پیش‌بینی تغییرات پوشش اراضی با استفاده از مدل تلفیقی زنجیرۀ مارکوف و سلول‌های خودکار (مطالعۀ موردی: حوزۀ شیرکوه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، یزد، ایران

2 دانشیار گروه مدیریت مناطق خشک و بیابانی، دانشکدۀ منابع طبیعی و کویرشناسی، دانشگاه یزد، یزد، ایران

3 استادیار گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، یزد، ایران

10.22111/gdij.2021.6022

چکیده

تغییرات کاربری نقش مهمی در درک ارتباط متقابل بین فعالیت‌های بشر و محیط زیست دارد، بررسی این تغییرات به صورت توالی زمانی از گذشته و پیش بینی آن در آینده ضروری است. تهیه نقشه کاربری اراضی با بهره‌گیری از تکنیکهای سنجش از دوری، یکی از پرکاربردترین روش‌های تهیه نقشه کاربری اراضی و مقایسه کاربری‌های موجود است. هدف از این پژوهش، ارزیابی روند تغییرات اراضی حوزه شیرکوه در استان یزد و پیش‌‌بینی پوشش اراضی آن در سال 2024 است. بدین منظور نقشه‌های کاربری اراضی با استفاده از تصاویر سنجنده‌های TM و OLI لندست در سال‌های 2000 ،2008 و 2016 به روش طبقه‌بندی نظارت شده حداکثر احتمال تهیه گردید. سپس با استفاده از نقشه کاربری اراضی سال‌های 2000 و 2008، پوشش اراضی در سال 2016 پیش‌بینی شد و با نقشه کاربری اراضی سال 2016 که از طبقه بندی نظارت شده با استفاده از تصویر ماهواره‌ای به دست آمده بود، صحت سنجی شد. با استفاده از نقشه کاربری اراضی سال 2008 و 2016، پوشش اراضی مربوط به سال 2024 پیش بینی شد. نتایج روند تغییرات کاربری اراضی در 16 سال مورد بررسی (2000-2016) نشان داد که بطور متوسط سالانه 85/161 هکتار از مراتع غنی، 14/131 هکتار از مراتع فقیر و 72/7 هکتار از مساحت اراضی کشاورزی کاسته و 16/45 هکتار در هرسال به کاربری شهری و 72/265 هکتار به مناطق کوهستانی اضافه شده است. باتوجه به اینکه پوشش مرتع بیشتر در مناطق کوهستانی دیده می‌شود دلیل افزایش مساحت کوهستان به دلیل کاهش مساحت مراتع بوده است. نتایج پیش بینی 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، 51/0درصد اراضی شهری و 97/0درصد کوهستان بدون تغییر باقی می‌مانند. امکان تبدیل زمین‌های کشاورزی به مسکونی و مرتع فقیر 40/0 درصد می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Land use Change Prediction using Markov Chain Compilation Model and Automated Cells (Case Study: Shirkuh)

نویسندگان [English]

  • fahime arabi ali abad 1
  • Mohammad Zare 2
  • Hamid Reza Ghafarian Malamiri 3
2 Department of Arid Lands, Faculty of Natural Resources, Yazd University
3 Assistant Professor, Department of Geography, Yazd University, Yazd, Iran
چکیده [English]

Specifics regarding land cover and land use is an essential element of the planning process, as it can undoubtedly lead towards the debate around the present plans and patterns and the necessity to modify land use included in a regional plan. In this research, land use maps were prepared using Landsat TM (2000), (2008) and OLI (2016) satellite imaged. Land cover mapping was conducted after pre-processing and processing satellite images, creation of training samples and assessing maps accurate was done by coefficient kappa and overall accuracy. Supervised classification technique with maximum likelihood method were used to show the land use map. In this research, we use the 2000 and 2008 land cover maps to predict the 2016 land cover map and then use the 2008 and 2016 land cover maps to predict the 2024 land cover map.According to the results, with passing time the area of built-up area and mountainous increased with the passage of time while the dense poor rangeland, rich rangeland and agriculture area decreased during the period 2000-2016. The results of predicting changes in the time interval 2016-2024, showed that 55/0 of agriculture, 82% of rich rangeland, 80% of poor rangeland, 51% of built-up, and 0.97 of mountainous will remain unchanged

کلیدواژه‌ها [English]

  • Change Detection
  • maximum likelihood method
  • CA-Markov model
  • land use change
  • Shirkuh
-    اﺳﻠﻤﯽ، فرنوش؛ اردوان ﻗﺮﺑﺎﻧﯽ؛ بهروز ﺳﺒﺤﺎﻧﯽ؛ محسن ﭘﻨﺎﻫﻨﺪه(1393).ﻣﻘﺎﯾﺴﻪ روشﻫﺎی شبکۀ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ، ﻣﺎﺷﯿﻦ ﺑﺮدار ﭘﺸﺘﯿﺒﺎﻧﯽ و شیءﮔﺮا در اﺳﺘﺨﺮاج ﮐﺎرﺑﺮی و ﭘﻮﺷﺶ اراﺿﯽ از ﺗﺼﺎوﯾﺮ ﻟﻨﺪﺳﺖ، ﺳﻨﺠﺶ‌از‌دور و سامانۀ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ در ﻣﻨﺎﺑﻊ ﻃﺒﯿﻌﯽ. دوره 6. شماره 3. صفحات 14-1.
 
-     اندریانی، صغری؛ محمدرضا نیکجو؛ محمدحسین رضائی‌مقدّم؛ داود مختاری (1397). تحلیل تغییرات کاربری اراضی با استفاده از روش‌های شیءگرا و زنجیرۀ مارکوف در حوضۀ آبریز زیلبیرچای واقع‌در آذربایجان شرقی و غربی. فصلنامۀ جغرافیا و توسعه. 16 دوره. صفحات 50-37.
 
-    جعفرزاده، کاوه؛ غلامرضا سبزقبایی؛ شهرام یوسفی؛ ستار سلطانیان (1397). مدل‌سازی تغییرات ساختار شهری با رویکرد برنامه‌ریزی فضایی برای رسیدن به توسعۀ پایدار شهری (مطالعۀ موردی: شهر قائم‌شهر)، فصلنامۀ علمی-پژوهشی اطلاعات جغرافیایی «سپهر».  دوره 27. شماره 107. صفحات 222-209.
 
-    خزائی، مرضیه؛ محمد زارع؛ محمدحسین مختاری؛آناهیتا رشتیان؛ فهیمه عربی‌علی‌آباد (1398). مقایسۀ دقت انواع روش‌های طبقه‌بندی در تهیۀ نقشۀ کاربری اراضی (مطالعۀ موردی: شهر یزد)، کاوش‌های جغرافیایی مناطق بیابانی. شماره 7. صفحات 178- 165.
 
-    خوش‌گفتار، محمدمهدی؛ محمدطالعی(1389). شبیه‌سازی رشد شهری تهران با استفاده از مدل CA-Markov.، نشریۀ سنجش‌ازدور و GIS ایران. شماره 2. صفحات  33- 17.
 
 
-    رهنما، محمدرحیم؛ محمد اجزاشکوهی؛ بهنام عطا (1396). آشکارسازی تغییرات کاربری/ پوشش اراضی شهر گنبدکاووس با استفاده از سنجش‌ازدور، فصلنامۀ علمی- پژوهشی اطلاعات جغرافیایی «سپهر». دوره 26. شماره 103. صفحات 160- 147.
 
-    زارع خورمیزی، هادی؛ حمیدرضا غفاریان‌مالمیری (1396). پایش خشکسالی و تأثیر آن بر پوشش گیاهی با استفاده از فناوری‌های سنجش‌ازدور (بررسی موردی: استان یزد، سال‌های 1994 تا 2014). مدیریت بیابان، دوره 5. شماره 10. صفحات 86- 68.
 
-    شیرکلائی، ایوب (1387). «سنجش گستردگی شهری و تأثیر آن بر تغییر کاربری اراضی سواحل جنوبی دریای مازندران با استفاده از GIS (مورد مطالعه: محور چالوس-نور بین سال‌های 1367 تا 1385)»، دانشکدۀ علوم انسانی و اجتماعی. دانشگاه زنجان.
 
-    صالحی، ناهید؛ محمدرضا اختصاصی؛ علی طالبی (1398). پیش‌بینی روند تغییرات کاربری اراضی با استفاده از مدل زنجیرۀ مارکوف CA-Markov (مطالعۀ موردی: حوزۀ آبخیز صفارود رامسر)، سنجش‌ازدور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی. دوره 10. شماره 1. صفحات  120- 106.
 
-    عزیزی‌قلاتی، سارا؛ کاظم رنگزن؛ جواد سدیدی؛ پیمان حیدریان؛ ایوب تقی‌زاده(1395). پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل زنجیرة مارکوف-CA (مطالعة موردی: منطقۀ کوهمره سرخی استان فارس)، سنجش‌ازدور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی.  دوره 7. شماره 1. صفحات 71- 59.
 
-    فاطمی، سیدباقر؛ یوسف رضایی (1385). مبانی سنجش‌ ازدور، انتشارات آزاده. تهران.
 
-    ممبنی، مریم؛ حمیدرضا عسگری (1397). پایش، بررسی و پیش‌بینی روند تغییرات مکانی کاربری اراضی/ پوشش زمین با استفاده از مدل زنجیره‌ای مارکوف، فصلنامۀ علمی- پژوهشی اطلاعات جغرافیایی «سپهر». دوره 27. شماره 105. صفحات 47- 35.
 
-    میرعلیزاده‌فرد، سیدرضا؛ سیده مریم علی‌بخشی (1395). پایش و پیش‌بینی روند تغییرات کاربری اراضی با استفاده از مدل زنجیرۀ مارکوف و مدل‌ساز تغییر کاربری اراضی (مطالعة موردی: دشت برتش دهلران، ایلام). سنجش‌ ازدور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی، دوره 7. شماره 2. صفحات 46-33.
 
-    ناصری‌راد، سهیلا؛  حامد نقوی؛ جواد سوسنی؛ احمدرضا نورالدینی(1398). پیش‌‌‌‌‌بینی تغییرات مکانی جنگل‌‌های زاگرس با استفاده از تصاویر ماهواره‌‌ای و مدل LCM (مطالعۀ‌‌ موردی: حوزۀ‌‌ بسطام شهرستان سلسله)، فصلنامۀ جغرافیا و توسعه.دوره 17. شماره54.صفحات120-107. 
 
-    یوسفی، مریم؛ جواد مکانیکی؛ علی اشرفی؛ نجمه نیسانی ‌سامانی(1396).آشکارسازی و مدل‌سازی تغییرات ‌کاربری اراضی با استفاده از داده‌های سنجش‌ازدور، مدل زنجیرۀ مارکوف‌و سلول‌های‌ خودکار (مطالعۀ موردی: شهر بجنورد)، مجلۀ‌آمایش‌جغرافیایی‌فضا.دوره 7.شماره 26.صفحات‌16-1.
 
-   Al-Ahmadi, F. S;Hames, A. S. (2009). Comparison of four classification methods to extract land use and land cover from raw satellite images for some remote arid areas, Kingdom of Saudi Arabia. JKAU, Earth Science, 20 (1): 167-191.
 
 
-   Adedeji, O. H.; Tope-Ajayi, O. O.; Abegunde, O. L (2015). Assessing and predicting changes in the status of Gambari forest reserve, Nigeria using remote sensing and GIS techniques. Journal of Geographic information system, 7(3), 301.
 
-   Bauni, V.; Schivo, F.; Capmourteres, V.; Homberg, M. (2015). Ecosystem loss assessment following hydroelectric dam flooding: The case of Yacyretá, Argentina. Remote Sensing Applications: Society and Environment, 1, 50-60.
 
-   Chen, M.; Su.W.; Li. L. C.; Yue. A.; Li. H. (2010). of Pixel-based and Obgectoriented Knowledge based Classification Methods Using SPOT5 Imagery. wseas Transactions on Information Science & Applications, ISSN:1790- 0832:477-489.
 
-   Congalton, R.G.; Green, K. (1999). Assessing the accuracy of remotely sensed data: principles and practices. Boca Raton: Lewis Publishers
-   Eastman, J. R. (2003). IDRISI Kilimanjaro: guide to GIS and image processing.
-   Halmy, M. W. A.; Gessler, P. E.; Hicke, J. A.; Salem, B. B. (2015). Land use/land cover change detection and prediction in the north-western coastal desert of Egypt using Markov-CA. Applied Geography, 63, 101-112.
 
-   Huang, Y.; Yang, B.; Wang, M. (2020). Analysis of the future land cover change in Beijing using CA-Markov chain model.EnvironEarthSci.60,1-12.
 
 
-   Knorn, J.; Rabe, A.; Radeloff, V. C.; Kuemmerle, T.; Kozak, J; Hostert, P. (2009). Land cover mapping of large areas using chain classification of neighboring Landsat satellite images. Remote Sensing of Environment, 113(5), 957-964.
 
-   Li, X.; A. Yeh.; (2002). Neural-network-based cellular automata for simulating multiple land use changes using GIS. International Journal of Geographical Information Science,16(4): 323- 343.
 
-   Liu, X.; He, J.; Yao, Y.; Zhang, J.; Liang, H.; Wang, H.; Hong, Y. (2017). Classifying urban land use by integrating remote sensing and social media data. International Journal of Geographical Information Science, 31(8), 1675-1696.
 
-   Lu, D.; Mausel, P.; Brondi´zio, E.; Moran. E.; (2004). Change detection techniques, International Journal of Remote Sensing, 25(12), 2365 – 2407
 
-   Mather, PM. (1999). Computer processing of remotely sensed images. 2nd Edition. Tylor & Wiely & sons
-   Mitsova.  D.; Shuster W.; Wang X. (2011). A cellular automata model of land cover changes to integrate urban growth with open space conservation. Landscape and Urban Planning, 99(2): 141-153.
 
-   Patino, J. E.; Duque, J. C. (2013). A review of regional science applications of satellite remote sensing in urban settings. Computers, Environment and Urban Systems, 37, 1-17.
 
-   Richards, J. A.; Jia, X. (2006). Multispectral Transformations of Image Data. Remote Sensing Digital Image Analysis: An Introduction, 137-163.
 
-   Richards, J. A.; Richards, J. (1999). Remote sensing digital image analysis (Vol. 3): Springer.
-   Stephenne, N.; Lambin. E,; (2001). A dynamic simulation model of land-use changes in Sudanosahelian countries of Africa (SALU). Agriculture, Ecosystems & Environment, 85(1-3): 145-161.
 
-   Taubenböck, H.; Thomas Esch and Andreas Felbier and Michael Wiesner and Achim Roth, and Stefan Dech. (2012). Monitoring urbanization in mega cities from space. Remote sensing of Environment, 117, Netherland.
 
-   Tso, B.; Mather, P.M.; (2009). Classification Methods for Remotely Sensed Data. Chapter 2-3. 2 ed., Taylor and Francis Pub., America.
-   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.
 
-   Wu, Q.; Li, H.-q.; Wang, R.-s.; Paulussen, J.; He, Y.; Wang, M.; Wang, Z. (2006). Monitoring and predicting land use change in Beijing using remote sensing and GIS. Landscape and Urban Planning, 78(4), 322-333.
 
-   Yuan, F.; M.E.; Bauer, N.J.; Heinert, G.R.; Holden., (2005). Multi-level Land Cover Mapping of the Twin Cities (Minnesota) Metropolitan Area with Multi-seasonal Landsat TM/ETM+ Data. Geocarto International, 20 (2): 5–13.
 
-   hang, R.; Tang, C.; Ma, S.; Yuan, H.; Gao, L.; Fan, W. (2011). Using Markov chains to analyze changes in wetland trends in arid Yinchuan Plain, China. Mathematical and Computer Modelling, 54(3-4), 924-930.