بررسی قابلیت‌های مدل شبکه عصبی مصنوعی در شبیه‌سازی توسعه شهری با کاربرد نمایه‌های عامل نسبی و بوم‌شناختی سیمای‌سرزمین(مطالعه موردی: شهر ساحلی هشتپر)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 Leeghwaterstraat 206, 2628 LW Delft, NL

2 دانشگاه تهران

چکیده

شهرنشینی یکی از مهمترین تغییرات جهانی است. رشد سریع شهرهای دنیا فشارهای سنگینی بر سرزمین و منابع اطراف آن وارد کرده است. از آن جا که توسعه فضاهای شهری در آینده امری اجتناب‌ناپذیر است، لزوم درک صحیح از این روند به‌منظور حفاظت از محیط‌زیست شهری ضروری است. شبکه‌های عصبی ابزاری قدرتمند جهت درک فرایندها و الگوهای مکانی هستند. بدین‌منظور، مدل شبکه عصبی پرسپترون چند لایه به‌عنوان ابزار شبیه‌سازی توسعه در شهر هشتپر انتخاب شد. در پژوهش حاضر، از نمایه مجذور میانگین مربعات خطا (RMSE) به‌عنوان شاخص طراحی و پایان آموزش در شبکه استفاده شد. پس از نرمال‌سازی و حذف متغیرهای همبسته، متغیرهای اثرگذار بر توسعه شهر هشتپر به‌صورت: فاصله از شهر، شبکه حمل‌ و ‌نقل اصلی، شبکه هیدروگرافی، کشاورزی، مراتع، اراضی بایر و شیب تعیین و شبکه‌ای متشکل از 22 گره با سه لایه ورودی (7 گره)، میانی (14 گره) و خروجی (1 گره) طراحی شد. فرایند آموزش به‌کمک تابع مشتق‌پذیر سیگمویید و استخراج نمونه‌های تعلیمی از نقشه تغییرات شهری (2000-1989) اجرا و شبیه‌سازی توسعه برای سال 2007 انجام شد. بررسی قابلیت‌های مدل و تحلیل ساختار سیمای شبیه‌سازی شده نیز با کاربرد نمایه‌های عامل نسبی و بوم‌شناختی سیمای‌سرزمین انجام شد. بر اساس نتایج، کمیت به دست آمده از نمایه‌های عامل نسبی و سیمای‌سرزمین نشان‌دهنده توافق نسبی گستره شبیه‌سازی شده با نقشه حاصل از طبقه‌بندی تصویر است. بر این ‌اساس، مدل شبکه عصبی در شبیه‌سازی مساحت کلاس، فاصله اقلیدوسی و چین‌خوردگی شکل لکه‌های شهری قابلیت اعتماد مناسبی دارد. در نهایت، تعیین حساسیت مدل به پارامترهای مورد استفاده با حذف متغیرهای مستقل و مقایسه نتایج آن با مدل کامل انجام و موثرترین داده‌ها برای شبیه‌سازی توسعه این شهر متغیرهای فاصله از هسته مرکزی و شبکه حمل و نقل به دست آمدند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigating the Performance of Artificial Neural Network- Based Model in Simulating the Urban Growth Using Relative perating Characteristics and Landscape Ecological Metrics(Study Area: Hashtpar Coastal City)

نویسنده [English]

  • mehdi sheikh goodarzi 1
1 Leeghwaterstraat 206, 2628 LW Delft, NL
چکیده [English]

Urbanization is one of the most significant global changes. The rapid urban growth has been imposing high pressure to land and their resources. Neural networks are a powerful tool for understanding the spatial processes and patterns. Hence, the neural network model called multi-layer perceptron was applied as a tool for simulating the urban growth in Hashtpar township. The Root Mean Square Error (RMSE) was used as an index in design and stopping the training process of the network in this study. After normalization and removal of the covariate variables, distance to city center, main transportation and hydrographical networks, agriculture, grassland, barren land and slope were chosen as effective variables on the urban growth for study area. Architecture of the network has been designed as 7-14-1, which stands for number of input, hidden and output nodes, respectively. The training process was conducted by implementation of the sigmoid function and extracting the training samples of the urban change (1989-2000) and then simulating the urban growth for 2007. Investigating the performance of the model and analyzing the pattern of the simulated landscape was carried out using the relative operating characteristic and the landscape ecological metrics. The values of the ROC and landscape Ecological metrics indicate an acceptable spatial agreement between the simulated and classified maps. Accordingly, the neural network model has a good reliability in simulation of the class area, Euclidean nearest distance and fractal dimension index of the urban patches, as well. Finally, sensitivity of the model was examined using stepwise independent variable elimination and comparing the results with the full model. The results revealed that the distance to city center and the main transport network can be considered as the most effective variables in simulating the urban growth in the study area.

کلیدواژه‌ها [English]

  • Urban growth simulation
  • Artificial Neural Network
  • The root mean square error (RMSE)
  • landscape ecology
  • Hashtpar