پیش‌بینی تغییرات احتمالی کاربری اراضی دشت جوپار با استفاده از تصاویر ماهواره‌ای و مدل CA-Markov

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

دانشگاه ولی عصر رفسنجان

چکیده

سابقه و هدف: خاک یکی از منابع طبیعی اصلی تجدید ناپذیر می‌باشد که امروزه تخریب آن به عنوان مشکلات زیست محیطی در سراسر جهان مطرح می‌باشد. در دهه‎های اخیر تغییرات سریع و ناپایدار کاربری اراضی به دلیل فعالیت‌های توسعه‌ای و عمرانی و افزایش جمعیت باعث تغییرات سریع در استفاده از اراضی و پوشش زمین و در نهایت تخریب خاک بوده است. از این رو بازبینی این تغییرات از طریق تصاویر ماهواره‌ای و پیش‌بینی و ارزیابی پتانسیل آن‌ها از طریق مدل‌سازی می‌تواند به مدیران و برنامه‌ریزان برای تصمیمات آگاهانه‌تر کمک کند. هدف از این مطالعه، بررسی روند تغییرات کاربری اراضی در مقطع زمانی 1992 تا 2015 با استفاده از تصاویر ماهواره‌ای، محاسبه میزان تغییر کاربری‌ها با یکدیگر و پیش‌بینی تغییرات احتمالی کاربری اراضی در سال‌های 2020، 2025، 2030 و 2035 با استفاده از مدل سلول خودکار-مارکوف در دشت جوپار واقع در استان کرمان می‌باشد.
مواد و روش‌ها: در اﯾﻦ تحقیق، جهت تهیه نقشه‌های کاربری اراضی از سه دوره ﺗﺼﺎوﯾﺮ ماهواره‌ای لندست شامل لندست 5 سنجنده (1992)TM ، لندست 7 سنجنده ETM+ (2000) و لندست 8 سنجنده(2015) OLI استفاده گردید. به منظور تهیه نقشه‌های کاربری اراضی از طریق تصاویر ماهواره‌ای، ابتدا بر روی تصاویر مذکور پیش پردازش‌های اولیه نظیر تصحیح هندسی و اتمسفری اعمال گردید. در ادامه با تهیه نمونه‌های آموزشی، تصاویر ماهواره‌ای در نرم افزار ایدریسی و با استفاده از الگوریتم حداکثر احتمال طبقه‌بندی و دقت آن‌ها ارزیابی گردید. نقشه‌های کاربری اراضی تهیه شده دوره‌های مختلف به منظور تولید ماتریس احتمال انتقال به مدل مارکوف داده شد و در نهایت ماتریس احتمال انتقال که احتمال انتقال کاربری‌ها به کاربری دیگر را نشان می‌دهد تولید شد. سپس آﻧﺎﻟﯿﺰ زﻧﺠﯿﺮه سلول خودکار-مارﮐﻮف، ﺑﺮاﺳﺎس ﻧﻘﺸﻪﻫﺎی ﮐﺎرﺑﺮی اراﺿﯽ دوره پایه و ﻣﺎﺗﺮﯾﺲ احتمال انتقال در مدل مارکوف ﺑﺎ ﺗﺎًﮐﯿﺪ ﺑﺮ ﭘﯿﺶﺑﯿﻨﯽ ﺗﻐﯿﯿﺮات ﮐﺎرﺑﺮی اراﺿﯽ در سال‌های 2020، 2025، 2030 و 2035 با تعداد تکرار و گام متفاوت در روش سلول خودکار-مارکوف انجام شد. ﺑﺮ اﺳﺎس ﻧﺘﺎﯾﺞ اﯾﻦ ﺗﺤﻘﯿﻖ، ﺗﻐﯿﯿﺮات ﮐﺎرﺑﺮیﻫﺎ و ﺳﻄﺢ ﮐﺎرﺑﺮی‌ﻫﺎی ﻣﻨﻄﻘﻪ ﻣﺤﺎﺳﺒﻪ گردید. پس از ﻣﻘﺎﯾﺴﻪ و ﺑﺮرﺳﯽ مشاهدات، تغییرات کاربری احتمالی برای سناریوهای تعیین شده پیش‌بینی گردید.
یافته‌ها و نتیجه‌گیری: ﺑﺮ اﺳﺎس ﻧﺘﺎﯾﺞ اﯾﻦ ﺗﺤﻘﯿﻖ، ﺗﻐﯿﯿﺮات ﮐﺎرﺑﺮیﻫﺎ و ﺳﻄﺢ ﮐﺎرﺑﺮی‌ﻫﺎی ﻣﻨﻄﻘﻪ ﻣﺤﺎﺳﺒﻪ و ﻣﻘﺎﯾﺴﻪ و ﺑﺮرﺳﯽ شدند. نتایج آشکارسازی تغییرات دوره اول (2000-1992) بیشترین افزایش مساحت در کاربری‌های مرتع و چراگاه و باغ و زراعت آبی و بیشترین کاهش مساحت در کاربری بستر رودخانه و دوره دوم (2015-2000) بیشترین افزایش مساحت در کاربری‌های باغ و زراعت آبی و بستر رودخانه و بیشترین کاهش مساحت در کاربری مرتع و چراگاه را نشان داد. نتایج بدست
آمده از پیش‌بینی تغییرات کاربری آینده منطقه مورد مطالعه به روش سلول خودکار-مارکوف حاکی از کاهش کاربری باغ و زراعت آبی و افزایش کاربری‌های مرتع و چراگاه و بستر رودخانه نسبت به سال 2015 بود. همچنین نتایج مقایسه پیش‌بینی سال‌های 2020، 2025، 2030 و 2035 با یکدیگر کاهش کاربری‌های بستر رودخانه و مرتع و چراگاه را نشان داد که کمبود بارندگی و افزایش دما که از شواهد تغییر اقلیم می‌باشند، دلیلی بر این موضوع و در نهایت تخریب پوشش گیاهی و تخریب بیشتر خاک باشد. همچنین با توجه به کمبود بارندگی و خشکسالی‌های اخیر و پژوهش‌های صورت گرفته می‌توان نتیجه گرفت که روش سلول خودکار-مارکوف مطابقت بیشتری با منطقه دارا می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Predict possible change in land use by using satellite imagery and CA- Markov model

نویسندگان [English]

  • Farideh Sadat Ebrahimi
  • Ardavan Kamali
University vali_e_asr rafsanjan
چکیده [English]

Background and objectives: Soil is one of the main non-renewable natural resources that today its destruction is considered one of the most severe problems all over the world. In recent decades, rapid and unsustainable changes and land use due to the urban development activities and increasing population created a great deal of modifications in land cover and land use and has been increasing the environmental degradation including soil degradation. Therefore, reviewing these changes through satellite images, evaluating and forecasting their potentialities via modeling can help managers and planners to make more effective decisions. The aim of this study was to assess the changes in land use during the period 1992 to 2015 via using satellite images to calculate the rate of land use changes to each other and predict possible changes in land use in the years 2020, 2025, 2030 and 2035, using cellular automata - Markov model (CA-Markov) in Joupar plain, Kerman province.
Materials and Methods: In order to prepare land use plans the three periods of Landsat satellite images including Landsat 5 satellite TM (1992), Landsat 7 ETM + (2000) and Landsat 8 satellite OLI (2015) were used in this study. To prepare land use maps through satellite images, initially the mentioned images were exposed to primary pre-processing such as geometric and atmospheric corrections. In addition, via providing training samples the satellite images were classified and their accuracy were evaluated using Idrisi imagery software through maximum probability algorithm. The developed land use maps of different periods were transited to CA-Markov model in order to produce transition probability matrix. Ultimately, the transition probability matrix was produced that shows the likelihood of transition of one land use to others. Then the chain analysis of cellular automata – Markov on the basis of land use plans and transition probability matrix in CA-Markov model with an emphasis on land use changes were expected in 2020, 2025, 2030 and 2035 were implemented in Idrisi software with various numbers of repetitions and steps. Based on the survey results, changes in land use and the level of current land use changes calculated, compared and evaluated and the future land use changes were predicted.
Results and Conclusion: The results of the detection of changes in the first period (1992-2000) revealed the highest increase in land area which was attributed to the use of pasture, grassland, irrigated agriculture and orchard and the highest decrease in land area was related to bed stream. In the second period (2000-2015) the greatest increase in land area was associated to the use of irrigated agriculture, orchards and bed stream and the greatest reduction was in pasture and grassland use. The results obtained from the prediction of future user changes of the region based on CA-Markov showed decreasing levels of land use attributed to orchard and irrigated agriculture and increasing levels of land use associated to pasture, grassland and bed stream comparing to 2015. Also the results obtained from the prediction of the findings regarding the years 2020, 2025, 2030 and 2035 revealed a reduction in land use related to bed stream, pasture and grassland due to the lack of rainfall and temperature rise and this will lead in the destruction of vegetation cover as wellas the more soil degradation. Also, due to the lack of rainfall, the recent droughts and previous studies we can conclude that the approach of CA-Markov model is more compatible with the conditions of the region.

کلیدواژه‌ها [English]

  • Land use changes"
  • " satellite imagery"
  • " plain Joupar"
  • " Cellular Automata-Markov model
1.Alavi Panah, K. 2009. Principles of remote sensing. TehranUniv. Press, 780p. (In Persian)
2.Alimohammadi, A., Matkan, A., and Mirbagheri, B. 2010. The Evaluation of CELLULAR
AUTOMATA model efficiency in simulation of urban areas development (Case study:
suburbs of south west of Tehran). J. Spat. Plan. (Modares Human Sciences). 14: 2.81-102.
(In Persian)
3.Amiraslani, F., and Dragovich, D. 2011. Combating desertification in Iran over the last
50 years: An overview of changing approaches. J. Environ. Manage. 92: 1-13. (In Persian)
4.Bennett, H.H. 1939. Soil conservation. McGraw-Hill Book Company, New York, USA, 993p.
5.Chang, C.L., and Chang, J.C. 2006. Markov model and cellular automata for vegetation. J.
Geograph. Res. 45: 1. 45-57.
6.Du, Y., Teillet, P.M., and Cihlar, J. 2002. Radiometric normalization of multi-temporal
high-resolution satellite images with quality control for land cover change detection.
Rem. Sens. Environ. J. 82: 123-134.
7.Eastman, J.R., McKendry, J., and Fulk, M.A. 2005. Change and time series analysis.
Informations Systems Technology. United Nations Institute for Training and Research.
Geneva, 325p.
8.Eastman, J.R., McKendry, J., and Fulk, M.A. 2006. Change and time series analysis.
In:Explorations in Geographic Informations Systems Technology. United Nations Institute
for Training and Research. Geneva, 325p.
9.Falahatkar, S., Sefyanian, A., Khajehaldin, S.J., and Ziaei, H. 2009. The ability of
CA- Markov model to predict land cover map (Case study: Isfahan). Geomatics Conference.
Tehran, Pp: 31-37. (In Persian)
10.Feizizadeh, B., and Haji Mirrahimi, M. 2007. Land use changes detection using objectoriented classification (Case study: Shahrak Andisheh). J. Survey. 19: 99. 1-10. (In Persian)
11.Guan, D., Li, H., Inohae, T., Suweici, N., and Hokao, K. 2011. Modeling urban land
use change by the integration of cellular automaton and Markov model. J. Ecol. Model.
222: 3761-3772.
12.Hashemin Nasab, F., Mousavi Baygi, M., Bakhtiari, B., and Davari, K. 2013. Prediction the
Rainfall Changes with Downscaling LARS-WG and HadCM3 models in Kerman during the
next 20 years (2030-2011). J. Irrig. Water Engin. Iran. 3: 12. 43-58. (In Persian)
13.Hathout, S. 2002. The use of GIS for monitoring and predicting urban growth in East and
West St Paul, Winnipeg, Maintoba, Canada. J. Environ. Manage. 66: 229-238.
14.Kerman meteorological organization. 2015. www.weather.kr.ir. (In Persian)
15.Li, H., and Reynolds, J.F. 1997. Modeling effects of spatial pattern, drought and grazing on
rates of rangeland degradation: a combined Markov and cellular automaton approach. Scale
in Remote Sensing and GIS. Lewis Publishers, Boca Raton, Florida, Pp: 211-230.
16.Mas, J., Melanie, K., Martin, P., Maria, T., Camacho, O., and Thoma, H. 2014. Inductive
pattern-based land use/cover change models: A comparison of four software packages.
J. Environ. Model. Software. 51: 1. 94-111.
17.Mozafarian Laeen, N., and Nikandish, N. 2013. Zoning drought in the Kerman province,
based on SPI. The National Meteorological Conference, Pp: 1-17. (In Persian)
18.Rafiee, R., Salman Mahiny, A., and Khorasani, N. 2009. Assessment of changes in
urban green spaces of Mashhad city using satellite data. Inter. J. Appl. Earth Obs. Geo Inf.
11: 431-438. (In Persian)
19.Rashmi, M., and Lele, N. 2010. Spatial modeling and validation of forest cover change in
Kanakapura region using GEOMOD. J. Ind. Soc. Rem. Sens. 38: 1. 45-54.
20.Rayegani, B., Zehtabian, G.H., Azarnivand, H., Alavipanah, S.K., and Khajeddin, S.J. 2015.
LADA method Performance evaluation on soil degradation assessment in the East of
Esfahan. J. Range Water. Manage. 68: 1. 109-129. (In Persian)
21.Rezaei Banafsheh, M., Rostamzadeh, H., and Fayezizadeh, B. 2008. The Study and
evaluation of the trend of forest surface changes using the remote sensing and GIS: A Case
study of Arasbaran forests. J. Geograph. Res. 62: 143-159. (In Persian)
22.Rezaei, M., Nohtani, M., Abkar, A., Rezaei, M., and Mirkazehi Rigi, M. 2014. Performance
evaluation of Statistical Downscaling Model (SDSM) in Forecasting Temperature Indexes in
Two Arid and Hyper Arid Regions (Case study: Kerman and Bam). J. Water. Manage. Res.
5: 10. 117-131. (In Persian)
23.Sohl, T.L., and Claggett, P.R. 2013. Clarity versus complexity: Land-use modeling as a
practical tool for decision-makers. J. Environ. Manage. 129: 235-243.
24.Soil survey staff. 2014. Keys to Soil Taxonomy, 13th edition. NRCS, USDA, USA.
25.Soleymani Sardoo, F., Soltani Kupani, S., and Sarhadi, A. 2008. Mapping and analysis of
drought using Standardized Precipitation Index (SPI) in Kerman province. Iran Water
Resources Management Conference, Tabriz University, 23-25 October, Pp: 1-6. (In Persian)
26.Sullivan, D. 2001. Exploring spatial process dynamics using irregular cellular automaton
models. J. Geograph. Anal. 33: 1-18.
27.Sullivan, D., and Torrens, P. 2000. Cellular models of urban systems. Center for advanced
spatial analaysis. Pp: 1-17.
28.Wang, S., Zheng, X., and Zang, X. 2012. Accuracy assessments of land use change simulation
based on Markov-cellular automata model. J. Proc. Environ. Sci. 13: 1. 1238-1245.
29.White, R., and Engelen, G. 2000. High resolution integrated modeling of the spatial
dynamics of urban and regional systems, Computers. J. Environ. Urban Syst. 24: 383-400.
30.Yang, X., Zheng, X.Q., and Lv, L.N. 2012. A spatiotemporal model of land use change
based on ant colony optimization, Markov chain and cellular automata. J. Ecol. Model.
233: 11-19.
31.Zayandehroudi, F., Yazdanpanah, N., and Sayari, N. 2013. 30-year-old three-time changes in
precipitation predicted future fine-scale model of the LARS-WG5 and general circulation
models Hadcm3 (Case study: Kerman). The first national conference on water resources and
agricultural challenges, Islamic Azad University, Khorasgan, Pp: 1-8. (In Persian)