متناسب‌سازی ساختارفضایی کاربری‌زمین با بهره‌گیری از شبکه‌عصبی پرسپرسترون چندلایه در شهرستان همدان

پیشینه و هدف حفاظت از منابع طبیعی به ویژه زمین و کاربری آن از دیرباز موردتوجه و بررسی بوده است. در واقع می توان گفت به این دلیل که کاربری زمین در گذر زمان تغییرات بسیاری را تجربه کرده است که این تغییرات دارای اثرات مستقیم و فراوان بر اکوسیستم و محیط بوده و به تبع آن پیامدهای گوناگونی را در پی داشته است، ازجمله این پیامدها می توان به تغییر کاربری زمین متاثر از گسترش شتابان شهرنشینی و اثرات آن بر الگوی کاربری زمین در محیط اطراف و درنهایت قطعه قطعه شدن اراضی در این مناطق اشاره داشت. بر همین اساس در بسیاری از مواقع تبدیل کاربری زمین از حالت طبیعی خود به کاربری های انسان ساخت دارای پیامدهای بازگشت ناپذیری بوده که در جهت کاهش پیامدهای این امر می توان به متناسب سازی ساختار کاربری زمین پرداخت. تناسب زمین به هم خوانی ظرفیت های یک قطعه زمین و کاربری موجود در آن اطلاق می شود، و ازآنجاکه تخصیص نامتناسب کاربری زمین و عدم توجه به تغییرات آن دارای پیامدهای بسیاری نظیر جدایی گزینی اجتماعی-اقتصادی، فرسودگی محیطی و از بین رفتن منابع است. بنابراین تصمیم گیری ها در زمینه مدیریت زمین و منابع همواره باید به صورتی هدایت شوند که با منافع جامعه و محیط طبیعی تعارض نداشته باشند، در این راستا یکی از راه های موثر برای کنترل و به حداقل رساندن آسیب ها و پیامدهای تغییر کاربری اراضی، متناسب سازی ساختار آن است، به صورتی که بر اساس ویژگی های منابع زمین و قابلیت های آن، زمین می تواند تحت توزیع مکانی و آرایشی منطقی تری قرار گیرد. هدف از انجام پژوهش حاضر شناسایی و پهنه بندی میزان تناسب ساختار کاربری اراضی با قابلیت های موجود در محدوده شهرستان همدان و همچنین بررسی میزان کارایی روش شبکه عصبی پرسپرسترون چندلایه در زمینه متناسب سازی ساختار کاربری اراضی در این شهرستان است.مواد و روش ها بر اساس پیشینه پژوهش و با توجه به معیارهای اثرگذار در زمینه متناسب سازی ساختار کاربری اراضی، شاخص های گوناگونی برگزیده شد که شامل؛ 12 شاخص کاربری زمین، شیب، میانگین دما، میانگین بارش، میانگین رطوبت، میانگین سرعت باد، زمین شناسی، نوع خاک، فاصله از رودخانه، فاصله از چاه ها، فاصله از جاده های اصلی و نوع پوشش گیاهی بوده است. سپس با استفاده از بازدید میدانی، ثبت نقاط دارای تناسب کاربری به عنوان نقاط تعلیمی انجام گرفت. پس از آماده سازی لایه های شاخص های مذکور به استانداردسازی این لایه ها در محیط نرم افزار سیستم اطلاعات جغرافیایی پرداخته شد و در مرحله بعدی شبکه عصبی پرسپرسترون چندلایه با استفاده از الگوریتم پس از انتشار با واردکردن لایه های موثر بر متناسب سازی ساختار کاربری زمین به عنوان ورودی و استفاده از یک لایه میانی فاصله از نقاط متناسب از نظر ساختار کاربری زمین، این شبکه با ساختار 1-10- 12 به منظور متناسب سازی ساختار کاربری زمین در محدودۀ شهرستان همدان اجرا شد. از 35 درصد از کل پیکسل های تصویر فاصله از نقاط متناسب کشاورزی به عنوان نقاط تعلیمی در سه دسته؛ بخش نخست (70 درصد) برای آموزش شبکه، بخش دوم (15 درصد) برای متوقف کردن محاسبات در زمانی که خطا درحال افزایش است و از بخش سوم (15 درصد) برای راستی آزمایی شبکه استفاده شد و در نهایت به ترسیم نقشه نهایی تناسب زمین اقدام گردید، لایه بدست آمده دارای ارزشی بین 0 و 1 بود که به پنج کلاس تناسب اراضی تقسیم بندی شد.نتایج و بحث در پژوهش حاضر پس از شناسایی عوامل موثر بر ساختار کاربری زمین و متناسب سازی ساختار آن و تهیه لایه های هر یک از آن ها، به استانداردسازی لایه های مذکور اقدام شد. سپس با استفاده از بازدید میدانی، ثبت نقاط دارای تناسب کاربری به عنوان نقاط تعلیمی انجام گرفت بدین ترتیب به متناسب سازی ساختار کاربری زمین توسط مدل شبکه عصبی پرسپرسترون چندلایه با تعداد تکرار 58 اقدام گردید. نتایج حاصل از صحت سنجی شبکه عصبی و لایه خروجی حاصل از آن بیانگر دقت بالای شبکه در متناسب سازی ساختار کاربری زمین بوده به صورتی که مقادیر جذر میانگین مربعات خطا (rmse)، خطای مطلق (mae) و ضریب همبستگی (r2) در فرایند اجرای شبکه به ترتیب برابر با 0.19، 0.21، و 0.89 بود، که خود بیانگر دقت بالای شبکه در اجرای فرایند متناسب سازی هستند.. در آخر میزان تناسب اراضی به 5 کلاس کاملاً نامناسب، تاحدودی نامناسب، نامناسب، تاحدودی مناسب و کاملاً نامناسب تقسیم بندی شد و نتایج حاصله نشان داد که بیشترین مساحت مناطق را به ترتیب اراضی تا حدودی مناسب و کاملاً مناسب با 32.62 و 28.13 درصد از کل مساحت محدوده را در برگرفته اند.

optimizing of landuse using multilayer perceptron neural network in hamedan city

background and objective the protection of natural resources, especially land, and their use, has long been considered. it can be said that because land use has undergone many changes over time, these changes have direct and many effects on the ecosystem and the environment and consequently have various consequences, including these consequences that can be used to change land use. the area was affected by the rapid expansion of urbanization and its effects on land-use patterns in the surrounding environment and, finally, land fragmentation in these areas. accordingly, in many cases, converting land use from its natural state to artificial land use has irreversible consequences. to reduce the consequences, this can be adapted to the land use structure. land appropriateness refers to matching the capacities of a plot of land and its land use, and the disproportionate allocation of land use and disregard for its changes has many consequences such as socio-economic segregation, environmental depletion, and loss of resources. decisions in land and resource management should always be guided in a way that does not conflict with the interests of society and the natural environment. in this regard, one of the effective ways to control and minimize the damage and consequences of land use is to adapt its structure so that, based on the characteristics of land resources and their capabilities, the land can be spatially distributed and arranged more rationally. this study aims to identify and zone the appropriateness of land use structure with the existing capabilities in hamedan and to evaluate the efficiency of the multilayer perceptron neural network method in the field of land use structure optimization in this city.materials and methods in this study, to adapt the land use structure in the city of hamedan, based on the research background and according to the effective criteria in the field of land use structure, various indicators were selected, including 12 land use indicators, slope, average temperature, and average rainfall. average humidity, average wind speed, geology, soil type, distance from the river, distance from wells, distance from main roads, and vegetation type. then, using the field visit, the points with user suitability were registered as educational points. after preparing the layers of the mentioned indicators, these layers were standardized in the software environment of the gis system. in the next step, the multilayer perceptron neural network uses the after-release algorithm by importing layers affecting the optimization of the land use structure as input and using the middle layer of distance. from appropriate points in terms of land use structure, this network was implemented with the structure of 1-10-12 to adapt the land use structure in hamedan. from 35% of the total image pixels, the distance from the agricultural proportions as training points falls into three categories the first part (70%) for network training, the second part (15%) for stopping calculations when the error is increasing, and the third part (15%) was used for network verification. finally, the final land suitability map was drawn. the resulting layer had a value between 0 and 1 which was divided into five land suitability classes. in the present study, after identifying the factors affecting the land use structure and adapting its structure, and preparing each of them, the mentioned layers were standardized. then, using the field visit, the points with appropriate use were recorded as educational points. thus, the land use structure was adjusted by the multilayer perceptron neural network model with 58 replications. the results of the neural network validation and the resulting output layer indicate the high accuracy of the network in fitting the land use structure so that the square root mean values of error (rmse), and absolute error (mae).