پیش بینی رشد آتی شهر رشت

استفاده از تصاویر ماهواره ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش بینی مناطق ساخته شده شهری در دهه های اخیر توسعه یافته است. مهم ترین گام در پیش بینی رشد مناطق شهری، استخراج ویژگی های سطح شهر با دقت و صحت بالا و مهم ترین چالش در این راه پیچیدگی عوارض شهری و مسائل فنی ویژه ای مانند پیکسل های مخلوط است.

مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد.

هدف از تحقیقی که به تازگی در این راستا انجام شده است، استفاده از مدل های تجزیه و تحلیل زیر پیکسل، برای استخراج عوارض سطحی شهر رشت به منظور پیش بینی برای تغییرات رشد آتی این شهر است. به این منظور از سه تصویر از نوع لندست که مربوط به سال های؛ 0991 (سنجنده TM)، 2002 (سنجنده ETM) و 5102 (سنجنده OLI/TIRS) بوده اند استفاده شده است.

علاوه بر این نیز روش تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA)، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه های کسری پوشش به عنوان لایه های ورودی و عضوهای پایانی به عنوان نمونه های آموزشی و الگوریتم حداکثر احتمال به عنوان الگوریتم طبقه بندی کننده استفاده شد.

در نتیجه این فرایند، صحت کلی بالای 99% و ضریب کاپای بالای 89/0 برای تصاویر سه دوره بدست آمد. به منظور پیش بینی رشد شهری با شبکه عصبی در این تحقیق از مدل پرسپترون چند لایه (MLP) با الگوریتم یادگیری پس انتشار (BP) استفاده شد. نتایج مقایسه خروجی مدل با نقشه طبقه بندی سال 2015، ضریب کاپای 29%، کاپای استاندارد 98% و کاپای طبقه ای (برای طبقه ساخته شده) 39% را نشان داد.

شایان ذکر است که مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد.

منبع: بهرام جمعه زاده، سیروس هاشمی، علی درویشی بلورانی، مجید کیاورز، 1394. کاربرد تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA) جهت استخراج مناطق ساخته شده شهری و استفاده از آن در شبکه عصبی مصنوعی (MLP) برای پیش بینی رشدآتی شهر، فصلنامه اطلاعات جغرافیایی (سپهر)، سال بیست و چهارم، شماره 96

لینک منبع