مروری بر مدل‌های آمایش سرزمین

فصلنامه انسان و محیط زیست، شماره 40، بهار96

مروری بر مدل‌های آمایش سرزمین

آزاده مهری [1]^*

Az.mehri@yahoo.com

عبدالرسول سلمان‌ماهینی[2]

چکیده

امروزه، به دلیل وجود بحران­های محیط­زیستی حاصل از استفاده غیر منطقی و تبدیل زمین، نیاز به ارزیابی توان بوم­شناختی و آمایش کاربری­ها در سرزمین قبل از اجرای توسعه، بیش از پیش ضروری گردیده است. روش­های متفاوتی در جهان برای ارزیابی و آمایش سرزمین استفاده می­شوند. در این مقاله مدل‌های مختلف آمایش سرزمین مورد بررسی قرار گرفته‌اند و انواع روش‌ها با اهداف، کاربردها و کاربری‌های مختلف شناسایی شده‌­اند. در این خصوص به مرور مدل‌های آمایش سرزمین و تحلیل و ارزیابی ویژگی‌های اصلی آن‌ها را پرداخته شده است. مدل­های آمایش سرزمین در پنج گروه شامل سامانه­های خبره، ارزیابی چندمعیاره، برنامه­ریزی ریاضی، روش­های ترکیبی و مدل­های     شبیه سازی مکانی قابل بررسی هستند. هر کدام از این گروه­ها دارای زیرگروه­هایی شامل انواع مدل­های آمایش سرزمین مختلف هستند. مدل­های مورد بررسی در سامانه­های پشتیبان تصمیم­گیری نیز استفاده می شوند که اغلب آن­ها وابسته به GIS هستند. هدف این مقاله تحلیل مدل­ها و روش‌های مختلف آمایش سرزمین برای ارایه یک مرور کلی ساختاریافته است و نتایج آن امکان انتخاب روش ویژه هر مسأله کاربردی را تسهیل می­نماید.

کلمات کلیدی: آمایش سرزمین، سامانه­های خبره، ارزیابی چندمعیاره، برنامه­ریزی ریاضی، مدل­های شبیه­سازی مکانی.

مقدمه

انسان امروزه با انبوهی از مشکلات محیط­زیستی روبرو است. تبدیل زمین، فرسایش، کویرزایی، جنگل­زدایی و آلودگی زمین­ها که سلامت منابع طبیعی جهان را به مخاطره انداخته­اند، در بیش­تر موارد به واسطه استفاده غیر منطقی از زمین روی می­دهند. تبدیل زمین از یک نوع استفاده به استفاده دیگر، میزان فرسایش را تا 1000 برابر روی کره زمین بالا برده است. مشکلات محیط­زیستی فراوان گویای این واقعیت است که محیط­زیست طبیعی توان بوم­شناختی معینی برای استفاده انسان از آن دارد. بنابراین، برای انجام توسعه در محیط­زیست، پیش از هرکار باید به ارزیابی توان بوم­شناختی آن در چارچوب یک برنامه­ریزی منطقه­ای پرداخت. به طور کلی، آمایش سرزمین عبارت است از: تنظیم رابطه انسان، سرزمین و فعالیت­های انسان در سرزمین به منظور بهره­برداری درخور و پایدار از جمیع امکانات انسانی و فضایی سرزمین در جهت بهبود وضعیت مادی و معنوی اجتماع در طول زمان (1).

FAO (1976) ده نکته به عنوان مراحل اصلی فرآیند   آمایش سرزمین ارایه نموده است. این مراحل عبارتند از (2):  1. تشخیص نیاز به تغییر، 2. شناسایی اهداف، 3. تدوین طرح، شامل گزینه­های جایگزین کاربری سرزمین و شناسایی  نیازهای اصلی آن­ها، 4. شناسایی و توصیف انواع مختلف سرزمین موجود در منطقه، 5. مقایسه و ارزیابی هریک از انواع سرزمین برای کاربری­های مختلف، 6. انتخاب کاربری ارجح برای هر نوع سرزمین، 7. طراحی پروژه یا سایر تحلیل­های جزئی مجموعه گزینه­های منتخب برای بخش­های مجزای منطقه. در موارد خاص، این مرحله ممکن است به شکل یک مطالعه امکان­سنجی باشد، 8. تصمیم به اجرا،  9. اجرا، 10. بازبینی عملکرد.

ارزیابی سرزمین[3] نقش اصلی در مراحل سوم، چهارم و پنجم فرآیند آمایش سرزمین دارد و اطلاعات را برای بخش­های بعدی مهیا می­کند. بنابراین ارزیابی سرزمین به دنبال شناسایی نیاز به برخی تغییرات در کاربری سرزمین ظاهر می­شود و به دنبال آن شناسایی اهداف تغییرات پیشنهاد شده و تدوین طرح­های عمومی و ویژه مطرح می­شوند. فرآیند ارزیابی شامل توصیف انواع مختلف کاربری­های محتمل و ارزیابی و مقایسه آن­ها با توجه به انواع مختلف سرزمین شناسایی شده در منطقه می­شود. این خود منجر به توصیه­هایی در مورد یک یا تعداد کمی از کاربری­های ارایه شده می­شود. این توصیه­ها می­توانند در تصمیم­گیری کاربری ارجح برای هر بخش مجزای منطقه استفاده شوند. مراحل نهایی به طور معمول جزییات بیش­تری را در مورد کاربری­های ارجح شامل می­شوند و به دنبال آن­ها اجرای طرح­های توسعه و سایر تغییرات و بازبینی نتایج قرار دارند (2). همان­گونه که ذکر شد، ارزیابی سرزمین مراحل سوم، چهارم و پنجم فرآیند آمایش را شامل می‌شود، در حالی که مرحله ششم این چارچوب در ارتباط با تخصیص کاربری سرزمین[4] است (3).

در مقاله حاضر، روش­های مورد استفاده در تخصیص کاربری سرزمین به تفصیل مورد بحث قرار گرفته است. البته، روش‌های مورد استفاده تا حدی به هر دو مرحله ارزیابی و تخصیص کاربری­ها مرتبط می­شوند. در بسیاری از موارد هم­پوشانی و وابستگی بین هر دو مرحله وجود دارد (3). اساس این پژوهش بر اساس مقاله ارایه شده توسط Riveria & Maseda در سال 2006 است. و مولفان آن از پژوهش­گران برجسته اسپانیا هستند و از پیشینه مناسبی در ارزیابی و آمایش سرزمین برخوردارند. ایشان بررسی نسبتا جامعی تا زمان انتشار مقاله در موضوع ارزیابی و آمایش سرزمین نموده‌اند. از این­رو، محتوای این مقاله بسیار غنی است و شاید به دلیل شباهت نسبی رهیافت‌ها و موقعیت‌ها با ایران، خواندن مقاله برای کارشناسان و دانشجویان و استادان ایران سودمند و ملموس باشد. گردآوری، تحلیل و مقایسه مدل‌های مختلف منجر به ارایه مجموعه نتایجی برای توسعه و اجرای برنامه‌های راهبردی برای کاربری سرزمین خواهد شد. به دلیل این­که GIS یک ابزار ضروری در آمایش سرزمین است، به مدل‌ها و      روش‌های یکپارچه شده با GIS توجه بیش­تری شده است.

1. مدل­های تخصیص کاربری سرزمین

مدل‌های آمایش سرزمین که در این پژوهش بررسی شده‌اند سامانه‌های پشتیبان تصمیم‌گیری (DSSs[5]) را تشکیل می‌دهند. این سامانه‌های پشتیبان تصمیم‌گیری معمولا کم و بیش وابسته به GIS هستند و از یک سامانه خبره یا یک مدل ریاضی به عنوان ابزار پشتیبان تصمیم‌گیری استفاده می‌کنند (3).

1-1- سامانه­های خبره[6]

سامانه­های خبره برنامه­های کامپیوتری هستند که نحوه تفکر یک متخصص در یک زمینه خاص را شبیه­سازی می­کنند.    این نرم­افزارها، الگوهای منطقی که یک متخصص بر اساس   آن­ها تصمیم­گیری می­کند را شناسایی کرده و سپس بر اساس آن الگوها مانند انسان­ها تصمیم­گیری می­کنند. سامانه­های خبره نوع خاصی از برنامه­های هوش مصنوعی هستند که    می­توانند به جای یک متخصص در یک زمینه مشخص  تصمیم­گیری کنند. این سامانه­ها دارای پایگاه داده انباشته از اطلاعات هستند که انسان­ها هنگام تصمیم­گیری درباره یک موضوع خاص بر اساس آن­ها تصمیم می­گیرند. به فرآیند ساخت یک سامانه خبره مهندسی دانش گفته می­شود. ایجاد یک سامانه خبره، فرآیندی تکراری است و مراحل مختلف آن در طی پروژه تکرار می­شود، یعنی طراح قسمتی از سامانه را می­سازد و آزمون   می­کند و سپس دوباره سامانه را بهبود   می­بخشد. برای پیاده­سازی سامانه­های خبره نیاز به امکاناتی از قبیل ابزار، زبان و پوسته[7] است. ابزار محیط برنامه­نویسی است که علاوه بر قابلیت­های یک محیط برنامه­نویسی وظایف دیگری نظیر مدیریت فایل­ها، نمایش گرافیکی و تبدیل کدها به زبان دیگر را فراهم می­کند. زبان امکانات لازم برای کدنویسی را فراهم می­کند. برای مثال زبان­هایی مانند Lisp، Prolog و C برای ایجاد سامانه خبره استفاده می­شوند. پوسته معمولا به سامانه خبره فاقد دانش اشاره دارد و کاربر برای ایجاد سامانه خبره فقط باید پایگاه دانش آن را تکمیل نماید (4).

بسیاری از سامانه­های خبره برای حل مسایل مکانی از قبیل مدیریت منابع، آمایش منطقه‌ای (5)، تحلیل تناسب سرزمین (6)، یا تخصیص کاربری سرزمین توسعه داده شده‌اند. Yialouris et al. در سال 1999 توسعه یک سامانه خبره اطلاعات جغرافیایی را توصیف کردند که تناسب را برای محصولات چندگانه ارزیابی و محصول بهینه را برای هر واحد سرزمین انتخاب می‌کند (3). کاربردهای سامانه خبره به طور موفقیت آمیزی بر تخصص انسان در ارزیابی منابع طبیعی متمرکز شده­اند. فرآیندهای ارزیابی سرزمین در یک پایگاه دانش ذخیره می­شوند و توسط سامانه خبره استفاده می­شوند. در این خصوص، GIS برای پردازش و نمایش داده­های مکانی استفاده می­شود. سامانه اطلاعات جغرافیایی خبره یک سامانه کم هزینه اما قدرتمند برای ارزیابی سرزمین است. به این دلیل که نیازهای هریک از محصولات در پایگاه دانش مجزایی ذخیره شده است، کاربرد این سامانه برای تولید نتایج جدید به سهولت و بدون نیاز به اصلاح نرم­افزار امکان­پذیر است. ترکیب این سامانه با روش­های تحلیل اقتصادی و اثرات محیط­زیستی ابزار مفیدی را برای آمایش سرزمین فراهم خواهد کرد (7).

یکی دیگر از کاربردهای متداول سامانه‌های خبره انتخاب بهترین مکان برای تاسیسات مختلف (مسایل مکان‌یابی- تخصیص[8]) است (8). در پژوهشی دیگر، ILUDSS[9] توسط Zhu et al. در سال 1996طراحی شد که امکان تهیه یک مدل ویژه، ارزیابی آن و به دست آوردن نقشه تناسب برای هر کاربری را برای برنامه‌ریزان فراهم می‌کند. ILUDSS یک سیستم پشتیبان تصمیم مکانی مبتنی بر دانش برای آمایش سرزمین راهبردی است. این سامانه روش­های مبتنی بر دانش را در طراحی تعمیم می­دهد و قابلیت­های مدل­سازی تحلیلی، مبتنی بر قوانین و وضعیت را ترکیب می­کند. مهم­ترین توابع ILUDSS پرسش­گری، فرمول­نویسی مدل­های کاربری سرزمین برای ارزیابی توان بالقوه کاربری، و ارزیابی مدل­های کاربری سرزمین از طریق ترکیب خودکار پایگاه داده،       پایگاه قوانین و انواع مختلف مدل­ها است (9).

1-2- مدل‌های ریاضی

مدل‌های ریاضی اغلب در سامانه‌های تخصیص کاربری سرزمین مرتبط با روش‌های ارزیابی چند معیاره، برنامه‌ریزی ریاضی یا مدل‌های شبیه‌سازی مکانی استفاده می‌شوند (3).

1-2-1- ارزیابی چندمعیاره[10]

Voogd در سال 1983 (10) کاربردهای متفاوت ارزیابی چندمعیاره برای آمایش منطقه‌ای را ارایه کرد. روش‌های مشابهی نیز توسط Jankowski در سال 1989 (11) برای ارزیابی برنامه‌های مدیریت کاربری سرزمین پیشنهادی استفاده شده­اند. در این پژوهش‌ها، تعداد واحدهای مکانی ارزیابی شده محدود هستند (3). بررسی اجمالی متون موجود اثبات می­نماید که در اغلب آن­ها برای فرآیندهای آمایش حداقل سه ویژگی مهم پیشنهاد شده است: 1. انعطاف پذیر باشند 2. با ویژگی­های عرصه­های سیاسی مطابقت داشته باشند 3. توانایی یکپارچه کردن راهکاری­های پژوهشی را داشته باشند. روش­های آمایش باید (10):

1)  با آگاهی از راه­حل­های مسایل آمایش توسعه پیدا کنند.

2)  توانایی مدیریت تغییرات شرایط را به روشی سریع و کافی داشته باشند.

3)  نتایج قابل بررسی و تفسیر ارایه نمایند.

4)  براساس اصولی باشند که به راحتی قابل توصیف هستند.

5)  کاربرد آن­ها از نظر نیروی انسانی و مالی ارزان باشد.

6)  قادر به ایجاد ارزش­ها و قواعد صریح و روشن باشد که نتایج بر اساس آن قرار داده خواهند شد.

با نگاهی به فعالیت­های آمایشی (تا سال 1983) می­توان نتیجه گرفت این قوانین همیشه رعایت نمی­شدند. به ویژه قوانین دوم و ششم اغلب نقض می­شدند که دلیلی بود تا این فرض به وجود آید که روش­های آمایشی دچار کمبود هستند. این فرض باعث شکل­گیری انگیزه توجه به امکان ارزیابی چندمعیاره در آمایش شهری و منطقه­ای شد. یکی از ویژگی­های شاخص روش­های ارزیابی چندمعیاره این است که آن­ها از تعدادی معیار که به­طور صریح فرمول بندی شده­اند، آغاز می­شوند. معیارها می­توانند تفاوت­های متقابل قابل توجه در طبیعت را نشان دهند. در نتیجه، معیارها در یک واحد مجزا اندازه­گیری نمی­شوند، بلکه دارای تنوعی از واحدها هستند که به خوبی طبیعت معیارهای مورد نظر را نشان می­دهند. یکی دیگر از ویژگی­های مهم روش­های ارزیابی چندمعیاره توانایی توجه صریح به اولویت­های سیاسی است. این ویژگی باعث می­شود این روش­ها به طور مناسب دیدگاه­های متفاوت سیاسی را در ارزیابی ترکیب کنند (10). به هرحال، آمایش سرزمین نیازمند توجه ویژه به مولفه‌های مکانی داده‌ها، همراه با تحلیل اهداف و معیارهای چندگانه است. ترکیب کاربرد روش‌های ارزیابی چندمعیاره و GIS به طور فراوان جهت دست­یابی به نقشه‌های تناسب سرزمین یا انتخاب مکان‌هایی برای یک فعالیت خاص صورت گرفته است (3).

نرم‌افزار ایدریسی ابزارهای ارزیابی چندمعیاره را برای دست­یابی به نقشه‌های تناسب فراهم می‌کند. یکی از ابزارهای مهم در  این رابطه، رویه MCE است. مراحل اجرای ارزیابی چندمعیاره توسط این رویه در دو گام اصلی شناسایی و توسعه معیارها و ادغام معیارها انجام می­شود. شناسایی و توسعه معیارها اولین مرحله در فرآیند ارزیابی چند معیاره است. معیارها شامل دو دسته محدودیت و فاکتور هستند. محدودیت­ها شامل آن دسته از معیارهای بولین هستند که تحلیل را برای مناطق خاص جغرافیایی محدود می­کنند و به صورت لایه­های بولین تهیه می­شوند. فاکتورها شامل معیارهای فازی هستند که درجات مطلوبیت را برای تمام منطقه تعریف می­کنند و آن را به صورت اعداد پیوسته نشان می­دهند. مرحله بعد در روش ارزیابی چند معیاره ادغام لایه­ها است. ادغام لایه­ها به روش­های مختلفی صورت می­گیرد. مهم­ترین آن­ها که در رویه MCE ارایه شده­اند، عبارتند از رویکرد بولین[11]، ترکیب خطی وزن­دار[12]، میانگین­گیری وزن­دار ترتیبی[13]. در رویکرد بولین تمام معیارها (محدودیت­ها و فاکتورها) به ارزش­های بولین (صفر و یک) تبدیل می­شوند و روش ترکیب آن­ها اشتراک بولین (ضرب معیارها) است. در روش ترکیب خطی وزن­دار معیارها در      یک محدوده عددی پیوسته استاندارد می­شوند و سپس بر اساس میانگین­گیری وزنی ترکیب می­شوند. در ابتدا فاکتورها بر اساس وزنی که با آن­ها داده می­شود با هم جمع می­شوند. سپس، لایه به دست آمده در لایه­های محدودیت ضرب می­شود و یک لایه فازی که نشان­دهنده مطلوبیت کل منطقه است به دست     می­آید. روش میانگین­گیری وزن­دار ترتیبی همانند روش قبل عمل می­کند، اما مجموعه­ای دیگر از وزن­ها به نام        وزن­های ترتیبی را برای فاکتورها استفاده می­کند. وزن­های ترتیبی امکان کنترل میزان ریسک و جبران را در فرآیند ارزیابی فراهم می­کند (13). روش‌های ارزیابی چندمعیاره بر اساس تحلیل نقطه ایده‌آل، به کثرت در GIS ادغام شده‌اند. در ادامه به تعدادی از این روش­ها اشاره شده است.

1-2-1-1- برنامه­ریزی سازشی[14]

برنامه­ریزی سازشی فنی مناسب برای استفاده در مفاهیم چندهدفه پیوسته است و برای تحلیل مسایل گسسته نیز اصلاح گردیده است. این روش گزینه­هایی را که نزدیک­تر به        نقطه ایده­آل هستند شناسایی می­کند. برنامه‌ریزی سازشی برای ارزیابی کیفیت زیستگاه سنجاب قرمز[15] توسط Pereira & Duckstein در سال 1993 (14) استفاده شد. در            این پژوهش، نتایج مدل­های چندمعیاره حاصل از           برنامه­ریزی سازشی با توجه به درک کارشناسان از تناسب زیستگاه سنجاب قرمز، با داده­های واقعی استفاده از زیستگاه مقایسه شد. نتایج این پژوهش توافق کلی خوبی بین طبقه­بندی تناسب زیستگاه با استفاده از برنامه­ریزی سازشی و الگوهای مشاهده شده استفاده زیستگاه توسط سنجاب را نشان داد و قدرت پیش­بینی مدل خوب ارزیابی شد (14). Vatalis & Manoliadis در سال 2002 (15) یک نوع متفاوت از       این روش را استفاده کردند که در آن سطوح وزن‌دهی ثانویه معرفی شد (3). آن­ها از این روش برای انتخاب بهترین مکان برای دفن پسماند استفاده کردند. در این پژوهش یک روش   دو مرحله­ای ارزیابی چند معیاره ارایه شده است. در مرحله اول به منظور دست­یابی به مکان­های مناسب از روش هم­پوشانی لایه­های رقومی استفاده شد. در مرحله دوم، کیفیت شاخص­های منتخب که کارایی اقتصادی را نشان می­دهند، معیارهای اقتصاد فنی و محیط­زیستی برای شناسایی ارجح­ترین گزینه­ها در میان مکان­های پیشنهاد شده در مرحله اول، استفاده شدند (15).

1-2-1-2- روش TOPSIS[16]

روش رتبه بندی بر اساس تشابه به راه حل ایده آل یا همانTOPSIS  یکی از روش­های ارزیابی چند معیاره است که توسط هوانگ و یون در سال 1981 ایجاد شد. روش TOPSIS براساس این مفهوم ایجاد شده است، که در آن گزینه­هایی مناسب­اند و اولویت بالاتری دارند که حداقل فاصله را نسبت به راه حل ایده آل مثبت و دورترین فاصله را نسبت به را ه حل ایده آل منفی داشته باشند. معمولاً این روش را     می­توان برای وضعیت­های گسسته که تعداد گزینه­ها محدود و مشخص­اند به کار برد (16).

روش TOPSIS توسط Malczewski در سال 1996 (17) در GIS برای مکان­یابی تاسیسات خطرناک، مانند کارخانه­های مواد شیمیایی و راکتورهای هسته­ای اجرا شد. انواع مسایل تصمیم­گیری مکانی شامل مجموعه­ بزرگی از گزینه­های ممکن و معیارهای چندگانه و ناسازگار هستند. این گزینه­ها اغلب توسط افراد زیادی از تصمیم­گیران و گروه­های ذینفع         مورد ارزیابی قرار می­گیرند. موضوع مورد بحث در این موارد رسیدن به یک توافق جمعی در بین گروه­های مختلف است.   در این پژوهش یک روش بر پایه GIS برای تصمیم­گیری گروهی تحت معیارهای چندگانه ارایه شده است. در این روش از طریق GIS به ترکیب روش­های TOPSIS و قانون انتخاب Borda پرداخته شده است. روش TOPSIS برای برای رتبه­بندی گزینه­ها بر اساس ترجیح هر فرد استفاده شده است و روش Borda ارجحیت­های فردی را برای رسیدن به یک ارجحیت گروهی و یک رتبه­بندی توافقی ترکیب می­کند. این روش در نرم­افزار IDRISI اجرا شده است (17).

1-2-1-3- تحلیل نقطه ایده‌آل،بهینه‌سازی سلسله مراتبی،تحلیل شباهت

Carver در سال 1991 (18) تحلیل شباهت- عدم شباهت (CDA)[17] و بهینه­سازی سلسله مراتبی (HO)[18] را علاوه بر تحلیل نقطه ایده‌آل برای ارزیابی تعداد زیادی از گزینه‌ها       در محیط GIS انجام داد. تحلیل شباهت- عدم شباهت (CDA) یکی از روش­های MCE است که به طور وسیعی مورد استفاده قرار گرفته و بر اساس مقایسه زوجی گزینه­ها است. در این روش درجه­ای که گزینه­ها و وزن­دهی­های معیارها رابطه برتربودن[19] بین گزینه­ها را تایید یا رد می­کنند، اندازه­گیری می­شود. تفاوت­های وزن معیارها و امتیازات معیارها به طور مجزا توسط روش شباهت و عدم شباهت تحلیل می­شوند. مدل­های بهینه­سازی سلسله مراتبی (HO) تلاش می­کنند تمام معیارها را بر اساس اولویت­های نسبی آن­ها رتبه­بندی کنند. بهینه­سازی به صورت گام به گام انجام می­شود (18). Carver از ترکیب روش­های تحلیل شباهت- عدم شباهت و بهینه‌سازی سلسله مراتبی و تحلیل نقطه ایده‌آل در محیط GIS، برای ارزیابی و شناسایی مکان­های مناسب برای دفن زباله­های رادیواکتیو استفاده کرد. به این منظور، روش­های MCE برنامه­نویسی شدند و در محیطArc/Info  اجرا شدند. الگوریتم­ها شده در FORTRAN 77 برنامه نویسی شدند. بیش­تر سامانه­های اطلاعات جغرافیایی به کاربر این امکان را می­دهند تا برنامه­های ماکرو را برای اتصال به توابع موجود بنویسند (Carver, 1991). تحلیل شباهت در GIS متعاقبا توسط Jankowski & Richard در سال 1994 (19) توسعه داده شد (3).

1-2-1-4- فرآیند تحلیل سلسله مراتبی (AHP[20])

روش دیگر ارزیابی چند معیاره که به طور فراوان برای اجرای تحلیل‌های تناسب سرزمین با GIS ادغام شده است،      فرآیند تحلیل سلسله مراتبی یا AHP است (20، 8). این روش نخستین بار توسط توماس ال ساعتی در سال 1980 مطرح شد. این فن بر اساس مقایسه­های زوجی بنا شده است و امکان بررسی سناریوهای مختلف را به مدیران می­دهد. این روش امکان فرمول­نویسی مسأله  را به صورت سلسله مراتبی فراهم می­کند و همچنین امکان در نظر گرفتن معیارهای مختلف کمی و کیفی را در مسأله  دارد. این فرآیند گزینه­های مختلف را در تصمیم­گیری دخالت داده و امکان تحلیل حساسیت روی معیارها و زیرمعیارها را دارد. علاوه بر این، بر مبنای مقایسات زوجی بنا نهاده شده که قضاوت و محاسبات را تسهیل می­نماید. همچنین، میزان سازگاری و ناسازگاری تصمیم را نشان می­دهد که از مزایای ممتاز این تکنیک در تصمیم­گیری چندمعیاره است (21).

روش AHP می‌تواند برای تولید وزن‌های اختصاص داده شده به معیارهای تناسب سرزمین (22) یا برای نقشه‌های تناسب در محاسبه یک امتیاز تناسب مرکب (23) استفاده شود (3). Weerakoon از روش AHP برای وزن­دهی معیارها و تعیین تناسب منطقه برای حفاظت و توسعه بر اساس کاربری فعلی سرزمین استفاده کرد. به این منظور، ماتریس زوجی طبقات کاربری سرزمین تشکیل شد. این ماتریس برای فعالیت­های توسعه و حفاظت به طور جداگانه تکمیل شد و وزن ­نهایی طبقات کاربری برای اجرای فعالیت­های توسعه و حفاظت محاسبه گردید (22).

1-2-1-5- اختصاص چندهدفه زمین (MOLA)[21]

روش‌های ارزیابی چندمعیاره برای تولید سناریوهای کاربری سرزمین چندگانه با انتخاب کاربری بهینه برای هر واحد سرزمین استفاده شده‌اند. در میان آن‌ها، بهینه‌سازی       سلسله مراتبی (18،24) عبارت است از، تخصیص بیش­ترین مساحت به کاربری با بیش­ترین اولویت، مستثنی کردن آن از سایر کاربری‌های باقی مانده، و تکرار فرآیند تا زمانی که تمام منطقه اختصاص داده شود. زمانی که سلسله مراتب اهداف شناخته شده نیست، یک راه حل مناسب روش نقطه ایده‌آل برای اختصاص هر واحد مکانی به کاربری با بالاترین تناسب است (24). Eastman et al. در سال 1995 (12) یک روش اکتشافی را بر پایه مفهوم نقطه ایده‌آل پیشنهاد کردند و آن را در رویهMOLA ، در نرم‌افزار ایدریسی اجرا کردند (3).

رویه اختصاص چندهدفه زمین یا همان MOLA برای اجرای راه­حل سازشی برای مسایل چندهدفه در نرم­افزار ایدریسی توسعه داده شده است. راه­حل­های سازشی برای مسایل چندهدفه به طور متداول توسط ابزار برنامه­نویسی ریاضی در خارج از GIS ارایه شده­اند. راه­حل­های برنامه­ریزی ریاضی (همانند برنامه­ریزی خطی یا برنامه­ریزی صحیح) در مسایلی که تعداد اندکی از گزینه­ها وجود دارند می­توانند به خوبی استفاده شوند. به هر حال، در GIS رستری حجم عظیم داده­ها         به طور معمول از قدرت محاسبه تجاوز می­کند. در نتیجه، نیاز به یک راه­حل برای مسایل تخصیص زمین چندهدفه تحت اهداف متضاد است، به طوری که داده­های رستری عظیم توسط آن قابل مدیریت و همچنین به سهولت قابل درک باشند. روشی که توسط Eastman در سال 2012 (25) ارایه شده است تعمیم تصمیم­گیری اکتشافی استفاده شده برای تخصیص زمین با مسایل تک هدفه است. این رویه برای اجرا شدن نیازمند تعیین نام اهداف، وزن اهداف، نام تصویر رتبه­بندی شده برای هر هدف و مساحت مورد نیاز برای هر هدف است. این رویه به طور مکرر نقشه تناسب رتبه­بندی شده را برای اجرای اولین مرحله تخصیص طبقه­بندی مجدد و تعارضات را بررسی می­کند. سپس، تعارضات را بر اساس قانون حداقل فاصله تا نقطه ایده­آل با استفاده از نقشه­های رتبه­بندی وزن­دهی شده تخصیص می­دهد (25). نمونه­هایی از کاربرد این روش برای تخصیص کاربری سرزمین چندگانه توسط Barredo در سال 1996 (24)، van der Merwe درسال 1997 (26) و Eastman et al. در سال 1998 (27) ارایه شده است.

1-2-2- برنامه‌ریزی ریاضی[22]

برنامه‌ریزی ریاضی، هنگامی که برای آمایش سرزمین استفاده می‌شود، در جستجوی چینشی از کاربری‌ها است که یک یا چند تابع هدف را در رابطه با مجموعه‌ای از محدودیت‌ها بهینه می‌کند (3). در این بخش به تعدادی از روش­های برنامه­ریزی ریاضی اشاره شده است.

1-2-2-1- برنامه­ریزی خطی[23]

برنامه­ریزی خطی یک روش ریاضی است که از اواخر 1950   در بسیاری از برنامه­های طراحی و آمایش استفاده شده است. اگرچه کاربرد اصلی آن برای تجارت و مدیریت بوده است، اما  به طور وسیعی در مسایل سامان­دهی مکانی استفاده شده است. برنامه­ریزی خطی یک روش مکانی نیست، زیرا توزیع مکانی متغیرهای تصمیم­گیری را مورد توجه قرار نمی­دهد. با این حال، اگر منطقه­بندی از قبل صورت گرفته باشد، برنامه­ریزی خطی می­تواند برای مسایل مکانی نیز مناسب باشد (28).

هدف اصلی برنامه­ریزی خطی بهینه­سازی (بیشینه یا کمینه کردن) یک تابع هدف با توجه به مجموعه­ای از محدودیت­ها است. توابع و محدودیت­ها باید به صورت معادلات خطی فرمول­نویسی شوند. هر برنامه­ریزی خطی با تعریف متغیرهای تصمیم­گیری به عنوان گزینه­های مختلف مسأله  شروع می­شود. برای مثال، در آمایش سرزمین متغیرهای تصمیم­گیری       انواع مختلف کاربری­های سرزمین هستند. پس از تعریف متغیرهای تصمیم­گیری، اهداف سناریوهای آمایش سرزمین باید به روشنی بیان گردد. در میان اهداف، تنها یکی برای هدایت تجزیه و تحلیل باید انتخاب شود. تابع هدف توسط تعیین ضرایب متغیرهای تصمیم برای دست­یابی به اهداف       فرمول­نویسی می­شود. مسایلی که در آن­ها دو متغیر تصمیم وجود دارد می­توانند توسط روش­های نموداری حل شوند.   برای مسایل پیچیده­تر، یک روش ریاضی مورد نیاز است.  برنامه­های کامپیوتری متعددی برای حل مسایل            برنامه­ریزی خطی وجود دارد. به منظور استفاده صحیح از     این روش­ها، فرضیات آن­ها باید مورد توجه قرار گیرد.           این فرضیات عبارتند از: 1) تابع هدف و تمام محدودیت­ها باید در دامنه هر فعالیت حتما خطی باشند، 2) هر متغیر تصمیم­گیری می­تواند هر ارزش حقیقی، شامل اعداد صحیح یا کسری، را بگیرد، 3) تمام فعالیت­ها باید غیر منفی باشند،               4) تمام ارزش­های سمت راست معادله (RHS) ثابت فرض می­شوند. اگرچه، بسیاری از مسایل جهان واقعی این فرضیات را تایید نمی­کنند، برنامه­ریزی خطی به دلیل ارایه                 یک روش ترکیبی برای مسایل پیچیده، روش ارزشمندی است. این روش، همچنین انعطاف­پذیر، مقرون به صرفه و به راحتی قابل درک است (28).

مدل توسعه داده شده توسط Chuvieco مثالی از کاربرد برنامه­ریزی خطی در آمایش سرزمین با هدف اصلی حداقل کردن بیکاری روستایی است، و در آن برای حداکثرسازی شغل با تغییر کاربری‌های تلاش می­شود. این پژوهش برنامه­ریزی خطی را به عنوان یک ابزار برای مدل­سازی مکانی در GIS ارایه کرده است. برنامه­ریزی خطی دست­یابی به کاربری بهینه را ممکن می­سازد (28). مثال دیگر ترکیب کاربرد GIS و برنامه­ریزی خطی برای آمایش راهبردی کاربری کشاورزی توسط Campbell et al., در سال 1992 (29) اجرا شده است.     بر خلاف این دو مدل، روش‌هایی که در ادامه توصیف شده‌اند بیش­تر از یک تابع هدف را مورد توجه قرار داده‌اند (3).

1-2-2-2- برنامه­ریزی آرمانی[24]

مسایل چندهدفه می­توانند با استفاده از برنامه­ریزی خطی    حل شوند، به طوری که تنها یکی از اهداف، به عبارتی مهم­ترین هدف، بهینه می­شود و سایر اهداف در محدودیت­ها مورد توجه قرار می­گیرند. یکی از معایب این روش این است که انتخاب هدفی که باید بهینه شود گاهی اوقات سخت یا ذهنی است. برنامه­ریزی چندهدفه[25] شکلی از حل این مشکلات را ارئه می­دهد که در آن راه­حل بهینه مسأله  برنامه­ریزی خطی توسط مجموعه­ای از راه­حل­ها جایگزین می­شود که لزوما به مفهوم بهینه در برنامه­ریزی خطی نیستند، اما راه­حل­های موثر هستند. یکی از روش­های برنامه­ریزی چندهدفه، برنامه­ریزی آرمانی است. ویژگی­ای که فرمول­نویسی برنامه­ریزی آرمانی را متمایز می­کند این است که یک یا چند هدف مستقیما در تابع هدف دخالت داده می­شوند. اهداف می­توانند به طور کامل به دست آیند یا خیر، و برای اجازه دادن این انعطاف­پذیری، متغیرهای انحراف استفاده شده­اند که نشان می­دهند که هدف چه مقدار توسط آن ارزش پیش­تر افتاده یا دچار فقدان شده است. برنامه­ریزی آرمانی شکلی از رسیدن به اهداف را که به راه­حل ایده­آل هرچه نزدیک­تر است جستجو می­کند. هدف این روش حداقل کردن مجموع انحراف­ها برای همه اهداف است (30). Giupponi & Rosato در سال 1998 (31) مدلی توسعه داد که در آن برنامه‌ریزی آرمانی برای دست­یابی به سازگاری بین حداکثر بازده ناخالص و حداقل ریسک مورد انتظار برای یک برنامه کاربری سرزمین استفاده شد. یک مدل برنامه‌ریزی آرمانی نیز در Oliveria et al. در سال 2003 (30) برای برنامه‌ریزی چندین کاربری جنگل توصیف شده است (3).

1-2-2-3- برنامه‌ریزی تعاملی[26]

آمایش سرزمین اغلب نیازمند برنامه‌ریزی تعاملی و تبادل اطلاعات بین تصمیم‌گیران و سامانه است (32). برنامه‌ریزی خطی چندهدفه تعاملی (IMGLP[27]) برای آمایش سرزمین (33) و تحلیل سیاست‌های توسعه کشاورزی (34) استفاده شده است (3). Suhaedi et al. در سال 2002 (35) برنامه­ریزی خطی چندهدفه تعاملی و AHP را برای توسعه سناریو‌های کاربری‌سرزمین بر پایه 4 هدف در یک GIS ادغام کردند: حداکثرسازی تولید غذا، اشتغال و درآمد، و حداقل‌سازی فرسایش خاک. برنامه­ریزی خطی چندهدفه تعاملی یک روش برنامه­ریزی معمول برای تصمیم­گیری چندهدفه بر اساس روش­های برنامه­ریزی خطی است و در تصمیم­گیری­های  آمایش سرزمین در موقعیت­هایی که اهداف چندگانه در تضاد با یکدیگر هستند، استفاده می­شود. این روش فرآیند تحلیل اهداف چندگانه کمی را بر اساس ماتریس­های ترکیب کننده نتایج تناسب سرزمین با اهداف توسعه متضاد برای ذینفعان تسهیل می­کند، و اهمیت نسبی میان قوانین تصمیم را مقایسه می­کند. بنابراین، بهترین سناریو مطابق ارجحیت تصمیم­گیران انتخاب می­شود (35).

یک روش مشابه، به نام ARBDS[28] توسط Fischer & Makowski در سال 1996 (36) توسعه داده شده و در    یک ابزار پشتیبان تصمیم‌گیری به نام AEZWIN اجرا شد (37). این نرم­افزار بر اساس چارچوب ارزیابی به روش پهنه­بندی اکولوژی-زراعی توسط FAO و کمک موسسه بین­المللی تحلیل سامانه­ای کاربردی طراحی گردید. این نرم­افزار مدلی است که برای تصمیم­گیری و بهینه­سازی استفاده از اراضی (کاربری سرمین) قابل استفاده است. مدل AEZWIN قادر است تولید بالقوه محصولات زراعی و همچنین توان تولیدات دامی را در یک مزرعه به کمک خصوصیات منابع اراضی شامل خصوصیات اقلیمی، خاک­ها، توپوگرافی و شکل اراضی،     تامین آب، انرژی و عناصر غذایی برآورد نماید و بهترین استفاده­ها را برای واحدهای مورد مطالعه معرفی کند. یکی از مهم­ترین قابلیت­های این مدل این است که می­تواند از     تحلیل چندمعیاره استفاده کند، لذا نتایج آن برای تصمیم­گیران اراضی کارایی بالایی دارد. از محاسن دیگر این نرم­افزار آن است که در سیستم عامل ویندوز قابل اجرا است و همچنین خروجی­های آن به صورت نقشه­های مختلف قابل ارایه است.   از نقشه­های قابل استخراج توسط این نرم­افزار نقشه­های رقومی منابع اراضی، جمعیت منطقه، نقشه تناسب اراضی برای محصولات مختلف، نقشه خطر فرسایش و نقشه تناسب گونه­های جنگلی هستند (38).

Fischer & Makowski در سال 1996 (36) بهینه­سازی چندهدفه را به همراه روش­های تحلیل تصمیم چندمعیاره با استفاده از روش ARBDS برای تحلیل سناریوهای مختلف کاربری زمین، با توجه هم­زمان به اهداف چندگانه از قبیل حداکثر کردن درآمدهای حاصل از محصولات و تولیدات دامی و حداقل کردن هزینه تولید و خسارات محیط­زیستی حاصل از فرسایش، استفاده کردند. فرآیند تعاملی دیگری توسط        Lu et al. در سال 2004 (39) برای ارزیابی راهبردهای مختلف کاربری سرزمین توسعه داده شد (3).

1-2-2-4- برنامه­ریزی عدد صحیح[29]

مدل‌های برنامه‌ریزی عدد صحیح خطی باعث می‌شود بتوان نتایج را به یک نقشه تخصیص کاربری سرزمین بهینه تبدیل نمود. Aerts et al. در سال 2003 (40) از این روش برای حداقل کردن هزینه توسعه کاربری سرزمین و حداکثر کردن فشردگی مناطق و Diamond & Wright در سال­های 1988 و 1989 (6، 41) از آن برای مکان‌یابی تسهیلات استفاده کردند (3). مدل­های بهینه­سازی تخصیص کاربری­ها به مدل­های تخصیص تک کاربری[30] و مدل­های تخصیص چند کاربری[31] طبقه­بندی می­شود. هر دو مدل مجموعه­ای از یک یا چند کاربری را در میان مجموعه­ای از یک یا چند منطقه جفرافیایی به منظور حداکثر کردن تعدادی توابع مطلوبیت ضمنی یا صریح، اختصاص می­دهند. این مدل­ها در تعداد کاربری­هایی که باید اختصاص داده شوند و در روشی که مناطق جغرافیایی تعریف می­شوند متفاوت هستند. مدل­های تخصیص چندکاربری، کاربری­های چندگانه را در مجموعه­ای از مناطق از پیش تعیین شده و بدون هم­پوشانی اختصاص می­دهند. مدل­های تخصیص تک کاربری، یک کاربری را به یک منطقه تخصیص می­دهند. مرزهای منطقه، بر خلاف مدل چندکاربری، از قبل مشخص نیست، اما در طول یک فرآیند ترکیبی تعیین می­شود (41). Aerts et al. در سال 2003 (40) از روش­های بهینه­سازی مکانی برای حل تخصیص کاربری چندمکانه[32]، برای تخصیص بهینه مکان­های چندگانه کاربری­های مختلف به    یک منطقه، استفاده کردند. برای این منظور، از چهار مدل برنامه­ریزی عدد صحیح (IP) استفاده شده است که سه تای آن­ها برنامه­ریزی عدد صحیح خطی و یکی برنامه­ریزی عدد صحیح غیرخطی هستند (40). Diamond & Wright در سال 1989 (41) از مدل­های تخصیص تک کاربری چندهدفه استفاده کردند.

1-2-3- روش­های ترکیبی

برخی از مثال‌های جالب توجه آمایش سرزمین بر اساس ترکیب روش‌های ارزیابی چند معیاره و برنامه‌ریزی ریاضی توسط Janssen & Rietveld در سال 1990 (42) و Ridgley & Heil در سال 1998 (43) ارایه شده است (3). Janssen & Rietveld ترکیب GIS با امکانات دیگر مانند تحلیل چندمعیاره که هدف آن تحلیل شدت و طبیعت تضادها بین معیارهای سیاسی است، تولید گزینه­های سازشی و رتبه­بندی گزینه­ها را مورد توجه قرار داده­اند. بنابراین، اتصال GIS و تحلیل چندمعیاره تحلیل تضادهای خط مشی­ها را در      مفهوم مکانی امکان­پذیر می­کند. در این پژوهش، یک روش برنامه­ریزی ریاضی برای تعیین ترکیب بهینه کاربری­ها استفاده شده است (42). Ridgley & Heil روشی را برای طراحی زون بافر اطراف مناطق حفاظت­شده ارایه کرده­اند. آن­ها   بهینه­سازی چندهدفه را برای فرمول­نویسی اهداف مدیران     در رابطه با تغییر کاربری و همچنین برای پیش­بینی نتایج بالقوه تغییر کاربری تحت سناریوهای مختلف اقتصادی اجتماعی استفاده نموده­اند. سپس از برنامه­ریزی آرمانی برای ساخت طرح­های با حداقل تضاد استفاده شد که در نهایت به عنوان داده­های ورودی GIS استفاده شدند تا به مدیران برای طراحی چینش مکانی کاربری­ها کمک کنند (43).

1-2-4- مدل‌های شبیه‌سازی مکانی[33]

مدل‌های شبیه‌سازی مکانی می‌توانند انواع مختلفی از الگوریتم‌ها را برای تخصیص کاربری سرزمین استفاده کنند (3). در ادامه به برخی از این الگوریتم­ها پرداخته می­شود.

1-2-4-1- الگوریتم­های ژنتیک[34]

الگوریتم­های ژنتیک یکی از اعضای خانواده مدل­های محاسباتی الهام گرفته شده از روند تکامل است. محاسبات تکاملی         به صورت انتزاعی از مفاهیم اساسی تکامل طبیعی در راستای جستجو برای یافتن راه­حل بهینه برای مسایل مختلف الهام گرفته شده است. در الگوریتم­های جستجو راه­حل­هایی برای مسأله  وجود دارند و هدف یافتن بهترین راه­حل در زمان معین است. الگوریتم­های متداول جستجو از جمله الگوریتم­های تصادفی و اکتشافی در هر گام زمانی فضای جستجو را به امید یافتن راه­حل بهینه جستجو می­کنند. کلیدی­ترین جنبه­ای که الگوریتم­های تکاملی جستجو را از الگوریتم­های معمول متمایز می­سازد این است که الگوریتم­های تکاملی جمعیت مبنا هستند. الگوریتم­های تکاملی یک ساختار جمعیتی ایجاد کرده و بر اساس قوانینی مثل انتخاب، ترکیب و جهش آن­ها را نمو می­دهند. اندازه جمعیت در این الگوریتم ثابت است. یک الگوریتم تکاملی عموما جمعیت آغازین را به صورت تصادفی تعیین   می­کند. همچنین، تکامل میزان تناسب افراد را بر مبنای ارزش آن­ها در محیط مورد نظر اندازه­گیری می­کند. عملیات انتخاب اغلب در دو مرحله انتخاب والدین و ماندگاری انجام می­شود.  در انتخاب والدین، الگوریتم والدین را تعیین کرده و معین   می­کند آن­ها چند فرزند داشته باشند. فرزندان از طریق ترکیب یا همان انتقال اطلاعات بین دو والد و یا جهش خلق می­شوند. سپس فرزندان دوباره ارزیابی می­گردند و در نهایت در گام ماندگاری تعیین می­شود که کدامیک از آن­ها در جمعیت جدید باقی بمانند (44).

الگوریتم­های ژنتیک سرآمد روش­های تکاملی هستند. الگوریتم­های ژنتیک دارای کاربرد گسترده­ای در زمینه­های مختلف هستند. یک نمونه از این کاربردها مسایل بهینه­سازی چندبعدی هستند که در آن­ها پارامترهای متفاوتی که قرار است بهینه شوند در قالب رشته کروموزوم سازماندهی می­شوند (کیا، 1391). اغلب کاربردهای این الگوریتم‌ها برای آمایش منطقه‌ای در زمینه مدل‌های مکان‌یابی- تخصیص توسعه یافته است. برای مثال، Matthews در سال 2001 (45) دو الگوریتم ژنتیک را برای بهینه‌سازی کاربری سرزمین پیشنهاد کرد که در سیستم LADSS ترکیب شده بود (46).

الگوریتم­های ژنتیک به عنوان ابزاری برای آمایش سرزمین دارای مزایا و محدودیت­هایی در مقایسه با سایر الگوریتم­ها هستند. الگوریتم­های ژنتیک به طور قابل توجهی در تسریع پیدا کردن راه­حل­های خوب برای مسایل بهینه­سازی پیچیده عالی هستند. به این معنی، الگوریتم­های ژنتیک در پیداکردن راه­حل­های نزدیک بهینه کارآمد هستند، اما رسیدن به راه­حل بهینه را تضمین نمی­کنند. برای پیداکردن راه­حل­های بهینه الگوریتم­های ژنتیک با الگوریتم­های جستجوی محلی، مانند الگوریتم تپه­نوردی[35] برای تشکیل الگوریتم­های ژنتیک هیبرید ترکیب شده­اند. این الگوریتم­های ژنتیک هیبرید از الگوریتم ژنتیک برای پیداکردن تیه­ای با راه­حل بهینه در قله آن استفاده می­کنند و سپس از الگوریتم تپه­نوردی برای پیدا کردن قله استفاده می­کنند. الگوریتم­های ژنتیک به دلیل مستقل بودن مکانیسم­های جستجو و بهینه­سازی آن­ها از تابع هدف، ابزار انعطاف­پذیری هستند. این انعطاف­پذیری از آن جهت که اصلاح تابع ارزیابی یا حتی جایگزینی آن را بدون نیاز به تغییر الگوریتم ژنتیک ممکن می­سازد، مطلوب است. بنابراین،       یک الگوریتم ژنتیک منفرد می­تواند برای طیفی از مسایل آمایش سرزمین مجدد استفاده شود (46).

1-2-4-2- الگوریتم مذاب­سازی شبیه­سازی شده یا تبرید تدریجی[36]

دسته دیگری از الگوریتم­ها الگوریتم­های اکتشافی[37] هستند که راه­حل­های نزدیک بهینه ارایه می­دهند. یکی از پرکاربردترین آن­ها الگوریتم مذاب­سازی شبیه­سازی­شده است. الگوریتم مذاب­سازی شبیه­سازی­شده که با نام­های متفاوت دیگری از قبیل شبیه­سازی حرارتی، الگوریتم تبرید تدریجی و غیره نیز شناخته می­شود، در واقع الهام گرفته شده از فرآیند ذوب و دوباره سرد ­کردن فلزات است. این الگوریتم یک فرآیند سردسازی تدریجی به نام ذوب­سازی[38] را اجرا می­کند که انرژی حالت مختلف یک ماده را برآورد می­کند. مفاهیم این الگوریتم در زمینه بهینه سازی مسایل ترکیبی به کارگرفته شده است. کاربرد این مفاهیم براساس شباهت بسیار میان مسایل بهینه­سازی ترکیبی و یک فرآیند فیزیکی به نام تبلور[39] است. در    این حالت وضعیت ماده جامد، انرژی آن و دما به ترتیب به عنوان فضای جستجو، تابع هزینه و پارامتر کنترل مسایل بهینه­سازی ترکیبی در نظر گرفته می­شوند. این الگوریتم بهتر از سایر روش­های بهینه­سازی محلی عمل می­کند و یک راه حل نزدیک بهینه کل را ارایه می­دهد، به گونه­ای که برخی   افزایش­های تصادفی در تابع هزینه را می­پذیرد و مانع به دام افتادن در شرایط حداقل محلی می­شود (47،48).

Aerts & Heuvelink در سال 2002 (48) از الگوریتم مذاب‌سازی شبیه‌سازی شده برای حل مسایل بهینه­سازی غیرخطی چندبعدی برای تخصیص کاربری سرزمین چندمکانه استفاده نمودند. مدل بهینه­سازی هزینه توسعه را حداقل می­کند و فشردگی مکانی کاربری­ها را حداکثر می­سازد. فشردگی از طریق افزودن یک معیار همسایگی غیرخطی به تابع هدف قابل دست­یابی است. این مدل برای بازسازی منطقه     استخراج معدن با کاربری­های جدید با موفقیت استفاده شد. علت استفاده از الگوریتم مذاب­سازی شبیه­سازی­شده در این پژوهش عبارتند از: این الگوریتم می­تواند شبکه­های بزرگ (حداقل 250 × 250 سلول) را مدیریت کند، می­تواند اهداف غیرخطی مانند اجرای فشردگی مکانی را مدیریت کند، می­تواند به راحتی در یک سیستم پشتیبان تصمیم­گیری مکانی اجرا شود (48). در مثال­های دیگر، Alier et al. در سال 1996 (49) و mart et al. در سال 1998 (50) از الگوریتم مذاب‌سازی شبیه‌سازی شده متفاوتی برای بهینه‌سازی تخصیص کاربری‌ها استفاده کردند که تابع هدف برای یک کاربری توسط ظرفیت برد، اثرات محیط­زیستی و هزینه تغییر کاربری توصیف شده بود (3).

1-2-4-3- شبکه­های خودکار[40]

سایر مدل‌های شبیه‌سازی از مفاهیم شبکه خودکار (CA) استفاده می‌کنند. مدل­های شبکه خودکار مثال ویژه­ای از مدل­هایی هستند که در تعریف خود بسیار ساده­اند اما قادر به تولید رفتارهای بسیار پیچیده هستند. آن­ها می­توانند به عنوان سیستم­های پویای ساده­ای در نظر گرفته شوند که در آن­ها وضعیت هر سلول در یک آرایه چندبعدی وابسته به       وضعیت قبلی آن و وضعیت سلول­های همسایه آن، مطابق مجموعه­ای از قوانین انتقال است. این مدل­ها از آن­جایی که    به صراحت به مفهوم فضا اشاره دارند، بسیار مورد توجه دانشمندان علوم مکانی هستند. یک مدل شبکه خودکار دارای ویژگی­های زیر است (51):

• · یک فضای اقلیدسی چندبعدی بی­نهایت که به آرایه­ای از سلول­های یکسان تقسیم شده است. برای بیش­تر مسایل جغرافیایی یک فضای دوبعدی شامل سلول­های مربع انتخاب می­شود.
• هر سلول یکی از k موقعیت گسسته ممکن در زمان را دارد.
• مجموعه­ای از قوانین انتقال که وضعیت جدید هر سلول را به عنوان تابعی از وضعیت خود سلول و وضعیت سلول­های همسایه توصیف می­کنند.
• همسایگی یک الگوی ثابت است که برای هر سلول         فضای سلولی در هر تکرار به کار می­رود.
• · شبکه خودکار یک سیستم بسته با زمان پیشرفت یکنواخت است و در هر گام زمانی گسسته همه سلول­ها به طور هم­زمان به گونه­ای که در قانون انتقال توصیف شده، تغییر وضعیت می­دهند.

کاربردهای اخیر مدل­های شبکه خودکار با هدف ارایه واقعی سیستم­های جغرافیایی، هم از لحاظ فرآیندهای مدل­سازی و هم جزییات جغرافیایی توسعه پیدا کرده­اند. یکی از پیشرفت­های مورد نیاز در جهت GIS پویا در زمینه فناوری­های نرم­افزاری است که ادغام ماژول­های نرم­افزارهای تخصصی CA را در بسته­های GIS و ادغام ماژول­های GIS را در بسته­های CA ممکن سازد. Engelen et al. در سال 1999 (51) در پژوهش خود به ترکیب سامانه‌ای اطلاعات جغرافیایی و     شبکه خودکار برای ارزیابی سناریوهای مختلف کاربری سرزمین پرداختند. مدل ارایه شده در این پژوهش توسط نرم­افزار GEONAMICA که تنها یک مدل شبکه خودکار را شامل می­شود اجرا می­شود. مطالبات کلی زمین برای هر تابع مدل­سازی و در هر گام زمانی شبیه­سازی برای مدل محاسبه و      به عنوان سری­های زمانی وارد می­شوند (51). توسعه مدل‌های شبیه‌سازی بر پایه شبکه خودکار در آمایش شهری متداول‌تر است (52، 53). این مدل‌ها شهر را به عنوان مجموعه‌ای از کاربری‌ها در نظر می‌گیرند و می‌توانند به آمایش سرزمین تعمیم داده شوند (3).

1-2-4-4- مدل‌های عامل مبنا[41]

هنگامی که عوامل انسانی در فرآیند تصمیم‌گیری مکانی دخالت داده شوند، مدل‌های عامل مبنا (ABM) مطرح می­شوند (54). مدل‌های عامل مبنا سناریوهای کاربری سرزمین را       بر اساس مدل‌سازی تصمیم‌گیری انفرادی یا گروهی و تعاملات انسان و محیط‌زیست شبیه‌سازی می‌کنند (3). مدل­سازی عامل مبنا نوعی مدل­سازی است که در آن بر ارایه عامل­ها (مانند مردم یا حیوانات) و روابط متقابل آن­ها تاکید شده است.       در مدل­های عامل مبنا، همانند سیستم­های پیچیده واقعی، مجموعه­ای از قوانین و رفتارهای محلی تولید شده استقرایی عامل­ها منجر به ظهور پدیده­ها در یک گروه یا سیستم در سطح گسترده می­شوند. مدل­سازی عامل مبنا دست­یابی به مجموعه بسیار ارزشمندی از رفتارها و روابط متقابل پیچیده را به طور موثری ممکن می­سازد، بنابراین برای مدل­سازی پدیده­های پیچیده بسیار مناسب است (55).

مدل­سازی عامل مبنا مانعی در استفاده سایر مدل­ها به عنوان بخشی از مدل عامل مبنا یا در ترکیب با آن نیست (55).     این مدل‌ها می‌توانند هر یک از روش‌های ذکرشده تخصیص کاربری سرزمین را به عنوان روش‌های تصمیم‌گیری توسط عامل‌های انفرادی استفاده کنند. نمونه‌هایی از این روش‌های تخصیص شبکه خودکار (56)، برنامه­ریزی ریاضی (57)، یا حداکثرسازی مطلوبیت (58) یا معماری اعتقاد-خواست-اراده[42] (59) هستند (3).

2- تحلیل مدل‌های تخصیص کاربری سرزمین

مهم‌ترین ویژگی‌های مدل‌های تخصیص کاربری سرزمین توسط Riveria & Maseda در سال 2006 به عنوان نماینده انتخاب و در جدول 1 خلاصه شده‌اند. این ویژگی‌ها در ادامه آورده می‌شوند (3).

1) اهداف و نتایج: اولین کاربردهای ارزیابی چندمعیاره برای آمایش منطقه‌ای در GIS اجرا نشدند و تلاش آن‌ها برای رتبه‌بندی گزینه‌های مختلف (مناطق، سیاست‌های برنامه‌ریزی و غیره) بود. ادغام روش‌های ارزیابی چندمعیاره در GIS امکان تبدیل این رتبه‌بندی‌ها را به نقشه‌های تخصیص کاربری سرزمین فراهم کرد. روش‌های مورد استفاده برای این منظور بسته به هدف آمایش، تعریف مناسب‌ترین مناطق برای        یک کاربری مجزا (آمایش بخشی[43]) یا تخصیص بهینه کاربری‌های چندگانه (برنامه جامع[44]) متفاوت هستند. درحالی که اهداف روش TOPSIS، برنامه‌ریزی سازشی، یا روش‌های اجرا شده توسط Carver در سال 1991 (18) در طبقه اول قرار می‌گیرند، تحلیل نقطه ایده‌آل (24) و MOLA برای انتخاب کاربری بهینه برای هر واحد مکانی طراحی شدند. این تخصیص مکانی کاربری‌های چندگانه می‌تواند از طریق مدل‌های برنامه‌ریزی عدد صحیح (40) نیز به دست آید که در آن متغیرها بسته به این­که واحدهای مکانی به یک کاربری خاص اختصاص داده می‌شوند یا خیر، ارزشی برابر یک یا صفر می‌گیرند. بیش­تر مدل‌های برنامه‌ریزی ریاضی تنها منطقه بهینه را برای هر کاربری بدون اطلاعاتی در مورد توزیع مکانی نتایج ارایه می‌کنند. در مورد مدل‌های شبیه‌سازی مکانی           مورد مطالعه، نتایج همیشه به صورت یک نقشه کاربری سرزمین است (3).

2) اطلاعات مورد نیاز: روش‌های ارزیابی چندمعیاره نیازمند اطلاعاتی در مورد معیارهای ارزیابی تناسب یا امتیاز تناسب برای یک فعالیت مشخص هستند. هنگامی که این روش‌ها در GIS اجرا می‌شوند، این اطلاعات به عنوان نقشه‌های معیارهای ارزیابی یا نقشه‌های تناسب مورد نیاز هستند. مدل‌های برنامه­ریزی ریاضی بسته به صورت‌بندی ویژه خود، نیازمند اطلاعات الفبایی عددی[45] بسیار متنوعی هستند. داده‌هایی که معمولا مورد نیاز هستند عبارتند از: بازدهی، ضرایب تولید و بهره‌برداری از منابع، هزینه، سود و غیره. مدل‌های شبیه‌سازی مکانی می‌توانند از نقشه‌های عوامل ارزیابی به عنوان اطلاعات ورودی یا مستقیما به عنوان نقشه‌های تناسب برای هر کاربری استفاده کنند. افزون بر آن، مدل‌های شبیه‌سازی مکانی و برخی روش‌های ارزیابی چندمعیاره به مساحت تعیین شده برای     هر کاربری به عنوان داده بیرونی نیاز دارند (3).

3) یکپارچه‌سازی با GIS: در میان روش‌های ارزیابی چندمعیاره تمایز روش‌هایی که از GIS استفاده نمی‌کنند، روش‌هایی که در آن عملکرد GIS محدود به ذخیره اطلاعات یا نمایش نتایج است، و سرانجام روش‌هایی که کاملا با GIS یکپارچه شده‌اند سودمند است. در دسته آخر TOPSIS، تحلیل سازگاری- ناسازگاری، بهینه‌سازی سلسله مراتبی، برنامه‌ریزی سازشی، MOLA یا تحلیل نقطه ایده‌آل قرار دارند. کاربرد روش‌های پیچیده بر اساس مقایسات زوجی در GIS رستری، جایی که هر سلول نماینده یک گزینه منتخب است، محدود به سرعت رایانه است، بنابراین، اجرای آن تا حد زیادی به اندازه لایه‌های رستری و بنابراین وسعت منطقه مورد نظر وابسته است. در اغلب مدل‌های برنامه‌ریزی ریاضی، یکپارچه‌سازی با GIS معمولا در دو مرحله اتفاق می‌افتد: کسب داده از GIS برای تغذیه مدل و استفاده از GIS برای نقشه‌سازی نتایج. در مورد مدل‌های برنامه‌ریزی عدد صحیح، نتایج در ارتباط با نقشه‌های تخصیص کاربری سرزمین هستند که معمولا در یک محیط GIS نمایش داده می‌شوند. مدل‌های شبیه‌سازی مکانی که قبلا در بخش پیشین این مقاله توصیف شدند یک ارتباط قوی بین GIS و مدل تخصیص کاربری سرزمین ارایه می‌کنند (3).

4) گروه تصمیم‌گیری: ذینفعان نیازمند ابزارهایی هستند که اثر گزینه‌ها را از طریق تحلیل سناریو نشان دهند (60). تمام مدل‌های بررسی شده می‌توانند این سناریوهای کاربری سرزمین را تولید کنند، اما تعامل کاربر با سامانه تنها در برخی از آن‌ها فعال است (61). مشارکت عمومی در فرآیند تصمیم‌گیری به روش‌های مختلف قابل دست­یابی است. روش‌های تعاملی (34) توافق بین گروه‌ها با اهداف ناسازگار را  با استفاده از تغییر پارامترهای مدل برای کشف نتایج انتخاب گروه‌های ذینفع (مانند LADSS) به دست می‌آورند و یا توسط مشارکت ذینفعان مختلف در مدل‌های عامل مبنا به توافق عمومی می­رسند دو روش معروف مشارکت عمومی در فرآیند تصمیم‌گیری هستند (3).

مشارکت عمومی از طریق روش­های مختلفی، همانند روش‌های تعاملی (34) که توافق بین گروه‌ها با اهداف ناسازگار را با استفاده از تغییر پارامترهای مدل برای کشف نتایج انتخاب گروه‌های ذینفع (مانند LADSS) به دست می‌آورند و یا توسط مشارکت ذینفعان مختلف در مدل‌های عامل مبنا، وارد فرآیند تصمیم‌گیری می­شوند (3).

بحث و نتیجه گیری

در این مقاله روش­های مورد استفاده برای تخصیص کاربری­ها در فرآیند آمایش سرزمین مورد بررسی قرار گرفتند. تحلیل ویژگی‌های روش‌های استفاده شده بررسی نقاط قوت و ضعف هر کدام را امکان‌پذیر کرد. ارزیابی چندمعیاره یکی از اولین روش‌های استفاده شده برای تخصیص کاربری سرزمین بوده است. این روش‌ها برای ساختار دادن به مسأله  مفید هستند، مخصوصا وقتی تعداد عوامل زیاد است. افزون بر آن، این روش‌ها تحلیل حساسیت پارامترهای مختلف را امکان‌پذیر می‌کنند و  در برخی موارد اجازه می‌دهند ذینفعان مختلف در نظر گرفته شوند. پیچیدگی عملیات ریاضی معین (10) و محدودیت نتایج که به رتبه‌بندی تعداد اندکی واحد مکانی تحت ارزیابی محدود می‌شود، از معایب آن‌ها به شمار می‌آید. ادغام این روش‌ها در GIS، که در محدوده هر کاربر GIS هستند، افزایش تعداد واحدهای مکانی تحت ارزیابی را امکان پذیر می‌کند. یکی دیگر از روش‌های صریح و موثر برای تخصیص کاربری سرزمین برنامه‌ریزی ریاضی است که امکان تحلیل حساسیت را ارایه می‌دهد. به هرحال، مدل‌های برنامه‌ریزی ریاضی یک ارتباط خطی بین متغیرها را فرض می‌کنند که ممکن است حقیقی نباشد و الگوریتم مخصوص هر موقعیت ویژه است، به این معنی که بسته به شرایط استفاده اصلاح شود. این مدل‌ها مشخص می‌کنند چه مقدار زمین به هر کاربری تعلق گیرد، اما مکان آن را مشخص نمی‌کنند. البته، مدل‌های برنامه‌ریزی عدد صحیح که تخصیص مکانی بهینه کاربری کلی را مشخص می‌کنند استثنا هستند، اما هنگامی که تعداد واحدها افزایش می‌یابد،   به دلیل نیاز به زمان محاسبه زیاد، با شکست مواجه می‌شوند. مدل‌های شبیه‌سازی مکانی بر اساس الگوریتم‌های اکتشافی برای تحلیل مسایل بزرگ مقیاس استفاده می‌شوند، اما به جای راه حل بهینه راه حل نزدیک بهینه را تولید می‌کنند. از میان این الگوریتم‌ها مذاب‌سازی شبیه‌سازی شده بهترین راه‌حل‌ها را پیدا می‌کند، اما سرعت حل آن از الگوریتم‌های ژنتیک کم‌تر است. یکی دیگر از مزایای الگوریتم‌های ژنتیک ظرفیت آن‌ها برای تولید راه‌حل‌های چندگانه و قابلیت اجرای هم‌زمان آن‌ها در چند رایانه است. شبکه خودکار و مدل‌های عامل مبنا برای شبیه‌سازی و درک تغییر کاربری سرزمین به جای پیدا کردن راه‌حل بهینه استفاده می‌شوند. شبکه خودکار برای مدل‌سازی جنبه‌های بوم‌شناختی تغییر کاربری مفید است (54) در حالی که مدل‌های عامل مبنا اثر تصمیم‌گیری‌های انسانی بر کاربری را نشان می‌دهند. از زمان توسعه مدل‌های شبیه‌سازی مکانی اکثریت آن‌ها به راحتی با مفاهیم مختلف سازگار شده‌اند و می‌توانند توسط افراد غیرمتخصص استفاده شوند. برعکس، سامانه‌های خبره برای یک منطقه خاص و وضعیت ویژه طراحی شده‌اند، به این معنی که کاربرد آن در وضعیت متفاوت نیازمند فرآیند پیچیده توسعه و سازگارسازی است (3).

اهداف برنامه کاربری سرزمین انتخاب روش تخصیص کاربری را تعیین می‌کند. ضعف تمرکز سامانه پشتیبان برنامه‌ریزی بر روی مناطق روستایی و تمرکز بسیاری از نرم‌افزارهای برنامه‌ریزی کنونی بر یک مرحله مشخص فرآیند، به معنی نیاز مبرم به طراحی یک مدل آمایش کاربری سرزمین شامل یکپارچه‌سازی ابزارهای رایانه‌ای مختلف یا توسعه نرم‌افزارهای سفارشی است که همه مراحل آمایش را شامل می‌شود (3).

جدول 1- طبقه‌بندی 31 مطالعه آمایش سرزمین منتخب با توجه به روش‌شناسی استفاده شده و خلاصه ویژگی‌های اصلی آن‌ها (3)

1- نقشه‌های تناسب برای هر فعالیت توسط رویه MCE در نرم‌افزار ایدریسی تهیه شدند

2- نقشه تخصیص مکانی کاربری‌های چندگانه توسط روش بهینه‌سازی سلسله مراتبی تهیه شد

3- نقشه تخصیص مکانی کاربری‌های چندگانه توسط متغیرهای کمکی تهیه شد

پیشنهادات

به منظور پیشگیری از وقوع بحران­های محیط­زیستی حاصل از استفاده غیر منطقی و تبدیل زمین، روش­های متفاوتی در جهان برای ارزیابی و آمایش کاربری­ها در سرزمین قبل از اجرای توسعه ارایه شده­اند. در این مقاله مدل‌های مختلف آمایش سرزمین مورد بررسی قرار گرفته‌اند و انواع روش‌ها       با اهداف، کاربردها و کاربری‌های مختلف شناسایی شده‌­اند.    در این خصوص مدل­های آمایش سرزمین در پنج گروه شامل سامانه­های خبره، ارزیابی چندمعیاره، برنامه­ریزی ریاضی،  روش­های ترکیبی و مدل­های شبیه­سازی مکانی بررسی شدند. نتایج این مقاله یک مرور کلی ساختاریافته از روش­های آمایش سرزمین را ارایه می­کند و امکان انتخاب روش ویژه هر مسأله  کاربردی را با توجه به نقاط قوت و ضعف هر روش تسهیل   می­نماید. پیشنهاد می­شود در پژوهش­های آینده طرح­ها و پروژه­هایی که در داخل کشور در خصوص آمایش سرزمین انجام شده­اند مورد بررسی قرار گیرد و یک تقسیم بندی کلی از انواع مدل­ها و روش­های آمایش سرزمین مورد استفاده در ایران ارایه شود. این کار به شناسایی نقاط قوت و ضعف طرح­های آمایشی انجام شده کمک می­نماید و ارایه روش­های مناسب جهت تحکیم هرچه بیش­تر نقاط قوت و بهبود نقاط ضعف را تسهیل می­نماید. همچنین، می­توان با شناسایی روش­هایی که تا کنون در کشور انجام نشده است از آن­ها برای طرح­های آمایش آتی به منظور مقایسه و بررسی کارایی آن­ها استفاده کرد. 

منابع

1-      مخدوم، مجید، شالوده آمایش سرزمین، چاپ هفتم، موسسه انتشارات و چاپ دانشگاه تهران، 1385، چاپ هفتم، 289 صفحه.

2-      FAO. 1976. A Framework for Land Evaluation (FAO, Rome).

3-      Riveria, I. S. & Maseda, R. C. 2006. A review of rural land use planning models. Environment and planning B. 33(2):165-183.

4-      میرزایی، کمال، جزوه سیستم­های خبره و مهندسی دانش، 1391، ویراست هفتم، 85 صفحه.

5-      Teso, A. L. 1997. Diagnosis and Prediction Model of Marginal Agricultural Land Evolution unpublished PhD thesis, Polytechnical University of Madrid, Madrid (in Spanish).

6-      Diamond, J. T. & Wright, J. R. 1988. Design of an integrated spatial information system for multiobjective land-use planning, Environment and Planning B: Planning and Design. 15: 205-214.

7-      Yialouris, C. P.; Kollias, V.; Lorentzos, N. A.; Kalivas, D. & Sideridis, A. B. 1997. An integrated Expert Geographical Information System for soil suitability and soil evaluation, Journal of Geographic Information and Decision Analysis. 1(2): 89-99.

8-      Jun, Ch. 2000. Design of an intelligent geographic information system for multi-criteria site analysis. URISA Journal, 12(3): 5-17.

9-      Zhu, X.; Aspinall, R. J. & Healey, R. G. 1996. ILUDSS: A knowledge-based spatial decision support system for strategic land-use planning. Computers and Electronics in Agriculture, 15: 279-301.

10-  Voogd, H. 1983. Multicriteria Evaluation for Urban and Regional Planning (Pion, London).

11-  Jankowski, P. 1989. Mixed-data multicriteria evaluation for regional planning: a systematic approach to the decisionmaking process. Environment and Planning A, 21: 349-362.

12-  Eastman, J. R.; Jin, W.; Kyem, P. A. K. & Toledano, J. 1995. Raster procedures for multi-criteria/multi-objective decisions, Photogrammetric Engineering & Remote Sensing. 61(5): 539-547.

13- سلمان ماهینی، عبدالرسول، و کامیاب، حمیدرضا، سنجش از دور و سامانه اطلاعات جغرافیایی کاربردی با نرم­افزار ایدریسی، چاپ اول، انتشارات مهر مهدیس، 1388، 582 صفحه.

14-  Pereira, J. M. C. & Duckstein, L. 1993. A multiple criteria decision-making approach to GIS-based land suitability evaluation. International Journal of Geographical Information Systems, 7(5): 407-424.

15-  Vatalis, K. & Manoliadis, O. 2002. A two-level multicriteria DSS for landfill site selection using GIS: Case study in western Macedonia, Greece. Journal of Geographic Information and Decision Analysis, 6(1): 49-56.

16- فرجی سبکبار، حسنعلی، و رضاعلی، منصور، مقایسه مدل­های گسسته و پیوسته مکانی، مطالعه موردی: مکان­یابی محل واحدهای تولید روستایی بخش طرقبه، 1388،پژوهش­های جغرافیای انسانی، شماره 67، 69-83.

17-  Malczewski, J. 1996. A GIS-based approach to multiple criteria group decision-making. Journal of Geographical Information Systems, 10(8): 955-971.

18-  Carver, S. J. 1991. Integrating multi-criteria evaluation with geographical information systems. International Journal of Geographical Information Systems, 5(3): 321-339.

19-  Jankowski, P. & Richard, L. 1994. Integration of GIS-based suitability analysis and multicriteria evaluation in a spatial decision support system for route selection, Environment and Planning B: Planning and Design, 21: 323-340.

20-  Banai, R. 1993. Fuzziness in Geographical Information Systems: contributions from the Analytic Hierarchy Process. International Journal of Geographical Information Systems. 7(4): 315-329.

21-  قدسی پور، حسن، فرآیند تحلیل سلسله مرتبی، چاپ دوم، دانشگاه صنعتی امیرکبیر، 1381، 220 صفحه.

22-  Weerakoon, K. G. P. K. 2002. Integration of GIS based suitability analysis and multicriteria evaluation for urban land use planning, contribution from the Analytic Hierarchy Process, in 3rd Asian Conference on Remote Sensing (AARS, Katmandu),

23-  http://www.gisdevelopment.net/aars/acrs/2002/urb/218.pdf

24-  Mendoza, G. A. 1997. A GIS-based multicriteria approach to land use suitability assessment and allocation, in Seventh Symposium on systems analysis in forest resources (USDA Forest Service, Traverse City) http://www.ncrs.fs.fed.us/pubs/gtr/other/gtrnc205/landuse.htm.

25-  Barredo, J. I. 1996. Geographic Information Systems and Multicriteria Evaluation in Land Planning (Rama, Madrid) (in Spanish).

26-  Eastman, J. R. 2012. IDRISI Selva Manual. 322 P.

27-  Van der Merwe, J. H. 1997. GIS-aided land evaluation and decision-making for regulating urban expansion, A South African case study, GeoJournal, 43: 135-151.

28-  Eastman, J. R.; Jiang, H. & Toledano, J. 1998. Multi-criteria and multi-objective decision making for land allocation using GIS, in Multicriteria Analysis for Land-Use Management Eds E Beinat, P Nijkamp (Kluwer Academic Publishers, Dordrecht) pp: 227-251.

29-  Chuvieco, E. 1993. Integration of linear programming and GIS for land-use modeling. International Journal of Geographical Information Systems, 7(1): 71-83.

30-  Campbell, J. C.; Radke, J.; Gless, J. T. & Wirtshafter, R. M. 1992. An application of linear programming and geographic information systems: cropland allocation in Antigua. Environment and Planning A, 24: 535-549.

31-  Oliveira, F.; Patias, N. M. & Sanquetta, C. R. 2003. Goal programming in a planning problem, Applied Mathematics and Computation, 140: 165-178.

32-  Giupponi, C., & Rosato, P. 1998. A farm multicriteria analysis model for the economic and environmental evaluation of agricultural land use, in Multicriteria Analysis for Land-Use Management Eds E Beinat, P Nijkamp (Kluwer Academic Publishers, Dordrecht) pp: 115-136.

33-  Malczewski, J. & Ogryczak, W. 1995. The multiple criteria location problem: 1. A generalized network model and the set of efficient solutions. Environment and Planning A, 27: 1931-1960.

34-  Ive, J. R. & Cocks, K. D. 1983. SIRO-PLAN and LUPLAN: an Australian approach to land-use planning. 2. The LUPLAN land-use planning package. Environment and Planning B: Planning and Design, 10: 347- 355.

35-  De Wit, C. T.; Van Keulen, H.; Seligman, N. G. & Spharim, I. 1988. Application of interactive multiple goal programming techniques for analysis and planning of regional agricultural development. Agricultural Systems, 26: 211-230.

36-  Suhaedi, E.; Metternicht, G. & Lodwick, G. 2002. Geographic information systems and multiple goal analysis for spatial land use modelling in Indonesia, in 23rd Asian Conference on Remote Sensing (AARS, Katmandu), http://www.gisdevelopment.net/aars/acrs/2002/luc/luc002.shtml

37-  Fischer G, Makowski M, 1996, “Multiple Criteria Land Use Analysis”, WP 96–006, IIASA International Institute for Applied Systems Analysis, Laxenburg, Austria,

38-  http://www.iiasa.ac.at/Publications/Documents/WP-96-006.pdf

39-  Fischer, G.; Makowski, M. & Granat, J. 1998. AEZWIN. An Interactive Multiple-Criteria Analysis Tool for Land Resources Appraisal, interim report IR-98-051, IIASA International Institute for Applied Systems Analysis, Laxenburg, Austria, http://www.iiasa.ac.at/Publications/Documents/IR-98-051.pdf

40-  ایوبی، شمس الله، جلالیان، احمد، ارزیابی اراضی، چاپ اول، دانشگاه صنعتی اصفهان، 1385، 394 صفحه.

41-  Lu, C. H.; Van Ittersum, M. K. & Rabbinge, R. 2004. A scenario exploration of strategic land use options for the Loess Plateau in northern China, Agricultural Systems, 79: 145-170.

42-  Aerts, J. C. J. H.; Eisinger, E.; Heuvelink, G. B. M. & Stewart, T. 2003. Using linear integer programming for multi-site land-use allocation. Geographical Analysis, 35(2): 148-169.

43-  Diamond, J. T. & Wright, J. R. 1989. Efficient land allocation. Journal of Urban Planning and Development, 115(2): 81-96.

44-  Janssen, R. & Rietveld, P. 1990. Multicriteria analysis and geographical information systems: an application to agricultural land use in The Netherlands, in Geographical Information Systems for Urban and Regional Planning Eds H. J. Scholten, J. C. H Stillwell (Kluwer Academic Publishers, The Netherlands) pp: 129-139.

45-  Ridgley, M. A. & Heil, G. W. 1998. Multicriteria planning of protected-area buffer zones: an application to Mexico`s Izta-Popo national park, in Multicriteria Analysis for Land-Use Management Eds E Beinat, P Nijkamp (Kluwer Academic Publishers, Dordrecht) pp: 293-309.

46-  کیا، مصطفی، الگوریتم­های ژنتیک در MATLAB، چاپ سوم، کیان رایانه، 1391، 192 صفحه.

47-  Matthews, K. 2001. Applying genetic algorithms to multi-objective land-use planning PhD thesis, Robert Gordon University, http://www.mluri.sari.ac.uk/LADSS/papers/keiththesis.pdf

48-  Matthews, K. B.; Craw, S. & Sibbald, A. R. 1999. Implementation of a spatial decision support system for rural land use planning: integrating GIS and environmental models with search and optimization algorithms. Computers and Electronics in Agriculture, 23: 9-26.

49-  Sharma, S. K. and Lees, B. G. 2004. A comparision of simulated annealing and GIS based MOLA for solving the problem of multi-objective land use assessment and allocation, 10 pp.

50-  Aerts, J. C. J. H. & Heuvelink, G. B. M. 2002. Using simulated annealing for resource allocation. International Journal of Geographical Information Science, 16(6): 571-587.

51-  Alier, J. L.; Cazorla, A. & Martínez, J. E. 1996. Optimization on Spatial Land Use Allocation: Methodology, Study Cases and Computer Package. (Spanish Ministry of Agriculture, Madrid) (in Spanish)

52-  Mart, E.; Trueba, I.; Cazorla, A. & Alier, J. 1998. Optimization of spatial allocation of agricultural activities. Journal of Agricultural Engineering Research, 69(1): 1-13.

53-  Engelen, G.; Geertman, S.; Smits, P. & Wessels, C. 1999, Dynamic GIS and strategic physical planning support: a practical application to the Ijmond/Zuid-Kennemerland region, in Geographical Information and Planning Eds J. Stillwell, S. Geertman, S. Openshaw (Springer, Berlin) pp: 87-111.

54-  Wu, F. & Webster, C. J. 1998. Simulation of land development through the integration of cellular automata and multicriteria evaluation, Environment and Planning B: Planning and Design, 25: 103-126.

55-  Li, X. & Yeh, A. G-O. 2002. Urban simulation using principal components analysis and cellular automata for land-use planning. Photogrammetric Engineering and Remote Sensing, 68(4): 341-352.

56-  Parker, D. C.; Manson, S. M. Janssen, M. A.; Hoffmann, M. J. & Deadman, P. 2003. Multi-Agent Systems for the simulation of land-use and land-cover change: A review, Annals of the Association of American Geographers, 93(2): 314-337.

57-  Berryman, M. J. & Angus, S. D. 2010. Tutorials on agent-based modelling with NetLogo and network analysis with Pajek. In R. L. Dewar & F. Detering (Eds.), Complex Physical, Biophysical and Econophysical Systems: Proceedings of the 22nd Canberra International Physics Summer School (pp. 351-375). USA: World Scientific Publishing.

58-  Ligtenberg, A.; Bregt, A. K. & van Lammeren, R. 2001. Multi-actor-based land use modeling: spatial planning using agents. Landscape and Urban Planning, 56 :21-33..

59-  Berger, T. 2002. Multi-agent modelling applied to agroecological development, in Agent-Based Models of Land-Use and Land-Cover Change: Report and Review of an International Workshop, Irvine, California, October 4-7, 2001Eds D C Parker, T Berger, S Manson (Indiana University, Bloomington) pp 50-56.

60-  Evans, T. P. & Kelley, H. 2004. Multi-scale analysis of a household level agent-based model of landcover change. Journal of Environmental Management, 72: 57-72.

61-  Ligtenberg, A.; Wachowicz, M.; Bregt, A. K.; Beulens, A. & Kettenis, D. L. 2004. A design and application of a multi-agent system for simulation of multi-actor spatial planning. Journal of Environmental Management, 72: 43-55.

62-  Snyder, K. 2003. Tools for community design and decision-making, in Planning Support Systems in Practice Eds S Geertman, J Stillwell (Springer-Verlag, Berlin) pp: 99-120.

63-   Leitner, H.; McMaster, R. B.; Elwood, S., McMaster, S. & Sheppard, E. 2002. Models for making GIS available to community organizations: dimensions of difference and appropriateness, in Community Participation and Geographic Information Systems Eds W J Craig, T M Harris, D Weiner (Taylor & Francis, London) pp 37-52.