عنوان پایان‌نامه

تعیین هوشمند فضا های مناسب برای رشد بهینه شهر با استفاده از تحلیلهای مکانی زمانمند



    دانشجو در تاریخ ۱۷ بهمن ۱۳۹۵ ، به راهنمایی ، پایان نامه با عنوان "تعیین هوشمند فضا های مناسب برای رشد بهینه شهر با استفاده از تحلیلهای مکانی زمانمند" را دفاع نموده است.


    رشته تحصیلی
    مهندسی عمران- نقشه برداری - سیستم اطلاعات مکانی
    مقطع تحصیلی
    دکتری تخصصی PhD
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3604;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 80951;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3604;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 80951
    تاریخ دفاع
    ۱۷ بهمن ۱۳۹۵
    دانشجو
    فریدون نقیبی
    استاد راهنما
    محمودرضا دلاور
    چکیده
    لینک فایل چکیده
    افزایش جمعیت و مهاجرت از نواحی روستایی به شهرها در کنار رشد اقتصادی جوامع از علل عمده رشد شهری است. رشد بی‌برنامه و شتابان شهری دارای اثرات منفی ازجمله پراکنده رویی و استفاده نامناسب از زمین، از بین رفتن زمین‌های کشاورزی، صدمه به منابع طبیعی و نواحی حساس اکولوژیکی و بروز مشکلات زیست‌محیطی است. علی‌رغم اثرات منفی، وقوع رشد شهری در غالب مناطق دنیا اجتناب‌ناپذیر بوده و برای مواجه با تبعات منفی رشد شهری، مدیران و برنامه ریزان شهری لازم است از راهکارهایی که به درک آن‌ها از الگوهای آتی رشد شهری و تغییرات کاربری اراضی کمک نماید، استفاده نمایند. در دهه‌های اخیر، مدل‌های مختلفی برای شبیه‌سازی رشد شهری ارائه شده است. یکی از مدل هایی که بطور گسترده مورد توجه محققان قرارگرفته مدل خودکاره سلولی (CA) است. توانایی های مدل خودکاره سلولی در شبیه‌سازی فرایند رشد شهری و انطباق آن با ساختار داده سلولی که می‌تواند از توانایی‌های علوم و فناوری‌های GIS و سنجش‌ازدور بهره گیرد، سبب شده است که محققان از آن برای درک پویایی و الگوهای رشد شهری استفاده نمایند. در این تحقیق نیز از این مدل برای مدل سازی فرایند رشد شهری جهت تعیین فضاهای مناسب برای رشد بهینه شهر استفاده شد. البته برای دستیابی به یک پیش بینی نزدیک به واقعیت لازم است قواعد تبدیل خودکاره سلولی که با متغیرهای غیرخطی و ناهمگن متعددی سر و کار دارد، به صورت بهینه تعیین گردند. تعیین بهینه قواعد تبدیل معمولاً چالش‌برانگیز بوده و برای استخراج آنها روش‌های متنوعی توسط محققان ارائه ‌شده‌اند. اخیراً استفاده از الگوریتم‌های مبتنی بر خرد جمعی جهت مواجه با روابط غیرخطی میان محرک های رشد شهری و ناهمگونی آن‌ها در تعیین قواعد تبدیل پیشنهاد شده است. از میان الگوریتم‌های مبتنی بر خرد جمعی، یکی از الگوریتم‌هایی که در حوزه‌های مختلف ازنظر راه‌حل پیشنهادی و کارآیی محاسباتی عملکرد موفقیت‌آمیزی داشته است، الگوریتم بهینه سازی کلونی زنبور مصنوعی (ABC) است که دارای ویژگی‌هایی مانند انعطاف‌پذیری، استحکام، پیاده‌سازی آسان و نیاز کمتر به پارامترهای کنترلی در مقایسه با سایر الگوریتم‌های مبتنی بر خرد جمعی است. لذا در این تحقیق از این الگوریتم که تاکنون استفاده از آن در تعیین قواعد تبدیل خودکاره سلولی گزارش نشده است، بهره گرفته شده است. در این تحقیق مدل ترکیبی خوکاره سلولی و الگوریتم ABC در بستر سیستم اطلاعات مکانی زمانمند جهت تعیین هوشمند فضاهای مناسب رشد بهینه شهری استفاده گردید. در این تحقیق، ویژگی های مکانی و زمانی رشد شهری جهت مدل سازی آن به تفصیل مورد بررسی قرار گرفته و انواع و مشخصات مدل های شبیه سازی رشد شهری از جمله مدل خودکاره سلولی تشریح شده است. مدل پیشنهادی ABC-CA مطابق با پارامترهای اصلی مؤثر در رشد شهری بر روی‌داده‌های شهر ارومیه تست گردید. جهت داشتن ارزیابی دقیق از عملکرد و کارآیی مدل پیشنهادی، ترکیب مدل خودکاره سلولی با دو الگوریتم از خانواده الگوریتم های مبتنی بر خرد جمعی یعنی بهینه سازی کلونی مورچه ها (ACO) و بهینه سازی توده ذارت (PSO) و روش سنتی رگرسیون لجستیک (LR) طراحی و پیاده سازی گردید. در این تحقیق، مدل ترکیبی پیشنهادی خودکاره سلولی با الگوریتم ABC جهت مدل سازی رشد شهری با مدل ترکیبی خودکاره سلولی و الگوریتم ACO از طریق روش های ارزیابی مانند دقت سراسری، خطاهای شبیه سازی، ماتریس خطا، میزان شایستگی و منحنی مشخصه اجرایی کلی (TOC) مورد مقایسه قرارگرفت. همچنین تغییراتی در جهت بهبود کارایی الگوریتم ABC اعمال گردید و سپس مدل ترکیبی آن الگوریتم با خودکاره سلولی جهت شبیه سازی رشد شهری شهر ارومیه پیشنهاد گردید. کارکرد مدل پیشنهادی با دو مدل های دیگر PSO-CA و روش ترکیبی CA-LR مورد مقایسه قرار گرفت و در نهایت جهات آتی رشد شهر ارومیه و فضاهای مناسب برای رشد بهینه شهری آن برای سال 1403 پیش بینی گردید. مقایسه مساحت شهر ارومیه در سال 1393 با مساحت طرح جامع سال 1388 آن شهر نشان می دهد که از نظر مساحت، شهر ارومیه نسبت به محدوده مصوب آن تغییرات عمده ای نداشته و رشد شهری در حدود 6/3 % به مساحت شهر افزوده است. در حالیکه الگوهای رشد شهر ارومیه در سال 1393 از الگوهای طرح جامع آن تبعیت ننموده و با آن تفاوت های عمده ای دارد. نتایج پیاده سازی مدل‌های ABC-CA و ACO-CA نشان داد که دقت سراسری مدل‌های مذکور به ترتیب 1/90 % و 2/87 % و شاخص برازش شکلی آن ها به ترتیب 7/51 % و 9/42 % گردید. در هر دوی این شاخص ها مدل پیشنهادی ABC-CA توانست دقت بهتری را ارائه نماید. درنهایت مدل پیشنهادی از نظر خطای شبیه‌سازی نیز خطای کمتری نسبت به مدل ACO-CA تولید نمود. همچنین نتایج پیاده سازی مدل پیشنهادی با الگوریتم ABC تغییریافته (MABC-CA) با نتایج مدل PSO-CA و روش سنتی CA-LR مقایسه گردید. نتایج پیاده سازی مدل‌های MABC-CA، PSO-CA و CA-LR نشان داد که دقت سراسری مدل‌های مذکور به ترتیب 89 % ، 5/87 % و 1/87 % و شاخص برازش شکلی آن ها به ترتیب 6/35 %، 8/32 % و 7/31 % گردید. در این شاخص مدل MABC-CA توانست دقت بهتری را ارائه نماید. از نظر خطای شبیه‌سازی مدل پیشنهادی خطای کمتری نسبت به مدل های PSO-CA و CA-LR تولید نمود. شاخص ارزیابی دیگر مورد استفاده TOC بود که قابلیت مدل در تولید بهترین نقشه‌های تناسب در مقادیر آستانه‌های مختلف را ارزیابی می‌نماید. نتایج نشان داد که مدل پیشنهادی نسبت به مدل های PSO-CA و CA-LR منحنی TOC نزدیک‌تر به محدوده بیشینه تولید نموده است و لذا عملکرد بهتری داشته است. در نهایت نواحی و فضاهای مناسب برای رشد بهینه شهر ارومیه با تحلیل های مکانی و زمانی تعیین گردید. نتایج نشان داد که مدل پیشنهادی MABC-CA سعی کرد نسبت به دو مدل دیگر از زمین های بیشتری در داخل محدوده مصوب شهر ارومیه برای رشد آتی شهر بهره گیرد (حدود 53 هکتار بیشتر نسبت به مدل PSO-CA و حدود 56 هکتار بیشتر نسبت به مدل CA-LR). این بدان معنی است که مدل پیشنهادی توانسته است نواحی یا فضاهای مناسب بهینه بیشتری را در مقایسه با دو مدل دیگر برای رشد آتی مکان یابی نماید. واژه های کلیدی: مدل سازی رشد شهری، خودکاره سلولی، کالیبره نمودن مدل، خرد جمعی، الگوریتم بهینه سازی کلونی زنبور عسل مصنوعی.
    Abstract
    Increasing urban population and rural to urban migration alongside the economic growth are the main causes of urban growth. Unplanned and rapid urbanization have led to many negative impacts on the environment, such as urban sprawl, the loss and fragmentation of agricultural lands and of natural areas that support wildlife. To avoid these impacts, anticipatory planning has to be considered. In recent decades, urban growth models have been proposed to use capabilities of a new generation of spatial analyses in the urban growth simulations. The urban growth is a complex process consisting of several interacting elements. Thus, to model this process several urban growth models have been presented, among them cellular automata (CA) has arguably been the most popular tool which has been used to simulate urban change and its spatial patterns because of its capacity to reproduce the dynamics of the urban growth and compatibility with the raster data structure within GIS and remote sensing framework. However, calibrating an urban CA is challenging and complicated because of the existing spatial heterogeneity of urban form and the non-linearity of the urban growth driving forces. Previous studies have shown that CA models calibrated by swarm intelligence (SI)-based algorithms can produce better results and have better performances and computational efficiencies compared to other methods. Several studies have demonstrated that the SI algorithms can obtain the optimum global pattern and improve locational accuracy in discovering transition rules of CA in the land use change and urban growth modelling. On the other hand, artificial bee colony (ABC) algorithm is one of the most successful SI algorithms used in optimization problems. Recently, ABC in the area of numerical optimization algorithms has shown better results in performance and computational efficiency compared with those of the other evolutionary algorithms. Considering the advantages of the ABC algorithm, using ABC in discovering transition rules of CA can be a useful approach to calibration CA and to achieve better understanding of the complex processes such as urban land use change and urban growth. In this research, spatio-temporal attributes of urban growth and the models that predict urban growth process such as CA were discussed in detailed. The research proposes a novel CA-based urban change model that used the ABC algorithm to extract optimum transition rules. We applied the proposed ABC-CA model to simulate the future urban growth in Urmia mega city in West Azerbaijan Province in the north east of Iran to simulate its optimum urban growth. Additionally, in this research the CA models calibrated by the ant colony optimization (ACO) and the particle swarm optimization (PSO) algorithms as similar methods from swarm intelligence algorithms and the logistic regression (LR) as a traditional method were implemented to assess the performance of our proposed model versus similar methods from swarm intelligence algorithms. Validation of the simulation results was made through statistical methods such as overall accuracy, simulation errors, figure of merit (FoM), relative operating characteristics (ROC) and total operating characteristics (TOC). Moreover, in this research some modifications were applied to the ABC algorithm to increase its effectiveness and performance. The modified algorithm, called MABC, was integrated with the CA model (MABC-CA) to simulate the future urban growth in Urmia mega city for 2024. Comparing the area and the boundary of Urmia in 2014 with those proposed by the urban comprehensive plan (produced in 2009) shows that the area of Urmia has not changed much compared to the approved urban zone where the urban growth has raised by about 3.6% to the area of the city. While the urban growth patterns of Urmia in 2014 did not follow the patterns proposed by comprehensive plan and it has significant differences. The results of the ABC-CA and the ACO-CA models showed that the overall accuracies of the models were 90.1% and 87.2% and the FoM values of the models were 51.7% and 42.9%, respectively. In both of the mentioned indicators, the proposed ABC-CA model was able to provide better accuracy. Finally, the ABC-CA model also outperforms the ACO-CA model with fewer quantity and allocation errors. Therefore, in this research comparisons among the simulation results of the proposed model utilizing the modified ABC algorithm (MABC-CA), the PSO-CA model and the traditional CA-LR model were performed to evaluate the potential of the proposed method. The results showed that the overall accuracy of the MABC-CA, the PSO-CA and CA-LR model were 89%, 87.5% and 87.1%, respectively, and those of FOM were 35.6%, 32.8% and 31.7%, respectively. This means that the MABC-CA model creates better results compared with those of the PSO-CA and CA-LR models. Moreover, the MABC-CA model produced less simulation errors compared with the PSO-CA and CA-LR models. Another used validation method was the TOC plot. It evaluates the capability of the model in producing the best suitability maps independent of applying the various threshold values. Comparing the TOC curve of for the MABC-CA, PSO-CA and CA-LR models shows that the MABC-CA model is closer to the maximum boundary representing the highest ranking observations of the index variable compared with the TOC curve of the PSO-CA and CA-LR models. This means that the ABC-CA model creates better results compared with those of the PSO-CA and CA-LR models. Finally, the optimum locations for the future urban growth of Urmia were determined by the spatio-temporal analyses. The results showed that the proposed model compared with the PSO-CA and the CA-LR models attempted to use more lands within the approved zone of Urmia for the future urban growth (about 53 hectares more than the PSO-CA model and about 56 hectares more than CA-LR model).