۱٫ معرفی
شهرنشینی ویژگی های جمعیتی را تغییر می دهد و چشم انداز فیزیکی محیط را دگرگون می کند. برنامه ریزی ناکافی می تواند تأثیرات قابل توجهی بر مؤلفه های مختلف محیطی به ویژه منابع خاک و آب داشته باشد [
۱]. فعالیتهای اقتصادی بهطور ناپایدار از منابع زمین بهرهبرداری میکنند که منجر به عدم تعادل بین عرضه و تقاضا میشود که ناشی از فرآیند شهرنشینی است. [
۲].
با مهاجرت بیشتر مردم به مناطق شهری برای کیفیت زندگی بهتر، تقاضای انسان برای آب، انرژی و غذا فشارهای اکولوژیکی وارد می کند که به تغییرات آب و هوایی، آلودگی، از دست دادن تنوع زیستی و فرسایش زمین کمک می کند. [
۳]. با گسترش مناطق ساخته شده، منابع طبیعی به طور فزاینده ای محدود می شوند و نیاز به ارزیابی مجدد فرآیندهای استفاده از زمین دارد. بنابراین، سیاست گذاران باید مطالعات علمی را برای تدوین سیاست های مناسب در نظر بگیرند [
۴].
دستور کار جدید شهری سازمان ملل در سال ۲۰۱۶ (UN-Habitat) نیاز به اتخاذ رویکردهای توانمندتر و تسهیلکنندهتر برای تحلیل شکل و گستره شهری در کشورهای در حال توسعه را برجسته کرد. [
۵]. این جنبش بحثهایی را در مورد بهترین برنامهریزی شهرها، به دنبال ادغام مناطق و خدمات، ایجاد تراکم جمعیت پایدار و تضمین طراحی شهری بهینه برانگیخته است. [
۶,
۷]. یکی از راههای دستیابی به این هدف، تحلیل سناریوهای پیشبینیکننده و پیشبینی تحولات احتمالی بیشتر برای منطقه مورد مطالعه است. این تکنیک به درک و پیش بینی چگونگی وضعیت منطقه در زمان آینده و فرآیندهای منتهی به این آینده پیش بینی شده کمک می کند. [
۸].
در نتیجه، چندین روش مدلسازی مکانی-زمانی، شبیهسازی و انتقال پتانسیل برای مطالعه کاربری و پوشش زمین (LULC) مورد استفاده قرار گرفتهاند. از جمله آنها اتوماتای سلولی هستند که می توانند به طور موثر فرآیندهای تغییر کاربری زمین غیرخطی غیرخطی را شبیه سازی و نمایش دهند. [
۹]. برخی از مدلهای اتوماتای سلولی که با موفقیت برای آنالیزهای LULC استفاده میشوند شامل Dinamica EGO هستند [
۱۰]، پول [
۱۱]، کارآگاه [
۱۲]، شبکه عصبی مصنوعی- زنجیره مارکوف [
۱۳]، سیملندر [
۱۴]و شبکه عصبی مصنوعی مبتنی بر خودکار سلولی (CA-ANN) [
15].
استفاده از CA-ANN برای پیشبینی تغییرات LULC در مقایسه با روشهای دیگر مزایایی را ارائه میدهد. CA-ANN در مدلسازی الگوها و رفتارها عالی است، که با نشان دادن روابط غیرخطی بین متغیرها به ثبت پویایی چند وجهی رشد کمک میکند. [
۱۶]. مزیت دیگر این است که CA-ANN می تواند به خوبی با مجموعه داده ها و سناریوها بدون نیاز به دانش توزیع داده ها یا فرضیات در مورد فرآیند تولید داده سازگار شود. علاوه بر این، CA-ANN می تواند به راحتی با مدل ها ادغام شود، که منجر به درک پویایی پیچیده در پشت الگوهای رشد شهری می شود. [
۱۷].
چنین تکنیک هایی ممکن است منعکس کننده افزایش تقاضا برای آب در مراکز شهری باشد که به رشد جمعیت و نرخ بالای شهرنشینی نسبت داده می شود. در شهرهای کم آب، تعیین مرزهای شهری معقول برای اطمینان از استفاده کارآمد از منابع آب محدود و تشویق به توسعه پایدار اقتصادی و جمعیت بسیار مهم است. [
۱۸]. بنابراین، این مشکل نگرانی مهمتری را در مورد برزیل ایجاد می کند، به ویژه در منطقه نیمه خشک، جایی که شرایط آب و هوایی به طور طبیعی برای حفظ تعادل آب کافی نامطلوب است.
منطقه نیمه خشک برزیل (BSA)، که بیش از ۷۰ درصد از منطقه شمال شرق (NEB) را شامل می شود، از نظر تاریخی با چالش هایی مانند محدودیت منابع آبی، نرخ بالای مهاجرت داخلی به دلیل خشکسالی، و افزایش فقر و نابرابری اجتماعی مواجه بوده است. [
۱۹,
۲۰]. بین سالهای ۱۹۹۵ تا ۲۰۰۰، بیش از ۸۰۰۰۰۰ نفر مناطق روستایی را در منطقه NEB ترک کردند. [
۲۱]. علاوه بر این، خشکسالی طولانی مدت از سال ۲۰۱۲ تا ۲۰۱۸ منجر به تخلیه مخازن و اتکا به تامین آب توسط کامیون های تانکر در چندین شهرداری شد. [
۲۲]. بنابراین، گره های استراتژیک شهری در پاسخ به جنبش های مهاجرتی تشدید شده پدید آمدند و رشد شهری قابل توجهی را در BSA تقویت کردند. [
۲۳]. این منطقه اکنون با تأثیرات تغییرات آب و هوایی، از جمله بیابان زایی دست و پنجه نرم می کند، که نه تنها بر شهرنشینی بلکه بر شیوه کلی زندگی تأثیر می گذارد. [
۲۴].
نیاز به مداخلات شهری دقیق تر، همانطور که در دستور کار جدید شهری تاکید شده است، برای تحقیقات برنامه ریزی شهری بسیار مهم است. در این راستا، این مطالعه با هدف توسعه یک مدل پیشبینی تقاضای آب خانگی است که ناهمگونی جمعیت و اشغال شهری را در نظر میگیرد و به اطمینان از دسترسی به آب برای نسلهای آینده در شهر Campina Grande، واقع در BSA کمک میکند. این تلاش به عنوان ابزاری برای تعریف سیاستهای عمومی برای ارتقای توسعه پایدار شهری در شهرداریهایی که با چالش نظارت بر دادههای مصرف آب مواجه هستند، عمل میکند، بنابراین ظرفیت پیشبینیهای آتی را افزایش میدهد.
۳٫ نتایج و بحث
پویایی LULC برای سه دهه آینده در شهرداری Campina Grande با استفاده از طبقهبندی LULC Mapbiomas تجسم شد. مدلسازی بهطور رضایتبخشی منطقه شهری را برای سال ۲۰۲۰ نشان داد، به جز در بخش جنوب شرقی، که در آن گسترش بیشتری در سال ۲۰۱۷ با اجرای مجتمع Aluízio Campos رخ داد. این مجتمع مسکونی که شامل بیش از ۴۱۰۰ واحد بود، در آن سال مهمترین مجتمع مسکونی در دست ساخت برزیل را به خود اختصاص داد.
در این زمینه، متغیرهای توضیحی مورد استفاده در مدلسازی به تصویر کشیده شدهاند
شکل ۴ و پتانسیل شهرنشینی ناشی از افزایش جمعیت و مهاجرت جمعیت روستایی به مناطق شهری را نشان می دهد. پس از تشدید جنبش مهاجرت در NEB، منطقه شهری کمپینا گراند همچنان استراتژیک برای توسعه انسانی در داخل ایالت است و نرخ رشد بالایی را ارائه می دهد، همانطور که توسط بحث شده است. [
۲۳].
فرآیند اعتبار سنجی انجام شده در MOLUSCE از نقشه های LULC 2020 از Mapbiomas و طبقه بندی ۲۰۲۰ شبیه سازی شده از LULC 2000 و ۲۰۱۰ استفاده کرد. ارزش Kتاریخچه ۰٫۸۱ بود در حالی که Kمحل ۰٫۷۱ بود. بدین ترتیب مقدار شاخص کل کاپا ۰٫۵۸ بود. بر اساس مقادیر کاپا، نتایج را می توان متوسط در نظر گرفت.
تجزیه و تحلیل ماتریس خطا (
جدول ۳) عملکرد شبیهسازی را برجسته میکند، که عمدتاً بر کلاس منطقه شهری متمرکز است، که هسته اصلی این طبقهبندی را نشان میدهد. نتایج یک AP 98.91٪ را برای این کلاس نشان می دهد، که توانایی قابل توجه مدل در شناسایی دقیق مناطق شهری را برجسته می کند. علاوه بر این، UA 92.25 درصد قابلیت اطمینان مدل را در شناسایی مناطق شهری در داده های شبیه سازی شده تقویت می کند. دقت کلی به ۷۹٫۸۱ درصد رسید که نشان دهنده اثربخشی جامع مدل است و تأیید می کند که شبیه سازی برای کاربرد رضایت بخش و قابل اعتماد است.
چالش های متعددی برای مدل سازی پیش بینی در BSA وجود دارد. در میان آنها فنولوژی پوشش گیاهی بیوم کاتینگا برجسته است، جایی که مواد فتوسنتزی پوشش گیاهی به شدت با رژیم بارندگی مرتبط است و از تأثیرات مستقیم تغییرات آب و هوایی متحمل می شود. [
۴۵]. تنوع آب و هوایی این منطقه تغییرات درون سالیانه در پوشش گیاهی و مدیریت کشاورزی را تایید میکند و مانع از طبقهبندی از راه دور LULC توسط سیستمهای یادگیری ماشینی میشود. [
۴۶].
پس از کسب نتایج رضایتبخش در مرحله اعتبارسنجی مدل، از متغیرهای مکانی و نقشه انتقال برای پیشبینی LULC برای سالهای ۲۰۳۰، ۲۰۴۰ و ۲۰۵۰ استفاده شد.
شکل ۵ نقشه های حاصل از شبیه سازی ها را ارائه می دهد. در حاشیه شهری، کشاورزی معیشتی رایج است که توسط آسیب پذیرترین جمعیت انجام می شود. با پیشرفت شهرنشینی در قلمرو، کشاورزی فضا را برای ساخت و سازهای جدید باز می کند. شبیه سازی ها افزایش بیش از ۴ کیلومتری را تخمین زدند
۲ از ناحیه شهری بین سالهای ۲۰۳۰ تا ۲۰۵۰٫ در مقابل، طبقات شکلگیری طبیعی و کشاورزی به میزان ۰٫۶ و ۳٫۴ کیلومتر کاهش یافتند.
۲ به ترتیب در همان دوره
اگر چه اندک است، اما افزایش مناطق شهری با تغییراتی در الگوهای کاربری زمین، از جمله انتقال از مناطق کشاورزی و تشکیلات طبیعی به مناطق شهری همراه است. حمایت از این مشاهده، [
۴۷] بر تأثیر متقابل پیچیده شهرنشینی، تمرکز جمعیت و تشدید استفاده از زمین تأکید دارد که می تواند به طور قابل توجهی بر تقاضای آب شهری تأثیر بگذارد. این انتقال اغلب به دلیل افزایش تراکم جمعیت و رشد فعالیت های صنعتی و تجاری در مناطق شهری منجر به افزایش تقاضای آب می شود.
شبیهسازیها یک کاهش بالقوه در گسترش شهری در طول زمان را نشان میدهند که تا حدی به کاهش ارتباط بین رشد جمعیت و پراکندگی شهری نسبت داده میشود. بر اساس نتایج، پیش بینی می شود مساحت شهری ۲٫۶ کیلومتر افزایش یابد
۲ بین ۲۰۳۰ و ۲۰۴۰ و ۱٫۵ کیلومتر
۲ بین سالهای ۲۰۴۰ تا ۲۰۵۰٫ این پدیده ارتباط تنگاتنگی با تراکم شهرها و استفاده کارآمدتر از فضاهای داخلی موجود دارد. [
۴۸]. در این زمینه، تحقیقات انجام شده توسط [
۴۹] تأثیر قابل توجه رقابت بین دولتی در ترویج تراکم شهری را برجسته می کند که در نهایت منجر به رشد عمودی شهرها می شود.
پس از نیمه دوم قرن بیستم، شهرهای متوسط برزیل (مانند کامپینا گرانده) شروع به ارائه یک فرآیند سریع شهرنشینی، همراه با عمودیسازی کردند که به منافع اقتصادی با هدف تنوع سرمایهگذاری نسبت داده میشود. [
۵۰]. در این دوره، کامپینا گرانده تحت برنامه های شهرنشینی قرار گرفت که توسط ایده آل های توسعه جدید هدایت می شد. از این رو، روند عمودی سازی در شهر تشدید شد [
۵۱]. به طور قابل توجهی، این دگرگونی شهری بر ارتباط آن تأکید می کند، زیرا پیامدهای عمیقی را برای پیش بینی تقاضای آب منطقه بر اساس LULC روشن می کند.
در این زمینه، نتایج LULC قابلیت مدلسازی پیشبینی استفاده از زمین را برجسته میکند، دستاوردی که با دسترسی به منابعی مانند مجموعه Mapbiomas که برای بیومهای مختلف برزیلی اقتباس شده است، ممکن شده است. این افق گسترده منابع چشم اندازهای جدیدی را برای مدلسازی هیدرولوژیکی و شهری باز میکند و توانایی درک و پیشبینی پویاییهای پیچیده مرتبط با کاربری زمین و تقاضای آب را بهبود میبخشد.
محیط شهری بسیار پویا است و شغل از نظر مکانی متفاوت است. بنابراین، توزیع ناهمگون جمعیت شهر و عوامل اجتماعی منجر به ایجاد پروفایل های مصرف متفاوت در بین ساکنان همان شهرداری می شود. در اکثر شهرهای برزیل، هیچ داده ریز اندازه گیری آب در دسترس نیست. برای اهداف برآورد تقاضای داخلی، سازمانهای دولتی از برآورد میانگین مصرف به ازای هر ساکن بر اساس جریان و کل جمعیت استفاده میکنند. [
۳۰].
شکل ۶تهیه شده از متغیرهای مصرف پیشنهادی توسط [
۴۱]، به دنبال اصلاح برآوردهای تقاضای آب از LULC با در نظر گرفتن عوامل فضایی است که مشخصات مصرف ساکنان را تغییر می دهد.
متغیرهای فضایی مصرف که بیشترین تأثیر را بر تقاضای آب داشتند، ساکنان و قیمت بودند که مستقیماً با قدرت خرید جمعیت ارتباط داشتند. تعداد ساکنان در هر خانوار، به طور کلی در مناطق فقیرتر بیشتر، تمایل به افزایش مصرف آب، به ویژه در فعالیت های روزانه مانند حمام کردن، شستن لباس ها و ظروف، و استفاده از توالت داشت. درآمد خانوار مستقیماً بر مصرف آب تأثیر میگذارد، زیرا خانوادههای با قدرت خرید بالاتر به کالاها و خدماتی که نیاز به مصرف آب بیشتری دارند، مانند استخر، باغ و وان، دسترسی دارند. بنابراین، مشخص شد که مناطق دورتر از مرکز شهری و محلههای کم درآمد، تغییرات منفی در تقاضای آب نشان میدهند. به طور همزمان، مناطق با حضور بیشتر جمعیت پردرآمد، افزایش بیش از ۱۰ درصدی در مصرف را تجربه کردند.
در منطقه ای که با خشکسالی های مکرر مشخص شده است، مناطق اطراف آن با خطر بیابان زایی ناشی از تغییرات آب و هوایی مواجه هستند، مانند مورد Campina Grande، افزایش فزاینده تقاضای آب خانگی فشار بیشتری را بر مخازن سطحی در منطقه وارد می کند که در درجه اول مسئول هستند. برای تامین انسانی، صنعتی و کشاورزی. در این زمینه،
جدول ۴ نتایج شبیه سازی تقاضای آب مورد نیاز برای تامین مصارف خانگی شهرداری را بین سال های ۲۰۲۰ تا ۲۰۵۰ ارائه می کند و نتایج را با سال ۲۰۱۰ مقایسه می کند که مصرف روزانه ۱۶۵۳۰۷۳۱٫۱۸ متر بوده است.
۳. بر اساس نتایج، برآورد می شود که افزایش مصرف آب خانگی به میزان ۲۳۴۸۴۲۴٫۹۶ متر داشته باشد.
۳ در سال ۲۰۵۰ نسبت به سال ۲۰۱۰، معادل ۱۴٫۲۱ درصد افزایش یافته است.
متأسفانه، هیچ داده ای در منطقه برای تأیید تمام نتایج به دست آمده در دسترس نیست. داده های مصرف برای سال ۲۰۲۰ از CAGEPA تنها اطلاعات به دست آمده بود. به گفته این آژانس، شهرداری کامپینا گراند ۱۷،۳۵۲،۵۱۷٫۰۰ متر مصرف کرده است.۳ مصرف آب برای مصارف انسانی و صنعتی در سال ۲۰۲۰٫ همچنین به گفته این آژانس، در منطقه، مصرف آب به چهار دسته مسکونی، تجاری، صنعتی و عمومی طبقه بندی می شود و برای هر کدام تعرفه خاصی تعیین می شود. اگرچه شبکه های توزیع در برخی از مناطق روستایی وجود دارد، اما آنها عمدتاً برای استفاده مسکونی هستند. از سوی دیگر، کشاورزی از آب خامی که مستقیماً از چشمه استخراج می شود، استفاده می کند. در مناطق خاصی، مانند در امتداد رودخانه پارایبا، سازمانهای نظارتی به کشاورزان اجازه میدهند از آب به این روش استفاده کنند. بنابراین، بسیار مهم است که تاکید شود که کشاورزی خارج از مقولههای مصرف بالا قرار میگیرد. علاوه بر این، رده مصرف تجاری شامل صنایع متصل به شبکه توزیع آب می شود. این دسته شامل کلیه صنایعی می شود که برای فعالیت های تولیدی خود به آب تامین شده توسط شبکه عمومی متکی هستند.
بنابراین، داده های به دست آمده از CAGEPA در مورد مصرف آب در Campina Grande در طول سال ۲۰۲۰ برای تأیید کامل نتایج تحقیقات کافی نیست. این نارسایی به این دلیل به وجود می آید که سازمان نظارتی ارقام را بر اساس طبقه بندی مصرف ارائه نمی دهد و مقایسه مستقیم داده های به دست آمده با نتایج مطالعه را غیرممکن می کند. با این حال، مهم است که تأکید شود که مقادیر شبیهسازیشده بهدستآمده در این تحقیق، تنها ۲٫۴۳ درصد تغییرات مربوط به دادههای CAGEPA را نشان میدهند. با این حال، شرح دسته بندی های مصرف ارائه شده توسط سازمان تنظیم مقررات، جزئیات در مورد توزیع آب در مناطق روستایی، و حذف کشاورزی به عنوان یک دسته مصرف، سازگاری مقادیر شبیه سازی شده با واقعیت را تایید می کند.
در نتیجه، برآورد تقاضای آب که در این مطالعه توضیح داده شده است، پایهای اساسی برای بررسی رابطه پیچیده بین کاربری زمین و تقاضای آب ایجاد میکند، و بینشهای ارزشمندی را ارائه میدهد که میتواند سیاستها و استراتژیهای دولت را بهخوبی متناسب با نیازهای ظریف برنامهریزی شهری و روستایی شکل دهد. این بینش ها تخصیص منابع را تسهیل می کند و کارایی توسعه پایدار بلندمدت را افزایش می دهد.
از این رو، بر ذینفعان واجب است که دیدگاهی کل نگر را در نظر بگیرند، دیدگاهی که هر دو جنبه فیزیکی و حاکمیتی را در بر می گیرد تا از دسترسی مستمر منابع آب برای نسل کنونی اطمینان حاصل کنند و از نیازهای آبی نسل آینده محافظت کنند. در این پرتو، پیشبینی تقاضای آب خانگی یک چالش تحقیقاتی پویا باقی میماند، با فرصتهای قابل توجهی برای محققان برای پیشبرد روشهای ترکیبی یا تخصصی که ویژگیهای فیزیکی و اجتماعی-اقتصادی متمایز مناطق مختلف در سراسر جهان، بهویژه مناطقی که با زیرساختهای نظارتی ناکافی مواجه هستند را در بر میگیرد.
۴٫ نتیجه گیری
بر اساس نتایج بهدستآمده در این مطالعه، این تحقیق به عنوان یک جایگزین معقول به نظر میرسد که با توانایی ثابت آن در پیشبینی مصرف آب خانگی آینده با کمک دادههای LULC پشتیبانی میشود. این دستاورد در مناطقی که داده های مربوط به مصرف آب به طور قابل توجهی کمیاب است، ارزشمند است، وضعیتی که اغلب در بسیاری از شهرهای BSA مشاهده می شود. در نتیجه، پیامدهای یافتهها یک روش تکرارپذیر را ارائه میکند که میتواند در سراسر کشور اعمال شود و بینشهای اولیه را در مورد مصرف آب در آینده با استفاده از مجموعه دادههای موجود ارائه میدهد.
با این حال، همانطور که انتظار می رفت، فقدان داده های رسمی بر اساس دسته مصرف اعتبار نتایج را محدود کرد. در نتیجه، از مطالعات آتی حمایت میشود تا به طور فعال مشارکتهای نهادی ایجاد کنند تا نهادهای نظارتی را برای تشدید تلاشهای جمعآوری و نظارت بر دادهها، جمعآوری مجموعه دادههای جامعتری که قادر به افزایش دقت اقدامات نظارتی و تکنیکهای مدلسازی است، تقویت کنند. علاوه بر این، پتانسیل مطالعات آتی برای کاوش در ادغام متغیرهای تکمیلی، مانند تغییرات آب و هوا و عوامل اقتصادی، برای توسعه مدلهای جامعتر تقاضای آب تایید شده است.
با وجود این، چالشهای کمیت و کیفیت آب نیازمند راهحلهای چندوجهی است که شامل دسترسی، تنظیم، کنترل و کاهش تقاضا میشود. این اقدامات در حصول اطمینان از اینکه همه اقشار جامعه به طور پایدار از این منبع ارزشمند بهره مند می شوند، حیاتی هستند. راهبردهای حاکمیتی خاص این منطقه نیز باید جنبه های آینده نگر را ادغام کند و به افزایش دائمی تقاضای آب و پیامدهای تغییر اقلیم بر الگوهای بارندگی منطقه بپردازد.
به طور خلاصه، اساسی است که تحقیقات در مدیریت منابع آب به دنبال راهحلهایی برای چالشهای پیش روی برنامهریزی و مدیریت منابع آب در مناطق شهری و روستایی باشد. ادغام مدلهای مختلف، از جمله مدلهایی برای پیشبینی تقاضای آب خانگی بر اساس سناریوهای تغییر پیشبینیکننده LULC، میتواند به مدیریت کارآمدتر و پایدارتر منابع آب کمک کند.