آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,550 |
| تعداد مقالات | 18,888 |
| تعداد مشاهده مقاله | 63,327,463 |
| تعداد دریافت فایل اصل مقاله | 23,085,190 |
مدلسازی گسترش کالبدی شهری با روش اتوماتای سلولی (مطالعه موردی:شهر تبریز) | ||
| نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی | ||
| دوره 5، شماره 16، آبان 1404، صفحه 29-19 اصل مقاله (2.07 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/rsgi.2025.66330.1123 | ||
| نویسنده | ||
| سنا فروغی* | ||
| دانشجوی کارشناسی ارشدگروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز،تبریز،ایران | ||
| چکیده | ||
| گسترش شهری یکی از مسائل پیچیده و چالش‌برانگیز در برنامه‌ریزی شهری است. اتوماتای سلولی به عنوان یک روش شبیه‌سازی قدرتمند، برای مدلسازی و پیش‌بینی گسترش کالبدی شهری استفاده می‌شود. هدف از تحقیق حاضر، با استفاده از روش اتوماتای سلولی در جهت مدلسازی و تحلیل کالبدی شهر تبریز میباشددر این راستا به تحقیق بررسی تأثیر عوامل مختلف مانند: توسعه شهری و تغییرات در تراکم ساختار شهری با استفاده از مدل زنجیره مارکوف بر رشد کالبدی شهر تبریز است. برای دستیابی به این هدف، ابتدا تصاویر ماهواره‌ای مربوط به سال‌های 2017، 2019، 2021 و 2023 با استفاده از روش طبقه‌بندی حداکثر احتمال تحلیل و طبقه‌بندی شدند. پس از این مرحله، نقشه‌های کاربری اراضی شهر تبریز استخراج گردیدند. نتایج حاصل نشان‌دهنده گسترش قابل توجه مناطق مسکونی و در عین حال کاهش چشمگیر در اراضی بایر و اراضی کشاورزی در طول این دوره شش ساله بود. پیش‌بینی روند توسعه شهری در سال 2033 با بهره‌گیری از مدل زنجیره مارکوف با شاخص کاپای 81/14 انجام شده است. نتایج به‌دست‌آمده از تحلیل‌های انجام شده با استفاده از مدل‌ها نشان می‌دهد که شهر تبریز در مراحل مختلف توسعه و گسترش خود به صورت متمرکز و هسته‌ای در حال پیشرفت و گسترش است. این پیشرفت در تمامی جهات و ابعاد بخصوص از شرق شهر به وضوح قابل مشاهده است. بنابراین، تأکید بر استفاده از مدل‌های پیشرفته‌تر مانند زنجیره مارکوف می‌تواند به بهبود دقت پیش‌بینی‌ها و تحلیل‌های مربوط به تغییرات کاربری اراضی کمک شایانی نماید. از نتایج این پژوهش می‌توان در تصمیم‌گیری‌های شهرسازی و مدیریت منابع شهری استفاده کرد. | ||
تازه های تحقیق | ||
در این تحقیق، به منظور روشن‌سازی تغییرات، از روش مقایسه پس از طبقه‌بندی و همچنین جدول‌بندی افقی استفاده گردید. ارزیابی تغییرات کاربری اراضی بین سال‌های 2017 تا 2023 نشان‌دهنده افزایش مساحت در مناطق شهری و مسکونی به میزان تقریبی 1700 هکتار، مراتع 141 هکتار و کاهش مساحت در زمین‌های بایر به میزان 1000 هکتار، پوشش گیاهی 7/0 هکتار، پهنه آبی 7/0 هکتار و اراضی کشاورزی به مقدار 793 هکتار بود. از این پژوهش این نتیجه حاصل شد که، بیشترین افزایش مساحت در نواحی شهری اتفاق افتاده است. این مناطق در طی دوره 8 ساله، حدود 1746.9 هکتار از کاربری‌های دیگر را به خود اختصاص داده‌اند که بیشترین سهم آن شامل 670 هکتار از مراتع، 570 هکتار از اراضی کشاورزی و 480 هکتار از زمین‌های بایر میباشد. نتایج تغییرات کاربری‌ها در سال‌های مورد بررسی نشان می‌دهد که شهر تبریز به دلیل افزایش مهاجرپذیری، به سرعت توسعه یافته و تحولات اساسی در ساختار و بافت داخلی آن ایجاد شده است. در بسیاری از مطالعات قبلی که به تحلیل توسعه فیزیکی شهرها پرداخته‌اند، تنها روند این توسعه در یک بازه زمانی خاص مورد بررسی قرار گرفته و در بسیاری از این تحقیقات، توسعه فیزیکی شهرها تا زمان حاضر ارزیابی شده است. در تحقیق حاضر، علاوه بر ارزیابی روند توسعه فیزیکی شهر تبریز در چهار دوره زمانی مربوط به سال‌های 2017، 2019 ، 2021و 2023 با استفاده از مدل زنجیره مارکوف، پیش‌بینی توسعه آن تا سال 2033 نیز انجام شده است. همچنین، نحوه توسعه فیزیکی محدوده مطالعاتی در ارتباط با وضعیت ژئومورفولوژیکی منطقه نیز مورد بررسی قرار گرفته است.همچنین، در نتایج این پژوهش، تغییرات تأثیرات قابل توجهی بر اراضی کشاورزی و زمین‌های بایر داشته است. علاوه بر این، در دوره مذکور، اراضی کشاورزی کاهش مساحت داشته که بیشترین میزان آن توسط نواحی ساخته‌شده تصرف شده است. با توجه به این‌که جلوگیری از گسترش سطح اراضی مسکونی به عنوان پاسخی به افزایش جمعیت و جریان یک‌سویه مهاجرت از روستاها به شهرها برای اسکان و ایجاد اشتغال و رشد اقتصادی، فرآیندی غیرقابل اجتناب به نظر می‌رسد، ارائه راهکارهای مدیریتی مناسب، نظیر ایجاد و توسعه شهرک‌های صنعتی و شناسایی و مکان‌یابی مناطق جدید برای توسعه شهری و صنعتی، کاملاً ضروری است. شهر تبریز در مراحل گوناگون رشد خود به شکل متمرکز و از تمام جهات در حال گسترش میباشد. مدل CA-Markov، که ترکیبی از دو مدل زنجیره مارکوف و سلول‌های خودکار است، به‌طور گسترده‌ای برای پیش‌بینی تغییرات کاربری اراضی مورد استفاده قرار می‌گیرد. این مدل به تحلیل و شبیه‌سازی تغییرات فضایی و زمانی کاربری زمین کمک می‌کند و به‌ویژه در مطالعات مربوط به مدیریت منابع طبیعی و برنامه‌ریزی شهری اهمیت دارد. این مدل ابزاری قدرتمند برای پیش‌بینی و تحلیل تغییرات کاربری اراضی است که با ترکیب ویژگی‌های زنجیره مارکوف و سلول‌های خودکار، امکان بررسی دقیق‌تر روندهای فضایی و زمانی را فراهم می‌آورد. این مدل به ویژه در زمینه‌های مدیریت منابع طبیعی و برنامه‌ریزی شهری کاربردهای فراوانی دارد. بر اساس نتایج به‌دست‌آمده از این پژوهش، مقایسه‌ای میان نقشه شبیه‌سازی شده و نقشه مرجع که از طبقه‌بندی تصویر سال 2021 استخراج شده بود، انجام شد تا توانمندی مدل CA-Markov مورد بررسی قرار گیرد. این مقایسه نشان‌دهنده دقت و صحت مدل ترکیبی سلول‌های خودکار و زنجیره مارکوف در پیش‌بینی تغییرات آینده کاربری اراضی بود. به‌طور خاص، شاخص کاپای محاسبه شده برای این مدل برابر با 14/81 بود که حاکی از قابلیت بالای آن در شبیه‌سازی و پیش‌بینی تغییرات کاربری زمین میباشد. این یافته‌ها به وضوح نشان می‌دهند که مدل CA-Markov می‌تواند به عنوان ابزاری مؤثر در تحلیل و پیش‌بینی تحولات آتی در زمینه کاربری اراضی مورد استفاده قرار گیرد. | ||
| کلیدواژه‌ها | ||
| اتوماتای سلولی؛ زنجیره مارکوف؛ شهر تبریز؛ مدلسازی | ||
| اصل مقاله | ||
|
گسترش شهری یکی از مسائل پیچیده و چالش‌برانگیز در برنامه‌ریزی شهری است. در حال حاضر، شهرها با تغییرات مکرر و پیشرفت فناوری با تحولات عمده از جمله جمعیت، تراکم جمعیتی، تغییرات اقتصادی و اجتماعی رو‌برو هستند. اتوماتای سلولی به عنوان یک روش شبیه‌سازی کامپیوتری قدرتمند، برای مدلسازی و پیش‌بینی گسترش کالبدی شهری استفاده می‌شود. هدف از تحقیق حاضر، با استفاده از روش اتوماتای سلولی در جهت مدلسازی و تحلیل کالبدی شهر تبریز میباشد. در این راستا به تحقیق بررسی تأثیر عوامل مختلف مانند رشد جمعیت، توسعه شهری، تغییرات در تراکم ساختار شهری و سیاست‌های شهرسازی با استفاده از مدل زنجیره مارکوف بر رشد کالبدی شهر تبریز است. با استفاده از این روش، می‌توان تغییرات آینده شهر را پیش‌بینی کرده و تأثیر تصمیمات مختلف شهرسازی را بر روی کالبد شهر تحلیل کرد. برای دستیابی به این هدف، ابتدا تصاویر ماهواره‌ای مربوط به سال‌های 2017، 2019، 2021 و 2023 با استفاده از روش طبقه‌بندی حداکثر احتمال تحلیل و طبقه‌بندی شدند. پس از این مرحله، نقشه‌های کاربری اراضی شهر تبریز استخراج گردیدند. نتایج حاصل از آشکارسازی تغییرات نشان‌دهنده گسترش قابل توجه مناطق مسکونی و در عین حال کاهش چشمگیر در اراضی بایر و اراضی کشاورزی در طول این دوره شش ساله بود. این تغییرات به وضوح نمایانگر تحولات اساسی در ساختار کاربری اراضی شهر تبریز است و می‌تواند به عنوان مبنایی برای برنامه‌ریزی‌های آینده و مدیریت منابع طبیعی در این منطقه مورد استفاده قرار گیرد. پیش‌بینی روند توسعه شهری در سال 2033 با بهره‌گیری از مدل زنجیره مارکوف با شاخص کاپای 14/81 انجام شده است. نتایج این تحلیل‌ها حاکی از آن است که مدل مارکوف از دقت بسیار خوبی در شبیه‌سازی و پیش‌بینی تغییرات کاربری اراضی برخوردار است. علاوه بر این، نتایج به‌دست‌آمده از تحلیل‌های انجام شده با استفاده از مدل‌ها نشان می‌دهد که شهر تبریز در مراحل مختلف توسعه و گسترش خود به صورت متمرکز و هسته‌ای در حال پیشرفت و گسترش است. این پیشرفت در تمامی جهات و ابعاد مختلف به وضوح قابل مشاهده است، که نشان‌دهنده روند رو به رشد و تحولات اساسی در ساختار شهری این منطقه میباشد. بنابراین، تأکید بر استفاده از مدل‌های پیشرفته‌تر مانند زنجیره مارکوف می‌تواند به بهبود دقت پیش‌بینی‌ها و تحلیل‌های مربوط به تغییرات کاربری اراضی کمک شایانی نماید. از نتایج این پژوهش می‌توان در تصمیم‌گیری‌های شهرسازی و مدیریت منابع شهری استفاده کرد. همچنین، این تحقیق می‌تواند به توسعه پایدار و بهبود کیفیت زندگی در شهر تبریز کمک کند. | ||
| مراجع | ||
|
Ghanbari, A., & Heydarinia, S. A. (2016). Land management and urban network analysis of Hamadan province (1976-2011). Retrieved from https://civilica.com/doc/1808208 (In Persian) Karimzadeh Motlagh, Z., Lotfi, A., Pourmanafi, S., & Ahmadizadeh, S. S. R. (2022). Evaluation and prediction of land use changes using CA_Markov model. Journal of Geography and Regional Planning, 33(2), 67-84. https://doi.org/10.22108/gep.2022.131858.1525 (In Persian) Kazem, A. H., Hosseinali, F., & Alesheikh, A. A. (2015). Urban growth modeling using medium resolution satellite imagery based on cellular automata (Case study: Tehran). Scientific-Research Quarterly of Geographical Data (SEPEHR), 24(94), 45-58. https://doi.org/10.22131/sepehr.2015.14476 (In Persian) Maleki, M., Malekani, L., & Valizadeh Kamran, K. (2019). Modeling the occurrence and spread of fire front using cellular automata method (Case study: Arasbaran protected area). Natural Environment, Iranian Journal of Natural Resources, 37(1), 1-15. https://doi.org/10.22059/jne.2020.286679.1785 (In Persian) Mirakhourlo, M. S., & Rahimzadegan, M. (2018). Land use change modeling using Markov-cellular automata model and multi-criteria decision making in Talar watershed. Journal of Geomatics Science and Technology, 8(1), 85-99. https://doi.org/10.22108/gep.2022.130601.1458 (In Persian) Nazemfar, R., Mohammadzadeh, P., & Ghanbari, A. (2013). Residential location choice by households in Tabriz city. In National Conference on Sustainable Architecture and Urban Development, Bukan, Iran. https://civilica.com/doc/214227 (In Persian) Rezazadeh, R., & Mirahmadi, M. (2009). Cellular automata model, a new approach in urban growth simulation. Technology of Education Journal, 4(1), 47-55. https://sid.ir/paper/155505/fa (In Persian) Abolhasani, S., Taleai, M., Karimi, M., & Rezaee Node, A. (2016). Simulating urban growth under planning policies through parcel-based cellular automata (ParCA) model. International Journal of Geographical Information Science, 30(11), 2276-2301. https://doi.org/10.1080/13658816.2016.1184271 Duan, Y. (2014). Relative radiometric correction methods for remote sensing images and their applicability analysis. National Remote Sensing Bulletin, 3(2), 24-32. https://doi.org/10.11834/jrs.20143204 Feng, L., Xusheng, L., Dan, H., Rusong, W., Wenrui, Y., Dong, L., & Dan, Z. (2009). Measurement indicators and an evaluation approach for assessing urban sustainable development: A case study for China's Jining City. Landscape and Urban Planning, 90(3-4), 134-142. https://doi.org/10.1016/j.landurbplan.2008.11.007 Gordon, E., & Meentemeyer, R. K. (2006). Effects of dam operation and land use on stream channel morphology and riparian vegetation. Geomorphology, 82(3), 412-429. https://doi.org/10.1016/j.geomorph.2006.06.001 Hasegawa, M., Kishino, H., & Saitou, N. (1991). On the maximum likelihood method in molecular phylogenetics. Journal of Molecular Evolution, 32(5), 443-445. https://doi.org/10.1007/BF02101285 Li, J., Pei, Y., Zhao, S., Xiao, R., Sang, X., & Zhang, C. (2020). A review of remote sensing for environmental monitoring in China. Remote Sensing, 12(7), 1130. https://doi.org/10.3390/rs12071130 Navin, M. S., Agilandeeswari, L., & Anjaneyulu, G. S. G. N. (2020). Dimensionality reduction and vegetation monitoring on LISS III satellite image using principal component analysis and normalized difference vegetation index. In 2020 International Conference on Emerging Trends in Information Technology and Engineering (ic-ETITE) (pp. 1-6). https://doi.org/10.1109/ic-ETITE47903.2020.466 Otgonbayar, M., Badarifu, T., Ranatunga, T., Onishi, T., & Hiramatsu, K. (2018). Cellular automata modelling approach for urban growth. Robotics and Autonomous Systems, 6, 93-104. https://doi.org/10.7831/RAS.6.93-104 Peters, G. A. (1991). Azolla and other plant-cyanobacteria symbioses: Aspects of form and function. Plant and Soil, 137(1), 25-36. https://doi.org/10.1007/BF02101285 Pontius, R. G., & Malanson, J. (2005). Comparison of the structure and accuracy of two land change models. International Journal of Geographical Information Science, 19(2), 243-262. https://doi.org/10.1080/13658810410001713434 Ranneby, B. (2016). The maximum spacing method: An estimation method related to the maximum likelihood method. Scandinavian Journal of Statistics. https://doi.org/10.1002/sjss.2016.691c48e38ca53297fef723dfb6ee858454972010 Rumora, L., Miler, M., & Medak, D. (2020). Impact of various atmospheric corrections on Sentinel-2 land cover classification accuracy using machine learning classifiers. ISPRS International Journal of Geo-Information, 9(4), 277. https://doi.org/10.3390/ijgi9040277 Shimizu, E. (2019). Satellite remote sensing. In Dictionary of geotourism (pp. 2152). Springer. https://doi.org/10.1007/978-981-13-2538-0_2152 Wang, S., Zheng, X., & Zang, X. (2012). Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences, 13, 1238-1245. https://doi.org/10.1016/j.proenv.2012.01.114 Ye, B., & Bai, Z. (2007). Simulating land use/cover changes of Nenjiang County based on CA-Markov model. In Computer and Computing Technologies in Agriculture, Volume I (pp. 321–329). https://doi.org/10.1007/978-1-4020-6320-6_40 UnitedNations, (2014). Human Development Report, New York: 10017 | ||
|
آمار تعداد مشاهده مقاله: 416 تعداد دریافت فایل اصل مقاله: 234 |
||