امید اشکریز؛ بابک میرباقری؛ علی اکبر متکان؛ علیرضا شکیبا
چکیده
سابقه و هدف: روند رشد شهری در دهه های اخیر تسریع شده است . بنابراین پیش بینی الگوی رشد آینده شهر برای جلوگیری از برخیمشکل های محیط زیستی، اقتصادی و اجتماعی از اهمیت بالایی برخوردار است. شهر تبریز نیز به دلیل تغییرات جمعیتی قابل توجه از رشد سریع زمین های شهری برخوردار بوده و بنابراین نیازمند شبیه سازی دقیق رشد شهری برای جلوگیری از پیامدهای ...
بیشتر
سابقه و هدف: روند رشد شهری در دهه های اخیر تسریع شده است . بنابراین پیش بینی الگوی رشد آینده شهر برای جلوگیری از برخیمشکل های محیط زیستی، اقتصادی و اجتماعی از اهمیت بالایی برخوردار است. شهر تبریز نیز به دلیل تغییرات جمعیتی قابل توجه از رشد سریع زمین های شهری برخوردار بوده و بنابراین نیازمند شبیه سازی دقیق رشد شهری برای جلوگیری از پیامدهای منفی محیط زیستی و اقتصادی می باشد. هدف این پژوهش ، ارزیابی دقت الگوریتم های مطرح یادگیری ماشین با روش اعتبارسنجی متقابل مکانی و تلفیق آنها با مدل سلول های خودکار جهت شبیه سازی رشد زمین های شهری است .مواد و رو ش ها: در این پژوهش جهت تحلیل تغییرات کاربری زمین های شهری تصاویر ماهواره ای لندست مربوط به سال های 1376،1385 و 1394 با استفاده از روش ماشین بردار پشتیبان طبقه بندی شدند. در گام بعدی تولید نقشه های پتانسیل تغییر زمین های غیرشهری به شهر با استفاده از الگوریتم های جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی پرسپترون چند لایه برای دو دوره کالیبراسیون (سال های 1376 - 1385 ) و اعتبارسنجی (سا ل های 1385 - 1394 ) براساس لایه های اطلاعاتی فاصله از معابر اصلی، فاصله ازمرکز شهر، فاصله از زمین های ساخته شده، فاصله از رودخانه و راه آهن و همچنین لایه های شیب، ارتفاع و لایه دو کلاسه کاربری شامل کاربری کشاورزی (با مقدار صفر) و بایر (با مقدار یک)، انجام شد. در پژوهش حاضر جهت جلوگیری از بیش برازش الگوریتم ها به نمونه های آموزشی و در نتیجه به دست آمدن نتایج خوش بینانه، از روش اعتبارسنجی متقابل مکانی با هدف کاهش همبستگی مکانی میان داده های آموزشی و آزمایشی، در فرایند استخراج پارامترهای بهینه الگوریتم های یادگیری ماشین استفاده گردید. در نهایت با استفاده از مدل سلول های خودکار، شبیه سازی رشد شهر تبریز براساس نقشه های کاربری زمین ها و پتانسیل تغییر به دست آمده از الگوریتم های یادگیری ماشین برای دوره های بیان شده انجام شد.نتایج و بحث: نتایج نشان داد الگوریتم جنگل تصادفی با مقدار مساحت زیر منحنی ROC معادل 9228 / 0 نسبت به الگوریتم های ماشین بردار پشتیبان و شبکه عصبی مصنوعی به ترتیب با مساحت های 8951 / 0 و 8726 / 0، عملکرد بهتری در برآورد پتانسیل تغییر زمین های غیر شهری به شهر داشته است. همچنین این الگوریتم در مقایسه با سایر الگوریتم ها تغییرات محلی در پتانسیل تغییر را به صورت بارزتری استخراج کرده است. در نهایت رشد شهر تبریز با استفاده از مدل سلول های خودکار بر مبنای نقشه های پتانسیل تغییر به دست آمده شبیه سازی شد . مقایسه نقشه پیش بینی در دوره اعتبارسنجی با وضع موجود زمین های شهری در سال 1394 نشان داد که شبیه سازی رشد شهری با مدل سلول های خودکار مبتنی بر جنگل تصادفی با مقدار سنجه سازگاری 3569 / 0 نسبت به مدل های مبتنی بر بردار پشتیبان و شبکه عصبی به ترتیب با مقادیر سنجه سازگاری 3496 / 0 و 3434 / 0د ر اختصاص زمین های غیرشهری به شهری دقیق تر بوده است.نتیجه گیری: توانایی الگوریتم های یادگیری ماشین نظیر شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی در حلمسئله های غیر خطی، استفاده از آنها را در شبیه سازی رشد زمین ها ی شهری اجتناب ناپذیر می سازد. در این میان در تحقیق حاضرالگوریتم جنگل تصادفی که اساس آن بر یادگیری جمعی استوار است از مزیت بالاتری نسبت به دو الگوریتم ماشین بردار پشتیبان و شبکه عصبی مصنوعی برخوردار بوده است .
