مقایسه مدل‌سازی رشد شهری با استفاده از مدل اتوماتای سلولی مبتنی بر باور عمیق و شبکه عصبی - مطالعه موردی منطقه شهری چنای، تامیل نادو، هند - هوش پیروزی

مدل‌های رشد شهری (UGM) برای توسعه پایدار یک شهر بسیار ضروری هستند زیرا شهرنشینی آینده را بر اساس سناریوی فعلی پیش‌بینی می‌کنند. مدل‌های اتوماتای سلولی مبتنی بر شبکه عصبی، رشد شهری را بیشتر به واقعیت پیش‌بینی می‌کنند. اخیراً از تکنیک های مبتنی بر یادگیری عمیق برای پیش بینی رشد شهری استفاده می شود. در این مطالعه، رشد شهری منطقه شهری چنای (CMA) در سال 2017 با استفاده از مدل اتوماتای سلولی مبتنی بر شبکه عصبی (NN-CA) و مدل اتوماتای سلولی مبتنی بر باور عمیق (DB-CA) با استفاده از نقشه‌های شهری 2010 و 2013 پیش‌بینی شد. از آنجایی که منطقه مورد مطالعه نوع پرتراکم رشد شهری را تجربه کرده است، «ساختمان موجود» در سال 2013 به تنهایی به عنوان عامل شهرنشینی برای پیش‌بینی رشد شهری در سال 2017 استفاده شد. پس از اعتبارسنجی، مدل DB-CA مدل بهتری است، زیرا آن را نشان می‌دهد. 524.14 کیلومتر را پیش بینی کرد² از منطقه مورد مطالعه به عنوان شهری با دقت بالاتر (ضریب کاپا: 0.73) در مقایسه با مدل NN-CA که تنها 502.42 کیلومتر مربع را به عنوان شهری پیش بینی کرده بود ⁽ ضریب کاپا: 0.71)، در حالی که پوشش شهری مشاهده شده CMA در 2017 572.11 کیلومتر مربع ^بود. این مطالعه همچنین با هدف تجزیه و تحلیل اثرات انواع مختلف پیکربندی محله (مستطیل: 3 × 3، 5 × 5، 7 × 7 و دایره: 3 × 3) بر خروجی پیش بینی بر اساس مدل DB-CA انجام شد. برای درک جهت و نوع رشد شهری، محدوده مورد مطالعه به پنج ناحیه فاصله محور با مرکز دبیرخانه دولتی تقسیم شد و مقادیر آنتروپی برای مناطق محاسبه شد. نتایج نشان می‌دهد که شرکت چنای و حاشیه آن شهرنشینی متراکم را تجربه می‌کنند در حالی که مناطق دور از مرز شرکت از نوع پراکنده رشد شهری در سال 2017 پیروی می‌کنند.

کلید واژه ها

باور عمیق , شبکه عصبی , اتوماتای سلولی , پیش بینی شهری , تحلیل آنتروپی , منطقه شهری چنای

1. مقدمه

شهرنشینی به دلیل مهاجرت مردم از روستاها به شهرها و افزایش جمعیت رخ می دهد. مهاجرت به شهرها در جستجوی فرصت های شغلی، امکانات زیرساختی بهتر، تغییر سبک زندگی و غیره اتفاق می افتد. شهرنشینی بدون برنامه منجر به توزیع نابرابر منابع طبیعی می شود و در نتیجه بر کیفیت سبک زندگی انسان تأثیر می گذارد. بنابراین، مدل‌های رشد شهری (UGMs) اجباری می‌شوند تا الگوی رشد شهری آینده یک شهر را بتوان بر اساس اصل زنجیره مارکوف که بر اساس سناریوهای گذشته و حال پیش‌بینی کرد [ 1 ] [ 2 ] [ 3 ].] . اخیراً، به دلیل در دسترس بودن داده‌های ماهواره‌ای با وضوح بالا همراه با پیشرفت در تکنیک‌های مدل‌سازی داده‌های مکانی مبتنی بر GIS، پیش‌بینی‌های رشد شهری واقعی‌تر شده‌اند [ 4 ].

UGM های مبتنی بر اتوماتای سلولی (CA) به طور گسترده در پیش بینی رشد شهری استفاده می شوند. مدل‌های CA توانایی مدیریت مجموعه داده‌های مکانی-زمانی را دارند و رشد شهری را به طور مؤثر مدل‌سازی می‌کنند. یک مدل CA معمولی از پنج عنصر تشکیل شده است: فضای سلولی، وضعیت سلولی، همسایگی سلولی، قانون گذار و زمان [ 5 ]. UGM های مبتنی بر CA رشد شهری را با دقت بالایی نسبت به هر مدل ریاضی دیگری پیش بینی می کنند [ 6 ] [ 7 ]. SLEUTH، یک UGM مبتنی بر CA نیز به طور گسترده برای مدل‌سازی شهرنشینی استفاده می‌شود و برای پیش‌بینی رشد شهری شهرهای مشهد، ایران اجرا می‌شود [ 8 ]] . این مطالعه مدل رشد شهری را با داده‌های حمل‌ونقل اجرا کرد و کارایی مدل SLEUTH را زمانی که سایر داده‌های اجتماعی-اقتصادی با دقت زمانی بالا در دسترس نبود، برجسته کرد. SLEUTH برای پیش بینی رشد شهری شهر ماتارا، سریلانکا استفاده شد [ 9 ]. مشخص شد که از 66 بخش Grama Niladari (GNDs)، 29 GNDs در سال 2030 شهری خواهند شد. این نتایج پیش بینی برای برنامه ریزان شهری برای طراحی سیاست های برنامه ریزی شهری بیشتر شهرهای سریلانکا مفید خواهد بود.

برای یک UGM موثر، همراه با مجموعه داده کاربری موقت زمین، عوامل مختلف شهرنشینی نیز باید در فرآیند مدل‌سازی دخیل باشند. مدل‌های CA همراه با عوامل شهرنشینی از جمله جمعیت، حمل‌ونقل برای مدل‌سازی رشد شهری منطقه Bindura، زیمبابوه [ 10 ] استفاده شد. جدای از نقشه های پوشش اراضی منطقه مورد مطالعه، از عوامل شهرنشینی شامل تراکم جمعیت، ارتفاع، فاصله تا مرکز شهر و رودخانه ها برای پیش بینی شهرنشینی منطقه در سال 2030 استفاده شد. این مطالعه نشان داد که یک سیاست برنامه ریزی شهری کارآمد برای منطقه مورد مطالعه به عنوان شهرنشینی آینده بر توسعه پایدار منطقه تأثیر خواهد گذاشت. مدل CA مبتنی بر عوامل برای پیش‌بینی رشد شهری منطقه دلتای رودخانه مروارید، یکی از سریع‌ترین مناطق در حال رشد چین استفاده شد.11 ] . این پژوهش با استفاده از نقشه های پوشش زمین و عوامل شهرنشینی شامل جمعیت، پستی و بلندی، داده های شبکه حمل و نقل و طرح جامع منطقه، پیش بینی شهری سال 2052 را اجرا کرد. خروجی های پیش بینی می تواند برای شناسایی مناطق بالقوه شهرنشینی مورد استفاده قرار گیرد که برای برنامه ریزان شهری برای برنامه ریزی توسعه شهری آینده منطقه مفید خواهد بود.

امروزه الگوریتم‌های یادگیری ماشین مانند شبکه‌های عصبی با CA و GIS برای پیش‌بینی رشد شهری یک شهر ادغام شده‌اند. مدل CA یکپارچه شبکه عصبی (NN-CA) بر عدم قطعیت تعیین قانون گذار که مرتبط با مدل‌های CA سنتی است غلبه می‌کند [ 12 ]. علاوه بر این، مدل NN-CA توانایی مدل‌سازی داده‌های پیچیده، غیرخطی و مکانی-زمانی را به طور موثر از طریق فرآیند یادگیری تطبیقی خود دارد. پیش‌بینی شهری مبتنی بر NN-CA در سال 2019 برای داکا، بنگلادش [ 13 ] اجرا شد. این مطالعه نشان داد که 58 درصد از منطقه مورد مطالعه تا سال 2019 شهری خواهد شد در حالی که 46 درصد از منطقه مورد مطالعه به عنوان شهری در سال 2009 گزارش شده است. مدل شهری مبتنی بر NN-CA نیز برای پیش بینی شهرنشینی منطقه فرامرزی اروپا استفاده می شود. [ 14] . در این مطالعه از داده های صنعتی، تجاری و حمل و نقل به همراه نقشه های پوشش زمین منطقه مورد مطالعه برای پیش بینی شهرنشینی سال 2000 استفاده شد. مناطق

نظریه اعتقاد عمیق یا باور پیاده‌سازی شده در مدل‌های CA (DB-CA) برای پیش‌بینی شهری استفاده می‌شود. برخلاف شبکه‌های عصبی، مدل‌های DB-CA وابستگی‌های شرطی بین مجموعه داده ورودی را محاسبه می‌کنند، یعنی نقشه‌های شهری یا پوشش زمین t ₁ و t _{2 [}15 ]. در مدل NN-CA، نمونه‌گیری داده‌ها برای آموزش و آزمایش مدل بر اساس داده‌های ورودی مورد نیاز است و همچنین انتخاب تابع فعال‌سازی برای مدل شامل مداخله کاربر است [ 16 ]. با این حال، در مدل DB-CA، از داده های قبلی برای مدل سازی پیش بینی استفاده می شود که نتایج دقیق تری می دهد. مدل‌های مبتنی بر DB-CA برای پیش‌بینی رشد شهری شهر جیاکسینگ در سال 2015 استفاده می‌شوند [ 17 ]] . این مطالعه کارایی مدل DB-CA (k: 0.77) را نسبت به مدل NN-CA (k: 0.63) در پیش‌بینی شهرنشینی نشان داد. علاوه بر این، پیش‌بینی رشد شهری در سال 2015 با استفاده از مدل CA مبتنی بر رگرسیون لجستیک (LR-CA) و DB-CA برای مناطق پکن، تیانجین و هبی چین [ 18 ] اجرا شد. نتایج نشان می‌دهد که مدل DB-CA رشد شهری منطقه مورد مطالعه را با دقت بالاتری (k: 0.83) نسبت به مدل LR-CA (k: 0.81) پیش‌بینی می‌کند.

در مطالعه حاضر، کارایی مدل‌های NN-CA و DB-CA در پیش‌بینی رشد شهری منطقه شهری چنای (CMA) در سال 2017 مورد ارزیابی قرار گرفت. مدلی که دقت بالاتری را ارائه می‌دهد برای ارزیابی تأثیر پیکربندی‌های مختلف محله بر خروجی پیش‌بینی سال 2017 استفاده شد. علاوه بر این، توزیع پراکندگی شهری برای سال‌های 2010، 2013 و 2017 منطقه مورد مطالعه از طریق آنتروپی شانون اندازه‌گیری شد.

2. منطقه مطالعه

چنای، مرکز ایالت تامیل نادو، چهارمین شهر بزرگ هند پس از بمبئی، دهلی نو و کلکته است. در مطالعه حاضر، پیش‌بینی رشد شهری CMA در سال 2017 با استفاده از مدل‌های NN-CA و DB-CA اجرا شد. در هند، هر ایالت به صورت سلسله مراتبی به تعدادی ناحیه، تالوک ها و دهکده های درآمدی به منظور فعالیت های اداری تقسیم می شود. در مطالعه حاضر، CMA تحت سه منطقه شامل چنای و بخش‌هایی از نواحی Thiruvalllur و Kancheepuram قرار می‌گیرد و در ساحل Coromandel قرار دارد ( شکل 1 ). طبق گزارش اداره توسعه کلان شهر چنای (CMDA)، 176 کیلومتر مربع ^از ناحیه چنای، 637 کیلومتر مربع ^از ناحیه تیرووالور شامل Ambattur، Tiruvalllur، Ponneri و Ponnamallee Taluks و 376 کیلومتر ^مربعمنطقه کانچی پورام شامل تالوک های تامبارام، سریپرومبودور و چنگالپاتو، CMA را تشکیل می دهد (https://www.cmdachennai.gov.in/index.html). مساحت آن 1189 کیلومتر مربع ^است . برای اهداف اداری بهتر و برنامه ریزی توسعه شهری کارآمد، بخش مسکن و توسعه شهری [ 19 ] برنامه ریزی کرده بود تا مساحت CMA را به 8878 کیلومتر مربع ^شامل کل مناطق Thiruvalur، Kancheepuram و Arakkonam و Nemili Taluks در ناحیه Vellore گسترش دهد.

منطقه چنای دارای طول ساحلی 19 کیلومتر و CMA دارای طول کل ساحلی 46 کیلومتر است. سواحل معروف چنای سواحل مارینا، الیوت یا بسانت ناگار، سواحل تیرووانمیور هستند که ساحل مارینا دومین ساحل طولانی جهان است و هر ساله تعداد زیادی گردشگر را به خود جذب می کند ( شکل 1 ). چنای خوب است

شکل 1 . نقشه منطقه مطالعه که مرزهای اداری گسترده شهر چنای را نشان می دهد.

از طریق شبکه های حمل و نقل توسعه یافته خود به شهرهای دیگر متصل می شود. چنای مرکزی ایستگاه اصلی راه‌آهن پایانه است و در مجاورت چنای اگمور، یکی دیگر از اتصالات راه‌آهن اصلی قرار دارد. یکی از قطب‌های راه‌آهن در حال رشد سریع‌ترین ایستگاه راه‌آهن است و در منطقه جنوبی منطقه مورد مطالعه قرار دارد که نقش عمده‌ای در گسترش گسترش شهری چنای به سمت جنوب ایفا کرد ( شکل 1).). علاوه بر این، شهر اخیراً خدمات ریلی مترو خود را که یک سیستم حمل و نقل سریع است، در سال 2015 آغاز کرده است. این شهر دارای یک فرودگاه بین المللی است که در Meenambakkam در حدود 14 کیلومتری مرکز شهر چنای قرار دارد. سه رودخانه بزرگ به نام‌های کوساستالایار، کوم و آدیار از CMA عبور می‌کنند و دریاچه‌های اصلی شامل دریاچه شولاوارام، دریاچه قرمز تپه و دریاچه چمبارمباکم در منطقه مورد مطالعه قرار دارند که به عنوان منبع اصلی آب آشامیدنی عمل می‌کنند.

^{چنای با تراکم 26553 نفر در کیلومتر مربع} ، پرجمعیت ترین شهر در تامیل نادو است. چنای بزرگترین مرکز تجاری و صنعتی جنوب هند و همچنین مراکز فرهنگی، اقتصادی، آموزشی و فناوری اطلاعات (IT) است. اکثر اقتصاد چنای مبتنی بر بخش خودرو، خدمات نرم افزاری، تولید سخت افزار، مراقبت های بهداشتی و خدمات مالی است. همچنین به عنوان “دیترویت هند” با صنایع خودروسازی پر رونق شناخته می شود. با توجه به رونق در بخش های صنعتی، خودرو، الکترونیک و سرگرمی، منطقه مورد مطالعه در طول دو دهه گذشته شهرنشینی سریع را تجربه کرده است [ 20 ] ( شکل 1 ).

3. داده ها و روش ها

در مطالعه حاضر از مجموعه داده های زیر در مدل سازی شهری CMA استفاده شد.

1) نقشه‌های شهری 2010، 2013 و 2017 با استفاده از تصاویر ماهواره‌ای با وضوح 15 متر (Multispectral PAN ادغام شده) از Landsat 7 ETM در 2 ژوئن 2010، Landsat 8 OLI از 17 می 2013 و 25 مارس 2013 به ترتیب ( p. .usgs.gov/ ).

2) Google Earth برای اعتبار سنجی نقشه های شهری CMA در طول دوره های مطالعه همراه با دانش میدانی استفاده شد.

3.1. مدل سازی پیش بینی

پیش‌بینی رشد شهری با استفاده از مدل‌های NN-CA و DB-CA ( شکل 2 ) با نقشه مجاورت ساختمان‌های موجود در سال 2013 و نقشه محله همراه با محدودیت‌ها (در بخش‌های 3.2-3.4 بحث شده) اجرا شد.

3.1.1. با استفاده از مدل NN-CA

پرسپترون چندلایه (MLP) مدل ساز تغییر زمین (LCM)، Terrset ( https://clarklabs.org/terrset/land-change-modeler/ )، برای پیش بینی رشد شهری بر اساس NN-CA برای منطقه مطالعه در سال 2017. یک معماری معمولی MLP شامل یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی است. 2n/3 تعداد لایه‌های پنهان در مدل‌سازی سناریوهای پیچیده مناسب‌ترین است [ 21 ] (n: تعداد لایه‌های ورودی). در اینجا، n = 2. نقشه های شهری سال 2010،

شکل 2 . روش شناسی اتخاذ شده در مطالعه برای پیش بینی رشد شهری CMA با استفاده از مدل های DB-CA و NN-CA.

سال 2013 به همراه نقشه مجاورت سازه های موجود در سال 2013 به همراه نقشه همسایگی 3×3 به مدل NN-CA داده شد و برای 10000 تکرار با نرخ یادگیری پویا اجرا شد [ 22 ]. نرخ دقت 80% پذیرفته شده در نظر گرفته می شود و می توان فهمید که مدل بر اساس مجموعه داده های ورودی به خوبی یاد گرفته است [ 23 ]. در مطالعه ما، میزان دقت 92 درصد گزارش شده است.

3.1.2. با استفاده از مدل DB-CA

در مورد مدل DB-CA، پیش‌بینی شهری سال 2017 با استفاده از قانون بیز [ 24 ] اجرا شد. پیش بینی رشد شهری در سال 2017 (t ₃ ) بر اساس شهرنشینی سال های 2013 (t ₂ ) و 2010 (t ₁ ) از طریق مدل DB-CA با استفاده از معادله (1) اجرا شد. احتمال مشروط یافتن پیکسل های شهری در t ₃ با توجه به همسایگان شهری ≥ 3 در t ₂ ، $P (U_{t_{3}} | N_{t_{2}})$ از رابطه زیر بدست می آید

$P (U_{t_{3}} | N_{t_{2}}) = P (U_{t_{2}}) * \frac{P (N_{t_{1}} | U_{t_{2}})}{P (N_{t_{2}})}$ (1)

احتمال پیکسل های شهری در t ₂ ، $P (U_{t_{2}})$ به عنوان محاسبه می شود

$P (U_{t_{2}}) = \frac{N_{U t_{2}}}{N_{T}}$ (2)

احتمال شرطی همسایگان شهری ≥ 3 در t ₁ با توجه به پیکسل های شهری در t ₂ ، $P (N_{t_{1}} | U_{t_{2}})$ از رابطه زیر بدست می آید

$P (N_{t_{1}} | U_{t_{2}}) = \frac{N_{n t_{1}}}{N_{U t_{2}}}$ (3)

احتمال همسایگان شهری ≥ 3 در t ₂ ، $P (N_{t_{2}})$ از طریق محاسبه می شود

$P (N_{t_{2}}) = \frac{N_{n t_{2}}}{N_{T}}$ (4)

جایی که،

$N_{n t_{1}}$ : تعداد همسایگان شهری ≥ 3 در t ₁ ;

$N_{U t_{2}}$ : تعداد پیکسل های شهری در t ₂ ;

$N_{n t_{2}}$ : تعداد همسایگان شهری ≥ 3 در t ₂ ;

$N_{T}$ : تعداد کل پیکسل ها در منطقه مورد مطالعه.

مدل DB-CA احتمال خلفی را پیش بینی می کند $P (U_{t_{3}} | N_{t_{2}})$ بر اساس احتمال قبلی $P (U_{t_{2}})$ و احتمال $\frac{P (N_{t_{1}} | U_{t_{2}})}{P (N_{t_{2}})}$ .

در مطالعه حاضر، فرض بر این است که احتمال تبدیل شدن ساخته شده در زمان t ₁ به غیر ساخته شده در زمان t ₂ صفر باقی می ماند. بنابراین، فرض بر این است که تعداد پیکسل های ساخته شده در سال 2013 در سال 2017 نیز باقی می ماند. بر اساس مدل DB-CA، تعداد مورد انتظار پیکسل های ساخته نشده برای تبدیل به ساخته شده در سال 2017 محاسبه شد. این مدل در محیط ArcGIS اجرا شد تا زمانی که تعداد پیکسل‌های ساخته نشده مورد انتظار در سال 2017 به ساخته‌شده تبدیل شوند.

3.2. پوشش شهری

از تکنیک ماشین بردار پشتیبان (SVM) برای تهیه نقشه های پوشش زمین با استفاده از داده های لندست در سال های 2010، 2013 و 2017 (ذکر شده در بخش 3) منطقه مورد مطالعه استفاده شد. SVM طبقه‌بندی نظارت شده [ 25 ] برای طبقه‌بندی ویژگی‌های پوشش زمین CMA به Built-Up، Vegetation، Waterbody و Openland استفاده شد. هدف این مطالعه پیش بینی تنها رشد شهری منطقه مورد مطالعه است. از این رو نقشه‌های پوشش زمین تنها با دو دسته به نام‌های «ساخت‌شده» و «غیر ساخته‌شده» به نقشه‌های باینری تبدیل شدند. پوشش گیاهی، بدنه آبی و اوپنلند در دسته بندی “غیر ساخته شده” ترکیب شدند. بدین ترتیب نقشه های شهری CMA برای سال های 2010، 2013 و 2017 به دست آمد.

3.3. شناسایی هات اسپات

در یک مدل پیش‌بینی شهری، وضعیت یک پیکسل، به عنوان مثال، دسته پوشش زمین، در یک زمان معین، بر اساس وضعیت آن و سلول‌های مجاور آن در مرحله زمانی قبلی تغییر می‌کند [ 26 ]. هر شهر فعالیت‌های توسعه‌ای خاص خود را دارد و در یک بازه زمانی مشخص، شاید 4 یا 5 سال، شهرنشینی ممکن است به‌طور خودبه‌خود اتفاق بیفتد حتی در مناطقی که همسایه‌های شهری وجود ندارد. در پژوهش حاضر بر اساس سیاست دولت [ 27] مناطق 500 متری در اطراف OMR (جاده مهابالیپورام قدیم) بالقوه ترین مناطق هستند، یعنی نقاط داغ شهرنشینی. از این رو، یک منطقه حائل 500 متری در اطراف OMR تنها در نقشه شهری سال 2013 به عنوان کانون در مدل‌سازی پیش‌بینی گنجانده شده است. بنابراین در مطالعه کنونی ما، برای پیش‌بینی رشد شهری CMA در سال 2017، از نقشه‌های شهری سال 2010 به همراه نقشه شهری سال 2013 با هات اسپات استفاده شد ( شکل 3 ).

3.4. عوامل شهرسازی

جدای از نقشه های شهری، عوامل مختلف شهرنشینی نقش عمده ای در تعیین وضعیت یک پیکسل در مدل سازی پیش بینی ایفا می کنند. در مناطقی که رشد شهری فشرده است، نقشه شهری مرحله زمانی قبلی به تنهایی برای پیش‌بینی شهرنشینی مرحله زمانی بعدی کافی است [ 28 ]. در پژوهش حاضر، برای پیش‌بینی رشد شهری CMA در سال 2017، همراه با نقشه‌های شهری سال‌های 2010 و 2013، «بنای موجود سال 2013» به عنوان عامل شهرنشینی استفاده شد. در مدل‌سازی پیش‌بینی از پیکربندی همسایگی 3×3 استفاده شد. بر اساس [ 27] مناطقی که برای توسعه شهری ممنوع شده بودند، شناسایی و به عنوان «محدودیت‌ها» در مدل‌ها معرفی شدند که در آن از پیش‌بینی رشد شهری در طول فرآیند مدل‌سازی اجتناب شد. در مطالعه حاضر، منطقه تنظیم ساحلی (CRZ)-I، آب های اصلی، مناطق اطراف فرودگاه در Meenambakkam، مناطق 100 متری در اطراف مرز ایستگاه نیروی هوایی هند در نزدیکی Tambaram، منطقه باتلاق Pallikaranai و مناطق کمربند سبز به طول 15 متر در امتداد. جاده های پاس بای پوناماللی و رد هیلز به عنوان محدودیت شناسایی شده بودند ( شکل 4 ).

شکل 3 . نقشه های پوشش زمین CMA در طول دوره های مورد مطالعه. (الف) ژوئن 2010؛ (ب) می 2013; (ج) مارس 2017.

شکل 4 . ورودی‌های مدل‌های DB-CA و NN-CA برای پیش‌بینی رشد شهری CMA در سال 2017 به غیر از نقشه‌های پوشش شهری. (الف) نقشه مجاورت بناهای موجود در سال 2013. (ب) نقشه محله شهری 3×3. (ج) محدودیت ها.

3.5. تأثیر پیکربندی همسایگی بر خروجی های پیش بینی

محله سلولی نقش عمده ای در پیش بینی رشد شهری با استفاده از مدل CA ایفا می کند [ 29 ]. اما انتخاب پیکربندی محله مناسب همیشه نامشخص است و از منطقه ای به منطقه دیگر متفاوت است. بنابراین برای پیش‌بینی شهرنشینی CMA در سال 2017، مدل DB-CA با استفاده از پیکربندی‌های مختلف محله (مستطیل: 3 × 3، 5 × 5، 7 × 7 و دایره: 3 × 3) برای شناسایی مناسب‌ترین مورد اجرا شد ( شکل 5 ).

3.6. اعتبار سنجی

اعتبارسنجی فرآیند مهمی است که کاربران را قادر می سازد تا دقت مدل پیش بینی را درک کنند. متداول‌ترین روش ارزیابی دقت، «ماتریس خطا» یا «جدول احتمالی» است که از طریق آن دقت کلی (OA) و ضریب کاپا (k) استخراج می‌شوند [ 30 ]. همچنین حوزه‌های ضربه (به درستی پیش‌بینی شده)، خطا (کم پیش‌بینی‌شده) و آلارم‌های کاذب (بیش از حد پیش‌بینی شده) مورد تجزیه و تحلیل قرار گرفت.

4. نتایج و بحث

4.1. نقشه های پوشش زمین

نقشه‌های پوشش اراضی منطقه مورد مطالعه برای سال‌های 1389، 1392 و 1396 به ترتیب 92.23، 87.87 درصد و 87.57 درصد و k مقادیر 0.89، 0.8437 و 0.8412 را تولید کردند. نقشه های پوشش زمین ( شکل 3 ) افزایش قابل توجهی را در ساخت و سازها از سال 2010 تا 2017 نشان می دهد. CMA شامل مساحت کل 1189 کیلومتر مربع ^است که 237.41 کیلومتر مربع ^، 400.57 کیلومتر مربع ^و 572.11 کیلومتر مربع ^به عنوان پوشش شهری در 220 نقشه برداری شده است. ، 2013 و 2017 به ترتیب. شکل 3نشان می دهد که پوشش شهری در سال 2017 بیش از دو برابر مساحت در سال 2010 افزایش یافته است که از داده های جمعیتی مشهود است. جمعیت CMA در سال 2001 7.04 میلیون نفر بود که در سال 2011 به 8.87 میلیون نفر افزایش یافت و تخمین زده می شود که جمعیت آن 11.19 میلیون نفر در سال 2021 باشد [ 31 ].

شکل 5 . انواع پیکربندی محله ای مورد استفاده در پیش بینی رشد شهری CMA در سال 2017. (الف) مستطیل (3 × 3); (ب) مستطیل (5 × 5)؛ (ج) مستطیل (7 × 7)؛ (د) دایره ای (3 × 3).

این امر به این دلیل است که بسیاری از مراکز فناوری اطلاعات، صنایع، مؤسسات آموزشی، بخش های بانکی و غیره در منطقه مورد مطالعه پدید آمده بودند که بسیاری از روستائیان را برای مهاجرت به CMA جذب کرد و تعداد صنایع در منطقه مورد مطالعه پنج برابر شده بود. از 7782 در سال 2001 به 42000 در سال 2017 [ 32 ]. برای پیش‌بینی پوشش شهری در سال 2017، مکان کانونی در نقشه شهری سال 2013 در یک الگوی خطی 500 متری در اطراف OMR گنجانده شد تا شهرنشینی را به‌ویژه با توجه به ظهور مراکز فناوری اطلاعات در این منطقه به تصویر بکشد.

4.2. ارزیابی پراکندگی شهری از طریق آنتروپی شانون

از سال 2010 تا 2017، پوشش شهری در CMA در حال افزایش بود ( شکل 6 (الف)). منطقه مورد مطالعه به پنج منطقه مبتنی بر فاصله هر 7 کیلومتر با دبیرخانه دولتی به عنوان مرکز تقسیم شد ( شکل 6(ب)). مقادیر آنتروپی شهرنشینی در سال های 2010، 2013 و 2017 به ترتیب 8115/0، 9462/0 و 9377/0 به دست آمد. حداکثر مقدار آنتروپی با پنج ناحیه 1.6094 (loge5) است. ارزش آنتروپی از سال 2010 تا 2013 افزایش یافته و پس از سال 2013 کاهش یافته است. این توضیح می دهد که گسترش شهری تا سال 2013 توزیع شده است. پس از سال 2013 شهرنشینی شروع به ازدحام کرد. در سال 2017، نوع متمرکز رشد شهری در مناطق حائل 7 کیلومتری، 14 کیلومتری و 21 کیلومتری مشاهده شد. شرکت چنای در محدوده 7 کیلومتری و 14 کیلومتری منطقه حائل قرار دارد. این نشان می دهد که مرز شرکت از رشد شهری اشباع شده است. Numgambakkam، Tondiarpet، Madavaram، Guindy در این دو منطقه قرار دارند. منطقه حائل 21 کیلومتری شامل Meenambakkam، Red Hills بلافاصله خارج از شرکت Chennai قرار دارد. در حاشیه مرز از آنجایی که نزدیک به مرز شرکت قرار دارد، در سال 2017 نیز رشد شهری متراکم را تجربه می کند.

شکل 6 . گسترش شهری و آنتروپی منطقه مورد مطالعه. (الف) گسترش شهری شهرنشینی مشاهده شده CMA در سال‌های 2010، 2013 و 2017؛ (ب) مقادیر آنتروپی شهرنشینی منطقه مورد مطالعه برای پنج منطقه حائل مبتنی بر فاصله از دبیرخانه دولتی.

در دسترس بودن امکانات حمل و نقل، این سه منطقه در سال 2017 شلوغ شده اند [ 33 ].

مناطق 28 کیلومتری و 35 کیلومتری از شرکت چنای دور هستند و نوع پراکنده شهری را تجربه می کنند زیرا عوامل اجتماعی-اقتصادی در این دو منطقه نسبتاً کمتر است. Kundrathur، Minjur، Vandalur، Thiruninravur در این مناطق قرار دارند. بنابراین، تجزیه و تحلیل آنتروپی منطقه مورد مطالعه به وضوح نشان می دهد که نوع فشرده رشد شهری در فاصله 21 کیلومتری از دبیرخانه دولتی یافت شد در حالی که رشد در مناطق واقع در 28 کیلومتری و 35 کیلومتری از دبیرخانه توزیع شده است.

بر اساس شهرنشینی در هر یک از این پهنه ها، مشخص می شود که پهنه 7 کیلومتری بیشترین شهرنشینی را دارد، یعنی 1/81 درصد از مساحت پهنه در سال 1396 شهرنشینی شده است و پس از آن پهنه های 14 کیلومتری، 21 کیلومتری، 28 کیلومتری و 35 کیلومتری قرار دارند. دارای 69%، 46.4%، 34.1% و 29.4% پوشش شهری در سال 1396 است. پهنه های 7 کیلومتری و 14 کیلومتری به تنهایی دارای شهرنشینی 232.75 کیلومتر ^مربع هستند در حالی که شهرنشینی منطقه مورد مطالعه در سال 1396 برابر با 572.11 کیلومتر مربع ^است . این نشان می دهد که تقریباً 40 درصد از رشد شهری CMA در محدوده شرکت اتفاق می افتد [ 34 ]. این بیشتر بر این واقعیت تأکید می کند که مرز شرکت و حاشیه آن (7 کیلومتر، 14 کیلومتر و 21 کیلومتر) نوع فشرده شهرنشینی را تجربه می کند در حالی که شهرنشینی در مناطق 28 کیلومتری و 35 کیلومتری توزیع شده است که از سال 2013 شروع به تجربه شهرنشینی کرده بودند.

4.3. رشد شهری پیش بینی شده

مدل‌های NN-CA و DB-CA به همراه مجموعه داده‌های ورودی ( شکل 4 ) 606.34 کیلومتر مربع ^و 665.09 کیلومتر مربع ^مناطق را در سال 2017 پیش‌بینی کردند ( شکل 7 ) در حالی که منطقه شهرنشینی مشاهده شده در سال 2017 572.11 کیلومتر مربع ^است . دقت خروجی پیش‌بینی‌شده DB-CA (OA: 86.08٪؛ k: 0.73) بالاتر از مدل NN-CA است (OA: 85.51٪؛ k: 0.71). در اعتبارسنجی خروجی های پیش بینی شده با

شکل 7 . پوشش شهری مشاهده شده و تایید شده CMA. پوشش شهری مشاهده شده در (الف) 2010; (ب) 2013 با نقطه اتصال؛ (ج) 2017. پوشش شهری اعتبارسنجی شده 2017 با استفاده از (د) مدل NN-CA. (ه) مدل DB-CA.

در نقشه شهری مشاهده شده در سال 2017، مشاهده می شود که مناطق بازدیدها (ساخت به درستی پیش بینی شده) از مدل DB-CA (بازدید: 524.14 کیلومتر مربع ⁾ نسبت به استفاده از مدل NN-CA (بازدید: 502.42 کیلومتر مربع) است ^. ).

خطاها نشان دهنده عدم پیش بینی و هشدارهای نادرست نشان دهنده پیش بینی بیش از حد است. یک UGM را می توان کارآمد نامید، در صورتی که دارای مناطق کمتری از خطاها و هشدارهای نادرست (داده شده توسط k) باشد، جدای از داشتن مناطق بالاتری از ضربه (داده شده توسط OA) [ 35 ]. در این مطالعه، خطا در مدل DB-CA (47.97 کیلومتر مربع) کمتر بود، ^در حالی که 69.7 کیلومتر مربع ^از منطقه در مدل NN-CA به عنوان مفقود گزارش شد. با این حال، هشدار کاذب در مدل DB-CA (140.95 کیلومتر مربع ⁾ بیشتر از مدل NN-CA (102.69 کیلومتر مربع ⁾ بود. هنگامی که یک UGM نواحی بالاتری از ضربه ها را پیش بینی می کند، هشدار نادرست نیز با مناطق کمتر از دست رفته بیشتر خواهد بود [ 36 ]] . بنابراین، در مدل DB-CA، نواحی ضربه ها و آلارم های کاذب در مقایسه با مدل NN-CA، بیشتر و خطاها کمتر است. علاوه بر این، برای تجزیه و تحلیل خروجی‌های پیش‌بینی بر اساس مدل‌های DB-CA و NN-CA، خروجی‌های اعتبارسنجی بر اساس پنج منطقه مبتنی بر فاصله CMA تقسیم شدند.

4.3.1. ارزیابی منطقی دقت خروجی های پیش بینی

در 7 کیلومتری دبیرخانه، مساحت شهرنشینی مشاهده شده در سال 2017 68.46 کیلومتر مربع ^است . مدل‌های DB-CA و NN-CA 67.93 کیلومتر مربع ^و 67.26 کیلومتر مربع ^را در سال 2017 پیش‌بینی کرده‌اند. گزارش شده است که در مدل DB-CA (0.54 کیلومتر مربع ⁾ کمتر از مدل NN-CA (1.2 کیلومتر مربع) ^میزان خطا کمتر است. ). در این منطقه، هر دو مدل توانستند شهرنشینی را تقریباً نزدیک به واقعیت به تصویر بکشند. با این حال، مدل DB-CA با دقت بهتری نسبت به مدل NN-CA با مساحت کمتر از 1 کیلومتر مربع پیش‌بینی ^کرد . در منطقه حائل 14 کیلومتری که رشد شهری مشاهده شده در سال 2017 برابر با 164.29 کیلومتر مربع است ^، مدل DB-CA 157.82 کیلومتر مربع ^و NN-CA 154.62 کیلومتر مربع را پیش بینی کرد ^.منطقه رشد شهری خطا در مدل DB-CA (6.47 کیلومتر مربع ⁾ کمتر از مدل NN-CA (9.67 کیلومتر مربع ⁾ بود. این دو منطقه در مرز شرکت قرار می‌گیرند و مدل DB-CA تنها 7.01 کیلومتر مربع منطقه از دست دادن و 225.75 کیلومتر مربع را به عنوان ضربه گزارش ^{می‌کند} در ^حالی که مدل NN-CA دارای 10.87 کیلومتر ^مربع مساحت و بازدید 221.88 کیلومتر مربع ^بود . شهرنشینی در منطقه حایل 21 کیلومتری که در حاشیه مرز شرکت قرار دارد، 184.37 کیلومتر مربع ^در سال 2017 بود. مدل DB-CA دارای 166.73 کیلومتر مربع بازدید بود ^در حالی که NN-CA تنها 158.94 کیلومتر ^مربع مساحت بازدید داشت. مدل DB-CA نسبت به مدل NN-CA (25.42 کیلومتر مساحت کمتری از خطا (17.64 کیلومتر مربع ^{) داشت.}² ). در زون های 28 کیلومتری و 35 کیلومتری که شهرنشینی پراکنده است، شهرنشینی در سال 2017 155.15 کیلومتر مربع بوده ^است . مدل DB-CA 131.85 کیلومتر مربع ^را با مسافت 23.3 کیلومتر مربع ^تولید کرد. مدل NN-CA 121.75 کیلومتر مربع را گزارش کرد ^و 33.4 کیلومتر مربع را ^از دست داد ( شکل 8 ). این پتانسیل مدل DB-CA را برای پیش‌بینی رشد شهری بهتر از مدل NN-CA در هر دو نوع پرتراکم و پراکنده مناطق رشد شهری نشان می‌دهد.

علاوه بر این، مساحت خطاهای گزارش شده در مرز شرکت بر اساس مدل DB-CA (7.01 کیلومتر مربع ⁾ بسیار کمتر از مدل NN-CA (10.87 کیلومتر مربع ⁾ بود. در منطقه ای که رشد شهری متراکم است، برای یک پیکسل معین، تعداد همسایگان شهری نسبتاً بیشتر از منطقه ای است که شهرنشینی پراکنده است [ 37 ]. از این رو یک UGM کارآمد باید قادر به گرفتن آن باشد

رشد شهری به واقعیت در یک منطقه رشد شهری متراکم نزدیکتر است. در مطالعه ما، مدل DB-CA رشد شهری را با مناطق کمتر از مدل NN-CA نه تنها در مناطق شلوغ (7 کیلومتر، 14 کیلومتر و 21 کیلومتر) بلکه در مناطقی که پراکندگی شهری در آن توزیع شده است، پیش‌بینی کرد. 28 کیلومتر و 35 کیلومتر).

تجزیه و تحلیل مبتنی بر منطقه خروجی‌های پیش‌بینی نشان می‌دهد که مدل DN-CA پتانسیل پیش‌بینی شهرنشینی منطقه مورد مطالعه را بهتر از مدل NN-CA دارد. در حالی که مدل DB-CA دقت پیش‌بینی بهتری را در مناطق شلوغ نشان داد، کارایی مدل DB در مناطق پراکنده که در آن مدل NN-CA مناطق نسبتاً بالاتری از خطا داشت عمیق‌تر است.

4.3.2. ارزیابی تأثیر پیکربندی همسایگی بر خروجی پیش‌بینی

از آنجایی که محله نقش عمده‌ای در پیش‌بینی شهری بر اساس مدل CA ایفا می‌کند، تأثیر پیکربندی محله بر خروجی پیش‌بینی ارزیابی شد. مدل پیش‌بینی مبتنی بر مدل DB-CA با چهار پیکربندی مختلف شامل مستطیل (3×3، 5×5، 7×7) و دایره‌ای (3×3) اجرا شد. نتایج اعتبارسنجی خروجی‌های پیش‌بینی با پیکربندی‌های همسایگی مختلف در جدول 1 آورده شده است. نتایج نشان می‌دهد که یک محله مستطیلی 3×3 مناسب‌ترین پیکربندی برای پیش‌بینی شهرنشینی CMA در سال 2017 است [ 38 ].

شکل 8 . تجزیه و تحلیل منطقی خروجی های اعتبارسنجی مدل های DB-CA و NN-CA.

جدول 1 . اعتبار سنجی خروجی های پیش بینی بر اساس مدل DB-CA با پیکربندی های مختلف همسایگی.

5. نتیجه گیری

این مطالعه برای مدل‌سازی رشد شهری CMA با استفاده از مدل‌های NN-CA و DB-CA با نقطه کانونی، یعنی منطقه بالقوه برای توسعه بر اساس طرح جامع شهر انجام شد. نتایج نشان داد که مدل DB-CA خروجی پیش‌بینی دقیق‌تری نسبت به مدل NN-CA ارائه می‌دهد. اثرات انواع مختلف پیکربندی محله بر خروجی پیش‌بینی بر اساس مدل DB-CA مورد ارزیابی قرار گرفت و مشخص شد که محله مستطیلی 3×3 مناسب‌ترین محله برای مدل‌سازی رشد شهری CMA است. برای درک الگوی پراکندگی شهری منطقه مورد مطالعه، تحلیل آنتروپی انجام شد. نتایج آنتروپی نشان داد که شرکت چنای قبلاً از رشد شهری و در حاشیه مرز شرکت اشباع شده بود. شهرنشینی شروع به شلوغ شدن کرده است در حالی که مناطق دور از شرکت تجربه رشد توزیع شده را دارند. این مطالعه اهمیت تصمیم دولت را نشان می دهد [19 ] در گسترش منطقه CMA زیرا برنامه ریزان شهری و سیاست گذاران را قادر می سازد تا اقدامات برنامه ریزی مناسبی را ابداع کنند تا منطقه مورد مطالعه دیگر حداقل در داخل شرکت چنای شلوغ نشود زیرا در حال حاضر پر از رشد شهری است.

منابع

[ 1 ]	Hill، A. and Linder، C. (2010) مدلسازی رشد غیررسمی شهری تحت شهرنشینی سریع. Ph.D. پایان نامه، دانشگاه فنی دورتموند، دورتموند.
[ 2 ]	Iannone, G., Troisi, A., Guarnaccia, C., D’Agostino, PP and Quartieri, J. (2011) یک مدل رشد شهری بر اساس یک چارچوب پدیدارشناختی اتوماتای سلولی. مجله بین المللی فیزیک مدرن C، 22، 543-561. https://doi.org/10.1142/S0129183111016427
[ 3 ]	جعفری، م.، ماجدی، ح.، منوری، س.م.، آلشیخ، ع.آ و زرکش، م.ک. (2016) شبیه سازی پویا گسترش شهری از طریق مطالعه موردی مدل CA-مارکوف: منطقه هیرکانی، گیلان، ایران. مجله اروپایی سنجش از دور، 49، 513-529. https://doi.org/10.5721/EuJRS20164927
[ 4 ]	Alqarni, S., Babiker, A. and Salih, A. (2018) تشخیص، نقشه برداری و ارزیابی تغییر در ناحیه شهری و زمین های زراعی در واحه الحسا، منطقه شرقی در عربستان سعودی با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی. مجله نظام اطلاعات جغرافیایی، 10، 659-685. https://doi.org/10.4236/jgis.2018.106034
[ 5 ]	لیو، ی. (2009) مدلسازی توسعه شهری با سیستم های اطلاعات جغرافیایی و اتوماتای سلولی. چاپ اول، چاپ CRC، لندن.
[ 6 ]	Batty, M., Xie, Y. and Sun, Z. (1999) مدلسازی دینامیک شهری از طریق اتوماتای سلولی مبتنی بر GIS. کامپیوتر، محیط زیست و سیستم های شهری، 23، 205-233. https://doi.org/10.1016/S0198-9715(99)00015-0
[ 7 ]	Ozturk, D. (2015) شبیه‌سازی رشد شهری آتاکوم (سامسون، ترکیه) با استفاده از مدل‌های زنجیره‌ای خودکار سلولی-مارکوف و مدل‌های زنجیره پرسپترون-مارکوف چند لایه. سنجش از دور، 7، 5918-5950. https://doi.org/10.3390/rs70505918
[ 8 ]	رفیعی، ر.، مهینی، ع.، خراسانی، ن.، درویش صفت، ع. ع. و دانکار، ع. (1388) شبیه سازی رشد شهری در شهر مشهد، ایران از طریق مدل اسلئوث (UGM). شهرها، 26، 19-26. https://doi.org/10.1016/j.cities.2008.11.005
[ 9 ]	Serasinghe Pathiranage، IS، Kantakumar، LN و Sundaramoorthy، S. (2018) داده های سنجش از دور و مدل رشد شهری SLEUTH: به عنوان ابزارهای پشتیبانی تصمیم برای برنامه ریزی شهری. علوم جغرافیایی چین، 28، 274-286. https://doi.org/10.1007/s11769-018-0946-6
[ 10 ]	Kamusoko, C., Aniya, M., Adi, B. and Manjoro, M. (2009) پایداری روستایی تحت تهدید در زیمبابوه-شبیه سازی تغییرات کاربری زمین/پوشش آینده در منطقه Bindura بر اساس مدل اتوماتای مارکوف- سلولی. جغرافیای کاربردی، 29، 435-447. https://doi.org/10.1016/j.apgeog.2008.10.002
[ 11 ]	Liang, X., Liu, X., Li, D., Zhao, H. and Chen, G. (2018) شبیه‌سازی رشد شهری با ترکیب سیاست‌های برنامه‌ریزی در یک مدل شبیه‌سازی کاربری زمین آینده مبتنی بر CA. مجله بین المللی علوم اطلاعات جغرافیایی، 32، 2294-2316. https://doi.org/10.1080/13658816.2018.1502441
[ 12 ]	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://doi.org/10.1559/152304005775194746
[ 13 ]	احمد، ب. و احمد، آر (2012) مدل‌سازی دینامیک رشد پوشش زمین شهری با استفاده از تصاویر ماهواره‌ای چند زمانی: مطالعه موردی داکا، بنگلادش. ISPRS International Journal of Geo-Information, 1, 3-31. https://doi.org/10.3390/ijgi1010003
[ 14 ]	Basse, RM, Omrani, H., Charif, O., Gerber, P. and Bodis, K. (2014) مدل سازی تغییرات کاربری زمین با استفاده از روش های پیشرفته: اتوماتای سلولی و شبکه های عصبی مصنوعی. بازنمایی فضایی و صریح دینامیک پوشش زمین در مقیاس منطقه فرامرزی. جغرافیای کاربردی، 53، 160-171. https://doi.org/10.1016/j.apgeog.2014.06.016
[ 15 ]	Fenton, N. and Neil, M. (2018) ارزیابی ریسک و تجزیه و تحلیل تصمیم با شبکه های بیزی. چاپ دوم، چاپ CRC، لندن. https://doi.org/10.1201/b21982
[ 16 ]	Karlik, B. and Vehbi, A. (2011) تجزیه و تحلیل عملکرد توابع فعال سازی مختلف در معماری MLP تعمیم یافته شبکه های عصبی. مجله بین المللی هوش مصنوعی و سیستم های خبره، 1، 111-122.
[ 17 ]	Zhou, Y., Zhang, F., Du, Z., Ye, X. and Liu, R. (2017) ادغام خودکار سلولی با شبکه باور عمیق برای شبیه سازی رشد شهری. پایداری، 9، 1786. https://doi.org/10.3390/su9101786
[ 18 ]	Ou, C., Yang, J., Du, Z., Li, P. and Zhu, D. (2018) شبیه سازی تغییرات کاربری چندگانه با استفاده از شبکه باور عمیق در اتوماتای سلولی: مطالعه موردی در منطقه پکن-تیانجین هبی، چین. لوند، 12-15 ژوئن 2018.
[ 19 ]	اداره مسکن و شهرسازی (UD1) (2018). https://www.cmdachennai.gov.in/pdfs/go/2018/go13.pdf
[ 20 ]	طرح جامع دوم برای منطقه شهری چنای، 2026 (2008). https://www.cmdachennai.gov.in/Volume1_English_PDF/Vol1_Chapter03_Economy.pdf
[ 21 ]	Yeh, AGO and Li, X. (2002) شبیه سازی شهری با استفاده از شبکه های عصبی و اتوماتای سلولی برای برنامه ریزی کاربری زمین. در: Richardson, DE و van Oosterom, P., Eds., Advances in Spatial Data Handling, Springer, Berlin, 451-464. https://doi.org/10.1007/978-3-642-56094-1_33
[ 22 ]	Aarthi، AD و Gnanappazham، L. (2018) پیش‌بینی رشد شهری با استفاده از مدل اتوماتای سلولی مبتنی بر عوامل مرتبط با شبکه عصبی برای Sriperumbudur Taluk، تامیل نادو، هند. مجله مصری سنجش از دور و علوم فضایی، 21، 353-362. https://doi.org/10.1016/j.ejrs.2017.12.004
[ 23 ]	آموزش سلوا ایدریسی (2012) https://uhulag.mendelu.cz/files/pagesdata/eng/gis/idrisi_selva_tutorial.pdf
[ 24 ]	استون، جی وی (2013) قانون بیز: مقدمه ای آموزشی بر تحلیل بیزی. سبتل پرس، شفیلد.
[ 25 ]	Jiménez، AA، Vilchez، FF، González، ON و Marceleno Flores، SML (2018) تجزیه و تحلیل کاربری زمین و تغییرات پوشش در منطقه شهری تپیک-Xalisco (1973-2015) از طریق تصاویر Landsat. پایداری، 10، 1860. https://doi.org/10.3390/su10061860
[ 26 ]	Wolfram, S. (1984) اتوماتای سلولی به عنوان مدل های پیچیدگی. طبیعت، 311، 419-424. https://doi.org/10.1038/311419a0
[ 27 ]	طرح جامع دوم برای منطقه شهری چنای، 2026 (2008). https://www.cmdachennai.gov.in/Volume2_English_PDF/DR-English.pdf
[ 28 ]	Bhatta, B. (2010) علل و پیامدهای رشد و گسترش شهری. در: Balram, S. and Dragicevic, S., Eds., Analysis of Urban Growth and Sprawl from Remote Sensing Data, Springer, Berlin, 17-21. https://doi.org/10.1007/978-3-642-05299-6_2
[ 29 ]	White, R. and Engelen, G. (1997) اتوماتای سلولی به عنوان مبنای مدلسازی منطقه ای پویا یکپارچه. محیط و برنامه ریزی ب: برنامه ریزی و طراحی، 24، 235-246. https://doi.org/10.1068/b240235
[ 30 ]	Alkaradaghi, K., Ali, SS, Alansari, N. and Laue, J. (2018) Evaluation of Land & Cover Change با استفاده از تصاویر Multi-Temporal Landsat: مطالعه موردی استان سلیمانیه، عراق. مجله نظام اطلاعات جغرافیایی، 10، 247-260. https://doi.org/10.4236/jgis.2018.103013
[ 31 ]	طرح جامع دوم برای منطقه شهری چنای، 2026 (2008) https://www.cmdachennai.gov.in/Volume3_English_PDF/Vol3_Chapter03_Demography.pdf
[ 32 ]	کتاب دستی آماری ناحیه، ناحیه چنای، 2016-2017. https://cdn.s3waas.gov.in/s313f3cf8c531952d72e5847c4183e6910/uploads/2018 /06/2018062923.pdf
[ 33 ]	Sekar، S. و Kanchanamala، S. (2011) تحلیلی از پویایی رشد در منطقه شهری چنای. موسسه برنامه ریزان شهری، 8، 31-57.
[ 34 ]	کمیساریای مدیریت شهری: سناریوی شهری در تامیل نادو. https://www.tn.gov.in/cma/Urban-Report.pdf
[ 35 ]	شفیع زاده مقدم، ح.، اصغری، ع.، طیبی، ع. و طالعی، م. (1396) مدل های یادگیری ماشین کوپلینگ، مبتنی بر درخت و مدل های آماری با اتوماتای سلولی برای شبیه سازی رشد شهری. کامپیوترها، محیط زیست و سیستم های شهری، 64، 297-308. https://doi.org/10.1016/j.compenvurbsys.2017.04.002
[ 36 ]	Feng, Y., Liu, Y. and Batty, M. (2016) مدل‌سازی رشد شهری با خودکارهای سلولی مبتنی بر GIS و قوانین SVM حداقل مربعات: مطالعه موردی در منطقه Qingpu-Songjiang شانگهای، چین. تحقیقات محیطی تصادفی و ارزیابی ریسک، 30، 1387-1400. https://doi.org/10.1007/s00477-015-1128-z
[ 37 ]	Kanchanamala، S. (2014) مدل شبیه سازی مبتنی بر اتوماتای سلولی استفاده از زمین برای منطقه حومه شهری. مطالعه موردی منطقه شهری چنای. Ph.D. پایان نامه، دانشگاه آنا، چنای.
[ 38 ]	Amujal, C. (2015) استفاده از اتوماتای سلولی برای تحلیل و مدلسازی رشد شهری. مطالعه موردی منطقه بزرگ کپنهاگ از 1990 تا 2010. Ph.D. پایان نامه، دانشگاه آلبورگ، آلبورگ.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

مقایسه مدل‌سازی رشد شهری با استفاده از مدل اتوماتای سلولی مبتنی بر باور عمیق و شبکه عصبی – مطالعه موردی منطقه شهری چنای، تامیل نادو، هند

کلید واژه ها

1. مقدمه

2. منطقه مطالعه