چکیده:
در کشورهای در حال توسعه، تمایل زیاد برای تمرکز جمعیت در مناطق شهری و بهتبع آن رشد سریع و ناموزون شهرها سبب شده است که طراحان و برنامهریزان شهری، استفاده از سیاستها و راهکارهای مناسب را جهت اجتناب از تأثیرات مخرب زیستمحیطی و اجتماعی- اقتصادی در دستور کار قرار دهند. در این راستا، اطلاعات مکانی و زمانی مرتبط با الگوهای نرخ رشد، درک بهتری را از فرآیند رشد شهری فراهم نموده و ابزارهای مناسب را جهت اخذ سیاستهای مدیریتی و برنامهریزی در اختیار مدیران شهری قرار میدهند. لذا هدف اصلی این پژوهش، محاسبه احتمال تغییر رشد شهر مشهد با استفاده از روشهای رگرسیون لجستیک و شبکه عصبی مصنوعی میباشد. برای اینمنظور، جهت تهیه نقشه کاربری اراضی، از تصاویر ماهوارهای لندست 7 (سال 2002) و لندست 8 (سال 2015) استفاده شد. سپس با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (MLP)، طبقهبندی تصاویر انجام شد و نقشههای کاربری اراضی شهری با دقت کلی 948/0 و شاخص کاپای 936/0 برای سال 2002 و همچنین دقت کلی 817/0 و شاخص کاپای 775/0 برای سال 2015 استخراج شدند. در نهایت، با اجرای رگرسیون لجستیک بین نقشه کاربری اراضی شهری سال 2015 (بهعنوان متغیر وابسته) و فاکتورهای مؤثر از جمله عوامل فیزیکی و عوامل انسانی بههمراه نقشه اراضی سال 2002 (بهعنوان متغیرهای مستقل)، نقشه پتانسیلی پیشرفت اراضی شهری تهیه شد. ارزیابی مدل رگرسیونی ایجادشده با استفاده از دو شاخص Pseudo-R<sup>2</sup> و ROC نشان داد که این مدل با مقدار ROC معادل 87/0 و مقدار Pseudo-R<sup>2</sup> برابر 345/0 دارای قابلیت بالایی جهت نمایش تغییرات و تعیین مناطق مستعد تغییر میباشد و میتوان برازش مدل را نسبتاً خوب در نظر گرفت.
خلاصه ماشینی:
همچنین جهت تهیه نقشه کاربری اراضی، از تصاویر ماهواره لندست ٧ (سـال ٢٠٠٢) و لندسـت ٨ (سـال ٢٠١٥) استفاده شد و با اعمال شبکه عصبی مصنوعی پرسپترون چند لایه ٣(MLP)، طبقه بندی تصاویر انجام شد و نقشه کـاربری 1Ayto Logistic Regression 2Cellular Automata 3Muli-Layer Perceptron اراضی حاصل شد .
(رجوع شود به تصویر صفحه) با توجه به نتایج به دست آمدده از جدول های بالا، میتوان عنوان نمود که دقت کلی ٠/٩٤٨ و شاخص کاپای ٠/٩٣٦ بـرای سال ٢٠٠٢ و همچنین دقت کلی ٠/٨١٧ و شاخص کاپای ٠/٧٧٥ برای سـال ٢٠١٥ نشـان دهنـده تـوان بـالای شـبکه عصـبی پرسپترون چند لایه جهت طبقه بندی تصاویر است .
(رجوع شود به تصویر صفحه) اجرای مدل رگرسیون لجستیک : در این پژوهش نقشه کاربری اراضی ساخته شده سال ٢٠١٥ (شکل ١١ (ب )) به عنوان متغیر وابسته و همچنین نقشه کاربری اراضی ساخته شده سال ٢٠١٢ (شکل ١١ (الف )) و فاکتورهای انتخاب شده (دسترسی به خطوط مواصلاتی شهر، دسترسی به ایستگاه های اتوبوس ، دسترسی به ایستگاه های مترو، اثر شیب ، فاصله از مراکز تجاری اصلی شهر، تسهیلات دولتی و میزان تقاضای زمین ) به عنوان متغیرهای مستقل به رگرسیون معرفی شدند.
با انجام رگرسیون لجستیک بین نقشه کاربری اراضی شهری سال ٢٠١٥ به عنوان متغیر وابسته (ماهیت شهری- غیر شهری) و نقشه فازی سازیشده فاکتورهای دسترسی به خطوط مواصلاتی شهر، دسترسی به ایستگاه های اتوبوس ، دسترسی به ایستگاه های مترو، اثر شیب ، فاصله از مراکز تجاری اصلی شهر، تسهیلات دولتی و میزان تقاضای زمین و همچنین نقشه اراضی سال ٢٠٠٢ به عنوان متغیرهای مستقل جهت تعیین وزن فاکتور- ها انتخاب شدند.