مطالعه تغییرکاربری و مدل سازی توسعه شهری با آتوماتای سلولی و الگوریتم ژنتیک در مشهد

الموضوعات :

حامد بیدل ¹ (کارشناس ارشد، گروه ارزیابی و آمایش سرزمین، دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران. (مسئول مکاتبات))
علی اصغر آل شیخ ² (استاد، گروه سامانه اطلاعات جغرافیایی، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.)
نعمت ا... خراسانی ³ (استاد، گروه محیط زیست، دانشکده منابع طبیعی، دانشگاه تهران، تهران، ایران.)
عالیه حاجی زاده ⁴ (دانشجوی کارشناسی ارشد، گروه هوش مصنوعی، دانشکده مهندسی، دانشگاه فردوسی، مشهد، ایران.)

تاريخ الإرسال : 29 الجمعة , شوال, 1436 تاريخ التأكيد : 07 الأحد , ذو الحجة, 1436 تاريخ الإصدار : 11 الأحد , جمادى الثانية, 1437

الکلمات المفتاحية: تغییر کاربری, توسعه شهری, مدلسازی, الگوریتم ژنتیک, مشهد.,

ملخص المقالة :

از مهمترین شاخص‌هایی که انسان از طریق آن محیط زیست خود را تحت تاثیر قرار داده کاربری زمین است. عموماً تغییر کاربری در سرزمین کنشی انسان ساخت و تغییر پوشش در سرزمین کنشی طبیعی است. به طور کلی تغییرات اقلیمی و عوامل تکنولوژیکی و اقتصادی مهم ترین عوامل تعیین کننده در تغییر کاربری در مقیاس‌های مختلف مکانی و زمانی هستند. مطالعه تغییرات کاربری/پوشش در هر تحقیق بسته به نیاز و هدف متفاوت است. به عنوان مثال تغییر از هر نوع کاربری/پوشش به کاربری شهری را اصولاً تحت عنوان توسعه شهری بررسی می‌کنند.

در تحقیق حاضر ابتدا به بررسی تغییر کاربری و پوشش شهر مشهد پرداخته شده است. سپس بر اساس تئوری‌ها و نتایج عملی پژوهش‌های پیشین، از فناوری‌ها و روش‌های به روز مانند سنجش از دور، آتوماتای سلولی و الگوریتم ژنتیک، توسعه شهری مشهد مدلسازی شده است. بررسی تغییر کاربری و پوشش محدوده شهر مشهد برای 3 دوره و یا 4 سالٍ 1984، 1992، 2001 و 2014 انجام شده است.

طبق نتایج رشد مناطق شهری طی 30 سال از 1984 تا 2014 حدود 20741 هکتار بوده است. این مقدار به طور متوسط برابر نرخ رشدی معادل 691 هکتار در هر سال میباشد. توسعه شهر نیز طی سال‌های 2001 و 2014 با آتوماتای سلولی مدلسازی و پارامترهای مدلسازی توسط الگوریتم ژنتیک کالیبره شده است.

بر اساس ارزیابی دقت، مدل به 87.4 درصد دقت کلی دست یافت. به این ترتیب این مدل برای شهر مشهد آزموده شد و کارایی خوبی از خود نشان داد. مدل قابلیت توسعه و بهبود بیشتر هم در زمینه تغییر کاربری و هم در زمینه توسعه شهری را دارا است.

 

المصادر:

1. Jantz CA, Goetz SJ, Shelley MK. Using the SLEUTH urban growth model to simulate the impacts of future policy scenarios on urban land use in the Baltimore-Washington metropolitan area. Environment and Planning B. 2004;31(2):251-72.
2. Helming K. Sustainability Impact Assessment of Land use Changes. Berlin, Heidelberg, New York: Springer; 2008. 507 p.
3. Lausch A, Herzog F. Applicability of Landscape Metrics for the Monitoring of Landscape Change: Issues of Scale, Resolution and Interpretability. Ecological Indicator. 2002:3-15.
4. Koomen E. Modelling Land- use Change: Progress and Applications: Springer; 2007. 392 p.
5. Agarwal C, Green GM, Grove JM, Evans TP, Schweik CM. A review and assessment of land-use change models: dynamics of space, time, and human choice. 2002.
6. Vitousek PM. Beyond global warming: ecology and global change. Ecology. 1994;75(7):1861-76.
7. Mc Gill R. Urban Management in Developing Countries. Cities. 1998;1(6).
8. ب. فز, ح. ع, خ. وک. استخراج کاربري هاي اراضی شهرستان ملکان با استفاده از تصاویر ماهواره اي ETM لندست 7 مجله آمایش. 1386;1(3):74-93.
9. Torrens PM, O'Sullivan D. Cellular automata and urban simulation: where do we go from here? Environment and Planning B: Planning and Design. 2001;28(2):163-8.
10. Veldkamp A, Fresco LO. CLUE: a conceptual model to study the Conversion of Land Use and its Effects. Ecological Modelling. 1996;85(2–3):253-70.
11. He C, Okada N, Zhang Q, Shi P, Li J. Modelling dynamic urban expansion processes incorporating a potential model with cellular automata. Landscape and Urban Planning. 2008;86(1):79-91.
12. رضازاده ر, ميراحمدی م. مدل اتوماسيون سلولي روشی نوين در شبيه سازی رشد شهري. نشريه علمي پژوهشي فناوري آموزش. 1388;4(1):47-55.
13. Parker DC, Manson SM, Janssen MA, Hoffman MJ, Deadman P. Multi-agent systems for the simulation of land use and land cover change: A review. Annals of the Association of American Geographers. 2003(93):314-37.
14. BALLING RJ, TABER JT, BROWN MR, DAY K. Multiobjective urban planning using genetic algorithm. Journal of Urban Planning and Development-ASCE. 1999;125(2):86-99.
15. COLONNA A, DISTEFANO V, LOMBARDO S, PAPINI L, RABINO GA. Learning urban cellular automata in a realworld. The case study of Rome Metropolitan Area. In: S. BANDINI, R. SERRA, and F. SUGGI LIVERANI (Eds.), Cellular Automata: Research Towards Industry: ACRI’98-Proceedings of the Third Conference on Cellular Automata for Research and Industry, Trieste, 7–9 October 1998. London; New York: Springer; 1998.
16. طيبي ا. پيشبيني و ارزيابي تغيير كاربري اراضي. تهران: دانشگاه تهران; 1388.
17. كامياب ح. مدلسازي توسعة فيزيكي شهر گرگان با استفاده از داده هاي سنجش از دور و رگرسيون لجستيك: دانشگاه تربيت مدرس; 1387.
18. حسينعلي ف, شيخ عاآ, نوريان ف. توسعة مدلي عامل-مبنا براي شبيه سازي گسترش كاربري اراضي شهري (مطالعه موردي: قزوين). مطالعات و پژوهشهاي شهري و منطقه اي. 1391;4(14):1-22.
19. ملکی د. مدلسازي توسعه شهري با استفاده از روش آتوماتاي سلولي. تهران: دانشگاه صنعتي خواجه نصيرالدين طوسي; 1389.
20. زارعی ر, شیخ عاآ. مدلسازي توسعه شهري با استفاده از اتوماسيون سلولي و الگوريتم ژنتيك (منطقه مورد مطالعه: شهر شيراز). پژوهش و برنامه ریزی شهری. 1391;3(11):1-16.
21. ایران مآ. نتايج سرشماري عمومي نفوس و مسکن 1385. In: جمهوری مبرونرر, editor. تهران: مرکز آمار ایران; 1393.
22. Benenson I, Torrens PM. Geosimulation: Automata‐Based Modeling of Urban Phenomena. England: John Wiley & Sons, Ltd.; 2004. null p.
23. Junfeng J. Transition Rule Elicitation for Urban Cellular Automata models. Case Study: Wuhan-China. The Netherlands: International institute for geo-information science and earth observation (ITC); 2003.
24. Sloot P. Cellular Automata 2000. Available from: http://carol.wins.uva.nl/sloot/CSS/CA.pdf.
25. Schatten A. Cellular Automata: Digital Worlds 1999. Available from: http://www.ifs.tuwien.ac.at/aschatt/info/ca/ca.html.
26. Rechenberg I. Evolutionsstrategie - Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. Reprinted by Fromman-Holzboog (1973)1971.
27. HOLLAND JH. Adaptation in Natural and Artificial Systems. Ann Arbor: University of Michigan Press; 1975.
28. Goldberg DE. Genetic algorithms in search, optimization and machine learning. 1st Ed. ed. New York: Addison-Wesley Publishing Company; 1989.
29. Chuang C-W, Lin C-Y, Chien C-H, Chou W-C. Application of Markov-chain model for vegetation restoration assessment at landslide areas caused by a catastrophic earthquake in Central Taiwan. Ecological Modelling. 2011;222(3):835-45.
30. رفيعي ر, ماهيني عس, خراساني نا. تعيين تغييرات كاربري اراضي به روش مقايسه پس از طبقه بندي تصاوير ماهواره هاي IRS و LandSat. مجله کاربرد سنجش از دور و GIS در علوم منابع طبیعی. 1390;2(3):53-63.