چکیده

تغییر کاربری زمین یک فرآیند تکاملی جغرافیایی معمولی است که با ناهمگونی فضایی مشخص می شود. به این ترتیب، عوامل محرک، قوانین تبدیل، و نرخ تغییر برای مناطق مختلف در سراسر جهان متفاوت است. با این حال، اکثر مدل‌های اتوماتای ​​سلولی (CA) از قوانین انتقال یکسانی برای همه سلول‌ها در فضای مدل هنگام شبیه‌سازی تغییر کاربری زمین استفاده می‌کنند. بنابراین، تغییر ناهمگونی فضایی در مدل نادیده گرفته می‌شود، به این معنی که این مدل‌ها مستعد شبیه‌سازی بیش از حد یا کم‌تر هستند و در نتیجه انحراف زیادی از واقعیت ایجاد می‌شود. یک ابزار مؤثر برای محاسبه تأثیر ناهمگنی فضایی بر کیفیت مدل CA، ایجاد یک مدل تقسیم‌بندی شده بر اساس تقسیم‌بندی فضای سلولی است. این مطالعه یک تقسیم بندی را ایجاد کرد، مدل CA با محدودیت دوگانه با استفاده از فرکانس وزنی منطقه تغییر کاربری زمین (AWFLUC) برای به تصویر کشیدن ناهمگونی فضایی آن. این مدل برای شبیه سازی تکامل کاربری اراضی حوضه آبخیز دریاچه دیانچی استفاده شد. ابتدا، فضای CA با استفاده از روش خوشه‌بندی فضایی دوگانه به زیرمنطقه‌ها تقسیم شد. دوم، یک شبکه عصبی مصنوعی (ANN) برای به دست آوردن خودکار قوانین تبدیل برای ساخت یک مدل ANN-CA از تغییر کاربری زمین استفاده شد. در نهایت، تغییرات کاربری زمین با استفاده از مدل ANN-CA بر اساس داده‌های سال‌های 2006 تا 2016 شبیه‌سازی شد و قابلیت اطمینان مدل تأیید شد. نتایج تجربی نشان داد که در مقایسه با مدل CA غیرپارتیشن‌بندی‌شده، همتای تقسیم‌بندی‌شده توانسته دقت شبیه‌سازی تغییر کاربری زمین را به طور قابل‌توجهی بهبود بخشد. علاوه بر این، AWFLUC یک شاخص مهم از ناهمگونی فضایی تغییر کاربری زمین است. وقتی AWFLUC به عنوان یک مشخصه تغییر کاربری در نظر گرفته شد، اشکال فضاهای تقسیم بیشتر شبیه واقعیت بود و دقت شبیه‌سازی بالاتر بود.

کلید واژه ها: 

پارتیشن فضایی با محدودیت دوگانه ; ANN ; CA پارتیشن بندی شده شبیه سازی دینامیکی کاربری زمین ; حوضه آبریز دریاچه دیانچی

1. مقدمه

تغییر کاربری و پوشش زمین (LUCC) فرآیندهای بسیار مهمی هستند و مستقیم ترین نتیجه تعامل بین انسان و مناظر را نشان می دهند. LUCC نه تنها عامل مهمی است که بر محیط زیست اکولوژیکی جهانی و تغییرات آب و هوایی تأثیر می گذارد، بلکه نقش مهمی در زمینه هایی مانند توسعه پایدار منطقه ای و برنامه ریزی شهری دارد [ 1 ]. بنابراین، درک تکامل LUCC و الگوهای آن ممکن است به روشن شدن مکانیسم‌های زیربنای تعاملات انسان و زمین کمک کند و ممکن است تضاد انسان و زمین را کاهش دهد و توسعه پایدار منطقه‌ای را ارتقا دهد [ 2 ]]. LUCC یک فرآیند پویا است که توسط ادغام مناظر طبیعی و انسانی هدایت می شود و مکانیسم تشکیل آن بسیار پیچیده است. به این ترتیب، اغلب لازم است از مدل های شبیه سازی کاربری زمین برای درک تکامل تغییر کاربری و نتایج آن استفاده شود [ 3 ]. اتوماتای ​​سلولی (CA) یک مدل پویا از پایین به بالا است که از نظر زمان و مکان گسسته است. قادر به شبیه سازی تکامل مکانی- زمانی سیستم های پیچیده است و یک مدل آسان برای درک و برنامه ریزی است. در دهه های اخیر، این مدل به طور گسترده توسط محققان در مطالعات تکامل کاربری زمین و گسترش شهری مورد استفاده قرار گرفته است [ 4 ، 5 ، 6]. قانون تبدیل یک تابع تبدیل است که مشخص می کند یک سلول چگونه می تواند وضعیت خود را از لحظه ای به لحظه دیگر تغییر دهد. قانون تبدیل مبنای پویا CA برای شبیه سازی تکامل یک سیستم پیچیده است. تأثیر مهمی بر فرآیند شبیه سازی و نتایج دارد [ 7 ، 8 ].
روش‌های استخراج قانون تبدیل زیادی برای مدل CA وجود دارد. در یک کاربرد واقع گرایانه، انتخاب یک روش مناسب برای تعیین قوانین تبدیل سلولی بر اساس هدف شبیه سازی ضروری است. روش‌های استخراج قانون تبدیل رایج ممکن است به سه دسته طبقه‌بندی شوند: رگرسیون لجستیک (LR)، زنجیره مارکوف (MC)، و هوش مصنوعی (AI). مدل LR از تابع لجستیک برای ایجاد رابطه بین نوع کاربری زمین (متغیر وابسته) و عوامل محرک آن (متغیرهای مستقل) استفاده می کند. برای محاسبه احتمال تبدیل نوع کاربری زمین، مقدار متغیر وابسته را به صفر یا یک نرمال می کند [ 9 ، 10 ]]. مدل LR یک روش موثر برای استخراج قوانین تبدیل CA است. با این حال، از آنجایی که اساساً یک روش برازش خطی است، بیان ویژگی‌های غیرخطی تغییر کاربری زمین دشوار است. بنابراین، قوانین تبدیل ساخته شده با استفاده از این روش معمولاً نادرست هستند. مدل MC انواع کاربری زمین را به حالت ها ترسیم می کند و زمان بعدی به احتمال انتقال بین حالت فعلی و بعدی بستگی دارد. احتمال انتقال حالت کاربری زمین در لحظات مجاور، کلید ایجاد یک قانون گذار با استفاده از مدل زنجیره مارکوف در نظر گرفته می‌شود. به طور معمول، ماتریس انتقال نوع کاربری زمین از تغییر کاربری دو فازی برای تعیین احتمال انتقال حالت بین انواع کاربری زمین در مقاطع متوالی در زمان استفاده می شود [ 11 ]]. یک مدل MC قادر است ماتریس احتمال انتقال تغییر کاربری زمین را بر اساس جهت و کمیت انتقال بین انواع کاربری تولید کند. اینها برای قوانین تبدیل تغییر کاربری زمین در معدن موثر هستند. با این حال، این مدل قادر به توصیف تأثیر نیروهای محرک بر روند تغییر کاربری زمین نیست. به این ترتیب، اغلب لازم است که روش‌های دیگر را برای بهبود دقت قوانین تبدیل ترکیب کنیم. هوش مصنوعی به مجموعه ای از روش ها اطلاق می شود که از رایانه برای انجام فعالیت های هوشمند خاص استفاده می کنند. این یک ایده یا چارچوبی است که از رایانه برای ساخت ابزارهای تجزیه و تحلیل خودکار یا مدل هایی استفاده می کند که تا حدی شبیه به هوش انسان هستند تا به حل مشکلات پیچیده کمک کنند. در مقایسه با مدل های LR و MC، این ویژگی «هوش انسان‌مانند» روش‌های هوش مصنوعی برای کشف دانش و محاسبه و بیان روابط پیچیده نسبتاً آسان‌تر است، برای مثال: برخورد با غیرخطی بودن و عدم قطعیت در تغییر کاربری زمین، که دقت قوانین تبدیل مدل CA را بهبود می‌بخشد. . در حال حاضر، روش‌های هوش مصنوعی مورد استفاده برای استخراج قانون تبدیل CA عمدتاً شامل یک تصمیم مبتنی بر درخت است [12 ]، ماشین بردار پشتیبان (SVM) [ 13 ، 14 ]، الگوریتم کلنی مورچه ها (ACO) [ 15 ، 16 ]، الگوریتم ژنتیک (GA) [ 17 ] و شبکه عصبی (NN) [ 18 ]. بسیاری از محققان تجزیه و تحلیل مقایسه ای از اثرات این الگوریتم ها در استخراج قوانین تبدیل مدل CA انجام دادند. این برای بهینه سازی روش استخراج خودکار قوانین تبدیل CA بر اساس الگوریتم های هوش مصنوعی [ 19 ، 20 ، 21 ، 22 ، 23 ، 24 انجام شد.]. نتایج آنها نشان داد که ANN بهتر می تواند پدیده های پیچیده غیر خطی را تجزیه و تحلیل کند و از کسب خودکار قوانین تبدیل در طول محاسبات میانی اجتناب کند. خودسازماندهی، خودآموزی، تداعی و حافظه آن به طور موثری قادر به ساده‌سازی قوانین تبدیل مدل CA، استخراج قوانین تبدیل CA از داده‌های آموزشی اصلی، و اجتناب از عوامل ذهنی، در نتیجه بهبود دقت شبیه‌سازی بود. بنابراین، NN یک روش علمی کارآمد برای استخراج قوانین تبدیل مدل CA است.
با این حال، دقت مدل CA تحت تأثیر دقت قانون تبدیل و مقیاس استخراج قانون تبدیل است. برای قوانین تبدیل، این یک اثر مقیاس فضایی قابل توجه [ 25 ] بر تأثیر عوامل محرک تغییر کاربری زمین و الگوهای توزیع فضایی آنها دارد و ممکن است از دو جنبه اندازه گیری شود: وابستگی فضایی و ناهمگونی فضایی. وابستگی فضایی بیانگر میزانی است که وضعیت یک سلول تحت تأثیر وضعیت سلول های اطراف قرار می گیرد. این بدان معنی است که اثرات متقابل فضایی بین انواع کاربری زمین و تغییرات کاربری زمین و عوامل محرک را اندازه گیری می کند [ 26 ]]. از آنجایی که مدل CA خود دارای ویژگی های همسایگی قابل توجهی است، تعامل فضایی قوانین تبدیل سلولی به طور کلی با تعریف شکل و اندازه همسایگی سلولی بیان می شود. این اثر وابستگی فضایی قوانین تبدیل سلولی را حذف یا تضعیف می کند [ 27 ].
ناهمگونی فضایی نظریه مهم دیگری برای توضیح قوانین توزیع جغرافیایی است. این پدیده را توصیف می کند که در آن مقادیر ویژگی یک واحد فضایی با تغییراتی در واحد فضایی در نتیجه انزوای جغرافیایی تغییر می کند [ 28 ]. تغییر کاربری زمین یک فرآیند تکاملی جغرافیایی معمولی است که با ناهمگونی فضایی مشخص می شود. با این حال، اکثر مدل‌های CA فعلی از قوانین تبدیل زمین برای شبیه‌سازی تغییر کاربری زمین استفاده می‌کنند و تأثیر ناهمگونی فضایی تغییر کاربری زمین را بر مدل نادیده می‌گیرند. به این ترتیب، مدل مستعد شبیه سازی بیش از حد یا کم است، به این معنی که نتایج شبیه سازی به طور قابل توجهی از واقعیت منحرف می شود [ 29 ]]. یک وسیله موثر برای تطبیق تأثیر ناهمگنی جغرافیایی بر کیفیت مدل CA، ایجاد یک مکانیسم پارتیشن فضای سلولی است. این شامل تقسیم فضای سلولی بر اساس ویژگی های ناهمگونی فضایی تغییر کاربری زمین است. سپس هر پارتیشن در داخل سلول دارای ویژگی های مشابه بیشتری در توصیف تغییر کاربری زمین است. به این ترتیب، قوانین تبدیل هر پارتیشن می‌توانند مکانیسم محرک تغییر کاربری زمین در منطقه را با دقت بیشتری بیان کنند، در نتیجه دقت شبیه‌سازی مدل CA را بهبود می‌بخشند [ 30 ]. دو روش اصلی برای پارتیشن بندی فضای سلولی وجود دارد: یکی، بر اساس یک منطقه اداری و دیگری بر اساس خوشه بندی فضای دوگانه با محدودیت. به عنوان مثال، یانگ و همکاران. [ 31] از تقسیمات اداری برای طبقه بندی تحقیقات در چندین حوزه فرعی استفاده کرد. آنها از تجزیه و تحلیل LR برای ساخت پارامترهای تکامل کاربری زمین و قوانین تبدیل این مناطق فرعی استفاده کردند و سپس یک بخش از مدل CA گسترش شهری برای Dongguan ساختند. نتایج دقت شبیه سازی بهبود یافته مدل CA پارتیشن بندی شده را نشان داد. عیب اصلی تقسیم فضای سلولی به مناطق اداری این است که تقسیم بندی ها بسیار ذهنی هستند و بیان شباهت ویژگی های تغییر کاربری برای آنها دشوار است. که و همکاران [ 29 ، 30 ، 32] یک روش خوشه بندی فضایی با محدودیت دوگانه برای تقسیم فضای سلولی پیشنهاد کرد. آنها به دنبال این بودند که به طور جامع شباهت را در روابط فضایی و ویژگی های تغییر کاربری زمین در نظر بگیرند. به این ترتیب، یک روش خوشه بندی برای تحقق بخشیدن به پارتیشن بندی فضای سلولی استفاده شد. اگرچه برخی از مطالعات نشان دادند که روش تقسیم بندی خوشه بندی فضایی با محدودیت دوگانه هدفمندتر از تقسیم بندی ناحیه اداری است، اما مشکلاتی مانند ویژگی تک محدودیتی و مشکلاتی که منعکس کننده ویژگی های کلیدی تغییر کاربری زمین است، وجود داشت.
به طور خلاصه، روش استخراج برای قوانین تبدیل سلولی از روش های خطی (به عنوان مثال، آمار) به روش های AI مانند NN ها تکامل یافته است. بسیاری از نتایج تحقیقات نشان می دهد که NN ها روش های علمی برای استخراج قوانین تبدیل سلولی هستند، در نتیجه دقت شبیه سازی تغییر کاربری زمین را بهبود می بخشند. پارتیشن بندی فضای سلولی بر اساس شباهت ویژگی های تغییر کاربری زمین و ساخت یک مدل CA پارتیشن بندی شده وسیله ای موثر برای از بین بردن یا تضعیف تأثیر ناهمگونی فضایی است. با این حال، تعیین ویژگی‌های مشابهی که تغییر کاربری زمین را بهتر مشخص می‌کنند، هنوز یک مشکل است که به تحقیقات عمیق نیاز دارد. فرکانس تغییر کاربری زمین (FLUC) به تعداد دفعاتی اشاره دارد که نوع کاربری زمین در یک دوره معین (مثلاً سال یا ماه) تغییر کرده است. FLUC یک شاخص کلیدی از تکامل مکانی – زمانی استفاده از زمین است. می تواند فراوانی و دامنه تغییر کاربری اراضی را در بین انواع کاربری ها در نظر گرفته و شدت آن را در منطقه بیان کند.33 ]. بنابراین، افزودن FLUC به مجموعه اسناد برای اندازه‌گیری شباهت تغییر ممکن است بینشی را در مورد ناهمگونی فضایی فرآیندها فراهم کند و باعث ایجاد دقیق‌تر آن شود.
بر اساس این تحقیق، این مطالعه از FLUC به عنوان ویژگی کلیدی برای درک فرآیند تغییر در حوضه آبخیز دریاچه دیانچی استفاده کرد. این با استفاده از روش پارتیشن با معیار محدودیت دوگانه و روش NN انجام شد. یک مدل شبیه سازی CA پارتیشن بندی شده برای بهبود کیفیت مدل ایجاد شد. ابتدا، یک روش خوشه‌بندی با معیارهای محدودیت دوگانه (ویژگی‌های فضایی و غیرمکانی) برای تشخیص ناهمگونی جغرافیایی تغییر استفاده شد. این اساس پارتیشن بندی فضای سلولی را تشکیل داد. دوم، یک مدل ANN برای استخراج قوانین تبدیل سلولی یکپارچه و پارتیشن بندی شده استفاده شد. سپس، دو مدل CA از قوانین پارتیشن بندی شده و یکپارچه با یکدیگر مقایسه و تجزیه و تحلیل شدند تا اثربخشی مدل CA پارتیشن بندی شده تایید شود. بر اساس مدل تایید شده و نتایج شبیه سازی،

2. مواد و روشها

2.1. منطقه مطالعه

حوضه آبخیز دریاچه دیانچی در فلات مرکزی یوننان-گوئیژو (24°28′-25°27′ شمالی؛ 102°29′-103°0′ شرقی) واقع شده است و مساحتی حدود 3000 کیلومتر مربع را پوشش می دهد .. در این حوضه، دریاچه دیانچی در جنوب غربی ششمین دریاچه بزرگ آب شیرین چین است. ارتفاع منطقه مورد مطالعه از سطح دریا بین 1860 تا 2809 متر است و به طور کلی، زمین در شمال مرتفع و در جنوب پست است. به این ترتیب، توپوگرافی با یک حوضه بین‌کوهی طولانی و باریک از جنوب به شمال مشخص می‌شود. آب و هوای حوضه آبخیز گرم و مرطوب با فصول مرطوب و خشک مشخص است. میانگین سالانه دما 15 درجه سانتیگراد است. میانگین آفتاب سالانه بیش از 2200 ساعت است. و میانگین بارندگی سالانه تقریباً 1050 میلی متر است. این منطقه همچنین شامل بسیاری از گونه های گیاهی مختلف با پوشش گیاهی بالا مانند درختان درختی (Populus Yunnanensis، Taxodiltm Celestin، Salix Babylonia و Cinnamomum Camphora)، درختچه ها (Crofton Weed و Ficus Macrocarpa)، و گیاهان علفی (Bidens Pilosa و Artemisia Annua). این منطقه به دلیل زیست پذیری، ردپای روشنی از فعالیت های انسانی دارد و تغییرات مکرری را تجربه می کند. این منطقه از نظر اقتصادی فعال ترین، پرجمعیت ترین و شهرنشین ترین منطقه در استان یوننان است. این منطقه همچنین معمولاً برای بررسی تعامل، نتایج و اثرات زیست محیطی روابط انسان و زمین انتخاب می شود. موقعیت جغرافیایی و محدوده منطقه مورد مطالعه نشان داده شده استشکل 1 .

2.2. داده ها و پردازش

2.2.1. انواع داده ها و منابع

این مطالعه از دو نوع داده اصلی استفاده کرد: مجموعه داده‌های طبقه‌بندی و نیروی محرک. داده های طبقه بندی کاربری زمین با استخراج اطلاعات سنجش از دور به دست آمد (درخت طبقه بندی و رگرسیون (CART) به عنوان روش استخراج طبقه بندی انتخاب شد). تصاویر سنجش از راه دور از سازمان زمین شناسی ایالات متحده (USGS) به دست آمد و محتوای ابر تصویر کمتر از 5 درصد بود که در جدول 1 نشان داده شده است.
داده های نیروی محرکه شامل اطلاعات محیط های طبیعی و فرهنگی بود. اولی عمدتاً شامل داده هایی در مورد جنبه هایی مانند شبکه های حمل و نقل، سیستم های آب و مناطق اداری بود. این منبع از ابر داده های مکانی و وب سایت های OpenStreetMap گرفته شده است. داده‌های مربوط به محیط فرهنگی شامل اطلاعات جمعیت و اقتصاد اجتماعی بود و از سالنامه آماری سال مربوطه در استان یوننان تهیه شد.
برای راحتی، وضوح تمام داده های شطرنجی روی 30 متر و مقیاس 1:250000 تنظیم شد. همانطور که برای سیستم مرجع جغرافیایی، آن را با “GCS_China_Geodetic_Coordinate_System_2000” هماهنگ شد و به CGCS2000_GK_CM_105E با طرح ریزی گاوس-کروگر پیش بینی شد.
2.2.2. پردازش داده ها
برای ایجاد یک مدل تغییر CA، داده های شناسایی شده در بخش 2.2.1 باید پردازش و تجزیه و تحلیل شوند تا نیازهای مدل سازی را برآورده کنند. جدول 2جزئیات مورد نیاز داده مدل، که ممکن است به شش دسته شامل 19 نوع داده تقسیم شود: دو نوع داده تغییر (متغیرهای وابسته به طبقه بندی و نرخ تغییر) و 17 داده نیروی محرکه تغییر (متغیرهای مستقل). «طبقه‌بندی وضعیت کاربری زمین GB/T21010-2017» و اهمیت جغرافیایی سطح غیرقابل نفوذ (IS) – با اشاره به سطوح شهری مصنوعی و غیرقابل نفوذ مانند سقف‌ها، جاده‌ها و میدان‌ها – برای طبقه‌بندی انواع، که IS هستند، استفاده شد. یک شاخص کلیدی از سطح شهرنشینی و اثرات آن است. انواع به هفت دسته تقسیم می‌شوند: زمین‌های زیر کشت، جنگل، علفزار، باغ‌ها، آب‌ها، سطوح غیرقابل نفوذ و زمین‌های بلااستفاده. علاوه بر این، 16 نیروی محرک شامل چهار متغیر فضایی بر اساس تحلیل فاصله، هفت متغیر همسایگی که توسط توابع همسایگی مدیریت می‌شوند، بودند. سه نشان دهنده ویژگی های طبیعی واحد و دو نشان دهنده ویژگی های اجتماعی آن است. در این میان، چهار متغیر مبتنی بر فاصله از داده‌های برداری دریاچه‌ها، سیستم‌های آبی، جاده‌ها و راه‌آهن در منطقه مورد مطالعه محاسبه شد. این با استفاده از ابزار تحلیل فاصله در ابزار تحلیل فضا انجام شد. متغیرهای پردازش شده توسط هفت تابع محله از آمار مربوط به مقدار هر نوع زمین در محله مور 7 × 7 واحد شبکه در طبقه‌بندی تصویر سنجش از دور حوضه آبخیز دریاچه دیانچی به‌دست آمد. سه متغیر ویژگی طبیعی (شیب، جهت شیب و ارتفاع) از داده‌های مدل رقومی ارتفاع (DEM) و دو متغیر ویژگی اجتماعی (تراکم جمعیت و تولید ناخالص داخلی (GDP)) از سالنامه آماری استان یوننان استخراج شد.جدول 2 جزئیات مربوط به داده ها و روش اکتساب را شرح می دهد.

2.3. مواد و روش ها

2.3.1. فرکانس تغییر و اندازه گیری آن

FLUC پیشنهادی در این مقاله ممکن است به صورت تعداد و ناحیه تغییر در یک دوره مشخص بیان شود. معنای جغرافیایی FLUC این است که به طور همزمان شدت و توزیع فضایی تغییر در یک منطقه را بر اساس سه بعد زمان، مکان و کمیت منعکس می کند. فرآیند محاسباتی برای FLUC و پسوند وزنی مساحت آن، فرکانس وزنی مساحت تغییر کاربری زمین (AWFLUC) در شکل 2 نشان داده شده است.، جایی که (الف) شامل طبقه بندی دوره های مختلف و پیامدهای تحلیل همپوشانی است. (ب) شمارش آماری تغییرات از یک نوع به نوع دیگر در هر زمان مجاور است. و (ج) فرآیند تجمعی فرکانس و پیامدهای هموارسازی وزنی منطقه از آغاز تا پایان استفاده از زمین است. متغیرهای اصلی و روش های محاسباتی AWFLUC به شرح زیر است:
(1) شمارش آماری تغییرات در طول یک دوره مجاور
ابتدا، باید مشخص شود که آیا بین دوره های مجاور در یک موقعیت تغییر می کند یا خیر، و تعداد انباشته تغییرات چقدر است. روش محاسبه در رابطه (1) نشان داده شده است:

نکتی={10منf (پک.سیoدهتی≠پک.سیoدهتی+1)هلسهک∈[1،نپoلy]تی∈[1،متر–1]

که در آن m تعداد دوره های استفاده از زمین است که می تواند ( m – 1) دوره های تغییر مجاور را تشکیل دهد. N poly تعداد چند ضلعی هایی است که پس از تحلیل همپوشانی تشکیل می شوند. P k چند ضلعی k است .سیoدهمننشان دهنده نوع در دوره t است . کد i +1 نشان دهنده نوع در نقطه زمانی در کنار دوره t است . و نکتینشان می دهد که آیا کاربری زمین در چندضلعی k دوره t تغییر کرده است یا خیر . قانون محاسبات برای نکتیاست: در k امین چند ضلعی: اگر کاربری زمین زمانی که مقدار کد ناسازگار است تغییر کند، پس نکتی=1;در غیر این صورت، نکتی=0، نشان می دهد که کاربری اراضی تغییر نکرده است.

(2) اندازه گیری FLUC
هدف از این مرحله جمع آوری فرکانس تغییر کاربری زمین در هر چند ضلعی است که FLUC است. روش محاسبه در رابطه (2) نشان داده شده است:

نک=∑تی=1متر–1نکتیک∈[1،نپoلy]

که در آن N k بسامد تجمعی تغییر کاربری زمین در چند ضلعی k در یک دوره معین است. سایر متغیرها همان معنای معادله (1) را دارند.

(3) فرکانس وزنی تغییر کاربری زمین
FLUC قادر است سرعت تغییر کاربری زمین را منعکس کند اگرچه ممکن است تأثیر آن را نادیده بگیرد. در حالی که FLUC در برخی از تکه ها ممکن است سریع باشد، منطقه تغییر کوچک خواهد بود. به این ترتیب، این ممکن است به طور قابل توجهی بر توسعه منابع زمین تاثیر نداشته باشد. به عنوان مثال، اگر یک کشاورز برای کشت سبزیجات فصلی برای استفاده خصوصی به یک قطعه زمین نیاز داشته باشد، تغییر پوشش زمین ممکن است در فرکانس بالایی رخ دهد. با این حال، منطقه تغییر یافته معمولا ناچیز است. بنابراین، تأثیر کاربری زمین بر منابع کلی زمین از سوی کشاورزان ناچیز است. در برخی از تکه ها، FLUC سریع نیست حتی اگر منطقه تغییر بزرگ است و می تواند به طور قابل توجهی بر استفاده از زمین تأثیر بگذارد. برای مثال، فرودگاه‌ها و ایستگاه‌های راه‌آهن معمولاً به یک منطقه بزرگ نیاز دارند، و اگرچه FLUC این کاربری زمین ممکن است زیاد نباشد، بر منابع زمین بیش از استفاده از زمین کشاورز تأثیر می گذارد. زیرا ممکن است در مدت کوتاهی مقدار قابل توجهی از زمین های زیر کشت از بین برود. بنابراین، تأثیر منطقه تغییر کاربری زمین باید در FLUC در نظر گرفته شود تا این شاخص برای مسئولیت بیشتر هموارتر شود. ما FLUC را با استفاده از نسبت مساحت تغییر یافته کاربری زمین به عنوان وزن، AWFLUC، بهبود دادیم و محاسبه آن در رابطه (3) نشان داده شده است:

{ωک=اسآrهآکاسآrهآافfمنnآل=∑ک=1نپoلyωکنک

که در آن F نهایی AWFLUC یک واحد فضایی معین است. ناحیه S مساحت واحد فضایی است. اسآrهآکمساحت چند ضلعی k در واحد فضا است. و ω k AWFLUC در چند ضلعی k است.

2.3.2. پارتیشن فضای سلولی بر اساس خوشه بندی فضایی دوگانه محدود
اساس پارتیشن فضای سلولی شباهت ویژگی های جغرافیایی و مکان های نشان داده شده توسط سلول است. تحلیل خوشه ای روش اصلی مورد استفاده برای تشخیص و ارزیابی این شباهت است [ 34]. بسیاری از پدیده های جغرافیایی دارای دو ویژگی متمایز هستند: فضایی و غیر مکانی. اولی به خواصی مانند مقام و نسبت اشاره دارد; مورد دوم به ویژگی های غیر مرتبط با فضا، مانند تراکم جمعیت، سرانه تولید ناخالص ملی و تولید ناخالص صنعتی و کشاورزی اشاره دارد. تأثیر این دو ویژگی بر فاصله باید به طور جامع در تحلیل خوشه‌بندی پدیده‌های جغرافیایی مورد توجه قرار گیرد. الگوریتم‌های خوشه‌بندی سنتی ویژگی‌های مکانی و غیرمکانی پدیده‌های جغرافیایی را تقسیم می‌کنند. با این حال، همان دسته از اشیاء فضایی نیاز به فشردگی بالا در ویژگی های فضایی و درجه تشابه بالایی در ویژگی های غیر مکانی در هنگام محاسبه شباهت برای پدیده های جغرافیایی دارند. این مطالعه از روش خوشه‌بندی فضایی با معیار محدودیت دوگانه پیشنهاد شده توسط Ke Xinli و همکاران استفاده کرد. [29 ، 30 ، 32 ] برای تقسیم فضای سلولی. هدف از این کار دستیابی به یک تعادل دینامیکی بهینه بین فشردگی در حوزه فضایی و شباهت در حوزه غیر فضایی هر پارتیشن بود.
کلید خوشه بندی فضایی با معیارهای محدودیت دوگانه، تعریف مجدد فاصله است. با توجه به مجموعه ای از اشیاء فضایی، اس={O1،O2،…،On}، هر شی، Oمن∈اس، دارای دو دامنه ویژگی است: فضایی و غیر مکانی. خوشه بندی فضایی با محدودیت دوگانه، مجموعه شی، S را به خوشه های مختلف تقسیم می کند. به این ترتیب، هر خوشه یک منطقه فشرده را در حوزه فضایی تشکیل می دهد و شباهت را در حوزه غیر فضایی به حداکثر می رساند. برای پرداختن به یک فاصله هندسی فضایی که برای خوشه بندی فضایی با محدودیت دوگانه کافی نبود، یک فاصله اقلیدسی تعمیم یافته به عنوان آمار خوشه بندی در مقابل فاصله هندسی فضایی استفاده شد. این ممکن است به صورت زیر تعریف شود [ 35 ]:

Dمنj=wپ(ایکسمن–ایکسj)2+(yمن–yj)2+wآ∑ک=1مترwک(zمنک–zjک)2wپ+wآ=1∑ک=1مترwک=1

که در آن D ij فاصله اقلیدسی تعمیم یافته بین نقاط i و j است. ( xi , y i ) و ( xj , yj ) به ترتیب مختصات مکانی نقاط i و j هستند. Z ik و Z jk به ترتیب k امین ویژگی نقاط i و j هستند. m شماره ویژگی گروه نقطه است. w p و w aاهمیت فاصله فضایی و شباهت صفات غیر فضایی به ترتیب در فاصله اقلیدسی تعمیم یافته است. و w kاهمیت هر ویژگی در مجموعه داده های مکانی است. برای تعیین مقدار وزن، مجموعه ای از مقادیر وزن ایجاد شد و دقت شبیه سازی مدل تحت وزن های مختلف مورد تجزیه و تحلیل قرار گرفت. زمانی که دقت مدل در اوج بود، مقدار وزن بهینه در نظر گرفته شد. هنگامی که شباهت ویژگی‌های غیرمکانی تغییر کاربری زمین اندازه‌گیری شد، مقدار تغییر کاربری معمولاً برای ارزیابی انتخاب شد. با این حال، میزان تغییر کاربری زمین تنها نشان دهنده میزان تغییر کاربری زمین در دو دوره است. نمی توانست میزان تعامل انسان و زمین را به تصویر بکشد. بنابراین، AWFLUC برای شناسایی ناهمگونی فضایی تغییر کاربری زمین انتخاب شد، زیرا شاخص مهمی است که می‌تواند میزان تعاملات انسان و زمین را منعکس کند. با استفاده از AWFLUC،

2.3.3. روش ساخت و ساز مدل ANN-CA برای تغییر کاربری زمین
روش ارائه شده توسط لی شیا و همکاران. [ 23 ، 24 ] برای ساخت یک مدل CA تغییر کاربری زمین بر اساس ANN، همانطور که در شکل 3 نشان داده شده است، استفاده شد.. ساخت مدل ممکن است به دو بخش تقسیم شود: استخراج قانون تبدیل تغییر کاربری زمین مبتنی بر ANN و شبیه‌سازی مدل ANN-CA. ابتدا، انواع کاربری زمین و عوامل محرک به عنوان پارامترهای ورودی برای آموزش NN استفاده شد. احتمال تبدیل انواع کاربری های مختلف در هر پارتیشن از طریق آموزش شبکه بر اساس نتایج پارتیشن بندی فضای سلولی به دست آمد. سپس، احتمال انتقال به‌دست‌آمده به‌عنوان پایه‌ای برای تبدیل حالت سلولی برای تعیین وضعیت (نوع زمین) فضای سلولی در نقطه بعدی در زمان خدمت کرد. با تکرار مکرر، تغییر در وضعیت کاربری زمین با زمان شبیه‌سازی شد. در نهایت، زمانی که تکرارها شرایط پایان تعیین شده را برآورده کردند، شبیه‌سازی متوقف شد و نتایج از نظر صحت (دقت کلی و ضریب کاپا) برای تأیید کیفیت مدل بررسی شدند. برای مقایسه نقش CA پارتیشن بندی شده و ویژگی های کلیدی در پارتیشن بندی سلولی، داده های آموزشی به سه دسته تقسیم شدند: آموزش کلی بدون عامل AWFLUC، آموزش پارتیشن بدون عامل AWFLUC و آموزش پارتیشن با عامل AWFLUC. مجموعه نمونه آموزشی با استفاده از نرم افزار به صورت تصادفی تولید شد. پس از تأیید داده های مدل آموزش دیده، مقدار وزن و پارامتر بایاس هر متغیر از NN به دست آمده ذخیره شد. نوع کاربری زمین که حالت سلولی در زمان بعدی به آن تبدیل می‌شود با روش انتخاب رولت تعیین شد. این بدان معناست که احتمال تبدیل به عنوان یک رولت دیجیتال طراحی شده است که هر بار یک عدد تصادفی تولید می کند. سپس، حالت سلولی به نوع زمین مربوط به احتمال تبدیل تطابق اعداد تصادفی در زمان بعدی تبدیل می شود. تغییر حالت سلولی تعیین‌شده توسط رولت در این مطالعه بیشتر با تصادفی بودن فرآیند تغییر کاربری زمین مطابقت داشت که به بهبود صحت شبیه‌سازی کمک کرد.
استفاده از ANN برای استخراج قوانین انتقال به حالت سلولی کلیدی بود که شامل یک فرآیند هسته چند مرحله‌ای بود. ابتدا، نوع کاربری استاندارد شده و عوامل محرک آن ( Xi ) لایه ورودی (داده‌های آموزشی) ANN را تشکیل دادند و این ورودی احتمال تبدیل کاربری اراضی k امین واحد را در زمان t تعیین کرد. دوم، لایه پنهان داده ها را از لایه ورودی دریافت کرد و سیگنال نورون j ام در زمان t، این واحد ( net i ( k , t ))، از طریق آموزش به دست آمد. در نهایت، لایه پنهان یک مقدار پاسخ مشخص به این سیگنال ها ایجاد کرد که به احتمال تبدیل نهایی تبدیل شد ( P (k , t , l )) توسط تابع پاسخ و به لایه خروجی منتقل می شود. روش های محاسبه برای این متغیرهای کلیدی به شرح زیر است:

nهتیj(ک،تی)=∑منwمن،jایکسمن(ک،تی)پ(ک،تی،ل)=∑wj،ل11+ه–nهتیj(ک،تی)

که در آن x i ( k , t ) نشان دهنده متغیرهای عامل محرک k امین واحد در زمان t است . w i,j وزن بین لایه ورودی و لایه پنهان را نشان می دهد. ( P ( k , t , l )) نشان دهنده احتمال تبدیل k امین سلول از حالت فعلی به l در زمان، t است . و w j,l مقدار وزن نورون j در لایه پنهان و نورون l در لایه خروجی است.

3. نتایج

3.1. نتایج پارتیشن فضای سلولی

نتایج پارتیشن شباهت تغییر کاربری زمین برای منطقه مورد مطالعه با استفاده از روش تقسیم دوگانه محدودیت در ارتباط با طبقه بندی کاربری زمین، تقسیم هندسی فضایی بر اساس چند ضلعی تیسن، ویژگی های اساسی (تراکم جمعیت، تولید ناخالص داخلی، شیب، جنبه به دست آمد. ، و ارتفاع)، و AWFLUC منطقه مورد مطالعه از سال 2006 تا 2016 ( شکل 4 را ببینید ). شکل 4 نشان می دهد که پارتیشن بندی فضای سلولی با استفاده از روش محدودیت دوگانه، فشردگی سلولی را در حوزه فضایی تضمین می کند و شباهت را در حوزه غیر فضایی از دست نمی دهد. به این ترتیب، این ممکن است بهتر منعکس کننده قانون تمایز فضایی تغییر کاربری زمین باشد. وزن درجه ای از تأثیر بر اثر پارتیشن بندی روش پارتیشن بندی دوگانه محدود داشت: زمانی که wp = 0 و w a = 1، پارتیشن بندی را فقط بر اساس ویژگی نشان می دهد. برعکس، پارتیشن بندی با توجه به فاصله فضا و ورودی های بین دو مقدار مجموعه یک پارتیشن با محدودیت دوگانه را نشان می دهد. پس از تجزیه و تحلیل بصری و مقایسه نتایج پارتیشن تحت وزن‌های مختلف، وزن نتایج پارتیشن در نهایت به صورت زیر تعیین شد: w p = 0.5 و w a = 0.5.

3.2. اکتساب قوانین تبدیل سلولی بر اساس ANN

مجموعه داده‌های آموزشی ANN در چهار دوره مختلف، شامل 4000 نقطه نمونه‌گیری تصادفی، که 2000 نقطه برای آموزش و 2000 نقطه برای تأیید نتایج آموزش استفاده شد، تولید شد. این مجموعه داده‌ها بر اساس چهار دوره مختلف داده‌های کاربری زمین و عوامل محرک در منطقه مورد مطالعه، و سه طرح: بدون پارتیشن، تقسیم‌بندی بر اساس تغییر کاربری، و تقسیم بر اساس نرخ تغییر کاربری زمین است. هنگامی که دقت کنتراست مجموعه داده های آموزشی و تأیید به آستانه تعیین شده رسید، نشان داد که دقت آموزش الزامات را برآورده می کند. در نتیجه، ANN فرآیند تکراری را متوقف کرد و نتایج آموزشی (وزن‌ها و سوگیری‌ها) را به‌دست آورد. جدول 3ارزش‌گذاری دقت آموزش را ارائه می‌کند: نرخ‌های ضرر نسبتاً پایین بود، و مدل ANN الزامات استخراج قانون تبدیل را برآورده می‌کرد.
بر اساس نتایج آموزش ANN، نقشه‌های احتمال تبدیل هر نوع کاربری زمین برای هر مدل CA برای هر دوره شبیه‌سازی محاسبه شد: 2006-2009، 2009-2013، و 2013-2016. نقشه های احتمال در شکل 5 نمونه هایی از مدل III هستند. این نقشه ها احتمال تغییر کاربری یک نوع کاربری زمین به دیگری را تعیین می کند.

3.3. نتایج شبیه سازی دینامیکی کاربری زمین و آزمون دقت

هنگامی که AWFLUC برای سال های 2006-2009، 2009-2013، و 2013-2016 محاسبه شد و کل AWFLUC برای 10 سال تعیین شد، فرآیندهای تغییر کاربری زمین برای هر دوره زمانی با استفاده از مدل ANN-CA شبیه سازی شد. این شبیه‌سازی بر اساس قوانین تبدیل CA تحت سه طرح تقسیم‌بندی فضای سلولی مختلف، که در شکل 6 نشان داده شده‌اند، انجام شد . برای سهولت درک، از سه نام مستعار اختصاری برای نشان دادن سه نوع مدل CA مورد استفاده در این مطالعه استفاده شد. مدل I نشان دهنده مدل CA غیرپارتیشن بندی شده است. مدل II نشان دهنده مدل معمولی CA پارتیشن بندی شده دوگانه (بدون در نظر گرفتن AWFLUC) است. و مدل III مدل CA پارتیشن بندی شده دوگانه را با در نظر گرفتن AWFLUC نشان می دهد.
برای بررسی صحت و پایایی مدل شبیه سازی، از ضریب کاپا و دقت کلی برای ارزیابی کیفیت مدل استفاده شد. ضریب کاپا برای اندازه گیری سازگاری بین نتایج شبیه سازی و واقعیت استفاده شد. وقتی از 1- تا 1 متغیر باشد، نتیجه معمولاً بین صفر تا یک است. وقتی کاپا = 1، نتیجه شبیه سازی کاملاً با واقعیت سازگار است. هنگامی که کاپا ≥ 0.75، قوام بالا است. و هنگامی که کاپا ≤ 0.4، سازگاری ضعیف است و نتیجه شبیه سازی ایده آل نیست. ضریب کاپا و دقت کلی نتایج هر سال شبیه سازی با نرخ نمونه گیری 20 درصد تعیین شد. جدول 4نشان می دهد که دقت شبیه سازی مدل های CA پارتیشن بندی شده به طور قابل توجهی بهتر از مدل غیرپارتیشن بندی شده بود (ضریب کاپا حداکثر بیش از 9٪ افزایش یافت و حداکثر دقت کلی بیش از 14٪ بود). به این ترتیب، کیفیت مدل پارتیشن بندی شده به طور قابل توجهی بهبود یافته بود. در مقایسه با مدل II، دقت شبیه‌سازی مدل III نیز بهبود یافته است (ضریب کاپا حداکثر بیش از 6% افزایش یافته و دقت کلی حداکثر تا 3% افزایش یافته است). نتایج تحلیل تجربی و دقیق، علمی و مؤثر بودن فرضیه ارائه شده در این تحقیق را تأیید کرد.

3.4. نتایج شبیه سازی دینامیکی کاربری زمین و آزمون دقت

برای آزمایش حساسیت AWFLUC به پارتیشن فضایی CA، سه ناحیه معمولی که دارای مساحت یکسان بودند اما در فرکانس تغییر کاربری زمین (بالا، متوسط ​​یا کم) متفاوت بودند، انتخاب شدند. روش مورد استفاده در این آزمون یک فرآیند چند مرحله ای را دنبال می کرد. ابتدا، در سه منطقه آزمایشی انتخاب شده، تغییر کاربری زمین توسط مدل های I، II و III شبیه سازی شد. دوم، تأثیر AWFLUC بر مدل CA تغییر کاربری زمین با تجزیه و تحلیل دقت شبیه‌سازی سه مدل در یک منطقه آزمایشی مورد ارزیابی قرار گرفت. شکل 7 و شکل 8 شبیه سازی های تغییر کاربری زمین را از هر مدل در سه منطقه آزمایشی نشان می دهد و جدول 5 تجزیه و تحلیل دقت آنها را نشان می دهد.
ردیف های جدول 5 دقت شبیه سازی مدل CA و تغییرات زیر سه استراتژی پارتیشن بندی فضای CA را نشان می دهد. به این ترتیب، تأثیر سه استراتژی بر مدل CA ممکن است از منظر ردیف تحلیل شود. جدول 5نشان می‌دهد که دقت کلی و ضریب کاپا شبیه‌سازی در سه ناحیه آزمایش با انتخاب مدل تغییر می‌کند و در نتیجه پیشرفت‌های واضحی در دقت نشان می‌دهد. دقت کلی و ضریب کاپا نتایج شبیه‌سازی به‌دست‌آمده با استفاده از مدل II به‌ترتیب 8.57 و 10.72 درصد در مقایسه با مدل I بهبود یافته است و دقت کلی و ضریب کاپا نتایج شبیه‌سازی به‌دست‌آمده با استفاده از مدل III حداکثر تا 13.51 بهبود یافته است. به ترتیب 11.07 درصد نسبت به مدل II. علاوه بر این، دقت شبیه‌سازی با استفاده از مدل III در ناحیه 2 (با AWFLUC متوسط) و ناحیه 3 (با AWFLUC بالا) در مقایسه با ناحیه 1 (با AWFLUC کم) بهبود یافته است. به این ترتیب، این نتایج نشان می دهد که فضای CA به AWFLUC حساس بود. به عبارت دیگر،
دوم، نمای ستونی جدول تأثیر AWFLUC را بر سه مدل CA پارتیشن بندی شده مختلف منعکس می کند. نتایج نشان داد که با افزایش AWFLUC از مناطق 1 تا 3، سه مدل CA روند نزولی را در دقت به درجات مختلف تجربه کردند. این نشان داد که تعامل انسان و زمین ممکن است تا حدی توسط AWFLUC توصیف شود. این به این دلیل است که افزایش AWFLUC نشان داد که شدت تعامل انسان و زمین در حال افزایش است. این افزایش تعامل، پیچیدگی تکامل کاربری زمین و مشکلات مرتبط با شبیه‌سازی تغییر کاربری زمین با استفاده از مدل CA را افزایش داد. به این ترتیب، این منجر به کاهش دقت شبیه‌سازی شد. در بین سه مدل، مدل I بیشترین نوسان را در دقت شبیه سازی نشان داد (دقت کلی تا 6.69٪ کاهش یافت. و ضریب کاپا تا 8.24٪ کاهش یافت، در حالی که مدل III کمترین نوسان را تجربه کرد (دقت کلی تا 0.29٪ کاهش یافت و ضریب کاپا تا 0.35٪ کاهش یافت). این ممکن است نشان دهد که مدل CA پارتیشن بندی شده پایداری بهتری نسبت به مدل CA غیرپارتیشن بندی شده دارد. این ممکن است به این دلیل باشد که AWFLUC توانایی بهتری در شناسایی ناهمگونی فضایی تکامل کاربری زمین داشت. به این ترتیب، پارتیشن محدود شده با AWFLUC فضای CA می‌توانست شبیه تکامل واقعی الگوی منظره باشد، بنابراین دقت شبیه‌سازی تغییر کاربری زمین را از طریق مدل CA بهبود می‌بخشد. این ممکن است نشان دهد که مدل CA پارتیشن بندی شده پایداری بهتری نسبت به مدل CA غیرپارتیشن بندی شده دارد. این ممکن است به این دلیل باشد که AWFLUC توانایی بهتری در شناسایی ناهمگونی فضایی تکامل کاربری زمین داشت. به این ترتیب، پارتیشن محدود شده با AWFLUC فضای CA می‌توانست شبیه تکامل واقعی الگوی منظره باشد، بنابراین دقت شبیه‌سازی تغییر کاربری زمین را از طریق مدل CA بهبود می‌بخشد. این ممکن است نشان دهد که مدل CA پارتیشن بندی شده پایداری بهتری نسبت به مدل CA غیرپارتیشن بندی شده دارد. این ممکن است به این دلیل باشد که AWFLUC توانایی بهتری در شناسایی ناهمگونی فضایی تکامل کاربری زمین داشت. به این ترتیب، پارتیشن محدود شده با AWFLUC فضای CA می‌تواند شبیه تکامل واقعی الگوی منظره باشد، بنابراین دقت شبیه‌سازی تغییر کاربری زمین را از طریق مدل CA بهبود می‌بخشد.

4. بحث

ناهمگونی فضایی یک پدیده جغرافیایی رایج در تکامل کاربری زمین است. هنگامی که یک مدل CA برای شبیه‌سازی تغییر کاربری زمین استفاده می‌شود، لازم است تأثیر ناهمگونی فضایی بر فرآیندهای کلیدی، مانند انتخاب قوانین تبدیل و مقیاس در نظر گرفته شود [ 36 ]]. اگرچه خوشه بندی فضایی دوگانه یک روش موثر برای تقسیم فضای سلولی است، اما تنها یک چارچوب محاسباتی را ارائه می دهد. نمی تواند تفاوت های کاربری زمین را از مکانیسم داخلی توضیح دهد. برای حل مشکل فوق، این مقاله ایده اضافه کردن شاخص‌هایی را مطرح کرد که می‌توانند ویژگی‌های ناهمگونی فضایی تغییر کاربری زمین را در روش محاسبه محدودیت دوگانه برای تقسیم فضای سلولی مشخص کنند. بنابراین، شاخصی به نام “فرکانس وزنی منطقه تغییر کاربری زمین (AWFLUC)” برای شناسایی ناهمگونی فضایی تغییر کاربری زمین و بهبود عقلانیت پارتیشن فضای سلولی پیشنهاد شد. در نتیجه، دو روش با محدودیت دوگانه – یکی با و دیگری بدون تأثیر AWFLUC – برای تقسیم فضای CA پیشنهاد شد. و پیامدهای دو روش مقایسه و تحلیل شد. علاوه بر این، اعتبار این روش‌ها با شبیه‌سازی تغییر کاربری اراضی در حوضه آبخیز دریاچه دیانچی از طریق تأیید صحت مدل تأیید شد. تجزیه و تحلیل پیشنهاد کرد که روش محدودیت دوگانه فضای سلولی، رابطه مجاورت فضایی و ویژگی‌های مشابه واحدهای زمین را محاسبه می‌کند. این ویژگی ها ممکن است مبنایی برای بهبودهای مشاهده شده در دقت شبیه سازی با استفاده از مدل CA در تغییر کاربری زمین باشد [29 ، 30 ، 32 ]. با این حال، این روش همچنین دارای درجه‌ای از ذهنیت است که به شباهت فضا و ویژگی‌های ویژگی وزن می‌دهد. بنابراین، توصیه می‌شود که تحقیقات آینده بر تعیین وزن معقول‌تر یا شناسایی روش بهتری برای پارتیشن بندی فضای سلولی تمرکز کنند. در حال حاضر، پیشرفت زیادی در تشخیص کمی ناهمگنی فضایی انجام شده است. استفاده از ابزارهای تشخیص مانند “ژئودتکتور” [ 28 ] برای شناسایی ناهمگونی فضایی تغییر کاربری زمین، راه محتمل‌تری برای تعیین وزن شباهت فضا و ویژگی‌های اسنادی به طور عینی‌تر ارائه می‌دهد.
AWFLUC یک شاخص مهم برای اندازه گیری تعامل انسان و زمین است. با این حال، ممکن است تحت تأثیر چگالی فاصله زمانی داده‌های اصلی کاربری زمین، مانند زمان جمع‌آوری داده‌های تصاویر سنجش از دور باشد. هر چه وضوح زمانی مجموعه داده های طبقه بندی کاربری زمین بالاتر باشد، AWFLUC بزرگتر است. در مقابل، اگر وضوح زمانی جمع‌آوری داده‌ها کم بود، نشان دادن تعاملات انسان و زمین دشوار بود. محدود به در دسترس بودن داده‌های خام، حداقل وضوح زمانی داده‌های کاربری اصلی سه سال و حداکثر چهار سال است. وضوح زمانی داده ها ناهموار بود و دامنه نسبتاً بالا بود. مشخص نیست که آیا فرکانس تغییر کاربری محاسبه شده قادر است شدت تعاملات انسان و زمین را در یک دوره 10 ساله (2006-2016) به طور عینی منعکس کند یا خیر. بنابراین، تحقیقات آینده برای تعیین AWFLUC، نیاز به بررسی اثر دوره اکتساب داده اصلی دارد. بدیهی است که افزایش وضوح زمانی استفاده از زمین در به روز رسانی داده ها مجوزهای زیست محیطی برای بهبود قابلیت اطمینان AWFLUC مفید است.

5. نتیجه گیری و کار بیشتر

این مطالعه از شبکه های عصبی مصنوعی و مدل CA برای ساخت یک مدل ANN–CA، بر اساس تئوری پارتیشن فضای سلولی و روش پارتیشن با محدودیت دوگانه استفاده کرد. این مدل برای شبیه سازی فرآیند تغییر کاربری در حوضه آبخیز دریاچه دیانچی مناسب بود. از طریق تجزیه و تحلیل و تأیید نتایج آزمون، نتایج اصلی به شرح زیر است:
(1) CA پارتیشن بندی شده بر اساس خوشه بندی فضایی دوگانه به طور قابل توجهی دقت شبیه سازی مدل تغییر کاربری زمین را بهبود بخشید. تقسیم فضای سلولی بر اساس خوشه‌بندی فضایی با محدودیت دوگانه، فشردگی سلولی را در حوزه فضایی تضمین می‌کند و شباهت آن را در حوزه غیر فضایی به حساب می‌آورد. بنابراین، توانست قانون تمایز فضایی فضای سلولی را بهتر منعکس کند. نتایج تجربی نشان داد که دقت شبیه‌سازی مدل CA تقسیم‌بندی‌شده بر اساس خوشه‌بندی فضایی دوگانه به طور قابل‌توجهی بالاتر از CA معمولی یکنواخت (CA غیرپارتیشن‌شده) بود. و
(2) AWFLUC یک شاخص موثر برای شناسایی قانون تمایز فضای سلولی است. در این مطالعه، با استفاده از AWFLUC به عنوان ویژگی، از روش دوگانه محدود همراه با موقعیت جغرافیایی فضایی برای تقسیم فضای سلولی استفاده شد. این به درستی مشکل یک فرآیند تکامل ناسازگار و نتایج فضای سلولی جغرافیایی را حل کرد. به این ترتیب، تاثیر این مشکل بر دقت مدل CA کاهش یافت. فرآیند شبیه سازی توانست روابط بین عناصر سلولی و ویژگی های خود را بهتر منعکس کند.
به طور خلاصه، تأثیر توسعه منطقه‌ای ناهمگن فضایی بر تمایز فضای سلولی وجود دارد و این تأثیر قابل کنترل است. روش پارتیشن بندی فضای سلولی و مدل پارتیشن بندی شده ANN-CA می تواند دقت شبیه سازی تغییر کاربری زمین را تا حد زیادی بهبود بخشد، جایی که درجه بهبود قابل توجه بود. توصیه می شود تحقیقات آتی بر روی موارد زیر متمرکز شود:
اول وزن منطقه بندی فضایی سلولی است. در این مطالعه، اینها بر اساس خوشه‌بندی فضایی دوگانه محدود بود که عمدتاً با روش‌های تفسیر تجربی و بصری تعیین شد. این وزن ها ذهنیت قوی دارند و قادر به انعکاس تأثیرات مکانیکی وزن ها بر تغییر کاربری زمین نیستند. بنابراین برای تعیین آستانه وزنی بهینه باید روش های کمی علمی تری مانند درختان تصمیم در نظر گرفته شود. روش دیگر، ابزارهای ناهمگونی فضایی مانند “Geodetector” ممکن است برای شناسایی عوامل محرکی که باعث ناهمگونی فضایی تغییر کاربری زمین می شوند، استفاده شود و بنابراین رویکرد بهتری برای پارتیشن بندی فضای سلولی ارائه می دهد.
دومی مربوط به امکان وجود ویژگی های مناسب تر برای ارزیابی شباهت تغییر کاربری زمین و نتایج آن است. اگرچه AWFLUC یک ویژگی ضروری برای ارزیابی تغییر کاربری زمین است، اما با وضوح زمانی کاربری اصلی زمین محدود شده است، و به این ترتیب مکانیسم تاثیر آن بر تغییر کاربری زمین هنوز نامشخص است.

توضیح مخفف

LUCC تغییر کاربری و پوشش زمین
CA اتوماتای ​​سلولی
LR رگرسیون لجستیک
MC زنجیره مارکوف
هوش مصنوعی هوش مصنوعی
SVM ماشین بردار پشتیبانی
ACO الگوریتم کلونی مورچه ها
GA الگوریتم ژنتیک
NN شبکه عصبی
ANN شبکه های عصبی مصنوعی
FLUC فراوانی تغییر کاربری زمین
AWFLUC فرکانس وزنی مساحت تغییرات کاربری زمین
تولید ناخالص ملی تولید ناخالص داخلی
مدل I مدل CA غیرپارتیشن بندی شده
مدل II مدل CA پارتیشن بندی شده معمولی (بدون در نظر گرفتن AWFLUC)
مدل III مدل CA پارتیشن بندی شده با محدودیت AWFLUC
منطقه 1 منطقه با فرکانس پایین تغییر کاربری
منطقه 2 منطقه با فرکانس متوسط ​​تغییر کاربری
منطقه 3 منطقه با فرکانس بالا تغییر کاربری
OA دقت کلی
ک ضریب کاپا
AAUD تجزیه و تحلیل دقت بالا و پایین

منابع

  1. مایر، WB; Turner, BL, II. رشد جمعیت انسانی و تغییر کاربری زمین/پوشش زمین در جهان آنو. کشیش اکول. سیستم 1992 ، 23 ، 39-61. [ Google Scholar ] [ CrossRef ]
  2. وربورگ، پی اچ. Schot، PP; Dijst، MJ; ولدکمپ، الف. مدل‌سازی تغییر کاربری اراضی: اولویت‌های تحقیق و تمرین فعلی. جژورنال 2004 ، 61 ، 309-324. [ Google Scholar ] [ CrossRef ]
  3. پیگلو، ام. اولمدو، MTC؛ ماس، J.-F. هوئت، تی. مدل سازی تغییر سرزمین پونتیوس، آر جی، جونیور: حرکت فراتر از پیش بینی ها. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 1691-1695. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. لی، ایکس. لیو، X. خودکار سلولی مبتنی بر کیس برای شبیه سازی توسعه شهری در یک منطقه مجتمع بزرگ. Acta Geogr. گناه 2007 ، 62 ، 1097-1109، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ]
  5. وو، دی. وانگ، آر. گائو، اس. دینگ، دبلیو. وانگ، دبلیو. Ge، X. لیو، جی. شبیه سازی و تحلیل سناریو دینامیک زمین های زراعی در دلتای رودخانه زرد. ترانس. CSAE 2010 ، 26 ، 285-290، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ] [ CrossRef ]
  6. لیو، ایکس. لیانگ، ایکس. لی، ایکس. خو، X. پی، اف. او، جی. چن، ی. لی، اس. وانگ، اس. یک مدل شبیه‌سازی کاربری زمین در آینده (FLUS) برای شبیه‌سازی سناریوهای کاربری چندگانه با جفت کردن اثرات انسانی و طبیعی. Landsc. طرح شهری. 2017 ، 168 ، 94-116. [ Google Scholar ] [ CrossRef ]
  7. ژو، سی. او، ی. ما، تی. QIN، B. دیدگاه‌های نظری مدل‌سازی سیستم جغرافیایی مبتنی بر CA. Prog. Geogr. 2009 ، 28 ، 833-838، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ]
  8. وایت، آر. انگلن، جی. اتوماتای ​​سلولی و فرم شهری فراکتال: رویکرد مدلسازی سلولی برای تکامل الگوهای کاربری زمین شهری. محیط زیست طرح. یک اقتصاد. فضا 1993 ، 25 ، 1175-1199. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. مصطفی، ع. رینو، ا. سعدی، من. کولز، ام. تلر، جی. مقایسه ماشین‌های بردار پشتیبان با رگرسیون لجستیک برای کالیبره کردن مدل‌های تغییر کاربری زمین اتوماتای ​​سلولی. یورو J. از راه دور. Sens. 2018 , 51 , 391-401. [ Google Scholar ] [ CrossRef ]
  10. لوپز، اس. مدل‌سازی تغییر کشاورزی از طریق رگرسیون لجستیک و اتوماتای ​​سلولی: مطالعه موردی در تغییر کشت. جی. جئوگر. Inf. سیستم 2014 ، 6 ، 220-235. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. میتسوا، دی. شوستر، دبلیو. وانگ، ایکس. مدل اتوماتای ​​سلولی تغییر پوشش زمین برای ادغام رشد شهری با حفاظت از فضای باز. Landsc. طرح شهری. 2011 ، 99 ، 141-153. [ Google Scholar ] [ CrossRef ]
  12. Lavalle، MC مدل سازی فرآیندهای فضایی پویا: شبیه سازی سناریوهای آینده شهری از طریق اتوماتای ​​سلولی. Landsc. طرح شهری. 2003 ، 64 ، 145-160. [ Google Scholar ]
  13. رینو، ا. Goetzke, R. Supporting SLEUTH – تقویت خودکار سلولی با ماشین‌های بردار پشتیبان برای مدل‌سازی رشد شهری. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 49 ، 66-81. [ Google Scholar ] [ CrossRef ]
  14. رینو، ا. استنگر، دی. منز، جی. شهرهای پراکنده و مناطق در حال کوچک شدن – پیش‌بینی رشد شهری در روهر برای سال 2025 با پیوند سلول‌ها و عوامل. Erdkunde 2014 , 68 , 85-107. [ Google Scholar ] [ CrossRef ]
  15. لی، ایکس. لائو، سی. لیو، ایکس. چن، ی. اتصال اتوماتای ​​سلولی شهری با بهینه‌سازی کلنی مورچه‌ها برای منطقه‌بندی مناطق طبیعی حفاظت‌شده تحت یک چشم‌انداز در حال تغییر. بین المللی جی. جئوگر. Inf. علمی 2011 ، 25 ، 575-593. [ Google Scholar ] [ CrossRef ]
  16. QuanLi، X. کان، ی. گویلین، دبلیو. یولیان، ی. مدل‌سازی مبتنی بر عامل و شبیه‌سازی تغییر کاربری و پوشش زمین با توجه به بهینه‌سازی کلنی مورچه‌ها: مطالعه موردی حوضه دریاچه Erhai، چین. نات. خطرات 2014 ، 75 ، 95-118. [ Google Scholar ] [ CrossRef ]
  17. شفیع زاده مقدم، ح. طیبی، ع. احمدلو، م. دلاور، م.ر. حسنلو، م. ادغام الگوریتم ژنتیک و رگرسیون بردار پشتیبان چند هسته برای مدل‌سازی رشد شهری. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 65 ، 28-40. [ Google Scholar ] [ CrossRef ]
  18. طیبی، ع. Pijanowski، BC مدل‌سازی چندین تغییر کاربری زمین با استفاده از ANN، CART و MARS: مقایسه معاوضه‌ها در خوبی تناسب و قدرت توضیحی ابزارهای داده‌کاوی. بین المللی J. Appl. زمین Obs. Geoinf. 2014 ، 28 ، 102-116. [ Google Scholar ] [ CrossRef ]
  19. عمرانی، ح. طیبی، ع. Pijanowski، B. ادغام مفهوم کاربری زمین با چند برچسب و اتوماتای ​​سلولی با مدل تبدیل زمین مبتنی بر ANN. GISci. Remote Sens. 2017 , 54 , 283–304. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. شفیع زاده مقدم، ح. اصغری، ع. طیبی، ع. طالعی، ام. کوپلینگ یادگیری ماشینی، مدل‌های مبتنی بر درخت و آماری با اتوماتای ​​سلولی برای شبیه‌سازی رشد شهری. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 64 ، 297-308. [ Google Scholar ] [ CrossRef ]
  21. بله، برو؛ Li، X. شبیه سازی جایگزین های توسعه با استفاده از شبکه های عصبی، اتوماتای ​​سلولی و GIS برای برنامه ریزی شهری. فتوگرام مهندس Remote Sens. 2003 , 69 , 1043-1052. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. آسشنوالد، جی. فینک، اس. Tappeiner, G. Brave new modeling: اتوماتای ​​سلولی و شبکه های عصبی مصنوعی برای تسلط بر پیچیدگی در اقتصاد. پیچیدگی 2010 ، 7 ، 39-47. [ Google Scholar ] [ CrossRef ]
  23. لی، ایکس. بله، GO اتوماتای ​​سلولی مبتنی بر شبکه عصبی برای شبیه سازی تغییرات کاربری چندگانه با استفاده از GIS. بین المللی جی. جئوگر. Inf. سیستم 2002 ، 16 ، 323-343. [ Google Scholar ] [ CrossRef ]
  24. لی، ایکس. بله، الف. اتوماتای ​​سلولی برای شبیه سازی سیستم های کاربری پیچیده زمین با استفاده از شبکه های عصبی. Geogr. Res. 2005 ، 24 ، 19-27، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ]
  25. Jantz، CA; گوتز، SJ تجزیه و تحلیل وابستگی های مقیاس در یک مدل تغییر کاربری زمین شهری. بین المللی جی. جئوگر. Inf. علمی 2005 ، 19 ، 217-241. [ Google Scholar ] [ CrossRef ]
  26. شالاپ-آیچا، س. یانکوفسکی، پ. کلارک، کی سی; کیریاکیدیس، PC; نارا، A. یک رویکرد فرا مدل‌سازی برای تجزیه و تحلیل عدم قطعیت و حساسیت مکانی-زمانی: یک برنامه کاربردی برای یک مدل رشد شهری و تغییر کاربری زمین مبتنی بر اتوماتای ​​سلولی. بین المللی جی. جئوگر. Inf. علمی 2017 ، 32 ، 637-662. [ Google Scholar ] [ CrossRef ]
  27. کیم، وابستگی مقیاس فضایی-زمانی JH و سایر حساسیت‌ها در شبیه‌سازی تغییر کاربری زمین پویا. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 1782-1803. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. وانگ، جی. Xu, C. Geodetector: اصل و آینده نگر. Acta Geogr. گناه 2017 ، 72 ، 116-134، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ] [ CrossRef ]
  29. Ke، X. Bian, F. A Partitioned & Asynchronous CA بر اساس داده کاوی فضایی. J. نمودار تصویر. 2010 ، 15 ، 921-930، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ]
  30. Ke، X. دنگ، ایکس. لیو، سی. مدل بهینه‌سازی چیدمان زمین‌های کشاورزی بین‌منطقه‌ای بر اساس خودکارهای سلولی ناهمزمان پارتیشن: مطالعه موردی دایره شهر ووهان. Prog. Geogr. 2010 ، 29 ، 1442-1450، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ]
  31. یانگ، Q. قوانین انتقال پویا برای اتوماتای ​​سلولی جغرافیایی. Acta Sci. نات. دانشگاه Sunyatseni 2008 ، 47 ، 122-127، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ]
  32. Ke، X. چی، ال. Zeng، C. مدل اتوماتای ​​سلولی پارتیشن بندی شده و ناهمزمان برای شبیه سازی رشد شهری. بین المللی جی. جئوگر. Inf. علمی 2015 ، 30 ، 637-659. [ Google Scholar ] [ CrossRef ]
  33. زو، اچ. Li, X. بحث در مورد روش شاخص تغییر کاربری اراضی منطقه ای. Acta Geogr. گناه 2003 ، 58 ، 643-650. [ Google Scholar ] [ CrossRef ]
  34. جین، AK خوشه بندی داده: 50 سال فراتر از K-means. تشخیص الگو Lett. 2010 ، 31 ، 651-666. [ Google Scholar ] [ CrossRef ]
  35. جیائو، ال. لیو، ی. Ren, Z. خوشه بندی نقاط فضایی بر اساس شبکه های عصبی خودسازمانده و کاربرد آن. Geomat. Inf. علمی دانشگاه ووهان 2008 ، 33 ، 168-171، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ]
  36. یانگ، جی. شی، اف. سان، ی. زو، ج. یک مدل اتوماتای ​​سلولی محدود شده توسط ناهمگونی مکانی-زمانی استراتژی توسعه شهری برای شبیه‌سازی تغییر کاربری زمین: مطالعه موردی در شهر نانجینگ، چین. پایداری 2019 ، 11 ، 4012. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Ijgi 10 00346 g001 550
شکل 1. موقعیت جغرافیایی حوضه آبخیز دریاچه دیانچی.
Ijgi 10 00346 g002 550
شکل 2. جریان محاسباتی فرکانس وزنی منطقه تغییر کاربری زمین (AWFLUC). ( الف ) طبقه بندی دوره های مختلف و پیامدهای تحلیل همپوشانی. ( ب ) شمارش آماری تغییرات از یک نوع به نوع دیگر در هر زمان مجاور. ( ج ) فرآیند تجمعی پیامدهای هموارسازی فراوانی و مساحتی از آغاز تا پایان کاربری زمین.
Ijgi 10 00346 g003 550
شکل 3. نمودار جریان مدل ANN-CA.
Ijgi 10 00346 g004 550
شکل 4. تغییرات کاربری زمین از سال 2006 تا 2016، تقسیم بندی با وزن های مختلف. ( الف ) فراوانی تغییر کاربری زمین (AWFLUC). ( ب ) تقسیم بر اساس فاصله مکانی. ( ج ) پارتیشن با محدودیت دوگانه بدون در نظر گرفتن AWFLUC. ( د ) پارتیشن با محدودیت دوگانه با در نظر گرفتن AWFLUC.
Ijgi 10 00346 g005 550
شکل 5. نقشه های احتمال (x1-x7) احتمالات انتقال هفت نوع کاربری زمین است که به ترتیب عبارتند از IS، جنگل، زمین زیر کشت، علفزار، باغ، منطقه آبی و زمین بایر. در اینجا، x ​​a، b یا c است، که به ترتیب به 2006-2009، 2009-2013 یا 2013-2016 اشاره دارد.
Ijgi 10 00346 g006 550
شکل 6. مقایسه نتایج شبیه سازی با پارتیشن های مختلف CA. (x1) کاربری واقعی زمین است، و (x2-x4) نتایج شبیه سازی مدل I، مدل II و مدل III هستند. در اینجا، “x” a، b یا c است، که به ترتیب به معنی دوره 2006-2009، 2009-2013 و 2013-2016 است.
Ijgi 10 00346 g007 550
شکل 7. سه ناحیه آزمایش برای تجزیه و تحلیل حساسیت AWFLUC.
Ijgi 10 00346 g008 550
شکل 8. نتایج شبیه سازی استفاده از سه مدل CA مختلف در سه حوزه آزمایشی. ( a1 ) کاربری اولیه زمین در منطقه 1. ( a2 ) نتیجه شبیه سازی با مدل I در ناحیه 1. ( a3 ) نتیجه شبیه سازی با مدل II در ناحیه 1. ( a4 ) نتیجه شبیه سازی توسط مدل III در ناحیه 1. ( b1 ) کاربری اولیه زمین در منطقه 2. ( b2 ) نتیجه شبیه سازی با مدل I در ناحیه 2. ( b3 ) نتیجه شبیه سازی با مدل II در ناحیه 2. ( b4 ) نتیجه شبیه سازی توسط مدل III در ناحیه 2. ( ج 1) کاربری اولیه زمین در منطقه 3. ( c2 ) نتیجه شبیه سازی با مدل I در ناحیه 3. ( ج3) نتیجه شبیه سازی توسط مدل II در ناحیه 3. ( c4 ) نتیجه شبیه سازی توسط مدل III در ناحیه 3.
جدول
جدول 1. منبع داده و پارامترها.
جدول
جدول 2. متغیرهای فضایی و رویکرد اکتساب.
جدول
جدول 3. ارزیابی دقت مدل ANN.
جدول
جدول 4. ارزیابی دقت شبیه سازی سه مدل CA در سه دوره.
جدول
جدول 5. ارزیابی دقت و تجزیه و تحلیل سه مدل CA در مناطق آزمایش.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید