تغییرات کاربری اراضی و شبیه سازی رشد و توسعه شهری رشت با استفاده از مدل شبکه عصبی و سلول‌های خودکار زنجیره مارکوف

الموضوعات : فصلنامه علمی و پژوهشی پژوهش و برنامه ریزی شهری

داود اکبری ¹ , مینا مرادی زاده ² , محمد اکبری ³

1 - گروه نقشه برداری، دانشکده مهندسی، دانشگاه زابل، زابل، ایران
2 - گروه مهندسی نقشه برداری، دانشکده عمران و حمل و نقل، دانشگاه اصفهان
3 - گروه مهندسی عمران، دانشکده‌ فنی، دانشگاه بیرجند

تاريخ الإرسال : 16 الأربعاء , محرم, 1440 تاريخ التأكيد : 19 الجمعة , صفر, 1441 تاريخ الإصدار : 26 الثلاثاء , جمادى الأولى, 1441

الکلمات المفتاحية: کاربری اراضی, تصاویر ماهواره‌ای, شهر رشت, مدل شبکه عصبی, سلول‌های خودکار زنجیره مارکوف,

ملخص المقالة :

 امروزه با توجه به روند رو به رشد جمعیت در شهرها و روستاها و تمایل به زندگی شهری بیشترین تغییرات کاربری اراضی در نواحی شهری به وقوع می­پیوندد. توسعه سریع شهری در دهه­های اخیر موجب تغییرات وسیعی در الگوی کاربری زمین پیرامون شهرها شده و تأثیرات زیست­محیطی و اجتماعی–اقتصادی زیادی را به همراه داشته است. در این پژوهش با استفاده از تصاویر ماهواره­ای تغییرات کاربری اراضی و شبیه­سازی رشد و توسعه شهر رشت به کمک مدل شبکه عصبی و سلول­های خودکار زنجیره مارکوف انجام گرفت. برای این منظور از تصاویر سال­های 2000، 2008 و 2017 ماهواره لندست استفاده گردید. پس از پیش پردازش تصویر و انتخاب بهترین ترکیب باندی، تصاویر با روش شبکه عصبی طبقه­بندی شد. سپس تصاویر طبقه­بندی شده در مدل­ساز تغییرات زمین وارد گردید و نقشه­های خروجی مدل­ساز با روش CA-MARCOVE برای سال­ 2027 پیش­بینی شد. نتایج بدست آمده در فاصله زمانی 2000 تا 2017 نشان می­دهد که تغییرات مساحت در اراضی شهری، شالیزار و جنگل به ترتیب به­میزان 87/9041، 03/7841  و 78/55 هکتار بوده که میزان آن در شهر رشت مثبت و در شالیزار و جنگل منفی می­باشد و نقشه پیش­بینی سال 2027 با روش CA-MARCOVE نیز موید افزایش قابل توجه کاربری شهری به مقدار 04/14105هکتار در سال­های آتی است. نتایج این پژوهش نشان می‌دهند که ادامه روند فعلی تغییرات کاربری اراضی به نتایج مضر زیست‌محیطی و به‌تبع آن آسیب‌های اقتصادی- اجتماعی جبران‌ناپذیر می‌انجامد. بنابراین ضروری است دستگاه برنامه‌ریزی و مدیریت منطقه، رویکردی جامع برای جلوگیری از مشکلات زیست‌محیطی آتی و مهار توسعه افقی سکونتگاه‌ها در این منطقه در پیش گیرد.

المصادر:

Ahadnezhad, M. and S.A. Hosseini, (2011): The Evaluation and Predicting of Urban Sprawl using Multi-Temporal Satellite Imagery and GIS (A Case Study Tabriz City 1984-2010). Research and Urban Planning,  Vol. 2 , No. 4., pp. 1-20.

2. Aithal, B.H., V. Raok, and T.V. Ramachandra, (2014): Modeling and geo-visuisation of urban growth, Conference on conservation and sustainable management of wetland ecosystem in Western Ghats.

3. Akbari, M. and M.R. Rezaei, (2018): Assessment of Land Use Changes in the 3rd Zone of Isfahan Metropolis. Research and Urban Planning, Vol. 9, 34, pp. 93-104.

4. Ashari, E., A. Abdollahi, S. Karimzade and R. Azizi (2015): Study on urban land use change impacts on rural settlement strategy using automated cell model (case study city of Urmia). Journal of Geographical Space Preparation, Golestan University Scientific-Research Quarterly, pp. 161-151.

5. Dadashpoor, H. and A. Zarei, (2013): Forecasting of Urban Development Changes in Noshahr County Using Lucia Model. Research and Urban Planning,  Vol. 3 , No. 11, pp. 37- 58.

6. Esfahanizadeh, R. (2016): Urban Development Analysis Using Remote Sensing and Spatial Information System, Case Study: Lahijan City,MSc Thesis, Department of Civil Engineering, Department of Civil Engineering, Assistant Professor : Dr. Rahmatullah Farhudi.

7. Ganeshkumar B. and M. Mohan, (2014): Urban Sprawl Spatial Modeling using SLEUTH Model. International Journal of Geospatial Engineering and Technology, Vol. 1, No. 1, pp. 22 – 28.

8. Ma'boodi, M., T. Hakimi and H. Hakimi (2015): Analysis of Land Use Changes and Urban Sprawl Simulation in Mid-Sized Cities (Case Study: Khoy City). Urban Planning Geography Research, Vol. 3, No. 2, pp. 221-222.

9. Nazemfar, H. and J. Jafarzadeh (2019): Investigation of the Effectiveness of Satellite Image Classification Methods in Evaluating Urban Land Use Changes Using Scale Optimization in Object Oriented Processing (Case Study: Ardabil City). Journal of Research and Programming Urban Planning, Vol. 10, No. 36, pp. 117–128.

10. Richard, J.A. and X. jia, (2006): Rmeote sensing digital image analysis: An introduction 4th, springer, 439p.

11. Singh, A. (1989): Digital Change Detection Techniques Using Remotely Sensed Data. International Journal of Remote Sensing, 10(6), pp. 989-1003.

12. Triantakonstantis, D. and D. Stathakis, (2015): Urban Growth Prediction in Athens, Greece, Using Artificial Neural Networks. International Journal Civil structural Constr. Archit. Eng, 9, 193-197.

13. Vafaie, S., A.A. Darvishat and M. Pirboghar (2013): Monitoring and Forecasting of Land Use Spatial Changes Using the LCM Model (Case Study: Marivan Area). Iranian Forestry Journal, Iranian Forestry Association, Vol. 5, No. 3, pp. 323-336.

14. Wang, S., Q. Zheng, and X. Zang, (2012): Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences 13:1238–1245.

15. Xian, G. and M. Crane, (2014): Assessments of urbangrowth in the Tampa Bay watershed using remote sensing data. Journal of Remote Sensing of Environment. No 97.pp. 203-215.

16. Yuan, D., C.D. Elvidge, and R.S. Linetta, (2002): Survey of multi spectral methods for land cover change analysis. Remote Sensing Change Detection environmental monitoring methods and application, 43, pp. 24-33.

17. Zarabi, A., J. Alizadeh and H. Askari, (2012):  Analysis and Evaluation of Land Use in Small Rural-Towns using GIS Case Study: Rural-Town Of Aslandvz (In Ardebil Province).  Research and Urban Planning,  pp. 51-76.