پتانسیلیابی مناطق توسعۀ شهری با استفاده از شبکۀ عصبی مصنوعی (مطالعۀ موردی: شهر کرمانشاه)
نویسندگان
1 دانشجوی کارشناسی ارشد سنجش از دور و سیستمهای اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران
2 دانشجوی کارشناسی ارشد سنجش از دور و سیستمهای اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران
3 استادیار گروه سنجش از دور و سیستمهای اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران
4 دانشجوی دکتری سنجش از دور و سیستمهای اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران
doi
10.22059/jurbangeo.2018.246068.816چکیده
رشد سریع شهرنشینی و توسعة شهری بهویژه در کشورهای درحالتوسعه، به درک الگو و فرایندهای پیچیدة رشد شهری با روش علمی و کارآمد نیاز دارد. لازمة ایجاد رشد شهری پایدار و برنامهریزی توسعة شهری، درک الگوهای صحیح رشد شهری است. کرمانشاه نهمین شهر پرجمعیت کشور و یکی از چهار شهر نخست ایران از نظر حادبودن معضل حاشیهنشینی است. هدف این پژوهش، بررسی پتانسیل توسعة شهری در این شهر است. بدینمنظور، شبکة عصبی پرسپترون چندلایه (MLP) با الگوریتم آموزش لونبرگ- مارکوات بهکار رفت و دادههای مؤثر در توسعة شهری بهعنوان لایههای ورودی به شبکه تعیین شد. این لایهها که در سه گروه اجتماعی-اقتصادی، کاربری زمین و بیوفیزیک قرار میگیرند، شامل 16 لایه هستند. در ادامه، پانصد نقطه بهعنوان نقاط آموزشی شبکه تهیه و ۱۲ لایة میانی نیز تعیین شدند. مطابق نتایج، با دورشدن از امکانات و مناطق شهری، پتانسیلها بهشدت کاهش پیدا میکنند و بیشتر مناطق دارای پتانسیل توسعة شهری در نزدیکترین فاصلة این امکانات و مناطق شهری قرار دارند. بیشترین مناطق پتانسیلدار توسعة شهری، در جنوبغرب شهر کرمانشاه و در اطراف جادههای اصلی کرمانشاه-اسلامآباد و کرمانشاه-کنگاور واقع است. مناطق شمالی شهر بهدلیل ارتفاع و شیب زیاد، پتانسیل اندکی برای توسعه دارند. همچنین ضریب رگرسیون کلی 9۵ درصدی شبکه که حاصل شرکت تمامی دادهها در شبکه است، کارایی زیاد شبکة عصبی پرسپترون چندلایه را در این مطالعه نشان میدهد.