پایش و پیش بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل LCM (مطالعه موردی: منطقه مریوان)

Publish Year: 1392
نوع سند: مقاله ژورنالی
زبان: Persian
View: 55

This Paper With 14 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IJF-5-3_009

تاریخ نمایه سازی: 11 دی 1402

Abstract:

آشکارسازی و پیش بینی تغییرات کاربری اراضی از جمله نیازهای مدیریت منابع طبیعی و ارزیابی تغییرات اکوسیستم به شمار می آیند. هدف این تحقیق، پایش تغییرات کاربری اراضی در گذشته و بررسی امکان پیش بینی آن در آینده با استفاده از مدلساز تغییر زمین (LCM) در بخش غربی شهرستان مریوان است. در این تحقیق، تصاویر سنجنده های TM لندست ۵ سال ۱۳۶۸، ETM+ لندست ۷ سال ۱۳۷۹ و TM لندست ۵ سال۱۳۹۰ تجزیه وتحلیل شد. تصاویر هر سه مقطع زمانی به چهار طبقه جنگل، کشاورزی، منابع آبی و مناطق انسان ساخت طبقه بندی شد. پیش بینی وضعیت کاربری اراضی برای سال ۱۳۹۰، با استفاده از نقشه های کاربری سال های ۱۳۶۸و ۱۳۷۹ و به کمک مدل LCM و بر پایه شبکه های عصبی مصنوعی و تحلیل زنجیره مارکوف انجام گرفت. به این منظور، از متغیر های مکانی فاصله از جاده و مناطق مسکونی، فاصله از حاشیه جنگل، ارتفاع و جهت نیز به عنوان عوامل موثر بر تغییرات در شبکه عصبی مصنوعی استفاده شد. بنابر نتایج، در طول دوره ۱۳۶۸-۱۳۹۰، ۱۲۳۴ هکتار جنگل با نرخ ۲۱/۰ درصد در سال، تخریب شده است. همچنین مناطق انسان ساخت، با نرخ سالیانه ۵/۷ درصد به مقدار ۶۴/۲ درصد (۹۲۴ هکتار) نسبت به سطح اولیه خود توسعه یافته و اراضی کشاورزی با ۱۰۶۶ هکتار افزایش و ۷۷۷ هکتار کاهش، در مجموع ۲۸۹ هکتار افزایش داشته است. برای ارزیابی صحت پیش بینی مدلساز، نقشه های کاربری اراضی پیش بینی شده و واقعی به طورکامل و همچنین نقشه های تغییرات آن ها با هم مقایسه شد. صحت کلی و ضریب کاپای نقشه پیش بینی شده بسیار زیاد و به ترتیب ۹۶ درصد و ۹۲ درصد بود، ولی شاخص کاپای تغییرات جنگل، کشاورزی و مناطق انسان ساخت به نسبت کم و به ترتیب ۳۷ درصد، ۵۰ درصد و ۴۸ درصد محاسبه شد که نشان دهنده نا همخوانی مکان تغییرات واقعی و پیش بینی شده و در نتیجه پیش بینی به نسبت ضعیف تغییرات کاربری اراضی با رویکرد مورد استفاده در منطقه تحقیق است. بررسی نقش دیگر متغیرهای موثر بر تغییرات مانند تیپ های خاک و جنگل و اطلاعات اقتصادی- اجتماعی برای بهبود عملکرد مدل توصیه می شود.