شبيه سازي رشد شهري با استفاده از مدل سلول هاي خودكار و الگوريتم هاي يادگيري ماشين، مطالعه موردي: كلانشهر تبريز

سابقه و هدف: روند رشد شهري در دهه هاي اخير تسريع شده است . بنابراين پيش بيني الگوي رشد آينده شهر براي جلوگيري از برخيمشكل هاي محيط زيستي، اقتصادي و اجتماعي از اهميت بالايي برخوردار است. شهر تبريز نيز به دليل تغييرات جمعيتي قابل توجه از رشد سريع زمين هاي شهري برخوردار بوده و بنابراين نيازمند شبيه سازي دقيق رشد شهري براي جلوگيري از پيامدهاي منفي محيط زيستي و اقتصادي مي باشد. هدف اين پژوهش ، ارزيابي دقت الگوريتم هاي مطرح يادگيري ماشين با روش اعتبارسنجي متقابل مكاني و تلفيق آنها با مدل سلول هاي خودكار جهت شبيه سازي رشد زمين هاي شهري است .مواد و رو ش ها: در اين پژوهش جهت تحليل تغييرات كاربري زمين هاي شهري تصاوير ماهواره اي لندست مربوط به سال هاي 1376،1385 و 1394 با استفاده از روش ماشين بردار پشتيبان طبقه بندي شدند. در گام بعدي توليد نقشه هاي پتانسيل تغيير زمين هاي غيرشهري به شهر با استفاده از الگوريتم هاي جنگل تصادفي، ماشين بردار پشتيبان و شبكه عصبي پرسپترون چند لايه براي دو دوره كاليبراسيون (سال هاي 1376-1385 ) و اعتبارسنجي (سال هاي 1385-1394 ) براساس لايه هاي اطلاعاتي فاصله از معابر اصلي، فاصله ازمركز شهر، فاصله از زمين هاي ساخته شده، فاصله از رودخانه و راه آهن و همچنين لايه هاي شيب، ارتفاع و لايه دو كلاسه كاربري شامل كاربري كشاورزي (با مقدار صفر) و باير (با مقدار يك)، انجام شد. در پژوهش حاضر جهت جلوگيري از بيش برازش الگوريتم ها به نمونه هاي آموزشي و در نتيجه به دست آمدن نتايج خوش بينانه، از روش اعتبارسنجي متقابل مكاني با هدف كاهش همبستگي مكاني ميان داده هاي آموزشي و آزمايشي، در فرايند استخراج پارامترهاي بهينه الگوريتم هاي يادگيري ماشين استفاده گرديد. در نهايت با استفاده از مدل سلول هاي خودكار، شبيه سازي رشد شهر تبريز براساس نقشه هاي كاربري زمين ها و پتانسيل تغيير به دست آمده از الگوريتم هاي يادگيري ماشين براي دوره هاي بيان شده انجام شد.نتايج و بحث: نتايج نشان داد الگوريتم جنگل تصادفي با مقدار مساحت زير منحني ROC معادل 9228 / 0 نسبت به الگوريتم هاي ماشين بردار پشتيبان و شبكه عصبي مصنوعي به ترتيب با مساحت هاي 8951 / 0 و 8726 / 0، عملكرد بهتري در برآورد پتانسيل تغيير زمين هاي غير شهري به شهر داشته است. همچنين اين الگوريتم در مقايسه با ساير الگوريتم ها تغييرات محلي در پتانسيل تغيير را به صورت بارزتري استخراج كرده است. در نهايت رشد شهر تبريز با استفاده از مدل سلول هاي خودكار بر مبناي نقشه هاي پتانسيل تغيير به دست آمده شبيه سازي شد . مقايسه نقشه پيش بيني در دوره اعتبارسنجي با وضع موجود زمين هاي شهري در سال 1394 نشان داد كه شبيه سازي رشد شهري با مدل سلول هاي خودكار مبتني بر جنگل تصادفي با مقدار سنجه سازگاري 3569 / 0 نسبت به مدل هاي مبتني بر بردار پشتيبان و شبكه عصبي به ترتيب با مقادير سنجه سازگاري 3496 / 0 و 3434 / 0د ر اختصاص زمين هاي غيرشهري به شهري دقيق تر بوده است.نتيجه گيري: توانايي الگوريتم هاي يادگيري ماشين نظير شبكه هاي عصبي مصنوعي، ماشين بردار پشتيبان و جنگل تصادفي در حلمسئله هاي غير خطي، استفاده از آنها را در شبيه سازي رشد زمين ها ي شهري اجتناب ناپذير مي سازد. در اين ميان در تحقيق حاضرالگوريتم جنگل تصادفي كه اساس آن بر يادگيري جمعي استوار است از مزيت بالاتري نسبت به دو الگوريتم ماشين بردار پشتيبان و شبكه عصبي مصنوعي برخوردار بوده است .