تشریح و مقایسه مدل های شبیه سازی رشد شهر در مدیریت پایدار مناطق شهری

جمعیت­های کوچک و محدود گذشته، امروزه تبدیل به مجموعه­های بزرگ و پیچیده­ایی شده­اند که دارای ارتباطات اقتصادی، اجتماعی، فیزیکی و محیط زیستی اند و سیستم­های پیچیده شهری با روابط و عملکردهای گوناگون و متنوع خود را پدید آورده­اند. شناسایی و درک چنین الگوهای پیچیده و درهم تنیده­ایی لازمه توسعه و مدیریت پایدار و همگام با محیط زیست شهرها می­باشد و مدل­های مخصوص شبیه سازی توسعه مناطق شهری از مناسبترین ابزارها جهت نیل به هدف مذکور می­باشند. این مقاله در صدد است تا به معرفی، نحوه عملکرد، کالیبراسیون و صحت سنجی مدل­­های SLEUTH، شبکه عصبی مصنوعی(Artificial Neural Network) و رگرسیون لجستیک(Logestic Regression) که در شبیه سازی توسعه مناطق شهری امروزه کاربرد وسیعی یافته­اند پرداخته و در پایان مزیت­ها و معایب مدل­ها در مقایسه با یکدیگر شناسایی شود که در این خصوص مدل SLEUTH به دلیل اینکه بیشتر بر فاکتورهای فیزیکی سرزمین استوار است با مشکل به روز کردن داده­ها مواجه نمی­باشد و در مقابل مدل رگرسیون لجستیک علی رغم در نظر گرفتن متغیرهای گوناگون در فرآیند مدل سازی با مشکل به روز رسانی داده ها مواجه است. مدل شبکه عصب مصنوعی نیز از آنجا که مدلی غیر پارامتریک بوده در مقایسه با مدل­های دیگر از قدرت بالایی در شناسایی الگوهای پیچیده موثر بر رشد شهری برخوردار بوده و لذا نتایج و خروجی­های این مدل از همبستگی بالایی با واقعیت برخوردار است.

کلیدواژه ها:

مدل سازی ، SLEUTH ، شبکه عصب ، رگرسیون لجستیک