Journal of Geomatics Science and Technology

fa شناسایی و رتبه بندی مکان های مورد علاقه مبتنی بر روش عکاسی داوطلبانه- نهاد و تحلیل تصاویر مکانی مردم گستر (مطالعه موردی منطقه 6 تهران) Identification and Ranking Regions of Interest based on Volunteer-Employed Photography and Geo-tagged Photos سامانه های اطلاعات مکانی GIS ترویجی Tarviji <p dir="RTL" style="text-align: justify;"><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">شناخت مکانهای محبوب و مورد توجه عموم در هر شهر و رتبه بندی آنها، کاربردهای مختلفی از جمله توسعه گردشگری، مدیریت ترافیک و برنامهریزی شهری دارد. یکی از روشهای دستیابی به این نوع ادراک مردمی، روش عکاسی داوطلبانه-نهاد<a href="#_ftn1" name="_ftnref1" title=""><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">[1]</span></span></span></a></span></span> است. در این روش از افراد خواسته میشود تا از مناظر مورد علاقه و غیر مورد علاقهشان عکسبرداری نمایند. سپس محتوای این تصاویر برای دستیابی به درک آنها از محیط مورد بررسی قرار میگیرد. در حالی که امروزه با توسعه وب 2، مردم عکسهایی که از مناظر زیبا و یا موضوعات مورد توجه اخذ نمودهاند را به اشتراک میگذارند. هدف از این مقاله تلفیق مفهوم روش عکاسی داوطلبانه-نهاد و تحلیل فراداده تصاویر مردمگستر در شناسایی و رتبهبندی مکانهای مورد علاقه است. در این تحقیق منطقه 6 شهر تهران به عنوان منطقه مطالعاتی در نظر گرفته شد و تصاویر دارای برچسب مکانی مربوط به آن استخراج گردید. سپس از روش خوشهبندی تراکم مبنای مکانی همراه با نویز<a href="#_ftn2" name="_ftnref2" title=""><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">[2]</span></span></span></a> برای استخراج مکانهای مورد توجه استفاده شد و هر مکان کشف شده تفسیر و محبوبیت آن با توجه به محتوای تصاویر، تعداد تصاویر و تعداد بارگذارندگان تصاویر محاسبه گردید. پارک لاله، پارک ساعی و میدان فردوسی به ترتیب بالاترین امتیاز محبوبیت را کسب کردند. تحلیل زمانی محبوبیت مکانهای فوق نشان داد که در مجموع ماههای فروردین و اردیبهشت بیش از سایر ماهها مورد توجه عموم واقع شده است. تحلیل کاربری مکانهای کشف شده نیز بیانگر آن است که کاربری فضای سبز با اختلاف قابل توجهی بالاتر از سایر کاربریها قرار گرفته است. برای ارزیابی میزان محبوبیت مکانها از مجموع امتیازاتی که کاربران به هر مکان در سایتهای <span dir="LTR"><span style="font-size:9.0pt;">GoogleMap</span></span> <span style="font-family:b nazanin;"><span style="font-size:11.0pt;">و </span></span><span dir="LTR"><span style="font-size:9.0pt;">FourSquare</span></span> <span style="font-family:b nazanin;"><span style="font-size:11.0pt;">دادهاند، استفاده شد و نتیجه این ارزیابی نشان داد که در دسته مکانهای خیلی محبوب بیشترین انطباق وجود دارد.</span></span></p> <div>  <hr align="left" size="1" width="33%" > <div id="ftn1"><span dir="RTL"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">1</span></span></span> <span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">Volunteer-Employed Photography</span></span></div> <div id="ftn2"><span dir="RTL"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">2</span></span></span> <span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">Density Based Spatial Clustering With Noise (DBSCAN)</span></span></div> </div> <div>  <hr align="left" size="1" width="33%" > <div id="ftn1"> <p><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Volunteer-Employed Photography</p> </div> <div id="ftn2"> <p><a href="#_ftnref2" name="_ftn2" title="">[2]</a> Panoramio</p> </div> <div id="ftn3"> <p><a href="#_ftnref3" name="_ftn3" title="">[3]</a> Density Based Spatial Clustering With Noise (DBSCAN)</p> </div> </div> <p dir="LTR" style="text-align: justify;">Identification people's regions of interest and ranking them based on their popularity level have many applications such as tourism development, traffic management and urban planning. Most of interesting places from tourism's view-points are parks, museums, historical places and scenic areas. To identify these places, it is necessary to access people's perception about environment. Accessing to this environmental perception isn't possible from traditional maps or satellite images. One approach to achieve this kind of people's environmental perception is VEP<a href="#_ftn1" name="_ftnref1" title="">[1]</a>. In this method, people are asked to take photos about subject of research and then the content of these photos are analyzed. So in the VEP method, the content of images is very important part. However, todays with the development of web 2, people share their taken photos from scenic places and interesting subjects. Each photo has metadata about its spatial location, identity and name of its up-loader, title and more. Therefore, researches in the field of geo-tagged photos, analyzed metadata of these photos. However, in this research, we investigated both of photos' content and metadata to rank popular places and it can be said that the integration of VEP and VGI methods is our main contribution.<br> Tehran region 6 was considered as the case study and its geo-tagged photos are extracted from Panoramio site. Then DBSCAN<a href="#_ftn2" name="_ftnref2" title="">[2]</a> method was applied to extract regions of interest. The DBSCAN method has many advantages that are 1) it is density-base and the place that have dense data points is identified as cluster. Therefore, it is appropriate for our research that density of photos is an indicator of place's popularity 2) Moreover, in this method, there is no need to know the number of clusters previously and 3) the shape of clusters can be arbitrary.<br> Two mandatory parameters of the DBSCAN method are Eps (Neighborhood’s radius) and MinPts (at-least number of points) but there isn't any ideal method to obtain optimal values of these parameters for all applications. Therefore, to find appropriate values, we ran DBSCAN with different parameters and finally we set Eps as 1000 and MinPts as 10, and in result, 17 clusters were identified. The concept of each cluster was identified based on GeoNames POI<a href="#_ftn3" name="_ftnref3" title="">[3]</a> and unrelated clusters of tourism were removed. Then the popularity score of each region of interest was computed based on its photos' contents, number of photos and number of up-loaders. One of the scene-recognition algorithms was applied to investigate photos' content. The Laleh Park, Saei Park and Ferdosi square achieved high popularity scores. In the next step, popularity of these places in different months, seasons and years were investigated. Totally it can be said that most of the photos were taken in the April and May, or in other words, in the spring. Moreover, the relation between regions of interest and their land-use types were investigated that shows that green-space was significantly more than other land- use types. The detected places were compared with tourist attractions in Tehran region 6 and this comparison showed that natural attractiveness such as parks and gardens have appeared more than other attractiveness in geo-tagged photos. Comparing the computed popularity score of each region of interest, with sum of its scores on GoogleMap and FourSquare, showed that more coincidence exists in the class of very popular places.</p> <div>  <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Volunteer-Employed Photography</div> <div id="ftn2"><a href="#_ftnref2" name="_ftn2" title="">[2]</a> Density Based Spatial Clustering With Noise</div> <div id="ftn3"><a href="#_ftnref3" name="_ftn3" title="">[3]</a> Points of Interest</div> </div> تصاویر دارای برچسب مکانی , خوشه بندی تراکم مبنا همراه با نویز, محتوای تولید شده توسط کاربر, داده مکانی مردم گستر, عکاسی داوطلبانه-نهاد Geo-tagged Photos, DBSCAN, User-Generated Content, Volunteered Geographic Information, Volunteered Employed Photography 15 28 http://jgst.issgeac.ir/browse.php?a_code=A-10-444-1&slc_lang=fa&sid=1 G. KhoshAmooz گیتی خوش آموز gkhoshamooz@mail.kntu.ac.ir 10031947532846005256 10031947532846005256 No KNTU دانشگاه صنعتی خواجه نصیرالدین طوسی M. Taleai محمد طالعی taleai@kntu.ac.ir 10031947532846005257 10031947532846005257 Yes KNTU دانشگاه صنعتی خواجه نصیرالدین طوسی