نویسندگان

دانشگاه شهید چمران

چکیده

پایداری در توسعه شهری به علت سطوح بالای شهرنشینی تقریباً در کل بخش­های جهان، به یک موضوع مهم تبدیل شده است. بنابراین برای رسیدن به توسعه پایدار شهری و همچنین تصمیم­گیری بهتر برای جهت­دهی توسعه در آینده، بازبینی دائمی فرآیندهای دینامیک شهری با توجه به توسعه در گذشته و پیش­بینی آن در آینده، اجتناب­ناپذیر است. هدف پژوهش حاضر، مدل­سازی و پیش‌بینی توسعه کلان­شهر تهران با استفاده از روش رگرسیون حداقل مربعات معمولی (OLS) و مدل شبکه عصبی مصنوعی (پرسپترون چندلایه (MLP)) با در نظر گرفتن دوره 11 ساله 1385_1374 است. برای این منظور ابتدا، معیارهای موثر در فرآیند توسعه شهری از سازمان­های مربوط جمع‌آوری، آنالیز و آماده­سازی شدند و نقشه­های کاربری زمین برای سال‌های مورد­نظر از تصاویر ماهواره لندست استخراج شد و با استفاده از داده­های اتوکد سازمان نقشه­برداری و نقشه­های موجود بهبود داده شدند. سپس صحت­سنجی نقشه­ها و آشکارسازی تغییرات انجام شد. نتایج آشکارسازی تغییرات با ضریب کاپای 85/91% نشان می­دهد که بیشترین افزایش مساحت در مناطق ساخته شده (38/5886 هکتار) و بیشترین کاهش مساحت در زمین باز (89/5328 هکتار) رخ داده است. بر مبنای این تغییرات و برای اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیش­پردازشی روی این معیارها صورت گرفت. در مرحله بعد با در­نظرگرفتن خروجی روش OLS، 11 متغیر مستقل بعنوان ورودی به مدل انتخاب شدند. سپس مدل­سازی پتانسیل تبدیل کاربری برای سال 1396، با استفاده از روش MLP انجام شد و با روش زنجیره مارکف نقشه کاربری اراضی برای سال 1396 پیش­بینی شد. در نهایت نتایج نشان داد که پیش­بینی صورت گرفته نسبت به مطالعات گذشته به واقعیت­های زمینی نزدیک­تر است و بیشترین میزان توسعه در سال 1396 در بخش­های شرقی، شمال غرب و غرب کلان­شهر تهران رخ خواهد داد. 2- روش‌شناسی برای دستیابی به اهداف این مطالعه، ابتدا معیارهای موثر در فرآیند توسعه شهری از سازمان‌های مربوط جمع‌آوری، آنالیز و آماده سازی شدند. نقشه‌های کاربری زمین برای دوره مورد مطالعه (1385-1374) از تصاویر ماهواره لندست استخراج شد و با استفاده از داده اتوکد و نقشه‌های موجود بهبود داده شدند. سپس صحت‌سنجی نقشه‌ها و آشکارسازی تغییرات انجام گرفت و بر مبنای این تغییرات، به منظور اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیش‌پردازش روی این معیارها صورت گرفت. در مرحله بعد با در نظر گرفتن خروجی روش OLS، متغیرهای مستقل به عنوان ورودی به مدل انتخاب شدند. در نهایت، با استفاده از روش MLP مدل‌سازی پتانسیل تبدیل هر کاربری انجام‌گرفته و با به‌کارگیری روش زنجیره مارکوف نقشه کاربری اراضی برای سال 1396 پیش‌بینی شد.
3- بحث در مطالعه حاضر، رگرسیون حداقل مربعات معمولی (OLS) و مدل شبکه عصبی پرسپترون چند لایه (MLP) برای شناسایی و بهبود درک ما از نیروهای اجتماعی- اقتصادی، فیزیکی و کاربری زمین که بر توسعه شهری تأثیر می‌گذارند، و نیز برای یافتن تأثیرات نابرابر این عوامل و محتمل‌ترین مکان‌ها برای توسعه شهری آینده کلان‌شهر تهران مورد استفاده قرار گرفتند. با توجه به تنوع و تعداد بالای عوامل تأثیرگذار در این فرآیند و نتایج تحقیق می‌توان این‌گونه بیان کرد، که فناوری‌های RS و GIS تولید و تجزیه و تحلیل حجم عظیمی از داده‌های مکانی و غیر مکانی را امکان‌پذیر و تسریع می‌بخشند و یک خروجی با درجه بالایی از صحت و دقت را در کوتاه‌ترین زمان ممکن امکان‌پذیر می‌سازند. برتری این مطالعه نسبت به مطالعات گذشته در این است، که از فرآیند پیش‌پردازش متغیرهای مستقل ورودی به مدل با استفاده از روش OLS استفاده شد و در نتیجه از بین داده‌های موجود بهترین ترکیب انتخاب شد. در مطالعات گذشته پیش‌پردازشی روی متغیرهای ورودی به مدل صورت نگرفته و اگر هم انجام‌شده، بیشتر از روش سعی و خطا استفاده شده است. از آن جمله می‌توان به تحقیق طیبی و همکاران در سال 1390در زمینه پیش‌بینی توسعه شهری گرگان و تحقیق کرم و یعقوب نژاد اصل در سال 1392 در زمینه توسعه کالبدی شهر کرج اشاره کرد. همچنین با بررسی‌های میدانی و دور کاوی با استفاده از ابزارهای موجود، نتایج نشان داد که پیش‌بینی صورت گرفته نسبت به مطالعات گذشته به واقعیت‌های زمینی نزدیک‌تر است و روند توسعه موجود را دنبال می‌کند.
 4- نتیجه‌گیری نتایج مطالعه حاضر نشان می‌دهد که بیش‌ترین میزان توسعه شهری کلان‌شهر تهران برای چشم‌انداز 1396 در بخش‌های غربی و شرقی خواهد بود. این نتایج نشان‌دهنده اعتبار و صحت مدل بوده که با واقعیت کاملاً سازگار و منطبق است و می‌تواند به عنوان مدلی اجرایی در برنامه‌ریزی‌های چشم‌انداز آینده کلان‌شهر تهران بسیار راه گشا بوده و مورد استفاده قرار گیرد. البته برای ارتقاء و افزایش هر چه بیشتر ضریب اطمینان مدل، در مطالعات آتی می‌توان از معیارهای تأثیرگذار بیشتری مانند مالکیت، قیمت زمین و مراکز تجاری استفاده کرد که به دلیل وجود محدودیت‌هایی استفاده نشده‌اند، و می‌توانند در فرآیند توسعه و رشد شهری کلان‌شهر تهران بسیار تأثیرگذار باشند.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling urban development using statistical preprocessing techniques and Artificial Neural Network: The case of Tehran metropolis

نویسندگان [English]

  • peyman Heydarian
  • Kazem Rangzan
  • Saeed maleki
  • Ayob Taghi Zadeh

University of Shahid Chamran

چکیده [English]

1-Introduction:

 In late 2011, the world’s population surpassed the 7 billion and it is currently growing by an additional 78 million persons every year. Most of the future population growth will occur in developing countries, particularly in less developed countries (United Nations, 2011: 7). This increasing population pressure is leading to unregulated growth (Maithani, 2009: 364), Sprawl, horizontal spread of urban areas, rapid changes in land use and increasing trend of environmental degradation (Dewan and Yamaguchi, 2009: 390). In order to alleviate ,adverse effects of urbanization on the environment and maintain optimal ecosystem function (Fang et al., 2005: 295), spatial and temporal patterns of land use and land cover changes (LULC), and subsequently the factors affecting these changes(Serra et al., 2008: 190), are important in developing rational economic, social and environmental policies (Long et al., 2007: 351 Dewan and Yamaguchi, 2009: 390). Also, the advent of satellite images and geospatial technologies has paved new dimension for assessing and monitoring land use/ cover changes (Mussie et al., 2011: 2149). Encountered to these severe negative impacts, there is an urgent need for urban planners to develop predictive models of urbanization. These models not only provide an understanding of the urban growth process but also provide realizations of the numerous potential growth scenarios taken by urban area in future (Maithani, 2010: 36). Despite enormous researchers on urbanization, modeling using intelligent methods is still obscure issues such as the ordering importance and number of input data in this field is required. Thus, due to lack of a systematic method to find the best combination of input parameters, we have on the way we have introduced amethod to fill this gap. The present study was aimed to model development of metropolitan Tehran using Multi-layer Perceptron Neural Network model and Ordinary Least Squares regression (OLS) for preprocessing the input parameters to the model. 2- Methodology To satisfy end of the present study, at first, effective criteria in the urbanization process were collected from associated organizations, analyze, and prepared. Land use map for the study period (2006-1995) was extracted from the Landsat images and was improved using AutoCAD data and available map. Then, accuracy assessment of maps and change detection were performed and based on these changes, in order to avoid the trial and error method for choosing the best combination of input parameters to the model, using OLS pre-processing was performed according to criteria. Then, given to output method of OLS, the independent variables were chosen as input to the model. Finally, using Multi-layer Perceptron algorithm of Artificial Neural Network, transition potential modeling for each criterion undertaken, and the Markov chain method the land use map for the year 2017 was predicted. 3- Discussion In the present study, Ordinary Least Squares regression (OLS) and Multi-layer Perceptron algorithm of Neural Network were used to identify and improve our understanding of the social-economic, physical and land use forces that affecting urbanization, as well as finding the unequal impact of these factors and the most likely location for future urban development of metropolitan Tehran. Due to the large number and variety of factors affecting in the process and research results it can be notedthat RS and GIS technology allow us to generate and analyze large amounts of spatial and spatial data and output with a high degree of accuracy in the shortesttime. The advantage of this study compared to previous studies, is to use OLS method on input independent variables to the preprocessed model. Previous studies did not refer to preprocessing on input variables to the model, and if so, trial and error method is used. Among them, research conducted by Tayebi et al and Kamiab et al (1390 year) on predicted urbanization of Gorgan city and that Karam and Yaghob Nezhade Asl (1392 year) on thephysical development of Karaj city are substantial. Also, surveys field and remotely sensed results showed that the predictions compared to previous studies are closer to the ground realities and follows the available development trend. 4- Conclusion Results of the present study show that most urbanization trends of metropolitan Tehran for theprospect of the year 2017 will be concentrated in the eastern and western parts. These results indicate the validity of the model, fully consistent with the facts and can be implemented as a model in planning for the future prospects of metropolitan Tehran. However, to upgrade and increase the reliability of the model more efficiently, future studies can be used in a promising manner such as property, land prices and commercial centers, that due to restrictions available are not used here, and the urbanization process of metropolitan Tehran can be very influential. Keywords: modeling urban development, statistic preprocessing, least squares regression, neural network, RS, GIS. -United Nations, (2011), Department of Economic and Social Affairs - Population Division, World population prospects. -Maithani, S, (2009), A Neural Network based Urban Growth Model of an Indian City, J. Indian Soc. Remote Sensing, 37, 363–376. -Dewan, A.M, Yamaguchi, Y, (2009), Land use and land cover change in Greater Dhaka, Bangladesh: Using remote sensing to promote sustainable urbanization, Applied Geography, 29, 390–401. -Fang, Sh, Gertner, G.Z, Sun, Zh, and Anderson, A.A, (2005), The impact of interactions in thespatial simulation of the dynamics of urban sprawl, Landscape and Urban Planning, 73, 294–306. -Serra, P, Pons, X, Saur, D, (2008), Land-cover and land-use change in a Mediterranean landscape: A spatial analysis of driving forces integrating biophysical and human factors, Applied Geography, 28, 189–209. -Long, H, Tang, G, Li, X, and Heilig, G.K, (2007), Socio-economic driving forces of land-use change in Kunshan, the Yangtze River Delta economic area of China, Journal of Environmental Management, 83, 351–364. -Maithani, S, (2010), Application of Cellular Automata and GIS Techniques in Urban Growth Modelling: A New Perspective, Institute of Town Planners, India Journal, 7, 36 – 49. -Mussie, G, Tewolde, Cabral, P, (2011),Urban Sprawl Analysis and Modeling in Asmara, Eritrea, Remote Sensing, 3, 2148-2165.

کلیدواژه‌ها [English]

  • Keywords: modeling urban development
  • statistic preprocessing
  • least squares regression
  • Neural Network
  • RS
  • GIS