مقاله درمورد سیستم اطلاعات جغرافیایی و تغییرات کاربری اراضی

کاربری باغ شهر:شیب،جهت شیب،ارتفاع،فاصله از جاده،فاصله از منابع آبی(احمدی ثانی و همکاران،1390).
وزن عوامل شرکت کننده در هر کاربری یکسان در نظر گرفته شد.سپس تحلیل چند معیاره با مشارکت فاکتورهای وزن دهی شده برای هر کاربری اجرا شد.نتیجه،تصویر نهایی از بهم پیوستن شایستگی ها در محدوده 255-0 می باشد که صفر عدم شایستگی و 255 ماکزیمم شایستگی را نشان می دهد.
4-1-14-مدل مارکف سلولار اتوماتا
این روش بر اساس تلفیق CA و MARKOV و مکان یابی بر اساس تحلیل های چند معیاره برای پیش بینی روند تغییرات می پردازد.از مزایای این روش استفاده از روش مجاورت فضایی،همسازی با سیستم اطلاعات جغرافیایی،دینامیک،قابلیت بصری،مطلوب برای شبیه سازی پدیده ها،سادگی و بعلاوه از دانش توزیع فضایی احتمالی به تحلیل زنجیره های مارکف و در نهایت پیش بینی روند تغییرات کاربری اراضی می پردازد ( شیرکلایی،1387).زنجیره مارکف و CA هر دو مدل دینامیک گسسته در زمان و موقعیت هستند.مشکل ذاتی زنجیره مارکف این است که هیچ درک جغرافیایی تولید نمی کند.احتمال تبدیل ممکن است روی هر گروه پایه،دارای صحت و دقت باشد،اما هیچ دانش و آگاهی از توزیع مکانی تصادفی درون هر گروه کاربری زمین وجود ندارد یعنی هیچ مولفه مکانی در خروجی مدلسازی وجود ندارد به همین خاطر CA جهت اضافه کردن مشخصه مکانی به مدل مورد استفاده قرار می گیرد.این مدل ترکیبی از سلولار اتوماتا و زنجیره مارکف است که به پیش بینی پوشش زمین و آگاهی از توزیع احتمال مکانی می پردازد.مدل CA-MARKOV یکی از ملحقات پردازش های MCE است.نقشه کاربری سال های 2009 و 2011 و 2013 تهیه شده در مراحل قبل با استفاده از زنجیره های مارکف پیش بینی زمین با مدل CA ترکیب و نقشه احتمالی تغییرات تهیه شد.با استفاده از خروجی های تحلیل نجیره مارکف از یک فیلتر مجاورت برای استخراج کاربری زمین از زمان 2 به دوره های زمانی بعد استفاده شد.CA یک فاکتور وزن دهی مکانی را توسعه می دهد که برای هر کدام از مطلوبیت ها به کار گرفته شد.وزن بیشتر به مناطقی که نزدیک به کاربری زمین کنونی هستند داده می شود.این کار موجب می شود که تغییرات کاربری زمین در نزدیکی کلاس های کاربری زمین مشابه کنونی ایجاد گردد و کاملا به طور تصادفی نباشد.فرایند واقعی،فیلتر پیوستگی را برای طبقات کاربری ماسک شده به کار می گیرد و سپس این نتایج را در در نقشه مطلوبیت اصلی ضرب می نماید تا یک نقشه مطلوبیت جدید را ایجاد کند.به منظور این هدف گام های زیر انجام می شود:
1-استفاده از تصاویر پایه پوشش زمین.این کار برای تعیین مقدار تغییر مورد انتظار پوشش زمین در گذشته به دسته دیگر در دوره زمانی بعدی انجام می گیرد.تصویر پایه پوشش زمین به عنوان نقطه شروع برای شبیه سازی تغییر استفاده می شود.
2-وارد کردن مناطق احتمال که از زنجیره مارکف بدست آمد.
3-استفاده از تصاویر مناسب انتقال که این تصویر به طور معمول با مدل MCE ساخته می شود و به دانش تحلیل گر از پویایی منطقه بستگی دارد.(MCE یک ابزار پشتیبانی تصمیم گیری برای ارزیابی چندمنظوره است.در ارزیابی چندمنظوره هدف ساختن ترکیب مجموعه ای از معیارها برای رسیدن به یک معیار واحد مرکب برای تصمیم گیری با توجه به یک هدف خاص است).
4-وارد کردن آخرین تکرار که در آینده اتفاق خواهد افتاد و در آینده پیش بینی خواهد شد.
5-استفاده از یک نوع فیلتر برای سلولار اتوماتا(فیلتر با انجام محاسبات روی یک پیکسل و همسایه آن در یک محدوده مشخص یک مقدار برای پیکسل در تصویر خروجی تولید می کند.بنابراین یک فیلتر باید روی تک تک پیکسل های تصویر اعمال شود و برای هر کدام محاسبات را تکرار می کند.فیلترها به صورت ماتریسی با ابعاد مشخص هستند.این ابعاد مشخص می کند که چه تعداد همسایگی باید در محاسبات وارد شود.مرکز این ماتریس روی پیکسل مورد نظر قرار می گیرد و محاسبات انجام می شود.سپس نتیجه به پیکسل متناظر در تصویر خروجی نسبت داده می شود).
6-در آخر ارزش هر واحد برای تصاویر خروجی وارد می شود.
نقشه سال 2013 به عنوان نقشه پایه و نقشه های تلفیقی سال های 2011و2009 و 2013به عنوان مناطق انتقال به مدل داده شد.یک فیلتر CA جهت تغییر حالت سلول ها بر اساس همسایگی آن مورد استفاده قرار گرفت.این فیلتر یک فیلتر مجاورت 5×5 می باشد.تعداد تکرار 1 جهت پیش بینی کاربری در سال 2015 انجام گرفت.برای تهیه نقشه پیش بینی سال 2013 نقشه سال 2009 به عنوان نقشه پایه استفاده شد.
4-1-15-ارزیابی مدل
4-1-15-1-ارزیابی مدل با معیارهای ارزیابی صحت ((Criteria of Accuracy
بعد از استخراج نقشه ها ی کاربری اراضی اطمینان از صحت نقشه های بدست آمده امری ضروری است.بهترین روش بیان صحت نقشه های حاصل از طبقه بندی،مقایسه نقشه با واقعیت زمینی (Ground Truth) و بیان درصدی از مساحت نقشه که صحیح طبقه بندی شده است می باشد.بدین ترتیب که نقشه های نهایی با نقشه نمونه های تعلیمی روی هم گذاری شده و تعداد پیکسل هایی که درست طبقه بندی شده مشخص می شود. برای اعتبارسنجی مدل،نقشه تولید شده با نقشه واقعی حاصل از طبقه بندی تصاویر ماهواره ای همان سال مورد مقایسه قرار می گیرد.این امر بر اساس وجود شناخت نسبی از منطقه مورد بررسی و کاربرد تصاویر ماهواره ای و Google earth صحت طبقه بندی مربوط به هر تصویر محاسبه شد و ماتریس خطا (Error matrix) و تحلیل کاپا برای ارزیابی مورد استفاده قرار گرفت.ضریب کاپا یک تکنیک چند متغیره ی گسسته است که برای ارزیابی دقیق تر صحت نقشه های حاصل مورد استفاده قرار گرفت.
ماتریس خطا از رابطه زیر قابل محاسبه است:
(5): UA=
an=معرف تعداد پیکسل های درست طبقه بندی(بر روی قطر اصلی)
=تعداد کل پیکسل های طبقه مورد نظر
ضریب کاپا (Kappa Coefficient) توافق بین دو ارزیاب را از رابطه زیر اندازه گیری می کند:
(6): K=
Pr(a)=توافق مشاهده نسبی میان ارزیاب ها
Pr(e)=احتمال فرضی توافق شانسی
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.