神经模糊系统能否推断城市变化？应该如何进行？这又有什么用途呢？
全球城市人口从 1985 年的 22.9% 增加到 2010 年的 47%。在伊朗，居住在城市地区的人口从 1956 年的约 31% 持续增加到 2006 年的 68.4%。城市增长是人口快速增长的结果之一。
城市人口空前增长导致了基础设施和城市服务规划不当、环境污染和人类健康问题等一系列问题。作为其结果之一的城市增长在过去几十年中造成了许多环境和社会经济问题。事实上，城市增长可以看作是农村向城镇的转变，这是伴随着成本而来的。作为一个复杂系统的城市增长受到人类和非人类参数的影响。土地利用变化的时空动态和人类驱动因素的结合对土地利用变化具有最重要的影响。
识别影响城市增长的有效自然、社会和时空过程可以提高拟议建模程序的准确性和可靠性。
如今，由于土地和自然资源的高价值以及影响生态系统和人类的土地利用变化，土地利用变化建模对于相关的城市管理人员、专业人士和研究人员来说非常重要。使用城市增长模型的目的是为了实现两个目标。
首先，实施技术以了解城市增长驱动因素（或它们的代理）与城市土地利用的历史变化之间的空间关系。第二，基于驱动因素变化情景的土地利用空间变化预测。通过分析历史时空信息，可以了解不同土地利用政策导致的土地利用变化时空动态的性质，这可以作为制定可持续城市规划和发展所必需的可能增长情景的基础。
最近，在如此多的研究中实施了大量的城市扩张模型。在这些模型中，人工神经网络 (ANN) 和逻辑回归 (LR) 非常受欢迎。逻辑回归由于其简单且可解释的结构已被用于该领域。另一方面，ANN 由于其快速和并行处理以及获得扩展模式的学习能力，已被使用。这些流行的方法也有一些缺点。
LR由于其线性结构无法处理空间现象的非线性部分。另一方面，缺乏灵活性是 ANN 的缺点之一。此外，人工神经网络也无法处理定性不确定性。在这种情况下，ANN 和模糊推理系统 (FIS) 的组合消除了它们的许多缺点。换句话说，通过集成人工神经网络和模糊系统，可以将人工神经网络的自学习能力与模糊推理的语言表达功能相融合，证实了通过将模糊系统与 ANN 集成来从训练数据中提取模糊规则的可能性。因此，ANFIS 作为一种利用模糊推理系统的基于 ANN 的方法似乎适用于城市扩张等空间现象。
三种不同的期货研究类别以及它们如何处理不确定性，尽管在中使用不同的标签对期货研究进行分类，未来研究的三个拟议类别包括：预测、预见和规范性未来研究。预测显示了未来的一个相对确定的图像。未来可以看作是过去的逻辑结果 。实际上，预测是通过科学方法论对特定研究领域的未来进行的短期、中期或长期估计。
对于这种方法，基于过去的科学知识和基于这些假设的模型被认为是对未来做出陈述的可靠基础 。换句话说，预测将过去和现在的模式和趋势延伸到未来，意味着过去、现在和未来之间的平稳过渡。远见是 Asselt 的未来研究类别中的第二个，它更强调认知不确定性是远见，它处理多种可能和似是而非的未来 。
结论：
遥感数据、地理空间信息系统和人工智能的结合可以成为分析和模拟城市发展等环境现象的强大而有用的方法。这种结合有可能通过为城市规划研究提供数据和分析工具来支持此类模型。事实上，GIS 和 RS 被认为是为规划建议提供必要信息和情报的新可靠方式，并且可以用作计划实施期间的监控工具。
在 ANFIS 算法中使用更多隶属函数的结果是可以在更少的时期内实现更高的准确性。另一方面，使用更多的隶属函数意味着网络架构需要更多的内存和更多的时间来达到预定义的错误阈值。
所考虑的方法都没有限制输入数据、评估和敏感分析考虑。它们支持各种输入数据，例如社会经济和生物物理数据。在 SLEUTH 等一些常用的方法中，该方法无法支持人口等社会经济数据。此外，在像 SLEUTH 这样基于软件的方法中，没有办法考虑敏感分析。增加 ANFIS 结构中输入参数的数量可以用最少的结构和程序变化来完成。与具有 ANN 组件的其他方法一样，在 ANFIS 中，每个神经元的权重和偏差不能单独详细说明。这个问题是 ANN 最重要的缺点之一。因此，在这方面LR模型很简单，
在这项研究中，ANFIS 模型具有同时使用神经网络和模糊逻辑的优点。它能够确定发展中的重要因素及其关系和对城市发展的影响。
不确定性是空间现象不可或缺的组成部分。城市扩张由于其时空性质而受到不确定性的极大影响。ANFIS包括能够处理不确定性的模糊推理。
由于 LR 模型的简单性和快速处理能力，它是城市增长和土地利用变化建模中众所周知的方法。但需要指出的是，这种方法无法对土地利用变化现象的非线性部分进行建模，LR 和 ANFIS 结果的巨大差异可能是由于它们的结构。
