PL EN
PRACA ORYGINALNA
Analiza rozwoju jako narzędzie wspierania projektowania obszarów mieszkaniowych o wysokiej jakości zamieszkania dla starzejącego się społeczeństwa
 
 
 
Więcej
Ukryj
1
Wydział Architektury, Instytut Architektury, Urbanistyki i Ochrony Dziedzictwa
 
 
Architektura, Urbanistyka, Architektura Wnętrz 2020;2:169-190
 
SŁOWA KLUCZOWE
DZIEDZINY
STRESZCZENIE
Rozlewanie się miast powoduje pogorszenie jakości zamieszkania, utrudnia dostęp służb ratowniczych, a także wpływa na zanieczyszczenie środowiska. Osiedla podmiejskie rozwijają się chaotycznie i pochłaniają ogromne obszary, co przekłada się na jakość infrastruktury. Brak sieci wodociągowej i kanalizacyjnej oznacza indywidualne ujęcia wody i zbiorniki szczelne, często nielegalnie zamieniane na przydomowe oczyszczalnie ścieków. Brak sieci gazowej i ciepłowniczej oznacza korzystanie z paliw stałych i ciekłych, a w praktyce smog. Obraz dopełnia długotrwałe czekanie w korku. Rozlewanie się miast ma zatem bezpośredni wpływ na aspekty zdrowotne. W tym kontekście badanie skoncentrowane jest na stworzeniu modelu analitycznego, którego zastosowanie pozwala określać parametry warunkujące tempo rozwoju, a przez to wspomagać proces planowania przestrzennego. Badania przeprowadzono na wybranych terenach mieszkaniowych objętych planami miejscowymi w granicach aglomeracji poznańskiej.
REFERENCJE (24)
1.
Almeida C.M., Gleriani J.M., Castejon E.F., Soares-Filho B.S. (2013). Using neural networks and cellular automata for modelling intra-urban land-use dynamics. International Journal of Geographical Information Science, vol. 22, no. 9, 943-963.
 
2.
Barełkowski R. (2014). FAST - Fast Simulation Tool for sustainable development of energy’ infrastructure in suburban areas. Energy Quest, At Ekaterinburg, Russia, 61-71.
 
3.
Barełkowski R. (2015). FAST Matrix: depicting the time-related aspect of urban development, w: The Sustainable City X: Urban Regeneration and Sustainability, eds. C.A. Brebbia, W.F. Flores-Escobar, WIT Press, 3-10.
 
4.
Beim M. (2007). Modelowanie procesu suburbanizacji w aglomeracji poznańskiej z wykorzystaniem sztucznych sieci neuronowych i automatów komórkowych, Zakład Ekonometrii Przestrzennej Instytut Geografii Społeczno-Ekonomicznej i Gospodarki Przestrzennej UAM, 156-183 (praca doktorska pod kierunkiem prof. UAM dr. hab. Waldemara Ratajczaka).
 
5.
Dz. U. 1994, nr 89, poz. 415. Ustawa z dnia 7 lipca 1994 r. o zagospodarowaniu przestrzennym, uchylona.
 
6.
Dz. U. 2003, nr 80, poz. 717. Ustawa z dnia 27 marca 2003 r. o planowaniu i zagospodarowaniu przestrzennym, art. 1.13, art. 3.2, art. 10.1, art. 10.5, art. 15.1, art. 37.2, art. 47.1.
 
7.
Dz. U. 2015, poz. 1777. Ustawa z dnia 9 października 2015 r. o rewitalizacji, art. 3.1.3.
 
8.
Groat L., Wang D. (2002). Architectural Research Methods, John Wiley & Sons.
 
9.
Idczak P. (2016). Peryurbanizacja w Poznańskim Obszarze Metropolitalnym. Studia i Prace WNEiZUS, nr 46/2, 244-253.
 
10.
Irwin E.G., Bockstael N.E. (2007). The evolution of urban sprawl: Evidence of spatial heterogeneity and increasing land fragmentation (ed. L. Turner II). Proceddings of National Academy of Science of United States of America, vol. 104, no. 52, 20672-20677.
 
11.
Kissling W.D, Carl G. (2007). Spatial autocorrelation and the selection of simultaneous autoregressive models. Global Ecology and Biogeography, vol. 17, no. 1, 59-71.
 
12.
Krenker A., Bester J., Kos A. (2011). Introduction to the Artificial Neural Networks (ed. K. Suzuki). Artificial Neural Networks-Methodological Advances and Biomedical Applications, InTech, 5-7.
 
13.
Lesage J.P., Fischer M.M. (2008). Spatial Growth Regressions: Model Specification. Estimation and Interpretation, Spatial Economic Analysis, vol. 3, no. 3, 278-280.
 
14.
Luo J. (2008). Modeling Urban Growth with Geographically Weighted Multinomial Logistic Regression. Published in SPIE Proceedings, Geoinformatics 2008 and Joint Conference on GIS and Built Environment: The Built Environment and Its Dynamics, vol. 7144, 1-11.
 
15.
Madsen H., Thyregod P. (2010). Introduction to General and Generalized Linear Models. Texts in Statistical Science Series, Taylor & Francis Group, 47.
 
16.
Maithani S., Jain R.K., Arora M.K. (2007). An artificial neural network based approach for modeling urban spatial growth, ITPI Journal, vol. 4, no. 2, 43-51.
 
17.
Małek J. (2016). Historyczne i współczesne uwarunkowania procesów suburbanizacji, przestrzeń i FORMa, 432-442.
 
18.
Ossowicz T. (2003). Metoda ustalania kolejności przedsięwzięć polityki przestrzennej miasta wielkiego, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
 
19.
Sugumaran R., DeGroote J. (2010). Spatial Decision Support Systems, Principles and Practices, Taylor & Francis Group, New York, 197-199.
 
20.
Szczepański P., Pyszny K., Zydroń A. (2013). Analiza zróżnicowania stopnia szczegółowości ustaleń polityk przestrzennych wybranych gmin aglomeracji poznańskiej. Rocznik Ochrona Środowiska, 15, 2768-2775.
 
21.
Triantakonstantis D., Mountrakis G. (2012). Urban Growth Prediction: A Review of Computational Models and Human Perceptions. Journal of Geographic Information System, vol. 4, 555-587.
 
22.
Wang S., Jiang H., Lu H. (2002). An Integrated Fuzzy Clustering Algorithm GFC for Switching Regressions. Journal of Software, vol. 13, no. 10, 1906-1910.
 
23.
Welfe A. (2003). Ekonometria. Metody i ich zastosowanie, Polskie Wydawnictwo Ekonomiczne, Warszawa, 64-90.
 
24.
Zipser T., Sławski J. (1988). Modele procesów urbanizacji: teoria i jej wykorzystanie w praktyce planowania, Państwowe Wydawnictwo Ekonomiczne, Warszawa, 5-15.
 
ISSN:2658-2619
Journals System - logo
Scroll to top