ارزیابی توسعه فیزیکی شهر جدید سهند با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار گروه سیستم اطلاعات جغرافیایی و سنجش از دور دانشگاه تبریز

2 دانشجو/دانشگاه تبریز

چکیده

شهر سهند به عنوان یک شهر نسبتا جدید، توانسته است به سرعت در جایگاه سومین شهر پرجمعیت استان آذربایجان‌شرقی قرار گیرد. یکی از نکات مهم تحقیق حاضر، بررسی ارتباط بین توسعه فیزیکی شهر با روند معاملات ملکی و ترکیب داده‌های سنجش از دور و سیستم اطلاعات جغرافیایی می‌باشد. در این پژوهش با استفاده از تصاویر ماهواره‌های Landsat-8 و Landsat-7 و Sentinel-2 در محیط کدنویسی گوگل ارث انجین کاربری‌ها و تغییرات آنها طی دو دوره قبل و بعد از شهر شدن (از 2000 تا 2008 و از 2008 تا 2019) دسته‌بندی شد و سپس پیش‌بینی توسعه آتی شهر سهند صورت گرفت. برای پیش-بینی از روش شبکه عصبی مصنوعی چند لایه پرسپترون (MLP) به عنوان یکی از روش‌های تصمیم‌گیری چندمعیاره مکانی(MCDM) استفاده شده است. متغیرهای مستقل استفاده شده در تحقیق حاضر، در پیش‌بینی توسعه فیزیکی شهر عبارت‌اند از : قیمت زمین، نوع کاربری، شیب، جهت شیب، ارتفاع، فاصله از مناطق شهری، فاصله از شبکه آبراهه، فاصله از گسل، فاصله از شبکه معابر (اصلی و فرعی). نتایج طبقه‌بندی تصاویر ماهواره‌ای نشان داد که توسعه فیزیکی شهر جدید سهند در جهت تبدیل زمین‌های بایر به کاربری شهری صورت گرفته است. علاوه بر این توسعه فیزیکی در راستای تبدیل زمین‌های ارزان‌تر به نواحی ساخته شده بود. اراضی ساخته شده دارای توسعه زیادی بوده و از6246/665 هکتار در سال ۲۰۰۰ به 9516/732 هکتار در سال ۲۰۱۹ رسیده است. در بین روش‌های طبقه‌بندی تصاویر به منظور استخراج کاربری اراضی، روش SVM بهترین روش بود و همچنین تصاویر ماهواره Sentinel-2 بالاترین دقت را داشت. شبکه عصبی مصنوعی پرسپترون چندلایه به منظور پیش‌بینی توسعه فیزیکی آتی شهر جدید سهند مورد استفاده قرار گرفت، که با توجه به بررسی‌های صورت گرفته، توسعه در جهاتی پیش‌بینی شده است که مبتنی بر ارزان بودن زمین و نیز محدودیت-های ژئومورفولوژیکی مانند شیب و ارتفاع است.

تازه های تحقیق

     توجه به این نکته که آیا قیمت زمین می­تواند در توسعه فیزیکی شهرها تأثیر داشته باشد یا خیر در این تحقیق مورد بررسی قرار گرفت و نتایج نشان داد که در کنار سایر معیارها می­تواند تأثیر بارزتری داشده باشد. علاوه بر استفاده از داده­های مناسب و صحیح، استفاده از روش مناسب نیز یکی از شروط به دست آوردن نتایج صحیح و دقیق می­باشد. در تحقیق حاضر، استفاده از روش­های طبقه­بندی تصاویر ماهواره­ای با استفاده از روش­های یادگیری ماشین دارای دقت بالایی برای استفاده از نتایج بود. علاوه بر آن استفاده از معیارهایی همچنین قیمت زمین و معیارهای زمین­شناسی و کاربری اراضی و تحلیل برتری و اهمیت هر کدام از آنها در توسعه فیزیکی شهر نشان داد که قیمت زمین و شیب و کاربری اراضی از سایر معیارها تأثیر بیشتری داشته و می­توانند تعیین کننده جهت توسعه فیزیکی شهرها باشند. تحلیل و همپوشانی در محیط شبکه­های عصبی مصنوعی نیز نشان داد که حصول نتایج نزدیک به واقعیت می­تواند در گرو استفاده از روش­های مناسب باشد. نتایج تحقیق حاضر با نتایج عامری و همکاران (1396)، در تحقیقی توسعه شهری در جزیره مینو را با استفاده از سیستم اطلاعات جغرافیایی بررسی کردند و نتایج آنها نشان داد؛ علی­رغم اینکه منطقه مورد نظر برای توسعه شهری مناسب است، ساختار کالبدی و رفاه اجتماعی باید مورد نظر برنامه­ریزان قرار­بگیرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

An Evaluation of Physical Development of Sahand New Town by Using of Artificial Neural Network

نویسندگان [English]

  • Abolfazl Ghanbari 1
  • Mir Hossein Pourbagher 2
1 Academic Member/ University of Tabriz
2 Student/University of Tabriz
چکیده [English]

In this study, using images of Landsat-8, Landsat-7 and Sentinel-2 satellites in the coding environment of Google Earth Engine, their uses and changes during the two periods before and after urbanization (from 2000 to 2008 and from 2008 to 2019) will be categorized and then the next five-year development forecast of Sahand city (until 2025) will be made. Perceptron multilayer artificial neural network (MLP) method has been used as a method for predicting spatial multi-criteria decision making (MCDM). The independent variables used in the present study in predicting the physical development of the city are land price, type of use, slope, slope direction, altitude, distance from urban areas, distance from waterway network, distance from fault, distance from network Passages (main and secondary). The results of classification of satellite images showed that the physical development of Sahand new city has been done in order to turn barren lands into urban land. In addition, physical development was built to turn cheaper land into areas. The built lands have been greatly developed and from 64,155 square meters in 2000 to 682,192 square meters in 2019. Among the image classification methods for land use extraction, the SVM method was the best method and also the Sentinel-2 satellite images had the highest accuracy. The multilayer perceptron artificial neural network was used to predict the future physical development of the new city of Sahand, which according to studies, the development is predicted in directions that are based on the cheapness of the land and the limitations. Geomorphological is like slope and altitude.

کلیدواژه‌ها [English]

  • Physical Development
  • Satellite Images
  • Google Earth Engine
  • Artificial Neural Network

مراجع

  • تقوایی، مسعود؛ قیومی محمدی، حمید و یوسف نصیری. (1392). تحلیل فضایی توسعه فیزیکی شهر اقلید با استفاده از روش AHP، فصلنامه تحقیقات جغرافیایی، ۲۸: ۳۱-۵۴.
  • محمودزاده حسن. (1396). کاربرد شبکه عصبی مصنوعی در مدل سازی و پیش بینی تغییرات کاربری اراضی شهر سردرود (1410-1363). جغرافیا و برنامه ریزی، دوره 21، شماره 60 : 221-2.
  • زیاری، کرامت اله و طیبه قائمی‌راد. (1395). تحلیل توان جغرافیای اکولوژیکی بر توسعه فیزیکی شهر رشت، جغرافیا (برنامه ریزی منطقه ای)، 6 (3): 125-136.
  • شیروانی، حسین. (1395). شبکه­های عصبی مصنوعی با رویکرد کاربرد در علوم کشاورزی و منابع طبیعی، انتشارات دانشگاه ولی عصر(عج)، دانشگاه رفسنجان.
  • علیپور، کیوان و نسرین علی احمدی. (1395). مفهوم توسعه و نظریه های توسعه شهری، دومین کنفرانس ملی مهندسی عمران، بابل- مؤسسه علمی تحقیقاتی کومه علم آوران دانش، 25 آذر.
  • مردای مهدی؛ پریزادی، طاهر و مرتضی مرادی. (1397). الزامات توسعه شهر از درون، مورد مطالعاتی: شهر بروجرد، معماری و شهرسازی آرمان شهر، 23: 332-319.
  • قرخلو، مهدی و اصغر عابدینی. (1387). ارزیابی چالشها و مشکلات شهرهای جدید و میزان موفقیت آنهادر ایران: شهر جدید سهند. برنامه ریزی و آمایش فضا (مدرس علوم انسانی)، 13، 1 (60): 165-119.
  • عماری، سحر؛ دشتی، سولماز و جعفر مرشدی. (1396). ارزیابی توان اکولوژیک به منظور توسعه شهری با استفاده از سیستم اطلاعات جغرافیایی (مطالعه موردی: جزیره مینو(، فصلنامه انسان و محیط زیست، 15(40): 61 تا 70.
  • عمرزاده، داود؛ پورمرادیان، سامره، ولیزاده کامران، خلیل، فیضی زاده، بختیار و هدی خلاقی. (1399). قابلیت سنجی توسعه گردشگری طبیعی (اکوتوریسم) در استان آذربایجان غربی بر اساس تحلیل های مکانیGIS . جغرافیا و برنامه ریزی، دوره 26(79): 256-243.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار