Akademik Veri Yönetim Sistemi
IX. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu (UZAL-CBS 2024), Aksaray, Türkiye, 17 - 19 Ekim 2024
Raster Hücresel Otomat (R-HO) tabanlı modeller, hesaplama yeteneği ve raster yapıda verilerle uyumluluğu nedeniyle araştırmalarda sıklıkla tercih edilmiştir. Ancak, literatürdeki son çalışmalar raster veri yapısıyla oluşturulan modellerin hücre büyüklüklerine (mekansal çözünürlük) ve komşuluk yapısına duyarlı olduklarını göstermektedir. Bu modellerin dezavantajı, hücrelerin mekansal varlıklarla uyumsuzluğu ve tüm hücrelere aynı komşuluk özelliğinin uygulanmasıdır. Bu kısıtlılıkları aşmak için raster veri yapısı yerine vektör veri yapısı kullanarak, planlama birimi olan parsel seviyesinde daha hassas ve doğru kentsel büyüme simülasyon modelleri oluşturulabilir. Bu çalışmada, geleneksel hücresel otomat yöntemini vektör veri yapısı ile bütünleştirerek hücresel işlerliğin sağlanması amaçlanmıştır. Komşuluk ilişkilerinden yararlanılarak üretilen dönüşüm kurallarının Rastgele Orman algoritması ile belirlenmesi hedeflenmiştir. Bu sayede yüksek çözünürlüklü, daha doğru ve ayrıntılı simülasyonlar oluşturmak için vektör veri yapısının esnekliğinden yararlanan bir Vektör Hücresel Otomat (V-HO) temelli simülasyon modeli önererek R-HO sınırlamalarına çözüm üretilmiştir.
Modeli test etmek için kontrolsüz kentsel büyümenin orman ve tarım arazilerine tehdit oluşturduğu İstanbul metropolitanı çalışma alanı olarak seçilmiştir. Geleneksel HO kavramının beş temel bileşeni vardır. Bunlar; grid/ızgara ağı, durum, komşuluk, zaman ve dönüşüm kurallarıdır. Çalışmada HO’nun temel bileşenleri vektör veri yapısı ile işlerlik sağlayacak şekilde düzenlenmiştir. Hazırlanan çalışmada 1990, 2000, 2006, 2012 ve 2018 yıllarına ait vektör veri yapısına sahip CORINE Arazi Örtüsü/Kullanımı verisi kullanılmıştır. Ulaşım verileri açık kaynak web servis Open Street Map’ten güncel olarak elde edilmiştir. Uygunluk veri grubu için gereken eğim verisi, SRTM sayısal yükseklik modeli verisinden elde edilmiştir. Modelin kalibrasyon aşamasında geleneksel makine öğrenmesi yöntemlerinden Rastgele Orman algoritması kullanılmıştır.
Geliştirilen V-HO temelli model, İstanbul çalışma alanında test edilmiş ve 2040 yılına ait kentsel büyüme simülasyon modeli üretilmiştir. Modelin kalibrasyon sonuçları metriklerle ölçülmüş ve 0,82 değerinde F1 skor ve 0.85 AUC değerleri elde edilmiştir. Buna göre İstanbul’da %82 doğrulukla kalibrasyon aşaması tamamlanmıştır. Metrikler modelin iyi bir performans gösterdiği ifade etmektedir. Çalışma alanı için 2018-2040 yılları arasında değişim analizi gerçekleştirilmiştir. Değişim analizi sonuçlarına göre İstanbul’da orman alanlarının %4,6, tarım alanlarının %7,1’i ve sulak arazilerin %0,10’inin kentsel büyüme tehdidi altında olduğu belirlenmiştir.
Bu çalışmada HO bileşenleri esnetilmiş ve mekansal varlıkları daha doğru temsil edebilecek vektör yapısına dönüştürülmüştür. Çalışma, yapısal olarak kentsel büyüme simülasyon modellerinin vektör hücresel otomat yöntemiyle daha doğru üretilebileceğini göstermektedir ve oluşturulan V-HO yönteminin yerel dinamik komşuluklar oluşturma kapasitesi başarı ile test edilmiştir. Elde edilen bulgular V-HO temelli kentsel büyüme simülasyon modellerinin gelecekteki Arazi Örtüsü/Kullanımı değişikliklerini parsel ölçeğinde ve yüksek doğrulukla kestirilebileceğini göstermektedir.
Raster Cellular Automata (R-CA) based models have been frequently preferred in research because of their computational capability and compatibility with raster data. However, recent studies in the literature show that models built with a raster data structure are susceptible to cell size (spatial resolution) and neighborhood structure. The disadvantage of these models is the incompatibility of cells with geospatial entities and the uniform neighborhood property applied to all cells. To overcome these limitations, more precise and accurate urban growth simulation models can be created at the parcel scale, which is the planning unit, by using a vector data structure instead of a raster data structure. This study aims to provide cellular operability by integrating the conventional cellular automata method with a vector data structure. This study aim to determine the transformation rules produced by using neighborhood relations via the Random Forest algorithm. In this way, a solution to the limitations of R-CA is provided by proposing a Vector Cellular Automata (V-CA) based simulation model that utilizes the flexibility of the vector data structure to create high-resolution, more accurate, and detailed simulations.
To test the model, the metropolitan area of Istanbul, where uncontrolled urban growth poses a threat to forest and agricultural lands, was chosen as the study area. The conventional CA concept has five basic components: grid/grid network, state, neighborhood, time, and transformation rules. In this study, the basic components of CA are organized to be functional with a vector data structure. CORINE Land Cover/Use data with a vector data structure for the years 1990, 2000, 2006, 2012, and 2018 were used in the study. Transportation data were obtained from the open-source web service OpenStreetMap. The slope data required for the suitability dataset were obtained from the SRTM digital elevation model data. The Random Forest algorithm, one of the traditional machine learning methods, was used in the calibration phase of the model.
The developed V-CA based model was tested in the Istanbul study area, and an urban growth simulation model for 2040 was produced. The calibration results of the model were measured by metrics, resulting in an F1 score of 0.82 and AUC values of 0.85. Accordingly, the calibration phase was completed with 82% accuracy in Istanbul. The metrics indicate that the model performs well. Change analysis was performed for the study area between 2018 and 2040. According to the results of the change analysis, 4.6% of forest areas, 7.1% of agricultural areas, and 0.10% of wetlands in Istanbul are under threat from urban growth.
In this study, CA components are flexed and transformed into a vector structure that can more accurately represent geospatial entities. The study structurally demonstrates that urban growth simulation models can be generated more accurately with the vector cellular automata method, and the capacity of the V-CA method to generate local dynamic neighborhoods has been successfully tested. The findings show that V-CA based urban growth simulation models can predict future Land Cover/Use changes at the parcel scale with high accuracy.