مدل سازی تغییرات پوشش اراضی استان گلستان با استفاده از مدل سازی تغییرات کاربری (Land Change Modeler)
محورهای موضوعی : توسعه سیستم های مکانیفاطمه سالاریان 1 , محمدرضا طاطیان 2 , عبدالعظیم قانقرمه 3 , رضا تمرتاش 4
1 - دانشجوی دکتری علوم مرتع، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2 - دانشیار گروه مرتع، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
3 - استادیار گروه جغرافیا، دانشکده علوم انسانی، دانشگاه گلستان، گرگان، ایران
4 - دانشیار گروه مرتع، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
کلید واژه: مدل سازی, مدل سازی تغییرات کاربری (LCM), استان گلستان, کاربری اراضی, زنجیره مارکوف,
چکیده مقاله :
پیشینه و هدف در طی چند دهة اخیر، تغییر کاربری اراضی تحت اثر عوامل محیطی و انسانی سبب بروز اثرات جدی بر محیط زیست و اقتصاد در استان گلستان شده است. از طرفی عرصه های مرتعی و طبیعی وسیعی بدون رعایت اصول اکولوژیکی و علمی به زیر کشت محصولات زراعی رفته یا در جهت مقاصد خاص مورد بهره برداری قرار گرفته و تبدیل به سایر کاربری ها شده اند. در حالی که بسیاری از این اراضی استعداد کاربری های جدید را دارا نبوده و استعداد فرسایشی بالایی دارند که در نتیجه این امر شاهد فرسایش خاک به ویژه در اراضی شیب دار و ایجاد سیلاب های ویرانگر خواهیم بود. لذا داشتن آگاهی از نوع و نحوه استفاده از اراضی و تغییرات احتمالی آن در طی زمان که از موارد مهم جهت برنامه ریزی و سیاست گذاری در کشور خواهد بود لازم و ضروری است. این مطالعه با هدف آشکارسازی تغییرات کاربری اراضی استان گلستان در طی سال های 1365 تا 1398 و پیش بینی وضعیت کاربری اراضی منطقه برای سال 1429 با استفاده از رویکرد مدل ساز تغییر زمین LCM انجام شد.مواد و روش ها به منظور پایش روند تغییرات کاربری اراضی منطقه مورد مطالعه از تصاویر ماهواره ای لندست 5 و 8 (سنجنده TM و OLI مربوط به سال های 1365، 1380 و 1398) استفاده شد. تفسیر و پردازش داده های ماهواره ای در نرم افزار ENVI انجام گرفت. سپس پیش پردازش های لازم بر روی تصاویر اعمال شد. ابتدا تصاویر مورد نظر با هم موزاییک شده و سپس بر اساس مرز استان برش داده شد. جهت شناسایی و تفکیک پدیده ها از یکدیگر، تصویر رنگی کاذب تهیه شد. در ادامه از روش طبقه بندی نظارت شده با روش حداکثر احتمال (Maximum likelihood) استفاده شد. در این مرحله پنج کلاس کاربری شامل مرتع، زراعت، جنگل، مسکونی و پیکره های آبی تعریف گردید. نقشه های کاربری اراضی مربوط به سال های 1365، 1380 و 1398 تهیه شد. از رویهم گذاری نقشه های پوشش زمین مربوط به سال های 1365، 1380 و 1398 به عنوان ورودی مدل LCM و نقشه های مدل رقومی ارتفاع (DEM) و لایه های جاده و آبراهه برای تحلیل تغییرات منطقه و پیش بینی تغییرات کاربری سرزمین سال 1429 استفاده شد. پس از انجام تجزیه و تحلیل های لازم به منظور آشکارسازی تغییرات کاربری اراضی میان دوره های زمانی مورد نظر، نقشه های تغییرات و انتقال کاربری ها تهیه شد. در نهایت میزان کاهش و افزایش در هر کاربری، میزان تغییرات خالص، تغییر خالص از سایر کاربری ها به یک طبقه مورد نظر، مناطق بدون تغییر و انتقال از هر کاربری به کاربری دیگر در طبقات گوناگون پوشش سرزمین به صورت نقشه و نمودار تهیه و مورد تجزیه و تحلیل واقع شد.نتایج و بحث این تحقیق با هدف پیش بینی و مدل سازی تغییرات کاربری اراضی در یک دوره 33 ساله در استان گلستان انجام شد. بر اساس نتایج طی این دوره، مساحت مراتع استان کاهش زیادی داشته که این میزان تغییرات کاهشی معادل مساحتی برابر با 181181.25 هکتار بوده است. بخش زیادی از کاهش مراتع در اثر تبدیل آن به اراضی زراعی است که دلیل آن را می توان افزایش جمعیت و نیاز به گسترش اراضی زراعی دانست. مساحت اراضی جنگلی نیز، طی سال های مذکور از مقدار 393018.75 هکتار به مقدار 349143.75 هکتار در سال 1398 رسیده که کاهشی بالغ بر 43875 هکتار (2.2 درصد) نشان داده است. به طور کلی تخریب عرصه های مرتعی و جنگلی امری است که بخصوص در کشورهای در حال توسعه به دلیل افزایش جمعیت، رشد تکنولوژی و رعایت نکردن اصول اکولوژیکی و اجرای قوانین قابل مشاهده است. همچنین نتایج حاصل از نقشه های طبقه بندی شده طی سال های مذکور نشان دهنده این است که بیشترین مقادیر تغییرات منطقه مرتبط با اراضی زراعی بوده به طوری که میزان این اراضی طی همین دوره 173700 هکتار برابر با 8.5 درصد افزایش داشته است. میزان تغییرات کاربری مربوط به کلاس اراضی مسکونی نیز با روند افزایشی از مقدار 18731.25 هکتار در سال 1365 به 37518.75 هکتار در سال 1398 رسیده که با افزایشی معادل 18787.50 هکتار (0.9 درصد) در طی این دوره مواجه بوده است. افزایش جمعیت به سرعت باعث توسعه مناطق مسکونی و شهری و افزایش سطح این نوع کاربری با شیب نسبتاً زیادی به خصوص در سال های اخیر شده است که می توان بخشی از آن را به برنامه های دولت در زمینه ساخت وساز مسکن در مناطق اطراف شهرها نسبت داد. این افزایش سطح اراضی زراعی به خصوص در مناطق مرکزی و شرق استان محسوس تر است و می تواند زنگ خطری برای آینده باشد به این معنی که در یک روند نامحسوس اراضی مرتعی و جنگلی تبدیل به اراضی زراعی دیم و پس از مدتی بهره برداری غیراصولی، در نهایت به صورت اراضی بایر و غیرقابل استفاده در می آیند. از طرفی این امر می تواند گویای افزایش جمعیت و تقاضای اسکان و در پی آن تأمین نیازهای ساکنین منطقه تهدیدی برای اراضی مرتعی باشد که لازم است به جای افزایش سطح اراضی زراعی و مسکونی و تبدیل اراضی مرتعی به چنین کاربری هایی که خود پشتوانه بخش کشاورزی محسوب می شوند، سیاست افزایش بهره وری در بخش کشاورزی دنبال گردد. در خصوص پیکره های آبی می توان بیان نمود که در طی این دوره زمانی به میزان 1.6 درصد معادل 32568.75 هکتار افزایش نشان داده است. این مقدار افزایش پیکره های آبی را تا حدی می توان به بارندگی های فراوان و آبگیری پیکره های آبی و حتی جاری شدن سیل در مناطق مختلف استان در سال 1398 نسبت داد. پیش بینی میزان تغییرات کاربری اراضی در سال 1429 گویای آن است که در سال های آتی نیز از سطح مراتع و جنگل ها در محدوده مطالعاتی به ترتیب به میزان 131906.25 و 291600 هکتار کاسته شده و در مقابل سطح اراضی زراعی و مناطق مسکونی به ترتیب به مقدار 164137.50 و 25313.25 هکتار افزایش خواهد یافت. از این رو اتخاذ تدابیر و سیاست های لازم در خصوص کاهش بیشتر اراضی جنگلی و مرتعی امری اجتناب ناپذیر خواهد بود.نتیجه گیری اگر چه شناخت شرایط کاربری های مختلف اراضی در طی دوره های آتی، برنامه ریزی برای آینده را به واسطه ایجاد اطلاعات به لحاظ الگوی پراکنش مکانی آن ها تسهیل می کند ولی حفظ و ایجاد شرایط پایدار برای آینده هم به لحاظ آماری و هم به لحاظ اکولوژیکی از محدودیت های آن است. این محدودیت ها نقش مهمی در استفاده مطمئن از کاربری های مختلف اراضی در فرآیند برنامه ریزی ایفا می کند. بنابراین ایجاد شرایط پایدار در منطقه و مدل سازی آن به منظور استفاده منظم و پایدار از منابع طبیعی یک منطقه از پیش شرط های رسیدن به چشم اندازها و اسناد بالادستی از جمله طرح توسعه پایدار است.
Background and Objective In recent decades, land use change due to environmental and human factors has caused serious effects on the environment and the economy in Golestan province. On the other hand, wide rangelands and natural areas have been cultivated without observing ecological and scientific principles or have been exploited for special purposes and changing to other uses, while many of these lands are do not have the potential to become new land uses and they have a high potential for erosion, as a result of which we will see soil erosion, especially in sloping lands and the creation of destroyer floods. Therefore, it is necessary and essential to be aware of the type and manner of use and its possible changes over time, which will be important for planning and policy-making in the country. The aim of this study was to detection the land use changes in Golestan province during the years 1986 to 2019 and to predict the land use status of the region for 2050 using the Land Change Modeling (LCM) approach.Materials and Methods In order to monitor the trend of land use changes in the study area, Landsat 5 and 8 satellites (TM and OLI sensors for 1986, 2001, and 2019) were used. Interpretation and processing of satellite data were performed in ENVI software. The necessary pre-processing was performed on the images. First, the images were mosaic together and then cut according to the province boundary. In order to identify and separate the phenomena from each other, a false color image was created. Then, the supervised classification method with the maximum likelihood method was used. At this stage, five classes, including rangeland, agriculture, forestry, residential, and water areas were defined. Land use maps for 1986, 2001, and 2019 were prepared. Integration of land cover maps related to 1986, 2001, and 2019 was used as input of LCM model and digital elevation model (DEM) maps and road and stream layers to analyze area changes and prediction of land use changes of 2050. After the necessary analyzes in order to detect land use changes between the intended time periods, change maps and land use transfers were prepared. Finally, the amount of decrease and increase in each land use, the amount of net changes, the net change from other land uses to the desired class, areas without change and transfer from each land use to another land in different land cover classes in the form of maps and charts were prepared and analyzed.Results and Discussion The aim of this study was prediction and modeling of land use changes in a period of 33-years in Golestan province. According to the results during this period, the area of the rangelands has decreased a lot, equivalent to 181181.25 hectares. Much of the decline in rangelands is due to its conversion into agricultural, which can be attributed to population growth and the need to expand crop land. The area of forest lands during the mentioned years has decreased from 393018.75 to 349143.75 hectares in 2019, which has shown a decrease of 43875 hectares (2.2%). In general, the destruction of rangeland and forest areas is especially visible in developing countries due to population growth, technological growth and non-compliance with ecological principles and law enforcement. Also, the results of classified maps during the mentioned years show that the highest amount of changes in the region is related to agricultural lands, has increased to 173700 hectares equal to 8.5 % during the same period. The rate of land use changes related to the residential land class has also increased with the increasing trend from 18731.25 hectares in 1986 to 37518.75 hectares in 2019, which has increased by 18787.50 hectares (0.9%) during this period. Rapid growth of population has led to the development of residential and urban areas and the increase in this type of land use with a relatively steep slope, especially in recent years, which can be part of the government's plans for housing construction in the surrounding areas cities. This increase in the class of agricultural lands is more noticeable, especially in the central and eastern regions of the province, and can be a warning alarm for the future. It means that in an imperceptible trend, rangeland and forest lands become rainfed agricultural lands and after a while unprincipled exploitation, eventually become barren and unusable land. On the other hand, this could indicate an increase in population and demand for housing, and consequently securance of the needs of the residents of the region is a threat to rangeland lands which is necessary instead of increasing the agricultural and residential lands and turning rangeland lands into such land uses, the policy of increasing productivity in the agricultural sector should be pursued. About of water areas, it can be said that during this period, it has increased by 1.6% or 3268.75 hectares. This increase in water areas can be partly attributed to heavy rainfall and water intake and even floods in different parts of the province in 2019. Predicting the rate of land use change in 2050 indicates that in the coming years, the area of rangelands and forests will be reduced by 131906.25 and 291600 hectares, respectively, and in contrast to the area of agricultural land and residential areas will increase to 164137.50 and 25313.25 hectares, respectively. Therefore, the adoption of necessary measures and policies to further reduce forest and rangeland will be inevitable.Conclusion Understanding of the conditions of different land uses during the coming periods will facilitate planning for the future by creating information in terms of their spatial distribution pattern, but maintaining and creating sustainable conditions for the future both statistically and it is ecologically one of its limitations. These constraints play an important role in the safe use of different land uses in the planning process. Therefore, creating sustainable conditions in the region and modeling it in order to use the natural resources of a region regularly and sustainably is one of the preconditions for achieving upstream visions and documents, including the sustainable development plan.
Abbas I, Muazu K, Ukoje J. 2010. Mapping land use-land cover and change detection in Kafur local government, Katsina, Nigeria (1995-2008) using remote sensing and GIS. Research Journal of Environmental and Earth Sciences, 2(1): 6-12.
Afifi M E. 2020. Modeling Land use changes using Markov chain model and LCM model. Journal of Applied Researches in Geographical Sciences, 20 (56):141-158. doi:http://doi.org/10.29252/jgs.20.56.141. (In Persian).
Bakr N, Weindorf D C, Bahnassy M H, Marei S M, El-Badawi M M. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography, 30(4):592-605. doi:http://doi.org/10.1016/j.apgeog.2009.10.008.
Battsengel V, Tsolmon D, Byambakhuu G, Myagmartseren P, Otgonbayar L, Falin W. 2020. Spatiotemporal monitoring and prediction of land use/land cover changes using CA-Markov chain model: a case study in Orkhon Province, Mongolia. Proc. SPIE 11535, Remote Sensing Technologies and Applications in Urban Environments V, 115350E (20 September 2020). https://doi.org/10.1117/12.2574032.
Eastman J R. 2006. IDRISI Andes. Guide to GIS and Image Processing, Clark Labs, Clark University,
Worcester, MA.
Eastman J R. 2009. Idrisi taiga manual. Clark Lab. Clark University. Worcester, USA.333 p.
Eastman J R. 2014. Idrisi TerrSet 18.00. Clark University, Worcester, MA, USA. 392 p.
Fang S, George Z, Gertnera G Z, Sun Z, Andersonc A. 2005. The Impact of Interactions in Spatial Simulation of the Dynamics of Urban Sprawl, Landscape and Urban Planning, 73: 294–306. doi:http://dx.doi.org/10.1016/j.landurbplan.2004.08.006.
Farajollahi A, Asgari H, Ownagh M, Mahboubi M, Salman Mahini A. 2015. Monitoring and prediction of spatial and temporal changes of landuse/ cover (Case study: Marave Tappeh region, Golestan). Journal of RS and GIS for Natural Resources, 6(4), 1-14. (In Persian). http://girs.iaubushehr.ac.ir/article_518869.html?lang=en.
Fathollahi roudbary S, Nasirahmadi K, khanmohamadi M. 2018. land use change modeling using LCM module (Case study: NEKA region). Journal of Natural Ecosystem of Iran, 9(1): 53-69. http://neijournal.iaunour.ac.ir/article_544280_8c028323a531b13ee04e4dd4d45ae804.pdf. (In Persian).
Gholamalifard M, Mirzayi M, Joorabian Shooshtari S. 2014. Land use change modeling using artificial neural network and markov chain (Case study: Middle Coastal of Bushehr province). Journal of RS and GIS for Natural Resources, 5(1), 61-74. (In Persian). http://girs.iaubushehr.ac.ir/article_516599.html?lang=en.
Haibo Y, Longjiang D, Hengliang G, Jie Z. 2011. Tai'an land use Analysis and Prediction Based on RS and Markov Model. Procedia Environmental Sciences, 10:2625- 2610. doi:http://dx.doi.org/10.1016/j.proenv.2011.09.408.
Hasan S, Shi W, Zhu X, Abbas S, Khan H U A. 2020. Future Simulation of Land Use Changes in Rapidly Urbanizing South China Based on Land Change Modeler and Remote Sensing Data. Sustainability, 12(11): 1-24. doi: http://dx.doi.org/10.3390/su12114350.
Jokar Arsanjani J, Kainz W, Mousivand A. 2011. Tracking Dynamic Land Use Change Using Spatially Explicit Markov Chain Based on Cellular Automata: the Case of Tehran. International Journal of Image and Data Fusion, 2: 329-345. doi:https://doi.org/10.1080/19479832.2011.605397.
Kalnay E. Cai M. 2003. Impact of urbanization and land-use change on climate. Nature, 423(6939): 528- 531. doi:http://dx.doi.org/10.1038/nature01675.
Kindu M, Schneider T, Teketay D, Knoke T. 2016. Changes of ecosystem service values in response to land use/land cover dynamics in Munessa–Shashemene landscape of the Ethiopian highlands. Science of The Total Environment, 547: 137-147. doi:http://dx.doi.org/10.1016/j.scitotenv.2015.12.127.
Lu D, Weng Q. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 5: 823–870. doi:http://dx.doi.org/10.1080/01431160600746456.
Martínez M L, Pérez-Maqueo O, Vázquez G, Castillo-Campos G, García-Franco J, Mehltreter K, Landgrave R. 2009. Effects of land use change on biodiversity and ecosystem services in tropical montane cloud forests of Mexico. Forest Ecology and Management, 258(9): 1856-1863. doi:http://dx.doi.org/10.1016/j.foreco.2009.02.023.
Mishra V, Rai P, Mohan K. 2014. Prediction of land use changes based on land change modeler (LCM) using remote sensing: A case study of Muzaffarpur (Bihar), India. Journal of the Geographical Institute "Jovan Cvijic", SASA, 64(1): 111–127. doi:http://dx.doi.org/10.2298/IJGI1401111M.
Mir Alizadehfard S, Alibakhshi S. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Journal of RS and GIS for Natural Resources, 7(2), 33-46. (In Persian). http://girs.iaubushehr.ac.ir/article_524153.html?lang=en
Mosaedi A, Sharifan H, Shahabi M. 2007. Risk Management by identification of microclimates in Golestan province. Applied research report, Iran Meteorological Organization, 171 p. (In Persian).
Nazari Samani A, Ghorbani M, Kohbanani H R. 2010. Landuse changes in taleghan watershed from 1987 to 2010. Rangeland, 4(3): 442-451. (In Persian).
Onate-vadiieso F, sendra J B. 2010. Aplication of GIS and Remote sensing technequs in generation of landuse scenario for hidrological modeling. Journal of Hydrology, 395 (4): 256-264. doi:https://doi.org/10.1016/j.jhydrol.2010.10.033.
Parker D C, Manson S M, Janssen M A, Hoffmann M J, Deadman M J. 2003. Multi agent systems for the simulation of land use and land cover change: A Review, Annals of the Association of American Geographers, 93(2): 314–337. doi:https://doi.org/10.1111/1467-8306.9302004.
Sari, F. 2020. Assessment of land use change effects on future beekeeping suitability via CA-Markov prediction model, Journal of Apicultural Science, 64(2): 263-276. doi:https://doi.org/10.2478/jas-2020-0020.
Szumacher I, Pabjanek P. 2017. Temporal changes in ecosystem services in european cities in the continental Biogeographical region in the period from 1990–2012. Sustainability, 9(4): 665. doi:http://dx.doi.org/10.3390/su9040665.
Vaclavik T, Rogan J. 2010. Identifying trends in land use/land cover changes in the context of post-socialist transformation in Central Europe: A case study of the greater Olomouc region, Czech Republic. GIS Science and Remote Sensing, 46 (1):54-76. doi:https://doi.org/10.2747/1548-1603.46.1.54.
Wang R, Murayama Y. 2017. Change of land use/cover in Tianjin city Based on the Markov and Cellular Automata models. ISPRS International Journal of Geo-Information, 6: 150. doi:https://doi.org/10.3390/ijgi6050150.
Wang SW, Gebru B M, Lamchin M, Kayastha R B, Lee W K. 2020. Land use and land cover change detection and prediction in the Kathmandu district of Nepal using remote sensing and GIS. Sustainability. 12(9):3925. doi:https://doi.org/10.3390/su12093925.
Yuan F, Sawaya K E, Loeffelholz B C, Bauer M E. 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan area by multitemporal Landsat remote sensing. Remote Sensing of Environment, 98:317-328. doi:http://dx.doi.org/10.1016/j.rse.2005.08.006.
_||_Abbas I, Muazu K, Ukoje J. 2010. Mapping land use-land cover and change detection in Kafur local government, Katsina, Nigeria (1995-2008) using remote sensing and GIS. Research Journal of Environmental and Earth Sciences, 2(1): 6-12.
Afifi M E. 2020. Modeling Land use changes using Markov chain model and LCM model. Journal of Applied Researches in Geographical Sciences, 20 (56):141-158. doi:http://doi.org/10.29252/jgs.20.56.141. (In Persian).
Bakr N, Weindorf D C, Bahnassy M H, Marei S M, El-Badawi M M. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography, 30(4):592-605. doi:http://doi.org/10.1016/j.apgeog.2009.10.008.
Battsengel V, Tsolmon D, Byambakhuu G, Myagmartseren P, Otgonbayar L, Falin W. 2020. Spatiotemporal monitoring and prediction of land use/land cover changes using CA-Markov chain model: a case study in Orkhon Province, Mongolia. Proc. SPIE 11535, Remote Sensing Technologies and Applications in Urban Environments V, 115350E (20 September 2020). https://doi.org/10.1117/12.2574032.
Eastman J R. 2006. IDRISI Andes. Guide to GIS and Image Processing, Clark Labs, Clark University,
Worcester, MA.
Eastman J R. 2009. Idrisi taiga manual. Clark Lab. Clark University. Worcester, USA.333 p.
Eastman J R. 2014. Idrisi TerrSet 18.00. Clark University, Worcester, MA, USA. 392 p.
Fang S, George Z, Gertnera G Z, Sun Z, Andersonc A. 2005. The Impact of Interactions in Spatial Simulation of the Dynamics of Urban Sprawl, Landscape and Urban Planning, 73: 294–306. doi:http://dx.doi.org/10.1016/j.landurbplan.2004.08.006.
Farajollahi A, Asgari H, Ownagh M, Mahboubi M, Salman Mahini A. 2015. Monitoring and prediction of spatial and temporal changes of landuse/ cover (Case study: Marave Tappeh region, Golestan). Journal of RS and GIS for Natural Resources, 6(4), 1-14. (In Persian). http://girs.iaubushehr.ac.ir/article_518869.html?lang=en.
Fathollahi roudbary S, Nasirahmadi K, khanmohamadi M. 2018. land use change modeling using LCM module (Case study: NEKA region). Journal of Natural Ecosystem of Iran, 9(1): 53-69. http://neijournal.iaunour.ac.ir/article_544280_8c028323a531b13ee04e4dd4d45ae804.pdf. (In Persian).
Gholamalifard M, Mirzayi M, Joorabian Shooshtari S. 2014. Land use change modeling using artificial neural network and markov chain (Case study: Middle Coastal of Bushehr province). Journal of RS and GIS for Natural Resources, 5(1), 61-74. (In Persian). http://girs.iaubushehr.ac.ir/article_516599.html?lang=en.
Haibo Y, Longjiang D, Hengliang G, Jie Z. 2011. Tai'an land use Analysis and Prediction Based on RS and Markov Model. Procedia Environmental Sciences, 10:2625- 2610. doi:http://dx.doi.org/10.1016/j.proenv.2011.09.408.
Hasan S, Shi W, Zhu X, Abbas S, Khan H U A. 2020. Future Simulation of Land Use Changes in Rapidly Urbanizing South China Based on Land Change Modeler and Remote Sensing Data. Sustainability, 12(11): 1-24. doi: http://dx.doi.org/10.3390/su12114350.
Jokar Arsanjani J, Kainz W, Mousivand A. 2011. Tracking Dynamic Land Use Change Using Spatially Explicit Markov Chain Based on Cellular Automata: the Case of Tehran. International Journal of Image and Data Fusion, 2: 329-345. doi:https://doi.org/10.1080/19479832.2011.605397.
Kalnay E. Cai M. 2003. Impact of urbanization and land-use change on climate. Nature, 423(6939): 528- 531. doi:http://dx.doi.org/10.1038/nature01675.
Kindu M, Schneider T, Teketay D, Knoke T. 2016. Changes of ecosystem service values in response to land use/land cover dynamics in Munessa–Shashemene landscape of the Ethiopian highlands. Science of The Total Environment, 547: 137-147. doi:http://dx.doi.org/10.1016/j.scitotenv.2015.12.127.
Lu D, Weng Q. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 5: 823–870. doi:http://dx.doi.org/10.1080/01431160600746456.
Martínez M L, Pérez-Maqueo O, Vázquez G, Castillo-Campos G, García-Franco J, Mehltreter K, Landgrave R. 2009. Effects of land use change on biodiversity and ecosystem services in tropical montane cloud forests of Mexico. Forest Ecology and Management, 258(9): 1856-1863. doi:http://dx.doi.org/10.1016/j.foreco.2009.02.023.
Mishra V, Rai P, Mohan K. 2014. Prediction of land use changes based on land change modeler (LCM) using remote sensing: A case study of Muzaffarpur (Bihar), India. Journal of the Geographical Institute "Jovan Cvijic", SASA, 64(1): 111–127. doi:http://dx.doi.org/10.2298/IJGI1401111M.
Mir Alizadehfard S, Alibakhshi S. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Journal of RS and GIS for Natural Resources, 7(2), 33-46. (In Persian). http://girs.iaubushehr.ac.ir/article_524153.html?lang=en
Mosaedi A, Sharifan H, Shahabi M. 2007. Risk Management by identification of microclimates in Golestan province. Applied research report, Iran Meteorological Organization, 171 p. (In Persian).
Nazari Samani A, Ghorbani M, Kohbanani H R. 2010. Landuse changes in taleghan watershed from 1987 to 2010. Rangeland, 4(3): 442-451. (In Persian).
Onate-vadiieso F, sendra J B. 2010. Aplication of GIS and Remote sensing technequs in generation of landuse scenario for hidrological modeling. Journal of Hydrology, 395 (4): 256-264. doi:https://doi.org/10.1016/j.jhydrol.2010.10.033.
Parker D C, Manson S M, Janssen M A, Hoffmann M J, Deadman M J. 2003. Multi agent systems for the simulation of land use and land cover change: A Review, Annals of the Association of American Geographers, 93(2): 314–337. doi:https://doi.org/10.1111/1467-8306.9302004.
Sari, F. 2020. Assessment of land use change effects on future beekeeping suitability via CA-Markov prediction model, Journal of Apicultural Science, 64(2): 263-276. doi:https://doi.org/10.2478/jas-2020-0020.
Szumacher I, Pabjanek P. 2017. Temporal changes in ecosystem services in european cities in the continental Biogeographical region in the period from 1990–2012. Sustainability, 9(4): 665. doi:http://dx.doi.org/10.3390/su9040665.
Vaclavik T, Rogan J. 2010. Identifying trends in land use/land cover changes in the context of post-socialist transformation in Central Europe: A case study of the greater Olomouc region, Czech Republic. GIS Science and Remote Sensing, 46 (1):54-76. doi:https://doi.org/10.2747/1548-1603.46.1.54.
Wang R, Murayama Y. 2017. Change of land use/cover in Tianjin city Based on the Markov and Cellular Automata models. ISPRS International Journal of Geo-Information, 6: 150. doi:https://doi.org/10.3390/ijgi6050150.
Wang SW, Gebru B M, Lamchin M, Kayastha R B, Lee W K. 2020. Land use and land cover change detection and prediction in the Kathmandu district of Nepal using remote sensing and GIS. Sustainability. 12(9):3925. doi:https://doi.org/10.3390/su12093925.
Yuan F, Sawaya K E, Loeffelholz B C, Bauer M E. 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan area by multitemporal Landsat remote sensing. Remote Sensing of Environment, 98:317-328. doi:http://dx.doi.org/10.1016/j.rse.2005.08.006.
مدلسازی تغییرات پوشش اراضی استان گلستان با استفاده از مدلسازی تغییرات کاربری (Land Change Modeler)
چکیده
پايش و مدلسازی تغییرات کاربری اراضی ازجمله موضوعات اصلی پژوهش در حوزه تغییرات جهانی محیطزيست و توسعه پايدار محسوب میگردد. این مطالعه باهدف آشکارسازی تغییرات کاربری اراضی استان گلستان در طی سالهای 1365 تا 1398 و پیشبینی وضعیت کاربری اراضی منطقه برای سال 1429 با استفاده از رویکرد مدلسازی تغییرات کاربری (Land Change Modeler) انجام شد. جهت تهیۀ نقشه کاربری اراضی منطقه مورد مطالعه از سری تصاویر ماهوارههای لندست (1365L5-TM-، 1380 L5-TM-و 1398-(L8-OLI استفاده گردید. نتایج حاکی از آن است که طی دوره 1398- 1365 میزان کاهش جنگل و مرتع به ترتیب 9/8 و 2/2 درصد بود. میزان افزایش کاربری زراعت، پیکرههای آبی و مسکونی نیز به ترتیب 5/8، 6/1 و 9/0 درصد میباشد. پیشبینی تغییرات آینده کاربری اراضی با استفاده از مدلساز تغییر زمین و زنجیره مارکوف انجام گرفت. در این مطالعه 5 زیر مدل به همراه 8 متغیر توضیحی شامل متغیرهای مدل رقومی ارتفاع، شیب، فاصله از جاده، فاصله از آبراهه، فاصله از مراتع، فاصله از مناطق جنگلی، فاصله از اراضی کشاورزی و فاصله از مناطق مسکونی جهت مدلسازی انتخاب شد. پیشبینی کاربری اراضی سال 1398 با استفاده از مدل پیشبینی سخت و دوره واسنجی 1365- 1380 انجام شد. صحت مدل زنجیرهای مارکوف با استفاده از شاخص کاپا 84/0 برآورد گردید. بر اساس نقشه پیشبینی شده سال 1398 مساحت مراتع، پیکرههای آبی و کاربری جنگل به ترتیب به مقدار 5/21206، 25/23456 و 75/61818 هکتار کمتر از میزان واقعی و مساحت اراضی زراعی و مسکونی به ترتیب به مقدار 75/101193 و 5/5287 هکتار بیشتر برآورد گردیده است. پیشبینی میشود که در سال 1429 مساحت اراضی جنگلی و مرتعی نسبت به سال 1398 به ترتیب 82/2 و 47/6 درصد کاهش و مساحت اراضی زراعی و مسکونی نیز در همین دوره زمانی به ترتیب به میزان 05/8 و 24/1 درصد افزایش یابد. در خصوص پهنه های آبی نیز تغییری مشاهده نگردید.
واژهای کلیدی: مدلسازی، کاربری اراضی، مدل ساز تغییر زمین (Land Change Modeler)، زنجیره مارکوف، استان گلستان.
مقدمه
پدیده تغییر کاربري اراضي از مخاطرات محیطي و بحرانهاي اکولوژیکي است که امروزه جهان با آن روبرو میباشد. کاربری اراضی نحوه استفاده خاص از زمین و امکانات طبیعی موجود برحسب نیازهای انسانی است که این استفاده، ممکن است منطبق بر استعداد اراضی و به شیوههای علمی بوده یا به روش سنتی و احتمالاً تخریبکننده اراضی باشد و درعینحال ممکن است ساختارها و فرآیندهای موجود در محیطزیست را تغییر دهد. (17). با توجه به رشد روزافزون جمعیت، افزایش روند تغییرات کاربری اراضی نسبت به نیازهای انسانی و تأثیر آن بر محیطزيست، پايش و مدلسازی تغییرات کاربری اراضی، ازجمله موضوعات اصلی پژوهش در حوزه تغییرات جهانی محیطزيست و توسعه پايدار محسوب میگردد (8). نظر به پويايی تغییرات کاربری اراضی و اثرات گسترده آن بر محیطزيست، ازجمله تأثیر بر خصوصیات خاک و فرسایش آن، تخریب، چندتکه شدن و از دست رفتن زیستگاههای مختلف (14)، تأثیر بر روي چرخه کربن (1)، تغییر اقلیم (15)، کاهش تنوع زیستی (18) و موارد بسیار دیگر ازجمله مهمترین عوامل تأثیرگذار بر سیستمهای اکولوژیکی بوده، لذا درک چگونگی اين تغییرات چه ازنظر الگوی مکانی و چه ازنظر کمیت آن ضروری به نظر میرسد (14).
در حال حاضر تغییر کاربري اراضی بهصورت غیراصولي، به دلیل بیبرنامه بودن تغییر اکثر کاربريها و در نظر نگرفتن محدودیتهاي زیستمحیطي، از مهمترین معضلات اقصي نقاط کشور ایران میباشد. رشد بيرویه شهرها و افزایش آلودگي منابع، فرسایش زمینهاي کشاورزي، وقوع سیلهاي مخرب، از بین رفتن سطح وسیعي از جنگلها، گسترش کویرها و اکوسیستمهاي بیاباني غالباً ناشي از تبدیل غیراصولي پوشش اراضي و اعمال روشهاي نادرست بهرهبرداري از کاربري ميباشد. لذا پايش اينچنین تغییرات و داشتن آگاهی و شناخت صحیح از عوامل و فرآیندهاي ایجادکننده و روند آتي آنها و همچنین شیوههاي مختلف مدیریت کاربري اراضی میتواند ما را در درک درستی از روند توسعه درگذشته و الگوهای رشد ياری داده و اثرات قابلتوجهی بر حل مشکلات مدیریتی منابع طبیعی داشته باشد. درحالیکه مدلسازی و شبیهسازی تغییرات کاربری اراضی نقش به سزايی در درک پیامدهای تغییرات آتی و تحولات احتمالی آينده ايفا میکند (1 و 14). با توجه به تغییرات روزافزون کاربری اراضی و ضرورت آگاهی کارشناسان و مدیران از چگونگی تغییرات و تحولات رخداده در جهت سیاستگذاری و چارهاندیشی برای رفع مشکل موجود، آشکارسازی تغییرات برای مشخص کردن روند تغییرات در طول زمان ضروری به نظر میرسد (24). به عبارتی با داشتن اطلاع از میزان هرکدام از کاربریهای اراضی، میتوان نسبت به پیشبینی تغییرات کاربری اراضی، پیشگیری یا کاهش بلایای طبیعی، مدیریت منابع طبیعی و ارزیابی فشار محیطی ناشی از توسعه منابع انرژی در هر ناحیه اقدام کرد. درواقع کسب اطلاعات از نسبت تغییرات پوشش گیاهی و کاربری اراضی نقش مهمی در مدیریت پوشش اراضی فعلی ایفا میکند. از سوی دیگر، پیشبینی و الگوسازی تغییرات آینده نیز برای آگاهی از کمیت و کیفیت تغییرات احتمالی آینده حائز اهمیت است. بنابراین آشکارسازی و پیشبینی تغییرات، لازمة مراقبت از یک اکوسیستم بهویژه در مناطقی با تغییرات سریع و اغلب بدون برنامهریزی در کشورهای درحالتوسعه است. در سالهای اخیر، مطالعات متعددی در خصوص استفاده از مدلساز تغییرات زمین در جهت پیشبینی تغییرات آتی کاربری اراضی صورت گرفته است.
میر علیزاده فرد و علیبخشی (20) در تحقیقی تغييرات كاربري اراضي در دشت برتش شهرستان دهلران واقع در استان ایلام را در سه دورة زماني 1988، 2001 و 2013 بررسی نمودند. نتایج طبقهبندي نشاندهنده تخریب و كاهش میزان وسعت اراضي جنگل كمتراكم و مرتع متوسط و افزایش مساحت سایر كاربري میباشد. نتایج نشان داد كه در فاصلة زماني 2013- 2030 مقدار 45% از جنگل کم تراکم، 71% مرتع متوسط، 96% مرتع فقیر، 81% کشاورزی، 93% رسوبات آبرفتی و 100% اراضي بدون پوشش بدون تغيير باقي بمانند.
فتح اللهی رودباری و همکاران (10) در مدلسازی تغییرات کاربری اراضی در شهرستان نکاء با استفاده از مدلساز تغییر زمین (LCM) نشان دادند که در طی سالهای 1988 تا 2016 اراضی جنگلی کاهش داشته و بیشترین تغییرات مربوط به تبدیل اراضی جنگلی به کشاورزی بوده است. نتیجه مدلسازی برای سال 2030 نیز نشان داد که مساحت جنگل کاهش یافته و به وسعت اراضی کشاورزی و مناطق شهری افزوده خواهد شد.
عفیفی (2) مدلسازی تغییرات کاربری اراضی شهر شیراز در یک دوره 30 ساله و با استفاده از مدل زنجیرهای مارکوف و مدلساز تغییر زمین را انجام داد که بیانگر روند صعودی کشاورزی آبی طی سالهای 1985- 2015 و کاهش اراضی بایر بود. آشکارسازی تغییرات برای سال 2030 نیز نشاندهنده در افزایش وسعت طبقه کاربری اراضی زراعی و اراضی شهری منطقه و کاهش وسعت کاربریهای بایر و باغ بود. اوناته و سندرا (23) برای مدلسازی تخریب و احیای جنگلهای خزان کننده گرمسیری مکزیک، از مدلساز تغییرزمین (LCM) و مدلسازی نیروی انتقال با شبکۀ عصبی مصنوعی بهره جستند. در مقادیر مرتبط با زیر مدل احیاء، زیر مدل جنگل و زیر مدل اختلال، به ترتیب به صحت 2/59، 2/35 و 6/59 دست پیدا کردند. حسن و همکاران (13) به شبیهسازی تغییرات آتی کاربری اراضی در پیشرفت سریع شهرنشینی چین جنوبی بر اساس مدلساز تغییر زمین و سنجشازدور پرداختند. نتایج بیانگر آن بود که مناطق شهری طی سالهای 2005-2017 افزایش خواهد یافت. در سال 2031 این افزایش در مناطق شهری بیشتر از طریق تبدیل مزارع کشاورزی و استخرهای ماهی خواهد بود. با اینحال، پوشش جنگل از 02/45 درصد در سال 2017 به 88/46 درصد در سال 2031 ادامه خواهد یافت.
در طي چند دهة اخير، تغيير كاربري اراضي تحت اثر عوامل محيطي و انساني سبب بروز اثرات جدي بر محيطزيست، اقتصاد و اجتماع شده است. در استان گلستان نیز عرصههاي مرتعي و طبيعي وسيعي بدون رعايت اصول اکولوژیکی و علمي به زير كشت محصولات زراعي رفته يا در جهت مقاصد خاص مورد بهرهبرداري قرارگرفته و تبديل به ساير كاربريها شدهاند، درحاليكه بسياري از اين اراضي استعداد كاربري بهصورت زراعت را دارا نبوده و استعداد فرسايشي بالايي دارند. همچنین این تغييرات باعث تأثیر بر خصوصيات فيزيكي و شيميايي خاك و كيفيت ذاتي و پويايي آن گشته و توانايي طبيعي خاك در انجام وظايف خود را كاهش خواهد داد كه درنتيجه اين امر شاهد فرسايش خاك بهويژه در اراضي شيبدار و ايجاد سيلابهاي ويرانگر خواهیم بود. لذا داشتن آگاهی از نوع و نحوه استفاده از اراضی و تغييرات احتمالی آن در طي زمان که از موارد مهم جهت برنامهريزي و سياستگذاري در كشور خواهد بود لازم و ضروری است (22). این مطالعه باهدف آشکارسازی تغییرات کاربری اراضی استان گلستان در طی سالهای 1365 تا 1398 و پیشبینی وضعیت کاربری اراضی منطقه برای سال 1429 با استفاده از رویکرد مدلساز تغییر زمین انجام شد.
روش تحقیق
منطقه مورد مطالعه
استان گلستان با وسعتی بالغ بر 20387 کیلومترمربع، حدود 3/1 درصد از مساحت کل کشور را شامل میشود. این استان در جنوب شرقی دریای خزر در محدوده جغرافیایی 36 درجه و 25 دقیقه تا 38 درجه و 8 دقیقه عرض شمالی و 53 درجه و 50 دقیقه تا 56 درجه و 18 دقیقه طول شرقی و در بین استانهای مازندران، سمنان و خراسان شمالی واقع شده است. جغرافیای طبیعی استان به نحوی است که به سه بخش کوهستانی، دامنهای و جلگهای تقسیم شده است. متوسط بارندگی سالانه 450 میلیمتر و متوسط تبخیر از 800 میلیمتر در نواحی جنوبی و ارتفاعات تا 2000 میلیمتر در نواحی مرزی استان تغییر مینماید. میانگین سالانه درجه حرارت از 7 درجه سانتیگراد در ارتفاعات 2000 متری تا 19 درجه سانتیگراد در منطقه گنبد متغیر است. موقعیت جغرافیایی و توپوگرافی استان گلستان موجب شده که تحت تأثیر عوامل مختلف آب و هوایی باشد و اقلیمهای متفاوت در آن مشاهده میشود. درنتیجه در این استان از اقلیم نیمهخشک در نوار مرزی و حوزه آبخیز اترک تا معتدل و نیمه مرطوب در مناطق جنوبی و غربی تا اقلیم سرد کوهستان در مناطق مرتفع و کوهستانی آن قابلمشاهده است. میزان ریزشهای جوی نیز در مناطق مختلف استان متفاوت است. بهطوریکه در مناطق جنوب و جنوب غربی استان مقدار بارندگی حدود 700 میلیمتر و در نواحی شمال و نوار مرزی حدود 200 میلیمتر میباشد (21).
شکل1. موقعیت منطقه مورد مطالعه
Fig1. Location of the study area
تهیه نقشه کاربری اراضی مربوط به سالهای 1365، 1380 و 1398
بهمنظور پایش روند تغییرات کاربري اراضی منطقه مورد مطالعه از تصاویر ماهوارهاي لندست 5 و 8 (سنجنده TM و OLI مربوط به سالهای 1365، 1380 و 1398) استفاده شد. تفسیر و پردازش دادههای ماهوارهای در نرمافزار 5.3 ENVI انجام گرفت. تصاویر ماهوارهای مربوطه از سایت رسمی سازمان زمینشناسی آمریکا (Earth explorer- USGS) دانلود و سپس پیشپردازشهای لازم مشتمل بر تصحیحات رادیومتریک و اتمسفریک انجام شد. علیرغم اینکه بیشتر تصاویر ماهواره لندست زمین مرجع هستند، اما بهمنظور دقت بیشتر در این مرحله نسبت به کنترل دقت هندسی و زمین مرجع بودن تصاویر مربوطه اقدام گردید. برای بررسی وضعیت هندسی تصاویر و اطمینان از مناسب بودن هندسه تصاویر، لایههای برداری جادهها و آبراههها روی تصاویر ماهوارهای قرار داده شد.
شکل2. مراحل اجرای مدلسازی و پیشبینی تغییرات کاربری اراضی
Fig 2. Steps of modeling and predicting land use changes
ازآنجاییکه تصاویر ماهواره لندست 185 × 185 کیلومتر بوده و کل محدوده استان گلستان در 4 تصویر قرار میگیرد (جدول1)، لذا ابتدا چهار تصویر مربوط به دوره زمانی موردنظر باهم موزائیک شده و سپس بر اساس مرز استان برش داده شد. در مرحله بعد جهت شناسایی و تفکیک پدیدهها از یکدیگر، تصویر رنگی کاذب با استفاده از ترکیب باندهای 2 (سبز)، 3 (قرمز)، 4 (مادونقرمز نزدیک) تهیه شد. در ادامه از روش طبقهبندی نظارتشده با روش حداکثر احتمال (Maximum likelihood) استفاده شد. در این مرحله با توجه به نقشه کاربري موجود و استفاده از گوگل ارث نمونههاي تعلیمی برای هر کلاس پوشش اراضی انتخاب و درنهایت پنج کلاس کاربری شامل مرتع، زراعت، جنگل، مسکونی و پیکرههای آبی تعریف گردید. همچنین برای طبقهبندی تصاویر چند روش طبقهبندی تست شده و از بین آنها روش طبقهبندی حداکثر احتمال که یکی از دقیقترین روشهای طبقهبندی سلول پایه است انجام شد (22). پس از فیلترینگ تصاویر که بهمنظور فیلتر و حذف مساحتهای بسیار کوچک در نقشه به کار میرود، نقشههای کاربری اراضی مربوط به سالهای 1365، 1380 و 1398 تهیه شد. ارزیابی صحت نقشههای طبقهبندیشده با استفاده از ماتریس خطا انجام شد (3). بهمنظور ارزیابی صحت تصاویر تعدادی از نمونههای تعلیمی بهدست آمده از گوگل ارث (30 درصد) با تصاویر کاربری حاصله مقایسه شده و درنهایت ماتریس خطا و ضریب کاپای کلی به دست آمد (30). در تحقیق حاضر از ضرایب صحت کلی (Overall accuracy) و ضریب کاپا (Kappa coefficient) جهت بررسی صحت طبقهبندي استفاده گردید. دقت کلی از جمع عناصر قطر اصلی ماتریس خطا تقسیم بر تعداد کل پیکسلها طبق رابطه 1 به دست میآید:
[1] OA=
در این رابطه OAدقت کلی، N تعداد پیکسلهاي آزمایشی، 
جمع عناصر قطر اصلی ماتریس خطا. به دلیل ایرادات وارده بر دقت کلی، غالباً در کارهاي اجرائی که مقایسه دقت طبقهبندي مورد توجه است، از شاخص کاپا استفاده میشود. چون شاخص کاپا پیکسلهاي نادرست طبقهبندي شده را مدنظر قرار میدهد. مقدار شاخص كاپا بين صفر و يك تغيير میكند كه هرچه به یك نزدیکتر باشد میزان درستی نقشه حاصل از طبقهبندی به واقعیت نزدیکتر است. شاخص کاپا از رابطۀ 2 محاسبه میشود.
[2] 100 × K = 
که در رابطه فوق Po درستی مشاهده شده، Pc توافق مورد انتظار است که از طریق روابط 3 و 4 قابل محاسبه میباشد.
Po = Σ(Xij)/N [3]
Pc = Σ[(Xi×Xj)/N2] [4]
در اين رابطهها؛ Po درستي مشاهده شده (مجموع اعداد در قطر اصلي ماتريس خطا تقسيم بر كل پيكسلهاي طبقهبندي شده)، Xij عناصر قطر اصلي جدول ماتريس خطا، Pc توافق تصادفي، Nتعداد كل پيكسلهاي طبقهبندي شده در جدول ماتریس خطا، Xi مجموع پيكسلهاي رديف Iام جدول ماتريس خطا، Xjمجموع پيكسلهاي ستون Jام جدول ماتريس خطا.
جدول1. مشخصات تصاویر ماهوارهای مورد استفاده در مطالعه
Table 1. Specifications of satellite images used in the study
سال | ماهواره | سنجنده | تاریخ | شماره ردیف | شماره گذر |
1986 | لندست 5 | TM | 1986-05-19 | 034 | 162 |
| لندست 5 | TM | 1986-05-19 | 035 | 162 |
| لندست 5 | TM | 1986-06-11 | 034 | 163 |
| لندست 5 | TM | 1986-06-11 | 035 | 163 |
2001 | لندست 5 | TM | 2001-07-31 | 034 | 162 |
| لندست 5 | TM | 2001-07-31 | 035 | 162 |
| لندست 5 | TM | 2001-07-22 | 034 | 163 |
| لندست 5 | TM | 2001-07-22 | 035 | 163 |
2019 | لندست 8 | OLI | 2019-06-15 | 034 | 162 |
| لندست 8 | OLI | 2019-06-15 | 035 | 162 |
| لندست 8 | OLI | 2019-06-06 | 034 | 163 |
| لندست 8 | OLI | 2019-06-06 | 035 | 163 |
مدلسازی با استفاده از مدلساز تغییر زمین (Land Change Modeler)
مدلساز تغییر زمین که بهطور کامل با برنامه TerrSet (IDRISI سابق) یکپارچهشده، ابزاری برای مدیریت و برنامهریزی زمین و همچنین ابزار پشتیبان تصمیمگیری است. این مدل به کاربر اجازه میدهد که تغییرات کاربری اراضی را بهسرعت تجزیهوتحلیل کند. از مدلساز تغيير زمين ميتوان جهت ارزيابي و مدلسازي تجربي تغييرات كاربري اراضي و تأثير آن بر زيستگاه گونهها و تنوع زيستي استفاده نمود. با استفاده از مدلسازی تغییر پوشش زمین در نرمافزار TerrSet، میتوان اطلاعات و دادههای مربوط به پوشش تاریخی زمین را برای ارزیابی، مدلسازی و پیشبینی تغییرات پوشش مورد آنالیز قرار داد که شامل مراحل تجزیهوتحلیل و آشکارسازی تغییرات، مدلسازی پتانسیل انتقال، پیشبینی و مدلسازی تغییرات کاربری اراضی و ارزیابی صحت مدلسازی میباشد.
تجزیهوتحلیل و آشکارسازی تغییرات
در بخش آشکارسازی تغییرات مدل، میزان کاهشها و افزایشها در هر کاربری، تغییرات خالص، تغییر خالص از سایر کاربریها به یک طبقه موردنظر، مناطق بدون تغییر و انتقال از هر کاربری به کاربری دیگر در طبقات گوناگون پوشش سرزمین بهصورت نقشه و نمودار قابل ارزیابی است (27). در این پژوهش، از روی همگذاری نقشههای پوشش زمین مربوط به سالهای 1365، 1380 و 1398 بهعنوان ورودی مدلساز تغییر زمین (LCM) و نقشههای مدل رقومی ارتفاع (DEM) و لایههای جاده و آبراهه برای تحلیل تغییرات منطقه و پیشبینی تغییرات کاربری سرزمین سال 1429 استفاده شد. پس از انجام تجزیهوتحلیلهای لازم و بارزسازی بهمنظور آشکارسازی تغییرات کاربری اراضی میان دورههای زمانی موردنظر، نقشههای تغییرات و انتقال کاربریها تهیه شد. در انتها میزان کاهش و افزایش در هر کاربری، میزان تغییرات خالص، تغییر خالص از سایر کاربریها به یک طبقه موردنظر، مناطق بدون تغییر و انتقال از هر کاربری به کاربری دیگر در طبقات گوناگون پوشش سرزمین بهصورت نقشه و نمودار تهیه و مورد تجزیهوتحلیل واقع شد.
مدلسازی پتانسیل انتقال
در این مرحله امکان مدلسازی پتانسیل تغییر زمین (پتانسیل انتقال از یک کاربری به سایر کاربریها) با استفاده از لایههای زمانی متفاوت در کنار متغیرهای توضیحی چون مجاورت به جاده، شیب و... فراهم میشود. به عبارت دیگر میزان پتانسیل هر پیکسل از تصویر برای تغییر از کاربری فعلی به نوع دیگری از کاربری تعیین گردیده و خروجی این قسمت، نقشه پتانسیل انتقال برای هر تغییر (مثلاً از کاربری جنگل به اراضی کشاورزی) خواهد بود. در این مرحله انواع تغییرات و انتقالات کاربریها در زیر مدلها طبقهبندیشده و پتانسیل بالقوه متغیرهای توضیحی مورد بررسی قرار میگیرند (5). برای مدلسازی پتانسیل تبدیل هر کاربری در مدل LCM قبل از هر کاری باید زیرمدلهای مناسب مشخص شود. برای انتخاب زیرمدلهایی با بیشترین صحت، لازم است که مدل را چندین مرتبه در سناریوهای مختلف اجرا کرد. بعد از اجرای مراحل مذکور درنهایت پنج زیر مدل به شرح زیر انتخاب شدند: زیرمدل انتقال مرتع به کشاورزی، زیرمدل مرتع به مسکونی، زیرمدل جنگل به مرتع، زیرمدل جنگل به کشاورزی، زیرمدل کشاورزی به مسکونی.
پس از انتخاب زیرمدلهای مناسب، متغیر توضیحی مؤثر بر تغییرات کاربری/ پوشش زمین انتخاب میشود. متغیرها به دو صورت دینامیک و استاتیک به مدل اضافه میشوند. متغیرهای استاتیک با گذشت زمان تغییرناپذیر هستند و جنبههای اساسی مناسب برای انتقال در نظر گرفتهشده را بیان میکنند اما متغیرهای دینامیک وابسته به زمان متغیر هستند و در طول زمان دوره پیشبینی محاسبه میشوند (19). به اینترتیب هشت متغیر توضیحی شامل مدل رقومی ارتفاع (DEM)، شیب، فاصله از جاده، فاصله از آبراهه، فاصله از مناطق مسکونی، فاصله از جنگل، فاصله از مرتع و فاصله از زراعت استفاده شد. برای بررسی میزان همبستگی یا ارتباط بین این متغیرهای مورد استفاده در مدل (متغیرهای مستقل)، با میزان تغییرات کاربری اراضی بهعنوان متغیر وابسته در بخش مدلسازی توانایی انتقال مدلساز تغییر زمین از ضریب کرامر استفاده شد. ضریب کرامر در محدوده بین صفر و یک متغیر است که هرچه مقدار آن به یک نزدیکتر باشد میزان همبستگی بالاتری بین متغیرهای مستقل و وابسته وجود دارد. مدلساز تغییر زمین بهصورت خودکار میزان ارتباط بین متغیرهای مستقل و کاربری زمین (ضریب کرامر) را محاسبه میکند. معمولاً ضرایب بالاتر از 15/0 برای مدلسازی قابلپذیرش بوده و ضرایب بالای 4/0 خوب میباشد (10).
بعد از انتخاب زیرمدلهای مناسب و متغیرهای مستقل مؤثر، مدلسازی پتانسیل تبدیل هر کاربری با روش رگرسیون لجستیک انجام میشود. به این مفهوم که هر پیکسل از تصویر برای تغییر از یک کاربری به نوع دیگر چقدر پتانسیل دارد. رگرسیون لجستیک از روش برآورد حداکثر احتمال برای پیدا کردن بهترین مجموعه پارامترهایی که مدل را بهتر برازش میکنند، استفاده میکند. خروجی مدل، ضریبهای بین صفر و یک خواهد داشت که از طریق تئوری فازی به احتمالات بیشتر از 5/0 ارزش یک (تغییر) و کمتر از 5/0 ارزش صفر (عدم تغییر) میدهد و نقشه بولین تخریب را تولید میکند. رگرسيون لجستيك با اين فرض به كار ميرود كه احتمال يك بودن متغير وابسته از منحني لگاريتمي پيروي ميكند و مقدار آن توسط رابطه 5 تخمين زده ميشود:
[5] P(Y=1CX) = exp (nBX)/1+exp (nB (X))
:p احتمال يك بودن متغير وابسته، :X متغير مستقل، :B پارامتر برآورد شده، :Y متغير وابسته.
با تغيير لگاريتمي در رابطه 5 رابطه 6 به دست ميآيد:
[6] loge 
اين تغيير لگاريتمي باعث ميشود احتمال پيشبيني شده در دامنه صفر تا يك پيوسته باشد و خروجي مدل به صورت يك نقشه پيشبيني مكاني احتمال تخريب ارائه شود. ارزیابی مدل رگرسیونی برازش یافته با محاسبه شاخص ROC (Relative Operating Characteristic) انجام گردید (19).
مدلسازی و پیشبینی تغییرات کاربری اراضی
خروجیهای مرحله مدلسازی پتانسیل انتقال بهعنوان ورودیهای مرحله پیشبینی تغییرات کاربری اراضی به کار میروند. روشهای متعددی برای مدلسازی پتانسیل انتقال وجود دارد که از آن دسته میتوان مدلهای آماری و رگرسیون لجستیک، زنجیره مارکوف، الگوریتم ژنتیک، منطق فازی و شبکه عصبی مصنوعی را نام برد (5). در این مطالعه تخصیص تغییر به هر کاربری یا احتمال انتقال محاسبهشده از هر کاربری به کاربری دیگر با استفاده از زنجیره مارکوف محاسبه شد (7 و 12). در مدل زنجیره مارکوف حالت سیستم در زمان 2 میتواند بر اساس حالت سیستم در زمان 1 پیشبینی شود و درنتیجه آن ماتریس احتمالات انتقال بهمثابه پایه الگوسازی پیشبینی تغییر کاربری سرزمین ارائه شود (5 و 29).
زنجيرة ماركف، يك نوع مدل فرايند تصادفي است كه بيان ميكند با چه احتمالي ممكن است يك وضعيت به وضعيت و حالت ديگري تغيير يابد. اين مدل يك ابزار توصيفي كليدي دارد و آن ماتريس احتمال انتقالات است. يك زنجيرة ماركف دنبالهاي از متغيرهاي تصادفي x1, x2, x3, … است که خاصیت مارکوف را دارند که از رابطه 7 به دست میآید.
[7] Pr (
مقادير ممكن براي Xi، مجموعه قابل شمارشي را ميسازند كه فضاي حالت نام دارد. روش ماركوف براي مدلسازي رفتار اتفاقي، بهصورت پيوسته و ناپيوسته نسبت به زمان يا در فضاي حالت، تقسيمبندي ميشود. اين تغييرات پيوسته يا ناپيوستة اتفاقي را به اصطلاح فرايندهاي اتفاقي مينامند. درحقيقت بهكارگيري روش ماركوف، نيازمند اين امر است كه سيستم نمايانگر فقدان حافظه باشد؛ يعني حالت و وضعيت آيندة سيستم، مستقل از وضعيتهاي گذشتة آن بوده و تنها به آخرين جزء آن وابسته باشد. مدل زنجيرة ماركوف، مجموعهاي از حالات ممكن تعريف ميشود كه اين فرايند از يك وضعيت شروع شده و بهطور متوالي از وضعيتي به وضعيت ديگري جابهجا ميشود و هر حركت، يك گام تلقي ميشود. در اين مدل، بايد دو نقشة پوشش اراضي از دو دوره زماني متفاوت وجود داشته باشد كه در اين حالت، امكان محاسبة احتمال انتقالات كاربريها در بين دورههاي زماني مورد بررسي، امكانپذير ميشود. درحقيقت، سادهترين مدل زنجيرة ماركوف، توجهي به تأثير سلولهاي همسايگي ندارد و تنها وضعيت سلولها را در دو دوره زماني اول و دوم در نظر ميگيرد (5).
برای پیشبینی پوشش / کاربری زمین برای سال 1398 با استفاده از مدل پیشبینی سخت و دوره واسنجی 1380- 1365 اجرا شد (5). در مدل پیشبینی سخت، تمام سطح یک پیکسل به یک کاربری خاص اختصاص مییابد و درواقع برای پیکسل تعیین تکلیف قطعی میشود. درنهایت برای پیشبینی پوشش/ کاربری زمین برای سال 1429 نیز از مدل پیشبینی سخت و دوره واسنجی 1398- 1365 استفاده شد (5).
ارزیابی صحت مدلسازی
ارزیابی اعتبار و صحت پیشبینی مدل بر اساس برآورد ضریب کاپا بین نقشه پوشش اراضی سال 1398 و نقشه پوشش اراضی سال 1398 حاصل از پیشبینی محاسبهشده و مقادیر پارامترهای صحتسنجی به دست آمد. درنهایت، آمارههای کاپا (Kno، Klocation، Kstandard به ترتیب مربوط به کاپای کلی، کاپای مطابق با مکان، کاپای مطابق با مقدار) بهمنظور ارزیابی صحت مدل استفاده شدند (2). در این تحقیق از مقدار کاپاي استاندارد (Kstandard)جهت بررسی صحت مدلسازي استفاده شد. در این رویکرد درستی کل عبارت است از نسبت پیکسلهاي مشابه به تعداد کل پیکسلهاي مورد مقایسه. دامنه تغییرات نمایه توافق کاپا از 1- تا 1+ است و نشاندهنده درجه تشابه بین تصاویر میباشد. در صورتی که دو تصویر تشابه کامل داشته باشند، ضریب کاپا یک است و اگر هیچ پیکسلی ارزش ثابت در دو تصویر نداشته باشد، ضریب کاپا برابر 1- است. مطابق رابطۀ 8 محاسبه K عبارت است از:
[8] Ki= 
در این رابطه؛ Pii نسبت تصویر کل در طبقه iکه در هر دو تاریخ بدون تغییر است، Pi.نسبت تصویر کل در طبقه i در تصویر رفرنس (تاریخ اول) و P.iنسبت تصویر کل در طبقه i در تصویر غیر رفرنس (تاریخ دوم) است.
نتایج
تولید نقشههای کاربری اراضی در محدوده مطالعاتی
پس از طبقهبندی تصاویر با استفاده از روش طبقهبندی حداکثر احتمال، نقشه کاربری/ پوشش زمین استان گلستان در 5 طبقه جنگل، مرتع، اراضی کشاورزی، مسکونی و پیکرههای آبی تهیه گردید. در شکلهای (3 تا 5) به ترتیب نقشههای کاربری اراضی مربوط به سالهای 1365، 1380، 1398 نشان داده شده است. سپس بهمنظور ارزیابی صحت نقشههای طبقهبندیشده ماتریس خطا برای محاسبه صحت کلی و ضریب کاپای نقشهها تولید گردیده و مقایسه نتایج صورت گرفت (30 و 3). نتایج صحت کلی و ضریب کاپا برای تصاویر طبقهبندی شده سالهای1365، 1380 و 1398 در جدول 2 ارائه شده است. با توجه به مقدار قابلقبول شاخص کاپا و صحت کلی میتوان از این تصاویر برای مدلسازی الگوی مکانی تغییرات پوشش اراضی در طی دوره زمانی 1365- 1398 استفاده نمود.
جدول2. نتایج ارزیابی صحت کلی و ضریب کاپا برای نقشههای طبقهبندی شده کاربری سالهای 1365، 1380 و 1398
Table 2. evaluation results of Overall accuracy and Kappa coefficient for classified land use maps of 1986, 2001 and 2019.
سنجنده | ضریب کاپا | صحت کلی | |
1365 (1986) | TM | 83/0 | 38/87% |
1380 (2001) | TM | 79/0 | 81/84 % |
1398 (2019) | OLI | 82/0 | 06/86 % |
شکل3. نقشه کاربری اراضی استان گلستان سال 1365 شکل4. نقشه کاربری اراضی استان گلستان سال 1380
Figure 3. Land use map of Golestan province in 1986 Figure 4. Land use map of Golestan province in 2001
شکل5. نقشه کاربری اراضی استان گلستان سال 1398
Figure 5. Land use map of Golestan province in 2019
آشکارسازی تغییرات کاربری اراضی با مدلساز تغییر زمین
پس از تهیه نقشههای کاربری اراضی اقدام به آشکارسازی تغییرات و همچنین بررسی تغییرات اتفاق افتاده طی دوره زمانی مورد مطالعه با مدلساز تغییر زمین شد. مقادیر تغییرات مرتبط با کاربریهای مختلف طی دوره 1365- 1398 در جدول 3 ارائه شده است.
جدول3. میزان تغییرات کاربری اراضی از سال 1365 تا 1398
Table 3. The rate of land use change from 1986 to 2001
کاربری اراضی | مساحت (هکتار) در سال 1365 | مساحت (درصد) | مساحت (هکتار) در سال 1380 | مساحت (درصد) | مساحت (هکتار) در سال 1398 | مساحت (درصد) | میزان تغییرات (هکتار) | میزان تغییرات (درصد) | روند تغییرات |
مرتع | 25/937631 | 46 | 5/847462 | 6/41 | 756450 | 1/37 | 25/181181 | 9/8 | کاهشی |
پیکرههای آبی | 75/16818 | 8/0 | 25/25931 | 3/1 | 5/49387 | 4/2 | 75/32568 | 6/1 | افزایشی |
زراعت | 5/671962 | 33 | 778950 | 2/38 | 5/845662 | 5/41 | 173700 | 5/8 | افزایشی |
جنگل | 75/393018 | 3/19 | 25/359381 | 6/17 | 75/349143 | 1/17 | 43875 | 2/2 | کاهشی |
مسکونی | 25/18731 | 9/0 | 5/26437 | 3/1 | 75/37518 | 8/1 | 50/18787 | 9/0 | افزایشی |
مجموع | 50/2038162 |
| 50/2038162 |
| 50/2038162 |
|
|
|
|
بر اساس نتایج بهدستآمده از جدول فوق، طی یک دوره 33 ساله مساحت مراتع استان با گذشت زمان کاهش چشمگیری داشته بهطوریکه مساحت این کاربری از 25/937631 هکتار در سال 1365 به میزان 756450 هکتار در سال 1398 رسیده است. قسمت عمده این تغییرات مربوط به تبدیل مرتع به کاربری زراعی بوده است. بهطوری که میزان اراضی زراعی طی همین دوره 173700 هکتار افزایش داشته است. همچنین مساحت اراضی جنگلی طی سالهای مذکور به میزان 43875 هکتار کاهش نشان داده است. کمترین میزان تغییرات کاربری اراضی نیز، مربوط به کلاس اراضی مسکونی با افزایشی معادل 50/18787 هکتار در طی این دوره میباشد. پیکرههای آبی در طی این دوره به میزان 6/1 درصد معادل 75/32568 هکتار افزایش نشان داده است.
شکل6. نقشه توزیع مکانی تغییرات پوشش زمین طی سالهای 1365-1398
Fig 6. Spatial distribution map of land cover changes during 1986-2019
مدلسازی پتانسیل انتقال با استفاده از رگرسیون لجستیک
با توجه به نتایج آشکارسازی تغییرات، زیرمدلهای در نظر گرفتهشده در این پژوهش 5 زیر مدل شامل زیرمدلهای مرتع به کشاورزی، مرتع به مسکونی، جنگل به مرتع، جنگل به کشاورزی و کشاورزی به مسکونی در نظر گرفته شد. پس از انتخاب زیرمدلها، متغیرهای مدل رقومی ارتفاع، شیب، فاصله از جاده، فاصله از آبراهه، فاصله از مراتع، فاصله از مناطق جنگلی، فاصله از اراضی کشاورزی و فاصله از مناطق مسکونی بهعنوان متغیرهای مؤثر بر تغییرات کاربری/ پوشش زمین و موردنیاز برای مدلسازی انتخاب شد (شکل 7 تا 12). 
شکل7. نقشه فاصله از آبراهه شکل8. نقشه فاصله از کشاورزی
Fig 7. map of distance to stream Fig 8. map of distance to cropland
شکل9. نقشه فاصله از مرتع شکل10. نقشه فاصله از جاده
Fig 8. map of distance to rangeland Fig 10. map of distance to road
شکل11. نقشه طبقات ارتفاعی شکل12. نقشه فاصله از جنگل
Fig 11. Map of DEM Fig 12. map of distance to jungle
بهمنظور انتخاب متغیرهای اثرگذار بر تغییرات کاربری اراضی از ضرایب کرامر که میزان ارتباط بین متغیرها و طبقات کاربری اراضی را نشان میدهد استفاده شد. برای این کار متغیرهایی که ضریب همبستگی آنها بیشتر از 15/0 بود برای مدلسازی انتخاب شدند (جدول4). نتایج ضرایب کرامر نشاندهنده این است که متغیرها دارای همبستگی مناسبی با کاربریهای مختلف (یا دستکم با یک کاربری معین) میباشند و میتوانند بهعنوان متغیر مناسب به مدل رگرسیون لجستیک وارد شوند.
جدول4. ضریب همبستگی (کرامر) بین متغیرهای مستقل و کلاسهای مختلف کاربری اراضی با استفاده از رگرسیون لجستیک
Table 4. The correlation coefficient (Kramer) among all indipendent variables with different land use classes using logistic regression
کاربری اراضی متغیر | مرتع | پیکرههای آبی | زراعت | جنگل | مسکونی |
مدل رقومی ارتفاع (DEM) | 3543/0 | 3192/0 | 4996/0 | 5930/0 | 1148/0 |
شیب | 2077/0 | 1094/0 | 4088/0 | 6682/0 | 0973/0 |
فاصله از جاده | 2180/0 | 1153/0 | 3431/0 | 1916/0 | 1368/0 |
فاصله از آبراهه | 2069/0 | 2110/0 | 1157/0 | 1555/0 | 0702/0 |
فاصله از مرتع | 6470/0 | 0515/0 | 4072/0 | 4788/0 | 1713/0 |
فاصله از زراعت | 5340/0 | 0578/0 | 6339/0 | 2836/0 | 1364/0 |
فاصله از جنگل | 2942/0 | 3288/0 | 3244/0 | 7091/0 | 1243/0 |
فاصله از مناطق مسکونی | 4574/0 | 0886/0 | 4260/0 | 2012/0 | 3979/0 |
جدول5. دادههای رگرسیون لجستیک
Table 5. Logistic regression data
زیر مدلها | میزان ROC |
مرتع به کشاورزی | 6971/0 |
مرتع به مسکونی | 9830/0 |
جنگل به مرتع | 7549/0 |
جنگل به کشاورزی | 8806/0 |
کشاورزی به مسکونی | 7330/0 |
پیشبینی پوشش / کاربری زمین برای سال 1398 با استفاده از مدل پیشبینی سخت و دوره واسنجی 1380- 1365 اجرا شد. در مدل پیشبینی سخت، تمام سطح یک پیکسل به یک کاربری خاص اختصاص مییابد و درواقع برای پیکسل تعیین تکلیف قطعی میشود.
شکل13. نقشه پیشبینی شده تغییرات پوشش اراضی سال1398 استان گلستان
Fig 13. Predicted Land use map of Golestan province in 2019
جدول6 . تغییرات کمی اجزای پوشش/کاربری اراضی در نقشه حال حاضر و پیشبینی شده 1398
Table 6. Quantitative changes in land cover / land use components in current and predicted map of 2019
کاربری اراضی | مساحت (هکتار) | تغییرات (هکتار) | ||
حال حاضر (1398) | پیشبینی شده (1398) | افزایش | کاهش | |
مرتع | 00/756450 | 50/735243 | - | 5/21206 |
پیکرههای آبی | 50/49387 | 25/25931 | - | 25/23456 |
زراعت | 50/845662 | 25/946856 | 75/101193 | - |
جنگل | 75/349143 | 00/287325 | - | 75/61818 |
مناطق مسکونی | 75/37518 | 25/42806 | 5/5287 | - |
بر اساس نتایج جدول فوق و همچنین نقشه پیشبینی شده سال 1398 مساحت مراتع، پیکرههای آبی و کاربری جنگل در محدوده مطالعاتی به ترتیب به مقدار 5/21206 ، 25/23456 و 75/61818 هکتار کمتر از میزان واقعی حال حاضر نشان داده شده است. مساحت اراضی تحت کشت و زراعت و مناطق مسکونی نیز در همین دوره زمانی نسبت به مساحت این کاربریها در نقشه حال حاضر به ترتیب به مقدار 75/101193 و 5/5287 هکتار افزایش نشان داده است.
جدول7 . مقادیر شاخص کاپا
Table 7. Kappa index values
کاپا | مقادیرK |
Kno (کاپای کلی) | 8845/0 |
Klocation (کاپای مطابق با مکان) | 8789/0 |
Kstandard (کاپای مطابق با مقدار) | 8459/0 |
جهت بررسی صحت مدلسازي در این تحقیق، از کاپاي استاندارد (Kstandard)مندرج در جدول 7 استفاده شد. دامنه تغییرات نمایه توافق کاپا از 1- تا 1+ است و نشاندهنده درجه تشابه بین تصاویر میباشد. در صورتی که دو تصویر تشابه کامل داشته باشند، ضریب کاپا یک است و اگر هیچ پیکسلی ارزش ثابت در دو تصویر نداشته باشد، ضریب کاپا برابر 1- است.
پیشبینی پوشش/ کاربری زمین برای سال 1429 نیز با استفاده از مدل پیشبینی سخت و دوره واسنجی 1398- 1365 انجام شد. در این مرحله احتمال انتقال از یک کاربری در سال 1398 به نوع دیگر در سال 1429 توسط زنجیره مارکف (به درصد) محاسبه گردید (جدول8). زنجیره مارکف تغییرات کاربري زمین را از یک دوره به دوره دیگر را بیان کرده و از آن بـه عنوان پایهاي براي نقشهسازي تغییرات آینده استفاده میکند. این کار با استفاده از توسعه یک ماتریس احتمال انتقال تغییرات کاربري زمین از زمان 1 به زمان 2 انجام میگیرد که به عنوان پایهاي براي نقشهسازي دورههاي زمانی آینده مورد استفاده قرار میگیرد.
جدول 8. احتمال انتقال محاسبهشده با زنجیره مارکف 1398-1429
Table 8. Probability of transfer calculated with Markov chain 2019-2050
1429 1398 | مرتع | پیکرههای آبی | زراعت | جنگل | مناطق مسکونی |
مرتع | 7601/0 | 0263/0 | 1380/0 | 0119/0 | 0017/0 |
پیکرههای آبی | 0766/0 | 8131/0 | 1041/0 | 0000/0 | 0062/0 |
زراعت | 0413/0 | 0139/0 | 8983/0 | 0181/0 | 0284/0 |
جنگل | 0595/0 | 0003/0 | 1053/0 | 8347/0 | 0003/0 |
مناطق مسکونی | 0169/0 | 0000/0 | 1538/0 | 0056/0 | 8237/0 |
در شکل 14 نقشه پیشبینیشده کاربری/ پوشش زمین برای سال 1429 در حالت تداوم روند فعلی تغییر کاربری نشان داده شده است. نتایج حاصل از پیشبینی در جدول 9 آورده شده است.
شکل 14. نقشه پیشبینیشده کاربری اراضی استان گلستان در سال 1429
Fig 14. Predicted land use map of Golestan province in 1429
جدول9. تغییرات کمی اجزای پوشش / کاربری اراضی در سناریوی محتمل آتی (1429)
Table 9. Quantitative changes in land cover / land use components in a possible future scenario (2050)
کاربری اراضی | مساحت (هکتار) | تغییرات (هکتار) | ||
جاری (1398) | سناریو (1429) | افزایش | کاهش | |
مرتع | 00/756450 | 75/624543 | - | 25/131906 |
پیکرههای آبی | 50/49387 | 50/49387 | بدون تغییر | بدون تغییر |
زراعت | 50/845662 | 00/1009800 | 50/164137 | - |
جنگل | 75/349143 | 00/291600 | - | 75/57543 |
مناطق مسکونی | 75/37518 | 25/62831 | 25/25313 | - |
بر اساس نتایج به دست آمده از جدول فوق پیشبینی میشود که در سال 1429 پس از طی یک دوره زمانی 31 ساله مساحت مرتع در محدوده مطالعاتی به میزان 25/131906 هکتار کاهش نشان داده و مساحت اراضی تحت کشت و زراعت در همین دوره زمانی به مقدار 50/164137 هکتار افزایش یابد. با توجه به این نتایج میتوان چنین برداشت کرد که به دلیل سیر تخریبی مرتع در منطقه مورد مطالعه، بهتدریج مساحت مراتع استان تحلیل و به کاربریهایی مانند زراعت و سایر کاربریهای انسانی مانند سکونتگاه، باغ و غیره تبدیل شده است. با توجه به نتایج کسبشده مساحت تحت پوشش کاربری جنگلی در سال 1429 نسبت به سال 1398 به مساحت 75/57543 هکتار کاهش یافته و در مقابل مناطق مسکونی به میزان 25/25313 هکتار افزایش یابد. در خصوص پیکرههای آبی نیز تغییری ایجاد نشده است.
بحث و نتیجهگیری
نقشههای کاربری اراضی از مهمترین منابع اطلاعاتی درزمینه مدیریت منابع طبیعی محسوب میشوند. استفاده از تصاویر ماهوارهای بهعنوان یکی از منابع مهم جهت نمایش تغییرات محیطی و مدیریت عرصههای زیستمحیطی مطرح بوده و بررسی این دادهها در شرایط مختلف محیطی با تنوع کاربریها و پوشش گیاهی ضروری به نظر میرسد. این تحقیق باهدف پیشبینی و مدلسازی تغییرات کاربری اراضی با استفاده از مدلساز تغییر زمین LCM در یک دوره 33 ساله در استان گلستان انجام شد. در این پژوهش از تصاویر سنجندههای مختلف ماهواره لندست در سالهای 1365، 1380 و 1398 جهت تهیه نقشه کاربری اراضی استفاده شد.
بر اساس نتایج بهدستآمده طی این دوره با گذشت زمان، مساحت مراتع استان کاهش چشمگیری داشته و از مقدار 25/937631 هکتار به مقدار 756450 هکتار در سال 1398 رسیده است که این میزان تغییرات کاهشی معادل 9/8 درصد با مساحتی برابر با 25/181181 هکتار بوده است. ساری (25) نیز به چنین نتیجهای دست یافت. بخش زیادی از کاهش مراتع در اثر تبدیل آن به اراضی زراعی است که دلیل آن را میتوان افزایش جمعیت و نیاز به گسترش اراضی زراعی دانست.
مساحت اراضی جنگلی نیز، طی سالهای مذکور از مقدار 75/393018 هکتار به مقدار 75/349143 هکتار در سال 1398 رسیده که کاهشی بالغبر 43875 هکتار (2/2 درصد) نشان داده است. بهطورکلی تخریب عرصههاي مرتعی و جنگلی که بخش مهمی از منابع طبیعی و از اکوسیستمهاي حیاتی در جهان هستند، امري است که در بیشتر نقاط جهان و بخصوص در کشورهاي درحالتوسعه به دلیل افزایش جمعیت، رشد تکنولوژي و رعایت نکردن اصول اکولوژیکی و اجراي قوانین قابلمشاهده است. چنانچه محققین متعددي در نقاط مختلف ایران و جهان به نتایج مشابهی در این خصوص دست یافتهاند (4، 10و 29). گرچه تلاشهاي سازمانهاي مسئول را نیز نمیتوان نادیده گرفت چراکه در صورت عدم کنترلهاي موجود، امکان وخامت بیشتر اوضاع وجود داشته و تمایل اشخاص حقیقی و حقوقی براي تصرف اراضی ملی مرتعی و جنگلی و تبدیل کاربري آنها بهطور روزافزونی در حال افزایش است.
همچنین نتایج حاصل از نقشههای طبقهبندیشده طی سالهای 1365 تا 1398 نشاندهنده این واقعیت است که بیشترین مقادیر تغییرات از کل مساحت منطقه مرتبط با اراضی زراعی بوده بهطوریکه میزان این اراضی طی همین دوره 173700 هکتار برابر با 5/8 درصد افزایش داشته است. این موضوع با نتایج حاصل از مطالعه عفیفی (2)، فتحاللهی رودباری و همکاران (10)، فرج اللهی و همکاران (9) و غلامعلی فرد و همکاران (11) همخوانی دارد. میزان تغییرات کاربری مربوط به کلاس اراضی مسکونی نیز با روند افزایشی از مقدار 25/18731 هکتار در سال 1365 به 75/37518 هکتار در سال 1398 رسیده که با افزایشی معادل 50/18787 هکتار (9/0 درصد) در طی این دوره مواجه بوده است که با نتایج حاصل از پژوهش حسن و همکاران (11)، عفیفی (2)، فتحاللهی رودباری و همکاران (10)، فرج اللهی و همکاران (9) و غلامعلی فرد و همکاران (11) مطابقت دارد. افزایش جمعیت بهسرعت باعث توسعه مناطق مسکونی و شهری و افزایش سطح این نوع کاربری با شیب نسبتاً زیادی بهخصوص در سالهای اخیر شده است که میتوان بخشی از آن را به برنامههای دولت درزمینه ساختوساز مسکن در مناطق اطراف شهرها نسبت داد.
تبدیل و تغییرات کاربری /پوشش اراضی به مناطق شهری و اراضی کشاورزی، اختلال زیادی در ارزشهای خدمات اکوسیستم بهخصوص درزمینه زیبایی منظر، منابع ژنتیکی، چرخه عناصر غذایی، کنترل فرسایش، آشفتگی اقلیمی، پهنه های آبی و حاصلخیزی خاک ایجاد میکند که عواقب این تغییرات، منجر به بروز اختلالات زیادی در خدمات اکوسیستمهای طبیعی میباشد (26). این افزایش سطح اراضی زراعی بخصوص در مناطق مرکزی و شرق استان محسوستر است و میتواند زنگ خطري براي آینده باشد به این معنی که در یک روند نامحسوس اراضی مرتعی و جنگلی تبدیل به اراضی زراعی دیم و پس از مدتی بهرهبرداري غیراصولی، درنهایت بهصورت اراضی بایر و غیر قابلاستفاده درمیآیند.
از طرفی این امر میتواند گویای افزایش جمعیت و تقاضای اسکان و در پی آن تأمین نیازهای ساکنین منطقه تهدیدی برای اراضی مرتعی باشد که لازم است بهجای افزایش سطح اراضی زراعی و مسکونی و تبدیل اراضی مرتعی به چنین کاربریهایی که خود پشتوانه بخش کشاورزی محسوب میشوند، سیاست افزایش بهرهوری در بخش کشاورزی دنبال گردد.
درنهایت میتوان با شناخت و مدیریت اصولی کاربري اراضی مانع از ایجاد چنین سرنوشتی براي سایر اراضی منطقه شد. بعضی از پژوهشگران راهحل این امر استفاده مناسب از اراضی بر اساس ارزیابی و آمایش سرزمین دانستند. علاوه بر آن نادیده گرفتن محدودیتها و توان سرزمین، شدت مشکلات را افزایش داده و میتوان با توزیع و پراکنش زمینهاي زراعی، مرتعی، تراکم مناطق شهري کنونی و مراکز تجاري و اعمال مدیریت در آنها تا حد امکان توسعه را در مسیر مطلوبتر قرار داد. در خصوص پیکرههای آبی میتوان بیان نمود که در طی این دوره زمانی به میزان 6/1 درصد معادل 75/32568 هکتار افزایش نشان داده است. این مقدار افزایش پیکرههای آبی را تا حدی میتوان به بارندگیهای فراوان و آبگیری پیکرههای آبی و حتی جاری شدن سیل در مناطق مختلف استان در سال 1398 نسبت داد. این نتیجه با مطالعات پیشبینی میزان تغییرات کاربری اراضی در سال 1429 گویای آن است که در سالهای آتی نیز از سطح مراتع و جنگلها در محدوده مطالعاتی به ترتیب به میزان 25/131906 و 291600 هکتار کاسته شده و در مقابل سطح اراضی زراعی و مناطق مسکونی به ترتیب به مقدار 50/164137 و 25/25313 هکتار افزایش خواهد یافت. ازاینرو اتخاذ تدابیر و سیاستهای لازم در خصوص کاهش بیشتر اراضی جنگلی و مرتعی امری اجتنابناپذیر خواهد بود. از طرفی اگرچه شناخت شرایط کاربریهای مختلف اراضی در طی دورههای آتی، برنامهریزی برای آینده را بهواسطه ایجاد اطلاعات به لحاظ الگوی پراکنش مکانی آنها تسهیل میکند ولی حفظ و ایجاد شرایط پایدار برای آینده هم به لحاظ آماری و هم به لحاظ اکولوژیکی از محدودیتهای آن است. این محدودیتها نقش مهمی در استفاده مطمئن از کاربریهای مختلف اراضی در فرآیند برنامهریزی ایفا میکند. بنابراین ایجاد شرایط پایدار در منطقه و مدلسازی آن بهمنظور استفاده منظم و پایدار از منابع طبیعی یک منطقه از پیششرطهای رسیدن به چشماندازها و اسناد بالادستی ازجمله طرح توسعه پایدار است.
منابع مورد استفاده
1. Abbas I I, Muazu KM, Ukoje JA. 2010. Mapping Land Use-land Cover and Change Detection in Kafur Local Government, Katsina, Nigeria (1995-2008) Using Remote Sensing and GIS. Research Journal of Environmental and Earth Sciences. 2(1): 6-12.
2. Afifi M E. 2020. Modeling Land use changes using Markov chain model and LCM model. Journal of Applied researches in Geographical Sciences, 20 (56):141-158. (in Persian) doi:10.29252/jgs.20.56.141
3. Bakr N, Weindorf D C, Bahnassy M H, Marei S M, El-Badawi M M. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography, 30(4):592-605. http://dx.doi.org/10.1016/j.apgeog.2009.10.008
4. Battsengel V, Tsolmon D, Byambakhuu G, Myagmartseren P, Otgonbayar L, Falin W. 2020. Spatiotemporal monitoring and prediction of land use/land cover changes using CA-Markov chain model: a case study in Orkhon Province, Mongolia. Proc. SPIE 11535, Remote Sensing Technologies and Applications in Urban Environments V, 115350E (20 September 2020); https://doi.org/10.1117/12.2574032
5. Eastman J R. 2006. IDRISI Andes. Guide to GIS and Image Processing, Clark Labs, Clark University,
Worcester, MA.
6. Eastman J R. 2009. Idrisi taiga manual. Clark Lab. Clark University. Worcester, USA.333 P.
7. Eastman J R. 2014. Idrisi TerrSet 18.00. Clark University, Worcester, MA, USA. 392 P.
8. Fang S, George Z, Gertnera G Z, Sun Z, Andersonc A. 2005. The Impact of Interactions in Spatial Simulation of the Dynamics of Urban Sprawl, Landscape and Urban Planning, 73: 294–306. http://dx.doi.org/10.1016/j.landurbplan.2004.08.006
9. Farajollahi A, Asgari H, Ownagh M, Mahboubi M, Salman Mahini A. 2015. Monitoring and prediction of spatial and temporal changes of landuse/ cover (Case study: Marave Tappeh region, Golestan). Journal of RS and GIS for Natural Resources, 6(4), 1-14. (in Persian)
10. Fathollahi roudbary S, Nasirahmadi K, khanmohamadi M. 2018. land use change modeling using LCM module (Case study: NEKA region). Journal of Natural Ecosystem of Iran, 9(1): 53-69. (in Persian) http://neijournal.iaunour.ac.ir/article_544280_8c028323a531b13ee04e4dd4d45ae804.pdf
11. Gholamalifard M, Mirzayi M, Joorabian Shooshtari S. 2014. Land use change modeling using artificial neural network and markov chain (Case study: Middle Coastal of Bushehr Province). Journal of RS and GIS for Natural Resources, 5(1), 61-74. (in Persian)
12. Haibo Y, Longjiang D, Hengliang G, Jie Z. 2011. Tai'an land use Analysis and Prediction Based on RS and Markov Model. Procedia Environmental Sciences, 10:2625- 2610. http://dx.doi.org/10.1016/j.proenv.2011.09.408
13. Hasan S, Shi W, Zhu X, Abbas S, Khan H U A. 2020. Future Simulation of Land Use Changes in Rapidly Urbanizing South China Based on Land Change Modeler and Remote Sensing Data. Sustainability, 12(11): 1-24. http://dx.doi.org/10.3390/su12114350
14. Jokar Arsanjani J, Kainz W, Mousivand A. 2011. Tracking Dynamic Land Use Change Using Spatially Explicit Markov Chain Based on Cellular Automata: the Case of Tehran. International Journal of Image and Data Fusion, 2: 329-345. https://doi.org/10.1080/19479832.2011.605397
15. Kalnay E. Cai M. 2003. Impact of urbanization and land-use change on climate. Nature, 423(6939): 528- 531. http://dx.doi.org/10.1038/nature01675
16. Kindu M, Schneider T, Teketay D, Knoke T. 2016. Changes of ecosystem service values in response to land use/land cover dynamics in Munessa–Shashemene landscape of the Ethiopian highlands. Science of The Total Environment, 547: 137-147. http://dx.doi.org/10.1016/j.scitotenv.2015.12.127
17. Lu D, Weng Q. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 5: 823–870. http://dx.doi.org/10.1080/01431160600746456
18. Martínez M L, Pérez-Maqueo O, Vázquez G, Castillo-Campos G, García-Franco J, Mehltreter K, Landgrave R. 2009. Effects of land use change on biodiversity and ecosystem services in tropical montane cloud forests of Mexico. Forest Ecology and Management, 258(9): 1856-1863. http://dx.doi.org/10.1016/j.foreco.2009.02.023
19. Mishra V, Rai P, Mohan K. 2014. Prediction of land use changes based on land change modeler (LCM) using remote sensing: A case study of Muzaffarpur (Bihar), India. Journal of the Geographical Institute "Jovan Cvijic", SASA, 64(1): 111–127. http://dx.doi.org/10.2298/IJGI1401111M
20. Mir Alizadehfard S, Alibakhshi S. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Journal of RS and GIS for Natural Resources, 7(2), 33-46. (in Persian)
21. Mosaedi A, Sharifan H, Shahabi M. 2007. Risk Management by identification of microclimates in Golestan province. Applied research report, Iran Meteorological Organization, 171 pp. (in Persian)
22. Nazari Samani A, Ghorbani M, Kohbanani H R. 2010.landuse changes in taleghan watershed from 1987 to 1380. Rangeland, 4(3): 442-451. (in Persian)
23. Onate-vadiieso F, sendra J B. 2010. Aplication of GIS and Remote sensing technequs in generation of landuse scenario for hidrological modeling. Journal of Hydrology, 395 (4): 256-264. 10.1016/j.jhydrol.2010.10.033
24. Parker D C, Manson S M, Janssen M A, Hoffmann M J, Deadman M J. 2003. Multi agent systems for the simulation of land use and land cover change: A Review, Annals of the Association of American Geographers, 93(2): 314–337. https://doi.org/10.1111/1467-8306.9302004
25. Sari, F. 2020. Assessment of Land - Use Change Effects on Future Beekeeping Suitability Via CA-Markov Prediction Model, Journal of Apicultural Science, 64(2): 263-276. doi: https://doi.org/10.2478/jas-2020-0020
26. Szumacher I, Pabjanek P. 2017. Temporal Changes in Ecosystem Services in European Cities in the continental Biogeographical Region in the Period from 1990–2012. Sustainability, 9(4): 665. http://dx.doi.org/10.3390/su9040665
27. Vaclavik T, Rogan J. 2010. Identifying trends in land use/land cover changes in the context of post-socialist transformation in Central Europe: A case study of the greater Olomouc region, Czech Republic. GIS Science and Remote Sensing, 46 (1):54-76. https://doi.org/10.2747/1548-1603.46.1.54
28. Wang R, Murayama Y. 2017. Change of Land Use/Cover in Tianjin City Based on the Markov and Cellular Automata Models. ISPRS International Journal of Geo-Information, 6: 150. https://doi.org/10.3390/ijgi6050150
29. Wang SW, Gebru B M, Lamchin M, Kayastha R B, Lee W K. 2020. Land Use and Land Cover Change Detection and Prediction in the Kathmandu District of Nepal Using Remote Sensing and GIS. Sustainability. 12(9):3925. https://doi.org/10.3390/su12093925
30. Yuan F, Sawaya K E, Loeffelholz B C, Bauer M E. 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote Sensing of Environment, 98:317-328. http://dx.doi.org/10.1016/j.rse.2005.08.006
land cover change modeling using Land Change Modeling in Golestan province
Abstract
Monitoring and modeling of land use change is one of the main topics of research in global environmental change and sustainable development field. The aim of this study was to detection in Golestan province during the years 1986 to 2019 and to predict the land use status of the region for 2050 using the Land Change Modeling (LCM) approach. For this purpose, Landsat images series (L5-TM 1986, L5-TM 2001 and L8-OLI- 2019) were used to prepare the land use map of the study area. The results show that during the period 1986-2019, amount of forest and rangeland reduction was 8.9% and 2.2%, respectively. The rate of increase in agricultural, water areas and residential are 8.5%, 1.6% and 0.9%, respectively. Transition potential modeling was performed using LCM and Markov chain. In this study, 5 sub-models along with 8 explanatory variables including digital elevation model, slope, distance from road, distance from water area, distance from rangeland, distance from forest, distance from agricultural lands and distance from residential areas were selected for modeling. prediction of land use map for 2019 was performed with using hard forecasting model and calibration period 1365- 1380. The accuracy of the CA-Markov model was estimated using the Kappa index of 0.84. According to the pridicted map of 2019, rangelands, water bodies and forest uses were estimated by 21206.5, 23456.25 and 61818.75 hectares less than the real amount respectively, and agricultural and residential areas in the same period of this time were estimated by 101193.75 and 5287.5 hectares more than the real amount, respectively. Based on the results, in 2050 Compared to 2019, forest and rangelands will decrease by 2.82 % and 6.47 %, respectively, and the area of cultivated and residential will increase by 8.05 % and 1.24 %, respectively. no changing was observed in Water areas.
Keywords: Modeling, Land use, Land Change Modeler, Markov Chain, Golestan province.
مدلسازی تغییرات پوشش اراضی استان گلستان با استفاده از مدلسازی تغییرات کاربری (Land Change Modeler)
طرح مسئله: در طي چند دهة اخير، تغيير كاربري اراضي تحت اثر عوامل محيطي و انساني سبب بروز اثرات جدي بر محيطزيست و اقتصاد در استان گلستان شده است. از طرفی عرصههاي مرتعي و طبيعي وسيعي بدون رعايت اصول اکولوژیکی و علمي به زير كشت محصولات زراعي رفته يا در جهت مقاصد خاص مورد بهرهبرداري قرار گرفته و تبديل به ساير كاربريها شدهاند. درحاليكه بسياري از اين اراضي استعداد كاربريهای جدید را دارا نبوده و استعداد فرسايشي بالايي دارند كه درنتيجه اين امر شاهد فرسايش خاك بهويژه در اراضي شيبدار و ايجاد سيلابهاي ويرانگر خواهیم بود. لذا داشتن آگاهی از نوع و نحوه استفاده از اراضی و تغييرات احتمالی آن در طي زمان که از موارد مهم جهت برنامهريزي و سياستگذاري در كشور خواهد بود لازم و ضروری است.
هدف: این مطالعه باهدف آشکارسازی تغییرات کاربری اراضی استان گلستان در طی سالهای 1365 تا 1398 و پیشبینی وضعیت کاربری اراضی منطقه برای سال 1429 با استفاده از رویکرد مدلساز تغییر زمین LCM انجام شد.
روش تحقیق: بهمنظور پایش روند تغییرات کاربري اراضی منطقه موردمطالعه از تصاویر ماهوارهاي لندست 5 و 8 (سنجنده TM و OLI مربوط به سالهای 1365، 1380 و 1398) استفاده شد. تفسیر و پردازش دادههای ماهوارهای در نرمافزار 5.3 ENVI انجام گرفت. سپس پیشپردازشهای لازم بر روی تصاویر اعمال شد. ابتدا تصاویر موردنظر باهم موزائیک شده و سپس بر اساس مرز استان برش داده شد. جهت شناسایی و تفکیک پدیدهها از یکدیگر، تصویر رنگی کاذب تهیه شد. در ادامه از روش طبقهبندی نظارتشده با روش حداکثر احتمال (Maximum likelihood) استفاده شد. در این مرحله پنج کلاس کاربری شامل مرتع، زراعت، جنگل، مسکونی و پیکرههای آبی تعریف گردید. نقشههای کاربری اراضی مربوط به سالهای 1365، 1380 و 1398 تهیه شد. از روی همگذاری نقشههای پوشش زمین مربوط به سالهای 1365، 1380 و 1398 بهعنوان ورودی مدل LCM و نقشههای مدل رقومی ارتفاع (DEM) و لایههای جاده و آبراهه برای تحلیل تغییرات منطقه و پیشبینی تغییرات کاربری سرزمین سال 1429 استفاده شد. پس از انجام تجزیهوتحلیلهای لازم بهمنظور آشکارسازی تغییرات کاربری اراضی میان دورههای زمانی موردنظر، نقشههای تغییرات و انتقال کاربریها تهیه شد. درنهایت میزان کاهش و افزایش در هر کاربری، میزان تغییرات خالص، تغییر خالص از سایر کاربریها به یک طبقه موردنظر، مناطق بدون تغییر و انتقال از هر کاربری به کاربری دیگر در طبقات گوناگون پوشش سرزمین بهصورت نقشه و نمودار تهیه و مورد تجزیهوتحلیل واقع شد.
نتایج و بحث: این تحقیق باهدف پیشبینی و مدلسازی تغییرات کاربری اراضی در یک دوره 33 ساله در استان گلستان انجام شد. بر اساس نتایج طی این دوره، مساحت مراتع استان کاهش زیادی داشته که این میزان تغییرات کاهشی معادل مساحتی برابر با 25/181181 هکتار بوده است. بخش زیادی از کاهش مراتع در اثر تبدیل آن به اراضی زراعی است که دلیل آن را میتوان افزایش جمعیت و نیاز به گسترش اراضی زراعی دانست. مساحت اراضی جنگلی نیز، طی سالهای مذکور از مقدار 75/393018 هکتار به مقدار 75/349143 هکتار در سال 1398 رسیده که کاهشی بالغبر 43875 هکتار (2/2 درصد) نشان داده است. بهطورکلی تخریب عرصههاي مرتعی و جنگلی امري است که بخصوص در کشورهاي درحالتوسعه به دلیل افزایش جمعیت، رشد تکنولوژي و رعایت نکردن اصول اکولوژیکی و اجراي قوانین قابلمشاهده است. همچنین نتایج حاصل از نقشههای طبقهبندیشده طی سالهای مذکور نشاندهنده این است که بیشترین مقادیر تغییرات منطقه مرتبط با اراضی زراعی بوده بهطوریکه میزان این اراضی طی همین دوره 173700 هکتار برابر با 5/8 درصد افزایش داشته است. میزان تغییرات کاربری مربوط به کلاس اراضی مسکونی نیز با روند افزایشی از مقدار 25/18731 هکتار در سال 1365 به 75/37518 هکتار در سال 1398 رسیده که با افزایشی معادل 50/18787 هکتار (9/0 درصد) در طی این دوره مواجه بوده است. افزایش جمعیت بهسرعت باعث توسعه مناطق مسکونی و شهری و افزایش سطح این نوع کاربری با شیب نسبتاً زیادی بهخصوص در سالهای اخیر شده است که میتوان بخشی از آن را به برنامههای دولت درزمینه ساختوساز مسکن در مناطق اطراف شهرها نسبت داد. این افزایش سطح اراضی زراعی بخصوص در مناطق مرکزی و شرق استان محسوستر است و میتواند زنگ خطري براي آینده باشد به این معنی که در یک روند نامحسوس اراضی مرتعی و جنگلی تبدیل به اراضی زراعی دیم و پس از مدتی بهرهبرداري غیراصولی، درنهایت بهصورت اراضی بایر و غیرقابل استفاده درمیآیند. از طرفی این امر میتواند گویای افزایش جمعیت و تقاضای اسکان و در پی آن تأمین نیازهای ساکنین منطقه تهدیدی برای اراضی مرتعی باشد که لازم است بهجای افزایش سطح اراضی زراعی و مسکونی و تبدیل اراضی مرتعی به چنین کاربریهایی که خود پشتوانه بخش کشاورزی محسوب میشوند، سیاست افزایش بهرهوری در بخش کشاورزی دنبال گردد. در خصوص پیکرههای آبی میتوان بیان نمود که در طی این دوره زمانی به میزان 6/1 درصد معادل 75/32568 هکتار افزایش نشان داده است. این مقدار افزایش پیکرههای آبی را تا حدی میتوان به بارندگیهای فراوان و آبگیری پیکرههای آبی و حتی جاری شدن سیل در مناطق مختلف استان در سال 1398 نسبت داد. پیشبینی میزان تغییرات کاربری اراضی در سال 1429 گویای آن است که در سالهای آتی نیز از سطح مراتع و جنگلها در محدوده مطالعاتی به ترتیب به میزان 25/131906 و 291600 هکتار کاسته شده و در مقابل سطح اراضی زراعی و مناطق مسکونی به ترتیب به مقدار 50/164137 و 25/25313 هکتار افزایش خواهد یافت. از اینرو اتخاذ تدابیر و سیاستهای لازم در خصوص کاهش بیشتر اراضی جنگلی و مرتعی امری اجتنابناپذیر خواهد بود.
نتیجهگیری: اگرچه شناخت شرایط کاربریهای مختلف اراضی در طی دورههای آتی، برنامهریزی برای آینده را بهواسطه ایجاد اطلاعات به لحاظ الگوی پراکنش مکانی آنها تسهیل میکند ولی حفظ و ایجاد شرایط پایدار برای آینده هم به لحاظ آماری و هم به لحاظ اکولوژیکی از محدودیتهای آن است. این محدودیتها نقش مهمی در استفاده مطمئن از کاربریهای مختلف اراضی در فرآیند برنامهریزی ایفا میکند. بنابراین ایجاد شرایط پایدار در منطقه و مدلسازی آن بهمنظور استفاده منظم و پایدار از منابع طبیعی یک منطقه از پیششرطهای رسیدن به چشماندازها و اسناد بالادستی ازجمله طرح توسعه پایدار است.
واژگان کلیدی: مدلسازی، کاربری اراضی، LCM، زنجیره مارکوف، استان گلستان.
land cover change modeling using Land Change Modeling in Golestan province
Abstract
Statement of the Problem: In recent decades, land use change due to environmental and human factors has caused serious effects on the environment and economy in Golestan province. On the other hand, wide rangelands and natural areas have been cultivated without observing ecological and scientific principles or have been exploited for special purposes and changing to other uses, while many of these lands are do not have the potential to become a new land uses and they have a high potential for erosion, as a result of which we will see soil erosion, especially in sloping lands and the creation of destroyer floods. Therefore, it is necessary and essential to be aware of the type and manner of use and its possible changes over time, which will be important for planning and policy-making in the country.
Purpose: The aim of this study was to detection the land use changes in Golestan province during the years 1365 to 1398 and to predict the land use status of the region for 1429 using the Land Change Modeling (LCM) approach.
Methodology: In order to monitor the trend of land use changes in the study area, Landsat 5 and 8 satellites (TM and OLI sensors for 1365, 1380 and 1398) were used. Interpretation and processing of satellite data was performed in ENVI 5.3 software. Then the necessary pre-processing was performed on the images. First, the images were mosaic together and then cut according to the province boundary. In order to identify and separate the phenomena from each other, a false color image was created. Then, the supervised classification method with maximum likelihood method was used. At this stage, five classes including rangeland, agriculture, forestry, residential and water areas were defined. Land use maps for 1365, 1380 and 1398 were prepared. Integration of land cover maps related to 1365, 1380 and 1398 was used as input of LCM model and digital elevation model (DEM) maps and road and stream layers to analyze area changes and prediction of land use changes of 1429. After the necessary analyzes in order to detect land use changes between the intended time periods, change maps and land use transfers were prepared. Finally, the amount of decrease and increase in each land use, the amount of net changes, the net change from other land uses to a desired class, areas without change and transfer from each land use to another land in different land cover classes in the form of maps and charts was prepared and analyzed.
Results and discussion: The aim of this study was prediction and modeling of land use changes in a period of 33-years in Golestan province. According to the results during this period, the area of the rangelands has decreased a lot, equivalent to 181181.25 hectares. Much of the decline in rangelands is due to its conversion into agricultural, which can be attributed to population growth and the need to expand crop land. The area of forest lands during the mentioned years has decreased from 393018.75 to 349143.75 hectares in 1398, which has shown a decrease of 43875 hectares (2.2%). In general, the destruction of rangeland and forest areas is especially visible in developing countries due to population growth, technological growth and non-compliance with ecological principles and law enforcement. Also, the results of classified maps during the mentioned years show that the highest amount of changes in the region is related to agricultural lands, has increased to 173700 hectares equal to 8.5 % during the same period. The rate of land use changes related to the residential land class has also increased with the increasing trend from 18731.25 hectares in 1365 to 37518.75 hectares in 1398, which has increased by 18787.50 hectares (0.9%) during this period. Rapid growth of population has led to the development of residential and urban areas and the increase in this type of land use with a relatively steep slope, especially in recent years, which can be part of the government's plans for housing construction in the surrounding areas Cities. This increase in the class of agricultural lands is more noticeable, especially in the central and eastern regions of the province, and can be a warning alarm for the future. It means that in an imperceptible trend, rangeland and forest lands become rainfed agricultural lands and after a while unprincipled exploitation, eventually become barren and unusable land. On the other hand, On the other hand, this could indicate an increase in population and demand for housing, and consequently securance of the needs of the residents of the region is a threat to rangeland lands which is necessary instead of increasing the agricultural and residential lands and turning rangeland lands into such land uses, the policy of increasing productivity in the agricultural sector should be pursued. About of water areas, it can be said that during this period, it has increased by 1.6% or 3268.75 hectares. This increase in water areas can be partly attributed to heavy rainfall and water intake and even floods in different parts of the province in 1398. Predicting the rate of land use change in 1429 indicates that in the coming years, the area of rangelands and forests will be reduced by 131906.25 and 291600 hectares, respectively, and in contrast to the area of agricultural land and Residential areas will increase to 164137.50 and 25313.25 hectares, respectively. Therefore, the adoption of necessary measures and policies to further reduce forest and rangeland will be inevitable.
Conclusion: Although understanding of the conditions of different land uses during the coming periods will facilitate planning for the future by creating information in terms of their spatial distribution pattern, but maintaining and creating sustainable conditions for the future both statistically and It is ecologically one of its limitations. These constraints play an important role in the safe use of different land uses in the planning process. Therefore, creating sustainable conditions in the region and modeling it in order to use the natural resources of a region regularly and sustainably is one of the preconditions for achieving upstream visions and documents, including the sustainable development plan.
Keywords: Modeling, Land use, LCM, Markov Chain, Golestan province.
-
-
بررسی پوشش گیاهی اراضی شور حاشیه دریاچه ارومیه با استفاده از تصاویر ماهواره ای
تاریخ چاپ : 1395/01/01