مدل سازی توسعه شهری با استفاده از رویکردهای پیش پردازش آماری و مدل پرسپترون چند لایه (نمونه موردی: کلان شهر تهران)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
پایداری در توسعه شهری به علت سطوح بالای شهرنشینی تقریباً در کل بخش های جهان، به یک موضوع مهم تبدیل شده است. بنابراین برای رسیدن به توسعه پایدار شهری و همچنین تصمیم گیری بهتر برای جهت دهی توسعه در آینده، بازبینی دائمی فرآیندهای دینامیک شهری با توجه به توسعه در گذشته و پیش بینی آن در آینده، اجتناب ناپذیر است. هدف پژوهش حاضر، مدل سازی و پیش بینی توسعه کلان شهر تهران با استفاده از روش رگرسیون حداقل مربعات معمولی (OLS) و مدل شبکه عصبی مصنوعی (پرسپترون چندلایه (MLP)) با در نظر گرفتن دوره 11 ساله 1385_1374 است. برای این منظور ابتدا، معیارهای موثر در فرآیند توسعه شهری از سازمان های مربوط جمع آوری، آنالیز و آماده سازی شدند و نقشه های کاربری زمین برای سال های مورد نظر از تصاویر ماهواره لندست استخراج شد و با استفاده از داده های اتوکد سازمان نقشه برداری و نقشه های موجود بهبود داده شدند. سپس صحت سنجی نقشه ها و آشکارسازی تغییرات انجام شد. نتایج آشکارسازی تغییرات با ضریب کاپای 85/91% نشان می دهد که بیشترین افزایش مساحت در مناطق ساخته شده (38/5886 هکتار) و بیشترین کاهش مساحت در زمین باز (89/5328 هکتار) رخ داده است. بر مبنای این تغییرات و برای اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیش پردازشی روی این معیارها صورت گرفت. در مرحله بعد با در نظرگرفتن خروجی روش OLS، 11 متغیر مستقل بعنوان ورودی به مدل انتخاب شدند. سپس مدل سازی پتانسیل تبدیل کاربری برای سال 1396، با استفاده از روش MLP انجام شد و با روش زنجیره مارکف نقشه کاربری اراضی برای سال 1396 پیش بینی شد. در نهایت نتایج نشان داد که پیش بینی صورت گرفته نسبت به مطالعات گذشته به واقعیت های زمینی نزدیک تر است و بیشترین میزان توسعه در سال 1396 در بخش های شرقی، شمال غرب و غرب کلان شهر تهران رخ خواهد داد. 2- روش شناسی برای دستیابی به اهداف این مطالعه، ابتدا معیارهای موثر در فرآیند توسعه شهری از سازمان های مربوط جمع آوری، آنالیز و آماده سازی شدند. نقشه های کاربری زمین برای دوره مورد مطالعه (1385-1374) از تصاویر ماهواره لندست استخراج شد و با استفاده از داده اتوکد و نقشه های موجود بهبود داده شدند. سپس صحت سنجی نقشه ها و آشکارسازی تغییرات انجام گرفت و بر مبنای این تغییرات، به منظور اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیش پردازش روی این معیارها صورت گرفت. در مرحله بعد با در نظر گرفتن خروجی روش OLS، متغیرهای مستقل به عنوان ورودی به مدل انتخاب شدند. در نهایت، با استفاده از روش MLP مدل سازی پتانسیل تبدیل هر کاربری انجام گرفته و با به کارگیری روش زنجیره مارکوف نقشه کاربری اراضی برای سال 1396 پیش بینی شد.