عنوان پایان‌نامه
نحوه ی انتشار مکانی خطا در مدل های توسعه شهری با استفاده از تصا ویر سنجش از دور
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2073;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 51838
- تاریخ دفاع
- ۲۹ اسفند ۱۳۹۰
- دانشجو
- امیرحسین طیبی
- استاد راهنما
- محمدجواد یزدان پناه
- چکیده
- تغییر پوشش/ کاربری اراضی کنش و واکنشی در فضا و زمان بین عوامل انسانی و بیوفیزیکی است. انسان از بدو وجود به دنبال تغییر طبیعت برای به دست آوردن غذا و مواد مورد نیازش بوده است. به علت رشد روز افزون جمعیت و توسعه ی فن آوری، تغییرات انسان در طبیعت طی دهه های اخیر به صورت بی سابقه ای افزایش یافته است. تغییرات پوشش/ کاربری اراضی دارای نتایج وسیع بر اقتصاد، سیاست، تنوع زیست محیطی، آلودگی ها و تغییرات آب و هوایی است. یکی از وجوه نمایان تغییرات پوشش/ کاربری اراضی، شهری سازی است. شهری سازی به افزایش تراکم ساکنین محلی که با افزایش سرانه ی مصرف انرژی و تغییرات وسیع زیست محیطی همراه است، اطلاق می شود . با این که مناطق شهری کسر کوچکی از زمین را تشکیل می دهند، حدود 50% جمعیت دنیا در این مناطق ساکن هستند . مناطق شهری با شتاب زیادی گسترش می یابند، از آنجاییکه بر طبق پیش بینی ها جمعیت شهری در سال 2030 به میزان 60% افزایش خواهد یافت. مدل های تغییر پوشش/ کاربری اراضی متفاوتی در دو محیط سلولی و برداری وجود دارند. مدل های برآوردگر تجربی (مانند مدل رگرسیون منطقی مکانی)، از توابع ریاضی برای مدل کردن الگوهای تغییر استفاده میکنند، در حالیکه مدل های شبیه سازی پویا (مانند مدل شبکه ی عصبی مصنوعی) از قوانین انتقال مکانی برای مدل کردن پویایی ها بهره می برند. مدل شبکه عصبی مصنوعی در ابتدا برای مدل کردن تغییرات پوشش/ کاربری اراضی طراحی گردید و سپس در قسمت های دیگر مانند تغییرات آب و هوایی مورد استفاده قرار گرفت. این مدل دارای توانایی پیش بینی (در آینده) تغییرات پوشش/ کاربری اراضی و همچنین بازسازی این تغییرات (در گذشته) است. ارزیابی صحت مدل های تغییر پوشش/ کاربری اراضی به علت نقش آن ها در تصمیم گیری های کلان از اهمیت زیادی برخوردار است. از این طریق می توان به مناسب بودن مدل برای کاربری خاص پی برد و جنبه هایی از مدل که نیازمند بهبود هستند شناسایی می گردند. از آنجاییکه توسعه ی پایدار یک هدف مهم برای بسیاری از جوامع شهری است، به مدل های تغییر پوشش/ کاربری اراضی به علت ایجاد اطلاعات درباره ی اثرات بالقوه توسعه ی شهری برای برنامه ریزان تغییر پوشش/ کاربری اراضی توجه ویژه ای می گردد چرا که آن ها برای برنامه ریزان محلی کاربری اراضی و مدیران منابع ناحیه ای اطلاعاتی درباره اثرات توسعه شهری فراهم می کنند. ارزیابی خطا و عدم قطعیت در فرآیندهای مدل سازی مکانی لازم است به این علت که خطاها قسمت غیر قابل انکار فرآیند مدل سازی سیستم اطلاعات مکانی هستند. عدم قطعیت همچنین موضوع مهمی برای برنامه ریزان و تصمیم گیرندگان شهری است زیرا آن ها باید مراقب ارتباط عدم قطعیت با نقشه های کاربری اراضی شهری باشند. داشتن دانش درباره منشا و اثرات عدم قطعیت برای تحقق بخشیدن به اهداف اعتمادپذیری در برنامه ریزی شهری لازم است. Walker در سال 2003 چارچوب ها و نوع شناسی های جدیدی از عدم قطعیت برای زمینه های حمایت از تصمیم گیری را توسعه داد. این مطالعه تلاش می-کند تا از چارچوب Walker برای مخاطب قرار دادن اهمیت ارزیابی ابعاد مختلف عدم قطعیت در شبیه سازی توسعه شهری، با استفاده از شبکه عصبی مصنوعی (ANN) و رگرسیون منطقی مکانی (SLR)، استفاده کند. در این تحقیق Muskegon River Watershed در ایالات متحده به عنوان منطقه مورد مطالعه برای رسیدن به اهداف مطالعه انتخاب گردید. عدم قطعیت های مرتبط با داده، پارامترهای مدل و خروجی مدل با استفاده از شاخص عامل نسبی (ROC) و آماره ی مهارت حقیقی (TSS)، با مقایسه خروجی های نسخه های مختلف شبکه عصبی مصنوعی و رگرسیون منطقی مکانی با نقشه کاربری واقعی اراضی، ارزیابی می شود. نتایج نشان می دهند که خطا در داده های خروجی مهم تر از خطا در داده های ورودی است و خطا در داده های ورودی- خروجی حالت تجمعی دارد که باعث افزایش خطاهای میانگین مجذور مربعات و کاهش شاخص عامل نسبی و آماره ی مهارت حقیقی می گردد. عدم قطعیت داده مهم تر از عدم قطعیت پارامتری مدل در چارچوب عدم قطعیت است.
- Abstract
- Land Use Land Cover Change is interaction in space and time between biophysical and human factors (Acevedo, M. F., 2007). Human has changed the environment to attain his food and other requirements. The rate of this change has increased over past few decades due to population growth and the development of technology. Urbanization is one of the apparent dimensions of Land Use Land Cover Change. It can be defined as a local increase of inhabitants density coupled with increased per capita energy consumption and extensive modifications of the local environment, represents an important type of land use and cover changes (LUCC) and is considered to be an inevitable tendency in today’s world (Ottensmann 1977; Pickett et al. 2001; Liu et al. 2005). Although urbanized areas may only cover a small fraction of earth’s land surface, urban land provided residence for approximately 3.3 billion or 50% of the world’s population in 2007 (Haub 2007). Urban land will continue to expand with an accelerated urbanization rate, as the world’s urban population is anticipated to exceed 60% by 2030 (United Nations 2004; Haub 2007). There are distinct LUCC models that are raster based or they have been designed in vector environment. Empirical Estimation Models (Such as Spatial Logestic Regression) use Mathematical Functions to model LUCC while Dynamic Simulation Models (Such as ANN) use spatial transition rules to model Dynamics. Accuracy Assessment of LUCC models is vital due to the role of these models in Policymakings. It can show the aspects of models which need improvements and whether the model is appropriate for specific application or not. As sustainable development is a goal for many urban communities, land use land cover change (LUCC) models have drawn more public attention because they provide information about the potential effects of urban growth, to the local land use planners and regional resource managers. Assessing error and uncertainty in geospatial modeling processes is very important because errors are undeniable part of Geographic Information System (GIS) modeling process. Uncertainty is also an important issue for decision makers and urban planners because they need to very carefully communicate the uncertainties within the urban land use maps. Having knowledge about the origin and impacts of uncertainty is needed to meet the goals of reliability in urban planning. Walker et al. (2003) developed new frameworks and typologies of uncertainties for decision support fields. This study attempts to apply Walker et al, (2003) framework to address the importance of assessing various dimensions of uncertainty in urban growth simulation through Artificial Neural Network (ANN) and Spatial Logistic Regression (SLR). Muskegon River Watershed (MRW) of USA was considered as the study area to meet the objectives of this paper. We assess the uncertainties associated with data, model parameters and model outcome using True Skill Statistic (TSS) and Relative Operating Characteristic (ROC) to compare the outputs of different versions of ANN and SLR with actual land use map. Results show that the error in output data is more significant than error in input data and error in input-output data has accumulative effect on increasing MSEs and decreasing ROC and TSS. Data uncertainty is more significant than model parameter uncertainty in uncertainty framework. Finally, ANN cycles play a big role in ANN stability. Across different scenarios of uncertainties ANN model shows more stability than SLR.
