<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه فردوسی مشهد</PublisherName>
				<JournalTitle>جغرافیاوتوسعه ناحیه ای</JournalTitle>
				<Issn>2008-1391</Issn>
				<Volume>21</Volume>
				<Issue>3</Issue>
				<PubDate PubStatus="epublish">
					<Year>2023</Year>
					<Month>09</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Improving Modeling of Spatial Development of Cities by Combining Machine Learning Methods and CA-Markov Model (Case Study: Qom Metropolis)</ArticleTitle>
<VernacularTitle>بهبود مدل‌سازی توسعه فضایی شهرها با تلفیق روش‌های یادگیری ماشین و مدل‌ CA-Markov (مطالعۀ موردی: کلان‌شهر قم)</VernacularTitle>
			<FirstPage>199</FirstPage>
			<LastPage>232</LastPage>
			<ELocationID EIdType="pii">44249</ELocationID>
			
<ELocationID EIdType="doi">10.22067/jgrd.2023.82877.1292</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>صادق</FirstName>
					<LastName>بولاقی</LastName>
<Affiliation>دانشجوی کارشناسی ارشد، گروه جغرافیا، دانشگاه فردوسی مشهد، آزمایشگاه علم/سیستم اطلاعات جغرافیایی و سنجش از دور (GISSRS: Lab)، مشهد، ایران</Affiliation>

</Author>
<Author>
					<FirstName>مسعود</FirstName>
					<LastName>مینائی</LastName>
<Affiliation>دانشیار گروه جغرافیا، دانشگاه فردوسی مشهد، آزمایشگاه علم/سیستم اطلاعات جغرافیایی و سنجش از دور (GISSRS: Lab)، دانشگاه فردوسی مشهد، مشهد، ایران</Affiliation>
<Identifier Source="ORCID">0000-0001-6233-416X</Identifier>

</Author>
<Author>
					<FirstName>حسین</FirstName>
					<LastName>شفیع زاده مقدم</LastName>
<Affiliation>دانشیار گروه مهندسی و مدیریت آب، دانشگاه تربیت مدرس، تهران، ایران</Affiliation>
<Identifier Source="ORCID">0000-0002-1794-4302</Identifier>

</Author>
<Author>
					<FirstName>امید علی</FirstName>
					<LastName>خوارزمی</LastName>
<Affiliation>استادیار گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2023</Year>
					<Month>06</Month>
					<Day>10</Day>
				</PubDate>
			</History>
		    <Abstract>One of the inevitable consequences of the ever-increasing growth of the world’s population is the expansion of urbanization. So, it is very important to provide a vision of the spatial development of cities with the aim of understanding the correct pattern of city growth and providing the necessary infrastructure. Since Qom metropolis faced urban growth and has recorded 95% urbanization, this research focused on the spatial development of urban lands around this metropolis. First, the land use/cover and the urban growth merit maps were produced. Land use/ land cover maps of the region for the years 2000, 2010 and 2020 were produced using the random forest method in the Google Earth Engine, and the urban growth merit map for the years 2000 and 2010 was produced using MCDM analyses based on GIS. Finally, based on the ANN-CA-Markov and SVM-CA-Markov algorithms, 2020’s land use/cover maps were simulated. The validation of the models showed that the SVM-CA-Markov algorithm with the ROC (0.96) was more accurate and was chosen as the optimal algorithm for modeling the horizon of 2040. The results indicate the increasing spatial development of this metropolis. The area of urban land in this region will increase from 139.62 square kilometers in 2020 to more than 183 square kilometers in 2040. The evaluation of the results can help the relevant managers in order to take necessary policies to manage the situation as best as possible. This importance can be realized through planning for the regular development of the road network, the expansion of urban green spaces, etc. official organizations and local officials should have a purposeful monitoring of this issue, while having full control over the development directions of this metropolis.</Abstract>
			<OtherAbstract Language="FA">یکی از پیامدهای اجتناب‌ناپذیر رشد روزافزون جمعیت جهان، گسترش شهرنشینی است؛ ازاین‌رو ارائه چشم‌اندازی از توسعه فضایی شهرها با هدف درک الگوی صحیح رشد شهر و فراهم آوردن زیرساخت‌های لازم از اهمیت بسیاری برخوردار است. ازآنجاکه کلان‌شهر قم یکی از شهرهای درگیر با مسئله رشد شهری بوده و آمار 95 درصد شهرنشینی را ثبت کرده است، تمرکز این پژوهش بر واکاوی توسعه فضایی اراضی شهری پیرامون این کلان‌شهر است. برای نیل به هدف مذکور، ابتدا ورودی‌های مدل که همان نقشه‌های کاربری/پوشش اراضی و نقشه شایستگی رشد شهری منطقه هستند، تولید شدند. نقشه‌های کاربری/پوشش اراضی منطقه برای سال‌های 2000، 2010 و 2020 با روش جنگل تصادفی در محیط سامانه Google Earth Engine و نقشه شایستگی رشد شهری منطقه برای سال‌های 2000 و 2010 به کمک تحلیل‌های MCDM مبتنی بر GIS به‌صورت مجزا تولید شد. درنهایت این نقشه‌ها وارد الگوریتم‌های ترکیبی ANN-CA-Markov و  SVM-CA-Markov شد و دو نقشه برای کاربری/پوشش اراضی منطقه در سال 2020 شبیه‌سازی شد. اعتبارسنجی مدل‌ها نشان داد که الگوریتم SVM-CA-Markov با مساحت زیر منحنی ROC معادل 96/0 از صحت بیشتری برخوردار بود و برای مدل‌سازی افق 2040 به‌عنوان الگوریتم بهینه انتخاب شد. نتایج حاکی از توسعه فضایی روزافزون این کلان‌شهر است؛ به‌طوری‌که وسعت اراضی شهری این منطقه از 62/139 کیلومتر مربع در سال 2020 به بیش از 183 کیلومترمربع در سال 2040 افزایش خواهد یافت. ارزیابی نتایج می‌تواند به مدیران مربوط در راستای اتخاذ سیاست‌های لازم برای مدیریت هرچه‌بهتر شرایط پیش رو یاری رساند. این امر مهم می‌تواند از طریق برنامه‌‌ریزی برای توسعه‌ منظم شبکه معابر، گسترش فضا‌های سبز شهری و... محقق شود. در این راستا سازمان‌ها و مسئولان محلی باید ضمن اشراف کامل بر جهات توسعه این کلان‌شهر، نظارت‌های هدفمند بر این مسئله داشته باشند.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">تغییرات کاربری/پوشش اراضی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">کلان‌شهر قم</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">رشد شهری</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تحلیل‌های تصمیم‌گیری چندمعیاره (MCDM)</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری ماشین</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">زنجیره مارکوف</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">سلول‌های خودکار</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jgrd.um.ac.ir/article_44249_9729df58c832dc4574b1c382191df44a.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
