تعداد نشریات | 161 |
تعداد شمارهها | 6,573 |
تعداد مقالات | 71,037 |
تعداد مشاهده مقاله | 125,511,777 |
تعداد دریافت فایل اصل مقاله | 98,774,325 |
کارایی الگوریتم جست وجوی گرانشی نسبت به تخصیص چندهدفۀ سرزمین در به گزینی کاربری کشاورزی حوضۀ آبخیز بیرجند | ||
پژوهش های جغرافیای طبیعی | ||
مقاله 13، دوره 50، شماره 4، دی 1397، صفحه 813-827 اصل مقاله (1.11 M) | ||
نوع مقاله: مقاله کامل | ||
شناسه دیجیتال (DOI): 10.22059/jphgr.2018.247832.1007155 | ||
نویسندگان | ||
الهام یوسفی روبیات* 1؛ فاطمه جهانی شکیب1؛ علی نخعی2 | ||
1استادیار دانشکدة منابع طبیعی و محیط زیست، دانشگاه بیرجند | ||
2مربی گروه مهندسی کامپیوتر، دانشکدة فنی مهندسی، دانشگاه پیام نور، ایران | ||
چکیده | ||
آمایش سرزمین پایدار سازوکارِ تنظیم سیاستهای کاربری اراضی و بهبود شرایط فیزیکی و مکانی است و میتواند برای استفادة بهینه و حفاظت بلندمدت منابع طبیعی نقش ایفا کند. از طرفی، بهکارگیری مدلهای بهینهسازی امری ضروری است؛ زیرا دارای تعامل با اهداف چندگانه، حالت فضایی، منطقة تحقیقاتی بزرگ، الزامات کارایی و تأثیرات آنهاست. بنابراین، الگوریتمهای فراابتکاری ابزار کارآمدی برای حل مشکلات پیچیدة فضایی شناخته شده است و قابلیت ارائة فناوری بالا و قابل اعتماد برای حل مسائل بهینهسازی غیرخطی را داراست. در این پژوهش، از الگوریتم جستوجوی گرانشی (GSA) بهمنظور بهگزینی کاربری کشاورزی در حوضة آبخیز بیرجند استفاده شده است. در این الگوریتم، بر اساس توابع برازش، اهدافی نظیر بیشینهکردن تناسب محیطی، بومشناختی، فشردگی و سیمای سرزمین، و کمینهکردن تغییرات کاربری با قیودی مانند محدودیت توسعة فضایی و میزان تقاضا مناسبترین مکانها انتخاب شد. همچنین، بهمنظور ارزیابی کارایی الگوریتم GSA در بهگزینی اراضی کشاورزی آینده، نتایج حاصل با الگوریتم تخصیص چندهدفة سرزمین (MOLA) مقایسه شد. یافتههای حاصل از مقایسة بصری، پارامترهای آماری، و تحلیل سنجههای سیمای سرزمین حاکی از کارایی و برتری نسبی نتایج الگوریتم GSA نسبت به MOLA است، که این مناطق بیشتر در حال حاضر دارای کاربری مرتع کمتراکم و اراضی دیم هستند. | ||
کلیدواژهها | ||
الگوریتم جستوجوی گرانشی (GSA)؛ الگوریتمهای فراابتکاری؛ بهگزینی کشاورزی؛ بیرجند؛ MOLA | ||
مراجع | ||
دهباشیان، م. و ظهیری، س.ح. (1390). ارائة یک ابزار بهینهسازی نوین در طراحی خودکار مدارات مجتمع آنالوگ مبتنی بر الگوریتم MOGSA، مجلة هوش محاسباتی در مهندسی برق، ۲(۳). دهباشیان، م. و ظهیری، س.ح. (1389). آموزش شبکة عصبی MLP در فشردهسازی تصاویر با استفاده از روش GSA، نشریة مهندسی برق و مهندسی کامپیوتر ایران، ۸(۴). خوشآموز، گ.؛ طالعی، م. و منصوریان، ع. (1391). توسعة مدل تصمیمگیری چندهدفة مکانی با تأکید بر آمایش صنایع انرژیبر، محیطشناسی، 38(2): 1-12. مخدوم، م. (1390). آمایش سرزمین. انتشارات دانشگاه تهران. مقصودی، م.؛ فرجی سبکبار، ح.؛ پرواز، ح. و بهنام مرشدی، ح. (1394). مکانیابی مناطق بهینۀ توسعۀ اکوتوریسم در پارک ملی کویر با استفاده از GIS و الگوریتم ژنتیک، پژوهشهای جغرافیای انسانی، 47(2): 367-390. کامیاب، ح.ر.؛ سلمان ماهینی، ع. ر. و شهرآیینی، م. (1394). ارتقای روش MOLA با توجه به معیارهای سیمای سرزمین و بهرهگیری از الگوریتم ژنتیک، مجلة آمایش سرزمین، 7(1): 29-48. یوسفی روبیات، ا. (1395). بسط الگوریتمهای فراابتکاری در ارزیابی تناسب کاربری زمین، رسالة دکتری، رشتة برنامهریزی محیط زیست، دانشگاه تهران. یوسفی روبیات، ا.؛ صالحی، ا.؛ ظهیری، س.ح. و یاوری، ا.ر. (1395). رفع مشکل استقلال عوامل و عدم قطعیت در ارزیابی توان کشاورزی با استفاده از روشANPFUZZY (مطالعة موردی حوضة آبخیز بیرجند)، محیط شناسی، 42(۳). Kamyab, H.; Salman Mahiny, A. and Shahraini, M. (2015). A Genetic Algorithm Enhancement of MOLA Approach Using Landscape Metrics, Town And Country Planning, 7(1): 29-48. (In Persian) Maghsoudi, M.; Faraji Sabokbar, H.; Parvaz, H.and Behnam Morshedi, H. (2015). Site selection for Tourism Development Using Genetic Algorithm and GIS, Case Study: Kavir National Park, Human Geography Research, 47(2): 367-390. (In Persian) Khoshamouz, G.; Taleai, M. and Mansourian, A. (2012). Development of a Spatial Multi Objective Optimization Model for Intensive Energy Industries Land Use Planning, journal of environmental studies, 38(2): 1-12. (In Persian) Dehbashian, M. and Zahiri, S.M. (2011).Training MLP Neural Network in Images Compression by GSA Method, Iranian Journal of Electrical and Computer Engineering, 2(5-6): 45-53. (In Persian) Zahiri, S.H. and Dehbashian, M. (2011). A Novel Optimization Tool for Automated Design of Integrated Circuits based on MOSGA, Computational Intelligence in Electrical Engineering , 2(3): 17-34 . (In Persian) Cao, K.; Batty, M.; Huang, B.; Liu, Y.; Yu, L. and Chen, J. (2011). Spatial multi-objective land use optimization: extensions to the non-dominated sorting genetic algorithm-II, International Journal of Geographical Information Science, 25(12): 1949-1969. Cao, K.; Huang, B.; Wang, S. and Lin, H. (2012). Sustainable land use optimization using Boundary-based Fast Genetic Algorithm. Computers, Environment and Urban Systems, 36(3): 257-269. Collins, M.G.; Steiner, F.R. and Rushman, M.J. (2001). Land-use suitability analysis in the United States: historical development and promising technological achievements, Environmental management, 28(5): 611-621. Datta, D.; Deb, K. and Fonseca, C.M. (2007). Multi-objective evolutionary algorithms for resource allocation problems, Paper presented at the Evolutionary Multi-Criterion Optimization. Datta, D.; Deb, K.; Fonseca, C.M.; Lobo, F. and Condado, P. (2007). Multi-objective evolutionary algorithm for land-use management problem, International Journal of Computational Intelligence Research, 3(4): 1-24. Dorn, J.L. and Ranjithan, S.R. (2003). Evolutionary multiobjective optimization in watershed water quality management, Paper presented at the Evolutionary Multi-Criterion Optimization. Haupt, S.E.; Pasini, A. and Marzban, C. (Eds.) (2008). Artificial intelligence methods in the environmental sciences, Springer Science & Business Media. Li, X. and Yeh, A.G. (2005). Integration of genetic algorithms and GIS for optimal location search, International Journal of Geographical Information Science, 19(5): 581-601. Liu, X.; Li, X.; Shi, X.; Huang, K. and Liu, Y. (2012). A multi-type ant colony optimization (MACO) method for optimal land use allocation in large areas, International Journal of Geographical Information Science, 26(7): 1325-1343. Liu, Y.; Tang, W.; He, J.; Liu, Y.; Ai, T. and Liu, D. (2015). A land-use spatial optimization model based on genetic optimization and game theory. Computers, Environment and Urban Systems, 49: 1-14. Liu, Y.; Yuan, M.; He, J. and Liu, Y. (2014). Regional land-use allocation with a spatially explicit genetic algorithm, Landscape and Ecological Engineering, 11(1): 209-219. Ma, S.; He, J.; Liu, F. and Yu, Y. (2011). Land-use spatial optimization based on PSO algorithm, Geo-spatial Information Science, 14(1): 54-61. Makhdoom, M. (2011). Land use planning, University of Tehran Press. (In Persian) Malczewski, J. (2000). On the use of weighted linear combination method in GIS: common and best practice approaches. Transactions in GIS, 4(1): 5-22. Matthews, K.B. (2001). Applying genetic algorithms to multi-objective land-use planning, Ph.D. Dissertation, The Robert Gordon University, Scotland. Matthews, K.B.; Buchan, K.; Sibbald, A. and Craw, S. (2006). Combining deliberative and computer-based methods for multi-objective land-use planning, Agricultural Systems, 87(1): 18-37. Nidumolu, U.B.; De Bie, C.; Van Keulen, H.; Skidmore, A.K. and Harmsen, K. (2006). Review of a land use planning programme through the soft systems methodology, Land Use Policy, 23(2): 187-203. Ponjavic, M.; Avdagic, Z. and Karabegoviv, A. (2006). Geographic Information System and Genetic Algorithm Application for Multicriterial Land Valorization in Spatial Planning, Paper presented at the CORP2006-Competence Center of Urban and Regional Planning: 11th International Conference on Urban Planning & Regional Development-Vienna, Austria. Rashedi, E.; Nezamabadi-Pour, H. and Saryazdi, S. (2009). GSA: a gravitational search algorithm, Information sciences, 179(13): 2232-2248. Santé-Riveira, I.; Boullón-Magán, M.; Crecente-Maseda, R. and Miranda-Barrós, D. (2008). Algorithm based on simulated annealing for land-use allocation, Computers & Geosciences, 34(3): 259-268. Shaygan, M.; Alimohammadi, A.; Mansourian, A.; Govara, Z.S. and Kalami, S.M. (2014). Spatial Multi-Objective Optimization Approach for Land Use Allocation Using NSGA-II, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(3): 873-883. Stewart, T.J. and Janssen, R. (2014). A multiobjective GIS-based land use planning algorithm, Computers, Environment and Urban Systems, 46: 25-34. VanLier, H.N. (1994). Sustainable Land Use Planning, Amsterdam: Elsevier. Vassilas, N.; Kalapanidas, E.; Avouris, N. and Perantonis, S. (2001). Intelligent techniques for spatio-temporal data analysis in environmental applications Machine Learning and Its Applications, (pp. 318-324): Springer. Yousefirubiat , E. (2016) . Expansion of Meta-Heuristic Algorithms to Land-Use Suitability Analysis, Phd thesis in the Environmental Planning, Univeraity of Tehran Faculty of Environment, Under Supervision of: Dr. Esmaeil Salehi. (In Persian). Yousefirubiat, E.; Salehi, E.; Zahiri, S.H. and Yavari, A.R. (2016). Problem solving of uncertainty and independence factors in Agricultural Capability Evaluation by Using ANP FUZZY Method, Journal Of Environmental Studies, 42(3): 605-624. (In Persian).
| ||
آمار تعداد مشاهده مقاله: 706 تعداد دریافت فایل اصل مقاله: 402 |