مدلسازی توسعه شهری با استفاده از رویکردهای پیشپردازش آماری و مدل پرسپترون چند لایه (نمونه موردی: کلان شهر تهران)

پایداری در توسعه شهری به علت سطوح بالای شهرنشینی تقریبا در کل بخش­های جهان، به یک موضوع مهم تبدیل شده است. بنابراین برای رسیدن به توسعه پایدار شهری و همچنین تصمیم­گیری بهتر برای جهت­دهی توسعه در آینده، بازبینی دائمی فرآیندهای دینامیک شهری با توجه به توسعه در گذشته و پیش­بینی آن در آینده، اجتناب­ناپذیر است. هدف پژوهش حاضر، مدل­سازی و پیشبینی توسعه کلان­شهر تهران با استفاده از روش رگرسیون حداقل مربعات معمولی (OLS) و مدل شبکه عصبی مصنوعی (پرسپترون چندلایه (MLP)) با در نظر گرفتن دوره ۱۱ ساله ۱۳۸۵_۱۳۷۴ است. برای این منظور ابتدا، معیارهای موثر در فرآیند توسعه شهری از سازمان­های مربوط جمعآوری، آنالیز و آماده­سازی شدند و نقشه­های کاربری زمین برای سالهای مورد­نظر از تصاویر ماهواره لندست استخراج شد و با استفاده از داده­های اتوکد سازمان نقشه­برداری و نقشه­های موجود بهبود داده شدند. سپس صحت­سنجی نقشه­ها و آشکارسازی تغییرات انجام شد. نتایج آشکارسازی تغییرات با ضریب کاپای ۸۵/۹۱% نشان می­دهد که بیشترین افزایش مساحت در مناطق ساخته شده (۳۸/۵۸۸۶ هکتار) و بیشترین کاهش مساحت در زمین باز (۸۹/۵۳۲۸ هکتار) رخ داده است. بر مبنای این تغییرات و برای اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیش­پردازشی روی این معیارها صورت گرفت. در مرحله بعد با در­نظرگرفتن خروجی روش OLS، ۱۱ متغیر مستقل بعنوان ورودی به مدل انتخاب شدند. سپس مدل­سازی پتانسیل تبدیل کاربری برای سال ۱۳۹۶، با استفاده از روش MLP انجام شد و با روش زنجیره مارکف نقشه کاربری اراضی برای سال ۱۳۹۶ پیش­بینی شد. در نهایت نتایج نشان داد که پیش­بینی صورت گرفته نسبت به مطالعات گذشته به واقعیت­های زمینی نزدیک­تر است و بیشترین میزان توسعه در سال ۱۳۹۶ در بخش­های شرقی، شمال غرب و غرب کلان­شهر تهران رخ خواهد داد. ۲- روششناسی برای دستیابی به اهداف این مطالعه، ابتدا معیارهای موثر در فرآیند توسعه شهری از سازمانهای مربوط جمعآوری، آنالیز و آماده سازی شدند. نقشههای کاربری زمین برای دوره مورد مطالعه (۱۳۸۵-۱۳۷۴) از تصاویر ماهواره لندست استخراج شد و با استفاده از داده اتوکد و نقشههای موجود بهبود داده شدند. سپس صحتسنجی نقشهها و آشکارسازی تغییرات انجام گرفت و بر مبنای این تغییرات، به منظور اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیشپردازش روی این معیارها صورت گرفت. در مرحله بعد با در نظر گرفتن خروجی روش OLS، متغیرهای مستقل به عنوان ورودی به مدل انتخاب شدند. در نهایت، با استفاده از روش MLP مدلسازی پتانسیل تبدیل هر کاربری انجامگرفته و با بهکارگیری روش زنجیره مارکوف نقشه کاربری اراضی برای سال ۱۳۹۶ پیشبینی شد. ۳- بحث در مطالعه حاضر، رگرسیون حداقل مربعات معمولی (OLS) و مدل شبکه عصبی پرسپترون چند لایه (MLP) برای شناسایی و بهبود درک ما از نیروهای اجتماعی- اقتصادی، فیزیکی و کاربری زمین که بر توسعه شهری تاثیر میگذارند، و نیز برای یافتن تاثیرات نابرابر این عوامل و محتملترین مکانها برای توسعه شهری آینده کلانشهر تهران مورد استفاده قرار گرفتند. با توجه به تنوع و تعداد بالای عوامل تاثیرگذار در این فرآیند و نتایج تحقیق میتوان اینگونه بیان کرد، که فناوریهای RS و GIS تولید و تجزیه و تحلیل حجم عظیمی از دادههای مکانی و غیر مکانی را امکانپذیر و تسریع میبخشند و یک خروجی با درجه بالایی از صحت و دقت را در کوتاهترین زمان ممکن امکانپذیر میسازند. برتری این مطالعه نسبت به مطالعات گذشته در این است، که از فرآیند پیشپردازش متغیرهای مستقل ورودی به مدل با استفاده از روش OLS استفاده شد و در نتیجه از بین دادههای موجود بهترین ترکیب انتخاب شد. در مطالعات گذشته پیشپردازشی روی متغیرهای ورودی به مدل صورت نگرفته و اگر هم انجامشده، بیشتر از روش سعی و خطا استفاده شده است. از آن جمله میتوان به تحقیق طیبی و همکاران در سال ۱۳۹۰در زمینه پیشبینی توسعه شهری گرگان و تحقیق کرم و یعقوب نژاد اصل در سال ۱۳۹۲ در زمینه توسعه کالبدی شهر کرج اشاره کرد. همچنین با بررسیهای میدانی و دور کاوی با استفاده از ابزارهای موجود، نتایج نشان داد که پیشبینی صورت گرفته نسبت به مطالعات گذشته به واقعیتهای زمینی نزدیکتر است و روند توسعه موجود را دنبال میکند.  ۴- نتیجهگیری نتایج مطالعه حاضر نشان میدهد که بیشترین میزان توسعه شهری کلانشهر تهران برای چشمانداز ۱۳۹۶ در بخشهای غربی و شرقی خواهد بود. این نتایج نشاندهنده اعتبار و صحت مدل بوده که با واقعیت کاملا سازگار و منطبق است و میتواند به عنوان مدلی اجرایی در برنامهریزیهای چشمانداز آینده کلانشهر تهران بسیار راه گشا بوده و مورد استفاده قرار گیرد. البته برای ارتقا و افزایش هر چه بیشتر ضریب اطمینان مدل، در مطالعات آتی میتوان از معیارهای تاثیرگذار بیشتری مانند مالکیت، قیمت زمین و مراکز تجاری استفاده کرد که به دلیل وجود محدودیتهایی استفاده نشدهاند، و میتوانند در فرآیند توسعه و رشد شهری کلانشهر تهران بسیار تاثیرگذار باشند.

کلیدواژه ها:

واژههای کلیدی: مدلسازی ، توسعه شهری ، پیشپردازش آماری ، رگرسیون حداقل مربعات ، شبکه عصبی ، RS ، GIS