عنوان پایان‌نامه
پیش بینی و ارز یا بی تغییر کار بری اراضی شهری
- رشته تحصیلی
- مهندسی عمران-سیستمهای اطلاعات جغرافیایی(GIS)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 43753;کتابخانه پردیس 2 فنی شماره ثبت: 1694
- تاریخ دفاع
- ۲۸ بهمن ۱۳۸۸
- دانشجو
- امین طیبی
- استاد راهنما
- محمودرضا دلاور, محمدجواد یزدان پناه
- چکیده
- چکیده امروزه توسعه شهری از مهمترین مسائل در سطح جهان است که به صورت روز افزون توجه مدیران و برنامه¬ریزان شهری را به خود معطوف کرده¬ است. در زمینه مدل¬سازی گسترش شهری تا به حال مدل¬های متفاوتی گسترش یافته است که می¬توان آن¬ها را به سه دسته کلی تقسیم کرد. در گروه اول، مدل¬های تجربی قرار دارند که مبنای آن¬ها عموما روش¬های آماری هستند. مدل¬های پویا در گروه دوم قرار می¬گیرند که توانایی در برگیری پارامترهای اجتماعی و اقتصادی در این مدل¬ها وجود ندارد. در گروه سوم، مدل¬های قاعده¬مبنا قرار دارند که در آن امکان تعامل داده¬های مکانی و زمانی وجود دارد. توسعه شهری یک مسئله مهم در حوزه محیط¬زیست است که با پویش و پیش¬بینی آن، می¬توان راه¬های رسیدن به توسعه پایدار در آینده را جستجو کرد. از سوی دیگر، مدل¬سازی و پویش توسعه شهری اطلاعات جامعی در اختیار مدیران و برنامه¬ریزان شهری قرار می¬دهد تا با توجه به پدیده توسعه شهری، برنامه¬ریزی بهتری در سطح محلی، استانی و ملی در نظر گیرند. مدل¬های شبکه عصبی مصنوعی و رگرسیون منطقی تا به حال در زمینه¬های مختلف مدل¬سازی توسعه شهری به کار رفته¬اند که قدرت آن¬ها بستگی به فاکتورهایی مانند قابلیت اعتماد داده¬ها و درک فردی است که عمل مدل¬سازی را انجام می¬دهد، دارد. به همین دلیل در این پژوهش به مدل-سازی توسعه شهری با مدل¬های شبکه عصبی مصنوعی و رگرسیون منطقی در شیراز پرداخته شده است که این مدل-ها در گروه اول قرار می¬گیرند. دلیل انتخاب شیراز این است که این شهر، یکی از کلان¬شهرهای مهم در سطح کشور است که جمعیت آن طی دو دهه اخیر تقریبا دو برابر شده است و توسعه شهری در این شهر، به دلیل رشد جمعیت محسوس است. از سوی دیگر، بررسی توسعه شهری در این کلان¬شهر می¬تواند دید کلی از توسعه شهری در سایر کلان¬شهرها را در اختیار برنامه¬ریزان قرار دهد. هدف اصلی در این تحقیق، مقایسه دو روش شبکه¬ عصبی مصنوعی و رگرسیون منطقی از گروه مدل¬های تجربی در محیط سیستم اطلاعات مکانی جهت شبیه¬سازی و پیش¬بینی توسعه شهری است. در این پژوهش، تحلیل روند توسعه شهری (مرحله یادگیری، ارزیابی اولیه و ارزیابی ثانویه) با مدل¬های مذکور در طول سه بازه زمانی در شهر شیراز (1990، 2000 و 2005)، مدنظر بوده است. با توجه به طرح جامع شیراز، پارامترهایی از قبیل فاصله از مناطق مسکونی، فاصله از جاده، فاصله از فضای سبز، فاصله از مراکز جذب، شیب و ارتفاع جهت شبیه¬سازی توسعه شهری در شهر شیراز در نظر گرفته شده¬اند. از شاخص آماری عامل نسبی جهت ارزیابی اولیه و ثانویه مدل¬ها و از متغیر شاخص اصلی جهت پیش¬بینی مدل¬ها در بازه¬های زمانی مختلف استفاده شد. نتایج نشان می¬دهد که شبکه عصبی مصنوعی دقت بهتری در مدل¬سازی توسعه شهری در ارزیابی اولیه و ثانویه نسبت به روش رگرسیون منطقی دارد. علاوه بر مقایسه دقت مدل¬سازی در هر دو روش، میزان حساسیت مدل¬ها به پیچیدگی مکانی و زمانی نیز بررسی شد. نتایج نشان می¬دهد که در بحث پیچیدگی زمانی، مدت مدل¬سازی توسعه شهری با روش شبکه عصبی مصنوعی پنج برابر بیشتر از روش رگرسیون منطقی است و در بحث پیچیدگی مکانی، قدرت تفکیک مکانی بهینه جهت مدل¬سازی توسعه شهری برای روش رگرسیون منطقی 210 متر و برای روش شبکه عصبی مصنوعی 390 متر است. همچنین اولویت¬دهی از بین پارامترهای موجود در مدل¬سازی توسعه شهری با استفاده از روش شاخص عامل نسبی در هر دو مدل تعیین شد که نتایج نشان می¬دهد پارامتر فاصله از جاده و فاصله از مناطق مسکونی دارای بیشترین و پارامتر ارتفاع دارای کمترین اولویت هستند. در مرحله یادگیری مدل¬سازی توسعه شهری راه¬حل¬هایی پیشنهاد شد که در هر دو روش منجر به کاهش زمان یادگیری و بهبود در مقدار شاخص عامل نسبی در مرحله ارزیابی اولیه و ثانویه شد. مشارکت اصلی مولف طراحی مدل مفهومی جدید جهت مدل¬سازی توسعه شهری است که فرآیندهای شبیه¬سازی توسعه شهری شامل آماده¬سازی داده، مدل¬سازی، پیش¬بینی، ارزیابی اولیه و ثانویه را در برمی¬گیرد.
- Abstract
- Abstract This paper presents Artificial Neural Network (ANN) and Spatial Logistic Regression (SLR) in Geospatial Information Systems (GIS) to simulate and predict urban expansion pattern. Three Landsat TM and ETM+ images (1990, 2000 and 2005) with specific time interval, socio-economic and environmental variables were used as inputs while urban and non-urban areas were considered as outputs for both models. In Temporal Prediction, the amount of land that is expected to transition to urban over a given time period is determined using Principle Index Driver (PID). Taking the Iran Country, Shiraz Metropolitan Area (SMA) as study area, ANN and SLR models has been successfully applied. This paper presents a version of ANN and SLR models which parameterized for SMA and explores how factors such as road, build-up area, service centre, green space, elevation and slope can influence urban expansion. Both models were evaluated with respect to spatial and temporal sample datasets based on ROC value. For this project, the ANN and SLR models were applied to three groups of runs. The first run (referred to as the Training run) was used to extract the pattern of urban land development which trained on the actual changes between 1990 and 2000 solely for part of SMA. The second run (referred to as the Verification run) is an extension of the same models to project 2000 urban land development across other part of SMA. The third run (referred to as the Validation run) is an extension of the same models to project 2005 urban land development across whole SMA. ROC value of ANN and LR were 0.78 and 0.73 in Verification run between 1990-2000 and 0.72 and 0.68 in Validation run which run over the span of 2000-2005 to simulate urban areas changes. For the rank order of input variables according their influence on the model performance, we compared the predictive ability of the different versions of the reduced-variable model of input variables. Furthermore, the ranked image of probability of urbanization was sliced at a series of threshold levels (He and Lo, 2007). The series of thresholds was specified at an equal interval of 5%. Key words: Urban Expansion Model, Geospatial Information System, Artificial Neural Network, Spatial Logistic Regression, Relative Operating Characteristic
