مدل سازی و پیشبینی روند گسترش و توسعه فیزیکی شهر ها به روش اتوماتای سلولی توسط شبکه های عصبی مصنوعی با استفاده از داده های سنجش از دور( مطالعه موردی شهرستان خرم آباد)

فزایش سهم جمعیت شهری جهان بطور عمده در مناطق در حال توسعه اتفاق افتاده است. با توجه به ماهیت رشد و افزایش جمعیت این شهرها افزایش فقر و حاشیه نشینی را به دنبال خواهد داشت. در راستای مقابله با این چالش، شهرها نیاز به برنامه ریزی جهت انتخاب آگاهانه برای آینده دارند. شهرها و ماهیت خودسازمانده آنها از یک سو و عوامل مختلف محیطی، اجتماعی، اقتصادی از سوی دیگر از اصلی ترین عوامل استفاده از اتوماتای سلولی برای مدل سازی روند توسعه ی شهرها می باشد. در بررسی این روند، نیاز به داده های مختلف از منابع متفاوت احساس می شود که در حال حاضر تصاویر سنجش از دوری جامعترین و در دسترس ترین داده های موجود هستند. در روند مدل سازی، بحث کالیبراسیون مدل یکی از مهمترین قسمت های مدل محسوب می شود. در این تحقیق از شبکه عصبی مصنوعی برایکالیبراسیون مدل و در واقع تعیین وزن مناسب برای پارامترهای موثر در مدل سازی استفاده شده است. هدف اصلی این پژوهش، مدل سازی توسعه شهر خرم آباد به روش اتوماتای سلولی به کمک شبکه های عصبی مصنوعی با استفاده از تصاویر ماهواره ای لندست می باشددر این تحقیق از روش SOFM که یکی از روش های خوشه بندی شبکه های عصبی مصنوعی است، استفاده شده است. علاوه بر باند های هر تصویر از شاخص های NDVI ،NDBI ،NDWI و MNDWI هم به عنوان داده ی کمکی برای خوشه بندی استفاده شده است بل از اینکه مدل سازی توسعه ی شهری با داده های واقعی بررسی شود، با استفاده از مدل بازی زندگی به عنوان یک داده ی شبیه سازی شده، قابلیت شبکه ی عصبی در تشخیص الگوی آن مورد بررسی قرار گرفت و این نتیجه حاصل شد که شبکه ی عصبی به طور کامل قادر به تشخیص الگوی بازی زندگی است پس از آن توسعه ی شهری با داده های واقعی مدل سازی شد. در این راستا نشان داده شد که شاخص های دقت کلی و ضریب کاپا نمی توانند شاخص های مناسبی برای ارزیابی توسعه ی شهری باشند. بدین منظور شاخص پیشنهادی PRSI که میانگین دقت تولید کننده برای خروجی ها و اهداف به صورت 4 کلاسه هستند، تعریف شد. برای بررسی تاثیر پارامتر همسایگی از دو نوع همسایگی دیسکی و حلقه ای با شعاع های مختلف استفاده شد. با بررسی شاخص PRSI ،این نتیجه حاصل شد که از همسایگی حلقه ای با شعاع همسایگی 1 ،2 و 3 به عنوان سه پارامتر مجزا استفاده شود. علاوه بر پارامترهای حالت اولیه ی سلول و سه پارامتر همسایگی؛ از سه پارامتر کمکی ارتفاع، شیب و فاصله از راه های اصلی به عنوان پارامترهای موثر در توسعه ی شهری، استفاده شدند. در نهایت پس از انتخاب مجموعه داده ها و مراحل پیش پردازش آنها و طراحی یک شبکه ی پرسپترون چند لایه و آموزش آن با مجموعه داده ی تصاویر سال های 1986 تا 2013 ،شاخص کاپای شبکه 6/88 % و شاخص PRSI شبکه 6/57 % برای مجموعه داده ی زوج ورودی/هدف سال 2013/2016 حاصل شد. پایین بودن شاخص PRSI شبکه نشان می دهد که مدل سازی موفق نبوده است، چون نتوانسته است قوانین تغییر (به ترتیب دارای دقت تولید کننده 16 % و 15 % برای قانون مرگ و زندگی) را به خوبی مدل سازی کند، هر چند که شاخص کاپا دقت نسبتا0 خوبی را ارایه می دهد. علت اصلی این امر در ضعف شبکه عصبی و یا ضعف مدل سازی نیست، بلکه در داده ی آموزشی و تست است که دارای الگوهای متناقض هستند. به طور کلی نمی توان گفت که الگوی توسعه ی شهری همانند الگوی اتوماتای سلولی دارای یک الگوی ثابتی است و الگوی تغییر هر سلول در یک زمان، وابسته به شرایط محیطی در آن زمان است و هر سلول شرایط محیطی خاص خود را دارد.

Keywords:

مدل سازی توسعه ی شهری , اتوماتای سلولی , شبکه های عصبی مصنوعی , شاخص PRSI