کاظم, امیرحسین, حسینعلی, فرهاد, آل شیخ, علی اصغر. (1394). مدل سازی رشد شهری با استفاده از تصاویر ماهواره ای متوسط مقیاس و مبتنی بر روش خودکاره های سلولی (مطالعة موردی: شهر تهران). فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 24(94), 45-58. doi: 10.22131/sepehr.2015.14476
امیرحسین کاظم; فرهاد حسینعلی; علی اصغر آل شیخ. "مدل سازی رشد شهری با استفاده از تصاویر ماهواره ای متوسط مقیاس و مبتنی بر روش خودکاره های سلولی (مطالعة موردی: شهر تهران)". فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 24, 94, 1394, 45-58. doi: 10.22131/sepehr.2015.14476
کاظم, امیرحسین, حسینعلی, فرهاد, آل شیخ, علی اصغر. (1394). 'مدل سازی رشد شهری با استفاده از تصاویر ماهواره ای متوسط مقیاس و مبتنی بر روش خودکاره های سلولی (مطالعة موردی: شهر تهران)', فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 24(94), pp. 45-58. doi: 10.22131/sepehr.2015.14476
کاظم, امیرحسین, حسینعلی, فرهاد, آل شیخ, علی اصغر. مدل سازی رشد شهری با استفاده از تصاویر ماهواره ای متوسط مقیاس و مبتنی بر روش خودکاره های سلولی (مطالعة موردی: شهر تهران). فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 1394; 24(94): 45-58. doi: 10.22131/sepehr.2015.14476
مدل سازی رشد شهری با استفاده از تصاویر ماهواره ای متوسط مقیاس و مبتنی بر روش خودکاره های سلولی (مطالعة موردی: شهر تهران)
1کارشناس ارشد RS&GIS دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران
2عضو هیأت علمی دانشگاه تربیت دبیر شهید رجایی
3استاد دانشگاه خواجه نصیرالدین طوسی
چکیده
مد‌ل‌سازی رشد شهری و تغییرات صورت گرفته د‌ر کاربری اراضی جزء جد‌ایی‌ناپذیری از برنامه‌ریزی برای توسعه پاید‌ارند. تحقیق حاضر نیز د‌ر نظر د‌ارد رشد و توسعه شهری را برای کلان شهر تهران از بعد زمانی و توزیع مکانی، مدل سازی نماید. بد‌ین منظور ابتد‌ا با استفاده از تصاویر سری زمانی ماهواره لند‌ست، نقشه‌های کاربری اراضی برای سال‌های 1988، 2002 و 2013 با رویکرد شئ پایه مورد طبقه‌بند‌ی قرار گرفت. د‌ر گام بعد‌ی با بهره‌گیری از مدل رگرسیون لجستیک میزان تأثیر متغیرهای مستقل د‌ر رابطه با گسترش شهری شامل چهارد‌ه متغیر د‌ر قالب د‌و گروه متغیرهای محیطی-طبیعی و اجتماعی – اقتصاد‌ی د‌ر دوره 1988 تا 2002، به صورت ضریب د‌ر معاد‌له رگرسیون محاسبه شد‌ه و نقشه پتانسیل گسترش شهری تولید گرد‌ید. ارزیابی عملکرد رگرسیون لجستیک با استفاده از د‌و شاخصPseudo R2 و ROC با مقاد‌یر به ترتیب 32/0 و 89/0 نشانگر برازش خوب رگرسیون و قابلیت تشریحی مناسب آن بود. د‌ر اد‌امه مساحت تغییرات برای سال مورد انتظار با استفاده از تحلیل زنجیره مارکوف به صورت کمی پیش‌بینی شد. د‌ر نهایت با استفاده از خروجی‌های د‌و مدل رگرسیون لجستیک و تحلیل زنجیره مارکوف، با بهره گیری از مدل خود‌کاره‌های سلولی ، رشد شهری برای سال 2013 مدل سازی گشت که مقایسه آن با تصویر طبقه بندی شد‌ه سال 2013 نشان می‌د‌هد مدل مورد استفاده با د‌قت نسبی برآورد مساحت93/0 و ضریب کاپای 87/0 یک مدل موفق بود‌ه است. بر این اساس از همین مدل برای برآورد رشد شهری د‌ر سال 2025 استفاده گرد‌ید و برای این کار از تصاویر سال‌های 2002 و 2013 استفاده شد.
Urban expansion modeling using medium resolution satellite imagery based on cellular automata
(Case study: Tehran city)
نویسندگان [English]
Amir Hossein Kazem1؛ Farhad Hosseinali2؛ Ali Asghar Ale-sheikh3
1Student of master in RS & GIS, Azad University sciences and researches branch
2Assistant professor in GIS, Shahid Rajaei University
3Professor of GIS, Khaje Nasir University
چکیده [English]
Modeling urban growth and land use changes are an integral part of planning for sustainable development. The present research intends to model the urban growth and development for Tehran metropolis from the aspect of timeand spatial distribution. To this end, land-use maps for the years 1988, 2002 and 2013 were categorized with the object-based approach using Landsat satellite time series images. In the next step, using the logistic regression model, the effect of independent variables in relation to urban growth including 14 variables in the form of two groups of environmental-natural and socio-economic variables during the period of 1988 to 2002 was calculated as the coefficient in the regression equation, and the potential map of urban expansion was produced. The evaluation of the logistic regression function using two Pseudo R2 and ROC indexes with values of 0.32 and 0.89 showed good regression fit and proper description capability. Subsequently, the area of change for the expected year was quantitatively predicted using Markov chain analysis.Finally, by using the outputs of the two models of logistic regression and Markov chain analysis and using the Cellular Automata Model, urban growth was modeled for the year 2013, comparison of which with the 2013 classified image, shows that the used model with a 93% relative accuracy for the estimated area and a Kappa coefficient of 0.87 has been a successful model. Accordingly, the same model was used to estimate the urban growth in 2025,using images from the years of 2002 and 2013.
کلیدواژه‌ها [English]
Modeling Urban Growth, Cellular automata, Object-based classification, Tehran
مراجع
1- رضازاد‌ه، میراحمد‌ی؛ راضیه، مهرد‌اد؛ مدل اتوماسیون سلولی،روشی نوین د‌ر شبیه سازی رشد شهری، نشریه علمی پژوهشی فناوری آموزش، سال چهارم، شماره1، جلد4، پاییز1388.
2- Almeida, C. M. Monteiro, A. M. V., Caˆmara, G., Soares-Filho, B. S., Cerqueira, G. C. &Pennachin C. L. (2002) Modeling urban land use dynamics through Bayesian probabilistic methods in a cellular automaton environment, Proceedings of the 29th International Symposium on Remote Sensing of the Environment, Buenos Aires, Argentina, April. 8- 12
3- Batty, M, 2007,Cities and Complexity: Understanding Cities with Cellular Automata, Agent-Based Models, and Fractals, Journal of Regional Science, Volume 47, Issue 3, pages 624-427.
4- Benito, P.R., Cuevas, J.A., delaParra, R.B., Prieto, F., delBarrio, J.M.G., Zavala, M.A., (2010). Land use change in a Mediterranean metropolitan region and its periphery: assessment of conservation policies through CORINE Land Cover data and Markov models. Forest Systems 19, 315-328.
5- Cabral, P., Zamyatin, A., (2009). Markov processes in modeling land use and land cover changes in Sintra-Cascais, Portugal. Dyna-Colombia 76, 191-198.
Clark, W.A., and P.L. Hosking, (1986). Statistical Methods for Geographers (Chapter 13). John Wiley &Sons, New York. 528
6- Dietzel, C. and K.C. Clarke (2004). “Spatial differences in multi-resolution urban automata modeling”. Transactions in GIS 8(4): 479-492.
7- DiGregorio, S., Festa, D., Gattuso, D., Rongo, R., Spataro, W., Spezzano, G. and Vitetta, A (1996). Cellular automata for freeway traffic simulation. In Artificial worlds and urban studies, Eds. E. Besussi and A. Cecchini, DAEST, Venice. 365-392..
8- Dubovyk, O., Sliuzas, R., Flacke, J., (2011). Spatio-temporal modelling of informal settlements development in Sancaktepe district, Istanbul, Turkey. ISPRS Journal of Photogrammetry and Remote Sensing 66 (2), 235-246.
eCognition® Developer 8.9 User Guide, 2013, pp: 30-38, 108-116.
9- Guan, Dongjie, Hifeng.li,Takuro, inohae,weici, su, tadashi, nagaie, kazunori, hukao, , (2011) Modeling urban landuse change by the integration of cellular automaton and Markov model,ecological modelling 222,pp:3761-3772.
10- Liu, Yan (2009) Modelling Urban Development with Geographical Information Systems and Cellular Automata, CRC Press, Taylor & Francis Group, pp 28-29.
11- Menard, A. and D. Marceau (2005). “Exploration of spatial scale sensitivity in geographic cellular automata”. Environment and Planning B: Planning and Design 32(5): 693-714.
12- Poelmans, L., Van Rompaey, A., (2009). Complexity and performance of urban expansion models. Computers, Environment and Urban Systems 34 (1), 17-27.
13- White, R., and G. Engelen. (1997). Cellular automata as the basis of integrated dynamic regional modelling. Environment and Planning B-Planning & Design 24:235-246.
14- Wolfram, S. (1984). Cellular automata as models of complexity. Nature. 311: 419, 24-35P
15- Zhang, Rongqun, Tang, Chengjie, Ma, Suhua, Yuan, Hui, Gao, Lingling, Fan, Wenyu (2010) Using Markov chains to analyze changes in wetland trends in arid Yinchuan Plain, China, Mathematical and Computer Modelling 54 (2011) 924-930.
ابتدای صفحه