منبع پایان نامه درمورد شبکه های عصبی، شبیه سازی، کاربری اراضی، اعتبار سنجی

دانلود پایان نامه ارشد

بردارند. در این میان مسیر جدیدی در جهت ساده نمودن قوانین انتقال نمود پدیدار شد . بر این اساس برای تعریف و تعیین قوانین انتقال، گرایش به سمت ساده و امکان پذیر بودن و در عین حال افزایش قابلیت تفسیر آنها برای تصمیم گیران پیدا کرد . بیشتر تلاش های انجام گرفته اخیر در این مسیر توسط لی و یه(Li and Yeh, 2004) و به واسطه یک روش جدید برای شناخت سلول های خودکار جغرافیایی مطرح شد . در روش آنها قوانین واضح انتقال سلول های خودکار می توانست بطور اتوماتیک از طریق یک رویکرد قیاسی در فرایند یادگیری درخت تصمیم گیری احیا شوند. لی و یه (2004) این مفهوم جدید را برای شبیه سازی فرایند رشد شهری، به واسطه قوانین انتقال بدست آمده از داده های سنجش از دور در دو دوره زمانی بکار بردند. قوانین انتقال رابطه بین متغییر های فضایی ( نظیر : پراکندگی شهری ، متغییر های مجاورت ، حالات همسایگی ، و خصوصیات فیزیکی) و تغییر کاربری اراضی را منعکس می نمود. کل مقدار نواحی شهری در هر دوره به عنوان یک محدودیت یا قید جهانی برای شبیه سازی شهری استفاده شده بود . علاوه بر آن با روی هم گذاری فضایی یک پیکسل بر پیکسل مبنا ما بین گسترش شهری واقعی و شبیه سازی شده برای اعتبار سنجی مدل بکار گرفته شده بود. در عین حال با وجود چنین عملکرد ساده ای در تعریف قوانین انتقال ، نیاز طراحان مدل نیز برای استفاده از تجربیات شخصی در ساختن چنین قوانینی برطرف شد. به هر حال تضمینی وجود نداشت که قوانین انتقال سیستم شهری را به درستی منعکس کنند . علاوه بر آن این روش برای داده های حجیم بسیار کند بود ، بطوریکه استفاده از تکنیک نمونه گیری را چنانچه در کارهای پیشین بکار برده شد را ناگزیر می ساخت . در نهایت ، امکان پنهان ماندن تعدادی از داده های ورودی مهم وجود داشت . چنانچه مشاهده شد بسیاری از مدل های توسعه یافته رویکرد غیر احتمالی را به مقتضی سادگی در تعریف قوانین انتقال که به عنوان تابعی از متغییر های فضایی شهری هستند را پذیرفتند.
با این وجود تعداد اندکی از مدل های احتمال مبنا توسعه یافته و به سطوح معینی از موفقیت دست یافته بودند. در میان آنها مدل احتمالی وو (Wu,2002) برای شبیه سازی تغییرات کاربری اراضی شهری-روستایی در شهر یانگزو چین طراحی شده بود . این مدل احتمال کلی اولیه را از داده های متوالی کاربری اراضی که به عنوان تابعی از تغییرات بین دو دوره زمانی بود ، استخراج نموده بود. این احتمال از طریق قوانینی همسایگی به هنگام می شد. قید های نیز برای مستثنی کردن برخی از کاربری ها از تبدیل شدن بکار برده شدند. احتمال توام توسعه به عنوان برآیندی از احتمال کل، محدودیت پیکسل ها و قابلیت بالقوه همسایگی محاسبه شده است . احتمال توسعه از طریق مقیاس گذاری احتمال توام برای تطبیق با محدودیت های رشد معینی شناسایی شده است . این احتمال سپس با یک آستانه تصمیم گیری به این صورت که آیا پیکسل توسعه پیدا خواهد کرد یا خیر مقایسه شده است. این نوع مدلسازی سطحی پیچیده تر در مقایسه با رویکرد غیر احتمالی داشت.

2-15-کالیبراسیون (زینه بندی ، تنظیم ، درجه بندی ، واسنجی)

منظور از کالیبره کردن در مدلسازی سلول های خودکار این است که ترکیب بهترین مقدار برای قوانین انتقال به منظور تطبیق با پدیده های شهر شبیه سازی شده و واقعی را کشف نماید.
مدلها نمایش ساده سیستم های واقعی هستند . با توجه به این سادگی ، یک مدل هرگز نمی تواند بطور کامل ساختار یا فرایند سیستم مدل شده را دوباره تولید نماید (Norlen, 1975) . مدل ها قسمت های از واقعیت را در پشت سر خود جا می گذارند . این واقعیت هم می تواند به عنوان ضعف و هم به عنوان قدرت به حساب آید. بنابراین اعتبار سنجی یک مدل می تواند از طریق کالیبره کردن مدل به محک گذارده شود . بر این اساس مدل های که نتایج آنها معتبر نیست دارای ارزش محدودی هستند. کالیبره کردن اغلب برای تخمین پارامترهای یک مدل با بهترین تناسب با داده های مشاهده شده استفاده می شود (Bell, Dean , and Blake , 2000). اعتبارسنجی یک مدل شبیه ساز توسط ” دقت پیش بینی” تخمین زده می شود (Kilbridge, O’Block, and Teplitz 1970) .
در اکثر مواقع کالیبره کردن مدل های سلول خودکار برای اطمینان از عملکرد مطلوب شبیه سازی در تولید نتایجی نزدیک به واقعیت ضروری است . دو روش اصلی در کالیبره کردن سلول های خودکار وجود دارد . روشهای آماری معمول ممکن است محدودیت های با توجه به پیچیدگی فاکتورهای فضایی و ساختارهای مدل داشته باشند. این روشها در صورتیکه فاکتورهای فضایی رابطه همبستگی با یکدیگر داشته باشند بی اعتبار می شوند . نوع دیگر کالیبره کردن بر مبنای روش آزمون خطا قرار گرفته است. روش ریاضی قوی نیز برای این نوع کالیبره کردن نیاز نیست .در روشی که توسط کلارک و دیگران (1997) و وارد ودیگران(2000) با مقایسه ترکیبات گوناگون وزن های پارامترهای بصری نتایج شبیه سازی شده پیشنهاد شده بود ، مطلوبترین مقادیر پارامترها از یک مقایسه بصری با معادلات ساده ریاضی تعیین می شد.
در هر حال این روش نیز در صورت وجود تعداد زیادی پارامتر در تعریف ترکیبات و نیز ماهیت اغلب پیچیده الگوها جهت ارزیابی نتایج بصری دشوار بود. همچنین وایت و دیگران (1997) روش شهودی دیگری را به واسطه یک رویکرد آزمون – خطا برای دستیابی به یک ماتریس پارامتری برای شبیه سازی شهری پیشنهاد دادند. روش آنها بر اساس یک روش ریاضی قوی نبود و میزان سازی دقیق کالیبره کردن آن نیاز به مدت زمان زیادی داشت. کلارک و گدس (1998) روشی کارامد که بر مبنای مقایسه کامپیوتری بود، برای کالیبره کردن مدل های سلول خودکار ارائه دادند. این روش برازشی بین داده های گذشته
( اولیه ) مشاهده شده و نتایج متفاوت شبیه سازی را محاسبه می نمود.
کالیبره کردن وو و وبستر (1998) مسیر دیگری را در پیش گرفته بود. مدل آنها قوانین انتقال سلول های خودکار را با استفاده از روش ارزیابی چند معیاره (MCE) تعریف کرده است. هدف کالیبره کردن در مدل آنها پیدا کردن بهترین یا مناسب ترین وزن برداری برای متغیرهای ورودی رشد جهت انطباق با رشد شهری واقعی بود . شبکه های عصبی به عنوان روشی جایگزین قوانین انتقال سنتی، توسط لی و یه برای کالیبره کردن پارامترهای سلول های خودکار از طریق پیدا کردن بهترین بردار وزن در شبکه ظهور یافت (Li&Yeh,2002) . وو (Wu,2002) فرایند کالیبره کردن را از منظر متفاوتی مورد بررسی قرار داد. در این مدل کالیبره کردن برای تخمین احتمال توسعه ی یک حالت خاص که در یک مکان خاص و از طریق تابعی از فاکتورهای توسعه اتفاق می افتد ، اشاره می کند. هدف کالیبره کردن برقراری توازن در احتمال توسعه ، آستانه ، و مصرف مجاز زمین در باز تولید الگوی رشد شهری می باشد (Alkhedr,2006). اعتبار سنجی از طریق استفاده از سه نوع روش سنجش که شامل جداول کراس تب( بر اساس پیکسل یک به یک) ، رویهم گذاری فضایی و محاسبه چندین آماره ی فضایی انجام می شود. معضل اصلی در این کار تشخیص آستانه توسعه می باشد که به عنوان یک ارزش اختیاری در مدل تعیین شده بود.
از سوی دیگر یکی از مسیر های اخیر در کالیبره کردن مدل سلول های خودکار استفاده از تکنیک های بهینه سازی ابتکاری- ابداعی می باشد. بویژه الگوریتم ژنتیک توجه برخی پژوهش ها را در زمینه افزایش کارآمدی در کالیبره کردن مدل های سلول خودکار را به خود جلب نموده است. الگوریتم ژنتیک اولین بار توسط هولاند (Holland, 1975) معرفی و به عنوان روشی برگرفته از تقسیم سلولی برای حل مسائل پیچده باز تولید شد.

2-16-شبکه های عصبی

2-16-1-شبکه های عصبی ، سلول های خودکار و مدلسازی رشد شهری
در این قسمت مروری بر ادبیات شبکه های عصبی با توجه به نقش آن در مدل سازی شهری داشته و به جنبه های مختلف آن پرداخته شده است. برخلاف سلول های خودکار که از یک دسته از قوانین ساده و واضح استفاده کرده اند ، شبکه های عصبی از یک سری معادلات ریاضی پیچیده استفاده می کنند . شبکه های عصبی پارامترهای زیادی را در بر می گیرند و از آنجایی که نتایج مدل به چنین پارامترهای حساس هستند، نیاز به طراحی دقیقی دارند. شبکه های عصبی معمولا بهترین تناسب را با مسائلی که کمترین بعد داده های ورودی (تعداد کمی از متغییر ها) و نیز مسائلی با یک الگوی معینی که می توانند از طریق شبکه های عصبی آموزش ببینند را دارند . شبکه های عصبی در مدل سازی شهری می توانند به صورت مجرد یا با تلفیق با دیگر تکنیک های مصنوعی نظیر سلول های خودکار بکار برده شوند.
شبکه های عصبی از شبکه های عصبی بیولوژیکی انسان برای تولید سیستم های مصنوعی که توانایی انجام محاسبات پیچیده و هوشمند شبیه به عملکرد مغز انسان را داشت، الگو گرفته اند . شبکه های عصبی جهت شبیه سازی سیستم های پیچیده که پدیده های دینامیک فضایی-مکانی را نیز شامل می شوند ، استفاده شده اند ( Openshaw, 1998) . در زمینه های تحقیقات فضایی شبکه های عصبی حضور پررنگی دارند که عبارتند از :
1) داده های فضایی و پردازش تصویر ( نظیر ، تشخیص الگو و طبقه بندی کردن سری داده های حجیم) خصوصا در سنجش از دور و غنی کردن داده ها در محیط GIS (Carpenter et al, 1997) .
2) مدلسازی تعاملات فضایی ، شامل تجزیه و تحلیل کنش و واکنش های فضایی و انتخاب آنالیز ها ( Fischer and Gopal , 1995) .
3) مسائل بهینه سازی ، نظیر موضوع قدیمی فروشنده سیار و مسئله کمترین فاصله در شبکه (Hopfield and Tank , 1985) .
4) مدلسازی آماری زمان – فضا ( Gopal and Woodcock, 1996)
شبکه های عصبی برای مدل کردن رفتار ساختارهای متفاوت شهری در داخل مرزهای شهری استفاده شده اند به عنوان مثال ساختارهای فضایی و فرایند های سیستم های حمل ونقلی (ِDougherty , 1995) . مدل های تعاملات فضایی در زمره اولین مدل های بودند که بوسیله شبکه های عصبی برای بیان الگوهای فضایی عرضه و تقاضای حمل و نقل شبیه سازی شده بودند . مدل های فضایی عصبی وابستگی نزدیکی با مدل های تعاملات فضایی از نوع جاذبه ای داشتند . برخی تلاش های انجام شده بر روی ارتقاء ترکیبات معینی در ساختار شبکه های عصبی نظیر روش جستجو برای پیدا کردن بهترین وزن های برداری برای شبکه های عصبی ، تمرکز داشته اند . برای مثال فیشر و دیگران (1999) روش تکامل تفاضلی اتخاذ کردند ،که در اصل توسط استورن و پرایس (Storn and Price , 1996 , 1997) به عنوان یک رویکرد جستجوی جهانی برای آموزش شبکه در تجزیه و تحلیل برهم کنش های فضایی توسعه پیدا نمود. روش تکامل- تفاضلی یک الگوریتم بهینه سازی جهانی است که از ساختاری ، در عین حال تصادفی ، به صورت موازی و با استراتژی جستجوی چند نقطه ای استفاده نموده است. فیشر این روش را بر روی داده های ترافیک ارتباطات بین منطقه ای اتریش آزمود و دریافت که روش تکامل تفاضلی از گرادیان متصل پس انتشار اندکی عملکرد بهتری دارد اما نیاز به هزینه های محاسباتی بالای دارد .
قابلیت و توانایی بکاربردن الگوریتم شبکه های عصبی در زمینه تحقیقات رشد شهری اخیرا کم و بیش توجه بسیاری پژوهشگران و محققان را به خود جلب نموده است . در ادبیات مربوط به استفاده از شبکه های عصبی در مدلسازی رشد شهری دو روند کاملا واضح وجود دارد. نخستین روند حاکی از این است که شبکه های عصبی به تنهایی برای مدل کردن جنبه های خاصی از فرایند های شهری استفاده شده اند. نظیر مطالعه لیو (Liu, 2000) که در بررسی تغییرات کاربری های غیر شهری به شهری از شبکه های عصبی استفاده نمود. از سوی دیگر شبکه های عصبی به صورت تلفیقی با دیگر تکنیک های هوش مصنوعی برای مدل سازی شهری بکار برده شده اند. یه و لی (Yeh and Li,2002) از تلفیق شبکه های عصبی با سلول های خودکار برای شبیه سازی رشد شهری در مدل کردن تغییرات کاربری اراضی استفاده نموده اند . شبکه های عصبی در کاربردهای مربوط به مدلسازی رشد شهری جایگزین قوانین انتقال در مدل مرسوم سلول های خودکار شده اند . مدل لی و یه(2002) شامل دو قسمت بود :

پایان نامه
Previous Entries منبع پایان نامه درمورد مدل سازی، شبیه سازی، حمل و نقل، توسعه مدل Next Entries منبع پایان نامه درمورد شبکه های عصبی، منطق فازی، شبیه سازی، مدل سازی