Kaupunkien levittäytyminen lentokenttien läheisyyteen : Tapausesimerkkeinä Dubai, Toronto ja Seoul
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.002 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.061 | 0.011 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".