پایش و پیش بینی تغییرات کاربری اراضی در حوضه آبخیز نهبندان با استفاده از الگوریتم جنگل تصادفی و مدل CA-Markov در افق ۱۴۲۰

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 106

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWMR-17-1_004

تاریخ نمایه سازی: 13 خرداد 1405

چکیده مقاله:

چکیده مبسوط مقدمه و هدف: آشکارسازی تغییرات یکی از عوامل اصلی در بررسی ارتباط بین فعالیت های انسانی و محیط زیست  است. کاربری اراضی، بیشتر بر جنبه اجتماعی استفاده از زمین تاکید دارد. به عبارتی، کاربری اراضی خروجی فعالیت هایی است که انسان بر حسب نیازهای اقتصادی و اجتماعی خود انجام می دهد. از سوی دیگر، مدل سازی تغییرات آینده و پیش بینی آن نیز در جهت پی بردن به کمیت و کیفیت تغییر و تحولات آینده ضروری است. برای مراقبت از یک اکوسیستم به ویژه در مناطقی با تحولات سریع و اغلب بدون برنامه ریزی در کشورهای درحال توسعه، آشکارسازی و پیش بینی تغییرات یک امر لازم و ضروری است. اخیرا در اغلب کاربردهای آشکارسازی تغییرات کاربری و پوشش زمین و در نتیجه پایش کاربری ها، از تکنیک سنجش ازدور و سیستم اطلاعات جغرافیایی استفاده می شود. با استفاده از اطلاعات سنجش ازدور و سیستم اطلاعات جغرافیایی، از نسبت تغییرات کاربری و پوشش زمین در گذر زمان می توان تغییرات آتی را پیش بینی نمود و اقدامات مقتضی را انجام داد. در این پژوهش، از دو روش جنگل تصادفی CA-Markov به ترتیب جهت آشکارسازی و پیش بینی تغییرات کاربری اراضی در حوضه آبخیز نهبندان در افق ۲۰۴۰ استفاده شد. در این راستا، اهداف این پژوهش عبارت از آشکارسازی کاربری اراضی حوضه آبخیز نهبندان با استفاده از روش جنگل تصادفی و شبیه سازی کاربری اراضی حوضه آبخیز نهبندان با استفاده از روش   CA-Markov در یک دوره ۳۳ ساله (۲۰۰۸ تا ۲۰۴۰) هستند. مواد و روش‎ها: در این پژوهش، از داده های سنجنده TM ماهواره لندست ۴ و ۵ مربوط به سال ۲۰۰۸ و لندست ۸ در سال ۲۰۱۳ و ۲۰۲۲ برای تعیین و ارزیابی تغییرات کاربری اراضی حوضه آبخیز نهبندان استفاده گردید. سپس، بعد از پیش ‎پردازش تصاویر، عملیات طبقه بندی تصاویر با اعمال الگوریتم جنگل تصادفی در محیط نرم افزار Saga gis انجام شد. روش جنگل تصادفی یک روش طبقه بندی نظارت شده است که در آن از مجموعه ای از درخت ها در راستای طبقه بندی و تصمیم گیری استفاده می شود. سپس، با استفاده از ماتریس احتمال تبدیل کلاس های کاربری اراضی، نقشه کاربری اراضی حوضه آبخیز نهبندان برای سال ۲۰۴۰ با اعمال مدل CA-Markov در نرم افزار IDRISI Terrset پیش بینی گردید. در این مطالعه، جهت اعتبارسنجی مدل CA-Markov از ابزار VALIDATE در نرم ­افزار ادریسی استفاده شد که در این روش اعتبارسنجی با استفاده از مقایسه مدل با یک نقشه واقعی انجام شد. یافته‎ها: نتایج پایش تغییرات در حوضه آبخیز نهبندان از سال ۲۰۰۸ تا ۲۰۲۲ نشان دادند که کاربری پوشش گیاهی و مسکونی به‎ ترتیب ۴/۵ و ۶/۵۱ کیلومترمربع تغییرات داشتند. همچنین، نتایج پیش بینی مدل CA-Markov نشان دادند که تغییرات کاربری اراضی در سال ۲۰۴۰  نسبت به ۲۰۰۸ در کاربری های پوشش گیاهی و مسکونی به ترتیب ۱۱/۲۳ و ۹/۶۳ کیلومترمربع خواهد بود. نتایج پیش بینی مساحت و درصد کاربری ها در سال ۲۰۴۰ نشان می دهند که بیشترین تغییرات در میزان مساحت پوشش گیاهی خواهند بود. با توجه به روند تغییرات کاربری اراضی حوضه آبخیز نهبندان، انتظار افزایش پوشش گیاهی مربوط به کاربری کشاورزی و درعین حال افزایش محدود مناطق مسکونی تا سال ۲۰۴۰ در آینده وجود دارد. همچنین، کاربری مسکونی تغییرات افزایشی به صورت توسعه درون شهری خواهد بود و رشد شهر کمتر به صورت حاشیه ای و در حومه‎ی آن خواهد بود. این موضوع بیشتر به این علت است که شهرستان نهبندان در این حوضه آبخیز از لحاظ جمعیتی و مساحتی کوچک است، شغل اکثر مردم کشاورزی است و رشد شهرستان همراه با رشد کاربری کشاورزی که شغل اکثر مردم است، همراه بوده است. نتیجه‎گیری: نتایج این پژوهش به وضوح نشان می دهند که تحلیل تغییرات کاربری اراضی در حوضه آبخیز نهبندان با استفاده از روش های پیشرفته ای نظیر جنگل تصادفی و CA-Markov، امکان پذیر و دقیق است. دقت ۹۰ درصدی مدل جنگل تصادفی برای طبقه بندی تصاویر ماهواره ای تاییدی بر نتایج سایر پژوهش ها است که این روش را یکی از کاراترین روش ها برای تفکیک پوشش های متنوع زمین دانسته اند. پایش دقیق این تغییرات از سال ۲۰۰۸ تا ۲۰۲۲، باتوجه به کاربری های پوشش گیاهی و مسکونی بادقت بالا (کاربری پوشش گیاهی و مسکونی به ‎ترتیب ۵/۴ و ۶/۵۱ کیلومترمربع تغییرات داشته است) انجام شده است. نتایج به دست آمده نه تنها توانمندی این ابزارها را در مدل سازی مکان و تحلیل دقیق تغییرات کاربری اراضی نشان می دهند بلکه این توانمندی به مسئولین محیط زیست و شهری کمک می کند تا بهترین تصمیمات ممکن را برای مدیریت مناسب اراضی در آینده اخذ کنند و بر ضرورت سیاست گذاری و مدیریت جامع برای کاهش پیامدهای منفی تغییرات کاربری اراضی در منطقه تاکید دارد. نتایج ارزیابی طبقه بندی کاربری اراضی بین نقشه شبیه سازی شده و مرجع نشان می دهند که ضریب استاندارد به میزان ۹۰ درصد برای تهیه نقشه های کاربری و پوشش زمین حاصل شده است. تغییرات کاربری و پوشش زمین مبنایی سازگار و قابل اعتماد برای شبیه سازی سناریوهای آینده به حساب می آیند و قابلیت مدل CA-Markov برای شبیه سازی تغییرات کاربری در آینده را تایید می کنند؛ بنابر این، می توان از این مدل برای شبیه سازی تغییر کاربری اراضی در منطقه موردمطالعه تا افق ۲۰۴۰ استفاده کرد.

کلیدواژه ها:

نویسندگان

آرزو نوری زاده

Department of Environment, Faculty of Natural Resources and Environment, University of Birjand, Birjand, Iran

الهام یوسفی

Department of Environment, Faculty of Natural Resources and Environment, University of Birjand, Birjand, Iran

تکتم مکی

Department of Environment, Faculty of Natural Resources and Environment, University of Birjand, Birjand, Iran

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 :
  • Adam, E., Mutanga, O., Odindi, J., & Abdel-Rahman, E. M. ...
  • Arekhi, S., & Momeni Taramsari, M. (۲۰۱۵). Envi ۵ software ...
  • Belgiu, M., & Drăguţ, L. (۲۰۱۶). Random forest in remote ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine Learning, ۴۵, ۵-۳۲ ...
  • Dastigerdi, M., Nadi, M., Shamgani Mashhadi, B., Hatamipour, M., & ...
  • Gharaibeh, A., Shaamala, A., Obeidat, R., & Al-Kofahi, S. (۲۰۲۰). ...
  • Kamali, J. (۲۰۰۹). Investigating land use changes in the Qori ...
  • Kiani Salmi, E., & Ebrahimi, A. (۲۰۱۸). Evaluating land cover ...
  • Knorn, J., Rabe, A., Radeloff, V. C., Kuemmerle, T., Kozak, ...
  • Liu, T., & Yang, X. (۲۰۱۵). Monitoring land changes in ...
  • Mas, J.-F., Kolb, M., Paegelow, M., Olmedo, M. T. C., ...
  • Matsushita, B., Xu, M., & Fukushima, T. (۲۰۰۶). Characterizing the ...
  • Memarian, H., Balasundram, S. K., Talib, J. B., Sung, C. ...
  • Meteorological Organization, S. K. (۲۰۱۶). Reports of Nehbandan Meteorological Station ...
  • Ruigar, H., Emamgholizadeh, S., Gharechelou, S., & Golian, S. (۲۰۲۴). ...
  • Roy, K. C., Soren, D. D. L., & Biswas, B. ...
  • Sadeghi, V., Ebadi, H., & Ahmadi, F. F. (۲۰۱۳). A ...
  • Sadian, A., & Shafizadeh-Moghadam, H. (۲۰۲۱). Investigation of Land Use ...
  • Sedighi, M., & Amini, A. S. (۲۰۲۰). Classification Lake Parishan ...
  • Shirazi, M., Zehtabian, G., & Alavipanah, S. K. (۲۰۱۰). Applicability ...
  • Smits, P., Dellepiane, S., & Schowengerdt, R. (۱۹۹۹). Quality assessment ...
  • Surabuddin Mondal, M., Sharma, N., Kappas, M., & Garg, P. ...
  • Palmate, S. S., Wagner, P. D., Fohrer, N., & Pandey, ...
  • Tahir, Z., Haseeb, M., Mahmood, S. A., Batool, S., Abdullah-Al-Wadud, ...
  • Tewolde, M. G., & Cabral, P. (۲۰۱۱). Urban sprawl analysis ...
  • Tikuye, B. G., Rusnak, M., Manjunatha, B. R., & Jose, ...
  • Vafaei, S., Darvishsefat, A., & Pir Bavaghar, M. (۲۰۱۳). Monitoring ...
  • Weng, Q. (۲۰۰۲). Land use change analysis in the Zhujiang ...
  • Zhang, Z., Hörmann, G., Huang, J., & Fohrer, N. (۲۰۲۳). ...
  • Zhou, L., Dang, X., Sun, Q., & Wang, S. (۲۰۲۰). ...
  • Adam, E., Mutanga, O., Odindi, J., & Abdel-Rahman, E. M. ...
  • Arekhi, S., & Momeni Taramsari, M. (۲۰۱۵). Envi ۵ software ...
  • Belgiu, M., & Drăguţ, L. (۲۰۱۶). Random forest in remote ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine Learning, ۴۵, ۵-۳۲ ...
  • Dastigerdi, M., Nadi, M., Shamgani Mashhadi, B., Hatamipour, M., & ...
  • Gharaibeh, A., Shaamala, A., Obeidat, R., & Al-Kofahi, S. (۲۰۲۰). ...
  • Kamali, J. (۲۰۰۹). Investigating land use changes in the Qori ...
  • Kiani Salmi, E., & Ebrahimi, A. (۲۰۱۸). Evaluating land cover ...
  • Liu, T., & Yang, X. (۲۰۱۵). Monitoring land changes in ...
  • Mas, J.-F., Kolb, M., Paegelow, M., Olmedo, M. T. C., ...
  • Matsushita, B., Xu, M., & Fukushima, T. (۲۰۰۶). Characterizing the ...
  • Memarian, H., Balasundram, S. K., Talib, J. B., Sung, C. ...
  • Meteorological Organization, S. K. (۲۰۱۶). Reports of Nehbandan Meteorological Station ...
  • Ruigar, H., Emamgholizadeh, S., Gharechelou, S., & Golian, S. (۲۰۲۴). ...
  • Roy, K. C., Soren, D. D. L., & Biswas, B. ...
  • Sadeghi, V., Ebadi, H., & Ahmadi, F. F. (۲۰۱۳). A ...
  • Sadian, A., & Shafizadeh-Moghadam, H. (۲۰۲۱). Investigation of Land Use ...
  • Sedighi, M., & Amini, A. S. (۲۰۲۰). Classification Lake Parishan ...
  • Shirazi, M., Zehtabian, G., & Alavipanah, S. K. (۲۰۱۰). Applicability ...
  • Smits, P., Dellepiane, S., & Schowengerdt, R. (۱۹۹۹). Quality assessment ...
  • Surabuddin Mondal, M., Sharma, N., Kappas, M., & Garg, P. ...
  • Palmate, S. S., Wagner, P. D., Fohrer, N., & Pandey, ...
  • Tahir, Z., Haseeb, M., Mahmood, S. A., Batool, S., Abdullah-Al-Wadud, ...
  • Tewolde, M. G., & Cabral, P. (۲۰۱۱). Urban sprawl analysis ...
  • Tikuye, B. G., Rusnak, M., Manjunatha, B. R., & Jose, ...
  • Vafaei, S., Darvishsefat, A., & Pir Bavaghar, M. (۲۰۱۳). Monitoring ...
  • Weng, Q. (۲۰۰۲). Land use change analysis in the Zhujiang ...
  • Zhang, Z., Hörmann, G., Huang, J., & Fohrer, N. (۲۰۲۳). ...
  • Zhou, L., Dang, X., Sun, Q., & Wang, S. (۲۰۲۰). ...
  • نمایش کامل مراجع