بررسی قابلیت انتقال کاربری اراضی و پوشش زمین با استفاده از روش‌های رویه یادگیری بر مبنای نمونه وزنی مشابهت، رگرسیون لجستیک و ژئومد (مطالعه موردی: حوزه بسطام شهرستان سلسله)

الموضوعات :

سهیلا ناصری راد ¹ (دانش‌آموخته کارشناسی ارشد مهندسی جنگلداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان.)
حامد نقوی ² (استادیار گروه مهندسی جنگلداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان. *(مسوول مکاتبات))
جواد سوسنی ³ (دانشیار گروه مهندسی جنگلداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان.)
سیداحمدرضا نورالدینی ⁴ (دانش‌آموخته دکتری جنگلداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گیلان.)
ساسان وفایی ⁵ (دانش‌آموخته دکتری جنگلداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان.)

تاريخ الإرسال : 17 الإثنين , شعبان, 1440 تاريخ التأكيد : 23 الأربعاء , شوال, 1440 تاريخ الإصدار : 07 الأربعاء , جمادى الثانية, 1442

الکلمات المفتاحية: پوشش زمین, سنجش از دور, زنجیره مارکوف, مدل‌سازی, کاربری اراضی,

ملخص المقالة :

زمینه و هدف: ارزیابی و برآورد قابلیت انتقال با صحت بالا، یک گام مهم در روند مدل­سازی و پیش­بینی تغییرات کاربری اراضی و پوشش زمین است. هدف از این پژوهش، بررسی قابلیت تغییرات کاربری اراضی و پوشش زمین با استفاده از روش­های رویه یادگیری بر مبنای نمونه وزنی مشابهت، رگرسیون لجستیک و ژئومد است. روش بررسی: نقشه­های کاربری اراضی و پوشش زمین مربوط به یک دوره زمانی 30 ساله (1364 تا1394) با استفاده از تصاویر ماهواره­های لندست 5 و 8 تهیه شد. مدل­سازی قابلیت انتقال کاربری اراضی و پوشش زمین با استفاده از روش­های رویه یادگیری بر مبنای نمونه وزنی مشابهت، رگرسیون لجستیک و ژئومد و متغیرهای تاثیرگذار در روند تغییرات صورت گرفت. میزان صحت نتایج به­­ دست آمده از مدل­ها با استفاده از نقشه واقعیت زمینی تعیین شد. مراحل اجرایی این پژوهش در بازه زمانی سال­های 1395 تا 1396 انجام شد. یافته­ها: میزان ضریب کاپا برای روش­های رویه یادگیری بر مبنای نمونه وزنی مشابهت، رگرسیون لجستیک و ژئومد به ترتیب 84/0، 76/0 و 67/0 محاسبه شد. بررسی نقشه­های پیش­بینی شده برای سال 1409 با استفاده از روش رویه یادگیری بر مبنای نمونه وزنی مشابهت و زنجیره مارکوف نشان داد که مساحت مناطق مسکونی، باغات و اراضی کشاورزی روند افزایشی و مساحت اراضی بایر، جنگل­ها، مراتع و منابع آبی روند کاهشی خواهند داشت. بحث و نتیجه­گیری: در نهایت نتایج حاکی از دقت نسبتاً بالای سه روش در برآورد قابلیت تغییرات کاربری اراضی و پوشش زمین است پاما با توجه به ضرایب کاپای به دست آمده، دقت روش رویه یادگیری بر مبنای نمونه وزنی مشابهت بیشتر از دو روش دیگر بوده است.  

المصادر:

1. Mas, J.F., Kolb, M., Paegelow, M., Camacho Olmedo, M. T., Houet, T., 2014, Inductive pattern-based land use/cover change models: A comparison of four software packages. Environmental Modelling & Software, 51, pp 94-111.


2. Parsamehr, K. Gholamalifard, M., 2016, Comparing Empirical Transition Potential Modeling Procedures and Their Implication as Baseline of REDD Projects in Mazandaran Province, The 1st National Conference on Geospatial Information Technology, pp 1-17. (In Persian)


3. Kamyab, H., Salman Mahiny, A., Hossini, S., Gholamalifard, M. A., 2010, Knowledge-Based Approach to Urban Growth Modeling in Gorgan City Using Logistic Regression. Journal of Environmental Studies, 36(54), pp 89-96 (In Persian).


4. Sangermano, F., Eastman, J.R., Zhu, H., 2010, Similarity weighted instance‐based learning for the generation of transition potentials in land use change modeling, Journal of Transactions in GIS, 14, pp 569-580.


5. Mahiny, A. S., Turner, B. J., 2011, Modeling past change in vegetation through remote sensing and GIS: A comparison of neural network and logistic regression methods. Geocomputation, pp 1-24.


6. Azizi Ghalati, S., Rangzan, K., Taghizadeh, A., Ahmadi, S., 2014, LCM Logistic regression modelling of land-use changes in Kouhmare Sorkhi, Fars province. Iranian Journal of Forest and Poplar Research, 22(4), pp 585-596. (In Persian)


7. Moradi, Z., Mikaeili Tabrizi, A., Gholamalifard, M., 2015, Modeling and prediction of agricultural development using artificial neural network algorithms, Logistic regression and Similarity Weighted Instance based Learning, Case study: Gorganroud watershed, Golestan province. The national conference on horizon scanning of the earth with an emphasis on climate, agriculture and the environment, Shiraz,  pp 1-8. (In Persian)


8. Aliyo Bununu, Y., 2017, Integration of Markov chain analysis and similarity-weighted instance-based machine learning algorithm (Simweight) to simulate urban expansion: international journal of sciences, pp 1-21.


9. Adhikari, S., Fik, T., Dwivedi, P., 2017, Proximate causes of land use and land cover change in Bannerghatta national park: a spatial statistical model, pp 1-23.


10. Yaghoub Zadeh, B., 2014,  Climate analysis of Aleshtar region, Selseleh division, Lorestan. Proceedings of the Meteorological Services of Lorestan Province, pp 1-17. (In Persian)


11. Naseri, S., Naghavi, H., Soosani, J., Nouredini, A., 2019. Modeling the spatial changes of Zagros forests using satellite imagery and LCM model (Case study: Bastam, Selseleh). Geography and Development Iranian Journal, 17(54), pp 107-120.


12. Pijanowski, B. C., Brown, D. G., Shellito, B. A.,  Manik, G. A., 2014, Using neural networks and GIS to forecast land use changes: a land transformation model Computers environment and urban systems. 26 (6), pp 553-575.


13. Echeverria, C., Coomes, D. A., Hall, M., Newton, A. C., 2012, Spatially explicit model to analyze forest loss and fragmentation between 1976 and 2020 in southern Chile: 212 (3-4), pp 439-449.


14. Cabral, P.,  Zamyatin, A., 2006, Three land change models for urban dynamics analysis in Sintra-Cascais area: Proceedings of First Workshop of the EARSEL SIG on Urban Remote Sensing, p 38.


15. Kavyan, A., Zargosh, Z., Jaffaryan Jolodar, Z., Darabi, H., 2017, Land use Changes Modelling Using Logistic Regression and Markov Chain in the Haraz Watershed. Journal of Natural Environment, 70(2), pp 397-411. (In Persian)


16. Griselda‚ V. Q.‚ Solis-Moreno‚ R.‚ Pompa-Garcia͵M.‚ Villarreal-Guerrero‚ F.‚ Pinedo-Alvarez‚ C.‚  Pinedo-Alvarez‚ A., 2016, Detection and Projection of Forest changes by Using the Markov Chain Model and Cellular Automata: Vincenzo Torretta. 8(236), pp 1-13.


17. Laura, C., Schneider, R.,  Gil Pontius, J. R., 2014, Modeling land use change in the Ipswich watershed  Massachusetts USA: Agriculture ecosystem and environment. (85), PP  83-94.


18. Schulz, J. J., Cayuela, L., Rey, J. M., Schroder, B., 2011, Factors influencing vegetation cover nchange in mediterranean central chile: Applied vegegation science. 14 (4), pp 571-582.
    
    
    1. Mohammami, M., Amiri, M., Dastoorani, J., 2016, Modeling land use changes of Ramin city in the Golestan province, The Journal of Spatial Planning, 19(4), pp 141-158. (In Persian)
    
    

5. Shayesteh, K., Abedian, S., Galdavi, S, 2018, Urban expansion modeling using Logistic regression method based on Geomod model (Case study: Kordkuy city). Geography and Development Iranian Journal, 16(51), pp 43-64. (In Persian)


6. Shooshtari, S., Shayesteh, K., Gholamalifard, M., Azari, M., López-Moreno, J, 2017. The Role of Landscape Metrics and Spatial Processes in Performance Evaluation of GEOMOD (Case Study: Neka River Basin). Geography and Sustainability of Environment, 7(24), pp 63-80 (In Persian).


7. Echeverria, C., Coomes. D. A., Hall, M., Newton, A. C., 2007, Spatially Explicit Models to Analyze Forest Loss and Fragmentation between 1976 and 2020 in Southern Chile, Ecological Modeling, 212 (3-4), pp 439-449.

11. Shooshtari, S.J., Shayesteh, K., Gholamalifard, M., Azari, M., Lopez Moreno, J.I., 2018, Land cover change modelling in hyrcanian forests, northern Iran: a landscape pattern and transformation analysis perspective, Cuadernos de Investigacion Geografica, 44 (2), pp 743-761.