Εργαστήριο Δημογραφικών & Κοινωνικών Αναλύσεων

Transcript

1 ΣΥΓΧΡΟΝΕΣ ΜΕΘΟ ΟΙ ΧΩΡΟΧΡΟΝΙΚΟΥ ΠΡΟΣ ΙΟΡΙΣΜΟΥ ΤΗΣ ΓΕΩ ΗΜΟΓΡΑΦΙΚΗΣ ΕΞΕΛΙΞΗΣ ΑΣΤΙΚΩΝ ΠΕΡΙΟΧΩΝ: ΕΦΑΡΜΟΓΗ ΣΤΟ ΝΟΜΟ ΑΤΤΙΚΗΣ ΕΙΣΑΓΩΓΗ Γεώργιος Ν. Φώτης, Παναγιώτης Μανέτος The real voyage of discovery consists not in seeking new landscapes, but in having new eyes. M. Proust Η συνεχής αύξηση του αστικού πληθυσµού είναι ένας από τους βασικότερους λόγους που, όλο και πιο συχνά τις τελευταίες δεκαετίες, οι πόλεις βρίσκονται στο επίκεντρο θεωρητικής και πρακτικής µελέτης από τους επιστήµονες. Θέτονται κατ αυτήν την έννοια, ερωτήµατα όπως «που και πόσο αυξάνεται ο πληθυσµός» ή «θα συνεχίσουν οι πόλεις να αυξάνουν το µέγεθός τους σε βάρος της υπαίθρου, εντείνοντας το φαινόµενο της αστικής διάχυσης» και το σηµαντικότερο ίσως, «ποιες είναι οι στρατηγικές µε τις οποίες, οι σχεδιαστές του χώρου θα κατορθώσουν να επιλύσουν τις αλυσιδωτές αντιδράσεις που προκαλεί η πληθυσµιακή αυτή συσσώρευση». Ζητήµατα που αντίστοιχα έχουν απασχολήσει και εξακολουθούν να απασχολούν τη διεθνή βιβλιογραφία και για τα οποία µόλις πρόσφατα έχουν αρχίσει να δίνονται απαντήσεις, έστω και αν οι αντίστοιχες αντιδράσεις είναι ορισµένες φορές αντιφατικές. Έτσι για παράδειγµα, ορισµένες περιοχές αντιµετωπίζουν το φαινόµενο της αστικής διάχυσης 1, µε την οικιστική και εµπορική ανάπτυξη σε υψηλούς ρυθµούς να επεκτείνεται σε µη ανεπτυγµένες εκτάσεις (Ott, 2001). Από τις πρώτες κιόλας µεταπολεµικές δεκαετίες αναπτύχθηκαν αρκετές θεωρίες για την ανάλυση και επίλυση των παραπάνω προβληµάτων και οι µαθηµατικές µορφοποιήσεις που προέκυψαν οδήγησαν στη δηµιουργία υποδειγµάτων µερικής προσοµοίωσης των αντίστοιχων φαινοµένων. Οι δεσµοί µεταξύ θεωριών και υποδειγµάτων, ειδικά σε περιπτώσεις αντιµετώπισης γεωδηµογραφικών ζητηµάτων, δεν ήταν πάντα ισχυροί και σε συνδυασµό µε τις αρχικά περιορισµένες τεχνολογικές δυνατότητες δεν οδήγησαν σε ευρέως γνωστά και αξιοποιήσιµα εργαλεία. Τα τελευταία χρόνια υπάρχει µια αυξηµένη συνειδητοποίηση της αξίας της χωρικά αναφερόµενης πληροφορίας και του ρόλου της στη λήψη αποφάσεων τόσο σε επίπεδο κράτους όσο και ιδιωτικού τοµέα. Ειδικότερα, η διαδικασία του αστικού σχεδιασµού προϋποθέτει πληθώρα πληροφοριών και 1 Αστική διάχυση (urban sprawl) είναι το φαινόµενο κατά το οποίο ο αστικός ιστός επεκτείνεται εις βάρος του αγροτικού και των ανοικτών εκτάσεων. Αυτό οδηγεί σε υποβάθµιση της φυσικής βλάστησης και υποβάθµιση του περιβάλλοντος γενικότερα. (Περισσότερες πληροφορίες:

2 ειδών επεξεργασίας µε συνέπεια το τεχνολογικό και λειτουργικό περιβάλλον στο οποίο θα αναπτυχθεί να πρέπει να χαρακτηρίζεται από ευελιξία και προσαρµοστικότητα σε ένα εύρος αναγκών και απαιτήσεων (Visvalingam, 1991). Αντίστοιχα αυξηµένη είναι η αξιοποίηση των Χωρικών Συστηµάτων Υποστήριξης Αποφάσεων (SDSS), µε τη χρήση των οποίων µελετώνται και αποτυπώνονται οι µεταβολές των χρήσεων γης και οι παράµετροι που τις επηρεάζουν, η οποία έχει οδηγήσει στην ανάγκη για χαρτογράφηση της αστικής ανάπτυξης. Το καίριο ερώτηµα παραµένει, κατά πόσον οι διαθέσιµες γνώσεις και δυνατότητες ανάλυσης θα διαµορφώσουν διαδικασίες λήψης αποφάσεων που θα οδηγούν στην επιτυχηµένη ανάλυση, καθορισµό και πρόβλεψη των κατάλληλων κατά περίπτωση χρήσεων µε παράλληλο συνυπολογισµό της παραµέτρου του πληθυσµού. Στην παρούσα εργασία επιστρατεύονται επιµέρους µέθοδοι της Τεχνητής Νοηµοσύνης (Artificial Intelligence), όπως η Ασαφής Λογική (Fuzzy Logic) και τα Νευρωνικά ίκτυα (Neural Networks) για την χωροχρονική ανάλυση και πρόβλεψη της µελλοντικής εξέλιξης αστικών περιοχών. Οι εν λόγω µέθοδοι, εκµεταλλεύονται τον αυξηµένο όγκο και την ποικιλία των διαθέσιµων δεδοµένων, κάτι που άλλες µεθοδολογικές προσεγγίσεις θεωρούν ως πρόβληµα και µε τη βοήθεια του κατάλληλου πλαισίου, εντοπίζουν τις συσχετίσεις των επιµέρους παραγόντων της διαδικασίας του σχεδιασµού και διαµορφώνουν υποδείγµατα πρόβλεψης της επιζητούµενης αστικής εξέλιξης. Αποτελείται από πέντε επιµέρους κεφάλαια. Το πρώτο, αναφέρεται στην πολυπλοκότητα και τις ιδιαιτερότητες της διαδικασίας εξέλιξης αστικών κέντρων καθώς και στις διάφορες προσεγγίσεις που έχουν µέχρι σήµερα εφαρµοστεί για τη µελέτη και ανάλυσή του. Στο δεύτερο, αναφέρονται και περιγράφονται αναλυτικά οι µέθοδοι που χρησιµοποιήθηκαν, ενώ στο τρίτο, παρουσιάζεται η προτεινόµενη µεθοδολογική προσέγγιση και αναλύονται τα επιµέρους στάδια που την αποτελούν. Στο επόµενο κεφάλαιο, η προτεινόµενη µεθοδολογική προσέγγιση εφαρµόζεται για την πρόβλεψη των πληθυσµιακών και οικιστικών χαρακτηριστικών των Αττικών ήµων και Κοινοτήτων µε χρονικό ορίζοντα δεκαετίας. Τέλος, η εργασία ολοκληρώνεται µε το κεφάλαιο των συµπερασµάτων, όπου αξιολογείται η προσέγγιση και προσδιορίζονται οι προοπτικές περαιτέρω βελτίωσης και αξιολόγησης στο πλαίσιο της αντιµετώπισης αντίστοιχων προβληµάτων. 1. ΕΞΕΛΙΞΗ ΑΣΤΙΚΩΝ ΚΕΝΤΡΩΝ Κάθε µορφή σχεδιασµού περιλαµβάνει τα στάδια της ανάλυσης και σύνθεσης µε απώτερο σκοπό τον προσδιορισµό στρατηγικών που συνυπολογίζοντας στόχους και κριτήρια θα οδηγεί στο εκάστοτε επιθυµητό αποτέλεσµα. Σηµαντικό ρόλο διαδραµατίζουν οι αλληλοσχετίσεις των επιµέρους παραµέτρων που διαµορφώνουν το περιβάλλον του εκάστοτε προβλήµατος, καθώς κάθε µεταβλητή του αστικού χώρου εξαρτάται από κάθε άλλη και το σύνολο δεν προκύπτει από το άθροισµα όλων των επιµέρους στοιχείων του. Είναι γνωστό, ότι στις Ηνωµένες Πολιτείες για αρκετά

3 χρόνια προσπαθούσαν να επιλύσουν τα κυκλοφοριακά τους προβλήµατα αποκλειστικά µε κυκλοφοριακές µελέτες, συλλογή και επεξεργασία δεδοµένων κυκλοφοριακής υφής, µέχρι να διαπιστωθεί ότι η διάρθρωση των χρήσεων γης στην πόλη έχει σε αρκετές περιπτώσεις µεγαλύτερη αλληλεπίδραση µε τα χαρακτηριστικά της κυκλοφορίας από οποιαδήποτε αµιγώς κυκλοφοριακά στοιχεία. Σε ένα πραγµατικό σύστηµα η γενικότερη ανάπτυξη δεν γίνεται σχεδόν ποτέ τυχαία. Αντίστοιχη οφείλει να είναι και η προσέγγιση ανάλυσης και σχεδιασµού του. Από τους ισχυρότερους παράγοντες του εκάστοτε πλαισίου δράσης είναι η υπάρχουσα κατάσταση στο χώρο: τα γεωδηµογραφικά του χαρακτηριστικά, οι υφιστάµενες δοµές καθώς και οι χρήσεις γης που έχουν επικρατήσει 2 (Αραβαντινός, 1997). Η διερεύνηση των επιµέρους αλληλοσυσχετίσεων αναδεικνύει το γεγονός ότι οι χωρικές µονάδες και η εξέλιξή τους επηρεάζει και επηρεάζεται από τα χαρακτηριστικά και την αντίστοιχη εξέλιξη γειτονικών µονάδων. Καταγράφεται κατ αυτήν την έννοια µια αλληλεπίδραση που ενισχύει τη θεώρηση περί ταυτόχρονης και αλληλοεξαρτώµενης εξέλιξης δύο ή περισσότερων γειτονικών περιοχών. Στη διεθνή βιβλιογραφία αναφέρονται αρκετές µαθηµατικές σχέσεις για την ερµηνεία και την απόδοση των παραπάνω σχέσεων. Στις συγκεκριµένες αναφορές οι µεταβολές των πληθυσµιακών µεγεθών και των χρήσεων γης εµφανίζονται στενά συνδεδεµένες και τα υποδείγµατα αστικής ανάπτυξης που δηµιουργήθηκαν για να τις περιγράψουν και να τις προδιαγράψουν παρέχουν τα απαραίτητα δεδοµένα για να αναλυθεί η αλληλεπίδραση πληθυσµού και χρήσεων γης. Η ανάγκη για ολοκληρωµένες µεθοδολογικές προσεγγίσεις που θα αποσκοπούν στην ανάλυση, ερµηνεία, αλλά και την πρόβλεψη των συνεπειών χωρικών πολιτικών και θα υποστηρίζονται από αντίστοιχες τεχνολογίες πληροφοριών έχει µεν γίνει κατανοητή, αλλά µόλις την τελευταία πενταετία άρχισαν να εµφανίζονται οι πρώτες σχετικές εφαρµογές. Ήδη από το 1989 ο Openshaw (Openshaw, 1989) διακρίνοντας την ανάγκη για νέα εργαλεία στις επιστήµες του χώρου, διατυπώνει την άποψη ότι η Ασαφής Λογική, µπορεί να εφαρµοσθεί στη Γεωδηµογραφία. Ο βασικότερος λόγος είναι ότι συνήθως στη Γεωδηµογραφία υπάρχουν δύο ειδών ασάφειες, που αναφέρονται στις αβεβαιότητες που ανακύπτουν από την ανακρίβεια και την αµφιβολία. Η πρώτη αφορά στα περιγραφικά χαρακτηριστικά των χωρικών µονάδων, όπου για παράδειγµα, η κατηγοριοποίηση γειτονικών οντοτήτων σε οµάδες γίνεται µε τη δυαδική λογική και αγνοείται το γεγονός ότι αρκετές οντότητες αν και µπορεί να είναι πολύ κοντά στην ταξινόµηση µε γειτονικές, σύµφωνα µε τον χρησιµοποιούµενο αλγόριθµο κατατάσσονται σε διαφορετικές οµάδες. Η δεύτερη, αφορά στην επίδραση της γειτνίασης στη διαµόρφωση των επιµέρους χαρακτηριστικών περιοχών και ειδικότερα στο γεωγραφικό φαινόµενο όπου ενώ γειτονικοί πληθυσµοί τείνουν να µοιράζονται ή να προσοµοιώνουν ορισµένα χαρακτηριστικά στη συµπεριφορά τους παρά τις 2 Το συγκεκριµένο πρόβληµα εξακολουθεί να απασχολεί και σήµερα την επιστηµονική κοινότητα, αφού γίνονται νέες έρευνες για υποδείγµατα που να συνδυάζουν χρήσεις γης και µεταφορές. Για µια συνοπτική εικόνα και αξιολόγηση αυτών βλέπε

4 υπόλοιπες διαφορές, αλλά παρ όλα αυτά κατατάσσονται σε λάθος οµάδες. Ένα πιθανό αίτιο είναι ότι τα σύνορα των χωρικών οντοτήτων δεν είναι φυσικά µε όρους δηµογραφικής και οικονοµικοκοινωνικής διαµέρισης (Feng, 1998). Η µεθοδολογία που ακολουθήθηκε στην εργασία αντιµετωπίζει και τα δύο είδη ασάφειας και επιπλέον εκµεταλλεύεται την επίδραση της γειτνίασης για τη διαµόρφωση των αρχικών οµάδων αλλά και για την πρόβλεψη της µελλοντικής κατάταξης των µελετώµενων περιοχών σε αυτές. Ορισµένα από τα πιο χαρακτηριστικά παραδείγµατα προγραµµάτων, υποδειγµάτων και µεθόδων που έχουν πραγµατοποιηθεί στο πλαίσιο της µελέτης της αστικής ανάπτυξης και έχουν αναπτυχθεί κυρίως από διάφορους φορείς των Η.Π.Α. παραθέτονται στη συνέχεια. Στον ελληνικό χώρο αντίστοιχες µελέτες έχουν πραγµατοποιηθεί από την Αττικό Μετρό ΑΕ (1997), καθώς και από τους συντάκτες (Φώτης κ.ά., 2001). Ερευνητική επέκταση της τελευταίας αποτελεί η παρούσα εργασία. Το Urban Dynamics Research (UDR) 3 είναι ένα ερευνητικό πρόγραµµα για την καταγραφή και ανάλυση των µεταβολών των χρήσεων γης σε αστικούς χώρους. Στόχο έχει να αναγνωρίσει τους χωρικούς δεσµούς µεταξύ γεωγραφικών και κοινωνικο-οικονοµικών παραγόντων που συµβάλλουν στην αστική ανάπτυξη. Η µορφοποίηση των παράγωγων υποδειγµάτων βασίζεται στη χρήση απλών παραµέτρων όπως είναι ο βαθµός αστικής επέκτασης, η τοπογραφία της υπό µελέτην περιοχής και το οδικό δίκτυο. Για την πρόβλεψη των πιθανοτήτων µελλοντικής αστικοποίησης περιοχών χρησιµοποιούνται κατά βάση στατιστικές µεθόδοι. Αντίστοιχη έρευνα έχει πραγµατοποιηθεί στη Νότια Καρολίνα και συγκεκριµένα από το Πανεπιστήµιο Clemson 4, για τη δηµιουργία υποδείγµατος πρόβλεψης αστικής ανάπτυξης, επίσης µε την εφαρµογή στατιστικών µεθόδων και πιο συγκεκριµένα ένα υπόδειγµα µη γραµµικής πολλαπλής παλινδρόµησης. Στη µελέτη της Αττικό Μετρό ΑΕ (ΑΜ) για την πρόβλεψη του πληθυσµού στο νοµό Αττικής, η πορεία που ακολουθήθηκε είχε δύο στάδια: α) Προβλέψεις για τα συνολικά µεγέθη που µελετήθηκαν υπό µορφή «Εναλλακτικών Εκτιµήσεων» και β) Εξειδίκευση ανά χωρική µονάδα αναφοράς (κυκλοφοριακή ζώνη). Σύµφωνα µε ορισµένες παραδοχές διαµορφώθηκαν δύο «εναλλακτικά σενάρια» πιθανών εξελίξεων στα συνολικά βασικά µεγέθη της χώρας (ρυθµός ΑΕΠ, ρυθµός αύξησης πληθυσµού, ρυθµός απασχόλησης). Τα στοιχεία που συγκεντρώθηκαν αναλύθηκαν και έγινε προσδιορισµός των συγκριτικών πλεονεκτηµάτων. ηµιουργήθηκε ένας πίνακας βαρών και εφαρµόζοντας τη ελφική Μέθοδο προσδιορίστηκαν δύο µακροσενάρια και έξι εκτιµήσεις. Η προβολή του πληθυσµού βάσει φυσικής αύξησης έγινε µε λογισµικό που βασίζεται στη µέθοδο cohort-survival. 5 3 Βλέπε USGS: Στο τέλος κάθε πενταετίας πρόβλεψης, ο πληθυσµός θα ισούται µε τον πληθυσµό της αρχής της πενταετίας, αφαιρώντας τους θανάτους και προσθέτοντας τις γεννήσεις.

5 Από τη σύντοµη και επιλεκτική αυτή αναφορά είναι σαφές ότι υπάρχει ενδιαφέρον και έδαφος για τη διεξαγωγή αντίστοιχων ερευνών και την αναζήτηση κατάλληλων µεθόδων υποστήριξης της δηµιουργίας αστικών υποδειγµάτων. Στο συγκεκριµένο πόνηµα, παρουσιάζεται µια εναλλακτική πρόταση στο πλαίσιο της µορφοποίησης ενός αστικού υποδείγµατος εξέλιξης, η οποία στηρίζεται σε µεθόδους της τεχνητής νοηµοσύνης και πιο συγκεκριµένα, της ασαφούς λογικής και των νευρωνικών δικτύων, οι οποίες εν αντιθέσει µε όσα έχουν προαναφερθεί, επεξεργάζονται και επιλύουν τα επιµέρους υπο-προβλήµατα, δίχως να ακολουθούν ή να προϋποθέτουν τον προκαθορισµό συγκεκριµένων µαθηµατικών σχέσεων. 2. MEΘΟ ΟΙ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ Οι µέθοδοι τεχνητής νοηµοσύνης που επιλέχθηκαν και παρουσιάζονται στη συνέχεια, τα Νευρωνικά ίκτυα (Ν ) και η Ασαφής Λογική (ΑΛ), παρέχουν µια θεµελιωδώς διαφορετική προσέγγιση στη µορφοποίηση και τη δηµιουργία χωρικών υποδειγµάτων στο ευρύτερο αντικείµενο της ανάλυσης χώρου (Openshaw, 1997), καθώς στο πλαίσιο της αρχικής τους εφαρµογής, δεν προϋποθέτουν εξειδικευµένες γνώσεις µαθηµατικών ή αλλων θεωριών. Ορισµένες από τις πρόσφατες εφαρµογές τους, όπως η πρόβλεψη της εξέλιξης των κρουσµάτων AIDS στην πολιτεία του Οχάιο, καθώς και οι βασισµένες σε στοιχεία απογραφής κοινωνικο οικονοµικές ταξινοµήσεις του πληθυσµού (Νότια Αφρική δεδοµένα απογραφής 1991), έχουν παρουσιαστεί από τους Crane και Hewitson (1994). 2.1 ΑΣΑΦΗΣ ΛΟΓΙΚΗ Η έννοια του ασαφούς συνόλου εισήχθη από τον Zadeh το 1965 και αποτέλεσε πραγµατική επανάσταση στη µαθηµατική επιστήµη και ειδικότερα στο χώρο της συνολοθεωρίας, απελευθερώνοντάς την από την Καντοριανή αντίληψη. Γρήγορα εκδηλώθηκε έντονο ερευνητικό ενδιαφέρον από τους µαθηµατικούς και νέες έννοιες µε πολλές εφαρµογές άρχισαν να εισάγονται στα Μαθηµατικά, όπως: Ασαφή Σύνολα (Fuzzy Sets), Πλειότιµες Λογικές (Many-valued Logics) κλπ. Η µαθηµατική λογική, αντιµετωπίζει δυσκολία όταν πρέπει να προσαρµοστεί στην πραγµατικότητα. Για τη Αριστοτέλεια λογική (τη κλασική δηλαδή λογική) οτιδήποτε δεν µπορεί να χαρακτηριστεί µε ένα "ναι" ή µε ένα "όχι" χαρακτηρίζεται "ασαφές" και εγκαταλείπεται. Κι όµως αυτή η ασάφεια κρύβει µέσα της µια πολύ ισχυρή λογική, γιατί η ασάφεια προκαλείται από την πολυπλοκότητα ενός φαινοµένου (Kosko, 1997). Σε τέτοια περίπτωση είναι απαραίτητη µια λογική µε περισσότερους παραµέτρους από το "ναι" ή το "όχι". Η θεωρία της ΑΛ 6 αναπτύχθηκε για να χειριστεί προβλήµατα που δεν έχουν αυστηρά όρια ή καταστάσεις στις οποίες τα γεγονότα είναι ασαφώς καθορισµένα. 6 (πληροφορίες για Fuzzy Logic)

6 Σχήµα 2.1 Παράδειγµα Ασαφούς Λογικής Πηγή: MIT-Data Engine Τutorials & Theory Μanual 2000 Είναι µια επαναστατική τεχνολογία που δίνει στους υπολογιστές τη δυνατότητα να σκέφτονται και να παίρνουν αποφάσεις που προσοµοιάζουν τις ανθρώπινες (McNeill, 1994). Μπορεί να θεωρηθεί ως µια γενίκευση της κλασσικής θεωρίας συνόλων και σαν µια γενίκευση της δυαδικής λογικής. Σύµφωνα µε αυτές, ένα σύνολο µπορεί να θεωρηθεί ως µια οµαδοποίηση στοιχείων, τα οποία έχουν ένα τουλάχιστον κοινό χαρακτηριστικό. Αν ένα στοιχείο έχει αυτό το χαρακτηριστικό τότε ανήκει στο σύνολο, ενώ στην αντίθετη περίπτωση δεν ανήκει σε αυτό. Στη θεωρία των συνόλων ΑΛ, το σύνολο δεν περιορίζεται πια από τον δυαδικό (ναι/όχι) ορισµό κάθε µέλους του συνόλου, αλλά επιτρέπει ένα βαθµωτό ορισµό του µέλους. Αυτό σηµαίνει, ότι για κάθε στοιχείο µπορεί να προσδιορισθεί ο βαθµός κατά τον οποίο ανήκει σε κάθε σύνολο (MIT, 1997a). Το σύνολο που ορίζεται κατ αυτήν την έννοια, ονοµάζεται ασαφές. Στο Σχήµα 2.1 παρουσιάζεται µε τη µορφή γραφήµατος η ιδανική θερµοκρασία λειτουργίας ενός µηχανήµατος µε µεθόδους ΑΛ και κλασσικές οµαδοποιήσεις (δυαδική λογική). Σύµφωνα µε την κλασσική λογική για µια περιοχή γύρω από την ιδανική θερµοκρασία λειτουργίας (136ºC) η ένδειξη είναι σταθερή, ενώ µε την ασαφή λογική, η θερµοκρασία λειτουργίας προσδιορίζεται µε καλύτερη ακρίβεια, άρα είναι ο έλεγχος του µηχανήµατος είναι πιο ακριβής. Είναι λοιπόν, φανερή η αδυναµία ταξινόµησης µε την κλασσική δυαδική λογική. Αντίστοιχα, η ταξινόµηση του πληθυσµού µιας περιοχής σε οµάδες αποκτά άλλη διάσταση καθώς η κάθε οµάδα δεν καθορίζεται από ένα µόνο χαρακτηριστικό, αλλά από όλα σε διαφορετικά ποσοστά κατά περίπτωση. Έτσι η ερµηνεία κάθε οµάδας προσεγγίζει ακριβέστερα την πραγµατικότητα. Ο πρώτος στόχος της οµαδοποίησης είναι να εντοπισθούν κοινές δοµές στα δεδοµένα. Αυτές οι δοµές είναι συνήθως τάξεις στις οποίες τα στοιχεία από τα δεδοµένα αποδίδονται. Το αποτέλεσµα της διαδικασίας οµαδοποίησης χρησιµοποιείται συνήθως ως ταξινοµητής, µε τον οποίο αντικείµενα που δεν έχουν αποδοθεί σε γνωστή οµάδα, αποδίδονται σε

7 τάξεις. Το πλεονέκτηµα συνεπώς της ασαφούς οµαδοποίησης είναι ότι τα αντικείµενα αποδίδονται µε διαφορετικό βαθµό σε διαφορετικές τάξεις, ενώ στην κλασσική οµαδοποίηση κάθε αντικείµενο αντιστοιχεί σε µία ακριβώς τάξη ΙΑ ΙΚΑΣΙΕΣ ΟΜΑ ΟΠΟΙΗΣΗΣ Οι διαδικασίες οµαδοποίησης ανήκουν στις αλγοριθµικές µεθόδους ανάλυσης δεδοµένων. ιαφορετικές προσεγγίσεις έχουν προταθεί για την ανάπτυξη ταξινοµητών µε µεθόδους οµαδοποίησης, οι οποίες περιλαµβάνουν α) την επαναληπτική οµαδοποίηση, β) τη συσσωρευµένη ιεραρχική οµαδοποίηση και γ) τη διαιρετή ιεραρχική οµαδοποίηση (MIT, 1997b) ΑΛΓΟΡΙΘΜΟΣ FUZZY C-MEANS Στην κατηγορία της επαναληπτικής οµαδοποίησης ανήκει και ο αλγόριθµος Fuzzy C-Means (FCM), ο οποίος χρησιµοποιείται στα πλαίσια της προτεινόµενης προσέγγισης. Ο αριθµός των οµάδων c που θα προσδιοριστούν (πλήθος παρατηρήσεων c 2) είναι δεδοµένος εξ αρχής. Επιπλέον, πρέπει να δοθεί και η τιµή της παραµέτρου m (m > 1). Η παράµετρος m καθορίζει τον βαθµό ασάφειας της τελικής οµαδοποίησης. Όσο η τιµή του m πλησιάζει τη 1, το αποτέλεσµα της οµαδοποίησης προέρχεται από την κλασσική µέθοδο ίσων δεδοµένων. Όταν τείνει στο άπειρο, τα ποσοστά των αντικειµένων που ανήκουν στην κάθε οµάδα τείνουν στον αντίστροφο αριθµό των τάξεων (1/c). Ο εν λόγω αλγόριθµος αναλύει τα στοιχεία εισόδου και αναζητά σχέσεις µεταξύ τους. Αφού τα επεξεργαστεί τα ταξινοµεί. Κάθε τάξη έχει µια κεντρική τιµή (cluster center - cc) η οποία απεικονίζει την τιµή ενός χαρακτηριστικού (τυπικού) αντικειµένου της τάξης αυτής. 2.2 ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Στόχος ενός νευρωνικού δικτύου (Ν ) είναι να προσδιορίσει µελλοντικά στάδια ή τιµές ενός γεγονότος για το οποίο διατίθενται διαχρονικά δεδοµένα ή να οµαδοποιήσει ένα συγκεκριµένο όγκο δεδοµένων, αφού προηγουµένως εκπαιδευθεί κατάλληλα. Η βασική ιδέα πάνω στην οποία βασίζονται τα Ν είναι της προσοµοίωσης της λειτουργίας του ανθρώπινου εγκεφάλου. Το δίκτυο εκπαιδεύεται και µαθαίνει µε τελικό στόχο να αποκτήσει την ικανότητα να λαµβάνει αποφάσεις βάσει των γνώσεων που έχει αποκτήσει. Κάθε δίκτυο δέχεται δεδοµένα εισόδου και παράγει δεδοµένα εξόδου. Η εκπαίδευση γίνεται παρουσιάζοντας ορισµένα πρότυπα στο δίκτυο, αντιπροσωπευτικά ή παρόµοια µε το αντικείµενο της εφαρµογής, για τα οποία είναι γνωστά και η έξοδος στόχος και τι πρέπει να δίνει το δίκτυο ως απάντηση στα πρότυπα που συνεπεξεργάζεται. Το δίκτυο µε τα δεδοµένα αυτά τροποποιεί την εσωτερική του δοµή και αφου προσδιορίσει τη βέλτιστη δυνατή αντιστοιχία, είναι σε θέση να επιλύσει παρόµοια προβλήµατα για τα οποία δεν έχει εκπαιδευθεί και το αποτέλεσµα δεν είναι εκ των προτέρων γνωστό.

8 Ένα Ν αποτελείται από ένα αριθµό στοιχείων, τους νευρώνες (Σχήµα 2.2). Κάθε νευρώνας δέχεται ως είσοδο έναν αριθµό σηµάτων και ανάλογα µε το στάδιο της επεξεργασίας (αυτή γίνεται στο κρυµµένο επίπεδο) µπορεί να βρεθεί σε διαφορετικές καταστάσεις. Έχει µία µόνον έξοδο, η οποία είναι συνάρτηση των σηµάτων εισόδου. Κάθε είσοδος έχει το δικό της βάρος, το οποίο υποδηλώνει πόσο στενά είναι συνδεδεµένοι οι δύο νευρώνες που συνδέονται µε το βάρος αυτό. Τα βάρη µεταβάλλονται µε τη βοήθεια κανόνων εκµάθησης. Η οπισθοδιάδοση (backpropagation) είναι ο πιο διαδεδοµένος κανόνας εκµάθησης. Εδώ αρκεί να ειπωθεί ότι τα βάρη αλλάζουν σύµφωνα µε την προηγούµενη τιµή και µια διορθωτική παράµετρο. Ο κανόνας εκµάθησης είναι ο τρόπος µε τον οποίο η διορθωτική παράµετρος καθορίζεται. Αφού επιλεχθεί ο συγκεκριµένος κανόνας, ο χρήστης καθορίζει το βήµα διόρθωσης των βαρών, το οποίο ονοµάζεται ρυθµός εκµάθησης. Αν ο ρυθµός εκµάθησης είναι πολύ µικρός τότε η εκµάθηση παίρνει περισσότερο χρόνο. Αντίθετα αν είναι πολύ υψηλός τότε η προσαρµογή αποκλίνει και τα βάρη αστοχούν. Εξελιγµένοι κανόνες µάθησης που χρησιµοποιούνται από την πλειοψηφία των σχετικών προϊόντων λογισµικού είναι οι : Momentum, Quickprop, DeltaBarDelta (DBD), Conjugate Gradient, µε περισσότερο χρησιµοποιούµενο τον Momentum. Όταν πλέον το δίκτυο εκπαιδευθεί, είναι σε θέση να διαµορφώνει προβλέψεις, αναγνωρίζοντας παρόµοιες δοµές. Είναι δηλαδή ικανό να αναγνωρίζει οµοιότητες σε µια νέα σειρά δεδοµένων εισόδου και να παράγει µια νέα σειρά δεδοµένων εξόδου. Η αξιολόγηση του εκάστοτε προκύπτοντος δικτύου, πραγµατοποιείται µε κάποιο δοκιµαστικό αριθµό δεδοµένων, για τα οποία είναι γνωστό το αποτέλεσµα (αλλά δεν έχει δοθεί για επεξεργασία κατά την διαδικασία της εκµάθησης), αφού προηγουµένως επιλεγούν τα βάρη, που παράγουν το µικρότερο σφάλµα κατά την εκπαίδευση. Σχήµα 2.2 Βασική δοµή ενός Ν Πηγή: Ιδία επεξεργασία Η χρήση των Ν για επεξεργασία στοιχείων παρέχει τη δυνατότητα ανίχνευσης σχέσεων µεταξύ, θεωρητικά ανεξάρτητων στοιχείων. Το γεγονός αυτό καθεαυτό, µπορεί να ωθήσει την έρευνα σε άλλα µονοπάτια και να προσεγγίσει το υπό µελέτη πρόβληµα από διαφορετικές οπτικές γωνίες. Από στατιστική άποψη τα Ν ανήκουν στη γενικότερη κατηγορία των µη-παραµετρικών µεθόδων που δεν κάνουν καµιά υπόθεση για την παραµετρική µορφή της συνάρτησης που προσοµοιώνουν. Με αυτή την έννοια είναι πιο ευέλικτα από τις παραµετρικές µεθόδους που προσπαθούν να προσαρµόσουν την πραγµατικότητα σε συγκεκριµένες

9 φόρµες. Λόγω αυτής της ιδιότητας µπορούν να αντικαταστήσουν µε επιτυχία παραδοσιακές µεθόδους ταξινόµησης όπως για παράδειγµα την πολυµεταβλητή ταξινόµηση αλλά και τη γραµµική και την τριγωνοµετρική 7. Ωστόσο οι µη-παραµετρικές µέθοδοι όπως τα Ν περιέχουν περισσότερες ελεύθερες παραµέτρους και γι αυτό το λόγο απαιτούν περισσότερα δεδοµένα εκπαίδευσης για να επιτύχουν καλύτερη επίδοση. Υπάρχουν αρκετές κατηγορίες Ν, ανάλογα µε τον τρόπο που επεξεργάζονται τα δεδοµένα, µε πιο διαδεδοµένη το Μulti-Layer-Perceptron (MLP). Σύµφωνα µε τη θεωρία (Haykin, 1999), ένα MLP µε ένα κρυµµένο επίπεδο είναι ικανό να προσεγγίσει κάθε συνεχή συνάρτηση. Πρακτικά δύο κρυµµένα επίπεδα µπορεί να είναι πιο αποτελεσµατικά, αλλά πιο δύσκολα για να εκπαιδευθούν. Από τη συνοπτική παρουσίαση των συγκεκριµένων µεθόδων προκύπτουν εύλογες δυνατότητες χρήσης τους στην αντιµετώπιση διαφόρων χωρικών προβληµάτων, τα οποία µέχρι σήµερα είχαν χαρακτηρισθεί ως αυξηµένης πολυπλοκότητας. Κάτι τέτοιο, δεν σηµαίνει σε καµία περίπτωση ότι οι κλασσικές µέθοδοι πρέπει να καταργηθούν, αλλά µπορούν να λειτουργήσουν συµπληρωµατικά και συνδυαστικά µε τις νέες, έτσι ώστε να κατανοούνται και να επιλύονται τα αντίστοιχα προβλήµατα µέσα από ολοκληρωµένες προσεγγίσεις. 3. ΜΕΘΟ ΟΛΟΓΙΑ Για τον προσδιορισµό της γεωδηµογραφικής εξέλιξης αστικών περιοχών, υιοθετήθηκε µια χωροχρονική προσέγγιση, υπό την έννοια ότι η παρατήρηση, η ερµηνεία και η πρόβλεψη του υπό µελέτη φαινοµένου πραγµατοποιείται στη ροή του χρόνου, αναλύοντας και δηµιουργώντας µια εµπεριστατωµένη αντίληψη της σταδιακής µορφοποίησης του. Αναδεικνύεται κατ αυτήν την έννοια η σηµαντικότητα της παραµέτρου του χρόνου σε κάθε διαδικασία λήψη σχεδιαστικών αποφάσεων. Βασικό άξονα της µεθοδολογίας αποτελεί η διαπίστωση ότι η ανάπτυξη µιας χωρικής οντότητας δεν εξαρτάται µόνο από στοιχεία και χαρακτηριστικά που την αφορούν αποκλειστικά, αλλά και από τον τρόπο µε τον οποίο εξελίσσονται οι γειτονικές οντότητες, καθώς η συνοριακή επαφή δηµιουργεί αµφίδροµες σχέσεις αφοµοίωσης χαρακτηριστικών και αλληλεπίδρασης δραστηριοτήτων. Συχνά, για την παρατήρηση του φαινοµένου οµαδοποιούνται οι χωρικές οντότητες βάσει κοινών χαρακτηριστικών, ώστε οι µεταβολές να είναι ευδιάκριτες, ιδιαίτερα όταν ο αριθµός των χωρικών οντοτήτων είναι πολύ µεγάλος. Η δηµιουργία οµάδων που χαρακτηρίζονται από συγκεκριµένο εύρος τιµών στις αντίστοιχες µεταβλητές, αποτελούν τη σταθερή διαχρονική αναφορά βάσει της οποίας κατατάσσεται και περιγράφεται κάθε οντότητα. Η εν λόγω παραδοχή συνεπάγεται τη µεταπήδηση περιοχών σε διαφορετική οµάδα στην πάροδο του χρόνου, το οποίο σηµαίνει ότι µεταβάλλεται αφενός το στάδιο εξέλιξης και αφετέρου η αναπτυξιακή προοπτική της. Με τον τρόπο αυτό για κάθε 7 Για περισσότερες πληροφορίες και παραδείγµατα για αυτές τις µεθόδους βλέπε (Κουτσόπουλος 1990)

10 χρονική στιγµή µορφοποιείται η αντιστοιχία περιοχής - οµάδας και η κοινή τους επεξεργασία διαµορφώνει τη διαχρονική εικόνα. Το διάγραµµα ροής της προτεινόµενης µεθοδολογική προσέγγισης απεικονίζεται σχηµατικά στο ιάγραµµα 3.1. Αναλύοντας τα επιµέρους στάδια της µεθοδολογίας, αρχικά καθορίζεται το φαινόµενο που θα διερευνηθεί και ακολουθεί η συλλογή δεδοµένων για αυτό. Τα δεδοµένα µπορούν να είναι είτε από πρωτογενείς πηγές είτε από δευτερογενείς και αντίστοιχες επεξεργασίες. Στα πλαίσια της προκαταρκτικής επεξεργασίας, ανάλυσης και απόδοσης των σταδίων εξέλιξης του υπό µελέτη φαινοµένου, προσδιορίζονται από τη συνδυασµένη αξιοποίηση επιµέρους παραµέτρων, κατάλληλοι δείκτες (πρωτογενή ή δευτερογενή δεδοµένα, όπως πυκνότητα πληθυσµού, ποσοστιαίες αναλογίες κτλ.). Το επόµενο στάδιο αφορά στην επιλογή και το διαχωρισµό όσων µεταβλητών χρησιµοποιηθούν για την οµαδοποίηση και όσων για την πρόβλεψη, για την αξιολόγηση των οποίων σηµαντικό ρόλο διαδραµατίζει η εµπειρία του ερευνητή. Η συγκεκριµένη διεργασία αποτελείται από δύο επιµέρους διαδικασίες: ιαδικασία Οµαδοποίησης (ΑΛ). Αφορά στο υπόδειγµα ΑΛ που θα δηµιουργηθεί και αναφέρεται στη δηµιουργία πίνακα που περιλαµβάνει το σύνολο των διαχρονικών δεδοµένων, που θα αξιοποιηθούν στο πλαίσιο του προσδιορισµού των οµάδων. Ακολουθεί ο καθορισµός των παραµέτρων στο λογισµικό, που περιλαµβάνει τον προσδιορισµό του αριθµού των οµάδων που θα δηµιουργηθούν. Η διαδικασία είτε ακολουθεί κάποιο µαθηµατικό τρόπο, όπως αυτόν που περιγράφεται στην εφαρµογή, είτε υπακούει στις ανάγκες του προβλήµατος. Αφού προσδιορισθούν οι οµάδες, ερµηνεύονται και αξιολογούνται τα αποτελέσµατα, ώστε να διαπιστωθεί κατά πόσο συµβαδίζουν µε τις αρχικές υποθέσεις και στόχους. Σε διαφορετική περίπτωση επαναλαµβάνεται η διαδικασία και όταν ολοκληρωθεί, τα τελικά αποτελέσµατα καταχωρούνται σε αντίστοιχη βάση δεδοµένων και οπτικοποιούνται µε τη βοήθεια ενός Γεωγραφικού Συστήµατος Πληροφοριών (ΓΣΠ). Η τεχνολογία των ΓΣΠ µε τις αυξηµένες δυνατότητες διαχείρισης, ανάλυσης και παρουσίασης χωρικών και περιγραφικών πληροφοριών που διαθέτει, υποστηρίζει τις τελευταίες δεκαετίες πληθώρα εφαρµογών του ευρύτερου φάσµατος των επιστηµών του χώρου 8. Ως εκ τούτου, κρίνεται απαραίτητη για την απόδοση των χωρικών διαφοροποιήσεων του εκάστοτε φαινοµένου στην αντίστοιχη περιοχή µελέτης. Σύµφωνα µε τη θεωρία της ΑΛ, ένα στοιχείο, µπορεί να ανήκει σε δύο ή και περισσότερες οµάδες (µε υψηλά ποσοστά π.χ. 40% και στις δύο). Τα ποσοστά αυτά σχετίζονται µε το πόσο κοντά στα κέντρα κάθε οµάδας (cluster center-cc) βρίσκεται το κάθε στοιχείο. Έτσι, αν το ποσοστό που ανήκει ένα στοιχείο σε µια οµάδα είναι 95%, αυτό σηµαίνει ότι τα δεδοµένα που το χαρακτηρίζουν συµπίπτουν µε τις κεντρικές τιµές των δεδοµένων της συγκεκριµένης οµάδας και συνεπώς κατατάσσεται σε αυτήν. Αντίστροφα, αν το στοιχείο ανήκει κατά 5% σε µια οµάδα, τότε τα 8 Για περισσότερες πληροφορίες για τα ΓΣΠ βλέπε Κουτσόπουλος 1990

11 δεδοµένα που το συνθέτουν έχουν ελάχιστη σχέση µε τα χαρακτηριστικά της οµάδας αυτής. Καθώς η ταξινόµηση επαναλαµβάνεται, οι µεταβολές των ποσοστών οδηγούν σε επιµέρους µετακινήσεις των στοιχείων. Κάθε οµάδα που προσδιορίζεται µε την εν λόγω διαδικασία, χαρακτηρίζεται από συγκεκριµένες τιµές όσον αφορά στα δεδοµένα και αντιπροσωπεύει έναν τύπο ανάπτυξης και εξέλιξης. ιαδικασία Πρόβλεψης (Ν ). Αφορά στη δηµιουργία του υποδείγµατος του Ν, κατά τη διάρκεια της οποίας, µπορεί να επιλεγεί οποιαδήποτε παράµετρο ανεξάρτητα µε τα αποτελέσµατα της προηγούµενης διαδικασίας. Στο συγκεκριµένο στάδιο είναι καθοριστικής σηµασίας η δοµή του πίνακα δεδοµένων - αποτελεσµάτων που θα εισαχθεί στο Ν. Πρέπει να είναι κατά τέτοιο τρόπο κατασκευασµένος, ώστε να έχει χρονική αλληλουχία, το βήµα της οποίας θα είναι σταθερό και κατάλληλα επιλεγµένο. Η γειτνίαση υπεισέρχεται στον πίνακα των δεδοµένων µε τον εξής τρόπο: α) κάθε χωρική µονάδα (ΧΜ) συνορεύει µε κάποιο ποσοστό του συνολικού µήκους των συνόρων της, µε ΧΜ άλλων ή και ιδίων οµάδων εξέλιξης, β) µε τη χρήση ενός ΓΣΠ υπολογίζονται τα κοινά σύνορα των ΧΜ, γ) η κάθε ΧΜ περιέχει όλες τις οµάδες σε κάποιο ποσοστό, το οποίο πολλαπλασιάζεται µε το ποσοστό που συνορεύει µε τις υπόλοιπες. ηµιουργείται κατ αυτόν τον τρόπο µια νέα ποσοστιαία αναλογία για κάθε ΧΜ µε τα ποσοστά των οµάδων που συνορεύει. Όταν δηµιουργηθεί ο τελικός πίνακας µε τα δεδοµένα, ακολουθεί η δηµιουργία του Ν. Για τις περισσότερες εφαρµογές είναι κατάλληλη η επιλογή ενός δικτύου MLP, γιατί µπορεί να προσεγγίσει σχεδόν οποιοδήποτε πρόβληµα πρόβλεψης, µε ένα κατάλληλο συνδυασµό επιπέδων και νευρώνων αλλά µέχρι σήµερα δεν αναφέρεται στη διεθνή βιβλιογραφία συγκεκριµένη µεθοδολογία όσον αφορά στον τρόπο εύρεσης του βέλτιστου Ν εκτός από τις διαδοχικές δοκιµές και την επιµέρους αξιολόγηση των αποτελεσµάτων. Μετά την επιλογή του τύπου του δικτύου, γίνονται οι ρυθµίσεις για τον αριθµό των µεταβλητών εισαγωγής, των κρυµµένων επιπέδων, των νευρώνων σε κάθε επίπεδο και τον τύπο του δικτύου που θα χρησιµοποιηθεί. Ανάµεσα στο επίπεδο εισόδου και εξόδου υπάρχουν ένα ή περισσότερα κρυµµένα επίπεδα. Ο καθορισµός των παραµέτρων στο Ν είναι κρίσιµος για το αποτέλεσµα γι αυτό απαιτούνται πολλές δοκιµές και εµπειρία από το χρήστη ώστε να καταλήξει στο βέλτιστο τύπο δικτύου. Υπάρχουν διάφορα κριτήρια τερµατισµού της εκπαίδευσης (αυτοµατοποιηµένες διαδικασίες που προσφέρει το λογισµικό), αλλά ο καλύτερος τρόπος για να επιτευχθεί η βέλτιστη απόδοση (µικρότερα σφάλµατα) του Ν είναι ο τερµατισµός από το χρήστη, ο οποίος ενώ επιτρέπει καλύτερη προσέγγιση των τελικών βαρών, παράλληλα απαιτεί σηµαντική εµπειρία (Haykin, 1999). Όταν η εκπαίδευση ολοκληρωθεί, το δίκτυο εφαρµόζεται στα δεδοµένα δοκιµής (δεδοµένα που δεν έχουν χρησιµοποιηθεί για την εκπαίδευση). Η αξιολόγηση των αποτελεσµάτων ενός Ν µπορεί να γίνει µε διαφορετικούς τρόπους, ανάλογα µε το λογισµικό που χρησιµοποιείται. Συνηθέστεροι από αυτούς είναι 9 : α) Μean Squared Error (MSE), 9 MSE: µέσο τετράγωνο σφάλµα, NMSE: κανονικοποιηµένο µέσο τετράγωνο σφάλµα, Correlation Coefficient: συντελεστής συσχέτισης

12 β) Normalized Mean Squared Error (ΝMSE), γ) Correlation Coefficient (r), δ) % Error (% σφάλµα). Όταν τα αποτελέσµατα της πρόβλεψης αξιολογηθούν (µέσω στατιστικών δεικτών 10 που εξετάζουν π.χ. το δοκιµαστικό δείγµα δεδοµένων) και κριθούν αποδεκτά, τότε παράγονται οι τελικοί χάρτες πρόβλεψης των οµάδων. Πολλές φορές είναι σηµαντική η εκ των προτέρων εκτίµηση της επίδρασης κάθε στοιχείου εισόδου στο αποτέλεσµα. Γι αυτό το λόγο, χρησιµοποιείται η ανάλυση ευαισθησίας, όπου κάθε στήλη δεδοµένων µεταβάλλεται γύρω από τον αριθµητικό µέσο, ενώ όλες οι άλλες στήλες παραµένουν σταθερές και τότε υπολογίζεται η µεταβολή στο τελικό αποτέλεσµα (Principe, 2000). 10 Ο πιο συνηθισµένος είναι ο συντελεστής συσχέτισης (r), ο οποίος όσο πλησιάζει στη µονάδα (0,95-0,99) τόσο µεγαλύτερη η ακρίβεια

13 ΜΟΝΤΕΛΟ ΝΕΥΡΩΝΙΚΟΥ ΙΚΤΥΟΥ ΟΧΙ Σχήµα 3.1 ιάγραµµα ροής µεθοδολογίας ΚΑΘΟ ΡΙΣΜΟ Σ ΠΡΟΒΛΗΜΑΤΟΣ ΟΛΟΚΛΗΡΩΘΗΚΕ ΙΑ ΙΚΑΣΙΑ ΑΛ ; ΕΠΙΛΟ ΓΗ Ν ΚΑΘΟ ΡΙΣΜΟ Σ Π ΑΡΑΜΕΤΡΩΝ ΕΚΠΑΙ ΕΥΣΗ Ν ΑΞΙΟ ΛΟ ΓΗΣΗ ΑΠΟ ΟΧΗ Ν ΝΑΙ ΝΑΙ Πηγή: Ιδία επεξεργασία ΠΡΟΒΛΕΨΗ ΟΜΑ ΩΝ ΧΑΡΤΕΣ ΠΡΟΒΛΕΨΗΣ ΣΧΟΛΙΑΣΜΟΣ-ΕΡΜΗ ΝΕΙΑ ΑΠΟ ΤΕΛΕΣΜΑΤΩΝ Ε Ο ΜΕΝΑ ΜΟ ΝΤΕΛΟ Υ Ν ΟΧΙ Ν ΜΟΝΤΕΛΟ ΑΣΑΦΟΥΣ ΛΟΓΙΚΗΣ ΣΥΛΛΟ ΓΗ Ε Ο ΜΕΝΩΝ ΗΜΙΟ ΥΡΓΙΑ ΟΜΑ ΩΝ ΥΠΟΜΝΗΜΑ ΙΑΓΡΑΜΜΑΤΟΣ ΡΟΗΣ ΑΡΧΗ ΤΕΛΟΣ ΙΑ ΙΚΑΣΙΑ ΕΠ ΙΛΟ ΓΗ Ε Ο ΜΕΝΩΝ ΚΑΘΟ ΡΙΣΜΟ Σ ΠΑΡΑΜΕΤΡΩΝ ΑΛ ΕΠ ΙΛΟ ΓΗ ΑΡΙΘΜΟ Υ ΟΜΑ ΩΝ ΧΑΡΤΕΣ - ΠΙΝΑΚΑΣ ΑΠ Ο ΤΕΛΕΣΜΑΤΩΝ ΑΠΟΦΑΣΗ ΑΛ Ε ΟΜΕΝΑ ΑΠΕΙΚΟΝΙΣΗ ΡΟΗ ΙΑΓΡΑΜΜΑΤΟΣ

14 Έτσι δίνεται η δυνατότητα επιλογής στο χρήστη να απαλείψει τα λιγότερο σηµαντικά δεδοµένα µε συνέπεια να µειωθεί το µέγεθος του δικτύου, η πολυπλοκότητα του αλλά και ο αριθµός των επαναλήψεων. Επιπλέον µε αυτόν τον τρόπο, επιτυγχάνεται µικρότερο τελικό σφάλµα σε συντοµότερο χρονικό διάστηµα. Η ανάλυση ευαισθησίας είναι µια µέθοδος που δεν επηρεάζει τα βάρη του ήδηεκπαιδευµένου δικτύου και η βασική της ιδέα είναι ότι µεταβάλλοντας ελάχιστα τις τιµές των δεδοµένων ελέγχεται ποια είναι η αντίστοιχη µεταβολή στις τιµές των αποτελεσµάτων (Principe, 2000). εν υπάρχει καθορισµένος αριθµός µεταβλητών που µπορούν να χρησιµοποιηθούν στις προαναφερόµενες µεθόδους, παρά µόνο στους περιορισµούς που (πιθανώς) επιβάλει το κάθε λογισµικό. Έτσι, η ευχρηστία των µεθόδων κάνει και την ίδια την µεθοδολογία πιο ευέλικτη ως προς τους τρόπους αξιοποίησης των δεδοµένων. 4. ΕΦΑΡΜΟΓΗ: ΓΕΩ ΗΜΟΓΡΑΦΙΚΗ ΕΞΕΛΙΞΗ ΤΩΝ ΑΤΤΙΚΩΝ ΗΜΩΝ ΚΑΙ ΚΟΙΝΟΤΗΤΩΝ Η εφαρµογή της προτεινόµενης µεθοδολογίας έγινε στο νοµό Αττικής, ο οποίος περιλαµβάνει το Πολεοδοµικό Συγκρότηµα της Πρωτεύουσας (ΠΣΠ) και οριοθετείται από τα βουνά της Πάρνηθας, του Υµηττού και της Πεντέλης (λεκανοπέδιο Αττικής). Η Αθήνα αποτελεί το ισχυρότερο διοικητικό και οικονοµικό κέντρο της χώρας και συγκεντρώνει το µεγαλύτερο µέρος του πληθυσµού και των παραγωγικών δραστηριοτήτων, της έρευνας και της τεχνολογικής ανάπτυξης, των υπηρεσιών και του εξειδικευµένου εργατικού δυναµικού µε υψηλό επίπεδο εκπαίδευσης. Τα χαρακτηριστικά αυτά σε συνδυασµό µε τα µεγάλα έργα που υλοποιούνται, κυρίως λόγω των Ολυµπιακών Αγώνων του 2004, µεταβάλλουν µε έντονους ρυθµούς τον χαρακτήρα και τις λειτουργίες της. Για την εφαρµογή των προτεινόµενων µεθόδους (Ν, αλγόριθµοι ΑΛ) που αναλύθηκαν στα προηγούµενα κεφάλαια, υπάρχει σηµαντικός αριθµός διαθέσιµων προϊόντων λογισµικού (freeware, shareware, commercial) µέσω ιαδικτύου (Internet). 11 Ορισµένα εξ αυτών, διατίθενται δωρεάν (µε περιορισµένες δυνατότητες επιλογών), ενώ άλλα είναι εµπορικά (µε περισσότερες επιλογές). Στο πλαίσιο της εφαρµογής, επιλέχθηκαν το Νeurosolutions και το Data Engine Και τα δύο προγράµµατα προσφέρουν ένα υψηλό επίπεδο λειτουργικότητας και έχουν αυξηµένες δυνατότητες ανάλυσης και επεξεργασίας δεδοµένων. Η οµαδοποίηση (λογισµικό Data Engine), αφορά στην χρονική περίοδο , ενώ η πρόβλεψη (λογισµικό Neurosolutions), στα έτη 2001, Το έτος 2001 αποτελεί τον πρώτο στόχο πρόβλεψης, ενώ το 2011, την αµέσως επόµενη χρονικά 11 ftp://ftp.sas.com/pub/neural/faq5.html#questions 12 (NeuroDimension, Inc) 13

15 εκτίµηση, γιατί έως την ολοκλήρωση της συγκεκριµένης εργασίας, δεν υπήρχαν διαθέσιµα τα δεδοµένα της απογραφής του 2001 ώστε να αξιοποιηθούν κατάλληλα. 4.1 ΠΡΟΣ ΙΟΡΙΣΜΟΣ ΓΕΩ ΗΜΟΓΡΑΦΙΚΩΝ ΟΜΑ ΩΝ Η βασική χωρική µονάδα αναφοράς που χρησιµοποιήθηκε είναι ο δήµος, καθώς δεδοµένα για µικρότερες χωρικές µονάδες (π.χ. ενορίες) δεν ήταν διαθέσιµα για παλαιότερα έτη. Λόγω της φύσης του προβλήµατος (διαδοχικά δεδοµένα, όσο το δυνατόν περισσότερα), τα στοιχεία που χρησιµοποιήθηκαν από το Ν, άρα και κατά την οµαδοποίηση, προέρχονται από τις απογραφές της ΕΣΥΕ. Χρησιµοποιήθηκαν οι πίνακες χρήσεων κτιρίων όπως τους παρέχει η ΕΣΥΕ ή σε µορφή πινάκων µε απόλυτο αριθµό κτιρίων κατά χρήση και χρονική περίοδο κατασκευής. Από τους απόλυτους αριθµούς κατασκευάστηκε πίνακας µε τις χρήσεις κτιρίων σε ποσοστό ως προς το συνολικό αριθµό των κτιρίων του κάθε δήµου. Η αντιστοιχία των χρήσεων κτιρίων και της αρίθµησης των στηλών του πίνακα φαίνεται στον Πίνακα 4.1 Πίνακας 4.1 Κατηγορίες χρήσεων κτιρίων AΠΟΚΛΕΙΣΤΙΚΗ ΧΡΗΣΗ ΚΩ ΙΚΟΣ ΜΙΚΤΗ ΧΡΗΣΗ (βάσει κύριας χρήσης) ΚΩ ΙΚΟΣ Κατοικίες A2 Κατοικίες B2 Εκκλησίες Μοναστήρια A3 Εκκλησίες - Μοναστήρια B3 Ξενοδοχεία A4 Ξενοδοχεία B4 Εργοστάσια Εργαστήρια A5 Εργοστάσια - Εργαστήρια B5 Σχολικά κτίρια A6 Σχολικά κτίρια B6 Καταστήµατα Γραφεία A7 Καταστήµατα - Γραφεία B7 Σταθµοί αυτοκινήτων A8 Σταθµοί αυτοκινήτων B8 Νοσοκοµεία Κλινικές A9 Νοσοκοµεία - Κλινικές B9 Άλλες χρήσεις * A10 Άλλες χρήσεις * B10 * Κυρία χρήσεις πρωτογενούς καθώς και δευτερογενούς τοµέα Πηγή: ΕΣΥΕ, ιδία επεξεργασία Στο σχήµα 4.2 απεικονίζεται το περιβάλλον εργασίας του λογισµικού καθώς και οι τελικές ρυθµίσεις που επιλέχθηκαν. Η οµαδοποίηση έγινε για το σύνολο των δήµων και επιλέχθηκαν οι παρακάτω 4 από τις 18 στήλες χρήσεων κτιρίων που ήταν διαθέσιµες: α) Αποκλειστική χρήση: κατοικίες, εργοστάσια-εργαστήρια, άλλες χρήσεις, β) Μικτή χρήση : κατοικίες. Η επιλογή έγινε µε κριτήρια την σαφέστερη ταξινόµηση των δήµων και την απόδοση των κύριων χαρακτηριστικών τους. Ο πίνακας 14 Οι χρήσεις γης και οι χρήσεις κτιρίων είναι σχεδόν αναλογικές σε αστικές περιοχές, οπότε λόγω της έλλειψης διαχρονικών δεδοµένων χρήσεων γης, χρησιµοποιήθηκαν οι χρήσεις κτιρίων.

16 που κατασκευάστηκε για να εφαρµοστεί ο αλγόριθµος FCM, περιλάµβανε όλα τα διαχρονικά δεδοµένα από 1961 έως Αυτό σηµαίνει ότι δηµιουργήθηκε µια συνολική εικόνα για την κατάσταση της περιοχής εφαρµογής, για κάθε µία από αυτές τις χρονικές στιγµές (1961, 1971, 1981, 1991), καθιστώντας καταρχήν δυνατή την παρατήρηση της εξέλιξης κάθε δήµου. Η αποτύπωση της κατάστασης ενός δήµου σε κάθε µία από αυτές τις χρονικές στιγµές, αντιπροσωπεύει την προηγούµενη δεκαετία. Έτσι η κατάσταση ενός δήµου το 1971, είναι Σχήµα 4.2 Επιλογές και ρυθµίσεις στο λογισµικό Πηγή: Ιδία επεξεργασία Data Engine αποτέλεσµα των διαδικασιών που προηγήθηκαν το διάστηµα Ένα επιπλέον δεδοµένο που χρησιµοποιήθηκε (για το αντίστοιχο χρονικό διάστηµα) στην οµαδοποίηση ήταν το Χωροθετικό Πηλίκο (ΧΠ) (Location Quotient) της πυκνότητας πληθυσµού 15 (Plane, 1994). Πρόκειται για έναν συγκριτικό δείκτη της υφιστάµενης αναλογίας δύο ή περισσοτέρων µεταβλητών ενός τµήµατος µιας περιοχής, µε την αντίστοιχη αναλογία ολόκληρης της περιοχής. Οι τιµές που µπορεί να πάρει κυµαίνονται στο διάστηµα [0, + ). Το πλεονέκτηµά του έγκειται στην ευκολία χαρτογράφησής του, η οποία καταδεικνύει γεωγραφική οµοιογένεια ή χωροθετική διαφοροποίηση. Για τον υπολογισµό του χρησιµοποιείται η σχέση 4α: Ai Bi = A ολ Βολ όπου: Α, Β είναι οι µεταβλητές που συγκρίνονται i, µια υποπεριοχή ολ, ολόκληρη η περιοχή που εξετάζεται LQ, (σχέση 4α) 15 Η πυκνότητα πληθυσµού στην βιβλιογραφία δεν έχει συγκεκριµένο ορισµό, καθώς υπάρχουν διάφορα είδη πυκνότητας. Έτσι επιλέχθηκε το Χωροθετικό Πηλίκο της πυκνότητας, το οποίο είναι καθαρός αριθµός.

17 Β, το σύνολο της περιοχής Στη συγκεκριµένη εφαρµογή το ΧΠ πυκνότητας αντανακλά το βαθµό στον οποίο είναι πυκνοκατοικηµένος ένας ήµος ή µία Κοινότητα σε σχέση µε το µέσο όρο του Νοµού. Όταν οι τιµές του ΧΠ είναι µικρότερες της µονάδος, τότε ο δήµος έχει πυκνότητα κάτω από το µέσο όρο (ΜΟ), ενώ όταν η τιµή ξεπερνάει τη µονάδα τότε η πυκνότητα είναι πολλαπλάσια του ΜΟ. Έτσι για παράδειγµα, γίνεται καταρχήν εµφανής η αντίθεση µεταξύ των δήµων που αποτελούν το ΠΣΠ και αυτών που βρίσκονται στον υπόλοιπο νοµό. Επιλογή αριθµού οµάδων. Για την επιλογή του βέλτιστου αριθµού των οµάδων χρησιµοποιήθηκαν τρία κριτήρια αξιοπιστίας που παρέχει το συγκεκριµένο λογισµικό (Πίνακας 4.3). Τα Partition Coefficient (pc), Proportion Exponent (pex) και Classification Entropy (pe) 16, είναι τρία µέτρα από τα οποία η ασαφής ταξινόµηση µπορεί να κριθεί. Προσµετρούν πόσο προσδιορισµένη είναι η ταξινόµηση, προσδιορίζοντας µια τιµή ανάλογη µε τον αριθµό των δεδοµένων που συγκεντρώνονται κοντά στα κέντρα τάξης. Όσο πιο ξεκάθαρη είναι η ταξινόµηση, τόσο υψηλότερη είναι η συγκεκριµένη τιµή. Πίνακας 4.3 Κριτήρια επιλογής αριθµού τάξεων Κριτήρια αξιοπιστίας min max Partition Coefficient (pc) 1/c 1 1 Crisp Partitioning Proportion Exponent (pex) 0 maximum Classification Entropy (pe) 0 ln c 0 Πηγή: MIT-Data Engine Τutorials & Theory Μanual 1997 Σχήµα 4.4 ιάγραµµα κριτηρίων αξιοπιστίας 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0, Αριθµός οµάδων Πηγή: Ιδία επεξεργασία Τα δεδοµένα οµαδοποιήθηκαν έξι φορές, για αριθµό οµάδων από 2 έως 8 και οι τιµές που πήραν τα pc, pe έχουν οπτικοποιηθεί στο σχήµα 4.4. Παρατηρείται ότι και οι δύο συναρτήσεις τείνουν προς µία µονότονη συµπεριφορά, όσο ο αριθµός των οµάδων µεγαλώνει. Για τον εντοπισµό του βέλτιστου αριθµού οµάδων, τον αριθµό δηλαδή που καθορίζει µε περισσότερη σαφήνεια τα όρια 16 Partition Coefficient: Συντελεστής διαµέρισης, Proportion Exponent: Εκθέτης αναλογίας, Classification Entropy: Εντροπία ταξινόµησης pc pe

18 της κάθε οµάδας, χρησιµοποιήθηκε το «κριτήριο του αγκώνα» 17. Στη συγκεκριµένη εφαρµογή ο καλύτερος αριθµός τάξεων είναι τέσσερις και µε βάση αυτόν ακολούθησε το στάδιο της οµαδοποίησης. Σχήµα 4.5 ιάγραµµα ποσοστιαίας σύνθεσης οµάδων 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% A B C D ΧΠ ΠΥΚΝΟΤΗΤΑΣ 0,1 0,1 0,9 0,5 A5 0,9% 2,2% 2,0% 1,9% A10 5,7% 16,9% 2,8% 4,0% B2 3,3% 4,7% 18,4% 10,7% A2 85,5% 70,4% 71,8% 78,9% Πηγή: Ιδία επεξεργασία Οµάδα Ερµηνεία οµάδων: Ένας προκαταρκτικός τρόπος ερµηνείας των αποτελεσµάτων είναι η γραφική αναπαράσταση των κέντρων τάξεων των οµάδων. Σε αυτό το πλαίσιο, δηµιουργήθηκε ένα ραβδωτό διάγραµµα (Σχήµα 4.5) που απεικονίζει την ποσοστιαία 18 σύνθεση των κέντρων τάξεων των οµάδων. Τα χαρακτηριστικά των οµάδων αναλύονται στον Πίνακα 4.6. Ο δείκτης ΧΠ πυκνότητας, αν και δεν αντιστοιχεί σε ποσοστό αλλά είναι απόλυτο µέγεθος, περιλαµβάνεται για την πληρέστερη απεικόνιση και σύγκριση µεταξύ των οµάδων. 17 Επιλέγεται το σηµείο του διαγράµµατος όπου φαίνεται να γίνεται ένα µικρό σπάσιµο µετά την τοµή των δύο καµπύλων. 18 Τα στοιχεία που χρησιµοποιήθηκαν µετατράπηκαν αναλογικά σε εκατοστιαία κλίµακα, αφού σκοπός του διαγράµµατος δεν είναι η απεικόνιση σε απόλυτα νούµερα, αλλά η έµφαση στην αναλογία µεταξύ τους.

19 Οµάδα Α Πίνακας 4.6 Ερµηνεία οµάδων ήµοι µε πυκνότητα πληθυσµού που πλησιάζει το µέσο όρο. Εχουν το µέγιστο ποσοστό κύριας χρήσης κατοικίας και το µικρότερο ποσοστό χρήσεων εργοστασίων εργαστηρίων. Η πλειοψηφία τους είναι δήµοι παραλιακοί και δήµοι β κατοικίας (παραθεριστικής κατοικίας ). Οµάδα B ήµοι µε τη µικρότερη πυκνότητα πληθυσµού, το µικρότερο ποσοστό κύριας χρήσης κατοικίας, το µεγαλύτερο ποσοστό άλλων χρήσεων (κυρίως πρωτογενούς και δευτερογενούς τοµέα) και το µεγαλύτερο ποσοστό χρήσεων εργοστασίων εργαστηρίων. ήµοι που διαχρονικά τείνουν να εξελιχθούν σε δήµους οµάδας Α. Οµάδα C Στην κατηγορία αυτή οι δήµοι έχουν τη µέγιστη πυκνότητα πληθυσµού, ανήκουν στον ΠΣ της πρωτεύουσας, έχουν το µεγαλύτερο ποσοστό µικτής χρήσης κατοικίας και το µικρότερο ποσοστό άλλων χρήσεων. ιατηρούν µια πληθυσµιακή δυναµική και ανήκουν στην ανώτερη οµάδα εξέλιξης*. Οµάδα D ήµοι στην πλειοψηφία τους περιµετρικά του ΠΣ, µε πυκνότητα σηµαντικά µεγαλύτερη του µέσου όρου και ποσοστά χρήσεων ενδιάµεσα των υπολοίπων τιµών των άλλων οµάδων. Πρόκειται για τους δήµους που βρίσκονται σε περίοδο σηµαντικής µετάβασης και µεταβολής των χαρακτηριστικών τους. *Με βάση τα χρονικά δεδοµένα που χρησιµοποιήθηκαν έως το 1991 Πηγή: Ιδία επεξεργασία Με το κατάλληλο ψηφιακό υπόβαθρο και τη χρήση ενός Γ.Σ.Π. οι παραπάνω οµάδες απεικονίστηκαν στους χάρτες Π1, Π2, Π3 και Π4 για τα έτη 1961, 1971, 1981 και 1991 αντίστοιχα, όπου σε κάθε δήµο αποδίδεται το χρώµα της κυρίαρχης οµάδας που προέκυψε από την ταξινόµηση. Χάρτης Π1 (1961): Η πλειοψηφία των δήµων ανήκει στις οµάδες Α, Β, (76 από 109), ενώ οι δήµοι της οµάδας C (αστικές περιοχές), είναι 8 και συγκεντρωµένοι γύρω από το κέντρο της πόλης. Είναι η περίοδος που στην Αθήνα έχει αρχίσει η µαζική αστικοποίηση (δεκαετία 1950) και συνεχίζεται και κατά τη διάρκεια της δεκαετίας του 1960.

20 Χάρτης Π2 (1971): Η κατάσταση γύρω από το κέντρο του νοµού, µεταβάλλεται µε τις σηµαντικότερες διαφοροποιήσεις προς τα δυτικά ως το Όρος Αιγάλεω και στα νότια του ΠΣ, όπου η αύξηση του πληθυσµού στο διάστηµα είναι αξιοσηµείωτη. Οι δήµοι των οποίων η οµάδα µεταβλήθηκε βρίσκονται κυρίως περιµετρικά του. Αθηναίων [1] 19, ενώ η πυκνότητα του πληθυσµού παραµένει σταθερή στους περισσότερους από αυτούς. Χάρτης Π3 (1981): Ο αριθµός των δήµων που ανήκει στην οµάδα C αυξάνεται χαρακτηριστικά (από 13 το 1971, στους 22 το 1981), µε µείωση του όλων ανεξαιρέτως των υπολοίπων οµάδων. Από τα µέσα της δεκαετίας του 1970, έως και τις αρχές της δεκαετίας του 1980, αρχίζει η προαστιοποίηση, η επιλογή δηλαδή κατοικίας µακρύτερα από το κέντρο κυρίως για καλύτερη ποιότητα ζωής. Χαρακτηριστικά παραδείγµατα ο.βύρωνα [2] και ο.γαλάτσιου [3]. Χάρτης Π4 (1991): Οι περισσότεροι δήµοι που ανήκαν το 1961 στην οµάδα Β, έχουν µεταβάλλει τη γεωδηµογραφική εικόνα τους και ανήκουν πλέον στην οµάδα Α, ενώ αρκετοί δήµοι της οµάδας D, έχουν προέλθει από δήµους της οµάδας Α. Κατά τη διάρκεια της προηγούµενης δεκαετίας η αύξηση του πληθυσµού ήταν πρακτικά µηδενική, αλλά υπήρξαν εσωτερικές µετακινήσεις πληθυσµού. Σηµαντικές µεταβολές παρατηρούνται σε παραθαλάσσιους δήµους όπως η Κερατέα [62] και τα Καλύβια [84] (κατασκευή παραθεριστικών κατοικιών). 19 Σε αγκύλη αναγράφεται ο αριθµός του δήµου που αντιστοιχεί στο χάρτη (βλέπε Παράρτηµα)

21 Β Χάρτης Π1: Κατάσταση δήµων ν. Αττικής 1961 ΟΜΑ Α A ΟΜΑ Α Β ΟΜΑ Α C ΟΜΑ Α D ΟΡΟΣ Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Θ Ε Σ Σ Α Λ Ι Α Σ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΧΩΡΟΤΑΞΙΑΣ, ΠΟΛΕΟ ΟΜΙΑΣ & ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ ΕΡΓΑΣΤΗΡΙΟ ΧΩΡΙΚΗΣ ΑΝΑΛΥΣΗΣ & ΘΕΜΑΤΙΚΗΣ ΧΑΡΤΟΓΡΑΦΙΑΣ Υ Π Ο Μ Ν Η Μ Α Β ΟΜΑ ΕΣ ΕΞΕΛΙΞΗΣ ΗΜΩΝ Ν. ΑΤΤΙΚΗΣ 1961 Π 1 ΠΗΓΗ : Ι ΙΑ ΕΠΕΞΕΡΓΑΣΙΑ ΠΑΡΝΗΘΑ ΠΕΝΤΕΛΗ ΑΙΓΑΛΕΩ ΥΜΗΤΤΟΣ KM Χάρτης Π2: Κατάσταση δήµων ν. Αττικής Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Θ Ε Σ Σ Α Λ Ι Α Σ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΧΩΡΟΤΑΞΙΑΣ, ΠΟΛΕΟ ΟΜΙΑΣ & ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ ΕΡΓΑΣΤΗΡΙΟ ΧΩΡΙΚΗΣ ΑΝΑΛΥΣΗΣ & ΘΕΜΑΤΙΚΗΣ ΧΑΡΤΟΓΡΑΦΙΑΣ Υ Π Ο Μ Ν Η Μ Α ΟΜΑ Α A ΟΜΑ Α Β ΟΜΑ Α C ΟΜΑ Α D ΟΡΟΣ ΟΜΑ ΕΣ ΕΞΕΛΙΞΗΣ ΗΜΩΝ Ν. ΑΤΤΙΚΗΣ 1971 Π 2 ΠΗΓΗ : Ι ΙΑ ΕΠΕΞΕΡΓΑΣΙΑ ΠΑΡΝΗΘΑ ΠΕΝΤΕΛΗ ΑΙΓΑΛΕΩ ΥΜΗΤΤΟΣ KM

22 Β Χάρτης Π3: Κατάσταση δήµων ν. Αττικής 1981 ΟΜΑ Α A ΟΜΑ Α Β ΟΜΑ Α C ΟΜΑ Α D ΟΡΟΣ Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Θ Ε Σ Σ Α Λ Ι Α Σ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΧΩΡΟΤΑΞΙΑΣ, ΠΟΛΕΟ ΟΜΙΑΣ & ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ ΕΡΓΑΣΤΗΡΙΟ ΧΩΡΙΚΗΣ ΑΝΑΛΥΣΗΣ & ΘΕΜΑΤΙΚΗΣ ΧΑΡΤΟΓΡΑΦΙΑΣ Υ Π Ο Μ Ν Η Μ Α Β ΟΜΑ ΕΣ ΕΞΕΛΙΞΗΣ ΗΜΩΝ Ν. ΑΤΤΙΚΗΣ 1981 Π 3 ΠΗΓΗ : Ι ΙΑ ΕΠΕΞΕΡΓΑΣΙΑ ΠΑΡΝΗΘΑ ΠΕΝΤΕΛΗ ΑΙΓΑΛΕΩ ΥΜΗΤΤΟΣ KM Χάρτης Π4: Κατάσταση δήµων ν. Αττικής Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Θ Ε Σ Σ Α Λ Ι Α Σ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΧΩΡΟΤΑΞΙΑΣ, ΠΟΛΕΟ ΟΜΙΑΣ & ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ ΕΡΓΑΣΤΗΡΙΟ ΧΩΡΙΚΗΣ ΑΝΑΛΥΣΗΣ & ΘΕΜΑΤΙΚΗΣ ΧΑΡΤΟΓΡΑΦΙΑΣ Υ Π Ο Μ Ν Η Μ Α ΟΜΑ Α A ΟΜΑ Α Β ΟΜΑ Α C ΟΜΑ Α D ΟΡΟΣ ΟΜΑ ΕΣ ΕΞΕΛΙΞΗΣ ΗΜΩΝ Ν. ΑΤΤΙΚΗΣ 1991 Π 4 ΠΗΓΗ : Ι ΙΑ ΕΠΕΞΕΡΓΑΣΙΑ ΠΑΡΝΗΘΑ ΠΕΝΤΕΛΗ ΑΙΓΑΛΕΩ ΥΜΗΤΤΟΣ KM

23 Τα παραπάνω αποτελέσµατα ταυτίζονται σε σηµαντικό βαθµό µε αντίστοιχες ερευνητικές προσπάθειες, που αναφέρονται στη σχετική, µε την αστική γεωγραφία της Αττικής βιβλιογραφία (Μαλούτας, 2000, Leontidou, 1996). Γενικά οι σηµαντικότερες µεταβολές των οµάδων παρουσιάζονται στα βόρεια (προς την κατεύθυνση της εθνικής οδού Αθηνών-Θεσσαλονίκης), στα βορειοδυτικά (προς την κατεύθυνση της Ν. Μάκρης [67], Ραφήνας[93] ενώ προς τα νότια, κατά µήκος της ακτογραµµής, παρατηρείται µια σταθερότητα στα γεωδηµογραφικά χαρακτηριστικά των δήµων. Μετά την ανάλυση και την παρουσίαση της κατάστασης των δήµων από το 1961 έως το 1991, παρατηρήθηκε ότι οι οµάδες µεταβάλλονται µε ένα συγκεκριµένο πρότυπο. Έτσι δήµοι της οµάδας Β, εξελίσσονται σε οµάδα Α, κατόπιν σε οµάδα D και τέλος σε οµάδα C. Από το πρότυπο αυτό µόνη εξαίρεση είναι ο. Άνω Λιοσίων[107], ο οποίος ενώ το 1961 ανήκει στην οµάδα Β, το 1971, µεταβάλλεται σε οµάδα Α και επανέρχεται στην αρχική του κατάσταση τις επόµενες δύο δεκαετίες, κάτι που ερµηνεύεται από την γενικότερη περιβαλλοντική υποβάθµιση του εν λόγω δήµου. 4.2 ΟΜΗ ΝΕΥΡΩΝΙΚΟΥ ΙΚΤΥΟΥ ΠΡΟΒΛΕΨΗ ΓΕΩ ΗΜΟΓΡΑΦΙΚΗΣ ΕΞΕΛΙΞΗΣ Όπως αναφέρθηκε και παραπάνω, το πρώτο βήµα πριν την δηµιουργία του Ν είναι η δηµιουργία του κατάλληλου πίνακα δεδοµένων για την εκπαίδευση. Ακολουθώντας τις κατευθύνσεις της προτεινόµενης µεθοδολογίας, υπολογίστηκαν τα µήκη των κοινών συνόρων των δήµων µε τη βοήθεια ενός ΓΣΠ 20. Στη συνέχεια υπολογίστηκε για κάθε δήµο το ποσοστό µε το οποίο συνορεύει Πίνακας 4.7 Επεξήγηση στηλών δεδοµένων που χρησιµοποιήθηκαν στο Ν A Ποσοστό(%) του δήµου που ανήκει οµάδα Α B >> B C >> C D >> D ΕΚΤΑΣΗ ΣΥΝ Α Ποσοστό(%) έκτασης δήµου ως προς σύνολο νοµού Ποσοστό(%) γειτνίασης δήµου µε οµάδα Α ΣΥΝ Β >> Β ΣΥΝ C >> C ΣΥΝ D >> D ΘΑΛΑΣΣΑ ΒΟΥΝΟ Πηγή: Ιδία επεξεργασία 20 Χρησιµοποιήθηκε το ARC-VIEW 3.2 της ESRI Ποσοστό(%) γειτνίασης δήµου µε θάλασσα Ποσοστό(%) γειτνίασης δήµου µε βουνό

24 µε κάθε µία από τις οµάδες A, B, C και D. Σε αυτά τα στοιχεία προστέθηκαν το ποσοστό γειτνίασης µε θάλασσα και βουνό, καθώς και το ποσοστό της έκτασης του κάθε δήµου ως προς το σύνολο του νοµού. Το σύνολο των µεταβλητών που χρησιµοποιήθηκαν παρουσιάζεται στον πίνακα 4.7 Η επιλογή του κατάλληλου Ν κατέστη δυνατή µετά από διαδοχικές δοκιµές κατά τη διάρκεια των οποίων προσδιορίστηκαν οι ακόλουθες παράµετροι: α) ως τύπος Ν το MLP, β) η ύπαρξη δύο (2) κρυµµένων επιπέδων επεξεργασίας δεδοµένων, γ) ως κανόνας µάθησης, επιλέχθηκε ο Delta Bar - Delta (DBD) 21. Πρόκειται για µια διαδικασία που προσαρµόζεται σταδιακά, µε στόχο την εύρεση και απόδοση τιµών στα βάρη. Είναι πιο εξελιγµένη και ταχύτερη µέθοδος σε σχέση µε την οπισθοδιάδοση που περιγράφηκε στο Κεφάλαιο 2.2. Στη συνέχεια το δίκτυο εκπαιδεύθηκε και δοκιµάστηκε ώστε να εξασφαλιστούν τα µικρότερα σφάλµατα. Η αξιολόγηση των επιδόσεων του δικτύου παρατίθεται στην επόµενη παράγραφο. Στη συνέχεια µε τη βοήθεια του Ν πραγµατοποιήθηκε η πρόβλεψη των γεωδηµογραφικών οµάδων των δήµων για το Ακολούθησε η δηµιουργία του νέου πίνακα δεδοµένων για την πρόβλεψη των δήµων το 2011 όπου, χρησιµοποιήθηκαν τα δεδοµένα των οµάδων που προέκυψαν από το Τα αποτελέσµατα της πρόβλεψης απεικονίζονται στους χάρτες Μ1 και Μ2, για το 2001 και 2011 αντίστοιχα. Τέλος παρατίθεται και ένα διάγραµµα (σχήµα 4.10) µε τις µεταβολές των δήµων ποσοτικοποιηµένες ανά δεκαετία, απεικονίζοντας έτσι τη γενικότερη τάση εξέλιξης από το 1961 έως το ΑΞΙΟΛΟΓΗΣΗ ΕΠΙ ΟΣΕΩΝ ΕΦΑΡΜΟΓΗ ΝΕΥΡΩΝΙΚΟΥ ΙΚΤΥΟΥ Στους πίνακες 4.8 και 4.9 παρουσιάζονται οι επιδόσεις του Ν που εκπαιδεύθηκε, όπως τις παραθέτει το λογισµικό. Προσφέρονται έξι συνολικά τρόποι µέτρησης των σφαλµάτων, από τους οποίους ως πιο ενδεικτικός θεωρήθηκε ο συντελεστής συσχέτισης (r). Παρατηρούµε ότι η ακρίβεια για τις στήλες Α, B, C, υπερβαίνει το 97%, ενώ για την στήλη D, είναι µικρότερη, περίπου 93%. Στον πίνακα 4.9 φαίνεται ο µέσος όρος (ΜΟ) όλων των σφαλµάτων των στηλών που προβλέφθηκαν. Παρατηρώντας τα παραπάνω αποτελέσµατα του Ν που επιλέχθηκε, είναι φανερό ότι οι επιδόσεις των στηλών για τις οποίες έγινε πρόβλεψη έχουν µικρά σχετικά σφάλµατα (ιδιαίτερα αν ληφθεί υπ όψιν ο µικρός αριθµός δεδοµένων), κάτι το οποίο εξασφαλίζει αξιόπιστη πρόβλεψη. Τα σφάλµατα αν και µικρά, θα πρέπει να ληφθούν υπ όψιν για την πρόβλεψη του 2011 (Χάρτης Μ2), γιατί µεταφέρονται από τη µια χρονική στιγµή στην επόµενη εκθετικά και όχι αναλογικά. 21