The use of machine learning to identify suitable areas for urban growth in mountainous areas: Tunceli city example

Öz

One of the most important trigger factors contributing to increased human intervention in space in many regions of the world is urbanization. To manage and plan urbanization in harmony with other human activities, it is necessary to manage and plan it accordingly. Even though urbanization studies tend to focus on large cities, small-scale cities are quite common throughout the world, both in terms of their numbers and regarding their population density. Moreover, small cities can contribute to a more homogeneous distribution of development at the national and regional levels. It may, however, be hindered by a variety of limitations, including the hinterlands and the unused potential of these settlements. The city of Tunceli is also a small settlement with natural and human factors limiting its growth. In this study, based on machine learning algorithms, "support vector machines", "artificial neural networks" and "random forest" models were used to determine urban growth zones. In the city, the most suitable sites for primary growth are those which are suited for peripheral growth and inward-stacked growth (12 km2). While more than 90% of predictions were accurate, regarding the spatial equivalents of the findings, the best results respectively, came from "random forests", "artificial neural networks", and finally "support vector machines".

Anahtar Kelimeler

• Tunceli
• urban growth
• support vector machines
• artificial neural networks
• random forest

Dağlık alanlarda makine öğrenmesi ile kentsel büyümeye uygun alanların belirlenmesi: Tunceli kenti örneği

Öz

Dünyanın birçok bölgesinde kentleşme, insanın mekâna olan müdahalesini arttıran en önemli tetikleyici unsurlardan birine dönüşmüş durumdadır. Dolayısıyla kentleşme sürecinin, diğer beşeri faaliyetlere göre yönetilmesi ve planlanması öncelik arz etmektedir. Kentleşme konusundaki çalışmalar ağırlıklı olarak büyük şehirler üzerinde yoğunlaşmasına rağmen, küçük ölçekli kentler hem nüfus miktarı hem de sayı açısından, dünya genelinde oldukça fazladır. Ayrıca küçük kentler, kalkınmanın ulusal ve bölgesel düzeyde daha homojen dağılmasında etkili olabilecek alanlardır. Ancak bu yerleşmelerin büyümesinde, situasyonu, hinterlandı ve potansiyelin kullanılamaması gibi çeşitli sınırlılıklar engel oluşturabilmektedir. Tunceli kenti de küçük ölçekli ve hem doğal hem de beşeri faktörler tarafından büyümesinde kısıtlılıkları olan bir yerleşmedir. Bu çalışmada makine öğrenmesi algoritmalarından “destek vektör makineleri”, “yapay sinir ağları” ve “rastgele orman” modelleri kullanılarak kentsel büyümeye uygun alanlar tespit edilmiştir. Kentte içe doğru yığılmalı büyüme ile periferik büyümeye elverişli alanların öncelikli büyümeye uygun olduğu (12 km2) tespit edilmiştir. Kullanılan modellerde, %90’ın üzerinde tahmin doğruluğuna ulaşılmasına rağmen, sonuçların mekânsal karşılığı açısından en iyi sonuçların sırasıyla “rastgele orman”, “yapay sinir ağları” ve son olarak “destek vektör makineleri” modelinde elde edilmiştir.

Anahtar Kelimeler

• Tunceli
• kentsel büyüme
• destek vektör makineleri
• yapay sinir ağları
• rastgele orman

Kaynakça

1. Akar, Ö. & Güngör, O. (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi , (106), 139-146 . https://doi.org/10.9733/jgg.241212.1t
2. Akar, Ö., & Görmüş, E. T., (2019). Göktürk-2 ve Hyperion EO-1 uydu görüntülerinden rastgele orman sınıflandırıcısı ve destek vektör makineleri ile arazi kullanım haritalarının üretilmesi. Geomatik, 4(1), 68-81. https://doi.org/10.29128/geomatik.476668
3. Alkheder, S., (1999). Urban growth simulation using remote sensing imaginary and neural networks, retrieved from: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.125.8120&rep=rep1&type=pdf
4. Aslan, S. (2016). Şehir içi arazi kullanım yönünden Tunceli. (Yüksek Lisans Tezi, Ankara Üniversitesi, Sosyal Bilimler Enstitüsü, Ankara). s.
5. Aydın, M., & Çelik, E. (2013). Destek vektör makineleri ve yapay sinir ağları kullanarak türkiye’deki tehlikeli hava durumlarının uydu görüntüleri ile erken tespiti. 21st Signal Processing and Communications Applications Conference (SIU 2013) : North Cyprus Turkish Republic, 24 - 26 April 2013, Haspolat.
6. Beck M. W. (2018). Neuralnettools: Visualization and analysis tools for neural networks. Journal of statistical software, 85(11), 1–20. https://doi.org/10.18637/jss.v085.i11
7. Breiman , L. (1996). Bagging predictors. Machine Learning, 24 (2), 123–140.
8. Breiman, L. (2001). Random forests. Machine Learning, 45 (1), 5–32.

9. Brennan, C., & Hoene, C. (2003). Research brief on Americas cities: Demographic change in small cities, 1990- 2000. National League of Cities. Washington, DC.
10. Burbridge, S., & Zhang, Y. Z. Y. (2003). A neural network based approach to detecting urban land cover changes using Landsat TM and IKONOS imagery. 2003 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas (pp. 157-161). IEEE.
11. Çakır, F. S. (2020). Yapay sinir ağları matlab kodları ve matlab toolbox çözümleri. Nobel Yayıncılık, Ankara.
12. Çalışkan, O.Ç. ve Tezer, A. (2018). Türkiye kentleşmesinin çok boyutlu sürdürülemezliğinde yeni bir yol arayışı: orta ölçekli kentler üzerinden kır-kent dayanışma ağları, Planlama (Ek 1): 73-90. https://doi.org/10.14744/planlama.2018.66376
13. Canpolat, F. A. (2019). Tunceli kentinin nüfus özellikleri. Uluslararası Bilimsel Araştırmalar Dergisi (IBAD), 4(2), 183- 200. https://doi.org/10.21733/ibad.537457
14. Chapelle, O., Haffner, P., & Vapnik, V. N. (1999). Support vector machines for histogram-based image classification. IEEE transactions on Neural Networks, 10(5), 1055-1064. https://doi.org/10.1109/72.788646
15. Chen, J., Li, M., Wang, W. (2012). Statistical uncertainty estimation using random forests and its application to drought forecast. Mathematical Problems in Engineering, https://doi.org/10.1155/2012/915053
16. Cheng J., & Masser, I. (2003). Understanding urban growth system: Theories and methods. In 8th International Conference on Computers in Urban Planning and Urban Management, Sendai City, Japan, pages229–237.
17. Church, R. L. (2002). Geographical information systems and location science. Computers & Operations Research, 29(6), 541-562. https://doi.org/10.1016/S0305-0548(99)00104-5
18. Cohen, B. (2004). Urban growth in developing countries: a review of current trends and a caution regarding existing forecasts, World development, 32(1), 23-51. https://doi.org/10.1016/j.worlddev.2003.04.008
19. Cuhls, K. (2003). From forecasting to foresight processes—new participative foresight activities in Germany. Journal of forecasting, 22(2‐3), 93-111. https://doi.org/10.1002/for.848
20. Dadashpoor, H., Azizi, P., Maghadasi, M. (2019) Analyzing spatial patterns, driving forces and predicting future growth scenarios for supporting sustainable urban growth: evidence from Tabriz metropolitan area, Iran, Sustainable Cities and Society, 47, 1-32. https://doi.org/10.1016/j.scs.2019.101502
21. Erdem, F. , Derinpınar, M. A. , Nasırzadehdızajı, R. , Oy, S. , Şeker, D. Z. & Bayram, B. (2018). Rastgele orman yöntemi kullanılarak kıyı çizgisi çıkarımı İstanbul örneği, Geomatik, 3(2), 100-107. https://doi.org/10.29128/geomatik.362179
22. Esen, F. (2021). Jeomorfolojik özelliklerin Tunceli şehrinin gelişimine etkileri. Jeomorfolojik Araştırmalar Dergisi , (7) , 109-131 . https://10.46453/jader.948540
23. ESRI (2022-a). How slope works. 10 Şubat 2022 tarihinde https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/how-aspect-works.htm, adresinden edinilmiştir.
24. ESRI (2022-b). How aspect works. 10 Şubat 2022 tarihinde https://pro.arcgis.com/en/pro-app/2.8/tool- reference/spatial-analyst/how-aspect-works.htm, adresinden edinilmiştir.
25. ESRI (2022-c). Understanding euclidean distance analysis, 10 Şubat 2022 tarihinde https://desktop.arcgis.com/en/arcmap/latest/tools/spatial-analyst-toolbox/understanding-euclidean- distance-analysis.htm, adresinden edinilmiştir.
26. Fridemann, J. R. (1986). The world city hypothesis: development and change. Urban Studies, 23(2), 59-137.
27. Frimpong, B. F., & Molkenthin, F. (2021). Tracking urban expansion using random forests for the classification of landsat imagery (1986–2015) and predicting urban/built-up areas for 2025: A Study of the Kumasi Metropolis, Ghana. Land, 10(1), 44. https://doi.org/10.3390/land10010044
28. GEOFABRIK. (2022). Open street map, 10 Şubat 2022 tarihinde https://download.geofabrik.de/europe/turkey.html, adresinden edinilmiştir.
29. Gislason, P. O., Benediktsson, J. A., & Sveinsson, J. R. (2006). Random forests for land cover classification. Pattern Recognition Letters, 27(4), 294-300. https://doi.org/10.1016/j.patrec.2005.08.011
30. Goncalves, T. M., Zhong, X., Ziggah, Y. Y., & Dwamena, B. Y. (2019). Simulating urban growth using cellular automata approach (SLEUTH)-A case study of Praia City, Cabo Verde. IEEE Access, 7, 156430–156442. https://doi.org/10.1109/ACCESS.2019.2949689
31. Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2014). Multivariate data analysis (Vol. 7), Pearson Education Limited, USA. ISBN: 1-292-02190-X
32. Haykin, S. (1999). Neural networks, A comprehensive foundation, Pearson Education, Singapore.
33. Henderson, V. (1997). Medium size cities, Regional Science and Urban Economics, 27(6), 583-612.
34. Huang, B., Xie, C., & Tay, R. (2010). Support vector machines for urban growth modeling, Geoinformatica, 14(1), 83-99. https://doi.org/10.1007/s10707-009-0077-4
35. İzmen, Ü. (2014). Bölgesel kalkınmada yerel dinamikler: Tunceli modeli ve 2023 senaryoları, Fam Yayınları, İstanbul, ISBN: 978-605-6487-90-3
36. Jun, M. J. (2021). A comparison of a gradient boosting decision tree, random forests, and artificial neural networks to model urban land use changes: The case of the Seoul metropolitan area. International Journal of Geographical Information Science, 35(11), 2149-2167. https://doi.org/10.1080/13658816.2021.1887490
37. Karadağ, A., & Koçman, A. (2007). Coğrafi çevre bileşenlerinin kentsel gelişim süreci üzerine etkileri: Ödemiş (İzmir) örneği, Ege Coğrafya Dergisi, 16(1-2), 3-16.
38. Karimi, F., Sultana, S., Babakan, A. S., & Suthaharan, S. (2019). An enhanced support vector machine model for urban expansion prediction. Computers, Environment and Urban Systems, 75, 61-75. https://doi.org/10.1016/j.compenvurbsys.2019.01.001
39. Kavzoğlu, T., & Çölkesen, İ. (2010). Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi, Harita Dergisi, 144(7), 73-82.
40. Li, C., Li, J., & Wu, J. (2018). What drives urban growth in China? A multi-scale comparative analysis. Applied Geography, 98, 43–51. https://doi.org/10.1016/j.apgeog.2018.07.002
41. Liaw, A. ve Wiener, M. (2002). Classification and regression by randomForest. R news, 2(3), 18-22. https://cogns.northwestern.edu/cbmg/LiawAndWiener2002.pdf
42. Liong, S. Y., & Sivapragasam, C. (2002). Flood stage forecasting with support vector machines, Journal of the American Water Resources Association, 38(1), 173-186. https://doi.org/10.1111/j.1752-1688.2002.tb01544.x
43. Liu, X. ve Lathrop R. G. (2002) Urban change detection based on an artificial neural network, International Journal of Remote Sensing, 23:12, 2513-2518, https://doi.org/10.1080/01431160110097240
44. Malczewski, J. (2004). GIS-based land-use suitability analysis: a critical overview. Progress in planning, 62(1), 3- 65. https://doi.org/10.1016/j.progress.2003.09.002
45. Mattivi, P., Franci, F., Lambertini, A., & Bitelli, G. (2019). TWI computation: a comparison of different open source GISs. Open Geospatial Data, Software and Standards, 4(1), 1-12. https://doi.org/10.1186/s40965-019-0066-y
46. Mendiratta, P., & Gedam, S. (2018). Assessment of urban growth dynamics in Mumbai Metropolitan Region, India using object-based image analysis for medium resolution data. Applied Geography, 98, 110–120. https://doi.org/10.1016/j.apgeog.2018.05.017
47. Meyer, D. (2001). Support vector machines. R News, 1(3), 23-26. https://cran.r- project.org/web/packages/e1071/vignettes/svmdoc.pdf
48. Osuna, E., Freund, R., and Girosi, F. (1997). Support vector machines: Training and applications. A.I. Memo 1602, MIT Artificial Intelligence Laboratory.
49. Özcan, H. (2008). İstanbul’da kentsel yayılmanın yapay sinir ağları ile öngörüleri, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi. Fen Bilimleri Enstitüsü, İstanbul. 67 s.
50. Özdemir, M. A. (1996). Türkiye’de büyük yerleşme alanlarının seçiminde jeomorfolojik esaslar. Fırat Üniversitesi Sosyal Bilimler Dergisi, 8(2), 209-222.
51. Pal, M., & Mather, P. M. (2005). Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26(5), 1007-1011. https://doi.org/10.1080/01431160512331314083
52. Pal, M., (2005) Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26:1, 217-222, https://doi.org/10.1080/01431160412331269698
53. Park, S., Jeon, S., Kim, S., & Choi, C. (2011). Prediction and comparison of urban growth by land suitability index mapping using GIS and RS in South Korea. Landscape and Urban Planning, 99(2), 104-114. https://doi.org/10.1016/j.landurbplan.2010.09.001
54. Patriche, C. V., Vasiliniuc, I., & Biali, G. (2015). Quantitative evaluation of landslide susceptibility in the Bârlad basin. Environmental Engineering and Management Journal, 14(9), 2229-2236.
55. Pijanowski, B., Shellito, B., Bauer, M., & Sawaya, K. (2001). Using GIS, artificial neural networks and remote sensing to model urban change in the Minneapolis–St. Paul and Detroit Metropolitan areas, In Proceedings, American Society of Photogrammetry and Remote Sensing annual conference, April 23–27, 2001, St. Louis, Missouri, USA, 1- 13.
56. Pratyush, R. R., Bandopadhyay, A., & Singh, S. K. (2018). Urban growth modeling using logistic regression and geo-informatics: a case of Jaipur, India. International Journal of Science & Technology, 13(2018), 47–62.
57. Şahin, E. (2021). Kentsel büyüme simülasyon modelleri. International Geoinformatics Student Symposium (IGSS), 1(1), 13–18,
58. Sassen, S., (1991). The global city: London, New York, Tokyo. Princeton: Princeton University Press, ISBN: 978-069- 1078-66-3
59. Scott, A.J,Agnew, J.,Soja, E.W and Storper, M. (2001). ‘Global city‐regions’, In Scott, A. (ed): Global City‐Regions: Trends, Theory, Policy. Oxford: Oxford University Press, 11–30.
60. Stumpf, A., & Kerle, N. (2011). Combining Random Forests and object-oriented analysis for landslide mapping from very high resolution imagery. Procedia Environmental Sciences, 3, 123-129. https://doi.org/10.1016/j.proenv.2011.02.022
61. Sung, D.G., Lim, S.H., Ko, J.W. and Cho, G.S., (2001). Scenic evaluation of landscape for urban design purposes using GIS and ANN, Landscape and Urban Planning, 56, 75-85. https://doi.org/10.1016/S0169-2046(01)00174-8
62. Thompson, D. W. (1966). On growth and form: An abridged edition. Edited by John Tyler Bonner. Cambridge University Press, Cambridge MA.
63. Tong, X., Zhang, X., & Liu, M. (2010) Detection of urban sprawl using a genetic algorithm-evolved artificial neural network classification in remote sensing: a case study in Jiading and Putuo districts of Shanghai, China, International Journal of Remote Sensing, 31:6, 1485-1504, https://10.1080/01431160903475290
64. TUIK (2022). ADNKS (Adrese Dayalı Nüfus Kayıt Sistemi) Sonuçları, 10 Nisan 2022 tarihinde https://biruni.tuik.gov.tr/medas/?kn=95&locale=tr, adresinden edinilmiştir.
65. Tunçdilek, N. (1986). Türkiye’de yerleşmenin evrimi, İstanbul Üniversitesi Deniz Bilimleri ve Coğrafya Enstitüsü Yayınları, No:3367, İstanbul.
66. Tuncel, M. (2012). "Tunceli". TDV İslâm Ansiklopedisi. 10 Nisan 2022 tarihinde https://islamansiklopedisi.org.tr/tunceli#1, adresinden edinilmiştir.
67. Tunceli Municipality, (2017). Tunceli ilave-revizyon nazım ve uygulama imar planı plan açıklama raporu, Tunceli.
68. Üzmez, U. (2012). Türkiye’de orta ölçekli kentsel alanlar sorununa çözüm arayışları: Zonguldak örneği. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(2), 127-158.
69. Vapnik, V. (2000). The nature of statistical learning theory. Springer science & business media, New York, ISBN: 978-144-1931-60-3
70. Viana, C. M., Oliveira, S., Oliveira, S. C., & Rocha, J. (2019). Land use/land cover change detection and urban sprawl analysis. In Spatial Modeling in GIS and R for Earth and Environmental Sciences (pp. 621–651). Elsevier. https://doi.org/10.1016/b978-0-12-815226-3.00029-6
71. Vitousek, P. M., Mooney, H. A., Lubchenco, J., & Melillo, J. M. (1997). Human domination of Earth's ecosystems. Science, 277(5325), 494-499.
72. Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research, 30(1), 79-82. https://doi.org/10.3354/cr030079