مدل سازی پویایی های گسترش کالبدی-فضایی و پیامدهای زیست محیطی آن با رویکرد سناریوپردازی مبتنی بر یادگیری ماشین ( مطالعه موردی کلانشهر ها)

کلانشهرها در دهه های اخیر با رشد شتابان شهرنشینی و گسترش بی رویه کالبدی-فضایی مواجه بوده اند که پیامدهای گسترده ای بر ساختار فضایی، محیط زیست و کیفیت زندگی شهروندان به جای گذاشته است. پژوهش ها نشان می دهد که الگوی رشد در کلانشهر تبریز عمدتا از نوع پراکنده (Sprawl) بوده و این شهر با توسعه ای ناموزون و گسترشی فراتر از نیاز جمعیتی مواجه است. با وجود اهمیت شبیه سازی الگوهای رشد شهری برای برنامه ریزی پایدار، رویکردهای سنتی توانایی لازم برای شبیه سازی رفتارهای غیرخطی و پویای سیستم های شهری را ندارند. پژوهش حاضر با هدف مدل سازی پویایی های گسترش کالبدی-فضایی و پیامدهای زیست محیطی آن با رویکرد سناریوپردازی مبتنی بر یادگیری ماشین در کلانشهرها انجام شده است. روش پژوهش از نوع توصیفی-تحلیلی و آینده پژوهانه با رویکرد کمی مبتنی بر تلفیق سنجش از دور، مدل سازی فضایی و یادگیری ماشین است. داده های پژوهش از طریق پردازش تصاویر ماهواره ای لندست و سنتینل-۲ برای سال های ۱۳۸۵، ۱۳۹۰، ۱۳۹۵ و ۱۴۰۰، داده های مکانی شامل نقشه های کاربری اراضی، شبکه راه ها، فاصله از مرکز شهر، شیب و ارتفاع، و داده های جمعیتی و اقلیمی جمع آوری گردیده است. برای مدل سازی، الگوریتم های یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) با مدل سلول های خودکار-مارکوف (CA-Markov) تلفیق شده اند. چهار سناریوی توسعه (پایدار، توانمند، آسیب پذیر و ناپایدار) برای سال ۱۴۰۵ شبیه سازی و پیامدهای زیست محیطی هر سناریو شامل تغییرات پوشش گیاهی (NDVI)، افزایش سطوح نفوذناپذیر و تشدید جزایر حرارتی (LST) ارزیابی شده است. اعتبارسنجی نتایج مدل ها با استفاده از داده های مستقل (تصاویر ماهواره ای سال ۱۴۰۰) انجام شده است. یافته های پژوهش نشان می دهد که در بازه زمانی پانزده ساله (۱۳۸۵ تا ۱۴۰۰)، مساحت سطوح ساخته شده ۱۳.۶ درصد افزایش یافته است. در مقابل، مساحت فضای سبز ۶.۲ درصد و کشاورزی شهری ۶.۲ درصد کاهش یافته است. میانگین شاخص NDVI از ۰.۲۸ به ۰.۲۱ کاهش یافته (کاهش ۲۵.۰ درصدی) و میانگین دمای سطح زمین ۲.۶ درجه سانتی گراد افزایش داشته است. الگوریتم جنگل تصادفی با مساحت زیر منحنی ROC معادل ۰.۹۲۲۸، بالاترین عملکرد را در برآورد پتانسیل تغییر کاربری داشته است. مدل تلفیقی یادگیری ماشین-CA-Markov با دقت کلی ۰.۸۷۴ و ضریب کاپا ۰.۸۱۲، عملکرد بهتری نسبت به مدل سنتی با دقت کلی ۰.۷۹۶ و ضریب کاپا ۰.۷۴۲ داشت و دقت شبیه سازی را ۹.۸ درصد بهبود بخشید. شبیه سازی سناریوها نشان داد که سناریوی توسعه پایدار با مساحت سطوح ساخته شده ۵۲.۴ درصد، کمترین گسترش و سناریوی توسعه ناپایدار با ۶۲.۸ درصد، بیشترین گسترش را به همراه دارد. ارزیابی پیامدهای زیست محیطی نشان داد که سناریوی توسعه پایدار با کاهش ۱۹.۰ درصدی NDVI و افزایش ۱.۲ درجه سانتی گرادی LST، کمترین پیامدهای زیست محیطی منفی (شاخص ترکیبی ۰.۲۸) و سناریوی توسعه ناپایدار با کاهش ۵۷.۱ درصدی NDVI و افزایش ۳.۸ درجه سانتی گرادی LST، بیشترین پیامدهای زیست محیطی منفی (شاخص ترکیبی ۰.۸۶) را به همراه دارد. تحلیل عوامل محرک نشان داد که «فاصله از مرکز شهر»، «فاصله از شبکه راه ها» و «تراکم جمعیت» به ترتیب با ضرایب ۰.۴۲۶-، ۰.۳۸۴- و ۰.۳۴۶ بیشترین تاثیر را بر گسترش شهری داشته اند. نتایج پژوهش نشان می دهد که تلفیق الگوریتم های یادگیری ماشین با مدل سلول های خودکار-مارکوف، رویکردی کارآمد و دقیق برای مدل سازی پویایی های گسترش کالبدی-فضایی کلانشهرها و ارزیابی پیامدهای زیست محیطی آن ارائه می دهد. رویکرد سناریوپردازی با شبیه سازی چهار سناریوی توسعه، امکان شناسایی مسیرهای بهینه توسعه را فراهم می آورد و نشان می دهد که سناریوی توسعه پایدار، کمترین پیامدهای زیست محیطی منفی را به همراه دارد. تحقق توسعه پایدار در کلانشهرها نیازمند تدوین و اجرای سیاست های حفاظت از اراضی کشاورزی و فضاهای سبز، تشویق توسعه درونی و پر کردن فضاهای خالی شهری، کنترل و هدایت گسترش شهری به سمت مناطق با قابلیت توسعه، و ایجاد کمربند سبز و فضاهای باز در اطراف شهرها برای جلوگیری از گسترش بی رویه می باشد. به کارگیری سیستماتیک رویکرد تلفیقی یادگیری ماشین و سناریوپردازی در فرایندهای برنامه ریزی شهری، به عنوان پیش نیازی اساسی برای مدیریت پایدار و آینده نگرانه توسعه شهری، از الزامات اجتناب ناپذیر برای کلانشهرهای ایران محسوب می شود.