زمینه و هدف: امروزه مکان یابی کاربری های شهری با استفاده از GIS در برنامه ریزی شهری از اهمیت زیادی برخوردار است. کاربری های تجاری یکی از کاربری های مهم شهری است که سایر فعالیت های مهم شهری را نیز تحت تأثیر قرار می دهد. شایان ذکر است که انسان به صورت فعالانه با فضا برخورد می کند و همواره با آن در داد و ستد اطلاعات است. فرد با قرارگیری در یک مکان مناسب از منظر محیط زیستی و دریافت اطلاعات توسط حواس خود قادر خواهد بود که به محیط پاسخ فعال داده و توجه خود را به آن محیط معطوف کند. با توجه به این موارد دوری از بیمارستان، راه آهن و پمپ بنزین و نزدیکی به مکان های طبیعی مانند پارک، مولفه های ذهنی سیما و منظر از جمله صمیمیت، اصالت و سرزندگی را تحت تاثیر قرار داده و در دعوت کنندگی افراد تاثیرگذار خواهد بود. روش بررسی: در این راستا معیارهای مناسب با مطالعه اسنادی تدوین و با استفاده از مدل AHP ارزش هر یک از معیار ها نسبت به دیگر معیار ها مشخص گردید و به هر یک از معیارهای مربوطه وزن هایی اختصاص یافت. در نهایت وزن های حاصله در لایه های معیارها ضرب گردید و با استفاده از ترکیبات فازی، لایه ها ترکیب شدند. یافته ها: تلفیق داده ها نشان داد که ناحیه 2 با وضعیت مطلوب تر نسبت به ناحیه 1 و این ناحیه نیز با وضعیت بهتر نسبت به ناحیه 3 از اهمیت متفاوتی برخوردارند که در آخر بهترین محل های ایجاد مرکز تجاری در هر 3 ناحیه مشخص گردید. بحث و نتیجه گیری: منطقه 17 تهران با بیش از 358 هزار نفر جمعیت دارای 3 ناحیه شهرداری می باشد که نبود دسترسی مناسب موجب افزایش هزینه های دسترسی به خدمات شهری شده است. بدین منظور تحقیق حاضر با تبیین شاخص های مناسب و با بهره گیری از سیستم های اطلاعات جغرافیایی به مکان یابی مناطق تجاری در منطقه 17 پرداخته و مکان های مناسب در هر یک از نواحی شهرداری برای استقرار کاربری مذکور انتخاب شده اند.

0

زمینه و هدف: اطلاع از نحوه توزیع پارامترهای کیفی و کمی از مهم ترین پارامترهای اولیه مدیریت جامع منابع آب زیرزمینی می باشد. بنابراین در این تحقیق سعی گردید، مدل و ترکیب ورودی مناسب جهت تخمین پارامترهای کیفی هدایت الکتریکی (EC)، یون کلسیم (Ca) و یون سدیم (Na) آب خوان های دشت گیلان تعیین گردد. روش بررسی: در این تحقیق از داده های 132 چاهک مشاهداتی در دوره آماری 1381 تا 1393 و مدل های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) استفاده گردیده است. در رویکرد اول، تخمین ها به ازای پنج ترکیب مختلف حاصل از پارامترهای تراز آب، فاصله از دریا، مجموع بارش های شش ماه و مختصات چاهک های مشاهداتی انجام گرفته است. در رویکرد دوم، تخمین ها براساس ترکیب پارامترهای کیفی منتخب آزمون گاما با ترکیب های ورودی برتر بخش اول صورت گرفته است. یافته ها: مقایسه نتایج بخش اول نشان داد که مدل SVM در تخمین هر یک از پارامترهای Ca، Na و EC عملکرد بهتری نسبت به مدل ANN داشته است. مقادیر خطای ماشین بردار پشتیبان برای تخمین متغیرهای Ca، Na و EC در دوره تست به ترتیب برابر با (meq/l) 218/1، (meq/l) 867/0 و (µ mos/cm) 742/175 بوده است و این مقادیر برای مدل شبکه عصبی مصنوعی به ترتیب برابر با (meq/l) 268/1، (meq/l) 933/0 و (µ mos/cm) 448/186 می باشد. نتایج این بخش نشان داد اضافه شدن ورودی فاصله از دریا در کلیه موارد باعث بهبود نتایج مدل ها گردیده است. در بخش دوم با استفاده از آزمون گاما از بین نه پارامتر کیفی اندازه گیری شده، بهترین ترکیب پارامترهای کیفی برای تخمین هر یک سه پارامتر Ca، Na و EC تعیین گردید. نتایج تخمین ها در بخش دوم نشان داد که هر یک از دو مدل ANN و SVM عملکرد بسیار مناسبی در تخمین هر سه پارامتر کیفی داشته اند. مقدار خطای مدل ANN برای متغیرهای Ca، Na و EC در دوره صحت سنجی به ترتیب برابر با (meq/l) 662/0، (meq/l) 305/0 و (µ mos/cm) 346/47 بوده است و این مقادیر برای مدل SVM به ترتیب برابر با (meq/l) 671/0، (meq/l) 356/0 و (µ mos/cm) 412/55 می باشد. البته در این بخش نتایج مدل ANN نسبت به مدل SVM بهتر بوده است. بحث و نتیجه گیری: نتایج نشان داد که هر یک از دو مدل SVM و ANN توانایی بسیار زیادی در تخمین پارامترهای کیفی آب خوان ها دارند. همچنین عملکرد مدل SVM نسبت به مدل ANN، به ازای تعداد ورودی کمتر بهتر است و در تعداد ورودی بیشتر برعکس می باشد. نتایج بخش دوم نشان داد که آزمون گاما می تواند به صورت کاملا کابردی و دقیق در تعیین ترکیب-های ورودی موثر مورد استفاده قرار گیرد.