پیش‌بینی گسترش شهری با ادغام عوامل اجتماعی و اقتصادی در شورای شهرداری باتیکالوآ، سریلانکا

به دلیل رشد گسترده جمعیت، شهرنشینی باعث افزایش توسعه شهری و پراکندگی در شهرهای جهان می شود. پراکندگی شهری یک پدیده اجتماعی-اقتصادی است که به طور گسترده عوامل اجتماعی-اقتصادی را در پیش بینی بیشتر مدل های پراکندگی شهری گنجانده است. این مطالعه با هدف پیش‌بینی الگوی پراکندگی شهری در سال ۲۰۳۰ با تلفیق عوامل اجتماعی-اقتصادی و بیوفیزیکی انجام شد. NDBI، Cramer’s V، رگرسیون لجستیک، و تجزیه و تحلیل CA-Markov برای طبقه بندی و پیش بینی الگوهای ساخته شده استفاده شد. منطقه ساخته شده کاربری غالب زمین است که از سال ۱۹۹۰ تا ۲۰۲۰ رشد تدریجی داشته است. در مجموع ۲۰ عامل اجتماعی-اقتصادی و بیوفیزیکی به عنوان پتانسیل در شهرداری شناسایی شد که بر گسترش شهری تأثیر می گذارد. تنظیم سیاست جذاب ترین محرک با ارتباط مثبت بود، و ارزش زمین رابطه معکوس بالایی داشت. سه سناریو پیش‌بینی برای پراکندگی شهری برای سال ۲۰۳۰ به دست آمد. در سناریوی ۳ رشد گسترده‌تری در مقایسه با سناریوهای ۱ و ۲ انتظار می‌رود. سناریوی ۳ با عوامل بیوفیزیکی و اجتماعی-اقتصادی شبیه‌سازی شد. این مطالعه به پرداختن به پراکندگی شهری در مقیاس‌های زمانی و مکانی مختلف کمک می‌کند و به برنامه‌ریزان شهری و تصمیم‌گیران کمک می‌کند تا استراتژی‌های توسعه در شهرداری را ارتقا دهند. نقشه‌های پیش‌بینی‌شده با سناریوهای مختلف می‌توانند از ارزیابی رشد گسترده آینده حمایت کنند و برای توسعه برنامه‌ریزی پایدار برای شهر مورد استفاده قرار گیرند. این مطالعه به پرداختن به پراکندگی شهری در مقیاس‌های زمانی و مکانی مختلف کمک می‌کند و به برنامه‌ریزان شهری و تصمیم‌گیران کمک می‌کند تا استراتژی‌های توسعه در شهرداری را ارتقا دهند. نقشه‌های پیش‌بینی‌شده با سناریوهای مختلف می‌توانند از ارزیابی رشد گسترده آینده حمایت کنند و برای توسعه برنامه‌ریزی پایدار برای شهر مورد استفاده قرار گیرند. این مطالعه به پرداختن به پراکندگی شهری در مقیاس‌های زمانی و مکانی مختلف کمک می‌کند و به برنامه‌ریزان شهری و تصمیم‌گیران کمک می‌کند تا استراتژی‌های توسعه در شهرداری را ارتقا دهند. نقشه‌های پیش‌بینی‌شده با سناریوهای مختلف می‌توانند از ارزیابی رشد گسترده آینده حمایت کنند و برای توسعه برنامه‌ریزی پایدار برای شهر مورد استفاده قرار گیرند.

کلید واژه ها:

گسترش شهری ; مدل سازی شهری ; کاربری زمین ؛ شهرنشینی ; عوامل اجتماعی و اقتصادی

۱٫ مقدمه

شهرنشینی و رشد بی رویه جمعیت در نواحی شهری امروزه توسعه شهری را در شهرهای جهان افزایش می دهد. بیشترین نسبت شهرنشینی در دهه اول قرن بیست و یکم رخ داده است [ ۱ ]. جمعیت شهری امروز بیش از نیمی از جمعیت جهان را تشکیل می دهد که چالش های قابل توجهی را برای برنامه ریزان شهری و دولت ها ایجاد می کند. اکثر شهرها در کشورهای در حال توسعه یک چالش را تجربه کرده اند که آن پراکندگی شهری است [ ۲ ، ۳ ، ۴ ، ۵ ]. گسترش شهری موضوعی بحث برانگیز در میان محققانی است که هنوز بر سر تعریف قابل قبولی توافق ندارند. گسترش شهری اصطلاحی است برای بسیاری از شرایط، زیرا ویژگی های آن در شهرهای سراسر جهان موازی نیست [ ۲, ۶ , ۷ ]. بنابراین، آن را یک پدیده چند بعدی و یک مفهوم مبهم می نامند [ ۸ ، ۹ ، ۱۰ ].

گسترش شهری یک محیط شهری خاص است که باید با ضرورت اهداف توسعه پایدار مرتبط باشد [ ۴ ]]. پراکندگی یک پدیده اجتماعی-اقتصادی است که برای حرکت به سمت پایداری باید در زمینه های مختلف اجتماعی-اقتصادی درک شود. به عنوان مثال، توسعه مسکن انفرادی ارزش زمین را در شهرها افزایش می دهد که تأثیر مستقیمی بر رشد پراکندگی شهری دارد. بنابراین، ارزش زمین یکی از پدیده های اجتماعی-اقتصادی تأثیرگذار در بسیاری از شهرهای جهان است که باید برای بهره برداری پایدار از زمین مورد توجه قرار گیرد. تعداد محدودی از عوامل بیوفیزیکی در جهان مانند شیب، ارتفاع و شرایط آب و هوایی وجود دارد که همیشه برای پراکندگی شهری در همه شهرها وجود ندارد. با این حال، بسیاری از عوامل اجتماعی-اقتصادی باعث توسعه پراکندگی شهری می شوند، اما درک اینکه کدام عوامل بیشترین تأثیر را دارند دشوار است. این عوامل بین شهرها، مناطق و کشورهای جهان متفاوت است [ ۱۱] و تحت تأثیر ارزش های زمین، الگوهای جمعیتی، چشم انداز توپوگرافی، عوامل اجتماعی و وسایل حمل و نقل [ ۱۲ ] قرار دارند. مطالعات محدودی بر روی عوامل اجتماعی و اقتصادی پراکندگی شهری در [ ۱۳ ، ۱۴ ، ۱۵ ] و در حال توسعه [ ۴ ، ۱۶ ، ۱۷ ، ۱۸ ] انجام شد.] کشورها. به‌طور دقیق‌تر، یک مطالعه جامع که بسیاری از عوامل اجتماعی-اقتصادی را پوشش می‌دهد در هیچ یک از مناطق شهری که باید برای پر کردن شکاف روی آن متمرکز شود، شناسایی نشد. بنابراین، این مطالعه چندین عامل اجتماعی-اقتصادی مانند ترجیح مسکن، نابرابری درآمد، پویایی جمعیتی، ارزش زمین، تحصیلات، اشتغال، دسترسی منطقه‌ای، استاندارد زندگی و مقررات سیاستی را پوشش می‌دهد که به طور قابل توجهی در شهرهای مختلف جهان شناسایی شده‌اند . ۱۹ ، ۲۰ ، ۲۱ ، ۲۲ ].

علاوه بر این، مدل شهری دارای سابقه طولانی از رشد اولین مدل محاسباتی در حوزه شهری است [ ۲۳ ، ۲۴ ]. مدل شهری مدل‌های فضایی را به دلایل خاص در طراحی سنتی فضایی توصیف، می‌سازد و استفاده می‌کند. در ۵۰ سال گذشته، انواع مختلفی از مدل های شهری در سطح جهانی توسعه یافته اند [ ۲۵ ] که از منظرهای مختلفی دسته بندی می شوند. بعداً به تجزیه و تحلیل فضایی برای توسعه نظریه های مکان در جغرافیای اجتماعی و انسانی گسترش یافت. در نهایت، این مدل ها برای آزمایش نظریه های مربوط به مکان مکانی و یافتن ارتباط بین کاربری زمین و فعالیت های آن [ ۲۴ ] تمرین می شوند. نویسندگان مختلف مدل های شهری را به گروه های مختلف دسته بندی می کنند [ ۲۴ ,۲۵ ، ۲۶ ]. به عنوان مثال، بهتا مدل را به سه گروه طبقه‌بندی کرد که عبارتند از (۱) مدل مبتنی بر عامل، مدل اتوماتای سلولی و مدل شبیه‌سازی میکرو، (۲) مدل حمل‌ونقل کاربری زمین و (۳) مدل‌های دینامیک شهری. از این میان، مدل های گروه یک (۱) دارای دو مدل از نوع متنوع هستند، مانند مدل مبتنی بر عامل و مدل اتوماتای سلولی، که از یک گروه تشکیل شده است. به طور همزمان، مدل شبکه عصبی و مدل مبتنی بر فراکتال در این گروه ها در نظر گرفته نشد. در مقابل پوینده و همکاران. [ ۲۵ ] مدل های شهری مکانی و زمانی را به دو گروه مانند مدل های پیچیدگی و زمانی GIS دسته بندی کرد. این دو مدل نیز به زیرگروه های مختلفی تقسیم شدند. علاوه بر این، این مدل ها در مدل های نظری نادیده گرفته شده اند [ ۲۴]. با این حال، مارکز و همکاران. [ ۲۶ ] مدل‌های پیش‌بینی برای پراکندگی شهری و کاربری زمین را به سه گروه تقسیم کرد که مدل‌های مبتنی بر GIS، مدل‌های یادگیری ماشین و مدل‌های ترکیبی هستند.

مدل‌های مبتنی بر GIS معمولاً برای پیش‌بینی الگوهای کاربری/پوشش زمین استفاده می‌شوند. برای مثال، مدل‌های STSM [ ۲۷ ]، SLEUTH [ ۲۸ ]، LTM [ ۲۹ ] و CLUE [ ۳۰ ] مدل‌های مبتنی بر GIS به طور گسترده در مطالعات پراکندگی شهری، رشد شهری و کاربری زمین استفاده می‌شوند. این مدل ها داده ها را برای توسعه لایه های فضایی متغیرهای پیش بینی کدگذاری می کنند. این متغیرها را می‌توان از یک سری نقشه‌های کاربری زمین که از قوانین فضایی برای ارتباط با این متغیرها برای تغییر کاربری اراضی استفاده می‌کنند، تولید کرد. سپس، یک نقشه سری زمانی را می توان با توجه به مقدار مقیاس انتقال با کاربری آینده تولید کرد [ ۲۶]. سپس، مدل‌های یادگیری ماشین جزء حیاتی در هوش مصنوعی هستند که عمدتاً از الگوریتم‌های کامپیوتری برای شبیه‌سازی و پیش‌بینی کاربری زمین/پوشش زمین استفاده می‌کنند. زنجیره مارکوف [ ۳۱ ]، اتوماتای سلولی [ ۳۲ ]، رگرسیون لجستیک [ ۳۳ ]، مدل چند عاملی [ ۳۴ ]، ANN [ ۳۵ ] و SVM [ ۵ ]] برخی از مدل‌هایی هستند که اغلب دانشگاهیان را تشویق می‌کنند تا برای مطالعات شهری درخواست دهند. علاوه بر این، آنها می توانند بدون کمک انسان عمل کنند و همچنین با رویکردهای ریاضی و آماری آشنا هستند. مدل های یادگیری ماشین به دلیل کارایی و دقت این مدل به طور گسترده در مطالعات شهری کاربرد دارند. علاوه بر این، دارای یک ویژگی مهم است که توانایی استفاده از عوامل محرک در پیش بینی کاربری/پوشش زمین را دارد [ ۳۶ ]. علاوه بر این، مدل‌های ترکیبی نظریه‌هایی مبتنی بر سیستم‌هایی با ویژگی‌های چند مقیاسی هستند. به عنوان مثال، CLUE-S-MC [ ۳۷ ]، CA-MC [ ۳۸ ]، ANN-CA [ ۳۹ ]، MLP-MC [ ۴۰ ] و LR-MC-CA [ ۴۱ ]] برخی از مدل های مورد استفاده در مطالعات قبلی برای پیش بینی کاربری اراضی یا گسترش شهری هستند. سناریوهای مختلف تغییر کاربری اراضی در مقیاس‌های فضایی مختلف با استفاده از این مدل‌ها تحلیل می‌شوند. این مدل ها به خوبی با مدل های دیگر مطابقت دارند و برای درک رابطه بین تغییر کاربری زمین و عوامل محرک استفاده می شوند. از یک رویکرد از بالا به پایین با روش از پایین به بالا برای ادغام الگوهای کاربری زمین و عوامل محرک استفاده می کند [ ۲۶ ]. علاوه بر این، عوامل محرک اجتماعی و اقتصادی با پیش‌بینی کاربری زمین در مطالعات گذشته ادغام شدند. علاوه بر این، ناسازگاری مجموعه داده‌های مختلف یک چالش بزرگ برای اعمال این عوامل در مدل‌ها است [ ۳۷ ].

در این مورد، مطالعات گذشته به طور گسترده در بسیاری از مدل های گسترش شهری در کشورهای توسعه یافته و در حال توسعه اعمال نشده است [ ۲۴ ]. مدل‌های کاربردی بر بسیاری از عوامل اجتماعی-اقتصادی، که پدیده‌های ضروری برای پراکندگی شهری در شهر هستند، متمرکز نبودند. در زمینه سریلانکا، مطالعات پراکندگی شهری به تجزیه و تحلیل الگوی مکانی-زمانی در شهرهای بزرگتر مانند کندی [ ۴۲ ] و کلمبو [ ۴۳ ] محدود می شود.] در سریلانکا. با این وجود، پیش‌بینی‌های پراکندگی شهری در سطح ملی از جمله شهرهای بزرگ مانند کلمبو یا کندی وجود ندارد. با توجه به این عدم پیش بینی در مورد پراکندگی شهری، امکان افزایش پراکندگی در شهرها در آینده بیشتر خواهد بود. افزایش رشد جمعیت می تواند نیاز به ساختمان های مسکونی را افزایش دهد که می تواند ارزش زمین را در مناطق شهری و حومه شهر افزایش دهد. این امر منجر به گسترش حومه و رشد پراکندگی شهری در حومه شهر خواهد شد. از آنجایی که عوامل اجتماعی-اقتصادی به شدت تحت تأثیر پراکندگی شهری در شهرها هستند، این مطالعه از اهمیت بیشتری برخوردار است زیرا نه عامل اجتماعی-اقتصادی شناسایی شده از شهرهای مختلف در سراسر جهان را که برای پیش بینی گسترش شهرها در سال ۲۰۳۰ گنجانده شده اند، در بر می گیرد. این مطالعه می تواند جهتی برای مطالعات پراکندگی شهری در شهرهای سریلانکا و کشورهای در حال توسعه جهان باشد. بنابراین، این مطالعه با هدف پیش‌بینی الگوی پراکندگی شهری در سال ۲۰۳۰ با تلفیق عوامل اجتماعی-اقتصادی و بیوفیزیکی انجام شد.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

شورای شهرداری Batticaloa یکی از مقامات محلی در منطقه Batticaloa سریلانکا است. شهرداری در سواحل شرقی سریلانکا با میانگین ارتفاع ۸۵۲۳ متر از سطح دریا قرار دارد ( شکل ۱ را ببینید ). کل جمعیت ۹۴۱۳۱ نفر است و تراکم آن ۱۳۷۲ نفر در هر کیلومتر مربع در سال ۲۰۲۰ بوده است [ ۴۴ ]]. وسعت کل شهرداری Batticaloa 4195.18 هکتار است که برای مصارف مختلف استفاده می شود. کاربری مسکونی با حدود ۱۱۷۰٫۲۴ هکتار بیشترین کاربری را در این منطقه دارد و پس از آن زمین کشاورزی با حدود ۹۳۵٫۶ هکتار قرار دارد. کاربری تجاری یکی از وسعت کم است که تقریباً ۲۳٫۵ هکتار است. همچنین مساحت طبیعی (۵/۸۲ هکتار)، بوته‌زارها (۷۱/۱۸۵ هکتار) و توده‌های آبی (۵۸ هکتار) درصد مشخصی در این منطقه دارند.

منطقه Batticaloa به مدت سه دهه تا سال ۲۰۰۹ به شدت تحت تاثیر جنگ داخلی قرار گرفت. ساکنان آن پس از پایان جنگ داخلی در سریلانکا شروع به لذت بردن از زندگی صلح آمیز کردند. چندین پروژه عمرانی با توجه به محیط آرام در این منطقه آغاز شده است. سرمایه گذاران، کمک کنندگان و سازمان های غیردولتی ادغام شده با دولت را برای بازسازی شهر تشویق می کند. بازسازی های سریع به دلیل رشد ساخته شده که توسعه گسترده ای را در شهر ایجاد می کند، مشکلات اجتماعی-اقتصادی زیادی ایجاد می کند. بنابراین، این منطقه باید برای توسعه شهری پایدار در سریلانکا، مطالعه پراکندگی شهری را در نظر بگیرد.

۲٫۲٫ منبع اطلاعات

تصاویر Landsat برای سال‌های ۱۹۹۰، ۲۰۰۰، ۲۰۱۰ و ۲۰۲۰ با تمام باندها از Earth Explorer، سازمان زمین‌شناسی ایالات متحده دانلود شدند ( جدول ۱ را ببینید.). این تصاویر دانلود شده به سیستم مختصات محلی کانداوالا نمایش داده شدند. منطقه شهرداری Batticaloa بر اساس مرز شهرداری موجود، Batticaloa، دیجیتالی شد و تصاویر Landsat با استفاده از این شکل فایل مرزی برای تجزیه و تحلیل بریده شدند. ارتفاع و شیب از Google Earth Pro به دست آمد. بدنه های آبی؛ بزرگراه ها، جاده های فرعی و راه های سوم؛ راه آهن و باند خطوط هوایی؛ CBD؛ ساختمان های تجاری، آموزشی، اداری، مذهبی و خدماتی؛ جمعیت بر اساس تقسیم GN. و ارزش زمین بر اساس بخش GN در Google Earth Pro بر اساس نقشه‌های موجود در شهرداری Batticaloa دیجیتالی شد. عوامل اجتماعی-اقتصادی مانند ارزش زمین، پویایی جمعیتی، مقررات سیاستگذاری، دسترسی منطقه ای، ترجیحات مسکن، نابرابری درآمد، آموزش، استانداردهای زندگی،

۲٫۳٫ تحلیل داده ها

برای تحلیل و تفسیر نتایج و یافته‌ها از تصاویر Landsat با روش‌های زیر استفاده شد.

۲٫۳٫۱٫ شاخص ایجاد تفاوت عادی (NDBI)

NDBI برای استخراج ویژگی‌های ساخته‌شده از یک تصویر سطحی با شاخص‌هایی از ۱- تا ۱ استفاده می‌شود. زمین ساخته‌شده مقدار مثبت را نشان می‌دهد و سایر کاربری‌ها مقادیر منفی را نشان می‌دهند [ ۴۶ ]. این روش به نفع پاسخ‌های طیفی فردی زمین‌های ساخته‌شده و سایر پوشش‌های زمین است. NDBI با استفاده از رابطه (۱) [ ۴۷ ] محاسبه می شود:

NDBI = (SWIR – NIR)/(SWIR + NIR)

(۱)

که در آن NDBI شاخص ایجاد شده تفاوت نرمال شده را نشان می دهد، SWIR باند مادون قرمز موج کوتاه است و NIR باند مادون قرمز نزدیک است.

الگوی ساخته شده برای سال های ۱۹۹۰، ۲۰۰۰، ۲۰۱۰ و ۲۰۲۰ برای درک رشد پراکندگی شهری در شهرداری باتیکالوآ استخراج شد. مساحت ساخته شده به دلیل رشد سریع ساخت و سازها از همان ابتدا به تدریج افزایش یافت زیرا شهرداری به یک منطقه شهری تبدیل شد. این رشد ساختمان در سه دهه اخیر تجربه شده است. بنابراین، قبل از آن (۱۹۹۰) و بعد (۲۰۲۰) تصاویر ساخته شده در تحلیل تغییر در Land Change Modeler، IDRISI 17.0 که دارای ابزار تحلیل و پیش‌بینی تغییر است، استفاده شد. نقشه ای از تغییرات ساخته شده با استفاده از این ابزار برای درک رشد پراکندگی شهری برای سال های انتخاب شده ایجاد شد. سپس از این نقشه در مدل رگرسیون لجستیک برای تهیه نقشه پتانسیل انتقال استفاده شد.

۲٫۳٫۲٫ تحول داده های اجتماعی و اقتصادی

در مجموع ۹ عامل اجتماعی-اقتصادی از مطالعات قبلی مربوط به پراکندگی شهری شناسایی شد که عبارتند از ترجیح مسکن، نابرابری درآمد، پویایی جمعیتی، ارزش زمین، آموزش، اشتغال، دسترسی منطقه‌ای، استاندارد زندگی، و تنظیم سیاست. یک بررسی پرسشنامه برای به دست آوردن وضعیت این عوامل از ۴۰۰ پاسخ دهنده خانوار در شهرداری Batticaloa ایجاد شد. این ۴۰۰ پرسشنامه با مختصات جغرافیایی مکانی که پاسخ دهنده فرم را پر کرده است جمع آوری شده است تا میزان تأثیر هر یک از عوامل اجتماعی-اقتصادی را درک کند ( شکل ۲ را ببینید).). شهرداری Batticaloa تقریباً ۱۲۳۷۵۰ پیکسل با وضوح ۳۰ متر در مجموعه داده ها دارد. از این تعداد ۴۰۰ پیکسل تصادفی (نقاط تصادفی) از نظرسنجی میدانی برای تکمیل پرسشنامه ها انتخاب شدند. سپس این ۴۰۰ نقطه تصادفی در Google Earth Pro علامت‌گذاری شدند که برای به دست آوردن نقشه فضایی عوامل اجتماعی و اقتصادی به ArcGIS وارد شد ( شکل ۳ را ببینید).). با توجه به شماره گذاری نظرسنجی، هر پرسشنامه با این ۴۰۰ امتیاز با استفاده از ابزار Join Attribute در ArcGIS پیوست شد. سپس، هر عامل با جزئیات پرسشنامه در مورد چگونگی تبدیل هر عامل اجتماعی-اقتصادی برای هر نقطه از نقشه ترسیم شد. به عنوان مثال، اگر یک عامل (۰) را نشان دهد، این عامل بر گسترش شهری در آن منطقه تأثیر نمی گذارد. اگر عاملی (۱) را نشان داد، این عامل در ناحیه خاص «تأثیر کم» دارد. اگر عاملی (۲) را نشان داد، آن عامل «تاثیر متوسط» در ناحیه خاص دارد. اگر عاملی (۳) را نشان داد، این عامل به شدت بر گسترش شهری در یک منطقه خاص تأثیر می گذارد. جدول ۲ نمونه ای از توزیع داده های پرسشنامه را نشان می دهد.

این ۴۰۰ نمونه با استفاده از ابزار درونیابی کریجینگ در ArcGIS نقشه برداری شدند. کریجینگ ویژگی‌های احتمال را برای نقاط یک محله در اطراف هر سلول شطرنجی خروجی (اندازه ۳۰ × ۳۰ پیکسل) تولید می‌کند. هر نقطه دارای یک سطح منحنی صاف است که بالاترین مقدار این سطح را در نقطه مکان نشان می دهد. با افزایش فاصله از نقطه کاهش می یابد و در فاصله شعاع جستجو از نقطه صفر می شود. این روش بر بسیاری از کاستی های روش های درونیابی سنتی در ArcGIS غلبه می کند. علاوه بر این، مفروضات این نظریه نسبت به روش های دیگر تصادفی کمتری دارند که احتمال قابل اعتمادی را ارائه می دهد. به عنوان یک درون یاب بهینه، برآوردهای مدل عینی هستند و حداقل واریانس آن مشخص است. واریوگرام و تنظیمات داده، وزن روش کریجینگ را مشخص می کند. در حالی که واریانس های برآورد به عنوان تخمین تعیین و ترسیم می شوند، می توان توزیع خاصی را فرض کرد. بنابراین، کریجینگ با دیگر درون یابی ها متفاوت است [۴۸ ].

۲٫۳٫۳٫ Cramer’s V Test

نقشه های درون یابی عوامل اجتماعی-اقتصادی و سایر عوامل بیوفیزیکی با Cramer’s V برای شناسایی عوامل بالقوه پراکندگی شهری مورد آزمایش قرار گرفتند. وقتی مقدار Cramer’s V نزدیک به ۰ باشد، ارتباط بین متغیرها کمتر است. به طور همزمان، زمانی که مقدار نزدیک به ۱ باشد، ارتباط بین متغیرها قوی است. با این حال، مقدار V بالاتر از ۰٫۱۵ مفید است و بیشتر از ۰٫۴ خوب در نظر گرفته می شود [ ۴۹ ، ۵۰ ]]. بنابراین، مدل پیش‌بینی فقط شامل عوامل توضیحی با مقدار بالاتر از ۰٫۱۵ بود. تقریباً ۲۶ متغیر با Cramer’s V در Land Change Modeler IDRISI 17.0 آزمایش شدند. در مجموع ۲۰ عامل دارای پتانسیل با مقدار V بالاتر از ۰٫۱۵ شناسایی شد. بنابراین، این متغیرها برای ایجاد سطح احتمال در مدل رگرسیون لجستیک گنجانده شدند.

۲٫۳٫۴٫ مدل فرعی: رگرسیون لجستیک

به عنوان یک مدل فرعی، رگرسیون لجستیک برای شناسایی مناطق انتقال بالقوه با Land Change Modeler، که یک ماژول ترکیبی در IDRISI 17.0 است، استفاده شد. این ماژول به عنوان یک پلت فرم خوب با مدل های مختلف یکپارچه مانند رگرسیون لجستیک، اتوماتای سلولی و زنجیره مارکوف [ ۴۹ ] در نظر گرفته می شود.]. این مدل مجموعه ای از انتقال ها را با عوامل بالقوه شناسایی شده از آزمون کرامر اجرا می کند. نتایج این انتقال در مقدار ضریب عوامل با نقشه پتانسیل انتقال بیان شد. این مقدار ضریب اثرات هر یک از متغیرهای مستقل (عوامل اقتصادی-اجتماعی) را بر متغیر وابسته (ساخته شده) ذکر می کند. بین -۱٫۰ (ارتباط منفی قوی) تا +۱٫۰ (ارتباط مثبت قوی) متغیر است. مقدار ضریب کمتر از ۰٫۴ نشان می دهد که هیچ افزونگی بین متغیرها وجود ندارد [ ۴۹ ، ۵۱ ].

۲٫۳٫۵٫ مدل CA-Markov

نقشه های ساخته شده و نقشه پتانسیل انتقال برای پیش بینی الگوی پراکندگی شهری در سال ۲۰۳۰ استفاده شد. مدل مارکوف قادر به نظارت، شبیه سازی و پیش بینی الگوی کاربری زمین است. برای محاسبه ماتریس احتمال انتقال از سال ۱۹۹۰ تا ۲۰۲۰ از یک تخمینگر گذار مارکوی استفاده شد.

S (t، t + 1) = Pij × S (t)

(۲)

که در آن S (t) وضعیت سیستم در زمان t است، S (t + 1) وضعیت سیستم در زمان t + 1 است، و Pij یک ماتریس احتمال انتقال حالت است که به صورت زیر محاسبه می شود:

|| ||=پمنj=||پ۱،۱پ۱،۲پ۲،۱پ۲،۲⋯پ۱،ن⋯پ۲،ن⋯⋯پن،۱پن،۲⋯⋯⋯پن،ن|| ۰≤ پمنj ≤ ۱

(۳)

که در آن P احتمال انتقال است، P _ij نشان دهنده احتمال تبدیل از حالت موجود i به حالت دیگر j در زمان بعدی است، و P _N احتمال حالت برای هر زمان است. یک احتمال نزدیک به (۰) یک انتقال کم را مشخص می کند و احتمالات نزدیک به (۱) یک انتقال بالا را مشخص می کند [ ۵۲ ، ۵۳ ، ۵۴ ].

احتمال انتقال برای دوره ۱۹۹۰-۲۰۲۰ برای پیش‌بینی گسترش شهری در سال ۲۰۳۰ محاسبه شد. اتوماتای سلولی یک مدل پویا است که با تحلیل یک الگوی ساخته‌شده با مدل مارکوف آشنا است. این مدل یکپارچه CA-Markov به ما امکان می‌دهد یک انتقال دو طرفه را شبیه‌سازی کنیم و انتقال بین هر تعداد کلاس را پیش‌بینی کنیم [ ۵۵ ]. مدل CA به صورت زیر بیان می شود (به معادله (۴) مراجعه کنید):

S (t، t + 1) = ƒ(S (t)، N)

(۴)

که در آن S (t + 1) وضعیت سیستم در زمان (t, t + 1) است که با احتمال حالت در همه زمان‌ها (N) عمل می‌کند.

۲٫۳٫۶٫ اعتبار سنجی مدل

مدل با اعتبار سنجی IDRISI برای نقشه های شبیه سازی شده و موجود برای سال ۲۰۲۰ اعتبار سنجی شد. سه پارامتر در ابزار اعتبارسنجی IDRISI وجود دارد. Kno دقت کاپا کلی، Kstandard کمیت و Klocation کاپا برای مکان است که برای ارزیابی نقشه های شبیه سازی شده بسیار توصیه می شود. مقدار کاپا برابر با ۱ رضایت بخش است و مقدار ۰ رضایت بخش نیست [ ۵۵ ]. بر اساس عملکرد نتایج کاپا، پیش‌بینی الگوهای آینده را می‌توان در پراکندگی شهری نشان داد. دقت مدل نزدیک به ۰٫۸۰ معمولاً کافی در نظر گرفته می شود و مطابقت عالی داده های نقشه [ ۴۹ ]]. بنابراین می توان نقشه پیش بینی شده برای سال ۲۰۳۰ را دقیق دانست. علاوه بر این، مشخصه عملیاتی نسبی (ROC) در رگرسیون لجستیک برای مقایسه نقشه تناسب با نقشه بولی «واقعیت» و تعیین بهترین مقدار برش استفاده شد. این شامل یک آمار برجسته برای محاسبه خوبی برازش مدل رگرسیون لجستیک است. مقدار ROC در مدل بین صفر تا یک است. یکی موفقیت مدل را تعریف می کند و ۰٫۵ برازش تصادفی مدل را بیان می کند [ ۴۹ ]. علاوه بر این، قدرت پیش بینی مدل رگرسیون لجستیک با آمار شبه R2 ارزیابی شد. شبه R2 نزدیک به ۱ تناسب کامل را مشخص می کند و شبه R2 نزدیک به ۰ هیچ رابطه ای ایجاد نمی کند. با این وجود، شبه R2 بزرگتر از ۰٫۲ یک تناسب نسبتاً خوب در نظر گرفته می شود [ ۵۰]. بنابراین، ROC و Pseudo R2 برای شناسایی برازندگی مدل محاسبه شدند.

۳٫ نتایج و بحث

۳٫۱٫ الگوی ساخته شده

به عنوان کاربری غالب در شهرداری Batticaloa، منطقه ساخته شده رشد سریعی را در دهه های اخیر تجربه کرده است. الگوی ساخته شده عمدتاً پارامتری برای شناسایی پراکندگی شهری در یک شهر در نظر گرفته می شود. از این رو، برای سال های ۱۹۹۰، ۲۰۰۰، ۲۰۱۰ و ۲۰۲۰ به دست آمد ( شکل ۴ را ببینید ). مساحت ساخته شده ۱۰۳۰٫۲۳ هکتار در سال ۱۹۹۰، ۱۲۳۷٫۸۶ هکتار در سال ۲۰۰۰، ۱۳۶۷٫۱۰ هکتار در سال ۲۰۱۰ و ۱۷۷۴٫۴۴ هکتار در سال ۲۰۲۰ بوده است ( جدول ۳ را ببینید).). سطح دقت ۹۳ درصد در سال ۱۹۹۰، ۹۴ درصد در سال ۲۰۰۰، ۹۳ درصد در سال ۲۰۱۰ و ۹۴ درصد در سال ۲۰۲۰ بود. با این حال، شهرداری از سال ۱۹۹۰ با رشد گسترده ای روبرو بوده است که بر اساس این نقشه های ساخته شده ایجاد شد. Batticaloa به عنوان یک منطقه مرکزی در استان شرقی، اثرات جنگ داخلی را از دهه ۱۹۸۰ تا ۲۰۰۰ تجربه کرد. این زمینه یکی از عواملی بود که باعث شد مهاجرت انسان به ولسوالی‌ها و از دیگر ولسوالی‌ها برای دسترسی به امنیت، غذا، صحت، آموزش و خدمات دیگر فراهم شود. به عنوان مثال، سازمان بین المللی مهاجرت در سال ۲۰۰۷ گزارش داد که جنگ داخلی باعث شد بیش از ۱۵۰۰۰۰ نفر به شرق باتیکالوآ، به ویژه به شهرداری باتیکالوآ فرار کنند.۵۶ ]. علاوه بر این، افزایش ساختمان‌های مسکونی و تجاری باعث رشد مناطق مسکونی شهری در این دوره‌ها شد. بنابراین، ساکنان سهم قابل توجهی در این رشد سریع شهری در شهرداری داشتند.

سود و زیان مناطق ساخته شده بین سال های ۱۹۹۰ تا ۲۰۲۰ بر اساس نقشه های ساخته شده شناسایی شد ( شکل ۵ را ببینید ). مساحت ساخته شده در این دوره ها ۹۰۶ هکتار افزایش و ۱۶۲ هکتار کاهش یافت. جایگزینی ساکنان در اثر سونامی و سیل در شهرداری عامل قابل توجهی برای تلفات ساخت و ساز در مناطق ساحلی بود.

۳٫۲٫ انتخاب متغیرهای رانندگان

در مجموع ۲۶ عامل بیوفیزیکی و اجتماعی-اقتصادی مرتبط با گسترش شهری از ادبیات کشورهای توسعه یافته و در حال توسعه شناسایی شد ( شکل ۶ را ببینید.). ابتدا مشخص شد که آیا این متغیرها در این مطالعه برای استفاده در منطقه Batticaloa مناسب هستند یا خیر. Batticaloa یک منطقه ساحلی با آب های داخلی است. از این رو عوامل کالبدی مانند ارتفاع، شیب و بدنه آبی از عوامل مهم توسعه ساختمانی در شهرداری هستند. ارزش زمین و رشد جمعیت با گسترش شهری در Batticaloa به عنوان یک شهر در حال رشد رابطه معناداری دارد. مقررات سیاستی، ترجیحات مسکن مردم، نابرابری درآمد و استانداردهای زندگی، همگی با گسترش شهری ارتباط دارند. آموزش و اشتغال عوامل مهمی برای رشد گسترده شهر هستند. دسترسی منطقه ای، دسترسی به حمل و نقل، و ساختمان های خدماتی، از جمله ساختمان های تجاری، CBD، اداری و مذهبی، در درجه اول با رشد مسکونی مرتبط هستند. از این رو، این عوامل در این مطالعه مورد توجه قرار گرفتند. سپس، این عوامل با Cramer’s V، موجود در Land Change Modeler، IDRISI 17.0 آزمایش شدند. عوامل بالقوه پراکندگی شهری با الگوهای ساخته شده در شهرداری Batticaloa شناسایی شدند. این عوامل برای توسعه پتانسیل انتقال برای پیش‌بینی پراکندگی شهری استفاده شد.

برای پیش‌بینی پراکندگی شهری در سال ۲۰۳۰، فاکتورهایی با مقدار کرامر بیشتر از ۰٫۱۵ در نظر گرفته شد. در این مورد، ۲۰ متغیر (عامل) این نیاز را برآورده کردند که به مدل رگرسیون لجستیک اضافه شد. شش متغیر اجتماعی-اقتصادی، مانند ترجیحات مسکن، نابرابری درآمد، تحصیلات، استاندارد زندگی، اشتغال، و فاصله تا باند هوایی، الزامات کرامر V را برآورده نکردند ( جدول ۴ را ببینید ). این متغیرها برای پیش‌بینی الگوهای پراکندگی شهری در نظر گرفته نشدند. علاوه بر این، عوامل متعددی در این مطالعه در نظر گرفته شد که بسیاری از نویسندگان به دلیل در دسترس بودن داده ها آن را نادیده گرفتند. برای مثال مصطفی و تلر [ ۵۷] نشان داد که مطالعه آنها به چندین عامل پراکندگی شهری در مدل محدود شده است. آنها دسترسی به جاده‌ها، قطارها و مشاغل را در بر نمی‌گرفتند، که این یک عامل پنهان است که آشکارا باید در طول زمان بر گسترش شهری تأثیر بگذارد. به طور همزمان، Saqui [ ۵۸ ] و Grigorescu و همکاران. [ ۳۰ ] اشاره کرد که چندین متغیر توضیحی شناسایی شده در مطالعات قبلی به دلیل کمبود داده در مطالعات تحقیقاتی آنها گنجانده نشده است. بنابراین، عوامل مورد استفاده در این مطالعه می‌توانند از پیش‌بینی پراکندگی شهری در همه ابعاد حمایت کنند.

مقادیر V و ضریب کرامر برای عوامل حاصل از تحلیل رگرسیون لجستیک در جدول ۴ ارائه شده است. نتایج نشان داد که ارتباط فضایی بین متغیرهای توضیحی و پراکندگی شهری در رابطه با عوامل بیوفیزیکی و اجتماعی-اقتصادی متفاوت است. مقدار ضریب رگرسیون لجستیک نشان دهنده تأثیر فردی هر عامل بر متغیر گذار با ارتباط مستقیم یا معکوس است [ ۴۹ ]]. ضرایب مشخص کردند که کدام متغیرهای بیوفیزیکی و اجتماعی-اقتصادی بیشترین سهم را در توصیف الگوی فضایی مناطق ساخته شده داشتند. مقدار ضریب مثبت برای متغیرها نشان دهنده ارتباط مستقیم با پراکندگی شهری و مقادیر منفی نشان دهنده ارتباط معکوس با پراکندگی شهری است. با این حال، ارتباط مثبت متغیرها نشان دهنده احتمال کاهش پراکندگی شهری و ارتباط منفی متغیرها نشان دهنده احتمال افزایش پراکندگی شهری است.

در این مورد، ۱۳ متغیر ارتباط مثبت و ۷ متغیر ارتباط منفی در تحلیل نشان دادند. مقررات خط مشی و دسترسی منطقه ای به ترتیب رابطه مثبت قوی ۰٫۹۰ و ۰٫۷۲ با احتمال پراکندگی شهری داشتند. به نظر می رسد سیاست ها در شهر سست است که منجر به توسعه غیرقانونی مسکن، تقسیم غیرقانونی زمین و مالکیت غیرقانونی زمین در شهر می شود. حداکثر وسعت فضای زندگی در دستورالعمل های سیاستی که منجر به توسعه گسترده با تراکم کم می شود، تعریف نشده است. علاوه بر این، عدم سختگیری در مالیات باعث تصرف غیرقانونی زمین در شهرداری می شود که رشد گسترده را بیشتر افزایش می دهد. در همین حال، در دسترس بودن منطقه ای در شهر در مقایسه با سایر مناطق در منطقه Batticaloa نسبتاً بالا است. هزینه دسترسی در مناطق روستایی به دلیل امکانات زیرساختی ناکافی که باعث مهاجرت به شهر می شود نسبتاً بالا است. مردم مناطق مقرون به صرفه شهر را انتخاب کردند که در آن ارزش خانه پایین بود. به عنوان مثال، مناطق Thiraimadu، Saththurukondan و Thiruperunthurai در مقایسه با سایر مناطق شهر، ارزش زمین بسیار پایینی دارند. علاوه بر این، دسترسی ضعیف در الگوهای کاربری فعلی زمین در منطقه Batticaloa باعث می‌شود مردم در شهر یا مناطق شهری ساکن شوند. این الگوی ناکارآمد کاربری زمین منجر به افزایش بیشتر پراکندگی شهری در شهرداری می شود. و مناطق Thiruperunthurai در مقایسه با سایر مناطق شهر ارزش زمین بسیار پایینی دارند. علاوه بر این، دسترسی ضعیف در الگوهای کاربری فعلی زمین در منطقه Batticaloa باعث می شود که مردم در شهر یا مناطق شهری ساکن شوند. این الگوی ناکارآمد کاربری زمین منجر به افزایش بیشتر پراکندگی شهری در شهرداری می شود. و مناطق Thiruperunthurai در مقایسه با سایر مناطق شهر ارزش زمین بسیار پایینی دارند. علاوه بر این، دسترسی ضعیف در الگوهای کاربری فعلی زمین در منطقه Batticaloa باعث می شود که مردم در شهر یا مناطق شهری ساکن شوند. این الگوی ناکارآمد کاربری زمین منجر به افزایش بیشتر پراکندگی شهری در شهرداری می شود.

علاوه بر این، فاصله تا بزرگراه، فاصله تا جاده فرعی، فاصله تا راه آهن و فاصله تا منطقه تجاری تأثیر بسیار ضعیفی بر پراکندگی شهری دارند. جاده های شهرداری در بیشتر مناطق شهر به خوبی چیده شده بود. شبکه حمل و نقل شهرداری به طور نسبی برای همه قابل دسترسی است که می تواند یکی از دلایل ارتباط بسیار ضعیف با پراکندگی شهری باشد. علاوه بر این، ارزش زمین، پویایی جمعیتی و جمعیت بر اساس تقسیم GN به ترتیب با مقادیر ضریب -۰٫۷۵۱۹، -۰٫۵۵۱۹ و -۰٫۵۷۶۶ رابطه منفی قوی دارند. به این معنی که این عوامل تاثیر بسیار قوی بر پراکندگی شهری دارند. ارزش زمین برای همه طبقات مردم برای خرید زمین در شهر معقول نیست. افزایش قیمت خانه یا زمین در شهرهای اصلی مانند پولیانتیوو، آراسادی، کوتامونای، و Thamaraikeny مردم را مجبور به خرید زمین در مناطق مقرون به صرفه مانند Saththurukondan، Thiraimadu، Paalameenmadu، Kokkuvil، و Thiruperunthurai می کنند. بنابراین، این مناطق به صورت پراکندگی کم تراکم، پراکنده و ناپیوسته در شهرداری توسعه یافته اند. به دلیل برنامه های ناکافی مسکن، مردم صاحب زمین های فردی در شهر شده اند که قیمت زمین را به شدت افزایش می دهد. به طور همزمان، افزایش تقاضا برای زمین، سرمایه گذاری های واقعی آتی در ملک در شهر را هدایت می کند و انتظارات ارزش زمین در بین مالکان، فروش زمین را تا رسیدن به قیمت رضایت بخشی به تاخیر می اندازد. از این رو فضاهای خالی شهر بدون فروش باقی می ماند. علاوه بر این، تغییرات جمعیتی به طور قابل توجهی با پراکندگی شهری مرتبط است. مهاجرت از روستاها به شهر باعث افزایش پویایی تغییر جمعیت در دهه های اخیر شده است. مهاجران به شهر در طول جنگ داخلی تمایل دارند در مسکن شهری زندگی کنند. این الگوی رشد گسترده ای را در شهر تحت نیازهای موقعیت اجتماعی تشکیل می دهد. در عین حال، سطح زندگی مردم مناطق آنها را تشویق می کند تا به شهرداری باتیکالوا مهاجرت کنند. علاوه بر این، نزدیکی به CBD، فاصله از منابع آموزشی، و فاصله از منابع مذهبی تأثیر بسیار ضعیفی بر گسترش شهری دارد. این مناطق عمدتاً در مرکز شهر قرار دارند که دلیل تأثیر بسیار ضعیف آن بر پراکندگی شهری است. در مقابل، مدل رابطه معنی‌داری بین مناطق ساخته‌شده و برخی از عوامل اجتماعی-اقتصادی مانند ترجیحات مسکن، نابرابری درآمد، تحصیلات، استانداردهای زندگی، اشتغال و فاصله تا باندهای هوایی در شهرداری باتیکالوآ نشان نمی‌دهد. همزمان، این شش عامل الزامات Cramer’s V 0.15 را برآورده نکردند. با این حال، این عوامل ممکن است بسته به دخالت مردم و توسعه شهری در آینده بر گسترش شهری تأثیر بگذارد. با این حال، این مطالعه عوامل مهم را تنها در پیش‌بینی پراکندگی شهری ادغام کرد.

۳٫۳٫ پتانسیل های انتقال

یک نقشه احتمال برای یک منطقه گذار با استفاده از رگرسیون لجستیک برای پیش بینی الگوی گسترش شهری در سال ۲۰۳۰ ایجاد شد. این نقشه انتقال یک تفاوت بصری در مناسب بودن یا پتانسیل خاص برای تغییر در طول زمان برای منطقه ساخته شده را نشان می دهد ( شکل ۷ را ببینید ). این نقشه نشان می دهد که مناطق ساخته شده معمولاً در حومه شهرداری اتفاق می افتد. به طور همزمان، وقوع مناطق ساخته شده کمترین احتمال را در مرکز شهر دارد، مانند Puliyanthivu و Arasady.

۳٫۴٫ پیش بینی گسترش شهری در سال ۲۰۳۰

مناطق ساخته شده پارامترهای اولیه برای درک پراکندگی شهری هستند. این طبقه ساخته شده شامل ساختمان های مسکونی، مراکز تجاری و خرید، بزرگراه ها و خیابان های اصلی، مناطق صنعتی و سایر املاک مرتبط است [ ۵۹ ]. الگوی پراکندگی شهری برای سال ۲۰۳۰ بر اساس تصاویر ساخته شده (۱۹۹۰-۲۰۲۰) و چندین عامل توضیحی که شامل عوامل بیوفیزیکی و اجتماعی-اقتصادی بود شبیه سازی شد. الگوی ایجاد شده در سه سناریو پیش‌بینی شد. سناریوی ۱ پیش بینی ایجاد شده برای سال ۲۰۳۰ را تنها با عوامل بیوفیزیکی نشان داد. سناریوی ۲ پیش بینی ساخته شده برای سال ۲۰۳۰ را تنها با عوامل اجتماعی-اقتصادی مشخص کرد. سناریوی ۳ پیش بینی ایجاد شده برای سال ۲۰۳۰ را با عوامل بیوفیزیکی و اجتماعی و اقتصادی نشان داد ( شکل ۶ را ببینید). علاوه بر این، احتمال تغییرات در مناطق ساخته شده در سال ۲۰۳۰ در جدول ۵ ارائه شده است . منطقه ساخته شده احتمالاً در حدود ۷٫۹۷ درصد به غیرساختار تغییر خواهد کرد، در حالی که مساحت غیر ساخته شده به متراژ ساخته شده می تواند در سال ۲۰۳۰ ۳٫۹۷ درصد باشد.

سطح توافق کاپا برای نقشه های ساخته شده شبیه سازی شده و موجود در سال ۲۰۲۰ با استفاده از ابزار اعتبارسنجی در IDRISI 17.0 ارزیابی شد. آمار کاپا برای K_no (0.8550)، K_standard (0.8459)، و K_location (0.8572) بالاتر از ۰٫۸۰ شناسایی شد که نشان دهنده یک توافق عالی بین مجموعه داده ها است [ ۴۹ ]. بنابراین، ماتریس احتمال انتقال را می توان در پیش بینی الگوهای ساخته شده در سال ۲۰۳۰ به کار برد. مقدار شبه R2 0.6061 بود که برازش نسبتاً خوبی را برای مدل مشخص کرد زیرا مقدار شبه R2 بزرگتر از ۰٫۲ یک برازش نسبتاً خوب در نظر گرفته می شود.

سپس پیش‌بینی پراکندگی شهری در سه سناریو برای شهرداری Batticaloa شبیه‌سازی شد. نتیجه نشان داد که این سه سناریو در سال ۲۰۳۰ دارای وسعت های متفاوتی از مساحت ساخته شده خواهند بود. سناریوی ۱ نشان می دهد که مساحت ساخته شده می تواند در سال ۲۰۳۰ ۱۹۰۴٫۲۸ هکتار باشد. با این حال، سناریوی ۲ فرض می کند که مساحت ساخته شده می تواند ۲۱۱۸٫۲۴ باشد. هکتار، که نسبت به سناریوی ۱ نسبتاً بالاتر است. علاوه بر این، مساحت ساخته شده در سناریوی ۳ تقریباً ۲۱۳۳٫۶۳ هکتار را نشان داد که بیشتر از سناریوهای ۱ و ۲ بود ( جدول ۶ و شکل ۸ را ببینید).). سناریوی ۱ تنها با عوامل بیوفیزیکی (ارتفاع، شیب، و فاصله از بدنه‌های آبی) و سناریوی ۲ فقط با عوامل اجتماعی-اقتصادی (ارزش زمین، پویایی جمعیتی، مقررات سیاست، دسترسی منطقه‌ای، جمعیت بر اساس تقسیم GN، ارزش زمین بر اساس شبیه‌سازی شد. بخش GN، فاصله تا بزرگراه، فاصله تا جاده فرعی، فاصله تا جاده سوم، فاصله تا راه آهن، ساختمان های خدماتی، نزدیکی به CBD، فاصله تا تجاری، فاصله تا آموزشی، نزدیکی به اداره، فاصله تا مذهبی، نزدیکی به ساختمان های خدماتی، ساخته شده روند مکعبی بالا). این مقایسه تأیید کرد که بر اساس یافته‌های سناریو محور، عوامل اجتماعی-اقتصادی تأثیر معنی‌داری بر پراکندگی شهری نسبت به عوامل بیوفیزیکی در شهرداری دارند. بنابراین، می توان نتیجه گرفت که پراکندگی شهری یک پدیده اجتماعی-اقتصادی است. که انعکاس برتری بر توسعه ساخته شده شهر دارد. علاوه بر این، عوامل بیوفیزیکی نیز در پیش‌بینی پراکندگی شهری بسیار مهم هستند که تأثیر قابل‌توجهی بر رشد ساخته شده دارد. بنابراین، پیش‌بینی گسترش شهری با عوامل بیوفیزیکی و اجتماعی-اقتصادی برای برنامه‌ریزی و توسعه شهری آینده مناسب‌تر است.

علاوه بر این، رشد ساخته شده مورد انتظار در این سه سناریو بین الگوهای فعلی (۲۰۲۰) و آینده (۲۰۳۰) شناسایی شد که نرخ های رشد متفاوتی را نشان دادند. هنگامی که الگوی ایجاد شده همانند سناریوی ۱ در سال ۲۰۳۰ باشد، نرخ رشد می تواند ۰٫۷۳٪ باشد. در حالی که الگوی ایجاد شده مانند سناریوی ۲ در سال ۲۰۳۰ خواهد بود، نرخ رشد ایجاد شده می تواند ۱٫۹۴٪ باشد. الگوی ایجاد شده همانند سناریوی ۳ در سال ۲۰۳۰ است و نرخ رشد می تواند ۲٫۰۲٪ باشد. رشد گسترده در جهت قسمت های شمالی و غربی شهرداری حرکت کرد. با این حال، تالاب در بخش غربی شهر رشد گسترده را محدود می کند. به طور کلی، سناریوی ۳ رشد بالایی را در بین این الگوهای پیش‌بینی‌شده نشان داد. بر اساس الگوی تاریخی مناطق ساخته شده (۱۹۹۰، ۲۰۰۰، ۲۰۱۰، ۲۰۲۰)، تأیید کرد که الگوی ایجاد شده در سال ۲۰۳۰ نیز نسبتاً مشابه سال های اخیر است. بنابراین، زمانی که عوامل بالقوه می توانند مشابه عوامل فعلی در طول سال ۲۰۳۰ باشند، می توان انتظار داشت که گسترش شهری ادامه یابد و یکی از سناریوهای پیش بینی شده باشد. با این حال، فرض بر این است که عوامل با تأثیر اقدامات نهادی و سیاسی بر توسعه ساخت‌وساز، مانند مدیریت زمین، برنامه‌ریزی کاربری اراضی و تنظیم زمین، محدود شوند. در این میان، رانندگان غیرقابل پیش بینی ممکن است گاهی اوقات بر دقت و الگوهای مدل در آینده تأثیر بگذارند. فرض بر این است که عوامل با تأثیر اقدامات نهادی و سیاسی بر توسعه ساخت‌وساز محدود می‌شوند، مانند مدیریت زمین، برنامه‌ریزی کاربری زمین، و تنظیم زمین. در این میان، رانندگان غیرقابل پیش بینی ممکن است گاهی اوقات بر دقت و الگوهای مدل در آینده تأثیر بگذارند. فرض بر این است که عوامل با تأثیر اقدامات نهادی و سیاسی بر توسعه ساخت‌وساز محدود می‌شوند، مانند مدیریت زمین، برنامه‌ریزی کاربری زمین، و تنظیم زمین. در این میان، رانندگان غیرقابل پیش بینی ممکن است گاهی اوقات بر دقت و الگوهای مدل در آینده تأثیر بگذارند.

یافته‌ها نشان می‌دهد که پراکندگی شهری در آینده معمولاً در نواحی حاشیه‌ای شهر انتظار می‌رود. گسترش شهری به دلیل توسعه نیافتگی، متروکه و زمین های کشاورزی در شهرداری رخ می دهد. این یافته مشابه یافته های Grigorescu و همکاران است. [ ۳۰ ] در رومانی. این زمین توسعه نیافته یک جهش و توسعه پراکنده را با خانه های کمتر و جمعیت کمی تشکیل داد. آرنس و لیون [ ۸] بیان کرد که رشد درآمد، دسترسی و جمعیت برخی از عوامل تعیین‌کننده مهم پراکندگی شهری در ایرلند هستند. با این حال، درآمد به عنوان عامل مهمی از گسترش شهری در شهرداری باتیکالوآ شناسایی نشد. علاوه بر این، شهرداری Batticaloa در مناطق مرکزی و حاشیه‌ای که به طور مشابه در Hangzhou، چین یافت شد، یک منطقه مسکونی را تجربه کرده است [ ۶۰ ]]. تقاضای جامعه و شرایط اجتماعی-اقتصادی مرتبط با توسعه مسکونی از دلایل رشد شهری و توسعه گسترده در شهر است. افزایش مصرف زمین یکی از عوامل رشد پراکندگی شهری در شهرداری است. همزمان، برنامه‌های نامناسب مسکن و افزایش ارزش زمین، مردم را وادار می‌کند در مناطق ارزان‌تری مانند کوکوویل، ساتوروکوندان و تیروپرونتورای ساکن شوند.

علاوه بر این، پراکندگی شهری به طور کلی به دلیل شهرنشینی سریع یا شهرزدایی در شهرها رخ می دهد. بر اساس بافت سریلانکا، بزرگترین شهرها در استان غربی هستند، مانند کلمبو و سری جایواردنپورا کوته. در عین حال، کندی، گاله و کورونگالا از شهرهای بزرگ سریلانکا هستند. با توجه به آمارویکراما [ ۶۱ ]، نزدیک به ۲۵٪ از سریلانکاها در شهرها زندگی می کنند، که انتظار می رود تا سال ۲۰۳۰ به نزدیک به ۶۵٪ افزایش یابد. در نتیجه، مناطق کلانشهری بیشتری برای تطبیق با رشد جمعیت پیش بینی شده مورد نیاز خواهند بود. بنابراین، منطقه متروی شرقی Batticaloa و Ampara را به عنوان مناطق مترو با ۱ میلیون نفر یا بیشتر انتخاب کرده است [ ۶۲ ]]. طبق روندهای اخیر، اکثر شهرهای کوچک و متوسط به عنوان مراکز چند منظوره به سرعت در حال رشد هستند. چندین شهر در سریلانکا استراتژی‌ها و برنامه‌هایی برای توسعه دارند که در اجرای پروژه‌های توسعه توجه کمی به تأثیرات پراکندگی شهری دارند [ ۶۳ ].

با این حال، مهم‌ترین چالشی که شهرها با آن روبرو هستند، گسترش شهری است [ ۶۴ ]، که تمرکز بسیاری از مطالعات شهری در سریلانکا نبوده است [ ۴۲ ، ۴۳ ، ۶۱ ، ۶۳ ]. بر اساس برنامه های دولت، استان غربی قرار است به یک مرکز شهری در جنوب آسیا مانند مگاپولیس تبدیل شود. این استان در سریلانکا به خوبی گستردگی پراکندگی شهری در این کشور را نشان داده است [ ۶۱ , ۶۴]. جمعیت نه شهر مرکز استان بین سال‌های ۱۹۹۵ تا ۲۰۱۷ سالانه ۶٫۴۲ درصد افزایش داشته است. طبق تجزیه و تحلیل تصاویر ماهواره‌ای انجام شده برای پروژه استان شهرهای سریلانکا در سال ۲۰۱۸، این جمعیت در حدود ۷٫۳۹ میلیون نفر در سال ۲۰۱۷ بوده است. آمار شهرنشینی سریلانکا نشان می دهد که کشور در ۵۰ سال گذشته در حال شهرزدایی بوده است. در سال ۱۹۸۷، پس از حذف واحد شوراهای شهر، کشور مرزهای شهرداری خود را اصلاح کرد که منجر به کاهش فوری جمعیت شهرها شد. از آن زمان، جمعیت شهری تعیین شده از نظر اداری به طور متوسط رشد کرده است، بدون تغییر در محدوده شهر. با این حال، مناطقی که ویژگی‌های فضایی شهری را نشان می‌دهند، به‌ویژه در حومه شهرهای بزرگ به سرعت رشد کرده‌اند [ ۶۵ ]]. بنابراین، شهرنشینی و شهرزدایی به طور قابل توجهی تحت تأثیر رشد پراکندگی شهری است.

۴٫ نتیجه گیری

این مطالعه سعی در پیش‌بینی الگوی پراکندگی شهری در سال ۲۰۳۰ با ادغام عوامل اجتماعی-اقتصادی و بیوفیزیکی در شهرداری Batticaloa دارد. منطقه ساخته شده برای سال های ۱۹۹۰، ۲۰۰۰، ۲۰۱۰ و ۲۰۲۰ با استفاده از تجزیه و تحلیل NDBI در ArcGIS 10.6.1 به دست آمد. این الگو تأیید کرد که شهرداری باتیکالوآ از سال ۱۹۹۰ رشد پراکندگی شهری را تجربه کرده است ( شکل ۳ را ببینید ). مساحت ساخته شده بین سال های ۱۹۹۰ تا ۲۰۰۰ به ۹۰۶ هکتار افزایش یافت که نشان دهنده افزایش زیادی در رشد ساخت و ساز در شهرداری است.

علاوه بر این، در مجموع ۲۰ متغیر بالقوه برای عوامل اجتماعی-اقتصادی و بیوفیزیکی از آزمون کرامر شناسایی شد. این متغیرها برای تولید نقشه احتمال انتقال برای اهداف پیش‌بینی گنجانده شدند. از این میان، یک عامل اجتماعی-اقتصادی جذاب ترین محرک است، مانند تنظیم سیاست، که همبستگی مثبت بالایی را نشان داده است. ارزش زمین رابطه معکوس بین متغیرها دارد. یعنی احتمال پراکندگی شهری در شهرداری زیاد است. علاوه بر این، گستردگی شهری بدون اینکه در یک منطقه خاص متمرکز شود به تمام نقاط شهرداری سرایت کرد. چندین عامل بسیار رتبه‌بندی شده برای گسترش شهری بر کل شهرداری تأثیر می‌گذارد، مانند ارزش زمین، پویایی جمعیتی، مقررات سیاست‌گذاری، و دسترسی منطقه‌ای.

روش مورد استفاده می تواند چندین عامل را برای پراکندگی شهری ادغام کند که مزیتی در این مطالعه بود. سه سناریو پیش‌بینی برای پراکندگی شهری از نقشه‌های ساخته‌شده گذشته و نقشه انتقال به‌دست آمد. در سناریوی ۳ رشد بیشتری در مقایسه با سناریوهای ۱ و ۲ انتظار می رود زیرا سناریو ۳ با عوامل بیوفیزیکی و اجتماعی-اقتصادی شبیه سازی شده است. در مقایسه بین سناریوهای ۱ و ۲، سناریوی ۲ رشد ساخته شده بالاتری را نشان داد که تنها با عوامل اجتماعی-اقتصادی شبیه‌سازی شد. با این حال، یافته این است که عوامل بیوفیزیکی و اجتماعی-اقتصادی مهم‌ترین پارامترها در رشد پراکندگی شهری در شهرداری باتیکالوآ هستند.

علاوه بر این، مدل فضایی با تعدادی از عوامل توضیحی استفاده شد که می‌تواند مجموعه داده‌های ضروری را در اندازه‌گیری، کمی‌سازی و تشخیص پراکندگی شهری فراهم کند. علاوه بر این، نتایج مکانی می تواند برای برنامه ریزی حمل و نقل و خدمات مرتبط با برنامه ریزی مطلوب باشد. در همین حال، شناسایی عوامل پراکندگی شهری برای درک پراکندگی در مناطق شهری بسیار مهم است. از این رو، در تمام جنبه های ذکر شده در بالا، می تواند به پرداختن به پراکندگی شهری در مقیاس های مختلف مکانی و زمانی کمک کند و به برنامه ریزان شهری و تصمیم گیران در بهبود استراتژی های توسعه در شهرداری کمک کند. شهرداری می تواند هدف خود را کاهش رها شدن زمین و مناطق توسعه نیافته که از ویژگی های اصلی پراکندگی شهری است، انجام دهد. علاوه بر این، نقشه های پیش بینی شده با سناریوهای مختلف می توانند از ارزیابی رشد گسترده آینده و استفاده برای توسعه برنامه ریزی پایدار برای شهر پشتیبانی کنند. همچنین می تواند جهتی برای مطالعات آینده در مورد مدل سازی پراکندگی شهری ارائه دهد. علاوه بر این، این مطالعه از یک مدل ترکیبی برای ادغام عوامل اجتماعی-اقتصادی در مدل برای پیش‌بینی استفاده کرد. این تکنیک می تواند به محققان در نحوه مدیریت عوامل اجتماعی-اقتصادی گسترش شهری در آینده کمک کند. همچنین روش مورد استفاده در این مطالعه برای پیش‌بینی گسترش شهری در هر شهر در کشورهای توسعه‌یافته و در حال توسعه مناسب است. این تکنیک می تواند به محققان در نحوه مدیریت عوامل اجتماعی-اقتصادی گسترش شهری در آینده کمک کند. همچنین روش مورد استفاده در این مطالعه برای پیش‌بینی گسترش شهری در هر شهر در کشورهای توسعه‌یافته و در حال توسعه مناسب است. این تکنیک می تواند به محققان در نحوه مدیریت عوامل اجتماعی-اقتصادی گسترش شهری در آینده کمک کند. همچنین روش مورد استفاده در این مطالعه برای پیش‌بینی گسترش شهری در هر شهر در کشورهای توسعه‌یافته و در حال توسعه مناسب است.

علاوه بر این، از آنجایی که باتیکالوآ یکی از شهرهای متوسط در سریلانکا است، همه عوامل اجتماعی-اقتصادی انتخاب شده با الگوی ساخته شده معنادار نبودند. اگرچه عوامل اجتماعی-اقتصادی منتخب در شهرهای مختلف کشورهای توسعه یافته و در حال توسعه جهان شناسایی شده است، اما باید در سایر شهرهای سریلانکا نیز اعمال شود که می تواند نتایج معنادارتری برای توسعه آینده شهرها داشته باشد. علاوه بر این، این مطالعه از عوامل اعمال شده در یک شهر متوسط (Batticaloa) در سریلانکا استفاده کرد که باید بر شهرهای بزرگ سریلانکا و جهان متمرکز شود. پیش‌بینی گسترش شهری باید بسیاری از عوامل اجتماعی و اقتصادی را با توجه به بافت شهری در نظر بگیرد که می‌تواند برای به حداقل رساندن اثرات در آینده مفید باشد. در نهایت، یافته های کلی می تواند به هدف توسعه پایدار ۱۱٫۳ کمک کند. ۱، به این معنی که می تواند با ایجاد دستورالعمل های مناسب برای کنترل پراکندگی شهری در یک شهر به بهبود توسعه پایدار شهری کمک کند. مشارکت عمومی در مورد پراکندگی شهری و عوامل محرک آن می تواند درک درستی از چگونگی غلبه بر این مشکل در آینده ارائه دهد. همچنین می تواند دانشی در مورد توسعه مسکن پایدار در اختیار عموم قرار دهد.

منابع

گریگورسکو، آی. کوچیسا، جی. Mitrică، B. ارزیابی پویایی مکانی-زمانی پراکندگی شهری در منطقه شهری بخارست در طول قرن گذشته. پوشش کاربری زمین. Sel را تغییر می دهد. Reg. جهان ۲۰۱۵ ، ۱۰ ، ۱۹-۲۷٫ [ Google Scholar ]
چتری، وی. Surawar، M. ارزیابی ویژگی‌های گسترش شهری در شهرهای هند با استفاده از سنجش از دور: مطالعات موردی Patna، Ranchi، و Srinagar. محیط زیست توسعه دهنده Sustain ۲۰۲۱ , ۲۳ , ۱-۲۳٫ [ Google Scholar ] [ CrossRef ]
داس، اس. Angadi، DP ارزیابی پراکندگی شهری با استفاده از معیارهای منظر و رویکرد مدل آنتروپی شانون در سطح شهر منطقه فرعی Barrackpore، هند. سیستم زمین مدلسازی محیط زیست ۲۰۲۱ ، ۷ ، ۱۰۷۱-۱۰۹۵٫ [ Google Scholar ] [ CrossRef ]
مهریار، م. معصومی، ح. موهینو، I. گسترش شهری، ویژگی های اجتماعی-اقتصادی، و الگوهای سفر در کشورهای خاورمیانه: مطالعه موردی در ایران. پایداری ۲۰۲۰ ، ۱۲ ، ۹۶۲۰٫ [ Google Scholar ] [ CrossRef ]
تاکور، KP; کومار، م. گوسوی، پایش EV و مدل‌سازی پراکندگی شهری با استفاده از تکنیک‌های مکانی-مطالعه موردی شهر شیملا، هند. در ژئواکولوژی دینامیک منظر ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۲۰؛ صص ۲۶۳-۲۹۴٫ [ Google Scholar ]
حمد، ر. سنجش از دور و تجزیه و تحلیل مبتنی بر GIS از گسترش شهری در منطقه سوران، کردستان عراق. SN Appl. علمی ۲۰۱۹ ، ۲ ، ۲۴٫ [ Google Scholar ] [ CrossRef ]
Seevarethnam، M. تحلیل جغرافیایی- فضایی برای مشخص کردن الگوهای پراکندگی شهری در شورای شهرداری Batticaloa، سریلانکا. Land ۲۰۲۱ , ۱۰ , ۶۳۶٫ [ Google Scholar ] [ CrossRef ]
آرنس، ا. لیون، S. تغییرات در پوشش زمین و گسترش شهری در ایرلند از دیدگاه مقایسه ای در طول ۱۹۹۰-۲۰۱۲٫ سرزمین ۲۰۱۹ ، ۸ ، ۱۶٫ [ Google Scholar ] [ CrossRef ]
فولادلو، ک. رضا، م. ایلکان، ام. نظارت بر گسترش شهری با استفاده از داده های سری زمانی: منطقه فاماگوستا در قبرس شمالی. SAGE Open ۲۰۲۱ , ۱۱ , ۲۱۵۸۲۴۴۰۲۱۱۰۰۷۴۶۵٫ [ Google Scholar ] [ CrossRef ]
حمیدی، س. اندازه گیری پراکندگی و اثرات آن: به روز رسانی. جی. پلان. آموزش. Res. ۲۰۱۵ ، ۳۵ ، ۳۵-۵۰٫ [ Google Scholar ] [ CrossRef ]
کریستینسن، پی. Loftsgarden, T. رانندگان پشت پراکندگی شهری در اروپا. TØI Rep Inst. ترانسپ اقتصاد ۲۰۱۱ ، ۱۱۳۶ ، ۲۹٫ [ Google Scholar ]
Gavrilidis، چارچوب روش شناختی AA برای کنترل پراکندگی شهری از طریق برنامه ریزی پایدار زیرساخت سبز شهری. Ecol. اندیک. ۲۰۱۹ ، ۹۶ ، ۶۷-۷۸٫ [ Google Scholar ] [ CrossRef ]
ووس، دی جی; Witlox، F. سیاست حمل و نقل به عنوان ابزار برنامه ریزی فضایی. کاهش پراکندگی شهری با افزایش هزینه‌های سفر و خوشه‌بندی زیرساخت‌ها و حمل‌ونقل عمومی. J. Transp. Geogr. ۲۰۱۳ ، ۳۳ ، ۱۱۷-۱۲۵٫ [ Google Scholar ] [ CrossRef ]
پولیزوس، اس. مینتوس، دی. نیاویس، س. عوامل محرک و تحلیل تجربی گسترش شهری در یونان. نظریه. امپراتور Res. مناگ شهری. ۲۰۱۳ ، ۸ ، ۵-۲۹٫ [ Google Scholar ]
ویلنمن، بی. سیدل، آی. شولز، تی. عوامل تعیین کننده اجتماعی-اقتصادی پراکندگی شهری بین سال های ۱۹۸۰ و ۲۰۱۰ در سوئیس. Landsc. طرح شهری. ۲۰۱۷ ، ۱۵۷ ، ۴۶۸-۴۸۲٫ [ Google Scholar ] [ CrossRef ]
لی، جی. لی، ف. پراکندگی شهری در چین: تفاوت ها و محرک های اجتماعی-اقتصادی. علمی کل محیط. ۲۰۱۹ ، ۶۷۳ ، ۳۶۷-۳۷۷٫ [ Google Scholar ] [ CrossRef ]
لیو، زی. پراکندگی شهری در میان شهرهای چین با اندازه های مختلف جمعیت. Habitat Int. ۲۰۱۸ ، ۷۹ ، ۸۹-۹۸٫ [ Google Scholar ] [ CrossRef ]
حسینی، ح.س. حاجیلو، م. رانندگان پراکندگی شهری در مناطق شهری ایران. پاپ Reg. علمی ۲۰۱۹ ، ۹۸ ، ۱۱۳۷–۱۱۵۸٫ [ Google Scholar ] [ CrossRef ]
Chatterjee، DN; چاترجی، اس. خان، الف. مدل‌سازی فضایی گسترش شهری در اطراف شهر بوبانشوار بزرگ، هند. سیستم زمین مدلسازی محیط زیست ۲۰۱۶ ، ۲ ، ۱۴٫ [ Google Scholar ] [ CrossRef ]
Grigorescu، I. گسترش شهری و توسعه مسکونی در مناطق شهری رومانی. رام جی. جئوگر. ۲۰۱۲ ، ۵۶ ، ۴۳-۵۹٫ [ Google Scholar ]
Ottensmann, JR یک رویکرد جایگزین برای اندازه گیری گسترش شهری . الزویر: آمستردام، هلند، ۲۰۱۸; صص ۱-۳۹٫ [ Google Scholar ]
سینها، SK علل گسترش شهری: مطالعه تطبیقی شهرهای توسعه یافته و در حال توسعه جهان. Res. کشیش بین المللی J. چند رشته ای. ۲۰۱۸ ، ۳ ، ۱-۵٫ [ Google Scholar ]
Batty، M. پنجاه سال مدلسازی شهری: کلان استاتیک تا میکرو دینامیک. در پویایی سیستم های پیچیده شهری ; Springer: New York, NY, USA, 2008; صص ۱-۲۰٫ [ Google Scholar ]
بهتا، ب. تجزیه و تحلیل رشد و گسترش شهری از داده های سنجش از دور . Springer Science & Business Media: برلین/هایدلبرگ، آلمان، ۲۰۱۰٫ [ Google Scholar ]
پوینده، م. مقایسه مدل‌های پیچیدگی و زمانی GIS برای کاربردهای شهری مکانی-زمانی. در کنفرانس بین المللی علوم محاسباتی و کاربردهای آن ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۰۷٫ [ Google Scholar ]
مارکز، MA; چه گوارا، ای. مدل ترکیبی ری، دی برای پیش‌بینی تغییرات کاربری و پوشش زمین با استفاده از تکنیک‌های ماهواره‌ای. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۱۹ , ۱۲ , ۲۵۲–۲۷۳٫ [ Google Scholar ] [ CrossRef ]
دانیل، مدل‌های شبیه‌سازی حالت و انتقال CJ: چارچوبی برای پیش‌بینی تغییر چشم‌انداز. روش ها Ecol. تکامل. ۲۰۱۶ ، ۷ ، ۱۴۱۳-۱۴۲۳٫ [ Google Scholar ] [ CrossRef ]
ساکسنا، AK; جات، ام. ثبت رشد شهری ناهمگن با استفاده از مدل SLEUTH. Remote Sens. Appl. Soc. محیط زیست ۲۰۱۹ ، ۱۳ ، ۴۲۶-۴۳۴٫ [ Google Scholar ] [ CrossRef ]
Pijanowski، BC یک شبیه‌سازی رشد شهری داده‌های بزرگ در مقیاس ملی: پیکربندی مدل تبدیل زمین مبتنی بر GIS و شبکه عصبی برای اجرا در یک محیط محاسباتی با کارایی بالا (HPC). محیط زیست مدل. نرم افزار ۲۰۱۴ ، ۵۱ ، ۲۵۰-۲۶۸٫ [ Google Scholar ] [ CrossRef ]
گریگورسکو، I. مدلسازی تغییر کاربری/پوشش زمین برای ارزیابی گسترش شهری آینده در رومانی. Geocarto Int. ۲۰۱۹ ، ۳۶ ، ۷۲۱-۷۳۹٫ [ Google Scholar ] [ CrossRef ]
Huang, W. تشخیص و پیش‌بینی تغییر کاربری زمین در پکن بر اساس سنجش از دور و GIS. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. Sci ۲۰۰۸ ، ۳۷ ، ۷۵-۸۲٫ [ Google Scholar ]
دیپ، اس. ساکلانی، ع. مدل سازی پراکندگی شهری با استفاده از اتوماتای سلولی. مصر. J. Remote Sens. Space Sci. ۲۰۱۴ ، ۱۷ ، ۱۷۹-۱۸۷٫ [ Google Scholar ] [ CrossRef ]
پارک، اس. جئون، اس. چوی، سی. نقشه برداری احتمال رشد شهری در کره جنوبی: مقایسه نسبت فرکانس، فرآیند تحلیل سلسله مراتبی، و مدل های رگرسیون لجستیک و استفاده از ارزیابی ارزش حفاظت از محیط زیست. Landsc. Ecol. مهندس ۲۰۱۲ ، ۸ ، ۱۷-۳۱٫ [ Google Scholar ] [ CrossRef ]
روی، ی. Ban, Y. شبیه‌سازی چند عاملی برای مدل‌سازی پراکندگی شهری در منطقه بزرگ تورنتو. در مجموعه مقالات سیزدهمین کنفرانس بین المللی AGILE در علم اطلاعات جغرافیایی ۲۰۱۰، گیماراس، پرتغال، ۱۰-۱۴ مه ۲۰۱۰٫ [ Google Scholar ]
e Silva، LP مدلسازی تغییر پوشش زمین بر اساس یک شبکه عصبی مصنوعی برای یک حوضه رودخانه نیمه خشک در شمال شرقی برزیل. گلوب. Ecol. حفظ کنید. ۲۰۲۰ ، ۲۱ ، e00811. [ Google Scholar ] [ CrossRef ]
ابوراس، م.م. احمد، MSS; Omar، NQ شبیه سازی فضایی-زمانی و پیش بینی تغییر کاربری زمین با استفاده از مدل های معمولی و یادگیری ماشینی: یک بررسی. محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۱۹ ، ۱۹۱ ، ۲۰۵٫ [ Google Scholar ] [ CrossRef ]
هان، اچ. یانگ، سی. Song، J. Scenario شبیه سازی و پیش بینی کاربری زمین و تغییر پوشش زمین در پکن، چین. پایداری ۲۰۱۵ ، ۷ ، ۴۲۶۰-۴۲۷۹٫ [ Google Scholar ] [ CrossRef ]
مثنرج، س. روسلی، ن. لینگ، جی. کاربرد مدل CA-Markov در پیش‌بینی تغییر کاربری/پوشش زمین برای پراکندگی شهری در شورای شهرداری باتیکالوآ، سریلانکا. IOP Conf. سر. محیط زمین. علمی ۲۰۲۱ , ۶۲۰ , ۰۱۲۰۱۵٫ [ Google Scholar ] [ CrossRef ]
یانگ، ایکس. چن، آر. ژنگ، X. شبیه سازی تغییر کاربری زمین با ادغام مدل ANN-CA و شاخص های الگوی چشم انداز. Geomat. نات. خطر خطرات ۲۰۱۶ ، ۷ ، ۹۱۸-۹۳۲٫ [ Google Scholar ] [ CrossRef ]
Mirici، M. مدل‌سازی تغییر کاربری/پوشش در یک چشم‌انداز روستایی مدیترانه‌ای با استفاده از پرسپترون چند لایه و زنجیره مارکوف (mlp-mc). Appl. Ecol. محیط زیست Res ۲۰۱۸ , ۱۶ , ۴۶۷-۴۸۶٫ [ Google Scholar ] [ CrossRef ]
ارسنجانی، جی جی ادغام مدل‌های رگرسیون لجستیک، زنجیره مارکوف و اتوماتای سلولی برای شبیه‌سازی گسترش شهری. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۳ ، ۲۱ ، ۲۶۵-۲۷۵٫ [ Google Scholar ] [ CrossRef ]
ماساکورالا، پی. دایاوانسا، N. تجزیه و تحلیل فضایی-زمانی شهرنشینی، رشد شهری و گسترش شهری از سال ۱۹۷۶ تا ۲۰۱۱ در شهر کندی و منطقه اطراف با استفاده از GIS و سنجش از دور. طرح بومی. Res. J. ۲۰۱۵ ، ۴ ، ۲۶-۴۴٫ [ Google Scholar ] [ CrossRef ]
آنتالین، بی. Weerasinghe, V. Assessment of Urban Sprawl and Impacts on Rural Landmass of Colombo District: A Study based on Remote Sensing and GIS Techniques. آسیا-پک. J. روستایی. توسعه دهنده ۲۰۲۰ ، ۳۰ ، ۱-۱۶٫ [ Google Scholar ] [ CrossRef ]
اداره آمار. کتاب دست آماری. در جمعیت و مسکن ; دبیرخانه منطقه: Batticaloa، سریلانکا، ۲۰۲۱٫ [ Google Scholar ]
زمین کاوشگر. تصاویر لندست ; سازمان زمین‌شناسی ایالات متحده (USGS): Reston، VA، ایالات متحده آمریکا، ۲۰۲۱٫ [ Google Scholar ]
ساهانا، م. هونگ، اچ. سجاد، ح. تحلیل الگوهای فضایی شهری و روند رشد شهری با استفاده از ماتریس پراکندگی شهری: مطالعه بر روی تراکم شهری کلکته، هند. علمی کل محیط. ۲۰۱۸ ، ۶۲۸ ، ۱۵۵۷–۱۵۶۶٫ [ Google Scholar ] [ CrossRef ]
Viana، CM شناسایی تغییر کاربری/پوشش زمین و تجزیه و تحلیل پراکندگی شهری. در مدلسازی فضایی در GIS و R برای علوم زمین و محیط زیست ; الزویر: آمستردام، هلند، ۲۰۱۹؛ صص ۶۲۱-۶۵۱٫ [ Google Scholar ]
الیور، ام. Webster, R. Kriging: روشی برای درونیابی برای سیستم های اطلاعات جغرافیایی. بین المللی جی. جئوگر. Inf. سیستم ۱۹۹۰ ، ۴ ، ۳۱۳-۳۳۲٫ [ Google Scholar ] [ CrossRef ]
حمدی، او. استفاده از مدل ترکیبی زنجیره مارکوف و رگرسیون لجستیک برای شناسایی گسترش شهری آینده در ابوئلریش، اسوان: مطالعه موردی. Geosciences ۲۰۱۶ , ۶ , ۴۳٫ [ Google Scholar ] [ CrossRef ]
Hamdy، O. نیروهای محرک رشد شهری را با استفاده از مدل‌های ^IDRISI® Selva Abouelreesh-Aswan به عنوان مطالعه موردی تجزیه و تحلیل می‌کند. بین المللی J. Eng. تکنولوژی ۲۰۱۷ ، ۹ ، ۲۲۶٫ [ Google Scholar ] [ CrossRef ]
منصور، س. البلوشی، م. الاوادی، تی. پایش تغییرات کاربری و پوشش زمین در شهرهای کوهستانی عمان با استفاده از تکنیک های مدل سازی GIS و CA-Markov. خط مشی استفاده از زمین ۲۰۲۰ , ۹۱ , ۱۰۴۴۱۴٫ [ Google Scholar ] [ CrossRef ]
کامارا، ام. ادغام اتوماتای سلولی مدل مارکوف برای شبیه سازی تغییر کاربری زمین در آینده حوضه گرمسیری. گلوب. جی. محیط زیست. علمی مدیریت ۲۰۲۰ ، ۶ ، ۴۰۳-۴۱۴٫ [ Google Scholar ]
Fitawok، MB مدل‌سازی تأثیر شهرنشینی بر تغییر کاربری زمین در شهر باهیر دار، اتیوپی: رویکرد زنجیره‌ای خودکار سلولی یکپارچه-مارکوف. Land ۲۰۲۰ , ۹ , ۱۱۵٫ [ Google Scholar ] [ CrossRef ]
لیپینگ، سی. یوجون، اس. سعید، س. پایش و پیش‌بینی تغییرات کاربری و پوشش زمین با استفاده از تکنیک‌های سنجش از دور و GIS – مطالعه موردی منطقه تپه‌ای، جیانگل، چین. PLoS ONE ۲۰۱۸ , ۱۳ , e0200493. [ Google Scholar ] [ CrossRef ] [ PubMed ]
حمد، ر. بالزتر، اچ. کولو، ک. پیش بینی تغییرات کاربری/پوشش زمین با استفاده از مدل CA-Markov تحت دو سناریو مختلف. پایداری ۲۰۱۸ ، ۱۰ ، ۳۴۲۱٫ [ Google Scholar ] [ CrossRef ]
Gunasekera، P. IOM به غیرنظامیان آواره در Batticaloa کمک می کند. در دسترس آنلاین: https://www.iom.int/news/iom-aids-displaced-civilians-batticaloa (در ۲۸ مه ۲۰۲۲ قابل دسترسی است).
مصطفی، ع. تلر، جی. فرآیندهای خود-تقویت کننده حاکم بر پراکندگی شهری در بلژیک: شواهد بیش از شش دهه. پایداری ۲۰۲۰ ، ۱۲ ، ۴۰۹۷٫ [ Google Scholar ] [ CrossRef ]
ساکوی، تحلیل منطقه ای FTK از گسترش شهری در بنگلادش. J. بنگلادش Inst. طرح. ISSN ۲۰۱۷ ، ۱۰ ، ۱۵-۲۳٫ [ Google Scholar ]
شهرکی، SZ الگوی پراکندگی شهری و تشخیص تغییر کاربری اراضی در یزد، ایران. Habitat Int. ۲۰۱۱ ، ۳۵ ، ۵۲۱-۵۲۸٫ [ Google Scholar ] [ CrossRef ]
یو، دبلیو. لیو، ی. فن، ص. اندازه گیری پراکندگی شهری و عوامل آن در شهرهای بزرگ چین: مورد هانگژو. سیاست کاربری زمین ۲۰۱۳ ، ۳۱ ، ۳۵۸-۳۷۰٫ [ Google Scholar ] [ CrossRef ]
آماراویکراما، اس. سینگاپاتیرانا، پ. Rajapaksha، N. تعریف گسترش شهری در بافت سریلانکا: با اشاره ویژه به منطقه شهری کلمبو. J. آسیایی افر. گل میخ. ۲۰۱۵ ، ۵۰ ، ۵۹۰-۶۱۴٫ [ Google Scholar ] [ CrossRef ]
UDA. طرح توسعه برای شورای شهرداری Batticaloa ; سازمان توسعه شهری، وزارت دفاع و توسعه شهری: کلمبو، سریلانکا، ۲۰۱۵; جلد ۳، ص ۱-۱۲۴٫ [ Google Scholar ]
منشا، ای. جایاسینگه، ا. Kalpana، HN اندازه‌گیری گسترش شهری شهرهای کوچک و متوسط با استفاده از تکنیک‌های GIS و سنجش از دور: مطالعه موردی سریلانکا. مصر. J. Remote Sens. Space Sci. ۲۰۲۱ ، ۲۴ ، ۱۰۵۱-۱۰۶۰٫ [ Google Scholar ] [ CrossRef ]
UN-Habitat، وضعیت شهرهای سریلانکا ۲۰۱۸ ؛ دولت جمهوری دموکراتیک سوسیالیستی سریلانکا: کلمبو، سریلانکا، ۲۰۱۸٫
چادانا، ام. به سوی درک بهتر شهرهای سریلانکا با استفاده از تصاویر ماهواره ای. LIRNEasia ۲۰۲۲٫ موجود به صورت آنلاین: https://lirneasia.net/2022/01/towards-a-better-understanding-of-sri-lanka-cities-using-satellite-imagery/ (دسترسی در ۲۵ ژوئیه ۲۰۲۲).