نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

شهرنشینی سریع مشکلات متعددی را ایجاد کرده است و ساختار فضایی شهری موضوع داغ مدیریت توسعه پایدار بوده است. ساختار فضایی شهری تحت تأثیر یک سری عوامل است. بنابراین، مدل تحقیق باید رابطه فضایی و غیر فضایی هر عنصر را به طور ترکیبی در نظر بگیرد. در اینجا، ما یک نمودار ورونوی توسعه یافته را برای کاوش الگوی فضایی زمین شهری پیشنهاد می کنیم. در اصل، ما ابتدا از یک روش تحلیل مؤلفه اصلی برای ساختن شاخص‌های ارزیابی ویژگی استفاده کردیم و فاصله ویژگی را برای هر شاخص به دست آوردیم. دوم، ما فواصل مکانی و ویژگی را برای گسترش فاصله مقایسه برای نمودارهای ورونوی یکپارچه کردیم و سپس، نقشه همگن تجمعی ورونوی منطقه مورد مطالعه را ساختیم. سرانجام، ما با استفاده از نرم افزار GeoDA و SPSS یک تحلیل خودهمبستگی مکانی انجام می دهیم. نتایج نشان می دهد که: (1) تجمع پوشش زمین مسکونی قابل توجه نیست، اما انتشار فضایی آشکار است. (2) تجمع پوشش تجاری زمین قابل توجه است. و (3) درجه تراکم فضایی پوشش زمین صنعتی افزایش یافته و عمدتاً در حاشیه‌های شهری قرار دارد. بر اساس تئوری نئومارکسیستی، به طور مختصر به تحلیل نیروهای محرک برای شکل دادن به ساختار فضایی شهری پرداختیم. به طور خلاصه، رویکرد ما بینش‌های مهمی را در مورد ساختار فضایی شهری به دست می‌دهد که با شباهت ویژگی با مجاورت جغرافیایی مشخص می‌شود، که به درک بهتر مکانیسم رشد شهری کمک می‌کند. علاوه بر این، به صراحت تحولات شهری در حال انجام را شناسایی می کند،
کلید واژه ها: 

نزدیکی جغرافیایی ؛ شباهت صفت ; فاصله اقلیدسی تعمیم یافته ; نمودارهای ورونوی ؛ الگوی فضایی

 

1. معرفی

اگرچه سطوح شهری در حال حاضر تنها بین 3 تا 5 درصد از کل سطح زمین را پوشش می دهند، تأثیرات زیست محیطی در ارتباط با رشد شهری به یک نگرانی بزرگ در سراسر جهان تبدیل شده است [1 ] . رشد سریع شهری به دلیل تغییر کاربری/پوشش زمین در مقیاس بزرگ، به ویژه در کشورهای در حال توسعه، توجه قابل توجهی را به خود جلب کرده است، زیرا شهرنشینی باعث ایجاد تغییرات محیطی در مقیاس‌های چندگانه می‌شود [2 ، 3 ، 4 ، 5 ، 6 ، 7 ] . دهه‌های اخیر شاهد تغییرات بی‌سابقه منظر شهری، تغییرات سریع کاربری زمین در فرآیندهای شهرنشینی، از بین رفتن اکوسیستم‌ها و تنوع زیستی و اکتشاف منابع موجود بوده است که منجر به کمبود می‌شود.5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ]. این دگرگونی‌ها مجموعه‌ای از سؤالات را ایجاد می‌کند: آیا ساختار فضایی شهری ما توسعه پایدار است؟ چگونه سیاست می تواند به مؤثرترین شکل مورفولوژی شهری را شکل دهد و ساختار فضایی شهری، گسترش و زوال یا تجمع و پراکندگی شهری را مدیریت کند؟ چه رهنمودهایی باید برای سیاستگذاران و برنامه ریزان منطقه ای ارائه دهیم تا به توسعه آینده محیط شهری خود توجه کنند؟ پرداختن به چنین سوالاتی مستلزم یک مدل صریح برای کشف گرایش تجمیع موجودیت‌های فضایی، قوانین توزیع، گرایش توسعه و تغییر و نیروهای محرک برای شکل‌دهی ساختار فضایی شهری از داده‌های مکانی است [12] .، 13 ].
ساختار فضایی شهری (همچنین به نام ساختار فضایی داخلی شهری یا فضای شهری نیز شناخته می‌شود) به چیدمان کاربری زمین در مناطق شهری اشاره دارد که به چیدمان فضای عمومی و خصوصی در شهرها و میزان اتصال و دسترسی می‌پردازد [14 ] . توصیف و مدل‌سازی ساختار فضایی شهری به‌عنوان یک فعالیت تحقیقاتی مهم در سال‌های اخیر، به‌ویژه در کشورهایی که شهرنشینی و صنعتی شدن سریع دارند، مانند چین برجسته شده است [ 15 ، 16 ، 17 ].
در گذشته نظریه‌های مختلفی مانند نظریه مکان مرکزی، نظریه هسته- پیرامون، نظریه مخروط تقاضای لوش، نظریه انتشار فضایی، نظریه قطب رشد، نظریه حلقه‌های متحدالمرکز، نظریه بخش، قانون Zipf و نظریه هسته‌های چندگانه به طور گسترده برای مطالعه شهری مورد استفاده قرار گرفتند. الگوهای ساختار و پویایی [ 1 ، 18 ، 19 ، 20 ، 21 ، 22 ]. با این حال، رشد شهری یک سیستم فضایی پیچیده است، متشکل از عناصر کنشگر و متقابل متعدد با بازخوردهایی در میان، که ناگزیر شکل فضایی کلی شهر را تعیین می‌کند [ 23] .]. بنابراین، این نظریه‌های جغرافیای شهری مرسوم قادر به توصیف پیچیدگی مکانی و زمانی پویایی شهری نیستند [ 1 ، 24 ، 25 ]. در پاسخ، تکنیک‌های مختلفی مانند نظریه فاجعه، نظریه فراکتال‌ها، نظریه آشوب یا جاذبه‌های آشوب، نظریه خودسازمان‌دهی، نظریه آنتروپی، متریک‌های منظر، اتوماتای ​​سلولی و مدل‌سازی مبتنی بر عامل، از دهه 1960 برای تجزیه و تحلیل شهری پدید آمدند. ساختار و دینامیک [ 1 ، 23 ، 26 ، 27 ، 28 ، 29 ، 30 ، 31 ].
مدل‌سازی ساختار فضایی شهری برای دهه‌ها محققان را به خود مشغول کرده است و ادبیات فراوانی پدید آمده است. پیشرفت‌های نظریه‌های ریاضی و شبیه‌سازی‌های کامپیوتری مبتنی بر معادلات برای جستجوی راه‌حل ایستا یا تعادلی به ما در درک بهتر شهرها کمک کرده است [ 24 ]. رایج‌ترین مدل‌های ریاضی مجموعه‌ای از معادلات مشترک همزمان بر اساس نظریه‌های رشد و انتشار جمعیت و نظریه اقتصادی هستند که ساختار فضایی تجمعی شهری را در طول زمان مشخص می‌کنند [ 32 , 33 , 34]. اشکال عمده چنین مدل‌های ریاضی این است که یک راه‌حل عددی یا تحلیلی برای سیستم معادلات باید به دست آید، که سطح پیچیدگی را که عملاً ممکن است در چنین مدل‌هایی ساخته شود محدود می‌کند [35 ] . تکنیک‌های مدل‌سازی علم سیستم‌های پیچیده یک جعبه ابزار بالقوه مناسب، به ویژه مدل‌سازی مبتنی بر عامل و اتوماتای ​​سلولی، به طور بالقوه به اطلاعات سیستم اطلاعات جغرافیایی (GIS) و سنجش از دور (RS) در قطعه‌های زمین مرتبط هستند [1 ، 6 ، 23 ، 36 ، 37 ] ، 38]. تکنیک‌هایی مانند اتوماتای ​​سلولی (CA)، به‌عنوان مدل‌های مبتنی بر قانون، یک رویکرد «پایین به بالا» را ایجاد می‌کنند، که در آن ساختار از همسایگی موران در تعامل بین سلول‌های همسایه با استفاده از انواع مختلف قوانین انتقال تکامل می‌یابد [31 ، 39 ، 40 ، 41 . ]. علاوه بر این، فرض مدل CA شهری مرسوم که یک سلول منظم نشان دهنده واحد اصلی یک موجودیت کاربری زمین است، همیشه معقول نیست [ 42 ]. چندین مطالعه با توسعه مدل‌های CA مبتنی بر برداری یا نامنظم سروکار دارند. با این حال، این نوع جدید از مدل های CA هنوز در مراحل اولیه خود هستند [ 43 ، 44 ].
ساختار فضایی برخی از متغیرهای اجتماعی و اقتصادی ممکن است بازتابی از اثرات سرریز باشد که معمولاً از شکل تداعی فضایی مشهود است. از سوی دیگر، اقتصادهای تراکم ممکن است اثرات متفاوتی را در فضا ایجاد کنند [ 45 ]. در مطالعات شهری، این معمولاً به این معنی است که مقادیر متغیر بالا تمایل دارند در نزدیکی مقادیر بالا دیگر متمرکز شوند و مقادیر پایین در مجاورت جغرافیایی ظاهر می شوند. از این نظر، ارتباط فضایی عبارت است از ترتیب غیر تصادفی مقادیر داده ها زمانی که آنها بر اساس مکان مکانی مرتب شده باشند و می توان با استفاده از آمار فاصله [ 45 ، 46 ، 47] تجزیه و تحلیل کرد.]. خوشه بندی جغرافیایی مجموعه ای از فرآیندها است که یک نقطه مجزا را به تعدادی گروه که ویژگی های مشابهی را با توجه به مجاورت جغرافیایی نشان می دهند، گروه بندی می کند. نقاط متعلق به یک خوشه جغرافیایی مشابه به یکدیگر بیشتر از نقاط متعلق به خوشه های مختلف هستند [ 48 ]. تجزیه و تحلیل خوشه بندی فضایی موضوع اصلی تحقیق در پژوهش الگوی جغرافیایی بوده است [ 49 ، 50 ]. روش های آمار فضایی در دهه 1950 در زمین شناسی و جغرافیا معرفی شدند، اما اخیراً در خدمت اهداف و نیازهای تحلیل شهری، به طور خاص در تجزیه و تحلیل قیمت زمین شهری [ 51 ، 52 ، 53] استفاده شده اند.]. در آمار مکانی، تجزیه و تحلیل داده های مکانی اغلب به سه نوع، یعنی تجزیه و تحلیل داده های نقطه ای، تجزیه و تحلیل داده های شبکه و زمین آمار طبقه بندی می شود [ 54 ]. زمین آمار مربوط به الگوی فضایی یک ویژگی بر روی یک شبکه فضایی منظم یا نامنظم است، با هدف اضافی پیش‌بینی مقادیر مشخصه در مکان‌های نمونه‌برداری نشده [ 54 ]. زمین آمار از توابع مبتنی بر فاصله به جای ساختارهای همسایگی برای نشان دادن خودهمبستگی فضایی استفاده می کند و تشخیص خوشه ها بر اساس آمار مکانی محلی، مانند آمار موران I محلی است. داده های زمین آماری به داده های مکانی نمونه برداری شده در مکان های نقطه ای اشاره دارد که در فضا پیوسته هستند [ 54 , 55 , 56]. با توجه به مجموعه‌ای از تعداد محدود نقطه در صفحه اقلیدسی، هر مکان در فضا را با نزدیک‌ترین عضو(های) مجموعه نقطه نسبت به فاصله اقلیدسی مرتبط می‌کنیم. نتیجه این است که صفحه در مجموعه‌ای از مناطق مرتبط با اعضای مجزای مجموعه نقطه است. این تسلیت “نمودارهای معمولی مسطح ورونوی” نامیده می شود که توسط مجموعه نقطه نمونه تولید شده است [ 57 ]. به عنوان یکی از ابزارهای تجزیه و تحلیل داده‌های مکانی، نمودارهای ورونوی می‌تواند برای پیاده‌سازی تقسیم‌بندی فضایی و نشان دادن دامنه تأثیر فضایی تولید شده توسط مناطق شهری مورد استفاده قرار گیرد.
هدف از این مطالعه شناسایی ساختار فضایی شهری در ووهان روابط عمومی چین با استفاده از آمار داده‌های مکانی، نمودارهای Voronoi، GeoDA و GIS است. ما در نظر داریم که تجزیه و تحلیل ما به معنای زیر مفید است. اول، ما یک روش نمودار ورونوی توسعه یافته ارائه می دهیم، که فاصله مقایسه فضایی سنتی را به فواصل اقلیدسی تعمیم یافته برای نمودارهای ورونوی گسترش می دهد. یک شاخص اجتماعی، اقتصادی و فضایی برای توصیف فاصله مجاورت جغرافیایی و فاصله شباهت برای تشخیص هاب‌ها، مراکز و لبه‌های خوشه‌بندی کاربری زمین شهری با استفاده از داده‌های ویژگی‌های مکانی و ویژگی‌ها ساخته شده است. دوم، ما روش‌های خود را از طریق یک گردش کاری مناسب از نحوه اعمال این تکنیک‌ها ارائه می‌کنیم. سوم، ما پیشنهاد می‌کنیم خودهمبستگی فضایی ساختار فضایی شهری را با استفاده از Local Moran’s I بر اساس GeoDA اندازه‌گیری کنیم. در نهایت، اگرچه علم شهری مرسوم، پدیده‌های شهری را تا حدی با عوامل فناوری و مهاجرت جمعیت توضیح می‌دهد، ما به طور خلاصه به تحلیل نیروهای محرک برای شکل‌دهی ساختار فضایی شهری بر اساس نظریه نئومارکسیستی می‌پردازیم. به طور خلاصه، غلظت خوشه ای مناطق شهری یکی از ابعاد کلیدی تفاوت بین مناطق است. آمار فضایی، خوشه های فضایی را بر اساس همبستگی بین هر منطقه و میانگین وزنی همسایگان آن تعریف می کند. این مقاله گزارش می‌دهد که این روش می‌تواند برای مطالعات شهری مرتبط و پروژه‌های مدیریت کاربری/پوشش زمین شهری مفید باشد. اگرچه علم شهری مرسوم پدیده‌های شهری را تا حدی با عوامل فناوری و مهاجرت جمعیت توضیح می‌دهد، اما به طور خلاصه به تحلیل نیروهای محرک برای شکل‌دهی ساختار فضایی شهری بر اساس نظریه نئومارکسیستی می‌پردازیم. به طور خلاصه، غلظت خوشه ای مناطق شهری یکی از ابعاد کلیدی تفاوت بین مناطق است. آمار فضایی، خوشه های فضایی را بر اساس همبستگی بین هر منطقه و میانگین وزنی همسایگان آن تعریف می کند. این مقاله گزارش می‌دهد که این روش می‌تواند برای مطالعات شهری مرتبط و پروژه‌های مدیریت کاربری/پوشش زمین شهری مفید باشد. اگرچه علم شهری مرسوم پدیده‌های شهری را تا حدی با عوامل فناوری و مهاجرت جمعیت توضیح می‌دهد، اما به طور خلاصه به تحلیل نیروهای محرک برای شکل‌دهی ساختار فضایی شهری بر اساس نظریه نئومارکسیستی می‌پردازیم. به طور خلاصه، غلظت خوشه ای مناطق شهری یکی از ابعاد کلیدی تفاوت بین مناطق است. آمار فضایی، خوشه های فضایی را بر اساس همبستگی بین هر منطقه و میانگین وزنی همسایگان آن تعریف می کند. این مقاله گزارش می‌دهد که این روش می‌تواند برای مطالعات شهری مرتبط و پروژه‌های مدیریت کاربری/پوشش زمین شهری مفید باشد. غلظت خوشه ای مناطق شهری یکی از ابعاد کلیدی تفاوت بین مناطق است. آمار فضایی، خوشه های فضایی را بر اساس همبستگی بین هر منطقه و میانگین وزنی همسایگان آن تعریف می کند. این مقاله گزارش می‌دهد که این روش می‌تواند برای مطالعات شهری مرتبط و پروژه‌های مدیریت کاربری/پوشش زمین شهری مفید باشد. غلظت خوشه ای مناطق شهری یکی از ابعاد کلیدی تفاوت بین مناطق است. آمار فضایی، خوشه های فضایی را بر اساس همبستگی بین هر منطقه و میانگین وزنی همسایگان آن تعریف می کند. این مقاله گزارش می‌دهد که این روش می‌تواند برای مطالعات شهری مرتبط و پروژه‌های مدیریت کاربری/پوشش زمین شهری مفید باشد.

2. منطقه مطالعه و داده ها

2.1. منطقه مطالعه

ووهان در مرکز جمهوری خلق چین، بزرگترین شهر بندری داخلی و مهم ترین شهر مرکزی چین واقع شده است. قدمت تمدن شهری ووهان به 3500 سال قبل از شهر پانلونگ می رسد که قدیمی ترین شهری است که تا به امروز در حوضه رودخانه یانگ تسه کشف شده است. ووهان به عنوان مرکز استان هوبی، مرکز سیاسی، اقتصادی و فرهنگی این استان است. یانگ تسه سومین رودخانه طولانی جهان است و بزرگترین شاخه آن، هانجیانگ، با آن در ووهان ملاقات می کند [ 58 ، 59 ] ( شکل 1 a).
یانگ تسه و هانجیانگ شهر را به سه بخش هانکو، هانیانگ و ووچانگ، یعنی «سه شهر ووهان» تقسیم می‌کنند. این سه شهر به دلایل تاریخی دارای ویژگی‌های فضایی متفاوت و گرایش‌های توسعه‌ای متفاوت هستند. در میان آنها، Wuchang یک مرکز برای فرهنگ و آموزش است، و پوشش زمین مسکونی به طور گسترده ای توزیع شده است. Hankou یک مرکز تجاری و یک توزیع متمرکز پوشش زمین تجاری است. هانیانگ یک مرکز صنعتی است و پوشش زمین صنعتی در حاشیه شهری توزیع شده است. ووهان به عنوان یک باغ شهر معمولی با کوه ها و آب، خانه صدها تپه و نزدیک به 200 دریاچه در اندازه های مختلف است. ووهان با داشتن 25.8 درصد از مساحت آن، رتبه اول را در بین شهرهای بزرگ چین از نظر منابع آبی دارد [ 60 ] ( شکل 1).ب).
ووهان به‌عنوان بزرگ‌ترین مرکز حمل‌ونقل آبی، زمینی و هوایی در داخل چین، یک مرکز حمل‌ونقل مهم است که ده‌ها راه‌آهن، جاده و بزرگراه از داخل شهر می‌گذرد. شبکه های ترافیک جاده ای در ووهان به شدت تحت تأثیر یانگ تسه و هانجیانگ قرار گرفته اند و حالت شبکه های متمرکز چند هسته ای را نشان می دهند. با مرکز سیاسی، اقتصادی و تجاری به عنوان یک هسته، تراکم شبکه ترافیک جاده ها با فاصله مکانی کاهش می یابد. کلاس توپولوژیکی شبکه راه یک توزیع کاهشی لایه دایره است [ 58 ] ( شکل 1 ج).
از نظر جغرافیایی، ووهان بین عرض‌های جغرافیایی 29 درجه و 58 دقیقه و 31 درجه و 22 دقیقه و طول‌های جغرافیایی 113 درجه و 41 دقیقه و 115 درجه و 05 دقیقه شرقی واقع شده است. از نظر توپوگرافی، ووهان متعلق به کمربند انتقالی از ارتفاعات جنوب شرقی به کوهپایه ها در پیمونت جنوبی کوه دابی است. قسمت میانی پست و هموار و قسمت جنوبی و شمال تپه ماهور است. انواع لندفرم متعلق به دشت آبرفتی از رودخانه ها و دریاچه ها، با دریاچه ها و رودخانه های زیادی است [ 4 ، 15 ] ( شکل 1 د).

2.2. داده ها

داده های اصلی مورد استفاده در این مقاله داده های نقشه برداری، داده های نقشه شطرنجی و داده های آماری مرتبط هستند. اطلاعات ویژگی های فضایی منطقه مورد مطالعه، مانند نوع پوشش زمین، دسترسی جاده، شیب توپوگرافی، تراکم ساختمان و غیره، از نقشه برداری و شطرنجی با استفاده از نرم افزار ArcGIS 9.3 ESRI (ESRI Corp. Redlands, CA, USA) تفسیر شده است. ، 2013). داده‌های غیرمکانی همچنین پایه تحلیل الگوی فضایی هستند که با استفاده از Excel و VC++ از داده‌های آماری مرتبط، مانند سالنامه آماری ووهان، پردازش و محاسبه می‌شوند. برای کاهش پیچیدگی محاسباتی در ساخت نمودار Voronoi و تجزیه و تحلیل داده های مکانی در مقیاس بزرگ، Hankou را به عنوان منطقه مورد مطالعه انتخاب می کنیم. هانکو دارای 139.57 کیلومتر مربع مساحت است، با احتساب آب تقریباً 4٪.

3. روش شناسی

3.1. نمودارهای Voronoi برای مقایسه پسوند فاصله استفاده می شود

نمودارهای ورونوی و مثلث سازی دلونی از روش های نظری بسیار مهم در هندسه محاسباتی هستند. مطالعه نمودارهای ورونوی را می توان به کار اصلی ورونوی [ 49 ] ردیابی کرد. فضای d- بعدی را در نظر بگیرید که در آن تعدادی از نقاط داده شده (که گاهی به عنوان دانه، جاذبه یا مولد نامیده می شود) قرار دارد. به هر دانه، یک مجموعه Voronoi اختصاص می دهیم که شامل تمام نقاطی است که به دانه ای که به دانه اختصاص داده شده نزدیکتر از هر دانه دیگری است. سپس مجموعه تمام مجموعه های ورونوی یک نمودار ورونوی است [ 61]. نمودارهای ورونوی یک ساختار هندسی بسیار ساده با کاربردهای متعدد مانند زیست شناسی، بوم شناسی، اپیدمیولوژی، علم مواد، یادگیری ماشین، جغرافیا و زمین شناسی به دلیل شباهت مجاورت و سیستم نظری سیستماتیک است [62 ، 63 ، 64 ، 65 ] . نمودار ورونوی به دلیل ساختار هندسی آن یک روش درونیابی فضایی مهم است. در واقع، می توان از آن برای تعیین مقدار هر نقطه مجهول بر اساس مقدار نزدیکترین نقطه شناخته شده استفاده کرد [ 66 ، 67 ، 68 ]. مفهوم فاصله در نمودارهای ورونوی مرکزی است. در حالی که انواع مختلفی از فواصل وجود دارد، مانند فاصله چند وجهی، فاصله سنج و فاصله اقلیدسی [61 ، 69 ]، ما فاصله را با ادغام فاصله مجاورت جغرافیایی و فاصله تشابه ویژگی بهبود می دهیم.
در این مقاله، از کاراکتر نمودارهای ورونوی برای ساخت یک مدل نمودار ورونوی برای تحقیق الگوی فضایی بر اساس فاصله اقلیدسی تعمیم یافته (ادغام فاصله نزدیکی جغرافیایی و فاصله شباهت ویژگی) مجموعه داده های نقطه نمونه استفاده شده است. سپس بر اساس داده های نمونه، خوشه بندی فضایی کاربری اراضی شهری، تقسیم بندی همگن منطقه مورد مطالعه انجام می شود. نمودارهای گسترده و وزن دار ورونوی را می توان به صورت زیر توصیف کرد:
مجموعه نقطه مرکزی را به صورت تعریف می کنیم پ={پ1،پ2،پمن،⋯،پn}، جایی که پمنهر نقطه مرکزی معین است، (ایکسمن،yمن)است پمنموقعیت مکانی و آ(پمن)=(آمن1،آمن2،⋯،آمنn)بردار ویژگی خود را بیان می کند. در مدل معمولی نمودار ورونوی، فاصله مقایسه، فاصله هندسی در صفحه اقلیدسی است و تأثیر فاصله تشابه صفت در نظر گرفته نمی شود. در این مقاله فاصله مجاورت جغرافیایی با معادله زیر محاسبه می شود:

Dاسپآتی(پمن،پj)=wایکس(ایکسمن–ایکسj)2+wy(yمن–yj)2
در این صفحه، Dآتیتیr(پمن،پj)فاصله تشابه صفت بین نقاط است پمنو پjو با رابطه زیر محاسبه می شود:

Dآتیتیr(پمن،پj)=∑ک=1مترwک(آمنک–آjک)2
فاصله نزدیکی جغرافیایی و فاصله تشابه ویژگی برای تعریف فاصله اقلیدسی تعمیم یافته نمودارهای ورونوی به صورت زیر ادغام می شوند:

Dمنj=Dاسپآتی(پمن،پj)+Dآتیتیr(پمن،پj)

جایی که wایکس،wyضرایب وزن مختصات مکانی هستند ایکس،yو wکضریب وزنی ویژگی k در مجموعه ویژگی های ویژگی است.

در این مقاله، شاخص های ارزیابی با تجزیه و تحلیل مؤلفه های اصلی با استفاده از آمار SPSS 19 (IBM Corp. Armonk, NY, USA, 2010) [ 70 ] ایجاد می شود. شاخص های سیستم شاخص ارزیابی شامل نسبت مساحت مسکونی (U1)، تراکم ساختمان (U2)، تراکم جمعیت (U3)، منطقه سبز (U4)، دسترسی جاده (U5)، وضعیت شبکه لوله (U6)، مراقبت های بهداشتی (U7) است. ، دانشگاه ها و کالج ها (U8)، مدرک تکمیل استادیوم (U9)، شاخص نویز (U10)، قیمت زمین (U11) و نرخ بیکاری زمین (U12). در این مقاله، ما داده ها را به شاخص های نقطه، خط و چندضلعی با توجه به تأثیرات مربوطه بر مبنای الگوی فضایی نقشه شبکه منطقه مورد مطالعه نمایه می کنیم.

  • شاخص نقطه ای (شامل شاخص بهداشت و درمان، شاخص دانشگاه ها و کالج ها و شاخص استادیوم ها): این شاخص با استفاده از مدل خطی بر اساس مرکز شبکه محاسبه می شود. مبنای شعاع سرویس از داخل به خارج برای محاسبه مقدار مشخصه با توجه به مدل تضعیف خطی فاصله استفاده می‌شود:

    افمن=f0(1–rمن)rمن=Dمن/D00≤rمن≤1

    جایی که افمنعلامت عمل شاخص است، f0شاخص مقیاس جامع استانداردسازی عددی درگیر در تجزیه و تحلیل بافر سیستم اطلاعات جغرافیایی (GIS) است، D0حداکثر فاصله تحت تاثیر این شاخص است و Dمنفاصله هندسی بین این شاخص و نقطه فضایی دیگر است.

  • شاخص خط (شامل دسترسی جاده): این شاخص با استفاده از مدل نمایی در امتداد هدف خطی محاسبه می شود. مبنای شعاع سرویس از داخل به خارج برای محاسبه مقدار ویژگی با توجه به مدل نمایی فروپاشی فاصله استفاده می‌شود:

    افمن=f0(1–rمن)rمن=Dمن/D00≤rمن≤1
  • شاخص چند ضلعی (شامل شاخص نویز): این شاخص با محاسبه مستقیم علامت عمل به دست می آید.

    افمن=100×ایکسمن–ایکسمترمنnایکسمترآایکس–ایکسمترمنn

    جایی که افمنعلامت عمل شاخص است، ایکسمنمقدار ارزیابی شاخص شبکه است و ایکسمترمنnو ایکسمترآایکسبه ترتیب حداقل و حداکثر مقادیر این شاخص هستند.

وزن‌های شاخص اهمیت هر شاخص را در سیستم شاخص نشان می‌دهند و اغلب با روش دلفی یا فرآیند تحلیل سلسله مراتبی (AHP) تعیین می‌شوند [ 71 ، 72 ، 73 ]. در این مقاله از AHP برای بدست آوردن وزن هر شاخص استفاده می کنیم ( جدول 1 ).

3.2. شاخص تجمع و جداسازی فضایی نمودارهای ورونوی

شاخص تجمع (AI) تصادفی بودن یا درجه تجمع مناظر را توصیف می کند و توسط اونیل در سال 1988 تحت نام ‘شاخص سرایت’ (CI) [ 74 ] پیشنهاد شد. شاخص تجمع، پیکربندی فضایی اجزای چشم انداز را منعکس می کند [ 75 ، 76 ]. در نتیجه، نوع کاربری زمین رابطه مجاور محله چند ضلعی Voronoi با محاسبه شاخص تجمع همسایگی چند ضلعی Voronoi تجزیه و تحلیل می‌شود. سپس، تراکم فضایی کلی و درجه پراکندگی کاربری زمین مورد بررسی قرار می گیرد.

  • شاخص تجمع خود همسایگی چند ضلعی Voronoi با معادله زیر محاسبه می شود:

    αمنک=(βمنک·ایکسمنک)/nمنمنϵنک

    جایی که ایکسمنکیک چند ضلعی Voronoi است. βمنکتعداد چند ضلعی هایی است که نوع کاربری آنها k در همسایگی چند ضلعی Voronoi است. nمنشماره چند ضلعی همسایگی مستقیم چند ضلعی است ایکسمنککه با ثبت توپولوژی راس Voronoi به دست می آید. و نکتعداد چند ضلعی های Voronoi است که نوع کاربری آنها k است .

  • شاخص تجمع منطقه ای چند ضلعی Voronoi به صورت زیر محاسبه می شود:

    δک=(∑من=1نکαمنک·ایکسمنک)/نک

    جایی که δکمجموع است αمنکو αمنکشاخص تجمع خود همسایگی چند ضلعی Voronoi است که با استفاده از رابطه (7) به دست آمده است. δکبرای استاندارد کردن درمان استفاده می شود: به عنوان δک→0، توزیع فضایی کاربری زمین پراکنده تر می شود، در حالی که به عنوان δک→1، توزیع فضایی کاربری زمین تمایل به ادغام دارد.

3.3. فلوچارت های تحقیقات فنی

فلوچارت تحقیقات فنی و فرآیندهای فنی اصلی در شکل 2 ارائه شده است .

  • مرحله 1: نقشه مطالعه با استفاده از نرم افزار ArcGIS 9.3 ESRI به شبکه های 100 متر × 100 متر تقسیم می شود.
  • مرحله 2: یک نمودار Voronoi بر اساس مجموعه داده نقطه مرکزی نقاط نمونه ساخته می شود. سپس، تحلیل همپوشانی فضایی بین نمودار ورونوی و نقشه کاربری فعلی زمین برای به دست آوردن منطقه نوع کاربری زمین برای هر چندضلعی ورونوی انجام می شود. پارامترهای شخصیت فضایی و ویژگی در جدول داده های فضایی و ویژگی ذخیره می شوند ( جدول 2 ). در جدول 2 مختصات نقطه مرکزی چند ضلعی Voronoi است و ID مثلث شماره سریال مثلث Delaunay چند ضلعی Voronoi است. مجموعه داده‌های رأس و لبه، راس و یال هر چندضلعی Voronoi را نشان می‌دهند. نوع کاربری اراضی وضعیت هر نوع کاربری را منعکس می کند، مانند 0، 1 و 2. داده های شاخص تجمع و سطح خوشه بندی در مرحله 3 به دست آمده است.
  • مرحله 3: این مدل برای محاسبه شاخص تجمع همسایگی برای هر چندضلعی Voronoi با استفاده از معادلات (7) و (8) استفاده می شود. برای به دست آوردن داده‌های درجه خوشه‌بندی، مدل با استفاده از نرم‌افزار SPSS، تحلیل خوشه‌ای را بر اساس روش کوتاه‌ترین فاصله انجام می‌دهد. در نهایت، مدل نقشه نمودار ورونوی آزمایشی را بر اساس اصل “ادغام مقوله های مشابه و ادغام ناهمگن” تولید می کند.

3.4. فرآیند ساخت نمودارهای ورونوی

در این مقاله از مجموعه داده های نمونه به عنوان نقطه مرکزی نمودارهای ورونوی استفاده شده است. این مدل جدید، چند ضلعی های Voronoi را با روش مثلث بندی Delaunay بر اساس الگوریتم رشد شبکه [ 77 ، 78 ] می سازد. الگوریتم اصلی با زبان برنامه نویسی C# بر اساس پلتفرم ArcGIS Engine و Visual Studio 2010 ساخته شده است. فرآیند آزمایشی در شکل 2 ب نشان داده شده است. مدل جدید انواع داده های زیر را برای توسعه برنامه آزمایشی تعریف کرد: TPointSetArry به عنوان آرایه مجموعه نقطه مرکزی، TPointsetList به عنوان لیست مجموعه نقطه، TriSetList به عنوان لیست مجموعه لبه، nTriCount به عنوان تعداد مثلث های Delaunay و TPointSetListD به عنوان مجموعه نقاط مثلثی Delaunay. فهرست

3.4.1. محاسبه نقاط و لبه های مرکز اولیه

  • مرحله 1: اگرچه هر نقطه می تواند به عنوان نقطه اولیه P1 استفاده شود، برای بهبود کارایی برنامه، نقطه ای نزدیک به مرکز منطقه مطالعه به عنوان نقطه اولیه شبکه انتخاب شد. تعداد نقاط مرکزی اولیه و یال ها به ترتیب در TPointSetArry و TPointSetList ذخیره می شوند.
  • مرحله 2: فاصله مقایسه مدل با رابطه (3) تعریف می شود.
  • مرحله 3: مقدار اولیه از Dمترمنnبه عنوان مقدار بزرگتر تعریف می شود. در این مقاله، طول مورب گرافیک در کل منطقه مورد مطالعه به عنوان مقدار اولیه تعریف شده است Dمترمنn.
  • مرحله 4: فاصله بین دو نقطه با استفاده از رابطه (9) در صورتی که سلول شبکه نقطه اولیه حاوی نقاط دیگری نیز باشد محاسبه می شود. سپس این فاصله با Dمترمنnبرای شناسایی نزدیکترین نقطه به نقطه اولیه پ1. انتخاب یک مقدار کوچک آن را مجدداً به آن اختصاص می دهد Dمترمنn.
  • مرحله 5: سلول های شبکه مجاور تا کوتاه ترین سمت جستجو می شوند Dمترمنnپیدا می شود و الگوی جستجو از چپ به راست و از بالا به پایین حرکت می کند. سپس، کوتاه ترین ضلع به عنوان لبه اولیه Delaunay در نظر گرفته می شود. تعداد یال های اولیه Delaunay در TriSetList ذخیره می شود.

3.4.2. ساخت مثلث دلونی

  • مرحله 1: گرفتن پمنپjبه عنوان لبه پردازش فعلی، محاسبه تقاطع با خط پایین سلول های شبکه انجام می شود تا مقدار من1. ستون شبکه تقاطع مقدار را می دهد j1. به طور مشابه، محاسبه تقاطع با خط پایین سمت راست سلول های شبکه انجام می شود تا مقدار j2. ستون شبکه تقاطع مقدار را ارائه می دهد من2. در نهایت سلول ها (من1،j1)و (من2،j2)در شبکه سمت راست به دست می آیند.
  • مرحله 2: مثلث واحد از سه راس تشکیل می شود: (من1،j1)، (من1،j2)و (من2،j2). سپس دایره مثلثی ساخته می شود.
  • مرحله 3: مرحله 1 را در ناحیه پوشیده شده توسط دایره دور تکرار کنید. نقطه ای که بیشترین زاویه را با لبه فعلی ایجاد می کند پمنپjبه عنوان راس انتخاب شده است. سپس، مثلث در دایره ای که توسط نقاط تشکیل شده است، با تکرار مراحل قبلی ساخته می شود تا زمانی که تمام واحدهای شبکه ای که توسط دایره دایره پوشانده شده است جستجو شوند و راس دیگری در دسترس نباشد. مثلث حاصل یک مثلث دلونی است.
  • مرحله 4: نقطه مرکزی و مثلث دلونی شماره گذاری می شوند. اعداد سه نقطه مرکزی (راس) که مثلث دلونی را تشکیل می دهند ثبت می شوند. این داده ها در TPointSetListD ذخیره می شوند و مقدار عددی nTriCount 1 افزایش می یابد.

3.4.3. ساختن نقشه نمودار همگن ورونوی

  • مرحله 1: همانطور که قبلاً گزارش شد [ 79 ، 80 ]، تمام اعداد مثلث دلونی در مجاورت هر نقطه مرکزی ثبت و در جهت خلاف جهت عقربه های ساعت مرتب می شوند.
  • مرحله 2: یک مرز بدنه محدب با مرز محیطی، هر نقطه مرکزی مثلث های مجاور را در دایره دایره به هم متصل می کند. کل منطقه داده های تجربی با استفاده از مدل جدید جستجو شده و سپس نقشه نمودار همگن ورونوی منطقه مورد مطالعه تهیه می شود.

3.5. خوشه بندی فضایی و روش تحلیل خودهمبستگی

نویسندگان یک تحلیل خوشه‌بندی از شاخص تجمع همسایگی چند ضلعی Voronoi منطقه مورد مطالعه را با استفاده از نرم‌افزار SPSS انجام می‌دهند [ 70 ، 81 ]. تحلیل خوشه‌بندی از روش کوتاه‌ترین فاصله و ضریب همبستگی به عنوان علامت خوشه استفاده می‌کند. جهش ضریب همبستگی علامت انتهایی خوشه است و آستانه فاصله مطلق به عنوان 0.09 تعریف می شود.
خودهمبستگی فضایی (همچنین به عنوان وابستگی فضایی، تعامل فضایی یا تعامل محلی نیز شناخته می‌شود) می‌تواند به‌طور ضعیف به عنوان اندازه‌گیری شباهت (یا عدم تشابه) بین دو مقدار از یک ویژگی که از نظر مکانی نزدیک هستند تعریف شود [54 ] . خودهمبستگی فضایی را می توان با شاخص های مختلفی اندازه گیری کرد که احتمالاً شناخته شده ترین آن ها آمار موران I است. آمارهایی مانند Moran’s I برای تجزیه و تحلیل مجموعه داده ها در یک منطقه نسبتا همگن مفید هستند. ممکن است محاسبه ارزش Moran’s I برای داده ها در سراسر منطقه ای که می تواند چندین رژیم فضایی داشته باشد چندان آموزنده نباشد [ 55 ، 82 ]. یک راه حل توسعه مجموعه ای از شاخص های محلی انجمن فضایی (LISA) است، مانند موران I محلی [ 55 ،82 ]. بنابراین، داده‌های Moran’s I محلی را در منطقه مورد مطالعه با استفاده از تابع تحلیل خودهمبستگی فضایی (موران تک متغیره) نرم‌افزار GeoDA محاسبه می‌کنیم [ 83 ، 84 ]. شکل تعمیم یافته برای I محلی موران را می توان به صورت زیر تعریف کرد [ 55 ]:

منمن(د)=زمن∑j≠منnدبلیومنjزj

جایی که مشاهدات زمنو زjبه شکل استاندارد شده (با میانگین صفر و واریانس یک) هستند. وزن فضایی دبلیومنjبه شکل استاندارد ردیفی است. از این رو، منمنمحصولی است از زمنو میانگین مشاهدات در مکان های اطراف.

نمودار پراکندگی موران به صورت بصری تبدیل فضایی یک متغیر (محور y) را روی متغیر استاندارد شده اصلی (محور x) نشان می‌دهد. شیب نمودار پراکندگی با مقدار موران I مطابقت دارد. با توجه به نمودار پراکندگی موران، می توانیم میزان ارتباط خطی بین مقادیر در یک مکان معین (محور x) را با مقادیر همان متغیر در همسایه پیدا کنیم. مکان ها (محور y) [ 82 ، 85 ].

4. نتایج و بحث

4.1. نتایج خوشه بندی الگوی فضایی

نتایج تجزیه و تحلیل خوشه بندی و هیستوگرام فرکانس به ترتیب در جدول 3 و شکل 3 نشان داده شده است . در شکل 3 ، مختصات افقی مقدار هر شاخص تجمیع زمین و مختصات عمودی نسبت هر فرکانس کاربری زمین به فاصله گروه است.
ما چند ضلعی های Voronoi را با توجه به سطح خوشه ادغام می کنیم، چند ضلعی های کوچکتر را بر اساس اصل طولانی ترین مرز مشترک ادغام می کنیم و سپس الگوی تراکم فضایی نقشه همگن Voronoi از منطقه مورد مطالعه را به دست می آوریم ( شکل 4 a).
نتایج خوشه‌بندی استفاده از زمین مسکونی: طبقه‌بندی متمرکز خوشه‌بندی منطقه کاربری اراضی (سطح اول) 12.52 درصد از کل مساحت را به خود اختصاص می‌دهد و عمدتاً در امتداد جاده جیفانگ، جاده هانگ کونگ، جاده بائوفنگ و جاده هوانگ‌پو قرار دارد، جایی که تأسیسات شهرداری کامل و حمل‌ونقل است. راحت است منطقه کاربری اراضی طبقه بندی خوشه ای فرعی (سطح دوم) 20.63 درصد از کل مساحت را تشکیل می دهد و عمدتاً در امتداد جاده فژان یافت می شود، جایی که مناطق مسکونی جدید به هم پیوسته، تراکم ساختمان و نرخ حجم ساختمان بالاتر است. به طور کلی طبقه بندی خوشه بندی متمرکز منطقه کاربری زمین (سطح سوم) 35.94٪ از کل مساحت را به خود اختصاص می دهد، عمدتاً در شهرستان چانگ فنگ واقع شده است و عمدتاً از حاشیه های شهری تشکیل شده است که در آن چیدمان کامل نیست و محیط کلی است.
نتایج خوشه‌بندی استفاده تجاری از زمین: طبقه‌بندی متمرکز منطقه کاربری اراضی (سطح اول) 13.94٪ از کل مساحت را به خود اختصاص می‌دهد و عمدتاً در منطقه تجاری خیابانی در دو طرف خیابان Zhongshan واقع شده است، جایی که دارای منابع مالی فراوان و متراکم است. بیمه و ساختمان های اداری مرتفع، هتل های مجلل و جریان مسافر واقع شده است. منطقه کاربری اراضی طبقه بندی خوشه ای زیر متمرکز (سطح دوم) 27.92 درصد از کل مساحت را تشکیل می دهد و معمولاً در منطقه پیرامونی خیابان Zhongshan قرار دارد، میزبان ترافیک منطقه ای، تراکم ساختمانی بالا و حجم ساخت و ساز و تاسیسات تکمیل شده شهرداری است. جریان مسافر زیادی را جذب کند. به طور کلی طبقه بندی خوشه بندی متمرکز منطقه کاربری اراضی (سطح سوم) 36.49٪ از کل مساحت را تشکیل می دهد. در درجه اول در امتداد جاده Baofeng، جاده دریاچه شمالی، جاده ایستگاه و جاده Huangpu. در این مناطق امکانات کامل و چیدمان محیط کاربری مختلط می باشد. بیشترین پتانسیل این مناطق به دلیل توسعه سریع اقتصادی و بهبود زیرساخت ها برای استخراج معادن است. طبقه بندی خوشه بندی پراکنده منطقه کاربری زمین (سطح چهارم) 21.65٪ از کل مساحت را تشکیل می دهد و عمدتاً از ایستگاه راه آهن Hankou و تئاتر خیابان Huangpu شرقی تشکیل شده است. تراکم شبکه تجاری نسبتاً کم است و جریان مسافر قابل توجه نیست و عمدتاً مربوط به خدمات تجاری منطقه ای است. این مناطق دارای مزایای اضافی بهره برداری و کاربرد همه جانبه هستند. و چیدمان محیط کاربری ترکیبی است. بیشترین پتانسیل این مناطق به دلیل توسعه سریع اقتصادی و بهبود زیرساخت ها برای استخراج معادن است. طبقه بندی خوشه بندی پراکنده منطقه کاربری زمین (سطح چهارم) 21.65٪ از کل مساحت را تشکیل می دهد و عمدتاً از ایستگاه راه آهن Hankou و تئاتر خیابان Huangpu شرقی تشکیل شده است. تراکم شبکه تجاری نسبتاً کم است و جریان مسافر قابل توجه نیست و عمدتاً مربوط به خدمات تجاری منطقه ای است. این مناطق دارای مزایای اضافی بهره برداری و کاربرد همه جانبه هستند. و چیدمان محیط کاربری ترکیبی است. بیشترین پتانسیل این مناطق به دلیل توسعه سریع اقتصادی و بهبود زیرساخت ها برای استخراج معادن است. طبقه بندی خوشه بندی پراکنده منطقه کاربری زمین (سطح چهارم) 21.65٪ از کل مساحت را تشکیل می دهد و عمدتاً از ایستگاه راه آهن Hankou و تئاتر خیابان Huangpu شرقی تشکیل شده است. تراکم شبکه تجاری نسبتاً کم است و جریان مسافر قابل توجه نیست و عمدتاً مربوط به خدمات تجاری منطقه ای است. این مناطق دارای مزایای اضافی بهره برداری و کاربرد همه جانبه هستند. طبقه بندی خوشه بندی پراکنده منطقه کاربری زمین (سطح چهارم) 21.65٪ از کل مساحت را تشکیل می دهد و عمدتاً از ایستگاه راه آهن Hankou و تئاتر خیابان Huangpu شرقی تشکیل شده است. تراکم شبکه تجاری نسبتا کم است و جریان مسافر قابل توجه نیست، که عمدتاً مربوط به خدمات تجاری منطقه ای است. این مناطق دارای مزایای اضافی بهره برداری و کاربرد همه جانبه هستند. طبقه بندی خوشه بندی پراکنده منطقه کاربری زمین (سطح چهارم) 21.65٪ از کل مساحت را تشکیل می دهد و عمدتاً از ایستگاه راه آهن Hankou و تئاتر خیابان Huangpu شرقی تشکیل شده است. تراکم شبکه تجاری نسبتا کم است و جریان مسافر قابل توجه نیست، که عمدتاً مربوط به خدمات تجاری منطقه ای است. این مناطق دارای مزایای اضافی بهره برداری و کاربرد همه جانبه هستند.
نتایج خوشه‌بندی کاربری اراضی صنعتی: 61/81 درصد از کل مساحت کاربری اراضی صنعتی را طبقه‌بندی خوشه‌بندی متمرکز منطقه کاربری (سطح سوم) و طبقه‌بندی خوشه‌بندی پراکنده منطقه کاربری اراضی (سطح چهارم) تشکیل می‌دهند. زمین های صنعتی عمدتاً در منطقه پیرامونی شهر، مانند جاده چانفنگ، که منطقه توسعه اقتصادی و فناوری Qiaokou در آن قرار دارد، واقع شده است. علاوه بر این، عمدتاً در مناطق شمالی هانکو واقع شده است که شامل منطقه توسعه اقتصادی و فناوری Panlong و پارک صنعتی کلانشهر شمال هانکو است. متوسط ​​کارایی زمین های صنعتی پایین است زیرا دولت مناطق صنعتی را در شهرها محدود می کند تا محیط شهری و مزایای اقتصادی، اجتماعی و اکولوژیکی استفاده از زمین شهری را بهبود بخشد.
نتایج خودهمبستگی فضایی: نمودار پراکندگی موران در شکل 5 رابطه بین هر پچ خوشه بندی فضایی را نشان می دهد. که در آن مختصات افقی مقدار استاندارد درجه فشرده هر واحد و مختصات عمودی مقدار متوسط ​​ویژگی های واحدهای مجاور است. در طرح پراکندگی موران، شیب خط رگرسیون با I موران مطابقت دارد. چهار ربع سیستم مختصات مربوط به چهار نوع فضای محلی بین واحد منطقه ای و همسایگان آن است.
شیب خط رگرسیون در قطعه پراکندگی موران 0.0537 است که نشان دهنده همبستگی مثبت فضایی پوشش زمین مسکونی است ( شکل 5) .آ). نمودارهای پراکندگی موران عمدتاً در ربع اول، دوم و سوم توزیع شده‌اند و به خوشه‌بندی فضایی زیاد-بالا، کم-بالا و کم-کم تعلق دارند. برای نمودار پراکندگی موران، ربع اول سیستم مختصات نشان دهنده اتصال فضایی واحد ناحیه با ارزش مشاهده شده بالا است که توسط ناحیه با ارزش مشاهده شده بالا (بالا-بالا) احاطه شده است. ربع دوم سیستم مختصات نشان دهنده اتصال فضایی واحدهای منطقه با ارزش مشاهده شده کم است که توسط ناحیه با ارزش مشاهده شده بالا (کم- زیاد) احاطه شده است. و ربع سوم سیستم مختصات نشان دهنده اتصال فضایی واحد منطقه با ارزش مشاهده شده کم است که توسط ناحیه کم ارزش مشاهده شده (کم-کم) احاطه شده است [ 83]. واحدهای خوشه‌بندی بالا-بالا در ربع اول در مقایسه با واحدهای خوشه‌بندی کم-پایین و کم-زیاد در ربع دوم و سوم کمی هستند. بنابراین، مزیت تجمیع کاربری اراضی مسکونی در منطقه مورد مطالعه اثر تجمعی دارد، اما مزیت تجمع معنی‌دار نیست و تفاوت فضایی بین سطوح کلی استفاده از انباشته زیاد نیست. در شکل 4ب، مناطق خوشه‌بندی بالا از پوشش زمین مسکونی عمدتاً در جاده جیفانگ، جاده هانگ کونگ، جاده فاژان، جاده لائودونگ، جاده یونگ کینگ و جاده وانسونگ قرار دارند که در مجاورت مناطق تجاری، با امکانات عالی و ترافیک راحت قرار دارند. کلاس های خوشه بندی فضایی عمدتاً شامل سطح اول و دوم است. مناطق خوشه‌بندی کم-بالا به طور گسترده در منطقه مورد مطالعه توزیع شده‌اند که ویژگی‌های پراکندگی فضایی و کلاس خوشه‌بندی فضایی را در سطح سوم نشان می‌دهد. مناطق کم-کم خوشه‌بندی عمدتاً در حاشیه‌های شهری قرار دارند. کلاس خوشه بندی فضایی سطح چهارم است.
شیب خط رگرسیون در نمودار پراکندگی موران 0.1658 است، که نشان می دهد تجمع پوشش تجاری زمین همبستگی فضایی قابل توجهی را نشان می دهد ( شکل 5).ب). Moran’s I زمین تجاری به حداکثر رسیده است. حداکثر مقدار گرادیان مقدار درجه شدید نشان می‌دهد که تراکم فضایی زمین تجاری در مقایسه با سایر کاربری‌ها قابل توجه است و در معرض اثر تراکم فضایی است. نمودارهای پراکندگی موران عمدتاً در ربع اول و سوم توزیع شده‌اند و به خوشه‌بندی فضایی زیاد-بالا و کم-کم تعلق دارند. واحدهای خوشه بندی بالا-بالا در ربع اول در مقایسه با واحدهای خوشه بندی پایین-پایین در ربع سوم بزرگ هستند. بنابراین کاربری تجاری در منطقه مورد مطالعه دارای راندمان بهره برداری بالا و درجه بهره برداری فشرده بالایی است. در شکل 4ج، مناطق خوشه‌بندی بالا و بالا پوشش زمین تجاری عمدتاً در مناطق تجاری خیابانی در امتداد خیابان Zhongshan در دو طرف قرار دارند، با شبکه‌های تجاری بسیار متراکم و بازده کاربری بسیار بالا و درجه فشرده. کلاس های خوشه بندی فضایی عمدتاً شامل سطوح اول، دوم و سوم می باشد. مناطق خوشه‌بندی کم-کم عمدتاً در ایستگاه راه‌آهن Hankou با شبکه‌های تجاری کم تراکم واقع شده‌اند. کلاس خوشه بندی فضایی سطح چهارم است. تفاوت فضایی تراکم شبکه تجاری در سایر مناطق آشکار است و ویژگی های پراکندگی را نشان می دهد.
شیب خط رگرسیون در نمودار پراکندگی موران 0.1473 است که نشان دهنده این است که پوشش زمین صنعتی یک همبستگی مثبت فضایی را نشان می دهد ( شکل 5) .ج). نمودارهای پراکندگی موران عمدتاً در ربع اول و سوم توزیع شده‌اند که به خوشه‌بندی فضایی بالا-بالا و کم-پایین تعلق دارند. واحدهای خوشه بندی بالا-بالا در ربع اول در مقایسه با واحدهای خوشه بندی پایین-پایین در ربع سوم کمی هستند. بنابراین کاربری صنعتی در منطقه مورد مطالعه راندمان بهره برداری را افزایش داده است. Moran’s I زمین صنعتی با سایر انواع کاربری زمین مقایسه می شود. میزان تراکم فضایی بیشتر از زمین های مسکونی و کمتر از زمین های تجاری است. علاوه بر این، این ارزش پاسخگوی وضعیت واقعی زمین های صنعتی است که عمدتاً در چندین منطقه توسعه توزیع شده است. در شکل 4د، مناطق خوشه‌بندی بالا استفاده از زمین صنعتی عمدتاً در جاده Chanfeng، که منطقه توسعه اقتصادی و تکنولوژیکی Qiaokou است، واقع شده‌اند. کلاس های خوشه بندی فضایی عمدتاً شامل سطح اول و دوم است. مناطق خوشه‌بندی کم-کم عمدتاً در مناطق شمالی هانکو واقع شده‌اند که شامل منطقه توسعه اقتصادی و فناوری Panlong است. کلاس خوشه بندی فضایی سطح چهارم است.

4.2. بحث

یک منطقه شهری فقط یک تجمع منفرد از مردم در فضا نیست، بلکه شامل مجموعه‌های بزرگ و کوچک متعددی از خانواده‌ها، شرکت‌ها و زیرساخت‌ها است که در ساختارهای اجتماعی و اقتصادی خود ناهمواری‌های فضایی را نشان می‌دهند [86 ] . ساختار فضایی و پویایی زمانی نواحی شهری پیچیده و توسط نیروهای محرک مختلف مانند اقتصاد منطقه‌ای، جنبش‌های جمعیتی، محیط سیاست‌گذاری و فرآیندهای اجتماعی-فرهنگی کنترل می‌شود [87 ] .
بر اساس نظریه نئومارکسیستی، علم شهری مرسوم، پدیده های شهری را تا حدی با عوامل تکنولوژی و مهاجرت جمعیت تبیین می کند که به عنوان عوامل اصلی تغییرات ساختاری شهری در نظر گرفته می شوند [88 ] . با این حال، در یک تحلیل نئومارکسیستی، اینها علل زیربنایی نیستند، بلکه در عوض عوامل واسطه ای هستند که توسط چیزی اساسی تر، مانند الزامات اساسی و روابط اجتماعی تولید سرمایه داری تولید می شوند. نئومارکسیست ها ساختار شهری و کاربری/پوشش زمین را به عنوان نتیجه سرمایه داری در پی سود ارائه می کنند [ 88 , 89 , 90]. «از آنجایی که فرآیند انباشت سرمایه در یک محیط با ساختار فضایی آشکار می‌شود، شهرسازی را می‌توان موقتاً به‌عنوان شکل جغرافیایی خاص و الگوی فضایی روابط برگرفته از فرآیند انباشت سرمایه در نظر گرفت» [54 ، 90 ] .
از طریق قیمت های مختلف اجاره زمین، تئوری مالیات بر زمین توزیع فضایی کاربری زمین را تعیین می کند. بر اساس مدل منحنی مالیات زمین مناقصه، مالیات زمین کاربری تجاری، مسکونی و صنعتی با فاصله از مرکز شهر رابطه منفی دارد. در شرایط تعادل مالیات زمین و مسافت، زمین تجاری باید در نزدیکترین مکان از مرکز شهر و سپس زمین مسکونی و دورترین آن زمین صنعتی است. در یک الگوی فضایی، ساختار لایه دایره متحدالمرکز در اطراف مرکز شهر توزیع شده است [ 91 ]. در منطقه مورد مطالعه، قیمت مالیات زمین از مرکز شهر تا حاشیه در حال کاهش است. در شکل 4 ج و شکل 6الف، یک منطقه تجاری با تراکم بالا عمدتاً در منطقه مالیات زمین درجه یک واقع شده است که قدیمی ترین و بزرگترین منطقه تجاری در حال حاضر است. الگوهای مکان مسکونی با روابط متقابل فضایی قابل توجهی در بین نژاد، درآمد، کیفیت محله، دسترسی به ترافیک و فاصله از یک منطقه کاربردی (مانند مراکز خرید، مدارس، بیمارستان ها، پارک ها و غیره) مشخص می شوند [87 ] . مهم نیست که مقیاس منطقه عملکردی چقدر بزرگ باشد، محدوده انتشار فضایی محدود و نزدیک به منطقه عملکردی است تا به اولین انتخاب برای زمین مسکونی تبدیل شود. در شکل 4 ب و شکل 6الف، اکثر زمین های مسکونی در منطقه مالیات زمین درجه دو و سه، یک منطقه تجاری مجاور واقع شده است. کاربری صنعتی در حاشیه شهری قرار دارد، جایی که منابع زمین و نیروی کار غنی است و راحتی را برای سازماندهی صنعتی، چیدمان و بهینه سازی فراهم می کند. در مجموع، تأثیر نظریه مالیات زمین بر ساختار فضایی شهری منطقه مورد مطالعه بسیار آشکار است و ساختار فضایی شهری با ساختار لایه‌ای متحدالمرکز از مرکز شهری تا حاشیه شهری مشخص می‌شود. ساختار فضایی شهری از یک ساختار مرکزی واحد به یک ساختار غیرمتمرکز چند مرکزی منتقل خواهد شد.
سیاست های کنترل کلان دولت بر ساختار فضایی شهری تأثیر گذاشته است. در منطقه مورد مطالعه، «خروج صنعت از منطقه حلقه دوم و ورود به منطقه حلقه سوم» سیاست مدیریت شهری برای تعدیل ساختار صنعتی است. تشکیل منطقه توسعه اقتصادی و فناوری Qiaokou، که در حاشیه شهری قرار دارد، باعث تحریک ساخت تاسیسات اطراف شد. با بهبود تدریجی امکانات زندگی، امکانات تجاری و شبکه حمل و نقل، صنعت املاک و مستغلات اطراف آن تحریک شده است. مرکز جدید شهر در حال توسعه و رشد بوده است که در نهایت به مرکز فرعی شهر تبدیل خواهد شد.
اگرچه تصور می‌شود مالیات زمین به عنوان عامل اصلی شکل‌دهی به ساختار فضایی شهری در منطقه مورد مطالعه است، علل دیگری مانند رشد جمعیت، سرمایه‌گذاری اقتصادی و توسعه نیاز به بررسی دارد. در شکل 6ب، ساکنان دائمی به آرامی با رشد متوسط ​​سالانه زیر 1٪ افزایش می یابد. دلیل آن این است که منطقه مورد مطالعه یک منطقه شهری قدیمی بوده و تعداد ساکنان دائمی آن تمایل به اشباع دارد. با این حال، در چین، تفاوت ساختار اقتصادی شهری و روستایی باعث تفاوت درآمد بین مناطق شهری و روستایی می شود و تعداد زیادی از جمعیت شناور به شهرها مهاجرت می کنند، زیرا مناطق خوشه ای تجاری می توانند فرصت های شغلی قابل توجهی را برای آنها فراهم کنند. در پاسخ، جمعیت شناور باعث تراکم بیشتر در این منطقه می شود.
در عین حال، با افزایش درآمد، سطح مصرف و تقاضای ساکنان به تدریج بهبود می یابد، تقاضا در محیط زندگی، مقیاس و سطح امکانات تجاری همچنان بهبود می یابد. از دهه 1990، چین مجموعه‌ای از سیاست‌های اصلاح سیستم ارضی را اجرا کرده است، از جمله «روش حراج برای اجرای واگذاری حق استفاده از زمین» و «الغای سیستم مسکن رفاهی». همراه با تجاری سازی مسکن که در چین انجام شد، بیشتر و بیشتر ساکنان شهری شروع به فرار از “جامعه واحد” و خرید مسکن قابل فروش بر اساس توانایی ها و ترجیحات خود می کنند. صنعت املاک و مستغلات سهم برجسته ای در توسعه اقتصاد شهری داشته است. و سرمایه گذاری رو به رشد در توسعه املاک و مستغلات توسعه همزمان ساختار فضایی شهری را در همان زمان هدایت کرده است. به عنوان مثال، در سال 2009، سرمایه گذاری هانکو در توسعه املاک و مستغلات 23.05 میلیارد یوان با نرخ افزایش 59.44 درصد نسبت به سال 2008 بود، و درآمد سرانه سالانه یکبار مصرف ساکنان شهری 18663 RMB با نرخ افزایش 15.60 درصد نسبت به سال 2008 بود. در دوره مشابه، مساحت فروش مسکن تجاری 2.84 میلیون متر بود2 با نرخ افزایش 71.83 درصد نسبت به سال 2008. همبستگی بین تجمیع ساختار شهری و درآمد قابل تصرف ساکنان شهری/سرمایه گذاری در توسعه املاک و مستغلات مورد بررسی قرار گرفت و یک ارتباط بسیار قوی را نشان می دهد (شکل 6 ب ) .

5. نتیجه گیری و کار آینده

ووهان اکنون در مرحله شهرنشینی سریع است و مطالعات شهری برای درک بهتر مکانیسم رشد شهری، برای حمایت از برنامه ریزی کاربری زمین برای استفاده و حفاظت از زمین شهری پایدار مورد نیاز است. الگوی فضایی کاربری اراضی شهری تحت تأثیر مجموعه ای از عوامل از جمله عوامل فضایی (روابط فضایی) و عوامل غیرمکانی (روابط صفاتی) مانند عوامل سیاسی و اقتصادی است. این تحقیق بر چگونگی استفاده از تئوری و فناوری مدرن برای توصیف معقول این عوامل، به دست آوردن نتایجی که واقعیت را منعکس می کند و اجتناب از جداسازی نظریه از عمل، تمرکز دارد.
در این مقاله، تحلیل تراکم فضایی کاربری اراضی شهری بر اساس مجاورت فضایی و ویژگی‌های ویژگی مشابه انجام شده است. برای این منظور، ویژگی‌های فضایی و ویژگی‌ها در فاصله اقلیدسی تعمیم‌یافته ادغام می‌شوند تا نمودار سنتی Voronoi را گسترش دهند. این مدل جدید یک نقشه همگن Voronoi را بر اساس مجموعه داده‌های نقطه‌ای نمونه و فاصله مقایسه اقلیدسی تعمیم یافته ویژگی فضایی ایجاد می‌کند. شاخص های تجمع همسایگی فضایی چند ضلعی های Voronoi در منطقه مورد مطالعه بر اساس تئوری بوم شناسی منظر محاسبه شده است. این مدل نقشه همگن Voronoi فضایی را بر اساس درجه خوشه‌بندی فضایی شاخص‌های خوشه‌بندی محله با استفاده از نرم‌افزار SPSS ایجاد کرد. علاوه بر این،
اگرچه رشد جمعیت ناشی از مهاجرت روستا به شهر عموماً دلیل اصلی تغییرات ساختار فضایی شهری است [ 7 ]، طبق نظریه نئومارکسیستی، ما به طور خلاصه نیروهای محرک برای شکل‌دهی به ساختار فضایی شهری و تحلیل را تحلیل می‌کنیم. نشان می دهد که قیمت متفاوت اجاره زمین، سیاست های کنترل کلان دولت و سرمایه گذاری در توسعه املاک و مستغلات از عوامل اصلی تغییر سریع ساختار فضایی شهری در منطقه مورد مطالعه است. انتظار می رود مطالعه حاضر پیامدهای قابل توجهی در شهرهای در حال توسعه سریع این کشور در حال توسعه داشته باشد.
این تحقیق تنها یک نمونه از استفاده از نمودارهای توسعه یافته ورونوی برای مطالعه الگوی فضایی شهری است و به این ترتیب، این یک نمونه اولیه است. هنوز پتانسیل زیادی برای توسعه بیشتر این تحقیق وجود دارد. تحقیقات آینده بر استفاده از نظریه خودسازمان دهی شبکه های عصبی برای خوشه بندی طبقه بندی اطلاعات ویژگی ها، با استفاده از مدل گرانشی برای بهبود بیان کمی فضای فیزیکی و همبستگی ویژگی ها تمرکز خواهد کرد [ 92]. روش درخت چهار چنگال برای مطالعه ساختار داده‌های مکانی استفاده خواهد شد و کارایی درج داده‌های مکانی و پرس‌وجوها برای بهبود ساختار سطح مثلثی در نمودارهای Voronoi مورد ارزیابی قرار خواهد گرفت. علاوه بر این، نقشه های خود سازمان دهی (SOM) ممکن است نقش عمیق و مهمی در ادغام تصمیم گیرندگان بر اساس تجزیه و تحلیل داده های فضایی چند بعدی داشته باشند [ 92 ، 93 ]. پیچیدگی حرکات انسانی، استفاده از فضای شهری و آرایش منابع را بازتعریف کرده است. تغییرات در سبک زندگی ساکنان شهری تأثیرات برجسته و مشهودی بر معیارهای فضایی شهری دارد [ 92]]. بیشتر این تغییرات ناشی از تأثیر انسان بر محیط زیست و بهره برداری بی رویه از منابع بوده است. از این نظر، رویکرد پژوهشی الگوبرداری فضایی شهری باید «هوشمندانه» باشد و بینش‌های مهمی در مورد پدیده‌های شهری ایجاد شده توسط جنبش‌های انسانی (اجتماعی، طبیعی و اقتصادی) ارائه دهد [ 9 ].

منابع

  1. دوان، AM; گوشه، RJ تجزیه و تحلیل فضایی-زمانی رشد شهری، پراکندگی و ساختار. در کلان شهر داکا: دیدگاه های جغرافیایی در شهرسازی، محیط زیست و سلامت ؛ Dewan, A., Corner, R., Eds. Springer: Dordrecht، هلند، 2014; صص 99-121. [ Google Scholar ]
  2. Tewolde، MG; Cabral، P. تجزیه و تحلیل و مدل سازی گسترش شهری در آسمارا، اریتره. Remote Sens. 2011 , 3 , 2148–2165. [ Google Scholar ] [ CrossRef ]
  3. رحمان، م. تشخیص تغییرات کاربری/پوشش زمین و گسترش شهری در الخبر، عربستان سعودی: تجزیه و تحلیل داده های سنجش از دور چند زمانی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 15. [ Google Scholar ] [ CrossRef ]
  4. وانگ، ایکس. نینگ، ال. یو، جی. شیائو، آر. لی، تی. تغییرات الگوی منظر تالاب شهری و تأثیرات شهرنشینی بر تالاب در شهر ووهان. چانه. Geogr. علمی 2008 ، 18 ، 47-53. [ Google Scholar ] [ CrossRef ]
  5. دوان، AM; یاماگوچی، ی. تغییر کاربری زمین و پوشش زمین در داکای بزرگ، بنگلادش: استفاده از سنجش از دور برای ترویج شهرنشینی پایدار. Appl. Geogr. 2009 ، 29 ، 390-401. [ Google Scholar ] [ CrossRef ]
  6. دوان، AM; یاماگوچی، ی. استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی برای شناسایی و نظارت بر استفاده از زمین و تغییر پوشش زمین در کلانشهر داکای بنگلادش در طول 1960-2005. محیط زیست نظارت کنید. ارزیابی کنید. 2008 ، 150 ، 237-249. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. دوان، AM; یاماگوچی، ی. ضیاور رحمان، ام. دینامیک تغییرات کاربری/پوشش زمین و تجزیه و تحلیل تکه تکه شدن چشم انداز در کلانشهر داکا، بنگلادش. GeoJ 2012 ، 77 ، 315-330. [ Google Scholar ] [ CrossRef ]
  8. ایروین، EG جهت‌های جدید برای مدل‌های اقتصادی شهری تغییر کاربری زمین: ترکیب پویایی و ناهمگونی فضایی. J. Reg. علمی 2010 ، 50 ، 65-91. [ Google Scholar ] [ CrossRef ]
  9. واز، ای. آینده مناظر و زیستگاه ها: سهم علم منطقه ای در درک فضای جغرافیایی. Habitat Int. 2016 ، 51 ، 70-78. [ Google Scholar ] [ CrossRef ]
  10. Nijkamp، P. کورتیت، ک. “اروپا شهری جدید”: چالش های جهانی و پاسخ های محلی در قرن شهری. یورو طرح. گل میخ. 2013 ، 21 ، 291-315. [ Google Scholar ] [ CrossRef ]
  11. بیومکش، تی. ناکاگوشی، ن. دوان، شهرسازی AM و پویایی فضای سبز در داکای بزرگ، بنگلادش. Landsc. Ecol. مهندس 2012 ، 8 ، 45-58. [ Google Scholar ] [ CrossRef ]
  12. گوردون، ا. سیموندسون، دی. سفید، م. مویلانن، ا. Bekessy، SA ادغام برنامه ریزی حفاظت و برنامه ریزی کاربری زمین در مناظر شهری. Landsc. طرح شهری. 2009 ، 91 ، 183-194. [ Google Scholar ] [ CrossRef ]
  13. ساکیه، ی. سلمان مهینی، ع. جعفرنژاد، ج. مهری، ع. کامیاب، ح. گالدوی، س. ارزیابی استراتژی برنامه ریزی غیرمتمرکز کاربری اراضی شهری در یک منطقه در حال توسعه. سیاست کاربری زمین 2015 ، 48 ، 534-551. [ Google Scholar ] [ CrossRef ]
  14. رودریگ، جی پی جغرافیای سیستم های حمل و نقل ، ویرایش سوم. Routledge، Taylor & Francis Group: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  15. زنگ، سی. لیو، ی. استین، ا. جیائو، ال. خصوصیات و مدل‌سازی فضایی پراکندگی شهری در منطقه شهری ووهان، چین. بین المللی J. Appl. رصد زمین. Geoinf. 2015 ، 34 ، 10-24. [ Google Scholar ] [ CrossRef ]
  16. شیائو، جی. شن، ی. جی، جی. تطیشی، ر. تانگ، سی. لیانگ، ی. Huang، Z. ارزیابی گسترش شهری و تغییر کاربری زمین در شیجیاژوانگ، چین، با استفاده از سیستم اطلاعات جغرافیایی و سنجش از دور. Landsc. طرح شهری. 2006 ، 75 ، 69-80. [ Google Scholar ] [ CrossRef ]
  17. ممکن است.؛ Xu، R. نظارت سنجش از دور و تجزیه و تحلیل نیروی محرکه گسترش شهری در شهر گوانگژو، چین. Habitat Int. 2010 ، 34 ، 228-235. [ Google Scholar ] [ CrossRef ]
  18. Hsu، W.-T. نظریه مکان مرکزی و توزیع اندازه شهر*. اقتصاد J. 2012 ، 122 ، 903-932. [ Google Scholar ] [ CrossRef ]
  19. عبدالرحمن، HM; وانگ، P. به سوی یک نظریه تعادل عمومی از یک سیستم هسته- پیرامونی شهرها. Reg. علمی اقتصاد شهری 1995 ، 25 ، 529-546. [ Google Scholar ] [ CrossRef ]
  20. Kuby, M. مدل تخصیص مکان از نظریه مکان مرکزی لوش: آزمایش بر روی یک شبکه شبکه یکنواخت. Geogr. مقعدی 1989 ، 21 ، 316-337. [ Google Scholar ] [ CrossRef ]
  21. توماس، MD نظریه قطب رشد، تغییرات تکنولوژیکی و رشد اقتصادی منطقه ای. پاپ Reg. علمی 1975 ، 34 ، 3-25. [ Google Scholar ] [ CrossRef ]
  22. منصوری، ی. گولیاس، L. ظهور قانون zipf در سیستمی از شهرها: یک رویکرد شبیه‌سازی مبتنی بر عامل. جی. اکون. دین کنترل 2007 ، 31 ، 2438-2460. [ Google Scholar ] [ CrossRef ]
  23. بینز، تی. هکبرت، اس. شبیه‌سازی در مقیاس خرد شکل کلان شهری: فرصت‌هایی برای کاوش در تغییر و سازگاری شهری. در شبیه سازی چند عاملی مبتنی بر X، مجموعه مقالات کارگاه بین المللی MABS 2009، بوداپست، مجارستان، 11-12 می 2009. ص 14-24.
  24. چن، ی. ژو، ی. قوانین مقیاس بندی و نشانه های انتقادی خود سازمان یافته در سیستم های شهری. فراکتال های سالیتون آشوب 2008 ، 35 ، 85-98. [ Google Scholar ] [ CrossRef ]
  25. Batty، M. سیستم های فضایی پیچیده: مبانی مدل سازی تحلیل شهری و منطقه ای. مطالعه شهری. 2001 ، 38 ، 1402-1404. [ Google Scholar ]
  26. آمسون، نظریه فاجعه JC: سهمی در مطالعه سیستم های شهری؟ محیط زیست طرح. B طرح. دس 1975 ، 2 ، 177-221. [ Google Scholar ] [ CrossRef ]
  27. Batty، M. شهرها و فراکتال ها: شبیه سازی رشد و شکل. در فراکتال ها و آشوب ; Springer-Verlag New York, Inc.: New York, NY, USA, 1991; صص 43-69. [ Google Scholar ]
  28. وانگ، DWS؛ فاثرینگهام، سیستم های شهری AS به عنوان نمونه هایی از هرج و مرج محدود: بررسی رابطه بین بعد فراکتال، اندازه رتبه و مهاجرت از روستا به شهر. Geogr. ان 1990 ، 72 ، 89-99. [ Google Scholar ] [ CrossRef ]
  29. پرتغالی، ج. خود سازماندهی و شهر. در دایره المعارف پیچیدگی و علوم سیستمی ; Meyers، AR، Ed. Springer New York: New York, NY, USA, 2009; صفحات 7953-7991. [ Google Scholar ]
  30. بله، پیش از این؛ Li، X. اندازه‌گیری و نظارت بر پراکندگی شهری در یک منطقه به سرعت در حال رشد با استفاده از آنتروپی. فتوگرام مهندس Remote Sens. 2001 , 67 , 83-90. [ Google Scholar ]
  31. آگیلرا، اف. Valenzuela، LM; Botequilha-Leitão، A. معیارهای منظر در تجزیه و تحلیل الگوهای کاربری زمین شهری: مطالعه موردی در یک منطقه شهری اسپانیا. Landsc. طرح شهری. 2011 ، 99 ، 226-238. [ Google Scholar ] [ CrossRef ]
  32. سیاه، دی. هندرسون، وی. نظریه رشد شهری. ج. اقتصاد سیاسی. 1999 ، 107 ، 252-284. [ Google Scholar ] [ CrossRef ]
  33. ایتون، جی. Eckstein, Z. شهرها و رشد: نظریه و شواهد از فرانسه و ژاپن. Reg. علمی اقتصاد شهری 1997 ، 27 ، 443-474. [ Google Scholar ] [ CrossRef ]
  34. Sklar، FH; Costanza، R. توسعه مدل های فضایی پویا برای بوم شناسی چشم انداز: یک بررسی و پیش آگهی. Ecol. گل میخ. مقعدی مصنوعی. 1991 ، 82 ، 239-288. [ Google Scholar ]
  35. پارکر، دی سی؛ منسون، اس ام. Janssen، MA; هافمن، ام جی; Deadman، P. سیستم های چند عاملی برای شبیه سازی تغییر کاربری و پوشش زمین: بررسی. ان دانشیار صبح. Geogr. 2003 ، 93 ، 314-337. [ Google Scholar ] [ CrossRef ]
  36. آرایا، YH; Cabral، P. تجزیه و تحلیل و مدل سازی تغییر پوشش زمین شهری در Setúbal و Sesimbra، پرتغال. Remote Sens. 2010 . [ Google Scholar ] [ CrossRef ]
  37. هرولد، ام. گلدشتاین، NC; کلارک، کی سی شکل فضایی و زمانی رشد شهری: اندازه‌گیری، تحلیل و مدل‌سازی. سنسور از راه دور محیط. 2003 ، 86 ، 286-302. [ Google Scholar ] [ CrossRef ]
  38. کراملی، GR; مدل‌های تخصیص کاربری اراضی کوپلینگ Hanink، MD با سیستم شطرنجی. جی. جئوگر. سیستم 1999 ، 1 ، 137-153. [ Google Scholar ] [ CrossRef ]
  39. چن، ی. لی، ایکس. لیو، ایکس. آی، بی. لی، اس. گرفتن اثرات متغیر نیروهای محرک در طول زمان برای شبیه سازی رشد شهری با استفاده از تجزیه و تحلیل بقا و اتوماتای ​​سلولی. Landsc. طرح شهری. 2016 ، 152 ، 59-71. [ Google Scholar ] [ CrossRef ]
  40. نورقلی پور، ر. شریف، ARBM; احمد، NB; بالاسوندرام، SK; سود، AM; بویونگ، تی. امیری، ف. مدلسازی چند هدفه برای تحلیل تغییر کاربری اراضی در جنوب غربی سلنگور، مالزی. محیط زیست علوم زمین 2015 ، 74 ، 4133-4143. [ Google Scholar ] [ CrossRef ]
  41. آلمیدا، سی ام. گلریانی، ج.م. کاستیون، EF; Soares، BS با استفاده از شبکه‌های عصبی و اتوماتای ​​سلولی برای مدل‌سازی دینامیک کاربری زمین درون شهری. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 943-963. [ Google Scholar ] [ CrossRef ]
  42. وانگ، اف. Marceau, DJ یک خودکار سلولی مبتنی بر پچ برای شبیه‌سازی تغییرات کاربری زمین در وضوح فضایی خوب. ترانس. GIS 2013 ، 17 ، 828-846. [ Google Scholar ] [ CrossRef ]
  43. باریرا-گونزالس، پی. گومز-دلگادو، م. Aguilera-Benavente، F. از مدل‌های اتوماتای ​​سلولی شطرنجی تا برداری: رویکردی جدید برای شبیه‌سازی رشد شهری با کمک نظریه گراف. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 119-131. [ Google Scholar ] [ CrossRef ]
  44. مورنو، ن. وانگ، اف. Marceau، DJ اجرای یک محله پویا در یک مدل اتوماتای ​​سلولی مبتنی بر بردار کاربری زمین. محاسبه کنید. محیط زیست سیستم شهری 2009 ، 33 ، 44-54. [ Google Scholar ] [ CrossRef ]
  45. پائز، آ. Scott، DM آمار فضایی برای تحلیل شهری: مروری بر تکنیک ها با مثال. GeoJ 2005 ، 61 ، 53-67. [ Google Scholar ] [ CrossRef ]
  46. شانس، م. وو، جی. تحلیل گرادیان الگوی منظر شهری: مطالعه موردی از منطقه شهری ققنوس، آریزونا، ایالات متحده. Landsc. Ecol. 2002 ، 17 ، 327-339. [ Google Scholar ]
  47. گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. در دیدگاه های تحلیل داده های مکانی ; Anselin, L., Rey, JS, Eds. Springer: برلین، آلمان، 2010; صص 127-145. [ Google Scholar ]
  48. لی، آی. پرهاوس، ر. Lee, K. Tessellation خوشه های جغرافیایی از طریق نمودارهای کامل ورونوی مرتبه-k. در نظریه اطلاعات فضایی، مجموعه مقالات هشتمین کنفرانس بین المللی، COSIT 2007، ملبورن، استرالیا، 19-23 سپتامبر 2007. صص 321-336.
  49. او، بی. زو، ایکس. بله، X. گوو، دبلیو. سو، ک. لی، جی. نمودارهای ورونوی شبکه وزنی برای تحلیل فضایی محلی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 52 ، 70-80. [ Google Scholar ] [ CrossRef ]
  50. یامادا، آی. تیل، جی.-سی. شاخص های محلی خوشه های محدود شبکه در الگوهای نقطه فضایی Geogr. مقعدی 2007 ، 39 ، 268-292. [ Google Scholar ] [ CrossRef ]
  51. پیسوریوس، آی. لافازنی، پ. اسپایرلیس، اس. کریستودولو، ع. Myridis, M. استفاده از آمار الگوی نقطه ای در تحلیل شهری. در مجموعه مقالات پل زدن علوم اطلاعات جغرافیایی: کنفرانس بین المللی Agile’2012، آوینیون، فرانسه، 24-27 آوریل 2012.
  52. اسپینی، جی. کنارگلو، پ. اسکات، دی. بررسی پویایی های فضایی با شاخص های قیمت زمین. مطالعه شهری. 2011 ، 48 ، 719-735. [ Google Scholar ] [ CrossRef ]
  53. Chica-Olmo, J. پیش‌بینی قیمت مکان مسکن با روش فضایی چند متغیره: کوکریجینگ. J. Real Estate Res. 2007 ، 29 ، 91-114. [ Google Scholar ]
  54. چی، جی. مدل های رگرسیون فضایی برای تجزیه و تحلیل جمعیت شناختی. مردمی Res. Policy Rev. 2008 , 27 , 17-42. [ Google Scholar ] [ CrossRef ]
  55. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  56. Anselin, L. Under the hood مسائل در مشخصات و تفسیر مدل های رگرسیون فضایی. کشاورزی اقتصاد 2002 ، 27 ، 247-267. [ Google Scholar ] [ CrossRef ]
  57. مصطفوی، محمدرضا; بنی، LH; مالت، KH زمین شبیه سازی دینامیک جغرافیایی بر اساس نمودار voronoi. در معاملات بر روی علوم محاسباتی IX: موضوع ویژه در نمودارهای ورونوی در علوم و مهندسی ; Gavrilova, ML, Tan, CJK, Anton, F., Eds. Springer: برلین، آلمان، 2010; ص 183-201. [ Google Scholar ]
  58. علی، ر. ژائو، اچ. ووهان، چین و پیتسبورگ، ایالات متحده: سلامت محیط زیست شهری گذشته، حال و آینده. EcoHealth 2008 ، 5 ، 159-166. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  59. لو، اس. گوان، ایکس. او، سی. ژانگ، جی. الگوهای فضایی-زمانی و پیامدهای سیاست گسترش زمین شهری در مناطق شهری: مطالعه موردی تراکم شهری ووهان، چین مرکزی. پایداری 2014 ، 6 ، 4723. [ Google Scholar ] [ CrossRef ]
  60. چنگ، جی. Masser، I. مدل‌سازی الگوی رشد شهری: مطالعه موردی شهر ووهان، چین. Landsc. طرح شهری. 2003 ، 62 ، 199-217. [ Google Scholar ] [ CrossRef ]
  61. بورکی، ام ال. بهادوری، جی. نمودارهای آیزلت، HA ورونوی و کاربرد آنها. در مبانی تحلیل مکان ; Eiselt, AH, Marianov, V., Eds. Springer US: Boston, MA, USA, 2011; ص 445-470. [ Google Scholar ]
  62. کائو، بی. لی، SD; لی، FK; Cheung، DW; هو، W.-S. خوشه بندی داده های نامشخص با استفاده از نمودارهای voronoi و شاخص درخت r. IEEE Trans. بدانید. مهندسی داده 2010 ، 22 ، 1219-1233. [ Google Scholar ]
  63. لاو، بی. اسپرانک، سی. Burgard, W. به روز رسانی بهبود یافته نقشه های فاصله اقلیدسی و نمودارهای Voronoi. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ 2010 در مورد ربات ها و سیستم های هوشمند (IROS)، تایپه، تایوان، 18 تا 22 اکتبر 2010.
  64. شریف زاده، م. شهابی، C. Vor-tree: درختان R با نمودارهای voronoi برای پردازش کارآمد پرس و جوهای فضایی نزدیکترین همسایه. Proc. VLDB Enddow. 2010 ، 3 ، 1231-1242. [ Google Scholar ] [ CrossRef ]
  65. چن، جی. ژائو، آر. تجزیه و تحلیل فضایی GIS مبتنی بر نمودار Qiao، C. Voronoi. Geomat. Inf. علمی دانشگاه ووهان 2003 ، 1 ، 32-37. [ Google Scholar ]
  66. آکدوگان، ا. Demiryurek، U. بنایی کاشانی، ف. شهابی، سی. پردازش پرس و جو مکانی مبتنی بر ورونوی با mapreduce. در مجموعه مقالات دومین کنفرانس بین المللی IEEE در سال 2010 در زمینه فناوری و علم رایانش ابری (CloudCom)، ایندیاناپولیس، IN، ایالات متحده آمریکا، 30 نوامبر 2010 تا 3 دسامبر 2010.
  67. سیگر، دی. آلیز، پی. Botsch, M. بهینه سازی نمودارهای voronoi برای محاسبات المان محدود چند ضلعی. در مجموعه مقالات نوزدهمین میزگرد مشبک بین المللی، چاتانوگا، TN، ایالات متحده آمریکا، 3 تا 6 اکتبر 2010. Springer: برلین، آلمان، 2010; صص 335-350. [ Google Scholar ]
  68. چن، جی. ژائو، آر. روابط همسایه k-order مبتنی بر Li، Z. Voronoi برای تحلیل فضایی. ISPRS J. Photogramm. Remote Sens. 2004 ، 59 ، 60-72. [ Google Scholar ] [ CrossRef ]
  69. نیکل، اس. پورتو، جی. نظریه مکان: رویکرد یکپارچه . Springer: برلین، آلمان، 2009. [ Google Scholar ]
  70. Pallant, J. Spss Survival Manual: راهنمای گام به گام برای تجزیه و تحلیل داده ها با استفاده از Spss برای ویندوز نسخه 15 . انتشارات دانشگاه آزاد: برکشایر، انگلستان، 2007; پ. 352. [ Google Scholar ]
  71. بیلر، MRO؛ Treat, C. یکپارچه سازی gis و ahp برای اولویت بندی زیرساخت های حمل و نقل با استفاده از معیارهای پایداری. J. زیرساخت. سیستم 2015 ، 21 ، 11. [ Google Scholar ] [ CrossRef ]
  72. آکینجی، اچ. اوزالپ، AY; تورگوت، ب. تحلیل تناسب کاربری اراضی کشاورزی با استفاده از تکنیک gis و ahp. محاسبه کنید. الکترون. کشاورزی 2013 ، 97 ، 71-82. [ Google Scholar ] [ CrossRef ]
  73. کی، تی. Uyan, M. ارزیابی معیارهای تخصیص مجدد در مطالعات یکپارچه سازی اراضی با استفاده از فرآیند تحلیل سلسله مراتبی (ahp). سیاست کاربری زمین 2013 ، 30 ، 541-548. [ Google Scholar ] [ CrossRef ]
  74. اونیل، RV; کرومل، جی آر. گاردنر، RH; سوگیهارا، جی. جکسون، بی. DeAngelis، DL; Milne، BT; ترنر، ام جی; زیگمونت، بی. کریستنسن، SW; و همکاران شاخص های الگوی چشم انداز. Landsc. Ecol. 1988 ، 1 ، 153-162. [ Google Scholar ] [ CrossRef ]
  75. آلبرتی، ام. اثرات الگوهای شهری بر عملکرد اکوسیستم. بین المللی Reg. علمی Rev. 2005 , 28 , 168-192. [ Google Scholar ] [ CrossRef ]
  76. سابو، اس. Csorba، P. Szilassi، P. ابزارهایی برای برنامه ریزی اکولوژیکی منظر – مقیاس، و حساسیت تجمع شاخص های متریک چشم انداز نوع سرایت. کارپات. J. محیط زمین. علمی 2012 ، 7 ، 127-136. [ Google Scholar ]
  77. Aurenhammer، F. کلاین، آر. لی، دی.-تی. Klein, R. Voronoi Diagrams and Delaunay Triangulations ; World Scientific: سنگاپور، 2013. [ Google Scholar ]
  78. چن، جی. لو، سی. کریشنان، م. پاولیک، م. تانگ، ی. الگوریتم برنامه‌ریزی مسیر مبتنی بر مثلث‌سازی پویا برای ناوبری ربات متحرک مستقل. Proc. SPIE 2010 . [ Google Scholar ] [ CrossRef ]
  79. سودبو، ج. بانکفالوی، ع. براین، ام. مارسلپول، آر. بویسن، م. پیفکو، جی. همر، جی. کرافت، ک. Reith، A. ارزش پیش آگهی تحلیل معماری بافت مبتنی بر نظریه گراف در کارسینوم های زبان. آزمایشگاه. تحقیق کنید. 2000 ، 80 ، 1881-1889. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  80. Sun، JZ; Yan، HU; الگوریتم تولید نمودار Yong-Qiang، MA Voronoi بر اساس مثلث سازی delaunay: الگوریتم تولید نمودار Voronoi بر اساس مثلث سازی delaunay. جی. کامپیوتر. Appl. 2010 ، 30 ، 75-77. [ Google Scholar ] [ CrossRef ]
  81. بیمر، سی. مارتنز، اولین گام‌های پی بیمبی: یک مطالعه آزمایشی در مورد سهم حیاط‌های جلویی مسکونی در فونیکس و ماستریخت به تنوع زیستی، خدمات اکوسیستم و پایداری شهری. اکوسیست شهری. 2016 ، 19 ، 45-76. [ Google Scholar ] [ CrossRef ]
  82. Anselin, L. نمودار پراکندگی موران به عنوان یک ابزار Esda برای ارزیابی بی ثباتی محلی در ارتباط فضایی. در دیدگاه های تحلیلی فضایی GIS ; Fisher, M., Sholten, H., Unwin, D., Eds. تیلور و فرانسیس: لندن، بریتانیا، 1996; صص 111-125. [ Google Scholar ]
  83. Anselin، L. خود همبستگی فضایی محلی. در کاوش داده های مکانی با Geodatm: کتاب کار ; آزمایشگاه تحلیل فضایی: Champaign, IL, USA, 2005; صص 129-147. [ Google Scholar ]
  84. آنسلین، ال. سیبری، آی. Kho, Y. Geoda: مقدمه ای بر تجزیه و تحلیل داده های مکانی. Geogr. مقعدی 2006 ، 38 ، 5-22. [ Google Scholar ] [ CrossRef ]
  85. Pacheco، IA; Tyrrell، JT آزمایش الگوهای فضایی و اثرات سرریز رشد در خوشه‌های شهرها. جی. جئوگر. سیستم 2002 ، 4 ، 275-285. [ Google Scholar ] [ CrossRef ]
  86. گریم، NB; Grove, JM; پیکت، STA; ردمن، CL رویکردهای یکپارچه برای مطالعات بلندمدت سیستم های اکولوژیکی شهری. در اکولوژی شهری: دیدگاهی بین المللی در مورد تعامل بین انسان و طبیعت . Marzluff, JM, Shulenberger, E., Endlicher, W., Alberti, M., Bradley, G., Ryan, C., Simon, U., ZumBrunnen, C., Eds.; Springer US: Boston, MA, USA, 2008; صص 123-141. [ Google Scholar ]
  87. کلارک، WAV تفکیک مسکونی در شهرهای آمریکا: بررسی و تفسیر. مردمی Res. Policy Rev. 1986 , 5 , 95-127. [ Google Scholar ] [ CrossRef ]
  88. Jaret, C. تحلیل شهری نئومارکسیستی اخیر. آنو. کشیش سوسیول. 1983 ، 9 ، 499-525. [ Google Scholar ] [ CrossRef ]
  89. مولنکوپف، جی. توسعه سیاسی محله و سیاست رشد شهری. بین المللی J. Urban Reg. Res. 1981 ، 5 ، 15-39. [ Google Scholar ] [ CrossRef ]
  90. بری، BJL شهرنشینی و ضدشهرسازی در ایالات متحده. ان صبح. آکادمی جامعه سیاسی علمی 1980 ، 451 ، 13-20. [ Google Scholar ] [ CrossRef ]
  91. آلونسو، دبلیو. مکان و کاربری زمین: به سوی یک نظریه کلی اجاره زمین. اقتصاد Geogr. 1964 ، 42 ، 11-26. [ Google Scholar ]
  92. ژونگ، سی. آریسونا، اس ام. هوانگ، ایکس. باتی، م. اشمیت، جی. تشخیص پویایی ساختار شهری از طریق تحلیل شبکه فضایی. بین المللی جی. جئوگر. آگاه کردن. علمی 2014 ، 28 ، 2178-2199. [ Google Scholar ] [ CrossRef ]
  93. واز، ای. ژائو، ی. Cusimano، M. زیستگاه های شهری و چشم انداز آسیب. Habitat Int. 2016 ، 56 ، 52-62. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00120 g001 1024
شکل 1. الگوهای فضایی منطقه مورد مطالعه. ( الف ) موقعیت مکانی ووهان در کل کشور؛ ب ) توزیع فضایی کاربری‌ها در منطقه مورد مطالعه. ( ج ) توزیع توپولوژی شبکه جاده در منطقه مورد مطالعه. و ( د ) توزیع توپوگرافی منطقه مورد مطالعه.
Ijgi 05 00120 g002 1024
شکل 2. نمودارهای تحقیق و ورونوی فلوچارت. ( الف ) نمودار جریان فنی مورد استفاده برای آزمایش. ( ب ) نمودارهای Voronoi بر اساس زبان برنامه C# و پلتفرم Visual Studio 2010.
Ijgi 05 00120 g003 1024
شکل 3. هیستوگرام فرکانس شاخص تجمع چند ضلعی Voronoi.
Ijgi 05 00120 g004 1024
شکل 4. نتایج طبقه بندی خوشه بندی فضایی منطقه مورد مطالعه. ( الف ) چند ضلعی های Voronoi منطقه مورد مطالعه. ( ب ) نتایج طبقه‌بندی خوشه‌بندی فضایی کاربری مسکونی. ( ج ) نتایج طبقه بندی خوشه بندی فضایی استفاده تجاری از زمین. و ( د ) نتایج طبقه بندی خوشه بندی فضایی استفاده از زمین های صنعتی.
Ijgi 05 00120 g005 1024
شکل 5. نمودار نمودار پراکندگی موران که ناهمگونی فضای محلی را نشان می دهد. ( الف ) قطعه پراکنده موران برای شاخص های تجمع الگوی فضایی پوشش زمین مسکونی. ( ب ) قطعه پراکنده موران برای شاخص های تجمع الگوی فضایی پوشش زمین تجاری. ( ج ) قطعه پراکندگی موران برای شاخص های تجمع الگوی فضایی پوشش زمین صنعتی.
Ijgi 05 00120 g006 1024
شکل 6. ( الف ) نقشه توزیع درجه قیمت زمین در منطقه مورد مطالعه. ( ب ) تغییرات در رشد جمعیت، سرمایه گذاری اقتصادی و توسعه منطقه مورد مطالعه (برای وضوح، مقدار عددی نسبت افزایش جمعیت 10 برابر افزایش می یابد؛ منبع: سالنامه آماری ووهان).
جدول
جدول 1. جدول ضریب وزنی شاخص ارزیابی.
جدول
جدول 2. شبکه کاربری زمین ساختارهای فضایی و ویژگی.
جدول
جدول 3. تجزیه و تحلیل آماری شاخص تجمع چند ضلعی Voronoi برای هر نوع کاربری زمین.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370