Modeling land cover changes in Golestan province using land change modeler (LCM)

Subject Areas : Geospatial systems development

Fatemeh Salarian ¹ , Mohammadreza Tatian ² , Abdolazim Ghanghermeh ³ , Reza Tamartash ⁴

1 - PhD. Student of Rangeland Science, Faculty of Natural Resources, Sari University of Agriculture and Natural Resources, Sari, Iran
2 - Associate Professor, Department of Range Management, Faculty of Natural Resources, Sari University of Agriculture and Natural Resources, Sari, Iran
3 - Assistant Professor, Department of Geography, Faculty of Humanities, Golestan University, Gorgan, Iran
4 - Associate Professor, Department of Range Management, Faculty of Natural Resources, Sari University of Agriculture and Natural Resources, Sari, Iran

Received: 2021-02-07 Accepted : 2021-04-19 Published : 2021-12-22

Keywords: Golestan province, Land change modeler (LCM), Markov chain, land use, Modeling,

Abstract :

Background and Objective In recent decades, land use change due to environmental and human factors has caused serious effects on the environment and the economy in Golestan province. On the other hand, wide rangelands and natural areas have been cultivated without observing ecological and scientific principles or have been exploited for special purposes and changing to other uses, while many of these lands are do not have the potential to become new land uses and they have a high potential for erosion, as a result of which we will see soil erosion, especially in sloping lands and the creation of destroyer floods. Therefore, it is necessary and essential to be aware of the type and manner of use and its possible changes over time, which will be important for planning and policy-making in the country. The aim of this study was to detection the land use changes in Golestan province during the years 1986 to 2019 and to predict the land use status of the region for 2050 using the Land Change Modeling (LCM) approach.Materials and Methods In order to monitor the trend of land use changes in the study area, Landsat 5 and 8 satellites (TM and OLI sensors for 1986, 2001, and 2019) were used. Interpretation and processing of satellite data were performed in ENVI software. The necessary pre-processing was performed on the images. First, the images were mosaic together and then cut according to the province boundary. In order to identify and separate the phenomena from each other, a false color image was created. Then, the supervised classification method with the maximum likelihood method was used. At this stage, five classes, including rangeland, agriculture, forestry, residential, and water areas were defined. Land use maps for 1986, 2001, and 2019 were prepared. Integration of land cover maps related to 1986, 2001, and 2019 was used as input of LCM model and digital elevation model (DEM) maps and road and stream layers to analyze area changes and prediction of land use changes of 2050. After the necessary analyzes in order to detect land use changes between the intended time periods, change maps and land use transfers were prepared. Finally, the amount of decrease and increase in each land use, the amount of net changes, the net change from other land uses to the desired class, areas without change and transfer from each land use to another land in different land cover classes in the form of maps and charts were prepared and analyzed.Results and Discussion The aim of this study was prediction and modeling of land use changes in a period of 33-years in Golestan province. According to the results during this period, the area of ​​the rangelands has decreased a lot, equivalent to 181181.25 hectares. Much of the decline in rangelands is due to its conversion into agricultural, which can be attributed to population growth and the need to expand crop land. The area of ​​forest lands during the mentioned years has decreased from 393018.75 to 349143.75 hectares in 2019, which has shown a decrease of 43875 hectares (2.2%). In general, the destruction of rangeland and forest areas is especially visible in developing countries due to population growth, technological growth and non-compliance with ecological principles and law enforcement. Also, the results of classified maps during the mentioned years show that the highest amount of changes in the region is related to agricultural lands, has increased to 173700 hectares equal to 8.5 % during the same period. The rate of land use changes related to the residential land class has also increased with the increasing trend from 18731.25 hectares in 1986 to 37518.75 hectares in 2019, which has increased by 18787.50 hectares (0.9%) during this period. Rapid growth of population has led to the development of residential and urban areas and the increase in this type of land use with a relatively steep slope, especially in recent years, which can be part of the government's plans for housing construction in the surrounding areas cities. This increase in the class of agricultural lands is more noticeable, especially in the central and eastern regions of the province, and can be a warning alarm for the future. It means that in an imperceptible trend, rangeland and forest lands become rainfed agricultural lands and after a while unprincipled exploitation, eventually become barren and unusable land. On the other hand, this could indicate an increase in population and demand for housing, and consequently securance of the needs of the residents of the region is a threat to rangeland lands which is necessary instead of increasing the agricultural and residential lands and turning rangeland lands into such land uses, the policy of increasing productivity in the agricultural sector should be pursued. About of water areas, it can be said that during this period, it has increased by 1.6% or 3268.75 hectares. This increase in water areas can be partly attributed to heavy rainfall and water intake and even floods in different parts of the province in 2019. Predicting the rate of land use change in 2050 indicates that in the coming years, the area of ​​rangelands and forests will be reduced by 131906.25 and 291600 hectares, respectively, and in contrast to the area of ​​agricultural land and residential areas will increase to 164137.50 and 25313.25 hectares, respectively. Therefore, the adoption of necessary measures and policies to further reduce forest and rangeland will be inevitable.Conclusion Understanding of the conditions of different land uses during the coming periods will facilitate planning for the future by creating information in terms of their spatial distribution pattern, but maintaining and creating sustainable conditions for the future both statistically and it is ecologically one of its limitations. These constraints play an important role in the safe use of different land uses in the planning process. Therefore, creating sustainable conditions in the region and modeling it in order to use the natural resources of a region regularly and sustainably is one of the preconditions for achieving upstream visions and documents, including the sustainable development plan.

References:

Abbas I, Muazu K, Ukoje J. 2010. Mapping land use-land cover and change detection in Kafur local government, Katsina, Nigeria (1995-2008) using remote sensing and GIS. Research Journal of Environmental and Earth Sciences, 2(1): 6-12.

Afifi M E. 2020. Modeling Land use changes using Markov chain model and LCM model. Journal of Applied Researches in Geographical Sciences, 20 (56):141-158. doi:http://doi.org/10.29252/jgs.20.56.141. (In Persian).

Bakr N, Weindorf D C, Bahnassy M H, Marei S M, El-Badawi M M. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography, 30(4):592-605. doi:http://doi.org/10.1016/j.apgeog.2009.10.008.

Battsengel V, Tsolmon D, Byambakhuu G, Myagmartseren P, Otgonbayar L, Falin W. 2020. Spatiotemporal monitoring and prediction of land use/land cover changes using CA-Markov chain model: a case study in Orkhon Province, Mongolia. Proc. SPIE 11535, Remote Sensing Technologies and Applications in Urban Environments V, 115350E (20 September 2020). https://doi.org/10.1117/12.2574032.

Eastman J R. 2006. IDRISI Andes. Guide to GIS and Image Processing, Clark Labs, Clark University,
Worcester, MA.

Eastman J R. 2009. Idrisi taiga manual. Clark Lab. Clark University. Worcester, USA.333 p.

Eastman J R. 2014. Idrisi TerrSet 18.00. Clark University, Worcester, MA, USA. 392 p.

Fang S, George Z, Gertnera  G Z, Sun Z, Andersonc A. 2005. The Impact of Interactions in Spatial Simulation of the Dynamics of Urban Sprawl, Landscape and Urban Planning, 73: 294–306. doi:http://dx.doi.org/10.1016/j.landurbplan.2004.08.006.

Farajollahi A, Asgari H, Ownagh M, Mahboubi M, Salman Mahini A. 2015. Monitoring and prediction of spatial and temporal changes of landuse/ cover (Case study: Marave Tappeh region, Golestan). Journal of RS and GIS for Natural Resources, 6(4), 1-14. (In Persian). http://girs.iaubushehr.ac.ir/article_518869.html?lang=en.

Fathollahi roudbary  S, Nasirahmadi K, khanmohamadi M. 2018. land use change modeling using LCM module (Case study: NEKA region). Journal of Natural Ecosystem of Iran, 9(1): 53-69. http://neijournal.iaunour.ac.ir/article_544280_8c028323a531b13ee04e4dd4d45ae804.pdf. (In Persian).

Gholamalifard M, Mirzayi M, Joorabian Shooshtari S. 2014. Land use change modeling using artificial neural network and markov chain (Case study: Middle Coastal of Bushehr province). Journal of RS and GIS for Natural Resources, 5(1), 61-74. (In Persian). http://girs.iaubushehr.ac.ir/article_516599.html?lang=en.

Haibo Y, Longjiang D, Hengliang G, Jie Z. 2011. Tai'an land use Analysis and Prediction Based on RS and Markov Model. Procedia Environmental Sciences, 10:2625- 2610. doi:http://dx.doi.org/10.1016/j.proenv.2011.09.408.

Hasan S, Shi  W, Zhu  X, Abbas  S, Khan  H U A. 2020. Future Simulation of Land Use Changes in  Rapidly  Urbanizing South China Based on Land Change Modeler and Remote Sensing Data. Sustainability, 12(11): 1-24. doi: http://dx.doi.org/10.3390/su12114350.

Jokar Arsanjani  J, Kainz W, Mousivand A. 2011. Tracking Dynamic Land Use Change Using Spatially Explicit Markov Chain Based on Cellular Automata: the Case of Tehran. International Journal of Image and Data Fusion, 2: 329-345. doi:https://doi.org/10.1080/19479832.2011.605397.

Kalnay E. Cai M. 2003. Impact of urbanization and land-use change on climate. Nature, 423(6939): 528- 531. doi:http://dx.doi.org/10.1038/nature01675.

Kindu M, Schneider T, Teketay D, Knoke T. 2016. Changes of ecosystem service values in response to land use/land cover dynamics in Munessa–Shashemene landscape of the Ethiopian highlands. Science of The Total Environment, 547: 137-147. doi:http://dx.doi.org/10.1016/j.scitotenv.2015.12.127.

Lu D, Weng Q. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 5: 823–870. doi:http://dx.doi.org/10.1080/01431160600746456.

Martínez  M L, Pérez-Maqueo O, Vázquez G, Castillo-Campos G, García-Franco J, Mehltreter K, Landgrave R. 2009. Effects of land use change on biodiversity and ecosystem services in tropical montane cloud forests of Mexico. Forest Ecology and Management, 258(9): 1856-1863. doi:http://dx.doi.org/10.1016/j.foreco.2009.02.023.

Mishra V, Rai P, Mohan K. 2014. Prediction of land use changes based on land change modeler (LCM) using remote sensing: A case study of Muzaffarpur (Bihar), India. Journal of the Geographical Institute "Jovan Cvijic", SASA, 64(1): 111–127. doi:http://dx.doi.org/10.2298/IJGI1401111M.

Mir Alizadehfard S, Alibakhshi S. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Journal of RS and GIS for Natural Resources, 7(2), 33-46. (In Persian). http://girs.iaubushehr.ac.ir/article_524153.html?lang=en

Mosaedi A, Sharifan H, Shahabi M. 2007. Risk Management by identification of microclimates in Golestan province. Applied research report, Iran Meteorological Organization, 171 p. (In Persian).

Nazari Samani A, Ghorbani M, Kohbanani H R. 2010. Landuse changes in taleghan watershed from 1987 to 2010. Rangeland, 4(3): 442-451. (In Persian).

Onate-vadiieso F, sendra J B. 2010. Aplication of GIS and Remote sensing technequs in generation of landuse scenario for hidrological modeling. Journal of Hydrology, 395 (4): 256-264. doi:https://doi.org/10.1016/j.jhydrol.2010.10.033.

Parker D C, Manson S M, Janssen M A, Hoffmann M J, Deadman M J. 2003. Multi agent systems for the simulation of land use and land cover change: A Review, Annals of the Association of American Geographers, 93(2): 314–337. doi:https://doi.org/10.1111/1467-8306.9302004.

Sari, F. 2020. Assessment of land use change effects on future beekeeping suitability via CA-Markov prediction model, Journal of Apicultural Science, 64(2): 263-276. doi:https://doi.org/10.2478/jas-2020-0020.

Szumacher I, Pabjanek P. 2017. Temporal changes in ecosystem services in european cities in the continental Biogeographical region in the period from 1990–2012. Sustainability, 9(4): 665. doi:http://dx.doi.org/10.3390/su9040665.

Vaclavik T, Rogan J. 2010. Identifying trends in land use/land cover changes in the context of post-socialist transformation in Central Europe: A case study of the greater Olomouc region, Czech Republic. GIS Science and Remote Sensing, 46 (1):54-76. doi:https://doi.org/10.2747/1548-1603.46.1.54.

Wang  R, Murayama Y. 2017. Change of land use/cover in Tianjin city Based on the Markov and Cellular Automata models. ISPRS International Journal of Geo-Information, 6: 150. doi:https://doi.org/10.3390/ijgi6050150.

Wang SW, Gebru B M, Lamchin M, Kayastha R B, Lee W K. 2020. Land use and land cover change detection and prediction in the Kathmandu district of Nepal using remote sensing and GIS. Sustainability. 12(9):3925. doi:https://doi.org/10.3390/su12093925.

Yuan F, Sawaya K E, Loeffelholz B C, Bauer M E. 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan area by multitemporal Landsat remote sensing. Remote Sensing of Environment, 98:317-328. doi:http://dx.doi.org/10.1016/j.rse.2005.08.006.

Full-Text:



مدل­سازی تغییرات پوشش اراضی استان گلستان با استفاده از مدل­سازی تغییرات کاربری (Land Change Modeler) 

 

چکیده

پايش و مدل­سازی تغییرات کاربری اراضی ازجمله موضوعات اصلی پژوهش در حوزه تغییرات جهانی محیط­زيست و توسعه پايدار محسوب می­گردد. این مطالعه با­هدف آشکارسازی تغییرات کاربری اراضی استان گلستان در طی سال‌های 1365 تا 1398 و پیش­بینی وضعیت کاربری اراضی منطقه برای سال­ 1429 با استفاده از رویکرد مدل‌سازی تغییرات کاربری (Land Change Modeler) انجام شد. جهت تهیۀ نقشه کاربری اراضی منطقه مورد مطالعه از سری تصاویر ماهواره­های لندست (1365L5-TM-، 1380 L5-TM-و 1398-(L8-OLI  استفاده گردید. نتایج حاکی از آن است که طی دوره 1398- 1365 میزان کاهش جنگل و مرتع به ترتیب 9/8 و 2/2 درصد بود. میزان افزایش کاربری زراعت، پیکره­های آبی و مسکونی نیز به ترتیب 5/8، 6/1 و 9/0 درصد می­باشد. پیش­بینی تغییرات آینده کاربری اراضی با استفاده از مدل­ساز تغییر زمین و زنجیره مارکوف انجام گرفت. در این مطالعه 5 زیر مدل به همراه 8 متغیر توضیحی شامل متغیرهای مدل رقومی ارتفاع، شیب، فاصله از جاده، فاصله از آبراهه، فاصله از مراتع، فاصله از مناطق جنگلی، فاصله از اراضی کشاورزی و فاصله از مناطق مسکونی جهت مدل­­سازی انتخاب شد. پیش­بینی کاربری اراضی سال 1398 با استفاده از مدل پیش­بینی سخت و دوره واسنجی 1365- 1380 انجام شد. صحت مدل زنجیره­ای مارکوف با استفاده از شاخص کاپا 84/0 برآورد گردید. بر اساس نقشه پیش­بینی شده سال 1398 مساحت مراتع، پیکره­های آبی و کاربری جنگل به ترتیب به مقدار 5/21206، 25/23456 و 75/61818 هکتار کمتر از میزان واقعی و مساحت اراضی زراعی و مسکونی به ترتیب به مقدار 75/101193 و 5/5287 هکتار بیشتر برآورد گردیده است. پیش­بینی می­شود که در سال 1429 مساحت اراضی جنگلی و مرتعی نسبت به سال 1398 به ترتیب 82/2 و 47/6 درصد کاهش و مساحت اراضی زراعی و مسکونی نیز در همین دوره زمانی به ترتیب به میزان 05/8 و 24/1 درصد افزایش یابد. در خصوص پهنه های آبی نیز تغییری مشاهده نگردید.

واژ­های کلیدی: مدل­سازی، کاربری اراضی، مدل ساز تغییر زمین (Land Change Modeler)، زنجیره مارکوف، استان گلستان.

 

 

 

 

 

 

 

 

 

 

مقدمه 

پدیده تغییر کاربري اراضي از مخاطرات محیطي و بحران­هاي اکولوژیکي است که امروزه جهان با آن روبرو می­باشد. کاربری اراضی نحوه استفاده خاص از زمین و امکانات طبیعی موجود بر­حسب نیازهای انسانی است که این استفاده، ممکن است منطبق بر استعداد اراضی و به شیوه­های علمی بوده یا به روش سنتی و احتمالاً تخریب­کننده اراضی باشد و در­عین­حال ممکن است ساختارها و فرآیندهای موجود در محیط­زیست را تغییر دهد. (17). با توجه به رشد روزافزون جمعیت، افزایش روند تغییرات کاربری اراضی نسبت به نیازهای انسانی و تأثیر آن بر محیط­زيست، پايش و مدل­سازی تغییرات کاربری اراضی، از­جمله موضوعات اصلی پژوهش در حوزه تغییرات جهانی محیط­زيست و توسعه پايدار محسوب می­گردد (8). نظر به پويايی تغییرات کاربری اراضی و اثرات گسترده آن بر محیط­زيست، از­جمله تأثیر بر خصوصیات خاک و فرسایش آن، تخریب، چند­تکه شدن و از دست رفتن زیستگاه­های مختلف (14)، تأثیر بر روي چرخه کربن (1)، تغییر اقلیم (15)، کاهش تنوع زیستی (18) و موارد بسیار دیگر از­جمله مهم­ترین عوامل تأثیرگذار بر سیستم­های اکولوژیکی بوده، لذا درک چگونگی اين تغییرات چه از­نظر الگوی مکانی و چه از­نظر کمیت آن ضروری به نظر می­رسد (14).

در حال حاضر تغییر کاربري اراضی به­صورت غیر­اصولي، به دلیل بی­برنامه بودن تغییر اکثر کاربري­ها و در نظر نگرفتن محدودیت­هاي زیست­محیطي، از مهم­ترین معضلات اقصي نقاط کشور ایران می­باشد. رشد بي­رویه شهرها و افزایش آلودگي منابع، فرسایش زمین­هاي کشاورزي، وقوع سیل­هاي مخرب، از بین رفتن سطح وسیعي از جنگل­ها، گسترش کویرها و اکوسیستم­هاي بیاباني غالباً ناشي از تبدیل غیر­اصولي پوشش اراضي و اعمال رو­ش­هاي نادرست بهره­برداري از کاربري مي­باشد. لذا پايش اين­چنین تغییرات و داشتن آگاهی و شناخت صحیح از عوامل و فرآیندهاي ایجاد­کننده و روند آتي آن­ها و همچنین شیوه­هاي مختلف مدیریت کاربري اراضی می­تواند ما را در درک درستی از روند توسعه در­گذشته و الگوهای رشد ياری داده و  اثرات قابل­توجهی بر حل مشکلات مدیریتی منابع طبیعی داشته باشد. در­حالی­که مدل­سازی و شبیه­سازی تغییرات کاربری اراضی نقش به سزايی در درک پیامدهای تغییرات آتی و تحولات احتمالی آينده ايفا می­کند (1 و 14). با توجه به تغییرات روز­افزون کاربری اراضی و ضرورت آگاهی کارشناسان و مدیران از چگونگی تغییرات و تحولات رخ­داده در جهت سیاست­گذاری و چاره­اندیشی برای رفع مشکل موجود، آشکارسازی تغییرات برای مشخص کردن روند تغییرات در طول زمان ضروری به نظر می­رسد (24). به عبارتی با داشتن اطلاع از میزان هر­کدام از کاربری­های اراضی، می­توان نسبت به پیش­بینی تغییرات کاربری اراضی، پیشگیری یا کاهش بلایای طبیعی، مدیریت منابع طبیعی و ارزیابی فشار محیطی ناشی از توسعه منابع انرژی در هر ناحیه اقدام کرد. در­واقع کسب اطلاعات از نسبت تغییرات پوشش ­گیاهی و کاربری اراضی نقش مهمی در مدیریت پوشش اراضی فعلی ایفا می­کند. از سوی دیگر، پیش­بینی و الگوسازی تغییرات آینده نیز برای آگاهی از کمیت و کیفیت تغییرات احتمالی آینده حائز اهمیت است. بنابراین آشکارسازی و پیش­بینی تغییرات، لازمة مراقبت از یک اکوسیستم به­ویژه در مناطقی با تغییرات سریع و اغلب بدون برنامه­ریزی در کشورهای در­حال­توسعه است. در سال­های اخیر، مطالعات متعددی در خصوص استفاده از مدل­ساز تغییرات زمین در جهت پیش­بینی تغییرات آتی کاربری اراضی صورت گرفته است.

میر علیزاده فرد و علی­بخشی (20) در تحقیقی تغييرات كاربري اراضي در دشت برتش شهرستان دهلران واقع در استان ایلام را در سه دورة زماني 1988، 2001 و 2013 بررسی نمودند. نتایج طبقه­بندي نشان­دهنده تخریب و كاهش میزان وسعت اراضي جنگل كم­تراكم و مرتع متوسط و افزایش مساحت سایر كاربري می­باشد. نتایج نشان داد كه در فاصلة زماني 2013- 2030 مقدار 45% از جنگل کم تراکم، 71% مرتع متوسط، 96% مرتع فقیر، 81% کشاورزی، 93% رسوبات آبرفتی و 100% اراضي بدون پوشش بدون تغيير باقي بمانند. 

فتح اللهی رودباری و همکاران (10) در مدل‌سازی تغییرات کاربری اراضی در شهرستان نکاء با استفاده از مدل­ساز تغییر زمین (LCM) نشان دادند که در طی سال­های 1988 تا 2016 اراضی جنگلی کاهش داشته و بیشترین تغییرات مربوط به تبدیل اراضی جنگلی به کشاورزی بوده است. نتیجه مدل­سازی برای سال 2030 نیز نشان داد که مساحت جنگل کاهش یافته و به وسعت اراضی کشاورزی و مناطق شهری افزوده خواهد شد. 

عفیفی (2) مدل­سازی تغییرات کاربری اراضی شهر شیراز در یک دوره 30 ساله و با استفاده از مدل زنجیره­ای مارکوف و مدل­ساز تغییر زمین را انجام داد که بیانگر روند صعودی کشاورزی آبی طی سال­های 1985- 2015 و کاهش اراضی بایر بود. آشکارسازی تغییرات برای سال 2030 نیز نشان­دهنده در افزایش وسعت طبقه کاربری اراضی زراعی و اراضی شهری منطقه و کاهش وسعت کاربری­های بایر و باغ بود. اوناته و سندرا (23) برای مدل­سازی تخریب و احیای جنگل­های خزان کننده گرمسیری مکزیک، از مدل­ساز تغییرزمین (LCM) و مدل­سازی نیروی انتقال با شبکۀ عصبی مصنوعی بهره جستند. در مقادیر مرتبط با زیر مدل احیاء، زیر مدل جنگل و زیر مدل اختلال، به ترتیب به صحت 2/59، 2/35 و 6/59  دست پیدا کردند. حسن و همکاران (13) به شبیه­سازی تغییرات آتی کاربری اراضی در پیشرفت سریع شهرنشینی چین جنوبی بر اساس مدل­ساز تغییر زمین و سنجش­از­دور پرداختند. نتایج بیانگر آن بود که مناطق شهری طی سال­های 2005-2017 افزایش خواهد یافت. در سال 2031 این افزایش در مناطق شهری بیشتر از طریق تبدیل مزارع کشاورزی و استخرهای ماهی خواهد بود. با­ این­حال، پوشش جنگل از 02/45 درصد در سال 2017 به 88/46 درصد در سال 2031 ادامه خواهد یافت.

در طي چند دهة اخير، تغيير كاربري اراضي تحت اثر عوامل محيطي و انساني سبب بروز اثرات جدي بر محيط­زيست، اقتصاد و اجتماع شده است. در استان گلستان نیز عرصه­هاي مرتعي و طبيعي وسيعي بدون رعايت اصول اکولوژیکی و علمي به زير كشت محصولات زراعي رفته يا در جهت مقاصد خاص مورد بهره­برداري قرار­گرفته­ و تبديل به ساير كاربري­ها شده­اند، درحالي­كه بسياري از اين اراضي استعداد كاربري به­صورت زراعت را دارا نبوده و استعداد فرسايشي بالايي دارند. همچنین این تغييرات باعث تأثیر بر خصوصيات فيزيكي و شيميايي خاك و كيفيت ذاتي و پويايي آن گشته و توانايي طبيعي خاك در انجام وظايف خود را كاهش خواهد داد كه در­نتيجه اين امر شاهد فرسايش خاك به­ويژه در اراضي شيب­دار و ايجاد سيلاب­هاي ويرانگر خواهیم بود. لذا داشتن آگاهی از نوع و نحوه استفاده از اراضی و تغييرات احتمالی آن در طي زمان که از موارد مهم جهت برنامه­ريزي و سياست­گذاري در كشور خواهد بود لازم و ضروری است (22). این مطالعه با­هدف آشکارسازی تغییرات کاربری اراضی استان گلستان در طی سال‌های 1365 تا 1398 و پیش­بینی وضعیت کاربری اراضی منطقه برای سال­ 1429 با استفاده از رویکرد مدل‌ساز تغییر زمین انجام شد.

 

 

روش­ تحقیق 

منطقه مورد­ مطالعه

استان گلستان با وسعتی بالغ­ بر 20387 کیلومتر­مربع، حدود 3/1 درصد از مساحت کل کشور را شامل می­شود. این استان در جنوب شرقی دریای خزر در محدوده جغرافیایی 36 درجه و 25 دقیقه تا 38 درجه و 8 دقیقه عرض شمالی و 53 درجه و 50 دقیقه تا 56 درجه و 18 دقیقه طول شرقی و در بین استان­های مازندران، سمنان و خراسان شمالی واقع شده است. جغرافیای طبیعی استان به نحوی است که به سه بخش کوهستانی، دامنه­ای و جلگه­ای تقسیم شده است. متوسط بارندگی سالانه 450 میلی­متر و متوسط تبخیر از 800 میلی­متر در نواحی جنوبی و ارتفاعات تا 2000 میلی­متر در نواحی مرزی استان تغییر می­نماید. میانگین سالانه درجه حرارت از 7 درجه سانتی­گراد در ارتفاعات 2000 متری تا 19 درجه سانتی­گراد در منطقه گنبد متغیر است. موقعیت جغرافیایی و توپوگرافی استان گلستان موجب شده که تحت تأثیر عوامل مختلف آب و هوایی باشد و اقلیم­های متفاوت در آن مشاهده می­شود. در­نتیجه در این استان از اقلیم نیمه­خشک در نوار مرزی و حوزه آبخیز اترک تا معتدل و نیمه مرطوب در مناطق جنوبی و غربی تا اقلیم سرد کوهستان در مناطق مرتفع و کوهستانی آن قابل­مشاهده است. میزان ریزش­های جوی نیز در مناطق مختلف استان متفاوت است. به­طوری­که در مناطق جنوب و جنوب غربی استان مقدار بارندگی حدود 700 میلی­متر و در نواحی شمال و نوار مرزی حدود 200 میلی­متر می­باشد (21).

شکل1. موقعیت منطقه مورد مطالعه

Fig1. Location of the study area

 

تهیه نقشه کاربری اراضی مربوط به سال­های 1365، 1380 و 1398 

به­منظور پایش روند تغییرات کاربري اراضی منطقه مورد مطالعه از تصاویر ماهواره­اي لندست 5 و 8 (سنجنده TM و OLI مربوط به سال­های 1365، 1380 و 1398) استفاده شد. تفسیر و پردازش داده­های ماهواره­ای در نرم­افزار 5.3 ENVI انجام گرفت. تصاویر ماهواره­ای مربوطه از سایت رسمی سازمان زمین­شناسی آمریکا (Earth explorer- USGS) دانلود و سپس پیش­پردازش­های لازم مشتمل بر تصحیحات رادیومتریک و اتمسفریک انجام شد. علیرغم اینکه بیشتر تصاویر ماهواره لندست زمین مرجع هستند، اما به­منظور دقت بیشتر در این مرحله نسبت به کنترل دقت هندسی و زمین مرجع بودن تصاویر مربوطه اقدام گردید. برای بررسی وضعیت هندسی تصاویر و اطمینان از مناسب بودن هندسه تصاویر، لایه­های برداری جاده­ها و آبراهه­ها روی تصاویر ماهواره­ای قرار داده شد.

 

 

 

 

 

 

 

 

 

 

 

شکل2. مراحل اجرای مدل­سازی و پیش­بینی تغییرات کاربری اراضی 

Fig 2. Steps of modeling and predicting land use changes

از­آنجایی­که تصاویر ماهواره لندست 185 × 185 کیلومتر بوده و کل محدوده استان گلستان در 4 تصویر قرار می­گیرد (جدول1)، لذا ابتدا چهار تصویر مربوط به دوره زمانی مورد­نظر با­هم موزائیک شده و سپس بر اساس مرز استان برش داده شد. در مرحله بعد جهت شناسایی و تفکیک پدیده­ها از یکدیگر، تصویر رنگی کاذب با استفاده از ترکیب باندهای 2 (سبز)، 3 (قرمز)، 4 (مادون­قرمز نزدیک) تهیه شد. در ادامه از روش طبقه­بندی نظارت­شده با روش حداکثر احتمال (Maximum likelihood) استفاده شد. در این مرحله با توجه به نقشه کاربري موجود و استفاده از گوگل ارث نمونه­هاي تعلیمی برای هر کلاس پوشش اراضی انتخاب و در­نهایت پنج کلاس کاربری شامل مرتع، زراعت، جنگل، مسکونی و پیکره­های آبی تعریف گردید. همچنین برای طبقه­بندی تصاویر چند روش­ طبقه­بندی تست شده و از بین آن­ها روش طبقه­بندی حداکثر احتمال که یکی از دقیق­ترین روش­های طبقه­بندی سلول پایه است انجام شد (22). پس از فیلترینگ تصاویر که به­منظور فیلتر و حذف مساحت­های بسیار کوچک در نقشه به کار می­رود، نقشه­های کاربری اراضی مربوط به سال­های 1365، 1380 و 1398 تهیه شد. ارزیابی صحت نقشه­های طبقه­بندی­شده با استفاده از ماتریس خطا انجام شد (3). به­منظور ارزیابی صحت تصاویر تعدادی از نمونه­های تعلیمی به­دست آمده از گوگل ارث (30 درصد) با تصاویر کاربری حاصله مقایسه شده و در­نهایت ماتریس خطا و ضریب کاپای کلی به دست آمد (30). در تحقیق حاضر از ضرایب صحت کلی (Overall accuracy) و ضریب کاپا (Kappa coefficient) جهت بررسی صحت طبقه­بندي استفاده گردید. دقت کلی از جمع عناصر قطر اصلی ماتریس خطا تقسیم بر تعداد کل پیکسل­ها طبق رابطه 1 به دست می­آید:

[1]                OA=

در این رابطه  OAدقت کلی، N تعداد پیکسل­هاي آزمایشی،  جمع عناصر قطر اصلی ماتریس خطا. به دلیل ایرادات وارده بر دقت کلی، غالباً در کارهاي اجرائی که مقایسه دقت طبقه­بندي مورد توجه است، از شاخص کاپا استفاده می­شود. چون شاخص کاپا پیکسل­هاي نادرست طبقه­بندي شده را مدنظر قرار می­دهد. مقدار شاخص كاپا بين صفر و يك تغيير می­كند كه هرچه به یك نزدیکتر باشد میزان درستی نقشه حاصل از طبقه­بندی به واقعیت نزدیک­تر است. شاخص کاپا از رابطۀ 2 محاسبه می­شود.

[2]                                                                                                                                      100 × K =

که در رابطه فوق Po درستی مشاهده شده، Pc توافق مورد انتظار است که از طریق روابط 3 و 4 قابل محاسبه می­باشد.

Po = Σ(Xij)/N        [3]

 

Pc = Σ[(Xi×Xj)/N2]        [4]

 

در اين رابطه­ها؛ Po درستي مشاهده شده (مجموع اعداد در قطر اصلي ماتريس خطا تقسيم بر كل پيكسل­هاي طبقه­بندي شده)، Xij عناصر قطر اصلي جدول ماتريس خطا، Pc توافق تصادفي،  Nتعداد كل پيكسل­هاي طبقه­بندي شده در جدول ماتریس خطا، Xi مجموع پيكسل­هاي رديف  Iام جدول ماتريس خطا،  Xjمجموع پيكسل­هاي ستون  Jام جدول ماتريس خطا.

جدول1. مشخصات تصاویر ماهواره­ای مورد استفاده در مطالعه

Table 1. Specifications of satellite images used in the study

سال	ماهواره	سنجنده	تاریخ	شماره ردیف	شماره گذر
1986	لندست 5	TM	1986-05-19	034	162
	لندست 5	TM	1986-05-19	035	162
	لندست 5	TM	1986-06-11	034	163
	لندست 5	TM	1986-06-11	035	163
2001	لندست 5	TM	2001-07-31	034	162
	لندست 5	TM	2001-07-31	035	162
	لندست 5	TM	2001-07-22	034	163
	لندست 5	TM	2001-07-22	035	163
2019	لندست 8	OLI	2019-06-15	034	162
	لندست 8	OLI	2019-06-15	035	162
	لندست 8	OLI	2019-06-06	034	163
	لندست 8	OLI	2019-06-06	035	163

 

مدل­سازی با استفاده از مدل­ساز تغییر زمین (Land Change Modeler)

مدل­ساز تغییر زمین که به­طور کامل با برنامه TerrSet (IDRISI سابق) یکپارچه­شده، ابزاری برای مدیریت و برنامه­ریزی زمین و هم­چنین ابزار پشتیبان تصمیم­گیری است. این مدل به کاربر اجازه می­دهد که تغییرات کاربری اراضی را به­سرعت تجزیه­و­تحلیل کند. از مدل­ساز تغيير زمين مي­توان جهت ارزيابي و مدل­سازي تجربي تغييرات كاربري اراضي و تأثير آن بر زيستگاه گونه­ها و تنوع زيستي استفاده نمود. با استفاده از مدل­سازی تغییر پوشش زمین در نرم­افزار TerrSet، می­توان اطلاعات و داده­های مربوط به پوشش تاریخی زمین را برای ارزیابی، مدل­سازی و پیش­بینی تغییرات پوشش مورد آنالیز قرار داد که شامل مراحل تجزیه­و­تحلیل و آشکارسازی تغییرات، مدل­سازی پتانسیل انتقال، پیش­بینی و مدل­سازی تغییرات کاربری اراضی و ارزیابی صحت مدل­سازی می­باشد.

تجزیه­و­تحلیل و آشکارسازی تغییرات

در بخش آشکارسازی تغییرات مدل، میزان کاهش­ها و افزایش­ها در هر کاربری، تغییرات خالص، تغییر خالص از سایر کاربری­ها به یک طبقه مورد­نظر، مناطق بدون تغییر و انتقال از هر کاربری به کاربری دیگر در طبقات گوناگون پوشش سرزمین به­صورت نقشه و نمودار قابل ارزیابی است (27). در این پژوهش، از روی­ هم­گذاری نقشه­های پوشش زمین مربوط به سال­های 1365، 1380 و 1398 به­­عنوان ورودی مدل­ساز تغییر زمین (LCM) و نقشه­های مدل رقومی ارتفاع (DEM) و لایه­های جاده و آبراهه برای تحلیل تغییرات منطقه و پیش­بینی تغییرات کاربری سرزمین سال 1429 استفاده شد. پس از انجام تجزیه­و­تحلیل­­های لازم و بارز­سازی به­منظور آشکارسازی تغییرات کاربری اراضی میان دوره­های زمانی مورد­نظر، نقشه­های تغییرات و انتقال کاربری­ها تهیه شد. در انتها میزان کاهش­ و افزایش­ در هر کاربری، میزان تغییرات خالص، تغییر خالص از سایر کاربری­ها به یک طبقه مورد­نظر، مناطق بدون تغییر و انتقال از هر کاربری به کاربری دیگر در طبقات گوناگون پوشش سرزمین به­صورت نقشه و نمودار تهیه و مورد تجزیه­و­تحلیل واقع شد.

مدل­سازی پتانسیل انتقال

در این مرحله امکان مدل­سازی پتانسیل تغییر زمین (پتانسیل انتقال از یک کاربری به سایر کاربری­ها) با استفاده از لایه­­های زمانی متفاوت در کنار متغیرهای توضیحی چون مجاورت به جاده، شیب و... فراهم می­شود. به عبارت دیگر میزان پتانسیل هر پیکسل از تصویر برای تغییر از کاربری فعلی به نوع دیگری از کاربری تعیین گردیده و خروجی این قسمت، نقشه پتانسیل انتقال برای هر تغییر (مثلاً از کاربری جنگل به اراضی کشاورزی) خواهد بود. در این مرحله انواع تغییرات و انتقالات کاربری­ها در زیر مدل­ها طبقه­بندی­شده و پتانسیل بالقوه متغیرهای توضیحی مورد ­بررسی قرار می­گیرند (5). برای مدل­سازی پتانسیل تبدیل هر کاربری در مدل LCM قبل از هر کاری باید زیرمدل­های مناسب مشخص شود. برای انتخاب زیرمدل­هایی با بیش­ترین صحت، لازم است که مدل را چندین مرتبه در سناریوهای مختلف اجرا کرد. بعد از اجرای مراحل مذکور در­نهایت پنج زیر مدل به شرح زیر انتخاب شدند: زیر­مدل انتقال مرتع به کشاورزی، زیرمدل مرتع به مسکونی، زیر­مدل جنگل به مرتع، زیرمدل جنگل به کشاورزی، زیرمدل کشاورزی به مسکونی.

 پس از انتخاب زیرمدل­های مناسب، متغیر توضیحی مؤثر بر تغییرات کاربری/ پوشش زمین انتخاب ­­می­شود. متغیرها به دو صورت دینامیک و استاتیک به مدل اضافه می­شوند. متغیرهای استاتیک با گذشت زمان تغییرناپذیر هستند و جنبه­های اساسی مناسب برای انتقال در نظر گرفته­شده را بیان می­کنند اما متغیرهای دینامیک وابسته به زمان متغیر هستند و در طول زمان دوره پیش­بینی محاسبه می­شوند (19). به این­ترتیب هشت متغیر توضیحی شامل مدل رقومی ارتفاع (DEM)، شیب، فاصله از جاده، فاصله از آبراهه، فاصله از مناطق مسکونی، فاصله از جنگل، فاصله از مرتع و فاصله از زراعت استفاده شد. برای بررسی میزان همبستگی یا ارتباط بین این متغیرهای مورد استفاده در مدل (متغیرهای مستقل)، با میزان تغییرات کاربری اراضی به­عنوان متغیر وابسته در بخش مدل­سازی توانایی انتقال مدل­ساز تغییر زمین از ضریب کرامر استفاده شد. ضریب کرامر در محدوده بین صفر و یک متغیر است که هرچه مقدار آن به یک نزدیک­تر باشد میزان همبستگی بالاتری بین متغیرهای مستقل و وابسته وجود دارد. مدل­ساز تغییر زمین به­صورت خودکار میزان ارتباط بین متغیرهای مستقل و کاربری زمین (ضریب کرامر) را محاسبه می­کند. معمولاً ضرایب بالاتر از 15/0 برای مدل­سازی قابل­پذیرش بوده و ضرایب بالای 4/0 خوب می­باشد (10).

بعد از انتخاب زیرمدل­های مناسب و متغیرهای مستقل مؤثر، مدل­سازی پتانسیل تبدیل هر کاربری با روش رگرسیون لجستیک انجام می­شود. به این مفهوم که هر پیکسل از تصویر برای تغییر از یک کاربری به نوع دیگر چقدر پتانسیل دارد. رگرسیون لجستیک از روش برآورد حداکثر احتمال برای پیدا کردن بهترین مجموعه پارامترهایی که مدل را بهتر برازش می­کنند، استفاده می­کند. خروجی مدل، ضریب­های بین صفر و یک خواهد داشت که از طریق تئوری فازی به احتمالات بیش­تر از 5/0 ارزش یک (تغییر) و کمتر از 5/0 ارزش صفر (عدم تغییر) می­دهد و نقشه بولین تخریب را تولید می­کند. رگرسيون لجستيك با اين فرض به كار مي­رود كه احتمال يك بودن متغير وابسته از منحني لگاريتمي پيروي مي­كند و مقدار آن توسط رابطه 5 تخمين زده مي­شود:

[5]                                                                                                 P(Y=1CX) = exp (nBX)/1+exp (nB (X))
:p احتمال يك بودن متغير وابسته، :X متغير مستقل، :B پارامتر برآورد شده، :Y متغير وابسته.
با تغيير لگاريتمي در رابطه 5 رابطه 6 به دست مي­آيد:

[6]                loge 

اين تغيير لگاريتمي باعث مي­شود احتمال پيش­بيني شده در دامنه صفر تا يك پيوسته باشد و خروجي مدل به صورت يك نقشه پيش­بيني مكاني احتمال تخريب ارائه شود. ارزیابی مدل رگرسیونی برازش یافته با محاسبه شاخص ROC (Relative Operating Characteristic) انجام گردید (19).

 

مدل­سازی و پیش­بینی تغییرات کاربری اراضی

خروجی­های مرحله مدل­سازی پتانسیل انتقال به­عنوان ورودی­های مرحله پیش­بینی تغییرات کاربری اراضی به کار می­روند. روش­های متعددی برای مدل­سازی پتانسیل انتقال وجود دارد که از آن دسته می­توان مدل­های آماری و رگرسیون لجستیک، زنجیره مارکوف، الگوریتم ژنتیک، منطق فازی و شبکه عصبی مصنوعی را نام برد (5). در این مطالعه تخصیص تغییر به هر کاربری یا احتمال انتقال محاسبه­شده از هر کاربری به کاربری دیگر با استفاده از زنجیره مارکوف محاسبه شد (7 و 12). در مدل زنجیره مارکوف حالت سیستم در زمان 2 می­تواند بر اساس حالت سیستم در زمان 1 پیش­بینی شود و در­نتیجه آن ماتریس احتمالات انتقال به­مثابه پایه الگوسازی پیش­بینی تغییر کاربری سرزمین ارائه شود (5 و 29).

 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. يك زنجيرة ماركف دنباله­اي از متغيرهاي تصادفي x1, x2, x3, … است که خاصیت مارکوف را دارند که از رابطه 7 به دست می­آید.

 [7]                                               Pr (

مقادير ممكن براي Xi، مجموعه قابل شمارشي را مي­سازند كه فضاي حالت نام دارد. روش ماركوف براي مدل­سازي رفتار اتفاقي، به­صورت پيوسته و ناپيوسته نسبت به زمان يا در فضاي حالت، تقسيم­بندي مي­شود. اين تغييرات پيوسته يا ناپيوستة اتفاقي را به اصطلاح فرايندهاي اتفاقي مي­نامند. درحقيقت به­كارگيري روش ماركوف، نيازمند اين امر است كه سيستم نمايانگر فقدان حافظه باشد؛ يعني حالت و وضعيت آيندة سيستم، مستقل از وضعيت­هاي گذشتة آن بوده و تنها به آخرين جزء آن وابسته باشد. مدل زنجيرة ماركوف، مجموعه­اي از حالات ممكن تعريف مي­شود كه اين فرايند از يك وضعيت شروع شده و به­طور متوالي از وضعيتي به وضعيت ديگري جابه­جا مي­شود و هر حركت، يك گام تلقي مي­شود. در اين مدل، بايد دو نقشة پوشش اراضي از دو دوره زماني متفاوت وجود داشته باشد كه در اين حالت، امكان محاسبة احتمال انتقالات كاربري­ها در بين دوره­هاي زماني مورد بررسي، امكان­پذير مي­شود. درحقيقت، ساده­ترين مدل زنجيرة ماركوف، توجهي به تأثير سلول­هاي همسايگي ندارد و تنها وضعيت سلول­ها را در دو دوره زماني اول و دوم در نظر مي­گيرد (5).

برای پیش­بینی پوشش / کاربری زمین برای سال 1398 با استفاده از مدل پیش­بینی سخت و دوره واسنجی 1380- 1365 اجرا شد (5). در مدل پیش­بینی سخت، تمام سطح یک پیکسل به یک کاربری خاص اختصاص می­یابد و در­واقع برای پیکسل تعیین تکلیف قطعی می­شود. در­نهایت برای پیش­بینی پوشش/ کاربری زمین برای سال 1429 نیز از مدل پیش­بینی سخت و دوره واسنجی 1398- 1365 استفاده شد (5).

 

 

ارزیابی صحت مدل­سازی

ارزیابی اعتبار و صحت پیش­بینی مدل­ بر اساس برآورد ضریب کاپا بین نقشه پوشش اراضی سال 1398 و نقشه پوشش اراضی سال 1398 حاصل از پیش­بینی محاسبه­شده و مقادیر پارامترهای صحت­سنجی به دست آمد. در­نهایت، آماره­های کاپا (Kno، Klocation، Kstandard به ترتیب مربوط به کاپای کلی، کاپای مطابق با مکان، کاپای مطابق با مقدار) به­منظور ارزیابی صحت مدل استفاده شدند (2). در این تحقیق از مقدار کاپاي استاندارد  (Kstandard)جهت بررسی صحت مدل­سازي استفاده شد. در این رویکرد درستی کل عبارت است از نسبت پیکسل­هاي مشابه به تعداد کل پیکسل­هاي مورد مقایسه. دامنه تغییرات نمایه توافق کاپا از 1- تا 1+ است و نشان­دهنده درجه تشابه بین تصاویر می­باشد. در صورتی که دو تصویر تشابه کامل داشته باشند، ضریب کاپا یک است و اگر هیچ پیکسلی ارزش ثابت در دو تصویر نداشته باشد، ضریب کاپا برابر 1- است. مطابق رابطۀ 8 محاسبه K عبارت است از: 

[8]                Ki=

در این رابطه؛ Pii نسبت تصویر کل در طبقه  iکه در هر دو تاریخ بدون تغییر است،  Pi.نسبت تصویر کل در طبقه i در تصویر رفرنس (تاریخ اول) و  P.iنسبت تصویر کل در طبقه i در تصویر غیر رفرنس (تاریخ دوم) است.

نتایج 

تولید نقشه­های کاربری اراضی در محدوده مطالعاتی

پس از طبقه­بندی تصاویر با استفاده از روش طبقه­بندی حداکثر احتمال، نقشه کاربری/ پوشش زمین استان گلستان در 5 طبقه جنگل، مرتع، اراضی کشاورزی، مسکونی و پیکره­های آبی تهیه گردید. در شکل­های (3 تا 5) به ­ترتیب نقشه­های کاربری اراضی مربوط به سال­های 1365، 1380، 1398 نشان داده­ شده است. سپس به­­منظور ارزیابی صحت نقشه­های طبقه­بندی­شده ماتریس خطا برای محاسبه صحت کلی و ضریب کاپای نقشه­ها تولید گردیده و مقایسه نتایج صورت گرفت (30 و 3). نتایج صحت کلی و ضریب کاپا برای تصاویر طبقه­بندی شده سال­های1365، 1380 و 1398 در جدول 2 ارائه شده است. با توجه به مقدار قابل­قبول شاخص کاپا و صحت کلی می­توان از این تصاویر برای مدل­سازی الگوی مکانی تغییرات پوشش اراضی در طی دوره زمانی 1365- 1398 استفاده نمود.

جدول2. نتایج ارزیابی صحت کلی و ضریب کاپا برای نقشه­های طبقه­بندی شده کاربری سال­های 1365، 1380 و 1398

Table 2. evaluation results of Overall accuracy and Kappa coefficient  for classified land use maps of 1986, 2001 and 2019. 

سال	سنجنده	ضریب کاپا	صحت کلی
1365 (1986)	TM	83/0	38/87%
1380 (2001)	TM	79/0	81/84 %
1398 (2019)	OLI	82/0	06/86 %

 

 

 

 

 

         شکل3. نقشه کاربری اراضی استان گلستان سال 1365                             شکل4. نقشه کاربری اراضی استان گلستان سال 1380

Figure 3. Land use map of Golestan province in 1986         Figure 4. Land use map of Golestan province in 2001

 

 

 

 

 

 

 

 

 

                                                   شکل5. نقشه کاربری اراضی استان گلستان سال 1398

Figure 5. Land use map of Golestan province in 2019

 

آشکارسازی تغییرات کاربری اراضی با مدل­ساز تغییر زمین 

پس از تهیه نقشه­های کاربری اراضی اقدام به آشکارسازی تغییرات و همچنین بررسی تغییرات اتفاق افتاده طی دوره زمانی مورد مطالعه با مدل­ساز تغییر زمین شد. مقادیر تغییرات مرتبط با کاربری­های مختلف طی دوره­ 1365- 1398 در جدول 3 ارائه شده است.

جدول3. میزان تغییرات کاربری اراضی از سال 1365 تا 1398

Table 3. The rate of land use change from 1986 to 2001

کاربری اراضی	مساحت (هکتار) در سال 1365	مساحت (درصد)	مساحت (هکتار) در سال 1380	مساحت (درصد)	مساحت (هکتار) در سال 1398	مساحت (درصد)	میزان تغییرات (هکتار)	میزان تغییرات (درصد)	روند تغییرات
مرتع	25/937631	46	5/847462	6/41	756450	1/37	25/181181	9/8	کاهشی
پیکره­های آبی	75/16818	8/0	25/25931	3/1	5/49387	4/2	75/32568	6/1	افزایشی
زراعت	5/671962	33	778950	2/38	5/845662	5/41	173700	5/8	افزایشی
جنگل	75/393018	3/19	25/359381	6/17	75/349143	1/17	43875	2/2	کاهشی
مسکونی	25/18731	9/0	5/26437	3/1	75/37518	8/1	50/18787	9/0	افزایشی
مجموع	50/2038162		50/2038162		50/2038162

 

بر اساس نتایج به­دست­آمده از جدول فوق، طی یک دوره 33 ساله مساحت مراتع استان با گذشت زمان کاهش چشمگیری داشته به­طوری­که مساحت این کاربری از 25/937631 هکتار در سال 1365 به میزان 756450 هکتار در سال 1398 رسیده است. قسمت عمده این تغییرات مربوط به تبدیل مرتع به کاربری زراعی بوده است. به­طوری که میزان اراضی زراعی طی همین دوره 173700 هکتار افزایش داشته است. همچنین مساحت اراضی جنگلی طی سال­های مذکور به میزان 43875 هکتار کاهش نشان داده است. کم­ترین میزان تغییرات کاربری اراضی نیز، مربوط به کلاس اراضی مسکونی با افزایشی معادل 50/18787 هکتار در طی این دوره می­باشد. پیکره­های آبی در طی این دوره به میزان 6/1 درصد معادل 75/32568 هکتار افزایش نشان داده است.

 

 

 

 

 

 

 

 

 

 

 

 

شکل6. نقشه توزیع مکانی تغییرات پوشش زمین طی سال­های 1365-1398

Fig 6. Spatial distribution map of land cover changes during 1986-2019       

مدل­سازی پتانسیل انتقال با استفاده از رگرسیون لجستیک

  با توجه به نتایج آشکارسازی تغییرات، زیرمدل­های در نظر گرفته­شده در این پژوهش 5 زیر مدل شامل زیر­مدل­های مرتع به کشاورزی، مرتع به مسکونی، جنگل به مرتع، جنگل به کشاورزی و کشاورزی به مسکونی در نظر گرفته شد. پس از انتخاب زیرمدل­ها، متغیرهای مدل رقومی ارتفاع، شیب، فاصله از جاده، فاصله از آبراهه، فاصله از مراتع، فاصله از مناطق جنگلی، فاصله از اراضی کشاورزی و فاصله از مناطق مسکونی به­عنوان متغیرهای مؤثر بر تغییرات کاربری/ پوشش زمین و مورد­نیاز برای مدل­سازی انتخاب شد (شکل 7 تا 12).  

                         شکل7. نقشه فاصله از آبراهه                                              شکل8. نقشه فاصله از کشاورزی             

 Fig 7. map of distance to stream                                                  Fig 8. map of distance to cropland

                  شکل9. نقشه فاصله از مرتع                                                                شکل10. نقشه فاصله از جاده    

Fig 8. map of distance to rangeland                                          Fig 10. map of distance to road                    

                           شکل11. نقشه طبقات ارتفاعی                                           شکل12. نقشه فاصله از جنگل

        Fig 11. Map of DEM                         Fig 12. map of distance to jungle                                           

 

به­منظور انتخاب متغیرهای اثرگذار بر تغییرات کاربری اراضی از ضرایب کرامر که میزان ارتباط بین متغیرها و  طبقات کاربری اراضی را نشان می­دهد استفاده شد. برای این کار متغیرهایی که ضریب همبستگی آن­ها بیش­تر از 15/0 بود برای مدل­سازی انتخاب شدند (جدول4). نتایج ضرایب کرامر نشان­دهنده این است که متغیرها دارای همبستگی مناسبی با کاربری­های مختلف (یا دست­کم با یک کاربری معین) می­باشند و می­توانند به­عنوان متغیر مناسب به مدل رگرسیون لجستیک وارد شوند.

جدول4. ضریب همبستگی (کرامر) بین متغیرهای مستقل و کلاس­های مختلف کاربری اراضی با استفاده از رگرسیون لجستیک

Table 4. The correlation coefficient (Kramer) among all indipendent variables with different land use classes using logistic regression

کاربری اراضی    متغیر	مرتع	پیکره­های آبی	زراعت	جنگل	مسکونی
مدل رقومی ارتفاع (DEM)	3543/0	3192/0	4996/0	5930/0	1148/0
شیب	2077/0	1094/0	4088/0	6682/0	0973/0
فاصله از جاده	2180/0	1153/0	3431/0	1916/0	1368/0
فاصله از آبراهه	2069/0	2110/0	1157/0	1555/0	0702/0
فاصله از مرتع	6470/0	0515/0	4072/0	4788/0	1713/0
فاصله از زراعت	5340/0	0578/0	6339/0	2836/0	1364/0
فاصله از جنگل	2942/0	3288/0	3244/0	7091/0	1243/0
فاصله از مناطق مسکونی	4574/0	0886/0	4260/0	2012/0	3979/0

ارزیابی مدل رگرسیونی برازش­یافته با محاسبه شاخص ROC (Relative Operating Characteristic) انجام گردید. جهت ارزیابی صحت با روش رگرسیون لجستیک از ROC استفاده شد (جدول5). بر اساس این جدول، همبستگی بین انتقال­ها و متغیرها در دامنه 69/0 – 98/0 به­ دست آمد که نشان­دهنده ارتباط مناسب بین انتقال­ها و متغیرها می­باشد.

جدول5. داده­های رگرسیون لجستیک

Table 5. Logistic regression data

زیر مدل­ها	میزان ROC
مرتع به کشاورزی	6971/0
مرتع به مسکونی	9830/0
جنگل به مرتع	7549/0
جنگل به کشاورزی	8806/0
کشاورزی به مسکونی	7330/0

 

پیش­بینی پوشش / کاربری زمین برای سال 1398 با استفاده از مدل پیش­بینی سخت و دوره واسنجی 1380- 1365 اجرا شد. در مدل پیش­بینی سخت، تمام سطح یک پیکسل به یک کاربری خاص اختصاص می­یابد و در­واقع برای پیکسل تعیین تکلیف قطعی می­شود.

 

 

 

 

 

 

 

 

 

شکل13. نقشه پیش­بینی شده تغییرات پوشش اراضی سال­1398 استان گلستان

Fig 13. Predicted Land use map of Golestan province in 2019

 

 

 

     جدول6 . تغییرات کمی اجزای پوشش/کاربری اراضی در نقشه حال حاضر و پیش­بینی شده 1398

Table 6. Quantitative changes in land cover / land use components in current and predicted map of 2019

کاربری اراضی	مساحت (هکتار)		تغییرات (هکتار)
	حال حاضر (1398)	پیش­بینی شده (1398)	افزایش	کاهش
مرتع	00/756450	50/735243	-	5/21206
پیکره­های آبی	50/49387	25/25931	-	25/23456
زراعت	50/845662	25/946856	75/101193	-
جنگل	75/349143	00/287325	-	75/61818
مناطق مسکونی	75/37518	25/42806	5/5287	-

 

 

 

 

 

بر اساس نتایج جدول فوق و همچنین نقشه پیش­بینی شده سال 1398 مساحت مراتع، پیکره­های آبی و کاربری جنگل در محدوده مطالعاتی به ترتیب به مقدار 5/21206 ، 25/23456 و 75/61818 هکتار کمتر از میزان واقعی حال حاضر نشان داده شده است. مساحت اراضی تحت کشت و زراعت و مناطق مسکونی نیز در همین دوره زمانی نسبت به مساحت این کاربری­ها در نقشه حال حاضر به ترتیب به مقدار 75/101193 و 5/5287 هکتار افزایش نشان داده است.

     جدول7 . مقادیر شاخص کاپا

Table 7. Kappa index values 

کاپا	مقادیرK
Kno (کاپای کلی)	8845/0
Klocation (کاپای مطابق با مکان)	8789/0
Kstandard (کاپای مطابق با مقدار)	8459/0

 

جهت بررسی صحت مدل­سازي در این تحقیق، از کاپاي استاندارد  (Kstandard)مندرج در جدول 7 استفاده شد. دامنه تغییرات نمایه توافق کاپا از 1- تا 1+ است و نشان­دهنده درجه تشابه بین تصاویر می­باشد. در صورتی که دو تصویر تشابه کامل داشته باشند، ضریب کاپا یک است و اگر هیچ پیکسلی ارزش ثابت در دو تصویر نداشته باشد، ضریب کاپا برابر 1- است.

مدل­سازی تغییرات کاربری اراضی

پیش­بینی پوشش/ کاربری زمین برای سال 1429 نیز با استفاده از مدل پیش­بینی سخت و دوره واسنجی 1398- 1365 انجام شد. در این مرحله احتمال انتقال از یک کاربری در سال 1398 به نوع دیگر در سال 1429 توسط زنجیره مارکف (به درصد) محاسبه گردید (جدول8). زنجیره مارکف تغییرات کاربري زمین را از یک دوره به دوره دیگر را بیان کرده و از آن بـه عنوان پایه­اي براي نقشه­سازي تغییرات آینده استفاده می­کند. این کار با استفاده از توسعه یک ماتریس احتمال انتقال تغییرات کاربري زمین از زمان 1 به زمان 2 انجام می­گیرد که به عنوان پایه­اي براي نقشه­سازي دوره­هاي زمانی آینده مورد استفاده قرار می­گیرد.   

                                     جدول 8. احتمال انتقال محاسبه­شده با زنجیره مارکف 1398-1429

Table 8. Probability of transfer calculated with Markov chain 2019-2050

1429 1398	مرتع	پیکره­های آبی	زراعت	جنگل	مناطق مسکونی
مرتع	7601/0	0263/0	1380/0	0119/0	0017/0
پیکره­های آبی	0766/0	8131/0	1041/0	0000/0	0062/0
زراعت	0413/0	0139/0	8983/0	0181/0	0284/0
جنگل	0595/0	0003/0	1053/0	8347/0	0003/0
مناطق مسکونی	0169/0	0000/0	1538/0	0056/0	8237/0

 

در شکل 14 نقشه پیش­بینی­شده­ کاربری/ پوشش زمین برای سال 1429 در حالت تداوم روند فعلی تغییر کاربری نشان داده شده است. نتایج حاصل از پیش­بینی در جدول 9 آورده شده است.

 

 

 

 

 

 

 

 

 

 

شکل 14. نقشه پیش­بینی­شده کاربری اراضی استان گلستان در سال 1429

Fig 14. Predicted land use map of Golestan province in 1429

 

 

جدول9. تغییرات کمی اجزای پوشش / کاربری اراضی در سناریوی محتمل آتی (1429)

Table 9. Quantitative changes in land cover / land use components in a possible future scenario (2050)

کاربری اراضی	مساحت (هکتار)		تغییرات (هکتار)
	جاری (1398)	سناریو (1429)	افزایش	کاهش
مرتع	00/756450	75/624543	-	25/131906
پیکره­های آبی	50/49387	50/49387	بدون تغییر	بدون تغییر
زراعت	50/845662	00/1009800	50/164137	-
جنگل	75/349143	00/291600	-	75/57543
مناطق مسکونی	75/37518	25/62831	25/25313	-

 

 

 

 

 

بر اساس نتایج به دست آمده از جدول فوق پیش­بینی می­شود که در سال 1429 پس از طی یک دوره زمانی 31 ساله مساحت مرتع در محدوده مطالعاتی به میزان 25/131906 هکتار کاهش نشان داده و مساحت اراضی تحت کشت و زراعت در همین دوره زمانی به مقدار 50/164137 هکتار افزایش یابد. با توجه به این نتایج می­توان چنین برداشت کرد که به ­دلیل سیر تخریبی مرتع در منطقه مورد مطالعه، به­تدریج مساحت مراتع استان تحلیل و به کاربری­هایی مانند زراعت و سایر کاربری­های انسانی مانند سکونتگاه، باغ و غیره تبدیل شده است. با توجه به نتایج کسب­شده مساحت تحت پوشش کاربری جنگلی در سال 1429 نسبت به سال 1398 به­ مساحت 75/57543 هکتار کاهش یافته و در مقابل مناطق مسکونی به­ میزان 25/25313 هکتار افزایش یابد. در خصوص پیکره­های آبی نیز تغییری ایجاد نشده است. 

بحث و نتیجه­گیری ­

 

نقشه­های کاربری اراضی از مهم­ترین منابع اطلاعاتی در­زمینه مدیریت منابع طبیعی محسوب می­شوند. استفاده از تصاویر ماهواره­ای به­عنوان یکی از منابع مهم جهت نمایش تغییرات محیطی و مدیریت عرصه­های زیست­محیطی مطرح بوده و بررسی این داده­ها در شرایط مختلف محیطی با تنوع کاربری­ها و پوشش گیاهی ضروری به نظر می­رسد. این تحقیق با­هدف پیش­بینی و مدل­سازی تغییرات کاربری اراضی با استفاده از مدل­ساز تغییر زمین LCM در یک دوره 33 ساله در استان گلستان انجام شد. در این پژوهش از تصاویر سنجنده­های مختلف ماهواره لندست در سال­های 1365، 1380 و 1398 جهت تهیه نقشه کاربری اراضی استفاده شد.

بر اساس نتایج به­دست­آمده طی این دوره با گذشت زمان، مساحت مراتع استان کاهش چشمگیری داشته و از مقدار 25/937631 هکتار به مقدار 756450 هکتار در سال 1398 رسیده است که این میزان تغییرات کاهشی معادل 9/8 درصد با مساحتی برابر با 25/181181 هکتار بوده است. ساری (25) نیز به چنین نتیجه­ای دست یافت. بخش زیادی از کاهش مراتع در اثر تبدیل آن به اراضی زراعی است که دلیل آن را می­توان افزایش جمعیت و نیاز به گسترش اراضی زراعی دانست.

مساحت اراضی جنگلی نیز، طی سال­های مذکور از مقدار 75/393018 هکتار به مقدار 75/349143 هکتار در سال 1398 رسیده که کاهشی بالغ­بر 43875 هکتار (2/2 درصد) نشان داده است. به­طور­کلی تخریب عرصه­هاي مرتعی و جنگلی که بخش مهمی از منابع طبیعی و از اکوسیستم­هاي حیاتی در جهان هستند، امري است که در بیشتر نقاط جهان و بخصوص در کشورهاي در­حال­توسعه به دلیل افزایش جمعیت، رشد تکنولوژي و رعایت نکردن اصول اکولوژیکی و اجراي قوانین قابل­مشاهده است. چنانچه محققین متعددي در نقاط مختلف ایران و جهان به نتایج مشابهی در این خصوص دست یافته­اند (4، 10و 29). گرچه تلاش­هاي سازمان­هاي مسئول را نیز نمی­توان نادیده گرفت چرا­که در صورت عدم کنترل­هاي موجود، امکان وخامت بیشتر اوضاع وجود داشته و تمایل اشخاص حقیقی و حقوقی براي تصرف اراضی ملی مرتعی و جنگلی و تبدیل کاربري آن­ها به­طور روزافزونی در حال افزایش است.

همچنین نتایج حاصل از نقشه­های طبقه­بندی­شده طی سال­های 1365 تا 1398 نشان­دهنده این واقعیت است که بیشترین مقادیر تغییرات از کل مساحت منطقه مرتبط با اراضی زراعی بوده به­طوری­که میزان این اراضی طی همین دوره 173700 هکتار برابر با 5/8 درصد افزایش داشته است. این موضوع با نتایج حاصل از مطالعه عفیفی (2)، فتح­اللهی رودباری و همکاران (10)، فرج اللهی و همکاران (9) و غلامعلی فرد و همکاران (11) هم­خوانی دارد. میزان تغییرات کاربری مربوط به کلاس اراضی مسکونی نیز با روند افزایشی از مقدار 25/18731 هکتار در سال 1365 به 75/37518 هکتار در سال 1398 رسیده که با افزایشی معادل 50/18787 هکتار (9/0 درصد) در طی این دوره مواجه بوده است که با نتایج حاصل از پژوهش حسن و همکاران (11)، عفیفی (2)، فتح­اللهی رودباری و همکاران (10)، فرج اللهی و همکاران (9) و غلامعلی فرد و همکاران (11) مطابقت دارد. افزایش جمعیت به­سرعت باعث توسعه مناطق مسکونی و شهری و افزایش سطح این نوع کاربری با شیب نسبتاً زیادی به­خصوص در سال­های اخیر شده است که می­توان بخشی از آن را به برنامه­های دولت در­زمینه ساخت­و­ساز مسکن در مناطق اطراف شهرها نسبت داد.

تبدیل و تغییرات کاربری /پوشش اراضی به مناطق شهری و اراضی کشاورزی، اختلال زیادی در ارزش­های خدمات اکوسیستم به­خصوص در­زمینه زیبایی منظر، منابع ژنتیکی، چرخه عناصر غذایی، کنترل فرسایش، آشفتگی اقلیمی، پهنه های آبی و حاصلخیزی خاک ایجاد می­کند که عواقب این تغییرات، منجر به بروز اختلالات زیادی در خدمات اکوسیستم­های طبیعی می­باشد (26). این افزایش سطح اراضی زراعی بخصوص در مناطق مرکزی و شرق استان محسوس­تر است و می­تواند زنگ خطري براي آینده باشد به این معنی که در یک روند نامحسوس اراضی مرتعی و جنگلی تبدیل به اراضی زراعی دیم و پس از مدتی بهره­برداري غیراصولی، در­نهایت به­صورت اراضی بایر و غیر­ قابل­استفاده در­می­آیند.

از طرفی این امر می­تواند گویای افزایش جمعیت و تقاضای اسکان و در پی آن تأمین نیازهای ساکنین منطقه تهدیدی برای اراضی مرتعی باشد که لازم است به­جای افزایش سطح اراضی زراعی و مسکونی و تبدیل اراضی مرتعی به چنین کاربری­هایی که خود پشتوانه بخش کشاورزی محسوب می­شوند، سیاست افزایش بهره­وری در بخش کشاورزی دنبال گردد.

در­نهایت می­توان با شناخت و مدیریت اصولی کاربري اراضی مانع از ایجاد چنین سرنوشتی براي سایر اراضی منطقه شد. بعضی از پژوهشگران راه­حل این امر استفاده مناسب از اراضی بر اساس ارزیابی و آمایش سرزمین دانستند. علاوه بر آن نادیده گرفتن محدودیت­ها و توان سرزمین، شدت مشکلات را افزایش داده و می­توان با توزیع و پراکنش زمین­هاي زراعی، مرتعی، تراکم مناطق شهري کنونی و مراکز تجاري و اعمال مدیریت در آن­ها تا حد امکان توسعه را در مسیر مطلوب­تر قرار داد. در خصوص پیکره­های آبی می­توان بیان نمود که در طی این دوره زمانی به میزان 6/1 درصد معادل 75/32568 هکتار افزایش نشان داده است. این مقدار افزایش پیکره­های آبی را تا حدی می­توان به بارندگی­های فراوان و آبگیری پیکره­های آبی و حتی جاری شدن سیل در مناطق مختلف استان در سال 1398 نسبت داد. این نتیجه با مطالعات پیش­بینی میزان تغییرات کاربری اراضی در سال 1429 گویای آن است که در سال­های آتی نیز از سطح مراتع و جنگل­ها در محدوده مطالعاتی به ترتیب به میزان 25/131906 و 291600 هکتار کاسته شده و در مقابل سطح اراضی زراعی و مناطق مسکونی به ترتیب به مقدار 50/164137 و 25/25313 هکتار افزایش خواهد یافت. از­این­رو اتخاذ تدابیر و سیاست­های لازم در خصوص کاهش بیشتر اراضی جنگلی و مرتعی امری اجتناب­ناپذیر خواهد بود. از طرفی اگر­چه شناخت شرایط کاربری­های مختلف اراضی در طی دوره­های آتی، برنامه­ریزی برای آینده را به­واسطه ایجاد اطلاعات به لحاظ الگوی پراکنش مکانی آن­ها تسهیل می­کند ولی حفظ و ایجاد شرایط پایدار برای آینده هم به لحاظ آماری و هم به لحاظ اکولوژیکی از محدودیت­های آن است. این محدودیت­ها نقش مهمی در استفاده مطمئن از کاربری­های مختلف اراضی در فرآیند برنامه­ریزی ایفا می­کند. بنابراین ایجاد شرایط پایدار در منطقه و مدل­سازی آن به­منظور استفاده منظم و پایدار از منابع طبیعی یک منطقه از پیش­شرط­های رسیدن به چشم­اندازها و اسناد بالادستی از­جمله طرح توسعه پایدار است.

منابع مورد ­استفاده ­

 

1.       Abbas I I, Muazu KM, Ukoje JA. 2010. Mapping Land Use-land Cover and Change Detection in Kafur Local Government, Katsina, Nigeria (1995-2008) Using Remote Sensing and GIS. Research Journal of  Environmental and Earth Sciences. 2(1): 6-12.

2.       Afifi M E. 2020. Modeling Land use changes using Markov chain model and LCM model. Journal of Applied researches in Geographical Sciences, 20 (56):141-158. (in Persian) doi:10.29252/jgs.20.56.141

3.       Bakr N, Weindorf D C, Bahnassy M H, Marei S M, El-Badawi M M. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography, 30(4):592-605. http://dx.doi.org/10.1016/j.apgeog.2009.10.008

4.       Battsengel V, Tsolmon D, Byambakhuu G, Myagmartseren P, Otgonbayar L, Falin W. 2020. Spatiotemporal monitoring and prediction of land use/land cover changes using CA-Markov chain model: a case study in Orkhon Province, Mongolia. Proc. SPIE 11535, Remote Sensing Technologies and Applications in Urban Environments V, 115350E (20 September 2020); https://doi.org/10.1117/12.2574032

5.       Eastman J R. 2006. IDRISI Andes. Guide to GIS and Image Processing, Clark Labs, Clark University,
Worcester, MA.

6.       Eastman J R. 2009. Idrisi taiga manual. Clark Lab. Clark University. Worcester, USA.333 P.

7.       Eastman J R. 2014. Idrisi TerrSet 18.00. Clark University, Worcester, MA, USA. 392 P.

8.       Fang S, George Z, Gertnera G Z, Sun Z, Andersonc A. 2005. The Impact of Interactions in Spatial Simulation of the Dynamics of Urban Sprawl, Landscape and Urban Planning, 73: 294–306. http://dx.doi.org/10.1016/j.landurbplan.2004.08.006

9.       Farajollahi A, Asgari H, Ownagh M, Mahboubi M, Salman Mahini A. 2015. Monitoring and prediction of spatial and temporal changes of landuse/ cover (Case study: Marave Tappeh region, Golestan). Journal of RS and GIS for Natural Resources, 6(4), 1-14. (in Persian)

10.       Fathollahi roudbary S, Nasirahmadi K, khanmohamadi M. 2018. land use change modeling using LCM module (Case study: NEKA region). Journal of Natural Ecosystem of Iran, 9(1): 53-69. (in Persian) http://neijournal.iaunour.ac.ir/article_544280_8c028323a531b13ee04e4dd4d45ae804.pdf

11.       Gholamalifard M, Mirzayi M, Joorabian Shooshtari S. 2014. Land use change modeling using artificial neural network and markov chain (Case study: Middle Coastal of Bushehr Province). Journal of RS and GIS for Natural Resources, 5(1), 61-74. (in Persian)

12.       Haibo Y, Longjiang D, Hengliang G, Jie Z. 2011. Tai'an land use Analysis and Prediction Based on RS and Markov Model. Procedia Environmental Sciences, 10:2625- 2610. http://dx.doi.org/10.1016/j.proenv.2011.09.408

13.       Hasan S, Shi W, Zhu X, Abbas S, Khan H U A. 2020. Future Simulation of Land Use Changes in  Rapidly  Urbanizing South China Based on Land Change Modeler and Remote Sensing Data. Sustainability, 12(11): 1-24. http://dx.doi.org/10.3390/su12114350

14.       Jokar Arsanjani J, Kainz W, Mousivand A. 2011. Tracking Dynamic Land Use Change Using Spatially Explicit Markov Chain Based on Cellular Automata: the Case of Tehran. International Journal of Image and Data Fusion, 2: 329-345. https://doi.org/10.1080/19479832.2011.605397

15.       Kalnay E. Cai M. 2003. Impact of urbanization and land-use change on climate. Nature, 423(6939): 528- 531. http://dx.doi.org/10.1038/nature01675

16.       Kindu M, Schneider T, Teketay D, Knoke T. 2016. Changes of ecosystem service values in response to land use/land cover dynamics in Munessa–Shashemene landscape of the Ethiopian highlands. Science of The Total Environment, 547: 137-147. http://dx.doi.org/10.1016/j.scitotenv.2015.12.127

17.       Lu D, Weng Q. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 5: 823–870. http://dx.doi.org/10.1080/01431160600746456

18.       Martínez M L, Pérez-Maqueo O, Vázquez G, Castillo-Campos G, García-Franco J, Mehltreter K, Landgrave R. 2009. Effects of land use change on biodiversity and ecosystem services in tropical montane cloud forests of Mexico. Forest Ecology and Management, 258(9): 1856-1863. http://dx.doi.org/10.1016/j.foreco.2009.02.023

19.       Mishra V, Rai P, Mohan K. 2014. Prediction of land use changes based on land change modeler (LCM) using remote sensing: A case study of Muzaffarpur (Bihar), India. Journal of the Geographical Institute "Jovan Cvijic", SASA, 64(1): 111–127. http://dx.doi.org/10.2298/IJGI1401111M

20.       Mir Alizadehfard S, Alibakhshi S. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Journal of RS and GIS for Natural Resources, 7(2), 33-46. (in Persian)

21.       Mosaedi A, Sharifan H, Shahabi M. 2007. Risk Management by identification of microclimates in Golestan province. Applied research report, Iran Meteorological Organization, 171 pp. (in Persian)

22.       Nazari Samani A, Ghorbani M, Kohbanani H R. 2010.landuse changes in taleghan watershed from 1987 to 1380. Rangeland, 4(3): 442-451. (in Persian)

23.       Onate-vadiieso F, sendra J B. 2010. Aplication of GIS and Remote sensing technequs in generation of landuse scenario for hidrological modeling. Journal of Hydrology, 395 (4): 256-264. 10.1016/j.jhydrol.2010.10.033

24.       Parker D C, Manson S M, Janssen M A, Hoffmann M J, Deadman M J. 2003. Multi agent systems for the simulation of land use and land cover change: A Review, Annals of the Association of American Geographers, 93(2): 314–337. https://doi.org/10.1111/1467-8306.9302004

25.       Sari, F. 2020. Assessment of Land - Use Change Effects on Future Beekeeping Suitability Via CA-Markov Prediction Model, Journal of Apicultural Science, 64(2): 263-276. doi: https://doi.org/10.2478/jas-2020-0020

26.       Szumacher I, Pabjanek P. 2017. Temporal Changes in Ecosystem Services in European Cities in the continental Biogeographical Region in the Period from 1990–2012. Sustainability, 9(4): 665. http://dx.doi.org/10.3390/su9040665

27.       Vaclavik T, Rogan J. 2010. Identifying trends in land use/land cover changes in the context of post-socialist transformation in Central Europe: A case study of the greater Olomouc region, Czech Republic. GIS Science and Remote Sensing, 46 (1):54-76. https://doi.org/10.2747/1548-1603.46.1.54

28.       Wang R, Murayama Y. 2017. Change of Land Use/Cover in Tianjin City Based on the Markov and Cellular Automata Models. ISPRS International Journal of Geo-Information, 6: 150. https://doi.org/10.3390/ijgi6050150

29.       Wang SW, Gebru B M, Lamchin M, Kayastha R B, Lee W K. 2020. Land Use and Land Cover Change Detection and Prediction in the Kathmandu District of Nepal Using Remote Sensing and GIS. Sustainability. 12(9):3925. https://doi.org/10.3390/su12093925

30.       Yuan F, Sawaya K E, Loeffelholz B C, Bauer M E. 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote Sensing of Environment, 98:317-328. http://dx.doi.org/10.1016/j.rse.2005.08.006

land cover change modeling using Land Change Modeling in Golestan province

 

Abstract

 

Monitoring and modeling of land use change is one of the main topics of research in global environmental change and sustainable development field. The aim of this study was to detection in Golestan province during the years 1986 to 2019 and to predict the land use status of the region for 2050 using the Land Change Modeling (LCM) approach. For this purpose, Landsat images series (L5-TM 1986, L5-TM 2001 and L8-OLI- 2019) were used to prepare the land use map of the study area. The results show that during the period 1986-2019, amount of forest and rangeland reduction was 8.9% and 2.2%, respectively. The rate of increase in agricultural, water areas and residential are 8.5%, 1.6% and 0.9%, respectively. Transition potential modeling was performed using LCM and Markov chain. In this study, 5 sub-models along with 8 explanatory variables including digital elevation model, slope, distance from road, distance from water area, distance from rangeland, distance from forest, distance from agricultural lands and distance from residential areas were selected for modeling. prediction of land use map for 2019 was performed with using hard forecasting model and calibration period 1365- 1380.  The accuracy of the CA-Markov model was estimated using the Kappa index of 0.84. According to the pridicted map of 2019, rangelands, water bodies and forest uses were estimated by 21206.5, 23456.25 and 61818.75 hectares less than the real amount respectively, and agricultural and residential areas in the same period of this time were estimated by 101193.75 and 5287.5 hectares more than the real amount, respectively. Based on the results, in 2050 Compared to 2019, forest and rangelands will decrease by 2.82 % and 6.47 %, respectively, and the area of cultivated and residential will increase by 8.05 % and 1.24 %, respectively. no changing was observed in Water areas.

Keywords: Modeling, Land use, Land Change Modeler, Markov Chain, Golestan province. 

 

 

مدل­سازی تغییرات پوشش اراضی استان گلستان با استفاده از مدل­سازی تغییرات کاربری (Land Change Modeler)

طرح مسئله: در طي چند دهة اخير، تغيير كاربري اراضي تحت اثر عوامل محيطي و انساني سبب بروز اثرات جدي بر محيط­زيست و اقتصاد در استان گلستان شده است. از طرفی عرصه­هاي مرتعي و طبيعي وسيعي بدون رعايت اصول اکولوژیکی و علمي به زير كشت محصولات زراعي رفته يا در جهت مقاصد خاص مورد بهره­برداري قرار گرفته­ و تبديل به ساير كاربري­ها شده­اند. درحالي­كه بسياري از اين اراضي استعداد كاربري­های جدید را دارا نبوده و استعداد فرسايشي بالايي دارند كه در­نتيجه اين امر شاهد فرسايش خاك به­ويژه در اراضي شيب­دار و ايجاد سيلاب­هاي ويرانگر خواهیم بود. لذا داشتن آگاهی از نوع و نحوه استفاده از اراضی و تغييرات احتمالی آن در طي زمان که از موارد مهم جهت برنامه­ريزي و سياست­گذاري در كشور خواهد بود لازم و ضروری است.

هدف: این مطالعه با­هدف آشکارسازی تغییرات کاربری اراضی استان گلستان در طی سال‌های 1365 تا 1398 و پیش­بینی وضعیت کاربری اراضی منطقه برای سال­ 1429 با استفاده از رویکرد مدل‌ساز تغییر زمین LCM انجام شد.

روش تحقیق: به­منظور پایش روند تغییرات کاربري اراضی منطقه مورد­مطالعه از تصاویر ماهواره­اي لندست 5 و 8 (سنجنده TM و OLI مربوط به سال­های 1365، 1380 و 1398) استفاده شد. تفسیر و پردازش داده­های ماهواره­ای در نرم­افزار 5.3 ENVI انجام گرفت. سپس پیش­پردازش­های لازم بر روی تصاویر اعمال شد. ابتدا تصاویر مورد­نظر با­هم موزائیک شده و سپس بر اساس مرز استان برش داده شد. جهت شناسایی و تفکیک پدیده­ها از یکدیگر، تصویر رنگی کاذب تهیه شد. در ادامه از روش طبقه­بندی نظارت­شده با روش حداکثر احتمال (Maximum likelihood) استفاده شد. در این مرحله پنج کلاس کاربری شامل مرتع، زراعت، جنگل، مسکونی و پیکره­های آبی تعریف گردید. نقشه­های کاربری اراضی مربوط به سال­های 1365، 1380 و 1398 تهیه شد. از روی­ هم­گذاری نقشه­های پوشش زمین مربوط به سال­های 1365، 1380 و 1398 به­­عنوان ورودی مدل LCM و نقشه­های مدل رقومی ارتفاع (DEM) و لایه­های جاده و آبراهه برای تحلیل تغییرات منطقه و پیش­بینی تغییرات کاربری سرزمین سال 1429 استفاده شد. پس از انجام تجزیه­و­تحلیل­های لازم به­منظور آشکارسازی تغییرات کاربری اراضی میان دوره­های زمانی مورد­نظر، نقشه­های تغییرات و انتقال کاربری­ها تهیه شد. در­نهایت میزان کاهش­ و افزایش­ در هر کاربری، میزان تغییرات خالص، تغییر خالص از سایر کاربری­ها به یک طبقه مورد­نظر، مناطق بدون تغییر و انتقال از هر کاربری به کاربری دیگر در طبقات گوناگون پوشش سرزمین به­صورت نقشه و نمودار تهیه و مورد تجزیه­و­تحلیل واقع شد.

نتایج و بحث: این تحقیق با­هدف پیش­بینی و مدل­سازی تغییرات کاربری اراضی در یک دوره 33 ساله در استان گلستان انجام شد. بر اساس نتایج طی این دوره، مساحت مراتع استان کاهش زیادی داشته که این میزان تغییرات کاهشی معادل مساحتی برابر با 25/181181 هکتار بوده است. بخش زیادی از کاهش مراتع در اثر تبدیل آن به اراضی زراعی است که دلیل آن را می­توان افزایش جمعیت و نیاز به گسترش اراضی زراعی دانست. مساحت اراضی جنگلی نیز، طی سال­های مذکور از مقدار 75/393018 هکتار به مقدار 75/349143 هکتار در سال 1398 رسیده که کاهشی بالغ­بر 43875 هکتار (2/2 درصد) نشان داده است. به­طور­کلی تخریب عرصه­هاي مرتعی و جنگلی امري است که بخصوص در کشورهاي در­حال­توسعه به دلیل افزایش جمعیت، رشد تکنولوژي و رعایت نکردن اصول اکولوژیکی و اجراي قوانین قابل­مشاهده است. همچنین نتایج حاصل از نقشه­های طبقه­بندی­شده طی سال­های مذکور نشان­دهنده این است که بیشترین مقادیر تغییرات منطقه مرتبط با اراضی زراعی بوده به­طوری­که میزان این اراضی طی همین دوره 173700 هکتار برابر با 5/8 درصد افزایش داشته است. میزان تغییرات کاربری مربوط به کلاس اراضی مسکونی نیز با روند افزایشی از مقدار 25/18731 هکتار در سال 1365 به 75/37518 هکتار در سال 1398 رسیده که با افزایشی معادل 50/18787 هکتار (9/0 درصد) در طی این دوره مواجه بوده است. افزایش جمعیت به­سرعت باعث توسعه مناطق مسکونی و شهری و افزایش سطح این نوع کاربری با شیب نسبتاً زیادی به­خصوص در سال­های اخیر شده است که می­توان بخشی از آن را به برنامه­های دولت در­زمینه ساخت­و­ساز مسکن در مناطق اطراف شهرها نسبت داد. این افزایش سطح اراضی زراعی بخصوص در مناطق مرکزی و شرق استان محسوس­تر است و می­تواند زنگ خطري براي آینده باشد به این معنی که در یک روند نامحسوس اراضی مرتعی و جنگلی تبدیل به اراضی زراعی دیم و پس از مدتی بهره­برداري غیراصولی، در­نهایت به­صورت اراضی بایر و غیر­قابل استفاده در­می­آیند. از طرفی این امر می­تواند گویای افزایش جمعیت و تقاضای اسکان و در پی آن تأمین نیازهای ساکنین منطقه تهدیدی برای اراضی مرتعی باشد که لازم است به­جای افزایش سطح اراضی زراعی و مسکونی و تبدیل اراضی مرتعی به چنین کاربری­هایی که خود پشتوانه بخش کشاورزی محسوب می­شوند، سیاست افزایش بهره­وری در بخش کشاورزی دنبال گردد. در خصوص پیکره­های آبی می­توان بیان نمود که در طی این دوره زمانی به میزان 6/1 درصد معادل 75/32568 هکتار افزایش نشان داده است. این مقدار افزایش پیکره­های آبی را تا حدی می­توان به بارندگی­های فراوان و آبگیری پیکره­های آبی و حتی جاری شدن سیل در مناطق مختلف استان در سال 1398 نسبت داد. پیش­بینی میزان تغییرات کاربری اراضی در سال 1429 گویای آن است که در سال­های آتی نیز از سطح مراتع و جنگل­ها در محدوده مطالعاتی به ترتیب به میزان 25/131906 و 291600 هکتار کاسته شده و در مقابل سطح اراضی زراعی و مناطق مسکونی به ترتیب به مقدار 50/164137 و 25/25313 هکتار افزایش خواهد یافت. از ­این­رو اتخاذ تدابیر و سیاست­های لازم در خصوص کاهش بیشتر اراضی جنگلی و مرتعی امری اجتناب­ناپذیر خواهد بود.

نتیجه­گیری: اگر­چه شناخت شرایط کاربری­های مختلف اراضی در طی دوره­های آتی، برنامه­ریزی برای آینده را به­واسطه ایجاد اطلاعات به لحاظ الگوی پراکنش مکانی آن­ها تسهیل می­کند ولی حفظ و ایجاد شرایط پایدار برای آینده هم به لحاظ آماری و هم به لحاظ اکولوژیکی از محدودیت­های آن است. این محدودیت­ها نقش مهمی در استفاده مطمئن از کاربری­های مختلف اراضی در فرآیند برنامه­ریزی ایفا می­کند. بنابراین ایجاد شرایط پایدار در منطقه و مدل­سازی آن به­منظور استفاده منظم و پایدار از منابع طبیعی یک منطقه از پیش­شرط­های رسیدن به چشم­اندازها و اسناد بالادستی از­جمله طرح توسعه پایدار است.

 واژگان کلیدی: مدل­سازی، کاربری اراضی، LCM، زنجیره مارکوف، استان گلستان.

 

land cover change modeling using Land Change Modeling in Golestan province

Abstract

 

Statement of the Problem: In recent decades, land use change due to environmental and human factors has caused serious effects on the environment and economy in Golestan province. On the other hand, wide rangelands and natural areas have been cultivated without observing ecological and scientific principles or have been exploited for special purposes and changing to other uses, while many of these lands are do not have the potential to become a new land uses and they have a high potential for erosion, as a result of which we will see soil erosion, especially in sloping lands and the creation of destroyer floods. Therefore, it is necessary and essential to be aware of the type and manner of use and its possible changes over time, which will be important for planning and policy-making in the country.

Purpose: The aim of this study was to detection the land use changes in Golestan province during the years 1365 to 1398 and to predict the land use status of the region for 1429 using the Land Change Modeling (LCM) approach.

Methodology: In order to monitor the trend of land use changes in the study area, Landsat 5 and 8 satellites (TM and OLI sensors for 1365, 1380 and 1398) were used. Interpretation and processing of satellite data was performed in ENVI 5.3 software. Then the necessary pre-processing was performed on the images. First, the images were mosaic together and then cut according to the province boundary. In order to identify and separate the phenomena from each other, a false color image was created. Then, the supervised classification method with maximum likelihood method was used. At this stage, five classes including rangeland, agriculture, forestry, residential and water areas were defined. Land use maps for 1365, 1380 and 1398 were prepared. Integration of land cover maps related to 1365, 1380 and 1398 was used as input of LCM model and digital elevation model (DEM) maps and road and stream layers to analyze area changes and prediction of land use changes of 1429. After the necessary analyzes in order to detect land use changes between the intended time periods, change maps and land use transfers were prepared. Finally, the amount of decrease and increase in each land use, the amount of net changes, the net change from other land uses to a desired class, areas without change and transfer from each land use to another land in different land cover classes in the form of maps and charts was prepared and analyzed.

Results and discussion: The aim of this study was prediction and modeling of land use changes in a period of 33-years in Golestan province. According to the results during this period, the area of ​​the rangelands has decreased a lot, equivalent to 181181.25 hectares. Much of the decline in rangelands is due to its conversion into agricultural, which can be attributed to population growth and the need to expand crop land. The area of ​​forest lands during the mentioned years has decreased from 393018.75 to 349143.75 hectares in 1398, which has shown a decrease of 43875 hectares (2.2%). In general, the destruction of rangeland and forest areas is especially visible in developing countries due to population growth, technological growth and non-compliance with ecological principles and law enforcement. Also, the results of classified maps during the mentioned years show that the highest amount of changes in the region is related to agricultural lands, has increased to 173700 hectares equal to 8.5 % during the same period. The rate of land use changes related to the residential land class has also increased with the increasing trend from 18731.25 hectares in 1365 to 37518.75 hectares in 1398, which has increased by 18787.50 hectares (0.9%) during this period. Rapid growth of population has led to the development of residential and urban areas and the increase in this type of land use with a relatively steep slope, especially in recent years, which can be part of the government's plans for housing construction in the surrounding areas Cities. This increase in the class of agricultural lands is more noticeable, especially in the central and eastern regions of the province, and can be a warning alarm for the future. It means that in an imperceptible trend, rangeland and forest lands become rainfed agricultural lands and after a while unprincipled exploitation, eventually become barren and unusable land. On the other hand, On the other hand, this could indicate an increase in population and demand for housing, and consequently securance of the needs of the residents of the region is a threat to rangeland lands which is necessary instead of increasing the agricultural and residential lands and turning rangeland lands into such land uses, the policy of increasing productivity in the agricultural sector should be pursued. About of water areas, it can be said that during this period, it has increased by 1.6% or 3268.75 hectares. This increase in water areas can be partly attributed to heavy rainfall and water intake and even floods in different parts of the province in 1398. Predicting the rate of land use change in 1429 indicates that in the coming years, the area of ​​rangelands and forests will be reduced by 131906.25 and 291600 hectares, respectively, and in contrast to the area of ​​agricultural land and Residential areas will increase to 164137.50 and 25313.25 hectares, respectively. Therefore, the adoption of necessary measures and policies to further reduce forest and rangeland will be inevitable.

Conclusion: Although understanding of the conditions of different land uses during the coming periods will facilitate planning for the future by creating information in terms of their spatial distribution pattern, but maintaining and creating sustainable conditions for the future both statistically and It is ecologically one of its limitations. These constraints play an important role in the safe use of different land uses in the planning process. Therefore, creating sustainable conditions in the region and modeling it in order to use the natural resources of a region regularly and sustainably is one of the preconditions for achieving upstream visions and documents, including the sustainable development plan.

Keywords: Modeling, Land use, LCM, Markov Chain, Golestan province.

 

1

 

---

Related articles