نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

:

این مطالعه با استفاده از داده‌های سنجش از دور و داده‌های جانبی، رشد شهری را در منطقه بزرگ قاهره (GCR)، یکی از شهرهای بزرگ در حال رشد در جهان، مدل‌سازی کرد. سه نقشه پوشش کاربری اراضی (LULC) (1984، 2003 و 2014) از تصاویر ماهواره‌ای با استفاده از ماشین‌های بردار پشتیبان (SVM) تهیه شد. سپس، تغییرات پوشش زمین با استفاده از یک تکنیک نقشه برداری سطح بالا که ترکیبی از نقشه های باینری (تغییر / بدون تغییر) و تکنیک مقایسه پس از طبقه بندی است، شناسایی شد. الگوهای رشد شهری مکانی و زمانی با استفاده از معیارهای آماری انتخاب شده توسعه‌یافته در نرم‌افزار FRAGSTATS تجزیه و تحلیل شدند. انتقال عمده به شهری برای پیش‌بینی سناریوهای آینده برای سال 2025 با استفاده از Land Change Modeler (LCM) تعبیه‌شده در نرم‌افزار IDRISI مدل‌سازی شد. نتایج مدل پس از اعتبارسنجی نشان داد که 14 درصد از پوشش گیاهی و 4 درصد از بیابان در سال 2014 در سال 2025 شهری خواهد شد. به خصوص در اطراف اهرام؛ 28% در سال 2014 تا 40% در سال 2025. دانستن وضعیت فعلی و تخمینی شهرنشینی در GCR به تصمیم گیرندگان کمک می کند تا برنامه های جدیدی را برای دستیابی به توسعه پایدار مناطق شهری و حفاظت از مکان های تاریخی تنظیم و توسعه دهند.
کلید واژه ها: 

مدل سازی رشد شهری ; میراث فرهنگی ; ماشین های بردار پشتیبانی ; الگوی رشد شهری

 

1. معرفی

مطالعات اخیر نشان می دهد که جهان ما در حال گذر از بزرگترین موج رشد شهری در تاریخ است [ 1 ]. صد سال پیش، از هر ده نفر دو نفر در یک منطقه شهری زندگی می کردند، انتظار می رود که این تعداد در سال 2030 به شش نفر از ده نفر و در سال 2050 به هفت نفر از ده نفر برسد [ 2 ]. جمعیت شهری جهان از دهه 1950 به طور قابل توجهی شروع به افزایش کردند و انتظار می رود که تقریباً دو برابر شود و از حدود 3.4 هزار میلیون در سال 2009 به 6.4 هزار میلیون در سال 2050 افزایش یابد [ 2 ].]. در نتیجه، این افزایش گسترده جمعیت شهری، دولت‌ها، سیاست‌گذاران و سازمان‌های جامعه مدنی را با چالش‌هایی در تخصیص مجدد منابع برای غلبه بر مشکلاتی که در آینده به وجود می‌آیند، دستیابی به توسعه پایدار مناطق شهری و حفظ میراث فرهنگی از سکونتگاه‌های شهری مواجه می‌کند. در اطراف مناطقی با میراث بالا شکل گرفته است.
مدل ها ساده سازی واقعیت هستند. آنها انتزاعات نظری هستند که سیستم ها را به گونه ای نشان می دهند که ویژگی های اساسی برای نظریه و کاربرد آن شناسایی و برجسته می شوند [ 3 ]. مدل‌های تغییر پوشش کاربری زمین (LULCC) ابزارهایی برای پشتیبانی از تجزیه و تحلیل علل و پیامدهای LULCC برای درک بهتر عملکرد سیستم، و حمایت از برنامه‌ریزی و سیاست کاربری زمین [ 4 ] است. مدل‌ها برای ساده‌سازی مجموعه پیچیده نیروهای اجتماعی-اقتصادی و بیوفیزیکی که بر نرخ و الگوی فضایی LULCC تأثیر می‌گذارند و برای تخمین تأثیرات تغییرات مفید هستند [ 4 ].
جدول
جدول 1. مدل های مختلف تغییر پوشش زمین کاربری (LULCC) در مطالعات اخیر.
چهار نوع رویکرد مدل‌سازی وجود دارد: یادگیری ماشین، رویکردهای اقتصادی مبتنی بر بخش سلولی، اقتصادی تفکیک فضایی و رویکردهای مبتنی بر عامل [ 13 ]. جدول 1 برخی از انواع مدل ها را علاوه بر تکنیک های اعتبارسنجی که در برخی از مطالعات LULCC به کار گرفته شده اند، خلاصه می کند.
Land Change Modeler (LCM) یک محیط نرم افزاری یکپارچه برای تجزیه و تحلیل و پیش بینی LULCC و اعتبارسنجی نتایج است [ 14 ]. این در نرم افزار IDRISI [ 7 ] تعبیه شده است، که در آن تنها تصاویر شطرنجی موضوعی با دسته بندی های پوشش زمین مشابه فهرست شده به ترتیب متوالی یکسان می توانند برای تجزیه و تحلیل LULCC [ 15 ] وارد شوند. LCM تغییرات پوشش زمین را بین دو زمان مختلف ارزیابی می کند، تغییرات را محاسبه می کند و نتایج را با نمودارها و نقشه های مختلف نمایش می دهد. سپس، نقشه‌های LULC آینده را بر اساس نقشه‌های پتانسیل انتقال نسبی [ 15 ] با تکیه بر شبکه‌های عصبی پرسپترون چندلایه (MLP) [ 16 ] پیش‌بینی می‌کند.]. مشخص شد که LCM دقت پیش‌بینی بهتری را در مقیاس‌های زمانی کوتاه ایجاد می‌کند، به‌ویژه در مورد پوشش‌های زمین پایدار به جای موارد تغییر سریع [ 15 ]. در مقایسه با مدل‌هایی که LULCC را بر اساس رویکردهای نظارت شده پیش‌بینی می‌کنند (به عنوان مثال، روش وزن شواهد، که وزن‌ها را می‌توان توسط کاربر انتخاب و ویرایش کرد)، LCM نقشه‌های بالقوه تغییر کلی دقیق‌تری تولید می‌کند زیرا خروجی‌های شبکه عصبی قادر به بیان تغییر انواع مختلف پوشش زمین به اندازه کافی بیشتر از احتمالات فردی به دست آمده از طریق روش وزن شواهد [ 16 ] است.
قبلاً مطالعات مختلفی برای تشخیص و مدل‌سازی LULCC در منطقه بزرگ قاهره (GCR) انجام شده است. روش خوشه‌بندی ISODATA برای طبقه‌بندی تصویر و تکنیک تفاوت تصویر برای شناسایی LULCC بین سال‌های 1986 و 1999 استفاده شد [ 17 ]. این مطالعه نشان داد که مناطق شهری از 344 کیلومتر مربع در سال 1986 به 460 کیلومتر مربع در سال 1999 افزایش یافت. مطالعه دیگری از طبقه‌بندی کننده حداکثر احتمال با استفاده از نرم‌افزار ERDAS برای تشخیص LULCC در سال‌های 1973 و 2006 استفاده کرد [ 18 ]. این مطالعه از تکنیک‌های مقایسه پس از طبقه‌بندی برای تشخیص LUCC استفاده کرد. نتایج نشان داد که مناطق شهری از 224 کیلومتر مربع در سال 1973 به 558 کیلومتر مربع افزایش یافت.در سال 2006، با کل قطع کشاورزی و بیابان شهری به ترتیب 137 کیلومتر مربع و 187 کیلومتر مربع . طبقه‌بندی‌کننده نزدیک‌ترین فاصله برای طبقه‌بندی تصاویر سال‌های 1984، 2000 و 2008، و مدل ادغام‌شده MC-CA با روش ارزیابی چند معیاره در یک مطالعه متفاوت برای انتخاب و ارزیابی نیروهای محرک [ 19 ] استفاده شد. دقت مدل 88 درصد بود که نشان‌دهنده اعتبار پارامترهای مدل و مدل پیش‌بینی رشد شهری برای سال 2038 است.
هدف این مطالعه شناسایی LULCC از سال 1984 تا 2014، تجزیه و تحلیل الگوهای رشد مکانی و زمانی، و مدل‌سازی تغییرات برای پیش‌بینی LULC در سال 2025 با استفاده از LCM است.

2. منطقه مطالعه

منطقه انتخاب شده برای مطالعه، منطقه شهری قاهره، پایتخت سیاسی، و قالیوبیه، علاوه بر بخش‌هایی از شهر جیزه است که به منطقه بزرگ قاهره (GCR) تعلق دارد ( شکل 1 ). منطقه مورد مطالعه در 30 درجه و 02 دقیقه شمالی و 31 درجه و 21 دقیقه شرقی، در وسط منطقه دلتا واقع شده است و مساحت 8942 کیلومتر مربع را پوشش می دهد . شکل 1 سه منطقه حائل 5 کیلومتری را نشان می دهد که تراکم شهری در اطراف آنها محاسبه می شود:

(1)
اهرام جیزه بزرگ و منطقه ابوالهول که نشان دهنده تاریخ فراعنه است.
(2)
مسجد الحسین، منطقه خان الخلیلی، خیابان المعز و ارگ، همه در یک منطقه، که بخش مهمی از قاهره باستانی اسلامی را نشان می‌دهند.
(3)
کاخ البارون که نشان دهنده معماری مدرن بلژیکی است.
این منطقه بیشترین جمعیت و تراکم جمعیت را در میان استان های مصر دارد [ 20 ] و یکی از پرجمعیت ترین مناطق در سراسر جهان به شمار می رود [ 20 ]. مهاجرت داخلی از مصر علیا و دلتا درست پس از جنگ جهانی دوم آغاز شد، به ویژه در اواسط دهه 1950 به دلیل سیاست صنعتی سازی گسترده که توسط رئیس جمهور ناصر آغاز شد، که مردم را به مهاجرت، جستجوی فرصت های شغلی بهتر و کیفیت بالاتر آموزش تشویق می کرد. 21 ]. در سال 1947، GCR میزبان حدود سه میلیون نفر بود که 12.5٪ از کل جمعیت مصر در آن زمان را تشکیل می داد. این تعداد در سال 1996 به 13 میلیون نفر رسید که 17.3٪ از کل جمعیت مصر را تشکیل می دهد [ 21 ]] و در سال 2006 به 16.1 میلیون نفر رسید [ 22 ]. شهر قاهره در سال 2013 پرجمعیت ترین شهر در میان شهرهای مصر بود، با تقریباً نه میلیون نفر، که 10.7٪ از کل جمعیت را در همان سال ثبت کرد [ 20 ]. در نتیجه، فشارهای مسکن بحرانی در GCR ظاهر شد [ 21 ]. بیش از 75 درصد از جمعیت تنها در 30 کیلومتری مرکز شهر زندگی می کنند، علاوه بر این، توسعه شهری منطقه با گسترش سریع سکونتگاه های غیررسمی پرجمعیت مشخص شده است که در سال 2009 به 40 درصد رسید [ 21 ].
Ijgi 04 01750 g001 1024
شکل 1. منطقه مطالعه.
از سوی دیگر، GCR سرزمینی است که در آن تمدن های بسیاری در طول اعصار با یکدیگر ملاقات کرده اند. فراعنه، یونانی ها، بابلی ها، رومی ها همراه با اعراب، آن را در مسیر مدرنیته قرار دادند و ارزش تاریخی شهر را غنی کردند. این میراث تاریخی متنوع با تهدیدی روبه‌رو است که با شهرنشینی در ارتباط است که نیاز به برنامه‌های اجرایی قطعی برای شناسایی، تحلیل و برآورد وسعت و گستردگی آن دارد. متأسفانه، روش‌های مرسوم نقشه‌برداری و نقشه‌برداری برای تخمین‌های گسترش شهری گران و زمان‌بر هستند. چنین اطلاعاتی برای اکثر مراکز شهری به ویژه در کشورهای در حال توسعه در دسترس نیست [ 23]. بنابراین، مراکز تحقیقاتی دولتی و خصوصی به استفاده از GIS (علم اطلاعات جغرافیایی) و ابزار سنجش از دور در پایش، تشخیص و تجزیه و تحلیل رشد شهری روی آورده اند [ 23 ]. مشخص شد که آنها مقرون به صرفه و از نظر فن آوری کارآمد هستند و در برخی موارد، می توانند تنها منبع قابل اعتماد نظارت کافی باشند [ 24 ]. تصاویر ماهواره ای یک نمای کلی همدید برای مناطق بزرگ ارائه می دهند که همیشه با یک سیستم نظارت استاندارد و کالیبره شده ثبت می شود [ 25 ]. نمای تاریخی گذشته را معمولاً می‌توان با استفاده از آرشیوهای تصویری که تعداد زیادی از تصاویر سنجش از راه دور ماهواره‌ای را ذخیره می‌کنند، از اوایل دهه 1970 و افزایش روزانه داده‌ها، به صورت رایگان مشاهده کرد [ 25 ]]. این داده ها را می توان برای پیش بینی رشد شهری و اهداف مدل سازی تجزیه و تحلیل و استفاده کرد.

3. داده ها و روش ها

3.1. داده ها

سه تصویر Landsat بدون ابر برای سال‌های 1984، 2003 و 2014 بدون هیچ هزینه‌ای از EarthExplorer [ 26 ] دانلود شدند ( جدول 2 ).
علاوه بر این مجموعه داده‌ها، داده‌های جانبی نیز استفاده شد: نقشه‌های Google Earth [ 27 ]، شبکه‌های جاده‌ای [ 28 ]، مدل ارتفاعی دیجیتال (DEM)، و شیب [ 26 ].
جدول
جدول 2. ویژگی های تصاویر.

3.2. مروری بر روش شناسی

شکل 2نمودار جریان روش استفاده شده در طول مطالعه را نشان می دهد. صحنه های ماهواره ای متعدد برای یک منطقه مورد مطالعه، که در مهرهای زمانی مختلف (1984، 2003 و 2014) به دست آمده بودند، برای تولید نقشه های LULC طبقه بندی شدند. این طبقه‌بندی از طریق یک فرآیند ارزیابی دقت، که با کمک داده‌های اعتبارسنجی یا نقشه‌های مرجع (مثلاً نقشه‌های Google Earth) انجام شد، تأیید شد. اعتبارسنجی با تجزیه و تحلیل تشخیص LULCC برای تعیین مقدار هر کلاس در زمان t1 که در زمان t2 به کلاس دیگری تبدیل شد، دنبال شد. این انتقال ها در یک ماتریس تغییر ثبت شدند که ورودی مرحله بعدی را نشان می داد. کالیبراسیون و مدل سازی انتقال های مورد علاقه پس از تعیین نیروهای محرک، انتقال بین سال‌های 1984 و 2003 با استفاده از LCM مدل‌سازی شد تا نقشه پیش‌بینی‌شده سال 2014 تولید شود. این نقشه مدل سازی شده با نقشه LULC همان سال که برگرفته از تصاویر ماهواره ای بود، به منظور اعتبارسنجی مدل مقایسه شد. پس از اعتبارسنجی، مدل با همان اختلاف زمانی پیش‌بینی (11 سال) با استفاده از نقشه‌های LULC 1984 و 2014 برای پیش‌بینی نقشه LULC برای سال 2025 استفاده شد.

3.3. تولید نقشه های LULC و تشخیص LULCC

سه تصویر ماهواره‌ای مربوط به سال‌های 1984، 2003 و 2014 با استفاده از طبقه‌بندی کننده SVM طبقه‌بندی شدند. این یک رویکرد یادگیری آماری نظارت شده و ناپارامتریک است که در آن یک ابرصفحه برای جداسازی نمونه‌هایی از کلاس‌های مختلف ساخته می‌شود و فاصله (حاشیه) نمونه‌های نزدیک به آن را به حداکثر می‌رساند [ 29 ]. هر چه فواصل، از مثال های هر دو کلاس تا هایپرپلین، بزرگتر باشد، تعمیم به دست آمده بهتر است [ 29 ]. شکل 3 یک سناریوی ساده از یک مسئله طبقه بندی قابل تفکیک دو کلاسه را در یک فضای ورودی دو بعدی نشان می دهد [ 30 ].
Ijgi 04 01750 g002 1024
شکل 2. روش.
Ijgi 04 01750 g003 1024
شکل 3. مثال ماشین بردار پشتیبان خطی.
SVM نشان دهنده یک پیشرفت قابل توجه در تحقیقات یادگیری ماشینی [ 31 ] است، به ویژه در زمینه سنجش از راه دور به دلیل توانایی تعمیم خوب، حتی با نمونه های آموزشی محدود، که یک محدودیت رایج برای کاربردهای سنجش از دور است، جذاب است [ 30 ]. می‌تواند به دقت طبقه‌بندی بالاتری نسبت به حداکثر احتمال و شبکه عصبی مصنوعی [ 29 ] با دقت کلی بالای 90٪ [ 32 ] دست یابد.
چهار کلاس LULC در نظر گرفته شد: شهری، پوشش گیاهی، آب و بیابان. در مرحله پس از طبقه بندی، هر نقشه شطرنجی به فرمت برداری تبدیل شد و سپس با انتخاب همه چند ضلعی های یک منطقه کمتر از یک هکتار و حذف آنها به یک واحد نقشه حداقل (MMU) یک هکتار تعمیم داده شد. اثر “نمک و فلفل” به گونه ای که کیفیت نقشه های تولید شده را بیشتر نمایان می کند. برای ارزیابی دقت، 100 نقطه تصادفی در هر کلاس در منطقه مورد مطالعه ایجاد شد و به صورت بصری با تصاویر Google Earth برای اعتبار سنجی نقشه ها مقایسه شد [ 33]. از سوی دیگر، برای تشخیص LULCC، دو گروه اصلی از تکنیک‌های تشخیص تغییر وجود دارد: اطلاعات تغییر باینری/بدون تغییر، که در آن خروجی تنها دو امکان دارد. آب و هوای پیکسل تغییر کرده یا تغییر نکرده است، در دو مهر زمانی خاص [ 33 ]. رویکرد دوم یک مسیر تغییر دقیق “از به” را ارائه می دهد، که منجر به یک ماتریس کامل با مقدار دقیق پیکسل های تبدیل شده از یک کلاس به کلاس دیگر می شود (مثلاً مقایسه پس از طبقه بندی) [ 33 ].
مشکل در هنگام استفاده از تکنیک‌های تشخیص تغییر یا عدم تغییر، مشکل در شناسایی دقیق آستانه‌ها است [ 33 ]. معمولاً روش‌های مورد استفاده برای انتخاب آستانه منجر به تأثیرات خارجی بر تفاوت‌های ناشی از شرایط جوی، زوایای خورشید، رطوبت خاک و تفاوت‌های واج‌شناختی می‌شوند، علاوه بر خود آستانه، بسته به آشنایی تحلیل‌گر با منطقه مطالعه [ 33 ]. تکنیک مقایسه پس از طبقه‌بندی شامل یک طبقه‌بندی مستقل از هر تصویر، به دنبال همپوشانی موضوعی طبقه‌بندی‌ها است که منجر به یک ماتریس تغییر کامل «از به» از تبدیل بین هر کلاس در دو تاریخ می‌شود [ 34 ].]. مشکل در این تکنیک تاثیر بالای خطاهای ناشی از طبقه بندی تصاویر بر روی نقشه تغییر است. به عنوان مثال، دو تصویر طبقه بندی شده با دقت 80 درصد ممکن است تنها دارای نرخ طبقه بندی مفصل 0.80 × 0.80 × 100 = 64 درصد باشند [ 34 ].
در ترکیب هر دو تکنیک، تصویر تغییر به یک ماسک باینری متشکل از مناطقی که بین دو تاریخ تغییر کرده اند، دوباره کدگذاری می شود [ 35 ]. سپس ماسک تغییر بر روی تصویر مهر دوم پوشانده می‌شود و تنها پیکسل‌هایی که تغییر یافته بودند در تصویر t2 طبقه‌بندی می‌شوند [ 35 ]]. سپس می‌توان یک مقایسه سنتی پس از طبقه‌بندی برای بدست آوردن اطلاعات کامل تغییر «از به» اعمال کرد. این روش ممکن است خطاهای تشخیص تغییر را کاهش دهد. از این رو، در این مطالعه، یک تکنیک ترکیبی استفاده شد که در آن نقشه‌های دوتایی (مناطق تغییر/بدون تغییر) برای هر دو دوره، 1984-2003 و 2003-2014، با استفاده از ترکیب شاخص گیاهی تفاوت نرمال شده (NDVI) تولید شد. تکنیک فروسرخ نزدیک (NIR) و تفاوت‌های قرمز، زیرا مشخص شد که استفاده مستقیم از تفاوت NDVI با اعمال مقادیر آستانه، نتوانست بسیاری از سکونتگاه‌های شهری را شناسایی کند، در حالی که وقتی با تفاوت NIR و تفاوت قرمز ترکیب شد، یک نتیجه را نشان داد. نتیجه بهتر تغییر شهری [ 36]. سپس، تنها مناطق تغییر به صورت موضوعی برای تولید ماتریس تغییر در هر دو دوره پوشانده شدند. 1984-2003 و 2003-2014.

3.4. تحلیل الگوی رشد شهری مکانی و زمانی

برای تجزیه و تحلیل پراکندگی شهری، نرم افزار FRAGSTATS، نسخه 4.2، برای محاسبه معیارهای فضایی برای کلاس های شهری در طول 30 سال، از سال 1984 تا 2014، بر اساس نقشه های LULC در سال های 1984، 2003 و 2014 استفاده شد. زیر مجموعه ماتریس های انتخاب شده در مطالعه در جدول 3 آورده شده است. آنها متداول ترین معیارهای مورد استفاده و بررسی شده در مطالعات مشابه هستند [ 37 ، 38 ].
معیارهای پیچیده‌تر، مانند ابعاد فراکتال پچ میانگین وزنی (AWMPFD)، سرایت (CONTAG) و آنتروپی شانون برای درک بهتر پراکندگی شهری مهم بودند. بعد فراکتال پیچیدگی و تکه تکه شدن یک وصله را با استفاده از نسبت محیط – مساحت توصیف می کند [ 38 ]. مقادیر بین 1 و 2 متغیر است، زیرا مقادیر پایین زمانی به دست می‌آیند که یک وصله دارای فرم مستطیلی فشرده با محیط نسبتاً کوچک در مقایسه با مساحت باشد. اگر تکه‌ها پیچیده‌تر و تکه تکه‌تر باشند، محیط افزایش می‌یابد و بعد فراکتالی بالاتری را ایجاد می‌کند [ 38 ]. AWMPFD ابعاد فراکتال همه تکه ها را با وزن دهی تکه های پوشش زمین بزرگتر میانگین می کند [ 38]. CONTAG ناهمگونی چشم انداز را در طول یک احتمال مشخص نشان می دهد که مجاورت تکه ها را تعیین می کند. هر چه مقادیر CONTAG کمتر باشد، منظره ناهمگن تر می شود.
جدول
جدول 3. معیارهای فضایی.

4. پیاده سازی مدل

LCM تعبیه شده در IDRISI 17.0 در این مطالعه برای پیش‌بینی نقشه LULC در سال 2025 با استفاده از روش زیر استفاده شد: تجزیه و تحلیل تغییر، مدل‌سازی پتانسیل انتقال و تعیین نیروهای محرک، پیش‌بینی تغییر و اعتبارسنجی مدل. در مرحله تحلیل تغییر، تغییرات بین سال‌های 1984 و 2003 مورد ارزیابی قرار گرفت. این تغییرات نشان‌دهنده انتقال از یک طبقه به طبقه دیگر است که به منظور شناسایی انتقال‌های غالب به شهری و هدف قرار دادن آنها برای مدل‌سازی مهم هستند [ 39 ].

4.1. مدلسازی پتانسیل انتقال و تعیین نیروهای محرکه

این مرحله مسئول تعیین محل تغییر است [ 14 ]. این منجر به تعدادی نقشه بالقوه انتقال برابر با انتقال قابل توجه به شهری می شود که در مرحله تحلیل تغییر در نظر گرفته شده است [ 14 ]. این نقشه‌های پتانسیل انتقال نشان‌دهنده مناسب بودن یک پیکسل برای تبدیل شدن به یک پیکسل در هر انتقال، بر اساس گروهی از عوامل به نام «نیروهای محرک» است که برای مدل‌سازی فرآیند تغییر تاریخی استفاده می‌شود. در این تحقیق، ارتفاع، شیب، فاصله تا جاده در سال 1393 و فاصله تا مناطق شهری موجود در سال 1984 به عنوان متغیرهای پیش‌بینی‌کننده قرار گرفتند. آنها بر اساس مطالعات مشابه اخیر انتخاب شدند [ 19] که در آن مشخص شد آنها به شدت بر پراکندگی شهری تأثیر می‌گذارند و بر اساس LULCC بین سال‌های 1984 و 2003، که در آن سکونتگاه‌های شهری جدید در نزدیکی مناطق ساخته‌شده و شبکه جاده‌ها رخ می‌دهد، بود. فاصله تا مناطق شهری در سال 1984 به عنوان یک عامل پویا تعریف شد و در طول دوره پیش‌بینی (11 سال، از سال 2003 تا 2014) مجدداً محاسبه شد، زیرا یک منطقه شهری گسترش می‌یابد، در نتیجه فاصله تا مناطق شهری در سال 1984 در طول زمان متفاوت خواهد بود. به همین ترتیب، فاصله تا جاده ها در سال 2003 باید به عنوان یک عامل پویا در نظر گرفته می شد، زیرا جاده های جدید بین سال های 2003 تا 2014 ساخته می شوند. در سال 2014، این نیروی محرک به عنوان ثابت تنظیم شد.
LCM یک آزمایش سریع اختیاری از توان توضیحی بالقوه هر نیروی محرکه ارائه شده توسط کرامر V ارائه می دهد. این یک ضریب همبستگی است که از 0.0 متغیر است که نشان دهنده عدم همبستگی (متغیر حذف شده) تا 1.0 است که نشان دهنده همبستگی کامل (متغیر پتانسیل عالی) است. 14 ]. اگرچه عملکرد قوی را تضمین نمی کند زیرا نمی تواند الزامات ریاضی و پیچیدگی رابطه را توضیح دهد [ 40 ]، اما به عنوان یک راهنما برای تعیین اینکه آیا نیروی محرکه ارزش در نظر گرفتن دارد یا خیر [ 14 ] عمل می کند. شبکه عصبی پرسپترون چند لایه (MLP) یک شبکه عصبی پیشخور است که در آن داده ها در یک جهت از یک لایه ورودی به یک لایه خروجی از طریق لایه(های) مخفی در بین [.41 ]. عناصر محاسباتی (گره ها) در لایه ها گروه بندی می شوند و هر گره پس از پردازش سیگنال ها به صورت محلی از طریق یک تابع انتقال، سیگنال ورودی را از گره های دیگر دریافت می کند، سیگنال تبدیل شده را به گره های دیگر یا نتیجه نهایی خروجی می دهد [ 42 ]. هر سیگنالی که به یک گره در یک لایه بعدی تغذیه می‌شود، ورودی اصلی در یک وزن با یک آستانه اضافه شده ضرب می‌شود و سپس از یک تابع فعال‌سازی عبور می‌کند که ممکن است خطی یا غیرخطی (واحدهای پنهان) باشد [ 42 ]. قبل از اینکه شبکه برای اهداف پیش‌بینی استفاده شود، وزن‌ها باید در فرآیند آموزش تعیین شوند، با استفاده از بخشی از داده‌ها، با هدف تغییر وزن‌ها به طوری که خطا بین نتایج مشاهده‌شده و پیش‌بینی‌شده به حداقل برسد [ 42 ].]. یک شبکه عصبی MLP امکان مدل‌سازی بیش از یک انتقال را در یک زمان فراهم می‌کند [ 14 ]، از این رو، در این مطالعه استفاده شد.

4.2. تغییر پیش بینی

در این مرحله، LCM از نرخ تغییر محاسبه شده از مرحله اول و همچنین نقشه‌های پتانسیل انتقال تولید شده از مرحله دوم برای پیش‌بینی سناریوی آینده برای سال 2014 استفاده می‌کند. این مرحله وظیفه تعیین مقدار تغییر به مناطق شهری در هر انتقال در سال 2014 با استفاده از تجزیه و تحلیل MC [ 14 ]. دو نوع اساسی پیش بینی وجود دارد: پیش بینی های سخت و نرم [ 14 ]. پیش‌بینی سخت یک نقشه پیش‌بینی‌شده در سال 2014 را به دست می‌دهد که در آن به هر پیکسل یک کلاس پوشش زمین اختصاص داده می‌شود. کلاسی که به احتمال زیاد به آن تبدیل می شود. با این حال، پیش‌بینی نرم متفاوت است، زیرا یک نقشه آسیب‌پذیری تولید می‌کند که در آن به هر پیکسل مقداری از 0.0 تا 1.0 اختصاص داده می‌شود، که نشان‌دهنده احتمال شهری شدن پیکسل در سال 2014 است [ 14 ].

4.3. اعتبار سنجی مدل

هدف فرآیند اعتبارسنجی تعیین کیفیت نقشه پیش‌بینی‌شده 2014 در رابطه با نقشه LULC سال 2014 (نقشه آنچه در واقعیت وجود دارد) است. دو رویکرد تأیید شده برای اعتبارسنجی یک مدل وجود دارد: رویکردهای دیداری و آماری [ 8 ]. در اعتبار سنجی بصری، یک جدول بندی متقاطع سه طرفه بین نقشه LULC سال 2003، نقشه پیش بینی شده 2014 و نقشه در واقعیت برای نشان دادن دقت نتایج مدل اجرا شد. خروجی نقشه ای است که دارای چهار دسته است [ 8 ]:

(1)
بازدیدها: مدل تغییر را پیش بینی کرد و در واقعیت رخ داد.
(2)
هشدارهای کاذب: مدل تغییر در مناطق شهری را در حالی که در واقعیت ادامه داشت پیش بینی می کرد.
(3)
Misses: مدل تداوم را پیش بینی کرد و در واقعیت شهری شد.
(4)
موفقیت صفر: مدل تغییر را پیش‌بینی نکرد و در واقعیت رخ نداد.
آلارم‌های کاذب و خطاها خطاهایی را نشان می‌دهند که از مدل به عنوان اختلاف بین نقشه شبیه‌سازی شده و نقشه مرجع ایجاد می‌شوند، در حالی که ضربه‌ها و موفقیت صفر نشان‌دهنده درستی مدل هستند [ 8 ]. برای تعیین تطابق کلی بین نقشه‌های مشاهده‌شده و پیش‌بینی‌شده، ما شکل شایستگی (FOM) را محاسبه کردیم، که نسبتی بین ضربه‌ها و مجموع ضربه‌ها، از دست دادن‌ها و آلارم‌های نادرست است. از 0%، به معنی عدم همپوشانی بین تغییر مشاهده شده و پیش بینی شده، تا 100%، به معنای همپوشانی کامل بین تغییر مشاهده شده و پیش بینی شده است [ 43 ]. از سوی دیگر، رویکرد آماری توافق بین یک جفت نقشه را بررسی می‌کند که هر متغیر طبقه‌بندی را نشان می‌دهد، که می‌تواند هر تعداد دسته داشته باشد [ 8 ]]. نقشه واقعیت به عنوان نقشه مرجع عمل کرد، در حالی که نقشه شبیه سازی شده نقشه مقایسه بود. در این مطالعه، تغییرات کاپا استفاده شد: K no و مکان K ، که در آن Kno دقت کلی اجرای شبیه‌سازی است و مکان K نشان‌دهنده سطح توافق مکان است [ 44 ]. ما استفاده از استاندارد K (نسبت اختصاص داده شده به درستی در مقابل نسبتی که تصادفاً صحیح است ) را در این مطالعه حذف کردیم، زیرا تفسیر آن مفید نبود، در حالی که مکان K می تواند تا حدودی مفید باشد [ 46 ]]. هنگامی که قدرت پیش‌بینی مدل ارزیابی شد، برای پیش‌بینی نقشه LULC سال 2025، با همان نیروهای محرکه، مدل‌سازی تغییرات بین نقشه‌های LULC سال 1984 و 2014 استفاده شد.

5. نتایج و بحث

5.1. تولید نقشه های LULC و شناسایی LULCC

ارزیابی دقت منجر به دقت کلی 96%، 97.3% و 96.3% برای نقشه‌های LULC 1984، 2003 و 2014 شد ( شکل 4).)، به ترتیب. مهم ترین تغییرات در هر دو دوره (1984-2003 و 2003-2014) انتقال از پوشش گیاهی و بیابانی به مناطق شهری است. در طی 19 سال، از سال 1984 تا 2003، پوشش گیاهی 13 درصد از سطح شهرها را از دست داد که نشان دهنده 19179 هکتار و تقریباً همان درصد (12 درصد) تنها در 11 سال، از سال 2003 تا 2014، یعنی مقدار 16،486 هکتار. این نشان‌دهنده تسطیح گسترده زمین‌های کشاورزی در GCR برای اهداف شهرنشینی، به‌ویژه در دهه گذشته، به دلیل نبود و/یا غیرفعال شدن قوانین حفاظت از زمین‌های کشاورزی است. علاوه بر این، 3 درصد از مناطق بیابانی بین سال های 1984 تا 2003 شهری شدند که معادل 21417 هکتار است. این درصد بین سال‌های 2003 و 2014 به 5 درصد افزایش یافته است که 31045 هکتار است.

5.2. تحلیل الگوی رشد شهری مکانی و زمانی

نشانه های رشد شهری زمانی معیارهای فضایی در شکل 5 نشان داده شده است. در نتیجه گسترش مداوم شهری در طول دوره مورد مطالعه (1984-2014)، CA و NP بین سال‌های 1984 و 2003 با افزایش چشمگیر در سال 2014 رونق گرفتند، که نشان‌دهنده نرخ شهرنشینی بالاتر بین سال‌های 2003 و 2014 است. ED در سال 2014 تقریباً چهار بود. برابر آنچه در سال 1984 بوده است، بنابراین، نشان دهنده افزایش طول کل لبه لکه های شهری به دلیل تکه تکه شدن کاربری زمین است. علاوه بر این، افزایش LPI بر رشد نسبت کل مساحت چشم انداز تشکیل شده توسط بزرگترین تکه شهری تأکید دارد. در مقابل، ENN_MN از سال 1984 تا 2014 کاهش یافته است، به این معنی که فضای بین همسایگان شهری به مرور زمان در نتیجه تراکم شهرنشینی بالاتر کاهش می‌یابد.
AWMPFD از 1.31 به 1.45 بین سال های 1984 و 2003 صعود کرد، در حالی که بعداً به طور پیوسته افزایش یافت و در سال 2014 به 1.46 رسید. این بدان معنی است که سطح پیچیدگی و تکه تکه شدن برای تکه های چشم انداز در حال افزایش است. کاهش مقادیر CONTAG بین سال‌های 1984 و 2014 ممکن است ناشی از تکه تکه شدن بیشتر به دلیل تعداد بیشتر واحدهای شهری باشد. در نهایت، مقادیر آنتروپی شانون به تدریج در طول دوره مطالعه افزایش یافته است زیرا توزیع پراکنده‌تری در GCR صورت می‌گیرد.
Ijgi 04 01750 g004 1024
شکل 4. نقشه های LULC.
Ijgi 04 01750 g005a 1024 Ijgi 04 01750 g005b 1024
شکل 5. نشانه های رشد شهری زمانی معیارهای فضایی (مساحت کلاس، تعداد وصله ها، تراکم لبه، شاخص بزرگ ترین وصله، میانگین نزدیکترین فاصله همسایه اقلیدیان، ابعاد فراکتال پچ میانگین وزنی منطقه، سرایت، و آنتروپی شانون).

5.3. پیاده سازی مدل

5.3.1. مدلسازی پتانسیل انتقال و تعیین نیروهای محرکه

نتایج LULCC دو تغییر قابل توجه را در مناطق شهری نشان داد: از پوشش گیاهی و از بیابان، در نتیجه، هر دو انتقال اصلی مدل بودند. هر دو انتقال به مناطق شهری، بسته به بررسی بصری روند فضایی شهری، نیروهای محرکه یکسانی داشتند، که نشان داد متغیرهای پیش‌بینی‌کننده انتخاب شده بر هر دوی آنها تأثیر می‌گذارند. جدول 4 قدرت توضیحی بالقوه هر نیروی محرکه را نشان می دهد که با V Cramer’s نشان داده شده است. متغیرهایی که دارای V Cramer در حدود 0.15 یا بالاتر هستند مفید هستند، در حالی که آنهایی با مقادیر 0.4 یا بالاتر خوب هستند [ 14 ]. بنابراین، عوامل انتخاب شده مرتبط و قابل بررسی بودند.
پس از انتخاب متغیرهای پیش‌بین، هر دو انتقال در یک مدل فرعی انتقال مدل‌سازی شدند، زیرا نیروهای محرکه یکسانی داشتند، با هدف تولید نقشه‌های انتقال.
جدول
جدول 4. مقادیر V Cramer از نیروهای محرک انتخاب شده تغییر.

5.3.2. اعتبار سنجی مدل

اعتبار سنجی بصری تغییر شبیه سازی شده در سال 2014 منجر به نقشه ای از صحت و خطا شد که در شکل 6 ارائه شده است. این نقشه شامل 1.31٪ بازدید، 89.73٪ موفقیت های تهی، 2.30٪ هشدارهای نادرست، و 6.66٪ از دست دادن است. تغییر شبیه سازی شده 3.61 درصد از چشم انداز است، کمتر از تغییر مشاهده شده، که 7.97 درصد از چشم انداز است، و به همین دلیل خطا رخ داده است. در این مورد، FOM 12.76٪ است که عملکرد پایینی است، که بر اهمیت در نظر گرفتن متغیرهای پیش بینی بیشتر تأکید می کند، همانطور که از نتایج آشکار است که نیروهای محرک اعمال شده برای مدل سازی این حوزه وسیع مطالعه کافی نیستند. علاوه بر این، شکل 6نشان می دهد که توزیع خطاها که در گذار دوم بسیار متمرکز هستند، از کویر به شهری است، به این معنی که مدل سازی شهرنشینی در بخش های بیابانی باید با استفاده از مجموعه ای از نیروهای محرک متفاوت از مجموعه ای که برای مدل سازی انتقال اول استفاده می شود، انجام شود. از پوشش گیاهی تا شهری به دست آوردن اطلاعات در مورد قاهره به دلیل کمبود داده های موجود و تغییر مرزهای اداری استان ها که برخی مناطق بدون داده را به دست می دهد، همیشه مشکل ساز است. این مشکل به ویژه هنگامی که با یک منطقه بزرگ مانند GCR سروکار داریم، که در آن سه شهر اصلی گنجانده شده است، برجسته می شود، بنابراین، ما نتوانستیم متغیرهای اضافی را در این مطالعه لحاظ کنیم (مثلاً فاصله تا مناطق صنعتی و مراکز تجاری). با این حال، نتایج هنوز بالاتر از برخی از مطالعات اخیر است که در آن FOM 10.4 و 2.9٪ بود.39 ، 43 ]. اگرچه معاینه بصری سریعترین راه برای آشکارسازی الگوهای فضایی است، که روشهای آماری ممکن است در تشخیص آن شکست بخورند، ذهنی است و می تواند گمراه کننده باشد، بنابراین، رویکرد آماری ضروری است [ 8 ].
Ijgi 04 01750 g006 1024
شکل 6. اعتبار سنجی بصری – نقشه صحت و خطا بر اساس نقشه های LULC 2003 (مرجع)، 2014 (مرجع) و 2014 (شبیه سازی شده).
از سوی دیگر، تغییرات کاپا که LULC پیش‌بینی‌شده در سال 2014 را با نقشه LULC واقعی در سال 2014 مقایسه می‌کرد، به ترتیب K no و K به ترتیب 92.88 % و 94.24% را نشان داد. تفسیر این مقادیر بالا این است که اکثریت منطقه مورد مطالعه تغییری نداشته است، زیرا حتی با وجود جوامع شهری جدید که در مناطق بیابانی در طول 30 سال گذشته (از سال 1984 تا 2014) ساخته شده است، کویر بزرگترین منطقه را تشکیل می دهد. پوشش زمینی که در این دوره در معرض شهرنشینی بالایی قرار نگرفت. به همین دلیل، انجام اعتبار سنجی بصری در سراسر آزمون FOM ضروری بود، زیرا اگرچه ضرایب کاپا به دست آمده در این مطالعه بالای 90 درصد است، بهتر از آنچه در مطالعات مشابه به دست آمد [ 47 ، 48 ].]، مقایسه هر دو نتیجه این واقعیت را نشان می‌دهد که محلی‌سازی صحیح LULCC پیش‌بینی‌شده در نواحی تغییر، بارزتر از محلی‌سازی در مناطق بدون تغییر است. با این حال، نتایج آماری کاپا امیدوارکننده‌تر از اعتبارسنجی بصری است.

5.3.3. پیش بینی نقشه LULC برای سال 2025

تغییرات بین سال‌های 1984 و 2014 با استفاده از نقشه‌های LULC واقعی به منظور پیش‌بینی نقشه LULC سال 2025 با همان دوره پیش‌بینی (11 سال) مدل‌سازی شد. چهارده درصد از پوشش گیاهی و 4 درصد از بیابان در سال 2014 پیش بینی می شود که در سال 2025 به مناطق شهری منتقل شود که به ترتیب معادل 16512 و 24687 هکتار است. شکل 7رشد شهری در GCR در سال‌های 1984، 2003، 2014، و سکونتگاه‌های شهری برآورد شده در سال 2025 را نشان می‌دهد. گسترش شهری طی 30 سال، از سال 1984 تا 2014 رونق داشته است، و نتایج مدل‌سازی تایید می‌کند که تا سال 2025 افزایش خواهد یافت. مساحت های این منطقه در سال های 1984، 2003 و 2014 به ترتیب 41488، 95793 و 154861 ​​هکتار بوده که به ترتیب 64/4، 71/10 و 32/17 درصد از کل مساحت GCR را شامل می شود. در سال 2025، طبق برآوردهای مدل، مناطق شهری در GCR به 196047 هکتار افزایش می یابد که حدود 21.93٪ از منطقه را تشکیل می دهد. این رشد گسترده و برنامه‌ریزی نشده یک تهدید جدی برای سیستم اکولوژیکی است، زیرا تمایل آشکاری به زیان کشاورزی مداوم با نرخ‌های افزایشی وجود دارد: 13، 12، و 14 درصد در طی 19، 11 و 11 سال بین سال‌های 1984-2003. ، به ترتیب 2003-2014 و 2014-2025.

5.3.4. تأثیر آتی پراکندگی شهری بر میراث فرهنگی

شکل 8 مساحت کل سکونتگاه های شهری را در یک حایل 5 کیلومتری در اطراف بناهای تاریخی اصلی که قبلاً در شکل 1 نشان داده شده بود نشان می دهد . قاهره اسلامی و کاخ البارون با مناطق شهری متراکم تری نسبت به منطقه اهرام احاطه شده اند. در سال 1984، اهرام تقریباً یک پنجم و یک ششم تراکم شهری اطراف قاهره اسلامی و کاخ البارون را داشتند که معادل 9271 هکتار بود. این ارزش در طول زمان افزایش چشمگیری را تجربه کرد تا جایی که انتظار می رود در سال 2025 برابر با منطقه شهری اطراف قاهره اسلامی (70512 هکتار) باشد. این امر مستلزم حفظ برنامه های سیاست گذاران مصری برای حفاظت از بناهای تاریخی و میراث فرهنگی حیاتی در پایتخت مصر است.
Ijgi 04 01750 g007 1024
شکل 7. رشد شهری در GCR.
Ijgi 04 01750 g008 1024
شکل 8. مساحت کل لکه های شهری در حایل 5 کیلومتری اطراف بناهای فرهنگی (هکتار).

6. نتیجه گیری

این مطالعه به منظور شناسایی و تجزیه و تحلیل رشد شهری در GCR طی یک دوره 30 ساله، از 1984 تا 2014، و مدل سازی تغییرات برای تخمین منطقه شهری در سال 2025 انجام شد. سه صحنه لندست در سال های 1984، 2003 و 2014 به دست آمد. با استفاده از طبقه بندی کننده SVM طبقه بندی شدند. تشخیص LULCC با استفاده از تکنیک نقشه‌برداری پوشش زمین سطح بالا، که نقشه‌های باینری اطلاعات تغییر/بدون تغییر را با رویکرد پس از مقایسه ترکیب می‌کند، تعیین شد. از سال 1984 تا 2003، 13 درصد از پوشش گیاهی در مناطق شهری از بین رفت و 12 درصد بین سال های 2003 و 2014 به ترتیب 19179 و 16486 هکتار از بین رفت. در حالی که 3 درصد از مناطق بیابانی بین سال‌های 1984 تا 2003 شهری شدند، این میزان بین سال‌های 2003 تا 2014 به 5 درصد افزایش یافت که به ترتیب معادل 21417 و 31045 هکتار است.
هشت معیار با استفاده از FRAGSTATS برای تجزیه و تحلیل رشد فضایی و زمانی شهری محاسبه شد که همگی بر شهرنشینی متراکم‌تر در GCR و همچنین چشم‌انداز پراکنده و تکه‌تکه در نتیجه استقرار شهری فردی تأکید دارند. انتقال از پوشش گیاهی و بیابان به شهری با استفاده از LCM، با نیروهای محرک: DEM، شیب، فاصله تا شبکه جاده‌ای و فاصله تا مناطق شهری موجود مدل‌سازی شد. این عوامل در مطالعات مشابه در نظر گرفته شدند و ثابت کردند که بر شهرنشینی برای سناریوهای آینده تسلط دارند. مناطق با شیب زیاد به وضوح تمایل کمتری به شهری شدن را نشان می دهند [ 19]، و مناطق با ارتفاع کم به احتمال زیاد شهری می شوند. از بازرسی بصری نقشه‌های LULC، مشخص شد که ساختمان‌های جدید برای استفاده از زیرساخت‌ها، خدمات و امکانات موجود در نزدیکی مناطق شهری و شبکه‌های جاده‌ای موجود هستند.
برای اعتبارسنجی مدل، نقشه شبیه‌سازی‌شده 2014 در برابر نقشه واقعی LULC سال 2014، با استفاده از هر دو رویکرد بصری و آماری، به ترتیب از طریق آمار FOM و Kappa مورد بررسی قرار گرفت. ضرایب کاپا (K no و محل K) بالای 90% بودند زیرا اکثریت منطقه مورد مطالعه هیچ تغییری را تجربه نکردند، با این حال آنها امیدوارتر از FOM هستند که منجر به 12.76% شد. نتایج FOM مشکل متغیرهای پیش‌بینی ناکافی و مدل‌سازی هر دو انتقال (از پوشش گیاهی و بیابان به شهری) را با استفاده از نیروهای محرکه یکسان برجسته می‌کند، زیرا اکثر موارد از دست دادن در ساختمان‌های جدید در مناطق بیابانی رخ داده است. نقشه پیش‌بینی‌شده LULC 2025 انتقال شهری را 14 درصد از پوشش گیاهی و 4 درصد از بیابان را بین سال‌های 2014 تا 2025 تخمین می‌زند که به ترتیب معادل 16512 و 24687 هکتار است.
از سوی دیگر، مساحت تکه‌های شهری در طول زمان (از سال 1984 تا 2025) در یک حایل 5 کیلومتری در اطراف سه مکان تاریخی اصلی در GCR محاسبه شد: اهرام بزرگ، قاهره اسلامی و کاخ البارون. نتایج الگوهای تدریجی مشابهی از گسترش شهری را در اطراف قاهره اسلامی و کاخ البارون نشان داد، زیرا هر دو توسط سکونتگاه‌های شهری متراکم احاطه شده‌اند. تخمین زده می شود که این روند در سال 2025 در اطراف کاخ البارون افزایش یابد، در حالی که انتظار نمی رود توسعه شهری بیشتر در یک حلقه 5 کیلومتری در اطراف منطقه قاهره اسلامی اتفاق بیفتد، زیرا در حال حاضر پر از شهر است و هیچ جای خالی امیدوار کننده ای را نشان نمی دهد. سکونت گاه های بیشتر با این حال، منطقه اهرام شهرنشینی پررونقی را نشان داد زیرا تراکم شهری در سال 2014 پنج برابر آن چیزی بود که در سال 1984 بود، علاوه بر این، این روند در سال 2025 تقریباً برابر با رکوردهای اسلامی قاهره برآورد می شود. این نتایج حاکی از آن است که میراث فرهنگی مصر توسط مناطق شهری احاطه خواهد شد، به ویژه در اطراف منطقه اهرام، که نشان دهنده کاهش تدریجی ارزش و ظاهر منحصر به فرد آن است. اگر این روند ادامه یابد، باید سیاست های حفاظتی برای حفظ میراث فرهنگی و مزارع کشاورزی که تحت تأثیر منفی قرار می گیرند، اتخاذ کرد.

منابع

  1. صندوق سازمان ملل متحد برای فعالیت های جمعیتی. شهرنشینی: اکثریت در شهرها. در دسترس آنلاین: http://www.unfpa.org/pds/urbanization.htm (در 23 ژوئیه 2014 قابل دسترسی است).
  2. سازمان بهداشت جهانی. شهرنشینی: رشد جمعیت شهری. در دسترس آنلاین: http://www.who.int/gho/urban_health/situation_trends/urban_population_growth_text/en/ (در 23 ژوئیه 2014 قابل دسترسی است).
  3. Baty, M. مدلسازی شهری. در دایره المعارف بین المللی جغرافیای انسانی ; الزویر: آکسفورد، انگلستان، 2009; ص 51-58. [ Google Scholar ]
  4. وربورگ، پی اچ. Schot، PP; Dijst، MJ; ولدکمپ، الف. مدل‌سازی تغییر کاربری اراضی: اولویت‌های تحقیق و تمرین فعلی. ژئوژورنال 2004 ، 61 ، 309-324. [ Google Scholar ] [ CrossRef ]
  5. میتسوا، دی. شوستر، دبلیو. وانگ، ایکس. مدل اتوماتای ​​سلولی تغییر پوشش زمین برای ادغام رشد شهری با حفاظت از فضای باز. Landsc. طرح شهری. 2011 ، 99 ، 141-153. [ Google Scholar ] [ CrossRef ]
  6. گونگ، دبلیو. لی، ی. فن، دبلیو. Stott، P. تحلیل و شبیه‌سازی الگوی فضایی کاربری زمین در استان هاربین بر اساس مسیرها و اتوماتای ​​سلولی-مدل‌سازی مارکوف. بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 34 ، 207-216. [ Google Scholar ] [ CrossRef ]
  7. Tewolde، MG; Cabral، P. تحلیل و مدل‌سازی گسترش شهری در آسمارا، اریتره. Remote Sens. 2011 , 3 , 2148–2165. [ Google Scholar ] [ CrossRef ]
  8. پونتیوس، آر جی، جونیور؛ چن، اچ. مدل‌سازی تغییر زمین با GEOMOD. در دسترس آنلاین: http://planet.botany.uwc.ac.za/nisl/computing/IDRISI_andes/Documentation/Land%20Change%20Modeling%20with%20GEOMOD.pdf (در 15 ژانویه 2015 قابل دسترسی است).
  9. طیبی، ع. پیجانوفسکی، ق.م. پکین، ب. دو مدل مرزی رشد شهری مبتنی بر قانون در منطقه کلانشهر تهران، ایران. Appl. Geogr. 2011 ، 31 ، 908-918. [ Google Scholar ] [ CrossRef ]
  10. طیبی، ع. پکین، BK; پیجانوفسکی، ق.م. Plourde، JD; Doucette, JS; براون، دی. مدل‌سازی سلسله مراتبی رشد شهری در سراسر ایالات متحده آمریکا: توسعه محرک‌های کمیت در مقیاس متوسط ​​برای مدل تبدیل زمین. J. کاربری زمین علمی. 2013 ، 8 ، 422-442. [ Google Scholar ] [ CrossRef ]
  11. 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 ]
  12. هوآ، ال. تانگ، ال. کوی، اس. یین، ک. شبیه سازی رشد شهری با استفاده از مدل Sleuth در یک منطقه ساحلی حومه شهری در چین. پایداری 2014 ، 6 ، 3899-3914. [ Google Scholar ] [ CrossRef ]
  13. براون، DG; واکر، آر. منسون، اس. Seto, K. مدلسازی تغییر کاربری و پوشش زمین. در علوم تغییر سرزمین ; Springer: Houten، هلند، 2004; صص 395-409. [ Google Scholar ]
  14. Eastman, JR IDRISI Selva Tutorial. در دسترس آنلاین: http://uhulag.mendelu.cz/files/pagesdata/eng/gis/idrisi_selva_tutorial.pdf (دسترسی در 15 دسامبر 2014).
  15. روی، HG; دنیس، MF; Emsellem، K. پیش بینی تغییر پوشش زمین در یک حوضه آبریز مدیترانه در مقیاس های زمانی مختلف. در علوم محاسباتی و کاربردهای آن-ICCSA 2014 ; Springer International Publishing: بازل، سوئیس، 2014; صص 315-330. [ Google Scholar ]
  16. Vega، PA; Mas، JF; Zielinska، AL مقایسه دو رویکرد برای مدل‌سازی تغییر کاربری/پوشش و پیامدهای آنها برای ارزیابی از دست دادن تنوع زیستی در جنگل‌های استوایی برگریز. محیط زیست مدل. Softw 2012 ، 29 ، 11-23. [ Google Scholar ] [ CrossRef ]
  17. یین، زی؛ استوارت، دی جی؛ بولارد، اس. Maclachlan، JT تغییرات در سطح ساخته شده شهری و الگوهای توزیع جمعیت در طول 1986-1999: مطالعه موردی قاهره، مصر. محاسبه کنید. محیط زیست سیستم شهری 2005 ، 29 ، 595-616. [ Google Scholar ] [ CrossRef ]
  18. محمد، E. تحلیل رشد شهری در قاهره، مصر با استفاده از سنجش از دور و GIS. نات. علمی 2012 ، 4 . [ Google Scholar ] [ CrossRef ]
  19. د نورونها واز، ای. کائتانو، م. Nijkamp، P. گرفتار بین دوران باستان و شهرسازی – یک مدل ارزیابی چند معیاره از منطقه بزرگ قاهره. J. کاربری زمین علمی. 2011 ، 6 ، 283-299. [ Google Scholar ] [ CrossRef ]
  20. سرویس اطلاعات دولتی دروازه مصر در دسترس آنلاین: http://www.sis.gov.eg/En/Default.aspx (در 26 سپتامبر 2014 قابل دسترسی است).
  21. هویدی، ا. شهیب، DK; گول، ای. حلیم، KMA; Séjourné، M. گادو، م. پیفرو، ای. هاس-هیندنبرگ، جی. لوفلر، جی. استریجاک، جی. و همکاران مناطق غیررسمی قاهره: بین چالش‌های شهری و پتانسیل‌های پنهان – حقایق، صداها و دیدگاه‌ها . Kipper, R., Fischer, M., Eds. GTZ مصر: قاهره، مصر، 2009. [ Google Scholar ]
  22. سازمان مرکزی بسیج عمومی و آمار. در دسترس آنلاین: http://www.capmas.gov.eg/Default.aspx?lang=2 (دسترسی در 20 سپتامبر 2014).
  23. هوانگ، دبلیو. لیو، اچ. لوان، کیو. جیانگ، کیو. لیو، جی. لیو، اچ. تشخیص و پیش‌بینی تغییر کاربری زمین در پکن بر اساس سنجش از دور و GIS. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2008 ، 37 ، 75-82. [ Google Scholar ]
  24. اپستاین، جی. پین، کی. Kramer, E. تکنیک‌های نقشه‌برداری از پراکندگی حومه شهر. Photogr. مهندس Remote Sens. 2002 , 63 , 913-918. [ Google Scholar ]
  25. مولر، سنجش از دور MS برای نظارت بر الگوهای رشد شهری. در دسترس آنلاین: http://www.isprs.org/proceedings/XXXVI/8-W27/moeller.pdf (دسترسی در 10 سپتامبر 2014).
  26. EarthExplorer. در دسترس آنلاین: http://earthexplorer.usgs.gov/ (دسترسی در 20 سپتامبر 2014).
  27. نقشه های گوگل در دسترس آنلاین: https://maps.google.com/ (در 20 نوامبر 2014 قابل دسترسی است).
  28. OpenStreetMaps (OSM). در دسترس آنلاین: https://www.openstreetmap.org/ (دسترسی در 20 نوامبر 2014).
  29. سائز، جی. گلار، م. لوئنگو، جی. هررا، اف. مقابله با مشکل طبقه بندی با داده های پر سر و صدا با استفاده از سیستم های طبقه بندی کننده چندگانه: تجزیه و تحلیل عملکرد و استحکام. Inf. علمی 2013 ، 247 ، 1-20. [ Google Scholar ] [ CrossRef ]
  30. مونتراکیس، جی. جونگو، آی. Ogole، C. ماشین‌های بردار پشتیبانی در سنجش از راه دور: بررسی. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , 247-259. [ Google Scholar ] [ CrossRef ]
  31. نخل.؛ ماشین‌های بردار پشتیبان Mather، PM برای طبقه‌بندی در سنجش از دور. بین المللی J. Remote Sens. 2005 ، 26 ، 1007-1011. [ Google Scholar ] [ CrossRef ]
  32. سینگ، SK; Srivastava، PK؛ گوپتا، م. تاکور، جی کی. موکرجی، اس. ارزیابی کاربری/پوشش اراضی اکوسیستم جنگل حرا با استفاده از ماشین بردار پشتیبان. محیط زیست علوم زمین 2014 ، 71 ، 2245-2255. [ Google Scholar ]
  33. Weng, Q. طبقه بندی تصاویر سنجش از دور. در پیشرفت‌های سنجش از دور محیطی: حسگرها، الگوریتم‌ها و کاربردها . CRC Press: Boca Raton، FL، USA، 2011. [ Google Scholar ]
  34. سینگ، ای. مقاله تکنیک‌های تشخیص تغییر دیجیتال را با استفاده از داده‌های سنجش از راه دور مرور کنید. بین المللی J. Remote Sens. 1989 ، 10 ، 989-1003. [ Google Scholar ] [ CrossRef ]
  35. Mas، JF نظارت بر تغییرات پوشش زمین: مقایسه تکنیک های تشخیص تغییر بین المللی J. Remote Sens. 1999 ، 20 ، 139-152. [ Google Scholar ] [ CrossRef ]
  36. Veettil، BK مطالعه مقایسه ای تکنیک های تشخیص تغییر شهری با استفاده از تصاویر با وضوح فضایی بالا. در مجموعه مقالات 4th GEOBIA، ریودوژانیرو، SP، برزیل، 7-9 مه 2012.
  37. آرایا، YH; Cabral، P. تجزیه و تحلیل و مدل سازی تغییر پوشش زمین شهری در Setúbal و Sesimbra، پرتغال. Remote Sens. 2010 , 2 , 1549-1563. [ Google Scholar ] [ CrossRef ]
  38. هرولد، ام. گلدشتاین، NC; Clarke، KC فرم فضایی-زمانی رشد شهری: اندازه‌گیری، تحلیل و مدل‌سازی. سنسور از راه دور محیط. 2003 ، 86 ، 286-302. [ Google Scholar ] [ CrossRef ]
  39. اولمدو، MTC؛ پیگلو، ام. Mas، JF علاقه به نقشه‌های طبقه‌بندی شده متوسط ​​در اعتبارسنجی مدل تغییر زمین: تناسب در مقابل پتانسیل انتقال. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 2343-2361. [ Google Scholar ] [ CrossRef ]
  40. خوی، د.د. مورایاما، Y. پیش بینی مناطق آسیب پذیر در برابر تبدیل جنگل در منطقه پارک ملی تام دائو، ویتنام. Remote Sens. 2010 , 2 , 1249-1272. [ Google Scholar ] [ CrossRef ]
  41. نازال، ج.م. العماری، IM; نجیم، SA شبکه عصبی پرسپترون چندلایه (MLPs) برای تجزیه و تحلیل خواص شیل نفتی اردن. برنامه جهانی علمی J. 2008 , 5 , 546-552. [ Google Scholar ]
  42. سیبندا، دبلیو. پرتوریوس، P. کاربرد جدید شبکه‌های عصبی پرسپترون‌های چندلایه (MLP) برای مدل‌سازی HIV در آفریقای جنوبی با استفاده از داده‌های شیوع سرمی از کلینیک‌های دوران بارداری. بین المللی جی. کامپیوتر. Appl. 2011 ، 35 ، 26-31. [ Google Scholar ] [ CrossRef ]
  43. رودریگز، NE; آرمنتراس-پاسکوال، دی. Alumbreros، JR تغییر کاربری زمین و پوشش زمین در آند کلمبیا: دینامیک و سناریوهای آینده. J. کاربری زمین علمی. 2013 ، 8 ، 154-174. [ Google Scholar ] [ CrossRef ]
  44. نادوشن، م. سوفیانیان، ع. پیش بینی گسترش شهری در کلانشهر اراک با استفاده از دو مدل تغییر زمین. برنامه جهانی علمی J. 2012 , 18 , 1124-1132. [ Google Scholar ]
  45. کیم، آی. جئونگ، جی. پارک، اس. Tenhunen، J. پیش بینی تغییر کاربری زمین در حوضه رودخانه سویانگ، کره جنوبی. در مجموعه مقالات کنفرانس علمی TERRECO 2011، Garmisch-Partenkirchen، آلمان، 2-7 اکتبر 2011.
  46. پونتیوس، جی. رابرت، جی. Marco, M. Death to Kappa: تولد اختلاف کمیت و اختلاف تخصیص برای ارزیابی دقت. بین المللی J. Remote Sens. 2011 ، 32 ، 4407-4429. [ Google Scholar ]
  47. رگمی، RR; ساها، SK; Balla، MK تحلیل جغرافیایی مدل‌سازی تغییر پوشش کاربری اراضی در حوضه آبخیز دریاچه Phewa نپال با استفاده از مدل Markov Automata سلولی. بین المللی J. Curr. مهندس فنی 2014 ، 4 ، 2617-2627. [ Google Scholar ]
  48. سبدی، پ. سبدی، ک. Thapa، B. کاربرد یک مدل ترکیبی خودکار-مارکوف سلولی (CA-Markov) در پیش‌بینی تغییر کاربری زمین: مطالعه موردی حوضه زهکشی Saddle Creek، فلوریدا. Appl. Ecol. محیط زیست علمی 2013 ، 1 ، 126-132. [ Google Scholar ] [ CrossRef ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370