Journal of Geospatial Information Technology

fa استفاده از زنجیره مارکوف، MOLA و فیلتر همسایگی به منظور توسعه و افزایش کارآیی رگرسیون منطقی در پیش‌بینی تغییرات چندگانه کاربری اراضی؛ مطالعه موردی: شهر تهران Using of Markov Chain, MOLA, and Neighborhood filter for developing and increasing the efficiency of Logistic Regression to predict multiple land-use changes, a case study: Tehran پژوهشي Research برای پیش‌بینی دقیق‌تر آینده شهر باید مدل‌سازی برای تمام کاربری‌های موجود در شهر انجام گیرد. روش رگرسیون منطقی تنها قادر به مدل‌سازی توسعه شهر به صورت دو متغیره (شهری و غیرشهری) است. هم‌چنین این روش در مرحله تخصیص مکانی، تأثیر پارامتر همسایگی را در نظر نمیگیرد. با توجه به این موضوع، هدف اصلی این مقاله ارائه روشی جهت مدلسازی چندگانه تغییرات کاربری اراضی و اعمال پارامتر همسایگی در مرحله تخصیص مکانی است تا بدین ترتیب دقت مدلسازی افزایش یابد. در روش پیشنهادی، ابتدا مدل‌سازی با استفاده از رگرسیون منطقی برای هر کاربری به صورت مجزا انجام گرفت. در این تحقیق، نتایج حاصل از رگرسیون منطقی به‌عنوان نقشه شایستگی برای تخصیص مکانی، با استفاده از روشهای زنجیره مارکوف و ترکیبی همسایگی و تخصیص چندهدفه زمین  (MOLA)  با هم ترکیب شدند و نقشه کاربری اراضی سال هدف تهیه شد. بنابراین در این تحقیق با استفاده از نقشه کاربری اراضی سال‌های 2002 و 2008 و با تأثیر پارامتر همسایگی، نقشه کاربری اراضی سال 2014 پیشبینی گردید و با مقایسه آن با نقشه مرجع سال 2014 دقت مدل‌سازی به دست آمد. نقشه‌های مرجع کاربری اراضی با طبقهبندی تصاویر ماهواره لندست در سالهای 2002، 2008 و 2014 با روش ماشین بردار پشتیبان به دست آمدند. این روش در چهار حالت مختلف اجرا شد. در سه حالت، تأثیر همسایگی با کرنلهای 3×3، 5×5 و 7×7 مورد بررسی قرار گرفت و در حالت آخر پیشبینی بدون در نظر گرفتن همسایگی انجام شد. سپس دقت چهار حالت با استفاده از نقشه مرجع سال 2014 با یکدیگر مقایسه شد. دقت روش با استفاده از معیارهای دقت کلی، شاخص کاپا و کاپای مکانی در بهترین حالت به ترتیب 26/84 درصد، 35/76 درصد و 3/79 درصد به دست آمد. سپس، دقت مدلسازی هر کاربری نیز به صورت جداگانه با استفاده از روش ROC ارزیابی شد که نتایج نشان از توانایی بالای روش پیشنهادی داشت. درنهایت نقشه کاربری اراضی سال 2020 در دو سناریو مختلف پیشبینی شد. To reach a more  accurate prediction of future of a city, modeling must be done for all land-uses of the town. Logistic regression only can model a bivariate urban growth, i.e., urban and non-urban. Also, this method cannot consider the neighborhood effects in the allocation process. Due to this issue, the aim of this paper is to provide a method for modeling multiple land-use changes and applying the neighborhood parameter in allocation process, and thereby increasing the accuracy of modeling. So, in this article, we predicted the land-use map of the year 2014, using the land-use maps of the years 2002 and 2008 by considering the effects of the neighborhood parameter and by comparing the predicted land-use map of the year 2014 with the reference map of 2014, the accuracy of  the model was obtained. Reference land-use maps were obtained using classification of Landsat images of 2002, 2008, and 2014 using the Support Vector Machine (SVM) method. In the proposed method, the first modeling was performed separately using the Logistic Regression method for each land-use. Then the results of the Logistic Regression as a Competency Map for allocation process were combined with the Markov Chain and a combined method of MOLA-Neighborhood to obtain the land-use map of 2014. The procedure was performed in 4 different scenarios. In three of them, the neighborhood effects was considered as 3×3, 5×5, and 7×7 kernel and in the last one, modeling was performed without considering neighborhood effects.  The accuracy of 4 scenarios was compered using the reference map of 2014. In the best scenario the accuracy of method was obtained using overall accuracy, kappa index and location about 84.26 % and 76.35 %, and 79.3 %. Finally, the accuracy of each land-use category was evaluated separately using the ROC, which indicates the capability of the proposed approach of this paper.  Finally, the land-use map of the year 2020 was predicted in two different scenarios. پیش‌بینی تغییرات چندگانه کاربری اراضی, همسایگی, رگرسیون منطقی, زنجیره مارکوف, MOLA Multiple Land use Changes, Neighborhood, Logistic Regression, Markov Chain, MOLA 89 109 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-57&slc_lang=fa&sid=1 Hosein Askarian Omran حسین عسگریان عمران 10031947532846004622 10031947532846004622 No University of Tehran دانشگاه تهران Parham Pahlavani پرهام پهلوانی Pahlavani@ut.ac.ir 10031947532846004623 10031947532846004623 Yes University of Tehran دانشگاه تهران