کاربرد فناوری مدل سازی سه بعدی ArcGIS در تصمیم گیری‌ های مرتبط با اراضی 

مقدمه

این مقاله یک سیستم اطلاعات مدیریت استفاده از اراضی را با استفاده از فناوری مدل سازی سه بعدی ArcGIS معرفی می‌کند که به تصمیم‌گیری‌های سیاست‌گذاری در زمینه استفاده از اراضی کمک می‌کند. در این سیستم، موتور داده‌های فضایی ArcSDE و پایگاه داده Oracle برای پردازش داده‌ها و اجرای تصمیم‌گیری‌های مربوط به برنامه‌ریزی استفاده از اراضی به کار می‌روند. همچنین، الگوریتم ژنتیک برای بهینه‌سازی تخصیص اراضی در سطح منطقه‌ای مورد استفاده قرار گرفته که با اضافه کردن سیستم‌های چندهوشمند، قدرت جستجوی بهینه‌سازی الگوریتم افزایش یافته و در نهایت به سمت برنامه‌ریزی و استفاده پایدار از اراضی هدایت می‌شود.

در مقدمه، مقاله به چالش‌هایی که با رشد سریع صنعتی‌سازی و شهرنشینی در زمینه استفاده از اراضی به وجود آمده، اشاره می‌کند؛ از جمله عدم تعادل در عرضه و تقاضای اراضی و نیاز به هماهنگی بین استفاده از منابع و حفاظت از محیط زیست. بنابراین، دستیابی به تخصیص بهینه استفاده از اراضی با در نظر گرفتن ویژگی‌های طبیعی زمین و شرایط اجتماعی-اقتصادی منطقه ضروری است. در ادامه، مقاله به روش‌های موجود برای تخصیص بهینه اراضی می‌پردازد که شامل مدل‌های پایین به بالا و بالا به پایین است.

مدل‌های پایین به بالا بر شبیه‌سازی فرآیندهای تصمیم‌گیری محلی تمرکز دارند، در حالی که مدل‌های بالا به پایین با اهداف کلی منطقه‌ای هماهنگ هستند و از روش‌های ریاضی و الگوریتم‌های هوشمند مانند الگوریتم ژنتیک استفاده می‌کنند.

با توجه به پیشرفت‌های فناوری، نیاز به مدل سازی سه بعدی و GIS سه بعدی بیشتر احساس می‌شود، زیرا این فناوری نمایی واقعی‌تر از محیط ارائه می‌دهد و روابط فضایی و عمودی بین اشیاء را به تصویر می‌کشد. پایگاه داده‌های فضایی سه بعدی در این سیستم به دقت در طراحی داده‌ها از جمله پوشش گیاهی، ویژگی‌های ساختمانی و منابع آبی توجه می‌کند و انسجام داده‌های دوبعدی و سه بعدی را برقرار می‌سازد.

این مقاله در ادامه نشان می‌دهد که چطور این رویکرد جدید می‌تواند برای تخصیص بهینه اراضی در سطح منطقه‌ای به کار رود. استفاده از الگوریتم ژنتیک و سیستم‌های چندهوشمند در این مدل، به تصمیم‌گیرندگان کمک می‌کند تا در چارچوبی علمی و جامع، تخصیص اراضی را برنامه‌ریزی کنند و به پایداری و بهره‌وری بهتر برسند. نتایج تجربی نیز نشان می‌دهد که این مدل در مقایسه با سناریوهای دیگر عملکرد بهتری دارد و کاهش‌ها و افزایش‌هایی در تعداد و مساحت مناطق متصل به هم ایجاد می‌کند که هماهنگی بین نیازهای فضایی و بهره‌وری اراضی را افزایش می‌دهد.

در نهایت، مقاله تأکید می‌کند که این سیستم می‌تواند به عنوان یک ابزار کارآمد برای مدیران و سیاست‌گذاران در برنامه‌ریزی اراضی عمل کند و بینش‌های ارزشمندی را برای توسعه ساختار پایدار در استفاده از اراضی فراهم آورد.

ساختار سیستم 

ArcGIS، که توسط ERSI توسعه یافته، یک پلتفرم قدرتمند با جامعه کاربری قوی و مشارکتی است و گزینه‌های گسترده‌ای برای سفارشی‌سازی برای توسعه‌دهندگان پیشرفته ارائه می‌دهد. این پلتفرم از زبان‌های برنامه‌نویسی مختلفی برای سفارشی‌سازی و گسترش عملکرد خود پشتیبانی می‌کند، از جمله VBA، که استانداردی صنعتی برای برنامه‌نویسی و سفارشی‌سازی اسکریپت‌ها است. مدل پایگاه‌داده جغرافیایی ArcGIS، که بر اساس سرور برنامه ArcSDE ساخته شده، به عنوان یک پایگاه‌داده رابطه‌ای استاندارد برای مدیریت داده‌ها عمل می‌کند و به عنوان پلی بین ArcGIS و پایگاه‌داده رابطه‌ای عمل می‌کند. این قابلیت به کاربران این امکان را می‌دهد تا اطلاعات جغرافیایی را در چندین سیستم مدیریت داده، مدیریت کنند و داده‌ها را برای همه برنامه‌های ArcGIS در دسترس قرار دهند. 

در سیستم اطلاعات land use (به فارسی: استفاده از اراضی)، پلتفرم توسعه نرم‌افزار GIS که از ArcGIS انتخاب شده، ArcEngine است، موتور داده‌های فضایی، ArcSDE است و پایگاه‌ داده رابطه‌ای انتخاب شده Oracle است که ایجاد پایگاه داده‌های گرافیکی و ویژگی‌ محور را تسهیل می‌کند. این سیستم از معماری Client/Server (C/S) پیروی می‌کند که به طور منطقی به سه لایه تقسیم می‌شود: لایه برنامه، لایه میانی و لایه پایگاه داده، همانطور که در شکل ۱ نشان داده شده است. 

تحلیل خاص شکل ۱ به شرح زیر است: 

بر اساس ArcGIS برای معماری، لایه برنامه، عملکردهای GIS و عملکرد وظایف معمول کسب و کار مورد نیاز برای کسب و کار نقشه برداری اصلاحات ارضی را به‌کار می‌گیرد، مانند جستجو، استعلام، مرور و غیره. لایه برنامه فقط با لایه میانی ارتباط دارد. 

سیستم اطلاعات مدیریت برنامه‌ریزی land use به سه لایه تقسیم می‌شود: لایه داده، لایه پردازش و لایه ارائه. لایه داده از موتور داده‌های فضایی ArcSDE و پایگاه‌داده رابطه‌ای Oracle برای ذخیره و مدیریت داده‌های land use، سیاستگذاری ها و اطلاعات مربوطه استفاده می‌کند. لایه پردازش، فناوری مدل سازی سه بعدی ArcGIS و الگوریتم‌های ژنتیک را یکپارچه می‌کند تا مدل‌های بهینه‌سازی برای تخصیص استفاده از اراضی منطقه‌ای را توسعه دهد.

همچنین، سیستم‌های بدنی چندگانه و هوشمند را برای بهبود قابلیت‌های جستجوی الگوریتم ژنتیک و ادغام دانش برنامه‌ریزی land use در نظر می‌گیرد. لایه ارائه یک رابط کاربری از طریق پلتفرم توسعه نرم‌افزار GIS را ارائه می‌دهد که به تصمیم‌گیرندگان امکان تعامل با سیستم و دسترسی به اطلاعات مرتبط را می‌دهد. این لایه ممکن است از فناوری GIS سه بعدی برای ارائه نمای واقعی از چیدمان فضایی و سناریوهای land use استفاده کند. 

لایه میانی به‌عنوان پلی بین لایه برنامه و لایه پایگاه‌داده عمل می‌کند. این لایه انتقال و پردازش اطلاعات بین مشتری و سرور (Client/Server (C/S)) را تسهیل می‌کند و وظایفی مانند استخراج، انتقال و پیش‌پردازش داده‌های ویژگی محور و گرافیکی برای لایه برنامه را انجام می‌دهد. ArcSDE برای Oracle9i به‌ عنوان کانالی برای تبادل داده‌های فضایی بین برنامه مشتری و سرور پایگاه‌داده فضایی عمل می‌کند.

این کانال، وسایل راحتی برای سازماندهی داده‌های برداری در پایگاه‌داده، ایجاد پیوندهای داده و انجام پیش‌پردازش داده‌های فضایی را فراهم می‌آورد. لایه پایگاه‌داده بر اساس سیستم پایگاه‌داده رابطه‌ای بزرگ Oracle9i ساخته شده و شامل دو جزء است: پایگاه‌داده فضایی و موتور داده‌های فضایی. پایگاه‌داده فضایی توسط Oracle برای ذخیره انواع مختلف داده‌های فضایی استفاده می‌شود، در حالی که ArcSDE خدمات پایگاه‌داده را برای بهره‌برداری مؤثر از داده‌های فضایی و همینطور غیر فضایی ارائه می‌دهد.

ساخت پایگاه‌داده سه بعدی 

موتور پایگاه‌داده فضایی ArcSDE 

ArcSDE ابزاری است که دسترسی به داده‌های فضایی چندکاربره را برای سیستم‌های Oracle در سیستم‌های اطلاعات مدیریت برنامه‌ریزی land use فراهم می‌کند. این ابزار امکان سازماندهی مدل پایگاه‌داده رابطه‌ای را درون برنامه Oracle فراهم می‌آورد، که می‌توان به آن از طریق معماری B/S (مرورگر/سرور) یا C/S (مشتری/سرور) دسترسی پیدا کرد. از منظر مدیریت داده‌های فضایی، ArcSDE از یک مدل داده فضایی پیوسته پشتیبانی می‌کند که به Oracle این امکان را می‌دهد تا داده‌های فضایی گسترده‌ای از جمله داده‌های برداری، داده‌های رستری و فراداده را ذخیره و مدیریت کند.

موتور داده‌های فضایی ArcSDE از معماری مشتری/سرور برای تسهیل ارتباط بین داده‌ها استفاده می‌کند. با ادغام داده‌های فضایی با داده‌های اتریبیوت، ArcSDE قابلیت‌های پردازش داده‌های رابطه‌ای Oracle را گسترش می‌دهد و مدیریت یکپارچه هر دو نوع داده را امکان‌پذیر می‌سازد.

پایگاه‌داده رابطه‌ای Oracle

پایگاه‌داده مدیریت برنامه‌ریزی land use شامل یک پایگاه‌داده داخلی و یک پایگاه‌داده مشترک است. این پایگاه‌داده از سیستم مدیریت پایگاه‌داده رابطه‌ای Oracle برای انجام وظایف مدیریت داده و انجام عملیات پایگاه‌داده مرتبط با استفاده از زبان SQL Oracle بهره می‌گیرد. پایگاه‌داده با پایگاه‌داده‌های سطح بالاتر از طریق یک شبکه اختصاصی منابع زمینی یا با داده‌های از راه دور از طریق دیگر سیستم‌ها در سطوح مختلف به اشتراک گذاشته می‌شود.

پایگاه‌داده رابطه‌ای از قابلیت‌های خود در مدیریت داده‌های حجیم، پردازش تراکنش‌ها یا معاملات (transaction processing)، قفل‌گذاری رکوردها (record locking)، کنترل هم‌زمانی (concurrency control) و انبار داده برای تسهیل یکپارچگی داده‌های فضایی و غیر فضایی استفاده می‌کند. این یکپارچگی تحقق یک ساختار واقعی B/S (مرورگر/سرور) یا C/S (مشتری/سرور) را ممکن می‌سازد و اتصال و اشتراک‌گذاری را در کل پایگاه‌داده مدیریت برنامه‌ریزی زمین تضمین می‌کند. شکل ۲ نمودار پایگاه‌داده رابطه‌ای Oracle را نشان می‌دهد.

ساختار پایگاه‌داده مدیریت برنامه‌ریزی land use

همانطور که در شکل ۲ مشاهده می‌شود، پایگاه‌داده مدیریت برنامه‌ریزی استفاده از اراضی می‌تواند بر اساس نوع به چهار دسته تقسیم شود: پایگاه‌داده سیستم، پایگاه‌داده پایه، پایگاه‌داده نتایج و پایگاه‌داده کمکی. 

1. پایگاه‌داده سیستم: این پایگاه‌داده شامل برخی از پارامترهای عملیاتی، کدها و سایر اطلاعات ضروری برای عملکرد سیستم است. 

2. پایگاه‌داده پایه: این پایگاه‌داده شامل اطلاعاتی نظیر طبقه‌بندی اراضی، موقعیت، مالکیت زمین‌های فعلی استفاده و سایر اطلاعات مربوط به پروژه است. هدف از این پایگاه‌داده انجام پردازش و استخراج اطلاعات به منظور تحقق ذخیره‌سازی اطلاعات برنامه‌ریزی استفاده از اراضی به شکل استاندارد و اشتراک‌گذاری منابع اطلاعاتی است. 

3. پایگاه‌داده نتایج: این پایگاه‌داده شامل داده‌های مختلف نتایج ترسیمی و متنی برنامه‌ریزی زمین است. نتایج ترسیمی عمدتاً به نواحی استفاده از اراضی، موقعیت پروژه‌های حمل و نقل و آب‌نگاری برنامه‌ریزی‌شده، نقشه وضعیت فعلی استفاده از اراضی و سایر ترسیمات اشاره دارد. 

4. پایگاه‌داده کمکی: این پایگاه‌داده به پایگاه‌داده‌های کمکی برای کارکرد عادی اشاره دارد که عمدتاً شامل داده‌های گرافیکی است، مانند داده‌های توپوگرافی پایه، داده‌های وضعیت استفاده از اراضی، داده‌های تأیید اراضی ساختمانی و غیره که می‌توان به‌طور مستقیم فراخوانی کرد یا پس از تبدیل به کار برد.

چنانچه علاقه‌مند به مطالعه بیشتر درباره نرم‌افزارهای نقشه‌برداری و مدل سازی هستید، به این مقاله مراجعه فرمایید.

استفاده از الگوریتم ژنتیک در آزمایش‌ها

الگوریتم ژنتیک برای انجام آزمایش‌ها بر روی استفاده از اراضی در ناحیه شهری B در استان A بین سال‌های ۲۰۱۲ تا ۲۰۲۱ استفاده شد. داده‌های آزمایشی شامل اطلاعات جغرافیایی پایه مانند شیب و نوع خاک بود. یک raster به ابعاد ۱۰۰ متر * ۱۰۰ متر منطقه مورد مطالعه را Rasterize می‌کرد و زنجیره‌های مارکوف برای تعیین احتمال انتقال بین انواع land use در منطقه مورد مطالعه به کار می‌رفت، همان‌طور که در جدول ۱ نشان داده شده است.

جدول ۱: احتمال‌های انتقال بین انواع استفاده از اراضی

این داده‌ها به تجزیه و تحلیل دقیق‌تر الگوی تغییرات استفاده از اراضی در طول زمان کمک می‌کنند و می‌توانند در فرایند برنامه‌ریزی و تصمیم‌گیری در زمینه استفاده از اراضی موثر باشند.

تصمیم‌گیری در برنامه‌ریزی استفاده از اراضی

با توجه به شکل ۳، برنامه‌ریزی چیدمان سایت به ایجاد و اولیه‌سازی کروموزوم‌ها مربوط می‌شود و رفتار تصمیم‌گیری فضایی آن‌ها در عملگر بهینه‌سازی تخصیص ژنتیکی هوش‌ها به کار می‌رود تا طرح تخصیص استفاده از اراضی را بهینه‌سازی کند. اهداف و محدودیت‌های چندین هوش، سیستم هدف و سیستم محدودیت مدل را تشکیل می‌دهند و به تابع تناسب الگوریتم ژنتیک ترجمه می‌شوند تا فرآیند تولید طرح بهینه تخصیص استفاده از اراضی را هدایت کرده و منافع اقتصادی، اجتماعی و اکولوژیکی منطقه‌ای را حداکثر کنند.تصمیم‌گیری در برنامه‌ریزی استفاده از اراضی بر اساس سلسله مراتب بهینه‌سازی تخصیص استفاده از اراضی منطقه‌ای، نهاد تصمیم‌گیری برنامه‌ریزی استفاده از اراضی به سه سطح تقسیم می‌شود: دولت، ادارات یا دپارتمان‌ها و عموم.

• دولت: به عنوان نهاد سیاست‌گذاری کلان، باید جهت‌گیری استراتژیک استفاده از اراضی را تعیین کرده و شاخص‌های کنترل استفاده از زمین را مشخص کند و تدابیر کنترل فضایی را پیاده‌سازی کند.

• ادارات: وظیفه سازمان‌دهی زون‌های کارکردی استفاده از زمین را بر عهده دارند و برنامه‌ریزی چیدمان استفاده از زمین را به صورت بخشی انجام می‌دهند.

• عموم مردم: تخصیص واحدهای زمین را بر اساس نیازهای شخصی خود انجام می‌دهند.

همچنین باید بدانیم که مدل ماست که این سه نوع هوش را تعیین می‌کند که به واحدهای جغرافیایی تسلط ندارند، اما در فرآیند تصمیم‌گیری برنامه‌ریزی استفاده از اراضی مشارکت می‌کنند.

بخش یا دپارتمان

بخش‌ها به دنبال حداکثرسازی منافع خود هستند. آن‌ها برای دریافت سایت‌ها به دولت درخواست می‌دهند و برای رفع تعارض‌های ناشی از اندازه و محل سایت‌ها، تحت هماهنگی دولت با سایر بخش‌ها هماهنگی می‌کنند. برای شبیه‌سازی رفتار بخش‌ها در انتخاب و چینش سایت‌ها، از مدل بهره‌مندی تصادفی پویا و مدل انتخاب گسسته استفاده شده است.

طراحی آزمایش و تحلیل نتایج

همان‌طور که از جدول 1 مشاهده می‌شود، با پشتیبانی از تکنولوژی ArcGIS، که یک نرم‌افزار سیستم اطلاعات مدیریت کاربری زمین است، روش تحلیل سلسله‌مراتبی برای محاسبه وزن‌های مختلف کلاس‌های اراضی تحت چهار سناریو برای حداکثر کردن منافع اقتصادی، حداکثر کردن منافع اجتماعی، حداکثر کردن منافع اکولوژیکی و حداکثر کردن منافع جامع استفاده می‌شود که برای تعیین ترتیب تخصیص کلاس‌های اراضی به کار می‌رود. روش تحلیل سلسله‌مراتبی (AHP) برای تعیین وزن‌های نسبی انواع مختلف زمین در چهار سناریو استفاده شد: حداکثر کردن منافع اقتصادی، حداکثر کردن منافع اجتماعی، حداکثر کردن منافع اکولوژیکی و حداکثر کردن منافع جامع.

AHP یک تکنیک تصمیم‌گیری است که به طور سیستماتیک معیارهای مختلف را مقایسه و اولویت‌بندی می‌کند. با استفاده از AHP، پژوهشگران مقادیر اهمیتی را به هر نوع زمین بر اساس سهم آن در هدف خاص سناریو اختصاص دادند. این مقادیر اهمیت سپس برای ایجاد ترتیب اولویت‌بندی کلاس‌های اراضی به کار رفت، که رویکردی ساختاریافته و غیر جانبدارانه برای تصمیم‌گیری در مورد کاربری زمین ارائه می‌دهد. ادغام AHP با تکنولوژی ArcGIS و الگوریتم‌های ژنتیک به طور همزمان دقت و کارآیی سیستم اطلاعات مدیریت کاربری زمین را بهبود بخشید و امکان تصمیم‌گیری‌های بهینه و آگاهانه در تخصیص زمین را فراهم کرد.

بهینه‌سازی چیدمان زمین

نتایج توزیع فضایی تحت سناریوهای مختلف کاربری زمین در حالی که وزن‌های هدف بهینه‌سازی برابر حفظ می‌شوند، متفاوت است. هنگامی که منافع اقتصادی در اولویت قرار می‌گیرد، زمین‌های نظارتی تمایل به خوشه‌ای شدن قابل‌توجهی دارند و زمین‌های جدید ساخت و ساز در مجاورت زمین‌های ساخت و ساز موجود قرار می‌گیرند. در سناریوهایی که بر منافع اجتماعی تأکید می‌شود، نسبت زمین‌های زراعی و زمین‌های ساخت و ساز به‌طور قابل‌توجهی بالاتر از سایر انواع است، که منجر به رقابت فضایی شدید در نواحی حاشیه شهری و کاهش پیوستگی می‌شود.

حداکثر کردن منافع اکولوژیکی وزن‌های بالاتری را به زمین‌های باغی و جنگلی اختصاص می‌دهد، که در مقایسه با سایر انواع زمین، تجمع فضایی و مناسب‌بودن بسیار بالاتری را به همراه دارد. در جستجوی منافع جامع، خوشه‌بندی زمین‌های زراعی، زمین‌های ساخت و ساز و زمین‌های اکولوژیکی نسبتاً متعادل است، اما در مقایسه با سه حالت دیگر از اهداف بهینه فاصله دارد. نتایج بهینه تخصیص دقیق برای سناریوهای مختلف کاربری زمین در جدول 2 ارائه شده است.

همان‌طور که از شکل 6a مشاهده می‌شود، الگوریتم تصمیم‌گیری سیاست کاربری زمین و نمودار مقایسه نشان می‌دهد که زمین‌های زراعی و مرتع اصلی‌ترین نیروی کاربری زمین در منطقه آزمایش هستند و زمین‌های زراعی، مرتع، آب‌ها و زمین‌های ساخت و ساز همه سال به سال روند رشد مداوم را نشان می‌دهند. در میان آن‌ها، مرتع با سرعت بیشتری رشد می‌کند و از سال 2013 تا 2020 به میزان 0.318 snhm² افزایش یافته و نرخ رشد آن 148٪ است. پنج نوع زمین به‌طور زیر افزایش یافته‌اند: مرتع > زمین‌های ساخت و ساز > زمین‌های زراعی > آب‌ها و تنها ردپای زمین‌های جنگلی کاهش یافته است.

همان‌طور که از شکل 6b دیده می‌شود، منابع زمین‌های بلااستفاده و سایر زمین‌های کشاورزی سهم نسبتاً بزرگی از زمین‌های زراعی جدید را تشکیل می‌دهند. هرچند که مساحت زمین‌های زراعی در تبدیل زمین‌های بلااستفاده به میزان 10,300,000 hm² کاهش یافته، تولید محصولات زراعی به‌طور قابل‌توجهی کاهش نیافته است که این امر به بهبود کارایی خروجی زمین‌های زراعی مرتبط است. زمین‌های ساخت و ساز به میزان 16,000 hm² به‌طور جدید افزایش یافته‌اند، اما ردپای زمین‌های ساخت و ساز، هرچند که در سال‌های 2013، 2014 و 2017 نسبت به سال قبل کمی کاهش یافته، به‌طور کلی همچنان در حال افزایش است.

در مقابل، ردپای زمین‌های جنگلی هر ساله کاهش می‌یابد و در 7 سال به میزان 0.05 snhm² کاهش یافته است. در منطقه آزمایش، زمین‌های زراعی و مرتع اصلی‌ترین انواع کاربری زمین هستند که مرتع سریع‌ترین رشد را دارد. زمین‌های ساخت و ساز و زراعی نیز رشد نشان می‌دهند، در حالی که زمین‌های جنگلی کاهش می‌یابند. زمین‌های بلااستفاده و کشاورزی به زمین‌های زراعی جدید کمک می‌کنند و کاهش مساحت زراعی را جبران می‌کنند.

تولید زراعی پایدار باقی می‌ماند که نشان‌دهنده بهبود کارایی است. زمین‌های ساخت و ساز به‌طور کلی افزایش می‌یابند و نوسانات کمی دارند. زمین‌های جنگلی به‌طور مداوم کاهش می‌یابند. این تحلیل، انواع کاربری زمین غالب، نرخ‌های رشد و تغییرات مشاهده شده در منطقه آزمایش را برجسته می‌کند.چندین کار تحقیقاتی پیشرفت‌های اخیر را در زمینه‌های مختلف پژوهشی شامل مدل سازی داده‌های بدون نظارت، روش‌های پیش‌بینی مسیر، تکنیک‌های حذف نویز، روش‌های تصویربرداری برای زباله‌های فضایی، تشخیص انواع مختلف یخ‌ها، استفاده از فضای زیرزمینی، سیاست‌های قیمت‌گذاری تخصیص طیف، استراتژی‌های بارگذاری وظایف، نقشه‌برداری محصولات با استفاده از تصاویر ماهواره‌ای، سیستم‌های تشخیص پژواک برای LiDAR، الگوریتم‌های بافر، پیش‌بینی مسیر پرواز، توزیع چگالی ترموسفر و … بررسی کرده‌اند.

نرخ تبدیل کاربری زمین و نتایج تخصیص بهینه روی هم قرار داده شده و مقایسه می‌شوند تا طرح تخصیص و چیدمان فضایی را تحلیل کنند. به‌طور کلی، تغییرات کاربری زمین عمدتاً شامل زمین‌های زراعی، مرتع و زمین‌های ساخت و ساز است، در حالی که تغییرات در آب و زمین‌های جنگلی قابل‌توجه نیست. دامنه وسیعی از موضوعات در مقالات تحقیقاتی مختلف مورد بررسی قرار گرفته است، از جمله بررسی خواص مکانیکی غشاءهای پلیمری با تقویت نانوذرات، ساخت داربست با استفاده از چاپ سه بعدی و تکنیک‌های خشک‌کردن انجمادی، تحلیل پایداری مواد سرامیکی تقویت‌شده با

نانوذرات، تأثیرات نانوذرات گرافن و اکسید مس بر کامپوزیت‌ها، بهینه‌سازی سیستم‌های تحویل با پهپاد، رابطه بین مدیریت دانش و عملکرد عملیاتی در گردشگری پزشکی، تأثیرات پاندمی COVID-19 و احیای کاتالیست با استفاده از دی‌اکسید کربن فوق بحرانی. نتایج تجربی نشان می‌دهند که یک مدل بهینه‌سازی تخصیص کاربری زمین، مبتنی بر الگوریتم ژنتیک چندهوشمند، به‌طور مؤثری ساختار کمی و چیدمان فضایی کاربری زمین منطقه‌ای را تخصیص می‌دهد.

این رویکرد به‌طور قابل‌توجهی منافع اقتصادی، اجتماعی و اکولوژیکی کاربری زمین را افزایش داده و استفاده پایدار از منابع زمین را ترویج می‌کند. این اطمینان می‌دهد که الزامات خط قرمز برای حفظ زمین‌های زراعی رعایت شده و مقدار زمین‌های زراعی باکیفیت افزایش می‌یابد. فرآیند تصمیم‌گیری مشترک شامل انواع مختلف هوش به نیازهای دولت، بخش‌ها و عموم در تمامی سطوح پاسخ می‌دهد.

نتیجه‌گیری

در این مقاله، ما پیشنهاد می‌دهیم که با ایجاد یک سیستم اطلاعات مدیریت برنامه‌ریزی کاربری زمین با ArcEngine از ArcGIS به عنوان پلتفرم توسعه نرم‌افزار GIS، ArcSDE به عنوان موتور داده‌های فضایی و Oracle به عنوان پایگاه داده رابطه‌ای سیستم اطلاعات کاربری زمین، یک پایگاه داده گرافیکی و یک پایگاه داده ویژگی‌ها ایجاد شود. کاربرد تصمیم‌گیری سیاست کاربری زمین مورد مطالعه قرار می‌گیرد و اثر طراحی روش در فرآیند آزمایش‌ها تأیید می‌شود.

نتیجه آزمایش نشان می‌دهد که هدف MCB در مدل منافع جامع بهتر از سه نوع سناریو دیگر است، در حالی که MSC به ترتیب 18.67٪، 15.98٪ و 16.61٪ کاهش یافته و تعداد نواحی فضایی پیوسته به ترتیب 9.4٪، 13.8٪ و 0.8٪ افزایش یافته است. زمین‌های بلااستفاده در مناطق زراعی جدید نشان‌دهنده پتانسیل توسعه قابل‌توجهی هستند، همان‌طور که سهم افزایش یافته آن‌ها نشان می‌دهد.

این یافته نشان می‌دهد که مدل بهینه‌سازی تخصیص کاربری زمین، با استفاده از الگوریتم ژنتیک چندگانه هوشمند، به‌طور مؤثری ساختار کمی کاربری زمین منطقه‌ای را در چیدمان فضایی توزیع می‌کند. بنابراین، این مدل منجر به بهبود قابل‌توجهی در منافع اقتصادی، اجتماعی و اکولوژیکی کاربری زمین منطقه‌ای می‌شود و بدین ترتیب استفاده پایدار از منابع زمین منطقه‌ای را ترویج می‌کند.

منبع

ترجمه شده مقاله با همین نام از سایت nature.com