Parsel tabanlı 3 boyutlu kentsel büyüme tahmin modeli (PURGOM)

Abstract

Kentler başta nüfus artışı olmak üzere çeşitli nedenlerle sürekli olarak değişikliğe uğramaktadır. Kentlerin yatayda ve dikeyde yaşadığı değişimler çeşitli etkenlerin sonucunda gerçekleşirken, aynı zamanda bu değişimler çeşitli kent dinamiklerini etkilemektedir. Kentler süreç içinde yatayda doğal ve yarı doğal alanlara doğru büyümekte, kent çeperinde ve yakın çevresinde bulunan ekolojik birimler üzerinde olumsuz etki oluşturmaktadır. Bununla birlikte kentsel yerleşik alan sınırları içinde bulunan boşluklar yapılaşmaya açılmakta, mevcut yapılar dönüşerek yapı yoğunluğu artmaktadır. Yönetilemeyen kentsel büyüme süreci kentsel mekan kalitesinin düşmesine ve kent içinde ve çeperinde ekolojik birimlerin kaybedilmesine neden olmaktadır. Kentlerde gerçekleşmesi muhtemel üç boyutlu değişimlerin tarihsel süreç içerisinde izlenmesi, değişimin sonuçlarının anlaşılması ve gelecek yıllarda gerçekleşebilecek değişimlerin önceden tahmin edilmesi, sorunlar ortaya çıkmadan politikaların geliştirilmesine imkân sağlayacaktır. Kentlerin büyüme kalıplarının ve eğilimlerinin araştırılarak mevcut kentsel dinamiklerin analiz edilmesi, gelecek kestirimlerinin ve simülasyonlarının yapılabilmesine olanak sağlamaktadır. Kent araştırmaları akademik yazınında kentlerin yatayda değişim süreçlerini modelleyen kentsel büyüme modellerine sıkça rastlanmaktadır. Ancak yerleşik alan sınırları içerisinde, mevcut yapı taban alanları ve yapı yüksekliklerinde gerçekleşen değişimlerin modellenmesi görece yeni bir araştırma konusudur. Kentlerde meydana gelen büyüme süreçlerinin kapsamlı ve gerçekçi bir biçimde tanımlanabilmesi için kentin hem yatayda hem de dikeyde tecrübe ettiği değişimlerin birlikte analiz edilmesi gerekmektedir. Bu nedenle kentsel dokuyu oluşturan başta yapılar ve yapılaşmanın gerçekleştiği en küçük birim olan kadastral parsellerin süreç içerisindeki dönüşümünü dikkate almak önemlidir. Kat alanları katsayısı (emsal) kentin yatayda ve dikeyde 3 boyutlu değişimin izlenmesi ve tahmin edilebilmesi için önemli göstergelerden biridir. Emsal, bir parsel üzerinde bulunan yapıların toplam inşaat alanının parsel alanına oranını ifade etmektedir. Kent dinamikleri zamansal ve mekânsal düzlemde kolaylıkla açıklanamazken çeşitli kriterlerle ilişkili olduğu kesindir. Her kentin emsal oranlarındaki değişim miktarı ve değişim eğilimleri kentin kendi iç dinamiklerine yakından bağlı olurken, genel olarak tüm kentler için ortak etkileyiciler de bulmak mümkündür. Önemli kentsel donatılara ve ulaşım güzergâhlarına yakınlık, kentsel mekân üzerinde belirleyici yasal mevzuat, politikalar ve plan kararları; yükselti, eğim, yönlenme, su yüzeyleri gibi doğal unsurlar; mevcut yapılı çevreden kaynaklanan etkiler ve çok çeşitli sosyo-ekonomik unsurlar kentsel mekânda emsal dağılımını ve zamansal değişimini etkilemektedir. Bu çalışmada emsal değerlerini etkileyen değişkenlerin ve etki derecelerinin tespit edilerek modellenmesi ve buna bağlı olarak gelecek senaryolarının üretilmesi amaçlanmıştır. Öncelikle çalışma alanı olarak seçilen Saray kenti özelinde 2012-2019 yılları arasında yapılaşma eğilimlerini etkileyen unsurlar parsel seviyesinde beş ana başlık altında istatistiksel ve mekânsal analizlerle irdelenmiştir. Çalışma alanında bulunan parsellerin mevcut durumdaki ve plan kararları ile üretilmesi öngörülen kentsel donatılara yakınlık durumları, planın öngördüğü yapılaşma ve arazi kullanım kararları, arazi değerleri ve yapılı çevreye dair kriterlerin emsal dağılımını etkilediği tespit edilmiştir. Analizler sonucunda çalışma alanı özelinde değişimi etkilediği tespit edilen kriterler coğrafi bilgi sistemleri aracılığıyla çok kriterli karar verme yöntemlerinden biri olan ağırlıklı doğrusal çakıştırma yöntemiyle değerlendirilmiş ve tüm parsellerin birbirine göre muhtemel emsal katsayıları tespit edilmiştir. Elde edilen emsal katsayılarına ilişkin model verileri 2019 yılı gerçek emsal değerleri ile karşılaştırılarak kalibre edilmiş, 2030 ve 2040 yılları için emsal dağılım öngörüleri ortaya koyulmuştur. Parseller arası emsal ilişkisinin analiz edilmesinden sonra, 2012-2019 yılları arasında çalışma alanında gerçekleşen değişimler yeni yapılaşma ve mevcut yapıların dönüşmesi olmak üzere iki başlıkta ve merkez, orta, çeper ve uzak kuşak olmak üzere dört kent bölgesi özelinde irdelenmiştir. Belirtilen yıllar arasında kent bölgelerine göre gerçekleşen yeni yapılaşma ve dönüşüm istatistikleri sonraki aşamada 2030 ve 2040 yılları için kent üzerinde oluşacak yapılaşma talebinin mekâna dağıtılmasında kullanılmıştır. Kent üzerindeki yapılaşma talebi, miktar ve tür olarak başta nüfus, hane halkı büyüklüğü, gelir durumu, çevresel ilişkiler olmak üzere çeşitli sosyal ve ekonomik değişkenlerin etkileşimi sonucunda gerçekleşmekle birlikte bu çalışmada kentsel nüfus miktarı ile doğrudan ilişkili olarak değerlendirilmiştir. Son aşamada 2030 ve 2040 yılı için nüfus artışına paralel olarak tespit edilen yapılaşma talebi miktarı, kent bölgelerine yapılaşma türüne dayalı olarak modelin ön gördüğü emsal değerlerine göre dağıtılmıştır. Buna göre çalışma alanında, kent merkezinde ve kent merkezini çevre yerleşimlere bağlayan ulaşım güzergâhları üzerinde görece yoğun yapılaşma baskısı bulunmaktadır. Çalışmanın temel amacı parsel tabanlı emsal değerlerini esas alan 3 boyutlu kentsel büyüme modeli oluşturarak mevcut eğilimlerin tespit edilmesi ve geleceğe dair kestirimlerin yapılmasıdır. Bu sayede kent plancılarına, kent yöneticilerine ve kent araştırmacılarına karar verme süreçlerinde yardımcı bir araç üretilmesi amaçlanmıştır. Yapısal değişimlerin gerçekleştiği en küçük birim olan kadastral parsellerin kullanılması, parsel özniteliklerinin kapsamlı kriterlerle sorgulanarak belirlenmesi, parseller arası komşuluk ilişkilerinin dikkate alınması, kentsel yapılaşma talebi miktarı ve türünün kent özelinde gerçekleşen yapılaşma eğilimleri aracılığıyla tespit edilmesi ve mekâna dağıtılması kurgulanan üç boyutlu kentsel büyüme modeli (PURGOM)'nin güçlü taraflarını oluşturmaktadır. Bununla birlikte kentsel büyüme araştırmalarında sıklıkla kullanılan hücresel otomata ve coğrafi bilgi sistemleri haricinde karmaşık yazılımlara ve tekniklere ihtiyaç duyulmaması, modelde kullanılan kriterler ve ağırlıklarının kent özelinde tanımlayıcı istatistiklerle belirlenmesi, kurgulanan modelin farklı özelliklerdeki kentlerde uygulanmasını kolaylaştırmaktadır.

Urban areas are expanding horizontally and rising vertically due to the population growth. The amount and type of demand shape the form of urban growth. The biggest reason for the amount of demand can be considered as population growth and citywide planning studies. Several factors have a crucial role in determining the type of demand, such as the households' living habits, income levels, and vehicle ownership rates. Horizontal urban growth adversely affects natural areas on the urban periphery, while vertical urban growth may negatively affect the microclimate. In order to create more sustainable and livable cities, it is most effective to investigate the effect of existing urban dynamics on urban growth patterns and prevent problems before they occur. Therefore, studies aiming to estimate and model the quantity and quality of urban growth are frequently encountered in the literature. Statistical models, agent-based models, artificial neural networks, Markov chains and cellular automata are the well-known modeling technics of urban growth. There are also models in which more than one method and technique are used together to take advantage of these techniques' strengths and reduce their weaknesses. Cellular automata can be easily defined and applied to various urban areas. Urban interactions do not produce linear results. The cellular automata allow modeling of this reality, and work in coordination with GIS paved the way for the technique to become widespread in urban models. A typical cellular automata model contains five essential elements: Cells, the states the cells can take, time intervals, transition rules, and neighborhood. Cellular automata models are frequently utilized by integrating with other urban models. Economic models and cellular automata, Markov chains and cellular automata, artificial neural networks and cellular automata, agent-based models, and cellular automata system dynamic, and cellular automata can be used together to achieve much more realistic results. The horizontal growth of urban areas is a commonly investigated growth type. However, 3D growth modeling is relatively new. The changes that cities experience vertically are related to the building's density and, therefore, the population density. The increase in population density causes pressure on infrastructure, especially transportation. At the same time, the insufficiency of urban facilities and green areas has become crucial. In this context, 3D change detection and 3D growth estimations models are developed. 3D growth is considered as high-rise building in most models. Although vertical growth in real life is related to floor heights, it cannot be explained only by floor height. Other factors such as building coverage areas, total construction amount, and FAR values should also be taken into consideration at the same time. The Floor Area Ratio (FAR) is defined as the ratio of the amount of construction area on a parcel to the parcel area. FAR is one of the essential indicators for detecting and measuring 3D (three-dimensional) change. The amount and trends of change differ for each urban settlement and on its internal dynamics. FAR is one of the most effective tools available to measure urban spatial change trends over time. It is explained as the ratio of a building's total construction area to that building's parcel area. The increase in the amount of the FAR values causes the building's construction area to increase and the building's density in the urban area to increase consequently. The decrease in the FAR means a decrease in the building density. To keep building density within certain rates concerning the size of an urban area is one of the primary duties of urban managers to form livable and sustainable urban areas at a human scale. Although there is no common consensus on the ideal ratio among scholars, this ratio will likely vary in line with each urban settlements' unique characteristics. Simultaneously, even within the same urban area, these ratios are likely to be gradual at a level that might meet the needs of various socioeconomic layers of the society. Within the scope of the study, a parcel-based urban growth model was created in a GIS environment. It is argued that five groups of criteria, namely, proximity to the facilities in the current situation, proximity to the facilities in line with planning decisions, zoning and land-use decisions, socioeconomic structure, and built environment, are influential in the distribution of future FAR values. Criterion weights were determined by spatially and statistically analyzing the relationship between each parcel's current FAR values and the mentioned criteria. The obtained weights were evaluated with the weighted linear combination method, and the model result values were attained. Model results have been calibrated by comparing them with FAR values for 2019. In the model, changes in population, FAR values, and total construction area between 2012 and 2019 are also analyzed. The type and amount of demand assessed by analyzing occurred change between 2012 and 2019. The urban area is divided into four zones: the center, the mid-center, the middle, and the outer periphery. Change has been designated as new development and transformation. With the help of calibrated model results and demand type and quantity, probable urban growth patterns for 2030 and 2040 are estimated. The building coverage area, number of floors, building usage, cadastral parcels, parcel ownership status, spatial zoning plan decisions, and land values data of 2012 were obtained from Saray Municipality. The building coverage area data for 2019 was created within the scope of the study with the help of Google satellite images by visual interpretation and raster digitization and field studies. Google satellite images was used to draw contours of buildings and field studies are done to define building floors. The raw data obtained were compiled using Esri's ArcMap GIS program, version 10.7, simplified, and made ready for use. The study's spatial scope consists of cadastral parcels that could be subject to residential and commercial functions. While the FAR values occur under the influence of various criteria on these parcels, different FAR value decisions are made and implemented by the administrations according to the needs of the relevant use in public facilities, industrial and military parcels. Therefore, existing and planned facility, industry, and military parcels are excluded from the model. The relationship of each criterion is questioned with built-up parcels' FAR values. Current values are compared spatially and statistically according to proximity, planning decisions, natural structure, built environment, and socioeconomic variables. A total of 26 sub-criteria under five main criteria was examined. Criteria and sub-criteria that were not found to be in a significant relationship with the distribution of FAR values specific to the study area were removed from the model at the end of this stage. The level of relationship was screened by correlation analysis. If the value of correlation coefficient lower than 0.15, the related sub-criteria is removed from the model. Although the correlation coefficient of the sub-criteria primary road connection is lower than this value, it has kept for promising effect for future. Sub-criteria extracted from the model are proximity to existing industrial and green areas, proximity to proposed industrial and green areas in the plan, slope, aspect, elevation, proximity to river beds, and geological structure. However, the neighborhood was analyzed in 3 different circular neighborhood types, 50, 100, and 200 m. It was found that the 50 m neighborhood produced relatively significant results in modeling the distribution of the FAR values. This study aims to estimate the FAR values, one of the most critical factors that shape the urban fabric, by using the relevant criteria. By taking advantage of cellular automata and GIS, cadastral parcels, which are the smallest unit where change occurs in urban space, were used in the study. Parcels with functions such as urban green areas, urban facilities, military areas, industrial areas, whose use of FAR is determined according to a particular need, are not included in the model. Similarly, the parcels owned by public authorities or whose ownership is foreseen to be taken over by the public authorities in the future in line with the zoning plan decisions are also excluded from the study. The purpose of the study is to determine the possible FAR values of the parcels that are subject to residential and commercial use. The most important feature of the designed model is estimating the FAR values that affect the urban fabric in the whole city on a temporal and parcel scale. The difference of the proposed model from the urban growth models in the literature is that vertical growth is also taken into account as well as horizontal growth, and it aims to estimate the FAR values for all parcels. Concurrently, the model's criteria were determined and weighted by taking into account the current growth trends of the study area. This feature of the model increases the applicability for different urban areas. Model results show the possible construction area that can be located on the parcel. Model outputs are expected to guide urban planners and city managers in the decision-making process. The predicted FAR values also allow us to analyze the factors affecting microclimate, such as shadows, heat island formation, building orientation, and visibility before they occur. It is possible to predict the urban texture according to different demand scenarios by using the model results. Household size, household income, social clustering, and other socioeconomic criteria could not be included in the model since socioeconomic variables are not spatially kept on the neighborhood scale in the study area. The results obtained from the model can be evaluated together with the FAR values of the parcels not included in the model. Land use status and decisions for all parcels and interactions between each other can be considered as possible model additions that should be discussed in future studies.