• صفحه اصلی
  • شناسايی مناطق دارای اولويت به منظور بکارگيری اقدامات حفاظت آب و خاک: منطقه مورد مطالعه شمال شرقی حوضه آبريز مند

اشتراک گذاری

آدرس مقاله


کد مقاله : jaem-1187259 بازدید : 34 صفحه: -

10.30495/jae.2024.20981.1999

نوع مقاله: پژوهشی

شناسايی مناطق دارای اولويت به منظور بکارگيری اقدامات حفاظت آب و خاک: منطقه مورد مطالعه شمال شرقی حوضه آبريز مند

محورهای موضوعی :

hamed dehghanpur 1

1 - دانشگاه شیراز/دانشکده کشاورزی/ بخش اقتصاد کشاورزی

تاریخ دریافت : 1403/07/25 تاریخ پذیرش : 1403/07/25 تاریخ انتشار : 1403/07/25

کلید واژه:

چکیده مقاله :

بباللنت

چکیده انگلیسی:

منابع و مأخذ:
متن کامل:


 

ISSN (Print): 2008-6407 - ISSN (Online): 2423-7248

Research Paper

Identification of Priority Areas for the Application of Water and Soil Conservation Measures: A Study Region of the Northeastern MOND Basin

Hamed Dehghanpur1*, Mansour Zibaei2

1-Assistant Professor of Agricultural Economics, Darab College of Agriculture and Natural Resources, Shiraz University.

Received: 2019/04/03 

Accepted: 2024/08/03

PP:119-133

 

 

 

 

 

 

 

 

 

 

 

DOI:

10.30495/jae.2024.20981.1999

 

 

Keywords:

Prioritization of catchment basins, Water conservation, Soil conservation, Markov chain, Fuzzy Hierarchy Analysis 

 

Abstract

Introduction: In recent decades, rapid changes in land use and vegetation been accompanied by significant impacts, including degradation of natural resources, environmental pollution, and inappropriate growth of different areas. Awareness of land use change and the analysis of the reason for these changes in a given time period and prediction of these changes in the coming years can be an important step in the planning and implementation of water and soil conservation measures.

Materials and Methods: Using Landsat satellite images and Markov chain model, land use and land use changes for 2030, 2045 and 2060 in the northeastern part of the basin for existing sub-basins predicted. In the next step, using the fuzzy hierarchical analysis method, land use types weighed in the environmental point of view. Finally, using the weights obtained, the priority of the sub-basins studied was environmental.

Findings: The results show that, over time, we will encounter medium and poor pasturelands with increasing area of ​​residential land, land and agricultural lands and decreasing forestland area. In addition, based on the results of land use prediction and prioritization of sub-basins, the sub-basins of Quar, Ghotbabad and Khafar in 2030, Ghotbabad, between the forest and Quar in 2045, and Ghotbabad, Medi-Jangal and Zahedon in 2060 had a higher environmental significance than other sub-basins. In the sub-basins of Hakan, Ajanjan and Firoozabad, the application of water and soil conservation measures is of great importance.

Conclusion: To achieve more reliable results, by identifying endangered and damaged areas, efforts can be made to improve the situation through the implementation of water and soil conservation measures.

2-Professor of Agricultural Economics, Shiraz University.

 

 

 

Use your device to scan and read the article online

img0 

 

 

 

 

 

 

 

 

 

 

 

 

 

Citation: Dehghanpur Hamed, Zibaei Mansour.(2024). Identification of Priority Areas for the Application of Water and Soil Conservation Measures: A Study Region of the Northeastern MOND Basin. Journal of Agricultural Economics Research.16(2):119-133

 

 

 

 

 


Extended Abstract

 

Introduction

Considering the ever-increasing changes in land use and the need for managers and experts to be aware of the changes and transformations that have occurred in order to make policies and solve existing problems, it seems necessary to reveal the changes in order to determine the process of changes over time (19). Evaluating the process of changes in the resources and ecological conditions of such areas help managers to make the necessary decisions (26). Remote sensing is a key technology to assess the extent and extent of land use changes (14). Through this method, it is possible to detect the desired changes in the area by using a set of multi-time images and their processing, and manage sensitive areas in an efficient manner using the obtained results (6). In recent decades, rapid changes in land use and vegetation been accompanied by significant impacts, including degradation of natural resources, environmental pollution, and inappropriate growth of different areas. Awareness of land use change and the analysis of the reason for these changes in a given time period and prediction of these changes in the coming years can be an important step in the planning and implementation of water and soil conservation measures.

Materials and Methods

The current study aims to using Landsat satellite images and Markov chain model, land use and land use changes for 2030, 2045 and 2060 in the northeastern part of the basin for existing sub-basins predicted. In the next step, using the fuzzy hierarchical analysis method, land use types weighed in the environmental point of view. Finally, using the weights obtained, the priority of the sub-basins studied was environmental.

The CA-Markov model is a combination of the Markov chain automatic cell model and the multipurpose land allocation (MOLA) model, which is used to predict future changes in land use. First, by applying the Markov chain model, the probability of changing land use map classes to each other is calculated in the form of a land use status change matrix based on the changes made from time T0 to T1. The output of the Markov model, which is the state change matrix, is non-spatial in nature, that is, there is no knowledge and awareness of the geographical location of land uses. CA-Markov model is used to predict the location of land uses (land use map) in the future. Markov chain adds. In this study, the map of 1987, 2001 and 2016 was used to predict the map of 2030, 2045 and 2060.

After defining the criteria, a questionnaire was prepared to determine the importance levels of these criteria. To evaluate the questions, people select only the relevant descriptive variable, then the selected options are converted into scales that include triangular fuzzy numbers and are generalized to perform calculations and analyze the results. In this study, after completing a questionnaire from ten agricultural and environmental economics experts and specialists, using the fuzzy hierarchy method (FAHP), seven factors of agricultural land, forest, barren land, medium rangeland, poor rangeland, water area and Residential lands were investigated for decision making. For this purpose, each of the criteria was ranked between 1 and 9 based on the opinion of experts. Then, the pairwise comparison matrices between the criteria were formed by fuzzy numbers and the elements of the triangular function were calculated. Finally, with the weights obtained from this section, the studied sub-basins were prioritized in terms of the need to apply water and soil protection measures.

 Findings

According to the results obtained in 1986, respectively, the sub-basins of Kavar, Khafr and Meimand Shabankare had a favorable condition. Also, in 2001, Khafr and Kavar sub-basins are in the first and second ranks, but the Mok-Mahkoye sub-basin has a better position than Meimand Shabankare and is in the third rank. During these two years, the Zahedoun sub-basin has been in a more critical situation among the studied sub-basins, which after these years will witness the improvement of the condition of this sub-basin in a way that is based on the predictions made in the year 2060 will be in third place. Also, in 2016, Fasa, Kavar and Qutbabad sub-basins were ranked first to third among the studied regions. This year, Hakan sub-basin is in the last rank, which reveals the necessity of proper protection and management of water and soil resources in this sub-basin. The results of this study showed over time, we will encounter medium and poor pasturelands with increasing area of ​​residential land, land and agricultural lands and decreasing forestland area. In addition, based on the results of land use prediction and prioritization of sub-basins, the sub-basins of Quar, Ghotbabad and Khafr in 2030, Ghotbabad, between the forest and Quar in 2045, and Ghotbabad, Medi-Jangal and Zahedon in 2060 had a higher environmental significance than other sub-basins. In the sub-basins of Hakan, Daranjan and Firoozabad, the application of water and soil conservation measures is of great importance.

Based on the results obtained from the land use forecast of Kavar, Qutbabad and Khafr sub-basins in 2030, Qutbabad, Mianjangal and Kavar sub basins in 2045 and Qutbabad, Mianjangal and Zahedun sub basins in in 2060, they had a more favorable situation than other sub-basins. During the predicted time period, Hakan, Daranjan and Firozabad sub-basins are in unfavorable conditions, respectively. As mentioned earlier, the change of vegetation has a great impact on soil moisture, permeability, evaporation and transpiration and erosion. In other words, the reduction of forest vegetation and pastures against the increase of agricultural lands, barren lands and human settlements will lead to an increase in soil erosion and a decrease in water infiltration, and this will lead to the creation of vulnerable areas. Therefore, the sub-basins that are in an unfavorable condition in terms of the type of vegetation are more vulnerable in terms of water and soil resources, and it is necessary to carry out water and soil protection measures for these sub-basins in order to It prevented the irreparable effects that will be brought to the environment.

Discussion and Conclusion

In recent decades, the rapid changes in land use and vegetation in the suburbs of big cities have been associated with important consequences such as the destruction of natural resources, environmental pollution and inappropriate growth of cities. Being aware of land use changes and analyzing the cause of these changes in a period of time and predicting these changes in the coming years can be an important step in planning and optimal use of resources and controlling and curbing unprincipled changes in the future. Therefore, in this study, using Landsat satellite images and Markov chain model, land use changes for the years 2030, 2045 and 2060 in the northeastern part of Abriz Mand basin at the level of existing sub-basins (16 sub-basins) It was seen. In the next step, the types of land use in the area were weighted using the fuzzy hierarchical analysis method. Finally, by using the obtained weights, the studied sub-basins were prioritized in terms of vegetation, in the sub-basins that have weaker vegetation, the possibility of water and soil wastage has increased, hence Water and soil protection measures are very important for them.

The results of this study showed that over time, we will face an increase in the area of residential lands, barren lands, and agricultural lands, and a decrease in the area of forest lands, medium and poor pastures.

Also, based on the results of the fuzzy hierarchical analysis method, the highest weight was assigned to forest vegetation. Therefore, in 1986, respectively, the sub-basins of Kavar, Khafr and Maimand of Shabankare had a good condition in terms of the type of vegetation. Also, in 2001, Khafr and Kavar sub-basins were ranked first and second, but Mok-Mahkoyeh sub-basin was ranked higher than Meimand Shabankare and was ranked third. During these two years, the Zahedoun sub-basin has had inadequate vegetation compared to the studied sub-basins, but from 2001 onwards, we will witness the improvement of the condition of this sub-basin from this point of view, in such a way that based on the predictions In 2060, it will be ranked third in terms of vegetation. Also, in 2016, Fasa, Kovar and Qutb Abad sub-basins ranked first to third among the studied sub-basins. This year, Hakan sub-basin is in the last place. Also, according to the forecasts, the sub-basins of Kovar, Qutb Abad and Khafar in 2030, the sub-basins of Qutb Abad, Mian Jangal and Kovar in 2045 and the sub basins of Qutb Abad, Mian Jangal and Zahedun. In 2060, they had a more favorable situation than other sub-basins. During the predicted time period, Hakan, Daranjan and Firozabad sub-basins are in the lowest ranks in terms of vegetation cover. Therefore, the need to pay attention to these sub-basins in order to carry out water and soil protection measures due to inappropriate vegetation is determined. Knowing about the state of vegetation in different areas and understanding the current situation and the trend of changes in the coming years can play an important role in improving the management and planning and optimal allocation of resources in order to preserve the existing resources (especially water and soil resources) in different areas. have The results obtained from this study can be used for this purpose and by knowing the areas with more suitable land use (forests and pastures), more effective steps can be taken in preserving and maintaining these valuable resources. Also, with the increase in the area of land without vegetation, agricultural land and residential land, soil erosion has increased due to the decrease in permeability, and this leads to the loss of water and soil resources. To achieve more reliable results, by identifying endangered and damaged areas, efforts can be made to improve the situation through the implementation of water and soil conservation measures.

Ethical Considerations

Compliance with ethical guidelines

All subjects full fill the informed consent.

Authors' contributions

Design and conceptualization: Hamed Dehghanpur and Mansour Zibaei; Methodology and data analysis: Hamed Dehghanpur and Mansour Zibaei; Supervision: Hamed Dehghanpur and final writing: Hamed Dehghanpur

Conflicts of interest

The authors declared no conflict of interest


شاپا چاپی: 6407 -2008 - شاپا الکترونیکی: 2423-7248

 

 

مقاله پژوهشی

شناسايی مناطق دارای اولويت به منظور بکارگيری اقدامات حفاظت آب و خاک: منطقه مورد مطالعه شمال شرقی حوضه آبريز مند

حامد دهقانپور 1*، منصور زیبایی 2 

1- استادیار اقتصاد کشاورزی، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز

2- استاد اقتصاد کشاورزی، دانشکده کشاورزی و منابع طبیعی، دانشگاه شیراز

 

تاریخ دریافت:14/01/1398

تاریخ پذیرش: 13/05/1403

شماره صفحات:133-119 

 

 

 

 

 

 

 

 

 

 

 

DOI:

10.30495/jae.2024.20981.1999 

 

 

واژه­های کلیدی:

کاربری اراضی، حفاظت آب، حفاظت خاک، زنجیره مارکوف، تحلیل سلسله مراتبی فازی

چکیده

مقدمه و هدف: در دهه­های اخیر تغییرات سریع کاربری اراضی و پوشش گیاهی با پیامدهای مهمی از جمله تخریب منابع طبیعی، آلودگی­های زیست­محیطی و رشد نامناسب مناطق مختلف همراه بوده است. آگاهی از تغییرات کاربری اراضی و تجزیه و تحلیل علت این تغییرات در یک دوره زمانی و پیش­بینی این تغییرات در سال­های آینده می­تواند در برنامه­ریزی و بکارگیری اقدامات حفاظت آب و خاک گام مهمی باشد.

مواد و روش­ها: در این مطالعه با استفاده از تصاویر ماهواره­ای لندست مربوط و مدل زنجیره مارکوف، تغییرات کاربری اراضی و پوشش اراضی برای سال­های 2030، 2045 و 2060 در بخش شمال شرقی حوضه آبریز مند برای زیرحوضه­های موجود پیش­بینی شد. در مرحله بعد با استفاده از روش تحلیل سلسله مراتبی فازی انواع کاربری اراضی در منطقه از نظر نوع پوشش گیاهی وزن­دهی شدند. در نهایت با استفاده از وزن­های بدست آمده به اولویت­بندی زیرحوضه­های مورد مطالعه از نظر ضرورت بکارگیری اقدامات حفاظت آب و خاک پرداخته شد.

یافته­ها: نتایج نشان داد که در طول زمان با افزایش وسعت اراضی مسکونی، زمین­های بایر و اراضی کشاورزی و کاهش سطح اراضی جنگلی، مرتع متوسط و فقیر روبرو خواهیم شد. همچنین بر اساس نتایج بدست آمده از پیش­بینی کاربری اراضی و اولویت­بندی زیرحوضه­ها، زیرحوضه­های کوار، قطب آباد و خفر در سال 2030، قطب آباد، میان جنگل و کوار در سال 2045 و  قطب­آباد، میان­جنگل و زاهدون در سال 2060 از وضعیت مناسبی نسبت به سایر زیر حوضه­ها برخوردار بوده­اند اما در زیرحوضه­های حکان، دارنجان و فیروزآباد بکارگیری اقدامات حفاظتی آب و خاک ضروری می­باشد.

بحث و نتیجه­گیری: از نتایج بدست آمده از این مطالعه می­توان برای این منظور استفاده نمود و با شناخت مناطق دارای کاربری اراضی مناسب­تر (جنگل­ها و مراتع) در حفظ و نگهداری از این منابع ارزشمند گام­های موثرتری برداشت. همچنین با افزایش مساحت اراضی فاقد پوشش گیاهی، اراضی زراعی و اراضی مسکونی فرسایش خاک به علت کاهش نفوذپذیری افزایش پیدا کرده و همین امر منجر به از بین رفتن منابع آب و خاک می­گردد. از این­رو، با شناخت مناطق در معرض خطر و آسیب دیده می­توان با به کارگیری اقدامات حفاظتی آب و خاک درصدد بهبود شرایط پیش آمده گام برداشت.

 

 

 

 

از دستگاه خود برای اسکن و خواندن

مقاله به صورت آنلاین استفاده کنید

 

img0 

 

 

 

 

 

 

 

 

 

 

 

 


مقدمه

با توجه به تغییرات روزافزون کاربری اراضی و ضرورت آگاهی مدیران و کارشناسان از چگونگی تغییر و تحولات رخ داده برای سیاست­گذاری و رفع مشکلات موجود، آشکارسازی تغییرات برای مشخص کردن روند تغییرات در طول زمان ضروری به نظر می­رسد  (19). ارزیابی روند تغییرات در منابع و شرایط اکولوژیک چنین مناطقی، مدیران را در اتخاذ تصمیمات مورد نیاز کمک می­کنند (26). سنجش از دور یک فناوری کلیدی جهت ارزیابی وسعت و میزان تغییرات کاربری اراضی است (14). از طریق این روش می­توان با استفاده از مجموعه تصاویر چند زمانه و پردازش آنها، نسبت به آشکارسازی تغییرات مورد نظر در منطقه اقدام کرد و با استفاده از نتایج بدست آمده به شیوه­ای کارآمد به مدیریت مناطق حساس پرداخت (6). از طرف دیگر پیش­بینی و مدل­سازی تغییرات احتمالی آینده برای آگاهی از کمیت و کیفیت تغییرات احتمالی آینده اهمیت دارد (29). از جمله مدل­هایی که برای پیش­بینی تغییرات کاربری اراضی استفاده می­شود، مدل زنجیره مارکوف است (16). با پیش­بینی تغییرات کاربری، می­توان میزان گسترش و تخریب منابع را مشخص و این تغییرات را در مسیرهای مناسب هدایت کرد. در مطالعات مختلفی از مدل زنجیره مارکوف استفاده شده است (1، 5، 7، 8، 10، 20، 22، 25 و 27)

اطلاع از الگوی کاربری اراضی و دانستن تغییرات هر کدام از کاربری­های در طول زمان، یکی از پیش­شرط­های اصلی برای استفاده بهینه از منابع آب و خاک می­باشد. ادامه حیات جوامع انسانی مستلزم وجود و حفظ اراضی زراعی، مرتعی و جنگلی خواهد بود. زیرا نوع بهره­برداری از اراضی عامل بسیار مهمی در فرسایش و تولید رسوب در حوضه و در نتیجه حفظ منابع آب و خاک به شمار می‌رود (2، 7، 12، 19، 23، 28 و 29). میزان فرسایش خاک همبستگی قوی با پوشش و کاربری زمین دارد (9 و 26). تغییرات کاربری زمین یا درصد پوشش گیاهی اثرات بسیاری در میزان هدررفت آب و خاک دارد. از این رو شناسایی روند تغییرات کاربری اراضی در حوضه­های آبخیز به منظور مدیریت حوضه­های آبخیز و منابع آب و خاک نقش موثری دارد. به عبارت دیگر، شرط اول کنترل منابع آب و خاک و بهبود وضعیت بحرانی یک حوضه آبخیز، شناسایی مناطق و زیرحوضه­های با وضعیت بحرانی­تر و اولویت­بندی آن ها از لحاظ انجام اقدامات حفاظت آب و خاک می­باشد. شناسایی تغییرات کاربری اراضی در آینده به ارزیابی مناسب و اولویت­بندی­ زیرحوضه­های مختلف به منظور حفاظت و مدیریت مناسب آن ها، کمک خواهد کرد.

با بررسی مطالعات پیشین آشکار می­شود که مطالعات زیادی در زمینه تغییر کاربری اراضی انجام شده است هر چند مطالعه در زمینه تجزیه و تحلیل تغییرات در سطح زیرحوضه با طبقه‌بندی کاربری اراضی گوناگون و اولویت­بندی آنها اندک می­باشد (9، 13، 17، 23 و 18).

بیشتر مطالعاتی که از مدل زنجیره مارکوف استفاده نموده­اند، در یک منطقه شهری یا یک کاربری اراضی خاص و یا طبقه­بندی­های محدود شده می­باشد. همچنین در برخی مطالعات به اولویت­بندی حوضه­های آبریز با بررسی عوامل مختلفی از جمله تخریب (24)، فرسایش خاک (23)، عوامل ژئومورفولوژیکی (3، 24 و 22) و شاخص عملکرد رسوب (11) پرداخته شده است. در سال 2006 با استفاده از تصاویر سال­های 2000 و 2001 و همچنین مدل پیش­بینی مارکوف به بررسی تغییر کاربری اراضی در اندونزی پرداخته شد. نتایج نشان داد که بخش قابل توجهی از اراضی جنگلی در حال تبدیل شدن به اراضی کشاورزی و مناطق مسکونی هستند (19). در مطالعه­ای دیگر با استفاده از تصاویر ماهواره لندست در سال­های 1972 و 2001 و مدل زنجیره مارکوف به بررسی تغییرات کاربری و پوشش منطقه­ای در ایالت آمریکا پرداخته و از تصاویر طبقه­بندی شده سال­های مورد مطالعه برای پیش­بینی تغییر کاربری اراضی و پوشش گیاهی در مدت زمان 15 سال استفاده شد. نتایج این مطالعه نشان داد که روند رو به رشدی در اراضی مسکونی به دلیل عوامل محرک اقتصادی و اجتماعی وجود دارد (15).در ایران نیز پژوهش­های زیادی در زمینه پایش، آشکارسازی و پیش‌بینی تغییرات کاربری اراضی با استفاده از سنجش از دور انجام شده است (4، 1، 16 و 9). اما همچنان نیاز است با انجام پژوهش‌های علمی بیشتر روند تغییرات و پیش­بینی این تغییرات در سایر نقاط ایران مورد ارزیابی قرار گیرد. از این رو هدف از انجام این مطالعه بررسی تغییرات کاربری اراضی در فواصل دوره زمانی 2016-1987 برای بخش شمال شرقی حوضه آبریز مند و پیش­بینی تغییرات برای سال‌های 2030، 2045 و 2060 با استفاده از مدل زنجیره مارکوف است تا از این طریق مناطقی که تحت تاثیر تغییر کاربری اراضی در آینده قرار می­گیرند مشخص گردند. حوضه آبریز مند از نظر تقسیمات کشوری به استان فارس تعلق دارد. این منطقه شامل زیرحوضه­های سیخ-دارنگون، دارنجان، کوار، موک-مهکویه، خفر، میمند، فیروزآباد، دال سیمکان، حکان، قطب‌آباد­، زاهدون، فسا، قره­بلاغ، نوبندگان و جهرم می­باشد (شکل 1).

در مرحله بعد با استفاده از روش سلسله مراتبی فازی (FAHP) وزن هر یک از کاربری­های اراضی تعیین شد. سپس با استفاده از وزن­های بدست آمده به اولویت­بندی زیرحوضه­های مورد مطالعه از نظر ضرورت بکارگیری اقدامات حفاظت آب و خاک، مبادرت ورزید.

img0 

شکل 1- موقعیت حوضه آبریز مند و زیرحوضه­های آن

حوضه آبریز مند از لحاظ ژئومورفولوژي، حمل رسوبات به خلیج فارس و همچنین از جنبه­های اقتصادی و کشاورزی در جنوب کشور دارای اهميت ویژه­ای است. سطح آب زیرزمینی در دشت­هاي این حوضه آبریز داراي افت سالانه قابل ملاحظه اي می باشد. بررسی هاي اقلیمی نشان­دهنده گسترش دوره هاي خشکسالی در چندسال اخیر بوده که از دلایل عمده کاهش سطح آب سفره هاي آبرفتی می باشد. علاوه برآن افزایش چشمگیر حفاري چاه و استخراج آبهاي زیرزمینی به دلایل خشکسالی، توسعه کشاورزي و افزایش نیاز مصرف آب در بخش­هاي مختلف شرب و صنعت سبب پایین آمدن بیشتر سطح آب سفره­هاي آبرفتی شده است. بنابراین، باید در راستای ایجاد تعادل بین عرضه و تقاضا اقدامات اثربخشی صورت گیرد که یکی از این اقدامات حفاظت آب و خاک و افزایش بهره­وری منابع آب و خاک است.

روش تحقیق

در این مطالعه از ماتریس تغییرات کاربری و مدل زنجیره مارکوف برای پیش­بینی تغییرات کاربری اراضی استفاده شد. قبل از اینکه هر گونه پردازش­های حرفه ای بر روی تصاویر لندست صورت گیرد باید ابتدا برخی از پیش پردازش­ها انجام شود تا تصاویر آماده برای پردازش­های بعدی از جمله طبقه بندی تصاویر و شناسایی تغییرات کاربری اراضی شوند. پیش پردازش­هایی که بر روی تصاویر باید انجام گیرد شامل تصحیح رادیومتریک و تصحیح اتمسفری می باشد که در نهایت خروجی ما باید به صورت بازتاب سطح زمین تبدیل گردد تا پردازش های ما معنی دار گردد.        زنجیره مارکوف، دنباله­ای از فرایندهای تصادفی است که در آن نتیجه هر فرایند در هر زمان، تنها به نتیجه فرایند در زمان مجاور آن وابسته است. زنجیره مارکوف به وسیله تعدادی از وضعیت­ها و احتمال تغییر بین وضعیت­ها تعیین می­گردد. فرایند تصادفی img0، یک زنجیره مارکوف است اگر برای هر img0 و img0 ( که در آن s یک مجموعه قابل شمارش است)، شرط زیر برقرار باشد. 

(1)

 

img0=

img0 

در این الگو y برداری از متغیر وابسته، x نمایانگر متغیرهای توضیحی، w1 و w2 ماتریس وزن‌های فضایی هستند که در ادامه چگونگی شکل­گیری آن­ها توضیح داده می­شود. این الگوها به‌صورت هم‌زمان وقفه فضایی و همبستگی فضایی جمله خطا را دارا می­باشد. در رابطه (1)، β نشان­دهنده برداری از پارامترها برای متغیرهاست. ρ نشان­دهنده ضریب خودهمبستگی فضایی است و درنهایت λ ضریب خودهمبستگی فضایی در جملات خطا می­باشد. اگر در رابطه (1)، پارامتر λ برابر با صفر باشد. بدین معنی است که خودهمبستگی فضایی در جملات اخلال وجود نداشته باشد رابطه شماره (2) به دست می­آید:

(2) 

img0=

img0 

که img0 تعداد تغییرات از وضعیت i به وضعیت j و img0 تعداد کل دوره­های قرار گرفته در وضعیت i است. زنجیره مارکوف دارای یک ماتریس تبدیل وضعیت است.

مدل­های مبتنی بر زنجیره مارکوف اطلاعات پیچیده را در قالب ماتریس تغییر وضعیت گردآوری می­کنند. از این رو با کمک زنجیره مارکوف سیستم­های بسیار پیچیده و مرکب که در آن فرایندهای زیربنایی قابل شناسایی نیستند را می­توان مدلسازی نمود. در مطالعات تغییر کاربری اراضی روش مارکوف توزیع مساحتی کاربری زمین در انتهای یک دوره زمانی را با استفاده از توزیع کاربری در ابتدای دوره و یک ماتریس تغییر وضعیت پیش­بینی می­کند. این ماتریس تغییر وضعیت با توجه به تغییرات مشاهده شده در گذشته بدست می­آید و برای پیش­بینی کاربری­ها در زمان آتی مورد استفاده قرار می­گیرد.

مدل CA-Markov1 تلفیقی از مدل سلول­های خودکار زنجیره مارکوف و مدل تخصیص چندمنظوره اراضی (MOLA) است که به منظور پیش­بینی تغییرات آینده کاربری اراضی به کار می­رود. ابتدا با به کارگیری مدل زنجیره مارکوف احتمال تغییر طبقات نقشه کاربری اراضی به یکدیگر در قالب یک ماتریس تغییر وضعیت کاربری­ها و بر مبنای تغییرات صورت گرفته از زمان T0 تا T1 محاسبه می­شود. خروجی مدل مارکوف که همان ماتریس تغییر وضعیت است از لحاظ ماهیت غیرمکانی است یعنی در آن هیچ دانش و آگاهی از موقعیت جغرافیایی کاربری­های زمین وجود ندارد. برای پیش­بینی موقعیت مکانی کاربری­ها (نقشه کاربری اراضی) در زمان آتی از مدل CA-Markov استفاده می­شود که این مدل مولفه­های مجاورت مکانی و دانش کاربر نسبت به توزیع مکانی احتمال تبدیل کاربری­ها، را به مدل زنجیره مارکوف اضافه می­کند. در این مطالعه از نقشه سال­های 1987، 2001 و 2016 استفاده شد تا نقشه سال­های 2030، 2045 و 2060 پیش­بینی شود.

از آنجایی که قضاوت انسان همواره با ترجیحاتی همراه است که مبهم­اند و نمی­توان آنها را با مقادیر عددی دقیق بیان کرد، رویکرد واقع­بینانه استفاده از ارزیابی­های زبانی به جای مقادیر عددی است. این به آن معناست که رتبه­ها و وزن­ها در یک مسئله با استفاده از متغیرهای زبانی یا اعداد فازی معادل آنها تعیین شوند (Chang, 1996).

اطلاعات مورد نیاز جهت انجام این مطالعه شامل، تصاویر ماهواره­ای لندست سال­های 1987 (سنجنده TM)، 2001 (سنجنده ETM+) و 2016 (سنجنده OLI/TIRS) می­باشد. تصاویر لندست استفاده شده در این تحقیق در شماره خط عبور ماهواره ای (WRS_PATH) 162 و شماره ردیف ماهواره ای (WRS_ROW) 40 قرار دارند. این تصاویر از سایت سازمان زمین­شناسی ایالات متحده2 دانلود شده است.چون قسمت­هایی از محدوده مورد مطالعه در فریم­های دیگر تصاویر لندست قرار داشتند و تصاویر همزمان با تصاویر ذکر شده در بالا موجود نبود، بنابراین قسمت­هایی از محدوده مورد مطالعه حذف و اصلاح شد. شکل (2) محدوده مورد مطالعه نهایی را نشان می دهد.

بعد از تعریف معیارها، یک پرسشنامه تهیه شد تا سطوح اهمیت این معیارها تعیین شود. برای ارزیابی سوالات، افراد تنها متغیر توصیفی مربوطه را انتخاب می­کنند، سپس گزینه­های منتخب به مقیاس­های که شامل اعداد فازی مثلثی است تبدیل می­شوند و برای انجام محاسبات و تحلیل نتایج، تعمیم داده می­شوند. در این مطالعه بعد از تکمیل پرسشنامه از ده نفر از کارشناسان و متخصصان اقتصادکشاورزی و محیط­زیست، با استفاده از روش سلسله مراتبی فازی (FAHP)، هفت عامل زمین کشاورزی، جنگل، زمین بایر، مرتع متوسط، مرتع فقیر، پهنه آبی و اراضی مسکونی، برای تصمیم­گیری بررسی شدند. برای این منظور ابتدا هر یک از معیارها بر اساس نظر کارشناسان به مقادیری بین 1 تا 9 رتبه­بندی شدند. سپس ماتریس‌های مقایسه زوجی میان معیارها توسط اعداد فازی تشکیل شد و المان­های تابع مثلثی محاسبه شد. در نهایت با وزن­های بدست آمده از این بخش به اولویت­بندی زیرحوضه­های مورد مطالعه از نظر ضرورت بکارگیری اقدامات حفاظت آب و خاک پرداخته شد.

F:\workSpace\1-New1397\Mond_Basian\WorkSpace\Data_Analysis\Manuscript\pic\landsat.jpg 

شکل 2- محدوده مورد مطالعه حوضه آبریز مند

نتایج و بحث

در این مطالعه با استفاده از روش حداکثر احتمال، تصاویر مربوط به سال­های 1986، 2001 و 2016 طبقه­بندی شده و نقشه کاربری اراضی مربوط به این سال­ها تهیه شد (شکل 3).

 دقت کلی و ضریب کاپا برای تصاویر طبقه­بندی شده در جدول (2) گزارش شده است. مشاهده می­شود که دقت کلی و ضریب کاپا هر دو بیش از 89 درصد هستند.

جدول 2- دقت کلی و ضریب کاپا برای سال­های مورد استفاده

سال

1986

2001

2016

دقت کلی

923/0

936/0

951/0

ضریب کاپا

89%

91%

93%

مأخذ: یافته­های تحقیق

 

[1] 1 Cellular Automata (CA)-Markov

[2]  

 

F:\workSpace\1-New1397\Mond_Basian\WorkSpace\Data_Analysis\Manuscript\pic\lulc3.png 

شکل 3– نقشه کاربری اراضی در سال­های 1986، 2001 و 2016

 

آمار مربوط به مساحت و میزان تغییرات به وقوع پیوسته در جدول (3) و شکل­ (4) نشان داده شده است. در سال 1986 کلاس اراضی جنگلی با در اختیار داشتن 86/34 درصد کل مساحت منطقه، گسترده­ترین کلاس می­باشد. پس از آن نیز کلاس­های مرتع متوسط و مرتع فقیر با 86/25 و 95/22 درصد مساحت منطقه، به ترتیب در رده­های دوم و سوم قرار دارند.

 

جدول 3- مساحت کلاس­های مختلف کاربری در سال­های مورد بررسی

نوع کاربری

1986

2001

2016

مساحت

مساحت

مساحت

هکتار

درصد

هکتار

درصد

هکتار

درصد

کشاورزی

133241

50/12

143405

52/12

160869

04/14

زمین بایر

28717

29/3

36776

21/3

41929

66/3

جنگل

435267

86/34

429847

53/37

420024

75/39

مرتع متوسط

301277

86/25

296109

85/28

288151

13/25

مرتع فقیر

240878

95/22

229895

07/20

215788

34/15

اراضی مسکونی

5868

50/0

9232

80/0

17768

98/1

مأخذ: یافته­های تحقیق

img0 

شکل 4–روند تغییرات سطح کلاس­ها در دوره 1986 تا 2016

 

در سال­های 2001 و 2016 نیز اراضی جنگلی، مرتع متوسط و مرتع فقیر در رده اول تا سوم از نظر وسعت در منطقه قرار دارند.

طی دوره 1986 تا 2001 بیشترین کاهش به ترتیب به مرتع فقیر (با کاهش 56/4 درصد)، مرتع متوسط (با کاهش 72/1 درصد) و جنگل (با کاهش 24/1 درصد) مربوط بوده است. در مقابل کلاس اراضی مسکونی، زمین بایر و اراضی کشاورزی به ترتیب با 33/57، 06/28  و 63/7 درصد بیشترین رشد را داشته­اند.

همچنین طی دوره 2001 تا 2016 مرتع فقیر، مرتع متوسط و جنگل با 14/6، 69/2 و 28/2 درصد کاهش همراه بوده­اند. همچنین سطح کلاس اراضی مسکونی، اراضی بایر و اراضی کشاورزی به ترتیب 46/92، 01/14 و 18/12  درصد افزایش یافته است. در شکل (4) روند تغییرات سطح کلاس­ها را در سال­های 1986، 2001 و 2016 نمایش داده شده است.

با استفاده از ماتریس تبدیل وضعیت سال 1986 تا 2016، نقشه کاربری اراضی سال­های 2030، 2045 و 2060 پیش­بینی شده است (شکل 5).  

 

F:\workSpace\1-New1397\Mond_Basian\WorkSpace\Data_Analysis\Manuscript\pic\predict3.png 

شکل 5 –نقشه پیش­بینی کاربری اراضی سال­های 2030، 2045 و 2060

 

نتایج مدل زنجیره مارکوف به منظور اعتبارسنجی از طریق مقایسه نتایج مدلسازی شده سال 2016 با کاربری اراضی طبقه­بندی شده سال 2016 در جدول (4) نشان داده شده است. تفاوت اندکی بین نتایج مدلسازی شده و طبقه­بندی شده وجود دارد، که بیشترین مقدار خطا 11 درصد در اراضی بایر است. خطا بین طبقه­بندی اصلی و مدل شبیه­سازی شده 3%- در اراضی کشاورزی، 5/0 %- در جنگل و مرتع متوسط، 2% در مرتع فقیر و اراضی ساخته­شده می­باشد. بنابراین نتایج اعتبارسنجی کاربری اراضی سال 2016 نشان می­دهد که مدل مارکوف نتایج قابل قبولی را ارائه کرده است. در ادامه کاربری اراضی در سال­های 2030، 2045 و 2060 با استفاده از نقشه کاربری اراضی 2016 پیش­بینی شده است.

 

جدول 4– دقت و صحت کاربری اراضی مدلسازی شده و طبقه­بندی شده در سال 2016

نوع کاربری اراضی

مقادیر طبقه­بندی شده

مقادیر مدل­سازی شده

خطا (KM2)

خطا (درصد)

کشاورزی

1609

1657

26/48-

3-

زمین بایر

3/419

2/373

12/46

11

جنگل

4553

4575

76/22-

5-

مرتع متوسط

2879

2893

39/14-

5-

مرتع فقیر

1758

1723

16/35

2

اراضی مسکونی

7/227

1/223

554/4

2

مأخذ: یافته­های تحقیق

 

تغییرات مثبت اراضی مسکونی از سال 1986 تا 2001 قابل توجه می­باشد (33/57%)، که تا سال 2060 دارای نرخ افزایشی می­باشد و بیشترین تغییرات از 2001 تا 2016 اتفاق افتاده است که 46/92% افزایش داشته است. همچنین در طول دوره مورد مطالعه شاهد افزایش وسعت اراضی کشاورزی خواهیم بود در مقابل وسعت اراضی جنگلی، مراتع متوسط و فقیر از روند رو به کاهش برخوردار هستند.

منطقه مورد مطالعه شامل 16 زیرحوضه می­باشند. در شکل (6) روند تغییرات هر یک از کاربری اراضی در سال­های مورد مطالعه نشان داده شده است. زیر حوضه­های فیروزآباد، جهرم و سیخ-دارنگون دارای بیشترین وسعت اراضی کشاورزی در بین زیرحوضه­های مورد مطالعه در سال 1986 می­باشند. بر اساس نتایج بدست آمده در سال 2060، وسعت اراضی کشاورزی فیروزآباد به میزان 42/9- درصد، جهرم 74/66 درصد و 14/29 درصد تغییر خواهد کرد. در این سال بیشترین وسعت اراضی کشاورزی به زیرحوضه­های زاهدون، جهرم و دال-سیمکان اختصاص دارد.

 

img0img0 

 

img0img0 

 

img0img0 

شکل 6- وسعت اراضی (برحسب هکتار) در زیرحوضه­های مورد مطالعه

 

همچنین زیر حوضه­های فسا، دال سیمکان و میان جنگل در طول دوره مورد مطالعه از بیشترین وسعت اراضی بایر برخوردار بوده­اند و شاهد افزایش وسعت این اراضی در زیر حوضه­های فسا (96/259 درصد) و میان جنگل (7/132 درصد) به میزان قابل توجهی خواهیم بود. اراضی فاقد پوشش گیاهی تاثیر زیادی در فرسایش خاک و هدررفت آب خواهند داشت، زیرا سطح زمین فاقد هرگونه پوشش گیاهی در برابر عوامل فرسایش آبی و بادی است.

بیشترین وسعت جنگل مربوط به زیرحوضه­های دال-سیمکان، خفر و موک-مهکویه می­باشد که در طول زمان بر وسعت اراضی جنگلی دال-سیمکان (حدود 37 درصد) افزوده شده و از وسعت اراضی جنگلی خفر و موک-مهکویه کاسته شده است، که این مسئله در زیرحوضه خفر قابل توجه می­باشد (75/40%-). از نظر مرتع متوسط در سال 1986، به ترتیب زیرحوضه­های میان جنگل، خفر و موک-مهکویه از بیشترین وسعت برخوردار می­باشند که در طی دوره مورد بررسی وسعت این اراضی در خفر به میزان اندکی (94/6 درصد) افزایش یافته است اما در زیرحوضه­های میان­جنگل (62/37- درصد) و موک-مهکویه (16/14- درصد) به میزان قابل توجهی کاهش یافته است در مقابل وسعت این اراضی در زیرحوضه­های زاهدون و فسا به میزان چشمگیری افزایش خواهد یافت. زیر حوضه­های دال سیمکان، زاهدون و جهرم در سال 1986 دارای بیشترین وسعت مرتع فقیر بوده­اند که در طول زمان بر وسعت این اراضی افزوده خواهد شد. وجود مرتع به علت ساختار ریشه­ای متراکم شدیدا در نگهداشت ذرات خاک به یکدیگر تاثیر می­گذارد. جنگل­ها نیز به علت داشتن تاج پوشش مانع برخورد مستقیم قطرات باران با سطح خاک و متلاشی شدن خاکدانه­ها و موجب تشدید نفوذپذیری می­گردند (21). از این رو مراتع و جنگل­ها نقش موثری در حفاظت از منابع آب و خاک ایفا نموده و لازم است در حفظ و ارتقاء آنها گام­های موثری را برداشت.

همچنین بیشترین سطح اراضی مسکونی مربوط به زیرحوضه­های جهرم، سیخ دارنگون و فسا به ترتیب می­باشد که از یک روند افزایشی در زیرحوضه­های جهرم و فسا برخوردار خواهیم بود اما وسعت این اراضی در سیخ دارنگون به میزان 5/96 درصد کاهش خواهد یافت. گسترش اراضی مسکونی باعث افزایش سطوح نفوذناپذیر خاک و افزایش میزان رواناب و در نتیجه ایجاد سیل و فرسایش می­گردد.

جهت اولویت­بندی کاربری اراضی در زیرحوضه­های مورد مطالعه ابتدا ماتریس مقایسات زوجی انواع کاربری اراضی استخراج شد. در مرحله بعد وزن نرمال شده هر یک از کاربری­های اراضی محاسبه شد که نتایج حاصل از آن در جدول (8) ارائه شده است.

 

جدول 8– ماتریس نرمال شده و وزن نهایی برای اولویت­بندی زیرحوضه­ها

 

وزن نرمال نشده

وزن نرمال شده

کشاورزی

291/0

124/0

زمین بایر

007/0

003/0

جنگل

066/1

456/0

مرتع متوسط

933/0

399/0

مرتع فقیر

041/0

018/0

اراضی مسکونی

0

0

 

788/3

1

مأخذ: یافته­های تحقیق

 

بر اساس نتایج بدست آمده بیشترین وزن به جنگل (456/0) اختصاص داده شده است. بعد از آن مرتع متوسط (399/0)، اراضی کشاورزی (124/0)، مرتع فقیر (018/0) و اراضی بایر (003/0) به ترتیب از درجه اهمیت بالاتری از نظر کارشناسان محیط­زیست برخوردار بوده­اند. همچنین از دیدگاه کارشناسان اراضی مسکونی وزن صفر را کسب نموده است که نشان از بی اهمیتی آن دارد.

شاخص سازگاری (CI) و شاخص سازگاری تصادفی (RI) به ترتیب معادل 0156/0 و 233/1 بدست آمد. بنابراین نسبت سازگاری (CR) که از حاصل تقسیم این دو بر یکدیگر بدست می­آید برابر با 0126/0 یا 265/1 درصد می­باشد. در صورتی که مقدار CR کمتر از 10 باشد می­توان از وزن­های بدست آمده برای اولویت­بندی زیرحوضه­های مورد مطالعه استفاده کرد. در نهایت با استفاده از وزن‌های محاسبه شده به اولویت­بندی زیرحوضه­های مورد مطالعه پرداخته شد. در جدول (9) نتایج حاصل از اولویت­بندی زیرحوضه­های مورد مطالعه از نظر ضرورت بکارگیری اقدامات حفاظت آب و خاک ارائه شده است.

 

جدول 9- اولویت­بندی زیرحوضه­های مورد مطالعه از نظر پوشش گیاهی در سال­های مختلف

 

1986

2001

2016

2030

2045

2060

جهرم

429/0

578/0

696/0

698/0

684/0

675/0

حكان

531/0

518/0

493/0

487/0

485/0

489/0

خفر

807/0

866/0

856/0

828/0

770/0

711/0

دارنجان

727/0

674/0

607/0

584/0

564/0

557/0

دال سيمكان

719/0

720/0

679/0

695/0

696/0

703/0

زاهدون

212/0

335/0

556/0

765/0

780/0

799/0

سيخ-دارنگون

771/0

747/0

697/0

690/0

673/0

668/0

فسا

640/0

747/0

916/0

769/0

688/0

631/0

فيروزآباد

689/0

639/0

602/0

588/0

568/0

554/0

قره بلاغ

685/0

670/0

624/0

619/0

611/0

615/0

قطب‌آباد

462/0

617/0

885/0

867/0

875/0

875/0

كوار

910/0

905/0

908/0

930/0

852/0

751/0

موك-مهکویه

768/0

776/0

733/0

749/0

749/0

759/0

ميان جنگل

746/0

724/0

776/0

786/0

851/0

832/0

ميمند شبانکاره

787/0

744/0

664/0

643/0

619/0

606/0

نوبندگان

769/0

740/0

790/0

775/0

786/0

793/0

حداکثر

910/0

905/0

916/0

930/0

875/0

875/0

حداقل

212/0

335/0

493/0

487/0

485/0

489/0

مأخذ: یافته­های تحقیق

 

بر اساس نتایج بدست آمده در سال 1986 به ترتیب زیرحوضه‌های کوار، خفر و میمند شبانکاره از وضعیت مطلوبی برخوردار بوده­اند. همچنین در سال 2001 زیرحوضه­های خفر و کوار در رده اول و دوم قرار دارند اما زیرحوضه موک-مهکویه از جایگاه بهتری نسبت به میمند شبانکاره برخوردار شده و در رده سوم جای گرفته است. در طی این دو سال زیر حوضه زاهدون در بین زیرحوضه­های مورد مطالعه از وضعیت بحرانی­تری برخوردار بوده است که بعد از این سالها شاهد بهبود وضعیت این زیرحوضه خواهد بود به گونه­ای که براساس پیش‌بینی­های صورت گرفته در سال 2060 در جایگاه سوم قرار خواهد گرفت. همچنین زیرحوضه­های فسا، کوار و قطب‌آباد در سال 2016 در رتبه­های اول تا سوم در بین مناطق مورد مطالعه قرار گرفته­اند. در این سال زیرحوضه حکان در رده آخر واقع شده است که ضرورت حفاظت و مدیریت مناسب منابع آب و خاک را در این زیرحوضه آشکار می­سازد.

بر اساس نتایج بدست آمده از پیش­بینی کاربری اراضی زیرحوضه­های کوار، قطب‌آباد و خفر در سال 2030، زیرحوضه­های قطب‌آباد، میان جنگل و کوار در سال 2045 و زیرحوضه­های قطب‌آباد، میان­جنگل و زاهدون در سال 2060 از وضعیت مطلوب­تری نسبت به سایر زیر حوضه­ها برخوردار بوده­اند. در طی دوره زمانی پیش­بینی شده، به ترتیب زیرحوضه­های حکان، دارنجان و فیروزآباد در شرایط نامناسبی قرار گرفته­اند. همانطور که پیشتر گفته شد تغییر پوشش گیاهی تاثیر زیادی بر روی رطوبت خاک، نفوذپذیری، تبخیر و تعرق و فرسایش پذیری می­گذارد. به عبارت دیگر کاهش پوشش گیاهی جنگلی و مراتع در برابر افزایش اراضی کشاورزی، زمین­های بایر و سکونتگاه‌های انسانی منجر به افزایش فرسایش خاک و کاهش نفوذ آب شده و همین امر منجر به ایجاد مناطق آسیب­پذیر خواهد شد (صفاری و همکاران، 1397). از این رو زیرحوضه­های که از نظر نوع پوشش گیاهی در وضعیت نامناسبی واقع شده­اند در زمینه منابع آب و خاک آسیب­پذیرتر بوده و لازم است انجام اقدامات حفاظت آب و خاک برای این زیرحوضه­ها در دستور کار قرار گیرد تا از آثار جبران­ناپذیری که به محیط­زیست وارد خواهد شد، جلوگیری نمود. همچنین در شکل (8) زیرحوضه­های مورد مطالعه از نظر درجه اهمیت برای دوره زمانی 2060-1986 نشان داده شده­اند. 

 

img0 

شکل 7- اولویت بندی زیرحوضه­های مورد مطالعه از نظر پوشش گیاهی

 

نتیجه‌گیری و پیشنهادها

در دهه­های اخیر تغییرات سریع کاربری اراضی و پوشش گیاهی در حومه شهرهای بزرگ با پیامدهای مهمی از جمله تخریب منابع طبیعی، آلودگی­های زیست­محیطی و رشد نامناسب شهرها همراه بوده است. آگاهی از تغییرات کاربری اراضی و تجزیه و تحلیل علت این تغییرات در یک دوره زمانی و پیش­بینی این تغییرات در سال­های آینده می­تواند در برنامه­ریزی و استفاده بهینه از منابع و کنترل و مهار تغییرات غیراصولی در آینده گام مهمی باشد. از این رو، در این مطالعه با استفاده از تصاویر ماهواره­ای لندست و مدل زنجیره مارکوف، تغییرات کاربری اراضی برای سال­های 2030، 2045 و 2060 در بخش شمال شرقی حوضه آبریز مند در سطح زیرحوضه­های موجود (16 زیرحوضه) پیش­بینی شد. در مرحله بعد با استفاده از روش تحلیل سلسله مراتبی فازی انواع کاربری اراضی در منطقه وزن­دهی شدند. در نهایت با استفاده از وزن­های بدست آمده به اولویت­بندی زیرحوضه­های مورد مطالعه از نظر پوشش گیاهی پرداخته شد، در زیرحوضه­هایی که از پوشش گیاهی ضعیف­تری برخوردار هستند امکان هدررفت آب و خاک بالا رفته از این رو انجام اقدامات حفاظت آب و خاک برای آنها اهمیت زیادی دارد.

نتایج این مطالعه نشان داد که در طول زمان با افزایش وسعت اراضی مسکونی، زمین­های بایر و اراضی کشاورزی و کاهش سطح اراضی جنگلی، مرتع متوسط و فقیر روبرو خواهیم شد.

همچنین بر اساس نتایج روش تحلیل سلسله مراتبی فازی، بیشترین وزن به پوشش گیاهی جنگل (4568/0) اختصاص داده شد.

مراتع متوسط، اراضی کشاورزی، مراتع فقیر  و اراضی بایر با وزن­های 399/0، 124/0، 018/0 و 003/0 در رتبه­های بعد واقع شدند. از این رو، در سال 1986 به ترتیب زیرحوضه­های کوار، خفر و میمند شبانکاره از وضعیت مناسبی از نظر نوع پوشش گیاهی برخوردار بوده­اند. همچنین در سال 2001 همچنان زیرحوضه­های خفر و کوار در رده اول و دوم قرار داشته اما زیرحوضه موک-مهکویه در رتبه بالاتری نسبت به میمند شبانکاره واقع شده و در رده سوم جای گرفته است. در طی این دو سال زیر حوضه زاهدون از پوشش گیاهی نامناسبی نسبت به زیرحوضه­های مورد مطالعه برخوردار بوده است اما از سال 2001 به بعد شاهد بهبود وضعیت این زیرحوضه از این منظر خواهیم بود، به گونه­ای که براساس پیش­بینی­های صورت گرفته در سال 2060 در جایگاه سوم از نظر پوشش گیاهی قرار خواهد گرفت. همچنین زیرحوضه­های فسا، کوار و قطب‌آباد در سال 2016 در رتبه‌های اول تا سوم در بین زیرحوضه­های مورد مطالعه قرار گرفته­اند. در این سال زیرحوضه حکان در رده آخر واقع شده است. همچنین با توجه به پیش­بینی­های صورت گرفته ، زیرحوضه­های کوار، قطب‌آباد و خفر در سال 2030، زیرحوضه­های قطب‌آباد، میان جنگل و کوار در سال 2045 و زیرحوضه­های قطب‌آباد، میان­جنگل و زاهدون در سال 2060 از وضعیت مطلوب­تری نسبت به سایر زیر حوضه­ها برخوردار بوده­اند. در طی دوره زمانی پیش­بینی شده، به ترتیب زیرحوضه­های حکان، دارنجان و فیروزآباد در پائین­ترین رده­ها از نظر پوشش گیاهی قرار گرفته­اند. از این رو، لزوم توجه به این زیرحوضه­ها به منظور انجام اقدامات حفاظتی آب و خاک به دلیل پوشش گیاهی نامناسب، مشخص می­گردد. آگاهی از وضعیت پوشش گیاهی نواحی مختلف و شناخت وضع موجود و روند تغییرات در سال­های آتی می­تواند نقش مهمی در ارتقای مدیریت و برنامه­ریزی و تخصیص بهینه منابع جهت حفظ منابع موجود (به ویژه منابع آب و خاک) در مناطق مختلف داشته باشد. از نتایج بدست آمده از این مطالعه می­توان برای این منظور استفاده نمود و با شناخت مناطق دارای کاربری اراضی مناسب­تر (جنگل­ها و مراتع) در حفظ و نگهداری از این منابع ارزشمند گام­های موثرتری برداشت. همچنین با افزایش مساحت اراضی فاقد پوشش گیاهی، اراضی زراعی و اراضی مسکونی فرسایش خاک به علت کاهش نفوذپذیری افزایش پیدا کرده و همین امر منجر به از بین رفتن منابع آب و خاک می­گردد. از این­رو، با شناخت مناطق در معرض خطر و آسیب دیده می­توان با به کارگیری اقدامات حفاظتی آب و خاک درصدد بهبود شرایط پیش آمده گام برداشت.

ملاحظات اخلاقی

پیروی از اصول اخلاق پژوهش

در مطالعه حاضر فرم­های رضایت‌نامه آگاهانه توسط تمامی آزمودنی­ها تکمیل شد.

مشارکت نویسندگان

طراحی و ایده پردازی: حامد دهقانپور، منصور زیبایی؛ روش‌شناسی و تحلیل داده­ها: حامد دهقانپور، منصور زیبایی؛ نظارت: منصور زیبایی و نگارش نهایی: حامد دهقانپور.

تعارض منافع

بنا بر اظهار نویسندگان مقاله حاضر فاقد هرگونه تعارض منافع بوده است.

 

References

 

1.       Al-sharif A.A., Pradhan, B., (2015). A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov Chain and cellular automata models in GIS. Geocarto Int. 30, 858–881.

2.       Bakker M.M., Govers G., Kosmas C., Vanacker V., Van Oost K., Rounsevell M. 2005. Soil erosion as a driver of land-use change. Agriculture, Ecosystems and Environment 105: 467–481.

3.       Chakraborty A., Sachdeva, K., Joshi, P., (2016). Mapping long-term land use and land cover change in the central Himalayan region using a tree-based ensemble classification approach. Appl. Geogr. 74, 136–150.

4.       Chopra, R., Dhiman, R.D., Sharma, P., (2005). Morphometric analysis of sub-watersheds in Gurdaspur district, Punjab using remote sensing and GIS techniques. J. Indian Soc. Remote Sens. 33, 531–539.

5.       Chung, S.H., Lee, A.H.L. and Pearn, W.L., (2005)., Analytic Network Process (ANP) approach for product Mix Planning in Semiconductor Fabricator., International Journal of Production Economics., 96., pp. 15-36.

6.       Deng, H., (1999). Multi-criteria analysis with fuzzy pairwise comparisons, International Journal of Approximate Reasoning 21:231–215

7.       Fu, B., Chen, L., Ma, K., Zhou, H., Wang, J. 2000. The relationships between land use and soil conditions in the hilly area of the loess plateau in northern Shaanxi, China. Catena 39: 69-78.

8.       Fu, X., Wang, X., Jeffrey Yang, Y., 2018. Deriving suitability factors for CA-Markov land use simulation model based on local historical data. Journal of Environmental Management, 206, 10-19.

9.       García-Ruiz, J. M. (2010). The effects of land uses on soil erosion in Spain: a review. Catena, 81(1), 1-11.

10.       Gross,J. E., 2006. Remote sensing for the national parks. Park Science, 24, 30–36.

11.       Hernández-Guzmán, R., Ruiz-Luna, A., González, G., 2019. Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico. Remote Sensing Applications: Society and Environment, 13, 318-327.

12.       Hessel R., Messing I., Chen L.D., Ritsema C., Stolte J. 2003. Soil erosion simulations of land use scenarios for a small Loess Plateau catchment. Catena 54: 289–302.

13.       Huang, Y., Nian, P., Zhang, W., (2015). The prediction of interregional land use differences in Beijing: a Markov model. Environ. Earth Sci. 73, 4077–4090.

14.       Jain, M.K., Das, D., (2010). Estimation of sediment yield and areas of soil erosion and deposition for watershed prioritization using GIS and remote sensing. Water Resource. Manage. 24, 2091–2112.

15.       Jones, D.A., (2009). Monitoring land use and cover around parks: A conceptual approach. Remote Sensing of Environment, 113, 1346–1356.

16.       Khan, M., Gupta, V., Moharana, P., (2001). Watershed prioritization using remote sensing and geographical information system: a case study from Guhiya, India. J. Arid Environ. 49, 465–475.

17.       Ku, C.-A., (2016). Incorporating spatial regression model into cellular automata for simulating land use change. Appl. Geogr. 69, 1–9.

18.       Lambin, E.F. and H. J. Geist. (2006). Land Use and Land Cover Change Local Processes and Global Impacts. Heidelberg, New York.

19.       Long, H. L., Heilig, G.K., Wang, J., Li, X.B., Luo, M., Wu, X.Q., Zhang, M. 2006. Land use and soil erosion in the ipper reaches of the Yangtze River: some socio-economic considerations on china’s grain for green programme, Land degradation & development, 17: 589-603.

20.       Losiri, C., Nagai, M., Ninsawat, S., Shrestha, R.P., (2016). Modeling urban expansion in Bangkok Metropolitan region using demographic–economic data through cellular Automata-Markov Chain and multi-layer perceptron-Markov Chain models. Sustainability 8, 686.

21.       Mahdavi, M. 1388. Applied Hydrology (Vol. 2), Sixth Edition, Tehran University Press (In Persian).

22.       Mahini, A., Feghhi, J., Nadeali, A. and Rezai, B. (2008). Changes in tree cover the Golestan province artificial neural network classification methods using ETM + and TM Landsat data. Iranian Journal of Forest and Poplar Research, 16 (3), 505-495.

23.       Meng Q.H., Fu B.J., Yang L.Z. 2001. Effects of land use on soil erosion and nutrient loss in the Three Gorges Reservoir Area, China. Soil Use and Management 17: 288–291.

24.       Mishra, V.N., Rai, P.K., (2016). A remote sensing aided multi-layer Perceptron-Markov chain analysis for land use and land cover change prediction in Patna district (Bihar), India. Arab. J. Geosci. 9, 1–18.

25.       Mukhopadhyay, A., Mondal, P., Barik, J., Chowdhury, S., Ghosh, T., Hazra, S., (2015). Changes in mangrove species assemblages and future prediction of the Bangladesh Sundarbans using Markov Chain model and cellular automata. Environ. Sci.: Processes Impacts 17, 1111–1117.

26.       Pacheco, F. A. L., Varandas, S. G. P., Fernandes, L. S., & Junior, R. V. (2014). Soil losses in rural watersheds with environmental land use conflicts. Science of the Total Environment, 485, 110-120.

27.       Peterson, L., Bergen, K., Brown, D., Vashchuk, L., Blam, Y., (2009). Forested land-cover patterns and trends over changing forest management eras in the Siberian Baikal region. For. Ecol. Manag. 257, 911–922.

28.       Quinton, J.N., Govers, G., VanOost, K., Bardgett, R.D., 2010.The impact of agricultural Soil erosion on biogeochemical cycling-s2. Nat. Geosci.3, 1–6. https://doi.org/10. 1038/ngeo838.

29.       Wang, Y., Mitchell, B. R., Nugranad-Marzilli, J., Bonynge, G., Zhou, Y., & Shriver, G. (2009). Remote sensing of land-cover changes and landscape context of the National Parks: A case study of the Northeast Temperate Network. Remote Sensing of Environment, 113(7), 1453-1461.

 


حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]