Monitoring and predicting land use changes using landsat satellite images by Cellular Automata and Markov model (Case study: Abbasabad area, Mazandaran province)
Subject Areas : Spatial data infrastructures and standardisation
Amer Nikpour
1
(
Associate Professor, Department of Geography and Urban Planning, Faculty of Humanities and Social Sciences, University of Mazandaran, Iran
)
Hamid Amounia
2
(
PhD in Geomorphology and Environmental Management, University of Tarbiat Modares, Tehran, Iran
)
Elahe Nourpasandi
3
(
MSc. Student of Geography and Urban Planning, Faculty of Humanities and Social Sciences, University of Mazandaran, Iran
)
Keywords: forecasting, Abbasabad, land use changes, Monitoring, Satellite Images,
Abstract :
Background and ObjectiveToday, land use change in many countries has become an important challenge that has many effects on the environment. Accordingly, the study of land use change at different scales is one of the important issues in the proper management of natural resources and environmental change at various levels. Therefore, being aware of land use changes and investigating their causes and factors in several time periods, and predicting land use changes in the future can be properly planned to reduce adverse effects, which has been considered by planners and city managers. They help in land use planning. Also, converting land uses to each other and changing the use of vegetation is known as an important issue. Therefore, the purpose of this study is to monitor and predict land use changes and land cover in Abbasabad urban area in the future; Using these changes, appropriate management measures can be taken to preserve and rehabilitate lands. Materials and Methods A combination of an automated cell model and Markov chain in the Abbasabad urban area was used to predict land use change; The relevant images were taken from the TM and OLI sensors of the Landsat 8 and 5 satellites at the USGS site. Four user classes, including zone class built with code number 1, vegetation class with code number 2, water resources class with code number 3, and barren land class with code number 4, were separated for Abbasabad urban area. Obtained USGS. In order to extract land use classes, after checking several methods, object-oriented classification method and support vector machine (SVM) algorithm were used due to better efficiency. Evaluation of Babian satellite imagery classification The overall accuracy and kappa coefficient were performed for three periods of time. Each of these classified maps was evaluated by drawing an error matrix. 250 sample points were used to prepare this matrix. The type of sampling was stratified sampling. Also, to determine land use changes in 2030, classified maps were used and with the help of TerrSet software, changes made in classes and their percentages were obtained, and using the CA-MARKOV model, changes of different classes based on matrices. The possibility of transfer was predicted. Results and Discussion The results during 1997, 2006, and 2017 show that the constructed area has an increasing trend and the uses of vegetation, barren lands, and water resources have a decreasing trend and 23279 hectares of lands in the region are built area dedicated. The kappa coefficient calculated for 1997, 2006, and 2017 is 0.86, 0.89, and 0.89, respectively. Markov chain forecasting model with 85% accuracy stated that the trend of land use change for 2030 will be the same as in previous years, and this indicates that the conversion and change of land uses will proceed as before, and it is necessary to mention this point that the identical uses of vegetation to vegetation cover the largest area during the years 2006 to 2017, and this shows that in this area, vegetation is still stable and has undergone less changes. Conclusion The output of the 13-year forecast map for 2030 in this study indicates the appropriate accuracy of the CA-MARKOV model. In addition, this output shows that this method can be trusted for short-term planning. These forecast maps can be a good guide for managers and urban planners. To achieve better results, it is recommended to use a combination of automated cell model and Markov chain to monitor and predict changes nationwide. The results of this study, in addition to helping to reduce the volume of input data, but also in the processing of classified images and in predicting them for the future.
Benito PR, Cuevas JA, de la Parra RB, Prieto F, Del Barrio JG, de Zavala Gironés MÁ. 2010. Land use change in a Mediterranean metropolitan region and its periphery: assessment of conservation policies through CORINE Land Cover data and Markov models. Forest Systems, 19(3): 315-328. doi:https://doi.org/10.5424/fs/2010193-8604.
Du Y, Philippe MT, Josef C. 2002. Radiometric normalization of multitemporal high-resolution satellite images with quality control for land cover change detection. Remote Sensing of Environment, 82(1): 123-134. doi:https://doi.org/10.1016/S0034-4257(02)00029-9.
Eastman JR. 2012. IDRISI Selva tutorial. IDRISI production. Worcester: Clark Labs-Clark University. http://dx.doi.org/10.4236/jgis.2015.73024.
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.
Ghosh P, Mukhopadhyay A, Chanda A, Mondal P, Akhand A, Mukherjee S, Nayak S, Ghosh S, Mitra D, Ghosh T. 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.
Hadjimitsis DG, Papadavid G, Agapiou A, Themistocleous K, Hadjimitsis M, Retalis A, Michaelides S, Chrysoulakis N, Toulios L, Clayton C. 2010. Atmospheric correction for satellite remotely sensed data intended for agricultural applications: impact on vegetation indices. Natural Hazards and Earth System Sciences, 10(1): 89-95. doi:https://doi.org/10.5194/nhess-10-89-2010.
Hajibigloo M, Sheikh Vb, Memarian H, komaki CB. 2020. Three-dimensional calibration of land use changes using the integrated model of Markov chain automatic cell in Gorgan-rud river basin. Journal of RS and GIS for Natural Resources, 11(2): 1-26. http://girs.iaubushehr.ac.ir/article_674554.html?lang=en. (In persian).
Hernández-Guzmán R, Ruiz-Luna A, González C. 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. doi:https://doi.org/10.1016/j.rsase.2018.12.005.
Koohestani N, Rastegar S, Heidari G, Joybari SS, Amirnejad H. 2020. Monitoring and predicting the trend of changing rangelands using Satelite images and CA-Markov model (Case study: Noor-rood basin, Mazandaran proince). Journal of RS and GIS for Natural Resources, 11(3): 1-21. http://girs.iaubushehr.ac.ir/article_674923.html. (In Persian).
Mertens B, Lambin EF. 2000. Land-cover-change trajectories in southern Cameroon. Annals of the association of American Geographers, 90(3): 467-494. doi:https://doi.org/10.1111/0004-5608.00205.
Mohammadi S, Habashi K, 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. http://girs.iaubushehr.ac.ir/article_540414_en.html. (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.
Patino JE, Juan CD. 2013. A review of regional science applications of satellite remote sensing in urban settings. Computers, Environment and Urban Systems, 37: 1-17. doi:https://doi.org/10.1016/j.compenvurbsys.2012.06.003.
Rahnama MR, Rousta M. 2013. Analysis of change in land use and maintaining and preserving green spaces (gardens) of the Jahrom city for a sustainable development Journal of Geographical Research, 28(2): 113-126. http://georesearch.ir/article-111-475-fa.html. (In Persian).
Rawat JS, Manish K. 2015. Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, 18(1): 77-84. doi:https://doi.org/10.1016/j.ejrs.2015.02.002.
Sang L, Chao Z, Jianyu Y, Dehai Z, Wenju Y. 2011. Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, 54(3): 938-943. doi:https://doi.org/10.1016/j.mcm.2010.11.019.
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.
Stow DA, Chen DM. 2002. Sensitivity of multitemporal NOAA AVHRR data of an urbanizing region to land-use/land-cover changes and misregistration. Remote Sensing of Environment, 80(2): 297-307. doi:https://doi.org/10.1016/S0034-4257(01)00311-X.
Suykens JA, Vandewalle J. 1999. Least squares support vector machine classifiers. Neural processing letters, 9(3): 293-300. doi:https://doi.org/10.1023/A:1018628609742.
Szuster WB, Qi C, Michael B. 2011. A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, 31(2): 525-532. doi:https://doi.org/10.1016/j.apgeog.2010.11.007.
Taubenböck H, Esch T, Felbier A, Wiesner M, Roth A, Dech S. 2012. Monitoring urbanization in mega cities from space. Remote Sensing of Environment, 117: 162-176. doi:https://doi.org/10.1016/j.rse.2011.09.015.
Tiwari A, Jain K. 2014. GIS Steering smart future for smart Indian cities. International Journal of Scientific and Research Publications, 4(8): 442-446.
Traore A, Mawenda J, Komba AW. 2018. Land-cover change analysis and simulation in conakry (Guinea), using hybrid cellular-automata and markov model. Urban Science, 2(2): 39. doi:https://doi.org/10.3390/urbansci2020039.
Varga OG, Robert Gilmore P, Sudhir Kumar S, Szilárd 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.
Wang SQ, Zheng XQ, Zang XB. 2012. Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences, 13: 1238-1245. doi:https://doi.org/10.1016/j.proenv.2012.01.117.
_||_Benito PR, Cuevas JA, de la Parra RB, Prieto F, Del Barrio JG, de Zavala Gironés MÁ. 2010. Land use change in a Mediterranean metropolitan region and its periphery: assessment of conservation policies through CORINE Land Cover data and Markov models. Forest Systems, 19(3): 315-328. doi:https://doi.org/10.5424/fs/2010193-8604.
Du Y, Philippe MT, Josef C. 2002. Radiometric normalization of multitemporal high-resolution satellite images with quality control for land cover change detection. Remote Sensing of Environment, 82(1): 123-134. doi:https://doi.org/10.1016/S0034-4257(02)00029-9.
Eastman JR. 2012. IDRISI Selva tutorial. IDRISI production. Worcester: Clark Labs-Clark University. http://dx.doi.org/10.4236/jgis.2015.73024.
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.
Ghosh P, Mukhopadhyay A, Chanda A, Mondal P, Akhand A, Mukherjee S, Nayak S, Ghosh S, Mitra D, Ghosh T. 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.
Hadjimitsis DG, Papadavid G, Agapiou A, Themistocleous K, Hadjimitsis M, Retalis A, Michaelides S, Chrysoulakis N, Toulios L, Clayton C. 2010. Atmospheric correction for satellite remotely sensed data intended for agricultural applications: impact on vegetation indices. Natural Hazards and Earth System Sciences, 10(1): 89-95. doi:https://doi.org/10.5194/nhess-10-89-2010.
Hajibigloo M, Sheikh Vb, Memarian H, komaki CB. 2020. Three-dimensional calibration of land use changes using the integrated model of Markov chain automatic cell in Gorgan-rud river basin. Journal of RS and GIS for Natural Resources, 11(2): 1-26. http://girs.iaubushehr.ac.ir/article_674554.html?lang=en. (In persian).
Hernández-Guzmán R, Ruiz-Luna A, González C. 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. doi:https://doi.org/10.1016/j.rsase.2018.12.005.
Koohestani N, Rastegar S, Heidari G, Joybari SS, Amirnejad H. 2020. Monitoring and predicting the trend of changing rangelands using Satelite images and CA-Markov model (Case study: Noor-rood basin, Mazandaran proince). Journal of RS and GIS for Natural Resources, 11(3): 1-21. http://girs.iaubushehr.ac.ir/article_674923.html. (In Persian).
Mertens B, Lambin EF. 2000. Land-cover-change trajectories in southern Cameroon. Annals of the association of American Geographers, 90(3): 467-494. doi:https://doi.org/10.1111/0004-5608.00205.
Mohammadi S, Habashi K, 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. http://girs.iaubushehr.ac.ir/article_540414_en.html. (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.
Patino JE, Juan CD. 2013. A review of regional science applications of satellite remote sensing in urban settings. Computers, Environment and Urban Systems, 37: 1-17. doi:https://doi.org/10.1016/j.compenvurbsys.2012.06.003.
Rahnama MR, Rousta M. 2013. Analysis of change in land use and maintaining and preserving green spaces (gardens) of the Jahrom city for a sustainable development Journal of Geographical Research, 28(2): 113-126. http://georesearch.ir/article-111-475-fa.html. (In Persian).
Rawat JS, Manish K. 2015. Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science, 18(1): 77-84. doi:https://doi.org/10.1016/j.ejrs.2015.02.002.
Sang L, Chao Z, Jianyu Y, Dehai Z, Wenju Y. 2011. Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, 54(3): 938-943. doi:https://doi.org/10.1016/j.mcm.2010.11.019.
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.
Stow DA, Chen DM. 2002. Sensitivity of multitemporal NOAA AVHRR data of an urbanizing region to land-use/land-cover changes and misregistration. Remote Sensing of Environment, 80(2): 297-307. doi:https://doi.org/10.1016/S0034-4257(01)00311-X.
Suykens JA, Vandewalle J. 1999. Least squares support vector machine classifiers. Neural processing letters, 9(3): 293-300. doi:https://doi.org/10.1023/A:1018628609742.
Szuster WB, Qi C, Michael B. 2011. A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, 31(2): 525-532. doi:https://doi.org/10.1016/j.apgeog.2010.11.007.
Taubenböck H, Esch T, Felbier A, Wiesner M, Roth A, Dech S. 2012. Monitoring urbanization in mega cities from space. Remote Sensing of Environment, 117: 162-176. doi:https://doi.org/10.1016/j.rse.2011.09.015.
Tiwari A, Jain K. 2014. GIS Steering smart future for smart Indian cities. International Journal of Scientific and Research Publications, 4(8): 442-446.
Traore A, Mawenda J, Komba AW. 2018. Land-cover change analysis and simulation in conakry (Guinea), using hybrid cellular-automata and markov model. Urban Science, 2(2): 39. doi:https://doi.org/10.3390/urbansci2020039.
Varga OG, Robert Gilmore P, Sudhir Kumar S, Szilárd 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.
Wang SQ, Zheng XQ, Zang XB. 2012. Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences, 13: 1238-1245. doi:https://doi.org/10.1016/j.proenv.2012.01.117.
پایش و پیش بینی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره ای لندست به روش سلول های خودکار و زنجیره مارکوف
(مورد مطالعه: منطقه عباس آباد، استان مازندران)
چکیده کوتاه
امروزه تغییرات کاربری اراضی در بسیاری از کشورها به چالش مهمی تبدیل شده است که اثرات فراوانی بر محیط زندگی می گذارند. بر همین اساس بررسی تغییرات کاربری اراضی در مقیاس های مختلف به عنوان یکی از موضوعات مهم در مدیریت درست منابع و تغییرات محیطی در سطوح مختلف مطرح است. لذا آگاهی داشتن از تغییرات کاربری و بررسی علل و عوامل آن ها در چند دوره زمانی و پیش بینی تغییرات کاربری اراضی در آینده می توان برنامه ریزی درستی را برای کاهش اثرات نامطلوب انجام داد که همین امر موردتوجه برنامه ریزان و مدیران شهری و منطقه ای قرارگرفته است. هدف تحقیق حاضر، پایش و پیش بینی تغییرات کاربری اراضی منطقه عباس آباد در بازه زمانی 1997، 2006 و 2017 است. نقشه های کاربری اراضی برای سال های موردنظر، از تصاویر ماهواره ای لندست در سنجنده های TM و OLI با رویکرد شی گرا و با استفاده از الگوریتم ماشین بردار پشتیبانی(SVM) در نرم افزار ENVI5.3.1 استخراج و اصلاح شدند. برای صحت سنجی نقشه ها، با استفاده از ماتریس خطا، ضریب کاپا محاسبه شده در این ارزیابی برای سال 1997 برابر با 86/0 ، برای سال 2006 برابر با 89/0 و برای سال 2017 برابر با 89/0 می باشد. نتایج آشکارسازی تغییرات کاربری های اراضی نشان داد که پهنه ساخته شده سهم بیشتری از مساحت را نسبت به کاربری های دیگر دارد و دارای روند افزایشی بوده است و کاربریهای پوشش گیاهی، اراضی بایر و آب روند کاهشی داشته اند.
چکیده مبسوط
پیشینه و هدف: امروزه تغییرات کاربری اراضی در بسیاری از کشورها به چالش مهمی تبدیل شده است که اثرات فراوانی بر محیط زیست می گذارند. بر همین اساس بررسی تغییرات کاربری اراضی در مقیاس های مختلف به عنوان یکی از موضوعات مهم در مدیریت درست منابع طبیعی و تغییرات زیست محیطی در سطوح مختلف مطرح است. لذا آگاهی داشتن از تغییرات کاربری و بررسی علل و عوامل آن ها در چند دوره زمانی و پیش بینی تغییرات کاربری اراضی در آینده می توان برنامه ریزی درستی را برای کاهش اثرات نامطلوب انجام داد که همین امر موردتوجه برنامه ریزان و مدیران شهری قرارگرفته است و به آن ها در برنامه ریزی کاربری اراضی کمک شایانی می کند. همچنین تبدیل کاربری ها به یکدیگر و تغییر کاربری پوشش گیاهی به پهنه ساخته شده به عنوان موضوع مهم شناخته می شود. براین اساس هدف این پژوهش پایش و پیش بینی تغییرات کاربری و پوشش اراضی منطقه شهری عباس آباد در آینده می باشد؛ که با استفاده از این تغییرات می توان اقدامات مناسب مدیریتی برای حفظ و احیا اراضی انجام داد.
مواد و روش ها: برای پیش بینی تغییرات کاربری اراضی از تلفیق مدل سلول های خودکار و زنجیره مارکوف در منطقه شهری عباس آباد استفاده شد؛ که تصاویر مربوطه از سنجنده TM و OLI ماهواره های لندست 8 و 5 در سایت USGS تهیه شد. چهار کلاس کاربری که شامل کلاس پهنه ساخته شده با کد شماره 1، کلاس پوشش گیاهی با کد شماره 2، کلاس منابع آبی با کد شماره 3 و کلاس اراضی بایر با کد شماره 4 برای منطقه شهری عباس آباد تفکیک شدند که این طبقه بندی از روش USGS اخذ شده است. به منظور استخراج کلاس های کاربری اراضی بعد از چک نمودن چند روش نهایتاً از روش طبقه بندی شی گرا و الگوریتم ماشین بردار پشتیبان(SVM) به دلیل کارایی بهتراستفاده گردید. ارزیابی صحت طبقه بندی تصاویر ماهواره ای بابیان دقت کلی و ضریب کاپا برای سه دوره زمانی انجام شد که هریک از این نقشه های طبقه بندی شده از طریق ترسیم ماتریس خطا مورد ارزیابی قرارگرفته اند که برای تهیه این ماتریس از 250 نقطه نمونه استفاده شده است و نوع نمونه برداری نیز به صورت نمونه برداری طبقه ای بوده است. همچنین برای مشخص شدن تغییرات کاربری اراضی در سال 2030 از نقشه های طبقه بندی شده استفاده شد و با کمک نرم افزارTerrSet تغییرات صورت گرفته در کلاس ها و درصد آن ها به دست آمد و با استفاده از مدل CA-MARKOV تغییرات کلاس های مختلف براساس ماتریس احتمال انتقال پیش بینی شد.
نتایج و بحث: نتایج پژوهش در طی سال های 1997، 2006 و 2017 بیانگر این است که پهنه ساخته شده روند افزایشی داشته است و کاربری های پوشش گیاهی، اراضی بایر و منابع آبی دارای روند کاهشی بوده اند و 23279 هکتار از اراضی منطقه را پهنه ساخته شده به خود اختصاص داده است. ضریب کاپا محاسبه شده در این ارزیابی برای سال های 1997، 2006 و 2017 به ترتیب 86/0، 89/0 و 89/0 می باشد. مدل پیش بینی زنجیره مارکوف با دقت بالای 85 درصد بیان کرد که روند تغییرات کاربری اراضی برای سال 2030 همانند سال های قبل خواهد بود و این نشان دهنده این است که تبدیل و تغییر کاربری ها همانند قبل پیش خواهد رفت و ذکر این نکته هم ضروری است که کاربری های همسان پوشش گیاهی به پوشش گیاهی در طی سال های 2006 تا 2017 هم بیشترین مساحت را شامل می شود و این نشان دهنده این است که در این منطقه، پوشش گیاهی همچنان پابرجاست و کمتر دچار تغییرات شده است.
نتیجه گیری: خروجی نقشه پیش بینی 13 ساله برای سال2030 در این پژوهش از دقت مناسب مدل CA-MARKOV حکایت دارد. علاوه بر این این خروجی نشان می دهد می توان به این روش برای برنامه ریزی کوتاه مدت اعتماد نمود. این نقشه های پیش بینی می توانند راهنمای خوبی برای مدیران و برنامه ریزان شهری باشند. برای دست یافتن به نتایج بهتر پیشنهاد می شود که از تلفیق مدل سلول های خودکار و زنجیره مارکوف برای پایش و پیش بینی تغییرات در سطح کشور استفاده شود. نتایج به دست آمده از این پژوهش علاوه بر اینکه در کاهش حجم داده های ورودی کمک فراوانی می کند، بلکه در پردازش تصاویر طبقه بندی شده و در پیش بینی آن ها برای آینده هم نقش بسزایی دارد.
کلیدواژه ها: تغییرات کاربری اراضی، تصاویر ماهواره ای، پایش، پیش بینی، عباس آباد.
مقدمه
در دهه های اخیر، به دلیل رشد سریع شهرنشینی، به تغییرات کاربری اراضی توجه ویژه ای شده است، زیرا فضای نواحی شهری تحت تاثیر فعالیت های انسانی می باشد و زندگی جمعیت جهان ارتباط تنگاتنگی با فعالیت های انسانی در سطوح شهر دارد (20). همین امر باعث شده که کاربری اراضی بر جنبه اجتماعی استفاده از اراضی تأکید کند، زیرا کاربری اراضی مجموعه فعالیت هایی است که انسان براساس نیازهای اقتصادی و اجتماعی خود انجام می دهد(11)، براین اساس کاربری اراضی مفهومی تک بعدی قلمداد نمی شود بلکه ترکیبی از ویژگی های متنوعی مانند مالکیت، کالبد، ساختار و فضا می باشد (19). با ادامه یافتن افزایش جمعیت زمینه تقاضا برای سکونت و گسترش سریع فعالیت در حومه ها افزایش می یابد. درنتیجه به تغییر در کارکرد و کاربری اراضی مناطق شهری منجر می شود (15). بنابراین چگونگی نحوه استفاده از زمین و مشخص کردن الگوی مکانی کاربری اراضی یک منطقه و بررسی تغییرات کاربری اراضی در دوره های زمانی مشخص اهمیت یافته است؛ بنابراین مطالعه و بررسی روند گسترش فیزیکی شهر و اطلاع داشتن از تغییرات کاربری اراضی و استفاده از نتایج آن در برنامه ریزی شهری ضروری است (22). بر همین اساس، بررسی تغییرات کاربری اراضی برای دانستن تغییرات محیط در سطح محلی و جهانی دارای اهمیت فراوانی می باشد (24). سنجش از دور (RS) و سامانه اطلاعات جغرافیایی (GIS) در مدل سازی تغییرات کاربری اراضی نقش فراوانی در تجزیه و تحلیل هر یک از کلاس های کاربری ها دارد به طوری که با پردازش تصاویر و صحت طبقه بندی و انتخاب مناسب باندها می توان به نتایج قابل قبولی در امر مدیریت سرزمین و پیش بینی تغییرات آینده دست پیدا کرد(16). در حقیقت، از GIS، سنجش از دور و الگوریتم های پیش پردازش تصاویر در برداشت های روزانه اطلاعات در سطح جهانی، منطقه ای و محلی استفاده می شود که این برداشت ها اطلاعات دقیقی راجع به تجزیه و تحلیل تغییرات صورت گرفته در زمان های مختلف فراهم می آورد و در سنجش از دور تصاویر ماهواره ای به صورت مداوم، رایگان و به روز در دسترس می باشد (3 و 13 و 23). در حال حاضر پرکاربردترین مدل در پایش و پیش بینی تغییرات کاربری اراضی، مدل زنجیره مارکوف است (5)؛ که در میان مدل های پیش بینی کاربری اراضی مدل زنجیره مارکوف، مدلی است که تغییرات کاربری اراضی را از دوره ای به دوره دیگر توصیف می کند و از آن به عنوان پایه ای برای ایجاد نقشه تغییرات در زمان آینده استفاده می کند (4).
در ارتباط با تغییرات کاربری اراضی و عوامل تأثیر گذار بر آن پژوهش هایی هم در سطح داخل و هم در سطح خارج از کشور انجام گرفته است که در ادامه به برخی از پژوهش های انجام گرفته در ارتباط با این موضوع اشاره گردیده است. هرناندز گوزمان و همكاران (6) تغييرات كاربري/ پوشش اراضي در منطقه غربي و مركزي مكزيك را مورد بررسي قراردادند. در اين بررسي نقشه هاي موضوعي در سال هاي 1986، 2001 و 2017 با استفاده از تصاوير لندست تهيه و با استفاده زنجيره ماركوف تغييرات كاربري/ پوشش اراضي براي سال های 2033 و 2050 پیش بینی شد. تراور و همکاران (25) در پژوهش دیگر با استفاده از دو مدل زنجیره مارکوف شبکه خودکار در سامانه اطلاعات جغرافیایی و سنجش از دور به تجزیه و تحلیل و شبیه سازی تغییرات کاربری در پایتخت کشور گینه پرداختند. در این پژوهش از داده های لندست سال های 1986، 2000 و 2016 استفاده شد و با استفاده از نقشه تغییر کاربری سال 2016 بر اساس مدل مارکوف و شبکه خودکار شبیه سازی شد. به منظور اعتبار سنجی، نتیجه شبیه سازی با نقشه پوشش زمین و تغییر کاربری سال 2016، از مشخصه عامل نسبی (Roc) استفاده شد که توافق فراوانی را میان دو نقشه نشان می دهد. بر همین اساس نقشه تغییرات کاربری اراضی برای سال 2025 پیش بینی شد. در این راستا راوات و همکاران (14) در پژوهش خود در بلوک هوالقق، ناحیه المورا، اوتاراکند هند از تصاویر ماهواره ای لندست ، سنجنده TM مربوط به سال های 1990 و 2010 استفاده کردند و تغییرات را (از سال های 1990 تا 2010) در طی یک دوره بیست ساله با استفاده از روش حداکثر احتمال طبقه بندی کردند و در نرم افزار ادریسی مورد بررسی قرار دادند. سپس آنها به این نتیجه رسیدند که در طی دو دهه گذشته پوشش گیاهی و زمین های مسکونی به ترتیب 51/3 درصد و 55/3 درصد افزایش یافته است. در داخل کشور نیز محققینی به موضوع تغییرات کاربری پرداخته اند.حاجی بیگلو و همکاران (8) در پژوهشی که انجام دادند به منظور پيش بيني تغييرات كاربري اراضي با استفاده از مدل تلفيقي سلول اتوماي زنجيره ماركوف در حوزه آبخيز گرگان رود، از تصاوير سنجنده مشاهده گر زميني OLI و TM ماهواره لندست 8 و 5 مربوط به سایت USGS استفاده شد. درنتیجه آَشكارسازي تغييرات كاربري اراضي با استفاده از ابزار LCM برای دوره سی ساله 2017-1987 در حوزه آبخیز گرگان رود نشان داد كه در طي ساليان آتي با پديده جنگل زدايي شديد در اين حوزه روبه رو خواهيم بود. لذا بايد با مديريت بلندمدت و جامع، منابع آب و خاك حفظ كرد و تا حد امكان مانع از تخريب اين منابع ارزشمند شد. کوهستانی و همکاران (9) در تحقیق خود به پایش و پیش بینی روند تغییرات اراضی مرتعی با استفاده از تصاویر ماهواره ای لندست، سنجنده های TM و OLI مربوط به سایت USGS و مدل زنجیره مارکوف در حوزه آبخیز نوررود در استان مازندران پرداختند. که نتایج تحقیق بیانگر این است که طی سال های 1367 تا 1397 مناطق جنگلی و مرتعی درجه یک و سه روند کاهشی و مراتع درجه دو و اراضی سنگلاخی و مسکونی روند افزایشی داشته اند. محمدی و همکاران (10) در پژوهشی به پیش بینی تغییرات کاربری اراضی و بررسی ارتباط آن با خشکسالی در زیر حوزه پارسل، حوزه آبخیر زاینده رود با استفاده از مدل زنجیره مارکوف و شاخص استاندارد شده پرداختند و از تصاویر ماهواره ای سنجندده های TM، ETM و OLI مربوط به سال های 1365، 1380 و 1395 برای تهیه نقشه کاربری اراضی استفاده شد. سپس به پیش بینی کاربری اراضی برای سال 1410 پرداخته شد که نتایج بیان گر این است که تغییرات کاربری ها با وضعیت خشکسالی ارتباط دارد و در سال 1410 کشاورزی دیم نسبت به اراضی مرتعی روند افزایشی خواهد داشت.
یکی از مناطق مهم گردشگری در استان مازندران شهرستان عباس آباد می باشد که در طول دهه های اخیر به دلیل گسترش فعالیت های گردشگری در آن، منجر به تغییرات کاربری اراضی شده است. این شهرستان از سال 1387 از شهرستان تنکابن جدا شده و به شهرستان مستقلی تبدیل شده است. شهرستان ساحلی عباس آباد به دلیل مجاورت با دریا، کوه و جنگل و داشتن شرایط مطلوب محیطی در زمینه های مختلف مورد توجه زیادی قرارگرفته است؛ که به همین دلیل کاربری های اراضی این شهرستان با تغییرات فراوانی رو به رو بوده است و بخش فراوانی از این تغییرات به دلیل گسترش فعالیت های گردشگری (شکل گیری خانه های دوم، ساخت مراکز تجاری و بازارچه ها و...) می باشد. فروش اراضی باغی و زراعی برای ساخت خانه های دوم و تغییر بافت باغ ها به مراکز خدماتی برای گردشگران باعث تغییرات کاربری اراضی در سطح شهرستان شده است. بر اساس تصاویر ماهواره ای استخراج شده، تغییرات گسترده کاربری اراضی در دهه های اخیر مشکلات زیادی را در شهرستان به وجود آورده است که شامل مواردی مانند افزایش قیمت زمین و مسکن، کاهش سطح تولیدات کشاورزی و... می باشد. به همین خاطر موضوع تغییرات کاربری اراضی از دغدغه های اصلی مدیریت سرزمینی در این شهرستان است و این پژوهش می تواند در آمایش بهتر شهرستان که به عنوان یکی از مناطق گردشگری استان به حساب می آید به برنامه ریزی و مدیریت توسعه کمک کند و باعث افزایش سطح آگاهی و درایت آن ها شود تا بتوانند اقدامات مناسبی برای کاهش تغییرات انجام دهند. بر اساس آنچه که گفته شد، هدف از انجام این پژوهش بررسی و مطالعه روند تغییرات کاربری اراضی در طی دهه های اخیر در شهرستان عباس آباد است.
روش تحقیق
منطقه مورد مطالعه
شهرستان عباس آباد از لحاظ موقعیت جغرافیایی، در طول شرقی 51 درجه و 9 دقیقه و عرض شمالی 36 درجه و 43 دقیقه واقع شده و ارتفاع متوسط آن از سطح دریای آزاد حدود 15- متر است. به دلیل قرارگیری محدوده ی مورد مطالعه در دامنه های شمالی رشته کوه های البرز و سواحل جنوبی دریای خزر و به دلیل وجود رطوبت و اختلاف ارتفاع نسبی این محدوده بخشی از پرباران ترین مناطق کشور محسوب می شود و بارش در انواع مختلف خود، از پدیده های مألوف با ساکنان این نواحی است. در این محدوده بیشترین میزان بارندگی در فصل پاییز می باشد و از فصل های زمستان و بهار در رتبه بعدی قرار دارند و فصل تابستان کم باران ترین فصل این محدوده می باشد. شهر عباس آباد مرکز شهرستان عباس آباد است. براساس نتایج سرشماری عمومی نفوس و مسکن در سال 1395، این شهر دارای52832 نفر جمعیت می باشد که در میان شهرستان های استان مازندران رتبه هجدهم را به خود اختصاص داده است. این شهرستان به دلیل نزدیکی به سایر مراکز شهری استان و قرار گرفتن در مسیر بزرگراه ساحلی از موقعیت ویژه ای برخوردار است. از نزدیکترین شهرهای اطراف عباس آباد می توان به شهرهای نشتارود در غرب و سلمان شهر در شرق اشاره کرد.
شکل 1- موقعیت جغرافیایی منطقه شهری عباس آباد
Figure 1- Geographical location of Abbasabad urban area
داده های مورد استفاده
در این پژوهش برای پایش و پیش بینی تغییرات کاربری اراضی با استفاده از مدل سلول های خودکار و زنجیره مارکوف در منطقه عباس آباد از تصاویر ماهواره ای لندست 5 و 8 در سه دوره زمانی 1997، 2006 و 2017 با سنجنده TM و OLI مربوط به سایت زمین شناسی ایالت متحده آمریکا وابسته به سایت ناسا (USGS) استفاده شد. در جدول زیر مشخصات تصاویر ماهواره ای که در پژوهش حاضر برای تهیه نقشه کاربری اراضی مورد استفاده قرار گرفت ارائه شده است.
جدول 1. داده های مورد استفاده در این تحقیق
Table 1. The data used in this study
ردیف Row | ماهواره Dataset | سنجنده Dataset | تاریخ Date | قدرت تفکیک مکانی (متر) Resolation | محل اخذ Place of receipt |
1 | لندست 5 Landsat5 | TM | 11/9/1997 | 30 | سازمان زمین شناسی ایالت متحده آمریکا United States Geological Survey |
2 | لندست 5 Landsat5 | TM | 20/9/2006 | 30 | سازمان زمین شناسی ایالت متحده آمریکا United States Geological Survey |
3 | لندست 8 Landsat8 | OLI | 18/9/2017 | 30 | سازمان زمین شناسی ایالت متحده آمریکا United States Geological Survey |
پیش پردازش تصاویر ماهواره ای
بعد از دریافت کردن تصاویر ماهواره ای، در نخستین مرحله پیش پردازش، تصحیحات رادیومتریک و اتمسفری بر روی تصاویر اعمال شده است. هدف از این مرحله برطرف کردن خطاهای سیستماتیک و غیرسیستماتیک می باشد؛ که در تصاویر خام وجود داشته است. تصحیحات رادیومتریک آن دسته از تصحیحاتی هستند که فقط بر روی درجات خاکستری اعمال می شوند و با تغییر مقادیر آن ها به صورت پیکسل به پیکسل، تلاش می شود تا بعضی از خطاهای موجود جبران شود. از جمله خطاهای رادیومتریکی می توان به موارد زیر اشاره کرد: خطوط جا افتاده، خطای نوار نوار شدن، خطاهای اتمسفری، خطاهای دستگاهی و نویز. دو نوع تصحیح رادیومتریک وجود دارد: تصحیح رادیومتریک مطلق و تصحیح رادیومتریک نسبی. تصحیح رادیومتریک مطلق نیازمند ورود داده های مربوط به خصوصیات اتمسفریک و کالیبراسیون سنجنده می باشد. انجام این تصحیح در گاهی موارد به خصوص برای داده های قدیمی کار سختی می باشد (2). تصحیحات اتمسفری مهم ترین بخش قبل از پردازش های تصاویر ماهواره ای است. از این تصحیح در مواقعی که مقایسه و تجزیه و تحلیل تصاویر چند زمانه مدنظر باشد استفاده می شود. همچنین برای دستگاه های تصویربرداری چند طیفی مانند اسکنرهای سنجنده های ماهواره لندست؛ که در بخش طیف مرئی و مادون قرمز نزدیک اطلاعات را ثبت می کنند و جذب اتمسفر بر روی باندهای مرئی و مادون قرمز تاثیر می گذارد اهمیت فراوانی دارد (7). بعداز ارزیابی چند روش طبقه بندی، در نهایت با استفاده از الگوریتم SVM و روش شی گرا نقشه کاربری اراضی در نرم افزار Envi5.3 برای این سه دوره تهیه شد. ارزیابی دقت و صحت نقشه های طبقه بندی شده، از طریق انطباق دادن نقشه های طبقه بندی شده با واقعیت زمینی که به صورت بصری صورت پذیرفت. این انطباق از طریق نقاط نمونه که به روش تصادفی- طبقه ای(Stratified Random) بروی نقشه پراکنش داده شده اند، انجام شده است. نهایتاً با داشتن اطلاعات نقاط نمونه، ماتریس خطا برای هریک از نقشه های کاربری به دست آمد است؛ که بر اساس آن دقت کلی و ضریب کاپا محاسبه شد. بعد از انجام ارزیابی نقشه ها و رسیدن به یک نقشه با دقت بالا، از نرم افزار های Arc GIS10.7 و TerrSet18.31 برای تجزیه و تحلیل اطلاعات و پیش بینی تغییرات استفاده شد.
زنجیره مارکوف
زنجیره مارکوف توسط یک ریاضی دان روسی به نام آندری مارکوف در سال 1907 ارائه شده است. زنجیزه مارکوف تشکیل شده از مقادیر تصادفی می باشد که احتمالات یک بازه زمانی در آن وابسته به مقدار عددی آن در گذشته است. زنجیره مارکوف یک وسیله مفید برای مدل سازی تغییرات کاربری اراضی است (1).
سلول های خودکار
مدل سلول های خودکار دارای سیستمی گسسته و دینامیکی است؛ که دارای سه جز می باشد که شامل سلول ها، همسایگی های سلول و قوانین انتقال می باشد. سلول، از عنصر اصلی مدل سلول های خودکار است که این سلول ها در یک شبکه سازمان یافته قرارگرفته اند. قانون انتقال، وضعیت هر سلول برای مرحله آخر را مشخص می کند که این بستگی به وضعیت فعلی سلول و سلول های همسایگی آن دارد (17). بر همین اساس با استفاده از نقشه های کاربری سال های 2006 و 2017 و با به کارگیری روش زنجیره مارکوف و مدل سلول های خودکار در نرم افزار TerrSet نقشه کاربری سال 2030 پیش بینی شد و نقشه خروجی آن با واقعیت زمینی مقایسه شد.
طبقه بندی تصاویر
به منظور طبقه بندی کاربری اراضی پس از انجام تصحیحات بر روی تصاویر، مرحله انتخاب الگوریتم مناسب برای طبقه بندی است که از مراحل مهم در طبقه بندی محسوب می شود. در این پژوهش از الگوریتم ماشین بردار پشتیبان (SVM) استفاده شد که این الگوریتم یکی از الگوریتم های طبقه بندی نظارت شده خطی می باشد. در این الگوریتم کلاس ها به وسیله ایجاد یک ابر صفحه از هم دیگر جدا می گردند (21). طبقه بندی SVM یکی از معروف ترین و قوی ترین روش طبقه بندی است که جز روش طبقه بندی شی گرا محسوب می شود. روش طبقه بندی شی گرا در سه مرحله صورت می گیرد که شامل سگمنت سازی (قطعه بندی)، طبقه بندی و ارزیابی صحت طبقه بندی می باشد. سگمنت به معنای گروهی از پیکسل های همسایه در داخل یک محدوده است که ازنظر ارزش عددی و بافت شباهت های فراوانی دارند و این عوامل مهم ترین معیار مشترک در بین آن هاست (18). در مرحله بعد از طبقه بندی، قطعات تولید شده (سگمنت ها) در کلاس هایی با خواص یکسان انجام می شود. برای این منظور از روش های مختلفی مانند درخت تصمیم، نزدیکترین همسایگی، فازی و ماشین بردار پشتیبان (SVM) می توان استفاده کرد؛ که در پژوهش حاضر از روش SVM برای طبقه بندی استفاده شده است که پژوهشگران این روش را نسبت به روش های دیگر ترجیح می دهند.
ارزیابی صحت تصاویر طبقه بندی شده
پس از طبقه بندی تصاویر ماهواره ای، برای مشخص کردن روند تغییرات طبقات، آن ها را به چهار کلاس پهنه ی ساخته شده، اراضی بایر، پوشش گیاهی و آب تقسیم کردیم. علاوه بر این انتخاب نمونه در این پژوهش با استفاده از تفسیر عکس های هوایی و بصری و با استفاده از ترکیب رنگی کاذب و آنالیز مولفه های اصلی صورت پذیرفت. تعداد 200 نمونه برای هر کدام از تصاویر ماهواره ای مربوط به سال های 1997، 2006 و 2017 انتخاب شدند و با استفاده از الگوریتم SVM، نقشه کاربری اراضی مربوط به سه دوره به دست آمد و این نقشه ها با تصاویر ماهواره ای که دارای ترکیب رنگ واقعی بودند مورد ارزیابی قرار گرفتند. به این منظور با استفاده از ماتریس خطا و محاسبه ضریب کاپا و ضرایب صحت کلی، صحت تصاویر طبقه بندی شده مورد ارزیابی قرار گرفت. به طوری که در جدول 3، نتایج صحت سنجی نقشه ها که شامل دقت کلی و ضریب کاپا می باشد براساس الگوریتم ماشین بردار پشتیبان برای کل دوره های مطالعاتی آورده شده است. نتایج جدول 3، نشان می دهد که سال های 2006 و 2017 دارای بیشترین ضرایب صحت سنجی می باشند که دقت کلی و ضریب کاپای آنها به ترتیب 96/0 و 89/0 درصد است و در سال 1997 دقت کلی و ضریب کاپا به ترتیب 96/0 و 86/0 درصد می باشد. دقت کلی میانگین با استفاده از دقت طبقه بندی می باشد که نسبت پیکسل های طبقه بندی شده به جمع کل پیکسل های معلوم را نشان می دهد که بر اساس رابطه 1 محاسبه شد.
[1]
در اين رابطه؛ OA دقت كلي، N تعداد پيكسل هاي معلوم، C تعداد كلاس ها و Eii اعضا قطر ماتريس خطا است. ضريب كاپا صحت طبقه بندي را نسبت به يك طبقه بندي كاملاً تصادفي محاسبه مي كند. شاخص كاپا بر اساس رابطة 2 محاسبه شد (27).
[2]
در این رابطه؛ N تعداد كل پيكسل هاي واقعيت زميني، Xi+ مجموع عناصر سطر i ام و X+i مجموع عناصر ستون J ام می باشند (27).
نتایج
طبقه بندی تصاویر
در پژوهش حاضر، به منظور آشکارسازی و طبقه بندی کلاس های کاربری اراضی در طول دوره مطالعاتی 1997 تا 2017 از طبقه بندی شی گرا با الگوریتم ماشین بردار پشتیبان استفاده گردید. شکل 2. نتایج حاصل از کلاسه بندی کاربری اراضی عباس آباد را براساس الگوریتم ماشین بردار پشتیبان در سه دوره مختلف را نشان می دهد.
شکل 2. نقشه کاربری اراضی/پوشش اراضی عباس آباد (سال های 1997، 2006، 2017)
Figure 2. Land use map / Abbas Abad land cover (1997, 2006, 2017)
پس از تهیه نقشه کاربری اراضی طبق الگوریتم ماشین بردار پشتیبان در روش طبقه بندی شی گرا برای 3 دوره مطالعاتی، مساحت کلاس های کاربری از سال 1997 تا 2017 استخراج شد تا تبدیل و تغییرات آن ها از سال 1997 تا 2017 مشخص شود که نتایج آن در جدول 2 آمده است.
جدول 2. مساحت و درصد مساحت طبقه های كاربری اراضی و پوشش زمين برای سال های 1997، 2006، 2017
Table 2. Area and percentage of land use classes and land cover for 1997, 2006, 2017
اختلاف (%)2017-2006 | مساحت (درصد) 2017 | مساحت (هکتار) 2017 | اختلاف (%) 2006-1997 | مساحت (درصد) 2006 | مساحت (هکتار)2006 | مساحت (درصد) 1997 | مساحت (هکتار)1997 | مساحت Area
کاربری land Use |
18/1 | 90/12 | 09/3967 | 01/3 | 72/11 | 92/3594 | 71/8 | 49/2672 | پهنه ی ساخته شده Made area |
05/1- | 93/81 | 60/25196 | 55/0 | 98/82 | 90/25454 | 43/82 | 50/25292 | پوشش گیاهی Vegetation |
03/0- | 33/0 | 17/103 | 28/0- | 36/0 | 14/113 | 64/0 | 91/196 | آب Water |
09/0- | 83/4 | 71/1485 | 29/3- | 92/4 | 80/1509 | 21/8 | 65/2519 | اراضی بایر Burgenland |
ارزیابی صحت طبقه بندی
در پژوهش حاضر دقت طبقه بندی تصاویر حاصل از داده های ماهواره ای با مقایسه داده های زمینی و اطلاعات موجود به وسیله نقاط شاهد به دست آمد که بیانگر آن است که کاربری های طبقه بندی شده و واقعیت زمینی با یکدیگر همخوانی دارند. در جدول های 3، 4 و5 پارامترهای ارزیابی صحت شامل دقت کلی، صحت کاربر، صحت تولید کننده، ضریب کاپا برای هر کلاس کاربری اراضی بر اساس الگوریتم ماشین بردار پشتیبان برای کل دوره های مطالعاتی آورده شده است. نتایج جداول 3، 4 و 5 نشان می دهد که الگوریتم ماشین بردار پشتیبان در طبقه بندی کاربری اراضی به روش شی گرا پایین ترین صحت کاربری به میزان 66/0 درصد مربوط به کلاس کاربری بایر در نقشه کاربری اراضی سال 2017 است و پایین ترین صحت تولید کننده به میزان 75/0 درصد مربوط به کلاس کاربری آب در نقشه کاربری اراضی سال 2017 می باشد. براساس جداول دقت کلی و ضریب کاپا در هر چهار دوره، بالای 85 درصد و قابل قبول است.
جدول 3. ماتریس صحت بدست آمده از خروجی طبقه بندی نظارت شده تصویر ماهواره ای سال1997
Table 3. Accuracy matrix obtained from the monitored classification of satellite imagery in 1997
جدول صحت طبقه بندی سال 1997 | ||||||
User's accuracy | Total | بایر Burgenland | آب Water | پوشش گیاهی Vegetation | پهنه ساخته شده Made area | کاربری land Use |
98/0 | 174 | 0 | 0 | 2 | 172 | پهنه ساخته شده Made area |
91/0 | 12 | 0 | 0 | 11 | 1 | پوشش گیاهی Vegetation |
80/0 | 15 | 1 | 12 | 1 | 1 | آب Water |
71/0 | 7 | 5 | 1 | 0 | 1 | بایر Burgenland |
| 208 | 6 | 13 | 14 | 175 | Total |
|
| 83/0 | 92/0 | 78/0 | 98/0 | Producer's accuracy |
|
|
|
|
| 96/0 | accuracy |
|
|
|
|
| 86/0 | Kappa |
جدول 4. ماتریس صحت بدست آمده از خروجی طبقه بندی نظارت شده تصویر ماهواره ای سال2006
Table 4. Accuracy matrix obtained from the monitored classification of satellite imagery in 2006
جدول صحت طبقه بندی سال 2006 | ||||||
User's accuracy | Total | بایر Burgenland | آب Water | پوشش گیاهی Vegetation | پهنه ساخته شده Made area | کاربری land Use |
99/0 | 171 | 0 | 1 | 0 | 170 | پهنه ساخته شده Made area |
71/0 | 7 | 0 | 0 | 5 | 2 | پوشش گیاهی Vegetation |
95/0 | 21 | 0 | 20 | 0 | 1 | آب Water |
70/0 | 10 | 7 | 2 | 0 | 1 | بایر Burgenland |
| 209 | 7 | 23 | 5 | 174 | Total |
|
| 1 | 86/0 | 1 | 97/0 | Producer's accuracy |
|
|
|
|
| 96/0 | accuracy |
|
|
|
|
| 89/0 | Kappa |
جدول 5. ماتریس صحت بدست آمده از خروجی طبقه بندی نظارت شده تصویر ماهواره ای سال 2017
Table 5. Accuracy matrix obtained from the monitored classification of satellite imagery in 2017
جدول صحت طبقه بندی سال 2017 | ||||||
User's accuracy | Total | بایر Burgenland | آب Water | پوشش گیاهی Vegetation | پهنه ساخته شده Made area | کاربری land Use |
99/0 | 172 | 0 | 1 | 0 | 171 | پهنه ساخته شده Made area |
91/0 | 24 | 0 | 0 | 22 | 2 | پوشش گیاهی Vegetation |
75/0 | 8 | 0 | 6 | 2 | 0 | آب Water |
66/0 | 6 | 4 | 1 | 0 | 1 | بایر Burgenland |
| 210 | 4 | 8 | 24 | 174 | Total |
|
| 1 | 75/0 | 91/0 | 98/0 | Producer's accuracy |
|
|
|
|
| 96/0 | accuracy |
|
|
|
|
| 89/0 | Kappa |
نتایج آشکارسازی تغییرات کاربری ها
نقشه های طبقه بندی کاربری اراضی تهیه شده (شکل 2)، برای مدل سازی و پایش تغییرات کاربری اراضی وارد نرم افزار ادریسی شد تا تغییرات کاربری ها مورد مدل سازی قرار گیرد. جدول های 6 و 7 و شکل های 3 و 4 میزان تغییرات را نشان داده است. بر اساس نتایج جدول 6، مساحت پهنه ساخته شده از سال 1997 تا 2006، 41/1768 هکتار می باشد و مساحت پوشش گیاهی 28/23525 هکتار می باشد و مقدار مساحت اراضی آبی 09/45 هکتار است و اراضی بایر هم 44/712 هکتار از مساحت را به خود اختصاص داده اند. بر این اساس بیشترین مساحت تغییرات کاربری ها مربوط به پهنه های ساخته شده و پوشش گیاهی بوده است و این دو کاربری سهم بیشتری نسبت به دیگر کاربری ها در منطقه مورد مطالعه را به خود اختصاص داده اند.
جدول 6. ماتریس تغییرات کاربری اراضی بین سال های 1997-2006 برحسب هکتار
In terms of hectare Table 4. Matrix of land use changes between 1997-2006
2006
1997 | پهنه ساخته شده Made area | پوشش گیاهی Vegetation | آب Water | اراضی بایر Burgenland |
پهنه ساخته شده Made area | 41/1768 | 42/624 | 49/50 | 29/205 |
پوشش گیاهی Vegetation | 64/1115 | 28/23525 | 92/16 | 14/580 |
آب Water | 56/124 | 29/25 | 09/45 | 95/13 |
اراضی بایر Burgenland | 93/582 | 26/1207 | 95/4 | 44/712 |
در شکل 3 تغییرات هر کاربری نسبت به کاربری دیگر نشان داده شده است. بر اساس شکل زیر، تغییرات اراضی ساخته شده، پوشش گیاهی، آب و بایر را می توان مشاهده کرد که طبق جدول بالا اراضی ساخته شده و پوشش گیاهی بیشترین مساحت را به خود اختصاص داده اند و بدون تغییر ماندند ولی بقیه کاربری ها دارای تغییر و تحولاتی بوده اند.
شکل 3. نقشه آشکارسازی تغییرات کاربری اراضی بین سال های 1997-2006
Figure 3. Map of land use change detection between 1997-2006
همچنین بر اساس نتایج جدول 7، از سال 2006 تا 2017، بیشترین مساحت کاربری ها را می توان در پهنه ی ساخته شده مشاهده کرد و این نشان دهنده این است که پهنه ی ساخته شده موجب تغییرات فراوانی در منطقه مورد مطالعه شده است.
جدول 7. ماتریس تغییرات کاربری اراضی بین سال های 2006-2017 برحسب هکتار
Table 5. Matrix of land use changes between 2006-2017 In terms of hectares
2017
2006 | پهنه ساخته شده Made area
| پوشش گیاهی Vegetation | آب Water | اراضی بایر Burgenland
|
پهنه ساخته شده Made area | 73/2465 | 95/724 | 36/36 | 50/364 |
پوشش گیاهی Vegetation | 78/1146 | 72/23679 | 11/70 | 64/485 |
آب Water | 20/52 | 42/12 | 76/5 | 07/47 |
اراضی بایر Burgenland | 18/261 | 70/668 | 85/5 | 09/576 |
در شکل 4 تغییرات هر کاربری نسبت به کاربری دیگر نشان داده شده است. که بر اساس شکل زیر، تغییرات اراضی ساخته شده ، پوشش گیاهی، آب و بایر را میتوان مشاهده کرد. در این کاربری ها طبق جدول بالا اراضی ساخته شده و پوشش گیاهی بیشترین مساحت را به خود اختصاص داده اند و در این دوره تقریبا بدون تغییر ماندند ولی بقیه کاربری ها دارای تغییراتی بوده اند.
شکل 4. نقشه آشکارسازی تغییرات کاربری اراضی بین سال های 2006-2017
Figure 4. Map of land use change detection between 2006-2017In terms of hectares
ارزیابی مدل زنجیره مارکوف
بعد از اجرای تحلیل زنجیره مارکوف بر روی نقشه کاربری اراضی به دست آمده از طبقه بندی تصاویر ماهواره ای، ماتریس مساحت انتقال ( جدول 8 و 9) ایجاد گردید. ماتریس مساحت انتقال، نشان دهنده میزان تغییرات در تعداد پیکسل ها از یک طبقه کاربری اراضی به طبقه دیگر در دوره های مشخص می باشد. در هر دو جدول زیر، ردیف نشان دهنده کاربری اراضی دوره اول و ستون نشان دهنده کاربری اراضی دوره دوم است. در جداول 8 و 9 احتمال اینکه هر نوع کاربری اراضی در هر موقعیت مکانی در آینده پیدا شود را بیان می کند.
جدول 8. ماتریس مساحت انتقال کاربری اراضی سال های 1997 تا 2006 با استفاده از زنجیره مارکوف برحسب هکتار
Table 6. Land use area transfer matrix from 1997 to 2006 using Markov chain In terms of hectares
اراضی بایر Burgenland | آب Water | پوشش گیاهی Vegetation | پهنه ی ساخته شده Made area | کاربری Land Use
|
4304 | 1011 | 14194 | 20397 | پهنه ی ساخته شده Made area |
20466 | 653 | 220017 | 40889 | پوشش گیاهی Vegetation |
112 | 114 | 213 | 866 | آب Water |
2380 | 75 | 9796 | 4547 | اراضی بایر Burgenland |
جدول 9. ماتریس مساحت انتقال کاربری اراضی سال های 2006 تا 2017 با استفاده از زنجیره مارکوف برحسب هکتار
Table 7. Land use area transfer matrix from 2006 to 2017 using Markov chainIn terms of hectares
اراضی بایر Burgenland | آب Water | پوشش گیاهی Vegetation | پهنه ی ساخته شده Made area | کاربری Land Use |
6682 | 542 | 13118 | 23279 | پهنه ی ساخته شده Made area |
17548 | 2242 | 217951 | 40990 | پوشش گیاهی Vegetation |
426 | 13 | 262 | 611 | آب Water |
3701 | 77 | 9061 | 3531 | اراضی بایر Burgenland |
پیش بینی تغییرات کاربری اراضی تا سال 2030 با استفاده از مدل زنجیره مارکوف و سلول های خودکار
برای تهیه نقشه پیش بینی کاربری اراضی سال 2030 از مدل زنجیره مارکوف و سلول های خودکار استفاده شد؛ بنابراین با وارد کردن نقشه مرجع 2017 به عنوان نقشه پایه و با معرفی کردن فایل مساحت انتقال، نقشه پیش بینی کاربری اراضی سال 2030 به دست آمد. همان طور که در شکل 5 مشخص است پوشش گیاهی و پهنه ساخته شده در سال 2030 همچنان بیشترین تغییرات و مساحت را به خود اختصاص خواهند داد.
شكل 5. نقشه پيش بيني تغييرات كاربري اراضي و پوشش زمين براي سال 2030
Figure 5. Plan for forecasting land use and land cover changes for 2030
با توجه به جدول (10)، درصد تغییرات کاربری ها طی سال های 2017 تا 2030 را می توان مشاهده کرد که طبق آن ابتدا پوشش گیاهی و سپس پهنه ساخته شده بیشترین مساحت را به خود اختصاص داده اند.
جدول 10. پیش بینی تغییرات کاربری ها تا سال 2030 با استفاده از مدل زنجیره مارکوف و سلول های خودکار
Table8. Predict land use changes by 2030 using the Markov chain model and automated cells
کاربری LAND Use | مساحت (هکتار) Area(hectares) |
پهنه ی ساخته شده Made area | 11/3948 |
پوشش گیاهی Vegetation | 12/25153 |
آب Water | 33/104 |
اراضی بایر Burgenland | 58/1474 |
بحث و نتیجه گیری
از ضرورت های مدیریت درست مناطق جغرافیایی اطلاع از نسبت و نحوه تغییرات کاربری اراضی است. استفاده از تکنیک های سنجش از دور به دلیل اشراف کلی تصاویر ماهواره ای بر روی پدیده های زمین، ثبت ویژگی های پدیده ها و اطلاعات مربوط به آن ها توسط طیف الکترومغناطیسی، بهترین ابزار برای آشکارسازی و ارزیابی تغییرات کاربری اراضی به خصوص در مناطق شهری می باشد. به علاوه امروزه میزان تغییرات کاربری اراضی به دلیل گسترش فیزیکی شهر در بیشتر شهرهای ایران افزایش چشمگیری داشته است. در این پژوهش توسعه کالبدی - فضایی و میزان تغییرات کاربری اراضی منطقه عباس آباد مورد بررسی قرار گرفت. در این راستا بررسی تغییرات کاربری اراضی مربوط به سال های 1997، 2006 و 2017 با استفاده از روش SVM انجام شد و بعد ازآن تصحیحات لازم بر روی تصاویر ماهواره ای طبقه بندی شده کاربری اراضی صورت گرفت. برای بررسی دقت طبقه بندی تصاویر از شاخص های آماری، دقت کلی و ضریب کاپا استفاده شد و با استفاده از مدل زنجیره مارکوف و سلول های خودکار تغییرات کاربری اراضی محدوده منطقه عباس آباد برای سال 2030 پیش بینی شد. پیش بینی روند گسترش و تغییرات کاربری ها در محدوده منطقه عباس آباد این امکان را برای برنامه ریزان و مدیران شهری و منطقه ای ازجمله شهرداری و فرمانداری عباس آباد فراهم می کند تا با شناخت بهتر تحولات کالبدی فضایی منطقه به خوبی بتوانند برنامه های توسعه را اجرا نمایند. طبق تصویر 2017، پهنه ساخته شده به دو پهنه شرقی و غربی قابل تقسیم است. به علت تمرکز نقاط روستایی در این دو پهنه و جمعیت پذیری بالای روستاهایی مانند تازه آباد، حمزه آباد، کراتکوتی، دانیال، سجادیه، سید محله، سی سرا، چارز، یالبندان و همچنین گسترش ویلا سازی و ساخت شهرک های مسکونی در نوار ساحلی و پس کرانه های محدوده مورد مطالعه، تغییرات کاربری در دهه 2006 تا 2017 بسیار چشمگیر و قابل توجه بوده است، به طوری که در این دهه در مجموع، 23279 هکتار از اراضی منطقه عباس آباد به پهنه ساخته شده تغییر کاربری یافته است. همچنین در این منطقه، به دلیل ترویج کشت برنج و گسترش باغداری، پرورش گل و گیاه و وجود جنگل های انبوه بیشترین نوع تغییرات در این دهه تغییر از پوشش گیاهی به پوشش گیاهی می باشد که درمجموع، 217951 هکتار از اراضی منطقه را به خود اختصاص داده است. بر اساس نمودار شکل 3 و شکل 5، تغییر پوشش گیاهی به پوشش گیاهی مشاهده می شود که نشان می دهد، اراضی جنگلی به نفع اراضی کشاورزی و باغی از بین نرفته است و مساحت از دهه 1997-2006 تا دهه 2006-2017 پایدار بوده است زیرا جنگل در قسمت های جنوبی منطقه عباس آباد قرارگرفته است و این قسمت توسط کوه های مرتفع احاطه شده و تغییر کاربری کار سخت و دشواری است.
در این پژوهش آشکارسازی تغییرات کاربری اراضی با استفاده از زنجیره مارکوف و سلول های خودکار انجام شد که نتایج به دست آمده بیانگر انطباق آن ها با واقعیت های زمینی است. نتایج پژوهش حاضر نشان داد که سطح پهنه ی ساخته شده دارای روند افزایشی بوده که همین امر منجر به کاهش سطح پوشش گیاهی، اراضی بایر و آب شده است. نتایج این پژوهش با نتایج بسیاری از محققان همسو می باشد، مانند پژوهش های مونتالی و همکاران (12) که از یک رویکرد یکپارچه سنجش از دور و GIS برای شبیه سازی و پیش بینی تغییرات کاربری اراضی در منطقه ددزا در مالاوی استفاده کردند و به پیش بینی تا سال های 2025 و 2035 براساس ماتریس احتمال انتقال پرداختند. وارگا و همکاران (26) نیز با کمک شاخص درجه شایستگی اقدام به کالیبراسیون نتایج مدل سلولی مارکوف پرداختند و چهار سطح مختلف از این شاخص را در شمال شرق مجارستان مورد بررسی قرار دادند که نتایج نشان دهنده خطای کم نقشه های شبیه سازی شده نسبت به نقشه های پیش بینی شده می باشد، هرناندز گوزمان و همکاران (6) تغییرات کاربری اراضی در منطقه غربی و مرکزی مکزیک را مورد بررسی قرار دادند و نقشه های کاربری اراضی سه دوره را تهیه کردند و با کمک زنجیره مارکوف تغییرات کاربری اراضی سال های 2033 و 2050 را پیش بینی کردند. بنابراین می توان گفت که آشکارسازی تغییرات کاربری ها در محیط هایی مانند شهرها به امر برنامه ریزی کمک شایانی می کند و به عنوان یک راهکار سریع و اجرایی، از آن می توان در برنامه ریزی ها برای چشم انداز آینده شهرها استفاده کرد.
منابع مورد استفاده
1. Benito, P.R., Cuevas, J.A., delaParra, R.B., Prieto, F., delBarrio, J.M.G., Zavala, M.A., 2010. Land use change in a Mediterranean metropolitan region and its periphery: assessment of conservation policies through CORINE Land Cover data and Markov models. Forest Systems 19, 315–328. DOI: 10.5424/fs/2010193-8604
2. Du, Y., Teillet, P.M. and Cihlar, J., 2002, Radiometric normalization of multitemporal high-resolution satellite images with quality control for land cover change detection, Remote Sensing of Environment, 82: 123–134. https://doi.org/10.1080/01431160500183057
3. 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. . https://doi.org/10.1080/17538947.2018.1548655
4. Eastman J R. 2012. IDRISI Selva tutorial. IDRISI production. Worcester: Clark Labs-Clark university. http://dx.doi.org/10.4236/jgis.2015.73024
5. 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. https://doi.org/10.1016/j.rsase.2017.01.005
6. Hernández-Guzmán R, Ruiz-Luna A, González C. 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. DOI: 10.1016/j.rsase.2018.12.005
7. Hadjimitsis D G, Papadavid G. Agapiou A, Themistocleous K, Hadjimitsis M G, Retalis A, Michaelides S, Chrysoulakis N, Toulios L, Clayton C R I. 2010. Atmospheric correction for satellite remotely. 112-121. https://doi.org/10.5194/nhess-10-89-2010
8. Haji Biglou M, Sheikh V B, Memarian H, Bayram Kamki CH. 2020. 3D Calibration of Land Use Changes Using the Markov Chain Atom Cell Integrated Model in Gorgan River Watershed. Remote Sensing and Geographic Information System in Natural Resources, 11 (2): 1-26.(In persian)
9. Koohstani Nematullah, Rastegar Shafaq, Heydari Ghodratollah, Shatai Joybari Shaban, Amirnejad Hamid. 2020. Monitoring and forecasting the trend of rangeland land changes using satellite images And Markov chain model in Noorrud watershed - Mazandaran province, Journal of Remote Sensing and GIS in natural resources, 11 (3): 1-21.(In persian)
10. .Mohammadi Shahin, Habashi Khalil, Pourmanafi Saeed. 2018. Monitoring and Predicting Land Use Change / Land Cover and Its Relationship with Drought (Case Study: Parsel Basin, Zayandehrud Watershed), Journal of Remote Sensing and GIS in Natural Resources, 9 (1): 24- 39. (In Persian)
11. Mertens, B. and E.F. Lambin 2000, Land‐cover‐change trajectories in southern Cameroon. Annals of the association of American Geographers. 90(3), 467-494. DOI: 10.1111/0004-5608.00205
12. 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.
13. Patino, Jorge. E. and Duque Juan و C. 2013. A review of regional scienc applications of satellite remote sensing in urban settings. Computers, Environment and Urban Systems, Vol37: 1-17. United Kingdom. https://doi.org/10.1016/j.compenvurbsys.2012.06.003
14. Rawat, J. S. and Kumar, M. 2015. Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block. district Almora. Uttarakhand, India. The Egyptian Journal of Remote Sensing and Space Science. 18 (1):77-84. DOI: 10.1016/j.ejrs.2015.02.002
15. Rahnama M R, Rousta M. 2013. Analysis of land use change and how to maintain the green space of Jahrom in the direction of sustainable development. Quarterly Journal of Geographical Research. 28(2):113-126 (In persian)
16. 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. https://doi.org/10.1007/s40710-015-0062-x
17. .Sang L C, Zhang J, Yang D, Zhu, and W, Yun. 2011. Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling. 54(3-4): 938-943. https://dx.doi.org/10.1016/j.mcm.2010.11.019
18. Szuster B W, Chen Q, Borger M. 2011. A Comparison of classification techniques to Support land cover and land use analysis intropical coastal zones. Applied Geography. 31(2). 525-532. . DOI: 10.1016/j.apgeog.2010.11.007
19. .Singh, A.K. 2003. Modeling land use/ Land cover changes using cellular Automata in Geo-spatial Environment, Msc these. Netherland. 58.
20. .Stow D A, Chen D M. 2002. “Sensitivity of multi-temporal NOAA AVHRR data of an urbanizing region to land use/cover changes and misregistration”. Remote Sensing of Environment. 80: 297–307. DOI: 10.1016/S0034-4257(01)00311-X
21. Suykens J A, Vande walle J. 1999. Least Squares support vector machine classifiers. Neural processing Letters 9: 293-300. Doi: 24/11/1999; 16:59; p.4
22. Taghizadeh S, Masoumi M. 2009. Investigation of land use changes in Naghadeh city using remote sensing techniques and GIS in the period (1343-1388). Sepehr: 59-65. (In persian) DOI: 10.30473/psp.2018.5257
23. Taubenböck, Hannes. Thomas Esch and Andreas Felbier and Michael Wiesner and Achim Roth, and Stefan Dech.
2012. Monitoring urbanization in mega cities from space. Remote sensing of Environment, 117, Netherland. DOI: 10.1016/j.rse.2011.09.015
24. Tiwari A, Jain K. 2014. Gissteering smart future for smart indian cities. International journal of scientific and Research publications, 4(8), 442-446.
25. Traore Arafa, Mawenda John, Komba Atupelyew. 2018. Land- cover change Analysis and Simulation in conakry (Guinea). using Hybrid cellular – Automata and Markov Model. Urban Sci, volume 2, Issue 2. https://doi.org/10.3390/urbansci2020039
26. 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. https://doi.org/10.1016/j.ecolind.2019.01.057
27. Wang SQ, Zheng XQ, Zang XB. 2012. Accuracy assessments of land use change simulation based on Markov cellular automata model. Procedia Environmental Sciences, 13: 1238-1245. DOI: 10.1016/j.proenv.2012.01.117
Monitoring and Predicting Land Use Changes Using Landsat Satellite Images by AutoCell and Markov Chain Method (Case Study: Abbasabad Area, Mazandaran Province)
Abstract
Background and Objective Today, land use change in many countries has become an important challenge that has many effects on the environment. Accordingly, the study of land use change at different scales is one of the important issues in the proper management of natural resources and environmental change at various levels. Therefore, being aware of land use changes and investigating their causes and factors in several time periods and predicting land use changes in the future can be properly planned to reduce adverse effects, which has been considered by planners and city managers. They help in land use planning. Also, converting land uses to each other and changing the use of vegetation to the built area is known as an important issue. Therefore, the purpose of this study is to monitor and predict land use changes and land cover in Abbasabad urban area in the future; Using these changes, appropriate management measures can be taken to preserve and rehabilitate lands.
Materials and Methods A combination of automated cell model and Markov chain in Abbasabad urban area was used to predict land use change; The relevant images were taken from the TM and OLI sensors of the Landsat 8 and 5 satellites at the USGS site. Four user classes, including zone class built with code number 1, vegetation class with code number 2, water resources class with code number 3 and barren land class with code number 4, were separated for Abbasabad urban area. Obtained USGS. In order to extract land use classes, after checking several methods, object-oriented classification method and support vector machine (SVM) algorithm were used due to better efficiency. Evaluation of Babian satellite imagery classification The overall accuracy and kappa coefficient were performed for three periods of time. Each of these classified maps was evaluated by drawing an error matrix. 250 sample points were used to prepare this matrix. The type of sampling was stratified sampling. Also, to determine land use changes in 2030, classified maps were used and with the help of TerrSet software, changes made in classes and their percentages were obtained and using CA-MARKOV model, changes of different classes based on matrices. The possibility of transfer was predicted.
Results and Discussion The results of the research during 1997, 2006 and 2017 show that the constructed area has an increasing trend and the uses of vegetation, barren lands and water resources have a decreasing trend and 23279 hectares of lands in the region are built area. dedicated. The kappa coefficient calculated in this evaluation for 1997, 2006 and 2017 are 0.86, 0.89 and 0.89, respectively. Markov chain forecasting model with 85% accuracy stated that the trend of land use change for 2030 will be the same as in previous years, and this indicates that the conversion and change of land uses will proceed as before, and it is necessary to mention this point. The identical uses of vegetation to vegetation cover the largest area during the years 2006 to 2017, and this shows that in this area, vegetation is still stable and has undergone less changes.
Conclusion The output of the 13-year forecast map for 2030 in this study indicates the appropriate accuracy of the CA-MARKOV model. In addition, this output shows that this method can be trusted for short-term planning. These forecast maps can be a good guide for managers and urban planners. To achieve better results, it is recommended to use a combination of automated cell model and Markov chain to monitor and predict changes nationwide. The results of this study, in addition to helping to reduce the volume of input data, but also in the processing of classified images and in predicting them for the future.
Keywords: Land use changes, satellite images, monitoring, forecasting, Abbasabad.
