ΕΚΤΙΜΗΣΗ ΕΞΙΣΩΣΕΩΝ ΑΣΤΙΚΗΣ ΑΝΑΠΤΥΞΗΣ ΚΑΙ ΚΑΘΟΡΙΣΜΟΣ ΕΙΚΤΩΝ ΑΕΙΦΟΡΙΑΣ ΣΕ ΠΕΡΙΒΑΛΛΟΝ ΓΣΠ ΜΕ ΧΡΗΣΗ ΟΡΥΦΟΡΙΚΩΝ ΚΑΙ ΚΟΙΝΟΝΙΚΟ-ΟΙΚΟΝΟΜΙΚΩΝ Ε ΟΜΕΝΩΝ

ΕΚΤΙΜΗΣΗ ΕΞΙΣΩΣΕΩΝ ΑΣΤΙΚΗΣ ΑΝΑΠΤΥΞΗΣ ΚΑΙ ΚΑΘΟΡΙΣΜΟΣ ΕΙΚΤΩΝ ΑΕΙΦΟΡΙΑΣ ΣΕ ΠΕΡΙΒΑΛΛΟΝ ΓΣΠ ΜΕ ΧΡΗΣΗ ΟΡΥΦΟΡΙΚΩΝ ΚΑΙ ΚΟΙΝΟΝΙΚΟ-ΟΙΚΟΝΟΜΙΚΩΝ Ε ΟΜΕΝΩΝ Χρυσουλάκης Νεκτάριος*, Καµαριανάκης Γιάννης, Φαρσάρη Γιάννα, ιαµαντάκης Μανόλης, Πουλίκος Πραστάκος Ίδρυµα Τεχνολογίας και Έρευνας, Ινστιτούτο Υπολογιστικών Μαθηµατικών, Τοµέας Περιφερειακής Ανάλυσης, Τ.Θ. 1527, 71110, Ηράκλειο Κρήτης e-mail: zedd2@iacm.forth.gr, Τηλ: 2810-391762, Fax: 2810-391761 ΠΕΡΙΛΗΨΗ Οι χρήσεις γης είναι βασικός παράγοντας στα µοντέλα αστικής ανάπτυξης, τα οποία έχουν σκοπό την κατανόηση του πως οι γεωγραφικοί, οικονοµικοί, δηµογραφικοί και άλλοι παράγοντες των αστικών συστηµάτων αλληλεπιδρούν, µε απώτερο στόχο την προσοµοίωση της δυναµικής της αστικής ανάπτυξης. Οι νέες τεχνολογίες, όπως η δορυφορική τηλεπισκόπηση και τα Γεωγραφικά Συστήµατα Πληροφοριών είναι σε θέση να υποστηρίξουν την ανάπτυξη τέτοιων µοντέλων, παρέχοντας δεδοµένα και αναλυτικά εργαλεία για τη µελέτη του αστικού περιβάλλοντος.. Σον Ελλαδικό χώρο οι προσπάθειες µαθηµατικής ανάλυσης της ανάπτυξης των αστικών περιοχών και καθορισµού δεικτών αειφόρου αστικής ανάπτυξης είναι ελάχιστες. Για το λόγο αυτό, στην παρούσα εργασία επιχειρήθηκε να αναδειχθεί η συµβολή των χωρικών δεδοµένων διαφόρων πηγών στον καθορισµό δεικτών για την αειφόρο αστική ανάπτυξη, καθώς και την εκτίµηση εξισώσεων που περιγράφουν την σχέση ανάµεσα στις χρήσεις γης και την κατανοµή του πληθυσµού για το Ηράκλειο Κρήτης. Για την αναπαράσταση των δεδοµένων χρησιµοποιήθηκε το µοντέλο δεδοµένων ψηφιδωτού µε τετράγωνες ψηφίδες διαστάσεων 100 x 100 m. Με βάση τις χρήσεις γης, οι οποίες προέκυψαν από ανάλυση δεδοµένων του ραδιοµέτρου ASTER, προσδιορίστηκε σε κάθε ψηφίδα το ποσοστό δόµησης, χρησιµοποιώντας τεχνικές επιβλεπόµενης ταξινόµησης σε συνδυασµό µε δεδοµένα άλλων πηγών. Στη συνέχεια, εκτιµήθηκαν εξισώσεις που περιγράφουν την σχέση του ποσοστού δόµησης µε µεταβλητές όπως ο πληθυσµός, η απόσταση από το κέντρο της πόλης, η µίξη χρήσεων γης και οι αντικειµενικές αξίες. Εκτιµήθηκαν διωνυµικά και πολυωνυµικά µοντέλα λογιστικής παλινδρόµησης χρησιµοποιώντας συναρτησιακό σύνδεσµο τύπου logit. Για το σχεδιασµό των δεικτών ελήφθη υπόψη η ανταπόκρισή τους στις προτεραιότητες της Ευρωπαϊκής Ένωσης για ισότητα, κοινωνική ένταξη και αναζωογόνηση υποβαθµισµένων περιοχών αποφεύγοντας φαινόµενα χωρικής διάσπασης. ΛΕΞΕΙΣ ΚΛΕΙ ΙΑ Μοντέλα αστικής ανάπτυξης, δείκτες αειφορίας, χρήσεις γης, λογιστική παλινδρόµηση 1. ΕΙΣΑΓΩΓΗ Η επέκταση των πόλεων που τις καθιστά ισχυρότερα κέντρα οικονοµικής ανάπτυξης, µεταβολίζει µεγάλο τµήµα των φυσικών πόρων απαραίτητο για τη συντήρηση των ανθρώπινων κοινωνιών, επηρεάζοντας µε τον τρόπο αυτό περιοχές σε µεγάλη

απόσταση από τα κέντρα των πόλεων. Η κατάσταση αυτή συνεχίζεται διαρκώς µέσω της συνεχούς µετακίνησης και εγκατάστασης νέου πληθυσµού στις πόλεις, η οποία έχει σαν συνέπεια τη συνεχή χωρική εξάπλωση και την περαιτέρω οικονοµική ανάπτυξη της πόλης οι οποίες µε τη σειρά τους οδηγούν σε µεγαλύτερη ανισορροπία µεταξύ πόλης και γειτονικών µη αστικών περιοχών. Ο συνδυασµός περιβαλλοντικών και κοινωνικοοικονοµικών δεδοµένων είναι απαραίτητος για την κατανόηση των χαρακτηριστικών της αστικής ανάπτυξης, συµβάλλοντας αφενός στην εφαρµογή µοντέλων για την εξαγωγή ποσοτικών πληροφοριών για την κατάσταση του δοµηµένου περιβάλλοντος και αφετέρου στον καθορισµό δεικτών για την εκτίµηση ποιοτικών χαρακτηριστικών του σε σχέση µε την αειφόρο ανάπτυξη. Οι νέες τεχνολογίες, όπως η τηλεπισκόπηση και τα Γεωγραφικά Συστήµατα Πληροφοριών (ΓΣΠ) µπορούν να υποστηρίξουν την ανάπτυξη µοντέλων αστικής ανάπτυξης και τον προσδιορισµό συνθέτων δεικτών, παρέχοντας δεδοµένα και αναλυτικά εργαλεία για τη µελέτη του αστικού περιβάλλοντος. Τα µοντέλα αστικής ανάπτυξης στοχεύουν στη κατανόηση του πως οι γεωγραφικοί, οικονοµικοί, δηµογραφικοί, πολιτικοί και άλλοι παράγοντες των αστικών συστηµάτων αλληλεπιδρούν, µε απώτερο στόχο την προσοµοίωση της δυναµικής της αστικής ανάπτυξης. Τα µοντέλα αυτά αναπτύχθηκαν για πρώτη φορά την δεκαετία του 1960 (Lowry, 1964) και για αρκετά χρόνια χρησιµοποιήθηκαν ευρέως. Στην δεκαετία του 1970 εκφράσθηκαν σοβαρές κριτικές (Lee,1973) για το εάν τα µοντέλα αυτά µπορούν να χρησιµοποιηθούν για χάραξη πολιτικής καθώς διατυπώθηκαν σοβαρά ερωτηµατικά σχετικά µε το µέγεθος τους, το γεγονός ότι αναλύουν την πόλη σε µία µακροσκοπική µορφή και το ότι η ανάπτυξη τους απαιτεί τεράστιο όγκο δεδοµένων. Το ενδιαφέρον για µοντέλα αστικής ανάπτυξης επανέκαµψε την δεκαετία του 1990 όταν το θέµα της αλληλοεπίδρασης ανάµεσα στις χρήσεις γής και στις συγκοινωνίες έγινα για µία ακόµα φορά πεδίο σοβαρής ερευνητικής δραστηριότητος. Μια ταξινόµηση των επιχειρησιακών µοντέλων αστικής ανάπτυξης οπωσδήποτε δεν είναι ο στοχος της παρούσης εργασίας. Ο αναγνώστης µπορεί να ανατρέχει στις εργασίες των Wegener (1994), Miller et al. (1998) και U.S. EPA (2000). Αυτό που είναι σηµαντικό να αναφερθεί είναι ότι η µία κατηγοριοποίηση των µοντέλων πρέπει να είναι βασισµένη σε δύο παράγοντες, αφ ενός µεν στο χωρικό επίπεδο που εφαρµόζονται και αφ ετέρου στη θεωρία που χρησιµοποιείται για να υποδειγµατοποιηθούν οι αλληλεξαρτήσεις και σχέσεις ανάµεσα στους διάφορες παράγοντες. Στα κλασσικά µοντέλα του είδους µία αστική περιοχή υποδιαιρείται σε µία σειρά από οµογενείς κυκλοφοριακές ζώνες και στη συνέχεια διατυπώνονται εξισώσεις για τις αλληλεξαρτήσεις ανάµεσα στη χωρική κατανοµή του πληθυσµού και της απασχόλησης, τις χρήσεις γης και το συγκοινωνιακό δίκτυο. Οι εξισώσεις αυτές είναι συνήθως βασισµένες σε οικονοµική θεωρία (πλέον συνήθως random utility theory) οι δε παράµετροι εκτιµώνται µε στατιστικές µεθόδους (maximum likelihood ή αλλες). Τα περισσότερα από τα επιχειρησιακά µοντέλα είναι αυτού του τύπου. Η πλέον συνηθισµένη κριτική αυτών των µοντέλων είναι ότι είναι στατικά και µακροσκοπικά και συνεπώς δεν είναι κατάλληλα για να αντιµετωπίσουν διάφορα θέµατα Την δεκαετία του 1990 µια νέα µεθοδολογία αναπτύχθηκε βασισµένη στα Cellular Automata και στα Agent-based Models (Cechinni, 1996, Batty, 1997, Batty et. al., 1999,

White and Engelen, 1993, Torrens and Sullivan, 2001). Βασικό χαρακτηριστικό αυτών των µοντέλων είναι ότι χρησιµοποιείται ένα πλέγµα αλληλεπιδρούντων κελιών. Κάθε κελί του πλέγµατος µπορεί να έχει ένα πεπερασµένο αριθµό καταστάσεων και οι µελλοντικές του καταστάσεις υπολογίζονται από προκαθορισµένους κανόνες µετάπτωσης οι οποίοι λαµβάνουν υπόψη τη χωροχρονική κατάσταση των γειτονικών κελιών. Είναι προφανές ότι οι χρήσεις γης παίζουν σηµαντικό ρόλο στην παραµετροποίηση όλων των µοντέλων. Η µεταβολή των χρήσεων γης για παράδειγµα, µπορεί να αποτελέσει δείκτη της αύξησης του πληθυσµού, της κατανάλωσης νερού, της παραγωγής απορριµµάτων, των νοσοκοµειακών εγκαταστάσεων, των σχολείων, της επέκτασης του οδικού δικτύου κλπ. Ο καθορισµός των χρήσεων γης και των µεταβολών τους σε µία περιοχή, απαιτεί γνώση των τύπων κάλυψης του εδάφους, η οποία, όπως έχει δειχθεί σε πολλές εργασίες, µπορεί να προκύψει από ανάλυση δορυφορικών καταγραφών (Haack et al., 1987, Gong and Howarth, 1990, Ridd and Liu 1998, Martin et al., 1998, Ward et al., 2000, Masek et al., 2000, Stefanov et al., 2001, Chrysoulakis, 2003, Yagoub, 2004, McCauley and Goetz, 2004). Στις περισσότερες από τις παραπάνω εργασίες, επιχειρείται η ταξινόµηση µε βάση την ψηφιακή τιµή κάθε εικονοστοιχείου, ωστόσο, η τεχνική αυτή δεν είναι πάντα αξιόπιστη όταν εφαρµόζεται σε αστικές περιοχές, επειδή η αστική επιφάνεια είναι ανοµοιογενής και η µικρή χωρική διάσταση των στοιχείων της, οδηγεί σε µίξη πολλών χαρακτηριστικών (Foody, 2000, Kontoes et al., 2000). Για το λόγο αυτό έχουν αναπτυχθεί αλγόριθµοι οι οποίοι λαµβάνουν υπόψη την προαναφερθείσα ανοµοιογένεια και τη σχέση κάθε εικονοστοιχείου µε τα γειτονικά του. Οι πιο γνωστοί από τους αλγόριθµους αυτούς κάνουν χρήση είτε νευρωνικών δικτύων (Berberoglu et al., 2000), είτε ασαφούς λογικής (Bastin, 1997, Zang and Foody, 1998), είτε ανάλυσης υφής µιας δορυφορικής εικόνας (Stuckens et al., 2000), είτε συνδυασµού δορυφορικών δεδοµένων µε χωρικά δεδοµένα άλλων πηγών (Harris and Ventura, 1995, Vogelmann et al., 1998, Stefanov et al., 2001). Σον Ελλαδικό χώρο οι προσπάθειες µαθηµατικής ανάλυσης της ανάπτυξης των αστικών περιοχών, καθώς και οι προσπάθειες καθορισµού δεικτών αειφόρου αστικής ανάπτυξης είναι ελάχιστες. Ο βασικός λόγος είναι η έλλειψη δεδοµένων σε χαµηλό γεωγραφικό επίπεδο που θα επέτρεπαν τον προσδιορισµό των σχέσεων ανάµεσα στις διάφορες χρήσεις γης. Ένας τρόπος για να καλυφθεί το κενό αυτό, είναι η συνδυασµένη χρήση δεδοµένων που προκύπτουν από ανάλυση δορυφορικών εικόνων µε δεδοµένα από άλλες πηγές για την εκτίµηση εξισώσεων που προσδιορίζουν τις αλληλεξαρτήσεις στον χώρο ανάµεσα στις χρήσεις γης, τον πληθυσµό, την οικονοµική κατάσταση και την προσεγγισιµότητα των διαφόρων περιοχών. Στην παρούσα εργασία επιχειρείται να αναδειχθεί η συµβολή των χωρικών δεδοµένων διαφόρων πηγών στον καθορισµό δεικτών για την αειφόρο αστική ανάπτυξη, καθώς και την εκτίµηση εξισώσεων που περιγράφουν την σχέση ανάµεσα στις χρήσεις γης για το Ηράκλειο Κρήτης. 2. Ε ΟΜΕΝΑ ΚΑΙ ΜΕΘΟ ΟΛΟΓΙΑ Τα δεδοµένα που χρησιµοποιήθηκαν στην παρούσα εργασία προέρχονται: α) Από επιτόπιες καταγραφές: πληθυσµός σε επίπεδο οικοδοµικού τετραγώνου (απογραφή 2001), αντικειµενικές αξίες ακινήτων,

οδικό δίκτυο, β) Από δορυφορικές καταγραφές του ραδιοµέτρου ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) µε ηµεροµηνία λήψης 10/8/2002. κάλυψη γης µε ανάλυση πολυφασµατικών δεδοµένων, ψηφιακό µοντέλο εδάφους µε ανάλυση στερεοσκοπικών δεδοµένων. γ) Από συνδυασµό των παραπάνω: χρήσεις γης. Για την αναπαράσταση των δεδοµένων στο ΓΣΠ χρησιµοποιήθηκε το µοντέλο δεδοµένων ψηφιδωτού µε τετράγωνες ψηφίδες διαστάσεων 100 x 100 m. Το γεωδαιτικό σύστηµα ΕΓΣΑ87 χρησιµοποιείται για τη χαρτογραφική προβολή όλων των δεδοµένων. Με βάση τις χρήσεις γης, οι οποίες προέκυψαν από την ανάλυση των δορυφορικών δεδοµένων, προσδιορίστηκε σε κάθε ψηφίδα το ποσοστό δόµησης. Στη συνέχεια εκτιµήθηκαν εξισώσεις που περιγράφουν την σχέση του ποσοστού δόµησης µε µεταβλητές όπως ο πληθυσµός, η απόσταση από το κέντρο της πόλης κλπ., όπως περιγράφεται αναλυτικά στις ενότητες που ακολουθούν. 2.α. Μοντέλα αστικής ανάπτυξης Τα µοντέλα αστικής ανάπτυξης που εκτιµώνται στην παρούσα εργασία είναι του τύπου Regional Models στα οποία οι χρήσεις γης έχουν το ρόλο εκτιµώµενης µεταβλητής (response variable). Όπως έχει ήδη αναφερθεί οι υπολογισµοί γίνονται σε επίπεδο ψηφίδας 100 m, συνεπώς χρησιµοποιούνται οι χωρικές µέσες τιµές των επεξηγηµατικών µεταβλητών για κάθε ψηφίδα. Σε ότι αφορά στις εκτιµώµενες µεταβλητές, υπολογίζεται το ποσοστό κάλυψης κάθε ψηφίδας από την αντίστοιχη εκτιµώµενη µεταβλητή (π.χ. ποσοστό οικιστικής δόµησης). Εκτιµήθηκαν οι εξισώσεις τριών µοντέλων, στα οποία οι χρήσεις γης έχουν το ρόλο εκτιµώµενης µεταβλητής ενώ και στα τρία οι επεξηγηµατικές µεταβλητές είναι: α) η µίξη χρήσεων γης, µεταβλητή που θα αναλυθεί σε επόµενη ενότητα, β) ο πληθυσµός, γ) οι αντικειµενικές αξίες των ακινήτων και δ) η απόσταση από το κέντρο της πόλης. Η βασική διαφορά µεταξύ των τριών µοντέλων είναι στον καθορισµό του πεδίου τιµών της εκτιµώµενης µεταβλητής, στο πόσες κατηγορίες χρήσεων γης δηλαδή χρησιµοποιούνται. Το πρώτο είναι ένα διωνυµικό µοντέλο λογιστικής παλινδρόµησης που κάνει διάκριση µεταξύ δύο κύριων κατηγοριών: δοµηµένες (σε κάποιο ποσοστό από 1 µέχρι 100%) και µη δοµηµένες περιοχές. Στην περίπτωση αυτή η πιθανότητα µία ψηφίδα του καννάβου να είναι σε κάποιο ποσοστό της δοµηµένη δίδεται από την εξίσωση: exp( βxi ) pi = 1 + exp( βx ) όπου: p i είναι η πιθανότητα µία ψηφίδα να είναι δοµηµένη σε κάποιο ποσοστό, Χ i είναι ο πίνακας που περιέχει τις επεξηγηµατικές µεταβλητές, β είναι συντελεστές προς εκτίµηση. i Η εκτίµηση του µοντέλου αφορά στον προσδιορισµό των συντελεστών β µε εφαρµογή λογιστικής παλινδρόµησης. Το ποσοστό δόµησης και η µίξη των χρήσεων γης υπολογίζονται από την επεξεργασία των δορυφορικών δεδοµένων, η απόσταση κάθε ψηφίδας από την ψηφίδα που αντιπροσωπεύει το κέντρο της πόλης, υπολογίζεται στον κάνναβο, ενώ τα δηµογραφικά και τα οικονοµικά δεδοµένα προέρχονται από επιτόπιες καταγραφές. Το δεύτερο είναι επίσης ένα διωνυµικό µοντέλο λογιστικής (1)

παλινδρόµησης που περιγράφεται από την (1) και από τις ίδιες επεξηγηµατικές µεταβλητές. ιαφέρει στην εκτιµώµενη µεταβλητή που στην περίπτωση αυτή είναι η πιθανότητα οικιστικής δόµησης (σε κάποιο ποσοστό). Το τρίτο µοντέλο είναι ένα πολυωνυµικό µοντέλο λογιστικής παλινδρόµησης το οποίο κάνει διάκριση µεταξύ τεσσάρων κύριων κατηγοριών χρήσεων γης: α) περιοχές µε οικιστική δόµηση, β) άλλες δοµηµένες περιοχές, γ) µη δοµηµένες περιοχές µε καλλιέργειες, δ) άλλες µη δοµηµένες περιοχές. Στην περίπτωση αυτή το ποσοστό κάλυψης κάθε ψηφίδας από καθένα από τους 4 παραπάνω τύπους χρήσεων γης δίδεται από την εξίσωση: p ij = exp( βx j ij ) exp( βx ij ) όπου: p ij είναι η πιθανότητα η ψηφίδα i να καλύπτεται από τον τύπο χρήσης γης j, Χ i είναι ο πίνακας που περιέχει τις επεξηγηµατικές µεταβλητές, β είναι συντελεστές προς εκτίµηση. Οι επεξηγηµατικές µεταβλητές του µοντέλου είναι οι ίδιες που χρησιµοποιούνται και στα προηγούµενα δύο και οι συντελεστές β εκτιµώνται και στην περίπτωση αυτή µε την εφαρµογή λογιστικής παλινδρόµησης. 2.β. Αποτύπωση των χρήσεων γης Για τον προσδιορισµό των χρήσεων γης στην περιοχή µελέτης, αρχικά προσδιορίστηκαν οι τύποι κάλυψης του εδάφους µε εφαρµογή µεθόδου επιβλεπόµενης ταξινόµησης δορυφορικών δεδοµένων του ραδιοµέτρου ASTER του δορυφόρου Terra. Στη συνέχεια έκλαβε χώρα ηµιαυτόµατη εξαγωγή των χρήσεων γης µε βάση τον τύπο κάλυψης του εδάφους και φωτοερµηνεία της εικόνας ASTER µε την υποστήριξη δεδοµένων άλλων πηγών. Το ASTER διαθέτει τρία ξεχωριστά οπτικά συστήµατα το καθένα από τα οποία καταγράφει την εισερχόµενη ηλεκτροµαγνητική ακτινοβολία σε διαφορετική φασµατική περιοχή: Το VNIR (Visible and Near Infrared) µε 4 κανάλια, το SWIR (Shrotwave Infrared) µε 6 κανάλια και TIR (thermal Infrared) µε 5 κανάλια. Το σύστηµα VNIR αποτελείται από δύο ανιχνευτές µε χωρική διακριτική του ικανότητα είναι 15 m, ο πρώτος εκ των οποίων κατευθύνεται προς το ναδίρ (Νadir) καταγράφοντας σε τρεις φασµατικές περιοχές (κανάλια 1, 2 και 3Ν), ενώ ο δεύτερος κατευθύνεται προς τα πίσω (Βackward) µε γωνία 27.7 καταγράφοντας σε µία φασµατική περιοχή (κανάλι 3Β). Με τον τρόπο αυτό το ASTER παρέχει στερεοσκοπική κάλυψη στο εγγύς υπέρυθρο, δίνοντας τη δυνατότητα κάθε κατοπτευόµενη επιφάνεια να παρατηρείται από δύο διαφορετικές γωνίες λήψης. Συνεπώς, υπάρχει η δυνατότητα παραγωγής ψηφιακού µοντέλου εδάφους (DEM) για κάθε σκηνή ASTER (Abrams and Hook, 2002). Για την παραγωγή ορθοφωτοχάρτη αρχικά παρήχθηκε DEM χρησιµοποιώντας το στερεοζεύγος των καναλιών 3N και 3B και φωτοσταθερά σηµεία τα οποία προσδιορίστηκαν µε χρήση GPS (Global Positioning System). Η τεχνική της ψηφιακής στερεοσκοπικής συσχέτισης εφαρµόστηκε για τον υπολογισµό της διαφορικής παράλλαξης στο στερεοζεύγος ASTER χρησιµοποιώντας γεωµετρικό µοντέλο του λογισµικού OrthoEngine (Toutin, 1995, PCI, 2003). Η θεωρητική τεκµηρίωση της µεθοδολογίας που εφαρµόστηκε έχει παρουσιατεί από τους Lang and Welch (1999), καθώς και παλαιότερα από άλλους ερευνητές (Welch et al., 1998, O'Neill and Dowman, 1993, Fujisada, 1998). Η ακρίβεια του παραχθέντος DEM εκτιµήθηκε στα ± 15 m τόσο κατά την οριζόντια όσο και κατά την κατακόρυφη (2)

διεύθυνση. Στη συνέχεια, πραγµατοποιήθηκε ορθοαναγωγή της εικόνας ASTER και παρήχθη ο ορθοφωτοχάρτης που παρουσιάζεται στην Εικόνα 1 ως ψευδόχρωµη σύνθεση των καναλιών 1, 2 και 3Ν του ASTER. Εικόνα 1. Ορθοεικόνα ASTER ως ψευδόχρωµη σύνθεση των καναλιών 1, 2 και 3Ν. Οι περιοχές µε πυκνή βλάστηση διακρίνονται µε έντονο κόκκινο χρώµα. Στη συνέχεια, πραγµατοποιήθηκε εξαγωγή των χρήσεων γης µε βάση τον τύπο κάλυψης του εδάφους και φωτοερµηνία της εικόνας ASTER µε την υποστήριξη αεροφωτογραφιών και άλλων δορυφορικών δεδοµένων πολύ υψηλής χωρική διακριτικής ικανότητας, όπου ήταν διαθέσιµα, καθώς και επιτόπιων παρατηρήσεων. Στην αρχή εντοπίστηκαν συγκεκριµένες περιοχές ενδιαφέροντος (π.χ. σηµεία µε βιοµηχανική δραστηριότητα, αεροδρόµιο, λιµάνι κλπ.), οι οποίες εξαιρέθηκαν από τη διαδικασία ταξινόµησης της εικόνας ASTER µε την εφαρµογή κατάλληλης ψηφιακής µάσκας για τις περιοχές αυτές. Πρακτικά, µε τον τρόπο αυτό, ψηφιοποιήθηκε αριθµός πολυγώνων που αντιστοιχεί στις εξής κατηγορίες δόµησης: α) κύριες εµπορικές ζώνες, β) βιοµηχανικές περιοχές, γ) δηµόσιοι χώροι, δ) αεροδρόµιο, ε) λιµάνι, στ) µεγάλα ξενοδοχεία, ζ) αθλητικές εγκαταστάσεις, η) αρχαιολογικοί χώροι, θ) παραλιακή ζώνη. Με βάση τα πολύγωνα που προέκυψαν δηµιουργήθηκε ψηφιακή µάσκα που εφαρµόστηκε στην εικόνα µε αποτέλεσµα να αποκοπούν τα εικονοστοιχεία που αντιπροσώπευαν τις προαναφερθέντες περιοχές. Τα εναποµείναντα εικονοστοιχεία αντιστοιχούν είτε σε περιοχές οικιστικής δόµησης είτε σε µη δοµηµένες (αγροτικές ή άλλες) περιοχές. Στο επόµενο βήµα της µεθοδολογίας µε την εφαρµογή της µεθόδου της επιβλεπόµενης ταξινόµησης εξήχθησαν οι παρακάτω κατηγορίες κάλυψης του εδάφους: α) αστικές περιοχές (οικιστική δόµηση), β) υδάτινες επιφάνειες, γ) περιοχές µε αµπέλια, δ) περιοχές µε ελαιόδενδρα, ε) περιοχές µε άλλες καλλιέργειες, στ) περιοχές µε φυσική βλάστηση, ζ) περιοχές µε αραιή φυσική βλάστηση. Συνδυάζοντας τα αποτελέσµατα της ταξινόµησης της εικόνας ASTER, µε τα πολύγωνα που αντιπροσωπεύουν τις περιοχές µε µη οικιστική δόµηση και το οδικό δίκτυο, προέκυψαν οι τέσσερις κατηγορίες χρήσεων γης που χρησιµοποιούνται για την εκτίµηση των εξισώσεων των µοντέλων αστικής ανάπτυξης στην παρούσα εργασία, δηλαδή:

περιοχές µε οικιστική δόµηση, άλλες δοµηµένες περιοχές, µη δοµηµένες αγροτικές περιοχές, άλλες µη δοµηµένες περιοχές. Τέλος, υπολογίστηκε το ποσοστό που καταλαµβάνει η καθεµία από τις 4 παραπάνω κατηγορίες χρήσεων γης σε κάθε ψηφίδα. 2.γ. Υπολογισµός της µίξης χρήσεων γης Η µίξη χρήσεων γης είναι µέτρο της οµοιοµορφίας κατανοµής των εικονοστοιχείων που αντιπροσωπεύουν τις διάφορες κατηγορίες χρήσεων γης γύρω από ένα εικονοστοιχείο µιας θεµατικής εικόνας. Εκφράζει τη διαφοροποίηση κάθε εικονοστοιχείου από τα γειτονικά του, δηλαδή την οµοιογένεια µια περιοχής της εικόνας που καλύπτεται από ένα εικονοστοιχείο (X 0 ) και τα 8 άµεσα γειτονικά του εικονοστοιχεία (X i ), όπως φαίνεται στην Εικόνα 2 (Frazier and Kockelman, 2004): Εικόνα 2. Σχετική θέσης του κεντρικού εικονοστοιχείου και των άµεσων γειτόνων του. Η µίξη χρήσεων γης στο εικονοστοιχείο X 0 δίδεται από την εξίσωση (Kockelman, 1997): mix(x ) = 0 8 i= 1 δ X,X 0 8 i (3) όπου: 1 αν Xi X0 δx 0 X i = 0 διαφορετικά X 0 είναι το κεντρικό εικονοστοιχείο X i είναι τα άµεσα γειτονικά του εικονοστοιχεία. Για την υλοποίηση της (3) στην περιοχή µελέτης, δηµιουργήθηκε ένα χωρικό µοντέλο µε χρήση του λογισµικού Spatial Modeller του ERDAS Imagine. Το µοντέλο αυτό χρησιµοποιεί ως δεδοµένα εισαγωγής ταξινοµηµένες δορυφορικές εικόνες στις οποίες η τιµή κάθε εικονοστοιχείου εκφράζει µια κατηγορία χρήσης γης και παράγει σε µορφή εικόνας τη χωρική κατανοµή της µίξης χρήσεων γης, διατηρώντας τη γεωµετρία των αρχικών δεδοµένων. Συνεπώς, η τιµή κάθε εικονοστοιχείου της εικόνας που παράγεται εκφράζει το βαθµό διαφοροποίησής του από τα άµεσα γειτονικά του εικονοστοιχεία, όπως απαιτεί η (3). Εφαρµόστηκε η τεχνική convolution µε ένα κινούµενο παράθυρο 3 x 3 εικονοστοιχείων, στο οποίο χρησιµοποιούνται ξεχωριστά 8 διαφορετικοί πυρήνες (kernels) καθένας από τους οποίους αφορά στη σύγκριση του κεντρικού εικονοστοιχείου µε καθένα από τα γειτονικά του. Οι πυρήνες αυτοί έχουν τη µορφή πινάκων 3 x 3 και οι τιµές κάθε στοιχείου τους είναι 0 ή 1 ανάλογα µε την αντίστοιχη θέση καθενός από τα X i. Με τον τρόπο αυτό, µε την εφαρµογή κάθε πυρήνα,

λαµβάνονται υπόψη µόνο το κεντρικό εικονοστοιχείο και ένα από τα άµεσα γειτονικά του για ένα προς ένα σύγκριση που πραγµατοποιείται σε επόµενο βήµα, παράγοντας κάθε φορά µία τιµή της παραµέτρου δ X0Xi και τελικά αθροίζοντας τις, ώστε να προκύψει η τιµή της µίξης χρήσεων γης η οποία αποδίδεται στο κεντρικό εικονοστοιχείο. Το εύρος των τιµών της παραµέτρου µίξη χρήσεων γης κυµαίνεται από 0 έως 1 και όπως προκύπτει και από την Εξίσωση (3), όσο µεγαλύτερη είναι η ανοµοιογένεια των χρήσεων γης γύρω από το κεντρικό εικονοστοιχείο, τόσο µεγαλύτερες τιµές θα λαµβάνει η µίξη χρήσεων γης. Για την περιοχή µελέτης, χρησιµοποιώντας τη θεµατική εικόνα µε τις 4 κύριες κατηγορίες χρήσεων γης, σε σύνολο 750.000 εικονοστοιχείων, υπολογίστηκε η µίξη χρήσεων γης µε µέση τιµή 0,215 και τυπική απόκλιση 0,276. Τέλος, υπολογίστηκε η µέση µίξη χρήσεων γης για κάθε ψηφίδα ως ο µέσος όρος των τιµών της µίξης χρήσεων γης των εικονοστοιχείων που αντιστοιχούν στην ψηφίδα αυτή. 2.δ. Εισαγωγή δηµογραφικών και οικονοµικών δεδοµένων Tα δηµογραφικά δεδοµένα που χρησιµοποιούνται στην εργασία αυτή προέρχονται από την απογραφή του 2001 της Εθνικής Στατιστικής Υπηρεσίας και αφορούν στον αριθµό των ατόµων ανά οικοδοµικό τετράγωνο της πόλης. Χρησιµοποιείται ένα shapefile του οποίου τα πολύγωνα αντιστοιχούν στα οικοδοµικά τετράγωνα µε attribute τον πληθυσµό σε κάθε πολύγωνο. Στη µορφή αυτή βέβαια τα δεδοµένα αυτά δε µπορούν να χρησιµοποιηθούν για την εκτίµηση του µοντέλου. Θα πρέπει να υπολογιστεί ο πληθυσµός που αντιστοιχεί σε κάθε ψηφίδα του καννάβου. Όπως φαίνεται στην Εικόνα 3, στο επάνω αριστερό µέρος, εµφανίζονται δύο layers: το ένα αντιπροσωπεύει τον κάνναβο και το άλλο τα πολύγωνα των οικοδοµικών τετραγώνων µε το κόκκινο χρώµα να γίνεται εντονότερο ανάλογα µε τον αριθµό των ατόµων σε κάθε πολύγωνο. Στην κεντρική ψηφίδα αντιστοιχούν τµήµατα των πολυγώνων 1-6. Για να υπολογιστεί ο αριθµός των ατόµων σε κάθε ψηφίδα, αρχικά υπολογίζεται η πληθυσµιακή πυκνότητα κάθε οικοδοµικού τετραγώνου. Κατόπιν, πραγµατοποιείται υπέρθεση των δύο layers και δηµιουργείται ένα νέο, µε κατάτµηση των πολυγώνων των µητρικών shapefiles, µε τρόπο ώστε η κάθε ψηφίδα να περιλαµβάνει ολόκληρα πολύγωνα του νέου shapefile. Όπως φαίνεται στο κάτω αριστερό µέρος της Εικόνας 3, όπου παρουσιάζεται το νέο shapefile, στην προαναφερθείσα κεντρική ψηφίδα αντιστοιχούν τώρα τα πολύγωνα a - f. Καθένα από τα νέα πολύγωνα κληρονοµεί την πληθυσµιακή πυκνότητα του µητρικού του πολύγώνου. Για να υπολογιστεί ο πληθυσµός σε καθένα από τα νέα πολύγωνα πολλαπλασιάζεται η πληθυσµιακή πυκνότητα µε το εµβαδόν του. Για να υπολογιστεί ο πληθυσµός σε κάθε ψηφίδα (δεξιό µέρος της Εικόνας 3), αθροίζεται ο πληθυσµός των πολυγώνων a - f και το αποτέλεσµα αποδίδεται ως attribute στην αντίστοιχη ψηφίδα. Συνεπώς, ο αριθµός των ατόµων της ψηφίδας Α θα ισούται µε το άθροισµα του αριθµού των ατόµων των πολυγώνων a - f, όπως παρουσιάζεται στην Εικόνα 3. Για τους οικισµούς της περιοχής µελέτης για τους οποίους δεν ήταν διαθέσιµα δηµογραφικά στοιχεία, η χωρική κατανοµή του πληθυσµού εκτιµήθηκε µέσω της πυκνότητας δόµησης µε τη βοήθεια ζωνών πληθυσµιακής πυκνότητας που δηµιουργήθηκαν από τα διαθέσιµα στοιχεία και του συνολικού πληθυσµού κάθε οικισµού. Τα οικονοµικά δεδοµένα που χρησιµοποιούνται αφορούν σε αντικειµενικές αξίες ακινήτων οι οποίες παρέχονται από τοπικές πηγές. ηµιουργήθηκαν οµογενείς ζώνες σε µορφή shapefile µε πολύγωνα αντίστοιχα των δηµογραφικών δεδοµένων. Για τον υπολογισµό της µέσης αντικειµενικής αξίας σε κάθε ψηφίδα χρησιµοποιείται η µεθοδολογία που περιγράφηκε παραπάνω, µε τη διαφορά ότι στην περίπτωση αυτή

πρόκειται για συνεχή µεταβλητή συνεπώς δεν χρειάζεται να χρησιµοποιηθεί η χωρική πυκνότητα της µεταβλητής και ότι κατά την υπέρθεση, υπολογίζεται ο µέσος όρων των τιµών των πολυγώνων που αντιστοιχούν σε κάθε ψηφίδα και όχι το άθροισµά τους. Εικόνα 3. Μεθοδολογίας για τον υπολογισµό του πληθυσµού σε κάθε ψηφίδα. 2.ε. Στατιστική ανάλυση Σε αυτή την ενότητα υποδειγµατοποιούµε την πιθανότητα µια ψηφίδα να είναι σε κάποιο ποσοστό της επιφάνειάς της δοµηµένη. Το µοντέλο που κρίθηκε βέλτιστο για την υποδειγµατοποίηση της πιθανότητας είναι της µορφής: p Logit(p) = log( ) = β 0 + β1mix + β 2 R + β3a + β 4 Pop + ε 1- p Όπου p είναι η πιθανότητα µία ψηφίδα να είναι δοµηµένη σε κάποιο ποσοστό της, mix η µίξη χρήσεων γης, R η απόσταση από το κέντρο της πόλης, A οι αντικειµενική αξία, Pop ο πληθυσµός της ψηφίδας και ε τα σφάλµατα του µοντέλου για τα οποία υποθέτουµε ότι ακολουθούν την κανονική κατανοµή. Για τη δηµιουργία του µοντέλου χρησιµοποιήθηκε η µέθοδος forward selection. Έτσι, η σειρά µε την οποία εµφανίζονται οι επεξηγηµατικές µεταβλητές στο παραπάνω µοντέλο σχετίζεται µε την προβλεπτική τους δύναµη (predictive power). Παρατηρούµε δηλαδή ότι η µίξη χρήσεων γης είναι ο καθοριστικότερος επεξηγηµατικός παράγοντας σε αντίθεση µε τον πληθυσµό ο οποίος, όπως φαίνεται και στους πίνακες µε τα αποτελέσµατα που παρουσιάζονται παρακάτω, έχει αντίθετο πρόσηµο σε σχέση µε αυτά που θα περίµενε διαισθητικά κάποιος ενώ εισάγεται στο µοντέλο µε δυσκολία τελευταίος. Όταν υποδειγµατοποιούµε την πιθανότητα κάποιο ποσοστό της ψηφίδας να είναι οικιστικά δοµηµένο η βέλτιστη µορφή του µοντέλου λογιστικής παλινδρόµησης αλλάζει: pres Logit(pres ) = log( ) = β 0 + β1mix + β 2R + β3 Pop + ε (7) 1- p res (6)

Όπου p res είναι η πιθανότητα µία ψηφίδα να είναι οικιστικά δοµηµένη σε κάποιο ποσοστό της, mix η µίξη χρήσεων γης, R η απόσταση από το κέντρο της πόλης, Pop ο πληθυσµός της ψηφίδας και ε τα σφάλµατα του µοντέλου για τα οποία υποθέτουµε ότι ακολουθούν την κανονική κατανοµή. Οι επεξηγηµατικοί παράγοντες εισήλθαν στο µοντέλο και πάλι µε τη µέθοδο Forward selection. Παρατηρούµε ότι οι αντικειµενικές αξίες αυτή τη φορά δεν είχαν αρκετή προβλεπτική δύναµη ώστε να εισέλθουν στο µοντέλο ενώ ο πληθυσµός παρουσιάζεται πολύ σηµαντικότερος σε σχέση µε το προηγούµενο µοντέλο (και ο εκτιµώµενος συντελεστής που του αντιστοιχεί έχει το σωστό διαισθητικά πρόσηµο αυτή τη φορά). Χρησιµοποιώντας τις εκτιµήσεις που φαίνονται στον Πίνακα 2 µπορούµε να εκτιµήσουµε το αριστερό µέρος της (7) ως 0.42 + 8.5752mix - 0.00021R + 1.271 Pop. Όταν όλες οι επεξηγηµατικές µεταβλητές είναι µηδέν, τότε logit(p res ) = - 0.42. Χρησιµοποιώντας αυτή την εκτίµηση µπορεί να υπολογιστεί η πιθανότητα οικιστικής ανάπτυξης (σε κάποιο ποσοστό) όταν οι επεξηγηµατικοί παράγοντες παίρνουν µηδενικές τιµές: p res =(1+e -0.42 ) -1. Στο τρίτο µοντέλο της εφαρµογής, εκτιµήθηκε η πιθανότητα η ψηφίδα να ανήκει σε τέσσερις κατηγορίες: 1) Σε µεγαλύτερο ποσοστό οικιστικά δοµηµένη. 2) Σε µεγαλύτερο ποσοστό όχι οικιστικά δοµηµένη. 3) Σε µεγαλύτερο ποσοστό όχι δοµηµένη, αγροτική. 4) Σε µεγαλύτερο ποσοστό όχι δοµηµένη, όχι αγροτική. Το βέλτιστο µοντέλο σύµφωνα µε τη µέθοδο forward selection έχει την παρακάτω µορφή: p j Logit(p j ) = log( ) = β j + β1 Pop + β 2 R + β3mix + β 4 A + ε (8) 1- p j Όπου p j είναι η πιθανότητα µία ψηφίδα να είναι ανήκει στην κατηγορία j (από 1 έως 4), mix η µίξη χρήσεων γης, R η απόσταση από το κέντρο, A οι αντικειµενική αξία, Pop ο πληθυσµός της ψηφίδας και ε τα σφάλµατα του µοντέλου για τα οποία υποθέτουµε ότι ακολουθούν την κανονική κατανοµή. Τα β j είναι σταθερές που µεταβάλλονται ανάλογα µε το ενδεχόµενο που υποδειγµατοποιείται. Εδώ παρατηρούµε ότι η µίξη χρήσεων γης έχει σαφώς λιγότερη επεξηγηµατική δύναµη σε σχέση µε πριν, ο πληθυσµός είναι ο βασικότερος παράγοντας σε αυτό το µοντέλο, ενώ οι αντικειµενικές αξίες έχουν τη µικρότερη επεξηγηµατική δύναµη. 2.στ. είκτες αειφόρου αστικής ανάπτυξης Εξετάστηκε η ανάπτυξη δεικτών που ανταποκρίνονται στην προτεραιότητα της ΕΕ για ισότητα, κοινωνική ένταξη και αναζωογόνηση υποβαθµισµένων περιοχών αποφεύγοντας φαινόµενα χωρικής διάσπασης (EU, 1998). Αρχικά, διερευνήθηκε το κατά πόσο υπάρχουν έτοιµοι δείκτες σχετικά µε την αειφόρο αστική ανάπτυξη και εάν µπορούν να χρησιµοποιηθούν για τους στόχους της παρούσας µελέτης. Συγκεκριµένα, διερευνήθηκαν δείκτες που αναπτύχθηκαν στα πλαίσια του έργου Murbandy/Moland (ΕΕΑ, 2002), από την επιτροπή για τους Ανθρώπινους Οικισµούς του ΟΗΕ της οποίας οι δείκτες είναι γνωστοί και ως Habitat Agenda (UN, 1996), καθώς και οι European Common Indicators οι οποίοι αναπτύχθηκαν από την Amniente Italia (2003). Από τα παραπάνω προέκυψε ότι οι χρησιµοποιούµενοι δείκτες αφορούν τη σύγκριση διαφορετικών πόλεων µεταξύ τους και χρησιµοποιούν δεδοµένα τα οποία είτε δεν ήταν διαθέσιµα στην περίπτωση µας είτε δεν είχαν ιδιαίτερο νόηµα σε υποπεριοχές ενός αστικού ιστού. Επίσης, σε πολλές περιπτώσεις για να εξαχθεί η επιθυµητή πληροφορία θα υπήρχε ανάγκη για συνδυασµό πολλών διαφορετικών δεικτών. Συνεπώς, αποφασίστηκε να οριστεί ένας δείκτης, µε βάση τα δεδοµένα τα οποία αναπτύχθηκαν

για τους σκοπούς της παρούσας εργασίας, ο οποίος θα παρέχει πληροφορία για τυχόν ανισοκατανοµές ως προς τον χώρο κοινωνικών και οικονοµικών χαρακτηριστικών. Συνδυάζοντας τον πληθυσµό, την έκταση δοµηµένης γης και την αντικειµενική της αξία, προέκυψε ένας δείκτης ο οποίος παρέχει πληροφορία για την ποιότητα της ζωής (τετραγωνικά µέτρα κτίσµατος που αντιστοιχούν σε κάθε άνθρωπο) συνδυασµένο µε µία οικονοµική αξία (τιµή της έκτασης αυτής). Ο τελικός στόχος ήταν να εξετασθεί κατά πόσο υπάρχει χωρική συσχέτιση στο δείκτη ή όχι. Εάν δηλαδή παρατηρούνται ευδιάκριτες κατηγορίες ως προς το χώρο κι εποµένως διάσπαση του αστικού πλέγµατος ως προς τα εξεταζόµενα κοινωνικοοικονοµικά χαρακτηριστικά. Σε επίπεδο ψηφίδας, οι παράµετροι οι οποίες χρησιµοποιήθηκαν είναι η έκταση δοµηµένης γης, ο πληθυσµός και η µέση αντικειµενική της αξία γης. Σύµφωνα µε τα παραπάνω, η τιµή του δείκτη ( i ) σε κάθε ψηφίδα δίδεται από την εξίσωση: pis i A i = i Pop όπου: p i είναι το ποσοστό δόµησης στην ψηφίδα i, S i είναι εµβαδόν της ψηφίδας, Α i είναι η µέση αντικειµενική αξία σε επίπεδο ψηφίδας, Pop i είναι ο πληθυσµός που αντιστοιχεί στην ψηφίδα. ι Οι τιµές που προέκυψαν από την παραπάνω εξίσωση κανονικοποιήθηκαν µε βάση τη µέγιστη τιµή. 3. ΑΠΟΤΕΛΕΣΜΑΤΑ Στην Εικόνα 4 φαίνονται οι χρήσεις, όπως προέκυψαν από τη συνδυασµένη χρήση των τύπων κάλυψης του εδάφους που εξήχθηκαν µέσω συνδυασµένης ανάλυσης της εικόνας ASTER και δεδοµένων άλλων πηγών. Έχουν προκύψει συνολικά 18 κατηγορίες χρήσεων γης από τις οποίες 8 αναφέρονται σε µη δοµηµένο περιβάλλον (καλλιέργειες, φυσική βλάστηση, θάλασσα και παραλιακή ζώνη), 1 σε περιοχές µε οικιστική και 9 σε άλλου τύπου δόµηση (βιοµηχανικές ζώνες, κύριες εµπορικές ζώνες, αεροδρόµιο, λιµάνι, οδικό δίκτυο, αρχαιολογικοί χώροι, αθλητικές εγκαταστάσεις, δηµόσιοι χώροι και µεγάλες ξενοδοχειακές µονάδες). Οι 18 κατηγορίες αυτές οµαδοποιήθηκαν για να χρησιµοποιηθούν στη συνέχεια για την εκτίµηση των µοντέλων. Αρχικά δηµιουργήθηκαν δύο κατηγορίες: δοµηµένες και µη δοµηµένες περιοχές και υπολογίστηκε το ποσοστό δόµησης σε κάθε ψηφίδα (Εικόνα 5), το οποίο χρησιµοποιείται ως εκτιµώµενη µεταβλητή για το µοντέλο που περιγράφει η (1). Κατόπιν αφού υπολογίστηκε το ποσοστό οικιστικής δόµησης σε κάθε ψηφίδα, χρησιµοποιήθηκε ως εκτιµώµενη µεταβλητή για την εκτίµηση της ίδιας εξίσωσης. Στις περιπτώσεις αυτές η µίξη γης που χρησιµοποιείται ως επεξηγηµατική µεταβλητή υπολογίστηκε από την Εξίσωση (3) µε χρήση τριών κατηγοριών χρήσεων γης: Περιοχές µε οικιστική δόµηση, περιοχές µε άλλης µορφής δόµηση και µη δοµηµένες περιοχές. Σε δεύτερη φάση οι 18 κατηγορίες χρήσεων γης οµαδοποιήθηκαν σε 4 κύριες κατηγορίες οι οποίες φαίνονται στην Εικόνα 6: Με κόκκινο παρουσιάζονται οι περιοχές µε οικιστική δόµηση, µε µαύρο οι περιοχές µε άλλης µορφής δόµηση, µε κίτρινο οι µη δοµηµένες περιοχές µε καλλιέργειες και µε πράσινο οι λοιπές µη δοµηµένες περιοχές. (9)

Εικόνα 4. Χρήσεις γης για την ευρύτερη περιοχή της πόλης του Ηρακλείου όπως προέκυψαν από συνδυασµένη επεξεργασία δορυφορικών και επίγειων δεδοµένων. Εικόνα 5. Συνολικό ποσοστό δόµησης σε κάθε ψηφίδα. Εικόνα 6. Οι 4 κύριες κατηγορίες χρήσεων γης που χρησιµοποιούνται για την εκτίµηση του µοντέλου αστικής ανάπτυξης που περιγράφει η Εξίσωση (2).

α) β) γ) δ) Εικόνα 7. Ποσοστό κάλυψης κάθε ψηφίδας από καθεµία από τις 4 κατηγορίες χρήσεων γης: α) Ποσοστό οικιστικής δόµησης, β) Ποσοστό άλλης δόµησης, γ) Ποσοστό µη δοµηµένων περιοχών µε καλλιέργειες, δ) Μίξη των 4 κατηγοριών χρήσεων γης Ακολούθως υπολογίστηκε το ποσοστό κάλυψης κάθε ψηφίδας από καθεµία από τις 4 κύριες κατηγορίες χρήσεων γης (Εικόνα 7). Οι επεξηγηµατικές µεταβλητές του µοντέλου είναι οι ίδιες και για τις 4 κατηγορίες. Η κατανοµή της µίξης γης που χρησιµοποιείται υπολογίζεται για κάθε εικονοστοιχείο από την Εξίσωση (3) µε χρήση των 4 κύριων κατηγοριών χρήσεων γης. Στην Εικόνα 7 παρουσιάζεται επίσης το µέσο ποσοστό µίξης γης για κάθε ψηφίδα όπως προκύπτει έπειτα από υπολογισµό του χωρικού µέσου όρου των τιµών των αντίστοιχων εικονοστοιχείων. Όπως φαίνεται στην Εικόνα 7 και ήταν άλλωστε αναµενόµενο, οι ψηφίδες που αντιπροσωπεύουν περιοχές που αντιστοιχούν στα όρια µεταξύ των διαφόρων περιοχών χρήσεων γης παρουσιάζουν υψηλές τιµές της παραµέτρου αυτής. Στην Εικόνα 8 φαίνονται για κάθε ψηφίδα ο πληθυσµός όπως έχει προκύψει µε βάση τον πληθυσµό κάθε οικοδοµικού τετραγώνου της περιοχής µελέτης, καθώς και η µέση αντικειµενική αξία όπως έχει προκύψει από την ανάλυση των οικονοµικών δεδοµένων. α) β) Εικόνα 8. α) Πληθυσµός, β) αντικειµενική αξία σε κάθε ψηφίδας.

Τα αποτελέσµατα της στατιστικής ανάλυσης παρουσιάζονται στους πίνακες που ακολουθούν. Τα αποτελέσµατα για το διωνυµικό µοντέλο µε εκτιµώµενη µεταβλητή το ποσοστό δόµησης και το ποσοστό οικιστικής δόµησης φαίνονται στους Πίνακες 1 και 2, αντίστοιχα. Στον Πίνακα 3 φαίνονται τα αποτελέσµατα της λογιστικής παλινδρόµησης για το πολυωνυµικό µοντέλο. Πίνακας 1. Αποτελέσµατα της λογιστικής παλινδρόµησης για το διωνυµικό µοντέλο µε εκτιµώµενη την πιθανότητα η ψηφίδα να είναι σε κάποιο ποσοστό δοµηµένη. Επεξηγηµατικοί παράγοντες β stand. error Wald chi-square p-value Σταθερά 4.017 0.241 277 <.0001 Τετραγωνική ρίζα πληθυσµού -0.120 0.060 3.92 0.047 Τετραγωνική ρίζα απόστασης (Km) -0.076 0.003 583 <.0001 Μέση µίξη χρήσεων γης 63.2 1.563 1637 <.0001 Μέση τιµή αντικειµενικών αξιών 0.006 0.001 29.7 <.0001 είκτες εφαρµογής µοντέλο µόνο µε σταθερά µοντέλο και µε επεξηγηµατικές AIC 16040 4961 SC 16047 4998-2*Log-likelihood 16038 4951 Πίνακας 2. Αποτελέσµατα για το διωνυµικό µοντέλο µε εκτιµώµενη µεταβλητή την πιθανότητα η ψηφίδα να είναι σε κάποιο ποσοστό οικιστικά δοµηµένη. Επεξηγηµατικοί παράγοντες β stand. error Wald chi-square p-value Σταθερά -0.42 0.78 29.12 <.0001 Τετραγωνική ρίζα πληθυσµού 1.27 0.067 362 <.0001 Απόσταση (Km) -0.0002 <.0001 356 <.0001 Μέση µίξη χρήσεων γης 8.575 0.22 1501 <.0001 είκτες εφαρµογής µοντέλο µόνο µε σταθερά µοντέλο και µε επεξηγηµατικές AIC 17458 10612 SC 17465 10642-2*Log-likelihood 17456 10604 Πίνακας 3. Αποτελέσµατα της λογιστικής παλινδρόµησης για το µοντέλο χρήσεων γης µε εκτιµώµενη µεταβλητή την πιθανότητα η ψηφίδα να ανήκει σε µία από τέσσερις κατηγορίες µε βάση το αν είναι ή όχι δοµηµένη. Επεξηγηµατικοί παράγοντες β stand. error Wald chi-square p-value Σταθερά 1-0.13 0.24 0.29 0.6 Σταθερά 2 1 0.24 18.35 <.0001 Σταθερά 3 6.1 0.26 530 <.0001 Τετραγωνική ρίζα πληθυσµού 1.27 0.067 362 <.0001 Τετραγωνική ρίζα απόστασης (Km) -0.0038 0.003 356 <.0001 Μέση τιµή αντικειµενικών αξιών 0.003 0.0005 34.65 <.0001 Μέση µίξη χρήσεων γης -2.5 0.31 63.7 <.0001 είκτες εφαρµογής µοντέλο µόνο µε σταθερά µοντέλο και µε επεξηγηµατικές AIC 9464 6875 SC 9483 6921-2*Log-likelihood 9457 6861 Η χωρική απεικόνιση του δείκτη παρουσιάζεται στην Εικόνα 9. Για τις περιοχές που δεν είχαν πληθυσµό δεν ορίζεται ο δείκτης και δεν αντιπροσωπεύονται µε κάποιο χρώµα στο χάρτη. Παρατηρείται ότι οι περισσότερες τιµές του δείκτη εντοπίζονται στις µικρές τιµές. Έτσι, ενώ ο δείκτης παίρνει τιµές από 0 έως 30, οι περισσότερες εντοπίζονται στο διάστηµα από 0 έως 0.25. Το γεγονός αυτό µπορεί να ερµηνευθεί από το ότι οι αντικειµενικές αξίες είναι πολύ υψηλές σε σχετικά λίγες περιοχές και οτι σε

αυτές τις περιοχές λαµβάνουν τιµές που έχουν µεγάλη διαφορά από τις τιµές που παίρνουν αλλού. Πρέπει να τονισθεί όµως ότι οι ανάλυση των δείκτη και η εξαγωγή συµπερασµάτων δεν πρέπει να βασίζονταιστη σύγκριση των τιµών που παίρνει όσο στην χωρική κατανοµή του. Εικόνα 9. Χωρική κατανοµή του δείκτη στην περιοχή µελέτης. Παρατηρείται ότι η πόλη του Ηρακλείου παρουσιάζει µία σχετική οµοιοµορφία ως προς τα εξετασθέντα χαρακτηριστικά. ηλαδή δεν υπάρχουν ευδιάκριτες κατατµήσεις του αστικού ιστού. Κάποιες διαφοροποιήσεις µε υψηλότερες τιµές του δείκτη παρουσιάζονται σποραδικά και πρόκειται κυρίως για περιοχές οι οποίες θα µπορούσαν να χαρακτηρισθούν σαν καλές περιοχές χωρίς ωστόσο να έχουν αµιγώς αυτό τον χαρακτήρα. Επιπλέον, αυτή η σποραδική εµφάνιση διαφορετικών τιµών µπορεί να οφείλεται σε διάδοση σφάλµατος κατά τη διαδικασία υπολογισµού της χωρικής µέσης τιµής σε κάθε ψηφίδα. Η κατάσταση διαφοροποιείται ελαφρά στις παρυφές της πόλης και προς την περιοχή εξάπλωσης της όπου, όπως είναι αναµενόµενο, διαφοροποιούνται και τα αστικά χαρακτηριστικά. Ενδιαφέρον παρουσιάζει το γεγονός ότι και η ευρύτερη περιοχή εξάπλωσης της πόλης του Ηρακλείου παρουσιάζει µία σχετικά οµοιόµορφη εικόνα µε τις εκτός σχεδίου (κατά κύριο λόγο αγροτικές) περιοχές στις χαµηλότερες τιµές του δείκτη και τους οικισµούς τους, που αποτελούν πόλο έλξης για πολλούς Ηρακλειώτες τα τελευταία χρόνια, να διαφοροποιούνται και να δίνουν ένα διαφορετικό στίγµα. 4. ΣΥΜΠΕΡΑΣΜΑΤΑ Οι χρήσεις γης είναι βασικός παράγοντας στα µοντέλα αστικής ανάπτυξης, τα οποία έχουν σκοπό την κατανόηση του πως οι γεωγραφικοί, οικονοµικοί, δηµογραφικοί και άλλοι παράγοντες των αστικών συστηµάτων αλληλεπιδρούν, µε απώτερο στόχο την προσοµοίωση της δυναµικής της αστικής ανάπτυξης. Στην παρούσα εργασία επιχειρήθηκε να αναδειχθεί η συµβολή των χωρικών δεδοµένων διαφόρων πηγών στον καθορισµό δεικτών για την αειφόρο αστική ανάπτυξη, καθώς και την εκτίµηση εξισώσεων που περιγράφουν την σχέση ανάµεσα στις χρήσεις γης για το Ηράκλειο Κρήτης. Εκτιµήθηκαν εξισώσεις που περιγράφουν την σχέση του ποσοστού δόµησης

µε µεταβλητές όπως ο πληθυσµός, η απόσταση από το κέντρο της πόλης, η µίξη χρήσεων γης και οι αντικειµενικές αξίες. Επίσης, δηµιουργήθηκε δείκτης αειφόρου αστικής ανάπτυξης µε στόχο να αναγνωριστεί το προφίλ της ευρύτερης περιοχής του Ηρακλείου όσον αφορά τη διάσπαση και τις ανισότητες ως προς το χώρο. Η µίξη χρήσεων γης, δηλαδή ο βαθµός οµογένειας των γειτονικών ψηφίδων είναι σηµαντικός παράγοντας πρόβλεψης (ίσως σηµαντικότερος από ότι θα περίµενε κάποιος) για την κατηγορία στην οποία ανήκει µία ψηφίδα όσον αφορά το αν είναι δοµηµένη. Ο επεξηγηµατική δύναµη του πληθυσµού αυξάνει όσο η κατηγοριοποίηση των ψηφίδων σε σχέση µε τη δόµησή τους γίνεται πιο λεπτοµερειακή ενώ οι αντικειµενικές αξίες είχαν µικρή συνεισφορά στο σχηµατισµό των µοντέλων λογιστικής παλινδρόµησης και θα µπορούσαν ακόµα και να παραλειφθούν. Οπωσδήποτε οι εξισώσεις που εκτιµήθηκαν δεν πρέπει να θεωρηθεί ότι αποτελούν ένα ολοκληρωµένο µοντέλο αστικής ανάπτυξης. Θέµατα όπως οι µεταφορές ή η αλλαγή του αστικού ιστού µε την πάροδο του χρόνου δεν αντιµετωπίσθηκαν λόγω έλλειψης δεδοµένων. Αυτό που επιτεύχθηκε ήταν η δηµιουργία βάσης δεδοµένων για µία χρονική περίοδο και η εκτίµηση εξισώσεων που ποσοτικοποιούν τις σχέσεις ανάµεσα στην κατανοµή του πληθυσµού και τις χρήσεις γης. Εαν στο µέλλον παρόµοια δεδοµένα προκύψουν και για άλλες χρονικές περιόδους τότε ολοκληρωµένα µοντέλα αστικής ανάπτυξης θα µπορούν να εκτιµηθούν. Πρέπει να τονισθεί εδώ ότι η ανάπτυξη και η δοµή των δεδοµένων θα επιτρέψει την εκτίµηση και µοντέλων κλασσικού τύπου αλλά και µοντέλων βασισµένων στα cellular automata. Τέλος, σε ότι αφορά στο δείκτη, αξίζει να σηµειωθεί ότι δεν είναι στη λογική καθορισµού και λειτουργίας του να αποτελέσει τον ένα και µοναδικό δείκτη αειφόρου αστικής ανάπτυξης του οποίου µικρές τιµές αποτελούν ένδειξη µη αειφορίας ενώ µεγάλες ένδειξη αειφορίας. Αποτελεί περισσότερο µία ένδειξη της συνοχής ενός αστικού συγκροτήµατος ως προς τα κοινωνικά και οικονοµικά χαρακτηριστικά του πληθυσµού του. εν αποτελεί εποµένως αντικείµενο της µελέτης η απάντηση του ερωτήµατος εάν είναι µία βιώσιµη πόλη το Ηράκλειο. Κάτι τέτοιο θα προϋπέθετε την εξέταση πολλών ακόµα παραµέτρων οι οποίες επιπλέον θα ήταν εξαιρετικά δύσκολο να συσχετισθούν όλες µαζί και να καταλήξουν σε έναν και µοναδικό δείκτη, σε µία και µοναδική απάντηση. Ωστόσο αποτελεί ένα πρώτο βήµα για την εκτίµηση και παρακολούθηση της βιώσιµης αστικής ανάπτυξης για την οποία δυστυχώς όταν επικεντρώνεται σε υπο-περιοχές του ίδιου αστικού συγκροτήµατος δεν υπάρχουν επαρκή δεδοµένα. Σε επόµενη φάση, για να ελεγχθεί η λειτουργία όσο και η χωρική κατανοµή του δείκτη την περιοχή εφαρµογής θα χρησιµοποιηθούν σύνθετες τεχνικές χωρικής στατιστικής ανάλυσης. ΒΙΒΛΙΟΓΡΑΦΙΑ Abrams, M., and Hook, S., 2002, ASTER User Handbook, The Jet Propulsion Laboratory, California Institute of Technology, Los Angeles, USA. Ambiente Italia, 2003, European Common Indicators. Final Project Report, Ambiente Italia Research Center (URL: lable at http://www.sustainablecities.org/indicators).

Bastin, L., 1997, Comparison of fuzzy c-means classification, linear mixture modeling and MLC probabilities as tools for unmixing coarse pixels. International Journal of Remote Sensing, 18, 3629 3648. Batty, M., 1997, Editorial: Urban systems as cellular automata, Environment and Planning B, 24, 159 164. Batty M., Xie Y. and Sun, Z., 1999, Modelling urban dynamics through GIS-based cellular automata, Computers, Environment and Urban Systems, 23, 205 233. Berberoglu, S., Lloyd, C. D., Atkinson, P. M. and Curran, P. J., 2000, The integration of spectral and textural information using neural networks for land cover mapping in the Mediterranean. Computers & Geosciences, 26, 385 396. Cecchini A., 1996, Urban modelling by means of cellular automata: generalised urban automata with the help on-line (AUGH) model, Environment and Planning B, 23, 721 732. Chrysoulakis, N., 2003, Estimation of the all-wave urban surface radiation balance by use of ASTER multispectral imagery and in situ spatial data, Journal of Geophysical Research, 108, D18, 4582, doi:10.1029/2003jd003396. ΕΕΑ, 2002, Towards an urban atlas. Assessment of spatial data on 25 European cities and urban areas. Environmental Issue Report No 30, European Environment Agency, Copenhagen, Denmark. EU, 1998, Αειφόρος Αστική Ανάπτυξη στην Ευρωπαϊκή Ένωση Πλαίσιο ράσης. COM(1998)605. Foody, G. M., 2000, Estimation of sub-pixel land cover composition in the presence of untrained classes. Computers & Geosciences, 26, 469 478. Fujisada, H., 1998, ASTER Level 1 data processing algorithm. IEEE Transactions on Geoscience and Remote Sensing, 36, n. 4, p. 1101-1112. Frazier, C. and Kockelman, K. M., 2004, Cities & Satellite Imagery: Models for Regional Change, Working paper (http://www.ce.utexas.edu/prof/kockelman). Gong, P., and Howarth, P. J., 1990, The use of structural information for improving land-cover classification accuracies at the rural urban fringe. Photogrammetric Engineering and Remote Sensing, 56, 67 73. Haack, B., Bryant, N. and Adams, S., 1987, An assessment of Landsat MSS and TM data for urban and near-urban land-cover digital classification. Remote Sensing of Environment, 21, 201 213. Harris, P. M. and Ventura, S. J., 1995, The integration of geographic data with remotely sensed imagery to improve classification in an urban area. Photogrammetric Engineering and Remote Sensing, 61, 993 998. Kockelman, K. M., 1997, Travel Behavior as a Function of Accessibility, Land Use Mixing, and Land Balance: Evidence from the San Francisco Bay Area, Trasportation Research Record, 1607, 117 125. Kontoes, C. C., Raptis, V., Lautner, M., and Oberstadler, R., 2000, The potential of kernel classification techniques for land use mapping in urban areas using 5 m- spatial resolution IRS-1C imagery. International Journal of Remote Sensing, 21, 3145 3151.

Lang, H., and Welch, R., 1999, ATBD-AST-08 Algorithm Theoretical Basis Document for ASTER Digital Elevation Models (Standard Product AST14). The Jet Propulsion Laboratory, California Institute of Technology, Los Angeles, USA. Lee, D., 1973, A Requiem for Large-Scale Models. Journal of the American Planning Association. Lee, D. B., 1973, Requiem for large-scale models, Journal of the American Institute of Planners, 39, 163-178. Lowry, I. S., 1964, A Model of Metropolis. RM-4035-RC. The RAND Corporation, Santa Monica, California. Martin, L. R. G., Howarth, P. J. and Holder, G., 1988, Multispectral classification of land use at the rural urban fringe using SPOT data. Canadian Journal of Remote Sensing, 14, 72 79. Masek, J. G., Lindsay, F. E. and Gowward, S. N., 2000, Dynamics of urban growth in the Washington DC metropolitan area, 1973 1996, from Landsat observations. International Journal of Remote Sensing, 21, 3473-3486. McCauley, S., and Goetz, S. J., 2004, Mapping residential density patterns using multitemporal Landsat data and a decision-tree classifier. International Journal of Remote Sensing, 25, 1077-1094. Miller E.J., Kriger D.S. and Hunt J.D., 1998, Integrated Urban Models for Simulation of Transit and Land Use Policies. Transit Cooperative Research Program, National Academy of Sciences. O'Neill, M.A., and I.J. Dowman, 1993, A simulation study of the ASTER sensor using a versatile general purpose rigid sensor modelling system. International Journal of Remote Sensing, 14, 565-585. PCI, 2003, OrthoEngine User Guide, PCI Geomatics, Ontario, Canada. Ridd, M. K., and Liu, J., 1998, A comparison of four algorithms for change detection in an urban environment. Remote Sensing of Environment, 63, 95 100. Stefanov, W. L., Ramseyc, M. S. and Christensen, P. R., 2001, Monitoring urban land cover change: An expert system approach to land cover classification of semiarid to arid urban centers. Remote Sensing of Environment 77, 173 185. Stuckens, J., Coppin, P. R. and Bauer, M. E., 2000, Integrating contextual information with per-pixel classification for improved land cover classification. Remote Sensing of Environment, 71, 282 296. Torrens P.M. and O Sullivan, D., 2001, Editorial: Cellular automata and urban simulation: where do we go from here, Environment and Planning B, 28, 163 168. Toutin, Th., 1995, Multi-source Data Fusion with an integrated and Unified Geometric Modelling, Advances in Remote Sensing EARSeL Journal, 4, pp. 118 129. Yagoub, M. M., 2004, Monitoring of urban growth of a desert city through remote sensing: Al-Ain, UAE, between 1976 and 2000. International Journal of Remote Sensing, 25, 1063 1076. UN, 1996, Habitat Agenda. United Nations (URL: http://www.unhabitat.org/about/history.asp).

U.S.EPA, 2000, Projecting land use change, A summary of models for assessing the effects of community growth and change on land use patterns. EPA/600/R 00/098, Environmental Protection Agency, Office of Research and Development, OH. Vogelmann, J. E., Sohl, T. and Howard, S. M., 1998, Regional characterization of land cover using multiple sources of data. Photogrammetric Engineering and Remote Sensing, 64, 45 57. Ward, D., Phinn, S. R., and Murray, A. T., 2000, Monitoring urban growth in rapidly urbanizing areas using remotely sensed data. Professional Geographer, 52, 371 386. Wegener, M., 1994, Operational Urban Models: State of the Art., Journal of the American Planning Association, 60, 17-29. Welch, R.,T. Jordan. H. Lang, and H. Murakami, 1998, ASTER as a source for topographic data in the late 1990's. IEEE Transactions on Geoscience and Remote Sensing, 36, n. 4, 1282-1289. White, R. and Engelen, W., 1993, Cellular automata and fractal urban form, Environment and Planning A, 25, 1175-1193. Zang, J. and Foody, G. M., 1998, A fuzzy classification of sub-urban land cover from remotely sensed imagery. International Journal of Remote Sensing, 19, 2721-2738.