بهینه سازی فضایی چند معیاره کلانتری های آینده بر اساس گسترش شهری و ویژگی های رفتار مجرمانه

توسعه سریع لانژو چالش های امنیتی جدیدی را ایجاد کرده است و بهبود ایمنی عمومی در مناطق تحت صلاحیت ایستگاه های پلیس راه موثری برای رسیدگی به مشکل امنیت عمومی در مناطق شهری است. متأسفانه، مطالعات موجود در نظر نمی‌گیرند که چگونه عواملی مانند تغییرات آینده زمین، عملکرد ساختمان و ویژگی‌های رفتار مجرمانه بر انتخاب مناطق برای ایستگاه‌های پلیس و بهینه‌سازی ایستگاه‌های پلیس با توجه به تراکم ترافیک تأثیر می‌گذارند. برای حل این مشکلات، روش‌های متعدد و داده‌های مکانی چندمنبعی را برای بهینه‌سازی مکان‌های ایستگاه پلیس اعمال می‌کنیم. روش پیشنهادی شامل یک چشم انداز کلان داده است که ایده ها و رویکردهای فنی جدیدی را برای مدل های انتخاب سایت ارائه می دهد. اولین، ما از شهر مرکزی لانژو به عنوان منطقه مطالعه استفاده می کنیم و مناطق محروم را از لایه اولیه برای شناسایی مناطق توسعه نیافته پاک می کنیم. دوم، داده های جرم تاریخی، نقطه مورد علاقه و سایر داده ها برای ارزیابی خطر بالقوه جرم ترکیب می شوند. سپس از فرآیند سلسله مراتب تحلیلی برای ارزیابی جامع مناطق توسعه نیافته بر اساس نقاط بالقوه جرم و جنایت و محرک های اقتصادی-اجتماعی و کوه نگاری استفاده می کنیم. علاوه بر این، بر اساس قانون ایمنی ترافیک جاده‌ای چین و ازدحام ترافیک فعلی در شهر، حداقل سرعت تعیین شده است تا حتی در ترافیک شلوغ نیز بتوان به موقع به منطقه مورد نظر رسید. در نهایت نقشه پوشش فضایی کلانتری ها را بر اساس مدل مکان یابی و تحلیل شبکه ترسیم کرده و با در نظر گرفتن ضریب پوشش مناطق پرخطر و ساخت و ساز ساختمان، نقشه را بهینه می کنیم. علاوه بر تعمیر و نگهداری و اهداف دیگر. نتایج نشان می‌دهد که جرم عمدتاً در مناطق پرجمعیت متمرکز است، که نشان می‌دهد مردم و ثروت محرک‌های اصلی جرم هستند. تفاوت در توزیع فضایی کانون های جرم و جنایت و مناطق مسکونی در مقیاس های فضایی مختلف به این معنی است که نسبت نیروی پلیس امنیت عمومی به نیروی پلیس خانگی اختصاص یافته به کلانتری های مختلف از نظر فضایی غیریکنواخت است. روش پیشنهادی در اینجا همپوشانی مناطق خدماتی ایستگاه پلیس را 22.8٪ کاهش می دهد و پوشش منطقه (12.01٪) و پوشش نقطه تقاضا (7.25٪) را افزایش می دهد. پوشش منطقه به معنای منطقه ای است که به طور بالقوه در عرض پنج دقیقه قابل دسترسی است، و پوشش نقطه ای به معنای رانندگی موثر است. در بهینه سازی معقول،

کلید واژه ها:

بهینه سازی فضایی نقطه مورد علاقه ویژگی های رفتار مجرمانه ; تغییر کاربری زمین

1. مقدمه

در چین، تقاضا برای خدمات عمومی در شهرها در این دوره از توسعه سریع اقتصادی در چین، همراه با افزایش همزمان عوامل نامشخص، مانند گسترش شهر و فشردگی، در حال افزایش است [ 1 ]. خوشبختانه، توسعه شهری در سال‌های اخیر کند شده است و منابع شهری عمدتاً برای بهبود کیفیت خدمات عمومی شهری استفاده می‌شوند [ 2 ]]. امنیت عمومی یکی از خدمات حیاتی است که توسط کلان شهرها ارائه می شود و یکی از ملاحظات ضروری برای توسعه باکیفیت مناطق شهری است. ایستگاه پلیس اساس سیستم امنیت عمومی چین است. مسئولیت اصلی آن پیشگیری و کنترل وقوع و گسترش حوادث امنیت عمومی و حفظ ثبات اجتماعی است. در عین حال، کلانتری ها دارای مسئولیت های اساسی هستند و وظایف متعددی توسط افسران پلیس درگیر انجام می شود، بنابراین کلانتری ها باید به اندازه کافی از نظر فضایی توزیع شوند. امنیت عمومی ناکافی به طور جدی بر امنیت شخصی و اموال ساکنان تأثیر می گذارد. از سال 2001 تا 2021، تعداد تجمعی جرایم جنایی از 10 میلیون فراتر رفته است، همانطور که در شکل 1 نشان داده شده است.. توجه داشته باشید که این داده ها فقط سرزمین اصلی چین را شامل می شود و هنگ کنگ، ماکائو یا تایوان را شامل نمی شود. در سال 2021، دادستانی بیش از 1.74 میلیون نفر را به دلیل جرایم جنایی تحت تعقیب قرار داد. از این تعداد 350 هزار نفر به دلیل رانندگی خطرناک، 200 هزار نفر به سرقت و 110 هزار نفر به کلاهبرداری متهم شدند. در سال 1995، وانگ بر ضرورت بهینه‌سازی چیدمان ایستگاه‌های پلیس شهری تاکید کرد و اشاره کرد که به دلایل تاریخی، چیدمان ایستگاه‌های پلیس در چین خودسرانه است [ 3 ]]. برخی از ولسوالی های پلیس با برخی دیگر همپوشانی دارند که باعث هدر رفتن منابع مالی و پلیس زیادی می شود. برای کاهش حوادث جنایی، درک بهتر بهینه سازی فضایی کلانتری ضروری است. ارزیابی و مقابله با خطرات بالقوه در مناطق شهری به دلیل گسترش سریع شهری و تغییرات مکرر در کاربری زمین و جاده ها به طور فزاینده ای پیچیده و چالش برانگیز است. علاوه بر این، وضعیت ترافیک به دلیل افزایش مقیاس شهر و تراکم وسایل نقلیه به طور فزاینده ای پیچیده می شود و ازدحام ترافیک به طور قابل توجهی دسترسی به ایستگاه های پلیس را تحت تأثیر قرار می دهد. بنابراین، شهرها به یک رویکرد علمی و منطقی برای انتخاب مکان کلانتری نیاز مبرم دارند.

تحقیقات مکان یابی-تخصیص تسهیلات (LA) سابقه طولانی دارد. این مدل به تعیین مکان بهینه برای یک یا چند تسهیلات کمک می کند، به طوری که ذینفع می تواند از خدمات یا کالاهای ارائه شده توسط تسهیلات در کارآمدترین وضعیت استفاده کند [ 1 ]. از زمانی که حکیمی مدل LA را در سال 1964 پیشنهاد کرد، به طور گسترده ای برای تخصیص مکان های تاسیسات استفاده شده است و محققان در بهبود الگوریتم کمک کرده اند [ 4 ]. در سال 1990، چرچ الگوریتم P-Median را بهبود بخشید و محدودیت های منطقه ای را در مدل معرفی کرد [ 5 ]. در سال 1997، موری و گوتسگن تکنیک آرامش لاگرانژی را در مدل LA ادغام کردند، با توجه به محدودیت‌های ظرفیت تأسیسات و الزامات مکان محدودیت‌های منطقه [ 6 ]]. در سال 1997، گونگ و همکاران. فن آوری سنتی LA را با یک الگوریتم ژنتیک و استراتژی تکاملی برای حل مشکل ظرفیت محدود امکانات مکان ترکیب کرد [ 7 ]. در سال 2001، ماریانوف و سرا یک مدل مکان سلسله مراتبی را پیشنهاد کردند. امکانات سطح پایین مشتریان را اولویت بندی می کند و سپس آنها را به امکانات خدماتی سطح بالاتر ارجاع می دهد تا به سؤالات مربوط به نشستن در سیستم های شلوغ پاسخ دهند [ 8 ]. در سال 1998، لوزانو و همکاران. برای به دست آوردن راه حل های بهینه محلی تحت تقاضای پیوسته، نقشه های ویژگی خودسازماندهی را به LA متناوب اعمال کرد [ 9 ]. در سال 2003، صالحی و گامال یک مدل LA را بر اساس یک الگوریتم ژنتیک برای حل مسئله LA ثابت پیشنهاد کردند [ 10]. در سال 2004، Hsieh و Tien فاصله خط مستقیم نقشه های ویژگی خودسازماندهی بر اساس Kohonen را برای حل مشکل LA بدون محدودیت ظرفیت پیشنهاد کردند [ 11 ]. در همان سال، Xia و Jiaan الگوریتم‌های ژنتیک و سیستم‌های اطلاعات جغرافیایی (GIS) را برای حل مسائل پیچیده تخصیص بهینه فضایی ترکیب کردند و روش‌های اکتشاف هوشمند به طور قابل توجهی توانایی جستجوی فضایی را بهبود بخشید [ 12 ]. در سال 2007، Qinou الگوریتم انتخاب کلونال بهبود یافته را برای مطالعه مشکل طرح بندی کلی اعمال کرد [ 13 ]. در سال 2016، ژانگ خطر آتش سوزی شهری و نیروی آتش (یعنی پیکربندی پرسنل و تجهیزات ایستگاه آتش نشانی، پوشش ایستگاه آتش نشانی) را ارزیابی کرد [ 14]. در سال 2021، وانگ و همکاران. از داده های نقطه مورد علاقه (POI) برای بررسی پوشش واقعی ایستگاه های آتش نشانی در مرکز پکن تحت شرایط ترافیکی مختلف استفاده کرد [ 15 ]. در همان سال جیانگ و همکاران. در نظر گرفته شد که چگونه عوامل منفی، مانند خطر آتش سوزی فعلی، پوشش زمین، توزیع فضایی ایستگاه های آتش نشانی و تراکم ترافیک، بر انتخاب مکان ایستگاه آتش نشانی تاثیر می گذارد [ 1 ]. مکان های تأسیسات بهینه شده عمدتاً به انواع زیر تقسیم می شوند: مکان شرکت تجاری [ 16 ، 17 ]، مکان ایستگاه آتش نشانی [ 18 ، 19 ، 20 ]، مکان تأسیسات پزشکی [ 21 ، 22 ، 23 ]]، محل مدرسه، و بخش ناحیه مدرسه [ 24 ، 25 ، 26 ]. علاوه بر این، باید مکان‌های فرودگاه [ 27 ]، طرح‌بندی بهینه سکونتگاه‌های روستایی [ 28 ، 29 ]، مکان‌های مرکز حمل‌ونقل [ 30 ]، مکان پناهگاه [ 31 ]، مراکز توزیع لجستیک و غیره را در نظر گرفت [ 32 ، 33 ].

این بررسی مطالعات قبلی نشان می‌دهد که مدل‌های مکان‌یابی و داده‌های چند منبعی به طور گسترده در مکان‌یابی تسهیلات استفاده شده‌اند. مشخص است که توزیع مکان ایستگاه های پلیس امنیت عمومی اساساً مشکل تخصیص بهینه فضای عناصر نقطه ای است. با این حال، مطالعات موجود هنوز مشکلات جزئی دارند [ 15]. اولاً، به دلیل فقدان اطلاعات دقیق ساختمان، روش‌های موجود معمولاً از قطعات یا بلوک‌ها برای شبیه‌سازی منطقه خطر بدون تمایز بین ناهمگونی عملکردی ساختمان‌ها استفاده می‌کنند. علاوه بر این، خطر جرم و جنایت در شهرها تحت تأثیر محیط شهری است. دوم، اطلاعات دقیق در مورد شبکه حمل و نقل به ندرت در انتخاب سایت در نظر گرفته می شود. سوم، تحقیقات موجود نادیده می گیرد که چگونه عدم قطعیت و توسعه پویای شهرها یک سیستم جغرافیایی پیچیده را ایجاد می کند که بر انتخاب مکان تسهیلات تأثیر می گذارد. چهارم، تحقیقات در مورد موقعیت ایستگاه های پلیس تا کنون عمدتاً بر روی گشت زنی پلیس [ 34 ]، موقعیت یابی خودروهای پلیس [ 35 ] و اعزام پلیس [ 36 ] متمرکز بوده است.]، در حالی که تقریباً هیچ تحقیقی در مورد موقعیت مکانی و تخصیص فضایی نیروی پلیس وجود ندارد.

این مشکلات اغلب به این معنی است که انتخاب سایت نهایی نمی تواند خواسته های جدید را برآورده کند یا نمی تواند پس از نصب تسهیلات با محیط جدید سازگار شود. بسیاری از شهرها در کشورهای در حال توسعه در حال حاضر در حال توسعه سریع هستند، به ویژه شهرهای بزرگ و متوسط، بنابراین اثر قطبی شدن بارزتر است. انتخاب محل تاسیسات برنامه ریزی شده یا به زودی ساخته شده معمولاً زمان زیادی می برد. کل فرآیند تاسیسات، از طراحی تا ساخت تا استفاده نهایی، ممکن است بیشتر از حد انتظار طول بکشد، که اغلب به این معنی است که مکان انتخاب شده قبلی دیگر در محیط جدید مناسب نیست. بنابراین باید جزئیات شهر را در مدل مکان یابی در نظر بگیریم و الگویی برای مکان یابی امکانات با در نظر گرفتن شهر آینده بسازیم.

توسعه سریع اینترنت بسیاری از داده های مکانی نوظهور را تولید کرده است [ 37 ، 38 ، 39 ] که در داده هایی مانند داده های POI ارائه می شود، بنابراین راه حل های جدیدی برای چالش های فوق ارائه می شود. داده‌های POI داده‌های نقطه‌ای موجودیت‌های جغرافیایی واقعی، از جمله طول و عرض جغرافیایی، آدرس، نام و سایر ویژگی‌ها هستند. این داده ها برای مدیران شهری و پاسخ دهندگان اضطراری برای برنامه ریزی شهری و تجزیه و تحلیل امداد و نجات اضطراری ارزش زیادی دارند [ 40 , 41]. داده‌های POI از مزایای سرعت به‌روزرسانی سریع، محتوای صریح، حجم زیاد داده، پوشش جامع و هزینه کم برای تجزیه و تحلیل ریسک کمی در فضاهای عملکردی مختلف استفاده می‌کنند. بنابراین، این مطالعه با ادغام دو مجموعه داده از مجموعه داده‌های مکانی، محدودیت‌های مدل LA را بررسی می‌کند. ما از داده‌های POI برای ارزیابی شدت خطر شهری بر اساس ویژگی‌های رفتار مجرمانه استفاده می‌کنیم.

هدف این مطالعه پرداختن به محدودیت‌های مدل LA موجود با ترکیب سه مجموعه اطلاعات از مجموعه داده‌های مکانی در حال ظهور و پویایی شهری است. داده های جغرافیایی شامل POI، مکان جرم و داده های کاربری زمین است. این مقاله به شرح زیر است. بخش 2 مطالعه موردی را شرح می دهد. نتایج تجربی و تجزیه و تحلیل در بخش 3 ارائه شده و در بخش 4 مورد بحث قرار گرفته است. در نهایت، بخش 5 نتیجه گیری را ارائه می کند.

2. مطالعه موردی و روش شناسی

2.1. مروری بر منطقه تحقیقاتی

منطقه مورد مطالعه ما لانژو، استان گانسو، چین است که مساحت کل آن حدود 13100 کیلومتر مربع است ^.و از 102 درجه و 35 دقیقه تا 104 درجه و 34 دقیقه طول شرقی و 35 درجه و 34 دقیقه تا 36 درجه و 59 دقیقه عرض شمالی واقع شده است. بر اساس داده های هفتمین سرشماری جمعیت چین، تا ساعت 00:00 روز 1 نوامبر 2020، جمعیت ساکن لانژو حدود 4.36 میلیون نفر بوده است. لانژو یک پایگاه صنعتی در چین، یک شهر حمل و نقل جامع در مقیاس بزرگ، یک شهر مهم در کمربند اقتصادی جاده ابریشم است و به یک شهر ورودی مهم برای جمعیت متحرک در شمال غربی چین تبدیل شده است. فرهنگ سنتی، عادات زندگی، اعتقادات مذهبی، قومیت و سایر جنبه های عمومی در لانژو متنوع است. لانژو یک شهر مرکز استانی چند قومی است که دارای 56 گروه قومی در این شهر است. از این تعداد، افراد ملیت هوی بیش از 3٪ را تشکیل می دهند. به غیر از ملیت هویی، جمعیت اقلیت های قومی 3.6 درصد از کل جمعیت را تشکیل می دهد.

لانژو همچنین یک شهر معمولی دره رودخانه است. رودخانه زرد از ناحیه مرکزی شهری لانژو می گذرد و از جنوب غربی به شمال شرقی جریان دارد و منظره ای را ایجاد می کند که چشم انداز جغرافیایی را از شمال به جنوب تقسیم می کند. این پیامدهایی برای وسعت شهر و زمان های بالقوه سفر با ماشین دارد. منطقه شهری اصلی لانژو از چهار منطقه تشکیل شده است: منطقه چنگ گوان، منطقه شیگو، منطقه آنینگ و منطقه کیلیه. مساحت کل منطقه شهری مرکزی 7.91 درصد از کل مساحت شهر را تشکیل می دهد، اما 67.70 درصد از جمعیت لانژو در منطقه مرکزی شهر متمرکز است. با توجه به در دسترس بودن داده ها، منطقه مرکز شهر لانژو ( شکل 2) به عنوان منطقه مورد مطالعه انتخاب شد، زیرا شامل تمام مناطق مرکزی پایتخت و اکثر مناطق عملکردی شهری توسعه یافته است. لانژو یکی از 9 منطقه اصلی لجستیک است و دارای 10 کانال لجستیک وارداتی و 21 شهر گره لجستیک ملی است. این کشور متراکم ترین شبکه راه آهن را در منطقه شمال غربی دارد و یکی از شبکه های بزرگراهی و قطب راه آهن چین است. به عنوان یکی از شهرهای جامع چین، لانژو دارای مشکلات معمولی است که اکثر شهرها دارند، که آن را به یک مطالعه موردی خوب تبدیل می کند.

2.2. روش شناسی

این مطالعه ترکیبی از ابزارهایی مانند موتور Google Earth (GEE)، مدل PLUS و ابزارهای GIS است که برای ارزیابی مناسب‌ترین مکان‌ها برای ساخت ایستگاه‌های پلیس استفاده می‌شود. روش پیشنهادی در شکل 3 نشان داده شده است. اول، ما از تصاویر سنجش از دور تاریخی ترکیب شده با داده های بالقوه راننده برای پیش بینی استفاده از زمین در آینده استفاده می کنیم. دوم، ما از پایگاه‌های اطلاعاتی مختلف GIS با وضوح بالا برای حذف لایه‌های نامناسب از لایه‌های اولیه استفاده می‌کنیم. سوم، ما سه معیار ارزیابی برای مناطق مناسب برای ساخت ایستگاه های پلیس پیشنهاد می کنیم. چهارم، ما تجزیه و تحلیل سلسله مراتبی و GIS را برای شناسایی مناسب ترین مناطق برای ایستگاه های پلیس و ایجاد نقشه ای که توزیع مناطق مناسب و نامناسب برای ایستگاه های پلیس را نشان می دهد، ترکیب می کنیم. در نهایت از مدل LA برای مطالعه بهینه سازی فضایی کلانتری ها در منطقه مورد مطالعه استفاده شده است.

2.2.1. انواع مناطق کلانتری

ابتدا انواع مختلف مناطق کلانتری در داخل شهر را مشخص می کنیم. در این مطالعه، انواع منطقه ایستگاه پلیس (PSAT) به چهار دسته طبقه‌بندی می‌شوند: مناطق ایستگاه پلیس موجود (EPSAs)، مناطق نامناسب ایستگاه پلیس (EUPSAs)، مناطق ساخت‌وساز اولویت‌دار (PCAs)، و نامناسب برای مناطق ساخت‌وساز (NSCAs). .

در این زمینه، EPSA به کلانتری هایی اطلاق می شود که قبلاً در شهر ساخته شده اند. به طور مشابه، EUPSA به حذف ایستگاه های پلیس اضافی در محدوده یک ایستگاه پلیس موجود اشاره دارد. یک ایستگاه پلیس اضافی به این معنی است که منطقه تحت صلاحیت آن ایستگاه پلیس در حال حاضر توسط منطقه وسیعی از کلانتری های اطراف آن پوشیده شده است، که هزینه اقتصادی را تا حد زیادی کاهش می دهد و اجازه می دهد ایستگاه پلیس موجود حداکثر ارزش را داشته باشد. PAC مناطق بسیار مناسب برای ساخت و ساز در زمین های توسعه نیافته را نشان می دهد و چنین ایستگاه های پلیسی تمایل به داشتن شرایط محیطی نسبتاً خوبی دارند. در نهایت، NSCA به مناطق ساخته شده موجود، مانند مناطق حفاظت شده، زمین های مسکونی، و مناطق کاربری اراضی اشاره دارد.

2.2.2. استراتژی توسعه زمین

استراتژی گسترش زمین ( شکل 4 ) شامل طبقه بندی کاربری زمین و پیش بینی کاربری آینده زمین است. جزئیات در زیر آورده شده است.

(1): طبقه بندی کاربری اراضی

راستی‌آزمایی زمینی در مناطق نامشخص از طریق Google Earth Pro و GEE تکمیل شد و مناطق طبقه‌بندی‌شده اشتباه با موقعیت‌یابی و مرتب‌سازی مجدد نمونه‌های اسکریپت GEE تصحیح شدند. برای تخمین دقت نقشه برداری از نقاط حقیقت زمینی استفاده شد. در نهایت، تصاویر Landsat-5 (TM) و Landsat-8 OLI (ETM) از سال 2018 تا 2020 با استفاده از الگوریتم طبقه‌بندی درختی طبقه‌بندی و رگرسیون، که یک الگوریتم طبقه‌بندی نظارت شده محبوب است، به هفت نوع کاربری زمین ( جدول 1 ) طبقه‌بندی شدند. برای فناوری سنجش از دور تصویر طیفی [ 42 ، 43 ، 44]. تصاویر سنجش از دور در سطح 1 انتخاب شدند و به صورت سیستماتیک، هندسی و توپوگرافی پردازش شدند. پنج ویژگی طیفی برای توصیف دسته‌های کاربری معمولی، از جمله شاخص پوشش گیاهی نرمال شده (NDVI)، شاخص ایجاد اختلاف نرمال شده (NDBI)، شاخص تفاوت نرمال شده آب اصلاح شده (MNDWI)، DEM و شیب استفاده شد.

تولیدکنندگان و مصرف‌کنندگان طبقه‌بندی تصویر سنجش از دور را ارزیابی کردند و یک ماتریس سردرگمی برای محاسبه ضریب کاپا، دقت طبقه‌بندی و دقت کل استفاده شد. دقت تولیدکننده تعداد پیکسل‌هایی است که به درستی شناسایی شده‌اند به عنوان درصد پیکسل‌ها در طبقه‌بندی کننده به عنوان نمونه آموزشی هر دسته. دقت مصرف کنندگان پیکسل هایی است که به طور دقیق به عنوان درصدی از تعداد کل پیکسل های شناسایی شده به عنوان آن کلاس طبقه بندی شده اند. دقت کل نسبت تعداد کل پیکسل های به درستی اختصاص داده شده به تعداد کل است. ضریب کاپا به شرح زیر است.

ک a p p a C o e f f i c i e n t = ن \sum n من ایکس من من - \sum متر من ( ایکس من + ایکس + من ) ن 2 - \sum متر من ( ایکس من - ایکس + من )

(1)

(2): پیش بینی کاربری آینده زمین

مدل PLUS توسط Xun و همکاران توسعه داده شد. [ 45 ] و برای تحقیقات شبیه سازی سناریو در مورد تغییرات کاربری زمین در آینده مناسب است. مدل پیشنهادی به دقت شبیه‌سازی و معیارهای الگوی چشم‌انداز بالاتری دست یافت [ 45 ]. در این تحقیق، سطح رشد طبیعی انواع اراضی در منطقه مورد مطالعه با اصلاح پارامترهای ورودی مدل PLUS برآورد شد. سناریوی رشد طبیعی به تغییر واقعی نوع کاربری اراضی بدون در نظر گرفتن وضعیت واقعی یا سیاست ملی فعلا اشاره دارد.

عملکرد مدل کامپوزیت PLUS شامل جنبه های زیر است:

(آ): محرک های بالقوه توسعه کاربری زمین و داده های طبقه بندی سنجش از دور. داده‌های محرک‌های بالقوه توسعه شامل کاربری زمین، محرک‌های اقتصادی-اجتماعی، و محرک‌های اقلیمی و محیطی است ( جدول 2).). فایل‌های شطرنجی سایه‌دار مبتنی بر کاربری مدیریت شده به دلیل قابلیت‌های ماشین‌حساب مدل، وضوح یکنواخت 30 متر دارند. آموزش با استفاده از طبقه بندی تصادفی جنگل به طوری که اطلاعات کمی در مورد چگونگی تأثیر عوامل مختلف بر گسترش انواع کاربری های متعدد زمین به طور مستقیم ارائه شود. با توجه به اینکه نیروی محرکه تغییر کاربری زمین ممکن است با گذشت زمان تغییر کند (یعنی تغییر عوامل محرک)، قوانین انتقال به دست آمده در فرآیند آموزش نسبت به قوانین تخصیص استخراج شده در گذشته ارزشمندتر و انعطاف پذیرتر هستند. از آنجایی که قوانین انتقال در این مطالعه وابسته به زمان هستند، می توانند ماهیت تغییر کاربری زمین را در یک بازه زمانی خاص توصیف کنند [ 46 ]]. این مزیت می تواند به سیاستگذاران کمک کند تا بفهمند که چگونه رانندگان (به عنوان مثال، رشد جاده های شریانی) بر تغییر کاربری کوتاه مدت زمین تأثیر می گذارند. بنابراین، مدل نتایج شبیه‌سازی قابل اعتمادتری را برای سناریوهای مختلف در آینده تولید می‌کند. چیدمان فضایی عمدتاً تحت تأثیر توپوگرافی، محیط طبیعی، بازارها، تأسیسات عمومی دولتی، منابع آب، شهرها و سایر عوامل فضایی است [ 47 ، 48 ، 49 ، 50 ]. بنابراین، بر اساس مطالعات قبلی و وضعیت فعلی منطقه، 3 معیار ارزیابی و 12 زیرمعیار برای ضرایب تاثیر انتخاب کردیم. عوامل محرک جمع آوری شده از دوره های زمانی مختلف مجاز هستند [ 51]، اما ما دوره های زمانی عوامل محرک را تا حد امکان به دوره های زمانی داده های کاربری زمین نزدیک کردیم.
(ب): تنظیم منطقه ممنوعه با توجه به وضعیت واقعی منطقه مورد مطالعه و عملکرد اکولوژیکی مناطق حفاظت شده، موزه ها، جاده ها و باغ وحش ها به عنوان مناطق ممنوعه انتخاب شده و تبدیل به سایر کاربری ها ممنوع است.
(ج): تقاضای زمین در آینده را محاسبه کنید. بر اساس داده های تصویر سنجش از دور جمع آوری شده، این مطالعه از مدل مارکوف برای محاسبه وضعیت کاربری زمین در آینده استفاده می کند.
(د): ماتریس انتقال و وزن محله را تنظیم کنید. تأثیر عواملی مانند قوانین و سیاست ها را در نظر بگیرید و نوع زمینی که باید در لایه اولیه تبدیل شود را شناسایی کنید (به ماتریس انتقال نیز مراجعه کنید). وزن محله با توجه به ارزش نرمال شده گسترش زمین از مرحله قبل تعیین می شود:

$دبلیو من = تی آ من - تی آ دقیقه تی آ حداکثر - تی آ دقیقه$

(2)

جایی که $W_{i}$ وزن دامنه کاربری زمین نوع i است، $T A_{i}$ منطقه گسترش کاربری زمین نوع i است، $T A_{\min}$ حداقل مساحت گسترش انواع کاربری اراضی است و $T A_{\max}$ حداکثر مساحت گسترش انواع کاربری های مختلف زمین است.

با تجزیه و تحلیل پوشش جغرافیایی واقعی منطقه مورد مطالعه، فاکتورهای کاربری اراضی زیر مطلوب در نظر گرفته می شوند ( جدول 3).): (i) جنگلداری. طبق تعریف “قانون جنگل جمهوری خلق چین”، ایالت یک سیستم حفاظتی جامع برای جنگل های طبیعی اجرا می کند. این سیستم قطع درختان جنگل‌های طبیعی را به شدت محدود می‌کند، ظرفیت مدیریت و حفاظت از جنگل‌های طبیعی را تقویت می‌کند، منابع جنگلی طبیعی را محافظت و احیا می‌کند و به تدریج عملکرد اکولوژیکی جنگل‌های طبیعی را بهبود می‌بخشد. بنابراین، تبدیل جنگل های طبیعی به انواع کاربری های دیگر دشوار است. (II) بدنه آبی. آب اساس بقای حیات روی زمین است و منابع آب شرط اولیه برای حفظ توسعه پایدار محیط زیست اکولوژیکی زمین است. چین با کمبود شدید آب مواجه است و تبدیل بدنه های آبی به انواع دیگر خشکی ها چالش برانگیز است. (iii) زمین زراعی. وزارت زمین و منابع خط قرمزی را برای حفاظت از زمین های کشاورزی پایه دائمی برای تضمین امنیت غذایی ملی و بهبود ظرفیت کل تولید غلات تعیین کرده است. بنابراین نمی توان زمین های زیر کشت را از بین برد.

2.2.3. شاخص جهانی موران

از آنجایی که کانون های جرم و جنایت ممکن است توزیع پیوسته ای در فضا داشته باشند، این مقاله از این شاخص [ 52 ] برای آزمایش همبستگی خود فضایی کانون های جرم و جنایت در منطقه مورد مطالعه استفاده می کند [ 53 ، 54 ]، و شاخص به صورت زیر محاسبه می شود:

من = n اس 0 \sum n i = 1 \sum n j = 1 w من ج ز من ز j \sum n i = 1 ز 2 من

(3)

جایی که $Z_{i}$ انحراف مقدار ویژگی عنصر i از مقدار متوسط است $(x_{i} - \bar{X})$ ; $w_{i, j}$ وزن فضایی بین عناصر i و j را نشان می دهد . n تعداد کل عناصر است. و

اس 0 = \sum i = 1 n \sum j = 1 n w من ، ج

(4)

Global Moran’s I برای معناداری با استفاده از فرمول محاسبه آزمون Z به عنوان آزمایش می شود

ز [من] = من - E [ من ] V [ من ] —-\sqrt

(5)

جایی که $Z [I]$ مقدار آزمون Z از Global Moran’s I است . $E [I]$ انتظار ریاضی است. $V [I]$ واریانس است.

معمولاً من بین -1.0 و 1.0 است. چه زمانی

I \in [- 1, 0)

، یک همبستگی فضایی منفی وجود دارد. هر چه مقدار I به -1 نزدیکتر باشد، تفاوت در مقادیر ویژگی بین واحدهای فضایی بیشتر است. وقتی I = 0، توزیع فضایی تصادفی است. با نزدیک شدن به 0، مقادیر مشخصه بین واحدهای فضایی به طور فزاینده ای نامرتبط می شوند. چه زمانی

I \in (0, 1]

، همبستگی از نظر مکانی مثبت است و هر چه به 1 نزدیکتر باشد به این معنی است که مقادیر ویژگی بین واحدهای فضایی همبستگی بیشتری دارند.

2.2.4. فرآیند تحلیل سلسله مراتبی

انتخاب مناسب ترین سیستم ارزیابی مسئله پیچیده ای است که نیازمند انتخاب شاخص های مختلف ارزیابی، تحلیل علمی وزن آنها و استخراج مناسب ترین راه حل است. برای رفع این مشکل، محققان اغلب از روش MCDM [ 55 ، 56 ] استفاده می کنند. MCDM یک فناوری پرکاربرد در جامعه تحقیقاتی است و به محققان اجازه می دهد تا بهترین گزینه را بر اساس معیارهای متعدد انتخاب کنند [ 57 ].

از بین روش های متعدد MCDM موجود، AHP که توسط Saaty در سال 1977 [ 55 ] توسعه یافت، پرکاربردترین روش برای حل تصمیمات پیچیده شامل معیارهای مختلف است و ابزاری محبوب برای تصمیم گیری چند استاندارد است [ 55 ، 56 ]. AHP یک تکنیک تحقیقاتی ریاضی و روانشناختی است که بر اساس مجموعه ای از مقایسه های زوجی برای تعیین وزن استاندارد [ 58 ] است.]. علاوه بر این، AHP تصمیم گیری ثابت را تضمین می کند و انحرافات را در تحلیل های تصمیم گیری کاهش می دهد. بنابراین از روش AHP برای تعیین وزن معیارهای ارزیابی برای جستجوی سایت های آتش نشانی استفاده می شود. در ابتدای هر AHP، اهداف، جایگزین ها و استانداردها باید تعریف شوند که به دنبال آن یک ماتریس مقایسه زوجی M تولید می شود.

با فرض وجود N معیار برای تعیین تعداد مقایسه ها، مراحل خاص برای بکارگیری فناوری AHP به شرح زیر است [ 59 ].

یک ماتریس مقایسه زوجی A ( n × n ) بر اساس قضاوت متخصص ایجاد می شود، جایی که عنصر a _ij نشان دهنده شدت اهمیت استاندارد i به استاندارد j است. بنابراین، a متقابل یک _ij است، که نشان دهنده اهمیت نسبی استاندارد _j به استاندارد i است . مقیاس عددی 1-9 برای اندازه‌گیری اهمیت نسبی مقایسه‌های زوجی، همانطور که در جدول 4 نشان داده شده است [ 59 ] خدمت می‌کند.]، که در آن “1” به معنای اهمیت مساوی یک استاندارد نسبت به دیگری است، و “9” به معنای اهمیت فوق العاده یک استاندارد نسبت به دیگری است. لطفا به رفرنس مراجعه کنید. [ 59 ] برای توضیح دقیق تر امتیاز.

برای اطمینان از ثبات وزن‌های محاسبه‌شده، مقایسه‌های زوجی باید با نسبت قوام ( CR ) تأیید شود. فرمول به صورت زیر مشتق شده است:

من.: حداکثر مقدار ویژه را محاسبه کنید $λ_{\max}$ هر ماتریس مقایسه
ii: مقدار شاخص سازگاری ( CI ) را با استفاده از آن محاسبه کنید

$سی من = (λ حداکثر - n) / (n - 1)$

(6)

جایی که $λ_{\max}$ حداکثر مقدار ویژه هر ماتریس مقایسه است و n تعداد معیارها یا ماتریس مرتبه A است.
III.: از جدول 5 و تعداد n استانداردهای مورد استفاده برای به دست آوردن شاخص سازگاری تصادفی ( RI ) استفاده کنید و سپس CR را با محاسبه نسبت CI به RI تعیین کنید :

$سی R = C من / آر آی$

(7)

CR نشان دهنده درستی برنامه است. وقتی CR ≤ 0.1 باشد، سطح سازگاری قابل قبول است. اگر CR ≥ 0.1 باشد، AHP ممکن است نتایج قابل توجهی ارائه دهد [ 60 ]. RI نشان دهنده انحراف متوسط ماتریس های تولید شده به طور تصادفی با اندازه های مختلف است. پس از حذف مناطق ممنوعه، معیارهای انتخاب شده برای محاسبه و طبقه بندی مکان های مناسب استفاده می شود. CR برای همه مقایسه‌ها کمتر از 0.1 است، به این معنی که نتایج رضایت‌بخش هستند.

2.2.5. استاندارد و مدل تخصیص مکان

(1)

استاندارد تخصیص موقعیت مکانی قبل از انتخاب یک سایت، باید یک تحلیل اولیه از محیط جغرافیایی انجام شود. تجزیه و تحلیل اولیه عمدتاً به سه بخش تقسیم می شود که جزئیات آن در زیر نشان داده شده است.

(من)

NSCA ها انتخاب شده اند. تأثیر کاربری واقعی زمین، مانند مناطق حفاظت شده، موزه ها، جاده ها و باغ وحش ها در نظر گرفته شده است. بنابراین، NSCA ها انتخاب می شوند و مناطق نامناسب در لایه اصلی پاک می شوند. داده های منطقه حفاظت شده با تفسیر تصاویر سنجش از دور به دست می آید. داده‌های شبکه جاده‌ای از OSM می‌آیند و بر اساس داده‌های مانیتورینگ شرایط جغرافیایی لانژو، داده‌های اصلی با بررسی، ویرایش و اصلاح رابطه توپولوژیکی برای به دست آوردن داده‌های شبکه جاده‌ای نهایی پیش پردازش می‌شوند. داده های جاده در مجموع شامل 12818 گره است.

(II)

PCA ها انتخاب می شوند. مناسب بودن مناطق توسعه نیافته با در نظر گرفتن وظایف اصلی (الف) نقاط بالقوه جرم، (ب) محرک های اقتصادی-اجتماعی، و (ج) کوه نگاری ارزیابی می شود. در نهایت، PCA ها از طریق یک فرآیند تحلیلی سلسله مراتبی و یک مدل ترکیبی خطی وزن دار یافت می شوند. معیارهای ارزیابی به شرح زیر است:

(آ): نقاط بالقوه جرم و جنایت نقاط بالقوه جرم و جنایت نشان دهنده سطح خطر جرم در یک دوره معین است. ایستگاه های پلیس نشان دهنده نیروهای بازدارنده هستند که می توانند ساکن (ایستگاه های پلیس) و/یا پویا (گشت های پلیس) باشند. در سال 2019، جرم سرقت و کلاهبرداری همچنان دو دسته اصلی پرونده کیفری باقی مانده است. با این حال، کسری از پرونده های سرقت کاهش یافت و کسری از پرونده های کلاهبرداری افزایش یافت. جرم «دو سرقت و یک سرقت» یعنی جرم سرقت، سرقت و جرم تصرف قهری با تکرار مکرر مشخص می شود و زندگی و بهره وری افراد را به طور مستقیم و جدی تحت تأثیر قرار می دهد. گزارش “کتاب آبی چین در مورد جرم انگاری” اشاره می کند که پرونده های اقتصادی و دارایی به مشکل در حکومت جنایی تبدیل شده است. به خصوص، موارد نقض مالکیت با استفاده از فن آوری های مختلف نوظهور و ابزارهای فن آوری تمایل به گسترش نفوذ خود دارند. داده های حکمرانی جرم در برخی استان ها و شهرستان ها حاکی از پدیده ای منحصر به فرد است. به عنوان مثال، در منطقه خودمختار گوانگشی ژوانگ، تعداد و نسبت جنایات علیه مردم (6050) و موارد مواد مخدر (4514) نسبتاً زیاد است. بنابراین، جرم سرقت، قاچاق مواد مخدر، کلاهبرداری، توقیف قهری و سرقت در منطقه مرکزی شهری لانژو را به عنوان نمونه تحقیق انتخاب می کنیم. داده‌های جرم از قضاوت‌های کیفری سال‌های 2014 تا 2016 دادستان‌های عمومی منتشر شده توسط شبکه اسناد قضاوت چین و شامل 1887 سرقت، 1405 مورد قاچاق مواد مخدر، 124 کلاهبرداری، 24 سرقت و 99 مورد سرقت است. تعداد کل موارد 3539 است. پاسگاه های پلیس باید با انتخاب بهترین مسیرها برای گشت های پلیس برای پاسخگویی به شرایط اضطراری از این مناطق اولویت دار محافظت کنند. بنابراین، کانون های جرم و جنایت، عوامل حیاتی برای تعیین موقعیت ایستگاه های پلیس هستند. ما ویژگی‌های تجمع جرم را با شاخص موران I و مناطق خطر بالقوه را بر اساس مکان‌های وقوع جرم تجزیه و تحلیل می‌کنیم.
(ب): محرک اقتصادی اجتماعی بر اساس مطالعات آکادمیک قبلی، محرک اقتصادی-اجتماعی عمدتاً شامل جمعیت، تولید ناخالص داخلی، نزدیکی به ایستگاه پلیس موجود و مناطق بالقوه خطر است. مناطق خطر بالقوه بر اساس محل وقوع جرم تعیین می شود. انواع اصلی POI (مانند توابع ویژگی و فعالیت های اجتماعی) در جدول 6 فهرست شده است. وزن POI های مختلف بر اساس نسبت سایت های جرم محاسبه می شود.
(ج): کوه نگاری. در مورد راننده کوه نگاری، زمین به شدت بر زمان و هزینه حضور در ایستگاه پلیس، نصب و نگهداری سیستم امنیتی، ثبت نام و آموزش افسران پلیس و خدمات واکنش اضطراری تأثیر می گذارد. بنابراین، شیب منطقه نزدیک به پاسگاه پلیس، مقبولیت سایت را تعیین می کند. زمین مسطح برای ایستگاه های پلیس مساعدتر از زمین های شیبدار است.

(iii)

سایت هدف را تعیین کنید. در این زمینه، ما باید اهداف بهینه سازی فضایی مربوط به استانداردها و قوانین محلی مربوطه را در نظر بگیریم، از جمله اهداف سایت، مانند زمان واکنش اضطراری، پوشش مناطق پرخطر، پوشش نقاط POI، پوشش کل ساختمان و پوشش ساختمان های آینده

زمان پاسخ اضطراری به چیدمان امکانات مختلف اضطراری بستگی دارد. پس از دریافت آلارم، اورژانس باید در زمان مشخص شده در محل حاضر شود. «آیین نامه کاری 110 برای پذیرش پلیس» تصریح می کند که پلیس امنیت عمومی شهرداری باید ظرف مدت پنج دقیقه پس از دریافت دستور پلیس در محل حاضر شود. بهینه سازی فضایی کلانتری باید بر اساس واکنش فوری باشد. بنابراین، ما در اینجا از 5 دقیقه به عنوان زمان پاسخ اضطراری استفاده می کنیم.

در این فرآیند، دو جنبه زیر باید به طور همزمان در نظر گرفته شوند. ابتدا محدودیت سرعت برای هر جاده بر اساس «آیین نامه طراحی مهندسی راه شهری» همراه با داده های نقشه تعیین می شود. دوم اینکه پلیس در جاده ها اولویت دارد و کمتر تحت تأثیر قوانین راهنمایی و رانندگی مانند اولویت های ترافیکی و چراغ های راهنمایی و رانندگی قرار می گیرد. بنابراین، پارامترهای شبکه راه، از جمله زمان سفر به عنوان تابعی از امپدانس جاده، باید به طور مناسب تنظیم شوند.

(2): مدل تخصیص مکان

پس از تجزیه و تحلیل کمی مناطق مختلف خطر، محدودیت‌های سرعت، و مکان‌های هدف برای ایستگاه‌های پلیس، از مدل LA برای تجزیه و تحلیل پوشش ایستگاه‌های پلیس موجود در شهر استفاده می‌کنیم.

مدل LA روشی مؤثر برای انتخاب مکان‌هایی برای تأسیسات عمومی [ 61 ، 62 ، 63 ، 64 ] است و با موفقیت برای انتخاب مکان‌هایی برای امکانات اضطراری و عمومی [ 64 ]، مانند مکان‌های مدرسه [ 62 ]، سایت‌های بیمارستان [64] استفاده شده است. 63 ] و سایت های آتش نشانی [ 14 ، 65]. موقعیت علمی تأسیسات خدمات عمومی می تواند بهره برداری از این تأسیسات را تسهیل کند. به عنوان مثال، یک سوپرمارکت با موقعیت مناسب برای ساکنان راحت تر و برای سوپرمارکت سود بیشتری دارد. سایت های مناسب امکانات خدماتی مانند ایستگاه های پلیس و آتش نشانی را قادر می سازد تا خدمات بهتری ارائه دهند و مدارس را برای دانش آموزان در دسترس تر کنند.

با توجه به این ملاحظات، ما از دو الگوریتم در مدل LA استفاده می‌کنیم: حداکثر کردن مکان پوشش (MCL) و حداقل کردن پوشش تسهیلات (LSC). هدف MCL به حداکثر رساندن تعداد نقاط تقاضا در حداکثر شعاع خدمات تسهیلات تحت شرایط انتخاب توزیع فضایی تعداد معینی از امکانات از همه امکانات کاندید است. هدف LSC به حداکثر رساندن تعداد نقاط تقاضای تسهیلات در حداکثر شعاع خدمات تسهیلات تحت شرایط انتخاب کمترین امکانات در بین تمام امکانات خدماتی است. جدول 7 عبارات ریاضی دو الگوریتم را نشان می دهد. پارامترهای LA در ادبیات [ 66 ، 67 ، 68 ] توضیح داده شده است].

2.2.6. روش تخصیص نیروی کلانتری

ناهمگونی فضایی جمعیت، جرم و جنایت و غیره منجر به تقاضاهای متفاوتی از نیروی پلیس برای هر ایستگاه پلیس منطقه می شود. توجه داشته باشید که تعداد کلانتری ها با تعداد افسران پلیس ارتباطی ندارد. طبق استاندارد طبقه بندی پلیس چین، نیروی پلیس کلانتری ها از دو بخش اصلی تشکیل شده است: نیروی پلیس امنیت عمومی و نیروی پلیس ثبت خانواده. بنابراین برای بهینه‌سازی کاربری کلانتری‌ها از معیارهایی مانند تعداد جرایم، تعداد سکونتگاه‌ها و تعداد افراد استفاده می‌کنیم و از خیابان‌ها برای جداسازی فضایی کسری از انواع مختلف نیروی انتظامی از هر کلانتری استفاده می‌کنیم. .

(1): نیروی پلیس امنیت عمومی وظیفه اصلی نیروی انتظامی امنیت عمومی حفظ نظم عمومی شهر و پیشگیری و کنترل وقوع حوادث مجرمانه است. بنابراین، مجموع جرایم در هر منطقه برای تخصیص نیروی پلیس امنیت عمومی در منطقه مورد استفاده قرار می گیرد. تعداد افسران پلیس در هر کلانتری از نسبت تعداد کل حوادث مجرمانه در واحد خیابانی محل استقرار کلانتری به تعداد کل حوادث مجرمانه در منطقه مورد مطالعه محاسبه می شود:

$م من ج = ن من \times م ن \times \sum من j$

(8)

جایی که $M$ تعداد کل پلیس های امنیتی در کلانتری ها در کل منطقه مورد مطالعه است، $N$ تعداد کل حوادث مجرمانه در منطقه مورد مطالعه، i شناسه واحد خیابانی، j نشان دهنده ایستگاه پلیس در یک واحد خیابانی است (بنابراین $\sum i_{j}$ تعداد کل ایستگاه های پلیس در یک واحد خیابانی است . $N_{i}$ تعداد کل حوادث جنایی در یک واحد خیابانی است ، و $M_{i j}$ تعداد نیروهای پلیس در ایستگاه پلیس j یک واحد خیابانی i است.
(2): نیروی انتظامی ثبت نام خانوار. مسئولیت اصلی نیروی انتظامی ثبت احوال، مدیریت ثبت احوال و کارت شناسایی است. همچنین نقطه فضایی برای اجرای خدمات پلیس است. بنابراین، ما از توزیع سکونتگاه ها برای انعکاس توزیع جمعیت استفاده می کنیم و شاخص کل منطقه مسکونی هر منطقه را به عنوان مبنایی برای توزیع نیروی پلیس ثبت خانوار در منطقه مورد نظر انتخاب می کنیم. به همین ترتیب می توان از نسبت کل مساحت مسکونی هر واحد خیابانی به کل مساحت منطقه تحقیقاتی برای محاسبه تعداد نیروی پلیس ثبت خانوار مورد نیاز در هر کلانتری استفاده کرد:

$پ من ج = س من \times پ Q \times \sum من j$

(9)

که در آن P تعداد کل کلانتری های دارای ثبت نام خانوار است، $Q$ کل منطقه مسکونی منطقه مورد مطالعه است. i واحد خیابانی را شناسایی می کند، j ایستگاه پلیس را در یک واحد خیابانی شناسایی می کند (بنابراین $\sum i_{j}$ تعداد کل ایستگاه های پلیس در یک واحد خیابانی است . $Q_{i}$ مجموع منطقه مسکونی در یک واحد خیابانی i است ، و $P_{i j}$ تعداد مأموران پلیس ثبت خانوار در کلانتری j یک واحد خیابانی i است.

3. نتایج

3.1. تغییرات آتی در کاربری زمین

3.1.1. تغییرات کاربری زمین

طبقه بندی کاربری اراضی به دست آمده با اعمال روش طبقه بندی نظارت شده به نمونه های آموزشی ورودی بستگی دارد. برای تشخیص کاربری زمین در شرایط مختلف، حجم نمونه مجموعه داده آموزشی اولیه طبقه‌بندی‌کننده باید به اندازه کافی بزرگ باشد، به‌ویژه برای مناطق پیچیده زمین [ 69 ]. بنابراین یک مجموعه نمونه آزمایشی دقیق برای به دست آوردن طبقه بندی دقیق حیاتی است [ 70]. بنابراین، با استفاده از داده های Sentinel-1 و Sentinel-2 ارائه شده توسط محصول آژانس فضایی اروپا WorldCover 10 m 2020 و از طریق مشاهده بصری تصاویر ترکیبی با رنگ کاذب (RGB)، مناطق ثابت این سه دوره را به شدت محدود کرده و انتخاب می کنیم. در مجموع 1816 مجموعه نمونه برای مجموعه نمونه آموزشی. پنج ویژگی طیفی برای توصیف دسته‌های کاربری معمولی استفاده می‌شود، از جمله شاخص پوشش گیاهی نرمال شده، شاخص ایجاد اختلاف نرمال شده، شاخص آب تفاوت نرمال شده اصلاح‌شده، مدل رقومی ارتفاع، و شیب. ضریب کاپا برای همه تصاویر طبقه بندی شده بیشتر از 0.86 است، که نشان دهنده تطابق تقریباً کامل با زمین واقعی است، همانطور که در جدول 8 نشان داده شده است.

نتایج طبقه بندی کاربری زمین از بخش 2.2.2 (1) در شکل 5 نشان داده شده است. تغییرات کاربری زمین عمدتاً در CS، CL، BA، FO و GL متمرکز است. از سال 2018 تا 2020، CS از 181.64 به 187.17 کیلومتر مربع افزایش می یابد ^که تغییر سالانه حدود 2.02 کیلومتر مربع ^یا 1.16 درصد در سال را نشان می دهد. این عمدتا از BA می آید. CL از 14.45 به 22.92 کیلومتر مربع ^افزایش می یابد که یک افزایش خالص 58.62٪ است. BA از 44.26 به 36.17 کیلومتر مربع کاهش می ^یابد . FO از 11.34 به 12.5 کیلومتر مربع افزایش می ^یابدکه 10.23 درصد افزایش داشته و عمدتاً ناشی از زمین های بایر و محوطه های ساختمانی است. از سال 2018 تا 2020، GL 9.15٪ کاهش می یابد. تغییرات در سایر انواع کاربری زمین نسبتاً اندک است.

بر اساس نقشه تغییرات کاربری اراضی ( شکل 6 ) و تغییر خالص در تمام کاربری ها ( جدول 9)حدود 70 درصد از مساحت کاربری زمین از سال 2018 تا 2020 بدون تغییر باقی مانده است. به طور کلی، تغییر در نوع کاربری زمین در مناطق شهری 29.82 درصد از مساحتی را تشکیل می دهد که کاربری زمین تغییر کرده است. منطقه با بیشترین تغییر در کاربری زمین BA (11.14٪) و پس از GL (5.61٪) است. در مجموع، 5.40٪ از مساحت در BA به CL تبدیل شده است. علاوه بر این، 1.74٪ از WB به CL و 1.46٪ از WB به CS تبدیل می شود. این داده ها نشان می دهد که از سال 2018 تا 2020، مناطق فعالیت انسانی به سرعت جایگزین مناطق طبیعی با سطوح نیمه طبیعی یا غیرقابل نفوذ، علاوه بر سایر تغییرات کاربری زمین شدند. در سال‌های اخیر با حمایت سیاست‌های ملی، زمین‌های زیر کشت از حمایت بیشتری برخوردار شده‌اند، به‌طوری‌که سطح زمین‌های زیر کشت از سال ۲۰۱۸ تا ۲۰۲۰ رشد داشته است.

3.1.2. شبیه سازی کاربری آینده زمین

طبق بخش 2.2.2 (2)، معیارهای ارزیابی به سه معیار و دوازده زیر معیار تقسیم می شوند. روش‌های پردازش داده‌های مورد استفاده در اینجا شامل داده‌های شیب است که ابتدا با قطبش نرمال می‌شوند، با همه مقادیر مقیاس‌بندی شده تا در بازه [0،1] قرار گیرند. سپس داده‌های POI با تجزیه و تحلیل چگالی هسته گاوسی فضایی می‌شوند، و داده‌های جاده و حوضه با استفاده از یک تابع واپاشی فاصله شاخص به جذابیت پراکسی با توجه به فاصله مکانی تبدیل می‌شوند. شکل 7 توزیع فضایی معیارهای ارزیابی مختلف را نشان می دهد. ( شکل 7 a(i)) جمعیت لانژو و ( شکل 7 a(ii)) تولید ناخالص داخلی عمدتاً در ناحیه چنگ گوان متمرکز شده اند. ( شکل 7الف (iii)) ادارات دولتی به طور مساوی پراکنده شده اند. ( شکل 7 a(iv)) لانژو یک شهر مرکزی با شبکه جاده ای متراکم است. ( شکل 7 b(i)) خاک لانژو عمدتاً لس سست و حاصلخیز است که مخصوصاً برای پرورش سبزیجات مناسب است. ( شکل 7 b(ii)) منابع آب شیرین در لانژو، که تنها شهر چین است که رودخانه زرد از آن می گذرد، کمیاب است. ( شکل 7 b(iii)) لانژو دارای آب و هوای معتدل قاره ای است. میانگین دمای سالانه 10.3 درجه سانتیگراد، میانگین ساعات آفتابی سالانه 2446 ساعت، دوره بدون یخبندان 180 روز و میانگین بارندگی سالانه 327 میلی متر است که عمدتاً از ژوئن تا سپتامبر متمرکز است. ( شکل 7b(v)) توپوگرافی لانژو زمینی حوضه مانند است، با شهر طولانی و باریک لانژو که بین کوه ها در شمال و جنوب قرار گرفته است.

همانطور که در بخش 2.2.2 (2) نشان داده شد، فرآیند آموزش مدل PLUS اطلاعات کمی مستقیم در مورد اینکه چگونه محرک های مختلف بر گسترش انواع کاربری های متعدد زمین تأثیر می گذارند ( شکل 8 ) ارائه می دهد. برای علفزار، نتایج نشان می‌دهد که شیب بیشترین تأثیر را بر رشد چمن دارد، که نشان می‌دهد چمن‌ها به احتمال زیاد در مناطق شیب دار رشد می‌کنند. جنگلداری بیش از علفزارها تحت تأثیر نزدیکی به منابع آب قرار می گیرد. توزیع نواحی شهری جدید به شدت با الگوی راه ارتباط دارد، که جای تعجب نیست زیرا بیشتر رشد شهری ابتدا به گسترش شبکه‌های جاده‌ای محلی و متصل بستگی دارد.

برای حمایت از طرح جامع شهر لانژو، برای شبیه‌سازی‌های آینده، از مدل PLUS برای تخصیص تقاضای کاربری پیش‌بینی‌شده زمین با وضوحی بهتر از مقیاس تغییر کاربری محلی استفاده می‌کنیم. نمودار 9 محدوده های تغییر کاربری اراضی را از سال 2020 تا 2030 برای هفت رده کاربری در منطقه مورد مطالعه نشان می دهد. نتایج این مطالعه نشان می دهد که مناطق بایر در شهر مرکزی لانژو به میزان قابل توجهی کاهش یافته است و طی 20 سال آینده به کاهش خود ادامه خواهد داد، در حالی که مناطق مسکونی و زمین های زراعی روند صعودی خود را ادامه خواهند داد. بنابراین، تحت سیاست ملی، مساحت زمین های زراعی ثابت می ماند یا همچنان در حال افزایش است. برای مناطق ساخت و ساز، مناطق بیشتری به شمال اضافه می شود.

3.2. بهینه سازی فضایی کلانتری ها

3.2.1. معیارهای خروج

اولین روش برای تعیین تناسب انتخاب مکان، پاک کردن لایه های اولیه نامناسب برای ساخت ایستگاه های پلیس است. مطابق با بخش 3.1 ، این معیارهای حذف بر اساس بینش های به دست آمده از ادبیات تعیین شدند و یک لیست جامع برای بررسی انتخاب شد. با تجزیه و تحلیل پوشش جغرافیایی واقعی منطقه مورد مطالعه، معیارهای خروج زیر مطلوب تلقی می شوند: پوشش زمین (EC1)، زیرساخت حمل و نقل (EC2) و کوه نگاری (EC3). شکل 10 نقشه منطقه ای را نشان می دهد که ساخت ایستگاه پلیس مستثنی شده است.

(EC1) پوشش زمین. ایستگاه های پلیس برای تخریب و بازسازی در مناطق کاربری اراضی مانند جنگل ها، زمین های کشاورزی، ساختمان ها، رودخانه ها و غیره نامناسب هستند. به روز رسانی داده های پوشش زمین جهانی با این حال، داده‌های OSM مستقیماً داده‌های افزایشی پوشش زمین در دنیای واقعی را منعکس نمی‌کنند. بنابراین، کار فعلی بر اساس داده‌های تصویر Google است که برای آنها خطاهای روابط توپولوژیکی را تأیید کردیم، خطاهای ویرایش را تصحیح کردیم، و تغییراتی را برای به دست آوردن داده‌های پوشش زمین اعمال کردیم.

(EC2) زیرساخت های حمل و نقل. تحت تأثیر منطقه امکان سنجی، مناطق بزرگراه و راه آهن موجود نیز به عنوان عوامل حذف برای ایمنی ترافیک انتخاب می شوند. این مطالعه داده ها را از پایگاه داده OSM جمع آوری کرد.

(EC3) اوروگرافی. با توجه به زمان پاسخ دهی به ایستگاه پلیس و هزینه های ساخت و ساز، زمین مسطح برای ساخت ایستگاه پلیس مناسب تر است تا شیب تند. گزارش‌های قبلی حاکی از آن است که شیب زمین تأسیسات اضطراری نباید از 8 درجه تجاوز کند، زیرا این شیب برای ایستگاه‌های پلیس وجود دارد زیرا آنها به عنوان تسهیلات اضطراری واجد شرایط هستند. داده های مدل ارتفاعی دیجیتالی شاتل فضایی ناسا با وضوح 30 متر.

3.2.2. ویژگی های جرم و جنایت

(1): شناسایی کانون های جرم و جنایت

3539 مورد از پنج نوع جرایم شامل: 1887 فقره سرقت، 1405 فقره قاچاق مواد مخدر، 124 فقره کلاهبرداری، 24 فقره ضبط قهری و 99 مورد سرقت. ما با یک تحلیل خودهمبستگی فضایی از پنج نوع جرم شروع می کنیم و تجمع فضایی را تحلیل می کنیم. همانطور که در جدول 10 نشان داده شده است، نتیجه نشان می دهد که این جرایم از آزمون معناداری 99 درصدی آماری عبور می کنند. داده ها نشان می دهد که این چهار جرم (سرقت، قاچاق مواد مخدر، کلاهبرداری و سرقت) یک همبستگی مکانی قوی دارند. میزان جرم و جنایت آنها به موقعیت منطقه مرتبط است و در فضای شهری دسته بندی و توزیع شده است که می توان از آن برای شناسایی نقاط داغ جرم استفاده کرد. متوجه شدیم که جنایت لانژو دارای نقاط سرد و گرم مشخصی در فضا است. با این حال، محل وقوع جرایم سرقت تصادفی است و هیچ همبستگی مکانی ندارد.

برای تأیید نتایج خودهمبستگی فضایی، نزدیکی انواع مختلف داده های جرم را در یک فضای تراکم هسته، مانند شکل 11 ، تجزیه و تحلیل می کنیم . نقشه توزیع مکانی جغرافیایی نشان می دهد که سرقت، قاچاق مواد مخدر، کلاهبرداری و سرقت عمدتاً در منطقه مرکزی منطقه Xigu، منطقه Chengguan و منطقه Qilihe متمرکز و توزیع شده است. در نهایت، همان نتیجه ای را به دست می آوریم که برای خود همبستگی فضایی.

(2): مکان های احتمالی جرم

شکل 12 تجزیه و تحلیل آماری انواع مختلف داده های جرم را نشان می دهد. مناطق مسکونی مکان های اصلی هستند که هر پنج نوع جرم را به خود جذب می کنند. مناطق خدمات زندگی در رتبه دوم دزدی و سوم برای قاچاق مواد مخدر، توقیف اجباری و سرقت قرار دارند. مناطق حاشیه جاده از نظر قاچاق مواد مخدر، کلاهبرداری، توقیف اجباری و سرقت رتبه دوم را دارند. مناطق خدمات بیمه مالی در رتبه سوم تقلب قرار دارند. در نهایت، برای مجموع پنج نوع جرم، مناطق مسکونی بیشترین تجربه را دارند، مناطق خدمات زندگی در رتبه دوم و مناطق کنار جاده در رتبه سوم قرار دارند. همانطور که در شکل 13 نشان داده شده است ، تمرکز اصلی 12 نوع POI در محل اتصال منطقه Chengguan و Qilihe است که می تواند به عنوان یک خطر بالقوه جرم در این منطقه شناخته شود.

جدول 4 انواع مختلف POI (به عنوان مثال، عملکردهای ویژگی و فعالیت های اجتماعی) را نشان می دهد که بر اساس ویژگی های جرم در 9 منطقه خطر بالقوه طبقه بندی شده اند. سپس توزیع تراکم فضایی هر نوع با استفاده از روش تحلیل چگالی هسته بدست می آید.

3.2.3. معیارهای ارزیابی

(1): نقاط بالقوه جرم و جنایت شکل 11 f توزیع نهایی کانون های جرم و جنایت را نشان می دهد. منطقه Chengguan بیشترین جرم و جنایت است و دارای مناطق مسکونی و تجاری بسیاری است.
(2): محرک های اقتصادی-اجتماعی عمدتاً شامل جمعیت، تولید ناخالص داخلی، نزدیکی به ایستگاه پلیس موجود و مناطق بالقوه خطر است. موارد اخیر بر اساس مکان وقوع جرم (مانند عملکردهای ویژگی و فعالیت های اجتماعی) تعیین می شوند و عمدتاً شامل مناطق خدمات آموزشی، مناطق خدمات پزشکی، مناطق بیمه مالی، تسهیلات حمل و نقل، مناطق سازمان های دولتی و سازمان های اجتماعی، شرکت ها، مناطق خدمات رستوران، مناطق مسکونی و مناطق خدماتی زندگی. وزن انواع مختلف POI بر اساس کسری از سایت های جرم محاسبه می شود، همانطور که در جدول 9 نشان داده شده است. نقشه خطر احتمالی جرم نهایی در شکل 14 نشان داده شده استو نتایج خوشه‌بندی آن مشابه نقشه نقاط بالقوه جرم است، با وقوع احتمالی جرم عمدتاً در منطقه Chengguan. صحت نتایج آن تأیید می شود.
(3): محرک اقلیمی و محیطی (i) مدل رقومی ارتفاع. (ii) شیب. همانطور که در شکل 7 نشان داده شده است.

وزن های متعددی در جدول 11 نشان داده شده است و نسبت قوام نهایی کمتر از 0.1 است که نشان می دهد ماتریس مقایسه زوجی آزمون سازگاری را پشت سر گذاشته است.

از روش ترکیبی خطی وزنی برای محاسبه همپوشانی وزنی و به دست آوردن مساحت کل برای ساخت ایستگاه پلیس استفاده می شود. شکل 15 مناسب ترین مناطق، مناطق مناسب و مناطق نامناسب برای کلانتری ها را نشان می دهد. مساحت مناسب برای ساخت ایستگاه پلیس 64.07 کیلومتر مربع ^است که 18.67 درصد از کل مساحت را تشکیل می دهد. منطقه سفید برای ساخت ایستگاه پلیس نامناسب است. کلانتری های نامزد ابتدا باید در مناسب ترین مناطق ساخته شوند و به دنبال آن ساخت و ساز در مناطق مناسب در نظر گرفته شود.

3.2.4. پوشش کلانتری های موجود

(1): وضعیت فعلی

اکنون یک تحلیل فضایی و بهینه‌سازی کلانتری‌ها بر اساس زمین‌های مناسب برای چنین هدفی ارائه می‌کنیم. با توجه به چیدمان فضایی ایستگاه‌های پلیس شهری، روش پیشنهادی برای تحلیل فضایی مکان‌های ایستگاه‌های پلیس در ناحیه مرکزی شهری لانژو اعمال می‌شود. روش MCL برای تجزیه و تحلیل پوشش ارائه شده توسط 57 ایستگاه پلیس موجود، با پاسخ پلیس ثابت 5 دقیقه به عنوان یک محدودیت استفاده می شود. با استفاده از روش MCL برای تجزیه و تحلیل پوشش کلی 62,473 POI شهری، متوجه می‌شویم که ایستگاه‌های پلیس موجود 61,202 POI را پوشش می‌دهند که نرخ پوشش 97.97٪ را به دست می‌دهد. با استفاده از روش LSC برای تجزیه و تحلیل پوشش کلی 62473 POI شهری، متوجه می‌شویم که 41 ایستگاه پلیس موجود، 61202 نقطه POI را پوشش می‌دهند که پوشش 97.97 درصدی را به دست می‌دهد. در منطقه شهری مرکزی لانژو، مناطق خدماتی ایستگاه های پلیس به طور قابل توجهی در فضا همپوشانی دارند. تجزیه و تحلیل توزیع فضایی ساخت و سازهای آینده نشان می دهد که کمبود کلانتری عمدتاً در شمال و جنوب رخ خواهد داد که پوشش کلی آن 55.39 درصد خواهد بود. تجزیه و تحلیل پوشش ایستگاه پلیس از مناطقی که احتمال وقوع جرم وجود دارد نشان می دهد که کلانتری های موجود 100 درصد از 60 درصد مناطق پرخطر جرم را پوشش می دهند.شکل 16 د. تجزیه و تحلیل پوشش ایستگاه پلیس مناطق با خطر بالای جرم و جنایت نشان می دهد که ایستگاه های پلیس موجود 100٪ از 60٪ مناطق با خطر جرم را پوشش می دهند، همانطور که در شکل 16 نشان داده شده است.

به طور خلاصه، پوشش ایستگاه های پلیس موجود به طور قابل توجهی در منطقه شهری مرکزی لانژو همپوشانی دارد. مناطقی که تحت پوشش منطقه خدمات ایستگاه پلیس قرار نمی گیرند، عمدتاً در مناطق شمالی، جنوبی و شمال شرقی توزیع شده اند. برخی از POI ها و ساختمان های آینده با توجه به محدودیت زمان پاسخگویی 5 دقیقه ای نمی توانند به 100% پوشش کامل دست یابند. بنابراین باید کلانتری های جدید در این مناطق کور اضافه شود.

(2): پیش بینی پوشش ایده آل توسط کلانتری ها

حالت ایده آل، بهینه سازی مکان کلانتری ها بدون در نظر گرفتن بودجه دولتی است. حالت آرمانی عمدتاً شامل دو سناریو زیر است. سناریوی 1 کلانتری های موجود را در نظر نمی گیرد، اما مکان های کاندید برای ایستگاه های پلیس را با انتخاب مکان مکانی و بهینه سازی ترکیب می کند تا حداقل تعداد ایستگاه های پلیس مورد نیاز در منطقه مورد مطالعه را تعیین کند. سناریوی 2، کلانتری های موجود را همراه با مکان های کاندیدای کلانتری ها در نظر می گیرد تا ظرفیت خدمات پلیس در مناطقی را که در حال حاضر تحت خدمات هستند، افزایش دهد و حداکثر تعداد کلانتری های مورد نیاز در منطقه مورد مطالعه را تعیین کند. در سناریوی 1، 58 ایستگاه پلیس از طریق چهار تعامل شبیه سازی شده اند، و در سناریوی 2، 89 ایستگاه پلیس از طریق چهار تعامل شبیه سازی شده اند.شکل 17 ).

اگرچه تعداد 57 کلانتری موجود کمتر از حداقل تعداد ایستگاه های پلیس شبیه سازی شده در سناریوی 1 است، اما همچنان عدد معقولی است. تجزیه و تحلیل پراکندگی فضایی کلانتری ها نشان می دهد که نسبتاً متراکم هستند که به راحتی می تواند منجر به مشکلاتی از جمله افزونگی کلانتری ها شود. بنابراین با توجه به عواملی مانند کلانتری های موجود، مساحت اشغال شده توسط کلانتری ها، مساحت مناسب برای احداث کلانتری و توسعه شهری آینده، طرحی منطقی و علمی از کلانتری ها را با در نظر گرفتن شرایط محلی ایجاد می کنیم.

3.2.5. بهینه سازی فضایی

(1): غیر همپوشانی ما ایستگاه های پلیس اضافی را در این فضا فیلتر می کنیم. با در نظر گرفتن کلانتری موجود به عنوان مجموعه کاندید و با در نظر گرفتن گره های جاده، POI در مناطق مهم و نقاط جرم و جنایت را به عنوان نقاط تقاضا در نظر می گیریم. راه حل مبتنی بر فاصله شبکه جاده ای، اطمینان از پوشش نقاط تقاضای موجود، حذف کلانتری های اضافی و حفظ حداقل تعداد کلانتری است. نتایج در شکل 18 نشان داده شده است. در مجموع 44 پاسگاه پلیس حفاظت شده و 13 کلانتری نیز قرار است تعدیل شود. با توجه به تحلیل تراکم ایستگاه‌های پلیس پیشنهادی (یعنی جدید)، نتیجه می‌گیریم که ایستگاه‌های پلیسی که افزونگی و همپوشانی خدمات بیشتری ایجاد می‌کنند، عمدتاً در ناحیه Chengguan در جنوب رودخانه زرد و در محل اتصال منطقه Qilihe و Chengguan ظاهر می‌شوند. ناحیه.
(2): برای مدیریت و کنترل مناطق کلیدی، پوشش متمرکز مناطق کلیدی را بهینه کنید و از داده های POI فیلتر شده مناطق مهم و داده های نقطه جرم جغرافیایی به عنوان مجموعه نقطه تقاضا استفاده کنید، زیرا داده های جهانی POI در منطقه مرکزی شهری لانژو شامل تمام داده های POI است. . بنابراین، ما داده‌های POI جهانی در منطقه شهری مرکزی لانژو را به عنوان مجموعه نقطه تقاضا انتخاب می‌کنیم زیرا عینی‌تر و استانداردتر است. آزمایش نشان می‌دهد که وقتی پوشش POI از 99% فراتر می‌رود، بازده بهینه‌سازی به حداقل می‌رسد، بنابراین هدف پوشش منطقه کلیدی در این مرحله روی 99% تنظیم می‌شود. بر اساس 44 کلانتری، هر بار 1 مورد از کلانتری های کاندید برای طرح بندی مجدد انتخاب می شود. هنگامی که تعداد ایستگاه های پلیس به 47 می رسد، پوشش POI به 99.20 درصد افزایش می یابد و به هدف تعیین شده می رسد.شکل 19 توزیع فضایی کلانتری ها را پس از بهینه سازی مرحله دوم نشان می دهد.
(3): چیدمان فضایی کلانتری ها به عنوان تابعی از تغییرات شهری آینده ما اکنون در مورد بهینه سازی چیدمان مکان های ایستگاه پلیس نامزد بحث می کنیم. ما ایستگاه های پلیس 5، 10، 15 و 20 کاندید را به صورت مکانی تنظیم می کنیم و چهار بهینه سازی را انجام می دهیم. پس از این بهینه سازی، تعداد کلانتری ها به 67 می رسد، بین حداقل تعداد کلانتری شبیه سازی شده توسط سناریوی 1 و حداکثر تعداد کلانتری های شبیه سازی شده توسط سناریو 2. پوشش کلی به 99% می رسد، همانطور که در شکل 20 نشان داده شده است.

3.3. توزیع نیروی پلیس امنیت عمومی و نیروی پلیس ثبت خانواده

بر اساس بهینه‌سازی مکان فضایی کلانتری‌ها، نیروی انتظامی امنیت عمومی و نیروی انتظامی ثبت خانوار را به صورت فضایی بین کلانتری‌ها تخصیص و توزیع می‌کنیم. با جمع‌آوری داده‌های نقطه جرم در واحدهای خیابانی و مطالعه توزیع فضایی جرم در مرکز شهر لانژو، متوجه می‌شویم که جرم لانژو دارای نقاط سرد و گرم مشخصی در فضا است، با نقاط داغ جرم عمدتاً در مناطق جنوب زرد توزیع شده است. رودخانه.

با تجمیع داده‌های مسکونی در واحدهای خیابانی و مطالعه توزیع فضایی مناطق ساختمانی در ناحیه مرکزی شهری لانژو، متوجه می‌شویم که توزیع فضایی ساختمان‌ها نیز تمایز فضایی را نشان می‌دهد. ناهمگونی فضایی جرم و جنایت و ساختمان های مسکونی در لانژو باعث تفاوت در تعداد نیروی پلیس امنیت عمومی و نیروی پلیس ثبت خانواده در ایستگاه های پلیس مختلف شده است.

علاوه بر این، همانطور که در جدول 12 نشان داده شده است ، نسبت تعداد نیروهای پلیس امنیت عمومی به تعداد نیروهای پلیس ثبت خانوار در همان کلانتری نیز بین کلانتری ها متفاوت است. این ناهماهنگی نشان دهنده تفاوت تقاضا برای این نیروها در یک منطقه خاص است. ایستگاه های پلیس با نیروهای پلیس امنیت عمومی بیشتر، عمدتاً در منطقه مرکزی در امتداد رودخانه زرد، در یک الگوی توزیع کمربند مانند متمرکز شده اند. در مقابل، ایستگاه‌های پلیس با نیروهای پلیس ثبت خانوار بیشتر پراکنده‌تر هستند، در امتداد رودخانه زرد و در منطقه شرق رودخانه زرد و غرب جنوب رودخانه زرد، همانطور که در شکل 21 و شکل 22 نشان داده شده است، پراکنده‌تر هستند .

4. بحث

با رشد سریع جمعیت و اقتصاد چین، امنیت شهری به موضوع مهمی تبدیل شده است که بسیاری از مردم به آن اهمیت می دهند. بنابراین کنترل منطقی استقرار کلانتری های شهری بسیار مهم است. در شهرها، کاربری زمین، عملکردهای مختلف POI، و نمایه‌های خطر جرم متفاوت است، بنابراین ممکن است ارزیابی‌های ریسک وجود نداشته باشد، که استقرار ایستگاه‌های پلیس را غیرمنطقی می‌کند. چالش جلوگیری از وقوع بلایا می تواند برای مدیران شهری و امدادگران اضطراری دلهره آور باشد. لانژو، یکی از بزرگترین شهرهای یکپارچه چین، نیز مانند اکثر شهرها با مشکلات ایمنی شهری مواجه است. با توجه به محدودیت‌های ساختمان‌های موجود در شهر، مناطق غیرمناسب برای احداث کلانتری مستثنی شده‌اند. علاوه بر این، با توجه به به موقع بودن و پوشش گسترده POI از نظر جغرافیایی، ما در اینجا پتانسیل و ارزش POI را در ارزیابی ریسک شهری نشان می دهیم. در عین حال، با توسعه فناوری اینترنت، داده های شبکه جاده های مکانی-زمانی اکثر شهرها را پوشش می دهد. بنابراین، چارچوب کار ارائه شده در اینجا می تواند به انواع دیگر شهرها منتقل شود.

با این حال، شهرها سیستم های عظیم، پیچیده و پویایی هستند که ممکن است بر دقت تخمین جرم تأثیر بگذارد. اولاً، داده‌های POI، نقاط انتزاعی بدون مساحت ساختمان، حجم ساختمان یا شکل ساختمان هستند و بنابراین نمی‌توانند اندازه یک ساختمان را منعکس کنند، که ممکن است بر دقت تخمین منطقه جرم بالقوه تأثیر بگذارد. دوم، توزیع ساختمان‌های مسکونی به‌عنوان بازتابی از توزیع جمعیت در معرض خطا است، زیرا ساختمان‌ها یا محله‌های خالی از سکنه ممکن است متمرکز باشند، که می‌تواند بر تحلیل تأثیر بگذارد. از این رو لازم است با توجه به مطالعه موردی، آن را توجیه و یا امکان افزودن برخی ملاحظات دیگر را ذکر کرد. ثالثاً، روش و چارچوب پیشنهادی در این مقاله در حوزه های مختلف مورد علاقه اجرا می شود. تأثیر مکان‌های مختلف تأسیسات ممکن است مستلزم در نظر گرفتن عوامل مختلف و ویژگی‌های محلی باشد. به عنوان مثال، یک ایستگاه آتش نشانی ممکن است نیاز به ترکیب داده های آب و آتش برای انتخاب مکان داشته باشد. در نهایت، این کار بسیاری از جنبه های دیگر (جغرافیایی، اجتماعی، اقتصادی، جریان های مردمی و غیره) را در نظر می گیرد و در نتیجه روش شناسی موجود را بهبود می بخشد. ما معتقدیم که با توسعه شهرها، ظهور داده های جدید بیشتر به حل این مشکلات کمک می کند.

5. نتیجه گیری ها

پیش بینی تغییرات شهری آینده، تجزیه و تحلیل خطرات احتمالی جرم و تعیین مکان کلانتری ها از وظایف مهم برای بهبود مدیریت شهری و کاهش جرم و جنایت است. این مقاله نتایج طبقه‌بندی‌های زمانی مختلف نوع زمین، پیش‌بینی تغییرات شهری، و ارزیابی مناسب بودن مکان برای میزبانی ایستگاه‌های پلیس را ارائه می‌کند. با توجه به روش‌های ارزیابی ریسک شهری و هنجارهای موجود، داده‌های POI با کمک مدل فرآیند تحلیل سلسله مراتبی به مناطق مختلف خطر، استاندارد شده و وزن‌دهی می‌شوند. توزیع نواحی خطر با سوپرپوزیشن تعیین می شود. بر اساس ایستگاه های پلیس موجود، ساخت یک ایستگاه پلیس جدید تنها پس از بررسی جامع تأثیر آن بر POI و کل منطقه ساخت و ساز ساختمان آغاز می شود. و پس از بهینه سازی پیکربندی فضایی کلیه کلانتری ها. هدف کلی بهبود خدمات و کوتاه کردن زمان پاسخگویی پلیس است. توجه بیشتری به تفاوت های فضایی در نیروهای پلیس امنیت عمومی و نیروهای پلیس ثبت خانواده داده می شود. نتایج اصلی به شرح زیر است:

(1): تجزیه و تحلیل داده‌ها نشان می‌دهد که جرم عمدتاً در مناطق پرجمعیت متمرکز است، که نشان می‌دهد مردم و ثروت انگیزه اصلی جرم هستند. دزدی رایج ترین نوع جرم در بین پنج نوع جرم است. گسترش شهری به تدریج به حاشیه گسترش می یابد و فضای داخلی شهر دائما پر می شود که در این میان بخش شمالی ناحیه آنینگ توسعه یافته تر می شود. تفاوت در توزیع فضایی کانون های جرم و جنایت و ساخت و ساز منجر به نسبت فضایی ناهمگون نیروهای پلیس امنیت عمومی به نیروهای پلیس ثبت خانوار اختصاص داده شده به ایستگاه های پلیس مختلف می شود.
(2): تجزیه و تحلیل پوشش نشان می دهد که پوشش کلی POI توسط ایستگاه های پلیس موجود 97.97٪ است و پوشش جامع پیش بینی شده برای استفاده از زمین در آینده به 55.39٪ کاهش می یابد. روش پیشنهادی در اینجا همپوشانی مناطق خدماتی ایستگاه پلیس (22.8٪) را کاهش می دهد، پوشش منطقه (12.01٪) و پوشش نقطه تقاضا (7.25٪) را افزایش می دهد، 13 ایستگاه پلیس موجود را حذف می کند و 24 ایستگاه پلیس نامزد را اضافه می کند. این روش دیدگاه کلان داده ها را با ایده های جدید و یک طرح فنی برای انتخاب مکان برای ایستگاه های پلیس ترکیب می کند.

منابع

جیانگ، YC; Lv، AF; Yan، ZG; یانگ، زی. یک روش تصمیم گیری چند معیاره مبتنی بر GIS برای انتخاب تیپ آتش نشانی شهر: مطالعه موردی ووهان، چین. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 777. [ Google Scholar ] [ CrossRef ]
Xue, DS; Zeng، XJ ارزیابی کیفیت شهرنشینی چین و تجزیه و تحلیل تغییر الگوی فضایی آن بر اساس شاخص زندگی مدرن. Acta Geogr. گناه 2016 ، 71 ، 194-204. [ Google Scholar ] [ CrossRef ]
Wang, FZ ضرورت و روش تخصیص مکان برای آژانس های امنیت عمومی شهری. مشکل شهری 1995 ، 1 ، 11-14. [ Google Scholar ] [ CrossRef ]
حکیمی، SL توزیع بهینه مراکز سوئیچینگ در یک شبکه ارتباطی و برخی مسائل نظری گراف مرتبط. اپراتور Res. 1965 ، 13 ، 462-475. [ Google Scholar ] [ CrossRef ]
کلیسا، RL مشکل p-میانگین منطقه ای محدود. Geogr. مقعدی 1990 ، 22 ، 22-32. [ Google Scholar ] [ CrossRef ]
موری، AT; جرارد، سرویس ظرفیت‌دار RA و محدودیت‌های منطقه‌ای در مدل‌سازی مکان-تخصیص. مکان یابی کنید. علمی 1997 ، 5 ، 103-118. [ Google Scholar ] [ CrossRef ]
گونگ، دی. ژنرال، م. یامازاکی، جی. Xu, W. روش تکاملی ترکیبی برای مسئله ظرفیت تخصیص مکان. محاسبه کنید. مهندسی صنعتی 1997 ، 33 ، 577-580. [ Google Scholar ] [ CrossRef ]
ماریانوف، وی. Serra، D. مدل های مکان-تخصیص سلسله مراتبی برای سیستم های متراکم. یورو جی. اوپر. Res. 2001 ، 135 ، 195-208. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لوزانو، اس. گوئررو، اف. اونیوا، ال. نقشه های Larrañeta، J. Kohonen برای حل یک کلاس از مسائل تخصیص مکان. یورو جی. اوپر. Res. 1998 ، 108 ، 106-117. [ Google Scholar ] [ CrossRef ]
صالحی، س. Gamal، MD یک رویکرد مبتنی بر الگوریتم ژنتیک برای مسئله مکان – تخصیص پیوسته بدون ظرفیت. ان اپراتور Res. 2003 ، 123 ، 203-222. [ Google Scholar ] [ CrossRef ]
حسیه، خ. Tien، FC نقشه های ویژگی خودسازماندهی برای حل مسائل مکان-تخصیص با فواصل مستطیل. محاسبه کنید. اپراتور Res. 2004 ، 31 ، 1017-1031. [ Google Scholar ] [ CrossRef ]
لی، ایکس. بله، جست و جوی فضایی بهینه با استفاده از الگوریتم های ژنتیک و GIS. Acta Geogr. گناه 2004 ، 59 ، 745-753. [ Google Scholar ] [ CrossRef ]
لیانگ، QO بر روی مشکل تخصیص مکان موانع بر اساس اصل انتخاب کلونال تحقیق می کند. Geomat. Inf. علمی دانشگاه ووهان 2007 ، 32 ، 744-747. [ Google Scholar ]
Gang, Z. ارزیابی خطر آتش سوزی شهری و کاربرد آن بر اساس تحلیل فضایی: مطالعه موردی شیان. طرح شهر. Rev. 2016 , 40 , 59-64. [ Google Scholar ] [ CrossRef ]
وانگ، دبلیو. خو، ز. سان، دی. Lan، T. بهینه سازی فضایی ایستگاه های آتش نشانی کلان شهر بر اساس داده های مکانی چند منبع: مطالعه موردی در پکن. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 282. [ Google Scholar ] [ CrossRef ]
یوان، اف. وی، YH; چن، دبلیو. جین، زی. تجمع فضایی و تشکیل شرکت جدید در صنعت فناوری اطلاعات و ارتباطات در سوژو. Acta Geogr. گناه 2010 ، 65 ، 153-163. [ Google Scholar ] [ CrossRef ]
ژا، AP; خو، ن. Hou, ZG مطالعه ای در مورد مناسب بودن مکان خرد هتل اکو. هوم Geogr. 2017 ، 32 ، 152-160. [ Google Scholar ]
مارتین-فرناندز، اس. مارتینز-فالرو، ای. Peribáñez, JR; Ezquerra، A. الگوریتم بازپخت شبیه سازی شده مبتنی بر GIS برای مکان بهینه ایستگاه های آتش نشانی در منطقه مادرید، اسپانیا: نظارت بر شاخص فروپاشی. Appl. علمی 2021 ، 11 ، 8414. [ Google Scholar ] [ CrossRef ]
چن، سی. Ren, AZ بهینه سازی مکان ایستگاه های آتش نشانی با استفاده از کامپیوتر. Qinghua Daxue Xuebao/J. دانشگاه Tsinghua (چین) 2003 ، 43 ، 1390-1393. [ Google Scholar ]
چن، اچ. مطالعه بهینه سازی توزیع فضایی ایستگاه آتش نشانی شهر در شهر لوآن. پایان نامه کارشناسی ارشد، دانشگاه تونگجی، شانگهای، چین، 2007. [ Google Scholar ] [ CrossRef ]
ژانگ، تی. ما، س. شن، اچ. زمان ارزش گرا -بهینه سازی پوشش خدمات مدیریت اضطراری متفاوت. Geomat. Inf. علمی دانشگاه ووهان 2017 ، 42 ، 1681-1687. [ Google Scholar ] [ CrossRef ]
آهنگ، ZN; یان، TG; لیو، تی. Huang, T. مدل P-median گرانشی جدید و آزمون تجربی در تصمیم‌گیری مکان بیمارستان جامع شهری: Wuxi را به عنوان مثال در نظر بگیرید. Prog. Geogr. 2016 ، 35 ، 420-430. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Xie، XH; وانگ، RZ; ون، دی اچ. Zhang، ZY ارزیابی چیدمان امکانات پزشکی بر اساس gis: کاربرد منطقه Xiang’an. J. Geo-Inf. علمی 2015 ، 17 ، 317-328. [ Google Scholar ] [ CrossRef ]
پنگ، ی. وانگ، Z. عملیات فضایی محل مدرسه ابتدایی و متوسطه روستایی. Acta Geogr. گناه 2013 ، 68 ، 1411-1417. [ Google Scholar ] [ CrossRef ]
دای، تی. لیائو، سی. هو، ک. ژانگ، دبلیو. لیو، زی. بهینه سازی تخصیص مدارس متوسطه به سمت دسترسی برابر: مطالعه موردی در منطقه شیجینگشان، پکن. Acta Geogr. گناه 2017 ، 72 ، 1476-1485. [ Google Scholar ] [ CrossRef ]
کنگ، ی. زو، ی. وانگ، ی. یک الگوریتم فراابتکاری ترکیبی برای مسئله ناحیه مدرسه. Acta Geogr. گناه 2017 ، 72 ، 256-268. [ Google Scholar ] [ CrossRef ]
لی، اس. Du, Q. مناسب بودن برنامه ریزی چند فرودگاهی منطقه ای با مدل مکان یابی P-میانگین سلسله مراتبی. Geomat. Inf. علمی دانشگاه ووهان 2012 ، 37 ، 988-991. [ Google Scholar ]
زو، ی. لیو، ی. کنگ، ایکس. فن، دی. بهینه سازی زمین مسکونی روستایی بر اساس نمودار وزنی- ورونوی. Geomat. Inf. علمی دانشگاه ووهان 2012 ، 37 ، 560-563. [ Google Scholar ]
تانگ، CL; سلام.؛ ژو، جی. Zeng، SS; Xiao, LY تحقیق در مورد حالت بهینه سازی سازمان فضایی سکونتگاه های روستایی با محوریت کیفیت زندگی. Acta Geogr. گناه 2014 ، 69 ، 1459-1472. [ Google Scholar ] [ CrossRef ]
دینگ، جی. جین، اف. وانگ، سی. وانگ، جی. ارزیابی، بهینه سازی و شبیه سازی طرح فضایی هاب های حمل و نقل در چین. Acta Geogr. گناه 2011 ، 66 ، 504-514. [ Google Scholar ] [ CrossRef ]
خو، دبلیو. ممکن است.؛ ژائو، ایکس. لی، ی. کین، ال. Du، J. مقایسه مدل‌های تخصیص موقعیت مکانی مبتنی بر سناریو برای پناهگاه‌های اضطراری زلزله: مطالعه موردی در منطقه مرکزی پکن، چین. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 236-256. [ Google Scholar ] [ CrossRef ]
ژائو، آر. یانگ، ال. Shao, J. روشی برای تصمیم گیری مکان چند محدودیتی مرکز توزیع بر اساس الگوریتم کلونی مورچه ها و GIS. J. Geo-Inf. علمی 2015 ، 17 ، 172-177. [ Google Scholar ] [ CrossRef ]
دو، دبلیو. لی، QS تجزیه و تحلیل اقتصادی در مورد لایه لایه شدن حمل و نقل در سیستم توزیع. سیستم مهندس عمل تئوری. 2003 ، 4 ، 82-85. [ Google Scholar ]
کرتین، KM; هایسلت-مکال، ک. کیو، اف. تعیین مناطق بهینه گشت پلیس با مدل های مکان پوشش حداکثر و پوشش پشتیبان. شبکه تف کردن اقتصاد 2010 ، 10 ، 125-145. [ Google Scholar ] [ CrossRef ]
آدلر، ن. هاکرت، ع. کورنبلوت، جی. راویو، تی. Sher, M. مدل‌های تخصیص مکان برای وسایل نقلیه گشت پلیس راهنمایی و رانندگی در یک شبکه بین شهری. سالنامه تحقیق در عملیات. 2014 ، 221 ، 9-31. [ Google Scholar ] [ CrossRef ]
دانت، اس. لی، جی. جکسون، ال. بهینه سازی اعزام پلیس برای پاسخ به حادثه در زمان واقعی. جی. اوپر. Res. Soc. 2019 ، 70 ، 269–279. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
میلیاس، وی. پسیلیدیس، الف. ارزیابی تأثیر ویژگی‌های نقطه‌نظر در طبقه‌بندی دسته‌های مکان. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 86 ، 101597. [ Google Scholar ] [ CrossRef ]
مارتی، پی. سرانو-استرادا، ال. Nolasco-Cirugeda، A. داده های رسانه های اجتماعی: چالش ها، فرصت ها و محدودیت ها در مطالعات شهری. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 74 ، 161-174. [ Google Scholar ] [ CrossRef ]
Xiong، X. کیائو، اس. لی، ی. هان، ن. یوان، جی. Zhang, Y. الگوریتم پیشنهاد نقطه مورد علاقه در شبکه های جغرافیایی-اجتماعی چند منبعی. مهندس Appl. آرتیف. هوشمند 2020 , 88 , 103374. [ Google Scholar ] [ CrossRef ]
یائو، ی. لی، ایکس. لیو، ایکس. لیو، پی. لیانگ، ز. ژانگ، جی. Mai، K. سنجش توزیع فضایی کاربری زمین شهری با ادغام نقاط مورد علاقه و مدل Google Word2Vec. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 825-848. [ Google Scholar ] [ CrossRef ]
مک کنزی، جی. Janowicz، K. Where is also about time: یک مدل اعوجاج مکان برای بهبود ژئوکدینگ معکوس با استفاده از امضاهای معنایی زمانی رفتار محور. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 1-13. [ Google Scholar ] [ CrossRef ]
دینگ، اچ. Shi، W. تغییر کاربری / پوشش زمین و تأثیر آن بر دمای سطح: مطالعه موردی در شهر پکن. بین المللی J. Remote Sens. 2013 ، 34 ، 5503-5517. [ Google Scholar ] [ CrossRef ]
جیانگ، جی. تیان، جی. تحلیل تاثیر تغییر کاربری/پوشش زمین بر دمای سطح زمین با سنجش از دور. Procedia Environ. علمی 2010 ، 2 ، 571-575. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سانگ، ایکس. گوا، کیو. وو، ایکس. فو، ی. زی، تی. او، سی. Zang, J. تحلیل شدت و ایستایی تغییر کاربری اراضی بر اساس الگوریتم CART. علمی جمهوری 2019 ، 9 ، 12279. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
لیانگ، ایکس. گوان، کیو. کلارک، کی سی; لیو، اس. وانگ، بی. یائو، ی. درک محرک‌های توسعه پایدار زمین با استفاده از یک مدل شبیه‌سازی استفاده از زمین (PLUS): مطالعه موردی در ووهان، چین. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 85 ، 101569. [ Google Scholar ] [ CrossRef ]
او، ز. دنگ، م. کای، جی. زی، ز. گوان، کیو. یانگ، سی. الگوهای ارتباط مکانی-زمانی معدن از پدیده های پیچیده جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2020 ، 34 ، 1162-1187. [ Google Scholar ] [ CrossRef ]
لیو، ی. لیو، ی. چن، ی. لانگ، اچ. فرآیند و نیروهای محرکه توخالی روستایی در چین تحت شهرنشینی سریع. جی. جئوگر. علمی 2010 ، 20 ، 876-888. [ Google Scholar ] [ CrossRef ]
لی، SW; هوانگ، اس جی. لی، اس بی؛ هوانگ، اچ اس. رویکرد بوم‌شناختی Sung، HC Landscape به روابط الگوهای کاربری اراضی در حوزه‌های آبخیز با ویژگی‌های کیفیت آب. Landsc. طرح شهری. 2009 ، 92 ، 80-89. [ Google Scholar ] [ CrossRef ]
تان، م. لی، X. تغییر سکونتگاه ها در مناطق روستایی تحت فشار شهری در چین: الگوها، نیروهای محرک و پیامدهای سیاست. Landsc. طرح شهری. 2013 ، 120 ، 170-177. [ Google Scholar ] [ CrossRef ]
تورسن، آی. Ubøe, J. مدلسازی انتخاب مکان مسکونی در منطقه ای با موانع فضایی. ان Reg. علمی 2002 ، 36 ، 613-644. [ Google Scholar ] [ CrossRef ]
لانگ، ی. هان، اچ. لای، اس. مائو، Q. مرزهای رشد شهری منطقه شهری پکن: مقایسه شبیه سازی و آثار هنری. شهرها 2013 ، 31 ، 337-348. [ Google Scholar ] [ CrossRef ]
Geary، RC نسبت مجاورت و نقشه برداری آماری. آمار شرکت 1954 ، 5 ، 115-146. [ Google Scholar ] [ CrossRef ]
گودچایلد، م. هاینینگ، آر. Wise, S. یکپارچه سازی Gis و تجزیه و تحلیل داده های مکانی: مشکلات و احتمالات. بین المللی جی. جئوگر. Inf. سیستم 1992 ، 6 ، 407-423. [ Google Scholar ] [ CrossRef ]
موران، PAP تفسیر نقشه های آماری. JR Stat. Soc. سر. یک آمار Soc. 1948 ، 10 ، 243-251. [ Google Scholar ] [ CrossRef ]
De FSM Russo, R.; کامانهو، R. معیارها در AHP: بررسی سیستماتیک ادبیات. Procedia Comput. علمی 2015 ، 55 ، 1123-1132. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دوژیچ، اس. Kalić، M. مقایسه دو روش MCDM در مسئله انتخاب نوع هواپیما. ترانسپ Res. Procedia 2015 ، 10 ، 910-919. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هوفر، تی. سوناک، ی. صدیق، ح. مادلنر، آر. مکان یابی مزرعه بادی با استفاده از رویکرد فرآیند تحلیل سلسله مراتبی فضایی: مطالعه موردی استان آخن. Appl. انرژی 2016 ، 163 ، 222-243. [ Google Scholar ] [ CrossRef ]
رینر، سی. Voss, S. MCDA4ArcMap – یک ابزار تجزیه و تحلیل تصمیم گیری چند معیاره و منبع باز برای ArcGIS 10. Feature Artic. سبد خرید Newsl. می توان. کارتوگر. دانشیار 2013 ، 15 ، 101-127. [ Google Scholar ]
پینار، AO; یاسین، EM; ارطغرل، سی. کم، ای. Inanc، N. انتخاب مکان بهینه برای یک نیروگاه خورشیدی در منطقه مرکزی آناتولی ترکیه. بین المللی J. Photoenergy 2017 , 2017 , 7452715. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چاکرابورتی، اس. Banik، D. طراحی یک مدل انتخاب تجهیزات جابجایی مواد با استفاده از فرآیند تحلیل سلسله مراتبی. بین المللی J. Adv. Manuf. تکنولوژی 2006 ، 28 ، 1237-1245. [ Google Scholar ] [ CrossRef ]
Cooper, L. مشکلات تخصیص مکان. اپراتور Res. 1963 ، 11 ، 331-343. [ Google Scholar ] [ CrossRef ]
Menezes، RC; Pizzolato، ND مکان یابی مدارس دولتی در مناطقی که به سرعت در حال گسترش هستند: استفاده از مدل های مکان پوشش ظرفیت p-median و max-imal. پسکی. اپراتور 2014 ، 34 ، 301-317. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
زرین پور، ن. فلاح نژاد، ام اس; پیشوایی، MS طراحی یک مدل مکان-تخصیص سلسله مراتبی قابل اعتماد تحت اختلالات برای شبکه های خدمات سلامت: یک رویکرد قوی دو مرحله ای. محاسبه کنید. مهندسی صنعتی 2017 ، 109 ، 130-150. [ Google Scholar ] [ CrossRef ]
رحمان، م. چن، ن. اسلام، م. دوان، ا. پورقاسمی، HR; Washakh, RMA; نپال، ن. تیان، اس. فیض، ح. علم، م. و همکاران مدل سازی مکان-تخصیص برای برنامه ریزی تخلیه اضطراری با GIS و سنجش از راه دور: مطالعه موردی شمال شرق بنگلادش. Geosci. جلو. 2021 ، 12 ، 101095. [ Google Scholar ] [ CrossRef ]
موری، AT بهینه سازی موقعیت مکانی ایستگاه های آتش نشانی شهری. آتش نشانی J. 2013 ، 62 ، 64-71. [ Google Scholar ] [ CrossRef ]
Helly، W. مدل های سیستم های شهری ; انتشارات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 1975. [ Google Scholar ] [ CrossRef ]
هواپیما، DR; توماس، ای. هندریک، برنامه نویسی ریاضی TE و محل شرکت های آتش نشانی برای بخش آتش نشانی دنور. اپراتور Res. 1977 ، 25 ، 563-578. [ Google Scholar ] [ CrossRef ]
چوداری، پ. چهتری، SK; جوشی، KM; Shrestha، BM; Kayastha، P. کاربرد یک فرآیند تحلیل سلسله مراتبی (AHP) در رابط GIS برای انتخاب محل آتش سوزی مناسب: مطالعه موردی از شهر متروپولیتن کاتماندو، نپال. اجتماعی-اقتصادی طرح. علمی 2016 ، 53 ، 60-71. [ Google Scholar ] [ CrossRef ]
نالپا، ج. Kawulok، M. انتخاب مجموعه های آموزشی برای ماشین های بردار پشتیبان: یک بررسی. آرتیف. هوشمند Rev. 2019 , 52 , 857–900. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گونگ، بی. من، جی. Mountrakis، G. یک رویکرد شبکه ایمنی مصنوعی برای طبقه‌بندی کاربری زمین/پوشش زمین با چند حسگر. سنسور از راه دور محیط. 2011 ، 115 ، 600-614. [ Google Scholar ] [ CrossRef ]

شکل 1. تعداد جرایم جنایی در چین که از سال 2001 تا 2021 تحت پیگرد قانونی قرار گرفته اند.

شکل 2. منطقه مورد مطالعه منطقه شهری مرکزی لانژو، چین را نشان می دهد. ( الف ) توزیع جغرافیایی منطقه مورد مطالعه در چین، ( ب ) توپوگرافی لانژو، و ( ج ) چشم انداز شهری منطقه مورد مطالعه.

شکل 3. نمودار جریان روش پیشنهادی برای انتخاب مکان های کلانتری.

شکل 4. نمودار جریان استراتژی گسترش زمین.

شکل 5. توزیع کاربری. ( الف ) توزیع فضایی کاربری زمین در سال 2018. ( ب ) توزیع فضایی کاربری زمین در سال 2019. ( ج ) توزیع فضایی کاربری اراضی در سال 2020. ( د ) تغییر کاربری اراضی از 2018 تا 2020.

شکل 6. تغییرات کاربری زمین. ( الف ) انواع مناطق کاربری زمین در 2018-2020. ( ب ) تغییرات کاربری زمین از 2018 تا 2019 و از 2019 تا 2020.

شکل 7. دوازده محرک بالقوه توسعه کاربری زمین.

شکل 8. سهم هر متغیر در رشد هفت نوع کاربری زمین. مهم ترین عوامل با گسترش کاربری های مربوطه همپوشانی دارند.

شکل 9. کاربری اراضی در سال 2030 بر اساس شبیه سازی از سال 2020.

شکل 10. لایه محدودیت شهر مرکزی لانژو.

شکل 11. توزیع فضایی نقاط داغ جرم و جنایت.

شکل 12. تجزیه و تحلیل آماری ویژگی های جرم.

شکل 13. توزیع تراکم هسته در مناطق مختلف خطر بالقوه.

شکل 14. توزیع نقاط داغ جنایت بالقوه.

شکل 15. “مناسب ترین” و “مناسب” مناطق برای ساخت ایستگاه های پلیس.

شکل 16. توزیع فضایی مجاورت پاسگاه های پلیس موجود به مناطق خطر جرم. ( الف ) ایستگاه های پلیس موجود توزیع فضایی POI را پوشش می دهند. ( ب ) توزیع فضایی ساخت و سازهای آینده تحت پوشش ایستگاه های پلیس موجود. ( ج ) توزیع فضایی 60 درصد نقاط داغ جرم و جنایت تحت پوشش ایستگاه های پلیس موجود. ( د ) توزیع فضایی 60 درصد بالای منطقه خطر جرم و جنایت تحت پوشش ایستگاه های پلیس موجود. ( ث ) توزیع فضایی 60 درصد منطقه خطر بالقوه بالای تحت پوشش ایستگاه های پلیس موجود.

شکل 17. مشکل پوشش حداقل امکانات برای ایستگاه پلیس موجود در حالت ایده آل.

شکل 18. توزیع فضایی ایستگاه های پلیس اضافی.

شکل 19. برای آزمایش (1)، توزیع فضایی سه ایستگاه پلیس نامزد جدید در تمام سایت های مشارکت ساختمان.

شکل 20. برای آزمایش (2)، توزیع فضایی آینده ایستگاه های پلیس جدید.

شکل 21. تعداد جرایم خیابانی و کسری از نیروی پلیس امنیت عمومی.

شکل 22. مساحت خیابان سازی و کسری از نیروی پلیس ثبت خانوار.

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. مطالعه موردی و روش شناسی

2.1. مروری بر منطقه تحقیقاتی

2.2. روش شناسی

2.2.1. انواع مناطق کلانتری

2.2.2. استراتژی توسعه زمین

2.2.3. شاخص جهانی موران

2.2.4. فرآیند تحلیل سلسله مراتبی

2.2.5. استاندارد و مدل تخصیص مکان

2.2.6. روش تخصیص نیروی کلانتری

3. نتایج

3.1. تغییرات آتی در کاربری زمین

3.1.1. تغییرات کاربری زمین

3.1.2. شبیه سازی کاربری آینده زمین

3.2. بهینه سازی فضایی کلانتری ها

3.2.1. معیارهای خروج

3.2.2. ویژگی های جرم و جنایت

3.2.3. معیارهای ارزیابی

3.2.4. پوشش کلانتری های موجود

3.2.5. بهینه سازی فضایی

3.3. توزیع نیروی پلیس امنیت عمومی و نیروی پلیس ثبت خانواده

4. بحث

5. نتیجه گیری ها

منابع

قبلیچارچوب نقشه برداری بارش شدید استوایی و طغیان سیل (RETRACE): آزمایش اولیه برای سیل 2021-2022 مالزی

بعدییک رویکرد تجسم مبتنی بر کواترنیون دقیق و کارآمد برای داده های برداری 2 بعدی/3 بعدی برای نقشه واقعیت افزوده موبایل

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب