پیش بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل زنجیرة مارکوف-CA (مطالعة موردی: منطقه کوهمره سرخی استان فارس)
محورهای موضوعی : توسعه سیستم های مکانیسارا عزیزی قلاتی 1 , کاظم رنگزن 2 , جواد سدیدی 3 , پیمان حیدریان 4 , ایوب تقی زاده 5
1 - دانش آموخته کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه شهید چمران اهواز
2 - دانشیار دانشکده علوم زمین، دانشگاه شهید چمران اهواز
3 - استادیار دانشکده علوم جغرافیایی، دانشگاه خوارزمی
4 - دانش آموخته کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه شهید چمران اهواز
5 - مربی دانشکده علوم زمین، دانشگاه شهید چمران اهواز
کلید واژه: پیش بینی, مدل زنجیرة مارکوف, مدل سازی, آشکارسازی تغییرات کاربری اراضی,
چکیده مقاله :
تغییر کاربری اراضی به عنوان عاملی پایه در تغییرات زیست محیطی عمل کرده و به یک خطر جهانی تبدیل شده است. بازبینی این تغییرات از طریق تصاویر ماهواره ای و پیش بینی و ارزیابی پتانسیل آنها از طریق مدلسازی می تواند به برنامه ریزان محیط زیست و مدیران منابع طبیعی برای تصمیمات آگاهانه تر کمک کند. هدف این تحقیق بازبینی، مدلسازی و پیش بینی تغییرات کاربری اراضی در دوره 25 ساله 1391-1366 توسط مدل زنجیرة مارکوف-CA (CA-Markov) در منطقه کوهمره سرخی استان فارس است. بدین منظور نقشه های کاربری اراضی با استفاده از تصاویر سنجنده +ETM و TM ماهواره لندست در سه دوره زمانی مربوط به سال های 1366، 1379 و 1391 تهیه گردید. سپس صحت سنجی نقشه ها و آشکارسازی تغییرات انجام شد. نتایج آشکارسازی تغییرات دوره اول (79- 1366) با ضریب کاپای 83% و دوره دوم (1391-1379) با ضریب کاپای 88% نشان می دهد که بیش ترین افزایش مساحت در ناحیه مرتع و بیش ترین کاهش مساحت در ناحیه جنگل رخ داده است. به منظور کالیبره کردن مدل زنجیرة مارکوف، نقشه کاربری سال 1391 پیش بینی شد و ماتریس خطای بین نقشه حاصل از مدل سازی و نقشه کاربری مرجع سال 1391، ضریب کاپای 75% بدست داد. سپس نقشه کاربری اراضی برای چشم انداز 1403 با مدل مدل زنجیرة مارکوف-CA پیش بینی گردید. نتایج نهایی حاکی از آن است که بیش ترین تغییر کاربری نسبت به سال 1391، در ناحیه جنگل بوده و به کاربری های کشاورزی آبی و مرتع تبدیل می شود که می تواند در برنامه ریزی آینده توسط مسئولان مورد استفاده قرار گیرد.
Land use changes act as a significant factor in the environmental changes and have become a global threat. Monitoring and prediction these changes by satellite images and models can help the planners and managers to make more conscious planning decisions. In this regard, the current research aimed to monitor, model and predict land use changes using CA-Markov model in Kohmare Sorkhi region, Fars province in 2024 for a period of 25 years (1987-2012). To implement the mentioned model, the land use map was first prepared by ETM+ and TM sensors during three years (1987, 2000, 2012). Then, validation of maps and change detection process were performed. The results of change detection for the first period (1987-2000) and second period (2000-2012) with an accuracy of 83% and Kappa index of 88% have shown the greatest increase in the rangeland area (4224.24 ha) and the greatest decrease in the forest area (3953.75 ha). In the next stage, in order to calibrate the CA-Markov model, land use map for 2012 was predicted; on the other hand, regarding Error Matrix between the modeling land use map and the reference land use map, the Kappa index wad given as 75%. Finally, considering the previous stage, the land use map for the outlook of 2024 was predicted. The final results for 2024 indicated that the forest area would endure the great amount of changes in comparison with 2012. The forests would change into the irrigated agricultural area and rangelands which can be considered in sustainable development planning by decision makers.
1. اسلمی، ف.، ا. قربانی، ب. سبحانی و م. پناهنده. 1393. مقایسه روشهای شبکه عصبی مصنوعی، ماشین بردار پشتیبانی و شئگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8. نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، (3)6: 1-14.
2. آذرمهر، م. ر.، م. س. مسگری و م. کریمی. 1389. مدلسازی مکانی زمانی بیماری مالاریا با استفاده ازGeographic Information System و روش Cellular Automata. فصلنامه بیماریهای عفونی و گرمسیری وابسته به انجمن متخصصین بیماریهای عفونی و گرمسیری، 48(15): 61-69.
3. جباری، م. ک. و س. احمدی. 1391. مدلسازی توسعه شهری با استفاده از سامانههای اطلاعات جغرافیایی (GIS) و سلولهای خودکار. (ترجمه)، انتشارات آذر کلک، زنجان. 200 صفحه.
4. حیدریان، پ.، ک. رنگزن، س. ملکی و ا. تقیزاده. 1392. پایش تغییرات کاربری اراضی با استفاده از روش مقایسه پس از طبقهبندی تصاویر ماهواره لندست (مطالعه موردی: اراضی شهر تهران). نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، (4)4: 1-10.
5. درویشصفت، ع. ا.، م. پیرباوقار و م. رجبپور رحمتی. 1392. سنجش از دور برای مدیران GIS. (ترجمه)، انتشارات دانشگاه تهران، تهران، چاپ دوم، 710 صفحه.
6. زارع گاریزی، آ.، و. ب. شیخ، س. امیر و ع. سلمان ماهینی.1390. شبیهسازی مکانی – زمانی تغییرات گستره جنگل در آبخیز چهلچای استان گلستان با استفاده از مدل تلفیقی سلولهای خودکار و زنجیره مارکوف. تحقیقات جنگل و صنوبر ایران، 20(2): 273- 285.
7. سلمان ماهینی، ع. ر. و ح. ر. کامیاب. 1390. سنجش از دور و سامانههای اطلاعات جغرافیایی کاربردی با نرمافزار ایدریسی. (ترجمه)، انتشارات مهر مهدیس، تهران، 596 صفحه.
8. ضیائیان، پ.، ع. شکیبا، ع. ا. متکان و ع. صادقی. 1388. سنجش از دور (RS)، سیستم اطلاعات جغرافیایی(GIS) و مدل سلولهای خودکار (CA) به عنوان ابزاری برای شبیهسازی تغییرات کاربری اراضی شهری (مطالعه موردی: شهر شهرکرد). مجله علوم محیطی، 1(7): 133-148.
9. علیزاده ربیعی، ح.1380. سنجش از دور (اصول و کاربرد). انتشارات سازمان مطالعه و تدوین کتب علوم انسانی دانشگاهها (سمت)، تهران، 292ص.
10. علیمحمدی سراب، ع.، ع. ا. متکان و ب. میرباقری. 1387. ارزیابی کارایی مدل سلولهای خودکار در شبیهسازی گسترش اراضی شهری در حومه جنوب غرب تهران. برنامه ریزی و آمایش فضا (مدرس علوم انسانی)، 14(2): 81-102.
11. میرزاییزاده، و.، م. نیکنژاد و ج. اولادی قادیکلایی. 1394. ارزیابی الگوریتمهای طبقهبندی نظارت شده غیرپارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، (3)6: 29-44.
12. نیازی، ی.، م. ر. اختصاصی، ح.ملکینژاد، س. ز. حسینی و ج. مرشدی. 1389. مقایسه دو روش طبقهبندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشة کاربری اراضی (مطالعه موردی: حوزه سد ایلام). مجله جغرافیا و توسعه، 8(20): 119-132.
13. Chang CL, Chang JC. 2006. Markov model and cellular automata for vegetation. Journal of geographical research, 45(1): 45-57.
14. Costanza R, Ruth M. 1998. Using dynamic modeling to scope environmental problems and build consensus. Environmental Management, 22(2): 183-195.
15. Eastman J.R. 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester,284 pp.
16. Li X, Yeh AG-O. 2000. Modelling sustainable urban development by the integration of constrained cellular automata and GIS. International Journal of Geographical Information Science, 14(2): 131-152.
17. Lu D, Mausel P, Brondizio E, Moran E. 2004. Change detection techniques. International Journal of Remote Sensing, 25(12): 2365-2401.
18. Mitsova D, Shuster W, Wang X. 2011. A cellular automata model of land cover change to integrate urban growth with open space conservation. Landscape and Urban Planning, 99(2): 141-153.
19. Sang L, Zhang C, Yang J, Zhu D, Yun W. 2011. Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, 54(3): 938-943.
20. Seto KC, Woodcock C, Song C, Huang X, Lu J, Kaufmann R. 2002. Monitoring land-use change in the Pearl River Delta using Landsat TM. International Journal of Remote Sensing, 23(10): 1985-2004.
21. Verburg PH, Schot PP, Dijst MJ, Veldkamp A. 2004. Land use change modelling: current practice and research priorities. GeoJournal, 61(4): 309-324.
22. Verburg PH, Soepboer W, Veldkamp A, Limpiada R, Espaldon V, Mastura SS. 2002. Modeling the spatial dynamics of regional land use: the CLUE-S model. Environmental Management, 30(3): 391-405.
23. Wang S, Zheng X, Zang X. 2012. Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences, 13(1): 1238-1245.
24. Yang X, Zheng X-Q, Lv L-N. 2012. A spatiotemporal model of land use change based on ant colony optimization, Markov chain and cellular automata. Ecological Modelling, 233: 11-19.
