مدل سازی توسعه کالبدی شهر رشت با روشهای مبتنی بر محاسبات نرم

غلامرضا میری ¹ (استادیار گروه جغرافیا و برنامه ریزی شهری، واحد زاهدان، دانشگاه آزاد اسلامی، زاهدان، ایران)
پرویز رضائی ² (دانشیار گروه جغرافیا ، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران)
رضا زارعی ³ (استادیار گروه آمار، دانشکده ریاضی، دانشگاه گیلان، گیلان، ایران)
طلا عابدی ⁴ (دانشجوی دکترای جغرافیا و برنامه ریزی شهری، واحد آستارا ،دانشگاه آزاد اسلامی،آستارا، ایران)

تاریخ ارسال : 1402/07/21 تاریخ تایید : 1402/10/23

کلید واژه: شهر رشت, مدل سازی, توسعه کالبدی شهری, محاسبات نرم,

چکیده مقاله :

مقدمه: رشد سریع جمعیت و شهرنشینی پدیده ای انکارناپذیر است. هنگامیکه شهرها از نظر اندازه و تعداد جمعیت رشد میکنند، هماهنگی میان توسعه کالبدی شهر و رشد جمعیت بسیار حائز اهمیت است(دانه کار و همکاران،1400). با کمک گرفتن از روش‌های مبتنی بر محاسبات نرم از جمله شبکه های عصبی مصنوعی و ماشین بردار پشتیبان می توان جهات توسعه شهری سالهای آتی را پیش بینی کرد. هدف پژوهش: هدف این پژوهش مدل‌سازی توسعه شهر رشت طی بیست سال اخیر و پیش‌بینی جهات توسعه این شهر تا سال 2032 می-باشد. 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 دو روش شبکه های عصبی مصنوعی و ماشین بردار پشتیبان 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 مرحله اول مدل با اعمال چهار شاخص ورودی بر تصاویر سال 2002 شهر رشت و مقایسه با تصاویر 2012 به یک تابع فعال ساز دست یافت و در مرحله دوم تست شبکه با ورودی تصاویر 2012 و خروجی 2021 شهر رشت انجام شد. در مرحله آخر تابع پیش بین تصاویر 2032 شهر رشت را ارائه کرده است. نتایج: مدل شبکه عصبی مصنوعی در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که این عددها می‌تواند قابل قبول باشد. مدل ماشین بردار پشتیبان نیز توانسته است برای پیش‌بینی توسعه شهر رشت در سال 2012، 4/96 درصد و برای سال 2021، 3/95 درصد برآورد درستی داشته باشد که نسبت به مدل شبکه عصبی مصنوعی نتایج دقیق تر را ارائه نموده است.

چکیده انگلیسی :

The rapid growth of population and urbanization is an undeniable phenomenon. When cities grow in terms of size and population, coordination between the physical development of the city and population growth is very important . With the help of methods based on soft computing, including artificial neural networks and support vector machines, it is possible to predict the directions of urban development in the coming years. The purpose of this research is to model the development of Rasht city in the last twenty years and predict the directions of development of this city until 2032. 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 using two methods of artificial neural networks and support vector machine for floor images. are grouped The indicators considered for the neighborhood model of urban areas are distance from urban points, distance to central areas of the city, and distance to main streets and roads. 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. In this model, in the first stage of the model, an activation function was achieved by applying four input indicators to the images of 2002 and comparing them with the images of 2012, and in the second stage, the network test was performed with the input of images of 2012 and the output of 2021 of Rasht city. In the last stage, the prediction function has provided 2032 images of Rasht city. The artificial neural network model has a correct estimate of 95.9% in 2012 and 93.8% for 2021, so these numbers can be acceptable. The support vector machine model has been able to predict the development of Rasht city in 2012 by 96.4% and for 2021 by 95.3%, which has provided more accurate results than the artificial neural network model.