پیش بینی تغییرات کاربری اراضی در دشت مهران با استفاده از مدل سلول‌های خودکار- مارکوف

نویسندگان

دانشگاه ایلام

چکیده

ارزیابی روند تغییرات کاربری اراضی در سال‌های گذشته و پیش‌بینی این تغییرات در آینده، عاملی مهم در برنامه‌ریزی‌های مختلف و مدیریت منابع است. ازاین‌‌رو هدف از این پژوهش، بررسی تغییرات کاربری اراضی دشت مهران در سال‌های گذشته و همچنین امکان پیش‌بینی آن در آینده با استفاده از مدل سلول‌های خودکار- مارکوف است. به‌منظور آشکارسازی تغییرات کاربری اراضی از تصاویر سنجنده‌های TM و+ETM سال 1368، 1381 و 1394 ماهواره لندست برای تهیۀ نقشه‌های پوشش اراضی منطقۀ مورد مطالعه استفاده گردید و نقشه‌های کاربری جداگانه‌ای برای هر سال تهیه شد. سپس به‌منظور بررسی اعتبار و کالیبره کردن مدل، نقشۀ کاربری سال 1394 شبیه‌سازی شد. ارزیابی میزان تطابق نقشۀ شبیه‌سازی‌شده و نقشۀ واقعی با ضریب کاپای 0/79 نشان داد که مدل سلول‌های خودکار- مارکوف، مدلی مناسب برای پیش‌بینی تغییرات کاربری اراضی است. سپس نقشۀ کاربری اراضی برای سال 1407 پیش‌بینی و تهیه شد. نتایج نشان داد که در فاصلۀ سال‌های 1368 تا 1394 به میزان 6778 هکتار به وسعت اراضی کشاورزی افزوده شده و مراتع خیلی‌ فقیر نیز افزایش 5961 هکتاری داشته‌اند. در مقابل سطح مراتع فقیر به میزان 1534 هکتار کاهش داشته ‌‌است. نتایج پیش‌بینی نشان داد که در طی 13 سال آینده به میزان 1177 هکتار به وسعت اراضی کشاورزی افزوده خواهد شد و در مقابل از وسعت اراضی مرتعی فقیر به میزان 1950 هکتار کاسته خواهد شد. سطح اراضی بایر نیز افزایش 389 هکتاری خواهند داشت. با توجه به نتایج به‌دست‌آمده، تغییرات کاربری اراضی در جهت تخریب عرصه‌های منابع طبیعی بوده است؛ ازاین‌رو حفاظت بیشتر از منابع طبیعی و اتخاذ تصمیمات مدیریتی مناسب برای کنترل تغییرات غیراصولی بیش از پیش ضروری به نظر می‌رسد.

کلیدواژه‌ها


عنوان مقاله [English]

Predicting the Land Use Change Using Markov- Cellular automata Model in Mehran Plain

نویسندگان [English]

  • zahedeh heidarizadi
  • abdolreza mohamadi
چکیده [English]

Assessment of land use changes in the previous years and prediction of these changes in the following years is an essential tool for different planning and management of natural resources. Therefore, the aim of present study is modeling of land use changes in Mehran Plain using Markov- Cellular automata Model in 2028. In order to detect land use changes in the studied area, TM and ETM+ satellite images of Landsat were used during three time periods of 1989, 2002, and 2015, and a separate map was prepared for each year. Then according to model, 2015 land use map was provided. Assessment of the match between simulated and actual map of 2015 with kappa index showed that this model is an appropriate model for simulating of land use change. After that, land use map for the year of 2028 was simulated. The results showed that in 1989 to 2015, the area of agricultural lands and the area of very poor range lands have been increased up to 6778 and 5961 hectares, respectively. In contrast, the area of poor range lands has been reduced up to1534 hectares. The results of prediction showed that during the next 13 years, the area of agricultural lands and bare lands will increase about 1177 and 389 hectares, respectively. Poor range lands will decrease about 1950 hectares.

کلیدواژه‌ها [English]

  • land use
  • Markov- Cellular automata Model
  • Simulation
  • Kappa Index
  • Mehran Plain
1. Alimohamadi, A, Mosvand, A, Shayan. S,. 2010. Predict changes in land use and land cover using satellite images and Markov chain model. Journal of Human Sciences MODARES, vol 14, No 3, pp.117-130. 2. Alizadeh Rabiei, H, 2001. Remote Sensing (Principles and Applications). Publication of Study and Compilation of Humanities Books. Tehran, 292 pages. 3. Araya, Y. H. and Cabral, P., 2010. Analysis and Modeling of Urban Land Cover Change in Setúbal and Sesimbra, Por- tugal. Remote Sensing. Vol. 2, No. 6, pp. 1549- 1563. 4. Arsanjani, J.J., Helbich, M., Kainz, W. and Darvishi Boloorani, A., 2013. Integration of Logistic Regression, Markov Chain and Cellular Automata Models to Simulate Urban Expansion, International Journal of Applied Earth Observation and Geoinformation. Vol. 21, PP. 265-275. 5. Aizi Ghalaty,S, Rangzan, K, Sadidy, J, Heydarian, P, Taghizadeh, A. 2016. Predicting locational trend of land use changes using CA-Markov model (Case study: Kohmare Sorkhi, Fars province). Journal of RS and GIS for natural resources. Vol. 7, No. 1, pp. 59-71. 6. Chang CL, Chang JC. 2006. Markov model and cellular automata for vegetation. Journal of Geographical Research, 45: 45-57. 7. Eastman, J.R., Solorzano, L.A., & Van Fossen, M.E., 2005. Transition Potential Modeling for Land-cover Change, In D. J. Maguire, M. Batty, & M. F. Goodchild (Eds.), GIS, spatial analysis, and modeling (pp. 357– 385). California: ESRI Press. 8. Farajollahi, A, Asgari, H, R, Ownagh, M, Mahboubi, M, R, Salman Mahini, A, R. 2015, Monitoring and prediction of spatial and temporal changes of landuse/ cover (Case study: Marave Tappeh region, Golestan), Journal of RS & GIS for Natural Resources. Vol. 6. No. 4. Pp. 1-14. 9. Fathizad, H, Rostami, N, Faramarzi, M. 2015. Detection and prediction of land cover changes using Markov chain model in semi-arid rangeland in western Iran.Journal of Environmental Monitoring and Assessment. 187(10):629. doi: 10.1007/s10661-015-4805-y 10. Hathout, S. 2002. The use of GIS for monitoring and predicting urban growth in East and West St Paul, Winnipeg, Manitoba, Canada. Journal of Environmental Management 66, PP. 229-238. 11. Karimi, K, Komaki, Ch, B. 2015, Monitoring, assessment and prediction of spatial changes of land use /cover using Markov chain model (Case study: Bostagh Plain - South Khorasan). Journal of RS and GIS for natural resources. Vol. 6. No.2. pp.75-88 12. Koolhoven, E., W. Hendrikse, W. Nieuwenhuis, B. Retsios M. Schouernburg, L. Wang, P. Buelde and R. Nijmeijer. 2005. ILWIS 3.3 Academic, TC, Netherland. 13. Koomen, E. 2007. Modelling Land- use Change: Progress and Applications. Springer. 392 PP. 14. Lu, D. and Q. Weng, 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing. 28 (5): 823–870. 15. Mirzaeizadeh, V, Niknwzhad, M, Ouladi, J, 2015. Evaluating non-parametric supervised classification algorithms in land cover map using LandSat-8 Images. Journal of RS and GIS for natural resources. Vol. 6, No. 3, pp. 29-44. 16. Muller, M. R., and Middleton, J. 1994. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology 9, PP. 151-157. 17. Naghibi, S. J, Habibian, S, H, Habibian, S, M, R, 2009, Determination of Optimum Vegetation Indices for Vegetation Cover Percentage Modeling, Using Satellite Spectral Reflectance. Journal of Plant Ecophysiology. Vol. 1. No. 3. pp. 62-77 18. Norris, J.R. 1997. Markov Chains. Cambridge University Press, 237 p. 19. Pakparvar M, Gabriels D, Aarabi K, Edraki M, Raes D and Cornelis W. 2012. Incorporating legacy soil data to minimize errors in salinity change detection: a case study of Darab Plain, Iran. International Journal of Remote Sensing, 33(19): 6215-6238. 20. Pal, M. and P. M. Mather, 2005. Support vector machines for classification in remote sensing. International Journal of Remote Sensing 26 (5): 1007-1011. 21. Rafiee, R., Salman Mahiny, A., Khorasani, N 2009. Assessment of changes in urban green spaces of Mashad city using satellite data. International 22. Richards, J.A. and Jia, X. 1999. Remote Sensing Digital Image Analysis: An Introduction. Gremany: Springer-Verlag Publishers. Catchment, Queensland, Australia. Journal of Landscape and Urban Planning, 59(1):43-57. 23. Subedi, P. Subedi, K and Thapa, B. 2013. Application of a Hybrid Cellular Automaton – Markov (CA-Markov) Model in Land-Use Change Prediction: A Case Study of Saddle Creek Drainage Basin, Florida, Applied Ecology and Environmental Sciences, Vol. 1, No. 6, pp 126-132. 24. Verburg PH, Schot PP, Dijst MJ, Veldkamp 2004. Land use change modeling:current practice and research priorities. GeoJournal, 61(4): 309-324. 25. Zhang, R., Tang, C., Ma, S., Yuan, H., Gao, L. and Fan, W., 2011. Using Markov Chains to Analyze Changes in wetland trends in arid Yinchuan Plain. 26. Zhang F, Tiyip T, Feng ZD, Kung H-T, Johnson VC, Ding JL, Tashpolat N, Sawut M, Gui DW. 2015. Spatio-temporal patterns of land use/cover changes over the past 20 years in the middle reaches of the Tarim River, Xinjiang, China. Land Degradation and Development, 26:284- 299.