کالیبراسیون سه‌بعدی تغییرات کاربری اراضی با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف در حوزه آبخیز گرگان‏رود

حاجی بیگلو, محبوبه; شیخ, واحد بردی; معماریان, هادی; کمکی, چوقی بایرام

doi:10.30495/girs.2020.674554

کد مقاله : GIRS-2003-1821 (R3) بازدید : 370 صفحه: 1 - 26

10.30495/girs.2020.674554

http://dorl.net/dor/20.1001.1.26767082.1399.11.2.1.7

نوع مقاله: پژوهشی

کالیبراسیون سه‌بعدی تغییرات کاربری اراضی با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف در حوزه آبخیز گرگان‏رود

محورهای موضوعی : زیرساخت اطلاعات مکانی و طبقه بندی

محبوبه حاجی بیگلو ^{1
*} , واحد بردی شیخ ² , هادی معماریان ³ , چوقی بایرام کمکی ⁴

1 - دانشجوی دکتری آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه گرگان، گرگان، ایران
2 - دانشیار گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه گرگان، گرگان، ایران
3 - دانشیار گروه منابع طبیعی، دانشکده منابع طبیعی، دانشگاه بیرجند، بیرجند، ایران
4 - استادیار گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه گرگان، گرگان، ایران

تاریخ دریافت : 1398/12/19 تاریخ پذیرش : 1399/02/23 تاریخ انتشار : 1399/04/15

کلید واژه: آنالیز سه‌بعدی پنتیوس- ملینوس, ابزار LCM, مدل تلفیقی سلول اتومای زنجیره مارکوف, الگوریتم ماشین بردار پشتیبان,

چکیده مقاله :

پیشینه و هدف تغییرات در کاربری/پوشش اراضی به‌عنوان یکی از موضوعات مهم در مدیریت منابع طبیعی، توسعه پایدار و تغییرات زیست‌محیطی در مقیاس محلی، ملی، منطقه‌ای و جهانی مطرح است. تبدیل کاربری‌ها به یکدیگر و تغییر کاربری‌های مجاز به غیرمجاز از قبیل تبدیل اراضی زراعی به مناطق مسکونی و یا اراضی مرتعی به دیم‌زارهای کم بازده و فرسایش یافته به‌عنوان موضوعات مهم در منابع طبیعی همواره مطرح است. شناسایی الگوهای تغییرات کاربری اراضی و پیش‌بینی تغییرات در آینده به‌منظور انجام برنامه‌ریزی مناسب در جهت بهره‌برداری بهینه از کاربری‌ها در مدیریت منابع طبیعی نیاز به مدل‌سازی تغییرات مکانی و زمانی LU/LC را آشکار می‌سازد. هدف از تحقیق ارزیابی کارایی مدل تلفیقی سلول اتومای زنجیر مارکوف (CA-Markov model) در شبیه‌سازی و پیش‌بینی تغییرات زمانی و مکانی LU/LC در حوزه آبخیز گرگان رود با کاربرد آنالیز سه‌بعدی پنتیوس- ملینوس در کالیبراسیون تغییرات کاربری اراضی با استفاده از سه شاخص ارزیابی اختلاف کمی (QD)، اختلاف مکانی (AD) و درجه شایستگی (FOM) به‌عنوان شاخص‌های جدید در ارزیابی صحت مدل زنجیره مارکوف است.مواد و روشهابه‌منظور پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف در حوزه آبخیز گرگان رود، از تصاویر سنجندِه مشاهده‌گر زمینی OLI و TM ماهواره لندست 8 و 5 مربوط به سایت USGS استفاده شد. هفت کلاس کاربری اراضی شامل کلاس اراضی جنگلی با شماره کد کاربری 1، کلاس اراضی زراعی با شماره کد کاربری 2، کلاس اراضی مرتعی (مخلوط درختچه زار/ مرتع/ زراعت) با شماره کد کاربری 3، کلاس منابع آبی با شماره کد کاربری 4، کلاس اراضی بایر (بایر/ مرتع/ زراعت) با شماره کد کاربری 5، کلاس مناطق مسکونی و صنعتی با شماره کد کاربری 6، کلاس بستر رودخانه با شماره کد کاربری 7 برای حوزه آبخیز گرگان رود تفکیک گردید. به‌منظور طبقه‌بندی تصاویر ماهواره‌ای لندست 5 و 8 به‌منظور استخراج کلاس‌های کاربری اراضی حوزه آبخیز گرگان رود از روش طبقه‌بندی شی‌ءگرا و الگوریتم ماشین بردار پشتیبان استفاده شد. مقیاس سگمنت‌سازی در این الگوریتم با مقیاس 50 واحد (SL50) به‌منظور طبقه‌بندی تصاویر ماهواره سال‌های 1987، 2000، 2009 و 2017 انتخاب شد. ارزیابی صحت الگوریتم ماشین بردار پشتیبان در طبقه‌بندی شی‌ءگرای تصاویر ماهواره‌ای بابیان دقت کلی، ضریب کاپا، صحت کاربر، صحت تولیدشده، خطای Commission و خطای Omission برای هر چهار دوره مطالعاتی انجام‌شده است. برای درک این‌که در طی دوره 30 ساله موردمطالعه، تغییرات ایجاد‌شده در منطقه چگونه بوده و کدام کلاس‌ها گسترش و کدام کلاس کاهش مساحت داشته‌اند، با استفاده از نقشه‌های طبقه‌بندی‌شده با استفاده از نرم‌افزار IDRISI، تغییرات در محدوده کلاس‌ها آشکار و درصد تغییرات هر کلاس به دست آمد. مدل CA-Markov تغییرات گروه‌های مختلف از واحدهای LU/LC را بر اساس مفهوم همسایگی مکانی و ماتریس احتمال انتقال، پیش‌بینی می‌کند. یکی از الزامات برای پیش‌بینی تغییرات کاربری اراضی با مدل CA-Markov تهیه نقشه‌های تناسب اراضی است تا تغییرات مکانی به‌وسیله قوانین احتمال از طریق فیلتر نقشه‌های تناسب برای هر کاربری کنترل شود. اعتبارسنجی مدل مارکوف با استفاده از آنالیز سه‌بعدی پنتیوس و ملینوس با سه شاخص درجه شایستگی و اختلاف‌های کمی اختلاف‌های مکانی انجام شد.نتایج و بحثالگوریتم ماشین بردار پشتیبان در طبقه‌بندی کاربری اراضی به روش شی‌ءگرا نشان داد که بیشترین میزان خطای اضافه و خطای حذف به ترتیب با 19.12 و 18.55 درصد در اراضی مرتعی و اراضی زراعی در نقشه کاربری اراضی سال 2009 مشاهده گردید. پایین‌ترین صحت تولیدکننده به میزان 71.49 درصد مربوط به کلاس کاربری اراضی مرتعی در نقشه کاربری اراضی سال 2009 و پایین‌ترین صحت کاربر به میزان 71.45 درصد مربوط به کلاس کاربری اراضی زراعی در نقشه کاربری اراضی سال 2017 است. در دوره 30 ساله از سال 1987 تا 2017 بر اساس نتایج به‌دست‌آمده، بیش‌ترین تغییر مثبت مربوط به افزایش کاربری اراضیزراعی و در تغییرات منفی مربوط به کاهش کاربری اراضی جنگلی و مرتعی در طول دوره موردنظر است. بیش‌ترین کاهش اراضی جنگلی با 4.8 درصد در دوره 2017-2000، بیش‌ترین افزایش اراضی زراعی با 5.3 درصد در دوره 2017-1987، بیش‌ترین کاهش اراضی مرتعی با 9 درصد در دوره 2017-2009، بیش‌ترین افزایش اراضی بایر با 4.6 درصد در دوره 2017-2009 و بیش‌ترین افزایش اراضی مسکونی و صنعتی با 0.8 درصد در دوره 2017-1987 رخ‌داده است. بعد از اعتبارسنجی تغییرات کاربری اراضی پیش‌بینی‌شده در مدل زنجیره مارکوف، بر اساس تحلیل 5 حالت موجود در آنالیز سه‌بعدی پنتیوس و ملینوس، مدل زنجیره مارکوف با پیش‌بینی صحیح شبیه‌سازی 89.92 درصد، نشان از کارایی بالای مدل زنجیره مارکوف در فرآیند شبیه‌سازی بود. بعد از اجرای تحلیل زنجیره مارکوف بر روی نقشه کاربری اراضی به‌دست‌آمده از طبقه‌بندی تصاویر ماهواره‌ای، یک ماتریس احتمال انتقال و ماتریس مساحت انتقال‌یافته ایجاد شد. در پیش‌بینی‌های انجام‌شده توسط مدل زنجیره مارکوف از سال 2017 تا سال 2035 عمده تغییرات مربوط به کاهش وسعت اراضی جنگلی و بایر به ترتیب به میزان 16966 و 6961 هکتار است و در مقابل این کاهش کاربری، افزایش وسعت اراضی زراعی، مرتعی و مسکونی به میزان 20397، 3913 و 3825 هکتار مشاهده خواهد شد.نتیجه گیری آَشکارسازی تغییرات کاربری اراضی با استفاده از ابزار LCM برای دوره سی‌ساله 2017 – 1987 در حوزه آبخیز گرگان رود نشان داد که کاربری جنگل، زارعت و نواحی مسکونی در طی این دوره در این منطقه تغییرات چشمگیری داشته است. نتایج حاصل از پیش‌بینی تغییرات کاربری اراضی در طی هجده سال آینده با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف نشان داد که در طی سالیان آتی با پدیده جنگل‌زدایی شدید در این حوزه روبه‌رو خواهیم بود. بررسی نتایج حاصل از اجرای مدل شبکه‌سازی کاربری آینده با استفاده از تخمینگر انتقال مارکوف نشان داد که می‌توان تغییرات کاربری آینده را با توجه به شرایط محیطی موجود پیش‌بینی کرد که نشان‌دهنده این است که در حوزه آبخیز گرگان رود در طی هجده سال آینده زراعت به‌شدت در این منطقه افزایش خواهد داشت. لذا باید با مدیریت بلندمدت و جامع، منابع آب‌وخاک حفظ کرد و تا حد امکان مانع از تخریب این منابع ارزشمند شد. سه شاخص QD، AD و FOM در آنالیز سه‌بعدی نقش مهمی در بیان میزان صحت و کالیبراسیون طبقه‌بندی کاربری اراضی و پیش‌بینی کاربری اراضی داشت. نتایج تغییرات کاربری اراضی مطالعه شده با استفاده از ابزار LCM و مدل تلفیقی سلول اتومای زنجیره مارکوف در طی دوره 1987 تا 2035 بیانگر تخریب بیش از 24309 هکتار از اراضی جنگلی و 31921 هکتار از اراضی مرتعی و افزایش زراعت در حوزه به مساحت 62421 هکتار است که بیانگر دخالت‌های انسانی و جنگل‌تراشی‌های پیش رو در این حوزه است.

چکیده انگلیسی:

Background and ObjectiveLand use/cover changes (LU/LC) are considered as one of the most important issues in natural resource management, sustainable development and the environmental changes on a local, national, regional and global scale. Changing uses into each other and changing permissible uses into impermissible uses such as changing agricultural lands into residential regions or changing rangelands into eroded and low-yielding dry farming lands are always considered as importand issues in natural resources. Detection of the patterns of the land use changes and prediction of the changes in the future to carry out suitable planning for optimal utilization of uses in natural resource management reveal the need for modeling spatial and temporal changes of LU/LC. This study aims to assess the efficiency of the integrated model of Markov chain automatic cell (CA-Markov model) in simulation and prediction of spatial and temporal changes of Land use/Land cover (LU/LC) in Gorgan-rud river basin by applying three-dimensional Pentius-Melinus analysis in calibration of land use changes by using three assessment indices of Quantity Disagreement, Allocation Disagreement and Figure of Merit as new indices in the assessment of the accuracy of CA-Markov model. Materials and Methods In this research, the Earth observing sensor images of Landsat-5 Thematic Mapper (TM) and Landsat-8 Operational Land Imager (OLI) acquired from the U.S. geographical site dependent on the U.S. Geographical Survey (USGS) were used to predict land use changes by using the integrated model of Markov chain automatic cell in Gorgan-rud river basin. Seven land use classes were separated for Gorgan-rud river basin including forest land class with the use code 1, agricultural land class with the use code 2, rangeland class (a mixture of shrubbery,langeland,agriculture) with the use code 3, water bodies class with the use code 4, barren land class (barren, rangeland, agriculture) with the use code 5, residential and industrial region class with the use code 6, streambed class with the use code 7. In this study, object-oriented classification method and Support Vector Machine (SVM) algorithm were used to classify Landsat 5 and 8 satellite images and extract the land use classes of Gorgan-rud river basin. Segmentation scale in this algorithm on a 50 unit scale (SL 50) was selected to classify the satellite images of 1987, 2000, 2009 and 2017. The assessment of the accuracy of Support Vector Machine algorithm in the object-based classification of satellite images was done by representing overall accuracy, Kappa cefficient, user accuracy, producer accuracy, commission error and omission error for four study periods. To understand how the changes in the region were created during the period of the study three decades and which classes had the area expansion and which classes had the area decrease, changes in the limits of the classes were revealed and percent of the changes in each class were obtained by using the classification maps and IDRISI software. CA-Markov model predicts the changes of different groups of LU/LC units based on spatial neighbourhood concept, transition probability matrix. Preparing land suitability maps is necessary to predict land use changes so that spatial changes can be controlled for each use by probability rules via filtering suitability maps. Validation of Markov model was performed by using three-dimensional Pentius-Melinus analysis with three assessment indices of Figure of Merit, Quantity Disagreement and Allocation Disagreement. Results and Discussion Support Vector Machine algorithm in the classification of the land use based on object-oriented showed that the highest rate of commission error and omission error were observed in rangelands and agricultural lands with 19.12 and 18.55 percent respectively in the land use map of the year 2009. The lowest accuracy of the producer with 71.49 percent belongs to the rangeland use class in the land use map of the year 2009 and the lowest use accuracy with 71.45 percent belongs to agricultural land use class in the land use map of the year 2017. In keeping with the obtained results, the highest positive change belongs to the agricultural land use increase and the highest negative changes belong to rangeland and forest land use decrease during the period of three decades from 1987 to 2017. The highest forest land decrease with 4.8 percent, the highest agricultural land increase with 5.3 percent, the highest rangeland decrease with 9 percent, the highest barren land increase with 4.6 percent and the highest residential and industrial land increase with 0.8 happened during the periods of 2000-2017, 1987-2017, 2009-2017, 2009-2017, and 1987-2017 respectively. After validating the predicted land use chnges in CA-Markov model, based on the analysis of the 5 existing states in three-dimensional Pentius-Melinus analysis, the CA-Markov model with the accurate prediction of simulation of 89.92 percent showed the high efficiency of CA-Markov model in simulation process. After the implementation of the CA-Markov model analysis on the obtained land use map from the classification of the satellite images, one transition probability matrix and one transitioned area matrix were created. In predictions made by using CA-Markov model in 2017 to 2033, the most changes relate to barren and forest land expansion decrease to 16966 and 6961 hectare respectively and in contrast to the use decrease, rangeland, residential and agricultural land expansion increase will be observed to 20397, 3913 and 3825 hectare respectively. Conclusion Detecting land use changes by using LCM tool for the period of three decades 1987-2017 in Gorgan-rud river basin showed that the forest, agricultural and residential use has had significant changes in this region. The obtained results of the prediction of the land use changes during the coming eighteen years by using the integrated model of Markov chain automatic cell following the detected changes by LCM tool show that we will face extreme deforestation phenomenon in this area. Investigation of the obtained results from the implementation of the future use network model by using Markov transition estimator showed that the future use changes can be predicted based on the existing environmental conditions showing that the agriculture will extremely increase in Gorgan-rud river basin during the coming eighteen years. Thus we can protect water and soil resources with comprehensive and long-term management and prevent the degradation of these valuable resources. Three indices of Quantity Disagreement, Allocation Disagreement and Figure of Merit in three-dimensional Pentius-Melinus analysis had an important role in representation of the accuracy rate and calibration of the land use classification and the land use prediction corresponding with the obtained results from the carried out studies concerning the accuracy assessment with indices of Quantity Disagreement, Allocation Disagreement and Figure of Merit. The results of the studied land use changes by using LCM tool and the integrated model of Markov chain automatic cell during the period of 1987 to 2035 show the degradation of more than 24309 hectare of the forest lands and agriculture increase in an area about 62421 hectare indicating human interfernces and deforestation we face in this area.

منابع و مأخذ:

Al-sharif AAA, Pradhan B. 2014. Monitoring and predicting land use change in Tripoli Metropolitan City using an integrated Markov chain and cellular automata models in GIS. Arabian Journal of Geosciences, 7(10): 4291-4301. doi:10.1007/s12517-013-1119-7.

Anand J, Gosain AK, Khosa R. 2018. Prediction of land use changes based on Land Change Modeler and attribution of changes in the water balance of Ganga basin to land use change using the SWAT model. Science of The Total Environment, 644: 503-519. doi:https://doi.org/10.1016/j.scitotenv.2018.07.017.

Araya YH, Cabral P. 2010. Analysis and modeling of urban land cover change in Setúbal and Sesimbra, Portugal. Remote Sensing, 2(6): 1549-1563. doi:https://doi.org/10.3390/rs2061549.

Arsanjani JJ, Helbich M, Kainz W, Darvishi Boloorani A. 2013. Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion. International Journal of Applied Earth Observation and Geoinformation, 21: 265-275. doi:https://doi.org/10.1016/j.jag.2011.12.014.

Askarizadeh D, Arzani H, Jafary M, Bazrafshan J, Prentice I. 2018. Surveying of the past, present and future of vegetation changes in the central Alborz ranges in relation to climate change. Journal of RS and GIS for Natural Resources, 9(32): 1-18. (In Persian)

Beygi Heidarlou H, Banj Shafiei A, Erfanian M, Tayyebi A, Alijanpour A. 2019. Effects of preservation policy on land use changes in Iranian Northern Zagros forests. Land Use Policy, 81: 76-90. doi:https://doi.org/10.1016/j.landusepol.2018.10.036.

Clancy D, Tanner JE, McWilliam S, Spencer M. 2010. Quantifying parameter uncertainty in a coral reef model using Metropolis-Coupled Markov Chain Monte Carlo. Ecological Modelling, 221(10): 1337-1347. doi:https://doi.org/10.1016/j.ecolmodel.2010.02.001.

Dezhkam S, Jabbarian Amiri B, Darvishsefat AA, Sakieh Y. 2017. Performance evaluation of land change simulation models using landscape metrics. Geocarto international, 32(6): 655-677. doi:https://doi.org/10.1080/10106049.2016.1167967.

Esch T, Asamer H, Bachofer F, Balhar J, Boettcher M, Boissier E, d'Angelo P, Gevaert CM, Hirner A, Jupova K. 2020. Digital world meets urban planet–new prospects for evidence-based urban studies arising from joint exploitation of big earth data, information technology and shared knowledge. International journal of digital earth, 13(1): 136-157. doi:https://doi.org/10.1080/17538947.2018.1548655.

Ghorbannia K, Mirsanjari M, Armin M. 2017. Forecasting of forest land changes in the Chaloosrood watershed. Journal of RS and GIS for Natural Resources, 8(2): 79-91. (In Persian)

Ghosh P, Mukhopadhyay A, Chanda A, Mondal P, Akhand A, Mukherjee S, Nayak SK, Ghosh S, Mitra D, Ghosh T, Hazra S. 2017. Application of Cellular automata and Markov-chain model in geospatial environmental modeling- A review. Remote Sensing Applications: Society and Environment, 5: 64-77. doi:https://doi.org/10.1016/j.rsase.2017.01.005.

Guan D, Li H, Inohae T, Su W, Nagaie T, Hokao K. 2011. Modeling urban land use change by the integration of cellular automaton and Markov model. Ecological Modelling, 222(20): 3761-3772. doi:https://doi.org/10.1016/j.ecolmodel.2011.09.009.

Hajbigloo M, Sheikh V, Memarian H, Bairam Komaki C. 2020. Determination of quantity and allocation disagreement indices in selection of appropriate algorithm for land use classification in pixel and objected base in Gorgarood river basin. Journal of RS and GIS for Natural Resources, 10(4): 1-20. (In Persian)

Kelly dOB, Alvares Soares Ribeiro CA, Marcatti GE, Lorenzon AS, Martins de Castro NL, Domingues GF, Romário de Carvalho J, Rosa dos Santos A. 2018. Markov chains and cellular automata to predict environments subject to desertification. Journal of Environmental Management, 225: 160-167. doi:https://doi.org/10.1016/j.jenvman.2018.07.064.

Khalifa MA. 2015. Evolution of informal settlements upgrading strategies in Egypt: From negligence to participatory development. Ain Shams Engineering Journal, 6(4): 1151-1159. doi:https://doi.org/10.1016/j.asej.2015.04.008.

Ku C-A. 2016. Incorporating spatial regression model into cellular automata for simulating land use change. Applied Geography, 69: 1-9. doi:https://doi.org/10.1016/j.apgeog.2016.02.005.

Kumar KS, Kumari KP, Bhaskar PU. 2016. Application of Markov Chain & Cellular Automata based model for prediction of Urban transitions. In: 2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT). IEEE, pp 4007-4012. doi:https://doi.org/4010.1109/ICEEOT.2016.7755466.

Liu Y, Feng Y, Pontius RG. 2014. Spatially-explicit simulation of urban growth through self-adaptive genetic algorithm and cellular automata modelling. Land, 3(3): 719-738. doi:https://doi.org/10.3390/land3030719.

Mansour S, Al-Belushi M, Al-Awadhi T. 2020. Monitoring land use and land cover changes in the mountainous cities of Oman using GIS and CA-Markov modelling techniques. Land Use Policy, 91: 104414. doi:https://doi.org/10.1016/j.landusepol.2019.104414.

Memarian H, Balasundram SK, Talib JB, Sung CTB, Sood AM, Abbaspour K. 2012. Validation of CA-Markov for simulation of land use and cover change in the Langat Basin, Malaysia. Journal of Geographic Information System, 4(6): 542-554. doi:https://doi.org/10.4236/jgis.2012.46059.

Mohammadi S, Habashi K, Pourmanafi S. 2018. Monitoring and prediction land use/land cover changes and its relation to drought (Case study: sub-basin Parsel B2, Zayandeh Rood watershed). Journal of RS and GIS for Natural Resources, 9(1): 24-39. (In Persian)

Munthali MG, Mustak S, Adeola A, Botai J, Singh SK, Davis N. 2020. Modelling land use and land cover dynamics of Dedza district of Malawi using hybrid Cellular Automata and Markov model. Remote Sensing Applications: Society and Environment, 17: 100276. doi:https://doi.org/10.1016/j.rsase.2019.100276.

Pontius Jr RG, Millones M. 2011. Death to Kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing, 32(15): 4407-4429. doi:https://doi.org/10.1080/01431161.2011.552923.

Pontius Jr RG, Peethambaram S, Castella J-C. 2011. Comparison of three maps at multiple resolutions: a case study of land change simulation in Cho Don District, Vietnam. Annals of the Association of American Geographers, 101(1): 45-62. doi:https://doi.org/10.1080/00045608.2010.517742.

Prestele R, Alexander P, Rounsevell MD, Arneth A, Calvin K, Doelman J, Eitelberg DA, Engström K, Fujimori S, Hasegawa T. 2016. Hotspots of uncertainty in land‐use and land‐cover change projections: a global‐scale model comparison. Global change biology, 22(12): 3967-3983. doi:https://doi.org/10.1111/gcb.13337.

Ralha CG, Abreu CG, Coelho CGC, Zaghetto A, Macchiavello B, Machado RB. 2013. A multi-agent model system for land-use change simulation. Environmental Modelling & Software, 42: 30-46. doi:https://doi.org/10.1016/j.envsoft.2012.12.003.

Rimal B, Zhang L, Keshtkar H, Haack BN, Rijal S, Zhang P. 2018. Land use/land cover dynamics and modeling of urban land expansion by the integration of cellular automata and markov chain. ISPRS International Journal of Geo-Information, 7(4): 154. doi:https://doi.org/10.3390/ijgi7040154.

Saaty TL. 1990. How to make a decision: the analytic hierarchy process. European journal of operational research, 48(1): 9-26.

Salehi N, Ekhtesasi M, Talebi A. 2019. Predicting locational trend of land use changes using CA-Markov model (Case study: Safarod Ramsar watershed). Journal of RS and GIS for Natural Resources, 10(1): 106-120. (In Persian)

Singh SK, Mustak S, Srivastava PK, Szabó S, Islam T. 2015. Predicting Spatial and Decadal LULC Changes Through Cellular Automata Markov Chain Models Using Earth Observation Datasets and Geo-information. Environmental Processes, 2(1): 61-78. doi:https://doi.org/10.1007/s40710-015-0062-x.

Solomon N, Hishe H, Annang T, Pabi O, Asante IK, Birhane E. 2018. Forest cover change, key drivers and community perception in Wujig Mahgo Waren forest of northern Ethiopia. Land, 7(1): 32. doi:https://doi.org/10.3390/land7010032.

Stefanov WL, Ramsey MS, Christensen PR. 2001. Monitoring urban land cover change: An expert system approach to land cover classification of semiarid to arid urban centers. Remote Sensing of Environment, 77(2): 173-185. doi:https://doi.org/10.1016/S0034-4257(01)00204-8.

Tajbakhsh M, Memarian H, Shahrokhi Y. 2016. Analyzing and modeling urban sprawl and land use changes in a developing city using a CA-Markovian approach. Global Journal of Environmental Science and Management, 2(4): 397-410. doi:https://doi.org/10.22034/GJESM.2016.02.04.009.

Varga OG, Pontius RG, Singh SK, Szabó S. 2019. Intensity Analysis and the Figure of Merit’s components for assessment of a Cellular Automata – Markov simulation model. Ecological Indicators, 101: 933-942. doi:https://doi.org/10.1016/j.ecolind.2019.01.057.

Verburg PH, Soepboer W, Veldkamp A, Limpiada R, Espaldon V, Mastura SSA. 2002. Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model. Environmental Management, 30(3): 391-405. doi:10.1007/s00267-002-2630-x.

Yu H, Jia H. 2017. Simulating the spatial dynamics of urban growth with an integrated modeling approach: A case study of Foshan, China. Ecological Modelling, 353: 107-116. doi:https://doi.org/10.1016/j.ecolmodel.2016.04.005.

Zang S, Huang X. 2006. An aggregated multivariate regression land-use model and its application to land-use change processes in the Daqing region (northeast China). Ecological Modelling, 193(3): 503-516. doi:https://doi.org/10.1016/j.ecolmodel.2005.08.026.

_||_

Araya YH, Cabral P. 2010. Analysis and modeling of urban land cover change in Setúbal and Sesimbra, Portugal. Remote Sensing, 2(6): 1549-1563. doi:https://doi.org/10.3390/rs2061549.

Ghorbannia K, Mirsanjari M, Armin M. 2017. Forecasting of forest land changes in the Chaloosrood watershed. Journal of RS and GIS for Natural Resources, 8(2): 79-91. (In Persian)

Ku C-A. 2016. Incorporating spatial regression model into cellular automata for simulating land use change. Applied Geography, 69: 1-9. doi:https://doi.org/10.1016/j.apgeog.2016.02.005.

Saaty TL. 1990. How to make a decision: the analytic hierarchy process. European journal of operational research, 48(1): 9-26.

متن کامل:

کالیبراسیون سه بعدی تغییرات کاربری اراضی با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف در حوزه آبخیز گرگان‏رود

چکیده

تغییرات کاربری اراضی در مدیریت منابع طبیعی و توسعه پایدار نقش مهمی دارد. در حوزه آبخیز گرگان‏رود واقع در استان گلستان تغییرات عمده کاربری اراضی بسیار چشمگیر بوده است. هدف در این تحقیق بررسی تغییرات کاربری اراضی حوزه آبخیز گرگان‏رود در دوره سی ساله (2017-1987) با الگوریتم ماشین بردار پشتیبان در طبقه‏بندی شی‏ء‏گرا و پیش‏بینی تغییرات کاربری اراضی برای بیست سال آینده (2035-2017) با استفاده از تصاویر ماهواره لندست با مدل تلفیقی سلول اتومای زنجیره مارکوف و کالیبراسیون نتایج حاصل از مدل زنجیره مارکوف با آنالیز سه بعدی پنتیوس – ملینوس می‏باشد. در این تحقیق بعد از تهیه نقشه‏های تناسب اراضی با استفاده از روش فازی و مشخص کردن وزن هر عامل در تناسب آن کاربری برای آینده با استفاده از روش ترکیب خطی وزنی اقدام به پیش‏بینی تغییرات کاربری اراضی برای سال 2035 شد. بمنظور پیش‏بینی تغییرات کاربری اراضی در مدل زنجیره مارکوف، ماتریس احتمال انتقال برای سه دوره 2009-2000- 1987، 2017- 2009-2000 و 2017- 2009- 1987 بررسی و براساس ضریب کاپای بدست آمده معادل 11/89 درصد، دوره 2009- 2000 به عنوان دوره کالیبراسیون و دوره 2017- 2009 به عنوان دوره اعتبارسنجی انتخاب شد. نقشه پیش‏بینی شده سال 2017 از دوره 2017- 2009- 2000 با مقادیر 75/3، 23/5، 52/8 درصد بترتیب برای سه شاخص اختلاف کمی، اختلاف مکانی و درجه شایستگی بالاترین صحت را با نقشه مشاهداتی سال 2017 داشت. نتایج حاصل از تغییرات کاربری اراضی برای سی سال اول (2017-1987) بیانگر افزایش مساحت کاربری زراعت و نواحی مسکونی و صنعتی بترتیب برابر با 42071 و 6433 هکتار و کاهش مساحت کاربری جنگل، مرتع و بایر بترتیب بمیزان 7350، 35834 و 6603 هکتار می‏باشد. نتایج حاصل از تغییرات کاربری اراضی پیش‏بینی شده سال 2035 براساس مدل زنجیره مارکوف در این حوزه بیانگر افزایش مساحت کاربری زراعت بمیزان 20397 هکتار و کاهش مساحت کاربری جنگل به میزان 16966 هکتار می‏باشد.

واژه‌های کلیدی: الگوریتم ماشین بردار پشتیبان، ابزار LCM، مدل تلفیقی سلول اتومای زنجیره مارکوف، آنالیز سه‌بعدی پنتیوس- ملینوس

مقدمه

تغییرات در کاربری/پوشش اراضی (LULC) به عنوان یکی از موضوعات مهم در مدیریت منابع طبیعی، توسعه پایدار و تغییرات زیست‌محیطی در مقیاس محلی، ملی، منطقه‌ای و جهانی مطرح می‌باشد (25 و 11). تبدیل کاربری‌ها به یکدیگر و تغییر کاربری‌های مجاز به غیرمجاز از قبیل تبدیل اراضی زراعی به مناطق مسکونی و یا اراضی مرتعی به دیم‌زارهای کم بازده و فرسایش یافته به عنوان موضوعات مهم در منابع طبیعی همواره مطرح می باشد. ایجاد مکان‌های تولیدکننده گردوغبار، جنگل تراشی و ایجاد مکان‌های مستعد فرسایش به‌عنوان محرک‌های اصلی مدل‌سازی و پیش‌بینی تغییرات کاربری اراضی در کشورهای درحال‌توسعه در حال حاضر می‌باشد (15 و 31). تکنیک‌های سنجش‌ازدور (RS) به همراه سامانه اطلاعات جغرافیایی (GIS) در مدل‌سازی تغییرات کاربری اراضی نقش مؤثری در تجزیه‌وتحلیل LULC هر یک از کلاس‌های کاربری خواهد داشت، به‌گونه‌ای که با پردازش مناسب تصاویر و افزایش صحت طبقه‌بندی و انتخاب مناسب باندها می‌توان به نتایج مناسبی در امر مدیریت سرزمین و پیش‌بینی تغییرات آینده دست‌یافت (30). درواقع نقش اصلی کاربرد GIS و الگوریتم‌های مختلف پیش‌پردازش تصاویر در بحث سنجش‌ازدور با مشاهدات زمینی در مقیاس جهانی، منطقه‌ای و محلی که به‌صورت روزانه برداشت اطلاعات انجام می‌شود و این برداشت‌ها اطلاعات جامع و دقیقی را برای تجزیه‌وتحلیل تغییرات انجام‌شده در طی دوره‌های مختلف فراهم می‌کند (9). شناسایی الگوهای تغییرات کاربری اراضی و پیش‌بینی تغییرات در آینده به‌منظور انجام برنامه‌ریزی مناسب در جهت بهره‌برداری بهینه از کاربری‌ها در مدیریت منابع طبیعی نیاز به مدل‌سازی تغییرات مکانی و زمانی LULC را آشکار می‌سازد (8 و 2). به‌منظور تجزیه‌وتحلیل الگوهای LULC، مدل‌های مختلفی به‌منظور توزیع پراکنش مکانی و زمانی این تغییرات وجود دارد که قادر به شبیه‌سازی واقعه محور تغییرات و پیش‌بینی آن به‌صورت سلولی می‌باشد تا بتوان فرآیند بهینه‌سازی را بر اساس پویایی تغییرات انجام داد. از قبیل مدل‌سازی خطی تعمیم‌یافته (generalized linear modeling) در محیط GIS برای مدل‌سازی تغییرات کاربری اراضی (12)، رگرسیون چند متغیره در مدل‌سازی رشد و توسعه مناطق مسکونی و شهری (37)، شبکه عصبی مصنوعی (Neural network model) (3)، مدل‌های ریاضی (CLUE-S models) (35)، مدل‌های عامل محور (Multi agent base model) (26)، مدل‌های سلولی (cellular automaton model) (12)، مدل‌های سیستم خبره (expert system model) (32) و مدل‌های تلفیقی سلول اتومای زنجیره مارکوف (CA-Markov model) (1 و 27) در پیش‌بینی و تجزیه‌وتحلیل مکانی تغییرات کاربری اراضی. در حال حاضر پرکاربردترین مدل‌ها در پایش و پیش‌بینی تغییرات کاربری LULC، مدل سلولی، مدل مارکوف، مدل عامل محور و ترکیبی از مدل‌های سلولی و مارکوف بنام مدل سلول اتومای زنجیر مارکوف (CA-Markov model) می‌باشد (11 و 21).

مدل سلول اتومای زنجیر مارکوف (CA-Markov model) مدلی مبتنی بر احتمال و یک شبیه‌ساز قوی در امر پیش‌بینی تغییرات LULC در مقایسه با سایر مدل‌های شبیه‌سازی می‌باشد. این مدل در مدیریت، برنامه‌ریزی، مدل‌سازی و شبیه‌سازی تغییرات مکانی استفاده می‌شود (6 و 5). مطالعات زیادی درزمینه ارزیابی کارایی مدل CA-Markov در پیش‌بینی تغییرات کاربری اراضی و استخراج میزان تغییرات واحدهای کاربری/ پوشش اراضی (LULC) در طی 37 دوره‌های مختلف با استفاده از ابزار LCM در مناطق مختلف جهان انجام‌شده است که در ادامه به آن اشاره‌شده است.

منصور و همکاران (19) در تحقیق خود در شهر نزوا در استان الدخلیه کشور عمان با استفاده از مدل CA-Markov میزان تغییرات کاربری اراضی به‌منظور برآورد میزان فشار واردشده بر منابع طبیعی را مطالعه نمودند. آن‌ها در مطالعه خود از تصاویر ماهواره‌ای لندست سال‌های 1998، 2008 و 2018 استفاده نمودند. در تهیه نقشه‌های تناسب اراضی برای توسعه شهر پارامترهای تراکم جمعیت، نزدیکی به مراکز شهری و مجاورت با جاده‌های اصلی در نظر گرفته شد. نتایج پیش‌بینی بیانگر قابلیت مدل CA-Markov در برنامه‌ریزی توسعه شهری آینده می‌باشد. در تحقیقی دیگر توسط مونتالی و همکاران (22) از یک رویکرد یکپارچه ترکیبی از سنجش‌ازدور و GIS برای شبیه‌سازی و پیش‌بینی تغییرات کاربری اراضی در منطقه ددزا (Dedza) در مالاوی (Malawi) بهره گرفتند. اعتبارسنجی مدل CA-Markov با استفاده از شاخص‌های K standard، K no، K location به ترتیب برابر 97/0، 95/0 و 97/0 استخراج شد که بیانگر دقت بالای نقشه شبیه‌سازی‌شده با مدل مذکور می‌باشد. پیش‌بینی‌های آینده نشان داد که تا سال‌های 2025 و 2035 بر اساس ماتریس احتمال انتقال، زمین‌های کشاورزی و زمین‌های بایر و مناطق ساخته‌شده دارای روند افزایشی و اراضی جنگلی و تالاب‌ها دارای روند کاهشی می‌باشد و این روند توسعه پیش‌بینی‌شده توسط مدل می‌تواند در برنامه‌ریزی برای توسعه پایدار و مدیریت پایدار منابع طبیعی نقش مؤثری داشته باشد. وارگا و همکاران (34) با استفاده از شاخص درجه شایستگی (Figure of merit) اقدام به کالیبراسیون نتایج مدل اتومای سلولی مارکوف نموند. آن‌ها 4 سطح متفاوت از این شاخص را در مطالعه خود که در شمال شرق مجارستان انجام‌شده بود، بررسی نمودند. نتایج بیانگر سطوح خطای کمتر نقشه‌های شبیه‌سازی‌شده نسبت به نقشه‌های پیش‌بینی‌شده می‌باشد. مدل اتومای سلولی مارکوف نشان داد که کاربری زراعت و تالاب دارای کمترین FOM نسبت به سایر کاربری‌ها می‌باشد. مطالعه نشان داد که بیشتر خطای موجود در مدل‌سازی مربوط به مدل CA نسبت به Markov می‌باشد. در مطالعه‌ای که توسط کیلی و همکاران (14) در حوزه رودخانه ویرا (Vieira) در مونتس کلاروس برزیل انجام شد، عملکرد مدل CA-Markov در پیش‌بینی تغییرات کاربری اراضی به‌منظور شرایط مستعد برای پدیده بیابان‌زایی بررسی شد. نتایج حاصل از مدل‌سازی بیانگر عملکرد متوسط مدل CA در مدل‌سازی می‌باشد و بیشتر خطاها مربوط به توزیع مکانی کلاس‌های کاربری می‌باشد. اما مدل تلفیقی سلول اتومای خودکار مارکوف (CA-Markov) شرایط مستعدتری در تخمین مساحت کلاس‌های کاربری نسبت به واقعیت منطقه نشان داد و دارای ضریب کاپای بالای 93 درصد بود. صالحی و همکاران (29) با استفاده از مدل تلفیقی سلول اتومای خودکار مارکوف (CA-Markov) روند تغییرات کاربری اراضی در حوزه آبخیز صفارود رامسر را بررسی نمودند. صحت مدل زنجیره‌ای مارکوف با استفاده از شاخص کاپا 87% برآورد گردید و نتایج نشان داد در فاصله زمانی 2028-2014 اراضی جنگلی و مراتع به ترتیب 92/4 و 7/1 درصد کاهش داشته است. در تحقیقی دیگر توسط محمدی و همکاران (21) پیش‌بینی تغییرات کاربری/پوشش اراضی و ارتباط آن با خشک‌سالی دریکی از زیر حوزه‌های آبخیز رودخانه زاینده‌رود انجام شد. اعتبارسنجی مدل CA-Markov با استفاده از شاخص‌های K standard، K no، K location به ترتیب برابر 71/0، 78/0 و 86/0 استخراج شد که بیانگر دقت خوب نقشه شبیه‌سازی‌شده با مدل مذکور می‌باشد. در اغلب مطالعات اشاره‌شده در بالا با مدل زنجیره مارکوف، ارزیابی صحت مدل با دقت کلی (overall accuracy)، ضریب کاپا (kappa coefficient)، صحت کاربر (user accuracy)، صحت تولیدشده (producer accuracy)، خطای Commission و خطای Omission انجام‌شده است و از شاخص‌های جدید ارزیابی صحت استفاده‌نشده است.

لذا در تحقیق حاضر، با استفاده از مدل تلفیقی سلول اتومای زنجیر مارکوف (CA-Markov model) اقدام به شبیه‌سازی و پیش‌بینی تغییرات LULC در حوزه آبخیز گرگان‏رود واقع در استان گلستان با استفاده از آنالیز سه‌بعدی پنتیوس- ملینوس گردید. هدف از تحقیق حاضر ارزیابی کارایی مدل تلفیقی سلول اتومای زنجیر مارکوف (CA-Markov model) در شبیه‌سازی و پیش‌بینی تغییرات زمانی و مکانی LULC در حوزه آبخیز گرگان‏رود با کاربرد آنالیز سه‌بعدی پنتیوس- ملینوس در کالیبراسیون تغییرات کاربری اراضی با استفاده از سه شاخص ارزیابی اختلاف کمی (Quantity Disagreement)، اختلاف مکانی (Allocation Disagreement) و درجه شایستگی (Figure of Merit) به‌عنوان شاخص‌های جدید در ارزیابی صحت مدل زنجیره مارکوف می‌باشد.

روش تحقیق

منطقه موردمطالعه

حوزه آبخیز گرگان‏رود در استان گلستان و بخشی از استان خراسان شمالی و استان سمنان قرار دارد. گرگان‏رود یکی از مهم‌ترین رودخانه‌های استان گلستان به شمار می‌رود و در تمامی دشت گرگان جریان داشته و آن را به دو قسمت تقسیم می‌کند. سطح حوضه آبگیر آن به مساحت 10250 کیلومترمربع می‌باشد. مساحت حوزه آبخیز گرگان‏رود 5/7915 کیلومترمربع، ارتفاع متوسط حوزه 1529 متر و متوسط بارندگی سالانه حوزه 523 میلی‏متر می‌باشد. جهت جریان رودخانه گرگان‏رود و سرشاخه‌های آن از شمال شرقی به جنوب غربی است که از ارتفاعات جنگل گلستان، کوه‌های گلی داغ، آلاداغ و قلعه ماران سرچشمه می‌گیرد. کاربری اراضی غالب موجود در حوزه آبخیز گرگان‏رود از نوع جنگل‌های هیرکانی، مراتع، زراعت دیم و اراضی کشاورزی آبی می‌باشد. حوزه آبخیز موردمطالعه در مختصات جغرافيايي "49 '44 °36 تا "11 '47 °37 عرض شمالي و "33 '43 °54 تا "20 '27 °56 طول شرقي قرار دارد. موقعیت حوزه موردمطالعه در شکل 1 نشان داده‌شده است.

شکل 1. موقعیت حوزه آبخیز گرگان‏رود در ایران و استان گلستان

Fig 1. Position of Gorganrood watershed in Iran and Golestan province

داده‌های مورداستفاده

جدول 1. داده‌های مورداستفاده

Table 1. Data used

آزیموت Azimuth	شماره گذر/ردیف ماهواره Path/Row	باندهای مورداستفاده Used bands	قدرت تفکیک مکانی Resolation	تاریخ اخذ تصویر Date	نوع ماهواره/سنجنده Dataset
12/118	34/162	7-5-4-3-2	30	10/06/1987	Landsat5 TM لندست 5 /
05/119	34/162	7-5-4-3-2	30	20/07/2000	Landsat5 TM لندست 5 /
23/121	34/162	7-5-4-3-2	30	21/07/2009	Landsat5 TM لندست 5 /
63/121	34/162	7-6-5-4-3	15	25/08/2017	Landsat8 OLI لندست 8 /

هفت کلاس کاربری اراضی شامل کلاس اراضی جنگلی با شماره کد کاربری 1، کلاس اراضی زراعی با شماره کد کاربری 2، کلاس اراضی مرتعی (مخلوط درختچه زار/ مرتع/ زراعت) با شماره کد کاربری 3، کلاس منابع آبی با شماره کد کاربری 4، کلاس اراضی بایر (بایر/ مرتع/ زراعت) با شماره کد کاربری 5، کلاس مناطق مسکونی و صنعتی با شماره کد کاربری 6، کلاس بستر رودخانه با شماره کد کاربری 7 برای حوزه آبخیز گرگان‏رود تفکیک گردید.

طبقه‌بندی شی‌ءگرای تصاویر ماهواره‌ای با استفاده از الگوریتم ماشین بردار پشتیبان

در این تحقیق به‌منظور طبقه‌بندی تصاویر ماهواره‌ای لندست 5 و 8 به‌منظور استخراج کلاس‌های کاربری اراضی حوزه آبخیز گرگان‏رود از روش طبقه‌بندی شی‌ءگرا و الگوریتم ماشین بردار پشتیبان (Support Vector Machine) استفاده شد. مقیاس سگمنت‌سازی در این الگوریتم با مقیاس 50 واحد (SL50) به‌منظور طبقه‌بندی تصاویر ماهواره سال‌های 1987، 2000، 2009 و 2017 انتخاب شد (13). ارزیابی صحت الگوریتم ماشین بردار پشتیبان در طبقه‌بندی شی‌ءگرای تصاویر ماهواره‌ای بابیان دقت کلی (overall accuracy)، ضریب کاپا (kappa coefficient)، صحت کاربر (user accuracy)، صحت تولیدشده (producer accuracy)، خطای Commission و خطای Omission برای هر چهار دوره مطالعاتی انجام‌شده است.

ابزار مدلسازی تغییرات سرزمین (Land Change Modeler)

ابزار مدل‌سازی تغییرات زمین (LCM) یک مدل یکپارچه برای تجزیه‌وتحلیل کاربری زمین و تغییرات پوشش آن (LULCC: Land-use and land cover change) و برای سنجش آن است. LCM ارزیابی تغییرات پوشش اراضی بین دو زمان متفاوت، محاسبه تغییرات و نمایش نتایج با نمودار و نقشه‌های مختلف می‌باشد (2). برای درک این‌که در طی دوره 30 ساله موردمطالعه، تغییرات ایجاد‌شده در منطقه چگونه بوده و کدام کلاس‌ها گسترش و کدام کلاس کاهش مساحت داشته‌اند، با استفاده از نقشه‌های طبقه‌بندی‌شده با استفاده از نرم‌افزار IDRISI، تغییرات در محدوده کلاس‌ها آشکار و درصد تغییرات هر کلاس به دست می‌آید.

مدل زنجیره مارکوف (Markov Chain Model)

زنجیره مارکوف یک فرآیند ریاضی تصادفی در یک توالی زمانی محدود می‌باشد و وضعیت آینده آن باحالت‌های فعلی در ارتباط می‌باشد (16). ازآنجاکه تغییرات کاربری اراضی در آینده توسط کاربری‌های موجود در زمان حال تعیین می‌شود، تغییرات کاربری را می‌توان با مدل زنجیره مارکوف به‌صورت سلسله مراتبی و در طی دوره‌های مختلف استخراج نمود. تغییرات کاربری در آینده با استفاده از رابطه 1 در مدل زنجیره مارکوف پیش‌بینی می‌شود (16):

[1]

که در این رابطه و بیانگر کاربری اراضی در زمان t و t+1، ماتریس انتقال

برای روشن شدن مفهوم کلی فرآیند مارکوف می‌توان گفت که اگر زمان را در این فرآیند به سه دوره گذشته، حال و آینده تقسیم کنیم، آینده این فرآیند بستگی به مسیری که درگذشته طی کرده است، ندارد و تنها به موقعیت آن در زمان حال وابسته است. زنجیره‌های مارکوف همگن حالت خاصی از زنجیره‌های مارکوف است که در آن احتمال گذار سیستم از حالت به حالت دیگر مستقل از مرحله آن باشد. به بیان ریاضی زنجیره مارکوف در صورتی همگن می‏باشد که به ازای تمام مقادیر i، j و n رابطه 2 برقرار ‌باشد:

[2]

بنابراین در یک زنجیره مارکوف همگن معرف احتمال تغییر حالت سیستم از i به j است.

ماتریس احتمال (گذر) در یک زنجیره مارکوف

در فرآیند مارکوف برای پیش‌بینی وضعیت آینده نیاز به یک ماتریس احتمال (ماتریس گذر) داریم تا احتمال تغییرات کاربری با ضرب‌در این ماتریس به تغییرات کاربری در آینده تبدیل شود. ماتریس گذر، ماتریسی است که عنصر تشکیل‌دهنده آن در سطر i و ستون j مقدار یا همان احتمال تغییر حالت سیستم از i به j است. اگر فرض کنیم که تعداد حالت‌های سیستم M باشد، ماتریس گذر به‌صورت رابطه 3 می‌باشد:

[3]

تمام عناصر این ماتریس غیر منفی می‌باشد، همچنین مجموع عناصر هر سطر برابر با یک است اما مجموع عناصر یک ستون الزاماً یک نیست. با توجه به نامتناهی بودن تعداد حالت‌های سیستم، ابعاد ماتریس نیز می‌تواند نامتناهی باشد.

آنالیز زنجیرة مارکوف برای دو منظور تهیه می‌گردد، ماتریس اول جهت کالیبراسیون و ماتریس دوم به‌منظور شبیه‌سازی تغییرات احتمالی رخ‌داده در آینده انجام می‌گیرد، خروجی مدل نیز شامل احتمال تبدیل وضعیت، ماتریس مساحت‌های تبدیل‌شده (Transition Areas Matrix) هر طبقه و سپس تصاویر احتمالات شرطی (Conditional Probability Images) برای تبدیل کاربری‌های مختلف به یکدیگر است.

در این تحقیق برای ورودی‌های اولیه مدل مارکوف از تصاویر طبقه‌بندی‌شده سال‌های 1987، 2000، 2009 و 2017 به‌عنوان نقشه‌های پوشش، برای تهیه ماتریس تبدیل وضعیت استفاده شد. ماتریس تبدیل وضعیت برای سه دوره 2009-2000- 1987، 2017- 2009-2000 و 2017- 2009- 1987 تهیه شد. ماتریس تبدیل وضعیت با استفاده از نقشه‌های پوشش زمین به‌دست‌آمده برای هر دوره، ماتریس تبدیل وضعیت کلاس‌های پوشش زمین بین هر دو دوره زمانی محاسبه شد. برای دوره اول از نقشه‌های پوشش سال‌های 1987 و 2000 ماتریس تبدیل وضعیت اول و از نقشه‌های پوشش سال‌های 2000 و 2009 ماتریس تبدیل وضعیت دوم، برای دوره دوم از نقشه‌های پوشش سال‌های 2000 و 2009 ماتریس تبدیل وضعیت اول و از نقشه‌های پوشش سال‌های 2009 و 2017 ماتریس تبدیل وضعیت دوم، برای دوره سوم از نقشه‌های پوشش سال‌های 1987 و 2009 ماتریس تبدیل وضعیت اول و از نقشه‌های پوشش سال‌های 2009 و 2017 ماتریس تبدیل وضعیت دوم، محاسبه گردید. این ماتریس‌ها حاوی اطلاعات درصد تبدیل هر کلاس به سایر کلاس‌ها می‌باشند.

مدل سلول خودکار (Cellular Automata Model)

CA یک سیستم دینامیک و گسسته در مکان و زمان می‌باشد که بر روی یک شبکه منظم از سلول‌ها عمل می‌کند. در این سیستم مقدار یا حالت هر سلول در طول زمان در قالب تابعی از مقادیر سلول‌های همسایه و مقدار خود سلول تغییر می‌کند. چیزی که در این مدل حائز اهمیت است این است که این تغییرات در قالب زمان و مکان فقط به شکل محلی تغییر می‌کند و فقط سلول‌های مجاور هستند که در این تغییرات دخیل می‌باشند. هر CA دارای پنج المان اصلی شبکه منظم سلولی، مجموعه مقادیر ممکن برای هر سلول، همسایگی، قوانین انتقال و فضای زمانی می‌باشد. در این تحقیق از المان همسایگی برای طبقه‌بندی واحدهای کاربری اراضی با مدل سلول خودکار استفاده‌شده است (7).

مدل تلفیقی سلول اتومای زنجیره مارکوف (Cellular Automata- Markov Chain Model)

مدل زنجیره مارکوف (Markov Chain Model) به‌تنهایی برای شبیه‌سازی و پیش‌بینی تغییرات پیوسته کاربری اراضی مناسب نیست، زیرا در این مدل‌سازی، توزیع مکانی مربوط به هریک از واحدهای کاربری به‌منظور تعیین مکان‌های پیش‌بینی‌شده در آینده در نظر گرفته نمی‌شود (10). مدل زنجیره مارکوف (Markov Chain Model) و مدل سلول خودکار (Cellular Automata) هر دو درواقع مدل دینامیک گسسته در زمان و موقعیت‌اند. مشکل ذاتی زنجیره مارکوف (Markov Chain Model) این است که اطلاعات و موقعیت مکانی را در نظر نمی‌گیرد. احتمال تبدیل ممکن است روی هر گره پایه با صحت و دقت همراه باشد، اما فقط دانش و آگاهی از توزیع مکانی تصادفی درون هر گروه کاربری اراضی است و به عبارتی مؤلفه مکانی در خروجی مدل وجود ندارد. به همین سبب از مدل (Cellular Automata) برای اضافه کردن مشخصه مکانی به مدل استفاده می‌شود (36). مدل سلول اتومای زنجیره مارکوف (CA-Markov) ترکیبی از مدل زنجیره مارکوف (Markov Chain Model) و مدل سلول خودکار (Cellular Automata) می‌باشد تا علاوه بر ساختارهای مکانی، جهت جغرافیایی تغییرات هر یک از واحدهای LULC هم در نظر گرفته شود. در مدل CA-Markov، پروسه زنجیره مارکوف تغییرات زمانی را در میان کلاس کاربری/ پوشش زمین بر اساس احتمالات تبدیل کنترل می‌کند، درحالی‌که تغییرات مکانی به‌وسیله قوانین محلی تعیین‌شده از طریق فیلتر مکانی CA یا همان نقشه‌های تناسب برای هر کاربری کنترل می‌شود. مدل CA-Markov، ترکیبی از مدل سلول خودکار، مدل زنجیره مارکوف، ارزیابی چندمعیاره، تخصیص چندمعیاره زمین و پیش‌بینی کاربری اراضی به‌منظور تجزیه‌وتحلیل مکانی تغییرات به همراه جهت هر یک از این تغییرات با آنالیز زنجیره مارکوف می‌باشد (17). مدل CA-Markov تغییرات گروه‌های مختلف از واحدهای LULC را بر اساس مفهوم همسایگی مکانی و ماتریس احتمال انتقال، پیش‌بینی می‌کند. یکی از الزامات برای پیش‌بینی تغییرات کاربری اراضی با مدل CA-Markov تهیه نقشه‌های تناسب اراضی می‌باشد تا تغییرات مکانی به‌وسیله قوانین احتمال از طریق فیلتر نقشه‌های تناسب برای هر کاربری کنترل شود.

تناسب کاربری اراضی به روش ارزیابی چند معیاره (Multi Criteria Evaluation: MCE)

به‌منظور پیش‌بینی تغییرات کاربری اراضی در آینده با استفاده از مدل CA-Markov نیاز به تعیین نقشه‌های تناسب اراضی برای هر یک از واحدهای کاربری اراضی تعریف‌شده در منطقه می‌باشد. در این مرحله برای ایجاد نقشه‌های تناسب مکانی برای هرکدام از واحدهای کاربری/پوشش زمین (LULC) از روش ارزیابی چند معیاره فضایی (MCE: Multi criteria evaluation) استفاده‌شده است. مدل ارزیابی چندمعیاره استفاده‌شده در این تحقیق مدل ترکیب خطی وزنی (WLC: Weighted linear combination) می‌باشد که از رابطه 4 به دست محاسبه گردید (4):

[4]

که بیانگر شاخص تناسب برای سلول i.j در زمان t، نمره معیارها برای سلول i.j در زمان t، بیانگر وزن داده‌شده به هریک از معیارها و ارزش بولین مقادیر ثابت توسعه‌یافته

در این راستا اولین اقدام تعیین معیارهای دخیل و ایجاد نقشه‌های معیار در تناسب مکانی هرکدام از کاربری‌ها می‌باشد. معیارهای مؤثر در تناسب مکانی کاربری‌ها بر اساس سه تابع تناسب (Fuzzy)، فاصله (Distance) و تراکم (Density) مدنظر قرارگرفته است. این معیارها مشتمل بر 19 لایه اطلاعاتی شامل ارتفاع، درصد شیب، جهت شیب، رخنمون سنگی، رخساره‌های فرسایشی، منابع آب زیرزمینی، جاده‌ها، پراکنش آبادی‌ها، آبراهه‌های اصلی، زمین‌شناسی، پوشش گیاهی، شدت فرسایش، نفوذپذیری، منحنی‌های هم باران، پراکنش شهرها، منحنی‌های هم‌دما، بافت خاک، گروه‌های هیدرولوژیکی و گسل می‌باشد. در این مدل، فاکتورها به روش فازی وزن دهی مجدد می‌شوند. اهمیت بین فاکتورها نیز با استفاده از فرآیند تحلیل سلسله مراتبی (AHP) تعیین گردیده است. درروش AHP، معیارها ابتدا به‌صورت کیفی بوده و بعد با بهره‌گیری از جدول ساعتی به‌صورت کمی ارائه می‌شوند. در این فرآیند نسبت ناسازگاری (Consistency Ratio) تعیین می‌شود و اگر میزان آن کمتر از 1/0 باشد، دلالت بر سطح قابل‌قبول سازگاری مقایسه‌های دوبه‌دو دارد (33). از مزایای ممتاز این تکنیک، بهره‌گیری از آن در تصمیم‌گیری چندمعیاره می‌باشد و همچنین از یک مبنای تئوریک قوی برخوردار بوده و بر اساس اصول بدیهی تصمیم‌گیری بنانهاده شده است (28). عوامل مؤثر در هریک از واحدهای کاربری اراضی در مدل AHP به‌صورت زوجی با یکدیگر مقایسه و بر اساس مدل مذکور امتیازدهی شده است که وزن نهایی مربوط به هر کاربری در مدل AHP در جدول 5 در بخش نتایج ارائه گردیده است.

نتیجه این فرآیند، ایجاد نقشه تناسب مکانی برای هر یک از کلاس‌های کاربری به‌جز کاربری رودخانه و منابع آبی (جزء مقادیر ثابت در پیش‌بینی در نظر گرفته‌شده است.) در محدوده بین صفر تا 255 بود که صفر نشانگر نواحی عدم مناسبت برای کاربری مربوطه و 255 نشانگر نواحی کاملاً مناسب برای کاربری مربوطه می‌باشد.

اعتبارسنجی مدل مارکوف با استفاده از آنالیز سه‌بعدی پنتیوس و ملیوس

درجه شایستگی (Figure of Merit) یک معیار مناسب در اعتبارسنجی مدل با استفاده از مقایسه سه نقشه می‌باشد. FOM درواقع شاخصی می‌باشد که اختلاف‌های کمی (Quantity Disagreement) و اختلاف‌های مکانی (Allocation Disagreement) را باهم ترکیب می‌کند. FOM قابلیت بیان میزان اختلاف‌ها را به‌صورت مجزا ندارد، به‌عنوان‌مثال نمی‌تواند بیان کند که چه مقدار از تغییرات شبیه‌سازی‌شده با تغییرات موجود در نقشه مرجع همخوانی دارد و همچنین این شاخص نمی‌تواند میزان اختلاف‌های کمی و اختلاف‌های مکانی را باهم مقایسه کند. لذا در این تحقیق نحوه محاسبه و تفسیر هر یک از مؤلفه‌های FOM بر اساس مقادیر QD و AD بر اساس آنالیز سه‌بعدی پنتیوس و ملیوس توضیح داده خواهد شد (34). با محاسبه مؤلفه‌های FOM، اختلاف‌های کمی (Quantity Disagreement) و اختلاف‌های مکانی (Allocation Disagreement) و کل اختلاف (Total Disagreement) محاسبه می‌شود (18). اختلاف کمی (Quantity Disagreement) بیانگر حالتی است که تعداد سلول‌های یک طبقه در نقشه شبیه‌سازی‌شده با تعداد سلول‌های همان طبقه در نقشه پایه متفاوت می‌باشد. اختلاف مکانی (Allocation Disagreement) بیانگر حالتی است که مکان یک کلاس کاربری در نقشه شبیه‌سازی‌شده با مکان همان کلاس کاربری در نقشه پایه متفاوت باشد (23 و 24). معادله 5 بیان‌کننده اختلاف کمی (Quantity Disagreement) که درواقع اختلاف بین تعداد سلول‌های شبیه‌سازی‌شده صحیح (Gain) و تعداد سلول‌های به‌اشتباه شبیه‌سازی (Loss) می‌باشد. معادله 6 بیان‌کننده اختلاف مکانی (Allocation Disagreement) که درواقع دو برابر حداقل مکان سلول‌های به‌اشتباه شبیه‌سازی‌شده (Loss) و سلول‌های شبیه‌سازی‌شده صحیح (Gain) می‌باشد. به‌طورکلی اختلاف کمی (Quantity Disagreement) معادل قدر مطلق اختلاف خطای Omission و خطای Commission و اختلاف مکانی (Allocation Disagreement) معادل دو برابر حداقل خطای Commission و خطای Omission بر اساس جدول ماتریس خطای حاصل‌شده از مقایسه دو نقشه شبیه‌سازی‌شده و نقشه مرجع می‌باشد. معادله 7 بیان‌کننده کل اختلاف (Total Disagreement) که درواقع جمع اختلاف کمی و اختلاف مکانی می‌باشد.

[5]

[6]

[7]

FOM بیانگر تلاقی شبیه‌سازی‌شده تغییرات مشاهده‌شده و شبیه‌سازی تغییرات، تقسیم‌بر اتحاد تغییرات مشاهده‌شده و شبیه‌سازی‌شده تغییرات است و از دامنه صفر تا 100 می‌باشد که صفر یعنی هیچ همپوشانی بین تغییرات واقعی و پیش‌بینی‌شده وجود ندارد و 100 درصد یعنی همپوشانی کامل بین تغییرات واقعی و پیش‌بینی‌شده وجود دارد (معادله 8) (31 و 34):

[8]

که در آن: A منطقه‌ای از خطا با توجه به تغییر مشاهده‌شده در شبیه‌سازی است که به‌عنوان منطقه پایدار می‌باشد، B منطقه‌ای درست با توجه به تغییر مشاهده‌شده در شبیه‌سازی است که به‌عنوان منطقه تغییر می‌باشد، C منطقه‌ای از خطا به علت تغییر مشاهده‌شده در شبیه‌سازی به‌عنوان تغییر به طبقه اشتباه است و D منطقه‌ای از خطا که با توجه به پایداری مشاهده‌شده به‌عنوان تغییر قلمداد شده است (23 و 24). در اعتبارسنجی سه‌بعدی پنتیوس و ملینوس پنج حالت وجود دارد که A، B و C سه کاربری متفاوت در سه دوره، کاربری آخرین سال مشاهده‌ای، سال مرجع و سال شبیه‌سازی‌شده می‌باشد. A-A-A بیانگر این است که کاربری در سه دوره آخرین سال مشاهده‌ای، سال مرجع و سال شبیه‌سازی‌شده مشابه می‌باشد. A-A-B بیانگر این است که کاربری در آخرین سال مشاهده‌ای و سال مرجع یکسان می‌باشد اما عمل شبیه‌سازی‌شده به‌اشتباه کاربری را تغییر داده است. A-B-C بیانگر این است که کاربری در آخرین سال مشاهده‌ای به سال مرجع تغییر کرده است و شبیه‌سازی این تغییر را به‌اشتباه پیش‌بینی کرده است. A-B-B بیانگر این است که کاربری از آخرین سال مشاهده‌ای به سال مرجع تغییر کرده و عمل شبیه‌سازی به‌درستی این تغییر را پیش‌بینی کرده است. A-B-A بیانگر این است که کاربری از آخرین سال مشاهده‌ای به سال مرجع تغییر کرده ولی عمل شبیه‌سازی به‌اشتباه کاربری سال شبیه‌سازی‌شده را بدون تغییر پیش‌بینی کرده است. درنهایت میزان مساحت هر یک از این حالات وارد ماکرو اکسلی پنتیوس - ملینوس می‌شود و مقدار خطای مکانی (AD)، خطای کمی (QD) و درجه شایستگی (FOM) را محاسبه و اعتبارسنجی سه‌بعدی را به‌صورت نمودار و نقشه در اختیار کاربر قرار می‌دهد (23 و 34).

در شکل 2 مراحل انجام تحقیق نشان داده‌شده است. مطابق شکل 2، پنج مرحله، طبقه‌بندی کاربری اراضی، مدل‌سازی تغییرات کاربری با استفاده از ابزار LCM، تهیه نقشه‌های تناسب با استفاده از روش ارزیابی چندمعیاره (MCE)، پیش‌بینی تغییرات کاربری اراضی آینده با مدل CA-Markov و آنالیز سه‌بعدی پنتیوس و ملینوس در فرآیند کالیبراسیون انجام شد.

شکل 2. نمودار جریانی مراحل مختلف انجام پژوهش

Fig 2. Diagram of different stages of research

نتایج

طبقه‌بندی تصاویر

در این تحقیق به‌منظور آشکارسازی و طبقه‌بندی کلاس‌های کاربری اراضی در طی دوره مطالعاتی 2017-1987 از طبقه‌بندی شی‌ءگرای با الگوریتم ماشین بردار پشتیبان استفاده شد. در شکل 3 نتایج حاصل از کلاسه‌بندی کاربری اراضی بر اساس الگوریتم ماشین بردار پشتیبان با مقیاس SL50 برای چهار دوره مطالعاتی 1987، 2000، 2009 و 2017 نشان داده‌شده است.

شکل 3. کلاسه‌بندی کاربری اراضی بر اساس الگوریتم ماشین بردار پشتیبان در طول دوره مطالعاتی

Fig 3. Land use classification based on support vector machine algorithm during the study period

ارزیابی صحت طبقه‌بندی

در جدول 2 پارامترهای ارزیابی صحت شامل دقت کلی، صحت کاربر، صحت تولیدکننده، ضریب کاپا برای هر کلاس کاربری اراضی بر اساس الگوریتم ماشین بردار پشتیبان با مقیاس SL50 برای کل دوره‌های مطالعاتی آورده شده است. مطابق جدول (2) الگوریتم ماشین بردار پشتیبان در طبقه‌بندی کاربری اراضی به روش شی‌ءگرا نشان داد که بیشترین میزان خطای اضافه و خطای حذف به ترتیب با 12/19 و 55/18 درصد در اراضی مرتعی و اراضی زراعی در نقشه کاربری اراضی سال 2009 مشاهده گردید. پایین‌ترین صحت تولیدکننده به میزان 49/71 درصد مربوط به کلاس کاربری اراضی مرتعی در نقشه کاربری اراضی سال 2009 و پایین‌ترین صحت کاربر به میزان 45/71 درصد مربوط به کلاس کاربری اراضی زراعی در نقشه کاربری اراضی سال 2017 می‌باشد. بر اساس این جدول دقت کلی و ضریب کاپا در هر چهار دوره، بالای 85 درصد و قابل‌قبول می‌باشد.

جدول 2. پارامترهای خطا و صحت برای هر یک از کاربری‌ها بر اساس الگوریتم ماشین بردار پشتیبان درروش طبقه‌بندی شی‌ءگرا

Fig 2. Error and accuracy parameters for each land use based on the support vector machine algorithm in the object-oriented classification method

طبقات کاربری اراضی Land use classes							پارامترهای خطا Error parameters
2017
اراضی زراعی Croplands	اراضی بایر Barren Land	اراضی جنگلی Forestlands	مناطق مسکونی Residential	اراضی مرتعی Rangeland	مخازن آبی Water	رودخانه River	کاربری اراضی Land use
88/12	17/57	2/55	1/59	87/14	90/6	2/45	خطای اضافه (%)Commission Error
10/78	19/12	0/56	10/31	11/56	2/13	3/54	خطای حذف (%) Omission Error
87/22	76/22	99/44	83/87	83/88	89/69	91/25	صحت تولیدکننده (%)Producer Accuracy
71/45	87/12	95/13	73/10	72/43	99/41	27/95	صحت کاربر (%) User Accuracy
65/92							دقت کلی (%)Overall Accuracy
91/0							ضریب کاپا Kappa Coefficient
2009
55/18	88/12	87/4	90/6	57/17	59/0	1/25	خطای اضافه (%)Commission Error
78/8	78/10	0/56	13/8	12/19	31/6	4/28	خطای حذف (%) Omission Error
56/87	81/92	42/97	49/71	47/81	83/98	56/90	صحت تولیدکننده (%) Producer Accuracy
68/86	64/75	19/98	26/81	64/80	78/92	41/93	صحت کاربر (%) User Accuracy
26/92							دقت کلی (%)Overall Accuracy
89/0							ضریب کاپا Kappa Coefficient
2000
68/6	94/3	34/2	24/7	56/9	59/8	65/8	خطای اضافه (%)Commission Error
24/5	70/1	42/0	58/8	68/4	67/0	37/7	خطای حذف (%) Omission Error
76/89	30/98	58/99	65/84	32/85	33/99	65/89	صحت تولیدکننده (%)Producer Accuracy
32/89	06/96	66/97	76/86	44/90	41/91	65/88	صحت کاربر (%) User Accuracy
12/95							دقت کلی (%)Overall Accuracy
93/0							ضریب کاپا Kappa Coefficient
1987
78/8	48/3	32/2	57/8	04/10	45/15	32/10	خطای اضافه (%)Commission Error
50/5	79/4	30/0	24/8	63/12	86/12	47/9	خطای حذف (%) Omission Error
50/94	21/95	70/99	76/88	37/87	14/74	35/82	صحت تولیدکننده (%)Producer Accuracy
22/91	52/96	68/97	43/91	96/89	55/84	41/85	صحت کاربر (%) User Accuracy
19/92							دقت کلی (%)Overall Accuracy
88/0							ضریب کاپا Kappa Coefficient

تغییرات کاربری اراضی با ابزار LCM

پس از تهیه نقشه کاربری اراضی بر اساس الگوریتم ماشین بردار پشتیبان درروش طبقه‌بندی شی‌ءگرا برای 4 دوره مطالعاتی، مساحت کلاس‌های کاربری از سال 1987 تا 2017 استخراج شد تا تبدیل و تغییرات آن‌ها از سال 1987 تا 2017 مشخص شود که نتایج آن در جدول 3 ارائه‌شده است.

جدول 3. مساحت کلاس‌های کاربری اراضی استخراج‌شده با استفاده از ابزار LCM در طی سال‌های 2017- 1987

Table 3. Area of land use classes extracted using LCM tools during 2017-2017

1987		2000		2009		2017		Land use کاربری اراضی
area مساحت (1000 هکتار)	مساحت area (%)	area مساحت (1000 هکتار)	مساحت area (%)	مساحت (1000 هکتار) area	مساحت (%)area	مساحت (1000 هکتار) area	مساحت (%) area	Land use کاربری اراضی
189/5	23/9	186/5	23/6	184/1	23/3	182/1	23/0	اراضی جنگلی Forestlands
270/9	34/2	279/8	35/4	304/1	38/4	313/0	39/5	اراضی زراعی Croplands
82/5	10/4	102/9	13/0	92/3	11/7	46/7	5/9	اراضی مرتعی Rangeland
1/5	0/2	4/0	0/5	3/8	0/5	3/0	0/4	مخازن آبی Water
231/1	29/2	200/7	25/4	188/1	23/8	224/5	28/4	اراضی بایر Barren Land
8/0	1/0	9/7	1/2	11/3	1/4	14/4	1/8	مناطق مسکونی Residential
8/1	1/0	7/9	1/0	7/8	1/0	7/8	1/0	رودخانه River

نقشه‌های طبقه‌بندی کاربری اراضی تهیه‌شده (شکل 4) جهت مدل‌سازی و پایش تغییرات کاربری اراضی وارد نرم‌افزار ادریسی شد تا تغییرات کاربری‌ها در سال‌های موردمطالعه مدل‌سازی گردد. نمودار این مدل تغییرات کل (افزایش و کاهش) و خالص ایجادشده در شکل 4 نشان داده‌شده است. تغییرات خالص کاربری‌ها در شکل 4 نشان می‌دهد در سال 1987 به 2000 اراضی جنگلی و بایر به ترتیب به مقدار 2956 و 30399 هکتار کاهش ‌یافته است و اراضی زراعی، مرتعی و مسکونی به ترتیب به مقدار 8944، 20395 و 1669 هکتار افزایش ‌یافته است. در سال 2000 به 2009 اراضی جنگلی و بایر به ترتیب به مقدار 2425 و 12635 هکتار کاهش یافته است و اراضی زراعی، مرتعی و مسکونی به ترتیب به مقدار 24231، 10600 و 1658 هکتار افزایش یافته است. در سال 2009 تا 2017 اراضی جنگلی و مرتعی به ترتیب به مقدار 1969 و 45269 هکتار کاهش یافته است و اراضی زراعی، بایر و مسکونی به ترتیب به مقدار 8898، 36431 و 3106 هکتار افزایش یافته است. در دوره 30 ساله از سال 1987 تا 2017 بر اساس نتایج ارائه‌شده در شکل 4، بیش‌ترین تغییر مثبت مربوط به افزایش کاربری اراضی زراعی و در تغییرات منفی مربوط به کاهش کاربری اراضی جنگلی و مرتعی در طول دوره موردنظر می‌باشد. بیش‌ترین کاهش اراضی جنگلی با 8/4 درصد در دوره 2017-2000، بیش‌ترین افزایش اراضی زراعی با 3/5 درصد در دوره 2017-1987، بیش‌ترین کاهش اراضی مرتعی با 9 درصد در دوره 2017-2009، بیش‌ترین افزایش اراضی بایر با 6/4 درصد در دوره 2017-2009 و بیش‌ترین افزایش اراضی مسکونی و صنعتی با 8/0 درصد در دوره 2017-1987 رخ داده است.

شکل 4. تغییرات کلاس‌های کاربری اراضی در قالب افزایش و کاهش (الف) و تغییرات خالص (ب) با استفاده از ابزار LCM

(1: اراضی جنگلی، 2: اراضی زراعی، 3: اراضی مرتعی، 4: مخازن آبی، 5: اراضی بایر، 6: مناطق مسکونی، 7: رودخانه)

Fig 4. Land use change in the form of gain and losses (a) and net change (b) using the LCM tool (1: Forestlands, 2: Croplands, 3: Rangelands, 4: Water, 5: Barrenland, 6: Residential, 7: River)

پیش‌بینی تغییرات کاربری اراضی با مدل مارکوف

به‌منظور پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل CA-Markov در مدل AHP اقدام به مقایسه زوجی هر یک از فاکتورهای موثر در تناسب کاربری‏ها شد که وزن نهایی مربوط به هر کاربری در مدل AHP در جدول 4 ارائه شده است. بعد از انجام مقایسه زوجی هریک از پارامترهای موثر در تناسب کاربری‏ها، نقشه تناسب کاربری تهیه شد. در شکل 5 نقشه‌های تناسب تهیه‌شده به روش ارزیابی چند معیاره (MCE) برای هر واحد کاربری اراضی نشان داده‌شده است.

جدول 4. وزن نهایی هر یک از کاربری های مورد بررسی در ارزیابی چندمعیاره در مدل AHP

Table 4. Final weight of the land use classes in multi-criteria evaluation in AHP model

جنگل Forestlands	وزن Weight	زارعت Croplands	وزن Weight	مرتع Rangelands	وزن Weight	بایر Barrenland	وزن Weight	مسکونی Residential	وزن Weight
بافت خاک Soil texture	0728/0	حاصلخیزی خاک Soil fertility	1946/0	گروه هیدرولوژیکی Hydrologic group	1	فرسایش خاک Soil erosion	1309/0	شیب Slope	3180/0
گروه هیدرولوژیکی	0368/0	بافت خاک	1336/0	شیب	5/0	گروه هیدرولوژیکی	0779/0	فاصله از شهر	0859/0
Hydrologic group		Soil texture		Slope		Hydrologic group		Distance from city
رخنمون سنگی	0300/0	رخنمون سنگی	0509/0	تناسب مرتع	3	رخنمون سنگی	0321/0	فاصله از گسل	0285/0
Rock outcrop		Rock outcrop		Range suitability		Rock outcrop		Distance from Fault
بارندگی	1849/0	شیب	0917/0	فاصله از جاده	25/0	شیب	0493/0	فاصله از رودخانه	0416/0
Pricipitation		slope		Distance from roud		slope		Distance from river
شیب	0399/0	ارتفاع	0524/0	فاصله از روستا	33/0	زمین‌شناسی	2488/0	فاصله از جاده	2143/0
slope		Height		Distance from village		Geology		Distance from roud
ارتفاع	1607/0	تناسب کشاورزی	3348/0	نسبت سازگاری	05/0	تناسب بایر	4610/0	فاصله از روستا	0599/0
Height		Crop suitability		Consistency ratio		Barren suitability		Distance from village
تناسب جنگل	3342/0	فاصله از رودخانه	0180/0			نسبت سازگاری	02/0	تراکم جمعیت شهری	1499/0
Forest suitability		Distance from river				Consistency ratio		Urban population density
زمین‌شناسی	1408/0	فاصله از جاده	0247/0					تراکم جمعیت روستایی	1019/0
Geology		Distance from roud						Urban population density
نسبت سازگاری	04/0	فاصله از روستا	0355/0					نسبت سازگاری	02/0
Consistency ratio		Distance from village						Consistency ratio
		فاصله از منابع آبی	0638/0
		Distance from water resource
		نسبت سازگاری	03/0
		Consistency ratio

شکل 5. تناسب اراضی هر یک از واحدهای کاربری اراضی بر اساس روش ارزیابی چند معیاره (MCE) در مدل مارکوف

Fig 5. Land suitability of each land use based on the multi-criteria assessment method (MCE) in Markov model

در تحقیق حاضر برای پیش‌بینی تغییرات کاربری اراضی با استفاده از روش تلفیق زنجیره‌های مارکوف و سلول‌های خودکار، پس از بررسی صحت و اطمینان از درستی نتایج حاصـل از تغییرات کاربری اراضی برای دوره‌های مطالعاتی، سه وضعیت بررسی شد. در وضعیت اول، دوره 2009-2000-1987، در وضعیت دوم، دوره 2017-2009-2000 و در وضعیت سوم، دوره 2017-2009-1987 در نظر گرفته شد. در این مرحله با استفاده از ماتریس تبدیل، وضعیت هر یک از دوره‌ها بررسی شد. وضعیت اول به دلیل پایین بودن مقادیر کاپا و خطای استاندارد به ترتیب (85/0 و 84/0) از فرآیند مدل‌سازی زنجیره مارکوف حذف گردید و دو وضعیت دوم و سوم بررسی شد. در وضعیت دوم، با استفاده از ماتریس تبدیل، سال 2009-2000 به‌عنوان دوره کالیبراسیون، سال 2017-2009 به‌عنوان دوره اعتبارسنجی انتخاب شد و برای سال 2017 تغییرات پوشش زمین پیش‌بینی شد. در وضعیت سوم، با استفاده از ماتریس تبدیل، سال 2009-1987 به‌عنوان دوره کالیبراسیون، سال 2017-2009 به‌عنوان دوره اعتبارسنجی انتخاب شد و برای سال 2017 تغییرات پوشش زمین پیش‌بینی شد. در شکل 6 نقشه‌های کاربری مورد استفاده در مدل زنجیره مارکوف برای دوره کالیبراسیون و اعتبارسنجی برای هر دو وضعیت نشان داده شده است.

کاربری اراضی 2017 پیش‌بینی‌شده با مدل مارکوف

کالیبراسیون

اعتبارسنجی

شکل 6. کالیبراسیون و اعتبارسنجی در دو حالت در مدل مارکوف (الف: دوره 2017-2009-1987، ب: دوره 2017-2009-2000)

Fig 6. Calibration and validation in two modes in Markov model (A: 1987-2009-2017, B: 2000-2009-2017)

آنالیز سه‌بعدی پنتیوس- ملینوس تغییرات کاربری اراضی با مدل مارکوف

نتایج بدست آمده از پیش‌بینی برای کاربری اراضی سال 2017 برای هر دو وضعیت (الف) و (ب) با داده‌های واقعی کاربری اراضی طبقه‌بندی‌شده سال 2017، با استفاده از آنالیز سه‌بعدی پنتیوس- ملیوس بررسی شد که نتایج آن در جدول 8 ارائه شده است. بر اساس جدول 5، وضعیت (ب) با انتخاب سال 2009-2000 به‌عنوان دوره کالیبراسیون، سال 2017-2009 به‌عنوان دوره اعتبارسنجی بر اساس آنالیز سه‌بعدی پنتیوس- ملیوس دارای کم‌ترین مقادیر QD و AD (به ترتیب برابر 75/3 و 23/5)، بیشترین مقدار FOM (52/8)، بیشترین مقدار کاپا (11/89) می‌باشد. در فرآیند مدل‌سازی ترکیب زنجیره مارکوف و سلول‌های خودکار، دوره 2017-2009-2000 با پذیرش ماتریس احتمال انتقال تولید شده برای نقشه پیش‌بینی کاربری برای دوره زمانی بعدی انتخاب شد.

جدول 5. نتایج اعتبارسنجی برای هر واحد کلاس کاربری اراضی و کل کاربری اراضی در مدل زنجیره مارکوف

Table 5. Validation results for each unit of land use class and total land use in Markov chain model

ضریب کاپا (Kno)	درجه شایستگی (FOM)	اختلاف مکانی (AD)	اختلاف کمی (QD)	ضریب افزایشی (Gain)	ضریب ثابت (Persistence)	ضریب کاهشی (Loss)	کاربری اراضی (LULC)	2017-2000-1987
88/77	54/77	05/3	96/2	20/2	55/19	46/3	Forestlands اراضی جنگلی
	04/68	62/3	46/2	26/4	80/29	73/9	اراضی زراعی Croplands
	99/52	13/3	40/1	83/1	70/1	20/4	اراضی مرتعی Rangelands
	65/87	57/0	58/1	68/0	38/0	45/0	مخازن آبی Water
	51/69	90/1	70/5	35/9	21/26	15/2	اراضی بایر Barrelands
	33/53	81/1	20/1	69/2	06/1	78/0	مناطق مسکونی Residential
	37/88	14/1	14/2	78/0	99/0	85/0	رودخانه River
	15/5	11/10	64/8	57/11	87/75	52/12	Total کل
11/89	78/85	94/1	67/1	85/2	63/20	38/2	Forestlands اراضی جنگلی	2017-2009-2000
	37/78	37/1	25/1	50/3	72/33	81/1	اراضی زراعی Croplands
	94/63	82/2	35/1	56/1	71/15	18/2	اراضی مرتعی Rangelands
	45/91	14/0	16/0	01/0	38/1	27/0	مخازن آبی Water
	84/67	71/1	41/1	08/4	03/26	33/2	اراضی بایر Barrelands
	58/65	54/0	53/1	04/2	50/11	34/0	مناطق مسکونی Residential
	45/93	15/0	18/0	06/0	99/0	014/0	رودخانه River
	52/8	23/5	75/3	73/8	86/89	16/9	Total کل

نتایج حاصل از آنالیز سه‌بعدی پنتیوس- ملیوس در اعتبارسنجی فرآیند مارکوف به‌منظور پیش‌بینی کاربری اراضی دوره بعدی (سال 2035) در فرآیند مدل‌سازی زنجیره مارکوف در جدول 6 نشان داده شده است. در این مرحله پنج حالت A-A-A، A-A-B، A-B-C، A-B-B و A-B-A برای سه نقشه سال‌های 2009، 2017 شبیه‌سازی‌شده و 2017 پیش‌بینی‌شده بررسی شد که نتایج آن در جدول 6 ارائه گردیده است. بر اساس جدول 6 و شکل 7 مقادیر تغییر در شبیه‌سازی‌شده (A-A-B) و شبیه‌سازی تغییر به‌صورت ثابت ماندن (A-B-A) به ترتیب برابر 41/1 درصد و 39/5 درصد می‌باشد. لذا در فرآیند مارکوف، مقادیر تداوم صحیح شبیه‌سازی‌شده معادل 94/89 درصد از کل تغییرات کاربری می‌باشد. مدل مارکوف قادر به شبیه‌سازی صحیح تغییرات (A-A-B) به میزان 20/2 درصد بود. در فرآیند مارکوف تغییرات شبیه‌سازی‌شده و مشاهده‌شده بر اساس شاخص‌های پنتیوس- ملیوس معادل 68/4 و 65/8 درصد محاسبه گردید.

جدول 6. نتایج آنالیز سه‌بعدی پنتیوس- ملیوس در اعتبارسنجی فرآیند مارکوف در دوره 2017-2009-2000

Table 6. Results of three-dimensional analysis of Pentius-Melius in validation the Markov process in the period 2000-2009-2000

حالت	Component	درصد
تداوم صحیح شبیه‌سازی (A-A-A)	Persistence simulated correctly (A-A-A)	94/89
تغییر در شبیه‌سازی‌شده (A-A-B)	Persistence simulated as change (A-A-B)	1/41
شبیه‌سازی تغییر کاربری به‌اشتباه (A-B-C)	Change simulated as change to wrong category (A-B-C)	1/06
تغییر به‌درستی شبیه‌سازی‌شده (A-B-B)	Change simulated correctly (A-B-B)	2/20
شبیه‌سازی تغییر به‌صورت ثابت ماندن (A-B-A)	Change simulated as persistence (A-B-A)	5/39
جمع	Total	100
تغییرات شبیه‌سازی‌شده	Simulated change	4/68
تغییرات مشاهده‌شده	Observed change	8/65

در شکل 7 مقادیر پنج حالت A-A-A، A-A-B، A-B-C، A-B-B و A-B-A در آنالیز سه‌بعدی پنتیوس و ملینوس برای سه نقشه سال‌های 2009، 2017 شبیه‌سازی‌شده و 2017 پیش‌بینی‌شده نشان داده شده است.

شکل 7. پنج حالت A-A-A، A-A-B، A-B-C، A-B-B و A-B-A در آنالیز سه‌بعدی پنتیوم و ملینوس در اعتبارسنجی مدل مارکوف

Fig 7. Five modes A-A-A, A-A-B, A-B-C, A-B-B, and A-B-A in the three-dimensional analysis of Pentium and Melinos in Markov model validation.

بعد از اعتبارسنجی تغییرات کاربری اراضی پیش‌بینی‌شده در مدل زنجیره مارکوف، بر اساس تحلیل 5 حالت موجود در آنالیز سه‌بعدی پنتیوس و ملینوس، مدل زنجیره مارکوف با پیش‌بینی صحیح شبیه‌سازی 92/89 درصد، نشان از کارایی بالای مدل زنجیره مارکوف در فرآیند شبیه‌سازی بود. بعد از اجرای تحلیل زنجیره مارکوف بر روی نقشه کاربری اراضی به‌دست‌آمده از طبقه‌بندی تصاویر ماهواره‌ای، یک ماتریس احتمال انتقال (جدول 7) و ماتریس مساحت انتقال‌یافته (جدول 8) ایجاد شد. در هر دو جدول زیر، ردیف نشان‌دهنده کاربری اراضی دوره اول و ستون نشان‌دهنده کاربری اراضی در دوره دوم می‌باشد. در جداول 7 و 8 احتمال اینکه هر نوع کاربری اراضی در هر موقعیت مکانی در آینده پیدا شود را بیان می‌کند. در این تحقیق به‌منظور پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل زنجیره مارکوف، از جدول مساحت انتقال‌یافته و تصویر پیش‌بینی سال 2017 استفاده شد. در شکل 9 نقشه پیش‌بینی‌شده برای سال 2017 با استفاده از مدل تلفیقی سلول خودکار و زنجیره مارکوف نشان داده شده است.

جدول 7. ماتریس احتمال انتقال دوره 2017- 2009-2000

Table 7. Transfer probability matrix period 2000-2009-2017

	اراضی جنگلی Forestlands	اراضی زراعی Croplands	اراضی مرتعی Rangelands	مخازن آبی Water	اراضی بایر Barrelands	مناطق مسکونی Residential	رودخانه River
اراضی جنگلی Forestlands	0/8371	0/0381	0/1247	0/0000	0/0000	0/0001	0/0000
اراضی زراعی Croplands	0/0105	0/8943	0/0392	0/0049	0/0456	0/0055	0/0000
اراضی مرتعی Rangelands	0/0474	0/1918	0/6620	0/0000	0/0981	0/0007	0/0000
مخازن آبی Water	0/0000	0/3851	0/0000	0/6149	0/0000	0/0000	0/0000
اراضی بایر Barrelands	0/0002	0/1101	0/0628	0/0000	0/8269	0/0000	0/0000
مناطق مسکونی Residential	0/0003	0/0148	0/0007	0/0000	0/0016	0/9827	0/0000
رودخانه River	0/0000	0/0080	0/0000	0/0011	0/0000	0/0000	0/9909

جدول 8. ماتریس مساحت انتقال‌یافته دوره 2017- 2009-2000

Table 8. Transfer area matrix period 2000-2009-2017

	اراضی جنگلی Forestlands	اراضی زراعی Croplands	اراضی مرتعی Rangelands	مخازن آبی Water	اراضی بایر Barrelands	مناطق مسکونی Residential	رودخانه River
اراضی جنگلی Forestlands	1472231	66969	219355	0	0	185	0
اراضی زراعی Croplands	35249	3013657	132163	16539	153735	18505	0
اراضی مرتعی Rangelands	61854	250298	864047	0	128101	973	0
مخازن آبی Water	0	16213	0	25887	0	0	0
اراضی بایر Barrelands	328	228998	130546	0	1719173	48	0
مناطق مسکونی Residential	37	1858	85	0	200	123647	0
رودخانه River	0	694	0	94	0	0	86157

ضریب کاپای حاصل از ماتریس خطا بین نقشه به‌دست‌آمده از مدل‌سازی مارکوف و نقشه کاربری اراضی به‌دست‌آمده از تصویر لندست سال 2017، 15/91 درصد به دست آمد. برای ایجاد سناریوی تغییرات کاربری اراضی آینده در سال 2035، بر اساس تغییرات رخ‌داده در دوره دوم، مدل مارکوف بر روی نقشه‌های کاربری اراضی سال‌های 2009 و 2017 اجرا شد. در فرآیند مدل‌سازی تلفیقی سلول خودکار و زنجیره مارکوف، نقشه کاربری اراضی سال 2017 حاصل از مدل‌سازی مارکوف با نقشه کاربری اراضی به‌دست‌آمده از تصویر لندست سال 2017 از طبقه‌بندی شی‌ءگرا بر اساس الگوریتم ماشین بردار پشتیبان به‌عنوان نقشه مرجع و با استفاده از ماتریس مساحت انتقال‌یافته دوره 2017- 2009-2000 به‌منظور پـیش‌بینـی تغییرات کاربری اراضی سال 2035 اجرا شد (شکل 8).

مطابق شکل 8 از سال 2017 تا سال 2035 عمده تغییرات مربوط به کاهش وسعت اراضی جنگلی و بایر به ترتیب به میزان 16966 و 6961 هکتار می‌باشد و در مقابل این کاهش کاربری، افزایش وسعت اراضی زراعی، مرتعی و مسکونی به میزان 20397، 3913 و 3825 هکتار مشاهده خواهد شد. تغییرات چشمگیر افزایش وسعت اراضی زراعی و کاهش وسعت اراضی جنگلی در این دوره پیش‌بینی می‌شود. این تغییرات بیانگر روند تغییرات اراضی جنگلی به سمت اراضی مرتعی و زراعی و تغییرات اراضی بایر به سمت اراضی زراعی، مرتعی و مسکونی می‌باشد.

شکل 8. نقشه پیش‌بینی تغییرات کاربری اراضی سال 2035 با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف

Figure 8. Map of the predicting land use changes for 2035 using the Cellular Automata- Markov Chain Model

بحث و نتیجه‌گیری

آَشکارسازی تغییرات کاربری اراضی با استفاده از ابزار LCM برای دوره سی‌ساله 2017 – 1987 در حوزه آبخیز گرگان‏رود نشان داد که کاربری جنگل، زارعت و نواحی مسکونی در طی این دوره در این منطقه تغییرات چشمگیری داشته است. نتایج حاصل از پیش‌بینی تغییرات کاربری اراضی در طی هجده سال آینده با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف نیز در ادامه تغییرات آشکارشده با ابزار LCM نشانگر این واقعیت است که در طی سالیان آتی با پدیده جنگل‌زدایی شدید در این حوزه روبه‌رو خواهیم بود. بررسی نتایج حاصل از اجرای مدل شبکه‌سازی کاربری آینده با استفاده از تخمینگر انتقال مارکوف نشان داد که می‌توان تغییرات کاربری آینده را با توجه به شرایط محیطی موجود پیش‌بینی کرد که نشان‌دهنده این است که در حوزه آبخیز گرگان‏رود در طی هجده سال آینده زراعت به‌شدت در این منطقه افزایش خواهد داشت لذا باید با مدیریت بلندمدت و جامع، منابع آب و خاک حفظ کرد و تا حد امکان مانع از تخریب این منابع ارزشمند شد.

نتایج این تحقیق در بخش مدل‌سازی بیانگر کارایی مدل تلفیقی سلول اتومای زنجیره مارکوف در شبیه‌سازی تغییرات کاربری اراضی حوزه‌های آبخیز به‌روش تحلیل سه‌بعدی به‌منظور مدیریت منابع طبیعی می‌باشد که با نتایج حاصل از تحقیقات انجام شده توسط منصور و همکاران (19)، مونتالی و همکاران (22)، بیگی حیدرلو و همکاران (6)، کیلی و همکاران (14)، صالحی و همکاران (29) و محمدی و همکاران (21) مبنی بر کارایی مدل تلفیقی سلول اتومای زنجیره مارکوف در پیش‌بینی تغییرات بمنظور برنامه‌ریزی در امر توسعه پایدار و جلوگیری از تخریب منابع طبیعی همخوانی دارد.

سه شاخص QD، AD و FOM نقش مهمی در بیان میزان صحت طبقه‌بندی کاربری اراضی و پیش‌بینی کاربری اراضی داشت که با نتایج حاصل از تحقیقات انجام‌شده درزمینه ارزیابی صحت با شاخص‌های QD، AD و FOM توسط پنتیوس و ملینوس (23)، پنتیوس و همکاران (24)، معماریان و همکاران (20) و وارگا و همکاران (34) همخوانی داشت.

نتایج تغییرات کاربری اراضی مطالعه شده با استفاده از ابزار LCM و مدل تلفیقی سلول اتومای زنجیره مارکوف در طی دوره 1987 تا 2035 بیانگر تخریب بیش از 24309 هکتار از اراضی جنگلی و 31921 هکتار از اراضی مرتعی و افزایش زراعت در حوزه به مساحت 62421 هکتار می‌باشد که بیانگر دخالت‌های انسانی و جنگل‌تراشی‌های پیش رو در این حوزه می‌باشد.

منابع مورداستفاده

1- Al-sharif AA, Pradhan B. 2014. Monitoring and predicting land use change in Tripoli Metropolitan City using an integrated Markov chain and cellular automata models in GIS. Arabian Journal of Geosciences, 7 (10): 4291–4301.

2- Anand J, Gosain AK, Khosa R. 2018. Prediction of land use changes based on Land Change Modeler and attribution of changes in the water balance of Ganga basin to land use change using the SWAT model. Science of the total environment, 644: 503-519.

3- Araya YH, Cabral P. 2010. Analysis and modeling of urban land cover change in Setúbal and Sesimbra, Portugal. Remote Sensing, 2: 1549–1563.

4- Arsanjani JJ, Helbich M, Kainz W, Boloorani AD. 2013. Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion. International Journal of Applied Earth Observation and Geo information, 21: 265–275.

5- Askarizadeh D, Arzani H, Jafary M, Bazrafshan J, Prentice IC. 2018. Surveying of the past, present, and future of vegetation changes in the central Alborz ranges in relation to climate change. Journal of RS and GIS for natural resources, 9(32):1-18. (In Persian).

6- Beygi Heidarlou H, Banj Shafiei A, Erfanian A, Alijanpour A. 2019. Effects of preservation policy on land use changes in Iranian Northern Zagros forests. Land Use Policy, 81: 76-90.

7- Clancy D, Tanner JE, McWilliam S, Spencer M. 2010. Quantifying parameter uncertainty in a coral reef model using Metropolis-Coupled Markov Chain Monte Carlo. Ecological Modeling, 221 (10): 1337–1347.

8- Dezhkam S, Amiri BJ, Darvishsefat AA, Sakieh Y. 2017. Performance evaluation of land change simulation models using landscape metrics, Geocarto International. 32: 655–677.

9- Esch T, Asamer H, Bachofer F, Balhar J, Boettcher M, Boissier E. 2018. Digital world meets urban planet–new prospects for evidence-based urban studies arising from joint exploitation of big earth data, information technology and shared knowledge. International Journal of Digital Earth, 13(1): 1–22.

10- Ghosh P, Mukhopadhyay A, Chanda A, Mondal P, Akhand A, Mukherjee S. 2017. Application of cellular automata and Markov-chain model in geospatial environmental modeling-a review. Remote Sensing Applications: Society and Environment, 5: 64–77.

11- Ghorbannia Kheybari V, Mirsanjari MM, Armin M. 2017. Forecasting of forest land changes in the Chaloosrood watershed. Journal of RS and GIS for natural resources, 8(2):79-91. (In Persian).

12- Guan DJ, Li HF, Inohae T, Su WC, Nagaie T, Hokao K. 2011. Modeling urban land use change by the integration of cellular automaton and Markov model. Ecological Model, 222: 3761–3772.

13- Hajibigloo M, Vahed Berdi SH, Memarian H, Komaki CHB. 2020. Determination of quantity and allocation disagreement indices in selection of appropriate algorithm for land use classification in pixel and objected base in Gorgarood river basin. Journal of RS and GIS for natural resources, 10(4):1-20. (In Persian).

14- Kelly O, Carlos A, Gustavo E, Alexandre S, Nero L, Getulio F, Jose R, Alexandre R. 2018. Markov chains and cellular automata to predict environments subject to desertification. Global Journal of Environmental Science and Management. 225: 160–167.

15- Khalifa MA. 2015. Evolution of informal settlements upgrading strategies in Egypt: from negligence to participatory development. Ain Shams Engineering Journal, 6 (4): 1151–1159.

16- Ku CA. 2016. Incorporating spatial regression model into cellular automata for simulating land use change. Applied Geography, 69: 1–9.

17- Kumar KS, Kumari KP, Bhaskar PU. 2016. Application of markov chain & cellular automata based model for prediction of urban transitions. Paper Presented at the 2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT).

18- Liu Y, Feng Y, Pontius Jr, R.G. 2014. Spatially-explicit simulation of urban growth through self-adaptive genetic algorithm and cellular automata modeling. Land, 3 (3): 719–738.

19- Mansour SH, Al-Belushi M, Sun Q, Al-Awadhi T. 2020. Monitoring land use and land cover changes in the mountainous cities of Oman using GIS and CA-Markov modeling techniques. Land Use Policy, 91: Article 104414.

20- Memarian H, Balasundram SK, Talib JB, Teh Boon Sung CH, Sood AM, Abbas pour K. 2012. Validation of CA-Markov for Simulation of Land Use and Cover Change in the Langat Basin, Malaysia, Journal of Geographic Information System, 4: 542-554.

21- Mohammadi SH, Habashi KH, Pormanafi S. 2018. Monitoring and prediction land use/ land cover changes and its relation to drought (Case study: sub-basin Parsel B2, Zayandeh Rood watershed). Journal of RS and GIS for natural resources, 9(1):24-39. (In Persian).

22- Munthali MG, Mustak S, Adeola A, Botai J, Singh SK, Davis N. 2020. Modeling land use and land cover dynamics of Dedza district of Malawi using hybrid Cellular Automata and Markov model, Remote Sensing Applications. Society and Environment, 17: Article 100276.

23- Pontius RG, Millones M. 2011. Death to kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing, 32 (15): 4407–4429.

24- Pontius, R.G., Peethambaram, S., & Castella, J.C. 2011. Comparison of three maps at multiple resolutions: a case study of land change simulation in Cho Don District, Vietnam. Annals of the Association of American Geographers, 101(1): 45-62.

25- Prestele R, Alexander P, Rounsevell MD, Arneth A, Calvin K, Doelman J. 2016. Hotspots of uncertainty in land use and landcover change projections: a global scale model comparison. Global Change Biologic, 22 (12): 3967–3983.

26- Ralha CG, Abreu CG, Coelho CG, Zaghetto A, Macchiavello B, Machado RB. 2013. A multi-agent model system for land-use change simulation. Environmental Modelling & Software, 42: 30-46.

27- Rimal B, Zhang L, Keshtkar H, Haack B, Rijal S, Zhang P. 2018. Land use/land cover dynamics and modeling of urban land expansion by the integration of cellular automata and markov chain. International Journal of Geo-Information, 7 (4): 154.

28- Saaty TL. 1990. How to make a decision: the analytic hierarchy process. European Journal of Operational Research, 48(1): 9-26.

29- Salehi N, Ekhtesasi MR, Talebi A. 2019. Predicting locational trend of land use changes using CA-Markov model (Case study: Safarod Ramsar watershed). Journal of RS and GIS for natural resources, 10(1):106-120. (In Persian).

30- Singh SK, Mustak S, Srivastava PK, Szabó S, Islam T. 2015. Predicting spatial a decadal LULC changes through cellular automata Markov chain models using earth observation datasets and geo-information. Environmental Process, 2 (1): 61–78.

31- Solomon N, Hishe H, Annang T, Pabi O, Asante I, Birhane E. 2018. Forest covers change, key drivers and community perception in Wujig Mahgo Waren forest of Northern Ethiopia. Land, 7 (1): 32.

32- Stefanov WL, Ramsey M.S, Christensen PR. 2001. Monitoring urban land cover change: an expert system approach to land cover classification of semiarid to arid urban centers. Remote Sensing Environment, 77 (2): 173-85.

33- Tajbakhsh M, Memarian H, Shahrokhi Y. 2016. Analyzing and modeling urban sprawl and land use changes in a developing city using a CA-Markovian approach. Global Journal of Environmental Science and Management, 2(4): 397-410.

34- Varga OG, Pontius RG, Singh SK, Szabó S. 2019. Intensity Analysis and the Figure of Merit’s components for assessment of a Cellular Automata – Markov simulation model. Ecological Indicators 101:933–942.

35- Verburg PH, Soepboer W, Veldkamp A, Limpiada R, Espaldon V, Mastura SS. 2002. Modeling the spatial dynamics of regional land use: the CLUE-S model. Environment Management, 30: 391–405.

36- Yu H, Haifeng J. 2016. Simulates the spatial dynamics of urban growth with an integrated modeling approach: A case study of Foshan, China. Ecological Modeling, 3: 107–116.

37- Zang S, Huang X. 2006. An aggregated multivariate regression land-use model and its application to land-use change processes in the Daqing region (northeast China). Ecological Modeling, 193 (3-4): 503–516.

Three-dimensional calibration of land use changes using the integrated model of Markov chain automatic cell in Gorgan-rud river basin

Abstract

Land use change is an important issue in natural resources management, sustainable development. The Gorgan-Rud river basin in the Golestan province has undergone extensive land use changes. This study aims to investigate land use changes during recent three decades starting from 1987 With the support vector machine algorithm in object-oriented classification and predict the changes for next twenty years using Landsat images by using the CA-Markov Model and Calibration, the prediction results from the CA-Markov Model by three-dimensional Pentius-Melinus analysis based on the three QD, AD and FOM indices. After preparing the land suitability map of the study area using the Fuzzy-AHP method and assigning the weights of influencing factors on the suitability of a land for each land use type applying the WLC, the land use condition for the year 2035 was predicted. To predict land use changes using the Markov Chain (MC) model, transition probability matrix for three periods of 1987-2000-2009, 2000-2009-2017 and 1987-2009-2017 were analyzed and the periods of 2000-2009 and 2009-2017 were respectively selected as the calibration and validation periods with a Kappa index of 91.15 percent. The predicted 2017 land use map using the 2000-2009-2017 transition probability matrix in comparison to the reference observation map showed the highest accuracy according to QD, AD and FOM indices with values of 10.61, 10.19 and 71.85 percent, respectively. The results of land use change analysis during three decades (1987-2017) indicates cropland and residential & industrial areas expansion of, respectively, 42071 and 6433 ha and 7350, 35834 and 6603 ha decrease in the area coverage of respectively forest, rangeland and barren land. Based on the predicted land use map of year 2035 using the MC algorithm for the study area, the area coverage of cropland will expand 20397 ha and on the other hand the area of forest will shrink about 16966 ha.

Keywords: Support Vector Machine algorithm, LCM tool, CA-Markov model, Pentius-Melinos 3D analysis .

طرح مسئله:

تغییرات در کاربری/پوشش اراضی (LULC) به عنوان یکی از موضوعات مهم در مدیریت منابع طبیعی، توسعه پایدار و تغییرات زیست‌محیطی در مقیاس محلی، ملی، منطقه‌ای و جهانی مطرح می‌باشد. تبدیل کاربری‌ها به یکدیگر و تغییر کاربری‌های مجاز به غیرمجاز از قبیل تبدیل اراضی زراعی به مناطق مسکونی و یا اراضی مرتعی به دیم‌زارهای کم بازده و فرسایش یافته به عنوان موضوعات مهم در منابع طبیعی همواره مطرح می باشد. تکنیک‌های سنجش‌ازدور (RS) به همراه سامانه اطلاعات جغرافیایی (GIS) در مدل‌سازی تغییرات کاربری اراضی نقش مؤثری در تجزیه‌وتحلیل LULC هر یک از کلاس‌های کاربری خواهد داشت، به‌گونه‌ای که با پردازش مناسب تصاویر و افزایش صحت طبقه‌بندی و انتخاب مناسب باندها می‌توان به نتایج مناسبی در امر مدیریت سرزمین و پیش‌بینی تغییرات آینده دست‌یافت. شناسایی الگوهای تغییرات کاربری اراضی و پیش‌بینی تغییرات در آینده به‌منظور انجام برنامه‌ریزی مناسب در جهت بهره‌برداری بهینه از کاربری‌ها در مدیریت منابع طبیعی نیاز به مدل‌سازی تغییرات مکانی و زمانی LULC را آشکار می‌سازد. مدل سلول اتومای زنجیر مارکوف (CA-Markov model) مدلی مبتنی بر احتمال و یک شبیه‌ساز قوی در امر پیش‌بینی تغییرات LULC در مقایسه با سایر مدل‌های شبیه‌سازی می‌باشد. این مدل در مدیریت، برنامه‌ریزی، مدل‌سازی و شبیه‌سازی تغییرات مکانی استفاده می‌شود. لذا در تحقیق حاضر، با استفاده از مدل تلفیقی سلول اتومای زنجیر مارکوف (CA-Markov model) اقدام به شبیه‌سازی و پیش‌بینی تغییرات LULC در حوزه آبخیز گرگان‏رود واقع در استان گلستان با استفاده از آنالیز سه‌بعدی پنتیوس- ملینوس گردید.

هدف:

هدف از تحقیق حاضر ارزیابی کارایی مدل تلفیقی سلول اتومای زنجیر مارکوف (CA-Markov model) در شبیه‌سازی و پیش‌بینی تغییرات زمانی و مکانی LULC در حوزه آبخیز گرگان‏رود با کاربرد آنالیز سه‌بعدی پنتیوس- ملینوس در کالیبراسیون تغییرات کاربری اراضی با استفاده از سه شاخص ارزیابی اختلاف کمی (Quantity Disagreement)، اختلاف مکانی (Allocation Disagreement) و درجه شایستگی (Figure of Merit) به‌عنوان شاخص‌های جدید در ارزیابی صحت مدل زنجیره مارکوف می‌باشد.

روش تحقیق:

در این تحقیق به‌منظور پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف در حوزه آبخیز گرگان‏رود، از تصاویر سنجندِه مشاهده‌گر زمینی OLI و TM ماهواره لندست 8 و 5 مربوط به سایت زمین‌شناسی ایالات‌متحده آمریکا وابسته به سایت ناسا USGS استفاده شد. هفت کلاس کاربری اراضی شامل کلاس اراضی جنگلی با شماره کد کاربری 1، کلاس اراضی زراعی با شماره کد کاربری 2، کلاس اراضی مرتعی (مخلوط درختچه زار/ مرتع/ زراعت) با شماره کد کاربری 3، کلاس منابع آبی با شماره کد کاربری 4، کلاس اراضی بایر (بایر/ مرتع/ زراعت) با شماره کد کاربری 5، کلاس مناطق مسکونی و صنعتی با شماره کد کاربری 6، کلاس بستر رودخانه با شماره کد کاربری 7 برای حوزه آبخیز گرگان‏رود تفکیک گردید. در این تحقیق به‌منظور طبقه‌بندی تصاویر ماهواره‌ای لندست 5 و 8 به‌منظور استخراج کلاس‌های کاربری اراضی حوزه آبخیز گرگان‏رود از روش طبقه‌بندی شی‌ءگرا و الگوریتم ماشین بردار پشتیبان (SVM: Support Vector Machine) استفاده شد. مقیاس سگمنت‌سازی در این الگوریتم با مقیاس 50 واحد (SL50) به‌منظور طبقه‌بندی تصاویر ماهواره سال‌های 1987، 2000، 2009 و 2017 انتخاب شد. ارزیابی صحت الگوریتم ماشین بردار پشتیبان در طبقه‌بندی شی‌ءگرای تصاویر ماهواره‌ای بابیان دقت کلی (overall accuracy)، ضریب کاپا (kappa coefficient)، صحت کاربر (user accuracy)، صحت تولیدشده (producer accuracy)، خطای Commission و خطای Omission برای هر چهار دوره مطالعاتی انجام‌شده است.

برای درک این‌که در طی دوره 30 ساله موردمطالعه، تغییرات ایجاد‌شده در منطقه چگونه بوده و کدام کلاس‌ها گسترش و کدام کلاس کاهش مساحت داشته‌اند، با استفاده از نقشه‌های طبقه‌بندی‌شده با استفاده از نرم‌افزار IDRISI، تغییرات در محدوده کلاس‌ها آشکار و درصد تغییرات هر کلاس به دست آمد.

مدل CA-Markov تغییرات گروه‌های مختلف از واحدهای LULC را بر اساس مفهوم همسایگی مکانی و ماتریس احتمال انتقال، پیش‌بینی می‌کند. یکی از الزامات برای پیش‌بینی تغییرات کاربری اراضی با مدل CA-Markov تهیه نقشه‌های تناسب اراضی می‌باشد تا تغییرات مکانی به‌وسیله قوانین احتمال از طریق فیلتر نقشه‌های تناسب برای هر کاربری کنترل شود. اعتبارسنجی مدل مارکوف با استفاده از آنالیز سه‌بعدی پنتیوس و ملیوس با سه شاخص درجه شایستگی (Figure of Merit) و اختلاف‌های کمی (Quantity Disagreement) و اختلاف‌های مکانی (Allocation Disagreement) انجام شد.

نتایج و بحث:

الگوریتم ماشین بردار پشتیبان در طبقه‌بندی کاربری اراضی به روش شی‌ءگرا نشان داد که بیشترین میزان خطای اضافه و خطای حذف به ترتیب با 12/19 و 55/18 درصد در اراضی مرتعی و اراضی زراعی در نقشه کاربری اراضی سال 2009 مشاهده گردید. پایین‌ترین صحت تولیدکننده به میزان 49/71 درصد مربوط به کلاس کاربری اراضی مرتعی در نقشه کاربری اراضی سال 2009 و پایین‌ترین صحت کاربر به میزان 45/71 درصد مربوط به کلاس کاربری اراضی زراعی در نقشه کاربری اراضی سال 2017 می‌باشد. در دوره 30 ساله از سال 1987 تا 2017 بر اساس نتایج بدست آمده، بیش‌ترین تغییر مثبت مربوط به افزایش کاربری اراضی زراعی و در تغییرات منفی مربوط به کاهش کاربری اراضی جنگلی و مرتعی در طول دوره موردنظر می‌باشد. بیش‌ترین کاهش اراضی جنگلی با 8/4 درصد در دوره 2017-2000، بیش‌ترین افزایش اراضی زراعی با 3/5 درصد در دوره 2017-1987، بیش‌ترین کاهش اراضی مرتعی با 9 درصد در دوره 2017-2009، بیش‌ترین افزایش اراضی بایر با 6/4 درصد در دوره 2017-2009 و بیش‌ترین افزایش اراضی مسکونی و صنعتی با 8/0 درصد در دوره 2017-1987 رخ داده است.

در پیش بینی های انجام شده توسط مدل زنجیره مارکوف از سال 2017 تا سال 2035 عمده تغییرات مربوط به کاهش وسعت اراضی جنگلی و بایر به ترتیب به میزان 16966 و 6961 هکتار می‌باشد و در مقابل این کاهش کاربری، افزایش وسعت اراضی زراعی، مرتعی و مسکونی به میزان 20397، 3913 و 3825 هکتار مشاهده خواهد شد. تغییرات چشمگیر افزایش وسعت اراضی زراعی و کاهش وسعت اراضی جنگلی در این دوره پیش‌بینی می‌شود. این تغییرات بیانگر روند تغییرات اراضی جنگلی به سمت اراضی مرتعی و زراعی و تغییرات اراضی بایر به سمت اراضی زراعی، مرتعی و مسکونی می‌باشد.

نتیجهگیری:

سه شاخص QD، AD و FOM در آنالیز سه بعدی نقش مهمی در بیان میزان صحت و کالیبراسیون طبقه‌بندی کاربری اراضی و پیش‌بینی کاربری اراضی داشت که با نتایج حاصل از تحقیقات انجام‌شده درزمینه ارزیابی صحت با شاخص‌های QD، AD و FOM همخوانی داشت.

واژگان کلیدی: الگوریتم ماشین بردار پشتیبان، ابزار LCM، مدل تلفیقی سلول اتومای زنجیره مارکوف، آنالیز سه‌بعدی پنتیوس- ملینوس.

Three-dimensional calibration of land use changes using the integrated model of Markov chain automatic cell in Gorgan-rud river basin

Statement of the Problem:

Land use change (LULC) is one of the most important issues in natural resource management, sustainable development and environmental change on a local, national, regional and global scale. Land use change as one of the effective criteria in natural resources management plays an important role in intensification of natural hazards such as floods. Land use management entails the concept of watersheds’ land allocation to agricultural activities (rainfed and irrigation agriculture), residential areas, forest, rangeland, mining, industrial infrastructure and so on. Gorgan-rud river basin has been selected as the case study due to immense and extensive land use changes undergone during the recent few decades and frequently occurring destructive floods.

The Gorgan-rud river basin has historically experienced land use conversion from forest to agriculture and residential areas. Therefore, the study area composed of various natural and man- made landforms that their extent and location vary gradually. Due to the flooding challenges in the area and attribution of land use changes as the major cause, the Gorgan-rud river basin with a total area of 7915.5 km2 was selected for land use classification and spatial-temporal changes based on the CA-Markov model employing the Landsat 8 imagery.

Purpose:

In this study we pursue three main targets: First, to evaluate the accuracy object-based LULC classification according to three indices of QD, AD and FOM in order to select an appropriate algorithm for LULC change detection within the study area. Investigating the natural resources changes and degradation trend during past decades and prediction of the changes for future is certainly an important step in the control and prevention of improper management of natural resources and to optimal utilization of the land resources. Therefore, the second aim of this work is detection of LULC changes during the past decades using the land change modeler (LCM) toolbox and future projection of LULC using the CA-Markov model. The third aim of the current study is the performance evaluation of CA-Markov in LUCC simulation within a flood prone watershed using the three-dimensional analysis. Furthermore, investigating the relationship between LULC changes and recent flood occurrences across the study watershed was accomplished as the secondary aim. Through correct prediction of LULC changes it will be possible to determine the extent and type of changes and consequent degradation of natural resources. It will guide the planners to define an appropriate land use mapping for mitigating the flood occurrences across the Gorgan-rud river basin.

Methodology:

To classify LULC and predict the changes in the Gorgan-rud river basin, Landsat-5 Thematic Mapper (TM) and Landsat-8 Operational Land Imager (OLI) images were acquired from the portal of the U.S. Geological Survey. Dated August 10, 1987, July 20, 2000, July 21, 2009 and June 25, 2017 these images have 30 m cells. The LULC was classified according to the Anderson level 1 and 2 classification system. Therefore, seven LULC classes including: 1) Forestlands, 2) croplands, 3) mixed shrubbery/rangeland/cropland, 4) water bodies, 5) barren rangeland/cropland, 6) residential & industrial, and 7) streambeds were defined. Major steps of the research have been presented. These steps include: 1) data collection, 2) data pre-processing, selecting training sites, ground truth map and object segmentation, 3) LULC classification using object-based algorithms base on support vector machine (SVM), 4) accuracy evaluation and determination of evaluation indices in order to select the best classification algorithm and extraction of LULC map, 5) analysis of land use changes during the study period using Land Change Modeler (LCM), 6) calculation of transition probability matrix, 7) selection of calibration and validation periods for Markov chain modeling, 8) preparation of suitability map for each land use type using AHP and WLC techniques, 9) prediction of LULC using CA-Markov model and its validation analysis via the ground truth map dated 2017 and 10) projection of future LULC map for the year 2035 using the validated CA-Markov model.

The hybrid model of Cellular Automata and Markov Chain (CA-Markov) has been employed to predict future LULC across the Gorgan-rud river basin. To predict future LULC changes using the CA-Markov model, the suitability map per each land use type is a prerequisite. Therefore, the Multi Criteria Evaluation (MCE) technique has been used to prepare suitability map for each LULC class.

In accuracy assessment, the actual LULC map (a cadaster map prepared by the NRWMH-GP in 2010) and observations during field visits of about 10 percent of the study area have been used. Then, the statistics of confusion matrix including overall accuracy, producer’s accuracy, user’s accuracy, Kappa coefficient and three indices of QD, AD and FOM were computed in order to assess the accuracy of each algorithm and model.

Results and discussion:

After providing LULC maps using the object-based SVM approach for the years 1987, 2000, 2009 and 2017, the acreage of each LULC class in various dates was calculated using LCM. The forest land acreage from 189500 ha in 1987 has declined to 182100 ha in 2017. During this period the croplands area has continuously expanded by 43000 ha, changing from 271000 ha in 1987 to 313000 ha in 2017. At the same interval, the rangeland acreage has almost been halved from 82500 ha in 1987 to 46700 ha in 2017. The extent of residential area and water bodies has almost doubled in this period. The changes of acreage in other land use types are marginal and not significant. During three decades (1987-2017) the highest absolute gain has been taken place for croplands, while the highest absolute loss has been occurred for rangelands.

The major land use changes during three decades are transition from rangeland to cropland (38009 ha), from barren land to cropland (26235 ha), from rangeland to barren land (15055 ha), from cropland to barren land (14217 ha) and from forest land to rangeland (10851 ha), respectively. LUCC analysis with LCM during three decades (1987 – 2017) within the Gorgan-rud river basin revealed that forests, croplands, and residential areas have undergone significant changes.

The predicted LULC map of 2017 in both time spans was validated utilizing the actual LULC map of 2017 through the three-dimensional analysis approach proposed by Pontius and Millones (2011). The validation results were represented in Table 4. According to this table, using the second time span (2000-2009-2017) for modeling land use change resulted in the lowest values of QD (3.75) and AD (5.23) and the highest values of FOM (8.52) and Kappa (89.11). Thus, the period 2000-2009-2017 and its transition matrices were employed for the prediction of future LULC.

Comparing the projected future LULC map with its counterpart in 2017, the intensity of LULC changes in future was projected. The major changes will take place as shrinkage of forests and barren lands as much as 16966 and 6961 ha, respectively. In contrast, the extent of croplands and residential areas will significantly expand, whereas their areas will increase as much as 20397 and 3825 ha, respectively. In fact, a considerably large gain in croplands and loss in forests is expected in the case of persisting the current policies and strategies in land resources management.

Conclusion:

The Hyrcanian forests in southern coasts of the Caspian Sea have been inscribed by the Organization Cultural and Scientific, Educational Nations United (UNESCO) in 2019 as the world heritage dating back to the Jurassic period (https://whc.unesco.org/en/list/1584/). A considerable part of these forests is located in the Golestan province and the Gorgan-rud river basin. On the basis of the results of land use and cover change analysis in this study using the Land Change Modeler and Cellular Automata-Markov model during five decades (1987 – 2035), degradation and destruction of this unique ecosystem in the Gorgan-rud river basin is continuing. The same degradation trend in the Hyrcanian forests has been reported from the Neka river basin in western neighborhood of the study area. These trends in land use change will result in alteration in ecosystem services and intensification of natural hazards such soil erosion, flooding, landslide, and forest fire which are already occurring and causing damages and loss of livelihoods across the study area with a significant increase in their frequency, magnitude and extent during the last three decades. Therefore, insisting on continuance of current policies, strategies and approaches in natural resources and watershed management by the authorities and public attitudes and perceptions towards the environment and natural resources imply that the study area will probably experience more frequent, intensive and extensive land degradation and flooding events. Noting on the historical geography of the Gorgan-rud River and its tributaries indicates that most geomorphological changes across the river basin have been caused by land use changes and encroachment on the river beds and stream banks which led to the changes in hydrological regime and occurrence and intensification of flood events across the river basin. Therefore, in order to flood mitigation, land use optimization scenarios such as rehabilitation of rangelands in northeast and southern part, afforestation of deforested area in the middle part, conservation of barren lands in southern parts of the river basin and shifting the dry farming croplands on steep slopes into orchards and tree plantation through developing land use planning and integrated watershed management programs is recommended. The performance evaluation of the CA-Markov model validated its capability as useful tool for land use planning and spatial and temporal prediction of changes in future. In fact, spatio-temporal detection of land use/cover changes can facilitate guiding the extent and direction of land use planning and watershed management activities.

Keywords:

Support Vector Machine algorithm, LCM tool, CA-Markov model, Pentius-Melinos 3D analysis.

مقالات مرتبط

اشتراک گذاری

آدرس مقاله

کالیبراسیون سه‌بعدی تغییرات کاربری اراضی با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف در حوزه آبخیز گرگان‏رود