مدلسازی تغییرات کاربری اراضی و پیش‌بینی‌های آینده با استفاده از شبیه-سازی CA-ANN در حوضه آبخیز 25 شنرود سیاهکل
محورهای موضوعی : محیط زیست
رقیه جهدی
1
(استادیار علوم و مهندسی جنگل، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران)
کلید واژه: سنجش از دور, شبیهسازی, طبقه‌بندی, اتوماتای سلولی, مدیریت پایدار,
چکیده مقاله :
در این مطالعه، روندهای مکانی–زمانی پویایی کاربری اراضی برای دوره 1401-1380 با استفاده از داده سنجش از دور مورد تجزیه و تحلیل قرار گرفت. طبقه‌بندی تصویر بر اساس سه طبقه عمده کاربری اراضی یعنی جنگل، مناطق انسان‌ساز (کشاورزی و ساخته شده) و سایر مناطق طبیعی (اراضی لخت، علفزار، جنگلکاری، درختچه‌زار، نواحی آبی و اراضی جنگلی) انجام شد. نقشههای تغییرات کاربری اراضی منطقه در دوره 1401-1380 نشان می‌دهند که مناطق انسان‌ساز 3/9 درصد افزایش یافته‌اند. در مقابل، جنگل و سایر مناطق طبیعی به ترتیب 1/7 درصد و 2/2 درصد کاهش یافتند. علاوه بر این، تکنیک شبکه عصبی مصنوعی-اتوماتای سلولی (CA-ANN) برای پیشبینی تغییرات کاربری اراضی در دوره 1422-1401 استفاده شد. درصد صحت برای شبیهسازی 91 درصد و مقدار کاپا کلی 86/0 بود. به‌طور مشابه با نقشههای طبقه‌بندی شده در دوره 1401-1380، نقشههای پیشبینی شده در دوره 1422-1401 روند افزایشی را در مناطق انسان‌ساز به میزان 7/4 درصد و روند کاهشی در جنگل و سایر مناطق طبیعی به‌ترتیب به میزان 3/4 درصد و 4/0 درصد نشان می‌دهد. در این کار، مدل‌های رگرسیونی حداقل مربعات معمولی (OLS) برای پیشبینی تغییرات کاربری اراضی در منطقه مورد مطالعه به عنوان تابعی از متغیرهای توصیفی [ارتفاع، شیب و متغیرهای مجاورت مانند فاصله تا مرکز شهر، جاده‌ها، روستاها و آبراهه‌ها] اجرا شد. نتایج مدل های OLS عملکرد نسبتاً خوبی را برای پیش‌ینی تغییرات کاربری اراضی با مقدار R2 بیشتر از 5/0 نشان داد. این نتایج دانش مهمی را ارائه می‌کند که می‌تواند به توسعه برنامهریزی و مدیریت پایدار آینده کمک کند و هم‌چنین به مدیران در تصمیم‌گیری آگاهانه برای بهبود شرایط محیط‌زیستی و اکولوژیکی کمک کند.
In this study, we analyzed the spatial–temporal trends of land use dynamics from 2000 to 2021 using remote sensing data. The image classification was based on three main land use classes, i.e. forest, artificial areas (agriculture and built-up), and other natural areas (bare lands, grassland, plantation, shrubland, water bodies, and woodlands). Maps of land use changes in the area for 2000-2021 show that built-up areas have increased by 9.3%. In contrast, forest and other natural areas decreased by 7.1% and 2.2%, respectively. In addition, an integrated CA-ANN (Artificial Neural Networks- Cellular Automata) model was used to predict land use changes from 2021–2042. The percentage of correctness for the simulation was 91%, and the overall kappa value was 0.86. Similar to the classified maps in 2000-2021, the prediction maps from 2021–2042 illustrated increasing trends in built-up areas by 4.7% and decreasing trends in the forest by 4.26% and other natural areas by 0.4%. In this work, we implemented ordinary least squares (OLS) regression models to predict land cover changes in the study area as a function of explanatory variables [elevation, slope, and proximity variables - distance to the city center, roads, villages, and streams-]. The results of the OLS models showed a relatively good performance for predicting land use changes with an R-squared value greater than 0.5. These results provide important knowledge that can help develop future sustainable management and planning and help managers make informed decisions to improve environmental and ecological conditions.
اداره کل منابع طبیعی و آبخیزداری استان گیلان، نقشههای پوشش گیاهی، 1400.
اصغری سراسکانرود، صیاد، سعیدی، علیرضا. 1402. بررسی اثر تغییرات کاربری اراضی بر روی رواناب حوضه‌ی رودخانه‌ی قره چای با استفاده از مدل‌های HEC-HMS. جغرافیا و مطالعات محیطی، 12 (45)، 148-134.
جهدی، رقیه، عربی، مهدی. 1401. موادسوختنی سطحی و تاجی و رفتار آتش در بوم‌سازگان جنگل‌های طبیعی و دست-کاشت حوضه آبخیز 25 شنرود سیاهکل. مطالعات علوم محیط زیست. 8 (2)، 6387-6373.
جورابیان شوشتری، شریف. 1396. شبیهسازی اثرات آینده تغییرات اقلیم، کاربری اراضی، سنجه های سیمای سرزمین و فرآیندهای تغییر بر کیفیت آب سطحی. پایان نامه دکتری تخصصی، دانشگاه ملایر، دانشکده کشاورزی و منابع طبیعی.
خاوریان، حسن، آقائی، مریم، مصطفیزاده، رئوف. 1399. پیشبینی تاثیر تغییرات کاربری اراضی بر جریان ماهانه با استفاده از مدل هیدرولوژیکی و داده های سنجش از دور در حوضه ی آبریز کوزه تپراقی اردبیل. هیدروژئومورفولوژی، 6 (24)، 39-19.
خدابندهلو، بهروز، خاوریان نهزک، حسن، قربانی، اردوان. 1398. آشکارسازی تغییرات کاربری/پوشش اراضی با استفاده از طبقه بندی شئ گرای تصاویر ماهواره ای (مطالعه موردی: حوزه آبریز قره سو، استان اردبیل). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 10 (3)، 92-76.
داداش پور، هاشم، جهانزاد، نریمان. 1395. پیشبینی تغییرات کاربری اراضی در مجموعه شهری مشهد با استفاده از سلولهای خودکار و الگوریتم شبکه عصبی مصنوعی. 1395. برنامهریزی فضایی. 20 (1)، 38-21.
درویشی، شادمان، سلیمانی، کریم. 1399. پایش و مدل سازی تغییرهای زمانی - مکانی پوشش گیاهی با استفاده از NDVI و مدل Markov-CA ( مطالعه موردی: شهرستان کرمانشاه). علوم محیطی. 18 (4)، 182-161.
صالحی آسفیچی، هاتف الرحمن، کرمی، جلال، علوی، سیدعلی. 1397. ارزیابی کارایی الگوی تلفیقی CA-ANN در مدل سازی رشد شهری (مطالعه موردی: کلان شهر تهران). جغرافیا و توسعه ناحیهای. 16 (1)، 278-257.
عابدینی، موسی، صادقی، ابوذر، آقازاده، نازفر، پاسبان، امیرحسام. 1401. پایش دمای سطح زمین در رابطه با تغییرات کاربری اراضی (مطالعه موردی: حوضه صوفیچای مراغه). جغرافیا و مطالعات محیطی، انتشار آنلاین از 19 آذر 1401. https://ges.iaun.iau.ir/article_697635.html
کریمزاده مطلق، زینب، لطفی، علی، پورمنافی، سعید، احمدیزاده، سید سعیدرضا. 1401. ارزیابی و پیشبینی تغییرات کاربری اراضی با استفاده از مدل CA-Markov. جغرافیا و برنامهریزی محیطی. 33 (2)، 80-63.
مولائی هشجین، نصرالله، علینقی پور، مریم. 1399. بررسی روند تغییرات کاربری اراضی با تاکید بر افزایش جمعیت طی سالهای 95-1380 ه.ش (مطالعه موردی:شهرستان رشت ، استان گیلان). مهندسی جغرافیایی سرزمین، 4 (2)، 241-225.
وفایی، ساسان، درویش صفت، علی اصغر، پیرباوقار، مهتاب. 1392. پایش و پیش بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل LCM. جنگل ایران، 5 (3)، 336-323.
هاشمی، سیدآرمین، فاطمی طلب، سیدرضا، کاوسی کلاشمی، حمیده، معدنی پور کرمانشاهی. 1395. پایش تغییرات سطح پوشش جنگل‌های حوزه سیاه مزگی استان گیلان با استفاده از تصاویر لندست. سنجش از دور و سیستم اطلاعات جغرافیایی در منابع طبیعی، 7 (3)، 88-78.
Abebe, G., Getachew, D., Ewunetu, A. 2022. Analyzing land use/land cover changes and its dynamics using remote sensing and GIS in Gubalafito district, Northeastern Ethiopia. SN Applied Sciences, 4. https://link.springer.com/article/10.1007/s42452-021-04915-8
Ahmadi-Sani, N., Razaghnia, L., Pukkala, T. 2022. Effect of Land-Use Change on Runoff in Hyrcania. Land 2022, 11, 220.
Amoah, M.K.M. 2022. Mapping Wetlands Using GIS and Remote Sensing Techniques, A Case Study of Wetlands in Greater Accra, Ghana [Master's thesis, Bowling Green State University]. OhioLINK Electronic Theses and Dissertations Center. http://rave.ohiolink.edu/etdc/view?acc_num=bgsu1660601620356502
Aghsaei, H., Dinan, N.M., Moridi, A., Asadolahi, Z., Delavar, M., Fohrer, N., Wagner, P.D. 2020. Effects of dynamic land use/land cover change on water resources and sediment yield in the Anzali wetland catchment, Gilan, Iran. Science of the Total Environment, 712:136449
Baig, M.F., Mustafa, M.R.U., Baig, I., Takaijudin, H.B., Zeshan, M.T. 2022. Assessment of land use land cover changes and future predictions using CA-ANN simulation for Selangor, Malaysia. Water, 14, 402. https://doi.org/ 10.3390/w14030402
Bansod, R.D., Dandekar, U. 2018. Evaluation of Morna river catchment with RS and GIS techniques. Journal of Pharmacognosy and Phytochemistry, 7(1), 1945–1948.
Butt, A., Shabbir, R., Ahmad, S.S., Aziz, N. 2015. Land use change mapping and analysis using Remote Sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 18(2):251–259
DeValue, K., Takahashi, N., Woolnough, T., Merle, C., Fortuna, S., Agostini, A. 2022. Halting deforestation from agricultural value chains: the role of governments. Rome, FAO. https://doi.org/10.4060/cc2262en
European Environment Agency (EEA). 2021. Global climate change impacts and the supply of agricultural commodities to Europe, EEA Briefing No 27/2020, European Environment Agency (https://www.eea.europa.eu/publications/global-climate-change-impacts-and) accessed 20 January 2023.
FAO. 2011. Farm systems management: agricultural and farm systems. http://www.fao.org/docrep/w7365e04.htm. FAO, 2011. Save and grow. A policymaker's guide to intensification of smallholder crop production.
Foody, GM. 2003. Geographical weighting as a further refinement to regression modelling: An example focused on the NDVI–rainfall relationship. Remote Sensing of Environment 88, 283–293.
Kamaraj, M., Rangarajan, S. 2022. Predicting the future land use and land cover changes for Bhavani basin, Tamil Nadu, India, using QGIS MOLUSCE plugin. Environmental Science and Pollution Research. https://doi.org/10.1007/s11356-021-17904-6
Keenan, R., Reams, G., Achard, F., De Freitas, J., Grainger, A., Lindquist, E. 2015. Dynamics of global forest area: results from the FAO Global Forest Resources Assessment 2015. Forest Ecology and Management, 352: 9-20. JRC96276
Islami, F.A., Tarigan SD., Wahjunie E.D., Dasanto, B.D. 2022. Accuracy Assessment of Land Use Change Analysis Using Google Earth in Sadar Watershed Mojokerto Regency. IOP Conference Series: Earth and Environmental Science. 950 012091.
Huu, C.N., Van, C.N., My, TNN. 2022. Modeling land-use changes using logistic regression in Western Highlands of Vietnam: A case study of Lam Dong province. Agriculture and Natural Resources, 56 (2022) 935–944.
Li, K., Feng, M., Biswas, A., Su, H., Niu, Y., Cao, J. 2020. Driving factors and future prediction of land use and cover change based on satellite remote sensing data by the LCM model: A case study from Gansu province, China. Sensors 20: 2757. doi.org/10.3390/s20102757
Malede, D.A., Tena Alamirew, T., Kosgie, J.R., Andualem, T.G. 2023. Analysis of land use/land cover change trends over Birr River Watershed, Abbay Basin, Ethiopia. Environmental and Sustainability Indicators, 17, 100222.
Mohammadi, M., Khaledi Darvishan, A.K., Spalevic, V., Dudic, B., Billi, P. 2021. Analysis of the impact of land use changes on soil erosion intensity and sediment yield using the intErO model in the talar watershed of Iran. Water, 13, 881.
Thapa, R.B., Murayama, Y. 2009. Examining spatiotemporal urbanization patterns in Kathmandu Valley, Nepal: Remote sensing and spatial metrics approaches. Remote Sensing, 1(3): 534-556.
Wang, B., Tian, J., Wang, S. 2022. Process and mechanism of transition in regional land use function guided by policy: A case study from Northeast China. Ecological Indicators, 144, 109527.
Zhang, Q., Li, F. 2022a. Correlation between land use spatial and functional transition: a case study of Shaanxi Province, China. Land Use Policy, 119, 106194.
Zhang, C., Li, X. 2022b. Land use and land cover mapping in the era of big data. Land, 11, 1692. https://doi.org/10.3390/land1110169
Zhu, Z., Zhang, Z., Zhao, X., Zuo, L., Wang, X. 2022. Characteristics of Land Use Change in China before and after 2000. Sustainability, 14, 14623. https://doi.org/10.3390/su142114623
_||_