پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 11 |
| تعداد شماره‌ها | 210 |
| تعداد مقالات | 2,098 |
| تعداد مشاهده مقاله | 2,878,601 |
| تعداد دریافت فایل اصل مقاله | 2,086,233 |
بررسی الگوهای مکانی-زمانی تصادفات ترافیکی برون شهری استان اصفهان در محیط GIS | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| مقاله 6، دوره 2، شماره 1 - شماره پیاپی 3، دی 1402، صفحه 79-96 اصل مقاله (2.31 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2024.10770.1058 | ||
| نویسندگان | ||
| مهدیس رحمتی1؛ حسین آقامحمدی زنجیراباد* 1؛ سعید بهزادی2؛ علی اصغر آل شیخ3 | ||
| 1گروه سنجش از دور و GIS، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی- واحد علوم و تحقیقات، تهران، ایران | ||
| 2گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران | ||
| 3گروه سیستم‌های اطلاعات مکانی، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | ||
| تاریخ دریافت: 27 دی 1402، تاریخ بازنگری: 15 اردیبهشت 1403، تاریخ پذیرش: 17 خرداد 1403 | ||
| چکیده | ||
| پیشینه و اهداف: تصادفات یکی از حوادث تهدید کننده زندگی در جهان است که موجب خسارات جانی و مالی میشود. برای کاهش تعداد تصادفات رانندگی میبایست تعیین نمود که تصادفات مکرر کجا و در چه زمانی رخ میدهند. اغلب تصادفات با الگوهای مکانی و زمانی خاصی اتفاق می‌افتند و ممکن است خوشههایی را تشکیل دهند که همان محل تمرکز تصادفات در فضای جغرافیایی میباشد. بنابراین، بررسی تصادفات رانندگی در ابعاد مکانی و یا زمانی ضروری است تا بهترین و پایدارترین راهحل‌ها برای این مسائل در نظر گرفته شود. استان اصفهان از جمله استانهای کشور با نرخ بالای تصادفات در حوزه برون شهری است. تحقیقات پیشین صورت گرفته در سطح استان اصفهان بیشتر بر پایه روشهای آماری بوده و به جنبههای مکانی و زمانی تصادفات توجهی نشده است. هدف از انجام این تحقیق پر کردن خلا موجود در تحقیقات گذشته در راستای تعیین الگوهای مکانی و زمانی تصادفات ترافیکی برون شهری استان اصفهان و بهتصویر کشیدن آن با استفاده از روشهای آمار مکانی در محیط GIS است. نوآوری این تحقیق در استفاده از روشهای آمار مکانی برای شناسایی و تحلیل الگوهای مکانی-زمانی تصادفات برون شهری استان اصفهان در سطوح مختلف زمانی و شدت میباشد. روش‌ها: در این مطالعه الگوی مکانی- زمانی تصادفات ترافیکی در استان اصفهان در سالهای 1396و 1397 با استفاده از دادههای تصادفات ترافیکی برون شهری بررسی شده است. پس از جمعآوری دادههای مربوطه و انجام پیشپردازشهای لازم و آمادهسازی دادهها، الگوی مکانی و زمانی تصادفات ترافیکی رخ داده در شبکه راههای اصلی، بزرگراهها و آزادراههای منطقه مورد مطالعه با استفاده از روشهای آمار مکانی مانند آزمون میانگین نزدیکترین همسایه، خودهمبستگی مکانی موران I جهانی و تحلیل نقاط داغ بهینه شده (تکنیک گتیس- ارد Gi*) در سطوح مختلف در محیطGIS بررسی و شناسایی شدند. یافته‌ها: باتوجه به اینکه هدف از این تحقیق تعیین الگوهای مکانی-زمانی تصادفات ترافیکی برون شهری استان اصفهان است ابتدا الگوی نحوه پراکنش فضایی رویدادهای تصادف با روشهای میانگین نزدیکترین همسایه و خودهمبستگی مکانی موران I جهانی بررسی شد. نتایح نشاندهنده وجود الگوی خوشهای قوی در دادههای تصادفات ترافیکی در سالهای مورد مطالعه در استان اصفهان بود. سپس با استفاده از روش گتیس-ارد جی استار یک تحلیل نقاط داغ بهینه شده به صورت کلی بر روی کل مجموعه داده تصادفات انجام شد و پس از آن باتوجه به تقسیم مجموعه داده به سطوح مختلف از جمله بازه زمانی شبانهروز، روز هفته، ماه، سال و سطح شدت تصادف این تحلیل بر روی مجموعه داده هر سطح به صورت جداگانه صورت گرفت. نتایج حاصل از اجرای تحلیل گتیس ارد جی استار بر روی سطوح مختلف حاکی از آن بود که بخش اعظمی از تمرکز نقاط داغ با سطح اطمینان 99درصد در مسیرهای منتهی به مرکز استان یعنی شهر اصفهان و همچنین شهرهای پرجمعیت همجوار آن واقع است که بیشترین حجم تردد و ترافیک در آن وجود دارد و با فاصله از مرکز استان تراکم تصادفات به طرز چشمگیری کاهش مییابد. نتیجه‌گیری: باتوجه به نتایج تحلیل خودهمبستگی مکانی تصادفات و نقشههای نقاط داغ در سطوح مورد بررسی نتایج حاکی از آن بود که تصادفات در برخی از مناطق استان اصفهان بهصورت خوشهای تجمع یافتهاند. همجواری با مرکز استان و شهرهای پرجمعیت و اصلی بر تمرکز تصادفات ترافیکی در این منطقه تاثیر بسیاری دارد و با فاصله از مراکز شهری پرجمعیت فراوانی تصادفات کاهش مییابد. از نتایج این مطالعه و درکی که از الگوهای مکانی و زمانی تصادفات ترافیکی بهدست آمده است، میتوان برای توسعه استراتژیهای جدید، راهنمایی مدیران و دست اندرکاران حوزه حمل و نقل و ترافیک، اخذ تصمیمات و انجام اقدامات مناسب برای بهبود وضعیت ایمنی نقاط حادثهخیز استفاده نمود. | ||
| کلیدواژه‌ها | ||
| تصادفات ترافیکی؛ الگوهای مکانی- زمانی؛ آمار مکانی؛ خودهمبستگی مکانی؛ گتیس ارد جی استار | ||
| عنوان مقاله [English] | ||
| Investigation of Spatio-Temporal Patterns of Suburban Traffic Accidents in Isfahan Province in GIS Environment | ||
| نویسندگان [English] | ||
| M. Rahmati1؛ H. Aghamohammadi1؛ S. behzadi2؛ A.A. Alesheikh3 | ||
| 1Department of Remote Sensing and GIS, Faculty of Natural Resources and Environment, Islamic Azad University -Science and Research Branch, Tehran, Iran | ||
| 2Department of Surveying Engineering, Faculty of Civil Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran | ||
| 3Department of Geospatial Information Systems, Faculty of Geodesy and Geomatics Engineering, K. N. Toosi University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Traffic accidents are a major public health concern worldwide, causing significant loss of life and property damage. To reduce the number of traffic accidents, it is crucial to identify where and when recurrent accidents occur. These accidents often follow specific spatial and temporal patterns and may form clusters, representing areas of concentrated accidents within a geographical space. Therefore, analyzing traffic accidents in both spatial and temporal dimensions is essential for determining the most effective and sustainable solutions. Isfahan province is among the provinces in the country with high accident rates in Suburban areas. Previous research conducted in Isfahan province has predominantly relied on statistical methods and has not adequately addressed the spatial and temporal aspects of accidents. This study aims to address the gaps in previous research by determining the spatial and temporal patterns of urban traffic accidents in Isfahan province and visualizing these patterns using spatial statistical methods in a GIS environment. The novel aspect of this research lies in utilizing spatial statistical techniques to identify and analyze the spatiotemporal patterns of urban accidents in Isfahan province at different time intervals and intensity levels. Methods: The spatial and temporal patterns of traffic accidents in Isfahan Province were investigated using suburban traffic accident data from March 2017 to March 2019. After collecting the relevant data, performing necessary preprocessing, and preparing the data, the spatial and temporal patterns of traffic accidents occurring on the main roads, highways, and freeways of the study area were analyzed and identified using spatial statistical methods such as the Average Nearest Neighbor test, Spatial Autocorrelation (Global Moran's I), and Optimized Hot Spot Analysis (Getis-Ord Gi* technique) at different levels in a GIS environment. Findings: Since the aim of this study is to identify the spatial-temporal patterns of suburban traffic accidents in Isfahan Province, the spatial distribution pattern of accident events was first examined using the Average Nearest Neighbor and Spatial Autocorrelation (Global Moran's I) methods. The results indicated the presence of a strong clustering pattern in the traffic accident data during the study years in Isfahan Province. Then, an optimized Hot Spot Analysis was performed on the entire dataset of accidents using the Getis-Ord Gi* method. Subsequently, the analysis was conducted on the dataset of each level separately, considering different levels such as time of day, day of week, month, year, and accident severity level. The results of the Getis-Ord Gi* analysis at different levels showed that the majority of hot spots with a 99% confidence level are located on the routes leading to the provincial center, namely Isfahan City, as well as the neighboring populous cities. These areas experience the highest volume of traffic and congestion, and the accident density decreases significantly with increasing distance from the provincial center. Conclusion: Based on the results of the Spatial Autocorrelation analysis of accidents and the hot spot maps at the studied levels, the results showed that accidents are clustered in some areas of Isfahan Province. Proximity to the provincial center and major populated cities has a significant impact on the concentration of traffic accidents in this region. The frequency of accidents decreases with distance from major urban centers. The results of this study and the insights gained about the spatial and temporal patterns of traffic accidents can be used to develop new strategies, guide transportation managers and stakeholders, make decisions, and take suitable proceedings to effectively improve the safety of accident-prone areas. | ||
| کلیدواژه‌ها [English] | ||
| Traffic Accidents, Spatio-Temporal Patterns, Spatial Statistics, Spatial Autocorrelation, Getis-Ord Gi* | ||
| مراجع | ||
|
[1] Yassin SS, Pooja. Road accident prediction and model interpretation using a hybrid K-means and random forest algorithm approach. SN Applied Sciences 2020;2. https://doi.org/10.1007/s42452-020-3125-1.
[3] Li M, Xie H, Shu P. Study on the Impact of Traffic Accidents in Key Areas of Rural Roads. Sustainability 2021;13:7802. https://doi.org/10.3390/su13147802.
[4] Tola AM, Demissie TA, Saathoff F, Gebissa A. Severity, Spatial Pattern and Statistical Analysis of Road Traffic Crash Hot Spots in Ethiopia. Applied Sciences 2021;11:8828. https://doi.org/10.3390/app11198828.
[6] Naghavi M, Shahraz S, Bhalla K, Jafari N, Pourmalek F, Bartels D, Puthenpurakal JA, Motlagh ME. Adverse health outcomes of road traffic injuries in Iran after rapid motorization. Archives of Iranian Medicine. 2009;12(3):284-94.
[11] Liu C, Sharma A. Exploring spatio-temporal effects in traffic crash trend analysis. Analytic Methods in Accident Research 2017;16:104–16. https://doi.org/10.1016/j.amar.2017.09.002.
[12] Sun H, Wang Q, Zhang P, Zhong Y, Yue X. Spatialtemporal Characteristics of Tunnel Traffic Accidents in China from 2001 to Present. Advances in Civil Engineering 2019;2019:1–12. https://doi.org/10.1155/2019/4536414.
[13] Li Y, Abdel-Aty M, Yuan J, Cheng Z, Lu J. Analyzing traffic violation behavior at urban intersections: A spatio-temporal kernel density estimation approach using automated enforcement system data. Accident Analysis & Prevention 2020;141:105509. https://doi.org/10.1016/j.aap.2020.105509.
[14] Haji Mirza Aghasi N. Introducing GIS as legitimate instrument to deal with road accident data: a case study of Iran, Tehran. Spatial Information Research 2017;25:151–9. https://doi.org/10.1007/s41324-017-0083-9.
[18] Wang M, Yi J, Chen X, Zhang W, Qiang T. Spatial and Temporal Distribution Analysis of Traffic Accidents Using GIS-Based Data in Harbin. Journal of Advanced Transportation 2021;2021:1–10. https://doi.org/10.1155/2021/9207500
[20] Hazaymeh K, Almagbile A, Alomari AH. Spatiotemporal Analysis of Traffic Accidents Hotspots Based on Geospatial Techniques. ISPRS International Journal of Geo-Information 2022;11:260. https://doi.org/10.3390/ijgi11040260
[21] Loo BPY, Anderson TK. Cluster Identifications in Networks. In: Spatial Analysis Methods of Road Traffic Collisions. New York: CRC Press; 2016. p. 161-75.
[22] Agyakwah M. Spatio-temporal patterns of vehicular accidents in Accra (Ghana) [master's thesis]. Enschede, The Netherlands: University of Twente; 2018.
[23] Aghajani MA, Dezfoulian RS, Arjroody AR, Rezaei M. Applying GIS to Identify the Spatial and Temporal Patterns of Road Accidents Using Spatial Statistics (case study: Ilam Province, Iran). Transportation Research Procedia 2017;25:2126–38. https://doi.org/10.1016/j.trpro.2017.05.409.
[27] Bíl M, Andrášik R, Sedoník J. A detailed spatiotemporal analysis of traffic crash hotspots. Applied Geography 2019;107:82–90. https://doi.org/10.1016/j.apgeog.2019.04.008.
[29] Noland RB, Quddus MA. A spatially disaggregate analysis of road casualties in England. Accident Analysis & Prevention 2004;36:973–84. https://doi.org/10.1016/j.aap.2003.11.001.
[30] Cabrera-Arnau C, Prieto Curiel R, Bishop SR. Uncovering the behaviour of road accidents in urban areas. Royal Society Open Science 2020;7:191739. https://doi.org/10.1098/rsos.191739.
[31] Eksler V, Lassarre S, Thomas I. Regional analysis of road mortality in Europe. Public Health 2008;122:826–37. https://doi.org/10.1016/j.puhe.2007.10.003.
[35] Mohammadi G. Road crash injuries and fatalities in Isfahan, Iran from March 2006 to March 2009. International Journal of Injury Control and Safety Promotion 2013;21:361–6. https://doi.org/10.1080/17457300.2013.833946.
DOI:10.5249/jivr.v13i1.1545
[38] Jafari H, Amini-Rarani M, Ranjbar M, Shafii M, Haj-Hashemi A. Investigating the Effects of Social Determinants of Traffic Crash Mortality in Isfahan City. Journal of Community Health Research 2022. https://doi.org/10.18502/jchr.v11i2.9997.
[39] Safaee M, Samani, RE, Abdolazimi R. Road traffic accident fatality predictors: A case–control study in Isfahan. Archives of Trauma Research, 2021; 10(4): 227-231
[40] Cover T, Hart P. Nearest neighbor pattern classification. IEEE Transactions on Information Theory. 1967 Jan; 13(1):21-27. DOI: 10.1109/TIT.1967.1053964
[41] Moore DA, Carpenter TE. Spatial Analytical Methods and Geographic Information Systems: Use in Health Research and Epidemiology. Epidemiologic Reviews 1999;21:143–61. https://doi.org/10.1093/oxfordjournals.epirev.a017993.
[42] Clark WAV, Hosking PL. Statistical Methods for Geographers. John Wiley and Sons; 1986.
[43] https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-statistics-toolbox/what-is-a-z-score-what-is-a-p-value.htm
| ||
|
آمار تعداد مشاهده مقاله: 582 تعداد دریافت فایل اصل مقاله: 214 |
||