شناسایی و بررسی روند تغییرات کاربری پوشش گیاهی با استفاده از مدل های شبکه عصبی زمانمند و CA با بهره گیری از تکنیک های GIS و RS (مطالعه موردی: شهرستان مینودشت استان گلستان)

محورهای موضوعی : کاربرد GIS&RS در برنامه ریزی شهری

صادق شکوری ¹ , سید مسعود موسوی حسنی ² , مهسا پورعطاکش ³ , آناهیتا قربانی ⁴ , سمیرا ارنک ⁵

1 - دانشجوی دکترای جغرافیا و برنامه ریزی شهری، دانشگاه آزاد اسلامی واحد اسلامشهر
2 - گروه جغرافیا و برنامه ریزی شهری، آمایش شهری، دانشگاه آزاد اسلامی یادگار امام (شهر ری)، تهران، ایران
3 - گروه جغرافیا و برنامه ریزی شهری، آمایش شهری، دانشگاه آزاد اسلامی یادگار امام (شهر ری)، تهران، ایران
4 - گروه معماری، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
5 - گروه شهرسازی، دانشکده هنر و معماری، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1397/04/30 تاریخ پذیرش : 1397/06/04 تاریخ انتشار : 1398/06/01

کلید واژه: ماهواره‌ لندست, شبکه عصبی زمانمند, کاربری پوشش گیاهی, مدل CA, GIS &amp, RS,

چکیده مقاله :

پایش تغییرات کاربری اراضی در بسیاری از فعالیت‌های برنامه‌ریزی و مدیریت شهری دارای اهمیت می‌باشد. بر اثر فعالیت‌های انسانی و پدیده‌های طبیعی چهره‌ی زمین همواره دستخوش تغییر می‌شود. از اینرو برای مدیریت بهینه مناطق طبیعی آگاهی از نسبت تغییرات کاربری اراضی از ضروریات محسوب می‌شود. هدف از این تحقیق، ارزیابی و آشکارسازی تغییرات کاربری اراضی بالاخص کاربری پوشش‌گیاهی در منطقه اوغان از توابع شهرستان مینودشت استان گلستان در بازه‌‌‌ی زمانی30 ساله با استفاده از تکنیک‌های سنجش از دور و سیستم‌های اطلاعات مکانی و نرم‌‌افزارهای MATLAB، ARCGIS و ENVI می‌باشد. بدین منظور از تصاویر سال‌‌های 1987، 1993، 1998، 2000، 2003، 2008، 2013، 2015و2017 میلادی سنجنده ETM ماهواره لندست استفاده شده است و پس از انجام تصحیحات مورد نیاز در مرحله‌ پیش پردازش، برای پایش تغییرات زمانی کاربری‌ پوشش گیاهی، شاخص‌ پوشش گیاهی(NDVI) در نرم افزار متلب برای هر 9 بازه زمانی محاسبه شدند. سپس با استفاده از تصاویر شاخص‌های محاسبه شده 7 سال اول و مدل شبکه عصبی زمانمند(سری زمانی)، تصاویر سال هشتم و نهم پیش‌بینی و بدست آمد و در ادامه با محاسبه خطای RMSE بین تصاویر خروجی مدل با تصاویر واقعی، مدل مذکور اعتبارسنجی گردید. نتایج نشان‌ می‌دهند که مدل با میانگین RMSE تقریباً 0.13 برای NDVI عملکرد بسیار خوبی داشته است. همچنین از مدل CA جهت پیش‌بینی روند تغییرات پوشش گیاهی استفاده گردید. نتایج نشان می‌دهند که وسعت پوشش گیاهی در دو سال آخر یعنی سال-های پیش‌بینی شده 2015 و 2017 توسط مدل شبکه عصبی روند صعودی داشته و منطقه مورد مطالعه سرسبزتر شده است.

چکیده انگلیسی:

Monitoring land use change is important in many planning and urban management activities. Due to human activities and natural phenomena, the face of the earth always changes.Therefore, for optimal management of natural areas, awareness of the land use change ratio is considered necessary. The purpose of this study was to evaluate and reveal land use changes, especially the use of vegetation cover in the Auchan region, from the functions of Minoodasht city of Golestan province in a 30-year time span using remote sensing and spatial information systems and MATLAB, ARCGIS and ENVI software.For this purpose, Landsat satellite ETM sensor was used from 1987, 1993, 1998, 2000, 2003, 2008, 2013, 2015, and 2017, and after making necessary corrections in the preprocessing stage, to monitor vegetation time changes, the index Vegetation cover (NDVI) was calculated in MATLAB software for each 9 time intervals.Then, by using the calculated images of the first 7 years and the model of the neural network (time series), the images of the eighth and ninth year were predicted and obtained, and then calculating the RMSE error between the output images of the model with the actualImages, the validation model it turned out the results show that the model with an average RMSE of about 0.13 was very good for the NDVI.The CA model was used to predict vegetation changes. The results show that the vegetation cover in the last two years, 2015 and 2017, has been upgraded by the neural network model and the study area has become greener

منابع و مأخذ:

I.

1. Yaghobzadeh, M. and Akbarpour, A., 2011, the effect of satellite image classification algorithm based on curve number runoff and maximum flood discharge using GIS and RS, Geography and Development 9 (22):5-22.


2. Tewolde, M.G., and P. Cabral, (2011), Urban Sprawl Analysis and Modeling in Asmara.


3. Subudhi, B.N., Bovolo, F., Ghosh, A., and L. Bruzzone, 2014. Spatio-contextual fuzzy clustering with Markov random field model for change detection in remotely sensed images, Optics & Laser Technology 57: 284–292.


4. Rasouli, A.A., 2008, Principles of remote sensing image processing applications, with emphasis on satellite, Tabriz University Press, 777 pages.


5. K. Sundara Kumar et al, ESTIMATION OF LAND SURFACE TEMPERATURE TO STUDY URBAN HEAT ISLAND EFFECT USING LANDSAT ETM+ IMAGE, International Journal of Engineering Science and Technology (IJEST), Vol. 4 No.02 February 2012.


6. Poulami, P. and B. Bindu. 2012, Bioinfo Publications 96 A SPATIO -TEMPORAL LA ND USE CHANGE ANALYSIS OF WAGHODIA TALUKA USING RS AND GIS, ISSN: 0976 - 9846 & E - ISSN: 0976 - 9854, Volume 3, Issue 2, 2012, and pp. – 96 – 99.