خلاصه

تهیه نقشه توزیع فضایی در مقیاس دقیق تقاضای سرپناه اضطراری برای برنامه ریزی سرپناه در هنگام بلایا بسیار مهم است. برای ارائه سرپناه برای افراد در فاصله تخلیه معقول تحت سناریوهای بلایای شبانه روزی، رویکردی را برای بررسی توزیع تقاضای سرپناه در روز و شب در مقیاس طرح با استفاده از داده های نقطه مورد علاقه (POI) تشکیل دادیم و سپس عرضه را تجزیه و تحلیل کردیم. و وضعیت تقاضای پناهگاه ها پس از شبیه سازی تخلیه ساخته شده در زبان برنامه نویسی پایتون. با در نظر گرفتن مناطق مرکزی شهر گوانگژو، چین به عنوان مطالعه موردی، نتایج نشان می دهد که تفاوت های قابل توجهی در اندازه و توزیع فضایی تقاضای سرپناه در روز و شب وجود دارد و کل تقاضا 7.929 میلیون نفر است که بسیار بیشتر از ساکنان است. جمعیت میانگین زمان تخلیه همه 16 نفر، 883 مسیر 12.6 دقیقه است و پس از تخلیه، 558 پناهگاه از 888 پناهگاه به درجات مختلف از ظرفیت خود فراتر می رود که 62.84 درصد از کل را تشکیل می دهد، که نشان می دهد پناهگاه ها نمی توانند به طور کامل تخلیه شوندگان احتمالی را دریافت کنند. روش پیشنهادی در این مقاله یک مبنای کمی مستقیم برای تعداد و اندازه منابع جدید سرپناهی که در طول فعالیت‌های نوسازی شهری برنامه‌ریزی می‌شوند، فراهم می‌کند و مرجعی برای استفاده مجدد از زمین و سازمان فضایی پیشگیری از بلایا در برنامه‌ریزی شهری آینده تشکیل می‌دهد.

کلید واژه ها:

پناهگاه اضطراری ; ارزیابی تقاضای سرپناه ; نقطه مورد علاقه شبیه سازی تخلیه ; زبان برنامه نویسی پایتون ; گوانگژو

1. معرفی

در سال 2018، 315 رویداد بلای طبیعی با 11804 مرگ، بیش از 68 میلیون نفر آسیب دیده و 131.7 میلیارد دلار خسارت اقتصادی در سراسر جهان ثبت شد. زمین لرزه ها مرگبارترین نوع بلایا بودند که 45 درصد از مرگ و میرها را به خود اختصاص دادند و پس از آن سیل با 24 درصد [ 1 ]. تلاش‌ها با هدف جلوگیری از بلایا و بهبود تاب‌آوری صورت گرفته است و ساخت پناهگاه‌های اضطراری جزء مهمی از این تلاش‌ها است [ 2 ]. شواهد از بلایا نشان می دهد که پناهگاه های اضطراری می توانند تلفات را تا حد معینی در صورت وقوع فاجعه کاهش دهند [ 3 ، 4 ]]. پناهگاه اضطراری تأسیساتی است که در آن سازمان‌های دولتی یا سازمان‌های داوطلبانه از پیش تأسیس شده ارزیابی می‌کنند و خدمات بلایای طبیعی را برای تخلیه‌شدگانی که مقصدی ندارند ارائه می‌کنند. این تسهیلات می توانند افراد را در خود جای دهند و غذا و آب و همچنین کمک های اولیه اولیه، پناهگاه حیوانات خانگی (در صورت لزوم)، حمایت بهداشتی و خدمات اولیه بلایای طبیعی را فراهم کنند [ 5 ]. مطالعات متعددی در زمینه‌هایی مانند روش‌های پشتیبانی برنامه‌ریزی پناهگاه، ارزیابی تناسب فضا، بهینه‌سازی مکان‌ها، تخصیص مواد و امکانات اضطراری، و رفتار و روان‌شناسی پناهگاه پیشرفت کرده‌اند [ 6 ، 7 ، 8 ، 9 ، 10 ، 11 .]. از آنجایی که استفاده کنندگان از پناهگاه ها شهروندان هستند، یک مسئله کلیدی در حین فعالیت احتمالی تخلیه، تعیین توزیع فضایی تخلیه شدگان احتمالی برای تقاضای سرپناه اضطراری است که مستقیماً با منطقی بودن مکان پناهگاه ها و کارایی تخلیه مرتبط است، یعنی اینکه آیا همه پناهگاه ها در شهر می تواند پناهگاهی برای افراد در فاصله و زمان تخلیه معقول در طول یک فاجعه فراهم کند [ 8 ، 9 ، 12 ].
نقشه برداری توزیع منطقه ای جمعیت، مبنایی برای تجزیه و تحلیل تقاضای سرپناه است [ 13 ، 14 ]. ارزیابی دقیق توزیع جمعیت دشوار است، زیرا جمعیت متحرک است، با تفاوت در اندازه و توزیع در زمان‌های مختلف در طول روز و شب [ 15 ]. داده های مکانی سنتی، مانند داده های پوشش زمین، به طور گسترده ای برای توصیف توزیع جمعیت استفاده شده است [ 16 ، 17 ]. با توسعه فناوری و غنای داده ها، برخی از محققان داده های بزرگ یا داده های چند منبعی را به عنوان پایه داده برای ترسیم توزیع جمعیت در مقیاس خوب گنجانده اند. موسوکس و همکاران [ 18] یک روش کالیبراسیون معکوس را برای کاهش خطاهای طبقه‌بندی نوع سقف برای پردازش داده‌های سنجش از دور با وضوح بالا پیشنهاد کرد و استفاده از این روش در ارزیابی توزیع جمعیت پتانسیل آن را برای تولید نقشه‌های سیستماتیک جمعیت، به‌ویژه در مناطقی که داده‌های سرشماری منظم وجود دارد، نشان داد. غیر قابل دسترسی. ما و همکاران [ 19 ] از داده‌های کارت هوشمند مترو برای ارزیابی تغییرات پویای ساعتی در توزیع جمعیت جامعه استفاده کرد، که می‌تواند در تخمین تعداد بالقوه تخلیه‌شدگان تحت سناریوهای مختلف فاجعه و حمایت از برنامه‌ریزی شهری آینده استفاده شود. برای تهیه نقشه توزیع جمعیت در مقیاس ساختمان، یائو و همکاران. [ 20] یک رویکرد در مقیاس پایین را برای اصلاح دقت توزیع فضایی از سطح خیابان به سطح شبکه بر اساس نقاط مورد علاقه (POI) و داده‌های تراکم کاربر پلت فرم اجتماعی بلادرنگ معرفی کرد و نتایج می‌تواند شیوه‌های ساخت و ساز شهری متعددی مانند پیشگیری از بلایا را راهنمایی کند. سیاست گذاری و بهینه سازی تخصیص منابع
برآورد تقاضای سرپناه عموماً از طریق تجزیه و تحلیل برهم نهی مناطق بالقوه متاثر از بلایا و توزیع جمعیت به دست می آید [ 7 ]. با استفاده از داده های سرشماری، چن و همکاران. [ 8 ] توزیع تراکم جمعیت برنامه‌ریزی شهری آینده را در سطح خیابان بر اساس توزیع جمعیت فعلی پیش‌بینی کرد و سپس مناطقی را که ممکن است تحت تأثیر فاجعه قرار گیرند بر اساس تحلیل ریسک شناسایی کرد. در نهایت، تقاضای سرپناه با همپوشانی نتایج دو فرآیند فوق در یک سیستم اطلاعات جغرافیایی (GIS) برآورد می‌شود. سوگیموتو و همکاران [ 21] یک سونامی ناشی از زلزله را به عنوان سناریوی مطالعاتی انتخاب کرد و مقیاس و توزیع مکانی تلفات احتمالی را با در نظر گرفتن حداکثر مناطق آبگرفتگی همراه با عواملی مانند زمان لازم برای پناه گرفتن پس از زلزله، عمق آبگرفتگی، سرعت جریان و سرعت تخلیه Vecere و همکاران [ 22 ] از ابزارهای ERGO-EQ و HAZUS-MH استفاده کرد و خطر، آسیب‌پذیری و قرار گرفتن در معرض زلزله را به عنوان پارامترهای ورودی برای تخمین تعداد جمعیت آواره و تقاضای سرپناه تعیین کرد، همراه با تجزیه و تحلیل مقایسه ای نتایج و توصیه‌هایی برای بهبود. بر اساس شرایط محلی چو و همکاران [ 23] یک سیستم برآورد تلفات بلایا مبتنی بر HAZUS (یک روش استاندارد ملی قابل اجرا که شامل مدل‌هایی برای تخمین تلفات احتمالی ناشی از زلزله، سیل و طوفان در آمریکا است) برای تجزیه و تحلیل تعداد ساختمان‌های احتمالی آسیب‌دیده و تعداد بی‌خانمان‌ها تحت شدت‌های مختلف توسعه داد. زلزله و شمارش بر اساس منطقه به دلیل عدم قطعیت بلایا، ساخت پناهگاه باید پاسخگوی نیازهای پاسخگویی به بلایا در روز و شب باشد. بر اساس تصاویر هوایی با وضوح بالا، داده‌های سرشماری و داده‌های استفاده از زمین با دقت بالا، یو و ون [ 9 ] از یک فرآیند سلسله مراتبی تحلیلی مبتنی بر GIS برای ارزیابی نیاز به پناهگاه‌ها در سناریوهای بلایای روز و شب استفاده کردند. چن و همکاران [ 13] گزارش داد که علاوه بر در نظر گرفتن زمان وقوع فاجعه، تقاضا باید با توجه به شرایط مختلف تخلیه متمایز شود. در مورد تخلیه اضطراری، تقاضا باید حداکثر تعداد افراد حاضر در روز و شب باشد. در مورد پناهندگان کوتاه مدت و بلندمدت به دلیل داشتن اطلاع کافی برای اقدامات سازمانی، تقاضا برابر با تعداد شب اقامت است. برای بهبود قابلیت پاسخگویی در محیط‌های پیچیده بلایای طبیعی، برخی از محققان تقاضای سرپناه را از دیدگاه انواع و شدت‌های مختلف بلایا ارزیابی کردند [ 8 ، 24 ].
برای درک اینکه آیا شهر می‌تواند سرپناه‌های کافی فراهم کند و افراد تخلیه‌شده را قادر به پناه گرفتن در نزدیکی کند، شبیه‌سازی تخلیه ضروری است [ 21 ]. حوزه های مختلفی مانند طرح های تخلیه [ 25 ]، روش های تصمیم گیری [ 26 ]، شیوه های حمل و نقل [ 27 ]، عوامل تأثیرگذار [ 28 ]، رفتار تخلیه [ 29 ]، تفاوت در افراد تخلیه [ 30 ] و انتخاب مسیرها [ 31 ] علاقه پژوهشی را برانگیخته است. از نظر مقیاس فضایی، برخی از محققان کل شهر را به عنوان هدف انتخاب کردند و برخی بر مناطق خاصی در داخل شهر تمرکز کردند [ 32 ، 33]. به طور کلی، تعداد کمی از مطالعات شبیه سازی تخلیه به طور مستقیم با پناهگاه اضطراری مرتبط است. مشکل کلیدی با آزمایش‌های شبیه‌سازی ایجاد رابطه بین فعالیت‌های تخلیه و محیط شهری برای پردازش داده‌های پیچیده فضایی، تأسیسات و شبکه جاده‌ای به عنوان پارامترهای اصلی است [ 34 ]. یامادا [ 35] از نظر تئوری دو روش ترافیک شبکه را برای بهینه‌سازی طرح‌های تخلیه اضطراری شهری هنگام اختصاص دادن هر ساکن به یک پناهگاه مجاور پیشنهاد کرد. روش اول شامل مدل‌سازی شهر به‌عنوان یک نمودار بدون جهت است و طرح تخلیه با حل مشکل کوتاه‌ترین مسیر در نمودار به دست می‌آید. روش دوم ظرفیت پناهگاه را به عنوان یک محدودیت در نظر می گیرد و مشکل به یک راه حل هدف محور جریان حداقل هزینه تبدیل می شود. فیلیپه و کاچپرژیک [ 36] یک الگوریتم یادگیری تکاملی برای تخصیص مسیرها و پناهگاه ها بر اساس مفروضات انصاف و بهینه جهانی، تکمیل شده با روش های اکتشافی برای حل مشکل تخلیه با ظرفیت پناهگاه محدود، توسعه داد. این روش سناریوی شبیه‌سازی عابر پیاده را در شبکه جاده‌ها در نظر می‌گیرد، تقاطع‌ها با گره‌ها مطابقت دارند و بخش‌های خیابانی که تقاطع‌ها را به هم متصل می‌کنند توسط لینک‌ها مدل‌سازی می‌شوند. نتایج شبیه سازی ارتباط نزدیکی با مفروضاتی مانند سناریوهای مختلف ترافیک و سرعت دارد. لی و هونگ [ 37] تخلیه مناطق مختلف شیب تحت یک سناریوی سیل را به عنوان موردی برای محاسبه سرعت احتمالی و فاصله تخلیه تخلیه‌شدگان هنگام انتخاب مکان‌های پناهگاه انتخاب کرد. نتایج نشان داد که فاصله تخلیه پنج دقیقه در زمین مسطح حدود 120 متر با مناطق با شیب 15 درجه متفاوت است. برای تخصیص فضایی پویا پناهگاه های شهری، یو و همکاران. [ 38 ] یک روش شبیه‌سازی مبتنی بر عامل ایجاد کرد که می‌تواند زمان تخلیه ساکنان را از مکان‌هایشان به پناهگاه‌ها تخمین بزند و ازدحام مسیرهای تخلیه را تشخیص دهد. یوان و همکاران [ 39] یک سیستم شبیه‌سازی تخلیه ترافیک را بر اساس یک مدل تصمیم‌گیری درایو چند سطحی یکپارچه پیشنهاد کرد که رفتار عامل را در یک چارچوب یکپارچه ایجاد می‌کند، و فعالیت‌های عامل‌ها توسط مدل‌های رفتاری موجود موجود که به طور گسترده در مدل‌های شبیه‌سازی راننده مختلف استفاده می‌شوند، تعیین می‌شوند. این سیستم می‌تواند از مدیران اورژانس در هنگام طراحی و ارزیابی برنامه‌های تخلیه ترافیک واقعی‌تر برای تولید بهترین طرح تخلیه پشتیبانی کند. با توسعه فن آوری های در حال ظهور، برخی از محققان شروع به تمرکز بر تخلیه هوشمند کرده اند [ 40 ، 41 ، 42 ، 43 ].
داده های جغرافیایی نقش مهمی در امداد رسانی به بلایا ایفا می کنند. در حال حاضر، اطلاعات جغرافیایی داوطلبانه (VGI) و داده‌های جمع‌سپاری مبتنی بر وب در زمینه مدیریت بلایا استفاده می‌شوند و GIS از ابزارهایی که به آگاهی موقعیتی محدود می‌شدند به ابزارهای اساسی پشتیبانی می‌شوند. توسعه و استفاده گسترده از نقشه برداری آنلاین، سنجش از دور و VGI اطلاعات لازم را در پاسخ اضطراری به تصمیم گیرندگان ارائه می دهد [ 44 ]. به طور سنتی، مدیران اورژانس دوره واکنش به بلایا را به عنوان یک دوره کور شناسایی می کردند که در آن قربانیان نیاز به اطمینان از ایمنی و امنیت خود داشتند [ 45 ]]. با توجه به جمع سپاری داوطلبانه، مردم هر زمان که یک فاجعه رخ می دهد، اطلاعات لحظه ای، بحرانی و مکانی خاص را به اشتراک می گذارند، که می تواند به مدیران اورژانس کمک کند تا اقدامات لازم را برای کاهش خطر فاجعه، افزایش آگاهی در زمان واقعی و پیش بینی جهت انجام دهند [ 46 ]. ]. در یک پروژه نقشه‌برداری بحران، محققان از داده‌های رویداد جمع‌سپاری شده از توییت‌ها و پست‌های فیس‌بوک برای تهیه نقشه بحران استفاده کردند و این عمل نشان داد که مردم از نقشه نه تنها برای گزارش‌دهی آگاهی موقعیتی از جمله چند رسانه‌ای مانند عکس‌ها و ویدیوهای کوتاه، بلکه همچنین استفاده می‌کنند. برای ارائه کمک در زمینه مواد و کمک شخصی. با این حال، VGI و جمع سپاری تغییرات چشمگیری در مدیریت اضطراری ایجاد می کنند [ 47 ].
این مطالعه از برنامه ریزی سرپناه اضطراری در چین سرچشمه گرفته است. در برنامه ریزی، تجزیه و تحلیل توزیع فضایی با دقت بالا تقاضای سرپناه را دشوار یافتیم. علاوه بر این، توزیع پناهگاه ها معمولا بر اساس شعاع خدمات بود که منجر به تردید علمی در نتایج می شود. از این رو سعی می کنیم از طریق شبیه سازی تخلیه، مبنای کمی را برای تخصیص سرپناه افزایش دهیم. در حال حاضر، مطالعات کمی روی دو موضوع فوق در مقیاس شهری متمرکز شده است. با استفاده از داده‌های POI و زبان برنامه‌نویسی پایتون، توزیع تقاضای سرپناه و وضعیت سرپناه را پس از شبیه‌سازی تخلیه در مناطق مرکز شهر گوانگژو بررسی کردیم. بقیه این مقاله به شرح زیر تنظیم شده است: بخش 2ابتدا مروری بر منطقه مورد مطالعه و توصیف انواع داده ها و پردازش داده ها ارائه می شود و سپس روش های ارزیابی تقاضای سرپناه و شبیه سازی تخلیه معرفی می شود. بخش 3 تجزیه و تحلیلی از اندازه و توزیع تقاضای سرپناه در روز و شب در مقیاس قطعه در منطقه مورد مطالعه، همراه با توزیع تخلیه‌شدگان و ظرفیت باقی‌مانده پناهگاه ارائه می‌دهد. بخش 4 کمبودها و محدودیت های این مطالعه را مورد بحث قرار می دهد. نتیجه گیری و مسیرهای کار آینده در بخش 5 ارائه شده است. امیدواریم این کار بتواند مبنای کمی مستقیم برای افزودن منابع جدید برای سرپناه ها در روند فعالیت های نوسازی شهری فراهم کند و مرجعی برای استفاده مجدد از زمین و سازمان فضایی پیشگیری از بلایا در برنامه ریزی شهری آینده باشد.

2. مواد و روشها

2.1. حوزه مطالعه و پردازش داده ها

منطقه مورد مطالعه در مرکز شهر گوانگژو (چین)، شامل مناطق لیوان، یوکسیو، تیانهه، و هایژو ( شکل 1 )، که تنها 4 منطقه از 11 منطقه در گوانگژو با نرخ شهرنشینی 100٪ هستند، واقع شده است. . مساحت کل زمین حدود 279.63 کیلومتر مربع است که 3.76٪ از کل شهر را تشکیل می دهد. Yuexiu و Liwan شهرهای قدیمی سنتی با مساحت های کوچک به ترتیب 33.8 و 59.1 کیلومتر مربع هستند . بخش های قابل توجهی در Tianhe و Haizhu تازه ساخته شده است که مناطق وسیعی به مساحت 96.33 و 90.4 کیلومتر مربع را پوشش می دهد .، به ترتیب. بر اساس داده های اداره آمار شهرداری گوانگژو، در پایان سال 2017، Tianhe با 1,679,900 نفر بیشترین جمعیت را داشت و پس از Haizhu و Yuexiu به ترتیب با 1,663,100 و 1,163,800 نفر و لیوان دارای کمترین جمعیت با 1,679,000 نفر بودند.
در این مطالعه، نوع اصلی داده مورد استفاده POI بود که از پلتفرم باز نقشه های Baidu در اوایل سال 2018 جمع آوری شد. داده های POI به 14 دسته و 524 زیرمجموعه شامل خدمات پذیرایی، مکان های دیدنی، شرکت ها، خدمات خرید، حمل و نقل تقسیم شدند. امکانات، مالی و بیمه، آموزش و فرهنگ، مسکن تجاری، خدمات زندگی، ورزش و اوقات فراغت، مراقبت های بهداشتی، سازمان های دولتی، خدمات اقامتی و امکانات عمومی که اساساً انواع امکاناتی را که شهروندان می توانند به آنها دسترسی داشته باشند را پوشش می دهند. POIها ( شکل 2 الف) در مجموع 145084 عدد بودند که هر کدام حاوی اطلاعاتی مانند نام، دسته بندی، آدرس، ناحیه و مختصات امکانات بودند. نوع دیگر داده توزیع محله های مسکونی، آپارتمان ها و خوابگاه ها است.شکل 2 ب) از یک شرکت معاملات املاک و مستغلات، ویژگی های داده شامل نام، آدرس، مختصات، تعداد ساختمان ها، تعداد خانوارها و شرکت املاک، در مجموع 4533 قطعه اطلاعات است. آمار رسمی تمرین‌کنندگان در صنایع مختلف از سالنامه‌های Liwan، Yuexiu، Tianhe و Haizhu به عنوان داده‌های کمکی استفاده شد.
برای استفاده از POI و آمار پزشکان برای پیش‌بینی تقاضای سرپناه، یعنی نمایش توزیع جمعیت شهری از طریق فعالیت‌های اقتصادی، طبقه‌بندی دو نوع داده باید در صنعت سازگار باشد. بنابراین، داده‌های POI باید بر اساس کالیبر آماری رسمی فیلتر و طبقه‌بندی شوند و فرآیند در بستر GIS تکمیل شود. در نهایت پس از طبقه بندی مجدد، 5968 POI متعلق به صنایع ثانویه و 139116 مورد مربوط به صنایع ثالثیه بود.

2.2. مواد و روش ها

2.2.1. تحلیل تقاضای سرپناه بر اساس توزیع جمعیت روز و شب

تنوع جمعیتی یک چالش در برنامه ریزی سرپناه اضطراری است، زیرا مستقیماً به این موضوع مرتبط است که آیا پناهگاه ها می توانند الزامات امداد رسانی در روز و شب در بلایای طبیعی را برآورده کنند. به‌عنوان فعال‌ترین و پرجمعیت‌ترین مناطق از نظر اقتصادی در گوانگژو، تفاوت‌های زیادی در اندازه و توزیع جمعیت روز و شب در چهار منطقه وجود دارد. محل پناهگاه‌های اضطراری باید از تخلیه‌شدگان احتمالی در برابر بلایای آب و هوایی جلوگیری کند. از منظر تحرک جمعیت، افرادی که در طول روز حضور دارند عمدتاً شامل جمعیت شاغل، جمعیت سالمند، دانش‌آموزان مقطع ابتدایی و متوسطه، دانش‌آموزان فنی و حرفه‌ای، دانش‌آموزان و بیماران بستری در بیمارستان‌های عمومی است. جمعیت سیار در طول روز عمدتاً در ایستگاه های مترو، ایستگاه های اتوبوس، ایستگاه های قطار، نقاط دیدنی، مراکز خرید بزرگ و سالن های ورزشی بزرگ. افرادی که در شب حضور دارند عمدتا ساکنان محله های مسکونی، آپارتمان ها و خوابگاه ها هستند. مسافران در هتل های زنجیره ای و ستاره دار، دانش آموزان هنرستان های فنی و حرفه ای، دانشجویان و بیماران بستری در بیمارستان های عمومی نیز حضور دارند.جدول 1 ). به دلیل جمعیت کم سیار در شب، در تحلیل تقاضای سرپناه در نظر گرفته نشد.

جمعیت بیکار و جمعیت سیار فوق در تحلیل تقاضای سرپناه شامل افراد توزیع شده در مدارس ابتدایی و متوسطه، هنرستان ها و فنی حرفه ای، دانشکده ها، بیمارستان های عمومی، مراکز خرید بزرگ، سالن های ورزشی، نقاط دیدنی، زنجیره ای برند و هتل های ستاره دار، مترو. ایستگاه‌ها، ایستگاه‌های اتوبوس و ایستگاه‌های قطار، که برای آن‌ها از دو نوع منبع داده برای تجزیه و تحلیل اندازه جمعیت و توزیع استفاده کردیم. اولین مورد، داده های سالنامه آماری گوانگژو و هر منطقه بود که تعداد دانش آموزان در مدارس و تعداد تخت های بیمارستانی را ارائه می کرد. دوم، از آنجایی که اعداد در ایستگاه‌های مترو، ایستگاه‌های مسافربری، مگامال‌ها و برخی امکانات دیگر را نمی‌توان به‌طور دقیق در هر مکان تعیین کرد، ما میانگین ارزش داده‌های منتشر شده توسط ادارات، موسسات دولتی را اتخاذ کردیم. یا شرکت‌ها، از جمله داده‌های جریان مسافران مترو، تعداد مسافران در ایستگاه‌های حمل و نقل، ورود گردشگران و غیره. که در منطقه مورد مطالعه 2.75 نفر به ازای هر خانواده است بر اساس بولتن داده های اصلی سال 2015 ملی 1% جمعیت نمونه برداری در گوانگژو منتشر شده در سال 2016. جمعیت صنعتی اکثریت قریب به اتفاق جمعیت روزانه را تشکیل می دهد. اندازه و توزیع فضایی آن با تعداد POI در قطعه ها و داده های کارکنان طبقه بندی شده بر اساس نوع صنعت در سالنامه های آماری برآورد شد که در یک پلت فرم GIS به شرح زیر محاسبه شد: ورود گردشگر و غیره. به عنوان نسبت اصلی جمعیت شبانه، تعداد ساکنان هر قطعه بر اساس تعداد خانوارهای آن و میانگین اندازه خانوارهای خانواده برآورد شد که در منطقه مورد مطالعه بر اساس بولتن داده های اصلی 2.75 نفر به ازای هر خانواده است. در سال 2015، بررسی نمونه‌گیری 1% جمعیت ملی در گوانگژو در سال 2016 منتشر شد. جمعیت صنعتی اکثریت قریب به اتفاق جمعیت روزانه را تشکیل می‌دهند. اندازه و توزیع فضایی آن با تعداد POI در قطعه ها و داده های کارکنان طبقه بندی شده بر اساس نوع صنعت در سالنامه های آماری برآورد شد که در یک پلت فرم GIS به شرح زیر محاسبه شد: ورود گردشگر و غیره. به عنوان نسبت اصلی جمعیت شبانه، تعداد ساکنان هر قطعه بر اساس تعداد خانوارهای آن و میانگین اندازه خانوارهای خانواده برآورد شد که در منطقه مورد مطالعه بر اساس بولتن داده های اصلی 2.75 نفر به ازای هر خانواده است. در سال 2015، بررسی نمونه‌گیری 1% جمعیت ملی در گوانگژو در سال 2016 منتشر شد. جمعیت صنعتی اکثریت قریب به اتفاق جمعیت روزانه را تشکیل می‌دهند. اندازه و توزیع فضایی آن با تعداد POI در قطعه ها و داده های کارکنان طبقه بندی شده بر اساس نوع صنعت در سالنامه های آماری برآورد شد که در یک پلت فرم GIS به شرح زیر محاسبه شد: که در منطقه مورد مطالعه 2.75 نفر به ازای هر خانواده است بر اساس بولتن داده های اصلی سال 2015 ملی 1% جمعیت نمونه برداری در گوانگژو منتشر شده در سال 2016. جمعیت صنعتی اکثریت قریب به اتفاق جمعیت روزانه را تشکیل می دهد. اندازه و توزیع فضایی آن با تعداد POI در قطعه ها و داده های کارکنان طبقه بندی شده بر اساس نوع صنعت در سالنامه های آماری برآورد شد که در یک پلت فرم GIS به شرح زیر محاسبه شد: که در منطقه مورد مطالعه 2.75 نفر به ازای هر خانواده است بر اساس بولتن داده های اصلی سال 2015 ملی 1% جمعیت نمونه برداری در گوانگژو منتشر شده در سال 2016. جمعیت صنعتی اکثریت قریب به اتفاق جمعیت روزانه را تشکیل می دهد. اندازه و توزیع فضایی آن با تعداد POI در قطعه ها و داده های کارکنان طبقه بندی شده بر اساس نوع صنعت در سالنامه های آماری برآورد شد که در یک پلت فرم GIS به شرح زیر محاسبه شد:

پw=(نمنj×اسjنj)+(ممنj×تیjمj)

جایی که پwتعداد کل شاغلین در صنایع ثانویه و ثالثیه یک قطعه معین است .نمنjتعداد POI های مربوط به دسته j در صنعت دوم نمودار i است . اسjتعداد شاغلین مربوط به دسته j در صنایع ثانویه است. نjتعداد کل POI های مربوط به دسته j در صنعت دوم است. ممنjتعداد POI های مربوط به رده j در صنعت سوم قطعه i است . تیjتعداد شاغلین مربوط به رده j در صنعت عالی است. و مjتعداد کل POI های مربوط به دسته j در صنعت سوم است.

به طور کلی، اگر بتوان از عملیات مستمر و کارآمد فعالیت‌های تخلیه و نجات پس از یک فاجعه اطمینان حاصل کرد، می‌توان تقاضای سرپناه را در کوتاه‌مدت، میان‌مدت و بلندمدت بر اساس ساکنان پیش‌بینی کرد [ 13 ]. از منظر رفتار و ترجیح تخلیه، اگر پناه بردن به پناهگاه های رسمی تعیین شده ضروری است، اقامت در یک محیط آشنا، حفاظت از اموال خانواده و اقدام با خانواده یا دوستان ملاحظات اصلی است [ 48 ، 49 ، 50 ].]. این ملاحظات نشان می دهد که ارائه سرپناه های ثابت با شرایط اسکان برای رفع نیازهای سرپناهی ساکنین دارای عقلانیت خاصی است. با این حال، برخی شرایط خاص ممکن است ایجاد شود، مانند بلایای بسیار جدی، قابلیت‌های ناپایدار امدادرسانی در بلایای طبیعی و عدم توانایی تخلیه کامل به پناهگاه‌های ثابت در میان‌مدت و بلندمدت در مدت زمان کوتاه. بنابراین تمامی سرپناه هایی که شرایط اسکان کوتاه مدت دارند باید برای پناهگاه شبانه در اختیار مهاجران قرار گیرد. سپس، پناهگاه‌های کوتاه‌مدت ثابت در اولویت این مواقع برای بهبود سطح پوشش در سناریوهای بلایای شبانه روزی و شبانه خواهند بود. در این زمان تقاضای سرپناه باید بر اساس حداکثر جمعیت قطعات در شبانه روز باشد و به صورت زیر بیان شود:

Dهمترآnد=∑من=1nمآایکس[پoپدآyمن، پoپnمنgساعتتیمن]

که در آن تقاضا تعداد پناهندگان بالقوه در پناهگاه های ثابت است. پoپدآyمنتعداد جمعیت های روزانه در نمودار i است . و پoپnمنgساعتتیمنتعداد جمعیت های شبانه در نمودار i است.

2.2.2. شبیه سازی تخلیه با استفاده از تحلیل شبکه در GIS و زبان برنامه نویسی پایتون

تعادل عرضه و تقاضا در پناهگاه های اضطراری برای عملکرد موثر کاهش بلایا در هنگام بلایا و در ارزیابی ظرفیت خدمات پناهگاه مهم است. در شیوه‌های سنتی برنامه‌ریزی سرپناه، عرضه و تقاضا عموماً توسط مناطق متعادل می‌شوند که به ندرت در خیابان‌ها دیده می‌شود. مشکلی که به وجود می آید این است که احتمال اینکه عرضه و تقاضا در مناطق کوچک خاصی در داخل شهر نامتعادل باشد زیاد است و شکاف خدمات می تواند زیاد باشد. بنابراین، ما با هدف ایجاد یک مدل شبیه‌سازی تخلیه بین تخلیه‌شدگان و پناهگاه‌ها، سعی در ساده‌سازی و اجرای فعالیت‌های پیچیده و پویا تخلیه کردیم. در اصل، شبیه‌سازی تخلیه مشکل تخصیص تخلیه‌کننده را از ابتدا تا مقصد حل می‌کند. که می تواند به عنوان یک مسئله تخصیص چند هدفه نیز درک شود. قطعاتی که افراد تخلیه شده در آن قرار دارند، نقاط تقاضا (شروع) هستند و قطعاتی که پناهگاه ها در آن قرار دارند، مقصد هستند.شکل 3 نشان می دهد که برخی از نقاط تقاضا توسط چندین پناهگاه در دسترس پوشش داده شده است. یک پناهگاه ممکن است چندین نقطه تقاضا را نیز پوشش دهد. به عنوان مثال، پناهگاه های A، B، C، D، E، F و G، همگی بیش از یک نقطه تقاضا را ارائه می دهند. اهداف مدل شبیه سازی به شرح زیر است:
(1)
برای پناهگاه هایی که بیش از ظرفیت خود هستند، برای محاسبه زمان مورد نیاز زمانی که ظرفیت به حداکثر می رسد.
(2)
پناهگاه هدف هر نقطه تقاضا و تعداد افراد تخلیه شده از نقطه تقاضا به پناهگاه.
(3)
برای آن پناهگاه هایی که ظرفیت آنها بیش از حد مجاز نیست، زمان مورد نیاز برای توقف پذیرش افراد تخلیه شده است.
(4)
تعداد کل افراد تخلیه شده در هر پناهگاه و تعداد باقیمانده تخلیه شده ای که پناهگاه ها هنوز می توانند در خود جای دهند.
ملاحظات اساسی و تنظیم پارامترهای مدل به شرح زیر است:
(1)
تخلیه‌شدگان در مسیرهای تخلیه حرکت می‌کنند، بنابراین فواصل خطی با فواصل واقعی جایگزین می‌شوند که با ساخت مدل ماتریس هزینه فاصله بر اساس GIS به دست می‌آید.
(2)
در انتخاب پناهگاه های هدف، اصل کلی این است که پناهگاه ها در نزدیکی قرار گیرند. هر چه پناهگاه نزدیک‌تر باشد، تعداد بیشتری از افراد تخلیه می‌شوند، اما نه تنها در یک پناهگاه. در شبیه‌سازی، افرادی که در هر نقطه تقاضا تخلیه می‌شوند، بدون توجه به رفتارهای پیچیده‌ای مانند سرپناه در محل، پناه بردن به مکان‌های نامشخص و سفر به پناهگاه‌های دیگر، در یک فاصله معقول به پناهگاه‌های تعیین‌شده متعددی اختصاص داده می‌شوند.
(3)
شبکه راه های تخلیه بدون توجه به عوامل مسدود کننده غیرمنتظره مسیرها پس از وقوع فاجعه ایمن و قابل اعتماد است.
عرض موثر مسیرهای تخلیه، فضای اشغال شده توسط عابران پیاده و سرعت حرکت افراد تخلیه شده در هنگام حادثه به شرح زیر تعیین می شود:
طبق آئین نامه چینی طراحی مهندسی راه شهری (بازبینی شده در سال 2016) (CJJ 37-2012)، عرض پیاده رو شهری باید 3 تا 5 متر باشد و عرض متوسط ​​معمولاً حدود 4 متر است. با توجه به فضای مورد نیاز تاسیسات قطب و فضاهای سبز (حدود 1 متر عرض)، عرض واقعی موجود برای عابران پیاده فشرده می شود. بنابراین میانگین عرض موثر مسیرهای تخلیه در مدل 3 متر تعیین شد.
از نظر فضای اشغال شده توسط عابران پیاده، آیین نامه طراحی مهندسی راه شهری (تجدیدنظر شده در سال 2016) (CJJ 37-2012) نشان می دهد که عرض گروهی از عابران پیاده در پیاده رو 0.75 متر است. در شرایط غیر تماسی، فضای اشغال شده توسط عابران پیاده تقریباً یک منطقه دایره ای با قطر 0.6-0.92 متر (میانگین حدود 0.75 متر) است. هنگامی که میانگین فاصله بین عابران پیاده 1.22-1.34 متر است، آنها می توانند آزادانه بدون مزاحمت دیگران حرکت کنند [ 51 ]]. بنابراین، از آنجایی که مسیرهای تخلیه باید تا حد امکان پذیرای افراد تخلیه شوند و برای اطمینان از تخلیه ایمن (عدم ازدحام، لگدمال کردن و غیره) فاصله افقی بین عابران پیاده را 0.75 متر و فاصله طولی را 1.34 متر تعیین می کنیم. سپس بر اساس یک مسیر موثر به عرض 3 متر، فضای افقی می تواند 4 نفر را به طور همزمان در خود جای دهد.
سرعت راه رفتن مردان و زنان بالغ چینی عمدتاً بین 1 تا 1.3 متر بر ثانیه متمرکز است [ 51 ]. هنگامی که یک فاجعه رخ می دهد، سرعت به طور کلی سریع تر است. از طریق یک آزمایش تخلیه، فن دریافت که در مواقع اضطراری، میانگین سرعت سفر ساکنان از محل خود به پناهگاه های مجاور حدود 2.15 متر بر ثانیه است [ 52 ]. بر این اساس، میانگین سرعت سفر افراد تخلیه شده در مدل 2.15 متر بر ثانیه تعیین شد و تفاوت بین گروه ها در نظر گرفته نشد.
شبیه سازی تخلیه در سه مرحله اصلی به دست آمد:
مرحله 1: با استفاده از روش تحلیل شبکه در ArcGIS، یک مجموعه داده شبکه حاوی نقاط تقاضا، منابع موجود برای پناهگاه ها و شبکه جاده ایجاد شد و سپس ماتریس هزینه OD با استفاده از Model Builder ساخته شد. عناصر ورودی شبکه جاده، نقاط تقاضا و سرپناه بودند. و عناصر خروجی فواصل تخلیه بودند.
نتیجه این مرحله نشان دهنده مسیرهای مستقیم از هر نقطه تقاضا به هر نقطه پناه بود. سپس، جدول ویژگی های ماتریس مسیر را به عنوان یک فایل txt صادر کردیم و آن را به صورت UTF-8 کدگذاری کردیم.
مرحله 2: با توجه به اهداف، ملاحظات و تنظیمات پارامتر مدل، نتایج مرحله 1 بیشتر با استفاده از زبان برنامه نویسی پایتون پردازش شد. نتایج شامل اطلاعات کلیدی مانند محل نگهداری و زمان تخلیه افراد تخلیه شده است.
در این مرحله عمدتاً اطلاعات مورد نیاز در فایل txt را از مرحله 1 برای محاسبات تکراری استخراج کردیم. تمام نقاط تقاضا بدون توجه به ظرفیت پناهگاه ها، افراد تخلیه شده را به طور همزمان به پناهگاه های اطراف خود اختصاص دادند. نتایج به صورت چندین فایل با فرمت xls خروجی شد.
مرحله 3: ما نتایج مرحله 2 را به صورت آماری تجزیه و تحلیل کردیم. نتایج جزئی (فایل های با فرمت xls) برای تجزیه و تحلیل آماری فضایی به ArcGIS وارد شدند و نتایج در صورت نیاز بیشتر تجسم شدند. وضعیت عرضه و تقاضای پناهگاه ها پس از شبیه سازی تخلیه در زیر ارائه شده است.

3. نتایج

3.1. توزیع و اندازه تقاضای سرپناه

شکل 4توزیع و اندازه جمعیت شبانه روزی را نشان می دهد. جمعیت به طور کلی از ساکنان و جمعیت شناور تشکیل شده است. علاوه بر جمعیت شاغل در صنایع مختلف، افرادی که در طول روز حضور دارند، شامل سالمندان، دانش‌آموزان مقطع ابتدایی و راهنمایی، هنرستان‌های فنی و حرفه‌ای، دانش‌آموزان و بیماران بستری در بیمارستان‌های عمومی می‌شود که تعداد سالمندان با استفاده از نسبت در جامعه تخمین زده شدند که بر اساس بولتن داده های اصلی سال 2015 بررسی نمونه گیری ملی 1 درصد جمعیت در گوانگژو که در سال 2016 منتشر شد، 7.9٪ است. انواع دیگر داده های جمعیتی از سالنامه های آماری هر منطقه به دست آمد. در طول روز، جمعیت شناور شامل افرادی است که در ایستگاه های مسافربری، نقاط دیدنی، مگامال ها، توزیع شده اند. و سالن های ورزشی بزرگ جمعیت در شب عمدتاً افراد ساکن در محله‌های مسکونی، آپارتمان‌ها و خوابگاه‌ها و سایر ساکنان مانند مسافران تجاری در هتل‌های زنجیره‌ای و ستاره‌دار، دانشجویان مدارس فنی و حرفه‌ای، دانشجویان مؤسسات آموزش عالی و بیماران بستری در بیمارستان‌های عمومی هستند. به دلیل کوچکتر بودن جمعیت های متحرک در شب، آنها از تجزیه و تحلیل حذف شدند.
به طور کلی، شب از نظر تفاوت اندازه جمعیت و عدم تعادل بین کرت ها بارزتر از روز است. جدول 2نشان می دهد که جمعیت در لیوان کمترین میزان در طول روز است، که نشان می دهد تعداد کارکنان آن کم است. جمعیت در Tianhe، Haizhu، و Yuexiu بزرگ و نسبتا نزدیک است، که نشان می دهد تفاوت های کمی در تعداد کارمندان در هر منطقه وجود دارد. از نظر جمعیت شبانه، هایزو بیشترین و لیوان کمترین را دارند که ارتباط مستقیمی با تعداد ساکنان دارد. با قضاوت از تغییر جمعیت شبانه روزی، هایزو بیشترین تفاوت را دارد که به 460000 نفر می رسد، که نشان می دهد جمعیت آن در منطقه متحرک است و تفاوت ها در سایر ولسوالی ها مشهود نبود. از منظر تعداد کرت‌های با جمعیت زیاد، کرت‌ها در روز 1305 قطعه است که نسبت به 785 قطعه در شب به‌طور معنی‌داری بیشتر است.
شکل 5 تغییر جمعیت روز و شب کرت ها را نشان می دهد (تعداد افراد در روز منهای تعداد در شب). از نظر شدت تغییر، تغییرات جمعیت در هایزو، لیوان و تیانهه بیشتر است، در حالی که جمعیت روز و شب در یوکسیو اساساً یکسان است. از نظر ارزش شدید تغییر، جمعیت در قطعات جزئی در Tianhe به طور قابل توجهی بین روز و شب متفاوت است. پس از تجزیه و تحلیل آماری فراوانی مقدار تغییر، متوجه شدیم که اکثر نمودارها دارای یک مقدار تغییر بین 0 تا 2000 و به دنبال آن نمودارهایی با مقدار تغییر بین 2000- تا 0 هستند. قطعات باقیمانده با مقدار تغییر آشکار آنهایی بودند که بین -4000 تا -2000، 2000 تا 4000، و -6000 تا -4000 توزیع شدند.
اگرچه اندازه کلی جمعیت شبانه بزرگتر از روز است، اما آمار دقیق هر منطقه نشان می دهد که تعداد قطعات با حداکثر جمعیت در طول روز بیشتر از شب است ( جدول 3).). 284، 45، 92 و 99 قطعه دیگر با جمعیت بیشتر در روز به ترتیب در هایزو، لیوان، تیانهه و یوکسیو وجود دارد که عمدتاً در مناطق تجاری، تجاری و اداری توزیع می شوند. بنابراین، این قطعات باید به عنوان منطقه کلیدی در برنامه ریزی پناهگاه در نظر گرفته شوند. اگر از جمعیت شبانه برای تقاضای سرپناه استفاده شود، مکان‌های سرپناه در چنین مناطقی نمی‌توانند در هنگام وقوع فاجعه در طول روز فضای کافی را برای تخلیه‌شدگان اطراف فراهم کنند، که باز هم ضرورت ارزیابی تقاضای سرپناه بر اساس جامع را نشان می‌دهد. الزامات امداد رسانی در روز و شب در بلایای طبیعی
برای تأمین سرپناه برای افراد تخلیه شده هم در روز و هم در شب، تقاضای سرپناه با اعمال مقادیر بالای جمعیت شبانه روزی در قطعه ها تعیین شد و توزیع نهایی تقاضای سرپناه در شکل 6 نشان داده شده است . تقاضای کل حدود 7.93 میلیون نفر است، از جمله در هایزو، لیوان، تیانهه و یوکسیو، به ترتیب با 2.36، 1.26، 2.39 و 1.91 میلیون نفر. کل تقاضا 2.45 میلیون بیشتر از جمعیت ساکن (5.48 میلیون) در منطقه مورد مطالعه است که نشان می دهد جمعیت تحرک منطقه ای قوی دارد و شکاف جدی بین ظرفیت سرپناه و تعداد بالقوه تخلیه شده وجود دارد. شکل 6نشان می دهد که تقاضای سرپناه در Tianhe و Yuexiu، که دارای عملکردهای خدمات شهری فراوان هستند، به طور قابل توجهی بیشتر از دو منطقه دیگر است. در مناطق قدیمی شهری به دلیل ضعیف شدن کارکردها و کاهش موقعیت های شغلی، تقاضا نسبت به مناطق جدید توسعه یافته کمتر است.

3.2. شبیه سازی تخلیه

مناطق ساخته شده و مناطق با توابع بالغ و جمعیت متمرکز در چهار ناحیه بیشتر به عنوان منطقه هدف برای شبیه سازی انتخاب شدند، با مساحت کل 177.92 کیلومتر مربع . برای ساخت یک پایگاه داده اولیه، قطعات با افراد تخلیه شده و منابع موجود برای پناهگاه ها به نقاط تبدیل شدند. نقاط تقاضا شامل اطلاعات اندازه افراد تخلیه شده است و اطلاعات منطقه موثر پناهگاه در نقاط پناهگاه موجود بود.
اولین مرحله در تحلیل ماتریس هزینه OD در ArcGIS اطلاعات مسیرهای تخلیه بین نقطه شروع و مقصد را تولید می کند، از جمله نام مسیر، شناسه نقطه شروع (نقطه تقاضا)، شناسه مقصد (پناهگاه)، رتبه بندی مسیر، فاصله مسیر و فاصله خطی. همانطور که در جدول 4 نشان داده شده است. “موقعیت” در مقابل “نام مسیر” نشان دهنده نقطه شروع و “مکان” دوم نشان دهنده مقصد است. از آنجایی که نتایج تمام مسیرها از هر نقطه تقاضا تا هر پناهگاه را پوشش می‌دهد و شبیه‌سازی تخلیه نیازمند مسیرهای سریع و در دسترس در فاصله معقول برای تخلیه‌شدگان است، نتایج باید با توجه به فاصله تخلیه واقعی فیلتر شوند. کد چینی برای طراحی پناهگاه تجمعی اضطراری کاهش بلایا (GB51143-2015) تصریح می کند که فاصله تخلیه پناهگاه های کوتاه مدت ثابت باید در 1000 متر باشد. در یک آزمایش تخلیه، فن دریافت که فاصله تخلیه نباید از 200 متر فاصله پیشنهادی در کد [ 52 ] تجاوز کند.]. شبیه‌سازی تخلیه وضعیت تخلیه نقطه به نقطه را توصیف می‌کند، جایی که افرادی که باید تخلیه شوند در نقطه تقاضا متمرکز می‌شوند و پناهگاه نیز به عنوان یک نقطه ساده‌سازی می‌شود. با توجه به وجود فاصله معین از نقطه شروع و مقصد تا مرز قطعه، معیار فیلترینگ فاصله مسیر در جدول 4 برابر با 1200 متر تعیین شد.
جدول 4 مسیرهای تخلیه را برای شبیه سازی نشان می دهد، از جمله اینکه کدام پناهگاه های هدف در اطراف نقطه تقاضا و کوتاه ترین مسیر برای رسیدن به این پناهگاه ها موجود است. سپس، مدل شبیه‌سازی تخلیه ساخته‌شده توسط زبان برنامه‌نویسی پایتون، با فراخوانی اطلاعات مسیر، محاسبه انتساب و زمان تخلیه را انجام می‌دهد. جدول 5اطلاعات پس از تخلیه شامل رتبه بندی مسیر، طول مسیر، تعداد افراد تخلیه شده در هر مسیر و زمان تخلیه مورد نیاز را ارائه می دهد. در شرایط عادی، چندین پناهگاه در اطراف یک نقطه تقاضا در دسترس است و تعداد پناهندگان تخلیه شده به این پناهگاه ها و زمان مورد نیاز متفاوت است که عمدتاً به طول مسیر تخلیه و تعداد افراد تخلیه شده مربوط می شود. آمار نشان می دهد که میانگین زمان تخلیه تمام 16883 مسیر حدود 12.6 دقیقه و کوتاه ترین زمان تخلیه در 1 دقیقه است. با این حال، به دلیل تعداد زیاد افراد در برخی از قطعات، زمان تخلیه در چند مسیر بیش از 3 ساعت است، که نشان می دهد شکاف بزرگی در مکان های پناهگاه در اطراف برخی از نقاط تقاضا وجود دارد. به طور کلی، زمان تخلیه بیشتر مسیرها بین 6 تا 15 دقیقه است.شکل 7 ).
هر پناهگاه حداکثر ظرفیت را دارد. نتایج شبیه‌سازی نشان داد که چند نفر از هر نقطه تقاضا به پناهگاه‌های اطراف تخلیه شدند. مجموع افرادی که از طریق مسیرهای متعدد تخلیه به همان پناهگاه منتقل شده اند، تعداد نهایی تخلیه شدگان پذیرفته شده توسط پناهگاه است. در مقایسه با ظرفیت پناهگاه، می توان مشخص کرد که آیا پناهگاه می تواند افراد بیشتری را در خود جای دهد یا اینکه از ظرفیت خود فراتر رفته است و میزان مشخصی که از این تعداد فراتر می رود، مشخص می شود. جدول 6اطلاعات تخلیه و ظرفیت چندین منبع معمولی موجود برای پناهگاه ها را پس از شبیه سازی تخلیه نشان می دهد. طبق آمار، 558 پناهگاه از 888 پناهگاه به درجات مختلف از ظرفیت خود فراتر می روند که 62.84 درصد از کل را تشکیل می دهد، که همچنین نشان دهنده این است که پناهگاه های بسیار کمی در فاصله معقول در اطراف بسیاری از نقاط تقاضا هنگام وقوع یک فاجعه جدی وجود دارند.
همانطور که در شکل 8 نشان داده شده است، جدول 6 با استفاده از شناسه نقطه پناهگاه برای تجسم توزیع فضایی پناهجویان پذیرفته شده در هر پناهگاه پس از تخلیه، به ArcGIS وارد شد .. نقاط رنگی پناهگاه هایی هستند که در شبیه سازی افراد تخلیه شده را پذیرفته اند و رنگ های مختلف نشان دهنده تعداد متفاوتی از افراد تخلیه شده است. توزیع تخلیه شده دارای چندین ویژگی است. اول، به دلیل منابع کمتر در دسترس برای پناهگاه ها در مناطق قدیمی شهری در لیوان، یوکسیو و هایزو، نقاط زرد و قرمز زیاد است که نشان می دهد میانگین تعداد افراد تخلیه شده در پناهگاه ها زیاد است. دوم، نقاط سبز بیشتر در امتداد رودخانه های اصلی نشان می دهد که افراد کمتری به اینجا پناه می برند، که ممکن است ناشی از تراکم کم جمعیت در حاشیه رودخانه و داشتن فضای سبز بیشتر باشد. سوم، بسیاری از نقاط سبز در مناطق تازه ساخته شده شرقی هایزو و تیانه قابل مشاهده است.
وضعیت نهایی پناهگاه ها در شکل 9 نشان داده شده استپس از اتمام تخلیه یک نقطه قرمز نشان می دهد که تعداد افراد تخلیه شده به پناهگاه از حداکثر ظرفیت فراتر رفته است، همچنین نشان می دهد که تقاضای پناهگاه در زمان فاجعه برآورده نخواهد شد. برعکس، نقطه سبز نشان می دهد که این پناهگاه ها بزرگ هستند و می توانند افراد بیشتری را برای پناهندگی بپذیرند. به طور کلی، عدم تعادل جدی در توزیع و اندازه پناهگاه ها در چهار منطقه، به ویژه در لیوان، یوکسیو، و هایزو وجود دارد. نقاط قرمز بیشتر در مناطق مرکزی و غربی منطقه شبیه‌سازی‌شده نشان می‌دهد که این مکان‌ها عمدتاً به دلیل اینکه این مکان‌ها مناطق قدیمی شهری سنتی هستند با کمبود جدی تامین سرپناه مواجه هستند. یک راه حل ممکن اضافه کردن منابع جدید برای پناهگاه ها در ترکیب با فعالیت های نوسازی شهری آینده است. در منطقه شرق،
همانطور که در جدول 7 نشان داده شده است، از آمارهای اضافی برای تجزیه و تحلیل عرضه و تقاضا برای سرپناه در هر منطقه استفاده شد. از نظر پناهگاه هایی که بیش از ظرفیت خود هستند، هایزو با 1.62 میلیون نفر بزرگ ترین پناهگاه است که عمدتاً در مناطق قدیمی شهری در غرب متمرکز شده اند و به دنبال آن یوکسیو، تیانهه و سپس لیوان قرار دارند. هایزو بزرگترین منطقه پناهگاه موثر را فراهم می کند، اما با توجه به توزیع نابرابر منابع برای پناهگاه ها، ظرفیت پناهگاه ها در مناطق مختلف متفاوت است. به طور کلی پناهگاه ها در مناطق مرکزی و غربی بیش از ظرفیت هستند، در حالی که پناهگاه های شرقی به دلیل اندازه متوسط ​​بزرگتر دارای ظرفیت باقیمانده هستند. پناهگاه های Tianhe می توانند افراد بیشتری را با 890000 نفر و به دنبال آن هایزو و یوکسیو در اختیار داشته باشند. Tianhe و بخش شرقی Haizhu، به عنوان مناطق جدید توسعه یافته، دارای پوشش فضای سبز بیشتری هستند، بنابراین پناهگاه ها در این مناطق نیز ظرفیت باقیمانده بیشتری دارند. ظرفیت باقیمانده در Tianhe در خارج از منطقه تجاری مرکزی مرکزی (CBD) و ظرفیت Haizhu عمدتا در بخش شرقی توزیع شده است. به طور کلی، پناهگاه های زیادی در هر منطقه وجود دارد که یا از حداکثر ظرفیت فراتر می رود یا از آن فراتر نمی رود، که نشان می دهد عدم تعادل بین عرضه و تقاضای سرپناه ها در داخل ولسوالی ها گسترده است. در آینده باید منابع جدید در نزدیکی سوله های دارای ظرفیت اضافه شود و یا ظرفیت پناهگاه های موجود افزایش یابد.

4. بحث

در زمینه امداد رسانی در بلایا، تعیین دقیق توزیع فضایی جمعیت چالش برانگیز است. در تجزیه و تحلیل تقاضای سرپناه، توزیع جمعیت در طول روز و شب را با استفاده از داده‌های POI و ساختمان‌های مسکونی با اطلاعات خانوار ارزیابی کردیم. ساکنان اکثریت جمعیت شب را تشکیل می دهند و جمعیت متحرک آنقدر کم است که ما توزیع جمعیت در شب را تنها با استفاده از داده های ساختمان مسکونی با خطای نسبتا قابل قبول ارزیابی کردیم. افراد شاغل سهم اصلی جمعیت روزانه را تشکیل می دهند، اما جمعیت سیار و سایر افراد بیکار نیز سهم زیادی را تشکیل می دهند. در محاسبات، همراه با آمار رسمی پزشکان، از یک روش ارزش میانگین برای تخمین اندازه جمعیت هر POI استفاده شد. و سپس اندازه جمعیت را در هر قطعه با توجه به POIهای موجود در قطعه جمع کردیم. برای یک نوع POI، تفاوت مقیاس بین POI های فردی ممکن است زیاد باشد، بنابراین اندازه جمعیتی که آنها نشان می دهند باید متفاوت باشد، که منجر به خطاهای بزرگ در برخی نمودارها می شود. با این حال، برای مناطق مرکزی شهر یک شهر بزرگ مانند گوانگژو، با جمعیت عظیم و متحرک، داده‌ها و روش‌هایی که می‌توان برای نقشه‌برداری توزیع جمعیت با دقت بالا استفاده کرد، محدود است. از نظر دشواری اکتساب داده ها، POI ها در سطح فنی نسبتاً آسان هستند. اگرچه خطاهای خاصی در داده‌ها وجود دارد، POI داده‌های معناداری برای تجزیه و تحلیل توزیع جمعیت روزانه شهری ارائه می‌کند. در آینده، برای بهبود قابلیت اطمینان نتایج،
در شبیه‌سازی تخلیه در این مطالعه، فرض کردیم که تقاضای سرپناه در هر قطعه در مرکز هندسی قطعه متمرکز شده و پناهگاه‌ها به عنوان نقاط تعیین شده‌اند. بنابراین، شبیه سازی به یک مسئله تخصیص چند هدفه نقطه به نقطه ساده شده تبدیل شد. در واقع، فاصله معینی بین دو نوع نقطه و مرز طرح وجود دارد. از آنجایی که مقیاس فضایی نمی تواند شامل جاده های درون طرح باشد، خط عمود از نقطه تا مرز به عنوان این فاصله تعیین می شود. این عمودها در مسیرهای تخلیه نیز نقش دارند. شبیه سازی محیط ترافیک خرد طرح را در نظر نگرفت. در صورت تلاش برای تکمیل یک طرح تخلیه، مردم باید از مکان های خود در امتداد مسیرهای واقعی پناه ببرند. و نتایج فاصله تخلیه دقیق و اطلاعات زمان مورد نیاز را ارائه می‌کند، اما داده‌های مورد استفاده در این مطالعه نمی‌توانند مکان افراد را به طور دقیق شناسایی کنند. علاوه بر این، ما فرض کردیم که افراد هر قطعه در مرکز هندسی قرار دارند و آماده تخلیه هستند، بدون در نظر گرفتن فاکتورهای فاصله و زمان برای تخلیه از داخل ساختمان به محوطه بیرونی، که ممکن است منجر به دست کم گرفتن شود. از زمان تخلیه به درجات مختلف. هدف از این مطالعه بررسی این موضوع بود که آیا عرضه و تقاضای سرپناه در مقیاس فضایی منطقه اصلی شهری می‌تواند تعادل را در فاصله تخلیه معقول حفظ کند، بنابراین پرداختن به مشکل تخلیه ساختمان در سطح میکروسکوپی خارج از حوزه بود. این مطالعه. اما داده های مورد استفاده در این مطالعه نمی تواند مکان افراد را به درستی شناسایی کند. علاوه بر این، ما فرض کردیم که افراد هر قطعه در مرکز هندسی قرار دارند و آماده تخلیه هستند، بدون در نظر گرفتن فاکتورهای فاصله و زمان برای تخلیه از داخل ساختمان به محوطه بیرونی، که ممکن است منجر به دست کم گرفتن شود. از زمان تخلیه به درجات مختلف. هدف از این مطالعه بررسی این موضوع بود که آیا عرضه و تقاضای سرپناه در مقیاس فضایی منطقه اصلی شهری می‌تواند تعادل را در فاصله تخلیه معقول حفظ کند، بنابراین پرداختن به مشکل تخلیه ساختمان در سطح میکروسکوپی خارج از حوزه بود. این مطالعه. اما داده های مورد استفاده در این مطالعه نمی تواند مکان افراد را به درستی شناسایی کند. علاوه بر این، ما فرض کردیم که افراد هر قطعه در مرکز هندسی قرار دارند و آماده تخلیه هستند، بدون در نظر گرفتن فاکتورهای فاصله و زمان برای تخلیه از داخل ساختمان به محوطه بیرونی، که ممکن است منجر به دست کم گرفتن شود. از زمان تخلیه به درجات مختلف. هدف از این مطالعه بررسی این موضوع بود که آیا عرضه و تقاضای سرپناه در مقیاس فضایی منطقه اصلی شهری می‌تواند تعادل را در فاصله تخلیه معقول حفظ کند، بنابراین پرداختن به مشکل تخلیه ساختمان در سطح میکروسکوپی خارج از حوزه بود. این مطالعه. ما فرض کردیم که افراد هر قطعه در مرکز هندسی قرار دارند و آماده تخلیه هستند، بدون در نظر گرفتن فاکتورهای فاصله و زمان برای تخلیه از داخل ساختمان به محوطه بیرونی، که ممکن است منجر به دست کم گرفتن تخلیه شود. زمان به درجات مختلف هدف از این مطالعه بررسی این موضوع بود که آیا عرضه و تقاضای سرپناه در مقیاس فضایی منطقه اصلی شهری می‌تواند تعادل را در فاصله تخلیه معقول حفظ کند، بنابراین پرداختن به مشکل تخلیه ساختمان در سطح میکروسکوپی خارج از حوزه بود. این مطالعه. ما فرض کردیم که افراد هر قطعه در مرکز هندسی قرار دارند و آماده تخلیه هستند، بدون در نظر گرفتن فاکتورهای فاصله و زمان برای تخلیه از داخل ساختمان به محوطه بیرونی، که ممکن است منجر به دست کم گرفتن تخلیه شود. زمان به درجات مختلف هدف از این مطالعه بررسی این موضوع بود که آیا عرضه و تقاضای سرپناه در مقیاس فضایی منطقه اصلی شهری می‌تواند تعادل را در فاصله تخلیه معقول حفظ کند، بنابراین پرداختن به مشکل تخلیه ساختمان در سطح میکروسکوپی خارج از حوزه بود. این مطالعه. که ممکن است منجر به دست کم گرفتن زمان تخلیه به درجات مختلف شود. هدف از این مطالعه بررسی این موضوع بود که آیا عرضه و تقاضای سرپناه در مقیاس فضایی منطقه اصلی شهری می‌تواند تعادل را در فاصله تخلیه معقول حفظ کند، بنابراین پرداختن به مشکل تخلیه ساختمان در سطح میکروسکوپی خارج از حوزه بود. این مطالعه. که ممکن است منجر به دست کم گرفتن زمان تخلیه به درجات مختلف شود. هدف از این مطالعه بررسی این موضوع بود که آیا عرضه و تقاضای سرپناه در مقیاس فضایی منطقه اصلی شهری می‌تواند تعادل را در فاصله تخلیه معقول حفظ کند، بنابراین پرداختن به مشکل تخلیه ساختمان در سطح میکروسکوپی خارج از حوزه بود. این مطالعه.
در محیط شبیه‌سازی، ایجاد یک مدل محیط شهری ایده‌آل خواهد بود اگر متغیرهای فرآیند تخلیه تا حد امکان به وضعیت واقعی فاجعه نزدیک باشد، به‌ویژه برای محیط ترافیک. شبیه سازی تخلیه نیاز به اطلاعات مسیر دارد. در پردازش داده‌ها، برای انجام شبیه‌سازی، شبکه جاده‌ای پیچیده دو خطی را بدون در نظر گرفتن چراغ‌های سیگنال به یک شبکه تک خطی تبدیل کردیم. با توجه به مقیاس فضایی وسیع منطقه مورد، شبکه جاده ای پردازش شده نه شامل تمام انشعابات و خطوط و نه جاده های داخل قطعه می شود، که باعث کاهش دقت طول مسیر تخلیه و در نتیجه کاهش دقت نتایج زمان تخلیه می شود. . یک شرط فرضی برای شبکه مسیر تخلیه این است که جاده های پس از فاجعه سالم بوده و شبکه تخلیه همچنان پایدار و قابل اطمینان باشد. به دلیل داده های ناکافی، ما قابلیت اطمینان شبکه جاده را ارزیابی نکردیم. بنابراین، شبیه سازی یک طرح تخلیه ایده آل است. در مرحله بعد، قطع غیرمنتظره مسیرها، قابلیت اطمینان شبکه مسیر و تفاوت ظرفیت مسیر باید با استفاده از مدل‌سازی محیط ترافیک ارزیابی شود. یک راه حل عملی استفاده از داده های بزرگ ترافیک و در نظر گرفتن متغیرهای محیطی برای تدوین برنامه های تخلیه تحت سناریوهای مختلف ترافیک است. شبیه سازی یک طرح تخلیه ایده آل است. در مرحله بعد، قطع غیرمنتظره مسیرها، قابلیت اطمینان شبکه مسیر و تفاوت ظرفیت مسیر باید با استفاده از مدل‌سازی محیط ترافیک ارزیابی شود. یک راه حل عملی استفاده از داده های بزرگ ترافیک و در نظر گرفتن متغیرهای محیطی برای تدوین برنامه های تخلیه تحت سناریوهای مختلف ترافیک است. شبیه سازی یک طرح تخلیه ایده آل است. در مرحله بعد، قطع غیرمنتظره مسیرها، قابلیت اطمینان شبکه مسیر و تفاوت ظرفیت مسیر باید با استفاده از مدل‌سازی محیط ترافیک ارزیابی شود. یک راه حل عملی استفاده از داده های بزرگ ترافیک و در نظر گرفتن متغیرهای محیطی برای تدوین برنامه های تخلیه تحت سناریوهای مختلف ترافیک است.
رفتارهای متنوع و روانشناسی افرادی که دچار فاجعه می شوند ممکن است مستقیماً بر روند تخلیه و نتایج تأثیر بگذارد. در صورت وقوع یک فاجعه، بر اساس ترجیحات فردی یا شرایط واقعی، ماندن در خانه، پناه گرفتن در محل، سفر به پناهگاه بیشتر و اقامت با خانواده یا دوستان گزینه‌های جایگزین هستند. از نظر حالت حمل و نقل، افراد ممکن است پیاده یا با وسایل حمل و نقل عمومی را تخلیه کنند. هدف ما این بود که عرضه و تقاضای پناهگاه‌های شهری را از طریق شبیه‌سازی تخلیه کمی مورد قضاوت قرار دهیم و مبنایی را برای اطمینان از اینکه پناهگاه پوشش کافی برای جمعیت اطراف را از طریق آماده‌سازی تدریجی و مستمر قبل از فاجعه فراهم می‌کند، فراهم کنیم. این فرآیند آماده سازی نیازی به تمایز رفتارهای پیچیده و روانشناسی ندارد، بنابراین شبیه سازی آنها را به عنوان عوامل موثر در سناریوی تخلیه در نظر نگرفت. به عنوان یک نتیجه احتمالی، در فعالیت‌های تخلیه واقعی، ممکن است افراد به دلیل ترجیحات رفتاری خاص در برخی از پناهگاه‌ها متمرکز شوند، بنابراین تخلیه سازمان‌یافته و برنامه‌های اضطراری موقت از اهمیت ویژه‌ای برخوردار است. علاوه بر این، گروه‌های تخلیه مانند کودکان، جوانان و میانسالان و سالمندان را متمایز نکردیم. این گروه‌ها نیازها و توانایی‌های متفاوتی در هنگام بلایا دارند که مستقیماً بر رفتار تخلیه، مدل حمل‌ونقل و زمان تخلیه تأثیر می‌گذارد و در نتیجه بر نتایج شبیه‌سازی نیز تأثیر می‌گذارد. مطالعه مناطق در مقیاس کوچک یا متوسط ​​بر اساس انواع داده های بیشتر و آزمایش های رفتار تخلیه ضروری است. به عنوان یک نتیجه احتمالی، در فعالیت‌های تخلیه واقعی، ممکن است افراد به دلیل ترجیحات رفتاری خاص در برخی از پناهگاه‌ها متمرکز شوند، بنابراین تخلیه سازمان‌یافته و برنامه‌های اضطراری موقت از اهمیت ویژه‌ای برخوردار است. علاوه بر این، گروه‌های تخلیه مانند کودکان، جوانان و میانسالان و سالمندان را متمایز نکردیم. این گروه‌ها نیازها و توانایی‌های متفاوتی در هنگام بلایا دارند که مستقیماً بر رفتار تخلیه، مدل حمل‌ونقل و زمان تخلیه تأثیر می‌گذارد و در نتیجه بر نتایج شبیه‌سازی نیز تأثیر می‌گذارد. مطالعه مناطق در مقیاس کوچک یا متوسط ​​بر اساس انواع داده های بیشتر و آزمایش های رفتار تخلیه ضروری است. به عنوان یک نتیجه احتمالی، در فعالیت‌های تخلیه واقعی، ممکن است افراد به دلیل ترجیحات رفتاری خاص در برخی از پناهگاه‌ها متمرکز شوند، بنابراین تخلیه سازمان‌یافته و برنامه‌های اضطراری موقت از اهمیت ویژه‌ای برخوردار است. علاوه بر این، گروه‌های تخلیه مانند کودکان، جوانان و میانسالان و سالمندان را متمایز نکردیم. این گروه‌ها نیازها و توانایی‌های متفاوتی در هنگام بلایا دارند که مستقیماً بر رفتار تخلیه، مدل حمل‌ونقل و زمان تخلیه تأثیر می‌گذارد و در نتیجه بر نتایج شبیه‌سازی نیز تأثیر می‌گذارد. مطالعه مناطق در مقیاس کوچک یا متوسط ​​بر اساس انواع داده های بیشتر و آزمایش های رفتار تخلیه ضروری است. بنابراین تخلیه سازمان یافته و برنامه های اضطراری موقت از اهمیت ویژه ای برخوردار است. علاوه بر این، گروه‌های تخلیه مانند کودکان، جوانان و میانسالان و سالمندان را متمایز نکردیم. این گروه‌ها نیازها و توانایی‌های متفاوتی در هنگام بلایا دارند که مستقیماً بر رفتار تخلیه، مدل حمل‌ونقل و زمان تخلیه تأثیر می‌گذارد و در نتیجه بر نتایج شبیه‌سازی نیز تأثیر می‌گذارد. مطالعه مناطق در مقیاس کوچک یا متوسط ​​بر اساس انواع داده های بیشتر و آزمایش های رفتار تخلیه ضروری است. بنابراین تخلیه سازمان یافته و برنامه های اضطراری موقت از اهمیت ویژه ای برخوردار است. علاوه بر این، گروه‌های تخلیه مانند کودکان، جوانان و میانسالان و سالمندان را متمایز نکردیم. این گروه‌ها نیازها و توانایی‌های متفاوتی در هنگام بلایا دارند که مستقیماً بر رفتار تخلیه، مدل حمل‌ونقل و زمان تخلیه تأثیر می‌گذارد و در نتیجه بر نتایج شبیه‌سازی نیز تأثیر می‌گذارد. مطالعه مناطق در مقیاس کوچک یا متوسط ​​بر اساس انواع داده های بیشتر و آزمایش های رفتار تخلیه ضروری است. و زمان تخلیه، در نتیجه بر نتایج شبیه سازی نیز تاثیر می گذارد. مطالعه مناطق در مقیاس کوچک یا متوسط ​​بر اساس انواع داده های بیشتر و آزمایش های رفتار تخلیه ضروری است. و زمان تخلیه، در نتیجه بر نتایج شبیه سازی نیز تاثیر می گذارد. مطالعه مناطق در مقیاس کوچک یا متوسط ​​بر اساس انواع داده های بیشتر و آزمایش های رفتار تخلیه ضروری است.
در هر صورت، مفروضاتی که در شبیه سازی تنظیم می کنیم، به عوامل نامطمئنی تبدیل می شوند که بر قابلیت اطمینان نتایج تأثیر می گذارند. تعداد تخلیه‌شدگان و زمان تخلیه در نتایج نمی‌تواند وضعیت واقعی بلایا را نشان دهد و در نتیجه کاربردهای محدودی در عمل دارد. در آمادگی های قبل از وقوع حادثه، می توانیم به متخصصان شهرسازی بگوییم که در چه جاهایی در پناهگاه ها خلأ وجود دارد، تا بتوانیم در برنامه ریزی های آتی منابع پناهگاه موجود را افزایش دهیم، اما نمی توانیم منطقه دقیقی ارائه دهیم. در یک تخلیه اضطراری احتمالی، مدیران اورژانس می‌توانند بر اساس نتایج شبیه‌سازی تخلیه، قضاوت کنند که در آن خطر تخلیه ممکن است وجود داشته باشد. به این ترتیب می توان منابع اضطراری را در فرآیند تصمیم گیری هدف قرار داد. با این حال،

5. نتیجه گیری ها

با استفاده از داده‌های POI، ساختمان‌های مسکونی و آمار کارکنان صنعت، تقاضای سرپناه و وضعیت سرپناه پس از تخلیه را در مناطق مرکزی شهر گوانگژو، از جمله لیوان، یوکسیو، تیانهه و هایزو ارزیابی کردیم. در تجزیه و تحلیل تقاضای سرپناه و بر اساس نیازهای پاسخگویی به بلایا در طول روز و شب، جمعیت توزیع شده در هر قطعه بین روز و شب به عنوان تعداد تخلیه‌شدگان احتمالی تعریف شد. ما تفاوت های قابل توجهی را در اندازه و توزیع فضایی تقاضای سرپناه در طول روز و شب پیدا کردیم و تقاضا به طور نابرابر در منطقه توزیع شده است. هایزو، لیوان و تیانه تغییرات چشمگیری در تقاضای روز و شب داشتند. در طول روز، تقاضا عمدتاً در Yuexiu و Tianhe توزیع می شود که دارای عملکردهای شهری بالغ و شرکت های متعدد هستند. در شب، تقاضا عمدتاً در قطعه‌های دارای ساختمان‌های مسکونی متمرکز است، در حالی که تقاضا در سایر قطعات به وضوح کمتر است. کل تقاضای سرپناه برای پناه دادن در شبانه روز حدود 7.929 میلیون نفر بود که 2.454 میلیون بیشتر از جمعیت ساکن است. شبیه سازی تخلیه نشان داد که میانگین زمان تخلیه تمام 16883 مسیر 12.6 دقیقه و برخی بیش از سه ساعت به دلیل تعداد زیاد افراد مستقر در نقاط تقاضا بوده است. پس از تخلیه، 558 پناهگاه از 888 پناهگاه به درجات مختلف از ظرفیت خود فراتر رفتند. از نظر ظرفیت سرپناه، هایزو دارای بیشترین ظرفیت مازاد با 1.62 میلیون نفر بود. برعکس، برای ظرفیت باقیمانده، پناهگاه هایی که بیش از ظرفیت تیانهه نیستند، می توانند 890000 نفر دیگر را در خود جای دهند که بالاترین مقدار بود. نتایج حاکی از آن است که عرضه و تقاضای پناهگاه‌ها در منطقه مورد مطالعه نامتعادل بوده و توزیع ناهموار بوده و مانع از پوشش کامل پناهگاه‌ها برای تخلیه‌شدگان احتمالی می‌شود. یافته‌های ما یک مبنای کمی مستقیم برای هدایت مقدار و اندازه منابع جدید سرپناه در طول فعالیت‌های نوسازی شهری فراهم می‌کند و مرجعی برای استفاده مجدد از زمین و سازمان فضایی پیشگیری از بلایا در برنامه‌ریزی شهری آینده است.
در تحقیقات آینده، بهبود دقت ارزیابی تقاضای سرپناه بر اساس انواع داده های بیشتر ضروری است. در طول بلایا، متغیرهای پیچیده متعددی بر تخلیه تأثیر می‌گذارند، مانند قطع غیرمنتظره جاده‌ها، موانع فیزیکی، بلایای ثانویه، و رفتار و روان‌شناسی انسان، که تعیین کمیت آن‌ها در شیوه‌های مرتبط و زمینه‌های تحقیقاتی دشوار بوده است. گام بعدی در شبیه سازی تخلیه، تنظیم متغیرهای محیطی تا حد امکان به شرایط پس از فاجعه برای مناطق با مقیاس کوچک یا متوسط ​​است. علاوه بر این، ما یک پایگاه داده حاوی نقاط تقاضا، پناهگاه های اضطراری و اطلاعات مسیرهای تخلیه ایجاد کردیم. بنابراین ساختن یک سیستم تصمیم‌گیری و بستر مدیریتی برای برنامه‌ریزی سرپناه یکی دیگر از جهت‌گیری‌های پژوهشی خواهد بود.

منابع

  1. UNDRR. بلایای طبیعی 2018. در دسترس آنلاین: https://reliefweb.int/sites/reliefweb.int/files/resources/CREDNaturalDisaster2018.pdf (در 15 اوت 2019 قابل دسترسی است).
  2. دیویس، آی. از تجربه 40 ساله پناهگاه بلایای طبیعی چه آموخته ایم؟ محیط زیست خطرات 2011 ، 10 ، 193-212. [ Google Scholar ] [ CrossRef ]
  3. کیلچی، اف. کارا، توسط; بوزکایا، ب. مکان یابی مناطق پناهگاه موقت پس از زلزله: موردی برای ترکیه. یورو جی. اوپر. Res. 2015 ، 243 ، 323-332. [ Google Scholar ] [ CrossRef ]
  4. نیگ، جی.ام. بارنشاو، جی. تورس، ام آر طوفان کاترینا و سیل نیواورلئان: مسائل اضطراری در پناهگاه و مسکن موقت. ANNALS هستم. آکادمی سیاسی. Soc. علمی 2016 ، 604 ، 113-128. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. FEMA. ملاحظات برنامه ریزی: تخلیه و سرپناه در محل. موجود به صورت آنلاین: https://www.fema.gov/media-library-data/1533580334064–72e9356ed35b726b1a25f4a8c3372c9d/DRAFT_Planning_Considerations_Evacuation.pdf88Shelter-in-01 .
  6. پرز-گالارس، اف. Canales، LJ; ورگارا، سی. Candia-Véjar، A. یک مدل بهینه سازی برای مکان پناهگاه های بلایا. اجتماعی اقتصادی طرح. علمی 2017 ، 59 ، 56-66. [ Google Scholar ] [ CrossRef ]
  7. چن، دبلیو. ژای، جی. فن، سی. جین، دبلیو. Xie، Y. چارچوب برنامه ریزی مبتنی بر نظریه سیستم و GIS برای سیستم سرپناه اضطراری شهری: موردی از گوانگژو، چین. هوم Ecol. ارزیابی ریسک 2017 ، 23 ، 441-456. [ Google Scholar ] [ CrossRef ]
  8. چن، دبلیو. ژای، جی. رن، سی. شی، ی. Zhang، J. انتخاب منابع شهری و تخصیص برای پناهگاه های اضطراری: در یک محیط چند خطر. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 1261. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  9. یو، جی. Wen, J. ارزیابی رضایت چند معیاره از توزیع فضایی پناهگاه های اضطراری شهری بر اساس برآورد جمعیت با دقت بالا. بین المللی J. Disaster Risk Sci. 2016 ، 7 ، 413-429. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. اوستر، اچ. دلال، جی. طراحی شبکه آمادگی اضطراری استراتژیک که طرف عرضه و تقاضا را در یک رویکرد چند هدفه یکپارچه می کند. IISE Trans. 2017 ، 49 ، 395-413. [ Google Scholar ] [ CrossRef ]
  11. پل، BK عوامل موثر بر رفتار تخلیه: مورد طوفان 2007 Sidr، بنگلادش. پروفسور Geogr. 2012 ، 64 ، 401-414. [ Google Scholar ] [ CrossRef ]
  12. تنرلی، پ. Gallego، JF; ارلیچ، دی. مدل سازی تراکم جمعیت در حمایت از ارزیابی خطر بلایا. بین المللی J. کاهش خطر بلایا. 2015 ، 13 ، 334-341. [ Google Scholar ] [ CrossRef ]
  13. چن، ز. چن، ایکس. لی، کیو. چن، جی. سلسله مراتب زمانی پناهگاه ها: یک مدل مکان سلسله مراتبی برای برنامه ریزی زلزله-پناهگاه. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 1612-1630. [ Google Scholar ] [ CrossRef ]
  14. ماسویا، ع. دوان، ا. گوشه، RJ تخلیه جمعیت: ارزیابی توزیع فضایی پناهگاه های سیل و واحدهای مسکونی آسیب پذیر در داکا با سیستم های اطلاعات جغرافیایی. نات. خطرات 2015 ، 78 ، 1859-1882. [ Google Scholar ] [ CrossRef ]
  15. Dmowska، A. مدل‌سازی داسیمتری توزیع جمعیت-رویکرد داده‌های بزرگ. کوئست. Geogr. 2019 ، 38 ، 15-27. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. بریگز، دی جی; گالیور، جی. فچت، دی. مدلسازی داسیمتری Vienneau، DM توزیع جمعیت در مناطق کوچک با استفاده از داده های پوشش زمین و انتشار نور. سنسور از راه دور محیط. 2007 ، 108 ، 451-466. [ Google Scholar ] [ CrossRef ]
  17. مائو، ی. بله، A. Xu, J. استفاده از داده های کاربری زمین برای تخمین توزیع جمعیت چین در سال 2000. Gisci. Remote Sens. 2012 ، 49 ، 822-853. [ Google Scholar ] [ CrossRef ]
  18. موسوکس، اس. کروین، ام. سوله، اچ. Canters، F. نقشه برداری توزیع جمعیت از تصاویر سنجش از راه دور با وضوح بالا در یک محیط ضعیف داده. Remote Sens. 2018 , 10 , 1409. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. ممکن است.؛ خو، دبلیو. ژائو، ایکس. Li، Y. مدل‌سازی توزیع ساعتی جمعیت با وضوح مکانی و زمانی بالا با استفاده از داده‌های کارت هوشمند مترو: مطالعه موردی در منطقه مرکزی پکن. ISPRS Int. Geo Inf. 2017 ، 6 ، 128. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  20. یائو، ی. لیو، ایکس. لی، ایکس. ژانگ، جی. لیانگ، ز. مای، ک. ژانگ، ی. نقشه برداری توزیع جمعیت در مقیاس خوب در سطح ساختمان با ادغام داده های بزرگ جغرافیایی چندمنبعی. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 1220-1244. [ Google Scholar ] [ CrossRef ]
  21. سوگیموتو، تی. موراکامی، اچ. کوزوکی، ی. نیشیکاوا، ک. شیمادا، تی. روشی برای پیش‌بینی خسارت انسانی برای بلایای سونامی که شامل فعالیت‌های تخلیه می‌شود. نات. خطرات 2003 ، 29 ، 587-602. [ Google Scholar ] [ CrossRef ]
  22. Vecere، A. مونتیرو، آر. امان، WJ; جوویناتزی، اس. ملو سانتوس، مدل های پیش بینی RH برای ارزیابی نیازهای پناهگاه پس از فاجعه. بین المللی J. Disaster Risk Sci. 2017 ، 21 ، 44-62. [ Google Scholar ] [ CrossRef ]
  23. چو، جی. او، ی. چنگ، م. چنگ، م. لی، سی. برآورد ظرفیت پناهگاه اضطراری با تجزیه و تحلیل خسارت زلزله. نات. خطرات 2013 ، 65 ، 2031-2061. [ Google Scholar ] [ CrossRef ]
  24. چو، جی. لی، سی. یکپارچه سازی سیستم اطلاعات جغرافیایی و تکنیک های داده کاوی پیش بینی برای مدل سازی اثرات بلایای مرکب در تایپه. نات. خطرات 2014 ، 70 ، 1385-1415. [ Google Scholar ] [ CrossRef ]
  25. Na، HS; بانرجی، A. یک مدل شبکه تخلیه بلایا برای حمل و نقل تخلیه کنندگان با اولویت چندگانه. IIE Trans. 2015 ، 47 ، 1287-1299. [ Google Scholar ] [ CrossRef ]
  26. McGinty، MD; برک، TA; رسنیک، بی. بارنت، دی جی؛ اسمیت، کی سی. Rutkow، L. فرآیندهای تصمیم گیری و عوامل تعیین کننده تخلیه بیمارستان و سرپناه در محل در طول طوفان سندی. J. مدیریت بهداشت عمومی. تمرین کنید. 2017 ، 23 ، 29-36. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. سوامی، آر. کانگ، جی. باتا، آر. Chung, Y. برنامه ریزی تخلیه طوفان با استفاده از حمل و نقل عمومی. اجتماعی-اقتصادی. طرح. علمی 2017 ، 59 ، 43-55. [ Google Scholar ] [ CrossRef ]
  28. لی، دی. یون، اس. پارک، ای. کیم، ی. یون، DK عوامل موثر در تخلیه فاجعه: مورد کره جنوبی. Sustainability 2018 , 10 , 3818. [ Google Scholar ] [ CrossRef ][ Green Version ]
  29. یانگ، ایکس. جف بان، ایکس. میچل، جی. مدلسازی تخلیه اضطراری شبکه حمل و نقل چندوجهی با در نظر گرفتن رفتار مشارکتی تخلیه‌کنندگان. ترانسپ Res. Procedia 2017 ، 23 ، 1038-1058. [ Google Scholar ] [ CrossRef ]
  30. مک گوایر، ال سی؛ فورد، ES؛ اوکورو، کالیفرنیا بلایای طبیعی و افراد مسن دارای معلولیت ایالات متحده: پیامدهای تخلیه بلایا 2007 ، 31 ، 49-56. [ Google Scholar ] [ CrossRef ]
  31. بایرام، وی. یامان، H. مکان پناهگاه و تعیین مسیر تخلیه تحت عدم قطعیت: یک رویکرد تجزیه خم کننده. ترانسپ علمی 2018 ، 52 ، 416-436. [ Google Scholar ] [ CrossRef ]
  32. شن، ی. وانگ، کیو. یان، دبلیو. وانگ، جی. مدل مسئله حمل و نقل مکان برای تخلیه عابر پیاده در بلایای پارک های صنعتی شیمیایی. J. Loss Prev. Process Ind. 2015 ، 33 ، 29-38. [ Google Scholar ] [ CrossRef ]
  33. لئون، جی. مارس، A. یک پاسخ شهری به آسیب‌پذیری بلایا: بهبود تخلیه سونامی در ایکوئیک، شیلی. محیط زیست طرح. ب مقعد شهری. علوم شهر 2016 , 43 . [ Google Scholar ] [ CrossRef ]
  34. ژو، تی. وانگ، دی. زونگ، دی. او، X. مطالعه منطقه ای سازی فضای مسئولیت پناهگاه های اضطراری در مرکز شهری و ارزیابی جاده تخلیه بر اساس شبیه سازی کامپیوتری میکروسکوپی: موردی از منطقه میدان سه دره چونگ کینگ. Disaster Adv. 2012 ، 5 ، 230-236. [ Google Scholar ]
  35. یامادا، تی. رویکرد جریان شبکه به برنامه ریزی تخلیه اضطراری شهر. بین المللی جی. سیست. علمی 1996 ، 27 ، 931-936. [ Google Scholar ] [ CrossRef ]
  36. فلوترود، جی. Lammel, G. شبیه‌سازی تخلیه با سینک‌های ظرفیت محدود: یک رویکرد تکاملی برای حل مشکل تخصیص پناهگاه و تخصیص ظرفیت در یک شبیه‌سازی تخلیه چند عاملی. در مجموعه مقالات کنفرانس بین المللی محاسبات تکاملی (ICEC 2010)، والنسیا، اسپانیا، 24 تا 26 اکتبر 2010. [ Google Scholar ]
  37. لی، جی. Hong, W. برآورد سرعت تخلیه با شیب مسیر تخلیه برای ارزیابی مکان مناسب پناهگاه در بلایای آبی. آسیا زندگی علمی. 2015 ، 12 ، 435-446. [ Google Scholar ]
  38. یو، جی. ون، جی. Jiang, Y. شبیه‌سازی تخلیه مبتنی بر عامل برای ارزیابی تخصیص فضایی پناهگاه‌های شهری. در مجموعه مقالات کنفرانس بین المللی رصد و کاربردهای زمین هوشمند (IEOAs)، گویلین، چین، 23 تا 24 اکتبر 2015. [ Google Scholar ]
  39. یوان، اس. چون، SA; اسپینلی، بی. لیو، ی. ژانگ، اچ. شبیه سازی تخلیه ترافیک Adam، NR بر اساس مدل تصمیم گیری رانندگی چند سطحی. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 78 ، 129-149. [ Google Scholar ] [ CrossRef ]
  40. یابه، تی. سوبوچی، ک. سودو، ا. Sekimoto، Y. چارچوبی برای تشخیص نقاط داغ تخلیه پس از بلایای مقیاس بزرگ با استفاده از داده های مکان از تلفن های هوشمند: مطالعه موردی زلزله کوماموتو. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی (ACM SIGSPATIAL GIS)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 31 اکتبر تا 3 نوامبر 2016. [ Google Scholar ]
  41. خو، X. ژانگ، ال. سوتیریادیس، س. آسیماکوپولو، ای. لی، ام. Bessis, N. CLOTHO: یک سیستم برنامه ریزی تخلیه جمعیت مبتنی بر اینترنت در مقیاس بزرگ برای مدیریت بلایا. IEEE Internet Things J. 2018 , 5 , 3559–3568. [ Google Scholar ] [ CrossRef ]
  42. ژانگ، پی. لیو، ی. یانگ، آر. ژانگ، اچ. Gong, ZL بهبود قابلیت تخلیه ترافیک شهری در واکنش اضطراری با استفاده از تلفن های هوشمند. در یادداشت های سخنرانی در علوم کامپیوتر ; Springer INT Publishing AG: Cham, Switzerland, 2016; ص 241-252. [ Google Scholar ]
  43. یو، جی. ژانگ، سی. ون، جی. لی، دبلیو. لیو، آر. Xu، H. یکپارچه سازی شبیه سازی تخلیه چند عاملی و ارزیابی چند معیاره برای تخصیص فضایی پناهگاه های اضطراری شهری. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 1884-1910. [ Google Scholar ] [ CrossRef ]
  44. مارتین، آر اس؛ Painho، M. آمادگی جغرافیایی: مطالعه تجربی منابع جایگزین اطلاعات برای جامعه بشردوستانه. جی. هومل. امن ظهور. مدیریت 2019 ، 16 ، 20180046. [ Google Scholar ] [ CrossRef ]
  45. Givoni، M. بین نقشه‌برداران خرد و نقشه‌های گمشده: بشردوستانه دیجیتال و سیاست مشارکت مواد در واکنش به بلایا. محیط زیست طرح. D Soc. فضا 2016 ، 34 ، 1025–1043. [ Google Scholar ] [ CrossRef ]
  46. کانکانمگه، ن. Yigitcanlar، T. گونتیلکه، ا. Kamruzzaman, M. آیا جمع سپاری داوطلبانه می تواند خطر فاجعه را کاهش دهد؟ یک مرور نظام مند از ادبیات. بین المللی J. کاهش خطر بلایا. 2019 ، 35 ، 101097. [ Google Scholar ] [ CrossRef ]
  47. پانک، جی. مارک، ال. پاستو، وی. Valuch, J. نقشه بحران جمهوری چک: استقرار سراسری یک برنامه Ushahidi برای بلایا. بلایا 2017 ، 41 ، 649-671. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  48. فاجعه آدئولا، FO کاترینا آیا طول مدت اقامت و تجربه قبلی بر اثرات، تخلیه و رفتار سازگاری در بین بازماندگان تأثیر می گذارد؟ محیط زیست رفتار 2009 ، 41 ، 459-489. [ Google Scholar ] [ CrossRef ]
  49. دامبروسکی، م. فیشهوف، بی. فیشبک، پی. پیش‌بینی تخلیه اضطراری و رفتار پناه‌گیری: یک رویکرد تحلیلی ساختاریافته. ریسک مقعدی 2006 ، 26 ، 1675-1688. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  50. پارلاک، هوش مصنوعی؛ لامبرت، ج.اچ. گوتربوک، TM; کلمنتز، JL سناریوهای رفتاری جمعیت موثر بر آمادگی و برنامه ریزی برای بلایای رادیولوژیکی. اسید. مقعدی قبلی 2012 ، 48 ، 353-362. [ Google Scholar ] [ CrossRef ]
  51. خو، دی. Tang, Y. شهرسازی جاده و حمل و نقل برنامه ریزی ; چاپ معماری و ساختمان چین: پکن، چین، 2007; ISBN 7112075955. (به زبان چینی) [ Google Scholar ]
  52. فن، سی. چارچوب یکپارچه برای برنامه ریزی سرپناه اضطراری برای خطرات ناگوار. Ph.D. پایان نامه، دانشگاه نانجینگ، نانجینگ، چین، 2016. (به زبان چینی). [ Google Scholar ]
Ijgi 09 00041 g001 550
شکل 1. منطقه مطالعه.
Ijgi 09 00041 g002 550
شکل 2. توزیع داده های ( الف ) نقاط مورد علاقه (POI) و ( ب ) ساختمان های مسکونی.
Ijgi 09 00041 g003 550
شکل 3. یک نقشه اصولی مختصر برای تخلیه از نقاط تقاضا به پناهگاه های اطراف.
Ijgi 09 00041 g004 550
شکل 4. توزیع و اندازه جمعیت در ( الف ) روز و ( ب ) شب.
Ijgi 09 00041 g005 550
شکل 5. تغییر جمعیت کرت ها بین روز و شب.
Ijgi 09 00041 g006 550
شکل 6. توزیع و اندازه تقاضای سرپناه بر اساس امداد رسانی در روز و شب در بلایای طبیعی.
Ijgi 09 00041 g007 550
شکل 7. توزیع فرکانس زمان تخلیه مورد نیاز برای همه مسیرها.
Ijgi 09 00041 g008 550
شکل 8. توزیع تخلیه شدگان پذیرفته شده در پناهگاه ها پس از شبیه سازی.
Ijgi 09 00041 g009 550
شکل 9. وضعیت نهایی پناهگاه ها پس از شبیه سازی تخلیه.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید