Remote Sensing and GIS Applications in Environmental Sciences

Modeling Urban Physical Expansion with Cellular Automaton Method (Case Study: Tabriz City)

Document Type : Original Article

Author

GIS

10.22034/rsgi.2025.66330.1123

Abstract

Urban expansion is one of the complex and challenging issues in urban planning. Cellular automata, as a powerful simulation method, is used to model and predict urban physical expansion. The aim of the present study is to use the cellular automata method to model and analyze the physical growth of Tabriz city. In this regard, the study aims to investigate the impact of various factors such as urban development and changes in urban structure density using the Markov chain model on the physical growth of Tabriz city. To achieve this goal, first, satellite images from 2017, 2019, 2021, and 2023 were analyzed and classified using the maximum likelihood classification method. After this stage, land use maps of Tabriz city were extracted. The results showed a significant expansion of residential areas and at the same time a significant decrease in wasteland and agricultural lands during this six-year period. The urban development trend forecast in 2033 has been carried out using the Markov chain model with a kappa index of 81.14. The results obtained from the analyses carried out using the models show that the city of Tabriz is progressing and expanding in a centralized and nuclear manner in different stages of its development and expansion. This progress is clearly visible in all directions and dimensions, especially from the east of the city. Therefore, emphasizing the use of more advanced models such as the Markov chain can significantly help improve the accuracy of predictions and analyses related to land use changes. The results of this research can be used in urban planning and urban resource management decisions.

Keywords

Main Subjects

گسترش شهری یکی از مسائل پیچیده و چالش‌برانگیز در برنامه‌ریزی شهری است. در حال حاضر، شهرها با تغییرات مکرر و پیشرفت فناوری با تحولات عمده از جمله جمعیت، تراکم جمعیتی، تغییرات اقتصادی و اجتماعی رو‌برو هستند. اتوماتای سلولی به عنوان یک روش شبیه‌سازی کامپیوتری قدرتمند، برای مدلسازی و پیش‌بینی گسترش کالبدی شهری استفاده می‌شود. هدف از تحقیق حاضر،  با استفاده از روش اتوماتای سلولی در جهت مدلسازی و تحلیل کالبدی شهر تبریز میباشد. در این راستا به تحقیق بررسی تأثیر عوامل مختلف مانند رشد جمعیت، توسعه شهری، تغییرات در تراکم ساختار شهری و سیاست‌های شهرسازی  با استفاده از مدل زنجیره مارکوف بر رشد کالبدی شهر تبریز است. با استفاده از این روش، می‌توان تغییرات آینده شهر را پیش‌بینی کرده و تأثیر تصمیمات مختلف شهرسازی را بر روی کالبد شهر تحلیل کرد.  برای دستیابی به این هدف، ابتدا تصاویر ماهواره‌ای مربوط به سال‌های 2017، 2019، 2021 و 2023 با استفاده از روش طبقه‌بندی حداکثر احتمال  تحلیل و طبقه‌بندی شدند. پس از این مرحله، نقشه‌های کاربری اراضی شهر تبریز استخراج گردیدند. نتایج حاصل از آشکارسازی تغییرات نشان‌دهنده گسترش قابل توجه مناطق مسکونی و در عین حال کاهش چشمگیر در اراضی بایر و اراضی کشاورزی در طول این دوره شش ساله بود. این تغییرات به وضوح نمایانگر تحولات اساسی در ساختار کاربری اراضی شهر تبریز است و می‌تواند به عنوان مبنایی برای برنامه‌ریزی‌های آینده و مدیریت منابع طبیعی در این منطقه مورد استفاده قرار گیرد. پیش‌بینی روند توسعه شهری در سال 2033 با بهره‌گیری از مدل زنجیره مارکوف با شاخص کاپای 14/81 انجام شده است. نتایج این تحلیل‌ها حاکی از آن است که مدل مارکوف از دقت بسیار خوبی در شبیه‌سازی و پیش‌بینی تغییرات کاربری اراضی برخوردار است. علاوه بر این، نتایج به‌دست‌آمده از تحلیل‌های انجام شده با استفاده از مدل‌ها نشان می‌دهد که شهر تبریز در مراحل مختلف توسعه و گسترش خود به صورت متمرکز و هسته‌ای در حال پیشرفت و گسترش است. این پیشرفت در تمامی جهات و ابعاد مختلف به وضوح قابل مشاهده است، که نشان‌دهنده روند رو به رشد و تحولات اساسی در ساختار شهری این منطقه می‌باشد. بنابراین، تأکید بر استفاده از مدل‌های پیشرفته‌تر مانند زنجیره مارکوف می‌تواند به بهبود دقت پیش‌بینی‌ها و تحلیل‌های مربوط به تغییرات کاربری اراضی کمک شایانی نماید. از نتایج این پژوهش می‌توان در تصمیم‌گیری‌های شهرسازی و مدیریت منابع شهری استفاده کرد. همچنین، این تحقیق می‌تواند به توسعه پایدار و بهبود کیفیت زندگی در شهر تبریز کمک کند.

Ghanbari, A., & Heydarinia, S. A. (2016). Land management and urban network analysis of Hamadan province (1976-2011). Retrieved from https://civilica.com/doc/1808208 (In Persian)
Karimzadeh Motlagh, Z., Lotfi, A., Pourmanafi, S., & Ahmadizadeh, S. S. R. (2022). Evaluation and prediction of land use changes using CA_Markov model. Journal of Geography and Regional Planning, 33(2), 67-84. https://doi.org/10.22108/gep.2022.131858.1525 (In Persian)
Kazem, A. H., Hosseinali, F., & Alesheikh, A. A. (2015). Urban growth modeling using medium resolution satellite imagery based on cellular automata (Case study: Tehran). Scientific-Research Quarterly of Geographical Data (SEPEHR), 24(94), 45-58. https://doi.org/10.22131/sepehr.2015.14476 (In Persian)
Maleki, M., Malekani, L., & Valizadeh Kamran, K. (2019). Modeling the occurrence and spread of fire front using cellular automata method (Case study: Arasbaran protected area). Natural Environment, Iranian Journal of Natural Resources, 37(1), 1-15. https://doi.org/10.22059/jne.2020.286679.1785 (In Persian)
Mirakhourlo, M. S., & Rahimzadegan, M. (2018). Land use change modeling using Markov-cellular automata model and multi-criteria decision making in Talar watershed. Journal of Geomatics Science and Technology, 8(1), 85-99. https://doi.org/10.22108/gep.2022.130601.1458 (In Persian)
 Nazemfar, R., Mohammadzadeh, P., & Ghanbari, A. (2013). Residential location choice by households in Tabriz city. In National Conference on Sustainable Architecture and Urban Development, Bukan, Iran. https://civilica.com/doc/214227 (In Persian)
Rezazadeh, R., & Mirahmadi, M. (2009). Cellular automata model, a new approach in urban growth simulation. Technology of Education Journal, 4(1), 47-55. https://sid.ir/paper/155505/fa (In Persian)
Abolhasani, S., Taleai, M., Karimi, M., & Rezaee Node, A. (2016). Simulating urban growth under planning policies through parcel-based cellular automata (ParCA) model. International Journal of Geographical Information Science, 30(11), 2276-2301. https://doi.org/10.1080/13658816.2016.1184271
Duan, Y. (2014). Relative radiometric correction methods for remote sensing images and their applicability analysis. National Remote Sensing Bulletin, 3(2), 24-32. https://doi.org/10.11834/jrs.20143204
Feng, L., Xusheng, L., Dan, H., Rusong, W., Wenrui, Y., Dong, L., & Dan, Z. (2009). Measurement indicators and an evaluation approach for assessing urban sustainable development: A case study for China's Jining City. Landscape and Urban Planning, 90(3-4), 134-142. https://doi.org/10.1016/j.landurbplan.2008.11.007
Gordon, E., & Meentemeyer, R. K. (2006). Effects of dam operation and land use on stream channel morphology and riparian vegetation. Geomorphology, 82(3), 412-429. https://doi.org/10.1016/j.geomorph.2006.06.001
Hasegawa, M., Kishino, H., & Saitou, N. (1991). On the maximum likelihood method in molecular phylogenetics. Journal of Molecular Evolution, 32(5), 443-445. https://doi.org/10.1007/BF02101285
Li, J., Pei, Y., Zhao, S., Xiao, R., Sang, X., & Zhang, C. (2020). A review of remote sensing for environmental monitoring in China. Remote Sensing, 12(7), 1130. https://doi.org/10.3390/rs12071130
Navin, M. S., Agilandeeswari, L., & Anjaneyulu, G. S. G. N. (2020). Dimensionality reduction and vegetation monitoring on LISS III satellite image using principal component analysis and normalized difference vegetation index. In 2020 International Conference on Emerging Trends in Information Technology and Engineering (ic-ETITE) (pp. 1-6). https://doi.org/10.1109/ic-ETITE47903.2020.466
Otgonbayar, M., Badarifu, T., Ranatunga, T., Onishi, T., & Hiramatsu, K. (2018). Cellular automata modelling approach for urban growth. Robotics and Autonomous Systems, 6, 93-104. https://doi.org/10.7831/RAS.6.93-104
Peters, G. A. (1991). Azolla and other plant-cyanobacteria symbioses: Aspects of form and function. Plant and Soil, 137(1), 25-36. https://doi.org/10.1007/BF02101285
Pontius, R. G., & Malanson, J. (2005). Comparison of the structure and accuracy of two land change models. International Journal of Geographical Information Science, 19(2), 243-262. https://doi.org/10.1080/13658810410001713434
Ranneby, B. (2016). The maximum spacing method: An estimation method related to the maximum likelihood method. Scandinavian Journal of Statistics. https://doi.org/10.1002/sjss.2016.691c48e38ca53297fef723dfb6ee858454972010
Rumora, L., Miler, M., & Medak, D. (2020). Impact of various atmospheric corrections on Sentinel-2 land cover classification accuracy using machine learning classifiers. ISPRS International Journal of Geo-Information, 9(4), 277. https://doi.org/10.3390/ijgi9040277
Shimizu, E. (2019). Satellite remote sensing. In Dictionary of geotourism (pp. 2152). Springer. https://doi.org/10.1007/978-981-13-2538-0_2152
Wang, S., Zheng, X., & Zang, X. (2012). Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences, 13, 1238-1245. https://doi.org/10.1016/j.proenv.2012.01.114
Ye, B., & Bai, Z. (2007). Simulating land use/cover changes of Nenjiang County based on CA-Markov model. In Computer and Computing Technologies in Agriculture, Volume I (pp. 321–329). https://doi.org/10.1007/978-1-4020-6320-6_40
UnitedNations, (2014). Human Development Report, New York: 10017
Remote Sensing and GIS Applications in Environmental Sciences
Volume 5, Issue 16
November 2025
Pages 29-19
  • Receive Date: 10 March 2025
  • Revise Date: 22 April 2025
  • Accept Date: 26 April 2025