نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

یافتن روشی برای ارزیابی پاسخ‌های عاطفی مردم به فضاهای شهری به روشی معتبر و عینی برای شیوه‌های طراحی شهری و سیاست‌گذاری مربوطه اهمیت اساسی دارد. تجزیه و تحلیل کیفیت های ضروری فضای شهری را می توان با استفاده از تکنیک های اطلاعاتی نوآورانه ای که در عصر داده های بزرگ در دسترس قرار گرفته اند، مؤثرتر و دقیق تر کرد. این مطالعه یک روش یکپارچه مبتنی بر سیستم‌های اطلاعات جغرافیایی (GIS) و یک تکنیک ردیابی هیجان را برای تعیین کمیت رابطه بین پاسخ‌های احساسی افراد و فضای شهری معرفی می‌کند. این روش می‌تواند میزان تأثیرپذیری واکنش‌های عاطفی افراد را از ویژگی‌های شهری متعدد مانند اشکال و بافت‌های ساختمان، پارامترهای ایزوویستی، آنتروپی بصری و فراکتال‌های بصری ارزیابی کند. نتایج نشان می‌دهد که فضاهای شهری ممکن است از طریق ترتیب‌های توالی فضایی و توالی سناریوهای متغیر بر پاسخ‌های احساسی افراد تأثیر بگذارد. داده های عاطفی با حسگرهای بدن و دستگاه های GPS جمع آوری شد. خوشه بندی فضایی برای هدف قرار دادن مکان های نمونه گیری موثر شناسایی شد. سپس ایزویست ها برای استخراج بافت های ساختمانی تولید شدند. رگرسیون لجستیک و تجزیه و تحلیل مشخصه عملکرد گیرنده برای تعیین پارامترهای ایزوویستی کلیدی و احتمالات تأثیر آنها بر احساسات افراد استفاده شد. در نهایت، بر اساس نتایج، پیشنهاداتی را برای متخصصان طراحی در زمینه بهینه‌سازی فضای شهری ارائه می‌کنیم. داده های عاطفی با حسگرهای بدن و دستگاه های GPS جمع آوری شد. خوشه بندی فضایی برای هدف قرار دادن مکان های نمونه گیری موثر شناسایی شد. سپس ایزویست ها برای استخراج بافت های ساختمانی تولید شدند. رگرسیون لجستیک و تجزیه و تحلیل مشخصه عملکرد گیرنده برای تعیین پارامترهای ایزوویستی کلیدی و احتمالات تأثیر آنها بر احساسات افراد استفاده شد. در نهایت، بر اساس نتایج، پیشنهاداتی را برای متخصصان طراحی در زمینه بهینه‌سازی فضای شهری ارائه می‌کنیم. داده های عاطفی با حسگرهای بدن و دستگاه های GPS جمع آوری شد. خوشه بندی فضایی برای هدف قرار دادن مکان های نمونه گیری موثر شناسایی شد. سپس ایزویست ها برای استخراج بافت های ساختمانی تولید شدند. رگرسیون لجستیک و تجزیه و تحلیل مشخصه عملکرد گیرنده برای تعیین پارامترهای ایزوویستی کلیدی و احتمالات تأثیر آنها بر احساسات افراد استفاده شد. در نهایت، بر اساس نتایج، پیشنهاداتی را برای متخصصان طراحی در زمینه بهینه‌سازی فضای شهری ارائه می‌کنیم.

کلید واژه ها: 

فرم شهری ؛ سیستم اطلاعات جغرافیایی ; تجربه پیاده روی ؛ ایزویست ها ; رگرسیون لجستیک

 

1. معرفی

فضاهای شهری ارتباط تنگاتنگی با نحوه زندگی و کار مردم در شهرها دارند [ 1 ، 2 ، 3 ]. از زمان انقلاب صنعتی، رویکردهای مردم به تولید و سبک زندگی بیشتر به تمام جنبه‌های فضای شهری سنتی تجاوز کرده است. بنابراین به اصطلاح “فضای گمشده” را ایجاد می کند [ 4 ]. از یک طرف، مردم زمان و پول بیشتری را صرف رفت و آمدهای بی معنی می کنند [ 5 ] که به زوال محیطی کمک می کند و انرژی را مصرف می کند [ 6 ]. از سوی دیگر، فضای شهری به تدریج توسط ترافیک موتور اشغال شده است و زندگی شهری به حاشیه جاده ها تنزل یافته است [ 7]]. از دهه 1960، محققان توجه بیشتری به بهینه‌سازی فضاهای شهری و ترویج فعالیت‌های بیرونی نشان دادند [ 8 ، 9 ، 10 ، 11 ].
در مطالعات قبلی، اندازه‌گیری‌های فضای شهری و فرم با استفاده از روش‌های محاسباتی شروع به ارتباط با برخی رفتارهای انسانی کرد. به عنوان مثال، هیلیر و آیدا نشان دادند که معیارهای مرکزیت شبکه خیابانی (که بر اساس هندسه فضاهای باز ایجاد شده توسط شکل و آرایش ساختمان ها است) تأثیر قابل توجهی بر الگوهای حرکتی دارد [12]، که به نوبه خود ، تأثیر قابل توجهی بر استفاده از فضای عمومی دارند (با توجه به اینکه کاربری های تجاری عموماً در مکان های پر رفت و آمد بیشتری قرار دارند) [ 13]. پاسخ های شناختی انسان به فضا و فرم شهری ارتباط تنگاتنگی با رفتارهای افراد دارد. در میان عوامل مختلفی که بر کیفیت درک شده از فضای شهری تأثیر می گذارد، دید از اهمیت فوق العاده ای برخوردار است. طبق علم شناختی، اطلاعات بیرونی به دست آمده توسط انسان به شدت با بینایی همبستگی دارد [ 14 ]. برخی از مطالعات بر پاسخ های بصری به ویژگی های فضایی مانند باز بودن [ 15 ]، جهت گیری [ 16 ، 17 ] و پیچیدگی شکل [ 18 ] تمرکز کرده اند تا بررسی کنند که چگونه افراد محیط ساخته شده را به عنوان این ویژگی های فضایی متفاوت درک می کنند [ 19 ، 20]]. با این حال، محدودیت‌های روش‌های تحلیل مؤثر، تعیین عینی چگونگی تأثیر ویژگی‌های فضایی یک فضای شهری بر تجربیات ذهنی کاربر را دشوار می‌سازد [ 21 ]. اگرچه نظرسنجی‌های پرسشنامه تا حدی مفید هستند، اما دقت اندازه‌گیری را می‌توان با استفاده از رویکردهای اطلاعاتی نوآورانه‌ای که در عصر داده‌های بزرگ پدیدار شده‌اند، افزایش داد. در سال‌های اخیر، همزمان با توسعه فناوری اطلاعات، روش‌های مرتبط با کمک رایانه به تدریج وارد حوزه‌های برنامه‌ریزی و طراحی شهری شده است [ 22 ، 23 ، 24 ]. برخی از روش‌های جدید با هدف درک چگونگی درک مردم از شهرها مورد آزمایش قرار گرفته‌اند، مانند استخراج معنایی از مکان‌ها با استفاده از برچسب‌های عکس از Flickr [25 ] و سنجش احساسات جمعیت و توزیع مکانی – زمانی آن از داده‌های توییتر [ 26 ، 27 ]. جمع سپاری شرایط فیزیولوژیکی با ترکیب داده های حسگرهای فنی و حسگرهای انسانی نیز می تواند مجموعه اطلاعات عاطفی را در مطالعات شهری گسترش دهد [ 28 ]. چنین روش هایی برای تجزیه و تحلیل جامع محیط های فضایی شهری برای تعیین همبستگی بین ویژگی های فضایی مختلف و رفتار افراد و برای ارزیابی و بهینه سازی طرح های طراحی مناسب هستند.
این مقاله از دیدگاه یک عابر پیاده شهر شروع می شود و سپس داده های میدانی جمع آوری شده در مورد احساسات عابران پیاده را ارزیابی می کند. این مطالعه با ادغام تکنیک‌های اطلاعاتی و مدل‌های رگرسیون به بررسی چگونگی تأثیر فضاهای شهری بر احساسات عابران پیاده در مقیاس خرد می‌پردازد، پیوند همبستگی بین ویژگی‌های فضایی شهری و احساسات مردم را بررسی می‌کند، یک روش ارزیابی موثر برای محیط‌های فضایی شهری را تشکیل می‌دهد، پتانسیل را پیش‌بینی می‌کند. تأثیر تغییرات، و پیشنهاداتی برای بهبود عقلانیت و اثربخشی طراحی‌های شهری برای خدمت بهتر به سبک زندگی شهری ارائه می‌کند. هدف این مقاله به اشتراک گذاشتن تجربه ما از استفاده از فناوری اطلاعات برای ارزیابی محیط های ساخته شده است.شکل 1 گردش کار چارچوب تحقیق و رویکردهای تحلیل ما را نشان می دهد.

2. وضعیت هنر

بر اساس پیشرفت در علوم اعصاب در دهه گذشته، یک جریان تحقیقاتی جداگانه پدید آمده است که هدف آن به دست آوردن بینشی برای زمینه طراحی معماری از طریق دانش و تکنیک های علوم اعصاب است [29 ] . موضوعات مهم مطالعاتی در این زمینه، تأثیر شکل و عملکرد محیط‌های معماری بر سلامت انسان و راهبردهای راه‌یابی است. چنین مطالعه ای تا حد زیادی متکی به محیط های مجازی بوده است زیرا چنین محیط هایی امکان کنترل دقیق پارامترهای مورد مطالعه را فراهم می کند. با این حال، از آنجا که مشخص نیست پارامترهای محیط مجازی چگونه با فضای واقعی همبستگی دارند – به عنوان مثال با توجه به تخمین نادرست فواصل و زوایا [ 30 ] – تصمیم گرفتیم این مطالعه را در یک محیط واقعی انجام دهیم.
در این مطالعه، مدلی که ما برای اندازه گیری احساسات استفاده می کنیم، مبتنی بر مفهوم ارزیابی شناختی است که مجموعه نسبتاً پیچیده ای از احساسات ثانویه را طبقه بندی می کند [ 31 ]. عواطف ثانویه آنهایی هستند که دارای یک جزء شناختی اصلی هستند و بر اساس سطح برانگیختگی (کم به زیاد) و ظرفیت آنها (خوشایند تا ناخوشایند) تعیین می شوند. شکل 2 مدلی را نشان می دهد که چگونه می توان احساسات ثانویه مختلف را در داخل یک سیستم مختصات قرار داد.
هوگرتز داده‌های عاطفی را از عابران پیاده شهری (31=n) در لیسبون با استفاده از باندهای هوشمند و ردیابی GPS [ 32 ] جمع‌آوری کرد و پاسخ‌های احساسی نشان‌داده‌شده را در مقایسه با حالت‌های عاطفی گذشته‌نگر آزمودنی‌ها با بازرسی بصری تحلیل کرد. او نتیجه گرفت که «اهمیت عاطفی خاص را می توان با ثبت تغییرات EDA (فعالیت الکترودرمال) فرد در حین راه رفتن به طور قابل اعتماد اندازه گیری کرد. مهمتر از همه، هوگرتز رابطه ای بین پاسخ های احساسی منفی افراد و مکان های خاص پیدا کرد.
تجزیه و تحلیل بیشتر در تفرجگاه های اصلی اسکندریه انجام شد، که در آن واکنش های استرس فردی (n = 7) با استفاده از یک گردش کار امیدوارکننده [ 33 ] شناسایی شد که در آن مجموعه داده های ترکیبی از ردیاب GPS، دوربین و باند هوشمند برای شناسایی افراد مورد استفاده قرار گرفت. مراحل استرس را روی مسیرها اعمال کنید و سپس قطعات فیلم را از بخش های مربوطه استخراج کنید. برای تجسم نتایج، تمام نقاط تنش منفرد در یک نقشه حرارتی که نقاط داغ تنش را نشان می‌داد، تجمیع شدند. علاوه بر این، مکان‌های تنش فردی در یک تحلیل چگالی نقطه‌ای ترکیب شدند.
در مطالعه دیگری، تصویربرداری عصبی با استفاده از سیگنال های الکتروانسفالوگرافی (EEG) برای ترسیم پاسخ های انسان به فضاها استفاده شد [ 34 ]. نویسندگان آزمایشی را توصیف می کنند که در آن حالات عاطفی (عاطفی) شرکت کنندگان در حالی که شرکت کنندگان در فضاهای باز در ادینبورگ حرکت می کردند اندازه گیری شد. نویسندگان از یک لپ‌تاپ سبک وزن، با کارایی بالا، حسگرهای EEG بی‌سیم و یک واحد GPS استفاده کردند. داده‌های جمع‌آوری‌شده با نگاشت آن‌ها به مسیر تعریف‌شده از نظر سطوح هیجان و سرخوردگی تجزیه و تحلیل شدند. این مطالعه تجمیع سطوح هیجان را برای سه شرکت‌کننده نشان داد.
همه این مطالعات از پاسخ‌های احساسی اندازه‌گیری شده استفاده کردند تا نشان دهند مکان‌هایی در قلمرو شهری وجود دارند که پاسخ‌های احساسی قابل توجهی را برمی‌انگیزند. با این حال، هیچ یک از مطالعات بررسی نکرده اند که آیا ادراک یک فرد معین از فضاهای شهری با ادراکات افراد دیگر همبستگی دارد یا خیر. به عبارت دیگر، آنها مشخص نکردند که آیا پیکربندی های فضایی خاصی تأثیر قابل تعمیم بر احساسات انسان دارند یا خیر. علاوه بر این، هیچ یک از مطالعاتی که در بالا توضیح داده شد، بررسی نکرده اند که آیا رابطه ای بین احساسات افراد و پارامترهای میدان ایزوویستی وجود دارد یا خیر. در مطالعات اولیه، ما این رابطه را با استفاده از نظرسنجی‌ها برای بررسی تأثیر فرم شهری بر ارزیابی‌های محیطی مردم از مناظر خیابانی تحلیل کردیم. ما همچنین یک روش زمین‌آماری برای بررسی روابط بین واکنش‌های عاطفی عابران پیاده شهری و فضاهای شهری معرفی کردیم. در این مقاله، ما تأثیر ویژگی‌های فضایی اضافی را بر ادراک فضایی افراد – از جمله شاخص‌های بافت و شکل ساختمان، پارامترهای ایزویست، آنتروپی بصری و فراکتال‌های بصری بررسی می‌کنیم.

3. جمع آوری داده های عاطفی

3.1. مبانی فیزیولوژیکی

بر اساس تحقیقات در روانشناسی رشد، نوزادان عادی برخی از ویژگی های عاطفی مشترک (مانند علاقه، تعجب، شادی، خشم و ترس) را از زمانی که بین دو ماه و نیم تا شش ماهگی هستند، نشان می دهند. این احساسات ذاتی «احساسات ابتدایی» یا «احساسات اولیه» نامیده می‌شوند و هم ویژگی‌های بین فرهنگی و هم بین منطقه‌ای دارند [ 35 ، 36] .]. بنابراین، آنها می توانند توسط مردم از ملل، مناطق و کشورهای مختلف درک شوند. هنگامی که نوزادان بسته به محیط اطرافشان تقریباً به دو سالگی می رسند، این احساسات به تدریج به طیف گسترده ای از احساسات ثانویه پیچیده مانند خجالت، کمرویی، احساس گناه، حسادت و غرور و غیره تبدیل می شوند. این احساسات «احساسات خودآگاه» نامیده می‌شوند و گرایش‌های روان‌شناختی اصلی افراد را منعکس می‌کنند. ویژگی های اصلی احساسات را می توان با مدل هیجانات ثانویه توصیف کرد. در این مدل ( شکل 2محور افقی نشان دهنده ظرفیت است. سمت راست محور افقی احساسات مثبت را نشان می دهد. سمت چپ احساسات منفی را نشان می دهد. محور عمودی نشان دهنده برانگیختگی است که به سطح فعال سازی عصبی و فیزیولوژیکی فرد اشاره دارد که توسط محیط خارجی تحریک می شود. در شکل 2 ، شدت برانگیختگی به تدریج از پایین به بالا افزایش می یابد.

3.2. آماده سازی آزمایش

سنسور مچ بند (Smartband)، توسعه یافته توسط Bodymonitor [ 37 ، 38 ، 39]، در این آزمایش به عنوان مانیتور علائم حیاتی میکرو قابل حمل استفاده می شود. از طریق الکترود فلزی داخلی خود، Smartband می‌تواند رسانایی و دمای پوست سوژه را ثبت کند و به پردازش بعدی اجازه می‌دهد تا احساسات کاربر را از طریق داده‌های جمع‌آوری‌شده تجزیه و تحلیل و قضاوت کند. این دستگاه سبک وزن است و افراد می توانند به راحتی آن را بپوشند، بنابراین از هرگونه تاثیر روانی منفی تجهیزات در طول آزمایش جلوگیری می کنند. هنگامی که با داده‌های جمع‌آوری‌شده توسط ردیاب GPS قابل حمل ترکیب می‌شود، داده‌های احساسات ثبت‌شده توسط باند هوشمند می‌تواند با موقعیت مکانی کاربر هماهنگ شود. از آنجایی که وضوح زمانی سنسورهای GPS به کار رفته در این آزمایش 5 ثانیه و باند هوشمند 1 ثانیه است، داده های انباشته شده از باند هوشمند هر 5 ثانیه با داده های GPS مطابقت داده می شود تا یک واحد اصلی تشکیل شود.
برای اطمینان از اینکه شرکت کنندگان با محل آزمایش آشنا نیستند، منطقه اورلیکن را انتخاب کردیم، منطقه ای تقریباً 6 کیلومتر دورتر از مرکز شهر زوریخ، سوئیس. مسیری که شرکت کنندگان طی کردند تقریباً 2.2 کیلومتر طول دارد که از میدان Max Bill شروع شده و به میدان ایستگاه Oerlikon ختم می شود. این مسیر توسط مشاغل با عملکردهای مختلط، مسکونی و تجاری اشغال شده است که همگی دارای اشکال فضایی شهری غنی هستند و شامل یک منطقه اداری نوساز، یک منطقه مسکونی آرام و یک مرکز محلی نسبتا شلوغ است. 30 شرکت کننده (13 مرد، 17 زن، میانگین سنی = 25، انحراف معیار سن = 2.5) در این آزمایش شرکت کردند که در روزهای آفتابی از 14 اکتبر تا 22 اکتبر 2013 انجام شد. مسیر آزمایشی و یک نقشه به موضوعات از قبل آزمودنی ها باید کل مسیر را با پای پیاده طی می کردند و از مکان هایی که برای ثبت مهم می دانستند عکس می گرفتند. داده های احساسات توسط Smartband جمع آوری شد. داده های خام در ابتدا به دو گروه پردازش شدند که به ترتیب نشان دهنده احساسات مثبت (1478 امتیاز) و منفی (994 امتیاز) بودند. شرکت Bodymonitor داده های خام جمع آوری شده توسط Smartband را پردازش و تجزیه و تحلیل کرد (برای شواهد مربوط به اعتبار داده های Smartband به وب سایت Bodymonitor مراجعه کنید [38 ، 39 ])، اما جزئیات روش شرکت به دلایل تجاری به صراحت منتشر نشده است. هنگامی که آزمایش به پایان رسید، داده های احساسی به صورت جغرافیایی به OpenStreetMap (OSM) پیش بینی شد و به عنوان ویژگی های نقطه ای به ArcGIS وارد شد.

3.3. پیش پردازش داده های احساسات

عواملی که بر احساسات آزمودنی‌ها تأثیر می‌گذارند را می‌توان تقریباً به دو دسته تقسیم کرد: کلاس 1 به عوامل فضایی در مکان‌های خاص اشاره دارد که نسبتاً کمتر تحت تأثیر زمان و سایر عوامل تصادفی قرار می‌گیرند. و کلاس 2 به عوامل تصادفی، عوامل غیرمکانی و عوامل زمانی مانند فعالیت ها اشاره دارد. از آنجایی که آزمودنی ها در زمان های مختلف مورد آزمایش قرار گرفتند، هیچ تداخل مستقیم متقابلی بین افراد وجود نداشت. بنابراین، می‌توان فرض کرد که اندازه‌گیری‌های داده‌های احساسی نسبتاً مستقل بودند. در نتیجه، می‌توانیم از تحلیل خوشه‌بندی فضایی (SCA) برای تقویت ویژگی‌های احساسی ناشی از عوامل فضایی و کاهش تداخل عوامل تصادفی استفاده کنیم. فرضیه صفر SCA مشخص می کند که عوامل به طور تصادفی توزیع شده اند. در سطح اطمینان تنظیم شده (5%)،برای قضاوت در مورد اینکه آیا فرضیه صفر رد می شود یا خیر، p -value مورد نیاز است. هنگامی که فرضیه صفر رد می شود، مکان و مقدار عامل دارای همبستگی فضایی بسیار بالایی است. بنابراین، می‌توان نتیجه گرفت که آزمودنی‌ها معمولاً دارای شدت‌های عاطفی مشابهی در این مکان هستند و سپس میزان برانگیختگی را از طریق z -score قضاوت می‌کنند.
از آنجا که SCA به طور قابل توجهی تحت تأثیر ناحیه مورد استفاده برای تجزیه و تحلیل قرار می گیرد، به یک ابزار تحلیل فضایی همبستگی خودکار افزایشی نیاز دارد که برای انجام آزمایش و بازرسی امتیاز z مدل باید چندین مقدار آستانه تنظیم شود. امتیازهای z بالا به این معنی است که یک ویژگی خوشه فضایی تحت این مقدار آستانه غالب تر است. تجزیه و تحلیل نشان داد که مقادیر آستانه مجموعه P و مجموعه N منجر به غالب ترین ویژگی های خوشه در 23.5 متر و 11 متر، به ترتیب. با استفاده از آماره Getis-Ord General G [ 40 ]، ما تجزیه و تحلیل خوشه فضایی را روی دو مجموعه از اشیاء انجام دادیم. فرمول Getis-Ord General G به شرح زیر است [ 41 ]:

G =∑i = 1n∑j = 1nwمن جایکسمنایکسj∑i = 1n∑j = 1nایکسمنایکسj, ∀ j ≠ i ,جی=∑من=1�∑�=1��من�ایکسمنایکس�∑من=1�∑�=1�ایکسمنایکس�،∀�≠من،

که در آن w ij وزن فضایی بین i و j در همه n شیء است. و x i و x j بزرگی رویدادهای i و j را مشخص می کنند .

امتیاز z حاصل از آمار Getis-Ord General G برای مجموعه P و مجموعه N به ترتیب 2.87 و 1.96 بود. احتمال اینکه دو مجموعه از اشیا یک توزیع تصادفی تشکیل دهند، هر دو کمتر از 5٪ است. بنابراین، می توان نتیجه گرفت که ویژگی کاملاً غالب خوشه با ارزش بالا در سطح اطمینان 95٪ عمل می کند. SCA نشان می دهد که داده های عاطفی آزمودنی ها به وضوح دارای ویژگی های مشترک و انطباق هستند.
اگرچه این دو مجموعه داده به طور کلی سازگار هستند، اما توزیع برانگیختگی از یک الگوی قابل شناسایی پیروی نمی کند. برخی از نقاط با ارزش بالا معمولاً تحت تأثیر عوامل تصادفی قرار می گیرند و ممکن است دارای اهمیت آماری غالب نباشند. در نتیجه، تعیین مکان‌های خاصی که تأثیر جهانی بر احساسات سوژه ایجاد می‌کند – یعنی نقاط نمونه‌گیری مؤثر (ESP) – برای تجزیه و تحلیل بیشتر ویژگی‌های فضایی که منجر به چنین اختلاف عاطفی می‌شود، مهم است. با استفاده از آمار Getis-Ord Gi* [ 42 ]، فرمول های آماره Gi* و مقدار z به شرح زیر است:

جیمن* =∑j = 1nwمن جایکسj∑j = 1nایکسjجیمن*=∑�=1��من�ایکس�∑�=1�ایکس�
ز (جیمن* ) =∑j = 1nwمن جایکسj–ایکس¯∑j = 1nwمن ج2سn∑j = 1nwمن ج2–(∑j = 1nwمن ج)2n – 1––––––––––––––⎷.ز(جیمن*)=∑�=1��من�ایکس�–ایکس¯∑�=1��من�2س�∑�=1��من�2–(∑�=1��من�)2�–1.
تحت مقادیر آستانه 23.5 متر و 11 متر، تجزیه و تحلیل نقطه داغ در نقاط مجموعه P و N می تواند به طور جداگانه انجام شود. برای هر ویژگی نقطه، این روش مقادیر ویژگی مرکزی و ویژگی های مجاور را در مقدار آستانه جمع می کند و نتایج را با مجموع تمام ویژگی های سیستم مقایسه می کند. z – score امکان ارزیابی آماری مناطق خوشه‌ای با مقادیر بالا و پایین و سطوح معنی‌داری آنها را فراهم می‌کند. خوشه های نقطه ای با مقادیر بالا یا پایین مجموعه ای از نقاط نمونه گیری موثر را برای تجزیه و تحلیل بیشتر تشکیل می دهند، همانطور که در شکل 3 نشان داده شده است.، که در آن مناطق قرمز نشان دهنده خوشه های با ارزش بالا و مناطق آبی تیره نشان دهنده خوشه های کم ارزش هستند. بر اساس شماره شناسه آزمودنی‌ها، این داده‌ها متعلق به آزمودنی‌های مختلف است که نشان می‌دهد برخی از آزمودنی‌ها ویژگی‌های عاطفی مشابهی را در این نقاط نمونه‌گیری نشان می‌دهند. تجزیه و تحلیل منجر به استخراج 348 نقطه نمونه گیری مؤثر شد که از این تعداد 254 نمونه نشان دهنده احساسات مثبت بودند که تقریباً در 11 مکان توزیع شده بودند و 94 نمونه نشان دهنده احساسات منفی بودند که تقریباً در 9 مکان توزیع شده بودند.

4. تحلیل فضایی

تعیین مکان هایی که به طور غالب بر ویژگی های عاطفی سوژه ها تأثیر می گذارد برای تحلیل بیشتر نقش بالقوه ویژگی های فضایی شهری اساسی است. برای اصلاح مسئله، تجزیه و تحلیل آماری تقریباً در سه مرحله انجام شد. ابتدا، با تولید ایزوویست ها در ESP ها، بافت معماری را در محدوده ایزویست استخراج کردیم و داده های اساسی در مورد ویژگی های فضایی خارجی معماری اطراف به دست آوردیم. دوم، ما آمار را با استفاده از پارامترهای isovist بر اساس ESPs برای قضاوت در مورد تأثیر کلی این پارامترها بر ظرفیت های موضوع و ایجاد یک مدل رگرسیون برای هر پارامتر و ظرفیت ایزویست محاسبه کردیم. سوم،

4.1. تأثیر بافت ساختمان

مفهوم ایزویست از سال 1979 برای تحلیل فضایی استفاده شده است [ 43 ، 44 ]. اصل این است که فضا را در مجموعه‌ای از دیدگاه‌های بی‌شماری انتزاع کنیم، که در میان آن‌ها ایزویست به‌عنوان یک مجموعه فرعی به طور متقابل و مستقیم بین این دیدگاه‌ها مشاهده می‌شود. بر این اساس، ویژگی های یک ایزویست از طریق یک سری پارامترهای هندسی تعریف می شوند. سپس، نقشه‌برداری فضایی برای تشکیل یک میدان ایزویست که کل منطقه تحقیقاتی را پوشش می‌دهد، انجام می‌شود. ایزویست را می توان از هر دو جنبه 2 و 3 بعدی بررسی کرد. در این تحقیق، ما آن را فقط به جنبه دو بعدی محدود می کنیم.
بر اساس مجموعه P (11 مجموعه) و مجموعه N (9 مجموعه) از ESP های شناسایی شده در طول مسیر آزمایش، آستانه شعاع ایزویست را روی 200 متر قرار دادیم و مرزهای ایزویست را در ArcGIS برای تمام مجموعه نقاط نمونه‌برداری ایجاد کردیم (شکل 4) . ). سپس، ردپای ساختمان را در آن مرزها استخراج کردیم و شاخص شکل، از جمله میانگین مساحت، پراکندگی سطح، درجه تکه تکه شدن و میانگین فاصله بین ساختمان‌ها را محاسبه کردیم. معادله (4) محاسبه استفاده شده برای پراکندگی سطح و معادله (5) محاسبه درجه تکه تکه شدن را نشان می دهد. تمام شاخص های شکل با تقسیم آنها بر مقدار میانگین نرمال شدند تا امکان تبدیل غیر بعدی و تجزیه و تحلیل آماری فراهم شود ( جدول 1 ).

CoV _ منطقه =∑(اس2من–اس2¯¯¯¯)√( ن– 1 )اس¯¯CoV_حوزه=∑(اسمن2–اس2¯)(ن–1)اس¯
SI = 1 –4اسمن––√پSI=1–4اسمنپ

در اینجا، S i به مناطقی از تمام خطوط کلی معماری در ایزوویست اشاره دارد. اس¯¯اس¯به میانگین مساحت یک طرح کلی معماری، N به تعداد معماری ها، و P به طول کلی یک طرح کلی معماری اشاره دارد.

یک راه آهن منطقه تحقیقاتی را به دو سایت تقسیم می کند – یک بخش شرقی و یک بخش غربی (S1 و S2). بنابراین، ما شاخص شکل دو مکان را تحت شرایط ظرفیت های مختلف تجزیه و تحلیل کردیم ( شکل 5). در S1، شاخص شکل ردپای ساختمان مربوط به مکان‌هایی با ظرفیت‌های مختلف در مقایسه با شاخص شکل در S2 به‌طور محسوسی متفاوت است. به عنوان مثال، زمانی که آزمودنی‌ها احساسات مثبتی را نشان می‌دهند، ردپای ساختمان در ایزویست در S1 با انحراف نسبتاً کوچکی بزرگ‌تر می‌شود. این احتمالاً به دلیل تأثیر مقیاس ساختمان است. میانگین فاصله مرکز به مرکز بین ساختمان ها در S1 زیاد است. علاوه بر این، تکه تکه شدن بافت ساختمان در S1 بالاتر است، که منعکس کننده یک طرح کلی پیچیده و یک سلسله مراتب فضایی در این منطقه است. در S2، در شرایط ظرفیت‌های مختلف، شاخص‌های شکل به غیر از تکه تکه شدن دارای ویژگی‌های خطی هستند، که نشان می‌دهد عوامل مؤثر بر احساسات سوژه ممکن است توسط این شاخص‌های شکل در S2 ایجاد نشوند. بنابراین، در S2،
یک آزمون t نمونه مستقل بیشتر برای تجزیه و تحلیل شاخص شکل مجموعه P و مجموعه N استفاده شد. نتایج نشان داد که هیچ شاخصی در سطح اطمینان 95 درصد معنی دار نیست (05/0p>) . بنابراین، اگرچه می‌توانیم تفاوت‌ها را در بافت معماری با استفاده از شاخص‌های شکل در میان چند ESP مقایسه کنیم، پیش‌بینی مکان‌های دیگر دشوار است. در نتیجه، سایر ویژگی‌های فضایی (مانند پارامترهای ایزوویستی) باید برای انجام یک تحلیل عمیق و کشف سایر عوامل تأثیرگذار فضایی غالب‌تر مورد استفاده قرار گیرند.

4.2. تحلیل ایزوویستی

ما یک مدل تجزیه و تحلیل ایزویست در Depthmap ایجاد کردیم، دقت تحلیلی را روی 10 متر تنظیم کردیم و 6 پارامتر مهم ایزویست را برای تجزیه و تحلیل تأثیر آنها بر احساسات افراد انتخاب کردیم: ناحیه ایزویست، محیط ایزویست، فشردگی ایزویست، انسداد، طول حداکثر دید و حداقل طول دید از این میان، فرمول های فشردگی ایزوویستی و انسدادی به ترتیب به شرح زیر است [ 45 ]:

فشردگی = 1 –2πاس–––√پفشردگی=1–2�اسپ
انسداد = P–پf.انسداد=پ–پ�.

در اینجا S به ناحیه ایزویست، P به محیط ایزویست، و Pf به طول کلی مرزهای جامد در ناحیه ایزویست اشاره دارد.

ما تطبیق فضایی بین مقادیر تمام پارامترهای ایزویست و 348 ESP انجام دادیم. مقادیر بر اساس ظرفیت از آزمون t نمونه مستقل به دو گروه تقسیم شدند تا بررسی شود که آیا بین دو مجموعه مقادیر میانگین نمونه تفاوت معنی‌داری وجود دارد یا خیر. نتایج نشان می‌دهد که وقتی سطح اطمینان 95 درصد است، همه پارامترهای ایزویست دارای تفاوت‌های غالب هستند. هنگامی که سطح اطمینان 99٪ است، اکثر پارامترهای ایزویست – به جز طول دید حداقل – تفاوت های قابل توجهی را نشان می دهند. بنابراین، تقریباً می‌توان فرض کرد که این پارامترهای ایزوویستی ممکن است تا حدی بر احساسات سوژه‌ها تأثیر بگذارد.
رگرسیون روابطی را نشان می دهد که ممکن است بین یک یا چند پیش بینی مستقل و یک متغیر وابسته وجود داشته باشد. در اینجا، ما از رگرسیون لجستیک باینری برای تجزیه و تحلیل احتمال تأثیر پارامترهای ایزویست بر احساسات آزمودنی ها استفاده کردیم. ابتدا از هر پارامتر ایزویست برای رگرسیون استفاده کردیم. سپس تمام پارامترهای ایزویست را به طور همزمان در مدل قرار دادیم. در نهایت، اثرات پیش بینی با در نظر گرفتن پارامترهای ترکیبی به عنوان متغیر به دست می آید. در این مورد، متغیر پاسخ رگرسیون لجستیک ظرفیت است، که در آن 0 و 1 نشان دهنده دو حالت مختلف است (0 نشان دهنده احساسات منفی و 1 نشان دهنده احساسات مثبت). با فرض اینکه متغیر پاسخ برابر با 1 باشد (مثبت)، احتمال P است و فرمول به صورت زیر است [ 46]]:

پ( y= 1 |ایکسمن) =ه∑بمنایکسمن1 +ه∑بمنایکسمنپ(�=1|ایکسمن)=ه∑بمنایکسمن1+ه∑بمنایکسمن

در اینجا، P∈ [0، 1]، Xi به تمام شش پارامتر ایزویست انتخاب شده در این مقاله، و B i به ضریب تخمینی متغیر اشاره دارد.

کارایی پیش‌بینی مدل رگرسیون را می‌توان با استفاده از تحلیل مشخصه عملیاتی گیرنده (ROC) بررسی کرد، که احتمال پیش‌بینی را به چندین نقطه بحرانی تقسیم می‌کند و حساسیت و ویژگی مربوط به هر نقطه بحرانی را به دست می‌آورد. با در نظر گرفتن حساسیت و ویژگی به عنوان محورهای مختصات، نقاط را می توان به هم متصل کرد و یک منحنی را تشکیل داد. هنگامی که منحنی مقدار آستانه با خط مورب منطبق می شود، به این معنی است که حساسیت و ویژگی هر کدام 50٪ را تشکیل می دهند که نشان می دهد نتیجه تجزیه و تحلیل هیچ معنای عملی ندارد. با این حال، زمانی که مقدار آستانه قضاوت شده به گوشه سمت چپ نمودار مختصات نزدیک‌تر است، ناحیه همپوشانی نمونه کوچک‌تر است و تمایز بسیار قوی‌تر است. به طور کلی، منطقه زیر منحنی (AUC) به طور مستقیم دقت مدل را منعکس می کند: هرچه AUC بزرگتر باشد، دقت بالاتری دارد. هنگامی که شاخص یودن بالاترین است، نقطه بحرانی بهینه را می توان به صورت زیر تعیین کرد [47 ]:

Y=اسه− ( 1 −اسپ) ،�=اسه–(1–اسپ)،

جایی که Y به مقدار Youden اشاره دارد. S e به حساسیت و S p به ویژگی اشاره دارد.

نتایج نشان می‌دهد که هنگام استفاده از تنها یک پارامتر ایزویست برای رگرسیون منطقی، ضرایب Hosmer-Lemeshow، که نشان‌دهنده خوبی برازش کلی مدل است، همگی کمتر از سطح معنی‌داری مجموعه‌ای هستند (05/0p< ) . این نشان می‌دهد که مدل رگرسیون داده‌ها را به‌طور کامل استخراج نمی‌کند و تفاوت غالبی بین مقدار پیش‌بینی‌شده مدل و مقدار مشاهده‌شده وجود دارد. نتایج همچنین نشان می دهد که منحنی ROC هر پارامتر ایزویست منفرد در اطراف خط مورب مختصات قرار دارد ( شکل 6).a-f)، که نتیجه گیری اثر رگرسیون نامطلوب را بیشتر تأیید می کند. در نتیجه، می‌توانیم قضاوت کنیم که احساسات سوژه‌ها را نمی‌توان با استفاده از هیچ پارامتر ایزویستی به‌طور دقیق تخمین زد. بنابراین، پس از حذف پارامترهای ایزویست با همبستگی ضعیف، پارامترهای ایزویست باقی مانده را در مدل رگرسیون ترکیب کردیم. در نهایت، ما فشردگی ایزویست (X1)، درجه همسایگی (X2) و حداکثر دید (X3) را به عنوان متغیرهای همراه انتخاب کردیم. برای حفظ نسبت مناسب ضرایب تخمین، مقیاس بندی مربوط به پارامترها مورد نیاز است. با انتخاب روش رگرسیون با بازده بهینه، می‌توانیم یک محاسبات تکراری انجام دهیم. ضریب Hosmer-Lemeshow به 0.128 می رسد که بزرگتر از سطح معنی داری تنظیم شده است ( p> 0.05). بنابراین، به عنوان یک قضاوت اولیه، این مدل به طور کلی فرضیه صفر برازش مدل را می پذیرد. ضرایب رگرسیون این مدل پارامتر جامع همه بالاتر از 0.3 است که اهمیت آماری خاصی را نشان می دهد. دقت کلی 83.9٪ است. تجزیه و تحلیل نشان داد که طول حداکثر دید و فشردگی ایزویست تأثیرات غالب بر مدل دارند ( جدول 2 ). از طریق تجزیه و تحلیل منحنی ROC، مقدار AUC ( شکل 6 g) مدل پارامتر جامع 0.849 است ( p< 0.05). با توجه به تجربه، 0.7 < AUC < 0.9 یک محدوده پیش بینی با دقت سطح متوسط ​​است، که نشان می دهد مدل مبتنی بر مدل پارامتر جامع ایزویست قدرت پیش بینی بسیار خوبی دارد. با بهره گیری از شاخص یودن، می توان نتیجه گرفت که نقطه تقسیم احتمال بهینه مدل پارامتر جامع تقریباً 0.51 است که نزدیک به مقدار آستانه پیش فرض مدل 0.5 است. بنابراین، نتیجه پیش‌بینی‌شده توسط نقطه تقسیم مدل را می‌پذیریم.

4.3. تجزیه و تحلیل آنتروپی بصری و فراکتال

برای به دست آوردن درک بهتری از اینکه چگونه ویژگی‌های فضایی بر احساسات افراد از طریق ویژگی‌های قابل مشاهده آنها تأثیر می‌گذارد، عکس‌های گرفته‌شده توسط سوژه‌ها در مکان‌ها را بیشتر تجزیه و تحلیل کردیم که اثرات خوشه‌بندی قابل‌توجهی را همانطور که قبلاً توضیح دادیم نشان می‌دهند. وقتی سیستم بینایی انسان تصویری را درک می کند، توجه به طور مساوی توزیع نمی شود. این عدم قطعیت را می توان با آنتروپی بصری اندازه گیری کرد. مفهوم آنتروپی در ابتدا برای توصیف درجه سردرگمی در ترمودینامیک مورد استفاده قرار گرفت و در نظریه اطلاعات برای نشان دادن عدم قطعیت یک منبع سیگنال معرفی شد [ 48] .]. آنتروپی بصری (VE) یک توصیف کمی است که منعکس کننده اطلاعات بصری درک شده توسط یک موضوع است، یعنی در اینجا، پیچیدگی بصری و غنای تصاویر در یک بافت شهری. به دلیل پیچیدگی بسیار زیاد فضاهای شهری، اندازه گیری دقیق پارامترهای هندسی تمام جزئیات دشوار است. بنابراین، این مقاله از عکس‌های دیجیتال واقعی آن نقاط نمونه‌گیری مؤثر استفاده می‌کند و مقادیر VE را از این عکس‌ها محاسبه می‌کند. این روش به طور گسترده در بسیاری از آزمایشات روانشناختی به کار گرفته شده است و بسیار معتبر است [ 49 ، 50 ، 51 ، 52]. با پردازش عکس‌ها در یک نقشه در مقیاس خاکستری با مقادیر گسسته 0-255، این مقاله هر واحد مقیاس خاکستری را به عنوان سیگنالی متفاوت از منبع سیگنال تصویر در نظر می‌گیرد. سپس VE کلی با توزیع پیکسل‌های هر واحد مقیاس خاکستری با استفاده از فرمول زیر محاسبه می‌شود:

اچ= − ∑پمنورود به سیستمپمناچ=–∑پمنورود به سیستمپمن

جایی که H نشان‌دهنده VE کلی تصویر است و P i به احتمال ظاهر شدن هر پیکسل در مقیاس خاکستری اشاره دارد. برای حذف نویز، مقدار آستانه روی 3 درصد تنظیم شد. سیگنال های کمتر از مقدار آستانه به عنوان داده معتبر در نظر گرفته نمی شوند. فقط مناطقی که تعداد پیکسل‌ها از مقدار آستانه در تصویر بیشتر است، ارزیابی می‌شوند. برای ساده کردن محاسبات، این مقاله مقیاس خاکستری تصویر را به 25 درجه تقسیم می کند. اطلاعات درخشندگی باند موج سبز کاملاً کافی است زیرا کنتراست تصویر بهتری دارد [ 53 ]. در نتیجه، نقشه مقیاس خاکستری این نوار در این تحلیل در نظر گرفته شده است.

علاوه بر این، پیچیدگی یک محیط فضایی شهری و تأثیر بصری آن بر سوژه ها را نیز می توان با فراکتال ها اندازه گیری کرد [ 54 ]. استدلال شده است که طبیعت یک سیستم پیچیده است که دارای ویژگی های بی نظمی و خود شباهت است [ 55]]. مندلبروت این اشکال طبیعی نامرتب و تکه تکه شده را با استفاده از مفهوم «فرکتال» توصیف کرد. یک فراکتال می تواند به شکل کسری در بعد اقلیدسی وجود داشته باشد. به عنوان مثال، یک خط ساحلی نامنظم نه یک خط مستقیم یک بعدی است و نه یک صفحه دو بعدی. فراکتال آن بین این دو بعد و تا درجه خمش خط ساحلی قرار دارد. کلید درک فراکتال ها در انتخاب مقیاس اندازه گیری نهفته است. برای اندازه‌گیری اجسام با ویژگی‌های فراکتال و همچنین کمیت‌های متفاوت، به «مقیاس‌های» متفاوتی نیاز است. بعد فراکتال می تواند پیچیدگی و درجه عطف یک تصویر را توصیف کند. هرچه ابعاد فراکتال بزرگتر باشد، تصویر پیچیده تر خواهد بود. عملیات در این مرحله نیز بر اساس آنالیز عکس های واقعی بود. مرحله با استفاده از روش شمارش بوکس به شرح زیر انجام شد. ابتدا اندازه تصاویر به 1450 × 950 پیکسل تغییر یافت. مرزهای همه عکس ها تشدید شد و به نقشه های خاکستری تبدیل شد. با در نظر گرفتن مقدار مقیاس خاکستری 128 به عنوان نقطه تقسیم، عکس ها بیشتر به نمودارهای باینری که فقط حاوی پیکسل های سیاه و سفید هستند تبدیل شدند. با توجه به شبکه های دو بعدی روی تصاویر. وقتی طول ضلع d باشد، مقدار شبکه های موثر در قسمت سفید N(d) است. بر اساس اصل فراکتال، N(d) تابع توان-نمای d است. فرمول به شرح زیر است [ عکس‌ها بیشتر به نمودارهای باینری تبدیل شدند که تنها حاوی پیکسل‌های سیاه و سفید بودند. با توجه به شبکه های دو بعدی روی تصاویر. وقتی طول ضلع d باشد، مقدار شبکه های موثر در قسمت سفید N(d) است. بر اساس اصل فراکتال، N(d) تابع توان-نمای d است. فرمول به شرح زیر است [ عکس‌ها بیشتر به نمودارهای باینری تبدیل شدند که تنها حاوی پیکسل‌های سیاه و سفید بودند. با توجه به شبکه های دو بعدی روی تصاویر. وقتی طول ضلع d باشد، مقدار شبکه های موثر در قسمت سفید N(d) است. بر اساس اصل فراکتال، N(d) تابع توان-نمای d است. فرمول به شرح زیر است [56 ]:

ن( د) =1دD.ن(د)=1د�.
برای سهولت مشاهده و محاسبه، تبدیل لگاریتمی معادله (8) انجام شد و تابع بر روی نمودار مختصات لگاریتمی دوگانه ترسیم شده است. D فراکتال این تصویر است:

ln N( د) = D ln (1د) .لوگاریتمن(د)=�لوگاریتم(1د).
با جمع VE و فراکتال با هم می توان یک شاخص بصری جامع به شرح زیر بدست آورد:

Vمن= VE+ دی .�من=��+�.
با مقایسه متناوب شاخص جامع فعلی با شاخص قبلی، می‌توان روند تغییر داده‌ها را مشاهده کرد که فرمول آن به شرح زیر است:

Vمنمن“= Vمنمن– Vمنمن – 1،�منمن“=�منمن–�منمن–1،

جایی که Vمنمن“�منمن“شاخص تغییرپذیری شاخص بصری است و VI i به شاخص جامع بصری محل نمونه‌گیری اشاره دارد. از اعداد 1 و 0 برای نشان دادن نمادهای مثبت و منفی محاسبات استفاده می‌شود و همه شاخص‌های تغییرپذیری مکان‌های نمونه‌گیری را با ظرفیت تطبیق می‌دهند.

در این تحلیل، 13 خوشه نقطه داغ از مجموعه های P و N برای توالی یابی انتخاب شدند ( شکل 7 ). عکس ها با مکان های عکسبرداری مطابقت داشتند. ما از یک دوربین فول فریم با CCD 35 میلی‌متر در 24 میلی‌متر استفاده کردیم و فاصله کانونی را روی 50 میلی‌متر تنظیم کردیم که نتیجه آن تصاویری شبیه به میدان دید انسان است. سپس بر اساس عکس ها، VE و فراکتال را محاسبه کردیم ( شکل 8). به طور کلی، عکس‌هایی که در آن‌ها همه عناصر به‌خوبی تعریف شده و یکپارچه هستند و در نتیجه مقادیر فراکتال و VE بالایی دارند، در ایجاد احساسات مثبت در افراد مهم به نظر می‌رسند. مکان‌هایی که دارای احساسات مثبت هستند، تمایل دارند تصاویری با حس نظم و غنای قوی ارائه دهند. در این مناطق، ساختمان ها مرتب چیده شده اند و تصاویر فضای محصور را منعکس می کنند (شماره 1 و شماره 2). به غیر از فرم ایزوویستی فشرده و مرتب، غنای مناظر گیاهی و سلسله مراتب سبز ممکن است بر احساسات مثبت تأثیر بگذارد (شماره 7 و شماره 11). پس از آزمایش، آزمودنی ها منعکس کردند که احساس امنیت در چنین فضاهایی آسان تر است. طبق نظریه مزلو، ایمنی پیش شرط مهمی برای لذت است و مکان هایی که دارای احساسات منفی هستند نظم فضایی نسبتاً ضعیفی مانند جهت گیری ضعیف و فضای باز را نشان می دهند (شماره 4 و شماره 13). اگرچه خیر مکان‌های 8 و شماره 10 مقادیر بالایی از فراکتال و VE را ارائه می‌دهند، تداوم فضا به دلیل موانع و آشغال‌های مداخله‌ای آسیب دیده است، که ممکن است یکی از دلایلی باشد که سوژه‌ها را به تجربه احساسات منفی سوق می‌دهد. علاوه بر این، احساسات مثبت و منفی در برخی مکان ها مانند مکان شماره 3 با یکدیگر همپوشانی دارند. این عکس‌ها تضادهای بسیار قوی مناظر شهری را نشان می‌دهند. پوشش گیاهی منظر غنی و معماری های سفت و سخت در هر دو سمت چپ و راست تصویر به طور همزمان ظاهر می شوند. بنابراین، احساسات سوژه‌ها در چنین مکان‌هایی ممکن است بر اساس اشیایی که در حال حاضر توجه آنها را به خود جلب می‌کنند، تغییر کند و باعث شود که احساسات نمونه‌گیری شده در این مکان‌ها متفاوت باشد. که ممکن است یکی از دلایلی باشد که آزمودنی ها را به سمت تجربه احساسات منفی سوق داده است. علاوه بر این، احساسات مثبت و منفی در برخی مکان ها مانند مکان شماره 3 با یکدیگر همپوشانی دارند. این عکس‌ها تضادهای بسیار قوی مناظر شهری را نشان می‌دهند. پوشش گیاهی منظر غنی و معماری های سفت و سخت در هر دو سمت چپ و راست تصویر به طور همزمان ظاهر می شوند. بنابراین، احساسات سوژه‌ها در چنین مکان‌هایی ممکن است بر اساس اشیایی که در حال حاضر توجه آنها را به خود جلب می‌کنند، تغییر کند و باعث شود که احساسات نمونه‌گیری شده در این مکان‌ها متفاوت باشد. که ممکن است یکی از دلایلی باشد که آزمودنی ها را به سمت تجربه احساسات منفی سوق داده است. علاوه بر این، احساسات مثبت و منفی در برخی مکان ها مانند مکان شماره 3 با یکدیگر همپوشانی دارند. این عکس‌ها تضادهای بسیار قوی مناظر شهری را نشان می‌دهند. پوشش گیاهی منظر غنی و معماری های سفت و سخت در هر دو سمت چپ و راست تصویر به طور همزمان ظاهر می شوند. بنابراین، احساسات سوژه‌ها در چنین مکان‌هایی ممکن است بر اساس اشیایی که در حال حاضر توجه آنها را به خود جلب می‌کنند، تغییر کند و باعث شود که احساسات نمونه‌گیری شده در این مکان‌ها متفاوت باشد. پوشش گیاهی منظر غنی و معماری های سفت و سخت در هر دو سمت چپ و راست تصویر به طور همزمان ظاهر می شوند. بنابراین، احساسات سوژه‌ها در چنین مکان‌هایی ممکن است بر اساس اشیایی که در حال حاضر توجه آنها را به خود جلب می‌کنند، تغییر کند و باعث شود که احساسات نمونه‌گیری شده در این مکان‌ها متفاوت باشد. پوشش گیاهی منظر غنی و معماری های سفت و سخت در هر دو سمت چپ و راست تصویر به طور همزمان ظاهر می شوند. بنابراین، احساسات سوژه‌ها در چنین مکان‌هایی ممکن است بر اساس اشیایی که در حال حاضر توجه آنها را به خود جلب می‌کنند، تغییر کند و باعث شود که احساسات نمونه‌گیری شده در این مکان‌ها متفاوت باشد.
از طریق تجزیه و تحلیل بصری هر مکان عکس، شکل 9نشان می دهد که VE و فراکتال دارای رزونانس و همبستگی موج آشکار هستند. ضریب پیرسون این دو متغیر 694/0 است (سطح اطمینان 99 درصد) که نشان دهنده همبستگی خطی قوی است. دو مجموعه داده هر دو دارای مقادیر نسبتاً بالایی در مکان های شماره 7 و 11 هستند – درختان سرسبز در این دو مکان رشد می کنند. ساختمان های قابل مشاهده کم ارتفاع هستند و عمدتاً پوشیده از فضای سبز هستند. در هر دو تصویر، آسمان تنها بخش کوچکی را به خود اختصاص داده است. منظره بر هر دو عکس غالب است. در مقابل، مکان های شماره 5 و شماره 6 دارای مقادیر VE و فراکتال بسیار پایینی هستند. شماره 6 در انتهای یک پل روی راه آهن قرار دارد و دید وسیعی دارد. عنصر منظره دارای عمق بصری نسبتاً مسطحی است زیرا پل و آسمان بخش بیشتری از منظره را تشکیل می دهند. درختان کمی وجود دارد و حس هر فضای بسته ضعیف است.آزمون t برای مقایسه مقادیر میانگین دو مجموعه. نتایج به طور کلی تفاوت معنی داری را نشان نمی دهد ( 05/ 0p >).
علاوه بر این، شاخص ظرفیت و تنوع در 9 مکان همبستگی دارند ( جدول 370 درصد از 13 مکان را به خود اختصاص داده است. این تا حدی از فرضیات قبلی پشتیبانی می کند، یعنی اینکه تغییرات در احساسات را نمی توان صرفاً با پارامترهای ایزوویستی قضاوت کرد. علاوه بر تأثیر همه جانبه انواع عوامل بصری، تغییرات عاطفی در سوژه‌ها به ترتیبی که افراد فضاها را تجربه می‌کردند نیز مرتبط بود. علاوه بر این، گره سوئیچینگ (به عنوان مثال، چهارراه و گوشه خیابان) معمولا اثرات قابل توجهی دارد. علاوه بر این، چنین تأثیری تحت تأثیر زمان است. وقتی آزمودنی ها وارد فضای تعویض بعدی می شوند، آگاهانه آن را با گره قبلی و ویژگی های فضایی آن مقایسه می کنند. تفاوت های جامع بین این دو مجموعه از ویژگی های فضایی ممکن است محرک مهمی برای تغییرات در احساسات باشد.

5. بحث و نتیجه گیری

این مقاله اثرات جفت همبستگی بین ویژگی‌های فضایی شهری و احساسات ذهنی افراد را با استفاده از ترکیبی از تحلیل کمی و توصیف کیفی بررسی کرد. نتایج نشان می‌دهد که ویژگی‌های فضاهای شهری و عوامل بصری دارای ویژگی‌های پیچیده‌ای هستند که بر احساسات افراد تأثیر می‌گذارند. این مقاله ضمن تهیه این خلاصه، نکات بحث دیگری را به شرح زیر پیشنهاد می کند:

  • احساسات افراد تحت تأثیر چیدمان های مختلف ساختمان قرار می گیرد – به ویژه نحوه درک افراد از فضاهای بین ساختمان ها. در میان این عوامل، گستره ایزوویستی و ویژگی‌های مرتبط، راه‌های مهمی برای افراد برای به دست آوردن اطلاعات بصری در طول تجربه شهری خود هستند. فعالیت‌های عابران پیاده در فضاهای شهری صرفاً به هیچ پارامتر ایزویست محدود نمی‌شود، بلکه به تأثیر همه جانبه چندین پارامتر ایزویستی محدود نمی‌شود، که فشردگی، انسداد و حداکثر دید نسبتاً غالب هستند. در میان این سه، به نظر می رسد فشردگی بیشتر و دید بیشتر در یک فضا برای ایجاد احساسات مثبت مفید است، که نشان می دهد افراد ممکن است فضاهایی با مناظر خوب در فاصله مناسب و مرزهای واضح تر را ترجیح دهند. با این حال، این بدان معنا نیست که مردم یک میدان دید نامحدود را ترجیح می دهند. راه های بی پایان بزرگ ممکن است یکنواخت و خسته کننده باشند. یک اثر آستانه ممکن است رخ دهد، و این سوالی است که تحقیقات آینده ما به دنبال پاسخ به آن هستند.
  • ویژگی های فضایی صرفاً به شکل ایزوویستی مسطح منعکس نمی شوند. غنا و پیچیدگی فضای سه بعدی نیز از دلایل مهمی است که بر تجربه فضایی عابران پیاده تأثیر می گذارد. تجزیه و تحلیل اطلاعات بصری می تواند به طراحان کمک کند تا به طور موثر کیفیت یک فضای شهری را تفسیر کنند. بر اساس این تحقیق، فضاهای بسته شهری در ایجاد احساس امنیت در عابران پیاده بسیار مهم است. در طول فرآیند برنامه ریزی و طراحی شهری، مرزهای موجودیت خاص، فرم های ایزوویستی مرتب و فشرده، سلسله مراتب منظر غنی و سرسبزی راه های آسانی برای ایجاد فضاهای شهری با حس مکان هستند. برخی از موانع ساخته شده توسط انسان می تواند به طور جدی کیفیت محیط فضایی را تضعیف کند. تنها با تقویت مدیریت و نگهداری روزانه می توان از دستاوردهای طراحی اطمینان حاصل کرد.
  • درک انسان از فضای شهری بر گره های فضایی مهم تمرکز دارد. بنابراین، ما نمی توانیم از تغییرات در توالی فضایی یا طراحی طراحی گره های فضایی غافل شویم. اینها باید ساخت سیستماتیک گره‌های فضایی شهری، از جمله میادین عمومی، سبز کردن خیابان‌ها و گوشه‌های خیابان را تقویت کنند. ادغام نقاط، خطوط و شبکه‌ها – به‌ویژه آن‌هایی که تداوم و شبکه فضای عابر پیاده را تقویت می‌کنند – باید به شیوه‌ای که صحنه‌های این گره‌های فضایی تغییر می‌کنند و توالی‌های فضایی شهری را با معانی خاصی تقویت می‌کنند، وزن کامل بدهد. جنبش شهری
در نهایت، یافته‌های مطالعه ارائه‌شده ما را برانگیخت تا مطالعه جامع‌تری را با هدف دستیابی به نتایج قابل توجه‌تر انجام دهیم. حجم نمونه در این مطالعه و در تمام مطالعات مرتبط که قبلا ذکر شد، کوچک بودند. مطالعه جامع تر ما در پروژه تحقیقاتی در حال انجام ESUM انجام می شود ( http://www.ia.arch.ethz.ch/esum/) که برای آن یک کوله پشتی حسگر ایجاد کردیم که داده های بسیار بیشتری را از محیط شهری جمع آوری می کند. این یک فرآیند جمع‌آوری داده جدید برای شهرهای هوشمند خواهد بود که شامل (i) داده‌های محیطی، مانند نویز، گرد و غبار، روشنایی، دما، رطوبت نسبی است. (ii) داده‌های مکان/تحرک، مانند GPS و تراکم سرنشین که از طریق WiFi شناسایی می‌شوند. و (iii) داده های اجتماعی ادراکی، جمع آوری شده توسط پاسخ های شهروندان با استفاده از تلفن های هوشمند. این داده‌های ریز دانه در زمان واقعی می‌توانند بینش بیشتری در مورد همبستگی‌های فضایی بین محیط‌های شهری و پاسخ‌های احساسی ساکنان ارائه دهند.
با این حال، احساسات افراد ممکن است تحت تأثیر بسیاری از عوامل پیچیده دیگر مانند جزئیات نمای ساختمان، عملکرد ساختمان و آنچه که افراد واقعاً می بینند، قرار گیرد. برای روشن شدن تأثیرات چندگانه در مورد روابط بین احساسات افراد و محیط های ساخته شده، ما نیاز به ایجاد چارچوب نظری محکم و دقیق تری برای تحقیقات آینده داریم.

منابع

  1. الکساندر، ER; رید، KD; مورفی، ص. معیارهای تراکم و ارتباط آنها با فرم شهری: مرکز تحقیقات معماری و شهرسازی . دانشگاه ویسکانسین: میلواکی، MI، ایالات متحده آمریکا، 1988. [ Google Scholar ]
  2. هررا-یاگوئه، سی. اشنایدر، سی ام. کورون، تی. اسموردا، ز. بنیتو، آر.ام. زفیریا، پی جی؛ گونزالس، ام سی آناتومی شبکه های اجتماعی شهری و پیامدهای آن در مشکل قابلیت جستجو. علمی جمهوری 2015 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  3. Lang, J. Urban Design: The American Experience ; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1994. [ Google Scholar ]
  4. Trancik، R. یافتن فضای گمشده: نظریه های طراحی شهری . جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1986. [ Google Scholar ]
  5. نولاس، ا. اسکلاتو، اس. لامبیوت، آر. پونتیل، ام. ماسکولو، سی. داستان بسیاری از شهرها: الگوهای جهانی در تحرک شهری انسان. PLoS ONE 2012 ، 7 ، e37027. [ Google Scholar ] [ CrossRef ]
  6. پولسکی، سی. Grove, JM; نادسون، سی. گرافمن، PM; بتز، ن. کاوندر-بارز، جی. لارسون، KL ارزیابی همگن سازی مدیریت زمین شهری با کاربرد در مراقبت از چمن مسکونی ایالات متحده. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2014 ، 111 ، 4432-4437. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  7. کارشناس، پ. ایوانز، تی اس؛ بلوندل، وی دی. لامبیوت، آر. کشف جوامع مستقل از فضا در شبکه های فضایی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2011 ، 108 ، 7663-7668. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. فرانک، ک. استیونز، کیو. فضای آزاد: امکان و تنوع در زندگی شهری . Routledge: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  9. Gehl, J. زندگی بین ساختمان ها: استفاده از فضای عمومی . مطبوعات جزیره: واشنگتن، دی سی، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  10. گوسپودینی، الف. طراحی شهری، مورفولوژی فضای شهری، گردشگری شهری: یک پارادایم جدید در حال ظهور در مورد رابطه آنها. یورو طرح. گل میخ. 2001 ، 9 ، 925-934. [ Google Scholar ] [ CrossRef ]
  11. سان، ال. Axhausen، KW; لی، دی اچ. Huang, X. درک الگوهای شهری از برخوردهای روزانه. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2013 ، 110 ، 13774–13779. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. هیلیر، بی. آیدا، اس. شبکه و اثرات روانی در حرکت شهری. در نظریه اطلاعات مکانی ; یادداشت های سخنرانی در علوم کامپیوتر; Springer: برلین/هایدلبرگ، آلمان، 2005; ص 475-490. [ Google Scholar ]
  13. هیلیر، بی. فضا ماشین است: نظریه پیکربندی معماری . انتشارات دانشگاه کمبریج: کمبریج، MA، ایالات متحده آمریکا، 1996. [ Google Scholar ]
  14. کلیفورد، CWG; رودز، جی. تطبیق ذهن با جهان: انطباق و اثرات بعدی در بینش سطح بالا . انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2005. [ Google Scholar ]
  15. تمبر، AE پیشرفت در تنوع بصری و آنتروپی. محیط زیست طرح. B طرح. دس 2003 ، 30 ، 449-463. [ Google Scholar ] [ CrossRef ]
  16. دالتون، آرسی راز این است که از انتخاب مسیر بینی و زاویه‌ای بودن خود پیروی کنید. محیط زیست رفتار 2003 ، 35 ، 107-131. [ Google Scholar ] [ CrossRef ]
  17. وینر، جی.ام. هلشر، سی. بوشنر، اس. Konieczny، L. رفتار نگاه در طول درک فضا و تصمیم گیری فضایی. روانی Res. 2012 ، 76 ، 713-729. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. فرانتس، جی. وینر، JM از نحو فضا تا معناشناسی فضا: روشی رفتاری و ادراکی برای توصیف کارآمد هندسه و توپولوژی محیط‌ها. محیط زیست طرح. B طرح. دس 2008 ، 35 ، 574-592. [ Google Scholar ] [ CrossRef ]
  19. یوینگ، آر. Handy, S. Measuring the unmeasurable: کیفیت های طراحی شهری مرتبط با قابلیت پیاده روی. J. Urban Des. 2009 ، 14 ، 65-84. [ Google Scholar ] [ CrossRef ]
  20. Handy، SL; Boarnet، MG; یوینگ، آر. Killingsworth، RE چگونه محیط ساخته شده بر فعالیت بدنی تأثیر می گذارد: دیدگاه هایی از برنامه ریزی شهری. صبح. J. قبلی پزشکی 2002 ، 23 ، 64-73. [ Google Scholar ] [ CrossRef ]
  21. مورلو، ای. راتی، سی. تصویر دیجیتالی از شهر: ایزوویست های سه بعدی در تحلیل شهری لینچ. محیط زیست طرح. B طرح. دس 2009 ، 36 ، 837-853. [ Google Scholar ] [ CrossRef ]
  22. Batty، M. عوامل، سلول‌ها و شهرها: مدل‌های نمایشی جدید برای شبیه‌سازی پویایی شهری چند مقیاسی. محیط زیست طرح. A 2005 , 37 , 1373-1394. [ Google Scholar ] [ CrossRef ]
  23. Seto، KC; رینبرگ، ا. بون، سی جی; فراقیاس، م. هاس، دی. لانگانکه، تی. سیمون، دی. ارتباطات از راه دور زمین شهری و پایداری. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2012 ، 109 ، 7687–7692. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  24. وو، جی. Jelinski، DE; شانس، م. تولر، PT تجزیه و تحلیل چند مقیاسی ناهمگونی منظر: واریانس مقیاس و معیارهای الگو. Geogr. Inf. علمی 2000 ، 6 ، 6-19. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. راتنبری، تی. Naaman, M. روش‌هایی برای استخراج معناشناسی مکان از تگ‌های فلیکر. ACM Trans. وب 2009 ، 3 ، 1139-1141. [ Google Scholar ] [ CrossRef ]
  26. واکامیا، س. بلوئر، ال. بروست، دی. لی، آر. کاوایی، ی. صومیه، ک. Claramunt، C. اندازه گیری خلق و خوی جمعیت در فضای شهر از طریق توییتر. در وب و سیستم های اطلاعات جغرافیایی بی سیم ; انتشارات بین المللی Springer: چم، سوئیس، 2015; صص 37-49. [ Google Scholar ]
  27. رسچ، بی. سوما، ا. زیل، پ. استروب، ام. برنامه ریزی شهری شهروند محور از طریق استخراج اطلاعات احساسات از توییتر در الگوریتم فضا-زمان-زمان بین رشته ای. طرح شهری. 2016 ، 1 ، 114-127. [ Google Scholar ] [ CrossRef ]
  28. رسچ، بی. سودمنز، ام. ساگل، جی. سوما، ا. زیل، پ. Exner، JP جمع سپاری شرایط فیزیولوژیکی و احساسات ذهنی با جفت کردن سنسورهای موبایل فنی و انسانی. GIForum J. Geogr. Inf. علمی 2015 ، 1 ، 514-524. [ Google Scholar ] [ CrossRef ]
  29. آکادمی علوم اعصاب برای معماری. 2013. موجود آنلاین: http://www.anfarch.org/ (دسترسی در 20 اکتبر 2016).
  30. پیترز، دی. ریشتر، ک. حرکت به بعد سوم: طرحواره سازی محیط های مجازی. بین المللی جی. اسپات. اطلاعات اطلاعات Res. 2008 ، 3 ، 20-37. [ Google Scholar ]
  31. راسل، ج.ای. یک مدل دایره‌ای از عاطفه. جی. شخصی. Soc. روانی 1980 ، 39 ، 1161-1178. [ Google Scholar ] [ CrossRef ]
  32. احساسات عابر پیاده شهری: نقشه برداری حسی. در دسترس آنلاین: http://www.walkeurope.org/uploads/File/publications/PQN%20Final%20Report%20part%20B4.pdf#page=32 (در 20 اکتبر 2016 دسترسی پیدا کرد).
  33. برگنر، BS; Exner، JP; ممل، ام. رسلان، ر. دینا طه، د. طلال، م. Zeile, P. روشهای ارزیابی حسی انسان در برنامه ریزی شهری: مطالعه موردی در اسکندریه. Proc. REAL CORP 2013 ، 1 ، 407-417. [ Google Scholar ]
  34. ماوروس، پ. کوین، آر. رو، جی. Aspinall، P. درگیر کردن مغز: پیامدهای EEG متحرک برای نمایش فضایی. در مجموعه مقالات سی امین کنفرانس بین المللی آموزش و پژوهش در طراحی معماری به کمک کامپیوتر در اروپا، پراگ، جمهوری چک، 12 تا 14 سپتامبر 2012.
  35. Camras، LA; منگ، ZL; اوجی، تی. دارمسی، س. میاکه، ک. اوستر، اچ. کامپوس، جی. مشاهده احساسات در نوزادان: حالت چهره، رفتار بدن، و قضاوت ارزیاب در مورد پاسخ‌ها به یک رویداد ناقض انتظار. احساسات 2002 ، 2 ، 179-193. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  36. Solomon, RC بازگشت به اصول اولیه: در مورد خود ایده “احساسات اساسی”. J. نظریه جامعه. رفتار 2002 ، 32 ، 115-144. [ Google Scholar ] [ CrossRef ]
  37. فابریکانت، SI; کریستف، اس. پاپاستفانو، جی. مگی، اس. فابریکانت، SI; Maggi, S. پاسخ عاطفی به زیبایی شناسی طراحی نقشه. در مجموعه مقالات کنفرانس GIScience 2012، کلمبوس، OH، ایالات متحده آمریکا، 18-21 سپتامبر 2012.
  38. بدن مانیتور. در دسترس آنلاین: http://www.bodymonitor.de/ (در 20 اکتبر 2016 قابل دسترسی است).
  39. Papastefanou، J. Experimentelle Validierung eines Sensorarmbandes zur mobilen Messung physiologischer Stressreaktionen. GESIS-Tech. 2013 ، 7 ، 1-14 . [ Google Scholar ]
  40. ژانگ، اس ال. ژانگ، ک. مقایسه بین شاخص ژنرال موران و گتیس-اورد جنرال G همبستگی فضایی. Acta Sci. نات. دانشگاه Sunyatseni 2007 ، 46 ، 93-97. [ Google Scholar ]
  41. گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی 1992 ، 24 ، 189-206. [ Google Scholar ] [ CrossRef ]
  42. Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی – مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
  43. بندیکت، ام‌ال برای تصاحب فضا – زمینه‌های ایزویست و ایزویست. محیط زیست طرح. B طرح. دس 1979 ، 6 ، 47-65. [ Google Scholar ] [ CrossRef ]
  44. دیویس، LS; بندیکت، ML مدل‌های محاسباتی فضا: زمینه‌های ایزویست و ایزویست. محاسبه کنید. نمودار. Image Proc. 2003 ، 11 ، 49-72. [ Google Scholar ] [ CrossRef ]
  45. فورمن، RTT؛ گادرون، ام. اکولوژی چشم انداز ; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1986. [ Google Scholar ]
  46. هارل، استراتژی‌های مدل‌سازی رگرسیون FEX : با کاربرد در مدل‌های خطی، رگرسیون لجستیک و تحلیل بقا . Springer Science Business Media: برلین، آلمان، 2013. [ Google Scholar ]
  47. Fawcett, T. مقدمه ای بر تجزیه و تحلیل ROC. تشخیص الگو Lett. 2006 ، 27 ، 861-874. [ Google Scholar ] [ CrossRef ]
  48. سگال، IE نکته ای در مورد مفهوم آنتروپی. جی. ریاضی. مکانیک. 1960 ، 9 ، 623-629. [ Google Scholar ] [ CrossRef ]
  49. برلین، دی. مدسن، KB لذت، پاداش، ترجیح: ماهیت، عوامل تعیین کننده و نقش آنها در رفتار . انتشارات آکادمیک: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  50. کوپر، جی. Oskrochi، R. تجزیه و تحلیل فراکتال مناظر خیابان: ابزاری بالقوه برای ارزیابی سطوح تنوع بصری در صحنه های خیابانی روزمره. محیط زیست طرح. B طرح. دس 2008 ، 35 ، 349-363. [ Google Scholar ] [ CrossRef ]
  51. تمبر، آنتروپی AE، تنوع بصری، و اولویت. جی ژنرال روانی. 2002 ، 129 ، 300-320. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  52. تمبر، AE در شکل و وسعت. محیط زیست رفتار 2008 ، 41 ، 526-548. [ Google Scholar ] [ CrossRef ]
  53. ساتو، تی. ماتسوکا، ام. تاکایاسو، اچ. تجزیه و تحلیل تصویر فراکتال از صحنه های طبیعی و تصاویر پزشکی. فراکتال های بین المللی جیوم مجتمع. نات. 1996 ، 4 ، 463-468. [ Google Scholar ] [ CrossRef ]
  54. جیانگ، بی. Sui, DZ نوع جدیدی از زیبایی خارج از مقیاس بندی زیربنایی فضای جغرافیایی. پروفسور Geogr. 2014 ، 66 ، 676-686. [ Google Scholar ] [ CrossRef ]
  55. مندلبروت، فراکتال های BB-شکل، شانس و ابعاد . WHFreeman & Company: نیویورک، نیویورک، ایالات متحده آمریکا، 1977. [ Google Scholar ]
  56. لی، جی. دو، س. Sun، CX یک روش شمارش جعبه بهبود یافته برای تخمین ابعاد فراکتال تصویر. تشخیص الگو 2009 ، 42 ، 2460-2469. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00218 g001 550
شکل 1. نمودار گردش کار از رویکرد ارائه شده.
Ijgi 05 00218 g002 550
شکل 2. مدلی برای احساسات ثانویه که بر اساس سطح برانگیختگی (از پایین به بالا نشان دهنده، به ترتیب، ملایم تا شدید) و ظرفیت آنها (از چپ به راست، به ترتیب نشان دهنده ناخوشایند تا خوشایند) تعیین می شود.
Ijgi 05 00218 g003 550
شکل 3. خوشه های احساسات نقطه داغ. مکان‌های برانگیختگی عاطفی بر اساس z -score کدگذاری شده‌اند . مقادیر بالا یا پایین مشابه به رنگ قرمز یا آبی ( a ) برای احساسات مثبت نشان داده شده است. و ( ب ) برای احساسات منفی.
Ijgi 05 00218 g004 550
شکل 4. شکل ایزوویست ها در نقاط نمونه گیری: ( الف ) برای احساسات مثبت. ( ب ) برای احساسات منفی.
Ijgi 05 00218 g005 550
شکل 5. مقایسه بین شاخص های شکل بافت ساختمان ( a ) میانگین مساحت. ( ب ) پراکندگی منطقه؛ ( ج ) فاصله متوسط ​​بین ساختمانها. ( د ) درجه تکه تکه شدن.
Ijgi 05 00218 g006 550
شکل 6. تجزیه و تحلیل ROC: ( الف ) ناحیه ایزویست. ( ب ) محیط ایزویست. ( ج ) فشردگی ایزوویستی؛ ( د ) درجه محله؛ ( ه ) حداکثر دید. ( f ) حداقل دید. ( g ) تمام پارامترها.
Ijgi 05 00218 g007 550
شکل 7. مکان برای تجزیه و تحلیل بصری.
Ijgi 05 00218 g008 550
شکل 8. نماها از مکان های انتخاب شده و پردازش عکس.
Ijgi 05 00218 g009 550
شکل 9. همبستگی آنتروپی بصری و فراکتال.
جدول
جدول 1. شاخص عادی بافت ساختمان.
جدول
جدول 2. مدل رگرسیون منطقی پارامتر جامع.
جدول
جدول 3. نتایج آنتروپی بصری و بازرسی فراکتال بصری.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370