مدل سازی توسعه شهری با استفاده از رویکردهای پیش پردازش آماری و مدل پرسپترون چند لایه (نمونه موردی: کلان شهر تهران)

پایداری در توسعه شهری به علت سطوح بالای شهرنشینی تقریبا در کل بخش های جهان، به یک موضوع مهم تبدیل شده است. بنابراین برای رسیدن به توسعه پایدار شهری و همچنین تصمیم گیری بهتر برای جهت دهی توسعه در آینده، بازبینی دائمی فرآیندهای دینامیک شهری با توجه به توسعه در گذشته و پیش بینی آن در آینده، اجتناب ناپذیر است. هدف پژوهش حاضر، مدل سازی و پیش بینی توسعه کلان شهر تهران با استفاده از روش رگرسیون حداقل مربعات معمولی (OLS) و مدل شبکه عصبی مصنوعی (پرسپترون چندلایه (MLP)) با در نظر گرفتن دوره 11 ساله 1385_1374 است. برای این منظور ابتدا، معیارهای موثر در فرآیند توسعه شهری از سازمان های مربوط جمع آوری، آنالیز و آماده سازی شدند و نقشه های کاربری زمین برای سال های مورد نظر از تصاویر ماهواره لندست استخراج شد و با استفاده از داده های اتوکد سازمان نقشه برداری و نقشه های موجود بهبود داده شدند. سپس صحت سنجی نقشه ها و آشکارسازی تغییرات انجام شد. نتایج آشکارسازی تغییرات با ضریب کاپای 85/91% نشان می دهد که بیشترین افزایش مساحت در مناطق ساخته شده (38/5886 هکتار) و بیشترین کاهش مساحت در زمین باز (89/5328 هکتار) رخ داده است. بر مبنای این تغییرات و برای اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیش پردازشی روی این معیارها صورت گرفت. در مرحله بعد با در نظرگرفتن خروجی روش OLS، 11 متغیر مستقل بعنوان ورودی به مدل انتخاب شدند. سپس مدل سازی پتانسیل تبدیل کاربری برای سال 1396، با استفاده از روش MLP انجام شد و با روش زنجیره مارکف نقشه کاربری اراضی برای سال 1396 پیش بینی شد. در نهایت نتایج نشان داد که پیش بینی صورت گرفته نسبت به مطالعات گذشته به واقعیت های زمینی نزدیک تر است و بیشترین میزان توسعه در سال 1396 در بخش های شرقی، شمال غرب و غرب کلان شهر تهران رخ خواهد داد. 2- روش شناسی برای دستیابی به اهداف این مطالعه، ابتدا معیارهای موثر در فرآیند توسعه شهری از سازمان های مربوط جمع آوری، آنالیز و آماده سازی شدند. نقشه های کاربری زمین برای دوره مورد مطالعه (1385-1374) از تصاویر ماهواره لندست استخراج شد و با استفاده از داده اتوکد و نقشه های موجود بهبود داده شدند. سپس صحت سنجی نقشه ها و آشکارسازی تغییرات انجام گرفت و بر مبنای این تغییرات، به منظور اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیش پردازش روی این معیارها صورت گرفت. در مرحله بعد با در نظر گرفتن خروجی روش OLS، متغیرهای مستقل به عنوان ورودی به مدل انتخاب شدند. در نهایت، با استفاده از روش MLP مدل سازی پتانسیل تبدیل هر کاربری انجام گرفته و با به کارگیری روش زنجیره مارکوف نقشه کاربری اراضی برای سال 1396 پیش بینی شد.
3- بحث در مطالعه حاضر، رگرسیون حداقل مربعات معمولی (OLS) و مدل شبکه عصبی پرسپترون چند لایه (MLP) برای شناسایی و بهبود درک ما از نیروهای اجتماعی- اقتصادی، فیزیکی و کاربری زمین که بر توسعه شهری تاثیر می گذارند، و نیز برای یافتن تاثیرات نابرابر این عوامل و محتمل ترین مکان ها برای توسعه شهری آینده کلان شهر تهران مورد استفاده قرار گرفتند. با توجه به تنوع و تعداد بالای عوامل تاثیرگذار در این فرآیند و نتایج تحقیق می توان این گونه بیان کرد، که فناوری های RS و GIS تولید و تجزیه و تحلیل حجم عظیمی از داده های مکانی و غیر مکانی را امکان پذیر و تسریع می بخشند و یک خروجی با درجه بالایی از صحت و دقت را در کوتاه ترین زمان ممکن امکان پذیر می سازند. برتری این مطالعه نسبت به مطالعات گذشته در این است، که از فرآیند پیش پردازش متغیرهای مستقل ورودی به مدل با استفاده از روش OLS استفاده شد و در نتیجه از بین داده های موجود بهترین ترکیب انتخاب شد. در مطالعات گذشته پیش پردازشی روی متغیرهای ورودی به مدل صورت نگرفته و اگر هم انجام شده، بیشتر از روش سعی و خطا استفاده شده است. از آن جمله می توان به تحقیق طیبی و همکاران در سال 1390در زمینه پیش بینی توسعه شهری گرگان و تحقیق کرم و یعقوب نژاد اصل در سال 1392 در زمینه توسعه کالبدی شهر کرج اشاره کرد. همچنین با بررسی های میدانی و دور کاوی با استفاده از ابزارهای موجود، نتایج نشان داد که پیش بینی صورت گرفته نسبت به مطالعات گذشته به واقعیت های زمینی نزدیک تر است و روند توسعه موجود را دنبال می کند.
4- نتایج مطالعه حاضر نشان می دهد که بیش ترین میزان توسعه شهری کلان شهر تهران برای چشم انداز 1396 در بخش های غربی و شرقی خواهد بود. این نتایج نشان دهنده اعتبار و صحت مدل بوده که با واقعیت کاملا سازگار و منطبق است و می تواند به عنوان مدلی اجرایی در برنامه ریزی های چشم انداز آینده کلان شهر تهران بسیار راه گشا بوده و مورد استفاده قرار گیرد. البته برای ارتقاء و افزایش هر چه بیشتر ضریب اطمینان مدل، در مطالعات آتی می توان از معیارهای تاثیرگذار بیشتری مانند مالکیت، قیمت زمین و مراکز تجاری استفاده کرد که به دلیل وجود محدودیت هایی استفاده نشده اند، و می توانند در فرآیند توسعه و رشد شهری کلان شهر تهران بسیار تاثیرگذار باشند.