مدلسازی دینامیکی رشد شهری با استفاده از مدل ترکیبی خودکاره های سلولی با الگوریتم ژنتیک و شبکه های عصبی مصنوعی (منطقه مورد مطالعه: شهرکرمان)

افزایش جمعیت شهری و متعاقب آن توسعه ی مناطق شهری از مهمترین مسائل پیش رو در جوامع امروزی می باشند که منجر به ایجاد مشکلات فراوانی در حوزه های زیست محیطی، اقتصادی، اجتماعی، فرهنگی گشته است. شناسایی، آشکارسازی و پیش بینی این تغییرات می تواند در پایش و مدیریت پایدار کاربری و پوشش زمین ها چه در مناطق شهری و چه غیر شهری سودمند باشد. در این میان تلفیق سنجش از دور و سیستم های اطلاعات مکانی جهت آشکارسازی و همچنین مدلسازی این تغییرات می تواند بسیار راهگشا باشد. هدف اصلی در این پژوهش، بکارگیری تلفیقی مدل خودکاره‎های سلولی و الگوریتم های ژنتیک و همچنین شبکه های عصبی مصنوعی به منظور مدلسازی و پیش بینی توسعه شهری می باشد. در این پژوهش، تحلیل روند توسعه ی شهری با استفاده از مدل های ترکیبی خودکاره های سلولی و الگوریتم های ژنتیک در طول دو بازه زمانی 1987 و 2009 در شهر کرمان بر روی تصاویر ماهواره لندست با تفکیک پذیری مکانی 5/28 متر و همسایگی moore با 5 همسایه اطراف سلول مرکزی پیاده سازی شده است. بدین منظور مولفه هایی همچون همسایگی مناطق شهری، فاصله از خیابان ها و راه ها، فاصله از مراکز جذب و شیب زمین به عنوان پارامترهای موثر در رشد و توسعه شهری در نظر گرفته شده اند. نتایج نشان داد بکارگیری ترکیبی مدل خودکاره های سلولی و الگوریتم های ژنتیک می تواند در فرایند کالیبراسیون قوانین انتقال خودکاره های سلولی بهبود ایجاد نماید. مقدار بدست آمده برای شاخص کاپا به عنوان شاخص ارزیابی در این مدل برابر با 32/73% است. دیگر مدل پیاده سازی شده که ترکیب خودکاره های سلولی و شبکه های عصبی مصنوعی می باشد توانست شاخص کاپایی برابر با 15/80% را به خود اختصاص دهد که نشان از توانایی بیشتر این مدل نسبت به مدل ترکیبی قبلی دارد. به همین منظور از مدل ترکیبی خودکاره های سلولی و شبکه های عصبی مصنوعی جهت پیش بینی توسعه شهری در سال 2031 استفاده شد. بر این اساس شهر کرمان در جهات شمال غربی و جنوب غربی دستخوش بیشترین توسعه شهری خواهد شد که بطور خطی و در مجاورت راه های ارتباطی انجام خواهد پذیرفت. بر اساس چنین پیش بینی ای، مدیران شهری می بایست زیرساخت های شهری را برای مناطق مورد توسعه فراهم نموده مدیریت شهری را معطوف به چنین مناطقی نمایند.