التوزيع المكاني للأنارة الليلية وأثره في تفسير التحولات الحضرية في العراق  (1992 – 2020) باستخدام الــــ Google Colab Ai)

المؤلفون

  • أ.د وسن شهاب أحمد University of Kerbala image/svg+xml ، قسم الجغرافيا التطبيقية /كلية التربية للعلوم الإنسانية/ جامعة كربلاء مؤلف
  • أ.د رياض كاظم الجميلي قسم الجغرافيا التطبيقية /كلية التربية للعلوم الإنسانية/ جامعة كربلاء مؤلف
  • أ.م.د أسراء طالب جاسم قسم الجغرافيا التطبيقية /كلية التربية للعلوم الإنسانية/ جامعة كربلاء مؤلف
  • م.د فاطمة هادي صالح قسم الجغرافيا التطبيقية /كلية التربية للعلوم الإنسانية/ جامعة كربلاء مؤلف
  • أ.د أسراء هيثم أحمد قسم الجغرافيا/ كلية التربية للعلوم الإنسانية/جامعة ديالى ، قسم الجغرافيا/ كلية التربية للعلوم الإنسانية/جامعة ديالى مؤلف

DOI:

https://doi.org/10.31185/wjfh.Vol22.Iss3/Pt1.2029

الكلمات المفتاحية:

الإنارة الليلية؛ التوسع الحضري؛ الاستشعار عن بُعد؛ Google Colab؛ التنبؤ المكاني؛ العراق

الملخص

يعد التوسع الحضري من الظواهر الجغرافية المهمة التي تعكس طبيعة التحولات الاقتصادية والاجتماعية والبيئية التي تشهدها المدن. وتُعد بيانات الإنارة الليلية المستمدة من الأقمار الصناعية من الأدوات الفعالة في دراسة هذه التحولات، لما توفره من مؤشرات غير مباشرة عن كثافة النشاط البشري، والتوزيع السكاني، والنمو العمراني. يهدف هذا البحث إلى تحليل التوزيع المكاني للإنارة الليلية في العراق، وبيان دوره في تفسير التحولات الحضرية خلال المدة 1992–2020، مع توظيف بيئة Google Colab  في معالجة البيانات وتطبيق مؤشرات التنبؤ المكاني. اعتمد البحث المنهج التحليلي–التطبيقي، إذ جرى إدخال البيانات التاريخية ومعالجتها باستخدام مكتبات Python الإحصائية، ولا سيما مكتبة Scikit-learn، لحساب مؤشرات الخطأ مثل متوسط مربع الخطأ MSE والجذر التربيعي لمتوسط مربع الخطأ RMSE، فضلاً عن اختبار دقة النموذج التنبؤي. أظهرت النتائج أن بيانات الإنارة الليلية تكشف بوضوح عن تراجع المساحات غير المضاءة وتوسع مظاهر النشاط الريفي والحضري في العراق. كما بيّنت أن بيئة الحوسبة السحابية تسهم في تسريع المعالجة، وتحسين قابلية إعادة الإنتاج العلمي، ودعم التنبؤ المكاني حتى عام 2030، شريطة توفر بيانات مستقرة ومعايرة النموذج بصورة دورية.

التنزيلات

تنزيل البيانات ليس متاحًا بعد.

المراجع

1. Cauwels, P., Pestalozzi, N., & Sornette, D. (2014). Dynamics and spatial distribution of global nighttime lights. EPJ Data Science, 3, Article 2. https://doi.org/10.1140/epjds19

2. Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/

3. Li, S., Li, X., & Zhang, M. (2022). Spatial-temporal pattern evolution of Xi’an Metropolitan Area using DMSP/OLS and NPP/VIIRS nighttime light data. Sustainability, 14(15), Article 9747. https://doi.org/10.3390/su14159747

4. Li, X., Li, D., & Wu, H. (2019). Night-light remote sensing: Data, processing and applications. In A. Rajabifard (Ed.), Sustainable development goals connectivity dilemma: Land and geospatial information for urban and rural resilience (pp. 267–280). CRC Press. https://doi.org/10.1201/9780429290626-17

5. Li, X., Zhou, Y., Zhao, M., & Zhao, X. (2020). A harmonized global nighttime light dataset 1992–2018. Scientific Data, 7, Article 168. https://doi.org/10.1038/s41597-020-0510-y

6. Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to time series analysis and forecasting (2nd ed.). John Wiley & Sons.

7. National Remote Sensing Centre. (2022). Decadal change of night time light (NTL) over India from space (2012–2021). Indian Space Research Organisation, Department of Space, Government of India. https://bhuvan-app1.nrsc.gov.in/2dresources/NTL_Atlas.pdf

8. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830. https://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf

9. Wang, Q., Xin, Z., & Niu, F. (2022). Analysis of the spatio-temporal patterns of shrinking cities in China: Evidence from nighttime light. Land, 11(6), Article 871. https://doi.org/10.3390/land11060871

10. Xu, T., Ma, T., Zhou, C., & Zhou, Y. (2014). Characterizing spatio-temporal dynamics of urbanization in China using time series of DMSP/OLS night light data. Remote Sensing, 6(8), 7708–7731. https://doi.org/10.3390/rs6087708

11. Zheng, Q., Seto, K. C., Zhou, Y., You, S., & Weng, Q. (2023). Nighttime light remote sensing for urban applications: Progress, challenges, and prospects. ISPRS Journal of Photogrammetry and Remote Sensing, 202, 125–141. https://doi.org/10.1016/j.isprsjprs.2023.05.028

12. العبيد، سعد صالح خضر. (2025). الإملاء في النسيج الحضري للتصميم الأساس لمدينة قره قوش. مجلة واسط للعلوم الإنسانية،21(4)، 417-432.

https://doi.org/10.31185/wjfh.Vol21.Iss4.1319

التنزيلات

منشور

2026-08-01

إصدار

القسم

التاريخ والجغرافية

كيفية الاقتباس

أحمد وسن شهاب, الجميلي رياض كاظم, جاسم أسراء طالب, صالح فاطمة هادي, & أحمد أسراء هيثم. (2026). التوزيع المكاني للأنارة الليلية وأثره في تفسير التحولات الحضرية في العراق  (1992 – 2020) باستخدام الــــ Google Colab Ai). مجلة واسط للعلوم الانسانية, 22(3/Pt1), 488-470. https://doi.org/10.31185/wjfh.Vol22.Iss3/Pt1.2029