یافتن مدل مستحکم برای پیش بینی رشد شهری مبتنی بر طبقه بندی کاربری اراضی و پوشش زمین: مطالعه ای تطبیقی از مدل های مبتنی بر زنجیره مارکوف سلولی (CA-Markov)، شامل LCM و MOLUSCE

زمینه پژوهش: داده های علمی در خصوص کاربری اراضی و پوشش زمین (LULC) در آینده، برای تدوین برنامه ریزی های دقیق کاربری اراضی به منظور تامین نیازهای رو به رشد بشر و رفاه عمومی، بدون ایجاد آسیب های ماندگار به محیط زیست، امری بنیادین محسوب می شود.اهداف پژوهش: این مقاله تلاشی است برای شناسایی مدل مستحکم (Robust) میان مدل های مبتنی بر «زنجیره مارکوف سلولی» (CA-Markov)، شامل «مدل ساز تغییرات اراضی» (LCM) در نرم افزار IDRISI و مدل MOLUSCE (به عنوان افزونه نرم افزار QGIS)، جهت پیش بینی رشد شهری برای سال ۲۰۲۰، با استفاده از پویایی های کاربری اراضی/پوشش زمین در بازه زمانی ۲۰۰۰ تا ۲۰۱۰ در شهر جیپور هند و شهر آستین در ایالات متحده آمریکا.روش شناسی: نقشه های پیش بینی شده با نقشه های مشاهده شده (واقعی) مقایسه شدند و دقت آن ها از طریق معادلات ریاضی و همچنین ابزار «ارزیابی آماری شاخص کاپا» (Kappa Index Statistic) در افزونه MOLUSCE مورد سنجش قرار گرفت.یافته ها: نتایج حاصل از روش CA-Markov در مقایسه با مدل MOLUSCE، مستحکم تر و دقیق تر است. بنابراین، به مقامات دولتی و غیردولتی قویا توصیه می شود که برای ایجاد تاب آوری شهری، پویایی های LULC و پیش بینی های رشد شهری را مورد مطالعه قرار دهند.نتیجه گیری: این مطالعه همچنین بر اهمیت یکپارچه سازی داده های شبکه معابر (Road Network) در بهبود دقت پیش بینی تاکید دارد. یافته های این پژوهش به توسعه راهبردهای برنامه ریزی شهری پایدار در شهرهای با رشد سریع کمک می کند.

کلیدواژه ها:

پیش بینی ، LULC ، رشد شهری ، LCM ، مدل MOLUSCE ، مدل Robust ، شهر جیپور