تجزیه و تحلیل مسائل مدیریت آب با استفاده از GIS

تحلیل الگوهای فضایی و زمانی در فضاهای سبز برای مطالعات شهری با استفاده از رسانه های اجتماعی و GIS

چکیده

پارک های سبز فضاهای عمومی حیاتی هستند و نقش مهمی در زندگی و رفاه شهری دارند. تحقیقات در مورد جذابیت پارک‌های سبز اغلب بر تکنیک‌های سنتی مانند پرسشنامه‌ها و بررسی‌های درجا تکیه می‌کنند، اما این روش‌ها معمولاً از نظر مقیاس، زمان‌بر و گران قیمت هستند و نتایج قابل انتقال کمتری دارند و فقط نتایج مختص به مکان دارند. این مقاله یک مطالعه تحقیقاتی را ارائه می‌کند که از داده‌های شبکه اجتماعی مبتنی بر مکان (LBSN) برای جمع‌آوری الگوهای مکانی و زمانی بازدید از پارک در کلانشهر شانگهای استفاده می‌کند. در طول دوره از ژوئیه 2016 تا ژوئن 2017 در شانگهای، چین، ما رفتار مکانی-زمانی بازدیدکنندگان پارک را برای 157 پارک سبز مورد تجزیه و تحلیل قرار دادیم و تحقیقات تجربی در مورد تأثیرات فضاهای سبز بر رفتار عمومی در شانگهای انجام دادیم. یافته های اصلی ما نشان می دهد (من) توزیع ورود کاربران در فضاهای سبز مختلف. (2) اثرات فصلی بر رفتار مردم نسبت به فضاهای سبز. (iii) تغییرات در تعداد کاربران بر اساس ساعت روز، فواصل روز (صبح، بعد از ظهر، عصر)، و روز هفته؛ (IV) تغییرات جالب رفتار کاربر که به اثرات دما بستگی دارد. و (v) تفاوت‌های جنسیتی در تعداد بازدیدکنندگان پارک سبز. این نتایج را می توان برای اهداف برنامه ریزی شهری برای فضاهای سبز با در نظر گرفتن ترجیحات بازدیدکنندگان مورد استفاده قرار داد. و روز هفته؛ (IV) تغییرات جالب رفتار کاربر که به اثرات دما بستگی دارد. و (v) تفاوت‌های جنسیتی در تعداد بازدیدکنندگان پارک سبز. این نتایج را می توان برای اهداف برنامه ریزی شهری برای فضاهای سبز با در نظر گرفتن ترجیحات بازدیدکنندگان مورد استفاده قرار داد. و روز هفته؛ (IV) تغییرات جالب رفتار کاربر که به اثرات دما بستگی دارد. و (v) تفاوت‌های جنسیتی در تعداد بازدیدکنندگان پارک سبز. این نتایج را می توان برای اهداف برنامه ریزی شهری برای فضاهای سبز با در نظر گرفتن ترجیحات بازدیدکنندگان مورد استفاده قرار داد.

واژه‌های کلیدی: پارک‌های سبز شهری کلان داده ؛ فضایی و زمانی KDE _ مطالعات شهری ; محیط زیست ؛ ویبو

1. مقدمه

فضاهای سبز شهری و پارک های سبز عمومی از نظر استراتژیک برای کیفیت زندگی در جامعه ای که به طور فزاینده شهرنشینی می شود، مهم هستند. در واقع، افزایش شواهد تجربی نشان داده است که وجود منابع طبیعی (مانند پارک‌ها، جنگل‌ها و فضاهای سبز) و اجزاء (مثلاً گیاهان و آب) در محیط‌های شهری به استانداردهای زندگی در بسیاری از جنبه‌ها از جمله تصفیه هوا کمک می‌کند. آب، تصفیه هوا و سر و صدا و پایداری ریزاقلیم [ 1 ]. مناطق شهری در حال حاضر نیمی از جمعیت جهان را تشکیل می دهند و انتظار می رود تا سال 2050 به دو سوم جمعیت جهان افزایش یابد [ 2 ].]. با این شهرنشینی سریع شهرها، بر تضمین رفاه ساکنان شهری تأکید می شود [ 3 ]. در پاسخ، برنامه ریزان شهری تلاش می کنند تا مکان های سبز را در مناطق شهری ادغام کنند زیرا اعتقاد بر این است که فضاهای سبز سلامت و کیفیت زندگی ساکنان مناطق شهری را افزایش می دهد. بسیاری از برنامه ریزان شهری و تصمیم گیرندگان قصد داشته اند فضاهای عمومی مسکونی را قابل سکونت کنند [ 4 ]. با این حال، زیست پذیری به شدت به ارزش های مردم و انتظارات آنها بستگی دارد، بنابراین برنامه ریزان باید سعی کنند این انتظارات را در مقیاس فردی درک کنند [ 5 ]. در محیط های شهری، پارک ها نقشی چند منظوره ایفا می کنند که مزایای اجتماعی، مالی و زیست محیطی را ارائه می دهد. 6 ]. در قرن نوزدهم، اولین فضاهای باز عمومی در بریتانیا و ایالات متحده با هدف ارتقای سلامت و منزلت طبقه کارگری که در شرایط فلاکت‌بار زندگی می‌کردند، ایجاد شد [ 7 ]. ارزش فضاهای سبز همچنین در آخرین اهداف توسعه پایدار سازمان ملل بیان شده است که شامل هدف خاص ارائه فضاهای سبز مقرون به صرفه برای همه ساکنان شهری است [ 8 ]. با توجه به اهمیت فضاهای سبز، محققان نیز به این موضوع علاقه نشان داده‌اند که در سال‌های اخیر به طور فزاینده‌ای مورد توجه قرار گرفته است [ 9 ].

هر شهری در ویژگی های خود خاص است و این پیچیدگی جنبه اساسی همه شهرها است [ 10 ]. یکی از جنبه های پیچیده، تحرک مداوم صدها هزار یا حتی میلیون ها نفر است که زمان بیشتری را در مناطق عمومی مانند پارک های سبز می گذرانند. علاوه بر این، فضاهای سبز شهری به طور متفاوتی بر مردم تأثیر می گذارد [ 11 ]، تا حدی به عنوان خدمات زیست محیطی [ 12 ]. واضح است که دسترسی به فضاهای سبز یا پارک ها به طور مستقیم با رفاه ساکنان شهری از نظر سلامت جسمی و روانی مرتبط است [ 13 ]. این تأثیر با تغییرات در کیفیت هوا [ 14 ]، آب و هوا [14] مشهود است.15 ، انسجام اجتماعی [ 16 ] و کاهش استرس [ 17 ]. ویژگی ها و امکانات [ 18 ]، امنیت و دسترسی [ 19 ]، یا حتی منطقه یا سبزی درک شده [ 20 ] مناسب ترین ملاحظات برای پارک ها هستند. در طراحی شهرهای زیست پذیر، پایدار و سالم، دسترسی به فضاهای سبز شهری به طور فزاینده ای مرتبط می شود [ 21 ، 22 ]]. انجمن ملی تفریح و پارک (NRPA) بیان کرده است که پارک ها و تفریحات دارای سه ویژگی هستند که آنها را به خدمات حیاتی در جوامع تبدیل می کند: ارزش اقتصادی، مزایای زیست محیطی و بهداشتی و اهمیت اجتماعی [ 23 ]. به گفته کازاندرا کمپبل [ 24 ]، پارک ها هشت عملکرد مهم را انجام می دهند: جمع آوری آب باران، به حداقل رساندن اثر جزیره گرمایی شهری، مرکز اجتماعی، هوای قابل تنفس، بهبود سلامت روان، مکانی برای تمرینات بدنی، مکانی برای بیرون بودن کودکان، و حفاظت از اکوسیستم های طبیعی

پارک ها یا مناطق سبز مطمئناً بهترین راه برای ایجاد انگیزه در افراد برای مشارکت در فعالیت های بدنی هستند. در این مطالعه، رفتار فضایی و زمانی بازدیدکنندگان از پارک‌های سبز را بررسی کردیم. ما 157 پارک را با حدود 30000 بازدید کاربر با استفاده از یک سرویس شبکه اجتماعی مبتنی بر مکان (LBSN) به نام Sina Weibo، که به عنوان Weibo نیز نامیده می‌شود، ارزیابی کردیم [ 25 ].]. Weibo که در آگوست 2009 تأسیس شد، یکی از بزرگترین پلتفرم های رسانه اجتماعی و یک سایت میکروبلاگینگ محبوب در چین است که به کاربران امکان می دهد فعالیت های روزانه خود را برای اشتراک گذاری با گروه اجتماعی خود پست کنند. کلمه “check-in” نشان می دهد که کاربر به طور داوطلبانه موقعیت مکانی خود را در LBSN با پخش جایی که در آن هستند به اشتراک می گذارد یا تأیید می کند – به طور کلی از طریق یک دستگاه تلفن همراه سنجش مکان – در حالی که درگیر برخی فعالیت ها می شود [ 26 ].

در این تحقیق تجربی، هدف ما بررسی تأثیر بازدید از فضای سبز بر رفتار ورود کاربران بود. ما از نمونه‌ای از داده‌ها برای مطالعه رفتار ورود به پارک سبز، مانند دوست داشتن و دوست نداشتن، به عنوان نمایشی از رفتار یا علایق عموم مردم در فعالیت‌های خاص در حین استفاده از امکانات پارک استفاده کردیم. به همین ترتیب، هدف ما پاسخ به سؤالات مطالعاتی زیر بود: (1) ویژگی‌های فضایی پارک‌های منتخب چیست، و این ویژگی‌ها چگونه با بازدید از پارک ارتباط دارند؟ (ii) زمان روز و فصل بازدید از فضاهای سبز چگونه بر رفتار عموم مردم نسبت به پارک ها تأثیر می گذارد؟ (iii) دما چگونه بر رفتار عموم مردم نسبت به بازدید از پارک سبز تأثیر می گذارد؟ به منظور درک بهتر ارتباط بین فضای سبز و رفتار کاربر، ما الگوهای مکانی-زمانی کاربران در فضاهای سبز شهری را با استفاده از مجموعه داده‌های مقیاس بزرگ از جولای 2016 تا ژوئن 2017 بررسی کردیم. این مطالعه در محدوده شهری شهر شانگهای واقع در جنوب شرقی چین انجام شد. یافته‌های اصلی ما نشان‌دهنده توزیع ورود کاربران در پارک‌های مختلف و تغییرات جالب در رفتار بسته به زمان روز در ۲۴ ساعت، فاصله روز و روز هفته است. علاوه بر این، ما اثرات فصلی را بر رفتار عمومی نسبت به فضاهای سبز بررسی کردیم تا روندهای زندگی واقعی را منعکس کنیم. با مطالعه این عوامل می توان بهره برداری از فضای سبز شهری و تنوع آن در مقیاس های زمانی را بررسی کرد. این رویکرد برای ثبت رفتار بازدیدکنندگان در فضای سبز شهری تلاشی برای غلبه بر محدودیت‌های موجود در مطالعات قبلی است.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 مروری بر مطالعات در مورد پارک های سبز ارائه می دهد. بخش 3 منطقه مورد مطالعه ما و مجموعه داده ای را که برای تحقیق خود استفاده کردیم، توصیف می کند. در بخش 4 ، ما روند جمع آوری داده ها و چارچوب تجزیه و تحلیل را مورد بحث قرار می دهیم و بخش 5 نتایج تحقیق ما را با استفاده از داده های Weibo برجسته می کند. بخش 6 بحثی را در مورد نتایج به دست آمده ارائه می دهد و در نهایت، بخش 7 مقاله را جمع بندی و خلاصه می کند و کارهای آینده را تشریح می کند.

2. کارهای مرتبط

فشار جمعیت در کلان شهرها در سراسر جهان افزایش یافته است و افراد در شهرها به دنبال زندگی بهتر ازدحام کرده اند. کل جمعیت مناطق شهری در سال 2019 2.26 میلیارد نفر تخمین زده می شود که 53 درصد از جمعیت شهری جهان است [ 27 ]. شکی نیست که شهرنشینی تأثیر مهمی بر اکولوژی، اقتصاد و جامعه در مقیاس محلی، منطقه ای و جهانی دارد. مطالعات به تأثیر عمده مناطق سبز شهری، از جمله جنگل‌کاری شهری، پارک‌های سبز، مناطق بازی، باغ‌های خانگی، مناطق باز در امتداد جاده‌ها و پوشش گیاهی شهری اشاره کرده‌اند [ 28 ]. آنها علاوه بر مزیت ذاتی خود، ساخت سکونتگاه های انسانی با کیفیت بالا را نیز ترویج می کنند، زیرا فضاهای سبز به عنوان “ریه” شهر عمل می کنند [ 29 ]]. با توجه به اهمیت مناطق سبز، آنها در سال های اخیر توجه محققان را به خود جلب کرده اند [ 30 ]. تحقیقات قبلی به مزایای بیانی فضاهای سبز در مناطق شهری [ 31 ] پرداخته است. این مطالعات عمدتاً از نظرسنجی‌های کاربران، پرسشنامه‌ها و مطالعات موردی استفاده می‌کنند که معمولاً یا در مقیاس کوچک هستند یا نیاز به مشارکت صریح کاربر دارند. علاوه بر این، این تکنیک‌های سنتی اغلب وقت‌گیر و گران‌قیمت را برای محققین انجام می‌دهند تا یک مطالعه طولی با مشارکت شرکت‌کنندگان یا تحقیقات دقیق انجام دهند.

پارک‌ها همچنین مردم را تشویق می‌کنند تا فضاهای باز را برای فعالیت‌های اوقات فراغت تجربه کنند که از ثبات عاطفی حمایت می‌کند و استاندارد زندگی را افزایش می‌دهد [ 32 ]. به عبارت دیگر، دسترسی به فضاهای سبز مقرون به صرفه و دلپذیر جزء ضروری استانداردهای زندگی شهری است. در چارچوب شهری، فضاهای سبز مناطقی مانند پارک‌ها، باغ‌ها، جنگل‌های شهری، حفاظت‌شده‌های طبیعی، مسیرهای آبراه و زمین‌های بازی و همچنین سایر مناطق سبز معمولی را فراهم می‌کنند [ 33 ]. سکونت گاه های برنامه ریزی نشده و غیر رسمی در اکثر شهرهای در حال توسعه منجر به افزایش نابرابری اجتماعی و فضایی، مصرف منابع و تخریب محیط زیست شده است [ 34 ].]. دسترسی را می توان به سادگی با سرعت یا مسافتی که یک فرد باید طی کند تعریف کرد. در مناطق پرجمعیت، زمانی که امکانات پارک نیازهای بالایی را برای خدمات پارک برآورده می کند، عرضه کافی در نظر گرفته می شود. بنابراین، دسترسی در این مکان ها راحت در نظر گرفته می شود. این نشان می دهد که پارک ها در صورتی قابل دسترسی هستند که بر اساس توزیع فضایی و جمعیت منطقه شهری برنامه ریزی شوند [ 35 ].

طی چند سال گذشته، تلاش‌های تحلیلی مختلفی برای استفاده از داده‌های رسانه‌های اجتماعی برای اهداف برنامه‌ریزی شهری انجام شده است، و زمینه‌های کاربردی پر جنب و جوش و در حال افزایش است، از وظایف ساده تا تحلیل‌های نسبتاً پیچیده، مانند شناسایی شکل و عملکرد شهری. به طور خاص، Weibo، Facebook، Twitter و دیگر پلتفرم‌های کلان داده برای ارزیابی رفتار و تحرک انسان، با اندازه‌گیری‌های متفاوت از بین شهری تا جهانی [ 36 ] استفاده شده‌اند، زیرا شناسایی سطوح زمانی و مکانی دقیق‌تر این موارد تقریبا غیرممکن است. دو پدیده با استفاده از تکنیک های سنتی، مانند سؤالات نظرسنجی یا مشاهدات درجا. علاوه بر این، داده های LBSN را می توان برای تجزیه و تحلیل اجتماعی-فضایی استفاده کرد [ 37] با روش هایی مانند استخراج محتوای توییت کاربران یا کاوش در احساسات و تفاوت های آنها در طول زمان و مکان [ 38 ] در حالی که جنبه های سلامتی مانند رژیم غذایی یا ورزش بدنی را نیز در نظر می گیرد. Campagna [ 39 ] مفهوم “اطلاعات جغرافیایی رسانه های اجتماعی” را به عنوان ابزاری برای بررسی “ادراکات مردم” و دیدگاه ها و علایق مردم در زمان و مکان برای پشتیبانی از برنامه ریزی مکانی و طراحی جغرافیایی با استفاده از تحلیل مکانی-زمانی پیشنهاد کرد. با منابع داده ای غیر از نظرسنجی ها، مانند داده های تلفن همراه، می توان جنبه های مکانی و زمانی محیط شهری را به طور مناسب تری توصیف کرد [ 40 ].

دسترسی به داده ها مانع اصلی در مطالعات LBSN بوده است، عمدتاً به دلیل حفظ حریم خصوصی و امنیت. با قابلیت LBSN ها، اشتراک گذاری موقعیت جغرافیایی فعلی کاربران و دوستان آنها نگرانی های عمده ای را در مورد حریم خصوصی کاربران ایجاد می کند. حریم خصوصی نه تنها به افراد، بلکه کاربران سازمانی یا سازمانی نیز مربوط می شود که جزئیات خود را در LBSN ها به اشتراک می گذارند. گاهی اوقات، کاربران داده‌های خصوصی خود را داوطلبانه به اشتراک می‌گذارند، در حالی که در برخی مواقع، داده‌ها را می‌توان به صورت بیرونی با ارائه برخی پاداش‌ها و مزیت‌ها به کاربران برای اطلاعات خود به‌دست آورد. مکان یک کاربر را می توان از طریق سرویس های LBSN مانند WeChat Nearby، Google Latitude و Fire Eagle شناسایی کرد. برخی از سرویس‌های LBSN ویژگی‌هایی را ارائه می‌کنند که مکان دوست او را نیز مشخص می‌کند [ 41].

رویکرد تخمین چگالی هسته (KDE) برای مدل‌سازی فضایی داده‌های مکان‌یابی استفاده شده است، و چارچوب کلی‌تر و انعطاف‌پذیرتری برای تخمین چگالی فضایی ارائه می‌دهد. KDE برای بررسی ویژگی های محیطی مانند منابع بهداشتی [ 42 ]، محیط غذا [ 43 ] و دسترسی به پارک استفاده شده است. تعداد دسترسی یا اندازه‌گیری‌های فاصله را با تبدیل داده‌های نقطه‌ای به چیزی شبیه به یک سطح پیوسته افزایش می‌دهد و اجازه می‌دهد چگالی یک ویژگی در هر نقطه از سطح نقشه تخمین زده شود [ 44 ]. نویسندگان در [ 45] ارتباط بین تخصیص مقصد، سرعت راه رفتن و فعالیت بدنی کافی را با استفاده از KDE بررسی کرد. KDE همچنین برای مطالعه تخصیص مکان‌هایی مانند فروشگاه‌های مواد غذایی در رابطه با متغیرهایی مانند شاخص توده بدن (BMI) [ 46 ]، چاقی [ 47 ]، و مصرف تغذیه [ 48 ] استفاده شده است. در [ 49]، محققان از روش KDE برای بررسی اهمیت نسبی عوامل خارجی مرتبط با توزیع مکانی و زمانی کاربران در مناطق سبز شهری استفاده کردند. با توجه به مقیاس مکانی و زمانی خوب، تشخیص و ارزیابی حوادث یا بلایا و تأثیر آنها بر روال‌های منظم برنامه‌ریزی شهری یکی دیگر از استفاده‌های بالقوه عالی از داده‌های شبکه رسانه‌های اجتماعی است [ 50 ].

3. مواد

3.1. منطقه مطالعه

این کار از شهر شانگهای به عنوان یک مطالعه موردی استفاده کرد زیرا یکی از شهرهای چین است که سریع‌تر در حال توسعه است [ 51 ]. شانگهای، چین، در لبه شرقی دلتای رودخانه یانگ تسه بین 30°40′-31°53′ شمالی و 120°52′-122°12′ شرقی واقع شده است [ 52 ، 53 ]. شانگهای که به عنوان مرکز مالی چین در نظر گرفته می شود، با نرخ رشد جمعیت 37.53 درصد از 16737734 در سال 2000 و 6.6 میلیون نفر هر سال به شهر نقل مکان می کنند، به عنوان پرجمعیت ترین شهر جهان نیز شناخته می شود. با 6000 نفر در هر کیلومتر مربع در سال 2012، جمعیت شانگهای نیز به طور قابل توجهی بیشتر از سایر شهرهای بزرگ جهان، مانند نیویورک (1800/km2) است ^.پاریس (3800/km2 ⁾ ، و توکیو (4300/km2 ) [ ²⁷] . نرخ مهاجرت از 18.6 درصد در سال 2000 به 39 درصد در سال 2010 افزایش یافت [ 54 ]. دولت شهری شانگهای تاکید زیادی بر ارائه خدمات تفریحی سبز به سیستم بوم‌شناختی محلی و افزودن مزایای عمومی مهم از جمله دسترسی به هوای پاک، افزایش تفریح و لذت زیبایی دارد. در سال 2011، فضای سبز در شهر شانگهای از 37.1 کیلومتر مربع فراتر رفت ^.، که بر اساس سالنامه های آماری شانگهای (2000–2011) دو برابر سال 1997 است. علاوه بر این، از سال 2000 تا 2011، درصد پوشش سبز از 22.2 درصد به 38.2 درصد افزایش یافت، در حالی که سرانه سطح سبز از 4.6 متر مربع ^در سال 2000 به 13.1 متر مربع افزایش یافت [ ⁵⁵] .

این تحقیق در کلان شهر شانگهای انجام شد و منطقه مورد مطالعه شامل 15 منطقه و 1 شهرستان به نام‌های Baoshan، Changning، Fengxian، Hongkou Huangpu، Jiading، Jingan، Jinshan، Minhang، Pudong New Area، Putuo، Qingpu، Songjiang، Yangpu، Xuhui، و Chongming، همانطور که در شکل 1 نشان داده شده است.

«استاندارد طبقه‌بندی فضای سبز شهری چین» [ 56 ] فضاهای سبز شهری را به عنوان امکانات و تسهیلات تفریحی در دسترس عموم توصیف می‌کند و این فضاها عمدتاً برای بهبود محیط زیست و پیشگیری و به حداقل رساندن بلایا استفاده می‌شوند. مناطق سبز شهری را می توان به پارک های سبز، فضاهای سبز در جاده ها و فضاهای کمربندی شکل طبقه بندی کرد. پارک‌های سبز فعالیت‌های تفریحی را تسهیل می‌کنند و در مقیاس بزرگ و مناسب برای فعالیت‌های بیرونی هستند. علاوه بر این، پارک های سبز در درجه اول فعالیت های فیزیکی را به ساکنان شهری ارائه می دهند [ 49 ].

3.2. مجموعه داده

مجموعه داده مورد استفاده برای تحقیق ما از میکروبلاگ چینی Weibo جمع آوری شده است. مدت کوتاهی پس از راه اندازی در 14 اوت 2009، Weibo، یکی از بزرگترین LBSN ها در چین، شاهد رونق تصاعدی در فعالیت و آگاهی بود و اکنون به بلوغ رسیده است. ما از داده‌های Weibo نه تنها به این دلیل استفاده کردیم که یکی از مهم‌ترین LBSN‌ها است، بلکه به این دلیل که شامل داده‌های جغرافیایی با روش‌های متمایز است و ویژگی‌های اجتماعی مختلفی را ارائه می‌دهد که افراد را تشویق می‌کند که دائماً و مکرراً وارد شوند. Weibo اعلام کرد که در سال 2018، بیش از 500 میلیون کاربر ثبت نام شده به طور فعال از این پلتفرم استفاده می کنند. در دسامبر 2018، تعداد کاربران فعال ماهانه به 462 میلیون رسید [ 57]. علاوه بر این، ما روی کاربرانی تمرکز کردیم که اغلب از سرویس Weibo برای بررسی الگوهای فعالیت کاربر استفاده می‌کنند. داده های جمع آوری شده از سرویس LBSN شامل نگرانی های جدی در مورد حریم خصوصی و محدودیت ها است. در چین، یافتن داده های باز و قابل اعتمادی که موقعیت های جغرافیایی را گزارش می کنند بسیار دشوار است. برای این تحقیق، مجموعه داده LBSN از Weibo در دوره بین جولای 2016 تا ژوئن 2017 گرفته شد. Weibo یک پایگاه جغرافیایی باز است و می توان با استفاده از یک رابط برنامه نویسی برنامه کاربردی Weibo مبتنی بر پایتون (API) [ 58 ] به آن دسترسی داشت.

مجموعه داده Weibo حاوی اطلاعاتی است که شامل شناسه کاربر، زمان و تاریخ فعالیت، و همچنین داده های اضافی مانند موقعیت جغرافیایی (طول و عرض جغرافیایی) و نام مکان است، اما هیچ اطلاعات شخصی برای حفظ حریم خصوصی کاربران در دسترس نیست. بررسی‌های Weibo الگوهای فعالیت روزانه کاربر و رفتارهای آن‌ها را ثبت می‌کند که عملیات روزمره کاربران را به تصویر می‌کشد. شانگهای به‌عنوان منطقه مورد مطالعه انتخاب شد، زیرا تعداد زیاد بازدیدکنندگان Weibo و کاربران فعال‌تر در این شهر وجود دارد. در محدوده‌های اداری شانگهای، با استفاده از Weibo API، 29890 چک در 157 پارک جمع‌آوری کردیم. داده‌های Weibo برای حذف نویز، ورودی‌های حروف، تکراری‌ها و رکوردهای نامعتبر از پیش پردازش شده بودند. برای پیش پردازش و تمیز کردن داده ها، معیارهای زیر در نظر گرفته شد:

موقعیت جغرافیایی داده ها باید در شانگهای باشد.
حداقل تعداد پذیرش در هر پارک باید 100 در دوره مطالعه باشد.
هر رکورد باید دارای موقعیت جغرافیایی (طول و عرض جغرافیایی) و زمان، روز، ماه، سال و جنسیت باشد.

مجموعه داده دما از مرکز ملی داده های اقلیمی اداره ملی اقیانوسی و جوی ایالات متحده (NOAA) به دست آمده است. یک ایستگاه رصدی زمینی جهانی در شانگهای، داده های تاریخی هواشناسی را ثبت می کند که می توانند از مخزن آنلاین NOAA دانلود شوند. نمونه ای از مجموعه داده های دما را می توان در جدول 1 مشاهده کرد.

4. روش شناسی

4.1. آماده سازی داده ها

داده های اعلام حضور از طریق Weibo API در دسترس عموم است. بنابراین، دانلود داده ها و ارزیابی های بعدی به حریم خصوصی کاربران تجاوز نمی کند. مجموعه داده‌ها شامل تمام بررسی‌های انجام شده در محدوده شانگهای از 1 ژوئیه 2016 تا 30 ژوئن 2017 است. داده‌های دانلود شده در چندین فایل JavaScript Object Notation (JSON) موجود است. شکل 2 جریان فرآیند آماده سازی داده ها را نشان می دهد.

JSON یک فرمت پلت فرم برنامه نویسی جاوا است که پرکاربردترین قالب داده است و جاوا به عنوان زبان برنامه نویسی اصلی با ماژول های خواننده و نویسنده منبع باز عمومی در نظر گرفته می شود [ 59 ]. داده ها از طریق MongoDB در یک فایل با فرمت مقادیر جدا شده با کاما (CSV) پردازش شدند به طوری که تمام اطلاعات کاربر، از جمله موقعیت های جغرافیایی، صرف نظر از زمان انتشار فهرست شدند. داده ها مطابق شکل 2 ذخیره شدند. برای پایگاه داده ها و صفحات گسترده، فرمت CSV رایج ترین و مهم ترین قالب است و کاما را به عنوان جداکننده مقادیر مختلف متمایز می کند. کلیدها (ID، Latitude، Longitude، و غیره) در قالب فایل JSON به عنوان سرصفحه برای قالب فایل CSV استفاده می شوند و مقادیر (5404478798، 121.544449، 31.268159، و غیره) داده های توصیفی هستند. جدول 2 نمونه ای از داده های “check-in” را در فایل CSV نشان می دهد.

با توجه به موضوع ناهمگونی، لازم بود فقط پارک‌هایی با بیش از 100 ثبت ورود برای تشکیل نمونه کاربران انتخاب شوند تا از سطح نسبتاً بالایی از نمایندگی اطمینان حاصل شود. پس از بازیابی همه مکان‌های پارک‌ها، هر مکان پارک با استفاده از Google Maps برای تأیید اثربخشی داده‌های ما پیدا شد. پس از بررسی آن از طریق Google Maps، تعدادی شناسه موقعیت مکانی مانند مناطق پارکینگ را پیدا کردیم که بخشی از هیچ پارک سبزی نبودند، بنابراین این شناسه‌های مکان را از تحقیقات خود حذف کردیم.

4.2. تجزیه و تحلیل داده های رسانه های اجتماعی

توزیع کاربران Weibo بر توزیع مکانی و زمانی داده های ورود تأثیر می گذارد [ 60 ]. در این بخش، همانطور که در شکل 3 نشان داده شده است، چارچوب کلی ناهمگونی مکانی-زمانی توزیع کاربران Weibo را برجسته می کنیم . ما تجزیه و تحلیل مکانی-زمانی را که برای تأیید اثربخشی مطالعه ما و به دست آوردن نتایج زمانی و مکانی از تحقیقات خود در این چارچوب تجزیه و تحلیل داده انجام شد، توصیف می کنیم.

تعداد کاربران مناطق سبز شهری در یک سال به عنوان داده های آماری جمع آوری شد. از داده‌ها، تجزیه و تحلیل مکانی-زمانی با استفاده از نمودارها و جداول آماری انجام شد و توزیع چک‌این‌ها با استفاده از روش KDE تجزیه و تحلیل شد.

4.2.1. تحلیل آماری

برای انجام تجزیه و تحلیل آماری از بسته آماری علوم اجتماعی (SPSS v25) استفاده شد. SPSS یک برنامه رایج در علوم اجتماعی برای تجزیه و تحلیل آماری است. این نرم افزار آماری می تواند طیف وسیعی از مسائل مطالعاتی را حل کند و توسط محققان صنعت و سلامت، شرکت های نظرسنجی، کارشناسان آموزشی دولتی، آژانس های بازاریابی، شرکت های داده کاوی و بسیاری دیگر مورد استفاده قرار می گیرد. عملکردهای مختلفی از جمله تجزیه و تحلیل موقت، بررسی و گزارش فرضیه ها و ساده سازی مدیریت داده ها را ارائه می دهد. SPSS Statistics یک نسخه پایه برای بهبود ظرفیت های تحلیلی پیش بینی با افزونه های اختیاری ارائه می دهد.

جدول 3 همبستگی بین متغیرهای مورد استفاده در این تحقیق را نشان می دهد و نشان می دهد که متغیرها معنی دار هستند.

جدول 4 آمار توصیفی متغیرهای همبسته را نشان می دهد و نشان می دهد که هیچ گونه چولگی در داده های ما وجود ندارد.

جدول 5 آمار توصیفی را نشان می دهد و نشان می دهد که هیچ ارتباطی وجود ندارد. به نظر می رسد داده ها به طور معمول در مورد میانگین توزیع شده اند.

جدول 6 تعداد دفعات ورود در طول سال را نشان می دهد.

4.2.2. تحلیل زمانی

به منظور ردیابی تغییرات در رفتار بازدیدکنندگان، ما مُهرهای زمانی را به دسته‌های زمانی مختلف تقسیم کردیم. روندهای روزانه نشان دهنده توزیع ساعتی اعلام حضورها در طول روز است. ما توزیع را در سه بازه زمانی مختلف، یعنی صبح، بعد از ظهر و عصر جمع کردیم. روند هفتگی تعیین می کند که آیا پارک های سبز در تعطیلات آخر هفته بیشتر از در طول هفته بر اساس بررسی های ثبت شده استفاده می شود یا خیر. الگوهای فصلی و عوامل آب و هوایی می توانند بر عملکرد یک پارک تأثیر بگذارند. الگوهای زمستانی می توانند داده های شگفت انگیزی را ارائه دهند، زیرا یک پارک اگر بتواند بازدیدکنندگان را در فصول سردتر نیز جذب کند، به خوبی کار می کند. ما در مطالعه خود فصل ها را بر اساس تاریخ های خاصی توصیف نکردیم، اما در عوض از گروه بندی های ساده تری از ماه ها استفاده کردیم: مارس-مه بهار است. ژوئن تا آگوست تابستان است. سپتامبر-نوامبر پاییز است.

4.2.3. تحلیل فضایی

ما از KDE برای ساختن یک سطح چگالی صاف در فضای جغرافیایی برای نقاط ورود استفاده کردیم. KDE یک تکنیک ناپارامتریک برای تخمین چگالی یک نمونه داده تصادفی است [ 61 ]. هر نقطه داده توسط KDE در یک برآمدگی چگالی کوچک هموار می شود، و سپس تمام این برآمدگی های کوچک برای دستیابی به تخمین چگالی نهایی ترکیب می شوند. این یک تکنیک فضایی در حال تکامل است که در مطالعات قبلی [ 62 ، 63 ] برای بررسی عناصر متعدد تحلیل داده های بزرگ، مانند تأثیر انسان و الگوهای حرکتی [ 64 ]، رفتار بررسی [ 65 ]، تعریف منطقه اجرا شده است. مرزها [ 66 ]، و نکات جالب توصیه شده [ 67 ]. همچنین برای تجزیه و تحلیل ویژگی های محیط، مانند محیط غذایی، منابع بهداشتی [ 43 ] و دسترسی به پارک [ 68 ] استفاده شده است. این رویکرد به محققین اجازه می‌دهد تا مقاصدی را که به طور گسترده توزیع شده‌اند و محدوده توزیع آنها را با شدت بیشتری شناسایی کنند زیرا توزیع مکان‌ها را در محله‌ها بررسی می‌کند.

KDE یک اندازه گیری کارآمد از ساختار فضایی تراکم بازدیدکنندگان در منطقه مورد مطالعه است. KDE یک رویکرد آماری است که برای تخمین توزیع هموار و پیوسته از مجموعه محدودی از نقاط مشاهده شده استفاده می شود [ 69 ]. داده‌های در نظر گرفته شده در مطالعه ما به صورت بررسی‌های دارای برچسب جغرافیایی هستند. اجازه دهید ” E ” مجموعه ای از داده های ثبت نام تاریخی باشد، به عنوان مثال، E = {e ¹ ، . . . . . , e ⁿ } , جایی که e ⁱ = < x , y > یک مکان جغرافیایی ورود است، 1 < i < n، از منفرد i در زمان ” t “، که در آن ” E ” مجموعه داده ای را نشان می دهد که ما استفاده کردیم. مجموع توابع هسته برای ایجاد یک منحنی صاف که یک ناحیه از واحد است، مقیاس بندی شد. این منجر به شکل زیر از یک دو متغیر KDE می شود:

(1)

(2)

که در آن ” e ” به مکان ورود در مجموعه داده ” E “، همراه با پهنای باند ” h ” اشاره دارد. فرض می‌شود که « h » به چگالی تخمینی « f _KD » وابسته است، بنابراین یک سطح چگالی صاف در اطراف « E » در نقطه داده « e ⁱ » ایجاد می‌کند.

ArcGIS 10.0 برای تجزیه و تحلیل فضایی به منظور تجزیه و تحلیل توزیع فضایی ورود در فضا استفاده شد. نرم افزار ArcGIS 10.0 (Environmental Systems Research Institute, Inc., Redlands, CA, USA) با نقشه شانگهای تولید شده در سال 2016 با سیستم مختصات ژئودتیک WGS_1984 استفاده شد. داده های سلسله مراتبی نقشه پایه شامل خطوط اصلی حمل و نقل (لایه خط) و واحدهای اداری (لایه چند ضلعی، همراه با لایه های ناحیه)، با آخرین خطوط مترو و ورودی (لایه نقطه) از OpenStreetMap است.

5. نتایج

شهر شانگهای با جمعیتی بالغ بر 22125000 نفر در مساحت 4015 کیلومتر مربع یکی از سریعترین شهرهای جهان است [ 27 ]. تعداد کل فضاهای سبز در محدوده شهرداری شانگهای 366 [ 55 ] است که ساکنان شهر را به انجام فعالیت های سالم ترغیب می کند. پس از فیلتر کردن داده های جمع آوری شده از Weibo، 157 پارک سبز برای این مطالعه انتخاب شدند.

توزیع پارک های سبز در نظر گرفته شده در این مطالعه را می توان در شکل 4 مشاهده کرد، که به وضوح نشان می دهد که پارک ها به طور پراکنده در سرتاسر شهر شانگهای توزیع شده اند، به جز ناحیه مرکز شهر که شامل نواحی Changning، Hongkou، Huangpu، Jingan، Pudong New است. Area، Putuo، و Xuhui [ 58 ].

برای یک نمای کلی تر از توزیع پارک های سبز در شهر شانگهای، پارک های سبز به سطح منطقه تقسیم شدند. شکل 5 نشان می دهد که پراکندگی پارک ها در ناحیه پودونگ بالاترین و پس از آن منطقه مینهنگ است. یکی از دلایل چنین رفتاری این است که این ولسوالی ها از نظر وسعت در مقایسه با سایر ولسوالی ها بزرگتر هستند. نکته دیگری که باید به آن اشاره کرد این است که پراکندگی پارک ها در مرکز شهر در مقایسه با مناطق حاشیه شهر بیشتر است.

برای بررسی مجموعه داده بررسی موقعیت جغرافیایی Weibo، از KDE برای تجزیه و تحلیل توزیع فضایی داده‌های ورود استفاده کردیم و ArcGIS برای تجسم استفاده شد. شکل 6 تراکم کلی ورود در شانگهای را از ژوئیه 2016 تا ژوئن 2017 نشان می دهد. مناطقی که با رنگ قرمز سایه زده شده اند نشان دهنده تراکم بیشتر افراد، فراوانی فعالیت بیشتر و تمرکز بیشتر استفاده از رسانه های اجتماعی است. جای تعجب نیست که فضاهای سبز در مرکز شهر دارای خوشه های زیادی از فعالیت هستند.

برای تجزیه و تحلیل ویژگی‌های توزیع زمانی بازدیدکنندگان، یک روز را با توجه به ریتم زندگی روزمره به سه بازه تقسیم می‌کنیم. در 157 پارک سبز شهری، ما تعداد بازدیدکنندگان را با توجه به فواصل زمانی روزانه، یعنی صبح، بعدازظهر و عصر تجزیه و تحلیل کردیم تا تفاوت‌ها و تغییرات زمانی را در طول یک روز 24 ساعته اندازه‌گیری کنیم.

شکل 7 تفاوت های زمانی را در تعداد بازدیدکنندگان در 24 ساعت و در سه بازه زمانی روز نشان می دهد. در بین پارک های در نظر گرفته شده در تحقیق، بازدیدکنندگان در هر سه بازه زمانی روز حضور داشتند، اما بیشترین تعداد مراجعه در ساعت 16:00 ثبت شد. این روند نیز تا نیمه های شب به طور مداوم افزایش یافت. این یافته نشان می دهد که پارک های سبز در شانگهای به سرعت به مقاصد مهم تفریحی برای شهروندان شانگهای تبدیل شده اند.

الگوهای هفتگی کاملاً عادی هستند، با تعداد تقریباً یکسانی از ورود به هر روز هفته و تعداد بسیار بالاتری در آخر هفته. شکل 8 a الگوی عمومی ورود هفتگی را نشان می دهد، که نشان می دهد کاربران زن ترجیح می دهند در طول هفته و آخر هفته ها بیشتر از کاربران مرد از Weibo استفاده کنند.

ما داده‌های جنسیت (مرد و زن) را در شانگهای تجزیه و تحلیل کردیم تا تفاوت‌ها در دفعات مراجعه و رفتار بررسی شود. شکل 8 ب تراکم ورود جنسیت در شانگهای را نشان می دهد. اشاره شده است که بازدیدکنندگان زن در مقایسه با بازدیدکنندگان مرد ترجیح می دهند از Weibo استفاده کنند. بنابراین، نتیجه در شکل 8 a پشتیبانی می شود.

بررسی‌های کاربر زن و مرد برای روزهای مختلف هفته و همچنین مناطق مختلف برای ارزیابی تنوع بین کاربران زن و مرد در شانگهای مقایسه شد. ما از تفاوت نسبی (dr) [ 70 ] برای محاسبه تفاوت‌های مبتنی بر جنسیت برای مناطق مختلف شانگهای و روزهای مختلف هفته استفاده کردیم. این متریک بیشتر به عنوان شاخص کمی کنترل کیفیت و تضمین کیفیت استفاده می شود و به شرح زیر تعیین می شود.

(3)

جدول 7 و جدول 8 نتایج تفاوت نسبی را نشان می دهد که با استفاده از تفاوت بین کاربران زن و مرد برای روزهای مختلف هفته و مناطق اندازه گیری شده است. نتایج در سطح تجمعی نمایش داده می شود. ما تفاوت‌های جنسیتی در تعداد مراجعه‌ها را بر اساس روز هفته و مناطق به‌عنوان درصدی از کل انباشته ورودهای تولید شده در دوره مطالعه محاسبه کردیم. جدول 7 تفاوت نسبی روزهای هفته را نشان می دهد که با استفاده از رابطه (3) محاسبه شده است. برای سه شنبه و جمعه، مقادیر تفاوت نسبی به طور قابل توجهی بیشتر از مقادیر روزهای دیگر است.

نتایج جدول 8 نشان می‌دهد که تفاوت جنسیتی در تعداد مراجعه‌ها در مناطق Fengxian، Qingpu و Xuhui نسبتاً معنی‌دار است. نتایج نشان می‌دهد که کاربران زن بسیار بیشتر از کاربران مرد از Weibo در تمام روزهای هفته و در همه مناطق استفاده می‌کنند. علاوه بر این، همانطور که در شکل 6 نشان داده شده است ، غلظت بالایی از چک-این ها در مرزهای ناحیه متصل به مرکز شهر واقع شده است. یکی از دلایل می تواند در دسترس بودن فعالیت های مالی و تجاری باشد. در نهایت، تمام یافته‌ها نشان می‌دهد که کاربران زن بیشتر از مردان از Weibo در منطقه مورد مطالعه ما استفاده می‌کنند.

جدول 9 میانگین و انحراف معیار را در میان گروه‌های مختلف منطقه نشان می‌دهد و توزیع و پراکندگی کاربران زن و مرد را در اطراف میانگین نشان می‌دهد. تعداد زنان در هر ولسوالی بیشتر از مردان است و تنوع قابل توجهی در نمونه یافت می شود.

تغییرات فصلی در بازدیدکنندگان از پارک های سبز برای پاییز، زمستان، بهار و تابستان مورد بررسی قرار گرفت. تغییرات فصلی برجسته در ورود کاربران شناسایی شد، و چندین عامل در تلاش برای توضیح این تغییرات، مطابق با مطالعات مشابه [ 5 ، 71 ] مورد بررسی قرار گرفت. توزیع فصلی در شکل 9 نشان می دهد که نسبت بیشتری از ورود به پارک ها در طول تابستان و بهار انجام می شود. جالب است بدانید که چک‌این‌های زمستانی کمی کمتر از چک‌این‌های پاییز است.

تحقیقات قبلی نشان داده است که تأثیر دما در رابطه با بازدیدکنندگان پارک و فعالیت‌های فیزیکی متفاوت است. برخی از مطالعات دما را به عنوان یک عامل مهم برای توضیح تنوع در بازدید از پارک بین فصول [ 30 ] شناسایی کرده اند.

شکل 10 رفتارهای کلی بازدید از پارک را در طول دوره مطالعه نشان می دهد. دما تأثیر بسزایی در دفعات ورود به هر ماه دارد. عوامل زیادی وجود دارد که می تواند بر تعیین واکنش فرد به آب و هوا و تأثیر آن بر مشارکت فرد در فعالیت های خارج از منزل تأثیر بگذارد. در ماه های آوریل، مه و ژوئن تعداد ورود بسیار بیشتر است، که از نتایج تغییرات فصلی پشتیبانی می کند که نشان می دهد بهار و تابستان تعداد زیادی ورود دارند.

6. بحث

تجزیه و تحلیل نشان می‌دهد که داده‌های Weibo منبع مفیدی برای ارزیابی ویژگی‌های پارک‌های سبز شهری و تحلیل جنبه‌های مکانی و زمانی است. مزیت استفاده از داده‌های رسانه‌های اجتماعی برای تحلیل فضای سبز شهری این است که می‌توانیم اطلاعات کیفی و در مقیاس بزرگ برای کل شهر را با جزئیات بیشتری استخراج کنیم.

برخی از پارک های سبز در شانگهای همیشه شلوغ هستند، در حالی که برخی دیگر بازدیدکنندگان کمتری دارند. این تحقیق با هدف تعیین تغییرات رفتاری بازدیدکنندگان پارک با تأیید اینکه استفاده از فضاهای سبز می تواند تحت تأثیر آب و هوا یا فصول باشد، انجام شد. ما الگوی مکانی-زمانی توزیع چک-این ها در پارک های سبز در شانگهای را بررسی کردیم. در این تحقیق، ما یک تحلیل تجربی عمیق از رفتار ورود با استفاده از نمودارهای روند و نقشه‌های چگالی ساخته‌شده از داده‌های LBSN انجام دادیم. الگوهای مکانی-زمانی ورود از دیدگاه‌های مختلف، از جمله تفاوت‌ها بر اساس جنسیت، روز هفته و ساعت از روز مورد بررسی قرار گرفت. از منظر زمانی، تعداد بازدیدکنندگان پارک های سبز در طول روز و در بین سه بازه زمانی روز متفاوت بود. از منظر فضایی، 58 ]. به ویژه، تراکم فضایی در نواحی Changning و Hongkou بالاترین میزان بود.

این مطالعه از داده‌های ورود به شبکه‌های اجتماعی دارای برچسب جغرافیایی به عنوان پروکسی برای تخمین تعداد بازدیدهای پارک شهری در شانگهای استفاده کرد که به عنوان مطالعه موردی مورد استفاده قرار گرفت. این تکنیک نسبت به بررسی‌های زمان‌بر و کار فشرده از نظر زمانی کارآمدتر است و می‌تواند پوشش فضایی استثنایی را ارائه دهد. با این حال، این تکنیک محدودیت های خاص خود را دارد. ما به نرخ بازدیدکنندگان مشاهده‌شده دسترسی نداشتیم، بنابراین نتوانستیم ارزیابی کنیم که آیا همبستگی قوی بین داده‌های ورود و بازدید مشاهده‌شده در برنامه‌ریزی و ارزیابی مناطق شهری وجود دارد یا خیر. ارتباط بین دفعات ورود به Weibo و بازدید واقعی ممکن است در پارک‌های سبز متفاوت باشد. یک مسئله مهم این است که برخلاف داده‌های سرشماری سنتی، داده‌های رسانه‌های اجتماعی به طور کلی مستقیماً اطلاعات جمعیتی خاصی مانند قومیت و وضعیت تأهل را ارائه نمی‌کنند. با این حال، 37 ].

دلایل کلیدی افزایش شهرنشینی، جمعیت رو به رشد و صنعتی شدن در حال رشد است [ 72]. علیرغم پتانسیل داده‌های LBSN برای ارزیابی ویژگی‌های پارک‌های شهری و تجزیه و تحلیل جنبه‌های مکانی، زمانی و محتوایی خاص، بازنمایی اطلاعات جمع‌آوری‌شده به دلیل تناقض در مکان‌های جغرافیایی مرجع کاربران دارای محدودیت‌هایی است. با این حال، می‌توانیم استنباط کنیم که حداقل افراط‌های جمعیت در سن (بسیار جوان و پیر) و موقعیت‌های اجتماعی، استفاده از LBSN را به حداقل می‌رساند. بنابراین، تأثیر آنها بر رفتار عموم مردم در داده ها حداقل است. در برنامه‌ریزی شهری و تحلیل پارک‌های سبز شهری، داده‌های برچسب‌گذاری شده جغرافیایی و داده‌های جمعیتی مانند سن و قومیت، عوامل مهمی هستند. این یک مشکل است که داده های رسانه های اجتماعی معمولاً مستقیماً اطلاعاتی شامل نام، آدرس خانه، شماره تلفن، 37 ]. در مورد ما، علاوه بر موضوع نمایندگی کلی، محدودیت اصلی تعداد کم ورود به هر کاربر هنگام بازدید از پارک است. این منجر به تعداد کمتر از ایده آل نقاط داده برای هر کاربر شد.

تا جایی که ما می دانیم، این تحقیق ممکن است اولین مطالعه موردی با استفاده از داده های Weibo برای تجزیه و تحلیل استفاده از پارک های سبز شهری با استفاده از رفتار ورود به تعداد زیادی از پارک های سبز در شانگهای باشد. پوشش فضایی گسترده این مطالعه اطلاعات مفیدی را ارائه می‌کند که می‌تواند برنامه‌ریزی و توسعه فضای سبز شهری را در شهرهای بزرگ دیگر افزایش دهد. استفاده کارآمد از مناطق سبز شهری پتانسیل قابل توجهی برای تشویق فعالیت های فیزیکی متوسط تا شدید در میان ساکنان شهری دارد. این نتایج بر اهمیت استفاده از پارک های سبز شهری به منظور بهبود سلامت ساکنان شهری در سراسر جهان تاکید می کند.

7. نتیجه گیری و کار آینده

فضاهای سبز شهری مناطقی هستند که در آن افراد می توانند در فعالیت های بدنی ارتقا دهنده سلامت شرکت کنند. استفاده از داده های دارای برچسب جغرافیایی از پلتفرم های رسانه های اجتماعی برای ارزیابی تنوع بازدیدها، امکان پوشش یک منطقه جغرافیایی بزرگتر را در مقایسه با تکنیک های مرسوم، مانند نظرسنجی بازدیدکنندگان و شمارش در محل، فراهم می کند. ما الگوی مکانی و زمانی مناطق سبز شهری در شانگهای را با استفاده از مجموعه داده Weibo تجزیه و تحلیل کردیم. در تحقیق حاضر، که از نقشه‌های شدت و روند با استفاده از داده‌های LBSN استفاده می‌کند، ما یک تحلیل تجربی عمیق از رفتار ورود انجام دادیم. یافته‌ها نشان می‌دهد که توزیع ورود کاربران در پارک‌ها، و نتایج نشان می‌دهد که پارک‌های واقع در مرکز شهر شلوغ‌تر از پارک‌های سایر مناطق هستند. تجزیه و تحلیل اثرات فصلی بر رفتار مردم نسبت به پارک‌های سبز نشان می‌دهد که تعداد مراجعه‌کنندگان در بهار و تابستان بسیار بیشتر از پاییز و زمستان است. تعداد کاربران Weibo بر اساس ساعت روز و فواصل روز (صبح، بعد از ظهر، عصر) نشان می دهد که زمان اوج استفاده از پارک از ظهر تا عصر است. تغییرات جالبی در رفتار کاربر بر اساس اثرات دما مشاهده شد و الگوها نشان می‌دهند که آوریل، مه و ژوئن محبوب‌ترین ماه‌ها از نظر ورود هستند. در نهایت، تفاوت‌های جنسیتی در بازدیدکنندگان پارک سبز محاسبه شد و نتایج نشان می‌دهد که کاربران زن در هنگام بازدید از پارک‌های سبز در استفاده از خدمات رسانه‌های اجتماعی فعال‌تر هستند. امکانات بیشتر مانند حمل‌ونقل و مساحت پارک می‌تواند بازدیدکنندگان بیشتری را جذب کند زیرا این مطالعه نشان می‌دهد که بازدیدکنندگان پارک‌های مرکز شهر در مقایسه با سایر مناطق متراکم‌تر هستند. این نتایج می تواند در برنامه ریزی شهری برای فضاهای سبز با در نظر گرفتن اولویت های بازدیدکنندگان مفید باشد.

با استفاده از تکنیک و نتایج این مطالعه می توان تحقیقات بیشتری را انجام داد. جهت‌های احتمالی آینده برای اندازه‌گیری الگوهای بازدیدهای تفریحی از پارک‌های سبز شهری شامل استفاده از داده‌های عکاسی دارای برچسب جغرافیایی برای ایجاد الگوهای فعالیت‌های تفریحی است. اگر اطلاعات نمایه کاربر مانند سن، درآمد، وضعیت تأهل و شهر زادگاه در آینده به دست آید، رویکرد تحقیق فعلی می‌تواند نتایج آموزنده‌تری را برای انتقال رفتار بازدیدکنندگان پارک ارائه دهد. به طور مشابه، محتوای رسانه‌های اجتماعی ارسال شده توسط کاربران پارک را می‌توان برای کمک به شناخت احساسات یا احساسات بازدیدکنندگان و ارزیابی مزایای متعدد پارک‌های شهری تفسیر کرد. علاوه بر این، تحقیقات مشابهی را می توان در سایر کلان شهرها برای ارزیابی مشکلات رایجی که بر استفاده از فضاهای سبز شهری تأثیر می گذارد، انجام داد.

مشارکت های نویسنده

هدایت الله و وانگگن وان این تحقیق را تصور کردند. هدایت الله و ثاقب علی حیدری این تحقیق را طراحی کردند. هدایت الله، ثاقب علی حیدری، نعمت الله خان، زینب ابراهیم پور و تیانهنگ لو شبیه سازی را انجام دادند. هدایت الله و ثاقب علی حیدری مقاله را نوشتند و وانگگن وان اثبات مقاله را برای ویرایش زبان خواند. همه نویسندگان نسخه نهایی را خوانده و تایید کردند.

منابع مالی

این کار توسط بنیاد ملی علوم طبیعی چین (61711530245) و پروژه ای از کمیسیون علم و فناوری شانگهای (18510760300) پشتیبانی شد.

تضاد علاقه

نویسندگان هیچ تضاد منافعی را اعلام نمی کنند.

منابع

موگیاکو، ای. Photis، YN ارزیابی و برنامه ریزی شبکه فضای سبز شهری: بهینه سازی دسترسی بر اساس اتصال و تجزیه و تحلیل شطرنجی GIS. یورو جی. جئوگر. 2014 ، 5 ، 19-46. [ Google Scholar ]
سازمان ملل متحد چشم انداز شهرنشینی جهان ; سازمان ملل: نیویورک، نیویورک، ایالات متحده آمریکا، 2018. [ Google Scholar ]
هارتیگ، تی. Kahn، PH زندگی در شهرها، به طور طبیعی. J. Sci. 2016 ، 352 ، 938-940. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کاشف، م. زیست پذیری شهری در سراسر مرزهای انضباطی و حرفه ای. جلو. آرشیت. Res. 2016 ، 5 ، 239-253. [ Google Scholar ] [ CrossRef ]
کواچ-گیوری، آ. ریستئا، ع. کولکسار، ر. رسچ، بی. کریولاری، ا. Blaschke، T. فراتر از مجاورت فضایی – طبقه بندی پارک ها و بازدیدکنندگان آنها در لندن بر اساس تجزیه و تحلیل فضایی و زمانی و احساسات داده های توییتر. ISPRS Int. J. Geo Inf. 2018 ، 7 ، 378. [ Google Scholar ] [ CrossRef ]
سلیم، ع. Kamboh، K. چرا مردم از پارک ها بازدید می کنند؟ نقش جنسیت، سن و تحصیلات در بین بازدیدکنندگان پارک شهری فیصل آباد. بین المللی انجمن آسیایی J. علمی 2013 ، 3 ، 2196-2203. [ Google Scholar ]
گیلز کورتی، بی. Broomhall، MH; کنویمان، ام. کالینز، سی. داگلاس، ک. نگ، ک. لانگ، آ. Donovan، RJ افزایش پیاده روی: فاصله، جذابیت و اندازه فضای باز عمومی چقدر مهم است؟ صبح. J. قبلی پزشکی 2005 ، 28 ، 169-176. [ Google Scholar ] [ CrossRef ] [ PubMed ]
اهداف توسعه پایدار سازمان ملل متحد در دسترس آنلاین: https://www.un.org/sustainabledevelopment/cities/ (در 5 آوریل 2019 قابل دسترسی است).
دادوند، پ. سانیر، جی. آلوارز-پدرول، ام. Dalmau-Bueno، A. اسنائولا، م. گاسکون، ام. پاسکوال، MDC؛ باساگانا، ایکس. مورگان، IG; Nieuwenhuijsen، MJ فضاهای سبز و عینک در دانش آموزان مدرسه در بارسلونا استفاده می شود. محیط زیست Res. 2017 ، 152 ، 256-262. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Batty, M. The New Science of Cities ; Mit Press: کمبریج، MA، ایالات متحده آمریکا، 2013. [ Google Scholar ]
کنیگر، ال. گاستون، ک. ایروین، ک. فولر، آر. مزایای تعامل با طبیعت چیست؟ بین المللی جی. محیط زیست. Res. بهداشت عمومی 2013 ، 10 ، 913-935. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کوستانزا، آر. d’Arge، R. دی گروت، آر. فاربر، اس. گراسو، ام. هانون، بی. لیمبورگ، ک. نعیم، س. اونیل، آر وی. پارولو، جی. ارزش خدمات اکوسیستم و سرمایه طبیعی جهان. Nature 1997 , 387 , 253. [ Google Scholar ] [ CrossRef ]
استورم، آر. کوهن، دی. نزدیکی به پارک های شهری و سلامت روان. جی. منت. اقتصاد سیاست سلامت 2014 ، 17 ، 19. [ Google Scholar ] [ PubMed ]
Wolch، JR; بیرن، جی. نیوول، JP فضای سبز شهری، بهداشت عمومی و عدالت محیطی: چالش ایجاد شهرها به اندازه کافی سبز. Landsc. طرح شهری. 2014 ، 125 ، 234-244. [ Google Scholar ] [ CrossRef ]
Maimaitiyiming، M. غلام، ع. تییپ، تی. پلا، اف. Latorre-Carmona، P. هالیک، Ü. ساووت، م. Caetano، M. اثرات الگوی فضایی فضای سبز بر دمای سطح زمین: پیامدهایی برای برنامه ریزی شهری پایدار و سازگاری با تغییرات آب و هوا. ISPRS J. Photogramm. Remote Sens. 2014 ، 89 ، 59-66. [ Google Scholar ] [ CrossRef ]
Chiesura، A. نقش پارک های شهری برای شهر پایدار. Landsc. طرح شهری. 2004 ، 68 ، 129-138. [ Google Scholar ] [ CrossRef ]
Tyrväinen، L. اوجالا، ا. کورپلا، ک. لانکی، تی. سونتسوگو، ی. کاگاوا، تی. تأثیر محیط‌های سبز شهری بر اقدامات کاهش استرس: یک آزمایش میدانی. جی. محیط زیست. روانی 2014 ، 38 ، 1-9. [ Google Scholar ] [ CrossRef ]
Bedimo-Rung، AL; موون، ای جی؛ کوهن، DA اهمیت پارک ها برای فعالیت بدنی و سلامت عمومی: یک مدل مفهومی. صبح. J. قبلی پزشکی 2005 ، 28 ، 159-168. [ Google Scholar ] [ CrossRef ] [ PubMed ]
تاکانو، تی. ناکامورا، ک. Watanabe، M. محیط های مسکونی شهری و طول عمر سالمندان در مناطق کلان شهر: اهمیت فضاهای سبز قابل پیاده روی. J. Epidemiol. سلامت جامعه 2002 ، 56 ، 913-918. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کوتنز، جی. Blaschke، T. پارک های شهری: ادراک بازدیدکنندگان در مقابل شاخص های فضایی. سیاست کاربری زمین 2017 ، 64 ، 233-244. [ Google Scholar ] [ CrossRef ]
تغییر جهان ما: دستور کار 2030 برای توسعه پایدار. در دسترس آنلاین: https://sustainabledevelopment.un.org/post2015/transformingourworld/publication (در 14 ژوئن 2019 قابل دسترسی است).
مجمع عمومی سازمان ملل متحد در حال تغییر جهان ما: دستور کار 2030 برای توسعه پایدار. 2015.
برانتا، انجمن تفریحی و پارک ملی HB (NRPA). Vis. لیس. اتوبوس. 1983 ، 2 ، 14. [ Google Scholar ]
کازاندرا، سی. 8 دلیل برای اینکه پارک ها مهم هستند. در دسترس آنلاین: https://www.gardinergreenribbon.com/why-parks-are-important/ (در 14 مه 2019 قابل دسترسی است).
ویبو در دسترس آنلاین: https://www.weibo.com (در 25 ژوئن 2019 قابل دسترسی است).
ژن، اف. کائو، ی. Qin، X. وانگ، ب. تعیین مرز تجمع شهری بر اساس داده‌های ورود به میکروبلاگ Sina Weibo: مطالعه موردی دلتای رودخانه یانگ تسه. شهرها 2017 ، 60 ، 180-191. [ Google Scholar ] [ CrossRef ]
Demographia World Urban Area، 2019. در دسترس آنلاین: https://www.demographia.com/db-worldua.pdf (در 14 ژوئن 2019 قابل دسترسی است).
امه، س. توشیو، K. طبقه بندی پارک های شهری و ویژگی های منطقه ای آنها در شهر داکا، بنگلادش. جی. محیط زیست. علمی مهندس 2017 ، B6 ، 41–54. [ Google Scholar ]
جیم، سی. چن، WY ادراک و نگرش ساکنان نسبت به فضای سبز شهری در گوانگژو (چین). محیط زیست مدیریت 2006 ، 38 ، 338-349. [ Google Scholar ] [ CrossRef ] [ PubMed ]
وانگ، ی. د گروت، آر. بیکر، اف. وورچه، اچ. Leemans، R. آسایش حرارتی در فضاهای سبز شهری: نظرسنجی در محوطه دانشگاه هلند. بین المللی J. Biometeorol. 2017 ، 61 ، 87-101. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هارتیگ، تی. میچل، آر. دی وریس، اس. Frumkin, H. طبیعت و سلامت. آنو. Rev. Public Health 2014 ، 35 ، 207-228. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لی، جی. هنگ، I. اندازه گیری دسترسی فضایی در زمینه نابرابری فضایی بین تقاضا و عرضه خدمات پارک شهری. Landsc. طرح شهری. 2013 ، 119 ، 85-90. [ 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 ]
گولد، انتشار فضایی روابط عمومی، مقاله منبع شماره 4 ; انجمن جغرافیدانان آمریکایی: واشنگتن، دی سی، ایالات متحده آمریکا، 1969. [ Google Scholar ]
ولچ، جی. ویلسون، جی پی؛ Fehrenbach، J. Parks و تامین مالی پارک در لس آنجلس: تجزیه و تحلیل نقشه‌برداری سهام. جئوگر شهری. 2005 ، 26 ، 4-35. [ Google Scholar ] [ CrossRef ]
حسن، س. Ukkusuri، SV طبقه‌بندی الگوی فعالیت شهری با استفاده از مدل‌های موضوعی از داده‌های موقعیت جغرافیایی آنلاین. ترانسپ Res. قسمت C Emerg. تکنولوژی 2014 ، 44 ، 363-381. [ Google Scholar ] [ CrossRef ]
لانگلی، پی. عدنان، ام. جمعیت شناسی جغرافیایی-زمانی توییتر. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 369-389. [ Google Scholar ] [ CrossRef ]
فرانک، ام آر. میچل، ال. Dodds، PS; دانفورث، CM شادی و الگوهای زندگی: مطالعه توییت‌های جغرافیایی. علمی Rep. 2013 , 3 , 2625. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Campagna، M. چرخش جغرافیایی در رسانه های اجتماعی: فرصت هایی برای برنامه ریزی فضایی و طراحی جغرافیایی. در مجموعه مقالات کنفرانس بین المللی علوم محاسباتی و کاربردهای آن، گیماراس، پرتغال، 30 ژوئن تا 3 ژوئیه 2014. صص 598-610. [ Google Scholar ]
ساگل، جی. رسچ، بی. هاولکا، بی. بینات، ای. از داده‌های حسگر اجتماعی تا الگوهای رفتار جمعی انسان: تجزیه و تحلیل و تجسم پویایی‌های مکانی-زمانی در محیط‌های شهری. در مجموعه مقالات GI-Forum; Herbert Wichmann Verlag: برلین، آلمان، 2012; صص 54-63. [ Google Scholar ]
Lowry، PB; کائو، جی. Everard، A. نگرانی‌های حفظ حریم خصوصی در مقابل تمایل به آگاهی بین فردی در استفاده از فناوری‌های خودافشایی: مورد پیام‌رسانی فوری در دو فرهنگ. جی. مناگ. Inf. سیستم 2011 ، 27 ، 163-200. [ Google Scholar ] [ CrossRef ]
اسمایلی، ام جی; روکس، AVD؛ Brines، SJ; براون، DG; Evenson، KR; رودریگز، DA تحلیل فضایی منابع مرتبط با سلامت در سه منطقه شهری متنوع. Health Place 2010 ، 16 ، 885-892. [ Google Scholar ] [ CrossRef ] [ PubMed ]
تورنتون، LE; پیرس، جی آر. مکدونالد، ال. بره، KE; Ellaway، A. آیا انتخاب معیار دسترسی به سوپرمارکت محله بر ارتباط با مصرف میوه و سبزیجات در سطح فردی تأثیر می گذارد؟ مطالعه موردی از گلاسکو. بین المللی J. Health Geogr. 2012 ، 11 ، 29. [ Google Scholar ] [ CrossRef ] [ PubMed ]
تورنتون، LE; پیرس، جی آر. کاوانا، AM با استفاده از سیستم های اطلاعات جغرافیایی (GIS) برای ارزیابی نقش محیط ساخته شده در تأثیرگذاری بر چاقی: واژه نامه. بین المللی جی. رفتار. Nutr. فیزیک عمل کنید. 2011 ، 8 ، 71. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پادشاه، TL; تورنتون، LE; بنتلی، RJ; Kavanagh, AM استفاده از تخمین تراکم هسته برای بررسی ارتباط بین شدت مقصد محله و پیاده روی و فعالیت بدنی. PLoS ONE 2015 ، 10 ، e0137402. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مور، ک. روکس، AVD؛ آچینکلاس، آ. Evenson، KR; کافمن، جی. مجاهد، م. ویلیامز، کی. محیط های خانه و محل کار در رابطه با شاخص توده بدن: مطالعه چند قومیتی آترواسکلروز (MESA). اپیدمیول. سلامت جامعه 2013 ، 67 ، 846-853. [ Google Scholar ] [ CrossRef ] [ PubMed ]
جونز اسمیت، جی سی. کارتر، ای جی. وارتون، EM; کلی، م. کرستن، ای. Moffet، HH; آدلر، ن. شیلینگر، دی. Laraia، BA چاقی و محیط غذایی: تفاوت درآمد و قومیت در میان افراد مبتلا به دیابت: مطالعه دیابت در شمال کالیفرنیا (DISTANCE). مراقبت از دیابت 2013 ، 36 ، 2697-2705. [ Google Scholar ] [ CrossRef ] [ PubMed ]
باک، سی. بورنهورست، سی. پوهلابلن، اچ. هویبرشتس، آی. پالا، وی. رایش، ال. Pigeot، I. خوشه بندی مواد غذایی ناسالم در اطراف مدارس آلمان و تأثیر آن بر رفتار رژیم غذایی در کودکان مدرسه: یک مطالعه آزمایشی. بین المللی جی. رفتار. Nutr. فیزیک عمل کنید. 2013 ، 10 ، 65. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لی، اف. ژانگ، اف. لی، ایکس. وانگ، پی. لیانگ، جی. می، ی. چنگ، دبلیو. کیان، ی. الگوهای فضایی و زمانی استفاده از فضاهای سبز شهری و عوامل خارجی مؤثر در استفاده از آنها در مرکز پکن. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2017 ، 14 ، 237. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کواچ-گیوری، آ. ریستئا، ع. هاواس، سی. رسچ، بی. Cabrera-Barona، P. London2012: به سوی برنامه ریزی شهری با مشارکت شهروندان از طریق تجزیه و تحلیل احساسات داده های توییتر. طرح شهری. 2018 ، 3 ، 75-99. [ Google Scholar ] [ CrossRef ]
لی، ز. وو، اف. تفکیک مسکونی مبتنی بر تصدی در شهرهای چین پس از اصلاحات: مطالعه موردی شانگهای. ترانس. Inst. برادر Geogr. 2008 ، 33 ، 404-419. [ Google Scholar ] [ CrossRef ]
لی، جی. نیش، دبلیو. وانگ، تی. قریشی، س. آلاتالو، ج. بای، ی. همبستگی بین محرک‌های اجتماعی-اقتصادی و شاخص‌های گسترش شهری: شواهد از منطقه شهری شانگهای، چین. پایداری 2017 ، 9 ، 1199. [ Google Scholar ] [ CrossRef ]
Guo, R. Regional China: A Business and Economic Handbook ; Springer: برلین، آلمان، 2013. [ Google Scholar ]
اداره ملی آمار NBS ششمین سرشماری ملی نفوس جمهوری خلق چین ؛ NBS: پکن، چین، 2010. [ Google Scholar ]
شیائو، ی. وانگ، ز. لی، ز. تانگ، ز. ارزیابی دسترسی به پارک شهری در شانگهای – پیامدهایی برای برابری اجتماعی در چین شهری. Landsc. طرح شهری. 2017 ، 157 ، 383-393. [ Google Scholar ] [ CrossRef ]
چیکت، سی. دوور، جی دبلیو. میچل، پی. پرندگان و محیط شهری: ارزش دیوارهای سبز. اکوسیست شهری 2013 ، 16 ، 453-462. [ Google Scholar ] [ CrossRef ]
آمار Weibo در دسترس آنلاین: https://ir.weibo.com/news-releases/news-release-details/weibo-corporation-report-fourth-quar-and-fiscal-year-2018 (دسترسی در 10 ژوئن 2019).
رضوان، م. وان، دبلیو. سروانتس، او. Gwiazdzinski، L. استفاده از داده‌های رسانه‌های اجتماعی مبتنی بر مکان برای مشاهده رفتار ثبت نام و تفاوت جنسیتی: وارد کردن داده‌های weibo به بازی. ISPRS Int. J. Geo Inf. 2018 ، 7 ، 196. [ Google Scholar ] [ CrossRef ]
زی، ز. Yan, J. تخمین تراکم هسته حوادث ترافیکی در فضای شبکه. محاسبه کنید. محیط زیست سیستم شهری 2008 ، 32 ، 396-406. [ Google Scholar ] [ CrossRef ]
چن، ز. لو، ن. گائو، تی. تحقیق ارزیابی فاجعه طوفان بر اساس VGI [J]. Geomat. تف کردن Inf. تکنولوژی 2016 ، 10 ، 33-34. [ Google Scholar ]
سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها . Routledge: Abingdon، UK، 2018. [ Google Scholar ]
وو، سی. بله، X. رن، اف. وان، ی. نینگ، پی. Du، Q. تجزیه و تحلیل داده های رسانه های اجتماعی و فضایی قیمت مسکن در شنژن، چین. PLoS ONE 2016 , 11 , e0164553. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پادشاه، TL; بنتلی، RJ; تورنتون، LE; کاوانا، AM با استفاده از تخمین چگالی هسته برای درک تأثیر مقاصد محله بر BMI. BMJ Open 2016 , 6 , e008878. [ Google Scholar ] [ CrossRef ] [ PubMed ]
حسن، س. ژان، ایکس. Ukkusuri، SV درک فعالیت‌های انسانی شهری و الگوهای تحرک با استفاده از داده‌های مبتنی بر مکان در مقیاس بزرگ از رسانه‌های اجتماعی آنلاین. در مجموعه مقالات دومین کارگاه بین المللی ACM SIGKDD در محاسبات شهری، شیکاگو، IL، ایالات متحده آمریکا، 11 اوت 2013. پ. 6. [ Google Scholar ]
لی، ال. Goodchild، MF; Xu، B. الگوهای مکانی، زمانی و اجتماعی-اقتصادی در استفاده از توییتر و فلیکر. کارتوگر. Geogr. Inf. علمی 2013 ، 40 ، 61-77. [ Google Scholar ] [ CrossRef ]
سان، ی. فن، اچ. لی، ام. Zipf، A. شناسایی مرکز شهر با استفاده از جریان های سفر انسانی که از داده های شبکه اجتماعی مبتنی بر مکان ایجاد می شود. محیط زیست طرح. B طرح. 2016 ، 43 ، 480-498. [ Google Scholar ] [ CrossRef ]
لی، اچ. Ge، Y. هونگ، آر. زو، اچ. توصیه‌های نقطه‌ی علاقه: یادگیری ورود احتمالی از دوستان. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 13 تا 17 اوت 2016؛ ص 975-984. [ Google Scholar ]
ماروکو، آر. Maantay، JA; Sohler، NL; Grady، KL; Arno، PS پیچیدگی های اندازه گیری دسترسی به پارک ها و مکان های فعالیت بدنی در شهر نیویورک: یک رویکرد کمی و کیفی. بین المللی J. Health Geogr. 2009 ، 8 ، 34. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مایا، م. آلمیدا، جی. Almeida, V. شناسایی رفتار کاربر در شبکه های اجتماعی آنلاین. در مجموعه مقالات اولین کارگاه در مورد سیستم های شبکه های اجتماعی، گلاسکو، اسکاتلند، 1 آوریل 2008; صص 1-6. [ Google Scholar ]
Van Iddekinge، CH; Lanivich، SE; راث، پی ال. Junco، E. رسانه های اجتماعی برای انتخاب؟ اعتبار و پتانسیل تأثیر نامطلوب ارزیابی مبتنی بر فیس بوک. جی. مناگ. 2016 ، 42 ، 1811-1835. [ Google Scholar ] [ CrossRef ]
رابرتز، اچ. سادلر، جی. چاپمن، L. استفاده از توییتر برای بررسی تغییرات فصلی در فعالیت بدنی در فضای سبز شهری. Geo Geogr. محیط زیست 2017 , 4 , e00041. [ Google Scholar ] [ CrossRef ]
رامایا، م. Avtar، R. فضاهای سبز شهری و نیاز آنها در شهرهایی با شهرنشینی سریع هند: یک بررسی. علوم شهری 2019 ، 3 ، 94. [ Google Scholar ] [ CrossRef ]

شکل 1. منطقه مطالعه.

شکل 2. جریان فرآیند آماده سازی داده ها.

شکل 3. چارچوب تجزیه و تحلیل داده ها.

شکل 4. توزیع پارک ها در شانگهای.

شکل 5. توزیع پارک ها در سطح منطقه در شانگهای.

شکل 6. تراکم بررسی پارک ها در شانگهای.

شکل 7. تغییرات زمانی در یک روز: ( الف ) ساعتی، ( ب ) صبح، ( ج ) بعدازظهر، ( د ) عصر.

شکل 8. توزیع ورود بر اساس ( الف ) روز هفته و ( ب ) جنسیت.

شکل 9. تغییرات فصلی در تعداد بازدیدکنندگان پارک.

شکل 10. تنوع در تعداد بازدیدکنندگان پارک با توجه به دما.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

تحلیل الگوهای فضایی و زمانی در فضاهای سبز برای مطالعات شهری با استفاده از رسانه های اجتماعی و GIS

تحلیل الگوهای فضایی و زمانی در فضاهای سبز برای مطالعات شهری با استفاده از رسانه های اجتماعی و GIS

چکیده

1. مقدمه

2. کارهای مرتبط