مدل‌سازی کاربری اراضی شهری به‌عنوان یک موضوع تحقیقاتی در دهه گذشته توجه بیشتری را به خود جلب کرده است. این امر به پیشرفت در فناوری سنجش از دور و محاسبات نسبت داده شده است که اکنون می تواند چندین مدل را به طور همزمان در سطوح منطقه ای و محلی پردازش کند. در این تحقیق ما یک مدل رشد شهری (UGM) اتوماتای ​​سلولی (CA) را که در چارچوب مدل‌سازی XULU (پلت‌فرم مدل‌سازی کاربری یکپارچه eXtendable) یکپارچه شده است، اجرا کردیم. ما از مجموعه‌های تصویر ماهواره‌ای لندست چند زمانی برای سال‌های 1986، 2000 و 2010 برای نقشه‌برداری کاربری زمین شهری در نایروبی استفاده کردیم. ما همچنین اثرات فضایی ضرایب مدل های مختلف را آزمایش کردیم. این رویکرد عملکرد مدل را بهبود بخشید و به درک دینامیک سیستم کاربری زمین شهری خاص که در منطقه مورد مطالعه نایروبی ما عمل می‌کند کمک کرد. UGM برای نایروبی کالیبره شد و توسعه پیش بینی شده برای این شهر برای سال 2030 استخراج شد، زمانی که کنیا قصد دارد به چشم انداز 2030 دست یابد. تغییرات کاربری زمین مشاهده شده در مناطق شهری با نتایج مدل سازی UGM برای سال 2010 مقایسه شد. نتایج نشان می دهد. که تغییر ضرایب مدل UGM رشد شهری را در جهات و بزرگی های مختلف شبیه سازی می کند. این رویکرد برای برنامه‌ریزان و سیاست‌گذاران مفید است زیرا خروجی‌های مدل می‌توانند مناطق خاصی را در مجموعه شهری شناسایی کنند که به زیرساخت‌ها و امکانات رفاهی برای تحقق توسعه پایدار نیاز دارند. نتایج نشان می دهد که تغییر ضرایب مدل UGM رشد شهری را در جهات و بزرگی های مختلف شبیه سازی می کند. این رویکرد برای برنامه‌ریزان و سیاست‌گذاران مفید است زیرا خروجی‌های مدل می‌توانند مناطق خاصی را در مجموعه شهری شناسایی کنند که به زیرساخت‌ها و امکانات رفاهی برای تحقق توسعه پایدار نیاز دارند. نتایج نشان می دهد که تغییر ضرایب مدل UGM رشد شهری را در جهات و بزرگی های مختلف شبیه سازی می کند. این رویکرد برای برنامه‌ریزان و سیاست‌گذاران مفید است زیرا خروجی‌های مدل می‌توانند مناطق خاصی را در مجموعه شهری شناسایی کنند که به زیرساخت‌ها و امکانات رفاهی برای تحقق توسعه پایدار نیاز دارند.

کلید واژه ها:

مدل رشد شهری، اتوماتای ​​سلولی، XULU، ضرایب مدل، پیش‌بینی، توسعه پایدار

1. مقدمه

مطالعات مدلسازی شهری در حال حاضر به عنوان یک جزء ضروری برای تحلیل های پیچیده محیطی متعدد در نظر گرفته می شود [ 1 ]. این مطالعات نقش حیاتی در برنامه ریزی پایدار ایفا می کنند و برای برنامه ریزی توسعه شهری آینده بسیار مهم هستند. طی چند دهه گذشته، شهرهای جنوب صحرای آفریقا نرخ رشد بسیار سریعی را تجربه کرده اند. نایروبی با نرخ رشد 4.9 درصدی بین سالهای 1990 و 2006 رشد کرد [ 2 ].

این نرخ های رشد بالا عمدتاً به دلیل مهاجرت وسیع روستایی/شهری به شهرهای آفریقایی بوده است زیرا مردم به دنبال شغل و استانداردهای زندگی بهتر هستند. این امر منجر به فشار بر زیرساخت ها و امکانات شهری موجود شده است [ 3 ]. مشکلات مرتبط با توسعه شهری پایدار در شهرهای آفریقا بسیار متنوع و پیچیده است و راه حل ها نیازمند یک رویکرد یکپارچه هستند. برای مؤثر بودن، چنین رویکرد برنامه ریزی شهری یکپارچه باید به برنامه ریزان اجازه دهد تا پویایی های شهری و پیامدهای آن را شناسایی و پیش بینی کنند [ 4 ].

مدل‌سازی یکی از روش‌های موجود در مجموعه ابزارها و تکنیک‌های موجود برای توصیف پویایی سیستم کاربری زمین است [ 5 ]. Von Neumann [ 6 ] یکی از پیشگامان اولیه اتوماتای ​​سلولی (CA) بود و Tobler [ 7 ] اولین بار CA را در جغرافیا به کار برد. مدل های مبتنی بر CA در دهه های گذشته در شبیه سازی رشد و الگوهای توسعه شهری تکامل یافته اند [ 8 ]. مدل‌های CA در شبیه‌سازی فعل و انفعالات فضایی پویا با ترکیب متغیرهای تغییر کاربری بیوفیزیکی و اجتماعی-اقتصادی زمین [ 9 ] – [ 11 ] با موفقیت مورد استفاده قرار گرفته‌اند.] . CA پتانسیل را در نمایش و شبیه سازی پیچیدگی فرآیندهای اساسی درگیر در رشد شهری و تغییر کاربری زمین نشان داده است و سطح بیشتری از دانش و درک تغییرات مکانی و زمانی را ارائه کرده است [ 12 ]

در این مطالعه، ما یک مدل رشد شهری مبتنی بر XULU (UGM) را برای نایروبی اجرا کردیم. مرجع [ 13 ] این UGM را توسعه داد و برای اولین بار آن را در ایالت فدرال آلمان نوردراین وستفالن به کار برد. UGM بر اساس الگوریتم مدل سازی مدل SLEUTH [ 14 ] است که از مفهوم اتوماتای ​​سلولی استفاده می کند. برای تجزیه و تحلیل ما از نایروبی، کالیبراسیون UGM بر اساس پنج پارامتر مدل توصیف شده در مدل رشد شهری SLEUTH [ 15 ] [ 16 ] بود. کالیبراسیون مدل با استفاده از مجموعه داده های کاربری زمین برای سال های 1986 و 2010 انجام شد.

توجه کمی به اثرات فضایی تغییر سیستماتیک هر پارامتر UGM هنگام اجرای مدل شده است. این تحقیق یکی از اولین تلاش‌ها برای پرداختن به این موضوع است و پس از کالیبراسیون مدل موفق، ما بر روی اثرات فضایی پارامترهای مدل مختلف تمرکز کردیم. هدف ما تجزیه و تحلیل سیستماتیک و مستندسازی سهم هر پارامتر مدل در شبیه‌سازی رشد شهری بود. داده‌های کاربری زمین شهری برای نایروبی از داده‌های تصویری سالانه Landsat که در سال‌های 1986، 2000 و 2010 به دست آمد، استخراج شد. پارامترهای مدل در 31 شبیه‌سازی جداگانه اصلاح و آزمایش شدند. نتایج نشان می‌دهد که اثرات فضایی قابل‌توجهی در الگوهای کاربری زمین شهری شبیه‌سازی‌شده بین سال‌های 1986 و 2010. این مدل برای پیش‌بینی توسعه کاربری شهری آینده در سال 2030 استفاده شد.17 ] .

2. منطقه مطالعه

نایروبی، پایتخت کنیا، بین عرض‌های جغرافیایی 1˚09 و 1˚28′ جنوبی، و طول جغرافیایی 36˚04′ و 37˚10′ شرقی امتداد دارد. مساحت این شهر 696 کیلومتر مربع است و در ارتفاع متوسط ​​1700 متری از سطح دریا قرار دارد ( شکل 1 ). نایروبی از پیش‌بینی نقشه جنوبی WGS 84 Universal Transverse Mercator (UTM) 37 استفاده می‌کند. این شهر در محدوده اداری خود شامل کاربری های شهری، کشاورزی و مرتعی و همچنین مناطق باز/انتقالی و بقایای جنگل های استوایی همیشه سبز است. نایروبی نرخ رشد سالانه جمعیت بالایی در مقایسه با سایر شهرهای آفریقا دارد. از جمعیت 310000 نفری در سال 1960، جمعیت در سال 1970 به 510000 نفر رسید (جمهوری کنیا، 1970)، 828000 نفر در سال 1979 [ 18 ]، 1،321،000 در سال 1989 [ 19 ]] , 2,137,000 در سال 1999 [ 20 ] و 3,138,369 در سال 2009 [ 21 ] . جمعیت پیش بینی شده در سال 2020 تقریباً شش میلیون نفر خواهد بود [ 22 ]. 75 درصد از جمعیت شهر در سکونتگاه های غیررسمی زندگی می کنند [ 22 ].

3. مدل سازی رشد شهری نایروبی

رویکرد ما به مدل‌سازی رشد شهری نایروبی از اطلاعات مشتق‌شده از داده‌های ماهواره‌ای چندزمانی Landsat در ترکیب با مجموعه داده‌های اضافی شیب، جاده‌ها و یک لایه حذف استفاده کرد. شکل 2 جریان پردازش داده توسعه یافته برای این مدل رشد شهری را نشان می دهد. مرجع [ 23 ] XULU را به عنوان یک چارچوب مدل‌سازی توسعه داد که یکپارچه‌سازی و پیاده‌سازی مدل را با استفاده از توابع لازم ذخیره‌سازی داده، روش‌های ورودی/خروجی، اجرای مدل، ویرایش و تجسم امکان‌پذیر می‌سازد. اولین استفاده از XULU برای محاسبه کاربری های آینده پیش بینی شده تحت سناریوهای تغییر مختلف با شرایط مرزی خاص آنها برای یک حوزه آبخیز در بنین بود [ 24 ].

UGM در پلت فرم مدل سازی XULU به عنوان اصلاح رویکرد SLEUTH پیاده سازی شده است

شکل 1 . مرز اداری شهر نایروبی (منبع: کامپوزیت رنگ کاذب با استفاده از باندهای 4، 3، 2، لندست 2010).

شکل 2 . فلوچارت برای مدل سازی رشد شهری.

[ 11 ] [ 13 ] . UGM به چهار پارامتر ورودی فضایی نیاز دارد: کاربری زمین شهری، حمل و نقل، شیب و طرد. لایه حذف، مناطقی را در داخل سایت مطالعه که قابل تغییر نیستند (مثلاً بدنه‌های آبی یا مناطق حفاظت‌شده) یا مناطقی را مشخص می‌کند که در صورت عدم حذف، تا حدی در برابر شهرنشینی مقاوم هستند. لایه حمل و نقل نشان دهنده شبکه راه در یک منطقه تحقیقاتی است. در حالی که SLEUTH برای محاسبه مجموعه ای از ضرایب کالیبراسیون به حداقل چهار مجموعه داده کاربری زمین شهری نیاز دارد [ 16 ]]، UGM اصلاح شده در XULU فقط به یک نقشه برای سال شروع مرحله کالیبراسیون و یک نقشه مرجع در سال پایانی نیاز دارد. منطقه شهری شبیه‌سازی‌شده در پایان سال با نقشه مرجع با استفاده از روش اعتبارسنجی وضوح چندگانه (MRV) همانطور که در مرجع [ 25 ] توضیح داده شد، مقایسه می‌شود.

کالیبراسیون مهمترین مرحله در هر برنامه مدلسازی است [ 15] . در مرحله کالیبراسیون UGM از روش “بروت فورس” برای تعیین پنج پارامتر کالیبراسیون استفاده می شود. این پارامترها قوانین انتقالی را که در مدل پیاده‌سازی می‌شوند کنترل می‌کنند و عبارتند از: پراکندگی، نژاد، گسترش، مقاومت شیب و جاذبه جاده. پراکندگی تعداد پیکسل های تصویری را که به طور تصادفی برای شهرنشینی احتمالی انتخاب می شوند کنترل می کند و میزان توزیع بیرونی آنها را تعیین می کند. نژاد به این احتمال اشاره دارد که یک سکونتگاه تازه ایجاد شده رشد خود را آغاز کند. Spread میزان تابش شهرک های موجود را کنترل می کند. مقاومت شیب احتمال رشد در شیب های تند را مشخص می کند. جاذبه جاده بر ایجاد مراکز جدید در امتداد جاده ها تأثیر می گذارد. رشد شهری را می توان در UGM به صورت زیر طبقه بندی کرد: 1) رشد جدید خود به خودی. 2) ایجاد مرکز شهری جدید یا گسترش رشد مرکز شهری. 3) رشد لبه؛ و، 4) رشد تحت تأثیر جاده [26 ] . جدول 1 خلاصه ای از انواع رشد شهری شبیه سازی شده توسط UGM ما و همچنین پارامترهای مدل کمک کننده را نشان می دهد [ 26 ].

UGM شبیه سازی را بر اساس خودکار سلولی (CA) انجام می دهد. CA یک سیستم پویا گسسته است که در آن فضا به سلول های فضایی منظم تقسیم می شود و زمان در مراحل گسسته پیش می رود [ 27 ]. هر سلول در سیستم با یکی از حالت های محدود مشخص می شود. وضعیت هر سلول در هر مرحله زمانی گسسته طبق مجموعه ای از قوانین محلی به روز می شود و وضعیت یک سلول در یک زمان معین به وضعیت خودش و حالات همسایگانش در مرحله زمانی قبلی بستگی دارد [ 28 ].

پس از کالیبراسیون موفقیت آمیز نایروبی UGM ما، پارامترهای مدل به منظور تعیین اثرات فضایی هر ترکیب پارامتر اصلاح شدند. هر مقدار پارامتر مدل بین 0 تا 100 است و بنابراین سهم مربوطه هر پارامتر را در شبیه‌سازی رشد شهری نشان می‌دهد. «خوب بودن تناسب» مجموعه‌ای از پارامترها در یک مدل توسط مجموعه‌ای از معیارهای فضایی تعیین می‌شود، که هر کدام به روشی مجزا توصیف می‌کنند که چگونه مجموعه‌ای از پارامترها می‌توانند الگوهای تاریخی دنیای واقعی را با دقت تکرار کنند [ 12 ]. چندین مطالعه اصلاح مدل‌های کاربری اراضی شهری موجود را به منظور بومی‌سازی مدل‌ها و شناسایی پارامترهای مدل بهینه برای هر برنامه مورد بررسی قرار داده‌اند [ 9 ]. مرجع [ 29] پارامترهای مدل SLEUTH را برای شهرستانها و شهرهای مختلف تحت پروژه Gigalopolis بررسی کرد. مرجع [ 30 ] تجزیه و تحلیل حساسیت را برای مدل‌سازی اتوماتای ​​سلولی با اندازه و نوع همسایگی مختلف بررسی کرد. مرجع [ 31 ] تجزیه و تحلیل حساسیت پارامترها را در مدل CA رگرسیون لجستیک و تأثیر آنها بر پوشش شهری پیش بینی شده برای مناطق شهری در چین انجام داد.

پارامترهای مدل به شدت همبستگی خودکار دارند و درک هر چرخه رشد در تکامل یک محیط شهری را دشوار می کند. ما فقط می توانیم بازتولید پیچیدگی کلی شهری را مشاهده کنیم [ 30 ]. برای درک بهتر نقش و اهمیت هر پارامتر UGM، یک سری شبیه‌سازی رشد شهری انجام دادیم. در هر شبیه سازی، هر پارامتر مدل به صورت جداگانه با مقدار 1+ از مقادیر کالیبراسیون بهینه اصلاح شد. ما نقشه های شهری شبیه سازی شده حاصل را با نقشه پیش بینی شده 2010 با استفاده از آمار Kappa (K) از نرم افزار Map Comparison Kit (MCK) مقایسه کردیم [ 31 ]. MCK ترکیبی از سلول استاندارد با مقایسه نقشه سلولی (آمار K و انواع تازه مشتق شده) و همچنین پیشرفت های اخیر در مقایسه نقشه مجموعه فازی (K فازی) را ارائه می دهد.31 ] .

4. تجزیه و تحلیل

4.1. داده ها

از تصاویر ماهواره‌ای Landsat بدون ابر برای سال‌های 1986، 2000 و 2010 برای استخراج لایه داده کاربری زمین مورد نیاز برای UGM استفاده شد. شهر نایروبی به طور کامل در مسیر Landsat TM 168، ردیف 61 محصور شده است. مجموعه داده های Landsat مورد استفاده شامل تصاویر TM و ETM+ در WGS-84 Universal Transverse Mercator (UTM)، طرح 37-South می باشد. داده های مرجع برای هر یک از سال های جداگانه توسعه یافته و سپس به طور تصادفی برای آموزش طبقه بندی کننده و ارزیابی دقت تقسیم شدند. داده های حقیقت زمینی شامل یک نقشه توپوگرافی بود که به عنوان داده های مرجع مکانی برای طبقه بندی های 1986 و 2000 استفاده شد در حالی که نقاط GPS به عنوان داده های مرجع برای طبقه بندی سال 2010 استفاده می شد. داده های شبکه راه برای نایروبی از شورای شهر نایروبی به دست آمده و شامل تمام جاده های داخل شهر می شود.

جدول 1 . خلاصه ای از انواع رشد شبیه سازی شده توسط مدل UGM.

4.2. تجزیه و تحلیل تغییر کاربری زمین

طبقه بندی کاربری اراضی نایروبی شامل شش طبقه کاربری اراضی شهری، جنگلی، کشاورزی، مناطق باز/انتقال، آب و مرتع بود. کاربری اراضی شهری شامل مناطق ساخته شده در محدوده تحقیقاتی می شود. جنگل شامل جنگل‌های همیشه سبز و همچنین جنگل‌های مختلط با تراکم بالا بود که از درختان و پوشش گیاهی زیر طبقه کم یا اصلاً وجود نداشت. مناطق باز / انتقالی شامل زمین های بایر، مناطق در معرض، معادن و مناطق انتقالی است. آب شامل رودخانه ها و آب انبارها بود. تصفیه خانه فاضلاب شهر روایی نیز در ردیف آب قرار گرفت. مرتع شامل زمین های بوته ای و لایه زمین پوشیده از چمن و گونه های بوته ای به طور پراکنده بود. طراحی طرح طبقه‌بندی شامل در نظر گرفتن عواملی مانند گروه‌های کاربری اصلی زمین در منطقه تحقیقاتی، تفاوت در وضوح فضایی داده‌های حسگر از راه دور،32 ] .

مراحل پیش پردازش تصویر برای مجموعه داده های نوری شامل تصحیح رادیومتری و هندسی بود. نقاط GPS برای ثبت تصویر به نقشه استفاده شد. ترکیبی از باندهای طیفی بازتاب تصویر (به عنوان مثال، بردارهای انباشته) برای طبقه بندی تصاویر 1986، 2000 و 2010 استفاده شد. سایت های آموزشی نشان دهنده طبقات کاربری مورد علاقه با استفاده از ابزار منطقه مورد علاقه در ENVI 4.8 جمع آوری شد. طبقه‌بندی ماشین بردار پشتیبان (SVM) برای تمام مجموعه‌های داده اعمال شد و عملکرد آن با استفاده از ماتریس‌های خطا ارزیابی شد. اخیراً، رویکرد طبقه‌بندی SVM در مقایسه با طبقه‌بندی‌کننده‌های حداکثر احتمال برتری نشان داده شده است [ 33 ].

اصلاحات پس از طبقه‌بندی برای کاهش خطاهای طبقه‌بندی در نتیجه شباهت‌ها در امضاهای طیفی کلاس‌های خاص مورد استفاده قرار گرفت. نمونه‌های مستقل از پیکسل‌ها برای هر کلاس به‌طور تصادفی از هر دسته‌بندی برای ارزیابی دقت طبقه‌بندی انتخاب شدند. ماتریس های خطا به عنوان جدول های متقابل کلاس های نقشه برداری شده در مقابل کلاس های مرجع گردآوری شده و برای ارزیابی دقت طبقه بندی استفاده شد [ 34 ]. سپس دقت طبقه‌بندی کلی، دقت کاربر و سازنده و آمار کاپا از ماتریس‌های خطا استخراج شد.

4.3. مدل سازی

ورودی‌های UGM شامل مجموعه داده‌های کاربری زمین (1986 و 2010)، داده‌های شیب، داده‌های حذف و داده‌های جاده برای نایروبی بود. داده های کاربری زمین برای سال 1986 به عنوان داده های پایه برای مدل سازی استفاده شد در حالی که داده های کاربری زمین برای سال 2010 به عنوان شبکه مرجع استفاده شد. این نقشه‌های کاربری زمین همگی حداقل مورد نیاز دقت 85% را که در طرح طبقه‌بندی اندرسون [ 32 ] تعیین شده بود، برآورده کردند. داده‌های کاربری زمین برای سه تاریخ هر کدام به یک نقشه باینری که فقط کاربری‌های شهری و غیر شهری را نشان می‌دهد، طبقه‌بندی شد. داده های شیب از مدل رقومی ارتفاع (DEM) نایروبی در تفکیک مکانی 30 متر به دست آمد. از داده‌های حذف برای ایجاد محدودیت‌هایی بر رشد شهری استفاده شد و مناطقی را در نایروبی که توسعه در آن‌ها محدود است، شامل املاک و ساختمان‌های دولتی، پارک‌ها و مناطق حفاظت‌شده، شامل می‌شود.

داده‌های جاده شامل یک شبکه جاده کامل برای نایروبی بود، و برای اهداف مدل‌سازی، جاده‌های اصلی داخل شهر یک فاکتور وزنی تعیین شدند. لایه راه شامل سه مقدار وزن 100، 50 و 25 [ 12 ] [ 16 ] بود. ضریب وزنی 100 به جاده های کلاس A (جاده های تنه بین المللی)، ضریب 50 به جاده های کلاس B و C (راه های تنه ملی) و مقدار 25 به خیابان های محلی (جاده های فرعی) اختصاص داده شد. طبقه بندی جاده ها در کنیا با جزئیات بیشتر در مرجع [ 35 ] توضیح داده شده است. توسعه در نایروبی به احتمال زیاد در امتداد جاده های اصلی رخ می داد. مدل‌سازی با وضوح مکانی 100 متر انجام شد و همه مجموعه‌های داده در این سطح نمونه‌برداری شدند.

کالیبراسیون مدل UGM شامل اجرای مدل با استفاده از مقادیر پیش‌فرض 1، 50 و 100 برای پارامترهای شیب، نژاد، پراکندگی، جاده و گسترش است. کالیبراسیون مدل به صورت تکراری در چهار توالی از کالیبراسیون درشت تا ریز انجام شد زیرا پارامترها متفاوت بودند. روش MRV برای دستیابی به پارامتر بهینه برای UGM در طول مرحله کالیبراسیون و همچنین برای اعتبارسنجی نتایج مدل استفاده شد. روش اعتبار سنجی چندگانه (MRV) برای اولین بار در مقایسه کامل مدل‌های کاربری زمین استفاده شد که در آن آزمایش‌ها در هفت آزمایشگاه با 13 کاربرد، 9 مدل مختلف و در 12 منطقه مورد مطالعه انجام شد [ 25 ].

به منظور بررسی اثرات فضایی UGM خود، آزمایش‌هایی از ترکیبات پارامترها و جایگشت‌ها را مطابق با معادله (1) انجام دادیم. مقدار اجراها برای هر ترکیب به دست آمد که در آن n تعداد پارامترها (در این مورد، پنج) و r پارامترهایی است که باید ثابت نگه داشته شوند. ما پنج ست برای ترکیب اول، ده ست برای ترکیب دوم، ده ست برای ترکیب سوم، پنج ست برای ترکیب چهارم و یک ست برای ترکیب پنجم به دست آوردیم.

(1)

در مجموع ما 31 نقشه رشد شهری شبیه سازی شده را به دست آوردیم. به منظور ارزیابی اثرات فضایی در هر نقشه، ما از نرم افزار Map Comparison Kit (MCK) [ 31 ] برای تولید آمار با استفاده از نقشه پیش بینی شده سال 2010 استفاده کردیم. مرجع [ 36 ] آمار و آمارهای اضافی را شامل Khisto و Klocation توصیف می کند.

اندازه گیری شباهت بین دو نقشه بر اساس جدول احتمالی [ 31 ] [ 37 ] است. مطابق با معادله (2) تعریف می شود که در آن نسبت موارد توافق شده است (یعنی به درستی تخصیص داده شده است) و نسبت توافقی است که به طور تصادفی انتظار می رود:

(2)

مکان یابی معیاری برای تشابه تخصیص فضایی دسته بندی های دو نقشه مقایسه شده است [ 25 ]. حداکثر شباهتی را که می توان بر اساس تعداد کل سلول های اختصاص داده شده به هر دسته پیدا کرد، به دست می دهد. مکان طبق رابطه (3) محاسبه می شود:

(3)

خیستو معیاری برای تشابه کمی این دو نقشه مقایسه شده است [ 36 ]. بنابراین خیستو این امکان را فراهم می کند که به صورت ترکیبی از شباهت در کمیت و مکان همانطور که در رابطه (4) نشان داده شده است بیان شود:

(4)

5. نتایج و بحث

خلاصه کاربری زمین برای نایروبی انجام شد و نتایج در جدول 2 و شکل 3 جدول بندی شده است. نقشه های کاربری زمین برای نایروبی در شکل های 4-6 نشان داده شده است. مناطق شهری/ ساخت‌شده از 16/35 کیلومتر مربع در سال 1986 به 50/52 کیلومتر مربع در سال 2000 و 38/79 کیلومتر مربع در سال 2010 افزایش یافت. جنگل از 87/62 کیلومتر مربع در سال 1986 به 14/71 کیلومتر مربع در سال 2000 به 14/71 کیلومتر مربع در سال 2000 کاهش یافت . مناطقی که جنگل در آن کاهش یافت به عنوان کشاورزی یا شهری طبقه بندی شدند. کشاورزی از 144.72 کیلومتر مربع در سال 1986 به 152.53 کیلومتر مربع در سال 2000 افزایش یافت اما به 148.21 کیلومتر مربع کاهش یافت .در سال 2010. استفاده از زمین های کشاورزی معمولی شامل باغ های مقیاس کوچک و کشاورزی حاشیه شهر بود. این مناطق با ساخت ساختمان های مسکونی و تجاری لازم برای افزایش جمعیت شهری در نایروبی به کاربری شهری تبدیل شدند. مناطق باز/انتقال از 99.54 کیلومتر مربع در سال 1986 به 146.94 کیلومتر مربع در سال 2000 افزایش یافت اما به کاهش یافت.

جدول 2 . خلاصه استفاده از زمین و برآورد خطا برای نایروبی.

شکل 3 . برآوردهای کاربری زمین برای نایروبی

شکل 4 . نقشه کاربری اراضی نایروبی برگرفته از Landsat TM 1986.

94/117 کیلومتر مربع در سال 2010. مرتع از 11/361 کیلومتر مربع در سال 1986 به 74/261 کیلومتر مربع در سال 2000 و 61/257 کیلومتر مربع در سال 2010 کاهش یافت. آب از 60/9 کیلومتر مربع در سال 1986 به 201/9 کیلومتر مربع در سال 1986 به 201/9 کیلومتر مربع در سال 1986 به 201/12 کیلومتر افزایش یافت . .

مدل سازی نایروبی به عنوان ورودی وسعت شهری استخراج شده از نقشه های کاربری طبقه بندی شده زمین برای سال های 1986 و 2010 استفاده شد. سایر لایه های مورد استفاده شامل شیب، مناطق مستثنی شده از توسعه و شبکه جاده نایروبی بود. یک تکنیک نزدیکترین همسایه برای نمونه‌برداری مجدد از همه مجموعه داده‌ها با وضوح فضایی 100 متر استفاده شد. کالیبراسیون با استفاده از نقشه کاربری زمین در سال 2010 به عنوان یک شبکه مرجع انجام شد. بهترین پارامترهای مدل برای UGM نیز بر اساس میانگین وزنی محاسبه شده با MRV با استفاده از کاربری زمین در سال 2010 به عنوان شبکه مرجع ارزیابی شد.

شکل 7 بهترین ضرایب مدل را نشان می دهد که پس از کالیبراسیون موفق UGM در وضوح مکانی 100 متر به دست آمده است. این مقادیر ضرایب عبارتند از: شیب = 52، گسترش = 27، پراکندگی = 1، نژاد = 52، جاده = 2. این ضرایب در مقدار وزنی 0.95 به دست آمد. بنابراین نتیجه می‌گیریم که کالیبراسیون UGM توافقی تقریباً 95% برای دسته‌های ساخته شده/غیر ساخته شده بین نقشه مرجع 2010 و نقشه 2010 مطابق با مدل ایجاد کرد.

برای اینکه یک مدل رشد شهری برای سیاست گذاران و برنامه ریزان شهری مورد استفاده قرار گیرد، باید پس از کالیبراسیون، شبیه سازی رشد شهری انجام شود. برای نشان دادن این قابلیت، ما از UGM برای پیش‌بینی استفاده از زمین نایروبی برای سال 2030 استفاده کردیم. ما با استفاده از کاربری زمین در سال 2010 به عنوان داده‌های مرجع در طول کالیبراسیون UGM شروع کردیم و با این فرض که سیاست‌های برنامه‌ریزی شهری فعلی ثابت می‌مانند، ادامه دادیم. گسترش کاربری زمین شهری (مناطق ساخته شده) با UGM با استفاده از پارامترهای مدل یکسان به دست آمده در کالیبراسیون 1986-2010 ( شکل 7 ) در وضوح فضایی 100 متر مدل سازی شد.

برآوردهای شبیه سازی شده کاربری زمین شهری برای نایروبی در سال 2030 با استفاده از UGM کالیبره شده به دست آمد. این تمرین پیش بینی می کند که کاربری اراضی شهری در نایروبی از 73.14 کیلومتر مربع در سال 2010 به 118.35 کیلومتر مربع در سال 2030 افزایش خواهد یافت . نقشه کاربری شهری شبیه سازی شده برای نایروبی در سال 2030 در شکل 8 نشان داده شده است.. پیش‌بینی سکونتگاه‌های جدید یا مناطق ساخته‌شده در نایروبی با مقدار وزنی 0.95 به دست آمد. این مدل پیش‌بینی می‌کند که رشد شهری جدید در شهر به احتمال زیاد تحت تأثیر پارامترهای نژاد و شیب قرار می‌گیرد. هر دو مقادیر 52 را نشان می‌دهند. پارامتر گسترش در اهمیت بعدی است، با مقدار 27. پارامترهای راه و پراکندگی کمترین احتمال را در رشد شهری جدید نشان می‌دهند. این نتایج نشان می‌دهد که مناطق جدیدی در مجاورت جاده‌ها، عمدتاً برای کاربری‌های مسکونی و تجاری توسعه خواهند یافت. چنین رشدی می تواند ناشی از مهاجرت زیاد روستایی به شهر به نایروبی باشد، زیرا ساکنان جدید در جستجوی شغل، امکانات اجتماعی و فرصت های اقتصادی به شهر می رسند.

شکل 5 . نقشه کاربری اراضی نایروبی برگرفته از Landsat ETM 2000.

شکل 6 . نقشه کاربری اراضی نایروبی برگرفته از Landsat ETM+ 2010.

شکل 7 . بهترین پارامترهای مدل برای نایروبی UGM.

شکل 8 . رشد شهری شبیه سازی شده برای نایروبی، 2010-2030.

به منظور تجزیه و تحلیل تأثیر هر پارامتر فردی بر UGM، رشد شهری 2010-2030 با تغییر هر یک از بهترین پارامترهای مدل با مقدار 1+ شبیه‌سازی شد. بهترین پارامترهای مدل به دست آمده با استفاده از UGM رشد شهری شبیه سازی شده 73.14 کیلومتر مربع را به همراه داشت . در مجموع 31 شبیه سازی انجام شد. نتایج پنج مجموعه ترکیبی در جداول 3-7 نشان داده شده است. برای مقایسه نقشه ها از آمار K استفاده شد.

جدول 3 ترکیب 1 را خلاصه می کند . در این ترکیب، چهار پارامتر برتر هر کدام با مقدار 1+ تغییر می‌کردند و یک پارامتر ثابت می‌ماند (در جدول 3 به صورت پررنگ نشان داده شده است ). ارقام رشد شهری شبیه سازی شده همگی از رقم 73.14 کیلومتر مربعی که با استفاده از بهترین پارامترهای مدل به دست آمده است فراتر می رود ( شکل 7 ). بالاترین اثر فضایی در مجموعه 5 مشاهده می شود، جایی که مقدار شیب ثابت نگه داشته می شود در حالی که مقادیر دیگر متغیر بودند. در مجموعه 5، رشد شهری = 79.99 کیلومتر مربع ، با کمترین مقدار Khisto حاصل 0.950. مجدداً معیار خیستو بیان K را به صورت ترکیبی از شباهت در کمیت و مکان ممکن می سازد. کمترین اثر فضایی (75.77 کیلومتر مربع) با بالاترین مقدار خیستو (980/0) در مجموعه 4 مشاهده شد که در آن مقدار جاده ثابت بود در حالی که بقیه متغیر بودند.

جدول 4 ترکیب دوم را نشان می دهد که در آن سه پارامتر برتر با 1+ تغییر کرده و دو پارامتر (در جدول 4 به صورت پررنگ نشان داده شده است ) ثابت می مانند. مجدداً، مقادیر رشد شهری شبیه سازی شده به طور یکنواخت بیشتر از رقم 73.14 کیلومتر مربعی پیش بینی شده با استفاده از پارامترهای مدل بهینه است ( شکل 7 ). مجموعه 8 مقدار 73.31 کیلومتر مربع را با ارزش Khisto بالا 0.999 به دست آورد. این مقدار کاملاً نزدیک به مقدار رشد شهری شبیه سازی شده 73.14 کیلومتر مربع است که نشان دهنده حداقل اثر فضایی در این مدل است. بالاترین اثر فضایی (79.14 کیلومتر مربع) و کمترین مقدار خیستو (954/0) در مجموعه 14 مشاهده شد که در آن پارامترهای شیب و نژاد ثابت و بقیه متغیر بودند.

جدول 5 ترکیب سوم را خلاصه می کند ، که در آن دو بهترین پارامتر با 1+ تغییر کردند و سه پارامتر دیگر ثابت ماندند (دوباره به صورت پررنگ نشان داده شده است). مجدداً، مقادیر رشد شهری شبیه‌سازی‌شده بیشتر از رقم 73.14 کیلومتر مربعی است که با استفاده از بهترین پارامترهای مدل همانطور که در شکل 7 نشان داده شده است. مجموعه 19 یک ارزش رشد شهری شبیه سازی شده 73.16 کیلومتر مربع با ارزش Khisto بالای 0.996 به دست آورد. این مقدار رشد شهری شبیه سازی شده بسیار نزدیک به رقم 73.14 کیلومتر مربع استتولید شده توسط مدل اصلی کالیبره شده UGM. بنابراین، تغییر دو پارامتر مدل پراکندگی (در 2) و شیب (در 53) – در مجموعه 19 یک منحنی مناسب برای مدل‌سازی رشد شهری همراه با کمترین اثر فضایی به دست می‌دهد. در مقابل، مجموعه 20 بالاترین اثر فضایی (77.32 کیلومتر مربع ) را با مقدار Khisto کم (0.985) به همراه داشت. این ارقام ناشی از تغییر پراکندگی در 2 و شیب در 52 (به جای 53 در مجموعه 19) است.

جدول 6 ترکیب چهارم را نشان می دهد که در آن بهترین پارامتر واحد با 1+ تغییر می کند در حالی که چهار پارامتر دیگر را ثابت نگه می دارد (به صورت پررنگ نشان داده شده است). مقادیر رشد شهری شبیه سازی شده بیشتر از مقدار 73.14 کیلومتر مربع به دست آمده با استفاده از بهترین پارامترهای مدل است ( شکل 7 ). مجموعه 26 مقدار 73.18 کیلومتر مربع با بالاترین ارزش خیستو 1000 به دست آورد. مقدار 73.18 کیلومتر مربع نزدیکترین به ارزش رشد شهری شبیه سازی شده 73.14 کیلومتر مربع بود .. تغییر تنها پارامتر شیب در مجموعه 26 کمترین اثر فضایی را به همراه داشت. مقایسه این نتایج با نتایج تولید شده در مجموعه 30 که در آن فقط پارامتر Spread متفاوت بود، مفید است. مجموعه 30 بالاترین اثر فضایی را به همراه داشت. نشانه ای از حساسیت UGM ما در مدل سازی رشد شهری.

جدول 3 . تغییر پارامتر مدل در ترکیب اول برای UGM نایروبی.

جدول 4 . تغییر پارامتر مدل در ترکیب دوم برای UGM نایروبی.

جدول 7 پنجمین ترکیب را نشان می دهد که تحت آن همه بهترین پارامترها با مقدار 1+ تغییر می کنند. ارزش رشد شهری شبیه سازی شده تولید شده توسط این ترکیب 77.29 کیلومتر مربع با مقدار Khisto 0.969 بود. این مقدار رشد به طور قابل توجهی از رقم 73.14 کیلومتر مربعی به دست آمده با استفاده از بهترین پارامترهای مدل فراتر می رود . واضح است که تغییر همه پارامترها به طور قابل توجهی بر UGM ما تأثیر می گذارد.

در این تحقیق ما اثرات فضایی تغییر پارامترهای مدل UGM را بررسی کردیم و نتایج نشان‌دهنده حساسیت UGM ما در مدل‌سازی رشد شهری است. تغییر حداقل یک پارامتر مدل در حالی که پارامترهای دیگر را ثابت می‌گذارد، تأثیر قابل‌توجهی بر مقادیر رشد شهری شبیه‌سازی‌شده دارد. بالاترین اثر فضایی به دست آمده 79.99 کیلومتر مربع ( جدول 3 ) در حالی که کمترین مقدار بدست آمده 73.16 کیلومتر مربع بود ( جدول 5 ). مقدار 79.99 کیلومتر مربع به دست آمد که پارامتر شیب ثابت نگه داشته شد در حالی که بقیه متغیر بودند. مقدار 73.16 کیلومتر مربع با ثابت نگه داشتن پارامترهای Spread، Breed و Road در حالی که پراکندگی و شیب متغیر است، به دست آمد. علاوه بر این، بررسیجدول 6 نشان می دهد که مقدار 73.18 کیلومتر مربع دومین پایین ترین مقدار بوده است

جدول 5 . تغییر پارامتر مدل در ترکیب سوم برای UGM نایروبی.

جدول 6 . تغییر پارامتر مدل در ترکیب چهارم برای UGM نایروبی.

جدول 7 . تغییر پارامتر مدل در ترکیب پنجم برای UGM نایروبی.

مقدار به دست آمده برای اثر فضایی این رقم با تغییر پارامتر Slope و ثابت نگه داشتن سایر پارامترها به دست آمد.

تجزیه و تحلیل مقادیر کمتر اثر فضایی ( 73.16 کیلومتر مربع از جدول 5 و 73.18 کیلومتر مربع از جدول 6 )، نشان می دهد که این نتایج با ثابت نگه داشتن پارامترهای Spread، Breed و Road تولید می شوند. این نشان می‌دهد که این سه پارامتر مدل در تولید مقادیر مشابه سلول‌های رشد شهری همبستگی نزدیکی دارند. مجموعه‌های مدل‌هایی که اثر فضایی کم دارند و آن‌هایی که اثر فضایی بالایی دارند در جدول 8 و جدول 9 نشان داده شده‌اند .

از جداول 4-6 مشخص است که حفظ مقادیر ثابت برای پراکندگی و شیب در حداقل، اثرات فضایی بالایی را به همراه داشت (78.23 کیلومتر مربع ، 76.93 کیلومتر مربع و 76.48 کیلومتر مربع ) . با افزایش مقدار پارامتر جاده، در تمام شبیه‌سازی‌ها شاهد افزایش شهرنشینی مناطق در دسترس‌تر هستیم. این اتصال به شبکه جاده با نرخ رشد مساوی (به دلیل مقادیر سایر پارامترها) مشهود است، اثری که توسط مرجع [ 38 ] مشاهده شده است.

جدول 9 شبیه سازی رشد شهری را برای 31 مجموعه نشان می دهد. مجدداً، ارزش رشد شهری شبیه سازی شده 73.14 کیلومتر مربع توسط UGM با استفاده از بهترین پارامترهای مدل تولید شد ( شکل 7 ). جدول 9 نشان می دهد که مجموعه 19 ارزش رشد شهری 73.16 کیلومتر مربع را تولید می کند، که نزدیک ترین به رشد تولید شده توسط UGM است (همچنین در جدول 5 ).

شکل 10 مقادیر K و Klocation را برای 31 شبیه سازی نشان می دهد. در مجموعه 24 مدل پارامترهای پراکندگی، جاده و شیب ثابت نگه داشته شد. مجموعه 24 دارای بالاترین مقدار K 0.764 بود که نشان دهنده تأثیر فضایی بالای مرتبط با این مجموعه (75.19 کیلومتر مربع ) است. در مجموعه 31 همه پارامترهای مدل متفاوت بودند و مجموعه 31 کمترین مقدار K (0.736) را همراه با اثر فضایی بالای 77.02 کیلومتر مربع به دست آورد . مقادیر بالای K نشان دهنده شباهت کم بین نقشه ها و در نتیجه اثر فضایی بالا است. در مجموعه 10 دو پارامتر مدل – پراکندگی و نژاد – ثابت نگه داشته شدند. مجموعه 10 بالاترین مقدار Klocation 0.783 را ایجاد کرد. این نشان دهنده اثر فضایی بالا است که در 78.01 کیلومتر مربع اندازه گیری شده است. در مجموعه 8 که در آن دو پارامتر Spread و Road ثابت نگه داشته شدند، هر دو مقدار K پایین و اثر فضایی کم (73.31 کیلومتر مربع ) تولید شد. مقادیر بالای K و Klocation شباهت کم بین نقشه ها را توصیف می کنند و اثرات فضایی بالا را نشان می دهند.

علاوه بر این، شکل 10 نشان می دهد که مقادیر K و Klocation پایین در مجموعه های 8 و 9 مشاهده شده است. 0.739 در مجموعه 8 و 0.740 در مجموعه 9، با کمترین مقدار Klocation در مجموعه 8 مشاهده شد. در این دو مجموعه تنها پارامتر مدل Spread ثابت نگه داشته شد. مجموعه 31 کمترین مقدار K را در 0.736 به دست آورد.

جدول 8 . مجموعه پارامترهای مدل با اثر فضایی کم برای UGM نایروبی.

جدول 9 . مجموعه پارامترهای مدل با اثر فضایی بالا برای UGM نایروبی.

شکل 11 مقادیر Khisto را برای 31 شبیه سازی نشان می دهد. بیشترین مقدار خیستو (1000) در هر دو مجموعه 19 و 26 به دست آمد. در مجموعه 19 سه پارامتر مدل (Spread، Breed و Road) ثابت نگه داشته شدند و در مجموعه 26 چهار پارامتر (Spread، Dispersion، Breed و Road) ثابت شدند. ) ثابت نگه داشته شدند. این مقدار Khisto بالا نشان دهنده کمترین اثر فضایی است. در مجموعه 5، که در آن یک پارامتر واحد (شیب) ثابت نگه داشته شد، کمترین مقدار خیستو 0.950 تولید شد که نشان دهنده بالاترین اثر فضایی مشاهده شده در 79.99 کیلومتر مربع است . مقادیر بالای خیستو نشان‌دهنده تشابه بالای نقشه‌ها از نظر کمیت و مکان رشد شهری پیش‌بینی‌شده و نشان‌دهنده کمترین اثر فضایی است.

جدول 8 مجموعه پارامترهایی را نشان می دهد که حداقل سطوح رشد شهری را به همراه داشته و نشان دهنده اثر فضایی کم است. کمترین اثر فضایی 73.16 کیلومتر مربع با بیشترین مقدار خیستو 1000 نشان داده شده است. واضح است که حفظ مقادیر پارامترهای Spread، Breed و Road منجر به اثر فضایی کم می‌شود و نشان می‌دهد که این سه پارامتر مدل با هم همبستگی بالایی دارند. انواع رشد پیش بینی شده عبارت بودند از: رشد گسترش جدید در نتیجه نژاد. رشد لبه در نتیجه گسترش; و رشد متاثر از جاده در نتیجه پارامتر جاده.

جدول 9 مجموعه پارامترهایی را نشان می دهد که حداکثر سطوح رشد شهری را تولید می کنند. تنها حفظ پارامتر شیب و افزایش مقادیر چهار پارامتر دیگر منجر به اثر فضایی بالا در 79.99 کیلومتر مربع به همراه کمترین مقدار خیستو 0.950 شد. با این حال، ثابت نگه داشتن پارامترهای پراکندگی، نژاد و جاده در حالی که دو پارامتر دیگر تغییر می‌کنند، اثر فضایی کم (76.48 کیلومتر مربع ) با مقدار Khisto بالا 0.975 ایجاد می‌کند. این نشان می دهد که پارامترهای مدل Dispersion، Breed و Road به طور متوسطی همبستگی دارند، اما کمتر از پارامترهای مدل Spread، Breed و Road ( جدول 8 را ببینید ).

شکل 9 . اثرات فضایی 31 شبیه سازی UGM.

شکل 10 . مقادیر K و Klocation برای شبیه سازی رشد شهری.

ثابت ماندن گسترش، نژاد و شیب منجر به کمترین مقدار اثر فضایی 73.16 کیلومتر مربع ( جدول 8 ) با بالاترین مقدار خیستو 1.000 شد، همانطور که در شکل 12 نشان داده شده است. بالاترین اثر فضایی 79.99 کیلومتر مربع ( جدول 9 ) با کمترین مقدار خیستو 0.950 در شکل 13 ترسیم شده است . شکل 12 و شکل 13 هر دو شامل نقشه رشد شهری شبیه سازی شده 2010 و نقشه اثر فضایی شبیه سازی شده است. علاوه بر این، آمار شکل 12 و شکل 13 شامل چهار دسته نقشه در جدول 10 نشان داده شده است.

از جدول 10 می توان دید که برای کمترین حالت اثر فضایی مقادیر یکسانی برای رده های 3 و 4 وجود دارد. 14.21 کیلومتر 2 برای رده 3، و 21.06 کیلومتر 2 برای رده 4. مقادیر برای رده های 1 و 2 کاملا مشابه هستند. بررسی اثر فضایی همانطور که در رده 4 نشان داده شده است، تفاوت 4.68 کیلومتر مربع ( 16.38 کیلومتر مربع و 21.06 کیلومتر مربع ) را نشان می دهد که حساسیت UGM ما را تأیید می کند.

این نتایج می تواند به برنامه ریزان منطقه ای و شهری کمک کند تا پیامدهای تغییر پارامترها در مدل رشد شهری را درک کنند. این می تواند به برنامه ریزان اجازه دهد تا سناریوهای مختلف رشد شهری آینده را با ترکیب ترکیبی از پارامترهای مدل شبیه سازی کنند. اثرات فضایی بالاتر در خروجی های مدل به شبیه سازی با افزایش پراکندگی شهری تبدیل می شود. اثرات فضایی کمتر به شبیه سازی پراکندگی شهری کمتر ترجمه می شود. این اطلاعات می تواند در طراحی شهرهای «هوشمند» که یک دستور کار تحقیقاتی حیاتی در برنامه ریزی شهری مدرن است، مؤثر باشد.

شکل 11 . مقادیر Khisto برای شبیه سازی رشد شهری

شکل 12 . کمترین مقادیر پارامترهای مبتنی بر اثر فضایی از مجموعه 19 به دست آمده است (جدول 8 را ببینید).

شکل 13 . بالاترین مقادیر پارامترهای مبتنی بر اثر فضایی از مجموعه 5 به دست آمده است (جدول 9 را ببینید).

جدول 10 . آمار نقشه های اثر فضایی.

6. نتیجه گیری

نایروبی، پایتخت کنیا، به عنوان نمونه ای از یک شهر آفریقایی به سرعت در حال گسترش برای تجزیه و تحلیل اثرات فضایی پارامترهای مختلف رشد شهری در مدل سازی کاربری زمین شهری استفاده شد. UGM از اتوماتای ​​سلولی در مدل سازی و شبیه سازی رشد شهری استفاده می کند. ما تعدادی ترکیب مختلف از پارامترهای UGM و اثرات فضایی آنها را بررسی کردیم. هر پارامتر مدل به طور مستقل بر رشد شهری تأثیر می گذارد. این سؤال که کدام ترکیب مدل کمتر یا بالاترین اثر فضایی را ایجاد می کند، تمرکز این تحقیق بود.

پارامترهای مدل Spread، Breed و Road به شدت همبستگی داشتند. علاوه بر این، از آمار کاپا برای مقایسه نقشه های شبیه سازی استفاده شد. کمترین اثر فضایی با ثابت نگه داشتن پارامترهای مدل Spread، Breed و Road و تغییر سایر پارامترها به دست آمد. این نیز به بالاترین ارزش خستو ترجمه شد. بالاترین اثر فضایی با ثابت نگه داشتن پارامتر شیب و تغییر چهار پارامتر دیگر مشاهده شد. این نیز به پایین ترین ارزش خیستو ترجمه شده است. مقادیر بالای خیستو نشان‌دهنده شباهت زیاد و موقعیت مکانی بین نقشه‌ها و نشان‌دهنده کمترین اثر فضایی است.

تا سال 2030، کشور کنیا قصد دارد به چشم انداز 2030، یک برنامه توسعه اقتصادی و اجتماعی بلندپروازانه دست یابد. برنامه ریزی شهری و منطقه ای موثر جزء حیاتی برنامه چشم انداز 2030 است. اطلاعات در مورد اثرات فضایی UGM شرح داده شده در این مطالعه می تواند در شناسایی سناریوهای بهینه رشد شهری آینده کمک کند. شناسایی دقیق مناطقی که احتمالاً رشد خود به خود، رشد لبه، رشد متاثر از جاده یا رشد ناشی از مراکز پخش جدید را تجربه می کنند، امکان پذیر است. با شبیه سازی سناریوهای مختلف رشد شهری، سیاست گذاران می توانند اثرات ایجاد مسکن و زیرساخت های جاده ای جدید را در مناطق توسعه نیافته به جای سکونتگاه های موجود تحلیل کنند. UGM می تواند راهنمای دقیق و مفیدی برای رشد نایروبی ارائه کند، و همچنین مناطقی را که در آنها گسترش به بهترین شکل ممکن انجام شود، شناسایی و نشان دهید. UGM حتی می تواند به عنوان یک ابزار برنامه ریزی اصلی عمل کند. مدل‌سازی اتوماتای ​​سلولی یک رویکرد مؤثر برای مدل‌سازی منطقه‌ای شهرهای آفریقایی مانند نایروبی است و می‌تواند برای ارائه فرصت‌های مؤثر برای مطالعه سایر شهرهای آفریقا با استفاده از UGM سازگار شود.

منابع

  1. Triantakonstantis, D. and Mountrakis, G. (2012) پیش بینی رشد شهری: مروری بر مدل های محاسباتی و ادراک انسانی. مجله نظام اطلاعات جغرافیایی، 4، 555-587. https://dx.doi.org/10.4236/jgis.2012.46060  [زمان(های استناد): 1]
  2. UN-HABITAT (2010) وضعیت شهرهای جهان 2010/2011. پل زدن بر شکاف شهری https://sustainabledevelopment.un.org/content/documents/11143016_alt.pdf  [زمان(های استناد): 1]
  3. Mundia، CN و Aniya، M. (2007) مدل‌سازی رشد شهری شهر نایروبی با استفاده از اتوماتای ​​سلولی و سیستم‌های اطلاعات جغرافیایی. بررسی جغرافیایی ژاپن، 80، 777-788. https://dx.doi.org/10.4157/grj.80.777  [زمان(های استناد): 1]
  4. Mundia, CN, Aniya, M. and Murayama, Y. (2010) سنجش از دور و مدلسازی GIS فرآیندهای فضایی رشد شهری در یک شهر آفریقایی. مطالعه موردی نایروبی. در: Mundia, CN, Kamusoko, C. and Murayama, Y., Eds., Recent Advances in GIS and Remote Sensing Analysis in Sub-Sahara Africa, Nova Science Publishers, New York.  [زمان(های استناد): 1]
  5. Verburg, P. (2006) شبیه سازی بازخوردها در مدل های تغییر کاربری و پوشش زمین. بوم شناسی چشم انداز، 21، 1171- 1183. https://dx.doi.org/10.1007/s10980-006-0029-4  [زمان(های استناد): 1]
  6. Von Neumann, J. (Burks, AW, Ed.) (1966) Theory of Self-Reproducing Automata Theory of Self-Reproducing Automata. انتشارات دانشگاه ایلینویز، Champaign.  [زمان(های استناد): 1]
  7. Tobler, W. (1979) جغرافیای سلولی. در: گیل، اس و اولسون، جی، ویرایش، فلسفه در جغرافیا، ریدل، دورترخت، 379-386.  [زمان(های استناد): 1]
  8. Silva، E. و Clarke، KC (2002) کالیبراسیون مدل رشد شهری SLEUTH برای لیسبون و پورتو، پرتغال. کامپیوترها، محیط زیست و سیستم های شهری، 26، 525-552. https://dx.doi.org/10.1016/S0198-9715(01)00014-X  [زمان(های استناد): 1]
  9. Jantz, AJ, Goetz, SJ, Donato, D. and Claggett, P. (2010) طراحی و پیاده سازی یک سیستم مدلسازی شهری منطقه ای با استفاده از مدل شهری سلولی SLEUTH. کامپیوتر، محیط زیست و سیستم های شهری، 34، 1-16. https://dx.doi.org/10.1016/j.compenvurbsys.2009.08.003  [زمان(های استناد): 2]
  10. Fuglsang، M.، Münier، B. و Hansen، HS (2013) مدلسازی اثرات کاربری زمین شهرسازی آینده با استفاده از اتوماتای ​​سلولی: یک مورد دانمارکی شرقی. مدلسازی و نرم افزار محیطی، 50، 1-11. https://dx.doi.org/10.1016/j.envsoft.2013.08.003
  11. Mubea, K., Goetzke, R. and Menz, G. (2013) شبیه سازی رشد شهری در ناکورو (کنیا) با استفاده از پلت فرم مدل سازی مبتنی بر جاوا XULU. UKSim-AMSS هفتمین سمپوزیوم مدلینگ اروپایی، منچستر، 20-22 نوامبر 2013، 103-108. https://dx.doi.org/10.1109/EMS.2013.18   [Citation Time(s):2]
  12. Dietzel, C. and Clarke, KC (2007) به سمت کالیبراسیون بهینه مدل تغییر کاربری زمین SLEUTH. معاملات در GIS، 11، 29-45. https://dx.doi.org/10.1111/j.1467-9671.2007.01031.x   [Citation Time(s):3]
  13. Goetzke, R. and Judex, M. (2011) شبیه سازی تغییر کاربری اراضی شهری در نوردراین-وستفالن (آلمان) با مدل سازی مبتنی بر جاوا Plat-Form Xulu. در: Mandl, P. and Koch, A., Eds., Modeling and Simulating Urban Processes, LIT-Verlag, Munster, 99-116.   [زمان(های استناد): 2]
  14. Clarke, K., Hoppen, S. and Gaydos, L. (1997) A Self-Modifying Cellular Automaton Model of Historical Urbanization in san Francisco Bay Area. محیط و برنامه ریزی ب: برنامه ریزی و طراحی، 24، 247-261. https://dx.doi.org/10.1068/b240247   [زمان(های) نقل قول: 1]
  15. Clarke, K., Hoppen, S. and Gaydos, L. (1996) Methods and Techniques for Rigorous Calibration of cellular Automaton Model of Urban Growth. سومین کنفرانس/کارگاه بین المللی یکپارچه سازی GIS و مدلسازی محیطی، سانتافه، 21-25 ژانویه 1996، جلسه 7. https://www.ncgia.ucsb.edu/conf/SANTA_FE_CD-ROM/program.html   [Citation Time(s ): 2]
  16. Silva، E. و Clarke، KC (2002) کالیبراسیون مدل رشد شهری SLEUTH برای لیسبون و پورتو، پرتغال. کامپیوترها، محیط زیست و سیستم های شهری، 26، 525-552. https://dx.doi.org/10.1016/S0198-9715(01)00014-X   [Citation Time(s):3]
  17. دولت کنیا (2007) چشم انداز کنیا 2030. https://www.theredddesk.org/sites/default/files/vision_2030_brochure__july_2007.pdf   [Citation Time(s):1]
  18. جمهوری کنیا (1981) سرشماری جمعیت کنیا 1979. چاپگر دولتی، نایروبی.   [زمان(های استناد): 1]
  19. جمهوری کنیا (1994) سرشماری جمعیت کنیا 1989. چاپگر دولتی، نایروبی.   [زمان(های استناد): 1]
  20. جمهوری کنیا (2000) بررسی اقتصادی 2000. چاپگر دولتی، نایروبی.   [زمان(های استناد): 1]
  21. جمهوری کنیا (2010) بررسی اقتصادی 2010. چاپگر دولتی، نایروبی.   [زمان(های استناد): 1]
  22. UN-HABITAT (2005) مطالعه مشخصات بخش شهری منطقه ای. UN-HABITAT، نایروبی.   [زمان(های استناد): 2]
  23. Schmitz, M., Bode, T., Thamm, HP and Cremers, AB (2007) XULU – یک پلتفرم عمومی مبتنی بر جاوا برای شبیه‌سازی استفاده از زمین و تغییر پوشش زمین. در: Oxley, L. and Kulasiri, D., Eds., MODSIM 2007 International Congress on Modeling and Simulation, Modeling and Simulation Society of Australia and New Zealand, 2645-2649.   [زمان(های استناد): 1]
  24. Menz, G., Judex, M., Orekan, V., Kuhn, A., Heldmann, M. and Thamm, HP (2010) استفاده از زمین و مدلسازی پوشش زمین در مرکزی بنین. در: Spezh, P., Christoph, M. and Dieckkrüger, B., Eds., Impacts of Global Change on the Hydrological Cycle in Western and Northwest Africa, Springer, Heidelberg, 70-73.   [زمان(های استناد): 1]
  25. Pontius Jr., RG, Huffaker, D. and Denman, K. (2004) تکنیک های مفید اعتبار سنجی برای مدل های تغییر سرزمین صریح فضایی. مدلسازی اکولوژیکی، 179، 445-461. https://dx.doi.org/10.1016/j.ecolmodel.2004.05.010   [Citation Time(s):3]
  26. Jantz، CA، Goetz، SJ و Shelley، MK (2004) با استفاده از مدل رشد شهری SLEUTH برای شبیه‌سازی اثرات سناریوهای سیاست آینده در استفاده از زمین شهری در منطقه شهری بالتیمور-واشنگتن. محیط و برنامه ریزی ب: برنامه ریزی و طراحی، 31، 251-271. https://dx.doi.org/10.1068/b2983   [Citation Time(s):2]
  27. لیو، ی. (2008) مدلسازی توسعه شهری با سیستم های اطلاعات جغرافیایی و اتوماتای ​​سلولی. CRC Press، بوکا راتون.   [زمان(های استناد): 1]
  28. Wolfram, S. (1994) سلولار اتومات. در: Wesley, A., Wolfram, S. and Reading, MA, Eds., Cellular Automata and Complexity: Collected Papers, Westview Press, Boulder, 411-436.   [زمان(های استناد): 1]
  29. Caglioni، M.، Pelizzoni، M. و Rabino، GA (2006) گسترش شهری: مطالعه موردی برای پروژه Gigalopolis با استفاده از مدل SLEUTH. در: El Yacoubi, S., Chopard, B. and Bandini, S., Eds., Cellular Automata, Springer Berlin Heidelberg, Heidelberg, 436-445. https://dx.doi.org/10.1007/11861201_51   [Citation Time(s):1]
  30. Kocabas، V. و Dragicevic، S. (2006) ارزیابی رفتار مدل اتوماتای ​​سلولی با استفاده از رویکرد تحلیل حساسیت. کامپیوترها، محیط زیست و سیستم های شهری، 30، 921-953. https://dx.doi.org/10.1016/j.compenvurbsys.2006.01.001   [Citation Time(s):2]
  31. Han, J., Cao, X. and Imura, H. (2009) کاربرد یک مدل دینامیک سیستم یکپارچه و اتوماتای ​​سلولی برای ارزیابی رشد شهری: مطالعه موردی شانگهای، چین. منظر و شهرسازی، 91، 133-141. https://dx.doi.org/10.1016/j.landurbplan.2008.12.002   [Citation Time(s):5]
  32. Visser, H. and de Nijs, T. (2006) کیت مقایسه نقشه. مدلسازی و نرم افزار محیطی، 21، 346-358. https://dx.doi.org/10.1016/j.envsoft.2004.11.013   [Citation Time(s):2]
  33. Anderson, JR, Hardy, EE, Roach, JT and Witmer, RE (1976) یک سیستم طبقه بندی کاربری و پوشش زمین برای استفاده با داده های سنسور از راه دور. سازمان زمین شناسی، واشنگتن دی سی.   [زمان(های استناد): 1]
  34. Mubea, K. and Menz, G. (2012) نظارت بر تغییر کاربری زمین در ناکورو (کنیا) با استفاده از داده های ماهواره ای چند سنسوری. پیشرفت در سنجش از دور، 1، 74-84. https://dx.doi.org/10.4236/ars.2012.13008   [Citation Time(s):1]
  35. Congalton، RG و Green، K. (1999) ارزیابی دقت داده های سنجش از راه دور: اصول و شیوه ها. ناشران لوئیس، فلوریدا.   [زمان(های استناد): 1]
  36. Wasike، WS (2001) سیاست‌های زیرساخت جاده‌ای در کنیا: روندهای تاریخی و چالش‌های کنونی. مقاله KIPPRA شماره 1. موسسه کنیا برای تحقیقات و تحلیل سیاست عمومی (KIPPRA)، بخش زیرساخت و خدمات اقتصادی، نایروبی، 1-42.   [زمان(های استناد): 2]
  37. Hagen, A. (2002) ارزیابی چند روشی شباهت نقشه. در: Ruiz, M., Gould, M. and Ramon, J., Eds., Proceedings of the 5th AGILE Conference on Geographic Information Science, Commission European, Palma, 171-182.   [زمان(های استناد): 1]
  38. Foody, GM (2004) مقایسه نقشه موضوعی: ارزیابی اهمیت آماری تفاوت ها در دقت طبقه بندی. مهندسی فتوگرامتری و سنجش از دور، 70، 627-633. https://dx.doi.org/10.14358/PERS.70.5.627   [Citation Time(s):1]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید