Volume 25, Issue 76 (3-2025)
jgs 2025, 25(76): 1-25 |
Back to browse issues page
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
khayat M, Bosak A, hejazizadeh Z, afifi E. (2025). Analysing the trend of land changes and urban development of Shushtar by using remote sensing data. jgs. 25(76), 1-25. doi:10.61186/jgs.25.76.24
URL: http://jgs.khu.ac.ir/article-1-4206-en.html
URL: http://jgs.khu.ac.ir/article-1-4206-en.html
1- Islamic Azad university, milad.khayat1@yahoo.com
2- Kharazmi University of Tehran, bosak.a.69@gmail.com
3- Kharazmi University of Tehran, hedjazizadeh@yahoo.com ,hedjazizadeh@yahoo.com
4- Associate Professor, Department of Geography, Larestan Branch, Islamic Azad University, Larestan, Iran.
2- Kharazmi University of Tehran, bosak.a.69@gmail.com
3- Kharazmi University of Tehran, hedjazizadeh@yahoo.com ,
4- Associate Professor, Department of Geography, Larestan Branch, Islamic Azad University, Larestan, Iran.
Abstract: (4271 Views)
By employing urban growth and development modeling, it is feasible to delineate a developmental trajectory that aligns with the specific circumstances of a city, considering environmental factors, natural elements, and population dynamics. The aim of this research is to propose an urban development model for Shushtar, which can serve as a valuable tool for analyzing the intricate processes of urban transformations. To accomplish this objective, two datasets were utilized: urban land use maps (including educational spaces, healthcare facilities, residential areas, etc.) and Landsat satellite imagery for key land uses such as rivers, barren lands, and forests, spanning three time periods: 1991, 2004, and 2014. These datasets were processed using GIS and MATLAB software. Existing urban land use maps were digitized and subsequently updated using Landsat satellite imagery. Subsequently, influential parameters in urban development were introduced as inputs to the Adaptive Neuro-Fuzzy Inference System (ANFIS) algorithm. After training the model for the years 1991 and 2004, the predicted results of urban development using the algorithm were compared with the actual situation in 2014, demonstrating a high accuracy of 93.7%. The land use change map, resulting from the change detection process, can be generated based on multi-temporal remote sensing images and their integration with urban land use maps, enabling an analysis of the associated consequences. The use of intelligent algorithms in this research has facilitated modeling with a high level of accuracy. The obtained results are deemed acceptable, and this development has also been predicted for the upcoming years.
Type of Study: Research |
Subject:
Geography and Urban Planning
References
1. احسانی، امیر هوشنگ، (1389)، بررسی ویژگی‌های طیفی حرارتی اراضی حاشیه پلایا با استفاده از داده‌های رقومی ماهواره لندست 7 (+ETM) (مطالعه موردی: پلایای چجام)، مجله کاربرد RS.GIS در برنامه‌ریزی فصلنامه، 1(1).
2. افراخته، حسن، عزیزپور، فرهاد، شمسی، رقیه، (1387)، بررسی جایگاه روستاهای شهری در طرح‌های توسعه شهری (مطالعه موردی: طرح جامع تهران، تفضیلی و الگوی توسعه منطقه یک)، نشریه سپهر، 22(87): 103-112.
3. الیاسی، ابراهیم؛ ابرکار، تیمور؛ ابرکار، مینا، (1400)، ارزیابی کاربری اراضی شهری، شهر دهدشت، نشریه جغرافیا و روابط انسانی،4 (3): 96-146.
4. بیات قهفرخی، سوسن، سلطانی کوپایی، سعید، خواجه الدین، سید جمال، رایگانی، بهزاد، (1388)، بررسی تغییرات کاربری اراضی در حوزه قلعه شاهرخ با استفاده از تکنیک سنجش‌ازدور (دوره زمانی 1354،1381)، مجله علوم و فنون کشاورزی و منابع طبیعی، (48).
5. پورمحمدی، محمدرضا، (1388)، برنامه‌ریزی کاربری اراضی شهری، انتشارات سمت، چاپ اول.
6. تقی زاده، ا (1387)، مدل‌سازی توسعه شهری با استفاده از روش Cellular Automata در سکونتگاه‌های غیررسمی اهواز، پایان‌نامه کارشناسی ارشد در رشته‌ی سنجش‌ازدور و GIS، دانشگاه چمران اهواز، دانشکده علوم زمین.
7. جباری، شبنم (1387)؛ طبقه‌بندی تصاویر ماهواره‌ای با استفاده از روش فازی، دانشگاه تهران، پایان‌نامه کارشناسی ارشد در رشته سنجش‌ازدور، تهران.
8. جوداله زاده، مائده؛ میرزایی ارجنکی، سید یحیی؛ ورشوساز، کتایون، (1397)، مقایسه میزان کارایی سه روش رایج طبقه بندی نظارت شده تصاویر ماهواره ای در مطالعه تغییر کاربری اراضی توسعه شهری (مطالعه موردی شهرستان شوشتر)، فصلنامه علوم و تکنولوژی محیط زیست، doi: 10.22034/jest.2018.14983.2351.
9. جولا، مائده، 1395، بررسی روند تغییرات کاربری اراضی کشاورزی و توسعه شهری شهرستان اهواز با استفاده از تصاویر ماهواره‌ای و سیستم اطلاعات جغرافیایی در سال‌های 1991 و 2010، پایان‌نامه کارشناسی ارشد علوم محیط‌زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات خوزستان، 55 صفحه.
10. حسین پور نیکنام، حسین، اژدری مقدم، مهدی، خسروی، محمود، (1391)، پیش‌بینی خشک‌سالی یک‌ساله با استفاده از مدل فازی -عصبی، سری‌های زمانی خشک‌سالی و شاخص‌های اقلیمی (مطالعه موردی: زاهدان)، فصلنامه علمی پژوهشی آب و فاضلاب، 23(2).
11. خیاط، میلاد، (1395)، خانه افضل؛ سندی از فرهنگ، هویت و نوع هم‌زیستی مردم با اقلیم و مصداقی از پایداری در معماری شوشتر، کنفرانس بین‌المللی معماری و شهرسازی، دانشگاه تهران..
12. درئو، ماکس (1371)؛ جغرافیای انسانی، جلد 2، ترجمه سیروس سهامی، انتشارات رایزن، تهران.
13. رشید کشاورز، سید محمود و سیده محدثه کشاورز، ۱۳۹۴، مکان‌یابی بیمارستان و کلینیک با استفاده از سیستم اطلاعات جغرافیایی (GIS) در شهر یاسوج، سومین کنفرانس ملی توسعه پایدار در علوم جغرافیا و برنامه‌ریزی، معماری و شهرسازی، تهران، مرکز راهکارهای دستیابی به توسعه پایدار.
14. رضایی، محسن، (1393)، ارزیابی مقایسه‌ای مدل‌های سیستم استنتاج فازی-عصبی تطبیقی ANFIS، شبکه‌های عصبی مصنوعی ANN و مدل‌های استو کاستیکی در شبیه‌سازی بار رسوب معلق رودخانه دالکی ایستگاه چم چیت، پایان‌نامه کارشناسی ارشد در رشته عمران سازه‌های هیدرولیکی، دانشگاه آزاد اسلامی لارستان، دانشکده فنی مهندسی.
15. سلطانی، سعید؛ سرداری، سروش؛ شیخه پور، مژگان (1389)؛ شبکه عصبی مصنوعی، نشر نص، تهران.
16. شریفی، آرش، علیاری شوره دلی، مهدی، تشنه لب، محمد، (1389)، معرفی سیستم فازی شبه چندجمله‌ای تاکاگی-سوگنو-کانگ با کاربرد در شناسایی سیستم و کلاس‌بندی الگو، مجله کنترل، دانشگاه خواجه‌نصیرالدین طوسی، 3(3).
17. عاصی، محمدرضا، (1393)، مفاهیم سنجش‌ازدور، سیمای دانش، اول.
18. عسگری مجاز، رسول، رضا حسامی، مسعود، رجبی، محمدعلی، ناصری، فرزین (1392)، مدل‌سازی توسعه شهری با استفاده از سیستم استنتاج نرو- فازی و سیستم های اطلاعات مکانی ، وزارت صنعت و معدن.
19. عزیزی قلاتی، ز (1392)، مدل‌سازی تغییرات کاربری اراضی با استفاده از تکنیک‌های سنجش‌ازدور و سامانه‌های اطلاعات جغرافیایی در منطقه کوهمره سرخی استان فارس، پایان‌نامه کارشناسی ارشد در رشته‌ی سنجش‌ازدور و GIS، دانشگاه چمران اهواز، دانشکده علوم زمین.
20. غفاری، غلامعلی، وفاخواه، مهدی، (1392)، شبیه‌سازی فرایند بارش رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی -عصبی تطبیقی (مطالعه موردی حوزه آبخیز حاجی قوشان)، پژوهشنامه مدیریت حوزه آبخیز، 4(8).
21. کریم زاده، د (1390)، مدل‌سازی فضایی زمانی توسعه شهری با استفاده از پردازش تصاویر ماهواره‌ای و الگوریتم‌های هوشمند (مطالعه موردی شهر مهاباد)، پایان‌نامه کارشناسی ارشد در رشته‌ی شهرسازی، دانشگاه شیراز، دانشکده هنر و معماری.
22. کیانی سلمی، الهام؛ ابراهیمی، عطاالله، (1397)، ارزیابی تغییرات پوشش اراضی شهرکرد و پیش بینی آینده آن با بهرهگیری از داده های دور سنجی و مدل CA-Markov، فصلنامه علمی پژوهشی برنامه ریزی فضایی(جغرافیا)، 8(28).
23. گرامی و (1390)، تغییرات کاربری اراضی منطقه گتوند عقیلی طی سال‌های 2000 تا 2010 با استفاده از ALL و ETM به کمک سنجش‌ازدور و GIS، پایان‌نامه کارشناسی ارشد در رشته‌ی سنجش‌ازدور و GIS، دانشگاه چمران اهواز، دانشکده علوم زمین.
24. گلابی، محمدرضا، آخوند علی، علی‌محمد، رادمنش، فریدون، (1392)، مقایسه عملکرد الگوریتم‌های مختلف شبکه عصبی در مدل‌سازی بارندگی فصلی مطالعه موردی؛ ایستگاه‌های منتخب استان خوزستان، نشریه تحقیقات کاربری علوم جغرافیایی، 13(30).
25. گونزالس، رافائل- وودز، ریچارد، 1390، پردازش دیجیتالی تصاویر، مجتبی لطفی زاد- سعید میر قاسمی- امیر مسعود عمویی، پند نو (کتاب نیاز)، اول.
26. مخدوم، مجید. 1380: زیستن در محیط‌زیست. چاپ هفتم، انتشارات دانشگاه تهران، شماره 1909، 351 صفحه.
27. مریدی شوشتری، اکرم، (1390)، شوشتر یعنی خوبتر، چاپ سوم، انتشارات ترآور.
28. منهاج، م. ب، (1389)، مبانی شبکه‌های عصبی مصنوعی، چاپ اول، انتشارات دانشگاه امیرکبیر، تهران.
29. مهندسین مشاور طرح و تدوین، (1391)، طرح جامع شوشتر.
30. In-Ae Yeo,Jurng-Jae Yee (2014).A proposal for a site location planning model of environmentally friendly urban energy supply plants using an environment and energy geographical information system (E-GIS) database (DB) and an artificial neural network (ANN). [DOI:10.1016/j.apenergy.2013.12.060]
31. Land use changes modelling using advanced methods: Cellular automata and artificial neural networks. The spatial and explicit representation of land cover dynamics at the cross-border region scale
32. George Grekousis,Panos Manetos,Yorgos N.Photis(2013)Modeling urban evolution using neural networks, fuzzy logic and GIS: The case of the Athens metropolitan area [DOI:10.1016/j.cities.2012.03.006]
33. Altstatt A. Mane L. Justice C.O. 2012 Quantifying forest cover loss in
34. Democratic Republic of the Congo,2000-2010,with Landsat ETM+data-
35. Han.j, Hayashi.Y, Cao.X, Imura.H. (2009)"Application of an integrated system dynamics and cellular automata model for urban growth assessment: A case study of Shanghai, China" Landscape and Urban Planning 91, 133-141 [DOI:10.1016/j.landurbplan.2008.12.002]
36. Almeida, C. M. Gleriani, J. M. Castejon, E. F. & Soares-Filho, B. S. (2008). Using neural networks and cellular automata for modelling intra-urban land-use dynamics.International Journal of Geographical [DOI:10.1080/13658810701731168]
37. Information Science, 22(9), 943-963.
38. Batty. M (2009) Urban Modeling, in N. Thrift and R. Kitchin (Editors) International Encyclopedia of Human Geography,Vol 12, Elsevier, Oxford, UK, pp. 51-58. [DOI:10.1016/B978-008044910-4.01092-0]
39. Berjak, S. G. Hearne, J. W. (2002). An improved cellular automata model for simulating fire in a spatially heterogeneous Savanna system. Ecological Modelling,148(2), 133- 151. [DOI:10.1016/S0304-3800(01)00423-9]
40. Couclies, H.(1985), Cellular worlds: a framework for modelling micro-macro dynamics, Environment and Planning A 17, 585-596. [DOI:10.1068/a170585]
41. Dietzel, C. & Clarke, K. C. (2006). The effect of disaggregating land use categories in cellular automata during model calibration and forecasting. Computers, Environment and Urban Systems, 30(1), 78 -101. [DOI:10.1016/j.compenvurbsys.2005.04.001]
42. Favier, C. Chave, J. Fabing, A. Schwartz, D. & Dubois, M. A. (2004). Modelling forest savanna mosaic dynamics in maninfluenced environments: Effects of fire, climate and soil heterogeneity. Ecological Modelling, 171, 85 -102. [DOI:10.1016/j.ecolmodel.2003.07.003]
43. He C. Okada N. Zhang Q. Shi P. and Li J.Modeling dynamic urban expansion processes incorporating a potential model with cellular automata, landscape and urban planning, No.86, 2008, pp. 79-91. [DOI:10.1016/j.landurbplan.2007.12.010]
44. Inés Santé et al. "Cellular automata models for the simulation of real-world urban processes: A review and analysis" Landscape and Urban Planning 96 (2010) 108-122. [DOI:10.1016/j.landurbplan.2010.03.001]
45. Han.j, Hayashi.Y, Cao.X, Imura.H. (2009)"Application of an integrated system dynamics and cellular automata model for urban growth assessment: A case study of Shanghai, China" Landscape and Urban Planning 91, 133-141 [DOI:10.1016/j.landurbplan.2008.12.002]
46. Ménard, A. & Marceau, D. J. (2007). Simulating the impact of forest management scenarios in an agricultural
47. Yassemi, S. Dragicevic, S. & Schmidt, M.(2008). Design and implementation of anintegrated GIS-based cellular automata model to characterize forest fire behaviour. Ecological Modelling, 210, 71- 84. [DOI:10.1016/j.ecolmodel.2007.07.020]
48. Carpenter, G. Gjaja, M. Gopal, S. and Woodcock, C. (1997). ART networks in remote sensing, IEEE Transactions on Geoscience and Remote Sensing, 35(2):308-325. [DOI:10.1109/36.563271]
49. Chetouani Y (2008) A neural network approach for the real-time detection of faults. Stoch Environ Res Risk Assess 22(3):339- 349. [DOI:10.1007/s00477-007-0123-4]
50. Clarke, K. C. and Gaydos, J. (1998). Loose-coupling a cellular automaton model and GIS: long-term urban growth prediction for San Francisco and Washington/Baltimore. International Journal of Geographical Information Science, 12:699-714. [DOI:10.1080/136588198241617] [PMID]
51. Clarke, K. C. Hoppen, S. and Gaydos, L. (1997). A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay area. Environment and planning B, 24:247- 261. [DOI:10.1068/b240247]
52. Couclelis, H. (1997). From cellular automata to urban models: new principles for model development and implementation. Environment and Planning B, 24:165-174. [DOI:10.1068/b240165]
53. DARPA definition (1988). Neural network study, AFCEA International Press, p. 60.
54. Gharagazlou, A. 2004, GIS and Environmental Planning and Assessment, National Cartographic Center Research Institute of NCC.
55. Gopal, S. and Woodcock, C. E. (1996). Remote sensing of forest change using artificial neural networks, IEEE Transactions on Geoscience and Remote Sensing, 34(2):398- 404. [DOI:10.1109/36.485117]
Send email to the article author
| Rights and permissions | |
 |
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License. |
This work is licensed under a Creative Commons — Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)