پایش و پیش بینی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره ای لندست به روش سلول های خودکار و زنجیره مارکوف (مورد مطالعه: منطقه عباس آباد، استان مازندران)

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 284

متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_GIRS-12-2_003

تاریخ نمایه سازی: 19 مرداد 1400

Abstract:

پیشینه و هدف امروزه تغییرات کاربری اراضی در بسیاری از کشورها به چالش مهمی تبدیل شده است که اثرات فراوانی بر محیط زیست می گذارند. بر همین اساس بررسی تغییرات کاربری اراضی در مقیاس های مختلف به عنوان یکی از موضوعات مهم در مدیریت درست منابع طبیعی و تغییرات زیست محیطی در سطوح مختلف مطرح است. لذا آگاهی داشتن از تغییرات کاربری و بررسی علل و عوامل آنها در چند دوره زمانی و پیش بینی تغییرات کاربری اراضی در آینده می توان برنامه ریزی درستی را برای کاهش اثرات نامطلوب انجام داد که همین امر مورد توجه برنامه ریزان و مدیران شهری قرارگرفته است و به آنها در برنامه ریزی کاربری اراضی کمک شایانی می کند. همچنین تبدیل کاربری ها به یکدیگر و تغییر کاربری پوشش گیاهی به پهنه ساخته شده به عنوان موضوع مهم شناخته می شود. بر این اساس هدف این پژوهش پایش و پیش بینی تغییرات کاربری و پوشش اراضی منطقه شهری عباس آباد در آینده است؛ که با استفاده از این تغییرات می توان اقدامات مناسب مدیریتی برای حفظ و احیا اراضی انجام داد. مواد و روش­ هاپیش بینی تغییرات کاربری اراضی از تلفیق مدل سلول های خودکار و زنجیره مارکوف در منطقه شهری عباس آباد با استفاده از تصاویر سنجنده TM و OLI ماهواره های لندست ۸ و ۵ اخذشده از سایت USGS انجام شد. چهار کلاس کاربری که شامل کلاس پهنه ساخته شده با کد شماره ۱، کلاس پوشش گیاهی با کد شماره ۲، کلاس منابع آبی با کد شماره ۳ و کلاس اراضی بایر با کد شماره ۴ برای منطقه شهری عباس آباد تفکیک شدند که این طبقه بندی از روش USGS اخذشده است. به منظور استخراج کلاس های کاربری اراضی بعد از چک نمودن چند روش نهایتا از روش طبقه بندی شی ءگرا و الگوریتم ماشین بردار پشتیبان (SVM) به دلیل کارایی بهتر استفاده گردید. ارزیابی صحت طبقه ­بندی تصاویر ماهواره­ای بابیان دقت کلی و ضریب کاپا برای سه دوره زمانی انجام شد که هریک از این نقشه های طبقه بندی شده از طریق ترسیم ماتریس خطا مورد ارزیابی قرارگرفته اند که برای تهیه این ماتریس از ۲۵۰ نقطه نمونه استفاده شد و نوع نمونه برداری نیز به صورت نمونه برداری طبقه ای بود. همچنین برای مشخص شدن تغییرات کاربری اراضی در سال ۲۰۳۰ از نقشه های طبقه بندی شده استفاده شد و با کمک نرم افزارTerrSet  تغییرات صورت گرفته در کلاس­ها و درصد آن ها به دست آمد و با استفاده از مدل CA-MARKOV تغییرات کلاس ­های مختلف براساس ماتریس احتمال انتقال پیش ­بینی شد. نتایج و بحثنتایج پژوهش در طی سال های ۱۹۹۷، ۲۰۰۶ و ۲۰۱۷ بیانگر این است که پهنه ساخته­ شده روند افزایشی داشته است و کاربری ­های پوشش گیاهی، اراضی بایر و منابع آبی دارای روند کاهشی بوده اند و  ۲۳۲۷۹هکتار از اراضی منطقه را پهنه ساخته شده به خود اختصاص داده است. ضریب کاپا محاسبه شده در این ارزیابی برای سال های ۱۹۹۷، ۲۰۰۶ و ۲۰۱۷ به ترتیب ۰.۸۶، ۰.۸۹ و ۰.۸۹ است. مدل پیش بینی زنجیره مارکوف با دقت بالای ۸۵ درصد بیان کرد که روند تغییرات کاربری اراضی برای سال ۲۰۳۰ همانند سال ­های قبل خواهد بود و این نشان دهنده این است که تبدیل و تغییر کاربری ­ها همانند قبل پیش خواهد رفت و ذکر این نکته هم ضروری است که کاربری های همسان پوشش گیاهی به پوشش گیاهی در طی سال های ۲۰۰۶ تا ۲۰۱۷ هم بیشترین مساحت را شامل می شود و این نشان دهنده این است که در این منطقه، پوشش گیاهی همچنان پابرجاست و کمتر دچار تغییرات شده است. نتیجه­ گیری خروجی نقشه پیش بینی ۱۳ ساله برای سال ۲۰۳۰ در این پژوهش از دقت مناسب مدل CA-MARKOV حکایت دارد. علاوه بر این خروجی نشان می دهد می توان به این روش برای برنامه ریزی کوتاه مدت اعتماد نمود. این نقشه های پیش بینی می توانند راهنمای خوبی برای مدیران و برنامه ریزان شهری باشند. برای دست یافتن به نتایج بهتر پیشنهاد می شود که از تلفیق مدل سلول های خودکار و زنجیره مارکوف برای پایش و پیش بینی تغییرات در سطح کشور استفاده شود. نتایج به دست آمده از این پژوهش علاوه بر اینکه در کاهش حجم داده های ورودی کمک فراوانی می کند، بلکه در پردازش تصاویر طبقه بندی شده و در پیش بینی آن ها برای آینده هم نقش بسزایی دارد.

Authors

عامر نیک پور

دانشیار گروه جغرافیا و برنامه ریزی شهری، دانشکده علوم انسانی و اجتماعی، دانشگاه مازندران، ایران

حمید عمونیا

دانش آموخته دکتری ژئومورفولوژی و مدیریت محیطی، دانشگاه تربیت مدرس، تهران، ایران

الهه نورپسندی

دانشجوی کارشناسی ارشد، جغرافیا و برنامه ریزی شهری، دانشکده علوم انسانی و اجتماعی، دانشگاه مازندران، بابلسر، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • Benito PR, Cuevas JA, de la Parra RB, Prieto F, ...
  • Du Y, Philippe MT, Josef C. ۲۰۰۲. Radiometric normalization of ...
  • Eastman JR. ۲۰۱۲. IDRISI Selva tutorial. IDRISI production. Worcester: Clark ...
  • Esch T, Asamer H, Bachofer F, Balhar J, Boettcher M, ...
  • Ghosh P, Mukhopadhyay A, Chanda A, Mondal P, Akhand A, ...
  • Hadjimitsis DG, Papadavid G, Agapiou A, Themistocleous K, Hadjimitsis M, ...
  • Hajibigloo M, Sheikh Vb, Memarian H, komaki CB. ۲۰۲۰. Three-dimensional ...
  • Hernández-Guzmán R, Ruiz-Luna A, González C. ۲۰۱۹. Assessing and modeling ...
  • Koohestani N, Rastegar S, Heidari G, Joybari SS, Amirnejad H. ...
  • Mertens B, Lambin EF. ۲۰۰۰. Land-cover-change trajectories in southern Cameroon. ...
  • Mohammadi S, Habashi K, Pormanafi S. ۲۰۱۸. Monitoring and prediction ...
  • Munthali MG, Mustak S, Adeola A, Botai J, Singh SK, ...
  • Patino JE, Juan CD. ۲۰۱۳. A review of regional science ...
  • Rahnama MR, Rousta M. ۲۰۱۳. Analysis of change in land ...
  • Rawat JS, Manish K. ۲۰۱۵. Monitoring land use/cover change using ...
  • Sang L, Chao Z, Jianyu Y, Dehai Z, Wenju Y. ...
  • Singh SK, Mustak S, Srivastava PK, Szabó S, Islam T. ...
  • Stow DA, Chen DM. ۲۰۰۲. Sensitivity of multitemporal NOAA AVHRR ...
  • Suykens JA, Vandewalle J. ۱۹۹۹. Least squares support vector machine ...
  • Szuster WB, Qi C, Michael B. ۲۰۱۱. A comparison of ...
  • Taubenböck H, Esch T, Felbier A, Wiesner M, Roth A, ...
  • Tiwari A, Jain K. ۲۰۱۴. GIS Steering smart future for ...
  • Traore A, Mawenda J, Komba AW. ۲۰۱۸. Land-cover change analysis ...
  • Varga OG, Robert Gilmore P, Sudhir Kumar S, Szilárd S. ...
  • Wang SQ, Zheng XQ, Zang XB. ۲۰۱۲. Accuracy assessments of ...
  • نمایش کامل مراجع