پیش بینی و روند تغییرات کاربری و پوشش اراضی با استفاده از روشهای تلفیقی زنجیره مارکوف و سلولهای خودکار و مدلساز تغییر سرزمین در دشت سیستان
زهره هاشمی
1
(گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد ، یزد ، ایران)
حمید سودایی زاده
2
(دانشیار گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد ، یزد ، ایران)
محمد حسین مختاری
3
(دانشیار گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد ، یزد ، ایران)
محمد علی حکیم زاده اردکانی
4
(دانشیار گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد ، یزد ، ایران)
کاظم کمالی علی آبادی
5
(دانشیار گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد ، یزد ، ایران)
کلید واژه: دشت سیستان, مدل ساز تغییر سرزمین, تصاویر لندست, مدل سلول های خودکار, تغییر کاربری اراضی,
چکیده مقاله :
در برنامهریزی و مدیریت بهینه منابع طبیعی، آگاهی از چگونگی تغییرات پوشش اراضی و کاربری اراضی و عوامل ایجادکننده آن بسیار ضروری هستند. در این زمینه دادههای سنجش از دور، از قابلیت بالایی برای بررسی تغییرات زمانی و مکانی پوشش اراضی و کاربری اراضی برخوردار هستند. هدف از تحقیق حاضر پیشبینی و بررسی روند تغییرات کاربری اراضی و پوشش اراضی در منطقه زهک دشت سیستان میباشد. بدین منظور نقشههای کاربری و پوشش اراضی از تصاویر ماهوارهای لندست سالهای 1987، 2001 و 2018 به روش طبقهبندی نظارت شده، ماشین بردار پشتیبان تهیه شــد. سپس با استفاده از نقشه کاربری اراضی سالهای 1987 و 2001 پوشش اراضی در سال 2018 پیشبینی شد. کاربرد نقشه کاربری اراضی سالهای 2001 و 2018 پوشش اراضی مربوط به سال 2030 با استفاده از روش تلفیقی زنجیره مارکوف و سلولهای خودکار پیشبینی شد. برای تحلیل روند تغییرات کاربری و پوشش زمین سال 2001-1987، 2018-2001 و سال 2030-2018 از مدلساز تغییر سرزمین استفاده شد. نتایج نشان داد در دوره زمانی 2001 – 1987 سطوح کاربریهای زراعت آبی 2013 هکتار، پوشش درختی 1117 هکتار، منابع آب 2391 و اراضی بایر 9535 هکتار کاهش یافته است. همچنین مساحت کاربریهای منطقه مالچپاشی 192 هکتار و تپههای ماسهای 14864 هکتار افزایش داشتند. طی بازه زمانی 2018 – 2001 سطوح کاربریهای زراعت آبی 3533 هکتار و اراضی بایر 3707 هکتار کاهش و مساحت کاربریهای پوشش درختی 313 هکتار، منابع آب 5385 هکتار، منطقه مالچپاشی 247 هکتار و تپههای ماسهای با 1295 هکتار افزایش داشته است. در پیشبینی دوره زمانی 2030 – 2018 سطوح کاربریهای زراعت آبی به میزان 1098 هکتار، تپههای ماسهای 527 هکتار و اراضی بایر 2020 هکتار کاهش مییابد. در این پیشبینی عرصه کاربریهای پوشش درختی 16 هکتار، پهنههای آبی 3607 هکتار، منطقه مالچپاشی 23 هکتار افزایش خواهد یافت.
چکیده انگلیسی :
In optimal planning and management of natural resources, knowledge of how land cover changes and land use and the factors that cause it are very necessary. In this field, remote sensing data have high potential to study temporal and spatial changes in land cover and land use. The purpose of presence study is prediction and assessment of the trend of land use changes and land cover in Zahak area of Sistan plain. For this purpose, land use and cover maps were prepared from landsat satellite images using support vector machine method of supervised classification in 1987, 2001 and 2018. Then, using the land use map in 1987 and 2001, land cover in 2018 was predicted. Land use maps for 2001 and 2018 and land cover for 2030 was predicted using integrated method of Markov chain and automated cells. To analyze the trend of land use changes and land cover since 1987- 2001, 2001- 2018 and 2018- 2030, Land change modeler was used. Results indicated that areas of watery agriculture 2013 hectares, tree cover 1117 hectares, water areas 2391 hectares and barren lands 9535 hectares has decreased since 1987- 2001. Also, the mulching area uses area 192 hectares, and sand dunes 14864 hectares were increased. During the period 2001- 2018, the areas of watery agriculture land uses 3533 hectares and barren lands 3707 hectares has decreased and uses area tree cover 313 hectares, water areas 5385, mulching area 247 hectares, and sand dunes 1295 hectares were increased. In the forecasting the time period 2018- 2030, the area of uses watery agriculture will be 1098 hectares, sand dunes 527 hectares, and barren lands 2020 hectares are reduced. In this forecast, land use of tree cover 16 hectares, water area 3607 hectares, and mulching area 23 hectares will increase.
_||_
چکیده
در برنامهریزي و مدیریت بهینه منابع طبیعی، آگاهی از چگونگی تغییرات پوشش اراضی و کاربري اراضی و عوامل ایجادکننده آن بسیار ضروري هستند. در این زمینه دادههاي سنجش از دور، از قابلیت بالایی براي بررسی تغییرات زمانی و مکانی پوشش اراضی و کاربري اراضی برخوردار هستند. هدف از تحقیق حاضر پیشبینی و بررسی روند تغییرات کاربری اراضی و پوشش اراضی در منطقه زهک دشت سیستان میباشد. بدین منظور نقشههای کاربری و پوشش اراضی از تصاویر ماهوارهای لندست سالهای 1987، 2001 و 2018 به روش طبقهبندی نظارت شده، ماشین بردار پشتیبان تهیه شــد. سپس با استفاده از نقشه کاربری اراضی سالهای 1987 و 2001 پوشش اراضی در سال 2018 پیشبینی شد. کاربرد نقشه کاربری اراضی سالهای 2001 و 2018 پوشش اراضی مربوط به سال 2030 با استفاده از روش تلفیقی زنجیره مارکوف و سلولهای خودکار پیشبینی شد. برای تحلیل روند تغییرات کاربری و پوشش زمین سال 2001-1987، 2018-2001 و سال 2030-2018 از مدلساز تغییر سرزمین استفاده شد. نتایج نشان داد در دوره زمانی 2001 – 1987 سطوح کاربریهای زراعت آبی 2013 هکتار، پوشش درختی 1117 هکتار، منابع آب 2391 و اراضی بایر 9535 هکتار کاهش یافته است. همچنین مساحت کاربریهای منطقه مالچپاشی 192 هکتار و تپههای ماسهای 14864 هکتار افزایش داشتند. طی بازه زمانی 2018 – 2001 سطوح کاربریهای زراعت آبی 3533 هکتار و اراضی بایر 3707 هکتار کاهش و مساحت کاربریهای پوشش درختی 313 هکتار، منابع آب 5385 هکتار، منطقه مالچپاشی 247 هکتار و تپههای ماسهای با 1295 هکتار افزایش داشته است. در پیشبینی دوره زمانی 2030 – 2018 سطوح کاربریهای زراعت آبی به میزان 1098 هکتار، تپههای ماسهای 527 هکتار و اراضی بایر 2020 هکتار کاهش مییابد. در این پیشبینی عرصه کاربریهای پوشش درختی 16 هکتار، پهنههای آبی 3607 هکتار، منطقه مالچپاشی 23 هکتار افزایش خواهد یافت.
واژههای کلیدی: تغییر کاربری اراضی، مدل سلولهای خودکار، مدلساز تغییر سرزمین، تصاویر لندست، دشت سیستان.
مقدمه
پوشش اراضی به خصوصیات سطح زمین، شامل پوشش گیاهی، آب، خاک و سایر ویژگیهای فیزیکی سطح زمین اطلاق میگردد. کاربری اراضی به بخشی از زمین که جهت مقاصد کشاورزی، شهرکسازی، صنعت و غیره مورد استفاده انسان قرار میگیرد اشاره دارد. اگرچه عموماً از واژه کاربری اراضی، پوشش اراضی نیز استنباط میشود. اما هر دو اصطلاح دارای ارتباط نزدیک و قابل جابجایی هستند (7). تغییرات سریع کاربری و پوشش اراضی بهویژه در کشورهای در حال توسعه منجر به کاهش منابع مختلف حیاتی ازجمله آب، خاک و پوشش گیاهی شده است (8). افزایش تغییرات بهخصوص در منابع طبیعی هشداردهنده است و بهطور قابل توجهی بر عرصههای محلی، منطقهای، ملی و جهانی تأثیرگذار است (21). با توجه بـه تغييـرات روزافـزون كـاربري اراضـي و ضرورت آگاهي مديران و كارشناسان از چگونگي تغيير و تحولات رخداده براي سياستگذاري و چـارهانديشـي براي رفع مشكل موجود، آشكارسازي تغييـرات بـراي مشخص كردن روند تغييرات در طول زمان ضروري بهنظر میرسد (29). ازسـویی دیگر، پيشبيني و مدلسازي تغييرات آينده نيز براي آگـاهي از كميت و كيفيت تغييـرات احتمـالي پیشرو اهميـت دارد. بنابراين آشكارسازي و پيشبيني تغييرات، لازمة مراقبـت از يـك اكوسيسـتم بـهويـژه در منـاطقي بـا تغييرات سريع و اغلب بدون برنامهريزي در كشورهاي در حال توسعه است. پيشبيني مكاني كاربري اراضـي را ميتوان بهوسيله مدلهاي تجربـي براسـاس بـرونيابي الگوهاي تغييري كه در گذشته نزديـك مشـاهده شــدهانــد، بــا ارايــهاي محــدود از عوامــل مــؤثر بــر ايــن تغييــرات صــورت داد (19). در دو دهه گذشته، تلاش وسیعی در استفاده از مدلهای تغییر کاربری و پوشش اراضی بهمنظور کمک در مدیریت اراضی و درک بهتر و ارزیابی و بررسی نقش این تغییرات در کارکرد سیستم زمین صورت گرفته است (20). مدلسازی تغییرات کاربری اراضی یک فرآیند پیچیده است که حاکی از دخالت انواع متغیرها میباشد. باید درنظر داشت آشکارسازی و مدلسازی تغییرات کاربری اراضی با استفاده از دادههای سنجش از دور میتواند شناخت مناسبی از چگونگی تغییرات کاربری اراضی نمایش داده و در مدیریت آن راهکارهای مناسبی را ارائه نماید (5). با پیشبینی تغییرات کاربری اراضی میتوان مقدار گسترش و تخریب منابع را مشخص و این تغییرات را در مسیرهای مناسب هدایت کرد. از روشهـایی کـه در مدلسـازی و پیشبینی کاربری زمین مورد استفاده قرار میگیرد میتوان به مـدل تلفیقی زنجیـره مـارکوف و سلولهای خودکار (CA-Markov) اشـاره نمـود. فراینـد مـارکوف، دستگاهی است که میتواند از یک حالت به حالت دیگر در مرحله زمانی بعد مطابق با احتمالات ثابت انتقال یابد و زمـانی کاربرد دارد که تغییرات موجود در چشماندازها بهراحتی قابل توصیف نباشـند. همچنـین یـک سـری از مقـادیر تصـادفی میباشد که احتمال آنها در فاصله زمانی داده شده به مقدار اعداد در زمان گذشته وابسته است. بنابراین زنجیره مـارکوف میتواند با پیشبینی تغییرات کاربری اراضی میزان گسترش و تخریب منابع را مشخص و این تغییرات صـورت گرفتـه را در مسیر مناسبی هدایت کند (22). از دیگر مدلهایی که با استفاده از آن میتوان تغییرات کاربری اراضی، علـت و پیامدهای آن را شناسایی کرد، مدلساز تغییر سرزمین (Land change Modeler) میباشد که یک مدل نرمافزاری اسـت کـه بـهمنظور شناسـایی و تشـخیص مسئله تبدیل زمین و نیازهای تحلیلی حفـظ تنـوع زیسـتی طراحیشـده است (17).
مطالعات متعددی در زمینه پیشبینی و روند تغییرات کاربری اراضی انجام شده است. در این رابطه، پايش و پيشبيني تغييرات كاربري اراضي در دوره 28 ساله 2014-1986 با مدل تلفیقی مارکوف و سلولهای خودکار در حوزه آبخيز صفارود-رامسر استان مازندران انجام شد. ابتدا نقشههاي كاربري اراضي و NDVI با استفاده از ماهواره لندست تهيه گرديد. نتايج نشان داد كه در فاصله زماني بين سالهاي2014-1986 ، وسعت اراضي جنگلي به ميزان 26/10 درصد كاهش و 27/3 درصد مساحت مناطق مسكوني افزايش يافته است. همچنین در این تحقیق نقشه كاربري اراضي براي سالهاي 2021 و 2028 با مدل زنجيره ماركوف پيشبيني گرديد. نتايج نشان داد كه در فاصله زماني 2028-2014 اراضي جنگلي و مراتع بهترتيب به ميزان 92/4 و 7/1 درصد كاهش دارد. كاربري مسكوني 04/8 درصد افزايش و اراضي كشاورزي به مقدار ناچيزي تغيير خواهد داشت كه بيانگر تغييرات كاربري به سمت اراضي مسكوني است (32).
شبیهسازی و ارزیابی روند آینده تغییر کاربری زمین با استفاده از دادهها و مدلهای زمانی-مکانی در آبخیز کوزهتپراقی در اســتان اردبیل انجام گرفت. در این مطالعه از تصاویر ماهوارهای لندست 2000، 2010 و 2018 بهره گرفته شــد. برای شبیهسازی نقشــه تغییر کاربری زمین در سال 2036 مدل تلفیقی زنجیره مارکوف و سلولهای خودکار و برای بررسی روند آینده کاربری زمین مدلساز تغییر سرزمین بهکار برده شد. نتایج نشان داد سطح کاربریهای کشاورزی آبی 52/80 درصد، مرتع 90/36 درصد و زمین درختی 76/5 درصد افزایش خواهد یافت، و از سطح کاربریهای کشاورزی دیم به میزان 43/43 درصد و سطح آب به میزان 40/91 درصد کاسته خواهد شد (2).
بهمنظور ارزیابی روند تغییرات اراضی و پیشبینی پوشش اراضی حوزه شیرکوه در استان یزد از نقشههای کاربری اراضی با استفاده از تصاویر لندست در سالهای 2000، 2008 و 2016 به روش طبقهبندی نظارتشده حداکثر احتمال استفاده شد. همچنین روند تغییرات کاربری اراضی برای سال 2024 پیشبینی شد. نتایج پیشبینی پوشش اراضی در سال 2024 نشان داد که 55/0 درصد از کاربری کشاورزی، 82/0 درصد از مرتع غنی، 80/0 درصد مرتع فقیر، 51/0 درصد اراضی شهری و 97/0 درصد مناطق صخرهای و سنگلاخی بدون تغییر باقی میمانند. امکان تبدیل زمینهای کشاورزی به مسکونی و مرتع فقیر 40/0 درصد است (3).
مطالعهای تحت عنوان نظارت و پیشبینی تغییرات کاربری اراضی و پوشش زمین با استفاده از تلفیق مدل زنجیره مارکوف و سلول خودکار در قسمت جنوب شرقی منطقه هایلی در بنگلادش انجام شد. در این بررسی تغییرات کاربری اراضی و پوشش زمین را برای سال 2028 و 2042 مدلسازی، پیشبینی و شبیهسازی شد که نتایج این شبیهسازی برای بازه زمانی 2014 تا 2042، کاهش جنگلها و ذخایر آبی و افزایش قابل ملاحظهای را در بوتهزارها، اراضی مرتعی و مناطق ساختمانی نشان داد (36).
پیشبینی تغییرات کاربری و پوشش اراضی برای منطقه ددزا در مالاوی برای سالهای 2025 و 2035 براساس مدل تلفیقی زنجیره مارکوف و سلولهای خودکار در نرمافزار ایدریسی انجام شد. پیشبینیآینده نشان میدهد که زمینهای بایر و مناطق ساخته شده افزایش مییابد درحالیکه زمینهای کشاورزی، تالابها و زمینهای جنگلی به ترتیب تا سال 2025 و 2035 به میزان قابل توجهی کاهش خواهد یافت. با توجه به ماتریس احتمال انتقال، تقریباً 8/94 درصد، 6/97 درصد و 7/95 درصد از سطوح آبی، زمینهای کشاورزی و زمینهای بایر به احتمال زیاد ثابت میمانند. در مقابل زمینهای جنگلی بیشترین تغییر به میزان 8/64 درصد و 9/85 درصد تا سالهای 2025 و 2035 را نشان میدهد. بهطوریکه اکثر مناطق جنگلی به زمین بایر تبدیل خواهد شد (27).
برای تعیین میزان تخریب و روندهای آینده تالابهای گوانگشی کشور چین از مدل تلفیقی زنجیره مارکوف و سلولهای خودکار استفاده شد. این شبیه سازی از چند سناریوی برای پیشبینی روند تالاب از سال 2018 تا 2035 استفاده نمود. نتایج نشان داد از سال 1990 تا 2018، شالیزارها در تالابهای گوانگشی بیشترین نسبت به خود اختصاص دادهاند. در طی 30 سال مساحت تالابها در گوانگشی به میزان 33/983 کیلومتر مربع کاهش یافته است. تخریب تالاب در شهر نانینگ با اختلاف مساحت 22/503 کیلومتر مربع بین عرصههای تخریب و بازسازی شده جدیتر است. از سال 2025 تا سال 2035 تالابها در سناریو توسعه طبیعی پایدار خواهند ماند و تحت ساخت و ساز اقتصادی تخریب میگردند و بهطور پیوسته با سناریوی حفاظت از محیطزیست افزایش مییابد (37).
روش تحقیق
منطقه مورد مطالعه
منطقه موردمطالعه (زهک) در بخش شمالی استان سیستان و بلوچستان و در قسمت شرقی دشت سیستان واقع شده و دارای وسعتی بالغ بر 88344 هکتار است، منطقه زهک در موقعیت جغرافیایی حداقل 61 درجه و 30 دقیقه و حداکثر 61 درجه و 49 دقیقه طول شرقی و در حداقل 30 درجه، 36 دقیقه و 45 ثانیه و حداکثر 30 درجه و 59 دقیقه عرض شمالی قرار گرفته است (شکل 1). اراضی منطقه، شیب بسیار جزئی بین 5-2 درصد داشته و فاقد پستی و بلندی قابل ملاحظهای است. در این محدوده ارتفاع از سطح دریا 496 متر میباشد. متوسط بارندگی در منطقه زهک 2/51 میلیمتر میباشد (10).
شکل 1. موقعیت جغرافیایی منطقه زهک دشت سیستان
Fig. 1. Geographical location of the Zahak area of Sistan Plain
مراحل کلی اجرای تحقیق، شامل تهیه نقشههای کاربری اراضی و پوشش اراضی و اجرای روشهای، مدل تلفیقی زنجیره مارکوف و سلولهای خودکار و مدلساز تغییر سرزمین طی مراحل شکل 2 انجام پذیرفت.
شکل 2. مراحل اجرای تحقیق
Fig. 2. Research implementation steps
داده های مورد استفاده
تصاویر ماهوارهای در این مطالعه از ماهواره لندست طی سالهای 1987، 2001 و 2018 استفاده شد (جدول 1). تصاویر مربوط به ماه ژوئن در دوره 30 ساله، از وبسایت سازمان نقشهبرداری زمینشناسی آمریکا USGS)) تهیه شد.
جدول1. مشخصات تصاویر ماهواره ای استفاده شده در این مطالعه
Table 1. Specificztions of satellite images used in this study
ماهواره Dataset | نوع سنجنده Dataset | ستون Column | سطر Row
| تاریخ برداشت Date | |||||
لندست 5 Landsat5 | TM | 157 | 039 | 20/06/1987
| |||||
لندست 5 Landsat5 | TM | 157 | 039 | 26/06/2001
| |||||
لندست 8 Landsat8 | OLI | 157 | 039 | 09/06/2018 |
پیشپردازش تصویرها و طبقهبندی کاربری اراضی
در مرحله پیشپردازش ابتدا اقدام به تصحیحات رادیومتری و اتمسفری جهت حذف خطاهای ناشی از سنجنده و اتمسفر در محیط نرم افزار انوی 5.3 گردید.
جهت شناسایی عوارض برروی تصاویر ماهوارهای با استفاده از روشهای ترکیب رنگی کاذب 543 (لندست 8) و 432 (لندست 5) بههمراه بسط کنتراست نسبت به آشکارسازی اقدام شد. برای ارزیابی صحت طبقهبندی با استفاده از مشاهدات صحرایی (2018) و نرمافزار گوگل ارث (برای سالهای 1987 و 2001) برای هرکدام از طبقات کاربری اراضی و پوشش زمین نمونههای واقعی بهصورت تصادفی از سطح منطقه تهیه شد و پس از پیادهسازی نمونههای واقعی بر روی تصویر، ماتریس خطای طبقهبندی استخراج شد. در این ماتریس مشخصات آماری شامل صحت تولیدکننده، صحت مصرفکننده، صحت کل و شاخص کاپا برای هریک از طبقات کاربری اراضی محاسبه شد. ضریب کاپا صحت طبقهبندی را نسبت به یک طبقهبندی کاملاً تصادفی محاسبه میکند. از معروفترین برآوردهای کاپا با استفاده از عناصر ماتریس خطا براساس رابطه 1 به دست می آید (11).
[1]
در این رابطه، N تعداد کل مشاهده (مجموع نمونههای تصادفی نقطهای مانند پیکسلهای واقعیت زمینی)، مشاهدات در سطر i ام و ستون j ام، مجموع عناصر سطر iام و مجموع عناصر ستون j ام.
مقدار ضریب کاپا بین 0 و 1 متغیر است، بهطوریکه مقدار صفر بهاین معنی است که طبقهبندی بدون هیچ ضابطهای و کاملاً تصادفی انجام شده است. اما مقدار 1 نشاندهنده طبقهبندی کاملاً صحیح براساس نمونههای گرفته شده است.
مدل تلفیقی زنجیره مارکوف و سلولهای خودکار
در روش زنجيره ماركوف، تصاوير ماهوارهاي پوشش زمين بر اساس ماتريس احتمال تغييرات مورد تجزيه و تحليل قرار ميگيرد. روش زنجيره ماركوف تصاوير پهنهبندي كاربري اراضي را تحليل و يك خروجي به شكل ماتريس احتمالي تغييرات و يك تصوير خروجي از ماتريس احتمالي تغييرات براي سال افق را ارائه ميدهد. ماتريس احتمال تغيير نشان ميدهد كه به احتمال هر كلاس از كاربري اراضي طبقهبندي شده در آينده به كاربري ديگري تغيير خواهد يافت. در اين روش ماتريس تغييرات ناحيه نشان ميدهد که تغيير تعداد پيكسلهايي از يك كلاس كاربري اراضي به كلاس ديگر در يك دوره مشخص به چه میزان خواهد بود. در تحليل زنجيره ماركوف از طبقههاي پوشش به عنوان حالت يا همان وضعيتهاي زنجيره استفاده شده است. در اين تحليل همواره از دو نقشه رستري استفاده ميشود كه وروديهاي مدل ناميده ميشود. علاوه بر اين دو نقشه، فاصله زماني بين دو تصوير و فاصلة زماني پيشبيني نيز در مدل درنظر گرفته ميشود. خروجي مدل نيز شامل احتمال تبديل وضعيت، ماتريس مساحتهاي تبديل شده هر طبقه و در پايان تصاوير احتمالات شرطي براي تبديل كاربريهاي مختلف است (18، 33 و 35).
زنجیره مارکوف دنبالهای از متغیرهای تصادفی X1, X2, X3, … با فرآیند تصادفی است (رابطه 2). اگر X[k] زنجیره مارکوف و Pi,j احتمال انتقال از حالت i به j در یک زمان معین است.
[2]
در ماتریس احتمال انتقال، تغییر از یک کلاس به کلاس دیگر شرح داده میشود. این ماتریس میتواند نتیجه ترکیب متقابل دو تصویر به دلیل تغییر در یک کلاس به کلاس دیگر باشد. براساس اندازه ثبت شده در ماتریس احتمال انتقال، اطلاعات تبدیل پیکسلها یا کلاسها به سلول و یا کلاس دیگر بهدست میآید (30). این کار با ایجاد یک ماتریس احتمال انتقال تغییر کاربری زمین از زمان 1 به زمان 2 انجام میشود، که مبنای برنامهریزی برای دوره زمانی آینده است (34 و 26). بهبیان دیگر درحالیکه فرآیند مارکوف پویایی زمانی بین ردههای کاربری و پوشش زمین را با احتمال انتقال مهار میکند، اما سازوکار سلولهای خودکار وجهه مکانی دارد و به قانونهای محلی مرتبط با پیکربندی همسایگی میپردازد و همگام با احتمال انتقال پویاییهای فضایی انواع کاربری زمین را معین میکند (31). مدل سلولهای خودکار میتوان با رابطه 3 بیان میشود.
[3]
که در آن S مجموعهای از حالاتهای سلولی محدود و گسسته، N میدان سلولی، t و t+1 زمانهای مختلف و f قانون تغییر حالت سلولی در فضای محلی (28).
مدلساز تغییر سرزمین
آشکارسازی تغییرات کاربری اراضی ابزاری ضروری برای تجزیه و تحلیلهای محیطزیست، برنامهریزی و مدیریت اسـت (1). مدلساز تغيير سرزمين، نرمافزاري براي ايجاد توسعه پايدار بومشناختي است كه براي تشخيص مسئله مبرم و رو به افزايش تغييرات سرزمين و نيازهاي تحليلي حفظ تنوع زيستي طراحي و ساخته شده است و به صورت ابزار جانبي درون سامانه نرمافزاري ایدریسی وجود داشته، همچنين به صورت افزونه براي نرمافزار ArcGISنيز در دسترس است. مدلساز تغيير زمين، ابزاري را در اختيار قرار ميدهد كه به كمك آن ميتوان به ارزيابي و مدلسازي تجربي تغييرات كاربري اراضي و تأثير آن بر زيستگاه گونهها و تنوع زيستي پرداخت (4). همچنین مدلســاز تغییر ســرزمین علاوه بر مدلســازی امکان تحلیل و نظارت بر تغییر را با نمودار افزایش و کاهش، نمودار تغییر خالص، نقشههای تغییر و روند تغییر کاربری را فراهم میکند (2).
نتایج
نقشههـای کاربری اراضی با استفاده از روش طبقهبندی نظارت شده، الگوریتم ماشین بردار پشتیبان در بازه زمانی 30 ساله طی سالهای 1987، 2001 و 2018 تهیه شد. در این رابطه شش کاربری شامل زراعت آبی، پوشش درختی، منابع آب، منطقه مالچپاشی، تپههای ماسهای و اراضی بایر بـهدسـت آمدنـد (شکل 3).
شکل 3. نقشه کاربری اراضی و پوشش زمین سالهای 1987، 2001 و 2018
Fig. 3. Land use map and land cover maps of 1987, 2001 and 2018
شکل 4 روند تغییرات مساحت کاربریها و پوششهای اراضی در منطقه مورد مطالعه طی سالهای 2018 – 1987 را مشخص مینماید. بهطوریکه در طی این سالها کاربریهای زراعت آبی و اراضی بایر دارای روند کاهشی و در کاربریهای پوشش درختی، منابع آب، منطقه مالچپاشی و تپههای ماسهای روند افزایشی مشاهده میگردد.
شکل 4. تغییرات کاربری اراضی و پوشش اراضی از سالهای 2018 – 1987 (هکتار)
Fig. 4. Land use and Land cover change from 1987-2018 (hectares)
جهت تعیـین دقـت هریـک از نقشـههـای بهدسـت آمـده، از شـاخص ضـریب کاپـا اسـتفاده شـد. ضـریب کاپـا نشاندهنده قابل قبول بودن نقشههای کـاربری اراضـی است. طبق جدول 2 میزان ضریب کاپا و صحت کلی، دقت بالای طبقهبندی انجام شده را نشان میدهد.
جدول 2. ضریب کاپا و صحت کلی طبقهبندی نقشه کاربری اراضی و پوشش زمین سال های 1987، 2001 و 2018
Table 2. Kappa coefficient and Overall accuracy for classified land use maps of 1987, 2001 and 2018
سال Year | 1987 | 2001 | 2018 |
صحت کلی Overall accuracy | 4/99 | 1/98 | 8/99 |
ضریب کاپا Kappa coefficient | 99/0 | 97/0 | 99/0
|
مدل تلفیقی زنجیره مارکوف و سلولهای خودکار
پس از اجرای تحلیل زنجیره مارکوف برروی دو نقشه کاربری اراضی و پوشش اراضی بهدست آمده از طبقهبندی تصاویر ماهوارهای، ماتریس احتمال انتقال، ماتریس مساحت انتقال یافته و چند تصویر احتمال شرطی ایجاد شد. تصاویر احتمال شرطی حاصل از تحلیل زنجیره مارکوف، از ماتریس احتمال انتقال بهدست آمده است و احتمال اینکه هر نوع پوشش زمین در هر موقعیت مکانی در آینده یافت میشود را بیان میکند. که براساس دو تصویر پوشش زمین قبلی نقشهسازی شده است. برای مدلســازی تغییــر کاربری و پوشش زمین با مدل تلفیقی زنجیره مارکوف و سلولهای خودکار، ماتریس مســاحت انتقــال و ماتریس احتمال انتقال با نقشــه طبقهبندی ســال 2001 و 1987 بهدست آمد. ماتریس مساحت انتقال 2001–1987 ورودی به مدل سلولهای خودکار معرفی شد (جدول 3) تا نقشه پیشبینی سال 2018 بهدست آید.
جدول 3. ماتریس مساحت انتقال یافته تغییر کاربری 2001-1987 با زنجیره مارکوف (هکتار)
Table 3. Area transfer matrix land use change1987 - 2001 with Markov chain (hectare)
Land use | زراعت آبی Watery agriculture | پوشش درختی Tree cover | منابع آب Water resources | منطقه مالچپاشی Mulching area | تپههای ماسهای Sand dunes | اراضی بایر Barren lands |
زراعت آبی Watery agriculture | 123600 | 699 | 1 | 1031 | 110876 | 11244 |
پوشش درختی Tree cover | 956 | 8 | 0 | 10 | 551 | 85 |
منابع آب Water resources | 3729 | 45 | 16822 | 28 | 11826 | 3149 |
منطقه مالچپاشی Mulching area | 914 | 5 | 0 | 13 | 1244 | 462 |
Sand dunes | 85365 | 302 | 143 | 905 | 319097 | 24994 |
اراضی بایر Barren lands | 27599 | 134 | 59 | 521 | 88776 | 146632 |
در ماتریس مساحت انتقال، ردیف نشاندهنده پوشش زمین در دوره اول و ستون نشاندهنده پوشش زمین در دوره دوم است. همچنین اعدادی که در قطر ماتریس قرار دارند بیانگر مقدار مساحتی از کاربری و پوشش اراضی است. در سال 1987، که در سال 2001 در همان کاربری باقی خواهند ماند. جدول 3، ماتریس مساحت انتقال یافته کلاسهای پوشش اراضی سال 2001 – 1987 را نشان میدهد. براساس نتایج کاربریهای زراعت آبی با سطح 123600 هکتار، پوشش درختی نیز به میزان 8 هکتار، منابع آب به میزان 16822 هکتار، منطقه مالچپاشی با سطح 13 هکتار، تپههای ماسهای به اندازه 319097 هکتار و اراضی بایر به مقدار 146432 هکتار در سال 1987، در سال 2001 باقی میماند. اما در کاربری زراعت آبی به میزان 699 هکتار به کاربری پوشش درختی، 1 هکتار به کاربری منابع آب، 1031 هکتار به کاربری منطقه مالچپاشی، 110876 هکتار به کاربری تپههای ماسهای و 11244 هکتار به کاربری اراضی بایر در سال 2001 تبدیل خواهد شد
جدول 4. ماتریس احتمال انتقال پیشبینی شده برای سال 2018 با طبقهبندی 2001- 1987 (درصد)
Table 4. Predicted transfer probability matrix for 2018 with 1987 - 2001 classification (Percentage)
کاربری اراضی Land use | زراعت آبی Watery agriculture | پوشش درختی Tree cover | منابع آب Water resources | منطقه مالچپاشی Mulching area | تپههای ماسهای Sand dunes | اراضی بایر Barren lands |
زراعت آبی Watery agriculture | 5/0 | 002/0 | 00/0 | 004/0 | 45/0 | 04/0 |
پوشش درختی Tree cover | 6/0 | 005/0 | 00/0 | 006/0 | 34/0 | 05/0 |
منابع آب Water resources | 1/0 | 001/0 | 47/0 | 0008/0 | 33/0 | 09/0 |
منطقه مالچپاشی Mulching area | 3/0 | 002/0 | 00/0 | 005/0 | 47/0 | 17/0 |
تپههای ماسهای Sand dunes | 2/0 | 0007/0 | 0003/0 | 002/0 | 74/0 | 06/0 |
اراضی بایر Barren lands | 1/0 | 0005/0 | 0002/0 | 002/0 | 34/0 | 55/0 |
جدول 4 ماتریس احتمال انتقال، احتمال اینکه هر نوع کاربری زمین در یک دوره زمانی معین در آینده مربوط به هر نقطه در تصویر باشد را گزارش میدهد. با توجه به نتیجه جدول فوق به احتمال 5/0 درصد از کاربری زراعت آبی در سال 2001 در همان کاربری زراعت آبی در سال 2018 باقی خواهد ماند و از کاربری زراعت آبی در سال 2001 به میزان 002/0 درصد به کاربری پوشش درختی، 00/0 درصد به کاربری منابع آب، 004/0 درصد به کاربری مالچپاشی، 45/0 درصد به کاربری تپههای ماسهای و 04/0 درصد به کاربری اراضی بایر در سال 2018 تبدیل خواهد شد.
شکل 5. نقشه پیشبینی کاربری اراضی و پوشش زمین سال 2018 با مدل CA Markov
Fig. 5. Predicted Land use and Land cover map of 2018 with CA Markov
جدول 5. ماتریس احتمال انتقال پیشبینی شده برای سال 2030 با طبقهبندی 2018 - 2001 (درصد)
Table 5. Predicted transfer probability matrix for 2030 with 2001 - 2018 classification (Percentage)
کاربری اراضی Land use
| زراعت آبی Watery agriculture | پوشش درختی Tree cover | منابع آب Water resources | منطقه مالچپاشی Mulching area | تپههای ماسهای Sand dunes | اراضی بایر Barren lands |
زراعت آبی Watery agriculture | 59/0 | 01/0 | 00/0 | 00/0 | 38/0 | 02/0 |
پوشش درختی Tree cover | 75/0 | 19/0 | 00/0 | 002/0 | 04/0 | 01/0 |
منابع آب Water resources | 00/0 | 0001/0 | 91/0 | 0004/0 | 07/0 | 01/0 |
منطقه مالچپاشی Mulching area | 5/0 | 07/0 | 00/0 | 1/0 | 27/0 | 14/0 |
تپههای ماسهای Sand dunes | 14/0 | 002/0 | 10/0 | 009/0 | 7/0 | 04/0 |
اراضی بایر Barren lands | 02/0 | 0008/0 | 006/0 | 006/0 | 19/0 | 77/0 |
جدول 5 ماتریس احتمال انتقال کلاسهای پوشش اراضی از نقشه 2018 – 2001 با فاصله زمانی 17 سال را نشان میدهد تا با استفاده از این ماتریس احتمالی، نقشه سال 2030 (12 سال آینده) پیشبینی و وضعیت کلاسها مشخص شود (شکل 6). ضریب کاپا یهدست آمده حاصل از پیشبینی تغییرات کاربری اراضی و پوشش اراضی به میزان 90/0 میباشد.
شکل 6. نقشه پیشبینی کاربری اراضی و پوشش زمین سال 2030 با مدل CA Markov
Fig. 6. Predicted Land use and Land cover map of 2030 with CA Markov
مدلســاز تغییر ســرزمین
شکل 7. کاهش و افزایش مساحت کاربریها بین سالهای 2001 – 1987 (هکتار)
Fig. 7. The decrease and increase of the area of usea between 1987-2001(hectares)
شکل 8. تغییر خالص مساحت کاربریها بین سالهای 2001 – 1987 (هکتار)
Fig. 8. Net change of land use area between 1987-2001(hectares)
شکلهای 9 و 10 تغییرات کاربریهای اراضی را در منطقه مورد مطالعه طی بازه زمانی 2018 – 2001 را آشکار مینماید. براین اساس سطح کاربریهای زراعت آبی 3533 هکتار و اراضی بایر 3707 هکتار کاهش یافته است و مساحت کاربریهای پوشش درختی 313 هکتار، منابع آب 5385 هکتار، منطقه مالچپاشی 247 هکتار و تپههای ماسهای با 1295 هکتار افزایش را نشان میدهد.
شکل 9.کاهش و افزایش مساحت کاربریها بین سالهای 2018 – 2001 (هکتار)
Fig. 9. The decrease and increase of the area of usea between 2001-2018 (hectares)
شکل 10. تغییر خالص مساحت کاربریها بین سالهای 2018 – 2001 (هکتار)
Fig. 10. Net change of land use area between 2001-2018(hectares)
شکلهای 11 و 12 پیشبینی تغییرات کاربریهای اراضی در منطقه مورد بررسی طی بازه زمانی 2030 – 2018 را بیان میکند. بهطوریکه سطح کاربریهای زراعت آبی به میزان 1098 هکتار، تپههای ماسهای 527 هکتار و اراضی بایر 2020 هکتار کاهش مییابد. مساحت کاربریهای پوشش درختی 16 هکتار، منابع آب 3607 هکتار، منطقه مالچپاشی 23 هکتار افزایش خواهد یافت.
شکل 11.کاهش و افزایش مساحت کاربریها بین سالهای 2030 – 2018 (هکتار)
Fig. 11. The decrease and increase of the area of usea between 2018-2030 (hectares)
شکل 12. تغییر خالص مساحت کاربریها بین سالهای 2030 – 2018 (هکتار)
Fig. 12. Net change of land use area between 2018-2030 (hectares)
شکل 13 آشکارسازی تغییرات کاربری اراضی و تبدیل انواع مختلف کاربریهای و پوششهای اراضی به یکدیگر را بین سالهای 2030 – 2018 نشان میدهد. لازم بهذکر است کد 1 مربوط به کاربری اراضی زراعت آبی، کد 2 شامل کاربری اراضی پوشش درختی، کد 3 شامل کاربری اراضی منابع آب، کد 4 مربوط به کاربری اراضی منطقه مالچپاشی، کد 5 متعلق به کاربری اراضی تپههای ماسهای و کد 6 شامل کاربری اراضی بایر میباشد.
شکل 13. آشکارسازی تغییرات کاربریهای اراضی بین سالهای 2030 – 2018
Fig 13. Detection in land use between 2018-2030
بحث و نتیجهگیری
بررسی تغییرات کاربری اراضی در راستای دستیابی به مدیریت پایدار بهرهبرداری از زمین، در کشورهای درحال توسعه امری حیاتی بهشمار میرود (25). همچنین آشكارسـازي و پيشبيني تغييرات كاربري اراضي و پوشش زمين براي ارائه ديد كلي بهمنظور مديريت بهتر منابع طبيعي در بلندمـدت بسيار موثر است (16). لذا در تحقیق حاضر جهت پیشبینی و تحلیل تغییرات کاربری اراضي در بازه زمانی سالهای 1987، 2001 و 2018 بهعنوان ورودی مدل تلفیقی زنجیره مارکوف و سلولهای خودکار و مدلساز تغيير سرزمين موردمطالعه قرار گرفتند. بررسی تغییرات در دوره زمانی 2001 – 1987، از سطح کاربریهای زراعت آبی 2013 هکتار، پوشش درختی 1117 هکتار، منابع آب 2391 و اراضی بایر 9535 هکتار کاسته شده است. دلیل عمده این تغییرات، وجود نوسانات اقلیمی و خشکسالیهای هیدرولوژیکی ناشی از عدم جریان آب در رودخانه فصلی هیرمند میباشد. در این حین بر وسعت عرصههای تپههای ماسهای به میزان 14864 هکتار و منطقه مالچپاشی به میزان 192 هکتار جهت مهار و کنترل فرسایش بادی افزوده شده است. در طی سالهای 2018 – 2001، بهعلت تداوم خشکسالیهای هیدرولوژیک در دشت سیستان، سطح کاربریهای زراعت آبی به میزان 3533 هکتار و اراضی بایر 3707 هکتار کاهش یافته است و با توجه به احداث چاهنیمه چهارم جهت ذخیره آب و جبران کمبود آب شرب در دوران خشکسالی، منابع آب به میزان 5385 هکتار افزایش را نشان میدهد. در نتیجه خشکسالیهای متوالی در منطقه و خشک شدن بستر تالاب بینالمللی هامون و تبدیل آن به کانون بحرانی فرسایش بادی، برداشت و حمل ذرات گرد و غبار و ترسیب آنها به مناطق پایین دست مشاهده میشود که منجر به افزایش عرصههای کاربری و پوشش اراضی تپههای ماسهای به مقدار 1295 هکتار و اجرای پروژه مالچپاشی در مناطق بحرانی فرسایش بادی کاربری منطقه مالچپاشی به میزان 247 هکتار افزایش یافته است.
در نتیجه میتوان به ارتباط بین وقوع خشکسالی و تغییرات کاربری و پوشش اراضی اشاره نمود. این نتیجه همسو با بررسیهای صورت گرفته توسط محمدی و همکاران (24)، میرعلیزادهفر و همکاران (22)، میرحسینی و همکاران (23) و فتحیزاد و همكاران (16) ميباشد. بهطوریکه روند تغییرات مساحت کاربریهای کشاورزی و پوشش درختی در شرایط خشکسالی کاهش و مساحت کاربری اراضی بایر و تپههای ماسهای افزایش یافته است. اما نتایج حاصل از بررسیهای آقایی و همکاران (2)، چاودوری و همکاران (9)، فرامرزی و همکاران (14) و اسکندری دامنه و همکاران (12)، با تحقیق حاضر مطابقت ندارد زیرا به علت شرایط اقلیمی نرمال روند تغییرات در کاربریهای کشاورزی و اراضی درختی افزایشی و در اراضی بایر کاهشی میباشد.
پیشبینی و روند تغییرات، در دوره زمانی 2030 – 2018 بیانگر کاهش سطح کاربریهای زراعت آبی به میزان 1098 هکتار، تپههای ماسهای 527 هکتار و اراضی بایر 2020 هکتار میباشد. نتیجه این پیشبینی مطابقت با تحقیق فتحیزاد و همکاران (2018)، زبیر (38) و بالزتر(6) دارد. در این بازه زمانی کاربریهای پوشش درختی 16 هکتار، منابع آب 3607 هکتار و منطقه مالچپاشی 23 هکتار افزایش خواهد یافت. لازم به توضیح است منابع آب موجود در منطقه مورد مطالعه برای شرب ساکنان دشت سیستان استفاده میگردد. اما کشاورزان در دوران خشکسالی جهت رفع نیاز، از آبهای زیرسطحی موجود با حفر چاهک در منطقه مورد بررسی بهرهبرداری مینمایند.
نتایج حاصل از این تحقیق با بررسی فلاحتکار و همکاران (13) همسو میباشد. بهطوریکه مديريت منطقه بر مبنای سناريوی تغییرات- محدوديت ميتواند منجر به حفظ بیشتر اکوسیستمهای طبیعي شود و باید از تغییر کاربری و پوشش اراضی جلوگیری نمود. لذا اعمال مدیریت و کنترل تغییر کاربری و پوشش اراضی در منطقه مورد مطالعه منجر به مديريت پايدار و دستیابي به حداقل خسارتهای محیط زيستي ناشي از تغییر کاربری اراضي خواهد شد.
منابع مورد استفاده
2. Aghaei M, Khavarian H, Mostafazadeh R. 2020. Prediction of land use changes using the CA-Markov and LCM models in the Kozehtopraghi watershed in the Province of Ardabil. Watershed Management Research, 33(128): 91-107. (In Persian).
3. Arabi AliAbad F. Zare M, Ghafarian Malmiri H. R. 2021. Predicting land cover changes using the combined Markov chain and Automated cells (Case study: Shirkooh Basin). Geography and development, 19(62): 251-266. (In Persian).
4. Arekhi S. 2014. Predicting the trend of spatial land use changes using LCM model in GIS environment (Case study: Sarableh area). 2014. Research on protection and conservation of forests and rangelands in Iran, 12(1): 1-19. (In Persian).
5. Bakr N. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multitemporal Landsat data. Applied Geography, 30(4): 592 -605.
6. Balzter H. 2000. Markov chain models for vegetation dynamics. Ecological Modelling, 126(2): 139-154.
7. Chaudhary B.S, Saroha G.P, Yadav M. 2008. Human Induced Land Use Land Cover Changes in Northern Part of Gurgaon District, Haryana, India: Natural Resources Census Concept. Journal of Human Ecology, 23(3): 243-252.
8. Cheruto M.C, Kauti M.K, Kisangau P.D, Kariuk P. 2016. Assessment of Land Use and Land Cover Change Using GIS and Remote Sensing Techniques: A Case Study of Makueni County, Kenya. Journal of Remote Sensing & GIS, 5(4): 1- 6.
9. Chowdhury M, Hasan M. E, Abdullah-Al Mamun M.M. 2020. Land use/land cover change assessment of Halda watershed using remote sensing and GIS. The Egyptian Journal of Remote Sensing and Space Science, 23(1): 63-75.
10. Comprehensive Consulting Engineers of Iran. 2004 .Comprehensive studies of desertification and combating wind erosion in Sistan plain. (In Persian).
11. Das S, Angadi D. 2020. Land use-land cover (LULC) Transformation and its Relation with Land Surface Temperature Changes: A Case Study of Barrackpore Subdivision, West Bengal, India, Remote Sensing Applications: Society and Environment, 19: 1-28.
12. Eskandari Dameneh H, Khosravi H, Abolhasani A. 2019. Assessing the Effect of Land Use Changes on Groundwater Quality of Zarand Plain using Satellite Images and Geostatistical. Journal of Natural Environmental Hazards (JNEH), 8(20): 67-82. (In Persian).
13. Falahatkar S, Hosseini S.M, Maheini H, Hauobi Sh. 2016. Predicting land use changes using LCM model. Environmental research, 7(13): 3-361. (In Persian).
14. Faramarzi M, Amini D, Mirzaei N, Mosavi M. 2020. Assessment of relationships among groundwater level, drought and land-use changes (Case Study: Eyvan County, Ilam Province). Journal of Environmental Science and Technology, 13(1): 25-43. (In Persian).
15. Fatehelahi Rodbari, S.M, Khan Mohammadi M, Nasir Ahmadi K. 2018. Modeling land use change using land change modeling (LCM) case study of Neka city. Natural ecosystems of Iran, 9(1): 53-69. (In Persian).
16. Fathizad H, Karimi H, Tazeh M, Tavakoli. 2014. Prediction of Land Use and Land Cover Changes in Arid and Semi-Arid Regions Using Satellite Images and Markov Chain Models (Case study: Doviraj Basin, Ilam Province). Desert manangement, 2(3): 61-76. (In Persian).
17. Fathizad H, Zare M, Karimi H, Khanamani A. 2018. Spatio-temporal Modeling of Landscape Changes using Markov Chain Compilation Model and Automated Cells (Case Study: Arid and Semi-Arid Area Dehloran). Arid Biome Scientific and Research Journal, 8(1): 11-26.
18. Kohonen T. 1996. Self-Organization and Associative Memory, Springer-Velag, 312p.
19. Lambin E.F. 1997. Modelling and monitoring land-cover change processes in tropical regions, Progress in Physical Geography, 21: 375–393.
20. Mas J. F, Kolb M, Paegelow M, Camacho Olmedo M.T. 2014. Inductive pattern-based land use/cover change models: A comparison of four software packages. Environmental Modelling and software, 51: 94-111.
21. Meshesha T.W, Tripathi S.K, Khare D.M. 2016. Analyses of land use and land cover change dynamics using GIS and remote sensing during 1984 and 2015 in the Beressa Watershed Northern Central Highland of Ethiopia. Model. Earth Syst. Environ, 2: 1–12.
22. Mir Alizadehfard S. R, Alibakhshi S.M. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Remote Sensing and Geographic Information System in Natural Resources, 7(2): 33- 45. (In Persian).
23. Mirhosseini S.M, Jamali A.A, Hosseini S.Z. 2016. Investigating and Predicting the Extension of Dunes Using Land Change Modeler (LCM) in the North West of Yazd, Iran. Desert, 21(1): 76-90.
24. Mohammadi Sh, Habashi Kh, Pourmanafi S. 2018. Monitoring and prediction land use/ land cover changes and its relation to drought (Case study: sub-basin Parsel B2, Zayandeh Rood watershed). Remote Sensing and Geographic Information System in Natural Resources, 9(1): 24-39. (In Persian).
25. Msofe N.K, Sheng L, Lyimo J. 2019. Land use change trends and their driving forces in the Kilombero Valley Floodplain, Southeastern Tanzania. Sustainability, 11(2): 505.
26. Mukhopdhaya S. 2016. Land Use and Land Cover Change Modelling Using CA-Markov Case Study: Deforestation Analysis of Doon Valley.
27. Munthali M.G, Mustak S, Adeola A, Botai J, Singh S.K, Davis N. 2020. Modelling land use and land cover dynamics of Dedza district of Malawi using hybrid Cellular Automata and Markov model. Remote Sensing Applications: Society and Environment, 17: 1-12.
28. Onwuka S, Eneche P, Ismail N. 2017. Geospatial Modeling and Prediction of lLand Use/Cover Dynamics in Onitsha Metropolis, Nigeria: A Sub-pixel Approach. Current J Appl Sci TechnolJournal of Applied Science and Technology, 22(6):1–18.
29. Parker D.C, Manson S.M, 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, 43: 314–337.
30. Patil SP, Jamgade MB. 2019. regular issue. Int J Innov Technol Explor Eng, 8(10):484–490.
31. Reddy CS, Singh S, Dadhwal VK, Jha CS, Rao NR, Diwakar PG. 2017. Predictive modelling of the spatial pattern of past and future forest cover changes in India. J Earth Syst Science, 26(1): 1-16.
32. Salehi N, Ekhtesasi M.R, Talebi A. 2019. Predicting locational trend of land use changes using CA-Markov model (Case study: Safarod Ramsar watershed). Remote Sensing and Geographic Information System in Natural Resources, 10 (11): 106-120. (In Persian).
33. Stephenne N, Lambin E. 2001. A dynamic simulation model of land-use changes in Sudano-sahelian countries of Africa (SALU). Agriculture, Ecosystems & Environment, 85(1): 145-161
34. Surabuddin Mondal M, Sharma N, Kappas M, Garg PK. 2019. CA Markov modeling of land use land cover dynamics and sensitivity analysis to identify sensitive parameter(s). Int Arch Photogramm Remote Sens Spat Inf Science, 13:723–729.
35. Weng Q. 2002. Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling. Journal of Environmental Management, 64(3): 273-284.
36. Yasmine M, Pedro C, Joel S Mario C. 2015. Land Cover Mapping Analysis and Urban Growth Modelling Using Remote Sensing Techniques in Greater Cairo Region - Egypt. ISPRS International Journal of Geo -Information, 4: 1750 -1769.
37. Zhang Z, Baoqing H, Weiguo J, Haihong Q. 2021. Identification and scenario prediction of degree of wetland damage in Guangxi based on the CA-Markov model. Ecological Indicators, 127: 1-13.
38. Zubair AO. 2006. Change detection in land use and land cover using remote sensing data and GIS, (A case study of Ilorin and its environs in Kwara State), The department of Geography, University of Ibadan in Partial Fulfillment for the award of master of science, 44 pp.
Prediction and trendtion of land use changes and land cover using integrated methods of Markov chain and automated cells and land change modeler in Sistan plain
Abstract
In optimal planning and management of natural resources, knowledge of how land cover changes and land use and the factors that cause it are very necessary. In this field, remote sensing data have high potential to study temporal and spatial changes in land cover and land use. The purpose of presence study is prediction and assessment of the trend of land use changes and land cover in Zahak area of Sistan plain. For this purpose, land use and cover maps were prepared from landsat satellite images using support vector machine method of supervised classification in 1987, 2001 and 2018. Then, using the land use map in 1987 and 2001, land cover in 2018 was predicted. Land use maps for 2001 and 2018 and land cover for 2030 was predicted using integrated method of Markov chain and automated cells. To analyze the trend of land use changes and land cover since 1987- 2001, 2001- 2018 and 2018- 2030, Land change modeler was used. Results indicated that areas of watery agriculture 2013 hectares, tree cover 1117 hectares, water areas 2391 hectares and barren lands 9535 hectares has decreased since 1987- 2001. Also, the mulching area uses area 192 hectares, and sand dunes 14864 hectares were increased. During the period 2001- 2018, the areas of watery agriculture land uses 3533 hectares and barren lands 3707 hectares has decreased and uses area tree cover 313 hectares, water areas 5385, mulching area 247 hectares, and sand dunes 1295 hectares were increased. In the forecasting the time period 2018- 2030, the area of uses watery agriculture will be 1098 hectares, sand dunes 527 hectares, and barren lands 2020 hectares are reduced. In this forecast, land use of tree cover 16 hectares, water area 3607 hectares, and mulching area 23 hectares will increase.
Keywords: land use change, Automated cells model, Land change modeler, Landsat images, Sistan plain.
پیشبینی و روند تغییرات کاربری و پوشش اراضی با استفاده از روشهای تلفیقی زنجیره مارکوف و سلولهای خودکار و مدلساز تغییر سرزمین در دشت سیستان
چکیده مبسوط
طرح مسئله: تغييـرات روزافـزون كـاربري اراضـي و ضرورت آگاهي مديران و كارشناسان از چگونگي تغيير و تحولات رخداده براي سياستگذاري و چـارهانديشـي براي رفع مشكل موجود، آشكارسازي تغييـرات بـراي مشخص كردن روند تغييرات در طول زمان ضروري بهنظر میرسد ازسـویی دیگر، پيشبيني و مدلسازي تغييرات آينده نيز براي آگـاهي از كميت و كيفيت تغييـرات احتمـالي پیشرو اهميـت دارد.
هدف: مدلسـازی، پیشبینـی و روند تغییـرات کاربری اراضی با استفاده از تصاویر ماهوارهای لندست از طریق مدلهای تلفیقی زنجیره مارکوف و سلولهای خودکار و مدلساز تغییر سرزمین در منطقه زهک دشت سیستان میباشـد. تا مبنای تغییرات احتمالي، مديريت مناسب و پايدار در منطقه مورد بررسی اعمال شود.
روش تحقیق: تحقیق حاضر در منطقه زهک با وسعت 88344 هکتار در قسمت شرقی دشت سیستان انجام گرفته است. منطقه زهک در موقعیت جغرافیایی حداقل 61 درجه و 30 دقیقه و حداکثر 61 درجه و 49 دقیقه طول شرقی و در حداقل 30 درجه، 36 دقیقه و 45 ثانیه و حداکثر 30 درجه و 59 دقیقه عرض شمالی قرار گرفته است. در این مطالعه از تصاویر ماهوارهای لندست سنجندههای TM (1987 و 2001) و OLI (2018) سایت زمین شناسی ایالات متحده آمریکا (USGS) و در ماههای کاملاً یکسان (ژوئن)، همچنین از تصاویر گوگل ارث و دادههای کنترل زمینی (2018) استفاده شد. پس از پیش پردازش تصاویر ماهوارهای لندست، طبقهبندی تصاویر با استفاده از الگوریتم ماشین بردار پشتیبان انجام گرفت. ارزیابی صحت طبقهبندی با ضریب کاپا محاسبه شد. سپس با استفاده از ماتریس احتمال طبقات کاربری اراضی و اعمال مدل تلفیقی زنجیره مارکوف و سلولهای خودکار در دوره زمانی 2018 – 1987، نقشه کاربری اراضی و پوشش اراضی برای سال 2030 پیشبینی گردید. همچنین از طریق مدلساز تغییر سرزمین تغییرات کاربری اراضی و پوشش زمین در طی سالهای 1987 - 2001، 2001 - 2018 و 2018 – 2030 بررسی شد.
نتایج و بحث: روند تغییرات مساحت کاربریها و پوششهای اراضی در منطقه مورد مطالعه طی سالهای 2018 – 1987 در کاربریهای زراعت آبی و اراضی بایر دارای روند کاهشی و در کاربریهای پوشش درختی، منابع آب، منطقه مالچپاشی و تپههای ماسهای روند افزایشی مشاهده میگردد. میزان ضریب کاپا محاسبه شده در این ارزیابی برای سالهای 1987، 2001 و 2018 بهترتیب 99/0، 97/0 و 99/0 است. مدل تلفیقی زنجیره مارکوف و سلولهای خودکار با ضریب کاپا 90/0 تغییرات کاربری اراضی و پوشش اراضی برای سال 2030 پیشبینی نمود. براساس مدلساز تغییر سرزمین، تغییرات کاربری اراضی در دوره زمانی 2001 – 1987 سطح کاربریهای زراعت آبی، پوشش درختی، منابع آب و اراضی بایر کاهش یافته است. مساحت کاربریهای منطقه مالچپاشی و تپههای ماسهای افزایش را نشان میدهد. در بازه زمانی 2018 – 2001 وسعت کاربریهای زراعت آبی و اراضی بایر کاهش داشته است. مساحت کاربریهای پوشش درختی، منابع آب، منطقه مالچپاشی و تپههای ماسهای افزایش یافته است. طی دوره زمانی 2030 – 2018 کاربریهای زراعت آبی، تپههای ماسهای و اراضی بایر کاهش مییابد. مساحت کاربریهای پوشش درختی، منابع آب، منطقه مالچپاشی افزایش خواهد یافت.
نتیجهگیری: آشكارسـازي و پيشبيني تغييرات كاربري اراضي و پوشش زمين براي ارائه ديد كلي بهمنظور مديريت بهتر منابع طبيعي در بلندمـدت بسيار موثر است. در این مطالعه خروجی نقشه پیشبینی کاربری اراضی و پوشش زمین برای سال 2030 از دقت مناسب برحوردار است. اعمال مدیریت و کنترل تغییر کاربری و پوشش اراضی در منطقه مورد مطالعه منجر به مديريت پايدار و دستیابي به حداقل خسارتهای محیط زيستي ناشي از تغییر کاربری اراضي خواهد شد.
واژگان کلیدی: تغییر کاربری اراضی، مدل سلولهای خودکار، مدلساز تغییر سرزمین، تصاویر لندست، دشت سیستان.
Prediction and trendtion of land use changes and land cover using integrated methods of Markov chain and automated cells and land change modeler in Sistan plain
Abstract
Statement of the Problem: The ever increasing changes in land use and the need for managers and experts to be aware of the changes and transformations that have occurred for policy making and solutions to solve the existing problem. Revealing the changes seems necessary to determine the process of changes over time. On the other hand, predicting and modeling future changes is also important to know the quantity and quality of possible changes.
Purpose: Modeling, forecasting and trends of land use changes using landsat satellite images through integrated Markov chain models and automatic cells and land change modeler in the Zahak area of the Sistan plain. In order to apply the basis of possible changes, appropriate and sustainable management in the investigated area.
Methodology:The present study was conducted in the Zahak area with area of 88344 hectares in the eastern part of the Sistan plain. The Zhak is located at a minimum of 61 degrees 30 minutes and maximum of 61 degrees and 45 minutes of eastern longitude and at a minimum of 30 degrees, 36 minutes and 45 seconds and a maximum of 30 degrees and 59 minutes of northern latitude. In this study, images of Landsat satellites TM (1987 and 2001) and OLI (2018) of the United States Geological Survey (USGS) site and in completely similar months (June), as well as Google Earth images and ground control data (2018) were used. After pre processing of the Landsat satellite images, image classification was performed using the support vector machine algorithm. The accuracy of the classification was calculated with the Kappa coefficient. Then, using the probability matrix of land use classes and applying the intergrated model of Markov chain and automatic cells in the time period of 1987-2018, the land use map and land cover were predicted for 2030. Also, land use and land cover changes during the years 1987-2001, 2001-2018 and 2018-2030 were investigated through the land change modeler.
Results and discussion: The trend of changes in the area of land uses and land covers in the study area during the years 1987-2018 in the areas of watery agriculture and barren lands has decreasing trend and in the areas of tree cover, water resources, mulching area and sand dunes increasing trend is observed. The Kappa coefficient calculated in this evaluation for the years 1987, 2001, and 2018 is 0.99, 0.97 and 0.99 respectively. The integrated model of Markov chain and automatic cells predicted land use and land cover changes for 2030 with a kappa coefficient of 0.90. According to the land change model, land use changes in the period of 1987- 2001, the area of watery agriculture, tree cover, water resources and barren lands has decreased. The area of land uses in the mulching area and sand dunes shows increase. In the period of 2001-2018, the extent of watery agriculture and barren lands has decreased. The area of tree cover, water resources, mulching area and sand dunes has increased. During the period of 2018-2030, the uses of watery agriculture, sand dunes and barren lands will decrease. The area of tree cover, water resources, mulching area will increase.
Conclusion: Revealing and predicting changes in land use and land cover is very effective for providing a general view for better management of natural resources in the long term. In this study, the output of the land use and land cover prediction map for 2030 is of appropriate accuracy. Applying management and control of land use change and land cover in the study area will lead to sustainable management and achieving minimum environmental damage caused by land use change.
Keywords: land use change, Automated cells model, Land change modeler, Landsat images, Sistan plain.