ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Land use change detection and prediction using Similarity Weighted Instance-based Learning, A Case Study: Tehran, Iran

سال انتشار: 1399
کد COI مقاله: NGTU02_070
زبان مقاله: انگلیسیمشاهده این مقاله: 69
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Land use change detection and prediction using Similarity Weighted Instance-based Learning, A Case Study: Tehran, Iran

Ali Babaeian - GIS M.Sc. Student at School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran
Parham Pahlavani - Assistant Professor at School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran
Behnaz Bigdeli - Assistant Professor at School of Civil Engineering, Shahrood University of Technology, Shahrood, Iran

چکیده مقاله:

The development of cities cannot be considered useful or harmful itself, but it will have irreparable consequences if this development is unplanned and unbridled. Unplanned land use changes in cities not only disrupt urban management but also cause damage to the environment. Therefore, modelling and predicting these changes can play a significant role in urban management planning. In this study, a way to model and predict multiple land changes has been provided. In this regard, a similarity weighted instance-based learning method was used. In this study, Landsat satellite images were used in ۲۰۰۲, ۲۰۰۸ and ۲۰۱۴ to extract the land use map using the support vector machine (SVM) classification method. Modelling was performed to reach the probability of change map, where pixels with higher probability indicated that they belong to the intended land use class. The Multi Objective Land Allocation (MOLA) method then identified potential areas for land use change for each land use class for ۲۰۲۰, using maps of the probability of land use change from the changeable area between ۲۰۰۲ and ۲۰۰۸. Kappa coefficients are obtained for two algorithms. Results showed the high capability of the proposed method used.

کلیدواژه ها:

Markov chain ، Cellular automata ، Land use change Prediction ، Similarity Weighted Instance-based Learning

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا NGTU02_070 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1249710/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Babaeian, Ali and Pahlavani, Parham and Bigdeli, Behnaz,1399,Land use change detection and prediction using Similarity Weighted Instance-based Learning, A Case Study: Tehran, Iran,The First International Conference and the Second National Conference on New Geomatics Technologies and Applications,Tabriz,https://civilica.com/doc/1249710

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399, Babaeian, Ali؛ Parham Pahlavani and Behnaz Bigdeli)
برای بار دوم به بعد: (1399, Babaeian؛ Pahlavani and Bigdeli)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 70,224
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی