نوع مقاله : مقاله علمی پژوهشی

نویسنده

استادیار گروه جغرافیا و برنامه ریزی شهری دانشگاه تبریز

09

چکیده

یک گام اساسی جهت مدیریت و برنامه­ریزی توسعه شهری و هم­چنین ارزیابی اثرات تجمعی آن بررسی و شبیه­سازی توسعه فیزیکی شهر می­باشد. هدف از این مطالعه، درک عوامل مؤثر در روند توسعه فیزیکی منطقه شهری سردرود با عنایت به مقوله توسعه فضایی پایدار شهری از بعد اکولوژیکی و حفظ شرایط زیست محیطی آن در دو دهه آتی می­باشد. بدین منظور با استفاده از تصاویر ماهواره­ای چندزمانه لندست 5 و تکنیک­های پردازش تصاویر ماهواره­ای شی­گرا تغییرات کاربری اراضی در مقطع زمانی 1390-1363 با تأکید بر گسترش پراکنده شهر سردرود، مورد ارزیابی قرار گرفته است. بر اساس نتایج حاصله مقدار مساحت شهر سردرود از 24/111 هکتار در سال 1363 به 12/528 هکتار در سال 1390 رسیده است. 94/162 هکتار از توسعه ذکر شده بر روی اراضی باغی و زراعی صورت گرفته که لزوم مدیریت توسعه آتی مبتنی بر اصول توسعه پایدار را می­طلبد. بدین منظور عوامل مؤثر بر توسعه فیزیکی شهر سردرود بر اساس پیشینه تحقیق در قالب 14 شاخص شناسایی و با استفاده از روش شبکه عصبی مبتنی بر مدل LTM نقشه احتمال توسعه شهری تهیه گردید. پس از پیش­بینی الگوی آتی توسعه شهری در شهر سردرود با استفاده از راهبرد حفاظت از باغات و فضاهای سبز در فرایند توسعه شهری با بلوک­بندی نقشه احتمال توسعه شهری، دادن فضای لازم برای توسعه، به­طول 15 کیلومتر و پیشنهاد اعمال ممنوعیت توسعه در اطراف کمربند سبز پیشنهادی، حفظ ذخایر اکولوژیک شهر سردرود با کاهش تخریب اراضی باغی و جلوگیری از اتصال شهر به کلانشهر تبریز مورد تأکید قرار گرفته است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Application of Artificial Neural Network in Modeling and Forecasting Land Use Changes in Sardroud City (1984-2031)

نویسنده [English]

  • Hasan Mahmoudzadeh

Assistant Professor, Department of Geography and Planning, University of Tabriz

چکیده [English]

An essential step to urban planning, management and evaluation of its effects is to simulate physical development of the city.
The aim of this study is to understand parameters of physical development at Sardroud city with regard to sustainable spatial development of urban issues from ecological and environmental viewpoint in the next two decades. Using Landsat 5 multi temporal satellite images and object oriented techniques, application changes of the lands in 1984-2011 period has been evaluated with emphasis on Sprawl expansion of Sardroud city. Based on the results, urban area of Sardroud which was 111.24 hectares in 1984, has reached to 528.12 ha in 2011.162.94 hectares of mentioned lands has developed on the Garden and agricultural land, which demands management of future development based on the principles of sustainable development.
Therefore, effective factors of physical development in Sardroud city is classified within 14 layers, and by using Artificial Neural Network method based on LTM Model, the possibility of urban development map was prepared. After predicting the future pattern of urban development in Sardroud city, the protection of gardens and green spaces strategy in the urban development process was operated using hexagonal layout of possibility of urban development map, giving the necessary space for the development, Extraction of natural green belt with the length of 15 km applying the ban of urban development in the around of proposed green belt, maintaining the ecological reserves of Sardroud city by reducing agricultural and garden lands, and prevent connection to the metropolitan of Tabriz is emphasized.

کلیدواژه‌ها [English]

  • Sardroud city
  • Sprawl growth
  • Artificial Nerual Network
  • Land use Changes
  • Object Oriented Classification
ـ حکمت­نیا، حسن و میرنجف موسوی (1392)، «کاربرد مدل در جغرافیا با تأکید بر برنامه‌ریزی شهری و ناحیه‌ای»، انتشارات آزاد پیما؛ چاپ سوم.  ص390.
ـ رسولی، علی­اکبر و حسن محمودزاده (1389)، «مبانی سنجش از دور دانش پایه»، انتشارات علمیران، 192.
شکوئی، حسین (1373)، «دیدگاه­های نو در جغرافیای شهری»، انتشارات سمت؛ ص 568.
ـ شیعه، اسماعیل (1377)، «مقدمه­ای بر مبانی برنامه­ریزی شهری»، انتشارات دانشگاه علم و صنعت، ص 240.
ـ محمدی، مجید، امیری، مجتبی و جعفر دستورانی (1394)، «مدل­سازی تغییرات کاربری اراضی شهرستان رامیان در استان گلستان»، مجله برنامه­ریزی و آمایش فضا، دوره نوزدهم، شماره 4.
ـ محمودزاده، حسن (1393)، «ارزیابی و تحلیل اکولوژیکی توسعه فضایی کلانشهر تبریز، رساله دکتری جغرافیا و برنامه­ریزی شهری»، دانشکده جغرافیا و برنامه­ریزی دانشگاه تبریز.
ـ مرکز آمار ایرا ن (1390)، نتایج سرشماری عمومی سال 1390.
ـ مهدوی، مسعود و افسانه برنجکار (1393)، «خزرشهر و تغییر کاربری اراضی روستایی (مطالعه موردی شهرستان بندر انزلی در 45 سال اخیر)»، چشم­انداز جغرافیایی در مطالعات انسانی، شماره 27، صص 17-1.
-Atkinson, P., & Tatnall, A. (1997), “Neural networks in remote sensing”, International Journal of Remote Sensing, 18(4), Pp. 699-709.
-Babaian, R., Miyashita, H., Evans, R., Eshenbach, A., &Ramimrez, E. (1997), “Early detection program for prostate cancer: results and identification of high-risk patient population”, Urology, 37(3), Pp. 193-197.
-Benz, U.C., Hoffmann, P., Willhauck, G., Lingenfelder, I. & Heynen, M. (2004), “Multi-resolution, objectoriented fuzzy analysis of remote sensing data for GIS-ready information”, ISPRS Journal of Photogrammetry and Remote Sensing, 58: 239–258.
-Brown, D.G., Lusch, D.P., & Duda, K.A. (1998), “Supervised classification of glaciated landscape types using digital elevation data”, Geomorphology, 21(3–4), Pp. 233–250.
-Drummond, S., Joshi, A., & Sudduth, K. (1998), “Application of neural networks: precision Farming”, IEEE Transactions on Neural Networks, Pp. 211–215.
-Fishman, M., Barr, Dean S., & Loick, W.J. (1991), “Using neural nets in market analysis”, Technical Analysis of Stocks & Commodities, 4, Pp. 18–21.
-Fukushima, K., Miyake, S., & Takayuki (1983), “Neocognitron: a neural network model for a mechanism of visual pattern recognition. IEEE Transactions on Systems”, Man, and Cybernetics, SMC, 13(5), Pp. 826–834.
-Longely Paul. (2000), “Spatial Analysis in the New Millennium”, Annals of the Association of American Geographers, 90(1), Pp. 157-165.
-Nancy E. McIntyre, K. Knowles-Yánez, and D. Hope. (2008), “Urban Ecology as an Interdisciplinary Field: Differences in the use of Urban between the Social and Natural Sciences”, Journal of Urban Ecosystems, No 4, Pp. 5-24.
-Pijanowski, B.C., Brown, D.G., Shellito, B.A., &Manik, G.A. (2002), “Using neural networks and GIS to forecast land use changes: a land transformation model, Computers”, Environment and Urban Systems, 26(6), Pp. 553-575.
-Ritter, N., Logan, T., & Bryant, N. (1988), “Integration of neural network technologies with geographic information systems”, Proceedings of the GIS symposium: integrating technology and geoscience applications (pp. 102–103). Denver, Colorado, United States Geological Survey, Washington, DC.
-Rumelhart, D., Hinton, G., Williams, R. (1986), “Learning Internal Representations by Error Propagation”, Parallel Distributed Processing: Explorations in the Microstructures of Cognition”, Vol. 1, Pp. 318-362, Cambridge: MIT Press.
-Skapura, D. (1996), “Building neural networks”, New York: ACMPress.
-Sundara, K.K.et.al. (2012), “Land Use And Land Cover Change Detection And Urban Sprawl Analysis of Vijayawada City Using Multi-temporal Landsat Data”, International Journal of Engineering Science and Technology, Vol. 4, No. 01, Pp 170-178.
-Theobald, D.M., Hobbs, N.T. (1998), “Forecasting Rural Land-use Change: A Comparison of Regression and Spatial Transition-based Models”, Geographical and Environmental Modeling, 2(1), Pp.65–82.