ارزیابی پتانسیل و الگوی رشد بهینه شهری با استفاده از الگوریتم های شبکه های عصبی(مطالعه موردی: شهر زنجان)

ابوالفضل قنبری ¹ ( هیأت علمی/ دانشگاه تبریز )
سمانه باقری ² ( دانشگاه تبریز )
محمد سورغالی ³ ( دانشجو دکتری، دانشگاه تبریز )

تاریخ ارسال : 1402/05/13 تاریخ تایید : 1403/01/11

کلید واژه: شبکه عصبی و زنجان, الگوی رشد بهینه شهری, ارزیابی پتانسیل, رشد فیزیکی شهر,

چکیده مقاله :

پدیده پویای رشد فیزیکی شهر، نشانه‌ای از رشد جمعیت، توسعه اقتصادی و افزایش اهمیت شهر است. پتانسیل و الگوی رشد بهینه شهرها از جمله عوامل مهمی است که بر توسعه پایدار و بهره‌وری این مراکز تأثیر می‌گذارد. ارزیابی دقیق و موثر این پتانسیل‌ها نیازمند استفاده از روش‌های پیشرفته و دقیق می‌باشد. از این رو، هدف از پژوهش حاضر ارزیابی پتانسیل و الگوی رشد بهینه شهری با تأکید بر شهر زنجان با استفاده از الگوریتم‌های شبکه‌های عصبی می‌باشد. پژوهش حاضر از نظر هدف کاربردی و توسعه ای، برحسب نحوه گردآوری داده ها، توصیفی- تحلیلی می باشد. در ابتدا، پارامترهای مؤثر در رشد شهر زنجان شناسایی و مدل‌های شبکه عصبی طراحی شدند. سپس با استفاده از داده‌های موجود و الگوهای رشد گذشته، شبکه‌های عصبی آموزش داده شدند تا قادر به پیش‌بینی رشد و توسعه آینده شهر زنجان باشند. داده های به کار برده شده در این پژوهش شامل لایه کاربری اراضی شهر زنجان و تصویر ماهواره ای لندست 8 بود که به ترتیب از شهرداری شهر زنجان و سایت زمین شناسی آمریکا(USGS) تهیه شدند. نتایج نشان داد که شهر زنجان دارای پتانسیل بالایی برای رشد فیزیکی در قسمت‌های غربی و شرقی است. این بخش ها شامل مناطقی می شود که از نظر عواملی همچون ارتفاع و شیب از شرایط استانداردی برخوردار می باشند. اما بخش‌های شمالی و جنوبی به دلیل داشتن موانعی همچون ارتفاع زیاد و شیب بیشتر از 5%، و همچنین وجود باغات در بخش جنوبی شهر پتانسیلی برای توسعه ندارند. ارزیابی پتانسیل و الگوی رشد بهینه شهر زنجان با استفاده از شبکه‌های عصبی می‌تواند به مسئولان و تصمیم‌گیرندگان شهری کمک کند تا استراتژی‌های مناسب را برای توسعه پایدار و بهره‌وری بیشتر در این شهر اتخاذ کنند و با بهره‌گیری از داده‌های تاریخی و فعلی، آینده خود را پیش‌بینی کرده و برنامه‌ریزی مناسب برای توسعه پایدار و بهینه شهری را انجام دهند.

چکیده انگلیسی :

The dynamic phenomenon of urban physical growth is indicative of population increase, economic development, and the rising importance of cities. The potential and optimal growth pattern of cities are among the crucial factors influencing sustainable development and efficiency in these centers. Accurate and effective assessment of these potentials requires the use of advanced and precise methods. Therefore, the aim of the present research is to evaluate the potential and optimal growth pattern of the city, with a focus on Zanjan, using neural network algorithms.This research is applied and developmental in terms of its objective, and in the way data is collected, it is descriptive-analytical. Initially, parameters influencing the growth of Zanjan were identified, and neural network models were designed. Subsequently, using available data and patterns of past growth, neural networks were trained to predict the future growth and development of the city. The data used in this research includes land use layers of Zanjan and Landsat 8 satellite imagery, obtained from the Zanjan Municipality and the United States Geological Survey (USGS), respectively.The results indicate that Zanjan has high potential for physical growth in its western and eastern parts, characterized by factors such as elevation and slope meeting standard conditions. However, the northern and southern parts, due to obstacles like high elevation, slopes exceeding 5%, and the presence of orchards in the southern section, lack potential for development. Evaluating the potential and optimal growth pattern of Zanjan using neural networks can assist urban authorities and decision-makers in adopting suitable strategies for sustainable development and greater efficiency in the city. By leveraging historical and current data, they can predict their future and undertake proper planning for sustainable and optimal urban development.

متن کامل:



Journal Research and Urban Planning ISSN (Print): 2228-5229 - ISSN (Online):  2476-3845

Spring 2021. Vol 12. Issue 44

 

 

 

 

Research Paper

"Evaluating the Potential and Optimal Urban Growth Pattern by Using

of Neural Network Algorithms (Case Study: Zanjan City)"

 

 

 

 

Abstract  Dynamic phenomenon of urban growth is an indication of population growth, economic development, and increasing importance of a city. Intelligent urban planning requires current and historical data from the target city. The potential and optimal growth pattern of cities are crucial factors influencing sustainable development and efficiency in these centers. Accurate evaluation of these potentials necessitates advanced and precise methodologies. This study focuses on Zanjan city and evaluates its potential and optimal growth pattern using neural network algorithms. In the first step, key parameters affecting the growth of Zanjan city were identified, and neural network models were designed accordingly. Subsequently, these neural networks were trained using available data and historical growth patterns to predict the future growth and development of Zanjan city. The predictions were then compared and evaluated against real data.The results revealed that Zanjan city exhibits high potential for physical growth in its western and eastern regions. However, the northern and southern parts, due to their high altitude and slopes exceeding 5%, have limited potential for development. Employing neural network algorithms for assessing the potential and optimal growth pattern of Zanjan city can assist urban authorities and decision-makers in adopting appropriate strategies for sustainable development and enhanced productivity in this city. Overall, this approach can aid cities in predicting their future and devising suitable plans for sustainable and efficient urban development by leveraging historical and current data. Furthermore, this method can be applied to address urban growth challenges in other regions and countries, providing insights into potential capacities and probable issues for city enhancements.In conclusion, this study plays a vital role in urban development decision-making, contributing to the improvement of Zanjan city and similar urban areas in their pursuit of progress and sustainable development.

 

Received Accepted: PP:                               Keywords: Neural network and Zanjan, optimal urban growth model, potential evaluation, Physical growth of the city.

 

 

 

Use your device to scan and read the article online

 

 

 

 

 

 

 

 

 

 

 

Citation:

 

Extended Abstract

 

Introduction

 

In recent centuries, several important phenomena have occurred in the social and economic realms of various countries, including the emergence of multiple new cities, the development of ancient cities, urbanization progress, and urban expansion. Among these, urban development and land use changes have paved the way for extensive social and environmental impacts. These impacts include the reduction of natural spaces, increased vehicular congestion, diminished high-production agricultural lands, alterations to natural drainage systems, and decreased water quality. Urbanization and urban development are direct outcomes of the industrial revolution and capital advancement, which first occurred in Western countries and later in developing countries. The highest population growth in the future is expected in developing countries, especially less-developed ones. However, this uncontrolled and dispersed growth will lead to horizontal expansion of urban areas, rapid land-use changes, and increased environmental degradation, while the spatial growth of urban areas is outpacing their population growth.To mitigate the detrimental effects of urban growth on the environment and maintain optimal ecosystem functionality, the temporal and spatial patterns of land cover and land use changes, as well as the factors influencing these changes, hold significant importance in the formulation of relative economic, social, and environmental policies .Rapid urbanization and urban development, particularly in developing countries, demand a scientific and efficient understanding of the complex processes and patterns of urban growth. Research on cities and urban development is challenging due to its extensive dimensions and requires exploration from various aspects. Urban system development is not a random occurrence and necessitates precise planning to control its future trajectory . have been left unchanged as they appear to be citations from different sources and may contain specific author names, years, and page numbers.

Methodology

In the current research, the required data, including satellite imagery and land use layers, were collected, and the criteria and components for each were summarized. Subsequently, a general framework was developed for these criteria. Afterward, necessary preprocessing and processing were applied to the relevant data. Then, information layers were prepared to introduce them to the neural network. Finally, the neural network was applied to the information layers, and the final map representing the potential for Zanjan city's development was extracted.

Results and discussion

The areas deemed suitable for the final development plan include the eastern parts and certain portions of the western region. These areas possess favorable natural factors such as elevation and slope conditions, as well as better accessibility to important centers compared to other regions. Moreover, these regions are categorized as unused barren lands, and some parts within the city remain undeveloped, indicating their high potential for urban expansion. On the other hand, the city's expansion towards the industrial zone in the west may impose limitations on further development in that direction. Additionally, in recent years, the most significant physical development in Zanjan has occurred in the eastern parts, resulting in a decline in the development potential in this area. Therefore, Zanjan requires a comprehensive urban planning to harness the potential of both the western and eastern regions efficiently for physical expansion and to address the unconstructed areas to meet the housing demands of the urban population.

Conclusion

The results of such a study can be utilized to identify areas with development potential and guide urban expansion, thus preventing inappropriate urban development that could have significant negative impacts on the city's ecosystem and residents' quality of life. It can inform future urban planning to prioritize development strategies aimed at minimizing harm and damages, putting city managers and urban planners at the forefront. Based on the obtained results, recommendations can be made for optimal land use. For instance, areas suitable for physical expansion can be prioritized in the planning strategies of housing and urban development organizations. The formation of new urban settlements should adhere to essential principles such as respecting fault zones, slope, elevation, distance from main roads, and the placement of essential service, medical, and educational centers. Moreover, efforts should be made to prevent physical expansion and development in areas facing limitations. By incorporating these recommendations into the urban planning process, cities can achieve more sustainable growth and development while preserving their ecological balance and providing a better living environment for their residents.

 

Keywords: Neural network and Zanjan, optimal urban growth model, potential evaluation, Physical growth of the city.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مقاله پژوهشی

ارزیابی پتانسیل و الگوی رشد بهینه  شهری با استفاده از الگوریتم‌های

 شبکه‌های عصبی(مطالعه موردی: شهر زنجان)

 

 

ابوالفضل قنبری 1، سمانه باقری 2، محمود سورغالی 2

 

1- استاد تمام گروه سنجش‌ازدور و GIS دانشکده برنامه‌ریزی و علوم محیطی دانشگاه تبریز، تبریز، ایران.

2- دانشجوی دکتری، گروه سنجش‌ازدور و GIS ،دانشکده برنامه‌ریزی و علوم محیطی دانشگاه تبریز، تبریز، ایران.

 

چکیده پدیده پویای رشد فیزیکی شهر، نشانه‌ای از رشد جمعیت، توسعه اقتصادی و افزایش اهمیت شهر است. برنامه‌ریزی هوشمندانه برای شهرسازی نیازمند داده‌های فعلی و تاریخی از شهر مورد نظر است. پتانسیل و الگوی رشد بهینه شهرها از جمله عوامل مهمی است که بر توسعه پایدار و بهره‌وری این مراکز تأثیر می‌گذارد. ارزیابی دقیق و موثر این پتانسیل‌ها نیازمند استفاده از روش‌های پیشرفته و دقیق می‌باشد. . این مطالعه با تمرکز بر شهر زنجان، به ارزیابی پتانسیل و الگوی رشد بهینه شهری با استفاده از الگوریتم‌های شبکه‌های عصبی می‌پردازد. پژوهش حاضر از نظر هدف کاربردی و توسعه ای، برحسب نحوه گردآوری داده ها، توصیفی- تحلیلی می باشد. در ابتدا، پارامترهای مؤثر در رشد شهر زنجان شناسایی و مدل‌های شبکه عصبی طراحی شدند. سپس با استفاده از داده‌های موجود و الگوهای رشد گذشته، شبکه‌های عصبی آموزش داده شدند تا قادر به پیش‌بینی رشد و توسعه آینده شهر زنجان باشند. نتایج پیش‌بینی‌ها با داده‌های واقعی مقایسه و ارزیابی شدند. نتایج نشان داد که شهر زنجان دارای پتانسیل بالایی برای رشد فیزیکی در قسمت‌های غربی و شرقی است، اما بخش‌های شمالی و جنوبی به دلیل داشتن ارتفاع زیاد و شیب بیشتر از 5%،و همچنین وجود باغات در بخش جنوبی شهر  پتانسیلی برای توسعه ندارند.ارزیابی پتانسیل و الگوی رشد بهینه شهر زنجان با استفاده از شبکه‌های عصبی می‌تواند به مسئولان و تصمیم‌گیرندگان شهری کمک کند تا استراتژی‌های مناسب را برای توسعه پایدار و بهره‌وری بیشتر در این شهر اتخاذ کنند. به‌طور کلی، این روش می‌تواند به شهرها کمک کند تا با بهره‌گیری از داده‌های تاریخی و فعلی، آینده خود را پیش‌بینی کرده و برنامه‌ریزی مناسب برای توسعه پایدار و بهینه شهری را انجام دهند. همچنین، این روش می‌تواند به مسئله رشد شهری در دیگر مناطق و کشورها نیز اعمال شود تا از ظرفیت‌ها و مشکلات احتمالی در ارتقاء شهرها آگاهی یابند و به بهبود وضعیت شهرها کمک کنند. در نتیجه، این مطالعه نقش مهمی در تصمیم‌گیری‌های مرتبط با توسعه شهری دارد و به بهبود وضعیت شهرزنجان و شهرهای مشابه در جهت پیشرفت و توسعه پایدار کمک می‌کند.

تاریخ دریافت: تاریخ پذیرش:  شماره صفحات:                         واژه­های کلیدی: شبکه عصبی و زنجان، الگوی رشد بهینه شهری، ارزیابی پتانسیل، رشد فیزیکی شهر.

 

 

 

از دستگاه خود برای اسکن و خواندن مقاله به صورت آنلاین استفاده کنید

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه:

از پدیده‌های مهمی که در قرون اخیر در عرصه‌های اجتماعی و اقتصادی کشورهای مختلف رخ‌داده است، ظهور شهرهای متعدد و جدید، توسعه‌ی شهرهای کهن، پیشرفت شهرنشینی و توسعه‌ی شهری است. در میان این موارد، توسعه‌ی شهری و تغییرات کاربری اراضی، زمینه‌ساز تأثیرات گسترده‌ی اجتماعی و زیست‌محیطی می‌شود. این تأثیرات شامل کاهش فضاهای طبیعی، افزایش تجمع وسایل نقلیه، کاهش زمین‌های کشاورزی با توان بالای تولید، تأثیر بر زهکشی‌های طبیعی و کاهش کیفیت آب است(Pauchard et al., 2006: 274; Bella and (Irwin, 2002: 220 . رشد شهرنشینی و توسعه شهری، نتیجه مستقیم انقلاب صنعتی و ترقی سرمایه‌داری است که نخست در کشورهای غربی و سپس در کشورهای درحال‌توسعه رخ داد. بیشترین میزان جمعیت در آینده ، در کشورهای درحال‌توسعه به‌ویژه کشورهای کمتر توسعه‌یافته خواهد بود(Tewolde and Cabral, 2011: 2149 ). این مسئله به رشد غیرقابل‌کنترل ،پراکندگی ،گسترش افقی مناطق شهری، تغییر سریع کاربری زمین و افزایش تخریب زیست‌محیطی منجر خواهد شد (Dewan and Yamaguchi, 2009: 39)؛ درحالی‌که رشد فضای اشغال‌شده با مناطق شهری در حال افزایش، سریع‌تر از جمعیت آن است. به‌منظور کاهش تأثیرات زیان‌بار رشد شهری بر محیط‌زیست و حفظ عملکرد بهینه‌ی اکوسیستم، الگوهای زمانی و مکانی تغییرات پوشش زمین و کاربری اراضی، و عوامل مؤثر بر این تغییرات، در توسعه نسبی سیاست‌های اقتصادی، اجتماعی و زیست‌محیطی اهمیت زیادی دارند(Dewan and Yamaguchi, 2009: 390).

رشد سریع شهرنشینی و توسعه‌ی شهری به‌ویژه در کشورهای درحال‌توسعه ، به درک الگو و فرآیندهای پیچیده رشد شهری با روش علمی و کارآمد نیاز دارد. پژوهش در مورد شهر و توسعه‌ی شهری ، با توجه به ابعاد گستره‌ی آن از موضوعات دشوار است و باید از جنبه‌های مختلف بررسی شود. توسعه سیستم شهری امری اتفاقی نیست و کنترل روند آینده آن به برنامه‌ریزی دقیق نیاز دارد(صمدی، 14:1394).

به‌منظور بررسی و پیش‌بینی رشد شهری، از روش‌های تحلیل داده‌ها و یادگیری ماشین می‌توان استفاده کرد. یکی از این روش‌ها، استفاده از شبکه‌های عصبی مصنوعی است. شبکه‌های عصبی مصنوعی با ساختار نقشه سازی  غیرخطی و برای مدل‌سازی سیستم‌های متصل به یکدیگر مانند مغز، متشکل از نرون ها توسعه داده‌شده‌اند. شبکه‌های عصبی پرسپترون چندلایه، از پرکاربردترین شبکه‌های عصبی مورداستفاده هستند(کامیاب و همکاران،100:1390). شبکه‌ی عصبی مصنوعی ، مستقل از توزیع آماری داده‌هاست و به متغیرهای آماری ویژه‌ای نیاز ندارد؛ بنابراین این ویژگی امکان ترمیم داده‌های سنجش‌ازدور و سیستم اطلاعات جغرافیایی را تسهیل می‌کند. علاوه بر این، تجزیه‌وتحلیل دقت، حتی با گروه داده‌های آموزشی اندک از منطقه امکان‌پذیر است؛ زیرا محاسبات پیکسل مبنا هستند (Park at al., 2011: 105) استفاده از شبکه‌های عصبی مصنوعی در بررسی پتانسیل رشد شهری امکانات جدیدی را فراهم می‌کند. این روش قادر است الگوهای رشد فعلی را تحلیل کرده و به‌صورت پیش‌بینی‌شده، پتانسیل رشد آینده را بررسی کند. با استفاده از داده‌های مربوطه مانند جمعیت، اقتصاد، زیرساخت‌ها و عوامل دیگر، شبکه عصبی مصنوعی می‌تواند الگوها و روندهای رشد شهری را شبیه‌سازی و پیش‌بینی کند. با توجه به پتانسیل رشد شهری، این روش‌ها می‌توانند به مدیران شهری کمک کنند تا تصمیمات بهتری درزمینهی توسعه و مدیریت شهری بگیرند. همچنین، با شناسایی و پیش‌بینی الگوهای رشد، می‌توان تدابیر و برنامه‌های مناسبی را برای مدیریت منابع و ایجاد شهرهای پایدارتر اتخاذ کرد.

پیشینه و مبانی نظری تحقیق:

توسعه  فیزیکی شهری

توسعه کالبدی یک شهر یا گسترش فیزیکی شهر را می‌توان این‌گونه تعریف نمود:

به افزایش کمی و کیفی کاربری‌ها و فضای کالبدی ( مسکونی، تجاری، مذهبی، ارتباطی و ...) یک شهر در ابعادی افقی و عمودی که در طول زمان انجام می‌گیرد، می‌توان توسعه فیزیکی اطلاق نمود ( بمانیان و دیگران،1387؛106).

توسعه کالبدی عبارت است از روندی معقول برای پاسخ‌گویی به نیازها و خواسته‌های شهروندان و دربرگیرنده فضاهای کالبدی، جهت کارکردها و فعالیت‌های نوین است که در حالتی مطلوب و ارگانیک پا به‌پای تحولات اجتماعی حرکت می‌کند. ارتباط متقابل فضای کالبدی و تحولات اقتصادی – اجتماعی همواره به‌گونه‌ای است که هرگونه کاستی و نقصی که دریکی پدید آید، عوارض آن بر دیگری منعکس می‌شود.

انواع توسعه فیزیکی

در بررسی فرایند توسعه کالبدی-فضایی شهر تقسیمات مختلفی از انواع توسعه شهری ارائه‌شده است، در این میان دو نوع تقسیم‌بندی از توسعه شهر بیشتر موردقبول صاحب‌نظران است:

رشد شهر مطابق منشأ

رشد شهرها مطابق منشأ در دوطبقه زير قابل‌تقسیم است 1- رشد طبیعی 2- رشد برنامه‌ریزی‌شده.

بيشتر شهرها درگذشته به‌صورت طبيعي رشد کرده‌اند، يعني توسعه شهر بدون برنامه‌ریزی آتي انجام‌شده و شهر به‌صورت اتفاقي توسعه‌یافته است. در رشد طبيعي شهر سيستم جاده‌ای، پارک‌ها، زمین‌بازی، مدارس، واحدهاي صنعتي، مراكز تجاري، بیمارستان‌ها و زمین‌های بازی و ... بدون نظم و ملاحظات توسعه آتي شهر ايجاد می‌شوند.  در الگوی رشد برنامه‌ریزی‌شده که در آغاز کار خود بر اساس طرح‌های جامع شهری رخ می‌داد، جای هرکدام از عناصر بالا معلوم و مشخص است، در طرح‌های جامع بیشتر تأکید بر کاربری زمین و میزان سرانه‌ها بود، لیکن در الگوی نوین طرح‌های توسعه شهری با عنوان CDS یا راهبرد توسعه شهری، رویکرد طرح‌های توسعه شهری تا حدود زیادی به سمت مسائل  اقتصادی و اجتماعی شهر منعطف شده است و می‌توان ادعا کرد که متأسفانه در طرح‌های (CDS) توجه شایسته‌ای به بعد کالبدی-فضایی شهر نشده و انگار کالبد شهر اهمیت خود را در برنامه‌ریزی ازدست‌داده است .

رشد شهر مطابق جهت

رشد شهر بر اساس جهت و مسير گسترش به دو صورت زير انجام می‌گیرد:

1- رشد افقي 2- رشد عمودي.

رشد فضايي هر شهر به‌صورت گسترش افقي و رشد فيزيكي يا رشد عمومي می‌باشد.  هرکدام از اين دو روش كالبد متفاوت و جداگانه‌ای از ديگري ايجاد می‌نماید،  رشد فيزيكي به شكل افزايش محدوده شهر يا به‌اصطلاح گسترش افقي شهر ايجاد می‌گردد و رشد عمودي به‌صورت درون‌ریزی جمعيت شهري و رشد فشرده شهري نمايان می‌شود، اين الگوهاي متفاوت به نسبت نوع گسترش كه در شهر به وجود آمده‌اند پيامدها و نتايج متفاوتي را نيز در پی‌دارند ( رهنما و دیگران، 1387).

باقری و همکارانش (1397)، در مطالعه‌ای به پتانسیل‌یابی مناطق توسعۀ شهری در شهر کرمانشاه با استفاده از شبکۀ عصبی مصنوعی پرداخته‌اند. بدین منظور،‌ ‌شبکه عصبی پرسپترون چندلایه (MLP) با الگوریتم آموزش لونبرگ- مارگوات به‌کاررفته و داده‌های مؤثر در توسعه شهری به‌عنوان لایه‌های ورودی به شبکه تعیین‌شده است. این لایه‌ها که در سه گروه اجتماعی-اقتصادی، کاربری زمین و بیوفیزیک قرار می‌گیرند، شامل 16 لایه هستند. در ادامه، پانصد نقطه به‌عنوان نقاط آموزشی شبکه تهیه و ۱۲ لایه میانی نیز تعیین‌شده‌اند. مطابق نتایج، با دور شدن از امکانات و مناطق شهری، پتانسیل‌ها به‌شدت کاهش پیدا می‌کنند و بیشتر مناطق دارای پتانسیل توسعه شهری در نزدیک‌ترین فاصله این امکانات و مناطق شهری قرار دارند. بیشترین مناطق پتانسیل دار توسعه شهری، در جنوب غرب شهر کرمانشاه و در اطراف جاده‌های اصلی کرمانشاه-اسلام آباد و کرمانشاه-کنگاور واقع است. مناطق شمالی شهر به دلیل ارتفاع و شیب زیاد، پتانسیل اندکی برای توسعه دارند. همچنین ضریب رگرسیون کلی 9۵ درصدی شبکه که حاصل شرکت تمامی داده‌ها در شبکه است، کارایی زیاد شبکه عصبی پرسپترون چندلایه را در این مطالعه نشان می‌دهد.

رستمی و همکارانش(1398)، در مطالعه خود به ارزیابی پتانسیل و الگوی رشد بهینه شهر تبریز مبتنی بر استفاده از شبکه‌های عصبی پرداخته‌اند. در این مطالعه، برای تعیین مکان بهینه رشد شهری از سه گروه معیارهای اجتماعی اقتصادی، کاربری زمین و بیوفیزیکی استفاده شد. نتایج مرتبط با اجزای شبکه نشان می‌دهد با دور شدن از امکانات و مناطق شهری، پتانسیل‌ها به‌شدت کاهش‌یافته است و بیشتر مناطقی که پتانسیل توسعه شهری دارند، در نزدیک‌ترین فاصله این امکانات و مناطق شهری قرار دارند. قسمت‌هایی از شهر که طی سال‌های گذشته به‌صورت پراکنده و نامنظم رشد داشته‌اند، با توجه به نتایج حاصل‌شده نامناسب هستند.

در مطالعه‌ای دیگر عبداللهی و همکارانش(1399)، به مدل‌سازی تغییرات کاربري اراضی شهر لاهیجان با استفاده از شبکه‌ی عصبی پرسپترون پرداخته‌اند. در این راستا، براي اجراي این مدل به‌منظور شناسایی مکان‌هایی که بیشترین پتانسیل را براي تغییر کاربري اراضی در آینده دارند، از نقشه‌های تغییرات کاربری بین سال‌های 1389-1397 به‌عنوان متغیر وابسته و چهار متغیر مستقل فاصله از جاده، فاصله از شالیزار، فاصله از جنگل و باغات و فاصله از اراضی ساخته‌شده به‌عنوان متغیرهاي تأثیرگذار براي شبیه‌سازی تغییرات کاربري اراضی بهره گرفته‌شده است. نتایج حاصل از این پژوهش تولید نقشه‌های پتانسیل انتقال با شاخص ارزیابی صحت مدل 58/ 84 است که نشان می‌دهد متغیر فاصله از اراضی ساخته‌شده بیشترین تأثیر و فاصله از جاده کمترین تأثیر را بر تغییرات کاربري اراضی دارند.

بخشی و همکارانش(2023)، در مطالعه خود، با استفاده از یک مدل شبکه عصبی مصنوعی و معیارهای چشم‌انداز، گسترش فضایی و جهت رشد شهری را بررسی کرده و مرز رشد شهری (UGB)  مشخص‌شده است .همچنین برای استفاده مؤثر از زمین، گسترش پیوسته آینده شهر موردبررسی قرارگرفته است.آن‌ها از داده‌های مربوط به عوامل زیستی، نزدیکی، محله و بازار در طول بیست سال گذشته استفاده کرده‌اند. مدل شبکه عصبی با استفاده از زنجیره مارکوف، نیاز به زمین برای مناطق ساخت‌وساز تا سال‌های 2020 و 2030 را بر اساس دوازده متغیر توضیحی تخصیص می‌دهد.. نتایج نشان داده است که حدود 95 کیلومترمربع بین خدمات موجود ارائه‌شده توسط KCC و تقاضای آتی شهر خولنا فاصله وجود دارد که باعث ایجاد عدم تعادل بین عرضه و تقاضای خدمات شهری می‌شود. ازاین‌رو، رشد محدود شهری، سرمایه‌گذاری دولت در تأسیسات خدماتی را مقرون‌به‌صرفه می‌سازد و برنامه‌ریزان و تصمیم‌گیرندگان را قادر می‌سازد تا مبادله‌ای امکان‌پذیر بین تقاضای زمین در آینده و حفاظت از منابع طبیعی داشته باشند.

ال ریفعت و لی یو(2022)، در مطالعه خود به پیش‌بینی سناریوهای رشد شهری آینده و اندازه‌گیری احتمال تعرض به سیلاب شهری با استفاده از مدل شبکه عصبی مصنوعی-زنجیره مارکوف در منطقه شهری میامی پرداخته‌اند. آن‌ها از مدل چندلایه‌ای بر پایه شبکه عصبی مصنوعی-زنجیره مارکوف  (ANN-Markov) استفاده کرده‌اند تا سه سناریوی رشد شهری آینده شامل روند معمول کنونی (BAU)، رشد برنامه‌ریزی‌شده  (PG) و رشد پایدار  (SG)در منطقه شهری میامی (Miami MSA) شبیه‌سازی شود و سه سناریوی افزایش سطح آب دریا (1 فوت، 2 فوت و 3 فوت) با منطقه سیلاب خطرناک کنونی، منطقه خطر سیلاب آینده را تعیین کند. سپس خطر سیلاب در توسعه شهری آینده در هر سناریوی رشد در مقیاس منطقه‌ای (MSA)  و محلی (شهرستان) ارزیابی می‌شود. نتایج نشان داده است که طرح کاربری فعلی زمین (PG)  خطرات سیل را در مقیاس منطقه‌ای کاهش می‌دهد اما نه همیشه در مقیاس محلی در مقایسه با سناریوی بدون تنظیم رشد (BAU) . بااین‌وجود، خطرات سیل در سناریوی PG در مقایسه با بدون رشد در سناریوی منطقه  HF (SG)  به‌طور قابل‌توجهی بالاتر است. پیش‌بینی‌های سناریوی رشد شهری می‌تواند به آماده‌سازی و درک تأثیرات SLR کمک کند.

تساگیس و همکارانش(2023)، این مقاله به تحلیل رشد شهری با استفاده از یادگیری ماشین پرداخته است. در این مطالعه موردی، از مدل شبکه عصبی مصنوعی برای بررسی رشد شهری در پنج شهر یونانی استفاده‌شده است. با استفاده از داده‌های باز و متا‌داده‌ها، این مدل شبکه عصبی توانایی پیش‌بینی و تحلیل الگوها و روندهای رشد شهری را دارد. نتایج مطالعه نشان داده است که این روش یک ابزار قوی برای درک و پیش‌بینی رشد شهری در شهرهای یونانی است و می‌تواند به مدیران شهری و برنامه‌ریزان شهری کمک کند تا تصمیمات بهتری درزمینهٔ توسعه شهری بگیرند و منابع را به‌طور بهینه استفاده کنند.

در این راستا، ارزیابی پتانسیل و الگوی رشد بهینه شهر زنجان به‌منظور شناسایی و بهبود فرآیندهای توسعه شهری و تأمین نیازهای جمعیتی و اقتصادی این شهر، اهمیت زیادی دارد. ارزیابی پتانسیل و الگوی رشد بهینه شهر زنجان نیازمند رویکردهای نوین و پیشرفته در حوزه تحلیل داده‌ها و پیش‌بینی است. در این راستا، شبکه‌های عصبی به‌عنوان یکی از ابزارهای قدرتمند درزمینهی پردازش و تحلیل داده‌ها مورداستفاده قرار می‌گیرند. شبکه‌های عصبی از قابلیت تشخیص الگوها و روابط پیچیده در داده‌ها برخوردار بوده و می‌توانند بهبود و بهره‌وری در تصمیم‌گیری‌های مربوط به توسعه شهری را بهبود بخشند. در این مقاله، به‌منظور ارزیابی پتانسیل و الگوی رشد بهینه شهر زنجان، از روش‌های پیشرفته مبتنی بر شبکه‌های عصبی استفاده می‌کنیم. ابتدا، پارامترهای مؤثر در رشد شهر زنجان شناسایی و مدل‌های شبکه عصبی طراحی می‌شوند. سپس با استفاده از داده‌های موجود و الگوهای رشد سابقه، شبکه‌های عصبی آموزش داده می‌شوند تا قادر به پیش‌بینی رشد و توسعه آینده شهر زنجان شوند. نتایج این پیش‌بینی‌ها با داده‌های واقعی مقایسه و ارزیابی می‌شوند. ارزیابی پتانسیل و الگوی رشد بهینه شهر زنجان با استفاده از شبکه‌های عصبی می‌تواند به مسئولان و تصمیم‌گیرندگان شهری کمک کند تا استراتژی‌های مناسب را برای توسعه پایدار و بهره‌وری بیشتر در این شهر اتخاذ کنند و به شهروندان خدمات و امکانات بهتری ارائه دهند.

منطقه موردمطالعه:

مرکز استان زنجان، شهرستان زنجان در شمال غرب ایران و از بزرگ‌ترین شهرهای شمال غرب ایران است. بر اساس سرشماری سال ۱۳95 شهر زنجان دارای 430871 نفر جمعیت، بیستمین شهر کشور ازنظر جمعیت است و دارای مساحتی قریب به 156 کیلومترمربع است. زنجان از شمال به شهرستان طارم و خلخال و میانه و از شرق به سلطانیه و طارم و از جنوب به خدابنده و ایجرود و از غرب به شهرستان ماه‌نشان محدود است. زنجان از سطح دریا ۱۶۶۳ متر ارتفاع دارد(بیات رستمی،(55:1389).

 

 

 

 

 

 

 

شکل 1- منطقه موردمطالعه

مواد و روش تحقیق:

تحقیق حاضر به لحاظ روش، توصیفی - تحلیلی و به لحاظ هدف، کاربردی - توسعه‌ای هست. در این پژوهش، به‌منظور بررسی میزان رشد و توسعه فیزیکی شهری بین سال‌های 2013 تا 2022 ، از تصاویر لندست 8 استفاده شد. در ابتدا پیش‌پردازش‌های لازم بر روی تصاویر اعمال شد، سپس با استفاده از روش طبقه‌بندی ماشین بردار پشتیبان (SVM) ، فرآیند طبقه‌بندی بر روی تصاویر انجام شد .سپس با مقایسه این دو تصویر طبقه‌بندی‌شده ، مناطق توسعه شهری استخراج شد.در مرحله بعد پارامترهای مؤثر در توسعه شهری، از لایه کاربری شهر زنجان ، تصویر طبقه‌بندی‌شده سال 2022 و DEM منطقه استخراج شدند و به‌عنوان ورودی به شبکه عصبی معرفی شدند. در مرحله بعد نیاز است که تعدادی نقاط تعلیمی در اختیار شبکه قرار بگیرد تا شبکه با استفاده از این نقاط (TARGET )  ، میزان تأثیر هریک از لایه‌های ورودی را تعیین کند. درواقع شبکه با این کار آموزش لازم را برای روبه‌رو شدن با مناطق جدید کسب می‌کند. برای این منظور  از نقاط تعلیمی استخراج‌شده از مناطق توسعه شهری برای آموزش شبکه استفاده شد. پس از تعیین تعداد لایه‌های پنهان در ساختار شبکه، که با استفاده از روش آزمون‌وخطا محاسبه شد، درنهایت کل منطقه موردمطالعه در اختیار شبکه تعلیم‌دیده قرار گرفت. شبکه نیز با استفاده ازآنچه آموخته است، کل شهر را ازنظر داشتن پتانسیل توسعه شهری پهنه‌بندی کرد.

 

 

 

شکل 2. روند انجام گرفتن تحقیق

 

 

 

شکل 2- روند و مراحل تحقیق

 

 

داده‌های مورداستفاده:

داده‌های  مورداستفاده در این پژوهش به دو گروه کلی تقسیم می‌شوند :

گروه اول شامل داده‌هایی هست که برای استخراج کاربری‌های اراضی در منطقه موردمطالعه، از تصاویر ماهواره‌ای برای آن‌ها استفاده‌شده است.

 گروه دوم داده‌هایی هستند که به‌عنوان عوامل مؤثر بر گسترش شهری و تغییرات کاربری اراضی از آن‌ها یاد می‌شود.

 

جدول 1: داده‌های مورداستفاده
نوع داده	منبع
تصاویر ماهواره‌ای لند ست 8 برای سال‌های 2013 و 2022	دانلود از سایت USGS
لایه کاربری اراضی	شهرداری شهر زنجان

 

 

 

 متغیر مستقل  مورداستفاده در این مطالعه شامل متغیرهای اقتصادی- اجتماعی ،  بیوفیزیکی و کاربری زمین هست. با توجه به اینکه قوانین تصمیم‌گیری متعددی برای بهره‌برداری از این متغیرها وجود دارد، فاصله این متغیرها به‌عنوان شاخص موردنظر مطرح شد؛ بنابراین متغیرهای مذکور به‌صورت فاصله از مراکز و مکان‌های مؤثر در توسعه شهری استفاده شدند. این لایه‌ها به‌صورت لایه‌هایی با فرمت Shape و با ساختار وکتوری از شهرداری شهر زنجان تهیه و با استفاده از تابع تحلیلی فاصله در محیط ARCGIS به رستر تبدیل شدند .

تصاویر ماهواره‌ای 

به‌منظور استخراج لایه‌های کاربری زمین که نود خروجی و بخشی از نود لای ورودی مورداستفاده در مدل از این لایه به دست می‌آید ، مراحل زیر پس از دریافت تصاویر ماهواره‌ای مربوط به سال‌های 2013 و 2022 انجام شد.

پیش‌پردازش 

تصحیح اتمسفری 

تصحیح اتمسفری به دو صورت کلی (Bulk Correction)  و جز به‌جز (Detaild Correction)  صورت می‌گیرد. درروش کلی به پارامترهای اتمسفری زیادی نیاز نبوده و تصحیح اتمسفری به‌طور تقریبی بر تصویر اعمال می‌شود و درنتیجه به‌طور نسبی اثر اتمسفر روی تصویر را کاهش می‌دهد. اما درروش جز به‌جز یا مدل کردن به پارامترهای اتمسفری همچون بخارآب، CO2 ، درجه حرارت، رطوبت نسبی، فشار اتمسفر غیره نیاز است(ولی زاده کامران و خرمی، 1395) .در این پژوهش از روش FLAASH به‌منظور تصحیح تصاویر استفاده شد.

طبقه‌بندی تصاویر

برای مطالعه دینامیک کاربری اراضی ، به نقشه‌هایی که وضعیت این کاربری را در زمان‌های مختلف نشان می دهد نیاز داریم. با توجه به هدف اصلی فناوری سنجش‌ازدور که شامل شناسایی و تفکیک پدیده‌های زمینی و قرار دادن آن‌ها در گروه‌ها یا طبقات مشخص است، می‌توان از طبقه‌بندی تصاویر ماهواره‌ای به‌عنوان مهم‌ترین بخش تفسیر اطلاعات ماهواره‌ای یادکرد(زبیری و مجد،242:1380).

طبقه‌بندی نظارت‌شده

در طبقه‌بندی نظارت‌شده، کاربر با توجه به شناخت و آگاهی از عوارض و پدیده‌های زمینی مناطقی را به‌عنوان نواحی آموزشی (Training Areas) مشخص می‌سازد، پس‌ازآن برنامه‌ی رایانه‌ای با تجزیه‌وتحلیل آماری ارزش‌ها و پیکسل‌های موجود در هر کلاس و با توجه به الگوریتم مشخص‌شده ، تک‌تک پیکسل‌های موجود در تصاویر را با اطلاعات آماری همه کلاس‌ها مقایسه کرده و برای هریک در تصویر خروجی مقداری را برمی‌گزیند. و هر پیکسل را درنهایت به یکی از نمونه‌های معرفی‌شده نسبت می‌دهد . به‌جز تعداد اندکی که در هیچ طبقه‌ای جا نمی‌گیرند. مهم‌ترین الگوریتم‌هایی که درروش نظارت‌شده مورداستفاده قرار می‌گیرند عبارت‌اند از نزدیک‌ترین فاصله از میانگین، شبکه‌های موازی، استفاده از حداکثر احتمال و نگاشت زاویه طیفی  (رضایی، ۱۳۸۸).

روش ماشین بردار پشتیبان Support Vectors Machine( SVM )  

یک روش سلسله مراتبی است که تنها به پیکسل‌های مجاور hyperplane جداکننده بستگی دارد که درنهایت منجر به‌قرار گیری در موقعیتی نسبت به  hyperplane می‌شود که برای نمونه‌های تعلیمی در بهینه‌ترین محل باشد (ریچاردس.جی.ای، 1999). 

به‌عبارت‌دیگر یک گروه از الگوریتم‌های طبقه‌بندی نظارت‌شده هستند، که پیش‌بینی می‌کند یک نمونه در کدام کلاس قرار یا گروه قرار می‌گیرد. این الگوریتم برای تفکیک دو کلاس از هم از یک صفحه استفاده می‌کند به‌طوری‌که این صفحه از هر طرف بیشترین فاصله را تا هر دو کلاس داشته باشد نزدیک‌ترین نمونه‌های آموزشی به این صفحه بردارهای پشتیبان نام دارند.

ارزیابی دقت و صحت

به‌منظور کسب اطمینان از نسبت صحت نقشه‌ی استخراج‌شده از تصاویر ماهواره‌ای، دقت باید ارزیابی شود. دقت طبقه‌بندی بیانگر سطح اعتماد به نقشه‌ی استخراج‌شده است (رضایی مقدم و همکاران ،27:1389). به‌منظور جمع‌آوری نمونه‌های تعلیمی از نقشه کاربری اراضی، از تصاویر گوگل ارث و تصاویر رنگی کاذب منطقه استفاده شد. در این مطالعه برای بررسی و ارزیابی دقت از روش ماتریس خطا استفاده شد.

تعیین و استخراج پارامترهای مهم در توسعه‌ی شهری

در این پژوهش، عوامل مهم و تعیین‌کننده توسعه شهری که پیش‌ازاین افراد دیگری آن را مطالعه کرده بودند ، استخراج شدند. همچنین این عوامل با توجه به ویژگی‌های طبیعی منطقه به دست آمدند.در همین راستا ، 16 پارامتر کلیدی مؤثر و کلیدی در توسعه شهری ، شامل موارد زیر تعیین و تهیه شدند: فاصله از مراکز انتظامی (شکل 3)، فاصله از مراکز اداری- تجاری (شکل 4)، فاصله از ایستگاه‌های آتش‌نشانی (شکل 5)، فاصله از پارک و فضای سبز(شکل6)، فاصله از مراکز سوخت (شکل7)، فاصله از مراکز خدماتی(شکل8)، فاصله از مراکز درمانی(شکل9)، فاصله از گسل(شکل10)، فاصله از مراکز ورزشی(شکل11)، فاصله از جاده‌های اصلی(شکل12)، فاصله از مراکز آموزشی (شکل 13)، فاصله از مناطق شهری (شکل 14)، زمین بایر و دشت (شکل 15)، کاربری باغ(شکل16)، شیب(شکل17) و ارتفاع (شکل 18).

یکی از عوامل و معیارهایی که در برنامه‌ریزی‌های شهری موردتوجه قرار می‌گیرد ، وضعیت و جهت شیب منطقه است. به‌طورمعمول برای احداث شهرها در مطالعات مکان‌یابیان تا ، شیب تا 20 درجه در نظر گرفته می‌شود و درشیب‌های بالای 20 درجه ساخت و سازی انجام نمی‌شود ، زیرا ساخت شهرها در این شیب‌ها ازنظر اقتصادی مقرون‌به‌صرفه نیست. مناسب‌ترین شیب برای توسعه مسکونی ، شیب 1 تا 6 درجه است ؛ اما درشیب‌های تا 9% نیز مجتمع‌های مسکونی و تأسیسات و تجهیزات شهری و روستایی ساخته می‌شود. هرچه شیب بیشتر باشد ، قیمت زمین ارزان‌تر و هزینه‌ی ساخت بیشتر است؛ زیرا ساخت‌وساز درشیب‌های زیاد نیاز به سرمایه‌گذاری بیشتری دارد و درنتیجه قیمت ساخت را بالا می‌برد. شیب تا 6 درجه کمترین ضریب خطر را دارد و شیب بیش از 45 درجه ازنظر ضریب خطر مجاز نیست (مقیمی ،1385).

وضعیت ارتفاعی برای بسیاری از مسائل شهری مانند لوله‌کشی‌های آب،گاز،تخلیه‌ی آب‌های سطحی و فاضلاب شهرک یا جهت‌گیری مسیر خیابان‌ها برای دریافت نور آفتاب ، همچنین امور حفاظت خاک و آبخیز در پیرامون شهر یا برای خفش و ایجاد فضای سبز اهمیت زیادی دارد(اکبریان و همکاران ،1392).

پارامترهای ذکرشده به‌عنوان ورودی(INPUT) در سه گروه متغیر مستقل شامل متغیرهای اجتماعی-اقتصادی، بیوفیزیکیم کاربری زمین قرار گرفتند. نحوه تهیه‌ی هر یک از پارامترها در جدول 1 نمایش داده‌شده است.

برای ورود پارامترهای تهیه‌شده به شبکه عصبی مصنوعی،نیاز است تا نرمال‌سازی معیارها صورت بگیرد و این معیارها به مقیاس بین صفر و 1 منتقل شوند. در پارامترهای فاصله از شهر، بیمارستان، پارک و فضای سبز، مراکز تجاری- اداری، آموزشی، خیابان اصلی، آتش‌نشانی و پمپ‌بنزین هرچه فاصله کمتر باشد، پتانسیل توسعه شهر بیشتر است؛  بنابراین به کمترین فاصله ارزش 1 و به بیشترین فاصله ارزش صفر داده‌شده است، اما معیار فاصله از گسل برعکس این معیارهاست؛ یعنی به بیشترین فاصله از گسل ارزش 1 (بالاترین ارزش) داده‌شده است. در معیارهای شیب و ارتفاع نیز بیشترین مقدارها به دلیل ایجاد شرایط نامساعد برای توسعه شهری، کمترین ارزش یعنی صفر را دارد. مناطق دارای شیب و ارتفاع کم هم بیشترین ارزش یعنی 1 را به دست آوردند. بقیه مقادیر نیز بین صفر و 1 نرمال شدند. به معیارهای کاربری زمین نیز تنها دو ارزش صفر و 1 تعلق گرفت؛ ارزش 1 در صورت وجود کاربری موردنظر و ارزش صفر در صورت نبود آن.

 

 

 

 

جدول2: عوامل مؤثر در توسعه شهری
برگ خرید تا	انواع لایه‌ها	منبع	پردازش‌های انجام‌شده
اقتصادی و اجتماعی	فاصله از گسل	Sliuzas (2004)	با اعمال تابع تحلیلی فاصله در محیطArc GIS  بر روی لایه‌های استخراج‌شده از لایه کاربری و نرمال‌سازی لایه‌ها بین 0 و 1
	فاصله از معابر شهری	Yaakup (2007)
	فاصله از مراکز درمانی	صمدی (1994)
	فاصله از پارک و فضای سبز	صمدی (1994)
	فاصله از مراکز تجاری – اداری	صمدی (1994)
	فاصله از مراکز آموزشی	صمدی (1994)
	فاصله از آتش‌نشانی	Sliuzas (2004)
	فاصله از مراکز انتظامی	صمدی (1994)
	فاصله از مراکز خدماتی	صمدی (1994)
	فاصله از مراکز ورزشی	صمدی (1994)
	فاصله از پمپ‌بنزین	Sliuzas (2004)
کاربری زمین	دشت و زمین‌های بایر	صمدی (1994)	ایجاد نقش کاربری اراضی با استفاده از تصویر لندست 8 و طبقه‌بندی مجدد نقشه به دو کلاس دشت و بایر (عدد 1) و غیر دشت و بایر ( عدد صفر )
	فاصله از مراکز شهری	صمدی (1994)	ایجاد نقش کاربری اراضی با استفاده از تصویر لندست 8 و جدا کردن طبق شهری و اعمال تابع تحلیلی فاصله در محیطArc GIS  روی آن و نرمال کردن
بیوفیزیکی	شیب	صمدی (1994)	گرفتن مدل رقومی ارتفاعی سنجندة ASTER با دقت 30 متر و ایجاد نقشه شیب و نرمال‌سازی بین صفر و 1
	ارتفاع	Yaakup (2007)	گرفتن مدل رقومی ارتفاعی سنجندة ASTER با دقت 30 متر و نرمال‌سازی بین صفر و 1
	باغ	صمدی (1994)	ایجاد نقشة کاربری اراضی با استفاده از تصویر لندست 8 و طبقه‌بندی مجدد نقشه به دو کلاس باغ (عدد 1) و غیر باغ ( عدد صفر )

 

                                          شکل 3. فاصله از مراکز انتظامی شکل                                                                    4. فاصله از مراکز تجاری

                                                   شکل 5.فاصله از پارک و فضای سبز                                                            شکل 6.فاصله از ایستگاه‌های آتش‌نشانی

 

                                                     شکل 7.  فاصله از مراکز سوخت                                                                    شکل 8. فاصله از مراکز خدماتی

 

                                                          شکل 9. فاصله از مراکز درمانی                                                                               شکل 10. فاصله از گسل

 

                                                   شکل 12. فاصله از جاده‌های اصلی                                                                             شکل 13. فاصله از مراکز آموزشی

 

 

شکل‌های 3 تا 13 معیارهای مربوط به برگ خرید اقتصادی و اجتماعی را نشان می‌دهد. با افزایش فاصله از مراکز خدمات‌رسانی شهری از ارزش زمین برای توسعه شهر کاسته می‌شود. به‌عبارت‌دیگر هرچه خدمات در دسترس تر باشند، آن محیط برای توسعه مناسب‌تر است.

 

 

 

 

                                                   شکل 14. فاصله از مناطق شهری                                                                 شکل 15. زمین بایر و دشت

 

                                  شکل 16. کاربری باغ

 

شکل‌های 14 تا 16 کاربری‌های مربوط به سال 2022 را نشان می‌دهد که به تفکیک کاربری باغی، زراعی، شهر و زمین بایر آمده است.

 

 

                                                  شکل 17. شیب                                                                                       شکل 18. ارتفاع

 

 

 

ارتفاع شهر زنجان 1638 متر از سطح دریا است. ارتفاع ازجمله مواردی است که تأثیر بسیاری برجهات توسعه شهر دارد. عامل دیگر از عوامل بیوفیزیکی شیب محدوده است. شیب یکی از عوامل مهمی است که در ساخت شهر و توسعه آتی آن تأثیر بسیاری دارد. علاوه به راین، در مکان‌یابی کاربری‌های مختلف نیز تأثیرگذار است. ضروری است در توسعه آتی شهر، به جهت‌های مختلف شیب در تعیین مسیر خیابان‌ها، معابر، واحدهای مسکونی و موارد دیگر توجه شود ( مظفری و همکاران،15:1387 ). در درجه اول، شیب‌های هموار، جنوبی و جنوب غربی برای توسعه شهری و در درجه  بعد، شیب‌های غربی و جنوب شرقی نسبتاً مناسب هستند.

در این مطالعه از شبکه عصبی پرسپترون چندلایه (Multilayer perceptron) استفاده شد. پرسپترون چندلایه، دسته‌ای از شبکه‌های عصبی مصنوعی پیش‌خور است. یک MLP شامل حداقل سه لایه گره است: یک‌لایه ورودی، یک‌لایه پنهان و یک‌لایه خروجی. روش MLP به‌طور گسترده‌ای در جنبه‌های مختلف برنامه‌ریزی شهری برای شبیه‌سازی گسترش شهری آینده استفاده می‌شود  Tangkas et al(2023)] [Chakraborti et [al(2018), Mozumder et al(2014). ادراکات چندلایه درجایی که نورون‌های هر لایه با نورون‌های لایه‌های همسایه مرتبط هستند به هم مرتبط هستند. مفهوم MLP را می‌توان با معادله اساسی زیر بیان کرد:

 

 

که x به‌عنوان بردار ورودی تعریف می‌شود. در اینجا، W نشان‌دهنده ماتریس وزن است، جایی که W1 می‌تواند لایه ورودی را با لایه پنهان و W2 می‌تواند لایه پنهان را با لایه خروجی متصل کند. علاوه بر این، b1 و b2 به ترتیب بردار بایاس برای لایه پنهان و لایه خروجی هستند. f یک تابع فعال‌سازی است که غیرخطی بودن لایه خروجی را نشان می‌دهد. درنهایت، y بردار خروجی است(Tayyebi et al 2014). به‌منظور اجرای شبکه عصبی پرسپترون چندلایه از نرم‌افزار MATLAB استفاده شد. در این مطالعه از تابع فعال‌ساز سیگموئیدی برای لایه اول و تابع فعال‌ساز خطی  برای لایه دوم استفاده شد. اجرای شبکه نیازمند ورودی(INPUT) یا عوامل و متغیرهای مؤثر در توسعه شهری، خروجی(TARGET) یا همان نقاط آموزش شبکه و انتخاب تعداد لایه‌های میانی یا پنهان خواهد بود. پس از تهیه شاخص‌های ورودی یا همان INPUT برای تهیه TARGET، 455 نمونه آموزشی انتخاب شدند که به سه بخش آموزش، متوقف کردن محاسبات و راستی آزمایی شبکه تقسیم شدند. با توجه به اینکه داده‌های مورداستفاده هم مقیاس نبودند، به‌منظور تسهیل در هم‌گرایی شبکه عصبی مصنوعی و جلوگیری از کاهش سرعت و همچنین افزایش دقت کار، داده‌های مورداستفاده با استفاده از روش بی مقیاس سازی فازی، نرمال شدند. برای نرمال‌سازی داده‌ها در این مطالعه، از رابطه (1) استفاده شد.

 

 

Xy ارزش مقدار نرمال شد لایه موردنظر، xi ارزش لایة ورودی، xmin کمترین ارزش لایه و Xmax بیشترین ارزش لایه وردی هست. برای انتخاب TARGET و INPUT باید تعداد لایه‌های پنهان مشخص شود. برای انتخاب تعداد نرون های لایه‌های میانی  روش‌های مختلفی وجود دارد که یکی از کارآمدترین آن‌ها روش آزمون‌وخطاست که در این مطالعه، برای مشخص کردن تعداد لایه‌های پنهان از این روش استفاده شد. بعد از طبقه‌بندی و استخراج مناطق توسعه شهری در دوره 10 ساله، نقاط آموزشی انتخاب و مناطق مستثنا شهری حذف شدند.

 

 

 

شکل 19. پراکندگی نقاط آموزشی

شبکه MLP با 16 لایه ورودی برای دستیابی به نقشه توسعه شهری و الگوریتم آموزش لونبرگ- مارکوات اجرا شد. این کار سبب آموزش دیدن شبکه برای انجام پردازش لازم می‌شود. همان‌طور که در شکل 20 مشخص است، شبکه بعد از 18 بار تکرار به نتیجه مطلوب رسیده است .که بهترین نتیجه مربوط به تکرار 12 هست. در شکل 21 برازش و ضرایب رگرسیون مراحل آموزش، صحت سنجی و آزمون نهایی شبکه عصبی آمده که بیانگر دقت بالای مراحل انجام کار است.

 

 

 

 

 

 

شکل 20. برازش تعداد دفعات تکرار در شبکه عصبی

 

 

شکل 21. نمودار برازش و ضریب هم‌بستگی در مراحل مختلف شبکه

 

در شبکه عصبی مصنوعی، جلوگیری از یادگیری بیش‌ازحد شبکه بسیار مهم است؛ زیرا در این حالت شبکه به‌جای یادگیری و درک روابط پارامترها، حفظ کردن اطلاعاتی را آغاز می‌کند که در اختیار دارد(Gomez et al ,2002). با توجه به ضریب 95/0 این مرحله  (Validation)  (شکل 21) ،  می‌توان اطمینان یافت که به‌خوبی از یادگیری بیش‌ازحد شبکه جلوگیری شده است. درنهایت ضریب رگرسیون کلی شبکه که حاصل شرکت هم داده‌ها در شبکه است 96/0 درصد حاصل شد . بعد از انجام این مراحل، شبکه آموزش‌های لازم را برای مواجه‌شدن با مناطق جدید کسب می‌کند و می‌تواند این مناطق را بر اساس آنچه آموخته ارزش‌دهی کند؛ بنابراین تمام منطقه مورد مطالعه در اختیار شبکه قرار گرفت و شبکه بر اساس وزن معیارهایی که از آموزش کسب کرده است، پهنه‌بندی را بر تمام منطقه موردمطالعه انجام داد. خروجی به‌دست‌آمده از این مرحله، یک‌لایه باارزش بین صفر و 1 بود که در شکل 22 به‌صورت نهایی آمده است. نقشه نهایی به ‌وضوح بیانگر پتانسیل رشد در مناطق شرقی و غربی است.این مناطق ازنظر ارتفاع و شیب در شرایط مساعدی قرار دارند. این درحالی‌که است که بخش‌های شمالی شهر  به دلیل ارتفاع و شیب نامناسب و قسمت جنوبی شهر  به دلیل وجود باغات و رود زنجان رود از پتانسیل رشد فیزیکی شهر برخوردار نمی‌باشند.

 

 

 

شکل 22. پتانسیل توسعه فیزیکی شهر زنجان

نتیجه‌گیری:

شهرها به‌عنوان کانون اجتماع انسان‌ها گسترشی پیوسته از مراکز شهر به سمت حومه دارند. در این راستا یکی از مهم‌ترین چالش‌ها، تأمین مسکن کافی و قابل‌قبول برای جمعیت رو به تزاید در کشورهای درحال‌توسعه بوده و است. رشد نامتوازن شهری یکی از تبعات رشد جمعیت است که می‌توان با مدیریت صحیح و توجه به مسائل و معیارهای تأثیرگذار تبعات آن را کاهش داد. شهرها هرروزه درحال‌توسعه‌اند و این توسعه جنبه‌های متفاوتی دارد. توسعه فیزیکی توسعه‌ای است که بر سایر جنبه‌ها نیز تأثیر می‌گذارد. بررسی و ارزیابی پتانسیل رشد شهری، می‌تواند به مدیران شهری کمک کند تا تصمیمات بهتری درزمینهی توسعه و مدیریت شهری بگیرند. همچنین، با شناسایی و پیش‌بینی الگوهای رشد، می‌توان تدابیر و برنامه‌های مناسبی را برای مدیریت منابع و ایجاد شهرهای پایدارتر اتخاذ کرد.

 زنجان در شمال غرب ایران و از بزرگ‌ترین شهرهای شمال غرب ایران است. جمعيت اين شهر بر طبق سرشماری سال 1395 برابر با 430871 نفر بوده و بیستمین شهر کشور ازلحاظ جمعیت محسوب می‌شود. در این مطالعه، روند توسعه فیزیکی شهر زنجان موردبررسی قرار گرفت و مکان‌های مناسب برای توسعه‌های آتی به دست آمد. به همین منظور از پارامترهایی استفاده شد که عوامل طبیعی، اقتصادی و اجتماعی مؤثر در توسعه شهری را پوشش می‌داد. نتایج نشان داد که قسمت‌های شمالی شهر به دلیل ارتفاع و شیب زیاد برای توسعه مناسب نیستند. همچنین توسعه در قسمت‌های جنوبی شهر به دلیل وجود باغات امکان‌پذیر نیست و این امر منجر به نابودی این مناطق خواهد شد. همچنین قسمت‌هایی از بخش جنوبی کوهستانی بوده و دارای شیب و ارتفاع زیاد می‌باشند که همین عوامل مانع توسعه‌ی شهری در این مناطق خواهد شد.

قسمت‌هایی که در نقش نهایی برای توسعه مناسب هستند، شامل قسمت‌های شرقی و بخش‌هایی از غرب می‌باشند که ازنظر عوامل مختلف طبیعی همچون ارتفاع و شیب شرایط مساعدی داشته و همچنین ازلحاظ دسترسی به مراکز مهم نسبت به سایر مناطق شرایط بهتری دارند. همچنین این مناطق جزو زمین‌های بایر بدون استفاده محسوب می‌شوند بعضی قسمت‌های داخل شهر بین مناطق مسکونی بی‌استفاده مانده و هیچ ساخت و سازی در این مناطق صورت نگرفته است که به نظر می‌رسد این مناطق برای توسعه شهر پتانسیل بالایی دارند. از طرف دیگر با توجه به نزدیک شدن شهر از سمت غرب به شهرک صنعتی ، توسعه شهر در این جهت با محدودیت‌های روبه‌رو خواهد شد. همچنین در چند سال اخیر بیشترین توسعه فیزیکی شهر زنجان در بخش‌های شرقی بوده و به همین دلیل این توان این محدوده به‌منظور توسعه شهری کاهش‌یافته است . بنابراین شهر زنجان نیاز به یک برنامه‌ریزی اساسی در جهت توسعه فیزیکی دارد تا هم از توان مناطق غربی و شرقی شهر به‌درستی در جهت توسعه فیزیکی شهر استفاده کند و همچنین بخش‌های ساخته نشده شهر در جهت تأمین مسکن موردنیاز جمعیت شهری بهره گرفته شود.

درزمینهی توسعه و رشد شهر زنجان مطالعاتی صورت گرفته است . برای مثال رحیمی و حسینعلی (1400)، به پایش گسترش و واکاوی پراکنش شهر زنجان در طول چهار دهه با تحلیل‌های آماری و مکانی پرداخته‌اند. هدف از پژوهش حاضر مطالعه، بررسی و ارزیابی گسترش مکانی-زمانی شهر زنجان در پنج برهه زمانی به کمک دستگاه‌های اطلاعات جغرافیایی و با به‌کارگیری مدل آماری آنتروپی نسبی شانون بود. بر اساس نتایج به‌دست‌آمده از این تحقیق، شهر زنجان دارای پراکندگی افقی شدید نیست، چراکه میزان آنتروپی نسبی شانون محاسبه‌شده به را ی شهر از 5/0 تجاوز نکرده است. از سوی دیگر یکی از مهم‌ترین نتایج به‌دست‌آمده از این تحقیق این است که گسترش شهری در شهر زنجان از افزایش جمعیت پیشی گرفته است و به‌عبارت‌دیگر ، افزایش سطح شهر فراتر از افزایش جمعیت بوده است. این خود مؤید پراکنده‌تر شدن تدریجی شهر است که معمولاً در اثر ماشینی شدن شهرها اتفاق میافتد. با توجه به روند طولانی‌مدت بررسی‌شده در زنجان، نتایج به‌دست‌آمده راهنمای خوبی برای مدل‌سازی فرایند پراکندگی افقی (اسپرال) شهری، درک عوامل شهرنشینی و پیش‌بینی الگوهای توسعه شهر در آینده است.در مطالعه‌ای دیگر رضویان و رحیمی (1399)، در مطالعه خود به سنجش پراکنده رویی شهری و تأثیر آن بر تغییرات کاربری و پوشش زمین‌ها در شهر زنجان طی دوره 1395- 1365 پرداخته‌اند. برای پیش‌بینی روند تغییرات و بررسی تغییرات احتمالی، کاربری زمین‌ها برای افق زمانی سال 1405 ، از روش زنجیره‌های مارکوف استفاده‌شده است. در منطقه موردپژوهش (زنجان)  نتایج به‌دست‌آمده از تحقیق بیانگر این مطلب بودد که در سه دهه گذشته با گسترش ناموزون شهر زنجان مساحت شهر بیش از 3 برابر شده است . بررسی تئوریکی پراکنده رویی شهر زنجان بر اساس مدل هلدرن، مبین نقش قابل‌توجه پراکنده رویی شهری در گسترش فیزیکی شهر زنجان هست که همواره اثر آن بیش از عامل رشد جمعیت بوده است . مساحت شهر زنجان در طی سال‌های موردمطالعه افزایش چند برابری را داشته که در مقابل این گسترش، زمین‌های باغی و کشاورزی کاهش قابل‌توجهی داشته است. در این میان آنچه این مسئله را مهم می‌نماید تغییر زمین‌های باغی و کشاورزی به زمین‌های ساخته‌شده هست.  و عامل‌های پیدا و پنهان بسیاری در این امر دخیل بوده‌اند که مهم‌ترین آن‌ها عامل رشد جمعیت و پراکنده رویی شهری بوده است.

در همین راستا از نتایج چنین مطالعه‌ای می‌توان به‌منظور شناسایی مناطق پتانسیل دار و توسعه‌ی شهری استفاده کرد تا از توسعه نامناسب شهر که آثار منفی زیادی بر اکوسیستم شهری وزندگی ساکنان شهر دارد جلوگیری شود و برنامه‌ریزی آینده به‌منظور توسعه شهر با کمترین صدمات و آسیب‌ها ، سرلوحه کار مدیران و برنامه ریزان شهری شود. با توجه به نتایج به‌دست‌آمده از مطالعات می‌توان پیشنهاد‌هایی در جهت کاری بهینه زمین داد. برای مثال مناطق مستعد توسعه فیزیکی در برنامه‌ریزی‌های سازمان مسکن و شهرسازی در اولویت توسعه قرار گیرند و شکل‌گیری شهرک‌های جدید با رعایت و حفظ اصولی مانند رعایت حریم گسل‌ها، شیب، ارتفاع، فاصله از جاده‌های اصلی ، مراکز خدماتی و درمانی و آموزشی مکان‌یابی شوند. همچنین از گسترش و توسعه فیزیکی شهر در قسمت‌هایی که با محدودیت روبه‌رو هستند جلوگیری شود.

ملاحظات اخلاقی:

پیروی از اصول اخلاق پژوهش: در مطالعه حاضر برگه‌های رضایت‌نامه آگاهانه توسط تمامی آزمودنی­ها تکمیل شد.

حامی مالی: هزینه­های مطالعه حاضر توسط نویسندگان مقاله تأمین شد. 

تعارض منافع: برابر اظهار نویسندگان مقاله حاضر فاقد هرگونه تعارض منافع بوده است.

 

منابع:

 

عبدالهی, خبازی, & درانی. (1399). مدلسازی تغییرات کاربری اراضی با استفاده از شبکه عصبی پرسپترون (مطالعه موردی: شهر لاهیجان). برنامه‌ریزی و آمایش فضا, 24(1), 49-79.‎

رستمی, رحیمه, باقری, ارگانی, & حسن وند. (2019). ارزیابی پتانسیل و الگوی رشد بهینة شهر تبریز مبتنی بر استفاده از شبکه‌های عصبی. پژوهشهای جغرافیای انسانی, 51(3), 731-745

صالحی آسفیچی, هاتف الرحمن, کرمی, جلال, علوی, & سیّدعلی. (2018). ارزیابی کارایی الگوی تلفیقی CA-ANN در مدل‎ سازی رشد شهری (مطالعۀ موردی: کلان شهر تهران). جغرافیاوتوسعه ناحیه ای, 16(1), 257-278.‎

باقری, جلوخانی نیارکی, چارکانه, عبدالخالق, باقری, & کیوان. (2018). پتانسیل‌یابی مناطق توسعۀ شهری با استفاده از شبکۀ عصبی مصنوعی (مطالعۀ موردی: شهر کرمانشاه). پژوهش‌های جغرافیای برنامه‌ریزی شهری, 6(1), 175-196.‎

صمدی،امیر(1384) ،ترکیب شبکه عصبی مصنوعی و منطق فازی در توسعه شهری (نمونه موردی :شهر مریوان)،پایان نامه کارشناسی ارشد، دانشگاه تهران

کامیاب, سلمان, عبدالرسول, حسینی, & غلامعلی فرد. (1390). کاربرد شبکه عصبی مصنوعی در مدل‌سازی توسعه شهری (مطالعه موردی: شهر گرگان). پژوهشهای جغرافیای انسانی, 43(2), 99-114.‎

مظفری، غلامعلی و انور اولی زاده، 1387 ، بررسی وضعیت توسعة فیزیکی شهر سقز و تعیین جهات بهینة توسعة آتی آن . مجلة محیط شناسی، سال سی و چهارم، شمارة 47 ، صص 11-20

رحیمی, & مهری. (1400). پایش گسترش و واکاوی پراکنش شهر زنجان در طول چهار دهه با تحلیلهای آماری و مکانی. مطالعات ساختار و کارکرد شهری, 8(26), 168-190

رضویان, محمد تقی, & رحیمی, علی. (1399). ارزیابی و پیش بینی پراکنده‌رویی شهری شهر زنجان با تاکید بر تغییرات کاربری اراضی طی دوره زمانی (1365-1395). فصلنامه علوم محیطی, 18(4), 141-160. doi: 10.52547/envs.18.4.141

مقیمی، ابراهیم (1385)، زئومورفولوژی شهری ، چاپ دوم، انتشارات دانشگاه تهران ، تهران.

اکبریان, مرتضی, & درتاج, دیانا. (1392). تعیین مناطق مناسب به منظور توسعه فیزیکی شهرها برمبنای پارامترهای ژئومورفولوژی (مطالعه موردی: شهر بانه). جغرافیا و پایداری محیط, 3(3), 29-37.

بیات رستمی، روح الله، (1389)، تحلیل فضایی الگوهای بزهکاری در بخش مرکزی شهرها با استفاده از سامانه اطلاعات جغرافیایی(gis) _ مورد مطالعه بزه سرقت در بخش مرکزی شهر زنجان، كلانتري، محسن(استاد راهنما)، گروه جغرافیا ، دانشگاه زنجان

 

 

 

 

 

 

 

 

Jat, M.K., Choudhary, M. and Saxena, A., 2017. Application of geo-spatial techniques and cellular automata for modelling urban growth of a heterogeneous urban fringe. The Egyptian Journal of Remote Sensing and Space Science. 20(2), 223-241.

Bakshi, A., & Esraj-Ul-Zannat, M. D. (2023). Application of urban growth boundary delineation based on a neural network approach and landscape metrics for Khulna City, Bangladesh. Heliyon.

Al Rifat, S. A., & Liu, W. (2022). Predicting future urban growth scenarios and potential urban flood exposure using Artificial Neural Network-Markov Chain model in Miami Metropolitan Area. Land Use Policy, 114, 105994.

Tsagkis, P., Bakogiannis, E., & Nikitas, A. (2023). Analysing urban growth using machine learning and open data: An artificial neural network modelled case study of five Greek cities. Sustainable Cities and Society, 89, 104337.

Chakraborti, S., Das, D. N., Mondal, B., Shafizadeh-Moghadam, H., & Feng, Y. (2018). A neural network and landscape metrics to propose a flexible urban growth boundary: A case study. Ecological indicators, 93, 952-965.

Mozumder, C., & Tripathi, N. K. (2014). Geospatial scenario based modelling of urban and agricultural intrusions in Ramsar wetland Deepor Beel in Northeast India using a multi-layer perceptron neural network. International Journal of Applied Earth Observation and Geoinformation, 32, 92-104.

Tayyebi, A., Perry, P. C., & Tayyebi, A. H. (2014). Predicting the expansion of an urban boundary using spatial logistic regression and hybrid raster–vector routines with remote sensing and GIS. International Journal of Geographical Information Science, 28(4), 639-659.

Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. nature, 323(6088), 533-536.

Gomez, H., Kavzoglu, T., and Mather, P., 2002, Artificial Neural Network Application in Landslide Hazard Zonation in the Venezuelanandes, Abstracts of 15th International Conference on Geomorphology, Tokyo, Japan, PP. 23-28

Pauchard, A. et al. (2006), Multiple Effects of Urbanization on the Biodiversity of Developing Countries: the Case of a FastGrowing Metropolitan Area (Concepción, Chile), Biological Conservation, Vol. 127, No. 3: 272–281.

Bella, K. P., and Irwin, E. G. (2002), Spatially Explicit Micro‐Level Modelling of Land Use Change at the Rural–Urban Interface, Agricultural Economics, Vol. 27, No. 3: 217–232.

Tewolde, M. G., and Cabral, P. (2011), Urban Sprawl Analysis and Modeling in Asmara, Eritrea, Remote Sensing, Vol. 3, No. 10: 2148–2165.

Dewan, A. M., and Yamaguchi, Y. (2009), Land Use and Land Cover Change in Greater Dhaka, Bangladesh: Using Remote Sensing to Promote Sustainable Urbanization, Applied Geography, Vol. 29, No. 3: 390–401.

 

Park, S. et al. (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: 104–114.

Sliuzas, R. V. (2004), Managing Informal Settlements: A Study Using Geo-Information in Dar Es Salaam, Utrecht University Repository, Tanzania

Yaakup, A., and Sulaiman, S. (2007), GIS as New Approach and Method in Preparing and Implementing the Development Plan in Malaysian Planning System, Journal of Alam Bina, Vol.1.