مدلسازی رشد شهری از طریق اتوماتای سلولی (CA) می تواند به عنوان ابزاری مفید برای تجزیه و تحلیل فرایندهای پیچیده ی تحولات شهری بکار برده شود. هدف این پژوهش مدلسازی و درک الگوهای پیچیده تغییر کاربری با بهرگیری از تکنیک های هوش مصنوعی می باشد. موضوع کلیدی چگونگی تخصیص وزن به پارامترهای موثر در رشد شهری و متعاقبا دستیابی به شبیه سازی ایده آل و نزدیک به واقعیت است.
این پژوهش در صدد است نشان دهد که تخصیص وزن با استفاده از الگوریتم شبکه های عصبی مصنوعی (ANN) می تواند نتایجی بهینه به دست دهد. در این مدل بر خلاف مدل های کلاسیک CA، تخصیص وزن به پارامترها بصورت خودکار، توسط آموزش شبکه های عصبی، از طریق داده های تصاویر ماهواره ای مربوط به روند رشد تاریخی شهر صورت می گیرد.
بر این اساس CA به عنوان موتور اصلی مدل و ANN جهت پیدا کردن وزن مناسب پارامتر ها و پیدا کردن روابط بین رشد شهری بالقوه و ویژگی های سایت مورد نظر و همچنین سیستم های فازی(FUZZY SET) جهت طبقه بندی تصاویر ماهواره ای و اعتبار سنجی داده ها، مورد استفاده قرار گرفته شد. پژوهش حاضر نشان می دهد که با توجه به دقت کلی مدل و ضریب کاپای فازی شده بدست آمده، این مدل نتایج بهتری را نسبت به مدل های CA کلاسیک در شبیه سازی سیستم های شهری پیچیده غیر خطی بدست می دهد.
واژه های کلیدی: مدلسازی، شبکه های عصبی مصنوعی، اتوماتای سلولی، سیستم های فازی، رشد شهری
فصل اول: مقدمه
۱-۱- طرح مسئله و ضرورت تحقیق ۳
۱-۲-اهداف پژوهش ۴
۱-۲-۱-اهداف کلان ۴
۱-۲-۲-اهداف خرد ۴
۱-۳-سوالات پژوهش ۵
۱-۴-فرضیه تحقیق و مدل تحقیق ۵
۱-۵-روش شناسی تحقیق ۵
۱-۶-روش و ابزار گردآوری اطلاعات ۶
۱-۷-جامعه آماری و تعداد نمونه و روش نمونه گیری (در صورت لزوم ۶
۱-۸-روش تجزیه و تحلیل اطلاعات ۶
فصل دوم: مروری بر ادبیات تحقیق
۲-۱-مقدمه ۹
۲-۲-مفهوم رشد و توسعه شهری ۱۰
۲-۳-توسعه شهر ۱۱
۲-۳-۱-اهمیت توسعه شهری ۱۲
۲-۴-رشد شهری ۱۳
۲-۴-۱-رشد شهر و توسعه فیزیکی ۱۳
۲-۵-مفهوم توسعه کالبدی و اشکال آن ۱۴
۲-۵-۱-عوامل موثر در توسعه کالبدی شهر ها ۱۵
۲-۶-تصورات نادرست پیرامون توسعه شهری ۱۵
۲-۷-مدل سازی توسعه شهری ۱۸
۲-۸-ماهیت مدل ها ۱۸
۲-۹-مدل ها در فرایند برنامه ریزی ۱۹
۲-۱۰-کاربرد مدل در شهرسازی ۲۰
۲-۱۱-مدلسازی شهری پویا (دینامیک شهری ۲۱
۲-۱۲-سلول های خودکار و مدلسازی شهری ۲۳
۲-۱۳-کارهای اولیه ۲۳
۲-۱۴-تحقیقات اخیر در زمینه مدل سازی شهری با سلول های خودکار ۲۵
۲-۱۵-کالیبراسیون (زینه بندی ، تنظیم ، درجه بندی ، واسنجی ۲۸
۲-۱۶-شبکه های عصبی ۳۰
۲-۱۶-۱-شبکه های عصبی ، سلول های خودکار و مدلسازی رشد شهری ۳۰
۲-۱۷-سیستم های فازی ۳۳
فصل سوم: تئوری ها و الگوریتم ها
۳-۱-کلیات ۳۷
۳-۲-مدلسازی با سلول های خودکار ۳۷
۳-۲-۱-پیش زمینه تاریخی ۳۷
۳-۲-۲- تئوری سلول های خودکار ۴۰
۳-۲-۳-ساختار مدل CA
۳-۲-۳-۱-شبکه سلولی ۴۱
۳-۲-۳-۲-وضعیت سلول ۴۲
۳-۲-۳-۳-همسایگی ۴۳
۳-۲-۳-۴-زمان ۴۴
۳-۲-۳-۵-قوانین انتقال ۴۴
۳-۲-۴-سلول های خودکار یک بعدی ۴۵
۳-۲-۵-سلول های خودکار دو بعدی ۴۸
۳-۳-شبکه های عصبی ۵۲
۳-۳-۱-پیش زمینه ۵۲
۳-۳-۲-اجزای یک شبکه عصبی ۵۳
۳-۳-۳-اصول شبکه های عصبی مصنوعی ۵۴
۳-۳-۴-شبیه سازی های عصبی ۶۰
۳-۳-۵-مؤلفه های دخیل در یک شبیه سازی عصبی ۶۰
۳-۳-۵-۱-فرمولاسیون مسئله ۶۰
۳-۳-۵-۲-جمع آوری اطلاعات و وارد نمودن آنها به شبکه ۶۲
۳-۳-۵-۳-اعتبار سنجی در شبکه ۶۲
۳-۳-۵-۴-آنالیز حساسیت در شبکه ۶۳
۳-۳-۵-۵-توپولوژی شبکه ۶۴
۳-۳-۵-۶-پایش نمودن علایم ۶۴
۳-۳-۵-۷-انجام شبیه سازی ۶۴
۳-۳-۵-۸-تعیین ماتریکس همبستگی ۶۵
۳-۳-۵-۹-تقسیم نمودن داده ها ۶۵
۳-۳-۵-۱۰-نرمال سازی ۶۵
۳-۳-۵-۱۱-معماری شبکه ۶۶
۳-۳-۵-۱۲-آنالیز های شبکه های عصبی و تابع هزینه ۶۶
۳-۳-۵-۱۳-سنجش کارایی شبکه ۶۷
۳-۳-۵-۱۵-میانگین مربعات خطا ۶۷
۳-۳-۵-۱۶میانگین مربعات نرمال شده ی خطا ۶۸
۳-۳-۵-۱۷-درصد خطا ۶۸
۳-۳-۶-آموزش شبکه های عصبی مصنوعی ۶۸
۳-۳-۷-آموزش از دیدگاه کلی ۶۹
۳-۳-۸-داده های ورودی ۷۰
۳-۳-۸-۱-اندازه ی شبکه ۷۱
۳-۳-۸-۲-پایان آموزش ۷۱
۳-۳-۸-۳-روش های آموزش ۷۲
۳-۳-۸-۱-۱-الگوریتم های یادگیری نظارت شده یا با ناظر ۷۲
۳-۳-۸-۱-۲-الگوریتم های یادگیری نظارت نشده یا بدون ناظر ۷۳
۳-۳-۸-۱-۳-الگوریتم پس انتشار خطا ۷۴
۳-۴-سیستم های فازی ۷۶
۳-۵-چرا از منطق فازی استفاده می کنیم ۷۷
۳-۶-عناصر سیستم فازی ۷۷
۳-۶-۱-مجموعه های فازی ۷۸
۳-۶-۱-۱-مجموعه فازی منفرد ۸۱
۳-۶-۱-۲-عملگر های فازی ۸۲
۳-۶-۱-۳-قواعد فازی ۸۴
۳-۶-۱-۴- به کار گیری قوانین فازی ۸۵
۳-۶-۱-۵-استدلال فازی ۸۶
۳-۶-۱-۶-روش مستقیم ۸۶
۳-۶-۱-۷-روش ممدانی ۸۷
۳-۶-۱-۸-روش Sugeno 88
۳-۶-۱-۹-غیر فازی سازی (Defuzzification) ۸۸
۳-۶-۱-۱۰-مرکز ثقل ۸۹
۳-۶-۱-۱۱-میانگین مراکز ۹۰
۳-۶-۱-۱۲-یکی از مراکز خروجی ها (Min، Max، Mean) ۹۰
۳-۷-خوشه بندی فازی (FCM) ۹۰
۳-۷-۱-روش Neuro-fuzzy
۳-۷-۲-VGA-FCM 95
۳-۸-الگوریتم های خوشه بندی ۹۶
۳-۸-۱-الگوریتم fuzzy C-means
۳-۹-طبقه بندی تصاویر با منطق فازی ۹۸
۳-۹-۱-روش کار ۹۹
فصل چهارم: مطالعه موردی شهر مهاباد
۴-۱- مقدمه ۱۰۱
۴-۲-بررسی های تاریخی ۱۰۱
۴-۳- خصوصیات جغرافیایی و اقلیمی ۱۰۳
۴-۵-موقعیت جغرافیایی ۱۰۳
۴-۶-وضعیت توپوگرافی ۱۰۴
۴-۷-گسل ۱۰۷
۴-۸- چگونگی توسعه شهر و روند رشد آن در ادوار گذشته ۱۰۸
۴-۹-محدودیت و موانع طبیعی و قابلیت توسعه جهات مختلف شهر ۱۱۲
۴-۱۰-نحوه پراکندگی روستاهای و جاذبه جمعیتی ۱۱۴
۴-۱۱-جمعیت و تحولات آن ۱۱۵
فصل پنجم: داده ها و روش اجرای مدل
۵-۱-مقدمه ۱۱۸
۵-۲-روش اجرای مدل CA_ANN ، داده های و نحوه استخراج پارامترها ۱۱۸
۵-۲-۱-آموزش شبکه های عصبی مصنوعی ۱۱۹
۵-۲-۱-۱-داده های مربوط به کاربری زمین ۱۲۰
۵-۲-۱-۲-داده های همسایگی و فواصل ۱۲۹
۵-۲-۱-۳-داده های محدودیت (زونینگ ۱۳۳
۵-۲-۲-ساختار شبکه و نحوه آموزش آن ۱۳۶
۵-۲-۳-کالیبره کردن مدل CA از طریق ANN 137
۵-۳-شبیه سازی رشد شهری ۱۳۸
۵-۴-پیش بینی رشد شهری برای سال ۲۰۱۵ ۱۴۰
۵-۵-اعتبار سنجی مدل ۱۴۳
۳-۶-آزمون فرضیات ۱۴۷
فصل ششم: نتیجه گیری
۶-۱-نتیجه گیری ۱۵۰
۶-۲- پشنهادات ۱۵۴
فهرست منابع و مأخذ
منابع فارسی ۱۵۶
منابع انگلیسی ۱۵۷
پیوست ۱۶۳