خلاصه

فرآیندهای اقتصادی-اجتماعی متنوع عناصر ساخته شده و طبیعی را در مناطق شهری شکل می دهد. بنابراین آنها بر محیط زندگی ساکنان شهری و پایداری در ابعاد مختلف تأثیر می گذارند. نظارت بر توسعه بافت شهری و روابط آن با فرآیندهای اجتماعی-اقتصادی و زیست محیطی به روشن شدن پیوندهای آنها کمک می کند و در نتیجه به توسعه استراتژی های جدید برای توسعه پایدارتر کمک می کند. در این مطالعه، روابط تجربی و معناداری بین شاخص‌های درآمد، نابرابری، تولید ناخالص داخلی، آلودگی هوا و اشتغال و تغییر آن‌ها در طول زمان با سازمان‌دهی فضایی عناصر ساخته‌شده و طبیعی در مناطق کاربردی شهری شناسایی شد. ما توانستیم این را در 32 کشور با استفاده از معیارهای مکانی-زمانی و با استفاده از اطلاعات جغرافیایی از پایگاه های داده موجود در سراسر جهان نشان دهیم. ما از رگرسیون تصادفی جنگل استفاده کردیم و توانستیم 32 تا 68 درصد از تغییرپذیری متغیرهای اجتماعی-اقتصادی را توضیح دهیم. این امر تأیید می کند که الگوهای فضایی و تغییر آنها با شاخص های اجتماعی-اقتصادی مرتبط است. ما همچنین معیارهای مکانی-زمانی را که در مدل‌ها مرتبط‌تر بودند شناسایی کردیم: دریافتیم که فشردگی شهری، درجه غلظت، شاخص پراکندگی، تراکم رشد ساخته‌شده، دسترسی و تراکم کاربری/پوشش زمین و تغییر می‌تواند به عنوان نماینده برای برخی از شاخص های اجتماعی-اقتصادی استفاده شود. این مطالعه گام اول و اساسی برای شناسایی چنین روابطی در مقیاس جهانی است. روش پیشنهادی بسیار متنوع است، گنجاندن مجموعه داده های جدید ساده است،

کلید واژه ها:

رشد شهری ؛ متغیرهای اجتماعی-اقتصادی ; معیارهای مکانی-زمانی ; تحلیل جهانی ؛ IndiFrag ; GHSL _ OECD

1. معرفی

فرم شهری افراد، فضا و جریان ها را سازمان می دهد. به این ترتیب، مناطق شهری به طور همزمان توسط فرآیندهای اقتصادی و جمعیتی شکل می گیرند. روابط اجتماعی؛ نظام های حقوقی و سیاسی؛ و زمینه های تاریخی، فرهنگی و اقلیمی؛ و غیره [ 1 ، 2 ]. فرآیند شهرنشینی در ابعاد مختلفی بر ساکنان اثر می گذارد. به عنوان مثال، یکی از تأثیرات مربوط به شهرها است، جایی که آلودگی هوا و تأثیر آن بر سلامت، نابرابری و تخریب محیط زیست در نتیجه رشد سریع تهدیدهای فزاینده ای هستند [ 3 ].]. توسعه نواحی شهری نه تنها مشروط به عوامل متعدد محلی و منطقه ای است، بلکه با روندهای جهانی که محرک ها و پیامدهایی را در بر می گیرد، نیز مشروط است. رصد زمین (EO) ابزارهایی را برای تصویربرداری از راه دور گسترش شهری حاصل را فراهم می‌کند و اجازه می‌دهد که محیط‌های شهری را به صورت مکانی در طول زمان در مقیاس‌های مختلف توصیف کند. این امکان اندازه گیری از الگوهای درشت تا ظریف شکل و پویایی شهری را به روشی ثابت فراهم می کند [ 4 ].
شناسایی فرآیندهای اجتماعی، اقتصادی و زیست‌محیطی اساسی شهرنشینی و تغییرات کاربری زمین/پوشش زمین (LULC) درک ما را از روابط علت و معلولی بهبود می‌بخشد و به توسعه استراتژی‌هایی برای توسعه پایدار کمک می‌کند [ 5 ]. عوامل اجتماعی-اقتصادی و برنامه ریزی کاربری زمین نقش مهمی در تعیین رفتار انسان (به عنوان مثال، تحرک و اوقات فراغت)، تاب آوری و خطر ابتلا به بیماری ها از جمله عوامل دیگری دارند که تأثیر زیادی بر رفاه انسان دارند. به عنوان مثال، شیوع بیماری‌های غیرواگیر، مانند بیماری‌های مربوط به سلامت جسمانی، عادات غذایی یا مصرف الکل، با وضعیت اجتماعی-اقتصادی جمعیت مرتبط است [ 6 ، 7 ].]؛ علاوه بر این، در دسترس بودن فضاهای سبز قابل دسترس با کاهش خطر بیماری های قلبی عروقی و تنفسی همراه بوده است [ 8 ]. در همین حال، از دست دادن زیستگاه و مناظر تکه تکه شده، احتمال ظهور بیماری های عفونی را در انسان افزایش می دهد [ 9 ، 10 ، 11 ].
در سال‌های اخیر، تعداد مطالعاتی که روابط بین داده‌های مشتق‌شده از EO و متغیرهای اجتماعی-اقتصادی را کمی‌سازی می‌کنند، افزایش یافته است. در نتیجه، عناصر مختلف محیط ساخته شده و طبیعی، و همچنین پارامترهای جوی مشتق شده از EO، با شاخص های مختلف اجتماعی-اقتصادی مرتبط بوده اند: به عنوان مثال، معیارها و ویژگی های مشتق شده از تصویر برای مدل سازی سطوح فقر استفاده شده است. برای مثال، فقر شدید با زمان سفر به شهرهای عمده بازار، و درصد پوشش جنگلی و زمستانه [ 12 ] مرتبط بود. دوک و همکاران [ 13] یک شاخص مرکب فقر را بر اساس مجموعه وسیعی از متغیرهای مربوط به ترکیب پوشش زمین و الگوهای فضایی شهری توسعه داد. فقر در مناطقی با سطوح غیرقابل نفوذ کمتر با فقدان سقف های سفالی، پیچیدگی بیشتر بافت شهری و تنوع کمتر مناظر بیشتر بود [ 13 ]. به طور مشابه، شرایط زندگی محروم در شهرهای بزرگ بریتانیا با تراکم جمعیت، بخش‌های وسیعی از زمین‌های ساخته نشده، الگوهای منظم خیابان‌ها و بن‌بست مرتبط بود [ 14 ]. در همین حال، یک مطالعه محلی در لیورپول، انگلستان نشان داد که درصد پوشش گیاهی و آب، و تنوع و همگنی مقادیر شدت تصویر بهترین پیش‌بینی‌کننده‌های محرومیت هستند [ 15 ].]. تولید ناخالص داخلی نه تنها با تراکم ساخته شده در مجموعه ای از شهرهای کانادا [ 16 ] بلکه با شدت و چگالی نورهای شبانه در شهری از چین همبستگی بالایی نشان می دهد [ 17 ]. از سوی دیگر فضاهای سبز شهری با سلامت و تندرستی مرتبط بوده است. به طور کلی درصد و مجاورت سرسبزی در محیط زندگی با سلامت جسمی و روانی و با کاهش دمای سطح رابطه مثبت دارد [ 18 ].]. از نظر کیفیت هوا، هم به محیط های ساخته شده و هم به محیط های طبیعی مربوط می شود. توسعه مستمر شهری با کیفیت هوای بهتر در مناطق شهری ایالات متحده آمریکا همراه بود، در حالی که حضور جنگل های نزدیک به طور قابل توجهی با بهبود کیفیت هوا مرتبط بود زمانی که عوامل جمعیتی و درجه شهرنشینی برای [ 19 ] کنترل شد. به طور کلی، مرکزیت کم بافت شهری، تراکم کم، خدمات حمل و نقل بدتر و تنوع زمین محدود با غلظت آلاینده های بالاتر مرتبط هستند [ 20 ].
یک یافته کلی از این مطالعات این است که ساختار ساخته شده، انتشار نور شب، شبکه حمل و نقل، توزیع جمعیت و پیکربندی و تنوع LULC با عوامل اجتماعی-اقتصادی-اکولوژیکی در مناطق شهری مرتبط است. چنین روابطی عمدتاً بر اساس همبستگی، رگرسیون چندگانه و روش‌های جنگل تصادفی تحلیل شده‌اند. ثابت کردند که آنها تکنیک‌هایی مناسب برای مدل‌سازی متغیرهای آماری با استفاده از داده‌های مشتق‌شده از EO هستند. با این حال، اکثر مطالعات، تحلیل‌های درون شهری هستند که در سطح شهر انجام شده‌اند و تنها تعداد کمی در سطح منطقه‌ای یا ملی انجام شده است. اقلیت بر اساس تحلیل های بین شهری جهانی هستند که تصویر جامع تر، اما با جزئیات کمتری از الگوهای توسعه ارائه می دهند. نمونه هایی از مطالعات بین شهری نشان داد که در شهرهای اروپایی،21 ] و شاخص‌های مرتبط با کیفیت زندگی را می‌توان با استفاده از معیارهای فضایی LULC مدل‌سازی کرد [ 22 ]. در مناطق شهری ایالات متحده، شباهت ها در ساختار مناظر شهری با رفتارهای حمل و نقل مرتبط بود [ 23 ].
در تعادل، روابط بین محیط‌های ساخته شده و طبیعی و عوامل اجتماعی-اقتصادی-اکولوژیکی ثابت شده است، اما تحلیل‌های منطقه‌ای بزرگ و چند زمانی نادر هستند. این تحلیل ها فرصتی را برای ایجاد، بر اساس روابط از پیش تعیین شده، شاخص های فضایی پارامترهای اجتماعی، اقتصادی و زیست محیطی در بین کشورها و در بین کشورها به ارمغان می آورد. در این راستا، داده‌های مکانی به عنوان شاخص‌های نابرابری درآمد [ 24 ، 25 ]، رشد شهری ناپایدار [ 23 ]، نابرابری‌های اقتصادی [ 26 ] و تولید ناخالص داخلی، به‌ویژه در کشورهایی با سیستم‌های آماری با کیفیت پایین [ 27 ] مفید است.]. از این رو، کشف پیوندهای بین فرم شهری و LULC و متغیرهای آماری، هم در یک لحظه خاص از زمان و هم از نظر تکامل آنها در طول زمان، به نقشه‌برداری و ارزیابی تکامل زمانی فرآیندهای اجتماعی-اقتصادی و اکولوژیکی کمک می‌کند. برخی از مثال‌ها در این زمینه، پیش‌بینی از دست دادن زمین‌های کشاورزی و مسائل امنیت غذایی [ 28 ]، پیش‌بینی خطر و قرار گرفتن در معرض بیماری‌ها [ 10 ] یا مقایسه تحولات عوامل اجتماعی-اقتصادی، مانند اشتغال و فقر، در پاسخ به شرایط خاص است. سیاست ها [ 29 ، 30 ].
اخیراً درخواستی در رابطه با نیاز به تحلیل‌های تجربی متقابل مقایسه‌ای در مناطق مختلف وجود داشته است که سازگاری این روابط را نشان می‌دهد و به نتیجه‌گیری قابل اعتماد در مورد پایداری توسعه شهری اجازه می‌دهد [ 2 ، 31 ، 32 ]. با این حال، این تجزیه و تحلیل ها معمولاً به دلیل در دسترس بودن کمیاب یا ناسازگار داده ها در مقیاس جهانی محدود می شوند. برای مجموعه داده‌های اجتماعی-اقتصادی مورد نیاز، در حال حاضر، در دسترس بودن داده‌های جهانی و هنوز قابل مقایسه در وضوح‌های مقیاس درون شهری هنوز محدود است. از یک سو، برخی نهادها در حال ارائه آمارهای اجتماعی-اقتصادی و زیست محیطی برای شهرها و مناطق شهری کاربردی هستند. دو مثال، آمار شهر از Eurostat [ 33] و سازمان همکاری اقتصادی و توسعه (OECD) [ 34 ]. آنها آمارهای قابل مقایسه مرتبط با واحدهای سرزمینی را با پوشش مقیاس بزرگ برای دوره های زمانی متعدد ارائه می دهند. از سوی دیگر، علاقه فزاینده‌ای به یکپارچه‌سازی اطلاعات آماری و مکانی برای تولید داده‌های اجتماعی-اقتصادی صریح فضایی، مبادله از مرزهای نامنظم به سطحی منظم، و تسهیل مقایسه‌ها در داخل و بین مناطق در سطوح پایین‌تر وجود داشته است. دو مورد از این ابتکارات GEOSTAT [ 35 ] و مرکز داده ها و برنامه های کاربردی اجتماعی و اقتصادی (SEDAC) [ 36 ] هستند.]. اگرچه متغیرها و پوشش زمانی هنوز محدود هستند، اما منابع داده امیدوارکننده‌ای هستند که در حال توسعه هستند. برای مجموعه داده‌های فضایی مورد نیاز، به طور همزمان، تلاش‌های اخیر مبتنی بر EO در نقشه‌برداری جهانی و توصیف سکونتگاه‌های انسانی و پوشش‌های زمین در طول زمان انجام شده است. برخی از نمونه‌ها عبارتند از ردپای جهانی شهری (GUF)، که یک نقشه جهانی از سکونتگاه‌های شهری با وضوح فضایی بی‌سابقه 12 متر برای سال‌های 2010-2013 است [ 37 ]. لایه سکونت انسانی جهانی (GHSL)، که نشان دهنده حضور انسان در گذشته (1975، 1990، 2000 و 2014) با وضوح فضایی 30 متر است [ 38 ]. اطلس گسترش شهری، که داده های مربوط به گسترش شهری را از یک نمونه جهانی از 200 منطقه شهری جمع آوری می کند [ 39 ]]؛ و GlobeLand30 [ 40 ] و ابتکار تغییر آب و هوا (CCI) [ 41 ]، که داده های پوشش زمین جهانی را به ترتیب در تفکیک مکانی و زمانی 30 متر (2000 و 2010) و 300 متر (از سال 1992 تا 2018) ارائه می کنند. علاوه بر این، توسعه روش ها و الگوریتم ها برای طبقه بندی خودکار محیط های شهری در سراسر جهان به سرعت در حال پیشرفت است، به عنوان مثال، [ 42 ، 43 ، 44 ]]. پوشش جهانی و وضوح مکانی و زمانی بالای محصولات مشتق شده از EO همراه با ظرفیت بالا برای خودکارسازی فرآیندها امکان به روز رسانی مکرر مجموعه داده های جغرافیایی را فراهم می کند. با این حال، این موضوع هنوز در پایگاه‌های اطلاعاتی اقتصادی-اجتماعی مطرح است، زیرا این پایگاه‌های اطلاعاتی به بررسی‌ها و سرشماری‌هایی با فراوانی زمانی کم وابسته هستند و در برخی مناطق جغرافیایی محدود یا حتی وجود ندارند.
بر این اساس، هدف ما استفاده از الگوهای فضایی و توسعه آنها در طول زمان به عنوان نماینده پارامترهای اجتماعی-اقتصادی در سطح جهانی است. با کمک معیارهای فضایی به راحتی قابل اندازه‌گیری استخراج شده از داده‌های مشتق شده از EO و داده‌های فرعی به‌طور آشکار در دسترس، هدف ما اثبات امکان‌سنجی است. با در دسترس بودن رو به رشد مجموعه داده‌های فضایی و اجتماعی-اقتصادی، این فرصتی از نظر تنظیم دقیق روش‌شناختی برای تعریف روش‌های تجربی است که می‌توانند در آینده نزدیک در سطح جهانی، زمانی که داده‌های با وضوح بالاتر با دسترسی جهانی در دسترس باشند، به کار گرفته شوند. در این زمینه، یک تحلیل نیمه جهانی فرصتی را برای به دست آوردن اولین نتیجه گیری های بنیادی و پیش بینی تحلیل های احتمالی بعدی زمانی که داده های با وضوح بیشتر و بالاتر (یعنی از نظر مکانی، زمانی، موضوعی و با کیفیت بهتر) در دسترس قرار می گیرد، به ارمغان می آورد. بنابراین، هدف این مطالعه کمی کردن روابط بین متغیرهای اجتماعی-اقتصادی و زیست محیطی مانند درآمد، نابرابری، تولید ناخالص داخلی، کیفیت هوا و اشتغال، و معیارهای مکانی-زمانی صادر شده از پایگاه‌های اطلاعاتی جغرافیایی، هم در یک تاریخ خاص و هم در شرایط تغییر آنها در طول زمان متعاقبا، هدف شناسایی معیارهای مکانی-زمانی است که بیشترین ارتباط را با متغیرهای اجتماعی-اقتصادی و محیطی دارند و می‌توانند در مقیاس وسیع از پایگاه‌های داده‌های جغرافیایی کنونی جهانی استخراج شوند.

2. مواد و روشها

در این مطالعه، ما از مجموعه داده‌های باز چند زمانی با داده‌های جغرافیایی و اجتماعی-اقتصادی جهانی و نیمه جهانی استفاده کردیم. شکل 1 گردش کار کلی مطالعه را نشان می دهد. مجموعه داده های چندگانه در بخش 2.1 توضیح داده شده است، در حالی که بخش 2.2 مراحل پیش پردازش را برای اطمینان از هماهنگی مجموعه داده ها که برای استخراج بعدی معیارهای مکانی-زمانی ضروری هستند، تعریف می کند ( بخش 2.3 ). سپس با استفاده از مدل‌های رگرسیونی، معیارهای مکانی-زمانی با متغیرهای اجتماعی-اقتصادی از منظر چند زمانی مرتبط می‌شوند و معیارهای مربوطه شناسایی می‌شوند ( بخش 2.4 ).

2.1. مجموعه داده های اجتماعی-اقتصادی، مشتق از EO و فرعی

2.1.1. لایه سکونت انسانی جهانی (GHSL)

GHSL شامل یک طبقه بندی جهانی چند زمانی از مناطق ساخته شده است که توسط مرکز تحقیقات مشترک کمیسیون اروپا ایجاد شده است. GHSL «ساخت‌شده» را به‌عنوان مناطق ردپای ساختمان (یعنی ساختمان‌های مسقف بالای زمین) در نظر می‌گیرد. از مجموعه تصاویر لندست با وضوح فضایی 30 متر در چهار مرحله زمانی 1975، 1990، 2000 و 2014 مشتق شده است. ما از آخرین نسخه محصول منتشر شده در پایان سال 2019 استفاده کردیم که نسبت به نسخه قبلی پیشرفت های قابل توجهی دارد GHS_BUILT_LDSMT_GLOBE_R2018A_3857_30_V2_0 [ 38 _]، برای سال های 2000 و 2014 که با داده های اجتماعی-اقتصادی مصادف شود. مجموعه داده یک شطرنجی طبقه بندی شده در قالب VRT، با کاشی های GeoTIFF است، که در آن دسته بندی های مختلف نشان دهنده زمین های ساخته شده در هر دوره، آب، زمین های ساخته نشده و بدون داده، در سیستم مرجع مختصات (CRS) Pseudo Mercator (EPSG: 3857) است. ). منبع: https://doi.org/10.2905/jrc-ghsl-10007 .
2.1.2. آمار منطقه ای OECD
OECD پایگاه داده آماری منطقه ای را ارائه می دهد که در آن مجموعه داده های کلان شهرها پایین ترین سطح است [ 34 ]. این مجموعه داده حاوی داده هایی در مورد آمار جمعیتی، اقتصادی، توزیع درآمد، محیط زیست و آمار نیروی کار است. برای فوریه 2020، 649 منطقه شهری کاربردی (FUA که نماینده شهرها و مناطق رفت و آمد آنها هستند) با بیش از 250000 نفر در 33 کشور عضو OECD و کلمبیا از سال 2000 به بعد در دسترس بودند. متغیرهای ارائه شده در پایگاه داده با استفاده از روش های مختلف محاسبه می شوند. اکثریت بر اساس تجمیع داده‌های اداری محلی و سایرین، با استفاده از منابع داده‌های مکانی (مثلاً کیفیت هوا) یا با کاهش مقیاس متغیرهای موجود از مناطق بزرگتر از طریق استفاده از شبکه‌های جمعیتی (مثلاً تولید ناخالص داخلی) مدل‌سازی می‌شوند [ 45 ].].
ما آمار 32 کشور را برای سال های 2000 و 2014، یا سال قبل یا بعد که داده ها در دسترس نبود، جمع آوری کردیم. برای مثال، متغیرهای جینی و درآمد فقط برای سال‌های 2013، 2015 و 2016 در دسترس بودند. ما از آنها به عنوان تقریبی برای سال 2014 استفاده کردیم. در دسترس بودن به طور گسترده ای بین سال ها و کشورها و از متغیری به متغیر دیگر متفاوت است. بنابراین، تعداد FUAهایی که ما اعمال کردیم بین متغیرها متفاوت بود. ما متغیرهای اجتماعی-اقتصادی مرتبط با موضوعات اقتصادی، درآمد، نیروی کار و محیط زیست را برای سال 2014 و برای تغییر بین سال های 2000 و 2014 انتخاب کردیم ( جدول 1).). داده‌های آماری مورد استفاده در این مطالعه به داده‌های موجود در مجموعه داده‌های کلان‌شهری از فوریه 2020 اشاره دارد. فهرست FUAهای موجود برای هر متغیر اجتماعی-اقتصادی و زیست‌محیطی و مقادیر آن‌ها به تفصیل در مطالب تکمیلی ارائه شده است (جدول S1) . FUAهایی با بیش از 250000 نفر که در فهرست نیستند به دلیل در دسترس نبودن آنها برای سالهای تحصیلی ما است. از آنجایی که آمار منطقه ای OECD هر از چند گاهی به روز می شود، ممکن است تغییراتی در FUA های موجود و متغیرهای اجتماعی-اقتصادی رخ دهد. به همین دلیل، مجموعه داده اصلی دانلود شده در مطالب تکمیلی گنجانده شده است . منبع: https://doi.org/10.1787/data-00531-fa .
2.1.3. مرزهای اتحادیه اروپا-OECD FUA
OECD و کمیسیون اروپا به طور مشترک یک تعریف هماهنگ از FUAها به روشی ثابت در سراسر کشورها، به عنوان شهر و منطقه رفت و آمد آن (با جمعیت بیش از 50000 نفر) ایجاد کرده اند. FUA ها گستره فضایی اقتصادی و عملکردی شهر را نشان می دهند (با استفاده از تراکم جمعیت و داده های جریان سفر به محل کار). آنها برای به حداکثر رساندن قابلیت مقایسه بین‌المللی، غلبه بر محدودیت‌های استفاده از رویکردهای صرفاً اداری و برای تحلیل‌های سیاستی در مورد موضوعات مرتبط با توسعه شهری تعریف شدند [ 50 ]. این مجموعه داده به دو دلیل مختلف مورد استفاده قرار گرفت: (i) برای ارائه یک بعد فضایی به داده های اجتماعی-اقتصادی ( شکل 2)، و (ii) محدود کردن مجموعه داده های جغرافیایی با یک مرز به منظور استخراج معیارها و آمار در همان سطح برای متغیرهای اجتماعی-اقتصادی. مرزهای FUA را می توان بر اساس کشور در قالب فایل شکل در CRS WGS84 (EPSG:4326) دانلود کرد. منبع: https://www.oecd.org/regional/regional-statistics/functional-urban-areas.htm .
2.1.4. ابتکار تغییر اقلیم پوشش زمین
داده های پوشش زمین از پروژه پوشش زمین آژانس فضایی اروپا ابتکار تغییر آب و هوا (CCI-LC) برای به دست آوردن تراکم و پویایی پوشش زمین به دلیل رشد و توسعه شهری استفاده شد. پروژه CCI-LC نقشه‌های جهانی پوشش زمین را با وضوح فضایی 300 متر به صورت سالانه برای سال‌های 1992 تا 2018 ارائه می‌کند [ 41 ]. ما از مجموعه داده ESACCI-LC-L4-LCCS-Map-300m-P1Y-1992_2015-v2.0.7 برای سال های 2000 و 2014 استفاده کردیم تا با بقیه مجموعه داده ها مطابقت داشته باشد. نقشه پوشش زمین یک شطرنجی چند بانده طبقه بندی شده، در قالب GeoTIFF در CRS WGS84 است، که در آن هر باند یک سال را نشان می دهد. منبع: ftp://anon-ftp.ceda.ac.uk/neodc/esacci/ .
2.1.5. شبکه راه
مجموعه داده پروژه فهرست جاده های جهانی (GRIP) برای ارائه مجموعه داده های جاده جهانی اخیر و سازگار برای استفاده در مدل های زیست محیطی جهانی [ 51 ] توسعه یافته است. ما از پنج مجموعه داده مختلف برای پوشش مناطق موجود در FUAهای OECD (آمریکای شمالی، آمریکای مرکزی و جنوبی، اروپا، آسیای جنوبی و شرقی و اقیانوسیه) استفاده کردیم. مجموعه داده ها در فرمت shapefile در CRS WGS84 هستند. منبع: https://www.globio.info/download-grip-dataset .

2.2. پیش پردازش و هماهنگ سازی مجموعه داده ها

داده‌ها در قالب‌ها، وضوح‌ها و سیستم‌های مرجع مختصات مختلف آمده بودند. بنابراین، قبل از ادغام داده ها از منابع مختلف، برخی مراحل اولیه ضروری بود. داده ها و کدهای مورد نیاز برای بازتولید این اثر در مطالب تکمیلی در دسترس قرار گرفته است . مراحل پیش پردازش به شرح زیر بود:
  • مرزهای FUAهای اتحادیه اروپا-OECD از هر کشور در یک فایل شکل ادغام شدند و فقط آن دسته از FUAهایی که اطلاعات آماری در مجموعه داده منطقه شهری داشتند نگهداری شدند. FUA های کلمبیایی به دلیل طبقه بندی پایین GHSL، حضور ابر یا فقدان متغیرهای اجتماعی-اقتصادی در تجزیه و تحلیل گنجانده نشدند.
  • منطقه اروپایی مجموعه داده GRIP با استفاده از نقاط کنترل از OpenStreetMaps، به دلیل جابجایی اولیه (حدود 100 متر) جغرافیایی ارجاع داده شد.
  • سپس، دو دوره ساخته شده از GHSL استخراج شد. رده های 4 تا 6 نشان دهنده منطقه ساخته شده در سال 2000 و دسته های 3 تا 6 در سال 2014 هستند. این دو نقشه ساخته شده را ایجاد کرد.
  • در مورد CCI-LC، دو باند مربوط به سال های 2000 و 2014 استخراج شد (باندهای 9 و 23). افسانه CCI-LC به هفت نوع پوشش اصلی زمین به شرح زیر گروه بندی شد: مناطق کشاورزی (رده های 10 تا 30، هر دو شامل)، پوشش گیاهی نیمه طبیعی بالا (40-100 و 160-180)، نیمه کم پوشش گیاهی طبیعی/طبیعی (110-153)، مناطق شهری (190)، مناطق خالی (200-202)، بدنه های آبی (210) و برف دائمی (220). برای مشاهده افسانه اصلی و پیوند بین دسته ها و پوشش های زمین، به آژانس فضایی اروپا (ESA) مراجعه کنید [ 41 ]. این فرآیند دو نقشه پوشش زمین را ایجاد کرد.
  • نقشه‌های جهانی ساخته‌شده و پوشش زمین و مجموعه داده‌های شبکه جاده‌ای با استفاده از مرزهای FUA در CRS مجموعه داده‌ای که قرار است برش داده شود، بریده شد و در صورت لزوم مرزهای FUA را تغییر داد.
  • پس از آن، نقشه‌های ساخته‌شده و پوشش زمین در وضوح‌های فضایی اصلی‌شان به فرمت شیپ فایل بردار شدند، زیرا ابزار مورد استفاده برای استخراج معیارها با داده‌های برداری کار می‌کند.
  • در نهایت، داده‌ها به یک CRS پیش‌بینی‌شده محلی تبدیل شدند تا امکان اندازه‌گیری مناطق و فواصل را فراهم کند، که ویژگی‌های اساسی در بیشتر معیارهای فضایی هستند. برای انجام این کار، از مرکز FUA برای تعیین کد EPSG استفاده شد تا داده‌ها را به منطقه مرکاتور عرضی جهانی (UTM) نمایش دهد (به عنوان مثال، مادرید دارای کد EPSG 32630 است که با منطقه CRS WGS84/UTM 30N مطابقت دارد). . بنابراین، تمام FUAها دارای CRSهای سازگار و محلی مشابه در واحدها، مترها هستند.
در نتیجه، برای هر FUA منفرد، دو نقشه ساخته شده و دو نقشه پوشش زمین برای سال‌های 2000 و 2014، شبکه راه‌ها، و مرز تعیین‌کننده منطقه تجزیه و تحلیل، با یک قالب مشترک و CRS برای تجزیه و تحلیل بیشتر آماده شد.

2.3. استخراج معیارهای مکانی-زمانی

به منظور کمی کردن شکل شهری و الگوهای فضایی رشد شهری FUAs، ما معیارهای مکانی-زمانی را برای نقشه‌های ساخته‌شده، شبکه جاده‌ای و پوشش زمین محاسبه کردیم. ما از ابزار IndiFrag [ 52 ] استفاده کردیم که مجموعه جامعی از شاخص‌ها را برای کمی کردن الگوهای فضایی شهری و پویایی از نقشه‌های LULC گردآوری می‌کند. ما مجموعه‌ای از معیارهای غیر همبسته را اعمال کردیم که امکان اندازه‌گیری چگالی، تجمع و ویژگی‌های توزیع فضایی و تغییرات آن‌ها در طول زمان را فراهم می‌کند (متریک‌ها را با r پیرسون کنار گذاشتیم.> 80٪، مواردی که تحت تأثیر اندازه مرز، و معیارهای تنوع و کنتراست قرار می گیرند). دو نوع معیار در نظر گرفته شد: معیارهای مکانی استخراج‌شده برای یک تاریخ و معیارهای چند زمانی که با استفاده از نقشه‌های دو تاریخ مختلف محاسبه می‌شوند. بنابراین، مجموعه‌ای از معیارهای فضایی برای تعیین کمیت فرم شهری در سال 2014 و مجموعه دیگری از معیارهای مکانی-زمانی برای سال‌های 2000 و 2014 برای اندازه‌گیری الگوهای فضایی رشد شهری و پویایی پوشش زمین استخراج شد.
برخی از معیارها به‌جای کل منطقه ساخته‌شده، به‌طور خاص برای بزرگترین و دومین هسته‌های بزرگ شهری FUA اعمال می‌شوند. هسته ها بر اساس تعریف منطقه مورفولوژیکی شهری آژانس محیط زیست اروپا (EEA) [ 53 ]، “مجموعه ای از مناطق شهری با فاصله کمتر از 200 متر” است. از بزرگترین پچ ساخته شده، هسته با گنجاندن تمام تکه های ساخته شده در فاصله 200 متری اندازه گیری می شود، و همین امر برای دومین پچ بزرگ ساخته شده نیز صدق می کند. به این ترتیب، یک هسته تقسیم شده توسط یک ویژگی مانند رودخانه، یا دو پیکسل ساخته شده که توسط یک گوشه به هم متصل شده اند، در هسته شهری گنجانده شدند.

2.3.1. متریک فضایی (2000 و 2014)

ما معیارهای فضایی زیر را به صورت جداگانه برای دو نقطه زمانی 2000 و 2014 محاسبه کردیم:
  • فشردگی شهری (C) پیچیدگی و تکه تکه شدن منطقه ساخته شده را اندازه گیری می کند. هم برای FUAها و هم برای بزرگترین هسته شهری (C UC ) است. مقادیر بالا شکل فشرده تر و توزیع تجمعی را نشان می دهد. از 0 تا 100 متغیر است.
  • شاخص پراکندگی (DI) نسبت بین تعداد نرمال شده لکه ها و نسبت مساحت ساخته شده اشغال شده توسط بزرگترین پچ است [ 54 ]. مقادیر پایین نشان دهنده ادغام هستند، در حالی که مقادیر بالا نشان دهنده پراکندگی هستند.
  • فاصله استاندارد با وزن منطقه نرمال شده (AWSD) مرکزیت ناحیه ساخته شده را اندازه گیری می کند و میزان تمرکز اجسام در اطراف مرکز آنها را کمی می کند. با استفاده از “حداکثر فاصله” که به عنوان فاصله استاندارد یک شبکه معمولی که امتداد FUA تا مرکز را پوشش می دهد، به شکل و اندازه FUA نرمال می شود. مقادیر نرمال شده از 0 تا 100 متغیر است، جایی که فواصل پایین‌تر توزیع متمرکز تکه‌های ساخته‌شده را در اطراف هسته نشان می‌دهند، و مقادیر بالاتر، تکه‌های ساخته‌شده را نشان می‌دهند که به طور همگن در کل FUA توزیع شده‌اند، بدون خوشه‌بندی خاصی در اطراف مرکز.
  • تراکم درصد مساحت ساخته شده (DU) و سایر پوشش های زمین (D) نسبت به کل مساحت FUA است.
  • درصد هسته شهری (L UC ) درصدی از منطقه ساخته شده است که بزرگترین هسته را اشغال می کند. وقتی مقدار زیاد است، یک شکل تک مرکزی را نشان می دهد. از آنجایی که متریک مکانی بسیار با DI همبستگی دارد، تنها تغییر محاسبه شد و به عنوان یک متریک چند زمانی گنجانده شد.
  • دومین هسته بزرگ شهری (SL UC ) درصدی از منطقه ساخته شده است که دومین هسته بزرگ را اشغال می کند. هنگامی که مقدار به L UC نزدیک است ، یک شکل چند مرکزی را نشان می دهد.
  • نسبت کشیدگی (ER UC ) بزرگترین هسته شهری شکل کشیدگی هسته شهری را کمیت می کند. این معیار معمولاً در هیدرولوژی [ 55 ] استفاده می شود. ازدیاد طول را اندازه می گیرد و قطر محیط را با همان مساحت هسته بر بزرگترین ضلع هسته تقسیم می کند. از 0 تا 1 متغیر است. مقادیر نزدیک به صفر، شکل های کشیده را نشان می دهد، به عنوان مثال، یک فرم شهری خطی.
  • تراکم شبکه راه (جاده D) کل طول راه ها در هر کیلومتر مربع است.
2.3.2. معیارهای چند زمانی (2000–2014)
  • ما معیارهای زیر را به عنوان تفاوت بین معیارهای فضایی برای دو سال مختلف، 2000 و 2014 محاسبه کردیم: تغییر در فشردگی شهری (C CH )، فشردگی هسته شهری (C UC CH )، شاخص پراکندگی (DI CH )، منطقه نرمال فاصله استاندارد وزنی (AWSD CH )، چگالی (DU CH ، D CH )، درصد هسته شهری (L UC CH )، دومین هسته بزرگ شهری (SL UC CH ) و نسبت طولی (ER UC CH ).
  • نرخ تغییر شهری (UCR) درصد رشد ساخته شده نسبت به منطقه ساخته شده برای اولین تاریخ است.
  • شاخص گسترش میانگین وزن‌دار منطقه (AWMEI) برابر است با مجموع مجاورت‌های ناحیه ساخته شده در تمام تکه‌های جدید وزن‌شده بر اساس مساحت آنها. تجمع و تراکم رشد را کمیت می کند. از 0 تا 100 متغیر است. یک مقدار بالا نشان دهنده تراکم (رشد پر شدن) و بنابراین الگوی رشد فشرده تر است، و یک مقدار متوسط ​​رشد گسترده را نشان می دهد، در حالی که مقدار پایین نشان دهنده رشد پراکنده است.
  • شاخص میانگین دسترسی وزن‌دار منطقه (AWMAI) میزان دسترسی تکه‌های ساخته‌شده جدید به شبکه جاده‌ها را کمیت می‌دهد. این با میانگین فاصله معکوس بین تکه‌های ساخته‌شده جدید و نزدیک‌ترین جاده‌های آن‌ها، وزن‌دهی شده توسط مناطق تکه‌ها اندازه‌گیری می‌شود. از 0 تا 100 متغیر است. مقادیر بالاتر فاصله کمتری تا جاده ها و دسترسی بهتر را نشان می دهد.
  • شاخص عدم تعادل جمعیت و رشد شهری (PUGI) نابرابری بین افزایش منطقه ساخته شده را با توجه به رشد یا کاهش جمعیت (بر اساس شمارش جمعیت از جدول 1 ) اندازه گیری می کند. این اطلاعات مربوط به مصرف سرانه زمین (یعنی مقدار زمین ساخته شده به ازای تغییر جمعیت) و درجه پراکندگی در فرآیند شهرنشینی [ 56 ] را ارائه می دهد. مقادیر مثبت رشد شهری بیشتر، صفر به معنای رشد مساوی و مقادیر منفی به معنای رشد بیشتر جمعیت است.
  • نسبت تغییر (CP) پوشش زمین، نسبتی است که نشان دهنده تغییر در یک پوشش زمین خاص با توجه به مساحت کل FUA است و مساحت نسبی تغییر را اندازه می گیرد.

2.4. مدل‌های رگرسیون و شناسایی ارتباط معیارهای مکانی-زمانی

ما از مدل‌های رگرسیون تصادفی جنگل برای تعیین کمیت اینکه چقدر الگوهای فضایی شهری و تغییر آنها در طول زمان با شاخص‌های اجتماعی-اقتصادی و تغییرات چند زمانی آنها مرتبط است، استفاده کردیم. استفاده از جنگل تصادفی بر مدل های رگرسیون خطی و غیر خطی در ادبیات اخیر مورد بحث قرار گرفته است. بسیاری از مطالعات الگوریتم‌های مختلف را مقایسه کرده‌اند و جنگل تصادفی در بیشتر موارد بهترین عملکرد را داشته است، به عنوان مثال، [ 15 ، 17 ، 57 ، 58 ، 59 ]. جنگل تصادفی یک الگوریتم یادگیری نظارت شده است که از یک روش یادگیری گروهی برای طبقه بندی و رگرسیون استفاده می کند [ 60 ]]. برای ساخت مدل‌ها، ما 500 درخت تصمیم را با تقسیم‌های تصادفی دو سوم داده‌ها آموزش دادیم و یک سوم را برای آزمایش باقی گذاشتیم که نمونه خارج از کیسه (OOB) است. پیش بینی ها و دقت مدل ها با نمونه های OOB محاسبه می شود. این روش مدل را با به حداقل رساندن میانگین مربعات خطا (MSE) می سازد. به منظور ارزیابی عملکرد مدل، شاخص‌های دقت زیر را برای نمونه OOB اعمال کردیم: (i) ضریب تعیین ( R2) نسبت کل تنوع توضیح داده شده توسط مدل را اندازه گیری می کند. (ii) MSE میانگین اختلاف مجذور بین مقدار مشاهده شده و پیش بینی آن را اندازه گیری می کند. و (iii) ریشه میانگین مربعات خطا (RMSE) انحراف استاندارد تفاوت بین مقادیر مشاهده شده و پیش بینی آنها است. RMSE غلظت پیش‌بینی‌ها را حول خط 1:1 تخمین می‌زند (زمانی که پیش‌بینی برابر با مشاهده باشد)، و در واحدهای مشابه با متغیر مشاهده‌شده اندازه‌گیری می‌شود، که مقایسه مدل‌های واحدهای مختلف را محدود می‌کند. بنابراین، ما همچنین (iv) RMSE نرمال شده را با انحراف استاندارد (sd-NRMSE) وارد کردیم. این نشان دهنده نسبت بین تغییراتی است که توسط مدل توضیح داده نشده است در برابر تغییرات کلی در متغیر مشاهده شده.61 ]. (v) RMSE مبتنی بر محدوده نرمال شده (range-NRMSE) خطا را به عنوان درصدی از محدوده کل متغیر مشاهده شده [ 61 ] می دهد.
به منظور بررسی ارتباط معیارهای مکانی-زمانی از نظر روابط آنها با متغیرهای اجتماعی-اقتصادی و محیطی، ما معیارها را بر اساس معیار اهمیت متغیر رتبه‌بندی کردیم . این یک شاخص پرکاربرد و قوی است که اثرات غیرخطی و تعاملی را نشان می‌دهد [ 15 , 17 , 57 , 62]. هنگامی که یک متریک به طور تصادفی در یک درخت جایگزین می شود، افزایش در MSE را منعکس می کند، به طور متوسط ​​روی همه درختان. معیارهای با تفاوت بیشتر از نظر اهمیت در رتبه اول قرار گرفتند. علاوه بر این، برای آزمایش اهمیت اهمیت معیارها در مدل، MSE با توزیع صفر MSE مقایسه شد. ما این کار را با اجرای مدل 100 بار و تغییر متغیر وابسته به طور تصادفی، گزارش معیارهای مهم انجام دادیم ( p– ارزش < 0.05). ما مدل‌های مختلفی را برای یک متغیر با ترکیب زیرمجموعه‌های معیارهای مکانی-زمانی ساختیم (به عنوان مثال، تنها با استفاده از معیارهای مکانی برای سال 2014، اضافه کردن تراکم جاده، PUGI، تغییر پوشش زمین و/یا معیارهای چند زمانی). به این ترتیب، مدل نهایی تنها ترکیبی را حفظ می‌کند که بهترین عملکرد را داشته باشد و معیارهای با تأثیر منفی بر اساس اندازه‌گیری اهمیت را حذف می‌کند. در نهایت، از رگرسیون تصادفی جنگل و اندازه گیری اهمیت متغیرروابط مثبت یا منفی بین متغیرها و معیارها را گزارش ندهید، ما متغیرهای اجتماعی-اقتصادی را به پنج کمیت با همان تعداد FUA از سطوح پایین تر به بالاتر تقسیم کردیم. بنابراین، ما مقادیر استاندارد شده (z-score) معیارهای مهم را برای هر چندک نشان دادیم. این کار تفسیر روابط یافت شده را آسان می کند.

3. نتایج

3.1. برآورد متغیرهای اقتصادی-اجتماعی

جدول 2 شاخص های دقت مدل های رگرسیون را برای متغیرهای اجتماعی-اقتصادی و محیطی برای سال 2014 با استفاده از بهترین زیرمجموعه معیارها گزارش می کند. برای معیارهای موجود در هر مدل زیر بخش 3.3 .
مدل تولید ناخالص داخلی سرانه (GDP) تقریباً 44 درصد از تغییرپذیری آن (R2) را توضیح می‌دهد که نشان می‌دهد یک رابطه متوسط ​​​​بالا با الگوی فضایی شهری است. میانگین خطای آن 10101 USD (RMSE) است که نشان دهنده 12.3٪ از کل محدوده تولید ناخالص داخلی (محدوده-RMSE) است. FUA هایی مانند Obihiro در ژاپن، Lane در ایالات متحده آمریکا و Wuppertal در آلمان کمترین خطا را داشتند. با این حال، خطاها با توجه به تنوع کل تولید ناخالص داخلی به طور قابل توجهی زیاد است (sd-NRMSE = 0.75)، به دلیل وجود برخی از نقاط پرت در زمانی که تولید ناخالص داخلی بالا است (به عنوان مثال، سانفرانسیسکو و لوکزامبورگ، شکل 3 ). این مدل قادر به گرفتن ویژگی‌های فضایی، به‌ویژه در FUA‌هایی با مقادیر GDP نسبتاً بالا نبود. در موردنابرابری درآمد افراد (جینی)، تعداد FUAهای موجود و کشورها محدود است. با این حال، 52% از تنوع آن توسط مدل (R2) با خطای 0.03 توضیح داده شد که نشان دهنده 16% محدوده آن است. با این حال، تغییرپذیری بین FUA ها به طور کامل توسط مدل ما (sd-NRMSE = 0.69) ثبت نشده است. در این مورد، نابرابری های کم و زیاد، نسبت به FUA های نمونه برداری شده، بیش از حد و کمتر از حد توسط مدل تخمین زده شد ( شکل 3).). به عنوان مثال، بوردو در فرانسه و اسلو در نروژ مقادیر جینی پایینی دارند و مدل مقادیر بسیار بالاتری را پیش‌بینی می‌کرد. در مقابل، کلگری و ونکوور در کانادا، نیوهون و میامی در ایالات متحده آمریکا، و لیسبون و پورتو در پرتغال دست کم گرفته شدند، زیرا مقادیر نابرابری بسیار پایین‌تری پیش‌بینی شده بود. در همین حال، نمونه هایی از برآوردهای خوب عبارتند از: فایت در ایالات متحده آمریکا، وینیپگ در کانادا و فلورانس در ایتالیا. مدل درآمدی مدلی است که بهترین عملکرد را دارد. بالاترین R 2 را نشان می دهدو کمترین sd-NRSME. این 68 درصد از تنوع کل درآمد بین FUAs را با استفاده از معیارهای مکانی-زمانی توضیح داد. خطاها با توجه به تنوع کل درآمد به طور قابل توجهی کم هستند (sd-NRMSE = 0.56)، که نشان دهنده 12٪ از محدوده درآمد در FUAs (محدوده-NRMSE)، با میانگین خطای 6781 USD (RMSE) است. این مدل در تخمین ارزش‌های درآمد پایین شکست خورد، به ویژه در FUAهای مکزیکی ( شکل 3 ) به استثنای بنیتو خوارز، هرموسیلو و تیجوانا. یکی از دلایل ممکن است این باشد که آنها اشکال و الگوهای رشد شهری متفاوتی را ارائه می دهند، اما مقادیر درآمد متوسط ​​​​در سطح FUA بسیار مشابه هستند. در نهایت با توجه به متغیر محیطی، کیفیت هوابه دلیل ذرات ریز نیز با الگوهای فضایی شهری مرتبط است. تقریباً 53 درصد از تنوع آن با استفاده از معیارهای مکانی-زمانی با میانگین خطای 4.56 میکروگرم بر متر مکعب توضیح داده شد که نشان دهنده 13 درصد از محدوده کیفیت هوا (محدوده-NRMSE) است. با این حال، خطا نسبت به تغییرپذیری کیفیت هوا قابل توجه است (sd-NRMSE = 0.68). هنگامی که ماده خاص بالاتر از 30 میکروگرم بر متر مکعب بود ، مدل مقادیر کمتری را پیش‌بینی کرد ( شکل 3 ). این دست کم گرفتن به ویژه در FUA در مکزیک (سبز زیتونی)، کره (آبی برقی)، لهستان (صورتی تیره) و سانتیاگو در شیلی (سبز تیره) دیده می شود. همانطور که در شکل 3 مشاهده می شود، RMSE به مقادیر پرت بسیار حساس است. حتی اگر اکثر FUA ها پیش بینی خوبی داشته باشند (نزدیک به خط 1:1 هستند، مثلاً برای هلند، آلمان، فرانسه و ایالات متحده آمریکا)، عدم توانایی مدل برای تخمین برخی از آنها، باعث ایجاد پرت، به طور گسترده ای RMSE و مقادیر نرمال شده آنها را افزایش می دهد.

3.2. برآورد تغییرات متغیرهای اجتماعی-اقتصادی

با توجه به تغییرات زمانی متغیرهای اجتماعی-اقتصادی و محیطی، همانطور که انتظار می‌رفت، عملکرد مدل‌ها کمتر از مدل‌های تک‌زمانی بود. با این حال، مقدار قابل توجهی از تغییر کیفیت هوا و تغییر اشتغال با معیارهای مکانی-زمانی توضیح داده شد ( جدول 3 ).
ابتدا، تغییر در کیفیت هوا ، که به عنوان تغییر در محتوای ذرات ریز در هوا (μg/m3) اندازه‌گیری شد ، با R2 41% پیش‌بینی شد که نشان می‌دهد تنها بخشی از تغییرپذیری آن توسط مدل. میانگین خطای آن 0.78 میکروگرم بر متر مکعب است که نشان دهنده 11 درصد محدوده در متغیر (محدوده-NRMSE) است. با این حال، در مقایسه با تنوع کل کیفیت هوا، این به طور قابل توجهی بالا است (sd-NRMSE = 0.76). مطابق شکل 4همه FUA ها بین سال های 2000 و 2014 بهبود کیفیت هوا را تجربه کردند. بیشترین کاهش آلودگی هوا در برخی از FUA های مکزیکی و لهستانی اندازه گیری شد که به درستی مدل سازی نشده بودند و منجر به دست کم گرفتن شد. با این حال، تغییر کیفیت هوا در Aguascalientes در مکزیک، نیویورک در ایالات متحده آمریکا یا Modena در ایتالیا، در میان بسیاری از FUA های دیگر، با موفقیت مدل سازی شد. دوم، تغییر در نرخ اشتغال تا حدی با استفاده از معیارهای مکانی-زمانی (R2 = 32٪) توضیح داده شد . میانگین خطا 3.3 بود که 14 درصد از محدوده متغیر تغییر را به خود اختصاص می دهد. هنگامی که با تغییرپذیری در تغییر اشتغال مقایسه می‌شود، این بسیار زیاد است (sd-NRMSE = 0.83)، و مدل کمی تغییرات ذاتی در تغییر اشتغال را در FUAها توضیح می‌دهد. شکل 4نشان می دهد که بیشترین کاهش در نرخ اشتغال (به عنوان مثال، در دوبلین در ایرلند، و Benton و Washoe در ایالات متحده آمریکا) دست کم گرفته شده و نرخ های بسیار پایین تر پیش بینی شده است. در مقابل، بیشترین افزایش اشتغال در دوره مورد مطالعه در نیس و مارسی در فرانسه یا بارسلون در اسپانیا بود که آنها نیز دست کم گرفته شدند. در واقع، دامنه مقادیر پیش‌بینی‌شده (8.5- تا 1.5) بسیار پایین‌تر از محدوده تغییر اشتغال واقعی (15- تا 8.1) بود، و این مدل نتوانست به‌درستی این تغییرات را با معیارهای مکانی-زمانی ثبت کند. با این وجود، برآوردهای خوبی به عنوان مثال در شیکاگو، واشنگتن و دالاس در ایالات متحده آمریکا و روئن و سویل در فرانسه و اسپانیا انجام شد.

3.3. ارتباط معیارهای مکانی-زمانی

شکل 5 اهمیت و اهمیت معیارهای مکانی-زمانی را برای متغیرهای مدل‌سازی شده نشان می‌دهد. آنها با میانگین و انحراف استاندارد افزایش MSE هنگامی که یک متریک جایگشت می‌شود نشان داده می‌شوند، به طوری که هر چه افزایش بیشتر باشد، اهمیت بالاتری دارد. دو معیار مهم که در همه مدل‌ها کلیدی هستند، فشردگی شهری (C T2 ) و فشردگی هسته شهری (C UC T2 ) هستند. هر دو شکل جمع و جور و سطح تجمع منطقه شهری ساخته شده و هسته مرکزی را اندازه گیری می کنند. تغییرات در فشردگی هسته ساخته شده و شهری (C CH و C UC CH) برای تولید ناخالص داخلی و تغییر کیفیت هوا نیز مهم بوده و تأثیر آنها بر سایر متغیرهای اجتماعی-اقتصادی کمتر بوده و یا لحاظ نشده است. شاخص پراکندگی (DI T2 ) برای تخمین جینی و تغییر کیفیت هوا مرتبط است، اما برای بقیه متغیرها و همچنین تغییر آن در طول زمان (DI CH )، که تأثیر کمی دارد، کمتر مرتبط است. یکی دیگر از معیارهای مرتبط، مرکزیت و تمرکز عناصر ساخته شده نسبت به مرکز آنها است (AWSD T2). این معیار در مورد پیکربندی فضایی مناطق ساخته شده در FUA ها بسیار آموزنده است و گنجاندن آن در مدل تخمین جینی، تولید ناخالص داخلی، کیفیت هوا و تغییر در نرخ اشتغال را بهبود می بخشد. با توجه به تغییر درآمد و کیفیت هوا، تأثیر آن کمتر اما همچنان قابل توجه است ( p -values ​​<0.05). در مقابل، تغییر در مرکزیت (AWSD CH ) اهمیت بسیار کمی دارد. معنی دار نبوده و حتی به دلیل تاثیر منفی از مدل ها حذف شده است. این می تواند به دلیل این واقعیت باشد که تغییر بسیار کم است به استثنای چند شهر ژاپنی، کره ای و مکزیکی که تغییرات قابل توجهی در غلظت مناطق ساخته شده ایجاد می کنند. تراکم شهری (DU T2) در همه مدل ها تأثیر متوسطی دارد، اما به اندازه کافی قابل توجه نیست. در مقابل، تغییر آن (DU CH ) برای تغییر تولید ناخالص داخلی و اشتغال مهم است. نسبت ازدیاد طول به دلیل تأثیر منفی آن در مدل‌های GDP و جینی حذف شد و برای بقیه مدل‌ها اهمیت جزئی اما غیرمعنی‌دار دارد. تراکم پوشش های زمین برای شاخص های مختلف مهم است. تراکم زمین کشاورزی (D agric. T2 ) بر جینی، کیفیت هوا و تغییر آن تأثیر می گذارد. زمین با پوشش گیاهی کم (D کم گیاهی T2 ) به جینی، کیفیت هوا و تغییر اشتغال کمک می کند. تراکم شبکه راه ( جاده D) پیش بینی جینی و تغییرات کیفیت هوا و اشتغال را بهبود می بخشد، اما سهم آن قابل توجه نیست. در مورد نرخ تغییر شهری (UCR)، این تنها بر تغییر کیفیت هوا تأثیر می‌گذارد، زیرا تأثیر آن بر بقیه متغیرها معنی‌دار نیست ( p– مقادیر > 0.05). تراکم رشد (AWMEI) نیز به صورت متوسط ​​به تولید ناخالص داخلی، جینی و تغییر در نرخ اشتغال کمک می کند. یک معیار مهم برای تغییر در متغیرها، دسترسی عناصر جدید ساخته شده به شبکه جاده (AWMAI) است، و همچنین به تولید ناخالص داخلی و جینی کمک می کند. از سوی دیگر، عدم تعادل بین ردپای ساخته شده و رشد جمعیت (PUGI)، که اطلاعاتی را نه تنها در مورد نابرابری بین زمین های جدید توسعه یافته و پویایی جمعیتی، بلکه در مورد پراکندگی شهری نیز ارائه می دهد، برای همه مدل ها به جز جینی. با توجه به نسبت تغییر پوشش زمین، زمین کشاورزی تغییر می کند (CP agric.) برای تخمین جینی، درآمد، کیفیت هوا و تغییر آن در FUAها و همچنین تغییر کم پوشش گیاهی زمین که بر تولید ناخالص داخلی، جینی، درآمد، کیفیت هوا و تغییر اشتغال تأثیر می‌گذارد، مهم تشخیص داده می‌شود. تغییر در زمین با پوشش گیاهی بالا برای تغییر کیفیت هوا و تولید ناخالص داخلی سرانه مهم است.
تجزیه و تحلیل عملکرد معیارهای مکانی-زمانی مرتبط در برابر متغیرهای اجتماعی-اقتصادی تفسیر روابط یافت شده با مدل ها را تکمیل می کند. بنابراین، FUAها بر اساس مقادیر متغیر اجتماعی-اقتصادی به پنج چندک تقسیم شدند، که در آن چندک 1 مقادیر کم و 5 مقادیر زیاد را گروه بندی می کند. سپس، مقادیر استاندارد شده معیارهای مکانی-زمانی انتخاب شده با نمودارهای جعبه نمایش داده شد ( شکل 6 ). این شکل مجموعه‌ای از معیارهای مکانی-زمانی را نشان می‌دهد که روابط آنها با متغیرهای اجتماعی-اقتصادی در بخش بحث شرح و تحلیل شده است. مجموعه کامل نمودارهایی که معیارهای مکانی-زمانی به ازای هر متغیر اجتماعی-اقتصادی را نشان می دهند را می توان در مطالب تکمیلی یافت (شکل های S1-S6) .

4. بحث

ترکیب مجموعه داده‌های چند منبعی و چند زمانی برای تقریباً ششصد منطقه شهری کاربردی در 32 کشور ما را به استخراج بینش‌هایی در مورد رابطه بین الگوهای فضایی شهری و متغیرهای اجتماعی-اقتصادی و محیطی در مقیاس نیمه جهانی سوق داد. با استفاده از یک الگوریتم یادگیری ماشین، رگرسیون تصادفی جنگل، ما توانستیم تا حدی برخی از متغیرهای اجتماعی-اقتصادی و تغییر آنها را با استفاده از معیارهای مکانی-زمانی استخراج‌شده از پایگاه‌های اطلاعاتی جغرافیایی مدل‌سازی کنیم. ما بین 68 تا 44 درصد از متغیرهای درآمد، جینی، تولید ناخالص داخلی سرانه و کیفیت هوا را تنها با استفاده از اطلاعات مکانی توضیح دادیم. این نتیجه مرکزی ثابت می کند که سیمای فضایی مناطق شهری و تغییر آنها با شاخص های اجتماعی-اقتصادی و زیست محیطی این مناطق مرتبط است.
ما آگاه هستیم که نه تحولات کلان اقتصادی یا سایر تحولات فراگیر جهانی را مد نظر قرار داده ایم و نه تغییرات درون شهری را در نظر گرفته ایم، اما همچنان می توان نتیجه گرفت که این روابط وجود دارد. با توجه به تغییرات آنها، ما روابط را با معیارها فقط برای دو مورد از آنها (یعنی کیفیت هوا و نرخ اشتغال) تجزیه و تحلیل کردیم، زیرا بسیاری از متغیرها برای دو تاریخ در دسترس نبودند (مانند درآمد یا جینی) یا تغییر در طول زمان شاخص خوبی برای توسعه نیست، همانطور که در مورد تولید ناخالص داخلی [ 46]. با این وجود، ما به ترتیب 41 و 32 درصد از تغییرات کیفیت هوا و نرخ اشتغال را توضیح دادیم که نشان می‌دهد مولفه فضایی ممکن است تا حدی به نحوه تغییر این شاخص‌ها مرتبط باشد. با این حال، به طور کلی، ما دریافتیم که همبستگی های اساسی بین ساختار شهری فضایی و متغیرهای اجتماعی-اقتصادی-اکولوژیکی وجود دارد. با این حال، تغییرات چند زمانی را نمی توان یک به یک از این همبستگی تخمین زد، زیرا، برای مثال، ساختارهای شهری فضایی بر خلاف تحولات اقتصادی در معرض اینرسی خاصی هستند.
استفاده از رگرسیون تصادفی جنگل دارای نقاط قوت و ضعف است. تفسیرپذیری آن در مقایسه با رگرسیون پارامتری کاهش می یابد زیرا تابع ناشناخته است. با این حال، با اندازه گیری اهمیت متغیر، می توان آن دسته از متغیرهای مستقلی را شناسایی کرد که تأثیر قوی در مدل دارند [ 15 ، 57 ]، آنهایی که تأثیر جزئی دارند و آنهایی که نویز یا عدم قطعیت را اضافه می کنند.
ما رابطه بین متغیرهای اجتماعی-اقتصادی، محیطی و فضایی را بررسی کردیم و شواهدی از پیوندهای آنها پیدا کردیم. درجه فشردگی نواحی ساخته شده و هسته آنها با میانگین درآمد در FUAها ارتباط زیادی دارد. به‌ویژه، مقادیر فشرده‌تر در FUA‌های با درآمد پایین‌تر یافت می‌شود، در حالی که درآمدهای بالاتری در پیکربندی‌های شهری کم‌تر و در نتیجه پراکنده‌تر وجود دارد ( شکل 6 ج). این فرض ممکن است تحت تأثیر تفاوت های مستقل در فشردگی و درآمد بین کشورها باشد. با این حال، برای مثال، ما یک همبستگی منفی مشابه بین درآمد و فشردگی در FUAs از ایالات متحده پیدا کردیم (Pearson’s r = -42%)، برای مثال، که نشان می‌دهد این روند تنها توسط جنبه‌های جغرافیایی یا فرهنگی تعیین نمی‌شود. سالواتی و کارلوچی [63 ] دریافتند که سکونتگاه های ناپیوسته در شمال ایتالیا (فشردگی کم) درآمد قابل تصرف بالاتری دارند و این پدیده را به فرآیندهای حومه نشینی معمول در مناطق توسعه یافته و از نظر اقتصادی فعال اروپا مرتبط می کند. علاوه بر این، ما غیرخطی‌ها را اندازه‌گیری کردیم، که در آن از دست دادن بیشتر زمین‌های کشاورزی بین سال‌های 2000 و 2014، تکه تکه شدن بیشتر مناطق ساخته‌شده و پراکندگی (گسترش شهری بیشتر از رشد جمعیت) در FUA‌های با درآمد متوسط ​​رخ داد، در حالی که FUA‌های کم درآمد و با درآمد بالا. دارای مناطق ساخته‌شده‌ای بود که از نظر فضایی متمرکزتر بودند و جمعیت‌هایی که از رشد ساخته‌شده پیشی گرفتند ( شکل 6 ج). شهرها در کشورهای با درآمد بالاتر قبلاً با سطوح بالاتر مصرف زمین و تکه تکه شدن شهری مرتبط بوده اند [ 64]؛ با این حال، این مطالعه تنوع درآمد در شهرهای همان کشور را نادیده گرفت. نابرابری درآمد، در اینجا با جینی اندازه‌گیری شد، در FUAها با هسته‌های شهری فشرده کمتر بود که در همان زمان مناطق ساخته‌شده پراکنده و همگن‌تر را ارائه می‌کردند ( شکل 6 ب). این FUA ها با رشد شهری بین سال های 2000 و 2014 تراکم و دسترسی بالاتری را تجربه کردند، که به معنای رشد شهری پرتر و گسترده تر به شبکه جاده ها است. در حالی که تراکم زمین های کشاورزی بیشتر بود، آنها نسبت های بیشتری را نسبت به FUA های نابرابرتر از نظر درآمد از دست دادند. از این نظر، Boulant و همکاران. [ 65] ادعا کرد که جینی در شهرهای بزرگتر بالاتر است، که معمولاً فرصت های بیشتری را برای ساکنان فراهم می کند، اما در مقابل، نابرابری درآمد را افزایش می دهد. در همین حال، فرشته و همکاران. [ 64 ] شهرهایی در کشورهایی که نابرابری درآمدی بالاتری دارند، به پراکندگی شهری، از نظر تراکم جمعیت کمتر، مرتبط هستند. با این وجود، ما رابطه معنی داری بین شاخص جینی و PUGI (که همچنین باعث پراکندگی می شود) پیدا نکردیم. تولید ناخالص داخلی سرانه در ساختمان‌های کم‌تراکم‌تر که افزایش تراکم شهری را بین سال‌های 2000 و 2014 تجربه کردند، بالاتر بود ( شکل 6 الف). این روند توسط Weilenmann و همکاران نیز یافت شد. [ 66]، که در آن ثروت به طور مثبت با تراکم شهری بالاتر و درجات بالاتر پراکندگی مرتبط بود. ما تولید ناخالص داخلی کمتری را در FUAهای فشرده شناسایی کردیم که رشد پراکنده با رشد جمعیت بیشتری را نسبت به توسعه ایجاد شده بین سال‌های 2000 و 2014 تجربه کردند ( شکل 6 a). با این حال، ما متوجه شدیم که همبستگی مثبت بین تولید ناخالص داخلی و درجه مرکزیت شهری در FUA های مکزیکی در سطح جهانی مشاهده نشده است. هوانگ و همکاران [ 67] همچنین رابطه منفی بین تولید ناخالص داخلی سرانه و فشردگی پیدا کرد و بیان کرد که ثروت وسایل نقلیه موتوری شخصی و بزرگراه‌های بیشتری را به ارمغان می‌آورد که در کشورهای توسعه‌یافته به تسهیل زندگی در مناطق حاشیه‌ای کمک می‌کند. در همین حال، موتور کمتر در کشورهای در حال توسعه منجر به اشکال شهری فشرده تر می شود، زیرا ساکنان نزدیک به محل کار خود، معمولاً در داخل شهر زندگی می کنند.
در بعد زیست محیطی، کیفیت هوا در FUA با تراکم کمتر زمین کشاورزی اما تراکم بالاتر از زمین های نیمه طبیعی/طبیعی با پوشش گیاهی کم و بدنه های آبی بهتر بود ( شکل 6 د). ما همچنین رابطه ای بین آلودگی در FUAها و اشکال فشرده، هم از ردپای شهری و هم از هسته شهری پیدا کردیم. تجزیه و تحلیل شکل فشرده ردپاهای شهری به عنوان یک شاخص ارزشمند – علاوه بر تراکم جمعیت، ترکیب کاربری زمین، اتصال و دسترسی – به منظور کاهش تغییرات آب و هوایی مورد نظارت قرار گرفته است. فرشته و همکاران [ 68 ] ادعا کرد که با وجود مساوی بودن سایر عوامل، اشکال فشرده مصرف انرژی و انتشار گاز را کاهش می دهد. برعکس، Bechle و همکاران. [ 69] همبستگی معنی داری بین فشردگی و غلظت NO 2 پیدا نکردند، اما با توسعه جهش قورباغه و تراکم جمعیت بالاتر آن را یافتند. با توجه به تغییر کیفیت هوا، FUA های فشرده تر کیفیت هوای خود را بین سال های 2000 و 2014 بهبود بخشیدند، همراه با افزایش دسترسی و مصرف بیشتر زمین های کشاورزی در نتیجه رشد شهری ( شکل 6 e). در نهایت، در مورد تغییر نرخ اشتغال، نرخ‌های مثبتی در FUA با هسته‌های شهری فشرده، رشد شهری متراکم‌تر (یعنی انواع رشد پرکننده و گسترده) و بهبود دسترسی یافت شد ( شکل 6).و) این به نظر می رسد با رابطه منفی بین درآمد و تولید ناخالص داخلی، و متراکم ساخت و ساز و هسته شهری متناقض است. این ممکن است توضیحی دوگانه داشته باشد: اول، زیرمجموعه FUAها در مدل اشتغال، همان مناطق جغرافیایی را که در مدل‌های تولید ناخالص داخلی یا درآمد وجود دارد، نشان نمی‌دهد ( جدول S1 ). دوم، OECD نرخ اشتغال را به عنوان نسبت جمعیت شاغل به جمعیت در سن کار تعریف می کند [ 49 ]بنابراین، افزایش اشتغال همراه با افزایش بیشتر جمعیت در سن کار، تغییر منفی را در پی خواهد داشت. مدل نرخ اشتغال کاهش بیشتر در نرخ اشتغال را با تراکم بیشتر زمین های کم پوشش گیاهی همراه با مصرف بیشتر زمین های کم پوشش گیاهی به دلیل شهرنشینی بین سال های 2000 و 2014 مرتبط می کند. تغییرات در اشتغال قبلاً به تغییر LULC در پرتغال مرتبط بوده است. تغییرات کاربری زمین تأثیر مستقیمی بر نیروی کار داشت [ 70 ]. به طور خلاصه، ما تعیین کردیم که فشردگی هسته‌های ساخته‌شده و شهری تأثیرگذارترین معیارها برای همه متغیرهای اجتماعی-اقتصادی تحلیل‌شده هستند، که قبلاً توسط سایر نویسندگان نیز مورد توجه قرار گرفته بود [ 68 ، 71 ].
این تحلیل علیت را در نظر نمی گیرد و باید با احتیاط تفسیر شود. با این وجود، به تفکیک برخی از روابط بین الگوهای فضایی مناطق شهری کاربردی و شاخص‌های اجتماعی-اقتصادی کمک کرد. علاوه بر این، یافته های ارائه شده را نمی توان به مناطقی که در تجزیه و تحلیل پوشش داده نشده اند تعمیم داد. اکثر FUA های تجزیه و تحلیل شده به دلیل در دسترس بودن داده ها در کشورهای توسعه یافته یا با درآمد بالا انتخاب شدند. بنابراین، تا زمانی که مدل‌های جدید با مجموعه داده‌های بیشتر آزمایش نشوند، نمی‌توانیم همین روابط را در کشورهای در حال توسعه یا کشورهای کم درآمد فرض کنیم. از این نظر، این مطالعه اولین گام در کاوش این روابط جهانی و مدل‌های فرعی در مناطق خاص است.
علاوه بر این، هنگام کار با مجموعه داده‌های چندزمانی و جهانی، باید محدودیت‌هایی در نظر گرفته شود. به عنوان مثال، وابستگی مسیر تاریخی و فرهنگی مناطق شهری بر ساختارهای شهری خاص و ترکیبات پوشش زمین تأثیر می گذارد. این تأثیرات باید هنگام تفسیر نتایج در سطح جهانی در نظر گرفته شود. به عنوان مثال، آنچه که ممکن است در ایالات متحده آمریکا در مقابل اروپا، و در کشورهای با درآمد بالا در مقابل کم درآمد یا در سراسر قاره ها به عنوان یک الگوی فشرده در نظر گرفته شود، می تواند اساساً متفاوت باشد. سنجه‌های مکانی-زمانی ممکن است این تفاوت‌ها را به‌طور غیرمستقیم با استفاده از الگوهای فضایی اندازه‌گیری شده منعکس کرده باشند. بنابراین، در تحقیقات آینده، گنجاندن یک متغیر طبقه‌بندی که FUAها را با وابستگی‌های مسیر مشابه یا زمینه‌های جغرافیایی-فرهنگی گروه‌بندی می‌کند، ارزش بررسی دارد.
از سوی دیگر، کیفیت داده‌ها در این نوع تجزیه و تحلیل بسیار مهم است. به عنوان مثال، GHSL مورد استفاده برای توصیف مناطق ساخته شده دارای دقت متعادل 86٪ [ 72 ] بود که احتمالاً بر روابط یافت شده که ناشناخته باقی مانده اند تأثیر می گذارد. با این حال، با تفسیر معیارهای مکانی-زمانی، ما نقاط پرت را شناسایی کردیم که منجر به تشخیص FUA با خطاهای طبقه‌بندی شد، که از تجزیه و تحلیل حذف شدند و گنجاندن خطاهای بالقوه در مدل‌ها را کاهش داد ( جدول S1).). در این جهت، استفاده از معیارهای مکانی-زمانی مرتبط با یک مرز می‌تواند برای شناسایی مناطق دارای ناهنجاری و در نتیجه خطاهای احتمالی در پایگاه داده GHSL مورد استفاده قرار گیرد. در حوزه مجموعه داده‌های کلان‌شهری OECD، مدل‌سازی تغییرات در طول زمان هنوز یک چالش است، زیرا در دسترس بودن داده‌های چند زمانی به شدت کاهش می‌یابد، و در صورت موجود بودن، داده‌ها خطاهای احتمالی را که متغیرها ممکن است برای دو تاریخ جداگانه داشته باشند، انباشته می‌کند. . از آنجایی که روش‌های مختلفی برای جمع‌آوری داده‌های اجتماعی-اقتصادی در سطح FUA استفاده می‌شود، مانند تجمیع یا تفکیک از سطوح پایین‌تر و بالاتر، قابلیت اطمینان به طور گسترده‌ای به دقت این روش‌ها بستگی دارد. بنابراین، متغیرهای اجتماعی-اقتصادی مستعد عدم قطعیت‌هایی هستند که نمی‌توانیم آن‌ها را کمیت کنیم. لازم به ذکر است که داده های آماری مورد استفاده در این مطالعه به داده های موجود در فوریه 2020 اشاره دارد. پس از این تاریخ، انتظار می رود داده های OECD به طور مرتب به روز شده و شهرهای جدید به پایگاه داده اضافه شوند. با این حال، این بر تحلیل پیشنهادی تأثیر نمی گذارد و روش همچنان معتبر است. هر دو پایگاه داده های باز آماری و مکانی پویا هستند، دائما در حال توسعه و بهبود هستند. بنابراین، تغییرات مستمر در طول زمان مورد انتظار است. علاوه بر این، گاهی اوقات آمار شامل تخمین ها و مفروضاتی می شود. بنابراین، داده های تولید شده توسط سازمان های مختلف برای یک منطقه واقعی نیستند و ممکن است متفاوت باشند، بنابراین باید با احتیاط از آنها استفاده کرد. با این حال، از آنجایی که ما داده‌های یک پایگاه داده را با هم مقایسه می‌کنیم، ممکن است فرض کنیم که داده‌ها سازگار و مقایسه‌ها ثابت هستند. تجزیه و تحلیل با در دسترس بودن متغیرهای آماری و داده‌های مکانی محدود شد، اما گنجاندن متغیرهای محیطی اضافی، متغیرهای اقتصادی و اجتماعی مناسب‌تر (به عنوان مثال، اشتغال و تولید ناخالص داخلی) در سطح کلان شهرها، و اطلاعات جغرافیایی اضافی برای بررسی جالب خواهد بود. در نهایت، مرزهای فضایی مورد استفاده برای استخراج الگوهای فضایی شهری FUAهای اتحادیه اروپا-OECD بر یک روش ثابت برای ترسیم تکیه دارند. ما تشخیص دادیم که به دلایل مختلف مانند کیفیت متفاوت در مجموعه داده‌ها، تعریف هندسی مرزها در برخی کشورها به خوبی کشورهای دیگر نیست. به عنوان مثال، مکزیک، شیلی و ژاپن هندسه های درشت تری نسبت به ایالات متحده یا اروپا نشان دادند که ممکن است بر معیارهای مکانی-زمانی تأثیر بگذارد، زیرا مناطق ساخته شده با استفاده از این مرزها بریده شده بودند. متغیرهای اقتصادی و اجتماعی مناسب تر (به عنوان مثال، اشتغال و تولید ناخالص داخلی) در سطح کلان شهرها و اطلاعات جغرافیایی اضافی برای بررسی جالب خواهد بود. در نهایت، مرزهای فضایی مورد استفاده برای استخراج الگوهای فضایی شهری FUAهای اتحادیه اروپا-OECD بر یک روش ثابت برای ترسیم تکیه دارند. ما تشخیص دادیم که به دلایل مختلف مانند کیفیت متفاوت در مجموعه داده‌ها، تعریف هندسی مرزها در برخی کشورها به خوبی کشورهای دیگر نیست. به عنوان مثال، مکزیک، شیلی و ژاپن هندسه های درشت تری نسبت به ایالات متحده یا اروپا نشان دادند که ممکن است بر معیارهای مکانی-زمانی تأثیر بگذارد، زیرا مناطق ساخته شده با استفاده از این مرزها بریده شده بودند. متغیرهای اقتصادی و اجتماعی مناسب تر (به عنوان مثال، اشتغال و تولید ناخالص داخلی) در سطح کلان شهرها و اطلاعات جغرافیایی اضافی برای بررسی جالب خواهد بود. در نهایت، مرزهای فضایی مورد استفاده برای استخراج الگوهای فضایی شهری FUAهای اتحادیه اروپا-OECD بر یک روش ثابت برای ترسیم تکیه دارند. ما تشخیص دادیم که به دلایل مختلف مانند کیفیت متفاوت در مجموعه داده‌ها، تعریف هندسی مرزها در برخی کشورها به خوبی کشورهای دیگر نیست. به عنوان مثال، مکزیک، شیلی و ژاپن هندسه های درشت تری نسبت به ایالات متحده یا اروپا نشان دادند که ممکن است بر معیارهای مکانی-زمانی تأثیر بگذارد، زیرا مناطق ساخته شده با استفاده از این مرزها بریده شده بودند. مرزهای فضایی مورد استفاده برای استخراج الگوهای فضایی شهری FUAهای اتحادیه اروپا-OECD بر یک روش ثابت برای ترسیم تکیه دارند. ما تشخیص دادیم که به دلایل مختلف مانند کیفیت متفاوت در مجموعه داده‌ها، تعریف هندسی مرزها در برخی کشورها به خوبی کشورهای دیگر نیست. به عنوان مثال، مکزیک، شیلی و ژاپن هندسه های درشت تری نسبت به ایالات متحده یا اروپا نشان دادند که ممکن است بر معیارهای مکانی-زمانی تأثیر بگذارد، زیرا مناطق ساخته شده با استفاده از این مرزها بریده شده بودند. مرزهای فضایی مورد استفاده برای استخراج الگوهای فضایی شهری FUAهای اتحادیه اروپا-OECD بر یک روش ثابت برای ترسیم تکیه دارند. ما تشخیص دادیم که به دلایل مختلف مانند کیفیت متفاوت در مجموعه داده‌ها، تعریف هندسی مرزها در برخی کشورها به خوبی کشورهای دیگر نیست. به عنوان مثال، مکزیک، شیلی و ژاپن هندسه های درشت تری نسبت به ایالات متحده یا اروپا نشان دادند که ممکن است بر معیارهای مکانی-زمانی تأثیر بگذارد، زیرا مناطق ساخته شده با استفاده از این مرزها بریده شده بودند.
شناسایی پدیده‌های اجتماعی-اقتصادی و مقایسه متقابل آن‌ها در میان مناطق، کشورها و قاره‌ها با استفاده از معیارهای به دست آمده از پایگاه‌های اطلاعاتی جغرافیایی موجود برای محیط‌های شهری به طور فزاینده‌ای امکان‌پذیر است. این پایگاه های داده به طور مداوم در حال بهبود هستند. به‌روزرسانی‌های آن‌ها بیشتر و بیشتر می‌شوند، زیرا فرآیندها خودکار می‌شوند و تعداد فزاینده‌ای از ماهواره‌ها تصاویر آزادانه را با پوشش جهانی ارائه می‌کنند (مثلاً مأموریت‌های Landsat و Sentinel). در آینده قابل پیش‌بینی، داده‌های قابل مقایسه بیشتری با وضوح مکانی و زمانی بالاتر در دسترس خواهند بود. از این رو، استفاده از معیارهای مکانی-زمانی – که الگوهای فضایی و رشد شهری را توصیف می کند – مرتبط با شاخص های اجتماعی-اقتصادی و زیست محیطی و تغییر آنها در طول زمان، به بهبود درک عوامل توسعه در مناطق شهری و پیامدهای آنها در مقیاس جهانی که تا به امروز محدود شده است کمک خواهد کرد. بنابراین، روش پیشنهادی، که در اینجا با داده‌های نیمه جهانی آزمایش شده است، می‌تواند به محض اینکه داده‌های بیشتری در دسترس قرار گیرد، در مقیاس جهانی تعمیم داده شود. علاوه بر این، مجموعه داده‌های فضایی و اجتماعی-اقتصادی جدید در مقیاس‌های مختلف باید به زودی مورد بررسی قرار گیرد و احتمال یافته‌ها و تحلیل‌های جدید افزایش یابد. نتایج اولیه ما نشان می دهد که محرک ها و پیامدهای مشترک توسعه شهری در داخل و بین مناطق وجود دارد (به عنوان مثال، فشرده بودن ردپای ساخته شده بر درآمد خانوار، نابرابری درآمد یا تولید ناخالص داخلی سرانه در مناطق شهری کارکردی تأثیر می گذارد یا مرتبط است). روندهای جهانی با این حال، تغییرات درون شهری را نباید نادیده گرفت،2 ، 31 ]. یک مطالعه آینده نه تنها باید گستره جغرافیایی تجزیه و تحلیل را افزایش دهد، بلکه شامل تغییرات درون شهری و همچنین تجزیه و تحلیل حساسیت با واحدهای فضایی متفاوت است.

5. نتیجه گیری ها

نظارت بر توسعه عناصر ساخته شده و طبیعی در مناطق شهری و شناسایی روابط آنها با فرآیندهای اجتماعی-اقتصادی-اکولوژیکی امکان مقایسه این فرآیندها در مناطق مختلف را فراهم می کند. این امر برای روشن شدن روندهای توسعه جهانی مفید خواهد بود و به طراحی سیاست های توسعه پایدارتر کمک خواهد کرد. در این مطالعه، ما روابط تجربی و معنی‌داری بین شاخص‌های اجتماعی-اقتصادی-اکولوژیکی (درآمد، نابرابری، تولید ناخالص داخلی، نرخ اشتغال و کیفیت هوا) و معیارهای مکانی-زمانی توصیف‌کننده محیط‌های ساخته شده و طبیعی را تعیین کردیم. دومی از پایگاه های داده های جغرافیایی موجود به روشی چند زمانی استخراج شد. معیارهای فضایی سازماندهی فضایی مناطق شهری و LULC و تغییر آنها در یک دوره زمانی را نشان می دهد.
علاوه بر این، ما مهم‌ترین معیارها را برای مدل‌سازی شاخص‌های اجتماعی-اقتصادی و زیست محیطی شناسایی کردیم: فشردگی مناطق ساخته شده و هسته شهری آنها ویژگی‌های فضایی هستند که بهتر با وضعیت اجتماعی-اقتصادی مرتبط هستند. این می تواند به عنوان مثال، به عنوان نماینده متوسط ​​درآمد خانوار در FUA های تجزیه و تحلیل شده استفاده شود. درجه تمرکز یا منطقه ساخته شده نسبت به مرکز در همه مدل ها، به ویژه برای نابرابری درآمد مهم بود. سایر معیارهای مربوطه شاخص پراکندگی بود. تراکم رشد و دسترسی به جاده ها، که الگوهای فضایی رشد شهری را از نظر کارایی آنها کمی می کند. و تراکم پوشش اراضی کشاورزی و کم پوشش گیاهی و تغییر آنها.
این اولین تحلیل با هدف اهرم تکثیر پایگاه‌های اطلاعاتی فضایی و اجتماعی-اقتصادی بلندمدت در ترکیب با روش‌های یادگیری ماشین، برجسته کردن پتانسیل بالای مجموعه داده‌های باز برای شناسایی روندهای رشد عمومی در مناطق شهری است. گنجاندن مناطق بیشتر و مجموعه داده‌های با وضوح بالاتر مشاهدات ما را تقویت می‌کند. از آنجایی که در دسترس بودن مجموعه داده های جهانی یک تلاش مداوم است که بسیاری از محققان و سازمان ها به آن توجه می کنند، شناسایی روابط قوی تر در آینده نزدیک در مقیاس جهانی امکان پذیر خواهد بود.

منابع

  1. Tonkiss, F. Cities by Design: The Social Life of Urban Form ; Polity Press: کمبریج، بریتانیا، 2013. [ Google Scholar ]
  2. زو، ز. ژو، ی. Seto، KC; استوکس، EC; دنگ، سی. پیکت، STA; Taubenböck، H. درک یک سیاره شهری: جهت گیری های استراتژیک برای سنجش از دور. سنسور از راه دور محیط. 2019 ، 228 ، 164-182. [ Google Scholar ] [ CrossRef ]
  3. سازمان ملل متحد (UN). ریاست امور اقتصادی و اجتماعی، بخش نفوس ؛ چشم انداز شهرنشینی جهان: نیویورک، نیویورک، ایالات متحده آمریکا، 2019. [ Google Scholar ]
  4. ونتز، EA؛ یورک، AM; آلبرتی، م. کانرو، ال. فیشر، اچ. اینوستروزا، ال. جانتس، سی. پیکت، STA; Seto، KC; Taubenböck، H. شش جنبه اساسی برای مفهوم سازی فرم شهری چند بعدی: دیدگاه نقشه برداری فضایی. Landsc. طرح شهری. 2018 ، 179 ، 55-62. [ Google Scholar ] [ CrossRef ]
  5. ونتز، EA؛ اندرسون، اس. فراقیاس، م. نتزبند، م. مسیف، وی. Myint، SW; کواتروچی، دی. رحمان، ع. Seto، KC حمایت از تحقیقات جهانی تغییر محیطی: مروری بر روندها و شکاف های دانش در سنجش از دور شهری. Remote Sens. 2014 , 6 , 3879–3905. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. آلن، ال. ویلیامز، جی. تاونسند، ن. میکلسن، بی. رابرتز، ن. فاستر، سی. Wickramasinghe، K. وضعیت اجتماعی و اقتصادی و عوامل خطر رفتاری بیماری های غیر واگیر در کشورهای کم درآمد و با درآمد متوسط ​​پایین: یک بررسی سیستماتیک. Lancet Glob. Health 2017 ، 5 ، e277–e289. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. بلسکی، DW; کاسپی، ع. آرسنول، ال. Corcoran، DL; Domingue، BW; هریس، KM; Houts، RM; آسیاب، JD. موفیت، تی. پرینز، جی. و همکاران ژنتیک و جغرافیای سلامت، رفتار و دستیابی. نات. هوم رفتار 2019 ، 3 ، 576-586. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. ویلنوو، پی جی; جرت، ام. سو، جی جی; برنت، RT; چن، اچ. ویلر، ای جی. گلدبرگ، ام اس یک مطالعه کوهورت مربوط به فضای سبز شهری با مرگ و میر در انتاریو، کانادا. محیط زیست Res. 2012 ، 115 ، 51-58. [ Google Scholar ] [ CrossRef ]
  9. پاتز، جی. دازاک، پ. تابور، جنرال موتورز; آگویر، AA; پرل، م. اپستاین، جی. وولف، ND; کیلپاتریک، AM; فوفوپولوس، ج. مولینوکس، دی. و همکاران مناظر ناسالم: توصیه های سیاست در مورد تغییر کاربری زمین و ظهور بیماری های عفونی محیط زیست چشم انداز سلامتی 2004 ، 112 ، 1092-1098. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. ویلکینسون، دی. مارشال، جی سی. فرانسوی، NP; هیمن، تکه تکه شدن زیستگاه DTS، از دست دادن تنوع زیستی و خطر ظهور بیماری های عفونی جدید. JR Soc. رابط 2018 ، 15 ، 20180403. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  11. زهدی، س. شوارتز، تی اس; Oaks, JR اثر هم تکاملی به عنوان محرک سرریز. روند پارازیتول. 2019 ، 35 ، 399-408. [ Google Scholar ] [ CrossRef ]
  12. Watmough, GR; اتکینسون، PM؛ سایکیا، ع. Hutton، CW درک پایه شواهد برای روابط فقر-محیط زیست با استفاده از داده های ماهواره ای سنجش از راه دور: نمونه ای از آسام، هند. توسعه دهنده جهانی 2016 ، 78 ، 188-203. [ Google Scholar ] [ CrossRef ]
  13. دوک، جی سی. پاتینو، جی. رویز، لس آنجلس؛ Pardo-Pascual، JE اندازه گیری فقر درون شهری با استفاده از معیارهای پوشش زمین و بافت به دست آمده از داده های سنجش از دور. Landsc. طرح شهری. 2015 ، 135 ، 11-21. [ Google Scholar ] [ CrossRef ]
  14. ونرندی، ع. کواترون، جی. Capra, L. روشی مقیاس پذیر برای کمی کردن رابطه بین فرم شهری و شاخص های اجتماعی-اقتصادی. EPJ Data Sci. 2018 ، 7 ، 1-21. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. آریباس-بل، دی. پاتینو، جی. اندازه‌گیری مبتنی بر سنجش از دور Duque، JC محرومیت از محیط زندگی: بهبود رویکردهای کلاسیک با یادگیری ماشین. PLoS ONE 2017 , 12 , e0176684. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  16. فیصل، ک. شاکر، ا. حبانی، س. مدل سازی رابطه بین تولید ناخالص داخلی و منطقه ساخته شده با استفاده از سنجش از دور و داده های GIS: مطالعه موردی هفت شهر بزرگ در کانادا. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 23. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  17. لیانگ، اچ. گوا، ز. وو، جی. چن، Z. فضایی سازی تولید ناخالص داخلی در شهر نینگبو بر اساس نور شبانه NPP/VIIRS و داده های کمکی با استفاده از رگرسیون تصادفی جنگل. Adv. Space Res. 2020 ، 65 ، 481-493. [ Google Scholar ] [ CrossRef ]
  18. ویگاند، ام. ورم، م. دچ، اس. Taubenböck، H. سنجش از دور در تحقیقات عدالت محیطی – مروری. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 20. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. مک کارتی، جی. Kaza, N. فرم شهری و کیفیت هوا در ایالات متحده. Landsc. طرح شهری. 2015 ، 139 ، 168-179. [ Google Scholar ] [ CrossRef ]
  20. هانکی، اس. مارشال، JD فرم شهری، آلودگی هوا و سلامت. Curr. محیط زیست Health Rep. 2017 , 4 , 491-503. [ Google Scholar ] [ CrossRef ]
  21. اولسن، جی آر. نیکولز، ن. میچل، آر. آیا مناظر شهری با رضایت از زندگی گزارش شده و نابرابری در رضایت از زندگی در سطح شهر مرتبط هستند؟ مطالعه مقطعی 66 شهر اروپایی. Soc. علمی پزشکی 2019 ، 226 ، 263-274. [ Google Scholar ] [ CrossRef ]
  22. ساپنا، م. رویز، لس آنجلس؛ Goerlich، FJ تجزیه و تحلیل روابط بین معیارهای پراکندگی کاربری زمین شهری و متغیرهای اجتماعی-اقتصادی. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2016 ، XLI-B8 ، 1029–1036. [ Google Scholar ] [ CrossRef ]
  23. استوکس، EC; Seto، KC مشخص کردن و اندازه گیری مناظر شهری برای پایداری. محیط زیست Res. Lett. 2019 , 14 , 045002. [ Google Scholar ] [ CrossRef ]
  24. Mveyange، A. نورهای شب و نابرابری درآمد منطقه ای در آفریقا . مؤسسه جهانی دانشگاه ملل متحد برای تحقیقات اقتصاد توسعه (UNU-WIDER): هلسینکی، فنلاند، 2015. [ Google Scholar ]
  25. دی لیو، جی. جورجیادو، ی. کرل، ن. دی گیر، ا. اینو، ی. فروردا، ج. اسمیز، م. Narantuya، D. عملکرد سنجش از دور در حمایت از سیاست زیست محیطی. Remote Sens. 2010 , 2 , 1731-1750. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. تاوبنبوک، اچ. فرستل، ج. Dech، S. مناطقی که در سنگ قرار گرفته‌اند—تحدید و طبقه‌بندی مناطق در اروپا بر اساس الگوهای استقرار مشتق شده از داده‌های EO. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 55. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. چن، ایکس. نوردهاوس، WD استفاده از داده‌های درخشندگی به‌عنوان پروکسی برای آمارهای اقتصادی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2011 ، 108 ، 8589-8594. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  28. ریمال، بی. ژانگ، ال. کشتکار، ح. وانگ، ن. Lin, Y. نظارت و مدل‌سازی گسترش شهری فضایی و زمانی و تغییر کاربری زمین/پوشش زمین با استفاده از مدل اتوماتای ​​سلولی زنجیره‌ای مارکوف یکپارچه. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 288. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  29. Oldekop، JA; سیمز، KR؛ کارنا، BK; ویتینگهام، ام جی; Agrawal، A. کاهش در جنگل زدایی و فقر از مدیریت غیر متمرکز جنگل در نپال. نات. حفظ کنید. 2019 ، 2 ، 421-428. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. سیمز، KR؛ تامپسون، جی آر. مایر، اس آر. نولته، سی. Plisinski، JS ارزیابی اثرات اقتصادی محلی حفاظت از زمین. حفظ کنید. Biol. 2019 ، 33 ، 1035-1044. [ Google Scholar ] [ CrossRef ]
  31. لوبو، جی. آلبرتی، م. آلن دوماس، ام. Arcaute، E. بارتلمی، ام. بوجورکز-تاپیا، لس آنجلس; بریل، اس. بتنکورت، ال. بیوکز، ا. چن، دبلیو. و همکاران علوم شهری: نظریه یکپارچه از اولین شهرها تا کلانشهرهای پایدار الکترون SSRN. J. 2020 ، (در دست چاپ). [ Google Scholar ] [ CrossRef ]
  32. Seto، KC; طلایی، JS; آلبرتی، م. ترنر، BL پایداری در یک سیاره در حال شهرنشینی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2017 ، 114 ، 8935–8938. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. یورواستات شهرها (حسابرسی شهری). 2016. در دسترس آنلاین: https://ec.europa.eu/eurostat/web/cities/background (در 15 آوریل 2020 قابل دسترسی است).
  34. OECD. مناطق شهری، آمار منطقه ای OECD [پایگاه داده]. 2019. در دسترس آنلاین: https://dx.doi.org/10.1787/data-00531-en (در 22 نوامبر 2019 قابل دسترسی است).
  35. GEOSTAT. یورواستات، اطلاعات جغرافیایی و نقشه ها. 2020. در دسترس آنلاین: https://ec.europa.eu/eurostat/web/gisco/gisco-activities/integrating-statistics-geospatial-information/geostat-initiative (در 15 آوریل 2020 قابل دسترسی است).
  36. SEDAC. مرکز داده ها و برنامه های اجتماعی و اقتصادی ناسا. شبکه های سرشماری ایالات متحده 2020. در دسترس آنلاین: https://sedac.ciesin.columbia.edu/ (در 15 آوریل 2020 قابل دسترسی است).
  37. اش، تی. تاوبنبوک، اچ. راث، ا. هلدنز، دبلیو. فلبیر، آ. تیل، م. اشمیت، ام. مولر، آ. ماموریت Dech، S. TanDEM-X: دیدگاه های جدید برای موجودی و نظارت بر الگوهای اسکان جهانی. J. Appl. Remote Sens. 2012 , 6 , 061702. [ Google Scholar ] [ CrossRef ]
  38. کوربن، سی. فلورچیک، آ. پسری، م. پولیتیس، پ. Syrris، V. GHS-BUILT R2018A—GHS Built-Up Grid، برگرفته از Landsat، Multitemporal (1975-1990-2000-2014). کمیسیون اروپا، مرکز تحقیقات مشترک (JRC) [Dataset]. 2018. در دسترس آنلاین: https://data.europa.eu/89h/jrc-ghsl-10007 (در 2 ژانویه 2020 قابل دسترسی است).
  39. فرشتگان.؛ Blei، AM; پدر و مادر، ج. لامسون هال، پی. گالارزا-سانچز، ن. سیوکو، دی ال. کیان، ال آر. Thom, K. Atlas of Urban Expansion ; مؤسسه خط مشی زمین لینکلن: کمبریج، MA، ایالات متحده آمریکا، 2016. [ Google Scholar ]
  40. چن، جی. کائو، ایکس. پنگ، اس. رن، اچ. تجزیه و تحلیل و کاربردهای GlobeLand30: بررسی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 230. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  41. ESA راهنمای کاربر محصول Land Cover CCI نسخه 2. 2017. موجود به صورت آنلاین: https://maps.elie.ucl.ac.be/CCI/viewer/download/ESACCI-LC-Ph2-PUGv2_2.0.pdf (دسترسی در 7 فوریه 2020).
  42. بچتل، بی. اسکندر، پ. بونر، جی. چینگ، جی. کنراد، او. فدما، ج. میلز، جی. ببینید، L. استوارت، I. نقشه برداری مناطق آب و هوایی محلی برای پایگاه داده جهانی شکل و عملکرد شهرها. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 199-219. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. کائو، دبلیو. دونگ، ال. وو، ال. لیو، ی. کمی سازی مناطق شهری با داده های چند منبعی بر اساس تئوری نفوذ. سنسور از راه دور محیط. 2020 ، 241 ، 111730. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  44. کیو، سی. اشمیت، ام. گیس، سی. چن، THK; Zhu، XX چارچوبی برای نقشه برداری در مقیاس بزرگ وسعت استقرار انسانی از تصاویر Sentinel-2 از طریق شبکه های عصبی کاملاً کانولوشن. ISPRS J. Photogramm. Remote Sens. 2020 , 163 , 152–170. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  45. OECD. پایگاه داده متروپولیتن فراداده و یادداشت های انتشار. 2019. در دسترس آنلاین: https://stats.oecd.org/wbos/fileview2.aspx?IDFile=4aed3009-6020-48f3-8eeb-e01a8e5f61c4 (در 7 فوریه 2020 قابل دسترسی است).
  46. OECD. تولید ناخالص داخلی (GDP) (شاخص). 2020. در دسترس آنلاین: https://doi.org/10.1787/dc2f7aec-en (در 1 مه 2020 قابل دسترسی است).
  47. OECD. نابرابری درآمد (شاخص). 2020. در دسترس آنلاین: https://doi.org/10.1787/459aa7f1-en (در 1 مه 2020 قابل دسترسی است).
  48. OECD. قرار گرفتن در معرض آلودگی هوا (شاخص). 2020. در دسترس آنلاین: https://doi.org/10.1787/8d9dcc33-en (در تاریخ 1 مه 2020 قابل دسترسی است).
  49. OECD. نرخ اشتغال (شاخص). 2020. در دسترس آنلاین: https://doi.org/10.1787/1de68a9b-en (در تاریخ 1 مه 2020 قابل دسترسی است).
  50. OECD. تعریف مجدد “شهری”: راهی جدید برای اندازه گیری مناطق شهری، انتشارات OECD. 2012. در دسترس آنلاین: https://doi.org/10.1787/9789264174108-en (در تاریخ 1 مه 2020 قابل دسترسی است).
  51. Meijer، JR; Huijbregts، MA; Schotten، KC; Schipper، AM الگوهای جهانی زیرساخت های جاده ای فعلی و آینده. محیط زیست Res. Lett. 2018 , 13 , 064006. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. ساپنا، م. روئیز، لس آنجلس توصیف و استخراج شاخص های تکه تکه شدن شهری: ابزار Indifrag. Rev. Teledetección 2015 ، 43 ، 77–89. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. منطقه اقتصادی اروپا زون های مورفولوژیکی شهری 2006. آژانس محیط زیست اروپا. 2014. در دسترس آنلاین: https://www.eea.europa.eu/data-and-maps/data/urban-morphological-zones-2006-1 (در 3 ژوئن 2020 قابل دسترسی است).
  54. تاوبنبوک، اچ. ویزنر، ام. فلبیر، آ. مارکونچینی، ام. اش، تی. Dech, S. ابعاد جدید مناظر شهری: تکامل مکانی-زمانی از یک منطقه چند هسته ای به یک منطقه بزرگ بر اساس داده های سنجش از دور. Appl. Geogr. 2014 ، 47 ، 137-153. [ Google Scholar ] [ CrossRef ]
  55. Schumm، SA تکامل سیستم‌های زهکشی و شیب‌ها در Badlands در پرث آمبوی، نیوجرسی. جئول Soc. صبح. گاو نر 1956 ، 67 ، 597-646. [ Google Scholar ] [ CrossRef ]
  56. ساپنا، م. روئیز، LA تجزیه و تحلیل کاربری زمین / معیارهای مکانی-زمانی پوشش زمین و پویایی جمعیت برای توصیف رشد شهری. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 73 ، 27–39. [ Google Scholar ] [ CrossRef ]
  57. بریمن، ال. مدلسازی آماری: دو فرهنگ. آمار علمی 2001 ، 16 ، 199-231. [ Google Scholar ] [ CrossRef ]
  58. گونزالس، جی جی. Leboulluec، A. پیش‌بینی جرم و عوامل اجتماعی-دموگرافیک: مطالعه مقایسه‌ای الگوریتم‌های مبتنی بر رگرسیون یادگیری ماشین. J. Appl. محاسبه کنید. علمی ریاضی. 2019 ، 13 ، 13-18. [ Google Scholar ] [ CrossRef ]
  59. پل، اس اس. Coops، NC; جانسون، ام اس؛ کرزیچ، م. چاندنا، ا. Smukler، SM نقشه برداری کربن آلی خاک و خاک رس با استفاده از سنجش از دور برای پیش بینی کارایی خاک برای افزایش سازگاری با تغییرات آب و هوایی. Geoderma 2020 , 363 , 114177. [ Google Scholar ] [ CrossRef ]
  60. بریمن، ال. جنگل تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. Otto, SA چگونه RMSE را عادی کنیم. 2019. در دسترس آنلاین: https://www.marinedatascience.co/blog/2019/01/07/normalizing-the-rmse/ (در 20 ژانویه 2020 قابل دسترسی است).
  62. پروبست، پ. رایت، MN; Boulesteix، AL هایپرپارامترها و استراتژی های تنظیم برای جنگل تصادفی. حداقل داده سیم بدانید. 2019 ، 9 ، e1301. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  63. سالواتی، ال. کارلوچی، ام. الگوهای پراکندگی: نمایه اجتماعی-اقتصادی و سرزمینی مناطق شهری پراکنده در ایتالیا. Reg. گل میخ. 2015 ، 50 ، 1346-1359. [ Google Scholar ] [ CrossRef ]
  64. فرشتگان.؛ پدر و مادر، ج. سیوکو، دی ال. Blei، AM ساختن اتاق برای سیاره شهرها . مؤسسه خط مشی زمین لینکلن: کمبریج، MA، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  65. بولانت، ج. برزی، م. ونری، ص. سطوح درآمد و نابرابری در مناطق شهری: رویکرد مقایسه ای در کشورهای OECD. در اسناد کاری توسعه منطقه ای OECD ; انتشارات OECD: پاریس، فرانسه، 2016. [ Google Scholar ]
  66. ویلنمن، بی. سیدل، آی. شولز، تی. عوامل تعیین کننده اجتماعی-اقتصادی پراکندگی شهری بین سال های 1980 و 2010 در سوئیس. Landsc. طرح شهری. 2017 ، 157 ، 468-482. [ Google Scholar ] [ CrossRef ]
  67. هوانگ، جی. لو، XX; Sellers, JM تحلیل مقایسه ای جهانی شکل شهری: بکارگیری معیارهای فضایی و سنجش از دور. Landsc. طرح شهری. 2007 ، 82 ، 184-197. [ Google Scholar ] [ CrossRef ]
  68. فرشتگان.؛ آرانگو فرانکو، اس. لیو، ی. Blei, AM فشردگی شکل ردپای شهری. Prog. طرح. 2020 ، 139 ، 100429. [ Google Scholar ] [ CrossRef ]
  69. Bechle، MJ; ارزن، DB; مارشال، JD اثرات درآمد و شکل شهری بر NO2 شهری: شواهد جهانی از ماهواره ها. محیط زیست علمی تکنولوژی 2011 ، 45 ، 4914-4919. [ Google Scholar ] [ CrossRef ]
  70. Meneses، BM; ریس، ای. پریرا، اس. واله، ام جی; Reis, R. درک نیروهای محرک و پیامدهای مرتبط با تغییر کاربری و پوشش زمین در پرتغال. Sustainability 2017 , 9 , 351. [ Google Scholar ] [ CrossRef ][ Green Version ]
  71. اهلفلدت، جی. پیتروستفانی، ای. شومان، آ. ماتسوموتو، تی. راز زدایی رشد فشرده شهری: شواهدی از 300 مطالعه از سراسر جهان. در اسناد کاری توسعه منطقه ای OECD ; انتشارات OECD: پاریس، فرانسه، 2018. [ Google Scholar ]
  72. کوربن، سی. پسری، م. کمپر، ​​تی. پولیتیس، پ. فلورچیک، ای جی؛ سیریس، وی. ملچیوری، م. سابو، اف. Soille, P. ترسیم جهانی خودکار سکونتگاه های انسانی از 40 سال آرشیو داده های ماهواره لندست. داده های بزرگ زمین 2019 ، 3 ، 140-169. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00436 g001 550
شکل 1. گردش کار. ابتدا داده ها دانلود و برای تجزیه و تحلیل بیشتر آماده می شوند. دوم، متغیرهای اجتماعی-اقتصادی از پایگاه داده OECD برای سال‌های 2000 و 2014 انتخاب شده‌اند. سوم، معیارهای مکانی-زمانی از داده‌های جغرافیایی برای هر مرز به صورت جداگانه (مناطق شهری عملکردی، FUAs) مربوط به همان دو سال استخراج می‌شوند. در نهایت، متغیرهای اجتماعی-اقتصادی (متغیرهای وابسته) و معیارهای مکانی-زمانی (متغیرهای مستقل) ترکیب شده و به نمونه‌های آموزشی و آزمایشی تقسیم می‌شوند تا مدل‌های رگرسیونی ایجاد کنند و سهم معیارها را رتبه‌بندی کنند.
Ijgi 09 00436 g002 550
شکل 2. نمونه ای از تولید ناخالص داخلی سرانه (GDP) به USD برای سال 2014 همراه با مرزهای FUA در 32 کشور OECD: ( الف ) کانادا، ایالات متحده آمریکا و مکزیک. ( ب ) و ( ج ) کشورهای اروپایی؛ ( D ) شیلی؛ ( E ) استرالیا؛ ( F ) کره جنوبی و ژاپن. FUA های ” بدون داده ” در مجموعه داده های کلان شهر OECD گنجانده شده اند اما ارزش تولید ناخالص داخلی برای سال 2014 ندارند. فهرست کامل FUA ها و مقادیر سرانه تولید ناخالص داخلی را می توان در جدول S1 یافت .
Ijgi 09 00436 g003 550
شکل 3. متغیرهای مشاهده شده در مقابل پیش بینی شده در مدل های تک زمانی. هر چه تعداد FUA که به صورت نقاط نشان داده می شوند و به خط 1:1 نزدیکتر باشند، تخمین مدل بهتر است. خطوط چین دار سیاه خطوط 1:1 (خطوط تناسب کامل) را نشان می دهد، در حالی که خطوط چین آبی ریشه میانگین مربع خطای مدل (± RMSE) را نشان می دهد. برچسب‌های FUA با بالاترین خطا نشان داده می‌شوند تا نقاط پرت را شناسایی کنند. رنگ نشان دهنده کشور است. واحدهای تولید ناخالص داخلی و درآمد، USD; جینی، نسبت; و کیفیت هوا، PM2.5 در میکروگرم بر متر مکعب .
Ijgi 09 00436 g004 550
شکل 4. تغییرات مشاهده شده در مقابل پیش بینی شده در متغیرها با توجه به مدل ها. هر چه تعداد FUA که به صورت نقاط نشان داده می شوند و به خط 1:1 نزدیکتر باشند، تخمین مدل بهتر است. خطوط چین دار سیاه خطوط 1:1 (خطوط تناسب کامل) را نشان می دهد، در حالی که خطوط چین آبی ریشه میانگین مربع خطای مدل (± RMSE) را نشان می دهد. برچسب‌های ده FUA با بالاترین خطا نشان داده شده‌اند تا نقاط پرت را شناسایی کنند. واحدها کیفیت هوا، PM2.5 بر حسب میکروگرم بر متر مکعب و اشتغال، ٪ هستند.
Ijgi 09 00436 g005 550
شکل 5. اهمیت معیارهای مکانی-زمانی برای مدل های مختلف رگرسیون. اهمیت با میانگین و انحراف استاندارد افزایش MSE نشان داده می شود (واحدها و MSE نهایی مدل را می توان در جدول 2 و جدول 3 یافت). نوارهای آبی نشان دهنده متغیرهای معنی دار آماری در مدل هستند. در جایی که نوار وجود ندارد، متریک در مدل گنجانده نشده است.
Ijgi 09 00436 g006 550
شکل 6. نمودارهای جعبه ای معیارهای مکانی-زمانی مربوطه انتخاب شده بر اساس اهمیت آنها مرتب شده اند. متغیرهای اجتماعی-اقتصادی: ( الف ) تولید ناخالص داخلی; ( ب ) جینی; ( ج ) درآمد؛ ( د ) کیفیت هوا؛ ( E ) تغییر کیفیت هوا؛ و ( F ) تغییر نرخ اشتغال، به پنج چندک (Q1 تا Q5، از مقادیر کم به بالا) تقسیم می‌شوند، و مقادیر استاندارد شده معیارها برای هر چندک نشان داده می‌شوند. جدول پایین سمت راست مقادیر میانگین متغیرهای اجتماعی-اقتصادی را در هر چندک نشان می دهد. کیفیت هوا ذرات ریز را اندازه گیری می کند (مقادیر بالاتر به معنای آلاینده بیشتر و کیفیت هوا پایین تر است). واحدهای تولید ناخالص داخلی و درآمد، USD; جینی، نسبت; کیفیت هوا، میکروگرم بر متر 3; و اشتغال، درصد.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید