مدل های مفهومی خطا و عدم قطعیت در GIS

1. مقدمه: دانش، خطا و عدم قطعیت در GIS&T
2. انواع خطا و عدم قطعیت در GIS&T
3. عدم قطعیت و خطا در پیش بینی و تصمیم گیری فضایی

 

1. مقدمه: دانش، خطا و عدم قطعیت در GIS&T

اگرچه ارتباط نزدیکی دارند، اما عدم قطعیت و خطا مفاهیم بسیار متفاوتی هستند. یکی از راه‌های اندیشیدن به تفاوت، با استفاده از توالی آشنا است: داده، اطلاعات، دانش، خرد. در آن مقیاس، خطا بیشتر با داده ها و عدم قطعیت با دانش مرتبط است. اطلاعات مرحله میانی است که به موجب آن برخی از دانش های خاص از داده های خاص به دست می آیند، در حالی که مفهوم دانش گسترده تر است و اطلاعات بسیاری از زمینه ها و منابع مختلف را یکپارچه می کند. اما این تمایزها می توانند ظریف باشند، به همین دلیل است که تعداد زیادی از اصطلاحات اضافی نیز برای بیان اشکال تخصصی تر یا دیدگاه های اضافی در مورد خطا و عدم قطعیت استفاده می شود. عباراتی مانند عدم دقت، عدم دقت، مبهم، ابهام، ابهام، سوگیری، اطلاعات نادرست، ناآگاهی،

تمایز دیگری بین عدم قطعیت و خطا ممکن است در امتداد محور عینی – ذهنی ایجاد شود. خطا مفهوم عینی‌تر این دو است. به طور کلی، چیزی درست یا غلط، درست یا نادرست است. اگر شک وجود داشته باشد، خطاهای احتمالی ممکن است در شرایط احتمال و روش های دیگر بیان شود. علاوه بر کاربردهای رایج این اصطلاح، علم داده شامل یک مفهوم آماری تخصصی از خطا به عنوان «تفاوت (ناشناخته) بین مقدار حفظ شده و مقدار واقعی» است که برعکس «دقت» است. عدم قطعیت بیشتر ذهنی و نسبی است و حتی ممکن است قابل سنجش نباشد. عدم قطعیت به دانش، علایق و انگیزه‌های یک فرد و به زمینه‌ای که ممکن است در آن عدم اطمینان ایجاد شود، بستگی دارد. یک کاربر ممکن است یک پایگاه داده خاص را به اندازه کافی خوب در نظر بگیرد، در حالی که برای دیگری خطاها و عدم قطعیت های مربوط به آن ممکن است عملاً آن را بی فایده کند. در مقابل، یک سیستم ناوبری GPS با خطای مکان یابی به همان اندازه روی هر راننده ای که آن را دنبال می کند تأثیر می گذارد.

خطا و عدم قطعیت از اولین روزهای آن در دهه 1970 نگرانی اصلی محققان GIS&T بوده است، ابتدا با تاکید بیشتر بر مدیریت داده های مکانی و کیفیت داده ها و در نتیجه بر خطای داده ها، و بر عدم قطعیت های ناشی از خطای داده ها (گودچایلد و گوپال 1994). همانطور که این رشته به بلوغ رسید و از نظر فناوری و مفهومی گسترش یافت، حوزه های تحقیقاتی جدیدی اضافه شد که جنبه های عدم قطعیت و خطا خود را به همراه داشت. تجسم داده‌ها بسیار فراتر از یک نقشه خوب شد، تاکید روزافزون بر مسائل اجتماعی منجر به معرفی داده‌های کیفی شد، فضای مکانی به مفاهیم تغییر، حرکت و رویداد گسترش یافت. تجزیه و تحلیل داده های تکمیل شده، و علاقه فزاینده اخیر به نقش هوش مصنوعی (AI) در GIS و T نیز با اشکال بدیع خود از عدم قطعیت همراه است. در حال حاضر به سختی منطقه ای در GIS&T وجود دارد که درگیر تحقیق فعال در مورد خطا و عدم قطعیت، یا در کاوش سیستماتیک راه حل های پیشنهادی نباشد.

1.1 نقش زمان در خطا و عدم قطعیت

همچنین یک بعد زمانی مهم برای خطا و عدم قطعیت، مانند دانش وجود دارد. به طور معمول، معتبرترین اطلاعات مربوط به زمان حال و گذشته نسبتاً نزدیک است. اصولاً هر چه در زمان به عقب برگردیم، امنیت دانش ما کمتر است. علاوه بر این، ما نمی توانیم به عقب برگردیم و داده های خود را بررسی کنیم، مگر اینکه آثار فیزیکی کافی یا اسناد قابل اعتماد باقی بماند. دانشمندانی که به مطالعه گذشته می پردازند مانند باستان شناسان، مردم شناسان، مورخان، دیرینه گیاه شناسان، اقلیم شناسان، زمین شناسان و دیگران باید تا حد زیادی به سرنخ های غیرمستقیم یا منابع مکتوب غیر قابل اعتماد تکیه کنند. اگرچه GIS اکنون در تمام این رشته‌هایی که گذشته را مطالعه می‌کنند، استفاده می‌شود، رویکرد آنها به خطا و عدم قطعیت به همان اندازه مبتنی بر گمانه‌زنی‌های کارشناسانه و گمانه‌زنی‌های آگاهانه است («خرد» که بالاتر از «دانش» صرف رتبه‌بندی می‌شود).

در سوی دیگر حال، آینده است. انسان‌ها همیشه بیشتر از گذشته به آینده علاقه داشته‌اند، اگر چه فقط به این دلیل که تهدیدها و پیامدهای اعمال ما در آنجا نهفته است. با این حال، چه بخواهیم آماده شویم یا تصمیم بگیریم، با یک نقص غیرقابل حل روبرو هستیم: ما نمی توانیم هیچ داده ای از آینده داشته باشیم و هرگز نخواهیم داشت. بنابراین، عدم اطمینان در مورد آینده بسیار سریعتر از عدم اطمینان در مورد گذشته افزایش می یابد. از زمان های بسیار قدیم، مردم سعی کرده اند حدس بزنند که چه چیزی باید انتظارش را داشته باشند، در ابتدا با پیشگویی ها، پیشگویی ها و پیشگویی ها، اخیراً با کمک فن آوری ها و روش های بسیار پیچیده. همانطور که در بخش 3 در زیر خواهیم دید، برای سال‌های متمادی GIS&T به جستجوی جامعه برای رویکردهایی کمک می‌کند که ممکن است به کاهش انواع خاصی از عدم قطعیت‌های آینده کمک کند.

شکل 1. در حالی که عدم قطعیت هر چه بیشتر به سمت آینده یا گذشته می رویم افزایش می یابد، هنوز هم می توانیم روی بسیاری از چیزها حساب کنیم که تا حد زیادی مانند امروز هستند. منبع: نویسنده

با این حال، یک عامل وجود دارد که به لطف آن مهم نیست که گذشته، حال یا آینده چقدر ابهام داشته باشد، همه چیز کاملاً غیرقابل پیش بینی نیست. این به این دلیل است که بیشتر تغییرات در جهان تدریجی است و تغییرات ناگهانی نادر است. بنابراین می‌توانیم با اطمینان فرض کنیم که مردم باستان بسیار شبیه ما بودند، اگرچه در شرایط بسیار متفاوتی زندگی می‌کردند، در روزهای یکشنبه تعداد مسافران کمتری در جاده‌ها نسبت به روزهای هفته وجود خواهد داشت، که شهرها تقریباً به شکل کنونی خود به حیات خود ادامه خواهند داد. به توسعه خود ادامه خواهد داد، که در اواخر تابستان تعداد طوفان های بیشتری نسبت به زمان های دیگر سال وجود خواهد داشت و به همین ترتیب بسته به افق زمانی در نظر گرفته شده است. می‌توانیم این نظم‌های مورد انتظار را به‌عنوان «الگوی سر و صدا» در نظر بگیریم، در شکل 1 به‌عنوان خط آبی افقی شکسته نشان داده شده است که ساختاری اساسی به «نویز» شگفت‌انگیز، غیرمنتظره، غیرقابل توضیح و ناشناخته‌ای می‌دهد که با ناحیه زیر خط نقطه قرمز نشان داده شده است. در بخش 3 زیر خواهیم دید که چگونه GIS&T از آن عنصر قابل پیش بینی در واقعیت برای کمک به کاهش خطا و عدم قطعیت در مناطقی که داده های مکانی-زمانی استفاده می شود، استفاده می کند.

 

2. انواع خطا و عدم قطعیت در GIS&T

2.1 خطا

در عصر ما، زمانی که انبوهی از داده‌های خوب بدیهی تلقی می‌شوند، Big Data چیزی بیش از دسترسی به داده‌های زیاد است. این مفهوم شامل جنبه های اضافی است که با مفهوم “5Vs” بیان می شود. اینها مخفف حجم (داده های بیشتر بهتر است)، تنوع (جامع تر، بهتر)، سرعت (به روز رسانی سریع، در حالت ایده آل در زمان واقعی، بهتر است)، صحت (حقیقت، قابلیت اطمینان) و ارزش (برآوردن نیازهای کاربران) هستند. اما موقعیت‌های ایده‌آل به ندرت اتفاق می‌افتد، و ممکن است با هر یک یا حتی چندین V به طور همزمان مشکلاتی وجود داشته باشد: داده‌های پراکنده و پایگاه‌های داده ناقص، دسته‌بندی داده‌های مهم از دست رفته، داده‌هایی که منسوخ شده‌اند، وجود خطا، پایگاه‌های داده موجود که کاملاً مناسب نیستند. برنامه های کاربردی. هر یک از این نقص ها باعث ایجاد عدم قطعیت هایی می شود که اغلب با هم ترکیب می شوند و مشکلات جدی ایجاد می کنند.

مشکلات مربوط به خطاهای داده و عدم قطعیت اخیراً برجسته تر شده است. این به این دلیل است که وجه تضاد فراوانی داده های امروزی این است که عدم اطمینان در مورد هر جنبه ای از کیفیت داده ها در چند دهه گذشته به شدت افزایش یافته است. تا اواخر 20 ^امداده‌های مکانی قرن عمدتاً توسط منابع معتبری مانند USGS، با استفاده از شبکه‌های حسگرهای خودشان و سایر منابع معتبر شناخته شده جمع‌آوری، استاندارد و منتشر شدند. با این حال، از آن زمان به بعد، سیل داده‌ها توسط مشارکت‌کنندگان غیررسمی از محققان با تجربه و سازمان‌های معتبر گرفته تا دانش‌آموزان خردسال در وب منتشر شده است. منابع آنها ممکن است دست دوم باشد، مانند زمانی که از اطلاعات داده کاوی در شبکه های اجتماعی- فضایی از پلتفرم هایی مانند توییتر، ارجاعات رمزگذاری شده جغرافیایی به مکان ها از ویکی پدیا، یا تصاویر مکان ها از فلیکر استفاده می شود. از طرف دیگر، ممکن است داده‌ها مستقیماً توسط افراد یا گروه‌ها با استفاده از تلفن‌های هوشمند مجهز به GPS، پهپادها، دماسنج‌ها، دوربین‌ها یا فقط مهارت‌های مشاهده اولیه، جمع‌آوری و ارائه شود. این جدیدترها، انواع غیررسمی پایگاه‌های اطلاعاتی در اصل می‌توانند بسیار ارزشمند باشند، زیرا به جنبه‌هایی از زندگی انسان و محیطی می‌پردازند که ممکن است به روش‌های دیگر پوشش داده نشود. اما ممکن است مشکلاتی مانند عدم دقت، عدم دقت، اشتباهات ساده، داده های از دست رفته، ابرداده های بد، یا منسوخ یا بسیار کوچک برای کار با آنها باشد. تحقیقات در چندین جبهه برای کاهش یا دور زدن این مشکلات در حال انجام است تا به ارزش گذاری وعده پایگاه های داده غیررسمی کمک کند (Sui et al. 2013, Zuefle et al. 2020).

پرداختن به خطا (عدم “صحت”) حتی در پایگاه های داده معمولی به طور قابل توجهی به دلیل این واقعیت پیچیده است که خطا می تواند از منابع مختلف ناشی شود و می تواند اشکال مختلفی داشته باشد. گوپتیل و موریسون (1995) هفت عنصر کیفیت داده های مکانی را که در معرض خطا هستند و در نتیجه ممکن است منابع اصلی عدم قطعیت نیز باشند متمایز می کنند: نسب، دقت موقعیتی، دقت ویژگی، کامل بودن، ثبات منطقی، دقت معنایی و دقت اطلاعات زمانی. اکثر خطاها در این عناصر می توانند بر هر نوع داده ای تأثیر بگذارند. (بخصوص) دقت و مفهوم مربوط به (عدم) دقت انواع اساسی خطا در علوم هستند. دقت در واقع معکوس خطا است، یعنی به عنوان میزان نزدیک شدن یک مقدار تخمینی به مقدار واقعی تعریف می شود. در حالی که دقت میزان پراکندگی مشاهدات حول یک میانگین است. خطاها در دقت موقعیتی (یا مکانی)، که در کاربردهای جغرافیایی اساسی مانند اندازه‌گیری فاصله، ترسیم مرزهای فیزیکی و سایر عناصر خطی، یا تجزیه و تحلیل مکانی-زمانی حرکت نیز منعکس می‌شوند، به‌طور منحصربه‌فردی حوزه فضایی را مشخص می‌کنند. در نهایت، خطاهای انسانی رایج همیشه در GIS مانند جاهای دیگر امکان پذیر است. اینها ممکن است خطاهای قضاوت، خطاهای ناشی از جهل، بی توجهی، سوء تفاهم، آمادگی یا تلاش ناکافی، استدلال یا هر علت دیگری باشد. به طور منحصر به فرد حوزه فضایی را مشخص می کند. در نهایت، خطاهای انسانی رایج همیشه در GIS مانند جاهای دیگر امکان پذیر است. اینها ممکن است خطاهای قضاوت، خطاهای ناشی از جهل، بی توجهی، سوء تفاهم، آمادگی یا تلاش ناکافی، استدلال یا هر علت دیگری باشد. به طور منحصر به فرد حوزه فضایی را مشخص می کند. در نهایت، خطاهای انسانی رایج همیشه در GIS مانند جاهای دیگر امکان پذیر است. اینها ممکن است خطاهای قضاوت، خطاهای ناشی از جهل، بی توجهی، سوء تفاهم، آمادگی یا تلاش ناکافی، استدلال یا هر علت دیگری باشد.

فراتر از خطاهای مستقیم داده، بسیاری از زمینه‌های کاربردی می‌توانند به مشکلات و عدم قطعیت‌های خطا مانند به دلیل ماهیت خاص فضا به عنوان یک موضوع مطالعه منجر شوند (O’Sullivan and Unwin 2003). داده‌های فضایی به تکنیک‌های تحلیلی متمایز برای مقابله با مفاهیم جغرافیایی اساسی مانند فاصله، جهت، مجاورت، تعامل و همسایگی نیاز دارند. اینها به نوبه خود در ویژگی‌های تحلیلی تثبیت‌شده یا ویژگی‌های فضای جغرافیایی مانند خودهمبستگی فضایی، ناهمگنی فضایی، مسئله واحد منطقه‌ای قابل تغییر (MAUP)، مغالطه اکولوژیکی، مشکل مرز یا لبه، مغالطه اکولوژیکی، و مقیاس منعکس می‌شوند. دو مورد آخر نیز در علوم غیر مکانی یافت می شود). این ویژگی‌های فضا که تحلیل‌های آماری استاندارد را به چالش می‌کشند، مشکلاتی را برای کاربران GIS ایجاد می‌کنند که مراقب یا دانش کافی نیستند.

2.2 ابهام و ابهام

منابع اضافی دانش ناقص مختص فضای جغرافیایی نیستند، اما جلوه های فضایی بسیار خاصی دارند. ابهام اصطلاح کلی برای دسته‌ای از موقعیت‌های رایج است که به موجب آن اشیاء با مرزهای تیز باید بر روی سطوح شناسایی شوند و برای پدیده‌هایی که در واقعیت پیوسته هستند، مرزهای نامشخصی دارند، یا مرزهای در حال تغییر آن‌ها را نمی‌توان دقیقاً تعیین کرد (Bennet 2010). موارد خاص بسیاری از ابهام وجود دارد. سوریت هاپارادوکس اولین بار توسط یونانیان باستان توصیف شد («سوروس» یونانی به معنای «تپه» است) و به شرح زیر است: 1 دانه شن کپه نمی‌سازد، 1+1 دانه کپه نمی‌سازد، 2+1 دانه. یک کپه درست نکنید، 3+1 دانه… یک زیتون +1 دانه، کپه نمی سازد. این مشکل گذار از فردی به جمعی است. “درخت” یا “خانه” یا “جزیره” را جایگزین غلات کنید، و هرگز به “جنگل” یا “محله” یا “مجمع الجزایر” نخواهید رسید. یکی دیگر از موارد مبهم، مشکل فردی استبه موجب آن اشیاء گسسته (“افراد”) با وسعت، شکل و مرز خاص باید از یک پیوستار بیرون کشیده شوند. مثال‌ها عبارتند از یافتن جایی که کوه به پایان می‌رسد و دره شروع می‌شود، جدا کردن دریاچه‌ها از رودخانه‌ای که از میان آن‌ها می‌گذرد، نشان دادن پایان یک اکوسیستم یا ریزاقلیم از ابتدای دیگری، یا لبه شهر از حومه‌ها. بهترین مورد مطالعه شده ابهام احتمالاً مربوط به مرزهای نامشخص یا نامشخص است.(بارو و فرانک 1996). در اینجا دیگر اجسام را بیرون نمی کشیم یا خطوط جداکننده را در امتداد یک پیوستار ترسیم نمی کنیم. ما با اشیاء منفرد قابل تشخیصی سروکار داریم که وسعت، شکل و مرز مشخصی ندارند. اینها ممکن است اجسام ساکن یا پدیده های پیوسته تغییر شکل پذیر مانند طوفان و سیل، آتش سوزی فعال، رودخانه ها و دریاچه ها، مصب ها یا گله های حیوانات در حال مهاجرت باشند.

کلی‌ترین رویکردها برای مدل‌سازی ابهام مبتنی بر منطق فازی و تئوری مجموعه‌های فازی است. برخلاف نظریه مجموعه های کلاسیک که در آن عضویت مجموعه ها باینری است (0 یا 1، چیزی عضو یک مجموعه است یا نیست)، نظریه مجموعه های فازی با درجه کار می کند.عضویت بین 0 و 1 هر دو شامل. منطق فازی امکان دستکاری روابط فازی و در نتیجه اطلاعات نادرست را فراهم می کند. یک مفهوم اصلی تعریف شده است (مثلا “قله کوه”)، و مقدار 1 به بخش هایی از کوه ها اختصاص می یابد که به وضوح به عنوان قله های کوه قابل تشخیص هستند. اما واقعاً اوج از کجا شروع می شود یا به کجا ختم می شود؟ یک نفر باید چقدر از کوه بالا باشد تا بتواند ادعا کند “در قله” قرار دارد؟ «نه کاملاً» در قله ممکن است یک مقدار فازی 0.80 نسبت داده شود، در حالی که «فقط شروع به بالا رفتن از کوه» ممکن است 0.0002 برای «قله» باشد. (فیشر و همکاران 2003). در حالی که برای چشمان آموزش ندیده منطق فازی ممکن است شکل پایین‌تری از آمار به نظر برسد، در واقع یک رویکرد بسیار همه‌کاره برای اطلاعات نامشخص است که می‌تواند به روش‌های مختلف، به ویژه با تحلیل مفهومی رسمی، نظریه مجموعه‌های خشن، گسترش یابد.

Cohn و Gotts (1996) خاطرنشان می کنند که در بسیاری از موارد می توان با تکیه بر روابط توپولوژیکی در مورد اجسام با مرزهای نامشخص بدون استفاده از مجموعه های فازی و منطق فازی استدلال کرد. به عنوان مثال، ما می دانیم که یک کانتور با ارتفاع پایین تر از DEM کوه شامل قله (و همچنین قله) خواهد بود، که جنوب انگلستان (یک منطقه بزرگ) تقریباً به طور قطع شامل لندن (شهری در جنوب انگلستان) خواهد بود. که لندن و پاریس به دلیل اینکه در مناطق غیر مجاور قرار دارند با هم تداخل ندارند یا با هم تماس ندارند و غیره. امکان دیگر، از منظر شناخت فضایی، این است که فقط از مردم بپرسید که فکر می کنند مرز کجاست. این روش سال هاست که برای شناسایی وسعت محله ها و انواع دیگر مناطق استفاده می شود. در مجموعه ای از مقالات پیچیده تر، گائو و همکاران. (2017) از این رویکرد برای یافتن “جایی که کالیفرنیای شمالی به پایان می رسد و کالیفرنیای جنوبی آغاز می شود” استفاده کرده اند، با کار اخیر که نتایج شناختی را با روش های رسمی تر پشتیبانی می کند. یک راه دیگر برای نزدیک شدن به مشکل مرزی نامشخص این است که دقیق تر در مورد اینکه چرا و برای چه کسی آن اطلاعات مورد نیاز است، صحبت کنید. (برای یک کشاورز؟ برای یک توسعه دهنده مسکن؟) کوکللیس (1996) یک طبقه بندی از موارد مرزی نامشخص را بر اساس سه بعد زیر ایجاد می کند: (الف) ماهیت تجربی خود شی (همانطور که توسط مواد اولیه تعیین می شود، زمانی، و خواص توپولوژیکی)؛ (ب) حالت مشاهده (شامل مقیاس، تفکیک فضا-زمان و خطا). و (ج) هدف کاربر. هر یک از اینها گزینه های متعددی را امکان پذیر می کند که ممکن است به صورت جداگانه در ابعاد ترکیب شوند. در مثال مورد استفاده، پس از حذف ترکیبات غیرممکن،

مربوط به ابهام است، اما به عنوان یک مفهوم ساده تر، ابهام است، که همچنین می تواند منجر به خطا شود. ابهام به معانی مربوط می شود که می توان آنها را به چند طریق تفسیر کرد. بنابراین در مورد معناشناسی و زبان نامشخص است. نقشه ای که در آن رنگ های روی افسانه کاملاً با رنگ های استفاده شده برای پدیده نشان داده شده در آن نقشه مطابقت ندارند مبهم است، و به همین ترتیب جستجو برای “فاصله” بین دو مکان زمانی که مشخص نیست فاصله زمانی یا مسافت به مایل است. منظور است.

دسته دیگری از مشکلات شامل خطوط ساحلی نقشه برداری شده و برخی از خطوط دیگر پیش بینی شده بر روی مناظر طبیعی، مانند مرزهای بین کشورها است. اینها خاصیت جالب فراکتال بودن را دارندیعنی طول واقعی ندارند: چون بسیار نامنظم هستند و گوشه‌ها و گوشه‌های زیادی دارند، طول اندازه‌گیری‌شده آنها بستگی به طول «معیاری» دارد که با آن اندازه‌گیری می‌شوند. هر چه میله اندازه گیری طولانی تر باشد، مرز کوتاه تر است. نمونه معروف این پدیده مرز اسپانیا و پرتغال است که ظاهراً برای پرتغالی ها 20 درصد بیشتر از اسپانیایی ها است. برخی ممکن است این اختلاف را به عنوان یک خطای بزرگ داده ها ببینند. همانند ابهام و ابهام، هیچ خطای ذاتی در پدیده‌های فراکتال وجود ندارد، اما این خطاها می‌توانند باعث سردرگمی و عدم قطعیت شوند زیرا ذهنی بودن در اندازه‌گیری آنها وجود دارد. جالب توجه است که پدیده ای شبیه به ویژگی فرکتال خطی که طول آن به وضوح بستگی دارد نیز در بعد 3 ظاهر می شود، جایی که چند مقیاس، نمایش های چند وضوحی یک DEM ممکن است کلاس های مختلفی از ویژگی ها را در مکان های مختلف نشان دهد. منطق فازی می تواند به ارائه پاسخ به عدم قطعیت حاصل کمک کند (فیشر و همکاران 2003).

2.3 عدم قطعیت

«… همانطور که می دانیم، شناخته شده هایی وجود دارد. چیزهایی هست که می دانیم می دانیم ما همچنین می دانیم که مجهولات شناخته شده ای وجود دارد. یعنی می دانیم چیزهایی هست که نمی دانیم. اما ناشناخته‌های ناشناخته‌ای نیز وجود دارد – آن‌هایی که نمی‌دانیم و نمی‌دانیم.» مردم فکر می کردند این نقل قول معروف وزیر دفاع سابق دونالد رامسفلد بسیار خنده دار است و در فضای مجازی منتشر شد (رامسفلد 2002). با این حال، این بخشی از صحبت های نظامی است، و همانطور که خواهیم دید، دلیل خوبی دارد. ما حتی می توانیم مورد چهارم را اضافه کنیم: ناشناخته های شناخته شده. آن وقت است که اطلاعات مربوط به مشکل ما در بیرون وجود دارد، اما ما حتی نمی دانیم که باید به دنبال آن باشیم – یا کجا و چه زمانی جستجو کنیم، یا از چه کسی بپرسیم. 

یکی از اسرار بزرگ دهه گذشته، یک نمونه غم انگیز (و بسیار جغرافیایی) از این نوع عدم قطعیت ها و پیامدهای آنها، ناپدید شدن پرواز MH 370 خطوط هوایی مالزی در مارس 2014 است. از قضا، اواخر همان سال، روزتای اروپا فضاپیما یک فرودگر را بر روی دنباله‌دار چوریوموف-گراسیمنکو بسیار نزدیک به مکان اصلی برنامه‌ریزی شده قرار داد – در حالی که اینجا روی زمین، جایی که قرار است موقعیت هواپیما همیشه دقیقاً مشخص باشد، تمام فناوری و تخصص چندین کشور پیشرفته نتوانسته است پس از شش سال تلاش، بوئینگ 777 گمشده را پیدا کنید یا ناپدید شدن آن را توضیح دهید. موارد شناخته شده وجود دارد: بخش های ردیابی شده از مسیر هواپیما، از جمله یک چرخش تند غیرعادی و ناپدید شدن ناگهانی هواپیما از رادار اولیه، در حالی که همچنان در حال پرواز توسط ارتش ردیابی می شد. ناشناخته های شناخته شده ای وجود دارد که شامل دلایل دو ناهنجاری فوق، مسیر ردیابی نشده باقی مانده، علت سقوط، نقش احتمالی خلبانان یا دیگران در سقوط، مکان و وسعت منطقه جستجوی بهینه، محل واقعی غرق شده، و غیره. (توجه داشته باشید که تا تابستان 2015، حتی سرنوشت MH 370 – اینکه آیا واقعاً سقوط کرده است – جزو مجهولات شناخته شده بود.) سپس ناشناخته های ناشناخته وجود دارد که چندین مورد از آنها در این مورد به عوامل انسانی مربوط می شود: اگر علت ناهنجاری های شناخته شده و/یا خود تصادف فنی بود، چه بود؟ اگر کسی عمداً باعث سقوط هواپیما شده است – چه کسی، چگونه و چرا؟ آیا تناقضات، تاخیرها، نیمه حقیقت ها، و عدم دقت در اطلاعات ارائه شده توسط سه کشور همسایه در زمان وقوع حادثه عمدی است و اگر چنین است در چه مواردی و چرا؟ آیا اطلاعات حیاتی سرکوب شد؟ (کوکللیس 2016). و یک ناشناخته می‌تواند این باشد: سرگرد X و چند نفر از همکارانش دقیقاً می‌دانند چه اتفاقی افتاده است، اما تا زمانی که کسی نپرسد، صحبت نمی‌کنند. (البته این یک فرضیه است، زیرا «معلومات ناشناخته» را فقط می‌توان در نگاهی به گذشته شناخت.

2.4 ابعاد خارجی عدم قطعیت

مثال بالا یادآوری است که تعداد شگفت انگیزی از چیزها وجود دارد که ما نمی توانیم بدانیم، و سؤالاتی که نمی توانیم در مورد یک مشکل مکانی-زمانی به آنها پاسخ دهیم، که مستقیماً نتیجه داده های ناقص نیستند. راه دیگری برای بررسی این موضوع از طریق دنباله سؤالات است: «کجا، کی، چه، چگونه، چه کسی، چرا» که می تواند برای بیان داستان پرواز MH 370 مورد بحث در بالا مورد استفاده قرار گیرد، اما می تواند به طور کامل یا در مورد آن نیز اعمال شود. بخشی از اکثر مشکلات تجربی که با GIS مورد توجه قرار می گیرد. ممکن است در هر یک از این مراحل خطا و عدم قطعیت وجود داشته باشد. «کجا» و «زمان» پاسخ‌های کمی (و خطاها و عدم قطعیت‌ها) را می‌طلبد، اما فراتر از آن، کمی‌سازی در بهترین حالت جزئی است، و هر چه بیشتر در امتداد دنباله پیش برویم، عدم قطعیت افزایش می‌یابد.

عدم قطعیت ها گریبانگیر مطالعات تجربی در عمل در هر زمینه ای می شود. این تا حدی به این دلیل است که ناحیه مشکل یا سیستم مورد علاقه توصیف شده، مطالعه یا مدل‌سازی شده تنها می‌تواند بخش بسیار جزئی محیطی از حقایق، رویدادها، اقدامات و احتمالاتی باشد که برای مطالعه یا مدل خاص بیگانه هستند. یعنی «نویز» زیاد است. تغییر مستمر است و پس از تجزیه و تحلیل داده‌ها، نتیجه‌گیری‌ها و ارائه مطالعه، جهان ثابت نمی‌ماند. هر چه افق زمانی مطالعه طولانی تر باشد، احتمال بی اعتبار شدن آن در نهایت توسط موارد غیرمنتظره بیشتر می شود. شکل 2 یک تصویر تقریبی از لایه های مختلف ارائه می دهد که به این وضعیت کمک می کنند. اولاً، تقریباً همیشه سهامداران و بازیگرانی وجود دارند که بخشی از سیستم مورد علاقه هستند: مالکان زمین، گروه های محیطی، کشاورزان، ماهیگیران، ساکنان شهری، و غیره اینها را می‌توانیم با استفاده از پرسشنامه، مشارکت عمومی و سایر روش‌های جمع‌سپاری، که همگی با عدم قطعیت‌ها و خطاهای خاص خود دارند، در مطالعه بگنجانیم. اما هیچ تضمینی وجود ندارد که حتی این بازیگران شناخته شده (یا نوادگان آنها) در این مسیر متفاوت فکر نکنند. دوم، یک سیستم سیاست گذاری وجود دارد که اهداف را تعیین می کند، سیاست ها را توسعه می دهد و تصمیماتی را اجرا می کند که منعکس کننده ارزش های اجتماعی و سیاسی فعلی است. اما دولت‌ها تغییر می‌کنند، قوانین تغییر می‌کنند، فناوری‌ها گزینه‌های جدیدی را می‌گشایند، شرایط اقتصادی تغییر می‌کند و اهداف و ارزش‌های اجتماعی در طول زمان تغییر می‌کنند. مسکن بیشتر در مرکز شهر یا در حومه شهر؟ قطار گلوله یا فرودگاه جدید؟ اقتصاد یا محیط زیست؟ مهاجرت بیشتر یا کمتر؟ کمک های خارجی بیشتر یا زیرساخت های داخلی؟ سوم، ما ممکن است مدل‌های رسمی یا محاسباتی مانند مدل‌های مبتنی بر عامل یا مدل‌های اتوماتای ​​سلولی را برای کمک به پیش‌بینی چگونگی انجام شبکه مطالعاتی- تعاملات داخلی و خارجی ایجاد کنیم. اما مدل‌ها خطاها و عدم قطعیت‌های خود را به همراه دارند و در بهترین حالت می‌توانند بخشی از «الگوی» فعلی را در نویز ثبت کنند. همانطور که یک اقتصاددان معروف کمبریج زمانی گفت: «مدل باز کردن فرشی است که وجود دارد.اکنون ». و چهارم، همیشه دنیای گسترده‌تری از حوزه‌های فراتر از سه مورد فوق، مانند مادر طبیعت و سایر کشورها وجود دارد که مدام شگفتی‌های بزرگی را متوجه ما می‌کنند. 

شکل 2. بسیاری از منابع مهم عدم قطعیت از دسترس محققان خارج است. منبع: نویسنده

ابعاد خارجی دیگری از عدم قطعیت فراتر از مناطق منبع وجود دارد. درجاتی از عدم قطعیت نیز وجود دارد، از عدم قطعیت های آماری قابل حمل گرفته تا عدم قطعیت های سناریو (به بخش بعدی مراجعه کنید)، تا ناآگاهی (معروف به مجهولات و مجهولات ناشناخته). همچنین حداقل دو نوع از نظر کیفی متفاوت وجود دارد: عدم قطعیت معرفتی که می‌توان با اطلاعات بیشتر «درمان» کرد، و عدم قطعیت آشکار، که مربوط به رویدادهای تصادفی و واقعاً غیرقابل پیش‌بینی است. در نهایت، ممکن است مشکلات منطقی وجود داشته باشد. کوکللیس (2003) استدلال می کند که سه حالت کلاسیک استدلال: استنتاج، استقرا و ربایش، همانطور که در کاربردهای GIS و جاهای دیگر استفاده می شود، منطقاً دستیابی به نتایج بدون عدم قطعیت را غیرممکن می کند. اساساً، عدم قطعیت‌های مربوط به این ابعاد خارج از داده‌ها، طرف مقابل مفروضاتی است که ما باید برای توسعه داستان‌ها، مدل‌ها و پیش‌بینی‌ها و تصمیم‌گیری فراتر از داده‌ها اتخاذ کنیم.

3. عدم قطعیت و خطا در پیش بینی فضایی و تصمیم گیری

3.1 پیش بینی ها، پیش بینی ها و پیش بینی ها

مدتی است که GIS&T یک پلتفرم پرکاربرد برای کمک به دانشمندان، برنامه ریزان، مدیران، صنعت، بخش خصوصی، علوم بهداشتی، ارتش و بسیاری از کاربران دیگر برای پیش بینی تحولات آینده مورد علاقه آنها بوده است. این معمولاً با ساخت مدل‌های آماری یا فرآیندی در مناطقی انجام می‌شود که در آن‌ها باید اقدامات حیاتی برای جلوگیری از نتایج نامطلوب در آینده، تسریع نتایج مطلوب یا آماده شدن برای موارد اجتناب‌ناپذیر انجام شود. مناطق مورد علاقه ممکن است شامل رشد شهری، تغییر کاربری زمین روستایی و شهری، مهاجرت ها و توزیع جمعیت در آینده، گسترش بیماری های همه گیر، رشد و تغییر شبکه های حمل و نقل و جریان ترافیک، تغییرات اکولوژیکی تحت فشار تغییرات آب و هوایی، جنگل زدایی و فرسایش زمین، تکامل حوضه های رودخانه،

با وجود اینکه نمی توانیم از آینده و در بسیاری موارد از گذشته آگاهی داشته باشیم، می توانیم با استنباط حقایق ناشناخته از حقایق شناخته شده، ناآگاهی خود را کاهش دهیم. حقایق شناخته شده در این مورد عمدتاً مبتنی بر «الگوی» است که قبلاً ذکر شد، بخشی از واقعیت که می توان فرض کرد که در افق زمانی مربوطه کمابیش ثابت می ماند و معمولاً شامل روندها نیز می شود.که امروزه جامد به نظر می رسند. برای موضوعات محیطی و سایر موضوعات مرتبط با علم زمین، قوانین فیزیکی البته جزء اصلی الگو هستند. هنگام تلاش برای کشف آینده، کیفیت داده ها در همه موارد بسیار مهم است زیرا حتی خطاهای کوچک می توانند در طول مدل سازی بدون امکان اعتبارسنجی مدل تقویت شوند. علاوه بر این، همه پیش‌بینی‌های فضایی، چه در حوزه‌های فیزیکی و چه در حوزه‌های اجتماعی، مشمول ویژگی‌های فضا ذکر شده در بخش 2.1 هستند، با احتمال عدم قطعیت و خطا در صورت مدیریت نادرست. چه مدل سازی حال و چه آینده، فضا در واقع هسته اصلی الگو است، درست مانند قوانین فیزیکی.

فرآیند استنتاج از معلوم به ناشناخته شامل تکنیک‌هایی مانند طرح ریزی ، پیش‌بینی، پیش‌بینی (بازنگری اگر مربوط به گذشته باشد)، یا سناریوسازی است (به بخش 3.2 زیر مراجعه کنید) و تا حدی اطمینان می‌دهد که تصمیمات و اقدامات امروزی نیستند. عکس در تاریکی فرافکنی یا برون یابی روند ، اساسی ترین روش از این سه است و برای افق های زمانی کوتاه و مسائل ساده، به عنوان مثال در تخمین ثبت نام دانش آموزان و نیازهای فضایی مرتبط برای پنج سال آینده، بهترین کار را دارد. پیش بینیکلی تر و پیچیده تر است و می تواند شامل پیش بینی ها و همچنین تکنیک های پیچیده تر باشد. پیش‌بینی‌ها و پیش‌بینی‌ها همیشه درجاتی از عدم قطعیت بیشتر یا کمتر دارند، زیرا در بهترین حالت می‌توانند تلاش‌های منطقی برای حدس زدن – نه دانستن – آینده در حوزه مورد علاقه خاص باشند. پیش بینیاز سوی دیگر به سطوح بسیار بالاتری از دقت و دقت (بدون خطاهای انسانی یا فنی) دلالت دارد. پیش‌بینی‌ها در حوزه مکانی-زمانی به ندرت در خارج از برخی از حوزه‌های فیزیک مانند مکانیک کلاسیک و نسبیتی امکان‌پذیر است، که شاهکارهای مهندسی خارق‌العاده اکتشاف فضای بیرونی را ممکن می‌سازد. اما پیش‌بینی‌ها به جای پیش‌بینی، به تکامل بیشتر فرآیندهای فیزیکی روی زمین می‌پردازند، مانند مواردی که در هیدرولوژی، اقلیم‌شناسی، اقیانوس‌شناسی، زمین‌شناسی، جغرافیای زیستی و غیره مورد مطالعه قرار گرفته‌اند. پدیده‌ها در این حوزه‌ها با شرایط محلی متفاوت و انبوهی از تأثیرات متقابل، و در بسیاری از موارد، با مداخلات انسانی پیچیده می‌شوند که پیش‌بینی به معنای دقیق آن را عملاً غیرممکن می‌کند. (اصطلاح «پیش‌بینی» می‌تواند برای خروجی‌های مدل‌ها استفاده شود،حتی زمانی که مورد دوم بخشی از مطالعاتی باشد که پیش بینی ایجاد می کند).

از نظر فنی، بیشتر رویکردهای استاندارد پیش‌بینی شامل مدل‌های فرآیند آماری، ریاضی یا محاسباتی است که از برون‌یابی روند ساده تا مدل‌های پیچیده پدیده‌های طبیعی یا اجتماعی-اقتصادی مبتنی بر علم سیستم‌های پیچیده را شامل می‌شود. اینها می توانند از پیش بینی آب و هوا برای چند روز آینده تا پیش بینی آب و هوا یا جمعیت برای قرن آینده متغیر باشند. پیش‌بینی‌ها با توافق با چندین پیش‌بینی دیگر از همان پدیده‌ها با استفاده از داده‌ها و مدل‌های مختلف تقویت می‌شوند، اگرچه پیش‌بینی‌های متفاوت همیشه ممکن است (و گاهی ممکن است در نهایت درست باشند). مدل‌های آب و هوایی کنونی نمونه خوبی از قدرت در اعداد هستند.

یک مورد جالب از یک پیش‌بینی که کاملاً اشتباه بود، حتی اگر بر اساس داده‌های خوب و یک مدل خوب بود، موردی است که اخیراً در اواخر دهه 1970 سرمایش جهانی را پیش‌بینی کرده بود (شکل 3). در واقع یک “ناهنجاری دما” در دو دهه وجود داشت که داده های دما را ارائه می کرد. مشکل این فرض اشتباه بود که افق های بسیار کوتاه مدت مورد استفاده در این مطالعه برای توصیف تغییرات دمای جهانی (1965-1975 در مقابل 1937-1946) برای یک پدیده بسیار دوربرد کافی است.  

 

شکل 3. در دهه 1970، خنک کننده جهانی مدل شد. منبع: Wikimedia Commons

مورد مشابهی از یک فرض نادرست در مورد افق زمانی منجر به استفاده از ارقام حجم جریان نادرست در قرارداد رودخانه کلرادو که در سال 1922 امضا شد. کلرادو، نیومکزیکو، یوتا، و وایومینگ) و 7.5 میلیون فوت جریب دیگر به سه ایالت در حوضه کلرادو پایین (آریزونا، کالیفرنیا و نوادا). 1.5 میلیون جریب فوت اضافی بر اساس معاهده بین المللی امضا شده در سال 1944 به مکزیک اختصاص یافت. بسیاری از مطالعات به این نتیجه رسیده اند که دوره مورد استفاده به عنوان مبنایی برای محاسبه جریان “متوسط” رودخانه (1905-1922) زمانی که توافق نامه انجام شد. شامل دوره های بارش غیرعادی زیاد،

3.2 سناریوها

یک راه بسیار رایج برای کاهش عدم قطعیت پیش بینی ها استفاده از سناریوها است. GIS&T یک پلت فرم عالی برای تولید و مقایسه سناریوها است زیرا همراه با پیش‌بینی‌های مدل عددی، تجسم‌های آموزنده‌ای را تولید می‌کند که می‌تواند توسط افراد غیرمتخصص نیز قابل درک و بحث باشد. خطاهای موجود در داده‌های جمع‌آوری‌شده نیز می‌توانند به صورت بصری به‌عنوان ناهنجاری‌های روی نقشه‌های نمایش‌داده‌شده، راحت‌تر شناسایی شوند.

سناریوها فرضیه‌های جایگزینی هستند که ممکن است اتفاق بیفتد، با استفاده از مدل مشابه با مفروضات مختلف، که معمولاً حول یک برون‌یابی روند مرکزی یا سناریوی «تجارت به‌طور معمول» ساخته می‌شوند. اعتقاد بر این است که شرکت نفت داچ شل اولین شرکتی بود که سناریوهای مدرن را توسعه داد و از آن در دهه 1970 استفاده کرد، اگرچه ارتش سابقه بسیار طولانی تری با “بازی های استراتژی” مبتنی بر سناریو دارد. موضوع مورد بررسی ممکن است چیزی به راحتی قابل اندازه‌گیری باشد، مانند «رشد» (مثلاً تقاضا برای نفت یا اندازه شهری که در هکتار توسعه‌یافته دیگر اندازه‌گیری می‌شود)، که می‌تواند با پیش‌بینی‌هایی برای رشد بالا، متوسط ​​یا پایین تحت مفروضات مختلف بررسی شود. مدل رشد شهری SLEUTH که برای اولین بار در اواخر دهه 1990 پیشنهاد شد (Clarke and Gaydos 1998) بر اساس سناریوهای سیاست کاربری فضایی و کاربری زمین است و به طور مداوم در طول سال ها اصلاح و گسترش یافته است. ArcSLEUTH اکنون یک افزونه سفارشی ArcGIS است. این مدل هنوز در سطح بین المللی برای پیش بینی رشد و تغییر در انواع بسیار متنوع شهرها در سراسر جهان مورد استفاده قرار می گیرد.

در موارد دیگر، موضوع مورد مطالعه ممکن است حداقل تا حدی کیفی باشد، مانند تلاش برای کشف و مقایسه اثرات سیاست‌های مختلف بر – مثلاً – کیفیت زندگی یا پایداری محیطی که مفاهیم بسیار گسترده‌ای هستند. سناریوها در این مورد در صورت امکان شامل داده‌ها، نقشه‌ها و مدل‌ها می‌شوند، اما ممکن است به‌عنوان توصیف‌های کیفی («داستان‌ها») بر اساس گمانه‌زنی‌های آگاهانه «اگر…پس…» نیز بیان شوند. سناریوهای کاملاً کیفی نیز در حال توسعه هستند، به ویژه در حوزه‌هایی مانند برنامه‌ریزی شهری یا محیطی که مشارکت عمومی در انتخاب گزینه‌های توسعه مطلوب است و در بسیاری از موارد توسط قانون الزامی است. چنین سناریوهایی را گاهی “داستان سرایی” می نامند. ممکن است فکر کنید که نقش GIS&T در این نقطه به پایان می رسد، اما این اشتباه است:

امروزه، تمرین‌های سناریوی کیفی توسط شرکت‌ها، ادارات، شرکت‌های خدمات عمومی، سایر سازمان‌های بزرگ و ارتش برای تحریک تفکر استراتژیک به‌ویژه در مورد بلندمدت، تسهیل طوفان فکری، تقویت شهود و امکان تصور، بحث و ارزیابی آینده‌های قابل قبول به شرکت‌کنندگان استفاده می‌شود. در ادامه خواهیم دید که چگونه می‌توان این کم‌تکنولوژیک‌ترین رویکرد پیش‌بینی را با پیچیدگی‌های فنی پیشرفته برای حمایت از تلاش‌های جامعه برای کنترل ناشناخته‌های بزرگ آینده ترکیب کرد.

3.3 رویکردهای نوظهور برای کاهش عدم قطعیت آینده

عدم قطعیت “عمیق” یا “رادیکال” اصطلاحاتی هستند که برای مجهولات ناشناخته به کار می روند، به ویژه در مواردی که تصمیماتی باید در حال حاضر اتخاذ شود که پیامدهای مهمی در آینده خارج از دسترس روش های پیش بینی فعلی خواهد داشت. هر چه افق زمانی طولانی‌تر باشد، احتمال ناپیوستگی‌های عمده در الگوهای قابل پیش‌بینی بیشتر می‌شود، بهترین مدل‌های امروزی دیگر قابل اعتماد نخواهند بود، و هر احتمالی که به پیش‌بینی‌های امروزی اختصاص داده شود بی‌فایده خواهد بود. تعداد کمی از رویکردهای جدید توسعه یافته در چند دهه گذشته به دنبال حل این مشکل با کار با آنها هستندعدم اطمینان به جای تلاش (بیهوده) برای از بین بردن آن. هدف آنها افزایش انعطاف پذیری رویکرد ما به آینده است و سوالی که مطرح می کنند این نیست که “چه اتفاقی خواهد افتاد؟” اما: “با توجه به اینکه نمی توان پیش بینی کرد، چه اقداماتی که امروز در دسترس هستند احتمالاً در آینده بهترین خدمات را به ما خواهند داد؟” سناریوهای قابل قبول هنوز در حال استخراج هستند (گاهی به تعداد زیاد). اما به جای انتخاب محتمل‌ترین یا مطلوب‌ترین سناریو برای توصیه یا اقدام، سناریوها در اینجا به عنوان بخشی از فضای بسیار وسیعی از احتمالات متغیر با زمان مورد تجزیه و تحلیل قرار می‌گیرند تا مجموعه‌ای از توصیه‌ها و اقدامات بعدی را هدایت کند.

نام رویکردهای اصلی در این گروه، برنامه ریزی تطبیقی ​​قوی (RAP) و برنامه ریزی مبتنی بر فرض (ABP)، منعکس کننده دو ایده کلیدی این فلسفه است: انطباق پویا، و تأکید عمده بر مفروضات. RAP با استفاده از مجموعه‌های (مجموعه‌های) بسیار بزرگی از سناریوهای قابل قبول، تلاش می‌کند تا مسیرهای عملی را شناسایی کند که می‌تواند تا حد امکان در خدمت آینده‌های جایگزین مطلوب باشد، در حالی که گزینه‌های فرد را تا زمانی که ممکن است باز نگه دارد. (مثال: نگه داشتن یک چتر در ماشین شما هم به آینده جایگزین باران و هم بدون باران خدمت می کند). با گذشت زمان، این مسیرهای عمل به طور منظم در برابر واقعیت آزمایش می شوند، سناریوها مدام به مجموعه اضافه می شوند و به صورت پویا از مجموعه حذف می شوند، و مسیرهای عمل در صورت نیاز تنظیم می شوند.

روش ABP مشابه است، همچنین از تعداد بسیار زیادی از سناریوها بر اساس ترکیبی از مفروضات استفاده می کند، اما تأکید در اینجا بر روی خود مفروضاتی است که از طیف گسترده ای از حوزه های مرتبط جمع آوری شده اند (شکل 2 را ببینید). ایده در اینجا این است که با تدوین سیاست‌ها بر اساس تعدادی از مفروضات کلیدی که در حال حاضر معتبر به نظر می‌رسند، شروع کنیم، تا اعتبار آنها را با گذشت زمان بررسی کنیم، و بتوانیم استراتژی خود را بر اساس مفروضات جدید تغییر جهت دهیم. قبلی ها شکست می خورند 

این رویکردهای جایگزین برای عدم قطعیت رادیکال آینده در ابتدا برای تغییرات آب و هوایی به کار گرفته شد، اما برای پروژه‌های زیرساختی بزرگ مانند توسعه فرودگاه‌های جدید، قطارهای گلوله‌ای، شهرهای جدید، شبکه‌های تولید و توزیع انرژی، چند هدفه، طولانی، مناسب هستند. برنامه های اصلی مدیریت دلتای رودخانه و بسیاری از مناطق دیگر. (مارچاو و همکاران 2019).

با تأکید روزافزون بر سیاست‌های مبتنی بر شواهد و توسعه مداوم برنامه‌های کاربردی هوش مصنوعی (AI)، GIS&T و دیگر پلت‌فرم‌های مدل‌سازی باید نقش خود را در درمان عدم قطعیت آینده مانند سایر زمینه‌ها تقویت کنند. بدیهی است که عملاً هیچ حوزه ای از علم اطلاعات جغرافیایی، چه نظری و چه کاربردی، از مشکلات خطا و عدم قطعیت مصون نیست و تلاش های فزاینده ای برای ابداع راه های مؤثر برای مقابله با این مشکلات انجام می شود. در میان چیزهای دیگر، نقش جدیدی برای GIS&T در جستجوی آینده‌ای شفاف‌تر می‌تواند کشف سیستماتیک «الگوی در نویز» باشد – قابل شناخت در ناشناخته – که بر اساس آن پیش‌بینی‌های خاص با استفاده از روش‌های یادگیری ماشینی استوار است. همانطور که در بخش 3.1 ذکر شد، یک بخش اساسی از الگو در هر پیش‌بینی فضایی یا رویکرد دیگری به آینده باید ویژگی‌های خود فضای جغرافیایی باشد که در تحلیل فضایی و کارهای مرتبط آشکار شده است. بر اساس این مبنا، GIS همچنین ممکن است نقش ویژه‌ای در تولید سناریوها در تعداد زیاد برای تغذیه روش‌های جدید و سنتی‌تر برای کاوش در آینده نزدیک و دور داشته باشد. روش های جدیدتر به طور خاص بسیار محاسباتی فشرده هستند و به تحلیلگران سطح بالا نیاز دارند تا مجموعه های سناریو را در هسته برنامه ریزی تطبیقی ​​قوی (RAP) و رویکردهای مرتبط توسعه دهند و تفسیر کنند. آخرین مزیت ویژه GIS امکان ترکیبی از سناریوهای کمی و کیفی کاملاً کمی و ترکیبی، همراه با بازی‌های استراتژیک و داستان‌ها است.