سنجش چندمرکزیتی مورفولوژیک در مقیاس فرامنطقه ای (استان های تهران، البرز و قزوین) با استفاده از کلان داده لنداسکن
سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 86
فایل این مقاله در 32 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SHAHR-12-4_004
تاریخ نمایه سازی: 4 آبان 1404
چکیده مقاله:
چکیده چندمرکزیتی به عنوان یک مفهوم «مورفولوژیک»، به توزیع متوازن جمعیت و اشتغال در فضا اشاره دارد، به گونه ای که هیچ یک از مراکز بر سایرین تسلط نداشته باشد. با وجود این، تعیین محدوده و تعریف و عملیاتی سازی مفهوم «مرکز» همچنان به عنوان یک چالش مهم روش شناختی در اندازه-گیری چندمرکزیتی باقی مانده است. روش های پایین به بالا و مبتنی بر کلان داده ها می تواند با جلوگیری از سوگیری در تعریف محدوده مطالعه براساس واحدهای آماری اداری، از انتخاب اجباری مراکز فرعی در چنین محدوده هایی اجتناب نماید. بر اساس این، مطالعه حاضر در پی آن است تا با استفاده از داده های لنداسکن به عنوان یک پایگاه کلان داده منبع باز و با تحلیل اکتشافی داده های فضایی ESDA))، تحلیل محلی موران، تحلیل نقاط داغ، شاخص آنتروپی و استفاده از شاخص چندمرکزیتیت نسبی، به سنجش چندمرکزیتی مورفولوژیک ابر منطقه تهران- کرج – قزوین در یک بازه ۱۳ ساله بپردازد. نتایج پژوهش نشان می دهد اگرچه نقش غالب شهر تهران در منطقه ادامه دارد، اما ظهور و تقویت تدریجی مراکز ثانویه در نقاط پیراشهری مانند اسلامشهر، ری و پاکدشت، تسلط آن را به چالش کشیده است. به علاوه، تداوم حضور شهرهایی مانند ملارد، ورامین و رباط کریم در فهرست مراکز بالقوه بیان گر شکل گیری الگوی چند مرکزیتی در نواحی پیراشهری دو منطقه کلان شهری تهران و البرز است. بررسی توزیع تراکم های جمعیت و اشتغال در دوران همه گیری کرونا و پیش و پس از آن، مشخص می کند که چندمرکزیتی عملکردی منطقه بیش از چندمرکزیتی مورفولوژیک آن است.
کلیدواژه ها:
نویسندگان
مجتبی شهابی شهمیری
استادیار، گروه برنامه ریزی منطقه ای، دانشکده شهرسازی، دانشکدگان هنرهای زیبا، دانشگاه تهران، تهران، ایران
علی خدابنده
دانشجوی کارشناسی ارشد برنامه ریزی منطقه ای، دانشکده شهرسازی، دانشکدگان هنرهای زیبا، دانشگاه تهران، تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :