سنجش تغییرات لحظه‌‌ای کیفیت فضاهای شهری بر پایه تحلیل کلان‌‌داده‌‌ها، مورد مطالعه: خیابان پکینگتون در استرالیا

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد طراحی شهری، دانشکده هنر و معماری، دانشگاه تربیت مدرس، تهران، ایران.

2 استادیار گروه شهرسازی، دانشکده هنر و معماری، دانشگاه تربیت مدرس، تهران، ایران (نویسنده مسئول).

10.22034/aaud.2021.262433.2379

چکیده

گسترش فناوری‌های دیجیتال و شبکه‌های اجتماعی وسیع از یک طرف باعث تغییر در درک تجربه فضایی و از طرف دیگر باعث ایجاد جریانی از اطلاعات گسترده از نظرات شهروندان پیرامون تجربه ایشان از فضاهای شهری شده است. لذا حرکت به سمت تحلیل‌های نوین بر پایه داده‌‌های کلان1 می‌تواند سبب ایجاد تغییر پارادایمی در روش‌های سنجش کیفیت فضاهای شهری شود. در تجزیه ‌و تحلیل داده‌های کلان، فرایند جستجو جهت آشکارکردن الگوهای پنهان و همبستگی‌های ناشناخته می‌تواند برای تصمیم‌گیری‌های بعدی مورد استفاده قرارگیرد. هم‌‌چنین امروزه به واسطه‌ی تغییرات لحظه‌ای در معیارهای مختلف فضاهای شهری از آن‌ها به عنوان موجودیتی پویا یاد می‌شود و به همین دلیل سنجش و ارزیابی آن‌ها نیز باید در قالب روش‌هایی ارائه گردد که قادر به پاسخگویی به این تغییرات لحظه‌‌ای باشند. هدف از این پژوهش ارائه‌ی روشی منعطف و پویا جهت سنجش کیفیت خیابان پکینگتون دراسترالیا به عنوان یک نمونه از فضاهای شهری بر پایه تحلیل‌های داده‌های کلان است. این سنجش به واسطه‌ی تغییرات فضای شهری در بازه‌ کوتاه‌مدت صورت گرفته است. روش اصلی مورد استفاده در این پژوهش، بهره‌گیری از مدل الگوریتم کالمن جهت دستیابی به نمودار میانگین متحرک کیفیت فضاها بر پایه متغیر زمان و رتبه شاخص‌ها بر اساس داده‌های برآمده از مشارکت شهروندان در برنامه پلیس اسکور2 است. پس از تحلیل کلان‌‌داده‌‌ها برای شاخص‌‌های پنج‌‌گانه کیفیت فضای شهری مشخص گردید که در خیابان پکینگتون، میانگین رتبه دو شاخص منظر و عملکرد، و منحصر به فرد بودن در بازه کوتاه‌مدت، ثابت است و از دیدگاه کاربران، میانگین سه شاخص امنیت، کارهایی که می‌‌شود انجام داد، و مراقبت از فضا در بازه کوتاه مدت یک شبانه‌‌روز متغیر است.

کلیدواژه‌ها


عنوان مقاله [English]

Measuring the Instantaneous Changes in the Quality of Urban Spaces Based on Big Data Analysis: Case Study of Pakington Street in Australia

نویسندگان [English]

  • Milad Mohammad Sharifi 1
  • Seyed Mahdi Khatami 2
1 M.A. of Urban Design, Faculty of Art and Architecture, Tarbiat Modares University, Tehran, Iran.
2 Assistant Professor of Urban Planning, Faculty of Art and Architecture, Tarbiat Modares University, Tehran, Iran (Corresponding Author).
چکیده [English]

Expansion of digital technologies and wide social networks has caused a change in the understanding of spatial experience. It has also caused a flow of extensive information from the citizens' viewpoints about their experience of urban spaces. Thus, moving towards modern analyses based on big data can cause a paradigm shift in the methods of measuring the quality of urban spaces. In big data analysis, the search process to reveal hidden patterns and unknown correlations can be used for next decisions. Moreover, due to instantaneous changes in various criteria of urban spaces, they are nowadays considered as a dynamic entity. For this reason, their measurement and evaluation should also be presented in the form of methods that can respond to these instantaneous changes. The present study aims to provide a flexible and dynamic method to measure the quality of Pakington Street in Australia as an example of urban spaces based on big data analysis.  This measurement has been used due to changes in the urban space in the short term. The main method used in this study is to use the Kalman algorithm model to obtain the moving average graph of the quality of spaces based on the time variable and the rate of the indicators based on the data obtained from the citizens' participation in the Place Score program.  After analyzing the big data for the five indicators of the quality of the urban space, it was found that in Pakington Street, the average rate of the two indicators of view and function and uniqueness in the short term is stable, and from the users' viewpoint, the average of the three indicators of safety, things to do, and care of the space varies in the short term of a day and night.

کلیدواژه‌ها [English]

  • Measuring the Quality of Urban Spaces
  • Smart Tools
  • Place Score
  • Big Data