آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,513 |
| تعداد مقالات | 18,481 |
| تعداد مشاهده مقاله | 60,385,307 |
| تعداد دریافت فایل اصل مقاله | 21,372,364 |
پیشبینی رشد شهری ارومیه با رویکرد ترکیبی یادگیری عمیق و زنجیره مارکوف با دادههای محدود | ||
| نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی | ||
| دوره 6، شماره 20، مهر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/rsgi.2026.72716.1162 | ||
| نویسندگان | ||
| سارا بهشتی فر* ؛ صادق احمدونداقدم | ||
| دانشگاه تبریز | ||
| چکیده | ||
| پیشبینی توسعه فیزیکی شهرها نقش کلیدی در جلوگیری از تخریب پوشش گیاهی و زمینهای کشاورزی و تحقق توسعه پایدار شهری دارد. پژوهش حاضر با هدف پیشبینی توسعه شهری ارومیه با رویکرد ترکیبی یادگیری عمیق و مدل خودکار سلولی زنجیره مارکوف و با دادههای محدود سری زمانی انجام شد. سه تصویر لندست (۲۰۰۲، ۲۰۱۳، ۲۰۲۴) پس از تصحیحات رادیومتریک و اتمسفری، با دو روش شبکه عصبی کانولوشنی و ماشین بردار پشتیبان طبقهبندی شدند. نقشههای دقیقتر برای شبیهسازی تغییرات تا سال ۲۰۳۵ وارد مدل خودکار سلولی زنجیره مارکوف گردیدند. اعتبارسنجی مدل مذکور با مقایسه نقشه پیشبینی شده و نقشه واقعی سال ۲۰۲۴ انجام گرفت. روش شبکه عصبی کانولوشنی در هر سه مقطع برتری داشت: میانگین دقت کلی این روش حدود ۸۸ درصد (ضریب کاپای ۰.۸۳) و میانگین دقت ماشین بردار پشتیبان حدود ۸۱ درصد (ضریب کاپای ۰.۷۴) بهدست آمد. در بازه ۲۰۰۲‑۲۰۲۴، مساحت اراضی شهری از ۶,۰۴۶ به ۹,۰۳۰ هکتار افزایش (سهم از ۲۴٪ به ۳۷٪) و اراضی بایر از ۸,۶۳۵ به ۵,۸۳۶ هکتار کاهش یافته است (سهم از ۳۵٪ به ۲۴٪). پیشبینی برای سال ۲۰۳۵ نشان میدهد که سهم اراضی شهری به ۳۸ درصد (۹,۳۰۶ هکتار) و سهم اراضی بایر به ۲۱ درصد (۵,۲۶۱ هکتار) خواهد رسید. رویکرد ترکیبی شبکه عصبی کانولوشنی و مدل خودکار سلولی زنجیره مارکوف با دادههای محدود (سه مقطع زمانی) بدون نیاز به معماریهای پیچیده، ابزاری کارآمد و قابل اتکا برای پیشبینی توسعه شهری ارائه میدهد و میتواند در برنامهریزی پایدار ارومیه مؤثر باشد. | ||
| کلیدواژهها | ||
| پیشبینی رشد شهری؛ طبقهبندی تصاویر؛ شبکه عصبی کانولوشنی؛ ارومیه؛ ماشین بردار پشتیبان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 7 |
||