کاربرد شبکه های عصبی مصنوعی در مدل سازی توسعه کالبدی شهری (مطالعه موردی:شهر رشت)
محورهای موضوعی : مطالعات برنامه ریزی شهری و منطقه ای
طلا عابدی
1
,
غلامرضا میری
2
,
پرویز رضائی
3
,
رضا زارعی
4
1 - دانشجوی دکتری، گروه جغرافیا، واحد آستارا، دانشگاه آزاد اسلامی، رشت، ایران
2 - دانشیار، گروه جغرافیا و برنامه ریزی شهری، واحد زاهدان، دانشگاه آزاد اسلامی، زاهدان، ایران
3 - دانشیار، گروه جغرافیا ، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
4 - استادیار، گروه آمار، دانشگاه گیلان، رشت، ایران
کلید واژه: مدل سازی, توسعه کالبدی شهری, شبکه عصبی مصنوعی, شهر رشت,
چکیده مقاله :
مقدمه: امروزه توسعه کالبدی شهرها بهصورت روزافزون در حال افزایش است. مدیریت صحیح این توسعه از جهات گوناگون در زمره مسائل مهمی است که باید مدنظر قرار بگیرد. روشهای متعددی برای پیشبینی و تعیین جهت توسعه شهری وجود دارد که یکی از این روشها در تعیین مناطق مناسب، روش مبتنی بر شبکههای عصبی است.
هدف تحقیق: هدف این پژوهش مدلسازی توسعه شهر رشت طی بیست سال اخیر و پیشبینی جهات توسعه این شهر تا سال 2032 میباشد.
روش‌شناسی 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 روش شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) 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.
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 میباشد.
یافته ها: در این مدل در حالت آموزش مرحله اول (ورودی اعمال چهار شاخص بر تصاویر سال 2002)، شبکه 104 تکرار انجام داد و کمترین میزان خطا که با معیار آنتروپی متقاطع ارزیابی میشود در تکرار 98ام برابر با 058526/0 گردید. در مرحله دوم ورودی مدل اعمال چهار شاخص بر روی تصاویر 2012 بوده که کمترین میزان خطا 076657/0 ارزیابی شد.
نتایج: در مجموع مدل توانسته است برای پیشبینی توسعه شهر رشت در سال 2012، 9/95 درصد و برای سال 2021، 8/93 درصد برآورد درستی داشته باشد که این عددها میتواند قابل قبول باشد. خطای مدل در این بخش اول 1/4 درصد و در بخش دوم 2/6 درصد بوده است. با بررسی دوره بیست ساله روند توسعه کالبدی، جهات توسعه شهر رشت در سال 2032 پیشبینی شد.
Introduction: The physical development of cities is increasing day by day. Correct management of this development from various aspects is among the important issues that must be considered. There are many methods for predicting and determining the direction of urban development, one of these methods for determining suitable areas is the method based on neural networks.
Research Aim: The purpose of this research is to model the development of the city of Rasht in the last 20 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 the images are classified using Multi Layer Perceptron(MLP) Artificial Neural Network method. The indicators considered for the neighborhood model of urban areas are the distance from urban points, the distance to the central areas of the city, and the distance to the main streets and roads.
Studied Areas: 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 In this model, in the training mode of the first stage (input, applying 4 indexes on the images of 2002), the network performed 104 iterations, and the lowest error rate, which is evaluated by the crossentropy criterion, was equal to 0.058526 in the 98th iteration. In the second step, the input of the model was to apply 4 indicators on the images of 2012, and the lowest error rate was evaluated as 0.076657.
Conclusion: In total, the model has been able to predict the development of Rasht city in 2012, 95.9% and for 2021, 93.8%, which can be acceptable. The model error in this first part was 1.4% and in the second part was 2.6%. By examining the 20-year period of physical development, the development directions of Rasht city in 2032 were predicted.
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.
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.
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.
زیاری، کرامت اله.(1391). برنامه ریزی شهرهای جدید.(چاپ سوم). تهران: سمت.
مرکز آمار ايران. (1395). نتایج سرشماری عمومی نفوس و مسکن کشور 1395. تهران: مرکز آمار ایران.
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.
شکرگزار،اصغر؛ آقائی زاده، اسماعیل و مردی، بهرام .(1399). تحلیل تطبیقی مسکن در بافت¬های برنامه¬ریزی شده و خودروی شهری با تأکید بر مالکیت و خدمات شهری (مطالعه موردی: نسیم شهر). فصلنامه علمی مطالعات برنامه¬ریزی سکونتگاه¬های انسانی. 15(3)، 775-792.
شکوئی، حسین .(1393). اندیشه¬های نو در فلسفه جغرافیا(جلد اول). تهران: گیتا شناسی.
فرشته خو، مجید .(1392). مدلسازی دینامیکی رشد شهری با استفاده از مدل ترکیبی خودکاره¬های سلولی با الگوریتم ژنتیک و شبکه های عصبی (منطقه مورد مطالعه :شهر کرمان). پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه صنعتی کرمان، کرمان، ایران.
تهمتن، اعظم؛ قریشی، محمد باسط؛ آمار، تیمور و مولائی هشتجین، نصرالله.(1401). تبیین تحولات کاربری اراضی روستاهای بخش مرکزی شهرستان رشت در دو دهه اخیر(1395-1375). فصلنامه جغرافیا و برنامه¬ریزی منطقه¬ای، 12(3)، 26-12.
مختاری ملک آبادی، رضا .(1388). تحلیلی بر برنامه¬ریزی کاربردی پارکینگ در شهر اصفهان با استفاده از مدل¬های کاربردی برنامه¬ریزی منطقه¬ای، مطالعات و پژوهش¬های شهری و منطقه ای، 12(3)، 115-134.
مولائی هشتجین، نصرالله و رضایی آدریانی ، سهیلا .(1398). مقايسه تطبيقي توسعه يافتگي مناطق شهري با استفاده از روش¬هاي ارزيابي چند شاخصه (مطالعه موردي: کلان شهر اصفهان). فصلنامه مطالعات برنامه¬ریزی سکونتگاه¬های انسانی، 14(3)، 569-549.
ویسی، رضا .(1397). تبیین پویایی فضائی -کالبدی بخش مرکزی رشت. پایان‌نامه کارشناسی ارشد منتشر شده. دانشگاه خوارزمی، تهران: ایران.
Allen, M. (1997). Cities and regions as evolutionary Complex systems. Geographical system, 5(4),103-130
Batty, M. (2009). Models in planning: technological imperatives and changing roies . International Journal of Applied Erath Observation and Geoinformation. 3(3), 252-266
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.20(5),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).
George Grekousis, Panos Manetos, Yorgos N. Photis (2013), Modeling urban evolution using neural networks, fuzzy logic and GIS: The case of the Athens metropolitan area,Elsevier ,Cities 30,193–203.
Kamyab,H.Mahini,A.Hosseini,a.(2011). Application of artificial neural network in development modeling urban (case study: Gorgan city), Researches of human geography.43(76),99-113(in Persian).
Lakshmanan,G. Devendran,A.(2018). Urban growth prediction using neural network coupled agents-based Cellular Automata model for Sriperumbudur Taluk, Tamil Nadu, India. The Egyptian Journal of Remote Sensing and Space Sciences.5(21), 253-262.
Lee, D. (1994). Retrospetive on larg-scale models. Journal of the American Planning Association,60(1), 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, 2(1): 1-8(in persian)
Park, S., Jeon, S., Kim, S., and Choi, C. (2011). Prediction and Comparison of Urban Growth by Land Suitability Index Mapping Using Gis and Rs in South Korea, Landscape and Urban Planning, 99(2),104-114
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. 3(4), 493–502.
Retrieved 2021, Dec. 15, from https://www.amar.org.ir/( Statistics center website).
Takayama, M., & Couleclis, H. (1997). Map Dynamic Inter grating Cellular automata and GIS through Geo Algebra . International journal of Geographical information Science.11(1),73-91.
White, R., & Engelen, G. (1997). Cellular as the basis of integrated dynamic regional modeling, Environment and planning B. 24(5), 235-246.
