پایش و مدلسازی تغییرات الگوی توسعه شهری با استفاده از تصاویر ماهواره ای و مدل شبکه عصبی مصنوعی (مطالعه موردی بخش یک شهرستان رفسنجان) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه : استفاده بیش ازحد و نادرست از منابع طبیعی موجود، نیازمند افزایش ارزیابی اجزا منابع و بررسی تغییراتی است که درگذشته اتفاق افتاده است. بنابراین آشکارسازی، پیش بینی تغییرات لازمه مراقبت از یک اکوسیستم به ویژه در مناطقی با تغییرات سریع و اغلب بدون برنامه ریزی در کشور های درحال توسعه می باشد. داده و روش : روش پژوهش حاضر از نظر هدف کاربردی و از حیث روش، توصیفی- تحلیلی است. و با استفاده از تکنیک های بصری و ترسیمی از تصاویر سنجنده های TM لندست 5 در سال های 1998،1992،1986، ETM+ لندست 7 در سال های 2010،2004 و سنجنده OLI لندست 8 در سال2016 بهره گرفته است. به علاوه از نقشه های رقومی منطقه برای بررسی تصحیح هندسی تصاویر و همچنین به عنوان داده های کمکی در تفسیر تصاویر و پیش بینی تغییرات، استفاده گردید. پس از تأیید کیفیت هندسی و رادیومتری تصاویر با توجه به ویژگی های منطقه، کاربری های موجود، با روش تفسیر تلفیقی تصاویر هر شش مقطع زمانی به چهار کلاس مناطق شهری، باغات پسته، اراضی بایر و نمکزار با الگوریتم حداکثر احتمال طبقه بندی شد و پس از اعتبار سنجی میانگین دقت کاپا 83 درصد و میانگین دقت کلی 89 درصد برای شش نقشه کاربری اراضی تولیدشده بدست آمد. یافته ها : نقشه های کاربری اراضی تولید شده از کلاس بندی و پیش بینی شده از مدل ها در سال های 2016،2010،2004،1998 مقایسه و صحت آن با استفاده از شاخص کاپا ارزیابی شد. نتایج نشان داد میانگین دقت کاپا برای مدل شبکه عصبی76 درصد بود. نتیجه گیری : نشان دهنده هماهنگی بین مقدار و مکان تغییرات واقعی و پیش بینی شده و درنتیجه عملکرد نسبتاً خوب برنامه LCM در پیش بینی تغییرات کاربری اراضی است.Monitoring and modeling changes in urban development pattern using satellite images and artificial neural network model (Case study: District one of Rafsanjan city)
Introduction: The excessive and incorrect use of existing natural resources requires increasing the evaluation of the components of the resources and examining the changes that have happened in the past. Therefore, detecting and predicting changes is necessary to take care of an ecosystem, especially in areas with rapid and often unplanned changes in developing countries.
Data and Method : The present research method is applied in terms of purpose and descriptive-analytical in terms of method. And using visual and drawing techniques, the images of TM Landsat 5 sensors in 1998, 1992, 1986, ETM+ Landsat 7 in 2010, 2004 and OLI Landsat 8 sensor in 2016 have been used. In addition, the digital maps of the region were used to check the geometric correction of the images and also as auxiliary data in the interpretation of the images and prediction of changes. After confirming the geometric and radiometric quality of the images according to the characteristics of the region, the existing land uses were classified by the method of integrated interpretation of the images of all six time periods into four classes of urban areas, pistachio orchards, barren lands and salt fields using the maximum probability method, And after validation, the average accuracy of Kappa was 83% and the average overall accuracy was 89% for the six land use maps produced.
Results : The land use maps produced from the classification and predicted from the models in 2016, 2010, 2004, 1998 were compared and their accuracy was evaluated using the Kappa index. The results showed that the average kappa accuracy for the neural network model was 76%.
Conclusion : It shows the coordination between the amount and location of actual and predicted changes, and as a result, the relatively good performance of the LCM program in predicting land use changes.
تبلیغات
