مدل سازی تغییرات پوشش اراضی با استفاده از شبکه عصبی مصنوعی و زنجیرة مارکف (مطالعة موردی: سواحل میانی استان بوشهر)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار دانشکده منابع طبیعی، دانشگاه تربیت مدرس

2 دانش آموخته کارشناسی ارشد محیط زیست، دانشکده منابع طبیعی، دانشگاه تربیت مدرس

چکیده

اراضی ساحلی استان بوشهر به علت موقعیت ویژه در صادرات و واردات دریایی، وجود ذخایر نفت و گاز، کشاورزی، وجود نیروگاه هسته‌ای، شرایط مناسب صید و صیادی و جاذبه­های گردشگری از اهمیت راهبردی و اقتصادی بالایی برخوردار است. از این رو می­بایست از روش­های نوین جهت پایش و مدل­سازی تغییرات در این مناطق استفاده نمود. هدف از این مطالعه، پایش و مدل­سازی تغییرات کاربری اراضی در یک دوره 23 ساله (1367-1390) با استفاده از شبکه عصبی مصنوعی و زنجیره مارکف در محیط اکستنشن مدل­ساز تغییرات اراضی (LCM) می­باشد. بدین منظور از هفت متغیر، سه زیرمدل و دوره واسنجی 1379-1384 جهت مدل­سازی تغییرات کاربری اراضی سال 1390 استفاده گردید. پس از ارزیابی صحت مدل با استفاده از آماره کاپا، نقشه پوشش اراضی سال 1395 با استفاده از دوره واسنجی 1390-1384 پیش­بینی شد. نتایج نشان داد که در طول دوره مطالعه، تغییرات شدید از اراضی باز به اراضی کشاورزی و رهاسازی زمین­­های کشاورزی در منطقه مشاهده گردید. از سال 1367 تا 1384 به میزان 76/19715 هکتار به وسعت اراضی کشاورزی افزوده شده و بین سال­های 1384 تا 1390 تنها 48/14% از کاربری کشاورزی بدون تغییر مانده است و وسعت زیادی از کشاورزی رهاسازی شده است. از دیگر نتایج این تحقیقی توسعه زیاد کاربری شهری (33/17760 هکتار) است. در این مطالعه LCM توانست 76/0 از تغییرات را بدرستی پیش­بینی نماید. به طوری که در سال 1395 به میزان 12000 هکتار افزایش وسعت در توسعه شهری منطقه پیش­بینی شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Land use change modeling using artificial neural network and markov chain (Case study: Middle Coastal of Bushehr Province)

نویسندگان [English]

  • Mehdi Gholamalifard 1
  • Mohsen Mirzayi 2
  • Sharif Joorabian Shooshtari 2
1 Assis. Prof. College of Natural Resources, Tarbiat Modares University
2 MSc. Graduated of Environment, College of Natural Resources, Tarbiat Modares University
چکیده [English]

Coastal lands of Bushehr Province has a high importance in terms of marine exporting and importing, oil and gas reserves, agriculture,  nuclear plant, suitable condition for fishing and tourist attractions. Therefore new desirable methods for monitoring and modeling changes are required to be used in these areas. This study was performed with the aimed of monitoring and modeling land use changes using Artificial Neural Network (ANN) and Markov Chain in Land Change Modeler (LCM) in 23 years period (1990-2011). After model accuracy assessment using kappa coefficient, land cover map of the year 2016 was predicted by the 2006-2011 calibration period. The results indicated that two trends include changes from open lands to agricultural and then quitting these agricultural lands have been observed during the study period. Such that, the agricultural area has increased to 19715.76 hectares from 1990 to 2006,but between 2005 to 2011, only 14.48% of agricultural lands has remained unchanged and the large area  of those were finally left. In this study, LCM was able to predict 0.76 of changes correctly. So that it was predicted 12000 hectares increasing of extent urban development in the coastal lands of Bushehr Province in 2016.

کلیدواژه‌ها [English]

  • Land cover change prediction
  • Remote Sensing
  • Artificial Neural Networks
  • Markov chain
  • Coastal of Bushehr Province
1. شریفی­پور، ر.، ا. دانه­کار و ج. نوری. 1387. ارزیابی حساسیت زیست­محیطی سواحل شمالی خلیج فارس با توجه به ارزش­های حفاظتی و کانون­های آلوده­ساز. محیط­شناسی، 34(48): 89-102.

2. غلامی­نیا، ع. 1387. تحلیل فضایی کاربری اراضی شهر بوشهر. پایان­نامه کارشناسی ارشد، دانشکده ادبیات و علوم انسانی، دانشگاه اصفهان. رشته جغرافیای انسانی. 264 صفحه.

3. نعیمی­نظام­آباد، ع.، م. قهرودی تالی و م. ثروتی. 1389. پایش تغییرات خط ساحلی و لندفرم­های ژئوموفورلوژیکی خلیج فارس با استفاده از تکنیک سنجش از دور و سیستم اطلاعات جغرافیایی (مطالعة موردی: منطقة ساحلی عسلویه). فضای جغرافیایی، 10(30): 45-61.

4. Abd El-Kawy O, Rød J, Ismail H, Suliman A. 2011. Land use and land cover change detection in the western Nile delta of Egypt using remote sensing data. Applied Geography, 31(2):483-494.

5. Bakr N, Weindorf D, Bahnassy M, Marei S, El-Badawi M. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography, 30(4):592-605.

6. Beatley T, Brower D, Schwab AK. 2002. An introduction to coastal zone management. Island Press, 329 p.

7. Dushku A, Brown S. 2003. Spatial modeling of baselines for LULUCF carbon projects: the GEOMOD modeling approach. In: 2003 International Conference on Topical Forests and Climate Change:" Carbon Sequestration and the Clean Development Mechanism, 45 p.

8. Eastman JR. 2006. IDRISI Andes guide to GIS and image processing. Clark University, Worcester: 87-131.

9. Huang J, Pontius Jr RG, Li Q, Zhang Y. 2012. Use of intensity analysis to link patterns with processes of land change from 1986 to 2007 in a coastal watershed of southeast China. Applied Geography, 34:371-384.

10. Khoi DD, Murayama Y. 2010. Forecasting areas vulnerable to forest conversion in the Tam Dao National Park Region, Vietnam. Remote Sensing, 2(5):1249-1272.

11. Linkie M, Smith RJ, Leader-Williams N. 2004. Mapping and predicting deforestation patterns in the lowlands of Sumatra. Biodiversity & Conservation, 13(10):1809-1818.

12. Mendoza ME, Granados EL, Geneletti D, Pérez-Salicrup DR, Salinas V. 2011. Analysing land cover and land use change processes at watershed level: a multitemporal study in the Lake Cuitzeo Watershed, Mexico (1975–2003). Applied Geography, 31(1):237-250.

13. Mertens B, Lambin EF. 1997. Spatial modelling of deforestation in southern Cameroon: spatial disaggregation of diverse deforestation processes. Applied Geography, 17(2):143-162.

14. Olaniyi A, Abdullah A, Ramli M, Alias M. 2012. Assessment of drivers of coastal land use change in Malaysia. Ocean & Coastal Management, 67:113-123.

15. Pérez-Vega A, Mas JF, Ligmann-Zielinska A. 2012. Comparing two approaches to land use/cover change modeling and their implications for the assessment of biodiversity loss in a deciduous tropical forest. Environmental Modelling & Software, 29(1):11-23.

16. Pontius RG. 2000. Quantification error versus location error in comparison of categorical maps. Photogrammetric Engineering and Remote Sensing, 66(8):1011-1016.

17. Rafiee R, Mahiny AS, Khorasani N, Darvishsefat AA, Danekar A. 2009. Simulating urban growth in Mashad City, Iran through the SLEUTH model (UGM). Cities, 26(1):19-26.

18. Sangermano F, Toledano J, Eastman JR. 2012. Land cover change in the Bolivian Amazon and its implications for REDD+ and endemic biodiversity. Landscape ecology, 27(4):571-584.

19. Schulz JJ, Cayuela L, Echeverria C, Salas J, Rey Benayas JM. 2010. Monitoring land cover change of the dryland forest landscape of Central Chile (1975–2008). Applied Geography, 30(3):436-447.

20. Schulz JJ, Cayuela L, Rey‐Benayas JM, Schröder B. 2011. Factors influencing vegetation cover change in Mediterranean Central Chile (1975-2008). Applied Vegetation Science, 14(4):571-582.

21. Thapa RB, Murayama Y. 2011. Urban growth modeling of Kathmandu metropolitan region, Nepal. Computers, Environment and Urban Systems, 35(1):25-34.

22. Václavík T, Rogan J. 2009. Identifying trends in land use/land cover changes in the context of post-socialist transformation in central Europe: a case study of the greater Olomouc region, Czech Republic. GIScience & Remote Sensing, 46(1):54-76.