تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

تحلیلی از کاربری اراضی شهری با استفاده از الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی مطالعه موردی: شهرسمنان

نویسندگان
مهرناز رضوانی 1
یوسفعلی زیاری 2
ناصر اقبالی 3
حسین مجتبی زاده خانقاهی 4
1 دانشجوی دکتری جغرافیا و برنامه ریزی شهری دانشگاه آزاد اسلامی؛واحد تهران مرکزی
2 دانشیار گروه جغرافیا و برنامه ریزی شهری دانشگاه آزاد اسلامی؛واحد تهران مرکزی
3 دانشیار گروه جغرافیا و برنامه ریزی شهری دانشگاه آزاد اسلامی واحد تهران مرکزی
4 استادیار گروه جغرافیا و برنامه ریزی شهری دانشگاه آزاد اسلامی؛ واحد تهران مرکزی
10.29252/jgs.20.57.243
چکیده
برنامه ریزی کاربری اراضی شهری جهت استفاده بهینه از امکانات موجود و فضاهای شهری، یکی از هسته های اصلی برنامه ریزی شهری می باشد که معمولا به صورت یک مسئله چند هدفه تعریف می شود. در راستای نبود نظام طبقه بندی مشخص برای کاربری زمین در ایران ، به کارگیری رویکردهای به روز جهانی به منظور بهینه سازی نظام برنامه ریزی کاربری اراضی شهرها همانند استفاده از الگوریتم های فرا ابتکاری و هوش مصنوعی الزامی می باشد. یکی از الگوریتم هایی که در سال­های جدید معرفی شده است، الگوریتم بهینه سازی مبتنی بر جغرافیای زیستیBBO1 می باشد.این الگوریتم، نشات گرفته شده ازطبیعت است. پژوهش جاری از گروه تحقیقات کاربردی و از نوع تحقیقات توصیفی، تحلیلی است که با به کارگیری الگوریتم جغرافیای زیستی به بررسی و تحلیل کاربری اراضی شهری پرداخت. دراین الگوریتم هر منطقه شهر به عنوان یک عضو منفرد شناخته شده و دارای"شاخص میزان مطلوبیت " مخصوص به خود بوده است. روش تجزیه و تحلیل داده ها بااستفاده از الگوریتم جغرافیای زیستی است که در نرم افزار متلب(Matlab ) نوشته و اجرا شده است. هدف پس از شناسایی اثرگذارترین متغیر ، بهبود وضعیت جاری شاخص های نظام توزیع کاربریها و همجواری آنها در سطح شهر بوده است. برای این امر توزیع نامناسب شاخص های کاربری اراضی شهری باید از حالت تمرکز یافته در نواحی خاص به نواحی دارای ضعف منتقل شود که این امر بر اثر این بهینه سازی کاهش مقادیر متغیرها حاصل شده است. برای مقایسه نتایج تحقیق جاری به لحاظ کاربری های مورد نیاز منطقه مورد نظر با طرح توسعه شهر سمنان، برای هریک از ابعاد تحقیق لایهGIS2آن تهیه شد، سپس باتوجه به اوزان هریک از این ابعاد که بدست آمده و نشانگر بهینه شدن توزیع متناسب ابعاد جغرافیای زیستی در سطح شهر بوده است، همپوشانی لایه ها صورت گرفت و نتایج حاصل از این همپوشانی با طرح توسعه مقایسه گردید.
کلیدواژه‌ها
کاربری اراضی شهری
بهینه سازی
الگوریتم جغرافیای زیستی B‌BO
سمنان

عنوان مقاله English

Analysis of urban land utilize by using optimization algorithm based on biogeography Case study: Semnan County

نویسندگان English

mehrnaz rezvani 1
yosefali ziari 2
naser eghbali 3
hosein mojtabazade khanghahi 4
چکیده English

Urban land utilize planning, for optimal use of existing facilities and urban spaces is one of the main cores of urban planning, which is usually defined as a multi-objective issue. In line with the absence of specific categorization, system for land use in Iran the use of metaheuristic algorithm and artificial intelligence is required. One of the algorithms that introduced and used in recent years are the optimization algorithm (BBO) based on biogeography. Current research is from practical research group and type of descriptive-analytic research, the data analysis method would be write and execute in MATLAB software by using biogeography algorithm. The purpose, after identifying most effective variable, will be to improve the present status of the system's distribution use indicators and their adjacency in the county surface. For comparing the results of current research, in terms of desired area needed uses with development plan of Semnan County, each dimension of (GIS) layer should be provide.overlapping of the layers would be compare with development design.






[2]

کلیدواژه‌ها English

urban land use
Optimization
biogeography algorithm BBO
Semnan
Balling, R. J., Taber, J. T., Brown, M. R., & Day, K. (2013). “Multiobjective Urban Planning Using Genetic Algorithm”. Journal of Urban Planning and Development, 125(2), 86، 99
Cao, K., et al., Spatial multi. (2011)، objective land use optimization: extensions to the non، dominated sorting genetic algorithm، II. International Journal of Geographical Information ، 25(12):1949،-1969
Coello, C.C., G.B. Lamont, and D.A. Van Veldhuizen,(2007) Evolutionary algorithms for solving multi، objective problems: Springer Science & Business Media.
Collette, Y. and P. Siarry,(2013). Multiobjective optimization: principles and case studies: Springer Science & Business Media.
D. Du, D. Simon, M. Ergezer , )2009(. Biogeography، based optimization combined
D. Simon (2008), “Biogeography، based optimization”, IEEE Transactions on Evolutionary Computation, pp.702- 713,
Deb, K., et al., (2002). A fast and elitist multiobjective genetic algorithm: NSGA، II. IEEE transactions on evolutionary computation. 6(2): 182- 197.
H. Ma, S. Ni, M. Sun, )2009(. Equilibriumspecies counts and migration model tradeos for biogeography، based optimization", InProceedings of the 48th IEEE Conference on Decision and Control, IEEE, Shanghai,China, pp. 3306- 3310.
Huang, B. and W. Zhang,(2014). Sustainable land، use planning for a downtown lake area in central China: multiobjective optimization approach aided by urban growth modeling. Journal of Urban Planning and Development. 140(2): 401-412
Image classification", International Journal ofComputer Applications, 6(5): 31- 36.
Karimi, M., (2010), Developing Multi، Criteria Decision Analysis Methods for Land Use Allocation, in Faculty of Geodesy and Geomatics. Khajeh Nasir Toosi University of Technology: Iran.
Lavika Goel. (2010)، Land Cover Feature Extraction using Hybrid Swarm Intelligence Techniques، Computer Engineering Department,Delhi College of Engineering, Delhi. ACEEE Int. J. on Signal & Image Processing, Vol. 01, No. 03, Dec.
M. Costa e Silva, L. Coelho, and L.Lebensztajn, )2012(. Multiobjective biogeographybased Optimization based on predator، preyapproach", IEEE Transactions on Magnetics. 48(2). 951- 954.
M. Ergezer, D. Simon, D. Du,(2009). Oppositional biogeographybased optimization”, In Proceedings of the IEEEConferencon Systems, Man, and Cybernetics, IEEE, San Antonio,TX, USA, pp. 1035- 1040.
M. Mittal, Gagandeep. (2013), Comparison between BBO and Genetic Algorithm”, IJSETR International Journal of Science, Engineering and Technology Research, 2(2):284- 293
N. Johal, S. Singh, and H. Kundra, (2010). Ahybrid FPAB/BBO algorithm for satellite
Qingrui,Wang(2018)، Application of genetic algorithm to land use optimization for non، point source pollution control based on CLUE، S and SWAT، State Key Laboratory of Water Environment Simulation, School of Environment, Beijing Normal University, No. 19, Xinjiekouwai Street, Beijing 100875, China.
Saeednia, A., (2002). Municipality Green Book: Urban Management.. 10. Iran: Tehran Urban Planning and Research Center.
Shaygan, M., et al., (2014). Spatial multi، objective optimization approach for land use allocation using NSGA، II. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 7(3): 906- 916.
Shifa ,Ma(2017)، Delimiting the urban growth boundaries with a modified ant colony optimization model، Land and Resources Technology Center of Guangdong Province, Guangzhou 510075, Guangdong, China.
Shiffa, M., Jianhua, H., Feng, L., & Yan, Y. (2011). Land، use spatial optimization based on PSOalgorithm. Geo، spatial Information Science 14, 54-61.
Stewart, T.J., R. Janssen, and M. van Herwijnen,(2004). A genetic algorithm approach to multiobjective land use planning. Computers & Operations Research. 31(14): 2293- 2313.
with evolutionary strategy and immigrationrefusal", In Proceedings of the IEEE Conference on Systems, Man, andCybernetics,IEEE, San Antonio, TX,USA,pp. 1023- 1028.
Z. Masoomi, A.M.S.M.,(2015). Spatial modeling of urban land use change using NSGA، II algorithm and clustering of the Pareto، front for urban dynamic plans. Journal of Geomatics Science and Technology, 5(1): p. 139- 157.