بیگ دیتا ( داده بزرگ ) و شهرسازی : چگونه اطلاعات را برای عملکرد بهینه ساماندهی کنیم؟

بیگ دیتا ، داده بزرگ یا کلان داده ، به داده هایی اشاره دارد که به دلیل پیچیدگی و کمیت ، نیاز به برنامه های خاص برای پردازش دارد.

بیگ دیتا یک مبحث جدید در شهرسازی، جمع آوری داده و مدیریت ، و توسعه ابزارهای جدید است

و حوزه جدیدی را در آنالیز شهری ایجاد کرده است،

که منابع جدیدی را برای درک ، آنالیز و مدیریت رشد شهرها فراهم می کند.

بر خلاف این توسعه ها ، برنامه ریزان شهری متودهای بصری را برای مدلسازی شهرها استفاده می کنند.

از نقشه آیکون گرافی شهر رم که توسط نولی تهیه شد

تا دیاگرام خیابان ها از آلن جیکوبز ، فرهنگ بصری متود رایج برای برنامه ریزان شهری بوده است

که از طریق آن کارهای خود را به تصویر بکشند و درباره آنها با دیگران گفتگو کنند.

بویژه کارتوگرافی سعی بر آن داشت تا پیچیدگی های آناتومی شهری را در فرمت بصری جامعه به تصویر بکشد.  

بنابراین ، چگونه می توانیم مجموعه ای از اطلاعات تصویری را تهیه کنیم

و هم برای برنامه ریزان و هم برای ساکنان آن را خوانا کنیم؟

چگونه می توانیم با استفاده از توان و جریان مدرن برنامه های رایانه ای ، این الگوهای پیچیده را پردازش و طبقه بندی کنیم؟

استفاده از بیگ دیتا ، یا کلان داده در مطالعات شهری

 

مقاله مرتبط :

سه راه که شبیه سازی داده ها می تواند منجر به ساخت شهرهای بهتر شود.

جف بوئینگ، استاد برنامه ریزی شهری در دانشگاه کالیفرنیای جنوبی، در جدید ترین مطالعه خود تحت عنوان ” اطلاعات فضایی و خوانایی فرم شهری : بیگ دیتا در مورفولوژی شهری “

درباره اکتشافات شهری بر مبنای داده بزرگ یا بیگ دیتا بحث می کند

و اظهار می دارد که داده های خام کاربرد عملی ندارند ،

او می گوید برای تولید اطلاعات با ارزش و خوانا ، نیاز  به ترجمه و فشرده سازی مقدار زیادی از داده ها می باشد

تا اطلاعاتی به دست آید که توسط عموم مردم قابل دسترسی و درک باشد . کارهای او به بر مبنای ارتباط بصری برنامه ریزی می باشد

و مقاله او ارتباط بین دو برنامه برای تبدیل داده ها به اطلاعات ساده را آنالیز می کند.

برنامه اول openstreetmap (OSM) است. که یک سیستم جهانی کارتوگرافی و سیستم اطلاعات جغرافیایی آنلاین است

که به عنوان یک پایگاه داده با کیفیت بالا و دسترسی به شبکه های خیابانی شهری جهان مطرح است.

برنامه دوم ، OSMnx است که بر مبنای پایتون Python  است و برای آنالیز داده هایی مورد استفاده قرار میگیرد

که به محققان و سایر افراد حرفه ای اجازه می دهد تا به آسانی اطلاعات خیابان ها ، ساختمان ها و خدمات شهری را دانلود کنند و به صورت اتوماتیک به گرافیک تبدیل کنند.

این نرم افزارها فقط دو مثال از داده های عظیمی است که به صورت عکس ها و نقشه های جامع رندر خواهد شد.

 

مقاله مرتبط :

نگاهی به نحوه گسترش جاده های شهر شما با استفاده از نقشه های تعاملی

در مثال نخست ، جف بوئینگ از برنامه OSMnx برای تهیه دیاگرام های شکل- زمینه با خیابان ها و پرینت خیابان ها استفاده کرده است

و ساختار دو شهر ایالات متحده ، نیویورک و سانفرانسیسکو ، با سکونتگاههای غیررسمی در مونرویا ، لیبریا و بندر-او- پرنس ، هائیتی را مقایسه کرده است.

گرافیک ها نگاه ساده ای به نحوه هماهنگی ساختمان ها با خیابان ها نشان می دهند

و فضای کافی را در مرکز هر بلوک شهری قرار می دهند.

اما در شهرکها هیچ روش یا برنامه ای در چیدمان ساختمان ها یا خیابانها وجود ندارد.

در حالت ایده آل ، این داده های گرافیکی می تواند به برنامه ریزان و ساکنان مونروویا و پورت او-پرنس کمک کند

تا به طور مشترک با یکدیگر به مطالعه و پیاده سازی شبکه خیابان ها در شهرک ها بپردازند.

به نحوی که زندگی روزمره ساکنان را مختل نکنند.

بوئینگ مجموعه ای از هیستوگرام های قطبی یا “گل رزهای بادی” را به عنوان ابزاری برای تجسم هنجارهای ساختاری یک شهر تولید می کند.

هر هیستوگرام قطبی چگونگی جهت یابی خیابانها را نشان می دهد.

به عنوان مثال ، نمودار منهتن به وضوح شبکه مستطیل شکل غالب را نشان می دهد ،

و مقدار زیادی از داده های شهری را به صورت اطلاعات ساده و خوانا فشرده سازی می کند.

شاید به این مطلب نیز علاقه مند باشید :

تکنیک چیدمان فضا در شهرسازی