بهینه سازی چندهدفه تخصیص کاربری اراضی شهری به وسیله ی الگوریتم‌های فرا ابتکاری و شاخص‌های مکانی

امروزه مدیریت کاربری اراضی شهری یکی از نیازهای ضروری بسیاری از کشورهای در حال توسعه می باشد. تا کنون مدل های بسیاری جهت بهینه سازی چندهدفه تخصیص کاربری اراضی ارائه شده است. اما در اغلب این مدل ها برنامه ریزان با مجموعه ی زیادی از جواب هایی که اهداف عموماً متناقض اقتصادی، اجتماعی و زیست محیطی را برآورده ساخته اند، مواجه می شوند که این مسئله تصمیم گیری را دشوار می سازد. از طرفی یکی از موضوعاتی که معمولاً از دید محققان دور می ماند، لحاظ نمودن ساختار و الگوی مکانی رشد شهری در مدلسازی تخصیص کاربری اراضی است و مسلماً جواب هایی که با الگوی توسعه شهری بیشترین سازگاری را داشته باشند، در اولویت قرار دارند. این ساختار و الگوی مکانی به وسیله ی شاخص های مکانی قابل تعیین می باشد. از این رو، هدف اصلی این تحقیق مدلسازی تخصیص بهینه کاربری اراضی شهری به وسیله ی الگوریتم های فراابتکاری و رتبه بندی جواب ها با توجه به الگوی مکانی رشد شهری و توسط شاخص های مکانی می باشد. مرحله ی اول مدلسازی در این تحقیق، با استفاده از الگوریتم های بهینه سازی چندهدفه nsga_ii و mopso صورت گرفته است و چهار تابع هدف اصلی شامل بیشینه سازی سازگاری، مناسبت کاربری با زمین، دسترسی مناسب کاربری ها و کمینه سازی هزینه ی تغییرات کاربری ها تعریف گردیده اند. در مرحله دوم با استفاده از تعریف شاخص های مکانی تلفیقی و تعیین الگوی مکانی توسعه شهر، جواب های حاصل از دو مدل، مقایسه و رتبه بندی گردیدند. مدل پیشنهادی در شهر تهران و با استفاده از نقشه های کاربری دوره های زمانی 1380، 1385 و 1390 در سه سناریو رشد شهری شامل ادامه ی روند موجود، رشد پراکنده و رشد متراکم پیاده سازی گردیده است. نتایج مدلسازی نشان می دهد شاخص های مکانی به خوبی از قابلیت محاسبه و پیش بینی ساختار و الگوی مکانی توسعه شهری برخوردار می باشند. همچنین با استفاده از شاخص های مکانی و رتبه بندی جواب های حاصل از الگوریتم ها، تصمیم گیرنده قادر خواهد بود تصمیم بهتر و قابل اطمینان تری با توجه به ساختار و الگوی مکانی توسعه شهر اتخاذ نماید.

Multi Objective Optimization of Urban Land Use Allocation Using Meta-heuristic Algorithms and Spatial Metrics

Today, urban land use planning and management is an essential need for many developing countries. So far, lots of multi objective optimization models for land use allocation have been developed in the world. These models will provide set of nondominated solutions, all of which are simultaneously optimizing conflicting social, economic and ecological objective functions, making it more difficult for urban planners to choose the best solution. An issue that is often left unnoticed is the application of spatial pattern and structures of urban growth on models. Clearly solutions that correspond with urban spatial patterns are of higher priority for planners. Quantifying spatial patterns and structures of the city requires the use of spatial metrics. Thus, the main objective of this study is to support decisionmaking using multi objective Metaheuristic algorithms for land use optimization and sorting the solutions with respect to the spatial pattern of urban growth. In the first step in this study, we applied the nondominated sorting genetic algorithm Iota; Iota; (NSGA_II) and multi objective particle swarm optimization (MOPSO) to optimize land use allocation in the case study. The four objective functions of the proposed model were maximizing compatibility of adjacent land uses, maximizing physical land suitability, maximizing accessibility of each land use to main roads, and minimizing the cost of land use change. In the next step, the two mentioned optimization models were compared and solutions were sorted with respect to the spatial patterns of the city acquired through the use of spatial metrics. A case study of Tehran, the largest city in Iran, was conducted. The six land use classes of industrial, residential, green areas, wetlands, Barren, and other uses were acquired through satellite imagery during the period of 2000 and 2012. Three scenarios were predicted for urban growth spatial structure in 2018; the continuation of the existing trend from 2000 to 2018, fragmented growth, and aggregated growth of the patches. Finally, the convergence and repeatability of the two algorithms were in acceptable levels and the results clearly show the ability of the selected set of spatial metrics in quantifying and forecasting the structure of urban growth in the case study. In the resulted arrangements of land uses, the value of the objective functions were improved in comparison with the present arrangement. In conclusion planners will be able to better sort outputs of the proposed algorithms using spatial metrics, allowing for more reliable decisions regarding the spatial structure of the city. This achievement also indicates the ability of the proposed model in simulation of different scenarios in urban land use planning.