بهترین آموزش های کاربردی در شهرسازی
Sunday, 19 May , 2024
امروز : یکشنبه, ۳۰ اردیبهشت , ۱۴۰۳
امروز : یکشنبه, ۳۰ اردیبهشت , ۱۴۰۳
آخرین اخبار »
شناسه خبر : 11460
پرینتخانه » مقالات
تاریخ انتشار : 21 سپتامبر 2023 - 3:30 | 6 بازدید | ارسال توسط : riazat
علوم شهری | متن کامل رایگان
۱٫ معرفی جهان در حال تجربه رشد نگران کننده شهرنشینی است. در سال ۱۹۰۰، تنها ۱۵ درصد از جمعیت جهان در مناطق شهری زندگی می کردند [۱]. این تصویر در طول قرن بیستم به شدت تغییر کرد. در طول شصت سال از ۱۹۵۰ تا ۲۰۱۰، جهان شهرنشینی سریعی را تجربه کرد که منجر به زندگی […]
۱٫ معرفی
جهان در حال تجربه رشد نگران کننده شهرنشینی است. در سال ۱۹۰۰، تنها ۱۵ درصد از جمعیت جهان در مناطق شهری زندگی می کردند [۱]. این تصویر در طول قرن بیستم به شدت تغییر کرد. در طول شصت سال از ۱۹۵۰ تا ۲۰۱۰، جهان شهرنشینی سریعی را تجربه کرد که منجر به زندگی بیش از ۵۰ درصد از جمعیت جهان در مناطق شهری شد. [۲]. هشت سال بعد، بیش از ۵۸ درصد از جمعیت جهان در مناطق شهری زندگی می کردند [۳]. پیش بینی های فعلی نشان می دهد که تقریباً ۷۵ درصد از جمعیت جهان تا سال ۲۰۵۰ در مناطق شهری زندگی خواهند کرد. [۳]انتظار می رود که بیشترین توسعه شهری در شهرها و شهرهای کشورهای در حال توسعه اتفاق بیفتد [۴]. متأسفانه شهرنشینی در این کشورها همیشه با توسعه اقتصادی مرتبط نیست [۵]و هجوم جمعیت اغلب از عرضه رسمی مسکن فراتر می رود. این در حال حاضر از توسعه سکونتگاه های غیررسمی یا زاغه ها و ساختارهای مسکونی غیررسمی، از جمله آلونک های حیاط خلوت در اطراف شهرها و شهرستان های کشورهای در حال توسعه مشهود است. بسیاری از کشورها و نهادهای بین‌المللی سیاست‌ها و استراتژی‌هایی را آغاز کرده‌اند که اهدافی را برای تأمین مسکن مناسب و بهبود شرایط زندگی مردم ساکن در خانه‌های غیررسمی تعیین می‌کنند.
سکونتگاه های غیررسمی غیرقانونی هستند و به منابع آب بهبود یافته، تأسیسات بهداشتی، مناطق خوب زندگی، دوام مسکن یا امنیت تصدی دسترسی ندارند. [۶] و معمولاً خانه مهاجران جدید و افراد بیکار یا غیر ماهر است [۷]. علاوه بر افزایش آسیب پذیری بهداشتی، اجتماعی و زیست محیطی افرادی که در ساختارهای غیررسمی زندگی می کنند، توسعه چنین خانه هایی می تواند منجر به تخریب محیط زیست شود. حتی اگر توسعه اشکال دیگر مسکن غیررسمی در زمینهای سنتی بررسی‌شده صورت می‌گیرد، توسعه چنین ساختارهایی غیرقانونی است و افرادی که در چنین ساختارهای مسکونی زندگی می‌کنند ممکن است فاقد امنیت تصدی و دسترسی مستقیم به خدمات اولیه باشند که منجر به غیررسمی بودن سکونتگاهها می‌شود. برنامه ریزی شهری مؤثر مستلزم دسترسی به اطلاعات ثابت، قابل اعتماد و به روز در مورد سکونتگاه های غیررسمی و غیررسمی بودن سکونتگاه ها است.
در بسیاری از کشورها، داده‌های مربوط به سکونتگاههای غیررسمی به‌طور سنتی طی بررسی‌های زمینی، از جمله سرشماری، جمع‌آوری می‌شوند. سرشماری ها معمولاً هر ده سال یکبار انجام می شود و دلیل آن منابع مالی قابل توجهی است که برای انجام این بررسی ها لازم است. [۸]. علاوه بر این، چنین سرشماری‌ها عمدتاً اطلاعات مربوط به تعداد جمعیت را به جای ابعاد فضایی سکونتگاههای غیررسمی در بر می‌گیرند. [۸]. اگرچه سرشماری نفوس جامع‌ترین منبع اطلاعات جمعیتی است، اطلاعات مربوط به سکونتگاههای غیررسمی معمولاً در مقایسه با سایر مناطق سکونتگاهی دست‌کم گرفته می‌شود. [۹]. شکاف زمانی داده‌های سرشماری چالش‌های زیادی را در خدمات برنامه‌ریزی ایجاد می‌کند، زیرا انتقال مالی خدمات بر اساس تعداد کارمندان است. علاوه بر این، برنامه‌های توسعه مانند اهداف توسعه پایدار (SDGs) از تعداد کار برای ارزیابی پیشرفت به سوی دستیابی به شهرهای پایدار استفاده می‌کنند.
درک پویایی مکانی-زمانی غیر رسمی از نظر اطلاعات جمعیت شناختی، وسعت منطقه، مورفولوژی و شرایط محیطی می تواند به توسعه راه حل های پایدار برای مدیریت بهتر شهرنشینی کمک کند. این مقاله تحقیقات منتشر شده در مورد روش‌های تحلیل تصویر مبتنی بر شی (OBIA) را برای تشخیص سکونتگاههای غیررسمی با استفاده از داده‌های سنجش از دور، با تمرکز بر شاخص‌های مورد استفاده برای تشخیص سکونتگاههای غیررسمی مرور می‌کند. این مقاله همچنین تحقیقات منتشر شده در مورد استخراج ویژگی‌های کاربری زمین سکونتگاههای غیررسمی را بررسی می‌کند. این مقاله با ارائه خلاصه و توصیه‌هایی برای مطالعات احتمالی آینده با استفاده از سنجش از دور در نقشه‌برداری سکونتگاه غیررسمی به پایان می‌رسد.
۲٫ خاستگاه ها و ویژگی های مسکن غیررسمی
سکونتگاههای غیررسمی در قرن شانزدهم در اروپا، استرالیا و آمریکای شمالی وجود داشت که به ارائه راه‌حل‌های مسکن در کشورهای توسعه‌یافته برای افرادی با درآمد کم یا بدون درآمد کمک می‌کرد. [۶]. شهرنشینی سریع در طول انقلاب صنعتی منجر به افزایش سریع تعداد زاغه‌ها در دو دهه آخر قرن نوزدهم شد. [۶]. این سکونتگاه ها معمولاً در داخل شهرها در ساختمان های قدیمی قرار داشتند. آنها به خدمات ضروری دسترسی نداشتند و در برنامه ریزی شهرها گنجانده نشدند، که منجر به این شد که این مناطق استانداردهای زندگی ضعیفی داشته باشند و منبع آسیب های اجتماعی مانند جرم و جنایت و سوء مصرف مواد مخدر باشند. [۶].
مناطق شهری جنوب صحرای آفریقا و آمریکای جنوبی در طول دوران پیش از استعمار از نظر تعداد و وسعت محدود بودند. [۶]. به عنوان مثال می توان به Jenne-Jeno در مالی و Aksum در اتیوپی اشاره کرد. سکونتگاه ها و شهرک ها به طور رسمی برنامه ریزی نشده بودند، بلکه دارای الگوهای سکونتگاهی، ساختارها و سیستم های کاربری زمین بودند که توسط رهبران سنتی و مذهبی آنها دیکته شده بود. ساختارهای مسکونی در سکونتگاههای غیررسمی از کشوری به کشور دیگر متفاوت بوده و گاهی بر حسب گروه قومی متفاوت است. با این وجود، به رسمیت شناخته شد که چه چیزی یک الگوی سکونتگاه قابل قبول را تشکیل می دهد، به ویژه الگوی که تمام کاربری های ضروری زمین، مانند حمل و نقل، آموزش و فروشگاه ها را فراهم می کند. [۱۰]. در طول چند دهه آخر قرن نوزدهم و اوایل قرن بیستم در جنوب صحرای آفریقا، استعمارگران اروپایی در سکونتگاههای جدید مستقر شدند و به طور کلی مناطق شهری موجود را تغییر دادند یا گسترش دادند تا نزدیک‌تر به منابع طبیعی قرار گیرند، که منجر به موارد بیشتر شد. افرادی که از مناطق روستایی به مناطق شهری در جستجوی شغل با صنایع مستقر حرکت می کنند [۱۰].
استعمارگران همچنین شهرهای ساحلی مانند کیپ تاون، لاگوس و آکرا را برای تسهیل حمل و نقل و تجارت منابع ایجاد کردند. [۱۰]. طرح‌های فضایی شهرهای استعماری با استفاده از سیاست‌های جداسازی نژادی ایجاد شد که منجر به ایجاد مناطق سیاه‌پوست بدون خدمات یا بدون خدمات، عمدتاً سکونتگاههای غیررسمی، دور از مناطق تجاری و مسکونی مطلوب و جدا شده با حایل‌هایی مانند خطوط راه‌آهن شد. [۱۱]. تا به امروز، اکثر سکونتگاههای غیررسمی در کشورهای در حال توسعه، محل زندگی کارگران غیرماهر یا نیمه ماهر هستند که به محل کار برای صنایعی تبدیل شده‌اند که به‌ویژه تحت تأثیر بی‌ثباتی‌های اقتصادی قرار گرفته‌اند. از این رو، اکثر این کارگران در دوران رکود بیکار می شوند و تغییر یا بهبود شرایط زندگی را برای آنها دشوار می کند. [۱۲].
امروزه مسکن های غیررسمی را می توان در سکونتگاه های غیررسمی یافت که سازه های غیررسمی مستقل در زمین های غیرقانونی ساخته می شوند. [۶]. سناریوی دوم غیر رسمی در کشورهایی مانند آفریقای جنوبی از طریق ساخت سازه‌های غیررسمی در زمینهای رسمی بررسی‌شده رخ می‌دهد. [۱۳]. سناریوی سوم جایی است که مردم در ساختمان های قدیمی که فاقد خدمات شهری هستند زندگی می کنند. این سکونتگاه ها بیشتر در داخل شهرها یافت می شوند، مانند روستاهای شهری در برخی از شهرهای چین که روستاهای روستایی بودند اما اکنون برای ایجاد درآمد به اجاره داده می شوند (زیرا زمین های کشاورزی توسط شهرنشینی مصرف شده است). [۱۴]. نقشه‌برداری سکونتگاههای غیررسمی یا مسکن غیررسمی با استفاده از داده‌های سنجش از راه دور، مستلزم درک و تعریف غیررسمی مربوط به بافت/کشور است.
۳٫ نقشه برداری و نظارت بر سکونتگاه های غیررسمی با استفاده از فناوری های سنجش از دور
فناوری‌های سنجش از دور قابلیت‌هایی را برای نقشه‌برداری و نظارت بر تحولات سکونتگاههای غیررسمی فراهم می‌کنند. تجزیه و تحلیل انتشارات انجام شده با استفاده از پایگاه داده اسکوپوس در ماه مه ۲۰۲۳ نشان می دهد که تعداد مطالعات با استفاده از تصاویر ماهواره ای برای نقشه برداری و نظارت بر سکونتگاه ها یا زاغه های غیررسمی از سال ۲۰۱۵ افزایش یافته است، با مطالعات کمتری بین سال های ۱۹۹۶ و ۲۰۰۸ ثبت شده است. تقریباً ۵۰ درصد از انتشارات منتشر شده بین سال های ۲۰۱۹ و ۲۰۲۲، با بیشترین تعداد انتشارات در سال ۲۰۱۹ (نگاه کنید به شکل ۱).
افزایش علاقه به مطالعات در مورد سکونتگاه های غیررسمی در سال ۲۰۱۵ ممکن است با افزایش علاقه به سکونتگاه های غیررسمی در طول و پس از ایجاد SDGs مرتبط باشد. حتی اگر سکونتگاه های غیررسمی عمدتاً در آفریقا و آسیا (جایی که ۸۰ درصد مردم در سکونتگاه های غیررسمی زندگی می کنند) رایج است، بیشتر مطالعات در مورد سکونتگاه های رسمی یا محله های فقیر نشین در اروپا و ایالات متحده انجام شده است. شکل ۲).
آفریقای جنوبی تنها کشور آفریقاست که در بین ده کشور برتری است که در مورد سکونتگاه های غیررسمی تحقیق می کنند. سایر کشورهای آفریقایی که تحقیقات آنها در پایگاه داده اسکوپوس منتشر شده است شامل کنیا، غنا، زامبیا و نیجریه است. هند و چین تنها کشورهایی هستند که در مورد سکونتگاه های غیررسمی در آسیا تحقیق می کنند.
نسبت مطالعات در مناطق مختلف ممکن است تحت تأثیر فرصت های مالی برای حمایت از تحقیقات در مورد سکونتگاه های غیررسمی باشد. اروپا سرمایه‌گذار اصلی تحقیقات در زمینه نقشه‌برداری سکونتگاههای غیررسمی است (نگاه کنید به شکل ۳).
علاوه بر این، بیشتر تحقیقات منتشر شده در مورد سکونتگاه های غیررسمی در مقایسه با موسسات تحقیقاتی یا دولت ها توسط موسسات دانشگاهی اروپایی انجام می شود.
روش‌های مورد استفاده برای شناسایی سکونتگاههای غیررسمی شامل دیجیتالی‌سازی دستی، طبقه‌بندی مبتنی بر پیکسل، OBIA، یادگیری ماشینی، و تکنیک‌های مبتنی بر بافت و مبتنی بر آمار است. اگرچه تفسیر تصویر بصری زمان‌بر و منابع زیادی است، اما امروزه هنوز مورد استفاده قرار می‌گیرد، زیرا زمانی که توسط افرادی با مهارت و تجربه در تفسیر تصویر انجام شود، نتایج دقیق‌تری ایجاد می‌کند. [۱۵].
پیچیدگی مصالح سقف سازه ها و ناهمگونی کاربری زمین در نواحی شهری، تمایز سکونتگاه های غیررسمی را از دیگر انواع کاربری ها با استفاده از اطلاعات طیفی بر اساس تصاویر با وضوح فضایی بالا به تنهایی چالش برانگیز می کند. [۱۶]. استفاده از تکنیک‌های یادگیری ماشین برای نقشه‌برداری سکونتگاه غیررسمی در سال‌های اخیر به آرامی در حال افزایش است. تکنیک های یادگیری ماشینی عملکرد بهتری نسبت به روش های نقشه برداری مبتنی بر نظرسنجی دارند. این تکنیک ها به ویژگی های طیفی، مورفولوژیکی یا ساختاری سکونتگاه ها بستگی دارد [۱۷]. این امر منجر به سردرگمی بین سکونتگاه های غیررسمی در مقابل سکونتگاه های رسمی با ساختمان های کوچک می شود [۱۸]. روش‌هایی که در تشخیص سکونتگاههای غیررسمی آزمایش شده‌اند عبارتند از جنگل تصادفی (RF)، ماشین‌های بردار پشتیبان (SVM) و رگرسیون خطی. SVM نتایج دقیق تری را با خطاهای کمتر در کمیسیون و حذف ارائه می دهد [۱۸,۱۹]. تکنیک های یادگیری عمیق مانند شبکه عصبی کانولوشن (CNN) به طور بالقوه می تواند دقت طبقه بندی سکونتگاه های غیررسمی را بهبود بخشد. [۱۹,۲۰]. برخلاف تکنیک‌های یادگیری ماشین مبتنی بر پیکسل، تکنیک‌های یادگیری عمیق از وصله‌های تصویری در طول آموزش مدل استفاده می‌کنند [۲۰].
علاوه بر این، که به عنوان تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) شناخته می‌شود، تکنیک‌های OBIA در دو دهه گذشته به عنوان راه‌حل‌هایی برای تشخیص استقرار اطلاعاتی مورد توجه قرار گرفته‌اند. [۲۱,۲۲]. برخلاف تکنیک‌های طبقه‌بندی مبتنی بر پیکسل، تکنیک‌های طبقه‌بندی OBIA از ویژگی‌های طیفی، فضایی و زمینهای اشیاء تصویر برای طبقه‌بندی استفاده می‌کنند. [۲۳].
میز ۱ تفاوت‌های بین روش‌های نقشه‌برداری مورد استفاده برای شناسایی سکونتگاههای غیررسمی را خلاصه می‌کند.
تکنیک OBIA در مقایسه با سایر روش‌های پردازش تصویر، رایج‌ترین روش برای تشخیص سکونتگاههای غیررسمی در دو دهه گذشته بوده است. [۱۵]. در مقایسه با طبقه‌بندی مبتنی بر پیکسل، OBIA برای طبقه‌بندی زاغه‌ها مفید است، زیرا فرآیند تقسیم‌بندی بخش‌هایی را تولید می‌کند که دارای اطلاعات طیفی، هندسی و بافتی اضافی است که برای تمایز زاغه‌ها ضروری است. [۲۶,۲۷]. بخش های تصویر حاوی آمار توصیفی از قبیل میانگین، میانه، حداقل و حداکثر مقادیر در هر باند و میانگین نسبت ها و واریانس های طیفی، فضایی و بافتی تصاویر هستند. [۲۶,۲۷,۲۸,۲۹,۳۰]. تقسیم بندی چند تفکیک پذیری با موفقیت در GEOBIA برای ترسیم ساختمان ها اجرا شده است و از مقیاس، شکل و فشردگی برای تقسیم بندی اشیا استفاده می کند. [۳۰].
استفاده از تکنیک‌های یادگیری ماشین و تکنیک‌های OBIA برای شناسایی سکونتگاههای غیررسمی، توجه محققان را به خود جلب کرده است. شاخص‌های مبتنی بر اسکان و طبقه‌بندی کننده RF با موفقیت سکونتگاههای غیررسمی را با دقت افزایش یافته شناسایی کردند [۳۱]. استفاده از تکنیک OBIA و طبقه‌بندی کننده RF در تشخیص سکونتگاههای غیررسمی با استفاده از حسگرهای نوری و تصاویر رادار دیافراگم مصنوعی (SAR) پتانسیل تولید نتایج دقیق‌تری را دارد. [۳۲]. تکنیک OBIA (که از ویژگی‌های تصویر در سطح استقرار برگرفته از تصاویر با وضوح مکانی بالا استفاده می‌کند) و RF (برگرفته از تصاویر ماهواره‌ای با وضوح مکانی بالا) برای تشخیص رشد سکونتگاههای غیررسمی از تصاویر زمانی Landsat با دقت بالا استفاده شده‌اند. [۳۳].
۳٫۱٫ مراحل پردازش OBIA
اولین مرحله در OBIA تقسیم بندی تصویر است. این فرآیند تصویر را به اشیاء معنی‌داری که در طبقه‌بندی یا تفسیر استفاده می‌شوند تقسیم می‌کند. OBIA در حدود سال ۲۰۰۰ معرفی شد و با استفاده از نرم افزارهایی مانند Trimble eCognition پیاده سازی شد. فرآیند تقسیم‌بندی چند وضوحی رایج‌ترین تکنیک قطعه‌بندی تصویر است که در تشخیص سکونتگاه غیررسمی استفاده می‌شود [۱۵]. یکی از کارهای وقت گیر در تقسیم بندی تصویر، تعیین پارامترهای مقیاس است که اشیاء تصویری را تولید می کند که نشان دهنده کلاس های مورد نظر است. [۲۴]. پارامتر مقیاس یک متغیر اساسی در تقسیم بندی تصویر است، زیرا ناهمگنی و اندازه اشیاء قطعه بندی شده را تعیین می کند. [۲۸]. هر چه پارامتر مقیاس بالاتر باشد، درجه ناهمگنی جسم بالاتر خواهد بود و در نتیجه اشیاء تصویر بزرگتر می شود. اکثر مطالعات از فرآیند آزمون و خطا برای تعیین پارامتر مقیاسی که اشیاء مورد نیاز را ارائه می‌کند، استفاده کرده‌اند [۲۱,۲۶,۳۴,۳۵]. این روش تقسیم‌بندی تحت نظارت، کاربر را ملزم می‌کند تا نتایج تقسیم‌بندی را با استفاده از داده‌های مرجع یا دانش محلی بررسی کند. سپس پارامترها به دقت تنظیم می شوند تا به اشیاء تصویر مورد نظر دست یابند.
پارامتر مقیاس یک مشکل قابل توجه در قابلیت انتقال تکنیک های طبقه بندی OBIA باقی می ماند. انتقال پارامترهای تقسیم بندی تصویر از یک سنسور به حسگر دیگر نیاز به تنظیم دقیق پارامترها دارد [۲۷]. داده‌های مرجع مانند داده‌های جاده یا راه‌آهن در طول فرآیند تقسیم‌بندی برای بهبود مرزهای جسم تصویر حاصل استفاده شده‌اند. [۳۵]. برخی از محققین از تخمین پارامتر مقیاس استفاده کرده اند [۳۰] برای تعیین پارامتر مقیاس به منظور تقسیم بندی اشیاء سکونتگاه غیررسمی [۳۲,۳۶]. چندین مطالعه از دو سطح تقسیم‌بندی برای شناسایی سکونتگاههای غیررسمی استفاده کرده‌اند [۲۱,۳۴,۳۵]. این معمولاً شامل تقسیم بندی اشیاء تصویر بزرگتر برای نشان دادن مناطق غیر ساخته شده در برابر ساخته شده است. در مقابل، سطح دوم از مقادیر مقیاس بالاتر برای ایجاد اشیاء کاربری غیررسمی و رسمی استفاده می کند که به عنوان اشیاء فرعی برای تشخیص سکونتگاه های غیررسمی از سکونتگاه های رسمی استفاده می شود. استفاده از یک سطح تقسیم بندی زمانی مشاهده می شود که ویژگی های مبتنی بر طیف به تنهایی برای طبقه بندی سکونتگاه های غیررسمی استفاده شود. [۳۵].
در دسترس بودن پلتفرم‌های پردازش تصویر مانند Google Earth Engine فرصت‌هایی را برای پیاده‌سازی روش‌های تقسیم‌بندی دیگر، مانند خوشه‌بندی غیر تکراری ساده، که در تقسیم‌بندی اشیاء تصویری استقرار غیررسمی از تصاویر نوری با وضوح فضایی متوسط و SAR موفق بوده است، فراهم می‌کند. [۳۷]. رویکردهای تقسیم بندی مبتنی بر شبکه نیز برای ایجاد تصاویر در تشخیص سکونتگاه غیررسمی استفاده می شود [۳۸,۳۹].
طبقه بندی تصاویر در OBIA معمولا با استفاده از مجموعه قوانین انجام می شود. دانش تخصصی برای تولید این مجموعه قوانین مورد نیاز است. چالش‌برانگیزترین کار در طول نقشه‌برداری سکونتگاههای غیررسمی با استفاده از OBIA، ترجمه ویژگی‌های سکونتگاههای غیررسمی به شاخص‌های قوی است که می‌تواند در طول طبقه‌بندی در سراسر جهان مورد استفاده قرار گیرد. [۳۱,۴۰]. یک هستی شناسی زاغه نشین عمومی (GSO) برای تعریف شاخص های عمومی سکونتگاه های غیررسمی توسعه یافته است که می تواند در سطح جهانی برای شناسایی سکونتگاه های غیررسمی با استفاده از داده های سنجش از راه دور مورد استفاده قرار گیرد. [۴۰]. GSO بر اساس مورفولوژی ساخته شده سکونتگاه های غیررسمی در سه سطح فضایی، یعنی محیط، سکونتگاه و شی است. بخش‌های فرعی زیر شاخص‌های اسکان غیررسمی و تکنیک‌های OBIA را در این سه سطح فضایی ارزیابی می‌کنند.
۳٫۲٫ تشخیص سکونتگاه های غیررسمی با استفاده از شاخص های سطح شی
چندین مطالعه با استفاده از تکنیک‌های OBIA برای شناسایی سکونتگاههای غیررسمی مورد بررسی قرار گرفته‌اند [۱۵,۲۱,۲۲,۲۷]. مجموعه قوانین مورد استفاده برای تشخیص سکونتگاه های غیررسمی از نظر پیچیدگی از یک منطقه به منطقه دیگر، بسته به هستی شناسی سکونتگاه های غیررسمی متفاوت است. شاخص‌های سطح شی که برای شناسایی سکونتگاههای غیررسمی آزمایش شده یا استفاده می‌شوند شامل ویژگی‌های لحن و شکل ساختارهای مسکونی است. [۲۱,۳۶]. ویژگی های شکلی که استفاده می شود برای تشخیص اندازه سکونتگاه های غیررسمی و سادگی ساختار سقف آنها استفاده می شود. سازه های مسکونی در سکونتگاه های غیررسمی معمولا کوچکتر هستند [۳۱,۳۶,۴۱] و از نظر شکل نامنظم تر [۳۶] نسبت به ساختارهای رسمی
سقف سازه های مسکونی در سکونتگاه های غیررسمی را می توان از طیف وسیعی از مصالح مانند آهن، ورق های پلاستیکی، تخته های چوبی یا آزبست ساخت. [۳۶] و ترکیبی از لباس، چوب و نی [۴۲,۴۳]. ویژگی های تصویر برای تشخیص لحن و روشنایی سازه های مسکونی در سکونتگاه های رسمی بررسی شده است. تون شدت نوارهای تصویر را اندازه گیری می کند. استفاده از اندازه‌گیری برای تن سقف سازه‌های مسکونی در سکونتگاههای غیررسمی با استفاده از تصاویر با وضوح فضایی بالا به تنهایی در تشخیص سکونتگاههای غیررسمی کافی نیست. [۲۴]. این به دلیل سردرگمی طیفی بین سقف های خانه و سطوح اطراف است [۲۴]. مطالعاتی که استفاده از ویژگی‌های شکل سازه‌های مسکونی را بررسی می‌کنند، دقت ضعیفی در حدود ۲ تا ۶۵ درصد به دست آورده‌اند. [۲۱,۳۱,۳۶].
۳٫۳٫ تشخیص سکونتگاه غیررسمی با استفاده از شاخص های سطح اسکان
شاخص‌های سطح سکونت، ویژگی‌های فیزیکی سکونتگاههای غیررسمی هستند که شکل، شکل یا تراکم کلی سکونتگاه مربوطه را توصیف می‌کنند. [۴۰]. این شاخص ها شامل تراکم نسبی سازه های ساختمانی و عدم وجود شبکه های جاده ای منظم و پوشش گیاهی است. شاخص‌های دیگر خلأ و جهت‌گیری سازه‌های ساخته شده است [۴۰]. تراکم سازه ها در سکونتگاه های غیررسمی می تواند از یک سکونتگاه به محل دیگر متفاوت باشد. علاوه بر این، تراکم سازه ها می تواند بسته به مرحله توسعه سکونتگاه غیررسمی، یعنی در دوران نوزادی، تثبیت یا بلوغ متفاوت باشد. [۴۳]. مطالعات متعددی در ادبیات در مورد سکونتگاه های غیررسمی با تراکم متوسط تا بالا انجام شده است [۲۱,۲۲,۲۷,۳۵]. در زمان نگارش این مقاله، هنوز هیچ مطالعه ای منتشر نشده بود که بر استفاده از سنجش از دور برای شناسایی سکونتگاه های غیررسمی با سازه های ساختمانی کم تراکم متمرکز باشد. پروکسی‌های تصویری مورد استفاده در تشخیص سکونتگاههای غیررسمی با استفاده از شاخص‌های سکونت شامل ماتریس هم‌وقوع سطح خاکستری (GLCM)، خالی بودن سازه‌های ساختمان به فضاهای باز، و شاخص‌های ساخته‌شده و پوشش گیاهی است.
اندازه گیری GLCM برای تجزیه و تحلیل وقوع جفت پیکسل با مقادیر خاص و یک رابطه فضایی خاص استفاده می شود. [۴۴]. اندازه‌گیری‌های بافتی GLCM ویژگی‌های تصویری هستند که معمولاً برای تشخیص سکونتگاههای غیررسمی در مناطقی با سازه‌های ساختمانی با تراکم متوسط تا بالا، از تصاویر با وضوح فضایی بالا تا بسیار بالا، کاوش، بررسی یا استفاده می‌شوند. [۲۶,۳۴,۳۵,۳۹,۴۵]. اندازه پنجره مورد استفاده در طول تجزیه و تحلیل بافت و تحلیل روابط فضایی می تواند بر تشخیص سکونتگاه های غیررسمی تأثیر بگذارد [۲۶,۳۴]. موفقیت این ویژگی‌های GLCM در شناسایی سکونتگاهها از یک منطقه به منطقه دیگر بسته به مورفولوژی سکونتگاه، ویژگی‌های کاربری اراضی اطراف و مرحله توسعه سکونتگاهها متفاوت است. [۳۴,۳۵]. ادغام GLCM و سایر ویژگی‌ها، مانند شاخص‌های پوشش گیاهی، برای افزایش کیفیت نتایج ثابت شده است. [۲۶].
مطالعات متعددی با تجزیه و تحلیل حضور یا مورفولوژی ویژگی‌های کاربری اراضی تلاش کرده‌اند سکونتگاههای غیررسمی را شناسایی کنند. کمبود پوشش گیاهی یکی از ویژگی های سکونتگاه های غیررسمی است که مورد بررسی قرار گرفته است [۱۵]. این شاخص با استفاده از شاخص های پوشش گیاهی مانند شاخص گیاهی متمایز نرمال شده (NDVI) ارزیابی می شود. NDVI پوشش گیاهی را کمی می کند و برای طبقه بندی کاربری و ویژگی های پوشش زمین استفاده شده است [۴۶]. سکونتگاه های غیررسمی معمولاً پوشش گیاهی کمتری نسبت به سکونتگاه های رسمی دارند [۲۱,۲۶,۳۵,۴۷]. این شاخص عمدتاً با سایر شاخص ها مانند تراکم ساختمانی بالا برای تشخیص سکونتگاه های غیررسمی استفاده می شود. حتی اگر کمبود پوشش گیاهی می تواند به عنوان یک شاخص در تشخیص سکونتگاه های غیررسمی مورد استفاده قرار گیرد، مطالعاتی که پوشش گیاهی و ویژگی های بیوفیزیکی سکونتگاه های غیررسمی را ارزیابی می کند، انجام نشده است. درک ویژگی‌های بیوفیزیکی و شرایط محیطی می‌تواند به مدیریت توسعه یک اقدام با هدف بهبود تاب‌آوری و سلامت افراد ساکن در سکونتگاههای غیررسمی کمک کند.
استفاده از خلأ برای شناسایی سکونتگاه های غیررسمی در چندین مطالعه بررسی شده است [۲۵,۴۸,۴۹]. Lacunarity معیاری از انحراف اجسام هندسی است که ناهمگونی فضایی یک جسم را کمی می کند. [۴۸]. انتظار می‌رود سکونتگاههای رسمی ارزش‌های خلوت بالاتری داشته باشند، در حالی که سکونتگاههای غیررسمی ارزش کمتری دارند [۲۵]. مقادیر خالی بودن سکونتگاه های غیررسمی به مرحله توسعه و تراکم سکونتگاه ها بستگی دارد [۴۹].
الگوریتم‌های تشخیص خط مانند Canny edge برای اندازه‌گیری خلأ در تشخیص سکونتگاههای غیررسمی استفاده شده است. [۲۵,۴۹,۵۰]. در OBIA، خلأ نیز با ارزیابی فاصله نسبی سازه‌های ساختمان از زمین خالی محاسبه می‌شود. [۳۵]. اثربخشی خلأ در تشخیص سکونتگاههای غیررسمی نیازمند ویژگی‌های کاربری زمین سکونتگاه غیررسمی بسیار دقیق است. ادغام داده های کمکی موجود از پلتفرم هایی مانند OpenStreetMap به طور بالقوه می تواند تشخیص سکونتگاه های غیررسمی را بهبود بخشد.
سکونتگاههای غیررسمی با شبکه‌ها یا مسیرهای جاده‌ای ارگانیک و نامنظم مشخص می‌شوند [۵۱]. تنها تعداد محدودی از مطالعات، شناسایی شبکه‌های جاده‌ای را در تشخیص سکونتگاههای غیررسمی از رسمی ادغام کرده‌اند [۲۶,۵۲,۵۳]. ویژگی‌های هندسی ویژگی‌های کاربری سکونتگاه غیررسمی با استفاده از عدم تقارن زیر اشیاء بررسی شده است. [۲۱,۳۸]. سکونتگاههای غیررسمی به دلیل ماهیت پیچیده ویژگی‌های کاربری زمین در سکونتگاههای غیررسمی، تمایل به عدم تقارن کمتری از ارزش‌های فرعی دارند. عدم تقارن اشیاء فرعی در تشخیص سکونتگاه های غیررسمی بهتر از استفاده از مساحت یا تراکم اشیاء فرعی است. [۳۸]. این ممکن است به این دلیل نسبت داده شود که ارزیابی مساحت و تراکم اشیاء فرعی به دقت نتایج تقسیم‌بندی سازه‌های ساختمانی و ویژگی‌های کاربری زمین در سکونتگاههای غیررسمی بستگی دارد. [۵۴].
۳٫۴٫ تشخیص سکونتگاه غیررسمی با استفاده از شاخص های سطح محیطی
شناسایی سکونتگاه های غیررسمی با استفاده از ویژگی های سطح محیطی به طور کامل بررسی نشده است. سکونتگاههای غیررسمی عمدتاً در زمینهای خالی در مکان‌های نامطلوب نزدیک به رودخانه‌ها یا خدمات، در مناطق کم ارتفاع یا در شیب‌های تند ایجاد می‌شوند. مناطق مستعد بلایای زیست محیطی نیز ممکن است برای سکونتگاه های غیررسمی مورد استفاده قرار گیرند [۳۶,۴۰]. برخی از مطالعات ویژگی های مکان سکونتگاه های غیررسمی را با استفاده از داده های جانبی بررسی کرده اند [۵۵,۵۶,۵۷,۵۸,۵۹]. ادغام ویژگی های مکان مانند نزدیکی به رودخانه ها، جاده ها یا خطوط راه آهن در فرآیند طبقه بندی OBIA برای افزایش تشخیص سکونتگاه های غیررسمی ثابت شده است. [۳۶,۶۰].
۳٫۵٫ تحلیل زمانی میزان اسکان غیررسمی
درک سکونت گاه های غیررسمی می تواند به مسئولان کمک کند تا توسعه سکونتگاه های غیررسمی و به طور کلی شهرنشینی را بهتر مدیریت کنند. اگرچه مطالعات متعددی تشخیص سکونتگاههای غیررسمی را با استفاده از تصاویر ماهواره‌ای بررسی کرده‌اند، مطالعات محدودی بر روی تحلیل رشد سکونتگاههای غیررسمی متمرکز شده‌اند. [۳۳,۳۶,۳۸,۵۹,۶۱,۶۲,۶۳]. دقت تشخیص تغییر مبتنی بر طبقه بندی تا حد زیادی به دقت نتایج طبقه بندی بستگی دارد. در OBIA، قابلیت انتقال فرآیند تشخیص یا مجموعه قوانین همچنان چالش برانگیز است [۳۶]. تشخیص تغییر مبتنی بر یادگیری ماشینی راه حل بهتری برای تشخیص سکونتگاه غیررسمی ارائه می دهد [۶۳]. اطلاعات ارزیابی شده در مطالعات تشخیص تغییر عمدتاً بر وسعت سکونتگاه ها متمرکز شده است. در دسترس بودن وسایل نقلیه هوایی بدون سرنشین (UAV) فرصتی برای ارزیابی رشد ساختار ساختمان یا تغییرات در سکونتگاه های غیررسمی فراهم می کند. [۶۴].
۳٫۶٫ نقشه برداری غیررسمی سکونتگاه با استفاده از پهپاد
استفاده از اطلاعات سه بعدی برای شناسایی سازه‌های ساختمانی در سکونتگاههای غیررسمی با استفاده از پهپاد، سیستم‌های هوایی بدون سرنشین یا هواپیماهای بدون سرنشین یکی از حوزه‌های مورد توجه محققان در سال‌های اخیر بوده است. فناوری پهپاد می‌تواند تصاویر با وضوح فضایی فوق‌العاده بالا، ابرهای نقطه‌ای سه‌بعدی، مدل‌های سطح دیجیتال دقیق و مدل‌های ارتفاعی دیجیتال به دست آورد. [۶۵]. این فناوری همچنین انعطاف پذیری را در انتخاب زمان های مکانی و بازدید مجدد بر اساس نیازهای اطلاعاتی پروژه فراهم می کند [۶۶]. ثابت شده است که ادغام ارتفاع اطلاعات دو بعدی و سه بعدی تولید شده از محصولات پهپاد نتایج دقیق تری نسبت به طبقه بندی مبتنی بر پیکسل ارائه می دهد. [۶۷]. نقشه برداری از ویژگی های کاربری زمین در سکونتگاه های غیررسمی (از جمله سازه های ساختمانی از طریق یکپارچه سازی اطلاعات دو بعدی و سه بعدی ارائه شده توسط فناوری پهپاد) اطلاعات دقیق مورد نیاز برای پشتیبانی از بسیاری از برنامه ها، از جمله برنامه ریزی برای ارتقاء زاغه ها را تولید می کند. [۶۷].
همچنین از محصولات پهپاد برای طبقه بندی سقف ها بر اساس مصالح سقف و ارتفاع ساختمان استفاده شده است که اطلاعات ارزشمندی را ارائه می دهد که می تواند در برنامه ریزی فضایی و به عنوان شاخصی برای طبقه بندی سکونتگاه های غیررسمی و رسمی مورد استفاده قرار گیرد. [۶۸]. ارزیابی ویژگی‌های کاربری زمین در سکونتگاههای غیررسمی با استفاده از محصولات تصویر پهپاد به مناطق جغرافیایی کوچکتر محدود می‌شود [۶۹]; برای نقشه‌برداری سکونتگاههای غیررسمی در سطح شهر، تصاویر با وضوح فضایی بالا مورد نیاز است. در مقابل، فناوری پهپاد برای ارزیابی موضعی ویژگی‌ها در سکونتگاههای غیررسمی برای پشتیبانی از پروژه‌های خاص، مانند پروژه‌های ارتقا، مناسب است. [۷۰].
ظرفیت پهپادها برای ارزیابی مورفولوژی سازه های ساختمانی برای تعیین خطر بلایای آتش سوزی در سکونتگاه های غیررسمی نشان داده شده است. [۷۱]. داده های ابر نقطه ای مورد استفاده برای ایجاد یک مدل سه بعدی از ساختار ساختمان برای پشتیبانی از چندین برنامه، از جمله ارتقاء سکونتگاه غیررسمی مورد بررسی قرار گرفته است. [۷۲]. علاوه بر این، محصولات پهپاد چندزمانی با موفقیت ساختارهای مسکونی ارتقا یافته را در سکونتگاههای غیررسمی شناسایی کرده‌اند. [۶۴]. نشان داده شده است که استفاده از محصولات پهپاد برای شناسایی ویژگی‌ها در سکونتگاههای غیررسمی، دقت طبقه‌بندی ۹۰ درصد یا بالاتر را ارائه می‌کند. [۶۴].
۳٫۷٫ بررسی مورفولوژی سکونتگاه های غیررسمی با استفاده از متریک های منظر
تحقیقی که با هدف تمایز سکونتگاه های غیررسمی از سکونتگاه های رسمی با استفاده از معیارهای منظر انجام شده است، جدید است. یک مطالعه اخیر در چین با موفقیت روستاهای شهری را از مناطق رسمی با دقت بالاتر در دو شهر با استفاده از معیارهای پچ و منظر متمایز کرد. [۷۳]. مطالعه الگوهای فضایی سازه‌های سکونتگاه غیررسمی با استفاده از الگوهای منظر نیز توجه محدودی را به خود جلب کرده است [۵۸,۷۱]. مطالعه الگوهای فضایی سکونتگاههای غیررسمی می‌تواند اطلاعاتی را برای درک بهتر پیکربندی سکونتگاهها و در نتیجه کمک به خدمات برنامه‌ریزی فراهم کند. علاوه بر این، ادغام الگوهای فضایی با انواع اطلاعات دیگر، مانند وقوع فاجعه، می تواند به شناسایی مناطق در معرض خطر چنین رویدادهایی کمک کند. [۷۱].
۳٫۸٫ نقشه برداری از ویژگی های کاربری اراضی سکونتگاه های غیررسمی
شناخت محیط های ساخته شده سکونتگاه های غیررسمی برای ارائه خدمات اولیه و اضطراری ضروری است. تحقیق در مورد استخراج با وضوح مکانی بالا تا بسیار بالا از سازه‌های ساختمانی در سکونتگاههای غیررسمی یکی از حوزه‌های مورد علاقه بسیاری از محققان و محققان در دو دهه گذشته بوده است. [۷۴,۷۵]. این امر با پرتاب ماهواره هایی مانند IKONOS، QuickBird و Worldview امکان پذیر شد. کمی سازی سازه های ساختمانی اطلاعات مورد نیاز برای برآورد اندازه جمعیت را فراهم می کند و ارائه خدمات بهداشتی و سایر خدمات ضروری مانند خدمات واکنش اضطراری (از جمله مدیریت آتش سوزی و بلایا) را تسهیل می کند. استخراج سازه‌های ساختمانی از تصاویر با وضوح فضایی بالا به دلیل اندازه و ناهمگونی ویژگی‌های کاربری اراضی اطراف، مانند جاده‌ها و فضاهای باز، فرآیند پیچیده‌ای است.
مطالعات محدودی استخراج جاده‌ها را در سکونتگاههای غیررسمی مورد بررسی قرار داده‌اند، اما اینها زیرساخت‌های ضروری هستند، زیرا خدمات حمل و نقل و دسترسی اضطراری را فراهم می‌کنند. شناسایی ویژگی‌های جاده در سکونتگاههای غیررسمی چالش برانگیز است، زیرا جاده‌ها در سکونتگاههای غیررسمی دارای ویژگی‌های فیزیکی مشابهی در مقایسه با سایر ویژگی‌های کاربری زمین در هنگام استفاده از تصاویر ماهواره‌ای با وضوح مکانی بالا هستند. [۷۶].
۴٫ نتیجه گیری و پیشنهادات
این مطالعه نشان می‌دهد که سنجش از دور به طور گسترده برای تشخیص غیررسمی که در آن کلبه‌های مستقل یا سازه‌های مسکونی بر روی زمین‌هایی ساخته شده‌اند که برای سکونت تأیید نشده است، استفاده شده است. جستجوی ادبیات نشان می‌دهد که هیچ مطالعه‌ای با استفاده از سنجش از دور برای تشخیص غیر رسمی در مناطق رسمی وجود ندارد. حتی اگر برخی از مطالعات استفاده از سنجش از دور را در تشخیص غیررسمی بررسی کرده‌اند، انطباق روش‌های مورد بررسی در حوزه‌های مختلف یک چالش باقی مانده است. در حالی که استفاده از تکنیک‌های OBIA برای شناسایی سکونتگاههای غیررسمی به طور کامل بررسی شده است، برای اینکه روش‌های شناسایی به بیش از یک شهر قابل انتقال باشند، تنظیم دقیق پارامترهای بخش‌بندی و آستانه‌های مورد استفاده در طول فرآیند طبقه‌بندی مورد نیاز است.
این بررسی نشان می‌دهد که شاخص‌های سطح شهرک به طور کامل بررسی شده‌اند و نسبت به شاخص‌های سطح شی و سطح محیط در شناسایی سکونتگاههای غیررسمی موفق‌تر بوده‌اند. علاوه بر این، شاخص‌های سطح شی و محیط نتایج با کیفیت پایین‌تری نسبت به شاخص‌های سطح نشست تولید کرده‌اند. همانطور که در این بررسی نشان داده شده است، سکونتگاه های غیررسمی با ساختارهای با تراکم بالا در مناطق با پوشش گیاهی کم مشخص می شوند. بنابراین، بسیاری از مطالعات استفاده از GLCM و NDVI را برای شناسایی سکونتگاههای غیررسمی بررسی کرده‌اند. موفقیت شاخص های سکونت بررسی شده در مطالعات مربوطه در ادبیات نشان داده شده است که به شدت به ویژگی های سکونتگاه های غیررسمی بستگی دارد. بنابراین، نیاز به بررسی و آزمایش استحکام روش‌هایی که تکنیک‌های تشخیص مختلف را ادغام می‌کنند، وجود دارد.
برای شناسایی سکونتگاههای غیررسمی، درک نوع‌شناسی محلی سکونتگاههای غیررسمی هنگام تدوین قوانین بسیار مهم است. مطالعات نشان داده است که سکونتگاه های غیررسمی اطراف شهرها ممکن است ویژگی های فیزیکی متفاوتی داشته باشند (به ویژه تراکم و پوشش گیاهی). استفاده از OBIA همراه با تکنیک‌های یادگیری ماشین ممکن است دقت بهتری در تشخیص سکونتگاههای غیررسمی در مقایسه با استفاده از تکنیک‌های سنتی OBIA مبتنی بر قواعد به تنهایی ایجاد کند. ترکیب تکنیک‌های OBIA و یادگیری ماشین ابزاری برای شناسایی ویژگی‌های کاربری زمین در سکونتگاههای غیررسمی مانند جاده‌ها و پوشش گیاهی ارائه می‌دهد. مطالعات بررسی شده در ادبیات نشان داده‌اند که استفاده از پهپادها اطلاعات ارتفاعی را در اختیار محققان قرار می‌دهد که می‌تواند برای بهبود ترسیم ویژگی‌های سطح شی و ارزیابی سایر اشکال غیر رسمی استفاده شود. این امر به ویژه در مناطقی که دارای سکونتگاه های رسمی و غیررسمی هستند بیشتر است. استفاده از حسگرهای مختلف، به عنوان مثال، SAR و حسگرهای نوری، برای تشخیص سکونتگاه های غیررسمی، پراکسی های تصویر را افزایش می دهد که می تواند دقت طبقه بندی را بهبود بخشد. علاوه بر گستردگی سکونتگاههای غیررسمی، تحقیقات دیگر بر پارامترهایی مانند ارتفاع سازه‌های ساختمانی و جاده‌ها متمرکز شده‌اند. در دسترس بودن پهپادها فرصت استخراج و تجزیه و تحلیل سکونتگاه های غیررسمی را در مقیاس بزرگتر فراهم می کند که برای برنامه ریزی موثر زیرساخت ها و خدمات ضروری است. مطالعات محدودی ویژگی‌های کاربری زمین در سکونتگاههای غیررسمی را ترسیم و ارزیابی کرده‌اند. اطلاعات کمی در مورد شرایط محیطی سکونتگاه های غیررسمی وجود دارد.
مطالعات آتی باید هستی شناسی های محلی سکونتگاه های غیررسمی را توسعه دهد و روش های قوی برای شناسایی سکونتگاه های غیررسمی در یک منطقه جغرافیایی بزرگتر ایجاد کند. ثانیاً، نیاز به بررسی استفاده از پراکسی های تصویر با سنسورهای نوری و فعال در یک منطقه بزرگتر یا شهرهای مختلف وجود دارد. هنگام ترسیم سایر اشکال غیر رسمی، مانند کلبه های حیاط خلوت، تکنیک های OBIA باید در اولویت قرار گیرند. علاوه بر این، مطالعات باید الگوهای فضایی سکونتگاههای رسمی و غیررسمی را بر اساس داده‌های با وضوح فضایی بسیار بالا ارائه شده توسط پهپادها و عکس‌برداری هوایی بررسی کنند. استفاده از اطلاعات بیشتر در سطح شی برای شناسایی سکونتگاه های غیررسمی و استفاده از پهپادها برای ارزیابی شرایط محیطی سکونتگاه های غیررسمی، بینش های مهمی را در مورد نقشه برداری سکونتگاه های غیررسمی ارائه می دهد.
منبع:
۱- shahrsaz.ir , علوم شهری | متن کامل رایگان
,۲۰۲۳-۰۹-۲۱ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2413-8851/7/3/98
به اشتراک بگذارید
https://shahrsaz.ir/?p=11460
تعداد دیدگاه : 0
- دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
- پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
- پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.