پیش بینی رشد شهری: مروری بر مدل های محاسباتی و ادراکات انسانی

چکیده

جمعیت انسانی همچنان در مراکز شهری جمع می شود. این امر به ناچار ردپای شهری را با پیامدهای قابل توجهی برای تنوع زیستی، آب و هوا و منابع زیست محیطی افزایش می دهد. مدل‌های پیش‌بینی رشد شهری با هدف کلی کمک به مدیریت پایدار مراکز شهری به طور گسترده مورد مطالعه قرار گرفته‌اند. با وجود تحقیقات گسترده، این مدل ها اغلب در فرآیند تصمیم گیری گنجانده نمی شوند. هدف این بررسی ایجاد این شکاف با تجزیه و تحلیل نتایج یک نظرسنجی است که به ترتیب درک توسعه‌دهندگان و کاربران از جوامع مدل‌سازی و برنامه‌ریزی را بررسی می‌کند. مروری بر مدل های موجود، از جمله مزایا و محدودیت ها، نیز ارائه شده است. در مجموع 156 نسخه خطی شناسایی شده است. تجزیه و تحلیل آمارهای انبوه نشان می دهد که اتوماتای ​​سلولی تکنیک غالب مدل سازی هستند. در اکثر آثار منتشر شده وجود دارد. همچنین ترجیح زیادی برای مطالعات محلی یا منطقه ای وجود دارد، انتخابی که احتمالاً مربوط به در دسترس بودن داده ها است. این نظرسنجی به رسمیت شناخت قوی از پتانسیل مدل‌ها در تصمیم‌گیری، اما توافق محدودی را نشان داد که این مدل‌ها در عمل به آن پتانسیل دست پیدا می‌کنند.

 

 همکاری بین جوامع برنامه ریزی و مدل سازی برای انتقال مدل ها به عمل ضروری تلقی می شود. در دسترس بودن داده ها توسط پاسخ دهندگان با تجربه الگوریتمی محدود، عامل بازدارنده قوی تری در نظر گرفته می شود، که ممکن است نشان دهنده تخصصی تر شدن داده های ورودی مدل باشد، بنابراین کاربرد گسترده را به طور قابل توجهی محدود می کند. این بررسی ادراکات توسعه‌دهندگان و کاربران را ارزیابی می‌کند و مدل‌های پیش‌بینی رشد شهری موجود را مورد بحث قرار می‌دهد و به عنوان مرجعی برای توسعه مدل‌های آینده عمل می‌کند.

1. مقدمه

شهرنشینی در دو قرن اخیر به طور قابل توجهی افزایش یافته است. در سال 1800 تنها 2 درصد مردم در شهرها زندگی می کردند، در حالی که در سال 1900 این درصد به 12 درصد افزایش یافت. مطالعات اخیر نشان می دهد که در سال 2008 بیش از 50 درصد از جمعیت جهان در مناطق شهری زندگی می کردند که انتظار می رود این درصد تا سال 2030 به 75 درصد برسد [ 1 ]. تخمین زده می شود که استفاده از زمین شهری جهانی تا سال 2030 حداقل 430000 کیلومتر مربع ^{، تقریباً به اندازه عراق، افزایش خواهد یافت [} 2 ]. پوشش زمین شهری تنها 2 درصد یا 3 درصد از سطح زمین را اشغال می کند [ 3]، با این حال مشخص شده است که رشد شهری با بسیاری از مشکلات اجتماعی-اقتصادی و زیست محیطی همراه است. به عنوان مثال، سطوح غیرقابل نفوذی که از شهرنشینی ناشی می‌شوند به طور چشمگیری دبی اوج مرتبط با طوفان و رویدادهای ذوب برف را افزایش می‌دهند، که به نوبه خود احتمال سیل در پایین دست را بیشتر می‌کند زیرا آب‌های طوفان از ظرفیت کانال جریان بیشتر می‌شوند [ 4 ]. تغییر مواد سطحی همچنین میزان تابش خورشیدی منعکس شده یا جذب شده را تغییر می دهد و در نتیجه تغییرات میکرو اقلیم از طریق تغییرات دما و رطوبت ایجاد می شود. این تغییرات به پدیده جزیره گرمایی شهری کمک می کند که بر سلامت و آسایش انسان تأثیر می گذارد و تقاضای انرژی برای سرمایش را افزایش می دهد [ 5 ]]. علاوه بر این، آلاینده‌هایی که در سطوح شهری متمرکز می‌شوند، ویژگی‌های بیولوژیکی، شیمیایی و فیزیکی دریاچه‌ها، نهرها و مصب‌های دریافت‌کننده رواناب شهری را تخریب می‌کنند که منجر به تغییرات زیستگاه‌های آبی و خشکی می‌شود. به خوبی مستند شده است که شاخص های مربوط به یکپارچگی بیولوژیکی نهرها و زیستگاه ساحلی با میزان سطوح غیرقابل نفوذ مجاور آنها رابطه معکوس دارد [ 6 ].

مطالعات مدل‌سازی شهری در حال حاضر جزء ضروری برای چندین رویکرد پیچیده زیست محیطی در نظر گرفته می‌شود. برای مثال، مدل‌سازی رشد شهری می‌تواند به سناریوهای سازگاری و کاهش با توجه به تغییرات اقلیمی کمک کند، زیرا مقادیر زیادی از هوا، خاک و انتشار زباله در شهرهای بزرگ رخ می‌دهد [7-11]. علاوه بر این، با توجه به روند فزاینده شهرنشینی همراه با پیامدهای زیست محیطی بالقوه، به نظر می‌رسد مدل‌سازی رشد شهری نقش اصلی در برنامه‌ریزی شهری برای کمک به تصمیم‌گیری‌های مربوط به توسعه شهری پایدار دارد [12-17].

به عنوان پاسخ، جامعه علمی مدل‌های پیش‌بینی رشد شهری (UGPMs) متعددی را در طول دهه‌های گذشته به منظور مطالعه پویایی کاربری زمین شهری و شبیه‌سازی رشد شهری توسعه داده‌اند. این مدل‌ها، حتی اگر هدف مشترکی دارند، در روش‌شناسی‌های اساسی و مفروضات نظری، و تفکیک‌ها و گستره‌های مکانی/زمانی بسیار متفاوت هستند. چندین بررسی در مورد این موضوع موجود است [18-22]. انگیزه پشت کار ما برای روشن کردن نور در یک محدودیت شناخته شده است. در حال حاضر، شکاف قابل‌توجهی بین تلاش‌های مدل‌سازی و اجرای آن‌ها در تصمیم‌گیری وجود دارد، زیرا برنامه‌ریزان شهری و تصمیم‌گیرندگان فقط تا حدی این محصولات تحقیقاتی را ادغام کرده‌اند. برای بررسی بیشتر این موضوع، یک نظرسنجی آنلاین برای شناسایی محدودیت‌ها و زمینه‌های بهبود برای کاربرد UGPM در آینده انجام شد.

در بخش بعدی خلاصه ای گذشته نگر از کارهای موجود ارائه شده است که به عنوان مرجعی برای توسعه آینده UGPM عمل می کند. متن اضافی در پیوست منابع داده های مختلف را برای این مدل ها مورد بحث قرار می دهد (Text S1). این نظرسنجی با یافته‌های مرتبط معرفی می‌شود و پس از آن بحثی عمیق در مورد وضعیت فعلی و زمینه‌های بالقوه بهبود در تمام مراحل UGPM، از منابع داده‌ها، انتخاب‌های مدل‌سازی ریاضی تا ویژگی‌های مدل‌سازی که ادغام بی‌دردسر در تصمیم‌گیری را تسهیل می‌کند، معرفی می‌شود.

 

2. مدل های پیش بینی رشد شهری

مدل‌های پیش‌بینی رشد شهری (UGPMs) وظیفه دارند روابط درونی و پیچیده را در فضا و زمان ثبت کنند. پیچیدگی فضایی تأثیر عوامل بیوفیزیکی و اجتماعی-اقتصادی متعدد را منعکس می‌کند و در نتیجه الگوهای ناهمگون در سراسر مکان و مقیاس ظاهر می‌شوند و در نتیجه توسعه شهری را به یک فرآیند پویا و غیر خطی تبدیل می‌کند [ 23 ]. پیچیدگی زمانی خود را از طریق دشواری پیش‌بینی برای فواصل زمانی طولانی نشان می‌دهد. تکامل شهری اغلب مستلزم برگشت ناپذیری است [24،25] بنابراین، در یک محیط شهری در حال تغییر، تنها پیش‌بینی‌های کوتاه‌مدت می‌تواند به طور ایمن اعمال شود [ 23 ].

علاوه بر این، فرآیند پویای رشد شهری با پیچیدگی تصمیم گیری مرتبط است [12،26،27]. پیش‌بینی تصمیم‌های برنامه‌ریزان شهری و سیاست‌گذاران دشوار است، به‌ویژه در یک دوره زمانی طولانی، زیرا به نیازهای ذینفعان، فشار اقتصادی و قوانین مربوطه بستگی دارد.

مدل‌های زیادی برای بررسی رشد شهری به کار گرفته شده‌اند و از دیدگاه‌های گوناگون به این مشکل نزدیک می‌شوند. به طیف وسیعی از منابع الکترونیکی دسترسی داشت که منجر به انتخاب نهایی 156 نسخه خطی UGPM شد. برای انتخاب نسخه خطی، از دستورالعمل‌های کیفیت گزارش‌دهی مرورهای سیستماتیک و متاآنالیز (PRISMA) پیروی کردیم [ 28 ]. تجزیه و تحلیل ما نسخه های خطی را تا اوت 2012 جمع آوری کرد. شکل 1 فرآیند انتخاب را توصیف می کند و بیانیه مفصل PRISMA در پیوست ارائه شده است ( جدول S3).). در ابتدا سوابق از طریق جستجوهای الکترونیکی در پایگاه های داده مربوطه (مانند Sciencedirect) و موتورهای جستجو (مثلا Google Scholar) شناسایی شدند. پس از حذف موارد تکراری، سوابق نامرتبط از لیست حذف شدند (به عنوان مثال سوابق برگشتی از دست نوشته های املاک یا برنامه ریزی شهری). در سطح غربالگری بعدی، نسخه‌های خطی در سه دسته کلی حذف شدند: 1) خروجی مدل صریح فضایی (مثلاً نسخه‌های خطی جمعیت‌شناختی، تراکم جمعیت، نسخه‌های خطی مدل‌سازی اقتصادسنجی) را ارائه نکردند. 2) مکانیزم پیش‌بینی صریح فضایی صریح را شامل نمی‌شود (مثلاً نسخه‌های خطی که تغییرات شهری را با استفاده از روش‌های سنجش از دور تشخیص می‌دهند). و 3) تغییر شهری را شبیه سازی نکرده است، بلکه سایر انواع کاربری اراضی (مدل های تغییر کاربری عمومی بدون تخصص تغییر شهری) را شبیه سازی کرده است. نسخه های خطی مورد اخیر در [29 ]. در مرحله آخر، نسخ خطی را که مرتبط تلقی می‌شدند، اما فقط شامل یک جزء نظری بودند یا کاربرد ساده‌ای از کار منتشر شده قبلی بودند، حذف کردیم.

خلاصه ای از نسخه های خطی بررسی شده در شکل 2 ارائه شده است. چندین ویژگی مشترک بررسی می شود. اولاً، از نظر انواع ورودی، ورودی‌های بیوفیزیکی یا بیوفیزیکی/اجتماعی اقتصادی (107 نسخه خطی) و به دنبال آن ورودی‌های کاربری زمین شیوع دارند. همچنین ترجیح زیادی برای مطالعات محلی (64) و منطقه ای (67) وجود دارد که احتمالاً به دلیل در دسترس بودن داده ها، هزینه های توسعه و اعتبارسنجی و جهت های تأمین مالی است. وضوح فضایی، که به عنوان اندازه سلول خروجی مدل (نه ورودی های مدل) تعریف می شود، ترجیحی برای مقادیر متوسط ​​(<100 متر) نشان داد. وضوح زمانی، که به عنوان طول زمانی داده‌های مرجع مدل تعریف می‌شود (با گستره زمانی پیش‌بینی اشتباه نشود) تمایل به فواصل زمانی نسبتاً کوتاه (85 نسخه خطی با کمتر از 20 سال) را نشان داد، محدودیتی که احتمالاً توسط منابع داده اعمال می‌شود.

از منظر مدل سازی دو تصمیم خاص به طور قابل توجهی بر طراحی و عملکرد مدل تأثیر می گذارد. اولین مورد مفهومی است و به رفتار و روابط فضایی مورد انتظار مربوط می شود. تصمیم دوم نوع الگوریتمی زیربنایی برای مدل است. این تصمیمات در دو بخش بعدی مورد بحث قرار می گیرند.

2.1. خودهمبستگی فضایی و ناهمگنی

برای پرداختن به برخی از پیچیدگی های اساسی، UGPM ها دو ویژگی تحلیلی اصلی تحلیل فضایی را در خود گنجانده اند: خودهمبستگی فضایی و ناهمگنی فضایی. خودهمبستگی فضایی به سیستماتیک اشاره دارد

تغییر یک متغیر، پیروی از قانون اول جغرافیا [ 30 ]، که در آن اشیاء نزدیک بیش از چیزهای دور مرتبط هستند. با توجه به [ 31 ] یک سیستم ناهمگن مکانی یا زمانی با مقادیر مختلف در مکان ها یا فواصل زمانی خاص مشخص می شود. در یک محیط شهری ناهمگونی فضایی به توزیع فضایی متفاوت شهرنشینی همراه با عوامل محرک زیربنایی اشاره دارد.

خودهمبستگی مکانی را می توان با استفاده از آمار فضایی جهانی و محلی توصیف کرد. در برخی از مطالعات آماری کلی فضایی، از آمار فضایی جهانی و محلی استفاده شده است، مانند: Moran’s I [32-34]، Geary C [35-37]، آماره G [38،39] و نشانگرهای محلی انجمن فضایی (LISA). ) [40،41]. آمارهای فضایی، مانند متریک‌های منظر و پارامترهای بافت (مانند آنتروپی، واریانس، همگنی) نیز به طور گسترده در مدل‌های پیش‌بینی رشد شهری مورد استفاده قرار گرفته‌اند [42-57].

تخمین یک متغیر وابسته به عنوان تابعی از ماتریس متغیرهای مستقل را می توان با استفاده از الف) رگرسیون ساده حداقل مربعات معمولی (OLS) و ب) رگرسیون فضایی جهانی [ 58 ] انجام داد. اولی از معادله (1) تبعیت می کند:

(1)

که در آن y _i متغیر وابسته، x _i ماتریس متغیرهای مستقل، b بردار ضریب و ε _i بردار خطاهای تصادفی است. GEOMOD نمونه ای از یک مدل کاربری زمین است که از رگرسیون چندگانه برای تعیین وزن هر متغیر استفاده می کند تا مکان هر سلول تغییر یافته را مشخص کند [ 59 ]. رگرسیون فضایی جهانی زمانی استفاده می شود که خودهمبستگی مکانی در متغیر وابسته وجود داشته باشد و بنابراین، نقض مفروضات رگرسیون OLS وجود دارد. پس از آن، یک متغیر توضیحی تکمیلی اضافه می شود تا وابستگی مکانی متغیر وابسته را نشان دهد، همانطور که فرمول (2) زیر نشان می دهد:

(2)

که در آن δ ضریب خودرگرسیون فضایی و w _ij وزن فضایی همسایگان i و j است [60-63]. خودهمبستگی فضایی به مقیاس فضایی [ 64 ] بستگی دارد و در برخی موارد با نمونه برداری از نقاط در فواصل بزرگتر از فاصله ای که خودهمبستگی فضایی رخ می دهد، اجتناب می شود [ 65 ]. یک راه حل جایگزین، رگرسیون اتولوژیستی است که اثرات خودهمبستگی را با استفاده از یک عبارت خودکوواریات تطبیق می دهد [66-68]. این متغیر مستقل اضافی، تغییرپذیری مکانی متغیر پاسخ را به تصویر می‌کشد.

یکی دیگر از ویژگی های مهم رشد شهری، ناهمگونی فضایی است [ 69 ]. الگوهای مختلف رشد شهری ممکن است به طور جداگانه با استفاده از مدل های محلی به جای یک مدل جهانی در کل منطقه مورد مطالعه مورد بررسی قرار گیرند [ 70 ]. سه تکنیک مدل‌سازی ممکن است برای مدیریت ناهمگونی فضایی به کار رود: رگرسیون‌های سوئیچینگ، مدل‌های چند سطحی و رگرسیون وزن‌دار جغرافیایی [ 71 ].]. مدل رگرسیون سوئیچینگ یک مجموعه داده را به تعدادی از مناطق همگن منحصر به فرد دسته بندی می کند که در هر یک از آنها یک مدل رگرسیون خطی اعمال می شود [72،73]. مدل رگرسیون سوئیچینگ شکاف بین رویکرد محلی و جهانی در مدل‌سازی فضایی را پر می‌کند. مدل‌های چند سطحی، که به عنوان مدل‌های سلسله مراتبی نیز شناخته می‌شوند، واحدهای مورد علاقه (مثلاً ساختارهای شهری) را به خوشه‌های سطح بالاتر (مثلاً محله‌ها) گروه‌بندی می‌کنند. انگیزه استفاده از مدل‌های چند سطحی این است که می‌توانند ناهمگونی را بین خوشه‌ها و واحدهای تودرتو در درون خوشه‌ها متمایز کنند [74،75]. در نهایت، رگرسیون وزن‌دار جغرافیایی بر اساس تخصیص وزن به تمام نقاط مجموعه داده با توجه به فاصله آنها از یک نقطه کانونی است [ 76 ].

علیرغم این واقعیت که اینها مسائل شناخته شده در UGPM ها هستند، از نسخه های خطی بررسی شده، تنها شش نسخه به طور همزمان همبستگی و ناهمگنی فضایی را پشتیبانی می کنند، و دوازده مورد از ناهمگنی یا خودهمبستگی پشتیبانی می کنند ( شکل 1 ). عدم ادغام این مفاهیم ممکن است به افزایش پیچیدگی ریاضی مرتبط با آنها نسبت داده شود تا آگاهی از مشارکت آنها.

 

2.2. الگوریتم های مدل سازی اساسی

همانطور که شکل 3 نشان می دهد، طیف گسترده ای از الگوریتم ها در UGPM ها با اتوماتای ​​سلولی که در اکثر نسخه های خطی بررسی شده آزمایش شده اند، گنجانده شده اند. در این بخش کاربردها، مزایا و محدودیت‌های روش‌های رایج و امیدوارکننده را مورد بحث قرار می‌دهیم.

2.2.1 مدل سازی اتوماتای ​​سلولی

اتوماتای ​​سلولی (CA) توسط اولان و نویمان در سال 1940 معرفی شدند و از سال 1980 مدل های متعددی برای شبیه سازی رشد شهری توسعه یافتند [ 77 ]. CA به عنوان سیستم‌های دینامیک گسسته تعریف می‌شوند که توسط شبکه‌ای از سلول‌ها نشان داده می‌شوند، که در آن روابط بهم پیوسته محلی تغییرات کلی را نشان می‌دهند [34،78]. به طور کلی، وضعیت هر سلول به مقدار سلول در حالت قبلی و همچنین مقادیر همسایگان آن بر اساس برخی قوانین انتقال بستگی دارد. این قوانین بر رشد شهری تأثیر می‌گذارد، که نشان‌دهنده حمایت یا محدودیت‌های محیطی و اجتماعی-اقتصادی است. بنابراین، رویکرد پایین به بالا اجرا شده در CA متکی به شبیه‌سازی اقدامات محلی است که به تدریج ساختار نوظهور جهانی را ایجاد می‌کند [79،80].

CA با غیر خطی بودن ساختارهای شهری سر و کار دارد و فرآیند تکراری منجر به تولید الگوهای فراکتالی می شود که ویژگی های رایج در یک محیط شهری هستند [ 81 ].

کاربردهای CA در رشد شهری را می توان به موارد زیر طبقه بندی کرد: 1) تحولات مدل نظری و 2) UGPM های کاربردی در داده های واقعی. دسته اول، که در سالهای اولیه CA توسعه یافت، شامل تحولات نظری است

مدل‌های CA در شبیه‌سازی شهری [82-89]. در این مطالعات از نمونه های موردی مصنوعی برای توسعه مدل های نظری استفاده شد. نویسندگان همچنین خاطرنشان می‌کنند که رشد شهری نه کاربرد خالص بازی زندگی است و نه مدل‌های ناب کلاسیک شهری جهانی مانند مدل کاربری زمین لوری [ 34 ]. هر منطقه مورد مطالعه باید به طور جداگانه مورد بررسی قرار گیرد، با در نظر گرفتن شرایط خاصی که بر تغییرات شهری تأثیر می گذارد. بنابراین، ترکیبی از عوامل جهانی و محلی باید در UGPM ها از طریق پارامترسازی مناسب در نظر گرفته شود [84،90،91].

متعاقبا، این رویکردهای نظری پیاده سازی هایی در دنیای واقعی پیدا کردند. تعداد زیادی از برنامه ها CA را برای توسعه UGPM با استفاده از داده های واقعی ترکیب کرده اند [91-125]. ترکیبی از CA با مدل های مارکوف نیز در مطالعات متعدد ظاهر شده است [126-130]. یک مدل مارکوف نه تنها می تواند تبدیل بین کاربری ها را توضیح دهد، بلکه نرخ انتقال بین انواع مختلف را نیز محاسبه می کند. تکنیک های ارزیابی چند معیاره [130،131] و وزن شواهد [132،133] برای برآورد اهمیت محرک های کیفی و کمی در چارچوب مدل سازی CA استفاده شده است.

یک مدل رشد شهری که به طور گسترده توسط بسیاری از کاربردها مورد استفاده قرار می گیرد، مدل SLEUTH (شیب، کاربری زمین، طرد، گستره شهری، حمل و نقل و سایه تپه) است. SLEUTH، معرفی شده در [ 134 ]، یک UGPM مبتنی بر CA است که از داده های تاریخی برای کالیبراسیون متغیرها، دستیابی به اجرای موفقیت آمیز در مدل سازی مقیاس منطقه ای و توانایی مقابله با مناطق حفاظتی استفاده می کند. کالیبراسیون SLEUTH یک فرآیند محاسباتی فشرده است و بنابراین به منابع محاسباتی کافی نیاز دارد [ 135 ]. مدل SLEUTH به طور گسترده با بسیاری از مناطق مطالعاتی در سراسر جهان استفاده می شود. بیش از 100 برنامه در ایالات متحده و در سراسر جهان ظرف ده سال جمع آوری شد [ 136 ]. نمونه های کاربردی در [137-152] موجود است. نسخه جدیدی از مدل SLEUTH (SLEUTH-3r) در [153 ]، افزایش عملکرد و قابلیت اجرا با معرفی آمار برازش جدید، که فرآیند کالیبراسیون را بهبود می بخشد. Metronamica، مدل دیگری مبتنی بر CA، با SLEUTH در [ 154 ] استفاده شد. مترونامیکا با سه جزء تعریف می شود: توابع فروپاشی فاصله، ادغام با GIS و انتقال سلول محدود با محاسبه امتیاز رتبه بندی شده برای هر سلول.

دیگر مدل‌های رشد شهری مبتنی بر CA، iCity و SimLand هستند. iCity (شهر نامنظم)، که توسط [ 155 ] توسعه داده شد، توسعه ای از شکل سنتی CA است که شامل یک شبکه نامنظم [ 82 ] است. SimLand یک مدل CA شبیه سازی بر اساس روش های ارزیابی چند معیاره مانند فرآیند تحلیل سلسله مراتبی است. این توسط [ 96 ] به منظور تسهیل بازیابی آسانتر داده های مکانی، و ادغام روش های ارزیابی چند معیاره و CA با GIS (سیستم پشتیبانی تصمیم فضایی)، با استفاده از روشی واقع بینانه تر در تعریف قوانین انتقال، توسعه یافت. علاوه بر مدل های فوق، یک رویکرد اتوماتای ​​سلولی هدایت شده با استنتاج فازی توسط [ 156 ] پیشنهاد شده است.]، که در آن نظریه فازی برای ارائه دانش معنایی و زبانی مشترک برای رشد شهری و ساده کردن قوانین انتقال به کار گرفته شد. ترکیبی بهینه از قوانین انتقال با استفاده از الگوریتم های ژنتیک در فرآیند کالیبراسیون بررسی شده است [157,158]. قوانین انتقال غیرخطی نیز با استفاده از ماشین‌های بردار پشتیبان [ 159 ] مورد بررسی قرار گرفتند. علاوه بر این، شبکه‌های عصبی مصنوعی برای تولید احتمالات تبدیل از سلول اولیه به نوع کاربری زمین مورد استفاده قرار گرفتند. [ 160] یک مدل شبکه عصبی تابع پایه شعاعی (RBFNN) را برای این هدف اعمال کرد. از آنجایی که شبکه های عصبی نمی توانند سهم هر متغیر را به صراحت شناسایی کنند، ممکن است متغیرهای کمتر مهم در مدل گنجانده شوند. با توجه به این محدودیت، شبکه‌های بیزی نیز پیاده‌سازی شدند، که در آن محرک‌های کاربری زمین تفسیر روشنی دارند و درک احتمالات در مقایسه با وزن‌های درون شبکه‌های عصبی آسان‌تر است [ 161 ]. اهمیت هر محرک کاربری زمین (وزن) را می توان با استفاده از تکرارهای مونت کارلو [ 162 ] نیز تعیین کرد.

[ 163 ] از یک مدل مبتنی بر عامل در CA برای تولید یک مدل مبتنی بر نهاد استفاده کرد، که در آن هر یک از اعضای خانواده به عنوان یک موجودیت (عامل) جداگانه در نظر گرفته می‌شود. زیرساخت های محله و همچنین سایر نهادهای همسایه به رفتار هر خانواده کمک می کنند. CA مبتنی بر برداری نیز توسط [ 164 ] استفاده شده است] برای غلبه بر مشکلات مربوط به حساسیت به اندازه سلول و پیکربندی همسایگی. آنها امکان ارائه فضا را با اعمال اشکال برداری (چند ضلعی) فراهم می کنند، در حالی که همسایگی به صورت معنایی توصیف می شود. به طور خاص، محله در طول زمان تغییر می کند بدون اینکه یک فاصله ثابت آن را مشخص کند. در نهایت، در یک مدل CA لجستیک، پیشنهاد شده توسط [165,166]، رشد شهری را می توان با یک فرآیند انتشار فضایی پیوسته توصیف کرد که در آن متغیر وابسته از 0 تا 1 پیوسته است.

روش‌های CA نیز در شبیه‌سازی شهری با چالش‌هایی روبرو هستند. به دلیل ناهمگونی فضایی، بخش‌های مختلف شهرها باید با قوانین انتقال متفاوت مورد توجه قرار گیرند. بنابراین، قوانین انتقال جهانی اعمال شده توسط CA ممکن است برای مدل‌سازی فضای سلولی نامناسب باشد. علاوه بر این، ناهمگونی فضایی حکم می‌کند که محله‌ها باید با اشکال و اندازه‌های مختلف توصیف شوند تا تعاملات فضایی بهتر ساختارهای شهری را به تصویر بکشند. روش‌های CA معمولاً نظم را در محله‌ها پیاده‌سازی می‌کنند و قابلیت‌های مدل‌سازی را محدود می‌کنند. در نهایت، معایب CA شامل فرض عدم تغییر مکانی و زمانی برای قوانین انتقال و ناتوانی CA برای مقابله با رفتار تصادفی [ 82 ] است.]. CA پویایی همزمان محیط شهری را بررسی می کند، در اصل همه سلول ها به طور همزمان در هر مرحله تکراری به روز می شوند. شهرهای واقعی به دلیل رفتار آشفته خود این شرایط را نقض می کنند و بنابراین، تحقیقات بیشتر در مورد CA تصادفی هنوز مورد نیاز است.

2.2.2 مدل سازی شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی (ANN) به دلیل افزایش قابلیت های مدل سازی در UGPM ها گنجانده شده اند. برخلاف بسیاری از تکنیک‌های مدل‌سازی چند متغیره، شبکه‌های عصبی مصنوعی به طور قابل‌توجهی تحت تأثیر روابط داده‌های ورودی قرار نمی‌گیرند، بنابراین هیچ فرضی در مورد همبستگی خودکار فضایی و چند خطی بودن نباید انجام شود. شبکه عصبی پرسپترون چند لایه (MLP)، تولید شده توسط [ 167] کاربرد زیادی پیدا کرده است. MLP سیستمی است که توسط تعدادی عنصر پردازشی منفرد به نام نورون ها تشکیل شده است. خروجی شبکه با استفاده از یک تابع انتقال داخلی محاسبه می‌شود که بستگی به نورون‌های ورودی دارد که با روابط وزنی به هم متصل هستند. ANN از طریق داده های ورودی و خروجی موجود از طریق یک روش یادگیری تکراری (مثلاً الگوریتم انتشار به عقب) یاد می گیرد. محبوبیت شبکه‌های عصبی مصنوعی در سال‌های اخیر به‌دلیل بهبود قابلیت‌های توان محاسباتی با کاربردها در بسیاری از زمینه‌های علمی، بطور قابل ملاحظه‌ای افزایش یافته است [168-170]. از آنجا که شهرها به روشی جامع رشد می‌کنند، فرآیند یادگیری شبکه‌های عصبی مصنوعی می‌تواند ابزارهایی تولید کند که بتوانند پیچیدگی ساختار شهری را مدل‌سازی کنند [ 171 ].

UGPM ها اغلب متغیرهای محیطی و اجتماعی-اقتصادی را برای شبیه سازی تغییری که رخ داده است ترکیب می کنند. [172,173] مدل تبدیل زمین (LTM) را تولید کرد، که در آن GIS و ANN به منظور پیش‌بینی تغییرات کاربری زمین، با در نظر گرفتن انواع عوامل اجتماعی، سیاسی و محیطی ترکیب می‌شوند. رویکرد دیگر در پیش‌بینی رشد شهری، ART-MMAP [ 174 ] است که یک نقشه پیش‌بینی را تحت سناریوهای مختلف، با استفاده از اطلاعات گذشته نیروهای محرک کاربری زمین و داده‌های اجتماعی-اقتصادی تولید می‌کند. [ 175] یک مدل رشد شهری مبتنی بر شبکه عصبی مصنوعی را به منظور تخمین مرزهای رشد شهری آینده و هندسه پیچیده شهرها، بر اساس عوامل پراکندگی شهری مانند فواصل از جاده‌ها، فضاهای سبز، ایستگاه‌های خدمات و مناطق ساخته شده، ارتفاع، شیب و جنبه تولید کرد. یکی دیگر از مدل های رشد شهری مبتنی بر ANN توسط [ 176 ] پیشنهاد شده است تا نشان دهد چگونه شکل یا الگوهای رشد شهری آینده با ویژگی های سایت مرتبط است و ذهنیت را در مدل سازی رشد شهری کاهش می دهد.

شبکه های عصبی مصنوعی به عنوان یک تکنیک ناپارامتریک می توانند ناهمگنی فضایی را با موفقیت به تصویر بکشند [ 177 ]. [ 178 ] یک شبکه عصبی چندگانه طراحی کرد که به داده های ورودی اجازه می دهد تا به طور خودکار به شبکه های عصبی مناسب تخصیص داده شوند تا ناهمگنی فضایی را مدیریت کنند. علاوه بر این، چندین الگوریتم شبکه عصبی از منطق فازی [179,180]، تحلیل چند متغیره [ 181 ] و نقشه های خودسازماندهی [ 182 ] استفاده کرده اند.

شبکه های عصبی مصنوعی نیز برای کالیبراسیون و شبیه سازی مدل های CA در مطالعات شهری استفاده شده اند [183,184]. [ 183 ] ​​ادغام CA و ANN را به منظور شبیه سازی دینامیک کاربری زمین، با استفاده از نورون های خروجی متعدد، توسعه داد. علاوه بر این، [ 98 ] یک مدل شبیه‌سازی کاربری اراضی را معرفی کرد که از یک ANN پس انتشار نظارت شده استفاده می‌کند و احتمالات تولید شده به مدل CA وارد می‌شوند. مدل‌های اتوماتای ​​سلولی مبتنی بر ANN نیز برای انتقال سلول‌های شهری/غیر شهری استفاده شد [184,185].

شبکه های عصبی مصنوعی تمایل به بیش از حد برازش داده ها دارند. بنابراین، اندازه مجموعه داده آموزشی باید با توجه به تعداد نورون های پنهان [ 186 ] با دقت انتخاب شود . استفاده از حداقل 5 تا 10 برابر اندازه تمرین نسبت به وزن های موجود به طور کلی پذیرفته شده است [187,188]. تقاضا برای اندازه بزرگ آموزشی مورد نیاز برای استفاده از قابلیت‌های مدل‌سازی شبکه‌های عصبی مصنوعی، اغلب ادغام UGPM را محدود می‌کند، زیرا داده‌های آموزشی ممکن است به طور گسترده در دسترس نباشد. دیگر مسائل معمولی مرتبط با شبکه های عصبی مصنوعی، رفتار «جعبه سیاه» است که درک تکامل شهری و تحمل نویز را محدود می کند، به ویژه برای نمونه های کوچک.

2.2.3. مدل سازی فراکتال

هندسه فراکتال نیز در شبیه سازی رشد شهری استفاده شده است. هندسه کلاسیک اقلیدسی برای توصیف الگوهای مکانی-زمانی در طبیعت ناکافی شناخته شده است. [ 189 ] هندسه فراکتال را معرفی کرد و از آن زمان گسترش سریع فراکتال ها در بسیاری از زمینه های علمی مشاهده شده است [ 190 ]. شهرها را می توان به عنوان اشیاء فراکتال در نظر گرفت، که در آن تعامل اجزای مختلف فضایی را می توان با روابط غیر خطی توصیف کرد [ 81 ]]. نظریه فراکتال با غیر خطی بودن پیچیدگی ساختاری فضایی سر و کار دارد، که نشان می دهد رشد شهری با یک خود سازمان دهی فضایی چند مقیاسی مطابقت دارد [191-196]. خود سازماندهی فرآیند مهمی در پدیده های محیطی است. این بر اساس توانایی سیستم برای سازماندهی اجزای خود با پشتیبانی قدرت داخلی است. در سیستم‌های خودسازمان‌دهی شده، سازمان بدون اینکه توسط نیروی خارجی کنترل شود، خود به خود افزایش می‌یابد، اما توسط فرآیند تغییرات داخلی، که می‌تواند نوسانات یا نویز باشد، تحریک می‌شود. محیط شهری رفتار غیرمنتظره ای دارد، زمانی که برخی از مناطق جدا شده و به طور جداگانه مورد بررسی قرار می گیرند. از آنجایی که هر منطقه جزئی از سیستم خودسازمان شهری است، باید به جای آن که به عنوان بخشی مستقل به آن نگاه شود، به صورت جهانی در نظر گرفته شود [3،23،171].

یک روش تجمع محدود انتشار (DLA) توسط [ 197 ] پیشنهاد شد، که در آن ساختارهای شهری به شکل درختی تولید می‌شوند و خود شباهت فضایی را در مقیاس‌های مختلف ایجاد می‌کنند. [ 81 ] از روش‌های فراکتالی برای اندازه‌گیری بی‌نظمی قطعات زمین شهری استفاده کرد و شباهت ابعاد فراکتالی را بررسی کرد. [ 198 ] از ساختار فراکتال سلفی به منظور توضیح الگوی پیچیده تکامل فضایی و زمانی شهری و به دنبال آن بهینه‌سازی فرم شهری با استفاده از بعد فراکتال استفاده کرد. [ 195 ] از اتساع مینکوفسکی برای تشخیص ناپیوستگی فضایی یا تراکم شهری استفاده کرد و آستانه ای را اعمال کرد که حد شباهت خود سیستم شهری را مشخص می کند و روند اتساع را متوقف می کند.

اگرچه تمایل به دیدن “فرکتال ها در همه جا” وجود داشته است، اما بسیاری از اشیاء را نمی توان فراکتال های واقعی در نظر گرفت. اشیاء و پدیده های طبیعی لزوماً با خود شباهت توصیف نمی شوند [ 199 ]. الگوریتم های متعددی برای محاسبه بعد فراکتال برنامه ریزی شده است. اندازه‌گیری‌های ابعاد فراکتالی دارای محدودیت‌هایی هستند مانند: الف) تکنیک‌های مختلف اندازه‌گیری ابعاد فراکتالی یک شی ممکن است نتایج متفاوتی را به همراه داشته باشد، ب) اشیاء با ویژگی‌های مورفولوژیکی متفاوت ممکن است ابعاد فراکتالی یکسانی داشته باشند و ج) اشیاء از یک کلاس فراکتال ممکن است ابعاد فراکتال به طور قابل توجهی متفاوت [ 200]. بنابراین، ممکن است با استفاده از بسته‌های نرم‌افزاری مختلف، ابعاد فراکتال متفاوتی به یک ساختار شهری اختصاص داده شود. علاوه بر این، سازه‌های شهری با بافت‌های مختلف ممکن است بعد فراکتالی مشابهی تولید کنند یا سازه‌های شهری با بافت مشابه ممکن است ابعاد فراکتالی متفاوتی داشته باشند. در نهایت، مدل‌سازی فراکتال دقیق به شدت به ارزیابی رضایت‌بخش پیچیدگی شهری وابسته است.

2.2.4. رگرسیون خطی/لجستیک

تحلیل رگرسیون خطی روابط بین کاربری های شهری و متغیرهای مستقل را بررسی می کند. هنگامی که متغیر وابسته دوقطبی است، می توان از رگرسیون لجستیک برای پیش بینی وجود یا عدم وجود یک مشخصه بر اساس ماتریسی از متغیرهای مستقل استفاده کرد. به عنوان مثال، یک متغیر وابسته دوگانه می تواند تغییر شهری باشد، که در آن مقدار 1 نشان دهنده تغییر از غیر شهری به شهری و 0 نشان دهنده عدم تغییر است. متغیرهای مستقل می توانند پیوسته، مقوله ای یا هر دو باشند. مدل‌های رگرسیون خطی و لجستیک به طور گسترده در مدل‌سازی رشد شهری مورد استفاده قرار گرفته‌اند که متغیرهای مستقل اجتماعی-اقتصادی و محیطی را تطبیق می‌دهند [3،44،59،66،72،73،76،177،178،181، 201-217]. CLUE (تبدیل کاربری زمین و اثرات آن) یک مدل است، که تغییرات کاربری زمین را از طریق یک ماژول تقاضای غیر مکانی و یک ماژول تخصیص صریح فضایی شبیه سازی می کند [206,218]. برای مدل تقاضای کاربری زمین، رویکردهای مدل‌سازی مختلفی را می‌توان پیاده‌سازی کرد، از برون‌یابی روند تا تکنیک‌های مدل‌سازی اقتصادی پیچیده‌تر. در مدل تخصیص فضایی، روابط بین کاربری زمین و متغیرهای مستقل با استفاده از رگرسیون لجستیک ارزیابی می شود. یک روش صریح فضایی برای ایجاد مدل اسکنر کاربری زمین، که در آن تقاضای کاربری مسکونی در واحدهای فضایی تخصیص داده می‌شود، استفاده می‌شود [219,220]. در مدل اسکنر کاربری زمین، یک رگرسیون لجستیک برای تعیین تجربی وزن‌ها برای تهیه نقشه‌های تناسب اعمال می‌شود. از برون یابی روند تا تکنیک های مدل سازی اقتصادی پیچیده تر. در مدل تخصیص فضایی، روابط بین کاربری زمین و متغیرهای مستقل با استفاده از رگرسیون لجستیک ارزیابی می شود. یک روش صریح فضایی برای ایجاد مدل اسکنر کاربری زمین، که در آن تقاضای کاربری مسکونی در واحدهای فضایی تخصیص داده می‌شود، استفاده می‌شود [219,220]. در مدل اسکنر کاربری زمین، یک رگرسیون لجستیک برای تعیین تجربی وزن‌ها برای تهیه نقشه‌های تناسب اعمال می‌شود. از برون یابی روند تا تکنیک های مدل سازی اقتصادی پیچیده تر. در مدل تخصیص فضایی، روابط بین کاربری زمین و متغیرهای مستقل با استفاده از رگرسیون لجستیک ارزیابی می شود. یک روش صریح فضایی برای ایجاد مدل اسکنر کاربری زمین، که در آن تقاضای کاربری مسکونی در واحدهای فضایی تخصیص داده می‌شود، استفاده می‌شود [219,220]. در مدل اسکنر کاربری زمین، یک رگرسیون لجستیک برای تعیین تجربی وزن‌ها برای تهیه نقشه‌های تناسب اعمال می‌شود.

نقشه های شاخص تناسب زمین توسط [ 221 ] با استفاده از نسبت فرکانس، فرآیند تحلیل سلسله مراتبی، رگرسیون لجستیک و شبکه های عصبی مصنوعی به منظور ارزیابی عملکرد هر روش ایجاد شد. نتایج دقت هیچ تفاوت مهمی را بین این روش ها نشان نداد. تجزیه و تحلیل رگرسیون همراه با زنجیره های مارکوف در [ 222 ] برای مطالعه چگونگی ارتباط رشد شهری با تغییر چشم انداز و همچنین با رشد جمعیت ظاهر شد. علاوه بر این، یک رویکرد پیشرفته در مدل‌سازی فضایی، رگرسیون وزن‌دار جغرافیایی، با عدم ایستایی فضایی در تحلیل رگرسیون مقابله می‌کند و ضرایب رگرسیون توسط وزن‌های وابسته به فضای درون یک همسایگی محاسبه می‌شوند [223-225].

متأسفانه، رگرسیون‌های خطی و لجستیک قابلیت‌های مدل‌سازی بالایی را ارائه نمی‌کنند و نمی‌توانند غیرخطی بودن را در روابط بین متغیرهای وابسته و مستقل یا به همبستگی بین متغیرهای مستقل نشان دهند.

2.2.5. مدل سازی مبتنی بر عامل

مدل‌های مبتنی بر عامل، رویکردی از پایین به بالا را برای ایجاد درک بهتر از سیستم‌های شهری با اجازه دادن به شبیه‌سازی اقدامات فردی عوامل و اندازه‌گیری رفتار سیستم حاصل اعمال می‌کنند [226-229]. عامل ها واحدهای مستقلی هستند که تحت یک ارتباط تعاملی، اطلاعات را با سایر عوامل مبادله می کنند. رفتار فردی عوامل اجازه می دهد تا تأثیر تصمیم گیری انسانی در مدل گنجانده شود.

چارچوبی که امکان توصیف پویایی شهری را به عنوان تابعی از تعامل بین “عوامل” متحرک و CA استاتیک می دهد، در شبیه سازی پراکندگی شهری بسیار مهم است [ 230 ]. [ 231 ] یک مدل مبتنی بر عامل شبیه‌سازی در مقیاس ملی ایجاد کرد که مبتنی بر کاربرد مفهوم «عامل» به‌عنوان تصمیم‌گیرنده، با در نظر گرفتن عوامل بیوفیزیکی و انسانی موجود بود. یک مدل چند عاملی برای مطالعه شهرسازی توسط [ 232 ] ارائه شده است که در آن قوانین و پارامترهای مختلف می توانند ساختار فضایی سیستم شهری را تغییر دهند. علاوه بر این، یک مدل چند عاملی دیگر توسط [ 233] که در آن تعاملات عوامل مختلف مانند ساکنان، دهقانان و دولت ها شبیه سازی شده است. یک رویکرد آماری در اعتبارسنجی الگوهای فضایی در مدل‌های مبتنی بر عامل توسط [ 234 ] ارائه شده است. [ 235 ] گسترش توسعه شهری را بررسی کرد و اثربخشی کمربندهای سبز واقع در کنار یک منطقه توسعه یافته را ارزیابی کرد. [ 236] مدلی را توسعه داد که توسعه چند مرکزی سیستم های شهری را با استفاده از عوامل خانگی که مکان خانه های خود را با توجه به چندین ویژگی مانند قیمت زمین، مشکل ترافیک و جذابیت چشم انداز انتخاب می کنند، شبیه سازی می کند. علی‌رغم کاربرد رضایت‌بخش مدل‌های مبتنی بر عامل در شبیه‌سازی رشد شهری، محدودیت‌هایی وجود دارد که عمدتاً ناشی از تعاریف دلخواه شرایط اولیه و قوانین تعامل عوامل است که می‌تواند منجر به نتایج بسیار متغیر شود [ 237 ].

2.2.6. مدلسازی درختان تصمیم

درختان تصمیم یک الگوریتم طبقه‌بندی از بالا به پایین است که در مدل‌سازی تغییر کاربری زمین [44,238,239] و طبقه‌بندی کاربری زمین از تصاویر سنجش از دور [240,241] استفاده شده است. علیرغم استفاده محدود آنها در مدل‌سازی رشد شهری، درخت‌های تصمیم به دلیل توانایی آنها در تولید قوانین و سهولت درک ساختار مدل مورد توجه خاص هستند. درخت های تصمیم به طور خودکار سلسله مراتبی از قوانین پارتیشن را استخراج می کنند که برای تقسیم داده ها به بخش های متوالی استفاده می شود. ساخت درخت تصمیم شامل سه مرحله اساسی است. مرحله اول مربوط به ساخت درخت با استفاده از تقسیم بازگشتی گره ها است. در مرحله دوم یک فرآیند هرس اعمال می شود، جایی که درختان کوچکتر با پیچیدگی کمتر تولید می شوند [242-244].245 ]. در نهایت درخت بهینه ای که خطای تست کمتری را به همراه دارد انتخاب می شود. طبق الگوریتم یادگیری دو نوع درخت تصمیم وجود دارد: الف) درختان طبقه بندی و ب) درختان رگرسیون. در اولی، نتایج متغیر پیش‌بینی‌شده تنها دو مقدار را می‌گیرد، معمولاً 0 و 1، در حالی که در دومی خروجی پیش‌بینی‌شده بین مقادیر متغیر وابسته تغییر می‌کند [ 243 ]. درختان تصمیم به طور گسترده ای در طبقه بندی مبتنی بر تصویر کاربری اراضی شهری برای نقشه برداری از ساختارهای شهری و پوشش گیاهی شهری، که اجزای مهم در مدل سازی و برنامه ریزی شهری هستند، استفاده شده است [246-249].

ناهمگونی فضایی یک ویژگی مهم توسعه شهری است [ 69 ]. یک محدودیت مهم درختان تصمیم، ساختار الگوریتم ساده است، که در آن کل منطقه به طور بی رویه در یک قانون جهانی هدف قرار می گیرد. در نتیجه، درجه پایینی از ناهمگونی فضایی را می توان در مدل گنجاند [ 250 ]. [ 70 ] یک انتخاب مبتنی بر متخصص از مدل‌های اعمال شده در مناطق مختلف را بررسی کرد و نتایج نشان داد که این رویکرد بهتر از استفاده از یک مدل جهانی عمل می‌کند.

بسیاری از متغیرهای محیطی خود همبستگی فضایی را نشان می‌دهند که باعث خوشه‌بندی فضایی می‌شود. داده‌های وابسته به فضایی اطلاعات کمتری تولید می‌کنند و درجات آزادی نمونه را اغراق‌آمیز می‌کند [ 251 ]. بنابراین، خودهمبستگی فضایی باعث عملکرد ضعیف مدل‌سازی درخت تصمیم می‌شود [252-254]. با این حال، این محدودیت را می توان با استفاده از یک طرح نمونه گیری مناسب، که در آن فاصله بین نقاط نمونه برداری بیشتر از فاصله ای که در آن همبستگی فضایی رخ می دهد، غلبه کرد [255-257]. [ 258 ] روش جدیدی را برای مدیریت خودهمبستگی فضایی معرفی کرد. بر اساس این روش، آنتروپی مرسوم درخت تصمیم با آنتروپی فضایی جایگزین شد که همبستگی مکانی را در نظر می گیرد.

متأسفانه درخت های تصمیم می توانند ساختارهای بیش از حد پیچیده ای ایجاد کنند که توانایی های تعمیم را محدود می کند. این مشکل که به نام بیش از حد مناسب شناخته می شود، با استفاده از فرآیند هرس تا حدودی قابل اصلاح است. علاوه بر این، درخت‌های تصمیم الگوریتم‌های ناپایدار هستند زیرا می‌توانند طبقه‌بندی‌کننده‌های متفاوتی را با استفاده از نمونه‌های آموزشی کمی متفاوت تولید کنند [ 259 ]. این ناپایداری را می توان با اعمال تعدادی درخت تصمیم در نمونه آموزشی در هر بار تغییر نمونه آموزشی کاهش داد. در نهایت، زمانی که داده‌ها شامل متغیرهای طبقه‌بندی می‌شوند، اطلاعات به‌دست‌آمده از درخت‌های تصمیم به نفع متغیرهایی با دسته‌های بیشتر سوگیری می‌کنند. [ 260] یک تصحیح سوگیری را برای کاهش تفاوت بین متغیرهای عددی و طبقه‌ای با استفاده از روش تقسیم تک متغیره بر اساس چندین جنبه از داده‌ها مانند اندازه نمونه، تعداد متغیرها و مقادیر گمشده ارائه می‌کند.

3. بررسی ادغام مدل با تصمیم گیری

کاربرد برنامه‌ریزی شهری برای پرداختن به مسائل مربوط به توسعه پایدار نشان‌دهنده تعادل بین منابع محیطی و تقاضاهای اقتصادی است. کنگره جهانی برنامه ریزان در ونکوور در سال 2006 پیشنهاد کرد که برنامه ریزان شهری باید به پایداری شهری در کشورهای در حال توسعه و فقیر بپردازند و معیشت انسان را در هسته برنامه ریزی شهری قرار دهند [ 261 ]. به دلیل روند رو به افزایش شهرنشینی همراه با پیامدهای زیست محیطی بالقوه، مدل سازی رشد شهری باید نقش اصلی در برنامه ریزی شهری برای ارائه تصمیمات مناسب برای توسعه پایدار شهری داشته باشد [12،13،15،16،262].

با این حال، علیرغم تلاش های قابل توجه در توسعه UGPM، استفاده از آنها در جامعه برنامه ریزی محدود است. برای بررسی دلایل بالقوه بیشتر که این گذار از توسعه به عمل را محدود می کند، یک نظرسنجی انجام شد. ما انگیزه بیشتری برای استفاده از نتایج نظرسنجی به عنوان راهنمایی برای بهبودهای آینده داریم.

3.1. محتوای پرسشنامه

یک پرسشنامه آنلاین ساخته شد و اطلاعاتی در مورد سابقه پاسخگو و توسعه و تمرین UGPM درخواست کرد. جدول 1 سوالات مربوط به سوابق پاسخ دهنده مانند تحصیلات (بالاترین مدرک)، نوع استخدام و تجربه GIS/حرفه ای/سیاست را خلاصه می کند.

پاسخ به این سؤالات ابتدا برای غربالگری شرکت‌کنندگان (مثلاً کسانی که تجربه مرتبطی نداشتند) و بعداً برای شناسایی الگوها در پاسخ‌های زیرگروه استفاده شد (مثلاً اینکه آیا محدودیت‌های داده بسته به تجربه پاسخ‌دهنده در GIS مشخص‌تر است یا خیر).

بخش دوم نظرسنجی نظر پاسخ دهنده را در مورد سوالات مربوط به UGPM درخواست کرد. متن سوال و نوع پاسخ به همراه نام کوتاه مورد استفاده در تحلیل پیگیری در جدول 2 آمده است.

3.2. میزان انتشار و پاسخ پرسشنامه

مخاطبان هدف شامل پاسخ دهندگان از هر دو جامعه مدل سازی و برنامه ریزی بودند. مدل سازها از طریق دست نوشته های ادبیات مربوطه شناسایی شدند. تقریباً 1000 آدرس ایمیل جمع آوری شد. ایمیلی برای توضیح نظرسنجی به همراه لینک مستقیم برای شرکت ارسال شد. پاسخ‌ها به پیوند مستقیم ردیابی نشد، زیرا پروتکل IRB ما نیاز به ناشناس بودن کامل داشت، اما از تجزیه و تحلیل پیشینه شرکت‌کنندگان، نرخ پاسخ تخمینی 14٪ بود (حدود 140 پاسخ). دسترسی به جامعه برنامه ریزی ما از انجمن برنامه ریزی آمریکا کمک خواستیم. پس از رضایت از فرآیند بررسی داخلی آنها، لینک مستقیم نظرسنجی به همراه توضیحی کوتاه در خبرنامه الکترونیکی APA با عنوان APA Interact درج شد. پایه انتشار تقریبی 10 بود، 000 عضو و ما تخمین می زنیم 100 پاسخ به دست آمد که منجر به نرخ پاسخ 1٪ شد. با در نظر گرفتن محدودیت‌های عملی، به‌ویژه مربوط به حریم خصوصی، پاسخ‌دهندگان نمونه‌ای نماینده بدون سوگیری شناخته شده در نظر گرفته شدند.

در مجموع 242 پرسشنامه ارسال شد. پس از فیلتر کردن برای پیشینه غیر مرتبط و پاسخ‌های متعلق به دسته «خنثی»، دامنه پاسخ‌های قابل استفاده از 84 تا 166 متغیر بود . ب یا ج.

3.3. یافته های پرسشنامه

نتایج در شکل 4 جمع آوری شده است. پاسخ بسیار زیادی در پتانسیل UGPM ها وجود دارد (98٪ مثبت)، با این حال پاسخ دهندگان در مورد اینکه آیا UGPM ها در حال حاضر به آن پتانسیل در عمل می رسند یا خیر (43٪ مثبت) اختلاف نظر دارند. به نظر نمی رسد که عدم اجرای گسترده فعلی به طور صریح با کیفیت پیش بینی UGPM مرتبط باشد (67٪ مثبت). بلکه به دلیل عدم آگاهی خارج از جامعه مدل سازی (92٪ منفی)، که بیشتر توسط عدم ارتباط بین جوامع مدل سازی و برنامه ریزی (94٪ منفی) پشتیبانی می شود. مدل‌سازان مدل‌هایی را ایجاد می‌کنند که درک آن آسان نیست (۷۲٪ منفی، با پاسخ‌های تقریباً یکسان از طرف برنامه‌ریزان (۷۴٪) و به‌طور شگفت‌انگیز جامعه مدل‌سازان (۷۱٪))، در حالی که برنامه‌ریزان انتظارات واضح را شناسایی نمی‌کنند (۸۱٪ منفی). با الگوریتم ها کمی منفی تر (87%) نسبت به برنامه ریزان (79%).

تجزیه و تحلیل بیشتر برای آشکار کردن الگوهای مرتبط با پیشینه پاسخ دهنده انجام شد. جدول 4 آزمون‌های کای‌دو پیرسون را فهرست می‌کند که برای ارزیابی وجود ارتباط بین پاسخ‌دهندگان انجام شد.

گروه بندی پس زمینه (گروه های A، B یا C در جدول 1 ) و پاسخ به یک سوال نظرسنجی (مثلا % موافق یا کاملاً موافقم). به عنوان مثال، اگر گروه پس زمینه بالاترین درجه بود و سؤال نظرسنجی دارای گزینه های پاسخ «موافق» و «مخالف» بود، آزمون پیرسون ارزیابی می کند که آیا درصد پاسخ «موافق» برای هر یک از دو گروه بالاترین درجه یکسان است یا خیر (PhD). /دیگر). آزمون پیرسون با استفاده از نرخ خطای نوع I 0.10 انجام شد. سلول های برجسته شده در جدول 4 با تفاوت های آماری معنی دار مطابقت دارند.

تجزیه و تحلیل نتایج، یافته های جالب زیر را مشخص کرد:

• یک نتیجه شگفت‌انگیز این بود که پاسخ‌دهندگانی که مشارکت بیشتری در توسعه مدل رشد شهری داشتند، نسبت به دیگران از در دسترس بودن داده‌ها رضایت بیشتری داشتند. پاسخ دهندگان با تجربه GIS بالا (58٪)، مدارک دکترا (63٪)، اشتغال دانشگاهی (63٪) و مطالعات در مقیاس بزرگ (59٪) در دسترس بودن داده ها را فاقد یا به طور قابل توجهی کمبود شناسایی کردند. این درصد برای تجربه متوسط ​​یا پایین GIS (87٪)، غیر دکترا (75٪)، غیر دانشگاهی (74٪) و پاسخ دهندگان بدون یا کم تجربه الگوریتمی (80٪) بیشتر بود. به نظر نمی رسد تجربه سیاست مهم باشد (67٪ برای هر دو گروه پاسخ دهنده، یعنی با یا بدون تجربه مرتبط).

• در مورد این سوال که آیا UGPM ها در عمل به پتانسیل خود می رسند، پاسخ دهندگانی که تجربه سیاست گذاری نداشتند با درصد کمتری نسبت به پاسخ دهندگان با تجربه سیاست گذاری (37٪ در مقابل 53٪) موافق بودند یا به شدت موافق بودند.

• پاسخ دهندگان ارتباط بین مدل سازان و برنامه ریزان را در صورتی که دارای تجربه خط مشی (87%)، پیشینه برنامه ریزی (86%) یا نداشتن مدرک دکترا (89%) بودند، به عنوان فاقد یا به طور قابل توجهی در درجه پایین تر ارزیابی می کردند. درصد مربوط به گروه بندی مکمل آنها 97٪ بود.

• با توجه به توجه مدل سازان به ملاحظات عملی مانند سازگاری نرم افزار و کاربر پسند بودن، 56 درصد از پاسخ دهندگان با تجربه GIS بالا، این ویژگی ها را فاقد یا به طور قابل توجهی فقدان می دانند در حالی که برای سایر پاسخ دهندگان 76 درصد این ویژگی ها را فاقد یا به طور قابل توجهی می دانند. فاقد درصد مربوطه برای جوامع برنامه ریزی و مدل سازی یکسان بود (63%).

• در نهایت، همانطور که انتظار می رفت، پاسخ دهندگان با تجربه الگوریتمی UGPM متوسط ​​یا بالا، وضوح برنامه ریزان را در مورد انتظارات نتیجه مبهم یا بسیار نامشخص در درصد بیشتری نسبت به پاسخ دهندگان بدون تجربه الگوریتمی یا محدود (86٪ در مقابل 71٪) یافتند.

4. بحث و چشم انداز آینده

تغییر کاربری اراضی شهری پدیده ای گسترده، شتابان و مهم است. این امر تا حدی ناشی از تمایل انسان برای بهبود کیفیت زندگی است، اما شهرنشینی اغلب پیامدهای زیست محیطی جدی دارد. مدل‌سازی تغییرات شهری یکی از اجزای ضروری توسعه و برنامه‌ریزی کاربری اراضی شهری است که می‌تواند به تعیین استراتژی‌های مدیریت پایدار کمک کند. با این حال، این وظیفه به دلیل غیرقابل پیش بینی بودن در تصمیم گیری یا پدیده های اجتماعی مانند تغییر منطقه بندی دلخواه یا جابجایی جمعیت چالش برانگیز است. در بهترین حالت، UGPM ها می توانند یک رویکرد مبتنی بر سناریو ارائه دهند، که در آن تغییرات ناگهانی در پیش بینی مدل سازی به عنوان محدودیت های خارجی ادغام می شوند. یکی دیگر از عوامل موثر در عدم قطعیت مدل، تنوع زیاد در تکنیک های اعتبارسنجی مدل است.

تعداد فواصل زمانی مورد استفاده برای اعتبارسنجی نیز می تواند به طور قابل توجهی بر کیفیت مدل تأثیر بگذارد. علاوه بر این، مطالعات در یک سایت ممکن است پویایی‌های متفاوتی را نشان دهند، که در تئوری می‌توان از طریق روش‌هایی که از ناهمگونی فضایی حمایت می‌کنند پرداخته شود، اما در عمل تشخیص الگوها دشوار است.

با درک این محدودیت های مهم، UGPM ها می توانند کمک قابل توجهی در برنامه ریزی های آینده ارائه دهند. علیرغم پذیرش گسترده پتانسیل UGPM ها (98٪ مثبت)، نظرسنجی نشان داد که UGPM ها همیشه در عمل به آن پتانسیل نمی رسند (43٪ مثبت). به نظر نویسندگان، دو عامل عمده به طور قابل توجهی ادغام UGPM در فرآیندهای تصمیم گیری برنامه ریزی را محدود می کند. اولین مورد در دسترس بودن نتایج UGPM در مناطق مطالعاتی گسترده است. UGPM ها معمولاً در سایت های محدود آزمایش می شوند (ترجیح قوی برای مطالعات محلی و منطقه ای مشخص شد)، که پذیرش عمومی و گسترده را دشوار می کند. این تا حدی به دلیل جمع آوری داده های دست و پا گیر است، جایی که داده ها ممکن است در سایت های دیگر در دسترس نباشند یا هزینه جمع آوری و/یا پیش پردازش قابل توجهی وجود داشته باشد.جدول 4 ) که می تواند نشان دهد که در دسترس بودن داده ها ممکن است اجرای مدل بیشتری را به جای توسعه مدل محدود کند.

از سوی دیگر، محبوبیت مدل SLEUTH تا حدی نتیجه سادگی و در دسترس بودن متغیرهای ورودی است، مشخصه ای که همه UGPM ها به اشتراک نمی گذارند. در مواقعی، محققان با توسعه UGPM هایی با ارزش بالا برای منطقه مورد مطالعه خاص، اما با کاربرد عمومی محدود، به عنوان مشاوران تخصصی عمل می کنند. در عوض باید رویکردهای کلی تری را دنبال کرد. در امتداد این خطوط، تکثیر تصویر سنجش از راه دور همراه با محصولات مشتق شده (به عنوان مثال مجموعه داده ملی پوشش زمین) می تواند به طور قابل توجهی به ایجاد متغیرهای ورودی با در دسترس بودن در مقیاس وسیع کمک کند، اما همچنین در فرآیند اعتبارسنجی عملکرد UGPM در مقیاس های زمانی متعدد (مثلاً 40 سال با تصاویر ماهواره ای). به طور خلاصه، ما از خلاقیت متغیر ورودی محدود حمایت نمی کنیم، اما در دسترس بودن داده ها و هزینه های پردازش باید در نظر گرفته شود.

در مواردی که UGPM ها در دسترس هستند، یک عامل محدود کننده دوم برجسته می شود، یعنی انتقال مدل ها از جامعه توسعه به جامعه کاربر (یعنی از مدل ساز به برنامه ریز). این نظرسنجی چندین مانع انتقال از جمله آگاهی از مدل و عدم ارتباط بین طرف های ذینفع را نشان داد. رویکرد «بساز و آنها خواهند آمد» موفقیت‌آمیز نبوده و همکاری‌های قوی‌تری لازم است، مشاهده‌ای که به طور گسترده در نظرسنجی توسط مدل‌سازان و برنامه‌ریزان به اشتراک گذاشته شده است ( جدول 4 را ببینید.). ادغام برنامه ریزان در مراحل اولیه طراحی مدل به همراه توسعه رابط های رایانه ای که کاربر پسندی را افزایش می دهد باید اجزای اساسی برای انتقال موفقیت آمیز باشد. علاوه بر این، شناسایی انتظارات روشن از جامعه برنامه‌ریزی به مدل‌سازان نیز به نتایج مثبتی دست خواهد یافت.

علیرغم این واقعیت که هم پاسخ دهندگان نظرسنجی (67٪) و هم نویسندگان معتقدند که نتایج پیش بینی در حال حاضر به اندازه کافی برای اجرای گسترده دقیق هستند، جا برای بهبود وجود دارد. الگوریتم های زیادی به منظور شبیه سازی رشد شهری توسعه یافته اند. اتوماتای ​​سلولی یک رویکرد تصادفی در مدل‌سازی دینامیک سیستم شهری ارائه می‌دهد و به طور گسترده قابل استفاده است. این بیشتر مشهود است زیرا اتوماتای ​​سلولی تقریباً در نیمی از نسخه‌های خطی بررسی شده وجود دارد. با نگاهی به آینده، ادغام روش های تصادفی و قطعی، که در بسیاری از مقالات اتوماتای ​​سلولی در این بررسی ظاهر می شود، می تواند شبیه سازی پیچیدگی رشد شهری را بهبود بخشد [ 263 ].

فقدان حمایت مالی برای توسعه UGPM (81٪) و اجرای (86٪ منفی) به رسمیت شناخته شده است و باید به عنوان انگیزه برای سرمایه گذاری عاقلانه تر از منابع مالی باشد. یک مخزن مرکزی داده ها، مدل ها و نتایج UGPM می تواند توسعه نظری را به طور قابل توجهی افزایش دهد. علاوه بر این، ایجاد مجموعه‌های داده‌های معیار به جوامع مدل‌سازی و برنامه‌ریزی کمک می‌کند تا دقت پیش‌بینی را به شیوه‌ای ثابت و کامل ارزیابی کنند. کنفرانسی که مدل‌سازان و برنامه‌ریزان را با هدف ایجاد دستورالعمل‌هایی برای ویژگی‌های UGPM آینده گرد هم می‌آورد، می‌تواند به طور قابل توجهی این زمینه امیدوارکننده و در عین حال کم استفاده را پیش ببرد.

منابع