مقاله درمورد شبکه های عصبی مصنوعی و تغییرات کاربری اراضی

3-1-مروری بر تحقیقات پیشین در جهان
Jenerett &Wu(2001)،به منظور درک چگونگی تغییر چشم انداز بیابان ها در مرکز آریزونا به واسطه گسترش مناطق شهری به آنالیز مکانی سری هایی از الگوی کاربری اراضی از سال 1912 تا 1955 پرداختند.نتایج آنالیز مکانی نشان می دهد که گسترش مناطق شهری طی 83 سال بطور صعودی افزایش داشته است و گسترش با افزایش جمعیت در این دوره مطابق بوده است.در این تحقیق به منظور شبیه سازی تغییرات کاربری اراضی از مدل Markov-cellular automata استفاده شده است.
Ayodeji Opeyemi(2006)،به آشکار سازی تغییرات پوشش و کاربری اراضی منطقه ایلورین در ایالت کوآرا با استفاده از سامانه اطلاعات جغرافیایی و علوم سنجش از دور در دوره زمانی 1972 تا 2001 با استفاده از داده های MSS وTM وETM پرداختند.وی سپس به پیش بینی تغییرات پوشش و کاربری اراضی برای 14 سال آینده با استفاده از مدل مارکف و سلولار اتوماتا پرداخت.نتایج کار رشد سریعی را در اراضی ساخته شده بین سال های 1972 و 1986 نشان داد در حالی که دردوره زمانی 1986 تا 2001 در این کلاس کاهش رخ داده است و پیش بینی می شود که این روند تا سال 2015 ادامه داشته باشد.
Mahiny & Turner (2003)،تغییرات پوشش گیاهی در حوضه رودخانه بوروا در استرالیا را با دو رویکرد رگرسیون لجستیک و شبکه های عصبی مصنوعی مدلسازی کردند.نتایج نشان داد که هر که هر دو روش توانایی خوبی در مدل سازی تغییرات پوشش را دارند ولی شبکه عصبی عملکرد نسبتا بهتری داشته است.
Pijanowski et al(2002)،یک مدل تبدیل زمین با ترکیبی از GIS و شبکه های عصبی مصنوعی برای پیش بینی تغییرات کاربری اراضی،ارایه کردند.در تحقیق آنان از متغیرهای متنوعی از عوامل محیطی،سیاسی،اجتماعی به عنوان متغیرهای مورد استفاده در ANN برای شناخت الگوهای توسعه در منطقه استفاده شد.بر پایه نتایج،مدل پیشنهادی تبدیل زمین توانست تغییرات کاربری اراضی را با صحتی برابر با 46 درصد،در ان منطقه پیش بینی کند.
Mas et al(2004)،به کمک GIS و شبکه های عصبی مصنوعی،به پیش بینی توزیع مکانی جنگل زدایی در نواحی گرمسیری با استفاده از تصاویر ماهواره لندست مربوط به سال های 1974،1986 و 1991 پرداختند و از متغیرهای مکانی متعدد و گوناگونی مانند فاصله از جاده ها و مناطق مسکونی،قطعه های جنگل،ارتفاع،شیب و نوع خاک به عنوان متغیرهای شبکه عصبی استفاده کردند.مقایسه نقشه خطر جنگل زدایی و جنگل زدایی واقعی نشان داد که نقشه پیش بینی جنگل زدایی با دو طبقه جنگل زدایی و عدم جنگل زدایی با صحت 69 درصد تولید شده است.
Maithani et al(2009)،در پژوهشی با هدف پیش بینی تغییرات مکانی شهر ساهارانپور در دوره 1993-2001،مدلی مدلی بر اساس شبکه های عصبی مصنوعی ایجاد کردند.در این مدل از داده های سنجش از دور برای دستیابی به تغییرات کاربری شهری،و از GIS برای تهیه نقشه تغییرات کاربری شهری و متغیرهای ورودی برای وارد کردن به مدل ANN با سه لایه ورودی،پنهان و خروجی استفاده شد.نتایج ارزیابی عملکرد مدل نشان داد که مدل با صحت کلی 66.56 درصد،قادر به پیش بینی رشد مناطق شهری است.
Peterson et al(2009)،به مدلسازی تغییرات الگوی مکانی پوشش جنگلی در حوضه دریاچه بایکال در جنوب سیبری پرداختند.آنها از مدل تلفیقی CA-Markov برای پیش بینی تغییرات تحت دو سناریوی مدیریتی جنگل(دوره قبل و بعد از فروپاشی اتحاد جماهیر شوروی) استفاده کردند.نتایج نشان داد که برای سال 2001 نسبت قطع جنگل 74% کمتر از میزان پیش بینی شده در صورت ادامه سیاست های مدیریتی اتحاد جماهیر شوروی بوده است و مساحت جنگل های سوزنی برگ نیز 14% بیشتر از مقدار مدل سازی شده برای این سال می باشد.
Schneider et al(2001)،از رگرسیون لجستیک و ارزیابی چند معیاره برای توسعه مدلی استفاده کردند که در آن موقعیت و کمیت جنگل زدایی در حوزه ابخیز Ipswich پیش بینی پذیر باشد.از تصاویر سال های 1971-1985 برای صحت سنجی مدل استفاده شد.مقدار ROC در مدل 0.7 و بالاترین ضریب کاپا 0.93 به دست آمد.مهم ترین متغیر نیز نزدیکی به مناطق مسکونی تشخیص داده شد.
Fang et al(2005)،رشد شهر Peoria در آمریکا را در دوره زمانی هفت ساله با ترکیب رگرسیون لجستیک و سلول های خودکار شبیه سازی کردند.رگرسیون لجستیک وزن متغیرهای موثر در مدل را برای تهیه نقشه پیش بینی احتمال تغییرات کاربری سرزمین به دست آورد.
Sendraet et al(2010)،تغییرات کاربری سرزمین را با استفاده از رگرسیون لجستیک و شبکه عصبی مصن.عی مدل سازی کردند.انها از تصاویر ماهواره Landsat مربوط به سال های 1986 و 1996 برای مدل سازی پوشش سرزمین سال 2001 استفاده کردند.نتایج بدست آمده با روش رگرسیون لجستیک در مقایسه با شبکه عصبی مصنوعی با نقشه واقعیت زمینی سال 2001 مطابقت بیشتری داشت.
Yuan & et al(2005)،روشی را برای به نقشه درآوردن و پایش تغییرات کاربری اراضی با استفاده از داده های تصاویر لندست TM برای بررسی کلان شهر در ایالت مینسوتای امریکا برای سال های 1986،1991،1988و 2002 پیشنهاد کردند.
De Wit(2003)،تغییرات کاربری اراضی را در کشور هلند برای یک دوره 10 ساله با استفاده از داده های ماهواره لندست استخراج کرد.در این مطالعه او از 394 نقطه کنترل زمینی برای ثبت تغییرات استفاده کرد که دقت کلی بدست آمده در این نقشه 75.9% گزارش شده است.
تاپا و مورایاما(2010)،در یک مطالعه سناریو مبنا با استفاده از یک مدل ساز تغییر سرزمین در زمینه توسعه شهری دره کاتماندو نپال،از تصاویر ماهواره ای مربوط به سال های 1991،2000 و 2010 و با در نظر گرفتن سه سناریوی تاریخی،زیست محیطی و حفاظت از منابع،برای مدل سازی پوشش اراضی مربوط به سال های 2020 تا 2050 بهره جستند.
شولز و همکاران(2010)به منظور پایش تغییرات پوشش سرزمین از چشم انداز جنگل خشک شیلی،مدل ساز تغییر سرزمین و تصاویر ماهواره ای مربوط به چهار دوره 1975،1985،1999 و 2008 را به کار گرفتند.آنها به این نکته پی بردند که گرایش عمده تغییرات در این چشم انداز بسیار پویا،به سمت کاهش جنگل خشک و تبدیل درختچه زارها به کاربر یهای فشرده شده ای چون کشاورزی بوده است.همچنین نتایج انها نشان داد که بین سال های 1975 تا 2008،نرخ سالانه کاهش جنگل و درختچه زارها،به ترتیب 1.7 درصد و 0.7 درصد و نرخ سالانه افزایش کاربری های کشاورزی،شهری و مزارع چوب،به ترتیب 1.1 درصد،2.7 درصد و 3.2 درصد بوده است.
3-2-مروری بر تحقیقات پیشین در ایران
وفایی و همکاران(1391)از تصاویر سنجنده های TM و ETM+ سال های 1368،1379 استفاده کردند و پیش بینی وضعیت کاربری اراضی برای سال 1390را به کمک مدل LCM و بر پایه شبکه های عصبی مصنوعی و زنجیره مارکف انجام گرفت. به این منظور از متغیرهای مکانی فاصله از جاده و مناطق مسکونی،فاصله از حاشیه جنگل،ارتفاع و جهت نیز به عنوان عوامل موثر بر تغییرات در شبکه عصبی مصنوعی استفاده شد.برای ارزیابی صحت پیش بینی مدلساز،نقشه های کاربری اراضی پیش بینی شده و واقعی به طور کامل و همچنین نقشه های تغییرات آنها با هم مقایسه شد.صحت کلی و ضریب کاپای نقشه پیش بینی بسیار زیاد و به ترتیب 96 درصد و 92 درصد بو،ولی شاخص کاپای تغییرات جنگل،کشاورزی و مناطق انسان ساختبه نسبت کم و به ترتیب 37 درصد،50 درصد و 48 درصد محاسبه شد که نشان دهنده ناهمخوانی مکان تغییرات واقعی و پیش بینی شده و در نتیجه پیش بینی به نسبت ضعیف تغییرات کاربری اراضی با رویکرد مورد استفاده در تحقیق بود.
کامیاب و همکاران(1390)،برای مدلسازی توسعه شهری در شهر گرگان در دوره زمانی 1987-2001 از مدل تبدیل کاربری/پوشش زمین که بر پایه شبکه عصبی و GIS است،استفاده کردند.برای تهیه لایه های کاربری زمین از تصاویر ماهواره لندست سنجنده های TM و ETM+ مربوط به سال های 1987 و 2001 استفاده شد.ده متغیر موثر بر توسعه شهری(شامل متغیرهای بیوفیزیکی،اقتصادی-اجتماعی و کاربری زمین)به عنوان لایه ورودی و نقشه تغییرات شهری به عنوان لایه خروجی به کار گرفته شد.مقایسه نقشه پیش بینی حاصل با نقشه رشد شهری واقعی و محاسبه آماره ROC برابر با 0.75 سبب تایید مدل شد.
کیوانلو(1391)،از 2 عکس ماهواره ای به فاصله زمانی 11 سال برای بررسی تغییرات کاربری اراضی استفاده کرد.سپس با بررسی پتانسیل سلول ها و لایه های مکانی و کلاس بندی آنها نتیجه گرفت درجه تمایل توسعه به سمت اراضی غیر شهری در اصفهان است.
زارع گاریزی و همکاران(1390)،از تصاویر سنجنده TM سال 1987،نقشه کاربری سال 2000 و تصویر ETM سال 2009 استفاده کردند و پوشش و کاربری سال 2009 با استفاده از مدل CA-Markov پیش بینی کردند و در نهایت نقشه پوشش جنگلی آبخیز چهل چای استان گلستان را برای سال 2020 پیش بینی کردند که نتیجه بیانگر کاهش قابل توجه مناطق جنگلی بود.
علی محمدی و همکاران(1388)،با استفاده از تصاویر ماهواره ای لندست مربوط به سال های 1976،1988 و 2000 اطلاعات جانبی و مدل زنجیره مارکف و پوشش زمین طی 24 سال در حومه شهر تهران به این نتیجه رسیدند که گسترش بی رویه مناطق ساخته شده و تخریب شدید اراضی کشاورزی در منطقه مشاهده می شود.سپس با کالیبره کردن مدل مارکف برای سال 2000 با استفاده از داده های نقشه ای،تغییرات را برای سال 2012 در منطقه پیش بینی کردند.
فیروزآبادی و همکاران(1388)،از مدل زنجیره مارکف و تحلیل خودکار سلولی برای پیش بینی تغییرات کاربری اراضی شهری تا سال 2025 استفاده کردند.برای تمامی دوره های شبیه سازی شده بهترین نتایج در استفاده از ترکیب زنجیره مارکف و روش رگرسیون لجستیک را بدست آوردند.نتایج مختلف شبیه سازی شده برای منطقه مورد مطالعه کاربردی بودن آتی مدل برای شبیه سازی روند رشد شهرهای ایران و جهان را اثبات کرد.
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.