ارزیابی تاب آوری فضایی شبکه های بزرگراهی در پاسخ به شرایط نامساعد جوی

خلاصه

آب و هوای نامناسب تهدید قابل توجهی برای قابلیت سرویس دهی زیرساخت های بزرگراه است، زیرا باعث تصادفات مکرر و شدیدتر می شود. این مطالعه بر ارزیابی انعطاف‌پذیری شبکه‌های بزرگراهی با بررسی تأثیر ایمنی ناشی از تصادف در پاسخ به رویدادهای آب و هوایی شدید متمرکز است. برخلاف روش‌های سنتی مبتنی بر افت خدمات برای ارزیابی تاب‌آوری، این مطالعه تلاش می‌کند تاب‌آوری بزرگراه را در یک زمینه فضایی ارزیابی کند. سه معیار فضایی، از جمله K-نزدیک‌ترین همسایه، مجاورت به بزرگراه‌ها و نقطه داغ تراکم هسته، برای مقایسه و تجزیه و تحلیل الگوهای فضایی (میزان و توزیع) تصادف‌ها در شرایط قبل و بعد از آب‌وهوا معرفی و به کار گرفته شده‌اند.

کلید واژه ها:

تاب آوری فضایی ; آب و هوای نامساعد ؛ تاثیر ایمنی ؛ الگوی تصادف

1. معرفی

بزرگراه ها در برابر شرایط نامساعد جوی آسیب پذیر هستند که خطراتی برای وسایل نقلیه موتوری و عابران پیاده ایجاد می کند و عملیات ترافیکی را مختل می کند (به عنوان مثال، سطح پایین خدمات و بسته شدن جاده ها). شبکه‌های بزرگراهی ایالات متحده انعطاف‌پذیری خاصی را در برابر اختلالات مربوط به آب‌وهوا نشان می‌دهند، از جمله وجود افزونگی شبکه به‌عنوان مسیرهای متعددی که اغلب برای سفرهای طولانی مدت در دسترس هستند، و همچنین اقدامات پیشگیرانه و بازیابی، مانند پخش شدن مواد یخ زدایی، هشدارهای آب‌وهوا، و برف/یخ زدایی وقتی صحبت از انعطاف‌پذیری بزرگراه‌ها می‌شود، ادبیات موجود بر کمی کردن افت خدمات شبکه بزرگراهی در سرعت و حجم ترافیک، به دلیل رویدادهای مخرب مختلف مانند خطرات طبیعی و انسان‌ساز متمرکز شده است. با این حال، ادبیات محدودی انعطاف‌پذیری بزرگراه‌ها را از منظر ایمنی جاده مورد مطالعه قرار داده است. در این مطالعه، نویسندگان مفهوم جدیدی از انعطاف‌پذیری بزرگراه را توسعه می‌دهند – تاب‌آوری فضایی، که بر مطالعه تأثیر تغییرات مکانی تصادفات بر ایمنی بزرگراه‌ها در شرایط نامساعد جوی تمرکز دارد. نویسندگان همچنین سه معیار را برای اندازه‌گیری فضایی تأثیر ایمنی آب و هوای نامساعد بر انعطاف‌پذیری فضایی بزرگراه پیشنهاد می‌کنند، با این فرض که رویدادهای آب و هوایی شدید منجر به افزایش نرخ تصادف می‌شوند.1 ]. این معیارها عبارتند از: (1) K-نزدیکترین همسایه (KNN). (2) نزدیکی به بزرگراه ها؛ و (3) نقطه داغ تراکم هسته.

تازگی این تحقیق در ادغام تاب آوری با الگوهای فضایی نشان داده شده در تصادفات ترافیکی – خوشه بندی و توزیع حوادث تصادفات ترافیکی در مناطق تحت تأثیر آب و هوا است. انتظار می‌رود این تحقیق ابزاری برای ارزیابی تاب‌آوری فضایی بزرگراه به صورت بصری و کمی در اختیار متخصصان حمل‌ونقل قرار دهد. معیارهای فضایی پیشنهادی را می‌توان برای اندازه‌گیری انعطاف‌پذیری بزرگراه از نظر تأثیرات مربوط به آب و هوا بر الگوهای تصادف، و بررسی بیشتر علل غیر آب و هوایی تصادفات زمانی که ویژگی‌های تصادف مختلف (به عنوان مثال، سرعت خودرو و شرایط جاده) در نظر گرفت، استفاده کرد. نسخه خطی به شرح زیر تنظیم شده است. پس از بررسی تأثیر بالقوه آب و هوای نامطلوب بر ایمنی جاده ها، نویسندگان مفهوم انعطاف پذیری فضایی در ایمنی بزرگراه را معرفی می کنند. به طور متوالی،

2. پس زمینه

2.1. تاب آوری زیرساخت بزرگراه در آب و هوای نامساعد

به دلیل افزایش فراوانی و شدت رویدادهای شدید آب و هوایی، دارایی های زیرساخت بزرگراه در ایالات متحده در معرض خطرات ایمنی و اقتصادی گسترده ای مانند تصادفات مرگبار و افت خدمات هستند [ 2 ]. به عنوان مثال، طوفان های شدید زمستانی می تواند تصادفات را تا 25 برابر افزایش دهد و ظرفیت جاده را بین 12 تا 27 درصد کاهش دهد [ 3 ، 4 ]. زیان اقتصادی خدمات تخریب شده نیز قابل توجه است. ایالت میشیگان تخمین می زند که هزینه های یک طوفان برفی می تواند از 66 میلیون دلار تا 700 میلیون دلار برای تعطیلی یک روزه، به دلیل شرایط غیرقابل دسترس جاده متغیر باشد [ 2] .]. در پاسخ به اثرات نامطلوب طوفان‌های شدید زمستانی، در سال 2014، وزارت امنیت داخلی ایالات متحده نیاز فوری به مطالعه تاب‌آوری زیرساخت‌های حیاتی، مانند بزرگراه‌ها را برای محدود کردن تأثیرات اعلام کرد [5 ] .

انعطاف‌پذیری برای سیستم‌های بزرگراه اغلب در سطح شبکه با توجه به اینکه چگونه ارائه خدمات در رویدادهای قبل و بعد از اختلال تغییر می‌کند و به حالت عادی بازمی‌گردد، پرداخته می‌شود [6 ] . تحت اختلال طوفان های زمستانی، نوگال و همکاران. [ 7 ] انعطاف پذیری بزرگراه را به عنوان ظرفیت شبکه برای جذب اثرات نامطلوب با شناسایی مسیرهای مختلف برای یک جفت نقطه مبدا-مقصد (OD) و در عین حال به حداقل رساندن هزینه های سفر (یعنی زمان یا پول) مورد بررسی قرار داد. آدامز و همکاران [ 8] احیای راهروهای بزرگراه را با ردیابی سرعت کامیون و تعداد کامیون‌های در حال حرکت قبل و بعد از رویدادهای نامطلوب جوی بررسی کرد. در زمینه شبکه‌های جاده‌ای، تحقیقات بر روی انعطاف‌پذیری بزرگراه‌ها بر ارزیابی عملکرد توپولوژیکی و عملکردی (به عنوان مثال، جریان ترافیک و تاخیر زمانی) با شبیه‌سازی و شناسایی مسیرهای جایگزین و شکاف‌های عملکردی بین جفت‌های OD خاص در پاسخ به خطرات فاجعه‌بار متمرکز شده است. [ 9 ، 10 ، 11 ]. با توجه به ادبیات موجود در مورد انعطاف پذیری بزرگراه ها به ندرت بر ایمنی جاده از نظر موقعیت و نزدیکی جغرافیایی تصادفات تمرکز می شود، شناسایی الگوهای فضایی تصادفات نمایانگر دیدگاه حیاتی دیگری از انعطاف پذیری بزرگراه است – تاب آوری فضایی.

علاوه بر کاهش خدمات، شبکه‌های بزرگراهی آسیب‌پذیری خود را در برابر آب و هوای شدید از نظر خطرات ایمنی ناشی از آب و هوا در سفرهای جاده‌ای نشان داده‌اند. با توجه به اداره بزرگراه فدرال (FHWA)، تصادفات مرتبط با آب و هوا به عنوان حوادث ترافیکی تعریف می شود که در آب و هوای نامناسب و شرایط جاده سخت مربوطه رخ می دهد [ 12 ]. چندین محقق به این نتیجه رسیدند که رویدادهای آب و هوای نامناسب به نرخ تصادفات ترافیکی بالاتر کمک می کند، یک معیار سنتی برای تجزیه و تحلیل تصادف [ 13 ، 14 ]. تعیین تأثیر عمیق شرایط آب و هوایی بر نرخ تصادفات ترافیکی می تواند یک تصمیم چند متغیره باشد. یک نرخ تصادف ساده، به عنوان نسبت تعداد تصادف به حجم ترافیک، برای ارزیابی خطرات ایمنی جاده کافی نیست [ 15]]. انواع اقدامات مواجهه با حوادث تصادف باید در نظر گرفته شود. عوامل قرار گرفتن در معرض (مانند سرعت، زمان روز، تعداد وسایل نقلیه درگیر، تلفات و شدت جراحات) یا به عنوان دلایلی برای تصادفات عمل می کنند یا می توانند برای تعریف ویژگی های تصادف استفاده شوند [15 ، 16 ] .

2.2. تحلیل فضایی الگوهای تصادف

روش های مختلفی برای ارجاع به مکان های حوادث تصادف وجود دارد. یک روش این است که حوادث تصادف را می توان به ویژگی های جاده، مانند انواع جاده، و طول و عرض بخش های جاده ارجاع داد. به عنوان مثال، مالین و همکاران. [ 17 ] احتمال پالم خطرات تصادف را تخمین زد که در انواع مختلف بخش‌های جاده (جاده‌های دو خطه، چند خطه و بزرگراه‌ها) به چندین شرایط آب و هوایی ارجاع داده شد. طبق دستورالعمل‌های FHWA، یکی از بهترین روش‌ها برای تشخیص حوادث ترافیکی، تمرین نشانگرهای مرجع مکرر یا پیشرفته‌تر جاده است [ 18]]. علاوه بر ویژگی های مرتبط با جاده، تصادفات را می توان با استفاده از مختصات جغرافیایی (جفت طول و عرض جغرافیایی) ارجاع داد. مزیت استفاده از مختصات جغرافیایی برای مرجع تصادفات این است که حوادث تصادف فردی را می توان به عنوان رویدادهای نقطه ای در یک بافت فضایی مستقل از شبکه های جاده ای در نظر گرفت. این ویژگی زمانی غالب می‌شود که هیچ مجموعه داده شبکه بزرگراهی کاملی وجود نداشته باشد که داده‌های خط مرکزی جاده را برای بزرگراه‌ها و شریانی‌های اصلی داشته باشد، اما داده‌های خط مرکزی جاده‌ها را برای جاده‌های محلی شامل نشود.

تکنیک های به طور گسترده پذیرفته شده برای تجزیه و تحلیل فضایی نقطه-رویداد عبارتند از: (1) رویکرد K-نزدیکترین همسایه (KNN) برای طبقه بندی و پیش بینی الگو. (2) تکنیک‌های زمین‌آماری که الگوهای توزیع (به عنوان مثال، خوشه‌بندی، پراکندگی، و تصادفی بودن) داده‌های مشاهده‌شده را با استفاده از آمار موران (هم جهانی و هم محلی) و آمار Getis-Ord شناسایی می‌کنند. و (3) تخمین چگالی هسته (KDE) برای تعیین کمیت سطح چگالی احتمال برای خوشه های شناسایی شده [ 16 ]. روش KNN یک الگوریتم ساده اما قدرتمند برای تشخیص الگوهای فضایی بر اساس فاصله اقلیدسی برای رویدادهای نقطه ای ارائه می دهد. این یک نقطه (تصادف ترافیک) را بر اساس یک معیار شباهت، مانند تعداد همسایگان، به یک کلاس خاص طبقه بندی می کند. ویلسون و همکاران [ 19] از رویکرد KNN برای نقشه‌برداری از توزیع و فراوانی گونه‌های درختی متعدد در حوزه‌های فضایی بزرگ استفاده کرد. در زمینه حمل و نقل، محققان روش KNN را برای توسعه الگوریتم های جستجو برای پیش بینی وضعیت ترافیک (به عنوان مثال، سرعت وسیله نقلیه) بر اساس الگوهای ترافیکی مشاهده شده قبلی گسترش دادند [ 20 ، 21 ]. مطالعه نزدیکی رویدادهای نقطه‌ای می‌تواند یک الگوی فضایی معمولی را بررسی کند – خوشه‌بندی، بر اساس فرض همبستگی مکانی که در آن ویژگی‌های یک نمونه در یک مکان خاص تحت تأثیر حضور نمونه‌های دیگر در مجاورت جغرافیایی قرار می‌گیرد. خان و همکاران [ 13] آمار Moran’s I و Getis-Ord را برای شناسایی مکان های خوشه ای تصادفات تحت شرایط آب و هوایی برف، باران و مه اتخاذ کرد. هنگامی که مکان‌های خوشه‌بندی شده شناسایی شدند، KDE و KDE شبکه توسعه‌یافته آن می‌توانند برای نشان دادن سطح چگالی خوشه‌های مرتبط با زمینه استفاده شوند. هارت و زاندبرگن [ 22 ] عملکرد تنظیمات پارامترهای مختلف (پهنای باند و اندازه سلول هسته) را در KDE برای پیش‌بینی دقت کانون‌های جرم بررسی کردند. KDE همچنین برای شناسایی نقاط حادثه خیز ترافیک (مناطق با وقوع بالای تصادف) برای طبقه بندی تصادفات جاده ای استفاده شد [ 23 ]. نتیجه KDE، بر اساس فاصله اقلیدسی در فضای مسطح، به دلیل تخمین بیش از حد خوشه‌های تصادف، برای مجموعه داده‌های مکان در فضای شبکه تعصب داشت [24 ]]. برای غلبه بر این محدودیت، یک KDE مبتنی بر شبکه توسعه داده شد و در فضاهای شبکه جاده‌ای برای تشخیص الگوهای تصادف شامل گروه‌های سنی و سطوح شدت مختلف [ 25 ، 26 ] به کار گرفته شد.

3. تاب آوری فضایی شبکه های بزرگراهی

در پاسخ به خطرات مربوط به آب و هوا، ادبیات موجود در مورد انعطاف پذیری بزرگراه بر ویژگی های مربوط به سطح خدمات (LOS)، مانند ظرفیت جاده و زمان سفر تأکید می کند. در مقابل، تاثیر مربوط به ایمنی در یک مسیر جداگانه از طریق آمار مبتنی بر فرکانس یا شناسایی نقاط حادثه خیز مورد مطالعه قرار گرفته است. اقدامات انعطاف‌پذیری که جنبه‌های ایمنی و فضایی مدیریت جاده‌های ناشی از آب و هوا را ترکیب می‌کنند، به ندرت مورد توجه قرار می‌گیرند. این تحقیق با ارائه ایده تاب آوری فضایی و معیارهای عملکرد آن که می تواند برای اندازه گیری الگوهای مختلف تصادف در شبکه های بزرگراهی قبل و بعد از رویدادهای جوی نامطلوب مورد استفاده قرار گیرد، شکاف های دانش در تاب آوری بزرگراه ها را پر می کند.

انعطاف‌پذیری فضایی یک شبکه بزرگراهی به عنوان تغییر در الگوهای فضایی تصادفات در پاسخ به رویدادهای آب و هوایی شدید تعریف می‌شود. تغییرات الگوی تصادف ایده‌های انعطاف‌پذیری سیستم حمل‌ونقل را که تغییرات عملکرد سیستم را به دلیل اختلالات و بازیابی از اختلال به حالت عادی اندازه‌گیری می‌کند، نشان می‌دهد [ 6 ، 27]]. در این مطالعه، یک فرض اساسی برای داشتن یک شبکه بزرگراهی انعطاف‌پذیر در شرایط جوی نامساعد این است که انتظار می‌رود الگوی فضایی تصادفات در شرایط نامساعد جوی در مقایسه با الگوهای تصادف در شرایط غیر آب و هوایی یکسان باقی بماند (حالت “عادی” ). بنابراین، ارزیابی انعطاف‌پذیری فضایی شبکه‌های بزرگراهی با شناسایی هرگونه تغییر در الگوهای تصادف در شرایط آب و هوایی نامطلوب آغاز می‌شود. هنگامی که تغییر الگوی تصادف رخ می دهد، مرحله منطقی بعدی تعیین چگونگی تغییر الگوها در دو جنبه است: بزرگی و توزیع.

همانطور که در شکل 1 نشان داده شده است، حوادث تصادف به عنوان نقاط واقع در جاده های اصلی یا جاده های محلی موجود نمایش داده می شوند، اما در شبکه های جاده ای در همان منطقه بین سناریوهای قبل و بعد از آب و هوا نشان داده نمی شوند. در مقایسه با الگوی تصادف برای سناریوی پیش از آب و هوا در شکل 1 a، به عنوان سناریوی “عادی” (خط پایه)، نویسندگان فرض می کنند که تعداد تصادفات در سناریوی پس از آب و هوا افزایش می یابد. همانطور که در شکل 1 نشان داده شده استب، تغییر در الگوهای تصادف به این معنی است که خرابی‌ها می‌توانند در مکان‌هایی با فرکانس تصادف بالا (الگوی بزرگی) خوشه‌بندی شوند یا به طور گسترده در یک منطقه بزرگ‌تر (الگوی توزیع) پخش شوند. از دیدگاه بزرگی، شبکه جاده‌ای در سناریوی پس از آب‌وهوا انعطاف‌پذیری کمتری در نظر گرفته می‌شود زیرا تصادفات خوشه‌ای فشرده‌تر از سناریوی پیش از آب‌وهوا نشان می‌دهند. در مقابل، اگر خوشه‌بندی تصادف بدون تغییر یا فشرده‌تر در سناریوی پس از آب‌وهوا مشاهده شود، شبکه جاده انعطاف‌پذیر در نظر گرفته می‌شود. از منظر توزیع، شبکه جاده‌ای در سناریوی پس از آب‌وهوا نیز انعطاف‌پذیری کمتری در نظر گرفته می‌شود زیرا تصادفات پراکنده‌تر از توزیع تصادف در سناریوی پیش از آب‌وهوا هستند. برعکس، اگر الگوی توزیع تصادف در سناریوی پس از آب و هوا بدون تغییر باقی بماند یا پراکنده کمتر شود، شبکه جاده انعطاف پذیر است. قابل توجه است که چشم انداز توزیع برای بررسی تغییرات الگوی تصادف در جاده های محلی که داده های خط مرکزی جاده اغلب در مجموعه داده های شبکه بزرگراه ناقص است (به عنوان مثال، فایل های شکل) مفید است. بزرگی و توزیع تصادف به عنوان دو عنصر مفهومی انعطاف‌پذیری فضایی پیشنهادی عمل می‌کند و با شناسایی آسیب‌پذیری شبکه‌های بزرگراه‌ها در برابر اختلالات جوی، امکان ارزیابی اساسی تاب‌آوری را فراهم می‌کند.6 ].

برخلاف ادبیات موجود که به انعطاف‌پذیری بزرگراه‌ها در زمینه شبکه‌های جاده‌ای اصلی (به عنوان مثال، بزرگراه‌ها و شریان‌ها) می‌پردازد، این تحقیق بر موقعیت جغرافیایی تصادفات متمرکز است. هنگام ارزیابی الگوهای فضایی تصادفات، نیازی به تخصیص آنها به یک جاده اصلی خاص نیست. دو دلیل برای این تصمیم وجود دارد. اول، تصادفات می‌توانند هم در جاده‌های اصلی یا هم در جاده‌های محلی رخ دهند، و حذف تصادفات در جاده‌های محلی می‌تواند منجر به الگوهای فضایی غیرشامل شود. با این حال، یک شبکه جاده ای کامل و به روز همیشه در دسترس نیست و بنابراین تمرکز بر مکان ها به جای شبکه های جاده ای برای شناسایی الگوهای فضایی دقیق تر خواهد بود. دوم، تصادفات در جاده‌های محلی ممکن است در مجاورت جاده‌های اصلی (یا حداقل در نواحی اطراف) نباشند. بنابراین، نویسندگان با بررسی تغییرات در الگوهای فضایی مکان‌های تصادف در مناطق مورد مطالعه، انعطاف‌پذیری فضایی شبکه‌های بزرگراهی را تحلیل می‌کنند. در اصل، چنین مجموعه داده مکان تصادف سه شاخص اساسی از روابط فضایی در یک منطقه مورد مطالعه را شامل می شود: (1) تعداد نقاط در مجاورت نزدیک. (2) فاصله از یک نقطه ثابت به نقاط دیگر یا به یکدیگر. و (3) فاصله از یک نقطه ثابت تا نزدیکترین ویژگی (به عنوان مثال، جاده). (2) فاصله از یک نقطه ثابت به نقاط دیگر یا به یکدیگر. و (3) فاصله از یک نقطه ثابت تا نزدیکترین ویژگی (به عنوان مثال، جاده). (2) فاصله از یک نقطه ثابت به نقاط دیگر یا به یکدیگر. و (3) فاصله از یک نقطه ثابت تا نزدیکترین ویژگی (به عنوان مثال، جاده).

با توجه به سه شاخص فضایی فوق الذکر، این تحقیق سه معیار فضایی را پیشنهاد می کند که می تواند برای ارزیابی تاب آوری فضایی شبکه های بزرگراهی مورد استفاده قرار گیرد. شایان ذکر است که فاصله استفاده شده در معیارهای پیشنهادی، فاصله اقلیدسی در یک فضای مسطح به جای فاصله شبکه در امتداد جاده ها در یک فضای ژئودتیک است. این به این دلیل است که کلید معیارهای تاب آوری پیشنهادی، شناسایی تغییرات در الگوهای توزیع مکانی است، نه زمان سفر. علاوه بر این، فاصله استفاده شده در مطالعه نسبتاً کوتاه است (مثلاً 800 متر)، و بنابراین، انحنای زمین تأثیر محدودی بر فاصله اقلیدسی خواهد داشت.

4. روش ها

4.1. رویه های داده

سه نوع داده برای این تحقیق مورد نیاز بود: (1) منطقه جغرافیایی با شرایط آب و هوایی سخت. (2) مکان های تصادف. و (3) شبکه های بزرگراه در منطقه مورد مطالعه انتخاب شده. ایلینوی، یک ایالت غرب میانه در ایالات متحده، به عنوان منطقه مورد مطالعه انتخاب شد زیرا اغلب در معرض رویدادهای آب و هوایی شدید زمستانی است که تهدیدی برای ایمنی سفر جاده ای به دلیل افزایش دفعات تصادفات [28] است . داده های دو سال سقوط در مختصات جغرافیایی (2015 و 2016) از اداره حمل و نقل ایلینوی (DOT) به دست آمد.

به گزارش سرویس ملی هواشناسی [ 29]، آب و هوای نامطلوب زمستانی در ایالت ایلینویز شامل برف سنگین، طوفان های زمستانی، طوفان های یخ و رویدادهای کولاک است. روزهای نامطلوب آب و هوای انتخاب شده شامل روزهای هفته و آخر هفته (مجموعاً 31 روز) با سوابق رویدادهای آب و هوایی نامناسب ذکر شده در بالا از ماه های هواشناسی زمستانی در ایالت ایلینویز (دسامبر 2015 تا فوریه 2016) است. همان تعداد روزهای هفته و آخر هفته (31 روز) برای روزهای غیر آب و هوایی نیز در همین بازه زمانی (دسامبر 2015 تا فوریه 2016) با هدف به دست آوردن مبنایی برای مقایسه با وضعیت آب و هوای نامطلوب از پیش شناسایی شده انتخاب شد. روزها. سپس نویسندگان داده‌های مکان تصادف (در قالب طول/طول جغرافیایی) مرتبط با دو بازه زمانی آب و هوا و غیر آب و هوای زمستانی را استخراج کردند.

با توجه به ویژگی‌های تصادف می‌تواند در جاده‌های شهری و روستایی کاملاً متفاوت باشد [ 30 ، 31 ]، این تحقیق منطقه شهری شیکاگو و چندین شهرستان در بخش جنوبی ایلینوی را به طور جداگانه مشخص کرد (در شکل 2)) به عنوان مناطق مطالعاتی شهری و روستایی که تحت تأثیر رویدادهای جوی ذکر شده در بالا قرار گرفته اند. داده‌های شبکه جاده‌ای در محدوده‌های مورد مطالعه از شبکه‌های برنامه‌ریزی بزرگراه ملی، پایگاه داده سیستم بزرگراه اصلی ایالات متحده که شامل مسیرهای بزرگراه ملی و شریان‌های اصلی است، به‌دست آمد و روی لایه مناطق مورد مطالعه با همه لایه‌ها که مجدداً پیش‌بینی می‌شوند، قرار گرفتند. سیستم مختصات NAD83 UTM Zone 16N. تعداد حوادث تصادف در منطقه شهری شیکاگو برای سناریوهای غیر آب و هوایی و جوی به ترتیب 15240 و 19589 است. برای منطقه خوشه ای شهرستانی، تعداد حوادث تصادف به ترتیب 731 (غیر آب و هوا) و 870 (آب و هوا) است. این داده های تصادف روندی را نشان می دهد که آب و هوای شدید عموماً باعث تصادفات بیشتری می شود [ 13 ].

4.2. معیارهای تاب آوری فضایی

4.2.1. K-نزدیکترین همسایگان (KNN)

نویسندگان یک ابزار KNN را توسعه دادند که می تواند در یک بسته نرم افزاری استاندارد GIS (Redlands، CA، USA. به عنوان مثال، ArcGIS) استفاده شود. این ابزار هر مکان تصادف را تکرار می کند و از آن به عنوان نقطه مرکزی برای ایجاد یک بافر با فاصله شعاع تعریف شده توسط کاربر (مثلاً 200 متر) استفاده می کند و سپس نقاط خرابی را که کاملاً در بافر قرار دارند انتخاب و شمارش می کند. شعاع های جستجوی نویسندگان شامل محدوده 100 متر تا 300 متر (با فاصله افزایشی 50 متر) برای مناطق شهری و محدوده از 800 متر تا 1000 متر (با فاصله افزایشی 100 متر) برای مناطق روستایی است. آستانه های فاصله توصیه شده توسط Thakali و همکاران. [ 16 ] و Ulak و همکاران. [ 26]. نتایج (در مقادیر درصد K) تعداد تصادف‌های مجاور را در یک مکان تصادف خاص در گروه‌های مختلف خوشه نشان می‌دهد. ابزار KNN برای بررسی تغییرات الگوی تصادف از نظر بزرگی تصادف – یکی از شاخص‌های انعطاف‌پذیری فضایی برای شبکه‌های بزرگراهی استفاده می‌شود. همانطور که در بالا ذکر شد، فرض حیاتی داشتن یک شبکه بزرگراهی ارتجاعی در شرایط آب و هوایی نامناسب این است که الگوی تصادف در شرایط آب و هوایی نامساعد مانند الگوی در شرایط غیر آب و هوایی (یا حالت “عادی”) باقی بماند. نتایج KNN برای شناسایی اینکه آیا تغییراتی در الگوهای خوشه‌بندی بین شرایط غیر آب و هوایی و آب و هوایی وجود دارد یا خیر استفاده می‌شود. اگر الگو تغییر کند، خروجی‌های KNN می‌توانند برای بررسی اینکه آیا تصادفات در شرایط آب و هوایی نامساعد خوشه‌بندی می‌شوند، استفاده می‌شوند. درصد تغییرات حاصل در گروه‌های خوشه‌ای مشخص شده، تغییر الگوی خوشه‌بندی بین سناریوهای غیر آب و هوا و آب و هوا را به صورت کیفی نشان می‌دهد. به طور خاص، نویسندگان درصد تغییر در هر گروه خوشه‌ای را به‌عنوان «افزایش یافته»، «کاهش» یا «بدون تغییر آشکار» تفسیر می‌کنند و سپس بررسی می‌کنند که آیا درصد مشخصی از خرابی از بدون خوشه به گروه‌های خوشه‌ای مختلف تغییر می‌کند یا خیر. در نهایت، روند کلی تغییر الگو در تمام گروه‌های خوشه‌ای را می‌توان خلاصه کرد. هنگامی که تصادفات در شرایط آب و هوایی نامساعد خوشه‌ای می‌شوند، آنگاه میزان تأثیر ایمنی افزایش می‌یابد که نشان‌دهنده شبکه‌های بزرگراهی کمتر انعطاف‌پذیر است. در مقابل، اگر تصادفات کمتر خوشه‌ای باشند یا بدون تغییر باقی بمانند، شبکه‌های بزرگراه در برابر شرایط آب و هوایی مقاوم در نظر گرفته می‌شوند. نویسندگان درصد تغییر در هر گروه خوشه‌ای را به‌عنوان «افزایش یافته»، «کاهش» یا «بدون تغییرات آشکار» تفسیر می‌کنند و سپس بررسی می‌کنند که آیا درصد معینی از خرابی از هیچ خوشه‌ای به گروه‌های خوشه‌ای مختلف تغییر می‌کند یا خیر. در نهایت، روند کلی تغییر الگو در تمام گروه‌های خوشه‌ای را می‌توان خلاصه کرد. هنگامی که تصادفات در شرایط آب و هوایی نامساعد خوشه‌ای می‌شوند، آنگاه میزان تأثیر ایمنی افزایش می‌یابد که نشان‌دهنده شبکه‌های بزرگراهی کمتر انعطاف‌پذیر است. در مقابل، اگر تصادفات کمتر خوشه‌ای باشند یا بدون تغییر باقی بمانند، شبکه‌های بزرگراه در برابر شرایط آب و هوایی مقاوم در نظر گرفته می‌شوند. نویسندگان درصد تغییر در هر گروه خوشه‌ای را به‌عنوان «افزایش یافته»، «کاهش» یا «بدون تغییرات آشکار» تفسیر می‌کنند و سپس بررسی می‌کنند که آیا درصد معینی از خرابی از هیچ خوشه‌ای به گروه‌های خوشه‌ای مختلف تغییر می‌کند یا خیر. در نهایت، روند کلی تغییر الگو در تمام گروه‌های خوشه‌ای را می‌توان خلاصه کرد. هنگامی که تصادفات در شرایط آب و هوایی نامساعد خوشه‌ای می‌شوند، آنگاه میزان تأثیر ایمنی افزایش می‌یابد که نشان‌دهنده شبکه‌های بزرگراهی کمتر انعطاف‌پذیر است. در مقابل، اگر تصادفات کمتر خوشه‌ای باشند یا بدون تغییر باقی بمانند، شبکه‌های بزرگراه در برابر شرایط آب و هوایی مقاوم در نظر گرفته می‌شوند. و سپس بررسی کنید که آیا درصد معینی از تصادف از بدون خوشه به گروه های خوشه ای مختلف تغییر می کند یا خیر. در نهایت، روند کلی تغییر الگو در تمام گروه‌های خوشه‌ای را می‌توان خلاصه کرد. هنگامی که تصادفات در شرایط آب و هوایی نامساعد خوشه‌ای می‌شوند، آنگاه میزان تأثیر ایمنی افزایش می‌یابد که نشان‌دهنده شبکه‌های بزرگراهی کمتر انعطاف‌پذیر است. در مقابل، اگر تصادفات کمتر خوشه‌ای باشند یا بدون تغییر باقی بمانند، شبکه‌های بزرگراه در برابر شرایط آب و هوایی مقاوم در نظر گرفته می‌شوند. و سپس بررسی کنید که آیا درصد معینی از تصادف از بدون خوشه به گروه های خوشه ای مختلف تغییر می کند یا خیر. در نهایت، روند کلی تغییر الگو در تمام گروه‌های خوشه‌ای را می‌توان خلاصه کرد. هنگامی که تصادفات در شرایط آب و هوایی نامساعد خوشه‌ای می‌شوند، آنگاه میزان تأثیر ایمنی افزایش می‌یابد که نشان‌دهنده شبکه‌های بزرگراهی کمتر انعطاف‌پذیر است. در مقابل، اگر تصادفات کمتر خوشه‌ای باشند یا بدون تغییر باقی بمانند، شبکه‌های بزرگراه در برابر شرایط آب و هوایی مقاوم در نظر گرفته می‌شوند.

4.2.2. نزدیکی به بزرگراه ها

دومین معیار پیشنهادی برای اندازه‌گیری تاب‌آوری فضایی شبکه‌های بزرگراهی، نزدیکی به بزرگراه‌ها است، که وضعیتی را در نظر می‌گیرد که برخی تصادفات در جاده‌های محلی رخ داده‌اند اما در شبکه‌های بزرگراه‌ها اتفاق نمی‌افتد. این معیار را می توان برای اندازه گیری اینکه آیا تصادفات متاثر از آب و هوا دارای نزدیکی مشابه به بزرگراه ها مانند تصادفات غیرمتأثیر آب و هوا هستند – توزیع فضایی تأثیر تصادف، که نشان دهنده دیگر شاخص انعطاف پذیری فضایی در این تحقیق است، استفاده می شود. در زمینه رویدادهای مخرب (شرایط آب و هوایی نامطلوب)، یک شبکه بزرگراهی انعطاف‌پذیر باید الگوهای مجاورت تصادفات به بزرگراه‌ها را حفظ کند (یعنی الگوی توزیع تصادف در شرایط عادی غیر آب و هوایی) به جای تغییر چشمگیر. به عنوان مثال، اگر مکان‌های تصادف پس از آب‌وهوا الگوی مجاورت متفاوتی را نشان دهند، یک شبکه بزرگراه انعطاف‌پذیری کمتری خواهد داشت (مانند. g.، تصادفات گسترده تر) از مکان های پیش از سقوط آب و هوا. در مقابل، اگر هیچ تغییر الگوی مجاورتی بین سناریوهای پیش و پس از آب و هوا مشاهده نشود، شبکه‌های بزرگراه انعطاف‌پذیر هستند. نزدیکی به تجزیه و تحلیل بزرگراه ها از طریق استفاده از تحلیل همپوشانی نقطه به چندخط، و به طور خاص، از طریق اندازه گیری فاصله از نقاط تصادف تا نزدیکترین خط مرکزی بزرگراه به دست آمد. سپس یک تابع توزیع تجمعی (CDF) برای ارزیابی میزان تقریب مکان‌های تصادف پس از آب‌وهوا با مکان‌های پیش از سقوط آب‌وهوا توسعه یافت. هنگام ایجاد CDF، هر مکان دارای درصد مساوی در نظر گرفته شد و سپس بر اساس کوتاه ترین فاصله تا طولانی ترین فاصله مرتب شد. هنگام تفسیر نمودار CDF، نابرابری های بیشتر نشان دهنده انعطاف پذیری کمتر است. لازم به ذکر است که فاصله بر اساس فاصله اقلیدسی از نقاط تصادف تا نزدیکترین بزرگراه ها محاسبه می شود، اما نه کل شبکه جاده ها (یعنی به استثنای جاده های محلی). این به این دلیل است که این معیار برای تجزیه و تحلیل طراحی شده است که آیا مکان‌های تصادف قبل از آب‌وهوا الگوی نزدیکی مشابهی با مکان‌های پس از تصادف آب‌وهوا نشان می‌دهند، و بنابراین، اینکه کدام شبکه جاده‌ای در حال استفاده است بی‌ربط است.

4.2.3. تجزیه و تحلیل نقطه اتصال بر اساس تخمین چگالی هسته (KDE)

سومین معیار برای اندازه‌گیری انعطاف‌پذیری فضایی شامل ارزیابی بزرگی و توزیع نقاط داغ مکان‌های تصادف است. خوشه بندی و توزیع تصادف به مقیاس های فضایی بستگی دارد. در مجموعه ای از خرابی ها، هر تصادف فردی را می توان به عنوان دور از هم در نظر گرفت (اثر توزیع). در مقابل، تصادفات گسترده (به عنوان مثال، تصادفات در اطراف بزرگراه های اصلی رخ داده است) را می توان به عنوان یک خوشه واحد برای ارزیابی ایمنی جاده در مقیاس فضایی بزرگ (به عنوان مثال، شبکه های بزرگراه و فضاهای اطراف آنها) در نظر گرفت. بنابراین، نقاط داغ تصادف ایجاد می‌شوند تا اثر ترکیبی هم از شدت و هم توزیع ضربه تصادف را نشان دهند. اندازه نقاط حادثه (مناطق) به عنوان شاخص انعطاف پذیری فضایی بزرگراه استفاده می شود. در مقایسه با نقاط داغ قبل از سقوط آب و هوا،

رویکرد KDE، یک تکنیک تخمین چگالی ناپارامتری، استفاده می‌شود، زیرا می‌تواند نه تنها یک نمایش بصری از نقاط داغ خرابی و تغییرات زمانی آن‌ها، بلکه همچنین اندازه‌گیری کمی از اندازه کانون‌ها و تغییرات زمانی آنها را ارائه دهد [32 ] . انتخاب پهنای باند جستجو و اندازه هسته، دو پارامتر اصلی برای KDE، می تواند یک فرآیند ذهنی باشد [ 23 ، 33 ]. در این تحقیق، نویسندگان از پهنای باندی استفاده کردند که توسط تحقیقات موجود در مورد تجزیه و تحلیل نقاط تصادف، از جمله 100 متر در مناطق شهری (کلانشهر شیکاگو) [34] و 800 متر در مناطق روستایی (شهرستان های ایلینوی جنوبی) [ 20] توصیه شده بود.]، به ترتیب. انتخاب اندازه هسته یک مبادله بین زمان محاسبه و اطلاعات خرابی است تا زمانی که الگوهای خوشه‌بندی خرابی قابل تشخیص قابل شناسایی باشد، حفظ شود [ 16 ]. برای اندازه پیکسل خروجی، 50 متر استفاده شد که در نتیجه مساحت پیکسل 2500 متر مربع (m2 ⁾ بود . اندازه هسته انتخاب شده 50 متر مناسب در نظر گرفته می شود زیرا تغییرات الگوی خوشه بندی تصادف (نقطه داغ) را می توان بین سناریوهای قبل و بعد از آب و هوا مشاهده کرد. نقشه‌های نقطه خروجی در قالب داده‌های شطرنجی متشکل از شبکه‌ای از پیکسل‌ها ارائه شدند که مقادیر آن‌ها سطوح چگالی هسته را نشان می‌دهند. بر اساس مقدار میانگین چگالی محاسبه شده، مقادیر چگالی خروجی مجدداً در دسته‌های مختلف [ 22] طبقه‌بندی شدند.]. هر دسته محدوده ای از مقادیر پیکسل را نشان می دهد که برابر است با مقدار میانگین چگالی ضرب در دنباله ای از اعداد صحیح مثبت (مثلاً 1، 2، 3، 4، و 5) تا زمانی که بتوان بزرگترین مقادیر پیکسل خروجی را گنجاند. از آنجایی که هیچ قانون مشخصی برای تعریف نقاط داغ وجود ندارد، یافتن هات اسپات یک تصمیم نسبتاً دلخواه است – به طور کلی انتخاب یک نقطه برش از مقادیر چگالی برای تعیین خوشه‌ها در سراسر سطح چگالی مورد مطالعه [16 ] . در این مطالعه، هات اسپات به عنوان گروهی از پیکسل ها تعریف می شود که دارای مقادیر چگالی حداقل پنج برابر بیشتر از مقدار چگالی متوسط هستند. این انتخاب بر اساس مشاهده داده های مطالعه موردی است که می تواند برای منطقه مورد مطالعه دیگری متفاوت باشد. در نهایت، مناطق هات اسپات را می توان با ضرب اندازه تک پیکسل (2500 متر ^{مربع) محاسبه کرد.}) با تعداد کل پیکسل های هات اسپات.

5. نتایج

این بخش نشان می‌دهد که چگونه می‌توان از معیارهای پیشنهادی برای ارزیابی انعطاف‌پذیری فضایی شبکه‌های بزرگراهی در سناریوهای رویدادهای جوی قبل و بعد از طوفان برف استفاده کرد. تمرکز معیارهای پیشنهادی بررسی این است که آیا الگوهای تصادف در شرایط نامساعد جوی تغییر می کند یا خیر. نتایج مورد انتظار برای آژانس‌های حمل‌ونقل مانند DOT یا دولت‌های محلی توضیحی است تا جنبه ایمنی انعطاف‌پذیری بزرگراه را در سطح شهر و منطقه در پاسخ به رویدادهای جوی نامناسب زمستان ارزیابی کنند، که به طور غیرمستقیم به تصمیم‌گیری در مورد شیوه‌های مدیریت آب‌وهوای جاده‌ای مربوطه کمک می‌کند. مانند نقشه برداری مسیرهای جایگزین و حذف برف/یخ.

5.1. KNN

تجزیه و تحلیل KNN برای تصادفات واقع در مناطق شهری و روستایی شیکاگو تحت تاثیر آب و هوای نامناسب در زمستان 2015 و 2016 انجام شد. خروجی “K” به تعداد تصادفات مجاور به یک مکان تصادف خاص اشاره دارد. از بررسی بصری نقشه‌های مکان تصادف مشاهده می‌شود که الگوی تصادف بین سناریوهای غیر آب و هوا (NW) و آب و هوای طوفانی (W) تغییر می‌کند. برای بررسی تغییرات جزئی الگو، نویسندگان خروجی “K” را در چندین سطل (گروه های خوشه ای)، از جمله K = 0 (بدون خوشه)، 1 ≤ K ≤ 5 (خوشه های کوچک)، 5 < K ≤ 10 (متوسط) ارائه می کنند. خوشه ها)، K> 10 (خوشه های بزرگ)، همانطور که در جدول 1 نشان داده شده است جدول 2 نشان داده شده است.. هر سطل دارای نتایج K متناظر با مقایسه سناریوهای NW و W در شعاع های جستجوی مختلف است. نتایج (درصد KNN برای هر سطل) می‌تواند برای بررسی تغییرات در الگوهای خوشه‌بندی تصادف مورد استفاده قرار گیرد، بنابراین میزان تأثیر ایمنی رویدادهای نامطلوب جوی را نشان می‌دهد.

برای منطقه شهری شیکاگو ( جدول 1نتایج در شعاع جستجوی 100 متر نشان می‌دهد که حالت بدون خوشه کاهش می‌یابد (از 46.69٪ به 43.95٪) در سناریوی W، که نشان‌دهنده روند افزایشی خوشه‌بندی است که به گروه‌های مختلف خوشه‌ای تغییر می‌کند، حتی اگر این الگو تغییر کند. اندک است حالت خوشه های کوچک (1≤ K ≤ 5) تقریباً 2٪ از 46.42٪ به 48.43٪ افزایش می یابد و یک درصد افزایش جزئی نیز در مورد خوشه های بزرگ (K> 10) رخ می دهد. برای خوشه های متوسط (5 ≤ K ≤ 10)، درصد تغییر بین سناریوهای NW و W بسیار جزئی است که قابل تشخیص نیست (5.49٪ در مقابل 5.45٪). در این مورد، نویسندگان به این نتیجه رسیدند که سقوط‌ها در امتداد بزرگی برخورد تصادف در منطقه شهری شیکاگو تشدید می‌شوند، زیرا درصد کمی از تصادفات از حالت بدون خوشه به گروه‌های خوشه‌ای کوچک و بزرگ تغییر می‌کند. روند مشابهی از نتایج یک تحلیل حساسیت هنگام استفاده از شعاع جستجوی 150 متر و 200 متر مشاهده می شود. با توجه به تراکم بالای ترافیک و امکانات جاده ای در شیکاگو، افزایش جزئی خوشه بندی تصادفات می تواند از نظر تعداد واقعی تصادفات که این رشد نشان دهنده آن باشد، قابل توجه باشد. بنابراین، این رشد خوشه‌بندی جزئی می‌تواند تأثیر ایمنی گسترده و اثر امواج آن را بر شبکه بزرگراه‌ها و فضاهای اطراف آن که جاده‌های محلی در آن قرار دارند، نشان دهد. از این رو، شبکه‌های بزرگراهی مورد مطالعه در منطقه شهری شیکاگو در پاسخ به رویدادهای آب‌وهوای طوفانی کمتر انعطاف‌پذیر در نظر گرفته می‌شوند. افزایش جزئی خوشه‌بندی تصادفات می‌تواند از نظر تعداد واقعی تصادف‌هایی که این رشد می‌تواند نشان دهد، قابل توجه باشد. بنابراین، این رشد خوشه‌بندی جزئی می‌تواند تأثیر ایمنی گسترده و اثر امواج آن را بر شبکه بزرگراه‌ها و فضاهای اطراف آن که جاده‌های محلی در آن قرار دارند، نشان دهد. از این رو، شبکه‌های بزرگراهی مورد مطالعه در منطقه شهری شیکاگو در پاسخ به رویدادهای آب‌وهوای طوفانی کمتر انعطاف‌پذیر در نظر گرفته می‌شوند. افزایش جزئی خوشه‌بندی تصادفات می‌تواند از نظر تعداد واقعی تصادف‌هایی که این رشد می‌تواند نشان دهد، قابل توجه باشد. بنابراین، این رشد خوشه‌بندی جزئی می‌تواند تأثیر ایمنی گسترده و اثر امواج آن را بر شبکه بزرگراه‌ها و فضاهای اطراف آن که جاده‌های محلی در آن قرار دارند، نشان دهد. از این رو، شبکه‌های بزرگراهی مورد مطالعه در منطقه شهری شیکاگو در پاسخ به رویدادهای آب‌وهوای طوفانی کمتر انعطاف‌پذیر در نظر گرفته می‌شوند.

در مقایسه با مناطق شهری، نتایج KNN برای خوشه‌های شهرستان روستایی الگوهای تصادف سازگار کمتری را نشان می‌دهد. سه شعاع جستجو (800 متر، 900 متر و 1000 متر) با توجه به تراکم کمتر ترافیک و امکانات جاده در مناطق روستایی استفاده شد. هنگام استفاده از شعاع 800 متر، درصد تغییرات قابل تشخیص را می توان از گروه های خوشه ای کوچک و متوسط مشاهده کرد اما در جهت متفاوتی حرکت می کند. گروه خوشه کوچک (1 ≤ K ≤ 5) افزایش 5.02٪ (از 39.12٪ به 44.14٪) را نشان می دهد، در حالی که گروه خوشه متوسط (5 <K ≤ 10) 4.05٪ (از 8.76٪ به 4.71٪) کاهش می یابد. سناریوی W درصد کاهش دیگری از گروه خوشه بزرگ (K> 10) از 2.74٪ به 2.07٪ (0.67٪ کاهش) مشاهده می شود. برای گروه بدون خوشه، درصد نیز از سناریوی شمال غربی به غرب کاهش می یابد، اما تفاوت جزئی است (49.38٪ در مقابل 49.08٪). روند مشابهی نیز از نتایج KNN مشاهده می شود (به جز گروه بدون خوشه که افزایش جزئی در سناریوی W را نشان می دهد) بر اساس شعاع جستجوی 900 متر و 1000 متر. برای روند ناسازگار جابه‌جایی الگوی خرابی بین گروه‌های مختلف خوشه، ارزیابی روند کلی الگوهای خوشه‌بندی با مقایسه درصد تغییرات تنها به دلیل اثر «جمع صفر» برای درصد افزایش و کاهش بین گروه‌های خوشه، کافی نیست. در عوض، نویسندگان استدلال می‌کنند که گروه‌های خوشه‌ای مشخص‌شده را می‌توان برای ارزیابی بزرگی‌های مختلف خوشه‌بندی تصادف استفاده کرد (به عنوان مثال، گروه خوشه‌ای متوسط دارای بزرگی خوشه‌بندی بیشتر از گروه خوشه کوچک است). بدین ترتیب،

5.2. نزدیکی به بزرگراه ها

برای همان مناطق مورد مطالعه، نویسندگان تجزیه و تحلیل نقطه به چند خط انجام دادند و نمودارهای CDF مربوطه را توسعه دادند. شکل 3 و شکل 4 نتایج را در نمودارهای CDF نشان می دهد تا نحوه توزیع تصادفات دور از بزرگراه های اصلی را نشان دهد.

در منطقه شهری شیکاگو، خروجی های تجزیه و تحلیل مجاورت به بزرگراه ها نشان می دهد که حدود 43٪ از تصادفات مشاهده شده در بزرگراه های اصلی رخ داده است که برابر با 6553 (15240 × 43٪) و 8423 (19،589 × 43٪) تصادف برای سناریوهای NW و W به ترتیب. تصادفات در بزرگراه ها در صورتی شناسایی می شوند که مکان آنها تا نزدیکترین خطوط مرکزی بزرگراه مساوی یا کمتر از 32 متر باشد (حداکثر عرض بزرگراه های هفت خطی در مناطق شیکاگو). 57 درصد باقیمانده تصادفات در جاده های محلی (8687 و 11166 تصادف برای سناریوهای NW و W) برای بررسی الگوهای توزیع تصادفات مربوط به شبکه های بزرگراهی استفاده می شود. نویسندگان با تعیین محدودیت های برچسب گذاری روی محورها، چندین نمایشگر بزرگنمایی را در شکل 3 ارائه می دهند.b-d برای شناسایی نحوه پراکندگی تصادفات از بزرگراه های اصلی بین سناریوهای NW و W. در نگاه اول، تصادفات خارج از بزرگراه های اصلی تغییرات الگوی واضحی را بین دو سناریو در شکل 3 ب نشان نمی دهد. این مورد می‌تواند تا حدودی به این دلیل باشد که شبکه‌های جاده‌ای در نواحی شهری متراکم هستند و شامل بسیاری از جاده‌های محلی می‌شوند که یا به صورت موازی (مثلاً جاده‌های جلویی) یا به بزرگراه‌های اصلی متصل هستند. با این حال، تغییر الگوی جزئی در محدوده‌های مشخصی از نزدیک‌ترین فاصله‌ها مشاهده می‌شود. در شکل 3ج، خط غیر آب و هوا کمی بالاتر از خط آب و هوا بین 100-500 متر و 1250-1600 متر است، که نشان می دهد در این محدوده فاصله، مثلاً 250 متر تا نزدیکترین بزرگراه، تصادفات در شرایط غیر آب و هوایی کمی بیشتر است. نسبت به شرایط آب و هوایی این الگو نشان می دهد که تصادفات در روزهای بد آب و هوا کمی دورتر از بزرگراه های اصلی گسترش می یابند. مطابق شکل 3d، یک الگوی معکوس بین 2500-5500 متر تا نزدیکترین بزرگراه ها مشاهده می شود که در آن تصادفات بیشتری در سناریوی W نسبت به سناریوی NW مشاهده می شود. با توجه به تغییر الگوی جزئی (احتمال تجمعی کمتر از 1٪) بین دو سناریو، هیچ پراکندگی مشخصی از تصادفات به دور از شبکه های بزرگراهی مجاور وجود ندارد. از این رو، با استفاده از شاخص تاب آوری که توزیع تصادفات در اطراف بزرگراه های اصلی را اندازه گیری می کند، نتایج نمی تواند ثابت کند که شبکه های بزرگراه در برابر آب و هوای نامطلوب مقاوم هستند.

برای خوشه‌های شهرستان‌های روستایی، تصادفات در بزرگراه‌های اصلی حدود 56٪ (731 × 56٪ = 409 تصادف) و 60٪ (870 × 60٪ = 522 تصادف) از کل تصادفات برای سناریوهای NW و W را تشکیل می‌دهند. برخلاف منطقه شهری شیکاگو، تصادفات در بزرگراه ها در صورتی تعیین می شوند که مکان های نزدیکترین خطوط مرکزی بزرگراه مساوی یا کمتر از 11 متر باشند (حداکثر عرض بزرگراه های دو خطه در شهرستان های روستایی مورد مطالعه). برای شناسایی الگوهای توزیع تصادف، نویسندگان بخش تصادفات خارج از بزرگراه را 44٪ (322 تصادف) برای سناریوی NW و 40٪ (348 تصادف) برای سناریوی W بررسی کردند. شکل 4a,b نشان می دهد که تغییر الگو بین دو سناریو از درصد تجمعی 56٪ ظاهر می شود و بنابراین در طول مسافت تغییر می کند. برای تصادفات دور از بزرگراه های اصلی (800-12000 متر) در شکل 4 d، هیچ تغییر الگوی مشخصی بین دو سناریو مشاهده نمی شود زیرا دو خط در هم قرار گرفته اند و از 75٪ تا 97٪ روند صعودی دارند. . پس از آن، تصادفات برای سناریوی NW تمایل دارند به بزرگراه های اصلی نزدیک تر از تصادفات برای سناریوی W باقی بمانند. با این حال، این تغییر الگوی قابل توجهی نیست زیرا تنها 3٪ از کل تصادفات (از 97٪ به 100٪) درگیر هستند. برای تصادفاتی که در نزدیکی بزرگراه های اصلی رخ داده اند، مثلاً تا 800 متر، که در شکل 4 نشان داده شده است.ج، درصد تصادفات برای سناریوی W به طور مداوم بیشتر از سناریوی NW است، که نشان می‌دهد در این محدوده فاصله، تصادفات در شرایط آب و هوای شدید در مجاورت بزرگراه‌های اصلی هستند. به عنوان مثال، با احتمال تجمعی 65٪، تصادفات در سناریوی W در فاصله کمتر از 150 متر از بزرگراه های اصلی رخ داده است، در حالی که تصادفات در سناریوی شمال غربی تا فاصله 250 متری بزرگراه های اصلی رخ داده است. این الگوی نزدیکی نشان می‌دهد که تأثیر ایمنی مربوطه تحت شرایط آب و هوایی شدید کمتر از شرایط عادی پراکنده است. بنابراین، شبکه‌های بزرگراهی در خوشه‌های شهرستان‌های روستایی در پاسخ به اختلالات آب و هوایی از نظر فضایی انعطاف‌پذیر در نظر گرفته می‌شوند.

5.3. هات اسپات بر اساس KDE

این بخش استفاده از تجزیه و تحلیل KDE را برای شناسایی نقاط مهم برای خوشه‌های شهرستانی نشان می‌دهد. منطقه هات اسپات حاصل واقع در شهرستان ویلیامسون برای نشان دادن نحوه بررسی انعطاف پذیری فضایی شبکه های بزرگراهی درگیر با استفاده از نتایج KDE انتخاب شده است، از جمله (1) یک نقشه تراکم هسته که نقاط حادثه و فضاهای اطراف آن را تجسم می کند. (2) کمی کردن اندازه نقاط داغ. شکل 5نقشه چگالی هسته را برای مقایسه نقاط حادثه خیز بین سناریوهای آب و هوا و غیر آب و هوا نشان می دهد. افسانه های موجود در نقشه تراکم، مناطق مستعد تصادف تخمین زده شده بر اساس تعداد تصادفات در یک شبکه مشخص با اندازه سلول 50 متر را برجسته می کنند. همانطور که در نقشه ها نشان داده شده است، تغییرات الگوی تصادف را می توان به صورت بصری در شبکه های بزرگراهی و همچنین جاده های محلی تشخیص داد. هات اسپات در سناریوی W بزرگتر از سناریوی NW است. شایان ذکر است که خوشه‌های خرابی شناسایی‌شده توسط KDE مسطح، منطقه مکان‌های تصادف و فضاهای اطراف آن را در پهنای باند جستجو (800 متر) پوشش می‌دهند.

خوشه‌های تصادف با مقادیر نسبتاً چگالی بالا، از منظر انعطاف‌پذیری فضایی، منطقه تأثیرگذار (نقاط داغ) در نظر گرفته می‌شوند، که نشان‌دهنده بزرگی و توزیع گسترده ضربه سقوط است. بر اساس مقدار میانگین محاسبه‌شده چگالی همه پیکسل‌ها، نویسندگان مقادیر چگالی را در شش کلاس از 100٪، 200٪، 300٪، 400٪، 500٪ و بالاتر از مقدار میانگین چگالی طبقه‌بندی کردند. سلول‌هایی با مقادیر چگالی که کمتر از پنج برابر میانگین و بالاتر از همه پیکسل‌ها هستند، به عنوان کانون در نظر گرفته می‌شوند. در این مورد، تجزیه و تحلیل مجدد طبقه‌بندی در کل منطقه مورد مطالعه برای تولید نقشه‌های نقاط داغ در سناریوهای غیر آب و هوا و آب و هوا انجام شد. هنوز از خوشه های تصادف در شهرستان ویلیامسون به عنوان مثال استفاده می کنیم،شکل 6 . برای سناریوی W، مساحت نقاط حادثه خیز شناسایی شده بزرگتر از سناریوی شمال غربی به نظر می رسد، که نشان می دهد منطقه تاثیرگذار (نقطه داغ) تصادفات در شرایط نامساعد جوی تشدید می شود. برای تعیین کمیت مناطق تأثیرگذار، نویسندگان تعداد سلول های مرتبط با نقاط حادثه را برای کل منطقه مورد مطالعه صادر کردند، همانطور که در جدول 3 نشان داده شده است .

برای سناریوی شمال غربی، منطقه تاثیرگذار شامل 5502 سلول است که معادل 13.755 کیلومتر ^مربع است . در شرایط نامساعد جوی، منطقه تاثیرگذار 7795 سلول را پر می کند و به 19.4875 کیلومتر مربع می رسد ^.، با 42 درصد افزایش. این نتیجه نشان می‌دهد که شرایط نامساعد جوی بر انعطاف‌پذیری فضایی شبکه‌های بزرگراهی تا آنجا که نگرانی‌های ایمنی جاده‌ای را تحت تأثیر قرار می‌دهد. برای نقاط داغ شناسایی‌شده در دو سناریو، افزایش مناطق تأثیرگذار نشان می‌دهد که با افزایش تعداد تصادف‌های رخ داده در نقاط داغ در شرایط جوی نامطلوب، میزان تأثیر ایمنی شرایط نامساعد جوی افزایش می‌یابد و بنابراین، شبکه‌های بزرگراهی مربوطه هستند. نسبت به آن نقاط کمتر انعطاف پذیر در نظر گرفته می شود (به عنوان مثال، یکی در شهرستان ویلیامسون). هنگامی که مناطق تأثیرگذار با هم گروه بندی می شوند، منطق یکسانی برای کل منطقه مورد مطالعه اعمال می شود (در جدول 3). در همین حال، افزایش منطقه تأثیرگذار نیز توزیع گسترده‌تری از تأثیر ایمنی ناشی از نقاط حادثه را نشان می‌دهد – ویژگی دیگر انعطاف‌پذیری فضایی پیشنهاد شده در این تحقیق. در نتیجه، بخش انتخاب شده از شبکه‌های بزرگراهی در شهرستان ویلیامسون در پاسخ به آب و هوای نامساعد انعطاف‌پذیری کمتری در نظر گرفته می‌شود.

6. بحث و گفتگو

متریک KNN، میزان تأثیر ایمنی مربوط به تصادف را در شرایط آب و هوایی نامساعد با کشف یک الگوی فضایی نهفته اندازه‌گیری می‌کند که اگر تصادفات تمایل به خوشه‌بندی داشته باشند. درجه خوشه بندی (مقدار K) را می توان برای بررسی مسائل زیربنایی مختلف برای عملیات بزرگراه (به عنوان مثال، لغزندگی جاده و ارتفاع ناکافی) و مستلزم اقدامات احتمالی خاص برای مناطق مورد مطالعه استفاده کرد. نزدیکی به بزرگراه ها به توزیع تأثیر ایمنی مربوط به تصادف در شرایط آب و هوایی نامناسب، به ویژه برای تصادفات رخ داده در جاده های محلی می پردازد، که غیر قابل چشم پوشی است، اگرچه اغلب جاده های محلی در پایگاه داده های موجود شبکه های بزرگراهی گنجانده نمی شوند. هرچه این تصادفات دورتر از بزرگراه های اصلی پخش شوند، اثرات ایمنی بالاتری را نشان می دهند و متعاقباً، بخش‌های مربوطه از شبکه‌های بزرگراهی کمتر انعطاف‌پذیر در نظر گرفته می‌شوند. در نهایت، منطقه تاثیرگذار بر اساس تجزیه و تحلیل KDE شامل بزرگی و توزیع تاثیر ایمنی است و به صورت بصری نحوه تغییر الگوهای زمانی را نشان می‌دهد. نقشه‌های چگالی حاصل به کاربران اجازه می‌دهد تا نقطه‌ی تصادف را بر اساس مقادیر چگالی تعریف کنند و سپس بررسی کنند که آیا و چگونه تأثیر ایمنی گسترش می‌یابد. این گسترش، منطقه تاثیرگذار تصادفات در بزرگراه ها و جاده های محلی را محاسبه می کند. مناطق تأثیرگذار قابل اندازه‌گیری برای ارائه یک شاخص عملکرد ایمنی به متخصصان ایمنی و برنامه‌ریزی در نظر گرفته شده است که می‌تواند برای نظارت بر تأثیرات ناشی از آب و هوا بر بخش‌های مستعد تصادف بزرگراه و فضاهای اطراف آنها استفاده شود. منطقه تاثیرگذار بر اساس تحلیل KDE شامل بزرگی و توزیع تاثیر ایمنی است و به صورت بصری نحوه تغییر الگوهای زمانی را نشان می‌دهد. نقشه‌های چگالی حاصل به کاربران اجازه می‌دهد تا نقطه‌ی تصادف را بر اساس مقادیر چگالی تعریف کنند و سپس بررسی کنند که آیا و چگونه تأثیر ایمنی گسترش می‌یابد. این گسترش، منطقه تاثیرگذار تصادفات در بزرگراه ها و جاده های محلی را محاسبه می کند. مناطق تأثیرگذار قابل اندازه‌گیری برای ارائه یک شاخص عملکرد ایمنی به متخصصان ایمنی و برنامه‌ریزی در نظر گرفته شده است که می‌تواند برای نظارت بر تأثیرات ناشی از آب و هوا بر بخش‌های مستعد تصادف بزرگراه و فضاهای اطراف آنها استفاده شود. منطقه تاثیرگذار بر اساس تحلیل KDE شامل بزرگی و توزیع تاثیر ایمنی است و به صورت بصری نحوه تغییر الگوهای زمانی را نشان می‌دهد. نقشه‌های چگالی حاصل به کاربران اجازه می‌دهد تا نقطه‌ی تصادف را بر اساس مقادیر چگالی تعریف کنند و سپس بررسی کنند که آیا و چگونه تأثیر ایمنی گسترش می‌یابد. این گسترش، منطقه تاثیرگذار تصادفات در بزرگراه ها و جاده های محلی را محاسبه می کند. مناطق تأثیرگذار قابل اندازه‌گیری برای ارائه یک شاخص عملکرد ایمنی به متخصصان ایمنی و برنامه‌ریزی در نظر گرفته شده است که می‌تواند برای نظارت بر تأثیرات ناشی از آب و هوا بر بخش‌های مستعد تصادف بزرگراه و فضاهای اطراف آنها استفاده شود. نقشه‌های چگالی حاصل به کاربران اجازه می‌دهد تا نقطه‌ی تصادف را بر اساس مقادیر چگالی تعریف کنند و سپس بررسی کنند که آیا و چگونه تأثیر ایمنی گسترش می‌یابد. این گسترش، منطقه تاثیرگذار تصادفات در بزرگراه ها و جاده های محلی را محاسبه می کند. مناطق تأثیرگذار قابل اندازه‌گیری برای ارائه یک شاخص عملکرد ایمنی به متخصصان ایمنی و برنامه‌ریزی در نظر گرفته شده است که می‌تواند برای نظارت بر تأثیرات ناشی از آب و هوا بر بخش‌های مستعد تصادف بزرگراه و فضاهای اطراف آنها استفاده شود. نقشه‌های چگالی حاصل به کاربران اجازه می‌دهد تا نقطه‌ی تصادف را بر اساس مقادیر چگالی تعریف کنند و سپس بررسی کنند که آیا و چگونه تأثیر ایمنی گسترش می‌یابد. این گسترش، منطقه تاثیرگذار تصادفات در بزرگراه ها و جاده های محلی را محاسبه می کند. مناطق تأثیرگذار قابل اندازه‌گیری برای ارائه یک شاخص عملکرد ایمنی به متخصصان ایمنی و برنامه‌ریزی در نظر گرفته شده است که می‌تواند برای نظارت بر تأثیرات ناشی از آب و هوا بر بخش‌های مستعد تصادف بزرگراه و فضاهای اطراف آنها استفاده شود.

یافته های این تحقیق برای بررسی تأثیر آب و هوا بر ایمنی جاده از دو جنبه معنادار در نظر گرفته می شود: (1) بررسی تغییرات الگوی تصادف بین سناریوهای غیر آب و هوا و آب و هوا. تغییرات الگو به عنوان معیارهای جایگزینی عمل می کند که می تواند برای ارزیابی ایمنی جاده علاوه بر معیارهای سنتی مبتنی بر فرکانس و شدت استفاده شود. معیارهای فضایی پیشنهادی از تشخیص آسیب‌پذیری ایمنی پشتیبانی می‌کنند، زیرا نتیجه با شاخص‌های عددی همراه است تا تصمیم‌گیرندگان را در مورد تغییرات الگوی آگاه کند که برای تشخیص بصری از راه‌حل‌های نقشه‌برداری سنتی بسیار ظریف هستند. (2) ارائه بینش در مورد توزیع تاثیر تصادف در پاسخ به شرایط آب و هوایی شدید. با نزدیکی به بزرگراه ها و تجزیه و تحلیل منطقه تاثیرگذار، متخصصان حمل و نقل می توانند حدس بزنند، از تغییر الگوی کمی، تعاملات بالقوه بین بزرگراه‌های اصلی و جاده‌های محلی، حتی اگر اغلب جاده‌های محلی در اکثر پایگاه‌های داده شبکه بزرگراه‌ها گنجانده نشده‌اند. به عنوان مثال، نزدیکی به بزرگراه ها می تواند برای ارزیابی اثربخشی اقدامات بازیابی (به عنوان مثال، حذف یخ/برف) در طول و بعد از رویدادهای آب و هوایی شدید مفید باشد. در این مطالعه، بزرگراه‌های اصلی فرض می‌شوند که اکثر ترافیک را حمل می‌کنند در حالی که ترافیک در جاده‌های محلی یا از بزرگراه‌ها منحرف می‌شود یا به بزرگراه‌ها همگرا می‌شوند. اگر تغییر حجم قابل توجهی بین سناریوهای غیر آب و هوایی و آب و هوایی تشخیص داده نشود، توزیع تصادف (از طریق متریک مجاورت به بزرگراه ها) در شرایط آب و هوایی نامساعد نشان می دهد که آیا بزرگراه های اصلی می توانند حجم ترافیک را در حالت عادی نگه دارند یا نه،

7. نتیجه گیری

برای افزایش خطر آب و هوای نامناسب، این تحقیق انعطاف‌پذیری زیرساخت‌های بزرگراهی را به ایمنی جاده‌ها در منظری تحت تأثیر آب و هوا مرتبط می‌کند. برخلاف معیارهای انعطاف‌پذیری موجود که بر کاهش عملکرد بزرگراه تمرکز می‌کنند، نویسندگان ویژگی‌های داده‌های مکانی تصادف‌ها را بررسی کردند و انعطاف‌پذیری را بر اساس دو ویژگی مکانی به‌دست‌آمده از داده‌های تصادف تعریف کردند: بزرگی و توزیع تأثیر ایمنی. بر این اساس، سه معیار (KNN، نزدیکی به بزرگراه‌ها و منطقه تاثیرگذار بر اساس KDE) برای ارزیابی تاب‌آوری فضایی پیشنهاد شده‌اند. معیارهای پیشنهادی برای تجزیه و تحلیل انعطاف پذیری فضایی برای ارزیابی تغییر الگوی تصادف بین سناریوهای غیر آب و هوا و آب و هوا در نظر گرفته شده است. که در مطالعه موردی قبلی نشان داده شده است. تغییر الگو نشان دهنده وضعیت انعطاف پذیری شبکه های بزرگراهی است. هر چه خوشه‌بندی تصادف شدیدتر و یا گسترده‌تر شود، شبکه‌های جاده‌ای آسیب‌دیده کمتر انعطاف‌پذیر هستند.

نتایج حاصل از معیارهای انعطاف‌پذیری پیشنهادی توضیحی است، اما شاخص‌هایی را در اختیار سازمان‌های عمومی مانند DOT‌های دولتی قرار می‌دهد که روابط علی بین اقدامات پیشگیرانه/بازیابی و ریسک‌های تصادف ناشی از آن را تعیین می‌کنند. علاوه بر این، تاب‌آوری اندازه‌گیری شده از جنبه ایمنی، با معرفی نیازهای تحقیقاتی آینده، به «تصویر بزرگ» ارزیابی تاب‌آوری برای زیرساخت‌های بزرگراه کمک می‌کند. برای مثال، اثربخشی معیارهای تاب‌آوری فضایی باید با معیارهای موجود انعطاف‌پذیری بزرگراه مرتبط با افت عملکرد تأیید شود. نتایج ترکیبی برای تمرین‌کنندگان برای هدایت برنامه‌های مدیریت ایمنی و زمستانی راه ارزشمند است. علاوه بر این، معیارهای انعطاف‌پذیری فضایی را می‌توان با در نظر گرفتن عوامل قرار گرفتن در معرض خطرات تصادف مشخص و توسعه داد.

منابع

کیو، ال. نیکسون، WA اثرات آب و هوای نامطلوب بر تصادفات ترافیکی: بررسی سیستماتیک و متاآنالیز. ترانسپ Res. ضبط 2008 ، 2055 ، 139-146. [ Google Scholar ] [ CrossRef ]
مایر، MD; روآن، ای. برف، سی. Choate, A. تاثیرات آب و هوای شدید بر حمل و نقل: خلاصه سمپوزیوم ملی ; انجمن آمریکایی مقامات بزرگراه و حمل و نقل ایالتی: واشنگتن، دی سی، ایالات متحده آمریکا، 2013. [ Google Scholar ]
ماز، TH; آگاروال، م. Burchett, G. اینکه آب و هوا برای تقاضای ترافیک، ایمنی ترافیک و عملیات و جریان ترافیک اهمیت دارد یا خیر. ترانسپ Res. ضبط 2006 ، 1948 ، 170-176. [ Google Scholar ] [ CrossRef ]
FHWA، اداره بزرگراه فدرال. حوادث آب و هوایی چگونه بر جاده ها تأثیر می گذارد؟ 2014. در دسترس آنلاین: https://ops.fhwa.dot.gov/weather/q1_roadimpact.htm (در 25 فوریه 2020 قابل دسترسی است).
اوسیا امنیت و انعطاف پذیری زیرساخت های بحرانی توجه: طوفان های زمستانی و زیرساخت های بحرانی. 2014. موجود به صورت آنلاین: https://www.npstc.org/download.jsp?tableId=37&column=217&id=3277&file=OCIA_Winter_Storms_and_Critical_Infrastructure_141215.pdf (در تاریخ 17/2/20).
ماچادو-لئون، جی ال. Goodchild، A. بررسی معیارهای عملکرد برای برنامه ریزی مبتنی بر جامعه برای انعطاف پذیری سیستم حمل و نقل. ترانسپ Res. ضبط 2017 ، 2604 ، 44-53. [ Google Scholar ] [ CrossRef ]
نوگل، م. اوکانر، آ. مارتینز-پاستور، بی. کالفیلد، ب. چارچوب ارزیابی انعطاف پذیری احتمالی جدید شبکه های حمل و نقل در برابر رویدادهای آب و هوایی شدید. ASCE-ASME J. ریسک نامشخص. مهندس سیستم بخش A Civ. مهندس 2017 ، 3 ، 04017004. [ Google Scholar ] [ CrossRef ]
آدامز، TM; Bekkem، KR; اقدامات انعطاف پذیری حمل و نقل تولدو-دوران، EJ. J. Transp. مهندس 2012 ، 138 ، 1403-1409. [ Google Scholar ] [ CrossRef ]
گانین، AA; کیتساک، م. مارکس، دی. کیسلر، جی.ام. سیگر، تی. لینکف، I. انعطاف پذیری و کارایی در شبکه های حمل و نقل. علمی Adv. 2017 , 3 , e1701079. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Woodburn، A. انعطاف پذیری شبکه ریلی و پاسخگویی عملیاتی در هنگام اختلال برنامه ریزی نشده: مطالعه موردی حمل و نقل ریلی. J. Transp. Geogr. 2019 ، 77 ، 59–69. [ Google Scholar ] [ CrossRef ]
ژانگ، ایکس. میلر هوکس، ای. دنی، ک. ارزیابی نقش توپولوژی شبکه در انعطاف پذیری شبکه حمل و نقل. J. Transp. Geogr. 2015 ، 46 ، 35-45. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پیزانو، پیانو; گودوین، ال سی؛ تصادف بزرگراه Rossetti، MA در ایالات متحده در شرایط نامساعد جوی جاده. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی اطلاعات تعاملی و سیستم های پردازش برای هواشناسی، اقیانوس شناسی و هیدرولوژی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 20-24 ژانویه 2008. [ Google Scholar ]
خان، جی. Qin، X. Noyce، DA تحلیل فضایی الگوهای تصادف آب و هوا. J. Transp. مهندس 2008 ، 134 ، 191-202. [ Google Scholar ] [ CrossRef ]
آندری، جی. روندهای بلند مدت در خطرات تصادف مرتبط با آب و هوا. J. Transp. Geogr. 2010 ، 18 ، 247-258. [ Google Scholar ] [ CrossRef ]
Qin، X. ایوان، JN; Ravishanker، N. انتخاب معیارهای قرار گرفتن در معرض در پیش بینی نرخ تصادف برای بخش های بزرگراه دو خطه. اسید. مقعدی قبلی 2004 ، 36 ، 183-191. [ Google Scholar ] [ CrossRef ]
ثکالی، ال. کوون، تی جی؛ فو، L. شناسایی نقاط حادثه خیز با استفاده از تخمین چگالی هسته و روش های کریجینگ: مقایسه. J. Mod. ترانسپ 2015 ، 23 ، 93-106. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مالین، اف. نوروس، آی. Innamaa، S. خطر تصادف جاده و شرایط آب و هوایی در انواع مختلف جاده. اسید. مقعدی قبلی 2019 ، 122 ، 181-188. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Carson, JL بهترین شیوه ها در مدیریت حوادث ترافیکی (شماره FHWA-HOP-10-050) ; اداره بزرگراه فدرال، دفتر عملیات حمل و نقل: واشنگتن، دی سی، ایالات متحده آمریکا، 2010. [ Google Scholar ]
ویلسون، بی تی; لیستر، ای جی؛ Riemann, RI یک رویکرد انتساب نزدیک‌ترین همسایه برای نقشه‌برداری از گونه‌های درختی در مناطق بزرگ با استفاده از نمودارهای موجودی جنگل و داده‌های شطرنجی با وضوح متوسط. برای. Ecol. مدیریت 2012 ، 271 ، 182-198. [ Google Scholar ] [ CrossRef ]
اوه، اس. بایون، YJ; Yeo, H. بهبود استراتژی جستجو با رویکرد k-نزدیکترین همسایه برای پیش بینی وضعیت ترافیک. IEEE Trans. هوشمند ترانسپ سیستم 2015 ، 17 ، 1146-1156. [ Google Scholar ] [ CrossRef ]
کای، پی. وانگ، ی. لو، جی. چن، پی. دینگ، سی. Sun، J. یک مدل همبستگی مکانی-زمانی k-نزدیکترین همسایه برای پیش بینی چند مرحله ای ترافیک کوتاه مدت. ترانسپ Res. قسمت C Emerg. تکنولوژی 2016 ، 62 ، 21-34. [ Google Scholar ] [ CrossRef ]
هارت، تی. Zandbergen، P. تخمین چگالی هسته و نقشه برداری هات اسپات. پلیس: استراتژی پلیس بین المللی J.. مدیریت 2014 ، 37 ، 305-323. [ Google Scholar ] [ CrossRef ]
اندرسون، تخمین چگالی کرنل TK و خوشه‌بندی K-means به نمایه نقاط حادثه خیز جاده‌ای. اسید. مقعدی قبلی 2009 ، 41 ، 359-364. [ Google Scholar ] [ CrossRef ]
زی، ز. Yan, J. تشخیص خوشه های تصادفات ترافیکی با تخمین تراکم هسته شبکه و آمار فضایی محلی: یک رویکرد یکپارچه. J. Transp. Geogr. 2013 ، 31 ، 64-71. [ Google Scholar ] [ CrossRef ]
لی، ام. ختک، AJ مطالعه موردی شناسایی الگوی فضایی شدت تصادف در تجزیه و تحلیل نقطه داغ. ترانسپ Res. ضبط 2019 ، 2673 ، 684-695. [ Google Scholar ] [ CrossRef ]
Ulak، MB; Ozguven، EE; اسپین هور، ال. Vanli، OA بررسی فضایی تصادفات مرتبط با افزایش سن: یک مطالعه موردی مبتنی بر GIS در شمال غربی فلوریدا. J. Transp. Geogr. 2017 ، 58 ، 71-91. [ Google Scholar ] [ CrossRef ]
لینکف، آی. بریج، تی. کروتسیگ، اف. دکر، جی. فاکس لنت، سی. کروگر، دبلیو. نیر، آر. تغییر پارادایم تاب آوری. نات. صعود چانگ. 2014 ، 4 ، 407. [ Google Scholar ] [ CrossRef ]
تئوفیلاتوس، ا. یانیس، جی. مروری بر تأثیر ترافیک و ویژگی های آب و هوا بر ایمنی جاده ها. اسید. مقعدی قبلی 2014 ، 72 ، 244-256. [ Google Scholar ] [ CrossRef ]
سرویس ملی هواشناسی در دسترس آنلاین: https://www.weather.gov/ (در 17 فوریه 2020 قابل دسترسی است).
لی، MD; دونگ، جی ال. چانگ، KK; لو، TH; Jeng، MC تفاوت در ویژگی های تصادف شهری و روستایی و استفاده از خدمات پزشکی برای تلفات رانندگی در جوامع کم موتور. J. Saf. Res. 2008 ، 39 ، 623-630. [ Google Scholar ] [ CrossRef ] [ PubMed ]
زورلینگ، سی. پیک آسا، سی. Whitten، PS; چوی، SW; اسپرینس، NL; جونز، MP تصادفات وسیله نقلیه موتوری فوتال در مناطق روستایی و شهری: تجزیه نرخ ها به عوامل مؤثر. Inj. قبلی 2005 ، 11 ، 24-28. [ Google Scholar ] [ CrossRef ]
سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها . مطبوعات CRC: Boca Raton، FL، USA، 1986; جلد 26. [ Google Scholar ]
لوین، N. CrimeStat III: یک برنامه آماری فضایی برای تجزیه و تحلیل مکان های وقوع جرم (نسخه 3.0) . ند لوین و همکاران: هیوستون، تگزاس، ایالات متحده؛ موسسه ملی دادگستری: واشنگتن، دی سی، ایالات متحده آمریکا، 2004.
Pulugurtha، SS; شناسایی ایستگاه های اتوبوس خطرناک واناپالی، VK: تصویری با استفاده از GIS. J. Public Transp. 2008 ، 11 ، 4. [ Google Scholar ] [ CrossRef ]

شکل 1. عناصر انعطاف پذیری فضایی از طریق نمایش الگوی تصادف. ( الف ) پیش از آب و هوا؛ ( ب ) پس از آب و هوا.

شکل 2. مناطق مطالعه در ایلینوی.

شکل 3. نزدیکترین فاصله به بزرگراههای مجاور برای کلانشهر شیکاگو. ( الف ) نمایش کلی؛ ( ب ) نمایشگر بزرگنمایی 1; ( ج ) نمایشگر بزرگنمایی 2; ( د ) نمایشگر بزرگنمایی 3.

شکل 4. نزدیکترین فاصله تا بزرگراههای مجاور برای شهرستانهای روستایی. ( الف ) نمایش کلی؛ ( ب ) نمایشگر بزرگنمایی 1; ( ج ) نمایشگر بزرگنمایی 2; ( د ) نمایشگر بزرگنمایی 3.

شکل 5. نقشه چگالی هسته.

شکل 6. منطقه تاثیرگذار بر اساس نقاط تصادف

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی

2. پس زمینه