شبیه سازی و ارتباط نتایج در موقعیت های مدیریت بلایا

خلاصه

یک مؤلفه مهم، اما نادیده گرفته شده در مدیریت بلایا، افزایش آگاهی و آمادگی ذینفعان بالقوه است. ما نشان می‌دهیم که چگونه پیشرفت‌های اخیر در مدل‌سازی مبتنی بر عامل و تجزیه و تحلیل اطلاعات جغرافیایی می‌تواند برای این اثر ترکیب شود. با استفاده از یک مدل شبیه‌سازی پویا، نتایج بلندمدت دو فاجعه شهری بسیار متفاوت با پیامدهای شدید را تخمین می‌زنیم: یک زلزله و یک حمله موشکی. اینها از نظر مدت، شدت، ماندگاری و نقاط کانونی متفاوت هستند. این شوک های فرضی برای منطقه مرکز شهر اورشلیم شبیه سازی شده است. نتایج از نظر پتانسیل آنها برای کاهش بلایا مقایسه می شوند. دینامیک مکانی و زمانی شبیه سازی خروجی های غنی به دست می دهد. نقشه‌برداری مبتنی بر وب برای تجسم این نتایج و انتقال خطر به سیاست‌گذاران، برنامه‌ریزان و مردم آگاه استفاده می‌شود. اجزا و طراحی این اپلیکیشن توضیح داده شده است. مفاهیم مدیریت بلایا و برنامه ریزی مشارکتی مورد بحث قرار می گیرد.

کلید واژه ها:

مدل سازی مبتنی بر عامل ; وب GIS ; محاسبات فضایی ; مدیریت خطر

1. معرفی

انتقال پیامدهای احتمالی رویدادهای فاجعه آمیز به ذینفعان بالقوه بخشی جدایی ناپذیر از مدیریت بلایا است. ایجاد تاب‌آوری جامعه به همان اندازه که با راه‌حل‌های مهندسی مرتبط است، به بهبود دسترسی به اطلاعات و برانگیختن آگاهی از خطرات مربوط می‌شود. با این حال، این جنبه از مدیریت پس از فاجعه کمتر مورد بررسی قرار گرفته است زیرا با نتایج بلند مدت و کمتر ملموس سروکار دارد. اصلاحات حفاظتی کوتاه مدت برای خطرات همیشه آسان تر برای کمیت، تجسم، و ترویج است [ 1 ]. به عنوان مثال، در مورد سیل ساحلی، مکانیسم های دفاعی را می توان به راحتی نشان داد و متحرک کرد، در حالی که انتقال اثرات نامتعادل بر جمعیت و کاربری زمین دشوارتر است.

این وضعیت بیشتر با این واقعیت آشفته است که فناوری برای انتقال بالقوه این نتایج سریعتر از توانایی تولید برنامه‌های کاربردی پیش می‌رود. این بدان معناست که بسیاری از اطلاعات بالقوه ای که می توانند در دسترس قرار گیرند، به دلیل فقدان ابزار ارتباطی مناسب، خاموش هستند. علاوه بر این، فراوانی و شدت حوادث بلایای طبیعی بیش از پیش شدیدتر و کمتر قابل پیش بینی می شود. این امر بر اهمیت چشم انداز بلندمدت نسبت به واکنش خطر کوتاه مدت تأکید می کند. گذشته از نیازهای فوری برای تخلیه سیل، پیشگیری از بیماری، بازسازی ساختمان و مواردی از این دست، مدیریت بلایای طبیعی باید به افزایش آگاهی و آمادگی از طریق ارتباط با نتایج قابل قبول نیز توجه داشته باشد.

این مقاله نشان می دهد که چگونه برخی از ابزارهای تحلیلی ژئو انفورماتیک را می توان برای تولید و انتقال نتایج در مدیریت بلایا به مخاطبان گسترده تر مهار کرد. برای ایجاد پیامدهای فاجعه، از شبیه سازی مبتنی بر عامل استفاده می کنیم. ما از نقشه برداری وب پویا به عنوان وسیله ای برای ارتباط این نتایج استفاده می کنیم. بخش بعدی برخی از کاربردهای وب GIS برای مدیریت بلایا را مورد بحث قرار می دهد. این با توضیح مختصری از چارچوب مدل‌سازی تحلیلی در بخش 3 دنبال می‌شود . نتایج شبیه سازی در بخش 4 ارائه شده است که در آن بر نتایج بسیار متفاوتی که توسط هر فاجعه ذکر شده است، تأکید می شود. برخی از ویژگی های فنی طراحی پلت فرم از جمله فرمت های داده و عملکردهای جانبی در شرح داده شده استبخش 5 . در بخش 6 ما پلتفرم وب را برای برقراری ارتباط با این نتایج ارائه می کنیم و ویژگی های آن را مورد بحث قرار می دهیم. در نهایت، ما با برخی مفاهیم برای مشارکت عمومی در مدیریت بلایا نتیجه می گیریم که ناشی از افزایش شفافیت روش ها و نتایج است.

2. نقشه برداری وب برای مدیریت بلایا

وب GIS به عنوان یک جزء کلیدی در مدیریت خطر و ارزیابی آسیب پذیری معرفی شده است [ 2 ]. قابلیت‌های GIS دسکتاپ را به یک محیط اینترنتی گسترش می‌دهد و بنابراین توسعه برنامه‌هایی را تشویق می‌کند که در دسترس، پویا و تعاملی باشند. از این نظر، مدیران بلایا را از وظایف جمع‌آوری داده‌ها و تولید نقشه رها می‌کند و به آن‌ها اجازه می‌دهد تا روی تجسم و تحلیل تمرکز کنند. از آنجایی که نقشه ها یک رسانه بصری و کاربرپسند برای اطلاع رسانی خطر هستند [ 3 ]، جای تعجب نیست که توسعه نقشه برداری مبتنی بر وب به عنوان یک محور مرکزی در ترکیب مشارکت عمومی در مدیریت بلایا در نظر گرفته شده است. لیتل و همکاران [ 4] برای مثال، نشان دهید که چگونه ابزارهای ژئوتصویرسازی مبتنی بر وب می‌توانند هم مشارکت ذینفعان و هم ورودی عمومی را در مدیریت اضطراری تشویق کنند. نتیجه چارچوبی است که فراتر از بهبود واکنش به بلایا است و می تواند به حوزه های سازمانی گسترده تر آموزش، افزایش آگاهی و تیم سازی کمک کند.

نمونه های زیادی وجود دارد که در آنها از نقشه برداری وب در مدیریت اضطراری استفاده شده است. به عنوان مثال، Hagemeier-Klose و Wagner [ 5 ] استفاده از خدمات نقشه برداری وب را در ارتباط با خطر سیل ارزیابی می کنند و Kwan و Lee [ 6 ] استفاده بالقوه از GIS 3 بعدی بلادرنگ را در مورد حملات تروریستی تجزیه و تحلیل می کنند. در واقع، نقشه‌برداری وب از طریق یک سری بلایای طبیعی و انسان‌ساخته که با حمله WTC به نیویورک در سال 2001 شروع شد و از طریق ویرانی‌های طوفان کاترینا در نیواورلئان (2005)، زلزله‌های هائیتی و کرایست‌چرچ پیشرفت کرد، شهرت عمومی خود را افزایش داد. در سال های 2010 و 2011، زلزله و سونامی توکوهو (2011) و ابرطوفان سندی (2012).

لازم به ذکر است که نقشه برداری وب این رویدادهای فاجعه بار، فعالیت های جمعی و مشارکتی را تشویق می کند و امکان دسترسی به داده های در مقیاس بزرگ را فراهم می کند که تاکنون در دسترس نبوده اند. جمع سپاری، اطلاعات داوطلبانه، ترکیب نقشه ها، توسعه داده های بزرگ مصنوعی و موارد مشابه، همگی زنجیره اطلاعات مرسوم را به چالش می کشند [ 7]]. در حالی که نقشه‌برداری وب به‌عنوان دموکراسی‌کننده نهایی اعلام می‌شود که اطلاعات را ارائه می‌دهد، مردم را توانمند می‌کند و شکاف دیجیتالی را کاهش می‌دهد، برای جلوگیری از دام‌های روش‌شناختی باید احتیاط کرد. اطلاعات مبتنی بر وب امکان تغییر فوری در وضوح فضایی را فراهم می کند. این می تواند سوء استفاده را با توجه به مقیاس و مسائل مغالطه زیست محیطی تشویق کند. علاوه بر این، سهولت انجام همپوشانی داده ها می تواند به همبستگی های پیشنهادی، اما جعلی منجر شود. بنابراین، در حالی که پلتفرم‌های مبتنی بر وب برای مدیریت بلایای طبیعی اینجا هستند، باید در اجرا و طراحی آن‌ها دقت شود. آنها باید نتایج را به شیوه ای یکپارچه و غیر فنی ارائه دهند و این نتایج باید به شیوه ای قابل قبول ایجاد شده باشند. اکنون به این دو موضوع می پردازیم.

3. چارچوب شبیه سازی فاجعه

ما نشان می‌دهیم که چگونه اطلاعات جغرافیایی می‌تواند با استفاده از یک چارچوب مبتنی بر عامل (AB) برای شبیه‌سازی پیامدهای بلندمدت یک فاجعه تولید شود. در حالی که سایر چارچوب‌های مدل‌سازی برای تحلیل فاجعه وجود دارد (به عنوان مثال، مجموعه برنامه‌های کاربردی با استفاده از مدل‌سازی ورودی-خروجی چند منطقه‌ای در ریچاردسون و همکاران [ 8] را ببینید.])، ارزش مدل‌های AB در توانایی آن‌ها برای ایجاد نمایش‌هایی با وضوح بالا از محیط شهری نهفته است. اثرات غیرمستقیم طولانی مدت یک رویداد در واکنش های رفتاری عوامل منعکس می شود. شوک‌های ایجاد شده توسط یک فاجعه از طریق رفتار کل «عوامل» (خانوارها، کارگران، توسعه‌دهندگان زمین، شرکت‌ها، مقامات شهری و سازمان‌های مداخله‌ای) واسطه می‌شوند. این عوامل الگوهای شبکه پیچیده تغییر را ایجاد می کنند. الگوها از طریق تجمیع رفتار عامل فردی قابل پیش بینی نیستند. با این حال، تعاملات در مقیاس خرد بین عوامل فردی را می توان در یک سیستم قابل محاسبه مبتنی بر اصول اساسی رفتار اقتصادی خرد مدل سازی کرد. این مجموعه ای غنی از فرصت ها برای درک واکنش های جمعیت های آسیب دیده تحت شرایط مختلف، چارچوب های زمانی، سطوح تجمع و مقیاس های فضایی. علاوه بر این، پیامدهای فاجعه می تواند به شرایط محلی و مکان خاص مرتبط باشد. این امر مدیریت بلایا را از محدودیت های تحمیل شده توسط مرزهای درشت اداری رها می کند. علاوه بر این، مدل‌های AB می‌توانند پویایی را در سطوح بالای وضوح زمانی نشان دهند. بنابراین، چارچوب AB به راحتی در زمینه سناریوهای بلایای طبیعی مانند سیل، آتش‌سوزی و زلزله به کار گرفته شده است.9 ، 10 ، 11 ، 12 ، 13 ].

مدل‌های AB بر سه عنصر استوارند: محیط، عامل‌ها و مجموعه‌ای از قوانین هدایت کننده تعاملات عامل-عامل و عامل-محیط [ 14 ]. دومی ممکن است در مدل بر اساس قوانین تصمیم گیری اجتماعی، اقتصادی و فضایی تعریف شود. با این حال، دو مورد اول شرایط آغازین برون‌زای شبیه‌سازی هستند. از آنجایی که داده‌های فضایی اجتماعی-اقتصادی و شهری معمولاً در مجموعه‌هایی مانند سرشماری در دسترس هستند، داده‌های سطح عامل باید به صورت مصنوعی تولید شوند. در اینجا ما از تکنیک‌های تفکیک داده‌ها برای ایجاد داده‌های فضایی «بزرگ» استفاده می‌کنیم که در آن ارزش‌های اجتماعی-اقتصادی سطح سرشماری به طور مصنوعی بر روی ساختمان‌ها، خانوارها و افراد توزیع می‌شوند ( شکل 1 را ببینید.). الگوریتم تخصیص مقادیر مجموع سطح تراکت سرشماری را حفظ می کند. پایگاه داده به دست آمده برای نشان دادن شرایط شروعی که بر اساس آن دینامیک عرضه و تقاضا پس از یک فاجعه شبیه سازی می شود، استفاده می شود. این روش‌ها برای ارزیابی اثرات بلندمدت دو سناریو استفاده می‌شوند: یک زلزله و یک حمله موشکی که هر دو در یک منطقه در مرکز شهر اورشلیم، اسرائیل شبیه‌سازی شده‌اند.

شکل 1. چارچوب تحلیلی.

3.1. زمینه فضایی

این شبیه‌سازی در مرکز شهر اورشلیم، یک منطقه با کاربری مختلط شامل دو مرکز تجاری اصلی (بازار محصور ماهانه یهودا و CBD)، تعدادی دیگر از مکان‌های تجاری و عمومی و بسیاری از ساختمان‌های مسکونی کم‌مرتبه اعمال می‌شود. شکل 2). سه شریان ترافیکی اصلی منطقه را طی می کنند: خیابان آگریپاس و خیابان یافا (مسیر راه آهن سبک) که از شمال غربی به جنوب شرقی و خیابان کینگ جورج از شمال به جنوب می گذرد. این منطقه شامل 22243 ساکن، 717 ساختمان مسکونی (243 مترمربع)، 119 ساختمان تجاری (505 مترمربع) و 179 ساختمان دولتی/عمومی (420 مترمربع) است. وقوع هر دو سناریو در منطقه محتمل است. این شهر در 30 کیلومتری شمال غربی گسل فعال دریای مرده قرار دارد و در حالی که منطقه از نظر لرزه‌ای پایدار است، بیشتر ساختمان‌های این بخش از شهر قبل از معرفی آیین‌نامه‌های ساختمانی مرتبط با زلزله ساخته شده‌اند. این باعث می شود که در چنین سناریویی مستعد آسیب شوند [ 15]. علاوه بر این، این منطقه در طول سال‌ها مرکز حملات تروریستی مختلف از جمله حملات موشکی در تابستان 2014 بود.

شکل 2. منطقه مورد مطالعه ( a ) اسرائیل; ( ب ) مرزهای شهرداری اورشلیم؛ و ( ج ) منطقه مطالعه.

3.2. تفکیک داده ها

ادبیات تعدادی از تکنیک های تفکیک داده ها مانند شبکه بندی جمعیت [ 16 ]، درون یابی منطقه ای [ 17 ]، نمایش داسیمتری [ 18 ، 19 ] برازش تکراری متناسب [ 20 ، 21 ] و مدل سازی جمعیت پویا [ 22 ، 23 ] را ارائه می دهد. روشی که ما در اینجا استفاده می کنیم بیشتر با تکنیک استفاده شده توسط هارپر و میهو مطابقت دارد [ 24 ، 25]]. ما داده‌های اداری موجود در سطح فضایی درشت و یک لایه GIS ساختمان‌ها را با جزئیات ترکیب می‌کنیم تا بازنمایی‌های فضایی افراد و خانوارها را در ساختمان‌ها ایجاد کنیم و ارزش‌های اجتماعی-اقتصادی ترکیبی را به آنها اختصاص دهیم. این شامل دو مرحله کاهش مقیاس و یک مرحله از خوشه بندی است. ما از یک الگوریتم تخصیص برای تفکیک از مسیرهای سرشماری (CTs) به ساختمان ها و از ساختمان ها به افراد استفاده می کنیم. سپس افراد را در خانواده ها دسته بندی می کنیم ( شکل 1 را ببینید ). در هر مرحله، مجموعه داده با مقادیر زیر پر می شود:

ساختمان‌ها: کاربری زمین، فضای طبقه، تعداد طبقات، ارزش ساختمان، تعداد خانوارها.
خانوارها: تعداد اعضا، درآمد، مالکیت خودرو
افراد: عضویت در خانوار، معلولیت، مشارکت در نیروی کار، بخش اشتغال، گروه سنی، محل کار.

منابع داده های مورد استفاده در این فرآیند عبارتند از: سرشماری سال 2008 اسرائیل (برای خانوارها، افراد و درآمد، ناتوانی، سن، مشارکت نیروی کار و اشتغال بر اساس بخش)، یک نظرسنجی GPS (برای مکان محل کار)، داده های سازمان ملی مالیات ( ارزش ملک مسکونی در هر متر)، و برآورد موجودی سرمایه [ 26 ].

ارزش‌های اجتماعی-اقتصادی به ساختمان‌ها در مرحله اول به تناسب فضای طبقه آنها اختصاص می‌یابد. برای توضیح کامل روش تخصیص به Lichter و Felsenstein [ 27 ] مراجعه کنید. همانطور که معادله (1) برای اندازه جمعیت نشان می دهد، مقادیر ساختمان های جداگانه با ضرب تراکم سطح CT با فضای طبقه در سطح ساختمان محاسبه می شود:

نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت نوع گره ناشناخته: فونت

(1)

که در آن Pop اندازه جمعیت، fs فضای طبقه، b ساختمان فردی و c مسیر سرشماری است.

فضای طبقات بر حسب ردپای هوایی و ارتفاع بر حسب متر محاسبه می شود، با فرض ارتفاع کف 5 متر برای ساختمان های مسکونی و 7 متر برای ساختمان های غیر مسکونی. این ارقام با مقایسه مجموع فضای طبقات محاسبه شده بر روی تمام ساختمان ها بر اساس استفاده با کل فضای طبقه ملی ساخته شده به دست آمده است. این فرآیند تخصیص متناسب لزوماً به دلیل تقسیم اعداد صحیح (مثلاً جمعیت) بر کسری (مثلاً فضای کف) منجر به از دست دادن داده ها می شود. الگوریتم تخصیص مبتنی بر SQL این را با تنظیم آستانه گرد کردن ارقام ممیز شناور برای هر متغیر به طور جداگانه جبران می کند. به این ترتیب، الگوریتم تأیید می کند که مجموع کنترل CT برآورده شده است.

در مرحله دوم، به هر یک از افراد یک شناسه منحصر به فرد داده می شود که به یک ساختمان خاص گره خورده است و در یک مکان تصادفی در داخل ساختمان قرار دارد. در مرحله بعد، ارزش های جمعیت شناختی (به عنوان مثال، سن، ناتوانی، مشارکت نیروی کار) به افراد اختصاص داده می شود به طوری که کل مجموعه ساکنان یک ساختمان نشان دهنده توزیع متغیرهای اجتماعی-اقتصادی در آن است. این توزیع با توزیع CT از مرحله قبل مطابقت دارد. بر اساس این سیستم تخصیص، ساختار جمعیتی-اجتماعی خانوارها در ساختمان های چند واحدی همگن و برای واحدهای تک خانوار متغیر است. تحقیقات کنونی از یک روش کاهش مقیاس دقیق‌تر استفاده می‌کند که به موجب آن تفکیک بر اساس توزیع‌های نماینده مبتنی بر سرشماری ملی است تا بر اساس سطح فضای طبقه. سرانجام، افراد داخل یک ساختمان در خانواده های ناهمگن دسته بندی می شوند. اینها نمایانگر یک “خانواده سنتی” هستند که در صورت امکان شامل بزرگسالان و کودکان می شود. الگوریتم خوشه‌بندی از طریق افراد تکرار می‌شود و هدف آن ایجاد موجودیت‌های خانگی جدید است که یکسان نیستند اما از نظر بازنمایی سنی بسیار مشابه هستند. هر خانواده یک شناسه منحصر به فرد دارد، به یک ساختمان اختصاص داده می شود و افراد به آن اختصاص داده می شوند. این فرآیند منجر به یک پایگاه داده فضایی با وضوح بالا در مقیاس ملی می شود که شامل نمایش های مصنوعی دقیق از 7,354,200 فرد اختصاص یافته به 771,226 ساختمان مسکونی (از 1,075,904 ساختمان) است. الگوریتم خوشه‌بندی از طریق افراد تکرار می‌شود و هدف آن ایجاد موجودیت‌های خانگی جدید است که یکسان نیستند اما از نظر بازنمایی سنی بسیار مشابه هستند. هر خانواده یک شناسه منحصر به فرد دارد، به یک ساختمان اختصاص داده می شود و افراد به آن اختصاص داده می شوند. این فرآیند منجر به یک پایگاه داده فضایی با وضوح بالا در مقیاس ملی می شود که شامل نمایش های مصنوعی دقیق از 7,354,200 فرد اختصاص یافته به 771,226 ساختمان مسکونی (از 1,075,904 ساختمان) است. الگوریتم خوشه‌بندی از طریق افراد تکرار می‌شود و هدف آن ایجاد موجودیت‌های خانگی جدید است که یکسان نیستند اما از نظر بازنمایی سنی بسیار مشابه هستند. هر خانواده یک شناسه منحصر به فرد دارد، به یک ساختمان اختصاص داده می شود و افراد به آن اختصاص داده می شوند. این فرآیند منجر به یک پایگاه داده فضایی با وضوح بالا در مقیاس ملی می شود که شامل نمایش های مصنوعی دقیق از 7,354,200 فرد اختصاص یافته به 771,226 ساختمان مسکونی (از 1,075,904 ساختمان) است.

3.3. دینامیک شبیه سازی مبتنی بر عامل

پایگاه داده بزرگ مصنوعی برای توصیف شرایط شروع شبیه سازی شهری از نظر محیط و عوامل استفاده می شود. هر نمایش مصنوعی از یک فرد و یک خانواده به یک عامل تبدیل می شود. یک نمایه اجتماعی-اقتصادی، که متشکل از مجموعه‌ای از متغیرهای منحصر به فرد برای هر نوع عامل است، برای هر گروه سنی، ناتوانی، وضعیت شغلی، بخش اشتغال، محل کار، عضویت خانوار برای افراد و درآمد ماهانه، مالکیت خودرو، تعریف می‌شود. و اعضای خانواده ها مقادیر با توجه به ویژگی های موجودیت مصنوعی مربوطه به این متغیرها تخصیص می یابد. محل کار برای عوامل شاغل در منطقه مورد مطالعه تنها متغیری است که مقادیر آن در مدل تولید می شود. پروفایل های عامل به رفتاری تبدیل می شوند که از طریق اجرای قوانین و محدودیت های تصمیم گیری منطقی اساسی بیان می شود. عامل ها موجودیت های منطقی و سودمندی هستند که ترجیحات آنها منعکس کننده ترکیبی از مفروضات رفتاری – رفتار رضایت بخش است.28 ]، تفکیک مسکونی [ 29 ] و ریسک گریزی.

مطابق با مدل‌سازی مبتنی بر عامل، پویایی شهر «از پایین به بالا» مشخص می‌شود. اعمال منفرد واحدهای اتمی به عنوان تغییرات کل جمع می شوند. خانواده ها و اعضای آنها به عنوان عامل تعریف می شوند. حرکات آنها از طریق ساختمان ها بر روی شبکه جاده ها (نماینده محیط زیست) در هر دو مقیاس زمانی روزانه و طولانی مدت منجر به تغییرات محیطی می شود ( شکل 1 را ببینید ). این مدل در پلت فرم مدلسازی Repast Simphony 2.0 [ 30 ] پیاده سازی شده است. هر تکرار مدل منعکس کننده یک روز در محیط شهری است که در آن رفتار عامل بر کاربری زمین، مورفولوژی شهری، ارزش سهام سرمایه و پویایی جمعیت تأثیر می گذارد. این مدل به طور کامل در گرینبرگر، لیچتر و فلسنشتاین [ 11 ] توضیح داده شده است.

رفتار عامل حول دو تصمیم مربوط به مکان می چرخد: انتخاب مکان مسکونی در سطح خانوار و تصمیمات فعالیت در سطح فردی. این تصمیمات بر اساس ترکیبی از محدودیت ها (مانند محدودیت بودجه) و ترجیحات (مانند گرایش های مسکونی جدایی) است. معادله 2 نمونه ای از چنین فرآیند تصمیم گیری را در مورد مکان مسکونی نشان می دهد:

ساعت ساعت ساعت = ب j \Rightarrow ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ من ساعت ساعت 3 > اچ پ j ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ * ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ک ساعت ساعت > Ф ( من - ب ‒ من - ساعت من σ ساعت ) + Ф ( آ - ب ‒ آ - ساعت آ σ ساعت ) 2 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ = 1

(2)

جایی که: h مکان خانه برای خانوار hh است ، b ساختمانی است که به عنوان محل سکونت جدید در نظر گرفته می شود، { x } یک عبارت باینری است که در آن 1 اگر x درست است و 0 در غیر این صورت، HP هزینه ماهانه زندگی در ساختمان j است ، k یک عبارت است . مقدار ترجیحی تصادفی ترسیم شده برای خانوار، Φ(x) مقدار توزیع نرمال تجمعی برای x است ، Ā ، Ī به ترتیب میانگین سن و درآمد در سطح ساختمان و A _σ ، I _{σ هستند.}مقادیر انحراف معیار برای سن و درآمد در یک ساختمان هستند.

در معادله بالا، محدودیت یک محدودیت بودجه است. ترجیحات تصادفی ترسیم شده با نشان دادن تحمل محدود به تغییرات در ماهیت جمعیتی محله مسکونی، رفتار تفکیک‌آمیز را نشان می‌دهند. به طور مشابه، تصمیم‌گیری‌های مربوط به فعالیت بر اساس تناسب کاربری زمین و جذابیت در رابطه با ترجیحات تصادفی است. جذابیت به ماهیت محیط مکان، فاصله تا مکان فعلی (که با مشخصات تحرک فرد وزن می شود) و حجم فضای طبقه مرتبط است. در هر دو فرآیند تصمیم گیری، اولین مکانی که هم محدودیت ها و هم ترجیحات را برآورده می کند، مطابق با رفتار رضایت بخش انتخاب می شود. تعداد فعالیت ها در روز برای هر نماینده با توجه به مشخصات تحرک آن تنظیم می شود (سن، ناتوانی، مالکیت ماشین خانگی) و مشخصات شغلی (مشارکت نیروی کار، محل کار). تحرک مسکونی یا با احتمالات مهاجرت برون زا (درون و بین شهری) یا با تغییرات در محیط (تغییر کاربری زمین یا تخریب در اثر فاجعه) ایجاد می شود. مهاجرت درون‌گرا نیز در مواردی در نظر گرفته می‌شود که تعداد خانوارهای جدید بالقوه در هر تکرار به نسبت مهاجرت/خارج از مهاجرت و متناسب با تعداد فضاهای مسکونی خالی بستگی دارد.

پویایی از پایین به بالا که در بالا توضیح داده شد، تعاملات سمت تقاضا را نشان می دهد. یک مدل جامع شهری نیز باید با فعالیت های جانبی عرضه مرتبط باشد. چنین فعل و انفعالاتی در اینجا با مفهوم سازی واحدهای فضایی مختلف – CT ها، ساختمان ها و واحدهای مسکونی – به عنوان موجودیت های حساس به محیط زیست در یک رویه تأثیر محیطی از بالا به پایین شبیه سازی می شوند ( شکل 1 را ببینید).). این فرآیند با تغییر در الگوی کاربری زمین و قیمت ماهانه (اجاره) واحدهای مسکونی بیان می شود. تغییرات کاربری زمین بر اساس نسبت حجم کف به فضای بارهای ترافیکی محلی است. ما فرض می‌کنیم که حجم ترافیک بالاتر درآمد بیشتری از بازدیدها (که توسط ترافیک نشان داده می‌شود) و فعالیت تجاری بیشتر را منعکس می‌کند. مقادیر نسبت پایین (بارهای ترافیکی بالا در رابطه با حجم فضای کف) فعالیت تجاری را به بهای هزینه عرضه مسکونی تشویق می کند، در حالی که مقادیر بالا موفقیت فعالیت تجاری را کمتر محتمل می کند. احتمال لجستیک تغییر کاربری زمین بر اساس مقادیر توزیع نمایی تجمعی استاندارد شده فضای طبقه و بارهای ترافیکی است تا از تورم کاربری‌های تجاری کوچک و کاهش تورم کاربری‌های بزرگ جلوگیری شود. تغییرات کاربری زمین بر قیمت مسکن تاثیر می گذارد، همراه با تغییرات در عرضه (تعداد ساختمانهای مسکونی در یک CT) و تقاضا (اندازه جمعیت CT). تغییرات در این عناصر منجر به تغییر در قیمت متوسط خانه در هر متر در CT می شود. افزایش سطح خدمات (تعداد واحدهای غیرمسکونی) باعث افزایش قیمت ها می شود و مطابق با تئوری استاندارد اقتصادی، قیمت ها با افزایش عرضه یا کاهش تقاضا کاهش می یابد. تغییرات سطح CT به سطح ساختمان منفرد متناسب با حجم فضای طبقه پایین می‌آید. علاوه بر این، ارزش های ساختمان با توجه به دسترسی آنها به غیر مسکونی تنظیم می شود. قیمت ها با افزایش عرضه یا کاهش تقاضا کاهش می یابد. تغییرات سطح CT به سطح ساختمان منفرد متناسب با حجم فضای طبقه پایین می‌آید. علاوه بر این، ارزش های ساختمان با توجه به دسترسی آنها به غیر مسکونی تنظیم می شود. قیمت ها با افزایش عرضه یا کاهش تقاضا کاهش می یابد. تغییرات سطح CT به سطح ساختمان منفرد متناسب با حجم فضای طبقه پایین می‌آید. علاوه بر این، ارزش های ساختمان با توجه به دسترسی آنها به غیر مسکونی تنظیم می شود.به عنوان مثال ، خدمات) توابع. دسترسی بیشتر یک ساختمان را با ارزش تر می کند. در نهایت، ارزش هر واحد مسکونی در یک ساختمان با فرض مقادیر یکسان در یک ساختمان محاسبه می‌شود. ارزش ها مطابق با تمایل مردم به پرداخت به هزینه های مسکن ماهانه تبدیل می شوند (که با محدودیت بودجه در معادله (2) نشان داده شده است).

3.4. سناریوهای شبیه سازی شده

ما دو سناریو بسیار متفاوت را شبیه سازی می کنیم ( جدول 1 ). اولین مورد مربوط به حملات موشکی متعدد است. اینها نشان دهنده فرسایش مداوم و درازمدت سطح پایین سیستم شهری است. حملات از نظر مکان، زمان و کمیت (میزان) تصادفی هستند و هیچ تمرکز واحدی از رویداد وجود ندارد. سناریوی دوم زلزله است. این یک شوک یکباره فاجعه بار به سیستم شهری وارد می کند و تمرکز مشخصی دارد (پس لرزه هایی که تحمل نمی کنند). مدیریت بلایا در هر دو مورد به تأثیرات بر سیستم شهری از نظر سرعت بازیابی، تغییر جمعیت و کاربری زمین و تغییرات مورفولوژی شهری مربوط می شود.

جدول 1. ویژگی های سناریوهای شبیه سازی شده.

تفاوت بین سناریوها در رابطه با وسعت زمانی، شدت، اثرات مستقیم و غیرمستقیم آنها فرموله می شود. در حالی که زلزله ممکن است کل یک منطقه شهری را تحت تاثیر قرار دهد، تاثیر آن در رابطه با یک مکان کانونی تعیین می شود. از سوی دیگر، حملات موشکی دارای اثرات موضعی تری هستند که از طریق کانون های متعدد در سیستم شهری پخش می شوند. علاوه بر این، اثرات یک زلزله برگشت ناپذیر است (تخریب کلی ساختمان ها) در حالی که، در سناریوی حمله موشکی، چنین تاثیری نادر است و اثر زمانی- رفتاری غالب است. هم اولین حمله موشکی و هم زلزله در روز 50 رخ می دهد ( یعنی، پنجاهمین تکرار شبیه سازی) به منظور فراهم کردن یک دوره “اجرای” برای ثبات سیستم شهری. در حالی که شوک زلزله فقط یک بار رخ می دهد، حملات موشکی تا پایان شبیه سازی همچنان ظاهر می شوند. مرکز کانونی شوک به صورت تصادفی تعیین می شود تا از سوگیری مبتنی بر مکان جلوگیری شود.

این زمین لرزه به شکلی شبیه سازی شده است که از مرکز زمین لرزه به سمت بیرون با شدت کاهش یافته است. اثر فیزیکی مستقیم این شوک از طریق فروریختن ساختمان ها نمایان می شود. این اثر ماهیت احتمالی دارد. احتمال آسیب دیدن ساختمان متناسب با فاصله آن از کانون و ارتفاع آن است. نزدیکترین جاده به ساختمان فروریخته مسدود شده و تا زمانی که ساختمان بازسازی شود، باقی می ماند. دوره مرمت متناسب با مساحت طبقه است. پس از بازسازی فیزیکی، ساختمان ممکن است عملکرد خود را بازیابی کند یا نکند. این رسمی سازی خطر لزوماً ساده انگارانه است. با توجه به هدف ما از ارزیابی انعطاف پذیری اجتماعی-اقتصادی به جای فیزیکی، ما احساس می کنیم که این رویکرد قابل توجیه است.

حمله موشکی به صورت مجموعه‌ای از شوک‌های محلی متعدد که هر روز ظاهر می‌شوند و تعداد آنها از 0 تا 10 متغیر است، شبیه‌سازی می‌شود. اگر موشک به جاده ای برخورد کند، برای آن تکرار مسدود می ماند. اگر یک ساختمان ضربه بخورد، احتمال 5% (بسته به مقدار تصادفی ترسیم شده) آسیب جدی وجود دارد که منجر به همان اثر فیزیکی فروریختن ساختمان در سناریوی زلزله می شود. علاوه بر این اثر، موشک به فرآیندهای تصمیم گیری ضربه می زند. انباشته شدن بازدیدها در یک مکان باعث می شود که آن را به عنوان یک مکان مسکونی کمتر جذاب کند (منعکس کننده ریسک گریز بودن)، القای مهاجرت به خارج و کاهش مهاجرت در داخل. این در رفتار ساکنان رسمیت یافته است. اگر همسایگی نزدیک آنها (شعاع 50 متر) بیش از سه بار در 30 تکرار قبلی ضربه بخورد، احتمال 20٪ جابجایی به آنها داده می شود. چنین ساختمان هایی شانسی برای جذب ساکنان جدید ندارند. تصمیمات مربوط به مکان فعالیت نیز تحت تأثیر قرار می گیرند زیرا نمایندگان از انتخاب مقاصدی که در طول روز جاری ضربه خورده اند اجتناب می کنند. بنابراین شوک‌های برون‌زا مستقیماً بر پویایی شهری از طریق تغییرات فیزیکی (تخریب ساختمان‌ها و اختلال در حرکت) و اثرات روانی (گریز از خطر) تأثیر می‌گذارند. با توجه به پویایی مدل، این اثرات مستقیم منجر به دور دوم اثرات غیر مستقیم می شود.

4. نتایج شبیه سازی

نتایج شبیه‌سازی‌ها شامل داده‌های سری زمانی در وضوح فضایی سطح بالا است. آنها به تغییرات موجودی سرمایه و اندازه جمعیت، ارزش ساختمان، مورفولوژی شهری و عملکرد مربوط می شوند. غنای نتایج تحلیل توسعه شهری را در مقیاس‌های چندگانه و همچنین در سناریوهای مختلف تسهیل می‌کند. در این بخش نمونه هایی برای تحلیل و مقایسه کلان و خرد ارائه می شود که فرآیندهای اصلی تغییر را آشکار می کند. این نتایج مربوط به 25 شبیه سازی در هر سناریو است که در آن هر شبیه سازی شامل 1010 روز شبیه سازی شده است. نتایج گزارش شده میانگین های شبیه سازی هستند.

4.1. گرایش های کلان

جدول 2 مقایسه کلان اثرات رویداد را در دو سناریو ارائه می دهد. ما تمایل متغیرهای کلیدی را برای بازگشت به مقادیر قبل از شوک و همگرایی در طول زمان (در مقادیر مختلف) مشاهده می کنیم. متغیرها در صورتی همگرا در نظر گرفته می شوند ( به عنوان مثال ، به تعادل می رسند) اگر در 50 تکرار گذشته یا بیشتر تغییر قابل توجهی نشان ندهند. مقادیر جدول 2 نشان دهنده روزی است که به طور میانگین آخرین تغییر مهم تا پایان شبیه سازی ثبت شده است.

جدول 2. بازیابی سیستم شهری با سناریوی شبیه سازی شده.

متغیرهای جمعیت و سهام مسکونی رفتار مشابهی را در دو سناریو در رابطه با بازیابی مقادیر قبل از رویداد نشان می‌دهند. به نظر می رسد که هر دو نوع شوک باعث ایجاد جریان خروجی مهاجرت می شود که شامل خانوارهای ثروتمند بیشتری می شود. این منجر به اندکی کاهش و ارزان‌تر شدن سهام مسکن می‌شود. سایر متغیرها به تفاوت های چشمگیر بین سناریوها اشاره می کنند. اولاً، رشد عظیم سهام غیرمسکونی در سناریوی زلزله با کاهش اندازه در حمله موشکی جایگزین می‌شود. علاوه بر این، همگرایی در طول زمان به ندرت در مورد دوم حاصل می شود، در حالی که اغلب در اولی رخ می دهد. این نتایج ممکن است به ماهیت شوک ها نسبت داده شود. حملات موشکی مستلزم انطباق مداوم در مواجهه با یک رویداد جاری است.

4.2. تغییر مقیاس میکرو

شکل 3 نتایج در مقیاس خرد مربوط به جمعیت مختلف و پویایی کاربری زمین ناشی از بلایای شبیه سازی شده را نشان می دهد. در این شکل، ساختمان‌ها در هر نقطه از زمان از نظر بیشترین استفاده از زمین و میانگین شاخص آسیب‌پذیری اجتماعی (SVI) خانوارهای ساکن در شبیه‌سازی‌ها مشخص می‌شوند. به پیروی از Felsenstein و Lichter [ 31 ]، ما از چهار متغیر اجتماعی کلیدی به دست آمده از سرشماری ملی (2008) برای تعریف امتیازات آسیب پذیری اجتماعی خانوارها استفاده می کنیم. SVI به ویژگی های جمعیت شناختی مربوط می شود که ممکن است قابلیت های سازگاری خانوار را تقویت یا محدود کند. شاخص به صورت زیر ساخته شده است:

اس V من ساعت ساعت = 0.5 من ساعت ساعت - 0.2 آ ساعت ساعت + 0.1 سی a r ساعت ساعت - 0.2 دی من_ساعت ساعت

(3)

در جایی که hh یک خانوار است، I درآمد ماهانه، A سهم اعضای وابسته، خودرو مالکیت خودرو و دیس سهم اعضای خانواده دارای معلولیت است. همه مقادیر استاندارد شده اند.

متغیرهای شامل SVI با احتیاط انتخاب شده اند. «درآمد خانوار» معیار مستقیمی از وضعیت اجتماعی-اقتصادی است. «معلولیت ها» نشان دهنده سهم افراد معلول در یک خانواده است. این ترکیبی از سهم افرادی است که قادر به راه رفتن، شنوایی، دیدن، مشکلات حافظه هستند یا قادر به لباس پوشیدن و دوش گرفتن مستقل نیستند یا مشکل دارند. “سن” اندازه جمعیت وابسته در خانوار را به تصویر می‌کشد و درصد افراد بالای 65 سال و زیر 18 سال را ترکیب می‌کند. در حالی که این می تواند به عنوان معیاری برای ثروت تعبیر شود، همچنین معیاری برای ظرفیت تخلیه در مورد یک رویداد شدید است. ما این شاخص را با احتیاط در نظر می گیریم زیرا برای مثال در شهرهای بزرگ، همیشه یک شاخص کارآمد برای ثروت نیست و برخی از خطرات مانند بالا آمدن سطح دریا، نیازی به تخلیه سریع ندارند. بنابراین به این اندیکاتور در شاخص کل وزن 0.1 اختصاص داده شده است. ما توزیع ملی هر متغیر را به پنجک تقسیم می کنیم (1: کمترین آسیب پذیری، 5: بیشترین آسیب پذیری) و هر منطقه خانوار را به طبقه مربوطه خود اختصاص می دهیم.

تاثیر مستقیم و قوی زلزله منجر به عواقب فوری می شود. جمعیت مجبور به جابجایی می شود و شکاف اولیه شمال شرقی-جنوب غربی بین جمعیت های بیشتر و کمتر آسیب پذیر ( شکل 3 ، t = 50) شکسته می شود ( شکل 3 ، t = 100). در مقابل، حملات موشکی چنین نتیجه برجسته ای ایجاد نمی کند. همان فرآیند پراکندگی و تمرکز مجدد تنها پس از انباشته شدن آسیب در طول زمان ظاهر می شود ( شکل 3 ، t= 1000). این به این دلیل است که اثرات بر دسترسی ناشی از تخریب فیزیکی منجر به اثرات غیر مستقیم بر سیستم کاربری زمین می شود. با پراکندگی ترافیک به دلیل غیرقابل دسترس بودن برخی جاده ها، عملکردهای تجاری جدید ممکن است در مناطقی ایجاد شود که ترافیک بیشتری را به قیمت مکان های تجاری موجود در نزدیکی جاده های شلوغ قبلی جذب می کند. از آنجایی که ترافیک دائماً توسط جریان مداوم شوک‌ها در سناریوی موشکی منحرف می‌شود، عملکردهای تجاری جدید برای بقا تلاش می‌کنند. بر این اساس، فعالیت تجاری با کاهش آهسته و طولانی رو به رو می شود، همانطور که با خالی شدن مکان های تجاری متوالی در امتداد خیابان کینگ جورج و در گوشه شمال شرقی منطقه مورد مطالعه مشهود است (شکل 3، t = 1000 ).

شکل 3. تغییرات در کاربری زمین و جمعیت شناسی با ساخت و ساز در مقاطع زمانی مجزا. ساختمان های مسطح (دوبعدی) غیر مسکونی هستند: خاکستری برای خالی، آبی برای تجاری و صورتی برای عمومی/دولتی. ساختمان های سه بعدی مسکونی هستند که ارتفاع و رنگ هر دو نشان دهنده میانگین امتیازات SVI هستند. ارتفاع ساختمان بیانگر مقادیر مطلق است، به عنوان مثال ، ساختمان هایی با مقادیر منفی دارای ارتفاع “مثبت” هستند. دسته بندی رنگ ها بر اساس چندک ها مرتب می شوند: قرمز نشان دهنده امتیاز کمتر (آسیب پذیری بالا) و سبز امتیاز بالاتر (آسیب پذیری پایین) است.

از طرفی در سناریوی زلزله کاهش سرعت می گیرد. این امر تثبیت الگوهای ترافیکی را در اطراف مراکز تجاری جدید که موفق به سازماندهی مجدد شده اند، ممکن می سازد. همانطور که توابع جدید ترافیک بیشتری را جذب می کنند، یک فرآیند تجمعی رخ می دهد. خوشه های جدید فعالیت تجاری که در مناطق جنوب غربی و شمال شرقی بازار ظاهر می شوند ( شکل 3 ، t = 1000) چنین فرآیندی را نشان می دهد. هنگامی که فعالیت های تجاری جوان می شود و الگوهای کاربری زمین ثابت می شود، نوسانات قیمت مسکن کاهش می یابد و جمعیت قادر به سازماندهی مجدد می شود. این فرآیند به‌طور مشهودی کمتر برجسته است، اما می‌توان آن را شناسایی کرد زیرا به نظر می‌رسد که برخی از خوشه‌های کمتر آسیب‌پذیر، مانند خوشه‌های جنوب بازار، از نظر قدرت رشد می‌کنند ( شکل 3 ،t = 1000). نوسانات مستمر در الگوهای ترافیک و در سیستم کاربری زمین تحت سناریوی موشکی، عوامل را ملزم می کند که دائماً هر تلاشی برای دستیابی به ثبات را تطبیق داده و مزاحمت ایجاد کنند. این اثر ساییدگی با شوک های ثابت درجه پایین همراه است.

این الگوهای ریز فضایی متناقض سازمان‌دهی مجدد در مقابل زوال، تمایل سیستم را برای رسیدن به ثبات در هر یک از سناریوها، همانطور که در جدول 2 گزارش شده است، توضیح می‌دهد . بنابراین، در حالی که تجزیه و تحلیل فضایی با وضوح پایین ممکن است در شناسایی الگوهای تغییرات کل مفید باشد، استفاده از غنای مکانی-زمانی داده ها به بینش هایی در مورد علل چنین الگوهایی اجازه می دهد. همانطور که از سطح پیچیدگی در شکل 3 مشاهده می شود ، ارتباط این نتایج آسان نیست، به خصوص اگر زمان و مکان هر دو با وضوح بالا تجسم شوند.

5. مراحل طراحی

خروجی های شبیه سازی چند بعدی منجر به یک پایگاه داده حجیم از پویایی شهری مکانی و زمانی می شود. اولین چالش این است که این حجم عظیم از داده ها را گرفته و آنها را به اطلاعات معنادار تبدیل کنیم. چالش دوم طراحی یک پلتفرم تجسم است که نمایش قابل فهمی از مجموعه بزرگی از نتایج چند بعدی معنادار را ممکن می سازد. ما یک برنامه اختصاصی مبتنی بر وب طراحی می کنیم که امکان تجسم تعاملی و پرس و جو از خروجی ها را به شیوه ای بصری و کاربرپسند فراهم می کند. (به http://ccg.huji.ac.il/AgentBasedUrbanDisaster/index.html مراجعه کنید). با استفاده از یک مرورگر وب، کاربر می تواند تصاویر متحرک زمانی را در قالب نقشه ها و نمودارها بدون تجربه قبلی در GIS یا مدیریت داده های مکانی تولید کند. این امر مستلزم طراحی پایگاه داده اختصاصی و ساخت خروجی های منتخب برای پاسخگویی سریع و کارآمد به برنامه و استخراج داده ها است. ما این کار را با استفاده از طراحی DB انجام می‌دهیم که همیشه از استانداردهای طراحی DB دقیق پیروی نمی‌کند، بلکه شامل تعدادی جداول مسطح برای فعال کردن نمودار داده‌های جانبی است که در پنجره‌های بازشو، نمودارها و نمودارها نمایش داده می‌شوند.

5.1. پلتفرم های تجسم

نتایج ما با استفاده از سه پلت فرم اصلی تجسم شده است ( شکل 4 ):

(من): Google Maps API به عنوان یک پلتفرم نقشه برداری وب دو بعدی استفاده می شود.
(II): Google Earth API به عنوان یک پلتفرم نمایش سه بعدی استفاده می شود.
(iii): Google Charts API به عنوان یک پلت فرم تجسم گرافیکی غیر فضایی برای نتایج انبوه استفاده می شود.

شکل 4. نقشه راه طراحی تجسم وب.

5.2. فرمت های داده

هر یک از پلتفرم های ذکر شده در بالا به فرمت های متفاوتی از داده های ورودی نیاز دارند و گاهی اوقات بیش از یک فرمت ورودی را به جای یکدیگر می پذیرند ( شکل 4 ). داده های ورودی باید به گونه ای طراحی شوند که بتوان آن را در هر دو بعد زمانی و موضوعی متحرک کرد.

(من): Google Fusion Tables API-ما از Google Fusion Tables API برای تغذیه لایه‌های برداری فضایی دوبعدی در نقشه‌های Google استفاده می‌کنیم. هر ویژگی در لایه ها حاوی سری زمانی مقادیر برای هر متغیر است. اینها با استفاده از پرسش‌های SQL که در پس‌زمینه ایجاد می‌شوند، هنگام کلیک کردن روی یک دکمه عمل، زمانی که یک دکمه لغزنده کشیده می‌شود یا زمانی که روی یک ویژگی کلیک می‌شود، نمایش داده می‌شوند.
(II): فایل‌های داده Json—برای ایجاد تجسم‌های نقشه حرارتی با استفاده از Google Maps API دوبعدی استفاده می‌شوند. هر بار که یک دکمه عمل روشن می شود یا نوار لغزنده به جلو یا عقب کشیده می شود، افزایش زمان تغییر می کند، مقادیر متغیر تغییر می کند و نقشه حرارتی که بر روی محل مطالعه قرار می گیرد مطابق با آن تغییر می کند.
(iii): نمودارهایی که با استفاده از Google Charts API نمایش داده می شوند، بر اساس قالب داده خاصی هستند که به این API وارد می شود. یک حلقه جاوا اسکریپت به منظور ایجاد تجسم مرور زمان که با کلیک یک دکمه عمل آغاز می شود، نوشته شده است.
(IV): فایل‌های kml سه بعدی در ArcScene برای ایجاد نماد رنگ و ارتفاع ایجاد می‌شوند. هر فایل حاوی ویژگی هایی است که مقادیر یک متغیر را در بازه زمانی متفاوت نشان می دهد. یک کلیک دکمه عمل یا کشیدن یک نوار لغزنده، فاصله زمانی انتخابی را تغییر می‌دهد و درخواست می‌کند که لایه kml مناسب نمایش داده شود و لایه قبلی خاموش شود.

5.3. میان افزار و کارکردهای جانبی

ما از کتابخانه ها و API های جاوا اسکریپت مختلف برای افزودن قابلیت های میان افزاری به برنامه استفاده می کنیم. این میان‌افزارها با پلتفرم نقشه‌برداری وب تعامل دارند تا قابلیت‌های جانبی [ 32 ] مانند انیمیشن‌سازی زمان، انتخاب متغیر برای نمایش، و غیره را ارائه دهند .

(من): دکمه‌های عمل – یک انیمیشن حلقه‌ای خودکار از یک متغیر انتخابی در نقشه یا نمودار در پلتفرم‌های تجسم مختلف را آغاز می‌کند.
(II): لغزنده – به کاربر اجازه می دهد تا به صورت دستی از طریق تجسم یک متغیر خاص در پلت فرم های تجسم مختلف عبور کند.
(iii): منوهای انتخاب – به کاربر اجازه می دهد تا یک متغیر را برای نمایش مرور کرده و انتخاب کند. تغییر در انتخاب یک متغیر همچنین باعث ایجاد تغییر در افسانه های نمایش داده شده برای مطابقت با متغیر مربوطه می شود.

6. ارتباط با نتایج

به طور سنتی، خروجی های تحقیقاتی از طریق انتشارات و گزارش های علمی اطلاع رسانی می شود. اینها از نظر مقدار اطلاعات متنی و بصری محدود هستند. این محدودیت ها با افزایش پیچیدگی و حجم خروجی ها ترکیب می شوند. علاوه بر این، مشارکت عمومی در برنامه ریزی و تصمیم گیری در حال افزایش ارزش افزوده است [ 33 ، 34 ]. مصرف کنندگان جدید اطلاعات همواره به منابع سنتی اطلاعات علمی دسترسی ندارند که نیاز به انتقال اطلاعات مکانی به متخصصان و عموم مردم را به شیوه ای قابل درک و شهودی ایجاد می کند.

برقراری ارتباط نتایج تحقیقات پیچیده و فشرده با اطلاعات به کاربران نهایی با پیشینه های گسترده یک کار چالش برانگیز است. افزایش پیچیدگی، حجم و پیچیدگی مدل‌سازی دینامیک شهری و رشد تصاعدی قدرت محاسباتی و کلان داده‌ها، این چالش را تشدید می‌کند. فناوری‌های تجسم مکانی و زمانی نقشه‌برداری مبتنی بر وب می‌توانند به عنوان پلی بین محیط تحقیقاتی که در آن خروجی‌ها تولید می‌شوند و کاربر عمل کنند. ما یک برنامه مبتنی بر وب را توسعه می دهیم که به عنوان وسیله ای برای ارتباط خروجی های تولید شده با استفاده از یک مدل شبیه سازی مبتنی بر عامل به کاربران نهایی بالقوه، مانند مهندسان شهری و برنامه ریزان تخلیه عمل می کند. انتقال اطلاعات مکانی از این طریق به افزایش شفافیت کمک می کند و درها را برای آگاهی عمومی و مشارکت در فرآیندهای برنامه ریزی پس از فاجعه باز می کند. برنامه ما به کاربر اجازه می دهد چهار نوع تکنیک تجسم فضایی و غیر فضایی را مرور کند.

شکل 5. پانل های مقایسه نقشه که ساختمان های گسسته مبتنی بر برداری ( a-d ) و ( e-h ) سطح نقشه حرارتی پیوسته را برای ارزش ساختمان (a,e)، شاخص آسیب پذیری (b,f)، درآمد خانوار (c,g) نمایش می دهند. و نسبت تحرک (d,h).

6.1. پانل مقایسه نقشه

در این تجسم، کاربر می‌تواند چهار نقشه مختلف از چهار متغیر متغییر متحول پویا را در عواقب یک فاجعه (حمله موشکی یا زلزله) مشاهده کند: ارزش ساختمان، شاخص آسیب‌پذیری، درآمد خانوار و نسبت تحرک. نقشه ها ثابت نیستند، بلکه می توانند متحرک شوند تا دنباله ای از پرتره های تایم لپس هر متغیر را نمایش دهند. هر نقشه حاوی “عکس” در مکان و زمان متغیرها از قبل از رویداد ( t + 0) تا زمان رویداد ( t + 50) تا سه سال پس از رویداد ( t) است.+ 1000) در مراحل زمانی 50 روزه. نقشه های متحرک هر متغیر در دو قالب ارائه شده است که کاربر می تواند از بین آنها انتخاب کند. اولی یک قالب لایه ساختمان بردار گسسته است که تغییر در مقادیر متغیر را در طول زمان از طریق تغییر در رنگ ساختمان نشان می دهد. با یک کلیک ماوس بر روی هر ساختمان، کاربر می تواند یک پنجره بازشو با تمام ویژگی های متصل به ساختمان راه اندازی کند ( شکل 5)). فرمت دوم یک نقشه حرارتی است – این یک سطح پیوسته است که بر روی محل مطالعه قرار گرفته است که غلظت های بالا و پایین یک پدیده را با استفاده از رنگ های سرد و گرم به تصویر می کشد. مناطقی که یک متغیر خاص مقادیر بالایی را نشان می‌دهد، مانند مقادیر ساختمان یا نسبت‌های تحرک، با رنگ قرمز نمایش داده می‌شوند. مناطق با مقادیر کم به رنگ آبی نمایش داده می شوند. این کاربر را قادر می سازد تا به راحتی روندها و پیکربندی های فضایی را شناسایی کند و به صورت پویا با سطح زوم نقشه تنظیم شود. با این حال، اجازه استخراج مقدار را با یک کلیک ماوس نمی دهد. هر دو فرمت به کاربر این امکان را می‌دهند که با کلیک بر روی دکمه «پخش» نقشه‌ها را متحرک کند تا به‌طور خودکار نقشه‌ها در طول زمان متحرک شوند یا از یک نوار لغزنده برای تغییر دستی مراحل زمانی نقشه‌ها استفاده کنند.

6.2. پانل نمودارهای پویا

در این پانل، تغییر در پارامترها بر روی نمودارهای پویا-پرس و جو ترسیم شده است ( شکل 6). به عنوان مثال، متغیرهای مربوط به پویایی جمعیت، مانند تعداد ساکنان منطقه و درآمد ماهانه آنها در هر نقطه از زمان، بر درآمد مهاجران جدید نشان داده می شود. این نشان دهنده افزایش کل جمعیت همراه با کاهش درآمد کل در منطقه مورد مطالعه در کل دوره سه ساله پس از زلزله است. به طور خاص، واریانس بالا در درآمد خانوار مهاجران داخلی قابل ذکر است. نمودارهای دیگر تغییر ارزش ساختمان های مسکونی و غیر مسکونی را از تعداد کل ساختمان ها در هر دسته نشان می دهد. با توجه به پویایی مدل، این می‌تواند دائماً تغییر کند زیرا ساختمان‌ها پس از یک رویداد یا تخریب می‌شوند یا غیرقابل سکونت می‌شوند، با بازسازی و تغییر کاربری از مسکونی به غیر مسکونی و بالعکس .. در حالی که این تجسم فضایی نیست، نمایش نتایج انبوه (تجزیه و تحلیل کلان) مربوط به کل منطقه مورد مطالعه را در طول زمان فعال می کند و به کاربر اجازه می دهد نمودارها را با کلیک ماوس جستجو کند.

6.3. راه ها و پویایی شهری

این یک تجسم مرور زمان مبتنی بر برداری است که به انیمیشن پنج متغیر مختلف در طول زمان مربوط به تغییر تعداد مسافران در طول شبکه جاده در سایت مطالعه اجازه می‌دهد ( شکل 7)). این تغییر در حجم ترافیک در نهایت فرآیندهای پویا را در مدل از طریق تغییر قابلیت دسترسی هدایت می کند. در اینجا نیز، تجسم تایم لپس بر اساس یک فاصله زمانی 50 روزه در طول سه سال است. کاربر می تواند یک متغیر را برای نمایش با شبکه جاده انتخاب کند: کاربری زمین، ارزش ساختمان، شاخص آسیب پذیری، درآمد خانوار و نسبت تحرک. از آنجایی که این یک تجسم مبتنی بر برداری است، کاربر می تواند عناصری مانند ساختمان ها و بخش های جاده در نقشه را با استفاده از ماوس پرس و جو کند و ویژگی های هر عنصر را در هر نقطه از زمان استخراج کند. این تجسم را می توان با استفاده از دکمه های مربوطه متحرک کرد و با استفاده از یک نوار لغزنده تایم لپس به صورت دستی دستکاری کرد.

شکل 6. پرس و جو از نمودارهای پویا با کلیک بر روی نقاطی در نمودار نشان دهنده مقدار یک متغیر در یک نقطه زمانی خاص.

شکل 7. تجسم دو بعدی مبتنی بر برداری از متغیرهای مختلف در شبکه جاده.

6.4. تجسم سه بعدی

این تجسم از تکنیک های تجسم سه بعدی برای نمایش تغییر در متغیرها در طول زمان استفاده می کند. ما از رنگ ساختمان ها برای نمایش تغییر در هر کاربری زمین ساختمان استفاده می کنیم و از ارتفاع ساختمان برای نمایش تغییر در ارزش ساختمان، شاخص آسیب پذیری، درآمد خانوار و نسبت تحرک استفاده می کنیم. به دلیل محدودیت حجم داده، ما تجسم را به یک سال پس از رویداد با فاصله زمانی 50 روزه محدود می کنیم ( شکل 8 ). این تجسم همچنین کاربر را قادر می سازد تا سایت مطالعه را با استفاده از سه بعدی با Google Earth به عنوان پلتفرم آشنا کند. در نتیجه، کاربر می تواند صحنه را بچرخاند و زاویه ارائه را تغییر دهد.

شکل 8. تجسم سه بعدی متغیرهای مختلف. رنگ نشان دهنده کاربری اصلی یک ساختمان و ارتفاع نشان دهنده مقدار متغیر است.

7. نتیجه گیری

از نظر شبیه سازی پیامدها، این مقاله نشان داده است که موقعیت های فاجعه متنوع نتایج بسیار متفاوتی را به دنبال دارد. در درازمدت، شهر تمایل به بهبودی پس از زلزله دارد و برای شاخص های کلیدی در یک دوره 400 تا 600 روزه به تعادل می رسد. با حمله موشکی، همه چیز متفاوت است. شوک های تصادفی و کم درجه ظرفیت سازماندهی مجدد را از بین می برد و شهر هرگز واقعاً بهبود نمی یابد. این در سطح خرد نیز منعکس می شود. زلزله باعث ایجاد فرآیند پراکندگی و تمرکز مجدد جمعیت و فعالیت های تجاری می شود. در مقابل، حملات موشکی باعث از بین رفتن خوشه‌های مسکونی و تجاری می‌شود، زیرا توانایی آنها برای گروه‌بندی مجدد هرگز امکان تحقق ندارد.

همانطور که این نتایج بسیار متفاوت هستند، روش های ارتباط با آنها نیز باید بر اساس آن ارائه شود. اثرات زلزله باید به جمعیتی که در حال جابجایی و تنظیم مجدد پس از فاجعه هستند، منتقل شود. در مقابل، نتایج موشک باید به جمعیتی اطلاع داده شود که در جای خود باقی می‌ماند اما به تدریج از فرسایش رنج می‌برد. این نشان می‌دهد که مدیریت بلایا باید فراتر از ارائه راه‌حل‌های مهندسی حرکت کند و به فرآیند گسترده‌تری مرتبط باشد که بین گروه‌های جمعیتی متاثر از فاجعه متمایز می‌شود.

بهبود دسترسی به اطلاعات یکی از راه‌های افزایش انعطاف‌پذیری در برابر شوک‌ها است. همراه با انفجار اطلاعات موجود از طریق افزایش قدرت کامپیوتری و پیشرفت فناوری، تغییرات اجتماعی گسترده‌تر نیز نیازمند دموکراتیزه کردن مدیریت بحران و افزایش توانمندی شهروندان در فرآیند بهبود است. مدل متمرکز، خطی و از بالا به پایین مدیریت بلایا به آرامی توسط یک رویکرد مبتنی بر جامعه شبکه ای تقویت می شود [ 35]]. این شیوه مدیریت مبتنی بر ادغام داده ها و ورودی عمومی از طریق جمع سپاری است و توسط منابعی مانند OpenStreetMap و GeoCommons روان می شود. از این نظر، اینترنت به عنوان تسهیل کننده بزرگ عمل می کند. استانداردهای باز و رابط های ساده را تشویق می کند و به طور کلی تولید اطلاعات را شفاف تر و دموکراتیک تر می کند.

ارائه مبتنی بر وب پیامدهای احتمالی فاجعه نه تنها مشارکت عمومی را در بازسازی و جوان‌سازی تشویق می‌کند، بلکه انواع واکنش‌های مورد نیاز برای مقاومت در برابر شوک را نیز متمایز می‌کند. در موارد شبیه‌سازی‌شده ما، کاهش اثرات زلزله به نیاز به کمک به بازیابی در مکان‌های جدید، تشویق تحرک شخصی، و حذف محدودیت‌های نظارتی برای بهبود فیزیکی جوامع اشاره دارد. برای مورد حمله موشکی، مجموعه بسیار متفاوتی از مداخلات ممکن است مرتبط باشد. اینها به حفظ و تثبیت جامعه مربوط می شود، برای مثال مهار موج مهاجرت و تقویت خدمات اجتماعی محلی.

منابع

Koch, JV هزینه های دفاع در برابر افزایش سطح دریا و سیل در مناطق ساحلی کلان شهر میانی آتلانتیک: مسائل اساسی. J. Reg. مقعدی سیاست 2010 ، 40 ، 53-60. [ Google Scholar ]
تیت، ای. برتون، سی جی; بری، م. امریش، سی تی. ابزار نقشه برداری خطرات یکپارچه کاتر، SL. ترانس. GIS 2011 ، 15 ، 689-706. [ Google Scholar ] [ CrossRef ]
درانش، دی. روتزول، اچ. پوزر، ک. سهم نقشه ها در چالش های ارتباط ریسک با مردم. بین المللی جی دیجیت. زمین 2010 ، 3 ، 292-311. [ Google Scholar ] [ CrossRef ]
کوچک، RG; Loggins، RA; والاس، WA ساخت ابزار مناسب برای کار: ارزش مشارکت ذینفعان هنگام توسعه فناوری‌های پشتیبانی تصمیم برای مدیریت اضطراری. نات. Hazards Rev. 2015 . [ Google Scholar ] [ CrossRef ]
هاگمایر-کلوزه، ام. واگنر، ک. ارزیابی نقشه های خطر سیل در خدمات چاپی و نقشه برداری وب به عنوان ابزار اطلاعاتی در ارتباطات خطر سیل. نات. سیستم خطرات زمین. علمی 2009 ، 9 ، 563-574. [ Google Scholar ] [ CrossRef ]
کوان، نماینده مجلس؛ لی، جی. پاسخ اضطراری پس از 11 سپتامبر: پتانسیل GIS سه بعدی بلادرنگ برای واکنش سریع اضطراری در محیط‌های ریز فضایی. محاسبه کنید. محیط زیست سیستم شهری 2005 ، 29 ، 93-113. [ Google Scholar ] [ CrossRef ]
روشه، اس. پروپک-زیمرمن، ای. Mericskay، B. GeoWeb و مدیریت بحران: مسائل و دیدگاه‌های اطلاعات جغرافیایی داوطلبانه. جئوژورنال 2011 ، 78 ، 21-40. [ Google Scholar ] [ CrossRef ]
ریچاردسون، HW; پارک، جی. مور، جی. Pan, Q. (Eds.) تحلیل تأثیر اقتصادی ملی حملات تروریستی و بلایای طبیعی ; ادوارد الگار: چلتنهام، بریتانیا، 2014.
چن، ایکس. Zhan، مدل‌سازی و شبیه‌سازی تخلیه شهری مبتنی بر عامل FB: اثربخشی نسبی استراتژی‌های تخلیه همزمان و مرحله‌ای. جی. اوپر. Res. Soc. 2006 ، 59 ، 25-33. [ Google Scholar ] [ CrossRef ]
کروکس، AT; Wise، S. GIS و مدل‌های مبتنی بر عامل برای کمک‌های بشردوستانه. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 41 ، 100-111. [ Google Scholar ] [ CrossRef ]
داوسون، RJ; فلفل.؛ وانگ، ام. یک مدل مبتنی بر عامل برای مدیریت حوادث سیل مبتنی بر ریسک. نات. خطرات 2011 ، 59 ، 167-189. [ Google Scholar ] [ CrossRef ]
گرینبرگر، AY; Felsenstein، D. جهش به عقب یا به جلو؟ شبیه سازی تاب آوری شهری شهری دس. طرح. 2014 ، 167 ، 115-124. [ Google Scholar ] [ CrossRef ]
گرینبرگر، AY; فلسنشتاین، دی. Lichter، M. شبیه سازی تاب آوری شهری: بلایا، دینامیک و داده های (مصنوعی). در برنامه ریزی سیستم های پشتیبانی و شهرهای هوشمند ; Geertman, S., Stillwell, J., Ferreira, J., Goodspeed, R., Eds.; Springer: Cham, Switzerland, 2015; صص 99-119. [ Google Scholar ]
Macal، CM; North, MJ آموزش مدل سازی و شبیه سازی مبتنی بر عامل. در مجموعه مقالات سی و هفتمین کنفرانس شبیه سازی زمستانی، اورلاندو، فلوریدا، ایالات متحده آمریکا، 4 تا 7 دسامبر 2005. صص 2-15.
سالامون، ا. کاتز، او. Crouvi، O. مناطق بررسی مورد نیاز برای خطرات مرتبط با زلزله در اورشلیم. نات. خطرات 2009 ، 53 ، 375-406. [ Google Scholar ] [ CrossRef ]
لینارد، سی. گیلبرت، ام. Tatem، AJ ارزیابی استفاده از داده‌های پوشش زمین جهانی برای هدایت مدل‌سازی توزیع جمعیت در مناطق بزرگ. ژئوژورنال 2010 ، 76 ، 525-538. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ریبل، ام. Bufalino، ME تکنیک های درون یابی با وزن خیابان برای تخمین تعداد جمعیت در سیستم های منطقه ناسازگار. محیط زیست طرح. A 2005 ، 37 ، 127-139. [ Google Scholar ] [ CrossRef ]
Eicher، CL; Brewer، CA نقشه برداری داسیمتری و درونیابی منطقه ای: پیاده سازی و ارزیابی. کارتوگر. Geogr. Inf. علمی 2001 ، 28 ، 125-138. [ Google Scholar ] [ CrossRef ]
منیس، جی. تولید مدل‌های سطحی جمعیت با استفاده از نقشه‌برداری داسیمتری. پروفسور Geogr. 2003 ، 55 ، 31-42. [ Google Scholar ]
بکمن، آر.جی. Baggerly، KA. McKay, MD ایجاد جمعیت های پایه مصنوعی. ترانسپ Res. بخش سیاست عمل. 1996 ، 30 ، 415-429. [ Google Scholar ] [ CrossRef ]
پریچارد، DR; میلر، EJ پیشرفت‌ها در سنتز جمعیت: برازش بسیاری از ویژگی‌ها به ازای هر عامل و تناسب با حاشیه‌های خانوار و افراد به طور همزمان. حمل و نقل 2011 ، 39 ، 685-704. [ Google Scholar ] [ CrossRef ]
بهادوری، بی. برایت، ای. کلمن، پی. Urban، ML LandScan USA: یک رویکرد مدل‌سازی مکانی و زمانی با وضوح بالا برای توزیع و پویایی جمعیت. ژئوژورنال 2007 ، 69 ، 103-117. [ Google Scholar ] [ CrossRef ]
مارتین، دی. کاکینگ، اس. Leung, S. توسعه یک چارچوب انعطاف‌پذیر برای مدل‌سازی جمعیت فضایی-زمانی. ان دانشیار صبح. Geogr. 2015 ، 105 ، 754-772. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هارپر، جی. Mayhew, L. استفاده از داده های اداری برای شمارش جمعیت های محلی. Appl. تف کردن مقعدی سیاست 2012 ، 5 ، 97-122. [ Google Scholar ] [ CrossRef ]
هارپر، جی. Mayhew, L. کاربردهای شمارش جمعیت بر اساس داده های اداری در سطح محلی. Appl. تف کردن مقعدی سیاست 2012 ، 5 ، 183-209. [ Google Scholar ] [ CrossRef ]
Beenstock، M. فلسنشتاین، دی. بن زیف، ن. عمیق شدن سرمایه و نابرابری منطقه ای: یک تحلیل تجربی. ان Reg. علمی 2011 ، 599-617. [ Google Scholar ] [ CrossRef ]
لیچر، ام. Felsenstein، D. ارزیابی هزینه های افزایش سطح دریا و سیل شدید در سطح محلی: یک رویکرد مبتنی بر GIS. ساحل اقیانوس. مدیریت 2012 ، 59 ، 47-62. [ Google Scholar ] [ CrossRef ]
سیمون، HA یک مدل رفتاری از انتخاب منطقی. QJ Econ. 1955 ، 69 ، 99-118. [ Google Scholar ] [ CrossRef ]
شلینگ، مدل های دینامیک TC تفکیک. جی. ریاضی. اجتماعی 1971 ، 1 ، 143-186. [ Google Scholar ] [ CrossRef ]
کروکس، AT; Castle، CJE ادغام مدل‌سازی مبتنی بر عامل و اطلاعات جغرافیایی برای شبیه‌سازی مکانی. در مدل های عامل محور سیستم های جغرافیایی ; Heppenstall, AJ, Crooks, AT, See, LM, Batty, M., Eds. Springer: Houten، هلند، 2012; صص 219-251. [ Google Scholar ]
فلسنشتاین، دی. Lichter, M. آسیب پذیری اجتماعی و اقتصادی جوامع ساحلی در برابر افزایش سطح دریا و سیل شدید. نات. خطرات 2014 ، 71 ، 463-491. [ Google Scholar ] [ CrossRef ]
باتی، م. هادسون اسمیت، ا. میلتون، آر. Crooks، A. Mashups Map، Web 2.0 و انقلاب GIS. ان GIS 2010 ، 16 ، 1-13. [ Google Scholar ] [ CrossRef ]
دان، CE مشارکتی GIS – GIS مردمی؟ Prog. هوم Geogr. 2007 ، 31 ، 616-637. [ Google Scholar ] [ CrossRef ]
گروه Elwood، S. Grassroots به عنوان سهامداران در زیرساخت های داده های مکانی: چالش ها و فرصت ها برای توسعه و به اشتراک گذاری داده های محلی. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 71-90. [ Google Scholar ] [ CrossRef ]
کاوازاکی، آ. برمن، ام ال. گوان، دبلیو. نقش رو به رشد فناوری جغرافیایی مبتنی بر وب در واکنش و پشتیبانی بلایا. بلایا 2013 ، 37 ، 201-221. [ Google Scholar ] [ CrossRef ] [ PubMed ]

© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب