مقاله درمورد تحلیل سلسله مراتبی و تصاویر ماهواره ای

شکل (7):همسایگی گسترش یافته مور
در برخی موارد،همسایگی مستطیلی،مانند همسایگی مور به ویژه همسایگی با اندازه بزرگ باعث از بین رفتن داده ها در جهات مختلف می شود.در شکل 7 در یک همسایگی 7*7 تاثیر سلول A با B بر سلول C گرچه هر دو در یک ردیف قرار دارند،متفاوت است زیرا فاصله سلول B و سلول A با سلول C متفاوت است.برخی برای حل این مشکل از همسایگی دایره ای با شعاع های مختلف استفاده کرده اند(Azarmehr et al,2010).

شکل(8):همسایگی دایره ای در سه مقیاس کوچک،متوسط و بزرگ

شکل (9):تاثیر شکل همسایگی بر رفتار مدل
در عمل،همسایگی های بزرگ مقیاس و کوچک مقیاس،هر دو،در مدل های توسعه شهری به کار رفته اند.
2-2-2-4-زمان
زمان در CA ناپیوسته است و هر چه از سمت t به سمت t+1 پیش می رود تکامل بیشتری پیدا می کند.مدت مراحل زمانی در CA های مختلف متفاوت است.شکاف های زمانی بیشتر،ناپیوستگی بیشتر را در بردارد و برعکس،سلول ها در CA،در دو مرحله زمانی T و T+1 وضعیت های مختلفی خواهند داشت زیرا از T به T+1،سلول ها به طور همزمان تکامل می یابند.قوانین انتقال به صورت یکسان در همه سلول ها به کار می روند و سلول ها به طور همزمان به روز می شوند.هر چه دامنه های زمانی بزرگتر باشند،تعداد مراحل زمانی کمتر است اما در CA های مختلف،دامنه مراحل زمانی متفاوت است(Azarmehr et al,2010).
2-2-2-5-قوانین انتقال
در مدل CA قوانین انتقال،رفتار سلول ها را در وضعیت آینده سلول مشخص می کند.در مدل CA اولیه،قوانین انتقال به صورت یکنواخت و همزمان در سراسر سلول ها اجرا می شوند و در مدل CA شهری،قوانین انتقال در رابطه با فرایند توسعه فضای شهری تعریف می شوند.برخلاف مدل CA اولیه،مدل CA شهری این امکان را برای قوانین انتقال فراهم می کند که ارتباطات بیرونی مختلفی با محیط اطراف داشته باشند.روش های گوناگونی برای تعریف قوانین انتقال وجود دارد که مهمترین آنها به شرح زیر می باشد:
الف)استفاده از پنج فاکتور کنترل کننده(ضریب پراکندگی،ضریب پایش،ضریب گسترش،ضریب شیب،ضریب جاذبه شبکه راه)
ب)پیش بینی احتمال توسعه بر اساس فرایند تحلیل سلسله مراتبی و ارزیابی چند معیاری تعریف قوانین انتقال بر اساس مجموعه های فازی
ت)محاسبه پتانسیل تغییر بر اساس ماتریس از قبل تعریف شده
ث)شبیه سازی توسعه شهری بر اساس شبکه های عصبی
در این روش هابرای تعریف قوانین،از متغیرهای فراوانی که هر یک در ارتباط با یک پارامتر است استفاده می شود که هر پارامتر با توجه به ضریب اهمیتش بر نتایج شبیه سازی تاثیرگذار است.به طور کلی سه نوع مدل CA شهری وجود دارد(Azarmehr et al,2010).اولین نوع مدل CA های شهری،با هدف آزمون ایده ها و فرضیات مرتبط با تیوری های شهریاستفاده می شوند.نوع دوم مدل هایی هستند که به شبیه سازی شهرهای واقعی می پردازند و در نوع سوم،استفاده از CA به منظور ایجاد مدل های برنامه ریزی هنجاری برای شبیه سازی ساختارهای مختلف شهری بر اساس اهداف برنامه ریزی است.
2-3-مدل تلفیقی (CA-MARKOV)
مدل تلفیقی سلول های خودکار و زنجیره مارکف(CA-MARKOV) ترکیبی از مدل زنجیره مارکف (از دسته مدل های تخمین تجربی) و مدل سلول های خودکار(از دسته مدل های شبیه سازی پویا)می باشد.در حقیقت این مدل با افزودن مشخصه مجاورت مکانی(Spatial contiguity) به مدل تصادفی زنجیره مارکف،کاربری اراضی را برای سال های آینده شبیه سازی می کند.در سال های اخیر به دلیل دسترسی آسان به تصاویر ماهواره ای و قابلیت های GIS مدل سازی تغییرات پوشش اراضی و پیش بینی آن در آینده رایج شده و تحقیقات بسیاری در این زمینه انجام شده است(زارع گاریزی و همکاران،1390).
با اجرای مدل مارکوف چند تصویر احتمال ایجاد میشود. این تصاویر که از ماتریس احتمال انتقال بدست آمدهاند، احتمال اینکه هر نوع از پوشش زمین در هر موقعیت مکانی در آینده پیدا شود را بیان میکنند. اگر چه احتمالات انتقال در هر کاربری دارای دقت زیادی است، اما اطلاعاتی از توزیع مکانی مربوط به کاربریها وجود ندارد. بنابراین، مدل تصادفی مارکف فاقد هر گونه اطلاعات وابستگی مکانی است و در مقابل شبکه خودکار عاملی است که توانایی تغییر وضعیتش را براساس به کارگیری قانونی که وضعیت جدید را مطابق با وضعیت قبلی و وضعیت همسایگانش نشان میدهد داراست. از فیلتر CA برای توسعه یک فاکتور وزندهی- مجاورت مکانی برای تغییر وضعیت سلولها براساس وضعیت همسایهاش استفاده خواهد شد. بنابراین برای مرتفع ساختن مشکلات این دو روش، از روش CA-MARKOV استفاده میشود(ماهینی و کامیاب، 1390).
فصل سوم

  منبع تحقیق درمورد انرژی خورشیدی و شرایط محیطی

مروری بر تحقیقات پیشین

این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.