شاخص‌های برجسته برای استخراج نشانه در مقیاس‌های فضایی بزرگ بر اساس روش‌های تحلیل فضایی

خلاصه

نشانه های شهری اغلب در راهیابی و بازنمایی دانش فضایی استفاده می شود. با این حال، ارزیابی برجسته بودن نشانه های شهری دشوار است. علاوه بر این، هیچ روشی برای استخراج سریع نشانه‌های شهری از پایگاه‌های اطلاعات جغرافیایی پایه وجود ندارد. هدف این مقاله حل این مسائل از جنبه های دوگانه بازنمایی دانش فضایی و قواعد شناخت فضایی عمومی است. یک تعریف روشن و سیستماتیک برای نشانه‌های شهری در مقیاس چندگانه، همراه با مرجع دسته‌بندی برای استخراج نشانه‌های شهری در مقیاس کوچک و متوسط و مدلی برای استخراج خودکار در مقیاس بزرگ از نشانه‌های شهری پیشنهاد شده‌است. در این مدل استخراج خودکار نشانه‌های شهری در مقیاس بزرگ، برجستگی با دو پارامتر وزنی بیان می‌شود: مجموع ورود و دسترسی محلی. آستانه استخراج با توجه به تعداد از پیش تعریف شده نشانه هایی که باید استخراج شوند تنظیم می شود. آزمایش ها نشان می دهد که نتایج استخراج به خوبی با داده های مرجع مطابقت دارد.

کلید واژه ها:

استخراج نشانه های شهری ; شرح آدرس ؛ شناخت فضایی ؛ بافت فضایی ; اثر مقیاس شناختی

1. معرفی

نشانه های شهری ویژگی های فضایی هستند که نسبتاً برجسته تر از ویژگی های اطراف هستند [ 1 ، 2 ]. این برجستگی می تواند شامل متفاوت بودن از ویژگی های همسایه در ظاهر یا شکل، قرار گرفتن در یک مکان مهم (به عنوان مثال، ویژگی هایی باشد که فضای شهری را تقسیم می کند، دسترسی به آنها آسان است، یا در نقاط تصمیم گیری قرار دارند)، یا داشتن عملکرد یا فرهنگی خاص. اهمیت [ 1 ، 3 ].

نشانه های شهری به عنوان حامل اطلاعات جغرافیایی، نقشی ضروری در شناخت فضایی ایفا کرده اند. این نشانه‌ها اغلب مورد استفاده قرار می‌گیرند و چشم‌انداز وسیعی برای کاربرد در جنبه‌های مختلف راه‌یابی و در بازنمایی دانش فضایی دارند [ 4 ]. با استفاده از نشانه‌ها به عنوان ارجاعات فضایی، نشانه‌های فضایی، و نمادها [ 5 ]، افراد می‌توانند به راحتی مکان سایر ویژگی‌ها را تعریف کنند، موقعیت‌های خود را قضاوت کنند و الگوهای فضایی را بهتر تشخیص دهند [ 6 ]. مردم همچنین هدایت مسیر را با استفاده از نشانه‌ها ترجیح می‌دهند زیرا این ویژگی‌ها قابل درک‌تر هستند و نتایج بهتری نسبت به سایر روش‌های هدایت مسیر به دست می‌آورند [ 1 , 3 , 7 , 8، 9 ].

بنابراین، نشانه‌های شهری مهم هستند و بسیاری از محققین سعی کرده‌اند نشانه‌های شهری را برای ارزیابی و استخراج آن‌ها ساده‌سازی کنند، معمولاً با انتزاع ویژگی‌های آنها و کمی کردن برجستگی آنها [ 1 ، 4 ، 10 ، 11 ، 12 ، 13 ].

در این مقاله، ابتدا با طبقه‌بندی اشیا و سپس با استفاده از روش‌های مختلف برای ارزیابی و استخراج نشانه‌ها از آنها، کارهای ساده‌سازی و استخراج را انجام می‌دهیم. هدف این مقاله تحلیل نشانه‌ها از بازنمایی‌های دانش فضایی، با تمرکز بر استخراج نشانه‌های شهری با ارائه روش‌های عملی برای ساخت لایه‌های نشانه بر اساس اطلاعات پایگاه‌های اطلاعاتی اطلاعات جغرافیایی پایه است. یک تعریف سیستماتیک برای نشانه‌ها در مقیاس‌های چندگانه از منظر بازنمایی دانش فضایی پیشنهاد شده‌است. مرجع دسته بندی برای استخراج نشانه ها در مقیاس های کوچک و متوسط، شاخص های برجسته و روش های استخراج برای نشانه ها در مقیاس بزرگ، بر اساس پایگاه های اطلاعاتی اطلاعات جغرافیایی پایه، پیشنهاد شده است.

این مقاله به شرح زیر سازماندهی شده است. بخش 2 مروری بر کار مرتبط ارائه می دهد. در بخش 3 ، ما نشانه ها را در مقیاس های چندگانه تعریف می کنیم. در بخش 4 ، ما یک مرجع دسته بندی برای استخراج نشانه ها در مقیاس های کوچک و متوسط ارائه می دهیم و روشی را برای استخراج نشانه های شهری در مقیاس های بزرگ پیشنهاد می کنیم. در بخش 5 ، منابع داده های موجود و ویژگی های منطقه مورد مطالعه را شرح می دهیم: شنژن، چین. در بخش 6 ، نتایج خود را همراه با نمودارها ارائه می کنیم و این نتایج را با نتایج روش استخراج مصنوعی مقایسه می کنیم. در بخش 7 ، نتیجه گیری می کنیم و کارهای آینده را شرح می دهیم.

2. آثار مرتبط

در این بخش، ما آثار مرتبط در ارزیابی و روش‌های استخراج نشانه‌ها و سلسله‌مراتب‌های شاخص را بررسی می‌کنیم.

2.1. روش‌های ارزیابی و استخراج برای نشانه‌ها

روش‌های رایج ارزیابی و استخراج عمدتاً شامل روش‌های برآورد برجسته و روش‌های داده‌کاوی است. برجسته بودن نقطه عطف توصیف می کند که یک ویژگی فضایی چقدر واضح است و چگونه به راحتی می توان یک ویژگی را به عنوان یک نقطه عطف در نظر گرفت. برجستگی یک نشانه به ویژگی های فردی یک نشانه و تمایز آن از ویژگی های فضایی اطراف بستگی دارد [ 3 ، 14 ]. Caduff و Timpf [ 14] یک بردار برجستگی سه ارزشی را پیشنهاد کرد که شامل برجستگی ادراکی، برجستگی شناختی و برجستگی زمینه‌ای بر اساس خلاصه‌ای از مطالعات قبلی است. برجستگی ادراکی بر تمایل برجستگی برون زا برای جلب توجه بصری تمرکز می کند و برجستگی شناختی بر توجه درون زا به یک شی متمرکز است که توسط نشانه های آموزنده تحریک می شود. برجستگی متنی برجستگی را از حالت و وظیفه ای که باید انجام شود را تعریف می کند. این بردار برجستگی سه ارزشی برای طبقه‌بندی سایر شاخص‌های کمی برجسته بودن شاخص در سطح مفهومی مناسب است. سایر شاخص های کمی مانند تکینگی، برجستگی مکان فضایی، محتوا و نمونه اولیه که توسط [ 1 ] پیشنهاد شد و جاذبه بصری، معنایی و ساختاری که توسط [ 3] پیشنهاد شد.]، را می توان نمونه هایی از بردار برجستگی سه مقداری در نظر گرفت. محققان تلاش کرده اند از این اقدامات برای استخراج نشانه ها از ساختمان ها و نقاط مورد علاقه (POIs) استفاده کنند [ 15 ، 16 ، 17 ، 18 ].

متأسفانه، روش‌های سنتی استخراج نشانه‌ها که مبتنی بر این شاخص‌ها هستند، معمولاً در عمل به سختی استفاده می‌شوند، زیرا نیاز به اجرای بررسی‌های پرسشنامه‌ای متعدد، ساخت یک فهرست بزرگ ویژگی‌ها، و جمع‌آوری ویژگی‌ها یا تصاویری دارند که معمولاً در پایگاه‌های اطلاعات جغرافیایی شهری وجود ندارند.

روش‌های رایج دیگری که محققین بررسی کرده‌اند شامل روش‌های داده کاوی است. روش‌های داده‌کاوی که مبتنی بر کاداستر هستند، می‌توانند با قضاوت در مورد برجسته بودن ساختمان‌ها در یک محیط معین با در نظر گرفتن ویژگی‌هایی مانند کاربری ساختمان، هندسه، و تعداد همسایه‌های فوری، نشانه‌ها را به‌طور خودکار و به صورت عمده [ 19 ] استخراج کنند. با این حال، این رویکرد مشکلاتی نیز دارد، از جمله عدم توجه آن به ویژگی‌های شناختی. برخی از محققان با جمع‌آوری اطلاعات آماری از اطلاعات متنی در اسناد دیجیتال در اینترنت به عنوان توسعه داده‌کاوی بر اساس کاداستر، سعی در استخراج نشانه‌ها کرده‌اند [ 20] .]. با این حال، اسناد وب به دلیل سوگیری در کاربران وب و مکان‌های نادرست اشیاء فضایی، به اندازه کافی جامع نیستند، که منجر به استخراج ناقص نشانه‌های شهری می‌شود. روش‌هایی برای محاسبه برجستگی بصری برای تصاویر دو بعدی یا سه بعدی برای ارزیابی برجستگی نقاط عطف وجود دارد [ 17 ، 21 ]، اما این تصاویر هنوز در پایگاه‌های اطلاعات جغرافیایی اولیه موجود نیستند.

مطالعات کنونی در مورد استخراج نقاط عطف در درجه اول با هدف برنامه‌های کاربردی برای کمک به ناوبری انجام می‌شوند، اما تمایل دارند از نظر بازنمایی دانش فضایی در سطح بحث کیفی باقی بمانند. علاوه بر این، این برنامه‌ها فاقد یک تعریف سیستماتیک یکپارچه برای نشانه‌های شهری در محیط‌های چند مقیاسی هستند، که باعث می‌شود داده‌های نشانه به راحتی کمتر منتقل شوند و در نمایش نقشه یا برنامه‌های ناوبری استفاده شوند و نقشی که نشانه‌های شهری در ساخت شهرهای دیجیتال ایفا می‌کنند ضعیف می‌شود. این مقاله این اشکالات را بهبود می بخشد.

2.2. سلسله مراتب شاخص

اکثر محققان تشخیص می دهند که نشانه های شهر دارای یک سلسله مراتب شناختی هستند. معمولاً، این سلسله مراتب از نظر کمی با اندازه گیری برجستگی نقطه عطف و مناطق مرجع یا با تقسیم مستقیم و کیفی نشانه ها به نشانه های جهانی و محلی مشخص می شود [ 4 ، 18 ، 22 ]. در واقع، این سلسله مراتب ها همه از یک انگیزه طبیعی برای قرار دادن نشانه ها در مقیاس های فضایی مختلف پیروی می کنند. نشانه‌های با برجستگی بالاتر و مناطق مرجع بزرگ‌تر در سطوح بالاتری قرار دارند و می‌توانند نقاط مرجع فضایی، نشانه‌های فضایی یا نمادهایی در مقیاس‌های کوچک‌تر باشند.

نشانه ها را می توان با مقیاس فضایی آنها لایه بندی کرد زیرا آنها مفاهیم مهمی در زمینه اطلاعات مکانی و شناخت مکانی هستند که هر دو دارای سازمان های سلسله مراتبی هستند که معمولاً با مقیاس های فضایی تعریف می شوند. مقیاس های بزرگتر دقت فضایی بالاتری را ارائه می دهند. در نتیجه، ما می توانیم جزئیات بیشتری از یک شی فضایی معین را در مقیاس های بزرگتر ببینیم. برعکس، مقیاس‌های کوچک‌تر، دهانه‌های فضایی بزرگ‌تری را فراهم می‌کنند و درک ویژگی‌های کلی یک منطقه را آسان‌تر می‌کنند [ 23 ]. این سازماندهی سلسله مراتبی فضای شناختی همچنین منجر به سازماندهی سلسله مراتبی رفتارها و اهداف شناختی افراد در مقیاس های مختلف فضایی می شود و باعث می شود افراد از نشانه ها در مقیاس های فضایی مختلف به طور متفاوت استفاده کنند.

لی تلاش کرد تا نقاط عطف را بر اساس مقیاس فضایی به پنج رتبه تقسیم کند: شهر، منطقه، منطقه، بلوک و سطوح شاخص بینایی [ 16 ]. این سطوح می توانند با مدل های شناختی فضا مطابقت داشته باشند. با این حال، دامنه این رتبه ها مبهم است. آنها فاقد تعریف و کمیت سیستماتیک هستند که می تواند گیج کننده باشد. در این مقاله، ما به این تقسیم بندی پنج رتبه ای اشاره می کنیم، تعاریف روشنی برای نشانه ها در هر مقیاس ارائه می دهیم و روش های استخراج مربوطه را پیشنهاد می کنیم. بخش 3 جزئیات بیشتری را ارائه می دهد.

3. تعاریف نشانه ها در مقیاس های چندگانه

ما نشانه‌ها را به سه مقیاس تقسیم می‌کنیم، یعنی مقیاس کوچک (سطح شهر)، مقیاس متوسط (سطح منطقه و ناحیه)، و مقیاس بزرگ (سطوح بلوک و دید) بر اساس تقسیم ابتدایی نشانه‌های چند مقیاسی که توسط [16] پیشنهاد شده است . و سلسله مراتب مشترک فضای شناختی ( شکل 1 ).

پس از این پارتیشن، نشانه‌ها را در هر مقیاس تعریف می‌کنیم، ویژگی‌های آن‌ها را توصیف می‌کنیم و سپس روش‌های استخراج مربوطه را با توجه به این ویژگی‌ها مطالعه می‌کنیم.

ما یک مدل ارزیابی بهتر از برجستگی برجسته را که توسط Caduff و Timpf (2008) پیشنهاد شده بود، اتخاذ می کنیم، که به سختی برجستگی شناختی را تغییر می دهد. این مدل نسبت به سایر مدل ها جامع تر و کلی تر است. این مدل شامل برجستگی ادراکی، برجستگی شناختی و برجستگی زمینه ای است.

برجستگی ادراکی بر جذابیت عینی یک نقطه عطف تمرکز می کند و به این بستگی دارد که آیا نقطه عطف به نوعی برجسته است (یعنی بصری، شنیداری یا بویایی). برجستگی ادراکی شامل جاذبه بصری و ساختاری است که در [ 1 ، 3 ] توضیح داده شده است. برجستگی شناختی بر جذابیت ذهنی یک نقطه عطف تمرکز دارد و به تجربیات افراد بستگی دارد. اشیایی که دارای درجه بالایی از تشخیص و ارتباط خاص هستند، می توانند نقطه عطفی باشند. برجستگی شناختی همچنین شامل جاذبه معنایی مطابق [ 3 ] و جاذبه شناختی مطابق [ 1] است.]. برجستگی زمینه‌ای بر وظایف و روش‌هایی تمرکز می‌کند که افراد هنگام بیرون رفتن از آن استفاده می‌کنند. این نوع بافت بر تمرکز توجه و میدان دید تأثیر می گذارد و باعث می شود افراد اشیاء مختلفی را به عنوان نشانه انتخاب کنند.

ویژگی هایی که در این تعاریف گنجانده شده اند با تولید و خلاصه کردن ویژگی های نشانه ها در خدمات نقشه آنلاین توسعه یافته اند. این خدمات نقشه آنلاین در مقیاس های متعدد نمایش داده می شوند و نشانه ها به صورت دستی از یکی از این خدمات نقشه آنلاین استخراج شده اند.

3.1. نقاط دیدنی در مقیاس کوچک

نشانه‌ها در مقیاس‌های کوچک، ویژگی‌های فضایی شهری هستند که در سطح شهر برجسته هستند. این ویژگی ها دارای ویژگی های زیر هستند:

نام آنها در کل شهر بی نظیر است.
از نظر ادراکی، آنها دارای مرزهای فضایی آشکار هستند، منطقه وسیعی را پوشش می دهند یا به عنوان ویژگی های تقسیم کننده ساختار منطقه ای شهری عمل می کنند.
از نظر شناختی، آنها نقش مهمی را به عنوان مراکز حمل و نقل، فرهنگی یا سیاسی هم در داخل شهر و هم در جهان خارج ایفا می کنند. هم ساکنان و هم مسافران از این نشانه‌ها آگاهی بالایی دارند و این ویژگی‌ها می‌توانند به شناسایی ساختارهای فضایی جهانی شهر کمک کنند.
از لحاظ متنی، آنها می توانند به عنوان راهنمای مسیر یا مقصد برای یک سفر عمل کنند. بنابراین، آنها همیشه در زمینه سفر برجسته هستند.

در مقیاس کوچک، اطلاعات مکانی را نمی توان از مشاهدات مستقیم به دست آورد و معمولاً با خواندن نقشه ها یا از تجربه طولانی مدت در حرکت در شهر به دست می آید. در این مقیاس، شناخت فضایی افراد در سطح جهت گیری یا در سطح تعیین منطقه ای که یک شی هدف در آن قرار دارد، عمل می کند. در این شرایط، کارکردهای اصلی نشانه‌ها کمک به جهت‌یابی یا کمک به افراد در جداسازی فضاهای جغرافیایی برای ساخت خطوط اساسی یک نقشه ذهنی است. بنابراین، ویژگی‌های فضایی که در این مقیاس برجسته هستند و تأثیر زیادی بر ساختار شهری، چیدمان جهانی یا ارتباطات و حمل‌ونقل بین شهرها دارند، می‌توانند به نقاط عطف تبدیل شوند. این نشانه‌ها ممکن است شامل تقسیمات اداری در سطح منطقه/شهرستان باشد که شهر را تقسیم می‌کند،

3.2. نقاط دیدنی در مقیاس متوسط

در مقیاس های متوسط، نشانه ها ویژگی های فضایی برجسته در سطوح منطقه ای و منطقه ای هستند. این ویژگی ها دارای ویژگی های زیر هستند:

نام آنها در منطقه/منطقه منحصر به فرد است.
از نظر ادراکی، آنها یک منطقه خاص را پوشش می دهند یا منطقه / ناحیه را تقسیم می کنند.
از نظر شناختی، مکان‌های عمومی بزرگی برای فعالیت‌های اجتماعی، اقتصادی، فرهنگی، سیاسی و تفریحی فراهم می‌کنند و ساکنان از آنها آگاهی بالایی دارند.
از نظر متنی، آنها دارای یک فرم توسعه پذیر هستند که به طور شعاعی بر ویژگی های اطراف تأثیر می گذارد، می تواند هدایت توپولوژیکی را ارائه دهد، یا نزدیک به نقاط تصمیم گیری (مانند تقاطع ها) است و معمولاً در زمینه های رانندگی یا سواری برجسته هستند.

در مقیاس های متوسط، اطلاعات مکانی را نمی توان از منظری ثابت به دست آورد، که در عوض معمولاً از تجربه حرکت در منطقه به دست می آید. مردم باید محدوده تقریبی یک مقصد را مشخص کنند و مسیر کلی را برای سفر به این مقصد بدانند. نشانه ها در مقیاس متوسط این نیاز را برطرف می کنند. به طور مشخص، ویژگی‌های فضایی که ساختارهای منطقه‌ای را از هم جدا می‌کنند (مانند تقسیمات اداری در سطح شهر (بلوک‌ها) و جاده‌های اصلی) و اشکال گسترده‌ای دارند (مانند تسهیلات بزرگ مسکن عمومی، مراکز خرید غول‌پیکر، مناطق تجاری، و مکان‌های تفریحی) می‌توانند نشانه‌هایی در سطح متوسط باشند. مقیاس می شود زیرا این ویژگی ها می توانند به عنوان نشانه ها یا نمادهای فضایی عمل کنند که محدوده تقریبی یک شی مورد نظر را نشان می دهد. به عنوان مثال، مردم ممکن است بگویند: “ساختمان نقشه برداری و نقشه برداری هوبی در دره نوری است”، جایی که منطقه تجاری “دره نوری” نقطه عطفی است. خیابان‌ها، رودخانه‌ها و دریاچه‌های کوچک و متوسط نیز می‌توانند نقطه عطفی باشند که راهنمایی‌های جهتی توپولوژیکی را ارائه دهند. به عنوان مثال، مردم ممکن است بگویند “رودخانه را دنبال کن” تا راهنمایی جهت دهی کنند.

3.3. نقاط دیدنی در مقیاس بزرگ

در مقیاس‌های بزرگ، نشانه‌ها ویژگی‌های فضایی هستند که در سطح بلوک و بصری برجسته هستند و اطلاعات مکان دقیقی را ارائه می‌دهند. خصوصیات آنها به شرح زیر است:

از نظر ادراکی به جاده ها نزدیک هستند و به راحتی قابل دسترسی هستند.
از نظر شناختی، مکان‌هایی (امکانات خدمات عمومی) را فراهم می‌کنند که در آن افراد در فعالیت‌های اجتماعی، اقتصادی، فرهنگی، سیاسی و تفریحی شرکت می‌کنند، ارزش فرهنگی (یادبودی) دارند یا امکانات حمل‌ونقل هستند. آنها ارتباط نزدیکی با زندگی روزمره مردم دارند و ساکنان اطراف به شدت از آنها آگاه هستند.
از نظر بافتی، معمولاً در نزدیکی جاده ها و در یک بافت پیاده روی برجسته هستند.

در مقیاس های بزرگ، اطلاعات مکانی دقیق را می توان از یک چشم انداز ثابت یا از مقدار کمی حرکت به دست آورد. مردم ویژگی‌های فضایی شناخته شده یا قابل مشاهده را به عنوان نشانه‌ها در نظر می‌گیرند و از اطلاعات مکان دقیق خود برای کمک به تعیین مکان شی مورد نظر استفاده می‌کنند.

نشانه‌ها در این مقیاس نزدیک‌ترین نشانه‌ها به زندگی روزمره در بین همه انواع نشانه‌ها هستند و بنابراین معمولاً رایج‌ترین نوع نشانه‌ها در بازنمایی دانش فضایی هستند. بنابراین، تأسیسات خدمات عمومی، مشاغل و سایر ساختمان‌های برجسته مانند رستوران‌ها، بازارها، عمارت‌ها، مدارس، مراکز خرید، مسکن، مراکز حمل‌ونقل و ویژگی‌های فضایی نسبتاً برجسته‌ای که دارای اهمیت یا عملکرد فرهنگی هستند، می‌توانند نشانه‌های شاخص باشند. تعداد زیادی از نشانه ها در این مقیاس وجود دارد. این نشانه‌ها انواع پیچیده‌ای دارند و استخراج آنها با دسته‌بندی ویژگی‌ها دشوار است. با این حال، ما می‌توانیم از ویژگی‌های آنها، از جمله پیوندهای قوی آنها با زندگی روزمره، نزدیکی به جاده‌ها و دسترسی بالا، برای استخراج آنها استفاده کنیم. این مقاله یک روش عملی برای استخراج نشانه‌ها در مقیاس‌های بزرگ پیشنهاد می‌کندبخش 3.2 .

4. استخراج نقطه عطف

نمودار جریان استخراج نقطه عطف در شکل 2 نشان داده شده است که در آن بخش (الف) برای نشانه‌ها در مقیاس‌های کوچک و متوسط و بخش (ب) برای نشانه‌ها در مقیاس بزرگ است. از آنجایی که آستانه های این رویکرد برای مقیاس های کوچک و متوسط هنوز در حال مطالعه است، ما بر روی رویکرد برای مقیاس های بزرگ تمرکز خواهیم کرد.

4.1. استخراج نقطه عطف در مقیاس های چندگانه

برای مقیاس‌های کوچک و متوسط، ما مراجع دسته‌بندی را برای استخراج نشانه‌ها مطابق با GB/T 13923-2006، «مشخصات طبقه‌بندی ویژگی و کدهای اطلاعات جغرافیایی بنیادی» [ 24 ] ارائه می‌کنیم. این استاندارد برای هدایت تولید داده های اطلاعات جغرافیایی پایه پیشنهاد شده است و استاندارد مرجع برای بسیاری از مشخصات طبقه بندی محلی در نظر گرفته می شود. این استاندارد تقریباً در هر صنعت نقشه برداری، نقشه برداری و اطلاعات جغرافیایی مانند بررسی شرایط ملی جغرافیایی، نمودارهای ناوبری الکترونیکی داخلی و غیره استفاده می شود و به همین دلیل در بین عموم پذیرفته شده است.

دانه بندی طبقه بندی در این مشخصات تا حدودی زیاد است. در نتیجه، برخی از ویژگی‌هایی که مردم اغلب در نظر می‌گیرند (مانند مربع‌ها) در این کدهای طبقه‌بندی ویژگی وجود ندارند، اما می‌توانند در زیر کلاس‌ها گنجانده شوند. علاوه بر این، این طبقه‌بندی تمام ویژگی‌های اطلاعات جغرافیایی پایه را پوشش می‌دهد، دارای محدودیت‌های مشخص مشخصی بین هر دسته است و به طور گسترده در بین عموم پذیرفته شده است، که این رویکرد را برای ارائه مرجع دسته‌بندی بر اساس مشخصات برای نشانه‌ها در مقیاس‌های کوچک و متوسط مفید می‌سازد. ما روشی را برای ارزیابی برجسته بودن نشانه‌ها در مقیاس‌های بزرگ برای بهبود استخراج خودکار نشانه‌ها پیشنهاد می‌کنیم.

با توجه به تعریف و شرح در بخش 3 ، ما شش دسته از ویژگی ها را برای نشانه های با مقیاس کوچک ( جدول 1 ) و دوازده دسته برای نشانه های شاخص مقیاس متوسط ( جدول 2 ) از GB/T 13923-2006 توصیه می کنیم. هنگامی که در حال استفاده واقعی است، این مرجع دسته می‌تواند یک فیلتر باشد و می‌تواند برای استخراج تقریباً اما مؤثر نشانه‌ها در مقیاس‌های کوچک و متوسط در کنار محدودیت آستانه دقیق‌تر استفاده شود. بررسی‌ها و آزمایش‌های بیشتر باید برای تعیین حدود آستانه دقیق‌تر (رتبه، مساحت، طول و غیره به جای «مقیاس بزرگ» در جدول 1 و جدول 2 انجام شود.) و محدودیت های آستانه متفاوت در اندازه های مختلف شهر یا سایر شرایط خاص، که هدف بعدی ماست.

ما روشی را برای ارزیابی برجسته بودن نشانه‌ها در مقیاس‌های بزرگ برای اهداف استخراج پیشنهاد می‌کنیم. اگرچه نشانه‌های شاخص در این مقیاس بسیار رایج هستند، انواع پیچیده را نشان می‌دهند و از طریق دسته‌بندی ویژگی‌ها استخراج دشواری هستند، ما می‌توانیم از ویژگی‌های آنها، از جمله پیوند قوی آنها با زندگی روزمره، نزدیکی به جاده و دسترسی بالا، برای استخراج آنها استفاده کنیم. این مقاله یک روش عملی برای استخراج نشانه ها در مقیاس های بزرگ در بخش 4.2 پیشنهاد می کند .

4.2. استخراج شاخص در مقیاس بزرگ

برای استخراج نشانه ها در مقیاس های بزرگ، ما با POI هایی شروع می کنیم که بر اساس GB/T 13923-2006 به عنوان داده های پایه طبقه بندی شده اند. ما برجستگی این POI ها را از جنبه های ادراکی، شناختی و زمینه ای ارزیابی می کنیم و سپس این برجستگی را به عنوان استانداردی برای استخراج نشانه ها در مقیاس های بزرگ از این POI ها اضافه می کنیم. این شاخص ها به طور خاص شامل مجموع ورود از خدمات مبتنی بر مکان (LBS) و دسترسی محلی است. مجموع ثبت نام برای ارزیابی برجستگی شناختی، و دسترسی محلی برای ارزیابی برجستگی ادراکی و برجستگی زمینه ای استفاده می شود.

این POI ها محدود به نقاط هستند. همانطور که در بخش 3.3 ذکر شد ، یک نقطه عطف در مقیاس بزرگ اساساً باید اطلاعات مکان دقیقی داشته باشد و بدون مقدار زیادی حرکت قابل مشاهده باشد. بنابراین، ویژگی‌های چند ضلعی مانند پارک‌ها و مدارس و ویژگی‌های خطی مانند جاده‌ها و رودخانه‌ها (رودخانه‌ها را می‌توان به عنوان چندضلعی در نظر گرفت) نمی‌توانند نشانه‌هایی در این مقیاس باشند، زیرا استفاده از کل ویژگی به عنوان نشانه برای توصیف موقعیت یک ویژگی دیگر دشوار است. با این حال، نقاطی مانند دروازه های یک ویژگی چند ضلعی یا یک ساختمان در کنار جاده، ممکن است به عنوان نشانه انتخاب شوند.

در کارهای قبلی، محققان اغلب شاخص‌های ظاهری مانند رنگ را در نظر گرفته‌اند. اما در این مقاله از این شاخص ها استفاده نشده است. دو دلیل برای این وجود دارد:

(1): به دست آوردن شاخص های ظاهری دشوار است. هنگامی که تعداد ویژگی‌های فضایی زیاد می‌شود، به‌دست‌آمدن و اندازه‌گیری این شاخص‌ها دشوار می‌شود و آنها را برای ارزیابی برجسته بودن نقطه عطف غیرعملی می‌سازد. در تحقیقات دیگر، به عنوان مثال، Raubal و Winter از جاذبه بصری، معنایی و ساختاری برای ارزیابی برجسته بودن نشانه‌ها استفاده می‌کنند. منابع داده‌ای که آن‌ها نیاز دارند شامل نقشه‌های دیجیتال شهر، نمودارهای مسیریابی، و تصاویر ارجاع‌شده جغرافیایی اصلاح‌شده از نماها می‌شود [ 1 ]، که در آنها تصاویر بر اساس پایگاه داده ما در دسترس نیستند. منبع داده ای که Elias استفاده می کند، ساختمان هایی در مجموعه داده های کاداستر [ 19 ، 25 ] است که در آن اطلاعات بسته در پایگاه داده اطلاعات جغرافیایی پایه ما نیز موجود نیست.
(2): برجستگی ادراکی پس از یک دوره تا حدی به برجستگی شناختی تبدیل می‌شود، زیرا شناخت فضایی معمولاً با ادراک آغاز می‌شود. چندین دیدگاه نظری یا چارچوب وجود دارد که فرآیند توسعه شناخت فضایی را توصیف کرده است [ 26 ]. فرآیند شناخت فضایی انسان، معمولاً با ادراک شروع می شود، مانند فرآیند ادراک، کدگذاری، ذخیره، به خاطر سپردن و رمزگشایی و سپس تبدیل می شود. شناخت [ 27 ].

بنابراین سعی نمی کنیم ظواهر را در نظر بگیریم. در عوض، دو شاخص اتخاذ شده توسط این مقاله، شناخت عمومی و ساختارهای فضایی را در کنار جنبه‌های ذهنی و عینی پوشش می‌دهند. جایی که “جنبه ذهنی” به انتخاب ذهنی یک نقطه عطف اشاره دارد که در داخل بسته به دانش، تجربه و ترجیح ناظر رخ می دهد. «جنبه عینی» به جاذبه عینی یک نقطه عطف اشاره دارد که به صورت خارجی در محیط های شهری از جمله رنگ، اندازه، شکل و غیره اشیاء فضایی نشان داده می شود.

شماره ورود برای یک POI نشان دهنده تعداد افرادی است که به این POI رفته اند. مطالعات همچنین نشان داد که POI با تعداد ورود بالا در بین مردم شناخته شده تر هستند [ 15 ]. می‌توانیم فرض کنیم که این POIهای شناخته‌شده امکان بالاتری برای انتخاب ذهنی به‌عنوان نشانه‌ها [ 14 ] دارند، زمانی که افراد فضا را می‌شناسند یا مکان‌ها را به دلیل تجربه و دانش افراد توصیف می‌کنند.

«دسترس‌پذیری» به سهولت دسترسی به POI اشاره دارد که نشان‌دهنده برجسته بودن این POI از نظر ساختار فضایی است. نقاط POI با دسترسی بالا معمولاً در نزدیکی جاده ها هستند و به راحتی قابل مشاهده و دسترسی هستند، بنابراین امکان بالاتری دارند که به طور عینی به عنوان نشانه در نظر گرفته شوند.

4.2.1. جمع ورود

داده‌های اعلام حضور، داده‌های مکانی هستند که توسط کاربران LBS که از دستگاه‌های اینترنت همراه با سنسورهای سیستم موقعیت‌یابی جهانی (GPS) استفاده می‌کنند، منتقل می‌شوند. به‌عنوان داده‌های جغرافیایی از یک منبع عمومی، مجموع ورود می‌تواند ویژگی‌های رفتار عمومی را تا حد زیادی منعکس کند و به‌ویژه برای توصیف گرایش‌های فضایی فعالیت‌های اوقات فراغت مناسب است. مطالعات نشان داده‌اند که POI با مجموع ورود بالا ارزش شناختی بالاتری نسبت به مواردی با مجموع ورود به جلسه پایین دارند [ 15 ].

رفتار ورود به سیستم همچنین دارای محدودیت‌هایی است زیرا اعلام حضور بر اساس استفاده از نرم‌افزار اجتماعی در دستگاه‌های تلفن همراه است که داده‌ها را به سمت افراد جوان‌تر که جزئی از فعالیت‌های تفریحی هستند منحرف می‌کند و اطلاعات کمی در مورد بیمارستان‌ها، سازمان‌های دولتی و غیره ارائه می‌کند. شرکت های سرگرمی یا موسسات عمومی. از این رو، این شاخص تنها برای ویژگی‌های فضایی می‌تواند ملاک برجستگی باشد که شامل مقوله‌هایی مانند پارک‌ها و راه‌های سبز، مراکز شهری، مقاصد فناوری و آموزشی، امکانات فرهنگی و ورزشی، امکانات حمل‌ونقل، مکان‌های گردشگری و دیدنی، هتل‌ها و رستوران‌ها و خرید می‌شود. مراکز با این حال، مجموع ثبت نام می تواند روش خوبی برای انعکاس برجستگی شناختی POIهایی باشد که با زندگی روزمره و فعالیت های اوقات فراغت در مقایسه با پرسشنامه های خسته کننده مرتبط هستند.

روش اختصاصی به دست آوردن این شاخص به شرح زیر است. ابتدا، مجموعه داده‌های بررسی را از سایت‌های شبکه‌های اجتماعی غالب مانند Sina Weibo دریافت کنید. سپس، این مجموعه داده ها را با POI مطابقت دهید. در نهایت، ورودها ( C ) را برای هر POI جمع کنید.

4.2.2. دسترسی محلی

دسترس‌پذیری اندازه‌گیری است که نشان می‌دهد با در نظر گرفتن ترافیک، افراد چقدر می‌توانند از یک موقعیت تعیین‌شده به مکان‌های دیگر دسترسی پیدا کنند. دسترسی بالا معمولاً به معنای نزدیک بودن به جاده، به راحتی دیده شدن یا راحت بودن برای حمل و نقل عمومی است و برجستگی ادراکی و برجستگی زمینه را افزایش می دهد. در این مقاله، دسترسی به یک POI از دیدگاه روش حوضه آبریز شناور (FCA) محاسبه شده و با یک تکنیک تجزیه و تحلیل نقطه داغ برای انتخاب POI ترکیب شده است.

مراحل به شرح زیر است:

1. ایجاد رستر هزینه ترافیک

هنگام شطرنجی کردن نقشه های الکترونیکی شهر، شبکه ها با هزینه های زمان سفر با توجه به سرعت و ظرفیت حمل و نقل عناصر مختلف حمل و نقل وزن می شوند (به عنوان مثال به شکل 3 a,b مراجعه کنید؛ در (b)، اعداد 1-4 نشان دهنده سفرهای مختلف است. -هزینه های زمانی، که در میان آنها “1” نشان دهنده کوتاه ترین زمان است). علاوه بر این، اندازه یک سلول شطرنجی نباید از عرض جاده با درجه پایین در اطراف منطقه شهری تجاوز کند. در اینجا این اندازه را روی 5×5 متر قرار می دهیم.

ظرفیت حمل و نقل درجات مختلف عناصر حمل و نقل در جدول 3 همراه با زمان سفری که هر سلول بر اساس CJJ37-2012، “کد طراحی مهندسی راه شهری” نشان می دهد، فهرست شده است [ 28 ]. اعداد ظرفیت حمل و نقل انواع جاده در این جدول از حجم ترافیک در ساعت محاسبه می شود (حجم ترافیک بزرگتر نشان دهنده ظرفیت حمل و نقل بهتر است). با این حال، درجه بزرگراه باید به طور جداگانه در نظر گرفته شود. در واقعیت، بزرگراه‌ها به سختی بر ترافیک در مقیاس بزرگ از نظر ظرفیت حمل و نقل تأثیر می‌گذارند، زیرا ورودی و خروجی محدودی در مناطق شهری دارند. اگرچه بزرگراه‌ها باعث می‌شوند سفر بین شهرها سریع باشد، اما در مقیاس شهری تأثیر قابل‌توجهی ندارند.

2. دسترسی محلی را محاسبه کنید

این مطالعه روش FCA را برای به دست آوردن دسترسی محلی هر POI اتخاذ کرد. روش FCA به عنوان یک پنجره فیلتر، معمولا یک دایره یا مربع عمل می کند، که در آن مقدار متوسط یک ویژگی نشان دهنده نقطه مرکزی است (مانند شکل 4 a). در این مقاله، ما یک شعاع جستجوی ثابت را تعیین می‌کنیم، و هر نقطه نقطه را مرکز دایره‌ای قرار می‌دهیم که به عنوان محدوده جستجو (پنجره فیلتر) عمل می‌کند تا میانگین هزینه زمانی، T، بر روی رستر هزینه محاسبه شود. وقتی هزینه زمان کم است، افراد دسترسی آسان‌تری به POI دارند. در این مطالعه شعاع را بر اساس تراکم ساختمانی و تراکم جاده در محدوده مورد مطالعه 250 متر تعیین کردیم. این شعاع می تواند منجر به اختلاف بیشتر در دسترسی در بین تمام POI ها شود.

مقدار A (دسترسی محلی به POI) تعداد و درجه های جاده های اطراف یک POI را نشان می دهد و بنابراین برابر است با متقابل T ، همانطور که در عبارت زیر نشان داده شده است:

A = 1/T

(1)

3. تجزیه و تحلیل نقطه داغ را برای دسترسی محلی POI اعمال کنید

تجزیه و تحلیل نقطه داغ تکنیکی برای شناسایی خوشه های فضایی معنی دار آماری با مقادیر بالا (نقاط داغ) و مقادیر پایین (نقاط سرد) با استفاده از آمار Getis-Ord Gi* است (شکل 4 ب ) . برای اینکه یک نقطه داغ از نظر آماری قابل توجه باشد، یک ویژگی باید ارزش بالایی داشته باشد و توسط ویژگی های دیگر از آن نوع احاطه شود. هنگامی که مجموع محلی یک ویژگی و همسایگان آن از مجموع محلی مورد انتظار متمایز می شود، ویژگی مذکور ممکن است نتیجه خوشه بندی فضایی باشد تا شانس تصادفی. نتایج z-score و p -values معیارهایی با اهمیت آماری هستند. محاسبات [ 29 ] به شرح زیر است:

جی * من = \sum n j = 1 w من ج ایکس j \sum n j = 1 ایکس j

(2)

z = ( جی * من - E ) V a r —-\sqrt ،

(3)

که در آن x _j مقدار مشخصه برای ویژگی j است (در اینجا، دسترسی محلی)، w _i ، _j وزن فضایی بین ویژگی i و j است ، n برابر با تعداد کل ویژگی ها است، E انتظار G _i * است. ، و Var واریانس G _i * است.

p -value این احتمال را نشان می دهد که الگوی فضایی مشاهده شده توسط برخی فرآیندهای تصادفی ایجاد شده است . با مقدار p کوچک، هر چه امتیاز z بیشتر (یا کمتر) باشد، خوشه‌بندی مقادیر بالا (یا پایین) شدیدتر می‌شود. یک z -score نزدیک به صفر نشان دهنده عدم خوشه بندی فضایی آشکار است.

خوشه‌بندی مقادیر بالا نشان می‌دهد که POI با دسترسی محلی بالا در این منطقه جمع‌آوری شده‌اند و این منطقه هم مجهز و هم برای دسترسی مردم شهر راحت است. بنابراین، چنین مکان‌هایی می‌توانند فعالیت‌های اجتماعی-اقتصادی [ 18 ] را برانگیزند و در مقیاس‌های متوسط یا کوچک از شناخت فضایی بالایی برخوردار باشند [ 30 ]. ما می‌توانیم نتیجه بگیریم که POI در چنین زمینه‌هایی به احتمال زیاد جنبه‌های ادراکی، شناختی و سایر جنبه‌های برجسته‌تری دارند. بنابراین، ما تجزیه و تحلیل نقطه داغ را به عنوان روشی برای انتخاب POIهایی که به احتمال زیاد نشانه های شهری در بین همه POI با مقادیر بالا هستند، اتخاذ کردیم.

سطح اطمینان باید انتخاب شود که نشان دهنده میزان اطمینان به نتیجه قبل از اجرای آمار فضایی باشد. سطح اطمینان معمولی 90٪، 95٪، یا 99٪ است. در اینجا، ما 90٪ را انتخاب کردیم. در غیر این صورت، این روش ممکن است برخی از POI هایی را که دارای مجموع ورود بالا هستند اما خوشه بندی ندارند، حذف کرده باشد. برای این سطح اطمینان، p -value بحرانی 0.1 و z-score 1.65 است. POI در مناطق داغ می تواند بر اساس این آستانه انتخاب شود.

4.2.3. برجستگی

گام بعدی ارزیابی برجستگی، S ، نشانه‌های برجسته در منطقه نقطه داغ است. مدل ارزیابی شامل مجموع ورود C و دسترسی محلی A به شرح زیر است:

S = w ₁C + w ₂A

(4)

شاخص های C و A باید نرمال سازی شوند (با استفاده از نرمال سازی min-max) تا اثرات بعد شاخص و کمیت داده ها از بین برود. هر x به شکل زیر به x * نرمال می شود:

ایکس * = x - m i n m a x - m i n ،

(5)

که در آن min کوچکترین مقدار داده در بین تمام مقادیر x است و max بزرگترین است.

ضرایب وزن w1 و w2 به صورت مصنوعی با روش وزن آنتروپی و درجه بندی متخصص تعیین می شوند. ضرایب وزنی جامع برای هر شاخص C یا A به شرح زیر تعیین می شود:

w من = a س من + (1 - a) پ من, (i = 1, 2),

(6)

جایی که w _i ضریب وزن جامع است و a ( $0 \leq a \leq 1$ ) یک عامل تجربه است که منعکس کننده بخشی از وزن هدف است که با ضریب Q _i (که با روش وزن آنتروپی به دست می آید) و ضریب وزن ذهنی P _i (که با درجه بندی متخصص به دست می آید) مشترک است. در این فرمول معمولا a روی 0.5 تنظیم می شود.

ایده اصلی روش وزن آنتروپی تعیین عینی وزن ها بر اساس درجه تغییرپذیری شاخص ها است. آنتروپی اطلاعات اولین بار توسط CE شانون [ 31 ] پیشنهاد شد . آنتروپی می تواند معیاری برای غیرقابل پیش بینی بودن یک شاخص یا محتوای اطلاعاتی متوسط آن باشد. هرچه غیرقابل پیش بینی بودن بیشتر باشد، محتوای اطلاعات بالاتر می شود. علاوه بر این، هر چه مقدار اطلاعاتی که این شاخص می تواند به دست آورد بیشتر باشد، تأثیر شاخص بر ارزیابی کلی بیشتر خواهد بود. بنابراین این شاخص باید دارای ضریب وزنی بالاتری باشد. در زیر چگونگی اندازه گیری وزن آنتروپی [ 32 ، 33 ] توضیح داده می شود.

برای یک شی ارزیابی مجموعه { A _i } ( i = 1, 2, …, m ) و مجموعه شاخص { X _j } ( j = 1, 2, …, n ) که برای ارزیابی اشیا استفاده می شود و x _ij ، که مقدار استاندارد شده j امین نشانگر شی i است ،

پ من ج = ایکس من ج \sum متر i = 1 ایکس من ج (i = 1, 2, \dots, m ؛ j = 1, 2, \dots, n)

(7)

ه j = - k \sum متر i = 1 پ من ج لوگاریتم پ من ج (j = 1, 2, \dots, n), k \geq 0, ه j \geq 0

(8)

g j = 1 - ه j (j = 1, 2, \dots, n)

(9)

w j = g j \sum n j = 1 g j (j = 1, 2, \dots, n)

(10)

که در آن p _ij نسبت جسم i روی شاخص j است، e _j آنتروپی اطلاعات شاخص j است ، g j _ضریب تنوع شاخص j و w _j وزن آنتروپی شاخص j است .

به عنوان مثال، در این مقاله، ضرایب وزن هدف از داده های تجربی Q ₁ = 0.5 و Q ₂ = 0.5 بود. در مقایسه، ادبیات [ 18 ] ضرایب وزنی را که شناخت، ساختار فضایی و ویژگی‌های مشخصه را نشان می‌دهند، به ترتیب 0.4، 0.2 و 0.4، صرفاً از طریق درجه‌بندی خبرگان، تعیین می‌کند. _{با اشاره به این ضرایب وزنی، ما در ابتدا ضرایب وزن ذهنی} را برای مجموع ورود و دسترسی محلی به نسبت 2:1 تنظیم کردیم – یعنی P1 = 0.67 و P2 = 0.33 _.وقتی اینها را در فرمول (6) قرار دادیم، ضرایب وزن اولیه w ₁ = 0.6 را استخراج کردیم وw ₂ = 0.4. پس از تعدیل ثابت، در نهایت این مقادیر را w ₁ = 0.7 و w ₂ = 0.3 قرار دادیم که پس از آزمایش های زیاد وزن های بهینه بودند. این مقادیر نتایجی را ایجاد کردند که بهتر با داده های مرجع مطابقت داشت.

4.3. روش استخراج کامل

به طور کلی، نشانه‌ها در مقیاس‌های مختلف را می‌توان به طور جداگانه در روش ما استخراج کرد. با این حال، این رویکرد ممکن است منجر به استخراج تکراری شود (زیرا همان ویژگی می‌تواند نقطه عطفی در بیش از یک مقیاس باشد)، معمولاً برای POIهایی که واقعاً در مقیاس‌های کوچک و متوسط معروف هستند. علاوه بر این، این نشانه ها همچنین می توانند به عنوان نقاط مرجع فضایی در مقیاس بزرگ در نظر گرفته شوند، که با تعریف ما از نشانه ها در هر مقیاس مطابقت دارد. علاوه بر این، هنگام استخراج نشانه ها در مقیاس بزرگ، POI های چند ضلعی و خطی باید ابتدا فیلتر شوند زیرا مناطق بزرگ آنها می تواند منجر به عدم قطعیت در مراجع موقعیت شود.

5. منطقه مطالعه و منابع داده

مناطق Futian و Luohu به عنوان منطقه مورد مطالعه انتخاب شدند. در سال 2011، ما داده های POI (شامل نام و مکان POI) را از مراکز خرید به دست آوردیم تا به عنوان منبع داده عمل کنیم. در مقیاس‌های بزرگ، ما همچنین با استفاده از دسته «مرکز خرید» به‌عنوان داده‌های POI خود، نقاط دیدنی را دسته‌بندی بر اساس دسته استخراج کردیم. ما این مناطق را به عنوان نمونه برای انجام آزمایشی برای استخراج نشانه های مراکز خرید در مقیاس بزرگ از POI انتخاب کردیم.

Futian و Luohu نواحی ساحلی در جنوب شنژن چین هستند. این مناطق مرفه ترین مناطق در شنژن هستند و شامل چندین منطقه تجاری شلوغ است که در میان ساکنان محلی مشهور است. در مجموع، 1008 مرکز POI حضور داشتند. این POI ها خوشه های فضایی آشکاری در ناحیه فرعی Huaqiangbei، ناحیه فرعی Dongmen و منطقه فرعی Futian مرکزی داشتند.

سایر داده‌ها شامل نقشه الکترونیکی این دو منطقه (شامل انواع کاربری زمین و درجه‌های جاده) و داده‌های ورود از سینا ویبو (نام، مکان‌ها و مجموع ورود به نقاط مختلف ورود) بود. انواع کاربری زمین شامل ساختمان ها، جاده ها، زمین، پوشش گیاهی و سیستم های رودخانه ای بود. جاده ها به بزرگراه ها، متروها، بزرگراه ها، جاده های اصلی، جاده های فرعی، جاده های فرعی و جاده های داخلی تقسیم می شدند. مجموع ورود به POI بر اساس نام و مکان آنها مطابقت داده شد.

نقاط عطف از سرویس نقشه الکترونیکی آنلاین به عنوان داده های مرجع برای این آزمایش انتخاب شدند. با در نظر گرفتن بازنمایی دانش فضایی و شناخت فضایی بر اساس تاکید مطالعه ما، نشانه‌ها به صورت دستی از مجموع POIها با درخواست از ساکنان محلی برای انتخاب نشانه‌ها یا با فرستادن کارکنان برای ثبت ویژگی‌های فضایی چشمگیر در طول سفر استخراج شدند. به طور مشخص، ما نقاط دیدنی مرکز خرید را در مقیاس 1:5000 به عنوان مرجع برای تأیید نتایج تجربی در نظر گرفتیم. در مجموع پنجاه نقطه عطف ثبت شد.

6. نتایج و بحث

در این آزمایش، دسترسی محلی POI با استفاده از شعاع جستجوی 250 متر بر اساس تراکم ساختمان و جاده در منطقه مورد مطالعه محاسبه شد. سپس آنالیز نقطه داغ انجام شد. ما 4 منطقه داغ با امتیاز z بالاتر از 1.65 را انتخاب کردیم ( شکل 5 ). این مناطق داغ شامل نواحی فرعی Dongmen/Nanhu/Guiyuan، منطقه فرعی Futian مرکزی، منطقه فرعی Xiangmihu و سایر مناطق (شامل بخش‌هایی از مناطق فرعی Huaqiangbei/Nanyuan و مناطق فرعی Lianhua/Huafu) بودند. مناطق پر رونق Dongmen، Renminnan و Futian مرکزی. ما 235 مرکز POI از این مناطق داغ به دست آوردیم، که سپس بر اساس برجستگی آنها بر اساس فرمول (4) با w ₁ = 0.7 و w _{2 طبقه بندی شدند.}= 0.3.

POI های با رتبه برتر به طور جداگانه از هر منطقه نقطه داغ فیلتر شدند تا از غلظت های برجسته بیش از حد جلوگیری شود. به عنوان یک شاخص کمی، «برجستگی» نمی تواند نقطه پایانی برای تعیین اینکه آیا یک POI «است» یا «نه» نقطه عطفی باشد. بنابراین، ما باید تعداد نشانه ها را با توجه به آستانه کمیت برای استخراج نشانه تعیین کنیم و سپس تعداد متناظر POI را به ترتیب استخراج کنیم. در این مقاله، 50 مورد را به عنوان تعداد نشانه های مورد نیاز انتخاب کردیم که همان تعداد نشانه های مرجع بود. در نهایت، ما 20٪ POI برتر را از هر منطقه نقطه داغ، در مجموع 45، به عنوان نشانه های مرکز خرید در مقیاس بزرگ استخراج کردیم.

این 45 POI با رتبه برتر شامل چندین مرکز خرید مانند میدان Jinguanghua، MIXC، فروشگاه بزرگ Maoye، COCO Park، و هایپرمارکت های زنجیره ای مانند Wal-Mart و China Resources Vanguard بودند. این POI ویژگی‌های مشترکی داشتند که شامل محبوبیت، جمعیت زیاد و دسترسی بالا می‌شد، که آنها را برای در نظر گرفتن نشانه‌های شاخص مناسب می‌کرد. زیر مجموعه ای از این نشانه ها در جدول 4 به ترتیب ارزش برجسته برای هر منطقه فهرست شده است. در مقایسه با داده های مرجع، 35 مورد از 45 نشانه (78٪) استخراج شده با نشانه های مرجع مطابقت داشتند که نتیجه استخراج خوبی را نشان می دهد.

نتایج همچنین کاستی های مشخصه زیر را نشان داد:

فیلتر کردن مکان‌های دیدنی بر اساس مناطق نقطه داغ با دسترسی محلی، برخی از نشانه‌های بالقوه با مجموع ورود بالا را حذف کرد و ممکن است برای برخی از امکانات پراکنده یکنواخت مناسب نبوده باشد. به عنوان مثال، برخی از مراکز خرید با مناطق بسیار بزرگ، مانند مرکز خرید KK، دارای POI های مربوطه در مرکز ساختمان، دور از جاده ها بودند. نمونه دیگر مربوط به پمپ بنزین های پراکنده یکنواخت بود. این ویژگی‌ها با سایر POI‌ها خوشه‌بندی نشدند و بنابراین در مناطق داغ با دسترسی محلی بالا قرار نداشتند. بنابراین، علی‌رغم مجموع تعداد بالای ورود، این مکان‌ها به‌عنوان نشانه‌های مهم استخراج نشدند.
نشانه هایی که با این روش استخراج شدند در مقایسه با نشانه های مرجع نسبتاً بیش از حد متمرکز بودند ( شکل 6 ). نقاط عطفی که ما استخراج کردیم عمدتاً در نواحی فرعی Dongmen و Nanhu گروه‌بندی شدند، زیرا تعداد زیادی POI در این مناطق وجود دارد. پس از استخراج نشانه‌ها از هر خوشه با درصد یکسان (20%)، نشانه‌هایی که از این مناطق انتخاب شدند، همچنان تعداد زیادی را تشکیل می‌دادند. این پدیده تمرکز شاخص را می توان با ناهمگنی و ذهنیت توضیح داد [ 34 ]. اگرچه این نتیجه با بازنمایی دانش فضایی مطابقت دارد، اما برای استخراج نشانه های عملی در زمینه هایی مانند ناوبری مفید نیست.
نتایج استخراج با شناخت جوانان تطابق بیشتری داشت تا با شناخت دیگران. به دلیل سوگیری داده‌های ورود، POI با مجموع ورود بالا معمولاً مراکز خریدی بودند که جوانان به آنها رفت و آمد می‌کردند، که احتمال استخراج این POI‌ها را به‌عنوان نشانه‌های مهم افزایش می‌داد.

7. نتیجه گیری

7.1. مشارکت های اصلی

یک تعریف سیستماتیک برای نشانه‌ها در مقیاس‌های چندگانه از منظر بازنمایی دانش فضایی
مرجع دسته بندی برای استخراج نشانه ها در مقیاس های کوچک و متوسط
شاخص‌های برجسته و روش‌های استخراج برای نشانه‌ها در مقیاس بزرگ، بر اساس پایگاه‌های اطلاعاتی جغرافیایی پایه

این مقاله یک تعریف سیستماتیک و صریح برای نشانه‌های شهری در مقیاس چندگانه و یک روش استخراج برای نشانه‌های شهری ارائه می‌کند که بر اساس پایگاه‌های اطلاعات جغرافیایی پایه است. در مقیاس‌های کوچک و متوسط، نشانه‌ها را می‌توان به صورت کیفی با مراجع دسته‌بندی که در این مقاله ارائه شده است استخراج کرد. ما یک مدل استخراج خودکار برای مکان‌های شاخص شهری در مقیاس بزرگ پیشنهاد کردیم که هم مجموع ورود و هم دسترسی محلی را در نظر می‌گیرد، با نشانه‌های شهری با اهمیت بالا که با تجزیه و تحلیل نقطه داغ انتخاب شده‌اند. نتایج یک آزمایش نشان داد که استخراج مدل به خوبی با واقعیت مقایسه شده است.

این مدل دارای مزایای زیر است. مرجع دسته بندی در مقیاس های کوچک و متوسط از مزیت استخراج جامع برخوردار است. این رویکرد به عناصر نقطه‌ای محدود نمی‌شود و می‌تواند عناصر خطی و چند ضلعی را به عنوان نشانه‌ها استخراج کند که با شناخت افراد و عادات آنها در بازنمایی دانش فضایی منطبق است. علاوه بر این، استفاده از منابع داده برای یک مدل استخراج نشانه شهری در مقیاس بزرگ نسبت به روش‌های دیگر قابل اعتمادتر است و شاخص‌هایی که شناخت عمومی و ساختار فضایی را از دو جنبه ذهنی و عینی منعکس می‌کنند، به راحتی قابل دست‌یابی و اندازه‌گیری هستند که این حالت را ساده‌تر و سریع‌تر از روش های سنتی

7.2. کار آینده

با این حال، محدودیت‌هایی با این مدل استخراج وجود دارد، همانطور که در بخش 6 ذکر شد . مطالعات آینده باید انجام شود:

محدودیت‌های آستانه دقیق برای استخراج نشانه‌ها در مقیاس‌های کوچک و متوسط در کارهای آینده مورد نیاز است، از جمله محدودیت‌های آستانه برای هر دسته، و همچنین برای اندازه‌های مختلف شهر یا تحت شرایط خاص دیگر.
شاخص های برجسته دیگری مانند شاخص های هندسی که باید اضافه شوند

باید تمایزهای واضحی بین هر مقیاس و محدودیت‌های آستانه دقیق‌تر و مشخص‌تر برای نشانه‌ها در مقیاس‌های کوچک و متوسط (فراتر از مراجع دسته‌بندی) ترسیم شود. برای یک مدل استخراج خودکار نشانه‌های شهری در مقیاس بزرگ، نشانه‌هایی با محبوبیت بالا اما دسترسی نامناسب یا که به طور مساوی پراکنده شده‌اند ممکن است هنگام اتخاذ روش خوشه‌بندی فضایی و استفاده از نقاط داغ برای فیلتر کردن POI حذف شوند. افراد جوان تر مستعد بررسی اینترنت هستند، بنابراین نتیجه استخراج ممکن است تنها با شناخت جوانان مطابقت داشته باشد. برای اینکه این مدل کارآمدتر و هوشمندتر شود، مطالعات بعدی ما در مورد این موضوع بر ایجاد شاخص‌های ارزیابی برجستگی کامل‌تر برای نشانه‌ها تمرکز خواهد کرد، به عنوان مثال، با افزودن شاخص‌های هندسی برای منعکس کردن برجستگی تکینگی.

منابع

غم ها، من. هیرتل، SC ماهیت نقاط عطف برای فضاهای واقعی و الکترونیکی نظریه اطلاعات مکانی. در مبانی شناختی و محاسباتی علم اطلاعات جغرافیایی ; Springer: برلین/هایدلبرگ، آلمان، 1999; صص 37-50. [ Google Scholar ]
لینچ، ک. تصویر شهر. J. Aesthet. منتقد هنر. 1960 ، 24 ، 46-68. [ Google Scholar ]
راوبال، م. Winter, S. غنی‌سازی دستورالعمل‌های راهیابی با مکان‌های دیدنی محلی. Geogr. Inf. علمی 2002 ، 2478 ، 234-259. [ Google Scholar ]
زمستان، اس. تومکو، م. الیاس، بی. سستر، ام. سلسله مراتب شاخص در زمینه. Envir. طرح. B طرح. دس 2008 ، 35 ، 381. [ Google Scholar ] [ CrossRef ]
پرسون، سی سی; Montello, DR نقاط مرجع در شناخت فضایی: تعقیب نقطه عطف گریزان. برادر جی. دیو. روانی 1988 ، 6 ، 378-381. [ Google Scholar ] [ CrossRef ]
ژانگ، ایکس. لی، کیو. Fang, Z. رویکردی برای ایجاد زنجیره شاخص برای کاربردهای ناوبری عابر پیاده. Geomat. Inf. علمی دانشگاه ووهان 2010 ، 35 ، 1240-1244. [ Google Scholar ]
Michon، PE; دنیس، ام. چه زمانی و چرا از نشانه‌های بصری در دستورالعمل‌ها استفاده می‌شود؟ Springer: Berlin/Heidelber، آلمان، 2001. [ Google Scholar ]
Golledge، RG Human Wayfinding و Cognitive Maps . انتشارات دانشگاه جان هاپکینز: بالتیمور، MD، ایالات متحده آمریکا، 1999; صص 5-45. [ Google Scholar ]
Deakin، AK Landmarks به عنوان کمک ناوبری در نقشه های خیابان. کارتوگر. Geogr. Inf. علمی 1996 ، 23 ، 21-36. [ Google Scholar ] [ CrossRef ]
تومکو، م. Winter, S. ساخت عملی توصیف مقصد برای محیط های شهری. تف کردن شناخت. محاسبه کنید. 2009 ، 9 ، 1-29. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کلیپل، ا. زمستان، S. برجستگی ساختاری نشانه‌ها برای مسیرهای مسیر. محاسبه کنید. علمی 2005 ، 33 ، 347-362. [ Google Scholar ]
ناثگر، سی. زمستان، اس. Raubal, M. انتخاب ویژگی های برجسته برای مسیرهای مسیر. تف کردن شناخت. محاسبه کنید. 2004 ، 4 ، 113-136. [ Google Scholar ] [ CrossRef ]
هاکن، اچ. پرتغالی، ج. چهره شهر اطلاعات آن است. جی. محیط زیست. روانی 2003 ، 23 ، 385-408. [ Google Scholar ] [ CrossRef ]
Caduff، D.; Timpf, S. در مورد ارزیابی برجسته بودن نقطه عطف برای ناوبری انسانی. شناخت. روند. 2008 ، 9 ، 249-267. [ Google Scholar ] [ CrossRef ] [ PubMed ]
وانگ، ام. هو، کیو. لی، کیو. Qin, L. استخراج نشانه سلسله مراتبی از داده های ورود. چانه. جی. کامپیوتر. 2016 ، 39 ، 405-413. [ Google Scholar ]
لی، ال. مائو، ک. Tan, Y. روش توصیف چند دانه‌بندی نشانه‌های سلسله مراتبی برای هدایت مسیر. Acta Geod. کارتوگر. گناه 2014 ، 43 ، 105-112. [ Google Scholar ]
نیش، ز. لی، کیو. ژانگ، ایکس. Shaw, SL یک مدل داده GIS برای ناوبری عابر پیاده مبتنی بر نقطه عطف. بین المللی جی. جئوگر. Inf. علمی 2012 ، 26 ، 817-838. [ Google Scholar ] [ CrossRef ]
ژائو، دبلیو. لی، کیو. لی، بی. استخراج نشانه های سلسله مراتبی از داده های POI شهری. J. Remote Sens. 2011 ، 15 ، 973-988. [ Google Scholar ]
الیاس، ب. استخراج نشانه ها با روش های داده کاوی. لکت. یادداشت ها محاسبه. علمی 2003 ، 2825 ، 375-389. [ Google Scholar ]
تزوکا، تی. Tanaka، K. استخراج نقطه عطف: یک رویکرد وب کاوی. در نظریه اطلاعات مکانی ; Springer: برلین/هایدلبرگ، آلمان، 2005; صص 379-396. [ Google Scholar ]
جوآن، اس. ویدال-کالجا، تی. سیورا، جی. مونتیل، جی. Montiel، JMM تاثیر پارامترسازی نقطه عطف بر EKF-SLAM تک چشمی با نقاط و خطوط. بین المللی جی. کامپیوتر. Vis. 2012 ، 97 ، 339-368. [ Google Scholar ]
لاولیس، KL; هگارتی، م. Montello, DR Elements of Good Route Directions in Familiar and Unfamiliar Environments ; Springer: برلین/هایدلبرگ، آلمان، 1999. [ Google Scholar ]
آی، تی. چنگ، جی. مسائل کلیدی نمایش چند مقیاسی داده های مکانی. Geomat. Inf. علمی دانشگاه ووهان 2005 ، 30 ، 377-382. [ Google Scholar ]
AQSIQ. مشخصات طبقه بندی ویژگی ها و کدهای اطلاعات بنیادی جغرافیایی . مطبوعات استاندارد چین: پکن، چین، 2005; جلد GB/T 13923-2006. [ Google Scholar ]
الیاس، بی. Brenner, C. تولید خودکار و کاربرد نشانه‌ها در مجموعه داده‌های ناوبری . Springer: برلین/هایدلبرگ، آلمان، 2005. [ Google Scholar ]
Montello، DR شناخت اطلاعات جغرافیایی ; CRC Press: Duluth، MN، USA، 2005; جلد 4، ص 61–91. [ Google Scholar ]
لوید، آر. شناخت فضایی: محیط های جغرافیایی . Kluwer Academic Pulishers: Dordrecht, The Netherlands, 1997. [ Google Scholar ]
MOHURD. کد طراحی مهندسی راه شهری ; چاپ معماری و ساختمان چین: پکن، چین، 2012; جلد CJJ 37-2012. [ Google Scholar ]
گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی 1992 ، 24 ، 189-206. [ Google Scholar ] [ CrossRef ]
وانگ، ام جی. ژانگ، XX; Huo، TT الگوهای همبستگی فضایی نرخ شناخت سایت ها در پکن. Acta Geogr. گناه 2009 ، 64 ، 1243-1254. [ Google Scholar ]
شانون، تئوری ریاضی ارتباطات . انتشارات دانشگاه ایلینویز: Champaign, IL, USA, 1948; جلد 5، ص 3-55. [ Google Scholar ]
Yicheng, Y. فناوری و کاربرد سیستم ارزیابی جامع ; مطبوعات صنعت متالورژی: پکن، چین، 2006. [ Google Scholar ]
چی، ی. ون، اف. وانگ، ک. لی، ال. سینگ، اس. یک روش ارزیابی جامع فازی و تصمیم گیری وزن آنتروپی برای ارزیابی ساختار شبکه قدرت. بین المللی J. Eng. علمی تکنولوژی 2010 ، 2 ، 92-99. [ Google Scholar ] [ CrossRef ]
Ai، T. نقشه های سازگار برای نشان دادن شناخت فضایی. J. Remote Sens. 2008 , 12 , 22. [ Google Scholar ]

شکل 1. نمودار شماتیک شناخت نشانه های شهری در مقیاس های چندگانه.

شکل 2. نمودار جریان استخراج نشانه های شهری: ( الف ) نشانه ها در مقیاس های کوچک و متوسط. ( ب ) نقاط عطف در مقیاس بزرگ.

شکل 3. روش ها و رویه ها 1: ( الف ، ب ) ایجاد یک رستر هزینه دسترسی.

شکل 4. روش ها و رویه ها 2: ( الف ) FCA; ( ب ) تجزیه و تحلیل نقطه داغ.

شکل 5. نقشه تجزیه و تحلیل نقاط داغ دسترسی محلی از مراکز خرید.

شکل 6. مکان های دیدنی مرکز خرید در ناحیه لوهو و فوتین.

جدول 1. دسته بندی مکان های دیدنی در مقیاس کوچک.

جدول 2. دسته بندی ها از نشانه ها در مقیاس متوسط.

جدول 3. هزینه زمانی عناصر حمل و نقل.

جدول 4. POI های رتبه بندی شده توسط Salience.

© 2017 توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) ( http://creativecommons.org/licenses/by/4.0/ ) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب