آشکارسازی و پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل زنجیره‌ی مارکوف و سلول‌های خودکار (CA-Markov)، (مطالعه‌ی موردی: دشت داراب)

اسمعیلی, حسین; نگهبان, سعید

آشکارسازی و پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل زنجیره‌ی مارکوف و سلول‌های خودکار (CA-Markov)، (مطالعه‌ی موردی: دشت داراب)

نویسندگان

حسین اسمعیلی ¹

سعید نگهبان ²

¹ دانشگاه زنجان

² دانشگاه شیراز

چکیده

تغییرات بدون برنامه و غیراصولی کاربری اراضی و پوشش زمین از چالش‌های اساسی و مهم بسیاری از کشورها و مناطق مختلف کره‌ی زمین محسوب می‌شود که به نوبه‌ی خود تأثیرات مخربی را بر روی منابع طبیعی بر جای می‌گذارد؛ بنابراین بررسی تغییرات کاربری اراضی از نقش اساسی و مهمی جهت مطالعات زیست‌محیطی برخوردار است. پژوهش حاضر با هدف آشکارسازی و پیش‌بینی تغییرات کاربری اراضی دشت داراب با استفاده از مدل زنجیره‌ی مارکوف و سلول‌های خودکار یاCA – Markov با کمک سیستم اطلاعات جغرافیایی (GIS) و تکنیک سنجش‌ازدور (RS) انجام شد. بدین‌صورت که ابتدا با استفاده از تصاویر ماهواره‌ی لندست و بر اساس روش حداکثر درست‌نمایی، نقشه‌های طبقه‌بندی مربوط به سه دوره‌ی زمانی مختلف شامل 1378-1368، 1388-1378 و 1398-1388 در هفت کلاس متفاوت تهیه شد. سپس با استفاده از دو نقشه‌ی سال‌های 1368 و 1388 به‌عنوان نقشه‌های پایه و پیشرو و با ترکیب مدل زنجیره‌ی مارکوف و سلول‌های خودکار نقشه‌ی پیش‌بینی مربوط به سال 1398 تولید شد. در گام بعد، نقشه‌ی پیش‌بینی‌شده سال 1398 با نقشه‌ی واقعی مربوط به همان سال بر اساس میزان پارامترهای توافق و عدم توافق مورد ارزیابی قرار گرفت. درنهایت، پس از اطمینان از دقت مدل پیش‌بینی، نقشه‌ی کاربری اراضی مربوط به سال‌های 1368 و 1398 وارد مدل شده و نقشه‌ی کاربری اراضی برای 10 سال آینده؛ یعنی سال 1408 پیش‌بینی گردید. مطابق با نقشه‌ی تولیدشده، انواع کاربری‌ها تغییرات و تبدیلات چشم‌گیری خواهند داشت؛ به‌طوری‌که از مساحت زمین‌های زراعی به میزان 4/419 هکتار، از مساحت کوه‌ها 8/8529 هکتار، از مساحت کاربری مراتع 9/4287 هکتار و درنهایت از مساحت منابع آب 88/270 هکتار کاسته خواهد شد. از سوی دیگر، به مساحت زمین‌های بایر به میزان 6/11113 هکتار، به کاربری باغی 31/1926 هکتار و به کاربری مسکونی 08/459 هکتار افزوده خواهد شد.

کلیدواژه‌ها

تغییرات کاربری اراضی

زنجیره‌ی مارکوف

سلول‌های خودکار

سنجش‌ازدور (RS)

دشت داراب

عنوان مقاله English

Detection and prediction of land use/ land cover changes using Markov chain model and Cellular Automata (CA-Markov), (Case study: Darab plain)

نویسندگان English

Hossein Esmaeili ¹

Saeed Negahban ²

چکیده English

unprincipled changes in land use are major challenges for many countries and different regions of the world, which in turn have devastating effects on natural resources, Therefore, the study of land-use changes has a fundamental and important role for environmental studies. The purpose of this study is to detect and predicting of land use/ land cover (LULC) changes in Darab plain through the Markov chain model and Cellular Automata or CA-Markov using the Geographic Information System (GIS) and technique Remote Sensing (RS). Thus, first, using Landsat satellite images and based on the maximum likelihood method, classification maps related to three different periods, including 1989 - 1999, 1999 - 2009, and 2009 - 2019 were prepared in seven different classes. Then, using two maps of 1989 and 2009 as basic and leading maps and combining the Markov chain model and automatic cells, a forecast map related to 2019 was produced. In the next step, the projected map of 2019 with the real map of the same year was evaluated based on the amount of agreement and disagreement parameters. Finally, after ensuring the accuracy of the forecast model, the land use map related to the years 1989 and 2019 entered the model and the land use map for the next 10 years, ie 1408, was predicted. According to the produced map, the types of Landuse will have significant changes and transformations, so that from the area of agricultural lands 419.4 hectares, from the area of mountains 8529.8 hectares, from the area of pastures 4287.9 hectares and finally from The area of water resources will be reduced by 270.88 hectares. On the other hand, the area of barren lands will be increased by 11113.6 hectares, garden use by 1926/31 hectares, and residential use by 459.08 hectares.

کلیدواژه‌ها English

Land Use/ Land Cover (LULC) Changes

Markov chain

Cellular Automata

Remote Sensing (RS)

Darab plain

Ahadnejad, M., Maruyama, Y., & Yamazaki, F. (2009). Evaluation and forecast of human impacts based on land use changes using multi-temporal satellite imagery and GIS: A case study on Zanjan, Iran. Journal of the Indian Society of Remote Sensing, 37(4), 659-669. Bai, X., Sharma, R. C., Tateishi, R., Kondoh, A., Wuliangha, B., & Tana, G. (2017). A detailed and high-resolution land use and land cover change analysis over the past 16 years in the Horqin sandy land, inner Mongolia. Mathematical Problems in Engineering, 2017. Chavez, P. S. (1996). Image-based atmospheric corrections-revisited and improved. Photogrammetric engineering and remote sensing, 62(9), 1025-1035. Dewan, A. M., & Yamaguchi, Y. (2009). Land use and land cover change in Greater Dhaka, Bangladesh: Using remote sensing to promote sustainable urbanization. Applied Geography, 29(3), 390-401. Díaz, G. I., Nahuelhual, L., Echeverría, C., & Marín, S. (2011). Drivers of land abandonment in Southern Chile and implications for landscape planning. Landscape and Urban Planning, 99(3-4), 207-217. e Silva, L. P., Xavier, A. P. C., da Silva, R. M., & Santos, C. A. G. (2020). Modeling land cover change based on an artificial neural network for a semiarid river basin in northeastern Brazil. Global Ecology and Conservation, 21, e00811. Eastman, J. R. (2006). IDRISI Andes guide to GIS and image processing. Clark University, Worcester, 328. Foody, G. M. (2000). Mapping land cover from remotely sensed data with a softened feedforward neural network classification. Journal of Intelligent and Robotic Systems, 29(4), 433-449. Garizi, A., Sheikh, V., Sadoddin, A., & Mahiny, S. (2012). Simulating the spatiotemporal changes of forest extent for the Chehelchay watershed (Golestan province), using integrated CA-Markov model. Iranian Journal of Forest and Poplar Research, 20(2), 273-285. 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. 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. Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote sensing and image interpretation (Vol. 763): John Wiley & Sons. Liu, T., & Yang, X. (2015). Monitoring land changes in an urban area using satellite imagery, GIS and landscape metrics. Applied Geography, 56, 42-54. Lu, D., Mausel, P., Brondizio, E., & Moran, E. (2004). Change detection techniques. International journal of remote sensing, 25(12), 2365-2401. Mansour, S., Al-Belushi, M., & Al-Awadhi, T. (2020). Monitoring land use and land cover changes in the mountainous cities of Oman using GIS and CA-Markov modelling techniques. Land Use Policy, 91, 104414. Mather, P. M., & Koch, M. (2011). Computer processing of remotely-sensed images: an introduction: John Wiley & Sons. Matsushita, B., Xu, M., & Fukushima, T. (2006). Characterizing the changes in landscape structure in the Lake Kasumigaura Basin, Japan using a high-quality GIS dataset. Landscape and Urban Planning, 78(3), 241-250. Munthali, M., Mustak, S., Adeola, A., Botai, J., Singh, S., & Davis, N. (2020). Modelling land use and land cover dynamics of Dedza district of Malawi using hybrid Cellular Automata and Markov model. Remote Sensing Applications: Society and Environment, 17, 100276. Piquer-Rodríguez, M., Kuemmerle, T., Alcaraz-Segura, D., Zurita-Milla, R., & Cabello, J. (2012). Future land use effects on the connectivity of protected area networks in southeastern Spain. Journal for Nature Conservation, 20(6), 326-336. Pontius, R. G. (2000). Quantification error versus location error in comparison of categorical maps. Photogrammetric engineering and remote sensing, 66(8), 1011-1016. Rahnama, M. R. (2020). Forecasting land-use changes in Mashhad Metropolitan area using Cellular Automata and Markov chain model for 2016-2030. Sustainable Cities and Society, 102548. Richards, J. A., & Richards, J. (1999). Remote sensing digital image analysis (Vol. 3): Springer. Subudhi, B. N., Bovolo, F., Ghosh, A., & Bruzzone, L. (2014). Spatio-contextual fuzzy clustering with Markov random field model for change detection in remotely sensed images. Optics & Laser Technology, 57, 284-292. Tarawally, M., Wenbo, X., Weiming, H., Mushore, T. D., & Kursah, M. B. (2019). Land use/land cover change evaluation using land change modeller: A comparative analysis between two main cities in Sierra Leone. Remote Sensing Applications: Society and Environment, 16, 100262. Tewolde, M. G., & Cabral, P. (2011). Urban sprawl analysis and modeling in Asmara, Eritrea. Remote Sensing, 3(10), 2148-2165. Ullah, S., Ahmad, K., Sajjad, R. U., Abbasi, A. M., Nazeer, A., & Tahir, A. A. (2019). Analysis and simulation of land cover changes and their impacts on land surface temperature in a lower Himalayan region. Journal of environmental management, 245, 348-357. Zhao, Q., Liu, S., & Dong, S. (2010). Effect of dam construction on spatial-temporal change of land use: A case study of Manwan, Lancang River, Yunnan, China. Procedia Environmental Sciences, 2, 852-858. Zhou, Q., Ou, X., Zhang, Z., & Yang, M. (2008). Spatial-temporal land use pattern changes in Manwan hydropower station reservoir of Lancang River, Yunnan, China. Journal of Mountain Science, 26(4), 481-489.