کشف قوانین انتقال برای اتوماتای سلولی با استفاده از الگوریتم‌های بهینه‌سازی کلونی زنبورهای مصنوعی و ازدحام ذرات در مدل‌سازی رشد شهری

خلاصه

این مقاله روشی پیشرفته در مدل‌سازی رشد شهری برای کشف قوانین انتقال اتوماتای سلولی (CA) با استفاده از الگوریتم بهینه‌سازی کلنی زنبورهای مصنوعی (ABC) ارائه می‌کند. همچنین، مقایسه بین نتایج شبیه‌سازی مدل‌های CA بهینه‌سازی شده توسط الگوریتم ABC و الگوریتم‌های بهینه‌سازی ازدحام ذرات (PSO) به عنوان رویکردهای هوشمند برای ارزیابی پتانسیل روش‌های پیشنهادی انجام شد. طبق مطالعات قبلی، الگوریتم‌های هوش ازدحام برای حل مسائل بهینه‌سازی مانند کشف قوانین انتقال CA در مدل‌سازی تغییر کاربری زمین/رشد شهری می‌توانند نتایج معقولی ایجاد کنند. مدل‌سازی رشد شهری به‌عنوان یک فرآیند پویا به دلیل وجود غیرخطی و ناهمگونی در میان متغیرهای مؤثر مؤثر که می‌تواند چالش‌هایی را برای CA سنتی ایجاد کند، ساده نیست. الگوریتم ABC، الگوریتم‌های جدید بهینه‌سازی مبتنی بر ازدحام، می‌تواند برای ثبت قوانین انتقال بهینه CA استفاده شود. این مقاله روشی مبتنی بر داده‌های سنجش از دور برای مدل‌سازی رشد شهری با CA کالیبره‌شده توسط الگوریتم ABC ارائه کرده است. عملکرد مدل‌های ABC-CA، PSO-CA و CA-لجستیک در تشخیص تغییر کاربری اراضی برای شهر ارومیه، ایران، بین سال‌های 1383 تا 1393 آزمایش شده است. اعتبارسنجی مدل‌ها بر اساس معیارهای آماری مانند دقت کلی، شکل شایستگی، و مشخصه عملیاتی کل ساخته شد. ما نشان دادیم که دقت کلی مدل ABC-CA 89٪ بود که 1 بود. 5% و 6.2% بیشتر از مدل PSO-CA و CA-logistic به ترتیب. علاوه بر این، اختلاف تخصیص (خطای شبیه‌سازی) نتایج شبیه‌سازی برای مدل‌های ABC-CA، PSO-CA، و CA-لجستیک به ترتیب 11، 12.5 و 17.2 درصد است. در نهایت برای تمامی شاخص‌های ارزیابی شامل زمان اجرا، قابلیت همگرایی، انعطاف‌پذیری، اندازه‌گیری‌های آماری و الگوهای فضایی تولید شده، عملکرد مدل ABC-CA بهبود نسبی نشان داد و در نتیجه برتری آن تایید شد.

کلید واژه ها:

تشخیص تغییر کاربری زمین ; مدل رشد شهری ; اتوماتای سلولی ; کلنی زنبورهای مصنوعی

1. معرفی

شهرنشینی سریع ناشی از افزایش جمعیت شهری و مهاجرت گسترده به مناطق شهری [ 1 ] می تواند منجر به تغییرات کاربری اراضی با اثرات منفی مانند زوال منابع زمین، تکه تکه شدن چشم انداز، مشکلات اجتماعی و زیست محیطی و از دست دادن زمین های کشاورزی از جمله موارد دیگر شود [2] . , 3 , 4 , 5 , 6 ]. اجتناب از این تأثیرات از طریق برنامه ریزی پیش بینی شده بر اساس مدل سازی تغییر کاربری اراضی شهری امکان پذیر است [ 7 ، 8 ].

درک این فرآیند یکی از چالش برانگیزترین مسائل در علوم زمین است [ 9 ، 10 ]. اخیراً، مدل‌های تغییر کاربری زمین از قابلیت‌های تحلیل‌های فضایی در چارچوب سیستم‌های اطلاعات مکانی و داده‌های سنجش از راه دور چند زمانی برای ارائه درک بهتری از سیستم‌های شهری استفاده می‌کنند. مدل‌ها تلاش می‌کنند راهی برای درک مکانیسم‌های نرخ و الگوهای تغییرات کاربری زمین و رشد شهری بیابند، ابزاری را برای ارزیابی سیستم‌های شهری فعلی و ارائه پشتیبانی برنامه‌ریزی در مدیریت رشد شهری ارائه دهند [ 6 ، 10 ، 11 ، 12 ، 13 ، 14 ، 15]. برای نقشه‌برداری و پایش تغییر کاربری زمین شهری، داده‌های سنجش از دور با موفقیت برای ارزیابی تغییرات در تغییرات کاربری زمین به کار گرفته شده‌اند. در غیاب داده‌های قابل اعتماد، نقشه‌های کاربری اراضی تولید شده توسط داده‌های سنجش از دور می‌توانند برای پیش‌بینی تغییرات شهری آینده استفاده شوند [ 16 ، 17 ]. بنابراین، برای مدل‌سازی این فرآیند چندین مدل ارائه شده است، مانند مدل‌های زنجیره مارکوف [ 18 ، 19 ]، رگرسیون لجستیک فضایی [ 20 ]، اتوماتای سلولی (CA) [ 21 ، 22 ، 23 ] و روش‌های یادگیری ماشین و هوش مصنوعی. مانند شبکه های عصبی مصنوعی (ANN) [ 24 ، 25 ، 26 ،27 ، 28 ، 29 ، 30 ]، ماشین بردار پشتیبان (SVM) [ 31 ] و الگوریتم های ژنتیک (GA) [ 32 ].

در میان مدل های ذکر شده در بالا، CA مسلماً محبوب ترین ابزار مورد استفاده برای شبیه سازی رشد شهری بوده است. مدل CA دارای قابلیت‌هایی مانند انعطاف‌پذیری، توانایی بازتولید دینامیک سیستم‌های پیچیده، خود سازمان‌دهی و ماهیت غیرمتمرکز برای مواجهه با ناهمگونی فضایی موجود فرم شهری و غیرخطی بودن نیروهای محرک رشد شهری است. با این حال، در در نظر گرفتن پدیده های پویا مانند فرآیندهای تغییر کاربری اراضی شهری، کالیبراسیون CA (کشف قوانین انتقال CA) بسیار خسته کننده است زیرا پارامترهای مختلف موجود درگیر با ویژگی های ناهمگنی و غیرخطی [33 ، 34 ، 35 ]]. تعدادی روش برای کالیبراسیون CA ارائه شده است از جمله روش های آماری مانند ارزیابی چند معیاره (MCE) یا رگرسیون لجستیک (LR) [ 20 ، 21 ]، زنجیره مارکوف [ 36 ، 37 ، 38 ]، نظریه منطق فازی [ 39 ] ، شبکه های عصبی مصنوعی (ANN) [ 40 ، 41 ، 42 ]، ماشین های بردار پشتیبان (SVM) [ 43 ] و الگوریتم های ژنتیک (GA) [ 44 ].

بر اساس تحقیقات قبلی، این روش ها دارای اشکالاتی مانند فرض روابط خطی بین متغیرهای مکانی در روش های آماری [ 22 ]، ذهنیت در انتخاب توابع و قوانین عضویت فازی و همچنین وابستگی نتایج به این توابع در نظریه منطق فازی هستند. [ 39 ]، و به دام افتادن در حداقل محلی، بیش از حد برازش، و داشتن ماهیت جعبه سیاه ANN و SVM [ 31 ، 40 ، 41 ، 43 ]. علاوه بر این، اکثر روش‌های کالیبراسیون CA از معادلات ریاضی برای کشف قوانین انتقال استفاده می‌کنند. در تخمین مقادیر پارامترهای ریاضی، برخی عدم قطعیت ها دخیل هستند [ 45 ، 46]. برای غلبه بر محدودیت‌های ذکر شده قبلی، استفاده از مدل‌های CA ادغام شده با روش‌های هوش ازدحام (SI) نویدبخش مدل‌سازی رشد شهری مانند بهینه‌سازی کلونی مورچه‌ها (ACO) [45، 47]، بهینه‌سازی ازدحام ذرات ( PSO ) [ 34 ] ، کلنی زنبور عسل است. بهینه سازی (BCO) [ 48 ]، و الگوریتم جستجوی فاخته (CS) [ 46 ]. این روش ها می توانند فرآیندهای پیچیده غیرخطی رشد شهری را به طور کارآمد در نظر بگیرند و نتایج شبیه سازی را با دقت بالاتری نسبت به روش های دیگر تولید کنند [ 34 ، 49 ].

در میان روش‌های SI، الگوریتم کلونی زنبورهای مصنوعی (ABC) که توسط Karaboga در سال 2005 [ 50 ] پیشنهاد شد، یکی از موفق‌ترین الگوریتم‌های مورد استفاده در مسائل بهینه‌سازی به دلیل انعطاف‌پذیری، استحکام، سهولت اجرا و نیاز به کمتر است. پارامترهای کنترل [ 51 ، 52 ، 53 ، 54 ]. اخیراً در حوزه الگوریتم‌های بهینه‌سازی عددی، ABC نتایج بهتری را در عملکرد و کارایی محاسباتی در مقایسه با سایر الگوریتم‌های تکاملی نشان داده است [ 53] .]. با بهترین دانش ما، استفاده از الگوریتم ABC برای کالیبره کردن مدل‌های CA برای مدل‌سازی رشد شهری یا مقایسه با سایر الگوریتم‌های محبوب SI (به عنوان مثال، PSO) هنوز استفاده نشده است. با توجه به مزایای الگوریتم ABC، این مقاله مدل CA را با الگوریتم ABC ادغام کرد تا قوانین انتقال بهینه CA را بررسی کند. اگرچه الگوریتم ABC در حل مسائل بهینه سازی بسیار مورد توجه قرار گرفته است، اما مطالعات کمی وجود دارد که از آن در مدل سازی رشد شهری استفاده کرده و یا قابلیت های آن را با سایر الگوریتم های مشابه مقایسه کرده باشد. بنابراین، نیاز به بررسی ادغام ABC و CA در مدل‌سازی رشد شهری، مقایسه عملکرد آن با سایر الگوریتم‌های مشابه، و بررسی اینکه چگونه این مدل‌ها/الگوریتم‌ها می‌توانند رشد شهری احتمالی آینده را پیش‌بینی کنند، وجود دارد.

چندین مطالعه نشان داده‌اند که الگوریتم PSO یک تکنیک بهینه‌سازی قدرتمند است که می‌تواند الگوی جهانی بهینه را به دست آورد و دقت مکانی را در کشف قوانین انتقال CA در تغییر کاربری زمین و مدل‌سازی رشد شهری بهبود بخشد [ 34 ، 55]. در این مقاله از روش PSO-CA برای ارزیابی روش ABC-CA استفاده کردیم. ما این رویکردها را برای مدل‌سازی رشد شهری برای درک الگوی رشد شهری مقایسه کردیم. این مقاله سعی دارد (1) یک رویکرد جدید در مدل‌سازی شهری با روش CA کالیبره‌شده توسط الگوریتم ABC برای غلبه بر اشکالات روش‌های ذکر شده پیشنهاد کند و (2) عملکرد روش پیشنهادی را با روش PSO-CA به عنوان یک روش مشابه مقایسه کند و با CA-logistic به عنوان یک روش مرسوم. این دو مدل در ارومیه، ایران آزمایش شدند تا الگوهای رشد شهری آینده آن را شبیه‌سازی کنند. این شهر در شمال غربی ایران قرار دارد. در پنج دهه اخیر جمعیت ارومیه بیش از 10 برابر و مساحت آن حدود 27 برابر شده است [ 56].]، بنابراین شهر یک کاندیدای اصلی برای در نظر گرفتن شهرنشینی سریع است.

2. مدلسازی رشد شهری توسط CA

در زمینه تغییر کاربری زمین، رشد شهری تحت تأثیر شرایط اجتماعی-اقتصادی و فیزیکی، وضعیت حمل و نقل، چالش های محیطی و غیره قرار می گیرد [ 57 ]. مدل‌های رشد شهری تلاش می‌کنند تا مرزهای شهری آینده را به روشی برنامه‌ریزی‌شده تخمین بزنند تا از اثرات منفی گسترش شهری اجتناب کنند. یک مدل رشد شهری مبتنی بر CA معمولاً به دلیل قابلیت‌های آن استفاده می‌شود. مدل‌های CA معمولاً از دسترسی، همسایگی، تناسب و وضعیت منطقه‌بندی استفاده می‌کنند [ 57 ]. از نظر مفهومی، تعریف قوانین انتقال و وضعیت همسایگی، و تعیین محدودیت ها و مناطق بالقوه برای توسعه و اثرات تصادفی، اجزای اصلی CA هستند، همانطور که در معادله (1) ارائه شده است [22، 58 ، 59 ] .]:

پ تی من ج = اس تی من ج \times Ω تی من ج \times سی o n \times ه r

(1)

جایی که $P_{i j}^{t}$ پتانسیل توسعه سلول ij است . $S_{i j}^{t}$ مناسب بودن سلول ij برای تغییر بر اساس عوامل مرتبط در زمان های t است . $Ω_{i j}^{t}$ اثر تراکم توسعه محله است. e _r یک اصطلاح اختلال تصادفی برای خطاهای ناشناخته است. و Con محدودیت هایی هستند که به عوامل تأثیرگذار اشاره می کنند که رشد شهری را در برخی مناطق از جمله مناطق حساس زیست محیطی یا مناطق کوهستانی حذف می کنند. این یک تابع شرطی است و زمانی درست می شود که مناسب بودن سلول برای رشد پیدا شود [ 40 ]. پتانسیل توسعه محاسبه شده با یک مقدار آستانه بر اساس تقاضای زمین در آینده مقایسه می شود تا تصمیم بگیرد که آیا یک سلول غیر شهری می تواند در زمان t + 1 به سلول شهری تبدیل شود [ 22 ، 34 ].

با این حال، تعیین قوانین انتقال (یا کالیبره کردن CA) زمانی چالش برانگیز و پیچیده می‌شود که مدل‌سازی CA برای شبیه‌سازی یک فرآیند پویا مانند مدل‌سازی رشد شهری استفاده می‌شود، زیرا با چندین متغیر ناهمگن و غیرخطی و روابط پیچیده پارامترهای تبدیل کاربری موثر زمین سروکار دارد [57] . , 60 , 61 , 62 ]. در میان روش‌های مختلف برای کالیبره کردن مدل‌های CA، محققان توانسته‌اند مسائل پیچیده را با الگوریتم‌های SI مانند ABC و PSO حل کنند تا بر محدودیت‌های ذاتی آن‌ها مانند ذهنیت، ماهیت جعبه سیاه و مفروضات خطی بودن در میان عوامل مؤثر رشد شهری غلبه کنند [34] .]. الگوریتم کلونی زنبورهای مصنوعی (ABC) یکی از موفق‌ترین الگوریتم‌های SI است که در مسائل بهینه‌سازی استفاده می‌شود و به دلیل عملکرد بالا می‌تواند در کالیبره کردن CA برای مدل‌سازی رشد شهری استفاده شود. بخش‌های زیر الگوریتم‌های اصلی ABC و PSO را برای کالیبره کردن CA و بررسی مقایسه آنها توضیح می‌دهند.

3. الگوریتم کلونی زنبورهای مصنوعی

الگوریتم ABC از رفتار جستجوی علوفه زنبورهای عسل واقعی برای حل مسائل بهینه سازی [ 50 ] الهام گرفته شده است. الگوریتم ABC یک روش قوی، انعطاف پذیر، با کارایی بالا است و پارامترهای کنترلی کمی مورد نیاز است [ 54 ، 63 ]. در این الگوریتم، سه نوع زنبور شامل زنبورهای شاغل، زنبورهای تماشاگر و زنبورهای پیشاهنگ سعی می‌کنند بیشترین مقدار شهد (غذا) را در کندو جمع‌آوری و ذخیره کنند [52 ] . الگوریتم اصلی ABC برای حل مسائل بهینه سازی مراحل زیر را انجام می دهد [ 51 ، 52 ، 53 ، 64 ، 65]. موقعیت های اولیه منابع غذایی (راه حل ها) با مقداردهی اولیه تصادفی تولید می شوند (معادله (2)):

ایکس من ج = ایکس دقیقه j + رند (0, 1) (ایکس حداکثر j - ایکس دقیقه j)

(2)

که در آن i = 1، … ، SN، j = 1، … ، D. SN تعداد راه حل ها (منابع غذایی) و D نشان دهنده تعداد پارامترهای بهینه سازی است. در الگوریتم اصلی ABC به عنوان یک الگوریتم مبتنی بر جمعیت، تعیین جمعیت اولیه مرحله اصلی است که به صورت تصادفی انجام می شود. این بدان معنی است که هیچ اطلاعات اولیه ای در مورد راه حل وجود ندارد. بهبود در پیکربندی جمعیت اولیه الگوریتم ABC می تواند بر همگرایی الگوریتم و کیفیت نتایج تأثیر بگذارد [ 63 ]. استفاده از نقشه های آشفته در فرآیند اولیه سازی الگوریتم ABC می تواند یک جمعیت اولیه مناسب ایجاد کند [ 66]. از نقشه های آشفته می توان برای افزایش تنوع جمعیت با بهره برداری از اطلاعات فضای جستجو استفاده کرد. روال های آشفته به عنوان یک فرآیند تکرار سینوسی (معادله (3)) می تواند برای ایجاد یک رویکرد اولیه سازی موثر [ 63 ] استفاده شود. بنابراین، در این مقاله، جمعیت اولیه با اجرای یک روال آشفته تولید می‌شود. به منظور بهبود جمعیت اولیه از رابطه (4) به جای معادله (2) استفاده شده است.

سی h a o تی k + 1 = گناه (π سی h a o تی ک) ، سی h a o تی ک ϵ (0, 1), i = 0, 1, \dots, I

(3)

ایکس من ج = ایکس m i n j + سی h a o تی k ، j (ایکس m a x j - ایکس m i n j)

(4)

در مرحله بعد زنبورهای شاغل با توجه به اطلاعات محلی خود تغییراتی را در موقعیت منابع غذایی اعمال می کنند تا منابع غذایی جدید را تولید کنند. راه حل پیشنهادی بر اساس منابع غذایی جدید محاسبه شده است. منبع غذایی V _ij (معادله (5)) در همسایگی هر منبع غذایی X _ij قرار دارد .

V من ج = ایکس من ج + φ من ج (ایکس من ج - ایکس k j)

(5)

که در آن j یک عدد تصادفی در (1، D است ) ( D نشان دهنده تعداد پارامترهای بهینه سازی است) و $k \in {1, 2, ..., S N}$ یک شاخص تصادفی است که باید با i متفاوت باشد . $φ_{i j}$ یک عدد واقعی توزیع شده یکنواخت در (-1، 1) را نشان می دهد که تولید محل منبع غذا را در اطراف X _ij کنترل می کند . یک راه حل بهتر بین X _ij و V _ij در مرحله بعد با معادله (6) انتخاب می شود:

fمن نیستم _ _ _سمن= {11 +fمن1 + یک ب ثانیه (fمن)من f  fمن ≥ 0من f  fمن< 0}�منتی�هسسمن={11+�منمن�  �من ≥01+آبس(�من)من�  �من<0}

(6)

که در آن f _i مقدار بهای تمام شده راه حل تولید شده i و abs مقدار مطلق است. “راه حل حریصانه” بر اساس سودآوری بین ساخته شده است $X_{m n}$ و V _mn . سپس یک انتخاب حریصانه بر اساس سودآوری بین X _ij و V _mn انجام می شود . مقادیر احتمال برای حل X _ij با معادله (7) محاسبه می شود:

پ من = f من نیستم _ _ _ س من \sum اس ن i = 1 f من نیستم _ _ _ س من

(7)

در این الگوریتم برای هر منبع (راه حل) یک عدد واقعی تصادفی در بازه [0، 1] تولید می شود. اگر مقدار احتمال محاسبه شده برای یک منبع غذایی بزرگتر از عدد تصادفی باشد، زنبور ناظر با رابطه (5) موقعیت منبع غذایی را اصلاح می کند. در مرحله بعد، منابع غذایی تمام شده شناسایی شده و منبع غذایی جدید با زنبور پیشاهنگ جایگزین می شود. بهترین راه حل تا این مرحله ذخیره می شود. تکرارهای بعدی شروع می شود و مراحل قبلی تا رسیدن به معیار خاتمه تکرار می شود.

با این حال، الگوریتم ABC بر اساس نوع مسئله بهینه‌سازی ابعاد مختلفی دارد که به وسیله آن تنها یکی از ابعاد آن به‌طور تصادفی انتخاب می‌شود تا در هر تکرار تغییر کند. برای بهبود عملکرد الگوریتم، محققان از ABC برای انجام بهینه‌سازی در ابعاد چندگانه استفاده کردند. اعمال تغییرات در مقدار ابعاد در هر تکرار الگوریتم ABC می تواند منجر به عملکرد بهتر شود. 67]]. در این تحقیق از این استراتژی برای بهبود عملکرد الگوریتم ABC در کالیبراسیون CA استفاده شد. برخی تغییرات در ابعاد چندگانه اعمال شد و نتایج بررسی شد. بر اساس آزمایش‌های مختلف، تغییرات در چهار بعد نتایج بهتری ایجاد کرد که برای حل مشکل کالیبراسیون CA در مدل‌سازی رشد شهری در الگوریتم اصلی ABC اعمال شد. چارچوب مدل‌سازی پیشنهادی شامل یک مدل رشد شهری عمومی مبتنی بر CA است که با ماژول ABC برای کشف قوانین انتقال بهینه CA یکپارچه شده است. شکل 1نمودار جریانی از مدل پیشنهادی ABC-CA برای مدل‌سازی رشد شهری را نشان می‌دهد. در این تحقیق اندازه جمعیت، تعداد زنبورهای شاغل و تعداد زنبورهای شاهد به ترتیب 100، 50 و 50 عدد تعیین شد. بعد در مدل پیشنهادی ABC-CA روی 7 تنظیم شده است که تعداد متغیرهای مکانی و شرایط محدودیت (فاصله از مرکز تجاری، فاصله از شبکه‌های جاده‌ای، فاصله از مراکز جمعیتی، کاربری اراضی، مناطق حساس محیطی، شیب و نقشه‌های ارتفاعی) را نشان می‌دهد. . مدل پیشنهادی ما 350 بار تکرار شد.

همانطور که قبلا ذکر شد، متغیرهای فضایی در پدیده رشد شهری دارای ویژگی‌های ناهمگونی و غیرخطی هستند. در مرحله اول، لایه‌های مکانی درگیر بر اساس پارامترهای نیروی محرکه رشد شهری تهیه می‌شوند. سپس، مقداردهی اولیه ضرایب لایه های درگیر توسط زنبورها با نقشه های آشفته (قوانین انتقال اولیه CA) انجام می شود. در مرحله بعد، بر اساس مشخصات CA و LR، پتانسیل تبدیل هر پیکسل برای تغییر حالت خود به پیکسل شهری محاسبه می شود. برای هر زنبور، یک لایه جدید با توجه به پتانسیل محاسبه شده تولید می شود. با مقایسه لایه های تولید شده، بهترین زنبور عسل در اولین تکرار انتخاب می شود. بر اساس زنبور انتخاب شده، قوانین انتقال جدید به روز می شوند. در تکرارهای بعدی تا رسیدن به جواب بهینه مراحل فوق تکرار می شود.

4. الگوریتم بهینه سازی ازدحام ذرات

بهینه سازی ازدحام ذرات (PSO) توسط کندی و ابرهارت (1995) بر اساس هوش ازدحام و با الهام از رفتار جستجوی دسته های طبیعی مانند پرندگان و ماهی ها معرفی شد [68 ] . PSO یک الگوریتم مناسب برای کالیبره کردن CA شهری به دلیل توانایی آن در به دست آوردن الگوی جهانی بهینه و کاهش عدم قطعیت های شبیه سازی است. بنابراین، CA می تواند از این رویکرد برای به دست آوردن قوانین انتقال استفاده کند [ 34 ، 49 ].

در PSO، n ذره با قابلیت حرکت در اطراف فضای جستجوی فرضی D بعدی وجود دارد [ 69 ، 70 ]. هر عامل مؤثر بر رشد شهری را می توان به عنوان یک بعد از فضای جستجو در نظر گرفت. بنابراین، تعداد کل این عوامل برابر با D است. در فضای جستجو، هر ذره به پارامترهای امکان پذیر متشکل از قوانین انتقال CA مرتبط است [ 34 ، 49 ]. مقادیر اولیه برای موقعیت و سرعت ذرات به طور تصادفی اختصاص داده می شود [ 52]. موقعیت و سرعت هر ذره با تجربه فردی آن و ذرات دیگر تنظیم می شود. سپس، مقدار تناسب توسط یک تابع تناسب محاسبه می شود که موقعیت بهینه هر ذره را تعیین می کند. [ 34 ، 70 ، 71شکل 2]. تابع تناسب، به عنوان مثال، مدل‌سازی رشد شهری، می‌تواند با تفاوت انباشته بین نتایج شبیه‌سازی شده بر اساس مدل سنتی LR و مقادیر واقعی متناظر ساخته شود. این تابع بر اساس عوامل موثر بر رشد شهری و احتمالات آنها تعریف می شود. در نهایت، الگوریتم به بهترین موقعیت ذرات جهانی مربوط به بهترین پارامترها در کالیبره کردن یک مدل CA رشد شهری دست خواهد یافت. نمودار جریان مدل PSO-CA پیشنهادی برای مدل‌سازی رشد شهری را نشان می‌دهد.

5. منطقه مطالعه و مجموعه داده ها

در این مطالعه، برای کالیبراسیون CA، با دو الگوریتم SI شامل PSO و ABC ادغام شده است. مدل‌ها با استفاده از داده‌های ارومیه، ایران برای شبیه‌سازی الگوی رشد شهری آینده آن آزمایش می‌شوند. این شهر در شمال غربی ایران قرار دارد. این منطقه مورد مطالعه یک منطقه جغرافیایی مهم است به این معنا که در مرز ترکیه و عراق واقع شده است ( شکل 3 ). این وضعیت باعث رشد اقتصادی این منطقه در طول سال ها شده است. اقتصاد مسلط منطقه متکی به کشاورزی است و اخیراً برخی از فعالیت های صنعتی آغاز شده است. در پنج دهه گذشته جمعیت ارومیه بیش از 10 برابر و مساحت آن حدود 27 برابر شده است [ 56 ]. این بدان معناست که ارومیه رشد سریع شهری را تجربه کرده است.

برای ارزیابی تغییرات شهری و رشد شهری ارومیه از مجموعه داده های مختلفی به عنوان ورودی استفاده شده است. داده های لندست برای سال های 2004 و 2014 (به ترتیب ETM+ و OLI_TIRS) به منظور استخراج مجموعه داده های کاربری اراضی منطقه ارومیه جمع آوری شد. در این تحقیق از روش طبقه بندی حداکثر احتمال برای طبقه بندی تصاویر استفاده شده است. دقت کلی برای نقشه های طبقه بندی شده برای سال های 2004 و 2014 به ترتیب 88.52% و 90.67% بوده است. شکل 4نقشه رشد شهری ارومیه از سال 1383 تا 1393 را نشان می دهد. تحلیل تغییرات کاربری ارومیه در طول زمان نشان می دهد که مساحت شهر طی ده سال (1383 تا 1393) حدود 38.1 درصد افزایش یافته است که نشان دهنده شهرنشینی سریع ارومیه است از 6518 به 9003 هکتار. در حومه شهر که باعث تخریب زمین های کشاورزی شد. از این فرآیند حدود 47 درصد از زمین های کشاورزی به مناطق شهری تبدیل شد. این بدان معناست که روند شهرنشینی در ارومیه اقتصاد منطقه متکی به کشاورزی را تهدید می کند. بنابراین لازم است این موضوع در برنامه ریزی توسعه آتی مورد توجه قرار گیرد که سناریوهای رشد شهری می تواند به مدیریت تخریب اراضی کشاورزی کمک کند. مطالعات قبلی نشان داد که رشد شهری به نیروهای محرک مختلف از جمله اندازه شهری، اولویت مکان، شرایط اجتماعی-اقتصادی و مسائل زیست محیطی بستگی دارد.جدول 1 عوامل موثر در فرآیند رشد شهری و داده های مربوط به آنها را نشان می دهد [ 59 ، 62 ]. متغیرهای فضایی در فرآیند رشد شهری بر اساس جدول 1 از منابع مختلف جمع آوری شده، به فرمت شطرنجی تبدیل شده و در مدل ها بارگذاری شده اند ( شکل 5 ).

نقشه های شیب و ارتفاع با وضوح 30 × 30 متر از مدل رقومی ارتفاعی استخراج شده از نقشه های توپوگرافی تولید شده توسط مرکز ملی کارتوگرافی ایران استخراج شده است. نقشه‌های شیب و ارتفاع از عوامل مهم در مدل‌سازی رشد شهری هستند، زیرا با نمایش مورفولوژی واقعی منطقه مورد مطالعه، واقع‌گرایی را وارد مدل پیش‌بینی می‌کنند. شکل 5a، e نقشه های شیب و ارتفاع را به ترتیب نشان می دهد. مناطق با کمترین ارزش (شیب و ارتفاع) اراضی مناسب برای شهرنشینی در ارومیه هستند. مجموعه داده شبکه حمل و نقل نیز در این مطالعه استفاده شد. این مجموعه داده، تراکم شبکه جاده‌ای را نشان می‌دهد و روابط بین کاربری‌های مختلف زمین را نشان می‌دهد. نزدیکی به جاده ها بر اساس الگوریتم اقلیدسی محاسبه می شود. مناطق نزدیک به جاده ها برای شهرنشینی مناسب هستند (مقادیر پایین تر، تناسب بالایی را نشان می دهد). مجموعه داده دیگری که در مدل استفاده می شود، مناطق حساس زیست محیطی مانند جنگل ها، تالاب ها، دشت های سیلابی یا زمین های حساس به محیط زیست را در نظر می گیرد که برنامه رشد شهری آینده باید آنها را حفظ کند. سرانجام، سایر مجموعه داده‌های مورد استفاده در این مطالعه شامل نقشه‌هایی برای نزدیکی به مرکز تجاری اصلی شهر و مراکز جمعیتی مجاور آن است. مطابق بادر شکل 5 ب، ج، تناسب شهرنشینی با افزایش فاصله تا این مناطق کاهش می‌یابد (مقادیر پایین‌تر تناسب بالایی را نشان می‌دهند).

6. نتایج پیاده سازی و شبیه سازی

^{مدل‌های PSO-CA و ABC-CA برای شبیه‌سازی رشد شهری ارومیه در نرم‌افزار Matlab TM} و ArcGIS ^TM بر اساس فلوچارت پردازش داده‌های ارائه شده در شکل 6 توسعه یافته‌اند . نقشه های کاربری ارومیه برای سال 1383 برای نقشه پایه در نظر گرفته شد. بر اساس مطالعات قبلی، تغییرات شهری و رشد شهری تحت تأثیر ادغام عوامل مختلفی مانند عوامل جغرافیایی، محیطی و اجتماعی-اقتصادی است [ 16 ]. برای ارزیابی و مدل سازی رشد شهری در ارومیه، داده های مربوط به متغیرهای نفوذ (همانطور که در جدول 1 ارائه شده و در شکل 5 نشان داده شده است.) به صورت لایه های شطرنجی تهیه و در مدل ها بارگذاری شدند. به عنوان بخشی از مدل‌های آزمایش‌شده، ویژگی‌های CA مانند شعاع همسایگی مشخص شد. در این مطالعه از شعاع همسایگی 3 پیکسل استفاده شد. در مدل‌های پیشنهادی، کالیبراسیون CA با استفاده از ادغام الگوریتم‌های ABC و PSO انجام شد. قوانین انتقال به دست آمده برای هر مدل بر روی نقشه پایه (2004) به منظور تولید نقشه های شبیه سازی شده برای سال 2014 اعمال شد. نمونه ای از قوانین انتقال CA را می توان در جدول 2 نشان داد .

در ادامه، مقایسه نقشه‌های کاربری واقعی و شبیه‌سازی‌شده سال ۲۰۱۴ در مدل‌ها به‌عنوان معیار خوبی برازش آن‌ها انجام شد و اگر شباهت‌های آن‌ها معیارهای آستانه تعریف‌شده برای هر مدل را بر اساس تنظیمات آن و تقاضای آینده برای زمین برآورده می‌کردند. توسعه، سپس فرآیندها متوقف شد و الگوریتم‌ها قوانین انتقال بهینه را برای مدل‌های CA تولید کردند. در غیر این صورت تا رسیدن به معیارهای آستانه تکرار شدند. این قوانین بهینه بر روی نقشه های کاربری اراضی سال 1393 برای دستیابی به پیش بینی رشد شهری ارومیه برای ده سال آینده (2024) اعمال شده است. این پیش‌بینی‌ها می‌تواند به برنامه‌ریزان شهری کمک کند تا با در نظر گرفتن استراتژی‌های مختلف، با اثرات منفی رشد شهری مقابله کنند.

به منظور ارزیابی مدل‌های رشد شهری خود، ما نتایج شبیه‌سازی‌ها را در برابر نقشه مرجع مقایسه کردیم تا میزان خوبی برازش پیش‌بینی‌های مدل‌ها را کمی کنیم [ 72 ، 73 ]. مقایسه بین تغییرات مشاهده‌شده و شبیه‌سازی‌شده در مدل‌های ABC-CA، PSO-CA، و CA-لجستیک بر اساس نواحی تغییر مشاهده‌شده شبیه‌سازی‌شده درست (ضربات)، تداوم مشاهده‌شده شبیه‌سازی‌شده به‌عنوان تغییر (هشدارهای کاذب)، تغییر مشاهده‌شده شبیه‌سازی‌شده به‌عنوان تداوم (از دست دادن)، و تداوم مشاهده شده شبیه سازی شده به عنوان تداوم (ردهای صحیح) [ 73 ] در شکل 7 نشان داده شده است .

از مجموع 27609 سلول تبدیل شده به مناطق شهری طی سال‌های 2004-2014، مدل‌های ABC-CA و PSO-CA می‌توانند به‌ترتیب موقعیت مکانی 16026 و 15477 سلول تغییر یافته را به درستی پیش‌بینی کنند. این نتایج نشان می‌دهد که مدل‌ها در پیش‌بینی صحیح تغییر بیش از نیمی از سلول‌ها موفق شدند (مدل ABC-CA بهتر عمل کرد). از طرف دیگر، اختلاف تخصیص (AD: جمع هشدارهای نادرست و اشتباه) مدل های ABC-CA، PSO-CA و CA-لجستیک (6.2٪ + 4.8٪) 11.0٪، (7.7٪ + 4.8 است. ٪ 12.5٪، و (15.1٪ + 2.1٪) به ترتیب 17.2٪. از مجموع 323670 سلولی که بدون تغییر باقی ماندند، درصد سلول‌های بدون تغییر به درستی پیش‌بینی‌شده برای مدل‌های ABC-CA، PSO-CA و CA-لجستیک به ترتیب 82.9٪، 81.4٪ و 75.4٪ بود. به طور کلی،

علاوه بر اعتبار سنجی فوق، ما از معیارهای آماری دیگری مانند شکل شایستگی ( FM )، دقت کلی (OA) و مشخصه عملیاتی کل (TOC) برای ارزیابی دقت فضایی مدل ها استفاده کردیم ( شکل 8 ) [ 74] . ]. FoM به عنوان نسبت تقاطع تغییر مشاهده شده و تغییر پیش بینی شده به اتحاد تغییر مشاهده شده و تغییرات پیش بینی شده تعریف می شود (معادله (8)) [ 74 ].

FoM = B/(A + B + C + D)

(8)

که در آن A ناحیه خطای ناشی از تغییر مشاهده شده است که به عنوان تداوم پیش بینی شده است، B ناحیه صحت ناشی از تغییر مشاهده شده است که به عنوان تغییر پیش بینی شده است، C ناحیه خطای ناشی از تغییر مشاهده شده است که به عنوان دسته اشتباه پیش بینی شده است، و D منطقه است. خطای ناشی از تداوم مشاهده شده به عنوان تغییر پیش بینی شد. شکل 9 نشان می دهد که مدل ABC-CA در مقایسه با مدل های PSO-CA و CA-logistic عملکرد بهتری داشته است.

روش دیگری که به طور گسترده برای اعتبارسنجی مدل های رشد شهری و تغییر زمین استفاده می شود، شاخص ویژگی های عملیاتی نسبی (ROC) است که توسط پونتیوس و اشنایدر (2001) [ 75 ] پیشنهاد شده است. توانایی مدل را در تولید بهترین نقشه‌های تناسب مستقل از اعمال مقادیر آستانه برای ایجاد یک نقشه تغییر باینری ارزیابی می‌کند [ 75 ، 76 ]. با این حال، با توجه به Pontius و Si (2014)، نگرانی های متعددی در مورد استفاده از ROC و سطح زیر منحنی ROC به عنوان یک اندازه گیری دقت وجود دارد که خلاصه ای از قدرت مدل را نشان می دهد [75] .]. مجموع مشخصات عملیاتی (TOC) برای مقابله با محدودیت های ROC معرفی شدند. در نظر گرفتن آستانه های متعدد با هر دو روش ROC و TOC انجام شد. TOC یک نمودار گرافیکی برای آشکار کردن اطلاعات ایجاد می کند که یک جدول احتمالی کامل را برای همه آستانه ها نشان می دهد در حالی که ROC این کار را انجام نمی دهد. TOC اطلاعات تولید شده ROC و اطلاعات اضافی مانند اندازه تعداد مشاهدات (به عنوان محور افقی)، اندازه حضور مرجع (محور عمودی) و اطلاعات مربوط به جدول احتمالی (جدول 3) را نشان می دهد . جدول احتمالی آمار دقت، از جمله صحت کل، دقت کاربر و دقت تولید کننده را ارائه می دهد. در جدول 3 ، ورودی های اصلی عبارتند از ضربه ( H )، اشتباه ( Mآلارم های کاذب ( F ) و رد صحیح ( CR ) برای یک آستانه t معین. در نمودار TOC، دو مرز به عنوان حداقل و حداکثر وجود دارد که فضای ممکن منحنی TOC را نشان می دهد [ 75 ]. شکل 9 نمودارهای TOC را برای مدل های ABC-CA، PSO-CA و CA-logistic نشان می دهد. مقایسه دو نمودار نشان می‌دهد که منحنی TOC مدل ABC-CA به حداکثر مرز نشان‌دهنده بالاترین رتبه‌بندی مشاهدات متغیر شاخص [59 ] به جای منحنی TOC مدل‌های PSO-CA و CA-لجستیک نزدیک‌تر است. این بدان معناست که مدل ABC-CA نتایج بهتری را در مقایسه با مدل‌های PSO-CA و لجستیک ایجاد می‌کند. جدول 4خلاصه ای از روش های اعتبارسنجی مورد استفاده در این تحقیق برای ارزیابی عملکرد مدل های اجرا شده در مدل سازی رشد شهری را نشان می دهد.

7. بحث

در این مطالعه، الگوریتم‌های هوش ازدحام، به‌ویژه، الگوریتم‌های ABC و PSO، به دلیل قابلیت‌هایشان در برخورد با روابط پیچیده، با CA برای کالیبره کردن CA در فرآیند رشد شهری ادغام شدند. بر اساس نقشه های کاربری اراضی به دست آمده از تصاویر سنجش از دور، اراضی شهری ارومیه طی سال های 1383 تا 1393 حدود 38 درصد افزایش یافته است. این رشد سریع شهری در ارومیه زمین های کشاورزی را از بین برد و اگر این روند در آینده ادامه یابد، اراضی کشاورزی بیشتری به اراضی شهری تبدیل خواهند شد. مناظر کشاورزی به ویژه در تولید غذا و کیفیت آب نقش بسزایی دارند (2007). بنابراین جلوگیری از تبدیل نواحی روستایی به اراضی شهری می تواند منجر به دستیابی به برخی اهداف پایداری و جلوگیری از اثرات منفی شهرنشینی سریع شود. در این تحقیق، رویکردهایی برای برآورد رشد شهری احتمالی در آینده برای بهبود تصمیم‌گیری در برنامه‌ریزی شهری ارائه شد. این رویکردها با در نظر گرفتن محدودیت‌هایی در رشد شهری، سعی در پیش‌بینی رشد آتی شهری ارومیه برای سال 2024 دارند. شبیه‌سازی‌ها نشان می‌دهد که ارومیه تمایل به گسترش در مناطق مرزی خود به‌ویژه در مناطق کشاورزی شمال و شمال شرق دارد. مساحت سود شبیه سازی شده اراضی شهری برای مدل های ABC-CA، PSO-CA و CA-لجستیک به ترتیب 2824، 3155 و 4960 هکتار محاسبه شد، در حالی که در واقع این رشد در طول دوره از 2500 هکتار بوده است. 2004 تا 2014. مدل ABC-CA تخمین نزدیک تری ارائه کرد.

علاوه بر این، بررسی‌های ما نشان داد که تبدیل روستا به شهر در ناحیه شرقی ارومیه به دلیل موقعیت آن نسبت به جاده کمربندی اصلی (ارتباط بخش‌های شرقی ارومیه به شمال آن) رخ داده است. نتایج نشان می‌دهد که نزدیکی به جاده‌ها در مقایسه با عوامل دیگر مانند فاکتورهای فاصله‌دار، شیب و ارتفاع، نقش برجسته‌ای در رشد شهری ارومیه داشته است. در مجموع مشخص شد که نواحی شرقی و شمالی ارومیه دارای شهرنشینی بیشتری بوده در حالی که در سایر مناطق رشد شهری در اراضی بایر حاشیه شیب دار رخ داده است.

از نظر عملکرد، مشخص شد که همگرایی در مدل ABC-CA در مقایسه با مدل PSO-CA بسیار سریع‌تر بود. علاوه بر این، اجرای مدل ABC-CA آسانتر از مدل PSO-CA بود زیرا الگوریتم ABC بسیار انعطاف پذیر در نظر گرفته می شود زیرا فقط به دو پارامتر کنترل حداکثر تعداد چرخه و اندازه کلنی نیاز دارد، در حالی که الگوریتم PSO کنترل بیشتری دارد. مولفه های. در این آزمایش، عملکرد دو مدل برای مدل‌سازی رشد شهری ارومیه با استفاده از Matlab 2010 بر روی پردازنده مرکزی CORE i7 با رم 8 گیگابایتی مورد ارزیابی قرار گرفت. زمان لازم برای دستیابی به نتایج برای مدل ABC-CA 31.6 ساعت بود، در حالی که زمان لازم برای مدل PSO-CA برای تکمیل فرآیند 34.5 ساعت طول کشید. این بدان معنی است که مدل ABC-CA در زمان بهتری در مقایسه با مدل PSO-CA همگرا شد.

این تحقیق عوامل مختلفی را برای تایید روش های پیشنهادی ما بررسی کرد. در تمام شاخص‌های ارزیابی، مانند زمان اجرا، قابلیت هم‌گرایی، انعطاف‌پذیری، اندازه‌گیری‌های آماری و الگوهای فضایی، عملکرد مدل ABC-CA در مقایسه با مدل PSO-CA بهبود نسبی نشان داد. بنابراین، بر اساس در نظر گرفتن کلی شاخص‌ها، می‌توانیم برتری ABC-CA را نسبت به مدل PSO-CA تأیید کنیم.

تحقیقات بیشتری در مورد چگونگی ادغام سایر الگوریتم‌های هوش ازدحام یا رویکردهای ترکیبی مانند ABC-PSO، Cuckoo-ABC و Cuckoo-PSO با CA برای دستیابی به قوانین انتقال بهینه در مدل‌سازی رشد شهری مورد نیاز است. به نظر می رسد که الگوریتم های ترکیبی جدید به دلیل توانایی آنها در استفاده از مزایا و نادیده گرفتن نقاط ضعف هر یک از رویکردهای فردی، می توانند پیش بینی های بهتری از رشد شهری ممکن در آینده ارائه دهند. ایجاد استراتژی های یکپارچه سازی قوی و کافی برای ایجاد مدل های مفید و موثر برای برآورد رشد شهری آینده مورد نیاز است.

استفاده از CA برای مدل‌سازی رشد شهری دارای محدودیت‌هایی است. نمی‌تواند بازخورد سیستم و رفتار اجتماعی را بر پیش‌بینی منعکس کند و با عوامل خارجی که فرآیند را هدایت می‌کنند، تعامل داشته باشد. همچنین، در نظر گرفتن پویایی فضایی مانند رفتار مقیم، توسعه‌دهنده و عوامل دولتی در مدل‌سازی، روش مناسبی نیست. یک رویکرد مدل مبتنی بر عامل می‌تواند به حل اشکال CA با اجازه دادن به آن برای پاسخگویی پویا به درایورها و عوامل خارجی مختلف کمک کند. جفت کردن مدل‌های مبتنی بر عامل با کالیبراسیون CA با رویکردهای هوش ازدحامی می‌تواند برای شکل‌گیری مدل‌های ترکیبی به منظور بهبود توانایی نتایج پیش‌بینی برای در نظر گرفتن جنبه‌های ایستا و پویا از فرآیند رشد شهری استفاده شود.

8. نتیجه گیری

CA یکی از مهم ترین مدل ها در زمینه تغییرات کاربری اراضی (مانند رشد شهری) است که توجه محققان را به خود جلب کرده است. استخراج قوانین انتقال که وضعیت آینده سلول‌ها را در مدل CA تعریف می‌کند، یک مرحله حیاتی است. غیرخطی بودن و ناهمگونی فرآیند رشد شهری را مشخص می کند و بر استخراج قوانین CA مناسب تأثیر می گذارد. بنابراین استفاده از روش‌های هوش مصنوعی برای کشف قوانین تکنیک‌های مؤثر در مواجهه با شرایط خاص مانند غیرخطی بودن گسترش شهری ضروری است. اخیراً، روش‌های مبتنی بر هوش ازدحامی مانند ABC و PSO در ترکیب با CA نشان داده‌اند که عملکرد خوبی را در مدل‌سازی تغییرات شهری نشان می‌دهند. علاوه بر این، برخی از محققین برای افزایش عملکرد روش ABC اصلاحات متعددی را ارائه کرده اند. ما یک مدل ABC-CA ساختیم و دو تغییر روی آن اعمال کردیم تا عملکرد مدل را بهبود بخشیم.

در این تحقیق به منظور مقایسه عملکرد روش مبتنی بر ABC-CA، یک روش PSO-CA را اجرا کردیم که در مطالعات قبلی عملکرد خوبی داشت [ 29] .] در مدل های مبتنی بر CA شهری. ما سال 2004 را به عنوان سال پایه برای آزمایش برآورد تغییرات کاربری شهری در آینده و رشد شهری ارومیه انتخاب کردیم. نتایج شبیه‌سازی با مقادیر واقعی آنها برای اعتبارسنجی و شبیه‌سازی برای یک دوره ده ساله (2004 تا 2014) مقایسه شد. اعتبارسنجی نتایج مدل‌ها با شاخص‌های مختلفی مانند صحت و خطای پیش‌بینی کلی، FoM، OA، AD و TOC انجام شد. نتایج تأیید می‌کند که در مقایسه با مدل‌های PSO-CA و CA-لجستیک، مدل ABC-CA نتایج بهتری با در نظر گرفتن شاخص‌های اعتبار در مدل‌سازی شبیه‌سازی رشد شهری ایجاد می‌کند. نتایج شبیه‌سازی نشان می‌دهد که تبدیل زمین‌های کشاورزی به زمین‌های شهری با استفاده از مدل ABC-CA در مقایسه با مدل‌های PSO-CA و CA-لجستیک کمتر است. این یک موضوع مهم برای ارومیه است.

منابع

فراقیاس، م. بون، CG به سوی چارچوبی جدید برای شهرنشینی و پایداری: پیوند بوم‌شناسی شهری، عدالت زیست‌محیطی و تغییر جهانی محیط‌زیست ؛ Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
مک کینی، ML شهرسازی، تنوع زیستی و حفاظت. BioScience 2013 ، 5210 ، 883-890. [ Google Scholar ] [ CrossRef ]
تانگ، ز. انگل، کارشناسی; پیجانوفسکی، ق.م. پیش بینی تغییر کاربری اراضی و اثرات زیست محیطی آن در مقیاس حوضه آبخیز لیم، کی جی. جی. محیط زیست. مدیریت 2005 ، 761 ، 35-45. [ Google Scholar ] [ CrossRef ] [ PubMed ]
وایلی، ام جی. Hyndman، DW; پیجانوفسکی، ق.م. کندال، AD; ریسنگ، سی. رادرفورد، ES; Rediske، RR یک رویکرد چند مدل سازی برای ارزیابی اثرات تغییر آب و هوا و کاربری زمین در حوضه رودخانه بزرگ دریاچه ها. Hydrobiologia 2010 ، 6571 ، 243-262. [ Google Scholar ] [ CrossRef ]
LaBeau، MB; رابرتسون، دی.م. مایر، ع. پیجانوفسکی، ق.م. سعد، DA اثرات توسعه محصولات شهری و سوخت زیستی آینده بر صادرات رودخانه فسفر به دریاچه‌های بزرگ لورنسی. Ecol. مدل. 2014 ، 277 ، 27-37. [ Google Scholar ] [ CrossRef ]
دوان، AM; یاماگوچی، ی. رحمان، ام. جئوژورنال 2012 ، 77 ، 315-330. [ Google Scholar ] [ CrossRef ]
فرومکین، اچ. گسترش شهری و سلامت عمومی. بهداشت عمومی، 2002 ، 117 ، 201-217. [ Google Scholar ] [ CrossRef ]
خو، X. دو، ز. ژانگ، اچ. ادغام مدل‌های اتوماتای پویا و سلولی سیستم برای پیش‌بینی کاربری زمین و تغییر پوشش زمین. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 52 ، 568-579. [ Google Scholar ] [ CrossRef ]
هوانگ، جی. Gao, W. مطالعه شبیه سازی بر روی مدل CA بر اساس بهینه سازی پارامتر الگوریتم ژنتیک و توسعه شهری. اقدام کرد. مهندس 2011 ، 15 ، 2175-2179. [ Google Scholar ] [ CrossRef ]
شن، Q. چن، کیو. تانگ، BS; یونگ، اس. هو، ی. Cheung، G. مدل پویایی سیستم برای برنامه ریزی و توسعه کاربری پایدار. Habitat Int. 2009 ، 33 ، 15-25. [ Google Scholar ] [ CrossRef ]
Basse، RM; عمرانی، ح. Charif، O. گربر، پی. Bódis، K. مدل‌سازی تغییرات کاربری زمین با استفاده از روش‌های پیشرفته: اتوماتای سلولی و شبکه‌های عصبی مصنوعی. نمایش فضایی و صریح پویایی پوشش زمین در مقیاس منطقه فرامرزی Appl. Geogr. 2014 ، 53 ، 160-171. [ Google Scholar ] [ CrossRef ]
باتی، م. زی، ی. Sun، Z. مدلسازی دینامیک شهری از طریق اتوماتای سلولی مبتنی بر GIS. محاسبه کنید. محیط زیست سیستم شهری 1999 ، 233 ، 205-233. [ Google Scholar ] [ CrossRef ]
گوان، دی. لی، اچ. اینوهه، تی. سو، دبلیو. نگائی، تی. هوکائو، ک. مدل‌سازی تغییر کاربری زمین شهری با ادغام خودکار سلولی و مدل مارکوف. Ecol. مدل. 2011 ، 222 ، 3761-3772. [ Google Scholar ] [ CrossRef ]
براون، DG; ریلو، آر. رابینسون، دی.تی. شمال، م. رند، دبلیو. مدل‌های فرآیند و داده فضایی: به سوی ادغام مدل‌های مبتنی بر عامل و GIS. جی. جئوگر. سیستم 2005 ، 71 ، 25-47. [ Google Scholar ] [ CrossRef ]
پیجانوفسکی، ق.م. پیتادیا، اس. شلیتو، BA; الکساندریدیس، ک. کالیبراسیون یک مدل تغییر شهری مبتنی بر شبکه عصبی برای دو منطقه شهری در غرب میانه بالایی ایالات متحده. بین المللی جی. جئوگر. Inf. علمی 2005 ، 192 ، 197-215. [ Google Scholar ] [ CrossRef ]
طیبی، ع. پری، کامپیوتر; طیبی، ق پیش‌بینی گسترش یک مرز شهری با استفاده از رگرسیون لجستیک فضایی و روال‌های شطرنجی-بردار ترکیبی با سنجش از دور و GIS. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 639-659. [ Google Scholar ] [ CrossRef ]
دوان، AM; یاماگوچی، ی. تغییر کاربری زمین و پوشش زمین در داکای بزرگ، بنگلادش: استفاده از سنجش از دور برای ترویج شهرنشینی پایدار. Appl. Geogr. 2009 ، 29 ، 390-401. [ Google Scholar ] [ CrossRef ]
محبوب، م. عاطف، من. اقبال، جی. سنجش از دور و کاربردهای GIS برای ارزیابی گسترش شهری در کراچی، پاکستان. علمی فنی توسعه دهنده 2015 ، 34 ، 179-188. [ Google Scholar ] [ CrossRef ]
وو، کیو. لی، اچ. وانگ، آر. پائولوسن، جی. سلام.؛ وانگ، ام. وانگ، بی. Wang, Z. نظارت و پیش‌بینی تغییر کاربری زمین در پکن با استفاده از سنجش از دور و GIS. Landsc. طرح شهری. 2006 ، 78 ، 322-333. [ Google Scholar ] [ CrossRef ]
الشریف، AA; پرادان، بی. تحلیل پراکندگی شهری شهر متروپولیتن طرابلس (لیبی) با استفاده از داده های سنجش از دور و مدل رگرسیون لجستیک چند متغیره. J. شرکت هندی Remote Sens. 2014 ، 42 ، 149-163. [ Google Scholar ] [ CrossRef ]
استور، ر. Kangas, J. یکپارچه سازی ارزیابی چند معیاره فضایی و دانش تخصصی برای مدل سازی مناسب زیستگاه مبتنی بر GIS. Landsc. طرح شهری. 2001 ، 55 ، 79-93. [ Google Scholar ] [ CrossRef ]
وو، اف. Webster, CJ شبیه سازی توسعه زمین از طریق ادغام اتوماتای سلولی و ارزیابی چند معیاره. محیط زیست طرح. B طرح. دس 1998 ، 25 ، 103-126. [ Google Scholar ] [ CrossRef ]
Wu, F. کالیبراسیون اتوماتای سلولی تصادفی: کاربرد برای تبدیل زمین روستایی به شهری. بین المللی جی. جئوگر. Inf. علمی 2002 ، 16 ، 795-818. [ Google Scholar ] [ CrossRef ]
ریچیولی، اف. ال اسمار، تی. ال اسمار، جی پی؛ Fratini, R. استفاده از اتوماتای سلولی در مطالعه متغیرهای دخیل در تغییرات کاربری زمین. محیط زیست نظارت کنید. ارزیابی کنید. 2013 ، 185 ، 5361-5374. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پیجانوفسکی، ق.م. براون، DG; شلیتو، BA; Manik، GA استفاده از شبکه های عصبی و GIS برای پیش بینی تغییرات کاربری زمین: یک مدل تبدیل زمین. محاسبه کنید. محیط زیست سیستم شهری 2002 ، 266 ، 553-575. [ Google Scholar ] [ CrossRef ]
طیبی، ع. پیجانوفسکی، ق.م. طیبی، ق، مدل مرز رشد شهری با استفاده از شبکه های عصبی، GIS و پارامترسازی شعاعی: کاربرد در تهران، ایران. Landsc. طرح شهری. 2011 ، 100 ، 35-44. [ Google Scholar ] [ CrossRef ]
طیبی، ع. Pijanowski، BC مدل‌سازی چندین تغییر کاربری زمین با استفاده از ANN، CART و MARS: مقایسه معاوضه در خوبی تناسب و قدرت توضیحی ابزارهای داده‌کاوی. بین المللی J. Appl. زمین Obs. Geoinf. 2014 ، 28 ، 102-116. [ Google Scholar ] [ CrossRef ]
طیبی، ع. پیجانوفسکی، ق.م. لیندرمن، ام. Gratton, C. مقایسه سه مدل پارامتری جهانی و ناپارامتریک محلی برای شبیه‌سازی تغییر کاربری اراضی در مناطق مختلف جهان. محیط زیست مدل. نرم افزار 2014 ، 59 ، 202-221. [ Google Scholar ] [ CrossRef ]
گرکوسیس، جی. مانتوس، پی. Photis، YN مدلسازی تکامل شهری با استفاده از شبکه های عصبی، منطق فازی و GIS: مورد منطقه شهری آتن. شهرها 2013 ، 30 ، 193-203. [ Google Scholar ] [ CrossRef ]
ریچیولی، اف. ال اسمار، تی. ال اسمار، جی پی؛ فاگاراتزی، سی. Casini، L. شبکه عصبی مصنوعی برای مناطق چند منظوره. محیط زیست نظارت کنید. ارزیابی کنید. 2016 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
تریانتاکونستانتیس، دی. استاتاکیس، دی. پیش‌بینی رشد شهری در آتن، یونان، با استفاده از شبکه‌های عصبی مصنوعی. بین المللی J. Civ. محیط زیست ساختار. ساختن. معمار. مهندس 2015 ، 9 ، 234-238. [ Google Scholar ]
هوانگ، بی. زی، سی. تای، آر. Wu, B. مدل‌سازی تغییر کاربری زمین با استفاده از ماشین‌های بردار پشتیبان نامتعادل. محیط زیست طرح. B Plan Des. 2009 ، 36 ، 398-416. [ Google Scholar ] [ CrossRef ]
تانگ، جی. وانگ، ال. Yao, Z. تجزیه و تحلیل تغییر منظر شهری فضایی-زمانی با استفاده از مدل زنجیره مارکوف و یک الگوریتم ژنتیک اصلاح شده. بین المللی J. Remote Sens. 2007 , 28 , 3255-3271. [ Google Scholar ] [ CrossRef ]
Batty, M. Cities and Complexity: Understanding Cities with Cellular Automata, Agent-based Models, and Fractals . انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2007. [ Google Scholar ]
فنگ، ی. لیو، ی. تانگ، ایکس. لیو، ام. دنگ، اس. مدل‌سازی رشد شهری پویا با استفاده از اتوماتای سلولی و قوانین بهینه‌سازی ازدحام ذرات. Landsc. طرح شهری. 2011 ، 102 ، 188-196. [ Google Scholar ] [ CrossRef ]
کلارک، کی سی; Gaydos، LJ اتصال شل یک مدل خودکار سلولی و GIS: پیش‌بینی رشد شهری بلندمدت برای سانفرانسیسکو و واشنگتن/بالتیمور. بین المللی جی. جئوگر. Inf. علمی 1998 ، 127 ، 699-714. [ Google Scholar ] [ CrossRef ] [ PubMed ]
شفیع زاده، م. Helbich، M. فرآیندهای شهرنشینی فضایی و زمانی در کلان شهر بمبئی، هند: مدل رشد شهری زنجیره‌ای مارکوف-اتوماتای سلولی. Appl. Geogr. 2013 ، 40 ، 140-149. [ Google Scholar ] [ CrossRef ]
ارسنجانی، ج. هلبیچ، ام. کاینز، دبلیو. Boloorani، AD یکپارچه سازی رگرسیون لجستیک، زنجیره مارکوف و مدل های اتوماتای سلولی برای شبیه سازی گسترش شهری. بین المللی J. Appl. زمین Obs. Geoinf. 2013 ، 21 ، 265-275. [ Google Scholar ] [ CrossRef ]
گوشه، RJ; دوان، AM; چکما، س. پایش و پیش‌بینی تغییر کاربری و پوشش زمین (LULC). در کلان شهر داکا – دیدگاه های جغرافیایی در شهرسازی، محیط زیست و سلامت ؛ Dewan، AM، Corner، RJ، Eds. Springer Geography: برلین، آلمان، 2014; صص 75-97. [ Google Scholar ]
الخضر، س. وانگ، جی. Shan, J. Fuzzy مدل‌سازی رشد شهری اتوماتای سلولی را با استفاده از تصاویر ماهواره‌ای چند زمانی هدایت کرد. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 1271-1293. [ Google Scholar ] [ CrossRef ]
لی، ایکس. بله، اتوماتای سلولی مبتنی بر شبکه عصبی AGO برای شبیه سازی چندین تغییر کاربری زمین با استفاده از GIS. بین المللی جی. جئوگر. Inf. علمی 2002 ، 164 ، 323-343. [ Google Scholar ] [ CrossRef ]
آذری، م. طیبی، ع. هلبیچ، ام. ریوشتی، کارشناسی ارشد ادغام اتوماتای سلولی، شبکه عصبی مصنوعی و نظریه مجموعه فازی برای شبیه‌سازی باغ‌های در معرض تهدید: کاربرد در مراغه، ایران. GISci. Remote Sens. 2016 , 53 , 183-205. [ Google Scholar ] [ CrossRef ]
سامارژیچ-پتروویچ، م. دراگیچویچ، اس. کوواچویچ، م. باجات، ب. مدل‌سازی تغییرات کاربری اراضی شهری با استفاده از ماشین‌های بردار پشتیبان. ترانس. GIS 2016 ، 20 ، 718-734. [ Google Scholar ] [ CrossRef ]
لیو، ی. فنگ، ی. Pontius، RG شبیه‌سازی فضایی صریح رشد شهری از طریق الگوریتم ژنتیک خودسازگار و مدل‌سازی اتوماتای سلولی. Land 2014 , 3 , 719-738. [ Google Scholar ] [ CrossRef ]
لیو، ایکس. لی، ایکس. لیو، ال. او، جی. Ai, B. رویکردی از پایین به بالا برای کشف قوانین انتقال اتوماتای سلولی با استفاده از هوش مورچه. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 1247-1269. [ Google Scholar ] [ CrossRef ]
کائو، ام. تانگ، GA; شن، Q. Wang, Y. کشف جدید قوانین انتقال برای اتوماتای سلولی با استفاده از الگوریتم جستجوی فاخته. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 806-824. [ Google Scholar ] [ CrossRef ]
لیو، ایکس. لی، ایکس. بله، پیش از این؛ او، جی. تائو، جی. کشف قوانین انتقال برای اتوماتای سلولی جغرافیایی با استفاده از بهینه‌سازی کلونی مورچه‌ها. علمی چین سر. D Earth Sci. 2007 ، 50 ، 1578-1588. [ Google Scholar ] [ CrossRef ]
یانگ، جی. تانگ، GA; کائو، ام. Zhu, R. روشی هوشمند برای کشف قوانین انتقال برای اتوماتای سلولی با استفاده از بهینه‌سازی کلونی زنبور عسل. بین المللی جی. جئوگر. Inf. علمی 2013 ، 2710 ، 1849-1864. [ Google Scholar ] [ CrossRef ]
لیائو، جی. تانگ، ال. شائو، جی. کیو، کیو. وانگ، سی. ژنگ، اس. Su، X. یک رویکرد اتوماتای سلولی فروپاشی همسایه برای شبیه سازی گسترش شهری بر اساس هوش ازدحام ذرات. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 720-738. [ Google Scholar ] [ CrossRef ]
Karaboga, D. یک ایده بر اساس ازدحام زنبور عسل برای بهینه سازی عددی . گروه مهندسی کامپیوتر، دانشگاه Erciyes: Kayseri، ترکیه، 2005. [ Google Scholar ]
ژانگ، سی. اویانگ، دی. نینگ، جی. رویکرد کلونی زنبورهای مصنوعی برای خوشه‌بندی. انقضا سیستم Appl. 2010 ، 37 ، 4761-4767. [ Google Scholar ] [ CrossRef ]
آکای، بی. Karaboga, D. الگوریتم کلونی زنبورهای مصنوعی اصلاح شده برای بهینه سازی پارامتر واقعی. Inf. علمی 2012 ، 192 ، 120-142. [ Google Scholar ] [ CrossRef ]
کارابوگا، دی. گورکملی، بی. اوزتورک، سی. Karaboga, N. یک بررسی جامع: الگوریتم ABC کلونی زنبورهای مصنوعی و کاربردها. آرتیف. هوشمند Rev. 2014 , 421 , 21-57. [ Google Scholar ] [ CrossRef ]
Bolaji, AL; خادر، AT; البطار، م. Awadallah، MA الگوریتم کلونی زنبورهای مصنوعی، انواع و کاربردهای آن: یک بررسی. جی. تئور. Appl. Inf. فنی 2013 ، 47 ، 434-459. [ Google Scholar ]
لیو، ی. لیو، دی. لیو، ی. او، جی. جیائو، ال. چن، ی. هنگ، X. تخصیص فضایی استفاده از زمین روستایی در منطقه تپه‌ای لس نیمه خشک در چین: با استفاده از مدل بهینه‌سازی ازدحام ذرات مجهز به تکنیک‌های بهینه‌سازی چند هدفه. علمی علوم زمین چین 2012 ، 55 ، 1166-1177. [ Google Scholar ] [ CrossRef ]
اطلاعات سرشماری قابل دسترس آنلاین: http://www.amar.org.ir (در تاریخ 20 آوریل 2012).
سانته، آی. گارسیا، AM; میراندا، دی. Crecente، R. مدل‌های اتوماتای سلولی برای شبیه‌سازی فرآیندهای شهری دنیای واقعی: بررسی و تحلیل. Landsc. طرح شهری. 2010 ، 96 ، 108-122. [ Google Scholar ] [ CrossRef ]
وایت، آر. انگلن، جی. اولجی، I. استفاده از اتوماتای سلولی محدود برای مدل‌سازی با وضوح بالا پویایی کاربری زمین شهری. محیط زیست طرح. B طرح. دس 1997 ، 24 ، 323-343. [ Google Scholar ] [ CrossRef ]
چن، ی. لی، ایکس. لیو، ایکس. Ai, B. مدل‌سازی پویایی کاربری زمین شهری در یک شهر در حال توسعه سریع با استفاده از خودکار سلولی لجستیک اصلاح‌شده با استراتژی شبیه‌سازی مبتنی بر پچ. بین المللی جی. جئوگر. Inf. علمی 2014 ، 282 ، 234-255. [ Google Scholar ] [ CrossRef ]
کائو، ک. هوانگ، بی. لی، ام. لی، دبلیو. کالیبراسیون یک مدل اتوماتای سلولی برای درک تبدیل زمین روستایی به شهری: یک رویکرد بهینه‌سازی چند هدفه مبتنی بر جلوی پارتو. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1028-1046. [ Google Scholar ] [ CrossRef ]
لی، ایکس. بله، AGO منطقه بندی زمین برای حفاظت کشاورزی با ادغام سنجش از دور، GIS و اتوماتای سلولی. فتوگرام مهندس Remote Sens. 2001 , 67 , 471-477. [ Google Scholar ]
لو، سی. وو، ی. شن، Q. وانگ، اچ. نیروی محرکه رشد شهری و برنامه ریزی منطقه ای: مطالعه موردی استان گوانگدونگ چین. Habitat Int. 2013 ، 40 ، 35-41. [ Google Scholar ] [ CrossRef ]
بنداری، ع.ک. کومار، ا. سینگ، GK اصلاح شده بر اساس آستانه چندسطحی کارآمد محاسباتی برای تقسیم بندی تصاویر ماهواره ای با استفاده از توابع کاپور، اوتسو و تسالیس. انقضا سیستم Appl. 2015 ، 42 ، 1573-1601. [ Google Scholar ] [ CrossRef ]
لی، جی. نیو، پ. Xiao, X. توسعه و بررسی الگوریتم کلونی زنبورهای مصنوعی کارآمد برای بهینه‌سازی تابع عددی. Appl. نرم افزار محاسبه کنید. 2012 ، 12 ، 320-332. [ Google Scholar ] [ CrossRef ]
بیسواس، س. چترجی، ا. گوسوامی، SK یک الگوریتم کلنی زنبورهای مصنوعی-حداقل مربع برای حل مسائل تخمین هارمونیک. Appl. نرم افزار محاسبه کنید. 2013 ، 135 ، 2343-2355. [ Google Scholar ] [ CrossRef ]
آلاتاس، ب. الگوریتم‌های کلونی زنبورهای آشوب‌زده برای بهینه‌سازی عددی جهانی. انقضا سیستم Appl. 2010 ، 37 ، 5682-5687. [ Google Scholar ] [ CrossRef ]
علیزادگان، ع. اسدی، ب. احمدپور، م. دو نسخه اصلاح شده الگوریتم کلونی زنبورهای مصنوعی. Appl. ریاضی. محاسبه کنید. 2013 ، 225 ، 601-609. [ Google Scholar ] [ CrossRef ]
کندی، جی. ابرهارت، بهینه سازی ازدحام ذرات RC. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد شبکه های عصبی، پرت، استرالیا، 27 نوامبر تا 1 دسامبر 1995. جلد 5، ص 1942–1948.
آلاتاس، بی. Akin, E. الگوریتم بهینه‌سازی ازدحام ذرات با کدگذاری آشوب‌زده و کاربردهای آن. فراکتال های Chaos Solitons 2009 ، 41 ، 939-950. [ Google Scholar ] [ CrossRef ]
جیانگ، اچ. Kwong، CK; چن، ز. بهینه‌سازی ازدحام ذرات Ysim، YC Chaos و رویکردهای مدل‌سازی فازی T-S برای کنترل پیش‌بینی محدود. انقضا سیستم Appl. 2012 ، 39 ، 194-201. [ Google Scholar ] [ CrossRef ]
صادق پور، م. سالاریه، ح. وثوقی، غ. Alasty، A. کنترل چند متغیره آشوب با استفاده از کنترل حداقل آنتروپی مبتنی بر PSO. اشتراک. علمی غیر خطی عدد. شبیه سازی 2011 ، 16 ، 2397-2404. [ Google Scholar ] [ CrossRef ]
Pontius, RG, Jr. خطای کمی سازی در مقابل خطای مکان در مقایسه نقشه های طبقه بندی شده. فتوگرام مهندس Remote Sens. 2000 , 66 , 1011–1016. [ Google Scholar ]
پونتیوس، آر جی، جونیور؛ کرنل، جی دی. هال، کالیفرنیا مدل‌سازی الگوی فضایی تغییر کاربری زمین با GEOMOD2: کاربرد و اعتبارسنجی برای کاستاریکا. کشاورزی اکوسیستم. محیط زیست 2001 ، 851 ، 191-203. [ Google Scholar ] [ CrossRef ]
پونتیوس، آر جی، جونیور؛ Schneider، LC اعتبار مدل تغییر پوشش زمین با روش ROC برای حوضه آبخیز ایپسویچ، ماساچوست، ایالات متحده آمریکا. کشاورزی اکوسیستم. محیط زیست 2001 ، 851 ، 239-248. [ Google Scholar ] [ CrossRef ]
پونتیوس، آر جی، جونیور؛ Si، K. مشخصه عملیاتی کل برای اندازه گیری توانایی تشخیصی برای چند آستانه. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 570-583. [ Google Scholar ] [ CrossRef ]
احمد، SJ; براملی، جی. Verburg، PH عوامل کلیدی محرک موثر بر رشد شهری: مدل‌سازی آماری فضایی با سرنخ‌ها. در کلان شهر داکا – دیدگاه های جغرافیایی در شهرسازی، محیط زیست و سلامت ؛ Dewan، AM، Corner، RJ، Eds. Springer Geography: برلین، آلمان، 2014; صص 123-145. [ Google Scholar ]

شکل 1. مدل پیشنهادی ABC-CA. ABC، کلونی زنبورهای مصنوعی؛ CA، اتوماتای سلولی.

شکل 2. مدل PSO-CA پیشنهادی. PSO، بهینه سازی ازدحام ذرات.

شکل 3. ایران، استان آذربایجان غربی و شهر ارومیه.

شکل 4. رشد شهری در ارومیه از سال 1383 تا 1393.

شکل 5. داده های نرمال شده روند رشد شهری در ارومیه. ( الف ) نقشه شیب. ( ب ) نزدیکی به نقشه مرکز تجاری اصلی؛ ( ج ) نقشه نزدیکی به مرکز جمعیت. ( د ) نقشه نزدیکی به جاده های اصلی. ( ه ) نقشه ارتفاع. و ( و ) نقشه مناطق حساس به محیط زیست.

شکل 6. مدل پیشنهادی برای مدل‌سازی رشد شهری توسط مدل‌های ABC-CA، PSO-CA و CA-logistic.

شکل 7. درستی و خطاهای نتایج حاصل از مدل های شبیه سازی برای سال 2014. ( الف ) مدل CA-logistic; ( ب ) مدل PSO-CA; و ( ج ) مدل ABC-CA.

شکل 8. شاخص های آماری برای مدل های ABC-CA، PSO-CA و CA-logistic.

شکل 9. نمودار کل مشخصه های عملیاتی (TOC) مدل های ABC-CA، PSO-CA و CA-logistic.

جدول 1. عوامل موثر در فرآیند رشد شهری.

جدول 2. بخشی از قوانین انتقال به دست آمده با استفاده از مدل های پیشنهادی.

جدول 3. جدول احتمالی.

جدول 4. خلاصه اعتبار مدل های مورد استفاده برای مدل سازی رشد شهری.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب