مدل سازی توسعه کالبدی شهر رشت با روشهای مبتنی بر محاسبات نرم
غلامرضا میری
1
(
استادیار گروه جغرافیا و برنامه ریزی شهری، واحد زاهدان، دانشگاه آزاد اسلامی، زاهدان، ایران
)
پرویز رضائی
2
(
دانشیار گروه جغرافیا ، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
)
رضا زارعی
3
(
استادیار گروه آمار، دانشکده ریاضی، دانشگاه گیلان، گیلان، ایران
)
طلا عابدی
4
(
دانشجوی دکترای جغرافیا و برنامه ریزی شهری، واحد آستارا ،دانشگاه آزاد اسلامی،آستارا، ایران
)
کلید واژه: شهر رشت, مدل سازی, توسعه کالبدی شهری, محاسبات نرم,
چکیده مقاله :
مقدمه: رشد سریع جمعیت و شهرنشینی پدیده ای انکارناپذیر است. هنگامیکه شهرها از نظر اندازه و تعداد جمعیت رشد میکنند، هماهنگی میان توسعه کالبدی شهر و رشد جمعیت بسیار حائز اهمیت است(دانه کار و همکاران،1400). با کمک گرفتن از روشهای مبتنی بر محاسبات نرم از جمله شبکه های عصبی مصنوعی و ماشین بردار پشتیبان می توان جهات توسعه شهری سالهای آتی را پیش بینی کرد. هدف پژوهش: هدف این پژوهش مدلسازی توسعه شهر رشت طی بیست سال اخیر و پیشبینی جهات توسعه این شهر تا سال 2032 می-باشد. روش شناسی تحقیق: با استفاده از تصاویر ماهوارهای ETM+ لندست 7 و8 سالهای 2002، 2012 و 2021 شهر رشت و با نرم افزار GIS تصاویر با ترکیب باندی مناسب آماده و سپس با استفاده از دو روش شبکه های عصبی مصنوعی و ماشین بردار پشتیبان تصاویر طبقهبندی شدهاند. شاخصهای در نظر گرفته شده برای مدل همسایگی مناطق شهری، فاصله از نقاط شهری، فاصله تا مناطق مرکزی شهر و فاصله تا خیابانها و راههای اصلی میباشند. قلمروجغرافیایی پژوهش: شهر رشت، مرکز استان گیلان و در ۴۹ درجه و ۳۵ دقیقه و ۴۵ ثانیه طول شرقی و ۳۷ درجه و ۱۶ دقیقه و ۳۰ ثانیه عرض شمالی از نصف النهار گرینویچ قرار دارد و مساحت آن حدود ۱۰۲۴۰ هکتار میباشد. یافته ها و بحث: در این مدل در مرحله اول مدل با اعمال چهار شاخص ورودی بر تصاویر سال 2002 شهر رشت و مقایسه با تصاویر 2012 به یک تابع فعال ساز دست یافت و در مرحله دوم تست شبکه با ورودی تصاویر 2012 و خروجی 2021 شهر رشت انجام شد. در مرحله آخر تابع پیش بین تصاویر 2032 شهر رشت را ارائه کرده است. نتایج: مدل شبکه عصبی مصنوعی در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که این عددها میتواند قابل قبول باشد. مدل ماشین بردار پشتیبان نیز توانسته است برای پیشبینی توسعه شهر رشت در سال 2012، 4/96 درصد و برای سال 2021، 3/95 درصد برآورد درستی داشته باشد که نسبت به مدل شبکه عصبی مصنوعی نتایج دقیق تر را ارائه نموده است.
چکیده انگلیسی :
The rapid growth of population and urbanization is an undeniable phenomenon. When cities grow in terms of size and population, coordination between the physical development of the city and population growth is very important . With the help of methods based on soft computing, including artificial neural networks and support vector machines, it is possible to predict the directions of urban development in the coming years. The purpose of this research is to model the development of Rasht city in the last twenty years and predict the directions of development of this city until 2032. By using ETM+ Landsat 7 and 8 satellite images of 2002, 2012 and 2021 of Rasht city and with GIS software, images with suitable band composition are prepared and then using two methods of artificial neural networks and support vector machine for floor images. are grouped The indicators considered for the neighborhood model of urban areas are distance from urban points, distance to central areas of the city, and distance to main streets and roads. Rasht city, the capital of Gilan province, is located at 49 degrees 35 minutes 45 seconds east longitude and 37 degrees 16 minutes 30 seconds north latitude from the Greenwich meridian, and its area is about 10,240 hectares. In this model, in the first stage of the model, an activation function was achieved by applying four input indicators to the images of 2002 and comparing them with the images of 2012, and in the second stage, the network test was performed with the input of images of 2012 and the output of 2021 of Rasht city. In the last stage, the prediction function has provided 2032 images of Rasht city. The artificial neural network model has a correct estimate of 95.9% in 2012 and 93.8% for 2021, so these numbers can be acceptable. The support vector machine model has been able to predict the development of Rasht city in 2012 by 96.4% and for 2021 by 95.3%, which has provided more accurate results than the artificial neural network model.
Vol., Issue, , pp. - ISSN (Print): 2538-5968 ISSN (Online): 2538-595X
Research Article: Dor:
Modeling the Physical Pevelopment of Rasht City with Methods Based on Soft Computing
Receive Date:
Accept Date:
ABSTRACT
Introduction: The rapid growth of population and urbanization is an undeniable phenomenon. When cities grow in terms of size and population, coordination between the physical development of the city and population growth is very important . With the help of methods based on soft computing, including artificial neural networks and support vector machines, it is possible to predict the directions of urban development in the coming years.
Goal: The purpose of this research is to model the development of Rasht city in the last twenty years and predict the directions of development of this city until 2032.
Methodology: By using ETM+ Landsat 7 and 8 satellite images of 2002, 2012 and 2021 of Rasht city and with GIS software, images with suitable band composition are prepared and then using two methods of artificial neural networks and support vector machine for floor images. are grouped The indicators considered for the neighborhood model of urban areas are distance from urban points, distance to central areas of the city, and distance to main streets and roads.
Geographical area of research: Rasht city, the capital of Gilan province, is located at 49 degrees 35 minutes 45 seconds east longitude and 37 degrees 16 minutes 30 seconds north latitude from the Greenwich meridian, and its area is about 10,240 hectares.
Results and discussion: In this model, in the first stage of the model, an activation function was achieved by applying four input indicators to the images of 2002 and comparing them with the images of 2012, and in the second stage, the network test was performed with the input of images of 2012 and the output of 2021 of Rasht city. In the last stage, the prediction function has provided 2032 images of Rasht city.
Conclusion: The artificial neural network model has a correct estimate of 95.9% in 2012 and 93.8% for 2021, so these numbers can be acceptable. The support vector machine model has been able to predict the development of Rasht city in 2012 by 96.4% and for 2021 by 95.3%, which has provided more accurate results than the artificial neural network model.
KEYWORDS: Modeling,Urban Physical Development, Soft Computing, Rasht City
فصلنامه علمی مطالعات برنامهریزی سکونتگاههای انسانی
دوره ، شماره (پیاپی)، ....
شاپای چاپی 5968- 2535 شاپای الکترونیکی X595- 2538
http://jshsp.iaurasht.ac.ir
صص.
مقاله پژوهشی Dor:
مدل سازی توسعه کالبدی شهر رشت با روشهای مبتنی بر محاسبات نرم
تاریخ دریافت:
تاریخ پذیرش:
چکیده
مقدمه: رشد سریع جمعیت و شهرنشینی پدیده ای انكارناپذیر است. هنگامیكه شهرها از نظر اندازه و تعداد جمعیت رشد میکنند، هماهنگی میان توسعه کالبدی شهر و رشد جمعیت بسیار حائز اهمیت است. با کمک گرفتن از روشهای مبتنی بر محاسبات نرم از جمله شبکه های عصبی مصنوعی و ماشین بردار پشتیبان می توان جهات توسعه شهری سالهای آتی را پیش بینی کرد.
هدف پژوهش: هدف این پژوهش مدلسازی توسعه شهر رشت طی بیست سال اخیر و پیشبینی جهات توسعه این شهر تا سال 2032 میباشد.
روش شناسی تحقیق: با استفاده از تصاویر ماهوارهای ETM+ لندست 7 و8 سالهای 2002، 2012 و 2021 شهر رشت و با نرم افزار GIS تصاویر با ترکیب باندی مناسب آماده و سپس با استفاده از دو روش شبکه های عصبی مصنوعی و ماشین بردار پشتیبان تصاویر طبقهبندی شدهاند. شاخصهای در نظر گرفته شده برای مدل همسایگی مناطق شهری، فاصله از نقاط شهری، فاصله تا مناطق مرکزی شهر و فاصله تا خیابانها و راههای اصلی میباشند.
قلمروجغرافیایی پژوهش: شهر رشت، مرکز استان گیلان و در ۴۹ درجه و ۳۵ دقیقه و ۴۵ ثانیه طول شرقی و ۳۷ درجه و ۱۶ دقیقه و ۳۰ ثانیه عرض شمالی از نصف النهار گرینویچ قرار دارد و مساحت آن حدود ۱۰۲۴۰ هکتار میباشد.
یافته ها و بحث: در این مدل در مرحله اول مدل با اعمال چهار شاخص ورودی بر تصاویر سال 2002 شهر رشت و مقایسه با تصاویر 2012 به یک تابع فعال ساز دست یافت و در مرحله دوم تست شبکه با ورودی تصاویر 2012 و خروجی 2021 شهر رشت انجام شد. در مرحله آخر تابع پیش بین تصاویر 2032 شهر رشت را ارائه کرده است.
نتایج: مدل شبکه عصبی مصنوعی در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که این عددها میتواند قابل قبول باشد. مدل ماشین بردار پشتیبان نیز توانسته است برای پیشبینی توسعه شهر رشت در سال 2012، 4/96 درصد و برای سال 2021، 3/95 درصد برآورد درستی داشته باشد که نسبت به مدل شبکه عصبی مصنوعی نتایج دقیق تر را ارائه نموده است.
کلید واژه ها: مدل سازی، توسعه کالبدی شهری، محاسبات نرم، شهر رشت
مقدمه
تحولات اجتماعی- اقتصادی بعد از نوزایی، جنبشهای اصلاحگرایی و سپس انقلاب صنعتی دگرگونیهای عظیمی در ساختار فضایی و مکانی جهان و کشورهای اروپایی و آمریکایی بهجای گذاشتند (نظریان،17:1398). در ایران نیز پراکنده رویی شهری شکل غالب رشد و توسعه شهری به شمار می رود. زمین به عنوان یک منبع کمیاب و نقطه کانونی راهبرد توسعه پایدار سکونتگاههای شهری می باشد(کیانی و سالاری،21:1399). افزایش تدریجی نابرابری ها شرایط زندگی بین نقاط شهری و روستایی از دهه 1340به این طرف جریان مهاجرت های روستا به شهر را در کشور بوجود آورد (پوررمضان و علینقی پور،102:1393). هنگامیكه شهرها از نظر اندازه و تعداد جمعیت رشد میکنند، هماهنگی میان توسعه کالبدی شهر و رشد جمعیت بسیار حائز اهمیت است(دانه کار و همکاران،1400). از اینرو کنترل پیچیدگیهای توسعه شهری نیازمند در نظر گرفتن وابستگی متقابل بین عوامل مختلف برای مدلسازی گسترش شهری است (Pijanowski et al.,2009:498). به منظور حفظ تناسب، تعادل و توازن در شهر لازم است کوششها و مطالعات اساسی و مفیدی به منظور آشنایی با شهر و شناخت نارسائی ها و کمبودها در نقاط مختلف شهری صورت گیرد(مولائی هشتجین و همکاران:1395،2).
مدلها نمادی از واقعیت هستند که پیچیدگیهای دنیای واقعی را بهصورتی ساده و کلی بیان میکنند. در واقع مدل برداشتی از واقعیت است، برای توضیح مفاهيم و تقلیل پیچیدگیهای جهان، بهطوری که قابل درک بوده و ویژگیهای آن را به راحتی بیان کند، بهکار میرود. از آنجا که رشد شهری پدیدهای پیچیده است و در آن تعدادی از متغیرها با هم تعامل غیرخطی دارند، استفاده از روشهای مبتنی بر مدل فازی برای مدل کردن توسعه و رشد شهری کاملا منطقی است(کامیاب و سلمان ماهینی،126:1397).
در سالهای اخیر، روشهای مبتنی بر هوش مصنوعی توجه زیادی را در مدلسازی شهری به خود جلب کرده است. این روشهای هوشمند مانند شبکه‌های عصبی مصنوعی (ANN)1، ماشین بردار پشتیبان(SVM)2، منطق فازی و الگوریتم‌های فرا ابتکاری ابزارهای محبوبی هستند، زیرا میتوانند با مسائل مهندسی پیچیده‌ای که حل آنها با روشهای کلاسیک دشوار است، مقابله کنند. این روشها در بسیاری از زمینههای فضایی مانند مدلسازی شهری استفاده میشوند (منهاج،148:1397). ماشین بردار پشتیبان یکی از روشهای یادگیری ماشین است که از تئوری یادگیری آماری سرچشمه میگیرد و از آن برای کلاسه سازی و رگرسیون استفاده می گردد. این روش از جمله روشهای نسبتاً جدیدی است که در سالهای اخیر کارایی خوبی برای کلاسه سازی نسبت به روشهای قدیمی تر از جمله شبکه های عصبی نشان داده است (Gupta s et al.,2011,95).
سالتانا و همکاران (2019) در تحقیقی، ترکیب جدید از معیارهای مناسب برای ارزیابی واقعی‌تر دقت مدل برای پیشبینی سلولهای زمین ساخته‌شده و ساخته نشده و همچنین سلولهای زمین تغییر یافته و بدون تغییر در کل منطقه مورد مطالعه استفاده کردند. اجرای مدل توسعه یافته در شهرستان گیلفورد، طی دوره 2001-2011، به عنوان یک مطالعه موردی، نتایج بسیار دقیق و قابل اعتمادی را نشان داد. بهترین عملکرد مدل با دقت آموزشی 98 درصد و دقت آزمون 85 درصد بوده است. مدل گسترش شهری مبتنی بر روش SVM توانسته است دقت پیشبینی را به میزان قابل توجهی بهبود بخشد و برای ایجاد برنامه‌ها و سیاست‌های مناسب برای کاهش اثرات نامطلوب گسترش شهری مفید باشد(Sultana et al.,2019). پتروویچ و همکاران (2015) در یک پژوهش مجموعه داده های جغرافیایی شامل 9 کلاس کاربری زمین و ویژگی های فضایی برای شهرداری زمون، جمهوری صربستان برای سال های 2001، 2003، 2007 و 2011 استفاده کردند و شبیه سازی کاپا برای انجام ارزیابی مدل و مقایسه خروجی های مدل با مجموعه داده های کاربری واقعی زمین استفاده شد. نتایج به‌دست‌آمده نشان میدهد که مدلهای مبتنی بر SVM هنگام اجرای نمونه‌گیری متوازن داده‌ها، کاهش مجموعه داده‌ها به زیرمجموعه‌های اطلاعاتی از ویژگی‌ها و شناسایی صحیح پارامترهای یادگیری بهینه، بهتر عمل میکنند(Petrović et al.,2015). حقیقی خمامی و عبدلی (1399) در نتایج پژوهش گزارش دادند که الگوريتم ماشين بردار پشتيبان به ترتيب با دقت کل و ضريب کاپا، ٨٦/٤٢ و ٠/٨٣ براي سال ٢٠٠٠ و ٩٠/٦٥ و ٠/٨٨ براي سال ٢٠١٧، در مقايسه با الگوريتم شبکه عصبي مصنوعي به ترتيب با دقت کل و ضريب کاپا، ٨٣/٧١ و ٠/٨٠ براي سال ٢٠٠٠ و دقت کل و ضريب کاپا، ٨٩/٢٥ و ٠/٨٧ براي سال ٢٠١٧، تصاوير ماهواره اي را بهتر طبقه بندي کرده است ؛ بنابراين ، از نقشه هاي کاربري اراضي حاصل از الگوريتم ماشين بردار پشتيبان جهت بررسي تغييرات کاربري استفاده شد(Haghighi et al.,2020). حاجی بابائی و ذاکر حقیقی (1396) در نتایج حاصل از آزمون مدل نشان دادند مدل تلفیقی رگرسیون بردار ماشین و سلولهای خودکار فازی قادر است با رفع پیچیدگی های اطلاعاتی و ابهامات ناشی از تحولات کالبدی شهر، مدلی مناسب برای تحلیل تحولات توسعه ای در گذشته و پیش بینی جهات و میزان تغییرات کاربری فراهم آورد. در ادامه نتایج نشان می دهد در شهر همدان مساحت اراضی ساخته شده در شهر تا سال ۲۰۴۰ افزایش یافته و احتمالا مساحت این پهنه به حدود ۶۳۵۰ هکتار برسد و رفته رفته مساحت اراضی باغستان نیز کمتر شود(Hajibabaee et al.,2017). مختاری و نجفی (1393) دو روش طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی را در استخراج کاربری های اراضی با استفاده از تصاویر ماهواره لندست با هم مقایسه کردند این پژوهش که در حوضه آبخیز رودخانه های چشمه کلیه چالکرود انجام شده نتایج به دست آمده نشان داد که روش ماشین بردار پشتیبان با اختلاف ۱ درصد در دقت کلی و ۲ در صد در ضریب کاپا بهتر از روش طبقه بندی شبکه عصبی بوده است (Mokhtari et al.,2014). آرخی و ادیب نژاد (1390) از الگوریتم های SVM برای طبقه بندی کاربری اراضی در حوزه سد ایلام با استفاده از داده های ETM لندست استفاده نمود در این مطالعه طبقه بندی با استفاده از روش ماشین بردار پشتیبان، به صورت خودکار و با استفاده از چهار نوع کرنل خطی چند جمله ای شعاعی و حلقوی صورت گرفت. نتایج نشان داد که الگوریتم SVM با کرنل خطی و شعاعی دقت بالاتری نسبت به کرنل های دیگر و روش طبقه بندی حداکثر احتمال دارد. (Arkhi et al.,2011).
در بعد نظری حاکم در این پژوهش میتوان اینطور آغاز کرد که مدلها و تئوری های مختلفی از اوایل قرن نوزدهم میلادی برای توسعه شهری ارائه شده است. یکی از دست آوردهای «نظریه عمومی سیستم ها» استفاده از روش شبیه سازی و مدل سازی برای مطالعه سیستم ها و مداخله در آنهاست. بـر ایـــن اساس، در دهه ۱۹۶۰ در غرب نوعی برنامه ریزی سیستمی به وجود آمد که اساس آن بر شبیه سازی واقعیت به صورت یک مدل است که از طریق آن رفتار یک سیستم خاص در جهت اهداف مورد نظر هدایت می شود. اهداف مدل سازی به طور کلی عبارت است از شناخت دقیق ساختار و عملکرد یک سیستم به منظور کمک به حل مشکلات آن و در نهایت اصلاح یا بازسازی سیستم. مدل ها بر اساس اهداف مختلف مورد نظر به چند نوع اصلی تقسیم می شوند مدلهای شناختی (توصیفی)، مدل های پیش بینی کننده مدلهای تصمیم گیری و مدلهای هنجاری(ایران زاده:1393،163). از دیدگاه نظریه سیستم ها، شهر یک سیستم اجتماعی پویا و باز است که در آن سه سطح حرکت مکانیکی، زیستی و اجتماعی در هم آمیخته و بـا انــواع فرا سیستمها و زیر سیستمهای متعدد در ارتباط است. از این نظر، شناخت کامل سیستم شهر و پیش بینی کل تحولات و تغییرات آن و برنامه ریزی دقیق و کامل برای تمام عناصر و اجزای آن تقریباً غیر ممکن است. بنابراین، شناخت شهر و تحولات آن محدود بـه عرصه های زیر می شود: 1-شناخت و تحليل عناصر اصلی(ساختاری) شهر، 2-شناخت و تحلیل ارتباطات اصلی شهر با سیستمهای مرتبط دیگر، 3-تبدیل برنامه ریزی خطی به یک فرآیند چرخه (حاتمی نژاد و بهبودی مقدم،104:1397).
در راستای نظریههای رشد کالبدی شهر میتوان به ساخت دوایرمتحدالمرکز ارنست برگس، ساخت قطاعی هومر هویت، ساخت چند هستهای ادوارد اولمن وچانسی هاريس و ساخت ستارهای شکل نظریه کوین لینچ اشاره کرد. در نظریه کوین لینچ مسیرهای حمل و نقل، خیابان ها، خطوط آهن و بزرگراه ها تحت تأثیر عوامل نامنظم و ناهنجار طبیعی در شهرها و اطراف آنها ساخته میشوند. این راهها معمولاً در شکل شعاعی به وجود می آیند و تعداد محدودی نیز به حداکثر ظرفیت و کشش واقعی می رسند. به همراه دگرگونی هایی که در نتیجه عملکرد امکانات حمل و نقل در سطوح شهری مشاهده می شود، شکل دایره ای مناطق متحدالمرکز، نظریه ارنست برگس، تعدیل می یابد و به شکل شعاعی یا ستاره ای در می آید و توسعه شهر، ساختار ستاره ای به شهر میبخشد (شکوئی،145:1386). فون تانن نخستين تلاش براي شرح الگوهاي مكاني ساخت فضایی شهر را انجام داده است. وی شهر بزرگی را به تصویر میکند که با دشتی بزرگ که حاصلخیزی یکنواختی دارد، احاطه شده است. هزینههای حمل ونقل اهمیت بسیاری دارند. در نظریه ساخت عمومی شهررابرت دیکنسون محدوده شهر به سه منطقه تقسیم میشود. منطقه مرکزی: در این منطقه مرکز شهر و بخش قدیمی آن قرار گرفته است و در آن حداکثر تراکم ساختمانهای بلند و ترافیک دیده می شود. منطقه میانی :تراکم ساختمانهای مسکونی بالا و مردم کم درآمد سکونت دارند و بخش پژمرده شهر است. منطقه بیرونی: این منطقه ساختمانهای مسکونی با تراکم کمتر، با توجه به اعتبار اجتماعی مردم آپارتمانها و ساختمانهای چند طبقه ایجاد میشود.
شهر رشت نیز یکی از شهرهای بزرگ ایران و بزرگترین نقطه شهری جلگه شمال در حاشیة جنوبی دریای خزر است که در چند دهه اخیر دستخوش پویش فضایی و رشد کالبدی و جمعیتی شتابان شده است(علی اکبری و همکاران،964:1401). این شهر در حال حاضر به 5 منطقه و 15 ناحیه شهری تقسیم شده است و طی 60 سال اخیر بالغ بر 400 هزار نفر افزایش جمعیت داشته است. شهر رشت با داشتن جاذبه های طبیعی و توریستی و به عنوان یکی از قطب های جاذب جمعیت در کشور به دلیل تغییرات جمعیت و مسائلی مانند مهاجرت، طی سالهای اخیر شاهد ساخت و سازهای بی برنامه و تغییرات زیادی در ساختار فضایی شهر و گسترش آن در زمین های کشاورزی اطراف شده است. این امر لزوم برنامه ریزی و هدایت آگاهانه، سازماندهی اساسی و طراحی مناسب را به منظور جلوگیری از توسعه کالبدی ناهمگون این شهر افزایش داده است. از اهداف این پژوهش ارائه یک مدل پیش بین و تعیین جهت بهینه ی توسعه کالبدی آتی شهر رشت با استفاده از واسنجی مدل های مبتنی بر هوش مصنوعی می باشد. برای رسیدن به این اهداف روند توسعه شهری شهر رشت بر اساس مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان مورد بررسی قرار گرفته و نتایج به دست آمده از این دو روش با یکدیگر مقایسه شده است تا توانایی هر یک از مدل ها در پیش بینی توسعه ی آتی شهر تا سال 2032 را مورد ارزیابی قرار دهیم. استنباط در این زمینه میتواند به برنامهریزی مدیران شهری، نظم بخشیدن به ارائه خدمات شهری به شهروندان در مسیر توسعه کالبدی شهر و دست یافتن به توسعه پایدار شهری کمک کند.
شکل1: مدل مفهومی پژوهش(منبع:محقق ساخته)
روش شناسی پژوهش
این پژوهش براساس هدف مورد نظر، کاربردی بوده و در آن بنا بر ماهیت بررسی، از دو روش توصیفی و تحلیلی استفاده شده است. در انجام پژوهش، بخش توصیفی با مطالعات اسنادی و کتابخانه ای به دست آمده است. در بخش کمی ابتدا از نرم افزار GIS جهت آماده سازی و اعمال ترکیب باندی مناسب روی تصویر ماهواره ای استفاده گردید و سپس پردازش تصاویر و اجرای مدل ماشین بردار پشتیبان با کد نویسی در محیط نرمافزار MATLAB نسخه 11.0 انجام گرفته و سپس نتایج به دست آمده تجزیه و تحلیل شده است.
برای فراهم کردن داده ها در مراحل مختلف پیاده سازی ، از تصاویر ماهواره ای استفاده شده است. در مرحله ی آماده سازی این پژوهش، از تصاویر ماهواره ای LANDSAT در سه مقطع زمانی 2012،2002 و 2021 استفاده شده است. پایگاه USGS این تصاویر را به صورت زمین مرجع و با تصحیحات هندسی و رادیومتریک به طور رایگان در اختیار کاربران قرار میدهد. این امر در راستای اهداف کلی پروژه ناسا برای فراهم آوردن مجموعه ای از تصاویر با تفکیک پذیری مکانی، طیفی و زمانی چندگانه و در نتیجه مناسب برای تجزیه و تحلیل پوشش و کاربری زمین ها است. جدول 1 مشخصات تصاویر مورد استفاده در این پژوهش را نشان میدهد.
جدول1: مشخصات تصاویر ماهواره لندست از شهر رشت در سالهای 2012،2002 و 2021(منبع:پایگاه USGS )
سیستم تصویر | سطح مبنا | ماهواره | قدرت تفکیک مکانی | قدرت تفکیک رادیومتریک | نوع سنجنده | تاریخ تصویر برداری |
UTM Zone 39 | WGS-84 | LANDSAT7 | 30 | 8 | ETM+ | Aug 28 2002 |
UTM Zone 39 | WGS-84 | LANDSAT7 | 30 | 8 | ETM+ | Aug 28 2012 |
UTM Zone 39 | WGS-84 | LANDSAT8 | 30 | 8 | ETM+ | Aug 28 2021 |
در بخش تحلیلی برای تشخیص مدل توسعه شهری یک شهر نیاز به مدلهای مبتنی بر هوش مصنوعی می باشد. بهتر است قبل ورود به این مبحث مفاهیم اولیه آن همچون شبکه منظم سلولی، مجموعه وضعیت ممکن برای هر سلول، همسایگی، قوانین انتقال و زمان معرفی شود.
الف) شبکه ی منظم سلولی: این فضای منظم در واقع از سلول های مستقل تشکیل شده است. از نظر تئوری این سلول ها می توانند اشکال هندسی متفاوتی داشته باشند ولی در داده های با ساختار رستر که عمدتا به عنوان یکی از پرکاربرد ترین ساختار داده در سیستم های اطلاعات مکانی در نظر گرفته می شود، اشکال سلول ها مربعی می باشد. شکل 2 برخی از شبکه های تشکیل دهنده ی فضای خودکاره های سلولی را نشان می دهد.
شکل2: نمایش سلولهای مثلثی، شش ضلعی و مربعی تشکیل دهنده شبکه منظم سلولی(منبع:مهناج،محمد باقر 1397)
ب) مجموعه وضعیت های ممکن برای هر سلول: هر سلول در شبکه منظم سلولی ذکر شده وضعیتی از وضعیت های موجود را داشته باشد. به عنوان مثال در منطقه ای که سه نوع کاربری شهری، فضای سبز و راه وجود دارد، مقادیر ۱، ۲ و ۳ می تواند معرف سه کاربری ذکر شده در دادهی رستری مربوط به آن منطقه باشد. شکل 3 نمایش یک نمونه از مجموعه وضعیت های ممکن برای سلول ها را نشان میدهد.
شکل 3: مجموعه وضعیت های ممکن برای سلول (منبع:مهناج،محمد باقر 1397)
پ) همسایگی: وضعیت هر سلول وابسته به وضعیت و ترکیب سلول های دیگری است که در همسایگی آن سلول قرار گرفته اند. همسایگی به مجموعه سلول های مجاور آن سلول و نحوه آرایش و قرار گیری آن سلولها گفته می شود. همسایگی به دو صورت یک بعدی و دو بعدی قابل تعریف می باشد. در مورد تعریف همسایگی در فضای شبکه عصبی دو بعدی، ساختارهای زیادی قابل تعریف می باشد.هر چند معمول ترین روش، همسایگی Moore می باشد.
شکل4 : نمایش همسایگی های مختلف در مدل شبکه عصبی دو بعدی (منبع:شاهمرادی،سعید 1398)
ت) قوانین انتقال: این قوانین وضعیت آتی هر سلول در مرحله بعد را بر اساس وضعیت فعلی و همچنین وضعیت سلول های مجاور در همسایگی تعریف شده، مشخص خواهد نمود.
ث) زمان: زمان بیانگر کمترین بازه ی زمانی لازم به منظور تغییر وضعیت سلول می باشد. زمان در مدل اتوماتای سلولی بطور گسسته تعریف می شود.
شبکه های عصبی ابزار قدرتمندی هستند که درک الگو در آنها از طریق قوانین یادگیری صورت می گیرد و ارتباط بین ورودی و خروجی از طریق عددی برقرار می شود. این شبکه ها شامل واحدهای پردازشی ساده می باشند که به صورت پیچیده به یکدیگر متصل می باشند.کوچکترین واحد مدل در شبکه عصبی یک گره می باشد که خروجی آن یک سیگنال است. اولین نوع این شبکه ها به شبکه پرسپترون منسوب هستند که ساده ترین نوع آن پرسپترون ساده و نوع پرکاربرد آن پرسپترون چند لایه (MLP) می باشد(رستمی،170:1397). این شبکه دارای چند لایه بین لایه های ورودی و خروجی است که به آنها لایه های پنهان می گویند.
|
شکل 5 : ساختار شبکه های عصبی مصنوعی بکار رفته جهت توسعه شهری شکل6 : خروجی یک عصب مصنوعی
(منبع:شاهمرادی،سعید 1398) (منبع:شاهمرادی،سعید 1398)
همانطور که مغز انسان نیاز به آموزش دارد، یک شبکه عصبی مصنوعی نیز برای انجام کاری خاص باید آموزش ببیند. این کار از طریق تنظیم نمودن ارتباطات(وزن ها) بین نرون ها و با مقایسه بین ورودی و خروجی آنها در فرایندی تکراری انجام می شود. تا جایی که خروجی شبکه با خروجی مورد نظر برابر شود (سلحشوری،112:1393).
روش معمول جهت یادگیری در شبکه عصبی مصنوعی، الگوریتم انتشار بازگشتی می باشد. این الگوریتم به صورت تصادفی وزن های اولیه ای انتخاب کرده و سپس خروجی محاسبه شده را برای مشاهدات مورد نظر با واقعیت مقایسه می کند. تفاضل بين خروجی محاسبه شده و خروجی واقعی با بکارگیری روش مجذور میانگین مربع خطاها به دست می آید. بعد از این مرحله وزنها برطبق روش قانون دلتا بهبود می یابند(ramelhurt,1986:345). در نتیجه خطای کلی شبکه در بین گره های مختلف در شبکه توزیع می شود. فرآیند باز خورد سیگنال و انتشار بازگشتی خطاها تا آنجا تکرار می شود که خطا به سطحی پایدار برسد.
همانطور که در شکل 5 مشخص شده، این شبکه از سه لایه که موسوم به شبکه پرسپترون می باشد، تشکیل شده است. این شبکه طوری طراحی شده است که رابطه مجهول بین ورودی ها و خروجی ها را از طریق تعیین وزن هر اتصال با استفاده از قانون یادگیری تعیین میکند. کار در این روش با طراحی شبکه، تعیین ورودی و خروجی ها شروع می شود. سپس بخشی از داده ها برای آموزش شبکه مورد استفاده قرار می گیرد و بعد از آن تست شبکه مورد نظر با بخش دیگری از داده ها صورت می گیرد. در مرحله آخر، اطلاعات لازم یعنی بایاس ها و وزنها از شبکه استخراج شده و از آن جهت پیش بینی توسعه شهری استفاده می شود(سلحشوری،19:1393).
وزن بین گره ها در یک شبکه عصبی قابل تغییر است و در واقع با تغییر این وزنها است که شبکه قادر است تا در نهایت خروجی صحیح را تولید نماید. به روند تغییر وزنها و رسیدن به مقادیر صحیح پارامترها، آموزش شبکه اطلاق می شود. شبکه های عصبی به طور کلی از دو نوع الگوریتم آموزش با نظارت و آموزش بدون نظارت استفاده می کنند. در آموزش بدون نظارت جواب مورد انتظار یا خروجی صحیح شبکه در دسترس نیست. در حالی که در آموزش با نظارت جواب های صحیح در دسترس هستند و شبکه با مقایسه خروجی های واقعی و جواب های صحیح مقدار خطا را محاسبه کرده و وزنها را در جهت کم کردن این خطا تغییر می دهد. میزان دقت شبکه با تعیین بردار خطا در لایه خروجی مشخص می شود. هر چه این بردار کوچکتر باشد نشان دهنده خطای کمتر در شبکه و در نتیجه دقت بالاتر در مدلسازی است(فرشته خو،43:1392).
مدل ماشین بردار پشتیبان (SVM) يکي دیگر از روش‌هاي يادگيري با نظارت است که از آن براي طبقه‌بندي و رگرسيون استفاده مي‌کنند و بر اساس این فرض عمل می کند که هیچگونه اطلاعی از چگونگی توزیع مجموعه داده ها وجود نداشته باشد. ویژگی اصلی این روش توانایی بالا در استفاده از نمونه های تعلیمی و رسیدن به دقت بالاتر در مقایسه با سایر روش های طبقه بندی هوش مصنوعی می باشد. این مدل از جمله روش‌هاي نسبتاً جديدي است که در سال‌هاي اخير کارايي خوبي نسبت به روش‌هاي قديمي‌تر براي طبقه‌بندي از جمله شبکه عصبی مصنوعی(ANN) نشان داده است. مبناي کاري دسته‌بندي کنندة SVM دسته‌بندي خطي داده‌ها است و در تقسيم خطي داده‌ها سعي مي‌کنيم خطي را انتخاب کنيم که حاشيه اطمينان بيشتري داشته باشد. در SVM فقط داده های قرار گرفته در بردارهای پشتیبان مبنای یادگیری ماشین و ساخت مدل قرار میگیرند و این الگوریتم به سایر نقاط داده حساس نیست و هدف آن هم یافتن بهترین مرز در بین داده هاست به گونه ای که بیشترین فاصله ممکن را از تمام دسته ها (بردارهای پشتیبان آنها) داشته باشد.
ایده اصلی SVMاین است که با فرض اینکه دسته ها بصورت خطی جداپذیر باشند، ابر صفحه هائی با حداکثر حاشيه3 را بدست می آورد که دسته ها را جدا کنند. اگر دو دسته وجود داشته باشند که بصورت خطی از هم جداپذير باشند، بهترین جدا کننده این دو دسته چیست؟ الگوریتم های مختلفی از جمله پرسپترون میتوانند این جداسازی را انجام دهند. آیا همه این الگوریتم ها به خوبی از عهده این کار بر می آیند؟ واضح است که اگر مثالهای آموزشی بدرستی دسته بندی شده باشند، از بین جداساز های خطی، آن جداسازی که حاشیه داده های آموزشی را حداکثر می کند، خطای تعميم را حداقل خواهد کرد. فرض کنید دو دسته داریم کلاس 1 و کلاس 2 که اگر خروجی 1=y باشد میگوييم متعلق به کلاس 1 است و اگر 1-=y باشد میگوييم متعلق به کلاس 1- است فرض کنيد خط 0= WX+bجدا کننده این دو کلاس است. بنابراین هر نقطه ای سمت بالای این خط متعلق به کلاس 1 و پایین خط متعلق به کلاس 1- است. بنابراین نقاط روی خطوط نقطه چین تصویر پایین نیز از این قاعده پیروی میکنند.
شکل 7:تصویر نمادین دسته بندی توسط SVM (منبع:دانشگر،فرید 1396)
هدف SVM يافتن ابر صفحه ای است که بیشترین حاشیه یا جداسازی را داشته باشد. مهمترین وظیفه SVM ، یافتن پارامترهای w و b بر اساس بردارهای آموزشی داده شده، برای این ابر صفحه بهينه است. بنابراین مسئله ما یک مسئله بهینه سازی است که ماکزیمم کردن حاشيه جداسازی بین الگوها و ابر صفحه، معادل است با مينيمم کردن فرم اقليدسی بردار وزن w. بنابراین برای حل این مساله، تابع لاگرانژ زیر را تشکیل داده و حل می کنيم:
رابطه 1 
لاگرانژ L باید نسبت به متغیرهای اولیه b و w مینیمم و نسبت به دوگان ماکزیمم شود. با مساوی صفر قرار دادن مشتق L نسبت به b وw به معادلات زیر خواهیم رسید:
رابطه 2 
مجموعه جواب، بسطی از نمونه های آموزشی است که مقدار متناظر با آن ها، یک مقدار غير صفر است. این نمونه های آموزشی خاص بردارهای پشتیبان مشهورند. بردارهای پشتیبان روی مرز حاشیه قرار دارند.
شکل 8: نمونه ای از دسته بندی داده ها با انواع SVM (منبع:دانشگر،فرید 1396)
قلمرو جغرافیایی پژوهش
شهر رشت، مرکز استان گیلان و در ۴۹ درجه و ۳۵ دقیقه و ۴۵ ثانیه طول شرقی و ۳۷ درجه و ۱۶ دقیقه و ۳۰ ثانیه عرض شمالی از نصف النهار گرینویچ قرار دارد و مساحت آن حدود ۱۰۲۴۰ هکتار می باشد. این شهر از شمال به بخش خمام، از جنوب به دهستان لاكان و شهرستان رودبار، از غرب به صومعه سرا و شهرستان شفت و از شرق به بخش کوچصفهان و سنگر محدود می شود. رودخانه زرجوب از جهت شرق و شمال شرقی و گوهررود از جانب جنوب و غرب، شهر رشت را در میان گرفته اند. فاصله رشت از تهران ۳۲۵ کیلومتر است (باباپور،۳۶:۱۳۸۹). بر اساس سرشماری نفوس و مسکن ۱۳۹5 این شهر دارای 679 هزار و 995 هزار نفر جمعیت می باشد که 71 درصد جمعیت شهرستان رشت و 27 درصد استان گیلان را در خود جای داده است(درگاه ملی آمار،1400).
شکل9 : موقعیت جغرافیایی شهر رشت در سطح کشور، استان و شهرستان(منبع:ویسی،رضا 1397)
با مروری بر تصاویر های هوایی سالهای اخیر توسعه شهری رشت نیز رشد دایره ای در سالهای نخست و سپس توسعه در مسیر خطوط حمل و نقل و اطراف کمربندی ها را در این شهر کاملا آشکار می باشد. توسعه کالبدی شهر رشت از سال ۱۳۲۷ تا ۱۳۳۵ از سمت جنوب، جنوب شرقی و جنوب غربی شروع شد و پس از آن تا سال ۱۳۵۰ در حد شرقی متوقف و به جهت غربی و شمال شرقی متمایل شد. (حسینی،109:1383).
یافتهها و بحث
سایت USGS تصاویر ماهواره ای را با تصحیحات هندسی و رادیومتریک به طور رایگان در اختیار کاربران قرار میدهد. تصاویر دریافتی سالهای 2012،2002 و 2021 در GIS با ترکیب باندی مناسب طبقه بندی شده و به عنوان ورودی شبکه عصبی انتخاب شدند.
طبقه بندی تصویر به دو بخش شهری و غیر شهری از موضوعات اصلی و به عنوان یکی از مراحل اولیه در استخراج اطلاعات از تصویر برای انواع کاربردها مطرح می باشد.
(پ) (ب) (الف)
شکل10 : الف)تصویر ماهواره ای طبقه بندی شده سال 2002، ب) تصویر ماهواره ای طبقه بندی شده سال 2012 و پ) تصویر ماهواره ای طبقه بندی شده سال 2021 شهر رشت در GIS (منبع: یافته های پژوهش)
از آنجا که آموزش در این شبکه ها به صورت با نظارت انجام می شود، لازم است کاربر تعدادی هدف معرفی نماید. منظور از تارگت، جواب خاصی است که انتظار داریم شبکه به ازای ورودی خاصی پاسخ دهد. به عبارتی لازم است در این مسئله کاربر تصویر سال 2002 رشت را به شبکه معرفی و برای شبکه مشخص نماید که این بخش ها شهری یا غیر شهری است. شبکه با استفاده از این ورودی ها و تارگت های معرفی شده توسط کاربر آموزش می بیند و سپس کار طبقه بندی را انجام می دهد. بردار ورودی در مسئله طبقه بندی تصویر برداری است که حاوی یک سری ویژگی های پیکسل ها است.
در این تحقیق از چهار ویژگی مهم استفاده شده است: همسایگی مناطق شهری، فاصله از نقاط شهری، فاصله تا مناطق مرکزی شهر و فاصله تا خیابانها و راههای اصلی.
1-همسایگی: اولین و مهمترین عامل تابع همسایگی مناطق شهری می باشد. همسایگی مورد استفاده در این پژوهش همسایگی Moore میباشد که با استفاده از تصاویر شکل 11 بهعنوان ورودی مدل و قابلیت همسایگی در ابعاد 3*3، 5*5 ، 7*7 ،9*9 و 11*11 پیاده سازی شده است. بهترین حالت همسایگی 5*5 بوده است. تصاویر ارائه شده در شکل 12 تعداد پیکسلهای شهری در همسایگی 5*5 هر سلول را در سالهای 2002 نشان میدهند. طیف رنگی (کانتور) شکل 12 طبق اعداد در نمودار میلهای از 0 تا 1، بیانگر قابلیت شهری شدن پیکسلهای همسایگی نقاط شهری رشت در سال 2002 هستند.
2-فاصله از نقاط شهری: ورودی شبکه عصبی با استفاده از تصاویر شکل 11 و پردازش تصویر در نزدیکترین فاصله هر نقطه به مناطق شهری به روش اقلیدسی محاسبه شده و طیف رنگی (کانتور) آن در شکل 12 قابل مشاهده است.
3-فاصله از مراکز اصلی شهر: عامل موثر دیگر در فرایند توسعه شهری، بحث دسترسی به مراکز اصلی شهر میباشد. شکل 10 طیف رنگی (کانتور) مراکز اصلی شهر رشت در سال 2002 شهر رشت را نشان میدهد.
4- فاصله تا خیابانها و راههای اصلی: میزان دسترسی و نزدیکی به راهها و خیابانهای اصلی عامل موثر دیگر در بحث توسعه شهری در نظر گرفته شده است. شکل 12 طیف رنگی (کانتور) فاصله از خیابانها و راههای اصلی این شهر را نشان میدهد.
شکل11 : تصویر سال 2002 شهر رشت به تفکیک مناطق شهری و غیر شهری(منبع: یافته های پژوهش)
در مرحله اول مدلسازی توسعه کالبدی سال 2012 شهر رشت بر اساس ماشین بردار پشتیبان با اعمال چهار ویژگی همسایگی، فاصله از نقاط شهری، فاصله از مراکز شهری و فاصله از جادهها بر تصاویر سال 2002 شهر رشت انجام شده است.
|
|
(ب) |
(الف) |
|
|
(پ) (ت)
شکل12 : تصاویر خروجی الف) فاصله از نقاط شهری، ب)همسایگی 5*5 ، پ) فاصله از جاده و راههای اصلی و ت)فاصله از مراکز اصلی شهر شهر رشت سال 2002(منبع: یافته های پژوهش)
شکل 13 نشان دهنده روند خطای شبکه در آموزش، اعتبارسنجی و تست به عنوان تابعی از تعداد دورههای یادگیری یا آموزش شبکه عصبی است. در این پژوهش بعد از تعیین چهار شاخص ورودی، برای تعیین تارگتها از پیکسلهای محدوده شهری تصویر سال 2002 شهر رشت شامل 130 هزار پیکسل استفاده شده است که از این بین 70 درصد پیکسلها برای آموزش، 15 درصد برای اعتبارسنجی و 15 درصد برای ارزیابی و نتیجهگیری مدل در حالت آموزش شبکه 104 تکرار انجام داد و کمترین میزان خطا که با معیار آنتروپی متقاطع ارزیابی میشود، در تکرار 98 ام برابر با 058526/0 بوده است.
شکل 13: نمودار روند آموزش در مدل شبکه عصبی مصنوعی(منبع: یافته های پژوهش)
|
(الف) (ب)
شکل 14: ماتریس اغتشاش مدلسازی توسعه کالبدی شهر رشت در سال 2012 الف)مدل شبکه عصبی مصنوعی ب) ماشین بردار پشتیان(منبع: یافته های پژوهش)
بر اساس این آموزش، شبکه عصبی توانسته با ورودی 2012، توسعه 2021 را با خطایی که در ماتریس اغتشاش (شکل 14 الف) ارائه شده است، تخمین بزند. ماتریس اغتشاش مدل شبکه عصبی نشان میدهد مدل توانسته است 112943 پیکسل شهری (6/86 درصد) را درست تشخیص داده است و در 1134 پیکسل (9/0 درصد) خطا داشته است. همینطور در تشخیص 12122پیکسل غیرشهری (3/9 درصد) درست عمل کرده و در 4153 پیکسل (2/3 درصد) خطا داشته است. در مجموع مدل برای پیشبینی توسعه شهر رشت در سال 2012 توانسته است 9/95 درصد برآورد درستی داشته باشد که این عدد میتواند قابل قبول باشد. خطای مدل در این بخش 1/4 درصد بوده است. ماتریس اغتشاش مدل ماشین بردار پشتیبان (شکل 14 ب) نشان میدهد مدل توانسته است 112463 پیکسل شهری (3/86 درصد) را درست تشخیص داده است و در 1576 پیکسل (2/1 درصد) خطا داشته است. همینطور در تشخیص 13194پیکسل غیرشهری (1/10 درصد) درست عمل کرده و در 3119 پیکسل (4/2 درصد) خطا داشته است. در مجموع مدل برای پیشبینی توسعه شهر رشت در سال 2012 توانسته است 4/96 درصد برآورد درستی داشته باشد که این عدد میتواند قابل قبول باشد. خطای مدل در این بخش 6/3 درصد بوده است.
|
|
|
(الف) (ب) (پ)
شکل15:الف)تصویر طبقه بندی شده واقعی توسعه کالبدی شهر ب) خروجی مدل شبکه عصبی پ)میزان خطای مدل شبکه عصبی در پیش بینی توسعه کالبدی شهر رشت در سال 2012(منبع: یافته های پژوهش)
در شکل 15 بخش (الف) تصویر طبقهبندی شده شهری و غیر شهری شهر رشت و در بخش (ب) خروجی مدل شبکه عصبی این شهر در سال 2012 نمایش داده شده است. بخش(پ) خطایی که مدل شبکه عصبی نسبت به تصویر واقعی توسعه شهر در سال 2012 پیشبینی کرده است را نمایش میدهد. در شکل 16 بخش (الف) تصویر طبقهبندی شده شهری و غیر شهری شهر رشت و در بخش (ب) خروجی مدل ماشین بردار پشتیبان این شهر در سال 2012 نمایش داده شده است. بخش(پ) خطایی که مدل ماشین بردار پشتیبان نسبت به تصویر واقعی توسعه شهر در سال 2012 پیشبینی کرده است را نمایش میدهد.
(الف) (ب) (پ)
شکل16:الف)تصویر طبقه بندی شده واقعی توسعه کالبدی شهر ب) خروجی مدل ماشین بردار پشتیبان پ)میزان خطای مدل ماشین بردار پشتیبان در پیش بینی توسعه کالبدی شهر رشت در سال 2012(منبع: یافته های پژوهش)
در مرحله بعدی (شکل 17) مدلسازی توسعه کالبدی سال 2021 شهر رشت با اعمال چهار ویژگی بیان شده، روی تصاویر سال 2012 شهر رشت انجام شده است.
|
|
|
|
(پ) (ت)
شکل 17: تصاویر خروجی الف) فاصله از نقاط شهری، ب)همسایگی 5*5 ، پ) فاصله از جاده و راههای اصلی و ت)فاصله از مراکز اصلی شهر شهر رشت سال 2012(منبع: یافته های پژوهش)
|
(الف) (ب)
شکل 18: ماتریس اغتشاش مدلسازی توسعه کالبدی شهر رشت در سال 2021
الف)مدل شبکه عصبی مصنوعی ب)مدل ماشین بردار پشتیبان(منبع: یافته های پژوهش)
ماتریس اغتشاش مدل شبکه عصبی مصنوعی(شکل 18 الف) در مرحله دوم نشان دهنده آن است که مدل توانسته 105986 پیکسل شهری (3/81 درصد) را به درستی تشخیص داده و در 2987 پیکسل (3/2 درصد) دارای خطا بوده است. علاوه بر آن، در تشخیص 16274 پیکسل غیرشهری (5/12 درصد) درست عمل کرده و در 5105 پیکسل (9/3 درصد) خطا داشته است. در مجموع، مدل برای پیشبینی توسعه شهر رشت در سال 2021 توانسته است 8/93 درصد برآورد درستی داشته باشد که در سطحی قابل قبول میباشد. ماتریس اغتشاش مدل ماشین بردار پشتیبان(شکل 17ب) در مرحله دوم نشان دهنده آن است که مدل توانسته 107064 پیکسل شهری (1/82 درصد) را به درستی تشخیص داده و در 1908 پیکسل (5/1 درصد) دارای خطا بوده است. علاوه بر آن، در تشخیص 17149 پیکسل غیرشهری (2/13 درصد) درست عمل کرده و در 4231 پیکسل (2/3 درصد) خطا داشته است. در مجموع، مدل برای پیشبینی توسعه شهر رشت در سال 2021 توانسته است 3/95 درصد برآورد درستی داشته باشد که در سطحی قابل قبول میباشد.
در شکل 19 بخش (الف) تصویر طبقه بندی شده شهری و غیر شهری شهر رشت و در بخش (ب) خروجی مدل شبکه عصبی این شهر در سال 2021 نمایش داده شده است. بخش (پ) خطایی که مدل شبکه عصبی نسبت به تصویر واقعی توسعه شهر در سال 2021 پیشبینی کرده است را نمایش میدهد.
|
|
|
(الف) (ب) (پ)
شکل19:الف)تصویر طبقه بندی شده واقعی توسعه کالبدی شهر ب) خروجی مدل شبکه عصبی پ)میزان خطای مدل شبکه عصبی در پیش بینی توسعه کالبدی شهر رشت در سال 2021(منبع: یافته های پژوهش)
شکل20:الف)تصویر طبقه بندی شده واقعی توسعه کالبدی شهر ب) خروجی مدل ماشین بردار پشتیبان پ)میزان خطای مدل ماشین بردار پشتیبان در پیش بینی توسعه کالبدی شهر رشت در سال 2021(منبع: یافته های پژوهش)
پیشبینی توسعه کالبدی شهر: با توجه به توان قابل قبول مدلهای ارائه شده در بخشهای قبل در مدلبندی فرایند توسعه شهری در فاصله سالهای 2002 تا 2021، میتوان از این مدلها در جهت پیشبینی توسعه شهری در سالهای آتی بهره برد. با توجه به اینکه بازه زمانی مدل 20 سال با فواصل 10 ساله در نظر گرفته شده است، بنابراین نقشه پیشبینی شده توسعه شهری که میتوان ایجاد نمود مربوط به سال 2032 خواهد بود. در چنین حالتی ورودیهای مدل پیشبینی تصاویر نرمال شده مربوط به سال 2021 میباشد که در شکل 21 نمایش داده شدهاند.
|
|
(الف) (ب)
|
|
(پ) (ت)
شکل21: تصاویر خروجی الف) فاصله از نقاط شهری، ب)همسایگی 5*5 ، پ) فاصله از جاده و راههای اصلی و ت)فاصله از مراکز اصلی شهر شهر رشت سال 2021(منبع: یافته های پژوهش)
شکل 22 مناطق شهری واقعی،شبیه سازی و پیش بینی شده مناطق شهری شهر رشت با استفاده از مدل شبکه عصبی مصنوعی در سالهای 2012،2021 و2032 را نشان میدهد.
(پ) (ب) (الف)
شکل 22: مناطق شهری شبیه سازی شده و پیش بینی شده شهر رشت با استفاده از مدل شبکه های عصبی مصنوعی
در سالهای الف) 2012 ، ب)2021 و پ) 2032(منبع: یافته های پژوهش)
شکل 23 مناطق شهری واقعی،شبیه سازی و پیش بینی شده مناطق شهری شهر رشت با استفاده از مدل ماشین بردار پشتیبان در سالهای 2012،2021 و2032 را نشان میدهد.
(پ) (ب) (الف)
شکل 23: مناطق شهری شبیه سازی شده و پیش بینی شده شهر رشت با استفاده از مدل ماشین بردار پشتیبان
در سالهای الف) 2012 ، ب)2021 و پ) 2032(منبع: یافته های پژوهش)
|
|
شکل24: تصویر تغییرات توسعه کالبدی شهر رشت بین سالهای 2002 تا 2021(رنگ قرمز، سبز و آبی) و
پیش بینی تغییرات توسعه در سال 2032(رنگ سفید) با مدل شبکه عصبی مصنوعی (سمت راست) -مدل ماشین بردار پشتیبان (سمت چپ) (منبع: یافته های پژوهش)
تحقیق انجام شده تاییدی بر توانایی مدل های مبتنی بر محسبات نرم در حوزه مدلسازی توسعه شهری و تغییرات کاربری اراضی میباشد. در مجموع مدل ها توانسته اند برای پیشبینی توسعه شهر رشت در سال 2012 و 2021 سطحی قابل قبول را ارائه کنند. جهت مقایسه خروجی های ماتریس های اغتشاش توسعه کالبدی شهر رشت در سالهای 2012 و 2021 با دو مدل ANN و SVM جدول 2 ارائه شده است.
جدول2: درصد کلی تشخیص صحیح نقاط شهری و غیر شهری
در ماتریس اغتشاش با مدل سازی ANN و SVM(منبع: یافته های پژوهش)
مدل/سال | 2012 | 2021 | ||||
شهری | غیر شهری | کل | شهری | غیر شهری | کل | |
ANN | 6/86 | 3/9 | 9/95 | 81.3 | 5/12 | 8/93 |
SVM | 3/86 | 1/10 | 4/96 | 1/82 | 2/13 | 3/95 |
در ماتریس اغتشاش مدل ANN 90 درصد نقاط شهری و 10 درصد نقاط غیر شهری تخمین زده شده اند و همچنین درصد نقاط شهری در مدل SVM 85 درصد و در نقاط غیر شهری 15 درصد می باشند. جدول 3 جزئیات دقیق تری از خروجی ماتریس اغتشاش دو مدل را نشان میدهد. در این جدول درصد تشخیص صحیح مدل سازی شده نقاط شهری و غیر شهری به تفکیک سالهای 2012 و 2021 قابل رویت می باشد.
جدول3: درصدهای تفکیک شده تشخیص صحیح نقاط شهری و غیر شهری
ماتریس اغتشاش با مدل سازی ANN و SVM(منبع: یافته های پژوهش)
مدل/سال | 2012 | 2021 | ||||
شهری | غیر شهری | کل | شهری | غیر شهری | کل | |
ANN | 5/96 | 4/91 | 9/95 | 4/95 | 5/84 | 8/93 |
SVM | 3/97 | 3/89 | 4/96 | 2/96 | 0/90 | 3/95 |
میزان افزایش توسعه کالبدی شهر رشت با استفاده از تفاضل پیکسل های شهری افزایش یافته بین سال های 2002 - 2012 و 2012-2021 ضرب در اندازه هر پیکسل به دست آمده است(در بخش قبل نحوه محاسبه هر پیکسل اشاره شده است). با توجه به پیش بینی سال 2032 از تفاضل تعداد پیکسل های 2021-2032 ضرب در اندازه هر پیکسل که 7/27 متر مربع محاسبه شده است، میزان افزایش توسعه کالبدی شهر رشت در سال 2032 محاسبه شده است.
جدول4:میزان افزایش توسعه کالبدی(متر مربع) شهر رشت
طی سالهای مختلف با مدل سازی ANN و SVM(منبع: یافته های پژوهش)
مدل/سال | 2012 | 2021 | 2032(پیش بینی) |
واقعیت | 1884/45 | 662/52 | _ |
ANN | 0175/46 | 807/53 | 2105/65 |
SVM | 92/45 | 133/53 | 427/64 |
جدول5:میزان تاثیر هر یک از 4 شاخص (متغیر مستقل) در مدل سازی توسعه کالبدی رشت
با مدلهای ANN و SVM(منبع: یافته های پژوهش)
ویژگی | درصد تاثیر(α) |
همسایگی | 381/0 |
نزدیکی به راههای اصلی | 191/0 |
نزدیکی به مراکز اصلی شهر | 127/0 |
نزدیک ترین فاصله تا مناطق شهری | 301/0 |
درصد تاثیر هر یک از ویژگی ها بدین معناست که همسایگی 381/0 در مدل سازی توسعه کالبدی شهر رشت در مدل سازی با هر دو روش تاثیر پذار بوده است و به ترتیب تاثیر نزدیکی به راههای اصلی، نزدیکی به مراکز اصلی شهر، نزدیک ترین فاصله تا مناطق شهری به ترتیب 191/0،127/0 و301/0 به دست آمده است. خروجی نشان میدهد همسایگی سلول های شهری و نزدیک ترین فاصله تا مناطق شهری در مدل سازی توسعه کالبدی شهر رشت تاثیر بیشتری دارند.
نتیجهگیری
با مدل سازی دوره بیست ساله روند توسعه کالبدی، توسعه شهر رشت در سال 2032 به سمت جنوب و جنوب غربی در محله لاکان و در مسیر جاده رشت – تهران بیشتر از سایر جهات خواهد بود. این مورد با توجه به ایجاد شهرکهای مسکونی متعدد، وجود راهآهن، تغییرات کاربری اراضی، مهاجرت از تهران و سکنی گزیدن در مسیر ورودی رشت قابل توجیه میباشد.
هدف از این مدل سازی کمک به مدیران و سیاست گزاران شهری و سایر پژوهشگران است تا بتوانند پیش بینی از وضعیت محدوده شهرها و دیگر تغییرات کاربری اراضی داشته باشد. ابزار به کار رفته در این پژوهش این توانایی را به طراحان می دهد تا بتوانند با طرح استراتژیهای خاص نیز وضعیت کاربری اراضی را در آینده پیشبینی کنند که این استراتژیها را میتوان در قالب یکسری ضوابط و معیارها به مدل اعمال کرد. ساختار مدل های مبتنی بر محاسبات نرم به گونه ای است که در صورت نیاز به افزودن یک فاکتور جدید به مدل، با تغییر اندک در ساختار مدل به راحتی می توان یک متغیر جدید وارد مدل نمود؛ این در حالی است که در دیگر مدلهای توسعه شهری چنانچه بخواهیم پارامتر جدیدی اضافه نمائیم، تغییر کلی ساختار مدل اجتناب ناپذیر خواهد بود. در مقابل، یکی از محدودیتها در این رویکرد آن است که این شبکهها همانند یک جعبه سیاه عمل نموده و دانش صریح و تفسیر پذیر از نحوه و فرایند مدلسازی در اختیار نمیدهند. این در حالی است که میتوان نتایج مربوط به پارامترهای مدلسازی دیگر مدلهای توسعه شهری را تفسیر نمود.
در نتایج برخی از تحقیقات انجام شده مشابه با پژوهش حاضر اینطور بیان شده است: سالتانا و همکاران در نتایج تحقیق به بالا بردن دقت پیش بینی به میزان قابل توجهی با مدل ماشین بردار پشتیبان اشاره کردند. پتروویچ و همکاران نیز در نتایج تحقیق خود آورده اند مدل های مبتنی بر ماشین بردار پشتیبان در شناسایی پارامترهای یادگیری بهینه، بهتر عمل می کنند. حقیقی خمامی و عبدلی در نتایج پژوهش دقت بیشتر روش ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی گزارش نموده اند. حاجی بابایی و همکاران در پژوهش خود از ترکیب دو مدل ماشین بردار پشتیبان و اتوماسیون سلولی فازی استفاده نموده اند که به مدل مناسب تری برای پیش بینی جهات توسعه شهری دست یافتند. مختاری و همکاران در نتایج به دست آمده اینطور اعلام کردند که ماشین بردار پشتیبان یک در صد در دقت کلی بهتر از شبکه عصبی مصنوعی عمل کرده است. آرخی و همکاران نیز در نتایج پژوهش خود شعاع دقت بالاتری با ماشین بردار پشتیبان را نسبت به سایر مدل های گزارش نموده اند. نتایج پژوهش حاضر نیز با مقایسه دو مدل شبکه عصبی مصنوعی و ماشین بردار پشتیبان در مدل سازی توسعه کالبدی شهر رشت، حاکی از این است که مدل ماشین بردار پشتیبان نسبت به مدل شبکه عصبی مصنوعی نتایج دقیق تر را ارائه نموده است. با توجه به نتایج به دست آمده در پیشینه تحقیق می توان اعلام کرد که نتایج تحقیق حاضر در راستای سایر تحقیقات انجام شده در این زمینه بوده است.
پیشنهادات
1-این تحقیق فقط از عوامل فیزیکی موثر در توسعه شهر استفاده گردید، پیشنهاد می گردد در تحقیقات آتی علاوه بر بکارگیری عوامل فیزیکی از عوامل اقتصادی، اجتماعی و فرهنگی همچون تراکم، جمعیت و وضعیت درآمد نیز استفاده گردد.
2- از آنجایی که پدیده ی توسعه شهری پدیده ای است که در سرتاسر یک منطقه از الگوی واحدی پیروی نکرده و ممکن است در کل محدوده مورد مطالعه الگوهای مختلف توسعه شهری حکم فرما باشد، بنابراین توصیه می گردد در تحقیقات آتی منطقه مورد مطالعه را به بخشهای مختلفی همچون نواحی مختلف شهرداری تقسیم بندی نموده و عمل مدل سازی را بطور مجزا برای هر بخش انجام شده و نتایج مورد بحث و بررسی قرار گیرد.
3-با نتایج حاصل از تحقیق و سایر پژوهش های انجام شده در منطقه مورد مطالعه، شهر رشت توسعه محسوسی در حاشیه ها و به طور مشخص به سمت جنوب در مسیر جاده رشت –تهران و هم سمت جاده لاکان دارد و این نتایج می تواند آگاهی لازم را برای مدیران و برنامه ریزان شهر داشته باشد تا تصمیم گیری در خصوص تغییرات کاربری زمین های مستعد توسعه شهری را با دقت بالاتر انجام دهند.
4-تصمیم گیری مدیران شهری در خصوص افزایش خدمات شهری را در مسیرهای پیش بینی شده توسعه شهر صورت پذیرد. با اعتماد به پژوهش های انجام شده میتوان جلوی برخی از شوک های احتمالی ناشی از مهاجرت از روستا به حاشیه شهرها را گرفت.
5- با استفاده از نتایج تحقیق می توان بخشی از بودجه عمرانی استان را در مسیرهای پیش بینی شده توسعه شهر تخصیص داد. مثلا کیفیت جاده ها و راههای اصلی را با توجه به افزایش جمعیت و خانوار و به تبع افزایش تردد خودرو ها و سایر وسایل نقیله بالا برد و همچنین پیش بینی جهات توسعه به پیش بینی مسیر افزایش خدمات حمل و نقل عمومی شهری به مدیران شهری کمک می کند.
6-پیشنهاد می گردد برنامه ریزان شهری در جهات توسعه شهر رشت، پیش بینی لازم مانند افزایش پل های عابر پیاده داشته باشند تا از خطرات زندگی در حاشیه بزرگراه ها کاسته شود.
تقدیر و تشکر
*این مقاله مستخرج از رساله دکتری رشته جغرافیا و برنامهریزی شهری بوده که در دانشگاه آزاد اسلامی واحد آستارا از آن دفاع خواهد شد.
منابع
1-آرخی، صالح و ادیب نژاد ، مصطفی .(1390). ارزیابی کارایی الگوریتم های ماشین بردار پشتیبان جهت طبقه بندی کاربری اراضی با استفاده از داده های ماهواره ایETM لندست (حوزه سد ایلام) ، فصلنامه علمی- پژوهشی تحقیقات مرتع و بیابان . 18(3). 420-440
2-ارگانی، میثم؛ رستمی، رحیمه و باقری، میلاد .(1398). ارزیابی پتانسیل و الگوی رشد بهینة شهر تبریز مبتنی بر استفاده از شبکه های عصبی. پژوهش های جغرافیای انسانی. 15(3)، 745-731
3-ایران زاده، سلیمان و نوروزی، داود .(1398). نظریه های سیستمی .(چاپ اول). تهران، فروزش
4-باباپور ورجاری، هودا .(1389). تحلیل مکانی فضایی مکان گزینی مراکز درمانی شهر رشت. پایان‌نامه کارشناسی ارشد منتشر نشده. دانشگاه آزاد اسلامی واحد رشت، گیلان، ایران.
5-پوررمضان،عیسی و علینقی پور،مریم.(1393).ارزیابی اثرات اجرای طرح هادی بر توسعه کالبدی سکونتگاههای روستایی بخش مرکزی شهرستان رشت. فصلنامه علمی مطالعات برنامه ریزی سکونتگاههای انسانی .29(9). 101-113
6-حاتمی نژاد، سید حسین و بهبودی مقدم، حسین .(1397). نظریه پیچیدگی شهر و برنامه ریزی شهری .(چاپ اول). تهران، کتاب امید و پاپلی
7-حاجی بابایی،سعید و ذاکر حقیقی، کیانوش.(1396). شبیه‌سازی تغییرات کاربری اراضی شهر همدان در سال 2020 میلادی با استفاده از روش اتوماسیون سلولی و داده‌کاوی ترکیبی رگرسیون بردار ماشین و سلولهای خودکار فازی . جغرافیا و توسعه فضای شهری. 18(9). 175-192
8-حقیقی خمامی، مریم و عبدلی، مهسا.(1399). مقایسه روشهای طبقهبندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیه ی نقشه کاربری اراضی (مطالعه موردی: پارک ملی بوجاق). پژوهش و فناوری محیط زیست. 8(14). 47-60
9-دانشگر،فرید.(1396).داده کاوی با ماشین بردار پشتیبان(چاپ دوم). تهران: سخنوران
10-رستمی، فرهاد؛ شاد، روزبه و قائمی، مرجان .(1397). مدلسازی احتمال تغییر رشد شهری با استفاده از شبکه عصبی مصنوعی و رگرسیون لجستیک )مطالعه موردی : شهر مشهد(. نشریه پژوهش و برنامه ریزی شهری. 9(34)، 182-169
11- مرکز آمار ايران. (1395). نتایج سرشماری عمومی نفوس و مسکن کشور 1395. تهران: مرکز آمار ایران.
12-سلحشوری، مرتضی. (1393) . پیش بینی توسعه کالبدي شهري با استفاده از شبکه هاي عصبی(مطالعه موردي: شهر ایذه) . پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه پیام نور شهر ری، تهران، ایران.
13-شاهمرادی،سعید.(1398).شبکه های عصبی و هوش مصنوعی.(چاپ دوم). تهران:سارات
14- شکرگزار،اصغر؛ آقائی زاده، اسماعیل و مردی، بهرام.(1399). تحلیل تطبیقی مسکن در بافتهای برنامه ریزی شده و خودروی شهری با تأکید بر مالکیت و خدمات شهری )مطالعه موردی: نسیم شهر (.فصلنامه علمی مطالعات برنامه ریزی سکونتگاههای انسانی. 15(3). 775-792
15- شکوئی، حسین.(1393).اندیشه های نو در فلسفه جغرافیا(جلد اول). (چاپ شانزدهم). تهران: گیتا شناسی.
16-علی اکبری، اسماعیل؛ حیدری،رقیه و پوراحمد،احمد.(1401).سنجش پراکنده روئی شهری در پویش فضایی شهر رشت. فصلنامه علمی مطالعات برنامه ریزی سکونتگاههای انسانی.4(17).961-976
17-قریشی، محمد باسط ؛ آمار، تیمور، مولائی هشتجین، نصرالله و تهمتن، اعظم.(1401).تبیین تحولات کاربری اراضی روستاهای بخش مرکزی شهرستان رشت در دو دهه اخیر(1395-1375).فصلنامه علمی-پژوهشی جغرافیا و برنامه ریزی منطقه ای .12(3). 12-26
18-کامیاب، حمیدرضا و سلمان ماهینی،عبدالرسول .(1397). مقدمه ای بر مدل سازی توسعه شهری و کاربردهای آن.(چاپ اول).گرگان: دانشکده علوم کشاورزی و منابع طبیعی
19-کیانی، اکبر و سالاری سردری، فرضعلی .(۱۳۹۹). تحلیل ساختار و توسعه ی فضایی کالبدی پراکنده رویی شهر لامرد، فصلنامه پژوهش های جغرافیای اقتصادی، ۱(۱) ۳۲-۴۸
20-مختاری، محمد حسین و نجفی، احمد .(1393). مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری اراضی از تصاویر ماهواره ای لندست، مجله علوم و فنون کشاورزی و منابع طبیعی،علوم آب و خاک . 19(72). 436-452
21-مولائی هشتجین، نصرالله.(1395). مقايسه تطبيقي توسعه يافتگي مناطق شهري رشت با استفاده از روش هاي ارزيابي چند شاخصه.فصلنامه علمی مطالعات برنامه ریزی سکونتگاههای انسانی .14(3). 549-565
22-میری،غلامرضا،رضائی،پرویز،زارعی،رضاو عابدی،طلا.(1403).کاربرد شبکه های عصبی مصنوعی در مدلسازی توسعه کالبدی (مطالعه موردی: شهر رشت). فصلنامه علمی برنامه ریزی سکونتگاههای انسانی.(پذیرش شده)
23- مهناج، محمد باقر.(1397). مبانی شبکه های عصبی.(چاپ دوازدهم). تهران: دانشگاه صنعتی امیرکبیر
24-نظریان، اصغر.(1389). پویایی نظام شهری ایران.(چاپ دوم).تهران:مبتکران
25-ویسی، رضا.(1397).تبیین پویایی فضائی –کالبدی بخش مرکزی رشت. پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه خوارزمی، تهران، ایران.
Chen, J.Gong, C. He, W. Luo, M. Torrens, P. M. & Sullvan, D. O. (2002). Cellular automata and urban simulation: where do wegeo from here? Environment and planning B- Planning & Design.VOL.20,NO.5, PP.163-168.
Delavar,M. Mohammady,S.(2016). Urban sprawl assessment and modeling using landsat images and GIS. Published online Springer International Publishing Switzerland. DOI 10.1007/s40808-016-0209-4(in persian).
Gupta, A. Singh, S. Kundu, S. .(2011). Evaluation of tropical feedstuffs for carbohydrate and protein fractions by CNCP system. Ind. J. Anim. Sci., VOL.81, NO.11,PP. 1154-1160
Kamyab,H.Mahini,A.Hosseini,a.(2011). Application of artificial neural network in development modeling urban (case study: Gorgan city), Researches of human geography,VOL.43,NO.76,PP 99-113(in Persian).
Lee, D. (1994). Retrospetive on larg-scale models. Journal of the American Planning Association,VOL. 60,NO.1,PP. 35-44.
Ojaghi, S., Ebadi, H. and Farnood Ahmadi, F.( 2015).Using artificial neural network for classification of
high resolution remotely sensed images and assessment of its performance compared with statistical methods. American Journal of Engineering, Technology and Society, VOL.2,NO.1,PP 1-8(in persian)
Pijanowski, B. C., Tayyebi, A., Delavar, M. R., & Yazdanpanah, M. J. (2009). Urban expansion simulation using geo-spatial information system and artificial neural networks.International Journal of Environmental Research, VOL.3,NO.4, PP. 493–502
Retrieved 2021, Dec. 15, from https://www.amar.org.ir/( Statistics center website).
Samardžić-Petrović,M. Dragićević,S. Kovačević,M. Bajat.B.(2015). Modeling Urban Land Use Changes Using Support Vector Machines, Transaction in GIS. VOL.3,NO.4,PP 67-79
Sultana,S.Karimi,F.Suthaharan,S.Shirzadi Babakan,A.(2019). An enhanced support vector machine model for urban expansion prediction. Computers, Environment and Urban Systems.VOL.75, NO.8, PP 61-75
Vapnik V. (1998). Statistical Learning Theory. Wiley.New York, p.768.
[1] . Artificial Neural Networks
[2] .Support Vector Machine
[3] .Margin Maximum