متناسب‌سازی ساختارفضایی کاربری‌زمین با بهره‌گیری از شبکه‌عصبی پرسپرسترون چندلایه در شهرستان همدان

الموضوعات :

ناصر شفیعی ثابت ¹ (دانشیار گروه جغرافیای انسانی و آمایش، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران ، ایران)
فرانک فیض بابایی چشمه سفیدی ² (دانشجوی کارشناسی ارشد، گروه جغرافیا و برنامه ریزی روستایی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران)

تاريخ الإرسال : 27 الجمعة , ذو الحجة, 1442 تاريخ التأكيد : 13 الثلاثاء , ربيع الأول, 1443 تاريخ الإصدار : 28 السبت , جمادى الثانية, 1444

الکلمات المفتاحية: شبکه‌عصبی, کاربری‌اراضی, متناسب‌سازی, شهرستان همدان,

ملخص المقالة :

پیشینه و هدف حفاظت از منابع طبیعی به‌ویژه زمین و کاربری آن از دیرباز موردتوجه و بررسی بوده است. در واقع می‌توان گفت به این دلیل که کاربری زمین در گذر زمان تغییرات بسیاری را تجربه کرده است که این تغییرات دارای اثرات مستقیم و فراوان بر اکوسیستم و محیط بوده و به‌تبع آن پیامدهای گوناگونی را در پی داشته است، ازجمله این پیامدها می‌توان به تغییر کاربری زمین متأثر از گسترش شتابان شهرنشینی و اثرات آن بر الگوی کاربری زمین در محیط اطراف و درنهایت قطعه‌قطعه شدن اراضی در این مناطق اشاره داشت. بر همین اساس در بسیاری از مواقع تبدیل کاربری زمین از حالت طبیعی خود به کاربری‌های انسان‌ساخت دارای پیامدهای بازگشت‌ناپذیری بوده که در جهت کاهش پیامدهای این امر می‌توان به متناسب‌سازی ساختار کاربری زمین پرداخت. تناسب‌زمین به هم‌خوانی ظرفیت‌های یک قطعه زمین و کاربری موجود در آن اطلاق می‌شود، و ازآنجاکه تخصیص نامتناسب کاربری زمین و عدم توجه به تغییرات آن دارای پیامدهای بسیاری نظیر جدایی گزینی اجتماعی-اقتصادی، فرسودگی محیطی و از بین رفتن منابع است. بنابراین تصمیم‌گیری‌ها در زمینه مدیریت زمین و منابع همواره باید به صورتی هدایت ‌شوند که با منافع جامعه و محیط طبیعی تعارض نداشته باشند، در این راستا یکی از راه‌های مؤثر برای کنترل و به حداقل رساندن آسیب‌ها و پیامدهای تغییر کاربری اراضی، متناسب‌سازی ساختار آن است، به صورتی که بر اساس ویژگی‌های منابع زمین و قابلیت‌های آن، زمین می‌تواند تحت توزیع مکانی و آرایشی منطقی‌تری قرار گیرد. هدف از انجام پژوهش حاضر شناسایی و پهنه‌بندی میزان تناسب ساختار کاربری‌اراضی با قابلیت‌های موجود در محدوده شهرستان همدان و همچنین بررسی میزان کارایی روش شبکه عصبی پرسپرسترون چندلایه در زمینه متناسب‌سازی ساختار کاربری اراضی در این شهرستان است.مواد و روش ها بر اساس پیشینه پژوهش و با توجه به معیارهای اثرگذار در زمینه متناسب‌سازی ساختار کاربری‌اراضی، شاخص‌های گوناگونی برگزیده شد که شامل؛ 12 شاخص کاربری زمین، شیب، میانگین دما، میانگین بارش، میانگین رطوبت، میانگین سرعت باد، زمین‌شناسی، نوع خاک، فاصله از رودخانه، فاصله از چاه‌ها، فاصله از جاده‌های اصلی و نوع پوشش گیاهی بوده است. سپس با استفاده از بازدید میدانی، ثبت نقاط دارای تناسب کاربری به‌عنوان نقاط تعلیمی انجام گرفت. پس از آماده‌سازی لایه‌های شاخص‌های مذکور به استانداردسازی این لایه‌ها در محیط نرم‌افزار سیستم اطلاعات جغرافیایی پرداخته شد و در مرحله بعدی شبکه عصبی پرسپرسترون چندلایه با استفاده از الگوریتم پس از انتشار با واردکردن لایه‌های مؤثر بر متناسب‌سازی ساختار کاربری زمین به‌عنوان ورودی و استفاده از یک‌لایه میانی فاصله از نقاط متناسب از نظر ساختار کاربری زمین، این شبکه با ساختار 1-10- 12 به منظور متناسب‌سازی ساختار کاربری زمین در محدودۀ شهرستان همدان اجرا شد. از 35 درصد از کل پیکسل‌های تصویر فاصله از نقاط متناسب کشاورزی به عنوان نقاط تعلیمی در سه دسته؛ بخش نخست (70 درصد) برای آموزش شبکه، بخش دوم (15 درصد) برای متوقف‌کردن محاسبات در زمانی که خطا درحال افزایش است و از بخش سوم (15 درصد) برای راستی آزمایی شبکه استفاده شد و در نهایت به ترسیم نقشه نهایی تناسب زمین اقدام گردید، لایه بدست آمده دارای ارزشی بین 0 و 1 بود که به پنج کلاس تناسب اراضی تقسیم بندی شد.نتایج و بحث در پژوهش حاضر پس از شناسایی عوامل مؤثر بر ساختار کاربری زمین و متناسب‌سازی ساختار آن و تهیه لایه‌های هر یک از آن‌ها، به استانداردسازی لایه‌های مذکور اقدام شد. سپس با استفاده از بازدید میدانی، ثبت نقاط دارای تناسب کاربری به‌عنوان نقاط تعلیمی انجام گرفت بدین ترتیب به متناسب‌سازی ساختار کاربری‌زمین توسط مدل شبکه عصبی پرسپرسترون چندلایه با تعداد تکرار 58 اقدام گردید. نتایج حاصل از صحت سنجی شبکه عصبی و لایه خروجی حاصل از آن بیانگر دقت بالای شبکه در متناسب سازی ساختار کاربری زمین بوده به صورتی که مقادیر جذر میانگین مربعات خطا (RMSE)، خطای مطلق (MAE) و ضریب همبستگی (R2) در فرایند اجرای شبکه به ترتیب برابر با 0.19، 0.21، و 0.89 بود، که خود بیانگر دقت بالای شبکه در اجرای فرایند متناسب‌سازی هستند.. در آخر میزان تناسب اراضی به 5 کلاس کاملاً نامناسب، تاحدودی نامناسب، نامناسب، تاحدودی مناسب و کاملاً نامناسب تقسیم‌بندی شد و نتایج حاصله نشان داد که بیشترین مساحت مناطق را به ترتیب اراضی تا حدودی مناسب و کاملاً مناسب با 32.62 و 28.13 درصد از کل مساحت محدوده را در برگرفته‌اند.نتیجه گیری بخش عمدۀ مساحت منطقه از نظر عوامل تأثیرگذار در جهت انجام فعالیت‌های کشاورزی مناسب نبوده و در این محدوده اغلب کاربری‌های شهری، اراضی کاملاً بایر و غیرقابل کشت، اراضی کوهستانی و سنگلاخی و مراتع بی‌کیفیت قرارگرفته‌اند که به‌صورت عمده در نواحی غرب و جنوب غرب محدوده شهرستان همدان وجود دارند. همچنین در این محدوده، اراضی که از نظر تناسب دارای موقعیت تاحدودی مناسب و کاملاً مناسب بوده‌اند ازنظر 12عامل اثرگذار در بهترین شرایط به‌منظور انجام فعالیت‌های کشاورزی و باغی قرار گرفته و بهترین مکان برای توسعه فعالیت‌های کشاورزی محسوب می‌شوند. بدین‌سان، در جهت دگرگونی شرایط کاربری زمین به‌سوی روند مناسب تر، ضمن توجه به برنامه‌ریزی یکپارچه شهری ـ روستایی برای شهر همدان و سکونتگاه های پیرامونی آن، توجه به برنامه ریزی کاربری زمین به‌گونه‌ای مناسب در برنامه‌ها و طرح‌های روستایی ـ شهری توصیه می شود. زیرا، گسترش شتابان شهر همدان و فضاهای پیراشهری آن، چالش های پرشماری در راستای تناسب زمین ایجاد کرده است. به گونه ای که حدود 23.1 درصد اراضی آمادگی لازم برای دگرگونی به شرایط نامناسب و کاملاً نامناسب را دارند. 32.62 درصد کاربری‌زمین هم در معرض دگرگونی به شرایط نیمه‌مناسب است. بر بنیاد آنچه گفته شد کنترل، نظارت، و هدایت ساخت‌وسازها و جلوگیری از گسترش بیش‌ازپیش افقی شهر همدان و فضاهای پیرامونی آن به‌وسیله دست‌اندرکاران شهری و روستایی (مدیریت محلی)، به‌سوی زمین‌های مرتعی و کشاورزی پیشنهاد می شود. بیشترین میزان مساحت از اراضی در این محدوده مربوط به اراضی تا حدودی مناسب و کاملاً مناسب و کمترین مساحت نیز متعلق به اراضی نامناسب و تا حدودی نامناسب بوده است. بنابراین می‌توان گفت که شهرستان همدان در حال حاضر ازلحاظ تناسب اراضی در وضعیتی نیمه مناسب قرارگرفته که در صورت برنامه‌ریزی‌ها و سیاست‌های درست در آینده این وضعیت می‌تواند روند مطلوب‌تری را پیش رو داشته باشد.

المصادر:

Bagheri M, Jelokhani Noaryki M, Bagheri K. 2018. Investigation of the land potential of Kermanshah province for rainfed wheat cultivation using artificial neural network. Journal of RS and GIS for Natural Resources, 8(4): 36-48. http://dorl.net/dor/20.1001.1.26767082.1396.8.4.3.2. (In Persian).

Bajocco S, De Angelis A, Perini L, Ferrara A, Salvati L. 2012. The impact of land use/land cover changes on land degradation dynamics: a Mediterranean case study. Environmental Management, 49: 980-989. https://doi.org/10.1007/s00267-012-9831-8.

Benza M, Weeks JR, Stow DA, Lopez-Carr D, Clarke KC. 2016. A pattern-based definition of urban context using remote sensing and GIS. Remote Sensing of Environment, 183: 250-264. https://doi.org/10.1016/j.rse.2016.06.011.

Bharvand S, Soori S. 2015. Landslide hazard zonation using artificial neural network (Case study: Sepiddasht-Lorestan, Iran). Journal of RS and GIS for Natural Resources, 6(4): 15-31. https://girs.bushehr.iau.ir/article_518870.html?lang=en. (In Persian).

Carvajal F, Crisanto E, Aguilar F, Aguera F, Aguilar M. 2006. Greenhouses detection using an artificial neural network with a very high resolution satellite image. In: International Archives of Photogrammetry, Remote Sensing, and Spatial Information Sciences Vol. XXXVI - Part 2 (ISPRS) Technical Commission II Symposium, Vienna. pp 37-42.

Casellas A. 2009. Barcelona’s urban landscape: The historical making of a tourist product. Journal of Urban History, 35(6): 815-832. https://doi.org/10.1177/0096144209339557.

Dadashpoor H, Alidadi M. 2017. Towards decentralization: Spatial changes of employment and population in Tehran Metropolitan Region, Iran. Applied Geography, 85: 51-61. https://doi.org/10.1016/j.apgeog.2017.05.004.

Du T, Vejre H, Fertner C, Xiang P. 2019. Optimisation of ecological leisure industrial planning based on improved GIS-AHP: A case study in Shapingba District, Chongqing, China. Sustainability, 12(1): 33. https://doi.org/10.3390/su12010033.

El-Nozha E-G. 2009. Change detection using neural network with improvement factor in satellite images. American Journal of Environmental Sciences, 5(6): 706-713.

Honarbakhsh A, Pajoohesh M, Zangiabadi M, Heydari M. 2016. Land Use Optimization Using Combination of Fuzzy Linear Programming and Multi Objective Land Allocation Methods (Case Study: ChelgerdWatershed). Iranian Journal of Ecohydrology, 3(3): 363-377. https://dx.doi.org/10.22059/ije.2016.60025. (In Persian).

Hoover EM, Giarratani F. 2020. An introduction to regional economics. Regional Research Institute, Western Virginia University. 444 pp.

Huang H-C, Hwang R-C, Hsieh J-G. 2002. A new artificial intelligent peak power load forecaster based on non-fixed neural networks. International Journal of Electrical Power & Energy Systems, 24(3): 245-250. https://doi.org/10.1016/S0142-0615(01)00026-6.

Jahangir MH, Reineh SMM, Abolghasemi M. 2019. Spatial predication of flood zonation mapping in Kan River Basin, Iran, using artificial neural network algorithm. Weather and Climate Extremes, 25: 100215. https://doi.org/10.1016/j.wace.2019.100215.

Kc B, Race D. 2020. Outmigration and land-use change: A case study from the middle hills of Nepal. Land, 9(1): 2. https://doi.org/10.3390/land9010002.

Kennedy CM, Hawthorne PL, Miteva DA, Baumgarten L, Sochi K, Matsumoto M, Evans JS, Polasky S, Hamel P, Vieira EM. 2016. Optimizing land use decision-making to sustain Brazilian agricultural profits, biodiversity and ecosystem services. Biological Conservation, 204: 221-230. https://doi.org/10.1016/j.biocon.2016.10.039.

Li Y, Li Y, Westlund H, Liu Y. 2015. Urban–rural transformation in relation to cultivated land conversion in China: Implications for optimizing land use and balanced regional development. Land use policy, 47: 218-224. https://doi.org/10.1016/j.landusepol.2015.04.011.

Ma S, He J, Liu F, Yu Y. 2011. Land-use spatial optimization based on PSO algorithm. Geo-spatial Information Science, 14(1): 54-61. https://doi.org/10.1007/s11806-011-0437-8.

Maier HR, Dandy GC. 2001. Neural network based modelling of environmental variables: a systematic approach. Mathematical and Computer Modelling, 33(6-7): 669-682. https://doi.org/10.1016/S0895-7177(00)00271-5.

Onilude O, Vaz E. 2020. Data analysis of land use change and urban and rural impacts in Lagos state, Nigeria. Data, 5(3): 72. https://doi.org/10.3390/data5030072.

Peng J, Wang Y, Wu J, Yue J, Zhang Y, Li W. 2006. Ecological effects associated with land-use change in China's southwest agricultural landscape. The International Journal of Sustainable Development & World Ecology, 13(4): 315-325. https://doi.org/10.1080/13504500609469683.

Pennington DN, Dalzell B, Nelson E, Mulla D, Taff S, Hawthorne P, Polasky S. 2017. Cost-effective land use planning: optimizing land use and land management patterns to maximize social benefits. Ecological Economics, 139: 75-90. https://doi.org/10.1016/j.ecolecon.2017.04.024.

Santaram SO, Rawat YS, Khoiyangbam RS, Gajananda K, Kuniyal JC, Vishvakarma SCR. 2005. Land use and land cover changes in Jahlma watershed of the Lahaul valley, cold desert region of the northwestern Himalaya, India. Journal of Mountain Science, 2(2): 129-136. https://doi.org/10.1007/BF02918328.

Sharda R. 1994. Neural networks for the MS/OR analyst: An application bibliography. Interfaces, 24(2): 116-130. https://doi.org/10.1287/inte.24.2.116.

Subasi A, Ercelebi E. 2005. Classification of EEG signals using neural network and logistic regression. Computer Methods and Programs in Biomedicine, 78(2): 87-99. https://doi.org/10.1016/j.cmpb.2004.10.009.

Taylor MJ, Aguilar-Støen M, Castellanos E, Moran-Taylor MJ, Gerkin K. 2016. International migration, land use change and the environment in Ixcán, Guatemala. Land Use Policy, 54: 290-301. https://doi.org/10.1016/j.landusepol.2016.02.024.

Toure SI, Stow DA, Clarke K, Weeks J. 2020. Patterns of land cover and land use change within the two major metropolitan areas of Ghana. Geocarto International, 35(2): 209-223. https://doi.org/10.1080/10106049.2018.1516244.

Uuemaa E, Antrop M, Roosaare J, Marja R, Mander Ü. 2009. Landscape metrics and indices: an overview of their use in landscape research. Living Reviews in Landscape Research, 3(1): 1-28. http://dx.doi.org/10.12942/lrlr-2009-1.

Xu E, Zhang H. 2013. Spatially-explicit sensitivity analysis for land suitability evaluation. Applied Geography, 45: 1-9. https://doi.org/10.1016/j.apgeog.2013.08.005.

Yilmaz I. 2009. Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: a case study from Kat landslides (Tokat—Turkey). Computers & Geosciences, 35(6): 1125-1138. https://doi.org/10.1016/j.cageo.2008.08.007.