مدل‌سازي احتمال تغيير رشد شهري با استفاده از شبكه عصبي مصنوعي و رگرسيون لجستيك (مطالعه موردي: شهر مشهد)

e possibility of changing urban growth using artificial neural network and logistic regression (Case Study: Mashhad)

در كشور­هاي در حال توسعه، تمايل زياد براي تمركز جمعيت در مناطق شهري و به ­تبع آن رشد سريع و ناموزون شهر­ها سبب شده است كه طراحان و برنامه ­ريزان شهري، استفاده از سياست­ها و راهكار­هاي مناسب را جهت اجتناب از تأثيرات مخرب زيست­ محيطي و اجتماعي- اقتصادي در دستور كار قرار دهند. در اين راستا، اطلاعات مكاني و زماني مرتبط با الگوهاي نرخ رشد، درك بهتري را از فرآيند رشد شهري فراهم نموده و ابزار­هاي مناسب را جهت اخذ سياست­هاي مديريتي و برنامه ­ريزي در اختيار مديران شهري قرار مي­دهند. لذا هدف اصلي اين پژوهش، محاسبه احتمال تغيير رشد شهر مشهد با استفاده از روش­هاي رگرسيون لجستيك و شبكه عصبي مصنوعي مي­باشد. براي اين­ منظور، جهت تهيه نقشه كاربري اراضي، از تصاوير ماهواره­اي لندست 7 (سال 2002) و لندست 8 (سال 2015) استفاده شد. سپس با استفاده از شبكه عصبي مصنوعي پرسپترون چند لايه (MLP)، طبقه­ بندي تصاوير انجام شد و نقشه­ هاي كاربري اراضي شهري با دقت كلي 948/0 و شاخص كاپاي 936/0 براي سال 2002 و همچنين دقت كلي 817/0 و شاخص كاپاي 775/0 براي سال 2015 استخراج شدند. در ­نهايت، با اجراي رگرسيون لجستيك بين نقشه كاربري اراضي شهري سال 2015 (به­ عنوان متغير وابسته) و فاكتور­هاي مؤثر از جمله عوامل فيزيكي و عوامل انساني به­ همراه نقشه اراضي سال 2002 (به ­عنوان متغير­هاي مستقل)، نقشه پتانسيلي پيشرفت اراضي شهري تهيه شد. ارزيابي مدل رگرسيوني ايجاد­شده با استفاده از دو شاخص Pseudo-R2 و ROC نشان داد كه اين مدل با مقدار ROC معادل 87/0 و مقدار Pseudo-R2 برابر 345/0 داراي قابليت بالايي جهت نمايش تغييرات و تعيين مناطق مستعد تغيير مي­باشد و مي­توان برازش مدل را نسبتاً خوب در نظر گرفت.

g countries, the high tendency for concentration of population in urban areas and consequently the rapid and uneven growth of cities have led urban designers and planners to use appropriate policies and strategies to avoid environmental and socio-economic damaging effects on the order Work. In this regard, spatial and temporal information related to growth rate patterns provides a better understanding of the urban growth process and provides appropriate tools for obtaining management and planning policies for urban managers. Therefore, the main objective of this research is to calculate the probability of growth change in Mashhad using logistic regression and artificial neural network. For this purpose, satellite images of Landsat 7 (2002) and Landsat 8 (2015) were used to provide land-use mapping. Then, using multi-layer perceptron artificial neural network (MLP), the classification of images was made and urban land use maps with a total accuracy of 948/0 and a Kappa index of 936 for 2002 as well as a general accuracy of 8177 and a Kappa index of 775 / 0 were extracted for 2015. Finally, with the implementation of logistic regression between urban land use map 2015 (as dependent variable) and effective factors such as physical factors and human factors along with 2002 map of lands (as independent variables), the potential map of urban land development was prepared. The evaluation of the regression model generated by two Pseudo-R2 and ROC indicators showed that this model has a ROC value of 0.87 and Pseudo-R2 of 345/0 has a high ability to show changes and determine areas prone to change, and fit The model is considered fairly well.