با توجه به افزایش روز افزون جمعیت و سرعت بالای آن و تاثیر آن در رشد شهری، مطالعه، بررسی، و پیشبینی رشد شهری از موضوعات مهم جامعه امروزی محسوب میگردد. لذا، هدف اصلی این مقاله بررسی و نمایش رشد شهری در سالهای اخیر و پیشبینی آن برای سالهای آینده میباشد. به این منظور، در این تحقیق، از ترکیب روش شبکه عصبی پیشخورانده با فیلترهای همسایگی استفاده شده است. در این مقاله تنها رشد کاربری ساختمانی به عنوان رشد شهری در نظر گرفته شده است. تصاویر ماهواره لندست در سالهای 1994، 2004، و 2014 برای تولید نقشه شهر (ساختمانی و غیر ساختمانی) بکار گرفته شدند. برای طبقهبندی تصاویر و استخراج نقشه از روش ماشین بردار پشتیبان استفاده شد. برای مدلسازی رشد شهری، شبکه عصبی پیشخورانده پیشنهادی در 2 مرحله اجرا شد؛ (1) برای یادگیری و تعیین وزنها با استفاده از نقشه سالهای 1994 و 2004، و (2) به صورت رو به جلو برای پیشبینی نقشه شایستگی برای سال 2014. به منظور پیشبینی نقشه شایستگی با دقت بالا، معماری شبکه عصبی با توجه به کمترین RMSE تعیین گردید. سپس نقشه شایستگی پیشبینی شده با فیلترهای مختلف همسایگی ترکیب و نقشه سال 2014 پیشبینی گردید. دقت روش در دو مرحله تعیین شد. ابتدا دقت نقشه شایستگی پیشبینی شده با استفاده از روش ROC بررسی گشت که دقت حاصل برابر 46/92 درصد بدست آمد. سپس در مرحله دوم میزان تطابق نقشه شهری پیشبینی شده با نقشه مرجع سال 2014 با استفاده از ماتریس مقایسه و با معیارهای دقت کلی و ضریب کاپا به ترتیب 22/92 و 31/82 درصد بدست آمد. در نهایت روش ارائه شده برای پیشبینی نقشه شهری سال 2024 به کار گرفته شد که نتایج حاکی از رشد بی رویه شهر در غرب و جنوب غربی منطقه میباشد.
Pahlavani P, Askarian Omran H. An Optimized Feed-Forward Neural Network and Neighborhood Filter with Different Thresholds for Urban Expansion Simulation; a Case Study: Tehran. JGST 2016; 6 (1) :87-100 URL: http://jgst.issgeac.ir/article-1-445-fa.html
پهلوانی پرهام، عسکریان عمران حسین. مدل سازی و پیش بینی گسترش شهری بر اساس شبکه عصبی پیش خورانده بهینه شده و فیلتر همسایگی با حدود آستانه مختلف؛ منطقه مورد مطالعه: شهر تهران. علوم و فنون نقشه برداری. 1395; 6 (1) :87-100