خصوصی در هنگ کنگ. Landsc. طرح شهری. 2009 ، 91 ، 226-234. [ Google Scholar ] [ CrossRef ]
  24. چن، وای. جیم، CY امکانات و مشکلات: تحلیل لذت‌گرایانه از منظر شهری ناهمگون در شنژن (چین). Geogr. J. 2010 , 176 , 227-240. [ Google Scholar ] [ CrossRef ]
  25. دونوان، جی اچ. Butry، DT Trees in the city: ارزش گذاری درختان خیابانی در پورتلند، اورگان. Landsc. طرح شهری. 2010 ، 94 ، 77-83. [ Google Scholar ] [ CrossRef ]
  26. مک فرسون، EG; سیمپسون، جی آر. شیائو، QF؛ Wu، CX میلیون درخت لس آنجلس تاج پوشش و ارزیابی سود. Landsc. طرح شهری. 2011 ، 99 ، 40-50. [ Google Scholar ] [ CrossRef ]
  27. لی، ایکس. چوانرونگ، ز. ویدونگ، ال. آیا دید فضای سبز باعث افزایش ایمنی درک شده در مناطق شهری می شود؟ شواهدی از مجموعه داده Place Pulse 1.0. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1166-1183. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. یو، اس. من، جی. انتخاب متغیر واگنر، JE برای مدل لذت‌گرا با استفاده از رویکردهای یادگیری ماشین: مطالعه موردی در شهرستان اونونداگا، نیویورک. Landsc. طرح شهری. 2012 ، 107 ، 293-306. [ Google Scholar ] [ CrossRef ]
  29. ژانگ، اف. ژو، بی. لیو، ال. لیو، ی. Fung، HH; لین، اچ. راتی، سی. اندازه گیری ادراک انسان از یک منطقه شهری در مقیاس بزرگ با استفاده از یادگیری ماشین. Landsc. طرح شهری. 2018 ، 180 ، 148-160. [ Google Scholar ] [ CrossRef ]
  30. بله، ی. زی، اچ. نیش، جی. جیانگ، اچ. وانگ، دی. دسترسی روزانه به فضای سبز خیابان و قیمت مسکن: اندازه‌گیری عملکرد اقتصادی مناظر خیابانی در مقیاس انسانی از طریق داده‌های شهری جدید. پایداری 2019 ، 11 ، 1741. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  31. روزن، اس. قیمت لذت‌بخش و بازارهای ضمنی: تمایز محصول در رقابت خالص. ج. اقتصاد سیاسی. 1974 ، 82 ، 34-55. [ Google Scholar ] [ CrossRef ]
  32. لنکستر، کی جی رویکردی جدید به نظریه مصرف کننده. ج. اقتصاد سیاسی. 1966 ، 74 ، 132-157. [ Google Scholar ] [ CrossRef ]
  33. ژانگ، ی. دونگ، آر. تأثیرات فضای سبز قابل مشاهده در خیابان بر قیمت مسکن: شواهدی از یک مدل قیمت لذت‌بخش و مجموعه داده عظیم تصویر نمای خیابان در پکن. بین المللی J. Geo Inf. 2018 ، 7 ، 104. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. ون، اچ. تائو، ی. ساختار شهری چندمرکزی و قیمت مسکن در چین انتقالی: شواهدی از هانگژو. Habitat Int. 2015 ، 46 ، 138-146. [ Google Scholar ] [ CrossRef ]
  35. ون، اچ. شیائو، ی. Zhang، L. منطقه مدرسه، کیفیت آموزش و قیمت مسکن: شواهدی از یک آزمایش طبیعی در Hangzhou، چین. شهرها 2017 ، 66 ، 72-80. [ Google Scholar ] [ CrossRef ]
  36. دوبه، ج. لگروس، دی. اقتصاد سنجی فضایی و مدل قیمت گذاری لذت جویانه: در مورد بعد زمانی چطور؟ J. Prop. Res. 2014 ، 31 ، 333-359. [ Google Scholar ] [ CrossRef ]
  37. چن، ی. لیو، ایکس. لی، ایکس. لیو، ی. Xu, X. نگاشت الگوی فضایی در مقیاس خوب اجاره مسکن در منطقه شهری با استفاده از فهرست‌های اجاره آنلاین و یادگیری گروهی. Appl. Geogr. 2016 ، 75 ، 200-212. [ Google Scholar ] [ CrossRef ]
  38. آنتی‌پوف، EA؛ Pokryshevskaya، EB ارزیابی انبوه آپارتمان های مسکونی: کاربرد جنگل تصادفی برای ارزش گذاری و یک رویکرد مبتنی بر سبد خرید برای تشخیص مدل. سیستم خبره Appl. 2012 ، 39 ، 1772-1778. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. هو، ال. او هست.؛ هان، ز. شیائو، اچ. سو، اس. ونگ، ام. Cai، Z. نظارت بر قیمت‌های اجاره مسکن بر اساس رسانه‌های اجتماعی: رویکرد یکپارچه الگوریتم‌های یادگیری ماشینی و مدل‌سازی لذت‌گرا برای اطلاع از سیاست‌های عادلانه مسکن. سیاست کاربری زمین 2019 ، 82 ، 657-673. [ Google Scholar ] [ CrossRef ]
  40. استوجیچ، ا. استانیچ، ن. ووکوویچ، جی. استانیشیچ، اس. پریشیچ، م. شوشتاریچ، آ. Lazić، L. پیش‌بینی درختی مبتنی بر شیب شدید تشدید کننده رسوب مرطوب تولوئن، اتیل بنزن و زایلن. علمی کل محیط. 2019 ، 653 ، 140-147. [ Google Scholar ] [ CrossRef ]
  41. Janizek، JD; چلیک، اس. لی، اس.-آی. پیش‌بینی یادگیری ماشینی قابل توضیح ترکیب‌های دارویی هم افزایی برای پزشکی دقیق سرطان. BioRxiv 2018 , 331769. [ Google Scholar ] [ CrossRef ]
  42. کای، دبلیو. Lu, X. مقرون به صرفه بودن مسکن: فراتر از شرایط درآمد و قیمت، استفاده از چین به عنوان مطالعه موردی. Habitat Int. 2015 ، 47 ، 169-175. [ Google Scholar ] [ CrossRef ]
  43. دولت مردمی شهرداری شانگهای. طرح جامع شانگهای (217–2035) ؛ دولت مردمی شهرداری شانگهای: شانگهای، چین، 2018.
  44. بری، دی. فضای اجتماعی و حکمرانی در چین شهری: سیستم دانوی از مبدا تا اصلاحات . انتشارات دانشگاه استنفورد: پالو آلتو، کالیفرنیا، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  45. بدرینارایانان، وی. کندال، ا. Cipolla، R. SegNet: یک معماری رمزگذار-رمزگشا کانولوشنال عمیق برای تقسیم بندی تصویر. IEEE Trans. الگوی مقعدی ماخ هوشمند 2017 ، 39 ، 2481-2495. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  46. ژائو، اچ. شی، ج. Qi، X. وانگ، ایکس. شبکه تجزیه صحنه هرم جیا، جی. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، هونولولو، HI، ایالات متحده آمریکا، 21 تا 26 ژوئیه 2017؛ صص 2881-2890. [ Google Scholar ]
  47. چن، L.-C.; پاپاندرو، جی. شروف، اف. آدام، اچ. بازاندیشی در پیچیدگی آزاردهنده برای تقسیم‌بندی تصویر معنایی. arXiv 2017 , arXiv:1706.05587. [ Google Scholar ]
  48. کوردتس، ام. عمران، م. راموس، اس. رهفلد، تی. انزوایلر، م. بننسون، آر. فرانکه، یو. راث، اس. شیله، بی. مجموعه داده مناظر شهری برای درک معنایی صحنه شهری. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو، لاس وگاس، NV، ایالات متحده، 26 ژوئن تا 1 ژوئیه 2016. صص 3213–3223. [ Google Scholar ]
  49. سان، بی. تو، تی. شی، دبلیو. Guo, Y. تست عملکرد ساختار فضایی چند مرکزی به عنوان معیاری برای کاهش تراکم در کلان شهرها. مطالعه موردی شانگهای. طرح شهری. انجمن 2013 ، 69-75. [ Google Scholar ]
  50. لیاو، ا. وینر، ام. طبقه بندی و رگرسیون توسط جنگل تصادفی. R News 2002 , 2 , 18-22. [ Google Scholar ]
  51. تقریب تابع فریدمن، JH Greedy: یک ماشین تقویت کننده گرادیان. ان آمار 2001 ، 29 ، 1189-1232. [ Google Scholar ] [ CrossRef ]
  52. چن، تی. Guestrin, C. Xgboost: یک سیستم تقویت درخت مقیاس پذیر. در مجموعه مقالات بیست و دومین کنفرانس بین المللی Acm Sigkdd در زمینه کشف دانش و داده کاوی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 13 تا 17 اوت 2016؛ صص 785-794. [ Google Scholar ]
  53. لوندبرگ، اس. لی، SI رویکردی واحد برای تفسیر پیش‌بینی‌های مدل. در مجموعه مقالات سی و یکمین کنفرانس سیستم های پردازش اطلاعات عصبی (NIPS 2017)، لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، 4 تا 19 دسامبر 2017. [ Google Scholar ]
  54. اولریش، پاسخ های انسانی RS به پوشش گیاهی و مناظر. Landsc. طرح شهری. 1986 ، 13 ، 29-44. [ Google Scholar ] [ CrossRef ]
  55. ون، اچ. ژانگ، ی. Zhang، L. ارزیابی اثرات رفاهی مناظر شهری بر قیمت مسکن در هانگژو، چین. شهری برای. سبز شهری. 2015 ، 14 ، 1017-1026. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00106 g001 550
شکل 1. نقشه موقعیت منطقه مورد مطالعه: منطقه در داخل جاده کمربندی بیرونی شانگهای ( a ) و توزیع جوامع ( b ).
Ijgi 09 00106 g002 550
شکل 2. چارچوب کلی روش شناختی.
Ijgi 09 00106 g003 550
شکل 3. توزیع فضایی قیمت مسکن در سطح جامعه.
Ijgi 09 00106 g004 550
شکل 4. نمودار جریان تقسیم بندی معنایی تصاویر نمای خیابان.
Ijgi 09 00106 g005 550
شکل 5. نتایج طبقه بندی سبز و آب در منطقه مورد مطالعه بر اساس تصاویر GaoFen-1.
Ijgi 09 00106 g006 550
شکل 6. توزیع های فضایی ویژگی های محیطی شهری: ( الف ) شاخص نمای سبز (GVI)، ( ب ) شاخص نمای آسمان (SVI)، ( ج ) شاخص نمای ساختمان (BVI)، ( د ) پوشش سبز شهری (UG) و ( ه ) پوشش آب شهری (UW).
Ijgi 09 00106 g007 550
شکل 7. توضيحات توضيحي توضيحات SHapley Additive Planations (SHAP) براي عمارت Aijian.
Ijgi 09 00106 g008 550
شکل 8. SHAP برای عوامل تعیین کننده قیمت مسکن اهمیت دارد.
Ijgi 09 00106 g009 550
شکل 9. نمودارهای خلاصه قیمت مسکن SHAP.
Ijgi 09 00106 g010 550
شکل 10. نمودارهای وابستگی ویژگی SHAP برای پنج ویژگی محیطی شهری: ( الف ) GVI_SHAP، ( ب ) SVI_SHAP، ( ج ) BVI_SHAP، ( د ) UG_SHAP و ( e ) UW_SHAP.
Ijgi 09 00106 g011 550
شکل 11. توزیع فضایی SHAP برای پنج ویژگی محیطی شهری: ( الف ) GVI_SHAP، ( ب ) SVI_SHAP، ( ج ) BVI_SHAP، ( د ) UG_SHAP و ( e ) UW_SHAP.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید