کاربرد شبکه های عصبی مصنوعی در مدل سازی توسعه کالبدی شهری (مطالعه موردی:شهر رشت)
محورهای موضوعی : مطالعات برنامه ریزی شهری و منطقه ای
طلا عابدی
1
,
غلامرضا میری
2
*
,
پرویز رضائی
3
,
رضا زارعی
4
1 - دانشجوی دکتری، گروه جغرافیا، واحد آستارا، دانشگاه آزاد اسلامی، رشت، ایران
2 - دانشیار، گروه جغرافیا و برنامه ریزی شهری، واحد زاهدان، دانشگاه آزاد اسلامی، زاهدان، ایران
3 - دانشیار، گروه جغرافیا ، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
4 - استادیار، گروه آمار، دانشگاه گیلان، رشت، ایران
کلید واژه: مدل سازی, توسعه کالبدی شهری, شبکه عصبی مصنوعی, شهر رشت,
چکیده مقاله :
مقدمه: امروزه توسعه کالبدی شهرها بهصورت روزافزون در حال افزایش است. مدیریت صحیح این توسعه از جهات گوناگون در زمره مسائل مهمی است که باید مدنظر قرار بگیرد. روشهای متعددی برای پیشبینی و تعیین جهت توسعه شهری وجود دارد که یکی از این روشها در تعیین مناطق مناسب، روش مبتنی بر شبکههای عصبی است.
هدف تحقیق: هدف این پژوهش مدلسازی توسعه شهر رشت طی بیست سال اخیر و پیشبینی جهات توسعه این شهر تا سال 2032 میباشد.
روش‌شناسی تحقیق: با استفاده از تصاویر ماهوارهای ETM+ لندست 7 و8 سالهای 2002، 2012 و 2021 شهر رشت و با نرم افزار GIS تصاویر با ترکیب باندی مناسب آماده و سپس با استفاده از روش شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) تصاویر طبقهبندی شدهاند. شاخصهای در نظر گرفته شده برای مدل همسایگی مناطق شهری، فاصله از نقاط شهری، فاصله تا مناطق مرکزی شهر و فاصله تا خیابانها و راههای اصلی میباشند.
قلمرو جغرافیایی پژوهش: شهر رشت، مرکز استان گیلان و در ۴۹ درجه و ۳۵ دقیقه و ۴۵ ثانیه طول شرقی و ۳۷ درجه و ۱۶ دقیقه و ۳۰ ثانیه عرض شمالی از نصف النهار گرینویچ قرار دارد و مساحت آن حدود ۱۰۲۴۰ هکتار میباشد.
یافته ها: در این مدل در حالت آموزش مرحله اول (ورودی اعمال چهار شاخص بر تصاویر سال 2002)، شبکه 104 تکرار انجام داد و کمترین میزان خطا که با معیار آنتروپی متقاطع ارزیابی میشود در تکرار 98ام برابر با 058526/0 گردید. در مرحله دوم ورودی مدل اعمال چهار شاخص بر روی تصاویر 2012 بوده که کمترین میزان خطا 076657/0 ارزیابی شد.
نتایج: در مجموع مدل توانسته است برای پیشبینی توسعه شهر رشت در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که این عددها میتواند قابل قبول باشد. خطای مدل در این بخش اول 1/4 درصد و در بخش دوم 2/6 درصد بوده است. با بررسی دوره بیست ساله روند توسعه کالبدی، جهات توسعه شهر رشت در سال 2032 پیشبینی شد.
Introduction: The physical development of cities is increasing day by day. Correct management of this development from various aspects is among the important issues that must be considered. There are many methods for predicting and determining the direction of urban development, one of these methods for determining suitable areas is the method based on neural networks.
Research Aim: The purpose of this research is to model the development of the city of Rasht in the last 20 years and predict the directions of development of this city until 2032.
Methodology: By using ETM+ Landsat 7 and 8 satellite images of 2002, 2012 and 2021 of Rasht city and with GIS software, images with suitable band composition are prepared and then the images are classified using Multi Layer Perceptron(MLP) Artificial Neural Network method. The indicators considered for the neighborhood model of urban areas are the distance from urban points, the distance to the central areas of the city, and the distance to the main streets and roads.
Studied Areas: Rasht city, the capital of Gilan province, is located at 49 degrees 35 minutes 45 seconds east longitude and 37 degrees 16 minutes 30 seconds north latitude from the Greenwich meridian, and its area is about 10,240 hectares.
Results In this model, in the training mode of the first stage (input, applying 4 indexes on the images of 2002), the network performed 104 iterations, and the lowest error rate, which is evaluated by the crossentropy criterion, was equal to 0.058526 in the 98th iteration. In the second step, the input of the model was to apply 4 indicators on the images of 2012, and the lowest error rate was evaluated as 0.076657.
Conclusion: In total, the model has been able to predict the development of Rasht city in 2012, 95.9% and for 2021, 93.8%, which can be acceptable. The model error in this first part was 1.4% and in the second part was 2.6%. By examining the 20-year period of physical development, the development directions of Rasht city in 2032 were predicted.
ارگانی، میثم؛ رستمی، رحیمه و باقری، میلاد .(1398). ارزیابی پتانسیل و الگوی رشد بهینة شهر تبریز مبتنی بر استفاده از شبکه های عصبی. پژوهش های جغرافیای انسانی. 15(3)، 745-731.
باباپور ورجاری، هودا .(1389). تحلیل مکانی فضایی مکان گزینی مراکز درمانی شهر رشت. پایان‌نامه کارشناسی ارشد منتشر نشده. دانشگاه آزاد اسلامی واحد رشت، گیلان، ایران.
رستمی، فرهاد؛ شاد، روزبه و قائمی، مرجان .(1397). مدلسازی احتمال تغییر رشد شهری با استفاده از شبکه عصبی مصنوعی و رگرسیون لجستیک (مطالعه موردی : شهر مشهد). نشریه پژوهش و برنامه ریزی شهری. 9(34)، 182-169.
زیاری، کرامت اله.(1391). برنامه ریزی شهرهای جدید.(چاپ سوم). تهران: سمت.
مرکز آمار ايران. (1395). نتایج سرشماری عمومی نفوس و مسکن کشور 1395. تهران: مرکز آمار ایران.
سلحشوری، مرتضی. (1393) . پیش بینی توسعه کالبدي شهري با استفاده از شبکه هاي عصبی (مطالعه موردي: شهر ایذه) . پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه پیام نور شهر ری، تهران، ایران.
شکرگزار،اصغر؛ آقائی زاده، اسماعیل و مردی، بهرام .(1399). تحلیل تطبیقی مسکن در بافت¬های برنامه¬ریزی شده و خودروی شهری با تأکید بر مالکیت و خدمات شهری (مطالعه موردی: نسیم شهر). فصلنامه علمی مطالعات برنامه¬ریزی سکونتگاه¬های انسانی. 15(3)، 775-792.
شکوئی، حسین .(1393). اندیشه¬های نو در فلسفه جغرافیا(جلد اول). تهران: گیتا شناسی.
فرشته خو، مجید .(1392). مدلسازی دینامیکی رشد شهری با استفاده از مدل ترکیبی خودکاره¬های سلولی با الگوریتم ژنتیک و شبکه های عصبی (منطقه مورد مطالعه :شهر کرمان). پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه صنعتی کرمان، کرمان، ایران.
تهمتن، اعظم؛ قریشی، محمد باسط؛ آمار، تیمور و مولائی هشتجین، نصرالله.(1401). تبیین تحولات کاربری اراضی روستاهای بخش مرکزی شهرستان رشت در دو دهه اخیر(1395-1375). فصلنامه جغرافیا و برنامه¬ریزی منطقه¬ای، 12(3)، 26-12.
مختاری ملک آبادی، رضا .(1388). تحلیلی بر برنامه¬ریزی کاربردی پارکینگ در شهر اصفهان با استفاده از مدل¬های کاربردی برنامه¬ریزی منطقه¬ای، مطالعات و پژوهش¬های شهری و منطقه ای، 12(3)، 115-134.
مولائی هشتجین، نصرالله و رضایی آدریانی ، سهیلا .(1398). مقايسه تطبيقي توسعه يافتگي مناطق شهري با استفاده از روش¬هاي ارزيابي چند شاخصه (مطالعه موردي: کلان شهر اصفهان). فصلنامه مطالعات برنامه¬ریزی سکونتگاه¬های انسانی، 14(3)، 569-549.
ویسی، رضا .(1397). تبیین پویایی فضائی -کالبدی بخش مرکزی رشت. پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه خوارزمی، تهران: ایران.
Allen, M. (1997). Cities and regions as evolutionary Complex systems. Geographical system, 5(4),103-130
Batty, M. (2009). Models in planning: technological imperatives and changing roies . International Journal of Applied Erath Observation and Geoinformation. 3(3), 252-266
Chen, J., Gong, C., He, W., Luo, M., Torrens, P. M., & Sullvan, D. O. (2002). Cellular automata and urban simulation: where do wegeo from here? Environment and planning B- Planning & Design.20(5),163-168.
Delavar,M. Mohammady,S.(2016). Urban sprawl assessment and modeling using landsat images and GIS. Published online Springer International Publishing Switzerland. DOI 10.1007/s40808-016-0209-4. (in persian).
George Grekousis, Panos Manetos, Yorgos N. Photis (2013), Modeling urban evolution using neural networks, fuzzy logic and GIS: The case of the Athens metropolitan area,Elsevier ,Cities 30,193–203.
Kamyab,H.Mahini,A.Hosseini,a.(2011). Application of artificial neural network in development modeling urban (case study: Gorgan city), Researches of human geography.43(76),99-113(in Persian).
Lakshmanan,G. Devendran,A.(2018). Urban growth prediction using neural network coupled agents-based Cellular Automata model for Sriperumbudur Taluk, Tamil Nadu, India. The Egyptian Journal of Remote Sensing and Space Sciences.5(21), 253-262.
Lee, D. (1994). Retrospetive on larg-scale models. Journal of the American Planning Association,60(1), 35-44.
Ojaghi, S., Ebadi, H. and Farnood Ahmadi, F., 2015.Using artificial neural network for classification of
high resolution remotely sensed images and assessment of its performance compared with statistical methods. American Journal of Engineering, Technology and Society, 2(1): 1-8(in persian)
Park, S., Jeon, S., Kim, S., and Choi, C. (2011). Prediction and Comparison of Urban Growth by Land Suitability Index Mapping Using Gis and Rs in South Korea, Landscape and Urban Planning, 99(2),104-114
Pijanowski, B. C., Tayyebi, A., Delavar, M. R., & Yazdanpanah, M. J. (2009). Urban expansion simulation using geo-spatial information system and artificial neural networks.International Journal of Environmental Research. 3(4), 493–502.
Retrieved 2021, Dec. 15, from https://www.amar.org.ir/( Statistics center website).
Takayama, M., & Couleclis, H. (1997). Map Dynamic Inter grating Cellular automata and GIS through Geo Algebra . International journal of Geographical information Science.11(1),73-91.
White, R., & Engelen, G. (1997). Cellular as the basis of integrated dynamic regional modeling, Environment and planning B. 24(5), 235-246.
کاربرد شبکههای عصبی مصنوعی در مدلسازی توسعه کالبدی شهری
(مطالعه موردی: شهر رشت)
چکیده
مقدمه: امروزه توسعه کالبدی شهرها بهصورت روزافزون در حال افزایش است. مدیریت صحیح این توسعه از جهات گوناگون در زمره مسائل مهمی است که باید مدنظر قرار بگیرد. روشهای متعددی برای پیشبینی و تعیین جهت توسعه شهری وجود دارد که یکی از این روشها در تعیین مناطق مناسب، روش مبتنی بر شبکههای عصبی است.
هدف پژوهش: هدف این پژوهش مدلسازی توسعه شهر رشت طی بیست سال اخیر و پیشبینی جهات توسعه این شهر تا سال 2032 میباشد.
روش شناسی تحقیق:
با استفاده از تصاویر ماهوارهای ETM+ لندست 7 و8 سالهای 2002، 2012 و 2021 شهر رشت و با نرم افزار GIS تصاویر با ترکیب باندی مناسب آماده و سپس با استفاده از روش شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) تصاویر طبقهبندی شدهاند. شاخصهای در نظر گرفته شده برای مدل همسایگی مناطق شهری، فاصله از نقاط شهری، فاصله تا مناطق مرکزی شهر و فاصله تا خیابانها و راههای اصلی میباشند.
قلمروجغرافیایی پژوهش:
شهر رشت، مرکز استان گیلان و در ۴۹ درجه و ۳۵ دقیقه و ۴۵ ثانیه طول شرقی و ۳۷ درجه و ۱۶ دقیقه و ۳۰ ثانیه عرض شمالی از نصف النهار گرینویچ قرار دارد و مساحت آن حدود ۱۰۲۴۰ هکتار میباشد.
یافته ها و بحث:
در این مدل در حالت آموزش مرحله اول (ورودی اعمال چهار شاخص بر تصاویر سال 2002)، شبکه 104 تکرار انجام داد و کمترین میزان خطا که با معیار آنتروپی متقاطع ارزیابی میشود در تکرار 98ام برابر با 058526/0 گردید. در مرحله دوم ورودی مدل اعمال چهار شاخص بر روی تصاویر 2012 بوده که کمترین میزان خطا 076657/0 ارزیابی شد.
نتایج:
در مجموع مدل توانسته است برای پیشبینی توسعه شهر رشت در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که این عددها میتواند قابل قبول باشد. خطای مدل در این بخش اول 1/4 درصد و در بخش دوم 2/6 درصد بوده است. با بررسی دوره بیست ساله روند توسعه کالبدی، جهات توسعه شهر رشت در سال 2032 پیشبینی شد.
واژگان کلیدی: مدل سازی، توسعه کالبدی شهر، شبکه عصبی مصنوعی، شهر رشت
مقدمه
تحولات اجتماعی- اقتصادی بعد از نوزایی، جنبشهای اصلاحگرایی و سپس انقلاب صنعتی دگرگونیهای عظیمی در ساختار فضایی و مکانی جهان و کشورهای اروپایی و آمریکایی بهجای گذاشتند. در سده نوزدهم شهرهای بزرگ، کلانشهرها و شهر منطقهها بهوجود آمدند. این تحولات و دگرگونی ها به تدریج در اوایل سده بیستم در سایر کشورهای جهان با شتاب بیشتری به وقوع پیوست و تاکنون به شدت بر تعداد شهرها افزوده شد (زیاری،78:1393). شهرها با توجه به ماهیت از نظر اجتماعی، اقتصادی و کالبدی دارای تفاوت های قابل توجهی در درون خود میباشند که به بروز جلوههای متعدد و گاه متناقضی منجر میشود (شکرگزار و همکاران، 775:1399). از اینرو کنترل پیچیدگیهای توسعه شهری نیازمند در نظر گرفتن وابستگی متقابل بین عوامل مختلف برای مدلسازی گسترش شهری است (Pijanowski et al.,2009:498). برنامهريزي موثر در حیطه مسايل شهري، تدوين راهکارهاي توسعه، بررسی و شناخت توانمنديها، كمبودها و سطوح برخورداري نواحی و مناطق مختلف شهري در راستاي تحقق برابري و عدالت امري ضروري است (مولائی و رضایی، 550:1398). مدلها نمادی از واقعیت هستند که پیچیدگیهای دنیای واقعی را بهصورتی ساده و کلی بیان میکنند. در واقع مدل برداشتی از واقعیت است، برای توضیح مفاهيم و تقلیل پیچیدگیهای جهان، بهطوری که قابل درک بوده و ویژگیهای آن را به راحتی بیان کند، بهکار میرود (مختارملک آبادی، ۱۳۸۸). از آنجا که رشد شهری پدیدهای پیچیده است و در آن تعدادی از متغیرها با هم تعامل غیرخطی دارند، استفاده از روشهای مبتنی بر مدل فازی برای مدل کردن توسعه و رشد شهری کاملا منطقی است.
در سالهای اخیر، روشهای مبتنی بر هوش مصنوعی توجه زیادی را در مدلسازی شهری به خود جلب کرده است. این روشهای هوشمند مانند شبکههای عصبی مصنوعی (ANN)1، منطق فازی و الگوریتم‌های فرا ابتکاری ابزارهای محبوبی هستند، زیرا می‌توانند با مسائل مهندسی پیچیدهای که حل آنها با روشهای کلاسیک دشوار است، مقابله کنند. این روشها در بسیاری از زمینههای فضایی مانند مدلسازی شهری استفاده میشوند (فروتن و دلاور،7:2012). برای نمونه شبکههای عصبی پرسپترون چند لایه (MLP)2 از پرکاربردترین شبکههای عصبی کاربردی هستند (کامیاب و همکاران، ۱۳۹۰: ۱۰۰) و از آنجایی که شبکه عصبی مستقل از توزیع آماری دادههاست و به متغیرهای آماری ویژهای نیاز ندارد. بنابراین، این ویژگی امکان ترکیب دادههای سنجش از دور و سیستمهای اطلاعات جغرافیایی را تسهیل میکند. علاوه بر این تجزیه و تحلیل دقیق، حتی با گروه داده آموزشی اندک از منطقه امکانپذیر است؛ زیرا محاسبات پیکسل مبنا هستند (Park et al.,2011:105).
لاکشمانن و همکاران (2018) در تحقیقی با عنوان «پیشبینی رشد شهری با استفاده از شبکههای عصبی مبتنی بر عوامل مدل اتوماتیک سلولی در یکی از شهرهای هند» از سه روش CA سنتی، اتوماتیک سلولی (ACA) و شبکه عصبی مبتنی بر اتوماتیک سلولی (NNACA) استفاده شده است. برای شبیهسازی منطقه مورد مطالعه از تصاویر سالهای 2013، 2009 و 2016 و شاخصهای نزدیکی به صنایع، نزدیکی به ارتفاعات و همچنین نقاط حساس سیاسی بهره گرفتند. نتایج تحقیق و مشاهده ضرایب کاپای به دست آمده نشان داد روش NNACA از دو روش دیگر CA و ACA برای پیشبینی رشد شهری بهتر است (Lakshmanan et al.,2018). اجاقی و همکاران (2015) در مطالعه روی منطقه شهریار برای تهیه نقشه کاربری اراضی از شبکههای عصبی و ماشین بردار پشتیبان استفاده کردند و نتیجه گرفتند که روش شبکههای عصبی از دقت بالاتری برای تهیه نقشه کاربری برخوردار است (Ojaghi et al.,2015). گرکوسیس و همکاران (2012) در پژوهشی تحت عنوان «مدلسازی تکامل شهری با استفاده از شبکههای عصبی، منطق فازی و GIS: مطالعه موردی: منطقه شهری آتن» برای مدلسازی توسعه شهر از شبکه های عصبی، منطق فازی و GIS استفاده کردند. روند توسعه کلانشهر آتن، که توسط نقشههای پویای رشد شهری نشان داده شده است، مدل پیشنهادی است با هدف کمک به برنامه ریزان و مدیران شهری در به دست آوردن بینش در مورد تبدیل مناطق روستایی به شهری می باشد (Grekousis et al.,2012). ارگانی و همکاران در پژوهشی با عنوان «ارزیابی پتانسیل و الگوی رشد بهینه شهر تبریز مبتنی بر استفاده از شبکههای عصبی» عنوان کردند نتایج مرتبط با اجزای شبکه نشان میدهد با دور شدن از امکانات و مناطق شهری ،پتانسیل ها به شدت کاهش یافته است و بیشتر مناطق که پتانسیل توسعه شهری دارند در نزدیکترین فاصله از این امکانات و مناطق شهری قرار دارند (Organi et al.,2019). رستمی و همکاران (1397) در مقالهای با عنوان « مدلسازی احتمال تغییر رشد شهری با استفاده از شبکه عصبی مصنوعی و رگرسیون لجستیک (مطالعه موردی: شهر مشهد)»، با استفاده از شبکه عصبی مصنوعی چند لایه (MLP) و ارزیابی مدل رگرسیونی ایجاد شده نشان دادند که این مدل دارای قابلیت بالایی جهت نمایش تغییرات و تعیین مناطق مستعد تغییر میباشد و میتوان برازش مدل را نسبتا خوب در نظر گرفت (Rostami et al.,2018). دلاور و همکاران (1395) در مقالهای با عنوان «ارزیابی و مدلسازی پراکندگی شهری با استفاده از تصاویر لندست GIS» به بررسی و مدلسازی گسترش شهری درکلانشهر تهران با دو روش شبکههای عصبی (ANN) و سیستم استنتاج عصبی-فازی سازگار(ANFIS) پرداختند. در این پژوهش از تصاویر ماهوارهای لندست 7 و 8 (TM و ETM+) سالهای 1988 ، 1999 و 2010 و متغیرهای پیشبینی کننده شامل فاصله تا جاده، فاصله تا فضای سبز، شیب، ارتفاع، فاصله تا گسل، فاصله تا منطقه توسعه یافته و... استفاده کردند. ارزیابی نتایج تأیید میکند که این شهر گسترش وسیعی را تجربه کرده است و روش ANFIS عملکرد بهتری نسبت به ANN داشته است (Delavar et al.,2016).
در بعد نظری حاکم در این پژوهش میتوان اینطور آغاز کرد که مدلها و تئوری های مختلفی از اوایل قرن نوزدهم میلادی برای توسعه شهری ارائه شده است. می توان به تئوری فون تونن، مدل نواحی هم مرکز که توسط برگس پیشنهاد شد و تئوری جایگاههای مرکزی که توسط کریستالر ارائه شد، اشاره کرد. این مدلها تجربی بوده و بر اساس مشاهدات استوار هستند. افزایش روزافزون تعداد اتومبیلهای شخصی در اواخر دهه ۵۰ میلادی منجر شد رشد شهرها از شکل فیزیکی سنتی خود خارج شده و شهرها بیشتر بر پایه شبکه حمل و نقل توسعه پیدا کنند (Batty,2009). در همین سالها پیشرفت ها در محاسبات عددی و توانایی کار با مدلهای پیچیده ریاضی منجر شد که در اواخر دهه ۱۹۵۰ میلادی مدل هایی با تکیه بر شبکه های حمل و نقل شکل بگیرد. اساس این مدلها تأکید بر مدلسازی ریاضی و روابط ریاضی مناسب بود. مهمترین مدلهایی که توسعه یافتهاند موسوم به مدلهای بزرگ مقیاس شهری بودند که در طول دهه های ۱۹۵۰ و ۱۹۶۰ ارائه شده و محصول همین پیشرفتها بودند. مدلهای بزرگ مقیاس شهری، مدلهای پیچیدهای بودند و نیاز به محاسبات ریاضی سنگین داشتند و در عین حال از انعطاف کافی برخوردار نبودند؛ بنابراین این مدلها در اوایل دهه ی ۱۹۷۰ میلادی مورد انتقاد قرار گرفتند (Lee,1994). در دهه ۱۹۷۰ میلادی مدلهای ریاضی کنار گذاشته شد و مدلهای کیفی جایگزین آنها شدند. مدلهای کیفی تا پایان دهه ۱۹۸۰ میلادی به منظور بررسی نحوه توسعه شهرها مورداستفاده قرار گرفتند (Allen,1997). تغییر کاربری اراضی شهری تحت تأثیر عوامل مختلفی است که مدلهای کیفی و توصیفی به تنهایی نمیتوانند یارای بیان کامل این عوامل باشند. فعالیتهای انسانی و عوامل طبیعی بر تغییر کاربریهای اراضی در گذر زمان تأثیر میگذارند (White & Engelena,1997).
بنابراین مدلسازی فضایی یکی از روشهای کارا به منظور مدل سازی فرآیند تغییرات کاربری اراضی است (Chen,2002). توسعه و پیشرفت سیستم اطلاعات جغرافیایی و نیز سنجش از دور در فراهم آوردن اطلاعات فضایی مناسب در سالهای اخیر و به کارگیری آنها، مدل سازی تغییرات کاربری اراضی و توسعه شهری را تسهیل کرد (Takayama & Couleclis,1997).
در راستای نظریههای رشد کالبدی شهر میتوان به ساخت دوایرمتحدالمرکز ارنست برگس، ساخت قطاعی هومر هویت، ساخت چند هستهای ادوارد اولمن وچانسی هاريس و ساخت ستارهای شکل نظریه کوین لینچ اشاره کرد. در نظریه کوین لینچ مسیرهای حمل و نقل، خیابان ها، خطوط آهن و بزرگراه ها تحت تأثیر عوامل نامنظم و ناهنجار طبیعی در شهرها و اطراف آنها ساخته میشوند. این راهها معمولاً در شکل شعاعی به وجود می آیند و تعداد محدودی نیز به حداکثر ظرفیت و کشش واقعی می رسند. به همراه دگرگونی هایی که در نتیجه عملکرد امکانات حمل و نقل در سطوح شهری مشاهده می شود، شکل دایره ای مناطق متحدالمرکز، نظریه ارنست برگس، تعدیل می یابد و به شکل شعاعی یا ستاره ای در می آید و توسعه شهر، ساختار ستاره ای به شهر میبخشد (شکوئی،145:1386). فون تانن نخستين تلاش براي شرح الگوهاي مكاني ساخت فضایی شهر را انجام داده است. وی شهر بزرگی را به تصویر میکند که با دشتی بزرگ که حاصلخیزی یکنواختی دارد، احاطه شده است. هزینههای حمل ونقل اهمیت بسیاری دارند. در نظریه ساخت عمومی شهررابرت دیکنسون محدوده شهر به سه منطقه تقسیم میشود. منطقه مرکزی: در این منطقه مرکز شهر و بخش قدیمی آن قرار گرفته است و در آن حداکثر تراکم ساختمانهای بلند و ترافیک دیده می شود. منطقه میانی :تراکم ساختمانهای مسکونی بالا و مردم کم درآمد سکونت دارند و بخش پژمرده شهر است. منطقه بیرونی: این منطقه ساختمانهای مسکونی با تراکم کمتر، با توجه به اعتبار اجتماعی مردم آپارتمانها و ساختمانهای چند طبقه ایجاد میشود.
شهر رشت که در حال حاضر به 5 منطقه و 15 ناحیه شهری تقسیم شده است و طی 60 سال اخیر بالغ بر 400 هزار نفر افزایش جمعیت داشته است، با دارا بودن جاذبه های طبیعی و توریستی و به عنوان یکی از قطب های جاذب جمعیت در کشور به دلیل تغییرات جمعیت و مسائلی مانند مهاجرت طی سالهای اخیر شاهد ساخت و سازهای بی برنامه و تغییرات زیادی در ساختار فضایی شهر و گسترش آن در زمین های کشاورزی اطراف شده است. این امر لزوم برنامه ریزی و هدایت آگاهانه، سازماندهی اساسی و طراحی مناسب را به منظور جلوگیری از توسعه کالبدی ناهمگون این شهر افزایش داده است. در این پژوهش با استفاده از مدل مبتنی بر شبکههای عصبی به مدلسازی توسعه شهر رشت پرداخته و سپس روند توسعه آتی شهر تا سال 2032 را مورد ارزیابی قرار میدهیم. استنباط در این زمینه میتواند به برنامهریزی مدیران شهری، نظم بخشیدن به ارائه خدمات شهری به شهروندان در مسیر توسعه کالبدی شهر و دست یافتن به توسعه پایدار شهری کمک کند.
روش شناسی پژوهش
این پژوهش براساس هدف مورد نظر، کاربردی بوده و در آن بنا بر ماهیت بررسی، از دو روش توصیفی و تحلیلی استفاده شده است. در انجام پژوهش، بخش توصیفی با مطالعات اسنادی و کتابخانه ای به دست آمده است. در بخش کمی ابتدا از نرم افزار GIS جهت آماده سازی و اعمال ترکیب باندی مناسب روی تصویر ماهواره ای استفاده گردید و سپس پردازش تصاویر و اجرای مدل شبکه عصبی مصنوعی با کد نویسی در محیط نرمافزار MATLAB نسخه 11.0 انجام گرفته و سپس نتایج به دست آمده تجزیه و تحلیل شده است.
برای فراهم کردن داده ها در مراحل مختلف پیاده سازی ، از تصاویر ماهواره ای استفاده شده است. در مرحله ی آماده سازی این پژوهش، از تصاویر ماهواره ای LANDSAT در سه مقطع زمانی 2012،2002 و 2021 استفاده شده است. پایگاه USGS این تصاویر را به صورت زمین مرجع و با تصحیحات هندسی و رادیومتریک به طور رایگان در اختیار کاربران قرار میدهد. این امر در راستای اهداف کلی پروژه ناسا برای فراهم آوردن مجموعه ای از تصاویر با تفکیک پذیری مکانی، طیفی و زمانی چندگانه و در نتیجه مناسب برای تجزیه و تحلیل پوشش و کاربری زمین ها است. جدول 1 مشخصات تصاویر مورد استفاده در این پژوهش را نشان میدهد.
جدول1: مشخصات تصاویر ماهواره لندست از شهر رشت در سالهای 2012،2002 و 2021
سیستم تصویر | سطح مبنا | ماهواره | قدرت تفکیک مکانی | قدرت تفکیک رادیومتریک | نوع سنجنده | تاریخ تصویر برداری |
UTM Zone 39 | WGS-84 | LANDSAT7 | 30 | 8 | ETM+ | Aug 28 2002 |
UTM Zone 39 | WGS-84 | LANDSAT7 | 30 | 8 | ETM+ | Aug 28 2012 |
UTM Zone 39 | WGS-84 | LANDSAT8 | 30 | 8 | ETM+ | Aug 28 2021 |
در بخش تحلیلی برای تشخیص مدل توسعه شهری یک شهر نیاز به مدلهای مبتنی بر هوش مصنوعی می باشد. بهتر است قبل ورود به این مبحث مفاهیم اولیه آن همچون شبکه منظم سلولی، مجموعه وضعیت ممکن برای هر سلول، همسایگی، قوانین انتقال و زمان معرفی شود.
الف) شبکه ی منظم سلولی: این فضای منظم در واقع از سلول های مستقل تشکیل شده است. از نظر تئوری این سلول ها می توانند اشکال هندسی متفاوتی داشته باشند ولی در داده های با ساختار رستر که عمدتا به عنوان یکی از پرکاربرد ترین ساختار داده در سیستم های اطلاعات مکانی در نظر گرفته می شود، اشکال سلول ها مربعی می باشد. شکل 1 برخی از شبکه های تشکیل دهنده ی فضای خودکاره های سلولی را نشان می دهد.
شکل1: نمایش سلولهای مثلثی، شش ضلعی و مربعی تشکیل دهنده شبکه منظم سلولی
ب) مجموعه وضعیت های ممکن برای هر سلول: هر سلول در شبکه منظم سلولی ذکر شده وضعیتی از وضعیت های موجود را داشته باشد. به عنوان مثال در منطقه ای که سه نوع کاربری شهری، فضای سبز و راه وجود دارد، مقادیر ۱، ۲ و ۳ می تواند معرف سه کاربری ذکر شده در دادهی رستری مربوط به آن منطقه باشد. شکل 2 نمایش یک نمونه از مجموعه وضعیت های ممکن برای سلول ها را نشان میدهد.
شکل 2: مجموعه وضعیت های ممکن برای سلول
پ) همسایگی: وضعیت هر سلول وابسته به وضعیت و ترکیب سلول های دیگری است که در همسایگی آن سلول قرار گرفته اند. همسایگی به مجموعه سلول های مجاور آن سلول و نحوه آرایش و قرار گیری آن سلولها گفته می شود. همسایگی به دو صورت یک بعدی و دو بعدی قابل تعریف می باشد. در مورد تعریف همسایگی در فضای شبکه عصبی دو بعدی، ساختارهای زیادی قابل تعریف می باشد.هر چند معمول ترین روش، همسایگی Moore می باشد.
شکل3 : نمایش همسایگی های مختلف در مدل شبکه عصبی دو بعدی
ت) قوانین انتقال: این قوانین وضعیت آتی هر سلول در مرحله بعد را بر اساس وضعیت فعلی و همچنین وضعیت سلول های مجاور در همسایگی تعریف شده، مشخص خواهد نمود.
ث) زمان: زمان بیانگر کمترین بازه ی زمانی لازم به منظور تغییر وضعیت سلول می باشد. زمان در مدل اتوماتای سلولی بطور گسسته تعریف می شود.
توسعه شهری یک نظام پیچیده است، که شامل ابعاد فیزیکی، اقتصادی، اجتماعی و محیطی می باشد. برای شناخت توسعه شهری و پیچیدگی های آن، ابتدا یک مدل مفهومی ارائه می گردد(شکل 4).
توسعه شهری |
شکل 4 : مدل مفهومی تحلیل رشد شهری-ماخذ (Cheng,2003)
توسعه شهری در دوره زمانی خاصی اتفاق می افتد و این سیر تکاملی به سه نظام در ابعاد فضایی وابسته است: الف) نظام شهری گسترش یافته مثل شبکه راهها، مراکز تجاری و غیره ب) نظام بوم شناسانه و کالبد )قابل گسترش( شامل آبها، جنگل، زمینهای کشاورزی و غیره پ) نظام شهري برنامه ريزي شده در طرحهای جامع، تفصیلی و غیره.
شبکه های عصبی ابزار قدرتمندی هستند که درک الگو در آنها از طریق قوانین یادگیری صورت می گیرد و ارتباط بین ورودی و خروجی از طریق عددی برقرار می شود. این شبکه ها شامل واحدهای پردازشی ساده می باشند که به صورت پیچیده به یکدیگر متصل می باشند.کوچکترین واحد مدل در شبکه عصبی یک گره می باشد که خروجی آن یک سیگنال است. اولین نوع این شبکه ها به شبکه پرسپترون منسوب هستند که ساده ترین نوع آن پرسپترون ساده و نوع پرکاربرد آن پرسپترون چند لایه (MLP) می باشد(فرشته خو،40:1392). این شبکه دارای چند لایه بین لایه های ورودی و خروجی است که به آنها لایه های پنهان می گویند.
شکل5 : خروجی یک عصب مصنوعی
همانطور که مغز انسان نیاز به آموزش دارد، یک شبکه عصبی مصنوعی نیز برای انجام کاری خاص باید آموزش ببیند. این کار از طریق تنظیم نمودن ارتباطات(وزن ها) بین نرون ها و با مقایسه بین ورودی و خروجی آنها در فرایندی تکراری انجام می شود. تا جایی که خروجی شبکه با خروجی مورد نظر برابر شود (سلحشوری،112:1393).
روش معمول جهت یادگیری در شبکه عصبی مصنوعی، الگوریتم انتشار بازگشتی می باشد. این الگوریتم به صورت تصادفی وزن های اولیه ای انتخاب کرده و سپس خروجی محاسبه شده را برای مشاهدات مورد نظر با واقعیت مقایسه می کند. تفاضل بين خروجی محاسبه شده و خروجی واقعی با بکارگیری روش مجذور میانگین مربع خطاها به دست می آید. بعد از این مرحله وزنها برطبق روش قانون دلتا بهبود می یابند(ramelhurt,1986:345). در نتیجه خطای کلی شبکه در بین گره های مختلف در شبکه توزیع می شود. فرآیند باز خورد سیگنال و انتشار بازگشتی خطاها تا آنجا تکرار می شود که خطا به سطحی پایدار برسد.
شکل 6 : ساختار شبکه های عصبی مصنوعی بکار رفته جهت توسعه شهری
همانطور که در شکل 6 مشخص شده، این شبکه از سه لایه که موسوم به شبکه پرسپترون می باشد، تشکیل شده است. این شبکه طوری طراحی شده است که رابطه مجهول بین ورودی ها و خروجی ها را از طریق تعیین وزن هر اتصال با استفاده از قانون یادگیری تعیین میکند. کار در این روش با طراحی شبکه، تعیین ورودی و خروجی ها شروع می شود. سپس بخشی از داده ها برای آموزش شبکه مورد استفاده قرار می گیرد و بعد از آن تست شبکه مورد نظر با بخش دیگری از داده ها صورت می گیرد. در مرحله آخر، اطلاعات لازم یعنی بایاس ها و وزنها از شبکه استخراج شده و از آن جهت پیش بینی توسعه شهری استفاده می شود(سلحشوری،19:1393).
وزن بین گره ها در یک شبکه عصبی قابل تغییر است و در واقع با تغییر این وزنها است که شبکه قادر است تا در نهایت خروجی صحیح را تولید نماید. به روند تغییر وزنها و رسیدن به مقادیر صحیح پارامترها، آموزش شبکه اطلاق می شود. شبکه های عصبی به طور کلی از دو نوع الگوریتم آموزش با نظارت و آموزش بدون نظارت استفاده می کنند. در آموزش بدون نظارت جواب مورد انتظار یا خروجی صحیح شبکه در دسترس نیست. در حالی که در آموزش با نظارت جواب های صحیح در دسترس هستند و شبکه با مقایسه خروجی های واقعی و جواب های صحیح مقدار خطا را محاسبه کرده و وزنها را در جهت کم کردن این خطا تغییر می دهد. میزان دقت شبکه با تعیین بردار خطا در لایه خروجی مشخص می شود. هر چه این بردار کوچکتر باشد نشان دهنده خطای کمتر در شبکه و در نتیجه دقت بالاتر در مدلسازی است(فرشته خو،43:1392).
قلمرو جغرافیایی پژوهش
شهر رشت، مرکز استان گیلان و در ۴۹ درجه و ۳۵ دقیقه و ۴۵ ثانیه طول شرقی و ۳۷ درجه و ۱۶ دقیقه و ۳۰ ثانیه عرض شمالی از نصف النهار گرینویچ قرار دارد و مساحت آن حدود ۱۰۲۴۰ هکتار می باشد. این شهر از شمال به بخش خمام، از جنوب به دهستان لاكان و شهرستان رودبار، از غرب به صومعه سرا و شهرستان شفت و از شرق به بخش کوچصفهان و سنگر محدود می شود. رودخانه زرجوب از جهت شرق و شمال شرقی و گوهررود از جانب جنوب و غرب، شهر رشت را در میان گرفته اند. فاصله رشت از تهران ۳۲۵ کیلومتر است (باباپور،۳۶:۱۳۸۹). بر اساس سرشماری نفوس و مسکن ۱۳۹5 این شهر دارای 679 هزار و 995 هزار نفر جمعیت می باشد که 71 درصد جمعیت شهرستان رشت و 27 درصد استان گیلان را در خود جای داده است(درگاه ملی آمار،1400).
شکل7 : موقعیت جغرافیایی شهر رشت در سطح کشور، استان و شهرستان
با مروری بر تصاویر های هوایی سالهای اخیر توسعه شهری رشت نیز رشد دایره ای در سالهای نخست و سپس توسعه در مسیر خطوط حمل و نقل و اطراف کمربندی ها را در این شهر کاملا آشکار می باشد. توسعه کالبدی شهر رشت از سال ۱۳۲۷ تا ۱۳۳۵ از سمت جنوب، جنوب شرقی و جنوب غربی شروع شد و پس از آن تا سال ۱۳۵۰ در حد شرقی متوقف و به جهت غربی و شمال شرقی متمایل شد. بر طبق طرح جامع شهری مصوب از سال ۱۳۵۰ به بعد گسترش شهر با ایجاد مجتمع مسکونی گلسار در جهت شمال و شمال غربی محسوس تر شد. بعد از پیروزی انقلاب گسترش شهر در جهت شمال و شمال غرب ادامه یافت. از سال 1367 تاکنون نیز توسعه کالبدی شهر رشت به سمت جنوب غرب ، شمال غرب و جاده لاکان میباشد(حسینی،109:1383). در مطالعات پیشین آمده است که بخش مرکزی شهرستان رشت در جنوب و جنوب غربی با ایجاد بیش از 1000 واحد فعالیت با کاربری خدماتی و تجاری، 185 ویلا، 6 شهرک مسکونی و دانشگاه، 3000 هکتار از اراضی زراعی این بخش تغییر کاربری داده است(قریشی و همکاران، 18:1401).
یافتهها و بحث
سایت USGS تصاویر ماهواره ای را با تصحیحات هندسی و رادیومتریک به طور رایگان در اختیار کاربران قرار میدهد. تصاویر دریافتی سالهای 2012،2002 و 2021 در GIS با ترکیب باندی مناسب طبقه بندی شده و به عنوان ورودی شبکه عصبی انتخاب شدند.
(پ) (ب) (الف)
شکل8 : الف)تصویر ماهواره ای طبقه بندی شده سال 2002، ب) تصویر ماهواره ای طبقه بندی شده سال 2002 و پ) تصویر ماهواره ای طبقه بندی شده سال 2021 شهر رشت در GIS
طبقه بندی تصویر به دو بخش شهری و غیر شهری از موضوعات اصلی و به عنوان یکی از مراحل اولیه در استخراج اطلاعات از تصویر برای انواع کاربردها مطرح می باشد. در این پژوهش از شبکه MLP برای طبقه بندی تصویر به دو بخش شهری و غیر شهری استفاده شده است (شکل 8). از آنجا که آموزش در این شبکه ها به صورت با نظارت انجام می شود، لازم است کاربر تعدادی هدف معرفی نماید. منظور از تارگت، جواب خاصی است که انتظار داریم شبکه به ازای ورودی خاصی پاسخ دهد. به عبارتی لازم است در این مسئله کاربر تصویر سال 2002 رشت را به شبکه معرفی و برای شبکه مشخص نماید که این بخش ها شهری یا غیر شهری است. شبکه با استفاده از این ورودی ها و تارگت های معرفی شده توسط کاربر آموزش می بیند و سپس کار طبقه بندی را انجام می دهد. بردار ورودی در مسئله طبقه بندی تصویر برداری است که حاوی یک سری ویژگی های پیکسل ها است. در این تحقیق از چهار ویژگی مهم استفاده شده است: همسایگی مناطق شهری، فاصله از نقاط شهری، فاصله تا مناطق مرکزی شهر و فاصله تا خیابانها و راههای اصلی.
1-همسایگی: اولین و مهمترین عامل تابع همسایگی مناطق شهری می باشد. همسایگی مورد استفاده در این پژوهش همسایگی Moore میباشد که با استفاده از تصاویر شکل 6 بهعنوان ورودی مدل و قابلیت همسایگی در ابعاد 3*3، 5*5 ، 7*7 ،9*9 و 11*11 پیاده سازی شده است. بهترین حالت همسایگی 5*5 بوده است. تصاویر ارائه شده در شکل 8 تعداد پیکسلهای شهری در همسایگی 5*5 هر سلول را در سالهای 2002 نشان میدهند. طیف رنگی (کانتور) شکل 8 طبق اعداد در نمودار میلهای از 0 تا 1، بیانگر قابلیت شهری شدن پیکسلهای همسایگی نقاط شهری رشت در سال 2002 هستند. بهعنوان مثال پیکسلهای آبی رنگ در تصویر احتمال صفر برای شهری شدن دارند و پیکسلهای زرد رنگ احتمال 6/0 تا 7/0 دارند.
2-فاصله از نقاط شهری: ورودی شبکه عصبی با استفاده از تصاویر شکل 6 و پردازش تصویر در نزدیکترین فاصله هر نقطه به مناطق شهری به روش اقلیدسی محاسبه شده و طیف رنگی (کانتور) آن در شکل 10 قابل مشاهده است.
3-فاصله از مراکز اصلی شهر: عامل موثر دیگر در فرایند توسعه شهری، بحث دسترسی به مراکز اصلی شهر میباشد. شکل 10 طیف رنگی (کانتور) مراکز اصلی شهر رشت در سال 2002 شهر رشت را نشان میدهد. نقاط اصلی شهر رشت میدان شهرداری، بازار، گلسار، میدان مصلی، میدان گیل، دانشگاه گیلان، شهرک صنعتی، دانشگاه آزاد اسلامی واحد رشت، مسکن مهر و مواردی از این دست میباشند.
4- فاصله تا خیابانها و راههای اصلی: میزان دسترسی و نزدیکی به راهها و خیابانهای اصلی عامل موثر دیگر در بحث توسعه شهری در نظر گرفته شده است. شکل 10 طیف رنگی (کانتور) فاصله از خیابانها و راههای اصلی این شهر را نشان میدهد.
شکل9 : تصویر سال 2002 شهر رشت به تفکیک مناطق شهری و غیر شهری
در مرحله اول مدلسازی توسعه کالبدی سال 2012 شهر رشت بر اساس شبکه عصبی مصنوعی با اعمال چهار ویژگی همسایگی، فاصله از نقاط شهری، فاصله از مراکز شهری و فاصله از جادهها بر تصاویر سال 2002 شهر رشت انجام شده است.
|
|
(ب) |
(الف) |
|
|
شکل10 : تصاویر خروجی الف) فاصله از نقاط شهری، ب)همسایگی 5*5 ، پ) فاصله از جاده و راههای اصلی و ت)فاصله از مراکز اصلی شهر شهر رشت سال 2002
|
(ت) |
(پ) |
شکل 11: محدوده مورد استفاده از تصویر هوایی شهر رشت
لازم به توضیح است که در تصاویر استفاده شده برای جلوگیری از خطا درخروجی، پیکسلهای فضاهای درون شهری و برون شهری که قابلیت توسعه شهر در آن بخش وجود نداشته است، در نظر گرفته نشده است. محدوده استفاده شده در پژوهش در شکل 11 نمایش داده شده است. در این مدل، همانطور که گفته شد، از نوع انتشار بازگشتی دارای چهار لایه ورودی و یک لایه خروجی میباشد. در شکل 12 بخش (الف) تصویر طبقهبندی شده شهری و غیر شهری شهر رشت و در بخش (ب) خروجی مدل شبکه عصبی این شهر در سال 2012 نمایش داده شده است. بخش(پ) خطایی که مدل شبکه عصبی نسبت به تصویر واقعی توسعه شهر در سال 2012 پیشبینی کرده است را نمایش میدهد.
|
|
|
شکل12:الف)تصویر طبقه بندی شده واقعی توسعه کالبدی شهر ب) خروجی مدل شبکه عصبی پ)میزان خطای مدل شبکه عصبی در پیش بینی توسعه کالبدی شهر رشت در سال 2012 |
شکل 13 نشان دهنده روند خطای شبکه در آموزش، اعتبارسنجی و تست به عنوان تابعی از تعداد دورههای یادگیری یا آموزش شبکه عصبی است. در این پژوهش بعد از تعیین چهار شاخص ورودی، برای تعیین تارگتها از پیکسلهای محدوده شهری تصویر سال 2002 شهر رشت شامل 130 هزار پیکسل استفاده شده است که از این بین 70 درصد پیکسلها برای آموزش، 15 درصد برای اعتبارسنجی و 15 درصد برای ارزیابی و نتیجهگیری مدل در حالت آموزش شبکه 104 تکرار انجام داد و کمترین میزان خطا که با معیار آنتروپی متقاطع ارزیابی میشود، در تکرار 98 ام برابر با 058526/0 بوده است. این نمودار بر اساس دادههای تصویر 2002 آموزش داده شده است و با خطای 058526/0 توانسته است توسعه سال 2012 را مدلبندی کند. بر اساس این آموزش، شبکه عصبی توانسته با ورودی 2012، توسعه 2021 را با خطایی که در ماتریس اغتشاش (شکل 14) ارائه شده است، تخمین بزند.
شکل 13: نمودار روند آموزش در مدل شبکه عصبی مصنوعی
ماتریس اغتشاش مدل شبکه عصبی (شکل 14) نشان میدهد مدل توانسته است 112943 پیکسل شهری (6/86 درصد) را درست تشخیص داده است و در 1134 پیکسل (9/0 درصد) خطا داشته است. همینطور در تشخیص 12122پیکسل غیرشهری (3/9 درصد) درست عمل کرده و در 4153 پیکسل (2/3 درصد) خطا داشته است. در مجموع مدل برای پیشبینی توسعه شهر رشت در سال 2012 توانسته است 9/95 درصد برآورد درستی داشته باشد که این عدد میتواند قابل قبول باشد. خطای مدل در این بخش 1/4 درصد بوده است.
شکل 14: ماتریس اغتشاش مدلسازی توسعه کالبدی شهر رشت در سال 2012
|
شکل15 : تصویر سالهای 2012 شهر رشت به تفکیک مناطق شهری و غیر شهری |
|
|
(الف) (ب)
|
|
شکل 16: تصاویر خروجی الف) فاصله از نقاط شهری، ب)همسایگی 5*5 ، پ) فاصله از جاده و راههای اصلی و ت)فاصله از مراکز اصلی شهر شهر رشت سال 2012
|
در شکل 17 بخش (الف) تصویر طبقه بندی شده شهری و غیر شهری شهر رشت و در بخش (ب) خروجی مدل شبکه عصبی این شهر در سال 2021 نمایش داده شده است. بخش (پ) خطایی که مدل شبکه عصبی نسبت به تصویر واقعی توسعه شهر در سال 2021 پیشبینی کرده است را نمایش میدهد.
|
|
|
شکل17:الف)تصویر طبقه بندی شده واقعی توسعه کالبدی شهر ب) خروجی مدل شبکه عصبی پ)میزان خطای مدل شبکه عصبی در پیش بینی توسعه کالبدی شهر رشت در سال 2021
|
شکل 18: ماتریس اغتشاش مدلسازی توسعه کالبدی شهر رشت در سال 2021 |
ماتریس اغتشاش مدل شبکه عصبی در مرحله دوم نشان دهنده آن است که مدل توانسته 105986 پیکسل شهری (3/81 درصد) را به درستی تشخیص داده و در 2987 پیکسل (3/2 درصد) دارای خطا بوده است. علاوه بر آن، در تشخیص 16274 پیکسل غیرشهری (5/12 درصد) درست عمل کرده و در 5105 پیکسل (9/3 درصد) خطا داشته است. در مجموع، مدل برای پیشبینی توسعه شهر رشت در سال 2021 توانسته است 8/93 درصد برآورد درستی داشته باشد که در سطحی قابل قبول میباشد.
پیشبینی توسعه کالبدی شهر: با توجه به توان قابل قبول مدلهای ارائه شده در بخشهای قبل در مدلبندی فرایند توسعه شهری در فاصله سالهای 2002 تا 2021، میتوان از این مدلها در جهت پیشبینی توسعه شهری در سالهای آتی بهره برد. با توجه به اینکه بازه زمانی مدل یک بازه 20 ساله در نظر گرفته شده است، بنابراین نقشه پیشبینی شده توسعه شهری که میتوان ایجاد نمود مربوط به سال 2041 خواهد بود. در چنین حالتی ورودیهای مدل پیشبینی تصاویر نرمال شده مربوط به سال 2021 میباشد که در شکل 19 نمایش داده شدهاند.
|
|
|
|
شکل19: تصاویر خروجی الف) فاصله از نقاط شهری، ب)همسایگی 5*5 ، پ) فاصله از جاده و راههای اصلی و ت)فاصله از مراکز اصلی شهر شهر رشت سال 2021 |
شکل 20 مناطق شهری واقعی،شبیه سازی و پیش بینی شده مناطق شهری شهر رشت با استفاده از مدل شبکه عصبی مصنوعی در سالهای 2012،2021 و2032 را نشان میدهد.
(پ) (ب) (الف)
شکل 20: مناطق شهری شبیه سازی شده و پیش بینی شده شهر رشت با استفاده از مدل شبکه های عصبی مصنوعی در سالهای الف) 2012 ، ب)2021 و پ) 2032 |
شکل21: تصویر تغییرات توسعه کالبدی شهر رشت بین سالهای 2002 تا 2021 و پیش بینی تغییرات توسعه در سال 2032
نتیجهگیری
تحقیق انجام شده تاییدی بر توانایی مدل مبتنی بر شبکههای عصبی در حوزه مدلسازی توسعه شهری و تغییرات کاربری اراضی میباشد. در مجموع مدل توانسته است برای پیشبینی توسعه شهر رشت در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که سطحی قابل قبول را ارائه میکند. خطای مدل در این بخش اول 1/4 درصد و در بخش دوم 2/6 درصد بوده است. میزان افزایش توسعه شهر به هکتار در سال 2002، 39.4155 کیلومتر مربع شهری، سال 2012، 45.1884 کیلومتر مربع شهری، سال 2021، 52.662 کیلومتر مربع شهری و در سال 2032، 65.2105 کیلومتر مربع شهری پیشبینی شده ست. با مدل سازی دوره بیست ساله روند توسعه کالبدی، توسعه شهر رشت در سال 2032 به سمت جنوب و جنوب غربی در محله لاکان و در مسیر جاده رشت – تهران بیشتر از سایر جهات خواهد بود. این مورد با توجه به ایجاد شهرکهای مسکونی متعدد، وجود راهآهن، تغییرات کاربری اراضی، مهاجرت از تهران و سکنی گزیدن در مسیر ورودی رشت قابل توجیه میباشد.
هدف از این مدل سازی کمک به مدیران و سیاست گزاران شهری و سایر پژوهشگران است تا بتوانند پیش بینی از وضعیت محدوده شهرها و دیگر تغییرات کاربری اراضی داشته باشد. ابزار به کار رفته در این پژوهش این توانایی را به طراحان می دهد تا بتوانند با طرح استراتژیهای خاص نیز وضعیت کاربری اراضی را در آینده پیشبینی کنند که این استراتژیها را میتوان در قالب یکسری ضوابط و معیارها به مدل اعمال کرد. ساختار شبکههای عصبی به گونه ای است که در صورت نیاز به افزودن یک فاکتور جدید به مدل، با تغییر اندک در ساختار مدل (تعداد نرون ها در شبکه عصبی) به راحتی می توان یک متغیر جدید وارد مدل نمود؛ این در حالی است که در دیگر مدلهای توسعه شهری چنانچه بخواهیم پارامتر جدیدی اضافه نمائیم، تغییر کلی ساختار مدل اجتناب ناپذیر خواهد بود. در مقابل، یکی از محدودیتها در این رویکرد آن است که این شبکهها همانند یک جعبه سیاه عمل نموده و دانش صریح و تفسیر پذیر از نحوه و فرایند مدلسازی در اختیار نمیدهند. این در حالی است که میتوان نتایج مربوط به پارامترهای مدلسازی دیگر مدلهای توسعه شهری را تفسیر نمود.
در این پژوهش تنها از پارامترهای فیزیکی موثر در توسعه شهری استفاده گردید. در این راستا پیشنهاد میگردد:
1-استفاده از عوامل دیگری همچون عوامل اقتصادی، اجتماعی و فرهنگی همچون تراکم جمعیت و وضعیت درآمد در ورودی مدل
2- مدل سازی علاوه بر امکان بررسی نقاط غیر شهری به شهری بلکه با امکان تبدیل کاربری کشاورزی به کاربری شهری صورت پذیرد.
3- تقسیم بندی محدوده شهری به تعداد مناطق شهرداری شهر مورد مطالعه و اعمال مدل روی هر منطقه شهری و تجزیه و تحلیل دقیق تر خروجی مدل
4-استفاده از مش بندی تصاویر ماهواره ای به جای پیکسل بندی آنها.
به عنوان نمونه تقسیم بندی با ابعاد مختلف مانند فواصل یک کیلومترمربعی و دو کیلومتر مربعی و مقایسه خروجی مدل شبکه عصبی با این دو نمونه مش بندی
تقدیر و تشکر
این پژوهش مستخرج از رساله دکتری رشته جغرافیا و برنامهریزی شهری بوده که در دانشگاه آزاد اسلامی واحد آستارا از آن دفاع خواهد شد.
منابع
1-ارگانی، میثم؛ رستمی، رحیمه و باقری، میلاد .(1398). ارزیابی پتانسیل و الگوی رشد بهینة شهر تبریز مبتنی بر استفاده از شبکه های عصبی. پژوهش های جغرافیای انسانی. 15(3)، 745-731
2-باباپور ورجاری، هودا .(1389). تحلیل مکانی فضایی مکان گزینی مراکز درمانی شهر رشت. پایان‌نامه کارشناسی ارشد منتشر نشده. دانشگاه آزاد اسلامی واحد رشت، گیلان، ایران.
3-رستمی، فرهاد؛ شاد، روزبه و قائمی، مرجان .(1397). مدلسازی احتمال تغییر رشد شهری با استفاده از شبکه عصبی مصنوعی و رگرسیون لجستیک )مطالعه موردی : شهر مشهد(. نشریه پژوهش و برنامه ریزی شهری. 9(34)، 182-169
4-زیاری، کرامت اله.(1391). برنامه ریزی شهرهای جدید.(چاپ سوم). تهران: سمت.
5- مرکز آمار ايران. (1395). نتایج سرشماری عمومی نفوس و مسکن کشور 1395. تهران: مرکز آمار ایران.
6-سلحشوری، مرتضی. (1393) . پیش بینی توسعه کالبدي شهري با استفاده از شبکه هاي عصبی(مطالعه موردي: شهر ایذه) . پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه پیام نور شهر ری، تهران، ایران.
7- شکرگزار،اصغر؛ آقائی زاده، اسماعیل و مردی، بهرام.(1399). تحلیل تطبیقی مسکن در بافتهای برنامه ریزی شده و خودروی شهری با تأکید بر مالکیت و خدمات شهری )مطالعه موردی: نسیم شهر (.فصلنامه علمی مطالعات برنامه ریزی سکونتگاههای انسانی. 15(3)، 775-792
8- شکوئی، حسین.(1393).اندیشه های نو در فلسفه جغرافیا(جلد اول). (چاپ شانزدهم). تهران: گیتا شناسی.
9-فرشته خو، مجید .(1392). مدلسازی دینامیکی رشد شهری با استفاده از مدل ترکیبی خودکاره های سلولی با الگوریتم ژنتیک و شبکه های عصبی (منطقه مورد مطالعه :شهر کرمان).پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه صنعتی کرمان، کرمان، ایران.
10-قریشی، محمد باسط ؛ آمار، تیمور، مولائی هشتجین، نصرالله و تهمتن، اعظم.(1401).تبیین تحولات کاربری اراضی روستاهای بخش مرکزی شهرستان رشت در دو دهه اخیر(1395-1375).فصلنامه علمی-پژوهشی جغرافیا و برنامه ریزی منطقه ای .12(3). 12-26
11- مختاری ملک آبادی، رضا.(1388). تحلیلی بر برنامه ریزی کاربردی پارکینگ در شهر اصفهان با استفاده از مدل های کاربردی برنامه ریزی منطقه ای . مطالعات و پژوهش های شهری و منطقه ای.12(3) . 115-134
12-مولائی هشتجین، نصرالله و رضایی آدریانی ، سهیلا.(1398). مقايسه تطبيقي توسعه يافتگي مناطق شهري با استفاده از روش هاي ارزيابي چند شاخصه (مطالعه موردي: کلان شهر اصفهان(.فصلنامه علمی مطالعات برنامه ریزی سکونتگاههای انسانی .14(3). 549-565
13-ویسی، رضا.(1397).تبیین پویایی فضائی –کالبدی بخش مرکزی رشت. پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه خوارزمی، تهران، ایران.
Allen, M. (1997), Cities and regions as evolutionary Complex systems Geographical system.NO.4, PP.103-130
Batty, M. (2009). Models in planning: technological imperatives and changing roies . International Journal of Applied Erath Observation and Geoinformation, VOL.3,NO.3, PP. 252-266
Chen, J., Gong, C., He, W., Luo, M., Torrens, P. M., & Sullvan, D. O. (2002). Cellular automata and urban simulation: where do wegeo from here? Environment and planning B- Planning & Design.VOL.20,NO.5, PP.163-168.
Delavar,M. Mohammady,S.(2016). Urban sprawl assessment and modeling using landsat images and GIS. Published online Springer International Publishing Switzerland. DOI 10.1007/s40808-016-0209-4(in persian).
George Grekousis, Panos Manetos, Yorgos N. Photis (2013), Modeling urban evolution using neural networks, fuzzy logic and GIS: The case of the Athens metropolitan area,Elsevier ,Cities 30,PP.193–203
Kamyab,H.Mahini,A.Hosseini,a.(2011). Application of artificial neural network in development modeling urban (case study: Gorgan city), Researches of human geography,VOL.43,NO.76,PP 99-113(in Persian).
Lakshmanan,G. Devendran,A.(2018). Urban growth prediction using neural network coupled agents-based Cellular Automata model for Sriperumbudur Taluk, Tamil Nadu, India. The Egyptian Journal of Remote Sensing and Space Sciences,NO.21,PP 253-262
Lee, D. (1994). Retrospetive on larg-scale models. Journal of the American Planning Association,VOL. 60,NO.1,PP. 35-44.
Ojaghi, S., Ebadi, H. and Farnood Ahmadi, F., 2015.Using artificial neural network for classification of
high resolution remotely sensed images and assessment of its performance compared with statistical methods. American Journal of Engineering, Technology and Society, 2(1): 1-8(in persian)
Park, S., Jeon, S., Kim, S., and Choi, C. (2011). Prediction and Comparison of Urban Growth by Land Suitability Index Mapping Using Gis and Rs in South Korea, Landscape and Urban Planning, Vol. 99. No. 2, PP.104-114
Pijanowski, B. C., Tayyebi, A., Delavar, M. R., & Yazdanpanah, M. J. (2009). Urban expansion simulation using geo-spatial information system and artificial neural networks.International Journal of Environmental Research, VOL.3,NO.4, PP. 493–502
Retrieved 2021, Dec. 15, from https://www.amar.org.ir/( Statistics center website).
Takayama, M., & Couleclis, H. (1997). Map Dynamic Inter grating Cellular automata and GIS through Geo Algebra . International journal of Geographical information Science,VOL.11,NO.1,PP.73-91.
White, R., & Engelen, G. (1997). Cellular as the basis of integrated dynamic regional modeling, Environment and planning B,NO.24,PP.235-246.
[1] . Artificial Neural Networks
[2] .Multi Layer Perceptron