شبیه سازی رشد شهری با استفاده از مدل سلول های خودکار و الگوریتم های یادگیری ماشین، مطالعه موردی: کلانشهر تبریز

روند رشد شهری در دهه های اخیر تسریع شده است. بنابراین پیش بینی الگوی رشد آینده شهر برای جلوگیری از برخی مشکلات محیط زیستی، اقتصادی و اجتماعی از اهمیت بالایی برخوردار است. شهر تبریز نیز به دلیل تغییرات جمعیتی قابل توجه از رشد سریع اراضی شهری برخوردار بوده و لذا نیازمند شبیه سازی دقیق رشد شهری برای جلوگیری از پیامدهای منفی محیط زیستی و اقتصادی می باشد. هدف این پژوهش ارزیابی دقت الگوریتم های مطرح یادگیری ماشین با روش اعتبار سنجی متقابل مکانی و تلفیق آنها با مدل سلول های خودکار جهت شبیه سازی رشد اراضی شهری است.

 در این پژوهش جهت تحلیل تغییرات کاربری اراضی شهری تصاویر ماهواره ای لندست مربوط به سال های 1376، 1385 و 1394 با استفاده از روش ماشین بردار پشتیبان طبقه بندی شدند. در گام بعدی تولید نقشه های پتانسیل تغییر اراضی غیر شهری به شهر با استفاده از الگوریتم های جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی پرسپترون چند لایه برای دو دوره کالیبراسیون (سال های 1376-1385) و اعتبارسنجی (سال های 1385- 1394) بر اساس لایه های اطلاعاتی فاصله از معابر اصلی، فاصله ازمرکز شهر، فاصله از اراضی ساخته شده، فاصله از رودخانه و راه آهن و همچنین لایه-های شیب، ارتفاع و لایه دو کلاسه کاربری شامل کاربری کشاورزی (با مقدار صفر) و بایر (با مقدار یک)، انجام شد. در پژوهش حاضر جهت جلوگیری از بیش برازش الگوریتم ها به نمونه های آموزشی و در نتیجه بدست آمدن نتایج خوشبینانه، از روش اعتبارسنجی متقابل مکانی با هدف کاهش همبستگی مکانی میان داده های آموزشی و آزمایشی، در فرایند استخراج پارامترهای بهینه الگوریتم های یادگیری ماشین استفاده گردید. در نهایت با استفاده از مدل سلول های خودکار، شبیه سازی رشد شهر تبریز بر اساس نقشه های کاربری اراضی و پتانسیل تغییر بدست آمده از الگوریتم های یادگیری ماشین برای دوره های مذکور انجام شد.

نتایج نشان داد الگوریتم جنگل تصادفی با مقدار مساحت زیر منحنی ROC معادل 0.9228 نسبت به الگوریتم های ماشین بردار پشتیبان و شبکه عصبی مصنوعی به ترتیب با مساحت های 0.8951 و 0.8726، عملکرد بهتری در برآورد پتانسیل تغییر اراضی غیر شهری به شهر داشته است. همچنین این الگوریتم در مقایسه با سایر الگوریتم ها تغییرات محلی در پتانسیل تغییر را به صورت بارز تری استخراج کرده است. در نهایت رشد شهر تبریز با استفاده از مدل سلول های خودکار بر مبنای نقشه های پتانسیل تغییر بدست آمده شبیه سازی شد. مقایسه نقشه پیش بینی در دوره اعتبارسنجی با وضع موجود اراضی شهری در سال 1394 نشان داد که شبیه سازی رشد شهری با مدل سلول های خودکار مبتنی بر جنگل تصادفی با مقدار شاخص سازگاری 0.3569 نسبت به مدل های مبتنی بر بردار پشتیبان و شبکه عصبی به ترتیب با مقادیر شاخص سازگاری 0.3496و 0.3434 در اختصاص زمین های غیرشهری به شهری دقیق تر بوده است.

توانایی الگوریتم های یادگیری ماشین نظیر شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی در حل مسایل غیر خطی، استفاده از آن ها را در شبیه سازی رشد اراضی شهری اجتناب ناپذیر می سازد. در این میان در تحقیق حاضر الگوریتم جنگل تصادفی که اساس آن بر یادگیری جمعی استوار است از مزیت بالاتری نسبت به دو الگوریتم ماشین بردار پشتیبان و شبکه عصبی مصنوعی برخوردار بوده است.