واژه‌های کلیدی:

تحلیل حساسیت. سیستم اطلاعات جغرافیایی; ارزیابی چند معیاره; شبیه سازی رشد شهری; منطقه مادرید (اسپانیا)

چکیده

در هر مدل، تجزیه و تحلیل حساسیت (SA) یک فرآیند اساسی برای بهبود استحکام و اعتبار نتایج، به عنوان بخشی از روش اعتبار سنجی است. به طور کلی، SA تعیین می کند که چگونه تغییر در خروجی مدل می تواند به منابع مختلف تغییرات تقسیم شود و چگونه مدل داده شده به اطلاعات وارد شده به آن بستگی دارد. بسیاری از تکنیک های پیچیده SA در زمینه مدل سازی عددی توسعه یافته اند. با این حال، آنها کاربردهای محدودی برای مدل‌های فضایی دارند، زیرا آنها تغییراتی را در توزیع فضایی متغیرهای گنجانده شده در نظر نمی‌گیرند. در این تحقیق، یک تغییر در اجرای یک تحلیل حساسیت جهانی (E-FAST) به منظور شامل سطح فضایی پیشنهاد شده است. برای این منظور از ابزارهای مرسوم موجود در سیستم اطلاعات جغرافیایی شطرنجی (GIS) استفاده می شود. این روش در شبیه‌سازی رشد شهری برای منطقه مادرید (اسپانیا) بر اساس تکنیک‌های ارزیابی چند معیاره (MCE) آزمایش شده است. نتایج نشان می‌دهد که گنجاندن دیدگاه فضایی در کاربرد SA ضروری است، زیرا می‌تواند عواملی را که تأثیر تعیین‌کننده بر نتایج دارند، اصلاح کند.

1. مقدمه

با افزایش فراوانی، روش‌های جدید در مرحله آماده‌سازی پیشنهادهای برنامه‌ریزی کاربری زمین به منظور ساخت شبیه‌سازی‌های فضایی مجموعه‌ای از جایگزین‌های ممکن برای کاربری آینده زمین و در نتیجه تسهیل تصمیم‌گیری‌های برنامه‌ریزی آگاهانه‌تر اعمال می‌شوند. این روش‌ها امکان ترکیب فضایی معیارهای مختلف اقتصادی، اجتماعی، زیست‌محیطی و زمینی را فراهم می‌کنند. با وزن دهی بر اساس سطح اهمیت، توسط گروه های خبره، تصمیم گیرندگان یا عوامل اجتماعی تخصیص داده شده است. در نتیجه، برنامه ریزی هم جامع تر و هم مشارکتی تر است. در زمینه تحلیل کاربری زمین، روش ارزیابی چند معیاره (MCE) یکی از پرکاربردترین رویکردها برای شبیه‌سازی سناریوهای تخصیص زمین در آینده مطلوب یا بهینه است. با این حال،1 ] باردو کانو و گومز دلگادو، 2008). با این حال، هر مدلی باید اعتبارسنجی شود تا استحکام و مقبولیت آن بهبود یابد ([ 2 ] Verburg et al., 2004; [ 3 ] Gómez Delgado and Bosque Sendra, 2009). اگر در حال مدل‌سازی وضعیت سیستم آینده هستیم، باید اعتبار بخشی را انجام دهیم، برای مثال، پایداری خروجی‌های مدل را بررسی کنیم ([ 4 ] Pagelow and Camacho Olmedo، 2008: 29).

یک امکان برای ارزیابی سطح معینی از اطمینان در نتایج این مدل‌های شبیه‌سازی فضایی توسط تحلیل حساسیت (SA) ارائه شده است ([ 2 ] Verburg و همکاران، 2004؛ [ 1 ] Barredo Cano and Gómez Delgado، 2008؛ [ 5 ]). قریشی و همکاران، 1999؛ [ 6 ] چو آگور، و همکاران، 2011). این نوع تحلیل می‌تواند پایداری یا استحکام نتایج مدل را با مطالعه اینکه تا چه حد نتایج تحت تأثیر تغییرات کوچک در پارامترهای ورودی قرار می‌گیرند، تعیین کند. بهبود تشخیص اینکه کدام عوامل باید به دقت در مدل اندازه‌گیری شوند تا به دقت کافی برسد، می‌تواند مفید باشد ([ 7 ]] Crosetto و همکاران، 2000: 73). علاوه بر این، می‌تواند به ساده‌سازی مدل اصلی و کاهش تقاضای محاسباتی کمک کند و بینش‌های مهمی برای بهینه‌سازی منابع اکتساب داده‌های GIS ارائه دهد ([ 7 ] Crosetto و همکاران، 2000؛ [ 8 ] Saltelli و همکاران، 2000؛ [ 9 ]). سالتلی و همکاران، 2008).

در بسیاری از مطالعات ما می توانیم استفاده از SA را به عنوان مترادف تجزیه و تحلیل عدم قطعیت (UA) بیابیم. ما از استفاده از اصطلاح عدم قطعیت اجتناب می کنیم زیرا فکر می کنیم وقتی در مورد داده های مکانی صحبت می کنیم معنای دیگری پیدا می کند. در این زمینه، UA در مورد مطالعه هر گونه خطای احتمالی (و نه چندان شناخته شده) است که بر داده های اولیه تأثیر می گذارد تا بفهمد چگونه نتایج را تغییر می دهند ([ 3 ] گومز دلگادو و بوسکه سندرا، 2009). رویه SA مبتنی بر تغییرات کوچک در محدوده اولیه متغیرها است که همیشه نمی‌توان آن‌ها را به درستی به عنوان خطا در نظر گرفت. SA بیشتر به دنبال تعیین تأثیر هر عامل در واریانس نتایج مدل بود.

از بین روش‌های مختلفی که برای انجام SA (غربالگری، محلی و جهانی) استفاده می‌شود، بیشترین استفاده در زمینه‌های مختلفی که مدل‌های عددی در نظر گرفته می‌شوند (اقتصاد، مهندسی، شیمی …) روش‌های جهانی (Sobol’، Fast) هستند. ، E-Fast)، از آنجایی که اینها تجزیه و تحلیل همزمان همه تعاملات ممکن بین متغیرهای ورودی و نتایج خروجی مدل را ممکن می‌سازد ([ 8 ] Saltelli و همکاران، 2000). علاوه بر این، می‌توان آن را برای مدل‌های مبتنی بر ارزیابی MultiCritera اعمال کرد، و واریانس مدل نتیجه را به عوامل ورودی مدل و وزن‌ها تقسیم کرد ([ 10 ] Saltelli و همکاران، 1999).

با این حال، در مطالعاتی که یک رویکرد MCE فضایی (معمولاً مبتنی بر GIS) را اعمال کرده‌اند، استفاده از SA به عنوان بخشی از فرآیند اعتبار سنجی کمیاب یا محدود بوده است، همانطور که در بررسی‌های ادبیات انجام شده توسط [ 5 ] قریشی و همکاران نشان داده شده است. ، (1999) و [ 11 ] گومز دلگادو و بوسکه سندرا (2004). برخی ترتیب اولویت اختصاص داده شده به هر معیار یا هدف را تغییر دادند ([ 5 ] قریشی و همکاران، 1999؛ [ 12 ] پتیت، 2002؛ [ 13 ] چانگ و همکاران، 2008)، در حالی که برخی دیگر تغییراتی را در مقادیر اختصاص داده شده به آن معرفی کردند. پارامترهای مدل (وزن، متریک فاصله، و غیره) ([ 14 ] Jankowski، 1995؛ [ 15 ]] Baja و همکاران، 2007) یا روش های مختلف تجمع را به منظور تبدیل نقشه های مناسب (بر اساس پیکسل) به نقشه های منطقه بندی محیطی (بر اساس گروه های پیکسل) به کار بردند ([ 16 ] Geneletti و van Duren، 2008).

تحلیل‌های حساسیت جهانی اساساً بر اساس تعریف یک تابع توزیع احتمال (PDF) برای هر متغیر ورودی مدل است که یک نمونه از آن استخراج می‌شود. سپس این مدل تعداد قابل توجهی بارها اجرا می شود، به طور کلی از شبیه سازی مونت کارلو استفاده می شود ([ 8 ] Saltelli و همکاران، 2000). زمانی که متغیرهای ورودی مکانی یا زمانی در نظر گرفته شوند، این روش دشوارتر می‌شود ([ 17 ] لیلبرن و تارانتولا، 2009)، زیرا ما باید تغییرات را در هر بخش از فضا یا زمان در نظر گرفته در نظر بگیریم.

با این وجود، این روش‌ها برای بسیاری از مدل‌های فضایی مختلف مورد استفاده قرار گرفته‌اند ([ 7 ] Crosetto و همکاران، 2000؛ [ 18 ] Crosetto and Tarantola، 2001؛ [ 19 ] Gómez Delgado و Tarantola، 2006؛ [ 20 ] Wagener و Kollat، [20]2007 ؛ [ 21 ] تانگ و همکاران، 2007؛ [ 17 ] لیلبرن و تارانتولا، 2009؛ [ 22 ] وارلا و همکاران، 2010؛ [ 7 ] چو آگور و همکاران، 2011). با این حال، تنوع مکانی عوامل مورد استفاده در مدل در نظر گرفته نشده است. علاوه بر این، در یک رویکرد MCE مبتنی بر GIS، زمانی که روش‌های SA عددی اعمال می‌شوند، تنها تغییراتی در PDF از وزن‌ها معرفی می‌شوند که عوامل را از تجزیه و تحلیل حذف می‌کنند .

در این زمینه، لیلبرن و تارانتولا (2009) [ 17] یک بررسی جامع از تکنیک‌های SA عددی اعمال شده در مدل‌های فضایی انجام داد و مجموعه‌ای از کمبودها را در چنین کاربردهایی یافت. به طور خاص، بررسی آنها اهمیت پایه گذاری SA بر تغییرات در توزیع وزن و همچنین در توزیع متغیرهای ورودی را برجسته کرد. همچنین بسیار مهم است که به جای کاهش ورودی های متغیر مکانی به یک مقدار اسکالر واحد، کل ساختار فضایی را در نظر بگیریم تا اهمیت هر ورودی فضایی را تحلیل کنیم. در تحقیقات خود، نویسندگان SA را برای ارزیابی یک مدل آلاینده آب زیرزمینی ناشی از فعالیت کشاورزی در نیوزلند (مثال آزمایشی 1)، با استفاده از یک نسخه اقتباس شده از روش Sobol به منظور تعیین اینکه کدام یک از متغیرها مهم‌ترین یا تعیین‌کننده هستند، اجرا کردند. تاثیر بر نتایج مدل نتایج نشان می‌دهد که وضوح نقشه‌های ورودی و همچنین میزان تغییرپذیری هر ورودی، می‌تواند خروجی‌های مدل را تعیین کند. با این حال، اگرچه مدل یک شاخص ترکیبی وزنی است، نویسندگان اثر وزن ها را در نظر نمی گیرند.

هدف این مقاله انجام اعتبار بخشی از یک مدل برای شبیه‌سازی رشد شهری آینده در منطقه مادرید با استفاده از تکنیک‌های MCE مبتنی بر GIS، از طریق تحلیل حساسیت به منظور تعیین پایداری / استحکام نتایج مدل است. هدف اصلی ما توسعه روشی برای اعمال یک روش SA جهانی با در نظر گرفتن ویژگی‌های فضایی مدل، اجتناب از کاهش ورودی‌های متغیر مکانی به یک مقدار اسکالر واحد است. این روش جایگزین متغیرها (به نام عوامل در MCE) و وزن های پیوست را در نظر می گیرد. استفاده از این روش پیشنهادی با استفاده از ابزارهای موجود در یک محیط GIS مبتنی بر شطرنجی آسان و شهودی است. SA با روش Extended Fourier Amplitude Sensitivity (E-FAST) با استفاده از نرم افزار SimLab 2 انجام شد.

2. محدوده مطالعه، مدل رشد شهری و داده ها

SA بر روی نتایج یک مدل برای شبیه‌سازی و تخصیص زمین شهری جدید در منطقه مادرید اعمال شد. این منطقه به این دلیل انتخاب شد که تاثیرات فرآیند توسعه سریع مسکن در 10 تا 15 سال گذشته ثبت شده است ( شکل 1 ). پیامد اصلی آن اشغال زمین بر اساس املاک مسکونی پراکنده بوده است: بین سال‌های 1990 و 2000، تقریباً 50000 هکتار در زیر سطوح مصنوعی ناپدید شد ([ 23 ] EEA، 2006؛ [ 24 ] Plata Rocha و همکاران، 2009).

ما خلاصه ای از مدل و اصلی را ارائه می دهیم

شکل 1 . نتایج مدل تخصیص بهینه برای استفاده مسکونی، صنعتی و تجاری در منطقه مادرید (سال 2020).

نتایج. در [ 25 ] Plata Rocha et al., 2010، می توان شرح کاملی از سناریویی را که در اینجا تحلیل می شود، یافت. شرح بیشتر این سناریوی رشد شهری آینده (نوآوری و پایداری) و دو مدل دیگر برای سال 2020 (سناریوی کسب و کار معمول و سناریوی بحران) در [ 26 ] Plata Rocha و همکاران، 2011.

برای پیاده سازی مدل، سناریوی تصرف زمین در سال 2000 مبنا قرار گرفت. یک روش تخصیص بهینه کاربری مسکونی، صنعتی و تجاری برای سال 2020 با در نظر گرفتن حداکثر 16 متغیر مربوط به جنبه های زیست محیطی، اقتصادی و اجتماعی، وزن دهی شده (از طریق ماتریس مقایسه زوجی فرآیند تحلیل سلسله مراتبی) با توجه به سطح آنها انجام شد. برای این منظور اهمیت دارد ( جدول 1 ).

برای تهیه نقشه‌های تناسب (مسکونی، تجاری و صنعتی) از روش ارزیابی چند معیاره ترکیب خطی وزنی (معادله (1)) استفاده شد:

(1)

جایی که: M S نقشه ای است که نشان دهنده سطح مناسب بودن هر پیکسل برای توسعه است. و w i وزن هر کدام است

جدول 1 . شرح، نوع توزیع و وزن متغیرها (عوامل در زمینه MCE) مورد استفاده در مدل رشد شهری برای سال 2020 در منطقه مادرید (Plata Rocha و همکاران، 2010، Plata Rocha و همکاران، 2011).

متغیر (عامل) X i . M R نقشه ای است که مناطق محدود شده برای فعالیت های مشخص شده در مدل را نشان می دهد.

نقشه‌های نهایی مناسب‌ترین قطعه‌ها برای هر کاربری از نقشه‌های تناسب تهیه شد. تقاضا به صورت خارجی، با استفاده از مدل دینامیک سیستم ها و متغیرهای مختلف اجتماعی-اقتصادی و جمعیت شناختی تعیین شد (برای شرح دقیق این روش، به [ 27 ] Aguilera Benavente و همکاران، 2009 مراجعه کنید).

در نهایت با استفاده از نقشه قطعات مناسب برای کاربری مسکونی، تجاری و صنعتی، تخصیص زمین چندهدفه (IDRISI؛ مدول MOLA) به منظور رفع تضادهای احتمالی تخصیص بین سه کاربری اعمال شد. در نتیجه، یک مدل تخصیص رشد شهری برای سال 2020 به دست آمد ( شکل 1 ).

3. روش شناسی

روش SA در دو مرحله روش شناختی انجام شد که در شکل 2 نشان داده شده است. در مرحله اول (3.1) SA با استفاده از روش E-FAST انجام شد. در دوم (3.2)، E-FAST صریح فضایی انجام شد.

شکل 2 . چارچوب روش شناختی SA. تجزیه و تحلیل 3.1 بر اساس روش E-FAST است. 3.2 E-FAST فضایی پیشنهادی است.

3.1. تست حساسیت دامنه فوریه گسترده (E-FAST)

این تکنیک توسط [ 28 ] Saltelli و همکاران، (1999) از مبانی نظری و ریاضی روش FAST ارائه شده توسط [ 29 ] Cukier و همکاران توسعه داده شد. (1975). در نظر گرفته می شود که به گروه تکنیک های مبتنی بر برآورد واریانس تعلق دارد. برای به دست آوردن شاخص‌های حساسیت مرتبه اول و کل اثر با استفاده از این تکنیک، از نمونه شبیه‌سازی مونت کارلو با در نظر گرفتن k عامل ورودی مستقل و تعداد N نمونه استفاده شده است.

برای یک عامل معین، شاخص حساسیت نشان دهنده سهم کسری در واریانس خروجی مدل است که ناشی از این عامل است. برای محاسبه شاخص‌های حساسیت، واریانس کل V خروجی مدل به تمام عوامل ورودی X i به صورت زیر تقسیم می‌شود:

(2)

جایی که:          

و غیره. در فرمول های بالا، Y نشان دهنده متغیرهای خروجی است، X i نشان دهنده یک عامل ورودی است.

انتظار Y را مشروط بر X i نشان می دهد و V واریانس شرطی را نشان می دهد.

شاخص حساسیت S i برای فاکتور X i به صورت زیر تعریف می شود:

(3)

نشان دهنده بخشی از واریانس Y است که توسط X i توضیح داده شده است. مهمترین سهم E-FAST این است که برای هر Xi یک تخمین حساسیت مرتبه اول Si و یک برآورد شاخص حساسیت کل S Ti ارائه می دهد. مشاهده تفاوت بین تأثیر عامل Xi بر Y به تنهایی، اندازه‌گیری شده با Si و تأثیر کل عامل Xi به دلیل تعامل با سایر عوامل در مدل Y، اندازه‌گیری شده توسط S Ti ، امکان‌پذیر است.

E-FAST و سایر تکنیک‌ها بر روی نرم‌افزار SimLab پیاده‌سازی شده‌اند که برای اجرای SA به شرح زیر استفاده می‌شود:

1) توزیع فراوانی فاکتورها (ستون آخر جدول 1 ) با استفاده از ابزار GIS برای به دست آوردن هیستوگرام فراوانی مقادیر سلول هر عامل تعیین شد. در مورد وزن دهی، توزیع یکنواخت با 25 ± درصد تغییرات با توجه به مقادیر اسمی آنها اختصاص داده شد.

2) نمونه ای از عوامل مختلف مدل (متغیرها و وزن متناظر آنها) با در نظر گرفتن هر توزیع فرکانس تولید شد و سپس مدل تعداد قابل توجهی بار اجرا شد (4941 تکرار در این مورد).

3) در نهایت مقادیر به دست آمده برای شاخص های حساسیت عوامل ورودی مدل مورد تجزیه و تحلیل قرار گرفت.

3.2. پیشنهاد یک روش فضایی E-FAST

روش قبلی نقصی را ارائه می دهد که مبتنی بر PDF متغیرها و وزن های موجود در مدل است، اما توزیع فضایی آنها را در نظر نمی گیرد. بنابراین، ما روشی را برای گنجاندن تغییرپذیری فضایی همه عوامل به منظور ساخت یک PDF جایگزین از آنها پیشنهاد کردیم که از آن نمونه‌ها را برای اجرای مدل، با استفاده از ابزارهای موجود در یک GIS شطرنجی معمولی (ادریسی) استخراج می‌کنیم.

روش پیشنهادی بر اساس معرفی تصادفی درصد معینی از تغییرات در مقادیر تناسب به‌دست‌آمده برای متغیرهای فضایی و در وزن‌ها در سطح پیکسل (در اصل یک مقدار اسمی)، همانطور که در نمودار در شکل 3 نشان داده شده است، است . فاصله تغییرات مورد استفاده 25±٪ بود. این فاصله مشابه با فاصله مورد استفاده در سایر مطالعات است ([ 18 ] Crosetto و Tarantola، 2001؛ [ 19 ] Gómez Delgado y Tarantola، 2006). تجزیه و تحلیل حساسیت باید از طریق تغییرات جزئی در شرایط اولیه مدل انجام شود زیرا اگر این مقدار افزایش یابد، می‌توانیم مدل اصلی را کاملاً تغییر دهیم.

رویه متغیرها (عوامل MCE) در قسمت سمت چپ شکل نشان داده شده است. ابتدا یک نقشه شطرنجی جدید با مقادیر تصادفی از 0.75 تا 1.25 برای هر پیکسل تولید می شود. این نقشه و یکی از نقشه های فاکتورهای موجود در مدل (با مقدار مناسب بودن مربوط به این متغیر برای هر پیکسل) با یک عملیات ضرب و نقشه فاکتور نهایی با فاصله تغییرات 25 ± نسبت به مقدار اصلی روی هم قرار می گیرند. به دست آمده است. این روش تضمین می کند که هر پیکسل از نقشه شطرنجی برای هر متغیر موجود در مدل دارای تغییرات 25± درصد از مقدار مناسب بودن اصلی است. توجه داشته باشید که این روش از توزیع یکنواخت عدم قطعیت فضایی جلوگیری می کند.

قسمت سمت راست شکل 3 روش وزنه ها را نشان می دهد. اکنون اولین نقشه شطرنجی با مقادیر تصادفی بین 0.75 تا 1.25 تولید می شود. در مرحله بعد، این تصویر برای مقدار اسمی وزن ضرب می شود تا تصویری با تغییرات فضایی ± 25٪ وزن اصلی به دست آید. به عنوان مثال، متغیر (نقشه عاملی) کاربری اراضی دارای وزن 0.14 است. سپس یک مقدار تصادفی بین 0.105 (-25٪) و 0.175 (+25٪) به هر پیکسل از نقشه عامل کاربری زمین اختصاص داده می شود. ما در نظر می‌گیریم که در انواع مدل‌های MCE، یک فاکتور بسته به منطقه فرعی وزن متفاوتی دارد. در واقع، عامل کاربری زمین به این روش مدل‌سازی شد ([ 26 ] Plata Rocha et al, 2011). بنابراین مناسب به نظر می رسد که یک ارزیابی از تأثیر این فرآیند ممکن در واریانس کلی خروجی مدل گنجانده شود.

سپس، اجرای یک تغییر تصادفی در سطح پیکسل در فاکتورها و وزن ها تضمین می کند که هر پیکسل احتمال یکسانی برای تغییر مقادیر خود در محدوده های پیشنهادی دارد.

این دو عملیات برای 13 متغیر (نقشه عامل) و برای 13 وزن متصل به هر عامل انجام شد و 26 تصویر شطرنجی جدید به دست آمد. همانطور که قبلاً ذکر شد، روش E-FAST مبتنی بر تعریف تابع توزیع احتمال (PDF) برای هر متغیر ورودی مدل است که نمونه ای از آن استخراج می شود. بنابراین، روال به شرح زیر بود:

شکل 3 . فرآیند به دست آوردن تغییرات در عوامل فضایی (چپ) و وزن ها (راست).

1) اول از همه، ما می‌توانیم پی‌دی‌اف‌های مختلف را از این نقشه‌های اصلاح‌شده به دست آوریم، جایی که تغییر مقدار اصلی برای هر پیکسل نقشه انجام شده است (دو مثال را در شکل 4 ببینید ).

2) سپس می توان در نظر گرفت که نمونه های استخراج شده از این PDF ها سطح مکانی را در نظر می گیرند. از سوی دیگر، تغییرات در PDF همه عوامل مدل (متغیرها و وزن‌های پیوست شده) به دنبال استدلال ارائه شده توسط [ 17 ] Lilburne و Tarantola (2009) معرفی می‌شوند.

3) در نهایت، با این ورودی های جدید، رویه SA مانند آنچه در بخش 3.1 در نقطه II و III توضیح داده شده است، اعمال شد.

در نهایت به منظور مقایسه و تحلیل نتایج به‌دست‌آمده از روش E-FAST و روش فضایی E-FAST، از شاخص‌های حساسیت S i و S Ti استفاده شد.

4. نتایج

4.1. نتایج روش E-FAST

با توجه به نتایج به‌دست‌آمده برای کاربرد متعارف روش E-FAST، نشان‌داده‌شده در جدول 2 ، عاملی که بیشترین نسبت تنوع در نتایج را به خود اختصاص داده، کاربری اراضی (24/0 و 17/0 در مورد مناطق مسکونی و تجاری و تا 48/0 است). برای مناطق صنعتی). علاوه بر این، مشاهده می‌شود که 4 عامل دیگر معیار مشخصی از تغییرپذیری شامل فاصله تا مراکز شهری، در مدل کاربری مسکونی (0.14) و مدل کاربری تجاری (0.15)، فاصله تا مراکز تجاری در مدل کاربری تجاری (15/0)، نوع خاک در مدل کاربری صنعتی (13/0) و ریسک ژئوتکنیکی در مدل کاربری مسکونی (09/0).

در نهایت، نتایج به‌دست‌آمده نمونه‌ای از نتایج یافت شده برای تقریباً همه مدل‌ها بود، یعنی تنها سه یا چهار عامل تأثیر قابل‌توجهی بر نتایج پیدا کردند. با این حال، آنچه در این مورد غیرمعمول است این است که نسبت نمایش داده شده توسط مجموع مهم ترین عوامل در مقایسه با آنچه که معمولاً در مدل های دیگر یافت می شود، نسبتاً کم بود ([ 30 ] Crosetto et al., 2001; [ 31 ] Crosetto et al. .، 2002؛ [ 19 ] گومز دلگادو و تارانتولا، 2006). از آنجایی که بسیاری از واریانس در نتایج منعکس نشده است، برای مثال، استفاده از این اطلاعات به منظور ساده کردن مدل نامناسب است. نتایج نشان می دهد که تمامی عوامل برای بکارگیری صحیح مدل ضروری هستند.

4.2. نتایج روش فضایی E-FAST

همانطور که در بخش 3.2 توضیح داده شد، روش E-FAST یک بار دیگر با در نظر گرفتن واریانس مکانی عوامل مدل استفاده شد.

نتایج نشان می دهد که حداقل 9 متغیر مقدار قابل توجهی از تنوع را در مدل ارائه می دهند ( جدول 3 ). نتایج نشان می‌دهد که پس از معرفی تغییرات، هم برای متغیرها و هم برای وزن‌ها، 3 عامل مهم دیگر علاوه بر موارد شناسایی شده در تحلیل اول (فاصله تا آب‌های سطحی، فاصله تا مناطق حفاظت‌شده طبیعی و فاصله تا جاده‌ها) به دست آمد. عواملی مانند فاصله تا بیمارستان و جنبه، با تأثیر کم در روش اول، در این برنامه جدید E-FAST ناپدید می شوند.

نتیجه جالب دیگر کاهش اهمیت عامل کاربری اراضی است. هنگامی که سطح فضایی در نظر گرفته شود، این عامل اهمیت خود را تنها برای مدل کاربری اراضی صنعتی حفظ می کند. فاصله از مراکز شهری در حال حاضر اولین جایگاه را در مدل کاربری زمین مسکونی به خود اختصاص داده است.

علاوه بر این، دو تفاوت اصلی دیگر نیز یافت شد. از یک سو مجموع مهم ترین عوامل افزایش یافته است. این امکان را برای پاک کردن عوامل بی‌اهمیت‌تر از مدل باز می‌کند، زیرا فاکتورهای کافی وجود دارند که واریانس مدل را منعکس می‌کنند. از سوی دیگر، تفاوت بین شاخص های مرتبه اول و اثر کل (Si و S Ti ) نشان داد که بین ورودی ها تعامل وجود دارد، اگرچه تفاوت بین آنها معنی دار نیست (2/0<). توجه داشته باشید که در روش اول نتایج برای هر دو شاخص برای همه عوامل یکسان بود.

در نهایت، نتایج هر دو روش تأیید می‌کند که وزن‌های متصل به متغیرها قوی هستند و معرفی تغییرات کوچک بر تغییرات نتایج مدل تأثیری ندارد.

5. نتیجه گیری ها

اگرچه بسیاری از تکنیک‌های عددی در حال حاضر برای اجرای SA از انواع مختلف مدل‌ها وجود دارد، این روش‌ها فاقد دیدگاه فضایی هستند. این مقاله یک رویکرد جایگزین برای رفع این محدودیت پیشنهاد می کند. در مطالعه ما، مشاهده شد که SA تنها حداکثر 5 عامل مهم را در هنگام استفاده از PDF پارامترها و زمانی که تنها تغییرات معرفی شده با تغییرات در توزیع وزن ها مطابقت دارد شناسایی کرد ( جدول 2 ). با این حال، هنگامی که یک SA با در نظر گرفتن PDF عوامل با تغییرات در سطح پیکسل انجام شد، سایر عوامل تأثیرگذار شناسایی شدند.

ما در نظر داریم که، تا حدی، استفاده از این نوع SA کمبودهای ارائه شده توسط روش‌های دیگر را هنگام اعمال به مدل‌های فضایی جبران می‌کند. علاوه بر این، این دیدگاه فضایی با ابزارهای اساسی موجود در یک GIS معمولی آسان است. در نظر گرفتن این سوال برای تشویق به تحقق رویه اعتبارسنجی یک مدل بسیار مهم است که به دلیل تلاش و زمان معمولاً انجام نمی شود.

ما می توانیم تأیید کنیم که بر اساس کاربرد دو روش SA توصیف شده؛ مهم ترین، تاثیرگذارترین و مهم ترین عوامل در رابطه با مدل برای

شکل 4 . نسخه اصلی فضایی و نسخه فضایی اصلاح شده فاکتور فاصله تا مناطق شهری و وزن آن.

جدول 2 . مهم ترین عوامل در SA، پس از معرفی تغییرات ± 25 درصد در وزن.

جدول 3 . مهم ترین عوامل در SA، پس از معرفی تغییرات 25± درصد برای هر دو عامل و وزن و در نظر گرفتن تغییرات فضایی ورودی های مدل.

شبیه سازی رشد شهری عبارتند از: کاربری زمین، فاصله تا مراکز شهری، فاصله تا جاده، فاصله تا جاده، تجارت و بیمارستان، نوع خاک و فاصله وزنی برای آسیب پذیرترین جمعیت و آنهایی که قدرت خرید دارند. با این حال، ساده سازی مدل توصیه نمی شود. مدل فقط با عواملی که واریانس خروجی مدل را هدایت می‌کنند اجرا شد، اما نتایج نسبتاً متفاوت از اصلی بود. به این معنی که برای بهبود مدل باید به این عوامل توجه ویژه ای داشته باشیم. نتیجه می‌گیریم که مدل توسعه‌یافته قوی است و ساده‌سازی آن بدون از دست دادن بخش‌های مهم نتیجه نهایی ممکن نیست.

در نهایت، ما می‌خواهیم اهمیت انجام این «اعتبار بخشی جزئی» را بر روی نتایج یک مدل شبیه‌سازی آینده‌نگر، که در آن مقایسه بین خروجی‌های مدل و داده‌های واقعی غیرممکن است، برجسته کنیم ([ 5 ] Paegelow و Camacho Olmedo، 2008). حداقل این نوع رویه‌ها می‌توانند اطلاعاتی در مورد استحکام و سازگاری مدل و نتایج آن ارائه دهند: اول، به این دلیل که روش‌شناسی ساده و آسان برای پیاده‌سازی در GIS است، و دوم، به این دلیل که برآوردگر پیشنهادی (Si و S Ti ) و نتایج به شدت تحت تأثیر تغییرات ایجاد شده در متغیرهای اصلی مدل قرار نمی گیرند.

SA بخشی از یک رویه اعتبار سنجی است و این اطلاعات «سیاست گذاران و سایر کاربران از نتایج مدل را در مورد عدم قطعیت های موجود در نتایج مدل مطلع می کند و به مدل ساز کمک می کند تا مناسب بودن مدل را برای یک موقعیت خاص ارزیابی کند. ایده هایی برای بهبود مدل ارائه دهید» ([ 3 ] Verburg, et al., 2004: 15). بنابراین، این نوع مطالعه بسیار مهم است زیرا به توسعه ابزارهای جدید GIS برای کمک به شبیه‌سازی و تحلیل مدل‌های فضایی آینده یا سناریوهای جایگزین کمک می‌کند.

منابع

  1. JI Barredo و MD Gómez “به سوی مجموعه ای از سناریوهای کاربری شهری IPCC SRES: مدل سازی استفاده از زمین شهری در منطقه مادرید”، در: M. Paegelow و MTC Olmedo، Eds.، Modeling Environmental Dynamics. Advances in Geomatics Solution, Springer, Berlin, 2008, pp. 363-385.  [زمان(های استناد): 2]
  2. PH Verburg، PP Schot، MJ Dijst و A. Veldkamp، “مدلسازی تغییر کاربری زمین: اولویت‌های تحقیق و تمرین فعلی،” GeoJournal، جلد. 61، شماره 4، 1383، صص 309-324. doi:10.1007/s10708-004-4946  [زمان(های استناد): 2]
  3. MG Delgado and J. Bosque Sendra, “Validation of GIS-performed analysis,” in: PK Joshi, P. Pani and SN Mohapatra, Eds., Geoinformatics for Natural Resource Management, Nova Science Publishers, Hauppauge, 2009, pp. 179- 208.  [زمان(های استناد): 3]
  4. M. Paegelow و MTC Olmedo، “Modeling Environmental Dynamics”، Springer-Verlag، برلین، 2008.  [زمان(های استناد): 1]
  5. ME قریشی، SR هریسون و MK Wegener، “اعتبارگذاری مدل های تجزیه و تحلیل چند معیاره”، سیستم های کشاورزی، جلد. 62، شماره 2، 1378، صص 105-116. doi:10.1016/S0308-521X(99)00059-1  [زمان(های استناد):4]
  6. ML Chu-Agor، R. Muñoz-Carpena، G. Kiker، A. Emanuelsson و I. Linkov، “کاوش در مورد آسیب پذیری زیستگاه های ساحلی در برابر افزایش سطح دریا از طریق تحلیل های حساسیت جهانی و عدم قطعیت”، مدل سازی و نرم افزار محیطی، جلد. 26، شماره 5، 1390، صص 593-604. doi:10.1016/j.envsoft.2010.12.003  [زمان(های استناد): 1]
  7. M. Crosetto، S. Tarantola و A. Saltelli، “تحلیل حساسیت و عدم قطعیت در مدلسازی فضایی بر اساس GIS”، کشاورزی، اکوسیستم ها و محیط زیست، جلد. 81، شماره 1، 2000، صص 71-79. doi:10.1016/S0167-8809(00)169-9  [زمان(های استناد):4]
  8. A. Saltelli، K. Chan و EM Scott، “تحلیل حساسیت”، Wiley، LTD.، چیچستر، 2000.  [زمان(های استناد): 3]
  9. A. Saltelli، M. Ratto، T. Andres، F. Campolongo، J. Cariboni، D. Gatelli، M. Saisana و S. Tarantola، “تحلیل حساسیت جهانی: آغازگر،” Wiley، LTD.، چیچستر، 2008.  [زمان(های استناد): 1]
  10. A. Saltelli، S. Tarantola و K. Chan، “نقشی برای تجزیه و تحلیل حساسیت در ارائه نتایج از مطالعات MCDA به تصمیم گیرندگان”، مجله تحلیل تصمیم گیری چند معیاره، جلد. 8، شماره 3، 1378، صص 139-145. doi:10.1002/(SICI)1099-1360(199905)  [زمان(های استناد): 1]
  11. MG Delgado و JB Sendra، “تحلیل حساسیت در تصمیم گیری فضایی چند معیاره: یک بررسی”، ارزیابی ریسک انسانی و زیست محیطی، جلد. 10، شماره 6، 1383، صص 1173-1187. doi:10.1080/10807030490887221   [زمان(های) نقل قول: 1]
  12. سی جی پتیت، “سناریوهای برنامه ریزی کاربری اراضی برای رشد شهری: رویکرد مطالعه موردی”، Ph.D. پایان نامه، دانشگاه کوئینزلند، کوئینزلند، 2002.   [Citation Time(s):1]
  13. NB Chang، G. Parvathinathan و JB Breeden، “ترکیب GIS با تصمیم گیری چند معیاره فازی برای نشستن دفن زباله در یک منطقه شهری با رشد سریع،” مجله مدیریت محیط زیست، جلد. 87، شماره 1، 1387، صص 139-153.   [زمان(های استناد): 1]
  14. P. Jankowski، “یکپارچه سازی سیستم های اطلاعات جغرافیایی و روش های تصمیم گیری چند معیاره”، مجله بین المللی سیستم های اطلاعات جغرافیایی، جلد. 9، شماره 3، 1374، صص 251-273. doi:10.1080/02693799508902036   [زمان(های) نقل قول: 1]
  15. S. Baja، DM Chapman و D. Dragovich، “برنامه سازي سازش مبتني بر فضايي براي تصميم گيري چند معيار در برنامه ريزي استفاده از زمين”، مدل و ارزيابي محيطي، جلد. 12، شماره 3، 1386، صص 171-184. doi:10.1007/s10666-006-9059-1   [زمان(های) نقل قول: 1]
  16. D. Geneletti و I. van Duren، “منطقه حفاظت شده برای حفاظت و استفاده: ترکیبی از چند معیاره فضایی و ارزیابی چند هدف”، منظر و برنامه ریزی شهری، جلد. 85، شماره 2، 1387، صص 97-110. doi:10.1016/j.landurbplan.2007.10.004   [Citation Time(s):1]
  17. L. Lilburne و S. Tarantola، “تحلیل حساسیت مدل‌ها با ورودی فضایی توزیع شده،” مجله بین‌المللی سیستم‌های اطلاعات جغرافیایی، جلد. 23، شماره 2، 1388، صص 151-168.   [زمان(های استناد):4]
  18. M. Crosetto و S. Tarantola، “تحلیل عدم قطعیت و حساسیت: ابزارهایی برای پیاده سازی مدل مبتنی بر GIS”، مجله بین المللی علوم اطلاعات جغرافیایی، جلد. 15، شماره 5، 1380، صص 415-437. doi:10.1080/13658810110053125   [زمان(های) نقل قول: 2]
  19. MG Delgado و S. Tarantola، “تحلیل حساسیت جهانی، GIS و ارزیابی چند معیاره برای برنامه ریزی پایدار سایت دفع زباله های خطرناک در اسپانیا”، مجله بین المللی علوم اطلاعات جغرافیایی، جلد. 20، شماره 4، 1385، صص 449-466. doi:10.1080/13658810600607709   [زمان(های) نقل قول: 3]
  20. T. Wagener and J. Kollat، “ارزیابی عددی و بصری مدل های هیدرولوژیکی و محیطی با استفاده از جعبه ابزار تحلیل مونت کارلو”، Environmental Modeling & Software، جلد. 22، شماره 7، 1386، صص 1021-1033. doi:10.1016/j.envsoft.2006.06.017   [Citation Time(s):1]
  21. Y. Tang، P. Reed، T. Wagener و K. van Werkhoven، “مقایسه روش های تحلیل حساسیت برای شناسایی و ارزیابی مدل حوضه برآمده”، علوم هیدرولوژی و سیستم زمین، جلد. 11، شماره 2، 1386، صص 793-817. www.hydrol-earth-syst-sci.net/11/793/2007/   [Citation Time(s):1]
  22. H. Varella، M. Guèrif و S. Buis “تحلیل حساسیت جهانی کیفیت تخمین پارامتر را اندازه گیری می کند: مورد پارامترهای خاک و مدل محصول،” Environmental Modeling & Software, Vol. 25، شماره 3، 1389، صص 310-319. doi:10.1016/j.envsoft.2009.09.012   [Citation Time(s):1]
  23. آژانس محیط زیست اروپا (EEA)، “گسترش شهری در اروپا، چالش نادیده گرفته شده”، گزارش EEA 10، لوکزامبورگ، 2006.   [Citation Time(s):1]
  24. WP Rocha، MG Delgado و JB Sendra، “تغییرات کاربری زمین و گسترش شهری در جامعه مادرید (1990-2000)،” Scripta-Nova، جلد. سیزدهم، شماره 293، 2009. https://www.ub.es/geocrit/sn/sn-293.htm   [Citation Time(s):1]
  25. WP Rocha، MG Delgado و JB Sendra، «توسعه مدل‌های رشد شهری بهینه برای جامعه مادرید با استفاده از تکنیک‌های ارزیابی چند معیاره و سیستم‌های اطلاعات جغرافیایی»، GeoFocus (مجله بین‌المللی علم و فناوری اطلاعات جغرافیایی)، جلد. 10، 2010، صص 103-134. https://geofocus.rediris.es/2010/Articulo5_2010.pdf   [زمان(ها):1]
  26. WP Rocha، MG Delgado و JB Sendra، “شبیه سازی سناریوهای رشد شهری با استفاده از GIS و تکنیک های ارزیابی چند معیاره. مطالعه موردی: منطقه مادرید، اسپانیا، محیط زیست و برنامه ریزی B، جلد. 38، شماره 6، 1390، صص 1012-1031. doi:10.1068/b37061   [زمان(های) استناد:2]
  27. FA Benavente، WP Rocha، JB Sendra و MG Delgado، “طراحی و شبیه سازی سناریوهای تقاضای زمین شهری در مناطق شهری،” International Journal of Sustainability, Technology and Humanism, Vol. 4، 2009، صص 57-80. https://hdl.handle.net/2099/8535   [زمان(ها):1]
  28. A. Saltelli، S. Tarantola و KK Chan، “یک روش مستقل مدل کمی برای تحلیل حساسیت جهانی خروجی مدل”، Technometrics، جلد. 41، شماره 1، 1378، صص 39-56. doi:10.2307/1270993   [زمان(های) نقل قول: 1]
  29. RI Cukier، CM Fortuin، KE Schuler، AG Petschek و JH Schaibly، «مطالعه حساسیت سیستم‌های واکنش جفت شده به عدم قطعیت در ضرایب نرخ. بخش اول: نظریه، مجله فیزیک شیمی، جلد. 59، شماره 8، 1975، صص 3873-3878. doi:10.1063/1.431440   [زمان(های) استناد:1]
  30. M. Crosetto، JAM Ruiz و B. Crippa، “انتشار عدم قطعیت در مدل های هدایت شده توسط داده های سنجش از راه دور”، سنجش از دور محیط، جلد. 76، شماره 3، 1380، صص 373-437. doi:10.1016/S0034-4257(01)00184-5  [زمان(های) استناد:1]
  31. M. Crosetto، F. Crosetto and S. Tarantola، “تخصیص بهینه منابع برای پیاده سازی مدل مبتنی بر GIS”، مهندسی فتوگرامتری و سنجش از دور، جلد. 68، شماره 3، 1382، صص 225-232.   [زمان(های استناد): 1]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید