نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار جغرافیا و برنامه ریزی شهری، گروه جغرافیا و برنامه ریزی شهری، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

2 دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز

3 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز

10.22034/gp.2021.10780

چکیده

امروزه ارزیابی توسعه فیزیکی شهری با استفاده از تکنیک‌های نوین سنجش از دور می‌تواند اطلاعات پایه ای را در اختیار برنامه ریزان قرار دهد و از این طریق نقشی مؤثر در مدیریت و بهبود کاربری اراضی شهر ایفا کند. هدف از این پژوهش، پایش و ارزیابی توسعه فیزیکی شهر تبریز در دوره 42 ساله (2014-1972) با استفاده از سامانه جدید (GEE) Google Earth Engine و پیش بینی تغییرات گسترش فیزیکی شهر تبریز با استفاده از مدل شبکه عصبی (MLP) است. نتایج این پژوهش نشان از قابلیت بالای فناوری GEE در استخراج پهنه‌های شهری طی دوره‌های مختلف دارد، بطوریکه این فناوری بخوبی توانست توسعه فیزیکی شهر تبریز را طی دوره 40 ساله ارزیابی کند. نتایج پیش‌بینی تغییرات حاصل از مدل MLP نشان دهنده‌ی این است که توسعه فیزیکی شهر تبریز در آینده رو به شمال شرقی و جنوب شرقی است و مدل اجرا شده از سال 1975 تا 2014 در قالب GEE و برای بیست سال آتی با استفاده از مدل تجربی شبکه عصبی مبتنی بر پرسپترون چندلایه اقدام به شبیه سازی و مدلسازی روند آتی توسعه کلانشهر تبریز نمود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Modeling physical development by combining the capabilities of Google Earth Engine (GEE) and Artificial Neural Network (MLP) the Case Study: Tabriz

نویسندگان [English]

  • Hassan Mahmoudzadeh 1
  • Mostafa Mahdavifard 2
  • Majid Azizmoradi 3
  • zanjani zanjani sani 2

1 Associate Professor of Geography and Urban Planning, Department of Geography and Urban Planning, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran

2 Ms student of Remote sensing and GIS, Faculty of Planning and Environmental Sciences, University of Tabriz

3 Ms in Remote sensing and GIS, Faculty of Planning and Environmental Sciences, University of Tab riz

چکیده [English]

Introduction
Urbanization as a revolution in human culture has transformed human interactions with one another. As the urbanization population grows, the use of the environment is intensified. Studies have shown that increasing population and expanding urbanization are turning urban green spaces into rough and impermeable concrete surfaces, and this trend is especially serious in developing countries and the Third World. Since urban growth is a complex phenomenon in which a number of variables interact nonlinearly, the use of ANNs to model urban development and growth is perfectly reasonable. Artificial neural networks with nonlinear mapping structure have been developed for modeling interconnected systems such as the brain consisting of neurons. The artificial neural network is independent of the statistical distribution of data and does not require any specific statistical variables, so this feature facilitates the combination of remote sensing data and GIS. Currently, remote sensing science is changing a fundamental paradigm in which one- or two-image interpretation approaches pave the way for a wide array of data-rich applications. These improvements are facilitated by the GEE Satellite Image Processing System. The purpose of this research is to introduce a new system (GEE), to investigate and analyze this web portal, its application in monitoring and evaluation of human habitat changes (GHSL) and to map the relationship created using MLP model to predict physical development changes in Tabriz.
Materials and Methods
In this study, the Google Earth Engine (GEE) satellite image processing online system was used to process and extract the global GHSL product, and then the MLP model of Terset was used to predict changes.
Results and Discussion
In this study, it was attempted to analyze and analyze Landsat satellite images in a few minutes in order to prepare physical development map of Tabriz city without using hard data and to predict future development changes using the data available in Google Inheritance Satellite Image Processing System. Physically measure the city using the MLP model. GEE online processor has been able to map the growth of urbanization in the Tabriz city over the past six years. With the increase in urbanization over the past 40 years in the city of Tabriz, we have seen the destruction of about 38% of gardens and agriculture in the city, and even this system of rapid population growth in recent years (2014) on the outskirts of Tabriz as the main center of recent earthquakes.
Conclusion
 It has shown the city of Tabriz and is also witnessing a growing trend towards physical development of the city in this part of Tabriz. The results of the MLP model show that the physical development of Tabriz in the future is northeastward and on the outskirts of Mount Aoun bin Ali.

کلیدواژه‌ها [English]

  • Google Earth Engine
  • Physical Development of the City
  • Multi layer perceptron
  • Remote Sensing
-        احمد نژاد روشتی، محسن، سید احمد، حسینی، (1390)؛ ارزیابی و پیش بینی تغیرات و پراکنش افقی شهرها با استفاده از تصاویر ماهواره‌ای چند زمانه و سیستم اطلاعات جغرافیایی، نمونه موردی شهر تبریز در مقطع زمانی 1389-1363، پژوهش‌ها و برنامه‌ریزی شهری، 2(4): 20-1
-        اسماعیلی، فاطمه، ایلانلو، مریم، (1397)، قابلیت‌ها و محدودیت‌های ژئومورفولوژیکی توسعه فیزیکی شهر رامهرمز، کنفرانس بین المللی امنیت، پیشرفت و توسعه پایدار مناطق مرزی، سرزمینی، کلانشهرها، راهکارها و چالش‌ها با محوریت پدافند عیرعامل و مدیریت بحران، 11-1
-        اسمعیل پور، نجمه؛ عزیزپور، ملکه (1388)، تغیر کاربری اراضی کشاورزی و افزایش نسبی دمای شهر یزد ناشی از رشد سریع آن، جغرافیا و توسعه ناحیه‌ای، شماره 12، صص 37-53.
-        انصاری لاری.احمد، نجفی.اسماعیل، نوربخش.سیده فاطمه (1389) "قابلیت ها و محدودیت های ژئومورفولوژیکی توسعه فیزیکی شهر ایلام، آمایش محیط، 4(15): 16-1
-        باقری، میلاد، جلوخانی نیارکی، محمدرضا، چارکانه، عبدالخالق و باقری، کیوان (1397)، پتانسیل یابی مناطق توسعه شهری با استفاده از شبکه عصبی مصنوعی، پژوهش های جغرافیای برنامه ریزی شهری، دوره 6، شماره 1، صص 175-196.
-        جرجانی، حسن علی (1386)، توسعه فیزیکی شهر و تأثیر آن بر تغییر کاربری اراضی کشاورزی (گنبد کاووس)، پایان نامه کارشناسی ارشد، دانشگاه تهران، 100-1
-        حیدریان، پیمان، رنگزن، کاظم، ملکی، سعید، تقی زاده، ایوب، (1394)، مدل سازی توسعه شهری با استفاده از رویکرد های پیش پردازش آماری و مدل پرسپترون چند لایه، جغرافیا و برنامه ریزی محیطی، سال 26، شماره 4، صص 118-97.
-        خاشعی، مهدی، بیجاری، مهدی، مخاطب رفیعی، رفریعی، (1392)، انتخاب متغیر در شبکه عصبی پرسپترون چندلایه به منظور پیش‌بینی با استفاده از نگاشت‌های خودسازمان‌ده (SOM)، روش‌های عددی در مهندسی، سال 33، شماره 1، تابستان 1393.
-        دهقانی. امیراحمد، پیری. مهدی، حسام. موسی، دهقانی، نوید (1389) تخمین تبخیر روزانه از تشت تبخیر با استفاده از سه شبکه عصبی پرسپترون چندلایه، تابع پایه شعاعی و المانی، مجلهپژوهش‌هایحفاظتآبوخاک، جلد هفدهم، شماره دوم، 1389.
-        رستمی گله، فرهاد، قائمی، مرجان شاد، روزبه، لهرابی، یاسمن، (1397)، مدل سازی و پیش بینی رشد افقی شهر مشهد با استفاده از تلفیق اتوماتای سلولی فازی، شبکه عصبی و رگرسیون لجستیک، نشریه علمی پژوهشی مهندسی فناوری اطلاعات مکانی، سال پنجم، شماره چهارم، صص111-94.
-        سرایی، محمد حسین، مویدفر، سعیده، (1389)، بررسی میزان پایداری توسعه در شهرهای مناطق خشک با تاکید بر مؤلفه‌های زیست-محیطی، شهر اردکان، فصلنامه جغرافیا و برنامه ریزی محیطی، شماره 37، صص 76-47.
-        سیف الدینی، فرانک، منصوریان، حسین، (1390)، تحلیل الگوی تمرکز خدمات شهری و آثار زیست محیطی آن در شهر تهران، محیط شناسی، شماره 60، صص 64-53.
-        صالحی، ناهید، اختصاصی، محمد رضا، طالبی، علی، (1398)، ﭘﻴﺶﺑﻴﻨﻲ روﻧﺪ ﺗﻐﻴﻴﺮات ﻛﺎرﺑﺮی اراﺿﻲ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل زﻧﺠﻴـﺮه ﻣـﺎرﻛﻮف CA-Markov (ﻣﻄﺎﻟﻌﻪ ﻣﻮردی :ﺣﻮزه آﺑﺨﻴﺰ ﺻﻔﺎرود راﻣﺴﺮ)، سنجش ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 10(1): 120-106.
-        صدر موسوی، میرستار، پورمحمدی، محمدرضا، رحیمی، اکبر، (1394)، تحلیلی بر تغیرات کاربری زمین شهری با استفاده از مدل تحول زمین، نمونه موردی شهر تبریز، نشریه علمی-پژوهشی جغرافیا و برنامه ریزی، شماره 54، 209-189.
-        عزیزی، محمد مهدی (1380)، تراکم در شهرسازی، اصول و معیارهای تعیین تراکم شهری، انتشارات دانشگاه تهران. 284 صفحه.
-        علوی، سید علی، روستایی، شهرام، یوسفی، مریم، کیا، روح الله، (1396)، آشکار سازی تغیرات کاربری شهری با استفاده از پردازش تصاویر ماهواره‌ای بر مبنای شبکه عصبی، فصلنامه علمی-پژوهشی فضای جغرافیایی، شماره 59، صص 46-27.
-        فیضی‌زاده، بختیار (1398)، ارزیابی تطبیقی تکنیک های پردازش پیکسل پایه و شی ءگرا در طبقه بندی تصاویر ماهواره ای Aster برای استخراج نقشه های اراضی کشاورزی و باغی در حاشیه شرقی دریاچه ارومیه، فصلنامه علمی پژوهشی اطلاعات جغرافیایی (سپهر)، 28(109): 183-167
-        قبادیان نژاد، مهران، فلاحی، غلامرضا، (1397)، توسعه فیزیکی شهر شیراز و تأثیر آن در روند تغیرات پوشش گیاهی با استفاده آر اتومای سلولی و روش فازی و تصاویر ماهواره‌ای، نشریه علمی ترویجی مهندسی نقشه برداری و اطلاعات مکانی، شماره 3.
-        قربانی، رسول، پور محمدی، محمدرضا، محمودزاده، حسن، (1395)، ارزیابی و تحلیل گسترش فضائی کلانشهر تبریز با استفاده از تصاویر ماهواره ای چند زمانه، فصلنامه جغرافیا و برنامه ریزی، 20 (56): 238-219.
-        قنبر زاده، حمید، سرکاراردکانی، علی، محمد لطیف، علی، (1393)، آشکار سازی تغیرات کاربری اراضی با تکنیک طبقه بندی بر روی تصاویر ماهواره Worldview-2 و استفاده از الگوریتم‌های شبکه عصبی مصنوعی، همایش کاربردهای مدل‌های پیشرفته تحلیل فضایی در آمایش سرزمین.
-        کامیاب، سلمان ماهینی، حسینی، غلامعلی‌فرد، عبدالرسول، حمیدرضا، مهدی، سید محسن (1390)، کاربرد شبکه عصبی مصنوعی در مدل سازی توسعه شهری، پژوهش‌های جغرافیای انسانی، شماره 2، صص 99-113.
-        محمد زاده، رحمت، (1386)، بررسی زیست محیطی توسعه فیزیکی شتابان شهرها با تاکید بر شهرهای تهران و تبریز، توسعه ناحیه‌ای، شماره 9.
-        محمود زاده، حسن، رنجبر نوازی، امیر حسین، (1397)، کاربرد مدل LTM در پیش بینی و مدل سازی توسعه فیزیکی شهر ایلخچی، فصلنامه پژوهش های جغرافیای انسانی،50 (1): 35-53.
-        محمود زاده، حسن، واحدی آقچه، علی، هریسچیان، مهدی، (1398)، کاربرد پایة مدل اسلوس در شبیه سازی توسعة شهری، پژوهش های جغرافیای برنامه ریزی شهری، 71(3): 580-553
-        محمودزاده، حسن، عزیزمرادی، مجید، (1398)، مدل‌سازی جنگل‌زدایی با شبکه عصبی و سیستم اطلاعات جغرافیایی (جنگل‌های اطراف شهر خرم‌آباد)، سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال دهم، شماره 4 زمستان 1398.
-        المدرسی الحسینی، سید علی، کرمی، جلال، روشن بخش، سمانه، (1393)، بررسی تغیرات کاربری اراضی شهر همدان بین سال‌های 2002-2009 با استفاده از شبکه عصبی مصنوعی (MLP) و LCM، همایش ملی کاربرد مدل های پیشرفته تحلیل فضایی در آمایش سرزمین، یزد، 6 اسفند 1393.
-        هارونی، مجید، کریمی، محسن، (1393)، یک روش جدید بهبود کیفیت تصاویر ماهواره ای به کمک ادغام تصویر در سطح پیکسل و ویژگی، سومین کنفرانس ملی ایده های نو در مهندسی برق، دانشگاه آزاد اسلامی واحد اصفهان.
-        یوسفی، مریم، اشرفی، علی، (1395)، مدل سازی رشد شهری بجنورد با استفاده از داده های سنجش از دور (بر اساس شبکه عصبی-مارکوف و مدلساز تغیرات سرزمین)، فصلنامه برنامه‌ریزی منطقه‌ای، سال ششم، صص192-179.
-        Celik, N. 2018. Change Detection of Urban Areas in Ankara through Google Earth Engine. In 2018 41st International Conference on Telecommunications and Signal Processing (TSP) (pp. 1-5). IEEE.
-        Corbane, C., Pesaresi, M., Politis, P., Syrris, V., Florczyk, A.J., Soille, P., Maffenini, L., Burger, A., Vasilev, V., Rodriguez, D. and Sabo, F., 2017. Big earth data analytics on Sentinel-1 and Landsat imagery in support to global human settlements mapping. Big Earth Data1(1-2), pp.118-144.
-        Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R., 2017. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, 202, 18-27.
-        https://code.earthengine.google.com/
-        https://ghsl.jrc.ec.europa.eu/
-        Kumar, L., & Mutanga, O., 2018. Google Earth Engine applications since inception: Usage, trends, and potential. Remote Sensing, 10(10), 1509.
-        Magidi, J., & Ahmed, F., 2018. Assessing urban sprawl using remote sensing and landscape metrics: A case study of City of Tshwane, South Africa (1984–2015). The Egyptian Journal of Remote Sensing and Space Science.
-        Manonmani, R. G, Suganya, M.D., 2010. Remote sensing and GIS application in change detection study in urban zone using multi temporal satellite, Int, J, Geomatics and Geoscinces,1 (1): 160-173.
-        Menhaj M., 2002. introduction to Artificial Neural Network, the publication center of AmirKabir University
-        Mohammadzadeh, R., 2007. "Environmental impact assessment of urban development in District 5 of tehran municipality", Volume II, Department of Urban Planning and Architecture, Tehran. [In Persian].
-        Muñoz-Rojas, M., De la Rosa, D., Zavala, L.M., Jordán, A. and Anaya-Romero, M., 2011. Changes in Land Cover and Vegetation Carbon Stocks in Andalusia, Southern Spain (1956 - 2007), Science of the Total Environment, Vol. 409, No. 14, PP. 2796-2806.
-        Nascetti,A.,DiRita,M.,Ravanelli,R.,Amicuzi,M.,Esposito,S. and Crespi, M., 2017. Free global DSM assessment on large scale areas exploiting the potentialities of the innovative Google Earth Engineplatform. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences 42, pp. 627.
-        Park, S., Jeon, S., Kim, Sh., and Ch. Choi, 2011. Prediction and comparison of urban growth
-        Pesaresi, M., Ehrlich, D., Ferri, S., Florczyk, A., Freire, S., Halkia, M., & Syrris, V., 2016. Operating procedure for the production of the Global Human Settlement Layer from Landsat data of the epochs 1975, 1990, 2000, and 2014. Publications Office of the European Union, 1-62.
-        Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., & Skakun, S., 2017. Exploring Google earth engine platform for big data processing: Classification of multi-temporal satellite imagery for crop mapping. Frontiers in Earth Science, 5, 17.
-        Shi, Long, 2002, Suitability Analysis and Decision Making Using GIS, Spatial Modeling
-        Sidhu, N., Pebesma, E., & Câmara, G., 2018. Using Google Earth Engine to detect land cover change: Singapore as a use case. European Journal of Remote Sensing, 51(1), 486-500.
-        Yu, Z., Di, L., Tang, J., Zhang, C., Lin, L., Yu, E. G, & Sun, Z., 2018. Land use and land cover classification for Bangladesh 2005 on google earth engine. In 2018 7th International Conference on Agro-geoinformatics (Agro-geoinformatics) (pp. 1-5). IEEE.
-        Yuan, H., 2002. Development and Evaluation of Advanced Classification Systems Using Remotely Sensed Data for Accurate land use/land cover Mapping, Ph.D. Thesis, Department of Forestry, and North Carolina State University.