Kaupunkien levittäytyminen lentokenttien läheisyyteen : Tapausesimerkkeinä Dubai, Toronto ja Seoul
Notice bibliographique
Résumé
Kaupungistuminen on maailmanlaajuinen ilmiö. Kaupungistuminen tuo mukanaan monia haasteita, joista yksi on laajenevan kaupungin järkevä maankäyttö, joka kestää kaupungin laajenemisen ja väkimäärän kasvun. Nopean kaupungistumisen seurauksena esimerkiksi globaalissa etelässä on riskinä slummi- ja reunakaupunkialueiden muodostuminen, sekä kaupungin keskustan ahtautuminen. Lentokentät ovat kaupungeille, sekä ennen kaikkea kaupunkien ja valtion talouden kannalta tärkeitä kohteita. Ideaalitapauksessa lentokentät halutaankin rakentaa hyvin saavutettaviksi, kaupunkien läheisyyteen, kuten myös voidaan huomata tämän tutkimuksen tuloksista. Kuitenkin lentokenttien rakentamisen jälkeen kaupungit ovat kasvaneet ja ne tarvitsevat kehittyäkseen lisää maa-alaa. Tämä on johtanut siihen, että aiemmin kaupunkien reunoilla sijainneet lentokentät ovatkin nykyään kaupunkialueen ympäröimiä. Näin ollen lentokentät tuovat omat haasteensa kaupunkien tulevaisuuden maankäyttöön esimerkiksi korkeusrajoitusten ja lentoliikenteestä aiheituvan melun kautta. Tutkimuksen tavoitteena on tutkia kaupunkien kasvua ja niiden levittäytymistä lentokenttien läheisyydessä, kolmen esimerkkikohteen avulla vuosina 1980, 2000 ja 2020. Tutkittaviksi kohteiksi valitsin kasvavia suurkaupunkeja eripuolilta maailmaa, jotka ovat Dubai, Toronto ja Seoul. Tutkimuksen lentokentiksi valitsin kaupunkien kansainväliset lentoasemat, sekä poikkeuksena Seoulista kaksi kenttää: Gimpon ja Incheonin kansainväliset lentoasemat. Tutkimuksen tutkimuskysymyksiä ovat: mikä on lentokenttien sijainti suhteessa kaupunkiin, mitä maankäytön muutoksia lentokenttien läheisyydessä tapahtui, sekä laajenivatko kaupungit lentokenttien läheisyydessä ja voidaanko tämän tutkimuksen tuloksia soveltaa myös muihin kaupunkeihin. Tutkimuksen analyyseissä käytin HILDA+ -maankäyttöaineistoa, jossa koko maailma on luokiteltu kuuteen maankäyttöluokkaan noin 1 km:n spatiaalisella resoluutiolla. Maankäytön muutosta tutkin luomalla lentokenttien ympärille 15- ja 30 km bufferivyöhykkeet ja tutkimalla niiden sisällä tapahtuneita maankäytön osuuksien muutosta. Tutkimuksessa analyysien apuna käytettiin myös Google Earth Enginessä saatavilla olevia historiallisia ilmakuvia, jotka pohjautuvat Landsat-kuviin. Satelliittikuvien avulla tutkin tarkemmin lentokenttäalueella ja sen lähistössä tapahtuneita muutoksia. Tutkimuksen tulosten mukaan kaupungit laajenivat lentokenttien läheisyydessä tutkimuksen jokaisessa kohteessa. Maankäytön muutoksissa yleisimmät trendit olivat rakennetun alueen osuuden kasvu, sekä viljelysmaiden osuuden väheneminen. Maankäyttöanalyysistä voitiin huomata eroja kaupunkien kasvunopeuksissa. Tutkimuksen tulosten perusteella voitiin havaita, että lentoliikenteen aiheuttamien rakennusten korkeusrajoitusten, sekä melun seurauksena lentokenttien lähellä suositaan melua sietäviä toimintoja kuten teollisuusalueita. Tämän seurauksena lentokenttäalueen lähiseuduille, sekä lentokentän välittömään läheisyyteen alkaa kasvaa esimerkiksi teollisuusalueita, logistiikkakeskuksia ja yrityspuistoja. Toisaalta tilan puutteen sekä monien muiden syiden takia lentokenttien läheisyydestä voi myös löytää asuinalueita, kauppoja ja hotelleja, sekä muita yhteiskunnan palveluja. Tuloksia voidaan soveltaa myös muihin kasvaviin kaupunkeihin, mutta kaupungistumiseen vaikuttaa niin monia paikallisia tekijöitä, että yleistäminen on hankalaa
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,804 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».