نوع مقاله : مقاله پژوهشی

نویسندگان

• سارا بهشتی فر
• صادق احمدونداقدم

دانشگاه تبریز

چکیده

پیش‌بینی توسعه فیزیکی شهرها نقش کلیدی در جلوگیری از تخریب پوشش گیاهی و زمین‌های کشاورزی و تحقق توسعه پایدار شهری دارد. پژوهش حاضر با هدف پیش‌بینی توسعه شهری ارومیه با رویکرد ترکیبی یادگیری عمیق و مدل خودکار سلولی زنجیره مارکوف و با داده‌های محدود سری زمانی انجام شد.
سه تصویر لندست (۲۰۰۲، ۲۰۱۳، ۲۰۲۴) پس از تصحیحات رادیومتریک و اتمسفری، با دو روش شبکه عصبی کانولوشنی و ماشین بردار پشتیبان طبقه‌بندی شدند. نقشه‌های دقیق‌تر برای شبیه‌سازی تغییرات تا سال ۲۰۳۵ وارد مدل خودکار سلولی زنجیره مارکوف گردیدند. اعتبارسنجی مدل مذکور با مقایسه نقشه پیش‌بینی شده و نقشه واقعی سال ۲۰۲۴ انجام گرفت.
روش شبکه عصبی کانولوشنی در هر سه مقطع برتری داشت: میانگین دقت کلی این روش حدود ۸۸ درصد (ضریب کاپای ۰.۸۳) و میانگین دقت ماشین بردار پشتیبان حدود ۸۱ درصد (ضریب کاپای ۰.۷۴) به‌دست آمد. در بازه ۲۰۰۲‑۲۰۲۴، مساحت اراضی شهری از ۶,۰۴۶ به ۹,۰۳۰ هکتار افزایش (سهم از ۲۴٪ به ۳۷٪) و اراضی بایر از ۸,۶۳۵ به ۵,۸۳۶ هکتار کاهش یافته است (سهم از ۳۵٪ به ۲۴٪). پیش‌بینی برای سال ۲۰۳۵ نشان می‌دهد که سهم اراضی شهری به ۳۸ درصد (۹,۳۰۶ هکتار) و سهم اراضی بایر به ۲۱ درصد (۵,۲۶۱ هکتار) خواهد رسید.
رویکرد ترکیبی شبکه عصبی کانولوشنی و مدل خودکار سلولی زنجیره مارکوف با داده‌های محدود (سه مقطع زمانی) بدون نیاز به معماری‌های پیچیده، ابزاری کارآمد و قابل اتکا برای پیش‌بینی توسعه شهری ارائه می‌دهد و می‌تواند در برنامه‌ریزی پایدار ارومیه مؤثر باشد.

کلیدواژه‌ها

• پیش‌بینی رشد شهری
• طبقه‌بندی تصاویر
• شبکه عصبی کانولوشنی
• ارومیه
• ماشین بردار پشتیبان

موضوعات

• سنجش از دور و سیستم اطلاعات جغرافیایی

عنوان مقاله [English]

Prediction of Urban Growth in Urmia Using a Hybrid Approach of Deep Learning and Markov Chain with Limited Time Series Data

نویسندگان [English]

• Sara Beheshtifar
• Sadegh Ahmadvand Aghdam

Tabriz university

چکیده [English]

Predicting the physical development of cities plays a key role in preventing the destruction of vegetation and agricultural lands and achieving sustainable urban development. This study aims to predict urban growth in Urmia using a hybrid approach of deep learning and a cellular automata Markov chain model with limited time series data.
Three Landsat images (2002, 2013, 2024) were pre processed with radiometric and atmospheric corrections and then classified using two methods: convolutional neural network (CNN) and support vector machine (SVM). The more accurate maps were used as input for the CA Markov model to simulate land use changes up to 2035. The model was validated by comparing the predicted map with the actual map of 2024.
The CNN outperformed the SVM in all three periods. The mean overall accuracy of CNN was about 88% (kappa: 0.83), while SVM achieved about 81% (kappa: 0.74). Between 2002 and 2024, urban area increased from 6,046 to 9,030 hectares (share from 24% to 37%), while barren land decreased from 8,635 to 5,836 hectares (share from 35% to 24%). The prediction for 2035 indicates that the urban share will reach 38% (9,306 ha) and barren land will drop to 21% (5,261 ha).
The hybrid approach combining CNN and CA Markov, using only three time points and without requiring complex architectures (e.g., ConvLSTM), proves to be an efficient and reliable tool for predicting urban growth and can effectively support sustainable planning in Urmia.

کلیدواژه‌ها [English]

• Urban Growth Prediction
• Image Classification
• Convolutional Neural Network (CNN)
• Urmia
• Support Vector Machine (SVM)