پيش بيني الگوي رشد شهري با به‌كارگيري مدل رگرسيون لجستيك در منطقه گرگان

Predicting of Urban Growth Pattern Using Logistic Regression Model in Gorgan Area

مدل سازي الگوي رشد شهري فني مهم براي درك فرايندهاي پيچيده رشد شهري است. در اين مطالعه، مدل رگرسيون لجستيك جهت پيش بيني الگوي رشد شهري در آينده به‌كار گرفته شد. به اين منظور، تصاوير ماهواره اي سال‏هاي 1988، 1998 و 2007 جهت تهيه نقشه-هاي كاربري زمين به‌كار گرفته شد. سپس، تغييرات ايجادشده در گستره شهري در فاصله زماني 1988-2007 شناسايي و مدل‏سازي تغييرات مناطق شهري و پيش بيني الگوي رشد شهري در آينده با به‌كارگيري مدل رگرسيون لجستيك انجام گرفت. نتايج اجراي مدل نشان داد گستره مناطق شهري در دوره زماني مورد مطالعه روند افزايشي داشته است. اعتبارسنجي نتايج مدل با محاسبه معيارهاي Pseudo- R2 و ROC انجام گرفت. مقدار اين معيارها به ترتيب، بيش از 27/0 و 83/0 به دست آمد كه مقاديري مطلوب‌اند. در مرحله بعد، الگوي رشد شهري براي سال‏هاي 2016 و 2025 پيش‏بيني شد. مطابق با نتايج، اقدامات مناسب براي كنترل تغييرات كاربري زمين به‌ويژه رشد شهرها به منظور حفظ محيط زيست و تعادل اكولوژيكي منطقه نياز است. نتايج مطالعه مي‏تواند به مديران و تصميم‏گيران جهت نظارت و جلوگيري از رشد بدون برنامه ريزي مناطق شهري كمك كند. نقشه‏هاي خروجي مدل را مي‌توان براي مديريت و كنترل الگوي رشد مناطق شهري در آينده به‌كار گرفت.

Modeling urban development patterns is an important technique for understanding complex urban growth processes. In this study, Logistic Regression model was conducted to model urban growth pattern of Gorgan area in North Iran, during the period 1988-2025. To do this, remotely sensed imagery of years 1988, 1998 and 2007 were used to produce land use maps. Also, dependent and independents variables were created to perform urban growth pattern modeling. Then, urban changes were detected during 1988 – 2007 and urban change modelling was achieved using Logistic Regression. After that, future urban grow pattern was predicted. The results indicated that urban areas have increased during study time period. Validation of model results was performed using Pseudo-R2 and ROC values which were more than 0.27and 0.83 respectively. Furthermore, Logistic Regression was applied to predict urban growth patterns for the years of 2016 and 2025. According to the results, appropriate implementations are needed to control land use changes, particularly urban growth, in order to preserve environmental as well as ecological balances of the area. The result could be help the managers to monitor and prevent the unplanned urban development in future. Model’s extracted maps can be used for managing and controlling future urban development.