۱٫ معرفی
در طول چند دهه گذشته، جامعه درک و آگاهی بیشتری از نحوه عملکرد طبیعت به دست آورده است [
۱,
۲].
با توجه به ادبیات اخیر، در دهه های آینده، مناطق سبز شهری، در حال حاضر خانه حدود ۱۰ میلیارد درخت در سراسر جهان است. [
۳]، نقش فزاینده ای در حفظ شهرهای قابل زندگی و تاب آور ایفا خواهد کرد [
۴] در مواجهه با جمعیت شناسی [
۵] و فشار اقلیمی [
۶,
۷]. علیرغم اهمیت و فوریت فزاینده این موضوع، این امر هنوز به اتخاذ سیاست های خاص و فعالیت های ترویجی که بتواند به طور موثری طول عمر درختان شهری را افزایش و بهبود بخشد، تبدیل نمی شود. در واقع، چندین مطالعه انجام شده در شهرهای بزرگ نشان داد که هر چه تأثیر انسان بر محیط زیست بیشتر باشد، امید به زندگی درختان کوتاه‌تر است. [
۸,
۹]. علاوه بر این، با توجه به ادبیات اخیر، درختان به طور فزاینده ای توسط تغییرات آب و هوایی تهدید می شوند [
۱۰]، آفات و بیماری ها [
۱۱,
۱۲]. علیرغم اینکه این موضوع به طور گسترده در ادبیات مورد بحث قرار می گیرد و مطالعات زیادی در مورد این موضوع وجود دارد، یکی از موانع اصلی برای مقابله با این موضوع و مداخله مشخص، هزینه های اقتصادی ثابت مربوط به مدیریت درختان شهری است. [
۱۳,
۱۴]; بنابراین، توسط مدیران محلی و سیاست گذاران، که طرفدار دیگر جنبه های مربوط به هزینه های عمومی هستند، نادیده گرفته می شود. در واقع، کاربری های متضاد زمین [
۱۵] و معاوضه هزینه و فایده [
۱۶] در بسیاری از سطوح جامعه اختلاف ایجاد کند [
۱۷].
پیچیدگی و آشفتگی مناظر شهری را می توان با درک بهتر درختان موجود در آنها کاهش داد. [
۱۸]. همانطور که به طور گسترده در ادبیات شناخته شده است، درختان شهری به دلیل بهبود زیست پذیری در شهرها از طریق خدمات اکوسیستم خود مشهور هستند. [
۱۹,
۲۰,
۲۱]. با این وجود، تنها در صورتی می توان مزایای طولانی مدتی به دست آورد که مقامات محلی مسئول درختان را به درستی مدیریت کنند [
۲۲]. همچنین باید در نظر گرفت که درختان شهری به ویژه در برابر شرایط آب و هوایی شدید مانند بارش، باد و دماهای بالا آسیب پذیر هستند. [
۲۳]، که می تواند منجر به شکست درخت شود، یک اتفاق فزاینده در سراسر جهان، که خطر آسیب مالی، خسارات مالی، آسیب شهروندان، و، هرچند از راه دور، حوادث مرگبار را به همراه دارد. [
۲۲,
۲۴,
۲۵].
در این صورت ارزیابی شکست درخت باید نقش مهمی در جلوگیری از این آسیب ها داشته باشد [
۲۶]، اما این یک کار چالش برانگیز است. در واقع، علائم اولیه اغلب قابل مشاهده نیستند و نیاز به ارزیابی دقیق از هر درخت دارند (به عنوان مثال، نیاز به آزمایش‌ها و ابزارهای خاص)، که با در نظر گرفتن مدیریت همه درختان در کل شهر مدرن محدود می‌شود. [
۲۷].
علاوه بر این، یکی از مسائل مهم برای مدیریت درختان شهری، عدم اطلاع رسانی در مورد اختلالات ناشی از مرگ درختان شهری است. [
۲۸]. به منظور حفاظت از درختان و شهروندان، شناسایی (تعداد محدودی از) درختان خطرناک و اتخاذ مداخلات نظارتی و مدیریتی مناسب ضروری است. [
۲۹].
بر این اساس، اندازه گیری و ارزیابی ریسک مرتبط با شکست درختان شهری، معضلی برجسته در واقعیت شهری است.
شکست درخت خطری برای ارائه خدمات اکوسیستم ایجاد می کند [
۳۰]، کیفیت زیرساخت های اطراف و یکپارچگی جمعیت [
۳۱,
۳۲]. در واقعیت های شهری بزرگ، مانند بولونیا، مدیریت گسترده درختان توسط مقامات ذیصلاح مورد نیاز است [
۲۲]که فعالیت های آن اغلب به دلیل مسائل سیاسی، فنی و اقتصادی محدود می شود [
۱۴]. این کار مستلزم رویکردی عمل‌گرا، حرفه‌ای و ماهرانه است که در آن از فناوری‌هایی استفاده می‌شود که با تعریف دستورالعمل‌ها و چارچوب‌ها و اولویت‌بندی مداخلاتی که منابع موجود برای نگهداری پیشگیرانه درختان جاده‌ها را بهینه می‌کند و خطرات مرتبط را کاهش می‌دهد، پشتیبانی مؤثری را از مقامات محلی ارائه کند. با شکست درختان شهری [
۳۳].
با توجه به ادبیات، تعدادی از مطالعات اخیر تاکنون در مورد ارزیابی خطر شکست درختان و پیشنهاد ابزارهای ارزیابی مناسب انجام شده است. [
۳۴,
۳۵].
تحقیقات ریسک درختان در حال حاضر بر پیش‌بینی عیوب و اصول تأثیر ساختاری ناشی از علل تصادفی متمرکز است [
۳۶,
۳۷,
۳۸]. علیرغم این واقعیت که ارزیابی ریسک سیستماتیک یک روش موثر و اقتصادی برای تعیین ریسک درخت در ابتدا است، جمع‌آوری داده‌ها برای معیارهای ارزیابی عمدتاً ذهنی است. [
۳۴]، و تحقیقات بیشتری مورد نیاز است. بنابراین، (۱) افزودن ابزارهای ارزیابی برای عینیت، (۲) ترکیب فن‌آوری‌های مدرن مانند بینایی کامپیوتر برای جمع‌آوری دقیق داده‌ها، و (iii) استفاده از یادگیری ماشین برای تعیین وزن‌های متریک و توسعه یک وب‌سایت یا برنامه حرفه‌ای ارزیابی ریسک درخت که باعث می‌شود ارزیابی ریسک اولیه یک روش ارزیابی ساده، سریع و قابل استفاده مجدد، همه دستورالعمل‌های تحقیقاتی آینده‌نگر برای تعیین خطر درخت هستند. [
۳۹].
علاوه بر این، ارزیابی ریسک درخت از طریق روش‌های تجسمی امکان کمی‌سازی بیشتر و ارزیابی عینی جامع عوامل پیچیده مؤثر بر ریسک درخت را فراهم می‌کند. [
۴۰,
۴۱,
۴۲,
۴۳]. مطالعات دیگر به جای آن بر توسعه و اندازه گیری شاخص های خاص برای ارزیابی خطر شکست درخت متمرکز شده اند [
۴۴,
۴۵,
۴۶]. مطالعات دیگر سیستم های پایش ریسک متفاوتی را پیشنهاد کرده اند [
۴۷,
۴۸,
۴۹,
۵۰].
در نهایت، برای این منظور، استفاده از ابزارهایی با قابلیت سنجش و پایش جامع حضور، فراوانی، سن و وضعیت سلامت درختان در مناطق شهری ضروری است. [
۵۱,
۵۲] به روشی سریعتر و قابل اعتمادتر از سوی دیگر، دولت‌ها همیشه به دنبال راه‌های هدفمند کم‌هزینه برای مدیریت و مشارکت مردم در درختان شهری هستند. [
۵۳,
۵۴,
۵۵].
علاوه بر این، مطالعات ارزیابی در مناطق شهری به عنوان پشتوانه ای برای تصمیمات عمومی [
۵۶,
۵۷,
۵۸] می تواند برای این موضوع مفید باشد. با این وجود، اجرای و انجام مطالعات ارزیابی می‌تواند دشوار باشد زیرا به وضوح فضایی بالاتر و مقیاس چندگانه تجزیه و تحلیل در نمونه‌برداری از منابع خاص در مکان‌های خاص همه در داخل منظر شهری معمولاً ناهمگن نیاز دارند. [
۵۹].
در این زمینه، به نظر می رسد مهم است، علیرغم پیچیده بودن، مشارکت محققان و شهروندان در ارزیابی خطرات بالقوه درختان و تعریف مسائل مهم و اولویت های متعاقب آن برای مداخله. [
۶۰,
۶۱].
بینش جدید در مورد این موضوع می تواند با استفاده از داده های منبع باز ارائه شود، که می تواند منبع مفید و رایگانی برای ارائه پشتیبانی از طراحی و اجرای سیاست های جدید در مدیریت درخت باشد. داده های منبع باز به طور فزاینده ای در شهرهای هوشمند گسترش یافته است زیرا شهروندان با ابزارهایی ارائه می شوند که به ایجاد خدمات و پلت فرم های جدید کمک می کند. [
۶۲,
۶۳] و به راحتی می تواند طیف گسترده ای از اطلاعات را جمع آوری کند. داده های منبع باز حاوی اطلاعات بالقوه قابل توجهی است که می تواند کارایی اداره های دولتی را بهبود بخشد. [
۶۴,
۶۵] در این موضوع پیچیده این نوع اطلاعات دارای مزایای مختلفی است که امکان بهبود و نوآوری پیشرونده تحقیقات را فراهم می کند [
۶۶]; علاوه بر این، طبق مطالعات اخیر، آنها می توانند ابزار مفیدی در پشتیبانی از فرآیندهای تصمیم گیری باشند [
۶۷] و در نهایت امکان دسترسی بهتر به داده ها را برای شهروندان فراهم کند [
۶۸]. علاوه بر این، باز کردن و استفاده از داده‌های عمومی باعث افزایش مشارکت شهروندان در زندگی اجتماعی و سیاسی می‌شود [
۶۹] و می تواند به حوزه های استراتژیک مانند محیط زیست کمک کند [
۷۰].
به طور خاص، هدف این مطالعه ارزیابی قرار گرفتن در معرض خطر درختان شهری، با استفاده از داده‌های منبع باز، در حومه بولونیا (ایتالیا) است.
۲٫ مواد و روشها
۲٫۱٫ منطقه مطالعه
حوضه آبریز در نظر گرفته شده برای تجزیه و تحلیل های مطالعه، کلان شهر بولونیا (۴۴°۲۹'۳۸″ شمالی ۱۱°۲۰'۳۴″ شرقی است. این شهر در استان بولونیا، در منطقه امیلیا رومانیا، منطقه ای واقع در شمال شرقی ایتالیا واقع شده است. طبق گزارش موسسه ملی آمار ایتالیا، بولونیا مساحتی در حدود ۱۴۰٫۹ کیلومتر دارد
۲ و نزدیک به ۳۹۰۰۰۰ نفر در سال ۲۰۲۲ [
۷۱]، با تراکم جمعیت ۲۷۵۴ نفر در کیلومتر
۲.
شهرداری بولونیا به شش ناحیه تقسیم شده است: Borgo Panigale-Reno (مساحت سطح ۳۱ کیلومتر).
۲ و ۶۱۲۰۰ سکنه)؛ سن دوناتو-سن ویتال (۲۶ کیلومتر
۲ و ۶۶۶۹۷ سکنه)؛ ناویل (۲۵ کیلومتر
۲ و ۶۹۵۴۵ سکنه)؛ پورتو ساراگوزا (۱۵ کیلومتر
۲ و ۶۹۷۸۳ سکنه)؛ سانتو استفانو (۳۰ کیلومتر
۲ و ۶۵۰۴۷ سکنه)؛ و ساونا (۱۱ کیلومتر
۲ و ۵۹۸۹۰ سکنه) [
۷۲]. برای انجام این مطالعه، ما ترجیح دادیم مناطق شهر را به جای شبکه تصادفی به مناطق تقسیم کنیم زیرا مناطق دارای معنای اداری هستند و ممکن است از سیاست‌ها در مورد درختان خیابان حمایت کنند. این مطالعه بر روی منطقه San Donato-San Vitale (
شکل ۱).
شهر بولونیا به دو دلیل به عنوان مطالعه موردی انتخاب شد. اول از همه، مجموعه داده های ارائه شده توسط مدیریت دولتی حاوی داده های باز در مورد شهرداری ها و مناطق سبز شهری در دسترس است و علاوه بر این، امکان حضور فیزیکی در سایت در صورت پیشرفت های مطالعاتی آینده وجود دارد.
۲٫۲٫ جمع آوری داده ها
۲٫۲٫۱٫ داده های منبع باز
برای تجزیه و تحلیل، داده‌های منبع باز با فرمت shapefile (.shp) از پایگاه داده مشخصی از شهرداری بولونیا در سال ۲۰۲۲ بازیابی شدند. این پایگاه داده به صورت رایگان از وب‌سایت شهرداری قابل دسترسی است. [
۷۳] و برای هر کاربری برای هر هدفی قابل استفاده است.
ابتدا، تمام داده‌ها برای اهداف اکتشافی تحت یک مرحله تفسیر و ارزیابی قرار گرفتند (یعنی تصمیم گرفته شد که چگونه ادامه دهیم و برای هر متغیر، چگونه با مقادیر از دست رفته برخورد کنیم). مشاهدات با مقادیر گمشده یا کدهای ناقص از تجزیه و تحلیل حذف شدند.
۲٫۲٫۲٫ داده های درخت شهری
گونه‌های درختی و نمونه‌های در نظر گرفته شده از مجموعه داده‌های «مناطق سبز عمومی بولونیا» به تفصیل شرح داده شدند. فقط درختان عمومی واقع در منطقه مورد مطالعه (به عنوان مثال، منطقه San Donato-San Vitale) در نظر گرفته شد. خصوصی از تجزیه و تحلیل حذف شدند. جامعه به دست آمده از ۸۴۶۱۱ واحد آماری (یعنی هر واحد مربوط به یک درخت) متعلق به منطقه مورد بررسی تشکیل شده است.
۲٫۲٫۳٫ متغیرهای کمکی
برای هر درخت موجود در آنالیزها، متغیرهای هدف مستقل مختلفی برای آنالیزها در نظر گرفته شد. با توجه به ادبیات، سه متغیر مربوط به شرایط ترافیکی (جاده ها و مسیرهای دوچرخه سواری-پیاده) و ساختمان ها انتخاب شدند. [
۷۴]. بنابراین، سه متغیر شناسایی تعداد و دسته‌بندی خیابان‌ها، مسیرهای پیاده‌روی و دوچرخه‌سواری و ساختمان‌های نزدیک به هر درخت به‌عنوان متغیرهای کمکی مستقل در تحلیل‌های آماری مورد استفاده قرار گرفتند.
۲٫۳٫ تحلیل داده ها
مجموعه داده های دانلود شده تحت یک مرحله پیش پردازش، تمیز کردن و دستکاری داده ها قرار گرفتند. این مرحله برای درک ساختار داده، موجودیت مجموعه‌های داده آغازین مختلف، و متعاقباً برای تمیز کردن داده‌ها و تصمیم‌گیری درباره نحوه برخورد با آنها (و هر مقدار از دست رفته) ضروری بود.
مقادیر مربوط به ارتفاع و قطر نمونه‌های درختی مجدداً تخصیص داده شد و مقیاس اسمی اولیه به دسته‌هایی به دنبال یک مقیاس ترتیبی تبدیل شد. هنگامی که مقادیر ارتفاع و قطر تنه که در ارتفاع ۱٫۳۰ متری از زمین اندازه‌گیری شد، به مقیاس‌های مختلف تخصیص داده شد، ما با ایجاد مقیاس جدیدی از طبقات متشکل از نسبت بین ارتفاع و قطر (h) اقدام کردیم. نسبت /D). ارزیابی پایداری درختان بر اساس نسبت ارتفاع به قطر (نسبت h/D) فرموله شد. [
۷۵,
۷۶]. این تصمیم با هدف استفاده از یک شاخص شناخته شده با توجه به داده های موجود اتخاذ شده است، هرچند اخیراً نظراتی در مورد استفاده از این شاخص ارائه شده است که آن را به طور صحیح تر با منطقه جنگلی، با تصفیه و منظم نشان می دهد. چیدمان، به جای منطقه شهری [
۷۷].
متعاقبا، تجزیه و تحلیل‌های جغرافیایی-مکانی از طریق نرم‌افزار QGIS با هدف جمع‌آوری داده‌های برداری لازم برای ترکیب مجموعه داده‌ها برای پردازش بعدی و فرمول‌بندی مقدار عدد دیجیتال (مقدار DN)، یک متغیر فضایی مصنوعی که هر کدام را مشخص می‌کند، انجام شد. درخت موجود در مطالعه [
۷۸]. مقدار DN هر درخت به تمایل خود درخت به فرو ریختن مربوط می شود (لطفاً به زیر مراجعه کنید) و احتمالاً می تواند به عنوان نماینده ای از خطر شکست درخت در نظر گرفته شود.
۲٫۴٫ تحلیل آماری
ابزارهای تحلیل توصیفی مختلف و معیارهای خلاصه، مانند شاخص های موقعیت، به منظور کاوش، توصیف داده ها و تجسم توزیع آنها استفاده شد.
متغیرهایی که در تحلیل‌ها به‌عنوان متغیرهای کمکی گنجانده شده‌اند، همانطور که قبلاً ذکر شد، آنهایی بودند که تعداد (i) خیابان‌ها، (ii) مسیرهای پیاده‌روی و دوچرخه‌سواری، و (iii) ساختمان‌های واقع در ناحیه اطراف هر درخت در نظر گرفته شده را شناسایی می‌کردند. این متغیرها به عنوان داده های شمارش بیان شد.
به عنوان نتیجه یا متغیر وابسته، از مقدار DN استفاده کردیم. همانطور که قبلاً توضیح داده شد، مقدار DN به تمایل به شکست هر درخت مربوط می شود و می توان آن را نماینده ای از خطر شکست درخت در نظر گرفت، یعنی هر چه مقدار DN درخت بالاتر باشد، احتمال تجربه شکست بیشتر می شود. از خود درخت به طور مشابه، هرچه مقدار DN درخت کمتر باشد، احتمال تجربه یک قسمت شکست برای درخت کمتر است. مقادیر DN می تواند از ۰ (حداقل احتمال تجربه یک قسمت شکست) تا ۲۵۵ (حداکثر احتمال تجربه یک قسمت شکست) متفاوت باشد، و استفاده از این پروکسی خطر شکست درخت به ما امکان می دهد با در نظر گرفتن هر درخت یک تحلیل فضایی انجام دهیم. در بافت جغرافیایی آن
یک مدل رگرسیون خطی تنظیم شده چندگانه به منظور ارزیابی وجود رابطه خطی بین مقدار DN و متغیرهای کمکی مستقل در نظر گرفته شده استفاده شد. [
۷۹,
۸۰]. یک مدل رگرسیون خطی چندگانه برآورد شد زیرا ما مقدار متوسط متغیر وابسته (مقدار DN) را به عنوان تابعی خطی از رگرسیون های مربوط به اهداف در نظر گرفتیم. بنابراین، مدل رگرسیون چندگانه برآورد شد که در آن مقدار DN به عنوان متغیر وابسته و متغیرهای زیر به عنوان متغیرهای توضیحی در نظر گرفته شد: تعداد ساختمان‌ها. خیابان ها؛ و مسیرهای پیاده روی و دوچرخه سواری
۲٫۵٫ یادداشت های اضافی
تمامی تحلیل‌ها با نرم‌افزار SAS (نسخه ۹٫۴؛ SAS Institute، Cary، NC، USA)، نرم‌افزار Excel (مجموعه نرم‌افزار بهره‌وری شخصی Microsoft Office، نسخه ۲۰۱۹ ۱۶٫۰٫۶۷۴۲٫۲۰۴۸) و نرم‌افزار QGIS (3.24) انجام شد. ۰).
برای تمام فرضیه های آزمایش شده، پ– مقادیر زمانی معنی دار در نظر گرفته شدند که مقادیر دو دنباله زیر سطح معنی داری آلفا ۰٫۰۵ بود.
۳٫ نتایج
میز ۱ شاخص های موقعیت مربوط به چهار متغیر موجود در مدل را نشان می دهد. برای مقدار DN، حداقل مقدار مشاهده شده برابر با ۵۷، در حالی که مقدار حداکثر برابر با ۲۵۵ است. مقدار متوسط DN برابر با ۱۵۴٫۵۰ است. در عوض میانگین تعداد هندسه ساختمان ها (ساختمان های متغیر) برابر با ۷۷/۷۶۲ است. در این مورد، مقدار میانه، برابر با ۳٫۵۰، توزیع نامتقارن احتمالی مقادیر را نشان می دهد. تعداد هندسه‌های ساختمان بین حداقل مقدار ۰ و حداکثر مقدار ۵۷۹۱ متغیر است. میانگین تعداد هندسه خیابان‌ها (خیابان‌های متغیر) برابر با ۲۲۴۹٫۱۷ است و مقدار متوسط برابر با ۶۱۹٫۵۰ نشان می‌دهد که در این مورد نیز توزیع زمینه می تواند نامتقارن باشد. حداقل تعداد هندسه جاده ۱ است، در حالی که حداکثر در این مورد ۱۲۵۸۲ است. در نهایت میانگین تعداد هندسه مسیر پیاده روی و دوچرخه سواری برابر با ۷۱۷٫۳۶ است. تعداد هندسه خطوط دوچرخه-عابر پیاده بین حداقل مقدار ۰ تا حداکثر مقدار ۵۴۵۴ است.
از جانب
جدول تکمیلی S1می توان اشاره کرد که تمامی متغیرهای مستقل در نظر گرفته شده با مقدار DN همبستگی دارند که این همبستگی ها بین ۰٫۶۲ تا ۰٫۶۸ بوده و از نظر آماری معنی دار هستند (همبستگی
پ– مقادیر < 0.0001).
در رابطه با مدل رگرسیون، آزمون F حاصل (
جدول تکمیلی S2) نشان می دهد که مدل از نظر آماری معنی دار است، با a
پ– ارزش < 0.0001. به عبارت دیگر، حداقل یکی از سه متغیر مستقل به طور متوسط از نظر آماری با 0 متفاوت است.
بر اساس برآورد R-squared گزارش شده در
جدول ۲می توان نتیجه گرفت که تقریباً ۵۷ درصد از تغییرپذیری کلی متغیر وابسته (مقدار DN) توسط مدل توضیح داده شده است، یعنی رابطه با سایر رگرسیون ها. به طور خاص، مقدار R-squared 58٪ نشان دهنده برازش خوب مدل با داده ها است.
از جانب
جدول تکمیلی S2با توجه به تخمین پارامترهای مدل می توان نتیجه گرفت که هم متغیرهای کمکی مربوط به خیابان ها و مسیرهای پیاده روی و دوچرخه سواری به طور معنی داری با متغیر وابسته مرتبط هستند.
پ– ارزش < 0.0001). علاوه بر این، رابطه موجود بین متغیر streets و مقدار DN مثبت است. در نتیجه، با افزایش تعداد هندسه های جاده در نزدیکی درخت، مقدار مرتبط با مقدار DN افزایش می یابد. یعنی با افزایش تعداد هندسه های خیابان در اطراف درخت، تمایل به تجربه مرگ درخت افزایش می یابد. به طور خاص، با مساوی بودن دیگر رگرسیورها، یک واحد افزایش در تعداد هندسه جاده متغیر وابسته با افزایش متوسط 4 درصدی در تمایل تجربه شکست درخت مطابقت دارد. در غیر این صورت، یک رابطه منفی بین متغیر مربوط به تعداد هندسه مسیر عابر پیاده و دوچرخه (مسیرهای پیاده روی و دوچرخه سواری) و متغیر وابسته (مقدار DN) مشاهده می شود. بنابراین، هر چه تعداد هندسه‌های عابر پیاده و مسیر دوچرخه‌سواری در اطراف درخت بیشتر باشد، خطر تجربه یک دوره فرونشست توسط درخت کمتر می‌شود.
در عوض، از
جدول ۳، متغیر مربوط به تعداد هندسه ساختمان (ساختمان) از نظر آماری معنی دار به نظر نمی رسد (
پ-مقدار برابر با ۰٫۶۳)؛ بنابراین، تعداد ساختمان های اطراف درخت با خطر تجربه یک قسمت شکست مرتبط نیست.
۴٫ بحث
در راستای این وظیفه، از داده‌های منبع باز برای بررسی ارتباط بین متغیر فضایی وابسته که تمایل درختان به شکست (مقدار DN) و سه دسته مستقل را با استفاده از یک مدل رگرسیون خطی چندگانه توصیف می‌کند، استفاده شد. بر اساس نتایج، تعداد خیابان‌ها و مسیرهای پیاده‌روی و دوچرخه‌سواری به‌طور معنی‌داری با مقدار DN مرتبط هستند که به ترتیب ارتباط مثبت و منفی را نشان می‌دهند. بنابراین، در مطالعه خود، از داده‌های منبع باز برای تخمین احتمال شکست درخت مرتبط با متغیرهای مستقل استفاده کردیم و ویژگی‌های مختلف ساختار شهری را توصیف کردیم.
علاوه بر این، می توان مشاهده کرد که به نظر می رسد یک ارتباط مثبت بین متغیر street و مقدار DN وجود دارد. در نتیجه، با افزایش تعداد هندسه‌های جاده در اطراف درخت، میزان تمایل به شکست که هر درخت در معرض آن قرار دارد، افزایش می‌یابد. در ادبیات، مطالعات مشابهی انجام شده است که رابطه بین درختان و خیابان ها را بررسی می کند. به نظر می رسد یافته های این مطالعه با یافته های مطالعات مشابهی که قبلاً در ادبیات منتشر شده است مطابقت دارد [
۴۷,
۸۱].
در عوض، یک رابطه منفی بین مسیرهای پیاده‌روی و دوچرخه‌سواری متغیر و مقدار DN مشاهده می‌شود. نتیجه این است که افزایش واحد در تعداد هندسه مسیرهای دوچرخه-عابر پیاده در اطراف درخت با کاهش میانگین ۹ درصدی در خطر تجربه یک قسمت فرونشست توسط درخت همراه است. به عبارت دیگر، با افزایش تعداد هندسه مسیر پیاده روی و دوچرخه سواری، تمایل درخت به فرونشست کاهش می یابد. این نتیجه می تواند توسط کار نورث و همکاران پشتیبانی شود. افزایش خطر مربوط به افتادگی درختان می تواند به دلیل عدم طراحی در کاشت ششم درختان باشد. [
۸۲].
تعداد هندسه های ساختمان از تجزیه و تحلیل آماری معنی دار نبود (
پمقدار برابر ۰٫۶۳) و هیچ ارتباطی با متغیر وابسته نشان نداد. در حال حاضر هیچ مطالعه ای وجود ندارد که این عدم ارتباط را تایید کند. با این حال، مطالعات اخیر نشان دهنده سطح تمایل به شکست در درختان شهری مربوط به ساختمان است [
۳۲,
۸۳,
۸۴].
برای درک نتایج به دست آمده، لازم است نقاط قوت و محدودیت های این مطالعه مورد بحث قرار گیرد.
این مطالعه دارای چندین نقاط قوت است. این یکی از جدیدترین مطالعاتی است که اولویت‌های فعالیت‌های نظارت و مداخله درختان را در بولونیا تعریف می‌کند.
همانطور که در بخش مقدمه توضیح داده شد، ارزیابی اولویت نظارت بر درختان یک کار چالش برانگیز است زیرا علائم اولیه اغلب قابل مشاهده نیستند و نیاز به ارزیابی دقیق هر درخت دارند، که با توجه به مدیریت درختان در سطح شهر محدود می شود. [
۳۳,
۸۵]. سپس لازم است چندین ابزار برای بهینه‌سازی مدیریت درختان شهری (مثلاً با برنامه‌ریزی مداخلات مداخله‌ای برای شناسایی درختی با تمایل بالاتر برای تجربه یک رویداد شکست) و حمایت از دولت‌های محلی در مدیریت میراث درختی (مثلاً توسط پیش بینی خطر مواجهه درختان با قسمت های شکست).
انتخاب صحیح درخت، مدیریت و درمان های مراقبتی به همان اندازه مهم هستند. اطمینان از سطح بالا در این سه زمینه برای به دست آوردن مزایای بهینه کاشت درخت ضروری است.
این مقاله ابزار معتبری را برای انجام پایش بلندمدت ارائه می‌کند که امکان توسعه شیوه‌های خوب مبتنی بر داده‌های قابل اعتماد در یک محیط معین را فراهم می‌کند و در نتیجه چشم‌انداز خوبی برای بهبود شرایط رشد درختان تضمین می‌کند. [
۸۶]. علاوه بر این، برای اهداف خود، از داده‌های منبع باز استفاده کردیم، که ثابت شد منبع معتبری برای ارائه شواهدی برای حمایت از تصمیم‌گیری‌ها و سیاست‌های مربوط به مدیریت درخت هستند. علاوه بر این، استفاده از داده‌های منبع باز موجود و آزادانه در دسترس، از هزینه‌های مربوط به جمع‌آوری داده‌ها در میدان توسط اپراتورها جلوگیری می‌کند، در هزینه‌ها صرفه‌جویی می‌کند، بنابراین این رویکرد را برای ادارات دولتی پایدارتر و جذاب‌تر می‌کند، و آنها را قادر می‌سازد تا به راحتی بهینه‌سازی شده را اتخاذ کنند. و برنامه های مشخص برای مدیریت درخت شهری.
این مطالعه شواهدی را همراه با سایر اقدامات احتیاطی ارائه می‌کند که تحلیل‌های خاص انجام شده بر روی داده‌های باز می‌تواند به فرآیند بهینه‌سازی مدیریت درختان شهری کمک کند. در زیر چند ورودی و پیشنهاد در مورد نحوه بهینه سازی مدیریت درختان شهری آورده شده است: به حداکثر رساندن اثرات مثبت پوشش گیاهی بر محیط شهری از طریق مدیریت یکپارچه و نوآورانه که بتواند نیازهای زیست محیطی را با نیازهای اقتصادی ترکیب کند. [
۸۷,
۸۸,
۸۹]; ارتقای دانش و نظارت بر میراث طبیعی فضای سبز شهری از طریق نقشه برداری و ابزارهای بازنمایی نوآورانه [
۹۰,
۹۱]; با تهیه طرح ها و برنامه های مناسب، مداخلات مدیریتی سیستم سبز شهری را نظام مند و همگن کند [
۹۲,
۹۳]; انجام مداخلات نگهداری بر اساس به روزترین معیارها و با رعایت تکنیک های علمی مبتنی بر کشت با هدف کاهش نهاده های خارجی [
۹۴,
۹۵,
۹۶]; شفافیت در هر اقدامی را تضمین می کند و شهروندان را از طریق ارتباط، اطلاع رسانی، آموزش و اقدامات بحث و گفتگوی فعال در دانش و مراقبت از فضای سبز سهیم می کند. [
۹۷,
۹۸]. در این میان، پیاده‌سازی ابزاری با استفاده از داده‌های باز و ارائه ارزیابی کمی برای ارزیابی خطر شکست درختان می‌تواند سهم جالبی در بحث علمی در مورد این موضوع داشته باشد.
با این حال، این مطالعه از چندین کاستی رنج می برد. همانطور که از ادبیات مشخص شد، شکست یک درخت در محیط شهری می تواند به دلیل تعدادی از عوامل پیش بینی کننده باشد. این عوامل اغلب به طور همزمان اتفاق می افتند و منجر به تعامل و هم افزایی منفی می شوند.
این مطالعه عوامل مرتبط با تخریب چوب، هرس نامناسب، وجود/عدم وجود ارگانیسم‌های زایلوفاژ را در نظر نگرفت. [
۹۹,
۱۰۰]و انقباض تنه توسط پیاده روها که در محیط شهری به طور کلی می تواند احتمال و نوع سقوط درخت را افزایش دهد (شکستگی یا کنده شدن تنه) [
۱۰۱] در شرایط نامساعد جوی [
۱۰۲]. بنابراین، مطالعات بیشتری مورد نیاز است، زیرا نتایج ما نیاز به ادغام با این نوع اطلاعات دارد تا تجزیه و تحلیل جامع تری از این پدیده ارائه شود.
محدودیت دوم به دلیل ابزارهای قالب دسترسی باز است که اگرچه مزایای قابل توجهی دارند [
۱۰۳] با وجود محدودیت های مختلف مشخص می شوند. از جمله موارد زیر است: (من) ناقص بودن اطلاعات، چندین متغیر سلول‌های خالی را ارائه می‌کنند (مقادیر گمشده). (۲) ناهمگونی ماهیت اطلاعات (وجود داده های غیر منحصر به فرد هرگونه مقایسه را به خطر می اندازد). (iii) ناهمگونی شدید روش‌های جمع‌آوری داده‌ها، که همراه با فقدان فراداده کامل، تفسیر داده‌ها را غیرممکن کرده است (یعنی وجود کلمات اختصاری ناشناخته در ادبیات و فاقد توصیف مناسب) [
۱۰۴].
علاوه بر این، باید در نظر گرفت که مجموعه محدودی از داده های منبع باز در قالب باز وارد شده است و اکنون باید در یک مجموعه داده استاندارد درج شود. اپراتورهای میدانی باید در گونه‌شناسی جمع‌آوری داده‌ها، واحدهای اندازه‌گیری و کلمات اختصاری مورد استفاده همه در این زمینه آموزش ببینند. داده‌هایی که همیشه نمی‌توانند برای این نوع برنامه‌ها مورد استفاده قرار گیرند، به استاندارد خوبی از لوازم جانبی فراداده نیاز دارند، که شامل اطلاعات صریح در مورد استفاده، واحدهای اندازه‌گیری، و هر اطلاعات دیگری است که می‌تواند به تحلیلگر در توضیح داده‌های جمع‌آوری‌شده به‌طور مناسب کمک کند. به روشی، بدون اینکه هیچ گونه سوء تفاهم یا تعصبی ارائه شود.
با وجود آن، استفاده روزافزون و جمع‌آوری این نوع داده‌ها در سال‌های آینده به جامعه پژوهشی این امکان را می‌دهد تا به اطلاعات دقیق‌تر و جزئی‌تر دسترسی پیدا کند و تحلیل‌ها و شواهد دقیق‌تری ارائه دهد. این مطالعه همچنین با هدف ارائه بینشی مفید در مورد این موضوع، به عنوان نقطه شروع برای تجزیه و تحلیل بیشتر در آینده عمل می کند.
محدودیت دیگر به دستکاری داده ها و در نتیجه انتخاب های دلخواه مربوط به درمان مقادیر از دست رفته نسبت داده می شود. درجه بالایی از ذهنیت از سوی ارزیاب در این مرحله ضمنی است، زیرا او باید داده های موجود را تفسیر کند و تصمیم بگیرد که چگونه در مورد مقادیر از دست رفته و در طول مراحل ترکیب مجموعه داده شروع برای تجزیه و تحلیل می کند [
۱۰۵].
بنابراین، مدل رگرسیون برآورد شده اطلاعات مربوط به اولین تحلیل اکتشافی ساده را با هدف بررسی اینکه آیا رابطه‌ای بین خطر تجربه قسمت شکست درخت (مقدار DN) و متغیرهای مربوط به هندسه‌های شهری وجود دارد، ارائه کرد. با توجه به ویژگی‌های توزیع‌های زیربنایی این متغیرهای توضیحی، تحلیل‌های بیشتری در آینده مورد نیاز خواهد بود.
