ارائه الگو بهینه شهر هوشمند در راستای توسعه اهداف مدیریت شهری با تکنیک سنجش از دور و استفاده از مدل های MLC و SVM (مطالعه موردی کلانشهر شیراز)
ارائه الگو بهینه شهر هوشمند در راستای توسعه اهداف مدیریت شهری با تکنیک سنجش از دور و استفاده از مدل های MLC و SVM (مطالعه موردی کلانشهر شیراز)
امین فخار1 مرضیه موغلی2 عبدالرسول قنبری3
1) دانشجوي دکتري جغرافیا، واحد لارستان، دانشگاه آزاد اسلامی، لارستان،
2) دانشیار گروه جغرافیا، واحد لارستان، دانشگاه آزاد اسلامی، لارستان،
3) استادیار گروه جغرافیا، واحد لارستان، دانشگاه آزاد اسلامی، لارستان،
کد IOI مقاله
:
AACA-ABAZHC
محل انتشار :
دهمین کنفرانس بین المللی پژوهش در علوم و مهندسی و هفتمین کنگره بین المللی عمران، معماری و شهرسازی آسیا(10icrsie.com)
چکیده :
در عصر حاضر، رشد سریع شهرها چالشهای متعددی در حوزههای زیستمحیطی، حملونقل، منابع آب و انرژی، مدیریت پسماند و فضای سبز ایجاد کرده است. پاسخ به این چالشها نیازمند رویکردهای نوین و فناوریمحور است که بتوانند فرآیندهای تصمیمگیری شهری را بهبود بخشند و زمینه تحقق شهرهای هوشمند و پایداری بلندمدت را فراهم سازند. در این پژوهش، الگویی پیشنهادی برای مدیریت هوشمندانه شهری در کلانشهر شیراز ارائه میشود که مبتنی بر بهرهگیری از فناوریهای سنجش از دور و دو روش پیشرفته یادگیری ماشین است: طبقهبندی بیشینه درستنمایی (MLC) و ماشین بردار پشتیبان (SVM).روش MLC به عنوان یکی از رویکردهای کلاسیک، برای تحلیل چندسطحی دادهها و دستهبندی اطلاعات پیچیده و چندبعدی به کار گرفته شد. این روش امکان شناسایی مناطق شهری براساس معیارهایی چون تراکم جمعیت، دسترسی به خدمات، وضعیت فضای سبز و میزان مصرف انرژی را فراهم میکند. با وجود سادگی و کارایی اولیه، محدودیت اصلی MLC در مدیریت دادههای ناهمگون و با ابعاد بالا است که میتواند منجر به کاهش دقت در طبقهبندی شود.در مقابل، روش SVM به عنوان الگوریتمی قدرتمند و انعطافپذیر، توانایی بالایی در مدیریت دادههای پیچیده و غیرخطی دارد. این روش با ایجاد مرزهای تصمیمگیری بهینه، دقت طبقهبندی را افزایش داده و قابلیت تفکیک بهتر میان الگوهای مختلف شهری را فراهم میسازد. نتایج حاصل از مقایسه نشان داد که SVM نسبت به MLC عملکرد دقیقتر و پایدارتر در شناسایی کاربری زمین، الگوهای حملونقل و وضعیت منابع طبیعی دارد.به طور کلی، یافتههای این مطالعه نشان میدهد که اگرچه MLC میتواند به عنوان روشی پایه برای دستهبندی دادههای شهری مورد استفاده قرار گیرد، اما SVM با دقت بالاتر و توانایی مدیریت دادههای پیچیده، گزینهای مناسبتر برای توسعه مدلهای هوشمند مدیریت شهری در کلانشهرها محسوب میشود.
کلمات کلیدی : شهر هوشمند مدیریت شهری سنجش از دور شهر شیراز