شناسایی آسیب‌پذیری و الگوهای مکانی و زمانی شکست آبشاری در شبکه جاده‌ای تحت فاجعه طوفان باران

آسیب‌پذیری جاده برای افزایش استحکام شبکه‌های جاده‌ای شهری و تاب‌آوری شهری بسیار مهم است. در شهرهای متوسط یا بزرگ، خرابی جاده ها در مواجهه با رویدادهای غیرمنتظره، مانند بارندگی شدید، می تواند بر کارایی ترافیک منطقه ای و ثبات عملیاتی تأثیر بگذارد که در موارد شدید می تواند خسارات اقتصادی بالایی ایجاد کند. مطالعات مرسوم خرابی‌های آبشاری جاده‌ها تحت رویدادهای غیرمنتظره بر جریان ترافیک پویا تمرکز دارند، اما کاهش قابل‌توجه در جریان ترافیک ناشی از سیل شهری به‌طور دقیق تغییرات بار جاده را منعکس نمی‌کند. در همین حال، مطالعات محدود، الگوی مکانی-زمانی شکست آبشاری شبکه‌های جاده‌ای شهری تحت طوفان‌های واقعی و همبستگی این الگو با آسیب‌پذیری جاده را تحلیل می‌کند. در این مطالعه، آسیب‌پذیری جاده با استفاده از معیارهای کارایی جهانی شبکه برای شناسایی مکان‌های آسیب‌پذیری زیاد و کم جاده محاسبه می‌شود. با استفاده از بین مرکزیت به عنوان اندازه‌گیری بار جاده، الگوهای مکانی – زمانی شکست آبشاری شبکه جاده در طول یک طوفان باران واقعی تحلیل می‌شوند. سپس ارتباط فضایی بین آسیب‌پذیری شبکه جاده و شکست آبشاری مورد بررسی قرار می‌گیرد. مشخص شده است که 90.09٪ از جاده های شهر ژنگژو دارای آسیب پذیری کمتر از یک هستند که نشان دهنده درجه قابل توجهی از ناهمگونی فضایی است. آسیب پذیری جاده های مجاور جاده های کمربندی شهر و مرکز شهر اغلب کمتر است که تأثیر قابل توجهی بر کارایی شبکه جهانی دارد. در مقابل، آسیب‌پذیری جاده‌ها در مناطق واقع در حاشیه شهری بیشتر است که تأثیر کمی بر کارایی شبکه جهانی دارد. پنج نقطه داغ و سه نقطه سرد آسیب‌پذیری جاده با استفاده از تحلیل خودهمبستگی مکانی شناسایی می‌شوند. شکست آبشاری یک شبکه جاده ویژگی‌های ارتباطی متنوعی را در خوشه‌های متمایز آسیب‌پذیری جاده نشان می‌دهد. خرابی آبشار جاده تأثیر بسیار کمی بر شبکه در نقاط داغ دارد، اما به احتمال زیاد باعث ازدحام گسترده ترافیک یا اختلال در نقاط سرد می شود. این یافته‌ها می‌تواند به ذینفعان کمک کند تا سیاست‌ها و استراتژی‌های هدفمندتری را در برنامه‌ریزی شهری و مدیریت اضطراری بلایا اتخاذ کنند تا شهرهای انعطاف‌پذیرتر بسازند و توسعه شهری پایدار را ارتقا دهند. شکست آبشاری یک شبکه جاده ویژگی‌های ارتباطی متنوعی را در خوشه‌های متمایز آسیب‌پذیری جاده نشان می‌دهد. خرابی آبشار جاده تأثیر بسیار کمی بر شبکه در نقاط داغ دارد، اما به احتمال زیاد باعث ازدحام گسترده ترافیک یا اختلال در نقاط سرد می شود. این یافته‌ها می‌تواند به ذینفعان کمک کند تا سیاست‌ها و استراتژی‌های هدفمندتری را در برنامه‌ریزی شهری و مدیریت اضطراری بلایا اتخاذ کنند تا شهرهای انعطاف‌پذیرتر بسازند و توسعه شهری پایدار را ارتقا دهند. شکست آبشاری یک شبکه جاده ویژگی‌های ارتباطی متنوعی را در خوشه‌های متمایز آسیب‌پذیری جاده نشان می‌دهد. خرابی آبشار جاده تأثیر بسیار کمی بر شبکه در نقاط داغ دارد، اما به احتمال زیاد باعث ازدحام گسترده ترافیک یا اختلال در نقاط سرد می شود. این یافته‌ها می‌تواند به ذینفعان کمک کند تا سیاست‌ها و استراتژی‌های هدفمندتری را در برنامه‌ریزی شهری و مدیریت اضطراری بلایا اتخاذ کنند تا شهرهای انعطاف‌پذیرتر بسازند و توسعه شهری پایدار را ارتقا دهند.

کلید واژه ها:

آسیب پذیری جاده ; شکست آبشاری ; الگوهای فضایی و زمانی فاجعه طوفان باران ; تاب آوری شهری

1. مقدمه

ارزیابی آسیب پذیری زیرساخت ها در برابر بلایای طوفان باران به یک نگرانی فزاینده در زمینه تغییرات جهانی که منجر به وقوع مداوم رویدادهای آب و هوایی شدید تبدیل شده است [ 1 ، 2 ، 3 ، 4 ]. به عنوان بخشی حیاتی از زیرساخت های شهری، شبکه های جاده ای شهری برای حمل و نقل شهری بسیار مهم هستند [ 5 ، 6 ]]. به دلیل ماهیت آنها به عنوان شبکه های فیزیکی متشکل از گره ها (تقاطع جاده ها) و لبه ها (بخش های جاده)، شبکه های جاده ای ویژگی های شبکه پیچیده ای مانند استحکام و آسیب پذیری را نشان می دهند. رویدادهای غیرمنتظره (مانند حوادث ترافیکی و آسیب جاده) که در یک شبکه جاده‌ای رخ می‌دهد منجر به تراکم ترافیک می‌شود، در نتیجه بار جاده را افزایش می‌دهد و کارایی کلی ترافیک در منطقه فضایی مربوطه را کاهش می‌دهد. این ازدحام دارای ویژگی های تکامل زمانی است، در ابتدا فقط مناطق کوچک محلی را تحت تاثیر قرار می دهد و در صورت عدم رفع به موقع در شبکه راه ها گسترش می یابد. خرابی یک گره یا یک لبه ممکن است باعث خرابی گره ها یا لبه های دیگر شود که منجر به یک اثر آبشاری می شود که ممکن است تراکم ترافیک در مقیاس بزرگ ایجاد کند و ترافیک شهری را به شدت تحت تاثیر قرار دهد [ 7 ، 899 ،9 ]. شناسایی توزیع فضایی آسیب‌پذیری جاده‌های شهری و تجزیه و تحلیل ویژگی‌های مکانی و زمانی خرابی آبشاری شبکه راه‌های شهری برای افزایش استحکام شبکه‌های جاده‌ای شهری و تاب‌آوری شهری بسیار مهم است.

آسیب‌پذیری جاده، حساسیت به رویدادهایی است که ممکن است منجر به تخریب قابل‌توجه خدمات شبکه جاده‌ای شود [ 10 ، 11 ]. با شهرنشینی سریع در سراسر جهان، شناسایی آسیب‌پذیری جاده‌های شهری به کانون توجه در مطالعات حمل‌ونقل و جغرافیا، از جمله روش‌های مختلف تحلیل و دیدگاه‌های پژوهشی تبدیل شده است [ 1 ، 12 ]. در مطالعات حمل و نقل، جریان ترافیک در یک شبکه جاده‌ای به عنوان موضوع تحقیق در نظر گرفته شده است تا تأثیر افزایش ناگهانی جریان ترافیک شهری بر ترافیک وسایل نقلیه را تحلیل کند [ 13 ، 14 ، 15 ] و در مورد تأثیر طرح‌های زمان‌بندی سیگنال ترافیک مختلف بحث شود. در کارایی ترافیک جاده ای 16[17 ، 18 ]. از منظر شبکه های پیچیده، مدل های شبکه راه های شهری با روش های مختلف مدل سازی شبکه ساخته شده است و ویژگی های آماری شبکه به صورت مقایسه ای مورد تجزیه و تحلیل قرار گرفته است [ 19 ، 20 ، 21 ]. استحکام شبکه جاده‌ای را می‌توان به دو دسته استاتیک و پویا تقسیم کرد، بسته به اینکه آیا ویژگی‌های دینامیکی شبکه در نظر گرفته می‌شود یا خیر، و ویژگی‌های متغیر زمانی استحکام شبکه راه شهری [ 22 ، 23 ، 24 ] و ویژگی‌های پاسخ شبکه راه‌ها. پس از یک حمله تجزیه و تحلیل می شوند [ 25 ، 26]. Sun با استفاده از یک مدل شبکه تکامل جهانی محلی، نمونه‌های شبکه را ساخت که از توزیع نمایی به توزیع قانون قدرت [ 27 ]] و سپس نحوه واکنش شبکه به حملات تصادفی و عمدی را بررسی کرد. شبکه ای که با استفاده از مکانیسم اتصال اولویت محلی ساخته شد، استحکام شبکه بدون مقیاس را در برابر حملات تصادفی حفظ کرد و گره های بسیار متصل را در برابر حملات عمدی ایمن تر کرد. فربر و همکاران با در نظر گرفتن شبکه های حمل و نقل عمومی 14 شهر بزرگ به عنوان مثال. دریافتند که بیشتر شبکه‌های حمل‌ونقل عمومی، شبکه‌های بدون مقیاس با ویژگی‌های دنیای کوچک هستند. این بدان معنی است که در یک شبکه در مقیاس بزرگ، فاصله بین هر دو گره کوتاه است. یعنی در یک شبکه حمل‌ونقل عمومی، هر دو گره می‌توانند با فاصله کوتاهی با یکدیگر همکاری کنند [ 28 ، 29 ]]. آنها همچنین اثرات خرابی های تصادفی را بر روی شبکه های حمل و نقل عمومی در لندن و پاریس مقایسه کردند. لاتورا و همکاران روشی را برای تجزیه و تحلیل ویژگی‌های دنیای کوچک یک شبکه پیشنهاد کرد و به طور تجربی شبکه متروی بوستون را با بازده محلی نسبتاً پایین و بازده جهانی بالا تجزیه و تحلیل کرد [ 30 ]. از منظر توزیع فضایی، شناسایی مناطق آسیب‌پذیر شبکه‌های جاده‌ای شهری با استفاده از شاخص‌های آسیب‌پذیری به شفاف‌سازی الگوهای توزیع فضایی این شبکه‌ها کمک می‌کند و استحکام شبکه‌های جاده‌ای شهری را بهبود می‌بخشد [ 31 ، 32 ].

در سال های اخیر، خرابی های آبشاری در شبکه های پیچیده توجه گسترده ای را به خود جلب کرده است. با تعریف یک مدل خرابی آبشاری ظرفیت بار، شبکه‌هایی با توزیع بسیار ناهمگن بارها مشخص می‌شوند که به‌ویژه زمانی که یک گره با بار بالا عمدا مورد حمله قرار می‌گیرد، مستعد شکست آبشاری هستند [ 33 ، 34 ، 35 ، 36 ]. با در نظر گرفتن گره‌های شبکه به‌عنوان عناصر فعال و دوپایدار، یک مدل دینامیک پراکنده فاجعه برای بررسی وابستگی زمانی و ویژگی‌های شکست آبشاری توپولوژی‌های مختلف شبکه پیشنهاد شد [ 37 ، 38 ، 39 ، 40]. در مطالعات حمل و نقل شهری، تحلیل شکست آبشاری با ترکیب توپولوژی شبکه راه، حالت حمله و ویژگی‌های تقاضای سفر انجام شده است. با در نظر گرفتن ویژگی‌های ترافیکی بخش‌های جاده در شبکه‌های جاده‌ای شهری، جریان ترافیک جاده‌ای به زمان سفر ترسیم می‌شود و “ظرفیت واقعی” به صورت پویا در تابع هزینه برای تعریف مدل شبکه نقشه جفت شده [ 41 ، 42 ، 43 ] وارد می‌شود. ، 44 ]. وو و گائو تأثیر بخش‌های مهم جاده در شبکه جاده‌های شهری را بر شکست آبشاری مورد مطالعه قرار دادند و تأثیر حالت‌های حمله شبکه‌های مختلف را بر شکست آبشاری شبکه جاده‌ها تحلیل کردند [ 45 ].]. با بهبود مدل ظرفیت بار شکست آبشاری، وو و سان سه مدل شکست آبشاری شبکه‌های جاده‌ای شهری را با حذف مبتنی بر جریان، حذف مبتنی بر بین و حذف مبتنی بر ترکیب پیشنهاد کردند [ 46 ]. دوی و همکاران شکست آبشاری را در شبکه‌های بدون مقیاس از نظر بازده گره‌ها در یک بازی تکاملی چند استراتژی برای تجزیه و تحلیل تأثیر شکست آبشاری بر توپولوژی شبکه‌های پیچیده مطالعه کرد [ 47 ]. برخی از مطالعات به استراتژی های دفاعی در برابر شکست آبشاری شبکه با تنظیم لبه ها و گره ها برای اطمینان از حداکثر استحکام شبکه اختصاص یافته است. این استراتژی ها شامل افزایش یا کاهش تعداد لبه های شبکه، بهینه سازی ظرفیت گره (لبه) و توزیع بار گره (لبه) است [ 48 ، 49 50 , 51 ]. خطر شکست آبشاری در شبکه‌های جاده‌ای تحت بلایای طبیعی عمدتاً با تنظیم مصنوعی آسیب تصادفی شبیه‌سازی می‌شود [ 52 ، 53 ]. سیل ممکن است باعث اختلال در جاده ها در مکان های مربوطه شود که منجر به تاخیرهای طولانی در ترافیک می شود. پژوهش حاضر بر مدل‌های خرابی آبشاری و پاسخ‌های شبکه پس از حمله تمرکز دارد [ 52 ، 54 ]، اما موارد کمی الگوی مکانی – زمانی شکست آبشاری شبکه‌های جاده‌ای شهری تحت طوفان باران و همبستگی این الگو با آسیب‌پذیری جاده را تحلیل می‌کند. به عنوان مثال، سانتوس و همکاران. آسیب‌پذیری شبکه جاده‌ای و عوامل تأثیرگذار در 69 شهر ژاپن را با استفاده از سناریوهای حمله تصادفی و هدفمند تحلیل کرد.55 ]; Valenzuela ویژگی‌ها و آسیب‌پذیری شبکه جاده‌های شهری را با استفاده از داده‌های نقشه خیابان باز (OSM) با برخی از گره‌ها به طور تصادفی حذف کرد [ 56 57 ]]. این مطالعات الگوهای توزیع مکانی و زمانی خرابی‌های آبشار جاده‌ای را مورد بحث قرار ندادند. بر اساس میزان طغیان سیل، کرمانشاه و همکاران. ویژگی‌های استحکام شبکه جاده‌ای و توزیع فضایی آن را در شهر نیویورک و شیکاگو تحلیل کرد ، اما ویژگی‌های ارتباط فضایی آن را با شکست آبشاری جاده مورد بحث قرار نداد. برای پرداختن به این مسائل، این مطالعه بر روی الگوهای مکانی – زمانی شکست و آسیب‌پذیری آبشاری یک شبکه جاده‌ای شهری در طوفان‌های باران واقعی متمرکز شد. علاوه بر این، ارتباط فضایی آسیب‌پذیری جاده و شکست آبشاری نیز برای ارائه پشتیبانی تصمیم برای بهبود استحکام شبکه جاده‌ای شهری و تاب‌آوری شهری مورد بررسی قرار می‌گیرد.

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 منطقه و داده های مطالعه ما را شرح می دهد. بخش 3 روشی را برای اندازه گیری ویژگی های شبکه پیچیده و آسیب پذیری آنها معرفی می کند و مدل شکست آبشاری را تعریف می کند. بخش 4 الگوهای فضایی و روابط بین آسیب‌پذیری جاده و شکست آبشاری را بررسی می‌کند. بخش 5 یافته های مقاله را مورد بحث قرار می دهد. بخش 6 به طور خلاصه مقاله را خلاصه می کند.

2. منطقه مطالعه و داده ها

ژنگژو یک شهر مرکزی ملی است. مرکز استان هنان؛ و مرکز سیاسی، اقتصادی، فرهنگی و حمل و نقل استان. این شهر در 113°27′-113°51′ شرقی و 34°36′-35°00′ شمالی واقع شده است و جمعیت کل آن 12.74 میلیون نفر است [ 58 ]. از سال 2010، چارچوب اصلی جاده های شهری با الگوی “تقاطع + حلقه” در ژنگژو، همراه با شبکه جاده ای شاخه ای به طور مداوم بهبود یافته ساخته شده است که ساختاری سه سطحی متشکل از جاده های حلقوی، جاده های شریانی شعاعی و معمولی را تشکیل می دهد. جاده ها ( شکل 1 ). منطقه مورد مطالعه یک منطقه ساخته شده شهری به هم پیوسته در ژنگژو است، با طول کل جاده 1283.65 کیلومتر. همانطور که در شکل 1 نشان داده شده است، این منطقه در بخش مرکزی ژنگژو قرار دارد که از شمال، شرق، غرب و جنوب به جاده کمربندی چهارم شهر محدود می شود و 562.54 کیلومتر مربع مساحت ^دارد .

از 17 تا 23 ژوئیه 2021، ژنگژو یک طوفان شدید باران را تجربه کرد که میزان بارندگی از ساعت 16:00 تا 17:00 روز 20 ژوئیه به 201.9 میلی متر رسید، و در یک دوره 24 ساعته از ساعت 20:00 روز 19 ژوئیه تا ساعت 20:00 در 20:00 به 552.5 میلی متر رسید. جولای و 624.1 میلی متر از ساعت 0:00 روز 19 جولای تا ساعت 0:00 در 22 جولای، رکوردهای تاریخی بارش ساعتی و یک روزه را شکست. این طوفان شدید باران “7.20” با مدت طولانی، بارندگی انباشته زیاد و شدت بارندگی بسیار بالا مشخص می شود که منجر به سیل شدید و اختلال طولانی در حمل و نقل ریلی، بزرگراه ها، و تاسیسات برق و ارتباطات شد. با توجه به ویژگی های طوفان باران “7.20”، حداکثر حجم بارش باران برای 17 سری از 5 دقیقه تا 1440 دقیقه و 3 روز از ایستگاه هواشناسی ژنگژو، همانطور که در جدول 1 نشان داده شده است، بازیابی شد .59 ]. این فاجعه منجر به 380 کشته و ناپدید شدن در ژنگژو و خسارت اقتصادی مستقیم 40.9 میلیارد یوان (6.14 میلیارد دلار آمریکا) [ 60 ] شد که خسارت زیادی به شهر وارد کرد.

داده‌ها شامل مجموعه داده‌های جاده و بخش‌های جاده‌ای ناموفق به دلیل غرقابی ناشی از طوفان باران است. مجموعه داده‌های جاده شهری با استفاده از رابط برنامه‌نویسی کاربردی Gaode Map ( www.amap.com ) استخراج شد و مجموعه داده‌های شبکه راه به عنوان شبکه هدایت نشده با روش مدل‌سازی اولیه با استفاده از تقاطع‌ها به عنوان گره‌ها و بخش‌های جاده به عنوان لبه ساخته شد. بر اساس داده‌های درجه جاده و سرعت‌های رانندگی مربوطه، زمان سفر ( t ) در هر بخش جاده با طول و سرعت بخش جاده محاسبه شد، سپس به عنوان وزن شبکه تعریف شد. فرمول مطابق معادله (1) است.

t = L v

(1)

جایی که $L$ طول راه است و $v$ سرعت عبور محدود شده برای آن کلاس جاده است ( جدول 2 ).

طبق استاندارد فنی ملی مهندسی بزرگراه (JTG B01-2003)، محدودیت سرعت برای بزرگراه (80 کیلومتر در ساعت)، جاده های اصلی (60 کیلومتر در ساعت)، جاده های شریانی ثانویه (50 کیلومتر در ساعت) و شریانی سوم و جاده های تغذیه کننده (30 کیلومتر در ساعت) به هر بخش جاده اختصاص داده شده است. با این حال، هنگامی که باران شدید رخ می دهد، رانندگان وضعیت را قضاوت می کنند و سرعت خود را بر این اساس کاهش می دهند [ 61 ، 62 ]. مطالعات موجود نشان داد که نسبت کاهش سرعت در زیر باران شدید حدود 42-47٪ است [ 63 ، 64 ]. بر اساس مطالعات موجود و طوفان بارندگی “7.20” در شهر ژنگژو، درصد کاهش سرعت را 50٪ تعیین کردیم ( جدول 2)). داده‌های بخش‌های جاده‌ای ناموفق از مرکز داده‌های علوم سیستم زمین ملی به‌دست آمد. توزیع بخش های جاده شکست خورده در زمان های مختلف در شکل 2 نشان داده شده است . تعداد بخش های جاده ای شکست خورده از 22 قطعه در 20 تیر به 35، 41 و 49 قطعه در 21، 22 و 23 ژوئیه افزایش یافت و منطقه توزیع به تدریج گسترش یافت.

3. روش شناسی

با استفاده از شاخص کارایی شبکه جهانی، آسیب‌پذیری جاده‌ها مورد ارزیابی قرار گرفت و خوشه فضایی آسیب‌پذیری جاده با استفاده از رویکرد خودهمبستگی مکانی شناسایی شد. در همین حال، یک مدل شکست آبشاری بهبود یافته برای تشخیص ویژگی‌های مکانی – زمانی شکست آبشاری شبکه جاده‌ای بر اساس مکان‌های بخش‌های جاده شکست خورده ناشی از طوفان باران استفاده شد. سپس ارتباط بین آسیب‌پذیری و توزیع شکست آبشاری شبکه جاده‌ها مورد بررسی قرار گرفت. شکل 3 چارچوب روش تحقیق را نشان می دهد.

در بخش‌های بعدی، معنای مفاهیم، روش‌ها و پارامترهای موجود در فلوچارت و فرآیند محاسبه را ارائه خواهیم کرد.

3.1. ویژگی های شبکه پیچیدگی در شبکه راه های شهری

جاده های شهری یک شبکه پیچیده هستند و تجزیه و تحلیل ویژگی های شبکه آنها به روشن شدن ساختار، مقیاس و وضعیت آنها کمک می کند [ 65 ]. روش اولیه بیشتر برای مدل‌سازی شبکه راه‌ها استفاده می‌شود که می‌تواند فرآیند مدل‌سازی را ساده‌سازی کند و کارایی تحلیل شبکه را بهبود بخشد [ 66 ، 67 ، 68 ]. در موارد اضطراری، مانند مطالعات طوفان باران شهری، جاده ها می توانند در هر دو جهت برای افزایش دسترسی استفاده شوند [ 69 ، 70 ]]. این مطالعه از یک نمودار اولیه برای ساخت یک شبکه بدون جهت وزنی استفاده می کند، به عنوان مثال، تقاطع های جاده به عنوان گره های شبکه انتزاع می شوند، بخش های جاده بین تقاطع ها به عنوان لبه های شبکه انتزاع می شوند، و زمان سفر در هر بخش جاده به عنوان وزن استفاده می شود [ 71 ]. در اینجا، معیارها – از جمله میانگین درجه گره، پیچیدگی شبکه، قطر شبکه، میانگین طول مسیر، ضریب خوشه‌بندی و کارایی شبکه سراسری – برای اندازه‌گیری ویژگی‌های شبکه راه شهری تعریف می‌شوند. معنی و روش محاسبه هر شاخص در جدول 3 نشان داده شده است.

3.2. محاسبه آسیب پذیری جاده و شناسایی الگوهای فضایی آن

در شبکه راه‌ها، تصادفات رانندگی منجر به ازدحام یا عدم دسترسی به بخش‌های جاده‌ای برای مدت معینی می‌شود و کارایی جهانی شبکه راه‌ها را کاهش می‌دهد. بر اساس کارایی جهانی شبکه و با توجه به تاثیر شکست یک قطعه جاده بر بازده جهانی شبکه، آسیب پذیری شبکه راه ها $x_{i}$ همانطور که در رابطه (2) [ 72 ] نشان داده شده است، تعریف شده است.

ایکس من = E من E 0

(2)

جایی که $x_{i}$ آسیب پذیری بخش جاده i است . $E_{0}$ راندمان جهانی شبکه اولیه است که نشان دهنده میانگین معکوس کوتاهترین فاصله بین تقاطع های بخش جاده در منطقه مورد مطالعه است ( جدول 3 ). $E_{i}$ بازده شبکه سراسری شبکه پس از خرابی عنصر i است که به روش مشابه محاسبه می شود. $E_{0}$ پس از حذف بخش جاده $i$ . پس از شکست بخش جاده، هر چه کاهش بازده شبکه بیشتر باشد، آسیب پذیری کمتری خواهد داشت. برعکس، هر چه کاهش بازده شبکه کمتر معنی دار باشد، آسیب پذیری بیشتر خواهد بود. آسیب پذیری کم نشان می دهد که خرابی بخش جاده تأثیر زیادی بر کارایی شبکه جهانی دارد. در همین حال، آسیب پذیری بالا نشان می دهد که خرابی بخش جاده تأثیر کمی بر کارایی شبکه جهانی دارد. ما کارایی شبکه جهانی را با استفاده از زبان پایتون و کتابخانه NetworkX محاسبه کردیم.

الگوهای فضایی آسیب‌پذیری جاده با استفاده از روش همبستگی مکانی مورد تجزیه و تحلیل قرار می‌گیرند. از دیدگاه جهانی، ما تشخیص می‌دهیم که آیا توزیع آسیب‌پذیری جاده با استفاده از Moran’s I (معادله (3)) خوشه‌بندی شده است [ 32 ].

من = n \sum n i = 1 \sum n j = 1 دبلیو من ج ( ایکس من - ایکس ¯ ) ( ایکس j - ایکس ¯ ) \sum n i = 1 ( ایکس من - ایکس ¯ ) 2 \sum n i = 1 \sum n j = 1 دبلیو من ج (i \neq j)

(3)

که در آن n تعداد لبه های شبکه راه است. $x_{i}$ و $x_{j}$ میانگین شاخص های آسیب پذیری مربوط به لبه i و یال j را نشان می دهد. و $W_{i j}$ وزن مکانی است مقدار Moran’s I از 1- تا 1 متغیر است. در سطح معنی‌داری معین، I > 0 نشان‌دهنده وجود همبستگی فضایی مثبت است، یعنی توزیع خوشه‌ای فضایی بارزتر است. آماره استاندارد Z اغلب برای آزمون سطح معنی داری موران I (معادله (4)) استفاده می شود.

ز s c o r e = 1 - E ( من ) V A R ( I ) ——-\sqrt

(4)

جایی که $E (I)$ و VAR(I) به ترتیب مقدار و واریانس مورد انتظار Moran’s I را نشان می دهد. برای بررسی بیشتر الگوی توزیع محلی آسیب‌پذیری جاده‌ها و شناسایی مناطق «نقطه داغ» و «نقطه سرد» آسیب‌پذیری شبکه، Getis-Ord $G_{i}^{*}$ از آمار برای تجزیه و تحلیل مناطق غلظت با ارزش و کم ارزش توزیع آسیب پذیری لبه های مختلف استفاده می شود (معادله (5)) [ 73 ]. الگوهای خوشه‌بندی فضایی آسیب‌پذیری شبکه جاده‌ای با استفاده از همبستگی خودکار مکانی و ابزارهای ژئوپردازش نقطه سرد در ArcGIS بررسی می‌شوند.

جی * من = \sum n j = 1 دبلیو من ج ایکس من - ایکس ¯ \sum n j = 1 دبلیو من ج اس [ n \sum n j = 1 دبلیو 2 من ج - ( \sum n j = 1 دبلیو من ج ) 2 ] n - 1 —————-\sqrt ، ایکس ¯ = \sum n j = 1 ایکس 2 j n ، اس = \sum n j = 1 ایکس 2 j n - (ایکس ¯) 2 ————\sqrt

(5)

3.3. مدل خرابی آبشار شبکه راه

هنگام تجزیه و تحلیل ویژگی‌های خرابی آبشاری شبکه راه، فرض می‌شود که خرابی در لبه خاصی از شبکه رخ می‌دهد و پس از حذف این لبه، ترافیک بار اصلی به بخش‌های جاده مجاور تغییر مسیر می‌دهد. بار در بخش‌های جاده‌ای مجاور بر این اساس تغییر می‌کند و دور جدیدی از بارها را ایجاد می‌کند که در سایر جاده‌های بدون شکست توزیع می‌شود. این فرآیند منجر به یک اثر آبشاری می شود ( شکل 4) که بر کارایی شبکه راه ها تأثیر می گذارد. حجم ترافیک جاده معمولاً به عنوان یک شاخص برای منعکس کردن بار جاده استفاده می شود. با این حال، هنگامی که یک طوفان باران رخ می دهد، حجم ترافیک جاده به طور قابل توجهی کاهش می یابد و نمی تواند به طور دقیق تغییر بار را منعکس کند. در اینجا، بار جاده با استفاده از شاخص مرکزیت بین شبکه پیچیدگی محاسبه می شود. بار اولیه یک قطعه جاده i به صورت تعریف می شود $L_{i} (0)$ (معادله (6)) [ 74 ، 75 ].

L من (0) = ج ب (من) = \sum s ، t\in V_σ ( s , t | i ) σ ( s , t )

(6)

جایی که $V$ مجموعه ای از گره های شبکه است، $σ (s, t)$ تعداد کوتاه ترین مسیرها در شبکه است و $σ (s, t | i)$ تعداد کوتاه ترین مسیرها از طریق لبه است $i$ . پس از شکست یک بخش جاده، بار اصلی در آن جاده دوباره توزیع می شود و بنابراین بار ترافیک به لبه مجاور دوباره توزیع می شود. $i$ از لبه شکست خورده $j$ همانطور که در رابطه (7) نشان داده شده است:

Δ L j = ک j L من (0) = ج ب ( j ) \sum m\in _ r φ ج ب ( متر ) L من (0)

(7)

جایی که $k_{j}$ نشان دهنده نسبت بار در اصل بر روی لبه شکست خورده توزیع شده به لبه مجاور است $j$ ، $c_{B} (j)$ بین لبه مجاور است $j$ ، و $r_{φ}$ مجموعه ای از گره های مجاور لبه است $j$ . بر این اساس، بار یک بخش جاده به مجموع بار اولیه بخش جاده و بار توزیع شده جدید، همانطور که در رابطه (8) نشان داده شده است، به روز می شود.

L j (t) = L j (t - 1) + Δ L j

(8)

جایی که $L_{j} (t - 1)$ بار روی لبه مجاور است $v_{j}$ گره شبکه ناموفق در حال حاضر $t - 1$ . با افزایش بار در بخش جاده مجاور، رابطه بین $L_{j} (t)$ و اولیه $L_{j} (0)$ باید دوباره تعیین شود و اگر بار با بار اولیه برابر نباشد، بخش جاده یک لبه آسیب دیده است (معادله (9)).

اف j (t) = ⎧⎩⎨⎪⎪ 1 ، L j (t) < L j (0) 0, L j (t) = L j (0) - 1 ، L j (t) > L j (0)

(9)

که در آن 0 نشان دهنده یک بخش جاده با بار ثابت، 1 یک بخش جاده با بار افزایش یافته و -1 نشان دهنده یک بخش جاده با بار کاهش یافته است.

در این مطالعه، با کمک ماژول تجزیه و تحلیل فضایی در ArcGIS، مجموعه داده شبکه جاده را می سازیم، سپس مجموعه داده را به کتابخانه NetworkX برای محاسبه متریک شبکه پیچیدگی با استفاده از زبان پایتون و کتابخانه ArcPy صادر می کنیم. ما ماتریس وزن فضایی را بر اساس ماتریس مجاورت، سپس شاخص جهانی Moran’s I و الگوهای خوشه‌ای فضایی آسیب‌پذیری شبکه جاده ایجاد می‌کنیم.

x_{i}

) با استفاده از خودهمبستگی فضایی و ابزارهای ژئوپردازش نقطه سرد در ArcGIS مورد بررسی قرار می گیرند. علاوه بر این، کتابخانه Pandas یا NumPy برای محاسبات کمکی مرتبط مانند ضرایب همبستگی استفاده می شود.

4. نتایج

4.1. ویژگی های پیچیدگی شبکه در شبکه راه

شبکه راه در ژنگژو شامل 1049 گره و 1836 لبه است. درجه گره ها در شبکه راه ها را گره می گویند. تابع درجه در کتابخانه NetworkX از زبان پایتون استفاده می کند. همانطور که در شکل 5 الف نشان داده شده است، نمودار آماری میله ای را ایجاد می کند . سپس، توزیع درجه تجمعی با استفاده از تابع برازش قانون قدرت در کتابخانه NumPy برازش می‌شود. همانطور که در شکل 5 نشان داده شده استالف، شبکه راه در منطقه مورد مطالعه دارای حداکثر درجه گره 5.0، حداقل درجه گره 1.0 و درجه گره متوسط 3.5 است. گره های با درجه یک نشان دهنده نقاط شروع جاده، گره های با درجه دو نشان دهنده نقاط عطف جاده و گره هایی با درجه بزرگتر از دو تقاطع هستند. از نظر کمی، گره های تقاطع بر شبکه راه ها غالب هستند. توزیع درجه گره شبکه جاده در منطقه مورد مطالعه برازش شده است و به عنوان یک توزیع قدرت-قانون با خوبی برازش بالای 0.98 است. توزیع درجه بسیار غیریکنواخت است و شبکه دارای ویژگی های بدون مقیاس است ( شکل 5آ). با محاسبه کوتاه‌ترین فاصله و آمار ضریب خوشه‌بندی شبکه جاده‌ای با استفاده از کتابخانه NetworkX، توزیع‌های احتمال آنها به ترتیب با استفاده از تابع برازش گاوسی و قانون قدرت برازش می‌شوند ( شکل 5 b,c). کوتاه ترین طول مسیر شبکه جاده ای حداکثر (قطر شبکه) 1.10 ساعت، حداقل 0.01 ساعت و میانگین 0.40 ساعت است ( شکل 5).ب). فاصله از توزیع گاوسی با خوبی برازش بالای 0.99 پیروی می کند. ضریب خوشه‌بندی شبکه جاده‌ای حداکثر 0.08 است که 0.20 درصد را شامل می‌شود. حداقل مقدار 0، که برای 90.55٪ از گره ها صادق است. و میانگین 0.0016. میانگین ضریب خوشه‌بندی کل شبکه راه در منطقه مورد مطالعه کوچک است که نشان دهنده بالا بودن تراکم جاده‌ها در منطقه مورد مطالعه است. میانگین ضریب خوشه‌بندی بزرگتر از صفر است، که نشان می‌دهد شبکه جاده‌ای ممکن است به عنوان یک شبکه جهانی کوچک مشخص شود. توزیع ضریب خوشه بندی برازش می شود، و منحنی توزیع حاصل با توزیع قانون توان با خوبی برازش بالای 0.98 مطابقت دارد ( شکل 5 ج).

4.2. توزیع فضایی آسیب پذیری جاده

آسیب پذیری جاده ها در منطقه مورد مطالعه با استفاده از رابطه (1) محاسبه شده و نتایج در جدول 4 نشان داده شده است.. اکثر بخش های جاده (1655 یا 90.09٪) دارای آسیب پذیری کمتر از یک، با طول کل 1083.75 کیلومتر هستند. حداقل آسیب پذیری که 0.9839 است، در جاده های شریانی شهری رخ می دهد. 20 بخش جاده (1.14٪) دارای آسیب پذیری بالاتر از یک هستند که حداکثر آسیب پذیری (که 1.0013 است) در جاده های درجه سوم ظاهر می شود. میانگین کلی آسیب‌پذیری جاده‌ها 0.9991 است که بالاتر از مقادیر متوسط بزرگراه‌های شهری و راه‌های شریانی شهری و کمتر از مقادیر متوسط راه‌های فرعی شهری، راه‌های سوم و راه‌های فرعی است. انحراف معیار آسیب‌پذیری جاده‌های فرعی، راه‌های سوم و جاده‌های فرعی کم است، اما انحراف معیار آسیب‌پذیری بزرگراه‌های شهری و جاده‌های شریانی شهری بزرگ‌تر از سطح کلی است.

زمان های مختلف سفر در جاده ها منجر به ناهمگونی فضایی قابل توجهی در آسیب پذیری بخش های مختلف جاده می شود ( شکل 6آ). خرابی جاده منجر به کاهش راندمان جهانی شبکه می شود. هرچه آسیب پذیری یک بخش جاده کمتر باشد، تأثیر خرابی بخش جاده بر کارایی ترافیک جهانی شبکه بیشتر می شود. جاده‌های با آسیب‌پذیری کم اغلب متعلق به جاده‌های کمربندی و جاده‌های شهری مرکزی هستند و به بخش‌های جاده‌ای منشعب از جاده‌های شعاعی متصل می‌شوند و این جاده‌ها را تنها جاده‌هایی می‌سازد که به جاده‌های دیگر شبکه می‌رسند. علاوه بر این، این جاده ها دارای زمان سفر کوتاه و نرخ بهره برداری بالایی هستند. علاوه بر این، پس از از کار افتادن جاده‌های انشعابی، شبکه قطع می‌شود که منجر به کاهش کارایی جهانی شبکه می‌شود. هر چه یک جاده انشعابی به جاده های کمربندی شهری و مرکز شهری نزدیکتر باشد، کاهش راندمان بارزتر است. تعداد کمی از جاده ها دارای آسیب پذیری بیشتر از یک هستند. این جاده‌ها عموماً در حاشیه شهر قرار دارند و نقاط شروع راه‌ها را در بر می‌گیرند و خرابی این جاده‌ها تا حدی باعث کاهش حداکثر زیرگراف متصل، کاهش کوتاه‌ترین مسیر و بهبود کارایی شبکه جهانی می‌شود. خرابی جاده های درجه بالا بیشترین تأثیر را بر کارایی کلی شبکه دارد. برای تجزیه و تحلیل بیشتر توزیع آسیب پذیری درجات مختلف جاده ها، نمایه آسیب پذیری جاده در جهت شرق به غرب ترسیم شده است.شکل 6 ب) و جهت جنوب به شمال ( شکل 6 ج). آسیب‌پذیری جاده در هر جهت، الگوی توزیع را نشان می‌دهد که در وسط کم و در ناحیه اطراف بالاست. جاده های کمربندی نزدیک به مرکز شهری کمترین آسیب پذیری را دارند، به ویژه جاده های کمربندی اول و دوم که درجه و مرکزیت بین آن ها در شبکه راه های شهری بیشتر از بقیه است. در مقایسه، برخی از جاده های واقع در حاشیه شهر به دلیل فاصله زیاد از مرکز شهری و درجه پایین تر از آسیب پذیری بالایی برخوردار هستند.

با توجه به شاخص‌های آسیب‌پذیری بخش‌های مختلف جاده، الگوهای فضایی آن‌ها را می‌توان بیشتر برای تشخیص ناحیه تمرکز با ارزش یا کم ارزش آسیب‌پذیری جاده شناسایی کرد ( شکل 7 ). جاده‌های ناحیه کم‌آسیب‌پذیری (L)، هنگامی که مورد حمله قرار می‌گیرند، به‌راحتی بر شبکه کلی تأثیر می‌گذارند، در حالی که شکست جاده‌ها در منطقه با آسیب‌پذیری بالا (H) تأثیر نسبتاً کمی بر شبکه کلی دارد. از منظر جهانی، آسیب‌پذیری شبکه راه در منطقه مورد مطالعه دارای Moran’s I برابر با 0.2929 است که دارای مقدار Z برابر با 12.567 است و آزمون معنی‌داری را پشت سر می‌گذارد و در نتیجه نشان‌دهنده خوشه‌بندی فضایی در توزیع آسیب‌پذیری جاده است. از دیدگاه محلی، نتایج یک Getis-Ord

G_{i}^{*}

تجزیه و تحلیل آماری ( شکل 7) نشان می دهد که مناطق H①، H②، H④، و H⑤ مناطقی با تمرکز بالا از آسیب پذیری جاده هستند. آنها در حاشیه شهر قرار دارند، جایی که خرابی جاده تأثیر کمی بر کارایی اصلی ترافیک شهری دارد. جاده‌های منطقه H③ درجه پایینی دارند، از جاده‌های مهم شهر دور هستند و نرخ بهره‌برداری پایینی دارند. از این رو، این منطقه همچنین یک منطقه تمرکز با ارزش بالا از آسیب پذیری جاده است. مناطق L①، L②، و L③ مناطقی با تمرکز کم ارزش آسیب‌پذیری جاده هستند. مناطق L① و L③ در نزدیکی تقاطع جاده های کمربندی و جاده های شریانی قرار دارند. از این رو این جاده ها راه های مهمی هستند که شرق و غرب شهر را به هم متصل می کنند. علاوه بر این، جاده ها درجه بالایی دارند و سرعت رانندگی بالایی دارند و بنابراین بار کلی بالایی دارند. جاده های منطقه L② در مرکز شهری واقع شده اند و کوتاه هستند. از این رو، سرعت فقط اندکی بر زمان سفر در این جاده ها تأثیر می گذارد و میزان استفاده از آن بالا است. در نتیجه، خرابی برخی از این جاده‌ها تا حد زیادی بر کارایی کلی ترافیک جاده‌ای تأثیر می‌گذارد.

4.3. الگوهای فضایی و زمانی شکست آبشار شبکه راه

خرابی جاده در مناطق با آسیب پذیری های مختلف به درجات مختلف به کل شبکه راه آسیب می رساند. چنین آسیبی به ویژه در طوفان های ناگهانی باران مشخص می شود. همانطور که در شکل 8 نشان داده شده استالف، در طول طوفان باران، نسبت خرابی های بخش جاده از 1.20٪ به 2.67٪ افزایش یافت و نسبت جاده های آسیب دیده همچنان افزایش یافت. بنابراین، راندمان ترافیک جاده‌ای در ابتدای بارش باران از 3.44 در 20 ژوئیه به 3.29 در 22 جولای کاهش یافت. بازده شبکه تا حدودی پس از 22 ژوئیه بهبود یافت، احتمالاً به این دلیل که پس از آسیب دیدن جاده‌ها، بار روی جاده‌های درجه بالا که عملیاتی باقی مانده بودند به طور مداوم افزایش یافت و ساختار شبکه تحت تأثیر افزایش تدریجی تعداد بخش‌های جاده‌ای شکست خورده قرار گرفت. . در نتیجه، قطر شبکه و زمان تردد در برخی از بخش‌های جاده کاهش یافت و در نتیجه کارایی شبکه افزایش یافت. هنگامی که یک شبکه توسط طوفان باران آسیب می بیند، جاده های درجه بالا، که زمان سفر کوتاهی دارند، به شدت تحت تاثیر قرار می گیرند، در حالی که جاده های کم درجه و کوتاه، که بیشترین تعداد را دارند، کمتر تحت تأثیر قرار می گیرند. از نظر بار جاده، همانطور که در نشان داده شده استشکل 8 ب، از 20 ژوئیه تا 22 ژوئیه، تعداد بخش های جاده با افزایش بار از 30.66٪ در 20 ژوئیه به 46.46٪ در 22 ژوئیه افزایش یافت. نسبت این بخش‌های جاده در 23 جولای کمی کمتر از 22 جولای بود. به طور کلی، روند تغییر در راندمان جهانی شبکه برخلاف نسبت جاده‌های با بار افزایشی و مطابق با نسبت جاده‌های با بار کاهشی بود.

برای بررسی الگوهای مکانی و زمانی خرابی آبشار شبکه راه در منطقه مورد مطالعه، شکل 9 نتیجه مدل شکست آبشار شبکه راه را ارائه می‌کند. از نظر توزیع مکانی، تعداد بخش‌های جاده با افزایش بار ناشی از طوفان به تدریج افزایش یافت ( شکل 9).). در 20 ژوئیه، تنها چند جاده شکست خورده وجود داشت که عمدتاً در قسمت جنوب شرقی منطقه مورد مطالعه متمرکز بودند و بخش‌های جاده آسیب‌دیده بیشتر در قسمت شرقی شهر بودند. با افزایش مداوم تعداد بخش های جاده ای شکست خورده، توزیع فضایی آنها از یک توزیع متمرکز در مناطق محلی به الگویی تبدیل شد که در آن عمدتاً در مرکز شهری و در مناطق اطراف توزیع شده بودند و در نتیجه باعث گسترش جاده های آسیب دیده به کل منطقه مورد مطالعه جاده های درجه بالا دارای سرعت بالا و زمان تردد کوتاه هستند. بنابراین، بار آنها تقریباً به طور کامل افزایش می یابد. در 22 ژوئیه، 46.46 درصد از بخش‌های جاده تحت تأثیر بخش‌های جاده‌ای شکست‌خورده قرار گرفتند که از نظر مکانی تحت سلطه جاده‌های کمربندی شهری و جاده‌های شعاعی قرار داشتند. و از جمله جاده های معمولی متصل به جاده های کمربندی شهری، جاده های شعاعی و جاده های شکست خورده.

4.4. ارتباط فضایی بین آسیب‌پذیری جاده و توزیع شکست آبشاری

با توجه به تغییر در بار جاده با شکست آبشاری شبکه راه، ارتباط بین مناطق مختلف آسیب‌پذیری جاده و توزیع‌های شکست آبشاری شبکه راه مورد تجزیه و تحلیل قرار می‌گیرد. همانطور که در شکل 10 نشان داده شده استبه طور کلی، نسبت بخش‌های جاده‌ای با بار افزایش‌یافته جاده در مناطق کم‌آسیب‌پذیر (L①، L② و L③) به طور متوسط 2.64 درصد بود و نسبت بخش‌های جاده با بار افزایش‌یافته در مناطق با آسیب‌پذیری بالا (H①، H②، H③، H④ و H⑤) 1.79٪ بود. افزایش بار در مناطق کم آسیب پذیری به طور قابل توجهی بیشتر از مناطق با آسیب پذیری بالا بود. نسبت بخش‌های جاده‌ای با بار افزایش‌یافته حداکثر 5.67 درصد در مناطق کم آسیب‌پذیر بود که در منطقه L② در 23 ژوئیه ظاهر شد، و حداکثر 3.92 درصد در مناطق با آسیب‌پذیری بالا (H①). با ادامه بارش باران، تعداد بخش‌های جاده‌ای از کار افتاده افزایش یافت و نسبت بخش‌های جاده‌ای با افزایش بار در مناطق با آسیب‌پذیری‌های مختلف بر این اساس تغییر کرد. در 20 ژوئیه، بیشترین نسبت بخش های جاده با افزایش بار 3 بود. 38% در ناحیه کم آسیب پذیر L② و 2.94% در ناحیه با آسیب پذیری بالا H①. در 21 ژوئیه، نسبت بخش‌های جاده‌ای با بار افزایش‌یافته در H① (3.54٪) و H④ به دلیل ارتباط با جاده‌های کمربندی و جاده‌های شریانی شهری بزرگ بود، و در L② به دلیل ارتباط با منطقه اصلی شهری بزرگ بود. . از 22 تا 23 ژوئیه، نسبت بخش‌های جاده با بارهای افزایش یافته در مناطق H④ و L② همچنان افزایش می‌یابد. برای تحلیل همبستگی بین خرابی آبشاری شبکه جاده‌ای ناشی از طوفان باران و آسیب‌پذیری بخش‌های جاده، ضرایب همبستگی پیرسون بین نسبت جاده‌های شکست‌خورده و نسبت بخش‌های جاده با افزایش بار در مناطق با آسیب‌پذیری‌های مختلف بیشتر محاسبه می‌شوند. . ضریب همبستگی برای منطقه نقطه داغ آسیب پذیری جاده 0- است. 265، نشان می دهد که در این منطقه، با افزایش تعداد جاده های شکست خورده، نسبت بخش های جاده با افزایش بار کاهش یافته و شکست آبشاری جاده تأثیر نسبتاً کمی بر شبکه راه ها داشته است. در ناحیه نقاط سرد آسیب‌پذیری جاده، نسبت بخش‌های جاده با افزایش بار و نسبت بخش‌های جاده شکست‌خورده با ضریب همبستگی 0.651 همبستگی مثبت دارند، که نشان می‌دهد در این منطقه، احتمال شکست آبشاری بخش‌های جاده بیشتر است. باعث ازدحام یا اختلال در ترافیک در مقیاس بزرگ شود. مناطق با آسیب پذیری کم خوشه ای بیشتر در طول طوفان باران تحت تأثیر قرار می گیرند و شکست آبشاری شبکه جاده ناشی از طوفان باران ویژگی های همبستگی متفاوتی را در مناطق مختلف با آسیب پذیری جاده های خوشه ای نشان می دهد.p = 0.05.

5. بحث

آسیب پذیری جاده ها شاخص مهمی است که استحکام شبکه های جاده ای را منعکس می کند. تجزیه و تحلیل آسیب‌پذیری جاده نشان می‌دهد که ناحیه تمرکز کم ارزش آسیب‌پذیری جاده در مرکز شهری و منطقه تمرکز با ارزش بالا آسیب‌پذیری جاده در منطقه پیرامونی شهر قرار دارد. در واقع آسیب پذیری جاده تحت تأثیر عوامل مختلفی قرار می گیرد. ضرایب همبستگی طول جاده، زمان سفر، و فاصله از مرکز شهری برای جاده‌های دارای تمرکز و مناطق غیر قابل توجه توزیع آسیب‌پذیری محاسبه شده است، همانطور که در جدول 5 نشان داده شده است.. در مقایسه با مناطق غیر قابل توجه توزیع آسیب‌پذیری، آسیب‌پذیری جاده در نواحی متمرکز به شدت با فاصله از مرکز شهری و طول جاده ارتباط دارد. یعنی هر چه جاده به مرکز شهری نزدیک‌تر باشد و طول جاده کوتاه‌تر باشد، آسیب‌پذیری جاده کمتر می‌شود و اختلال محلی شبکه راه‌ها بر کل شبکه جاده‌ها تأثیر بیشتری می‌گذارد. آسیب‌پذیری جاده با زمان سفر در مناطق متمرکز توزیع آسیب‌پذیری همبستگی مثبت دارد، و هر چه زمان سفر کوتاه‌تر باشد، آسیب‌پذیری جاده کمتر است، اما ضریب همبستگی کمی کوچک‌تر از ضریب همبستگی برای مناطق غیر قابل توجه است. در این میان، هر چه فاصله از مرکز شهری بیشتر باشد یا طول جاده بیشتر باشد و زمان سفر بیشتر باشد، آسیب پذیری جاده بیشتر می شود. استحکام شبکه راه بهتر است و تأثیر خرابی محلی بر کل شبکه راه کمتر است. در ناحیه غیر قابل توجه توزیع آسیب‌پذیری، طول جاده و فاصله از مرکز شهری با آسیب‌پذیری جاده همبستگی ضعیفی دارد.

تأثیر وزن‌های مختلف شبکه بر آسیب‌پذیری جاده با استفاده از طول بخش جاده به عنوان وزن شبکه بیشتر تحلیل می‌شود ( شکل 11).). به طور کلی، توزیع تعداد جاده‌های دارای آسیب‌پذیری مبتنی بر طول مشابه توزیع تعداد جاده‌های دارای آسیب‌پذیری مبتنی بر زمان است، به طوری که اکثر بخش‌های جاده‌ای دارای آسیب‌پذیری زیر یک هستند. با این حال، آسیب‌پذیری‌های جاده‌ای مبتنی بر طول دارای میانگین 0.9997 است که از میانگین آسیب‌پذیری جاده‌های مبتنی بر زمان (0.9991) بیشتر است و حداکثر و حداقل آسیب‌پذیری جاده مبتنی بر طول به ترتیب 1.0009 و 0.9930 است. از نظر توزیع، جاده‌های دارای آسیب‌پذیری مبتنی بر طول متمرکزتر از جاده‌های دارای آسیب‌پذیری مبتنی بر زمان هستند، و از این رو، توزیع تفاضلی آسیب‌پذیری جاده‌ها به طور کامل منعکس نمی‌شود. به دلیل تفاوت در درجه بندی جاده ها، بخش های مختلف جاده سرعت ترافیک متفاوتی دارند. از این رو،

با تحلیل آسیب‌پذیری شبکه راه‌ها و شناسایی مناطق با آسیب‌پذیری زیاد و کم جاده‌ای، می‌توان سیاست‌های برنامه‌ریزی و اقدامات مدیریتی مختلفی را در برنامه‌ریزی سیستم راه‌های شهری و مدیریت اضطراری بلایا اجرا کرد. مناطق با آسیب پذیری زیاد جاده ها عمدتاً در حاشیه شهر قرار دارند. ساختار شبکه این مناطق باید در طول برنامه ریزی بیشتر بهینه شود و جاده ها در این مناطق به عنوان مسیرهای تخلیه پشتیبان مورد استفاده قرار گیرند و راهنمایی ترافیک باید در طول مدیریت اضطراری برای کاهش فشار ترافیک در مناطق محلی انجام شود. برای مناطق با آسیب‌پذیری کم جاده، لازم است دولت‌های شهری جاده‌های جدید بیشتری بسازند، طول جاده‌های موجود را افزایش دهند. و افزایش تعداد جاده ها و تراکم شبکه راه ها برای بهبود استحکام شبکه راه ها. بهینه سازی ساختار فضایی شهری برای ساخت یک شهر چند مرکزی می تواند تأثیر فاصله از مرکز شهری بر آسیب پذیری جاده ها را کاهش دهد. در مدیریت اضطراری، مدیریت و کنترل شرایط ترافیکی باید در مناطقی با آسیب‌پذیری کم جاده تقویت شود تا در صورت بروز اختلال ناگهانی، به واکنش سریع و انحراف ترافیک دست یابد و از ازدحام و اختلال در ترافیک منطقه‌ای در مقیاس بزرگ جلوگیری شود و در نتیجه بهبود قابلیت واکنش اضطراری شهر در مواجهه با شرایط اضطراری، ساخت شهری تاب آورتر و ارتقای توسعه پایدار شهری. بهینه سازی ساختار فضایی شهری برای ساخت یک شهر چند مرکزی می تواند تأثیر فاصله از مرکز شهری بر آسیب پذیری جاده ها را کاهش دهد. در مدیریت اضطراری، مدیریت و کنترل شرایط ترافیکی باید در مناطقی با آسیب‌پذیری کم جاده تقویت شود تا در صورت بروز اختلال ناگهانی، به واکنش سریع و انحراف ترافیک دست یابد و از ازدحام و اختلال در ترافیک منطقه‌ای در مقیاس بزرگ جلوگیری شود و در نتیجه بهبود قابلیت واکنش اضطراری شهر در مواجهه با شرایط اضطراری، ساخت شهری تاب آورتر و ارتقای توسعه پایدار شهری. بهینه سازی ساختار فضایی شهری برای ساخت یک شهر چند مرکزی می تواند تأثیر فاصله از مرکز شهری بر آسیب پذیری جاده ها را کاهش دهد. در مدیریت اضطراری، مدیریت و کنترل شرایط ترافیکی باید در مناطقی با آسیب‌پذیری کم جاده تقویت شود تا در صورت بروز اختلال ناگهانی، به واکنش سریع و انحراف ترافیک دست یابد و از ازدحام و اختلال در ترافیک منطقه‌ای در مقیاس بزرگ جلوگیری شود و در نتیجه بهبود قابلیت واکنش اضطراری شهر در مواجهه با شرایط اضطراری، ساخت شهری تاب آورتر و ارتقای توسعه پایدار شهری.

6. نتیجه گیری

خرابی جاده ناشی از بلایای طبیعی یا حوادث اضطراری ترافیکی نه تنها منجر به افزایش بار جاده های اطراف و کاهش بازده ترافیکی یک شبکه می شود، بلکه باعث ازدحام یا اختلال در ترافیک می شود که به شدت بر ترافیک شهری و واکنش اضطراری تأثیر می گذارد. بر اساس داده‌های شبکه جاده‌ای برای ژنگژو، این مطالعه آسیب‌پذیری جاده‌ها را از نظر کارایی جهانی شبکه محاسبه می‌کند، توزیع فضایی آسیب‌پذیری جاده را تجزیه و تحلیل می‌کند و الگوی فضایی آسیب‌پذیری جاده در ژنگژو را با استفاده از Getis-Ord بررسی می‌کند.

G_{i}^{*}

آمار بر اساس مکان های قطعی واقعی جاده ناشی از غرقابی در طی طوفان باران 20 تا 23 ژوئیه در منطقه مورد مطالعه، الگوی مکانی و زمانی شکست آبشاری شبکه راه با استفاده از مدل شکست آبشاری بهبودیافته با استفاده از شاخص بین مرکزیت برای نشان دادن بار جاده، و ویژگی های ارتباط فضایی آسیب پذیری جاده و توزیع شکست آبشاری مورد بحث قرار می گیرد.

به طور کلی، آسیب پذیری اکثر بخش های جاده در منطقه مورد مطالعه کمتر از یک است و اختلال در آنها منجر به کاهش کارایی جهانی شبکه می شود. میانگین آسیب پذیری 0.9991 است و آسیب پذیری جاده های درجات مختلف به طور قابل توجهی متفاوت است. از نظر توزیع فضایی، ویژگی‌های ناهمگونی فضایی آسیب‌پذیری بخش‌های مختلف جاده قابل توجه است. به طور خاص، آسیب پذیری جاده های نزدیک به جاده های کمربندی شهری و مرکز شهری به طور کلی کم است، در حالی که جاده های با آسیب پذیری بالا عمدتاً در حاشیه شهر قرار دارند. آسیب‌پذیری جاده در محورهای شرق – غرب و شمال – جنوب، ویژگی‌های توزیع را به صورت بالا در وسط و پایین در دو انتها نشان می‌دهد. و پنج منطقه با آسیب‌پذیری زیاد جاده‌ای و سه منطقه با آسیب‌پذیری کم شناسایی شده‌اند. در طوفان باران، نسبت بخش‌های جاده‌ای ناموفق از 1.2 درصد به 2.67 درصد افزایش یافت و بازده شبکه در ابتدا به طور قابل توجهی کاهش یافت و سپس کمی برگشت. بارهای جاده روند تغییری را نشان دادند که اساساً با کارایی شبکه سازگار بود و الگوی توزیع فضایی آنها از تمرکز در مناطق محلی به تسلط در مرکز شهری با توزیع در مناطق اطراف تکامل یافت. در مناطقی با غلظت‌های آسیب‌پذیری جاده‌ای مختلف، نسبت جاده‌های مختل شده و نسبت بخش‌های جاده با بارهای افزایش‌یافته، ویژگی‌های همبستگی متفاوتی را نشان دادند: همبستگی منفی در مناطق با ارزش بالا،

انعطاف‌پذیری حمل‌ونقل، و به‌ویژه آسیب‌پذیری جاده‌ها در مورد ما، عاملی حیاتی در پایداری و مدیریت پس از بلایا شهرها است. ماهیت غیرقابل پیش بینی رویدادهای شدید مانند طوفان باران می تواند تأثیر قابل توجهی بر سیستم های جاده ای شهری داشته باشد. این مطالعه منطقه آسیب‌پذیری را شناسایی کرده و الگوهای مکانی و زمانی شکست آبشار در شبکه جاده‌ها را تحت شرایط باران واقعی کشف کرد. اگرچه مطالعات مرسوم از یک رویکرد تصادفی با حذف برخی از لبه های شبکه استفاده کرده اند، ما ترجیح دادیم این رویکرد قطعی را به عنوان یک سناریوی واقعی اتخاذ کنیم. مزایای اصلی روش ما به شرح زیر است. ابتدا، این مقاله الگوهای خوشه‌ای فضایی آسیب‌پذیری شبکه جاده‌ای را با استفاده از شاخص کارایی جهانی و Getis-Ord شناسایی کرد.

G_{i}^{*}

آمار دوم، الگوی مکانی – زمانی شکست آبشاری شبکه راه با استفاده از مدل شکست آبشاری، که با جایگزینی حجم ترافیک معمولی با شاخص مرکزیت بین‌المللی در شبکه پیچیده به عنوان معیار ظرفیت بار جاده، بهبود می‌یابد، تحلیل می‌شود. ثالثا، ارتباط فضایی بین آسیب‌پذیری جاده و توزیع شکست آبشاری به دقت بررسی می‌شود. این روش تحقیق در مورد الگوهای مکانی-زمانی آسیب‌پذیری شبکه جاده‌ای و شکست آبشاری و ارتباط فضایی آنها را از منظر فضایی افزایش داد.

تجزیه و تحلیل توزیع فضایی آسیب‌پذیری جاده‌های شهری و همچنین بحث درباره ویژگی‌های تداعی فضایی شکست آبشاری و توزیع آسیب‌پذیری جاده‌ها در شرایط بارش باران واقعی، اتخاذ سیاست‌ها و استراتژی‌های هدفمندتر در برنامه‌ریزی شهری و بلایا را ممکن می‌سازد. مدیریت اضطراری، به ما این امکان را می دهد که شهرهای انعطاف پذیرتر بسازیم و توسعه پایدار شهری را ارتقا دهیم. به عنوان مثال، تقویت نظارت بر ترافیک در مناطق آسیب پذیر برای بهبود توانایی واکنش سریع به اختلالات مهم است. برنامه ریزان شهری باید افزایش طول کلی جاده یا افزایش تراکم شبکه راه را برای افزایش استحکام شبکه جاده ای در نظر بگیرند. با این حال، برای به دست آوردن بینش بیشتر و رسیدن به نتایج بیشتر، مطالعات و کاربردهای بیشتری از سه موضوع زیر باید انجام شود: (1) برای تجزیه و تحلیل تأثیر ساختار شبکه راه ها بر آسیب پذیری و شکست آبشاری جاده ها با در نظر گرفتن سایر عوامل مانند عوامل اقتصادی، اجتماعی، محیطی و غیره. ; (2) بهینه سازی شبکه راه ها از منظر بهبود استحکام جاده ها به منظور افزایش قابلیت واکنش اضطراری حمل و نقل شهرها در مواجهه با شرایط اضطراری؛ (iii) گسترش روش به سایر شبکه‌های زیرساختی مانند شبکه‌های برق برای ارائه پشتیبانی نظری و روش‌شناختی برای پیشگیری از بلایا و نجات پس از بلایا. و عوامل محیطی و غیره؛ (2) بهینه سازی شبکه راه ها از منظر بهبود استحکام جاده ها به منظور افزایش قابلیت واکنش اضطراری حمل و نقل شهرها در مواجهه با شرایط اضطراری؛ (iii) گسترش روش به سایر شبکه‌های زیرساختی مانند شبکه‌های برق برای ارائه پشتیبانی نظری و روش‌شناختی برای پیشگیری از بلایا و نجات پس از بلایا. و عوامل محیطی و غیره؛ (2) بهینه سازی شبکه راه ها از منظر بهبود استحکام جاده ها به منظور افزایش قابلیت واکنش اضطراری حمل و نقل شهرها در مواجهه با شرایط اضطراری؛ (iii) گسترش روش به سایر شبکه‌های زیرساختی مانند شبکه‌های برق برای ارائه پشتیبانی نظری و روش‌شناختی برای پیشگیری از بلایا و نجات پس از بلایا.

منابع

پاپیلود، تی. کیلر، ام. الگوهای آسیب‌پذیری شبکه جاده‌ای در برابر سیلاب‌های شدید بر اساس معیارهای دسترسی. ترانسپ Res. قسمت D Transp. محیط زیست 2021 ، 100 ، 103045. [ Google Scholar ] [ CrossRef ]
Papalexiou، SM; Montanari، A. افزایش جهانی و منطقه ای شدید بارش تحت گرمایش جهانی. منبع آب Res. 2019 ، 55 ، 4901-4914. [ Google Scholar ] [ CrossRef ]
حسن، س. Foliente، G. مدل‌سازی وابستگی‌های متقابل سیستم زیرساخت و اثرات اجتماعی-اقتصادی شکست در رویدادهای شدید: چالش‌های R&D در حال ظهور. نات. خطرات 2015 ، 78 ، 2143-2168. [ Google Scholar ]
بابک، پی. دیلنارد، ال. الفیری، ال. فاین، ال. تیکن، ق. Kellermann, P. گرم شدن زمین برای افزایش خطر سیل در راه آهن اروپا. صعود تغییر 2019 ، 155 ، 19-36. [ Google Scholar ] [ CrossRef ]
Weiner, E. برنامه ریزی حمل و نقل شهری در ایالات متحده ; Springer: برلین/هایدلبرگ، آلمان، 1987. [ Google Scholar ]
کلئوفاس، سی. کوتریل، سی. Ehmke، JF; Tierney، K. حمل و نقل شهری مشارکتی: پیشرفت های اخیر در تئوری و عمل. یورو جی. اوپر. Res. 2019 ، 273 ، 801–816. [ Google Scholar ] [ CrossRef ]
وانگ، کیو. Nie, X. یک مدل برنامه ریزی تصادفی برای برنامه ریزی تامین اضطراری با در نظر گرفتن کاهش شبکه حمل و نقل و تراکم ترافیک. اجتماعی اقتصادی طرح. علمی 2022 ، 79 ، 101119. [ Google Scholar ] [ CrossRef ]
بوساری، ع. لوتو، آر. آجایی، س. اودونلامی، او. فولاک، ا. کهنده، او. اولاوویی، او. بهبود ازدحام ترافیک شهری برای حمل و نقل پایدار. در مجموعه مجموعه مقالات کنفرانس IOP: علم و مهندسی مواد. انتشارات IOP: بریستول، انگلستان، 2021; پ. 012102. [ Google Scholar ]
ژائو، جی. لی، دی. سنهدرای، ح. کوهن، آر. هاولین، اس. انتشار فضایی و زمانی خرابی های اضافه بار آبشاری در شبکه های جاسازی شده فضایی. نات. اشتراک. 2016 ، 7 ، 10094. [ Google Scholar ] [ CrossRef ]
بردیکا، ک. مقدمه ای بر آسیب پذیری جاده: آنچه انجام شده، انجام شده و باید انجام شود. ترانسپ سیاست 2002 ، 9 ، 117-127. [ Google Scholar ] [ CrossRef ]
جنلیوس، ای. پترسن، تی. ماتسسون، ال.-جی. اهمیت و قرار گرفتن در معرض در تحلیل آسیب‌پذیری شبکه جاده‌ای ترانسپ Res. بخش A سیاست سیاست. 2006 ، 40 ، 537-560. [ Google Scholar ] [ CrossRef ]
جنلیوس، ای. ماتسسون، ال.-جی. تحلیل آسیب‌پذیری شبکه جاده: مفهوم‌سازی، اجرا و کاربرد محاسبه کنید. محیط زیست سیستم شهری 2015 ، 49 ، 136-147. [ Google Scholar ] [ CrossRef ]
شیائو، اف. لی، جی. وی، بی. تجزیه و تحلیل شکست آبشاری و شناسایی گره بحرانی در شبکه های پیچیده. فیزیک یک آمار مکانیک. برنامه آن است. 2022 ، 596 ، 127117. [ Google Scholar ] [ CrossRef ]
وانگ، اس. چن، سی. ژانگ، جی. گو، ایکس. Huang, X. ارزیابی آسیب‌پذیری سیستم‌های ترافیک جاده‌ای شهری بر اساس جریان ترافیک. بین المللی جی. کریت. زیرساخت. Prot. 2022 ، 38 ، 100536. [ Google Scholar ] [ CrossRef ]
نور، MA; اشرفی، س. فتاح، م. Morshed, SR; رحمان، س. ارزیابی سناریوی تراکم ترافیک در مناطق CBD در یک شهر در حال توسعه: در زمینه شهر Khulna، بنگلادش. ترانسپ Res. بین رشته ای. چشم انداز 2021 ، 11 ، 100435. [ Google Scholar ] [ CrossRef ]
ژو، ا. پیتا، اس. یانگ، م. وانگ، جی. کنترل تقاطع بدون سیگنال تعاونی با استفاده از جوخه مجازی و تنظیم جریان ترافیک. ترانسپ Res. قسمت C Emerg. تکنولوژی 2022 ، 138 ، 103610. [ Google Scholar ] [ CrossRef ]
وی، اچ. ژنگ، جی. گایا، وی. لی، زی. پیشرفت‌های اخیر در یادگیری تقویتی برای کنترل سیگنال ترافیک: بررسی مدل‌ها و ارزیابی. ACM SIGKDD Explor. Newsl. 2021 ، 22 ، 12-18. [ Google Scholar ] [ CrossRef ]
دو، ی. شانگ گوان، دبلیو. Chai، L. یک روش کنترل خودرو-سیگنال جفت شده در تقاطع های علامت دار در محیط ترافیک مختلط. IEEE Trans. وه تکنولوژی 2021 ، 70 ، 2089-2100. [ Google Scholar ] [ CrossRef ]
تیان، جی. نیش، اچ. لیو، جی. ژائو، اف. Ren, C. تحلیل استحکام شبکه های خیابانی شهری با استفاده از روش شبکه پیچیده. Geomat. Inf. علمی دانشگاه ووهان 2019 ، 44 ، 771-777. [ Google Scholar ]
دوان، ی. Lu, F. تحلیل استحکام شبکه جاده های شهری در دانه بندی های مختلف. در ادغام فضا-زمان در جغرافیا و علم GIS ; Springer: Dordrecht، هلند، 2015; صص 127-143. [ Google Scholar ]
اسکات، دی.م. نواک، دی سی؛ اولتمن هال، ال. Guo, F. شاخص استحکام شبکه: روشی جدید برای شناسایی پیوندهای حیاتی و ارزیابی عملکرد شبکه های حمل و نقل. J. Transp. Geogr. 2006 ، 14 ، 215-227. [ Google Scholar ] [ CrossRef ]
ژانگ، جی. خو، X. هونگ، ال. وانگ، اس. Fei, Q. تحلیل شبکه ای از شبکه متروی شانگهای، در چین. فیزیک یک آمار مکانیک. برنامه آن است. 2011 ، 390 ، 4562-4570. [ Google Scholar ] [ CrossRef ]
یانگ، ی. لیو، ی. ژو، ام. لی، اف. Sun، C. ارزیابی استحکام حمل و نقل ریلی شهری بر اساس نظریه شبکه پیچیده: مطالعه موردی متروی پکن. Saf. علمی 2015 ، 79 ، 149-162. [ Google Scholar ] [ CrossRef ]
زینگ، ی. لو، جی. چن، اس. Dissanayake، S. تجزیه و تحلیل آسیب پذیری حمل و نقل ریلی شهری بر اساس نظریه شبکه پیچیده: مطالعه موردی متروی شانگهای. ترانسپ عمومی 2017 ، 9 ، 501-525. [ Google Scholar ] [ CrossRef ]
بلینگری، ام. بواکوا، دی. Scotognella، F. ژه مینگ، ال. کاسی، دی. اثربخشی استراتژی‌های حمله محلی در شبکه وزنی مجتمع جاده‌ای پکن. فیزیک یک آمار مکانیک. برنامه آن است. 2018 ، 510 ، 316-328. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
قهوه ای، GG; کارلایل، WM; سالمرون، جی. وود، ک. تجزیه و تحلیل آسیب پذیری زیرساخت های حیاتی در برابر حمله و برنامه ریزی دفاعی. در نظریه، روش‌ها و کاربردهای نوظهور ؛ اطلاعات: Catonsville, MD, USA, 2005; صص 102-123. [ Google Scholar ]
سان، اس. لیو، ز. چن، ز. یوان، Z. تحمل خطا و حمله شبکه های در حال تکامل با پیوست ترجیحی محلی. فیزیک یک آمار مکانیک. برنامه آن است. 2007 ، 373 ، 851-860. [ Google Scholar ] [ CrossRef ]
واتس، دی جی؛ استروگاتز، SH دینامیک جمعی شبکه‌های «جهان کوچک». طبیعت 1998 ، 393 ، 440-442. [ Google Scholar ] [ CrossRef ] [ PubMed ]
برچه، بی. هولوواچ، تی. هولواچ، ی. فون فربر، سی. داستان دو شهر. آسیب‌پذیری‌های شبکه‌های ترانزیت لندن و پاریس J. Transp. امن 2012 ، 5 ، 199-216. [ Google Scholar ]
لاتورا، وی. مارچیوری، ام. آیا متروی بوستون یک شبکه جهانی کوچک است؟ فیزیک یک آمار مکانیک. برنامه آن است. 2002 ، 314 ، 109-113. [ Google Scholar ] [ CrossRef ]
گتیس، الف. تأملاتی در مورد خودهمبستگی فضایی. Reg. علمی اقتصاد شهری 2007 ، 37 ، 491-496. [ Google Scholar ] [ CrossRef ]
بالیجپالی، سی. Oppong، O. اندازه‌گیری آسیب‌پذیری شبکه جاده‌ای با توجه به میزان سرویس‌پذیری پیوندهای جاده‌ای حیاتی در مناطق شهری. J. Transp. Geogr. 2014 ، 39 ، 145-155. [ Google Scholar ] [ CrossRef ]
Motter، AE; لای، Y.-C. حملات مبتنی بر آبشار به شبکه های پیچیده فیزیک Rev. E 2002 , 66 , 065102. [ Google Scholar ] [ CrossRef ]
کینی، آر. کروسیتی، پی. آلبرت، آر. Latora، V. مدل سازی خرابی های آبشاری در شبکه برق آمریکای شمالی. یورو فیزیک J. B متراکم می شود. سیستم مجتمع ماده 2005 ، 46 ، 101-107. [ Google Scholar ] [ CrossRef ]
رن، دبلیو. وو، جی. ژانگ، ایکس. لای، آر. چن، ال. یک مدل تصادفی از دینامیک شکست آبشاری در شبکه های ارتباطی. IEEE Trans. سیستم مدار. II Express Briefs 2018 , 65 , 632-636. [ Google Scholar ] [ CrossRef ]
فو، ایکس. یانگ، ی. مدل‌سازی و تحلیل شکست‌های آبشاری برای اینترنت اشیا. Inf. علمی 2021 ، 545 ، 753-770. [ Google Scholar ] [ CrossRef ]
بوزنا، ال. پیترز، ک. Helbing، D. مدل سازی پویایی گسترش بلایا در شبکه ها. فیزیک یک آمار مکانیک. برنامه آن است. 2006 ، 363 ، 132-140. [ Google Scholar ] [ CrossRef ]
Weng، WG; Ni، SJ; یوان، HY; فن، WC مدل‌سازی پویایی انتشار فاجعه از گره‌های کلیدی در شبکه‌های پیچیده. بین المللی J. Mod. فیزیک C 2007 , 18 , 889-901. [ Google Scholar ] [ CrossRef ]
دوان، دی. Lv، C.; سی، اس. وانگ، ز. لی، دی. گائو، جی. هاولین، اس. استنلی، HE; Boccaleti, S. رفتار جهانی خرابی های آبشاری در شبکه های وابسته به هم. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2019 ، 116 ، 22452–22457. [ Google Scholar ] [ CrossRef ]
چن، سی. خو، ال. ژائو، دی. خو، تی. Lei, P. مدلی جدید برای توصیف تاب‌آوری شهری با توجه به سازگاری، مقاومت و بازیابی. Saf. علمی 2020 , 128 , 104756. [ Google Scholar ] [ CrossRef ]
وانگ، XF; Xu, J. خرابی های آبشاری در شبکه های نقشه جفت شده. فیزیک Rev. E 2004 , 70 , 056113. [ Google Scholar ] [ CrossRef ]
ژنگ، J.-F. گائو، Z.-Y. ژائو، X.-M. مدل سازی خرابی های آبشاری در شبکه های پیچیده متراکم فیزیک یک آمار مکانیک. برنامه آن است. 2007 ، 385 ، 700-706. [ Google Scholar ] [ CrossRef ]
لو، QC; ژانگ، ال. Xu، PC; کوی، ایکس. لی، جی. آسیب پذیری شبکه مدل سازی حمل و نقل ریلی شهری تحت خرابی های آبشاری: رویکرد شبکه های نقشه جفت شده. Reliab. مهندس سیستم Saf. 2022 ، 221 ، 108320. [ Google Scholar ] [ CrossRef ]
شن، ی. رن، جی. Ran، B. تجزیه و تحلیل شکست آبشاری و بهینه سازی استحکام شبکه های مترو بر اساس شبکه های نقشه جفت شده: مطالعه موردی نانجینگ، چین. حمل و نقل 2021 ، 48 ، 537-553. [ Google Scholar ] [ CrossRef ]
وو، جی. گائو، ز. Sun, H. اثرات خرابی های آبشاری بر روی شبکه های ترافیکی بدون مقیاس. فیزیک یک آمار مکانیک. برنامه آن است. 2007 ، 378 ، 505-511. [ Google Scholar ] [ CrossRef ]
وو، جی. سان، اچ. Gao, Z. خرابی های آبشاری در شبکه های تعادل ترافیک شهری وزن دار. فیزیک یک آمار مکانیک. برنامه آن است. 2007 ، 386 ، 407-413. [ Google Scholar ] [ CrossRef ]
دوی، اچ. منگ، ایکس. شیائو، اچ. Guo, J. تجزیه و تحلیل شکست آبشاری برای شبکه های بدون مقیاس بر اساس یک بازی تکاملی چند استراتژی. Reliab. مهندس سیستم Saf. 2020 ، 199 ، 106919. [ Google Scholar ] [ CrossRef ]
کورنبلوت، ی. کویلیچ، جی. Buldyrev، SV; سلطان، س. Zussman, G. توزیع خاموشی در شبکه برق و مدل Motter و Lai. فیزیک Rev. E 2021 , 103 , 032309. [ Google Scholar ] [ CrossRef ] [ PubMed ]
سو، ز. لی، ال. پنگ، اچ. کورتس، جی. شیائو، جی. یانگ، ی. استحکام شبکه های ترافیکی مرتبط با خرابی های آبشاری. علمی Rep. 2014 , 4 , 5413. [ Google Scholar ] [ CrossRef ]
سان، اچ. ژائو، اچ. Wu, J. یک مدل تطبیقی قوی از ظرفیت با شکست آبشاری دفاعی در شبکه‌های پیچیده. فیزیک یک آمار مکانیک. برنامه آن است. 2008 ، 387 ، 6431-6435. [ Google Scholar ] [ CrossRef ]
Motter، AE Cascade کنترل و دفاع در شبکه های پیچیده. فیزیک کشیش لِت 2004 , 93 , 098701. [ Google Scholar ] [ CrossRef ]
دونگ، اس. یو، تی. فرهمند، ح. مصطفوی، الف. مدل‌سازی احتمالی خطر شکست آبشاری در شبکه‌های کانال و جاده وابسته به هم در سیلاب شهری. حفظ کنید. جامعه شهرها 2020 , 62 , 102398. [ Google Scholar ] [ CrossRef ]
ما، اف. لیو، اف. یوئن، KF; لای، پ. سان، س. Li، X. شکست های آبشاری و تکامل آسیب پذیری در شبکه های دولایه پیچیده اتوبوس-مترو تحت شرایط آب و هوایی بارانی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2019 ، 16 ، 329. [ Google Scholar ] [ CrossRef ]
هوانگ، دبلیو. ژو، بی. یو، ی. سان، اچ. Xu، P. استفاده از نظریه گسترش فاجعه برای تجزیه و تحلیل شکست آبشاری شبکه حمل و نقل ریلی شهری. Reliab. مهندس سیستم Saf. 2021 ، 215 ، 107825. [ Google Scholar ] [ CrossRef ]
سانتوس، جی آر. سافیتری، ND; سفیرا، م. Varghese, V. Chikaraishi، M. آسیب پذیری شبکه جاده و ویژگی های سطح شهر: تجزیه و تحلیل مقایسه ای سراسری شهرهای ژاپن. محیط زیست طرح. ب مقعد شهری. علوم شهر 2021 ، 48 ، 1091-1107. [ Google Scholar ] [ CrossRef ]
Valenzuela، JFB; Legara، EFT; Monterola، CP Typology، ویژگی های شبکه و پاسخ آسیب در سیستم های جاده شهری در سراسر جهان. PLoS ONE 2022 , 17 , e0264546. [ Google Scholar ] [ CrossRef ]
کرمانشاه، ع. Derrible، S. استحکام سیستم های جاده ای در برابر سیل شدید: استفاده از عناصر GIS، تقاضای سفر و علم شبکه. نات. خطرات 2017 ، 86 ، 151-164. [ Google Scholar ] [ CrossRef ]
اداره آمار ژنگژو گزارش رشد جمعیت ژنگژو در سال 2021. در دسترس به صورت آنلاین: https://tjj.zhengzhou.gov.cn/tjgb/6490689.jhtml (در 16 ژوئن 2022 قابل دسترسی است).
خو، اس. ژو، Z. مطالعه در مورد طوفان شدید باران 7-20 و کنترل سیل خط مترو در ژنگژو. منبع آب مهندس برق آبی 2022 ، 53 ، 41-54. [ Google Scholar ]
تیم بررسی سوانح شورای دولتی. گزارش بررسی فاجعه بارندگی فوق‌العاده شدید در 20 ژوئیه در ژنگژو، هنان. در دسترس آنلاین: https://www.mem.gov.cn/gk/sgcc/tbzdsgdcbg/202201/P020220121639049697767.pdf (در 16 مارس 2022 قابل دسترسی است).
زیر.؛ هوانگ، اچ. Li، Y. روش شبیه سازی یکپارچه برای غرقابی و تراکم ترافیک تحت طوفان های باران شهری. نات. خطرات 2016 ، 81 ، 23-40. [ Google Scholar ] [ CrossRef ]
Kilpeläinen، M. Summala, H. اثرات پیش بینی آب و هوا و آب و هوا بر رفتار راننده. ترانسپ Res. قسمت F روانشناسی ترافیک. رفتار 2007 ، 10 ، 288-299. [ Google Scholar ] [ CrossRef ]
یین، جی. یو، دی. لیائو، بی. ارزیابی در مقیاس شهر از قابلیت دسترسی پاسخ اضطراری به جمعیت‌ها و امکانات آسیب‌پذیر در شرایط عادی و سیلابی برای شانگهای، چین. محیط زیست طرح. ب مقعد شهری. علوم شهر 2021 ، 48 ، 2239-2253. [ Google Scholar ] [ CrossRef ]
یین، جی. خو، اس. جینگ، ی. یین، ز. لیائو، بی. ارزیابی تأثیر سیل رودخانه ای بر دسترسی به پاسخ های اضطراری برای خدمات عمومی یک شهر بزرگ: مطالعه موردی خدمات پزشکی اورژانس. جی. جئوگر. علمی 2018 ، 73 ، 1737-1747. [ Google Scholar ]
شبکه های پیچیده وانگ، XF: توپولوژی، دینامیک و همگام سازی. بین المللی جی. بیفورک. آشوب 2002 ، 12 ، 885-916. [ Google Scholar ] [ CrossRef ]
پورتا، اس. کروسیتی، پی. Latora، V. تحلیل شبکه ای خیابان های شهری: یک رویکرد اولیه. محیط زیست طرح. B طرح. دس 2006 ، 33 ، 705-725. [ Google Scholar ] [ CrossRef ]
یانگ، اس. تانگ، اس. Zhang، X. جستجوی حفظ حریم خصوصی نزدیکترین همسایه با احراز هویت در شبکه های جاده ای. J. توزیع موازی. محاسبه کنید. 2019 ، 134 ، 25-36. [ Google Scholar ] [ CrossRef ]
آنجللی، ای. مراندی، وی. Speranza، MG تراکم اجتناب از تولید مسیر اکتشافی برای هدایت مسیر فعال. محاسبه کنید. اپراتور Res. 2018 ، 99 ، 234-248. [ Google Scholar ] [ CrossRef ]
اکبری، وی. شیری، د. سلمان، FS یک رویکرد بهینه سازی آنلاین برای بازسازی جاده پس از فاجعه. ترانسپ Res. روش قسمت B. 2021 ، 150 ، 1-25. [ Google Scholar ] [ CrossRef ]
کیان، ی.-س. وانگ، ام. کانگ، H.-X. Zeng، J.-W. لیو، Y.-F. بررسی قابلیت اطمینان اتصال شبکه جاده ای شهر دره بر اساس شبکه پیچیده. ریاضی. مشکل مهندس 2012 ، 2012 ، 430785. [ Google Scholar ] [ CrossRef ]
سینکیویچ، جی. Hołyst، JA تجزیه و تحلیل آماری 22 شبکه حمل و نقل عمومی در لهستان. فیزیک Rev. E 2005 , 72 , 046127. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
چن، اچ. ژانگ، ال. لیو، کیو. وانگ، اچ. Dai, X. ارزیابی آسیب‌پذیری مبتنی بر شبیه‌سازی در سیستم‌های حمل و نقل با خرابی‌های آبشاری. جی. پاک. تولید 2021 ، 295 ، 126441. [ Google Scholar ] [ CrossRef ]
Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
میرزاسلیمان، ب. بابایی، م. جلیلی، م. Safari, M. خرابی های آبشاری در شبکه های وزن دار. فیزیک Rev. E 2011 , 84 , 046114. [ Google Scholar ] [ CrossRef ]
هولم، پی. کیم، بی جی؛ یون، CN; Han, SK Attack آسیب پذیری شبکه های پیچیده. فیزیک Rev. E 2002 , 65 , 056109. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]

شکل 1. منطقه مطالعه ژنگژو، چین.

شکل 2. محل شکست جاده در هنگام طوفان باران.

شکل 3. چارچوب روش شناسی.

شکل 4. نمودار مدل خرابی آبشار شبکه راه.

شکل 5. توزیع درجه گره، کوتاه ترین فاصله و ضریب خوشه بندی در شبکه راه در منطقه مورد مطالعه. ( الف ) توزیع درجات گره جاده. ( ب ) توزیع کوتاهترین فاصله. ( ج ) توزیع ضریب خوشه بندی.

شکل 6. ( الف ) توزیع فضایی آسیب پذیری جاده. ( ب ) تفاوت در آسیب پذیری جاده در جهت غرب به شرق. ( ج ) تفاوت در آسیب پذیری جاده در جهت شمال-جنوب. FR، TD، SD، FT به ترتیب مخفف 4، 3، 2 و 1 Ring Road می باشد. N، S، W و E به معنای شمال، جنوب، غرب و شرق هستند.

شکل 7. ناحیه نقطه گرم و سرد آسیب پذیری جاده.

شکل 8. تغییر در نسبت شکست جاده و کارایی شبکه در طول طوفان باران. ( الف ) تغییر در نسبت شکست جاده و کارایی شبکه جهانی در طول طوفان باران. ( ب ) تغییر در نسبت لبه افزایش بار جاده، کاهش بار جاده، و جاده بار ثابت در طول طوفان باران.

شکل 9. الگوهای فضایی و زمانی شکست آبشار شبکه راه در طول طوفان باران.

شکل 10. نسبت بخش جاده با افزایش/کاهش/بار ثابت در نقاط مختلف آسیب پذیری گرم یا سرد.

شکل 11. هیستوگرام و منحنی برازش گاوسی توزیع فرکانس آسیب پذیری جاده تحت دو وزن شبکه.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

2. منطقه مطالعه و داده ها

3. روش شناسی

3.1. ویژگی های شبکه پیچیدگی در شبکه راه های شهری