Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων Landsat
Από RemoteSensing Wiki
Tayyebi, A., M.R. Delavar, S. Saeedi, J. Amini and H. Alinia
Center of Excellence in Geomatics Eng. and Disaster Management, Dept. of Surveying and Geomatics Eng., College of Eng., University of Tehran, Tehran, Iran,
MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY
http://www.isprs.org/proceedings/XXXVII/congress/7_pdf/5_WG-VII-5/54.pdf
Παρακολούθηση της κάλυψης γης μέσω πολυ-χρονικών εικόνων τηλεπισκόπησης LANDSAT
1. Εισαγωγή
Ένα από τα προβλήματα για την μοντελοποίηση της αστικής χρήσης γης είναι η έλλειψη λεπτομερών χωροταξικών δεδομένων. Το Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) και η τηλεπισκόπηση έχουν την ικανότητα να υποστηρίξουν τέτοιου είδους μοντέλα, παρέχοντας δεδομένα και αναλυτικά εργαλεία για την μελέτη αστικών περιβαλλόντων. Η διαδικασία δίνει έμφαση σε χωροταξικές σχέσεις μεταξύ διαφόρων γεωχωρικών χρήσεων γης και δημογραφικών μεταβλητών αποδίδοντας κατηγορίες. Η αλλαγή χρήσης γης είναι μια πολύπλοκη διαδικασία που αντιμετωπίζεται με εξελιγμένες παραμέτρους. Η ερμηνεία των αεροφωτογραφιών παρέχει ποικιλία τρόπων για την ανάπτυξη ψηφιακών πληροφοριών χρήσεως γης, που είναι η βάση για το σχεδιασμό της. Για το λόγο αυτό, σχεδιάζονται χάρτες χρήσης γης σε τακτά χρονικά διαγράμματα, αποθηκεύονται και διαχειρίζονται σε Γ.Σ.Π. Το προτεινόμενο μοντέλο στο παρόν άρθρο βασίζεται σε τεχνητά νευρωνικά δίκτυα, Γ.Σ.Π. ασαφούς λογικής και τηλεπισκόπησης από τουλάχιστον δύο χρονικές περιόδους. Τα τεχνητά νευρωνικά δίκτυα προκύπτουν ως εναλλακτική λύση για την αξιολόγηση των πιθανοτήτων μέσω των μη-παραμετρικών προσεγγίσεων. Όπως δήλωσε ο Φίσερ και Abrahart (2000), οι μηχανισμοί αυτοί είναι σε θέση να λαμβάνουν αποφάσεις που βασίζονται σε ελλιπείς, ασαφείς και θορυβώδεις πληροφορίες, και αυτός είναι ο λόγος για τον οποίο μπορεί να είναι κατάλληλοι για τη διαχείριση χωρικών προβλημάτων. Η πληροφορία αυτή είναι σημαντική για σχεδιαστές και διαχειριστές πόρων στις αποφάσεις που επηρεάζουν το περιβάλλον και τις τοπικές και περιφερειακές οικονομίες. Μοντέλα για την αλλαγή των χρήσεων γης επιχειρούν να προβάλουν τις μελλοντικές αλλαγές στη χρήση γης με βάση τις τάσεις του παρελθόντος. Η συγκεκριμένη προσέγγιση χρησιμοποιείται για την πρόβλεψη της μελλοντικής χρήσης της γης της Τεχεράνης. Οι Li και Yeh (2001) πραγματοποίησαν μια προσομοίωση της αλλαγής της χρήσης γης για ένα σύμπλεγμα των πόλεων στη νότια Κίνα, χρησιμοποιώντας ενσωματωμένα ANN σε ένα μοντέλο AC σε μια κατάσταση δυαδικής βάσης (αστική / μη αστική χρήση). Βελτίωσαν περαιτέρω αυτό το μοντέλο με πολλαπλές περιφερειακές χρήσεις γης και προσομοιώσεις για εναλλακτικά σενάρια ανάπτυξης, ωστόσο, το μοντέλο αυτό δεν προσέγγισε την ενδοαστική κλίμακα. Ένα μοντέλο μετασχηματισμού της γης με βάση το Γ.Σ.Π. αναπτύχθηκε για την πρόβλεψη αλλαγής της χρήσης γης σε μεγάλες περιοχές. O Liu προσάρμοσε μια νέα μέθοδο για την ανίχνευση της αλλαγής χρήσης γης από μη αστική σε αστική, μέσω χρήση τεχνητών νευρωνικών δικτύων (ΑΝΝ). Για το σκοπό της πρόβλεψης της αλλαγής της χρήσης γης, ενσωματώνονται και τα τεχνητά νευρωνικά δίκτυα αλλά και τα γεωχωρικά πληροφοριακά συστήματα. Το μοντέλο ενώνει το Γ.Σ.Π, προσαρμοσμένα στοιχεία χειρισμού διαδικασιών, μια ποικιλία αρχείων παραμέτρων και τα Τεχνητά Νευρωνικά δίκτυα (ΑΝΝ) για την πρόβλεψη αλλαγών στη χρήση γης. Η σπουδαιότητα της ακριβούς πληροφόρησης που περιγράφει το είδος των χαρακτηριστικών των εδαφών για το σχεδιασμό της χρήσης γης είναι αδιαμφισβήτητη. Η μητροπολιτική περιοχή Τεχεράνης παρουσίασε επιτάχυνση των ρυθμών της αστικής αλλαγής της χρήσης γης κατά τη διάρκεια των τελευταίων τριών δεκαετιών. Όντας η πρωτεύουσα του Ιράν, η Τεχεράνη έχει λάβει μεγάλες οικονομικές και κοινωνικές εξελίξεις στη διάρκεια της αλλαγής της χρήσης γης, αλλά και την ταχεία ανάπτυξη των υποδομών. Ο κύριος στόχος της παρούσας εργασίας είναι η εφαρμογή των νευρο-ασαφών συστημάτων για τη δημιουργία της αλλαγής χρήσης γης της μητροπολιτικής περιοχής της Τεχεράνης κατά τη διάρκεια μελέτης περιόδου δύο δεκαετιών. Νευρωνικά δίκτυα με το λογισμικό SNNS αφαρμόστηκαν σε δύο σύνολα στοιχείων, στη συνέχεια έγιναν οι προβλέψεις και τα αποτελέσματα της προσομοίωσης συγκρίθηκαν με την πραγματική κατάσταση οπτικά. Αυτή η εργασία παρουσιάζει την ανάπτυξη του μοντέλου αλλαγής της χρήσης γης που καθορίζεται από εικόνες τηλεπισκόπησης, νευρο-ασαφή συστήματα και Γ.Σ.Π. Η χρήση των νευρωνικών δικτύων έχει αυξηθεί σημαντικά τα τελευταία χρόνια λόγω της προόδου των επιδόσεων της πληροφορικής (Skapura, 1996) και της αυξημένη διαθεσιμότητας του ισχυρού και ευέλικτου λογισμικού ANN. Ο κύριος στόχος της παρούσας εργασίας είναι να παρουσιάσει το πώς Γ.Σ.Π. και νευρο-ασαφή συστήματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της αλλαγής χρήσης γης σε επιλεγμένη περιοχή σε ένα συγκεκριμένο χρονικό διάστημα. Το Γ.Σ.Π. χρησιμοποιείται για την ανάπτυξη του χωροταξικού επιπέδου δεδομένων που θα χρησιμοποιηθεί ως εισροή για τα τεχνητά νευρωνικά δίκτυα, ενώ για τη μοντελοποίηση αλλαγών χρήσεων γης χρησιμοποιούνται βασικές αρχές του νευρο-ασαφούς συστήματος. Το σύστημα αυτού του έργου ξεκινά με το σχεδιασμό των νευρωνικών δικτύων και τον προσδιορισμό των εισροών χρησιμοποιώντας ιστορικά στοιχεία, υποσύνολα των εισροών, συγκεντρώνονται τα πλήρη στοιχεία εισόδου και οι πληροφορίες που προέρχονται από το νευρωνικό δίκτυο χρησιμοποιούνται για την πρόβλεψη των αλλαγών χρήσης γης.
2. Προετοιμασία δεδομένων
2.1 Περιοχή μελέτης
Για το σκοπό της παρούσας μελέτης, έχει επιλεγεί η μητροπολιτική περιοχή της Τεχεράνης που βρίσκεται στο βόρειο τμήμα του Ιράν. Η πόλη θεωρείται ως η μεγαλύτερη και κύρια οικονομική πόλη του Ιράν. Η Τεχεράνη είναι μία από τις πιο γρήγορα κατοικημένες περιοχές και χαρακτηρίζεται από την έντονη αλλαγή χρήσης γης. Από το 1980 έως το 2000, ο μόνιμος πληθυσμός στην Τεχεράνη σχεδόν διπλασιάστηκε. Η Τεχεράνη βρίσκεται σε γεωγραφικό πλάτος 35 ° 'Β και γεωγραφικό μήκος 51 ° 30' 45 Α. Τα στοιχεία για τη χρήση γης, τις μεταφορές, τα φυσικά χαρακτηριστικά, τη δημόσια γη και την ψηφιακή ανάδειξη, επεξεργάστηκαν με τη χρήση του λογισμικού Arc / Info 9,2.
2.2 Πηγές δεδομένων
Δύο εικόνες Landsat TM της μητροπολιτικής περιοχής της Τεχεράνης και των γύρω περιοχών ελήφθησαν, του 1980 και του 2000. Οι εικόνες έχουν εγγραφεί και ομαλοποιηθεί γεωμετρικώς. Η βάση δεδομένων Εθνικό Κέντρο Χαρτογραφίας (NCC) που αναπτύχθηκε γύρω στο 2000 είχε χρησιμοποιηθεί ως πηγή των τοπογραφικών δεδομένων. Τοπογραφικά στοιχεία NCC εντάχθηκαν στη βάση δεδομένων για να απεικονίσουν τους δρόμους, τα δίκτυα μεταφοράς, για να παρέχουν τις κατάλληλες εισόδους στο μοντέλο με βάση το GIS.
2.3 Προ-επεξεργασία δεδομένων
Οι ιστορικές εικόνες διορθώθηκαν γεωμετρικά και είναι καταχωρημένες στην ίδια βάση δηλαδή, Universal Transverse Mercator (UTM) WGS 1984. Η εικόνα 1 δείχνει τα αποτελέσματα διόρθωσης για τις εικόνες 1980 και 2000. Τα σφάλματα εγγραφής ήταν περίπου 0,5 pixel.
2.4 Ταξινόμηση εικόνας
Οι δορυφορικές εικόνες Landsat (1980 και 2000) έχουν υποβληθεί σε ταξινόμηση ζωνών. Χρησιμοποιήθηκε εποπτευόμενη ταξινόμηση, διακρίθηκαν 4 κατηγορίες χρήσης γης: δρόμοι, κατοικημένη περιοχή, κέντρα παροχής υπηρεσιών και διοικητικές ζώνες. Η συνολική ακρίβεια δοκιμών για την ταξινόμηση των εικόνων Landsat TM (1980) ήταν 82,14%, ενώ για την εικόνα Landsat TM (2000) 86,46%. Η εικόνα 2 δείχνει τα αποτελέσματα της ταξινόμησης των εικόνων.
3. Προσομοίωση της αστικής χρήσης γης με τη χρήση νευρο-ασαφούς προσέγγισης
Η αλλαγή χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης έχει διαμορφωθεί με τη χρήση δύο αστικών χαρτών, από το 1980 και από το 2000. Το μοντέλο αλλαγής χρήσης γης, ακολουθεί τις εξής τέσσερις διαδοχικές φάσεις: (1) επεξεργασία / κωδικοποίηση των δεδομένων για τη δημιουργία χωρικών επιπέδων μεταβλητής πρόβλεψης, (2) εφαρμογή ασαφούς λογικής στα χωρικά στρώματα, (3) ενσωμάτωση όλων των δικτύων εισόδου, (4) ανάλυση της διαφοράς μεταξύ των αποτελεσμάτων των μοντέλων και της πραγματική αλλαγής.
Στο βήμα 1, η επεξεργασία των χωρικών δεδομένων και η σειρά παραγωγής ιδρύθηκαν εντός του Γ.Σ.Π., εμφανίζoντας διαφορετικές χρήσεις γης. Στο βήμα 2, η γενιά εισροών στο νευρωνικό δίκτυο, επιτυγχάνεται από χωρικά επίπεδα ασαφοποίησης, που εκπονήθηκαν σε προηγούμενο στάδιο. Στο βήμα 3, γίνεται ενσωμάτωση των μεταβλητών πρόβλεψης με τη μέθοδο ANN. Στο βήμα 4, πραγματοποιείται χωρική ανάλυση σφάλματος, υπολογισμένου από τη σύγκριση του αποτελέσματος του προβλέψιμου μοντέλου έναντι των γνωστών αλλαγών χρήσης γης. Το Γ.Σ.Π. έχει χρησιμοποιηθεί για να επικαλύψει το προβλεπόμενο μοντέλο και τις αλλαγές στη χρήση γης, για να υπολογίσει το ποσοστό των στοιχείων που το μοντέλο προσδιορίζει σωστά ως μετάβαση σε αστική περιοχή.
3.1 Μεταβλητές της αλλαγής χρήσης γης στο περιβάλλον του Γ.Σ.Π.
Μετά την κατάρτιση των χαρτών χρήσης γης για την μητροπολιτική περιοχή της Τεχεράνης μεταξύ 1980 και 2000, έγινε η επιλογή των κατάλληλων παραμέτρων από εμπειρογνώμονες. Το πρώτο βήμα για την εκτίμηση των μεταβλητών είναι να προσδιοριστούν οι παράγοντες που επηρεάζουν την κατάλληλη αλλαγή της χρήσης γης με βάση την ανάλυση των ήδη υφιστάμενων μελετών. Τα επίπεδα εισόδου μπορούν να επηρεάσουν το μοντέλο. Στη συγκεκριμένη περίπτωση, υποθέτουμε ότι οι ακόλουθοι 5 παράγοντες θα επηρεάσουν την αλλαγή στη χρήση γης στην μητροπολιτική περιοχή της Τεχεράνης: κλίση εδάφους, εγγύτητα σε κατοικημένη περιοχή, θέση εμπορικών χρήσεων, υπηρεσίες και οι δρόμοι. Οι μεταβλητές περιλαμβάνουν, επίσης, μέση ετήσια βροχόπτωση και υψόμετρο. Αυτές οι παράμετροι προστέθηκαν στο λογισμικό ArcMap. Μετά από αυτούς τους υπολογισμούς, έχουν αποθηκευτεί διαφορετικά επίπεδα στο ArcMap. Οι ζώνες αποκλεισμού είναι αυτές που δεν πρόκειται να συμπεριληφθούν στην ανάλυση. Αυτές οι μεταβλητές καθοδήγησης πρόβλεψης και οι ζώνες επιρροής συγκεντρώθηκαν σε μορφή Arc / Info. Οι αποτελεσματικές παράμετροι απαιτούν βασικές σκέψεις και κριτήρια και παρατίθενται ως εξής: Χώροι απορρόφησης: περιλαμβάνουν αποστάσεις από τα διοικητικά κέντρα και κέντρα υπηρεσίας. Η απόσταση του κάθε στοιχείου από το κοντινότερο απορροφόν στοιχείο, υπολογίστηκε και αποθηκεύτηκε ως ξεχωριστό μεταβλητό πλέγμα. Υποτίθεται ότι το κόστος της σύνδεσης με τις τρέχουσες υπηρεσίες απορρόφησης μειώνεται με την απόσταση από τις αστικές περιοχές. Μεταφορές: Είναι ένας άλλος σημαντικός παράγοντας όπου η απόσταση του κάθε στοιχείου από τον πλησιέστερο δρόμο υπολογίζεται και αποθηκεύεται σε ξεχωριστή κάλυψη. Η αξία της μεταβλητής δίνει τη δυνατότητα μια τοποθεσίας για ανάπτυξη. Χαρακτηριστικά του τοπίου: η τοπογραφία του τοπίου είναι ενας σημαντικός παράγοντας που συμβάλλει στη χρήση της κατοίκησης. Οι τοπογραφικές διακυμάνσεις εκτιμήθηκαν από τον υπολογισμό της τυπικής απόκλισης. Οι μεγαλύτερες τιμές, αντικατοπτρίζουν τοπία που περιέχουν πιο πλούσιο τοπογραφικό ανάγλυφο. Ζώνες αποκλεισμού: Αυτή η ομάδα περιλαμβάνει περιορισμούς για την μοντελοποίηση αλλαγής χρήσης γης στην Τεχεράνη, η οποία περιέχει τις υφιστάμενες αστικές περιοχές, το πολεοδομικό σχέδιο επέκτασης, χώρους πρασίνου, ιστορικά και πολιτιστικά κέντρα, ειδικές ζώνες αποκλεισμού για το νοσοκομείο και τζαμιά, και άλλα ευσεβή κληροδοτήματα που αναφέρονται στο συνολικό σχέδιο της Τεχεράνης.
3.2 Νευρο-ασαφής προσέγγιση για την προσομοίωση της αλλαγής της αστικής χρήσης της γης
Το τμήμα αυτό δείχνει πώς το Γ.Σ.Π. έχει χρησιμοποιηθεί για την προσομοίωση της μεταβολής στη χρήση της ατικής γης με βάση τη νευρο-ασαφή προσέγγιση. Τα επίπεδα εξόδου του προηγούμενου σταδίου χρησιμοποιήθηκαν ως εισροή για αυτό το στάδιο. Μετά την είσοδο των εκτεταμένων μεταβλητών σε διαφορετικά επίπεδα, μπορούμε να εφαρμόσουμε σε λειτουργία Εργαλεία Χωρικής Ανάλυσης για κάθε επίπεδο χωριστά. Ο κύριος στόχος αυτού του σταδίου είναι η αποσαφοποίηση των επιπέδων των προηγούμενων σταδίων. (εικόνα 3)
Για την εκτέλεση πρόβλεψης σε νευρωνικά δίκτυα, η κατάρτιση και η φάση των δοκιμών θα πρέπει να γίνει προσεκτικά. Στη φάση της κατάρτισης, πρέπει να εξεταστεί η παρουσίαση των τιμών εισόδου και η προσαρμογή των βαρών που εφαρμόζονται σε κάθε κόμβο. Η δοκιμή παρουσιάζει μια ξεχωριστή συλλογή δεδομένων για το δίκτυο ανεξάρτητα για τον υπολογισμό του ποσοστού σφάλματος. Τα τεχνητά νευρωνικά δίκτυα εφαρμόστηκαν για την πρόβλεψη της αλλαγής της χρήσης γης σε τέσσερις φάσεις: (1)το σχεδιασμό του δικτύου και των εισροών από τα ιστορικά δεδομένα (2)την εκπαίδευση του δικτύου χρησιμοποιώντας ένα υποσύνολο εισροών (3)τον έλεγχο των νευρωνικών δικτύων που χρησιμοποιούν δεδομένα εισροών και (4)τη χρήση των πληροφοριών που προέρχονται από το νευρωνικό δίκτυο για να προβλέπουν αλλαγές. Σε αυτή τη μελέτη, τα προτεινόμενα νευρωνικά δίκτυα έχουν μόνο τρία επίπεδα το καθένα - το επίπεδο εισόδου, ένα κρυφό επίπεδο και το επίπεδο εξόδου. Για το σχεδιασμό έγινε χρήση του SNNS (Προσομοιωτης Νευρωνικών Δικτύων της Στουτγάρδης), έκδοση 4.2. Η Κατάρτιση και η πρόβλεψη του συστήματος Ann (Zell et al, 1996) φαίνεται στην εικόνα 4. Δύσκολες εργασίες μπορούν μερικές φορές να απλοποιηθούν με την αύξηση του αριθμού των κρυφών επιπέδων, αλλά σύμφωνα με την Γκονγκ (1996), ένα δίκτυο τριών επιπέδων μπορεί να αποτελέσει βάση για οποιαδήποτε απόφαση.
Προκειμένου να προετοιμαστούν τα αρχεία εισόδου για το SNNS λογισμικό στην απαιτούμενη μορφή, όλα τα επίπεδα των δεδομένων θα πρέπει να εξάγονται σε ASCII αρχεία. Κάθε στοιχείο σε ASCII αρχείο θα έχει έναν αριθμό που έχει ανατεθεί με βάση τη σχέση με τα στοιχεία των μεταβλητών και τη διαδικασία αστικοποίησης. Οι μεγαλύτεροι αριθμοί αντιπροσωπεύουν την πρόβλεψη του νευρωνικού δικτύου για μια πιο πιθανή μετάβαση αυτού του στοιχείου σε αστική περιοχή.
Το επίπεδο εξόδου έχει μόνο ένα νευρώνα που αντιστοιχεί στο χάρτη των πιθανοτήτων μετάβασης για το συγκεκριμένο είδος της αλλαγής της χρήσης γης. Στο σύνολο των δεδομένων εκπαίδευσης, η επιθυμητή αξία στο στρώμα εξόδου καταγράφεται ως 1 για ένα στοιχείο που υποβλήθηκε σε μια αλλαγή στη χρήση γης του, και 0 για ένα στοιχείο που δεν είχε καμία αλλαγή. Στην εξαγωγή των δεδομένων εκπαίδευσης που καθορίζονται για κάθε δίκτυο, μεγάλα ορθογώνια έχουν οριοθετηθεί στην περιοχή μελέτης περιλαμβάνοντας αντιπροσωπευτικά δείγματα από τις σειρές των αποστάσεων και τις αλλαγές της χρήσης γης. Σε κάθε κύκλο έγινε μια πλήρης παρουσίαση όλων των στοιχείων εκπαίδευσης και κάθε κύκλος αποθηκεύεται σε ένα αρχείο για ανάλυση. Με βάση την ανάλυση, συνάγεται το συμπέρασμα ότι περίπου 6400 κύκλοι ήταν επαρκείς για να σταθεροποιηθεί το επίπεδο σφάλματος σε μια ελάχιστη τιμή. Μπορεί να εξαχθεί το συμπέρασμα ότι όχι μόνο ο αριθμός των επαναλήψεων με νευρο-ασαφή προσέγγιση μειώνεται, αλλά και η ακρίβεια του μοντέλου αλλαγής χρήσης γης βελτιώνεται. Για τις δοκιμές, το SNNS χρησιμοποιεί το πρότυπο αρχείο και το αρχείο δικτύου για να δημιουργήσει ένα αρχείο εξόδου των τιμών ενεργοποίησης. Το αρχείο εξόδου περιέχει τιμές που κυμαίνονται από 0,0 (καμία πιθανότητα να αλλάξει σε αστική περιοχή) σε 1,0 (υψηλότερη πιθανότητα της αλλαγής στην αστική περιοχή).
4. Αποτελέσματα
Το σύστημα ANN αποδείχθηκε ότι έχει τη δυνατότητα να μοντελοποιήσει μη-γραμμικά χαρακτηριστικά και να χειριστεί καλά τις αβεβαιότητες των χωρικών δεδομένων. Η μεθοδολογία που περιγράφεται στο παρόν άρθρο παρουσίασε τις δυνατότητες της εφαρμογής ΝΝ αλγορίθμων ως εργαλείο για την πρόβλεψη της αλλαγής της χρήσης γης με βάση τις χρονικές δορυφορικές εικόνες. Ο αριθμός των στοιχείων που δείχνουν αλλαγή της χρήσης γης είναι ίσος με 1145. Αυτός ο αριθμός αντιστοιχεί στον αριθμό των στοιχείων μεταξύ 1980 και 2000 που πέρασαν στην πραγματικότητα στις αστικές περιοχές και δεν ήταν μέρος του επιπέδου αποκλεισμού. Η πραγματική αστική ανάπτυξη έχει συγκριθεί με την πρόβλεψη του νευρωνικού δικτύου. Στην περίπτωση της μητροπολιτικής περιοχής της Τεχεράνης, 800 τ.χλμ. των μη αστικών εκτάσεων είχαν μετατραπεί σε αστικές περιοχές στο χρονικό διάστημα μεταξύ 1980 και 2000.
Έχοντας αλλαγή χρήσης αστικής γης μεταξύ 1980 και 2000 και υποθέτοντας την ύπαρξη του ίδιου ποσοστού των αστικών αλλαγών, έχει προβλεφθεί η χρήση αστικής γης της Τεχεράνης για το 2020. Με βάση μια παράλληλη μελέτη στον τομέα της ανίχνευσης αλλαγής χρήσης γης στην περιοχή της Μητροπολιτικής περιοχής της Τεχεράνης μεταξύ 1980 και 2000, είναι σαφές ότι η αλλαγή στη χρήση γης στην περιοχή αυτή για αυτή την περίοδο συγκεντρώνεται στα δυτικά της πόλης. Το μοτίβο αλλαγής χρήσης γης στα νότια της μητροπολιτικής περιοχής είναι επίσης σημαντικό, αλλά με μεγαλύτερη διασπορά (Εικόνα 5).
Τα μοντέλα της αλλαγής της χρήσης γης αποτελούν εργαλεία που υποστηρίζουν την ανάλυση των αιτιών και των συνεπειών των αλλαγών χρήσεων γης, προκειμένου να κατανοηθεί καλύτερα η λειτουργία του συστήματος χρήσης της γης και να υποστηριχτεί ο σχεδιασμός χρήσεων γης και της πολιτικής. Τα μοντέλα είναι χρήσιμα για την παρακολούθηση της ενότητας των κοινωνικο-οικονομικών και φυσικών παραγόντων που επηρεάζουν το ρυθμό και το χωρικό πρότυπο της αλλαγής της χρήσης γης, αλλά είναι επίσης χρήσιμα και για την εκτίμηση των επιπτώσεων των αλλαγών στη χρήση γης. Το παρόν άρθρο προτείνει μια νευρο-ασαφή προσέγγιση που εξετάζει τη σχέση μεταξύ 5 μεταβλητών πρόβλεψης και αλλαγής χρήσης γης. Το μοντέλο εκτελείται, με σχετικά υψηλή προβλεπτική ικανότητα (72%) με ανάλυση 25 * 25 μ. Με την εφαρμογή αυτής της μεθοδολογίας στην περιοχή της Τεχεράνης, εξετάστηκε η αλλαγή στη χρήση γης, η οποία προέκυψε από μεταβλητές πρόβλεψης. Η συνδυασμένη χρήση με το Γεωγραφικό Σύστημα Πληροφοριών αποδεικνύεται ένα αποτελεσματικό εργαλείο για την ανάλυση των αλλαγών χρήσεων γης.
5. Συμπεράσματα
Προκειμένου να απλοποιηθεί το μοντέλο, έγιναν διάφορες υποθέσεις. Πρώτον, υποτέθηκε ότι το μοτίβο της κάθε μεταβλητής προγνωστικού δείκτη παρέμεινε σταθερό πέρα από το 1980. Δεύτερον, το νευρωνικό δίκτυο υποτέθηκε ότι παραμένει σταθερό διαχρονικά. Έτσι, η σχετική επίδραση της κάθε μεταβλητής προγνωστικού δείκτη υποτίθεται ότι είναι σταθερή. Λαμβάνοντας υπόψη τη διαθεσιμότητα των δεδομένων, είναι δυνατόν να τροποποιηθούν πολλές από αυτές τις υποθέσεις, προκειμένου να εξεταστεί η δυνητική επίδραση κάθε μίας από αυτές στην απόδοση των προβλέψεων του μοντέλου. Η χωρική ανάλυση ορίστηκε σε 25 μ., λόγω των χρονικών περιορισμών της μελέτης. Μια υψηλότερη χωρική ανάλυση πιθανότατα θα αποφέρει καλύτερα αποτελέσματα για την μοντελοποίηση της αστικοποίησης. Θα μπορούσε στο μέλλον να διερευνηθεί ένα ξεχωριστό μοντέλο πρόβλεψης της αστικής ανάπτυξης για συγκεκριμένη χρονική περίοδο.
