شناسايي كاربري اراضي شهري از طريق محتواي كاربرتوليد و با بهره‌گيري از روش طبقه‌بندي يادگيري عميق

Urban Land Use Identification Based on User-Generated Content and Utilizing Deep Learning Classification

نقشه بروز كاربري زمين، ازجمله اطلاعات لازم جهت سياست‌گذاري و مديريت شهري است، درحاليكه روش سنتي توليد و به‌روزرساني اطلاعات مكاني توسط سازمان‌هاي توليد نقشه، نيازمند صرف زمان و هزينه زياد است. ايجاد فناوري‌هايي نظير گوشي‌هاي هوشمند، تعيين موقعيت آني و توسعه شبكه‌هاي اجتماعي، باعث توليد انبوه داده‌هاي كاربر توليد مكاني شده است. هدف اين مطالعه شناسايي كاربري زمين با استفاده از اطلاعات كاربر توليد است. در اين پژوهش كاربري‌هاي شهري در شش طبقه مسكوني، تجاري و خريد، اداري و خدماتي، مختلط، تجمع و تفريحي و ديگر كاربري‌ها در نظر گرفته‌شده و از اطلاعات شبكه اجتماعي توييتر به‌عنوان محتواي كاربر توليد استفاده‌شده است. روش مورداستفاده جهت طبقه‌بندي اطلاعات كاربر توليد، طبقه‌بندي با استفاده از يادگيري عميق و شبكه مورداستفاده، از نوع شبكه بازگشتي است. با توجه به عدم توازن موجود در اطلاعات، جهت رفع آن از الگوريتم ماشين بردار پشتيبان استفاده شد. ارزيابي نتايج نشان‌دهنده اين است كه با استفاده از روش ارائه‌شده، كاربري‌هاي شهري با دقت كلي 64 درصد طبقه‌بندي‌شده‌اند. در بين طبقات شهري، كاربري مسكوني با دقت 77 درصد بهترين دقت را دارد. همچنين سطح زير نمودار منحني مشخصه عملكرد برابر 0/88 با است كه نشان‌دهنده قابليت اطمينان مناسب طبقه‌بندي است. در مقايسه نتايج حاصل از روش الگوريتم ماشين بردار پشتيبان براي رفع عدم توازن داده با روش بيش نمونه‌برداري تصادفي، مشاهده شد كه استفاده از روش ماشين بردار پشتيبان، باعث ايجاد بهبود دقت مي‌شود.

One of the necessary pieces of information for policy-making and urban management is an up-to-date land use map, while the time and cost of producing and updating spatial information using traditional mapping methods and by national or private mapping organizations are too high. The advancement of technology such as smart phones, real-time positioning, and social network development has resulted in the mass production of User Generated Geographic Content (UGGC). The purpose of this study is to identify the land use type of the parcels using UGGCs. In this research six categories of urban land use types have been taken into cosideration: residential, commercial/shopping, office/service, mixed, entertainment/recreational, and the other ones; and the social network data of Twitter is used as User-generated content. Deep learning classification and Recurrent Neural Network (RNN) are utilized to analyze the user-generated data. To eliminate the imbalance of the input data, the Support Vector Machine (SVM) algorithm is utilized. Evaluation of the results of the proposed method demonstrates classification of urban land uses with an overall accuracy of 64%. Among urban use classes, the residential one is the best with 77 percent accuracy. The area under the ROC curve is also 0.88, which indicates the appropriate reliability of the proposed method. To eliminate data imbalance, comparing the results of the SVM algorithm with the random method of sampling, reveals that SVM presents higher accuracy.