بخش اصلی در مدلسازی LTM بر پایه شبکه های عصبی مصنوعی صورت میگیرد .مدل تحول زمین LTM برپایه شبکه های عصبی مصنوعی و سیستم اطلاعات جغرافیایی برای پیشبینی تغییرات کاربری زمین و برای مناطق وسیع توسعه یافته است LTM میتواند تغییرات کاربری را با مدلهای اکولوژیکی به مانند جریان آبهای زیرزمینی و سیستم ترابری و تغییرات پوشش جنگلی پیوند دهد.

همچنین این مدل قادر است برنامه ریزی کاربری اراضی محلی و مدیریت منابع منطقه ای را با استفاده از اطالعات موجود در مورد پتانسیلهای تغییرات کاربری و محیط زیست، مدلسازی کند.

فرایند مدلسازی LTM:

آماده سازی داده ها برای انتخاب عوامل و داده ها بایستی شناخت علمی از منطقه مورد نظر داشت. داده های اولیه مورد نیاز برای مدلسازی از سازمانها و نقشه های مصوب شهری تبریز اخذ و با استفاده از نرمافزارهای Autodesk map، ArcGIS و Erdas آماده سازی و به نقشه ها و فرمتهای مورد نیاز تبدیل میشوند که نقشه های نهایی  برای ورود به مدل LTM عبارتند از:

ـ طیف ارتفاعی: نقشه طیف ارتفاعی با استفاده از تصاویر ماهواره ای تهیه گردید.

ـ شیب و جهت شیب: نقشه شیب و جهت شیب با استفاده از تصاویر ماهواره ای و نقشه توپوگرافی تهیه گردید.

ـ فاصله از مراکز آموزشی: ایجاد بافر فاصله از مراکز آموزشی موجود

ـ فاصله از پارک: ایجاد بافر فاصله از پارکهای موجود در شهر

ـ فاصله از مراکز درمانی: ایجاد بافر از مراکز درمانی موجود

ـ شبکه های دسترسی اصلی: ایجاد بافر فاصله از شبکه های درجه 1 و درجه 2 اصلی در شهر

ـ تراکم جمعیت

ـ جهت پیشنهادی طرحهای فرادست: پیشنهاد توسعه شهری در طرحهای مجموعه شهری

ـ جهات اجرایی توسعه شهری مدیرت شهری: نقشه توسعه شهری براساس نظر و مصوبات مدیریت شهری

ـ کاربری اراضی مقاطع زمانی طرح

ـ نقشه محدودیتهای توسعه شهری: این نقشه شامل سلولهایی است که در جریان مدلسازی مورد تحلیل و پیشبینی قرار نمیگیرد.

 

ب. ایجاد شبكه

برای مدلسازی در مدل LTM از بسته نرمافزاری تهیه شده توسط دانشگاه پوردیو Purdue آمریکا با تغییراتی در فرایند یادگیری، تست و پیشبینی شبکه توسط نگارنده استفاده گردیده است. فایل اجرایی جهت ایجاد شبکه با توجه به داده های موجود به فرمت txt آماده گردید و از طریق command prompt در ویندوز مراحل ایجاد شبکه انجام میگردد. شبکه های عصبی مورد استفاده در شبکه پرسپترون چندلایه MLP میباشد که دارای سه لایه الیه ورودی، لایه مخفی و لایه خروجی میباشد. لایه ورودی و خروجی هرکدام یک لایه دارند ولی لایه مخفی ممکن است یک یا بیشتر از آن انتخاب گردد. در تغییر لایه های شبکه فقط لایه مخفی را کم وزیاد میکنند و نمیتوان لایه ورودی و خروجی را کم وزیاد کرد. اکثراً لایه مخفی را نیز یک لایه ای در نظر میگیرند ولی ممکن است در بعضی موارد لایهای بیش از یک لایه مخفی جواب بهینه داشته باشد. در تحقیق حاضر نیز شبکه سه لایه (یک لایه ورودی، یک لایه مخفی و یک لایه خروجی) مورد استفاده قرار گرفت. از جمله پارامترهایی که برای بهینه سازی شبکه تغییر داده میشود، نرونهای موجود در شبکه میباشد. در این مورد نیز فقط نرونهای لایه مخفی تغییر داده میشود به این دلیل که نرونهای ورودی و خروجی شبکه با متغیرهای موجود در آنها همخوانی میکند، نمیتوان در آن تغییراتی را انجام داد.در این تحقیق شبکه به صورت سه لایه به صورت 9 نرون ورودی، 9 نرون پنهان و 1 نرون خروجی ایجاد گردید.

ج. الگوی یادگیری شبكه با توجه به تعداد و نوع داده ها، الگوی یادگیری به فرمت txt و از طریق command prompt و با استفاده از بسته نرم افزار LTM ران میگردد.

 

د. آموزش و تست شبكه

 هدف از آموزش شبکه برقراری ارتباط بین یکسری از پترنها و کلاس مربوط به آنها و یا ارتباط دادن یکسری از متغیرها با سیگنال اندازه گیری شده آنها میباشد. در آموزش شبکه یک پترن وارد شبکه شده و مقدار Net برای هر نرون محاسبه میشود، سپس این مقدار در تابع انتقال نرون قرارگرفته و خروجی نرون محاسبه میشود.

خروجی هر نرون در هر لایه به عنوان ورودی برای نرونهای موجود در لایه های بعدی محسوب میشود و عملیات ذکرشده در نرونهای پایین دست به همان صورت انجام میگیرد. و در نهایت خروجی لایه آخر که خروجی شبکه میباشد، محاسبه میشود. حال اینخروجی با مقدار مطلوب که همان سیگنال اندازه گیری شده میباشد مقایسه شده و اختلاف این دو به عنوان خطا تلقی میشود این مقدار خطا به لایه های بالادست انتشار 2 داده میشود و براساس آن وزنهای نرونها در لایه های بالادست تصحیح میگردد. عمل تصحیح تا اولین الیه مخفی ادامه مییابد. به این الگوریتم، الگوریتم انتشار معکوس خطا گویند. آموزش شبکه میتواند به دو صورت با ناظر و بدون ناظر انجام شود. در آموزش با ناظر مقادیر مطلوب یا کلاسهای پترنها موجود میباشند اما در آموزش بدون ناظر شبکه باید خود کلاس بندی را انجام دهد. شبکه SOM جزء شبکه های بدون ناظر میباشد. اما شبکه های یادگیری تدریجی بردار LVQ، MLP ، شبکه عصبی با تأخیر زمانی (TDNN) و RBF جزء شبکه هایی هستند که آموزش آنها به صورت با ناظر میگیرد . 

برای آموزش شبکه از الگوریتم یادگیری BP استفاده شده است BP برپایه و اساس توپولوژی شبکه MLP، که یک شبکه آموزش با معلم میباشد، به وجود آمده است. اصل و مبنای BP بر پایه الگوریتم شیب گرادیانت میباشد. BP یک نوع از روش نزول گرادیان را مورد استفاده قرار میدهد، که درصدد است، شیب خطا را به کمترین حد ممکن برساند. ضریب مومنتوم میتواند در انتخاب نرخ یادگیری کمک شایانی بکند. وظیفه شرط مومنتوم هموارکردن زمینه برای تغییرات وزن میباشد، که میتواند یادگیری شبکه را از نوسانات محافظت کند. اضافه کردن ثابت مومنتوم، به الگوریتم BP، برای رسیدن به سازگاری سریع، کمک میکند، که شامل افزودن، خصیصه کاهنده به صورت خودکار برای الگوریتم میباشد. به هرحال، یکی از نیازها برای تغییرات جزئی الگوریتم، افزودن شرط جدید است که متناسب با سازگاری روندهای قبلی عمل میکند. 

نقشه اولیه و در واقع نقشه تغییرات واقعی در مرحله آموزش در طی مقاطع زمانی طرح  ایجاد میگردد. پس از یادگیری شبکه و تهیه نقشه واقعی تغییرات و محاسبه تعداد سلولهای تغییریافته، تست شبکه با توجه به نقشه های ورودی در مرحله قبل مورد سنجش قررا میگیرد.

ه. شبیه سازی تغییرات توسعه در این بخش با استفاده از الگوهای یادگیری و تست شبکه، توسعه شهری شبیه سازی میگردد و نتایج به دست آمده در این بخش برای ارزیابی مدل از فرمت Ascii به grid تبدیل میگردد.

و. پیشبینی نقشه توسعه شهری برای پیشبینی نیاز به ران کردن دوباره الگوی با فایل جدید با لایه های موجود و مؤثر در توسعه شهری میباشد. پس از ایجاد الگوی مجدد و محاسبه میزان تغییرات مورد نیاز برای پیشبینی آتی، فایل اجرایی جهت پیش بینی اجرا میگردد.