Utafiti huu unachunguza kama kazi ya jengo—makazi, biashara, viwanda, huduma za umma au matumizi mseto—inaweza kubainishwa kwa kutumia tu umbo la jengo na mpangilio wa majengo yanayolizunguka. Kutokana na alama za msingi za majengo, urefu wa majengo, taarifa za idadi ya ghorofa na data za mtandao wa barabara za Wilaya ya Bao’an katika jiji la Shenzhen, China, jumla ya fahirisi 29 za vipimo viwili na vitatu zilihesabiwa katika viwango vya jengo moja, mazingira kati ya majengo na mandhari. Baada ya uchambuzi wa uhusiano, majaribio ya umuhimu na principal component analysis, fahirisi sita kuu—Eneo la Jengo, Urefu wa Jengo, Perimeter-Area Fractal Dimension, Building Shape Coefficient, Mean Patch Area na Floor Area Ratio—zilichaguliwa; kisha ulinganishaji unaotegemea K-means clustering uliundwa kati ya fahirisi hizi na kazi tano za majengo. Tofauti ya wazi zaidi ya kimofolojia ilionekana kati ya majengo ya biashara na makazi. Hata hivyo, kwa kuwa utafiti haukutoa independent test set, classification accuracy au external validation katika miji mingine, mfumo uliowasilishwa si classifier ya kazi ya majengo iliyo tayari na kuthibitishwa, bali ni rule base ya kimofolojia inayohitaji kujaribiwa baadaye.

Umuhimu wa utafiti kwa Türkiye ni kwamba unapendekeza mfumo unaoweza kutumika kufanya tathmini ya awali kutokana na data za anga zinazopatikana kwa urahisi zaidi, kama alama za msingi za majengo, modeli za urefu na mitandao ya barabara, katika maeneo ambako manispaa au vitengo vya mipango havina rekodi za kina za kijamii na kiuchumi katika kiwango cha jengo. Hata hivyo, masafa ya fahirisi yaliyopatikana Shenzhen hayawezi kuhamishwa moja kwa moja kwa mazingira ya ujenzi ya Türkiye. Kwa kuwa maeneo ya makazi, kanda za viwanda, tishu za kihistoria za miji, maeneo ya biashara ya majengo ya chini na majengo ya matumizi mseto nchini Türkiye yanaweza kuwa na sifa tofauti za kimofolojia, mfumo unapaswa kukalibishwa kwa data za ndani katika Istanbul, Ankara, Izmir, Bursa, Gaziantep au miji ya ukubwa tofauti na kupitishwa katika majaribio huru ya usahihi.

Swali kuu la utafiti ni nini?

Swali kuu la utafiti ni kama kazi za majengo zinaweza kuzalisha “sahihi ya kimofolojia” inayoweza kutambulika kutokana tu na sifa za kijiometri na za anga za mazingira yaliyojengwa, bila kutumia uhamaji wa watu, rekodi za biashara, data za idadi ya watu, maudhui ya mitandao ya kijamii au tafiti za shambani.

Utafiti unakubali kwamba kazi ya jengo haiwezi kuelezwa kwa eneo au urefu wa jengo moja pekee. Kazi ya jengo inaweza kuhusiana si tu na eneo la msingi, urefu na umbo lake, bali pia na ukubwa wa majengo jirani, mpangilio wa makundi, vitalu vya majengo vinavyozungukwa na mitandao ya barabara na msongamano wa matumizi ya ardhi. Kwa hiyo watafiti waliunda mfumo wa fahirisi wa ngazi tatu unaojumuisha jengo moja, mazingira kati ya majengo na mandhari ya jumla.

Kwa nini utafiti ni muhimu?

Mbinu za jadi za kubaini kazi ya jengo zinaweza kuhitaji kazi za shambani, takwimu rasmi, tafsiri ya picha kwa macho au data za kina za kijamii na kiuchumi. Kusasisha mbinu hizi katika maeneo makubwa kunahitaji muda na nguvu kazi, huku baadhi ya miji ikiwa haina lebo ya kazi katika kiwango cha jengo au rekodi ya matumizi ya sasa.

Utafiti unakabili tatizo hili kwa mfumo wa viashiria vya kimofolojia unaoweza kuhesabiwa kutokana tu na kontua za majengo, urefu na mitandao ya barabara. Ikiwa mfumo kama huu utathibitishwa, unaweza kutoa data ya mwanzo kwa mipango ya miji, usambazaji wa anga wa huduma za umma, uchambuzi wa uhuishaji upya wa miji na hesabu za mazingira katika kiwango cha jengo. Utafiti bado haujaonyesha kwamba matumizi haya yamefanikiwa; unachunguza uhusiano wa fahirisi–kazi ambao unaweza kuwa msingi wake.

Ni pengo gani katika fasihi linalolengwa?

Kwa mujibu wa watafiti, sehemu kubwa ya tafiti zilizotangulia imejikita tu katika jiometri ya majengo ya vipimo viwili, urefu wa majengo binafsi au kipimo kimoja cha anga. Aidha, mbinu nyingi za classification ya kazi za majengo zinategemea supervised machine learning models zinazohitaji labeled training data kutoka eneo ambalo zitatumika.

Mapengo yanayolengwa katika utafiti huu ni haya:

• Kutokuwepo kwa mfumo wa fahirisi wa vipimo vingi unaounganisha sifa za jengo moja na sifa za kundi la majengo katika mfumo mmoja,
• Kutokushughulikia kwa mfumo mmoja sifa za alama za msingi za vipimo viwili pamoja na sifa za urefu na ujazo za vipimo vitatu,
• Kutopunguzwa vya kutosha kwa correlation kubwa na marudio ya taarifa kati ya idadi kubwa ya landscape indices,
• Hitaji la rule base iliyo wazi na inayotafsirika ambayo inaweza kutumika katika maeneo yasiyo na local labeled training data.

Eneo la utafiti na vyanzo vya data

Eneo la utafiti ni Wilaya ya Bao’an katika kaskazini-magharibi mwa jiji la Shenzhen, China. Eneo hilo liko kati ya longitudo za mashariki 113°44′–113°52′ na latitudo za kaskazini 22°32′–22°51′ na lina ukubwa wa takribani 397 km². Kwa kuwa linajumuisha kwa pamoja maeneo ya makazi, biashara, viwanda na huduma za umma, lilichaguliwa kama eneo la mfano kwa ulinganisho wa kimofolojia wa kazi tofauti za majengo.

Vyanzo vikuu vya data vilivyotumika katika utafiti ni hivi:

• Alama za msingi za majengo: Kontua 202.915 za majengo zilizopatikana kutoka picha za WorldView-3 zenye spatial resolution ya mita 0,3 kupitia image segmentation, feature extraction na marekebisho ya mkono.
• Urefu wa majengo: Data za urefu zilizochukuliwa kutoka seti ya China Multi-Attribute Building (CMAB), ambazo zimeripotiwa kukaguliwa kwa uchunguzi wa shambani katika kiwango cha usahihi cha takribani ±1 mita.
• Taarifa za ghorofa: Idadi ya ghorofa za majengo kutoka chanzo cha Amap kwa matumizi katika hesabu ya Floor Area Ratio.
• Mtandao wa barabara: Data za barabara za OpenStreetMap kwa lengo la kugawanya majengo katika vitengo huru vya mandhari.
• Lebo za kazi za majengo: Madarasa ya makazi, biashara, viwanda, huduma za umma na matumizi mseto yaliyopatikana kutoka OpenStreetMap na data rasmi za utafiti.

Data zote ziliunganishwa katika mfumo wa koordinati wa WGS84. Imeripotiwa kwamba majengo yenye kontua zisizokamilika, yasiyo na lebo ya kazi au yaliyoonekana kuwa na urefu chini ya mita 2 au zaidi ya mita 100 yaliondolewa katika udhibiti wa ubora wa data.

Mgawanyo wa kazi za majengo katika seti ya data

Mgawanyo unaonyesha kwamba darasa la makazi ndilo kubwa zaidi kwa idadi ya majengo, wakati darasa la viwanda ndilo kubwa zaidi kwa eneo linalochukuliwa. Madarasa ya huduma za umma na matumizi mseto yaliunda sehemu ndogo sana ya sampuli zote. Utafiti haukupima athari ya kutokuwiana huku kwa madarasa kwenye cluster centers na classification performance kwa independent validation analysis.

Tofauti isiyoelezwa katika idadi ya sampuli

Katika sehemu ya mbinu inaelezwa kwamba majengo yote 202.915 yalitumika katika hesabu za fahirisi na kuunda uhusiano wa ulinganishaji, na kwamba hakuna independent validation set iliyotengwa. Kinyume chake, katika sehemu ya matokeo imeandikwa kwamba fahirisi 29 zilihesabiwa kwa sampuli 81.166 za majengo. Utafiti hauelezi jinsi ulivyotoka rekodi 202.915 hadi 81.166, wala kama sampling au filtering ya ziada ilitumika. Kwa hiyo ukubwa halisi wa sampuli ya uchambuzi hauwezi kubainishwa kwa maana moja kutoka maandishi ya chanzo.

Mfumo wa hierarchical landscape indices uliundwaje?

Watafiti walipanga jumla ya fahirisi 29 katika ngazi tatu:

Fahirisi 18 kati ya hizo huhesabiwa kutokana tu na alama za msingi za majengo za vipimo viwili, wakati fahirisi 11 zinahitaji taarifa za vipimo vitatu kama urefu au ujazo wa jengo. Mchoro wa hierarchical model katika utafiti unaonyesha wazi ngazi hizi tatu zinazopanuka kutoka jengo moja hadi kundi la majengo na mandhari ya jumla ya mji.

Fahirisi kuu na fomula zinamaanisha nini?

Eneo la Jengo

Eneo la Jengo (Building Area, BA) linawakilisha eneo la alama ya msingi ambalo jengo linachukua katika ndege ya mlalo:

\[ BA = Pixel_{size} \times Pixel_{number} \]

Pixel_number, inaonyesha idadi ya pixels ndani ya poligoni ya jengo. Katika jedwali la chanzo Pixel_size haijaelezwa tofauti kama inawakilisha urefu wa upande wa pixel au moja kwa moja eneo la pixel. Kwa kuwa matokeo yametolewa katika m², inaeleweka kwamba thamani ya eneo ilitumika katika hesabu.

Ujazo wa Jengo

\[ BV = BA \times BH \]

Hapa BV inaonyesha ujazo wa jengo, BA eneo la msingi la jengo na BH urefu wa jengo. Ikiwa eneo la msingi ni m² na urefu ni mita, ujazo una kitengo cha m³. Uhusiano huu unalikadiria jengo kama prisma yenye sehemu ya msalaba isiyobadilika katika mwelekeo wa wima.

Floor Area Ratio

\[ FAR = \frac{\sum_{i=1}^{N} F_i \times S_i}{A} \]

F_i inaonyesha idadi ya ghorofa za jengo la i, S_i eneo la msingi la jengo, na A eneo la kitengo husika cha ardhi au mandhari. Floor Area Ratio (FAR) ni uwiano wa jumla ya eneo linalokadiriwa la ghorofa katika eneo fulani kwa eneo la ardhi. Thamani hii isiyo na kitengo inaonyesha kiwango cha msongamano wa matumizi ya ardhi.

Mean Patch Area

\[ MPA = \frac{\sum_{i=1}^{N} BA_i}{N} \]

Mean Patch Area (MPA) ni wastani wa maeneo ya msingi ya majengo ndani ya kitengo cha mandhari. Kadiri thamani inavyoongezeka, ndivyo inavyoashiria kwamba kundi husika la majengo linaundwa na majengo yenye maeneo makubwa zaidi ya msingi.

Spearman rank correlation

\[ r_s = 1 - \frac{6\sum_{i=1}^{n}(R(X_i)-R(Y_i))^2}{n(n^2-1)} \]

R(X_i) na R(Y_i), zinaonyesha ranks za vigezo viwili katika observation ya i; n inaonyesha idadi ya sampuli. Coefficient hii ilitumika kupima monotonic relationship kati ya fahirisi mbili ambayo si lazima iwe linear. Fahirisi zenye absolute correlation zaidi ya 0,8 na p value chini ya 0,05 zilichukuliwa kuwa na uhusiano wa juu.

Kwa umuhimu wa correlation coefficient, utafiti ulitumia t statistic ifuatayo:

\[ t = r_s\sqrt{\frac{n-2}{1-r_s^2}} \]

Standardization

Kabla ya principal component analysis, fahirisi zenye vitengo tofauti zilistandardishwa:

\[ Z = \frac{X-\mu}{\sigma} \]

X inaonyesha thamani ya awali, μ wastani wa kigezo, na σ standard deviation. Hatua hii huwezesha kulinganisha kwa kipimo kimoja vigezo vinavyoonyeshwa kwa mita, mita mraba na ratios zisizo na kitengo.

Kutokuwa wazi kwa kimetodolojia katika Building Shape Coefficient

Katika jedwali la chanzo, Building Shape Coefficient imetolewa kama ifuatavyo:

\[ BSC = \frac{H_i+S_i}{V_i} \]

Kwa mujibu wa maelezo katika maandishi H_i ni urefu wa jengo, S_i ni eneo la msingi la jengo na V_i ni ujazo wa jengo. Kuongeza moja kwa moja urefu wenye kitengo cha mita na eneo la msingi lenye kitengo cha mita mraba hakutoi ufafanuzi ulio wazi kidimensional. Utafiti hauelezi kama fomula ina alternative variable definition. Kwa hiyo, kurudia hesabu ya BSC kwa usahihi bila original code au maelezo ya mwandishi kuna hatari.

Tatizo la notation katika Perimeter-Area Fractal Dimension

Perimeter-Area Fractal Dimension (PAFRAC) ilitumika kuwakilisha complexity ya umbo kupitia uhusiano wa logarithmic kati ya mzunguko wa jengo na eneo lake. Hata hivyo, katika fomula ya jedwali la chanzo, mpangilio wa baadhi ya alama za logarithm, multiplication, subtraction na summation hauko wazi kwa maana moja. Kwa hiyo fomula haikupangwa upya katika makala; matokeo ya PAFRAC na mahusiano ya kitakwimu yaliyoripotiwa na utafiti yalitathminiwa katika umbo lake la asili.

Uchaguzi wa fahirisi ulifanywaje?

Uchaguzi wa fahirisi ulifanywa katika hatua tatu zinazofuatana:

1. Correlation analysis: Kutathmini katika kundi moja fahirisi zenye taarifa zinazofanana na absolute Spearman correlation zaidi ya 0,8.
2. Significance tests: Kujaribu kama values za fahirisi zinatofautiana kitakwimu kati ya kazi tano za majengo.
3. Principal component analysis: Kupunguza marudio ya taarifa kati ya vigezo vilivyobaki na kuchagua fahirisi kuu zinazoeleza sehemu kubwa ya total variance.

Correlation analysis iliondoa fahirisi zipi?

Katika kiwango cha jengo moja, Eneo la Jengo lilihifadhiwa kama mwakilishi wa kundi kwa sababu lilikuwa na correlation kubwa na Perimeter ya Jengo, Ujazo wa Jengo na Building Perimeter-Area Ratio. Perimeter-Area Fractal Dimension ilihifadhiwa kwa sababu inawakilisha complexity ya umbo, ingawa ilikuwa na uhusiano na circularity proximity na landscape shape index. Urefu wa Jengo haukuondolewa kwa sababu uliwasilisha taarifa ya wima kwa kujitegemea.

Katika kiwango cha mandhari, Building Patch Density ilikuwa na correlation kubwa na Shannon Diversity Index, Landscape Fragmentation Index na Edge Density. Correlation kati ya Mean Patch Area na Mean Patch Area Coefficient of Variation iliripotiwa kuwa -0,997. Mwishoni mwa hatua hii, fahirisi 11 zilibaki: tano za kiwango cha jengo moja na sita za kiwango cha mandhari.

Significance tests zilionyesha nini?

Normal distribution na homogeneity ya variance zilitathminiwa kwa Shapiro-Wilk na Levene tests, mtawalia. Masharti yalipotimizwa, one-way ANOVA ilitumika; yasipotimizwa, Kruskal-Wallis test ilitumika. Kwa matokeo yenye umuhimu, ilielezwa kwamba Tukey HSD post-hoc test ilitumika.

Kwa kuwa Building Patch Density na Sky View Factor hazikuonyesha tofauti muhimu kati ya kazi za majengo, ziliondolewa na fahirisi tisa zikapelekwa kwenye principal component analysis.

Principal component analysis ilitoa matokeo gani?

Katika kiwango cha jengo moja, principal components mbili za kwanza zilieleza kwa pamoja %82,40 ya total variance. Component ya kwanza ilieleza %57,80 na ya pili %24,60. Eneo la Jengo na Urefu wa Jengo zilikuwa na loadings kubwa katika component ya kwanza; Perimeter-Area Fractal Dimension na Building Shape Coefficient zilikuwa na loadings kubwa katika component ya pili. Mchango wa Aggregation Index ulionekana kuwa mdogo zaidi, hivyo index hii ikaondolewa.

Katika kiwango cha mandhari, components mbili za kwanza zilieleza kwa pamoja %89,25 ya total variance. Component ya kwanza ilieleza %61,25 na ya pili %28,00. Ilikubaliwa kwamba taarifa iliyobebwa na Mean Building Height na Mean Building Volume iliwakilishwa kwa kiasi kikubwa na Urefu wa Jengo, Mean Patch Area na Floor Area Ratio, hivyo vigezo hivyo viwili vikaondolewa.

Fahirisi sita kuu zilizobaki mwishoni mwa hatua tatu ni hizi:

• Eneo la Jengo (BA),
• Urefu wa Jengo (BH),
• Perimeter-Area Fractal Dimension (PAFRAC),
• Building Shape Coefficient (BSC),
• Mean Patch Area (MPA),
• Floor Area Ratio (FAR).

Michoro na ramani za anga zinaonyesha nini?

Mchoro wa kwanza wa workflow katika utafiti unaonyesha preprocessing ya alama za msingi za majengo, urefu, mitandao ya barabara na lebo za kazi; hesabu ya fahirisi 29; kupunguzwa hadi fahirisi sita kupitia correlation, significance na principal component analysis; kisha kuundwa kwa jedwali la function–index mapping kwa K-means.

Katika ramani ya eneo la utafiti, kontua za majengo, mtandao wa barabara, kazi za majengo na urefu wa majengo katika Wilaya ya Bao’an zimewasilishwa katika layers tofauti. Ramani ya kazi inaonyesha kwamba majengo ya makazi, biashara, viwanda, huduma za umma na matumizi mseto huunda makundi tofauti ya anga ndani ya tishu ileile ya mji.

Ramani za fahirisi za vipimo viwili zinaonyesha jinsi Eneo la Jengo, perimeter, umbo, msongamano, fragmentation na aggregation zinavyobadilika ndani ya mji; ramani za vipimo vitatu zinaonyesha spatial distribution ya vigezo kama urefu wa jengo, ujazo, urefu wa wastani, Floor Area Ratio na sky view. Ramani hizi zinaunga mkono kwamba fahirisi hazisambai sawasawa katika mji, lakini zenyewe hazitoi classification accuracy ya kazi za majengo.

Miduara mikubwa na yenye rangi nyeusi katika correlation matrices inaonyesha kwamba baadhi ya pairs za fahirisi zinabeba taarifa ileile. Uhusiano mkubwa ulipatikana hasa kati ya area, perimeter, volume na perimeter-area ratio; na katika kiwango cha mandhari kati ya patch density, fragmentation na diversity measures.

Katika radar plots za mwisho, mean, standard deviation, minimum na maximum values za fahirisi sita zimeonyeshwa kwa kila kazi ya jengo. Grafu zinaonyesha kwamba majengo ya biashara yana profile inayoenea zaidi nje kwa Eneo la Jengo, Urefu wa Jengo na Floor Area Ratio, wakati majengo ya makazi yana profile ya chini zaidi katika vipimo hivi. Ukubwa unaoonekana wa standard deviations pia unaonyesha kwamba functional classes hazina index ranges zilizo kali na zisizoingiliana.

Matokeo makuu ya namba ni yapi?

Wastani wa Eneo la Jengo wa majengo ya biashara ni takribani mara 4,1 zaidi ya majengo ya makazi, wastani wa Urefu wa Jengo takribani mara 3,2 zaidi, na Floor Area Ratio takribani mara 3,4 zaidi. Utafiti kupata tofauti iliyo wazi zaidi kati ya majengo ya biashara na makazi kunaendana na tofauti hizi za namba.

Mean Patch Area ya majengo ya viwanda iliripotiwa kuwa 7.836,25 m². Thamani hii haiwakilishi eneo la jengo moja, bali scale ya wastani ya patch ya majengo katika landscape unit husika.

Mfumo wa K-means mapping unafanyaje kazi?

Katika utafiti, idadi ya clusters iliwekwa kuwa tano ili kulingana na kazi tano za majengo zilizofafanuliwa mapema. Sampuli za majengo zinazofanana katika fahirisi sita kuu ziliwekwa katika clusters kwa K-means; mean, standard deviation na value range ya kila cluster zilihesabiwa. Kisha clusters zilihusishwa na kazi za makazi, biashara, viwanda, huduma za umma na matumizi mseto ili kuunda reference table.

Katika matumizi yaliyopendekezwa, fahirisi sita zitahesabiwa kwa jengo jipya na jengo litawekwa katika functional group ambayo center yake iko karibu zaidi katika index space. Watafiti wanaeleza muundo huu kama transferable rule base isiyohitaji local training labels.

Hata hivyo, utafiti haujatumia kanuni hii ku-classify majengo katika mji mpya, haujapima accuracy katika independent test data, wala haujalinganisha matokeo ya K-means na mbinu nyingine. Kwa hiyo, “transferability” si performance result iliyothibitishwa katika utafiti huu, bali ni hypothesis iliyopendekezwa kwa tafiti zijazo na inayohitaji validation.

Matokeo yanayoungwa mkono na utafiti

• Katika seti ya data ya Shenzhen iliyochunguzwa, kuna tofauti muhimu za kimofolojia kati ya kazi za majengo.
• Eneo la jengo, urefu, complexity ya umbo na msongamano wa matumizi ya ardhi huchangia kutenganisha functional groups.
• Majengo ya biashara na makazi ndiyo makundi mawili yanayotofautiana kwa uwazi zaidi kwa fahirisi sita.
• Vigezo 29 viliweza kupunguzwa hadi fahirisi sita kuu kupitia mchakato wa kitakwimu unaopunguza marudio ya taarifa.
• Jedwali linalotafsirika la index–function liliweza kuundwa kwa kutumia tu kontua za majengo, urefu, ghorofa na data za barabara.

Matokeo ambayo utafiti haujathibitisha

• Haijaonyeshwa kwa accuracy gani mbinu iliyopendekezwa inaweza ku-classify majengo mapya.
• Haijathibitishwa kwamba index ranges hubaki zilezile katika miji nje ya Shenzhen.
• Haijaonyeshwa kwamba kazi za majengo nchini Türkiye zinaweza kubainishwa kwa usahihi kwa jedwali hili la mapping.
• Haijaonyeshwa kwamba mbinu ya K-means ni bora kuliko deep learning, random forest au classifiers nyingine.
• Haiwezi kudaiwa kwamba umbo la jengo peke yake husababisha kazi ya jengo.
• Haijaonyeshwa kwamba majengo yanayobadilisha kazi kwa muda yanaweza kufuatiliwa kwa kuaminika kwa mbinu hii.
• Haijathibitishwa kwamba kila aina ya kazi ina mipaka ya kimofolojia iliyo wazi na isiyoingiliana.

Hii ina maana gani kwa Türkiye na matumizi ya vitendo?

Nchini Türkiye, manispaa nyingi zinaweza kuwa na data za jiometri ya majengo, urban blocks, mitandao ya barabara na katika baadhi ya maeneo urefu wa majengo, wakati taarifa za matumizi ya sasa katika kiwango cha jengo huenda zisipatikane kwa kiwango hicho hicho cha undani. Mbinu ya utafiti inatoa methodological framework inayoweza kutoa uchunguzi wa awali kuhusu maeneo yanayoonyesha sifa za makazi, biashara, viwanda au matumizi mseto katika hali kama hizi.

Kwa matumizi, kwanza inapaswa kuundwa local validation dataset yenye reliable building-function labels za Türkiye. Historical centers, maeneo yaliyoendelea bila mpangilio, organized industrial zones, mass-housing areas na mixed-use buildings zenye biashara kwenye ground floor na makazi kwenye upper floors zinapaswa kutathminiwa tofauti. Aidha, kwa kuwa floor heights, parcel pattern, planning regulations na building typology nchini Türkiye ni tofauti na Shenzhen, index thresholds hazipaswi kunakiliwa moja kwa moja.

Umuhimu wake kwa yaliyopita, sasa na yajayo

Katika siku zilizopita, kubainisha kazi za majengo kulitegemea kwa kiasi kikubwa field observation, official records au manual image interpretation. Utafiti huu unawakilisha maendeleo katika kutoa taarifa za kazi kutokana na data za umbo kwa kuhamisha indices zinazotumika katika landscape ecology kwenda katika urban-function analysis ya kiwango cha jengo.

Kwa mtazamo wa sasa, mchango wa utafiti ni kufanya ionekane ni sifa zipi za kimofolojia zinazochangia kutenganisha kazi, badala ya kutoa tu closed machine-learning model yenye madai ya accuracy kubwa. Uwezo wa kutafsiri kwa kujitegemea vigezo kama eneo la jengo, urefu, complexity ya umbo na msongamano hufanya decision logic ya mbinu kuwa wazi zaidi.

Katika tafiti zijazo, inapendekezwa kujaribu mapping table katika miji tofauti, kuongeza time-series imagery, kutumia building-renovation records na kuingiza environmental features kama ukaribu na metro stations, schools, hospitals au other points of interest. Kabla ya validations hizi kukamilika, mbinu haipaswi kutumiwa kama chanzo pekee cha taarifa za uhakika kwa maamuzi ya miji.

Mbinu na Matokeo ya Utafiti

Mtiririko wa kazi wa kiufundi

Jukumu la kiufundi la fahirisi sita zilizochaguliwa

Muhtasari wa kiufundi wa matokeo makuu

• Fahirisi zote sita kuu zilionyesha tofauti muhimu kati ya kazi za majengo katika kiwango cha p<0,05.
• Profile ya chini zaidi ya BA, BH, PAFRAC na FAR ilionekana katika majengo ya makazi.
• Thamani za juu zaidi za BA, BH, PAFRAC na FAR ziliripotiwa katika majengo ya biashara.
• Majengo ya viwanda yalionyesha profile ya kimofolojia ya kati hadi juu yenye eneo kubwa la msingi na Mean Patch Area kubwa.
• Majengo ya huduma za umma yalikuwa katika kiwango cha kati kwa area, height na density.
• Majengo ya matumizi mseto yaliunda profile ya kati kati ya madarasa mengine manne.
• Kwa kuwa standard deviations katika kila darasa zilikuwa pana, ilielezwa kwamba reliable function assignment haiwezi kufanywa kwa fahirisi moja au threshold iliyo kali.

Nguvu za mbinu

• Inaunganisha viwango vya jengo moja, mazingira kati ya majengo na mandhari katika mfumo mmoja.
• Inatumia pamoja vigezo vya kimofolojia vya vipimo viwili na vitatu.
• Inapunguza fahirisi zenye correlation kubwa kupitia mchakato wa uchaguzi wa hatua tatu.
• Inawasilisha matokeo si tu kama output ya closed model, bali kama index profiles zinazoweza kutafsiriwa.
• Inalenga vyanzo vya data vinavyoweza kutumika katika maeneo yasiyo na data za kijamii na kiuchumi.

Mipaka mikuu ya mbinu

Maelezo ya Chanzo na Mbinu

Jina kamili la asili la utafiti: From Building Form to Functional Signatures: A Feature Selection and Characterization Approach Using Hierarchical Landscape Indices

Waandishi: Duanguang Cao, Yanying Wang, Jieming Kang, Hongkuan Hui, Honglei Guo, Bing Zhang, Baolei Zhang na Hanfa Xing.

Mwandishi wa mawasiliano: Katika ukurasa wa rekodi ya SSRN, Duanguang Cao ameonyeshwa kama mwandishi wa mawasiliano.

Co-first authorship au equal contribution: Hakuna taarifa ya co-first authorship au equal contribution iliyotolewa katika toleo lililopakiwa au rekodi rasmi ya SSRN.

Mahusiano ya taasisi: Duanguang Cao, Jieming Kang na Baolei Zhang: Shandong Normal University; Yanying Wang: Qilu Normal University; Hanfa Xing: South China Normal University. Kwa Hongkuan Hui, Honglei Guo na Bing Zhang, taarifa ya taasisi haijatolewa katika rekodi ya SSRN.

DOI: 10.2139/ssrn.6945293

Jarida: Toleo lililochapishwa katika jarida lililopitiwa na wataalamu halijathibitishwa.

Jukwaa la uchapishaji: SSRN.

Mtoa huduma wa uchapishaji wa asili: SSRN/Elsevier.

Tarehe ya uchapishaji: Ukurasa wa rekodi ya SSRN unaonyesha tarehe ya kupakiwa kuwa 15 Juni 2026.

Aina ya chanzo: Makala ya utafiti ya preprint; data analysis, geographic information system na modeling study.

Hali ya peer review: Utafiti huu haujapitia peer review. Matokeo yanapaswa kusomwa kwa kuzingatia kikomo hiki.

Chanzo rasmi:Ukurasa rasmi wa rekodi ya SSRN

Kiungo cha DOI:https://doi.org/10.2139/ssrn.6945293

Maelezo haya ya Kiswahili yameandaliwa baada ya kupitia maandishi, fomula, majedwali, method diagrams, ramani za fahirisi za vipimo viwili na vitatu, correlation matrices, principal component analysis tables na K-means mapping graphs za preprint ya kurasa 22 iliyopakiwa. Hakuna classification accuracy, field success, matokeo ya matumizi nchini Türkiye au transferability katika miji tofauti ambayo hayapo katika utafiti yaliyoingizwa.

Tofauti isiyoelezwa kati ya kauli za sampuli 202.915 na 81.166 katika source text, pamoja na notation problems katika fomula za BSC na PAFRAC, hazijasahihishwa kimya kimya. Kwa kuwa mapping system inayopendekezwa na utafiti haijathibitishwa katika independent test data, haipaswi kutathminiwa kama ready and proven building-function classifier.