مدل‌سازي و پيش‌بيني رشد افقي شهر مشهد با استفاده از تلفيق اتوماتاي سلولي فازي، شبكه عصبي و رگرسيون لجستيك

Modeling and Prediction of Horizontal Urban Growth of Mashhad study region by Aggregating Cellular Automata, Fuzzy Theory, Neural Network and Logistic Regression

در اين پژوهش با به‌كارگيري مدل اتوماتاي سلولي (CA) توسعه يافته بر مبناي سيستم اطلاعات مكاني (GIS) و ارائه مدلي قدرتمند و ساده سعي بر مدل‌سازي و پيش‌بيني رشد شهر مشهد شده است. با وجود قابليت‌هاي فراوان اتوماتاي سلولي در مدل‌سازي رشد شهري، اين روش داراي محدوديت¬هايي نظير عدم توانايي در مدل‌سازي عدم قطعيت موجود در سيستم‌هاي شهري و انجام كاليبراسيون به‌صورت تجربي (روش آزمون‌وخطا) است. در روش پيشنهادي، به‌منظور غلبه بر مشكل عدم قطعيت و افزايش قابليت مدل‌سازي، قوانين انتقال به‌صورت فازي بيان مي-شوند. براي رفع مشكل دوم نيز عوامل موثر با استفاده از رگرسيون لجستيك وزن دهي شده و فرآيند كاليبراسيون اجرا مي¬گردد. لذا در اين مقاله با تركيب روش‌هاي مختلف در يك‌روال منطقي و بر اساس مدلي قدرتمند و ساده فرايند پيش¬بيني رشد افقي شهر مشهد اجرا مي‌گردد. بدين منظور با استفاده از تصاوير ماهواره‌اي لندست 8 و ETM+ رشد شهر مشهد براي دوره 2002- 2015 مدل‌سازي شده و پس از كاليبراسيون و اخذ نتايج قابل قبول از اعتبارسنجي، براي سال 2028 رشد افقي شهر پيش‌بيني مي‌شود. نتايج به‌دست‌آمده نشان‌دهنده آن است كه روش پيشنهادي با ضريب كاپاي 8/54 و دقت كلي 92 درصد، به‌منظور شبيه‌سازي و پيش‌بيني رشد شهري، نشان دهنده افزايش دقت مدل در مقايسه با اتوماتاي ساده متداول است.

In this paper, we try to present a simple and powerful model to forecast the urban growth of Mashhad city applying a developed Cellular Automata (CA) algorithm in Geo-spatial information System (GIS). In spite of different CA's advantages in urban growth modeling, this model faces several limitations such as inability to model the uncertainties of urban systems and working based on experimental calibration (trial and error) techniques. In the proposed method, to overcome the uncertainty problem and increase the model efficiency, the fuzzy transition rules are introduced in the modeling process. Moreover, the effective criteria are weighted using the logistic regression algorithm to remove the second restriction and then the calibration process will be applied. Therefore, the prediction process of urban growth were implemented using a suggested simple and powerful model by aggregating different methods in a logical framework. For this purpose, Landsat 8 and ETM+ satellite images (between 2002-2015) were entered into the modeling process and the horizontal urban growth of Mashhad study area were predicted for 2028. The final obtained results showed that the proposed method with the Kappa coefficient of 54.8 and the overall accuracy of 92% is more accurate than conventional CA techniques.