این مطالعه یک مدل جدید برای تناسب زمین برای امکانات آموزشی مبتنی بر توسعه محصول فضایی برای تعیین مکان‌های بهینه برای دستیابی به اهداف آموزشی در جاوه غربی، اندونزی پیشنهاد می‌کند. رویکردهای تک جنبه ای، مانند تحلیل دسترسی و خطرات فضایی، به طور گسترده در ارزیابی تناسب در مکان تأسیسات آموزشی استفاده نشده است. توسعه مدل بر اساس تجزیه و تحلیل ارزش اقتصادی زمین و ادغام پارامترهای مختلف در سه جنبه اصلی انجام شد: دسترسی، راحتی، و یک شاخص خطر چند طبیعی/خطر زیستی (فاجعه). بر اساس نقشه‌های مخاطرات بلایا، مناطق سیل‌خیز بالاتر در شیب‌های ملایم و در شهرهای بزرگ واقع شده‌اند. خطرات بیشتر زمین لغزش در سراسر منطقه مورد مطالعه پخش شده است، در حالی که سطوح بالاتر خطر زلزله عمدتاً در جنوب، نزدیک به گسل‌های فعال و ابر رانش‌های موجود است. در حال حاضر، بسیاری از مدارس در مناطق آسیب پذیر بسیار بالا قرار دارند (2057 ابتدایی، 572 دبیرستان، 157 دبیرستان و 313 دبیرستان حرفه ای). نقشه سطح آسایش 13459 مدرسه را نشان می‌دهد که در مناطقی با سطح راحتی بسیار پایین و پایین واقع شده‌اند، در حالی که تنها 2377 مدرسه در مکان‌هایی با سطوح آسایش بالا یا بسیار بالا قرار دارند. بر اساس نقشه دسترسی مدارس، سطوح بالاتر در شهرهای بزرگ‌تر جاوه غربی واقع شده‌اند، در حالی که مدارس با دسترسی پایین‌تر دور از این مناطق شهری مستند شده‌اند. به طور خاص، دسترسی به دبیرستان در مناطق با سطوح دسترسی پایین‌تر غالب است، زیرا امکانات نسبتاً کمتری در جاوا غربی موجود است. به طور کلی، سطوح بالاتری از تناسب در سراسر جاوا غربی پخش شده است. این نتایج توزیع، گسترش در دسترس بودن مدارس را بر اساس منطقه نشان داد: دبیرستان های ارشد، 303973.1 هکتار. دبیرستان های حرفه ای، 94,170.51 هکتار; و دبیرستان های راهنمایی، 12981.78 هکتار. تغییرات در مدارس ابتدایی (3936.69 هکتار) ناچیز بود، زیرا تعداد فعلی مدارس ابتدایی نسبتاً بیشتر است. این مطالعه اولین تلاش برای ادغام این چهار پارامتر – دسترسی، خطر چندگانه طبیعی، خطر زیستی، شاخص راحتی و ارزش زمین – برای تعیین مناطق بالقوه برای مدارس جدید برای دستیابی به اهداف برابری آموزشی است. و دبیرستان های راهنمایی، 12981.78 هکتار. تغییرات در مدارس ابتدایی (3936.69 هکتار) ناچیز بود، زیرا تعداد فعلی مدارس ابتدایی نسبتاً بیشتر است. این مطالعه اولین تلاش برای ادغام این چهار پارامتر – دسترسی، خطر چندگانه طبیعی، خطر زیستی، شاخص راحتی و ارزش زمین – برای تعیین مناطق بالقوه برای مدارس جدید برای دستیابی به اهداف برابری آموزشی است. و دبیرستان های راهنمایی، 12981.78 هکتار. تغییرات در مدارس ابتدایی (3936.69 هکتار) ناچیز بود، زیرا تعداد فعلی مدارس ابتدایی نسبتاً بیشتر است. این مطالعه اولین تلاش برای ادغام این چهار پارامتر – دسترسی، خطر چندگانه طبیعی، خطر زیستی، شاخص راحتی و ارزش زمین – برای تعیین مناطق بالقوه برای مدارس جدید برای دستیابی به اهداف برابری آموزشی است.

کلید واژه ها:

محل مدرسه ؛ خطرات طبیعی و بیولوژیکی ؛ مدل دسترسی ; COVID-19 ؛ استان جاوه غربی ; اندونزی

1. مقدمه

آموزش یکی از حقوق اساسی بشر است که در هر کشوری نقش اجتماعی-اقتصادی مهمی ایفا می کند. مطالعات متعددی نقش راهبردی آموزش را در بهبود کیفیت زندگی و اقتصاد نشان داده است [ 1 و 2 ]. علاوه بر این، تحقیقات در اندونزی نشان داده است که سطح تحصیلات بر سطح رفاه افراد تأثیر می گذارد [ 3 ، 4 ]. با این حال، هنوز موانع متعددی برای برخی از کشورهای در حال توسعه وجود دارد. برای مثال، منطقه جنوب آسیا بالاترین نرخ ترک تحصیل را داشت که در مجموع به 11.32 میلیون کودک در سال 2014 رسید [ 5 ].]. جای تعجب نیست که همه گیری COVID-19 شرایط را بدتر کرده است. برخی از کشورهای در حال توسعه، مانند اندونزی، مشکلات آموزشی شدیدی را با سیستم‌های یادگیری آنلاین فعلی تجربه می‌کنند، و حتی نرخ ترک تحصیل در کلاس‌های مجازی را تجربه می‌کنند [ 6 ]. مسائل اصلی در آماده نبودن امکانات و کمبود تجربه نهفته است، زیرا انطباق مناسب فرآیند یادگیری می تواند به زمان قابل توجهی برای اجرا نیاز داشته باشد. علاوه بر این، تفاوت‌های منطقه‌ای در پوشش اینترنتی وضعیت آموزش را در طول همه‌گیری تشدید کرده است، زیرا برخی از مکان‌ها حتی ابتدایی‌ترین الزامات را برآورده نمی‌کنند [ 7 ، 8 ]]. با توجه به فوریت این مسائل آموزشی جهانی، سازمان ملل متحد آموزش با کیفیت را به عنوان یکی از اهداف اهداف توسعه پایدار گنجانده است [ 9 ]. چنین برنامه هایی با توجه به اینکه دسترسی به آموزش یک سرمایه گذاری بلندمدت برای دستیابی به توسعه منابع انسانی با کیفیت عادلانه است، ضروری هستند [ 10 ].
جمعیت عمدتاً جوان اندونزی را می توان به عنوان یک فرصت فوق العاده در نظر گرفت که تنها با افزایش متناظر در کیفیت منابع موجود به دست می آید [ 11 ]. یعنی افزایش عملکرد سیستم آموزشی اندونزی برای افراد برای رسیدن به وضعیت درآمد بالاتر بسیار مهم است. اخیراً، دولت اندونزی بودجه آموزش و پرورش را افزایش داده و به 505.8 تریلیون IDR (35.5 میلیارد دلار آمریکا) در سال 2020 یا 20 درصد از بودجه درآمد و هزینه دولت رسیده است [ 12 ]. بهبود زیرساخت‌های روستایی، گسترش دسترسی به آموزش با کیفیت و تحرک بازار کار همگی می‌توانند درآمد خانواده‌های آسیب‌پذیر را افزایش داده و به مبارزه با نابرابری کمک کنند.
در برنامه ریزی توزیع و ساخت امکانات آموزشی علاوه بر قابلیت دسترسی، چندین پارامتر دیگر نیز باید مورد استفاده قرار گیرد. از آنجایی که اندونزی به ویژه در برابر بلایای طبیعی و تغییرات محیطی آسیب پذیر است [ 13 ]، هر دو باید در هر تحلیل واقع بینانه در نظر گرفته شوند. به عنوان مثال، آسیب پذیری در برابر زلزله به دلیل گسل های فعال متعدد در ناحیه اطراف [ 13 ] زیاد است و این با وجود یک منطقه فرورانش در جزیره جاوا جنوبی بدتر می شود [ 14 ]. شرایط ژئومورفولوژیکی و نرخ بالای شهرنشینی نیز خطر سایر بلایای طبیعی مانند سیل و رانش زمین را افزایش می دهد [ 15 ، 16 ]]. چنین بلایایی می‌تواند ایمنی و امنیت تداوم آموزشی را در صورت عدم تشخیص، تهدید کند. علاوه بر بلایا، هنگام طراحی توزیع امکانات آموزشی جدید به دلیل بدتر شدن مشکلات زیست محیطی، از جمله افزایش آلودگی اتمسفر [ 17 ]، دما [ 18 ، 19 ] و صدا [ 20 ، 21 ]، یک جنبه راحتی باید در نظر گرفته شود. آلودگی هوا می تواند باعث اختلالات تنفسی شود [ 22 ]، که به طور بالقوه در فعالیت های آموزشی و قدرت جذب دانش آموزان تداخل ایجاد می کند [ 23 ، 24 ]. مطالعات متعددی همبستگی منفی بین دمای کلاس و عملکرد دانش‌آموز را نشان داده‌اند [ 25]. علاوه بر این، سر و صدا یک عامل عملکرد مهم برای دانش آموزان و معلمان است [ 26 ]، با این حال راحتی اغلب مدارس جدید را در نزدیکی مکان های پر سر و صدا قرار می دهد. بنابراین، برای بهینه‌سازی مکان‌های جدید مدارس با طراحی‌های مناسب، یک رویکرد جامع و چند پارامتری مورد نیاز است.
رویکردهای تک جنبه ای، مانند تحلیل دسترسی و خطرات فضایی، به طور گسترده در ارزیابی تناسب در مکان تأسیسات آموزشی استفاده نشده است. به عنوان مثال، Prasetyo et al. [ 27 ] یک رویکرد فضایی را در برنامه‌ریزی دسترسی به آموزش، توسعه مدلی برای انتخاب زمین‌های مدرسه با استفاده از تحلیل تصمیم چند معیاره و رویکرد مشارکتی عمومی، ادغام کرد. صمد و همکاران [ 28 ] روش‌های AHP و GIS را برای انجام تجزیه و تحلیل تناسب زمین در مکان‌های مدارس موجود و بالقوه در منطقه پرلیس، مالزی، با استفاده از سه سطح از ارزش‌های مناسب، یکپارچه کرد. بارتلوس و همکاران [ 29] از روش ارزیابی چند خطر برای افزایش حساسیت محصولات فضایی و تمرکز بر توسعه شهری استفاده کرد. این رویکرد پتانسیل زیادی برای توسعه دسترسی جدید به آموزش حفظ می کند. علاوه بر این، با بررسی تاب‌آوری ساختمان‌های مدارس با توجه به بلایای احتمالی مختلف، می‌توان تلفات در هزینه‌های ساخت و ساز را به حداقل رساند.
از تجزیه و تحلیل تحقیقات قبلی با استفاده از فناوری فضایی برای ارزیابی توسعه در بخش آموزش، روش مناسبی را می توان توسعه داد. با این حال، تا به امروز، تعداد کمی از محققان چنین عاملی را وارد کرده اند. علاوه بر این، ادغام چندین خطر طبیعی و مخاطرات زیستی، به ویژه با توجه به شرایط همه گیر COVID-19، می تواند به طور قابل توجهی بر نتایج نیز تأثیر بگذارد. با توجه به اهمیت حساسیت در توسعه محصولات فضایی از طریق تجزیه و تحلیل تناسب زمین، مطالعه حاضر با هدف ایجاد یک مدل تناسب زمین آموزشی بر اساس سه جنبه اصلی: دسترسی، تاب آوری چند بلایا و راحتی انجام شد. در طول توسعه محصول، یک سناریوی توزیع مدارس جدید نیز تحلیلی از ارزش اقتصادی زمین را در نظر گرفت. این مطالعه اولین تلاش برای ادغام این چهار پارامتر – دسترسی، خطرات چندطبیعی و مخاطرات زیستی، شاخص راحتی و ارزش زمین – در تعیین مناطق بالقوه برای مدارس جدید برای دستیابی به اهداف برابری آموزشی است. این مطالعه تحقیقاتی همچنین می‌تواند به‌عنوان پایه‌ای برای سایر استراتژی‌های توسعه به شیوه‌ای استراتژیک‌تر، جامع‌تر و پایدارتر عمل کند، به‌ویژه در مورد راهبردهای مدرسه در مناطق مختلف اندونزی یا کشورهای مشابه.

2. مواد و روشها

2.1. منطقه مطالعه

سیستم آموزشی اندونزی به طور کلی به دو گروه اصلی تقسیم می شود: آموزش ابتدایی و عالی در سطح دانشگاه. آموزش ابتدایی شامل سه مرحله است: دبستان (SD, Sekolah Dasar )، دبیرستان (SMP, Sekolah Menengah Pertama ) و دبیرستان ارشد که از یک دبیرستان آکادمیک تشکیل شده است که از این پس به عنوان دبیرستان (SMA) شناخته می شود. سکولا مننگاه آتاس) و دبیرستان حرفه ای، که از این پس به عنوان دبیرستان حرفه ای (SMK، Sekolah Menengah Kejuruan) شناخته می شود. منطقه مورد مطالعه در استان جاوه غربی، اندونزی واقع شده است ( شکل 1) که نیازمند تلاش سیستماتیک برای بهبود دسترسی به امکانات آموزشی است. توزیع نابرابر امکانات آموزشی و نرخ بالای ترک تحصیل از موانع اساسی در این منطقه است [ 30 ]. به عنوان مثال، از 626 منطقه فرعی در جاوای غربی، 35٪ هیچ دبیرستان عمومی دولتی نداشتند [ 31 ]. بر اساس آمار وزارت آموزش و پرورش و فرهنگ (کمندیک بود)، 6030 دانش آموز جوان غربی در سال تحصیلی 2019/2020 در مقطع ابتدایی ترک تحصیل کرده اند [ 4 ] که نسبت به سال قبل تقریباً 67 درصد افزایش داشته است (3596 دانش آموز) [ 4 ]. ]. با توجه به این شرایط، دولت استان جاوه غربی برنامه های اولویت بندی مختلفی را برای افزایش دسترسی آموزشی که مربوط به ساخت مدارس جدید است راه اندازی کرد [ 32 ].]. از آنجایی که جاوای غربی بالاترین نرخ جمعیت و شهرنشینی [ 11 ] را در کشور، همراه با تنوع جمعیتی و سطح بالایی از آسیب پذیری در برابر بلایا [ 33 ] حفظ می کند، یک رویکرد جامع قبل از طراحی توزیع عادلانه و پایدار مدارس جدید مورد نیاز است.

2.2. داده ها

محصولات مختلف داده‌های مکانی برای بهبود حساسیت و دقت نتایج استفاده و ادغام شدند. جدول 1 ویژگی های داده های مورد استفاده را خلاصه می کند و جدول 2 توزیع استفاده از داده ها را در چهار هدف اصلی تحقیق، یعنی عوامل موثر فرسایش، سیل، زلزله، آسایش و فاصله مدرسه نشان می دهد. به طور کلی، این محصولات داده را می توان به سه نوع عمده دسته بندی کرد: شطرنجی برداری، شطرنجی ایستا و شطرنجی پویا.

2.2.1. داده های برداری

این مطالعه از سه نوع داده برداری یعنی نقاط، خطوط و چندضلعی ها استفاده کرد. داده‌های نقطه‌ای مورد استفاده مکان مدارس، کانون‌های زلزله، تعداد موارد COVID-19 و وقوع سیل و رانش زمین است، در حالی که داده‌های خطی شامل جاده‌ها، رودخانه‌ها و خطوط گسل است. در همین حال، محدوده‌های اداری، حوزه‌های آبخیز، انواع خاک و مناطق حفاظت‌شده همگی داده‌های چند ضلعی مورد استفاده در این مطالعه هستند. شکل 2 a نقشه های توزیع در دسترس را برای مدارس عمومی ابتدایی، متوسطه اول، دبیرستان و دبیرستان حرفه ای نشان می دهد (داده های موقعیت مکانی از آژانس آموزشی [ 34 ] به دست آمده است.]). مدارس ابتدایی فراوان ترین نوع مدرسه در مقایسه با دبیرستان، دبیرستان و دبیرستان حرفه ای بودند (به ترتیب 19692؛ 5372؛ 1643؛ و 2938). سطح تحصیلات ابتدایی 9 ساله اندونزی (از ابتدایی تا متوسطه اول) این الگو را هدایت می کند. شکل 2 ب نقاط جمعی را برای مکان های بیمار COVID-19 نشان می دهد، اطلاعات موردی را تا دسامبر 2020 جمع می کند، در حالی که شکل 2 c نقاط داده های زمین لرزه شامل مکان، تاریخ وقوع، و بزرگی را نشان می دهد. داده های زلزله از کاتالوگ زمین لرزه USGS [ 35 ] مشتق شد و با درون یابی به داده های بزرگی زلزله کاهش یافت. شکل 2c همچنین توزیع مواد غذایی و وقوع زمین لغزش را از آژانس ملی مدیریت بلایا (BNPB) توصیف می کند.
داده های جاده به عنوان یک لایه شبکه برای اطلاع از تجزیه و تحلیل دسترسی استفاده شد، در حالی که داده های شبکه رودخانه جریان رودخانه را در جاوه غربی نشان داد. داده های گسل مکان چهار گسل فعال در جاوای غربی را نشان داد: لمبانگ، گارسلا، باریبیس و کندنگ. داده‌های مرز اداری استان و ناحیه از داده‌های رسمی دولتی تولید شده توسط آژانس اطلاعات مکانی [ 36 ] به‌دست آمد. داده‌های حوزه آبخیز (DAS) حاوی اطلاعاتی در مورد مناطق محدود شده توسط یک مانع توپوگرافی است که توسط دریافت، ذخیره و تخلیه آب باران از طریق یک نقطه رودخانه مشترک متحد شده است. نقشه نوع خاک [ 37 ] بر اساس مؤلفه شیمیایی Fe/Al که توسط پایگاه مرجع جهانی منابع خاک (WRB) ایجاد شده است، متمایز شد. پایگاه جهانی اطلاعات مناطق حفاظت شده (WDPA) [38 ] جدیدترین و جامع ترین منبع اطلاعات در مورد مناطق حفاظت شده است که هر ماه با ارسالی از دولت های بین المللی، سازمان های غیردولتی، مالکان زمین و جوامع به روز می شود. این مرکز توسط مرکز نظارت بر حفاظت از محیط زیست سازمان ملل متحد (UNEP-WCMC)، با حمایت IUCN و کمیسیون جهانی آن در مناطق حفاظت شده (WCPA) مدیریت می شود.
2.2.2. رستر استاتیک
داده‌های شطرنجی استاتیک شامل یک مدل سطح دیجیتال (DSM) و تراکم جمعیت بود. ALOS DSM 30 (AW3D30) [ 39 ]، با وضوح ~30 متر (مش 1 قوس الکتریکی)، در اینجا برای ساختن نقشه های ارتفاع و شیب استفاده شد. داده‌های تراکم جمعیت (WorldPop [ 40 ]) از داده‌های امروزی و جهانی با وضوح بالا در مورد توزیع جمعیت انسانی تشکیل شده است. چنین داده هایی پیش نیازی برای اندازه گیری دقیق تأثیر رشد جمعیت، نظارت بر تغییرات و برنامه ریزی مداخلات است. داده های منطقه مسکونی (Facebook CIESIN [ 41]) برآوردی از توزیع جمعیت انسانی با وضوح 1 ثانیه قوس (~30 متر) برای سال 2015 ارائه کرد که از داده‌های سرشماری اخیر و تصاویر ماهواره‌ای با وضوح بالا (0.5 متر) (Digital Globe) مشتق شده است. چنین شبکه‌های جمعیتی ترسیم دقیقی از سکونتگاه‌ها در مناطق شهری و روستایی را ارائه می‌کنند که برای واکنش به بلایا، برنامه‌ریزی بشردوستانه و توسعه آینده مفید است. شکل 3 نتایج تحلیل محدودیت را برای مناطق حفاظت شده و خالی از جمعیت نشان می دهد. محدودیت های منطقه حفاظت شده ( شکل 3 الف) به طور کلی به جنگل های طبیعی مناطق کوهستانی در منطقه مورد مطالعه مربوط می شود. شکل 3 ب مکان های خالی از جمعیت را نشان می دهد که از لایه حل و فصل با وضوح بالا CIESIN فیس بوک به دست آمده است.
2.2.3. داده های نوع رستر پویا
داده های شطرنجی پویا شامل پوشش زمین کاربری (LULC)، بارندگی، منطقه مسکونی، بارش، دمای سطح زمین (LST) و آلودگی هوا بود. برای LULC، MCD12Q1 V6 [ 42 ]، پوشش زمین نوع 1: طبقه بندی برنامه سالانه بین المللی ژئوسفر-زیست کره (16 کلاس)، محصول جهانی استفاده شد. به طور خاص، محصول منطقه مسکونی (عمدتاً مسکن) دارای وضوح فضایی 30 متر بود. از داده‌های بارش برای تعیین اثربخشی فواصل مدرسه استفاده شد، در حالی که گروه خطرات آب و هوایی بارش مادون قرمز با داده‌های ایستگاه (CHIRPS) [ 43] یک مجموعه داده شبه جهانی بارش بیش از 30 سال است. CHIRPS تصاویر ماهواره ای با وضوح 0.05 درجه را با داده های ایستگاه درجا برای ایجاد یک سری زمانی بارندگی شبکه ای برای تجزیه و تحلیل روند و پایش خشکسالی فصلی ترکیب می کند. داده های LST را می توان از طریق تصاویر ماهواره ای حاوی حسگر حرارتی مشاهده کرد. در اینجا، داده های LST از Landsat-8 (رزولوشن 30 متر) [ 44 ، 45 ] به دست آمد و برای توصیف راحتی مدرسه مربوط به دمای بهینه استفاده شد. داده های آلودگی هوا شامل CO (مونوکسید کربن)، NO 2 (دی اکسید نیتروژن) و SO 2 (دی اکسید گوگرد)، که همگی پارامترهای مهم شاخص کیفیت هوا هستند، به دست آمده از مشاهدات Sentinel-5 Precursor [ 46] و در اینجا برای تعیین بیشتر سطح راحتی مناطق مدرسه استفاده می شود.

2.3. روش شناسی

2.3.1. مناسب بودن مکان مدرسه جدید

پردازش داده ها تحت چهار مرحله تحلیلی قرار گرفت: فاجعه، راحتی، دسترسی و تناسب زمین. شکل 4 نمای کلی از روش تحقیق مورد استفاده در این تحقیق را نشان می دهد. سیستم‌های اطلاعات جغرافیایی (GIS) ابزارهای پردازش داده‌ها را برای تجزیه و تحلیل و ارزیابی هر مرحله تحقیق فراهم می‌کنند. تجزیه و تحلیل تصمیم چند معیاره (MCDA) برای ساخت مدل استفاده شد. دامنه کاربرد جامع تر آن در وابستگی آن به مجموعه ای از پارامترهای محیطی است که توسط تحلیلگر تعیین می شود [ 49 ].]. روش‌های فرعی مورد استفاده برای محاسبه هر معیار شامل ارزیابی‌های چند خطر، پوشش‌ها و تحلیل‌های شبکه بود. علاوه بر این، یک تجزیه و تحلیل مناسب مکان مدرسه جدید برای توصیه دولت محلی با توجه به این سه جنبه اصلی انجام شد: امنیت در برابر بلایای طبیعی، راحتی و دسترسی. سناریوهای متعددی برای تعیین مناسب بودن مکان‌های مدارس در شرایط مختلف اقتصادی مورد استفاده قرار گرفت تا تصویر دقیق‌تری از شرایط پس از ساخت به دست آید و به عنوان مبنایی برای دولت‌های محلی و سیاست‌گذاران در هنگام قرار دادن مدارس جدید باشد. تجزیه و تحلیل فاجعه شامل ترکیبی از داده های مکانی برای تهیه نقشه سطوح آسیب پذیری بلایا در هر واحد دانشگاهی بود. تجزیه و تحلیل راحتی داده ها را در مورد کیفیت هوا، نویز و دما ترکیب کرد. تجزیه و تحلیل دسترسی، فاصله از مدرسه را با استفاده از روش تحلیل شبکه اندازه گیری کرد. و مطالعه تناسب زمین شامل ترکیبی از این سه جنبه برای به دست آوردن تناسب کلی هر منطقه در استان جاوه غربی بود.
2.3.2. تجزیه و تحلیل دسترسی به مدرسه
تجزیه و تحلیل دسترسی بر اساس مقررات جدید دولت (آیین نامه شماره 23/2013 وزیر آموزش و پرورش) [ 50] با توجه به حداکثر فاصله مدرسه از منطقه مسکونی. این 12 آیین نامه پیشنهاد می کند که یک مدرسه ابتدایی باید ≤3 کیلومتر از یک منطقه مسکونی و شهری وجود داشته باشد، در حالی که مدارس متوسطه باید در ≤6 کیلومتر باشد. این مقررات فقط برای مدارس در مناطق شهری اعمال می شود، در حالی که بیشتر مناطق مورد مطالعه ما شامل مناطق شهری و روستایی است. به همین دلیل در مناطق روستایی از حداقل فاصله 3 کیلومتر تا 5 کیلومتر برای مدارس ابتدایی و 6 کیلومتر تا 10 کیلومتر برای مدارس راهنمایی استفاده کردیم. ما فکر می کنیم که استفاده از فواصل پیش فرض تعریف شده توسط مقررات دولتی برای مناطق روستایی منجر به تحلیل نامطلوب بسیاری از مناطق بالقوه می شود و گسترش تعاریف از این موضوع جلوگیری می کند. تجزیه و تحلیل دسترسی از یک شبکه چندگانه در هر مکان مدرسه استفاده کرد (ابتدایی، دبیرستان، دبیرستان، و دبیرستان حرفه ای). سپس دسترسی فعلی به مدرسه بر اساس منطقه طبقه‌بندی شد: شعاع ≤5 کیلومتری سطح بالاتری از در دسترس بودن مدرسه در نظر گرفته شد. بین 5 و ≤10 کیلومتر سطح متوسطی از در دسترس بودن مدرسه در نظر گرفته شد. و بیش از 10 کیلومتر در دسترس بودن مدارس کم نامیده شد. نتایج این دسته بندی دسترسی به صورت نمرات متفاوت برای هر کلاس بود. علاوه بر این، نتایج دسترسی با داده‌های تراکم جمعیت، که با استفاده از روش چندک به پنج کلاس طبقه‌بندی شده‌اند، مرتبط بود. مرحله بعدی کاهش دو لایه دسترسی برای تولید یک لایه واحد بود که تعادل عرضه (در دسترس بودن مدرسه) و تقاضا (سطح تراکم جمعیت) را نشان می‌داد. بین 5 و ≤10 کیلومتر سطح متوسطی از در دسترس بودن مدرسه در نظر گرفته شد. و بیش از 10 کیلومتر در دسترس بودن مدارس کم نامیده شد. نتایج این دسته بندی دسترسی به صورت نمرات متفاوت برای هر کلاس بود. علاوه بر این، نتایج دسترسی با داده‌های تراکم جمعیت، که با استفاده از روش چندک به پنج کلاس طبقه‌بندی شده‌اند، مرتبط بود. مرحله بعدی کاهش دو لایه دسترسی برای تولید یک لایه واحد بود که تعادل عرضه (در دسترس بودن مدرسه) و تقاضا (سطح تراکم جمعیت) را نشان می‌داد. بین 5 و ≤10 کیلومتر سطح متوسطی از در دسترس بودن مدرسه در نظر گرفته شد. و بیش از 10 کیلومتر در دسترس بودن مدارس کم نامیده شد. نتایج این دسته بندی دسترسی به صورت نمرات متفاوت برای هر کلاس بود. علاوه بر این، نتایج دسترسی با داده‌های تراکم جمعیت، که با استفاده از روش چندک به پنج کلاس طبقه‌بندی شده‌اند، مرتبط بود. مرحله بعدی کاهش دو لایه دسترسی برای تولید یک لایه واحد بود که تعادل عرضه (در دسترس بودن مدرسه) و تقاضا (سطح تراکم جمعیت) را نشان می‌داد. نتایج دسترس‌پذیری با داده‌های تراکم جمعیت همراه بود که با استفاده از روش کمیت به پنج کلاس طبقه‌بندی شدند. مرحله بعدی کاهش دو لایه دسترسی برای تولید یک لایه واحد بود که تعادل عرضه (در دسترس بودن مدرسه) و تقاضا (سطح تراکم جمعیت) را نشان می‌داد. نتایج دسترس‌پذیری با داده‌های تراکم جمعیت همراه بود که با استفاده از روش کمیت به پنج کلاس طبقه‌بندی شدند. مرحله بعدی کاهش دو لایه دسترسی برای تولید یک لایه واحد بود که تعادل عرضه (در دسترس بودن مدرسه) و تقاضا (سطح تراکم جمعیت) را نشان می‌داد.
2.3.3. تجزیه و تحلیل مخاطرات چند طبیعی

سپس یک تحلیل چند خطر انجام شد که بر چندین نوع بلایا از جمله سیل، زلزله و رانش زمین تمرکز داشت. به طور کلی، پارامترهای هر نوع فاجعه بر اساس مطالعه ادبیات مشخص شده و در یک نقشه کلی بلایا ادغام شدند. پارامترهای مورد استفاده برای تجزیه و تحلیل بلایای سیل عبارت بودند از پوشش زمین، نوع خاک، شیب، ارتفاع، بارندگی و تراکم رودخانه. نوع LULC که بیشتر تحت تأثیر سیل قرار گرفت، سکونتگاه ها بود، در حالی که جنگل ها و آب ها کمترین آسیب را دیدند. انواع خاک بر اساس حساسیت آنها به نفوذ آب به پنج دسته تقسیم شدند که از غیر حساس تا بسیار حساس متغیر بودند: انواع خاک های غیر حساس شامل آبرفتی، پلانوسول، هیدرومورف خاکستری و لاتریت آب زیرزمینی. انواع خاک کمی حساس شامل لاتوزول بود. انواع خاک نسبتا حساس شامل جنگل های قهوه ای و خاک های مدیترانه ای بود. انواع خاک حساس شامل آندوزول، لاتریت، گروموزول، پادسول و پادزولیک بود. و انواع خاک بسیار حساس شامل رگوسول، لیتوزول، ارگانوسول و رنزینا بود. خطوط شیب دار تمایل به نگه داشتن آب طولانی تری داشتند، بنابراین احتمال وقوع سیل را افزایش می دادند، در حالی که خطوط شیب دار تمایل به جابجایی آب در مناطق ارتفاع پایین تر داشتند، بنابراین احتمال سیل کم بود. عامل اصلی تعیین کننده سیل شدت بارندگی بود [ در حالی که خطوط تندتر تمایل به جابجایی آب در مناطق ارتفاع پایین‌تر داشتند، بنابراین احتمال سیل کم بود. عامل اصلی تعیین کننده سیل شدت بارندگی بود [ در حالی که خطوط تندتر تمایل به جابجایی آب در مناطق ارتفاع پایین‌تر داشتند، بنابراین احتمال سیل کم بود. عامل اصلی تعیین کننده سیل شدت بارندگی بود [51 ]. علاوه بر این، تراکم کم رودخانه نیز می تواند باعث سیل شود. تراکم رودخانه ( DD ) بر اساس رابطه (1) محاسبه شد:

که Σ L مجموع طول جریان رودخانه و A مساحت حوضه است. از روش طبقه‌بندی چندک برای امتیازدهی پارامترها با مقادیر عددی (شیب، ارتفاع، بارندگی و تراکم رودخانه) استفاده شد. این رویکرد به دلیل نمایش یکنواخت آن بر روی نقشه، ساده کردن محاسبات کلاس [ 52 ] سودمند است. علاوه بر این، روش کوانتیل همچنین با هدف استاندارد کردن مقادیر پارامتر با واحدها و روش‌های اندازه‌گیری مختلف، از 1 تا 5 در تحلیل حاضر، انجام می‌شود. روش وزن دهی ساده (SAW) که اغلب برای تکمیل تصمیم گیری چند ویژگی استفاده می شود [ 51 ]، در اینجا برای ترکیب هر پارامتر استفاده شد و طبق رابطه (2) محاسبه شد:

که در آن مقدار وزن از داروان و همکاران اصلاح شد. [ 53]. اعتبار سنجی نتایج شامل داده های نقطه سیل از BNPB بود. تجزیه و تحلیل فاجعه زمین لغزش از پارامترهای شیب، کاربری زمین، نوع خاک و پارامترهای بارندگی استفاده کرد. پوشش اراضی مرتفع بیشترین احتمال ایجاد رانش زمین را داشت، در حالی که مزارع، باغ های مختلط، سکونتگاه ها و مزارع برنج نیز دارای پتانسیل لغزش بودند. فرسایش پذیری خاک مرجع دیگری برای طبقه بندی نوع خاک بود که با کاربری زمین متفاوت است و در طول زمان تغییر می کند. فرسایش پذیری متوسط ​​شامل انواع خاک آندوسول، گلی هوموس، مدیترانه ای و پادزولیک می باشد. و فرسایش پذیری کم شامل انواع خاک های آبرفتی، لاتوسولی و گروموسول می باشد. بارندگی زیاد می تواند باعث رانش زمین شود، زیرا سطح لغزش در معرض آب قرار می گیرد و باعث حرکت زمین در بالا می شود. مقادیر پارامترها از 1 تا 5 متغیر بود و توزیع مقادیر امتیاز با استفاده از روش چندک به دست آمد. یک روش مشابه روش SAW برای ترکیب تمام پارامترها استفاده شد (معادله (2) و اعتبار سنجی با استفاده از داده های نقطه لغزش از BNPB انجام شد. مقدار وزن از Kusratmoko اصلاح شد [54 ]. پارامترهای تجزیه و تحلیل زلزله مورد استفاده عبارت بودند از: فاصله از گسل، فاصله از مگاتراست، ارتفاع، شیب و بزرگی. هر چه یک مکان به یک گسل نزدیکتر باشد، آسیب احتمالی زلزله بیشتر است [ 55]. جاوه غربی دارای چهار گسل فعال است که در سرتاسر منطقه پخش می شوند و یک ابر رانش در قسمت جنوبی به ویژه در اقیانوس هند واقع شده است که پتانسیل زلزله را افزایش می دهد. بزرگی ثبت شده از رویدادهای قبلی می تواند نشان دهد که یک زلزله چقدر ممکن است بزرگ باشد و درون یابی فضایی این بزرگی ها یک نقشه شطرنجی برای محاسبات بیشتر ایجاد کرد. به طور خاص، شیب و ارتفاع شیب نیز بسیار تأثیرگذار بود، جایی که هر چه ارتفاع و زاویه شیب بیشتر باشد، احتمال خسارت ناشی از زلزله بیشتر می شود. استانداردسازی مقادیر پارامترهای مورد استفاده 1-5 بود. به طور مشابه، توزیع مقادیر امتیاز با استفاده از روش چندک به دست آمد و در اینجا نیز از تکنیک SAW ترکیب همه پارامترها استفاده شد (معادله (2).

2.3.4. خطر زیستی: مدل پویا COVID-19
تجزیه و تحلیل خطر زیستی برای اندازه گیری سطح انتقال COVID-19 در جاوا غربی با استفاده از توزیع های موردی مورد استفاده قرار گرفت. مفروضات مورد استفاده در این مطالعه با هدف پیش‌بینی تحولات آتی در کوتاه‌مدت، در حالی که همه‌گیری COVID-19 هنوز ادامه دارد، بود. بر این اساس، ساخت مدارس در مناطقی با نرخ انتقال COVID-19 پایین ضروری خواهد بود، عمدتاً به این دلیل که کودکان و نوجوانان کمترین اولویت را در تلاش‌های واکسیناسیون متمرکز بر کارکنان بهداشتی، کارکنان آموزشی، سالمندان و افراد آسیب‌پذیر دارند. مکان های مورد COVID-19 از مرکز اطلاعات و هماهنگی استان جاوه غربی (پیکوبار) [ 48 ] به دست آمد.]. اولین مرحله شطرنجی کردن نقاط COVID-19 بود که هر پیکسل حاوی تعداد موارد مربوطه بود. داده‌های شطرنجی‌شده از طریق درون‌یابی با وزن معکوس فاصله (IDW) برای تولید چگالی موارد در جاوای غربی ایجاد شد و به محدود کردن مکان مدارس جدید کمک کرد.
2.3.5. تجزیه و تحلیل راحتی هوا، نویز و دما
تجزیه و تحلیل راحتی شامل آلودگی هوا، سطح سر و صدا و تجزیه و تحلیل دما بود. داده های عمومی آلاینده هوا از Sentinel-5P بدست آمد و شامل CO، NO 2 و SO 2 بود. داده های Sentinel-5P در مطالعات مختلف قبلی برای اندازه گیری و پایش کیفیت هوا استفاده شده است. به عنوان مثال، ژنگ و همکاران. [ 56 ] و کاپلان و همکاران. [ 57 ] از داده های NO 2 برای اندازه گیری ضریب تاثیر بر کیفیت هوا استفاده کرد. در مقابل، کاپلان و همکاران. [ 58] از داده های Sentinel-5P برای تجزیه و تحلیل رابطه بین آلاینده ها، داده های جغرافیایی و اجتماعی استفاده کرد. CO محصول جانبی احتراق سوخت در اتومبیل‌ها یا کامیون‌ها، موتورهای کوچک، اجاق‌ها، فانوس‌ها، کوره‌ها، شومینه‌ها، محدوده‌های گاز یا کوره‌ها است که به طور بالقوه باعث ایجاد در داخل خانه و ساکنان مسموم می‌شود [ 59 ]. NO 2 یکی از چندین اکسید نیتروژن و یک واسطه در سنتز صنعتی اسید نیتریک است که میلیون ها تن از آن هر ساله برای استفاده در درجه اول در تولید کود تولید می شود. در دماهای بالاتر، یک گاز قهوه ای مایل به قرمز است [ 60 ]. SO 2گازی سمی است که به طور طبیعی در اثر فعالیت های آتشفشانی آزاد می شود و همچنین به عنوان محصول جانبی استخراج مس و احتراق سوخت فسیلی (یعنی زغال سنگ) تولید می شود. تمام داده های آلاینده تولید شده از حسگر Sentinel-5P با استفاده از پلت فرم Google Earth Engine به دست آمد. میانگین پیکسل در طول سال 2019 برای نشان دادن سطوح آلودگی در شرایط عادی استفاده شد، زیرا الگوهای 2020 به شدت تحت تأثیر قرنطینه COVID-19 قرار گرفتند. سپس داده ها به یک طبقه بندی چند سطحی تقسیم شدند. در مرحله بعد، سه نقطه داده با میانگین گیری آنها برای به دست آوردن یک نقشه کلی آلودگی هوا ترکیب شدند.

تجزیه و تحلیل نویز با استفاده از داده های موقعیت جاده و فرودگاه انجام شد. جاده های اول به جاده های اصلی (جاده هایی که با انواع وسایل نقلیه موتوری قابل عبور هستند و در نتیجه پر سر و صداتر هستند) و جاده های محلی (جاده هایی که با ماشین های سنگین قابل عبور نیستند) تقسیم می شدند. سپس از داده‌های بافر برای نشان دادن محدوده سطوح نویز با میانگین استفاده شد. سه نتیجه بافر (جاده‌های اصلی، جاده‌های محلی و فرودگاه‌ها) همپوشانی و امتیازدهی شدند. بالاترین امتیاز (5) هر سه منبع را شامل می شود، در حالی که کمترین (1) تنها یک منبع را شامل می شود. تجزیه و تحلیل دما بر اساس تصاویر Landsat-8 برای استخراج مقادیر LST با استفاده از الگوریتم بازیابی ارائه شده توسط Jimenez-Munoz و همکاران انجام شد. [ 44 ] و راجشواری و مانی [ 45 ]، که از طریق معادلات (3) و (4) بیان شده اند:

که در آن TB دمای روشنایی است (باند دما 10، landsat 8). λ طول موج انتشار (0.0015) است. C2 hxc /s = 1.4388 × 10-2 m·K است. و e تابش = 0.004 × Pv + 0.986 است، که در آن

3. نتایج

3.1. دسترسی به مدرسه

مدلسازی دسترسی به مدرسه اولین گام برای بررسی وضعیت فعلی دسترسی به آموزش در جاوا غربی است. شکل 5 توزیع جمعیت را بر اساس گروه های سنی در جاوای غربی در وضوح 30 متر نشان می دهد. سنین به پنج گروه تقسیم شدند: نوزاد-نوپا (0-5 ساله)، کودک (6-9 ساله)، نوجوان (10-24 سال)، بزرگسال (25-59 سال) و سالمند (بیش از 59 سال). ساله). بر اساس تجزیه و تحلیل، تراکم جمعیت از 0 تا 43 نفر در 900 متر مربع متغیر بود . گروه های نوجوان و بزرگسال نیز در مقایسه با سه گروه دیگر تفاوت بیشتری داشتند. سپس نتایج با داده های توزیع در دسترس بودن مدارس ترکیب شد تا تعادل بین عرضه و تقاضا در منطقه تحقیق تعیین شود. نتیجه ترکیب این دو نقشه، نقشه دسترسی مدارس (شکل 6 ). سطوح دسترسی از خیلی کم تا خیلی زیاد بود که اولی اطلاعات مربوط به جمعیت زیاد و کمبود در دسترس بودن مدرسه را نشان می داد. مورد دوم به اندازه جمعیت و در دسترس بودن کافی مدارس مربوط می شود. مدارس ابتدایی تقریباً در تمام مناطق در جاوا غربی بالاترین سطح دسترسی را داشتند. بنابراین، مناطقی که بیشترین اولویت را برای ساخت و ساز مدارس جدید دارند، مناطقی هستند که دسترسی کم یا بدون دسترسی به توزیع برابر دارند.

3.2. تجزیه و تحلیل شاخص چند خطر

سطوح بالایی از تنوع برای حساسیت به سیل ثبت شد ( شکل 7 الف)، با تمایل بیشتر سیل در بخش های غربی و شمالی منطقه مورد مطالعه، با شرایط شیب نسبتاً صاف تا ملایم، جذب آب و زهکشی خاک ضعیف تر، ساخت و ساز بیشتر. تا زمین ها و شرایط بارندگی قوی تر. سطوح بسیار پایین خطر سیل محدود به منطقه جنوبی بود که به طور کلی توپوگرافی تپه ای و کوهستانی بر آن غالب بود. شکل 7b آسیب پذیری زمین لرزه تقسیم طبقاتی را نشان می دهد، با سطوح بالاتر ثبت شده در جنوب به دلیل تعداد بیشتری از گسل های فعال پراکنده در سراسر منطقه. وجود منطقه مگا راست در دریای جاوه جنوبی نیز آسیب پذیری محلی در برابر زلزله را افزایش می دهد. سابقه زمین لرزه های بزرگ در منطقه جنوبی نیز به سطوح بالاتر آسیب پذیری آن کمک می کند. سطوح خطر کمتری در قسمت شمالی منطقه تحقیقاتی ثبت شد. شکل 7c نشان می دهد که سطوح حساسیت زمین لغزش بالا تا بسیار بالا تقریباً در تمام مناطق جاوه غربی به طور نسبتاً مساوی توزیع شده است که عمدتاً از تسلط زمین های تپه ای و کوهستانی ناشی می شود. این مناطق تمایل به بارندگی، شیب و پتانسیل فرسایش پذیری بسیار بالایی دارند. علاوه بر این، تغییرات در کاربری زمین با جایگزینی عملکرد ریشه گیاهان بومی به عنوان چسباننده خاک و سنگدانه ها با گیاهان فصلی، ریشه ضعیف تر یا زمین های کشاورزی خشک، این شرایط را تشدید می کند. چندین سوابق تاریخی نیز رخدادهای متعدد قبلی و نقاط بالا لغزش در منطقه مورد مطالعه را نشان می دهد.
در همین حال، منطقه شمالی تحت تسلط برجستگی با شیب کم است که در نتیجه حساسیت زمین لغزش کاهش می یابد. بر این اساس، آسیب‌پذیری زمین لغزش به دلیل توزیع نسبتاً یکنواخت مناطق پرخطر برای هر تحلیل مناسبی هنگام ساخت مدارس جدید ضروری است. تجزیه و تحلیل شاخص حساسیت چند خطر ( شکل 7 د) و نقشه احتمال چند خطر ( شکل 8 ) برای سیل، زمین لرزه، و پتانسیل بلایای زمین لغزش انجام شد که در مجموع بالاترین فراوانی را در منطقه تحقیقاتی حفظ کردند. سپس پتانسیل فاجعه از خیلی کم تا خیلی زیاد گروه بندی شد. به طور کلی، منطقه شمالی کمترین آسیب پذیری کلی در برابر بلایا را داشته است، با این حال توزیع فعلی مدارس هنوز بیشتر در مناطق مستعد بلایا است ( شکل 9).).

3.3. محصول چند سطح راحتی

شکل 10 نتایج محصول سطح چند راحتی را بر اساس تجزیه و تحلیل شرایط آلودگی هوا، دما و سطح صدا در منطقه تحقیقاتی نشان می دهد. شکل 10 a مقدار کل آلودگی را به صورت ترکیبی از CO، NO 2 و SO 2 نشان می دهد.داده ها نشان می دهد که مقادیر بالای آلودگی در مناطق شمالی و شرقی، علاوه بر انتشار CO در سراسر منطقه مورد مطالعه، غالب است. این آلودگی معمولاً از احتراق سوخت سرچشمه می گیرد و بنابراین تحت تأثیر تعداد وسایل نقلیه موتوری و زباله های کارخانه قرار می گیرد. نتایج به‌دست‌آمده نشان‌دهنده شرایط بالا CO در مناطق شهری است، یک پدیده کاملاً مستند که نزدیک به فعالیت‌های انسانی، به‌ویژه در بخش‌های صنعتی مرتبط است. با این حال، CO را می توان از طریق عوامل هواشناسی به مناطق روستایی منتقل کرد. توزیع NO 2 در منطقه شمال غربی، در درجه اول به دلیل تأثیر پساب های صنعتی و کودهای کشاورزی، که با تعداد کارخانه ها و مناطق مزرعه مرتبط است، بیشترین میزان را داشت. در مناطق شهری، NO 2آلاینده ها نیز می توانند ناشی از بخش صنعتی و استفاده از وسایل نقلیه موتوری باشند. منطقه شمال غربی یک منطقه صنعتی عظیم در نزدیکی جاکارتا، پرجمعیت ترین بخش کشور است. SO2 در منطقه مورد مطالعه عموماً به طور طبیعی توسط فعالیت های آتشفشانی یا انسان زایی از طریق احتراق سوخت های فسیلی در صنایع، اتومبیل ها، هواپیماها و کشتی ها تولید می شود که منجر به توزیع نسبتاً یکنواخت می شود.
شکل 10 ب، LST را از Landsat-8 برای اندازه‌گیری میانگین دما در سراسر سال 2019 نشان می‌دهد. به طور کلی، میانگین LST از 9.58 تا 43.76 درجه سانتی‌گراد متغیر بود و در پنج کلاس از خیلی کم تا خیلی زیاد گروه‌بندی شد. تجزیه و تحلیل داده‌های دما و نتایج پردازش، مناطق با دمای بسیار بالا را در شمال نشان داد، در حالی که در ارتفاعات، به‌ویژه در بخش مرکزی منطقه تحقیقاتی، دماها تمایل به پایین‌تر بودن دارند، با مقادیر بالاتر LST که در داخل پراکنده شده‌اند. شکل 10c نتایج تجزیه و تحلیل سطح نویز در منطقه تحقیقاتی را نشان می دهد که به طور مشابه در پنج کلاس گروه بندی شدند. سطح سر و صدای زیاد تا خیلی زیاد عموماً در مناطق بزرگ شهری نزدیک به فرودگاه ها و همچنین جاده های اصلی و محلی قرار داشت. سطوح متوسط ​​تا خیلی پایین معمولاً دور از این مکان ها قرار داشتند. اعتبار سنجی با استفاده از آزمون مقایسه شاخص سطح نویز و میانگین تابش نور شب VIIRS انجام شد. توسعه‌های جمعیت و زیرساخت‌ها می‌توانند بر انتشار نور و صدا تأثیر بگذارند، با توجه به بزرگی، گستره جغرافیایی و درجه‌ای که نشان‌دهنده شرایط محیطی بی‌سابقه هستند [ 61 ]]. بر این اساس، 500 نقطه نمونه تصادفی توزیع شده در سراسر منطقه مورد مطالعه برای اعتبار سنجی استفاده شد که نشان دهنده همبستگی مثبت بین دو مجموعه داده است. نقشه ای از توزیع آسایش کلی با ترکیب پارامترهای آلودگی هوا، سطوح نویز و LST ها ایجاد شد ( شکل 10 د). بالاترین سطوح آسایش در جنوب غربی مشاهده شد، با چندین شرایط سطح آسایش متوسط ​​تا بالا که در سرتاسر پراکنده شده بودند.

3.4. مناسب بودن مکان مدرسه جدید

تجزیه و تحلیل مناسب بودن مکان‌های مدرسه جدید جنبه‌های فاجعه، راحتی، دسترسی و تناسب زمین را در بر می‌گیرد ( شکل 11 ). این نتایج بیشتر در مورد مناسب بودن مکان برای سطوح مختلف تحصیلی ارزیابی شده، یعنی ابتدایی ( شکل 11 الف)، دبیرستان ( شکل 11 ب)، دبیرستان ( شکل 11 ج) و دبیرستان های حرفه ای ( شکل 11 د)، پردازش شد. متعاقباً به پنج کلاس از خیلی زیاد تا خیلی کم تقسیم می شود. مکان‌های با تناسب بالا تا بسیار بالا در درجه اول آن‌هایی بودند که خطر فاجعه کم، راحتی بالا و مقادیر دسترسی پایین داشتند، در حالی که عکس این موضوع برای مکان‌های مناسب پایین صادق بود. شکل 4فقدان دبیرستان های ارشد در سراسر جاوای غربی را نشان می دهد. بنابراین، نیاز به مکان های مناسب مربوطه بیشتر از مدارس ابتدایی، متوسطه اول و متوسطه حرفه ای است.

4. بحث

تجزیه و تحلیل تناسب زیرساخت آموزشی از یک مدل چند خطر و دسترسی مبتنی بر فاجعه، راحتی، دسترسی و تناسب زمین برای دستیابی به توزیع آموزش برابر در سراسر منطقه تحقیقاتی استفاده کرد. داده ها در تمام لایه ها قبل از تجزیه و تحلیل با استفاده از تنظیم مقیاس 1-5 نرمال شدند. وزن ها به طور مساوی برای جلوگیری از ذهنیت با ترکیب داده ها از طریق روش SAW اعمال شد. بخش بحث این مطالعه بر تجزیه و تحلیل و مقایسه نتایج، تحلیل‌های خطر و آسایش مکان‌های مدرسه موجود، توزیع مدارس جدید بر اساس سناریوی بودجه، و اثرات مرتبط دسترسی، محدودیت‌ها و جهت‌گیری‌های تحقیقاتی آتی متمرکز است.

4.1. نتایج و مقایسه داده های مربوطه

شکل 12 مقایسه ای از یافته های مطالعه حاضر را نشان می دهد، از جمله اعتبار سنجی نقاط فاجعه، شاخص نویز و داده های نور شب، و مقایسه ارزش زمین با ارزش سومانتری [ 62 ]. شکل 12 a نتایج اعتبار سنجی نقشه آسیب پذیری بلایا را با استفاده از داده های تاریخی نشان می دهد. نتایج نشان داد که کلاس های متوسط ​​تا خیلی زیاد سیل، زلزله و رانش زمین به ترتیب 045/81 درصد، 478/73 درصد و 859/63 درصد دقت داشتند.
اعتبار سنجی نقشه نویز از آزمون مقایسه ای بین شاخص سطح نویز و تابش متوسط ​​نور شب VIIRS در 500 نقطه نمونه تصادفی در سراسر منطقه مورد مطالعه استفاده کرد ( شکل 12 ب). نتایج تجزیه و تحلیل نشان داد که بین دو مجموعه داده همبستگی مثبت وجود دارد. توسعه‌های جمعیت و زیرساخت‌ها می‌توانند بر انتشار نور و صدا با توجه به بزرگی محدوده‌های جغرافیایی مربوطه و میزانی که شرایط محیطی غیرطبیعی را نشان می‌دهند، تأثیر بگذارند [ 61 ]. اعتبار سنجی ارزش زمین از مقایسه نتایج نقشه های ارزش زمین در اینجا با قیمت های واقعی جهانی بر اساس Somantri [ 62 ]، که قیمت زمین را در پانزده منطقه در منطقه باندونگ شمالی بررسی کرد، به دست آمد ( شکل 10).ج). پانصد نمونه نقطه ای به طور تصادفی برای مقایسه توزیع شد که نشان دهنده همبستگی مثبت بین شاخص ارزش زمین و قیمت زمین است.

4.2. تحلیل خطر مدارس موجود

تجزیه و تحلیل خطر مدارس موجود بر اساس همپوشانی نقشه‌های آسیب‌پذیری بلایا با مکان‌های مدرسه است ( جدول 3)). بر اساس نتایج، مکان‌های مناسب برای دبیرستان‌های جدید به طور گسترده‌تری نسبت به مدارس ابتدایی، راهنمایی یا دبیرستان‌های حرفه‌ای توزیع شده‌اند. تعداد مدارسی که در سطح آسیب‌پذیری بالا یا خیلی زیاد قرار داشتند به ترتیب 5028 و 3099 مدرسه بود. شناسایی مناطق آسیب‌خیز، به ویژه برای زمین لغزش و زلزله، برای ایجاد تحلیل اولویت در تلاش‌های مقاوم‌سازی مدارس، که در آن مناطقی که بیشتر در معرض زلزله هستند می‌توانند در اسرع وقت با استانداردهای ساختمانی مقاوم در برابر زلزله مقاوم‌سازی شوند، مورد نیاز بود. روش‌های مقاوم‌سازی متفاوتی برای مدارس آسیب‌پذیر در برابر رانش زمین مورد نیاز است، مانند تقویت شرایط خاک، پایه‌ها یا جابجایی ساختمان‌ها. یک طرح منطقه تخلیه برای همه بلایا لازم است.

4.3. تحلیل آسایش مدارس موجود

جدول 4 نتایج تجزیه و تحلیل آسایش را برای مدارس موجود نشان می دهد که در آن 2332 و 45 مدرسه به ترتیب سطوح آسایش بالا و بسیار بالایی داشتند. تلاش‌های بهینه‌سازی در مناطقی با سطوح آسایش پایین‌تر برای تقویت عملکرد دانش‌آموزان و در نتیجه کیفیت آموزش مورد نیاز است. مدارس در مناطق با سطح آسایش پایین تحت تأثیر دما، صدا و آلودگی هوا قرار دارند که به طور مستقیم با توسعه شهری و رشد جمعیت در جاوه غربی متناسب است.

4.4. توزیع مدارس جدید بر اساس سناریوی بودجه

شکل 13 ارزش زمین را در سراسر منطقه تحقیقاتی نشان می دهد، جایی که قرمز نشان دهنده مکان های با ارزش بالا، زرد نشان دهنده ارزش های متوسط ​​و آبی نشان دهنده ارزش های پایین زمین است. شکل 14 نتایج توزیع مدارس جدید را بر اساس تحلیل سناریوی بودجه برای هر سطح تحصیلی تحلیل شده نشان می دهد و سایت های احتمالی مدارس آینده در مناطقی با سطوح بالا تا بسیار بالا از مناسب بودن قرار گرفته اند. هر سناریو شامل 200 مدرسه جدید بود که بر اساس سطوح آسیب‌پذیری، آسایش و دسترسی در بلایای طبیعی روی ارزش‌های زمین همبسته (نقاط قرمز، ارزش بالا؛ نقاط زرد، ارزش متوسط؛ و نقاط سبز، ارزش کم) قرار گرفتند.

4.5. ارزیابی مدرسه موجود و جدید بر اساس سطح انتقال COVID-19

فعالیت‌های آموزشی در مدارس به شدت تحت تأثیر اقدامات و محدودیت‌های بهداشت عمومی در طول همه‌گیری COVID-19 قرار گرفت، بنابراین ما داده‌های نرخ انتقال COVID-19 را در جاوا غربی به عنوان بخشی از این تجزیه و تحلیل پردازش و استفاده کردیم. سطوح انتقال COVID-19 ( شکل 15 ) به چندین کلاس طبقه بندی شد: بسیار زیاد، متوسط، کم و بسیار کم. نتایج تجزیه و تحلیل سطوح انتقال بالا تا بسیار بالا را در مناطق شهری بزرگتر، مانند شهرهای Bandung، Bekasi، و Pangandaran Regency نشان می‌دهد، که در آن انتقال با کل موارد همبستگی مثبت دارد. این مدل‌سازی نرخ انتقال COVID-19 بیشتر برای تجزیه و تحلیل مدارس موجود ( شکل 16 ) و توزیع مکان‌های بالقوه مدارس جدید ( شکل 17) استفاده شد.) برای مدارس ابتدایی، راهنمایی، دبیرستان و دبیرستان های حرفه ای.
تجزیه و تحلیل نرخ انتقال COVID-19 در مکان های مدرسه موجود بر اساس وضعیت فعالیت های آموزشی در اندونزی در طول همه گیری است. مدارس موظف به اجرای سیاست هایی با هدف کاهش نرخ انتقال COVID-19 و عفونت و محافظت از دانش آموزان هستند. نمونه‌هایی از این سیاست‌ها شامل برگزاری کلاس‌ها به‌طور کامل آنلاین، تا حدی آنلاین با استفاده از رویکرد ترکیبی، یا کاملاً آفلاین برای مدارسی است که خطر انتقال ویروس کم است. در تجزیه و تحلیل خود، سطح انتقال COVID-19 در مدارس را رتبه‌بندی می‌کنیم، که برای دولت‌های استانی و همچنین محلی در تعیین اینکه کدام سیاست‌ها در رابطه با مدل‌های آموزشی و پروتکل‌های بهداشتی در مدارس باید تصویب و اولویت‌بندی شوند، مفید خواهد بود. این امر برای محافظت از دانش آموزانی در نظر گرفته می شود که جزو گروه هایی با کمترین اولویت واکسیناسیون هستند.
علاوه بر این، تجزیه و تحلیل نرخ انتقال COVID-19 در مکان‌های بالقوه مدارس جدید نیز برای شناسایی نیاز به زیرساخت‌های حمایتی در اجرای فعالیت‌های آموزشی در مدارس انجام شد. تجربه در طول همه گیری نشان داده است که موفقیت آموزش آنلاین و از راه دور به در دسترس بودن و کیفیت زیرساخت های پشتیبانی بستگی دارد. داده‌های مربوط به نرخ انتقال COVID-19 در مکان‌های بالقوه مدارس جدید را می‌توان با داده‌های موجود در زیرساخت‌های محلی ادغام کرد، که برای تعیین اینکه آیا مدارس جدید در آن مکان‌های خاص امکان‌پذیر، مقرون‌به‌صرفه و/یا سودمند هستند مفید خواهد بود. سیاست گذاران و آژانس های مربوطه می توانند از این اطلاعات برای شناسایی هرگونه کمبود زیرساخت برای مدارس جدید استفاده کنند و بر اساس آن برنامه ریزی کنند.شکل 17 نتایج توزیع مدارس جدید را بر اساس تجزیه و تحلیل نرخ انتقال COVID-19 برای هر سطح تحصیلی تحلیل شده نشان می دهد.
شکل 18 نتایج بررسی های میدانی را از طریق تصاویر با وضوح بالا با استفاده از Google Earth Pro با نمونه برداری از چهار نقطه جدید مدرسه نشان می دهد. این فرآیند اطمینان حاصل کرد که نقاط حاصل به اندازه کافی به مناطق مسکونی یا پرجمعیت نزدیک هستند. به طور کلی، مشخص شد که نقاط پیشنهادی نزدیک جاده‌های عمومی، ساختمان‌ها (گاهی در داخل)، یا مناطق مسکونی هستند. این نتایج توزیع نقطه تنها ارزیابی سطح زمین از مناطق مناسب برای توسعه مدارس جدید بود. توزیع همچنین باید در برابر نقشه کاداستر در نظر گرفته شود تا اطمینان حاصل شود که نقاط پیشنهادی مالک یا در زمین های خالی قرار دارند.

4.6. ساخت مدارس جدید بر اساس سناریو بودجه و قابلیت دسترسی

نتایج اثر ساخت مدارس جدید بر اساس سناریوهای بودجه و قابلیت دسترسی در شکل 19 نشان داده شده است که گسترش در دسترس بودن مدارس را پس از گنجاندن امتیازهای اضافی مدرسه نشان می دهد (به بخش 4.3 مراجعه کنید ).
بسط در همه رنگ‌ها به غیر از آبی نشان داده می‌شود که هر کدام با تأثیر سناریوهای خاصی بر گسترش مرتبط است. مهم ترین گسترش برای دبیرستان (303973.1 هکتار) و پس از آن دبیرستان های حرفه ای (94170.51 هکتار) و دبیرستان های راهنمایی (12981.78 هکتار) رخ داده است. از طرف دیگر، با توجه به تعداد بالای مدارس موجود، تغییر در مدارس ابتدایی قابل توجه نبود (69/3936 هکتار). نتایج کلی نشان می‌دهد که ساخت دبیرستان‌های ارشد و حرفه‌ای به دلیل تعداد نسبتاً کمتر آنها در واقعیت، حیاتی‌ترین است.

4.7. محدودیت ها و جهت گیری احتمالی آینده

چندین محدودیت در مطالعه تحقیق حاضر وجود دارد، از جمله مسائل فنی که به چندین فرض نیاز دارند. داده‌های ورودی موجود که به‌عنوان پارامترهای ورودی در هر مدل استفاده می‌شوند، وضوح‌های متفاوتی دارند که به طور بالقوه منجر به سوگیری در مدل حاصل می‌شود. مکانیسم وزن‌دهی از روش SAW استفاده می‌کند و وزن‌های مساوی را به هر نتیجه تجزیه و تحلیل می‌دهد. توسعه مکانیزم را می توان در روش فرآیند تحلیل سلسله مراتبی (AHP) بر اساس ارزیابی های مبتنی بر متخصص یا وزن های مشتق شده از طریق یک روش مبتنی بر جامعه که به صورت تجربی آزمایش شده است، استفاده کرد [ 63 ، 64 ].
برای بهبود دقت نقشه‌های جدید تناسب زمین مدرسه ایجاد شده، تحقیقات بیشتری را می‌توان با گنجاندن (1) وزن‌های بهتر از طریق تحلیل‌ها و روش‌های مبتنی بر متخصص یا جامعه‌محور که به صورت تجربی آزمایش شده‌اند، انجام داد. (2) اندازه‌گیری‌های میدانی و بررسی‌های سازمانی برای به دست آوردن و تأیید جامع‌تر نتایج؛ (3) نقشه ارزش زمین به روز شده یا جایگزین شده با داده های رسمی بیشتر. (4) نقشه های دقیق کاداستر برای توزیع مدارس جدید و اولویت بندی مقاوم سازی مدارس. و (5) چندین عامل اضافی، مانند منطقه تخلیه و مقاوم‌سازی، برای اولویت‌بندی مدرسه بر اساس نوع فاجعه و خطر، بنابراین مکان مدرسه بهینه‌تری را فراهم می‌کند.
بهبودهایی در مورد تحلیل خطر و راحتی نیز می تواند در آینده انجام شود. روش یادگیری ماشینی را می توان برای بهبود تجزیه و تحلیل چند خطر در آینده استفاده کرد [ 65 ، 66 ]. علاوه بر بهبود در روش، استفاده فشرده از داده‌ها، مانند گنجاندن اطلاعات بارش شدید، سابقه و زمان غلظت، کیفیت نقشه خطر سیل را افزایش می‌دهد [ 67 ]]. این پارامترها برای تشخیص انواع سیل (به عنوان مثال، سیل رودخانه ای و ناگهانی) مفید هستند. برای تجزیه و تحلیل راحتی، بهتر است علاوه بر دما، اطلاعات رطوبت نیز درج شود. از ایستگاه های هواشناسی می توان برای تنظیم اطلاعات دمای داده های LST استفاده کرد تا دمای هوا معرف بیشتری داشته باشد. این مطالعه از چندین ترکیب برای شاخص کیفیت هوا استفاده می کند. با این حال، برای مطالعه جامع تر، بهتر است موارد جزئی را اضافه کنید.
علاوه بر این، ادغام داده ها با سایر بلایای طبیعی نیز یک عنصر بالقوه برای توسعه است. برای مثال، ساختمان‌ها در استان جاوای غربی نیز مستعد حوادث باد شدید هستند [ 68 ]. بلایای دیگری مانند فرونشست زمین [ 69 ، 70 ]، فوران آتشفشانی [ 71 ، 72 ]، سونامی [ 73 ، 74 ] و آتش سوزی جنگلی [ 75 ، 76 ] باید در اندونزی در نظر گرفته شوند. این تجزیه و تحلیل چند خطر و شاخص آسایش می تواند در سایر بخش های بالقوه مانند حمل و نقل [ 77 ] یا سایر توسعه های زیرساختی مانند نیروگاه ها [ 78 ] اعمال شود.] و شبکه های رودخانه ای [ 79 ]. علاوه بر این، آسیب‌پذیری بلایا می‌تواند تخمین زده شود، به‌ویژه زمانی که از محاسبه خدمات اکوسیستم استفاده می‌شود. اکوسیستم‌های ساحلی [ 80 ، 81 ، 82 ، 83 ]، زمین‌های زراعی [ 84 ، 85 ]، و اکوسیستم‌های جنگلی [ 86 ] از جمله حرا [ 87 ، 88 ، 89 ] اکوسیستم‌های بالقوه‌ای هستند که باید از نظر آسیب‌پذیری مورد تجزیه و تحلیل قرار گیرند.

5. نتیجه گیری ها

مدل جدیدی از تناسب زمین برای امکانات آموزشی بر اساس توسعه محصول فضایی برای تعیین مکان‌های بهینه برای دستیابی به اهداف آموزشی در جاوه غربی، اندونزی ایجاد شد. نتایج تحقیق می تواند به عنوان پایه ای برای استراتژی های توسعه ای بیمه شدگان، به ویژه در بخش آموزش عمل کند. با در نظر گرفتن سناریوهای توسعه چند جانبه بر اساس تأثیرات افزایش دسترسی، به حداقل رساندن ریسک و تخصیص بودجه موجود، توسعه آینده باید به شیوه ای سیستماتیک، تأثیرگذار و پایدار انجام شود. بنابراین، نیاز به بهبود (یعنی مقاوم‌سازی) و تلاش‌های کاهشی برای آمادگی کافی برای مقابله با بلایا در مستعدترین مناطق وجود دارد. بدین ترتیب، برای افزایش عملکرد دانش‌آموزان و در نتیجه کیفیت آموزش، لازم است مدارسی که در مکان‌هایی با سطح رفاه بالا قرار دارند، بهینه شوند. بر اساس نقشه دسترسی مدارس، سطوح بالاتر در شهرهای بزرگ‌تر جاوه غربی واقع شده‌اند، در حالی که دسترسی کمتر دور از این مناطق شهری مستند شده است. به طور خاص، دسترسی به دبیرستان در مناطق با سطوح دسترسی پایین‌تر غالب است، زیرا امکانات نسبتاً کمتری در جاوا غربی موجود است. به طور کلی، سطوح بالاتری از تناسب در سراسر جاوا غربی پخش شد. توزیع مدارس بر اساس سناریوهای بالقوه بودجه آینده با استفاده از نقشه ارزش زمین ایجاد شده انجام شد. نتایج این مطالعه همچنین می تواند به عنوان پایه ای برای استراتژی های توسعه ای عمل کند.

منابع

  1. بارو، RJ آموزش و پرورش و رشد اقتصادی. سهم سرمایه انسانی و اجتماعی در رشد اقتصادی و رفاه پایدار . 2001، صفحات 14-41. در دسترس آنلاین: https://www.oecd.org/innovation/research/1825902.pdf (دسترسی در 16 دسامبر 2021).
  2. هانوشک، EA; Woessmann, L. آموزش و رشد اقتصادی. اقتصاد آموزش. 2010 ، 60-67. [ Google Scholar ]
  3. رضا، ف. ویدودو، تی. تأثیر آموزش بر رشد اقتصادی در اندونزی. J. Indones. اقتصاد اتوبوس. 2013 ، 28 ، 23-44. [ Google Scholar ]
  4. وزارت آموزش و پرورش و فرهنگ جمهوری اندونزی (MEC). Kementrian Pendidikan و Kebudayaan. برنامه ریزی استراتژیک (Rencana Strategis) 2020-2024. 2020. در دسترس آنلاین: https://dikti.kemdikbud.go.id/wp-content/uploads/2020/10/RENSTRA-KEMENDIKBUD-full-version.pdf (در 12 مه 2020 قابل دسترسی است).
  5. ماکس روزر و استبان اورتیز-اوسپینا – آموزش ابتدایی و متوسطه. 2020. در دسترس آنلاین: https://ourworldindata.org/primary-and-secondary-education (در 12 مه 2020 قابل دسترسی است).
  6. یوستیکا، GP; سوباگیو، آ. Iswati, S. Masalah Yang Dihadapi Dunia Pendidikan Dengan Tutorial Online: Sebuah Short Review. تدبیر. J. Stud. مناج. پندیدیک. 2019 ، 3 ، 187. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  7. صالح، AM مشکلیکا کبیجاکان پندیدیکان دی تنگاه پاندمی دن دامپاکنیا ترهاداپ نثرها پمبلاجاران دی اندونزی. جی.پندیدیک. 2020 ، 2 ، 24. [ Google Scholar ]
  8. Ahyar, M. Problematika Pendidikan Berbasis Masyarakat dan Solusinya di Era New Normal COVID-19. J. El-Huda Study Islam 2020 ، 11 ، 15. [ Google Scholar ]
  9. اهداف توسعه پایدار در دسترس آنلاین: https://sdgs.un.org/goals (در 12 مه 2020 قابل دسترسی است).
  10. کریستیانسن، اس. عدم تمرکز آموزش در اندونزی. بین المللی جی. آموزش. توسعه دهنده 2006 ، 26 ، 513-531. [ Google Scholar ] [ CrossRef ]
  11. آمار اندونزی 2020. در دسترس آنلاین: https://www.bps.go.id/publication/2020/04/29/e9011b3155d45d70823c141f/statistik-indonesia-2020.html (دسترسی در 20 مه 2020).
  12. برنامه ریزی بودجه اندونزی 2020. در دسترس آنلاین: https://www.dpr.go.id/dokakd/dokumen/BANGGAR-RJ-20200311-085609-9144.pdf (در 18 اوت 2020 قابل دسترسی است).
  13. گزارش وقوع بلایای اندونزی. 2010. در دسترس آنلاین: https://bnpb.go.id/infografis/kejadian-bencana-tahun-2010 (در 20 اوت 2020 قابل دسترسی است).
  14. ویدیانتورو، اس. گوناوان، ای. محری، ع. راولینسون، ن. موری، جی. حنیفه، NR; پیامدهای پوترا، HE برای زمین‌لرزه‌های مگاتراست و سونامی ناشی از شکاف‌های لرزه‌ای جنوب جاوه اندونزی. علمی Rep. 2020 , 10 , 15274. [ Google Scholar ] [ CrossRef ]
  15. رایشنباخ، پ. موندینی، AC; Rossi، M. تأثیر تغییر کاربری زمین بر پهنه بندی حساسیت زمین لغزش: سایت آزمایش حوضه بریگا (مسینا، ایتالیا). محیط زیست مدیریت 2014 ، 54 ، 1372-1384. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. رحمتی، ا. دارابی، ح. پناهی، م. کلانتری، ز. نقیبی، س. فریرا، CSS؛ Bui, DT توسعه مدل‌های ترکیبی جدید برای نقشه‌برداری حساسیت سیل شهری. علمی Rep. 2020 , 10 , 12937. [ Google Scholar ] [ CrossRef ]
  17. یانگ، جی. لیو، ی. Li، X. توزیع فضایی و زمانی ازن سطح زمین در چین در سطح شهر. علمی جمهوری 2020 ، 10 ، 7229. [ Google Scholar ] [ CrossRef ]
  18. دو، ی. زی، ز. زنگ، ی. شی، ی. Wu, J. تأثیر گسترش شهری بر تغییر دمای منطقه در دلتای رودخانه یانگ تسه. جی. جئوگر. علمی 2007 ، 17 ، 387-398. [ Google Scholar ] [ CrossRef ]
  19. نورواندا، ا. Honjo، T. پیش بینی گسترش شهر و دمای سطح زمین در شهر بوگور، اندونزی. حفظ کنید. جامعه شهرها 2020 , 52 , 101772. [ Google Scholar ] [ CrossRef ]
  20. دویگون، اچ. Gurun، DK تجزیه و تحلیل و ترسیم پویایی مکانی و زمانی آلودگی صوتی ترافیک شهری: مطالعه موردی در Kahramanmaraş، ترکیه. محیط زیست نظارت کنید. ارزیابی کنید. 2008 ، 142 ، 65-72. [ Google Scholar ] [ CrossRef ]
  21. Bilaşco، Ş. گوور، سی. روشکا، اس. وسکان، آی. فیلیپ، اس. Fodorean، I. مدل GIS برای شناسایی مناطق شهری آسیب پذیر در برابر آلودگی صوتی: مطالعه موردی. جلو. علوم زمین 2017 ، 11 ، 214-228. [ Google Scholar ] [ CrossRef ]
  22. زینگ، YF; Xu، YH; شی، MH; Lian, YX تأثیر PM2.5 بر سیستم تنفسی انسان. جی. توراک. دیس 2016 ، 8 ، E69. [ Google Scholar ]
  23. چیترا، VS; بررسی‌های کیفیت هوای داخل ساختمان ناژندرا، SS در یک ساختمان مدرسه با تهویه طبیعی واقع در نزدیکی یک جاده شهری در چنای، هند. ساختن. محیط زیست 2012 ، 54 ، 159-167. [ Google Scholar ] [ CrossRef ]
  24. کالیمری، ک.ک. ساراگا، DE; لازاریدیس، وی. Legkas، NA; Missia، DA; تولیس، EI; بارتزیس، JG بررسی کیفیت هوای داخلی محیط مدرسه و تخمین خطرات سلامتی: اندازه‌گیری‌های دو فصلی در مدارس ابتدایی در کوزانی، یونان. اتمس. آلودگی Res. 2016 ، 7 ، 1128-1142. [ Google Scholar ] [ CrossRef ]
  25. وارگوکی، پ. Porras-Salazar، JA; Contreras-Espinoza، S. رابطه بین دمای کلاس و عملکرد کودکان در مدرسه. ساختن. محیط زیست 2019 ، 157 ، 197-204. [ Google Scholar ] [ CrossRef ]
  26. سپر، BM; Dockrell، JE اثرات سر و صدا بر کودکان در مدرسه: مروری. ساختن. آکوست. 2003 ، 10 ، 97-116. [ Google Scholar ] [ CrossRef ]
  27. Prasetyo، DH; محمد، ج. فوزی، R. یک رویکرد تجزیه و تحلیل تصمیم چند معیاره مبتنی بر GIS برای انتخاب مکان مدرسه دولتی در سورابایا، اندونزی. Geomatica 2018 ، 72 ، 69-84. [ Google Scholar ] [ CrossRef ]
  28. صمد، ع.م. هیفنی، NA; غزالی، ر. هاشم، ک.ا. Disa، NM; محمود، س. بررسی مناسب بودن مکان مدرسه با استفاده از AHP در رویکرد GIS. در مجموعه مقالات هشتمین کنفرانس بین المللی IEEE 2012 در مورد پردازش سیگنال و کاربردهای آن، مالاکا، مالزی، 23 تا 25 مارس 2012. صص 393-399. [ Google Scholar ]
  29. Bathrellos، GD; Skilodimou، HD; چوسیانیتیس، ک. یوسف، ع.م. پرادان، ب. برآورد مناسب برای توسعه شهری با استفاده از نقشه ارزیابی چند خطر. علمی کل محیط. 2017 ، 575 ، 119-134. [ Google Scholar ] [ CrossRef ]
  30. آپریانور، پ. موکتالی، م کاجیان کتیمپنگان ولایتیه دی استانی جاوا برات. تک PWK (Perenc. Wil. Kota) 2015 ، 4 ، 484-498. [ Google Scholar ]
  31. آمار مدرسه جاوا غربی. 2019/2020. در دسترس آنلاین: https://dapodik.disdik.jabarprov.go.id/statistik/?page=sma (در 18 اوت 2020 قابل دسترسی است).
  32. اولویت های توسعه جاوا غربی در دسترس آنلاین: https://jabarprov.go.id/index.php/news/33657/2019/07/11/Sembilan-Prioritas-Pembangunan-Jawa-Barat-pada-2020 (دسترسی در 12 مه 2020).
  33. شدت آسیب‌پذیری بلایای جاوای غربی. در دسترس آنلاین: https://jabarprov.go.id/index.php/news/1480/2010/12/29/57-Bencana-Gerakan-Tanah-Terjadi-di-Jabar (دسترسی در 20 سپتامبر 2020).
  34. دفتر آموزش جاوا غرب. مکان مدرسه جاوا غربی ; دفتر آموزش جاوا غربی: باندونگ، اندونزی، 2020. [ Google Scholar ]
  35. کاتالوگ زلزله USGS. در دسترس آنلاین: https://earthquake.usgs.gov/earthquakes/search/ (در 22 اوت 2020 قابل دسترسی است).
  36. نقشه پایه اندونزی در دسترس آنلاین: https://tanahair.indonesia.go.id/portal-web/download/perwilayah (در 12 مه 2020 قابل دسترسی است).
  37. نوع خاک و داده های حوزه آبخیز. در دسترس آنلاین: https://pdashl.menlhk.go.id/service.php?type=2-Data-dan-Informasi (در 12 مه 2020 قابل دسترسی است).
  38. UNEP-WCMC؛ IUCN. سیاره حفاظت شده: پایگاه داده جهانی مناطق حفاظت شده (WDPA) و پایگاه داده جهانی سایر اقدامات موثر حفاظتی مبتنی بر منطقه (WD-OECM) [آنلاین]، فوریه 2021. UNEP-WCMC و IUCN: کمبریج، بریتانیا، 2021. موجود آنلاین: www.protectedplanet.net (در 22 اکتبر 2020 قابل دسترسی است).
  39. تادونو، تی. ایشیدا، اچ. اودا، اف. نایتو، اس. میناکاوا، ک. Iwamoto، H. Precise Global DEM Generation توسط ALOS PRISM. ISPRS Annu. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2014 ، II-4 ، 71-76. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. Gaughan، AE; استیونز، FR; لینارد، سی. جیا، پی. Tatem، AJ نقشه های توزیع جمعیت با وضوح بالا برای آسیای جنوب شرقی در سال 2010 و 2015. PLoS ONE 2013 ، 8 ، e55882. [ Google Scholar ] [ CrossRef ]
  41. آزمایشگاه اتصال فیس بوک و مرکز شبکه بین المللی اطلاعات علوم زمین. لایه حل و فصل با وضوح بالا. دانشگاه کلمبیا: نیویورک، نیویورک، ایالات متحده آمریکا. در دسترس آنلاین: https://ciesin.columbia.edu/data/hrsl/ (در 27 اکتبر 2017 قابل دسترسی است).
  42. فریدل، ام. Sulla-Menashe، D. MCD12Q1 MODIS/Terra+Aqua Land Cover نوع سالانه L3 Global 500m SIN Grid V006 [مجموعه داده]. NASA EOSDIS Land Processes DAAC 2019 . در دسترس آنلاین: https://ladsweb.modaps.eosdis.nasa.gov/missions-and-measurements/products/MCD12Q1 (در 16 سپتامبر 2021 قابل دسترسی است).
  43. فانک، سی. پترسون، پی. لندسفلد، ام. پدرروس، دی. وردین، جی. شوکلا، س. هوساک، جی. رولند، جی. هریسون، ال. هول، ا. و همکاران خطرات اقلیمی بارش مادون قرمز با ایستگاه ها – یک رکورد جدید زیست محیطی برای نظارت بر افراط. علمی داده 2015 ، 150066. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  44. Jiménez-Muñoz، JC; سوبرینو، جی. اسکوکوویچ، دی. ماتار، سی. کریستوبال، جی. روش‌های بازیابی دمای سطح زمین از داده‌های حسگر مادون قرمز حرارتی Landsat-8. IEEE Geosci. سنسور از راه دور Lett. 2014 ، 11 ، 1840-1843. [ Google Scholar ] [ CrossRef ]
  45. راجشواری، ع. مانی، ND برآورد دمای سطح زمین ناحیه دینیگل با استفاده از داده های لندست 8. بین المللی J. Res. مهندس تکنولوژی 2014 ، 3 ، 122-126. [ Google Scholar ]
  46. داده های Sentinel 5-p. در دسترس آنلاین: https://sentinel.esa.int/web/sentinel/missions/sentinel-5p (در 22 مه 2020 قابل دسترسی است).
  47. داده های خطا در دسترس آنلاین: https://gis.bnpb.go.id/ (در 12 مه 2020 قابل دسترسی است).
  48. نقاط مورد COVID-19 جاوا غربی. در دسترس آنلاین: https://pikobar.jabarprov.go.id/ (دسترسی در 31 دسامبر 2020).
  49. Malczewski، J. Rinner, C. تجزیه و تحلیل تصمیم چند معیاره در علم اطلاعات جغرافیایی ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; ص 220-228. [ Google Scholar ]
  50. برنامه درسی. 2013. موجود به صورت آنلاین: https://www.kemdikbud.go.id/kemdikbud/dokumen/Paparan/Paparan%20Wamendik.pdf (دسترسی در 12 مه 2020).
  51. Luong، TT; پوشمان، جی. کروننبرگ، آر. برنهوفر، سی. آستانه بارندگی برای هشدار سیل ناگهانی بر اساس مدل خروجی رطوبت خاک: مطالعه موردی Wernersbach، آلمان. Water 2021 , 13 , 1061. [ Google Scholar ] [ CrossRef ]
  52. توضیح کوانتیل. در دسترس آنلاین: https://www.ncgia.ucsb.edu/cctp/units/unit47/html/comp_class.html (در 23 اکتبر 2020 قابل دسترسی است).
  53. درماوان، ک. Suprayogi, A. Analisis tingkat kerawanan banjir di kabupaten sampang menggunakan metode overlay dengan scoring berbasis sistem informasi geografis. جی. جئود. Undip 2017 ، 6 ، 31-40. [ Google Scholar ]
  54. کوسراتموکو سیستم اطلاعات جغرافیایی سیستم اطلاعاتی در مورد اولویت‌های پنتوان ولایت باهایا Erosi Studi Kasus DAS Citarum. Jurusan Geografi dan Pusat Penelitian Geografi Terapan Fakultas MIPA Universitas Indonesia . 2002. در دسترس آنلاین: https://library.ui.ac.id/detail?id=90287 (در 16 سپتامبر 2021 قابل دسترسی است).
  55. شدت یک زلزله. در دسترس آنلاین: https://pubs.usgs.gov/gip/earthq4/severitygip.html (در 26 دسامبر 2020 قابل دسترسی است).
  56. ژنگ، ز. یانگ، ز. وو، زی. Marinello، F. تغییرات فضایی NO2 و عوامل تاثیر آن در چین: کاربرد محصولات Sentinel-5P. Remote Sens. 2019 , 11 , 1939. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. کاپلان، جی. آودان، زی; Avdan، مشاهدات دی اکسید نیتروژن فضایی ایالات متحده از Sentinel-5P TROPOMI بر فراز ترکیه. چند رشته ای. رقمی. انتشار Inst. Proc. 2019 ، 18 ، 4. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  58. کاپلان، جی. Avdan، ZY مشاهده آلودگی هوای فضابردی از نگهبان-5p tropomi: رابطه بین آلاینده ها، داده های جغرافیایی و جمعیتی. بین المللی J. Eng. Geosci. 2020 ، 5 ، 130-137. [ Google Scholar ] [ CrossRef ]
  59. مونوکسید کربن. در دسترس آنلاین: https://www.cdc.gov/co/faqs.htm (در 1 ژوئیه 2020 قابل دسترسی است).
  60. دی اکسید نیتروژن. در دسترس آنلاین: https://www.epa.gov/no2-pollution (در 20 مه 2020 قابل دسترسی است).
  61. Swaddle، JP; فرانسیس، سی دی; باربر، جی آر. کوپر، سی بی؛ کیبا، سی سی; دومینونی، DM; Longcore، T. چارچوبی برای ارزیابی پاسخ‌های تکاملی به نور و صدای انسان‌زا. Trends Ecol. تکامل. 2015 ، 30 ، 550-560. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  62. Somantri، L. نقشه برداری قیمت زمین در حومه شمالی شهر باندونگ. انجمن جغرافیا. 2020 ، 34 ، 6-155. [ Google Scholar ] [ CrossRef ]
  63. برا، ر. Maiti، R. ارزیابی خطر چندگانه Sundarbans هندی با استفاده از فرآیند تحلیل سلسله مراتبی مبتنی بر GIS (AHP). Reg. گل میخ. مارس Sci. 2021 ، 44 ، 101766. [ Google Scholar ] [ CrossRef ]
  64. ووتک، م. ووتکووا، جی. کاستاش، آر. فام، کیو بی؛ لی، اس. ارشد، ع. سهو، س. Linh، NTT؛ Anh، DT مقایسه فرآیند سلسله مراتبی تحلیلی چند معیاره و مدل‌های درختی تقویت‌شده با یادگیری ماشین برای نقشه‌برداری حساسیت منطقه‌ای سیل: مطالعه موردی از اسلواکی. نقشه برداری. نات. خطر خطرات 2021 ، 12 ، 1153-1180. [ Google Scholar ] [ CrossRef ]
  65. رحمتی، ا. یوسفی، س. کلانتری، ز. اوئما، ای. تیموریان، ت. کیسترا، اس. فام، تی دی; Tien Bui, D. نقشه برداری مواجهه چند خطر با استفاده از تکنیک های یادگیری ماشین: مطالعه موردی از ایران. Remote Sens. 2019 ، 11 ، 1943. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  66. یوسفی، س. پورقاسمی، HR; امامی، SN; پویان، س. اسکندری، س. Tiefenbacher, JP یک چارچوب یادگیری ماشین برای مدل‌سازی و نقشه‌برداری چند خطر در یک منطقه کوهستانی. علمی Rep. 2020 , 10 , 12144. [ Google Scholar ] [ CrossRef ]
  67. هارجوپا، دبلیو. عبدالله، آقا؛ آزورا، ا. پوترانتو، MF; مرزوکی، م. ناوال، اف. ریسیانتو; ساوفینا، ای. جومیانتی، ن. Fathrio، I. در مورد استفاده از روش RDCA برای تشخیص و پیش‌بینی وقوع بارندگی شدید در اندونزی. Remote Sens. Appl. Soc. محیط زیست 2021 ، 100681. [ Google Scholar ] [ CrossRef ]
  68. سرلی، PW; عبدالله، آقا؛ Sakti، AD رابطه بین حوادث باد و آسیب ناشی از باد به ساخت و ساز در جاوه غربی، اندونزی. در مجموعه مقالات مجموعه کنفرانس IOP: زمین و علوم محیطی، باندونگ، اندونزی، 20 تا 21 اکتبر 2001. جلد 592. [ Google Scholar ] [ CrossRef ]
  69. حیاتی، ن. نیمایر، دبلیو. Sadarviana، V. تغییر شکل زمین در منطقه زمین لغزش Ciloto که توسط Multi-Temporal InSAR آشکار شد. Geosciences 2020 , 10 , 156. [ Google Scholar ] [ CrossRef ]
  70. شوسارد، ای. آملونگ، اف. عابدین، ح. هونگ، اس.-اچ. شهرهای در حال غرق شدن در اندونزی: ALOS PALSAR فرونشست سریع ناشی از آب های زیرزمینی و استخراج گاز را تشخیص می دهد. سنسور از راه دور محیط. 2013 ، 128 ، 150-161. [ Google Scholar ] [ CrossRef ]
  71. لهستان، نماینده مجلس؛ لوپز، تی. رایت، آر. Pavolonis، MJ پیش بینی، تشخیص و ردیابی فوران های آتشفشانی از فضا. سیستم سنسور از راه دور زمین. علمی 2020 ، 3 ، 55-94. [ Google Scholar ] [ CrossRef ]
  72. ملاوانی، MN; لوین، اف. گومز، سی. متقین، BW; Hadmoko، DS بررسی تأثیرات محلی و جهانی فوران‌های آتشفشانی و شیوه‌های مدیریت بلایا: نمونه اندونزیایی. Geosciences 2021 , 11 , 109. [ Google Scholar ] [ CrossRef ]
  73. سلوا، جی. لوریتو، اس. ولپ، ام. رومانو، اف. تونینی، ر. پرفتی، پ. برناردی، اف. تارونی، م. اسکالا، ا. بابیکو، ا. و همکاران پیش‌بینی احتمالی سونامی برای هشدار اولیه نات. اشتراک. 2021 ، 12 ، 5677. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  74. کامینز، روابط عمومی; Pranantyo، IR; پاونال، جی.ام. گریفین، جی دی. میلانو، آی. ژائو، S. زمین لرزه ها و سونامی های ناشی از گسلش نرمال با زاویه پایین در دریای باندا، اندونزی. نات. Geosci. 2020 ، 13 ، 312-318. [ Google Scholar ] [ CrossRef ]
  75. بان، ی. ژانگ، پی. ناستی، آ. Bevington، AR; Wulder، MA نزدیک به نظارت بر پیشرفت آتش‌سوزی در زمان واقعی با سری زمانی Sentinel-1 SAR و یادگیری عمیق. علمی جمهوری 2020 ، 10 ، 1322. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  76. ساکتی، م. Tsuyuki، S. تجزیه و تحلیل مخلوط طیفی تصاویر Peatland برای مطالعه پوشش زمین Peatland بسیار تخریب شده در اندونزی. در آرشیو بین المللی فتوگرامتری، سنجش از دور و علم اطلاعات مکانی ؛ انتشارات کوپرنیک: گوتینگن، آلمان، 2015. [ Google Scholar ]
  77. Andani، IGA; Puello, LLP; Geurs، K. بررسی نقش ساخت و ساز جاده با عوارض در انتخاب مکان مسکونی در منطقه جاکارتا-باندونگ. مورد مطالعه. ترانسپ سیاست 2020 ، 8 ، 599–611. [ Google Scholar ] [ CrossRef ]
  78. رصدخانه جهانی انرژی؛ گوگل؛ موسسه سلطنتی فناوری KTH در استکهلم؛ دانشگاه گرونینگن؛ موسسه منابع جهانی پایگاه جهانی نیروگاه ها منتشر شده در Resource Watch و Google Earth Engine. 2018. در دسترس آنلاین: https://https://resourcewatch.org/ یا https://earthengine.google.com/ (در 16 دسامبر 2021 قابل دسترسی است).
  79. ساکتی، م. رینستی، ع. آگوستینا، ای. دیاستومو، اچ. محمد، ف. آنا، ز. Wikantika، K. مدل چند سناریویی پتانسیل انباشت زباله های پلاستیکی در اندونزی با استفاده از سنجش از دور یکپارچه، آماری و داده های اجتماعی-دموگرافیک. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 481. [ Google Scholar ] [ CrossRef ]
  80. فوزی، هوش مصنوعی; ساکتی، م. ربانی، BF; ریستیانی، م. آگوستین، RT; یاتی، ای. نوها، MU; آنیکا، ن. پوترا، آر. Siregar, DI; و همکاران ارزیابی فشارهای اقلیمی و انسانی بالقوه در اکوسیستم‌های ساحلی اندونزی با استفاده از رویکرد مبتنی بر داده‌های مکانی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 778. [ Google Scholar ] [ CrossRef ]
  81. ساپوترا، ای. آریانتو، IS; غفاری، ره. فاهمی، ارزش زمین MSI در یک منطقه شهری شهری مستعد بلایا: مطالعه موردی از شهر سمارانگ، اندونزی. Land 2021 , 10 , 1187. [ Google Scholar ] [ CrossRef ]
  82. ساکتی، م. فوزی، هوش مصنوعی; Wilwatikta، FN; Rajagukguk، YS; سودانا، SA; Yayusman، LF; سیاحید، LN; سریتاراپیپات، تی. پرنسیپ، جی. Trang، NTQ; و همکاران تجزیه و تحلیل محصول داده های سنجش از دور چند منبعی: بررسی اثرات انسانی و طبیعی بر روی درختان حرا در آسیای جنوب شرقی. Remote Sens. 2020 , 12 , 2720. [ Google Scholar ] [ CrossRef ]
  83. فوزی، ع. ساکتی، ا. یایوسمن، ال. هارتو، ا. پراستیو، ال. ایران، بی. کمال، م. Wikantika، K. زمینه سازی جنگل زدایی جنگل حرا در آسیای جنوب شرقی با استفاده از محصولات داده های زیست محیطی و اجتماعی-اقتصادی. Forests 2019 , 10 , 952. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  84. ساکتی، م. Takeuchi، W. یک رویکرد مبتنی بر داده برای پرداختن به پایداری غذا: ادغام تصاویر ماهواره‌ای نوری و مایکروویو برای توسعه بلندمدت شدت کشت جهانی و ماه کاشت از سال 2001 تا 2015. پایداری 2020 ، 12 ] [ GoogleRchoef 32Ref . [ نسخه سبز ]
  85. لی، T.-H. چانگ، H.-H. حسیه، ی.-ت. چانگ، بی.-ای. آیا برنامه های امداد رسانی در بلایای کشاورزی می تواند بر قیمت زمین های کشاورزی تأثیر بگذارد؟ شواهد تجربی از داده های معاملات زمین کشاورزی. Land 2021 , 10 , 728. [ Google Scholar ] [ CrossRef ]
  86. فیلیپه-لوسیا، MR; سولیورز، اس. پنون، سی. منینگ، پی. ون در پلاس، اف. بوخ، اس. پراتی، دی. آمر، سی. شال، پی. Gossner، MM; و همکاران ویژگی های جنگلی متعدد زیربنای عرضه خدمات اکوسیستمی متعدد است. نات. اشتراک. 2018 ، 9 ، 4839. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  87. فوزی، هوش مصنوعی; ساکتی، م. Yayusman، LF; هارتو، AB; Prasetyo، LB; ایران، بی. ویکانتیکا، ک. ارزیابی علل جنگل زدایی جنگل حرا در آسیای جنوب شرقی با تجزیه و تحلیل محصولات اخیر محیط زیست و داده های اجتماعی-اقتصادی. در مجموعه مقالات سی و نهمین کنفرانس آسیایی سنجش از دور، کوالالامپور، مالزی، 15 تا 19 اکتبر 2018؛ جلد 2، ص 880–889. [ Google Scholar ]
  88. Rajagukguk، YS; ساکتی، م. Yayusman، LF; هارتو، AB; Prasetyo، LB; ایران، بی. ویکانتیکا، ک. ارزیابی جنگل‌زدایی جنگل‌های حرا جنوب شرقی آسیا با استفاده از مجموعه داده‌های شاخص سنجش از راه دور بلندمدت. در مجموعه مقالات سی و نهمین کنفرانس آسیایی سنجش از دور، کوالالامپور، مالزی، 15 تا 19 اکتبر 2018؛ جلد 2، ص 931–937. [ Google Scholar ]
  89. سیاحید، LN; ساکتی، م. ویرتریانا، آر. ویکانتیکا، ک. ویندوپراناتا، دبلیو. تسویوکی، اس. کاراکا، RE; پریبادی، ر. تعیین مکان بهینه برای کاشت حرا با استفاده از سنجش از دور و مدل آب و هوایی در جنوب شرقی آسیا. Remote Sens. 2020 , 12 , 3734. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00012 g001 550
شکل 1. منطقه مورد مطالعه: استان جاوه غربی، اندونزی.
Ijgi 11 00012 g002 550
شکل 2. ( الف ) مکان‌های مدارس در سراسر جاوای غربی (منبع، دفتر آموزش جاوا غربی). ( ب ) موارد COVID-19 از آوریل تا دسامبر 2020؛ و ( ج ) توزیع و بزرگی زلزله‌ها، سیل‌ها و وقوع زمین لغزش با توزیع گسل‌های عمده.
Ijgi 11 00012 g003 550
شکل 3. محدودیت های: ( الف ) مناطق حفاظت شده و ( ب ) مناطق خالی از سکنه.
Ijgi 11 00012 g004 550
شکل 4. نمودار جریان روش بکار گرفته شده.
Ijgi 11 00012 g005 550
شکل 5. توزیع تراکم جمعیت بر اساس گروه سنی.
Ijgi 11 00012 g006 550
شکل 6. دسترسی به مدرسه برای: ( الف ) دبستان، ( ب ) دبیرستان، ( ج ) دبیرستان، و ( د ) دبیرستان های حرفه ای.
Ijgi 11 00012 g007 550
شکل 7. توزیع خطر بلایا برای: ( الف ) سیل، ( ب ) زلزله، ( ج ) رانش زمین، و ( د ) کل شاخص حساسیت چند خطر.
Ijgi 11 00012 g008 550
شکل 8. نقشه احتمال چند خطر زمین لغزش، زلزله و سیل.
Ijgi 11 00012 g009 550
شکل 9. سطح خطر مدرسه برای: ( الف ) دبستان، ( ب ) دبیرستان، ( ج ) دبیرستان، و ( د ) دبیرستان های حرفه ای.
Ijgi 11 00012 g010 550
شکل 10. توزیع: ( الف ) آلودگی هوا، ( ب ) LST (متوسط ​​2019)، ( ج ) سر و صدا، و ( د ) سطوح آسایش کلی.
Ijgi 11 00012 g011 550
شکل 11. توزیع مناسب زمین مدارس جدید برای: ( الف ) دبستان، ( ب ) دبیرستان، ( ج ) دبیرستان، و ( د ) دبیرستان های حرفه ای.
Ijgi 11 00012 g012 550
شکل 12. مقایسه تصویری از نتایج نگاشت شده برای ( الف ) اعتبار سنجی نقاط فاجعه ( b ). مقایسه بین شاخص نویز و داده های نور شب ( c ). مقایسه مدل ارزش زمین در این مطالعه با برآورد قیمت زمین در منطقه پانزده منطقه شمال شهر باندونگ که توسط Somantri [ 62 ] برآورد شده است.
Ijgi 11 00012 g013 550
شکل 13. ارزش نسبی زمین در ناحیه استان جاوه غربی.
Ijgi 11 00012 g014 550
شکل 14. توزیع مدارس جدید بر اساس سناریوی بودجه: ( الف ) دبستان، ( ب ) دبیرستان، ( ج ) دبیرستان، و ( د ) دبیرستان های حرفه ای.
Ijgi 11 00012 g015 550
شکل 15. نرخ انتقال COVID-19 بر اساس شماره مورد.
Ijgi 11 00012 g016 550
شکل 16. سطح خطر زیستی مدرسه (COVID 19) برای: ( الف ) دبستان، ( ب ) دبیرستان، ( ج ) دبیرستان، و ( د ) دبیرستان های حرفه ای.
Ijgi 11 00012 g017 550
شکل 17. توزیع مدارس جدید بر اساس سطح انتقال COVID-19: ( الف ) دبستان، ( ب ) دبیرستان، ( ج ) دبیرستان، و ( د ) دبیرستان های حرفه ای.
Ijgi 11 00012 g018 550
شکل 18. اعتبار سنجی میدانی امتیازهای جدید مدرسه که به طور تصادفی انتخاب شده اند.
Ijgi 11 00012 g019 550
شکل 19. گسترش در دسترس بودن مدارس بر اساس سناریوی بودجه: ( الف ) دبستان، ( ب ) دبیرستان، ( ج ) دبیرستان، و ( د ) دبیرستان های حرفه ای.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید