کالیبراسیون سه بعدی تغییرات کاربری اراضی با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف در حوزه آبخیز گرگان رود

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 412

فایل این مقاله در 26 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GIRS-11-2_001

تاریخ نمایه سازی: 4 شهریور 1399

چکیده مقاله:

پیشینه و هدف تغییرات در کاربری/پوشش اراضی به عنوان یکی از موضوعات مهم در مدیریت منابع طبیعی، توسعه پایدار و تغییرات زیست محیطی در مقیاس محلی، ملی، منطقه ای و جهانی مطرح است. تبدیل کاربری ها به یکدیگر و تغییر کاربری های مجاز به غیرمجاز از قبیل تبدیل اراضی زراعی به مناطق مسکونی و یا اراضی مرتعی به دیم زارهای کم بازده و فرسایش یافته به عنوان موضوعات مهم در منابع طبیعی همواره مطرح است. شناسایی الگوهای تغییرات کاربری اراضی و پیش بینی تغییرات در آینده به منظور انجام برنامه ریزی مناسب در جهت بهره برداری بهینه از کاربری ها در مدیریت منابع طبیعی نیاز به مدل سازی تغییرات مکانی و زمانی LU/LC را آشکار می سازد. هدف  از تحقیق ارزیابی کارایی مدل تلفیقی سلول اتومای زنجیر مارکوف (CA-Markov model) در شبیه سازی و پیش بینی تغییرات زمانی و مکانی LU/LC در حوزه آبخیز گرگان رود با کاربرد آنالیز سه بعدی پنتیوس- ملینوس در کالیبراسیون تغییرات کاربری اراضی با استفاده از سه شاخص ارزیابی اختلاف کمی (QD)، اختلاف مکانی (AD) و درجه شایستگی (FOM) به عنوان شاخص های جدید در ارزیابی صحت مدل زنجیره مارکوف است. مواد و روش ها به منظور پیش بینی تغییرات کاربری اراضی با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف در حوزه آبخیز گرگان رود، از تصاویر سنجنده مشاهده گر زمینی OLI و TM ماهواره لندست 8 و 5 مربوط به سایت USGS استفاده شد. هفت کلاس کاربری اراضی شامل کلاس اراضی جنگلی با شماره کد کاربری 1، کلاس اراضی زراعی با شماره کد کاربری 2، کلاس اراضی مرتعی (مخلوط درختچه زار/ مرتع/ زراعت) با شماره کد کاربری 3، کلاس منابع آبی با شماره کد کاربری 4، کلاس اراضی بایر (بایر/ مرتع/ زراعت) با شماره کد کاربری 5، کلاس مناطق مسکونی و صنعتی با شماره کد کاربری 6، کلاس بستر رودخانه با شماره کد کاربری 7 برای حوزه آبخیز گرگان رود تفکیک گردید. به منظور طبقه بندی تصاویر ماهواره ای لندست 5 و 8 به منظور استخراج کلاس های کاربری اراضی حوزه آبخیز گرگان رود از روش طبقه بندی شی ءگرا و الگوریتم ماشین بردار پشتیبان استفاده شد. مقیاس سگمنت سازی در این الگوریتم با مقیاس 50 واحد (SL50) به منظور طبقه بندی تصاویر ماهواره سال های 1987، 2000، 2009 و 2017 انتخاب شد. ارزیابی صحت الگوریتم ماشین بردار پشتیبان در طبقه بندی شی ءگرای تصاویر ماهواره ای بابیان دقت کلی، ضریب کاپا، صحت کاربر، صحت تولیدشده، خطای Commission و خطای Omission برای هر چهار دوره مطالعاتی انجام شده است. برای درک این که در طی دوره 30 ساله موردمطالعه، تغییرات ایجاد شده در منطقه چگونه بوده و کدام کلاس ها گسترش و کدام کلاس کاهش مساحت داشته اند، با استفاده از نقشه های طبقه بندی شده با استفاده از نرم افزار IDRISI، تغییرات در محدوده کلاس ها آشکار و درصد تغییرات هر کلاس به دست آمد. مدل CA-Markov تغییرات گروه های مختلف از واحدهای LU/LC را بر اساس مفهوم همسایگی مکانی و ماتریس احتمال انتقال، پیش بینی می کند. یکی از الزامات برای پیش بینی تغییرات کاربری اراضی با مدل CA-Markov تهیه نقشه های تناسب اراضی است تا تغییرات مکانی به وسیله قوانین احتمال از طریق فیلتر نقشه های تناسب برای هر کاربری کنترل شود. اعتبارسنجی مدل مارکوف با استفاده از آنالیز سه بعدی پنتیوس و ملینوس با سه شاخص درجه شایستگی و اختلاف های کمی اختلاف های مکانی انجام شد. نتایج و بحث الگوریتم ماشین بردار پشتیبان در طبقه بندی کاربری اراضی به روش شی ءگرا نشان داد که بیشترین میزان خطای اضافه و خطای حذف به ترتیب با 19.12 و 18.55 درصد در اراضی مرتعی و اراضی زراعی در نقشه کاربری اراضی سال 2009 مشاهده گردید. پایین ترین صحت تولیدکننده به میزان 71.49 درصد مربوط به کلاس کاربری اراضی مرتعی در نقشه کاربری اراضی سال 2009 و پایین ترین صحت کاربر به میزان 71.45 درصد مربوط به کلاس کاربری اراضی زراعی در نقشه کاربری اراضی سال 2017 است. در دوره 30 ساله از سال 1987 تا 2017 بر اساس نتایج به دست آمده، بیش ترین تغییر مثبت مربوط به افزایش کاربری اراضیزراعی و در تغییرات منفی مربوط به کاهش کاربری اراضی جنگلی و مرتعی در طول دوره موردنظر است. بیش ترین کاهش اراضی جنگلی با 4.8 درصد در دوره 2017-2000، بیش ترین افزایش اراضی زراعی با 5.3 درصد در دوره 2017-1987، بیش ترین کاهش اراضی مرتعی با 9 درصد در دوره 2017-2009، بیش ترین افزایش اراضی بایر با 4.6 درصد در دوره 2017-2009 و بیش ترین افزایش اراضی مسکونی و صنعتی با 0.8 درصد در دوره 2017-1987 رخ داده است. بعد از اعتبارسنجی تغییرات کاربری اراضی پیش بینی شده در مدل زنجیره مارکوف، بر اساس تحلیل 5 حالت موجود در آنالیز سه بعدی پنتیوس و ملینوس، مدل زنجیره مارکوف با پیش بینی صحیح شبیه سازی 89.92 درصد، نشان از کارایی بالای مدل زنجیره مارکوف در فرآیند شبیه سازی بود. بعد از اجرای تحلیل زنجیره مارکوف بر روی نقشه کاربری اراضی به دست آمده از طبقه بندی تصاویر ماهواره ای، یک ماتریس احتمال انتقال و ماتریس مساحت انتقال یافته ایجاد شد. در پیش بینی های انجام شده توسط مدل زنجیره مارکوف از سال 2017 تا سال 2035 عمده تغییرات مربوط به کاهش وسعت اراضی جنگلی و بایر به ترتیب به میزان 16966 و 6961 هکتار است و در مقابل این کاهش کاربری، افزایش وسعت اراضی زراعی، مرتعی و مسکونی به میزان 20397، 3913 و 3825 هکتار مشاهده خواهد شد. نتیجه ­گیری آشکارسازی تغییرات کاربری اراضی با استفاده از ابزار LCM برای دوره سی ساله 2017 – 1987 در حوزه آبخیز گرگان رود نشان داد که کاربری جنگل، زارعت و نواحی مسکونی در طی این دوره در این منطقه تغییرات چشمگیری داشته است. نتایج حاصل از پیش بینی تغییرات کاربری اراضی در طی هجده سال آینده با استفاده از مدل تلفیقی سلول اتومای زنجیره مارکوف نشان داد که در طی سالیان آتی با پدیده جنگل زدایی شدید در این حوزه روبه رو خواهیم بود. بررسی نتایج حاصل از اجرای مدل شبکه سازی کاربری آینده با استفاده از تخمینگر انتقال مارکوف نشان داد که می توان تغییرات کاربری آینده را با توجه به شرایط محیطی موجود پیش بینی کرد که نشان دهنده این است که در حوزه آبخیز گرگان رود در طی هجده سال آینده زراعت به شدت در این منطقه افزایش خواهد داشت. لذا باید با مدیریت بلندمدت و جامع، منابع آب وخاک حفظ کرد و تا حد امکان مانع از تخریب این منابع ارزشمند شد. سه شاخص QD، AD و FOM در آنالیز سه بعدی نقش مهمی در بیان میزان صحت و کالیبراسیون طبقه بندی کاربری اراضی و پیش بینی کاربری اراضی داشت. نتایج تغییرات کاربری اراضی مطالعه شده با استفاده از ابزار LCM و مدل تلفیقی سلول اتومای زنجیره مارکوف در طی دوره 1987 تا 2035 بیانگر تخریب بیش از 24309 هکتار از اراضی جنگلی و 31921 هکتار از اراضی مرتعی و افزایش زراعت در حوزه به مساحت 62421 هکتار است که بیانگر دخالت های انسانی و جنگل تراشی های پیش رو در این حوزه است.

کلیدواژه ها:

الگوریتم ماشین بردار پشتیبان ، ابزار LCM ، مدل تلفیقی سلول اتومای زنجیره مارکوف ، آنالیز سه بعدی پنتیوس- ملینوس

نویسندگان

محبوبه حاجی بیگلو

دانشجوی دکتری آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه گرگان، گرگان، ایران

واحد بردی شیخ

دانشیار گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه گرگان، گرگان، ایران

هادی معماریان

دانشیار گروه منابع طبیعی، دانشکده منابع طبیعی، دانشگاه بیرجند، بیرجند، ایران

چوقی بایرام کمکی

استادیار گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه گرگان، گرگان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Al-sharif AAA, Pradhan B. 2014. Monitoring and predicting land use ...
  • Anand J, Gosain AK, Khosa R. 2018. Prediction of land ...
  • Araya YH, Cabral P. 2010. Analysis and modeling of urban ...
  • Arsanjani JJ, Helbich M, Kainz W, Darvishi Boloorani A. 2013. ...
  • Askarizadeh D, Arzani H, Jafary M, Bazrafshan J, Prentice I. ...
  • Beygi Heidarlou H, Banj Shafiei A, Erfanian M, Tayyebi A, ...
  • Clancy D, Tanner JE, McWilliam S, Spencer M. 2010. Quantifying ...
  • Dezhkam S, Jabbarian Amiri B, Darvishsefat AA, Sakieh Y. 2017. ...
  • Esch T, Asamer H, Bachofer F, Balhar J, Boettcher M, ...
  • Ghorbannia K, Mirsanjari M, Armin M. 2017. Forecasting of forest ...
  • Ghosh P, Mukhopadhyay A, Chanda A, Mondal P, Akhand A, ...
  • Guan D, Li H, Inohae T, Su W, Nagaie T, ...
  • Hajbigloo M, Sheikh V, Memarian H, Bairam Komaki C. 2020. ...
  • Kelly dOB, Alvares Soares Ribeiro CA, Marcatti GE, Lorenzon AS, ...
  • Khalifa MA. 2015. Evolution of informal settlements upgrading strategies in ...
  • Ku C-A. 2016. Incorporating spatial regression model into cellular automata ...
  • Kumar KS, Kumari KP, Bhaskar PU. 2016. Application of Markov ...
  • Liu Y, Feng Y, Pontius RG. 2014. Spatially-explicit simulation of ...
  • Mansour S, Al-Belushi M, Al-Awadhi T. 2020. Monitoring land use ...
  • Memarian H, Balasundram SK, Talib JB, Sung CTB, Sood AM, ...
  • Mohammadi S, Habashi K, Pourmanafi S. 2018. Monitoring and prediction ...
  • Munthali MG, Mustak S, Adeola A, Botai J, Singh SK, ...
  • Pontius Jr RG, Millones M. 2011. Death to Kappa: birth ...
  • Pontius Jr RG, Peethambaram S, Castella J-C. 2011. Comparison of ...
  • Prestele R, Alexander P, Rounsevell MD, Arneth A, Calvin K, ...
  • Ralha CG, Abreu CG, Coelho CGC, Zaghetto A, Macchiavello B, ...
  • Rimal B, Zhang L, Keshtkar H, Haack BN, Rijal S, ...
  • Saaty TL. 1990. How to make a decision: the analytic ...
  • Salehi N, Ekhtesasi M, Talebi A. 2019. Predicting locational trend ...
  • Singh SK, Mustak S, Srivastava PK, Szabó S, Islam T. ...
  • Solomon N, Hishe H, Annang T, Pabi O, Asante IK, ...
  • Stefanov WL, Ramsey MS, Christensen PR. 2001. Monitoring urban land ...
  • Analyzing and modeling urban sprawl and land use changes in a developing city using a CA-Markovian approach [مقاله ژورنالی]
  • Varga OG, Pontius RG, Singh SK, Szabó S. 2019. Intensity ...
  • Verburg PH, Soepboer W, Veldkamp A, Limpiada R, Espaldon V, ...
  • Yu H, Jia H. 2017. Simulating the spatial dynamics of ...
  • Zang S, Huang X. 2006. An aggregated multivariate regression land-use ...
  • نمایش کامل مراجع