دانشگاه شهید باهنر کرمان

 آمار

تعداد نشریات26
تعداد شماره‌ها447
تعداد مقالات4,557
تعداد مشاهده مقاله5,380,005
تعداد دریافت فایل اصل مقاله3,580,078
سدیدی, جواد, مهدوی, سجاد, زنگانه, احمد. (1394). بررسی روند تغییرات رشد و گسترش شهری و عوامل مؤثر بر آن با استفاده از شبکۀ عصبی مصنوعی (مطالعه موردی : شهر تبریز). , 2(3), 47-64. doi: 10.22103/juas.2016.1809
جواد سدیدی; سجاد مهدوی; احمد زنگانه. "بررسی روند تغییرات رشد و گسترش شهری و عوامل مؤثر بر آن با استفاده از شبکۀ عصبی مصنوعی (مطالعه موردی : شهر تبریز)". , 2, 3, 1394, 47-64. doi: 10.22103/juas.2016.1809
سدیدی, جواد, مهدوی, سجاد, زنگانه, احمد. (1394). 'بررسی روند تغییرات رشد و گسترش شهری و عوامل مؤثر بر آن با استفاده از شبکۀ عصبی مصنوعی (مطالعه موردی : شهر تبریز)', , 2(3), pp. 47-64. doi: 10.22103/juas.2016.1809
سدیدی, جواد, مهدوی, سجاد, زنگانه, احمد. بررسی روند تغییرات رشد و گسترش شهری و عوامل مؤثر بر آن با استفاده از شبکۀ عصبی مصنوعی (مطالعه موردی : شهر تبریز). , 1394; 2(3): 47-64. doi: 10.22103/juas.2016.1809

بررسی روند تغییرات رشد و گسترش شهری و عوامل مؤثر بر آن با استفاده از شبکۀ عصبی مصنوعی (مطالعه موردی : شهر تبریز)

جغرافیای اجتماعی شهری
مقاله 3، دوره 2، شماره 3 - شماره پیاپی 4، آذر 1394، صفحه 47-64    اصل مقاله (2.36 M)
نوع مقاله: مقالۀ پژوهشی (کاربردی - توسعه ای)
شناسه دیجیتال (DOI): 10.22103/juas.2016.1809
نویسندگان
جواد سدیدی* 1؛ سجاد مهدوی2؛ احمد زنگانه3
1استادیار گروه سنجش از دور و سیستم اطّلاعات جغرافیایی، دانشگاه خوارزمی، تهران، ایران
2دانشجوی ارشد جغرافیا و دفاع مقدس، دانشگاه ارومیه، ارومیه، ایران
3استادیار گروه جغرافیا و برنامه ریزی شهری، دانشگاه خوارزمی، تهران، ایران
چکیده
پیش­بینی رشد شهر و محل­هایی که در آینده مورد دست ­اندازی ساخت و سازهای شهری قرار می­گیرند بسیار مهم است؛ از جمله مواردی که می­توان اشاره کرد برنامه ­ریزی مدیران شهری برای مدیریت آینده شهر و حتی برنامه­ ریزی شهروندان برای سرمایه­ گذاری است. در این تحقیق، روند تغییرات توسعه شهری شهر تبریز با استفاده از شبکه عصبی مصنوعی انجام گرفته است. برای این کار، تصاویر چند زمانۀ سنجندۀ TM لندست برای سال­های 1990، 2000 و 2010 مورد استفاده قرار گرفت. برای طبقه ­بندی تصاویر از الگوریتم حداکثر احتمال استفاده شد؛ همچنین بارزسازی تغییرات طبقات کاربری اراضی زمین با استفاده از روش مقایسه پس از طبقه ­بندی صورت گرفت. در این تحقیق از شبکه عصبی مصنوعی پیش­رونده استفاده شد و برای به­ دست آوردن وزن­ها از الگوریتم پس انتشار استفاده شد. متغییرهای ورودی برای این شبکه عصبی شامل لایه­ های: فاصله از جاده ­های اصلی، فاصله از مناطق دایر، فاصله از مراکز خدماتی، شیب و ارتفاع بود. نقش عوامل زمین­ شناسی و تکتونیکی (گسل) نیز در نظر گرفته شد. برای اعتبارسنجی مدل پیش­بینی برای سال 2010 صورت گرفت و با تصویرطبقه ­بندی شده مقایسه شد که نشان­ دهنده صحّت 96 درصدی مدل بود. نتایج این تحقیق، نشان ­دهنده رشد روز افزون مناطق شهری و تخریب پوشش گیاهی و کشاورزی از ابتدای دورۀ مطالعاتی بوده، به ­طوری که پیش­بینی می­شود در دورۀ  بین سال­های2010 تا 2030 بیش از 16000 واحد از زمین­های غیر شهری به مناطق شهری تبدیل شود. همچنین نتایج این مطالعه نشان دهنده میل گسترش شهری به سمت جنوبشرقی شهر است.
کلیدواژه‌ها
شبکۀ عصبی مصنوعی؛ شبیه سازی؛ رشد شهری؛ تبریز؛ سیستم اطّلاعات جغرافیایی
مراجع
 امیری، رضا. علیمحمدی، عباس و سیدکاظم علوی پناه. (۱۳۸۶). مطالعۀ تغییرپذیری فضایی ـ زمانی در ارتباط با کاربری/ پوشش زمین در منطقه شهری تبریز با استفاده از داده های حرارتی و انعکاسی TM و ETM+ لندست. محیط شناسی، شمارۀ ۴۳.
علوی پناه، سید کاظم. (۱۳۹۲). کاربرد سنجش از دور در علوم زمین (علوم خاک). تهران: انتشارات دانشگاه تهران، چاپ چهارم.
 فاطمی، سید باقر و رضایی، یوسف. (۱۳۸۹). مبانی سنجش از دور. انتشارات آزاده، چاپ دوم.
رضازاده، راضیه و میراحمدی، مهرداد (۱۳۸۸). مدل اتوماسیون سلولی روش نوینی در شبیه سازی رشد شهری، نشریه فناوری آموزش، جلد ۴، شمارۀ ۶.
زارع، مهدی. (۱۳۸۰). خطر زمین لرزه و ساخت و ساز در حریم گسل شمال تبریز و حریم گسلش گسل های زمین لرزه ای ایران. پژوهشنامه زلزله شناسی و مهندسی زلزله، سال ۴، شمارۀ ۲و ۳.
کامیاب، حمیدرضا و همکاران. (۱۳۹۰). کاربرد شبکۀ عصبی مصنوعی در مدل سازی توسعه شهری (مطالعۀ موردی: شهر گرگان). پژوهش های جغرافیایی انسانی، شمارۀ ۷۶. صص ۹۹-۱۱۳.
محمودی، سلمان و همکاران. (۱۳۹۴). بررسی میزان برابری، نابرابری و برخورداری مناطق شهرداری تبریز با استفاده از روش تاپسیس. اولین همایش علوم زمین و توسعه شهری، تبریز.
 Alkheder,S.&Shan;J., (2005). Urban growth simulation using remote sensing imagery and neural networks. In Third international symposium remote sensing and data fusion over urban areas (URBAN 2005) and the ۵th international symposium on remote sensing of urban areas (URS 2005), pp:14-16.
Araya, Y.H., (2009). Urban land use change analysis and modeling: a case sudy Setubal and Sesimbra Portugal Thesis , Institute for geoinformatics University of Munster
 Asghari Zamani, A., (2007). Evaluation and prediction of spatial expansion in cites (Case study: zanjan city). Ph.d Department of Geography and urban planning in Tabriz university.
 Atkinson, P.M., Tatnall, A.R.L., (1997). Introduction neural networks in remote sensing. International Journal of remote sensing, 18(4), pp: 699-709
Bella, K.P., Irwin, E.G., (2002). Spatially Explicit Micro-level Modeling of Land Use Change the Rural–urban Interface, Agricultural Economics, No,27, pp: 217-232.
 Carpenter, G.A., Gjaja, M.N., Gopal, S., Woodcock, C.E., (1997). ART neural networks for remote sensing: vegetation classification from Landsat TM and terrain data. Geoscience and Remote Sensing, IEEE Transactions on, 35(2), pp: 308-325.
 Chander, G., Markham, B.L., Helder, D.L., (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote sensing environment, 113(5), pp: 893-903.
 Jensen, J.R., (2005). Introductory digital image processing: a remote sensing perspective.
Karul, C., Soyupak, S., (2003). A comparison between neural network based and multiple regression models for chlorophyll-a estimation. In Ecological Informatics (pp. 249-263). Springer Berlin Heidelberg
Pauchard, A., Aguayo, M., Peña, E., Urrutia. R., (2006). Multiple Effects of Urbanization on the Biodiversity of Developing Countries: The Case of a Fast-growing Metropolitan Area (Concepción, Chile), Biological Conservation, No,127, pp: 272-281.
Rumelhart, D.E., Hinton, G., Williams, R., (1986). Learning internal representations by error propagation. In D.E. Rumelhart & J.L. McClelland (Eds.), Parallel Distributed Processing Cambridge, MA: MIT Press, pp: 318-362.
 Rezazade, R., Mirahmadi, M., (2009). Cellular automata, a new approach in urban growth simulation. Journal of education technology, 4 (4).
Tayyebi, A., Pijanowski, B.C., Tayyebi, A.H. (2011). An urban growth boundary model using neural networks, GIS and radial parameterization: An application to Tehran, Iran. Landscape and Urban Planning,100(1), pp: 35-44.
Tayyebi, A. Christopher Pijanowski, B. Pekin, B., (2011). Two rule-based Urban Growth Boundary Models applied to the Tehran Metropolitan Area, Iran. Applied Geography, No,31, pp: 908-918.
 Triantakonstantis, D., Stathakis, D., (2015). Urban Growth Prediction in Athens, Greece, Using Artificial Neural Networks. Int. J. Civil Struct. Constr. Archit. Eng, 9, pp:193-197
 Werbos, P., (1974). Beyond regression: New tools for prediction and analysis in the behavioral Sciences. PhD Thesis, Cambridge, MA: Harvard University.
 Zarei, R., Alsheikh, A.A., (2012). Modeling of Urban development using cellular automata and genetic algorithm, case study: Shiraz City. Journal of Research and Planning, 3(11).

آمار
تعداد مشاهده مقاله: 754
تعداد دریافت فایل اصل مقاله: 756


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب