神經模糊系統能否推斷城市變化？應該如何進行？這又有什麼用途呢？
全球城市人口從 1985 年的 22.9% 增加到 2010 年的 47%。在伊朗，居住在城市地區的人口從 1956 年的約 31% 持續增加到 2006 年的 68.4%。城市增長是人口快速增長的結果之一。
城市人口空前增長導緻了基礎設施和城市服務規劃不當、環境污染和人類健康問題等一系列問題。作為其結果之一的城市增長在過去幾十年中造成了許多環境和社會經濟問題。事實上，城市增長可以看作是農村向城鎮的轉變，這是伴随着成本而來的。作為一個複雜系統的城市增長受到人類和非人類參數的影響。土地利用變化的時空動态和人類驅動因素的結合對土地利用變化具有最重要的影響。
識别影響城市增長的有效自然、社會和時空過程可以提高拟議模組化程式的準确性和可靠性。
如今，由于土地和自然資源的高價值以及影響生态系統和人類的土地利用變化，土地利用變化模組化對于相關的城市管理人員、專業人士和研究人員來說非常重要。使用城市增長模型的目的是為了實作兩個目标。
首先，實施技術以了解城市增長驅動因素（或它們的代理）與城市土地利用的曆史變化之間的空間關系。第二，基于驅動因素變化情景的土地利用空間變化預測。通過分析曆史時空資訊，可以了解不同土地利用政策導緻的土地利用變化時空動态的性質，這可以作為制定可持續城市規劃和發展所必需的可能增長情景的基礎。
最近，在如此多的研究中實施了大量的城市擴張模型。在這些模型中，人工神經網絡 (ANN) 和邏輯回歸 (LR) 非常受歡迎。邏輯回歸由于其簡單且可解釋的結構已被用于該領域。另一方面，ANN 由于其快速和并行處理以及獲得擴充模式的學習能力，已被使用。這些流行的方法也有一些缺點。
LR由于其線性結構無法處理空間現象的非線性部分。另一方面，缺乏靈活性是 ANN 的缺點之一。此外，人工神經網絡也無法處理定性不确定性。在這種情況下，ANN 和模糊推理系統 (FIS) 的組合消除了它們的許多缺點。換句話說，通過內建人工神經網絡和模糊系統，可以将人工神經網絡的自學習能力與模糊推理的語言表達功能相融合，證明了通過将模糊系統與 ANN 內建來從訓練資料中提取模糊規則的可能性。是以，ANFIS 作為一種利用模糊推理系統的基于 ANN 的方法似乎适用于城市擴張等空間現象。
三種不同的期貨研究類别以及它們如何處理不确定性，盡管在中使用不同的标簽對期貨研究進行分類，未來研究的三個拟議類别包括：預測、預見和規範性未來研究。預測顯示了未來的一個相對确定的圖像。未來可以看作是過去的邏輯結果 。實際上，預測是通過科學方法論對特定研究領域的未來進行的短期、中期或長期估計。
對于這種方法，基于過去的科學知識和基于這些假設的模型被認為是對未來做出陳述的可靠基礎 。換句話說，預測将過去和現在的模式和趨勢延伸到未來，意味着過去、現在和未來之間的平穩過渡。遠見是 Asselt 的未來研究類别中的第二個，它更強調認知不确定性是遠見，它處理多種可能和似是而非的未來 。
結論：
遙感資料、地理空間資訊系統和人工智能的結合可以成為分析和模拟城市發展等環境現象的強大而有用的方法。這種結合有可能通過為城市規劃研究提供資料和分析工具來支援此類模型。事實上，GIS 和 RS 被認為是為規劃建議提供必要資訊和情報的新可靠方式，并且可以用作計劃實施期間的監控工具。
在 ANFIS 算法中使用更多隸屬函數的結果是可以在更少的時期内實作更高的準确性。另一方面，使用更多的隸屬函數意味着網絡架構需要更多的記憶體和更多的時間來達到預定義的錯誤門檻值。
所考慮的方法都沒有限制輸入資料、評估和敏感分析考慮。它們支援各種輸入資料，例如社會經濟和生物實體資料。在 SLEUTH 等一些常用的方法中，該方法無法支援人口等社會經濟資料。此外，在像 SLEUTH 這樣基于軟體的方法中，沒有辦法考慮敏感分析。增加 ANFIS 結構中輸入參數的數量可以用最少的結構和程式變化來完成。與具有 ANN 元件的其他方法一樣，在 ANFIS 中，每個神經元的權重和偏差不能單獨詳細說明。這個問題是 ANN 最重要的缺點之一。是以，在這方面LR模型很簡單，
在這項研究中，ANFIS 模型具有同時使用神經網絡和模糊邏輯的優點。它能夠确定發展中的重要因素及其關系和對城市發展的影響。
不确定性是空間現象不可或缺的組成部分。城市擴張由于其時空性質而受到不确定性的極大影響。ANFIS包括能夠處理不确定性的模糊推理。
由于 LR 模型的簡單性和快速處理能力，它是城市增長和土地利用變化模組化中衆所周知的方法。但需要指出的是，這種方法無法對土地利用變化現象的非線性部分進行模組化，LR 和 ANFIS 結果的巨大差異可能是由于它們的結構。
