مدل‌سازی و پیش‌بینی رشد افقی شهر مشهد با استفاده از تلفیق اتوماتای سلولی فازی، شبکه عصبی و رگرسیون لجستیک

در این پژوهش با به کارگیری مدل اتوماتای سلولی (ca) توسعه یافته بر مبنای سیستم اطلاعات مکانی (gis) و ارائه مدلی قدرتمند و ساده سعی بر مدل سازی و پیش بینی رشد شهر مشهد شده است. با وجود قابلیت های فراوان اتوماتای سلولی در مدل سازی رشد شهری، این روش دارای محدودیت هایی نظیر عدم توانایی در مدل سازی عدم قطعیت موجود در سیستم های شهری و انجام کالیبراسیون به صورت تجربی (روش آزمون وخطا) است. در روش پیشنهادی، به منظور غلبه بر مشکل عدم قطعیت و افزایش قابلیت مدل سازی، قوانین انتقال به صورت فازی بیان میشوند. برای رفع مشکل دوم نیز عوامل موثر با استفاده از رگرسیون لجستیک وزن دهی شده و فرآیند کالیبراسیون اجرا می گردد. لذا در این مقاله با ترکیب روش های مختلف در یک روال منطقی و بر اساس مدلی قدرتمند و ساده فرایند پیش بینی رشد افقی شهر مشهد اجرا می گردد. بدین منظور با استفاده از تصاویر ماهواره ای لندست 8 و etm+ رشد شهر مشهد برای دوره 2002 2015 مدل سازی شده و پس از کالیبراسیون و اخذ نتایج قابل قبول از اعتبارسنجی، برای سال 2028 رشد افقی شهر پیش بینی می شود. نتایج به دست آمده نشان دهنده آن است که روش پیشنهادی با ضریب کاپای 54/8 و دقت کلی 92 درصد، به منظور شبیه سازی و پیش بینی رشد شهری، نشان دهنده افزایش دقت مدل در مقایسه با اتوماتای ساده متداول است.

Modeling and Prediction of Horizontal Urban Growth of Mashhad study region by Aggregating Cellular Automata, Fuzzy Theory, Neural Network and Logistic Regression

In this paper, we try to present a simple and powerful model to forecast the urban growth of Mashhad city applying a developed Cellular Automata (CA) algorithm in Geospatial information System (GIS). In spite of different CA's advantages in urban growth modeling, this model faces several limitations such as inability to model the uncertainties of urban systems and working based on experimental calibration (trial and error) techniques. In the proposed method, to overcome the uncertainty problem and increase the model efficiency, the fuzzy transition rules are introduced in the modeling process. Moreover, the effective criteria are weighted using the logistic regression algorithm to remove the second restriction and then the calibration process will be applied. Therefore, the prediction process of urban growth were implemented using a suggested simple and powerful model by aggregating different methods in a logical framework. For this purpose, Landsat 8 and ETM+ satellite images (between 20022015) were entered into the modeling process and the horizontal urban growth of Mashhad study area were predicted for 2028. The final obtained results showed that the proposed method with the Kappa coefficient of 54.8 and the overall accuracy of 92% is more accurate than conventional CA techniques.