ارزیابی کارایی الگوی تلفیقی CA-ANN در مدل‎سازی رشد شهری (مطالعۀ موردی: کلان شهر تهران)

جغرافیاوتوسعه ناحیه ای

مقاله 10، دوره 16، شماره 1 - شماره پیاپی 30، شهریور 1397، صفحه 257-278   

نوع مقاله: علمی- پژوهشی

شناسه دیجیتال (DOI): 10.22067/geography.v16i1.72248

نویسندگان

هاتف الرحمن صالحی آسفیچی^* ؛ جلال کرمی؛ سیّدعلی علوی

دانشگاه تربیت مدرس

چکیده

اهداف: پیدایش محیطی در هم‌تنیده، آلوده و پرازدحام در شهر تهران، لزوم مدیریت بهینة منابع طبیعی و استفادة درست از پهنة زمین در این شهر را بیش از پیش نمایان ساخته است. هدف اصلی این پژوهش، شبیه‌سازی توسعة شهری کلان‌شهر تهران بین سال‎های 1990 و 2010 میلادی و نهایتاً ارزیابی کارآیی مدل‏های ترکیبی و رایج سلولی مبتنی بر الگوی ترکیبی سلول‌های خودکار و الگوریتم شبکة عصبی مصنوعی است.
روش: به دلیل وجود توانایی­ها و مزایایی که شبکة­ عصبی در تشخیص الگوهای مکانی دارا است، در این پژوهش از شبکة­ پرسپترون چندلایه جهت شبیه‎سازی و پیش­بینی توسعة­ شهری استفاده شده است. پارامترهایی از قبیل فاصله از نزدیکترین شیء و یا پیکسل شهری، فاصله از خیابان­ها و راه­ها، فاصله از مراکز جذب نیز به­عنوان پارامترهای مؤثر در رشد و توسعة شهری در نظر گرفته شده­اند.
یافته‎ها/ نتایج: به­‌کارگیری تلفیقی مدل سلول‎های خودکار و الگوریتم بهینه‏سازی شبکة عصبی مصنوعی، می­تواند در فرایند کالیبراسیون قوانین انتقال سلول‎های خودکار بهبود ایجاد کند. مقایسة آماری واقعیت زمینی شهر تهران در سال ۲۰۱۰ با تصاویر شبیه‌سازی شدة حاصل از مدل ترکیبی و نیز مدل رایج رستری سلول‌های خودکار، بیان‌گر دقت بالاتر مدل پیشنهادی است، به ­گونه‎ای که طبق نتایج مدل‎سازی مبتنی بر دو تصویر، شاخص کاپا و دقت کلی برای مدل ترکیبی به ترتیب به میزان 76% و 90.69% و برای مدل رایج رستری، به میزان 70.47% و 87.85% و نیز طبق مدل‎سازی مبتنی بر سه تصویر، این شاخص‎ها به ترتیب برای مدل ترکیبی به میزان 69.18% و 84.88%  و برای مدل رایج رستری به میزان 63.37% و 82.98% برآورد شده است.
نتیجه‎گیری: پژوهش حاضر نشان داد که بررسی روند تغییرات مکانی-زمانی پدیده‌ها از جمله گسترش شهرها، نیازمند به‌کارگیری الگوهایی پویا در زمان است. در این میان، الگوی ترکیبی خودکاره­های سلولی به سبب ساختار ساده و پویای خویش و نیز برخورداری از ویژگی‌های قدرتمند مکانی، در این‌گونه مدلﺳﺎزی‌ها می‎توانند استفاده شوند.

کلیدواژه‌ها

کلانشهر تهران؛ گسترش شهری؛ سلول های خودکار؛ شبکه عصبی مصنوعی؛ شاخص کاپا

مراجع

1. اصلانی مقدم، ا. (1388). بررسی مدل برداری به منظور پیش‎بینی تغییرات کاربری اراضی. (پایان‌نامة منتشرنشدة کارشناسی ارشد سنجش از دور)، دانشگاه تهران، ایران. ‎

2. ربانی، ا. (1390). ارزیابی تصاویر ماهواره‌ای با تفکیک‌پذیری چندگانه در مدل‎سازی رشد شهرها به کمک خودکاره‌های سلولی. (پایان‌نامة منتشرنشدة کارشناسی ارشد سنجش از دور)، دانشگاه تهران، ایران.

3. طیبی، 1. (1388). پیش‌بینی و ارزیابی تغییر کاربری اراضی شهری. (پایان‌نامة منتشرنشدة کارشناسی ارشد سنجش از دور)، دانشگاه تهران، ایران.

4. کاظم، ا. ح.، حسینعلی، ف. و آل‎شیخ، ع. ا. (1394). مدل‎سازی رشد شهری با استفاده از تصاویر ماهواره‎ای متوسط‌مقیاس و مبتنی بر روش خودکاره‎های سلولی (مطالعة موردی: شهر تهران). فصل‌نامة علمی- پژوهشی اطلاعات جغرافیایی، 24 (94)، 58-45.

5. Al-Kheder, S. (2007). Urban growth modelling with artificial intelligence techniques (Unpublished doctoral dissertation). Purdue University, USA.

6. Almeida, C., Monteiro, A. M. V., Camara, G., Soares-Filho, B. S. Cerqueira, G. C., & Pennachin, C. L. (2002). Modelling urban land use dynamics through Bayesian probabilistic methods in a cellular automaton environment. In C. Tamayo (Ed.), Proceedings of the 29th International Symposium on Remote Sensing of the Environment (pp. 1-5). Buenos Aires, Argentina, 8–12 April.

7. Batty, M. (1970). An activity allocation model for the Nottinghamshire-Derbyshire sub-region. Regional Studies, 4, 307-332.

8. Clarke, K. C., Hoppen, S., & Gaydos, L. (1997). A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay area. Environment and Planning B, 24(2), 247-262.

9. Congalton, R.G., & Green K. (2009). Assessing the accuracy of remotely sensed data-principles and practices. International Journal of Applied Earth Observation and Geo-information, 11(6), 448-449.

10. Dietzel, C., & Clarke, K.C. (2004). Spatial differences in multi-resolution urban automata modeling. Transactions in GIS, 8(4), 479-492.

11. Feng, Y., Liu, Y., Tong, X., Liu, M., & Deng, S. (2011). Modelling dynamic urban growth using cellular automata and particle swarm optimization rules. International Journal of Landscape and Urban Planning, 102(3), 188-196.

12. Hegde, N.P., Muralikrishna, I. V., & Chalapatirao, K. V. (2008). Settlement growth prediction using neural network and cellular automata. Journal of Theoretical and Applied Information Technology, 4(5), 419-428.

13. Houghton, R.A. (1994). The world-wide extent of land-use change. Bioscience, 44(5), 305-313.

14. Landis, J. D. (1994). The California urban futures model: A new generation of metropolitan simulation models. Environment and Planning B: Planning and Design, 21, 399-420.

15. Li, X., & Yeh, A. G. O. (2000). Modelling sustainable urban development by the integration of constrained cellular automata and GIS. International Journal of Geographical Information Science, 14(2), 131-152.

16. Li, X., & Yeh, A. G. O. (2003). Simulation of development alternatives using neural networks, cellular automata, and GIS for urban planning. Photogrammetric Engineering and Remote Sensing, 69, 1043-1052.

17. Menard, A., & Marceau, D. (2005). Exploration of spatial scale sensitivity in geographic cellular automata. Environment and Planning B: Planning and Design, 32(5), 693-714.

18. Olson, J.M., Alagarswamy, G., Andresen, J.A., Campbell, D.J., Davis, A.Y., Ge, J.,... Wang, J., (2007). Integrating diverse methods to understand climate-land interactions in east Africa. Geoforum, 39, 898-911.

19. Openshaw, S. (1998). Neural network, genetic, and fuzzy logic models of spatial interaction. Environment and Planning, 30, 1857–1872.

20. Small, C., & Miller, R.B. (1999). Monitoring the urban environment from space. Columbia University, Palisades, NY, USA: Lamont Doherty Earth Observatory.