پیش‌بینی الگوی رشد شهری با به‌کارگیری مدل رگرسیون لجستیک در منطقه گرگان

مدل­سازی الگوی رشد شهری فنی مهم برای درک فرایندهای پیچیدة رشد شهری است. در این مطالعه، مدل رگرسیون لجستیک جهت پیش­بینی الگوی رشد شهری در آینده به‌کار گرفته شد. به این منظور، تصاویر ماهواره­ای سال‏های 1988، 1998 و 2007 جهت تهیة نقشه­های کاربری زمین به‌کار گرفته شد. سپس، تغییرات ایجادشده در گسترة شهری در فاصلة زمانی 1988-2007 شناسایی و مدل‏سازی تغییرات مناطق شهری و پیش­بینی الگوی رشد شهری در آینده با به‌کارگیری مدل رگرسیون لجستیک انجام گرفت. نتایج اجرای مدل نشان داد گسترة مناطق شهری در دورة زمانی مورد مطالعه روند افزایشی داشته است. اعتبارسنجی نتایج مدل با محاسبة معیارهای pseudo- r2 و roc انجام گرفت. مقدار این معیارها به ترتیب، بیش از 27/0 و 83/0 به دست آمد که مقادیری مطلوب‌اند. در مرحلة بعد، الگوی رشد شهری برای سال‏های 2016 و 2025 پیش‏بینی شد. مطابق با نتایج، اقدامات مناسب برای کنترل تغییرات کاربری زمین به‌ویژه رشد شهرها به منظور حفظ محیط زیست و تعادل اکولوژیکی منطقه نیاز است. نتایج مطالعه می‏تواند به مدیران و تصمیم‏گیران جهت نظارت و جلوگیری از رشد بدون برنامه­ریزی مناطق شهری کمک کند و نقشه‏های خروجی مدل را برای مدیریت و کنترل الگوی رشد مناطق شهری در آینده به‌کار گرفت.

Predicting of Urban Growth Pattern Using Logistic Regression Model in Gorgan Area

Modeling urban development patterns is an important technique for understanding complex urban growth processes. In this study, Logistic Regression model was conducted to model urban growth pattern of Gorgan area in North Iran, during the period 1988-2025. To do this, remotely sensed imagery of years 1988, 1998 and 2007 were used to produce land use maps. Also, dependent and independents variables were created to perform urban growth pattern modeling. Then, urban changes were detected during 1988 – 2007 and urban change modelling was achieved using Logistic Regression. After that, future urban grow pattern was predicted. The results indicated that urban areas have increased during study time period. Validation of model results was performed using Pseudo-R2 and ROC values which were more than 0.27and 0.83 respectively. Furthermore, Logistic Regression was applied to predict urban growth patterns for the years of 2016 and 2025. According to the results, appropriate implementations are needed to control land use changes, particularly urban growth, in order to preserve environmental as well as ecological balances of the area. The result could be help the managers to monitor and prevent the unplanned urban development in future. Model’s extracted maps can be used for managing and controlling future urban development.