آشنایی با داده‌های شهری و مرزهای اداری

این جزوه شامل مفاهیم پایه، ابزارها، و کدهای نمونه برای کار با داده‌های شهری در محیط پایتون است. تمرکز اصلی بر استفاده از کتابخانه‌های geopandas و مدل‌های تحلیل دسترسی مثل 2SFCA است.

انواع داده های شهری

• داده های فضایی (جغرافیایی) داده های برداری: نقاط/خطوط/ چند ضلعی فرمت : shapefile، geojson

داده های رستری: عکس های هوایی و تصویرسازی

---

۱. محیط مجازی و نصب کتابخانه‌ها

برای شروع، بهتر است یک محیط مجازی بسازیم تا وابستگی‌ها جدا باشند:

python -m  venv genv
venv\Scripts\activate

با استفاده از دستور pip کتابخانه‌های پایتون را در ترمینال نصب می‌کنیم:

    pip install geopandas contextily matplotlib pandas

۲. خواندن فایل‌های مکانی با GeoPandas

import geopandas as gpd

# خواندن فایل shapefile یا geojson
mahallatMap = gpd.read_file("data/mahallat.shp")

# نمایش جدول ویژگی‌ها
mahallatMap.head()

برای دیدن فقط جدول ویژگی‌ها بدون هندسه:

attributes_only = mahallatMap.drop(columns='geometry')
attributes_only.head()

۳. بررسی مسیر فایل و حل ارورهای رایج

• بررسی مسیر کاری:

  import os
  print(os.getcwd())
  

• بررسی محتویات پوشه:

  print(os.listdir("data"))
  

اگر ارور No such file or directory دریافت کردید، مطمئن شوید فایل‌ها از حالت فشرده خارج شده‌اند و مسیر به‌درستی تنظیم شده است.

۴. مدل 2SFCA برای تحلیل دسترسی مکانی

مدل Two-Step Floating Catchment Area برای سنجش دسترسی به خدمات شهری استفاده می‌شود.

مرحله اول:

محاسبه نسبت ظرفیت مرکز خدماتی به جمعیت اطراف:

R_j = \frac{S_j}{\sum_{k \in {d_{kj} \leq d_0}} D_k}

مرحله دوم:

محاسبه شاخص دسترسی برای هر نقطه تقاضا:

A_i = \sum_{j \in {d_{ij} \leq d_0}} R_j