مدلسازی رشد شهری بجنورد با استفاده از داد ه های سنجش از دور (بر اساس شبکه عصبی– مارکوف و مدلساز تغییرات زمین)

الموضوعات : فصلنامه علمی برنامه ریزی منطقه ای

مریم یوسفی ¹ , علی اشرفی ²

1 - دانشجوی دکتری محیط زیست و عضو باشگاه پژوهشگران جوان و نخبگان، واحد بیرجند، دانشگاه آزاد اسلامی، بیرجند، ایران
2 - عضو هیات علمی گروه جغرافیا و سنجش از دور، دانشگاه بیرجند، بیرجند، ایران

تاريخ الإرسال : 12 الأربعاء , محرم, 1436 تاريخ التأكيد : 12 الخميس , شعبان, 1437 تاريخ الإصدار : 13 الأربعاء , رجب, 1437

الکلمات المفتاحية: رشد شهری, زنجیره مارکوف, شبکه عصبی پرسپترون چند لایه, مدلساز تغییرات زمین, بجنورد,

ملخص المقالة :

      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.

المصادر:

1. کامیاب، حمیدرضا؛ ماهینی، عبدالرسول؛ حسینی، سید حمزه و مهدی غلامعلی فرد (1390): «کاربرد شبکه عصبی مصنوعی مدلسازی رشد شهری»، مجله پژوهش­های جغرافیای انسانی، شماره 76، تهران، صص 113-99.


2. حدادی، عطاالله؛ صاحبی، محمودرضا؛ مختارزاده، مهدی (1388): «ارائه روش ترکیبی از شبکه­های عصبی نضارت شده و نظارت نشده در طبقه بندی تصاویر سنجش ازدور»، مجله سنجش از دور و GIS ایران، شماره 30، صص 33-50.


3. غلامعلی فرد، مهدی؛ جورابچیان شوشتری، شریف؛ کهنوج، حمزه و محسن میرزایی (1391): «.مدلسازی تغییرات کاربری اراضی سواحل مازندران با استفاده از LCM  در محیط GID»، فصلنامه محیط شناسی، شماره 9، تهران، صص 124-109.


4. مرکز آمار ایران (1390): نتایج سرشماری نفوس و مسکن استان خراستان شمالی، تهران.
   
   
   1. Dendoncker, N. Roundsevell, and M. Bogaert, P. (2007): Spatial analysis and modeling of land use distributions in Belgium. Computers, Environment and Urban Systems, 31,p188–205.
   
   
   2. Eastman, J.R. (2012): IDRISI Selva Help System. Clark Labs, Clark University, Worcester
   
   
   3. Elena G. I. Jacqueline, G. (2001): Theory, data, methods: developing spatially explicit economic models of land use change , 85, pp : 7–24 , DOI: 10.1016/S0167-8809(01)00200-6
   
   
   4. Fang, S. George, Z. Gertnera, G. Z. Sun, Z. Andersonc, A. (2005): The Impact of Interactions in Spatial Simulation of the Dynamics of Urban Sprawl, Landscape and Urban Planning,N.73.
   
   
   5. Fkirin, M.A. Badwai, S.M. and Mohamed. S.A. (2009): Change Detection Using Neural Network with Improvement Factor in Satellite Images. American Journal of Environmental Sciences .6, pp: 706-713.
   
   
   6. Helmy, A.K and El-Taweel, Gh.S. (2010): Using Textural and Spectral Characteristics. American J. of Engineering and Applied Sciences, 4, pp: 604-610.
   
   
   7. Gobinda Roy, H.  Fox, M. D. Emsellem, K. (2014): Predicting Land Cover Change in a Mediterranean Catchment at Different Time Scales, B. Murgante et al. (Eds.): Springer International Publishing Switzerland, pp: 315–330.
   
   
   8. Li, X. & Yeh, A.G. (2002): Neural Network Based Cellular Automata for Simulating Multiple Land Use Changes Using GIS. International Journal of Geographical Information Science, 16, pp: 323–343.
   
   
   9. Lu, D.,Weng,Q.(2007): A survey of image classification methods and techniques for improving classification  performance. International Journal of Remote Sensing, 5, pp: 823–870.
   
   
   10. Jensen, J. R. (2005): Introductory digital image processing 3rd edition.
   
   
   11. Jokar Arsanjani, J. Kainz, W. and Mousivand, A. (2011): Tracking Dynamic Land Use Change Using Spatially Explicit Markov Chain Based on Cellular Automata: the Case of Tehran. International Journal of Image and Data Fusion, 2, pp: 329-345.
   
   
   12. Khoi, D.D. and Yuji, M. (2011): Modeling Deforestation Using a Neural Network-Markov Model, the GeoJournal Library, 100, pp: 169-190, DOI 10.1007/978-94-007-0671-2_11, C.
   
   
   13. Lippmann, R.P. (1987): An Introduction To Computing With Neural Networks,” IEEE. Acoustics,Speech, and Signal Processing Newsletter, 2 , pp: 4-22.
   
   
   14. Richards, J.A. (1999): Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin.
   
   
   15. Rumelhart, D.E. Hinton, G.E. Williams, R.J. (1986): Learning Internal Representation by Error Propagation, Parallel Distributed Processing, exploration in the microstructure of Cognition, 1:318-332.
   
   
   16. Mostapha, M.R. Lim, H.S, Mat Jafri, M.Z. (2010): Comparison of Neural Network and Maximum Likelihood Approaches in Image Classification .Journal of Applied Science, 22, pp: 2847-2854.
   
   
   17. M. Munsi, G. Areendran, and P. Joshi. (2012): Modeling spatio-temporal change patterns of forest cover: a case study from the Himalayan foothills (India). Reg. Environ. Change, 12, pp: 619-632.
   
   
   18. Maier, H, R. and Dandyg, C. (2001): Neural Network Based Modelling of Environmental Ariables: a Systematic Approach”, Mathematical and Computer Modelling. 6-7, pp: 669-682.
   
   
   19. Pontius, R.G. (2011): Material of the Workshop”Land Change Modeling: Calibration, Validation, Extrapolation, and Interpretation”. XIX Reunion Nacional SELPER-Mexico, 3e7 octubre, Morelia, Mich, Mexico.
   
   
   20. Pérez-Vega, A. Mas, J. Ligmann-Zielinska, A. (2012): Comparing two Approaches to Land Use/Cover Change Modeling and Their Implications for The Assessment of Biodiversity Loss in a Deciduous Tropical Forest. Environmental Modelling & Software, 29 ,pp; 11-23
   
   
   21. Roy, H.G. Fox, D.M. and. Emsellem, K. (2014): Predicting Land Cover Change in a Mediterranean Catchment at Different Time Scales. Lect Notes Comput Sc Springer. 5, pp: 315-330, [doi: 10.1007/978-3-319-09147-1_23].
   
   
   22. Song, C. Woodcock, C.E. Seto, K. C, Lenney,M.p. and Macomber, S. A.(2001):  Classification and Change Detection Using Landsat TM Data: When and How to Correct Atmospheric Effects?. REMOTE SENS. ENVIRON, 75, pp: 230–244.
   
   

5. Atkinson, P.M. Tattnall, A.R.L, (1997): Neural Networks in Remote Sensing. International Journal  of Remote Sensing, 4, PP: 699-709.


6. Carbajal, E. Crisanto, F.J. Aguilar, F., Aguera, M. A. (2006): Green House Detection Using Neural Network With a Very High Resolution Satellite Image. ISPRS Technical Commission II Symposium, pp: 37-42.


7. Cheng, J. Masser, I. and Ottens, H, (2001): Understanding Urban Growth System: Theories and Methods”, Department of Urban and Regional Planning, ITC Institute, Netherlands.


8. Civco, D. L. Waug, Y. (1994): Classification of multi-spectral, multi- temporal multi-source spatial data using artificial neural networks. In: Proceeding of the ASPRS. Annual Convention, Reno, NV, USA, Pp: 123–133. 


9. Dai, X.L. and. Khorram, S. (1999): Remotely sensed change detection based on artificial neural Networks. Photogrammetric Engineering & Remote Sensing, 10, pp: 1187-1194.