شبکه عصبی مصنوعی

هدف از پژوهش پیش رو، مدل سازی تغییرات کاربری اراضی شهرستان تبریز برای سال های 1395 و 1400 با استفاده از مدل ساز تغییر سرزمین (LCM) در محیط سامانه اطلاعات جغرافیایی است. برای این کار، تجزیه وتحلیل و بارزسازی تغییرات کاربری ها، به کمک سه دوره از تصاویر ماهواره لندست مربوط به سال های 1367، 1380 و 1390 انجام گرفت و نقشه های پوشش اراضی جداگانه ای برای هر سال تهیه شد. مدل سازی پتانسیل انتقال، به کمک الگوریتم پرسپترون چندلایه شبکه عصبی مصنوعی با استفاده از شش متغیر مستقل صورت پذیرفت و میزان تخصیص تغییرات کاربری ها به همدیگر، به روش زنجیره مارکف مورد محاسبه قرار گرفت. نتایج حاصل نشان داد که در کل دوره مورد بررسی، یعنی بین سال های 1367 تا 1390، حدود 5195 هکتار به وسعت مناطق شهری و مسکونی افزوده شده است که اراضی مرتعی به ویژه مراتع درجه یک، اراضی کشاورزی و درنهایت اراضی بایر و شوره زار، به ترتیب با مساحت 3488، 1007 و 484 هکتار تبدیل اراضی، بیشترین سهم را در افزایش وسعت اراضی شهری و مسکونی داشته اند. نتایج پیش بینی پوشش اراضی نیز نشان داد که میزان توسعه و رشد شهری تبریز تا سال 1395 مساحتی برابر با 1037 هکتار و تا سال 1400 حدود 2033 هکتار خواهد بود.

در چند دهه اخیر برنامه ریزان با مسئله جدیدی به نام پراکنده رویی مواجه شده اند. برای مقابله با این مشکل راه حل های گوناگونی ارائه شده است. یکی از اصلی ترین راه ها، اتخاذ رویکردی اکولوژیک در کاربری زمین و استفاده درست از منابع طبیعی است. منطقه کلان شهری مشهد از بی تعادلی فضایی، پراکنده رویی و تمرکز شدید در مرکز مجموعه و کریدور مشهد- چناران رنج می برد که این امر به نوبه خود موجد پدیدار شدن نابرابری های اجتماعی و اقتصادی در منطقه شده است. به همین خاطر، ضروری است که به اشکال دیگر توسعه فضایی در این منطقه توجه شود. در این تحقیق با ابتنا بر همین رویکرد، تلاش می شود ابتدا الگوی بهینه ای برای نحوه استفاده از اراضی بر مبنای رویکرد اکولوژیک ترسیم شود. سپس با استفاده از این الگو و با مدل سلولی خودکار (CA) و شبکه عصبی مصنوعی (ANN) سه سناریوی 1. توسعه اکولوژیک رادیکال، 2. توسعه اکولوژیک معتدل و 3. تداوم توسعه وضع موجود برای سال 1405 ترسیم می گردد. نتایج تحقیق نشان داد که مجموعه شهری مشهد ظرفیت چندانی برای توسعه ندارد و در مجموع قریب به 630 کیلومتر مربع از اراضی آن به لحاظ اکولوژیک قابلیت توسعه دارد. در سناریوی اول، ضمن حفظ بخش زیادی از اراضی سبز، مساحت توسعه شبیه سازی شده برای سال 1405، 659 کیلومترمربع محاسبه شد. در سناریوی دوم، مساحت 735 کیلومترمربع به زیر توسعه خواهد رفت و در نهایت، سناریوی سوم که بر اساس تداوم رشد وضع موجود شبیه سازی شد، منجر به شکل گرفتن 775 کیلومترمربع اراضی توسعه یافته و نابودی 210 کیلومترمربع اراضی کشاورزی خواهد شد. تداوم رشد وضع موجود آثار و پیامدهای جبران ناپذیری در منطقه خواهد داشت. از این حیث ضرورت دارد سیستم برنامه ریزی به جد نسبت به نحوه کنترل توسعه شهری در مجموعه شهری توجه کند.

پیش بینی رشد شهر و محل هایی که در آینده مورد دست اندازی ساخت و سازهای شهری قرار می گیرند بسیار مهم است؛ از جمله مواردی که می توان اشاره کرد برنامه ریزی مدیران شهری برای مدیریت آینده شهر و حتی برنامه ریزی شهروندان برای سرمایه گذاری است. در این تحقیق، روند تغییرات توسعه شهری شهر تبریز با استفاده از شبکه عصبی مصنوعی انجام گرفته است. برای این کار، تصاویر چند زمانه سنجنده TM لندست برای سال های ۱۹۹۰، ۲۰۰۰ و ۲۰۱۰ مورد استفاده قرار گرفت. برای طبقه بندی تصاویر از الگوریتم حد اکثر احتمال استفاده شد؛ همچنین بارزسازی تغییرات طبقات کاربری اراضی زمین با استفاده از روش مقایسه پس از طبقه بندی صورت گرفت. در این تحقیق از شبکه عصبی مصنوعی پیش رونده استفاده شد و برای به دست آوردن وزن ها از الگوریتم پس انتشار استفاده شد. متغییرهای ورودی برای این شبکه عصبی شامل لایه های: فاصله از جاده های اصلی، فاصله از مناطق دایر، فاصله از مراکز خدماتی، شیب و ارتفاع بود. نقش عوامل زمین شناسی و تکتونیکی (گسل) نیز در نظر گرفته شد. برای اعتبارسنجی مدل پیش بینی برای سال ۲۰۱۰ صورت گرفت و با تصویر طبقه بندی شده مقایسه شد که نشان دهنده صحّت ۹۶ درصدی مدل بود. نتایج این تحقیق، نشان دهنده رشد روز افزون مناطق شهری و تخریب پوشش گیاهی و کشاورزی از ابتدای دوره مطالعاتی بوده، به طوری که پیش بینی می شود در دوره بین سال های۲۰۱۰ تا ۲۰۳۰ بیش از ۱۶۰۰۰ واحد از زمین های غیر شهری به مناطق شهری تبدیل شود. همچنین نتایج این مطالعه نشان دهنده میل گسترش شهری به سمت جنوبشرقی شهر است.

مسکن به عنوان یک کالای ناهمگن، بادوام، غیر منقول، سرمایه ای و مصرفی با پیامدهای جانبی، سهم زیادی از بودجة خانوارها را به خود اختصاص می دهد و همچنین نقش زیادی در اشتغال و ارزش افزودة کشورها دارد؛ بنابراین، تعیین و برآورد قیمت مسکن برای برنامه ریزان و تصمیم گیران، از اهمیت بسیار بالایی برخوردار است. این برآورد به ویژه اگر بتواند سهم عوامل تأثیر گذار در ارزش مسکن را به خوبی منعکس کند، می تواند در سیاست گذاری های شهری و منطقه ای مورد استفاده قرار گیرد. با توجه به اهمیت مسئله، تحقیق حاضر قصد دارد تا به بررسی عوامل تأثیر گذار در تعیین قیمت مسکن و برآورد قیمت مسکن شهری در کوی ولیعصر تبریز بپردازد. اغلب از روش تابع هدانیک و شبکه های عصبی مصنوعی به عنوان روش های رگرسیون چند متغیّره به منظور برآورد قیمت مسکن استفاده می شود. برای فراهم سازی متغیّرهای اثر گذار در قیمت مسکن، از روش دلفی بهره گرفته شد. داده ها نیز از طریق پیمایش و پرسشگری جمع آوری شدند. یافته ها میزان و ضریب اهمیت هر کدام از متغیّرها را در تابع هدانیک نشان می دهد. طبق یافته ها، نتایج تابع هدانیک در مقایسه با شبکه عصبی مصنوعی از دقت کمتری در برآورد و پیش بینی قیمت مسکن برخوردار است. نتایج تحقیق نشان داد که بین متغیّرهای فضایی و قیمت مسکن در کوی ولیعصر تبریز، همبستگی وجود دارد. این همبستگی برای متغیّر فاصله از پارک، مثبت و برای متغیّرهای فاصله از مراکز خرید، حمل و نقل، خیابان اصلی و مسجد، معکوس است. همچنین، نتایج به دست آمده نشان می دهد، شبکه عصبی در صورتی که آموزش کافی ببیند، قابلیت بالایی در برآورد دقیق قیمت هر متر مربع مسکن دارد.

روندیابی سیل یکی از روش های پیش بینی سیل در رودخانه ها به منظور مدیریت و مهار سیل است. روابط بارش - روناب و ایجاد سیل در یک منطقه، رابطه خطی ریاضیاتی نیست که با آن سیلاب خیزی و وقوع سیلاب را در یک منطقه پیش بینی کرد و باید به این نوع پدیده ها به صورت مدل نگریست. روش های هوش مصنوعی و از جمله آن ها روش شبکه عصبی مصنوعی و سیستم استنتاج فازی، روش هایی مطلوب در این زمینه هستند. در این پژوهش با استفاده از روش های شبکه عصبی مصنوعی و سیستم استنتاج فازی اقدام به روندیابی سیلاب در زیرحوزه آبخیز رودخانه زرد شده است. برای اجرای هر دو روش، ابتدا داده های لازم جمع آوری، سپس داده های پرت از سری داده ها حذف و درنهایت نرمال سازی شدند. مدل سازی روندیابی سیل با استفاده از شبکه های عصبی مصنوعی با کمک کدنویسی در نرم افزار متلب روی داده ها اجرا شد. برای اجرای سیستم استنتاج فازی نیز از این داده های آماده شده استفاده شد. در این پژوهش انواع ساختارهای متفاوت شبکه عصبی مصنوعی با تعداد نرون ها، لایه های مخفی، تعداد دوره های آموزش و توابع فعالیت متفاوت بر روی داده ها اجرا شدند تا درنهایت بهترین ساختار برای منطقه مورد مطالعه به دست آید. برای مدل استنتاج فازی نیز انواع ساختارها اجرا شدند تا درنهایت بهترین مدل انتخاب شود. نتایج نشان داد در حالت کلی، سیستم استنتاج فازی داده های منطقه مورد مطالعه را بهتر شبیه سازی می کند و نتایج بهتری نسبت به مدل شبکه عصبی مصنوعی نشان می دهد و مقادیر MSE و r در سیستم استنتاج فازی و مدل شبکه عصبی مصنوعی به ترتیب برابر با 2196/0 و 0297/0، 7667/0 و 96/0 است که نشان دهنده دقت بالاتر سیستم استنتاج فازی در پیش بینی سیلاب در حوزه آبخیز مورد مطالعه است.