بسیاری از کشورها، از جمله چین، سیاست دولت فضایی را که به طور گسترده به عنوان مرز رشد شهری (UGB) شناخته می شود، برای مدیریت رشد شهری آینده اجرا کرده اند. با این حال، مطالعات کمی پرسیده اند که چرا ما به UGB نیاز داریم، به ویژه پیش ارزیابی کاربرد UGB برای تغییر شکل الگوهای فضایی آینده شهرها. در این تحقیق، ما یک مدل شبیه‌سازی رشد شهری محدود (CUGSM) را پیشنهاد کردیم که زنجیره مارکوف (MC)، جنگل تصادفی (RF)، و اتوماتای ​​سلولی مبتنی بر رشد وصله (Patch-CA) را برای شبیه‌سازی رشد شهری همراه کرد. اثر نظارتی UGB با CUGSM بر اساس روش بازی احتمال تصادفی همراه شد. شهر گوانگژو، یک منطقه شهری واقع در دلتای رودخانه پرال چین، به عنوان مطالعه موردی در نظر گرفته شد. رشد تاریخی شهری از سال 1995 تا 2005 و جنگل های تصادفی برای کالیبره کردن قوانین تبدیل Patch-CA استفاده شد. و از الگوهای شهری شبیه سازی و مشاهده شده در سال 2015 برای شناسایی دقت شبیه سازی استفاده شد. نتایج نشان داد که شاخص‌های کاپا و رقم شایستگی (FOM) Patch-CA بدون محدودیت به ترتیب فقط 0.7914 و 0.1930 بود که نشان می‌دهد رشد واقعی شهری توسط نیرویی فراتر از آنچه Patch-CA آموخته است، تغییر شکل داده است. ما بیشتر سناریوهای شبیه‌سازی را در سال 2035 با و بدون در نظر گرفتن محدودیت UGB مقایسه کردیم و تفاوت بین آنها به 21.14% می‌رسد که نشان می‌دهد UGB نقش مهمی در شکل‌دهی فضایی رشد شهری آینده دارد. به طور خاص، زمین شهری جدید اضافه شده خارج از UGB از 25.13٪ به 16.86٪ پس از در نظر گرفتن محدودیت UGB کاهش یافته است. به ویژه اشغال فضای کشاورزی و فضای اکولوژیکی به طور چشمگیری کاهش یافته است.

کلید واژه ها:

برنامه ریزی فضایی سرزمینی ; مرز رشد شهری (UGB) ; تغییر شکل فضایی ؛ اتوماتای ​​سلولی ; ارزیابی سودمندی

1. مقدمه

رشد شهری در دهه های گذشته پدیده ای جهانی بوده است، به ویژه در کشورهای در حال توسعه مانند چین [ 1 ]. قابل پیش بینی است که این پدیده در دهه های آینده نیز ادامه خواهد داشت [ 2 ، 3 ]. رشد شهری به شدت تحت تأثیر فعالیت های انسانی است که دلیل اصلی تغییر کاربری/پوشش زمین در منطقه یا جهانی است [ 4 ]. معمولاً رشد شهری زمین های زیر کشت زیادی را اشغال کرده است که امنیت غذایی را به شدت تهدید می کند [ 5 ]. علاوه بر این، اشغال جنگل‌ها، آب‌ها و برخی فضاهای اکولوژیکی دیگر خدمات اکولوژیکی را کاهش داده است .]. گسترش نامعقول شهری به طور اجتناب ناپذیری بر توسعه پایدار شهری تأثیر می گذارد، بنابراین دولت انتظار دارد از طریق برنامه ریزی فضایی [ 7 ، 8 ]، رشد نامعقول شهری را مهار کند، به ویژه از طریق مرز رشد شهری (UGB)، که به عنوان مهم ترین ابزار مقررات برنامه ریزی شناخته شده است. مدیریت رشد شهری [ 9 ].
با تقویت فزاینده مقررات برنامه ریزی UGB توسط دولت چین، UGB به یک موضوع تحقیقاتی محبوب تبدیل شده است [ 10 ، 11 ، 12 ، 13 ، 14 ]. از آنجایی که وظیفه اصلی برنامه‌ریزی UGB کنترل علمی رشد شهری آینده است، همواره تمرکز تحقیقات برای حمایت از شبیه‌سازی‌های سناریوی شهری آینده با توسعه یک مدل برنامه‌ریزی فضایی بوده است [ 15 ، 16 ]. همانطور که همه ما می دانیم، یک شهر یک سیستم خودسازمانده معمولی است و رشد شهری یک فرآیند پویایی مکانی-زمانی است [ 17 ]. بنابراین، مدل‌های پایین به بالا، مانند اتوماتای ​​سلولی (CA)، به طور گسترده برای شبیه‌سازی رشد شهری استفاده شده‌اند.18 ]. در واقع، CA فقط یک سیستم دینامیکی گسسته از نظر مکانی و زمانی است که نه تنها می تواند برای پیش بینی رشد شهری آینده بر اساس قوانین تبدیل تاریخی [ 19 ، 20 ] استفاده شود، بلکه می تواند با تنظیم شرایط مختلف به شبیه سازی های چند سناریویی کمک کند [ 21 ]. , 22 , 23 ]. تا کنون، مدل‌سازی CA پیشرفت قابل‌توجهی در کالیبراسیون قوانین تبدیل حالت، حساسیت همسایگی و کاربردهای مختلف شبیه‌سازی داشته است [ 24 ، 25 ].
با توجه به هدف آنها، مدل های مبتنی بر CA را می توان به سه دسته تقسیم کرد: توصیفی، پیش بینی کننده و تجویزی [ 26 ]. همانطور که برای مدل‌سازی پیش‌بینی CA، به طور کلی تشخیص داده می‌شود که قوانین شبیه‌سازی بهتر به پیش‌بینی بهتر و بهتر رشد شهری آینده کمک می‌کند، و استخراج قوانین تبدیل اغلب به عنوان مرحله اصلی مدل‌سازی CA در نظر گرفته می‌شود [ 27 ]. از رگرسیون لجستیک کلاسیک تا یادگیری عمیق با رتبه بالا، تقریباً هر روش پیشنهادی در حال حاضر برای مدل‌سازی CA استفاده می‌شود [ 28 ، 29 ، 30 ]. با این حال، شهرنشینی یک فرآیند سیستم انسانی و طبیعی است و هیچ شهری همیشه در رشد تاریخی خود برای همیشه بدون تغییر باقی نمی ماند [ 31 ]]. در عمل، رشد شهری اغلب توسط فعالیت های انسانی مداخله و بازسازی می شود، به عنوان مثال، یک استراتژی توسعه فضایی جدید یا سیاست تنظیم شده توسط دولت ها می تواند قانون را تغییر دهد [ 32 ]. اگرچه توسعه مدل‌های CA پیش‌بینی‌کننده بسیار مهم است، اما نباید از تأثیر تغییر شکل فضایی ناشی از فعالیت‌های انسانی غافل شویم. بنابراین، مدل‌های CA تجویزی که محدودیت‌های مختلفی را برای شبیه‌سازی سناریو در نظر می‌گیرند نیز بسیار جذاب هستند، که معمولاً به عنوان خودکار سلولی محدودیت (CCA) توصیف می‌شود.
مدل CCA یک رابط برای در نظر گرفتن مداخله فعال فعالیت های انسانی ارائه می دهد که بهتر است برای بحث در مورد مشکلات برنامه ریزی فضایی استفاده شود [ 33 ]. برای مثال، برنامه ریزان معمولاً از مدل CCA برای تولید سناریوهای رشد شهری چندگانه برای حمایت از تصمیم گیری در برنامه ریزی استفاده می کنند [ 34 ، 35 ]. علاوه بر این، در چارچوب سیاست‌های فعلی برای بهبود خدمات اکوسیستمی و کنترل انتشار کربن، عوامل محدودکننده جدید مانند خدمات اکوسیستم و انتشار کربن نیز محققان بسیاری را به خود جلب کرده است [ 36 ، 37 ].]. بدون شک CCA یک ابزار شبیه سازی عالی برای مطالعه تکامل رشد شهری ارائه می دهد. با این حال، در مقایسه با مطالعات متعددی که سناریوهایی را با CCA برای حمایت از برنامه ریزی فضایی ایجاد می کنند، مطالعات کمی وجود دارد که CCA را برای ارزیابی اولیه طرح های برنامه ریزی فضایی موجود اعمال کرده باشد [ 25 ]. در واقع، استفاده از CCA برای ارزیابی طرح‌های برنامه‌ریزی فضایی موجود امکان‌پذیر است، و همچنین برای برنامه‌ریزان اهمیت زیادی دارد که بر روی طرح‌های برنامه‌ریزی خود تأمل کنند [ 38 ]. اگرچه ارزیابی سیاست‌های برنامه‌ریزی فضایی موجود با CCA برخی از دانشمندان را به خود جلب کرده است، بحث عمیق‌تر باید بیشتر ترویج شود.
از زمانی که چین اصلاحات برنامه ریزی فضایی را پس از نوزدهمین کنگره ملی حزب کمونیست [ 39 ] آغاز کرد، UGB نقش مهمی در برنامه ریزی فضایی ایفا می کند . با این حال، چرا چین باید سیاست UGB را برای مدیریت رشد شهری اجرا کند؟ آیا رشد آزادانه شهرها بد است؟ مطالعات موجود اثربخشی مقررات UGB را با استفاده از گسترش تاریخی شهری ارزیابی کرده اند [ 20 , 40 ]]، اما مطالعات کمی اثر تغییر شکل فضایی UGB را بر رشد شهری آینده ارزیابی کرده اند، به ویژه در مورد کاربرد UGB که توسط آژانس حرفه ای برنامه ریزی شده بود. تنها راه برای پاسخ به ضرورت تعیین حدود UGB برای تنظیم رشد شهری آینده، توسعه مدل‌های شبیه‌سازی سناریویی مبتنی بر CCA برای نشان دادن تفاوت بین مناطق شهری آینده که کاملاً آزاد رشد می‌کنند و مناطقی که دارای کنترل محدودیت هستند، است.
با توجه به موضوعاتی که در بالا مورد بحث قرار گرفت، این تحقیق با هدف توسعه یک مدل شبیه‌سازی رشد شهری محدودیت (CUGSM) بر اساس چارچوب CCA برای پیش‌ارزیابی سودمندی UGB است. برای بررسی تأثیر UGB برنامه ریزی شده بر رشد شهری آینده، پیش بینی کمیت مبتنی بر زنجیره مارکوف، ارزیابی مناسب بودن تصادفی مبتنی بر جنگل، اتوماتای ​​سلولی مبتنی بر رشد وصله و بازی مبتنی بر احتمال تصادفی در یک CUGSM همراه شدند. با در نظر گرفتن منطقه شهری گوانگژو چین به عنوان مطالعه موردی، مدل پیشنهادی را برای شبیه‌سازی سناریوی رشد شهری از سال 2015 تا 2035 به کار بردیم و سپس، این سناریوی شبیه‌سازی با سناریوی دیگری بدون در نظر گرفتن محدودیت‌های UGB مقایسه شد. این مطالعه به مقامات محلی کمک می کند تا روند رشد تاریخی شهری را ارزیابی کنند تا تصمیم بگیرند که آیا سیاست های UGB را اجرا کنند یا خیر. و برای کاوش در مناطقی که برای جلوگیری از توسعه غیرقانونی به کنترل های شدیدتر نیاز است. این تحقیق نه تنها می تواند به سودمندی UGB پاسخ دهد، بلکه روشن می کند که چرا چین اجرای سیاست UGB را برای مدیریت رشد شهری آینده آغاز کرده است.

2. روش شناسی

2.1. چارچوب رویه مدلسازی

ما یک مدل شبیه‌سازی رشد شهری محدود (CUGSM) را پیشنهاد کردیم که زنجیره مارکوف (MC)، جنگل تصادفی (RF)، و اتوماتای ​​سلولی مبتنی بر رشد وصله (Patch-CA) را برای ارزیابی کاربرد UGB برای تغییر شکل رشد شهری آینده، همراه می‌کند. روش مدل سازی CUGSM در شکل 1 نشان داده شده است. ابتدا باید داده های مکانی را برای مدل سازی آماده کنیم. برای مثال، می‌توانیم از سنجش از دور (RS) مانند تصاویر Landsat برای مشاهده یک سری رشد تاریخی شهری استفاده کنیم. دو مورد از این تصاویر برای شروع پارامترهای CA پیش‌بینی و یکی از آنها برای اعتبارسنجی دقت شبیه‌سازی استفاده شد. علاوه بر این، ما همچنین باید برخی از عوامل محیطی فضایی مانند لندفرم منطقه ای، مرز رسمی رشد شهری و غیره را جمع آوری یا پیش پردازش کنیم. دوم، ما مقدار زمین شهری را برای رشد آینده با زنجیره مارکوف (MC) پیش‌بینی می‌کنیم. اگرچه روش‌های زیادی برای پیش‌بینی این کمیت وجود دارد، مطالعات معمولاً MC را با CA همراه می‌کنند، زیرا نه تنها از داده‌های مرجع کمتری استفاده می‌کند، بلکه از دقت پیش‌بینی نسبتاً خوبی نیز برخوردار است [ 41 ، 42 ]]. سوم، روش جنگل تصادفی (RF) برای کالیبره کردن قوانین انتقال CA که معمولاً به عنوان مناسب بودن تعریف می‌شوند، استفاده شد. مطالعات موجود، عملکرد انواع روش‌های یادگیری ماشین را ارزیابی کرده‌اند، و مطالعات مقایسه نشان داد که الگوریتم RF از بیشتر الگوریتم‌های انتخاب‌شده بهتر عمل می‌کند [ 43 ، 44 ]. چهارم، یک استراتژی رشد پچ مبتنی بر دانه برای به روز رسانی وضعیت CA تعریف شد. مدل‌سازی سنتی CA معمولاً یک روش مبتنی بر شطرنجی است، اما مطالعات نشان داده‌اند که تکه‌ها شکل طبیعی‌تری برای نمایش تغییر کاربری واقعی زمین هستند [ 45 ، 46 ]]. در مرحله بعد، یک روش بازی مبتنی بر احتمال تصادفی برای در نظر گرفتن تأثیر UGB بر CA مبتنی بر رشد وصله استفاده شد. در نهایت، سناریوهای با و بدون محدودیت UGB برای ارزیابی دقت شبیه‌سازی و توانایی تغییر شکل UGB برای رشد شهری آینده مقایسه شدند. CUGSM مزایای تمام روش‌هایی را که در ادبیات قبلی مورد بحث قرار گرفته‌اند یکپارچه می‌کند و به خوبی با نیازهای هدف این مطالعه مطابقت دارد.

2.2. مدل شبیه سازی رشد شهری محدود (CUGSM)

2.2.1. چارچوب اساسی CA

CA بدون شک مدل اصلی برای شبیه سازی رشد شهری است. تاکنون، اگرچه راه‌های مختلفی برای مدل‌سازی وجود دارد، یک چارچوب مدل پایه CA عمدتاً شامل بخش‌های زیر است: (1) یک ماژول کمیت برای تعیین زمان توقف فرآیند شبیه‌سازی، که معمولاً توسط زنجیره مارکوف و همچنین برخی دیگر پیش‌بینی می‌شود. روش هایی که می تواند تقاضای اجتماعی و اقتصادی انسان ها را تحلیل کند. (2) یک ماژول فضایی برای کشف احتمال اولیه رشد شهری بر روی سلول ها، که معمولا با انواع روش های داده کاوی مانند رگرسیون لجستیک، جنگل تصادفی و برخی الگوریتم های دیگر تخمین زده می شود. (3) یک ماژول تکراری برای تعیین محل تبدیل سلول‌ها به زمین شهری، که معمولاً تعامل محله‌ای را در نظر می‌گیرد و وضعیت آن را با توجه به احتمال یکپارچه به‌روزرسانی می‌کند.

سیآ=پمنjتی=f(اسمنj،Ωمنjتی،Ψمنj)Uمنjتی=g(پمنjتی،ستی)

جایی که پمنjتینشان دهنده احتمال رشد شهری یکپارچه است که با استفاده از تناسب رشد شهری محاسبه می شود اسمنj، تعامل محله ای Ωمنjتیو شرایط توسعه ممنوع Ψمنjبا تابع ادغام f; اسمنjاز رشد تاریخی شهری با استفاده از روش جنگل تصادفی (RF) برآورد شده است. Ωمنjتییک متغیر پویا است که با استفاده از یک پنجره متحرک مانند مور و غیره محاسبه می شود. Ψمنjمعمولاً توسط مناطق حفاظت شده اکولوژیکی یا اساسی زمین کشاورزی تعریف می شود. Uمنjتیوضعیت سلول است منj(من=1،2،⋯،من;j=1،2،⋯،جی); چه سلول منjامکان تبدیل به زمین شهری با احتمال تلفیقی آن تعیین می شود پمنjتیو کمیت زمین شهری جدید اضافه شده ستیپیش بینی شده با روش MC. gتابعی است که برای تعیین زمان توقف تکرار CA استفاده می شود.

2.2.2. استراتژی مبتنی بر رشد وصله برای به‌روزرسانی CA (Patch-CA)

در اکثر تحقیقات قبلی، اینکه آیا سلول‌ها در CA می‌توانند شهری شوند یا خیر، با یک مقدار آستانه تعیین می‌شود. این بدان معنی است که اگر احتمال رشد شهری یکپارچه ( پمنjتی) بزرگتر از مقدار آستانه ( پتیساعتد، سپس وضعیت سلول منjبه زمین شهری تبدیل می شود. شکی نیست که این مکانیسم به روز رسانی در تئوری علمی است، اما در کاربرد عملی با چالش های بزرگی مواجه خواهد شد. در واقع رشد شهری به جز طرح و طرح، سلول به سلول توسعه نمی یابد. وقتی اندازه سلول CA کوچکتر باشد، به عنوان مثال، از 100 متر × 100 متر تا 10 متر × 10 متر، اثر جداسازی آشکارتر خواهد بود. پس از شناخت محدودیت CA کلاسیک، محققان استراتژی رشد پچ را پیشنهاد کردند [ 45 ، 46 ]. مهمترین مرحله برای رشد وصله، انتخاب دانه ها و تعریف الگوی رشد پچ است. اینکه کدام سلول می تواند به عنوان بذر انتخاب شود عمدتاً توسط احتمال رشد شهری تعیین می شود ( پمنjتی). معمولاً با استفاده از استراتژی رولت انتخاب می شود. الگوی رشد وصله را می توان از رشد شهری تاریخی با یک پنجره مناسب مانند 1000 متر × 1000 متر استخراج کرد. استراتژی به‌روزرسانی مبتنی بر رشد وصله، گسترش seed-centred است، که بسیار شبیه به استفاده از مهر کلون در فتوشاپ است. بنابراین، مرحله به روز رسانی در فرمول (1) را می توان به صورت زیر اصلاح کرد:

Uمنjتی=g(ساعت(پمنjتی)،مw،ستی)

جایی که ساعتیک تابع استراتژی رولت برای تعیین اینکه کدام سلول را می توان به عنوان دانه با توجه به احتمال رشد شهری یکپارچه انتخاب کرد ( پمنjتی) میک کتابخانه الگو است که از رشد شهری تاریخی توسط یک پنجره مناسب جمع آوری شده است w.

2.2.3. اعمال محدودیت های فضایی UGB در Patch-CA

ماهیت مدل شبیه‌سازی رشد شهری محدود، در نظر گرفتن مدیریت فضایی UGB برای رشد شهری آینده است. اگرچه UGB فقط یک خط برنامه ریزی است، فضای شهری عمدتاً در UGB قرار دارد. کشاورزی و فضای زیست محیطی عمدتاً خارج از UGB هستند. از این رو، هنگام اعمال محدودیت های فضایی UGB به Patch-CA، ویژگی های مدیریت فضایی باید در نظر گرفته شود. به منظور تطبیق بهتر ویژگی‌های احتمال مدل Patch-CA، ما از مقدار کمی از 0 تا 1 برای نشان دادن انواع مختلف نیازهای توسعه استفاده کردیم. به طور کلی، فضای شهری که در مناطق توسعه متمرکز (CDZ) قرار دارد برای رشد شهری قابل توجه است، می‌توانیم آن را به عنوان 1 علامت گذاری کنیم. منطقه توسعه انعطاف‌پذیر (FDZ) نیز در UGB قرار دارد، اما هدف آن مقابله با عدم قطعیت است. توسعه بنابراین، می توانیم آن را به عنوان مقدار متوسط ​​0.5 علامت گذاری کنیم که نه تشویق می شود و نه محدود می شود. فضای کشاورزی خارج از UGB معمولاً فقط پروژه های زیرساختی بزرگ را مجاز می کند در حالی که فضای زیست محیطی معمولاً برای هیچ ساختمانی مجاز نیست، بنابراین می توانیم آن را به عنوان 0.3 علامت گذاری کنیم (این یک مقدار تجربی است که برای کنترل احتمال تجاوز به زمین های کشاورزی استفاده می شود. در اصل، این مقدار است. بزرگتر از 0 اما باید کمتر از 0.5) و 0 باشد. در مرحله بعد، ما از یک مدل بازی مبتنی بر احتمال تصادفی استفاده کردیم تا تأثیر UGB را در Patch-CA ترکیب کنیم، و انتخاب دانه به صورت فرمول (3) نشان داده شده است: بنابراین می توانیم آن را به ترتیب 0.3 (مقدار تجربی است که برای کنترل احتمال تجاوز به زمین کشاورزی استفاده می شود. در اصل بزرگتر از 0 است اما باید کمتر از 0.5 باشد) و 0 علامت گذاری کنیم. در مرحله بعد، ما از یک مدل بازی مبتنی بر احتمال تصادفی استفاده کردیم تا تأثیر UGB را در Patch-CA ترکیب کنیم، و انتخاب دانه به صورت فرمول (3) نشان داده شده است: بنابراین می توانیم آن را به ترتیب 0.3 (مقدار تجربی است که برای کنترل احتمال تجاوز به زمین کشاورزی استفاده می شود. در اصل بزرگتر از 0 است اما باید کمتر از 0.5 باشد) و 0 علامت گذاری کنیم. در مرحله بعد، ما از یک مدل بازی مبتنی بر احتمال تصادفی استفاده کردیم تا تأثیر UGB را در Patch-CA ترکیب کنیم، و انتخاب دانه به صورت فرمول (3) نشان داده شده است:

اگر پمنjتی≤λمنj،منj=بذردر غیر این صورت،منj→

جایی که پمنjتیاحتمال رشد شهری یکپارچه است، اگر کوچکتر از λمنj; سپس، این سلول را می توان به عنوان دانه انتخاب کرد. در غیر این صورت، مدل Patch-CA باید به سلول بعدی منتقل شود.

3. منطقه مورد مطالعه و مواد داده

3.1. منطقه مطالعه

ما شهر گوانگژو در چین را برای بررسی کاربرد UGB انتخاب کردیم. گوانگژو یک کلان شهر بین المللی است که به سرعت در حال توسعه است و در دلتای رودخانه پرال چین (22°26′–23°56′ شمالی، 112°57′-114°03′ شرقی) واقع شده است. گوانگژو مساحتی معادل 7434.4 کیلومتر مربع شامل 11 ناحیه را پوشش می دهد ( شکل 2 الف). تا پایان سال 2020، جمعیت مقیم دائم و تولید ناخالص داخلی به ترتیب از 18.7 میلیون و 2.5 تریلیون یوان فراتر رفته است [ 47 ].]. بر اساس استراتژی توسعه فضایی جدید خود، گوانگژو عمدتاً بخش های شمالی، شرقی و جنوبی خود را به دلیل تراکم توسعه بالای بخش مرکزی خود توسعه خواهد داد. با این حال، ما باید توجه ویژه ای به ولسوالی ننشا در رابطه با این استراتژی توسعه داشته باشیم. نانشا در مرکز هندسی منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو (GBA) قرار دارد و توسط دولت شهر گوانگژو به عنوان یک مرکز فرعی تعیین شده است. بنابراین، هیچ راهی برای دور زدن این واقعیت وجود ندارد که رشد شهری آتی گوانگژو به طور کامل از قانون رشد تاریخی پیروی نخواهد کرد. این یک شهر بسیار معمولی برای بحث در مورد کاربرد UGB برای تغییر شکل رشد شهری آینده است.

3.2. مواد داده

داده‌های مورد استفاده در این پژوهش عمدتاً شامل تصاویر ماهواره‌ای لندست، مدل رقومی ارتفاع (DEM)، شبکه جاده‌ای، داده‌های تقسیم اداری و غیره است. رشد تاریخی شهری در سال‌های 1995، 2005، 2015 و 2020 از تصاویر ماهواره‌ای لندست (122-044)، که از پلتفرم خدمات عمومی ابر داده‌های جغرافیایی جمع‌آوری شده‌اند، طبقه‌بندی و به صورت بصری تفسیر شدند. تجزیه و تحلیل نمونه گیری نشان می دهد که میانگین دقت طبقه بندی داده ها بالاتر از 85٪ است که نیازهای تحقیق و کاربرد را برآورده می کند [ 38 ]. بر اساس پایش، محدوده شهری و روستایی در سال‌های 1995، 2005، 2015 و 2020 برابر با 865.64، 1359.45، 1685.98 و 1915.25 کیلومتر مربع بوده است است ( شکل 2).آ). چین به طور رسمی سیاست UGB را پس از اصلاح برنامه ریزی فضایی خود در سال 2017 اجرا کرد [ 39 ]، بنابراین رشد تاریخی شهری از سال 1995 تا 2005 برای کالیبره کردن مدل CA تجویزی و استفاده از زمین در سال 2015 برای ارزیابی دقت شبیه‌سازی استفاده شد. برای نشان دادن بیشتر اینکه اجرای UGB قانون رشد شهری موجود را تغییر داده است، ما بیشتر از استفاده از زمین در سال 2020 استفاده می کنیم تا اثربخشی تغییر شکل فضایی UGB را نشان دهیم.
از زمان اصلاحات نهادی دولت در سال 2017، دولت چین یک طرح فضایی جدید با نام یکنواخت را برای حمایت از توسعه پایدار شهرنشینی تا سال 2035 پیشنهاد کرده است. ما نسخه جدید طرح فضایی سرزمینی (2018-2035) شهر گوانگژو را از دفتر برنامه ریزی و منابع طبیعی شهرداری گوانگژو ( شکل 2 ب). طبق قوانین حکومت فضایی چین، فضای سرزمینی معمولاً به سه نوع فضای اصلی شامل شهری، کشاورزی و اکولوژیکی تقسیم می‌شود [ 48 ]. ). به طور کلی، فضای شهری باید در UGB واقع شود، در حالی که مناطق کشاورزی و زیست محیطی باید خارج از UGB باشند. با توجه به زمان توسعه و نیازهای رشد شهری، مناطق واقع در UGB نیز می توانند به CDZ، FDZ، و منطقه توسعه ویژه (SDZ) تقسیم شود [ 49]. CDZ منطقه اولویت برای رشد شهری است در حالی که FDZ برای عدم قطعیت رشد شهری محفوظ است، به عنوان مثال، اگر توسعه‌دهندگان املاک و مستغلات به دلایلی نمی‌خواهند CDZ را توسعه دهند، می‌توانیم زمین جدید اضافه شده را به FDZ تنظیم کنیم. مناطق ویژه عمدتاً پارک های جنگلی، میراث فرهنگی، و برخی دیگر که در UGB قرار دارند، هستند. همه آنها معمولاً بر تولید محصولات زیست محیطی تمرکز می کنند. از آنجایی که مناطق ویژه معمولا کوچک و پراکنده هستند، در این تحقیق به این نوع پرداخته نمی شود.
طبق مطالعات قبلی، متغیرهایی مانند نقاط، خطوط و مناطق در مدل‌سازی CA معمولاً برای استخراج رابطه بین رشد تاریخی شهری و محیط فضایی استفاده می‌شوند [ 28 ، 43 ]. در این مطالعه در مجموع 9 متغیر فضایی ( شکل 3) برای مدل سازی استفاده شد، از جمله (الف) مدل ارتفاعی دیجیتال (DEM)، (ب) شیب، (ج) نزدیکی به رودخانه، (د) نزدیکی به بزرگراه، (ه) نزدیکی به مترو، (f) نزدیکی به بندر، (ز) نزدیکی به مرکز انکشاف شهرداری، (ح) نزدیکی به مرکز انکشاف ولسوالی، و (i) نزدیکی به مرکز توسعه شهر. در این مطالعه، ویژگی‌های دینامیکی این متغیرهای نزدیک را نادیده می‌گیریم. همه مجموعه داده‌ها مانند شبکه زمین و جاده برای تولید متغیرهای محیطی فضایی از منابع باز مانند OpenStreetMap جمع‌آوری شده‌اند و همه آنها در ArcGIS از قبل پردازش شده‌اند.

4. نتایج

4.1. الگوی سناریوهای رشد شهری آینده

برای رشد شهری آینده در سال 2035، ما دو سناریو شبیه سازی کردیم: یکی با محدودیت فضایی UGB ( شکل 4 الف) و دیگری بدون محدودیت UGB ( شکل 4 ) شبیه سازی شده است.ج). با مقایسه دو سناریو شبیه‌سازی شده، می‌توانیم تحلیل کنیم که آیا UGB نقش بزرگی در شکل‌دهی به روند رشد شهری آینده خواهد داشت یا خیر. به طور کلی، تحت کنترل UGB، روند رشد شهری آینده نسبتا فشرده خواهد بود، در حالی که روند رشد شهری بدون در نظر گرفتن کنترل UGB نسبتا پراکنده خواهد بود. علاوه بر این، محدودیت UGB نشان دهنده انتظارات دولت از رشد شهری آینده است و به ویژه به تعدیل برخی از روندهای رشد شهری که با توسعه پایدار همسو نیستند کمک می کند. به منظور نشان دادن ضرورت UGB برای تغییر شکل رشد شهری آینده، ما دو مورد معمولی را برای نمایش انتخاب کردیم. منطقه A یک منطقه آزمایشی به نام شهر دانش گوانگژو چین-سنگاپور است که از سال 2010 توسعه یافته است. در دهه گذشته، توسعه مشترک در یک منطقه کوچک محدود شده است. با این حال، با تصویب طرح توسعه شهر دانش چین-سنگاپور گوانگژو (2020-2035) توسط دولت چین در سال 2020، یک فرصت توسعه بزرگ در این منطقه پدید آمده است. بدیهی است که سناریوهای شبیه سازی بدون محدودیت UGB نمی توانند به این برنامه ریزی توسعه پاسخ دهند. به عبارت دیگر، الگوی توسعه شهر دانش گوانگژو چین-سنگاپور را نمی توان به طور منطقی تنها با در نظر گرفتن روند رشد تاریخی پیش بینی کرد. یکی دیگر از مناطق معمولی منطقه جدید نانشا (منطقه B) است که از سال 2018 به عنوان مرکز فرعی شهر گوانگژو به روز شده است. از احتمال رشد شهری تاریخی، توسعه نانشا به شمال می تواند با منطقه مرکزی شهری ادغام شود. با این حال،شکل 2 ). همانطور که از مقایسه در شکل 4 a,c مشاهده می شود، اگر محدودیت فضایی UGB در نظر گرفته نشود، رشد شهری عمدتاً در شمال اتفاق می افتد، اما پس از معرفی محدودیت UGB، رشد شهری عمدتاً به سمت جنوب است. از زمان اجرای استراتژی جدید توسعه فضایی در سال 2018، نقاط رشد گوانگژو تغییر کرده است. با مقایسه شکل 4a-c در مناطق A و B، می‌توانیم ببینیم که زمین‌های کاربری زیادی وجود داشت که تا سال 2020 توسعه یافته بودند، اما آنها در سناریوی شبیه‌سازی بدون محدودیت UGB ارائه نشدند. بدیهی است که قانون رشد تاریخی شهری توسط UGB تغییر شکل داده است. بنابراین، برای شبیه‌سازی بهتر رشد شهری آینده، نه تنها باید مکانیسم دینامیکی تاریخی را در نظر بگیریم، بلکه الزامات مربوط به کنترل فضایی آینده را نیز باید در نظر بگیریم که از مزایای CUGSM است.

4.2. کاربرد UGB برای تغییر شکل رشد شهری آینده

با مقایسه سناریوی محدود با سناریوی بدون محدودیت در سال 2035، می‌توانیم کاربرد UGB را برای تغییر شکل رشد شهری آینده ارزیابی کنیم ( شکل 5 ). از طریق تحلیل همپوشانی، می‌توانیم دریافتیم که تفاوت فضایی بین سناریوی رشد محدود و سناریوی رشد نامحدود به 21.14% می‌رسد و مساحت واقعی حدود 418.84 کیلومتر مربع است . بنابراین، مداخله UGB می تواند الگوی فضا را تا حدی بازسازی کند. علاوه بر مقایسه مستقیم تفاوت‌های بین دو سناریوی شبیه‌سازی‌شده، ما همچنین باید رابطه فضایی بین دو سناریوی شبیه‌سازی شده و UGB را بررسی کنیم و ساختار توزیع فضایی به صورت جدول 1 نشان داده شده است.. اگر رشد شهری آینده توسط UGB محدود شود، 83.14٪ از واحدهای رشد در UGB و 16.86٪ از آنها در خارج از UGB قرار دارند، اما این نسبت به 74.87٪ و 25.13٪ در صورت عدم وجود محدودیت UGB تبدیل می شود. می توان مشاهده کرد که مداخله مدیریت UGB نظم رشد شهری را استانداردتر کرد و بازده تغییر شکل فضایی به طور مستقیم به 8.27٪ رسید. تجزیه و تحلیل بیشتر نشان می دهد که روند رشد شهری بازسازی شده توسط UGB عمدتا در فضای کشاورزی و اکولوژیکی قرار دارد. به عنوان مثال، پس از در نظر گرفتن محدودیت های UGB، نسبت رشد شهری در فضای کشاورزی از 13.39 به 9.37 درصد کاهش می یابد و نسبت رشد شهری در فضای اکولوژیکی از 11.75 درصد به 7.48 درصد کاهش می یابد. از نظر قوانین مدیریت فضایی،
این مطالعه از طریق روش بازی های تصادفی ثابت کرده است که ابزار بازسازی UGB بسیار قابل توجه است. در واقع، اگر اقدامات کنترل فضایی دقیق تری اجرا شود، مناطق خارج از UGB به هیچ وجه توسعه نخواهند یافت و کاربرد UGB برای تغییر شکل رشد شهری آینده آشکارتر خواهد بود. با این حال، مدیریت UGB یک فرآیند کنترل مصنوعی است و اگر اقدامات کنترلی قوی باشد، اثر بازسازی بالا خواهد بود. برعکس، اگر اثر کنترلی UGB ضعیف باشد، شهر به طور خود به خود رشد می کند و اثر بازسازی فضایی رشد شهری نیز به طور طبیعی تضعیف می شود. به طور کلی، از آنجایی که UGB یک انتظار فضایی از رشد شهری آینده را نشان می دهد، معمولاً نتیجه در نظر گرفتن جامع اهداف چندگانه است و یک طرح بهینه فضایی نسبتاً است. از این رو،

5. بحث

مدل Patch-CA که از فرآیند رشد شهری تاریخی می آموزد (طبقه بندی شده به عنوان پیش بینی CA) به طور گسترده ای برای پیش بینی رشد شهری آینده استفاده می شود، اما دقت شبیه سازی آن توسط شاخص های کاپا و FOM آزمایش شده معمولاً خیلی بالا نبود [ 50 ]. بنابراین، دلیل خوبی برای این باور وجود دارد که باید یک نیروی محرک تکامل شهری وجود داشته باشد که نتوان از فرآیندهای تاریخی از طریق الگوریتم‌های یادگیری ماشین یاد گرفت. در این تحقیق رشد شهری از سال 1995 تا 2005 به عنوان متغیر وابسته در نظر گرفته شد و 9 عامل فضایی به عنوان متغیر مستقل در نظر گرفته شد. نقشه تناسب رشد شهری برآورد شده با جنگل تصادفی در شکل 6 نشان داده شده استآ. بر اساس الگوی شهری در سال 2005، مدل Patch-CA بدون محدودیت UGB برای شبیه سازی الگوی شهری در سال 2015 استفاده شد ( 46 ].شکل 6 ب)، که با الگوی واقعی مشاهده شده توسط تصاویر سنجش از دور لندست مقایسه شد ( شکل 6 ج). از طریق مقایسه، شاخص کاپا و FOM به ترتیب 0.7914 و 0.1930 بود. از منظر دقت شبیه‌سازی، رشد شهری پیش‌بینی‌شده توسط Patch-CA زیاد نبود، اما نزدیک به دقت گزارش‌شده در ادبیات قبلی بود.]. از طریق ارزیابی دقت، می‌توانیم دریابیم که به نظر می‌رسد هیچ CA پیش‌بینی‌کننده‌ای وجود ندارد که بتواند دقت پیش‌بینی را تا 100٪ بهبود بخشد، زیرا ممکن است شهر در طول زمان الگوهای توسعه جدیدی را ایجاد کند. بنابراین، پیش‌بینی شهرهای آینده با جستجوی قوانینی از روند تاریخی تنها از لحاظ نظری معتبر است، اما ضعف‌های آشکاری در اعمال آنها در تصمیم‌گیری‌های برنامه‌ریزی فضایی وجود دارد. برای چین، کشوری با مداخله برنامه ریزی قوی، توسعه شهری آینده تحت تأثیر مقررات ساختاری فضایی مختلف قرار دارد و رشد شهری آن به طور کامل ادامه روند تاریخی پایین به بالا نیست. به عنوان مثال، منطقه A و منطقه B در شکل 6به ترتیب فرودگاه و ایستگاه‌های راه‌آهن سریع‌السیر هستند که بدیهی است که نمی‌توان آنها را با مدل پیش‌بینی CA شبیه‌سازی کرد، اما باعث رشد انبوه شهری در آینده خواهند شد. با همپوشانی سناریوی شبیه‌سازی سال 2015 با UGB، می‌توان دریافت که تنها 81.18 درصد از آنها در UGB قرار دارند. اگر به پیش‌بینی سناریوی رشد سال 2035 با استفاده از این مدل ادامه دهیم، واحدهای بیشتری خارج از UGB توسعه خواهند یافت، که به وضوح با سیاست برنامه‌ریزی دولت چین برای کنترل کاربری زمین همخوانی ندارد. بنابراین، لازم است اثر تنظیم فضایی UGB در هنگام شبیه‌سازی رشد شهری آینده در نظر گرفته شود.
با توجه به مکانیسم مدل پیش‌بینی CA، شبیه‌سازی رشد شهری آینده فقط ادامه‌ای از روند رشد تاریخی شهری است. شکی نیست که این چارچوب مدل به صورت علمی مدل‌سازی شده است، اما مشکل اینجاست که استفاده از این مدل برای شبیه‌سازی آینده همیشه چندین حوزه را ارائه می‌کند که نمی‌توان به درستی شبیه‌سازی کرد. بدیهی است که این نشان می دهد که نقص های طبیعی در مفروضات ایجاد شده توسط مدل پیش بینی CA وجود دارد. به منظور تجزیه و تحلیل بیشتر علت شکست شبیه سازی، ما رابطه فضایی بین UGB و رشد شهری شبیه سازی شده توسط مدل Patch-CA را تحلیل کردیم اما با استفاده از تصاویر سنجش از دور مشاهده نشد ( شکل 7 نشان داده شده است.). سلول‌های شبیه‌سازی‌شده با Patch-CA اما با استفاده از تصاویر سنجش از راه دور مشاهده نشدند، به دو نوع طبقه‌بندی می‌شوند و به ترتیب به‌عنوان سرخابی (داخل UGB) و آبی (خارج از UGB) مشخص می‌شوند. بر اساس تجزیه و تحلیل های آماری، سلول های داخل UGB و سلول های خارج از UGB 38.69٪ و 61.31٪ را تشکیل می دهند. اگرچه سلول‌های سرخابی توسط تصویر سنجش از دور در سال 2015 مشاهده نشدند، اما به احتمال زیاد در سال 2016 یا سال‌های مجاور مشاهده خواهند شد. بنابراین، می‌توانیم باور کنیم که سلول‌های واقع در UGB تحت تأثیر مقررات UGB قرار نمی‌گیرند. از سلول های پیش بینی شده توسط Patch-CA بدون محدودیت، 61.31٪ در خارج از UGB قرار دارند. اگر مدیریت UGB به شدت اجرا شود، به احتمال زیاد این سلول ها توسعه نخواهند یافت، که همچنین نشان می دهد که Patch-CA بدون هیچ گونه محدودیت مکانی دارای نقص های طبیعی است.

6. نتیجه گیری

از زمان اصلاح برنامه ریزی فضایی چین در سال 2017، تعیین حدود UGB به عنوان یکی از مهمترین وظایف در برنامه ریزی فضایی سرزمینی توسط دولت تنظیم شده است. برای ارزیابی ضرورت تعیین UGB در برنامه ریزی فضایی سرزمینی، ما یک مدل CUGSM را توسعه دادیم که مزایای زنجیره مارکوف، جنگل تصادفی، اتوماتای ​​سلولی مبتنی بر رشد وصله و بازی مبتنی بر احتمال تصادفی را برای نشان دادن کاربرد UGB برای تغییر شکل آینده یکپارچه می کند. رشد فضایی شهری
نتایج اصلی را می توان به صورت زیر نتیجه گیری کرد: (1) سناریوی شبیه سازی با محدودیت UGB بیشتر مطابق با روند توسعه واقعی یا برنامه ریزی توسعه است و UGB می تواند الگوی فضایی رشد شهری را با تجزیه و تحلیل مطالعات موردی به طور موثر بازسازی کند. (2) مقررات UGB تجاوز به فضای کشاورزی و زیست محیطی را کاهش می دهد و فضای شهری خارج از UGB در سناریوی شبیه سازی با محدودیت UGB بسیار کاهش می یابد. (3) مدل CUGSM پیشنهادی برای پیش ارزیابی کاربرد UGB برای تغییر شکل رشد شهری آینده موثر است. مقایسه سناریوهای شبیه‌سازی نشان می‌دهد که ما همچنین می‌توانیم از مدل CUGSM برای یافتن نقاط بالقوه غیرقانونی که ممکن است به دنبال روند توسعه تاریخی ظاهر شوند، استفاده کنیم. از این رو،
علاوه بر این، بحث جزئیات نشان می‌دهد که هنوز برخی از نقص‌ها در مدل CUGSM پیشنهاد شده در این مطالعه وجود دارد. به عنوان مثال، به دلیل عدم وجود داده های ارزیابی طولانی مدت در مورد اثر پیاده سازی UGB، ما فقط یک مدل بازی تصادفی را برای شبیه سازی مدیریت و کنترل اثربخشی UGB اتخاذ کردیم. با این حال، مدیریت و کنترل واقعی UGB قطعا یک فرآیند بازی های تصادفی نیست. با اجرای بیشتر UGB در چین، ما می توانیم داده های واقعی رشد شهری را پس از اجرای UGB جمع آوری کنیم. سپس می‌توانیم پارامترهای CUGSM را افزایش دهیم و توانایی پیش‌ارزیابی برای پشتیبانی از برنامه‌ریزی فضایی سرزمینی را ارتقا دهیم.

منابع

  1. لیو، ایکس. در آغوش گرفتن.؛ چن، ی. لی، ایکس. خو، X. لی، اس. پی، اف. Wang, S. نقشه برداری چند زمانی با وضوح بالا از زمین شهری جهانی با استفاده از تصاویر Landsat بر اساس پلت فرم موتور Google Earth. سنسور از راه دور محیط. 2018 ، 209 ، 227-239. [ Google Scholar ] [ CrossRef ]
  2. فرشتگان.؛ پدر و مادر، ج. سیوکو، دی ال. بلی، ا. پوتر، دی. ابعاد گسترش شهری جهانی: برآوردها و پیش بینی ها برای همه کشورها، 2000-2050. Prog. طرح. 2011 ، 75 ، 53-107. [ Google Scholar ] [ CrossRef ]
  3. چن، جی. لی، ایکس. لیو، ایکس. چن، ی. لیانگ، ایکس. لنگ، جی. خو، X. لیائو، دبلیو. کیو، YA; وو، کیو. و همکاران پیش‌بینی‌های جهانی گسترش زمین شهری آینده تحت مسیرهای اجتماعی-اقتصادی مشترک نات. اشتراک. 2020 ، 11 ، 537. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. Seto، KC; گونرالپ، بی. Hutyra، LR پیش‌بینی‌های جهانی گسترش شهری تا سال 2030 و تأثیرات مستقیم بر تنوع زیستی و استخرهای کربن. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2012 ، 109 ، 16083-16088. [ Google Scholar ] [ CrossRef ]
  5. فولمن، ا. ویلکوم، ام. Dannenberg، P. با رشد شهر، کشاورزان چه می کنند؟ بررسی سیستماتیک کشاورزی شهری و حومه شهری تحت رشد سریع شهری در سراسر جنوب جهانی Landsc. طرح شهری. 2021 ، 215 ، 104186. [ Google Scholar ] [ CrossRef ]
  6. زو، ز. او، Q. ارزیابی فضایی-زمانی گسترش تراکم شهری در میانه رود یانگ تسه و تأثیر آن بر اراضی اکولوژیکی. علمی کل محیط. 2021 ، 790 ، 148150. [ Google Scholar ]
  7. هوانگ، ال. کائو، دبلیو. خو، X. فن، جی. وانگ، جی. پیوند مزایای خدمات اکوسیستم به برنامه ریزی فضایی پایدار استراتژی های حفاظت از محیط زیست. جی. محیط زیست. مدیریت 2018 ، 222 ، 385-395. [ Google Scholar ] [ CrossRef ]
  8. استیانو، ال. Sans، GHC; بالداسینی، پ. گالگو، اف. تکسیرا، MA پارولو، JM به کار انداختن ایده خدمات اکوسیستم: کاربردها در ارزیابی تأثیر و برنامه ریزی سرزمینی. محیط زیست توسعه دهنده 2020 , 38 , 100570. [ Google Scholar ] [ CrossRef ]
  9. ابوت، سی. مارگهایم، جی. تصور مرز رشد شهری پورتلند: مقررات برنامه ریزی به عنوان نماد فرهنگی. مربا. طرح. دانشیار 2008 ، 74 ، 196-208. [ Google Scholar ] [ CrossRef ]
  10. لانگ، ی. هان، اچ. لای، اس.-ک. مائو، Q. مرزهای رشد شهری منطقه شهری پکن: مقایسه شبیه سازی و آثار هنری. شهرها 2013 ، 31 ، 337-348. [ Google Scholar ] [ CrossRef ]
  11. لیانگ، ایکس. لیو، ایکس. لی، ایکس. چن، ی. تیان، اچ. Yao, Y. تعیین مرزهای رشد شهری چند سناریویی با مدل FLUS مبتنی بر CA و روش مورفولوژیکی. Landsc. طرح شهری. 2018 ، 177 ، 47-63. [ Google Scholar ] [ CrossRef ]
  12. لیو، جی. ژانگ، جی. ژوانگ، ز. چنگ، کیو. گائو، ی. چن، تی. هوانگ، Q. خو، ال. چن، دی. دیدگاه جدیدی برای تعیین مرزهای توسعه شهری بر اساس مدل SLEUTH-InVEST. Habitat Int. 2017 ، 70 ، 13-23. [ Google Scholar ] [ CrossRef ]
  13. ما، س. لی، ایکس. Cai, Y. تعیین مرزهای رشد شهری با مدل بهینه‌سازی کلونی مورچه‌ها. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 62 ، 146-155. [ Google Scholar ] [ CrossRef ]
  14. ژانگ، دی. لیو، ایکس. لین، ز. ژانگ، ایکس. ژانگ، اچ. تعیین مرزهای رشد شهری در مناطق محیط زیست محیطی پیچیده با استفاده از اتوماتای ​​سلولی و ارزیابی محیطی دوگانه. جی. پاک. تولید 2020 , 256 , 120361. [ Google Scholar ] [ CrossRef ]
  15. دی مایر، آ. استرلا، آر. جکسسن، پی. دکرز، جی. ون رومپی، آ. ون اورشوون، جی. چارچوب مفهومی و اجرای نرم افزار آن برای تولید سیستم های پشتیبانی تصمیم گیری فضایی برای برنامه ریزی کاربری زمین. سیاست کاربری زمین 2013 ، 35 ، 271-282. [ Google Scholar ] [ CrossRef ]
  16. ملکی، ج. معصومی، ز. حکیم پور، ف. Coello، CAC یک سیستم پشتیبانی برنامه ریزی کاربری فضایی بر اساس نظریه بازی ها. خط‌مشی استفاده از زمین 2020 ، 99 ، 105013. [ Google Scholar ] [ CrossRef ]
  17. لیو، جی. لی، جی. Nie, P. پیگیری تاریخچه گسترش شهری در گوانگژو (چین) در طول سال‌های 1665-2017: شواهدی از نقشه‌های تاریخی و تصاویر سنجش از دور. خط مشی استفاده از زمین 2021 ، 112 ، 105773. [ Google Scholar ] [ CrossRef ]
  18. ابوراس، م.م. هو، YM; رملی، م.ف. Ash Aari، ZH شبیه‌سازی و پیش‌بینی روند رشد شهری فضایی-زمانی با استفاده از مدل‌های اتوماتای ​​سلولی: یک بررسی. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 52 ، 380-389. [ Google Scholar ] [ CrossRef ]
  19. شفیع زاده مقدم، ح. بهبود دقت فضایی مدل های شبیه سازی رشد شهری با استفاده از رویکردهای پیش بینی مجموعه. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 76 ، 91-100. [ Google Scholar ] [ CrossRef ]
  20. وانگ، اچ. گوا، جی. ژانگ، بی. Zeng, H. شبیه سازی رشد زمین شهری با ترکیب اطلاعات تاریخی در یک مدل اتوماتای ​​سلولی. Landsc. طرح شهری. 2021 ، 214 ، 104168. [ Google Scholar ] [ CrossRef ]
  21. دنگ، ی. لیو، ی. فو، ب. شبیه‌سازی رشد شهری که توسط محدودیت‌های اکولوژیکی در شهر پکن هدایت می‌شود: روش‌ها و مفاهیم برای برنامه‌ریزی فضایی. جی. محیط زیست. مدیریت 2019 ، 243 ، 402-410. [ Google Scholar ]
  22. دومینگو، دی. پالکا، جی. هرسپرگر، AM اثر طرح‌های منطقه‌بندی بر تغییر کاربری زمین شهری: شبیه‌سازی چند سناریویی برای حمایت از رشد شهری پایدار. حفظ کنید. جامعه شهرها 2021 ، 69 ، 102833. [ Google Scholar ] [ CrossRef ]
  23. ژانگ، ی. شیا، سی. لیو، ی. لو، ی. وانگ، ی. لیو، ی. شبیه‌سازی گسترش شهری تحت محدودیت خدمات اکوسیستم متعدد (MESs) بر اساس اتوماتای ​​سلولی (CA) – مدل مارکوف: تحلیل سناریو و پیامدهای سیاست. خط مشی استفاده از زمین 2021 ، 108 ، 105667. [ Google Scholar ] [ CrossRef ]
  24. قوش، پ. موخوپادحیای، ع. چاندا، ا. موندال، پی. آخند، ع. موکرجی، اس. نایاک، SK; قوش، س. میترا، دی. قوش، ت. و همکاران کاربرد اتوماتای ​​سلولی و مدل زنجیره مارکوف در مدل‌سازی محیطی جغرافیایی – مروری. Remote Sens. Appl. Soc. محیط زیست 2017 ، 5 ، 64-77. [ Google Scholar ] [ CrossRef ]
  25. وانگ، آر. مورایاما، ی. موریموتو، تی. مطالعات شبیه‌سازی سناریو توسعه شهری با استفاده از سنجش از دور و GIS: مرور. Remote Sens. Appl. Soc. محیط زیست 2021 ، 22 ، 100474. [ Google Scholar ] [ CrossRef ]
  26. سانته، آی. گارسیا، AM; میراندا، دی. Crecente، R. مدل‌های اتوماتای ​​سلولی برای شبیه‌سازی فرآیندهای شهری دنیای واقعی: بررسی و تحلیل. Landsc. طرح شهری. 2010 ، 96 ، 108-122. [ Google Scholar ] [ CrossRef ]
  27. باتی، ام. زمین شبیه سازی و مدل سازی شهری. در دایره المعارف بین المللی جغرافیای انسانی ، ویرایش دوم. کوبایاشی، ا.، ویرایش. الزویر: آمستردام، هلند، 2020؛ صص 119-125. [ Google Scholar ]
  28. لی، کیو. فنگ، ی. تانگ، ایکس. ژو، ی. وو، پی. زی، اچ. جین، ی. چن، پی. لیو، اس. Xv، X. و همکاران اتوماتای ​​سلولی مبتنی بر الگوریتم کرم شب تاب برای بازتولید رشد شهری و پیش‌بینی سناریوهای آینده. حفظ کنید. جامعه شهرها 2022 ، 76 ، 103444. [ Google Scholar ] [ CrossRef ]
  29. اوکواشی، او. Ndehedehe، CE یکپارچه سازی یادگیری ماشین با زنجیره مارکوف و مدل های اتوماتای ​​سلولی برای مدل سازی تغییر کاربری زمین شهری. Remote Sens. Appl. Soc. محیط زیست 2020 ، 21 ، 100461. [ Google Scholar ] [ CrossRef ]
  30. شفیع زاده مقدم، ح. مینایی، م. پونتیوس، آر جی، جونیور؛ اصغری، ع. داداش پور، ح. ادغام الگوریتم انتخاب ویژگی رو به جلو، جنگل تصادفی و اتوماتای ​​سلولی برای برون یابی رشد شهری در منطقه تهران-کرج ایران. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 87 ، 101595. [ Google Scholar ] [ CrossRef ]
  31. An, L. مدل سازی تصمیمات انسانی در سیستم های انسانی و طبیعی همراه: بررسی مدل های مبتنی بر عامل. Ecol. مدل. 2012 ، 229 ، 25-36. [ Google Scholar ] [ CrossRef ]
  32. Agyemang، FSK; سیلوا، ای. شبیه‌سازی رشد شهری یک شهر-منطقه عمدتاً غیررسمی غنا با مدل اتوماتای ​​سلولی: پیامدهایی برای برنامه‌ریزی و سیاست شهری. Appl. Geogr. 2019 ، 105 ، 15-24. [ Google Scholar ] [ CrossRef ]
  33. گوزمان، لس آنجلس؛ اسکوبار، اف. پنیا، جی. Cardona، R. یک مدل استفاده از زمین مبتنی بر اتوماتای ​​سلولی به عنوان یک سیستم پشتیبانی تصمیم گیری فضایی یکپارچه برای برنامه ریزی شهری در شهرهای در حال توسعه: مورد منطقه بوگوتا. خط‌مشی استفاده از زمین 2019 ، 92 ، 104445. [ Google Scholar ] [ CrossRef ]
  34. گوناریدیس، دی. کوریانوپولوس، آی. کوکولاس، اس. بررسی روندهای رشد شهری آینده‌نگر تحت چشم‌اندازهای مختلف اقتصادی و سناریوهای برنامه‌ریزی کاربری زمین: مورد آتن. Appl. Geogr. 2018 ، 90 ، 134-144. [ Google Scholar ] [ CrossRef ]
  35. ژو، ال. دانگ، ایکس. سان، س. وانگ، اس. شبیه‌سازی چند سناریویی تغییر زمین شهری در شانگهای با جنگل تصادفی و مدل CA-Markov. حفظ کنید. جامعه شهرها 2020 , 55 , 102045. [ Google Scholar ] [ CrossRef ]
  36. لیائو، جی. شائو، جی. وانگ، سی. تانگ، ال. هوانگ، Q. Qiu، Q. شبیه‌سازی سناریوی پراکندگی شهری مبتنی بر اتوماتای ​​سلولی و محدودیت‌های اکولوژیکی میانگین وزنی منظم. Ecol. اندیک. 2019 ، 107 ، 105572. [ Google Scholar ] [ CrossRef ]
  37. ژانگ، ی. لیو، ی. وانگ، ی. لیو، دی. شیا، سی. وانگ، ز. وانگ، اچ. لیو، ی. شبیه سازی گسترش شهری به سمت توسعه کم کربن: مطالعه موردی ووهان، چین. حفظ کنید. جامعه شهرها 2020 , 63 , 102455. [ Google Scholar ] [ CrossRef ]
  38. تانگ، ایکس. فنگ، ی. الگوهای فعلی و آینده شهری چگونه به برنامه ریزی شهری پاسخ می دهند؟ یک رویکرد مدل سازی اتوماتای ​​سلولی یکپارچه شهرها 2019 ، 92 ، 247–260. [ Google Scholar ] [ CrossRef ]
  39. لیو، ی. ژو، ی. برنامه ریزی فضایی سرزمین و سیستم حکومت داری ملی در چین. خط مشی استفاده از زمین 2021 ، 102 ، 105288. [ Google Scholar ] [ CrossRef ]
  40. جنایو، M.-P. هرسپرگر، آ. Bürgi، M. شامل گسترش شهری – ارزیابی اثربخشی مرزهای رشد شهری تعیین شده توسط طرح کاربری زمین سوئیس. سیاست کاربری زمین 2009 ، 26 ، 224-232. [ Google Scholar ] [ CrossRef ]
  41. رهنما، MR پیش‌بینی تغییرات کاربری اراضی در کلانشهر مشهد با استفاده از اتوماتای ​​سلولی و مدل زنجیره مارکوف برای سال‌های 2016-2030. حفظ کنید. جامعه شهرها 2020 , 64 , 102548. [ Google Scholar ] [ CrossRef ]
  42. یو، جی. هاگن زانکر، آ. Santissadeekorn، N.; هیوز، اس. کالیبراسیون مدل‌های رشد شهری اتوماتای ​​سلولی از پیدایش شهری به بعد – یک کاربرد جدید از محاسبات تقریبی بیزی زنجیره مارکوف مونت کارلو. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 90 ، 101689. [ Google Scholar ] [ CrossRef ]
  43. آندریاس، آر. احمد، م. لئونی، ک. کلودیا، ال. مدل سازی مناطق شهری: مقایسه ماشین های تصادفی جنگل و بردار پشتیبان برای اتوماتای ​​سلولی. ترانس. GIS 2021 ، 25 ، 1625-1645. [ Google Scholar ]
  44. هاگناور، جی. عمرانی، ح. Helbich، M. ارزیابی عملکرد 38 مدل یادگیری ماشین: مورد نرخ مصرف زمین در بایرن، آلمان. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 1399–1419. [ Google Scholar ] [ CrossRef ]
  45. Chen, Y. یک اتومات سلولی مبتنی بر پچ توسعه یافته برای شبیه سازی رشد شهری افقی و عمودی تحت مسیرهای اجتماعی-اقتصادی مشترک. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 91 ، 101727. [ Google Scholar ] [ CrossRef ]
  46. یانگ، جی. گونگ، جی. تانگ، دبلیو. لیو، سی. مدل اتوماتای ​​سلولی مبتنی بر پچ شبیه‌سازی رشد شهری: ادغام بازخورد بین ترکیب کمی و پیکربندی فضایی. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 79 ، 101402. [ Google Scholar ] [ CrossRef ]
  47. اداره آمار گوانگژو سالنامه آماری گوانگژو 2021 ; انتشارات آمار چین: پکن، چین، 2021. [ Google Scholar ]
  48. ژو، ایکس. لو، ایکس. لیان، اچ. چن، ی. Wu، Y. ساخت یک سیستم برنامه ریزی فضایی در سطح شهر: مطالعه موردی “ادغام چند برنامه ریزی” در شهر یولین، چین. Habitat Int. 2017 ، 65 ، 32-48. [ Google Scholar ] [ CrossRef ]
  49. راهنمای تدوین برنامه ریزی کلی فضای سرزمینی شهرداری (آزمایشی) ; وزارت منابع طبیعی: پکن، چین، 2022.
  50. پونتیوس، آر.جی. بوئرسما، دبلیو. کاستلا، جی.-سی. کلارک، ک. دی نیس، تی. دیتزل، سی. دوان، ز. فوتسینگ، ای. گلدشتاین، ن. کوک، ک. و همکاران مقایسه نقشه های ورودی، خروجی و اعتبارسنجی برای چندین مدل تغییر زمین. ان Reg. علمی 2008 ، 42 ، 11-37. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00511 g001 550
شکل 1. رویه ارزیابی کاربرد UGB با CUGSM.
Ijgi 11 00511 g002 550
شکل 2. مکان منطقه مورد مطالعه و UGB برنامه ریزی شده برای مدل سازی: ( الف ) مکان گوانگژو و رشد شهری از 1995-2020. ( ب ) فضاهای شهری، کشاورزی و زیست محیطی که توسط آژانس برنامه ریزی شده است.
Ijgi 11 00511 g003 550
شکل 3. نقشه های منعکس کننده محیط فضایی برای هدایت رشد شهری از سال 1995 تا 2015 در گوانگژو. ( الف ) مدل رقومی ارتفاع (DEM)، ( ب ) شیب، ( ج ) نزدیکی به رودخانه، ( د ) نزدیکی به بزرگراه، ( ه ) نزدیکی به مترو، ( f ) نزدیکی به بندر، ( ز ) نزدیکی به توسعه شهری مرکز، ( ح ) نزدیکی به مرکز توسعه ناحیه، و ( i ) نزدیکی به مرکز توسعه شهر.
Ijgi 11 00511 g004 550
شکل 4. مقایسه الگوهای رشد شهری تحت سناریوهای مختلف.
Ijgi 11 00511 g005 550
شکل 5. سناریوی شبیه سازی را با یا بدون UGB مقایسه کنید.
Ijgi 11 00511 g006 550
شکل 6. تجزیه و تحلیل دقت شبیه سازی: ( الف ) مناسب بودن استخراج شده با جنگل تصادفی. ( ب ) سناریوی رشد شهری در سال 2015 شبیه سازی شده با Patch-CA. ج ) الگوی رشد شهری در سال 1394 با تصاویر لندست مشاهده شد.
Ijgi 11 00511 g007 550
شکل 7. تجزیه و تحلیل رابطه بین UGB و سلول های شبیه سازی شده با Patch-CA اما با تصاویر سنجش از راه دور مشاهده نشده است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید