[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 324
نرخ پذیرش: 63.1
نرخ رد: 36.9
میانگین داوری: 208 روز
میانگین انتشار: 345 روز
..
:: دوره 3، شماره 2 - ( 6-1394 ) ::
جلد 3 شماره 2 صفحات 109-89 برگشت به فهرست نسخه ها
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
حسین عسگریان عمران ، پرهام پهلوانی*
دانشگاه تهران
چکیده:   (6872 مشاهده)

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.

واژه‌های کلیدی: پیش‌بینی تغییرات چندگانه کاربری اراضی، همسایگی، رگرسیون منطقی، زنجیره مارکوف، MOLA
متن کامل [PDF 2127 kb]   (2784 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: 1394/12/21 | پذیرش: 1394/12/21 | انتشار: 1394/12/21
فهرست منابع
1. [1] F. Hosseinali, "Developing an Agent-Based Model with Spatial Optimization for LandUse Development in GIS", Ph.D Thesis, Department of Geospatial Information Systems, Faculty of Geodesy and Geomatics at K.N.T University of Technology, 2012.
2. [2] S. Mohammady, M. R. Delavar, "Urban Expansion Modeling with Logistic Regression", JGST, Vol. 4., No. 2, pp. 77-86.
3. [3] A. Estelaji, N. Hosseinzadeh, "Challenges of globalization in developing countries, with emphasis on Iran", Quarterly Geographical Journal of Territory (Sarzamin), Vol. 10, pp. 31-52, 2013.
4. [4] B. C. Pijanowski, D. G. Brown, B. A. Shellito, and G. A. Manik, "Using neural networks and GIS to forecast land use changes: a land transformation model", Computers, environment and urban systems, Vol. 26, pp. 553-575, 2002. [DOI:10.1016/S0198-9715(01)00015-1]
5. [5] A. Tayyebi, M. R. Delavar, M. J. Yazdanpanah, B. C. Pijanowski, S. Saeedi, and A. H. Tayyebi, "A spatial logistic regression model for simulating land use patterns: a case study of the Shiraz Metropolitan area of Iran," in Advances in earth observation of global change, ed: Springer, pp. 27-42, 2010. [DOI:10.1007/978-90-481-9085-0_3]
6. [6] X. Li and A. G.-O. Yeh, "Neural-network-based cellular automata for simulating multiple land use changes using GIS", International Journal of Geographical Information Science, Vol. 16, pp. 323-343, 2002. [DOI:10.1080/13658810210137004]
7. [7] M. Batty and Y. Xie, "From cells to cities", Environment and planning B, Vol. 21, pp. 31-48, 1994. [DOI:10.1068/b21S031]
8. [8] R. Zarei, A. A. Alesheikh, "Urban growth modeling with cellular automata and genetic algorithm", Research and Urban Planning, No. 11, pp. 1-16, 2012.
9. [9] X. Yang, X.Q. Zheng, and L.N. Lv, "A spatiotemporal model of land use change based on ant colony optimization, Markov chain and cellular automata", Ecological Modelling, Vol. 233, pp. 11-19, 2012. [DOI:10.1016/j.ecolmodel.2012.03.011]
10. [10] S. Dezhkam, B. J. Amiri, A. A. Darvishsefat, and Y. Sakieh, "Simulating the urban growth dimensions and scenario prediction through sleuth model: a case study of Rasht County, Guilan, Iran", GeoJournal, Vol. 79, pp. 591-604, 2014. [DOI:10.1007/s10708-013-9515-9]
11. [11] G. Chaudhuri and K. C. Clarke, "Temporal accuracy in urban growth forecasting: A study using the SLEUTH model", Transactions in GIS, Vol. 18, pp. 302-320, 2014. [DOI:10.1111/tgis.12047]
12. [12] D. G. Kleinbaum and M. Klein, Logistic regression: a self-learning text: Springer Science & Business Media, 2010. [DOI:10.1007/978-1-4419-1742-3]
13. [13] A. Tayyebi, P. C. Perry, and A. H. Tayyebi, "Predicting the expansion of an urban boundary using spatial logistic regression and hybrid raster–vector routines with remote sensing and GIS", International Journal of Geographical Information Science, Vol. 28, pp. 639-659, 2014. [DOI:10.1080/13658816.2013.845892]
14. [14] A. Mondal, D. Khare, S. Kundu, and P. K. Mishra, "Detection of land use change and future prediction with Markov chain model in a part of Narmada River Basin, Madhya Pradesh", in Landscape Ecology and Water Management, ed: Springer, 2014, pp. 3-14. [DOI:10.1007/978-4-431-54871-3_1]
15. [15] J. J. Arsanjani, M. Helbich, and E. de Noronha Vaz, "Spatiotemporal simulation of urban growth patterns using agent-based modeling: the case of Tehran", Cities, Vol. 32, pp. 33-42, 2013. [DOI:10.1016/j.cities.2013.01.005]
16. [16] M. R. Muller and J. Middleton, "A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada", Landscape Ecology, Vol. 9, pp. 151-157, 1994.
17. [17] J. R. Eastman, H. Jiang, and J. Toledano, "Multi-criteria and multi-objective decision making for land allocation using GIS", in Multicriteria analysis for land-use management, ed: Springer, 1998, pp. 227-251. [DOI:10.1007/978-94-015-9058-7_13]
18. [18] S.-H. Wang, S.-L. Huang, and W. W. Budd, "Integrated ecosystem model for simulating land use allocation", Ecological Modelling, Vol. 227, pp. 46-55, 2012. [DOI:10.1016/j.ecolmodel.2011.12.009]
19. [19] H. Wu, L. Zhou, X. Chi, Y. Li, and Y. Sun, "Quantifying and analyzing neighborhood configuration characteristics to cellular automata for land use simulation considering data source error," Earth Science Informatics, Vol. 5, pp. 77-86, 2012. [DOI:10.1007/s12145-012-0097-8]
20. [20] J. Jokar Arsanjani, "Dynamic Land-Use/Cover Change Simulation: Geosimulation and Multi Agent-Based Modelling," ed: Springer Theses, Springer Verlag, 2012. [DOI:10.1007/978-3-642-23705-8]
21. [21] R. G. Pontius, "Quantification error versus location error in comparison of categorical maps", Photogrammetric engineering and remote sensing, Vol. 66, pp. 1011-1016, 2000.
22. [22] A. A. Alsharif and B. Pradhan, "Urban sprawl analysis of Tripoli Metropolitan city (Libya) using remote sensing data and multivariate logistic regression model", Journal of the Indian Society of Remote Sensing, Vol. 42, pp. 149-163, 2014. [DOI:10.1007/s12524-013-0299-7]
23. [23] R. G. Pontius and L. C. Schneider, "Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA", Agriculture, Ecosystems & Environment, Vol. 85, pp. 239-248, 2001. [DOI:10.1016/S0167-8809(01)00187-6]
24. [24] Statistical Centre of Iran: "www.amar.org.ir," 2010.
25. [25] L. Qiuying, F. Chuanglin, L. Guangdong, and R. Zhoupeng, "Quantitative Measurement of Urban Expansion and its Driving Factors in Qingdao: an Empirical Analysis Based on County Unit Data," Journal of Resources and Ecology, Vol. 6, pp. 172-179, 2015. [DOI:10.5814/j.issn.1674-764x.2015.03.006]
26. [26] B. Pijanowski, A. Tayyebi, M. Delavar, and M. Yazdanpanah, "Urban expansion simulation using geospatial information system and artificial neural networks", International Journal of Environmental Research, Vol. 3, No. 4, pp. 493-502, 2010.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Askarian Omran H, Pahlavani P. 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. jgit 2015; 3 (2) :89-109
URL: http://jgit.kntu.ac.ir/article-1-233-fa.html

عسگریان عمران حسین، پهلوانی پرهام. 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. مهندسی فناوری اطلاعات مکانی. 1394; 3 (2) :89-109

URL: http://jgit.kntu.ac.ir/article-1-233-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 3، شماره 2 - ( 6-1394 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.1 seconds with 37 queries by YEKTAWEB 4660