On the Current Changes of Votes Between 1989 and 2019 Changes and Predicting the Changes Using Remote Sensing and CA-Markov and LCM Models
Subject Areas :Behroz Sadayn 1 , Mohammad Ebrahim Afifi 2
1 - Department of Geography, Larestan Branch, Islamic Azad University, Larestan, Iran.
2 - Assistant Professor, Department of Geography, Larestan Branch, Islamic Azad University, Larestan, Iran.
Keywords: Discovering Changes - Remote Sensing - Neural Network - LCM, Assaluyeh - Land use,
Abstract :
Land use change has acted as a pivotal factor in environmental change and has become a global threat. Reviewing these changes through satellite imagery and predicting and evaluating their potential through modeling can help environmental planners and natural resource managers to make informed decisions. The purpose of this study was to review, model, and predict land use changes in the 30-year period of 1993-2013 by the Markow-LCM chain model in Kangan and Assaluyeh. For this purpose, land use maps were prepared using ETM +, TM and OLI satellite imagery in three periods of 1993, 2003, and 2013. Then verifying the maps and detecting the changes. Using the classification of the neural network and applying the Land Change Modeler (LCM Markov model) and the Land Use Change Modeling Approach have been implemented. The results of detection of changes in the first period with a kappa coefficient of 97% and the second period of 1993-2003 with a kappa coefficient of 94% indicate that the largest changes in the area in the water area and the largest decrease in the area in the vegetation area occurred. In order to calibrate the Markov chain model, the 2013 map was predicted and the error mapping matrix of the 2013 map reference model and mapping utilization yielded a copper coefficient of 93%. The results of modeling the transfer force using the artificial neural network in most of the sub-models The high accuracy was 60-93%.
احدنژاد روشتی، محسن؛ زلفی، علی؛ شکری‌پور، حسین (1390). ارزیابی و پیشبینی گسترش فیزیکی شهرها با استفاده از تصاویر ماهواره‌ای چند زمانه و سیستم اطلاعات جغرافیایی (مطالعه موردی شهر اردبیل 1400 – 1363). فصلنامه آمایش محیط. 4 (15)، 124-107 .
المدرسی، سیدعلی؛ مفیدی‌فر، مهدی؛ ملکزاده بافقی، شاهرخ (1393، اسفند). بررسی کارایی مدل زنجیره‌ای مارکوف در برآورد تغییرات کاربری اراضی و پوشش زمین با استفاده از تصاویر ماهواره‌ایLANDSAT . نخستین همایش ملی کاربرد مدلهای پیشرفته تحلیل فضایی (سنجش از دور وGIS) در آمایش سرزمین. یزد.
خان محمدی، ناصر (1397). مدلسازی تغییرات اراصی کاربری با استفاده از مدلساز تغییر زمین LCM شهرستان نکا. فصلنامه اکوسسیستم‌های طبیعی ایران. 9 (31)، 69-53.
دژکام، بهمن؛ جباریان امیری، سیدصادق؛ درویش صفت، علی‌اصغر (1394). پیشبینی تغییرات کاربری و پوشش زمین در شهرستان رشت با استفاده از مدل سلولهای خودکار و زنجیره مارکوف. پژوهشهای محیط زیست. 6 (11)، 204-193.
رمضانی،رضا؛ جعفری، نفسیه (1393). آشکارسازی تغییرات کاربری و پوشش اراضی در افق 1404 با استفاده از مدل زنجیره‌ای CA مارکوف (مطالعه موردی: اسفراین). فصلنامه تحقیقات جغرافیایی. 29 (4)، 96-83 .
علی محمدی، شایان؛ موسیوند، احمد؛ جعفری، عباس (1389). پیشبینی تغییرات کاربری اراضی و پوشش زمین با استفاده از تصاویر ماهواره‌ای و مدل زنجیره‌ای مارکوف. فصلنامه مدرس علوم انسانی. 14 (3)، 130-117.
غلامعلی فرد، مهدی؛ میرزایی، محسن؛ جورابیان شوشتری، شریف (1393). مدلسازی تغییرات پوشش اراضی با استفاده از شبکه عصبی مصنوعی و زنجیرة مارکوف (مطالعة موردی: سواحل میانی استان بوشهر). نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 5 (1)، 79-65 .
کریمی، کامران؛ چوقی، بایرام (1394).پایش، ارزیابی و پیش بینی روند تغییرات مکانی کاربری اراضی/پوشش زمین با استفاده از مدل زنجیره‌ای مارکوف (مطالعه موردی: دشت بسطاق- خراسان جنوبی). نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 6 (2)، 88-75 .
نشاط، عبدالمجید (1381). تجزیه وتحلیل و ارزیابی تغییرات کاربری و پوشش زمین با استفاده از داده‌های سنجش ازدور و سامانه‌های -اطلاعات جغرافیایی در استان گلستان. پایان نامه کارشناسی ارشد رشته سنجش از دور وGIS . دانشگاه تربیت مدرس، تهران، ایران.
عفیفی، محمد ابراهیم؛ رهنما، وحیدرضا (1396). بررسی روند تغییرات کاربری اراضی شهر عسلویه و پیش بینی تغییرات با استفاده از سنجش از دور و مدلهای lcm-ca-markov. پایان نامه‌ی کارشناسی ارشد. دانشگاه آزاد اسلامی واحد لارستان، لارستان، ایران.
Ahmed, B. & Ahmed, R. )2012(. Modeling urban land cover growth dynamics using multi-temporal satellite images: A case study of Dhaka. International Journal of Geo-Information. 1 (1), 3-31.
Al-Ahmadi, F. & Hames, A. (2009). Comparison of four classification methods to extract land use and land cover from raw satellite images for some remote arid areas. Kingdom of Saudi Arabia. Earth. 20 (1), 167-191.
Amiraslani, F. & Dragovich, D. (2011). Combating desertification in Iran over the last 50 years: An overview of changing approaches. USA. Journal of Environmental Management. 92 (1), 1-13.
Bell, E. )1974(. Markov analysis of land use change - an application of stochastic processes to remotely sensed data. Socio-Economic Planning Sciences. 8 (6), 311-316.
Brown, D.; Pijanowski, B. & Duh, J. (2000). Modeling the relationships between land use and land cover on private lands in the Upper Midwest. Journal of Environmental Management. 59 (4), 247-263.
Congalton, R. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Rentote Sensing of Environment. 37 (1), 35-46.
Dontree, S. (2003, October). Land use dynamics from multitemporal remotely sensed data - a case study Northern Thailand. Map Asia 2003 Conference. Kuala Lumpur, Malaysia.
Gilks, W.; Richardson, S. & Spiegelhalter, J. (1996). Introducing markov chain montecarlo. Markov Chain Monte Carlo in Practice. 1 (1), 19- 44.
Gross, J.; Goetz, S. & Cihlar, J. (2009). Application of remote sensing to parks and protected area monitoring: Introduction to the special issue. Remote Sensing of Environment. 113 (7), 1343-1345.
Hathout, S. (2002). The use of GIS for monitoring and predicting urban growth in East and West St Paul, Winnipeg, Manitoba, Canada. Journal of Environmental Management. 66 (3), 229-238.
Jenerette, G. & Darrel, W. )2001(. Analysis and simulation of land use change in the central Arizona-Phonix region, USA. Landscape Ecology. 16 (7), 611-626.
Kamusoko, C. & Aniya, M. )2009(. Rural sustainability under threat in Zimbabwe – Simulation of future land use/cover changes in the Bindura district based on the Markov-cellular automata model. Applied Geography. 29 (3), 435-447.
Lambin, F. )2008(. Land-Use and Landcover Change: Local Processes and Global Impacts. New York: Springer Science & Business Media.
Mas, L. (2004). Modelling deforestation using GIS and artificial neural networks. Environmental Modeling & Software, 19 (5), 461–471.
Jean-François, M. (2014). Inductive pattern-based land use/cover change models: A comparison of four software packages. Environmental Modelling & Software. 51, 94-111.
Mitsova, W. (2011). A cellular automata model of land cover change to integrate urban growth with open space conservation. Landscape and Urban Planning. 99 (2), 141-153.
Muller, M.R. & Middleton, J. (1994). A Markov model of land-use change dynamics in the Niagara Region. Ontario, Canada. Landscape Ecology. 9 (2), 151- 157.
Nazarisamani, A. (2010). Assessment of changes in land use in the Taleghan watershed basin in the period from 1987 to 2001. Academic Journal of Range Management Research. 4 (3), 451-442.
Ozesmi, B. (2002). Satellite remote sensing of wetlands. Wetlands Ecology and Management. 10 (5), 381-402.
Piquer-Rodríguez, M. & Alcaraz-Segura, R. (2012). Future land use effects on the connectivity of protected area networks in southeastern Spain. Journal for Nature Conservation. 20 (6), 326-336.
Richards, J. Jia, X. (2006). Remote Sensing Digital Image Analysis: An Introduction. 4th Edition. New York: Springer.
Sohl, P. (2013). Clarity versus complexity: Land-use modeling as a practical tool for decision-makers. Journal of Environmental Management, 129, 235-243.
Upadhyay,S. & Birger, S. (2006). Use of odelsmodels to analyseanalyses land-use changes, forest/soil degradation and carbon sequestration with special reference to Himalayan region: A review and analysis. Forest Policy and Economics. 9 (4), 349-371.
Wang, Sh. Q. & Zheng, X. (2012). Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences. 13, 1238-1245.
Weng, Zh. (2002). Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling. Journal of Environmental Management. 64 (3), 273-284.
Whitford, W. & Malekian, A. (2008). Ecology of Desert Systems. Tehran: University of Tehran.
Wu, Qi. Et al (2006). Monitoring and predicting land use change in Beijing using remote sensing and GIS. Landscape and Urban Planning. 78 (4), 322–333.
_||_
چکیده
ﺗﻐﻴﻴﺮ ﻛﺎرﺑﺮي اراﺿﻲ ﺑﻪ ﻋﻨﻮان ﻋﺎﻣﻠﻲ ﭘﺎﻳﻪ در ﺗﻐﻴﻴﺮات زﻳﺴﺖﻣﺤﻴﻄﻲ ﻋﻤﻞ ﻛﺮده و ﺑﻪ ﻳﻚ ﺧﻄﺮ ﺟﻬﺎﻧﻲ ﺗﺒﺪﻳﻞ ﺷﺪه اﺳﺖ. ﺑﺎزﺑﻴﻨﻲ اﻳﻦ ﺗﻐﻴﻴﺮات از ﻃﺮﻳﻖ ﺗﺼﺎوﻳﺮ ﻣﺎﻫﻮارهاي و ﭘﻴﺶﺑﻴﻨﻲ و ارزﻳﺎﺑﻲ ﭘﺘﺎﻧﺴﻴﻞ آﻧﻬﺎ از ﻃﺮﻳﻖ ﻣﺪﻟﺴﺎزي ﻣﻲﺗﻮاﻧﺪ ﺑﻪ ﺑﺮﻧﺎﻣﻪرﻳﺰان ﻣﺤﻴﻂ زﻳﺴﺖ و ﻣﺪﻳﺮان ﻣﻨﺎﺑﻊ ﻃﺒﻴﻌﻲ ﺑﺮاي ﺗﺼﻤﻴﻤﺎت آﮔﺎﻫﺎﻧﻪﺗﺮ ﻛﻤﻚ ﻛﻨﺪ. ﻫﺪف اﻳﻦ ﺗﺤﻘﻴﻖ ﺑﺎزﺑﻴﻨﻲ، ﻣﺪﻟﺴﺎزي و ﭘﻴﺶﺑﻴﻨﻲ ﺗﻐﻴﻴﺮات ﻛﺎرﺑﺮي اراﺿﻲ در دوره 30 ﺳﺎﻟﻪ (1989تا 2019) ﺗﻮﺳﻂ ﻣﺪل زﻧﺠﻴﺮة ﻣﺎرﻛﻮف- LCM در ﻣﻨﻄﻘﻪ عسلویه می باشد اﺳﺖ. ﺑﺪﻳﻦ ﻣﻨﻈﻮر ﻧﻘﺸﻪﻫﺎي ﻛﺎرﺑﺮي اراﺿﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺼﺎوﻳﺮ ﺳﻨﺠﻨﺪه +ETM و TM و OLIﻣﺎﻫﻮاره ﻟﻨﺪﺳﺖ در ﺳﻪ دوره زﻣﺎﻧﻲ ﻣﺮﺑﻮط ﺑﻪ ﺳﺎلﻫﺎي (2019-2009-1989)ﺗﻬﻴﻪ ﮔﺮدﻳﺪ. ﺳﭙﺲ ﺻﺤﺖﺳﻨﺠﻲ ﻧﻘﺸﻪﻫﺎ و آﺷﻜﺎرﺳﺎزي ﺗﻐﻴﻴﺮات اﻧﺠﺎم ﺷﺪ. با استفاده از طبقه بندي شبكه عصبي و همچنين به كارگيري مدل پيش بيني تغييرات كاربري (Land Change Modeler) LCMماركوف و رويكرد مدلساز تغيير كاربري اراضی انجام شده است. ﻧﺘﺎﻳﺞ آﺷﻜﺎرﺳﺎزي ﺗﻐﻴﻴﺮات دوره اول ﺑﺎ ﺿﺮﻳﺐ ﻛﺎﭘﺎي97 % و دوره دوم 2019-2009 ﺑﺎ ﺿﺮﻳﺐ ﻛﺎﭘﺎي 94% ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ ﺑﻴﺶﺗﺮﻳﻦتغییرات ﻣﺴﺎﺣﺖ در ﻧﺎﺣﻴﻪ آب و ﺑﻴﺶﺗﺮﻳﻦ ﻛﺎﻫﺶ ﻣﺴﺎﺣﺖ در ﻧﺎﺣﻴﻪ پوشش گیاهی رخ داده اﺳﺖ. ﺑﻪ ﻣﻨﻈﻮر ﻛﺎﻟﻴﺒﺮه ﻛﺮدن ﻣﺪل زﻧﺠﻴﺮة ﻣﺎرﻛﻮف، ﻧﻘﺸﻪ ﻛﺎرﺑﺮي ﺳﺎل 2013 ﭘﻴﺶﺑﻴﻨﻲ ﺷﺪ و ﻣﺎﺗﺮﻳﺲ ﺧﻄﺎي ﺑﻴﻦ ﻧﻘﺸﻪ ﺣﺎﺻﻞ از ﻣﺪلﺳﺎزي و ﻧﻘﺸﻪ ﻛﺎرﺑﺮي ﻣﺮﺟﻊ ﺳﺎل 2019، ﺿﺮﻳﺐ ﻛﺎﭘﺎي 93% ﺑﺪﺳﺖ داد ﻧﺘﺎﻳﺞ ﻣﺪل ﺳﺎزي ﻧﻴﺮوي اﻧﺘﻘﺎل ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ در ﺑﻴﺸﺘﺮ زﻳﺮ ﻣﺪلﻫﺎ ﺻﺤﺖ ﺑﺎﻻﻳﻲ را 60 ﺗﺎ 93 درﺻﺪ ﻧﺸﺎن داد.
واژگان کلیدی: کشف تغییرات , سنجش از دور , شبکه عصبی- LCM , عسلویه , کاربری اراضی
مقدمه
در سال های اخیر رشد شهرنشینی در ایران و افزایش مهاجرت به شهرهای بزرگ کشور، باعث گسترش ناگهانی وغیرطبیعی این شهرها و تخریب زمین های حاصلخیز و منابع طبیعی شده و آسیبهای جبران ناپذیری به طبیعت وارد کرده است. با افزایش جمعیت شهر شیراز، رشد زیادی در اراضی ساخته شده در منطقه به وجود آمده و باعث تغییرات زیاد کاربری ها در پیرامون شهر و تخریب زمین های حاصلخیز موجود در حومه شهر شده است؛ به گونه ای که ادامه این روند می تواند آسیبهای جبران ناپذیری به منابع زیست-محیطی منطقه وارد آورد.در واقع در زمینه تغییرات پوشش زمین و کاربری اراضی، مدلها نقش مهمی در کاوش توسعه آینده احتمالی آن دارند و از قابلیتهای تشریحی و پیش بینی آینده ای که مدل ها دارا می باشند میتوان به عنوان ابزاری برای آگاهی افراد درگیر در تصمیم گیریهای کاربری و پوشش زمین، استفاده کرد به طوریکه از قابلیت پیش بینی کنندگی مدل ها می توان به عنوان سیستم هشداردهنده اولیه استفاده کرد،بدین ترتیب که تصمیم گیران را از نتایج توسعه آینده و مناطق دارای اولویت برای تحلیل ها و سیاست های میانجی آگاه کرد. مدلهاي پیشبینی کاربري اراضی براي برنامهریزی استفاده پایدار از زمین یک نیاز ضروري است ,.کاموسکو12009:345 ، مس 2, 2004:94، سل و کلاگت3, 2013:235 . این مسأله به ویژه در کشورهاي در حال توسعه که فعالیتهایی نظیر: جنگل زدایی، توسعه بی رویه اراضی کشاورزي موجب شدت بخشیدن به پدیده بیابانزایی شده، مورد نیاز است انی و دراگوویچ4, 2011:1،.,2006:349 امیرسال5 به علاوه، پیش بینی تغییرات کاربري اراضی و برقراري ارتباط بین این تغییرات با عواقب اقتصادي- اجتماعی حاصل ازآن اهمیت بسیار بالایی براي مدیریت پایدار اراضی دارد. سنجش از دور كه فناوري كليدي جهت ارزيابي وسعت و ميزان تغييرات پوشش اراضي است. عفیفی 1396:50 از طريق اين فن ميتوان با استفاده از مجموعة تصاوير چندزمان پردازش آنها با يكي از روشهاي مناسب موجود و با سرعت و دقت بالا نسبت به آشكارسازي تغييرات مورد نظر در منطقه اقدام كرد. بکارگيري داده هاي سنجش از دور میتوان به شيوههاي علمي و كارآمد به مديريت مناطق حساس پرداخت .در مدلسازیهای زمانی و مکانی، فناوری سنجش از دور و سیستم اطلاعات جغرافیایی نقش محوری را ایفا میکنند، به گونه ای که فناوری سنجش از دور با فراهم آوردن داده های چندطیفی و چندزمانه ای که از نظر هزینه و زمان مقرون به صرفه بوده و هم اطلاعات ارزشمندی را برای درک و فهم و پایش الگوها و پروسهی پوشش زمین موجب می شود؛ بنابراین داده های به دست آمده به وسیله این فناوری میتواند به عنوان مهم ترین منبع در فراهم سازی داده های پایه ای برای مدلسازی تغییرات پوشش زمین برای سیستم اطلاعات جغرافیایی باشد. با پیش بینی تغييرات كاربري میتوان مقدار گسترش و تخريب منابع را مشخص و اين تغييرات را در مسيرهاي مناسب هدايت كرد .عفیفی 1396:70 همچنین در خصوص کارایی مدل زنجیره ای مارکوفبایستی مطرح کرد که با استفاده از مدل زنجیره ای مارکوف، نسبت تبدیل کاربریهای مختلف و امکان پیش بینی آنها در آینده فراهم میشود خان محمدی 1397 مدلسازی تغییرات اراصی کاربری با استفاده از مدلسازی تغییر زمین LCM در شهرستان نکا پرداختند.
) 2001, نشاط، 1381 .( (کریمی و کمکی1394 ) با استفاده از مدل زنجیره ای مارکوف به پایش، ارزیابی و پیش بینی روند تغییرات مکانی اراضی/پوشش دشت بسطاق پرداختند. در این مطالعه تعیین نقشه های کاربری پس از انجام تصحیحات بر روی تصاویر ماهواره ای، تعیین نمونه های آموزشی و ارزیابی دقت طبقه بندی ها با استفاده از ضریب کاپا صورت گرفت. نتايج نشان مي دهد كه طبقه فاقد پوشش/ بایر، پوياترين كاربريهاي موجود در منطقه بوده كه درصد مساحت اين اراضي طي 1366 تا 1393 به ترتيب برابر 64/21 % )افزایشی( و 14/31 % )كاهشي (بوده كه بيانگر تخريب كلي و جايگزيني كاربريهاي ضعيف تر در منطقه است. اصلاح و همکاران(1393) در تحقیقی به بررسی کارایی مدل زنجیره ای مارکوف در برآورد تغییرات کاربری اراضی و پوشش زمین با استفاده از تصاویر ماهواره ای LANDSAT پرداختند. در این تحقیق از تصاویر ماهواره ای چندزمانه لندست مربوط به سال های1975 ، 1990 و 2005 میلادی استفاده شده است. نتایج حاکی از آن است که بیشترین درصد اختلاف مربوط به کلاس اراضی مزروعی ) 646222/0 درصد(بوده و کمترین درصد اختلاف در کلاس فضای سبز) 00551 / درصد( دیده می شود. بدین ترتیب می توان کارایی خوب این مدل را توجیه کرد(.احدنژاد روشتی و همکاران1390) در مقاله ای تحت عنوان ارزیابی و پیش بینی گسترش فیزیکی شهرها با استفاده از تصاویر ماهواره ای چندزمانه و سیستم اطلاعات جغرافیایی، تغییرات اراضی حاشیه شهری در طی سالهای 1390 – 1363 را ارزیابی و سپس تغییرات را برای سال 1400 پیش بینی کردند. تصاویر مورد استفاده در این تحقیق مربوط به سنجنده TM ماهواره لندست برای سال های 1363 ، 1370 ،1379 و 1390 بود. در این تحقیق علاوه بر بارزسازی، برای کشف و ارزیابی تغییرات صورت گرفته بین سا لهای 1363 تا 1390 از روش فازی مبتنی بر شدت انطباق 1 و مقایسه بعد از طبقه بندی 2 استفاده شد همچنین برای پیش بینی روند تغییرات تا سال 1400 از روش ترکیبی زنجیره مارکوف و سلول های خودکار استفاده شد. نتایج به دست آمده نشان می دهد که در طی 27 سال مورد بررسی، کاربری های اراضی در حدود 34 درصد تغییر کرده اند که این تغییر عمدتاً ناشی از فعالیت های انسانی وافزایش جمعیت بوده است. غلامعلی فرد و همکاران(1393) تغییرات پوشش اراضی با استفاده از شبکه عصبی مصنوعی و زنجیره مارکف را درسواحل میانی استان بوشهر در یک دوره 23 ساله (1390 تا 1367) مدل سازی کردند. نتايج نشان داد كه در طول دوره مطالعه، تغييرات شديد از اراضي باز به اراضي كشاورزي و رهاسازي زمينهاي كشاورزي در منطقه مشاهده شده است. از سال 1367 تا 1384 به میزان 76/19715 هكتار به وسعت اراضي كشاورزي افزوده شده و بين سال هاي 1384 تا 1390 تنها 48/14 % از كاربري كشاورزي بدون تغيير مانده است و وسعت زيادي از كشاورزي رهاسازي شده است. احمد و همکاران 3 (2012) با مقاله ای تحت عنوان مدلسازی رشد شهری با استفاده از تصاویر چند زمانه ماهواره ای، رشد شهر داکا را با استفاده از تصاویر ماهواره لندست در سالهای 1985و 1999 تحلیل نمودند و سپس رشد شهری برای سال 2009 پیش بینی شد. بدین صورت که ابتدا تصاویر در پنج کلاس، طبقه بندی شده و سپس بر اساس، سه مدل مارکوف تصادفی، سلول های خودکار- زنجیره مارکوف و پرسترون چند لایه- زنجیره مارکوف رشد شهر داکا برای سال 2009 شبیه سازی گشت سپس بهترین مدل سازگار با واقعیت که پرسترون چند لایه- زنجیره مارکوف بود، انتخاب شده و به وسیله آن رشد شهری برای سال 2019 پیش بینی گردید. رمضانی و جعفری (1393)در تحقیقی به آشکارسازی تغییرات کاربری و پوشش اراضی در افق 1404 با استفاده از مدل زنجیره ای CA مارکوف) مطالعه موردی:اسفراین پرداختند. نتایج این مطالعه کاهش 5000 و 400 هکتاري را به ترتیب در سطح بایر و اراضی کشاورزي نشان داد. به علاوه، مدل پیش بینی کرد که سطح بایر فقیر30 هکتار و اراضی شهری 450 هکتار در 13 سال آینده(1404-1388) افزایش دارد. دژکام و همکاران (1394) در تحقیقی به پیش بینی تغییرات کاربری و پوشش زمین در شهرستان رشت با استفاده از مدل سلول های خودکار و زنجیره مارکوف پرداختند. نتایج نشان داد که در طی 20 سال گذشته، مناطق انسان ساخت 7/56 درصد افزایش یافته و منجر به نابودی حدود 11 درصد از زمین های کشاورزی -و 4 درصد از پوشش جنگلی منطقه شده است. اعتبارسنجی مدل نشان داد که مدل از توان قابل قبولی در پیش بینی تغییرات منطقه برخوردار است.وانگ و همکاران1(2012) تغییرات کاربري اراضی منطقه Changping در پکن را با استفاده از تصاویر ماهواره لندست براي سال 2000 پیش بینی کردند. (پ کیوئر و همکاران 2. 2012) نیز در مطالعه ای اثرهاي تغییرات کاربري اراضی در گذشته و آینده را بر روي منطقه حفاظت شدهاي در جنوب اسپانیا با استفاده از مدل زنجیرهاي CA ، مارکوف بررسی کردند. نتایج این مطالعه در منطقه توسعه کشاورزي و مناطق شهري و رهاسازي کاربري هاي گذشته را نشان داد. در این مطالعات و مطالعات مشابه دیگر، علاوه بر مشخص شدن وضعیت تغییرات کاربري اراضی در زمان مورد نظر با استفاده از مدل مارکوف، کارایی این مدل در مطالعات پیش بینی تغییرات کاربري اراضی در تمام این مطالعات از گذشته تا کنون تأیید شده است (سول و کلاگت3 ، 2013 ، مس و همکاران 4 ، 2014 (. مدل مارکوف-ژنتیک تاکنون در مطالعات مختلفی مورد استفاده قرار گرفته است. (وو و همکاران 5 . 2006) پایش و پیش بینی کاربری های منطقه پکن چین را طی یک بازه زمانی 16 ساله مورد مطالعه قرار دادند و از مدل زنجیره مارکوف و رگرسیون برای پیش بینی استفاده کردند. بررسي مقدار تغيير و روند تخريب منابع در سال هاي گذشته و پيش بيني اين تغييرات در سال هاي آينده مسلماً گام مهمي در مهار و كنترل تغييرات غيراصولي، برنامه ریزی و استفاده بهينه از منابع سرزمين ميباشد، بنابراين هدف از تحقيق حاضر بررسي روند تغييرات كاربري اراضي براي طي ساليان گذشته و پيش بيني تغييرات كاربري اراضي و پوشش زمين به كمك مدل زنجير هاي ماركوف در شهر شیراز استان فارس می باشد. با پیش بینی تغییرات کاربری میتوان میزان گسترش و تخریب منابع را مشخص کرده و این تغییرات را در مسیرهای مناسب هدایت کرد .
سوال اصلی تحقیق عبارت است از : آیا با زنجیره مارکوف و مدلLCM(LAND CHANGE MODELER) می توان به تغییرات کاربری شهر عسلویه پی برد؟
موقعیت جغرافیایی منطقه مورد مطالعه
استان بوشهر یکی از جنوبی ترین استانهای کشور است که در جنوب غربی ایران و در فاصله 27 درجه و 18 دقیقه تا 30 درجه و 14 دقیقه عرض جغرافیایی و 50 درجه و 8 دقیقه تا 52 درجه و 57 دقیقه طول جغرافیایی واقع گردیده است . این استان از شمال به استانهای خوزستان و کهگیلویه و بویراحمد ، از جنوب به خلیج فارس و استان هرمزگان ، از مشرق به استان فارس و از غرب به خلیج فارس محدود بوده و با 625 کیلومتر مرز آبی، طولانی ترین همسایگی را با آبهای نیلگون خلیج فارس دارد .استان بوشهر با 5/23167 کیلومتر مربع وسعت حدود 4/1 درصد از مساحت کل کشور را به خود اختصاص داده و از این لحاظ هفدهمین استان کشور محسوب می گردد . در سال 1385 استان بوشهر دارای 9 شهرستان شامل بوشهر، تنگستان ، دشتستان ، دشتی، کنگان ، دیر ، گناوه ، دیلم ، جم و عسلویه نیز 22 بخش ، 43 دهستان و 29 شهر بوده است ( سالنامه آماری استان بوشهر ، 1385 ) . بوشهر شهری بندری و مرکز استان بوشهر از استانهای جنوب غربی ایران است بوشهر بندری شبه جزیره‌ای در بخش مرکزی شهرستان بوشهر است که از سمت شمال ، غرب و جنوب به خلیج فارس محدود شده‌است ، این بندر در ارتفاع ۱۸ متری از سطح دریا و در منطقه ساحلی خلیج فارس واقع شده و آب و هوای نیمه بیابانی گرم دارد . میانگین دما در تیرماه ( گرم‌ترین ماه سال ) ۳۳ درجه سانتی‌گراد ، در دی‌ماه ( سردترین ماه سال ) ، ۱۴ درجه سانتی‌گراد ، در فروردین‌ماه ۲۰ درجه سانتی‌گراد و در مهرماه ۲۸ درجه سانتی‌گراد می‌باشد و میانگین سالانه دما ۲۵ درجه سانتی‌گراد است .
. 
شکل1 : محدوده مورد مطالعه
مواد و روشها
داده های مورد استفاده
داده های خام استفاده شده در این تحقیق تصاویر چند زمانه مربوط به شهرستان شهر عسلویه می باشد. که تصاویر ماهواره لندست TM و ETM+ و OLI در سالهای 1989, 2009 و 2019 بکار گرفته شده است.
نقشه کاربری اراضی و آشکار سازی تغییرات
یکی از راهﻫﺎي ﺗﻬﯿﻪ ﻧﻘﺸﻪﻫﺎي ﭘﻮﺷـﺶ ﮔﯿـﺎﻫﯽ و ﮐـﺎرﺑﺮي اراﺿﯽ، اﺳﺘﻔﺎده از دادهﻫـﺎي ﻣـﺎﻫﻮاره اي و ﻓﺮآﯾﻨـﺪ ﻃﺒﻘـﻪ ﺑﻨـﺪي ﺗﺼﺎوﯾﺮ اﺳﺖ. ﺑﻪﻣﻨﻈﻮر ﺗﻬﯿﻪ ﻧﻘﺸﻪﻫﺎي ﮐﺎرﺑﺮي اراﺿﯽ ﺑـﺎ اﻧﺠـﺎم ﭘﯿﺶﭘﺮدازشﻫﺎي اوﻟﯿﻪ ﻣﺎﻧﻨـﺪ ﺗﺼـﺤﯿﺢ ﻫﻨﺪﺳـﯽ و اﺗﻤﺴـﻔﺮي، ﻫﻤﭽﻨﯿﻦ ﺗﻬﯿﻪ ﻧﻤﻮﻧﻪﻫﺎي ﺗﻌﻠﯿﻤﯽ، ﺗﺼﺎوﯾﺮ ﻣﺎﻫﻮارهاي در ﻧﺮم اﻓﺰار IDRISI، ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﺣﺪاﮐﺜﺮ اﺣﺘﻤﺎل و اﺟﺮاي دﺳﺘﻮر ﺗﺒﺪﯾﻞ MNF ﻃﺒﻘﻪﺑﻨﺪي ﮔﺮدﯾﺪﻧﺪ. ﺳﭙﺲ ﻓﯿﻠﺘﺮ اﮐﺜﺮﯾﺖ ﺑﺮ روي ﻧﺘﯿﺠﻪ ﻃﺒﻘﻪﺑﻨـﺪي اﻋﻤـﺎل ﮔﺮدﯾـﺪ . ﻫﻤﭽﻨـﯿﻦ آﺷﮑﺎرﺳـﺎزي ﺗﻐﯿﯿﺮات، ﻓﺮآﯾﻨﺪ ﺷﻨﺎﺳﺎﯾﯽ ﺗﻔﺎوتﻫﺎ در وﺿﻌﯿﺖ ﯾـﮏ ﺷـﯽء ﯾـﺎ ﭘﺪﯾﺪه ﺑﻪ وﺳﯿﻠﻪ ﻣﺸﺎﻫﺪه آن در زﻣﺎنﻫﺎي ﻣﺘﻔـﺎوت اﺳـﺖ. در ادامة مراحل توليد نقشه هاي پوشش اراضي، از روش طبقه بندي نظارت شدة بيشترين احتمال استفاده شد كه از ديد بسياري از محققان، يكي از دقيق ترين روشهاي طبقه بندي سلول پايه شمرده مي شود. ﻣﺪل زﻧﺠﯿﺮه ﻣﺎرﮐﻒ ﻣﺪل ﻣﺎرﮐﻒ ﺑﻪ ﻃﻮر ﻣﻌﻤـﻮل در ﭘـﯿﺶ ﺑﯿﻨـﯽ وﯾﮋﮔـﯽ ﻫـﺎيﺟﻐﺮاﻓﯿﺎﯾﯽ ﺑﺪون ﻫﯿﭻ اﺛﺮ ﺛـﺎﻧﻮي اﺳـﺘﻔﺎده ﻣـﯽﺷـﻮد و در ﺣـﺎل ﺣﺎﺿﺮ ﺑﻪ ﯾﮏ روش ﭘﯿﺶﺑﯿﻨـﯽمهم در ﺗﺤﻘﯿﻘـﺎت ﺟﻐﺮاﻓﯿـﺎﯾﯽ ﺗﺒﺪﯾﻞ ﺷﺪه اﺳﺖ(19) زﻧﺠﯿﺮه ﻣﺎرﮐﻒ ﺗﻐﯿﯿﺮات ﮐﺎرﺑﺮي زﻣـﯿﻦ را از ﯾﮏ دوره ﺑﻪ دوره دﯾﮕﺮ را ﺑﯿـﺎن ﮐـﺮده و از آن ﺑـﻪ ﻋﻨـﻮان ﭘﺎﯾﻪاي ﺑﺮاي ﻧﻘﺸﻪﺳﺎزي ﺗﻐﯿﯿﺮات آﯾﻨﺪه اﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ. اﯾﻦ ﮐـﺎر ﺑﺎ اﺳﺘﻔﺎده از ﺗﻮﺳﻌﻪ ﯾﮏ ﻣﺎﺗﺮﯾﺲ اﺣﺘﻤﺎل اﻧﺘﻘﺎل ﺗﻐﯿﯿﺮات ﮐﺎرﺑﺮي زﻣﯿﻦ از زﻣﺎن 1 ﺑﻪ زﻣﺎن 2 اﻧﺠﺎم ﻣﯽﮔﯿﺮد ﮐﻪ ﺑـﻪ ﻋﻨـﻮان ﭘﺎﯾـﻪاي ﺑﺮاي ﻧﻘﺸﻪﺳﺎزي دورهﻫـﺎي زﻣـﺎﻧﯽ آﯾﻨـﺪه ﻣـﻮرد اﺳـﺘﻔﺎده ﻗـﺮار ﺧﻮاﻫﺪ ﮔﺮﻓـﺖ .(درویش صفت , 1392 : 4)
|
|
شکل2 کاربری اراضی عسلویه سال 1989 | شکل3 کاربری اراضی عسلویه سال 2009 |
|
شکل 4 کاربری اراضی عسلویه سال 2019 |
ﻃﺒﻘﻪﺑﻨﺪي ﺗﺼﺎوﻳﺮ ﺷﺒﻜﻪ ﻛﻮﻫﻮﻧﻦ، ﻳﻚ ﺷﺒﻜﻪ ﺧﻮد ﺳﺎﻣﺎﻧﺪه اﺳﺖ ﻛﻪ ﻧﮕﺎﺷﺘﻲ از ﻧﻤﻮﻧﻪﻫﺎي ﻣﻌﺮﻓﻲ ﺷﺪه ﺟﻬﺖ آﻣﻮزش را ﻳﺎد ﻣﻲﮔﻴﺮد ﺳﺎﺧﺘﺎر ﻳﻚ ﺷﺒﻜﻪ ﻛﻮﻫﻮﻧﻦ ﻣﺎﻧﻨﺪ ﺳﺎﺧﺘﺎر ﻳﻚ ﺷﺒﻜﻪ ﭘﺮﺳﭙﺘﺮون ﻳﻚ ﻻﻳﻪ، داراي ﻳﻚ ﻻﻳﻪ ورودي و ﺗﻌﺪادي ﻧﺮون ﺧﺮوﺟﻲ ﻣﻲﺑﺎﺷﺪ. ﺷﺒﻜﻪ ﻛﻮﻫﻮﻧﻦ ﺑﺎ n ورودي و m ﺧﺮوﺟﻲ ﻃﻲ اﻳﻦ ﻣﺮاﺣﻞ آﻣﻮزش داده ﺷﺪ. اﺑﺘﺪا ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ وزنﻫﺎي ﺷﺒﻜﻪ ﺑﻪ ﻃﻮر ﺗﺼﺎدﻓﻲ اﻧﺘﺨﺎب ﻣﻲﺷﻮﻧﺪ. ﻧﻤﻮﻧﻪﻫﺎي آﻣﻮزﺷﻲ، ﺑﻪ ﺷﺒﻜﻪ ﻣﻌﺮﻓﻲ ﻣﻲﮔﺮدﻧﺪ. ﻣﻘﺎدﻳﺮ زﻳﺮ، ﺑﺮاي ﻫﺮ ﻳﻚ از ﻧﺮونﻫﺎي ﻻﻳﻪ ﺧﺮوﺟﻲ ﻣﺤﺎﺳﺒﻪ ﮔﺮدﻳﺪ. ﻧﺮون ﺧﺮوﺟﻲ ﺑﺮﻧﺪه،ﻣﺸﺨﺺ و ﺑﺎ ﺑﻜﺎرﮔﻴﺮي ﻳﻚ ﺗﺎﺑﻊ ﻫﻤﺴﺎﻳﮕﻲ راﺑﻄﻪﻫﺎي 1 و 2،وزنﻫﺎ اﺻﻼح ﮔﺮدﻳﺪ.
جدول 1. بهترین مقادیر پارامترها برای ایجاد شبکه بهینه
پارامتر مقدار
تعداد نرون لایه ورودی 6
تعداد نرون لایه خروجی 225
شعاع اولیه همسایه 21/22
نرخ حداقل یادگیری 5/0
نرخ حداکثر یادگیری 1
مدت حداقل بازیافت 0001/0
مدت حداکثر بازیافت 0005/0
تعداد تکرار تن درشت 222615
الگوریتم تن ریز LVQ2
در اﻳﻦ راﺑﻄﻪﻫﺎ؛( η( t ﭘﺎراﻣﺘﺮ آﻣﻮزش و((t N ﺗﺎﺑﻊ ﻫﻤﺴﺎﻳﮕﻲ اﺳﺖ. ﺳﭙﺲ ﻣﻘﺪار t اﻓﺰوده ﺷﺪ و در ﻧﻬﺎﻳﺖ اﻟﮕﻮرﻳﺘﻢ ﺑﺎ دو ﺗﻜﺮار اﺟﺮا ﮔﺮدﻳﺪ ﻛﻪ در اﻳﻦ ﻣﺮﺣﻠﻪ ﻣﻲﺗﻮان ﺗﻌﺪاد ﺗﻜﺮارﻫﺎ را ﺛﺎﺑﺖ در ﻧﻈﺮ ﮔﺮﻓﺖ و ﻳﺎ ﺗﻜﺮار ﺗﺎ زﻣﺎﻧﻲ ﺻﻮرت ﮔﻴﺮد ﻛﻪ ﺷﺒﻜﻪ آﻣﻮزش دﻳﺪه ﺑﺎﺷﺪ، ﻳﻌﻨﻲ ﻣﻘﺎدﻳﺮ وزنﻫﺎ ﺗﻐﻴﻴﺮات ﻧﺎﭼﻴﺰي داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﺑﻌﺪ از اﻳﻨﻜﻪ ﺷﺒﻜﻪ آﻣﻮزش داده ﺷﺪ، ﻻزم اﺳﺖ ﻧﻤﻮﻧﻪﻫﺎ ﺑﻪ ﺷﺒﻜﻪ ﻣﻌﺮﻓﻲ ﮔﺮدﻳﺪ. ﺧﺮوﺟﻲ ﺷﺒﻜﻪ ﺑﺮ اﺳﺎس ﻛﻤﺘﺮﻳﻦ ﻓﺎﺻﻠﻪ اﺳﺖ. از ﻣﻴﺎن ﻧﺮونﻫﺎي ﺧﺮوﺟﻲ، ﻧﺮوﻧﻲ ﺑﻪ ﻋﻨﻮان ﺑﺮﻧﺪه ﺧﺮوﺟﻲ ﺷﺒﻜﻪ اﻧﺘﺨﺎب ﮔﺮدﻳﺪ ﻛﻪ در ﻣﻴﺎن ﻧﺮونﻫﺎي ﺧﺮوﺟﻲ، ﻛﻤﺘﺮﻳﻦ ﻓﺎﺻﻠﻪ اﻗﻠﻴﺪﺳﻲ را ﺑﺎ ﻧﻤﻮﻧﻪ ورودي داﺷﺘﻪ ﺑﺎﺷﺪ ﺧﺮوﺟﻲ ﺷﺒﻜﻪ ﻛﻮﻫﻮﻧﻦ، ﻧﮕﺎﺷﺖ ﺗﻮﭘﻮﻟﻮژﻳﻜﻲ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ورودﻫﺎي ﺷﺒﻜﻪ اﺳﺖ. ﻣﻘﺎدﻳﺮ ﺑﻬﻴﻨﻪ ﭘﺎراﻣﺘﺮﻫﺎي ﺷﺒﻜﻪ ﻛﻮﻫﻮﻧﻦ ﺑﺮ اﺳﺎس ﺟﺪول 1 اﻧﺘﺨﺎب و ﺳﭙﺲ ﻃﺒﻘﻪﺑﻨﺪي ﺑﺮاي ﻣﻨﻄﻘﻪ ﻣﻄﺎﻟﻌﺎﺗﻲ اﻧﺠﺎم ﮔﺮدﻳﺪ .
بارزسازي تغييرات ايجاد شده ميان كاربري ها، موجب خواهد شد تا اين تغييرات در محيط زيست و منابع طبيعي كمی شده و نقشه سازي شود. در پژوهش حاضر، نقشه هاي پوشش اراضي مربوط به سالهاي 1989 و 2009 با هم و 2009, 2019 نیز با هم وارد مدل ساز تغییرات سرزمین LCM شدند و بارزسازي و تجزيه وتحليل تغييرات روي آنها انجام گرفت و سرانجام نقشه هاي تغييرات و انتقال كاربريها ترسيم شدند تا توزيع مكاني تغييرات كاربري اراضي ميان دوره هاي زماني مورد بررسي ، آشكار شو د. همچنين نقشة روند مكاني كاربري شهري در اين مرحله به دست آمد . در پايان اين مرحله ميزان تغييرات سالانة هر كاربري، به لحاظ درصد افزايش يا كاهش نيز مورد تجزيه وتحليل قرار گرفت. مدلساز تغيير سرزمين، شرايطي را براي كاربر فراهم ميكند كه بتواند پس از ارزيابي تغييرات، به طرح ريزي و مدل سازي تجربي تغييرات كاربريها و پوشش اراضي در آينده بپردازد و تأثير اين تغييرات را کاربری های شهری بررسي كند. نرم افزاري كه براي اين منظور در پژوهش حاضر مورد استفاده قرار گرفت IDRISI است. در اين مرحله با استفاده از زنجيرة ماركف، احتمال تغيير هر كاربري به كاربري ديگر محاسبه شد(Haibo, Y., Longjiang, D., Hengliang G. and Jie Zh., 2011). زنجيرة ماركف، يك نوع مدل فرايند تصادفي است كه بيان ميكند با چه احتمالي ممكن است يك وضعيت به وضعيت و حالت ديگري تغيير يابد. اين مدل يك ابزار توصيفي كليدي دارد و آن ماتريس احتمال انتقالات است (Arsanjani, J.J., Helbich, M., Kainz, W. and Darvishi Boloorani, A., 2013) يك زنجيرة ماركف دنباله اي از متغيرهاي تصادفي X1,X2,X3… است که خاصیت مارکوف را دارند.
Pr(Xn+1= x X1= x1,X2=x2,…,Xn=xn)= Pr(Xn+1=x Xn=xn)
براي بررسي ميزان ارتباط بين متغيرهاي مورد استفاده در مدل (متغیرهای مستقل) و تغييرات طبقات كاربري اراضي (متغير وابسته)، از ضريب همبستگي كرامر استفاده شد. ضريب كرامر عددي ميان صفر و يك است كه هرچه به يك نزديكتر باشد، نشان دهندة ميزان همبستگي بالا بين متغير مستقل و وابسته است . معمولاً متغيرهايي كه داراي ضريب همبستگي بالاتر از 15 درصد باشند، براي ورود به مدل انتخاب ميشوند. درنهايت با توجه به بررسی هاي انجام گرفته در مطالعات پيشين و ضريب كرامر متغيرها، اين سه متغير وارد مدل شدند. پرسپترون چندلايه از يك لاية ورودي، يك لایه مخفي و يك لایه خروجي تشكيل شده است و برخلاف روش هاي آماري ديگر، هيچ گونه مفروضات قبلي از خود دربارة توزيع داده ها ارائه نمي دهد. پرسپترون چندلايه قادر به مدل سازي توابع غيرخطي است و از طريق آموزش ميتواند به هنگام مواجهه با دادههاي جديد، اين مسئله را تعميم دهد.
بحث و یافته ها
ﻧﺘﺎﻳﺞ در اﻳﻦ ﻣﻄﺎﻟﻌﻪ، ﻃﺒﻘﻪﺑﻨﺪي ﺗﺼﺎوﻳﺮ و ﺗﻬﻴﻪ ﻧﻘﺸﻪ ﻛﺎرﺑﺮي اراﺿﻲ، ﺑﻪ روش ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﻛﻮﻫﻮﻧﻦ ﻛﻪ ﻳﻚ روش ﻃﺒﻘﻪﺑﻨﺪي ﻧﻈﺎرت ﺷﺪه اﺳﺖ، اﻧﺠﺎم ﺷﺪ .ﺑﺮاي ﺑﺮرﺳﻲ دﻗﺖ ﻃﺒﻘﻪﺑﻨﺪي ﺗﺼﻮﻳﺮﻫﺎ، ﺑﺎ ﺑﻬﺮهﮔﻴﺮي از ﻧﻤﻮﻧﻪﻫﺎي آزﻣﺎﻳﺸﻲ، ﻧﺴﺒﺖ ﺑﻪ ﻣﺤﺎﺳﺒﻪ دﻗﺖ ﺑﺎ ﺑﻬﺮهﮔﻴﺮي از ﻣﺎﺗﺮﻳﺲ ﺧﻄﺎ و ﻣﺤﺎﺳﺒﻪ ﺷﺎﺧﺺﻫﺎي آﻣﺎري دﻗﺖ ﻛﻞ، ﺿﺮﻳﺐ ﻛﺎﭘﺎ، دﻗﺖ ﺗﻮﻟﻴﺪ ﻛﻨﻨﺪه دﻗﺖ ﺑﻬﺮهﺑﺮدار اﻗﺪام ﺷﺪ ﺟﺪول 2 در این مطالعه پیش بینی وضعیت پنج کلاس کاربري اراضی، شامل: فضای سبز ، مناطق شهری ، کوه ، زمین های بایر و آب در منطقه مورد مطالعه براي سال 2019 بر اساس نقشه هاي کاربري حاصل از طبقه بندي در سالهاي 1989 و 2009 انجام گرفت؛ بدین صورت که در مرحله اول در مدل مارکوف نقشه کاربري سال 1989 به عنوان نقشه قدیمی و نقشه کاربري سال 2019 به عنوان نقشه جدید معرفی و ماتریس احتمال انتقال، ماتریس مساحت انتقال براي 10 سال آینده با خطاي 15% محاسبه گردید. با استفاده از نقشه هاي پوشش زمينِ به دست آمده براي هر دوره، ماتريس تبديل وضعيت كلاس هاي پوشش زمين بين هر دو دوره زماني محاسبه شده است. از نقشه هاي پوشش سال هاي 1989 و 2019 ماتریس احتمال انتقال جدول شماره بدست آمد.
جدول2 دقت طبقه بندی تصویر در سال های 1989، 2009 و 20019
طبقه پوشش | 1993 | 2003 | 2013 | |||
دقت تولید کننده | دقت کاربر | دقت تولید کننده | دقت کاربر | دقت تولید کننده | دقت کاربر | |
پوشش گیاهی | 99 | 96 | 89 | 84.34 | 100 | 99.93 |
شهری | 100 | 100 | 100 | 98 | 97 | 94.36 |
کوه | 100 | 99.03 | 97 | 94.63 | 96 | 95.47 |
زمین باز | 99.8 | 99.42 | 100 | 100 | 99 | 97.85 |
آب | 99 | 97 | 96 | 89.42 | 100 | 100 |
دقت کل% | 98 | 96 | 96 | |||
ضریب کاپا | 97 | 94 | 93 | |||
جدول 3 ماتریس مساحت انتقال پیش ینی شده بر اساس هکتار برای سال 2013 حاصله از MARKOV
Hectares | Legend |
1654.2000000 | Green space |
13429.5300000 | Urban |
39344.3100000 | montain |
11689.5600000 | Bar land |
42365.9700000 | water |
با اتمام این مرحله، عملگر CA-MARKOV در نرم افزار با لحاظ نقشه کاربري سال 2009 به عنوان نقشه پایه و معرفی فایل مساحت انتقال حاصل از قبل اجرا و نقشه کاربري در سال 2019 از مدل پیش بینی شد. پیش بینی پنج کلاس کاربری اراضی شامل: فضای سبز ، مناطق شهری، زمینهای بایر، مناطق کوهستانی و دریا در منطقه مورد مطالعه برای سال 2013 در شکل(5) نشان داده شده است.
شکل5پیش بینی کلاس کاربری های اراضی سال 2019
دراین تحقیق از مدل زنجیره مارکوف جهت پیش بینی روند توسعه ی شهراستفاده می شود.مشخص شد که در طبقه بندی مناطق شهری مدل مارکوف به پیش بینی بیشتری از تبدیل مناطق غیر شهری به مناطق شهری نسبت به واقعیت می پردازد.آشكارسازي تغييرات كاربري اراضي ابزار ي ضروري براي تجزيه و تحليل هاي محيط زيست، برنامه ريزي و مديريت است . در اين تحقيق نقشه هاي پوشش سرزمين سالهاي 1989 و 2019 برای تجزيه و تحليل و آشكارسازي تغييرات منطقه وارد مدل LCM شدند. مدل ساز تغيير سرزمين، ابزاري را در اختيار قرار مي دهد كه به كمك آن مي توان به ارزيابي و مدل سازي تجربي تغييرات كاربر ي اراضي و تأثيرات آن بر زيستگاه گونه ها و تنوع زيستي پرداخت.تجزيه وتحليل و بارزسازي تغييرات طي دورة مورد مطالعه و نتايج و تغییرات پوشش اراضی، بين سال هاي 1989 و 2019 نشان داد كه طي اين مدت:
جدول4 مساحت طبقه بندی مختلف کاربری ها و روند تغییرات آنها
طبقه زمین |
1989
|
درصد |
2009 |
درصد | اختلاف 1993-2001 |
2019 |
درصد | اختلاف 2009-2019 | ||
آب | 514 | 3/19 | 716 | 21.4 | 202 | 1405 | 16.9 | 3335 | ||
زمین بایر | 4838 | 9/42 | 17398 | 39.7 | 12560 | 36497 | 21.4 | 30531 | ||
کوه | 1144 | 5/32
| 4023 | 17.4 | 2879 | 31585 | 18.7 | 118072 | ||
فصای سبز | 36 | 3/5 | 331 | 8.8 | 295 | 1766 | 13.1 | 513 | ||
شهری | 0 | 0 | 1974 | 12.7 | 1974 | 191727 | 29.9 | 0 | ||
| ||||||||||
| ||||||||||
جدول 5 دقت کلی در کاربری های سال 2019
کلاس ها | دقت تولید کننده | دقت کاربر |
Cat 1 | 100% | 99.93% |
Cat 2 | 97% | 94.36% |
Cat 3 | 96% | 95.47% |
Cat 4 | 99% | 97.85% |
Cat 5 | 100% | 100% |
نتیجه گیری
در اﻳﻦ ﻣﻄﺎﻟﻌﻪ از ﻣﺪلﺳﺎز ﺗﻐﻴﻴﺮ ﺳﺮزﻣﻴﻦ (LCM) ﺑﺮاي ﻣﺪلﺳﺎزي ﺗﻐﻴﻴﺮات ﭘﻮﺷﺶ اراﺿـﻲ و ﭘـﻴﺶ ﺑﻴﻨـﻲ رﺷـﺪ و ﺗﻮﺳـﻌﺔ ﺷﻬﺮي در عسلویه اﺳﺘﻔﺎده ﺷﺪ. ﻧﺘﺎﻳﺞ ﭘﮋوﻫﺶ ﻧﺸﺎن داد ﻛﻪ ﺗﻐﻴﻴﺮات اﻧﺠـﺎم ﺷـﺪه روي ﭘﻮﺷـﺶ اراﺿـﻲ ، ﺑﻪ وﻳﮋه ﻛﺎرﺑﺮي ﺷﻬﺮي و ﻣﺴﻜﻮﻧﻲ، ﻃﻲ 30 ﺳﺎل ﮔﺬﺷﺘﻪ ﺑﺴﻴﺎر ﭼﺸﻤﮕﻴﺮ ﺑﻮده اﺳﺖ. در ﻧﺘﺎﻳﺞ ﻣﺸﺎﺑﻬﻲ ﺑﺎ اﻳـﻦ ﻣﻄﺎﻟﻌﻪ،
در ﭘﮋوﻫﺸﻲ ﻛﻪ ﺗﺎﭘﺎ و ﻣﻮراﻳﺎﻣﺎ ﺑﻪ ﻣﻄﺎﻟﻌﺔ رﺷﺪ ﺷﻬﺮي در درة ﻛﺎﺗﻤﺎﻧﺪو ﻧﭙﺎل ﭘﺮداﺧﺘﻨﺪ، ﻧﺸﺎن دادﻧﺪ ﻛﻪ روﻧـﺪ ﺗﻮﺳﻌﺔ ﺷﻬﺮي در ﻣﻨﺎﻃﻖ ﺷﻬﺮي و ﺣﻮﻣﺔ ﺷﻬﺮي ﺑﻲﺳﺎﺑﻘﻪ ﺑﻮده اﺳﺖ و اﻛﻮﺳﻴﺴﺘﻢﻫﺎي ﻃﺒﻴﻌﻲ در ﺗﻤﺎس ﺑﺎ اﻳﻦ ﻣﻨﺎﻃﻖ ﻧﻴـﺰ دﭼﺎر ﺗﻨﺶ و اﺳﺘﺮس ﺷﺪه اﻧﺪ. ﻧﺘﺎﻳﺞ ﺑﻪ دﺳﺖ آﻣﺪه در اﻳﻦ ﻣﻄﺎﻟﻌﻪ ﻧﺸﺎن داد ﻃﻲ 30 ﺳﺎل ﮔﺬﺷﺘﻪ، 1633 ﻫﻜﺘﺎر ﺑﻪ وﺳـﻌﺖ ﻣﻨـﺎﻃﻖ ﺷـﻬﺮي و ﻣﺴﻜﻮﻧﻲ ﺷﻬﺮعسلویه در سال 2019 اﻓﺰوده ﺷﺪه اﺳﺖ ﻛﻪ ﺳﻬﻢ اراﺿﻲ ﻣﺮﺗﻌﻲ و ﻛﺸﺎورزي ﻣﺮﻏﻮب در اﻳﻦ اﻓﺰاﻳﺶ و ﺗﻮﺳﻌﺔ ﻣﻨﺎﻃﻖ ﺷﻬﺮي ﻧﺴﺒﺖ ﺑﻪ ﺷﻮره زارﻫﺎ ﺑﺴﻴﺎر زﻳﺎد ﺑﻮده اﺳﺖ، ﺑﻬﺮهﺑﺮداري اﺻﻮﻟﯽ از ﻣﻨﺎﺑﻊ ﻃﺒﯿﻌﯽ ﻧﯿﺎز ﺑﻪ اﻟﮕﻮﻫﺎ و ﻣﺪلﻫﺎي ﻣﻨﻄﻘﻪ دارد، ﺗﺎ ﺿﻤﻦ رﻋﺎﯾﺖ دﺳﺘﻮراﻟﻌﻤﻞﻫﺎي ﻣﺪلﻫﺎي اﮐﻮﻟﻮژﯾﮏ، ﺑﻬﺮهﺑﺮداري ﭘﺎﯾﺪار ﻧﯿﺰ ﻣﺪ ﻧﻈﺮ ﻗﺮار ﮔﯿﺮد. ﺑﯽﮔﻤﺎن ﺑﺪون ﺑﻬﺮهﮔﯿﺮي از ﻓﻨﺎوريﻫﺎي ﻧﻮﯾﻦ ﻣﻄﺎﻟﻌﺎت ﻣﺤﯿﻄﯽ ﺑﺮآورد دﻗﯿﻖ، ﺻﺤﯿﺢ، ﺳﺮﯾﻊ و اﻗﺘﺼﺎدي اﯾﻦ ﺗﻐﯿﯿﺮات ﻏﯿﺮﻣﻤﮑﻦ اﺳﺖ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺑﺮرﺳﯽﻫﺎي اﻧﺠﺎم ﮔﺮﻓﺘﻪ ﺑﺮ روي ﻣﻄﺎﻟﻌﺎت ﭘﯿﺸﯿﻦ و ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﻣﻄﺎﻟﻌﻪ ﺣﺎﺿﺮ ﻣﯽﺗﻮان اﯾﻦ ﮔﻮﻧﻪ ﺑﯿﺎن ﮐﺮد ﮐﻪ ﺑﻪ دﻟﯿﻞ اﺷﺮاف ﮐﻠﯽ ﺗﺼﺎوﯾﺮ ﻣﺎﻫﻮارهاي ﺑﺮ ﭘﺪﯾﺪهﻫﺎ و ﻣﻨﺎﺑﻊ زﻣﯿﻦ، اﺳﺘﻔﺎده از آنﻫﺎ در ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞﻫﺎي ﻣﮑﺎﻧﯽ و زﻣﺎﻧﯽ ﻧﻘﺶ ﻋﻤﺪهاي ﺑﺎزي ﻣﯽﮐﻨﺪ. ﻫﻤﭽﻨﯿﻦ ﭘﮋوﻫﺶ ﺣﺎﺿﺮ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﻣﻄﺎﻟﻌﺎت ﭘﯿﺸﯿﻦ ﻣﺎﻧﻨﺪ ﻣﻄﺎﻟﻌﻪ ﭼﺎﻧﮓ ﭼﻨﮓ و ﭼﺎﻧﮓ ﺟﻮﯾﯽ در ﺳﺎل 2006 ﮐﻪ ﻫﺮ دوره زﻣﺎﻧﯽ را 3 ﺳﺎﻟﻪ در ﻧﻈﺮ ﮔﺮﻓﺘﻪاﻧﺪ، روﻧﺪ ﻣﻌﺘﺒﺮﺗﺮي را در ﭘﯿﺶ ﮔﺮﻓﺘﻪ اﺳﺖ زﯾﺮا دورهﻫﺎي زﻣﺎﻧﯽ اﯾﻦ ﻣﻄﺎﻟﻌﻪ 10 ﺳﺎﻟﻪ ﺑﻮده و اﯾﻦ دوره زﻣﺎﻧﯽ ﺑﺮاي ﭘﺎﯾﺶ ﺗﻐﯿﯿﺮات و ﭘﯿﺶﺑﯿﻨﯽ ﺑﺮ ﻣﺒﻨﺎي آن ﺑﺴﯿﺎر ﻣﻨﻄﻘﯽﺗﺮ اﺳﺖ. در اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺘﺎﯾﺞ دوره اول، ﺗﻐﯿﯿﺮات ﺧﺎﻟﺺ ﮐﺎﻫﺶ ﻣﺴﺎﺣﺖ در ﻧﻮاﺣﯽ ﺟﻨﮕﻞ، اراﺿﯽ ﺑﺪﻟﻨﺪ و رودﺧﺎﻧﻪ و ﺗﻐﯿﯿﺮات ﺧﺎﻟﺺ اﻓﺰاﯾﺶ ﻣﺴﺎﺣﺖ در ﻧﻮاﺣﯽ ﻣﺮﺗﻊ، ﮐﺸﺎورزي دﯾﻢ و ﮐﺸﺎورزي است. ﻓﺮاﯾﻨﺪ آﺷﮑﺎرﺳﺎزي ﺗﻐﯿﯿﺮات از ﻣﺮاﺣﻞ ﻣﺨﺘﻠﻔﯽ ﺗﺸﮑﯿﻞ ﺷﺪه اﺳﺖ و ﺟﻬﺖ دﺳﺘﯿﺎﺑﯽ ﺑﻪ ﻧﺘﺎﯾﺞ ﺻﺤﯿﺢ و ﻧﺰدﯾﮏ ﺑـه واﻗﻌﯿﺖ، ﻻزم اﺳﺖ ﻫﺮ ﯾﮏ از ﻣﺮاﺣﻞ ﺑﻪ ﺧﻮﺑﯽ و ﺑﺎ دﻗﺖ ﭘﯿﺎده ﺳﺎزي ﮔﺮدﻧﺪ. ﻧﺨﺴﺘﯿﻦ ﻣﺮﺣﻠﻪ، ﭘﯿﺶ ﭘـﺮدازش داده ﻫﺎي ﺧﺎم ﺟﻬﺖ آﻣﺎده ﺳﺎزي آﻧﻬﺎ در ورود ﺑﻪ اﻟﮕﻮرﯾﺘﻢ ﻫﺎي ﺗﺸﺨﯿﺺ ﺗﻐﯿﯿﺮات ﻣﯽ ﺑﺎﺷﺪ. در ﻣﺮﺣﻠـﻪ ﺑﻌـﺪ ﺗﺼـﺎﯾﺮ ﺑﺎ روش ﻫﺎي ﻣﺨﺘﻠﻒ طﺑﻘﻪ ﺑﻨﺪي ﮔﺮدﯾﺪﻧﺪ. در ﻣﺮﺣﻠﻪ ﺑﻌﺪ دﻗﺖ ﻫﺮ ﻣﺪل ﻣـﻮرد ﺑﺮرﺳـﯽ ﻗـﺮار ﮔﺮﻓـﺖ و در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﺗﺼﺎوﯾﺮ مورد ﻧﻈﺮ وارد ﻣﺪﻟﻬﺎي ﮐﺸﻒ ﺗﻐﯿﯿﺮات ﮔﺮدﯾﺪ. و ﺳﭙﺲ ﺑﺮاي ﺳﺎل ﻫﺎي آﯾﻨﺪه ﻧﻘﺸﻪ ﮐﺎرﺑﺮي اراﺿـﯽ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺪ. ﺗﻌﯿﯿﺮات ﮐﺎرﺑﺮي اراﺿﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﺮ روي ﻋﻮاﻣﻞ ﻣﺘﻌﺪدي ﺗـﺎﺛﯿﺮ ﮔـﺬار ﺑﺎﺷـﺪ. اﯾـﻦ ﺗـﺎﺛﯿﺮات ﻫـﻢ ﻣﯿﺘﻮاﻧﺪ ﺟﻨﺒﻪ ﻣﺜﺒﺖ داﺷﺘﻪ ﺑﺎﺷﺪ ﻫﻢ ﺟﻨﺒﻪ ﻣﻨﻔﯽ. ﺟﻨﺒﻪ ﻣﺜﺒﺖ از اﯾﻦ ﺧﺎﻃﺮ ﮐﻪ ﺻﻨﻌﺘﯽ ﺷﺪن ﻣﻨﻄﻘﻪ ﻣﯽ ﺗﻮاﻧـﺪ ﺑﺎﻋـﺚ رﺷﺪ اﻗﺘﺼﺎدي و اﺳﺘﻔﺎده ﺑﻬﯿﻨﻪ از ذﺧﺎﯾﺮ ﻧﻔﺘﯽ و ﮔﺎزي ﮐﺸﻮر داﺷﺘﻪ ﺑﺎﺷﺪ و از ﺟﻨﺒﻪ ﻣﻨﻔﯽ ﻣﯿﺘﻮان ﺑﻪ از ﺑـﯿﻦ رﻓـﺘﻦ ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ و ﮐﺎﻫﺶ و از ﺑﯿﻦ رﻓﺘﻦ روﻧﻖ ﮐﺸﺎورزي ﻣﻨﻄﻘﻪ و ﻧﯿﺰ آﻟﻮدﮔﯽ ﻣﺤﯿﻂ زﯾﺴﺖ و ﺗﻐﯿﯿﺮ اﮐﻨﻮﻣﯽ ﻣﻨﻄﻘﻪ و آﺳﯿﺐ رﺳﯿﺪن ﺑﻪ آﺑﺰﯾﺎن درﯾﺎي ﺧﻠﯿﺞ ﻓﺎرس و ... اﺷﺎره ﮐﺮد. ﻫﺮﭼﻨﺪ ﮐﻪ ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه در ﺳـ ﺎل ﻫـﺎي ﺑـﯿﻦ 1989 ﺗﺎ 2009 ﻧﺸﺎن از ﭘﯿﺸﺮﻓﺖ ﺻﻨﻌﺖ و ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ ﻣﻨﻄﻘﻪ در ﮐﻨﺎر ﯾﮑﺪﯾﮕﺮ ﺑﻮد وﻟﯽ در بازه زمانی ﺑﻌﺪي ﯾﻌﻨﯽ ﺳﺎل ﻫﺎي 2009 ﺗﺎ 2019 ﺗﻨﻬﺎ ﻣﻨﺎﻃﻖ ﺻﻨﻌﺘﯽ رﺷﺪ ﮐﺮده و ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ ﻣﻨﻄﻘﻪ ﺗﻘﺮﯾﺒـﺎ ﺑﻄـﻮر ﮐﺎﻣﻞ از ﺑﯿﻦ رﻓﺘﻪ اﺳﺖ . ﻋﻼوه ﺑﺮ اﯾﻦ اﺳﺘﺤﺼﺎل زﻣﯿﻦ از درﯾﺎ و ﺗﺒﺪﯾﻞ آن ﺑﻪ ﻣﻨـﺎﻃﻖ ﺧـﺎﮐﯽ ﺟﻬـﺖ اﺳـﺘﻔﺎده در ﺑﺨﺶ ﺻﻨﻌﺘﯽ ﺑﺎﻋﺚ آﻟﻮدﮔﯽ ﺑﯿﺶ از ﺣﺪ آب ﻫﺎ و از ﺑﯿﻦ رﻓﺘﻦ ﻣﺎﻫﯿﮕﺮي در ﺳﻄﺢ ﻣﻨﻄﻘﻪ ﺷﺪه اﺳﺖ ﻋﻼوه ﺑﺮ اﯾﻦ ﮐﻪ ﺻﻨﻌﺘﯽ ﺷﺪن ﻣﻨﻄﻘﻪ ﺑﺎﻋﺚ ﮔﺮم ﺷﺪن ﻫﻮاي ﻣﻨﻄﻘﻪ و آﻟﻮدﮔﯽ ﻫﻮا ﺷﺪه اﺳﺖ و ﺑﻪ دﻧﺒﺎل آن اﻣﺮاض و ﻣﺸﮑﻼت ﻓﺮاواﻧﯽ را ﺑﺮاي ﺳﺎﮐﻨﯿﻦ ﻣﻨﻄﻘﻪ ﺑﻪ ﻫﻤﺮاه داﺷﺘﻪ اﺳﺖ، و اﮔﺮ ﻫﻤﺎن روﻧـﺪ ﺗﻐﯿﯿﺮات ﮐﺎرﺑﺮي اراﺿﯽ ﮐﻪ در ﺳﺎل ﻫﺎي ﻗﺒﻞ ﺑﻮده اﺳﺖ، اداﻣﻪ ﭘﯿﺪا ﮐﻨﺪ ﻣـﺎ در ﺳـﺎلهای آتی ﺷـﺎﻫﺪ اﻓـﺰاﯾﺶ اﯾـﻦ ﺗﺎﺛﯿﺮات ﻣﻨﻔﯽ ﺧﻮاﻫﯿﻢ ﺑﻮد. . افزایش سطح توقعات و مسائل اقتصادی به ویژه در دهۀ اخیر از یک سمت و وابستگی اهالی منطقه به امور کشاورزی از طرف دیگر موجب تقاضای بیشتر برای کسب درآمد و تغییر کاربریها به سمت کاربری کشاورزی شده است. تغییر روند تغییرات کاربری ها و به خصوص بی ثباتی روند مدیریتی موجود ممکن است فرایند تحلیل زنجیرۀ مارکوف را تحت تأثیر قرار دهد. با تأ کید بر اینکه اغلب هدف پیش بینی تغيير كاربري، ارزيابي پيامدهاي سناريوهاي مختلف به ويژه ادامة روند موجود است؛ نتايج اين پیش بینی به رغم اختلاف نسبت به آنچه در آينده اتفاق خواهد افتاد، مي تواند هشداري براي وضعيت كاربري ها در آينده باشد. نتایج حاصل از این مطالعه به طور کلی نشان دهنده افزایش سطح زراعت آبی و همچنین، توسعه شهر عسلویه است که بر اثر از بین رفتن اراضی بایری و اراضی باغ حاصل شده است. همانطور که مشخص است، اگر راهبرد فعلی استفاده از زمین در این منطقه در جهت کاهش اراضی طبیعی و افزایش اراضی شهري بدون توجه به ملاحظات توسعه پایدار تا سال 2030 ادامه داشته باشد، مشکلات زیست- محیطی مهمی، از جمله تخریب بایر منطقه، کاهش تولید محصولات کشاورزي عمده منطقه کاهش حاصلخیزی و افزایش اراضی بیابانی را موجب میگردد که تهدیدي جدي براي اکوسیستم منطقه در آینده خواهد بود. همچنین، اقتصاد منطقه که بر مبناي تولیدات کشاورزي و دامی قرار دارد، با وضعیت بهره وري کنونی در سال 2030 با تهدید جدي روبه رو خواهد شد. بنابراین، تحقیق حاضر استفاده از نقشه هاي حاصله را براي شناسایی مناطق حساس، به منظور برنامه ریزي و مدیریت بهتر به دستگاه هاي اجرایی توصیه مینماید. با توجه به اینکه در بیشتر مدل های پیش بینی اساس بر ثابت بودن روابط متقابل تغییرات و علت های آن در طول زمان است ولی فرآیندهای تغییرات استفاده از زمین پویا هستند، از اینرو اینگونه مدل سازی ها باید برای دوره های کوتاه مدت (10 - 5 سال) اجرا شوند.
منابع
احدنژاد روشتی،محسن؛ زلفی،علی؛ شکری پور،حسین؛ (1390) ، ارزیابی و پیش بینی گسترش فیزیکی شهرها با استفاده از تصاویر ماهواره ای چند زمانه و سیستم اطلاعات جغرافیایی )مطالعه موردی شهر اردبیل 1400 - 1363 (، فصلنامه آمایش محیط، شماره 10715 ، 15107 - 124 .
ا لمدرسی،سیدعلی؛ مفیدی فر، مهدی؛ ملکزاده بافقی، شاهرخ ؛ (1393) ، بررسی کارایی مدل زنجیره ای مارکوف در برآورد تغییرات کاربری اراضی و پوشش زمین با استفاده از تصاویر ماهواره ای LANDSAT ، نخستین همایش ملی کاربرد مدلهای پیشرفته تحلیل فضایی )سنجش از دور و GIS ( در آمایش سرزمین، صفحه10.
خان محمدی،ناصر؛ (1397) . مدلسازی تغییرات اراصی کاربری با استفاده از مدلساز تغییر زمین LCM شهرستان نکا. فصلنامه اکوسسیستم های طبیعی ایران سال نهم شماره اول پیاپی 31 بهار 97 صفحات 53-69.
دژکام، بهمن؛ جباریان امیری، سیدصادق؛ درویش صفت،علی اصغر؛ (1394)، پیش بینی تغییرات کاربری و پوشش زمین در شهرستان رشت با استفاده از مدل سلو لهای خودکار و زنجیره مارکوف، پژوهشهای محیط زیست، 6، 11 ، 193 -.204
رمضانی،رضا؛ جعفری،نفسیه؛(1393) ، آشکارسازی تغییرات کاربری و پوشش اراضی در افق 1404 با استفاده از مدل زنجیره ای CA مارکوف (مطالعه موردی: اسفراین)،فصلنامه تحقیقات جغرافیایی، 29 ، 4، 115 .
علي محمدي،شايان؛ موسيوند،احمد؛ جعفری،عباس؛ (1389) ، پیش بینی تغييرات كاربري اراضي و پوشش زمين با استفاده از تصاوير ماهواره اي و مدل زنجير هاي ماركوف، فصلنامه مدرس علوم انسانی، 14 ، 3،.130-117
غلامعلی فرد، مهدی؛میرزایی،محسن؛ جورابیان شوشتری،شریف؛(1393)، مدلسازي تغييرات پوشش اراضي با استفاده از شبكه عصبي مصنوعي و زنجير ة ماركوف (مطالعة موردي: سواحل مياني استان بوشهر)، نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5، 1، 65 - 79 .
کریمی،کامران؛چوقی، بایرام؛ (1394) ،پایش، ارزیابی و پیش بینی روند تغییرات مکانی کاربری اراضی/پوشش زمین با استفاده از مدل زنجیره ای مارکوف (مطالعه موردی: دشت بسطاق- خراسان جنوبی)، نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6، 2، 75 - 88 .
نشاط، عبدالمجید؛ (1381) ، تجزیه وتحلیل و ارزیابی تغییرات کاربری و پوشش زمین با استفاده از داده های سنجش ازدور و سامانه های -اطلاعات جغرافیایی در استان گلستان. ، پایان نامه کارشناسی ارشد رشته سنجش ازدور و GIS ، دانشگاه تربیت مدرس.
عفیفی،محمد ابراهیم-رهنما وحیدرضا. (1396). بررسی روند تغییرات کاربری اراضی شهر عسلویه و پیش بینی تغییرات با استفاده از سنجش از دور و مدل های lcm-ca-markov پایان نامه ی کارشناسی ارشد دانشگاه آزاد لارستان.
Ahmed, Bayes, Ahmed, Raquib, )2012(, Modeling Urban Land Cover Growth Dynamics Using Multi-Temporal Satellite Images: A Case Study of Dhaka, Bangladesh, International Journal of Geo-Information 1, 3-31.
Al-Ahmadi, Feysal, Hames, Abbas. (2009), Comparison of four classification methods to extract land use and land cover from raw satellite images for some remote arid areas, kingdom of Saudi Arabia., Earth, 20, 1, 167-191.
Amiraslani, Farshad, Dragovich, Deirdre, (2011), combating desertification in Iran over the last 50 years: An overview of changing approaches, Journal of Environmental Management, 92, 1-13.
Bell, Edward, )1974(, Markov analysis of land use change - an application of stochastic processes to remotely sensed data, Socio-Economic Planning Sciences, 8, 6, 311-316.
Brown, Donald, Pijanowski, Bob, Duh, Jane, (2000), Modeling the relationships between land use and land cover on private lands in the Upper Midwest, USA. Journal of Environmental Management, 59, 4, 247-263.
Congalton, Richard. (1991), A review of assessing the accuracy of classifications of remotely sensed data, Rentote Sensing of Environment, 37, 35-46.
Dontree, Sarah, (2003), Land use dynamics from multitemporal remotely sensed data - a case study Northern Thailand. Paper (no AD 091) presented at Map Asia, Malaysia.
Gilks, Wegner, Richardson, Suzy, Spiegelhalter, Jack., (1996), introducing markov chain montecarlo. Markov chain Monte Carlo in practice, 1: 19- 44.
Gross, Jack, Goetz, Sany, Cihlar, Judy., (2009), Application of remote sensing to parks and protected area monitoring: Introduction to the special issue, Remote Sensing of Environment, 113, 7, 1343-1345.
Hathout, Sarah., (2002), The use of GIS for monitoring and predicting urban growth in East and West St Paul, Winnipeg, Manitoba, Canada. Journal of Environmental Management, 66, 3, 229-238.
Jenerette, Goerg, Darrel, Watson, , )2001(, Analysis and simulation of land use change in the central Arizona-Phonix region, USA.Landscape ecology,16, 611-626.
Kamusoko, Courage, Aniya, Masamu, )2009(, rural sustainability under threat in Zimbabwe – Simulation of future land use/cover changes in the Bindura district based on the Markov-cellular automata model, Applied Geography, 29, 3, 435-447.
Lambin, Fred, )2008(, Land-use and landcover change: local processes and global impacts. Springer Science & Business Media, New York.
Mas, López.(2004), modelling deforestation using GIS and artificial neural networks, Environmental Modeling & Software, 19: 461–471.
Jean-François, Martin (2014), Inductive pattern-based land use/cover change models, A comparison of four software packages, Environmental Modelling & Software, 51, 94-111.
Mitsova, Wang, (2011), A cellular automata model of land cover change to integrate urban growth with open space conservation, Landscape and Urban Planning, 99, 2, 141-153.
Muller, Middleton. (1994), A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada, Landscape Ecology, 9, 151- 157.
Nazarisamani, Ahmad. (2010), Assessment of changes in land use in the Taleghan watershed basin in the period from 1987 to 2001, Academic Journal of Range Management Research, 4, 3, 451-442.
Ozesmi, Bauer, (2002), Satellite remote sensing of wetlands, Wetlands Ecology and Management, 10, 381-402.
Piquer-Rodríguez, Maria, Alcaraz-Segura, Raul, (2012), Future land use effects on the connectivity of protected area networks in southeastern Spain, Journal for Nature Conservation, 20 (6), 326-336.
Richards, John (2006) , Remote Sensing Digital Image Analysis: An Introduction, 4th Edition, and Springer.
Sohl, Peter (2013), Clarity versus complexity: Land-use modeling as a practical tool for decision-makers, Journal of Environmental Management, 129, 235-243.
Upadhyay,Solberg, Birger,Sankhayan, (2006), Use of odelsmodels to analyseanalyses land-use changes, forest/soil degradation and carbon sequestration with special reference to Himalayan region: A review and analysis, Forest Policy and Economics, 9, 4, 349-371.
Wang, Shi Qing, Zheng, Xizinqi, (2012), Accuracy assessments of land use change simulation based on Markov-cellular automata model, Procedia Environmental Sciences, 13, 1238-1245.
Weng, Zheng., (2002), Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling, Journal of Environmental Management, 64, 3, 273-284.
Whitford, Walter, Malekian, Arash, (2008), Ecology of desert systems, Tehran: University of Tehran. , P. 340.
Wu, Qiong, Wang, Zhen, (2006), Monitoring and predicting land use change in Beijing using remote sensing and GIS, Landscape and Urban Planning, 78 , 322–333.
Abstract
Land use change has acted as a pivotal factor in environmental change and has become a global threat. Reviewing these changes through satellite imagery and predicting and evaluating their potential through modeling can help environmental planners and natural resource managers to make informed decisions. The purpose of this study was to review, model, and predict land use changes in the 30-year period of 1993-2013 by the Markow-LCM chain model in Kangan and Assaluyeh. For this purpose, land use maps were prepared using ETM +, TM and OLI satellite imagery in three periods of 1993, 2003, and 2013. Then verifying the maps and detecting the changes. Using the classification of the neural network and applying the Land Change Modeler (LCM Markov model) and the Land Use Change Modeling Approach have been implemented. The results of detection of changes in the first period with a kappa coefficient of 97% and the second period of 1993-2003 with a kappa coefficient of 94% indicate that the largest changes in the area in the water area and the largest decrease in the area in the vegetation area occurred. In order to calibrate the Markov chain model, the 2013 map was predicted and the error mapping matrix of the 2013 map reference model and mapping utilization yielded a copper coefficient of 93%. The results of modeling the transfer force using the artificial neural network in most of the sub-models The high accuracy was 60-93%.
KEYWORDS:: Discovering Changes - Remote Sensing - Neural Network - LCM – Assaluyeh - Land use
[1] ,. Kamusoko
[2] ,. Mas
[3] Sohl and Claggett
[4] Ani and Dragovich
[5] Amirasl