استفاده از زنجيره ماركوف، MOLA و فيلتر همسايگي به منظور توسعه و افزايش كارآيي رگرسيون منطقي در پيش‌بيني تغييرات چندگانه كاربري اراضي؛ مطالعه موردي: شهر تهران

Using of Markov Chain, MOLA, and Neighborhood filter for developing and increasing the efficiency of Logistic Regression to predict multiple land-use changes, a case study: Tehran

براي پيش‌بيني دقيق‌تر آينده شهر بايد مدل‌سازي براي تمام كاربري‌هاي موجود در شهر انجام گيرد. روش رگرسيون منطقي تنها قادر به مدل‌سازي توسعه شهر به صورت دو متغيره (شهري و غيرشهري) است. هم‌چنين اين روش در مرحله تخصيص مكاني، تاثير پارامتر همسايگي را در نظر نمي گيرد. با توجه به اين موضوع، هدف اصلي اين مقاله ارايه روشي جهت مدل سازي چندگانه تغييرات كاربري اراضي و اعمال پارامتر همسايگي در مرحله تخصيص مكاني است تا بدين ترتيب دقت مدل سازي افزايش يابد. در روش پيشنهادي، ابتدا مدل‌سازي با استفاده از رگرسيون منطقي براي هر كاربري به صورت مجزا انجام گرفت. در اين تحقيق، نتايج حاصل از رگرسيون منطقي به‌عنوان نقشه شايستگي براي تخصيص مكاني، با استفاده از روش هاي زنجيره ماركوف و تركيبي همسايگي و تخصيص چندهدفه زمين (MOLA) با هم تركيب شدند و نقشه كاربري اراضي سال هدف تهيه شد. بنابراين در اين تحقيق با استفاده از نقشه كاربري اراضي سال‌هاي 2002 و 2008 و با تاثير پارامتر همسايگي، نقشه كاربري اراضي سال 2014 پيش بيني گرديد و با مقايسه آن با نقشه مرجع سال 2014 دقت مدل‌سازي به دست آمد. نقشه‌هاي مرجع كاربري اراضي با طبقه بندي تصاوير ماهواره لندست در سال هاي 2002، 2008 و 2014 با روش ماشين بردار پشتيبان به دست آمدند. اين روش در چهار حالت مختلف اجرا شد. در سه حالت، تاثير همسايگي با كرنل هاي 3×3، 5×5 و 7×7 مورد بررسي قرار گرفت و در حالت آخر پيش بيني بدون در نظر گرفتن همسايگي انجام شد. سپس دقت چهار حالت با استفاده از نقشه مرجع سال 2014 با يكديگر مقايسه شد. دقت روش با استفاده از معيارهاي دقت كلي، شاخص كاپا و كاپاي مكاني در بهترين حالت به ترتيب 26/84 درصد، 35/76 درصد و 3/79 درصد به دست آمد. سپس، دقت مدل سازي هر كاربري نيز به صورت جداگانه با استفاده از روش ROC ارزيابي شد كه نتايج نشان از توانايي بالاي روش پيشنهادي داشت. درنهايت نقشه كاربري اراضي سال 2020 در دو سناريو مختلف پيش بيني شد.

To reach a more accurate prediction of future of a city, modeling must be done for all land-uses of the town. Logistic regression only can model a bivariate urban growth, i.e., urban and non-urban. Also, this method cannot consider the neighborhood effects in the allocation process. Due to this issue, the aim of this paper is to provide a method for modeling multiple land-use changes and applying the neighborhood parameter in allocation process, and thereby increasing the accuracy of modeling. So, in this article, we predicted the land-use map of the year 2014, using the land-use maps of the years 2002 and 2008 by considering the effects of the neighborhood parameter and by comparing the predicted land-use map of the year 2014 with the reference map of 2014, the accuracy of the model was obtained. Reference land-use maps were obtained using classification of Landsat images of 2002, 2008, and 2014 using the Support Vector Machine (SVM) method. In the proposed method, the first modeling was performed separately using the Logistic Regression method for each land-use. Then the results of the Logistic Regression as a Competency Map for allocation process were combined with the Markov Chain and a combined method of MOLA-Neighborhood to obtain the land-use map of 2014. The procedure was performed in 4 different scenarios. In three of them, the neighborhood effects was considered as 3×3, 5×5, and 7×7 kernel and in the last one, modeling was performed without considering neighborhood effects. The accuracy of 4 scenarios was compered using the reference map of 2014. In the best scenario the accuracy of method was obtained using overall accuracy, kappa index and location about 84.26 % and 76.35 %, and 79.3 %. Finally, the accuracy of each land-use category was evaluated separately using the ROC, which indicates the capability of the proposed approach of this paper. Finally, the land-use map of the year 2020 was predicted in two different scenarios.