خلاصه

رشد اخیر داده‌های فضایی با وضوح بالا، به ویژه در محیط‌های شهری در حال توسعه، رویکردهای جدیدی را برای فعالیت‌های مدنی، برنامه‌ریزی شهری و ارائه خدمات لازم برای توسعه پایدار ممکن می‌سازد. منطقه ویژه ای با پتانسیل زیاد و نیاز فوری به گسترش شهری از طریق سکونتگاه های غیررسمی (زاغه ها) می پردازد. این محله‌ها اغلب با فقدان ارتباطات، هم از نظر فیزیکی و هم از نظر اجتماعی-اقتصادی، با اثرات مضر برای ساکنان و شهرهایشان مشخص می‌شوند. در اینجا، ما نشان می‌دهیم که چگونه یک رویکرد محاسباتی مقیاس‌پذیر مبتنی بر ویژگی‌های توپولوژیکی نقشه‌های دیجیتال می‌تواند کمبودهای زیرساختی محلی را شناسایی کرده و راه‌حل‌های حداقلی متناسب با زمینه را پیشنهاد کند. ما 1 ترابایت از داده‌های جمع‌سپاری OpenStreetMap (OSM) را برای ایجاد شاخص‌های جهانی دسترسی بلوک‌های خیابان و نقشه‌های کاداستر محلی تجزیه و تحلیل می‌کنیم و توسعه زیرساخت‌ها را با تمرکز بر 120 کشور با درآمد کم و متوسط (LMIC) در جنوب جهانی پیشنهاد می‌کنیم. ما نشان می‌دهیم که چگونه کمبود دسترسی فیزیکی را می‌توان با جزئیات شناسایی کرد، چگونه پیچیدگی و هزینه‌های راه‌حل‌ها را می‌توان ارزیابی کرد و چگونه پیشنهادهای فضایی دقیق ایجاد می‌شوند. ما بحث می‌کنیم که چگونه این تشخیص‌ها و راه‌حل‌ها مجموعه‌ای چند مقیاسی از قابلیت‌های جدید را ارائه می‌کنند – از محله‌های فردی گرفته تا مناطق جهانی – که می‌تواند دانش جامعه محلی را با آژانس سیاسی، قابلیت فنی و تحقیقات بیشتر هماهنگ کند. ما نشان می‌دهیم که چگونه کمبود دسترسی فیزیکی را می‌توان با جزئیات شناسایی کرد، چگونه پیچیدگی و هزینه‌های راه‌حل‌ها را می‌توان ارزیابی کرد و چگونه پیشنهادهای فضایی دقیق ایجاد می‌شوند. ما بحث می‌کنیم که چگونه این تشخیص‌ها و راه‌حل‌ها مجموعه‌ای چند مقیاسی از قابلیت‌های جدید را ارائه می‌کنند – از محله‌های فردی گرفته تا مناطق جهانی – که می‌تواند دانش جامعه محلی را با آژانس سیاسی، قابلیت فنی و تحقیقات بیشتر هماهنگ کند. ما نشان می‌دهیم که چگونه کمبود دسترسی فیزیکی را می‌توان با جزئیات شناسایی کرد، چگونه پیچیدگی و هزینه‌های راه‌حل‌ها را می‌توان ارزیابی کرد و چگونه پیشنهادهای فضایی دقیق ایجاد می‌شوند. ما بحث می‌کنیم که چگونه این تشخیص‌ها و راه‌حل‌ها مجموعه‌ای چند مقیاسی از قابلیت‌های جدید را ارائه می‌کنند – از محله‌های فردی گرفته تا مناطق جهانی – که می‌تواند دانش جامعه محلی را با آژانس سیاسی، قابلیت فنی و تحقیقات بیشتر هماهنگ کند.

کلید واژه ها:

OpenStreetMap ; شهرها ؛ زاغه ها ; تجزیه و تحلیل شبکه ; سنجش از دور ؛ توسعه انسانی ؛ برنامه ریزی شهری ; GIS ; پردازش ابری

1. معرفی

1.1. متن نوشته

جمعیت جهان به سرعت به شهرنشینی ادامه می دهد و نزدیک به چهار میلیارد نفر در حال حاضر در مراکز شهری زندگی می کنند [ 1 ]. از این تعداد، بیش از 1.6 میلیارد نفر در محله های بدون خدمات یا سکونتگاه های غیررسمی زندگی می کنند که معمولاً به عنوان محله های فقیر نشین شناخته می شوند [ 2 ]. انتظار می رود در سه دهه آینده تعداد افرادی که در محله های فقیر نشین زندگی می کنند بیش از دو برابر شود، اگر اقدامی انجام نشود [ 3 ]. توزیع جهانی این رشد به دور از یکنواختی است. از میان مناطقی از جهان که توسط مناطق هدف توسعه پایدار سازمان ملل مشخص شده است، آفریقای جنوب صحرا از این نظر منحصر به فرد است که انتظار می رود جمعیت شهری آن همچنان در طول قرن بیست و یکم افزایش چشمگیری داشته باشد [4 ، 5 ] .

تقریباً 294 میلیون نفر در سال 2010 در شهرها و شهرهای جنوب صحرای آفریقا (SSA) زندگی می کردند [ 5 ، 6 ]. در دهه آینده جمعیت شهری مناطق فرعی به 621 میلیون نفر افزایش خواهد یافت [ 6 ]. در حالی که کلان شهرهایی مانند لاگوس، کینشاسا و ژوهانسبورگ بزرگ به رشد خود ادامه خواهند داد، انتظار می رود که بخش قابل توجهی از جمعیت شهری در مراکز شهری کوچک و متوسط زندگی کنند [6، 7 ، 8 ] ، جایی که دولت های محلی فاقد ساختارهای پاسخگو هستند، از نارسایی در ارائه خدمات اولیه رنج می برند و ظرفیت محدودی برای ایفای مسئولیت های خود برای فراهم کردن شرایط زندگی خوب و سلامت مناسب برای ساکنان خود دارند.6 ، 9 ، 10 ].

تضمین توسعه پایدار و عادلانه در بیشتر این شهرها مستلزم اقدام گسترده جمعی و هماهنگ در مقیاس محلی تا جهانی است. نقشی که ساکنان و شیوه‌های مشارکتی باید در این زمینه ایفا کنند، نه تنها به داده‌های بهتر و در دسترس‌تر بستگی دارد، بلکه به توانایی ما برای تبدیل این داده‌ها به هوش عملی برای حمایت از تصمیم‌گیری و برنامه‌ریزی در مقیاس‌های چندگانه بستگی دارد [ 11 ، 12 ] .

گسترش کیفیت زندگی و فرصت‌های توسعه اقتصادی برای ساکنان سکونتگاه‌های غیررسمی به تصویری دقیق در سطح شهر بستگی دارد که کدام محله‌ها به شدت تحت خدمات هستند و می‌توانند بلافاصله با مداخلات کوچک و متمرکز ارتقاء دهند [13 ] . اگرچه تعیین اینکه آیا یک محله تحت سرویس است تا حد زیادی به نگرانی های محلی بستگی دارد، یک تجزیه و تحلیل توپولوژیکی از ردپای ساختمان در رابطه با شبکه جاده رسمی یک معیار کمی ارائه می دهد [ 14 ]]. با رویکرد توپولوژیک، می توان تعداد قطعات ساختمانی را که برای دسترسی به شبکه خیابان های موجود (و در نتیجه خدمات اضطراری، بهداشت، آب سالم و غیره) باید از آنها عبور کرد، تعیین کرد. تمرکز بر ویژگی‌های توپولوژیک-ناغیر نقشه‌ها همچنین به ما امکان می‌دهد تا شهرها را بدون توسعه رویکردهایی که به مورفولوژی دقیق یا سرنخ‌های بصری وابسته هستند، تجزیه و تحلیل کنیم که همگی وابسته به زمینه و تاریخ هستند [14 ] .

در اینجا، ما یک گردش کار محاسباتی در مقیاس بزرگ را برای شناسایی سکونتگاه‌های غیررسمی در هر نقطه از جهان توصیف می‌کنیم. ما روش‌هایی را برای اعمال تحلیل‌های توپولوژیکی برای مجموعه داده‌های مقیاس سیاره توصیف می‌کنیم و تصاویری را بر اساس داده‌های OpenStreetMap ارائه می‌کنیم، از جمله سناریوهای تولید شده به‌طور خودکار برای مداخلات زیرساختی با حداقل اختلال که دسترسی عمومی خیابان را به تمام ساختمان‌های درون سکونتگاه‌های غیررسمی فراهم می‌کند.

1.2. کارهای قبلی و مشارکت های رمان

تلاش بی‌سابقه‌ای برای بهره‌برداری از داده‌های سنجش از دور با وضوح بالا، تصاویر نمای خیابان، یادگیری ماشینی و فناوری‌های جدید داده‌های مکانی برای درک چگونگی رشد شهرها و شناسایی مکان سکونتگاه‌های غیررسمی صورت گرفته است [15 ، 16 ، 17 ] . جدیدترین پیشرفت‌ها در تکنیک‌های داده‌محور مانند یادگیری عمیق برتری یادگیری از داده‌ها را نسبت به ویژگی‌های طراحی‌شده دستی وابسته به متخصصان انسانی نشان داده‌اند [ 18]]. رویکردهای یادگیری عمیق مانند شبکه‌های عصبی کانولوشنال (CNN) که در وظایف اساسی بینایی کامپیوتری به موفقیت دست یافته‌اند، به روش‌های مختلفی برای درک محیط ساخته شده استفاده می‌شوند. به عنوان مثال، محققان از تصاویر ماهواره‌ای و CNN برای ساختن نقشه فقر در جنوب صحرای آفریقا استفاده می‌کنند [ 19 ]. برخی دیگر از تصاویر ماهواره‌ای و CNN برای مقایسه نتایج اجتماعی-اقتصادی در ایالات مختلف هند و استفاده از شبکه‌های عصبی عمیق برای تحلیل الگوهای کاربری زمین شهری استفاده می‌کنند [ 20 ، 21 ]. رویکردهای یادگیری عمیق نیز در کار نقشه برداری زاغه نشین مورد توجه قرار گرفته اند. به عنوان مثال، Ref. [ 22] از یک سری زمانی منحصر به فرد از تصاویر برای انجام تشخیص تغییر در محله های فقیر نشین بمبئی استفاده کنید. با این حال، رویکردهای مبتنی بر داده، به‌ویژه آنهایی که از یادگیری عمیق استفاده می‌کنند، به مقادیر عظیمی از داده‌های آموزشی برچسب‌گذاری شده نیاز دارند، که به‌ویژه برای محله‌های فقیر نشین معمولاً کم داده دشوار است. تلاش‌های دیگر، مانند چالش Deep Globe 2018، مجموعه داده‌های عمومی جدیدی را ارائه می‌کند تا تحقیقات را برای آوردن یادگیری عمیق به سنجش از دور انجام دهد، اما مجموعه داده‌ها برای شناسایی محله‌های فقیر نشین از نظر کاربرد محدود هستند [23 ] . علاوه بر این، اعتبار سنجی عملکرد طبقه‌بندی شبکه‌های عصبی برای تصاویر غیرقابل مشاهده خارج از نمونه از مناطق جغرافیایی متمایز یک سوال باز باقی می‌ماند [ 24]]. در نهایت، در حالی که ویژگی های آموخته شده توسط یک شبکه عصبی، با توجه به داده های کافی، در نهایت باید پیش بینی برتر را ارائه دهند، تفسیر آنها اغلب دشوار است و مشروط به انتخاب مجموعه های آموزشی برچسب گذاری شده است [25 ] .

رویکردهای سنتی با تکیه بر ویژگی‌های طراحی‌شده دستی، در حالی که از نظر تئوری از نظر قدرت پیش‌بینی پایین‌تر هستند، به راحتی قابل تفسیر هستند، که هنگام استفاده از تحقیق برای هدایت برنامه‌ریزی و تصمیم‌گیری‌های سیاستی در دنیای واقعی بسیار مهم است. اکثر این رویکردها از یک استراتژی دو مرحله ای استفاده می کنند. اول، تصاویر ماهواره‌ای برای حذف مصنوعات (مانند محاسبه اعوجاج حسگر و استفاده از الگوریتم‌های تشخیص بخش خط و لبه [ 15 ]) و استخراج ویژگی‌های متمایز کلیدی از قبل پردازش می‌شوند. در هر دو تجزیه و تحلیل مبتنی بر یادگیری عمیق و تنظیم دستی، ویژگی‌های بافت تصویر در تعمیم فراتر از مناطق جغرافیایی خاص مورد مطالعه امیدوارکننده‌ترین هستند [ 26 ]. نمونه‌هایی از ویژگی‌های بافت عبارتند از ویژگی‌های مقیاس پیکسل مانند آنتروپی، کنتراست، واریانس و مقادیر میانگین پیکسل [27 ]، در حالی که ویژگی های برچسب گذاری شده به صورت دستی عبارتند از نسبت سبز [ 16 ]، مساحت نسبی اشیاء مجاور [ 16 ]، خالی بودن [ 15 ، 28 ]، ارتفاع ساختمان [ 17 ] و ناهمگونی جهت گیری های ساختمان [ 17 ]. ویژگی‌ها همچنین ممکن است در مقیاس‌های فضایی چندگانه استخراج شوند، زیرا بسیاری از جنبه‌های شناسایی زاغه‌ها وابسته به مقیاس هستند [ 26 ]. دوم، تصاویر شطرنجی حاصل و ویژگی‌های استخراج‌شده با تعاریف داده شده از سکونتگاه‌های غیررسمی (زاغه‌ها) در مناطق شهری خاص مقایسه می‌شوند تا تمایزات در فضای ویژگی بین زاغه‌ها و بافت شهری وسیع‌تر را شناسایی کنند [26 ، 29 ]]. به طور خاص، از آنجا که محله‌های فقیرنشین اغلب کوچک، متراکم و از الگوهای غیر منظم تشکیل شده‌اند، ابعاد فراکتالی بالاتری نسبت به محله‌های رسمی نشان می‌دهند [ 28 ]. این رویکردهای خودکار به بهترین وجه زاغه‌های بزرگ و متراکم را در مناطق اصلی شهری شناسایی می‌کنند، اما ممکن است جوامع کوچکتر یا حاشیه‌ای را که دارای امضای هندسی یکسانی نیستند، از دست بدهند [ 29 ].

از آنجایی که همه این رویکردها بر ویژگی‌های برچسب‌گذاری شده توسط انسان تکیه می‌کنند، اغلب به طور ضعیفی به زمینه‌های جدیدی که با داده‌های آموزشی اصلی متفاوت است تعمیم می‌دهند. محله های فقیر نشین در نقاط مختلف جهان و در مراحل مختلف رشد، الگوهای هندسی و توپولوژیکی متفاوتی از خود نشان می دهند. بنابراین، تطبیق این روش‌ها با زمینه‌های جدید معمولاً مستلزم تنظیم مجدد دقیق مقادیر آستانه و طراحی مجدد اکتشافی‌ها و گزاره‌های منطقی است. به عنوان مثال، رویکردهای اولیه مبتنی بر شی برای شناسایی محله‌های فقیر نشین در کیپ تاون، آفریقای جنوبی از قوانین مبتنی بر ویژگی‌های فیزیکی مانند اندازه ساختمان استفاده می‌کردند، که پس از انطباق رویکرد با ریودوژانیرو [30] باید به‌روزرسانی شود . مطالعات ویژه شهرهای پونا [ 16 ] و حیدرآباد [ 15] هند] همچنین به عدم کاربرد آنها در شهرهای دیگر توجه کنید. دانش تخصصی مورد نیاز برای انطباق این روش‌ها با یک زمینه جدید، چالش مهمی را برای افزایش مقیاس این روش‌ها در سطح جهانی و به بافت‌های پیرامون شهری نشان می‌دهد. یک بررسی اخیر از رویکردهای سنجش از دور برای نقشه‌برداری زاغه‌ها به این نتیجه می‌رسد که روش‌های تا به امروز “مایلند در چند منطقه جغرافیایی متمرکز شده و اغلب بر استفاده از یک رویکرد واحد تمرکز دارند” [29 ] .

در مقابل این رویکردها، ما در اینجا یک اندازه گیری توپولوژیکی-ناغیر از دسترسی زیرساخت رسمی به داده های منبع باز متن باز شامل دو عنصر را اعمال می کنیم: ردپای ساختمان و شبکه های خیابانی [ 31] .]. این رویکرد سکونتگاه‌های غیررسمی را به‌عنوان (مجموعه‌ای از) بلوک‌های خیابانی بدون دسترسی فیزیکی به زیرساخت‌های رسمی (که توسط شبکه خیابانی تحت پوشش قرار می‌گیرند) تعریف می‌کند. شبکه خیابانی به طور طبیعی شهر را به بلوک هایی تقسیم می کند که در آن ساختمان ها توسط دسترسی ها (خیابان ها) و سایر مرزها محصور شده اند. رویکرد توپولوژیکی برای تجزیه و تحلیل دسترسی بلوک های خیابان فقط به روابط بین دسترسی های خیابان و ساختمان ها مربوط می شود، نه هندسه دقیق. همانطور که مشخص است، این روابط به نمودارهای ریاضی با ویژگی های جبری تبدیل می شوند که می توانند به روش های سریع و کارآمد توسط انواع الگوریتم های موجود محاسبه شوند.

ما استدلال می کنیم که این رویکرد – بر اساس ویژگی های ریاضی کلی نمودارها – قابلیت تعمیم بیشتری را ارائه می دهد. ما نشان می‌دهیم که چگونه می‌توان آن را در هر نقطه از جهان نه تنها برای طبقه‌بندی سکونتگاه‌های غیررسمی، بلکه مهم‌تر از آن، برای ارائه معیارهای پیچیدگی کمبودهای دسترسی آنها (یک «طیف» زاغه‌نشین) و طراحی راه‌حل‌های خاص با حداقل مخرب اعمال کرد.

برای داده‌های مورد نیاز برای محاسبه این شاخص‌ها، ما به OpenStreetMap، یک پایگاه داده زمین‌فضایی منبع باز و جمع‌سپاری شده با اطلاعات برداری در مورد ساختمان‌ها، امکانات رفاهی، خدمات، زیرساخت‌ها، شبکه‌های خیابانی، پارک‌های عمومی و سایر ویژگی‌های نقشه‌کشی مراجعه می‌کنیم [32 ] . علیرغم این واقعیت که داده ها در OpenStreetMap به طور مشترک تولید می شوند، دلایلی وجود دارد که باور کنیم داده ها به طور منطقی کامل و جاری هستند. یک بررسی از تلاش‌های نقشه‌برداری جمع‌سپاری تخمین می‌زند که 80 درصد از شبکه جاده‌های جهان به‌طور دقیق در پایگاه‌های داده‌های مکانی منبع باز منعکس شده است [ 33 ]. علاوه بر این، فعالیت مدنی برای بهبود منابع نقشه‌برداری سکونتگاه‌های غیررسمی، از OpenStreetMap به عنوان پایگاه داده آماده برای رسمی‌سازی و تطبیق تلاش‌های نقشه‌برداری مردمی استفاده کرده است.34 ]. در برخی موارد، سازمان‌های محلی در کشورهایی مانند لسوتو به OSM به‌عنوان یک مخزن معتبر اطلاعات مربوط به ردپای ساختمان و مالکیت [ 35 ] متکی هستند. رویکردهای مبتنی بر شطرنجی که از نقشه‌های موجود مناطق زاغه‌نشینی به‌عنوان حقیقت زمینی برای کالیبراسیون استفاده می‌کنند، ممکن است با مشکلاتی در شناسایی زاغه‌های جدید فاقد تعیین رسمی مواجه شوند. در حالی که زاغه‌های بزرگ عمدتاً از کشورهای پردرآمد ناپدید شده‌اند، مشاهده می‌کنیم که مهاجرت از روستا به شهر در کشورهای در حال توسعه ادامه دارد [ 36 ] و این مهاجران ممکن است در مناطقی ساکن نشوند که با ویژگی‌های بافتی زاغه‌های شناسایی شده قبلی مطابقت دارد. با تمرکز بر دسترسی به زیرساخت‌ها، می‌توانیم حوزه‌های جدیدی را شناسایی کنیم که در آن ساخت و ساز ساختمان و کاربری زمین از خدمات و ارائه زیرساخت‌ها پیشی می‌گیرد.

رویکردهای توپولوژیکی و بینایی کامپیوتری متقابل نیستند. روش‌هایی که در اینجا توضیح داده می‌شوند می‌توانند از ردپای ساختمان و هندسه‌های شبکه جاده‌ای که از طریق تحلیل مبتنی بر بافت یا شی‌گرا (OOA) داده‌های رصد زمین به دست می‌آیند، استفاده کنند و راه را برای یک رویکرد ترکیبی هموار کنند که در آن تکنیک‌های بینایی کامپیوتری بسیاری از حاشیه‌نویسی را خودکار می‌کنند. در حالی که دانش محلی از طریق تصحیحات دستی اشیاء شناسایی شده در نظر گرفته می شود. مطالعه مورفولوژیکی سکونتگاه‌های غیررسمی در 44 شهر به عنوان نمونه‌ای از این رویکرد است: در حالی که بسیاری از مدل‌سازی‌ها به صورت الگوریتمی انجام شد، دانش محلی در مورد ساختار ساختمان از طریق برچسب‌گذاری جغرافیایی و بررسی‌های درجا اضافه شد [17 ]]. مطالعات اخیر در نقشه‌برداری محله‌های فقیرنشین در کنیا از ویژگی‌های تصویری در داده‌های ماهواره‌ای، مکان‌های جغرافیایی خدمات حیاتی، داده‌های آنلاین املاک و مستغلات، و بسیاری دیگر [37] استفاده کرد که طیفی از منابع داده مکمل موجود در تلاش‌های نقشه‌برداری زاغه را نشان می‌دهد.

پس از شناسایی کمبودهای زیرساختی، سوال طبیعی بعدی توسعه راه حل هایی است که هم مقرون به صرفه باشد و هم به اولویت های جامعه محلی احترام بگذارد. “مسدود کردن مجدد” فرآیندی است برای گسترش شبکه های دسترسی برای فراهم کردن دسترسی جهانی به ساختمان های داخل یک بلوک خیابان. ساختار توپولوژیکی ساختمان‌های درون یک بلوک یک فرمول بهینه‌سازی محدود از این مشکل را ارائه می‌کند: هدف یافتن طول مسیر حداقلی در نمودار است که هر قطعه را به مرز بلوک خیابان متصل می‌کند. نکته قابل توجه، راه‌حل‌های این مشکل بهینه‌سازی، منعکس‌کننده ارتقاهای درجای است که ساکنان از لحاظ تاریخی برای پیاده‌سازی انتخاب کرده‌اند، و همچنین دسته‌ای از راه‌حل‌ها را ارائه می‌دهند تا به جوامع توانایی انتخاب طرح ارتقای زیرساخت را با شرایط و محدودیت‌های محلی ارائه دهند.31 ].

پیاده‌سازی‌های انسداد مجدد قبلی، توزیع آماری اجزای مسیر بالقوه را ایجاد کردند و از روش‌های نمونه‌گیری مونت کارلو با یک متریک اهمیت که به طور تصاعدی متناسب با طول بخش مسیر است، به منظور ساختن تکراری یک کلاس از شبکه‌های دسترسی با حداقل هزینه استفاده کردند [31 ] . در بررسی ما، متوجه شدیم که طرح این مشکل از نظر تولید درخت اشتاینر، شبکه‌های دسترسی مشابهی را فراهم می‌کند در حالی که از نظر محاسباتی برای پیاده‌سازی در مقیاس کشور و سیاره امکان‌پذیرتر است.

2. مواد و روشها

2.1. داده های جغرافیایی و محاسبات

دنیای داده برای کار ما شامل سه موجودیت مختلف است: چند ضلعی های مرزی اداری، چند ضلعی های ردپای ساختمان و مجموعه های رشته ای خط شبکه خیابانی. مرزهای داده های اداری از پایگاه داده مناطق اداری جهانی (GADM) تهیه شده است. ردپای ساختمان و شبکه‌های جاده‌ای از داده‌های OpenStreetMap (OSM) استخراج شد. از آنجایی که OSM دانلود مستقیم ارائه نمی دهد، داده های مورد بررسی از یک آینه میزبانی شده توسط GeoFabrik به دست آمده است.. داده‌های مورد استفاده در تجزیه و تحلیل و ارقام در این مقاله، تصویری از OpenStreetMap را در جولای 2019 نشان می‌دهد که بر 120 کشور متمرکز است که در تعریف سازمان ملل از جنوب جهانی قرار دارند. روش‌ها و تحلیل‌های توصیف‌شده عمومی هستند و می‌توانند برای هر داده مکانی مشابه در سطح بلوک، به عنوان مثال، از منابع تاریخی یا کشورهای با درآمد بالا، اعمال شوند.

داده‌های جغرافیایی ورودی بزرگ بودند و به طور بالقوه هر ردپای ساختمان و خیابان در سراسر جهان را شامل می‌شد. با این حال، این داده ها می توانند به طور طبیعی در سطح بلوک شهر موازی شوند. استفاده از مرزهای اداری GADM سیستم مناسبی را برای تقسیم فایل‌های فضایی بزرگ به واحدهای کوچک‌تر فراهم می‌کند که به دلیل استاندارد بودن و اندازه واحد معمولی، قابل موازی‌سازی هستند. برای انتخاب ویژگی‌های مربوطه، تعدادی از تگ‌های فراداده را در عصاره GeoFabrik (در جدول 1 فهرست شده ) جستجو کردیم. ردپای ساختمان حاصل از چند ضلعی و شبکه خیابانی LineStringاندازه s در عصاره ما از 1 ترابایت فراتر رفته است که محاسبات سریال را غیرعملی می کند. برای پردازش داده های ورودی به صورت موازی، ما ریزترین مرزهای اداری موجود برای هر کشور را با ردپای ساختمان و هندسه شبکه خیابان مربوطه قطع کردیم ( شکل 1 را ببینید.). سپس استخراج هندسه بلوک خود را برای هر واحد اداری اجرا کردیم، و سپس تولید نقشه کاداستر و ساخت نمودار مسطح خود را (همه در بخش‌های زیر شرح داده شده) در سطح هر بلوک خیابان موازی‌سازی کردیم. با استفاده از خوشه محاسباتی توزیع شده Midway2 در دانشگاه شیکاگو (که توسط مرکز محاسبات تحقیقاتی دانشگاه مدیریت می شود)، ما 72896 واحد اداری را در 120 کشور شامل جنوب جهانی پردازش کردیم که مربوط به 4343602 بلوک خیابان است. محاسبات در پردازنده‌های Intel E5-2680v4 با فرکانس 2.4 گیگاهرتز در یک سیستم عامل Scientific Linux 7.2 با استفاده از زمان‌بندی منابع SLURM موازی شد. مشخصات نود شامل 28 هسته با 50 گیگابایت رم قابل تخصیص بود.

2.2. تعیین هندسه بلوک خیابان

برای استخراج هندسه هر بلوک شهری، شبکه خیابان ها را در هر شبکه اداری بررسی کردیم ( شکل 2 a). تک تک بخش‌های جاده با هم متحد شدند تا یک شی واحد را به نمایش بگذارند که هندسه شبکه جاده را نشان می‌دهد ( شکل 2 ب). تفاوت بین هندسه واحد اداری و هندسه کلی شبکه جاده از چند ضلعی هایی است که ما می خواهیم استخراج کنیم ( شکل 2)ج). برای جداسازی این چند ضلعی‌ها، از یک تفاوت نظری مجموعه‌ای بین مساحت واحد اداری و هندسه شبکه جاده‌ای استفاده کردیم که با مقدار کمی بافر (برای ارائه آن به صورت دو بعدی) وجود دارد. یک رویکرد جایگزین، شناسایی تمام تقاطع‌های جاده‌ها و جستجوی حلقه‌ها در نموداری از گره‌هایی است که تقاطع‌های جاده‌ای را نشان می‌دهند، اما ما دریافتیم که این پیاده‌سازی از نظر محاسباتی عملکرد کمتری دارد.

2.3. ساخت و ساز نقشه قطعه زمین

با توجه به هندسه هر بلوک خیابان، نقشه کاداستر قطعه زمین مربوطه را ایجاد کردیم، همانطور که در شکل 3 مشاهده می شود . برای انجام این کار، در هر بلوک خیابان به هر ردپای ساختمان زیرمجموعه‌ای از هندسه بلوک اختصاص داده شد که ابعاد و مساحت دقیق هر قطعه را تعیین می‌کرد. این یک پیشنهاد برای یک کاداستر زمین احتمالی است که می تواند در صورت وجود در برابر سوابق رسمی بررسی و تصحیح شود.

در تحلیل های توپولوژیکی اولیه، از نقشه های واقعی کاداستر استفاده شد. اینها یا از مقامات مالیاتی محلی، یا از طریق تلاش‌های نقشه‌برداری توسط جامعه یا سازمان‌های غیردولتی [ 31 ] به دست آمده‌اند. برای افزایش مقیاس تجزیه و تحلیل به داده های کلی OSM، ما روشی را برای تولید خودکار بسته ها در هر نقطه از جهان ایجاد کردیم. توجه داشته باشید که گنجاندن رکوردهای مرز بسته در نقشه‌های جمع‌سپاری شده مانند OSM، از نظر فنی امکان‌پذیر است و در حال بررسی است، اما در حال حاضر در دسترس نیست [ 38 ].

برای ایجاد نقشه‌های قطعه زمین، ابتدا هر چند ضلعی بلوک خیابان را با ردپای ساختمان قطع کردیم تا مجموعه ساختمان‌هایی را که در محدوده بلوک قرار می‌گیرند جدا کنیم. سپس، در غیاب دانش اضافی، تجزیه Voronoi از هندسه بلوک خیابان را اتخاذ کردیم که هر ساختمان را به عنوان یک گره در نظر گرفت. الگوریتم ورونوی مساوی ترین انتساب زمین را ارائه می دهد به این معنا که تمام زمین در بلوک نزدیک به هر ساختمان (نسبت به ساختمان های دیگر) به آن اختصاص داده می شود. یک مسئله روش شناختی از این واقعیت ناشی می شود که ردپاها اشکال هستند، نه نقاط. بنابراین، تجزیه کلاسیک چند ضلعی های بلوک خیابان با مرکز ردپای ساختمان اغلب منجر به مرزهای کاداستر می شود که اشکال ساختمان را قطع می کند. برای حل این مشکل، ما یک تجزیه Voronoi از چند ضلعی بلوک خیابان را با استفاده از رئوس ردپای ساختمان و نمونه‌هایی از مرزهای ردپای به‌عنوان نقاط ورودی تقسیم‌بندی شده ایجاد کردیم. سپس هر سلول Voronoi که مرکز آن رئوس همان ساختمان بود، توسط شناسه‌های ساختمان منحصربه‌فرد برای ایجاد یک قطعه زمین که ردپای ساختمان را قطع نمی‌کرد و به طور کلی در فاصله مساوی بین ساختمان‌های مجاور قرار می‌گرفت، متحد شدند.

2.4. برآورد توپولوژی بلوک خیابان و دسترسی به ساختمان ها

سپس هر بلوک خیابان را از نظر سطح دسترسی به هر قطعه زمین از شبکه خیابان موجود تجزیه و تحلیل و طبقه بندی کردیم. ما از روش‌های توسعه‌یافته در [ 31 ] استفاده کردیم که مجاورت بسته‌های درون یک بلوک را به یکدیگر بر حسب یک نمودار بیان می‌کنند. هنگامی که در این شکل قرار گرفت، عملیاتی که سطح دسترسی به بسته ها را در هر بلوک تعیین می کند، صرفاً جبری می شود.

ما این روش را در اینجا برای کامل بودن شرح می دهیم. شکل 4 را برای ایده کلی، و شکل 5 را برای کاربرد در بلوک های خیابانی در فری تاون ببینید . به طور خلاصه، قطعات زمین کاداستر به عنوان چهره های اولیه یک نمودار مسطح در نظر گرفته شد.

. این ساختار نمودار مسطح یک “دوگانه ضعیف” داشت – یک نمودار متناظر که از اتصال مرکز هر وجه به مرکز هر بسته مجاور تشکیل شده بود. ما این ساختار را یک گراف دوگانه ضعیف می‌نامیم، زیرا صورت‌های ناقص کنار گذاشته شدند، و بنابراین گرفتن دوتایی ضعیف از دوگانه ضعیف، نمودار اصلی را بازیابی نمی‌کند. در عوض، گرفتن متوالی دوگانه ضعیف، دنباله ای از نمودارهای مسطح را تشکیل داد (

). هر دنباله ای از دوتایی ضعیف نمودار مسطح، نمودار را ساده می کند و در نهایت به یک نمودار درختی بی اهمیت، بدون حلقه های داخلی (چهره ها) همگرا می شود. تعداد تکرارهای دوگانه ضعیف مورد نیاز برای دستیابی به این گراف بی اهمیت پایانی (یا طول دنباله دوگانه ضعیف)، یک عدد صحیح، k است که دسترسی فضایی بسته ها را در آن بلوک اندازه می گیرد [ 31 ]. هرچه تعداد تکرارهای دوگانه ضعیف بیشتر باشد، k بیشتر می شود، که بیان می کند که ما با یک بلوک پیچیده تر با لایه های بیشتری از بسته های داخلی روبرو هستیم. کم دسترسی ترین بسته است

لایه ها (مداخله) بسته ها و ساختمان های آنها، از دسترسی های موجود خیابان [ 14 ]. به همین دلیل، بلوک های خیابان با

شامل ساختمان های غیرقابل دسترس بود و می توانست یک سکونتگاه غیررسمی در نظر گرفته شود.

این رویکرد دو مزیت داشت. اول، مشکل برخورد با مورفولوژی های متنوع (اشکال) و تراکم ساختمان در بلوک های خیابان را به مقایسه ساده تر نمودارها و اعداد بیانگر روابط بین بسته ها و شبکه خیابان کاهش داد. دوم، این رویکرد دقیقاً در یک بلوک خیابانی قرار دارد که در آن مناطق کمترین دسترسی را با بررسی بسته‌های نزدیک به نمودارهای درختی نهایی انجام می‌دهند. شکل 2 ج را ببینید .

2.5. نقشه محله های صعب العبور و کم سرویس

طبقه بندی بلوک خیابان به بلوک خیابان در مورد عدم دسترسی بسته ها که با شاخص k اندازه گیری می شود ، سپس به عنوان یک لایه GIS از نظر چند ضلعی با رنگ های مختلف تجسم شد. این برای بخشی از نایروبی، کنیا در شکل 6 نشان داده شده است . چنین نقشه‌هایی امکان بازرسی بصری مناطقی را فراهم می‌کنند که دسترسی عمومی غیرقابل دسترس است و بنابراین، تقریباً در هر مورد، فاقد خدمات عمومی مانند آب و فاضلاب و همچنین خدمات اضطراری است.

2.6. برآورد حداقل پسوندهای شبکه خیابانی برای اتصال جهانی

شاخص پیچیدگی k معیاری از دسترسی عمومی به هر بسته در هر بلوک خیابان را ارائه می دهد. بنابراین می‌توانیم یک فرآیند بهینه‌سازی محدود برای شبکه دسترسی بلوک بر اساس مقدار k ایجاد کنیم . برای بلوک‌های خیابانی که در ابتدا غیرقابل دسترس بودند، این فرآیند حداقل (در ساده‌ترین حالت، که بر حسب طول خیابان اضافی اندازه‌گیری می‌شود) گسترش دسترسی‌های موجود را شناسایی کرد که یک بلوک را در دسترس عموم قرار داد. این حداقل پسوند منحصربه‌فرد بود، در حالی که گزینه‌های دیگر شامل بهبود در مکان و شکل گسترش خیابان‌ها به قیمت طول بیشتر بود.

برای اجرای این مفاهیم رسمی در عمل، از این واقعیت شروع کردیم که نقشه‌های کاداستر هم خیابان‌های موجود و هم مرزهای قطعه‌ای بین ساختمان‌ها را شامل می‌شد. ما فرض کردیم که هر مرز بسته کاندیدای یک بخش خیابان جدید است. سپس، می‌توانیم شبکه خیابانی با حداقل هزینه را که ساخته است جستجو کنیم

، با فعال کردن مجموعه حداقلی از مرزهای بسته که قطعات اولیه غیرقابل دسترس را به شبکه خیابان موجود متصل می کند. این فرآیند معمولاً در ادبیات توسعه “مسدود مجدد” نامیده می شود و یک روش توصیه شده برای توسعه زیرساخت در سکونتگاه های غیررسمی است [ 31 ].

برای پیاده سازی حداقل مجدد مسدود کردن به عنوان یک الگوریتم، آن را به عنوان یک مشکل شناسایی زیرگراف بهینه مطرح کردیم. یک نمودار بدون جهت داده شده است

با وزن لبه های غیر منفی، e و یک زیر مجموعه

از گره های هدف، ما به دنبال درخت کم وزنی هستیم که گره های هدف S را در بر می گیرد . این یک نوع مشکل درخت اشتاینر است که به NP-hard معروف است [ 39 ]. بنابراین، ما راه حل را با محاسبه حداقل درخت پوشا بسته شدن متریک زیرگراف القا شده توسط گره های هدف S تقریب زدیم . بسته شدن متریک نمودار کاملی بود که در آن وزن هر لبه کوتاه‌ترین فاصله مسیر بین گره‌های مربوطه است [ 39 ].

برای اینکه بلاک کردن مجدد را به عنوان یک مشکل درخت اشتاینر در نظر بگیریم، مرزهای بسته را به عنوان یک نمودار بدون جهت با وزن یال برابر با فاصله اقلیدسی بین گره ها در صورت اتصال در نظر گرفتیم. هر وجه از این نمودار حاوی یک ردپای ساختمان بود: ما مرکز هر ردپای ساختمان را به نزدیکترین لبه نمودار به عنوان نقطه دسترسی فرضی (که در عوض می‌توان با ترجیحات دنیای واقعی تنظیم کرد) پیش‌بینی کردیم. مجموعه ای از مرکزهای ساختمانی پیش بینی شده به عنوان گره های هدف ما، S .

قبل از تخمین راه حل، تغییرات مختلفی را در نمودار انجام دادیم. ما آن مراکز ساختمانی را که قبلاً با یک خیابان موجود هم مرز بودند، به عنوان هدف حذف کردیم، زیرا آن ساختمان ها قبلاً اتصال کامل داشتند. ما یک گره هدف را به شبکه خیابان بیرونی اضافه کردیم به طوری که شبکه تخمین زده شده بین تمام اقامتگاه ها به شبکه خیابان خارجی متصل است. این نمودار را ساده کرد و اندازه مشکل درخت اشتاینر را کاهش داد. تمام لبه های مربوط به یک خیابان موجود وزن صفر داده شد. یک گره با دقیقاً دو یال، یک خم را در مرز بسته ثبت کرد، اما در زمینه گراف معنایی نداشت، بنابراین ما چنین گره‌هایی را حذف کردیم و فاصله آنها را با فاصله همسایه‌اش ترکیب کردیم.اس _ نتیجه این روش در شکل 7 نشان داده شده است ، جایی که دسترسی های اضافی به صورت خطوط سفید نشان داده شده است.

کل این روش به ما اجازه داد تا با هر نقشه دیجیتال بزرگی از ردپای ساختمان ها و شبکه های خیابانی شروع کنیم و به طور خودکار آن را به صورت مکانی در واحدهای موازی تجزیه کنیم، دسترسی به هر بلوک خیابان را تعیین کنیم و حداقل پیشرفت های زیرساختی محلی را برآورد کنیم که ممکن است به یک سکونتگاه غیررسمی امکان دسترسی جهانی را بدهد. مانند محله های رسمی. در ادامه برخی از نتایج اعمال این جریان کاری را در نقشه های بزرگ شهری شرح می دهیم.

3. نتایج

روش‌هایی که توضیح داده شد، امکان تجزیه و تحلیل سیستماتیک دسترسی به خدمات را برای بلوک‌های خیابانی در هر نقطه از جهان فراهم می‌کند. برای بلوک‌هایی که بسیاری از قطعات زمین غیرقابل دسترس هستند، و با توجه به سایر متغیرهای زمینه‌ای، می‌توانیم با درجه بالایی از اطمینان ادعا کنیم که با یک سکونتگاه غیررسمی سروکار داریم. ما این بررسی‌ها را در بسیاری از نقاط جهان که سکونتگاه‌های غیررسمی توسط مقامات محلی، سازمان‌های غیردولتی یا جوامع ساکن شناسایی شده‌اند، انجام دادیم، اما همچنین توجه داشته باشیم که این روش‌ها اغلب موارد اضافی را، به‌ویژه در مناطق حاشیه‌شهری که در زیر بحث می‌شود، پیدا می‌کنند.

نقطه قوت متمایز روش‌هایی که در اینجا توضیح داده می‌شوند، نه چندان طبقه‌بندی دوتایی در مورد اینکه آیا یک محله یک سکونتگاه غیررسمی (یا زاغه) است، بلکه توصیف دقیق دشواری ایجاد دسترسی‌های محلی و هزینه‌های مربوطه، و همچنین ایجاد مکان‌های اساسی است. پیشنهادات مکانی دقیق برای رفع این کمبودها.

سپس، با جمع‌آوری تمام بلوک‌های خیابانی که به یک شهر یا منطقه اداری (شهرداری، ناحیه، کشور) تعلق دارند، می‌توانیم یک تحلیل فضایی از نیازها و دامنه راه‌حل‌های بالقوه در مقیاس‌ها ارائه کنیم. مقیاس‌های فضایی مختلف در عمل با اطلاعات محلی، آژانس سیاسی و بودجه زیرساختی کل مرتبط هستند، به طوری که یک تحلیل چند مقیاسی پتانسیل تغییرپذیری را دارد.

ما اکنون چند تصویر از این کار را با استفاده از داده‌های جمع‌سپاری شده از OSM ارائه می‌کنیم.

3.1. تجزیه و تحلیل پیچیدگی و سایر معیارهای سطح بلوک

با استخراج بلوک‌ها، تعریف قطعات زمین و ایجاد طرح‌های انسداد مجدد، می‌توانیم روابط تجربی بین شاخص پیچیدگی بلوک k را کشف کنیم.و سایر معیارها به ویژه، این تجزیه و تحلیل به ما اجازه می دهد تا ببینیم که هر تلاشی برای طبقه بندی دوتایی محله ها به عنوان زاغه یا غیر زاغه بیش از حد خام است که در عمل مفید باشد. در عوض، باید قدردانی کنیم که طیف وسیعی از عدم دسترسی و غیر رسمی وجود دارد. برای پایان او، ما بر دو منطقه شهری در غرب آفریقا، با مجموعه‌های کامل داده‌های OSM تمرکز کردیم: فری‌تاون، پایتخت سیرالئون، و مونرویا، پایتخت لیبریا. این دو شهر هدف تلاش‌های مختلف نقشه‌برداری جمع‌سپاری مرتبط با OSM بشردوستانه، به ویژه در طول شیوع ابولا در سال‌های 2014-2016 بوده‌اند.

شکل 8 ب و شکل 9 ب نشان می دهد که اکثر بلوک های خیابانی فاقد دسترسی در هر دو شهر نسبتا ساده بودند، که با مشخصه

5-6 و هر کدام با چند صد ساختمان. این نوع بلوک خیابان، بخش عمده ای از چالش های انسداد مجدد را از نظر مساحت زمین و جمعیت در هر دو شهر تشکیل می داد و در موارد دیگری که ما تحلیل کردیم. این شکل‌ها همچنین نشان می‌دهند که چگونه این دو شهر تا حدودی متفاوت بودند، با فری‌تاون تصویری چالش‌برانگیزتر از نظر توزیع پیچیدگی بلوک.

ما همچنین می بینیم که بیشتر ساخت و سازهای دسترسی اضافی – حداقل با پیروی از حداقل پیشنهادات مداخله ما – در این بلوک های خیابانی با پیچیدگی نسبتا کم مورد نیاز است. تعداد بلوک ها در این شرایط در هر شهر متعدد بود و در مجموع شامل ساخت چند صد کیلومتر دیگر دسترسی بود. با توجه به آگاهی از هزینه های محلی، می توان این نیازهای فیزیکی را به بودجه تبدیل کرد.

بلوک‌هایی با ساختمان‌های زیاد و پیچیدگی بالا – اغلب نمونه‌های اولیه مشکل‌سازترین محله‌های فقیرنشین شهری – در واقع در این دو شهر بسیار نادر بودند. تقریباً تمام بلوک‌های خیابانی با پیچیدگی بالا، تراکم ساختمانی مشابه یا کمتری نسبت به سایر بلوک‌های ساده‌تر داشتند.

برای بلوک‌های با پیچیدگی بسیار بالا (به عنوان مثال، شکل 9 د)، ماهیت مشکل دسترسی در واقع کاملاً متفاوت از سایر محله‌های فشرده شهری بود. اینها اغلب مناطق پراکنده و حومه شهری بودند که از نظر وسعت فضایی بزرگ بودند، به طوری که ممکن است از یک ساختار دسترسی بهره مند شده باشند که بلوک موجود را دو نیم کرده یا سه قسمت می کند، قبل از اینکه یک شبکه دسترسی دقیق برای هر ساختمان تلاش شود.

نکته مهم این است که برخی از بلوک‌ها با شاخص k بالا ممکن است عمداً دسترسی محدود به بسته‌های داخلی داشته باشند و اصلاً سکونتگاه‌های غیررسمی نبودند. شکل 8 بلوک شهر شامل ساختمان پارلمان و سایر نهادهای مدنی فری تاون را نشان می دهد. این نوع پردیس (مانند پایگاه‌های نظامی، بیمارستان‌ها، دانشگاه‌ها و غیره) برای محدود کردن دسترسی عمومی رایگان به بسته‌های داخلی طراحی شده بود و به وضوح یک محله فقیر نشین نبود. این نوع بلوک خیابانی غیرقابل دسترس را می توان به راحتی با اندازه، شکل و جهت ساختمان ها نسبت به الگوهای موجود در سکونتگاه های غیررسمی واقعی تشخیص داد.

3.2. تجزیه و تحلیل جهانی پیچیدگی بلوک

ما تجزیه و تحلیلی که در بالا به تفصیل شرح داده شد را برای اکثر کشورهای آفریقا، آسیا و آمریکای لاتین اعمال کرده ایم. نتایج تجزیه و تحلیل ما به صورت آنلاین در MillionNeighborhoods.org در دسترس است، جایی که کاربران می‌توانند محاسبات پیچیدگی سطح بلوک را بر اساس داده‌های OSM موجود در سراسر جنوب جهانی به همراه شبکه‌های خیابانی و ردپای ساختمان‌های زیربنای محاسبات مشاهده کنند. در نهایت، تمام کدهایی که برای تکرار تجزیه و تحلیل برای هر منبعی از ردپای ساختمان و شبکه‌های جاده‌ای استفاده می‌شوند، به‌عنوان یک بسته Python3 در مخزن کد منبع باز ما در دسترس است.

یک عکس فوری از سطح فعلی کامل بودن نقشه در شکل 10 نشان داده شده است . فایل های پیچیدگی سطح بلوک جغرافیایی برای دانلود عمومی رایگان در دسترس هستند. ما از این پلت فرم برای به اشتراک گذاشتن نتایج با مخاطبان مختلف، از جمله مقامات محلی، محققان و سازمان های غیردولتی استفاده می کنیم. تجزیه و تحلیل های خاص ناحیه شهری و منطقه مشابه آنچه در شکل 8 ب و شکل 9 ب است، می تواند برای سایر مناطق جغرافیایی تولید شود، اگرچه کیفیت داده ها در OSM هنوز به طور گسترده ای متفاوت است. به عنوان مثال، در حالی که استانداردهایی وجود دارد که برای آنها از برچسب ها استفاده می شود (که باعث انتخاب برچسب ها در جدول 1 می شود ) [ 40]، کاوش ما در داده‌ها نشان می‌دهد که در درجه‌ای که این استانداردها در سرتاسر پایگاه داده اعمال می‌شوند، ناهمگونی وجود دارد. تغییر ماهیت محیط ساخته شده همچنین نشان دهنده یک چالش کیفیت داده است: آیا ردپای ساختمان در OSM در یک زمان معین نمایانگر ساختمان های فیزیکی با توجه به ساخت و ساز و تخریب جدید است؟ ما استدلال می‌کنیم که با توجه به تراکم ردپای ساختمان در چنین بلوک‌هایی، محاسبه شاخص k برای بلوک‌های غیر ضروری به احتمال زیاد به دلیل عدم وجود برخی ساختمان‌ها قوی است (به عنوان مثال، شکل 6) .). در حالی که OSM بزرگترین منبع در دسترس عمومی داده های ردپای ساختمان را نشان می دهد، کامل بودن آن بر اساس منطقه بسیار متفاوت است و مناطق زاغه نشینی که در تجزیه و تحلیل خود مورد هدف قرار می دهیم می توانند به خصوص داده کمیاب باشند. با این حال، اندازه پایگاه داده ردپای ساختمان OSM به طور مداوم در حال گسترش است و مواردی که k -index به طور غیر واقعی با استانداردهای شرایط محلی به دلیل ردپای از دست رفته پایین است، به عنوان معیارهای کامل بودن داده ها ارزشمند هستند. کار ما به برجسته کردن مناطقی کمک می کند که تلاش های نقشه برداری جامعه ممکن است در آنها متمرکز شود.

یکی از راه‌های بالقوه برای رسیدگی به نویز داده‌های OSM، جمع کردن دانش محلی یا منابع جایگزین ردپای ساختمان یا شبکه‌های جاده‌ای است. در حالی که ما بر داده‌های OSM تکیه می‌کنیم، روش ما نسبت به منبع دقیق داده‌ها آگنوستیک است و می‌تواند به آسانی به داده‌های جدید منتقل شود. همانطور که تصاویر ماهواره‌ای با وضوح بالا و تکنیک‌های یادگیری عمیق برای استخراج هندسه از تصاویر همچنان در حال گسترش هستند، ردپای ساختمان‌ها و جاده‌ها با کیفیت بالا همچنان رایج‌تر می‌شوند. ما امیدواریم که در آینده نزدیک تحلیلی را که تاکنون ارائه کرده‌ایم با استفاده از روش‌های مشابه برای داده‌های مکان‌یابی ساختمان و جاده از دیگر منابع نقشه‌برداری مقایسه کنیم.

4. بحث

ما نشان داده‌ایم که چگونه داده‌های مکانی با وضوح بالا در شبکه‌های خیابانی و ردپای ساختمان‌ها را می‌توان با استفاده از روش‌های توپولوژیکی برای ایجاد تحلیل بلوک خیابانی از دسترسی فیزیکی در هر نقطه از جهان تجزیه و تحلیل کرد. ما از مجموعه داده بزرگی از داده‌های جمع‌سپاری شده از OSM استفاده کرده‌ایم تا نشان دهیم چگونه این روش‌ها به ما امکان می‌دهند کسری‌های زیرساختی را در شهرهای در حال توسعه جنوب جهانی مشخص کنیم و پیچیدگی، هزینه و مکان دقیق حداقل راه‌حل‌های ممکن را تخمین بزنیم.

به ویژه، ما انگیزه این کار را «چالش محله‌های فقیرنشین» [ 3 ] در شهرهای در حال توسعه سریع، به ویژه در آفریقا و آسیا ایجاد کردیم. ما از همان ابتدا تشخیص می دهیم که طبقه بندی یک محله به عنوان “زاغه” اغلب دارای ننگ است [ 41 ] و باینری نیست. با این وجود، یک مجموعه شرایط لازم اما کافی برای یک محله فقیر نشین بودن با کمبود دسترسی به خیابان های عمومی، خدمات اولیه، آدرس ها و در دسترس بودن خدمات اضطراری سروکار دارد. به همه این دلایل – در رزونانس با فرآیندهای مسدودسازی مجدد که توسط جوامع ساکن و مقامات محلی آغاز شده است [ 42 ، 43]—ما روش‌های تحلیلی و محاسباتی را توسعه دادیم که به خوبی با سطوح مختلف دشواری در دسترسی جهانی به یک سکونتگاه غیررسمی هماهنگ است و بنابراین به قرار دادن آن در مسیر توسعه رسمی با بقیه شهرها کمک می‌کند.

این روش‌ها به ما امکان می‌دهند کل شهرها و مناطق را بلوک به بلوک تجزیه و تحلیل کنیم، و آنچه را که اغلب به‌عنوان یک چالش غیرقابل حل به نظر می‌رسد به مجموعه‌ای از مشکلات محلی ساده‌تر و با تعریف بهتر تقسیم می‌کنیم، که بسیاری از آنها دارای ویژگی‌های مشترکی هستند که برای Freetown و Monrovia دیده‌ایم. در حالی که این رویکرد قرار نیست جایگزینی برای برنامه ریزی شهری سنتی باشد، اما به ساکنان، برنامه ریزان و سیاست گذاران بینش ها و پیشنهادات اولیه ای را ارائه می دهد که ارتقای تدریجی را ترویج می کند. بنابراین، این روش‌ها به بهترین وجه به عنوان بخشی از یک استراتژی سیستمی مورد استفاده قرار می‌گیرند که ضمن فراهم کردن سطح دسترسی یکنواخت و جهانی برای هر فردی در شهر، به دانش و تاریخ محلی نیز احترام گذاشته و کار می‌کند. این مواد در دراز مدت شهرهای بهتری را ایجاد می کنند که مقیاس انسانی و شخصیت تاریخی را حفظ می کنند.44 ، 45 ].

در چنین فرآیندهایی، نقشه برداری جمع سپاری اهمیت ویژه ای پیدا می کند و مجموعه جدیدی از اهداف و انگیزه ها را به دست می آورد. بسیاری از نقشه‌های موجود در OSM تنها در چند سال گذشته، از طریق ترکیبی از کارهای بشردوستانه در زمین و سراسر جهان با پشتیبانی از فناوری‌های جدید، مانند سنجش از دور با وضوح بالا، نرم‌افزار نقشه‌برداری با قابلیت GIS و غیره ایجاد شده‌اند. اخیراً یادگیری ماشینی [ 18]. در حالی که هر یک از این روش‌ها به ایجاد نقشه‌ها و اطلاعات مرتبط بهتر کمک می‌کنند، ما از چشم‌انداز حفظ بیشتر و بیشتر تجربه‌های زیست محلی، آرزوها و عاملیت در یک پلت فرم جهانی مشترک که می‌تواند دانش فضایی جدید، ارزش‌های مدنی را فعال کند هیجان‌زده هستیم. ، برنامه ریزی شهری مدرن و توسعه پایدار در هر نقطه از جهان.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

OSM	نقشه خیابان باز
LMIC	کشور کم درآمد و متوسط
SSA	جنوب صحرای آفریقا
GADM	پایگاه داده های مناطق اداری جهانی
EO	رصد زمین
OOA	تحلیل شی گرا
CNN	شبکه عصبی کانولوشنال
NGO	سازمان غیر دولتی
GIS	سیستم اطلاعات جغرافیایی

منابع

برنامه توسعه سازمان ملل متحد شاخص ها و شاخص های توسعه انسانی: به روز رسانی آماری 2018 ; UNDP: نیویورک، نیویورک، ایالات متحده آمریکا، 2018. [ Google Scholar ]
برنامه اسکان بشر سازمان ملل متحد (UN-Habitat). شاخص 11.1.1: نسبت جمعیت شهری ساکن در زاغه ها، سکونتگاه های غیررسمی یا مسکن نامناسب. در دسترس آنلاین: https://unstats.un.org/sdgs/metadata/files/Metadata-11-01-01.pdf (در 12 سپتامبر 2020 قابل دسترسی است).
UN-Habitat. چالش زاغه ها: گزارش جهانی در مورد سکونتگاه های انسانی 2003. Manag. محیط زیست کیفیت بین المللی J. 2004 ، 15 ، 337-338. [ Google Scholar ]
ساندرز، دی. شهر ورود: چگونه بزرگترین مهاجرت در تاریخ جهان ما را تغییر می دهد . وینتاژ: نیویورک، نیویورک، ایالات متحده آمریکا، 2011. [ Google Scholar ]
سازمان ملل. چشم انداز شهرنشینی جهان: بازبینی 2014 ; وزارت اقتصاد و امور اجتماعی سازمان ملل متحد، بخش جمعیت: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; جلد 41. [ Google Scholar ]
Satterthwaite، D. تاثیر توسعه شهری بر ریسک در شهرهای جنوب صحرای آفریقا با تمرکز بر مراکز شهری کوچک و متوسط. بین المللی J. کاهش خطر بلایا. 2017 ، 26 ، 16-23. [ Google Scholar ] [ CrossRef ]
دی بوک، اف. کاسیمن، ا. ون وولپوت، اس. معرفي شهر: انسان شناسي شهرهاي ثانويه در آفريقا . گروه معماری، دانشگاه پرتوریا: پرتوریا، آفریقای جنوبی، 2010; صص 33-41. [ Google Scholar ]
Andreasen، MH; آگرگارد، جی. کیونسی، RB; Namangaya، AH تحولات شهری، مهاجرت و الگوهای تحرک مسکونی در شهرهای ثانویه آفریقا. Geogr. Tidsskr.-Dan. جی. جئوگر. 2017 ، 117 ، 93-104. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پیترز، دی. پارنل، انقلاب شهری آفریقای جنوبی ؛ Zed Books Ltd.: لندن، بریتانیا، 2014. [ Google Scholar ]
ماندا، MZ جایی که دولت محلی وجود ندارد: رسیدگی به کاهش خطر بلایا در یک شهر کوچک در مالاوی. محیط زیست شهری. 2014 ، 26 ، 586-599. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فاروق، BR; Owusu، M. “اگر شک دارید، حساب کنید”: نقش شمارش های جامعه محور در مسدود کردن اخراج در قدیمی فاداما، آکرا. محیط زیست شهری. 2012 ، 24 ، 47-57. [ Google Scholar ] [ CrossRef ]
ماکائو، جی. دابسون، اس. سامیا، ای. شمارش پنج شهر: نقش شمارش مشارکتی در توسعه ظرفیت جامعه و مشارکت با دولت در اوگاندا. محیط زیست شهری. 2012 ، 24 ، 31-46. [ Google Scholar ] [ CrossRef ]
برلسفورد، سی. لوبو، جی. دست، ج. بتنکورت، LM ناهمگونی و مقیاس توسعه پایدار در شهرها. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2017 ، 114 ، 8963–8968. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برلسفورد، سی. مارتین، تی. دست، ج. بتنکورت، LM به سوی شهرهای بدون زاغه: توپولوژی و تکامل فضایی محله ها. علمی Adv. 2018 ، 4 ، ear4644. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کیت، او. Lüdeke, M. تشخیص خودکار تغییر منطقه فقیر نشین در حیدرآباد، هند با استفاده از تصاویر ماهواره ای چند زمانی. ISPRS J. Photogramm. Remote Sens. 2013 ، 83 ، 130-137. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کهلی، د. اسلیوزاس، آر. Stein، A. تشخیص زاغه شهری با استفاده از بافت و معیارهای فضایی به دست آمده از تصاویر ماهواره ای. جی. اسپات. علمی 2016 ، 61 ، 405-426. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تاوبنبوک، اچ. کراف، نیوجرسی؛ ورم، ام. مورفولوژی شهر ورود – یک طبقه بندی جهانی بر اساس بررسی های ادبیات و داده های سنجش از دور. Appl. Geogr. 2018 ، 92 ، 150-167. [ Google Scholar ] [ CrossRef ]
زو، XX; تویا، دی. مو، ال. Xia، GS; ژانگ، ال. خو، اف. Fraundorfer, F. یادگیری عمیق در سنجش از دور: بررسی جامع و فهرست منابع. IEEE Geosci. سنسور از راه دور Mag. 2017 ، 5 ، 8-36. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژان، ن. بورک، ام. زی، ام. دیویس، WM; لوبل، دی بی؛ ارمون، اس. ترکیب تصاویر ماهواره ای و یادگیری ماشینی برای پیش بینی فقر. Science 2016 ، 353 ، 790-794. در دسترس آنلاین: https://science.sciencemag.org/content/353/6301/790.full.pdf (در 12 سپتامبر 2020 قابل دسترسی است). [ CrossRef ] [ PubMed ][ نسخه سبز ]
سورج، پی کی; گوپتا، ا. شارما، م. پل، اس. Banerjee, S. در مورد نظارت بر توسعه با استفاده از تصاویر ماهواره ای با وضوح بالا. arXiv 2017 ، arXiv:abs/1712.02282. [ Google Scholar ]
آلبرت، آ. کائور، جی. گونزالس، ام سی با استفاده از شبکه های کانولوشن و تصاویر ماهواره ای برای شناسایی الگوها در محیط های شهری در مقیاس بزرگ. در مجموعه مقالات KDD’17، بیست و سومین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، هالیفاکس، NS، کانادا، 13 تا 17 اوت 2017. انجمن ماشین‌های محاسباتی: نیویورک، نیویورک، ایالات متحده آمریکا، 2017؛ صص 1357–1366. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مایا، اس. بابو، اس. زاغه نشینی و تشخیص تغییر: رویکرد یادگیری عمیق. arXiv 2018 , arXiv:1811.07896. [ Google Scholar ]
دمیر، من. کوپرسکی، ک. لیندنباوم، دی. پانگ، جی. هوانگ، جی. باسو، س. هیوز، اف. تویا، دی. Raska, R. Deepglobe 2018: چالشی برای تجزیه زمین از طریق تصاویر ماهواره ای. در مجموعه مقالات کنفرانس IEEE/CVF در مورد کارگاه های آموزشی بینایی کامپیوتری و تشخیص الگو (CVPRW)، سالت لیک سیتی، UT، ایالات متحده آمریکا، 18 تا 22 ژوئن 2018؛ صفحات 172-17209. [ Google Scholar ]
ورم، م. استارک، تی. زو، XX; ویگاند، ام. Taubenböck، H. بخش‌بندی معنایی زاغه‌ها در تصاویر ماهواره‌ای با استفاده از یادگیری انتقال در شبکه‌های عصبی کاملاً کانولوشن. ISPRS J. Photogramm. Remote Sens. 2019 ، 150 ، 59–69. [ Google Scholar ] [ CrossRef ]
Zeiler، MD; Fergus, R. تجسم و درک شبکه های کانولوشن. در Computer Vision-ECCV 2014 ; Fleet, D., Pajdla, T., Schiele, B., Tuytelaars, T., Eds.; انتشارات بین المللی Springer: چم، سوئیس، 2014; صص 818-833. [ Google Scholar ]
کوفر، م. پففر، ک. Sliuzas, R. Slums from Space-15 سال نقشه برداری زاغه با استفاده از سنجش از دور. Remote Sens. Rev. 2016 , 8 , 455. [ Google Scholar ] [ CrossRef ][ Green Version ]
کهلی، د. اسلیوزاس، آر. کرل، ن. استین، A. هستی شناسی زاغه ها برای طبقه بندی مبتنی بر تصویر. محاسبه کنید. محیط زیست سیستم شهری 2012 ، 36 ، 154-163. [ Google Scholar ] [ CrossRef ]
فیلهو، م. Sobreira, F. دقت الگوریتم‌های خلأ در طبقه‌بندی بافت تصاویر با وضوح فضایی بالا از مناطق شهری. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2008 ، 37 ، 417-422. [ Google Scholar ]
مهابیر، ر. کرویتورو، آ. آگوریس، پ. استفانیدیس، A. بررسی انتقادی رویکردهای سنجش از دور با وضوح بالا و بسیار بالا برای شناسایی و نقشه برداری زاغه ها: روندها، چالش ها و فرصت های در حال ظهور. علوم شهری Rev. 2018 , 2 , 8. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
هوفمن، پی. تشخیص سکونتگاه‌های غیررسمی از داده‌های تصویر IKONOS با استفاده از روش‌های تجزیه و تحلیل تصویر شی‌گرا – نمونه‌ای از کیپ تاون (آفریقای جنوبی). Remote Sens. Urban Areas 2001 ، 107-118. [ Google Scholar ]
برلسفورد، سی. مارتین، تی. Bettencourt، LM Optimal reblocking به عنوان یک ابزار عملی برای توسعه محله. محیط زیست طرح. ب مقعد شهری. علوم شهر 2019 ، 46 ، 303-321. [ Google Scholar ] [ CrossRef ]
OpenStreetMap—درباره. در دسترس آنلاین: https://www.openstreetmap.org/about (در 12 سپتامبر 2020 قابل دسترسی است).
بارینگتون-لی، سی. Millard-Ball، A. نقشه راه تولید شده توسط کاربر جهان بیش از 80٪ کامل شده است. PLoS ONE 2017 , 12 , e0180698. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Hare, J. OpenStreetMap: به ما کمک کنید #MapLesotho. در دسترس آنلاین: https://opensource.com/government/15/1/virtual-journey-through-maplesotho-shawn-day (در 12 سپتامبر 2020 قابل دسترسی است).
MapLesotho—Planning and OpenStreetMap Project. در دسترس آنلاین: https://www.maplesotho.com/about/ (در 12 سپتامبر 2020 قابل دسترسی است).
مارکس، بی. استوکر، تی. سوری، تی. اقتصاد زاغه ها در جهان در حال توسعه. جی. اکون. چشم انداز 2013 ، 27 ، 187-210. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مهابیر، ر. آگوریس، پ. استفانیدیس، ا. کرویتورو، آ. Crooks، AT شناسایی و نقشه برداری زاغه ها با استفاده از داده های باز: مطالعه موردی در کنیا. بین المللی جی دیجیت. زمین 2020 ، 13 ، 683-707. [ Google Scholar ] [ CrossRef ]
بسته — OpenStreetMap Wiki. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Parcel (در 12 سپتامبر 2020 قابل دسترسی است).
رابینز، جی. Zelikovsky، A. بهبود تقریب درخت اشتاینر در نمودارها. در مجموعه مقالات SODA’00، یازدهمین سمپوزیوم سالانه ACM-SIAM در مورد الگوریتم های گسسته، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 9-11 ژانویه 2000. انجمن ریاضیات صنعتی و کاربردی: سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 2000; صص 770-779. [ Google Scholar ]
بزرگراه ها – OpenStreetMap Wiki. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Highways (در 12 سپتامبر 2020 قابل دسترسی است).
آرابیندو، پ. سخنوری «زاغه»: بازاندیشی در مورد فقر شهری. شهر 2011 ، 15 ، 636-646. [ Google Scholar ] [ CrossRef ]
براون-لوتانگو، م. ریس، ای. Gubevu، M. ارتقاء و ایمنی سکونتگاه غیررسمی: تجربیات کیپ تاون، آفریقای جنوبی. جی. هاوس. محیط ساخته شده 2017 ، 32 ، 471-493. [ Google Scholar ] [ CrossRef ]
تشبالالا، تی. Mxobo، S. مسدود کردن مجدد به عنوان تلاشی برای پیکربندی مجدد و بهبود شرایط اجتماعی-اقتصادی در سکونتگاه های غیررسمی: مورد متشینی وام، کیپ تاون. در برنامه ریزی آفریقا 2014 ; ساخت مکان های عالی: دوربان، آفریقای جنوبی، 2014; پ. 240. [ Google Scholar ]
الکساندر، سی. راه بی زمان ساختمان . انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 1979. [ Google Scholar ]
Kostof, S. The City Shaped: Urban Patterns and Meanings Through History ; بولفینچ; چاپ مجدد؛ تیمز و هادسون: لندن، بریتانیا، 1993. [ Google Scholar ]

شکل 1. طرح موازی سازی داده های مکانی در خیابان ها و ردپای ساختمان. ( الف ) برای هر کشور، دقیق ترین مرزهای اداری از پایگاه داده مناطق اداری جهانی (GADM) به دست می آید. مرز کشور سیرالئون با رنگ سیاه نشان داده شده است، در حالی که مرزهای اداری به رنگ خاکستری هستند. واحد اداری حاوی سکونتگاه های غیررسمی شناخته شده در مرکز شهر فری تاون که با رنگ سبز و در داخل مشخص شده است. ( ب ) لایه شبکه های خیابانی ملی (چپ، خطوط آبی) و لایه ردپای ساختمان (راست، چندضلعی های خاکستری)، در منطقه اطراف فری تاون، استخراج شده از داده های GeoFabrik. فقط 20 درصد بالای جاده ها بر اساس طول LineString و 20 درصد بالای ساختمان ها بر اساس ناحیه چند ضلعی نشان داده شده است. (ج ) هر لایه در سطح کشور با مرزهای هر واحد اداری قطع می شود تا عصاره های سطح واحد شبکه های جاده ای (سمت چپ) و ردپای ساختمان (راست) به دست آید. استخراج بلوک و تجزیه و تحلیل توپولوژیکی که در زیر به تفصیل شرح داده شده است، سپس بر روی عصاره های سطح واحد به صورت موازی اجرا می شود.

شکل 2. استخراج بلوک شهری. ( الف ) مجموعه‌ای از خیابان‌ها برای یک واحد اداری، که در اصل به‌عنوان LineStrings منفرد (در رنگ‌های مختلف برای تمایز نشان داده شده است) قالب‌بندی شده‌اند، که شامل یک شبکه خیابانی منطقه‌ای است. ( ب ) اتحاد خیابان‌های منفرد (که منجر به یک شی MultiLineString می‌شود )، بافر با مقدار کمی برای ایجاد یک MultiPolygon (در اینجا با یک بافر اغراق‌آمیز نشان داده شده است). ( ج ) تفاوت بین مرز واحد اداری و هندسه شبکه راه، توصیف هندسی بلوک‌های خیابان را نشان می‌دهد. رنگ ها بین بلوک های خیابان مجاور متمایز می شوند. همه زیرشکل‌ها شبکه خیابان و بلوک‌های هندسی فری‌تاون، سیرالئون را نشان می‌دهند.

شکل 3. نتایج فرآیند تقریب کاداستر. هر محفظه سرمه‌ای روشن یک بلوک خیابانی از فری‌تاون است، با ردپای ساختمان که با رنگ خاکستری پوشانده شده‌اند، و مرزهای داخلی بسته‌ها با خطوط زرشکی نازک‌تر نشان داده شده‌اند. این مثال گویا به صورت برنامه‌ریزی شده با تجزیه ورونوی اصلاح‌شده تولید شد.

شکل 4. دوتایی ضعیف متوالی نمودارهای مسطح. از بسته‌های هر بلوک، می‌توانیم دوتایی ضعیف متوالی از یک نمودار مسطح بسازیم تا زمانی که ساختار حاصل یک شبکه بی‌اهمیت (یک درخت) را تشکیل دهد. تعداد عملیات دوگانه ضعیف مورد نیاز برای رسیدن به یک درخت، k-index برای بلوک نامیده می شود. دو بلوک با شاخص k یکسان، بدون توجه به شکل بلوک، سطح دسترسی به زیرساخت یکسانی برای ساختمان‌های محصور خود دارند. ( الف ) هنگامی که بسته ها برای یک بلوک تولید می شوند، چند ضلعی های بسته به عنوان وجه های یک نمودار مسطح استفاده می شوند.

). توجه داشته باشید که پاکت مرکزی، سایه تاریک تر، به شبکه جاده های اطراف دسترسی ندارد. ( ب )

در رنگ مشکی ( ج )

به رنگ بنفش ( د )

به رنگ قرمز، یک گراف 1 گره بی اهمیت، که k = 3 را نشان می دهد.

شکل 5. توالی نمودار دوگانه ضعیف برای بلوک‌های خیابان فری‌تاون ( a ) یک بلوک خیابانی در فری‌تاون با قطعه‌های داخلی سایه‌دار (سمت چپ)، و دنباله دوگانه ضعیف متناظر آن (راست؛ سیاه → ارغوانی → قرمز)، به طول 3 (k = 3 ) ). ( ب ) بلوک فری‌تاون پیچیده‌تر و در نتیجه کمتر در دسترس‌تر با چندین سطح از قطعات داخلی سایه‌دار (سمت چپ)، و دنباله دوگانه ضعیف متناظر آن (راست؛ سیاه → بنفش → قرمز → نارنجی → زرد → سفید) به طول 6 ( k = 6). با توجه به k -index بالاتر، این بلوک بیشتر “زاغه مانند” در نظر گرفته می شود.

شکل 6. ترکیب بلوک های خیابان بر اساس پیچیدگی. بلوک‌ها در کیبرا، زاغه‌ای در جنوب غربی نایروبی، کنیا، با توجه به پیچیدگی بلوک رنگ‌بندی شده‌اند. بلوک هایی با پیچیدگی نسبتا کم (

) به رنگ آبی هستند زیرا هر یک از ساختمان های محصور آنها (به رنگ خاکستری) دسترسی مستقیم به شبکه جاده های اطراف دارند. سایه‌های آبی به تدریج روشن‌تر نشان‌دهنده دسترسی بدتر است، در حالی که سایه‌های نارنجی و قرمز نشان‌دهنده دسترسی شدید آسیب دیده است (قرمز برای

). این تصویر با استفاده از داده‌های OpenStreetMap، ©Mapbox، ©OpenStreetMap، از پشتیبان Mapbox Studio صادر شده است. برای مشاهده نقشه کامل تعاملی، به MillionNeighborhoods.org مراجعه کنید .

شکل 7. بلوک مجدد مسدود شده در فری تاون، سیرالئون. با استفاده از ساختار نموداری تولید شده از قطعات کاداستری، می‌توانیم تعیین کنیم که چند قطعه در مجاورت مرز بلوک نیستند و شبکه کم‌هزینه بخش‌های خیابان اضافی (سفید) را محاسبه کنیم که هر ساختمان (خاکستری) را به خیابان موجود متصل می‌کند. شبکه (آبی). ما این مسئله را به عنوان یک مسئله تقریب درخت اشتاینر در نظر می گیریم و کوچکترین طول مجموعه لبه های قطعه را تخمین می زنیم که اگر به خیابان تبدیل شوند، هر ساختمان را به مرز متصل می کند و شاخص k بلوک را کاهش می دهد .

شکل 8. تجزیه و تحلیل ویژگی های بلوک برای فری تاون، سیرالئون ( الف ) هیستوگرام ساختمان ها بر اساس پیچیدگی بلوک. ( ب ) توزیع ساخت و ساز جاده جدید پیشنهادی بر اساس پیچیدگی بلوک. ( ج ) تخمین‌های چگالی هسته برای توزیع نسبت‌های مساحت بلوک ساختمان در هر مقدار k مشاهده‌شده (پیچیدگی در شکل نشان داده شده است). ( د ) نقشه پردیس اداری فری‌تاون حاوی پارلمان و سایر ساختمان‌های مدنی که در آن دسترسی محدود به خیابان بر اساس طراحی صورت می‌گیرد.

شکل 9. تجزیه و تحلیل ویژگی های بلوک برای مونروویا، لیبریا. ( الف ) هیستوگرام ساختمانها بر اساس پیچیدگی بلوک. ( ب ) توزیع ساخت و ساز جاده جدید پیشنهادی بر اساس پیچیدگی بلوک. ( ج ) تخمین‌های چگالی هسته برای توزیع نسبت‌های مساحت بلوک ساختمان در هر مقدار k مشاهده‌شده (در شکل «پیچیدگی» نشان داده شده است) ( د ) نمونه‌ای از یک بلوک با k بالا که مورفولوژی آن نشان می‌دهد که دوبخشی قبل از انسداد مجدد به عنوان یک روش مناسب انجام شده است. ارتقا دهید.

شکل 10. عکس فوری از وب سایت پروژه MillionNeighborhoods.org، که تجزیه و تحلیل سطح بلوک خیابان را برای اکثر کشورهای جنوب جهانی نشان می دهد. کشورهای با هر چند ضلعی رنگی در داخل مرزهای خود تجزیه و تحلیل شده است. در این سطح بزرگنمایی، تنها بزرگترین چند ضلعی ها جمع و نشان داده می شوند. این تصویر با استفاده از داده‌های OpenStreetMap، ©Mapbox، ©OpenStreetMap، از پشتیبان Mapbox Studio صادر شده است. برای مشاهده نقشه کامل تعاملی، به MillionNeighborhoods.org مراجعه کنید .

مقالات داخلی و بین المللی