بهینه‌‌سازی چند‌هدفۀ تخصیص کاربری اراضی با استفاده از الگوریتم NSGA-II (مورد شناسی: منطقۀ 10 شهر تبریز)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار جغرافیا و برنامه‌‌ریزی شهری، گروه جغرافیا و برنامه‌‌ریزی شهری، دانشکده برنامه‌‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

2 کارشناسی ارشد مطالعات شهری و روستایی، گروه سنجش‌از‌دور و سیستم اطلاعات جغرافیایی، دانشکده‌برنامه‌‌ریزی‌و‌علوم‌محیطی، دانشگاه‌تبریز، تبریز، ایران

3 دانشجوی دکترای جغرافیا و برنامه‌ریزی شهری، گروه جغرافیا و برنامه‌‌ریزی شهری، دانشکده برنامه‌‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

10.22111/gaij.2020.5581

چکیده

بهینه‌‌سازی تخصیص کاربری اراضی به‌عنوان یکی از بهترین مدل‌‌ها برای حفاظت زیست‌محیطی و هماهنگ‌کنندۀ اهداف متضاد و مختلف اقتصادی، اجتماعی و غیره کاربری اراضی است. منطقۀ 10 کلان‌‌شهر تبریز د‌‌ر زمینۀ تناسب و توزیع بهینۀ کاربری‌‌ها د‌‌ارای نارسایی بود‌‌ه‌است؛ ازاین‌رو این تحقیق با هدف بهینه‌‌سازی تخصیص کاربری اراضی منطقۀ 10 کلان‌‌شهر تبریز انجام گرفته‌است. پژوهش حاضر با ماهیت توسعه‌ای- کاربردی و روش توصیفی- تحلیلی در زمینۀ تخصیص کاربری اراضی با هشت کاربری اصلی: مسکونی به تفکیک سه نوع طبقاتی، تجاری، آموزشی، درمانی، فرهنگی، فضای سبز، ورزشی، تجاری-مسکونی به تفکیک سه نوع طبقاتی به‌وسیلۀ الگوریتم ژنتیک از نوع مرتب‌سازی نامغلوب نسخۀ دوم (NSGA-II) انجام گرفته‌است. بدین منظور از چهار تابع هدف حداکثر غیر‌‌خطی: بیشینه‌سازی FAR، بیشینه‌سازی سود اقتصادی، بیشینه‌سازی سازگاری، بیشینه‌سازی فشردگی استفاده شده‌است. هشت نوع کاربری اراضی اصلی و هشت محدودیت تعریف شد و برای ترکیب مقدار عددی تابع هدف بعد از نرمال‌سازی، روش مجموع وزن‌دار به‌کار گرفته‌شد. عملگرهای NSGA-II اصلاح شد و مدل پیشنهادی در زبان برنامه‌‌نویسی MATLAB توسعه داده‌شد. مدل با توجه به محدودیت‌‌های مدل‌سازی اجرا شده و برای به‌تصویر‌کشیدن خروجی مدل، روش کدگذاری ویژه راه‌‌حل‌‌ها که خروجی را با نرم‌‌افزار GIS مرتبط می‌‌کرد، تعریف شد. نتایج، نشان‌دهندۀ کارآیی و اثربخشی مدل پیشنهادی و پتانسیل آن در پشتیبانی از فرایند برنامه‌ریزی شهری و تصمیم‌سازی است. این پتانسیل از‌طریق تولید آلترناتیوهای گوناگون کاربری و نمایش راه‌‌حل‌‌های بهینه به‌دست آمده‌است. درنهایت نتایج نشان داد که در صورت بهینه‌‌سازی کاربری اراضی درمنطقۀ 10 کلان‌‌شهر تبریز، مقدار FAR به اندازۀ 13.04 درصد و سود اقتصادی به اندازۀ 21.06 درصد و سازگاری- فشردگی بین کاربری‌‌ها به‌ترتیب 2.3 و 4.6 درصد افزایش می‌‌یابد.

کلیدواژه‌ها


عنوان مقاله [English]

Multi-objective Optimization of Land Use Allocation Using NSGA-II Algorithm (Case Study: Region 10 of Tabriz City)

نویسندگان [English]

  • Hassan Mahmood zadeh 1
  • Zahra Pishevar 2
  • Mehdi Harischian 3
چکیده [English]

Optimization of land use allocation as one of the best models for environmental protection and coordinating different economic, social and other land use goals. The 10th Region of Tabriz has been inadequate in terms of fitting and optimal distribution of applications. Therefore, this study aimed to optimize land use allocation in 10th Region of Tabriz metropolitan. The present research deals with the nature of developmental-applied and descriptive-analytical method in the allocating land use field using eight main uses: housing divided into three classes, commercial, educational, therapeutic, cultural, green spaces, sports Commercial-residential, categorized by three types of classes, is based on the multi-objective genetic optimization algorithm, the second-class non-occupational sorting (NSGA-II). To this end, four maximum nonlinear objective functions are used: maximizing FAR, maximizing economic profit, maximizing adaptability, compression maximization. Eight types of land use and eight limitations were defined, and the combined weight method was used to combine the numerical value of the objective function after normalization. The NSGA-II operators were modified and the proposed model was developed in the MATLAB programming language. The model was implemented according to the modeling constraints. To illustrate the output of the model, the special coding method for solutions that defined the output was defined by the GIS software. The results indicate the effectiveness and effectiveness of the proposed model and its potential in supporting the urban planning and decision-making process. This potential is achieved through the production of alternative alternatives and the display of optimal solutions. The results of this study showed that in the case of optimization of land use in the 10th district of Tabriz, the FAR value is 13.04% and economic profit is 21.06% and compatibility-compression between applications is 2.3 and 4.6%, respectively.--

کلیدواژه‌ها [English]

  • Multi-objective optimization
  • Land Use Allocation
  • NSGA-II algorithm
  • GIS
  • Tabriz Metropolis
  • Region10
ابراهیم‌نیا. وحیده؛ رسولی. مژگان؛ زندیه. سمیه. (1388). روش‌‌ها و مدل‌‌های تخصیص کاربرد زمین، مجلۀ معماری و شهرسازی آرمان‌شهر(دکتر مصطفی بهزادفر)، 2(2)، صص 22-9.
تناسان، محمد. (1394). طراحی مدل مدیریت کاربری اراضی مبتنی‌بر الگوریتم NSGA-IIبا رویکرد مدیریت رواناب سطحی در بستر GIS، پروژۀ تحقیقاتی، استادان راهنما: مهندس سید حسن مهدوی‌فر و مهندس اصغر شجاعی، بنیاد نخبگان نیروهای مسلح، وزارت نیرو، شرکت مدیریت منابع آب ایران.
حسینی، سید موسی؛ زهرایی، بنفشه. (1393). الگوریتم ژنتیک و بهینه‌‌‌سازی مهندسی، تهران: انتشارات گوتنبرگ.
خیرخواه، آرزو؛ معماریان، هادی؛ تاجبخش، سید محمد. (1398). مقایسۀ الگوریتم ژنتیک و برنامه‌ریزی خطی برای حل مسائل بهینه‌‌سازی کاربری اراضی حوزه‌‌های آبخیز، نشریه مهندسی و مدیریت آبخیز(پژوهشکده حفاظت خاک و آبخیزداری)، دورۀ 11، شمارۀ 1، صص 263-252.
رضویان، محمدتقی. (1381). برنامه‌ریزی کاربری اراضی شهری، تهران: انتشارات منشی.
سلمان ماهینی، عبدالرسول؛ اسدالهی، زهرا؛ سعید صبائی، مریم؛ کامیاب، حمیدرضا؛ نصیر احمدی، کامران. (1393). مقایسۀ روش‌‌های شبیه‌سازی تبرید تدریجی و اختصاص چند‌هدفۀ زمین در گزینش بهینۀ کاربری‌‌های اراضی، فصلنامه بوم‌شناسی کاربردی(دانشگاه صنعتی اصفهان)، دورۀ 3، شمارۀ 9، صص 13-1.
سدیدی، جواد؛ درواری، سیده زهرا. (1396). ارائه مدل توسعه یافته فرا ابتکاری مبتنی‌بر الگوریتم ژنتیک چندهدفه جهت مدلسازی تغییر بهینه کاربری اراضی، فصلنامه برنامه ریزی و آمایش فضا(دانشگاه تربیت مدرس)، دوره21، شماره3، صص327-307.
شایگان، مهران؛ علی‌محمدی، عباس؛ منصوریان، علی. (1391). بهینه‌‌سازی چند‌هدفۀ تخصیص کاربری اراضی با استفاده از الگوریتم NSGA-II، فصلنامه علمی -  پژوهشی سنجش‌از‌دور و GIS ایران(انجمن سنجش از دور و GIS ایران)، دورۀ 4، شمارۀ 2، صص 18-1.
علائی‌مقدم، ساناز؛ کریمی، محمد؛ محمد‌زاده، علی. (1394). مدل‌سازی تخصیص کاربری‌های شهری با استفاده از الگوریتم ژنتیک مرتب‌سازی نامغلوب نقطۀ مرجع، نشریۀ علمی- پژوهشی علوم و فنون نقشه‌برداری(انجمن علمی مهندسی نقشه برداری و ژئوماتیک ایران)، 4(4)، صص 66-47.
http://jgst.issge.ir/browse.php?a_id=63&sid=1&slc_lang=fa
کریمی، محمد. (1389). توسعۀ روش‌‌های تصمیم‌گیری چندمعیارۀ مکانی برای تعیین کاربری و پوشش مطلوب سرزمین، رسالۀ دکتری، استاد راهنما: محمدعلی شریفی و محمد سعدی‌‌مسگری، دانشگاه صنعتی خواجه نصیرالدین طوسی، دانشکدۀ نقشه‌برداری.
https://ganj-old.irandoc.ac.ir/articles/514906
کامیاب، حمیدرضا؛ سلمان ماهینی، عبدالرسول؛ شهرآیینی، محمد. (1395). مقایسۀ تخصیص اکوسیستمی کاربری سرزمین با استفاده از الگوریتم ژنتیک و رویکرد تخصیص چندهدفه، دو فصلنامه علمی پژوهش‌‌های محیط زیست(انجمن ارزیابی محیط زیست ایران)، دورۀ 7، شمارۀ 14، صص 168-157.
http://www.iraneiap.ir/article_45235.html
معصومی، زهره؛ منصوریان، علی؛ مسگری، محمد‌سعدی. (1389). کاربرد الگوریتم ژنتیک چندهدفه در مطالعات مکان‌یابی کاربری‌های صنعتی، فصلنامه علمی -  پژوهشی سنجش‌از‌دور و GIS ایران(انجمن سنجش از دور و GIS ایران)، دورۀ 2، شمارۀ 4، صص 22-1.
http://gisj.sbu.ac.ir/article/view/1142
مهندسین مشاور نقش محیط. (1391). طرح توسعه و عمران (جامع) شهر تبریز، گزارش مطالعات کالبدی مرحلۀ موجود، وزارت راه و شهرسازی، ادارۀ کل راه و شهرسازی استان آذربایجان شرقی.
مهندسین مشاور نقش محیط. (1391). طرح توسعه و عمران (جامع) شهر تبریز، گزارش محیطی مرحلۀ موجود، وزارت راه و شهرسازی، ادارۀ کل راه و شهرسازی استان آذربایجان شرقی.
 
Amundson, R., Berhe, A.A., Hopmans, J.W., Olson, C., Sztein, A.E., Sparks, D.L. (2015). Soil and human security in the 21st century, Science, 348(6235): 647-654.
https://science.sciencemag.org/content/348/6235/1261071
Bryan, B.A., Gao, L., Ye, Y., Sun, X., Connor, J.D., Crossman, N.D., Stafford-Smith, M., Wu, J., He, C., Yu, D., Liu, Z., Li, A., Huang, Q., Ren, H., Deng, X., Zheng, H., Niu, J., Han, G., Hou, X. (2018). China’s response to a national landsystem sustainability emergency, Nature, 559: 193–204.
https://www.nature.com/articles/s41586-018-0280-2/
Beheshtifar, S. (2014). Design and implement of a simultaneous location-allocation model of different service centers using evolutionary algorithms. PhD Thesis. Facualty of Geodesy and Geomatics. K. N. Toosi University of Technology. Tehran. Iran.
Beady, D., Bull, D.R., Martin, R. R. (1993). An Overview of Genetic Algorithms: Part1, Fundamentals: University Computing., 15: 58-69.
Coello, C.A. (2002). Introduction to Evolutionary Multi-objective Optimization, Lecture notes, Depto, de Ingenier’ia El’ectrica, Secci’on de Computaci’on, Instituto Polit’ecnico Naciona, MEXICO.
Chen, J., Long, H., Liao, L., Tu, S., Li, T. (2020). Land use transitions and urban-rural integrated development: Theoretical framework and China’s evidence, Land Use Policy, 92: 1-12.
https://www.sciencedirect.com/science/article/abs/pii/S0264837719318411
Deb, K., Agrawal, S., Pratap, A., Agarwal, S., Meyarivan, T. (2001). A Fast and Elitist Moltiobjective Genetic Algorithm: NSGA-II, IEEE Transactions on Evolutionary Computation, 6(2):182-197.
https://ieeexplore.ieee.org/abstract/document/996017
Deb, K., Pratap, A., Agarwal, S., Meyarivan, T. A. M. T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II, IEEE transactions on evolutionary computation, 6(2), 182-197.‏
https://ieeexplore.ieee.org/abstract/document/996017
Deb, K., Mohan, M., Mishra, S. (2005). Evaluating the ε-domination based on multiobjectives evolutionary algorithm for a quick computation of pareto-optimal solutions, Journal of evolutionary computation, 13(4): 501-525.
https://www.mitpressjournals.org/doi/abs/10.1162/106365605774666895
Datta, D.)2007(. Multi-Objective Evolutionary Algorithms for Resource Allocation Problems, Ph.D. Thesis, Department of Mechanical Engineering, Indian Institute of Technology Kanpur (IIT-Kanpur), Indian.
Douzi Sorkhabi, S. Y., Romero, D. A., Yan, G. K., Gu, M. D., Moran, J., Morgenroth, M., Amon, C. H. (2016). The impact of land use constraints in multi-objective energy-noise wind farm layout optimization, Renewable Energy, 85: 359-370.
https://www.sciencedirect.com/science/article/abs/pii/S0960148115300495
Deng, X. Z., Huang, J. K., Rozelle, S., Uchida, E. (2008). Growth, population and industrialization, and urban land expansion of China, Journal of Urban Economics, 63(1): 96–115.
https://www.sciencedirect.com/science/article/abs/pii/S0094119007000022
Deng, X. Z., Huang, J. K., Rozelle, S., Zhang, J. P., Li, Z. H. (2015). Impact of urbanization on cultivated land changes in China, Land Use Policy, 45: 1–7.
https://www.sciencedirect.com/science/article/abs/pii/S0264837715000101
Holland, J.H. (1975). Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. University of Michigan Press, Ann Arbor, 183 pages.
Huang, Z. H., Du, X. J., Castillo, C. S. Z. (2019). How does urbanization affect farmland protection? Evidence from China, Resources, Conservation and Recycling, 145: 139–147.
https://www.sciencedirect.com/science/article/abs/pii/S0921344918304798
Herzig, A. (2008). A GIS-based module for the multi objectives optimization of areal resource allocation. In Friis. Proceedings of the 11th AGILE International Conference on Geographic Information Science, University of Girona, Spain.
Long, H. L., Tang, G. P., Li, X. B., Heilig, G. K. (2007). Socio-economic driving forces of land-use change in Kunshan, the Yangtze River Delta economic area of China, Journal of Environmental Management, 83: 351–364.
https://www.sciencedirect.com/science/article/pii/S0301479706001241
Long, H.L. (2012). Land use transition and rural transformation development, Progress in Geography 31 (2): 131–138.
http://www.progressingeography.com/EN/abstract/abstract12371.shtml
Long, H.L., Qu, Y. (2018). Land use transitions and land management: a mutual feedback perspective. Land Use Policy, 74: 111–120.
https://www.sciencedirect.com/science/article/abs/pii/S0264837716312133
Liu, X., Li, X., Shi, X., Huang, K., 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.
https://www.tandfonline.com/doi/abs/10.1080/13658816.2011.635594
Liu, J., Mooney, H., Hull, V., Davis., S. J., Gaskell, J., Hertel, T., Lubchenco, J., Seto, K.C., Gleick, P., Kremen, C., Li, S. (2015). Systems integration for global sustainability. Science, 347 (6225).
https://science.sciencemag.org/content/347/6225/1258832
Li. X., Parrott, L.(2016). An improved Genetic Algorithm for spatial optimization of multi-objective and multi-site land use allocation, Computers, Environment and Urban Systems, 59: 184-194.
https://www.sciencedirect.com/science/article/pii/S0198971516301223
Masoomi, Z. (2014). Modeling of the Physical effects of urban land use changes using optimization algorithms and spatial analysis, PhD Thesis. Facualty of Geodesy and Geomatics. K. N. Toosi University of Technology. Tehran. Iran.
Masoumi, Z., Maleki, J., Mesgari, M.S., Mansourian, A.(2016). Using an Evolutionary Algorithm in Multiobjective Geographic Analysis for Land Use Allocation and Decision Supporting, Geographical Analysis, 1-26.
https://onlinelibrary.wiley.com/doi/abs/10.1111/gean.12111
Macro, K., Matott, L. S., Rabideau, A., Ghodsi, S. H., Zhu, Z. (2018). A New Multi-Objective Optimization Tool for Green Infrastructure Planning with SWMM, Environmental Modelling and Software, 113:42-47.
https://www.sciencedirect.com/science/article/abs/pii/S1364815218307515
Song, W., Pijanowski, B. C., Tayyebi, A. (2015). Urban expansion and its consumption of high-quality farmland in Beijing, China, Ecological Indicators, 54: 60–70.
https://www.sciencedirect.com/science/article/abs/pii/S1470160X15000928
Serra, P., Pons, X., Saurì, D. (2008). Land-cover and land-use change in a Mediterranean landscape: a spatial analysis of driving forces integrating biophysical and human factors, Applied Geography. 28: 189–209.
https://www.sciencedirect.com/science/article/abs/pii/S014362280800012X
Shaygan, M., Alimohammadi, A., Mansourian, A., Govara, Z. S., 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.
https://ieeexplore.ieee.org/abstract/document/6676851
Sheta, A., Turabieh, H. (2006). A comparison between genetic algorithms and sequential quadratic programming in solving constrained optimization problems, International Journal on artificial intelligence and machine learning (AIML), 6(1): 67-74.
Stewart, T., Janssen, R., Herwijnen, M. (2004). A genetic algorithm approach to multi objective landuse planning, Computers & Operations Research, 31(14): 2293-2313.
https://www.sciencedirect.com/science/article/abs/pii/S0305054803001886
Strauch, M., Cord, A. f., Pätzold, C., Lautenbach, S., Kaim, A., Schweitzer, C., Seppelt, R., Volk, M. (2019). Constraints in multi-objective optimization of land use allocation – Repair or penalize?, Environmental Modelling & Software, 118:241-251.
https://www.sciencedirect.com/science/article/abs/pii/S1364815218311204
Taleai, M. (2007). GIS-based planning support system for urban land use externalities evalutation, PhD Thesis. Facualty of Geodesy and Geomatics. K. N. Toosi University of Technology. Tehran. Iran.
https://www.sciencedirect.com/science/article/abs/pii/S1364815218311204
Ward, P. J., Jongman, B., Aerts, J. C. J. H., Bates, P. D., Botzen, W. J. W., Diaz Loaiza, A., Hallegatte,S., Kind, J.M., Kwadijk,J., Scussolini,P., Winsemius, H. C. (2017). A global framework for future costs and benefits of river-flood protection in urban areas, Nature Climate Change, 7(9): 642–646.
https://www.nature.com/articles/nclimate3350
Ziari, K. (2009). urban land use planning, Eighth Edition (Second Edition Tehran University), publisher of Tehran University.