بهبود مدل سازی توسعه فضایی شهرها با تلفیق روش های یادگیری ماشین و مدل CA-Markov (مطالعه موردی: کلان شهر قم)

یکی از پیامدهای اجتناب ناپذیر رشد روزافزون جمعیت جهان، گسترش شهرنشینی است؛ ازاین رو ارایه چشم اندازی از توسعه فضایی شهرها با هدف درک الگوی صحیح رشد شهر و فراهم آوردن زیرساخت های لازم از اهمیت بسیاری برخوردار است. ازآنجاکه کلان شهر قم یکی از شهرهای درگیر با مسیله رشد شهری بوده و آمار 95 درصد شهرنشینی را ثبت کرده است، تمرکز این پژوهش بر واکاوی توسعه فضایی اراضی شهری پیرامون این کلان شهر است. برای نیل به هدف مذکور، ابتدا ورودی های مدل که همان نقشه های کاربری/پوشش اراضی و نقشه شایستگی رشد شهری منطقه هستند، تولید شدند. نقشه های کاربری/پوشش اراضی منطقه برای سال های 2000، 2010 و 2020 با روش جنگل تصادفی در محیط سامانه Google Earth Engine و نقشه شایستگی رشد شهری منطقه برای سال های 2000 و 2010 به کمک تحلیل های MCDM مبتنی بر GIS به صورت مجزا تولید شد. درنهایت این نقشه ها وارد الگوریتم های ترکیبی ANN-CA-Markov و  SVM-CA-Markov شد و دو نقشه برای کاربری/پوشش اراضی منطقه در سال 2020 شبیه سازی شد. اعتبارسنجی مدل ها نشان داد که الگوریتم SVM-CA-Markov با مساحت زیر منحنی ROC معادل 96/0 از صحت بیشتری برخوردار بود و برای مدل سازی افق 2040 به عنوان الگوریتم بهینه انتخاب شد. نتایج حاکی از توسعه فضایی روزافزون این کلان شهر است؛ به طوری که وسعت اراضی شهری این منطقه از 62/139 کیلومتر مربع در سال 2020 به بیش از 183 کیلومترمربع در سال 2040 افزایش خواهد یافت. ارزیابی نتایج می تواند به مدیران مربوط در راستای اتخاذ سیاست های لازم برای مدیریت هرچه بهتر شرایط پیش رو یاری رساند. این امر مهم می تواند از طریق برنامه ریزی برای توسعه منظم شبکه معابر، گسترش فضا های سبز شهری و... محقق شود. در این راستا سازمان ها و مسیولان محلی باید ضمن اشراف کامل بر جهات توسعه این کلان شهر، نظارت های هدفمند بر این مسیله داشته باشند.