Hızlı büyüyen yerleşim yerlerinde kentsel büyümenin yüksek doğruluklu simülasyon modelleri ile izlenmesi: Model kalibrasyonu için T-AFA yöntemi önerisi

Yıl 2022, Cilt: 7 Sayı: 1, 1 - 9, 15.04.2022

İsmail Ercüment Ayazlı

https://doi.org/10.29128/geomatik.764579

Cited By: 1

Öz

Dünya nüfusu her yıl artmakta ve bu nüfusun yarısı kentlerde yaşamaktadır. Nüfus artışı nedeniyle kent mekânı fiziksel olarak genişlemekte ve fiziksel, çevresel, sosyal ve ekonomik sorunlara yol açmaktadır. Bu sorunların üstesinden gelebilmek için kentsel büyüme simülasyon modelleri sıklıkla kullanılmaktadır. SLEUTH modeli, bu modeller arasında en çok uygulananlardan biridir. Test, kalibrasyon ve kestirim olmak üzere üç aşamada oluşturulan simülasyon modelinin en önemli aşaması kalibrasyondur ve bu işlem adımı ne kadar hassas tamamlanırsa model de o kadar doğru sonuçlar üretmektedir. 13 adet ölçüte göre büyüme katsayılarının hesaplandığı kalibrasyon aşamasında farklı yöntemler geliştirilmiştir. Bu çalışmanın amacı, 13 ölçütün kullanılarak kalibrasyon aşamasının tamamlanabilmesini mümkün kılan Toplam Açımlayıcı Faktör Analizi (T-AFA) yönteminin nüfus artışı hızı çok yüksek olan yerleşmelerdeki başarısını araştırmaktır. Bu kapsamda, İstanbul Sancaktepe İlçesi çalışma alanı olarak seçilmiştir ve 2040 yılı için bir kentsel büyüme simülasyon modeli üretilmiştir. Elde edilen sonuçlar T-AFA yönteminin farklı çalışmalarda da kullanılabilmesi için umut vaat edicidir.

Anahtar Kelimeler

kentsel büyüme, simülasyon, arazi yönetimi, açımlayıcı faktör analizi, hücresel otomat

Destekleyen Kurum

TÜBİTAK

Proje Numarası

112K469

Teşekkür

Bu çalışmada kullanılan veriler TÜBİTAK 112K469 numaralı proje kapsamında üretilmiştir.

Kaynakça

• Ayazli I E, Kilic F, Lauf S, Demir H & Kleinschmit B (2015). Simulating urban growth driven by transportation networks: A case study of the Istanbul third bridge. Land Use Policy, 49, 332–340. https://doi.org/10.1016/j.landusepol.2015.08.016
• Ayazli I E, Kilic F, Lauf S, Demir H & Kleinschmit B (2015). Simulating urban growth driven by transportation networks: A case study of the Istanbul third bridge. Land Use Policy, 49, 332–340. https://doi.org/10.1016/j.landusepol.2015.08.016
• Ayazli I E & Bilen O (2019). Using exploratory factor analysis to improve the calibration of sleuth urban growth models. Fresenius Environmental Bulletin, 28(2), 975–979.
• Ayazli I E, Gul F K, Baslik S, Yakup A E & Kotay D (2019). Extracting an urban growth model’s land cover layer from spatio-temporal cadastral database and simulation application. Polish Journal of Environmental Studies, 28(3), 1063–1069. https://doi.org/10.15244/pjoes/89506
• Ayazlı I E (2011). Ulaşım ağlarının etkisiyle kentsel yayılmanın simülasyon modeli: 3. Boğaz Köprüsü örneği. Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü.
• Ayazlı I E & Başlık S (2016). Mülkiyet Deseni İle Kentsel Büyüme İlişkisinin Simülasyon Modelinin Oluşturulması Projesi Sonuç Raporu.
• Balanza R, García-Lorda P, Pérez-Rodrigo C, Aranceta J, Bonet M B & Salas-Salvadó J (2007). Trends in food availability determined by the Food and Agriculture Organization’s food balance sheets in Mediterranean Europe in comparison with other European areas. Public Health Nutrition, 10(2), 168–176. https://doi.org/10.1017/S1368980007246592
• Batty M (2007). Cities and Complexity. MIT Press.
• Batty M & Xie Y (1994). From cells to cities. Environment ve Planning B: Planning ve Design, 21(Celebration Issue), 531–548. https://doi.org/10.1068/b21s031
• Benenson I & Torrens P M (2004). Geosimulation. Automata-based modeling of urban phenomena. John Wiley ve Sons Ltd.
• Büyüköztürk Ş (2002). Faktör Analizi: Temel Kavramlar ve Ölçek Geliştirmede Kullanımı. Kuram ve Uygulamada Eğitim Yönetimi, 32, 470–483.
• Candau J T (2002). Temporal calibration sensitivity of the SLEUTH urban growth model. University of California, Santa Barbara.
• Candau J (2000). Calibrating a cellular automaton model of urban growth in a timely manner. 4th International Conference on Integrating Geographic Information Systems and Environmental Modeling: Problems, Prospects, and Needs for Research, 2–8.
• Candau J & Clarke (2000). Probabilistic Land Cover Transition Modeling Using Deltatrons. 2000 URISA Annual Conference, Orlando.
• Clarke K C, Hoppen S & Gaydos L (1997). A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay area. Environment and Planning B: Planning and Design, 24(2), 247–261. https://doi.org/10.1068/b240247
• Clarke K C, Hoppen S & Gaydos L J (1996). Methods And Techniques for Rigorous Calibration of a Cellular Automaton Model of Urban Growth. Third International Conference/Workshop on Integrating GIS and Environmental Modeling; 1996 Jan 21-25, Santa Fe, New Mexico.
• Clarke K C & Gaydos L J (1998). Loose-coupling a cellular automaton model and GIS: Long-term urban growth prediction for San Francisco and Washington/Baltimore. International Journal of Geographical Information Science, 12(7), 699–714. https://doi.org/10.1080/136588198241617
• Couclelis H (1985). Cellular worlds: A framework for modeling micro—macro dynamics. Environment and Planning A, 17(5), 585–596.
• Dietzel C & Clarke K (2007). Toward Optimal Calibration of the SLEUTH Land Use Change Model. T. GIS, 11, 29–45. https://doi.org/10.1111/j.1467-9671.2007.01031.x EEA (2016). Urban Sprawl in Europe: Joint EEA-FOEN.
• Glaeser E L & Kahn M E (2005). Sprawl and Urban Growth. SSRN Electronic Journal, 4(04). https://doi.org/10.2139/ssrn.405962
• Jafarnezhad J, Abdolrassoul S & Yousef S (2016). Subjectivity versus objectivity: comparative study between brute force method and genetic algorithm for calibrating the SLEUTH urban growth model. Journal of Urban Planning and Development, 142(3), 05015015.
• Jantz C A, Goetz S J & Shelley M K (2004). Using the SLEUTH urban growth model to simulate the impacts of future policy scenarios on urban land use in the Baltimore-Washington metropolitan area. Environment and Planning B: Planning and Design, 31(2), 251–271. https://doi.org/10.1068/b2983
• Junfeng J (2003). Innovations in Design ve Decision Support Systems in Architecture and Urban Planning. In Transition Rule Elicitation for Urban Cellular Automata models (Doctoral dissertation, tesi di dottorato (non pubblicata)). https://doi.org/10.1007/978-1-4020-5060-2
• Kotay D, Ayazli İ E & Yakup A E (2018). KENTSEL BÜYÜME SİMÜLASYON MODEL DOĞRULUĞ UNUN. VII. Uzaktan Algılama CBS Sempozyumu, 18-21 Eylül, 160–166.
• Li S, Yang Z & Li H (2017). Statistical evaluation of no-reference image quality assessment metrics for remote sensing images. ISPRS International Journal of Geo-Information, 6(5). https://doi.org/10.3390/ijgi6050133
• Oguz H, Klein A G & Srinivasan R (2007). Using the SLEUTH urban growth model to simulate the impacts of future policy scenarios on urban land use in the Houston-Galveston-Brazoria CMSA. Research Journal of Social Sciences, 2(1), 72–82.
• Phipps M (1989). Dynamical behavior of cellular automata under the constraint of neighborhood coherence. Geographical Analysis, 21(3), 197–215.
• Portugali J & Benenson I (1995). Artificial planning experience by means of a heuristic cell-space model: simulating international migration in the urban process. Environment ve Planning A, 27(10), 1647–1665. https://doi.org/10.1068/a271647
• Pro (2019). Project Gigalopolis.
• Sevik O (2006). Application of SLEUTH Model in Antalya. Master of ScienceThesis. Middle East Technical University.
• Silva E & Clarke K (2002). Calibration of the SLEUTH urban growth model for Lisbon and Porto, Portugal. Computers, Environment and Urban Systems, 26, 525–552. https://doi.org/10.1016/S0198-9715(01)00014-X
• Tabachnick B G & Fidell L (2013). Using Multivariate Statistics (C. Campanella (ed.); Sixth Edit). Pearson.
• Tobler W R (1979). Cellular Geography. In S. Gale ve G. Olsson (Eds.), Philosophy in Geography Theory and Decision Library (An International Series in the Philosophy and Methodology of the Social and Behavioral Sciences), vol 20. Springer, Dordrecht. https://doi.org/doi.org/10.1007/978-94-009-9394-5_18
• Torrens P M (2000). How cellular models of urban systems work. Casa, 160(955), 68. http://www.bartlett.ucl.ac.uk/casa/pdf/paper28.pdf
• TÜİK (2019). TÜİK. https://biruni.tuik.gov.tr/medas/?kn=95velocale=tr
• UN (2015). United Nations. http://www.un.org/sustainabledevelopment/sustainable-development-goals/
• White R & Engelen G (1994). Cellular dynamics and GIS: Modelling spatial complexity. Geographical Systems, 1, 237–253.
• White R & Engelen G (1997). Cellular automata as the basis of integrated dynamic regional modelling. Environment and Planning B: Planning and Design, 24(2), 235–246. https://doi.org/10.1068/b240235
• White R, Straatman B & Engelen G (2004). Planning scenario visualization and assessment: a cellular automata based integrated spatial decision support system. In D. G. Goodchild, M. F., ve Janelle (Ed.), Spatially integrated social science (pp. 420–442). Oxford University Press, Inc.
• Wu F (1998). An experiment on the generic polycentricity of urban growth in a cellular automatic city. Environment and Planning B: Planning and Design, 25(5), 731–752. https://doi.org/10.1068/b250731
• Yang X & Lo C P (2003). Modelling urban growth and landscape changes in the Atlanta metropolitan area. International Journal of Geographical Information Science, 17(5), 463–488. https://doi.org/10.1080/1365881031000086965