خلاصه

محیط های شهری نقش مهمی در طراحی، برنامه ریزی و مدیریت شهرها دارند. اخیراً، با گسترش جمعیت شهری، شیوه‌های تعامل انسان با محیط اطراف خود تکامل یافته است و توزیعی پویا در فضا و زمان به صورت محلی و مکرر ارائه می‌کند. بنابراین، چگونگی درک بهتر محیط شهری محلی و تمایز ترجیحات مختلف برای مناطق شهری یک چالش بزرگ برای سیاستگذاران بوده است. این مطالعه از عکس‌های فلیکر دارای برچسب جغرافیایی برای تعیین کمیت ویژگی‌های مناطق مختلف شهری و بهره‌برداری از پویایی مناطقی که افراد بیشتری در آن جمع می‌شوند، استفاده می‌کند. یک مدل تشخیص تصویر پیشرفته برای استخراج ویژگی‌ها از تعداد زیادی از تصاویر در لندن داخلی در دوره 2013-2015 استفاده می‌شود. پس از ادغام ویژگی ها، یک سری از تکنیک های تجسم برای کشف تفاوت های مشخصه و پویایی آنها استفاده می شود. ما متوجه شدیم که مناطق شهری با تراکم جمعیت بالاتر، نقاط دیدنی و مناطق تفریحی نمادین بیشتری را پوشش می‌دهند، در حالی که سایر مناطق بیشتر به صحنه‌های زندگی روزمره مرتبط هستند. نتایج پویا نشان می‌دهد که فصل ترجیحات انسان را برای حالت‌های سفر و حالت‌های فعالیت تعیین می‌کند. مطالعه ما ادبیات قبلی را در مورد ادغام روش تشخیص تصویر و تجزیه و تحلیل ادراک شهری گسترش می‌دهد و بینش‌های جدیدی را برای ذینفعان ارائه می‌کند، که می‌توانند از این یافته‌ها به عنوان شواهد حیاتی برای تصمیم‌گیری استفاده کنند. نتایج پویا نشان می‌دهد که فصل ترجیحات انسان را برای حالت‌های سفر و حالت‌های فعالیت تعیین می‌کند. مطالعه ما ادبیات قبلی را در مورد ادغام روش تشخیص تصویر و تجزیه و تحلیل ادراک شهری گسترش می‌دهد و بینش‌های جدیدی را برای ذینفعان ارائه می‌کند، که می‌توانند از این یافته‌ها به عنوان شواهد حیاتی برای تصمیم‌گیری استفاده کنند. نتایج پویا نشان می‌دهد که فصل ترجیحات انسان را برای حالت‌های سفر و حالت‌های فعالیت تعیین می‌کند. مطالعه ما ادبیات قبلی را در مورد ادغام روش تشخیص تصویر و تجزیه و تحلیل ادراک شهری گسترش می‌دهد و بینش‌های جدیدی را برای ذینفعان ارائه می‌کند، که می‌توانند از این یافته‌ها به عنوان شواهد حیاتی برای تصمیم‌گیری استفاده کنند.

کلید واژه ها:

مناطق شهری مورد علاقه ; تجزیه و تحلیل کمی ; داده های رسانه های اجتماعی ؛ تشخیص تصویر ؛ شبکه های عصبی کانولوشن (CNN)

1. معرفی

محیط‌های شهری نقش مهمی در تصمیم‌گیری از نظر طراحی، برنامه‌ریزی و مدیریت شهرها دارند که ارتباط تنگاتنگی با عملکردهای شهری و اکوسیستم‌های آن دارند. از منظر اجتماعی، درک چگونگی تجربه انسان از این محیط‌ها برای بهبود عملکرد شهری مهم است. به عنوان مثال، مناطق با تراکم جمعیت و قرار گرفتن در معرض زیاد نیاز به توجه بیشتر و استراتژی های عمیق دارند. در سال‌های اخیر، با گسترش جمعیت شهری، روش‌های تعامل انسان با محیط اطراف خود تکامل یافته است [ 1 ]. توزیع جمعیت در مکان و زمان، به صورت محلی و مکرر تغییر کرده است.
رویکردهای سنتی برای درک محیط شهری بر داده‌های نظرسنجی تکیه کرده‌اند. این رویکردها می توانند برای توصیف مورفولوژی شهری استفاده شوند، اما می توانند شکاف هایی در جمع آوری داده ها و کیفیت داده ها ایجاد کنند که پرهزینه و مشکل ساز هستند [ 2 ]. اگرچه داده‌های تصویربرداری سطح خیابان اخیراً می‌توانند بر این شکاف‌ها غلبه کنند، این داده‌ها بیشتر از ناوگان نمای خیابان خود گوگل هستند که به ندرت ادراکات انسان را از محیط شهری نشان می‌دهند. بنابراین، چالش‌هایی برای سیاست‌گذاران برای برنامه‌ریزی و مدیریت محیط‌های شهری وجود دارد. در چند دهه گذشته، پیشرفت‌ها در فناوری مکان‌یابی، مانند سیستم موقعیت‌یابی جهانی (GPS)، منابع داده شهری فراوانی را تولید کرده است [ 3 ].]، مانند داده های رسانه های اجتماعی و داده های تلفن همراه. علاوه بر اطلاعات جغرافیایی، بسیاری از این شکل‌های جدید داده‌ها دارای ویژگی‌های دیگری مانند زمان، نمایه‌های کاربر، ارزیابی کاربر یا عکس‌های کاربر هستند که فرصت‌های بزرگی را برای تحقیق در حوزه‌های اجتماعی و شهری فراهم می‌کنند [ 4 ]. در میان این ویژگی‌ها، عکس‌ها اطلاعات زیادی در مورد محیط ارائه می‌دهند که می‌توان آن‌ها را برای تعیین چرایی و چگونگی تعامل انسان با مناطق شهری تجزیه و تحلیل کرد [ 5 ]. با این حال، تحقیقات قبلی در مورد تجزیه و تحلیل محتوای عکس ها نسبتاً نادر است [ 6 ، 7 ، 8 ، 9 ].
اخیراً، به لطف پیشرفت‌ها در تکنیک‌های بینایی رایانه و یادگیری عمیق، به‌ویژه بهبود در عملکرد شبکه عصبی کانولوشن (CNN)، تصاویر به تدریج برای بررسی ادراک بصری محیط ما قدرتمند هستند [ 10 ، 11 ، 12 ]. از اوایل دهه 2000، CNN ها برای تشخیص تصویر مورد استفاده قرار گرفتند، اما تا زمانی که در رقابت ImageNet در سال 2012 به موفقیت بزرگی دست یافتند، مورد غفلت قرار گرفتند [ 13 ]. CNN ها از آن زمان به روش غالب برای همه وظایف تشخیص تصویر تبدیل شده اند.
این مطالعه با تکیه بر تحقیقات محدود ادراکات شهری پویا و پیشرفت‌های مداوم در عملکرد تشخیص تصویر، بر مناطق شهری مورد علاقه (UAOIs) و محیط‌های شهری بیرونی آنها تمرکز دارد. UAOI یک فضای ادراکی است که توسط مورفولوژی اجتماعی شهر تسخیر شده است، که منعکس کننده علایق واقعی تعداد زیادی از مردم است و ممکن است در زمان های مختلف ظهور و ناپدید شود [ 9 ، 14 ].]. UAOI تنها یک منطقه درک شده از یک مکان نیست، بلکه نتیجه تعامل انسان با محیط است. مهمتر از آن، بسیاری از عکس‌های دارای برچسب جغرافیایی که نمایانگر ظاهر فیزیکی UAOI هستند در دسترس هستند. به این ترتیب، تحقیق بر روی UAOI ها راهی برای کشف ارتباط بین شناخت انسان و جغرافیای دیجیتالی و بصری ارائه می دهد.
هدف این مطالعه رسمی‌سازی و درک کمی مناطق شهری از طریق تصاویر دارای برچسب جغرافیایی است. ما نه تنها فراداده های عکاسی را تجزیه و تحلیل می کنیم، بلکه از اطلاعات خود تصاویر نیز بهره برداری می کنیم. علاوه بر این، تجزیه و تحلیل پویا در نظر گرفته شده است، که یک شکاف تحقیقاتی را پر می کند. سؤالات پژوهشی زیر پیشنهاد شده است: (1) “چرا مردم در تمام سال یا در زمان های خاصی در مناطق خاصی جمع می شوند؟”، (2) “آیا تفاوتی بین UAOI ها و مناطق دیگر وجود دارد؟”، و (3) “چه چیزهایی هستند؟” ویژگی های بصری UAOI ها در طول زمان؟». ما ابتدا UAOIها را در لندن داخلی از طریق یک چارچوب روش پیشنهاد شده توسط [ 9 ] استخراج می‌کنیم]؛ سپس، یک مدل پیشرفته و جدید CNN به نام Places365-CNN برای استخراج ویژگی‌های داخل و خارج از UAOIها استفاده می‌شود. سپس این ویژگی ها برای کشف ویژگی های منظم محیط شهری یکپارچه می شوند. در نهایت، یک مقیاس زمانی دقیق‌تر برای درک ویژگی‌های دینامیکی UAOIها از طریق یک نقشه حرارتی بر اساس z-score اعمال می‌شود.
ساختار این مقاله به شرح زیر سازماندهی شده است. بخش بعدی کار گذشته و اخیر را با استفاده از تصاویر دارای برچسب جغرافیایی در تجزیه و تحلیل شهری و همچنین تکنیک های رایج تشخیص تصویر در این حوزه مورد بحث قرار می دهد. بخش 3 روش های مورد استفاده برای توصیف UAOI ها را معرفی می کند، از جمله توصیف داده ها، مدل CNN، یکپارچه سازی مشخصه ها، استانداردسازی امتیاز z، و تجزیه و تحلیل نقشه حرارتی. این با تفسیر و بحث در مورد نتایج ویژگی های کلی و پویا UAOI ها دنبال می شود. در نهایت، بخش 5 مقاله را به پایان می‌رساند و الحاقات آینده را برای این تحقیق پیشنهاد می‌کند.

2. بررسی ادبیات

2.1. مطالعات قبلی در مورد تصاویر دارای برچسب جغرافیایی از رسانه های اجتماعی

در تحقیقات قبلی، تصاویر دارای برچسب جغرافیایی از وب‌سایت‌های شبکه‌های اجتماعی اشتراک‌گذاری عکس مانند فلیکر، اینستاگرام و پیکاسا به طور گسترده برای رسیدگی به یک سری مسائل شهری مورد استفاده قرار گرفته‌اند. تحقیقات قبلی شامل اثبات کاربرد داده های فلیکر در نقشه برداری از محیط شهری [ 6 ، 15 ]، تجزیه و تحلیل رفتار کاربر [ 16 ، 17 ]، تسهیل تشخیص رویداد [ 7 ، 18 ، 19 ]، توصیه های مسیر سفر [ 20 ، 21 ]، مکان ها است. شناسایی مناطق مورد علاقه [ 9 ، 22 ، 23 ]، و تجزیه و تحلیل اکوسیستم فرهنگی [ 24 ]]. با این حال، اطلاعات خاصی در عکس‌های دارای برچسب جغرافیایی در حال حاضر کمتر مورد استفاده قرار می‌گیرند، مانند محتوای عکس‌هایی که در مناطق شهری گرفته شده‌اند. تراکم عکس ها فقط می تواند محبوبیت یک مکان یا یک منطقه را منعکس کند، اما نمی تواند دلایل پشت آن الگوها را نشان دهد. بنابراین درک این موضوع ضروری است که آیا عکس‌ها به محیط ساخته شده مربوط هستند و چه جنبه‌هایی از شهر بیشترین علاقه را برای مردم در یک منطقه خاص دارد [ 25 ]. بسیاری از مطالعات از ویژگی “برچسب ها” عکس ها برای تخمین منافع عمومی یا ثبت رویدادهای بزرگ استفاده کرده اند [ 6 ، 7 ، 18 ، 19]. با این حال، این مطالعات ویژگی‌های کلیدی (یعنی عکس‌ها) عکس‌های فلیکر دارای برچسب جغرافیایی را نادیده گرفته‌اند. علاوه بر این، این برچسب‌ها ممکن است به دلیل ناهمگونی آنها به خود عکس‌ها مرتبط نباشند [ 26 ]، در حالی که چندین کاربر اصلاً هیچ برچسبی اضافه نمی‌کنند.

2.2. تشخیص تصویر و تحلیل شهری

با توجه به پیشرفت‌های چشمگیر در تکنیک‌های بینایی کامپیوتر و یادگیری عمیق در سال‌های اخیر، تعداد فزاینده‌ای از آثار تلاش کرده‌اند تا تکنیک‌های تشخیص تصویر را برای درک محیط‌های شهری، بیشتر با تکیه بر تصاویر Google Street View (GSV) به کار ببرند. برخی از تصاویر GSV برای اندازه گیری ادراک ایمنی، طبقه و منحصر به فرد بودن استفاده کردند، بنابراین معیارهای کمی قابل تکرار از ادراک شهری را ایجاد کردند و نابرابری شهرهای مختلف را مشخص کردند [ 27 ]. لاو و همکارانش تصاویر GSV را با مدل‌های سه‌بعدی تولید شده از تصاویر GSV ترکیب کردند و از یک CNN برای طبقه‌بندی نمای خیابان یک تصویر خیابان روبه‌رو در لندن بزرگ استفاده کردند [ 28 ]. به همین ترتیب، ر. [ 29] از تصاویر GSV برای پیش‌بینی کیفیت بصری محیط شهری با مقایسه رتبه‌بندی‌ها بر اساس یک نظرسنجی برای آموزش یک مدل ConvNet طبقه‌بندی تصویر برای پیش‌بینی مقیاس کیفیت نما استفاده کرد. برخی از مطالعات تصاویر GSV را با مجموعه داده های تصویری دیگر ترکیب کرده اند تا ویژگی های قطعه را برای طبقه بندی کاربری زمین شهری استخراج کنند [ 11 ، 30 ]. Naik و همکارانش از یک رویکرد تقسیم‌بندی تصویر و رگرسیون برداری پشتیبانی برای نظارت بر تغییرات محله و مرتبط کردن ویژگی‌های اجتماعی-اقتصادی برای کشف عوامل پیش‌بینی کننده برای بهبود ظاهر فیزیکی استفاده کردند [ 10 ]. تحقیقات جدیدتر یک مدل عمیق CNN، یک شاخص جنگل شهری سلسله مراتبی، برای تعیین کمیت میزان پوشش گیاهی قابل مشاهده بر اساس تصاویر سطح خیابان ایجاد کرده است [ 2 ]].
با این حال، GSV تنها منبع تصویری نیست که می تواند برای کاوش در محیط شهری استفاده شود. جایگزین ها نیز در مطالعات اخیر شهری ظاهر شده اند. برای مثال، تصاویر فلیکر، رایج‌ترین وب‌سایت اشتراک‌گذاری عکس آنلاین، توسط [ 31 ، 32 ] برای طبقه‌بندی و اعتبارسنجی پوشش زمین قابل استفاده هستند. فلیکر همچنین در کار [ 33 ]، که چارچوب جدیدی برای ارزیابی خدمات اکوسیستم با استفاده از Google Cloud Vision و خوشه‌بندی سلسله مراتبی برای تجزیه و تحلیل محتوای عکس‌های فلیکر به صورت خودکار ایجاد کرد، مورد بهره‌برداری قرار گرفت. جدا از فلیکر، «Place Pulse 1.0»، مجموعه داده های تصویر جمع سپاری ایجاد شده توسط [ 27 ]، برای پیش بینی قضاوت انسان در مورد ایمنی یک منظره خیابانی استفاده شد [ 34 ].]. نتایج نشان داد که تصاویر دارای برچسب جغرافیایی همراه با شبکه‌های عصبی می‌توانند برای کمی کردن ادراک شهری در مقیاس جهانی استفاده شوند. سایر مجموعه داده‌های تصاویر جدید، مانند «منظره یا نه»، یک بازی آنلاین که رتبه‌بندی زیبایی تصاویر دارای برچسب جغرافیایی در فضای باز را جمع‌سپاری می‌کند، برای تعیین کمیت زیبایی مکان‌های بیرونی در بریتانیا از طریق مدل‌های Places365-CNN استفاده شد [ 35 ] .
همه این مطالعات نشان می‌دهند که تصاویر دارای برچسب جغرافیایی، در همکاری با تکنیک‌های تشخیص تصویر در بینایی کامپیوتری، می‌توانند درک عمیق‌تری از محیط‌های ساخته‌شده ما را امکان‌پذیر کنند. در همین حال، چالش‌های مختلفی در این برنامه‌ها پدیدار شده است. بیشتر مطالعات بر اساس محیط شهری جهانی انجام می شود، در حالی که مناطق شهری ظریف به ندرت درگیر می شوند. مهمتر از آن، تلاش‌های کمی تشخیص تصویر را با تغییرات شهری مرتبط کرده است [ 10 ، 36]. با این وجود، پویایی شهری نقش مهمی در درک شهرها ایفا می کند، به ویژه برای فضاهای شهری درک شده که منعکس کننده تعاملات انسان با محیط ساخته شده است. بنابراین، این مطالعه این شکاف تحقیقاتی را برای کمی کردن ویژگی‌های محیط‌های ساخته شده شهری محلی (یعنی UAOI در این مقاله) و الگوهای پویای آنها بررسی می‌کند.

2.3. رویکردهای اخیر در تشخیص تصویر

برای حدود یک دهه، پیشرفت هایی در تکنیک های مورد استفاده برای تشخیص تصویر صورت گرفته است. برخی از قابل توجه ترین تکنیک ها شامل طبقه بندی تصویر، تشخیص اشیا و تقسیم بندی تصویر است. طبقه بندی تصویر به برچسب زدن یک عکس بر اساس محتوای آن از مجموعه ثابتی از دسته ها اشاره دارد [ 37 ]. طبقه بندی تصاویر زمانی توجه قابل توجهی به خود جلب کرد که مدل «AlexNet» برنده چالش تشخیص تصویری در مقیاس بزرگ ImageNet 2012 (ILSVRC-2012) شد، که پیشرفتی بود که به طور قابل توجهی میزان خطای تصاویر را به 15.3٪ کاهش داد [ 38 ]]. ILSVRC یک مسابقه سالانه است که هدف آن تخمین خودکار محتوای عکس‌ها از زیرمجموعه‌ای از مجموعه داده‌های ImageNet با برچسب دستی (1000 دسته شی برای آموزش و اعتبارسنجی) است. از آن زمان، تعداد فزاینده‌ای از معماری‌ها/مدل‌های شبکه عصبی کانولوشنال (CNN) از قبل آموزش‌دیده‌شده مانند GoogleNet، ResNet-152، Inception-v4، و غیره برای این مسابقه پیشنهاد شده‌اند که به طور مداوم دقت طبقه‌بندی تصاویر را بهبود بخشیده‌اند. [ 39 ، 40 ، 41 ]. چندین مطالعه در سال‌های اخیر از طبقه‌بندی تصویر برای حل مشکلات تجربی استفاده کرده‌اند – به عنوان مثال، برای آموزش مجدد مجموعه داده‌های تصویر خود بر اساس معماری از پیش آموزش‌دیده برای پیش‌بینی [ 28 ، 29 ]] یا استخراج ویژگی ها از تصاویر از طریق یک مدل از پیش آموزش دیده [ 32 ، 33 ، 35 ]. با برچسب‌گذاری دستی داده‌ها یا استفاده از داده‌های آموزشی آماده، یک تصویر را می‌توان با یک ویژگی/برچسب واحد یا با چندین ویژگی شناسایی کرد.
تکنیک های پیچیده تر شامل تشخیص اشیا و تقسیم بندی تصویر است. در مقایسه با طبقه بندی تصویر، این دو روش قادر به تشخیص و مکان یابی چندین شی از یک تصویر هستند. روش اول، تصاویر فرعی مختلفی را شناسایی می‌کند، یک کادر محدودکننده را در اطراف یک شی شناسایی می‌کشد، در حالی که روش دوم یک تصویر را به اشیا یا قطعاتی که دارای مرزهای دقیق هستند تقسیم می‌کند [ 42 ، 43 ]. رویکردهای اخیری که محبوبیت زیادی به دست آورده اند عبارتند از سریعتر R-CNN (شبکه عصبی کانولوشنال منطقه) [ 44 ] و YOLO (شما فقط یک بار نگاه می کنید) [ 45 ] برای تشخیص شی و ماسک R-CNN [ 41 ].] برای تقسیم بندی تصویر. برخلاف وظایف طبقه‌بندی تصویر که عمدتاً از مجموعه داده ImageNet برای آموزش استفاده می‌کنند، اکثر وظایف تشخیص اشیا و تقسیم‌بندی تصویر بر روی COCO (اشیاء مشترک در زمینه) آموزش داده می‌شوند. COCO یک مجموعه داده تصویری در مقیاس بزرگ است که از 80 دسته برای تشخیص و تقسیم بندی اشیا استفاده می شود [ 46 ]. این دسته ها عمدتاً شامل اشیاء روزمره مانند وسایل نقلیه، افراد و چند حیوان می شوند. این داده ها به طور گسترده در تخمین وضعیت [ 47 ]، تصویربرداری پزشکی [ 48 ]، نظارت تصویری در زمان واقعی [ 49 ] و غیره [ 10 ] استفاده شده است.
با توجه به مناسب بودن و در دسترس بودن این رویکردها، یک مدل طبقه‌بندی تصویری که اخیراً معرفی شده و مرتبط با صحنه است، Places365 CNN [ 50 ]، در مطالعه ما استفاده می‌شود. در مقایسه با سایر مدل‌های CNN از پیش آموزش‌دیده، Places365 CNN با انگیزه ما برای شناسایی ویژگی‌های صحنه از یک محیط ساخته شده مطابقت دارد، در حالی که سایر مدل‌های تشخیص یا تقسیم‌بندی اشیا مربوط به مبلمان اداری، وسایل نقلیه و حیوانات است. مهمتر از آن، این مدل به طور رایگان در دسترس است و به خوبی مستند شده است [ 50 ] اما به ندرت در تحلیل های شهری قبلی استفاده شده است [ 35 ].

3. روش ها

در بخش بعدی، داده‌های فلیکر، منطقه مورد مطالعه و استخراج UAOI را معرفی می‌کنیم و متعاقباً ویژگی‌های UAOI و مناطق بیرونی را از طریق یک مدل طبقه‌بندی تصویر مشخص می‌کنیم. علاوه بر این، یک بعد زمانی دقیق برای بررسی بیشتر ویژگی‌های دینامیکی UAOI ها گنجانده شده است.

3.1. استخراج داده ها و UAOI

داده‌ها از لندن بزرگ جمع‌آوری شده‌اند، زیرا بر اساس آخرین سرشماری سال 2011، لندن بزرگ پایتخت و بزرگترین شهر بریتانیا با بیش از 8 میلیون نفر جمعیت است. علاوه بر این، داده‌های خام نشان می‌دهد که لندن بزرگ نسبت به بسیاری از شهرهای دیگر، حجم بیشتری از عکس‌های فلیکر دارای برچسب جغرافیایی دارد. به طور خاص، Inner London [ 51 ]، بخش داخلی لندن بزرگ، برای شخصیت‌پردازی استفاده می‌شود، زیرا حجم زیادی از عکس‌های فلیکر از لندن داخلی در طول سال‌های مختلف در دسترس است. شکل 1 چگالی فضایی عکس‌ها را در لندن داخلی و لندن بزرگ نشان می‌دهد که توسط تخمین چگالی هسته (KDE) تجسم شده‌اند [ 52 ].
فلیکر یک وب سایت مدیریت و اشتراک گذاری عکس آنلاین است که در آن عکس های عمومی آپلود شده توسط کاربران را می توان از رابط برنامه نویسی برنامه عمومی آن (API، https://www.flickr.com/services/api/ ) درخواست و دانلود کرد. مقیاس فلیکر گسترده است، با 122 میلیون کاربر و بیش از 10 میلیارد عکس تا سال 2016، با درجه نفوذ زیادی [ 53 ]. برخلاف تصاویر GSV که معمولاً با برچسب جغرافیایی استفاده می‌شوند و در زمان واقعی نیستند [ 54 ]، داده‌های تصویر فلیکر در هر زمانی قابل دسترسی هستند و از سال 2004 در دسترس بوده‌اند، و بررسی ویژگی‌های دینامیکی UAOI در بعد زمانی دقیق‌تر امکان‌پذیر است [ 9 ]]. علاوه بر این، مکان‌های تصاویر فلیکر ناشی از انتخاب‌های انسان است و نشان‌دهنده تعاملات انسان با محیط ساخته شده است. با این حال، عکس‌ها به شیوه‌ای مغرضانه گرفته می‌شوند، زیرا جنبه‌های محیط شهری به نحوه تعامل جمعیت‌ها با آن محیط بستگی دارد. به این ترتیب، نمایش تصاویر فلیکر کج است و لزوماً واقعی نیست. این امر احتیاط را در هنگام نتیجه گیری ایجاب می کند. با این وجود، ما استدلال می‌کنیم که داده‌های تصویر فلیکر به دلیل تجسم آن‌ها از درک انسان از محیط ساخته‌شده و انعطاف‌پذیری در بعد زمانی، هنوز برای مطالعه ما معنادار هستند.
دو مرحله اول پیش پردازش داده ها و استخراج UAOI بر اساس چارچوب [ 9]. تمام ابرداده های فلیکر دارای برچسب جغرافیایی آپلود شده در داخل لندن از طریق یک کادر محدود جمع آوری شده اند، با بازه زمانی از اولین روز سال 2013 تا آخرین روز سال 2015. ویژگی های هر رکورد داده شامل مختصات جغرافیایی، زمان ثبت عکس ها، شناسه های کاربر و آدرس های اینترنتی دانلود برای هر عکس. از زمانی که سایت در سال 2004 راه اندازی شد، این بازه زمانی سه ساله، عکس های فلیکر بیشتری نسبت به سایرین دارد. همچنین به ما امکان می دهد با تقسیم زمان به ماه، ویژگی های دینامیکی تصاویر را در UAOI ها کشف کنیم. برای کاهش تأثیر چند کاربر فعال که بر نتایج تجزیه و تحلیل تسلط دارند، ما فقط یک عکس را برای هر کاربر بر اساس برچسب‌های استفاده شده و زمانی که عکس گرفته شده است، حفظ کردیم [ 9 ]]. این به این دلیل است که برخی از کاربران فعال ممکن است بسیاری از عکس‌های مشابه را در یک منطقه با تراکم بالا بگیرند که بر استخراج UAOI تأثیر می‌گذارد. به طور خاص، اگر کاربر در یک دقیقه چندین عکس بگیرد اما با همان برچسب ها، فقط یک عکس حفظ می شود. منطق این رویکرد حذف عکس‌ها در محدوده فضایی محدود بر اساس این فرضیه بود که میانگین سرعت راه رفتن یک فرد 5 کیلومتر در ساعت است [ 55 ]. بر این اساس حداکثر مسافت پیاده روی در یک دقیقه تقریباً 83 متر است. در این فاصله کوتاه، تنها عکس یک کاربر با همان متن حفظ می شود.
برای استخراج UAOI، ما بر روش [ 9 ] تکیه می کنیم که HDBSCAN (خوشه بندی فضایی مبتنی بر چگالی سلسله مراتبی برای کاربرد با نویز) [ 56 ] و اشکال آلفا [ 57 ] را ترکیب می کند. ما UAOI ها را هر ماه توسط HDBSCAN شناسایی کردیم و مرزهای مربوط به هر UAOI را از طریق اشکال آلفا ایجاد کردیم. شکل 2توزیع فضایی همه UAOIهای استخراج شده از سال 2013 تا 2015 در لندن داخلی را در رنگ مرجانی روشن نشان می دهد. ما متعاقباً همه عکس‌های داخل لندن را از طریق پیوندهای URL تعبیه‌شده در فراداده فلیکر دانلود کردیم. از آنجایی که اطلاعات مکانی برای UAOI ها در دسترس است، به عبارت دیگر، تصاویری که به عنوان UAOI گروه بندی می شوند، در دسترس هستند، ما آنها را متعاقبا به دو زیر مجموعه تصویر تقسیم کردیم: تصاویر UAOI و NON-UAOI، با تعداد کل به ترتیب 187064 و 816058 عکس.

3.2. استخراج ویژگی ها از UAOI ها و مناطق بیرونی

برای کشف عوامل محرک بالقوه ای که بر شکل گیری UAOI ها تأثیر می گذارد، از یک تکنیک تشخیص تصویر برای شناسایی اشیاء در هر تصویر فلیکر استفاده می شود. مدل‌های CNN عموماً برای پردازش داده‌ها در قالب آرایه‌های چندگانه طراحی شده‌اند، مانند داده‌های تصویر رنگارنگ متشکل از سه آرایه دو بعدی که به صورت مقادیر پیکسل در سه کانال رنگی ارائه می‌شوند.
در این کار، از یک مدل طبقه‌بندی تصویر، Places365 CNN، برای استخراج ویژگی‌های UAOI استفاده شده است. دلیل استفاده از این مدل طبقه بندی به جای تشخیص اشیا در درجه اول این است که ما به ویژگی های مکان ها علاقه مند هستیم. Places365 CNN می تواند به عنوان یک طبقه بندی کننده برای شناسایی صحنه ها از محیط ساخته شده کار کند. روش دیگر، مدل‌های تشخیص تصویر دیگر نیز می‌تواند مورد استفاده قرار گیرد، اما ما Places365 CNN را به عنوان سازنده‌ترین مدل در این زمینه از مطالعه در نظر گرفتیم. Places365 جدیدترین زیرمجموعه پایگاه داده Places2 است که توسط 1.8 میلیون تصویر از 365 دسته صحنه آموزش داده شده است که در هر دسته حداکثر 5000 تصویر وجود دارد [ 50 ]]. ما به‌طور خاص از مدل Places365-ResNet استفاده می‌کنیم که در معماری ResNet152 (شبکه باقی‌مانده 152 لایه) به‌خوبی تنظیم شده است. این مدل CNN بهترین عملکرد را دارد. دقت طبقه‌بندی پنج برتر آن به 85.08 درصد می‌رسد، در حالی که پنج دقت طبقه‌بندی برتر برای سایر CNN‌های محبوب، مانند Places365-AlexNet، Places365-GoogleNet و Places365-VGG، به ترتیب 82.89، 83.88 درصد و 84.91 درصد هستند [ 50 ]. .
همه عکس‌های داخل و خارج از UAOI به مدل Places365-Resnet داده می‌شوند، با هدف بررسی اینکه آیا ویژگی‌های منحصر به فردی در UAOI در مقایسه با مناطق دیگر وجود دارد یا خیر. برای اجرای راندمان بالا، فرآیند تشخیص همه عکس‌ها (تقریباً 100 گیگابایت) با استفاده از یک پردازنده گرافیکی Nvidia Quadro M5000 با حافظه 8 گیگابایتی انجام شد. از آنجایی که هر عکس ممکن است شامل بیش از یک کلاس صحنه باشد، مدل تنظیم شده است تا حداکثر پنج برچسب برتر را بر اساس احتمال هر عکس از مجموعه داده ما برگرداند. علاوه بر این، دقت طبقه بندی پنج برچسب برتر (85.08٪) بسیار فراتر از یک برچسب برتر (54.74٪) است که در کار [ 50 ] تایید شد.]. سپس، احتمال همه برچسب‌های یکسان را با هم ادغام می‌کنیم و بر تعداد کل عکس‌های UAOI و سایر مناطق به طور جداگانه تقسیم می‌کنیم. این مرحله به ما کمک می کند تا میانگین احتمال منظم هر برچسب را در مناطق مختلف بدست آوریم. جدول 1 یک تصویر عددی از نحوه تفسیر و تجسم نتایج را در بخش 4.1 نشان می دهد. بخش هایی از استخراج از 365 دسته/برچسب را نشان می دهد، جایی که احتمال بالاتر یک برچسب نشان دهنده ویژگی های مهم تری در آن ناحیه است و بالعکس.
با توجه به ماهیت زمانی UAOI ها، UAOI های خاصی ظهور کردند و تنها در عرض چند ماه ناپدید شدند (نمونه هایی را در شکل 3 ببینید ). UAOI در شمال غربی نیوهام در ژوئیه و آگوست ظاهر می شود اما در سپتامبر 2013 ناپدید می شود و UAOI در وسط Southwark در ماه اوت ظاهر می شود اما در ماه بعد ناپدید می شود. با این حال، ویژگی های منظم شناسایی شده در UAOI ها در طول سه سال قادر به ثبت این تغییرات جزئی فصلی نیستند. در نتیجه، توضیح اینکه چرا مردم در زمان‌های خاص در UAOI‌های خاص بدون شناسایی الگوهای پویا زیربنای این تصاویر جمع می‌شوند، چالش برانگیز است.
برای درک عواملی که به تغییرات پویای UAOI کمک کردند، عکس‌ها را به وضوح زمانی دقیق‌تر تقسیم کردیم (یعنی عکس‌ها را بر اساس ماه گروه‌بندی کردیم). به همین ترتیب، حداکثر پنج احتمال بالای برچسب‌ها برگردانده شد و میانگین احتمال هر برچسب برای UAOI و غیر UAOI در یک ماه محاسبه شد. در ادامه ، 36 جدول مشابه جدول 1 در ماه های مختلف به دست آمد. سپس، ما آنها را در یک جدول به هم پیوستیم و احتمال برچسب UAOI را تعیین کردیم، جایی که سطر و ستون 365 ویژگی و 36 ماه مختلف را به طور جداگانه نشان می‌دهند. ما در نهایت مقادیر میانگین احتمالات برچسب را برای ماه های یکسان اما برای سال های مختلف محاسبه کردیم، همانطور که در جدول 2 نشان داده شده است.که شامل یک نمونه کوچک از 365 برچسب و یک تصویر عددی برای بخش 4.2 است. با انجام این کار، ویژگی‌های قابل توجه UAOIها در ماه‌های مختلف شناسایی می‌شوند و در نتیجه به ما امکان می‌دهند چندین الگوی پویا جالب را ثبت کنیم.

مقادیر احتمال جدول 2 در بین برچسب های فردی بسیار متفاوت است. به عنوان مثال، مقادیر برچسب “برج” حدود 20 برابر بیشتر از مقادیر برچسب “چرخ فلک” است. نابرابری مقیاس ها چالش بزرگی را در مقایسه همزمان تنوع همه ویژگی ها ایجاد کرد. برای انجام این کار، ما امتیاز z را برای استاندارد کردن همه مقادیر احتمال برچسب بر اساس ردیف محاسبه کردیم. از این مقادیر می توان برای مقایسه نتایج با میانگین نمونه احتمال برچسب برای هر ردیف استفاده کرد. این روش یک مقدار نرمال شده (z-score) را بر اساس میانگین و انحراف استاندارد آن برمی گرداند. Z-Score اصلی را می توان با فرمول زیر محاسبه کرد:

ز=ایکس-ایکس¯س

جایی که ایکسنشان دهنده مقدار نقطه داده و ایکس¯و سبه ترتیب میانگین نمونه و انحراف استاندارد نمونه را نشان می دهد. این فرآیند تضمین می کند که مقادیر در هر ردیف در جدول 2 در یک مقیاس هستند، بنابراین پایه و اساس تجزیه و تحلیل نقشه حرارتی بعدی را ایجاد می کند. نقشه حرارتی یک نمایش گرافیکی از داده ها است که در آن مقادیر موجود در یک ماتریس به صورت رنگ نمایش داده می شوند. هرچه رنگ تیره تر باشد، مقدار یا چگالی آن بیشتر است. ما تجزیه و تحلیل نقشه حرارتی را بر روی امتیاز z احتمال یک برچسب انجام دادیم زیرا یک الگوی بصری فوری از برچسب‌ها را در یک جدول زمانی برمی‌گرداند و بینش بهتری نسبت به ویژگی‌های دینامیکی UAOI ارائه می‌دهد.

4. نتایج و بحث

4.1. ویژگی های منظم UAOI ها و غیر UAOI ها

بر اساس میانگین احتمالات منظم 365 دسته برای UAOI ها و مناطق خارجی، ما 50 دسته برتر را برای هر دو در یک نمودار هرم معکوس تجسم کردیم ( شکل 4 را ببینید.). برچسب‌ها برای محورهای y چپ و راست به صورت سلسله مراتبی سازمان‌دهی شده‌اند، که نشان‌دهنده اهمیت ویژگی‌ها از بیشتر به کمترین در داخل و خارج UAOI است. سه ویژگی اصلی برای UAOI ها عبارتند از “برج”، “آسمان خراش” و “پل” که نشان می دهد برج لندن، آسمان خراش ها و انواع پل ها مانند پل هزاره و پل برج، مهم ترین نمادهای UAOI هستند. و دلایل اصلی تجمع مردم در این مکان ها. ترکیب کلی UAOIها شامل نقاط دیدنی نمادین، ساختمان‌های تاریخی و معروف، مکان‌های تفریحی، و موزه‌ها و گالری‌ها می‌شود، زیرا پرتکرارترین ظاهر این ویژگی‌ها شامل برچسب‌های «کانال»، «لنگرگاه»، «کلیسا»، «تفریح» است. پارک، موزه، گالری و غیره. اجزای مناطق خارج از UAOI بیشتر به اتوبوس‌ها یا ایستگاه‌های قطار و همچنین چندین مکان سرپوشیده مانند «آرنا»، «استودیوی موسیقی»، «مرکز کنفرانس» و «فروشگاه‌ها» مرتبط است. اینها صحنه های معمولی از زندگی روزمره هستند که برای تعداد زیادی از مردم جذابیت کمتری دارند.
چند ویژگی تکراری در 50 مورد برتر برای هر دو دسته وجود دارد که تعیین تفاوت بین UAOI ها و Non-UAOI ها را دشوار می کند. به عنوان مثال، برچسب‌های «برج»، «خیابان»، «ایستگاه اتوبوس»، «آسمان‌خراش» و «مرکز شهر» در 10 مورد برتر برای هر دو مشخص شده‌اند. سپس با محاسبه مقادیر مختلف میانگین احتمال منظم همه برچسب‌ها در UAOIs و Non-UAOI، مهم‌ترین ویژگی‌ها را برای هر دو ناحیه متمایز کردیم. شکل 5تفاوت ویژگی ها بین UAOI ها و Non-UAOI ها را نشان می دهد. با ترسیم این، ویژگی هایی که در هر دو مشترک هستند، در صورتی که احتمالات آنها یکسان بود و در نتیجه در شکل ظاهر نمی شوند، از بین می روند. میله‌های مرجانی روشن و خاکستری به ترتیب ویژگی‌های مهم تری را برای UAOI و غیر UAOI نشان می‌دهند. تعداد کل 28 برچسب در UAOI ها احتمال بیشتری دارند، در حالی که برچسب های بیشتری در غیر UAOI قابل شناسایی هستند. این را می توان به مناطق وسیع و متنوع غیر UAOI نسبت داد، جایی که تعداد بیشتری عکس گرفته شده است. اگرچه سطوح قابل توجه ویژگی ها در UAOI ها و Non-UAOI ها کمی با آنچه در شکل 4 آمده است متفاوت است.، الگوی کلی با ویژگی های نشان داده شده در بالا مطابقت دارد. امارات متحده عربی شامل نقاط دیدنی و مکان‌های تفریحی مانند «برج»، «کلیسا»، «کانال»، «فواره»، «پارک تفریحی» و «مرکز خرید» است، در حالی که مناطق کمتر مورد توجه بیشتر به زندگی روزمره، از جمله برچسب هایی مانند «ایستگاه اتوبوس»، «خیابان»، «بار»، «مرکز کنفرانس» و «راه آهن».
این ویژگی های منظم به طور کمی نشان می دهد که چرا مردم به طور منظم در UAOI ها طی چندین سال جمع می شوند، و همچنین تفاوت های مشخصه بین UAOI ها و مناطق دیگر. تعداد زیادی از بناهای معروف جهان، آسمان‌خراش‌های مدرن، مراکز خرید در مقیاس بزرگ، میدان‌ها و مکان‌های تفریحی در UAOI قرار دارند. منحصر به فرد بودن این عناصر هزاران نفر (اعم از مسافران و ساکنان لندن داخلی) را به سمت عکس گرفتن از آنها جذب کرده است. برعکس، ویژگی‌های عکس‌های گرفته شده در خارج از UAOI نسبتاً رایج و ناشناس هستند و عمدتاً با صحنه‌های زندگی روزمره مرتبط هستند. می‌خواهیم تاکید کنیم که ویژگی‌هایی مانند استودیو موسیقی و میخانه نسبت به غیر UAOI تمایل کمی دارند، اما به عنوان یک دال واضح از کلاس مشخص نمی‌شوند (به عبارت دیگر، آنها را می توان در وسط شکل پیدا کرد). از نظر ذهنی، این می‌تواند با افرادی مطابقت داشته باشد که بدون هدف خاصی در این مناطق عکس می‌گیرند در مقایسه با عکس‌های هدفمندتر گرفته شده در UAOI، مانند ثبت جاذبه‌های گردشگری خاص مانند پل برج.
مهمتر از همه، نتایج نشان می‌دهد که تصاویر فلیکر دارای برچسب جغرافیایی می‌توانند برای کمی کردن ویژگی‌های محیط شهری به جای برچسب‌ها استفاده شوند. این به ندرت در تحقیقات گذشته مورد بررسی قرار گرفته است، که در آن تعداد کمی از مطالعات به جای آن از برچسب های فلیکر برای درک محیط شهری و درک مردم از آن استفاده کرده اند [ 7 ، 8 ، 22 ]. علاوه بر این، این نتایج به آشنایی ما با ویژگی‌های ادراک جوامع بزرگ در مقیاس محلی کمک می‌کند، در حالی که تلاش‌های قبلی عمدتاً بر ویژگی‌های ظاهر شهری جهانی متمرکز بود.

4.2. ویژگی های دینامیکی UAOI

بر اساس تبدیل z-score، شکل 6یک نقشه حرارتی با 50 برچسب برتر از نظر احتمال وقوع نمایش می دهد. این نمایش ویژگی های اساسی UAOI ها را در بازه های زمانی مشخص نشان می دهد، جایی که قرمز تیره یا آبی تیره تر به ترتیب نشان دهنده انحراف استاندارد بالاتر یا پایین تر از میانگین یک برچسب در طول دوره است. سه ویژگی اصلی “برج”، “آسمان خراش” و “پل” UAOI عمدتاً یک رنگ میانی بین قرمز و آبی را نشان می دهد، با امتیاز z از -1 تا 1، که نشان می دهد این سه ویژگی برای مردم در تمام طول سال جذاب باقی می مانند. گرد رنگ چندین برچسب مرتبط با حمل و نقل، مانند “ایستگاه_مترو”، “ایستگاه_قطار” و “پایگاه_فرودگاه” از ژانویه تا مارس کمی قرمز بود اما برای بقیه سال آبی بود، که نشان می‌دهد عکس‌های بیشتری با این حالت‌های سفر گرفته شده است. در طول این ماه ها برعکس، زمانی که هوا گرم‌تر می‌شود، اولویت‌های حالت سفر افراد ممکن است متفاوت باشد، احتمالاً پیاده‌روی بیشتر و وسایل نقلیه کمتر. این موضوع در برچسب‌های «خیابان»، «تفرم‌گرد» و «مسیر عابر پیاده» آشکار می‌شود که امتیاز z احتمال آن در ژوئن یا جولای به اوج خود می‌رسد اما در ماه‌های دیگر در یک احتمال متوسط ​​باقی می‌ماند. ما همچنین الگوهای فصلی مختلفی از فعالیت های داخلی و خارجی را برای UAOI ها کشف کردیم. برای مثال، مجموعه‌ای از موزه‌ها و گالری‌های سرپوشیده با عنوان «موزه/سرپوشیده»، «موزه_تاریخ_طبیعی»، «موزه_علمی» و «گالری_هنری» در ماه‌های نسبتاً سرد (بهمن و اسفند) در مقایسه با بقیه رایج‌تر بودند، در حالی که تعداد ساختمان‌های باشکوه، و همچنین مکان‌های تفریحی در فضای باز، با برچسب‌هایی مانند «کلیسا»، «کاخ»، «مسجد»، «قلعه»، «پلازا»، «بازار»،
این الگوهای پویا نشان می‌دهند که فصل تأثیر مهمی بر فعالیت‌های انسانی دارد و به طور قابل توجهی حالت‌های سفر و حالت‌های فعالیت افراد را تغییر می‌دهد، که منجر به ویژگی‌های مختلف صحنه UAOI در طول سال می‌شود. ویژگی‌های UAOI بیشتر شامل وسایل نقلیه و ساختمان‌های سرپوشیده در زمستان است، زیرا مردم ترجیح می‌دهند از وسایل نقلیه و فعالیت‌های داخلی در فصل سرما عکس بگیرند. به همین ترتیب، ویژگی‌های UAOI شامل گذرگاه‌های بیشتر، ساختمان‌های باشکوه، و مناطق تفریحی در ماه‌های گرم‌تر است، زیرا عکس‌های بیشتری در این دوره از این ویژگی‌ها گرفته شده است.
این نتایج همچنین نشان می‌دهد که چگونه ادراک شهری در طول زمان تغییر می‌کند و نشان می‌دهد که تحلیل‌های پویا برای محیط شهری مهم هستند. اینها شکاف تحقیقاتی شناسایی شده در ویژگی های پویای شهرها را پر می کنند [ 10 ، 36 ]. در همین حال، پیامدهای عملی ویژگی های پویا UAOI ها را می توان در اقدامات خرده فروشان و مقامات محلی منعکس کرد. به عنوان مثال، چند خرده فروش در UAOI می توانند ساعات کاری خود را افزایش دهند یا تبلیغات هدفمند را در تابستان به مشتریان بالقوه ارائه دهند، زیرا مردم در این دوره فعال تر بودند.

4.3. ظرفیت و سوگیری استفاده از Places365-CNN در این زمینه

علاوه بر این، نقشه حرارتی بالا همچنین نشان می‌دهد که الگوهای خاصی مستحق توجه ویژه هستند. بدیهی است که برخی از ویژگی‌ها در طول یک ماه بسیار محبوب هستند (یعنی قرمزترین) مانند کافی‌شاپ‌ها، خیابان‌ها، گذرگاه‌ها و پارک‌های تفریحی. برای بررسی اتفاقاتی که در این ماه ها با ویژگی های مربوطه رخ داده است، برچسب «پارک_بازی» به عنوان نمونه برای بازرسی انتخاب شد. به طور خاص، ما عکس‌هایی را که در ماه دسامبر به‌عنوان «پارک_تفریحی» طبقه‌بندی شده بودند، به مدت سه سال استخراج کردیم و یک احتمال طبقه‌بندی را 0.5 برای فیلتر کردن عکس‌های کمتر از آستانه تعیین کردیم. در مجموع 175 عکس پس از فیلتر نگه داشته شد که اکثریت آنها (54.7٪) در UAOIها توزیع شدند، جایی که هاید پارک، میدان ترافالگار، پل لندن و گرینویچ شمالی قرار دارند.شکل 7 (به دلیل اشکال مختلف عکس‌ها، برخی از تصاویر برای کمک به تجسم در این شکل تغییر مقیاس داده و برش داده شده‌اند. عکاسان (شناسه‌های کاربری فلیکر) تصاویر در شکل 7 : © 17576427@N00 , © 89333651 @ N003 @ N04 ، © 42230049@N03 ، © 16483105@N02 ، © 87076514@N02 ، © 64882892 @ N08 ، © 24605992 @ N06 ، © 75209620@N00 ، © 42112515. @N00 , © 74264857@N00.کپی رایت تصاویر توسط عکاسان محفوظ است) تعداد انگشت شماری نمونه از 175 عکسی را که ما استخراج کردیم، که توسط عکاسان مختلف در سال های مختلف گرفته شده اند، نمایش می دهد. در اینجا می توانیم چرخ و فلک، بازارهای غذای خیابانی، ترن هوایی، اسکیت روی یخ، و چرخ فلک ها را ببینیم. این نوع ویژگی های صحنه در نیمه بالایی تصاویری که در هاید پارک گرفته شده اند قرار دارند. به نظر می رسد این مربوط به سرزمین عجایب زمستانی هاید پارک است، یک بازی عجیب کریسمس که هر سال به مدت 6 هفته از اواسط نوامبر تا پایان دسامبر برای عموم باز است [ 58 ]. این یکی از دلایلی است که “پارک_تفریحی” در دسامبر مطابق با دانش رایج ما به اوج خود رسید.
با این حال، این دقیقاً به نصب یک شهربازی واقعی در هنگام بررسی عکس های نشان داده شده در بقیه شکل 7 مربوط نمی شود.. این عکس‌ها در میدان ترافالگار به جای هاید پارک گرفته شده‌اند، جایی که مجسمه‌ای از یک مرغ آبی غول‌پیکر، یک درخت کریسمس و یک فواره با نور قرمز توسط چندین عکاس ثبت شده است. این صحنه‌ها به معنای دقیق‌تر بخشی از یک شهربازی نیستند، اما ادغام آن‌ها در مکان و زمان خاصی را می‌توان یک شهربازی موقت در نظر گرفت، زیرا مجسمه‌های آبی، درختان سبز و فواره‌های قرمز شبیه به ویژگی‌های رنگارنگ یک شهربازی هستند. شهر بازی. دلیل احتمالی این پدیده این است که گروه هایی از مردم در ماه دسامبر در اطراف میدان ترافالگار جمع شدند زیرا درخت کریسمس در اوایل دسامبر در اینجا ظاهر شد و رویدادهای مختلفی مانند مراسم نورافشانی و سرودخوانی در این دوره اتفاق افتاد [ 59 ]]. بنابراین، “پارک تفریحی” در ماه دسامبر بسیار رایج شد زیرا بسیاری از مکان های دیدنی فصلی ظاهر شدند و رویدادهای دیدنی در چند UAOI به دلیل کریسمس رخ داد.
این الگو نشان می دهد که مدل Places365-CNN از قبل آموزش دیده ممکن است به خوبی با تصاویر فلیکر مطابقت نداشته باشد، زیرا چندین تصویر را می توان بر اساس ویژگی های مغرضانه شناسایی کرد. با این وجود، ظرفیت این مدل CNN برای بازگشایی ویژگی های محیط ساخته شده محلی را نمی توان دست کم گرفت، چیزی که سایر مدل ها به ندرت دارند. این مدل با موفقیت چندین اطلاعات مفید را از مناطق شهری شناسایی کرد که می تواند به عنوان مرجعی برای سیاست گذاران و ذینفعان مورد استفاده قرار گیرد.

5. نتیجه گیری ها

در این مطالعه، یک روش تشخیص تصویر اخیر و به ندرت استفاده شده، Places365 CNN، برای استخراج و کمی کردن ویژگی‌های محیط شهری محلی از عکس‌های فلیکر استفاده شد. ما ابتدا تفاوت‌های ویژگی‌های معمولی را در داخل و خارج UAOI در طول سه سال مقایسه کردیم. سپس، ویژگی های پویای UAOI ها را در آن دوره بررسی کردیم. نتایج به توضیح این موضوع کمک می کند که چرا مردم بیشتر از سایرین به مناطق شهری خاص علاقه مند می شوند، این مناطق دارای چه ویژگی هایی هستند و آیا این ویژگی ها می توانند در طول زمان تغییر کنند. ما دریافتیم که UAOIها عمدتاً در مناطقی شناسایی شده‌اند که نشانه‌های نمادین، جاذبه‌های توریستی، ساختمان‌های باشکوه، و مناطق تفریحی مانند برج‌ها، پل‌ها، آسمان‌خراش‌ها، کلیساها، میدان‌ها، و مراکز خرید – که با ویژگی‌های غیرنظامی متفاوت است. -UAOI ها، که در آن مناطق بیشتر مربوط به زندگی روزمره مانند ایستگاه ها، مغازه ها و مکان های سرپوشیده گرفته شده است. از نظر خصوصیات دینامیکی UAOIها، UAOIهای استخراج شده در زمستان حاوی وسایل نقلیه و ساختمانهای سرپوشیده بیشتری بودند، در حالی که UAOIهایی که در فصلهای دیگر استخراج می شدند شامل بیشتر عابر پیاده، ساختمانهای باشکوه و مناطق تفریحی بودند. این الگوها نشان می‌دهند که فصل تأثیر مهمی بر ترجیحات انسان برای سفر و حالت‌های فعالیت دارد. مردم تمایل دارند در روزهای سرد زمستان با وسایل نقلیه مختلف سفر کنند و فعالیت‌های داخلی انجام دهند، اما وقتی هوا گرم‌تر می‌شود، پیاده روی می‌کنند و به فعالیت‌های بیرونی می‌پردازند. در حالی که UAOI های استخراج شده در فصل های دیگر شامل گذرگاه های بیشتر، ساختمان های باشکوه و مناطق تفریحی بود. این الگوها نشان می‌دهند که فصل تأثیر مهمی بر ترجیحات انسان برای سفر و حالت‌های فعالیت دارد. مردم تمایل دارند در روزهای سرد زمستان با وسایل نقلیه مختلف سفر کنند و فعالیت‌های داخلی انجام دهند، اما وقتی هوا گرم‌تر می‌شود، پیاده روی می‌کنند و به فعالیت‌های بیرونی می‌پردازند. در حالی که UAOI های استخراج شده در فصل های دیگر شامل گذرگاه های بیشتر، ساختمان های باشکوه و مناطق تفریحی بود. این الگوها نشان می‌دهند که فصل تأثیر مهمی بر ترجیحات انسان برای سفر و حالت‌های فعالیت دارد. مردم تمایل دارند در روزهای سرد زمستان با وسایل نقلیه مختلف سفر کنند و فعالیت‌های داخلی انجام دهند، اما وقتی هوا گرم‌تر می‌شود، پیاده روی می‌کنند و به فعالیت‌های بیرونی می‌پردازند.
این مطالعه به هر دو حوزه نظری و عملی کمک می کند. ما نشان دادیم که خود عکس‌های فلیکر می‌توانند برای درک ویژگی‌های درک شده شهرها، به جای روش‌های سنتی، با استفاده از برچسب‌های فلیکر و سایر منابع تصویر مانند تصاویر GSV استفاده شوند. مهمتر از آن، این کار راهی بالقوه برای پر کردن شکاف تحقیقاتی بین تکنیک‌های تشخیص تصویر و تجزیه و تحلیل ادراک شهری ارائه می‌کند. مقیاس های محلی و ویژگی های دینامیکی نقش مهمی در شناخت ویژگی های محیط شهری دارند. از نظر اهمیت عملی، ویژگی های منظم و پویا محیط شهری بینش جدیدی را برای سیاست گذاران فراهم می کند که می توانند از این یافته ها به عنوان شواهد حیاتی برای تصمیم گیری استفاده کنند. ویژگی های منظم UAOI ها برای برنامه ریزان شهری آموزنده است تا به آنها درک کلان از مناطق شهری بدهد و به آنها در تدوین سیاست های مربوطه کمک کند، مانند سرمایه گذاری بیشتر در UAOI های خاص برای تحریک مصرف برای رشد اقتصادی. ویژگی های پویای UAOI می تواند به برنامه ریزان حمل و نقل کمک کند تا فرکانس سفر را در فصول مختلف تنظیم کنند، با فرکانس سفر در زمستان بیشتر از تابستان. علاوه بر این، تعدادی خرده فروش نیز ممکن است از ویژگی های پویای UAOI الهام گرفته و به آنها کمک کند تا تبلیغات شخصی سازی شده را در مکان ها و زمان های خاص بهتر طراحی کنند یا ساعات کاری خود را در تابستان افزایش دهند. مانند سرمایه گذاری بیشتر در UAOI های خاص برای تحریک مصرف برای رشد اقتصادی. ویژگی های پویای UAOI می تواند به برنامه ریزان حمل و نقل کمک کند تا فرکانس سفر را در فصول مختلف تنظیم کنند، با فرکانس سفر در زمستان بیشتر از تابستان. علاوه بر این، تعدادی خرده فروش نیز ممکن است از ویژگی های پویای UAOI الهام گرفته و به آنها کمک کند تا تبلیغات شخصی سازی شده را در مکان ها و زمان های خاص بهتر طراحی کنند یا ساعات کاری خود را در تابستان افزایش دهند. مانند سرمایه گذاری بیشتر در UAOI های خاص برای تحریک مصرف برای رشد اقتصادی. ویژگی های پویای UAOI می تواند به برنامه ریزان حمل و نقل کمک کند تا فرکانس سفر را در فصول مختلف تنظیم کنند، با فرکانس سفر در زمستان بیشتر از تابستان. علاوه بر این، تعدادی خرده فروش نیز ممکن است از ویژگی های پویای UAOI الهام گرفته و به آنها کمک کند تا تبلیغات شخصی سازی شده را در مکان ها و زمان های خاص بهتر طراحی کنند یا ساعات کاری خود را در تابستان افزایش دهند.
با این حال، محدودیت های این مطالعه توجه بیشتر را در کار آینده ایجاب می کند. فلیکر تنها یک نوع داده تصویر دارای برچسب جغرافیایی را ارائه می دهد. کار آینده باید چندین منبع تصویر را با هم ترکیب کند، که نتایج را متقاعد کننده تر می کند و پوشش تجزیه و تحلیل را بهبود می بخشد. علاوه بر این، اگرچه مدل Places365 CNN که برای استخراج ویژگی‌های شهری استفاده کردیم، دقت طبقه‌بندی نسبتاً بالایی در مقایسه با سایرین دارد، این مدل بر روی مجموعه داده Places2 آموزش داده شده است که ممکن است با مجموعه داده‌های فلیکر در این مطالعه متفاوت باشد. این می تواند منجر به ناسازگاری چندین ویژگی توسط Places365-CNN با ویژگی های واقعی تصاویر شود. این مشکل را می توان با برچسب گذاری دستی ویژگی ها برای تعداد معینی از تصاویر و سپس آموزش مجدد آنها با تنظیم دقیق پارامترها در لایه max-pooling Places365-CNN برطرف کرد. در نهایت، منطقه مورد مطالعه ما در سطح محلی لندن داخلی قرار داشت. الگوهای جالب‌تری را می‌توان در مقیاس کوچک‌تر با گنجاندن شهرهای بیشتر در کارهای آینده کشف کرد.

منابع

  1. سینگلتون، AD; اسپیلمن، SE; Folch، DC Urban Analytics ; Sage: لندن، بریتانیا، 2018. [ Google Scholar ]
  2. Stubbings، P. پسکت، جی. رو، اف. Arribas-Bel، D. یک فهرست سلسله مراتبی جنگل شهری با استفاده از تصاویر سطح خیابان و یادگیری عمیق. Remote Sens. 2019 , 11 , 1395. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. Arribas-Bel، D. تصادفی، باز و همه جا: منابع داده در حال ظهور برای درک شهرها. Appl. Geogr. 2014 ، 49 ، 45-53. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. هولنشتاین، ال. Purves، RS کاوش مکان از طریق محتوای تولید شده توسط کاربر: استفاده از برچسب های Flickr برای توصیف هسته های شهر. جی. اسپات. Inf. علمی 2010 ، 2010 ، 21-48. [ Google Scholar ]
  5. دوروارت، م. مور، RL; لئونگ، ادراک بازدیدکنندگان YF از محیط مسیر و اثرات آن بر تجربیات: مدلی برای تجارب تفریحی مبتنی بر طبیعت. لیس. علمی 2009 ، 32 ، 33-54. [ Google Scholar ] [ CrossRef ]
  6. کراندال، دی. بکستروم، ال. هاتنلوچر، دی. کلینبرگ، جی. نقشه برداری از عکس های جهان. در مجموعه مقالات WWW’09—هجدهمین کنفرانس بین المللی وب جهانی، مادرید، اسپانیا، 20 تا 24 آوریل 2009. [ Google Scholar ]
  7. کیسیلویچ، اس. کرستایچ، م. کیم، دی. آندرینکو، ن. Andrienko, G. تجزیه و تحلیل مبتنی بر رویداد از فعالیت ها و رفتار افراد با استفاده از مجموعه عکس های دارای برچسب جغرافیایی Flickr و Panoramio. در مجموعه مقالات کنفرانس بین المللی تجسم اطلاعات، لندن، بریتانیا، 26 تا 29 ژوئیه 2010. [ Google Scholar ]
  8. هو، ی. گائو، اس. یانوویچ، ک. یو، بی. لی، دبلیو. پراساد، اس. استخراج و درک مناطق شهری مورد علاقه با استفاده از عکس های دارای برچسب جغرافیایی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 240-254. [ Google Scholar ] [ CrossRef ]
  9. چن، ام. آریباس-بل، دی. Singleton، A. درک پویایی مناطق شهری مورد علاقه از طریق اطلاعات جغرافیایی داوطلبانه. جی. جئوگر. سیستم 2019 ، 21 ، 89-109. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. نایک، ن. کومینرز، SD; راسکار، ر. گلیزر، EL; هیدالگو، کالیفرنیا بینایی کامپیوتری پیش‌بینی‌کننده‌های تغییرات فیزیکی شهری را آشکار می‌کند. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2017 ، 114 ، 7571–7576. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. ژانگ، اف. ژانگ، دی. لیو، ی. Lin, H. نمایش مکان‌های محلی با استفاده از عناصر صحنه. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 71 ، 153-164. [ Google Scholar ] [ CrossRef ]
  12. Seresinhe، CI; خندق، HS; Preis، T. کمی کردن مناطق دیدنی با استفاده از داده های جمع سپاری. محیط زیست طرح. ب مقعد شهری. علوم شهر 2018 ، 45 ، 567-582. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. لکون، ی. بنژیو، ی. هینتون، جی. یادگیری عمیق. طبیعت 2015 ، 521 ، 436-444. [ Google Scholar ] [ CrossRef ]
  14. کروکس، AT; کرویتورو، آ. جنکینز، ا. مهابیر، ر. آگوریس، پ. Stefanidis، A. داده های بزرگ تولید شده توسط کاربر و مورفولوژی شهری. محیط ساخته شده 2016 ، 42 ، 396-414. [ Google Scholar ] [ CrossRef ]
  15. دانکل، الف. تجسم محیط درک شده با استفاده از داده‌های جغرافیایی عکس جمع‌سپاری شده. Landsc. طرح شهری. 2015 ، 142 ، 173-186. [ Google Scholar ] [ CrossRef ]
  16. آنتونیو، وی. مورلی، جی. Haklay, M. Web 2.0 عکس های دارای برچسب جغرافیایی: ارزیابی بعد فضایی پدیده. Geomatica 2010 ، 64 ، 99-110. [ Google Scholar ]
  17. میاه، اس جی. Vu، HQ; گامک، جی. McGrath، M. یک روش تجزیه و تحلیل داده های بزرگ برای تجزیه و تحلیل رفتار گردشگران. Inf. مدیریت 2017 ، 54 ، 771-785. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. راتنبری، تی. خوب، N. نعمان، م. به سوی استخراج خودکار معناشناسی رویداد و مکان از تگ های فلیکر. در مجموعه مقالات سی امین کنفرانس بین المللی سالانه ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، آمستردام، هلند، 23 تا 27 ژوئیه 2007. [ Google Scholar ]
  19. پاپادوپولوس، اس. زیگکلیس، سی. کمپاتسیاریس، ی. وکالی، الف. تشخیص نشانه و رویداد مبتنی بر خوشه برای مجموعه‌های عکس برچسب‌گذاری شده. IEEE Multimed. 2011 ، 1 ، 52-63. [ Google Scholar ] [ CrossRef ]
  20. ژنگ، YT; ژا، زجی؛ الگوهای سفر معدن Chua، TS از عکس های دارای برچسب جغرافیایی. ACM Trans. هوشمند سیستم تکنولوژی 2012 ، 3 ، 1-8. [ Google Scholar ] [ CrossRef ]
  21. سان، ی. فن، اچ. باکی‌الله، م. Zipf، A. توصیه سفر مبتنی بر جاده با استفاده از تصاویر دارای برچسب جغرافیایی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 53 ، 110-122. [ Google Scholar ] [ CrossRef ]
  22. لی، ال. Goodchild، MF; Xu، B. الگوهای مکانی، زمانی و اجتماعی-اقتصادی در استفاده از توییتر و فلیکر. کارتوگر. Geogr. Inf. علمی 2013 ، 40 ، 61-77. [ Google Scholar ] [ CrossRef ]
  23. لی، آی. کای، جی. لی، ک. کاوش عکس‌های دارای برچسب جغرافیایی از طریق روش‌های داده کاوی. سیستم خبره Appl. 2014 ، 41 ، 397-405. [ Google Scholar ] [ CrossRef ]
  24. هریستوا، دی. Aiello، LM; Quercia، D. موفقیت شهری جدید: فرهنگ چگونه پرداخت می کند. جلو. فیزیک 2018 ، 6 ، 27. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  25. ریچاردز، DR. Friess, DA یک شاخص سریع از استفاده از خدمات اکوسیستم فرهنگی در مقیاس فضایی خوب: تجزیه و تحلیل محتوای عکس های رسانه های اجتماعی. Ecol. اندیک. 2015 ، 53 ، 187-195. [ Google Scholar ] [ CrossRef ]
  26. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. ثالس، پ. شچتنر، ک. هیدالگو، کالیفرنیا تصویر مشارکتی شهر: نقشه برداری از نابرابری ادراک شهری. PLoS ONE 2013 ، 8 ، e68400. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  28. قانون، اس. شن، ی. Seresinhe, C. کاربرد شبکه عصبی کانولوشن در طبقه بندی تصویر خیابان: مطالعه موردی لندن. در مجموعه مقالات اولین کارگاه در زمینه هوش مصنوعی و یادگیری عمیق برای کشف دانش جغرافیایی، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 7 تا 10 نوامبر 2017؛ صص 5-9. [ Google Scholar ]
  29. لیو، ال. وانگ، اچ. Wu, C. یک روش یادگیری ماشینی برای ارزیابی مقیاس بزرگ محیط بصری شهری. arXiv 2016 , arXiv:1608.03396. [ Google Scholar ]
  30. کانگ، جی. کورنر، ام. وانگ، ی. تاوبنبوک، اچ. طبقه‌بندی نمونه ساختمان Zhu، XX با استفاده از تصاویر نمای خیابان. ISPRS J. Photogramm. Remote Sens. 2018 ، 145 ، 44–59. [ Google Scholar ] [ CrossRef ]
  31. آنتونیو، وی. Fonte, CC; ببینید، L. استیما، ج. ارسنجانی، ج. لوپیا، اف. مینگینی، ام. فودی، جی. فریتز، اس. بررسی امکان سنجی عکس های دارای برچسب جغرافیایی به عنوان منابع داده های ورودی پوشش زمین. ISPRS Int. J. Geo Inf. 2016 ، 5 ، 64. [ Google Scholar ] [ CrossRef ]
  32. زینگ، اچ. منگ، ی. وانگ، ز. فن، ک. هو، دی. کاوش عکس‌های دارای برچسب جغرافیایی برای اعتبارسنجی پوشش زمین با یادگیری عمیق. ISPRS J. Photogramm. Remote Sens. 2018 , 141 , 237–251. [ Google Scholar ] [ CrossRef ]
  33. ریچاردز، DR. تونچر، بی. تونچر، ب. استفاده از تشخیص تصویر برای ارزیابی خودکار خدمات اکوسیستم فرهنگی از عکس‌های رسانه‌های اجتماعی. اکوسیست. خدمت 2018 ، 31 ، 318-325. [ Google Scholar ] [ CrossRef ]
  34. نایک، ن. فیلیپوم، جی. راسکار، ر. Hidalgo, C. Streetscore-پیش‌بینی ایمنی درک شده یک میلیون منظره خیابانی. در مجموعه مقالات کنفرانس انجمن کامپیوتر IEEE در کارگاه های آموزشی بینایی کامپیوتری و تشخیص الگو، کلمبوس، OH، ایالات متحده، 23 تا 28 ژوئن 2014. صص 779-785. [ Google Scholar ]
  35. Seresinhe، CI; پریس، تی. Moat, HS استفاده از یادگیری عمیق برای تعیین کمیت زیبایی مکان های بیرونی. R. Soc. علوم را باز کنید. 2017 ، 4 ، 170170. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. 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 ]
  37. شبکه های عصبی کانولوشنال کارپاتی، A. CS231n برای تشخیص بصری. استانف دانشگاه 2016 ، 1 ، 1. [ Google Scholar ]
  38. کریژفسکی، آ. سوتسکور، آی. هینتون، GE Imagenet طبقه بندی با شبکه های عصبی کانولوشن عمیق. در مجموعه مقالات پیشرفت‌ها در سیستم‌های پردازش اطلاعات عصبی، دریاچه تاهو، NV، ایالات متحده، 3-6 دسامبر 2012. صص 1097–1105. [ Google Scholar ]
  39. سگدی، سی. لیو، دبلیو. جیا، ی. سرمانت، پ. رید، اس. آنگلوف، دی. ایرهان، د. ونهوک، وی. رابینوویچ، الف. با پیچیدگی ها عمیق تر می شویم. در مجموعه مقالات کنفرانس انجمن رایانه ای IEEE در مورد دید رایانه و تشخیص الگو، بوستون، MA، ایالات متحده آمریکا، 7 تا 12 ژوئن 2015. [ Google Scholar ]
  40. سگدی، سی. آیوف، اس. ونهوک، وی. عالمی، AA Inception-v4، inception-ResNet و تاثیر اتصالات باقیمانده بر یادگیری. در مجموعه مقالات سی و یکمین کنفرانس AAAI در مورد هوش مصنوعی (AAAI 2017)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 4 تا 9 فوریه 2017. [ Google Scholar ]
  41. او، ک. ژانگ، ایکس. رن، اس. Sun, J. یادگیری باقیمانده عمیق برای تشخیص تصویر. در مجموعه مقالات کنفرانس IEEE Computer Society در مورد دید رایانه و تشخیص الگو، لاس وگاس، NV، ایالات متحده، 26 ژوئن تا 1 ژوئیه 2016. [ Google Scholar ]
  42. مورالی، س. تحلیلی بر مشکلات بینایی کامپیوتری. در دسترس آنلاین: https://medium.com/deep-dimension/an-analysis-on-computer-vision-problems-6c68d56030c3 (در 5 اوت 2019 قابل دسترسی است).
  43. گاندی، R. R-CNN، Fast R-CNN، سریعتر R-CNN، YOLO—الگوریتم های تشخیص شی. در دسترس آنلاین: https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e (در 28 نوامبر 2018 دسترسی پیدا کرد).
  44. رن، اس. او، ک. گیرشیک، آر. Sun, J. Faster R-CNN: به سمت تشخیص اشیاء در زمان واقعی با شبکه های پیشنهادی منطقه. IEEE Trans. الگوی مقعدی ماخ هوشمند 2017 ، 39 ، 91-99. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  45. ردمون، جی. فرهادی، A. YOLO9000: بهتر، سریعتر، قوی تر. در مجموعه مقالات کنفرانس IEEE در مورد دید رایانه و تشخیص الگو، هونولولو، HI، ایالات متحده آمریکا، 21 تا 26 ژوئیه 2017؛ صص 6517–6525. [ Google Scholar ]
  46. COCO COCO-اشیاء مشترک در زمینه. در دسترس آنلاین: https://cocodataset.org/#home (در 29 نوامبر 2018 قابل دسترسی است).
  47. پاپاندرو، جی. زو، تی. کانازاوا، ن. توشف، ا. تامپسون، جی. برگلر، سی. مورفی، ک. به سمت تخمین ژست چند نفره دقیق در طبیعت. در مجموعه مقالات سی امین کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو (CVPR 2017)، هونولولو، HI، ایالات متحده آمریکا، 21 تا 26 ژوئیه 2017. [ Google Scholar ]
  48. جانسون، JW تطبیق ماسک-RCNN برای تقسیم خودکار هسته. در مجموعه مقالات کنفرانس بینایی کامپیوتر 2019، لاس وگاس، NV، ایالات متحده آمریکا، 2 تا 3 مه 2018؛ جلد 2. [ Google Scholar ]
  49. شایفی، ام جی; چیول، بی. لی، اف. Wong, A. Fast YOLO: سریعی که فقط یک بار به سیستم برای تشخیص شی جاسازی شده در زمان واقعی در ویدیو نگاه می کنید. جی. کامپیوتر. Vis. سیستم تصویربرداری 2017 ، arXiv:1709.05943. [ Google Scholar ] [ CrossRef ]
  50. ژو، بی. لاپدریزا، ا. خسلا، ع. اولیوا، ا. Torralba, A. Places: یک پایگاه داده تصویری 10 میلیونی برای تشخیص صحنه. IEEE Trans. الگوی مقعدی ماخ هوشمند 2018 ، 40 ، 1452-1464. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  51. سیاست تالار شهر لندن 2.9 لندن داخلی. در دسترس آنلاین: https://www.london.gov.uk/what-we-do/planning/london-plan/current-london-plan/london-plan-chapter-two-londons-places/policy-29/ ( قابل دسترسی در 1 اوت 2019).
  52. اوسالیوان، دی. Unwin، DJ تجزیه و تحلیل اطلاعات جغرافیایی: نسخه دوم ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2010; ISBN 9780470288573. [ Google Scholar ]
  53. اسمیت، سی. 20 آمار و حقایق جالب فلیکر (2019)| توسط Numebrs. در دسترس آنلاین: https://expandedramblings.com/index.php/flickr-stats/ (در 2 فوریه 2019 قابل دسترسی است).
  54. خط مشی تصاویر نمای خیابان Google Maps نمای خیابان. در دسترس آنلاین: https://www.google.com/streetview/policy/#blurring-policy (در 9 ژوئیه 2019 قابل دسترسی است).
  55. میانگین سرعت راه رفتن متوسط. در دسترس آنلاین: https://www.onaverage.co.uk/speed-averages/average-walking-speed/ (در 26 اوت 2018 قابل دسترسی است).
  56. مک اینز، ال. هیلی، جی. Astels, S. Hdbscan: خوشه بندی مبتنی بر چگالی سلسله مراتبی. J. نرم افزار منبع باز. 2017 ، 2 ، 205. [ Google Scholar ] [ CrossRef ]
  57. آکیراجو، ن. ادلسبرونر، اچ. فاچلو، ام. فو، پی. Mücke، EP; Varela, C. Alpha shapes: تعریف و نرم افزار. در مجموعه مقالات اولین کارگاه بین المللی نرم افزار هندسه محاسباتی، مینیاپولیس، MN، ایالات متحده، 20 ژانویه 1995; صص 63-66. [ Google Scholar ]
  58. سرزمین عجایب، HPW از نمایشگاه کریسمس لندن دیدن کنید! در دسترس آنلاین: https://hydeparkwinterwonderland.com (در 23 فوریه 2019 قابل دسترسی است).
  59. کریسمس تالار شهر لندن در میدان ترافالگار. در دسترس آنلاین: https://www.london.gov.uk/about-us/our-building-and-squares/christmas-trafalgar-square# (در 24 فوریه 2019 قابل دسترسی است).
Ijgi 09 00264 g001 550
شکل 1. توزیع فضایی عکس های فلیکر دارای برچسب جغرافیایی در لندن داخلی و لندن بزرگ.
Ijgi 09 00264 g002 550
شکل 2. توزیع فضایی تمام مناطق شهری مورد علاقه استخراج شده در هر ماه به مدت سه سال از [ 9 ].
Ijgi 09 00264 g003 550
شکل 3. چند منطقه شهری مورد علاقه پدیدار شده و در ماه های خاصی ناپدید شدند.
Ijgi 09 00264 g004 550
شکل 4. 50 ویژگی احتمالی برتر استخراج شده در مناطق شهری مورد علاقه و سایر مناطق.
Ijgi 09 00264 g005 550
شکل 5. ویژگی های قابل توجه در مناطق شهری مورد علاقه و مناطق بیرونی به طور جداگانه.
Ijgi 09 00264 g006 550
شکل 6. تغییرات فصلی در ویژگی های دینامیکی مناطق شهری مورد علاقه (UAOIs) بر اساس z-score.
Ijgi 09 00264 g007 550
شکل 7. عکس های نمایشی گرفته شده در ماه دسامبر، به عنوان یک شهربازی شناسایی شده است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید