تعیین مکان‌های بهینة اسکان موقت شهری پس از زلزله به کمک رویکرد ادغام مکانی در منطقة 22 شهر تهران

پهلوانی, پرهام; ربانی, علی; بیگدلی, بهناز; اسلامی نژاد, سید احمد

doi:10.22111/gdij.2024.8683

تعیین مکان‌های بهینة اسکان موقت شهری پس از زلزله به کمک رویکرد ادغام مکانی در منطقة 22 شهر تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشیار دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

² دانش‌‌آموخته کارشناسی ارشد، دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

³ استایار دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

⁴ دانش‌آموخته کارشناسی ارشد، دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

10.22111/gdij.2024.8683

چکیده

پژوهش حاضر، بهدنبال مکان‌یابی مراکز اسکان موقت در منطقة 22 شهر تهران به کمک معیارهای مؤثر است. این معیارها شامل: فاصله از هلال احمر، فاصله از پل، فاصله از مدارس، فاصله از جادة اصلی، فاصله از ایستگاه پلیس، فاصله از منبع گاز، فاصله از مساجد، فاصله از مراکز پخش مواد غذایی، فاصله از خطوط مترو، فاصله از ایستگاه مترو، فاصله از مراکز سلامتی، فاصله از پارک و فضای سبز، فاصله از بیمارستان، فاصله از مراکز آتش‌نشانی،‌ تراکم جمعیت، ریسک زلزله و شیب است؛ بنابراین نوآوری تحقیق حاضر، استفاده از ترکیب مناسب و کافی از معیارها برای مکان‌یابی مراکز اسکان موقت می‌باشد. در این راستا، از روش ادغام داده‌محور رگرسیون وزن‌دار جغرافیایی «GWR» با دو هستة گوسین و مکعبی سه‌گانه استفاده شد. روش پیشنهادی مناسب برای مسائل، رگرسیون مکانی است، زیرا این روش با دو خاصیت منحصربهفرد داده‌های مکانی یعنی؛ خودهمبستگی مکانی و ناایستایی مکانی سازگار است. مقادیر «R² و RMSE» حاصل از روش «GWR» با هستة مکعبی سه‌گانه بهترتیب 9413/0 و 3470/0 بهدست آمد که نشان‌دهندة سازگاری بالای هستة مکعبی سه‌گانه نسبت به هستة گوسین است. همچنین نتایج بهدستآمده نشان می‌دهد که پارک چیتگر و مجموعهورزشی آزادی، یکی از وسیع‌ترین و مناسب‌ترین پهنه‌ها برای احداث پناهگاه‌های اسکان موقت پس از بروز بحران زلزله برای منطقة 22 شهر تهران می‌باشند.

کلیدواژه‌ها

عنوان مقاله [English]

Urban Temporary Accommodation Centers Siting After the Earthquake using the Spatial Integration Approach (District 22 of Tehran)

نویسندگان [English]

Parham Pahlavani ¹
Ali Rabani ²
Behnaz Begdeli ³
Seyed Ahmad Eslaminezhad ⁴

¹ Associate Professor, School of Surveying and Geospatial Information, College of Engineering, Tehran University, Tehran, Iran

² M.Sc Graduate, School of Surveying and Geospatial Information, College of Engineering, Tehran University, Tehran, Iran

³ Assistant Professor at School of Civil Engineering, Shahrood University of Technology, Shahrood, Iran

⁴ M.Sc Graduate, School of Surveying and Geospatial Information, College of Engineering, Tehran University, Tehran, Iran

چکیده [English]

The purpose of this research is site selection of temporary accommodation centers in District 22 of Tehran with the help of effective criteria. These criteria are including Red Crescent, distance to bridge, distance to schools, distance to the main road, distance to the police station, distance to the gas source, distance to mosques, distance to food distribution centers, distance to metro lines, distance to Metro station, distance to health centers, distance to park and green space, distance to hospital, distance to fire stations, population density, earthquake risk, and slope. The novelty of this study is the use of an appropriate and sufficient combination of criteria for locating temporary accommodation sites. In this regard, the geographically weighted regression (GWR) method with two Gaussian and tri-cube kernels was used. This method is compatible with two unique properties of spatial data, namely spatial autocorrelation, and spatial non-stationarity. The values of R² and RMSE obtained by the GWR method with tri-cube kernel were 0.9413 and 0.3470, respectively, which indicates the high compatibility of the tri-cube kernel with respect to the Gaussian kernel. The results also show that Chitgar Park and Azadi Sports Complex are some of the largest and most suitable areas for the construction of temporary shelters after the earthquake crisis in the case study.

کلیدواژه‌ها [English]

Earthquake
Temporary accommodation
Geographically weighted regression
District 22 of Tehran

مراجع

ارکانی، احسان؛‌ حسین حاتمی‌نژاد؛ سهیل قره (1399). شناسایی و اولویت‌بندی عوامل موثر بر افزایش ریسک زلزله در بافت‌های فرسوده شهری با رویکرد ترکیبی تکنیک دلفی فازی و مدل BMW، نشریه تحقیقات کاربردی علوم جغرافیایی. دوره 20. شماره 59. صفحات ۲۹۱-۳۰۶.

اسماعیلی، سهیلا (1396). مکان‌یابی اسکان موقت پس از زلزله احتمالی تهران در فضاهای سبز شهری منطقه ۲۲ شهرداری تهران، دانش پیشگیری و مدیریت بحران. دوره 7. شماره 3. صفحات ۲۷۳-۲۸۳.

http://dpmk.ir/article-1-157-fa.html

امان پور، سعید؛ علیرضا پرویزیان (1399). مکان‌یابی ‏پناهگاه‏ های چندمنظورۀ شهری مبتنی بر اصول پدافند غیر عامل (مطالعۀ موردی: منطقۀ 1 کلان‌شهر اهواز). مجله علمی آمایش سرزمین. دوره 12. شماره 2. صفحات 406-385.

https://doi.org/JTCP.2020.305735.670133

بازدار، سجاد؛ محمدرضا زندمقدم؛ سعید کامیابی (1399). سنجش و ارزیابی کمی آسیب پذیری شهری در برابر زلزله نمونه مورد استان ایلام، نشریه تحقیقات کاربردی علوم جغرافیایی. دوره 20. شماره 59. صفحات ۱۹۷-۲۱۲.

http://jgs.khu.ac.ir/article-1-3315-fa.html

سلطانی، زینب؛ سیدعلی المدرسی (1396). تعیین مکان مناطق اسکان موقت و سایت‌های امداد‌رسانی پس از زلزله در بافت تاریخی شهر یزد با استفاده از AHP،FUZZY LOGIC ، FAHP و GIS، فصلنامه جغرافیا و آمایش شهری- منطقه‌ای، دوره 22. شماره 7. صفحات 20-1.

https://doi.org/10.22111/gaij.2017.2993

جمال‌آبادی، جوا؛ محمد سلمانی‌مقدم؛ علی شکاری‌بادی؛ مرضیه نوده (1398). مکان‌یابی مراکز اسکان موقت جمعیت پس از زلزله در سکونتگاه‌های شهری مطالعه موردی: شهر سبزوار، نشریه تحقیقات کاربردی علوم جغرافیایی. دوره 55. شماره 19. صفحات ۱۵۳-۱۷۱.

http://jgs.khu.ac.ir/article-1-3018-fa.html

کریم‌پور، سارا؛ مهدی مؤمنی (1396). مکان‌یابی اسکان موقت پس از زلزله (مطاله موردی شهر اصفهان )، نشریه جغرافیا و مطالعات محیطی. دوره 20. شماره 5. صفحات 138-125.

http://ges.iaun.ac.ir/article_589611.html

ابراهیمیان‌قاجاری، یاسر (1399). طراحی و پیاده سازی یک مدل GIS مبنا برای برنامه‌ریزی اسکان موقت در مدیریت بحران زلزله شهر بابل، فصلنامه علمی- پژوهشی اطلاعات جغرافیایی، دوره 29. شماره 113. صفحات 29-41.

http://dx.doi.org/10.22131/sepehr.2020.40469

مقیمی، ساجده؛ دانیال منصفی‌پراپری (1398). مکان‌یابی فضای مناسب برای اسکان موقت زلزله‌زدگان با استفاده از تحلیل سلسله مراتبی و ترکیب خطی وزنی بر مبنای GIS نمونه موردی: شهر شاهرود، تحلیل فضایی مخاطرات محیطی. دوره 6. شماره 1. صفحات 94-71.

http://jsaeh.khu.ac.ir/article-1-2865-fa.html

Aad, G., Abbott, B., Abdallah, J., Khalek, S. A., Aben, R., Abi, B., & Abreu, R (2014). Measurements of spin correlation in top-antitop quark events from proton-proton collisions at s= 7 TeV using the ATLAS detector. Physical Review D, 90(11), 112016.

http://dx.doi.org/10.1103/PhysRevD.90.112016

Boostani, A., Jolai, F., & Bozorgi-Amiri, A (2019). Optimal location selection of temporary accommodation sites in Iran via a hybrid fuzzy multiple-criteria decision making approach. Journal of Urban Planning and Development, 144(4), 04018039.

https://ascelibrary.org/doi/abs/10.1061/%28ASCE%29UP.1943-5444.0000479

Contreras, D., Forino, G., & Blaschke, T (2018). Measuring the progress of a recovery process after an earthquake: The case of L'aquila, Italy. International journal of disaster risk reduction, 28, 450-464.

https://doi.org/10.1016/j.ijdrr.2017.09.048

Dabiri, M., Oghabi, M., Sarvari, H., Sabeti, S., & Kashefi, H. R (2020). A combination risk-based approach to post-earthquake temporary accommodation site selection: A case study in Iran. Iranian Journal of Fuzzy Systems.

https://doi.org/10.22111/IJFS.2020.5601

Fotheringham, A. S., & Oshan, T. M (2016). Geographically weighted regression and multicollinearity: dispelling the myth. Journal of Geographical Systems, 18(4), 303-329.

https://doi.org/10.1007/s10109-016-0239-5

Hong, I., & Yoo, C. 2020. Analyzing Spatial Variance of Airbnb Pricing Determinants Using Multiscale GWR Approach. Sustainability, 12(11), 4710.

https://doi.org/10.3390/su12114710

Hosseini, S. A., de la Fuente, A., & Pons, O (2016). Multicriteria decision-making method for sustainable site location of post-disaster temporary housing in urban areas. Journal of Construction Engineering and Management, 142(9), 04016036.

https://doi.org/10.1061/(ASCE)CO.1943-7862.0001137

Junian, J., & Azizifar, V (2018). The evaluation of temporary shelter areas locations using geographic information system and analytic hierarchy process. Civil Engineering Journal, 4(7), 1678-1688.

https://doi.org/10.28991/cej-03091104

Kilci, F., Kara, B. Y., & Bozkaya, B (2015). Locating temporary shelter areas after an earthquake: A case for Turkey. European Journal of Operational Research, 243(1), 323-332.

https://doi.org/10.1016/j.ejor.2014.11.035

Murray, A. T., Xu, J., Baik, J., Burtner, S., Cho, S., Noi, E., & Zhou, E (2020). Overview of Contributions in Geographical Analysis: Waldo Tobler. Geographical Analysis, 52(4), 480-493.

https://doi.org/10.1111/gean.12257

Oshan, T. M., Li, Z., Kang, W., Wolf, L. J., & Fotheringham, A. S (2019). mgwr: A Python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale. ISPRS International Journal of Geo-Information, 8(6), 269.

https://doi.org/10.3390/ijgi8060269

Pu, H., Luo, K., Wang, P., Wang, S., & Kang, S (2017). Spatial variation of air quality index and urban driving factors linkages: Evidence from Chinese cities. Environmental Science and Pollution Research, 24(5), 4457-4468.

https://doi.org/10.1007/s11356-016-8181-0

Sánchez-Lozano, J. M., Ramos-Escudero, A., Gil-García, I. C., García-Cascales, M. S., & Molina-García, A (2022). A GIS-based offshore wind site selection model using fuzzy multi-criteria decision-making with application to the case of the Gulf of Maine. Expert Systems with Applications, 210, 118371.

https://doi.org/10.1016/j.eswa.2022.118371

Song, S., Zhou, H., & Song, W (2019). Sustainable shelter-site selection under uncertainty: A rough QUALIFLEX method. Computers & Industrial Engineering, 128, 371-386.

https://doi.org/10.1016/j.cie.2018.12.053

Tang, C., Liu, X., Cai, Y., Westen, C. V., Yang, Y., Tang, H., & Tang, C (2020). Monitoring of the reconstruction process in a high mountainous area affected by a major earthquake and subsequent hazards. Natural Hazards and Earth System Sciences, 20(4), 1163-1186.

https://nhess.copernicus.org/articles/20/1163/2020/

Wang, X., & Liu, H., (2019), A Knowledge-and Data-Driven Soft Sensor Based on Deep Learning for Predicting the Deformation of an Air Preheater Rotor. IEEE Access, 7, 159651-159660.

https://doi.org/10.1109/ACCESS.2019.2950661

Wen, H., Zhang, X., Zeng, Q., Lee, J., & Yuan, Q (2019). Investigating spatial autocorrelation and spillover effects in freeway crash-frequency data. International journal of environmental research and public health, 16(2), 219.

https://doi.org/10.3390/ijerph16020219

Wu, D (2020). Spatially and Temporally Varying Relationships between Ecological Footprint and Influencing Factors in China's Provinces Using Geographically Weighted Regression (GWR). Journal of Cleaner Production, 121089.

https://doi.org/10.1016/j.jclepro.2020.121089

Ye, X., Yu, X., & Wang, T (2020). Investigating spatial non-stationary environmental effects on the distribution of giant pandas in the Qinling Mountains, China. Global Ecology and Conservation, 21, e00894.

https://doi.org/10.1016/j.gecco.2019.e00894

Zemestani, A., & Soori, H (2019). Relationship between fatal road traffic injury rates and Human Development Index in Iran. Journal of Injury and Violence Research, 11(4 Suppl 2).

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7186985/

Zeng, C., Yang, L., Zhu, A. X., Rossiter, D. G., Liu, J., Liu, J., & Wang, D (2016). Mapping soil organic matter concentration at different scales using a mixed geographically weighted regression method. Geoderma, 281, 69-82.

https://doi.org/10.1016/j.geoderma.2016.06.033

Zhou, Q., Wang, C., & Fang, S (2019). Application of geographically weighted regression (GWR) in the analysis of the cause of haze pollution in China. Atmospheric Pollution Research, 10(3), 835-846.

https://doi.org/10.1016/j.apr.2018.12.012