ادغام خصیصه‌های اجتماعی- اقتصادی و سنجش ازدوری به منظور مدل‌سازی رشد فیزیکی شهر کرج

در تجزیه و تحلیل و مدل سازی رشد فیزیکی شهر معمولاً عوامل اقتصادی اجتماعی به دلیل عدم دسترسی به این داده ها نادیده گرفته می شوند. به همین دلیل در مدل سازی رشد فیزیکی شهرها تاکنون بر ایجاد لایه های اطلاعاتی از این نوع داده ها کمتر کار شده است. این مطالعه با هدف معرفی روشی کارا به منظور ایجاد لایه های اطلاعاتی برای داده های اقتصادی اجتماعی و استفاده از این لایه های اطلاعاتی در کنار لایه های اطلاعاتی مستخرج از تصاویر ماهواره ای لندست و اطلاعات پیمایش زمینی به منظور مدل سازی رشد فیزیکی شهر کرج انجام شد. بدین منظور پس از ایجاد لایه های اطلاعاتی مختلف با اهمیت ترین متغیرهای موثر در رشد شهری با روش انتخاب ویژگی جنگل تصادفی تعیین گردید و سپس مدل سازی رشد فیزیکی شهر کرج برای سال های 2000 تا 2010 با استفاده از روش های رگرسیون لجستیک چند متغیره، پرسپترون چندلایه و روش نقشه خود سازمان دهنده انجام شد. نتایج نشان داد که استفاده از با اهمیت ترین متغیرهای موثر به عنوان ورودی در روش نقشه خود سازمان دهنده با دقت کلی 84.47، کاپا 68.93، roc برابر با 90.72، fom برابر با 43.98 و pcm برابر با 84.47 از عملکرد بهتری برخوردار بود، همچنین استفاده از خصیصه های اجتماعی اقتصادی پیشنهاد شده در این تحقیق در کنار داده های سنجش ازدور می تواند به ارتقا عملکرد روش پیش بینی کننده کمک نماید. سرانجام با استفاده از سلول های خودکار پیش بینی رشد فیزیکی شهر در سال های 2017 و 2027 انجام گردید.

Fusion of socio-economic and remote sensing-based attributes for Karaj physical growth modeling

Urban physical growth is affected by different parameters including environmental, neighborhood and socioeconomic factors; however, socioeconomic variables are often ignored due to the lack of socioeconomic information, especially in developing countries, when the urban physical growth analysis and modeling is the aim. Accordingly, there is not many studies conducted to develop GISbased socioeconomic layers to be used along with common data, such as slope, distance to the roads and so on, in urban physical growth modeling. Therefore, this study aims to introduce an efficient method to generate GISbased socioeconomic layers to be exploited along with the information layers extracted from Landsat images and fieldcollected data for physical growth modeling of Karaj city. After generating the required information layers, random forest feature selection method was applied to select the most important variables. Then, the performance of the three modeling methods including multiple logistic regression, and two artificial neural networks, multilayer perceptron (MLP) and selforganizing map (SOM) were compared using the selected attributes to model the urban physical growth from 2000 to 2010. The results indicated that SOM with overall accuracy of 84.5%, kappa coefficient of 68.9%, ROC of 90.7%, FOM of 43.98% and PCM of 84.5% performed better than the other methods for modelling of urban physical growth. Moreover, the proposed socioeconomic attributes combined with the remote sensingbased data were able to improve the performance of the urban physical growth prediction. Finally, cellular automata was applied to predict the Karaj physical growth in 2017 and 2027.