• Home
  • Investigation of forest area using support vector machine and provide a model for predicting the level of changes

Share To

Article Url


Manuscript ID : GIRS-2107-1928 (R2) Visit : 376 Page: 94 - 110

10.30495/girs.2022.684478

http://dorl.net/dor/20.1001.1.26767082.1401.13.3.6.8

Article Type: Original Research

Investigation of forest area using support vector machine and provide a model for predicting the level of changes

Subject Areas : Natural resources and environmental management

Armin Hashemi 1 , Amin Khademi 2 , Morteza Madanipour Kermanshahi 3 , Behrouz Kord 4

1 - Associate professor, Department of Forestry, Islamic Azad University, Lahijan Branch, Lahijan, Iran
2 - Assistant professor, Department of Green Space, Islamic Azad University, Malayer Branch, Malayer, Iran
3 - Assistant professor, Department of Environment, Islamic Azad University, Parand Branch, Parand, Iran
4 - Assistant professor, Department of Green Space, Islamic Azad University, Malayer Branch, Malayer, Iran

Received: 2021-07-02 Accepted : 2021-08-31 Published : 2022-09-23

Keywords: Siahkal forests, satellite imagery, Evaluation of changes of forest area, Auto-cells Markov chain,

Abstract :

Background and Objective Due to the increasing degradation at the level of the natural ecosystem, the amount and location of land use changes and predicting its future growth trend, I can provide the information I need to planners and managers. In this study, in order to change the current changes and predict the future in the Siahkal range, forecasting and changing the nose were done with Landsat images. There are various methods for predicting land use change. Processes for predicting and modelling land use change, such as urban growth and development, deforestation, etc., are considered powerful tools in managing natural resources and changing the state of the environment. This change reflects how humans interact with their environment, and its modelling has had an impact on settlement and macro-planning. In this research, due to the high capabilities of remote sensing and modelling tools and predicting changes in change using automatic-Markov cells in forests in northern Iran.Materials and Methods In this research, Landsat 5 images, 2000 TM sensor, Landsat 7 ETM+ sensor 2010 and Landsat 8 OLI sensor 2018 are used. In the preprocessing stage, errors in raw data such as radiometric, atmospheric, geometric, etc. errors are corrected. Was significant but had a radiometric error. 84 points are used for forest use, 76 points for thin forest water, 31 points for consumption and 2 required sensitivities to indicate a specific level of land cover. Land cover is defined into five classes: dense forest, semi-dense forest, sparse forest, urban area and agricultural area. The ENVI Remote sensing Software defines four types of kernels for the support vector machine in the SVM classification section: Polynomial, Sigmoid torsion, and FBCTION (RBF). According to the best kernel studies for land use classification, the radial kernel (RBF) has been proposed. In the present study, this kernel was used for classification. The classification of the appropriate band composition that you want to separate these classes for visual interpretation was selected by the spectral mean plot. This is done by the complex OIF index. After the extraction of land uses by the method, the results were evaluated accurately. Maps are prepared by land use, then with the GPS position of the earth, the map of the situation in the visible area and using the formed error matrix of kappa weakness and its overall accuracy obtained for this work, 200 points are randomly created on the images. The use of these points was determined by field visits and topographic maps of the surveying organization. Land use classification models are prepared, for modelling and land use changes are entered into office software to design land use changes in the required years. Degree of land use change modelling The LCM model was used in the Idrisi software environment. The Markov-CA model is a combination of automated cells, Markov chains, and multi-purpose land allocation. The Markov model also shows each user by generating a set of status probability images from the transfer probability matrix. In the last step of the structural model, using the transfer area matrix in the CA Markov model, a simulated simulation of future land use can be obtained. In this research, the land use map of 2010 and 2018 was used to predict the 2028 map. And in order to accurately review the forecast by CA Markov using the user map for 2000 and 2010, the map for 2018 has been predicted and increased by the map obtained from the classified level for this year.Results and Discussion The classification accuracy test was obtained using the Kappa coefficient index and overall accuracy. Kappa coefficient and overall accuracy were 0.88 and 0.89 for the image of 2000, 0.91 and 0.92 for the image of 2010, and 0.93 and 0.95 for the image of 2018, respectively. The images are categorized as entered into the software and processed by changing the LCM. Changes in the LCM model showed that during the years 2000 to 2018, more changes were related to the conversion of semi-dense forest land with an area of 42104.27 hectares. Urban land use change has also increased in the years of many studies and amounted to 148.14 hectares. The table of the probability of land use changes in the Markov production model and with the production map at this stage, for the years of Markov forecast studies for 2018 and 2028 showed that in 2028 the urban class area increased to 21293.1 hectares and the valuable land use area of dense forest to 2189.97 hectares will be reduced.Conclusion In order to prevent the uncontrolled expansion of cities, residential areas and the destruction of forest areas and vegetation, management measures should be taken and management decisions should be made. The level of dense and semi-dense forests in areas with high slopes will decrease further by 2028. Urban land use changes have also increased in the study years and amounted to 148.14 hectares. The results of surveying the area of forecasting classes showed that in 2028, the area of urban classrooms will increase to 21293.1 hectares and the valuable land use area of dense forests will decrease to 2189.97. The ability of the vector machine model in determining land cover/land use, vegetation and forest cover in different regions of Iran has been proven by other researchers. Remote sensing tools can be an important arm in information production in natural resource management.

References:

Abdalla M, Saunders M, Hastings A, Williams M, Smith P, Osborne B, Lanigan G, Jones MB. 2013. Simulating the impacts of land use in Northwest Europe on Net Ecosystem Exchange (NEE): The role of arable ecosystems, grasslands and forest plantations in climate change mitigation. Science of The Total Environment, 465: 325-336. doi:https://doi.org/10.1016/j.scitotenv.2012.12.030.

Arsanjani JJ, Kainz W, Mousivand AJ. 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(4): 329-345. doi:https://doi.org/10.1080/19479832.2011.605397.

Cabral P, Zamyatin A. 2009. Markov processes in modeling land use and land cover changes in Sintra-Cascais, Portugal. Dyna, 76(158): 191-198.

Chen C-F, Son N-T, Chang N-B, Chen C-R, Chang L-Y, Valdez M, Centeno G, Thompson CA, Aceituno JL. 2013. Multi-decadal mangrove forest change detection and prediction in Honduras, Central America, with Landsat imagery and a Markov chain model. Remote Sensing, 5(12): 6408-6426. doi:https://doi.org/10.3390/rs5126408.

Dixon B, Candade N. 2008. Multispectral landuse classification using neural networks and support vector machines: one or the other, or both? International Journal of Remote Sensing, 29(4): 1185-1206. doi:https://doi.org/10.1080/01431160701294661.

Eskandari S. 2019. Comparison of different algorithms for land cover mapping in sensitive habitats of Zagros using Sentinel-2 satellite image:(Case study: a part of Ilam province). Journal of RS and GIS for Natural Resources, 10(1): 72-87. (In Persian).

Gilks WR, Richardson S, Spiegelhalter D. 1995. Markov chain Monte Carlo in practice. CRC press. 512 p.

Jenerette GD, Wu J. 2001. Analysis and simulation of land-use change in the central Arizona – Phoenix region, USA. Landscape Ecology, 16(7): 611-626. doi:https://doi.org/10.1023/A:1013170528551.

Jiang X, Lin M, Zhao J. 2011. Woodland cover change assessment using decision trees, support vector machines and artificial neural networks classification algorithms. In: 2011 Fourth International Conference on Intelligent Computation Technology and Automation. IEEE, pp 312-315. doi:https://doi.org/310.1109/ICICTA.2011.1363.

Kavzoglu T, Colkesen I. 2009. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11(5): 352-359. doi:https://doi.org/10.1016/j.jag.2009.06.002.

Kumar S, Radhakrishnan N, Mathew S. 2014. Land use change modelling using a Markov model and remote sensing. Geomatics, Natural Hazards and Risk, 5(2): 145-156. doi:https://doi.org/10.1080/19475705.2013.795502.

Lambin EF. 1994. Modelling Deforestation processes, a review. Research Report, Joint Research Center, Institute for Remote Sensing Applications; European Space Agency, Luxembourg.

Lee JK, Acharya TD, Lee DH. 2018. Exploring land cover classification accuracy of Landsat 8 image using spectral index layer stacking in hilly region of South Korea. Sensors and Materials, 30(12): 2927-2941. doi:https://doi.org/:10.18494/SAM.2018.1934.

Lin Y-P, Chu H-J, Wu C-F, Verburg PH. 2011. Predictive ability of logistic regression, auto-logistic regression and neural network models in empirical land-use change modeling–a case study. International Journal of Geographical Information Science, 25(1): 65-87. doi:https://doi.org/10.1080/13658811003752332.

Mas JF, Flores JJ. 2008. The application of artificial neural networks to the analysis of remotely sensed data. International Journal of Remote Sensing, 29(3): 617-663. doi:https://doi.org/10.1080/01431160701352154.

Mas JF, Puig H, Palacio JL, Sosa-López A. 2004. Modelling deforestation using GIS and artificial neural networks. Environmental Modelling & Software, 19(5): 461-471. doi:https://doi.org/10.1016/S1364-8152(03)00161-0.

Merten B, Lambin E. 1997. Spatial modeling of tropical deforestation in southern Cameroon: spatial disaggregation of diverse deforestation processes. Applied Geography, 17(2): 143-162. doi:https://doi.org/10.1016/S0143-6228(97)00032-5.

Mondal MS, Sharma N, Garg PK, Kappas M. 2016. Statistical independence test and validation of CA Markov land use land cover (LULC) prediction results. The Egyptian Journal of Remote Sensing and Space Science, 19(2): 259-272. doi:https://doi.org/10.1016/j.ejrs.2016.08.001.

Pal M, Mather PM. 2004. Assessment of the effectiveness of support vector machines for hyperspectral data. Future Generation Computer Systems, 20(7): 1215-1225. doi:https://doi.org/10.1016/j.future.2003.11.011.

Pontius GR, Malanson J. 2005. Comparison of the structure and accuracy of two land change models. International Journal of Geographical Information Science, 19(2): 243-265. doi:https://doi.org/10.1080/13658810410001713434.

Quintero Vázquez G, Solís-Moreno R, Pompa-García M, Villarreal-Guerrero F, Pinedo-Alvarez C, Pinedo-Alvarez A. 2016. Detection and projection of forest changes by using the Markov Chain Model and cellular automata. Sustainability, 8(3): 236. doi:https://doi.org/10.3390/su8030236.

Reddy CS, Singh S, Dadhwal V, Jha C, Rao NR, Diwakar P. 2017. Predictive modelling of the spatial pattern of past and future forest cover changes in India. Journal of Earth System Science, 126(1): 1-16. doi:https://doi.org/10.1007/s12040-016-0786-7.

Roy S, Farzana K, Papia M, Hasan M. 2015. Monitoring and prediction of land use/land cover change using the integration of Markov chain model and cellular automation in the Southeastern Tertiary Hilly Area of Bangladesh. International Journal of Sciences: Basic and Applied Research (IJSBAR), 24: 125-148.

Tang J, Wang L, Zhang S. 2005. Investigating landscape pattern and its dynamics in Daqing, China. International Journal of Remote Sensing, 26(11): 2259-2280. doi:https://doi.org/10.1080/01431160500099410.

Turner MG. 2005. Landscape ecology in North America: past, present, and future. Ecology, 86(8): 1967-1974. doi:https://doi.org/10.1890/04-0890.

Ye B, Bai Z. 2008// 2008. Simulating Land Use/Cover Changes of Nenjiang County Based on CA-Markov Model. In: Li D (ed) Computer And Computing Technologies In Agriculture, Volume I, Boston, MA. Springer US, pp 321-329. doi:https://doi.org/310.1007/1978-1000-1387-77251-77256_77235.

Yousef S, Tazeh M, Mirzaee S, Moradi HR, Tavangar S. 2011. Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Journal of RS and GIS for Natural Resources, 2(2): 15-24. (In Persian).

_||_

Abdalla M, Saunders M, Hastings A, Williams M, Smith P, Osborne B, Lanigan G, Jones MB. 2013. Simulating the impacts of land use in Northwest Europe on Net Ecosystem Exchange (NEE): The role of arable ecosystems, grasslands and forest plantations in climate change mitigation. Science of The Total Environment, 465: 325-336. doi:https://doi.org/10.1016/j.scitotenv.2012.12.030.

Arsanjani JJ, Kainz W, Mousivand AJ. 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(4): 329-345. doi:https://doi.org/10.1080/19479832.2011.605397.

Cabral P, Zamyatin A. 2009. Markov processes in modeling land use and land cover changes in Sintra-Cascais, Portugal. Dyna, 76(158): 191-198.

Chen C-F, Son N-T, Chang N-B, Chen C-R, Chang L-Y, Valdez M, Centeno G, Thompson CA, Aceituno JL. 2013. Multi-decadal mangrove forest change detection and prediction in Honduras, Central America, with Landsat imagery and a Markov chain model. Remote Sensing, 5(12): 6408-6426. doi:https://doi.org/10.3390/rs5126408.

Dixon B, Candade N. 2008. Multispectral landuse classification using neural networks and support vector machines: one or the other, or both? International Journal of Remote Sensing, 29(4): 1185-1206. doi:https://doi.org/10.1080/01431160701294661.

Eskandari S. 2019. Comparison of different algorithms for land cover mapping in sensitive habitats of Zagros using Sentinel-2 satellite image:(Case study: a part of Ilam province). Journal of RS and GIS for Natural Resources, 10(1): 72-87. (In Persian).

Gilks WR, Richardson S, Spiegelhalter D. 1995. Markov chain Monte Carlo in practice. CRC press. 512 p.

Jenerette GD, Wu J. 2001. Analysis and simulation of land-use change in the central Arizona – Phoenix region, USA. Landscape Ecology, 16(7): 611-626. doi:https://doi.org/10.1023/A:1013170528551.

Jiang X, Lin M, Zhao J. 2011. Woodland cover change assessment using decision trees, support vector machines and artificial neural networks classification algorithms. In: 2011 Fourth International Conference on Intelligent Computation Technology and Automation. IEEE, pp 312-315. doi:https://doi.org/310.1109/ICICTA.2011.1363.

Kavzoglu T, Colkesen I. 2009. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11(5): 352-359. doi:https://doi.org/10.1016/j.jag.2009.06.002.

Kumar S, Radhakrishnan N, Mathew S. 2014. Land use change modelling using a Markov model and remote sensing. Geomatics, Natural Hazards and Risk, 5(2): 145-156. doi:https://doi.org/10.1080/19475705.2013.795502.

Lambin EF. 1994. Modelling Deforestation processes, a review. Research Report, Joint Research Center, Institute for Remote Sensing Applications; European Space Agency, Luxembourg.

Lee JK, Acharya TD, Lee DH. 2018. Exploring land cover classification accuracy of Landsat 8 image using spectral index layer stacking in hilly region of South Korea. Sensors and Materials, 30(12): 2927-2941. doi:https://doi.org/:10.18494/SAM.2018.1934.

Lin Y-P, Chu H-J, Wu C-F, Verburg PH. 2011. Predictive ability of logistic regression, auto-logistic regression and neural network models in empirical land-use change modeling–a case study. International Journal of Geographical Information Science, 25(1): 65-87. doi:https://doi.org/10.1080/13658811003752332.

Mas JF, Flores JJ. 2008. The application of artificial neural networks to the analysis of remotely sensed data. International Journal of Remote Sensing, 29(3): 617-663. doi:https://doi.org/10.1080/01431160701352154.

Mas JF, Puig H, Palacio JL, Sosa-López A. 2004. Modelling deforestation using GIS and artificial neural networks. Environmental Modelling & Software, 19(5): 461-471. doi:https://doi.org/10.1016/S1364-8152(03)00161-0.

Merten B, Lambin E. 1997. Spatial modeling of tropical deforestation in southern Cameroon: spatial disaggregation of diverse deforestation processes. Applied Geography, 17(2): 143-162. doi:https://doi.org/10.1016/S0143-6228(97)00032-5.

Mondal MS, Sharma N, Garg PK, Kappas M. 2016. Statistical independence test and validation of CA Markov land use land cover (LULC) prediction results. The Egyptian Journal of Remote Sensing and Space Science, 19(2): 259-272. doi:https://doi.org/10.1016/j.ejrs.2016.08.001.

Pal M, Mather PM. 2004. Assessment of the effectiveness of support vector machines for hyperspectral data. Future Generation Computer Systems, 20(7): 1215-1225. doi:https://doi.org/10.1016/j.future.2003.11.011.

Pontius GR, Malanson J. 2005. Comparison of the structure and accuracy of two land change models. International Journal of Geographical Information Science, 19(2): 243-265. doi:https://doi.org/10.1080/13658810410001713434.

Quintero Vázquez G, Solís-Moreno R, Pompa-García M, Villarreal-Guerrero F, Pinedo-Alvarez C, Pinedo-Alvarez A. 2016. Detection and projection of forest changes by using the Markov Chain Model and cellular automata. Sustainability, 8(3): 236. doi:https://doi.org/10.3390/su8030236.

Reddy CS, Singh S, Dadhwal V, Jha C, Rao NR, Diwakar P. 2017. Predictive modelling of the spatial pattern of past and future forest cover changes in India. Journal of Earth System Science, 126(1): 1-16. doi:https://doi.org/10.1007/s12040-016-0786-7.

Roy S, Farzana K, Papia M, Hasan M. 2015. Monitoring and prediction of land use/land cover change using the integration of Markov chain model and cellular automation in the Southeastern Tertiary Hilly Area of Bangladesh. International Journal of Sciences: Basic and Applied Research (IJSBAR), 24: 125-148.

Tang J, Wang L, Zhang S. 2005. Investigating landscape pattern and its dynamics in Daqing, China. International Journal of Remote Sensing, 26(11): 2259-2280. doi:https://doi.org/10.1080/01431160500099410.

Turner MG. 2005. Landscape ecology in North America: past, present, and future. Ecology, 86(8): 1967-1974. doi:https://doi.org/10.1890/04-0890.

Ye B, Bai Z. 2008// 2008. Simulating Land Use/Cover Changes of Nenjiang County Based on CA-Markov Model. In: Li D (ed) Computer And Computing Technologies In Agriculture, Volume I, Boston, MA. Springer US, pp 321-329. doi:https://doi.org/310.1007/1978-1000-1387-77251-77256_77235.

Yousef S, Tazeh M, Mirzaee S, Moradi HR, Tavangar S. 2011. Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Journal of RS and GIS for Natural Resources, 2(2): 15-24. (In Persian).
Full-Text:


بررسی سطح جنگل با استفاده از ماشین بردار پشتیبان  و ارائه مدل پیش بینی تغییرات سطح جنگل

 

 

 

چکیده :

بیشینه و هدف :با توجه به تخریب فزاینده در سطح اکوسیستم های طبیعی، تعیین میزان و موقعیت وقوع تغییرات کاربری اراضی و پیش بینی روند آن در آینده می تواند اطلاعات ارزنده ای را به برنامه ریزان و مدیران ارایه دهد. در این تحقیق به منظور پایش تغییرات در حال حاضر و پیش بینی آن در آینده در محدوده سیاهکل ارزیابی و پیش بینی تغییرات با تصاویر لندست انجام شد.

 مواد و روشها:جهت انجام تحقیق حاضر از تصاویر ماهواره ای سال های 2000 و 2010 ، 2018 ماهواره لندست استفاده شده گردید. و ابتدا صحت تصاویر از نظر هندسی کنترل شد. اقدام به استخراج راه‌ها و آبراهه ها از نقشه‌های 1:25000 سازمان نقشه‌برداری و تطابق آن‌ها با تصاویر مورد استفاده شد و تطابق مشاهده شده نشان داد که در تصاویر خطای هندسی وجود ندارد. سپس با استفاده از شاخص OIF بهترین ترکیب باندی انتخاب شد. شاخص OIF، برای سال های 2000، 2010 و 2018 به ترتیب 41/77 ، 02/54 و 18/8922 به دست آمد و ترکیب باندی انتخابی برای این سال ها به ترتیب 357 ، 345 و 345 بود. سپس، با روش ماشین بردار پشتیبان، با استفاده از بهترین ترکیب باندی انتخاب شده و نمونه های آموزشی و تعلیمی، طبقه بندی شد.

نتایج و بحث:ارزیابی صحت طبقه بندی با استفاده از شاخص ضریب کاپا و دقت کلی به دست آمد. ضریب کاپا و دقت کلی برای تصویر سال 2000، به ترتیب 88/0 و 89/0 و برای تصویر 2010، 91/0 و 92/0 و برای تصویر سال 2018، 93/0 و 95/0 به دست آمد. تصاویر طبقه بندی شده وارد نرم افزار ایدریسی شده و به پایش تغییرات با LCM پرداخته شد. پایش تغییرات در مدل LCM نشان داد در طی سال های 2000 تا 2018، بیشترین تغییرات مربوط به تبدیل کاربری جنگل نیمه متراکم با مساحت 27/4104هکتار بوده است. تغییرات کاربری شهری نیز در سال های مطالعاتی زیاد و به مقدار 14/148 هکتار افزایش داشته است. جدول احتمال تغییرات کاربری ها در مدل مارکوف تولید و با نقشه تولیدی در این مرحله، برای سال های مطالعاتی پیش بینی با مارکوف برای سال های 2018 و 2028 نشان داد در سال 2028 مساحت کلاس شهری به 1/21293 هکتار افزایش یافته و مساحت کاربری باارزش جنگل متراکم به 97/2189  هکتار کاهش می یابد.

 نتیجه گیری: جهت جلوگیری از گسترش بی رویه شهرها، مناطق مسکونی و تخریب عرصه های جنگلی و پوشش گیاهی باید اقدامات مدیریتی انجام شود و تصمیمات مدیریتی اتخاذ گردد. مقدار سطح جنگلهای متراکم و نیمه متراکم در مناطق با شیب زیاد تا سال2028 کاهش  بیشتری می یابد.

 

کلمات کلیدی: ارزیابی تغییرات سطح جنگل، تصاویر ماهواره ای، سلول های خودکار- زنجیره مارکوف، جنگل های سیاهکل.

 

 

 

 

 

 

مقدمه

رشد سریع جمعیت و توسعه فعالیت های کشاورزی و صنعتی و همچنین گسترش ارتباطات جهانی در ابعاد تجاری و اقتصادی، فرهنگی و سیاسی باعث شده است که انسان ها به شکل غیرمنطقی از محیط زیست خود استفاده کنند (19و2). با توجه به آنکه تغییرات در کاربری اراضی پوشش گیاهی در سطوح وسیع و گسترده صورت می گیرد لذا فناوری سنجش ازدور یک ابزار مهم در بررسی و پایش تغییرات هست (3 و 12). این فناوری به کمک تصاویر ماهواره ای، منبع مهمی از داده های مربوط به کاربری و پوشش اراضی را فراهم می کند که می تواند در نظارت بر تغییرات آنها به گونه ای مؤثر مورداستفاده قرار گیرد. (4 و 15) 

به طور معمول، پس از آنکه یک شبکه عصبی طراحی و پیاده سازی شد، باید پارامترهای w و b به ازای مجموعه هایی از سیگنال های ورودی، به گونه ای تنظیم شوند که سیگنال های خروجی شبکه، خروجی مطلوب را تشکیل دهند. چنین فرایندی را آموزش دیدن شبکه عصبی می نماند (در نخستین مرحله آموزش، مقادیر w و b به طور تصادفی انتخاب می شوند. زیرا تا مقادیر این پارامترها تعیین نگردند، شبکه عصبی قابل استفاده نخواهد بود) در حین آموزش دیدن شبکه عصبی مقدار پارامترها به مقدار حقیقی و نهایی خود نزدیکتر می شوند (6 و10).

روش های آموزش به دو دسته کلی تقسیم می شوند: روش نظارت شده و و روش نظارت نشده یا بدون سرپرست. روشهای آموزش با نظارت هنگامی به کار می رود که بردار خروجی شبکه از قبل تعریف شده است. در این صورت وقتی شبکه در حالت آموزش است، بلافاصله پاسخ صحیح به آن برگشت داده می شود و الگوریتم آموزش به دنبال حداقل کردن اختلاف بردار خروجی صحیح و بردار خروجی حاصله است (4و5). در آموزش بدون نظارت که برای خوشه بندی یا ویژگی یابی استفاده می شود، بردار خروجی از قبل تعریف نشده است و لذا هیچ نوع پس خوری وجود ندارد و تنها به شبکه آموزش داده می شود تا فقط مشابهت های بین بردارهای ورودی (الگوهای مختلف) را شناسایی و از طریق آن خوشه بندی انجام شود (11). با استفاده از اطلاعات تغییر کاربری اراضی یک دوره تغییراتی را تشریح کرد، LCM می تواند نقشه های پتانسیل تبدیل (احتمال تغییر کاربری زمین در آینده) را ایجاد نماید (6، 7 و 8).

تبدیل کاربری ها می تواند در مجموعه ای از زیر مدل ها گروه بندی و اجرا شود و پتانسیل هر یک از متغیرهای ورودی بررسی شود. متغیرها می توانند به صورت ایستا و یا پویا به مدل اضافه شوند. متغیرهای پویا در هر چرخه از اجرای مدل، مجددا محاسبه می شود. هر یک از تبدیل های کاربری اراضی می تواند با استفاده از روش های رگرسیون لجستیک و شبکه های عصبی مصنوعی پرسپترون چند لایه، مدل سازی شود. نتیجه اجرای مدل با هر یک از این روش ها بصورت نقشه های پتانسیل تبدیل ارائه خواهد شد(8). رده بندی خودکار پیکسل های سازنده تصاویر سنجش ازدور، اختصاص دادن یک برچسب و یا کد، به هر یک از پیکسل ها را شامل می شود که نشان دهنده موضوع واقعی است. مشکل تشخیص و رده بندی در این است که ارزش عددی هرکدام از پیکسل ها باید به صورت نوعی پوشش جغرافیایی، زمین شناسی و یا سایر عوارض سطح زمین شناسایی شود (2). تعیین موضوع طبقه یک پیکسل ناشناخته بر اساس تشابهات خصوصیات طیفی پیکسل (ناشناخته) با خصوصیات پیکسل هایی که دارای رده شناخته شده ای هستند، خواهد بود. هر رده موضوعی دارای خصوصیت منحصربه فرد طیفی است که می تواند از تصویر ماهواره ای چند طیفی مشتق شود. هنگامی که تغییرات طیفی بین رده های موضوعی بیشتر از اختلافات موجود در میان طیفهست، طبقه بندی موفقیت آمیزی امکان پذیر است (9 و21). فهم الگوی طیفی، شامل دو مرحله از ادراک است. اولین مرحله تشخیص الگوهای طیفی برای هر رده موضوعی است. دومین مرحله روش تصمیم گیری طبقه بندی است که یک پیکسل را به یک رده موضوعی بر اساس خصوصیات طیفی آن پیکسل در مقایسه با الگوهای طیفی شناخته شده حاصله در مرحله اول، قلمداد می کند (10 و 15).

برنامه LCM در واقع یک ابزار برای مدیریت و برنامه ریزی زمین و همچنین ابزار پشتیبان تصمیم گیری است. این مدل به طور گسترده ای در الویت بندی تلاش های برنامه ریزی و حفاظت از محیط زیست استفاده می شود. مدل ساز تغییر زمین به کاربر اجازه می دهد که به طور سریع تغییرات کاربری اراضی را تجزیه و تحلیل کند و همچنین سناریو های تغییر کاربری در آینده را در وضعیت های مختلف پیش بینی، و اثرات گونه ها و تنوع زیستی را مدل سازی نماید (1،2و14).

مدل ساز تغییر زمین با اجرای خودکار و کاربر پسند، تحلیل های پیچیده مربوط به تغییرات کاربری، مدیریت منابع و ارزیابی زیستگاه را به شکل ساده ایی میسر کرده است. این مدل ساز که بطور کامل با برنامه ایدریسی یکپارچه شده است، امکانات متعددی برای تجزیه و تحلیل های تغییرات کاربری را بطور کامل و یکجا، فراهم نموده است. پایش و شبیه سازی الگوی پوشش زمین در نواحی مختلف کشور ایران با بهره گیری از مدل ترکیبی زنجیره مارکوف و سلول های خودکار انجام شده است (2). 

روش های گوناگونی برای پیش بینی تغییرات کاربری اراضی وجود دارد. فرایند های پیش بینی و مدلسازی تغییرات کاربری اراضی، از قبیل رشد و توسعه شهری، جنگل زدایی و غیره به عنوان ابزاری توانمند در مدیریت منابع طبیعی و پایش تغییرات زیست محیطی به شمار می آیند(26،27). این تغییرات نشان دهنده چگونگی تعاملات بشر با محیط زیست خود بوده و مدلسازی آن در تصمیم گیریها و برنامه ریزی های کلان، تاثیرگذار است. در این تحقیق نیز با توجه به توانمندی های بالای سنجش از دور و ابزارهای مدل سازی و پیش بینی تغییرات با استفاده از سلول های خودکار- زنجیره مارکوف در جنگل ها  در شمال ایران پرداخته می شود.

 

روش تحقیق

منطقه مورد مطالعه

محدوده مطالعاتی بخش مرکزی سیاهکل از شهرستان‌های استان گیلان در شمال ایران است. شهرستان سياهكل از شمال و شمال شرقي به شهرستان لاهيجان، از شمال غرب به شهرستان رشت، ازغرب جنوب و جنوب غربي به شهرستان رودبار و استان قزوين، ازجنوب شرق به شهرستان رودسر، ازشرق به شهرستان املش و لنگرود محدود مي شود. اين شهرستان در مختصات جغرافيايي 53  48ْ الی 34  50 طول شرقي و 34  36ْ الی  27  38ْ عرض شمالي قرار دارد (شکل 1).

 

img0 

شکل1. نمایی از محدوده مطالعاتی در ایران و گیلان

Figure 1. A view of the study area in Iran and Gilan

 

انتخاب تصاویر مورداستفاده در تحقیق

در این تحقیق از تصاویر لندست 5، سنجنده    TMسال 2000و لندست 7 سنجنده ETM+ سال2010 و لندست 8 سنجنده OLI سال  2018 استفاده شده است.

 

 پیش پردازش داده ها

به منظور استفاده از این تصاویر و استخراج اطلاعات از این دادهها در زمینه هاي مختلف، فرآیند آنالیز این دادهها انجام میگیرد. فرآیند آنالیز، شامل فرآیندهاي پردازشی است که نهایتاً منجر به استخراج اطلاعات میگردد. در مرحله پیش پردازش خطاهاي موجود بر روي دادههاي خام از قبیل خطاهاي رادیومتري، اتمسفري، هندسی و غیره تصحیح می گردد.

توجـه بـه بررسيهاي صورت گرفته و انطباق راههـاي ارتبـاطي اسـتخراج شـده از نقشــه توپـوگرافي سـازمان نقشـه بــرداري بــا تصــوير ماهوارهاي، اين تصاوير فاقد خطاي هندسي قابل توجهي بود امـا داراي خطاي راديومتريک بود که ابتدا تصحيح راديومتريـک بـر روي تصوير مـاهواره اي بـا تبـديل DN بـه راديـانس و سـپس انعکــاس بــا اســتفاده از الگــوريتم  فلاش   در نــرم افــزار  ENVI 5 صورت گرفت رفع گرديد.

براي تهيه نمونـه هـاي تعليمـي از برداشـت هـاي زمينـي، نقشـه هـاي توپـوگرافي بـا مقيـاس 1:25000سـازمان نقشه برداري استفاده گرديـد شـايان ذکـر است 8۴ نقطه بـراي کـاربري جنگـل، 7۶ نقطـه بـراي کـاربري جنگل تنک، 3۱ نقطه براي کاربري کشاورزي و 2۱ نقطه براي کاربري شهري برداشته شد.

 

پردازش داده ها

تکنیک های طبقه بندی برای گروه بندی پیکسل ها به کار می روند تا بتوانند جزئیات پوشش زمین  (cover Land) را نشان دهند. پوشش زمین  به پنج کلاسه جنگل  متراکم، جنگل نیمه متراکم، جنگل تنک، منطقه شهری و منطقه کشاورزی تعریف می شود.

روش انتخابی طبقه بندی در تحقیق SVM (Support vector machine)

نرم افزار سنجش از دور ENVI چهار نوع کرنل (Kernel) براي ماشين بردار پشتيبان در بخش طبقه بندي مربوط بـه     SVM به نامهاي خطي (Linear)  چندجمله اي (Polynomial )، شعاعي (Sigmoid) پيچشي و( Radial basic FUCTION function (RBF)) تعریف شده است که با توجه به مطالعات بهتـرين کرنـل براي طبقه بندي کاربري اراضي را کرنل شعاعی (RBF) پيشـنهاد کردند (16،18و22). در مطالعه حاضر از اين کرنل جهت طبقه بنـدي اسـتفاده شد. از طبقه بندي ترکيب باندي مناسبي که بتوانـد ايـن کـلاس هـا را براي تفسير بصري از هم جدا کند توسط پلات ميـانگين طيفـي انتخاب شد. این عمل توسط شاخص ترکیب باندی OIF صورت پذیرفت. پـس از استخراج کـاربري هـاي اراضـي  به روش مـورد نظـر نتـايج به دست آمده  دقت سنجي شدند. نقشه‌های تهیه‌شده کاربری اراضی، در ادامه با نقاط GPS زمینی، نقشه وضع موجود منطقه مقایسه و با استفاده از ماتریس خطای تشکیل‌شده ضریب کاپا و دقت کلی آن به دست آمد براي اين کار 2۰۰ نقطـه بـه صـورت تصادفي بر روي تصاوير ايجاد شد و کاربري اين نقـاط توسـط بازديــدهاي صــحرايي و نقشــه هــاي توپوگرافي سازمان نقشه برداري مشخص شدند.  

 

اجرای مدل‌ساز  LCM(LAND Change modeler)

نقشه‌های طبقه‌بندی کاربری‌های تهیه‌شده، جهت مدل‌سازی و پایش تغییرات کاربری اراضی وارد نرم‌افزار ادریسی شد تا تغییرات کاربری‌ها در سال‌های موردمطالعه مدل‌سازی گردد {\displaystyle b={\frac {1}{N_{SV}}}\sum _{i=1}^{N_{SV}}{(\mathbf {w} \cdot \mathbf {x_{i}} -y_{i})}} . درجهت انجام مدلسازي تغييرات كـاربري اراضـي از مــدل LCM  در محــيط نــرم افــزار ایدریسی  استفاده شد .  مدلسـازي تغييـرات پو شـش اراضـي بـا استفاده از مدل LCM در چهـار مرحلـة اصـلي انجـام مــيگيــرد كــه عبــارتنــد از : تجزيــه و تحليــل و آشكارسازي تغييـرات، مـدلسـازي پتانسـيل انتقـال، پيشبينـي و مـدلسـازي تغييـرات و ارزيـابي صـحت مدل.

\  

مارکوف و CA مارکوف

مدل Markov-CA تلفیقی از سلولهاي خودکار، زنجیره  مارکوف   و  تخصیص چندمنظوره اراضی ( (MOLAاست. ماتریس احتمال انتقال، احتمال انتقال هرکدام از کاربريها به کاربري دیگر را نشان میدهد. ماتریس مساحت انتقال یافته، تعداد سلولهایی را که براي تغییر از یک نوع پوشش زمین به نوع دیگر در دوره زمانی آینده مورد انتظار هستند، را  ثبت می کنند. ماتریس احتمال انتقال که در آن احتمال تغییر هر کلاس به سایر کلاسهاي موجود مشخص شده است، ماتریس مساحت انتقال که نشان دهنده تعداد پیکسل هایی از هر کلاس که محتمل است به کلاس هاي دیگر تبدیل شوند. مدل مارکوف همچنین موقعیت هر کاربري را با تولید مجموعه اي از تصاویر احتمال وضعیت از ماتریس احتمال انتقال نشان می دهد. در مرحله آخر از مدل سازي با استفاده از ماتریس مساحت انتقال در مدل CA مارکوف میتوان نقشه شبیه سازي شده از کاربري اراضی در آینده را به دست آورد (12و13). در این پژوهش از نقشه کاربری اراضی سال 2010 ،2018 استفاده شد تا نقشه سال 2028 پیشبینی شود. و به منظور بررسی دقت پیشبینی توسط CA مارکوف با استفاده از نقشه کاربری سال 2000 و 2010 ،نقشه سال 2018 را پیشبینی کرده و با نقشه ایکه از طریق طبقه بندی نظارت شده برای این سال به دست آمده است مقایسه شد.

نتایج

 نتایج آماده‌سازی و پیش‌پردازش تصویر

پس از بررسی تصاویر دریافتی محدوده مطالعاتی و انطباق آن‌ها با نقشه شبکه معابر موجود تعداد 30 نقطه کنترل با GPS برداشت شد که تطابق کامل تصاویر ماهواره‌ای با نقاط GPS و نقشه معابر موجود تائید گردید و تصحیح هندسی انجام نشد. سپس تصاویر ازلحاظ بازتاب‌های طیفی، کنتراست، وجود خطاهای ابرناکی و ... کنترل و این خطاها در تصویر مشاهده نشد.

 

 نتایج ایجاد ترکیبات رنگی

با استفاده از شاخص OIF،  بهترین باندها جهت شرکت در ترکیب باندی و طبقه یندی تصویر سال های مطالعاتی به دست آمد که در جدول (1) تا (3) نشان داده شده است. ترکیب باندی برای تصاویر سال 2008، 2010 ، 2018 نشان داده شده است (شکل 2 تا 4).

 

جدول 1. بالاترین رتبه بندی شاخص OIF سال 2000

Table 1. Highest ranking of the OIF index in 2000

OIF Index

1

b3

b5

b7

4/77

2

b1

b3

b5

۹۳/76

3

b2

b3

b5

۶۶/76

4

b1

b3

b7

53/72

5

b2

b3

b7

37/72

6

b1

b5

b7

95/71

 

img0 

شکل 2. نقشه ترکیب باندی 357 سال 2000

Figure 2. Band composition map 357 of 2000

  

جدول 2. بالاترین رتبه بندی شاخص OIF سال 2010

Table 2. The highest ranking of the 2010 OIF index

OIF Index

1

b3

b4

b5

02/54

2

b1

b3

b5

46/53

3

b2

b3

b5

15/53

4

b3

b5

b7

85/52

5

b3

b4

b7

90/50

6

b1

b4

b5

14/50

 

img0 

شکل 3. نقشه ترکیب باندی 345 سال 2010

Figure 3.  Band Composition 345 Map 2010

 

 

جدول 3. بالاترین رتبه بندی شاخص OIF سال 2018

Table 3 - The highest ranking of the OIF index in 2018

OIF Index

1

b3

b4

b5

18/8922

2

b1

b3

b5

92/8791

3

b2

b3

b5

89/8508

4

b3

b5

b7

81/8421

5

b3

b4

b7

17/8398

6

b1

b4

b5

38/8390

 

img0 

شکل 4. نقشه ترکیب باندی 345 سال 2018

Figure 4.  Band composition 345 map of 2018

 

طبقه‌بندی تصویر و ارزیابی صحت طبقه‌بندی

سپس برای تصویر منطقه مطالعاتی، با توجه به بازدیدهای میدانی و نظرات کارشناسان و متخصصان کلاس‌های کاربری تعریف شد. کلاس‌های کاربری‌ها شامل مناطق شهری، جنگل متراکم، جنگل نیمه متراکم، جنگل تنک-باغ، کشاورزی بود که نقشه‌های کاربری آن برای سال‌های 2000، 2010 و 2018 تهیه گردید (شکل‌های 5، 6 و 7).

C:\Users\ASUS\Desktop\5.png 

شکل 5. نقشه کاربری اراضی سال 2000 با روش ماشین بردار پشتیبان

Figure 5. Land use map of 2000 with the support vector machine method

 

img0 

شکل 6. نقشه کاربری اراضی سال 2010 با روش ماشین بردار پشتیبان

Figure 6. Land use map of 2010 with the support vector machine method

img0 

شکل 7. نقشه کاربری اراضی سال 2018 با روش ماشین بردار پشتیبان

Figure 7. Land use map of 2018 with the support vector machine method

 

مساحت کلاس‌های کاربری‌ها از سال 2000 تا 2018 استخراج شد تا تبدیل و تغییرات آن از سال 2000 تا 2018 مشخص شود که نتایج آن در جدول (4) تا (6) ارائه گردیده است.

 

جدول 4. مساحت تغییرات کاربری‌ها از سال 2000 تا 2010 طبقه‌بندی ماشین بردار

Table 4. Area of land use changes from 2000 to 2010 Vector machine classification

 

سال 2000

سال 2010

میزان تغییرات

کلاس‌ها

مساحت (هکتار)

درصد

مساحت (هکتار)

درصد

مساحت (هکتار)

درصد

جنگل متراکم

64/8540

98/20

69/6708

48/16

95/1831-

5/4-

جنگل نیمه متراکم

46/19304

44/47

94/24863

10/61

48/5559

66/13

جنگل تنک- باغ

32/7798

16/19

77/3784

30/9

55/4013-

86/9-

مناطق شهری

17/4564

21/11

2/3166

78/7

97/1397-

43/3-

شالیزار

75/483

18/1

74/2167

32/5

99/1683

14/4

جمع

34/40691

100

34/40691

100

__

__

جدول 5. مساحت تغییرات کاربری‌ها از سال 2010 تا 2018 طبقه‌بندی ماشین بردار

Table 5. Area of land use changes from 2010 to 2018 Vector machine classification

 

سال 2010

سال 2018

میزان تغییرات

کلاس‌ها

مساحت (هکتار)

درصد

مساحت (هکتار)

درصد

مساحت (هکتار)

درصد

جنگل متراکم

69/6708

48/16

82/6362

63/15

87/345-

85/0-

جنگل نیمه متراکم

94/24863

10/61

73/23408

52/57

21/1455-

58/3-

جنگل تنک- باغ

77/3784

30/9

4689

52/11

23/904

22/2

مناطق شهری

2/3166

78/7

31/4712

58/11

11/1456

8/3

شالیزار

74/2167

32/5

48/1518

73/3

26/649-

59/1-

جمع

34/40691

100

34/40691

100

__

__

 

جدول 6. مساحت تغییرات کاربری‌ها از سال 2000 تا 2018 طبقه‌بندی ماشین بردار

Table 6. Area of land use changes from 2010 to 2018Vector machine classification

 

سال 2000

سال 2018

میزان تغییرات

کلاس‌ها

مساحت (هکتار)

درصد

مساحت (هکتار)

درصد

مساحت (هکتار)

درصد

جنگل متراکم

64/8540

98/20

82/6362

63/15

82/2177-

35/5-

جنگل نیمه متراکم

46/19304

45/47

73/23408

52/57

27/4104

08/10

جنگل تنک- باغ

32/7798

16/19

4689

52/11

32/3109-

64/7-

مناطق شهری

17/4564

22/11

31/4712

58/11

14/148

37/0

شالیزار

75/483

19/1

48/1518

73/3

73/1034

55/2

جمع

34/40691

100

34/40691

100

__

__

 

 

نقشه‌های تهیه‌شده کاربری اراضی، در ادامه با نقاط GPS زمینی، نقشه وضع موجود منطقه مقایسه و با استفاده از ماتریس خطای تشکیل‌شده ضریب کاپا و دقت کلی آن به دست آمد. ضریب کاپا و دقت کلی در حالتی که عددی بالا 70%  است قابل‌قبول خواهد بود، در غیر این حالت باید تصاویر طبقه‌بندی‌شده با نقاط برداشتی جدید طبقه‌بندی مجدد انجام شود و ضریب کاپا و دقت کلی آن محاسبه گردد. در جدول 7، پارامترهای آماری محاسبه‌شده نشان داده‌شده است.

جدول 7. ضریب کاپا و دقت کلی سال های مطالعاتی

Table 7. Kappa coefficient and overall accuracy of study years

پارامتر آماری

سال 2000

سال 2010

سال 2018

ضریب کاپا

88/0

91/0

93/0

دقت کلی

89/0

92/0

95/0

اجرای مدل‌ساز LCM

نقشه‌های طبقه‌بندی کاربری‌های تهیه‌شده، جهت مدل‌سازی و پایش تغییرات کاربری اراضی وارد نرم‌افزار ادریسی شد. تا تغییرات کاربری‌ها در سال‌های موردمطالعه مدل‌سازی گردد. نمودار تغییرات کل ایجادشده در شکل‌8  نشان داده‌شده است. نمودار تغییرات در LCM برای سال 2000 به 2010 نیز به دست آمد که در شکل 8  وجدول 8تغییرات کاربری ها سال 2000 تا 2010نشان داده شده است. 

 

جدول 8. جدول تغییرات کاربری ها سال 2000 تا 2010

Table 8. Land use changes from 2000 to 2010

ردیف

مساحت هکتار

راهنما

۰

8/22329

بدون تغییر

۱

5/2976

جنگل نیمه متراکم به جنگل متراکم

۲

4/24705

شهر به جنگل تنک -باغ

۳

22/428

جنگل تنک-باغ به شالیزار

۴

5/6040

جنگل متراکم به جنگل نیمه متراکم

۵

68/4234

جنگل تنک-باغ به جنگل نیمه متراکم

۶

49/3434

شهر به جنگل نیمه متراکم

۷

13/977

جنگل تنک-باغ به شهر

 

C:\Users\ASUS\Desktop\555.jpg 

شکل 8. نقشه تغییرات کاربری سال 2000-2010

Figure 8. Map of Land use changes from 2000 to 2010

نمودار تغییرات در LCM برای سال 2010 به 2018 نیز به دست آمد که در شکل 9   تغییرات  کل کاربری‌های سال 2010 به 2018 و  در جدول 9 نشان داده شده است.

 

جدول 9. جدول تغییرات کاربری ها سال 2010 تا 2018

Table 9. Land use changes from 2010 to 2018

ردیف

مساحت هکتار

راهنما

۰

۶۹۳۰

بدون تغییر

۱

66/6882

جنگل نیمه متراکم به جنگل متراکم

۲

92/745

جنگل نیمه متراکم به جنگل تنک - باغ

۳

17/478

شهر به جنگل تنک -باغ

۴

17/24472

جنگل تنک –باغ به شالیزار

۵

6/543

جنگل تنک باغ به جنگل نیمه متراکم

۶

19/1097

شهر به جنگل نیمه متراکم

۷

65/1816

جنگل متراکم به شهر

۸

52/2216

جنگل نیمه متراکم به شهر

 

C:\Users\ASUS\Desktop\111.jpg 

شکل 9. نقشه تغییرات کاربری سال 2010-2018

Figure 9. Map of Land use changes from 2010 to 2018

 

در نهایت نمودارهای تغییرات برای سال های 2000 به 2018 نیز به دست آمد که در شکل (10)  و جدول 10 نشان داده شده است.

جدول 10. جدول تغییرات کاربری ها سال 2000 تا 2018

Table 10. Land use changes from 2000 to 2018

ردیف

مساحت هکتار

راهنما

۰

72/10422

بدون تغییر

۱

89/541

جنگل تنک باع به جنگل متراکم

۲

6/5304

جنگل نیمه متراکم به جنگل متراکم

۳

49/455

شهر به جنگل متراکم

۴

88/515

شهر به جنگل تنک باغ

۵

09/24471

شهر به شالیزار

۶

03/1347

جنگل تنک باغ به جنگل نیمه متراکم

۷

16/713

شهر به جنگل نیمه متراکم

۸

52/3872

جنگل متراکم به شهر

9

27/3591

جنگل تنک باغ به شهر

10

23/13891

جنگل نیمه متراکم به شهر

 

C:\Users\ARMIN\Desktop\4000.jpg 

شکل10. نقشه تغییرات کاربری سال 2010-2018

Figure 10. Map of Land use changes from 2000 to 2018

 

 

پیش‌بینی روند تغییرات کاربری اراضی به وسیله CA-MARKOV

در پژوهش حاضر برای پیش‌بینی تغییرات کاربری اراضی محدوده مطالعاتی از روش تلفیق زنجیره‎های مارکوف و سلول‎های خودکار استفاده شده است. نقشه کاربری اراضی سال2018 به منظور ارزیابی مدل مارکوف با استفاده از ماتریس تبدیل وضعیت سال 2000 تا 2010مدل CA مارکوف تهیه شد. برای انجام این روش با استفاده در نرم‎افزار ایدریسی( IDRISI) ابتدا نقشه‎های کاربری اراضی برای سال‎های 2000، 2010 و 2018 تهیه شد. سرانجام، بر اساس مدل سلول‎های خودکار به صورت نقشه پیش بینی به دست آمد که در  شکل (11) و (12)  و تغیرات کاربری اراضی در جدول11نشان داده شده است.  تغییرات کاربری شهری نیز در سال های مطالعاتی زیاد و به مقدار 14/148 هکتار افزایش داشته است. جدول11 برای سال های 2018 و 2028 نشان داد در سال 2028 مساحت کلاس شهری به 1/21293هکتار افزایش یافته و مساحت کاربری باارزش جنگل متراکم به 97/2189  هکتار کاهش می یابد

 

 

img0 

 

شکل 11. نقشه پیش‌بینی کاربری اراضی محدوده مطالعاتی با استفاده از CA-Markov برای سال 2018

Figure 11. Land use forecast map of the study area using CA-Markov for 2018

 

C:\Users\ASUS\Desktop\12.png 

شکل 12. نقشه پیش‌بینی کاربری اراضی محدوده مطالعاتی با استفاده از CA-Markov برای سال 2018 و 2028 

Figure 12. Land use forecast map of the study area using CA-Markov for 2018 and 2028

 

 

 

 

 

جدول 11. تغییرات کاربری اراضی با استفاده از مدل CA مارکوف از سال 2018 تا 2028

Table 11. Land use changes using the CA Markov model from 2018 to 2028

نام کلاسه

جنگل متراکم

جنگل نیمه متراکم

جنگل تنک

شالیزار

شهری

پیش بینی برای سال 2018 مدل CA-MARKOV

95/6910

7/24423

2/3130

13/1506

36/4720

مساحت در نقشه تصویر 2018

82/6363

73/23408

4689

48/1518

31/4712

پیش بینی برای سال 2028 مدل CA-MARKOV

98/1989

71/4810

86/25002

59/1993

2/6894

 

بحث و نتیجه گیری

دستاورد هر كار تحقيقي، ارائه نتايجي است كه از آن حاصل مي شود. هر كار عملي و تحقيقي متشكل از مراحل زنجيره اي است كه پيوستگي و ارتباط منطقي بين آنها از مهمترين اهداف هر تحقيق است كه نتايج هر مرحله تأثيرگذار بر مرحله بعد است. هدف از پردازش داده های رقومی و طبقه بندی آنها، شناسایی بهتر و تشخیص دقیق تر عوارض سطح زمین است. اگر روش های مناسبی برای طبقه بندی این داده ها به کار گرفته شوند رسیدن به این هدف سریع تر و مطمئن تر خواهد بود. داده های سنجش از دور و GIS فرصت های مناسبی را جهت آنالیز کامل داده های مکانی فراهم می کنند و کاربردهای موثری برای بررسی پوشش و کاربری اراضی و تغییرات آنها در زمینه های محیط زیست، هیدرولوژی، کشاورزی، جنگلداری و جغرافیا و مدیریت شهری دارند(5و21). از آنجایی که هدف اصلی فناوری سنجش از دور شناسایی و تفکیک پدیده های زمینی و قرار دادن آن ها در گروه یا طبقات مشخص است، طبقه بندی تصاویر ماهواره ای را می توان به عنوان مهمترین بخش تفسیر اطلاعات ماهواره ای به شمار آورد (22،25و7). تفسیر تصاویر به معنای تبدیل داده های خام به اطلاعات قابل استفاده است و شامل تشخیص، شناسایی و طبقه بندی پدیده های سطح زمین می شود. یکی از روش های استخراج اطلاعات از تصاویر ماهواره ای استفاده از روش تجزیه و تحلیل و طبقه بندی رقومی است. طبقه بندی رقومی بر پایه ی اختلاف های طیفی پدیده های گوناگون بر روی باندهای مختلف طیفی استوار است اما این بدان معنی نیست که هر پدیده ای بر روی هر باند خاصی قابل تفکیک است (14). به عبارت دیگر می توان گفت که گروه بندی تعداد زیادی پیکسل های منفرد به طبقات و یا رده های موضوعی کوچک که بیشتر قابل مدیریت هستند را طبقه بندی رقومی تصاویر گویند(16). هر چند استفاده از باندهای طیفی بیشتر یا به عبارتی، وارد کردن نمونه های بیشتری از انعکاسات طیفی در طبقه بندی، سهولت و دقت آن را موجب می شود، ولی در طبقه بندی باید از باندهایی استفاده کرد که تفاوت انعکاس پدیده های زمینی در آن ها قابل ملاحظه است (15). در پژوهش حاضر نیز یکی از اهداف طبقه بندی تصاویر ماهواره ای و در مرحله بعد پیش بینی تغییرات برای سال های آتی بوده تا چشم اندازی از تغییرات کاربری محدوده مطالعاتی به دست آید و در واقع تمهیداتی جهت جلوگیری از تخریب اراضی باارزش جنگلی به عمل آید. مناطق جنگلي دردسـترس و نزديـك به مناطق مسكوني در اثر چراي بي روية دام، تبديل به اراضي كشاورزي و استفاده از چوب درجهـت سـوخت ميزان دچار تخريب بيشـتري شـده اسـت . در همـين  راستا پژو هشگراني به نقش فاصله از جاده و مناطق مسكوني در تخريب جنگـلهـا اشـاره كردنـد . به نقش ارتفاع و فاصله از جاده در تخريب جنگلهاي كشـور انـدونزي و به نقـش ارتفـاع، شـيب، فاصـله از جاده و مناطق مسكوني در تخريـب جنگـلهـا اشـاره كـرده انـد (13و17).

با توجه به تخریب فزاینده در سطح اکوسیستم های طبیعی، تعیین میزان و موقعیت وقوع تغییرات کاربری اراضی و پیش بینی روند آن در آینده می تواند اطلاعات ارزنده ای را به برنامه ریزان و مدیران ارایه دهد. لازمه پیش بینی این تغییرات، دستیابی به مدل هایی با عمکرد مناسب است، لذا قبل از استفاده از این مدل ها، باید توانایی آنها برای متخصصین مورد قبول واقع شود (18،19،26و27).

جهت انجام تحقیق حاضر از تصاویر ماهواره ای سال های 2000 و 2010 و 2018 ماهواره لندست استفاده شده گردید. و ابتدا صحت تصاویر از نظر هندسی کنترل شد. اقدام به استخراج راه‌ها و آبراهه ها از نقشه‌های 1:25000 سازمان نقشه‌برداری و تطابق آن‌ها با تصاویر مورد استفاده شد و تطابق مشاهده شده نشان داد که در تصاویر خطای هندسی وجود ندارد. سپس با استفاده از شاخص OIF بهترین ترکیب باندی انتخاب شد. بالاترین عدد شاخص OIF، در سال 2000، 41/77 به دست آمد و ترکیب باندی انتخابی 357 بود. بهترین عدد شاخص برای سال 2010، 02/54 به دست آمد و ترکیب 345 انتخاب شد و بالاترین عدد برای سال 2018،  18/8922 به دست آمد و ترکیب باندی 345 انتخاب شد. سپس، با روش ماشین بردار پشتیبان، با استفاده از بهترین ترکیب باندی انتخاب شده و نمونه های آموزشی و تعلیمی، طبقه بندی شد. ارزیابی صحت طبقه بندی با استفاده از شاخص ضریب کاپا و دقت کلی به دست آمد. ضریب کاپا و دقت کلی برای تصویر سال 2000، به ترتیب 88/0 و 89/0 و برای تصویر 2010، 91/0 و 92/0 و برای تصویر سال 2018، 93/0 و 95/0 به دست آمد که قابل قبول بود. تصاویر طبقه بندی شده وارد نرم افزار ایدریسی شده و به پایش تغییرات با LCM پرداخته شد. پایش تغییرات در مدل LCM نشان داد در طی سال های 2000 تا 2018، بیشترین تغییرات مربوط به تبدیل کاربری جنگل نیمه متراکم با مساحت27/4104هکتار بوده است. مقدار کاهش جنگل­های متراکم در مناطقی با شیب زیاد افزایش می یابد، با افزایش شیب به دلیل فرسایش آبی و در شیب های زیاد می­تواند در افزایش تخریب جنگل­های متراکم موثر واقع گردد (19و12). تغییرات کاربری شهری نیز در سال های مطالعاتی زیاد و به مقدار 14/148 هکتار افزایش داشته است. نتایج بررسی مساحت کلاس های پیش بینی نشان داد در سال 2028 مساحت کلاس شهری به 1/21293هکتار افزایش یافته و مساحت کاربری باارزش جنگل متراکم به 97/2189 کاهش می یابد. قابليت مدل ماشین بردار در  تعیین پوشش/كاربري زمين، پوشش گياهي و پوشش جنگلي در مناطق مختلف ایران توسط پژوهشگران ديگر نيز به اثبات رسیده است (6و24).. ابزار سنجش از دور مي تواند به عنوان يك بازوي مهم در توليد اطلاعات درمديريت منابع طبيعي باشد. عمليات صحرايي براي هر چه بهتر تفسير كردن تصاوير لازم است و به دقت نتيجه حاصله خواهد افزود.با توجه به اينكه امكان ارزيابي دقت نقشه هاي پوشش گياهي در سالهاي گذشته وجود ندارد لذا پيشنهاد مي گردد تحقيقاتي در زمينه چگونگي افزايش و ارزيابي دقت اين نوع نقشه هاي پوشش گياهي به انجام برسد. از کاستی های تحقیق می توان گفت با توجه به مساحت  منطقه با تصاوير ماهواره اي داراي توان تفكيك زميني بالا(Resolution High) و جديد نظير تصاوير ماهواره  Ikonos و يا  Quick birdمطالعه گردد، تا ضمن مشخص شدن گستره دقيق جنگل ، نرخ تخريب و تعيين نوع تغييركاربري اراضي  دقیق تر و همچنين تعيين ميزان تغييرات تراكم جنگلهاي استان با دقت بیشتر امكان پذير گردد.

References

1. Abdalla M, Saunders M, Hastings A, Williams M, Smith P, OsborneB. 2013.Simulating the impacts of land use in Northwest Europe on Net Ecosystem Exchange (NEE): The role of arable ecosystems grasslands and forest plantations in climate change mitigation. Sci. Total Environ, 465:325–33

2. Arsanjani J.J, Kainz W, Mousivand A.J.2011. Tracking dynamic land-use change using spatially explicit Markov Chain based on cellular automata: The case of Tehran. Int. J. Image Data Fusion, 2: 329–345

3. Cabral P, Zamyatin A.2009.Markov Processes in Modeling Land Use and Land Cover Changes in Sintra-Cascais, Portugal. Dyna, 191–198.

4.Chen F.C, Son T.N, Chang B.N., Chen R.C, Chang Y.L, Valdez M, Centeno G, Thompson A.C. 2013.Multi cadalmangroveforestchangedetectionandpredictioninHonduras,CentralAmerica, with Landsat imagery and a Markov chain model. Remote Sens, 5:6408–6426. https://doi.org/10.3390/rs5126408

5. Dixon B, Candade N. 2008. Multispectral land use classification using neural networks and support vector machines: one or the other, or both? International J. of Remote Sensing, 29 (4): 1185–1206. https://doi.org/10.1080/01431160701294661

 

6.Eskandari S.2019. Comparison of different algorithms for land cover mapping in sensitive habitats of Zagros using Sentinel-2 satellite image: (Case study: a part of Ilam province). RS. GIS. Nat. Resour,10(1):72-87. .(In Persian)

 

7. Gilks WR. 1996. Introducing Markova chain Monte Carlo. Markov chain Monte Carlo in practice, Chapman & Hall/CRC, 1 Edition, 512 p.

8. Jenerette GD, Wu J. 2001. Analysis and simulation  of land-use change in the central Arizona – Phoenix region, USA. Landscape Ecology, 16(7): 611-626. doi:https://doi.org/10.1023/A:1013170528551.

9. .Jiang, X. M, Lin. And J, Zhao. 2011. Woodland cover change assessment using decision trees, support vector machines and artificial neural networks classification algorithms. Fourth International Conference on Intelligent Computation Technology and Automation, 312-315.

10. Kavzoglu T, Colkesen I. 2009. A kernel functions analysis for support vector machines for land cover classification.Int. J. of Applied Earth Observation and Geoinformation, 11:352-359. https://doi.org/10.1016/j.jag.2009.06.002.

11. Kumar S, Radhakrishnan N, Mathew S.2014. Land use change modelling using a Markov model and remote sensing. Geomat. Nat. Hazards Risk, 5:145–156. https://doi.org/10.1080/19475705.2013.795502

12. Lambin EF.1994. Modelling Deforestation Processes: A Review; Office for Official Publications of the European Community: Brussels, Belgium.

13. Lee JK, Acharya TD, Lee DH. 2018. Exploring land cover classification accuracy of Landsat 8 image using spectral index layer stacking in hilly region of South Korea. Sensors and Materials, 30(12): 2927-2941. doi:https://doi.org/:10.18494/SAM.2018.1934.

14. Lin YP, Chu HJ, Wu CF, Verburg P.H.2011. Predictive ability of logistic regression, auto-logistic regression and neural network models in empirical land-use change modeling A case study. Int. J. Geogr. Inf. Sci, 25: 65–87. doi:https://doi.org/10.1080/13658811003752332

15.  Mas J. F, Puig H., Palacio J. L, Sosa-Lopel A. 2004. Modeling Deforestation Using GIS and Artificial Neural Networks. Environmental Modeling & Software, 19 (5): 461- 471. doi:https://doi.org/10.1016/S1364-8152(03)00161-0

16. Mas J.F, Flores J.J.2008. The application of artificial neural networks to the analysis of remotely sensed data. Int. J. Remote Sens, 29:617–663. https://doi.org/10.1080/01431160701352154

17. Merten B, Lambin FE.1997. Spatial modeling of tropical deforestation in southern Cameroon: Spatial disaggregation of diverse deforestation processes. Applied Geography, 17:143-162 https://doi.org/10.1016/S0143-6228(97)00032-5

18. Mondal M.S, Sharma N, Garg P.K, Kappas M.2016. Statistical independence test and validation of CA Markov land use land cover (LULC) prediction results. Egypt. J. Remote Sens Space Sci, 19:259–272 https://doi.org/10.1016/j.ejrs.2016.08.001

19. Pal M., Mather P.M. 2004.Assessment of the effectiveness of support vector machines for hyperspectral data. Future Gener. Comput. Syst, 20:1215–1225 https://doi.org/10.1016/j.future.2003.11.011

20. Pontius G.R, Malanson J.2005. Comparison of the structure and accuracy of two land change models. Int. J. Geogr. Inf. Sci, 19:243–265. https://doi.org/10.1080/13658810410001713434

21. Quintero G. V, Moreno R.S, García M. P,Guerrero F. V, Alvarez C.P, Alvarez A. P. 2016. Detection and projection of forest changes by using the Markov Chain Model and cellular automata. Sustainability, 8 (236), 1-13. https://doi.org/10.3390/su8030236

22. Reddy C.S, Singh S, Dadhwal, V.K, Jha C.S, Rao N.R, Diwakar P.G.2017. Predictive modelling of the spatial pattern of past and future forest cover changes in India. J. Earth Syst. Sci, 126-132.  

23. Roy S, FarzanaK, Papia M, Hasan M.2015. Monitoring and prediction of land use/land cover change using the integration of Markov chain model and cellular automation in the Southeastern Tertiary Hilly Area of Bangladesh. Int. J. Sci. Basic Appl. Res, 24:125–148

 

24.Saleh Y,  Mehdi T ,Somayeh M ,Hamid Reza M  , Shahla T.2014.Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). RS. GIS. Nat. Resour,5(16):67-76.(In Persian)

 

25. Tang J, Wang L, Zhang S.2005. Investigating landscape pattern and its dynamics in Daqing, China. Int. J. Remote Sens,26: 2259–2280. https://doi.org/10.1080/01431160500099410

26. Turner, M.2005. Landscape ecology in North America: Past, present and future. Ecology, 86: 1967–1974. https://doi.org/10.1890/04-0890

27. Ye B, Bai Z.2008. Simulating land use/cover changes of  Nenjiang County based on CA-Markov model. Comput. Technol. Agric, 47(1):321–329. https://doi.org/10.1007/978-0-387-77251-6_35

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Investigation of forest area using support vector machine and provide a model for predicting forest level changes

 

 

 

Abstract

Background and Objective: Due to the increasing degradation at the level of natural ecosystems, determining the extent and location of land use changes and predicting its future trend can provide valuable information to planners and managers. In this study, in order to monitor the current changes and predict them in the future in Siahkal range, evaluation and prediction of changes were performed with Landsat images. Materials and Methods: For the present study, satellite images of 2000, 2010 and 2018 Landsat satellites were used. First, the accuracy of the images was checked geometrically. Roads and waterways were extracted from the 1: 25000 maps of the surveying organization and they matched the images used, and the observed correlation showed that there was no geometric error in the images. Then, the best band composition was selected using the OIF index. The OIF index for 2000, 2010 and 2018 was 77.41, 54.02 and 8922.18, respectively, and the selected band composition for these years was 357, 345 and 345, respectively. Then, using the support vector machine method, using the best band composition selected and educational samples were classified. Results and Discussion: Evaluation of classification accuracy was obtained using kappa coefficient and overall accuracy. Kappa coefficient and overall accuracy were 0.88 and 0.89 for the image of 2000, 0.91 and 0.92 for the image of 2010, and 0.93 and 0.95 for the image of 2018, respectively. Classified images were entered into IDRISI software and changes were monitored with LCM. Monitoring of changes in LCM model showed that during the years 2000 to 2018, the most changes were related to the conversion of semi-dense forest land with an area of ​​4104.27 hectares. Urban land use changes have increased in the study years and amounted to 148.14 hectares. The table of probability of land use changes in the Markov production model and with the production map at this stage, for the forecast study years with Markov for 2018 and 2028 showed that in 2028 the area of ​​the urban class will increase to 21293.1. hectares and the valuable land area Dense forest is reduced to 2189.97. Conclusion: In order to prevent the uncontrolled expansion of cities, residential areas and the destruction of forest areas and vegetation, managerial measures must be taken and management decisions must be made. The level of dense and semi-dense forests in areas with high slopes will decrease further by 2028.

 

 

Keywords: Evaluation of changes of forest area, Satellite imagery, Auto-cells Markov chain, Siahkal forests


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2024

Home| Login| About Us| Contact Us|
[فارسی] [العربية] [fa] [ar]