مدل سازی توسعه فیزیکی شهر با ترکیب قابلیت‌های گوگل ارث انجین (GEE) و شبکه عصبی مصنوعی (MLP) مطالعه موردی: شهر تبریز
Publish place: Geography and Planning، Vol: 24، Issue: 74
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 628
This Paper With 18 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GEOP-24-74_015
تاریخ نمایه سازی: 6 بهمن 1399
Abstract:
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.
Keywords:
Authors
حسن محمودزاده
دانشیار جغرافیا و برنامه ریزی شهری، گروه جغرافیا و برنامه ریزی شهری، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران
مصطفی مهدوی فرد
دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز
مجید عزیز مرادی
کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز
ملیحه زنجانی ثانی
دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :