سبد خرید
0

هیچ محصولی در سبد خرید نیست.

مکانیابی کاربری اراضی بر مبنای تصمیم گیری چند معیاره و انواع مدل های مکان یابی

مکانیابی کاربری اراضی بر مبنای تصمیم گیری چند معیاره

تصمیم گیری چند معیاره: علم تصمیم گیری یکی از زمینه هایی است که به سرعت در حال رشد می باشد. یکی از شاخه های مهم علم تصمیم گیری، تصمیم گیری چند معیاره است(E.Triantaphyllou, 2000). تصمیم گیری فرآیند انتخاب بهترین گزینه از میان گزینه های موجود می باشد و تصمیم گیری چند معیاره، انتخاب گزینه برتر با در نظر داشتن چندین معیار است (عبدوس و مزینی،1386). روش تصمیم گیری چند معیاره شامل یک سری از تکنیک ها( از جمله جمع وزن ها یا تحلیل های همگرایی) است که اجازه می دهد طیفی از معیارهای وابسته به مبحث، امتیازدهی و وزن دهی شده و سپس به وسیله کارشناسان و گروه های ذینفع رتبه بندی شوند. تصمیم گیری چندمعیاره بر فرآیند تشخیص ارزش به گزینه هایی که به وسیله چند معیار ارزیابی شده اند، دلالت دارد (حبیبی و کوهساری، 1386). آنالیز تصمیم گیری چندمعیاره مجموعه ای از روش های تحلیلی است که به تصمیم گیرندگان در حل مسائل پیچیده و دارای ساختار ضعیف یا ناقص کمک می کنند و از دانش تصمیم گیرندگان و معیارهای موثر در حل این مسائل استفاده می کنند (مالزسکی، 1999). منظور از مسائل با ساختار ضعیف یا ناقص مسائلی هستندکه چون تمام جوانب آن ها قابل اندازه گیری نیست، به خوبی تعریف نشده اند.

1-6-2 – انواع مدل های تصمیم گیری چند معیاره

از انواع مدل های تصمیم گیری و تلفیق اطلاعات و تکنیک هایی که می تواند در مکان یابی مناسب اراضی جهت تجهیزات شهری مورد استفاده قرار بگیرد می توان به موارد زیر اشاره نمود:

منطق بولین یا منطق صفر و یک[1]: این منطق برگرفته از نام ریاضیدان انگلیسی (جورج بولی) بوده که در سال 1947 به وسیله وارنز[2] مورد استفاده قرار گرفت و در سال 1989 به وسیله روبینو[3] توسعه داده شد (شکوهی، 1383). این منطق، اساسا نگرشی دو ارزشی به قضایا دارد: بود یا نبود، هست یا نیست، درست یا غلط. در منطق بولین نمی توان حالتی را تصور کرد که چیزي هم باشد و هم نباشد، هم درست باشد و هم غلط باشد . حالت بینابینی وجود ندارد . چنین تقسیم بندي دو ارزشی مسلما نیازمند تعریف مرزهاي مشخصی است که بتوان بر اساس آن مصادیق را مرزبندي کرد. مدل منطقی بولین ساده ترین روش ترکیب لایه ها در GIS است. ترکیب لایه ها در این روش بر مبناي منطق صفر و یک ( باینري) بوده و خروجی نهایی مدل یک نقشه با دو کلاس کاملا مناسب (کلاس یک ) و کاملا نامناسب (کلاس صفر ) می باشد. این مدل انعطاف پذیري پایینی داشته و برخوردي توأم با قطعیت است. پس از تشکیل لایه ها بر اساس بولین، لایه هاي حاصله با استفاده از عملگر AND( به صورت ضرب لایه ها در لایه هاي رستري[4] و در لایه هاي وکتوري) با یکدیگر ترکیب می شوند(متکان، 1388).

منطق احتمالات: که در آن با استفاده از مدل های ضریب تطبیق، شاخص کاپا، انتروپی، شاخص موران، کرامر و…لایه های مختلف اطلاعاتی با هم تلفیق شده و به صورت دو یا چند لایه تحلیل می شود.

منطق همبستگی: که بر اساس آنالیز دو لایه، میسزان همبستگی متغیرهای مورد نظر مشخص شده و وزن دهی به لایه ها بر مبنای بالاترین ضریب همبستگی خواهد بود (علیمحمدی،1381).

منطق فازی یا منطق تار و نامعین: این نظریه قادر است بسیاری از مفاهیم و متغیرها و سیستم هایی را که نادقیق و مبهم هستند صورت بندی ریاضی بخشیده و زمینه را برای استدلال، کنترل و تصمیم گیری در شرایط عدم اطمینان فراهم آورد (نظریعدلی،1385).

فرآیند تحلیل سلسله مراتب:یکی از کارآمدترین تکنیک های تصمیم گیری است که اولین با توسط توماس ال ساعتی در سال 1980 مطرح شد.این تکنیک بر اساس مقایسه ی زوجی بنا نهاده شده و امکان بررسی سناریوهای مختلف را به مدیران می دهد.

شبکه های عصبی مصنوعی: نوعی مدلسازی مغز انسان است که با استفاده از مدل های ریاضی آنرا شبیه سازی می کنند. کاربرد این مدل در تلفیق لایه ها و متغیرها هنوز در ابتدای راه می باشد.

2-6-2 – مدل منطق فازی:

منطق فازي طیف وسیعی از تئوري ها و تکنیک ها را شامل می شود که اساساً بر پایه 4 مفهوم بنا شده است: مجموعه هاي فازي، متغیرهاي کلامی، توزیع احتمال (تابع عضویت) و قوانین اگر- آنگاه فازي. مجموعه فازي مجموعه اي است که عناصرش با درجه عضویت (μ) به آن مجموعه تعلق دارند. در موقعیتی که اطلاعات مورد نیاز، کمی باشند به صورت عددي بیان می شوند اما زمانی که تحقیق در فضاي کیفی انجام شده و دانش آن داراي ابهام و سربستگی باشد، اطلاعات نمی توانند به صورت اعداد دقیق بیان شوند (ین، 1999).

مفهوم منطق فازی اولین بار توسط دکتر لطفی زاده استاد دانشگاه کالیفرنیا در برکلی، درسال 1965 ارائه گردید. منطق فازی یک منطق چند مقداری است، یعنی پارامترها و متغیرهای آن، علاوه بر اختیار اعداد 0 یا 1، می توانند تمامی مقادیر بین این دو عدد را نیز اختیار کنند. تعلق هر عضو مجموعه مرجع به یک عضو زیر مجموعه خاص، به صورت قطعی نیست. یعنی با قاطعیت نمی توان گفت که عضو مورد نظر متعلق به این مجموعه هست یا نه. این عدم قطعیت با نسبت دادن یک عدد بین 0 و 1 به این عضو انجام می گیرد. اگر این عدد برابر صفر باشد می توان با قطعیت گفت که عضو مورد بحث متعلق به آن مجموعه نبوده و همچنین اگر این عدد 1 باشد می توان ادعا کرد که عضو مورد بحث متعلق به آن مجموعه است. به این ترتیب می توان زیر مجموعه های یک مجموعه فازی را با نسبت دادن عددهای 0 و 1 به هر عضو مجموعه بازنمایی کرد. برای مثال مجموعه زیر را در نظر بگیرید:

در این صورت مجموعه B یکی از زیر مجموعه های A می باشد. به جای نمایش فوق می توان به هر یک از 5 عضو مجموعه A یک عدد نسبت داد. بس B به صورت زیر قابل نمایش است.

اگر یک زیر مجموعه فازی از A به صورت زیر باشد:

معنی ضرایب فوق این است که عضو اول مجموعه A در C وجود نداشته ولی عضو چهارم آن در C وجود دارد. عضو دوم A با ضریب تعلق 0،1 در مجموعه C وجود دارد که می توان گفت عضو دومA تقریباً عضو C نیست. عضو سوم A با ضریب تعلق 0.9 متعلق به مجموعه C است و می توان گفت که تقریباً عضو C است. در باره عضو پنجم نظر قاطعی نمی توان داد زیرا تعلق و عدم تعلق این عضو به مجموعه C یکسان است (بیاتانی، 1386).

یکی از اساسی ترین مباحث در تئوری فازی بحث تابع عضویت و چگونگی تعریف آن است. اساس اختلاف روش های فازی با روش های دیگر، در تعریف تابع عضویت است. در تعریف تابع عضویت می توان گفت که درجه تعلق عناصر مجموعه مرجع به زیر مجموعه ها آن است و به صورت c(X)µ نمایش داده می شود. برای به دست آوردن تابع عضویت هیچ الگوریتم مشخصی وجود ندارد بلکه تجربه، نوآوری و حتی اعمال نظر شخصی در شکل گیری و تعریف تابع عضویت می تواند موثر باشد. به عنوان مثال درجه عضویت یک نقطه از نقشه به خوشه ای از نقاط، بستگی به تعریف تابع دارد. ممکن است شخصی تابع عضویت را به صورت عکس فاصله آن نقطه تا مرکز خوشه مورد نظر تعریف کند، در حالی که کارشناس دیگر ممکن است این تابع عضویت را به صورت قدر مطلق اختلاف عیار در نقطه مورد نظر یا میانگین عیار خوشه تعریف کند. بدیهی است چنان چه تابع عضویت سازگار و مطابق با واقعیت های حاکم بر سیستم تحت بررسی تعریف نشود و عوامل اصلی موثر را نادیده بگیرد مدل حاصل از آن فاقد توانایی های لازم برای انعکاس همه واقعیت ها خواهد بود. بنابراین دستیابی به یک تابع عضویت جامع در سر لوحه بررسی فازی است (حسنی پاک و شرق، 1384). تفاوت اصلي بين مجموعه فازي و کلاسيک در تابع عضويت آنها مي‌باشد. مجموعه کلاسيک تنها يک تابع عضويت دارد در حالي که مجموعه فازي تعداد نامحدود تابع عضويت به آن مي‌توان نسبت داد.

اپراتور های مدل منطق فازی: اپراتور های مدل منطق فازی مشتمل بر موارد زیر هستند:

الف)عملگر اجتماع فازی[5]

ب)عملگر اشتراک فازی[6]

ج)عملگر ضرب جبری فازی[7]

د)عملگر جمع جبری فازی[8]

ی) عملگر گاما فازی[9]

عملگر اجتماع فازی: این عملگر اجتماع مجموعه هاست. به این صورت که حداکثر درجه ی عضویت را استخراج می کند و از دقت بالایی در تعیین مکان یابی برخوردار نمی باشد. این عملگر به صورت زیر تعریف می شود:

عملگر اشتراک فازی: این عملگر اشتراک مجموعه ها است. به اینصورت که حداقل درجه ی عضویت را استخراج می کند یعنی در بین کلیه لایه های اطلاعاتی حداقل ارزش (وزن) هر پیکسل را استخراج کرده و در نقشه نهایی منظور می کند.این عملگر به صورت زیر تعریف می شود:

-عملگر ضرب جبری فازی: در این اپراتور تمامی لایه های اطلاعاتی در هم ضرب می شوند. به دلیل ماهیت اعداد بین صفر و یک که همان درجه عضویت اعضا در مجموعه فازی می باشد این اپراتور باعث می شود تا در نقشه خروجی اعداد کوچکتر شده و به سمت صفر میل کنند.در نتیجه تعداد پیکسل کمتری در کلاس خیلی خوب قرار می گیرد. به همین دلیل این اپراتور از حساسیت بالایی در مکان یابی برخوردار است (سلطانی،1380). این عملگر به صورت رابطه ی زیر تعریف می شود:

عملگر جمع جبر فازی: این اپراتور مکمل حاصلضرب جبری است. به همین دلیل در نقشه خروجی برخلاف اپراتور ضرب جبری فازی ارزش پیکسل ها به سمت یک میل می کند. در نتیجه تعداد پیکسل بیشتری در کلاس خیلی خوب قرار می گیرد. به همین دلیل این اپراتور حساسیت خیلی کمتری در مکان یابی دارد. این عملگر به صورت زیر تعریف می شود:

 

– عملگر گاما فازی: این عملیات بر حسب حاصل ضرب جبر فازی و حاصل جمع جبری فازی به صورت زیر تعریف می شود:

که در آن y بارامتر انتخاب شده در محدوده (0و1) است. وقتی y برابر 1 باشد ترکیب همان جمع جبری فازی خواهد بود و وقتی y=0 باشد ترکیب اصلی برابر با حاصلضرب جبری فازی است (بیاتانی، 1378) . انتخاب صحیح و آگاهانه y بین صفر و یک مقادیری را در خروجی به وجود می آورد که نشان دهنده سازگاری قابل انعطاف میان گرایشات کاهشی و افزایشی دو عملگر جمع و ضرب فازی می باشند. این عملگر زمانی استفاده می شود که اثر برخی شواهد کاهشی و اثر برخی افزایشی باشد (امیری، 1386)

ترکیب لایه ها با استفاده از منطق فازي

ترکیب خطی وزنی[10]: در فازي ضمن در نظر گرفتن تغییرات درونی هر معیار، نحوه تغییرات درونی نیز قابل تنظیم است. در این روش نه تنها تغییر پذیري در فاکتورهاي پیوسته حفظ می شود، بلکه توازن بین فاکتورها را نیز حفظ می شود. اساس این روش بر مبناي مفهوم میانگین وزنی می باشد (استمان، 1993). تفاوت بین این روش با روش وزن دهی چند گانه در این است که روش WLC بر اساس داده هاي فازي عمل می کند. از ویژگی مهم این روش برقراري توازن کامل بین فاکتورها است. بدین معنی که جواب هاي حاصل از این روش مابین عملگرهاي AND و OR است که نشانگر آن است که نتایج حاصل نه فاقد ریسک است نه کاملاً داراي ریسک. روش ترکیب خطی وزنی داراي معایبی است که مهمترین آن مناطق زیادي است که با استفاده از آن مکان یابی می شوند که این مشکل به دلیل تعداد زیاد معیارها و مقدار وزن هاي معین شده می باشد. بدین صورت که اگر معیاري نسبت به سایر معیارها از اهمیت بیشتري برخوردار باشد، به دلیل تعداد زیاد معیارها، وزن نسبی این معیار کمتر خواهد شد که این مشکل با اضافه کردن وزن هاي درجه اي رفع می شود.

  1. – Boolean Logic
  2. – Warenz
  3. – Robino
  4. – Intersect
  5. – Fuzzy OR
  6. – Fuzzy AND
  7. – Fuzzy Algebraic Product
  8. – Fuzzy Algebraic Sum
  9. – Fuzzy Gamma
  10. – WLC

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.

توسط
تومان

تماس با ما

شماره تماس

برگشت به منوی تماس ها

اتصال به واتساپ

برگشت به منوی تماس ها

اتصال به تلگرام

برگشت به منوی تماس ها

برگشت به منوی تماس ها

برگشت به منوی تماس ها

برگشت به منوی تماس ها