شبیه سازی روند تغییرات کاربری اراضی شهر گچساران با استفاده از مدل سلول های خودکار

محورهای موضوعی : معماری و شهرسازی

محسن درخش ¹ ( دانش‌آموخته کارشناسی ارشد، گروه محیط‌زیست، دانشکده علوم پایه، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران. )
سهیل سبحان اردکانی ² ( استاد گروه محیط‌زیست، دانشکده علوم پایه، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران )

تاریخ دریافت : 1399/02/25 تاریخ پذیرش : 1400/09/14 تاریخ انتشار : 1401/07/01

کلید واژه: مدل سلول‌های خودکار, ضریب کاپا, گچساران, کاربری اراضی, توسعه شهری,

چکیده مقاله :

زمینه و هدف: با توجه به پیامدهای توسعه شهری از جمله تغییر و تخریب محیط‌زیست و تغییر در ساختار فیزیکی، فرهنگی، اقتصادی و اجتماعی شهرها، پیش بینی و مدل سازی الگوهای گسترش و تغییرات فیزیکی شهرها طی بازه‌های زمانی مختلف می تواند در راستای دست‌یابی به توسعه پایدار شهری و فراهم کردن اطلاعات جامع برای مدیران و برنامه ریزان شهری از اهمیتی بسزا برخوردار باشد. لذا، این مطالعه با هدف شبیه سازی روند گسترش شهر گچساران با استفاده از مدل سلول های خودکار (CA) برای سال 2044 میلادی با در نظر گرفتن روند توسعه شهر طی سال‌های 1972 تا 2015 انجام یافت. روش بررسی: در این پژوهش توصیفی، با استفاده از تصاویر ماهواره لندست و سنجنده‌های MSS 1972،TM 1986، ETM+ 1999 و OLI 2015 نقشه ها و روند تغییرات کاربری اراضی طی دوره‌های زمانی مورد مطالعه استخراج شد. یافته‌ها: نتایج بیان‌گر رشد فزاینده کاربری شهری طی زمان به‌ویژه در نیمه شمالی شهر و کاهش کاربری طبیعی و بوم‌شناختی و به‌ویژه اراضی کشاورزی و مرتعی بود. همچنین مشخص شد که روند گسترش و توسعه شهر گچساران در طی دوره 1972 تا 2015 از الگویی مناسب تبعیت نکرده و از این‌رو به‌ویژه در قسمت غربی رشد ناموزون شهر نمایان است. از طرفی مطابق پیش‌بینی خروجی مدل، در سال 2044، در حدود %70 وسعت منطقه مورد مطالعه را کاربری شهری به خود اختصاص خواهد داد. بحث و نتیجه‌گیری: با استناد به یافته‌های پژوهش می‌توان اذعان داشت که مدل سلول های خودکار از دقت قابل قبول برای پیش‌بینی و شبیه‌سازی روند توسعه شهری برخوردار است و می‌تواند به‌طور موثر برای مطالعه پویایی شهری و به‌ویژه در شهرهایی با رشد سریع مورد استفاده قرار گیرد.

چکیده انگلیسی:

Background and Objective: Simulation of land-use change is very useful for governmental plans and policies. A number of models including system models, Markov chains, the CLUES-S and the SLEUTH have been developed for the simulation of land-use change. Among them, cellular automata (CA) modeling is widely applied to simulate complicated dynamic systems. In this regard, information on land use and also land cover and possibilities for their optimal use is essential for the selection, planning and implementation of land use schemes to meet the increasing demands for basic human needs and welfare.Therefore, this study was conducted to forecasting and modeling of urban development of city of Gachsaran using a CA Model for 2044. Method: In this descriptive study, the land use mapping, a predominantly cloud-free image of Landsat Multispectral Scanner (MSS, 1972), Landsat Thematic Mapper (TM, 1986), Landsat Enhanced Thematic Mapper (ETM+, 1999), and Operational Land Imager (OLI, 2015) were used to the modeling of land-use changes of the study area between the periods 1972 to 2015, and also to the simulation of land-use changes of city of Gachsaran in 2044. Findings: Based on the results obtained, the increasing growth of urban use over time, particularly in the northern part of the city, and the decline in natural and ecological land use, especially agricultural land were observed. Also, the results clearly suggest that the development process of the city of Gachsaran during the recent years did not follow a proper pattern and, especially the unbalanced growth could be observed in the western part of the city. On the other hand, according to the forecasting of model output, in 2044 about 70% of the extent of the study area, will be dedicated to urban use. Discussion and Conclusion: In general, it can be admitted that the CA model has a high ability in simulating the urban development process and can effectively be used to study the urban dynamic, especially in rapidly growing cities.

منابع و مأخذ:

• Zarei, R., Alesheikh, A.A. 2013. Urban growth modeling with cellular automata and genetic algorithm (the study area: Shiraz City). Research and Urban Planning, 3(11): 1-16. (In Persian)


• Liu, X., Liu, L., He, J., Ai, B. 2008, A bottom-up approach to discover transition rules of cellular automata using ant intelligence. International Journal of Geographical Information Science, 22(11-12): 1247-1269.


• Mousavi, M.N., Yazdani Chaharborj, R. 2014. Urban growth modeling of Maraghe city by using of logistic regression. Geographical Urban Planning Research, 2(3): 323-341. (In Persian)

4-      He, Ch., Okada, N., Zhang, Q., Shi, P., Li, J. 2008. Modelling dynamic urban expansion processes incorporating a potential model with cellular automata. Landscape and Urban Planning, 86(1): 79-91.

• Han, J., Hayashi, Y., Cao, X., Imura, H. 2009. Application of an integrated system dynamics and cellular automata model for urban growth assessment: A case study of Shanghai, China. Landscape and Urban Planning, 91(3): 133-141.


• Zinatizadeh, S., Azmi, A., Monavari, S.M., Sobhanardakani, S. 2017. Evaluation and prediction of sustainability of urban areas: A case study for Kermanshah city, Iran. Cities, 66: 1-9.


• Zinatizadeh, S., Azmi, A., Monavari, S.M., Sobhanardakani, S. 2017. Multi-Criteria decision making for sustainability evaluation in urban areas: A case study for Kermanshah city, Iran. Applied Ecology and Environmental Research, 15(4): 1083-1100.


• Ghorbani, R., Pourmohammadi, M.R., Mahmoudzadeh, H. Ecological approach in land use change modeling of Tabriz metropolitan using multi temporal satellite images, multi criteris analysis and Cellular Automata Markov Chain (1984-2038). Urban Studies, 2(8):13-30. (In Persian)


• Batty, M. 2005. Agents, cells, and cities: new representational models for simulating multiscale urban dynamics. Environment and Planning A, 37(8): 1373-1394.


• Benenson, I., Torrens, P.M. 2004. Geosimulation: Automata-based modeling of urban phenomena", London: John Wiley & Sons, Inc., 312 P.

11-  Dadashpoor, H., Jahanzad, N. 2015. Simulation of future land use changes based on an ecological optimal pattern in Mashhad Metropolitan area. Geographical Urban Planning Research, 3(3): 343-359. (In Persian)

12-  Maboodi, M.T., Hakimi, H. 2015. Analysis of land use changes and urban sprawl simulation in mid-sized cities (Case study: Khoy City). Geographical Urban Planning Research, 3(2): 211-226. (In Persian)

• Qiang, Y., Lam, N.S.-N. 2016. The impact of Hurricane Katrina on urban growth in Louisiana: an analysis using data mining and simulation approaches. International Journal of Geographical Information Science, 30(9): 1832-1852.


• Liu, Y., Dai, L., Xiong, H. 2015. Simulation of urban expansion patterns by integrating auto-logistic regression, Markov chain and cellular automata models. Journal of Environmental Planning and Management, 58(6): 1113-1136.


• Vaz, E., Arsanjani, J.J. 2015. Predicting urban growth of the greater Toronto Area - coupling a Markov Cellular Automata with document meta-analysis. Journal of Environmental Informatics, 25(2): 71-80.

16-  Jokar Arsanjani, J., Helbich, M., Kainz, W., Darvishi Boloorani, A. 2013. Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion. International Journal of Applied Earth Observation and Geoinformation, 21: 265-275.

• Van Vliet, J., White, R., Dragicevic, S. 2009. Modeling urban growth using a variable grid cellular automata. Computers, Environment and Urban Systems, 33(1): 35-43.

18-  Poor Ahmad, A., Ziari, K.A., Mohammadi, R. Spatial distribution pattern of urban uses in oil-rich cities (Case study: Dogonbadan city). Geographical Research, 25: 21-50. (In Persian)

19-  Bali, A., Monavari, S.M., Jafari, M., Abdolahi, Sh. 2012. Land uses change patterns in Anzali Wetland basin during 2000, 1989, 1975 and 2007 with emphasis on urban development and constructed lands. Journal of Environmental Science and Bioengineering, 53-54: 73-80. (In Persian)

20-  Eerens, H., Haesen, D., Rembold, F., Urbano, F., Tote, C., Bydekerke, L. 2014. Image time series processing for agriculture monitoring. Environmental Modelling & Software, 53: 154-162.

21-  Butt, A., Shabbir, R., Ahmad, S.S., Aziz, N. 2015. Land use change mapping and analysis using Remote Sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 18(2): 251-259.

22-  Rawat, J.S., Kumar, M. 2015. Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, 18(1): 77-84.

23-  Roostayee, Sh., Ahadnezhad Rooshti, M., Farrokhe Someae, M. 2015. Spatial evaluation of urban sprawl with an emphasize on landuse charges, using satellite imagery (Case study of Urmia). Geography and Planning, 18(50): 189-206.

• Wu, Q., Li, H-q., Wang, R-s., Paulussen, J., He, Y., Wang, M., Wang, B-h., Wang, Z. 2006. Monitoring and predicting land use change in Beijing using remote sensing and GIS. Landscape and Urban Planning, 78(4): 322-333.


• Kazem, A.H., Hosseinali, F., Ale-sheikh, A.A. 2015. Urban expansion modeling using medium resolution satellite imagery based on cellular automata (Case study: Tehran city). Geographical Data (SEPEHR), 24(94): 45-58. (In Persian)