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.
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.
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.
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.
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 of urban growth and changes in land use are an integral part of planning for sustainable development. The present research intends to model growth of the Tehran metropolis city in temporal and spatial distribution. Therefore, using temporal Landsat satellite images, land use maps for the years 1988, 2002 and 2013 object-based approach have been classified. The next step for this two periods, 1988-2002 and 2002-2013 land cover changes, In terms of quantity, trends and changes in spatial distribution was analyzed. For this purpose, first, using logistic regression model the effective variables in relation to urban growth, included fourteen variables in both the natural - environmental and economic - social variables in the period 1988 to 2002 studied and quantitative effects of those was calculated and the map of urban growth potential was produced. Evaluation of logistic regression Performance using two indexes Pseudo R2 and ROC with respectively values 0.32 and 0.89, indicating a good fit of the regression and the appropriate descriptive capabilities. In the following, area of changes for the expected year using Markov chain analysis was quantitatively calculated. Finally, the output of the logistic regression model and Markov chain analysis, using the cellular Automata model, urban growth for 2013 was also modeled. Comparison 2013’s simulated image with 2013’s classified image shows used model with 93 percent accuracy for area and Kappa coefficient 0.87 has been a successful model. Accordingly the same model was used for estimating urban growth in 2025 by using classified images of 2002 and 2013.
کلیدواژه ها [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