پیش بینی تغییرات کاربری زمین با استفاده از شبکه های عصبی و GIS

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیئت علمی دانشگاه علامه طباطبایی

2 دانشجوی کارشناسی ارشد برنامه ریزی توسعه منطقه ای دانشگاه علامه طباطبایی

چکیده

در این مقاله مدل دگرگونی زمین که مشتمل بر سیستم اطلاعات جغرافیایی (GIS)(1) و شبکه‌های عصبی مصنوعی (ANNs)(2) می‌باشد ارائه شده است. در این مدل از عوامل متنوع سیاسی، اجتماعی و محیطی به عنوان متغیرهای پیشگوی استفاده گردیده است. این پژوهش نسخه‌ای از مدل LTM(3) را برای محدوده حوزه آبخیز گرند تریورز در خلیج میشیگان ارائه کرده و نشان می‌دهد که چگونه عواملی نظیر جاده‌ها، بزرگراه‌ها، خیابان‌های محلی، رودخانه‌ها، خطوط ساحلی دریاچه‌های بزرگ، امکانات تفریحی، دریاچه‌های داخلی، تراکم کشاورزی و کیفیت منظر می‌تواند بر الگوی شهرنشینی در حوزه آبخیز ساحلی تاثیرگذار باشد. برای یادگیری الگوهای توسعه در منطقه و محک زدن ظرفیت پیش‌گویی مدل از شبکه‌های عصبی مصنوعی و برای گسترش فضایی محرک‌های پیشگو و انجام تحلیل فضایی بر روی نتایج از GIS استفاده شده است. سرانجام سهم هر یک از متغیرهای پیشگو تخمین و در مقیاس فضایی نشان داده شده است. در کوچکترین مقیاس‌ها، کیفیت منظر قویترین متغیر پیشگو بود. تأثیرات چندبعدی تغییرات کاربری زمین با استفاده از تأثیرات نسبی سایت (به عنوان مثال کیفیت منظر، خیابان‌های محلی) و موقعیت (به عنوان مثال بزرگراه‌ها و جاده‌های بین بخشی) در مقیاس‌های مختلف مورد تفسیر قرار گرفته است.
واژه‌های کلیدی: تغییرات کاربری زمین، شبکه‌های عصبی مصنوعی، سیستم های اطلاعات جغرافیایی، مدل دگرگونی زمین.

عنوان مقاله [English]

Prediction of land use changes using neural networks and GIS

نویسندگان [English]

  • Gholamreza Latifi 1
  • Mohammad Hosein Kazemi Andaryian 2
1 Faculty Member of University of Allameh Tabataba'ii
2 Graduate Student of Regional Development Planning at Allameh Tabataba'i University
چکیده [English]

The present article proposes land transformation model which consists of Geographic Information System (GIS) and Artificial Neural Networks (ANNs). This model applies varied political, social and environmental models as predictive variables. The study introduces a version of LTM model for Grand Traverse basin in Michigan gulf and shows how factors like roads, highways, and local streets, and rivers, coastlines in large lakes, entertainment facilities, inland lakes, agriculture density and landscape quality can affect urbanization pattern in coastal basin. GIS is used for understanding local patterns of development, estimating predicting capacity of the model from artificial neural network, spatial expansion of predicting stimulators, and spatial analysis. Finally, the contribution of each predicting variable is estimated and presented on a spatial scale. Landscape quality was the strongest predicting variable on the smallest scale. Multi-scale impacts of land use changes are analyzed using the relational impacts of the site (like landscape quality, local streets) and position (like highways and roads between different regions) on different scales.

کلیدواژه‌ها [English]

  • land usage changes
  • Artificial neural networks
  • Geographic Information System
  • model of land transformation