تحلیلی بر تغییرات و پیش بینی روند کاربری اراضی شهر ارومیه با استفاده از مدل SVM و شبکه‌های عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد سنجش از دور و GIS، دانشگاه تبریز، تبریز

2 دانشیار جغرافیا و برنامه‌ریزی شهری، دانشگاه ارومیه، ارومیه

3 دانشجوی دکتری برنامه‌ریزی شهری، دانشگاه تبریز، تبریز

چکیده

رشد جمعیت شهرنشین با افزایش فضاهای شهری و به‌طورکلی، با رشد اندازة شهرها همراه بوده است. این امر به‌صورت ساخت‌وساز بیشتر و تغییر اراضی موجود به‌نفع فضاهای ساخته‌شده بروز می‌یابد. موقعیت خاص شهر ارومیه در مجاورت دریاچة ارومیه و شرایط نامساعد این دریاچه لزوم توجه به برنامه‌ریزی صحیح کاربری اراضی را، در این شهر، ناگزیر می‌کند. یکی از ابزارهای مورد نیاز برای برنامه‌ریزی مناسب، در این زمینه، بهره‌گیری از تکنیک‌های سنجش از دور است. پژوهش حاضر با هدف ارزیابی این تغییرات (دورة 2015-1989) و پیش‌بینی روند آتی آن صورت گرفته است. از روش‌های SVM و شبکة عصبی برای ارزیابی تغییرات در پنج کلاس استفاده شده است. ضریب تعیین (0.73) و منحنی راک (82.55%) نیز بیانگر دقت بالای مدل شبکة عصبی برای پیش‌بینی تغییرات گسترش شهری‌اند. با توجه به دقت بالای این مدل، که می‌تواند نتایج واقعی‌تری ارائه دهد، از نتایج این نوع طبقه‌بندی در پیش‌بینی تغییرات برای افق 2045 استفاده شده است. اراضی ساخته‌شده در سال 1989 برابر با 7469.1 هکتار بوده که در سال 2002 و 2015، به‌ترتیب، به 9217.3 و 9436.9 هکتار رسیده است. در سال 2045، براساس مدل پیش‌بینی شبکة عصبی، برابر با 22449.6 هکتار خواهد بود که 13012.7 هکتار افزایش را در اراضی ساخته‌شده نشان می‌دهد. نتایج حاصل گویای این است که تمامی این ساخت‌وسازها برمبنای نیاز واقعی شهر نبوده‌ و پدیدة اسپرال (گستردگی شهری) اتفاق افتاده است.

کلیدواژه‌ها


عنوان مقاله [English]

An Analysis on Land Use Process Changes and Forecasting in Urmia City Using SVM Model and Neural Networks

نویسندگان [English]

  • ali khedmatzadeh 1
  • Mir Najaf Mousavi 2
  • Hojjat Mohammadi Torkamani 3
1 tabriz
2 Urmia University
3 Tabriz University
چکیده [English]

The growth of the urban population has been led to increasing of the urban spaces and growth of the city size. as a result of further construction and alteration of the land available to the benefit of its built-up spaces. Special location the city of Urmia at proximity of the Urmia lake and unfavorable condition of this lake reveals the necessity of the proper landuse planning at this city. One of the required tools for proper planning in this field is the use of remote sensing techniques. The present study aims to evaluate these changes (period 1989-2015) and predict its future trend. SVM and neural network methods are used to evaluate changes in 5 classes Due to the high accuracy of the classification of the neural network, the results of this classification have been used to predict changes for the 2045 horizon. Land constructed in 1989 is 7469.1 hectares, reaching 9217.3 and 94366.9 hectares in 2002 and 2015 respectively, and by2045, according to the prediction model, the neural network is equal to 22449.6 hectares, which is built on lands 13012.7 Shows hectares of increase. The determination coefficient (0.73) and rock curve (82.55%) also indicate the high accuracy of the neural network model to predict urban development changes. The Heldern method results shows that all of these constructions are not based on the real needs of the city And the sparse phenomenon has happened.

کلیدواژه‌ها [English]

  • Classification
  • Urmia City
  • Neural network
  • SVM
  • MLP
استانداری آذربایجان‌غربی، 1394، سالنامة آماری استان آذربایجان‌غربی، ج 1.
آرخی، ص.، نیازی، ی.، ارزانی، ح.، 1390، مقایسة تکنیک‌های مختلف پایش تغییر کاربری اراضی/ پوشش گیاهی با استفاده از RS & GIS (مطالعة موردی: حوزة دره‌شهر استان ایلام)، فصلنامة علوم محیطی، سال 8، شمارة 3، صص. 96-81.
براتی قهفرخی، س.، سلطانی کوپایی، س.، خواجه‌الدین، س.ج.، رایگانی، ب.، 1388، بررسی تغییرات کاربری اراضی در زیر حوزة قلعة شاهرخ با استفاده از تکنیک سنجش از دور (دورة زمانی 1381-1354)، مجلة علوم و فنون کشاورزی و منابع طبیعی، ج. 13، شمارة 47، صص. 365-349.
بهرام سلطانی، کامبیز (1371). مجموعه مباحث و روش های شهرسازی، محیط‌زیست. مرکز مطالعات و تحقیقات شهرسازی و معماری ایران.
توکلی، م.، فاضل‌نیا، غ.، حسنی، ص.، ۱۳۹۴، بررسی اثرات تغییرات کاربری اراضی بر امنیت غذایی (مطالعة موردی: شهر مشهد ریزه)،دومین همایش یافته‌های نوین در محیط‌زیست و اکوسیستم‌های کشاورزی، تهران، پژوهشکدة انرژی‌های نو و محیط‌زیست دانشگاه تهران
. https://www.civilica.com/Paper-AGROCONGRESS02-AGROCONGRESS02_438.html
جرجانی، م.ح.، 1388، توسعة فیزیکی شهر و تأثیر آن بر تغییر کاربری اراضی کشاورزی (گنبدکاووس)، پایان‌نامة کارشناسی ارشد جغرافیا و برنامه‌ریزی شهری، دانشکدة جغرافیا، دانشگاه تهران.
جوادی، ی.، 1387، مدل‌سازی تغییرات پوشش زمین با استفاده از Automata Cellular در محیط GIS، پایان‌نامة کارشناسی ارشد، پردیس دانشکده‌های فنی دانشگاه تهران.
حاجی‌نژاد، ع.، داودی منظم، ز.، عباس‌نیا، م.، پورهاشمی، س.، 1393، پایش تغییرات کاربری اراضی با استفاده از تکنیک سنجش از دور (مطالعة موردی: شهرستان شهریار)، فصلنامة سنجش از دور و سامانة اطلاعات جغرافیایی در منابع طبیعی، سال 5، شمارة 1، صص. 13-1.
حکمت‌نیا، ح.، موسوی، م.ن.، 1392، کاربرد مدل در جغرافیا با تأکید بر برنامه‌ریزی شهری و ناحیه‌ای، انتشارات آزادپیما، چاپ سوم.
رحمانی‌فرد، ح.، 1387، بررسی ظ: شهر همدان)، اولین همایش ملی ژئومتیک در منابع طبیعی و محیط‌زیست، دانشگاه تهران.
شیخ گودرزی، م.، جباریان امیری، ب.، جعفری، ش.، 1395، بررسی قابلیت‌های مدل شبکة عصبی مصنوعی در شبیه‌سازی توسعة شهری با کاربرد نمایه‌های عامل نسبی و بوم‌شناختی سیمای سرزمین؛ مطالعة موردی: شهر ساحلی هشتپر، پژوهش‌های محیط‌زیست، سال 7، شمارة 14، صص. 190-181.
شیعه، ا.، 1377، مقدمه‌ای بر مبانی برنامه‌ریزی شهری، انتشارات دانشگاه علم و صنعت.
ضیا توانا، م.ح.، قادرمزی، ح.، 1388، تغییرات کاربری اراضی روستاهای پیراشهری در فرآیند خزش شهر روستاهای نایسر و حسن‌آباد سنندج، نشریة پژوهش‌های جغرافیای انسانی، دورة 42، شمارة 68، صص. 135-119.
کاظم، ا.ح.، حسینعلی، ف.، آل شیخ، ع.ا.، 1394، مدل‌سازی رشد شهری با استفاده از تصاویر ماهواره‌‌ای متوسط مقیاس و مبتنی‌بر روش خودکاره‌های سلولی (مطالعة موردی: شهر تهران)، فصلنامة علمی‌ـ پژوهشی اطلاعات جغرافیایی، دورة 24، شمارة 94، صص. 58-45.
کشاورز، ا.، قاسمیان یزدی، م.ح.، ۱۳۸۴، یک الگوریتم سریع مبتنی‌بر ماشین بردار پشتیبان برای طبقـه‌بنـدی تصـاویر ابـرطیفـی بـا استفاده از همبستگی مکانی، نشریة مهندسی برق و مهندسی کامپیوتر ایران، سال 1، شمارة ۳، صص. 44-۳۷.
محمودی، ب.، دانه‌کار، ا.، فقهی، ج.، 1394، تغییرات پوشش اراضی و شدت استفاده از زمین در پهنه‌های توپوگرافیک استان مازندران، مجلة علوم و مهندسی محیط‌زیست، سال 2، شمارة 2، صص. 13-7.
مشکینی، ابوالفضل، اصغر تیموری، زینب السادات مطهری، رفیعیان، مجتبی. (۱۳۹۲) سنجش گستردگی شهری و تأثیر آن بر تغییرات کاربری اراضی با استفاده ازRS و GIS، نمونه موردی: شهر کرج طی دوره 1391-1363. معماری و شهرسازی آرمان شهر، 9(17)، 375-387.‎
مشکینی، ابوالفضل، مولایی قلیچی، محمد و خاوریان گرمسیر، امیررضا، (1395). روندهای پراکنده‌رویی شهری و برنامه‌ریزی توسعة فضایی پایدار (مطالعة موردی: منطقة 2 تهران)، معماری و شهر پایدار، دورة 4، شمارة 2، 43-54.
مظاهری، م.ر.، اسفندیاری، م.، مسیح‌آبادی، م.ح.، کمالی، ا.، 1392، پایش تغییرات زمانی کاربری اراضی با استفاده از تکنیک‌های سنجش از دور و سیستم اطلاعات جغرافیایی (مطالعة موردی: جیرفت، استان کرمان)، مجلة کاربرد سنجش از دور و GIS در علوم منابع طبیعی، سال 4، شمارة 2، صص. 39-25.
یوسفی، ص.، مرادی، ح.ر.، حسینی، س.ح.، میرزایی، س.، 1390. پایش تغییرات کاربری اراضی مریوان با استفاده از سنجنده‌های TM و + ETM ماهوارة لندست، دورة 2، شمارة 3، صص. 105-97.
Berling-Wolff, S., Wu, J., 2004, Modeling Urban Landscape Dynamics: A Review, Ecological Research, 19(1), PP. 119-129.
Burges, C.J.C., 1998, A Tutorial on Support Vector Machines for Pattern Recognition, Data Mining and Knowledge Discovery, 2, PP. 121-158.
Chiotti, Q., 2004, Toroto's Environment: A Discussion on Urban Sprawl and Atmospheric Impacts, Air Program Director and Senior Scientist, Pollution Probe.
 
Dixon, B. & Candade, N., 2008, Multispectral Landuse Classification Using Neural Networks and Support Vector Machines: One or the Other, or Both?,International J. of Remote Sensing, 29 (4), PP. 1185-1206.
Eastman, J.R., 2006, Guide to GIS and Image Processing, Clark Labs, Clark University, Worcester, MA.
Gahegan, M., German, G. & West, G., 1999, Improving Neural Network Performance on the Classification of Complex Geographic Datasets, Journal of Geographical Systems, No. 1, PP. 3-22.
Gomez-Antonio, M., Hortas-Rico, M. & Li, L., 2014, The Causes of Urban Sprawl in Spanish Urban Areas: A Spatial Approach, (No. 1402), Universidade de Vigo, GEN-Governance and Economics Research Network.
Guo, Y., De Jong, K., Liu, F., Wang, X. & Li, C., 2012, A Comparison of Artificial Neural Networks and Support Vector Machines on Land Cover Classification, Springer-Verlag Berlin Heidelberg, ISICA, CCIS 316, 531-539.
      https://earthexplorer.usgs.gov/.
Huang, C., Davis, L.S. & Townshend, J.R.G., 2002, An Assessment of Support Vector Machines for Land Coverclassification, International J. of Remote Sensing, 23(4), PP. 725-749.
Hung, C.C., Coleman, T.L. & Long, O., 2004, Supervised and Unsupervised Neural Models for Multispectral Image Classification, ISPRS, http://www.isprs.org/istanbul2004/ comm7/papers/20.pdf.
Liu, X.H., Skidmore, A.K. & Oosten, H.V., 2002, Integration of Classification Methods for Improvement of Land-cover Map Accuracy, ISPRS Journal of Photogrammetry & Remote Sensing, No. 56, PP. 257-268.
Lu, D., Mausel, P., Brondi Zio, E. & Moran., E., 2004, Chang Detection Techniques, International Journal of Remote Sensing, 25(12), PP. 2365-2407.
Mohammadian Mosammama , H., Tavakoli Nia, J., Khani, H., Teymouri, A., Kazemi, M., (2017). Monitoring land use change and measuring urban sprawl based on its spatial form The case of Qom city, The Egyptian Journal of Remote Sensing and Space Sciences, Vol 20 (1) , Pp 103- 116.
Moradi, F., Saei Mehraban, R. & Sar Kargar Ardakani, A., 2014, Land Surface Temperature Monitoring (LST) Using MODIS Imaging, Case Study of Tehran Province,Tehran Geomatics Conference.
Osuna, E., Freund, R. & Girosi, F., 1997, Support Vector Machines: Training and Application, A.I. Memo 1602, MIT A. I.Lab.
Pao, Y.H., 1989, Adaptive Pattern Recognition and Neural Networks, Addison-Wesley Longman Publishing Co., Inc.
Pijanowski, B.C., Brown, D.G., Shellitoc, B.A. & Manikd, G.A, 2002, Using Neural Networks and GIS to Forecast Land Use Changes: A Land Transformation Model, Computers, Environment and Urban Systems, Vol. 26, No. 6, PP. 553-575.
Portugali, J., 2011, Complexity, Cognition and the City, Springer, Berlin.
Portugali, J., Meyer, H. & Stolk, E., 2012, Complexity Theories of Cities Have Come of Age; An Overview with Implications to Urban Planning and Design, Springer.
Richards, J.A., 2013, Remote Sensing Digital Image Analysis, fifth edition, Springer.
Rumelhart, D., Hinton, G. & Williams, R., 1986, Learning Internal Representations by Error Propagation, In D.E. Rumelhart, and J.L. McClelland (Eds.), Parallel Distributed Processing: Explorations in the Microstructures of Cognition, Vol. 1, PP.: 318-362, Cambridge: MIT Press.
Sun, C., Wu, Z.F., Lv, Z.Q., Yao, N & Wei, J.B, 2013, Quantifying Different Types of Urban Growth and the Change Dynamic in Guangzhou Using Multi-Temporal Remote Sensing Data, International Journal of Applied Earth Observation and Geo Information, Vol. 21, PP. 409-417.
Vapnik, V.N., 1995, The Nature of Statistical Learning Theory,New York: Springer Verlag.
Wakode, H.B., Baier, K., Jha, R., Azzam, R., 2014, Analysis of Urban Growth Using Land Sat TM/ETM Data and GIS, a Case Study of Hyderabad, India, Arabian Journal of Geoscience, 7(1), PP. 109-121.
Watts, D., 2001, Land Cover Mapping by Combinations of Multiple Artificial Neural Networks, M.Sc. Thesis, Department of Geomatics Engineering, University of Calgary.
Wijaya, A., 2005, Application of Multi-Stage Classification to Detect Illegal Logging with the Use of Multi-Source Data, M.Sc. Thesis, ITC, Enschede, The Netherlands.