CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Urban Land Use Compatibilities Evaluation Using An Artificial Neural Network Approximator In Micro-Scale

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۱ | تعداد نمایش خلاصه: ۳۷۱ | نظرات: ۰
سال انتشار: ۱۳۹۳
کد COI مقاله: HIAP01_258
زبان مقاله: انگلیسی
حجم فایل: ۹۴۱.۰۵ کیلوبایت (فایل این مقاله در ۱۱ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۱ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Urban Land Use Compatibilities Evaluation Using An Artificial Neural Network Approximator In Micro-Scale

  Hossein Sheikhian - M.Sc. student, GIS Division, Dept. of Surveying and Geomatic Eng., University of Tehran
  Parham Pahlavani - Assistant Professor at Dept. of Surveying and Geomatics Eng., University of Tehran,
  Ahmadreza Sabzevari - M.Sc. student, GIS Division, Dept. of Surveying and Geomatic Eng., University of Tehran,

چکیده مقاله:

Since the world is rapidly urbanized and urban areas are dealing with enormous changes in utilizing the land, a seamless land use control planning in micro-scale is crucial to prevent incongruous land developement. In this regard, this paper focused on determining the compatibility of parcels in 12th region of Tehran municipality, i.e., one of the oldest and the most populated regions of Tehran, using an artificial neural network approximator. Land use types were divided into 6 types, including: residential, medical, park, religious, educational, and industrial. For each parcel, an effective neighbourhood considered and the percent of whole neighborhood area that occupied by each land use type was calculated. 30 experts point of views were asked on this data to define the degree of compatibility for 250 parcel samples by 1,2,3,4, and 5, corresponded with high compatibility, moderate compatibility, Neutral compatibility, moderate incompatibility and high incompatibility, respectively. Then this data has been formed and fed to the designed multilayer neural network approximator with 10 neurons in one hidden layer and Levenberg-Marquardt backpropagation training algorithm. According to the resulted compatibility map, just 3 percent of this region determined to have a high compatibility with the urban area, where 71%, 8% ,7% and 11% of this region achieved the degree of compatibility of 2,3,4 and 5, respectively. Most of the parcels that fall into the entirely residential area had a moderate compatibility, and higher degree of incompatibility was resulted by the industrial and educational land uses. The results showed that the current situation of land uses is not in accordance with living standards in urban environment. Negligible amount of parcels with high degree of compatibility shows the need for long-time plans to mitigate related land concerns in this region. In this regard, some unpleasent landuses such as industrial land uses should move to vicinty of the city and replace with facilities, sport, and green spaces to mitigate harmful effects on the living population.

کلیدواژه‌ها:

Land Use Compatibility, Artificial Neural Network, Levenberg-Marquardt Back-Propagation, Micro-Scale

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-HIAP01-HIAP01_258.html
کد COI مقاله: HIAP01_258

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Sheikhian, Hossein; Parham Pahlavani & Ahmadreza Sabzevari, ۱۳۹۳, Urban Land Use Compatibilities Evaluation Using An Artificial Neural Network Approximator In Micro-Scale, اولین کنگره بین المللی افق های جدید در معماری و شهرسازی, تهران, دانشگاه تربیت مدرس دانشکده هنر و معماری, https://www.civilica.com/Paper-HIAP01-HIAP01_258.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Sheikhian, Hossein; Parham Pahlavani & Ahmadreza Sabzevari, ۱۳۹۳)
برای بار دوم به بعد: (Sheikhian; Pahlavani & Sabzevari, ۱۳۹۳)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Taleai, M. et al., Evaluating the compatibility of multi -functional ...
  • (2007), doi: 10.101 6/j.jag.2006. 12.002 ...
  • Anselin, L, 2005. Interactive techniques and exploratory spatial data analysis. ...
  • Bell, K., Bockstael, N., 2000. Applying the ...
  • Espey, M., Lopez, H., 2000. The impact of airport noise ...
  • Proceedings of the 1st International Congress on New Horizons in ...
  • Parker, D.C, Meretsky, V., 2004. Measuring pattern outcomes in an ...
  • hao yu, Bogdan M. Wilamowski (auburn ...
  • D. E. Rumelhart, G. E. Hinton, and R.]. Williams, Learning ...
  • P. _ Werbos, B ack-p ropagation : Past and future, ...
  • M. R. Osborne, Fisher's method of scoring, Interational Statfistical Review, ...
  • Martin T. Hagan and Mohammad B Menhaj, Training Feedforward Networks ...
  • M. Smith, Neural Networks for Statistical ...
  • Modelling, Van Nostrand Reinhold, New York, 1993. ...
  • W. Wu, B. Walczak, D.L. Massart, S. Heurding, F. Emi, ...
  • S. Geman, E. Bienenstock, R. Doursat, Neural networks and the ...
  • Doan, CD, and SY Liong. 2004. _ Generalization for multilayer ...
  • Daniel, S, Vladimir, K, ]iE, P. 1 99 7.Introduction to ...
  • McMillen, D.P., McDonald, I.F., 2002. Land values _ a newly ...
  • Thomas, A.G., Gary, A.W., et al., 2005. Regional Disparities in ...
  • _ [im, C.Y., Chen, W.Y., 2006. Impacts of urban ...
  • Hughes Jr., W.T., Sirmans, C.F., 1992. Traffic ...
  • externalities and single-family house prices. _ Reg. Sci. _ (4), ...
  • Kang, S, Post, W., Wang, D., Nichols, ]., Bandaru, V., ...
  • Noth, M., Borning, A, et al. 2000. An Extensible, Modular ...
  • Development, Tra nsportation, and E nvironmental Impacts, from http ://www. ...
  • YE, X.-c., & YUAN, C. 2011. Controlling the Land Use ...
  • Waddell, P., Nourzad, F, 2002. Incorporating N on-motorized Mode and ...
  • Willis, K.G., Garrod, G.D., et al., 1998. A review of ...
  • Proceedings of the 1st International Congress on New Horizons in ...
  • Kong, F., Yin, H., & Nakagoshi, N. 2007. Using GIS ...
  • Fan, ]. 2014. Accelerating the modified L evenb erg- Marquardt ...
  • Fang, M., Xu, F., Zhu, Z., jiang, L. & Geng, ...
  • C O mp uting-Theories and Applications (pp. 117-122): Springer. ...
  • Brown, K. M., & Dennis Jr, ]. E. 1971. Derivative ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۵۵۴۰۳
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.