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

سابقه و هدف: روند رشد شهری در دهه های اخیر تسریع شده است . بنابراین پیش بینی الگوی رشد آینده شهر برای جلوگیری از برخیمشکل های محیط زیستی، اقتصادی و اجتماعی از اهمیت بالایی برخوردار است. شهر تبریز نیز به دلیل تغییرات جمعیتی قابل توجه از رشد سریع زمین های شهری برخوردار بوده و بنابراین 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 اعتبارسنجی متقابل مکانی و تلفیق آنها با مدل سلول های خودکار جهت شبیه سازی رشد زمین های شهری است .مواد و رو ش ها: در این پژوهش جهت تحلیل تغییرات کاربری زمین های 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 زمین های غیرشهری 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 ) براساس لایه های اطلاعاتی فاصله از معابر اصلی، فاصله ازمرکز شهر، فاصله از زمین های 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 به دست آمدن نتایج خوش بینانه، 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 براساس نقشه های کاربری زمین ها و پتانسیل تغییر به دست آمده از الگوریتم های یادگیری ماشین برای دوره های بیان شده انجام شد.نتایج و بحث: نتایج نشان داد الگوریتم جنگل تصادفی با مقدار مساحت زیر منحنی roc معادل 9228 / 0 نسبت به الگوریتم های ماشین بردار پشتیبان و شبکه عصبی مصنوعی به ترتیب با مساحت های 8951 / 0 و 8726 / 0، عملکرد بهتری در برآورد پتانسیل تغییر زمین های غیر شهری به شهر داشته است. همچنین این الگوریتم در مقایسه با سایر الگوریتم ها تغییرات محلی در پتانسیل تغییر را به صورت بارزتری استخراج کرده است. در نهایت رشد شهر تبریز با استفاده از مدل سلول های خودکار بر مبنای نقشه های پتانسیل تغییر به دست آمده شبیه سازی شد . مقایسه نقشه پیش بینی در دوره اعتبارسنجی با وضع موجود زمین های شهری در سال 1394 نشان داد که شبیه سازی رشد شهری با مدل سلول های خودکار مبتنی بر جنگل تصادفی با مقدار سنجه سازگاری 3569 / 0 نسبت به مدل های مبتنی بر بردار پشتیبان و شبکه عصبی به ترتیب با مقادیر سنجه سازگاری 3496 / 0 و 3434 / 0د ر اختصاص زمین های غیرشهری به شهری دقیق تر بوده است.نتیجه گیری: توانایی الگوریتم های یادگیری ماشین نظیر شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی در حلمسئله های غیر خطی، استفاده از آنها را در شبیه سازی رشد زمین ها ی شهری اجتناب ناپذیر می سازد. در این میان در تحقیق حاضرالگوریتم 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 .

Urban growth simulation using cellular automata model and machine learning algorithms (case study: Tabriz metropolis)

Introduction: Urban growth has accelerated in recent decades, therefore, predicting the future growth pattern of the city is very important to prevent environmental, economic, and social problems. The city of Tabriz has also experienced rapid growth of urban lands due to significant demographic changes, which requires accurate simulation of urban growth to prevent negative environmental and economic consequences. The purpose of this study was to evaluate the performance accuracy of the proposed machine learning algorithms by spatial crossvalidation method in combination with the cellular automata model to simulate urban growth.Material and methods: In this study, to analyze urban landuse changes, Landsat satellite images related to the years 1997, 2006, and 2015 were classified using the support vector machine algorithm. In the next step, change potential maps of nonurban to urban areas were produced using random forest algorithms, support vector machine, and multilayer perceptron neural network for two periods of calibration (1997 and 2006) and validation (2006 and 2015) based on distance from the main roads, distance from the city center, distance from builtup areas, distance from the rivers and railways, as well as slope, elevation, and twoclass (agricultural/barren) land use layer as effective factors in the growth of the city. Finally, using the cellular automata model, the growth simulation of Tabriz city based on land use and change potential maps obtained from machine learning algorithms for the mentioned periods was performed. To prevent overfitting of algorithms to training samples and to obtain optimistic results, in the process of extracting optimal parameters of machine learning algorithms, the spatial crossvalidation method was used to reduce the spatial correlation between training and test data.Results and discussion: The results showed that the random forest algorithm with the area under the ROC curve of 0.9228 compared to the support vector machine and multilayer perceptron neural network algorithms with 0.8951 and 0.8726, respectively, had a better performance in estimating the change potential of nonurban to urban areas. Furthermore, in comparison with others, the random forest also clearly showed local variations in potential change. Finally, the growth of Tabriz city was simulated using the cellular automata model based on the obtained change potential maps. Comparison of the prediction map in the validation period with the current situation of urban areas in 2015 showed that the accuracy of an urban growth simulation model based on random forest with a Figure of Merit index of 0.3569 compared to models based on support vector machine and artificial neural network was more accurate in allocating nonurban to urban lands with 0.3496 and 0.3434, respectively.Conclusion: As machine learning algorithms such as artificial neural networks, support vector machines, and random forest are capable of solving nonlinear problems, using them is strongly recommended for urban growth simulation. Also, among the algorithms used in this research, the random forest algorithm based on ensemble learning has a higher advantage than the twosupport vector machine and the artificial neural network algorithms.