كليدواژه :
ﻧﻘﺸﻪ ﺧﻮد ﺳﺎزﻣﺎن دﻫﻨﺪه , اﻧﺘﺨﺎب وﯾﮋﮔﯽ , ﻣﺪلﺳﺎزي رﺷﺪ ﻓﯿﺰﯾﮑﯽ ﺷﻬﺮ , رﮔﺮﺳﯿﻮن ﻟﺠﺴﯿﺘﮏ , ﭘﺮﺳﭙﺘﺮون ﭼﻨﺪﻻﯾﻪ
چكيده فارسي :
در تجزيه و تحليل و مدل‌سازي رشد فيزيكي شهر معمولاً عوامل اقتصادي- اجتماعي به دليل عدم دسترسي به اين داده‌ها ناديده گرفته مي‌شوند. به همين دليل در مدل‌سازي رشد فيزيكي شهرها تاكنون بر ايجاد لايه‌هاي اطلاعاتي از اين نوع داده‌ها كمتر كار شده است. اين مطالعه با هدف معرفي روشي كارا به منظور ايجاد لايه‌هاي اطلاعاتي براي داده‌هاي اقتصادي- اجتماعي و استفاده از اين لايه‌هاي اطلاعاتي در كنار لايه‌هاي اطلاعاتي مستخرج از تصاوير ماهواره‌اي لندست و اطلاعات پيمايش زميني به منظور مدل‌سازي رشد فيزيكي شهر كرج انجام شد. بدين منظور پس از ايجاد لايه‌هاي اطلاعاتي مختلف با اهميت‌ترين متغيرهاي مؤثر در رشد شهري با روش انتخاب ويژگي جنگل تصادفي تعيين گرديد و سپس مدل‌سازي رشد فيزيكي شهر كرج براي سال‌هاي 2000 تا 2010 با استفاده از روش‌هاي رگرسيون لجستيك چند متغيره، پرسپترون چندلايه و روش نقشه خود سازمان‌دهنده انجام شد. نتايج نشان داد كه استفاده از با اهميت‌ترين متغيرهاي مؤثر به عنوان ورودي در روش نقشه خود سازمان‌دهنده با دقت كلي 84.47، كاپا 68.93، ROC برابر با 90.72، FOM برابر با 43.98 و PCM برابر با 84.47 از عملكرد بهتري برخوردار بود، همچنين استفاده از خصيصه‌هاي اجتماعي- اقتصادي پيشنهاد شده در اين تحقيق در كنار داده‌هاي سنجش ازدور مي‌تواند به ارتقا عملكرد روش پيش‌بيني كننده كمك نمايد. سرانجام با استفاده از سلول‌هاي خودكار پيش‌بيني رشد فيزيكي شهر در سال‌هاي 2017 و 2027 انجام گرديد.
چكيده لاتين :
Urban physical growth is affected by different parameters including environmental, neighborhood and socio-economic factors; however, socio-economic variables are often ignored due to the lack of socio-economic information, especially in developing countries, when the urban physical growth analysis and modeling is the aim. Accordingly, there is not many studies conducted to develop GIS-based socio-economic layers to be used along with common data, such as slope, distance to the roads and so on, in urban physical growth modeling. Therefore, this study aims to introduce an efficient method to generate GIS-based socio-economic layers to be exploited along with the information layers extracted from Landsat images and field-collected data for physical growth modeling of Karaj city. After generating the required information layers, random forest feature selection method was applied to select the most important variables. Then, the performance of the three modeling methods including multiple logistic regression, and two artificial neural networks, multi-layer perceptron (MLP) and self-organizing map (SOM) were compared using the selected attributes to model the urban physical growth from 2000 to 2010. The results indicated that SOM with overall accuracy of 84.5%, kappa coefficient of 68.9%, ROC of 90.7%, FOM of 43.98% and PCM of 84.5% performed better than the other methods for modelling of urban physical growth. Moreover, the proposed socio-economic attributes combined with the remote sensing-based data were able to improve the performance of the urban physical growth prediction. Finally, cellular automata was applied to predict the Karaj physical growth in 2017 and 2027.
