سبز شهری:نقطه سبز در یک منطقه شهری

شاخص دسترسی سبز شهری: معیاری از دسترسی محوری عابر پیاده به هر نقطه سبز در یک منطقه شهری

خلاصه

پیشرفت‌ها در تکنیک‌های سنجش از دور و ابزارهای تحلیل داده‌های شهری، نظارت و تشخیص موفقیت‌آمیز فضاهای سبز را در یک شهر ممکن ساخته است. این مطالعه با هدف توسعه شاخصی به نام شاخص دسترسی سبز شهری (UGA) است که میزان دسترسی افراد به فضای سبز را اندازه گیری می کند و نشان دهنده ویژگی های سطح شهر یا محلی الگوی توزیع فضای سبز است. این شاخص به عنوان مجموع دسترسی عابران پیاده به تمام نقاط پوشش گیاهی تعریف می‌شود که شامل شاخص طبیعی تفاوت گیاهی (NDVI) با مقادیر ادغام و انتخاب از تجزیه و تحلیل بخش زاویه‌ای است.

در این مطالعه، شاخص پیشنهادی با مواردی از نیویورک، نیویورک، و سانفرانسیسکو، کالیفرنیا، در ایالات متحده آزمایش شده است. نتایج بر اساس اهمیت خیابان ها تفاوت هایی را نشان می دهد. وقتی محدوده های تحلیل در مقیاس همسایگی هستند، چند نقطه داغ در مناطق سرسبز شناخته شده در خیابان های معمولی در دسترس و در پارک های محله محلی در بلوک های مسکونی ظاهر می شوند. ظهور نقاط با دسترسی بالا در مناطق کم NDVI نشان دهنده پتانسیل توزیع کارآمد و مناسب فضاهای سبز برای عابران پیاده است. انتظار می رود که اقدام پیشنهادی به برنامه ریزی و مدیریت مناطق سبز در شهرها، در نظر گرفتن دسترسی مردم و روابط فضایی کمک کند.

کلید واژه ها:

فضای سبز ؛ مدیریت شهری ; تجزیه و تحلیل شبکه ; تصویر هوایی ; عابر پیاده

1. معرفی

فضای سبز یکی از ضروری ترین عناصر مرتبط با جنبه های زیست محیطی و اجتماعی-اقتصادی یک شهر مانند طبقه اجتماعی یا توسعه شهری است. دی ریدر و همکاران [ 1 ] نقش فضای سبز را در بهبود محیط شهری در شهرهای اروپایی تایید کرد. تأثیر مثبت فضای سبز بر استحکام پیوند اجتماعی [ 2 ] و سلامت عمومی [ 3 ، 4 ] نیز در مطالعات قبلی تأیید شده است. اگرچه پیچیدگی رابطه طبیعت-سلامت، ایجاد علیت را به یک کار دشوار تبدیل می کند [ 5 ]، بررسی تحقیقات موجود نشان داده است که محیط طبیعی می تواند سلامت جمعیت را از نظر کیفیت هوا، فعالیت بدنی، انسجام اجتماعی و کاهش استرس ارتقا دهد.6 ]. تریگورو ماس و همکاران [ 7 ] روابط و مکانیک بین محیط‌های طبیعی در فضای باز و سلامت را با استفاده از داده‌های مصاحبه در کاتالونیا، اسپانیا ارزیابی کرد و به این نتیجه رسید که فضاهای سبز ارتباط مثبتی با سلامت عمومی و روان دارند. در پاسخ به اهمیت فضای سبز در مناظر شهری، اندازه گیری میزان دسترسی به فضای سبز شهری موضوع اصلی پژوهشگران شهری بوده است [ 8 و 9 ]. به عنوان مثال، شکاف دسترسی بین گروه‌های اجتماعی مختلف در بریتانیا [ 10 ] و توزیع نامتعادل فضاهای سبز شهری در آفریقا [ 11 ]] در تحقیقات قبلی شناسایی شدند. پیاده‌روی همچنین مفهومی حیاتی در تعیین اینکه چقدر فضای سبز شهری مناسب برای عابر پیاده و در دسترس است، در رابطه با بهبود سلامت عمومی و برابری در عرضه پارک بوده است [ 12 ، 13 ].

با این حال، مطالعات قبلی که دسترسی به فضای سبز شهری را اندازه‌گیری کرده بودند، دو محدودیت مشترک دارند. اول، مطالعات دسترسی تا کنون عمدتا بر اساس فاصله بین نقاط جمعیت و منطقه سبز انجام شده است [ 14 ، 15 ، 16 ]. اندازه گیری وابسته به فاصله در توضیح عوامل مختلفی که بر دسترسی مردم به مناطق سبز تأثیر می گذارد، کافی نیست. دوم، اگرچه عناصر سبز شهری به اشکال مختلف وجود دارند (به عنوان مثال، تاج درخت، بوته، چمن)، فضای سبز از نوع چند ضلعی، در درجه اول پارک ها، تنها به دلایل مربوط به سهولت جمع آوری داده ها در تجزیه و تحلیل گنجانده شده است [ 17 ، 18 ]. ، 19]. با توجه به چنین محدودیت هایی، معمولاً افزایش فضای سبز به عنوان یکی از مستقیم ترین راهبردها برای بهبود تأمین فضای سبز در شهرها پیشنهاد شده است. علاوه بر این، دامنه محدود تحلیل، ماهیت پیچیده رابطه بین مردم و فضای سبز، به ویژه در موقعیت‌های دسترسی را نادیده گرفته است.

در همین حال، روند اخیر ارائه داده‌های منبع باز، امکان استفاده گسترده از تصاویر هوایی با وضوح بالا و داده‌های فضایی مختلف را برای نظارت و ارزیابی محیط شهری باز کرده است. عکس‌برداری دیجیتالی در تحلیل توزیع تاج درخت شهری [ 20 ، 21 ، 22 ] موثر است و تصاویر نمای خیابان به منبعی امیدوارکننده و همچنین کارآمد برای ارزیابی محیط در سطح خیابان در سطح چشم تبدیل شده است [ 23 ، 24]. علاوه بر این، پیشرفت‌ها در فناوری سیستم‌های اطلاعات جغرافیایی (GIS) ادغام منابع مختلف اطلاعات مکانی را برای ارزیابی دسترسی در ارتباط با الگوهای رفتاری مردم یا جنبه‌های فیزیکی یا اجتماعی-اقتصادی شهر ممکن کرده است [ 25 ]. به طور خاص، نظریه نحو فضا، که پیکربندی فضای شهری را به عنوان شبکه ای از بخش های خیابان و ارتباطات آنها تفسیر می کند [ 26 ، 27 ، 28 ، 29 ]، به طور گسترده ای در زمینه های معماری و مطالعات شهری پذیرفته می شود. معیارهای نحوی فضایی که از تجزیه و تحلیل شبکه نقشه‌های بخش خیابان یا نقشه‌های محوری حاصل می‌شوند برای توضیح و پیش‌بینی حرکات عابران پیاده در شهرها استفاده می‌شوند [ 30 ,31 ، 32 ، 33 ].

از این نظر، نیاز فزاینده ای به مطالعات در مورد چگونگی استفاده از چنین روش های تحقیقاتی پیشرفته ای در بافت شهری برای ارزیابی موثر میزان و توزیع فضای سبز شهری از طریق ارتباط آن با ساختار فضایی شهرها وجود دارد. تحلیل شبکه یکی از قدرتمندترین ابزارها برای ارزیابی دسترسی به فضای سبز بوده است. چن و چانگ [ 34 ] شبکه ای از ایستگاه های اتوبوس را در هنگ کنگ ساختند و یک استراتژی بهینه سازی را پیشنهاد کردند که می تواند به دستیابی به عدالت در دسترسی به فضای سبز کمک کند. یه و همکاران [ 35] شاخص نمای سبز را از تصاویر Google Street View محاسبه کرد و آن را با یک اندازه گیری نحوی فضا به عنوان اندازه گیری در مقیاس انسانی از فضای سبز خیابان ترکیب کرد تا با مقایسه نتیجه با رویکرد اندازه گیری از بالا به پایین، از تصمیمات برنامه ریزی شهری پشتیبانی کند.

با تکیه بر مطالعات قبلی، هدف ما توسعه یک مدل تحلیلی از دسترسی مردم به فضای سبز در زندگی روزمره با استفاده از شاخص‌های مختلف است که تأثیر سبزی و ویژگی‌های شبکه خیابانی را توضیح می‌دهد. رویکرد متمایز در این مطالعه، ادغام متغیرهای متعدد در نقاط سبز منفرد است که در منظر شهری ظاهر می‌شوند، به طوری که همه اشکال فضای سبز را بتوان به طور جامع در تحلیل پوشش داد. برای دستیابی به هدف پژوهش، این تحقیق با دو بخش توسعه شاخص دسترسی سبز شهری (UGA) و بکارگیری شاخص دسترسی سبز شهری (UGA) در منطقه مورد مطالعه طراحی شد. به طور مشخص، شاخص تفاوت نرمال شده پوشش گیاهی (NDVI) و معیارهای نحو فضا به ترتیب از طریق تجزیه و تحلیل شطرنجی تصاویر هوایی و تجزیه و تحلیل بخش زاویه ای شبکه خیابان به دست آمد و در مدل گنجانده شد. سپس، با اعمال مدل توسعه‌یافته در موارد نیویورک و سانفرانسیسکو، نشان می‌دهیم که در نظر گرفتن عوامل سبز و شبکه خیابانی در اندازه‌گیری دسترسی، جنبه‌های کیفی دسترسی به فضاهای سبز شهری را که با توزیع کمی این فضاها موافق نیستند، بهتر برجسته می‌کند. در شهر. تحقیقات ما کمک های زیادی به ادبیات موجود می کند.

2. توسعه مدل شاخص دسترسی سبز شهری (UGA).

در ادامه مراحل تحقیق هر یک از دو بخش، اولین گام توسعه شاخص دسترسی سبز شهری (UGA) بود. دسترسی، در ابتدایی ترین شکل خود، به عنوان نزدیکی نسبی دو نقطه [ 36 ] درک می شود و می تواند با استفاده از معادله زیر فرموله شود:

دسترسی من ج = f (w من ، د من ج)

(1)

جایی که $w_{i}$ وزن نقطه است $i$ ، و $d_{i j}$ فاصله بین نقاط است $i$ و $j$ . این تعریف به همبستگی مثبت متغیر وزن و همبستگی منفی متغیر فاصله با دسترسی دلالت دارد. به طور کلی، متغیر وزن، اهمیت یک عامل خاص را که بر اساس هدف مطالعه انتخاب می شود، توصیف می کند. به عبارت دیگر، دسترسی به یک نقطه خاص با مقدار فاکتور وزن افزایش می یابد، در حالی که با دورتر شدن کاهش می یابد. بنابراین، برای توسعه شاخص دسترسی سبز شهری (UGA)، این مطالعه با تعریف متغیرهایی آغاز شد که عوامل وزن و فاصله را در موقعیت‌های دسترسی واقعی به مناطق سبز در یک محیط شهری نشان می‌دهند. درمجموع، سه متغیر که بر روی دسترسی تاثیر می گذارند، در مدل ریاضی گنجانده شدند: سبز بودن نقاط سبز منفرد، فاصله تا نزدیکترین بخش خیابان، و اهمیت توپولوژیکی نزدیکترین بخش خیابان. مفهوم اساسی که وضعیت دسترسی مفروض به نقاط سبز در شهرها را توضیح می دهد به صورت بصری در آن نشان داده شده استشکل 1 . در اینجا، اگرچه روش‌های حمل‌ونقل مختلفی در شهرها وجود دارد، اما این مدل موقعیت‌های دسترسی عابران پیاده را در نظر گرفت و بر آن تمرکز کرد تا میزان دسترسی به فضاهای سبز را که مردم به طور طبیعی در محیط روزانه خود تجربه می‌کنند، اندازه‌گیری کند. مردم به سادگی می توانند به نقطه سبز نزدیک شوند $i$ از طریق یک بخش خیابان که در مجاورت آن قرار دارد و در نزدیکترین فاصله قرار دارد – هر کدام از خیابان ها را طی کنید $P$ یا خیابان $Q$ در مورد شکل 1 . برای هر بخش که شبکه خیابان را تشکیل می دهد، یک مقدار توپولوژیکی بالاتر نشان دهنده جریان ترافیک بالاتر است، که امکان رسیدن افراد به نقطه هدف را افزایش می دهد. $i$ . علاوه بر این، قابل قبول است که شدت سرسبزی می تواند دسترسی را به شیوه ای غیر فیزیکی تحت تأثیر قرار دهد، به ویژه از نظر درک مردم از میزان نزدیکی آنها به مناطق سبز. در نتیجه، ما یک شاخص دسترسی سبز شهری (UGA) پیشنهاد کردیم که این روابط را به شرح زیر در بر می گیرد:

UGA من = تی پ \times جی من دی من

(2)

توجه داشته باشید که فاکتور فاصله در یک رابطه معکوس ساده با دسترسی است. اگرچه توان پارامتر فاصله معمولاً روی 2 در وزن معکوس فاصله (IDW) تنظیم می شود تا فروپاشی فاصله بین هر دو نقطه در یک فضای دو بعدی را توضیح دهد [ 37 ، 38 ]، ما مفهوم دسترسی هندسی پیشنهاد شده توسط جیانگ و همکاران را اتخاذ می کنیم. al. [ 36 ] به عنوان دسترسی از طریق بخش های خطی شبکه راه در این مطالعه فرض شده است.

اطلاعات دقیق در مورد روش‌های جمع‌آوری و پردازش داده‌ها برای هر متغیر مدل در زیر و جدول 1 بیشتر توضیح داده شده است.

2.1. شاخص سبزی گرین پوینت $i$ : $G_{i}$

برای ارزیابی دسترس‌پذیری در بخش‌های بعدی این مطالعه، از شاخص تفاوت نرمال شده گیاهی (NDVI) برای متغیر سبزی استفاده شد تا اهمیت و نقش خود منطقه سبز به عنوان یک استاندارد اندازه‌گیری برجسته شود. این شاخص به عنوان نسبت مجموع و اختلاف بین بازتاب طیفی تابش مادون قرمز نزدیک و نور قرمز مرئی محاسبه می شود که می تواند از تصاویر هوایی چند باند استخراج شود [ 39 ]]. در طول فتوسنتز، کلروفیل موجود در برگ گیاهان سبز نور مرئی را جذب می کند، در حالی که ساختار سلولی اشعه های مادون قرمز نزدیک را منعکس می کند. به همین دلیل، تنظیمات در تنظیمات باند تصاویر هوایی نتایج متفاوتی را برای قسمت هایی با عناصر سبز و غیرسبز (مثلاً برف، ابر، جاده و غیره) ارائه می دهد: پیکسلی که حاوی عنصر سبز است یا در زیر تابش نور مرئی تیره به نظر می رسد. به دلیل جذب، یا درخشندگی در زیر تابش مادون قرمز نزدیک، به دلیل انعکاس، و برعکس برای پیکسل هایی با عناصر غیر سبز. از آنجایی که NDVI بر اساس ویژگی‌های بیولوژیکی گیاهان سبز تعریف می‌شود، به طور گسترده در مطالعات مختلف که عمدتاً پوشش گیاهی و شرایط محیطی را از طریق تکنیک‌های سنجش از دور پایش می‌کردند، استفاده شده است [ 40 ، 41 ، 42 ].، 43 ]. در این مطالعه، مقدار NDVI برای هر پیکسل در تصاویر شطرنجی منطقه مورد مطالعه از طریق نرم‌افزار QGIS اندازه‌گیری شد و آن‌هایی که مقادیر NDVI در محدوده 0.3 تا 0.8 داشتند به عنوان نقاط سبز انتخاب شدند [ 44 ].

2.2. اهمیت توپولوژیکی خیابان $P$ : $T_{P}$

متغیر توپولوژی به عنوان نشان دهنده اهمیتی است که هر بخش خیابان در شبکه خیابان شهری دارد. در این مطالعه، از شاخص انتخاب و یکپارچگی برگرفته از نظریه نحو فضا استفاده شد. نحو فضا مجموعه ای از نظریه ها و تکنیک هایی است که پیکربندی فضای شهری را برای تحلیل دسترسی نسبی و سلسله مراتب بخش های جاده بر اساس روابط توپولوژیکی متقابل در کل شبکه راه اندازه گیری می کند [ 26 ، 28 ]. انتخاب برای درک جریان یا حرکت اطلاعات بین فضاها مفید است و با تعداد کل کوتاه ترین مسیرهایی که هر دو بخش را در منطقه ای که از قطعه هدف می گذرد به هم متصل می کند، محاسبه می شود [ 45 ].]. یکپارچه سازی مقداری است که عمق فضایی را از یک فضا به فضا دیگر نشان می دهد و با مجموع متقابل کوتاه ترین فاصله بین هر بخش جاده و تمام بخش های جاده باقی مانده محاسبه می شود. تجزیه و تحلیل قطعه زاویه ای در نرم افزار depthmapX [ 46 ] برای به دست آوردن مقادیر برای

T_{P}

متغیری که توپولوژی بخش های خیابان را در شبکه جاده ها نشان می دهد [ 31 ، 47 ]. محدوده تجزیه و تحلیل در اندازه گیری دو شاخص برای مقایسه تفاوت در دسترسی بین سطح شهر و محدوده تجزیه و تحلیل بر روی n (جهانی)، 400 متر (1/4 مایل)، 800 متر (1/2 مایل) و 1600 متر (1 مایل) تنظیم شد. محدوده مسافت پیاده روی

2.3. کوتاه ترین فاصله بین خیابان $P$ و گرین پوینت $i$ : $D_{i}$

برای دستیابی به نقطه سبز

i

، ما فرض کردیم که دسترسی از طریق شبکه جاده ای تشکیل شده در شهر انجام می شود و کمترین فاصله را به نزدیکترین بخش خیابان اعمال می کنیم.

P

برای بیان همبستگی بین نقطه

i

و بخش

P

. کوتاه ترین متغیر فاصله

D_{i}

با یافتن نقاط اتصال عمودی از نقطه سبز به دست آمد

i

به بخش خیابان

P

با استفاده از ابزار تحلیل برداری در نرم افزار QGIS.

3. اجرای شاخص دسترسی سبز شهری (UGA).

برای مرحله دوم، استفاده از شاخص دسترسی سبز شهری (UGA)، نیویورک، نیویورک، و سانفرانسیسکو، کالیفرنیا، هر دو در ایالات متحده، به دلیل سهولت جمع‌آوری عکس‌های هوایی چند باند و خط مرکزی جاده، به عنوان سایت موردی انتخاب شدند. داده های شهر که برای تجزیه و تحلیل از طریق پلتفرم های آنلاین منبع باز مورد نیاز است. برای به دست آوردن تصاویر هوایی از هر دو سایت، ما از پلت فرم EarthExplorer استفاده کردیم که به منظور انتشار داده های تصویر هوایی توسط سازمان زمین شناسی ایالات متحده (USGS) در حال کار است. از آنجایی که پلتفرم گزینه جستجو را در سطح شهرستان فراهم می کند، هشت تصویر که منطقه نیویورک و شهرستان سانفرانسیسکو را پوشش می دهند، به ترتیب در 22 می 2015 و 25 ژوئن 2016، در قالب GeoTIFF جمع آوری شدند. هر تصویر به صورت 3.75 درجه عرض جغرافیایی توسط 3 ارائه شد. کاشی های تصویر چهار باند طول جغرافیایی 75 درجه با وضوح 1 متر فاصله نمونه زمین توسط برنامه ملی تصویربرداری کشاورزی (NAIP). تصاویر چهار باندی حاوی نوارهای قرمز، سبز، آبی و نزدیک به مادون قرمز با مقادیر بین 0 تا 255 هستند که نشان دهنده روشنایی هر باند طیفی است. تنظیمات نوار تصاویر هوایی در نرم افزار QGIS برای اندازه گیری مقادیر NDVI برای هر پیکسل از داده های شطرنجی تغییر یافت. در مجموع، 110،439،603 پیکسل در شهرستان نیویورک (و منطقه اطراف آن) و 42،230،594 پیکسل در شهرستان سانفرانسیسکو، دارای مقادیر NDVI در محدوده 0.3 تا 0.8 بودند و به عنوان نقاط سبز از تمام پیکسل ها در تصاویر هوایی استخراج شدند. در نهایت، این داده های شطرنجی به یک لایه برداری نقطه ای برای ادغام داده های مورد نیاز در مراحل زیر تبدیل شدند. کل فرآیند تحلیل NDVI برای سانفرانسیسکو در نشان داده شده استشکل 2 الف.

برای ساخت شبکه جاده‌ای هر شهر، داده‌های خط مرکزی جاده از پلت‌فرم‌های منبع باز مختلف جمع‌آوری شد. خط مرکزی خیابان NYC (CSCL) در 26 ژوئن 2015 از NYC Open Data (opendata.cityofnewyork.us) به عنوان نمایشی از شهر نیویورک بارگیری شد. در مورد سانفرانسیسکو، ویژگی‌های جاده ژوئن 2016 از فایل‌های TIGER/Line Shapefiles 2016 جمع‌آوری‌شده از اداره سرشماری ایالات متحده ( www.census.gov ) استخراج شد. در مجموع 36919 بخش خیابان و 34961 بخش خیابان به ترتیب در شهرستان نیویورک و سانفرانسیسکو در نرم افزار depthmapX برای محاسبه سلسله مراتب توپولوژیکی شبکه خیابان پردازش شد. معیارهای انتخاب و ادغام در شعاع های متریک مختلف در داخل مرزهای شهر از طریق تجزیه و تحلیل بخش زاویه ای محاسبه شد. شکل 2b یک تصویر نمونه از نتیجه تجزیه و تحلیل بخش زاویه ای در سانفرانسیسکو را نشان می دهد. سپس نتایج محاسباتی برای مقادیر توپولوژیکی خیابان ها در نرم افزار QGIS بارگذاری شد. با یافتن نزدیکترین بخش جاده از هر پیکسل که به عنوان فضای سبز شناسایی می شود، ما توانستیم مجموعه داده ادغامی از نقاط سبز حاوی اطلاعات NDVI را بسازیم.

G_{i}

، فاصله تا نزدیکترین بخش جاده (

D_{i}

) و مقادیر توپولوژیکی نزدیکترین بخش جاده (

T_{P}

). با ادغام این مقادیر در یک مدل دسترسی سبز شهری (UGA)، ما قصد داریم دسترسی عابران پیاده به نقاط پوشش گیاهی یک شهر را ارزیابی کنیم.

4. ویژگی های دسترسی سبز شهری در سانفرانسیسکو

هدف از این مطالعه ارزیابی دسترسی عابران پیاده به نقاط پوشش گیاهی در یک محیط شهری واقعی با مقایسه نتایج کاربرد شاخص دسترسی سبز شهری با الگوی توزیع کمی فضاهای سبز در شهرستان نیویورک و سانفرانسیسکو است. به طور خاص، شاخص دسترسی سبز شهری پیشنهاد شده در این مطالعه شامل متغیری است که حاکی از اهمیت توپولوژیکی یک بخش خیابان برای اندازه‌گیری کامل دسترسی عابران پیاده در محدوده‌های مختلف از کل شهر تا فاصله پیاده‌روی است. نتایج آزمون برای هر دو مورد در یک نقشه حرارتی با دستکاری سبک‌های لایه در نرم‌افزار QGIS به تصویر کشیده می‌شود تا الگوی بالا و پایین‌های نسبی را به راحتی ثبت کند. مقادیر محاسبه شده UGA از کم به زیاد (آبی تا سبز) رنگی شدند. در حالی که کمترین مقادیر به طور عمدی به عنوان شفاف تعیین شد تا به طور موثر شبکه جاده زیربنایی را نشان دهد. نقشه‌های حرارتی توزیع UGA زمانی که شاخص‌های انتخاب و ادغام به‌عنوان استفاده می‌شوند

T_{P}

متغیر به ترتیب در شکل 3 و شکل 4 نشان داده شده است. هر شکل شامل نتایج تجزیه و تحلیل انجام شده در چهار شعاع متریک مختلف – n (جهانی)، 400 متر (1/4 مایل)، 800 متر (1/2 مایل) و 1600 متر (1 مایل) – برای مقایسه تفاوت‌ها در دسترسی نقاط سبز با توجه به محدوده فاصله دسترسی.

مقدار انتخاب تعداد کوتاه‌ترین مسیرهای درون شبکه را که از هر بخش خیابان می‌گذرد اندازه‌گیری می‌کند، بنابراین نتایج بالایی را برای جاده‌های اصلی که به شبکه راه‌ها نفوذ می‌کنند نشان می‌دهد. نتایج برای توزیع مقادیر دسترسی سبز شهری هنگام اعمال شاخص انتخاب در شکل 3 نشان داده شده است. به ناچار در شکل 3a، سنترال پارک، بزرگترین و نمادین ترین پارک شهری در منهتن، بدون در نظر گرفتن مقیاس تجزیه و تحلیل، UGA بالایی را ارائه می دهد. با جزئیات بیشتر، دسترسی در مقیاس محلی بیشتر از مقیاس جهانی است، به این معنی که خیابان‌ها و خیابان‌های سازمان‌یافته منهتن جریان عابر پیاده بهتری را نسبت به ترافیک وسایل نقلیه به پارک مرکزی ایجاد می‌کنند. سایر نقاط مرتفع UGA در مناطق سرسبز برونکس (شمال شرقی منهتن)، مانند پارک ون کورتلند، باغ گیاه شناسی نیویورک و باغ وحش برانکس شناسایی شده اند. جالب توجه است که ظاهر گسترده پارک های محلی کوچکتر در نتایج تحلیل های 400 متر، 800 متر و 1600 متر است. به خصوص، پارک‌های کنار رودخانه در بروکلین که «پایین زیر پل منهتن پل روگذر (DUMBO)» هستند، نشان می‌دهند که مکان دیدنی محبوب برای خط افق منهتن در فواصل پیاده‌روی قابل دسترس‌تر می‌شود. در شکل 3ب، هنگامی که مقیاس تجزیه و تحلیل کل شهر (n) را شامل می شود، پارک گلدن گیت، که بزرگترین پارک در سانفرانسیسکو است، و چندین پارک جیبی در ارتفاعات اقیانوس آرام، یک محله مسکونی گران قیمت در ناحیه شمالی- مرکزی شهر، هستند. نشان داد که نتایج دسترسی بالایی دارد. این عمدتا به این دلیل است که فضاهای سبز در این مکان ها در مجاورت خیابان های طولانی که از شهر می گذرند، مانند خیابان Fulton و US Route 101 به ترتیب در نزدیکی پارک گلدن گیت و ارتفاعات پاسیفیک قرار گرفته اند. در مقابل، زمانی که شبکه جاده‌ای که برای اندازه‌گیری استفاده می‌شود به مسافت‌های پیاده‌روی کاهش می‌یابد، نتایج دسترسی توزیع‌های متفاوتی را نشان می‌دهد. به نظر می رسد فضاهای سبز در ناحیه مرکزی و گوشه شمال شرقی شهر نتایج دسترسی بالایی دارند. نتیجه جالب دیگر در پارک دریاچه مرسده واقع در گوشه جنوب غربی سانفرانسیسکو مشاهده شده است. علیرغم اینکه پارکی به مساحت 614 هکتار برای اهداف متعدد محبوب است و از طریق تجزیه و تحلیل NDVI بسیار قابل مشاهده است، پارک دریاچه مرسده درشکل 3 . از آنجایی که مقدار انتخاب تعداد کوتاه ترین مسیرهایی را که از هر بخش می گذرد محاسبه می کند، پارک دریاچه مرسدس به دلیل قرار گرفتن در حاشیه شبکه جاده ای ساخته شده سانفرانسیسکو دست کم گرفته شده است.

از آنجایی که مقدار ادغام عمق کل (یا فاصله) از هر بخش تا تمام بخش‌های دیگر در شبکه جاده را اندازه‌گیری می‌کند، مناطق داخلی که نسبتاً به عنوان «کم عمق» تفسیر می‌شوند معمولاً نتایج بالایی نشان می‌دهند. توزیع دسترسی سبز شهری زمانی که شاخص ادغام برای محاسبه اعمال شد در شکل 4 نشان داده شده است . در شکل 4 الف، نتایج تحلیل‌های مقیاس جهانی و محلی هیچ تمایز واضحی را نشان نمی‌دهند، زیرا ساختار جاده‌ای شبکه‌ای نیویورک، عمق نسبی بخش‌های خیابان را در هر دو مقیاس مشابه نشان می‌دهد. برعکس، در شکل 4ب، پارک گلدن گیت، که با مقادیر دسترسی بالا در مقیاس جهانی ظاهر شد، یا اندکی در تجسم اندازه‌گیری‌های مقیاس محلی گنجانده شده است. این نشان می‌دهد که پارک‌هایی که مناطق بزرگ‌تری را اشغال می‌کنند، دسترسی مردم را از هر گوشه‌ای از شهر افزایش می‌دهند، در حالی که پارک‌های محله‌ای کمتر شناخته شده می‌توانند برای مردم در فاصله‌ای پیاده‌روی جذاب‌تر باشند. به طور مشابه، پارک دریاچه مرسده در موارد جهانی و 400 متری ظاهر می شود و در دو مورد دیگر ناپدید می شود. تضاد بین نتیجه با ادغام جهانی و نتایج با مقادیر ادغام محلی مشکل در دسترسی عابران پیاده به پارک های بزرگ را توضیح می دهد. جالب توجه است که ظاهر جزئی در پارک گلدن گیت و پارک دریاچه مرسدس در مورد 400 متر در مقایسه با دو تحلیل دیگر در مقیاس محلی است.

تضاد بین توزیع UGA و تفسیر کمی فضاهای سبز با نتیجه NDVI در بخش بعدی بیشتر مورد بحث قرار خواهد گرفت.

5. بحث: تحلیل و تأثیر دسترسی سبز شهری

این مطالعه با موفقیت یک مدل دسترسی سبز شهری (UGA) را توسعه می‌دهد و اثربخشی آن را در اندازه‌گیری دسترسی به فضاهای سبز از طریق موارد نیویورک، نیویورک و سانفرانسیسکو، کالیفرنیا تأیید می‌کند. دسترسی به طور جامع با افزودن دو متغیر دیگر به غیر از مسافت اندازه گیری می شود – سبز بودن هر نقطه و اهمیت توپولوژیکی نزدیکترین بخش جاده. استفاده از مدل UGA برای تصاویر هوایی چند باندی از نیویورک و سانفرانسیسکو تفاوت‌های بین دسترسی در محدوده شهر و محدوده عابر پیاده را آشکار کرد. در حالی که نقشه گرمایی برای UGA در سطح شهر شباهت هایی با توزیع کمی فضای سبز در هر دو شهر دارد، نقاط داغ غیرمنتظره در نقشه های حرارتی ایجاد شده برای 400 متر، 800 متر و 1600 متر ظاهر می شوند. علاوه بر این، چنین تمایزاتی بین شاخص های مورد استفاده برای متغیر توپولوژیکی متفاوت است.

بحث بیشتر با اعمال نتایج در موقعیت های دنیای واقعی امکان پذیر است. در شکل 5 و شکل 6 ، مقایسه ای بین نتایج تحلیل NDVI و مدل سازی UGA هر اندازه گیری توپولوژیکی در محدوده تحلیل 1600 متری انجام شد که در آن ویژگی های معمولی تجزیه و تحلیل مقیاس محلی به بهترین وجه تایید می شود. یعنی، ما مناطقی را که دارای مقادیر پایین NDVI و UGA بالا هستند به طور همزمان علامت‌گذاری کردیم تا مشخص کنیم عابران پیاده چه مناطقی را بدون در نظر گرفتن اندازه، کمیت یا سبز بودن آن‌ها به عنوان فضای سبز صمیمی در نظر می‌گیرند. بر این اساس، در شکل 5b,c در نیویورک، سه نقطه به طور یکسان به عنوان A، B و C برچسب گذاری شدند. منطقه برانکس جنوبی در A توسط دو بزرگراه، بزرگراه کراس برونکس و بزرگراه بروکنر احاطه شده است که آن را به مناطق مجاور منهتن و کوئینز متصل می کند. در مناطق B و C، شبکه‌های جاده‌ای در محله‌های کوئینز و بروکلین در یک الگوی شبکه‌ای مستطیلی شکل می‌گیرند که بزرگراه کوئینز بروکلین در دو منطقه نفوذ می‌کند. به طور مشابه، در شکل 6b,c از سانفرانسیسکو، نقاط داغ رایج در مناطق جنوب غربی و شمال شرقی شهر شناسایی شد که به ترتیب با نقاط A و B مشخص شده اند. شبکه جاده ای نزدیک منطقه A با بزرگراهی تشکیل شده است که حومه را به مرکز شهر و بسیاری از بخش های کوتاه جاده ای متصل می کند. در منطقه B، یک مسیر مورب به مرکز نفوذ می‌کند و بخش‌های کوتاه‌تری که از آن مرکز جدا می‌شوند، یک شبکه جاده‌ای شبکه‌ای ایجاد می‌کنند. چنین ساختار جاده ای منطقه را به یک گذرگاه و یک فضای مرکزی در مرزهای مقیاس محلی تبدیل می کند و به آن اجازه می دهد با مقادیر بالا در هر دو تجزیه و تحلیل با استفاده از شاخص های انتخاب و ادغام ظاهر شود. با این حال، ناهنجاری در نتیجه در منطقه C یافت می شود، که شبکه جاده آن فاقد بخش عبوری از منطقه است اما به صورت یک الگوی شبکه کوچک خرد شده است. بر این اساس، نتایج بالا برای دسترسی سبز شهری تنها در ظاهر می شودشکل 6 ج. به منظور بحث در مورد این نتایج با جزئیات بیشتر، فضاهای سبز را در هر مکان برجسته شده از طریق Google Maps (maps.google.com) در شکل 7 تأیید کردیم . در واقع، مناطق A و B در شکل 7 a، محله های پر تراکم و با درآمد کم تا متوسط در شهر نیویورک هستند. فضاهای سبز این منطقه شامل پارک های محله ای و گورستان هایی است که عمدتاً برای اهداف تفریحی و یادبود ساکنان محلی مورد استفاده قرار می گیرد. در مقابل، منطقه C نسبتاً یک مکان پر جنب و جوش تر با چندین مکان گردشگری و مرکز شهر بروکلین است. به خصوص پارک های واقع در کنار رودخانه یکی از مکان های پر بازدید در شهر نیویورک برای تماشای خط افق منهتن است. در مورد سانفرانسیسکو در شکل 7b، منطقه A یک بخش مسکونی نسبتا سطح بالا است، شامل محله هایی مانند جنگل تپه یا سنت فرانسیس وود و متشکل از بلوک های کوچک و از طریق خیابان مارکت به منطقه مرکز شهر متصل می شود. منطقه A شامل فضاهای سبز زیادی است، اما این فضاها بیشتر برای اهداف محوطه سازی هستند. منطقه B مرکز عملکردی شهر با منطقه مالی و جاذبه های مختلف است. بلوک های اینجا در مورب توسط خیابان کلمبوس بریده شده اند. فضاهای سبزی که در این مطالعه بسیار در دسترس به نظر می رسند عبارتند از میدان واشنگتن، پارک پایونیر، خیابان لومبارد و پارک اینا کولبریث.

6. نتیجه گیری

تا به حال، مطالعات مختلف در گذشته که سعی در اندازه‌گیری دسترسی به فضاهای سبز داشتند، بر فاصله بین مراکز جمعیتی و پارک‌های شهری که در قالب داده‌ای چند ضلعی وجود دارند، بیش از حد تأکید کرده‌اند [ 10 ، 11 ]]. با این حال، این مطالعه از دو جهت مکمل رویکردهای پژوهشی مرسوم است. ابتدا، با تجزیه و تحلیل هر پیکسل از تصاویر هوایی، نه تنها پارک هایی به شکل چند ضلعی در محدوده تحقیق گنجانده شدند، بلکه درختان و بوته های منفرد نیز گنجانده شدند. دوم، شاخص سبز بودن هر عنصر سبز و توپولوژی شبکه جاده‌ای در اندازه‌گیری دسترسی گنجانده شد، و در نتیجه کشف شد که دسترسی به فضاهای سبز در موقعیت‌های مختلف به طور متفاوتی تحت‌تاثیر قرار می‌گیرد نه اینکه صرفاً به تعداد کمی عناصر سبز وابسته باشد. در واقع، فضاهای سبزی که در تجزیه و تحلیل UGA منجر به دسترسی بالا شد، پارک‌های اصلی نیویورک و سانفرانسیسکو نبودند، بلکه آن‌هایی بودند که به سایر عملکردهای شهری مانند نقاط توریستی، مناطق مسکونی و میادین عمومی مرتبط بودند.

در نتیجه، این مطالعه معیار جدیدی را برای ارزیابی کارآمد دسترسی به فضاهای سبز با استفاده از داده‌های مکانی منبع باز پیشنهاد می‌کند. به طور خاص، این مطالعه بحث را فراتر از یک رویکرد تک بعدی گسترش می دهد، که به سادگی خواستار افزایش کمی است و پیشنهاد راه حل های کیفی را بر اساس دسترسی مردم و ارتباط فضایی با فضاهای سبز امکان پذیر می کند. به ویژه، این مطالعه می تواند مفاهیم و اطلاعات اساسی در مورد چگونگی ایجاد استراتژی های مدیریتی بهتر برای فضاهای سبز شهری در شهرها را در اختیار مسئولان برنامه ریزی دولتی قرار دهد. علاوه بر این،

با این حال، اگرچه این مطالعه مشارکت های مختلفی داشته است، محدودیت ها باید برای کارهای آینده نیز برجسته شوند. به منظور اعتبار سنجی بهتر مدل و تشریح دسترسی به اشکال مختلف فضای سبز، تحلیل همبستگی بین محاسبات NDVI و UGA می تواند به مقایسه ارزیابی های کمی و کیفی کمک کند. همچنین پتانسیل بهبود در مدل UGA با ترکیب عوامل رانندگی وسیله نقلیه برای توضیح بیشتر مکانیسم های پیچیده در دسترسی مردم به فضاهای سبز وجود دارد. از آنجایی که مدل دسترسی پیشنهادی برای تعداد محدودی از موارد اعمال شد، بررسی مدل پیشنهادی در شهرهای بیشتری ضروری است. آزمایش مدل UGA با چندین شهر و تأیید اینکه آیا نتایج ثابتی به دست می‌دهد یا نه، به تعمیم مدل برای استفاده در مطالعات دسترسی فضای سبز شهری آینده کمک می‌کند. به عنوان مثال، انتخاب شهرهای مختلف از ایالات متحده به عنوان گروه مقایسه برای نتایج در این مطالعه و آزمایش مدل در شهرهای غالب پیاده از مناطق مختلف، مانند آسیا یا اروپا، دو گزینه عملی است که برای مطالعات بیشتر در نظر گرفته می شود. . علاوه بر این، جمع آوری داده ها از شهرهای مختلف در قالب یکسان ضروری است. با این حال، به دلیل مشکلات در کاربرد گسترده، پیشنهاد می‌شود که انجام یک مصاحبه یا پرسشنامه با ساکنان یک شهر می‌تواند به تأیید اینکه آیا نتیجه حاصل از مطالعه مرتبط با ادراک یا رفتار واقعی ساکنان شهر مطابقت دارد یا خیر، کمک کند. انتخاب شهرهای مختلف از ایالات متحده به عنوان گروه مقایسه برای نتایج در این مطالعه و آزمایش مدل در شهرهای عابران پیاده از مناطق مختلف مانند آسیا یا اروپا، دو گزینه عملی است که برای مطالعات بیشتر در نظر گرفته می شود. علاوه بر این، جمع آوری داده ها از شهرهای مختلف در قالب یکسان ضروری است. با این حال، به دلیل مشکلات در کاربرد گسترده، پیشنهاد می‌شود که انجام یک مصاحبه یا پرسشنامه با ساکنان یک شهر می‌تواند به تأیید اینکه آیا نتیجه حاصل از مطالعه مرتبط با ادراک یا رفتار واقعی ساکنان شهر مطابقت دارد یا خیر، کمک کند. انتخاب شهرهای مختلف از ایالات متحده به عنوان گروه مقایسه برای نتایج در این مطالعه و آزمایش مدل در شهرهای عابران پیاده از مناطق مختلف مانند آسیا یا اروپا، دو گزینه عملی است که برای مطالعات بیشتر در نظر گرفته می شود. علاوه بر این، جمع آوری داده ها از شهرهای مختلف در قالب یکسان ضروری است. با این حال، به دلیل مشکلات در کاربرد گسترده، پیشنهاد می‌شود که انجام یک مصاحبه یا پرسشنامه با ساکنان یک شهر می‌تواند به تأیید اینکه آیا نتیجه حاصل از مطالعه مرتبط با ادراک یا رفتار واقعی ساکنان شهر مطابقت دارد یا خیر، کمک کند.

منابع

دی ریدر، ک. آدامک، وی. بانوئلوس، آ. بروس، م. برگر، م. دامسگارد، او. دوفک، ج. هیرش، جی. لفبر، اف. پرز-لاکورزانا، جی.ام. و همکاران یک روش یکپارچه برای ارزیابی مزایای فضای سبز شهری علمی کل محیط. 2004 ، 334 ، 489-497. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Kweon، BS; سالیوان، WC; Wiley، فضاهای مشترک سبز AR و ادغام اجتماعی افراد مسن در داخل شهر. محیط زیست رفتار 1998 ، 30 ، 832-858. [ Google Scholar ] [ CrossRef ]
لی، سی. Moudon، طراحی محله AV و فعالیت بدنی. ساختن. Res. Inf. 2008 ، 36 ، 395-411. [ Google Scholar ] [ CrossRef ]
Stigsdotter، انگلستان; ایخولم، او. شیپرین، جی. تافتاگر، م. کامپر-یورگنسن، اف. Randrup، TB Health ترویج کننده محیط های بیرونی – ارتباط بین فضای سبز و سلامت، کیفیت زندگی مرتبط با سلامت و استرس بر اساس نظرسنجی نماینده ملی دانمارک. Scand. J. بهداشت عمومی 2010 ، 38 ، 411-417. [ Google Scholar ] [ CrossRef ]
لی، ای سی؛ ماهسواران، ر. مزایای سلامتی فضاهای سبز شهری: مروری بر شواهد. J. بهداشت عمومی 2011 ، 33 ، 212-222. [ Google Scholar ] [ CrossRef ]
هارتینگ، تی. میچل، آر. دی وریس، اس. Frumkin, H. طبیعت و سلامت. آنو. Rev. Public Health 2014 ، 35 ، 207-228. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تریگورو ماس، ام. دادوند، پ. سیراک، ام. مارتینز، دی. مدینه، ع. مامپارت، ا. باساگانا، ایکس. گرازولویچینه، آر. Nieuwenhuijsen، MJ محیط های طبیعی در فضای باز و سلامت روانی و جسمی: روابط و مکانیسم ها. محیط زیست بین المللی 2015 ، 77 ، 35-41. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کومبز، ای. جونز، AP; Hillsdon، M. رابطه فعالیت بدنی و اضافه وزن با دسترسی و استفاده از فضای سبز به طور عینی اندازه گیری شده است. Soc. علمی پزشکی 2010 ، 70 ، 816-822. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گیدلوف-گونارسون، آ. Öhrström، E. سر و صدا و رفاه در محیط های مسکونی شهری: نقش بالقوه در دسترس بودن درک شده به مناطق سبز مجاور. Landsc. طرح شهری. 2007 ، 83 ، 115-126. [ Google Scholar ] [ CrossRef ]
کامبر، ا. براندون، سی. گرین، E. استفاده از یک تحلیل شبکه مبتنی بر GIS برای تعیین دسترسی به فضای سبز شهری برای گروه‌های قومی و مذهبی مختلف. Landsc. طرح شهری. 2008 ، 86 ، 103-114. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
M’Ikiugu، MM; کینوشیتا، آی. Tashiro, Y. تحلیل فضای سبز شهری و شناسایی مناطق بالقوه گسترش آن. Procedia Soc. رفتار علمی 2012 ، 35 ، 449-458. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیانگ، اچ. چن، دی. ژانگ، کیو. دسترسی پیاده‌روی به پارک‌های شهری در یک کلان شهر فشرده. Proc. Inst. مدنی مهندس شهری دس. طرح. 2017 ، 170 ، 59-71. [ Google Scholar ] [ CrossRef ]
Lwin، KK; Murayama, Y. مدل‌سازی پیاده‌روی فضای سبز شهری: ماشین‌حساب امتیاز پیاده‌روی سازگار با محیط زیست. محاسبه کنید. محیط زیست سیستم شهری 2011 ، 35 ، 408-420. [ Google Scholar ] [ CrossRef ]
ابوبکر، IR; آینا، YA GIS و نحو فضا: تجزیه و تحلیل دسترسی به مناطق سبز شهری در منطقه دوحه در منطقه شهری دمام، عربستان سعودی. در مجموعه مقالات کنفرانس نقشه خاورمیانه، دبی، امارات متحده عربی، 26-29 مارس 2006. [ Google Scholar ]
ژانگ، ایکس. لو، اچ. Holt، JB مدلسازی دسترسی فضایی به پارکها: یک مطالعه ملی. بین المللی J. Health Geogr. 2011 ، 10 ، 31. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژو، ایکس. کیم، جی. نابرابری های اجتماعی در تاج درخت و دسترسی به پارک: مطالعه موردی شش شهر در ایلینویز با استفاده از GIS و سنجش از دور. شهری برای. سبز شهری. 2013 ، 12 ، 88-97. [ Google Scholar ] [ CrossRef ]
La Rosa، D. دسترسی به فضاهای سبز: شاخص های مبتنی بر GIS برای برنامه ریزی پایدار در یک بافت شهری متراکم. Ecol. اندیک. 2014 ، 42 ، 122-134. [ Google Scholar ] [ CrossRef ]
وندل، هیو؛ زارگر، RK; Mihelcic، JR دسترسی و قابلیت استفاده: ترجیحات، ادراکات و موانع فضای سبز در شهری که به سرعت در حال شهرنشینی در آمریکای لاتین است. Landsc. طرح شهری. 2012 ، 107 ، 272-282. [ Google Scholar ] [ CrossRef ]
وستمن، اچ. کالیش، دی. Kolbe, J. دسترسی به فضای سبز شهری و نابرابری های زیست محیطی در آلمان. Landsc. طرح شهری. 2017 ، 164 ، 124-131. [ Google Scholar ] [ CrossRef ]
گوپتا، ک. کومار، پی. Pathan, SK; شارما، KP شاخص سبز محله شهری – اندازه گیری فضاهای سبز در مناطق شهری. Landsc. طرح شهری. 2012 ، 105 ، 325-335. [ Google Scholar ] [ CrossRef ]
لوری، جی اچ. بیکر، من رمزی، RD عوامل تعیین کننده تاج درخت شهری در محله های مسکونی: ویژگی های خانوار، فرم شهری و منظر ژئوفیزیکی. اکوسیست شهری. 2012 ، 15 ، 247-266. [ Google Scholar ] [ CrossRef ]
ژو، ایکس. وانگ، YC پویایی فضایی-زمانی فضای سبز شهری در پاسخ به سیاست‌های شهرنشینی سریع و سبز کردن. Landsc. طرح شهری. 2011 ، 100 ، 268-277. [ Google Scholar ] [ CrossRef ]
لی، ایکس. ژانگ، سی. لی، دبلیو. ریکارد، آر. منگ، کیو. ژانگ، دبلیو. ارزیابی فضای سبز شهری در سطح خیابان با استفاده از نمای خیابان گوگل و نمایه نمای سبز اصلاح شده. شهری برای. سبز شهری. 2015 ، 14 ، 675-685. [ Google Scholar ] [ CrossRef ]
کانگ، ی. ژانگ، اف. گائو، اس. لین، اچ. لیو، ی. مروری بر سنجش محیط فیزیکی شهری با استفاده از تصاویر نمای خیابان در مطالعات بهداشت عمومی. ان GIS 2020 ، 26 ، 261-275. [ Google Scholar ] [ CrossRef ]
اوه، ک. جونگ، اس. ارزیابی توزیع فضایی پارک‌های شهری با استفاده از GIS. Landsc. طرح شهری. 2007 ، 82 ، 25-32. [ Google Scholar ] [ CrossRef ]
حجرسولیها، ع. یین، ال. تأثیر اتصال شبکه خیابانی بر حجم عابر پیاده. مطالعه شهری. 2015 ، 52 ، 2483-2497. [ Google Scholar ] [ CrossRef ]
هیلیر، بی. فضا ماشین است: نظریه پیکربندی معماری . نحو فضا: لندن، بریتانیا، 2007. [ Google Scholar ]
هیلیر، بی. هانسون، جی . منطق اجتماعی فضا . انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 1989. [ Google Scholar ]
استاهله، ا. مارکوس، ال. کارلستروم، الف. نحو مکان: دسترسی جغرافیایی با خطوط محوری در GIS. در مجموعه مقالات پنجمین سمپوزیوم بین المللی نحوی فضایی، دلفت، هلند، 13 تا 17 ژوئن 2005. Techne Press: دلفت، هلند، 2005; صص 131-144. [ Google Scholar ]
هیلیر، بی. پن، ا. هانسون، جی. گراجوسکی، تی. Xu, J. حرکت طبیعی: یا پیکربندی و جاذبه در حرکت عابر پیاده شهری. محیط زیست طرح. B طرح. دس 1993 ، 20 ، 29-66. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جیانگ، ب. رتبه بندی فضاها برای پیش بینی حرکت انسان در محیط شهری. بین المللی جی. جئوگر. Inf. علمی 2009 ، 23 ، 823-837. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لرمن، ی. روفه، ی. Omer, I. استفاده از نحو فضا برای مدل سازی حرکت عابر پیاده در برنامه ریزی حمل و نقل شهری. Geogr. مقعدی 2014 ، 46 ، 392-410. [ Google Scholar ] [ CrossRef ]
عصر تالاو، R. بهبود دسترسی عابر پیاده به فضای عمومی از طریق تحلیل نحوی فضا. در مجموعه مقالات هشتمین سمپوزیوم بین المللی نحوی فضایی، سانتیاگو، شیلی، 3 تا 6 ژانویه 2012. شماره رفرنس کاغذ 8223. صص 1-16. [ Google Scholar ]
چن، جی. چانگ، ز. بازاندیشی دسترسی به فضای سبز شهری: ارزیابی و بهینه سازی سیستم حمل و نقل عمومی از طریق تحلیل شبکه های اجتماعی در کلان شهرها. Landsc. طرح شهری. 2015 ، 143 ، 150-159. [ Google Scholar ] [ CrossRef ]
بله، ی. ریچاردز، دی. لو، ی. آهنگ، X. ژوانگ، ی. زنگ، دبلیو. ژونگ، تی. اندازه‌گیری فضای سبز خیابانی با دسترسی روزانه: رویکردی در مقیاس انسانی برای اطلاع‌رسانی شیوه‌های بهتر برنامه‌ریزی شهری. Landsc. طرح شهری. 2019 ، 191 ، 103434. [ Google Scholar ] [ CrossRef ]
جیانگ، بی. کلارامونت، سی. Batty، M. دسترسی هندسی و اطلاعات جغرافیایی: گسترش GIS دسکتاپ به نحو فضا. محاسبه کنید. محیط زیست سیستم شهری 1999 ، 23 ، 127-146. [ Google Scholar ] [ CrossRef ]
لوید، سی دی ارزیابی اثر ادغام داده های ارتفاعی در تخمین بارندگی ماهانه در بریتانیای کبیر. جی هیدرول. 2005 ، 308 ، 128-150. [ Google Scholar ] [ CrossRef ]
لو، جی. Wong، DW یک تکنیک درونیابی فضایی وزن دهی با فاصله معکوس تطبیقی. محاسبه کنید. Geosci. 2008 ، 34 ، 1044-1055. [ Google Scholar ] [ CrossRef ]
پتورلی، ن. ویک، جو. میسترود، ا. گیلارد، جی.ام. تاکر، سی جی; Stenseth، NC استفاده از NDVI مشتق شده از ماهواره برای ارزیابی پاسخ های اکولوژیکی به تغییرات محیطی. Trends Ecol. تکامل. 2005 ، 20 ، 503-510. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هور، م. ناسار، جی ال. چون، ب. رضایت همسایگی، طبیعی بودن و باز بودن فیزیکی و ادراک شده. جی. محیط زیست. روانی 2010 ، 30 ، 52-59. [ Google Scholar ] [ CrossRef ]
شیب، JH; سرخ نشده، TM; Roca، B. استفاده از معیارهای عینی و ذهنی سبزی محله و مقاصد قابل دسترس برای درک سفرهای پیاده روی و BMI در سیاتل، واشنگتن. صبح. J. ارتقاء سلامت. 2007 ، 21 (Suppl. S4)، 371-379. [ Google Scholar ] [ CrossRef ]
راسموسن، ام اس توسعه مدل‌های ساده، عملیاتی، سازگار با پوشش گیاهی NDVI با استفاده از اطلاعات محیطی و اقلیمی: بخش اول. ارزیابی تولید اولیه خالص. بین المللی J. Remote Sens. 1998 ، 19 ، 97-117. [ Google Scholar ] [ CrossRef ]
Gillies، RR; کارلسون، TN سنجش از دور حرارتی محتوای آب خاک سطحی با پوشش گیاهی جزئی برای ادغام در مدل‌های آب و هوایی. J. Appl. هواشناسی 1995 ، 34 ، 745-756. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سونوالکار، م. نیش، ال. Sun، D. استفاده از مجموعه داده NDVI برای تجزیه و تحلیل مبتنی بر GIS: مطالعه نمونه ای از سایت ابر صندوق TAR Creek. Ecol. آگاه کردن. 2010 ، 5 ، 484-491. [ Google Scholar ] [ CrossRef ]
Turner, A. From Axial to Road-Centre Lines: یک نمایش جدید برای نحو فضا و یک مدل جدید از انتخاب مسیر برای تحلیل شبکه حمل و نقل. محیط زیست طرح. B طرح. دس 2007 ، 34 ، 539-555. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Turner, A. Depthmap 4: A Researcher’s Handbook, Bartlett School of Graduate Studies ; دانشگاه کالج لندن: لندن، انگلستان، 2004. [ Google Scholar ]
فولتته، JC; Piombini، A. چیدمان شهری، ویژگی های چشم انداز و استفاده عابر پیاده. Landsc. طرح شهری. 2007 ، 81 ، 225-234. [ Google Scholar ] [ CrossRef ]

شکل 1. دسترسی به موقعیت ها به نقاط سبز نزدیک یک خیابان در یک شهر.

شکل 2. تجزیه و تحلیل داده های جمع آوری شده از سانفرانسیسکو. ( الف ) فرآیند تحلیل NDVI (تصویر هوایی – دستکاری باند – برداری – نمای نزدیک). ( ب ) نتیجه تجزیه و تحلیل قطعه زاویه ای (ادغام).

شکل 3. توزیع دسترسی سبز شهری با شاخص انتخاب به عنوان مقدار توپولوژیکی اعمال می شود. ( الف ) شهرستان نیویورک ( ب ) شهرستان سانفرانسیسکو.

شکل 4. توزیع دسترسی سبز شهری با شاخص ادغام به عنوان مقدار توپولوژیکی اعمال می شود. ( الف ) شهرستان نیویورک ( ب ) شهرستان سانفرانسیسکو.

شکل 5. مقایسه مناطق قابل توجه در نیویورک. ( الف ) نتیجه تجزیه و تحلیل NDVI. ( ب ) نقشه حرارتی UGA با تنظیم 1600 متری. ( ج ) نقشه حرارتی UGA با تنظیم 1600 متری یکپارچه.

شکل 6. مقایسه مناطق قابل توجه در سانفرانسیسکو. ( الف ) نتیجه تجزیه و تحلیل NDVI. ( ب ) نقشه حرارتی UGA با تنظیم 1600 متری. ( ج ) نقشه حرارتی UGA با تنظیم 1600 متری یکپارچه.

شکل 7. مکان روی نقشه های ( الف ) نیویورک و ( ب ) سانفرانسیسکو در مناطق A، B و C.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

شاخص دسترسی سبز شهری: معیاری از دسترسی محوری عابر پیاده به هر نقطه سبز در یک منطقه شهری

شاخص دسترسی سبز شهری: معیاری از دسترسی محوری عابر پیاده به هر نقطه سبز در یک منطقه شهری

خلاصه

کلید واژه ها:

1. معرفی