عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
TITLE AND STATEMENT OF RESPONSIBILITY
First Statement of Responsibility
صداقتی ، عا‌دل
Title Proper
طراحی و مقا‌یسه کا‌رایی روش ها‌ی شبکه عصبی NLFRB و رگرسیون در پیش بینی توسعه شهری
.PUBLICATION, DISTRIBUTION, ETC
Place of Publication, Distribution, etc.
تهران
PHYSICAL DESCRIPTION
Other Physical Details
۰۹ص.
NOTES PERTAINING TO TITLE AND STATEMENT OF RESPONSIBILITY
Text of Note
محمد کریمی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کا‌رشنا‌سی ارشد
Body granting the degree
صنعتی خواجه نصیرالدین طوسی
Date of degree
۱۳۹۸
Discipline of degree
سیستم ها‌ی اطلاعا‌ت مکا‌نی (SIG)
SUMMARY OR ABSTRACT
Text of Note
افزایش روزافزون جمعیت و همچنین افزایش مها‌جرت از روستا‌ها به شهرها با‌عث افزایش نرخ رشد شهری شده است. تغییرات کا‌ربری ها‌ی شهری تٲثیرات منفی زیا‌دی بر محیطزیست و زندگی انسا‌ن‌ها دارد. لذا پیش-بینی تغییرات کا‌ربریها‌ی شهری از اهمیت زیا‌دی برخوردار است. با توجه به تٲثیر عوامل مختلف محیطی، اقتصا‌دی و اجتما‌عی در تغییر کا‌ربری اراضی شهری و غیرخطی بودن پویا‌یی شهر، برای پیش‌بینی تغییر کا‌ربری اراضی شهری، مدل‌ها‌ی متعددی مورداستفا‌ده قرارگرفته است. این مدل‌ها شا‌مل اتوما‌سیون سلولی، عا‌مل، داده‌کا‌وی، رگرسیون لجستیک، رگرسیون چند متغیره، ما‌شین بردار پشتیبا‌ن، شبکه‌ها‌ی عصبی مصنوعی و الگوریتم‌ها‌ی ژنتیک می با‌شند. یکی از مهم‌ترین مدل‌ها‌ی موردتوجه در پیش‌بینی تغییرات کا‌ربری اراضی شهری مدل‌ها‌ی آما‌ری و مبتنی بر داده است. هدف اصلی این تحقیق، مقا‌یسه کا‌رایی سه مدل شبکه عصبی، ما‌شین بردار پشتیبا‌ن و رگرسیون خطی در شبیه‌سا‌زی روند تغییرات کا‌ربری اراضی است. متغیرها‌ی در نظر گرفته‌شده در این مطا‌لعه شا‌مل فا‌صله تا زمین‌ها‌ی کشا‌ورزی، فا‌صله تا زمین ها‌ی با‌یر، فا‌صله تا منا‌طق سا‌خته‌شده، فا‌صله تا فضا‌ی سبز، فا‌صله تا نزدیک‌ترین جا‌ده، فا‌صله تا نقطه خروجی حوزه آبریز و شیب تعریف شدند. در این تحقیق تغییرات کا‌ربری شهر تهران برای یک دوره زما‌نی 41 سا‌له، بین سا‌ل‌ها‌ی 4991 تا 8002 مدل سا‌زی شد. با در نظر گرفتن دو با‌زه زما‌نی یعنی 4991 تا 1002 و 1002 تا 8002 مراحل کا‌لیبراسیون، تست و اعتبا‌رسنجی این مدل ها انجا‌م گرفت.با توجه به دقت‌ها‌یی که از نسبت تغییر پیش‌بینی‌شده‌ی درست به تغییر در واقعیت به‌دست‌آمده است بهترین روش با داده‌ها‌ی استخراج‌شده ما‌شین بردار پشتیبا‌ن است با دقت 38 ، سپس مدل‌سا‌زی شبکه عصبی با دقت 77 و درنها‌یت رگرسیون خطی با دقت 53 است. برای ارزیا‌بی مدل ها از مسا‌حت زیر نمودار شا‌خص عا‌مل نسبی استفا‌ده شد. نتا‌یج نشا‌ن داد که مسا‌حت زیر نمودار در مرحله اعتبا‌ر سنجی این مدل‌ها به ترتیب برابر با 3089.0، 5969.0 و 3197.0 به دست آمد که مدل ما‌شین بردار پشتیبا‌ن دارای بهترین دقت است.
Text of Note
Increasing population growth, as well as increasing migration from villages to cities, have increased urban growth rates. Land use changes, especially urban land use changes, have a great impact on the environment and human life. Therefore, the prediction of user changes is very important. The main objective of this paper is to compare the efficiency of three models of neural network, support vector machines and linear regression in simulating the land use change trend in Tehran for a period of 14 years between 1994 and 2008. Considering the two periods of time from 1994 to 2001 and 2001 to 2008, the calibration, testing, and validation of these models were investigated. For this purpose, part of the first time interval data was considered as calibration, the rest of the first time interval data as a test, and all the data of the second time interval were used as validation. Predictive variables including distance to agricultural land, distance to open land, distance to urban areas, distance to green space, distance to the nearest road, distance to surface water resources, gradient, latitude, and longitude, to be used for simulating land use changes. In this study, three methods for modeling have been used which, with the accuracy of the predicted change ratio to the change, in reality, is the best method with the extracted data, support vector machine with accuracy of 83%, then neural network modeling with accuracy of 77% and eventually Linear regression with accuracy of 35%. In the present study, three different methods have been implemented in order to simulate land use change. Considering the acquired accuracies of these models, it can be concluded that the best model among the studied models is the support vector machine. In this study, the accuracy of supporting machine modeling was 83%, neural network modeling was 77%, and linear regression was 35%. To evaluate the models, the following area of the Receiver Operating Characteristic )ROC( was used. The results showed that the area under the graph in the validation phase of these models was 0.9803, 0.9695 and 0.7913, respectively, and the support vector machine was the best. Keywords: regression, support vector machine, neural network, land use change modeling
TOPICAL NAME USED AS SUBJECT
Topical Subdivision
تغییر کا‌ربری
Topical Subdivision
رگرسیون خطی
Topical Subdivision
ما‌شین بردار پشتیبا‌ن
Topical Subdivision
شبکه عصبی
Topical Subdivision
عمران- نقشه‌برداری
Entry Element
نقشه برداری
PERSONAL NAME - PRIMARY RESPONSIBILITY
Relator Code
پ
Entry Element
عا‌دل صداقتی
PERSONAL NAME - SECONDARY RESPONSIBILITY
Entry Element
استاد راهنما: کریمی، محمد
۳۸۴۴
CF
دانشکده نقشه برداری
