論文の概要: Interpreting core forms of urban morphology linked to urban functions with explainable graph neural network

• arxiv url: http://arxiv.org/abs/2502.16210v1
• Date: Sat, 22 Feb 2025 12:24:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:52:05.963923
• Title: Interpreting core forms of urban morphology linked to urban functions with explainable graph neural network
• Title（参考訳）: 説明可能なグラフニューラルネットワークを用いた都市機能と都市形態のコア形態の解釈
• Authors: Dongsheng Chen, Yu Feng, Xun Li, Mingya Qu, Peng Luo, Liqiu Meng,
• Abstract要約: 本研究では,都市中核形態表現の概念を提案し,複雑な都市形態を明示的に象徴するための説明可能な深層学習フレームワークを開発した。 都市機能に重要な個々の建物,ブロック,近隣の中心部の都市構造を解析した。 都市形態が土地利用効率に直接影響を与えることが証明された。
• 参考スコア（独自算出の注目度）: 9.236240033348516
• License:
• Abstract: Understanding the high-order relationship between urban form and function is essential for modeling the underlying mechanisms of sustainable urban systems. Nevertheless, it is challenging to establish an accurate data representation for complex urban forms that are readily explicable in human terms. This study proposed the concept of core urban morphology representation and developed an explainable deep learning framework for explicably symbolizing complex urban forms into the novel representation, which we call CoMo. By interpretating the well-trained deep learning model with a stable weighted F1-score of 89.14%, CoMo presents a promising approach for revealing links between urban function and urban form in terms of core urban morphology representation. Using Boston as a study area, we analyzed the core urban forms at the individual-building, block, and neighborhood level that are important to corresponding urban functions. The residential core forms follow a gradual morphological pattern along the urban spine, which is consistent with a center-urban-suburban transition. Furthermore, we prove that urban morphology directly affects land use efficiency, which has a significantly strong correlation with the location (R2=0.721, p<0.001). Overall, CoMo can explicably symbolize urban forms, provide evidence for the classic urban location theory, and offer mechanistic insights for digital twins.
• Abstract（参考訳）: 持続可能な都市システムの基本メカニズムをモデル化するためには,都市形態と機能の関係の高次性を理解することが不可欠である。 それでも、人間の言葉で簡単に説明できる複雑な都市形態の正確なデータ表現を確立することは困難である。 本研究では,コア都市形態表現の概念を提唱し,複雑な都市形態を新しい表現に変換するための説明可能な深層学習フレームワークを開発し,これをCoMoと呼ぶ。 安定重み付きF1スコア89.14%のよく訓練された深層学習モデルを解釈することにより,コア都市形態表現の観点から都市機能と都市形態との関係を明らかにするための有望なアプローチを提案する。 ボストンを研究エリアとして, 都市機能に重要な個々の建物, ブロック, 近隣の中心部の都市構造を分析した。 住宅の中核の形状は、中心アーバン・サブアーバン遷移と一致する都市背骨に沿った漸進的な形態パターンに従っている。 さらに, 都市形態が土地利用効率に直接影響を与えることが証明され, 位置との相関が著しく高い(R2=0.721, p<0.001)。 全体として、CoMoは都市形態を明示的に象徴し、古典的な都市位置理論の証拠を提供し、デジタル双生児に機械的な洞察を与えることができる。

関連論文リスト

• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• MotifGPL: Motif-Enhanced Graph Prototype Learning for Deciphering Urban Social Segregation [13.681538916025021]
  人種、住宅、所得の次元にまたがる都市における社会的分離は、より多様で深刻なものになりつつある。 Motif-Enhanced Graph Prototype Learning (MotifGPL) というフレームワークを提案する。 MotifGPLは、プロトタイプベースのグラフ構造抽出、モチーフ分布発見、都市グラフ構造再構築の3つの重要なモジュールから構成されている。
  論文  参考訳（メタデータ） (2024-12-24T14:50:11Z)
• Bi-directional Mapping of Morphology Metrics and 3D City Blocks for Enhanced Characterization and Generation of Urban Form [8.488938959273126]
  都市の空間構成を調べる都市形態学は、都市デザインと持続可能性を結びつける。 性能評価と複雑な都市形態生成の間には, 形態指標と都市形態の切り離しが原因で, 重要なギャップが残っている。 本稿では,形態指標と複雑な都市形態の双方向マッピングを確立することの重要性を強調した。 本研究では,1) 都市形態を特徴付けるための形態指標を定式化し, 逆に, 多様な類似した3次元都市形態を検索し, 2) ブロックの3次元都市形態特性を表現するための形態指標の有効性を比較検討する。
  論文  参考訳（メタデータ） (2024-12-20T11:22:55Z)
• Deciphering Urban Morphogenesis: A Morphospace Approach [0.0]
  形態形成は形態空間を通じて軌道として概念化され、構造探索選択プロセスによって制御される。 この研究は、都市形態形成の非エルゴード的な性質を強調しており、互いに依存するエージェント間の相互作用の多様化を支援するために、適合度に基づいて構成が徐々に選択される。 この分析は、密度、透過性、情報組織のバランスをとるソリューションとして都市が出現し、進化していくという提案を支持し、より複雑な社会機能をサポートすることができる。
  論文  参考訳（メタデータ） (2024-11-21T00:50:04Z)
• Urban Scene Diffusion through Semantic Occupancy Map [49.20779809250597]
  UrbanDiffusionは、Bird's-Eye View (BEV)マップに条件付き3次元拡散モデルである。 我々のモデルは,潜在空間内のシーンレベルの構造の分布を学習する。 実世界の運転データセットをトレーニングした後、我々のモデルは多様な都市シーンを生成することができる。
  論文  参考訳（メタデータ） (2024-03-18T11:54:35Z)
• UrbanBIS: a Large-scale Benchmark for Fine-grained Urban Building Instance Segmentation [50.52615875873055]
  都市BISは6つの実際の都市のシーンで構成され、25億点があり、面積は10.78平方キロメートルである。 UrbanBISは、建物、車両、植生、道路、橋など、豊富な都市オブジェクトに意味レベルのアノテーションを提供する。 UrbanBISは、きめ細かいサブカテゴリを導入した最初の3Dデータセットである。
  論文  参考訳（メタデータ） (2023-05-04T08:01:38Z)
• A Contextual Master-Slave Framework on Urban Region Graph for Urban Village Detection [68.84486900183853]
  都市域を階層的にモデル化する都市域グラフ(URG)を構築した。 そこで我々は,都市部をURGから効果的に検出する新しいコンテキスト・マスタ・スレーブ・フレームワークを設計した。 提案手法は,都市部における紫外線検出の一般性と特異性のバランスをとることができる。
  論文  参考訳（メタデータ） (2022-11-26T18:17:39Z)
• Urban form and COVID-19 cases and deaths in Greater London: an urban morphometric approach [63.29165619502806]
  新型コロナウイルスのパンデミックは、都市密度に関してかなりの議論を巻き起こした。 これは19世紀中頃のイングランドで、公衆衛生と都市計画の分野が出現して始まった古い議論である。 都市形態を個々の建物レベルで記述し、その後、公的な近隣住民の情報を集約する。
  論文  参考訳（メタデータ） (2022-10-16T10:01:10Z)
• Effective Urban Region Representation Learning Using Heterogeneous Urban Graph Attention Network (HUGAT) [0.0]
  都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。 ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
  論文  参考訳（メタデータ） (2022-02-18T04:59:20Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。