چکیده:
در تجزیه و تحلیل و مدلسازی رشد فیزیکی شهر معمولا عوامل اقتصادی- اجتماعی به دلیل عدم دسترسی به این دادهها نادیده گرفته میشوند. به همین دلیل در مدلسازی رشد فیزیکی شهرها تاکنون بر ایجاد لایههای اطلاعاتی از این نوع دادهها کمتر کار شده است. این مطالعه با هدف معرفی روشی کارا به منظور ایجاد لایههای اطلاعاتی برای دادههای اقتصادی- اجتماعی و استفاده از این لایههای اطلاعاتی در کنار لایههای اطلاعاتی مستخرج از تصاویر ماهوارهای لندست و اطلاعات پیمایش زمینی به منظور مدلسازی رشد فیزیکی شهر کرج انجام شد. بدین منظور پس از ایجاد لایههای اطلاعاتی مختلف با اهمیتترین متغیرهای موثر در رشد شهری با روش انتخاب ویژگی جنگل تصادفی تعیین گردید و سپس مدلسازی رشد فیزیکی شهر کرج برای سالهای 2000 تا 2010 با استفاده از روشهای رگرسیون لجستیک چند متغیره، پرسپترون چندلایه و روش نقشه خود سازماندهنده انجام شد. نتایج نشان داد که استفاده از با اهمیتترین متغیرهای موثر به عنوان ورودی در روش نقشه خود سازماندهنده با دقت کلی 84.47، کاپا 68.93، ROC برابر با 90.72، FOM برابر با 43.98 و PCM برابر با 84.47 از عملکرد بهتری برخوردار بود، همچنین استفاده از خصیصههای اجتماعی- اقتصادی پیشنهاد شده در این تحقیق در کنار دادههای سنجش ازدور میتواند به ارتقا عملکرد روش پیشبینی کننده کمک نماید. سرانجام با استفاده از سلولهای خودکار پیشبینی رشد فیزیکی شهر در سالهای 2017 و 2027 انجام گردید.
خلاصه ماشینی:
بدین منظور پس از ایجادلایه های اطلاعاتی مختلف با اهمیت ترین متغیرهای مؤثردر رشد شهری با روش انتخاب ویژگی جنگل تصادفی تعیین گردیدو سپس مدلسازی رشد فیزیکی شهر کرج برای سالهای ٢٠٠٠تا ٢٠١٠با استفاده از روشهای رگرسیون لجستیک چند متغیره ، پرسپترون چندلایه و روش نقشه خود سازماندهنده انجام شد.
با توجه به مطالب فوق،هدف کلی این مطالعه ارائه روشی کارآمد به منظور ایجاد لایه های اجتماعی -اقتصادی است تا از آنها به همراه اطلاعات مستخرج از تصاویرماهوارهای لندست و اطلاعات پیمایش زمینی در مدلسازی رشد فیزیکی شهر کرج استفاده گردد.
به همین منظور با استفاده از روش انتخاب ویژگی جنگل تصادفی ،با اهمیت ترین عوامل مؤثردر رشدفیزیکی شهر کرج تعیین میشود تا با استفاده ازروشهای رگرسیون لجستیک چند متغیره، شبکه عصبی پرسپترون چند لایه و شبکه عصبی نقشه خود سازماندهنده مدلسازی رشد فیزیکی شهر کرج انجام گرددو قابلیت این روشهای مدلسازی مورد ارزیابی قرار گیرد.
سرانجام با استفاده از لایه های انتخاب شده مدلسازی رشد فیزیکی شهر کرج در سال ٢٠١٠انجام گردید،پس از آن با استفاده از روشهای 123 اعتبارسنجی مورد مطالعه در این تحقیق بهترین نقشه ای تولید گردیده به منظور پیش بینی رشد فیزیکی شهرتعیین گردید.
, "Modeling Urban Dynamics Usind Random Forest: Implementing ROC and TOC for Model Evaluation", The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B2, XXIII ISPRS Prague, Czech Republic ,Congress, 12–19 , July 2016 - Buyadi, S.
, " Urban growth prediction using neural network coupled agents-based Cellular Automata model for Sriperumbudur Taluk, Tamil Nadu, India", The Egyptian Journal of Remote Sensing and Space Sciences, 2018https://doi.