مرجان قایمی

مرجان قایمی

مدرک تحصیلی: استادیار گروه عمران، دانشگاه فردوسی مشهد

مطالب

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۱ مورد از کل ۱ مورد.
۱.

مدل سازی احتمال تغییر رشد شهری با استفاده از شبکه عصبی مصنوعی و رگرسیون لجستیک (مطالعه موردی: شهر مشهد)(مقاله علمی وزارت علوم)

کلید واژه ها: مدل سازی احتمال تغییر رشد شهری رگرسیون لجستیک شبکه عصبی پرسپترون چند لایه مشهد.ROC

حوزه های تخصصی:
تعداد بازدید : 453 تعداد دانلود : 208
در کشور های در حال توسعه، تمایل زیاد برای تمرکز جمعیت در مناطق شهری و به تبع آن رشد سریع و ناموزون شهر ها سبب شده است که طراحان و برنامه ریزان شهری، استفاده از سیاست ها و راهکار های مناسب را جهت اجتناب از تأثیرات مخرب زیست محیطی و اجتماعی- اقتصادی در دستور کار قرار دهند. در این راستا، اطلاعات مکانی و زمانی مرتبط با الگوهای نرخ رشد، درک بهتری را از فرآیند رشد شهری فراهم نموده و ابزار های مناسب را جهت اخذ سیاست های مدیریتی و برنامه ریزی در اختیار مدیران شهری  قرار می دهند. لذا هدف اصلی این پژوهش، محاسبه احتمال تغییر رشد شهر مشهد با استفاده از روش های رگرسیون لجستیک و شبکه عصبی مصنوعی می باشد. برای این منظور، جهت تهیه نقشه کاربری اراضی، از تصاویر ماهواره ای لندست 7 (سال 2002) و لندست 8 (سال 2015) استفاده شد. سپس با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (MLP)، طبقه بندی تصاویر انجام شد و نقشه های کاربری اراضی شهری با دقت کلی 948/0 و شاخص کاپای 936/0 برای سال 2002 و همچنین دقت کلی 817/0 و شاخص کاپای  775/0 برای سال 2015 استخراج شدند. در نهایت، با اجرای رگرسیون لجستیک بین نقشه کاربری اراضی شهری سال 2015 (به عنوان متغیر وابسته) و فاکتور های مؤثر از جمله عوامل فیزیکی و عوامل انسانی به همراه نقشه اراضی سال 2002 (به عنوان متغیر های مستقل)، نقشه پتانسیلی پیشرفت اراضی شهری تهیه شد. ارزیابی مدل رگرسیونی ایجاد شده با استفاده از دو شاخص Pseudo-R<sup>2</sup> و ROC نشان داد که این مدل با مقدار ROC معادل 87/0 و مقدار Pseudo-R<sup>2</sup> برابر 345/0 دارای قابلیت بالایی جهت نمایش تغییرات و تعیین مناطق مستعد تغییر می باشد و می توان برازش مدل را نسبتاً خوب در نظر گرفت.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان