ارزیابی پتانسیل و الگوی رشد بهینة شهر تبریز مبتنی بر استفاده از شبکه‌های عصبی

نوع مقاله: مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

2 کارشناس ارشد سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

3 استادیار سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

4 کارشناس ارشد سیستم اطلاعات جغرافیایی و سنجش‌ازدور دانشگاه تبریز

چکیده

شهر تبریز یکی از کلان‌شهرهای ایران است که گسترش و توسعة روزافزونی دارد. یکی از مشکلات موجود در مسیر توسعة شهرها، مدیریت‌نکردن صحیح آن و بی‌توجهی به عوامل مؤثر است. در سال‌های گذشته، شهر تبریز به دلیل مهاجرپذیر بودن از رشد فیزیکی بسیاری برخوردار بوده است. مدیریت صحیح رشد شهرها از جهات گوناگون از مسائل مهمی است که باید مدنظر قرار بگیرد. روش‌های متعددی برای تعیین مناطق مناسب رشد شهری وجود دارد. یکی از این روش‌ها در تعیین مناطق مناسب برای توسعة شهر روش شبکة عصبی است که در مطالعة حاضر نیز از آن استفاده شده است. در این مطالعه، برای تعیین مکان بهینة رشد شهری از سه گروه معیارهای اجتماعی-اقتصادی، کاربری زمین و بیوفیزیکی استفاده شد. برای مکان‌یابی مناطق مساعد رشد با روش شبکة عصبی، 200 نقطه به‌عنوان نقاط آموزشی شبکه تهیه شدند و لایه‌های میانی نیز هفت عدد بود. نتایج مرتبط با اجزای شبکه نشان می‌دهد با دورشدن از امکانات و مناطق شهری، پتانسیل‌ها به‌شدت کاهش یافته است و بیشتر مناطقی که پتانسیل توسعة شهری دارند، در نزدیک‌ترین فاصلة این امکانات و مناطق شهری قرار دارند. قسمت‌هایی از شهر که طی سال‌های گذشته به‌صورت پراکنده و نامنظم رشد داشته‌اند، با توجه به نتایج حاصل شده نامناسب هستند. همچنین حاشیه‌های نزدیک به هستة اصلی شهر که به خدمات شهری نیز دسترسی بیشتری دارند، برای رشد مناسب‌تر هستند، اما قسمت‌هایی که به‌صورت پراکنده در شمال غرب و جنوب شرق شهر توسعه یافته‌اند کاملاً نامناسب هستند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Potential Assessment and Evaluation of Optimum Urban Expansion Pattern of Tabriz City in the Application of ANN Models

نویسندگان [English]

  • Rahimeh Rostami 1
  • Milad Bagheri 2
  • Meysam Argany 3
  • Mostafa Hasanvand 4
1 University of Tabriz
2 RS & GIS Dept., Faculty of Geography, University of Tehran
3 Remote Sensing & GIS Department, Faculty of Geography, University of Tehran
4 University of Tabriz
چکیده [English]

Extended abstract
Tabriz, as one of the metropolises of Iran, is expanding every day. One of the problems that exists in the development of cities is the lack of proper management of it and failure to pay attention to effective factors.In recent years, the city of Tabriz has enjoyed a lot of physical growth due to its immigration status. Correct management of urban growth is one of the key issues that needs to be addressed. There are several methods for determining the appropriate areas for urban growth and one of the effective methods in determining the suitable areas for developing the city is the neural network method, which is used in this study. In this study, to determine the optimal location of urban growth, we use three groups of criteria, Socio-economic, land use and biophysical to locate growth areas with neural network approach 200 points were awarded as training points and 7 layers as intermediate layers were determined. Finally, the results showed with the network components by moving away from facilities and urban areas the potential has fallen sharply and most of the areas with urban development potential are within the nearest distance of these facilities and urban areas. Areas of the city that have grown periodically and regularly over the past years are inappropriate given the results. The results showed that the margins close to the core of the city, which have more access to urban services, are more suitable for growth and sprawling parts in the northwest of the city and south-east of the city are completely inappropriate.
Introduction
The important phenomena that have occurred in recent centuries in the social and economic life of different countries of the world are the emergence of numerous and new cities, the development of ancient cities, the advancement of urbanization and urban development. Urban development and changes in land use patterns lead to widespread social and environmental impacts. These include reducing natural spaces, increasing vehicle accumulation, reducing agricultural land with high production potential and reducing water quality. Urban development in any country is not coincidental and on the other hand, controlling its future requires careful planning. Understanding the right patterns of urban growth is needed to manage sustainable urban growth and plan for urban development. The high rates of urban population growth in Iran and the lack of urban infrastructure on the one hand, and the increasing trend of land use change, followed by the loss of valuable ecological land in urban and peri-urban areas due to marginalization, pollution industrial and other human activities, on the other hand, provide the necessity of modeling urban development.
Methodology
The data used in this research can be generally divided into two main categories: the data used to extract land use in the study area, which includes satellite imagery and data that are considered as effective factors on urban expansion and land use change. Identifying the variables that affect the creation of the main prerequisites for the development of land use models. In this study, independent groups of variables including socioeconomic, biophysical and land use were used. Since there are several decision making rules for exploiting these variables, in this study, the distance between these variables was considered as an indicator. To work with the artificial neural network firstly the effective parameters in urban development should be given as input to the network (INPOT), and then a number of educational points are provided to the network, so that the network uses these points (TARGET) to measure the impact of each It determines the input layers, in fact the network has learned the necessary training to deal with new areas. After determining the number of hidden layers in the network structure, the entire study area is provided to the trained network and the network is using what has learned the whole province to zoning with the potential of urban development.
Result and discussion
MLP network with 16 input layers (effective factors in urban development), 7 intermediate layers (test and error method), a neuron in the output layer that leads to an outline map (final map of urban development potential) and the Laufenberg- Marquette was executed And thus, the training was provided to meet new samples. The network stopped after 15 repetitions and got the necessary training. The network repeats 15 to the best possible state, the highest correlation and the lowest error.

Conclusion
In this study, natural, social, economic factors and urban services such as hospitals, business centers and educational facilities are considered. The results of the research have shown the vicinity of the city for more suitable development. And previously scattered areas have been found to be inappropriate. Like the industrial areas of Atlas in the northwest of the city due to lack of access to urban services and placing in the fault domain was inappropriate for development or the Kandrood village in the southeast of Tabriz, which has been connected to the city over time, is not a good place for urban development because the centers do not have access to services, especially hospitals. And on the other hand, this part of Tabriz has garden features and the expansion of residential areas in this part will be accompanied by the destruction of gardens. It seems that the Zanjan-Tabriz highway on the southeast and the presence of gardens, it has led the development of the city over time but the results show if complete planning is done and to focus on all the influential cases, these areas will not be suitable for development. Areas that are appropriate for development in the final map, in the south, south east and north of the city are unused land and only in parts of the West they include some agricultural land that can ignore them to development of the city.
Keywords: physical development, Tabriz, neural network, location

کلیدواژه‌ها [English]

  • physical development
  • Tabriz
  • neural network
  • location
  • Urban Growth
  1. ابراهیم‌زاده، عیسی و قاسم رفیعی، 1388، تحلیلی بر الگوی گسترش کالبدی شهر مرودشت با استفاده از مدل آنتروپی شاتون، فصلنامة پژوهش‌های جغرافیای انسانی، دورة چهل‌و‌یکم، شمارة 69، صص 123- 138.
  2. آزادخانی، پاکزاد، سلیمانی، سمیه و مهدی امیدی، 1396، بررسی الگوی توسعة کالبدی-فضایی شهر ایلام با مدل آنتروپی شانون و هلدرن، فصلنامة مطالعات عمران شهری، دورة دوم، شمارة 4، صص 4-25.
  3. حاتمی‌نژاد، حسین، لرستانی، اکبر، احمدی، سجاد و مریم محمدی، 1396، تحلیل الگوی گسترش فیزیکی شهر خرم‌آباد با استفاده از مدل‌های آنتروپی شانون و هلدرن و تعیین جهات بهینة گسترش آن با استفاده از مدل Ahp، پژوهش‌های جغرافیای انسانی، دورة چهل‌و‌نهم، شمارة 3، صص 529-537.
  4. زمردیان، محمدجعفر، 1370، اصول و مبانی عمران ناحیه‌ای، چاپ دوم، انتشارات کتابستان، مشهد.
  5. سرور، هوشنگ، سرور، رحیم و مهدی توحیدی، 1395، بررسی الگوی بهینة توسعة فیزیکی شهر بانه براساس شاخص‌های توسعة میانافزا، فصلنامة جغرافیا و مطالعات محیطی، سال پنجم، شمارة 20، صص 65-82.
  6. شکویی، حسین، 1376، دیدگاه‌هاینودرجغرافیایشهری، جلد اول، انتشارات سمت، تهران.
  7. صمدی، امیر، 1394، به‌کارگیری تلفیقی شبکة عصبی مصنوعی و منطق فازی در توسعة شهری (نمونة موردی: شهر مریوان)، پایان‌نامة کارشناسی ارشد، دانشگاه تهران.
  8. عامری، علیرضا، شیرانی، کورش، کرمی، جلال و عبدالله کلوراژان، 1395، کاربرد شبکة عصبی پرسپترون چندلایه (Mlp) در مکان‌یابی دفن پسماند جامد شهری با تأکید بر خصوصیات هیدروژئومورفیک (مطالعة موردی: شهرستان فریدون‌شهر)، محیط‌شناسی، دورة چهل‌و‌دوم، شمارة 2، صص 329-341.
  9. عظیمی آملی، جلال، 1388، اصطلاحات و مفاهیم علوم شهری، انتشارات دانشگاه آزاد واحد نور.
  10. فکوهی، ناصر، 1383، انسان‌شناسیشهری، چاپ اول، نشر نی، تهران.
  11. قرخلو، مهدی، داودی، محمود، زندوی، سید مجدالدین و حسن‌علی رجانی، 1389، مکان‌یابی مناطق بهینة توسعة فیزیکی شهر بابلسر بر مبنای شاخص‌های طبیعی، فصلنامة جغرافیا و توسعه، دورة نهم، شمارة 23، صص 99-122.
  12. مشکینی، ابوالفضل و اصغر تیموری، 1392، سنجش گستردگی شهری و تأثیر آن بر تغییرات کاربری اراضی با استفاده از Rs و Gis؛ نمونة موردی: شهر کرج طی دورة 1363-1391، معماری و شهرسازی آرمان‌شهر، شمارة 17، صص 375-387.
  13. مظفری، غلامعلی و انور اولی‌زاده، 1387، بررسی وضعیت توسعة فیزیکی شهر سقز و تعیین جهات بهینة توسعة آتی آن، مجلة محیط‌شناسی، سال سی‌و‌چهارم، شمارة 47، صص 11-20.
  14. نصیری، اسماعیل و مهدی ناصرمقبل، 1395، تحلیل عوامل مؤثر بر توسعة فیزیکی شهرهای کوچک طی دو دهة اخیر (مطالعة موردی: شهر گرم‌دره)، فصلنامة مطالعات مدیریت شهری، شمارة 19، صص 43-53.
  15. نگارش، حسین، 1382، کاربرد ژئومورفولوژی در مکانگزینی شهرها و پیامدهای آن، نشریة جغرافیا و توسعه، سال اول، شمارة 1، صص 133-150.
16. Ameri, A., Shirvani, K., Karami, J., and Kolorojan, A., 2016, Application of Multilayer Perceptron Neural Network (Mlp) in Determination of Urban Solid Waste Landfill with Emphasis on Hydrogeomorphic Properties (Case Study: Fereydoun Shahr City), Journal of Ecology, Vol. 42, No. 2, PP. 329-341. (In Persian)

17. Azadkhani, P., Soleimani, S., and Omidi, M., 2018, Investigating the Pattern of Spatial Development in Ilam City with Shannon and Hellendron Entropy Model, Urban Civil Development Quarterly, Vol. 2, No. 4, PP. 4-25. (In Persian)

18. Azimi Amoli, J., 2010, Urban Sciences Terms and Concepts, Islamic Azad University Press, First Printing. (In Persian)

19. Ebrahim Zadeh, E., Rafiee, G., 2010 An Analysis of Marvdasht Autonomous Development Pattern Using Shatun Entropy Model, Journal of Human Geography Research, No. 2, PP. 123-138. (In Persian)

20. Fakuhi, N., 2004, Urban Anthropology, First Volum, Ney Publication, Tehran. )In Persian)

21. Gerkhlu, M., Davoodi, M., Zandavi, M., and Rajani, H., 2010, Finding Optimal Areas of Physical Development of Babolsar City Based on Natural Indicators, Geography and Development Quarterly, No. 23. (In Persian)

22. Hatami Nejad, H., Lorestani, A., Ahmadi, S., and Mohamadi, M., 2018, Analysis of the Pattern of Physical Expansion of Khorramabad City Using Shannon and Hellenron Entropy Models and Determining Its Optimal Expansion Directions Using the Ahp Model, Journal of Human Geographic Research, Vol. 49, No. 3, PP. 529-537. (In Persian)

23. Meshkini, A., and Teymoori, A., 2013, Measurement of Urban Sprawl and Its Impact on Land Use Change Using Rs and Gis, Case Study: Karaj City During 1985-2013, Journal of Urbanism Architecture and Urbanism, No. 17, PP. 375-387. (In Persian)

24. Nasiri, E., Nasermogbel, M., 2017, Analysis of the Factors Affecting the Physical Development of Small Towns Over the Past Two Decades (Case Study: Garmdreh), Journal of Urban Management Studies, No. 19, PP. 43-53. (In Persian)

25. Negaresh, H., 2004, Application of Geomorphology in the Location of Cities and Its Consequences, Journal of Geography and Development, No. 1, PP. 133-150. (In Persian)

26. Samadi, A., 2015, The Application of Artificial Neural Network and Fuzzy Logic Integration in Urban Development (Case Study: Marivan City), Master's Thesis, University of Tehran. (In Persian)

27. Sarvar, H., Sarvar, R., Tohidi, M., 2017, The Study of the Optimal Model of Physical Development in Baneh City Based on Interindustrial Development Indicators, Geography and Environmental Studies Quarterly, No. 20, PP. 65-82. (In Persian)

28. Shakooyi, H., 2007, New Perspectives in Urban Geography, Samt Publication, Vol. I, Tehran. (In Persian)

29. Zomorodian, M., 1991, Fundamentals of Regional Civil Enkgineering, Second Edition, Ketabestan Publication, Mashhad. (In Persian(

30. Atkinson, P. M., and Tatnall, A. R. L., 1997, Introduction Neural Networks in Remote Sensing, International Journal of Remote Sensing, Vol. 18, No. 4, PP. 699-709.

31. Gomez, H., Kavzoglu, T., and Mather, P., 2002, Artificial Neural Network Application in Landslide Hazard Zonation in the Venezuelanandes, Abstracts of 15th International Conference on Geomorphology, Tokyo, Japan, PP. 23-28.

32. Hess, G. R., 2001, Just What Is Sprawl, Anyway? www4.ncsu.edu/~grhess.

33. Hires Kara G. K., 1989, Fundamental of Town Planning’s, Published by O. P. Kaptur for Dan Pat Ray and Sons, and Delhi.

34. Huang, H. G., Hwang, R. C., and Hsieh, J. G., 2002, A New Artificial Intelligent Peak Power Load Forecaster Based on Non-Fixed Neural Networks, Electrical Power Energy Syst 24, PP. 245- 250.

35. Jalili Ghazi Zade, M., and Noori, R., 2008, Prediction of Municipal Solid Waste Generation By Use of Artificial Neural Network: A Case Study of Mashhad, Int. J. Environ. Vol. 2, No. 1, PP. 13-22.

36. Kiartzis, S. K., Bakirtzis, A. G., and Petridis, V., 1995, Short-Term Load Forecasting Using Neural Networks, Electric Power Syst Res, No. 33, PP. 1 -6.

37. Lehner, A., Kraus, V., and Stennoche, K., 2016, Urban Growth Scenarios of a Future Mega City: Case Study Ahmedabad, Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. Iii, No. 2, PP. 165-172

38. Merlin, P., 2000, Methods Quantitative and Space Urban, Univercity of Paris.

  1. 39.  Noori, R., Karbassi, A., Mehdizadeh, H., Vasali Naseh, M., and Sabahi, M. S., 2011, A Framework Development for Predicting the Longitudinal Dispersion Coefficient in Natural Streams Using an Neural Network, Environmental Progress and Sustainable Energy, No. 3, PP. 439- 447.
40. Noori, R., Khakpour, A., Omidvar, B., and Farokhnia, A., 2010, Comparison of Ann and Principal Component Analysismultivariate Linear Regression Models for Predicting the River Flow  based on developed discrepancy ratio statistic, Expert Systems with Applications , No. 37, PP.  5856–5862.

41. Park, S., Jeon, S., Kim, S., and Choi, C., 2011, Prediction and Comparison of Urban Growth by Land Suitability Index Mapping Using Gis and Rs in South Korea, Landscape and Urban Planning, Vol. 99. No. 2, PP. 104-114

42. Sliuzas, R. V., 2004, Managing Informal Settlements: A Study Using Geo-Information in Dar Es Salaam, Tanzania.

43. Tewolde, M. G., and Cabral, P., 2011, Urban Sprawl Analysis and Modeling in Asmara, Eritrea. Remote Sensing, Vol. 3, No. 10, PP. 2148-2165.

44. Yaakup, A., 2007, Gis as New Approach and Method in Preparing and Implementing the Development Plan in Malaysian Planning System, Journal Alam Bina, No. 7, PP. 21-41.

  1. 45.  Yilmaz, I., 2009, Landslide Susceptibility Mapping Using Frequency Ratio, Logistic Regression, Artificial Neural Networks and Their Comparison: A Case Study From Kat Landslides (Tokat-Turkey), Computers and Geosciences, Nol. 35, PP. 1125-1138.