مدلسازی رشد شهری بجنورد با استفاده از داد ه های سنجش از دور (بر اساس شبکه عصبی– مارکوف و مدلساز تغییرات زمین)
محورهای موضوعی : فصلنامه علمی برنامه ریزی منطقه ای
مریم یوسفی
1
(دانشجوی دکتری محیط زیست و عضو باشگاه پژوهشگران جوان و نخبگان، واحد بیرجند، دانشگاه آزاد اسلامی، بیرجند، ایران)
علی اشرفی
2
(عضو هیات علمی گروه جغرافیا و سنجش از دور، دانشگاه بیرجند، بیرجند، ایران)
کلید واژه: رشد شهری, زنجیره مارکوف, شبکه عصبی پرسپترون چند لایه, مدلساز تغییرات زمین, بجنورد,
چکیده مقاله :
در چند دهه اخیر سرعت لجام گسیخته شهرنشینی و متقابلاً گسترش کالبدی شهرها و دستاندازی آنها به زمینهای مستعد کشاورزی حومه شهری تخریبهای غیر قابل جبرانی بر محیط زیست داشته است. ضرورت مدلسازی و مهار این گسترشهای خارج از برنامه، محققین زیادی را از حوزه های مختلف بر آن داشته است تا جهت جلوگیری از چنین گسترشهایی، مدلهای پایش و پیشبینی مختلفی را ارائه دهند. هدف از پژوهش حاضر، مدلسازی رشد شهری شهر بجنورد بر اساس تلفیق طبقهبندی شبکه عصبی مصنوعی پرسپترون چند لایه و مدل زنجیره مارکوف با استفاده از مدلساز تغییرات زمین بوده است. از تصاویر لندست 5 مربوط به سال 1384 و لندست 8 مربوط به سال 1392 جهت تهیه نقشه کاربری اراضی به روش شبکه عصبی پرسپترون چند لایه استفاده گردید و با اعمال متغیرهای فاصله از جاده، شیب و متغیرهای کیفی مدلسازی رشد شهری برای سال 1410 انجام گرفت. نتایج مدلسازی پتانسیل تبدیل در همه زیر مدلها صحت بالای 2/95 درصد را نشان داد. اعتبارسنجی مدل با محاسبه ضرایب کاپا (ضرایب کاپای بالای 86 درصد) بیانگر اعتبار مدل میباشند. نتایج بدست آمده از بررسی تغییرات و پیشبینی کاربری اراضی نیز، گویای رشد توسعه مناطق شهری و متقابلاً کاهش کلاسهای دیگر کاربری اراضی بوده و با توجه به نتایج حاصل این روند در آینده نیز ادامه خواهد داشت. اراضی شهری از 38/1529 هکتار در سال 1384 به 1837 هکتار در سال 1392 افزایش یافته است. این روند صعودی در آینده نیز ادامه خواهد داشت و طبق نتایج بدست آمده به 31/2856 هکتار میرسد.
In the recent decades, population growth, increasing urbanizationand invading to agricultural land have become a serious environmental problem. Change assessment of Land use/land cover (LULC) is receiving considerable attention in the prospective modeling domain. The study's purposes refers to analyze and predicte of LULC change by using Land Change Modeler and the neural network with an integrated Markov model in 2032. MLP neural network was used for generating LULC maps by using Landsat images from 2005 to 2014. The overall accuracy and kappa coefficients of the maps were up to 82%. The accuracy of transition potential modeling showed high accuracy more than 95.2% in all sub-models. According to the results, the most salient increase was in urban areas from 1529.38 ha in 2005 to 1837 ha in 2014. This ascending trend will continue in the future and will increase to 2856.31 ha of the total area by year 2003. In conclusion, the study revealed that such models were useful for recognizing the Spatio-temporal LULC change.
_||_