دوره 12، شماره 46 - ( زمستان 1402 )
جلد 12 شماره 46 صفحات 38-21 |
برگشت به فهرست نسخه ها
1- دانشجوی دکترا، گروه مهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه بیرجند، بیرجند، ایران.
2- دانشیار، گروه مهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه بیرجند، بیرجند، ایران. ، sahmadi@birjand.ac.ir
3- دانشیار، گروه ریاضی، دانشکده علوم، دانشگاه صنعتی بیرجند، بیرجند، ایران.
4- استادیار، گروه مهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه تربیت مدرس، نور، ایران.
2- دانشیار، گروه مهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه بیرجند، بیرجند، ایران. ، sahmadi@birjand.ac.ir
3- دانشیار، گروه ریاضی، دانشکده علوم، دانشگاه صنعتی بیرجند، بیرجند، ایران.
4- استادیار، گروه مهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه تربیت مدرس، نور، ایران.
چکیده: (334 مشاهده)
شهرها هرروز گسترده‌تر می‌شوند و نواحی پیرامون خود را با تغییر کاربری تحت تاثیر قرار میدهند درحالی‌که پیش‌بینی و یافتن عوامل مؤثر بر روند رشد شهری هرروز اهمیت بیشتری می‌یابند. به این منظور برنامه‌ریزی برای رشد شهری با مدلسازی و پیش بینی تغییر کاربری و توسع هشهری به‌منظور هدایت مدیریت‌شده و حفاظت از محیط‌زیست و کاربریها نیازمند درک صحیح از علل و پیامدهای رشد شهری است. در این راستا مدل‌های توسعه شهری و تغییر کاربری توسعه می‌یابند تا درک بهتری از چگونگی رشد شهری به انسان بدهند. الگوریتم گرگ خاکستری(GWO) یک الگوریتم فرا ابتکاری الهام گرفته از طبیعت برای بهینه‌سازی انتخاب در مسائل پیچیده است که بر اساس زندگی اجتماعی گرگ‌های خاکستری توسعه‌یافته است. در این پژوهش مدل سلول‌های خودکار شهری با الگوریتم گرگ خاکستری به‌عنوان ابزار کالیبراسیون و بهینه‌یابی در مدل توسعه شهری مشهد تلفیق و تغییر کاربری نواحی پیرامونی شهر مشهد شبیه‌سازی شد. در این مدل نواحی روستایی شمال و شمال غرب مشهد بیش از سایر نواحی تحت تأثیر توسعه شهری قرار گرفته‌اند. مدل توسعه‌یافته در پژوهش حاضر موفق شد طی 20 نسل به میزان 72.13 شاخص کاپا به‌عنوان تابع هدف دست یابد. مقادیر بهینه حاصل از اجرای الگوریتم گرگ خاکستری برای شهر مشهد ارائه‌شده است.
فهرست منابع
1. اعرابی, پ., پیرزاده, ب., و جعفری‌اصل, ج. (1400). نوسازی و ارتقای سیستم‌های توزیع آب شهری با رویکرد بهینه‌سازی چندهدفه (مطالعه موردی: بخشی از شبکه توزیع آب شهر زاهدان). مجله آب و فاضلاب, 32(1).
2. اکبری, د., مرادی زاده, م., و اکبری, م. (2020/1398). تغییرات کاربری اراضی و شبیه سازی رشد و توسعه شهری رشت با استفاده از مدل شبکه عصبی و سلول‌های خودکار زنجیره مارکوف. فصلنامه علمی و پژوهشی پژوهش و برنامه ریزی شهری, 10(39), 157-170.
3. بیدل, ح. (1393). مطالعه تغییر کاربری پوشش سرزمین و مدل سازی توسعه شهری با آتوماتای سلولی و الگوریتم ژنتیک در مشهد. (کارشناسی ارشد), دانشگاه آزاد اسلامی واحد علوم و تحقیقات, تهران.
4. جعفرزاده, ک., سبزقبایی, غ., یوسفی, ش., و سلطانیان, س. (2018/1397). مدلسازی تغییرات ساختار شهری با رویکرد برنامه ریزی فضایی برای رسیدن به توسعه پایدار شهری - مطالعه موردی: شهرقائم شهر. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 27(107), 209-222. doi: 10.22131/sepehr.2018.3357
5. دنیایی, ع., صراف, ا., و احمدی, ح. (1399). بهینه‌سازی بهره‌برداری از سد مخزنی با استفاده از الگوریتم‌های گرگ خاکستری، جستجوی کلاغ و نهنگ بر اساس حل مدل برنامه‌ریزی غیرخطی. مجله علوم آب و خاک, 24(4), 159-175.
6. زنگنه شهرکی, س., امیدی پور, م., تازش, ی., و معین مهر, آ. (2018). شبیه سازی رشد و توسعه کالبدی شهرها با بکارگیری مدل سلول‌های خودکار فازی(FCA) مطالعه موردی: شهر اهواز. جغرافیا و مطالعات محیطی, 7(27), 77-92.
7. شایسته, ک., عابدیان, س., و گلدوی, س. (2018). مدلسازی رشد شهری با استفاده از روش رگرسیون لجستیک مبتنی‌بر مدل Geomod مطالعۀ موردی: شهر کردکوی. نشریه جغرافیا و توسعه, 16(51), 43-64. doi: 10.22111/gdij.2018.3875
8. صداقتی, ع., مداحی, ع., و طالب خواه, ح. (2022). مدل سازی و پیش بینی روند گسترش و توسعه ی فیزیکی شهر بجنورد. پژوهشهای جغرافیای انسانی, 54(4), 1563-1585. doi: 10.22059/jhgr.2021.329110.1008364
9. کریم زاده مطلق, ز., لطفی, ع., پور منافی, س., و احمدی زاده, س. س. (2022/1401). ارزیابی و پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل CA_Markov. جغرافیا و برنامه ریزی محیطی, 33(2), 63-80. doi: 10.22108/gep.2022.130601.1458
10. محمدی, دلاور, و رضا, م. (2015). مدل سازی توسعه شهری کلان شهر تهران با استفاده از الگوریتم بهینه‌یابی توده ای ذرات. نشریه علمی مهندسی نقشه برداری و اطلاعات مکانی, 6(3), 65-82.
11. محمودزاده, ح., مهدوی فرد, م., عزیز مرادی, م., و زنجانی ثانی, م. (2021). مدل سازی توسعه فیزیکی شهر با ترکیب قابلیت‌های گوگل ارث انجین (GEE) و شبکه عصبی مصنوعی (MLP) مطالعه موردی: شهر تبریز. نشریه علمی جغرافیا و برنامه ریزی, 24(74), 215-232. doi: 10.22034/gp.2021.10780
12. محمودزاده, ح., و نقدبیشی, ا. (2021). مطالعۀ تطبیقی کارایی مدل توسعۀ شهری عامل مبنا و سلول‌های خودکار زنجیرۀ مارکوف در شبیه‌سازی توسعۀ شهری نیشابور. نشریه جغرافیا و توسعه, 19(64), 291-314. doi: 10.22111/j10.22111.2021.6352
13. محمودی, ف., و پویان فر, ف. (1399). طراحی شبکه لجستیک دارو بر اساس مسئله مسیریابی ناوگان حمل ونقل به کمک الگوریتم گرگ خاکستری بهبود یافته. فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق), 15(53), 96-114.
14. مرکز آمار ایران. (1398). نتایج سرشماری عمومی نفوس و مسکن 1395. م. ب. ر. و. ن. ر. ر. جمهوری (Ed.). تهران: مرکز آمار ایران.
15. موذنی, م., و پورمحمدی, م. ر. (2020/1399). مدلسازی زمانی-مکانی روند توسعه شهرها با تأکید بر تغییرات کاربری اراضی با استفاده از مدل Markov-Ca (مطالعه موردی: شهر پارس‌آباد مغان). نشریه علمی جغرافیا و برنامه ریزی, 24(73), 349-377. doi: 10.22034/gp.2020.10821
16. Batty, M. (2009). Urban modeling. International Encyclopedia of Human Geography, Elsevier, Oxford.
17. Berry, M. W., Flamm, R. O., Hazen, B. C., & MacIntyre, R. L. (1996). LUCAS: a system for modeling land-use change. Computing in Science and Engineering, 3 (1), 24-35.
18. Clarke, K. C., & Gaydos, L. J. (1998). Loose-coupling a cellular automaton model and GIS:long-term urban growth prediction for San Francisco and Washington/Baltimore. International Journal of Geographical Information Sciences, 12(7), 699-714.
19. Cohen, J. (1960). A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, 20(1), 37-46. doi: 10.1177/001316446002000104
20. Dang, A. N., & Kawasaki, A. (2016). A Review of Methodological Integration in Land-Use Change Models. International Journal of Agricultural and Environmental Information Systems (IJAEIS), 7(2), 1-25. doi: 10.4018/IJAEIS.2016040101
21. Fitzgerald, R. W., & Lees, B. G. (1994). Assessing the classification accuracy of multisource remote sensing data. Remote Sensing of Environment, 47(3), 362-368. doi: https://doi.org/10.1016/0034-4257(94)90103-1
22. Gilruth, P. T., Marsh, S. E., & Itami, R. (1995). A dynamic spatial model of shifting cultivation in the highlands of Guinea, West Africa. Ecological Modelling, 79(1–3), 179-197. doi: http://dx.doi.org/10.1016/0304-3800(93)E0145-S
23. Hardie, I. W., & Parks, P. J. (1997). Land Use with Heterogeneous Land Quality: An Application of an Area Base Model. American Journal of Agricultural Economics, 79(2), 299-310. doi: 10.2307/1244131
24. Johnvictor, A. C., Durgamahanthi, V., Pariti Venkata, R. M., & Jethi, N. (2022). Critical review of bio-inspired optimization techniques. WIREs Computational Statistics, 14(1), e1528. doi: https://doi.org/10.1002/wics.1528
25. Landis, J. D. (1995). Imagining Land Use Futures: Applying the California Urban futures Model. Journal of the American Planning Association, 61(4), 438-457. doi: 10.1080/01944369508975656
26. Landis, J. D., Monzon, J. P., Reilly, M., & Cogan, C. (1998). Development and Pilot Application of the California Urban and Biodiversity Analysis (CURBA) Model.
27. Li, J., Li, C., Zhu, F., Song, C., & Wu, J. (2013). Spatiotemporal pattern of urbanization in Shanghai, China between 1989 and 2005. Landscape Ecology, 28(8), 1545-1565. doi: 10.1007/s10980-013-9901-1
28. Li, X.-X., & Norford, L. K. (2016). Evaluation of cool roof and vegetations in mitigating urban heat island in a tropical city, Singapore. Urban Climate, 16, 59-74. doi: https://doi.org/10.1016/j.uclim.2015.12.002
29. Lin, J., Li, X., Wen, Y., & He, P. (2023). Modeling urban land-use changes using a landscape-driven patch-based cellular automaton (LP-CA). Cities, 132, 103906. doi: https://doi.org/10.1016/j.cities.2022.103906
30. Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61. doi: https://doi.org/10.1016/j.advengsoft.2013.12.007
31. Momeni, E., & Antipova, A. (2020). Pattern-based calibration of cellular automata by genetic algorithm and Shannon relative entropy. Transactions in GIS, 24(6), 1447-1463. doi: https://doi.org/10.1111/tgis.12646
32. Osman, T., Shaw, D., & Kenawy, E. (2018). An integrated land use change model to simulate and predict the future of greater Cairo metropolitan region. Journal of Land Use Science, 13(6), 565-584. doi: 10.1080/1747423X.2019.1581849
33. Parker, D. C., Manson, S. M., Janssen, M. A., Hoffman, M. J., & Deadman, P. (2003). Multi-agent systems for the simulation of land use and land cover change: A review. Annals of the Association of American Geographers (93), 314-337.
34. Perez, R. I. P., Carballal, A., Rabuñal, J. R., Mures, O. A., & García-Vidaurrázaga, M. D. (2018). Predicting Vertical Urban Growth Using Genetic Evolutionary Algorithms in Tokyos Minato Ward. Journal of Urban Planning and Development, 144(1), 04017024. doi: doi:10.1061/(ASCE)UP.1943-5444.0000413
35. Rahnama, M. R. (2021). Forecasting land-use changes in Mashhad Metropolitan area using Cellular Automata and Markov chain model for 2016-2030. Sustainable Cities and Society, 64, 102548. doi: https://doi.org/10.1016/j.scs.2020.102548
36. Ren, Y., Lü, Y., Comber, A., Fu, B., Harris, P., & Wu, L. (2019). Spatially explicit simulation of land use/land cover changes: Current coverage and future prospects. Earth-Science Reviews, 190, 398-415. doi: https://doi.org/10.1016/j.earscirev.2019.01.001
37. Sharma, I., Kumar, V., & Sharma, S. (2022). A Comprehensive Survey on Grey Wolf Optimization. Recent Advances in Computer Science and Communications (Formerly: Recent Patents on Computer Science), 15(3), doi: 10.2174/2666255813999201007165454
38. Simwanda, M., & Murayama, Y. (2018). Spatiotemporal patterns of urban land use change in the rapidly growing city of Lusaka, Zambia: Implications for sustainable urban development. Sustainable Cities and Society, 39, 262-274. doi: https://doi.org/10.1016/j.scs.2018.01. 39
39. Singh, P., Kikon, N., & Verma, P. (2017). Impact of land use change and urbanization on urban heat island in Lucknow city, Central India. A remote sensing based estimate. Sustainable Cities and Society, 32, 100-114. doi: https://doi.org/10.1016/j.scs.2017.02.018
40. UN-DESA, P. D. o. t. U. N. D. o. E. a. S. A. (2017). The 2017 Revision of World Population Prospects.
41. United Nations, D. o. E. a. S. A., Population Division. (2018). World Urbanization Prospects The 2018 Revision.
42. Veldkamp, A., & Fresco, L. O. (1996). CLUE: a conceptual model to study the Conversion of Land Use and its Effects. Ecological Modelling, 85(2–3), 253-270. doi: http://dx.doi.org/10.1016/0304-3800(94)00151-0
43. Verstegen, J. A., & Goch, K. (2022). Pattern-oriented calibration and validation of urban growth models: Case studies of Dublin, Milan and Warsaw. Land Use Policy, 112, 105831. doi: https://doi.org/10.1016/j.landusepol.2021.105831
44. Wood, E. C., Lewis, J. E., Tappan, G. G., & Lietzow, R. W. (1997). The development of a land cover change model for southern Senegal. Paper presented at the Land Use Modeling Workshop, June, Sioux Falls.
45. Yeh, A. G.-O., & Li, X. (2006). Errors and uncertainties in urban cellular automata. Computers, Environment and Urban Systems, 30(1), 10-28. doi: http://dx.doi.org/10.1016/j.compenvurbsys.2004.05.007
46. Zali, V., Alesheikh, A. A., & Hosseinali, F. (2018/1397). Calibrating Fuzzy-Cellular Automata Model of Urban Expansion Using Genetic Algorithm. Journal of Geomatics Science and Technology, 8(1), 163-180.
47. Zeng, C., Song, Y., Cai, D., Hu, P., Cui, H., Yang, J., & Zhang, H. (2019). Exploration on the spatial spillover effect of infrastructure network on urbanization: A case study in Wuhan urban agglomeration. Sustainable Cities and Society, 47, 101476. doi: https://doi.org/10.1016/j.scs.2019.101476
48. Zhang, B., & Wang, H. (2022). Exploring the advantages of the maximum entropy model in calibrating cellular automata for urban growth simulation: a comparative study of four methods. GIScience & Remote Sensing, 59(1), 71-95.
49. Zhu, X., Zhang, P., Wei, Y., Li, Y., & Zhao, H. (2019). Measuring the efficiency and driving factors of urban land use based on the DEA method and the PLS-SEM model—A case study of 35 large and medium-sized cities in China. Sustainable Cities and Society, 50, 101646. doi: https://doi.org/10.1016/j.scs.2019.101646
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |