این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های محیط زیست، جلد ۸، شماره ۱۴، صفحات ۱۸۱-۱۹۰
عنوان فارسی بررسی قابلیت‌های مدل شبکه عصبی مصنوعی در شبیه‌سازی توسعه شهری با کاربرد نمایه‌های عامل نسبی و بوم‌شناختی سیمای‌سرزمین (مطالعه موردی: شهر ساحلی هشتپر)
چکیده فارسی مقاله شهرنشینی یکی از مهمترین تغییرات جهانی است. رشد سریع شهرهای دنیا فشارهای سنگینی بر سرزمین و منابعاطراف آن‌ وارد کرده است. از آنجا که توسعه فضاهای شهری در آینده امری است اجتناب‌ناپذیر، لزوم درک صحیح از این روند به‌منظور حفاظت از محیط‌زیست شهری ضروری است.شبکه‌های عصبی ابزاری قدرتمند جهت درک فرآیندها و الگوهای مکانی هستند. بدین‌منظور، مدل شبکه عصبی پرسپترون چند لایه به‌عنوان ابزار شبیه‌سازی توسعه در شهر هشتپر انتخاب شد. در پژوهش حاضر از نمایه مجذور میانگین مربعات خطا (RMSE) به‌عنوان شاخص طراحی و پایان آموزش در شبکه استفاده شد. پس از نرمال‌سازی و حذف متغیرهای همبسته، متغیرهای اثرگزار بر توسعه شهر هشتپر به‌صورت: فاصله از شهر، شبکه حمل‌ و ‌نقل اصلی، شبکه هیدروگرافی، کشاورزی، مراتع، اراضی بایر و شیب تعیین و شبکه‌ای متشکل از 22 گره با سه لایه ورودی (7گره)، میانی (14گره) و خروجی (1گره) طراحی شد. فرآیند آموزش به‌کمک تابع مشتق‌پذیر سیگموئید و استخراج نمونه‌های تعلیمی از نقشه تغییرات شهری (2000-1989) اجرا و شبیه‌سازی توسعه برای سال 2007 انجام شد. بررسی قابلیت‌های مدل و تحلیل ساختار سیمای شبیه‌سازی شده نیز با کاربرد نمایه‌های عامل نسبی و بوم‌شناختی سیمای‌سرزمین انجام شد. مطابق نتایج، کمیت بدست آمده از نمایه‌های عامل نسبی و سیمای‌سرزمین نشان دهنده توافق نسبی گستره شبیه‌سازی شده با نقشه حاصل از طبقه‌بندی تصویر است. براین ‌اساس، مدل شبکه عصبی در شبیه‌سازی مساحت کلاس، فاصله اقلیدوسی و چین‌خوردگی شکل لکه‌های شهری قابلیت اعتماد مناسبی دارد. درنهایت تعیین حساسیت مدل به پارامترهای مورد استفاده با حذف متغیرهای مستقل و مقایسه نتایج آن با مدل کامل انجام و
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Investigating the Performance of Artificial Neural Network-based Model in Simulating the Urban Growth using Relative Operating Characteristics and Landscape Ecological Metrics (Study Area: Hashtpar Coastal City)
چکیده انگلیسی مقاله The rapid urban growth has been imposing high pressure to land and their resources. Considering that developing in the urban areas is unavoidable phenomena in future, the proper understanding of this process is essential in order to protect the urban environments.Neural networks are a powerful tool for understanding the spatial processes and patterns. Hence, the neural network model called multi-layer perceptron was applied as a tool for simulating the urban growth in Hashtpar township. The Root Mean Square Error (RMSE) was used as an index in design and stopping the training process of the network in this study. After normalization and removal of the covariate variables, distance to city center, main transportation and hydrographical networks, agriculture, grassland, barren land and slope were chosen as effective variables on the urban growth for study area. Architecture of the network has been designed as 7-14-1, which stands for number of input, hidden and output nodes, respectively. The training process was conducted by implementation of the sigmoid function and extracting the training samples of the urban change (1989-2000) and then simulating the urban growth for 2007. Investigating the performance of the model and analyzing the pattern of the simulated landscape was carried out using the relative operating characteristic and the landscape ecological metrics. The values of the ROC and landscape Ecological metrics indicatean acceptable spatial agreement between the simulated and classified maps. Accordingly, the neural network model has a good reliability in simulation of the class area, Euclidean nearest distance and fractal dimension index
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی شیخ گودرزی | sheikh goodarzi
leeghwaterstraat 206, 2628 lw delft, nl

بهمن جباریان امیری | jabbarian amiri
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

شیرکو جعفری |
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://www.iraneiap.ir/article_45249_e4e1f8286756f3ce60a5fa2558f0e76f.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات