درک مکانیسم دینامیکی کاربری اراضی شهری و تکامل توزیع جمعیت از دیدگاه میکروسکوپی

با پیشرفت شهرنشینی، نادیده گرفتن تضاد در رابطه انسان و زمین دشوارتر و دشوارتر می شود. بررسی تغییر کاربری اراضی شهری، توزیع جمعیت و مکانیسم آن می تواند کمک شایانی به برنامه ریزی شهری کند. از آنجایی که تغییرات کاربری اراضی شهری و توزیع جمعیت فرآیندی پیچیده با ناهمگونی فضایی است، روش‌های کنونی برای توصیف آن‌ها هنوز هم در تفسیرپذیری و هم تفاوت‌های فضایی ندارند. در این مقاله، ما پدیده‌های گسترش کاربری زمین شهری و توزیع جمعیت را با معادله گرما ترکیب می‌کنیم تا مکانیسم را درک کنیم. الگوریتم بهینه سازی ازدحام ذرات (PSO) برای شناسایی ضریب انتشار برای به دست آوردن قانون انتشار در توسعه شهر استفاده می شود. به این ترتیب، ضریب انتشار شناسایی شده از داده ها به طور مستقیم با تغییرات شهری مرتبط است. مکانیسم تغییرات کاربری اراضی شهری و توزیع جمعیت را می توان با معادله انتشار و ضریب انتشار توضیح داد. مدل ما ابتدا بر روی داده‌های کاربری و پوشش زمین تأیید می‌شود، و به دنبال آن تفاوت‌های مکانی در داده‌های سطح غیرقابل نفوذ مصنوعی اصلاح می‌شود. نتایج آزمایش حاکی از آن است که با اعمال مدل بر روی داده های جمعیت، توانایی تعمیم مدل به طور قابل توجهی بهبود یافته است. به دنبال پالایش بیشتر تفاوت‌های فضایی در داده‌های سطح غیرقابل نفوذ مصنوعی. نتایج آزمایش حاکی از آن است که با اعمال مدل بر روی داده های جمعیت، توانایی تعمیم مدل به طور قابل توجهی بهبود یافته است. به دنبال پالایش بیشتر تفاوت‌های فضایی در داده‌های سطح غیرقابل نفوذ مصنوعی. نتایج آزمایش حاکی از آن است که با اعمال مدل بر روی داده های جمعیت، توانایی تعمیم مدل به طور قابل توجهی بهبود یافته است.

کلید واژه ها:

مکانیزم پویا ؛ معادله دیفرانسیل جزئی مرتبه دوم ; چشم انداز میکروسکوپی ; کاربری اراضی شهری ; توزیع جمعیت شهری

1. مقدمه

شهر به عنوان فضای اصلی زندگی انسان، نیازهای اساسی حیاتی برای بقای انسان را تامین می کند [ 1 ]. یکی از پدیده ها این است که با رشد جمعیت شهری، دامنه شهر نیز گسترش می یابد. با این حال، حد بالایی توسعه منطقه شهری محدود است، حتی اگر جمعیت شهری هنوز سال به سال بدون پایان قابل پیش بینی در حال افزایش است. این تضاد تقاضاهای بیشتری را در مورد ظرفیت تحمل جمعیت شهرها ایجاد می کند [ 2 ، 3 ]. در همین حال، پراکندگی شهری منجر به برخی اثرات ناخوشایند گسترش، مانند آلودگی محیطی [ 4 ، 5 ]، بیابان زایی زمین [ 6 ] و جنگل زدایی [ 7 ] شده است.]. همه اینها تضاد بین انسان و زمین را بیشتر تشدید می کند. درک تکامل زمانی و مکانی کاربری زمین شهری و توزیع جمعیت به برنامه ریزی مناسب توسعه شهری کمک می کند [ 8 ، 9 ]، که به کاهش تضاد بین انسان و زمین و تحقق توسعه پایدار شهر کمک می کند [ 10 ].

اگرچه تغییرات کاربری زمین شهری و توزیع جمعیت توسط عوامل عینی مانند سطح توسعه شهری و شرایط طبیعی محدود شده است، روند انتشار همچنان الگوی اصلی تغییر است [ 11 ، 12 ]. مدل های مختلف تلاش هایی را برای درک و شبیه سازی پراکندگی شهری انجام داده اند. این مدل ها را می توان به مدل های جعبه سیاه، مدل جعبه سفید و مدل جعبه خاکستری تقسیم کرد.

یک رویکرد معمولی در مدل‌های جعبه سیاه، یادگیری ماشینی است. روش‌های یادگیری ماشینی معمولاً توزیع داده‌ها را فرض نمی‌کنند، بنابراین برای مدیریت روابط غیرخطی در داده‌ها بهتر هستند [ 13 ]. روش های مختلف یادگیری ماشین شباهت هایی در به دست آوردن قوانین تکامل شهری دارند. قانون کاوی معمولاً به یک مشکل طبقه بندی تقلیل می یابد. اگرچه قوانین طبقه بندی تکامل شهری به دست آمده توسط یادگیری ماشین می تواند به پیش بینی کمک کند، این مدل خود یک مدل جعبه سیاه است که توضیح مکانیسم تغییر را دشوار می کند [ 14 ، 15 ].

روش های مدل جعبه سفید عبارتند از اتوماتای سلولی (CA) [ 16 ]، مدل مبتنی بر عامل (ABM) [ 17 ، 18 ]، فراکتال ها، شبکه های پیچیده و غیره. در CA، وضعیت سلول با قوانین ساده محلی تغییر می‌کند و در نتیجه نتیجه ماکروسکوپی تغییر کاربری زمین را تولید می‌کند [ 19 ، 20 ، 21]. مشابه CA، ABM به طور مداوم اصلاحاتی را از طریق تعامل بین عوامل و کل تغییرات وضعیت کلی انجام می دهد. از طریق این تعدیل مداوم، مدل در نهایت به شبیه سازی تکامل زمین شهری دست می یابد. هر دو CA و ABM تلاش می کنند تا فرآیند توسعه عناصر شهری را از دیدگاه میکروسکوپی درک کنند. نظریه فراکتال راه جدیدی برای درک تکامل توسعه شهری از منظر سیستم های پیچیده [ 22 ، 23 ، 24 ] ارائه می دهد و ویژگی های توزیع فضایی یکپارچه اشکال شهری را در مقیاس های فضایی مختلف نشان می دهد [ 25 ، 26 ، 27 ].]. برخی از محققان با الهام از سیستم های پیچیده، انواع کاربری زمین را به عنوان گره می گیرند و رابطه تبدیل بین انواع به عنوان لبه ها در نظر گرفته می شود. بر این اساس، آنها یک شبکه پیچیده برای تجزیه و تحلیل پایداری تکامل الگوهای فضایی کاربری زمین شهری می سازند [ 28 ، 29 ]. اگرچه این نوع مدل می تواند سیر تحول شهر را به طور کلی مشاهده کند، اما هنوز برای توصیف رابطه بین شهری ناکافی است.

بین دو نوع مدل فوق، مدل جعبه خاکستری است که شامل مدل‌های دینامیک سیستم (SD) و سیستم‌های تطبیقی پیچیده است. مدل SD مبتنی بر نظریه سیستم، نظریه اطلاعات و سایبرنتیک است و سیستم کاربری زمین شهری را از دیدگاه کلان مورد مطالعه قرار می دهد [ 30 ، 31 ، 32 ]. این مدل می‌تواند تعامل بین ساختار، عملکرد و رفتارهای مختلف سیستم کاربری اراضی را منعکس کند، اما نیاز به دانش تخصصی و عدم نمایش دینامیک فضایی دارد [ 33 ]]. در مدل سیستم تطبیقی پیچیده، قانون تبدیل با وضعیت فعلی و وضعیت محیط آن تعیین می شود. این قوانین تبدیل یا قوانین رفتار که به طور مصنوعی تنظیم می شوند، به طور مستقیم کیفیت شبیه سازی مدل را تعیین می کنند.

همچنین برخی از محققان وجود دارند که با ترکیب مزایای مدل جعبه سیاه و مدل جعبه سفید، مدل جدیدی را برای توصیف توسعه و تغییرات در زمین و جمعیت شهری ایجاد می کنند. آن مدل‌ها از روش‌های یادگیری ماشین برای تعیین قوانین تبدیل استفاده می‌کنند، که در مدل CA برای اجتناب از عدم قطعیت ناشی از تنظیمات مصنوعی استفاده می‌شود [ 20 ]. به عنوان مثال، الگوریتم جنگل تصادفی تحمل خوبی برای نقاط پرت و نویز دارد و مستعد بیش از حد برازش نیست، بنابراین می توان از آن برای بهبود عملکرد شبیه سازی مدل CA استفاده کرد [ 34 ].]. شبکه عصبی مصنوعی (ANN) یکی از پرکاربردترین روش‌های یادگیری ماشین برای استخراج قوانین تبدیل مدل CA است. لیو و همکاران ضریب اینرسی تطبیقی و مکانیزم رقابت رولت را در مدل CA معرفی کرد و مدل FLUS را با ترکیب ANN و SD پیشنهاد کرد [ 35 ]. با مثال هایی ثابت شد که مدل FLUS از دقت بالایی در پیش بینی تغییر کاربری اراضی برخوردار است.

بلومنفلد که توسط فرآیندهای فیزیکی خاص گنجانده شده است، اشاره کرد که با توجه به نوسان تراکم جمعیت در یک چرخه 100 ساله، منطقه با بیشترین رشد در یک چرخه خاص از مرکز شهر به سمت بیرون حرکت می کند [ 36 ]. بنابراین می توان از نظریه موج برای توصیف توسعه شهرها استفاده کرد. نیولینگ [ 37 ] از پروفایل موج به عنوان مبنایی نظری برای شناسایی تراکم جمعیت شهرها در مراحل مختلف توسعه استفاده کرد. در سال‌های اخیر، مدل‌های فیزیکی که در ارتباط با شهرها بسیار مورد توجه قرار گرفته‌اند، شامل مدل‌های نفوذی می‌شوند [ 38 ، 39 ].]. در مدل نفوذ، با تعیین آستانه های مختلف، فرم های فضایی شهری تکامل یافته و سپس مرزهای بافت فضایی شهری و روابط سلسله مراتبی فضایی به دست می آید. علاوه بر این، برخی از مدل‌های فیزیکی دیگر، مانند معادله انتشار، نیز در بسیاری از اجراهای مربوط به شهر استفاده می‌شوند. اولین مطالعات از یک معادله انتشار برای توصیف فرآیندهای فیزیکی پیچیده مربوط به شهرها استفاده می‌کنند که بر توصیف فرآیند انتشار آلاینده‌ها در شهرها تمرکز دارد [ 40 ]. جین و همکاران کاربرد معادله انتشار را در زمین شهری گسترش داد و از معادله گرما برای توصیف تغییر کاربری زمین یا پوشش زمین در شهر استفاده کرد [ 41 ].

با توجه به مزایا و معایب مدل‌های جعبه سفید و جعبه سیاه که در بالا ذکر شد، ما معادلات دیفرانسیل جزئی را برای شبیه‌سازی تغییرات کاربری زمین شهری و توزیع جمعیت در این مقاله پیشنهاد می‌کنیم. اول، از آنجایی که معادله انتشار یک معادله نظری است که از فیزیک آماری مشتق شده است، معادله دیفرانسیل جزئی می تواند تغییرات کاربری زمین و توزیع جمعیت را با توضیح خوبی ارائه دهد. در عین حال، معادله انتشار شامل عبارت‌های غیرخطی مشتق جزئی مرتبه اول در زمان و مشتق جزئی مرتبه دوم در فضا است که می‌تواند فرآیند غیرخطی را در فضا و زمان مشخص کند. مدل ما در هر واحد میکرو بر روی پارامترهای خاص با مدل جعبه سفید متفاوت است. بنابراین، نتایج مدل دارای ناهمگونی فضایی هستند. در پایان،

ادامه این مقاله به شرح زیر سازماندهی شده است. مواد و روش ها اطلاعات اولیه و تعریف مسئله را تشریح می کند. نتایج منطقه مورد مطالعه و داده ها و نتایج آزمایش شامل داده های کاربری و پوشش زمین، داده های غیرقابل نفوذ مصنوعی و داده های تراکم جمعیت را ارائه می دهد. بحث و نتیجه گیری در بحث و نتیجه گیری خلاصه می شود.

2. مواد و روشها

در این قسمت ابتدا تعریف واحدهای خرد نشان داده می شود. پس از معرفی فرآیند کلی الگوریتم، به طور متوالی تعاریف متغیرهای مرتبط، الگوریتم کمکی و فرمول مسئله را توضیح می دهیم.

برای واحد خرد، با مراجعه به مدل‌های CA و چند عاملی، هر واحد پایه تحت تأثیر عوامل متعدد، فرآیند تغییر غیرخطی را طی می‌کند و در نهایت یک شکل تکاملی پیچیده را به‌عنوان یک کل ارائه می‌کند. هر سلول و عامل را می توان به عنوان یک واحد میکروسکوپی مشاهده کرد. تعامل بین این واحدها فرآیند پویای کل سیستم را تشکیل می دهد. در عین حال، ناسازگاری فضایی این نیرو در نهایت سیستمی با ناهمگونی فضایی را تشکیل می دهد. در مورد تحول کاربری اراضی شهری و توزیع جمعیت، از دیدگاه میکروسکوپی، فرآیند ناهمگون ریز دینامیکی توزیع فضایی باعث می‌شود کاربری اراضی شهری و توزیع جمعیت ویژگی‌های پیچیده‌ای را به شکل فضایی ارائه دهند. برای نشان دادن بیشتر این فرآیند میکروسکوپی، داده‌های سطح غیرقابل نفوذ [42 ] از ناحیه گوانگمینگ در شنژن به عنوان مثال، همانطور که در شکل 1 نشان داده شده است. داده ها داده های شطرنجی هستند و هر شطرنجی را می توان به عنوان یک واحد میکروسکوپی در نظر گرفت. با تغییر زمان، سطح غیرقابل نفوذ منطقه گوانگمینگ به سمت بیرون گسترش می یابد. این فرآیند انتشار که در یک فضای سه بعدی نشان داده شده است، توزیعی از فراز و نشیب ها است و هر واحد کوچک تغییر تحت تأثیر همسایگی اطراف قرار می گیرد.

پس از اینکه مفهوم میکرو واحد روشن شد، روش‌های مختلفی را برای محاسبه مقدار غلظت واحد میکرو برای انواع داده‌های مختلف اتخاذ کردیم. سپس موقعیت نسبی در فرآیند انتشار با توجه به مقدار غلظت تعیین شد. هنگامی که موقعیت های نسبی در معادله انتشار مشخص شد، از الگوریتم PSO برای شناسایی ضرایب معادله انتشار استفاده می شود. در نهایت، توزیع ضریب انتشار را برای هر نوع داده به دست آوردیم. جریان کل روش در شکل 2 نشان داده شده است .

بخش زیر تعریف غلظت و جهت انتشار را نشان می دهد. سپس، مقدمه ای بر الگوریتم PSO ارائه می شود. زیر بخش فرمول مسئله، جریان پردازش معادله انتشار و تابع هدف نهایی را نشان می دهد.

2.1. مقدماتی

انتشار پدیده ای است که در آن یک ماده در امتداد گرادیان غلظت حرکت می کند. اختلاف غلظت عنصر را از یک منطقه با غلظت بالا به یک مکان با غلظت کم منتقل می کند تا زمانی که به طور مساوی توزیع شود. به عنوان نمونه ای از فرآیند توسعه شهری، مناطق ساخته شده در شهرها افزایش یافته است. این پدیده را می توان به عنوان غلظت منطقه ساخته شده در حال رشد مداوم در یک فضای خاص مشاهده کرد. برای چین، اگرچه سیاست‌ها جهت و روند توسعه شهری را هدایت می‌کنند، اما همچنان می‌توانیم گسترش سطوح غیرقابل نفوذ مصنوعی یا مناطق ساخته‌شده را از مناطق با تمرکز بالا (شهر مرکزی) به مناطق کم تمرکز (حومه شهر) مشاهده کنیم. بنابراین، به نظر می رسد که در روند توسعه شهری یک انتشار وجود دارد که در عین حال از قانون خاصی از انتشار پیروی می کند.

2.1.1. تعریف تمرکز

از آنجایی که مدل انتشار جهت غلظت ماده را در طول زمان مشخص می‌کند، باید غلظت ماده را مطابق با داده‌ها تعریف کنیم. توضیحات مختلف برای داده های برچسب دار و داده های بدون برچسب به شرح زیر است:

داده‌های برچسب‌گذاری‌شده: داده‌های برچسب‌گذاری‌شده به داده‌هایی در شبکه اشاره دارد که یک نوع خاص را نشان می‌دهند، و مقدار خاص برچسب هیچ معنایی را بیان نمی‌کند. فقط نماد یک نوع خاص است. به عنوان مثال، در داده های کاربری و پوشش زمین، بین اعداد و دسته ها مطابقت وجود دارد که در جدول 1 نشان داده شده است.. مقدار نشان دهنده نوع خاصی است که می تواند آزادانه تغییر کند، زیرا این تنظیم بر ویژگی های خود داده تأثیر نمی گذارد. برای این نوع داده ها، نکته کلیدی اطمینان از منحصر به فرد بودن این نگاشت است، زیرا خود عدد معنای عددی ندارد. در این مورد، نسبت شبکه از همان نوع را به عنوان شبکه مرکزی در همسایگی فضایی به عنوان مقدار غلظت شبکه در نظر می گیریم. به عنوان مثال، برای همسایگی فضایی از 3×3چهار شبکه در این محله فضایی از نوع شبکه مرکزی هستند. سپس، غلظت شبکه مرکزی است 4+19=0.5556، با چهار رقم اعشار.
داده های بدون برچسب: نقطه مقابل داده های برچسب گذاری شده، داده های بدون برچسب است. داده‌های بدون برچسب به داده‌هایی در شبکه اشاره دارند که معنای عددی خاصی را نشان می‌دهند. به عنوان مثال، در داده های جمعیت، مقدار هر شبکه نشان دهنده کل جمعیت منطقه در سال مربوطه است. برای این نوع داده های بدون برچسب، مقدار خاص در شبکه را می توان مستقیماً به عنوان غلظت روی شبکه تعریف کرد. با این حال، ترتیب بزرگی چنین داده‌هایی معمولاً غول‌پیکر است و واحدهای اندازه‌گیری داده‌ها نیز ناسازگار هستند. بنابراین، برای از بین بردن این تأثیر، این نوع داده ها باید نرمال شوند.

2.1.2. تعریف جهت انتشار

در طول فرآیند انتشار، قرار گرفتن گرادیان غلظت در موقعیت‌های مختلف فضایی باعث می‌شود که ماده در طول زمان تغییر کند. این غلظت های ناسازگار همچنین به طور عینی جهت انتشار ماده را مشخص می کند و فرآیند انتشار را به طور عینی تحت تأثیر قرار می دهد. هنگامی که از معادله انتشار برای شناسایی قانون انتشار شهری استفاده می کنیم، تعیین مستقیم جهت انتشار مواد از موقعیت جغرافیایی مکانی بسیار مهم می شود.

پس از به دست آوردن غلظت مواد هر میکرو واحد، تفاوت در غلظت مواد واحدهای انتشار مختلف ظاهر شد، بنابراین جهت انتشار مواد می‌تواند نمایان شود. بنابراین، در الگوریتم، تعریف می کنیم که در همسایگی واحد انتشار مرکزی، واحد انتشار با بیشترین غلظت به واحد انتشار با کمترین غلظت منتشر می شود. به عبارت دیگر، موقعیت با بیشترین غلظت، موقعیت قبلی در فرآیند انتشار است و موقعیت با کمترین غلظت، موقعیتی است که فرآیند انتشار در آینده تحت تأثیر قرار خواهد گرفت.

2.1.3. الگوریتم PSO

الگوریتم PSO یک روش محاسبه هوشمند برای حل مسائل بهینه سازی است. ایده اصلی الگوریتم PSO به روز رسانی ذرات با ردیابی راه حل های بهینه محلی و جهانی ذرات است. هنگامی که به شرط پایان رسید (پس از تعداد معینی از تکرارها یا اینکه دومی با یک خطای تجربی مواجه شد)، راه حل بهینه محلی فعلی به عنوان راه حل بهینه برای مسئله در نظر گرفته می شود. با فرض اینکه اندازه ازدحام ذرات N است و سرعت و موقعیت ذرات j با بردارهای بعدی N نشان داده می شود.Vjو پjبه ترتیب معادله تکراری الگوریتم PSO می باشد

Vj(ه+1)=ωVj(ه)+ج1r1(پj(ه)-پj(ه))+ج2r2(پg(ه)-پj(ه))|Vک(ه+1)|≤Vمترآایکس،ک∈[1،ن]پj(ه+1)=Vj(ه+1)+پj(ه).

(1)

جایی که Vj(ه)سرعت ذره j در نسل e است، پj(ه)موقعیت ذره j در نسل e است، پj(ه)موقعیت بهینه تاریخی فردی ذره j در نسل e است، پg(ه)موقعیت بهینه تاریخی ازدحام ذرات در نسل e است. w وزن اینرسی است، ج1ضریب شناختی است، ج2ضریب اجتماعی است و r1و r2اعداد تصادفی هستند [0،1]. قوانین به روز شده از پj(ه)و پg(ه)هستند

پj(ه)=پمن(ه-1)،اگرf(پj(ه))>f(پj(ه-1))،پj(ه)،در غیر این صورت

(2)

پg(ه)=آرگمین{f(پj(ه))|j=1،2،…،n}

(3)

اینجا، f(پj(ه))نشان دهنده ارزش تناسب اندام است پj(ه). هر چه مقدار تناسب کمتر باشد، تناسب مربوطه برای آن بهتر است پg(ه).

2.2. فرمول مسأله

پس از روشن شدن تعاریف غلظت و جهت انتشار در مدل، بخش زیر بر روی روش پردازش فرمول مدل، تعیین تابع هدف و فرآیند شناسایی ضرایب تمرکز دارد.

برای یک شهر، طبق قانون اول جغرافیا [ 16 ]، خود همبستگی فضایی موجود در این قانون خاص، بزرگی اثر همسایگی را نشان می دهد. هنگام تمرکز بر تغییرات مشاهده شده در عناصر کلیدی شهر، داده ها را به شبکه ها تقسیم کردیم و هر شبکه می تواند به عنوان یک واحد انتشار اساسی در نظر گرفته شود. از نظر اندازه گیری فرآیند انتشار شبکه مرکزی فعلی، از آنجایی که هر دسته در عناصر کلیدی به مرور زمان مساحت بیشتری را اشغال می کند، این فرآیند انتشار تحت تأثیر تقاضای رو به رشد آن و ممانعت از انتشار مناطق اطراف قرار می گیرد. بر اساس این ملاحظات، معادله انتشار زیر را در نظر می گیریم:

∂Φ(ایکس،تی)∂تی=آ(ایکس،تی)∂2Φ(ایکس،تی)∂ایکس2+اف(ایکس،تی)،

(4)

جایی که x موقعیت مکانی واحد انتشار جریان را نشان می دهد، t به معنای زمان انتشار است. Φ(ایکس،تی)وضعیت واحد انتشار در موقعیت x در زمان t و استاف(ایکس،تی)نقش نفوذ همسایگان را ایفا می کند. با ترکیب تعیین غلظت گونه ها و جهت انتشار برای هر شبکه، مطابقت نشان داده شده در شکل 3 را به دست آوردیم .

2.2.1. گسسته سازی معادله انتشار

از آنجایی که داده‌های عناصر کلیدی شهر به‌دست‌آمده گسسته هستند، رایانه نیز هنگام محاسبه آنها گسسته است. بنابراین، ما باید معادله انتشار داده شده در بالا را گسسته کنیم (معادله ( 4 )). برای مشتقات جزئی مرتبه اول و مشتقات جزئی مرتبه دوم در معادله از روش تفاضل مرکزی برای گسسته سازی استفاده کردیم و سپس رابطه زیر به دست آمد:

Φ(ایکس،تی+1)-Φ(ایکس،تی)Δتی=اف(ایکس،تی)+آ(ایکس،تی)(Δایکس)2[Φ(ایکس+1،تی)-2Φ(ایکس،تی)+Φ(ایکس-1،تی)].

(5)

با تنظیم مجدد معادله بالا متوجه می شویم که

Φ(ایکس،تی+1)=اف(ایکس،تی)Δتی+آ(ایکس،تی)Δتی(Δایکس)2[Φ(ایکس+1،تی)-2Φ(ایکس،تی)+Φ(ایکس-1،تی)]+Φ(ایکس،تی).

(6)

اجازه دهید D=آ(ایکس،تی)Δتی(Δایکس)2. سپس، ما داریم

Φ(ایکس،تی+1)=(1-2D)Φ(ایکس،تی)+D(Φ(ایکس-1،تی)+Φ(ایکس+1،تی))+اف(ایکس،تی)Δتی.

(7)

به این ترتیب، فرآیند گسسته سازی معادله انتشار را تکمیل کردیم و آن را برای محاسبه شبیه سازی کامپیوتری راحت کردیم. در عین حال، هر آیتم در معادله پس از گسسته سازی می تواند با داده های واقعی مشاهده شده مطابقت داشته باشد. به عنوان مثال، هنگامی که ما داده های مشاهده ای را در سال های 2013 و 2015، همراه با معادله ( 7 ) جمع آوری کردیم، می توانیم رابطه و فرمول تکراری زیر را بدست آوریم:

Φ(ایکس،2015)=[1-4آ(ایکس،2013)]Φ(ایکس،2013)+2اف(ایکس،2013)+2آ(ایکس،2013)[Φ(ایکس-1،2013)+Φ(ایکس+1،2013)]،

(8)

جایی که Δتی=2و Δایکس=1.

2.2.2. حل ضریب انتشار

ما می دانستیم که ضریب انتشار با تغییرات داده ها بین سال های مختلف، مطابق با محتوای قبلی، ارتباط نزدیکی دارد. از آنجایی که ما رابطه بیانی بین داده‌ها را ایجاد کردیم، وظیفه ما به یافتن ضریب انتشار تبدیل شد که بیان را بر اساس داده‌های مشاهده برآورده می‌کند. برای رابطه بین دو سالی که به دست آوردیم، از PSO برای شناسایی ضریب انتشار مجهول استفاده کردیم. به طور طبیعی، معادله ( 4 ) تابع هدف ما در الگوریتم PSO شد.

به طور دقیق تر، با توجه به تابع هدف گسسته در معادله ( 7 )، تنها ضریب D ناشناخته است. علاوه بر این، فقط متغیر آ(ایکس،تی)ناشناخته است زیرا هر دو Δتیو Δایکسمی توان از داده ها به دست آورد. این به کنار، ما همچنین می توانیم مربوطه را پیدا کنیم Φتی+1ایکس،Φتیایکس،Φتیایکس-1،Φتیایکس+1از داده های مبتنی بر تعریف جهت انتشار. سپس، برای هر تکرار e ، تابع تناسب برای هر ذره j در الگوریتم PSO به صورت زیر تنظیم شد:

f(ه)=آرگمین∥Φ(ایکس،تی)-Φه(ایکس،تی)∥22.

(9)

3. نتایج

این بخش برای معرفی نتایج تجربی ما به سه بخش تقسیم می شود. اولین مورد، منطقه و داده های مورد مطالعه ما است، و سپس الگوریتم خود را بر روی داده های کاربری و پوشش زمین تأیید می کنیم. در مرحله بعد، نتایج را با داده های ناحیه غیرقابل نفوذ مصنوعی نشان می دهیم. بخش آخر آزمایش های ما بر روی داده های تراکم جمعیت است.

3.1. منطقه و داده

شنژن یک شهر ساحلی در جنوب چین در مجاورت هنگ کنگ است. در جنوب استوایی سرطان بین 113∘43″E به 114∘38″E و 22∘24″N به 22∘52″N. منطقه اداری در شهر شنژن در شکل 4 نشان داده شده است . از زمان تاسیس شنژن در سال 1979، جمعیت شنژن از 310000 نفر در سال 1979 به 13.43 میلیون در سال 2019 40 برابر شده است. ، رتبه سوم در سرزمین اصلی چین و پنج برتر در شهرهای آسیایی. از سال 2017، زمین های توسعه یافته در شنژن از 27 افزایش یافته است کیلومتر2به 946 کیلومتر2، با میانگین افزایش سالانه 24 کیلومتر2[ 43 ]. شنژن 40 سال طول کشید تا تبدیل از یک دهکده ماهیگیری کوچک به یک شهر بزرگ را تکمیل کند و آن را به یک مورد بسیار معرف تبدیل کرد.

از آنجایی که مدل ما یک مدل میکروسکوپی بود، هرچه وضوح مکانی-زمانی داده‌هایی که استفاده می‌کنیم بیشتر باشد، بهتر است. از سوی دیگر، داده های لندست چند طیفی، چند رزولوشن و چند زمانی هستند، بنابراین پایش تغییرات LULC و گسترش شهری عمدتا بر اساس داده های لندست است. با ترکیب منطقه مورد مطالعه و در دسترس بودن رایگان داده ها، ما استفاده از زمین و پوشش زمین و محصولات داده های منطقه غیرقابل نفوذ مصنوعی داده های Landsat و همچنین داده های توزیع تراکم جمعیت ارائه شده توسط WorldPOP را اتخاذ کردیم:

داده‌های کاربری و پوشش زمین: داده‌های کاربری و پوشش زمین از داده‌هایی گرفته می‌شود که به صورت عمومی در اینترنت به اشتراک گذاشته شده‌اند. بازه زمانی از 1988 تا 2015 و بازه زمانی بین 2 تا 6 سال است. وضوح مکانی داده ها 30 متر است [ 44 ]. کاربری و پوشش اراضی شامل شش دسته جنگل، آب، مرتع، زمین زیر کشت، مساحت ساخته شده و زمین بایر است.
داده‌های منطقه غیرقابل نفوذ مصنوعی: داده‌های منطقه غیرقابل نفوذ مصنوعی را می‌توان مستقیماً از وب‌سایت کاری دانشگاه Tsinghua دانلود کرد. وضوح فضایی 30 متر است و میانگین دقت کلی بالاتر از 90٪ است [ 45 ]. این دقت برای داده ها در مطالعه مقیاس های جهانی قابل قبول است. داده های منطقه غیرقابل نفوذ مصنوعی را می توان مستقیماً از وب سایت کاری دانشگاه Tsinghua دانلود کرد.
داده های تراکم جمعیت: داده های جمعیت از داده های منتشر شده توسط WorldPOP گرفته شده است. فاصله زمانی داده ها از سال 2011 تا 2020 یک سال و تفکیک مکانی داده های جمعیتی 100 متر است. داده های جمعیت تولید شده در طول مطالعه فعلی در مخزن WorldPOP [ 46 ] موجود است.

3.2. مطالعه موردی

در این بخش سه آزمایش را تنظیم کردیم و همسایگی فضایی مورد استفاده در آزمایش محله کلاسیک مور بود. ابتدا، ضریب انتشار هر منطقه در شنژن از ناحیه ساخته شده در داده‌های کاربری و پوشش زمین شناسایی شد. با این کار، از داده‌های سطح غیرقابل نفوذ مصنوعی برای اصلاح ضریب انتشار به هر سلول شبکه استفاده کردیم. در نهایت، ضریب انتشار را در داده‌های بدون برچسب شناسایی کردیم و کل مدل را به داده‌های مختلف گسترش دادیم.

3.2.1. داده های کاربری و پوشش زمین

در این بخش، برای داده های هر سال، توزیع غلظت منطقه ساخته شده در هر ناحیه از شنژن را به عنوان یک زیر مجموعه در نظر می گیریم و روند انتشار مناطق ساخته شده را در مناطق مختلف در این زیر مجموعه بررسی می کنیم.

بر اساس اصول تجربی قبلی و تنظیمات آزمایشی، ما ضریب انتشار منطقه ساخته شده را در داده‌های کاربری و پوشش زمین شنژن از سال 1988 تا 2015 شناسایی کردیم. شکل 5 تغییر ضریب انتشار در ساخته‌شده را نشان می‌دهد. منطقه شنژن از نتایج، تغییرات ضریب انتشار در شنژن را می‌توان تقریباً به سه دسته تقسیم کرد: دسته اول شامل ناحیه داپنگ، دسته دوم شامل سه ناحیه یانتیان، پینگشان و لوهو و شش ناحیه باقی‌مانده به دسته‌بندی می‌شوند. دسته سوم

ما موقعیت مکانی هر ناحیه در شنژن را برای بدست آوردن شکل 6 ترسیم کردیم . از شکل مشاهده می شود که ضریب انتشار منطقه ساخته شده شنژن از شرق به غرب کاهش یافته است. در این میان، منطقه ساخته‌شده ناحیه جدید داپنگ همیشه دارای بالاترین ضریب انتشار بود که نشان می‌دهد منطقه ساخته‌شده ناحیه داپنگ در طول دوره مورد مطالعه در یک پدیده انتشار قوی قرار داشت. این وضعیت با توسعه مناطق مختلف در شنژن سازگار است. منطقه داپنگ، به عنوان یک منطقه جدید، مظهر سرزندگی و پتانسیل توسعه قوی است.

برای اینکه به وضوح تفاوت در ضرایب انتشار در این سه تغییر را نشان دهیم، ما به طور جداگانه تغییرات در مناطق ساخته شده از چهار منطقه شنژن را استخراج کردیم. در این میان ناحیه پینگشان نماینده دسته دوم بود. از آنجایی که دسته سوم شامل مناطق اداری بیشتری بود، منطقه Baoan را که بیشترین منطقه را پوشش می‌دهد و منطقه Futian که کمترین میانگین عملکرد ضریب انتشار را داشت، به عنوان نماینده استخراج کردیم. در شکل 7، می توانیم الگوهای انتشار مختلف را در هر منطقه ببینیم. هرچه ضریب انتشار بیشتر باشد، ویژگی‌های انبساط بیرونی منطقه ساخته‌شده واضح‌تر است، و اختلال کلی کوچک‌تر (یعنی انتشار متقاطع بین یکدیگر کمتر است)، و منطقه جدید داپنگ به عنوان مثال آورده شده است. هرچه ضریب انتشار کمتر باشد، اشکال کلی انبساط به بیرون، مانند ناحیه بائوان و ناحیه فوتین، کمتر آشکار می شود. بین این دو نوع، گسترش کلی ناحیه پینگشان به بیرون بسیار مشهود بود. با این حال، اغلب با انتشار متقاطع در منطقه همراه بود، و جهت انتشار یکنواخت به بیرون از دیدگاه فضایی کلی آشکار نبود.

3.2.2. داده های منطقه غیرقابل نفوذ مصنوعی

ما یک پالایش فضایی ضریب انتشار را بر اساس منطقه غیرقابل نفوذ مصنوعی استخراج شده در شنژن انجام دادیم. اعداد مختلف نشان دهنده نواحی سطح غیرقابل نفوذ جدید در سال های مختلف در داده های منطقه غیرقابل نفوذ مصنوعی هستند. مطابقت این عدد با سال در صفحه وب دانلود داده موجود است. با توجه به تعریف غلظت داده برچسب در بخش قبل، مقادیر غلظت را برای سطح نفوذناپذیر در یک سال مختلف به دست آوردیم.

در این بخش، شناسایی ضریب انتشار در هر شبکه فضایی را بیشتر اصلاح می‌کنیم و تغییرات غلظت سطح غیرقابل نفوذ در هر شبکه را بررسی می‌کنیم. سپس، شناسایی ضریب انتشار تا سطح شبکه با معادله انتشار که ساختیم انجام می شود. علاوه بر این، ما یک پیش‌بینی یک مرحله‌ای از ضریب انتشار در منطقه Guangming به طور خاص انجام می‌دهیم. بر اساس ضرایب انتشار شناسایی شده از سال 1985 تا 2017، توزیع فضایی منطقه غیرقابل نفوذ مصنوعی در سال 2018 پیش‌بینی شده است. نتایج پیش بینی در شکل 8 نشان داده شده است.

نتایج نشان می‌دهد که گسترش ناحیه غیرقابل نفوذ مصنوعی بیشتر در منطقه‌ای رخ می‌دهد که غلظت به شدت تغییر کرده است. علاوه بر این، زمانی که غلظت پیش‌بینی‌شده در سال 2018 از 0.95 فراتر رفت یا کمتر از 0.75- بود، می‌توان در نظر گرفت که انبساط سطح غیرقابل نفوذ با دقت کلی 58.53٪ به ترتیب رخ داده است. برای معادله انتشار، زمانی که ضریب انتشار منفی است، این نشان می دهد که فرآیند انتشار در این ناحیه ناپایدار است و ممکن است با تغییرات ناگهانی همراه باشد. بنابراین، هنوز قابل درک است که افزایش سطح نفوذناپذیر در منطقه ای رخ می دهد که ضریب انتشار منفی است. در عین حال، این نتیجه همچنین نشان می دهد که مدل چقدر موثر است. از آنجا که افزایش سطوح غیرقابل نفوذ ناشی از ترکیبی از عوامل است، روند تاریخی سطح نفوذناپذیر جدید تنها بخشی از نیروی محرکه را نشان می دهد. به نحوی دیگر، نتایج تجربی نشان می‌دهد که نزدیک به 60 درصد از نواحی جدید هنوز در اثر اینرسی تاریخی در طول گسترش سطح نفوذناپذیر در سال بعد ایجاد شده‌اند. این بدان معناست که سطح غیرقابل نفوذ جدید در منطقه گوانگ‌مینگ هنوز در اجرای این سیاست دارای تاخیر زمانی اجتناب‌ناپذیر است.

با توجه به نتایج پیش‌بینی برای منطقه Guangming، متوجه شدیم که نوسانات فضایی ضریب انتشار مربوطه در ناحیه‌ای که سطح نفوذناپذیر به شدت و متراکم تغییر کرده است، آشکارتر است. سپس انتشار غیرقابل نفوذ مصنوعی کلی در شنژن در سال 2018 را با مقدار غلظت سطح غیرقابل پیش بینی شده در سال 2018 مقایسه کردیم. نتایج در شکل 9 نشان داده شده است. ما همچنین دریافتیم که حتی در کل شنژن، این نتیجه‌گیری که انبساط سطحی غیرقابل نفوذ در مکان‌هایی با شکاف‌های غلظت شدید هنوز وجود دارد، بیشتر است.

3.2.3. داده های تراکم جمعیت

شناسایی ضریب انتشار نیز با داده های تراکم جمعیت شنژن انجام شد و نتایج در شکل 10 a نشان داده شده است. تغییر در تراکم جمعیت و روند انتشار شنژن نسبتاً ثابت بود، اما قدرت ظرفیت انتشار متفاوت بود. به طور کلی، ضریب انتشار هر ناحیه در شنژن مشابه شیب تغییر تراکم جمعیت در شنژن از سال 2011 تا 2020 بود ( شکل 10 ب را ببینید). به عبارت دیگر، ضریب انتشار می تواند میزان رشد جمعیت را تا حد معینی منعکس کند: هر چه ضریب انتشار بزرگتر باشد، رشد جمعیت آشکارتر است.

برای توضیح بیشتر ضرایب انتشار، داده‌های تراکم جمعیت را در ارتباط با منطقه‌بندی خیابان‌ها نمونه‌برداری کردیم. 10 ناحیه شنژن برای به دست آوردن توزیع ضریب انتشار در هر منطقه پیش‌بینی شد. به عنوان مرجع، داده های هفتمین سرشماری نفوس در شنژن را یافتیم که از وب سایت عمومی قابل دانلود است. تا کنون، تنها مناطق Futian، Guangming، Longhua، Luohu، Nanshan و Pingshan بولتن سرشماری را در سطح خیابان در شنژن منتشر کرده اند. بنابراین، مقایسه نتایج ما بر روی این شش منطقه در شنژن متمرکز شده است.

در شکل 11 ، بلوک‌هایی که با خطوط سیاه دایره شده‌اند، بلوک‌هایی با رشد ظاهری جمعیت در مناطق شنژن هستند، همانطور که در بولتن هفتم سرشماری شنژن آمده است. تصاویر از (a) تا (e) مربوط به منطقه Futian، منطقه Guangming، Longhua، Nanshan و Luohu است. از شکل مشخص می شود که در پنج ناحیه فوق ضرایب انتشار منطقه ای با رشد جمعیت به طور کلی بالاتر بوده است. این با تعریف ما برای ضریب انتشار مطابقت دارد، که بیشتر اثربخشی ضریب انتشار تعریف شده در این مقاله در موقعیت‌های واقعی را نشان می‌دهد.

4. بحث

این مقاله از جنبه های اصلی توسعه شهری و تغییراتی مانند کاربری و پوشش زمین، منطقه غیرقابل نفوذ مصنوعی و تراکم جمعیت آغاز شده است. با توجه به تغییرات ضرایب انتشار داده های مختلف، قوانین توسعه و تغییرات شهرها را بررسی کردیم. برای داده های کاربری و پوشش زمین، می توان مشاهده کرد که ضریب انتشار منطقه ساخته شده شنژن از شرق به غرب کاهش یافته است. در میان آنها، منطقه ساخته شده از Dapeng New District همیشه دارای بالاترین ضریب انتشار بود، که نشان می دهد منطقه ساخته شده Dapeng New District شنژن در طول دوره مورد مطالعه در یک پدیده انتشار قوی بود. این وضعیت با توسعه مناطق مختلف در شنژن سازگار است. منطقه جدید داپنگ، به عنوان یک منطقه جوان تر،

در داده‌های ناحیه غیرقابل نفوذ مصنوعی، متوجه شدیم که سطح غیرقابل نفوذ جدید معمولاً با تغییر شدید در ضریب انتشار همراه است. بدون در نظر گرفتن سایر عوامل و تنها بر اساس داده‌های سطح غیرقابل نفوذ تاریخی در منطقه گوانگ‌مینگ، می‌توان نزدیک به 60 درصد از سطح نفوذناپذیر جدید را در سال آینده شبیه‌سازی کرد. این همچنین به این معنی است که تأثیر روندهای تاریخی بر سطح نفوذناپذیر شنژن اینرسی است. از آنجایی که افزودن سطوح غیرقابل نفوذ در شنژن معمولاً توسط سیاست تعیین می شود، این نیز نشان می دهد که اجرای سیاست تا حدی به تأخیر می افتد.

برای داده های تراکم جمعیت، به طور کلی، نتایج نشان داد که ضرایب انتشار جمعیت در مناطقی که افزایش تراکم جمعیت بارزتر بود، بیشتر بود. از وضعیت پنج حوزه قضایی، در مقایسه با منطقه شهری مرکزی شنژن، ضریب انتشار منطقه شهری غیر مرکزی به طور کلی بالاتر از منطقه شهری مرکزی بود. این پدیده به این معنی است که پتانسیل رشد جمعیت فعلی شنژن عمدتاً در مناطق شهری غیر مرکزی توزیع شده است.

در مجموع، از نتایج تجربی سه داده، تراکم جمعیت، منطقه ساخته شده و منطقه غیرقابل نفوذ مصنوعی ویژگی‌های انتشار به بیرون را داشتند. علاوه بر این، نرخ رشد مناطق ساخته شده در مناطق مختلف متفاوت بود و نرخ رشد منطقه غرب به طور قابل توجهی سریعتر از منطقه شرقی بود. شبیه‌سازی و پیش‌بینی سطح نفوذناپذیر نشان می‌دهد که تاخیری در اجرای واقعی برنامه‌ریزی خط‌مشی وجود دارد که کمکی برای تعیین خط‌مشی بعدی می‌کند. از آنجایی که برنامه ریزی سیاست زمین همیشه بر اساس نیازهای مردم است، انتشار تراکم جمعیت می تواند به ارزیابی کلی سیاست کمک کند.

5. نتیجه گیری ها

در این مقاله، ما یک معادله انتشار برای شبیه‌سازی تکامل عناصر شهری از دیدگاه میکروسکوپی پیشنهاد کردیم. در طول این کار، ابتدا نحوه ایجاد مدل انتشار را توضیح دادیم. با توجه به آزمایش‌های داده‌های کاربری و پوشش زمین، ما تأیید کردیم که امکان توضیح تکامل عناصر کلیدی در شهرها از طریق نظریه انتشار وجود دارد. ضرایب انتشار شناسایی شده توسط الگوریتم PSO می تواند نشان دهنده تفاوت در گسترش مناطق ساخته شده در مناطق مختلف شهری باشد و حالت های گسترش را در واحدهای خرد منعکس کند. در مرحله بعد، تفاوت‌های فضایی را با دقت بیشتری در هر شبکه بیان کردیم، که در آن ضریب انتشار در داده‌های سطح غیرقابل نفوذ بیشتر اصلاح شد. از ضرایب انتشار هر میکرو واحد، ما دریافتیم که مناطقی که ضریب انتشار به شدت تغییر کرده است معمولاً با تقویت‌های جدید همراه هستند. در نهایت، عملکرد تعمیم مدل با اعمال آن در داده‌های تراکم جمعیت بهبود یافت. نتایج نشان می‌دهد که مدل ما نه تنها با داده‌های برچسب‌دار، بلکه با داده‌های بدون برچسب نیز به خوبی کار می‌کند.

در حالی که نتایج اثربخشی و توانایی تعمیم خوب مدل ما را نشان می‌دهد، برخی از جنبه‌ها هنوز نیاز به بهبود دارند. در طی فرآیند انتشار ناشی از گرادیان غلظت، کل ماده تا حد معینی جابجا می شود و به این فرآیند همرفت می گویند. برای این تغییر، مدل ما فقط از مشتق جزئی مرتبه دوم برای در نظر گرفتن فرآیند انتشار ساده استفاده می‌کند و فرآیند همرفتی را که در طول فرآیند انتشار رخ می‌دهد، توصیف نمی‌کند. به طور همزمان، تعامل بین داده های چند منبع در نظر گرفته نشد. اگرچه ممکن است تعامل بین این داده ها ساده نباشد، اما نمی توان از تعامل چشم پوشی کرد. فرآیند انتشار عناصر شهری تحت این چند داده جهت تحقیقات آینده ما خواهد بود.

منابع

ریس، دبلیو. Wackernagel، M. ردپای اکولوژیکی شهری: چرا شهرها نمی توانند پایدار باشند – و چرا آنها کلیدی برای پایداری هستند. محیط زیست ارزیابی تاثیر Rev. 1996 , 16 , 223-248. [ Google Scholar ] [ CrossRef ]
اوه، ک. جئونگ، ی. لی، دی. لی، دبلیو. چوی، جی. تعیین تراکم توسعه با استفاده از سیستم ارزیابی ظرفیت حمل شهری. Landsc. طرح شهری. 2005 ، 73 ، 1-15. [ Google Scholar ] [ CrossRef ]
وی، ی. هوانگ، سی. لام، PT; یوان، ز. توسعه پایدار شهری: بررسی ارزیابی ظرفیت حمل شهری. Habitat Int. 2015 ، 46 ، 64-71. [ Google Scholar ] [ CrossRef ]
رومرو، اچ. اهل، م. ریورا، ا. زالزار، پ. Azocar، P. رشد سریع شهری، تغییرات کاربری زمین و آلودگی هوا در سانتیاگو، شیلی. اتمس. محیط زیست 1999 ، 33 ، 4039-4047. [ Google Scholar ] [ CrossRef ]
رودریگز مارتین، جی. دی آرانا، سی. راموس-میراس، جی. گیل، سی. بولودا، آر. تأثیر 70 سال رشد شهری مرتبط با آلودگی فلزات سنگین. محیط زیست آلودگی 2015 ، 196 ، 156-163. [ Google Scholar ] [ CrossRef ] [ PubMed ]
باربرو-سیرا، سی. مارکز، ام جی; Ruiz-Pérez, M. مورد پراکندگی شهری در اسپانیا به عنوان یک نیروی محرکه فعال و برگشت ناپذیر برای بیابان زایی. J. محیط خشک. 2013 ، 90 ، 95-102. [ Google Scholar ] [ CrossRef ]
DeFries، RS; رودل، تی. اوریارته، م. هانسن، ام. جنگل زدایی ناشی از رشد جمعیت شهری و تجارت کشاورزی در قرن بیست و یکم. نات. Geosci. 2010 ، 3 ، 178-181. [ Google Scholar ] [ CrossRef ]
کلوپ، جی.ام. پترتا، دی‌ال. هدف توسعه پایدار شهری: شاخص‌ها، پیچیدگی و سیاست اندازه‌گیری شهرها. شهرها 2017 ، 63 ، 92-97. [ Google Scholar ] [ CrossRef ]
لی، اف. لیو، ایکس. هو، دی. وانگ، آر. یانگ، دبلیو. لی، دی. ژائو، دی. شاخص‌های اندازه‌گیری و رویکرد ارزیابی برای ارزیابی توسعه پایدار شهری: مطالعه موردی برای شهر جینینگ چین. Landsc. طرح شهری. 2009 ، 90 ، 134-142. [ Google Scholar ] [ CrossRef ]
تیان، ال. شن، تی. ارزیابی اجرای طرح در چین انتقالی: موردی از طرح جامع شهر گوانگژو. شهرها 2011 ، 28 ، 11-27. [ Google Scholar ] [ CrossRef ]
مک ووی، الگوهای انتشار EC در ایالات متحده. صبح. اجتماعی Rev. 1940 , 5 , 219-227. [ Google Scholar ] [ CrossRef ]
او، س. آهنگ، ی. لیو، ی. یین، سی. انتشار یا ادغام؟ الگوی رشد شهری و تغییر در 363 شهر چین از سال 1995 تا 2015. پایداری. جامعه شهرها 2017 ، 35 ، 729-739. [ Google Scholar ] [ CrossRef ]
چاتورودی، وی. de Vries، الگوریتم های یادگیری ماشین WT برای برنامه ریزی کاربری زمین شهری: یک بررسی. علوم شهری 2021 ، 5 ، 68. [ Google Scholar ] [ CrossRef ]
چان، JCW; چان، KP; بله، AGO تشخیص ماهیت تغییر در یک محیط شهری: مقایسه الگوریتم های یادگیری ماشین. فتوگرام مهندس Remote Sens. 2001 , 67 , 213-226. [ Google Scholar ]
وهرا، ر. تیواری، ک. تحلیل مقایسه ای طبقه بندی کننده های SVM و ANN با استفاده از ادغام چند سطحی داده های چند حسگر در طبقه بندی زمین شهری. Sens. Imaging 2020 , 21 , 1–21. [ Google Scholar ] [ CrossRef ]
Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
الغیس، ن. Pullar، D. مدل سازی اثرات آینده توسعه شهری در کویت با استفاده از ABM و GIS. ترانس. GIS 2018 ، 22 ، 20-42. [ Google Scholar ] [ CrossRef ]
لی، اف. لی، ز. چن، اچ. چن، ز. لی، ام. مدل تعبیه‌شده یادگیری مبتنی بر عامل (ABM-Learning) برای برنامه‌ریزی کاربری زمین شهری: مطالعه موردی شبیه‌سازی رشد زمین مسکونی در شنژن، چین. خط مشی استفاده از زمین 2020 , 95 , 104620. [ Google Scholar ] [ CrossRef ]
مو، ال. وانگ، ال. وانگ، ی. چن، ایکس. Han, W. پیش‌بینی تغییر کاربری زمین و پوشش زمین شهری از طریق یادگیری عمیق مبتنی بر سلولی خودسازگار با داده‌های چند منبعی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2019 , 12 , 5233–5247. [ Google Scholar ] [ CrossRef ]
گوان، کیو. وانگ، ال. Clarke، KC یک مدل CA محدود مبتنی بر شبکه عصبی مصنوعی برای شبیه‌سازی رشد شهری. کارتوگر. Geogr. Inf. علمی 2005 ، 32 ، 369-380. [ Google Scholar ] [ CrossRef ]
وانگ، جی. Mountrakis، G. توسعه یک مدل شهرنشینی چند شبکه ای: مطالعه موردی رشد شهری در دنور، کلرادو. بین المللی جی. جئوگر. Inf. علمی 2011 ، 25 ، 229-253. [ Google Scholar ] [ CrossRef ]
باتی، م. Longley, PA Urban به صورت فراکتال ها شکل می گیرد. Area 1987 , 19 , 215-221. [ Google Scholar ] [ CrossRef ]
فنگ، جی. چن، ی. تکامل فضایی و زمانی شکل شهری و ساختار کاربری زمین در هانگژو، چین: شواهدی از فراکتال ها. محیط زیست طرح. B طرح. دس 2010 ، 37 ، 838-856. [ Google Scholar ] [ CrossRef ]
چنگ، ال. وانگ، ال. فنگ، R. ویژگی های فراکتال و تکامل کاربری زمین شهری: مطالعه موردی در شهر شنژن (1988-2015). در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IGARSS 2020-2020 IEEE، مجازی، 26 سپتامبر تا 2 اکتبر 2020؛ صص 4275-4278. [ Google Scholar ] [ CrossRef ]
Makse، HA; هاولین، اس. استنلی، HE مدل سازی الگوهای رشد شهری. طبیعت 1995 ، 377 ، 608-612. [ Google Scholar ] [ CrossRef ]
Batty، M. شهرها به عنوان سیستم های پیچیده: مقیاس بندی، تعامل، شبکه ها، دینامیک و مورفولوژی های شهری. در دایره المعارف پیچیدگی و علوم سیستمی ; Springer: New York, NY, USA, 2009; ص 1041-1071. [ Google Scholar ] [ CrossRef ]
خو، جی. خو، ز. گو، ی. لی، دبلیو. پان، ی. لیو، جی. Jiao, L. قوانین مقیاس بندی در سیستم های درون شهری و در طول زمان در سطح منطقه در شانگهای، چین. فیزیک یک آمار مکانیک. برنامه آن است. 2020 , 560 , 125162. [ Google Scholar ] [ CrossRef ]
بوکالتی، اس. لاتورا، وی. مورنو، ی. چاوز، م. شبکه های پیچیده Hwang، DU: ساختار و پویایی فیزیک Rep. 2006 , 424 , 175-308. [ Google Scholar ] [ CrossRef ]
اندرسون، سی. فرنکن، ک. Hellervik، A. رویکرد شبکه ای پیچیده به رشد شهری. محیط زیست طرح. A 2006 ، 38 ، 1941-1964. [ Google Scholar ] [ CrossRef ]
Ogata, K. System Dynamics ; Prentice-Hall, Inc.: Englewood Cliffs, NJ, USA, 1978. [ Google Scholar ]
وانگ، Q. یک مدل پویا سیستم برای زیرساخت و کاربرد آن. سیستم روش تئوری مهندسی. Appl. 1998 ، 197 ، 420-427. [ Google Scholar ]
او، سی. اوکادا، ن. ژانگ، Q. کشتی.؛ Zhang، J. مدلسازی سناریوهای گسترش شهری با جفت کردن مدل اتوماتای سلولی و مدل پویا سیستم در پکن، چین. Appl. Geogr. 2006 ، 26 ، 323-345. [ Google Scholar ] [ CrossRef ]
هان، جی. هایاشی، ی. کائو، ایکس. ایمورا، H. کاربرد یک مدل دینامیک سیستم یکپارچه و اتوماتای سلولی برای ارزیابی رشد شهری: مطالعه موردی شانگهای، چین. Landsc. طرح شهری. 2009 ، 91 ، 133-141. [ Google Scholar ] [ CrossRef ]
کاموسوکو، سی. گامبا، ج. شبیه‌سازی رشد شهری با استفاده از مدل تصادفی اتوماتای جنگلی سلولی (RF-CA). ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 447-470. [ Google Scholar ] [ CrossRef ]
لیو، ایکس. لیانگ، ایکس. لی، ایکس. خو، X. او، جی. چن، ی. لی، اس. وانگ، اس. Pei, F. یک مدل شبیه‌سازی کاربری زمین در آینده (FLUS) برای شبیه‌سازی سناریوهای کاربری زمین با جفت کردن اثرات انسانی و طبیعی. Landsc. طرح شهری. 2017 ، 168 ، 94-116. [ Google Scholar ] [ CrossRef ]
بلومنفلد، اچ. موج جزر و مدی گسترش متروپولیتن. مربا. Inst. برنامه ریزان 1954 ، 20 ، 3-14. [ Google Scholar ] [ CrossRef ]
نیولینگ، تغییر فضایی تراکم جمعیت شهری. Geogr. Rev. 1969 , 59 , 242-252. [ Google Scholar ] [ CrossRef ]
Makse، HA; Andrade، JS; باتی، م. هاولین، اس. استنلی، HE مدل سازی الگوهای رشد شهری با نفوذ همبسته. فیزیک Rev. E 1998 , 58 , 7054. [ Google Scholar ] [ CrossRef ]
فلوشنیک، تی. کریوالد، اس. گارسیا کانتو راس، ای. ژو، بی. Reusser، DE; کروپ، جی پی؛ Rybski، D. توزیع اندازه، ویژگی‌های مقیاس‌بندی و سازمان فضایی خوشه‌های شهری: دیدگاه نفوذ جهانی و منطقه‌ای. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 110. [ Google Scholar ] [ CrossRef ]
ترنر، DB یک مدل انتشار برای یک منطقه شهری. J. Appl. هواشناسی کلیماتول. 1964 ، 3 ، 83-91. [ Google Scholar ] [ CrossRef ]
جین، م. فنگ، آر. وانگ، ال. Yan, J. A Study of Diffusion Equation-Based-Use-Use/Cover Change Simulation. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 383. [ Google Scholar ] [ CrossRef ]
هوانگ، ایکس. لی، جی. یانگ، جی. ژانگ، ز. لی، دی. لیو، X. دینامیک سطح جهانی غیرقابل نفوذ 30 متر و الگوی گسترش شهری مشاهده شده توسط ماهواره های لندست: از 1972 تا 2019. علمی. علوم زمین چین 2021 ، 64 ، 1922-1933. [ Google Scholar ] [ CrossRef ]
یو، دبلیو. ژانگ، ی. ژو، دبلیو. وانگ، دبلیو. تانگ، R. گسترش شهری در شنژن از دهه 1970: نگاهی به گذشته از تغییر از یک روستا به یک ابرشهر از فضا. فیزیک شیمی. Earth Parts A/B/C 2019 ، 110 ، 21–30. [ Google Scholar ] [ CrossRef ]
دو، پ. چن، ی. نظارت پویا از تغییر کاربری زمین/پوشش زمین و گسترش شهری در شنژن با استفاده از تصاویر Landsat از سال 1988 تا 2015. بین المللی. J. Remote Sens. 2017 , 38 , 5388–5407. [ Google Scholar ] [ CrossRef ]
گونگ، پی. لی، ایکس. وانگ، جی. بای، ی. چن، بی. هو، تی. لیو، ایکس. خو، بی. یانگ، جی. ژانگ، دبلیو. و همکاران نقشه‌های سالانه منطقه غیرقابل نفوذ مصنوعی جهانی (GAIA) بین سال‌های 1985 و 2018. سنسور از راه دور محیط زیست. 2020 , 236 , 111510. [ Google Scholar ] [ CrossRef ]
ورلد پاپ کشورهای منفرد بدون محدودیت 2000-2020 تعدیل شده سازمان ملل (100 متر قطعنامه). در دسترس آنلاین: https://hub.worldpop.org/geodata/listing?id=69 (در 31 ژوئیه 2022 قابل دسترسی است).

شکل 1. تغییرات در سطح غیرقابل نفوذ در منطقه گوانگمینگ، شنژن از ماکرو به میکرو (1972-2019).

شکل 2. جریان روش استفاده از الگوریتم PSO برای شناسایی ضریب انتشار.

شکل 3. غلظت در شبکه مربوط به موقعیت در فرآیند انتشار.

شکل 4. منطقه اداری در شهر شنژن.

شکل 5. تغییرات در ضریب انتشار برای مناطق ساخته شده در شنژن.

شکل 6. نقشه بین دسته های مختلف ضریب انتشار و مناطق اداری شنژن.

شکل 7. فرآیند انتشار مناطق ساخته شده در مناطق مختلف شنژن.

شکل 8. افزایش واقعی و پیش‌بینی منطقه غیرقابل نفوذ مصنوعی در منطقه گوانگ‌مینگ در سال 2018. ( الف ) افزایش واقعی سطح غیرقابل نفوذ مصنوعی (2018). ( ب ) توزیع احتمال سطح غیرقابل نفوذ جدید پیش بینی شده توسط انتشار در معادله (2018).

شکل 9. افزایش واقعی و پیش بینی منطقه غیرقابل نفوذ مصنوعی در شنژن (2018).

شکل 10. توزیع ضریب انتشار و نرخ رشد جمعیت در شنژن از سال 2011 تا 2020. ( الف ) توزیع ضریب انتشار. ب ) توزیع رشد جمعیت.

شکل 11. ضرایب انتشار و بلوک های رشد جمعیت واقعی در پنج منطقه شنژن.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه