پیش بینی رشد شهری

با توجه به رشد سریع شهرها در کشورهای در حال توسعه، نیاز به مدیریت و برنامه ریزی مناسب، به پرهیز از تأثیرات مخرب زیست محیطی و اجتماعی ـ اقتصادی آن، همواره احساس می شود. در این زمینه، طراحان و برنامه ریزان شهری به اطلاعات مکانی و زمانی مرتبط با الگو و میزان رشد، به منظور درک بهتر فرایند رشد شهری و تأثیرات آن نیاز دارند. تلفیق سامانه های اطلاعات مکانی و سنجش از دور، ابزار مؤثری را برای جمع آوری و آنالیز اطلاعات زمانی ـ مکانی فراهم می سازد. این تحقیق، ضمن بررسی و مدل سازی توسعة شهری در دو دهة گذشته، به پیش بینی توسعة شهر تهران طی دو دهة آینده می پردازد تا پایه و اساسی را برای مدیریت شهری فراهم سازد. در این تحقیق، مدل شبیه سازی و پیش بینی رشد شهری CA-Markov به کار برده شد و این مدل با استفاده از داده های تاریخیِ به دست آمده از مجموعه های زمانی تصاویر ماهواره ای لندست ـ مربوط به سال های 1988، 2000 و 2006 ـ کالیبره گردید. با توجه به نقشه های پوشش / کاربری زمین به دست آمده از طبقه بندی تصاویر ماهواره ای، منطقة شهری در این مدت با 11 درصد (حدود 56 کیلومترمربع) افزایش مواجه شده است. همچنین مدل CA-Markov به منظور شبیه سازی رشد شهری برای سال های 2015 و 2025 اجرا گردید و نتایج به دست آمده بیانگر رشد 3 درصدی (حدود 15 کیلومترمربع) در مناطق شهری از سال 2006 تا 2025 است. نتایج تحقیق حاکی از کارایی بالای مدل تلفیقی CA-Markov در پایش روند توسعة شهر در سال های گذشته و پیش بینی رشد شهری برای سال های آتی براساس الگوی رشد سال های گذشته است. همچنین کاربرد روش تصمیم گیری چندمعیاره در محیط نرم افزار Idrisi برای در نظر گرفتن پارامترهای توسعه و رشد شهری، از دیگر ویژگی های این تحقیق است.

استفاده از تصاویر ماهواره ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش بینی مناطق ساخته شده شهری در دهه های اخیر توسعه یافته است. مهم ترین گام در پیش بینی رشد مناطق شهری، استخراج ویژگی های سطح شهر با دقت و صحت بالا و مهم ترین چالش در این راه پیچید گی عوارض شهری و مسئله پیکسل های مخلوط است. هدف از این تحقیق استفاده از مدل های تجزیه و تحلیل زیر پیکسل، برای استخراج عوارض سطحی شهر رشت به منظور پیش بینی برای تغییرات رشد آتی این شهر است. بدین منظور از سه تصویر لندست مربوط به سال های؛ 0991 (سنجنده TM)، 2002 (سنجنده +ETM) و5102 (سنجنده OLI/TIRS) و روش تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA)، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه های کسری پوشش به عنوان لایه های ورودی و عضوهای پایانی به عنوان نمونه های آموزشی و الگوریتم حداکثر احتمال به عنوان الگوریتم طبقه بندی کننده استفاده شد؛ که در نتیجه صحت کلی بالای 99%و ضریب کاپای بالای 89/0 برای تصاویر سه دوره بدست آمد. به منظور پیش بینی رشد شهری با شبکه عصبی در این تحقیق از مدل پرسپترون چند لایه(MLP)با الگوریتم یادگیری پس انتشار (BP) استفاده شد. نتایج مقایسه خروجی مدل با نقشه طبقه بندی سال 5102 ، ضریب کاپای 29%،کاپای استاندارد 98% و کاپای طبقه ای (برای طبقه ساخته شده) 39%، را نشان داد. مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد.