Dongguan یک شهر صنعتی مهم است که در دلتای رودخانه مروارید در جنوب چین واقع شده است. اخیراً، شهر Dongguan با تبدیل از منطقه کشاورزی سنتی به کلان شهر تولیدی مدرن، رشد سریع شهری را با مزیت موقعیت مکانی تجربه کرد. دگرگونی شهری به تغییر معمول چین در پس زمینه شهرنشینی تبدیل شد که به یکی از روندهای جهانی شدن در قرن بیست و یکم تعلق دارد. این مقاله سعی دارد شبیه‌سازی رشد شهری را بر اساس داده‌های سنجش از دور سال‌های گذشته و عوامل فیزیکی و اجتماعی-اقتصادی مرتبط تجزیه و تحلیل کند و رشد شهری آینده را در سال 2024 پیش‌بینی کند. بر روی نقشه های تولید شده در سال های 1383، 1388 و 1393. نتایج نشان داد که سطح آب و جنگل نسبت به سال های گذشته کاهش یافته است. متقابلا، زمین شهری از سال 2004 تا 2014 افزایش یافته است و این روند افزایشی تا سال های آینده از طریق فرآیند شهرنشینی ادامه خواهد داشت. با درک روندهای مکانی-زمانی رشد شهری، این مطالعه رشد شهری شهر دونگوان را برای سال 2024 با استفاده از تکنیک شبیه‌سازی شبکه عصبی شبیه‌سازی کرد. همچنین رقم شایستگی (FoM) نقشه شبیه‌سازی شده سال 2014 برابر با 86/8 درصد بوده است که می‌توان آن را در شبیه‌سازی پذیرفت و در فرآیند پیش‌بینی استفاده کرد. بر اساس در نظر گرفتن بدنه آبی و جنگل، منطقه تازه رشد در مناطق غربی، شمال شرقی و جنوب شرقی شهر دونگوان قرار دارد. این یافته می تواند به ما کمک کند تا درک کنیم که کدام مناطق در برنامه ریزی و سیاست شهری آینده توسط دولت محلی مورد توجه قرار خواهند گرفت. با درک روندهای مکانی-زمانی رشد شهری، این مطالعه رشد شهری شهر دونگوان را برای سال 2024 با استفاده از تکنیک شبیه‌سازی شبکه عصبی شبیه‌سازی کرد. همچنین رقم شایستگی (FoM) نقشه شبیه‌سازی شده سال 2014 برابر با 86/8 درصد بوده است که می‌توان آن را در شبیه‌سازی پذیرفت و در فرآیند پیش‌بینی استفاده کرد. بر اساس در نظر گرفتن بدنه آبی و جنگل، منطقه تازه رشد در مناطق غربی، شمال شرقی و جنوب شرقی شهر دونگوان قرار دارد. این یافته می تواند به ما کمک کند تا درک کنیم که کدام مناطق در برنامه ریزی و سیاست شهری آینده توسط دولت محلی مورد توجه قرار خواهند گرفت. با درک روندهای مکانی-زمانی رشد شهری، این مطالعه رشد شهری شهر دونگوان را برای سال 2024 با استفاده از تکنیک شبیه‌سازی شبکه عصبی شبیه‌سازی کرد. همچنین رقم شایستگی (FoM) نقشه شبیه‌سازی شده سال 2014 برابر با 86/8 درصد بوده است که می‌توان آن را در شبیه‌سازی پذیرفت و در فرآیند پیش‌بینی استفاده کرد. بر اساس در نظر گرفتن بدنه آبی و جنگل، منطقه تازه رشد در مناطق غربی، شمال شرقی و جنوب شرقی شهر دونگوان قرار دارد. این یافته می تواند به ما کمک کند تا درک کنیم که کدام مناطق در برنامه ریزی و سیاست شهری آینده توسط دولت محلی مورد توجه قرار خواهند گرفت. که می تواند در شبیه سازی پذیرفته شده و در فرآیند پیش بینی مورد استفاده قرار گیرد. بر اساس در نظر گرفتن بدنه آبی و جنگل، منطقه تازه رشد در مناطق غربی، شمال شرقی و جنوب شرقی شهر دونگوان قرار دارد. این یافته می تواند به ما کمک کند تا درک کنیم که کدام مناطق در برنامه ریزی و سیاست شهری آینده توسط دولت محلی مورد توجه قرار خواهند گرفت. که می تواند در شبیه سازی پذیرفته شده و در فرآیند پیش بینی مورد استفاده قرار گیرد. بر اساس در نظر گرفتن بدنه آبی و جنگل، منطقه تازه رشد در مناطق غربی، شمال شرقی و جنوب شرقی شهر دونگوان قرار دارد. این یافته می تواند به ما کمک کند تا درک کنیم که کدام مناطق در برنامه ریزی و سیاست شهری آینده توسط دولت محلی مورد توجه قرار خواهند گرفت.

کلید واژه ها

رشد شهری ، شبیه سازی شبکه عصبی ، شهر دونگوان

1. مقدمه

با توسعه رشد شهری در سراسر جهان، چین نیز توسعه سریع شهری را تجربه کرده است. پدیده رشد شهری به ویژه در کشورهای در حال توسعه گسترش یافته است. برخی مطالعات تخمین زده اند که بیش از سه میلیارد نفر تا سال 2050 در مناطق شهری زندگی خواهند کرد که 80 درصد از آنها ساکنان شهرهای کشورهای در حال توسعه خواهند بود [ 1 ] [ 2 ]. کاموسوکو و همکاران [ 3 ] کل وضعیت اضطراری رشد شهری در آسیا و آفریقا را خلاصه کرد: طبق گزارش سازمان ملل [ 1 ]پیش بینی می شود جمعیت شهری در آسیا از 1.8 میلیارد در سال 2010 به 3.4 میلیارد در سال 2050 افزایش یابد، در حالی که پیش بینی می شود جمعیت شهری در آفریقا از 0.8 میلیارد در سال 2010 به 3.4 میلیارد در سال 2050 افزایش یابد. این امر مستلزم گسترش سریعتر شهری در شهر و زیرساختهای شهری کافی برای برآوردن نیازهای زندگی جمعیت شهری است. علاوه بر این، رشد شهری پدیده کلیدی توسعه شهری است و توسعه اقتصادی مربوط به کل شهر را ایجاد می کند.

گسترش شهری در چین به سرعت در حال رشد است. نرخ گسترش سالانه از 2007 تا 2012 5.2% گزارش شده است [ 4 ]. ادبیات زیادی در مورد رشد شهری شهرهای چین وجود دارد که در سال های اخیر مورد تجزیه و تحلیل قرار گرفته است. رشد شهری و اثرات زیست محیطی آن در سه منطقه چین مورد بررسی و مقایسه قرار گرفت: جینگ جین-جی، دلتای رودخانه یانگ تسه و دلتای رودخانه مروارید [ 5] . این سه منطقه مناطق محبوبی بوده اند که توسط محققان چینی مورد مطالعه قرار گرفته اند. آنها سعی کردند رشد شهری را در شهرهای مختلف در هر یک از مقیاس های مختلف تحلیل کنند و سعی کردند توسعه رشد شهری را در آینده پیش بینی کنند. تحقیقات رشد شهری نیز در شهر Dongguan چین مشاهده شده است که در آن زمین های شهری و صنعتی به سرعت و به طور مداوم در حال گسترش هستند [ 5 ].

امنیت زیست محیطی در شرایط شهرنشینی سریع در چین به یک مسئله اصلی تبدیل شده است و توسعه سریع شهری باعث تهدیدات قابل توجهی برای حفاظت از مناطق طبیعی شده است [ 6 ]. با توسعه گسترش شهری، این امر احتمالاً تا حدی به امنیت اکولوژیکی آسیب وارد کرده است [ 6 ]. هر شهری باید فضای سبز شهری را در نظر بگیرد و از آن محافظت کند تا بتواند به اندازه کافی محیط زیستی و راحت را به افراد ساکن در شهر یا جامعه خود ارائه دهد. این امر مستلزم آن است که برنامه ریزی یک شهر در شرایط متعادل بین گسترش شهری و امنیت اکولوژیکی علمی تر و پایدارتر باشد.

تابلر [ 7 ] شاید اولین کسی بود که مزیت اتوماتای ​​سلولی (CA) را در حل مسائل پیچیده جغرافیایی تایید کرد و مدل های CA را برای شبیه سازی گسترش منطقه دیترویت به کار برد و اولین قانون جغرافیا را ذکر کرد. کوکللیس و همکاران [ 8 ] [ 9 ] چارچوب نظری را برای CA مبتنی بر جغرافیا ارائه کرد و آن را برای شبیه‌سازی گسترش شهری و پویایی جمعیت به کار برد و در مورد علاقه بالقوه CA به جغرافیدانان در جنبه شبیه‌سازی رشد شهری بحث کرد. باتی و همکاران [ 10 ] [ 11] یک سری تحقیقات در شبیه سازی رشد شهری و فرم شهری بر اساس تئوری فراکتال و CA نشان داد و کلاسی از مدل های شهری به نام DUEM ارائه کرد و از آن برای شبیه سازی پویایی شهری در بوفالو استفاده کرد. وایت و انگلن [ 12 ] کاربرد CA را در زمینه برنامه ریزی شهری تحلیل کردند. وایت و انگلن [ 13 ] یک نمایش دقیق فضایی از تکامل الگوهای کاربری زمین شهری سینسیناتی بر اساس CA محدود ارائه کردند. کلارک و گایدوس [ 14 ] مدل SLEUTH را توسعه دادند و به ترتیب در دو منطقه شهری با رشد سریع، اما به طور قابل توجهی متفاوت در خلیج سانفرانسیسکو و کریدور واشنگتن/بالتیمور استفاده شده است. وو و همکاران [ 15 ] [ 16] مدل MCE-CA را توسعه داده و در ارائه قوانین انتقال توسط AHP و رگرسیون لجستیک برای شبیه سازی گسترش شهری گوانگژو، چین موفق بوده است.

محققان محلی چینی سهم بالایی در شبیه سازی رشد شهری دارند. لی ایکس و یه آگو و همکاران. [ 17 ] [ 18 ] قوانین انتقال/عملکرد MCE، ANN، سلول‌های خاکستری، الگوریتم ژنتیک، الگوریتم کلونی مورچه‌ها و غیره را پیشنهاد کردند . علاوه بر این، MAS رویکرد جدیدی است که باید در دهه‌های اخیر با CA یکپارچه شود. Li X. و Liu XP و همکاران. [ 17 ] [ 18] CA، MAS و بهینه‌سازی فضایی یکپارچه برای شبیه‌سازی گسترش شهری و جستجوی تسهیلات بهینه نشستن/توسعه حمل‌ونقل/حفاظت طبیعی، و برنامه‌های کاربردی در CA مبتنی بر فیشر، CA مبتنی بر هسته، پشتیبانی بردار CA، مجموعه‌های خشن، CA مبتنی بر مورد , فضای ویژه با ابعاد بالا، ACO (Ant Colony Optimization) CA، بازپخت شبیه سازی شده، سیستم ایمنی مصنوعی برای شبیه سازی گسترش شهری. سه الگوریتم اکتشافی اغلب در رشته برنامه‌ریزی شهری استفاده می‌شوند، که اساساً نیاز به ادغام با CA برای شبیه‌سازی کاربری زمین و پوشش زمین دارند، و اینها رویکردهای نوآورانه جدیدی برای مدل‌سازی LULC برای شهرهای ما پایدارتر و علمی‌تر هستند.

مدل ANN-Urban-CA می‌تواند فرآیند پیچیده و غیرخطی مکانی-زمانی رشد شهری را در یک زمان محاسباتی نسبتاً کوتاه شبیه‌سازی و پیش‌بینی کند [ 20 ]. بنابراین، ANN-CA یک انتخاب قابل انطباق برای اعمال در فرآیند شبیه‌سازی رشد شهری است. مطالعه مربوط به این شهر نشان داده است که دونگوان در دو دهه گذشته از یک شهرستان کشاورزی سنتی به یک کلان شهر تولیدی مدرن تبدیل شده است [ 21 ]. این دگرگونی تبدیل به تغییر معمول در چین در پس زمینه شهرنشینی شد که به یکی از روندهای جهانی شدن در قرن 21 تعلق دارد، اکثر دسته بندی زمین ها از غیر شهری به شهری بر اساس فرآیند شهرنشینی تبدیل شدند.

نویسنده سه هدف از کار پژوهشی را از دو منظر خلاصه کرده است که به شرح زیر بیان شده است: 1) از منظر عوامل تأثیرگذار، عوامل تأثیرگذار به عوامل فیزیکی و عوامل اجتماعی-اقتصادی تقسیم می‌شوند، بنابراین این تحقیق با هدف شبیه‌سازی شهری انجام شده است. گسترش شهر دونگوان با ادغام عوامل فیزیکی و اجتماعی-اقتصادی. 2) از دیدگاه مدل تحقیق، نویسنده از مدل ANN در مطالعه استفاده کرده است. هدف آن تحلیل توسعه شهری بر اساس مدل ANN بود و بهترین نتیجه شاخص کاپا برای تحلیل بیشتر برای پیش‌بینی رشد شهری شهر دونگوان در سال 2024 مورد بحث و بررسی قرار گرفت.

هدف این مقاله تحلیل شبیه‌سازی رشد شهری بر اساس داده‌های سنجش از دور سال‌های گذشته و عوامل فیزیکی و اجتماعی-اقتصادی مرتبط و پیش‌بینی رشد شهری در سال پیش‌بینی‌شده در سال 2024 است. طرح این شهر و مناطق مستعدی که قرار است توسط دولت محلی در برنامه آینده در نظر گرفته شود. شبیه‌سازی رشد شهری برای استفاده و استفاده در برنامه‌های آینده از منظر برنامه‌ریزی شهری رایج است. گسترش شهری مشاهده شده در چین و به ویژه شهرهایی مانند Dongguan، بسیاری از محققان را بر آن داشته است تا رویکردهای شبیه‌سازی را برای مطالعه گسترش شهری به عنوان راهی برای پیش‌بینی آینده و کمک به تصمیم‌گیری‌های آینده توسعه دهند و از آنها استفاده کنند.

2. حوزه تحقیق و منابع داده

2.1. منطقه تحقیقاتی: شهر Dongguan

Dongguan یک شهر صنعتی مهم چین است که در دلتای رودخانه مروارید واقع شده است که از شمال با مرکز استان گوانگژو، از شمال شرقی با هویژو، از جنوب با شنژن و از غرب با رودخانه مروارید همسایه است. منطقه مورد مطالعه در شکل 1 نشان داده شده است .

موقعیت شهر دونگوان از نظر جغرافیایی دارای مزیت است زیرا سرمایه گذاری ها و فعالیت های تجاری بیشتری را در این شهر جذب کرده است. مدیریت شهر دونگوان در جستجوی سرمایه گذاری مستقیم خارجی به ویژه مترقی در نظر گرفته شد. از زمان اجرای سیاست اصلاحات و گشایش، استان گوانگدونگ فرصتی برای توسعه اقتصاد خود تحت حمایت دولت چین داشت که شکاف و تفاوت بیشتری را با سایر مناطق چین ایجاد کرد. این سیاست باعث شد که نیروی کار کافی در استان گوانگدونگ بیاید و کار کند. با توجه به داده های مربوط به بولتن کار، Zhang H. [ 22] نشان داد که مهاجرت به یک ویژگی اساسی تبدیل شده است که باعث شده میلیون ها زن روستایی روستاهای خود را ترک کرده و در دو دهه گذشته در چین برای کار مزدی به مناطق شهری مهاجرت کرده اند. این نیروی کار جوان توسعه اقتصادی ایجاد کرد و به منابع نیروی کار اقتصادی تازه در حال رشد در مناطق به سرعت در حال توسعه تبدیل شد. با توجه به ویژگی جغرافیایی واقع در جنوب چین، این منطقه به یک استان توسعه سریع در چین تبدیل شده است. علاوه بر این، توسعه سریع با توسعه سریع اقتصادی و شهرنشینی سریع افزایش یافت.

شهر Dongguan توسط Li X. و Liu XP و همکاران به عنوان یک منطقه تحقیقاتی کلاسیک مورد مطالعه و انتخاب قرار گرفته است. [ 17 ] [ 18 ] و بسیاری از روش شناسی ها و نظریه های تأثیرگذار بر اساس این شهر ذکر و به کار گرفته شد. در مورد انتخاب این شهر، یکی از مهم ترین دلایل آن، توجه به منطقه هات اسپات توسط محققان چینی و مقایسه آسان آن با سایر مطالعات بوده است، بنابراین این شهر گزینه مناسبی برای مطالعه موردی می باشد.

2.2. جمع آوری داده ها

مطالعات جغرافيايي در حوزه تحقيق و داده هاي آن بايد مورد توجه قرار گيرد. این مطالعه از بسیاری از داده های جغرافیایی پایه در منطقه تحقیقاتی شهر Dongguan استفاده کرد. بیشتر داده ها بر اساس مطالعات قبلی در مورد جنبه شبیه سازی شهری در نظر گرفته شد. داده های مورد استفاده در مطالعه به شرح زیر است:

1). داده‌های سنجش از راه دور: داده‌های Landsat TM و ETM+ از Earth Explorer USGS ( https://earthexplorer.usgs.gov/ ) با سه تصویر در سال‌های 2004، 2009 و 2014 با وضوح 30 متر دانلود شدند. تصاویر Landsat از این نظر منحصر به فرد هستند که پوشش جهانی کاملی را ارائه می دهند، به صورت رایگان در دسترس هستند و نزدیک به 40 سال رصد مداوم زمین را در بر می گیرند. در ابتدای جستجوی تصاویر ماهواره‌ای بهتر که قرار بود در فرآیند تحلیل استفاده شود، 10% بدون ابر گام مهمی برای جمع‌آوری داده‌های مورد نیاز بود. نوع محصول سطح 1T، که از نظر هندسی اصلاح شده است، متعاقباً برای تغییرات LULC مورد تجزیه و تحلیل قرار گرفت.

2). داده های DEM (مدل ارتفاعی دیجیتال). این داده ها با وضوح 30 متر از ناسا دانلود شده است. فایل های داده مدل ارتفاعی دیجیتال USGS (DEM) نمایش دیجیتالی اطلاعات نقشه برداری به صورت شطرنجی بود. DEM ها از یک آرایه نمونه برداری از ارتفاعات برای تعدادی موقعیت زمین در فواصل منظم تشکیل شده اند. این فایل‌های داده‌های کارتوگرافی/جغرافیایی دیجیتال توسط USGS به عنوان بخشی از برنامه ملی نقشه‌برداری ( https://data.geocomm.com/dem/ ) تولید شده‌اند. DEM نشان دهنده ارتفاع نقاط زمین در منطقه تحقیقاتی و تأثیر بر روند رشد شهری است. بنابراین این عامل به عنوان شاخصی برای تحلیل شبیه سازی رشد شهری در نظر گرفته شد.

3). داده های شیب. داده های شیب از داده های DEM تحت پلت فرم با استفاده از ArcGIS استخراج شد. شیب منعکس کننده این است که آیا سطح در موقعیت شیب دار باقی می ماند یا خیر، و در روند تکامل تغییرات LULC تأثیر می گذارد. نواحی شیب دار نمی توانند از هیچ دسته ای از LULC به شهری تبدیل شوند، به خصوص که به درجه بالایی از مناطق شیب دار می رسد، به همین دلیل این شاخص باید در فرآیند شبیه سازی مورد توجه قرار گیرد.

4). داده های اجتماعی-اقتصادی این شکل فایل ها زیرساخت های شهری اولیه شهر را منعکس می کنند و این را می توان به راحتی از وضعیت سیستم های شهری در بین کل شهر دریافت. این شامل جاده های ملی، جاده های استانی، مرکز شهر، مراکز شهر و ایستگاه های راه آهن است. بیشتر این سیستم های شهری به عنوان منابع مهم رشد شهری تلقی می شدند. برخی از فایل‌های شکل توسط Google Earth برای به دست آوردن داده‌های KML، به‌ویژه فایل‌های شکل جاده‌های استان و جاده‌های ملی ساخته شده‌اند، و این داده‌ها را نمی‌توان مستقیماً از وب‌سایت رسمی جغرافیایی مرتبط دانلود کرد.

با توجه به ادغام عوامل کالبدی و عوامل اجتماعی-اقتصادی در بین شبیه سازی رشد شهری، بهتر است با شبیه سازی در نظر گرفتن عوامل جامع در این شهر، ما را در شناخت روند و مکانیسم رشد شهری یاری رساند و تصمیم گیری بهتری را ارائه داد. توسعه برنامه ریزی شهری برای دولت محلی

3. روش شناسی

3.1. داده های پایه برای شبیه سازی

در محیط شبیه سازی از عوامل فیزیکی و عوامل اجتماعی-اقتصادی استفاده و در نظر گرفته شد. نوع کاربری اراضی شامل اراضی شهری، جنگلی، کشاورزی، زمین بایر و بدنه آبی بود. عوامل فیزیکی عبارتند از DEM و Slope. فاکتورهای اقتصادی- اجتماعی عبارتند از: فاصله تا شهر مرکزی، فاصله تا شهرک، فاصله تا ایستگاه راه آهن، فاصله تا جاده سراسری و فاصله تا جاده های استانی.

شکل 2 به ترتیب فاصله اقلیدسی عادی شده تا شهر مرکزی a)، شهرها b)، ایستگاه های راه آهن ج)، جاده ملی d)، جاده های استانی e) و مقدار نرمال شده DEM f) و شیب g) را نشان می دهد. شکل 2 (الف) شهر مرکزی را از نقطه مرکزی نشان می دهد. شکل 2 (ب) فاصله نرمال شده تا شهرها را نشان می دهد، این مکان ها برای هر شهر را می توان از این نقاط پیدا کرد. شکل 2 (ج) فاصله نرمال شده تا ایستگاه های راه آهن را نشان می دهد، 5 ایستگاه از این نقاط در شهر دونگوان قابل مشاهده است. شکل 2 (د) فاصله نرمال شده تا جاده ملی را نشان می دهد. جاده ملی از شهر مرکزی می گذرد و از جنوب به شهر شنژن و در شمال غربی شهر گوانگژو می گذرد. شکل 2(ه) فاصله نرمال شده تا جاده های استان را نشان می دهد. تصویر DEM از داده های SRTM USGS دانلود شد و نقشه شیب از DEM Image استخراج شد. بیشترین مقدار DEM ( شکل 2 (f)) و شیب ( شکل 2 (g)) در شرق شهر Dongguan قرار داشت. همه مقادیر نرمال شده از 0 تا 1 تعریف شدند.

3.2. نظریه ANN-CA

برای نورون j در لایه گیرنده، ورودی خالص از فرآیند جمع آوری به صورت زیر محاسبه می شود:

جایی که I _i سیگنال نورون i لایه فرستنده است. net _j سیگنال جمع آوری نورون گیرنده j است. و w _ij

پارامتر یا وزنی برای جمع کردن سیگنال های نورون های ورودی مختلف است. نورون گیرنده در پاسخ به شبکه سیگنال _j فعال سازی می کند . فعال سازی معمولاً به شکل تابع سیگموئید ایجاد می شود.

شبیه سازی مبتنی بر سلول است و هر سلول دارای مجموعه ای از n متغیر به عنوان ورودی شبکه عصبی است. این متغیرها را می توان با استفاده از بافر GIS و تحلیل همپوشانی به دست آورد و به صورت زیر بیان کرد.

که در آن x _i صفت ith سایت و T جابجایی است.

مقیاس گذاری هر متغیر آنها را به عنوان ورودی های به همان اندازه مهم برای شبکه های عصبی در نظر می گیرد و آنها را با تابع فعال سازی سیگموئید که مقداری بین 0 و 1 تولید می کند سازگار می کند [ 23 ]. تبدیل توسط:

در لایه پنهان، سیگنال دریافت شده توسط نورون j از لایه ورودی برای سلول k در زمان t به صورت زیر محاسبه می شود:

که در آن net _j (k, t) سیگنال دریافت شده توسط نورون j در لایه پنهان است. w _i ,j پارامتر یا وزن بین لایه ورودی و لایه پنهان است و xi’ (k, t) مشخصه مکان مقیاس شده مرتبط با نورون i در لایه ورودی با توجه به سلول k و زمان t است. فعال شدن لایه پنهان به سیگنال ورودی به صورت زیر محاسبه می شود:

مقدار بالا به این معنی است که احتمال تبدیل از نوع موجود به نوع دوم کاربری اراضی بیشتر است. با توجه به تابع خروجی شبکه های عصبی، احتمال تبدیل با فرمول زیر محاسبه می شود:

که در آن P (k, t, l) احتمال تبدیل از نوع کاربری موجود به lام برای سلول k در زمان t است و w _j,t پارامتر یا وزن بین لایه پنهان و لایه خروجی است.

یک عبارت اختلال تصادفی معمولاً در شبیه سازی CA گنجانده می شود تا نتایج قابل قبول تری ایجاد کند، اصطلاح خطا را می توان به صورت [ 12 ] تعریف کرد:

که در آن y یک متغیر تصادفی یکنواخت در محدوده 0 و 1 است و a پارامتری برای کنترل اندازه اغتشاش تصادفی است. a را می توان به عنوان یک عامل پراکندگی در شبیه سازی استفاده کرد [ 23 ]. اختلال در مدل CA مبتنی بر شبکه عصبی برای شبیه‌سازی واقعی‌تر گنجانده شده است، احتمال تبدیل به شرح زیر اصلاح می‌شود:

3.3. تکنیک های مقایسه مدل

آمار کاپا از یک ماتریس سردرگمی به دست آمده از مقایسه سلول به سلول نقشه مشاهده شده و نقشه پیش بینی شده محاسبه می شود [ 24 ].

Van Vliet و همکاران. [ 25 ] شبیه سازی کاپا را توسعه داد که از اطلاعات تنظیم شده از نقشه کاربری اصلی زمین برای آزمایش توافق بین نقشه کاربری شبیه سازی شده و نقشه کاربری واقعی زمین استفاده می کند. در این روش Van Vliet و همکاران. [ 25 ] احتمالات مشروط توافق مورد انتظار را با آمار کاپا اصلی یکپارچه کرد. شبیه سازی کاپا و تغییرات آن را می توان به صورت زیر بیان کرد:

که در آن P _{e (Transition)} کسر مورد انتظار توافق است، با توجه به اندازه‌های انتقال کلاس و P _{max (Transition)} حداکثر دقتی است که می‌توان با توجه به اندازه‌های انتقال کلاس به دست آورد [ 25 ]. نتایج _{شبیه‌سازی} K و K _transloc از 1- تا 1 متغیر است، جایی که 1 نشان‌دهنده تطابق کامل بین کلاس کاربری زمین شبیه‌سازی‌شده و واقعی، 0 نشان‌دهنده توافق شانس به دلیل توزیع تصادفی و زیر 0 نشان‌دهنده دقت کمتر از توافق شانس به دلیل توزیع تصادفی است. مقدار K _Transition از 0 تا 1 متغیر است، جایی که 0 نشان دهنده عدم انتقال کلاس و 1 نشان دهنده تطابق کامل بین اندازه انتقال کلاس در شبیه سازی و واقعیت است.

4. نتایج

4.1. تجزیه و تحلیل تغییرات دینامیکی LULC در شهر Dongguan

این سه تصویر از USGS که توسط بررسی زمین شناسی ایالات متحده مدیریت می شد، دانلود شد. بر اساس سه تصویر، طبقه‌بندی LULC از طریق ArcGIS با استفاده از روش طبقه‌بندی حداکثر احتمال (ML) آسان بود. Spatial Analyst در ArcGIS حاوی ابزاری به نام ابزار طبقه بندی حداکثر احتمال است که می تواند برای استخراج یک نقشه موضوعی از تصاویر ماهواره ای استفاده شود [ 26 ]. نتایج طبقه بندی در شکل 3 نشان داده شده است. پنج دسته LULC در این شهر و شکل 3 طبقه بندی شدLULC شهر Dongguan را به ترتیب در سال 2004 a)، 2009 b، و 2014 c) نشان می دهد. دسته بندی LULC شامل: زمین شهری، زمین زراعی، زمین بایر، جنگل و آب در این شهر بود. بر اساس در نظر گرفتن آب و هوای مرطوب در جنوب چین، در نتیجه جزئی از علفزار در 5 دسته در نظر گرفته نشد. زمین شهری (2009، 2014) نسبت به زمین شهری قبلی (2004، 2009) بدیهی است که طبق سه سال توسعه یافته است.

در ادامه، یک مطالعه تطبیقی ​​بر روی انواع مختلف پوشش زمین در سال‌های 2004، 2009 و 2014 مورد بحث قرار گرفت. شکل 4 درصد تغییرات LULC را در این سه سال نشان می‌دهد. این مقادیر به طور مستقیم ارزش هر دسته LULC در شهر Dongguan را منعکس می کنند و به خصوص این نوع اطلاعات خاصی را با جزئیات بیان می کند. مشاهده روند افزایش و کاهش در 5 دسته LULC آسان بود. شکل 4 آب و جنگل را نشان می دهد

نسبت به سال های گذشته کاهش یافته است، در مقابل، زمین های شهری از سال 1383 تا 1393 افزایش یافته و این روند افزایشی تا سال های آینده در میان روند شهرنشینی ادامه خواهد داشت.

نمودار 5 توزیع فضایی تغییرات محدوده شهری را بر اساس نقشه های مشاهده شده الف) 2004 و 2009، ب) 2009 و 2014 نشان می دهد. 3 دسته. این دو نقشه به وضوح می توانند به ما کمک کنند تا ببینیم کدام منطقه غیرشهری، شهری و منطقه تازه در حال رشد در مقایسه با سال قبل در سال 2004 و 2009 بود. منطقه تازه رویش بر اساس زمین زراعی و بایر توزیع شد زیرا این منطقه به راحتی از غیر شهری به شهری تبدیل شد.

دقت طبقه‌بندی روش مهمی برای ارزیابی نتایج طبقه‌بندی است که می‌توان آن را پذیرفت و در تجزیه و تحلیل تغییرات LULC استفاده کرد. تحلیل بیشتر شبیه‌سازی رشد شهری در شهر Dongguan اعمال شد. بیشتر مقادیر دقت طبقه‌بندی برای هر دسته بالاتر از 85% و صحت طبقه‌بندی کل بالای 85% بود. اگرچه برخی از مقادیر کمتر از 85% یا حتی کمتر از 80% بودند، این تاثیر بدی بر سایر نتایج نداشت، بنابراین این نتایج طبقه‌بندی در این سه سال از پذیرش بالایی برخوردار است.

4.2. نتایج شبیه سازی و مقایسه شهری

شکل 6 (ب) نتیجه شبیه‌سازی ANN-CA را در سال 2014 نشان می‌دهد. نقشه واقعی ( شکل 6 (الف)) و نقشه شبیه‌سازی شده ( شکل 6 (ب)) در دو نقشه مشابه به نظر می‌رسند. به این معنی که نتیجه شبیه سازی بهتری که در سال 2014 به دست آمد خوب بود. باید از روش های کمی برای آمارگیری درستی و خطا استفاده کرد. متعاقباً، شکل 7نقشه توزیع مکانی صحت و خطای شبیه سازی را بر اساس مقایسه سه نقشه نشان می دهد. ما می‌توانیم از این نقشه ببینیم، و مکان‌هایی را پیدا کنیم که بازدیدها، از دست دادن‌ها، هشدارهای اشتباه و موفقیت‌های تهی کجا هستند. درصد صحت و خطای کلی شبیه سازی شده را در چشم انداز نشان می دهد. درصد ضربه ها، از دست دادن ها و آلارم های کاذب مقادیر کمی را در فرآیند شبیه سازی نشان می دهد. مقدار شکل شایستگی (FoM) برای شناسایی نتیجه ارزیابی شبیه سازی [ 27 ] و مقدار FoM 8.86 درصد محاسبه شد.

Pontius & Millones [ 28 ] یک رویکرد ساده تر و مفیدتر برای گزارش عدم توافق بین نقشه مشاهده شده و نقشه پیش بینی شده ایجاد کردند. Kappa Transition شاخص دیگری برای ارزیابی نتایج شبیه سازی است. مقدار Kappa Transition از 0 تا 1 متغیر است، جایی که 0 نشان دهنده عدم انتقال کلاس و 1 نشان دهنده تطابق کامل بین اندازه انتقال کلاس در شبیه سازی و واقعیت است. مقدار انتقال کاپا تقریباً 0.5 بود. این نتایج نشان می‌دهد که مدل ANN برای شبیه‌سازی مقدار کاربری/پوشش زمین نسبتاً دقیق است.

مقدار انتقال کاپا از 0 تا 1 متغیر است، جایی که 0 نشان دهنده عدم انتقال کلاس و 1 نشان دهنده تطابق کامل بین اندازه انتقال کلاس در شبیه سازی و واقعیت است. در فرآیند محاسبه، انتقال کاپا حدود 0.5 محاسبه شد. این شاخص راه دیگری برای ارزیابی نتیجه شبیه سازی است. حداقل این نتیجه را می توان در پیش بینی رشد شهری در شهر دونگوان پذیرفت و استفاده کرد. بر اساس در نظر گرفتن بدنه آبی و جنگل، منطقه جدید رشد در مناطق غربی، شمال شرقی و جنوب شرقی شهر دونگوان در سال 2024 واقع شده است. این مناطق در آینده در شکل 8 منطقه برنامه ریزی جدید برای بخش برنامه ریزی شهری خواهند بود. .

5. نتیجه گیری ها

رشد شهری روند شهرنشینی در شهرهای جهانی بوده است. شهر Dongguan به طور فزاینده ای بیشترین بوده است

شهری که به سرعت در حال رشد در چین است. نتایج تحقیق حاکی از آن است که روند رشد شهری در آینده در میان فرآیند شهرنشینی ادامه خواهد یافت. با توجه به مطالعه قبلی در شهر Dongguan، برخی از نتایج در مورد زیر انجام شد. این مطالب ایده های اصلی در مورد مکانیسم رشد شهری در شهر دونگوان را در این مطالعه منعکس کردند.

1). انواع کاربری زمین شهری از سال 2004 تا 2014 افزایش یافته است.

شهرنشینی از سال 2004 تا 2014 مقایسه شده است و این روند در آینده نیز در روند شهرنشینی ادامه خواهد داشت. زمین کشاورزی و زمین برهنه مقوله های عمدتاً تغییر یافته در فرآیند رشد شهری بر اساس 5 دسته تعریف شده LULC بودند. این دو دسته به راحتی به شهری تبدیل شدند، زیرا زمین های کشاورزی و زمین های بایر در منطقه مسطح توزیع شده بودند که احتمال بالایی برای روند تکامل دارد.

2). شهرها یک روند آشکار رشد شهری در شهر دونگوان دارند. شهرها عامل فزاینده جدیدی برای مشارکت شهرنشینی در شهر دونگوان بوده اند و این نیاز به ارائه کمک و سیاست های بیشتر توسط دولت محلی برای توسعه شهری در این شهرها است. این امر به تدریج دارای پراکندگی بالایی از ناحیه شهری خواهد بود و به کل شهرنشینی در کل شهر دست می یابد.

3). راه های استان سهم بالایی در رشد شهری و ساخت الگوی شهری بر اساس شکل راه های استان دارند. این نشان دهنده ارتباط بالایی بین راه های استانی و الگوی شهری است. راه ملی با الگوی شهری همبستگی بالایی ندارد، بنابراین نشان می‌دهد راه‌های استانی از منظر الگوی شهری نسبت به جاده ملی سهم بالایی دارند. تاکید بر توسعه اطراف شهرها و جاده های استانی منجر به شهرنشینی بالا و تحقق توسعه اقتصادی در شهر دونگوان خواهد شد.

4). FoM یک شاخص مهم برای ارزیابی نتیجه شبیه سازی رشد شهری است و مقدار FoM 8.86 درصد را می توان در فرآیند شبیه سازی پذیرفته و در پیش بینی استفاده کرد. انتقال کاپا در شبکه عصبی مصنوعی تطابق کاملی بین اندازه انتقال کلاس در شبیه‌سازی و واقعیت دارد. از این دو روش برای ارزیابی نتایج شبیه‌سازی رشد شهری استفاده شده است.

5). بر اساس در نظر گرفتن بدنه آب و جنگل، منطقه تازه رشد در مناطق غربی، شمال شرقی و جنوب شرقی شهر دونگوان واقع شده است. این مناطق قرار است در آینده منطقه برنامه ریزی جدید برای اداره شهرسازی باشد. بر اساس نتایج، زمین‌های زراعی و بایر مقوله‌های عمدتاً تغییر یافته در فرآیند رشد شهری بودند. این دو دسته، انواع اصلی بودند که به راحتی از غیر شهری به شهری تبدیل می شدند، زیرا زمین های کشاورزی و زمین های برهنه در منطقه هموار قرار داشتند.

6). با مقایسه وضعیت رشد 3 سال گذشته و سال پیش بینی شده در سال 2024، منطقه رشد جدید به دلیل ترافیک مناسب و زمین مسطح، بر منطقه مرکزی و منطقه جنوب غربی شهر دونگوان متمرکز شده است. منطقه مرکزی دارای پتانسیل بالایی برای گسترش مرزهای شهری از مرکز به خارج بر اساس مزیت CBD و ساختمان های کافی در کل شهر است. DEM و شیب همیشه عوامل محدودی هستند که تبدیل آنها از غیر شهری به شهری دشوار است و DEM و شیب به عوامل مهمی تبدیل می شوند که رشد شهری را از ناحیه جنگلی و منطقه ارتفاعی در شهر دونگوان محدود می کنند. منطقه جنگلی برای حفاظت طبیعی باید حالت اولیه خود را حفظ کند و جنگل کافی را در اختیار این شهر قرار دهد، سپس تعادل را با انسان و شهرنشینی حفظ کند.

منابع

[ 1 ]	سازمان ملل متحد (2012) چشم انداز شهرنشینی جهان: بازبینی 2011. https://esa.un.org/unpd/wup/index.htm
[ 2 ]	Masser, I. (2001) مدیریت آینده شهری ما: نقش سنجش از دور و سیستم های اطلاعات جغرافیایی. Habitat International, 25, 503-512. https://dx.doi.org/10.1016/S0197-3975(01)00021-2
[ 3 ]	Kamusoko, C. and Gamba, J. (2015) شبیه سازی رشد شهری با استفاده از مدل تصادفی جنگل-سلولی اتومات (RF-CA). ISPRS International Journal of Geo-Information, 4, 447-470. https://dx.doi.org/10.3390/ijgi4020447
[ 4 ]	Long, Y. (2014) شناسایی و خصوصیات خودکار بسته ها (AICP) با نقشه خیابان باز و نقاط مورد علاقه، اسلایدها در آزمایشگاه شهر پکن. https://www.beijingcitylab.com
[ 5 ]	Haas, J. and Ban, Y. (2014) رشد شهری و اثرات زیست محیطی در جینگ جین-جی، یانگ تسه، دلتای رودخانه و دلتای رودخانه مروارید. مجله بین المللی مشاهده کاربردی زمین و اطلاعات جغرافیایی، 30، 42-55. https://dx.doi.org/10.1016/j.jag.2013.12.012
[ 6 ]	Li, X., Lao, C., Liu, Y., Liu, X., Chen, Y., Li, S. and He, Z. (2013) هشدار اولیه در مورد توسعه غیرقانونی برای مناطق حفاظت شده با ادغام اتوماتای ​​سلولی با شبکه های عصبی. مجله مدیریت محیط زیست، 130، 106-116. https://dx.doi.org/10.1016/j.jenvman.2013.08.055
[ 7 ]	Tobler, WR (1970) یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. جغرافیای اقتصادی، 46، 234-240. https://dx.doi.org/10.2307/143141
[ 8 ]	Couclelis, H. (1985) Cellular Worlds: A Framework for Modeling Micro-Macro Dynamics. محیط زیست و برنامه ریزی الف، 17، 585-596. https://dx.doi.org/10.1068/a170585
[ 9 ]	Couclelis، H. (1988) از موش ها و مردان: آنچه که جمعیت جوندگان می توانند در مورد دینامیک فضایی پیچیده به ما بیاموزند. محیط زیست و برنامه ریزی الف، 20، 99-109. https://dx.doi.org/10.1068/a200099
[ 10 ]	Batty، M. (1991) شهرها به عنوان فراکتال: شبیه سازی رشد و شکل. فراکتال ها و آشوب، اسپرینگر، نیویورک، 43-69.
[ 11 ]	Batty, M., Xie, Y. and Sun, Z. (1999) مدلسازی پویایی شهری از طریق اتوماتای ​​سلولی مبتنی بر GIS. کامپیوتر، محیط زیست و سیستم های شهری، 23، 205-233. https://dx.doi.org/10.1016/S0198-9715(99)00015-0
[ 12 ]	White, R. and Engelen, G. (1993) اتوماتای ​​سلولی و فرم شهری فراکتال: رویکرد مدلسازی سلولی برای تکامل الگوهای کاربری زمین شهری. Environment and Planning A, 25, 1175-1199. https://dx.doi.org/10.1068/a251175
[ 13 ]	White, R., Engelen, G. and Uljee, I. (1997) استفاده از اتوماتای ​​سلولی محدود برای مدلسازی با وضوح بالا دینامیک کاربری زمین شهری. محیط زیست و برنامه ریزی ب، 24، 323-344. https://dx.doi.org/10.1068/b240323
[ 14 ]	Clarke، KC و Gaydos، LJ (1998) یک مدل خودکار سلولی و GIS: پیش‌بینی بلندمدت رشد شهری برای سانفرانسیسکو و واشنگتن/بالتیمور. مجله بین المللی علوم اطلاعات جغرافیایی، 12، 699-714. https://dx.doi.org/10.1080/136588198241617
[ 15 ]	Wu, F. and Webster, CJ (1998) شبیه‌سازی منطقه‌بندی طبیعی کاربری زمین تحت رژیم‌های کنترل بازار آزاد و توسعه افزایشی. کامپیوتر، محیط زیست و سیستم های شهری، 22، 241-256. https://dx.doi.org/10.1016/S0198-9715(98)00044-1
[ 16 ]	Wu, F. (2002) کالیبراسیون اتوماتای ​​سلولی تصادفی: کاربرد برای تبدیل زمین روستایی به شهری. مجله بین المللی علوم اطلاعات جغرافیایی، 16، 795-818. https://dx.doi.org/10.1080/13658810210157769
[ 17 ]	Li, X., Liu, X. and Li, S. (2010) هوشمند GIS و بهینه سازی فضایی. انتشارات علمی، پکن، 1-275.
[ 18 ]	Li, X., Yeh, AGO, Liu, X. and Yang, Q. (2010) سیستم های شبیه سازی جغرافیایی: اتوماتای ​​سلولی و سیستم های چند عاملی. انتشارات علمی، پکن، 1-312.
[ 19 ]	Li, X., Chen, Y., Liu, X., Li, D. and He, J. (2011) مفاهیم، ​​متدولوژی ها و ابزارهای یک سیستم شبیه سازی و بهینه سازی جغرافیایی یکپارچه. مجله بین المللی علوم اطلاعات جغرافیایی، 25، 633-655. https://dx.doi.org/10.1080/13658816.2010.496370
[ 20 ]	Guan, Q., Wang, L. and Clarke, KC (2005) یک مدل CA محدود مبتنی بر شبکه عصبی مصنوعی برای شبیه سازی رشد شهری. نقشه کشی و علم اطلاعات جغرافیایی، 32، 369-380. https://dx.doi.org/10.1559/152304005775194746
[ 21 ]	یانگ، سی (2006) سرمایه گذاری های چینی خارج از کشور در انتقال: مورد دونگوان. جغرافیا و اقتصاد اوراسیا، 47، 604-621. https://dx.doi.org/10.2747/1538-7216.47.5.604
[ 22 ]	ژانگ، اچ. (2009) مهاجرت نیروی کار، جنسیت، و ظهور ازدواج‌های محلی جدید در شهر رونق اقتصادی دونگوان، چین جنوبی. مجله چین معاصر، 18، 639-656. https://dx.doi.org/10.1080/10670560903033935
[ 23 ]	Li, X. and Yeh, AGO (2001) کالیبراسیون اتوماتای ​​سلولی با استفاده از شبکه های عصبی برای شبیه سازی سیستم های پیچیده شهری. محیط و برنامه ریزی الف، 33، 1445-1462. https://dx.doi.org/10.1068/a33210
[ 24 ]	Hagen-Zanker, A. and Martens, P. (2008) روش های مقایسه نقشه برای ارزیابی جامع مدل های شبیه سازی زمین. در: Gervasi, O., Murgante, B., Laganà, A., Taniar, D., Mun, Y. and Gavrilova, ML, Eds., Computational Science and Its Applications—ICCSA 2008, Springer, Berlin Heidelberg, 194- 209. https://dx.doi.org/10.1007/978-3-540-69839-5_15
[ 25 ]	Van Vliet, J., Bregt, AK and Hagen-Zanker, A. (2011) بازبینی کاپا برای محاسبه تغییر در ارزیابی دقت مدل‌های تغییر کاربری زمین. مدلسازی اکولوژیک، 222، 1367-1375. https://dx.doi.org/10.1016/j.ecolmodel.2011.01.017
[ 26 ]	Rohland, R. (2008) بهبود دقت طبقه بندی پیکسل با گنجاندن اطلاعات بافت. جلد 10، مقالاتی در تجزیه و تحلیل منابع، انتشارات خدمات مرکزی دانشگاه سنت مری مینه سوتا، وینونا، 21 ص.
[ 27 ]	Estoque، RC و Murayama، Y. (2012) معرفی معیارهای جدید دقت برای مدل‌سازی تغییر کاربری/پوشش. Tsukuba Geoenvironmental Sciences, 8, 3-7.
[ 28 ]	Pontius Jr., RG and Millones, M. (2011) مرگ بر کاپا: تولد اختلاف کمیت و اختلاف تخصیص برای ارزیابی دقت. مجله بین المللی سنجش از دور، 32، 4407-4429. https://dx.doi.org/10.1080/01431161.2011.552923