آشکارسازی و پیش‌بینی تغییرات کاربری اراضی با استفاده از رویکرد مدل‌سازی در محیط سامانه اطلاعات جغرافیایی (مطالعه موردی: حوزه آبخیز حبله‌رود )

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی دکتری دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

2 نویسنده مسئول، دانشیار دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

3 استادیار دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

4 استاد دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.

5 دانشیار دانشگاه گلستان، گرگان، ایران

6 دانش‌آموخته دکتری دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

چکیده

سابقه و هدف: تعیین نوع، حدود و تغییرات مکانی و زمانی کاربری اراضی و پوشش زمین در تعیین خصوصیات هیدرولوژیکی آبخیزها از اهمیت بسیاری برخوردار است. داده‌های ماهواره‌‌ای به‌عنوان سریع‌‌ترین و کم‌هزینه‌ترین ابزارهای در اختیار پژوهشگران برای این منظور می‌باشند. منطقه مورد مطالعه این پژوهش، حوزه آبخیز حبله‌رود است که کاهش آبدهی آن در دهه‌‌های گذشته باعث تشدید تعارض بین ذینفعان بالادست (استان تهران) و پائین دست (استان سمنان) شده است. باتوجه به اینکه تغییرات کاربری اراضی یکی از عوامل تغییرات رژیم هیدرولوژیکی آبخیزها می‌‌باشد، هدف تحقیق حاضر آشکارسازی، کمّی‌‌سازی و پیش‌بینی تغییرات کاربری اراضی و بررسی روند تغییرات پوشش گیاهی سطح زمین در این حوزه می‌باشد.
مواد و روش‌ها: در این تحقیق برای شناسایی کاربری اراضی حوزه حبله‌‌رود، طبقه‌‌بندی نظارت‌ شده شی‌ءگرای تصاویر سری لندست مربوط به سال‌های 1987، 2002 و 2019 در محیط سامانه گوگل ارث انجین انجام شد. برای بررسی عملکرد روش طبقه‌‌بندی، نقاط متعدد واقعیت زمینى نیاز است. در این تحقیق، نقشه واقعیت زمینى با بررسى میدانى و تفسیر تصاویر با تفکیک مکانی زیاد (بزرگ ‌مقیاس) گوگل‌مپ ایجاد شد. از مدل زنجیره‌ای مارکوف و سلول‌‌های خودکار مارکوف در افزونهMOLUSCE که یکی از افزونه‌‌های نرم‌‌افزار سامانه اطلاعات مکانیQGIS است برای شبیه‌‌سازی تغییرات کاربری اراضی و تحلیل وضعیت پویایی منطقه مورد مطالعه استفاده شد. بعلاوه، روند تغییرات شاخص NDVI برای ارزیابی تغییرات مکانی – زمانی وضعیت پوشش گیاهی منطقه مورد مطالعه در نرم‌‌افزار گوگل ارث انجین محاسبه شد.
یافته‌ها: نتایج بیانگر این است که روش و تکنیک طبقه‌بندی مورد استفاده در این پژوهش دارای درصد صحت کلی بیش از 88 و ضریب کاپای بیش از 86/0 در تمام مقاطع زمانی مورد بررسی می‌باشد. همچنین مشاهده می‌شود که حوزه حبله‌‌رود طی دوره 1987 الی 2019 شاهد افزایش مساحت اراضی زراعی آبی به میزان 5/67 کیلومترمربع، اراضی زراعی دیم در حدود 20 کیلومترمربع و مناطق مسکونی در حدود 21 کیلومترمربع بوده است. مساحت اراضی مرتعی درجه 1 حدود 240 کیلومترمربع و اراضی مرتعی درجه 2 حدود 196 کیلومترمربع کاهش ‌یافته است. درحالی‌که مساحت اراضی مرتعی درجه 3 افزایشی حدود 327 کیلومترمربع داشته است. در صورت تداوم این روند، تا سال 2051 مساحت اراضی زراعی آبی در حدود 20 کیلومترمربع دیگر افزایش و مساحت اراضی مرتعی درجه 1 در حدود 127 کیلومترمربع کاهش خواهد یافت. اما مساحت اراضی مرتعی درجه 2 و3 هرکدام در حدود 50 کیلومترمربع افزایش خواهد یافت. مساحت اراضی مسکونی نیز روند افزایشی خواهند داشت. همچنین نتایج بیانگر سیر نزولی معنادار متوسط شاخص NDVI حوزه است که نشان می‌دهد در طول زمان وضعیت پوشش گیاهی منطقه سیر قهقرایی را طی کرده است. سیر قهقرایی پوشش گیاهی در اطراف مناطق مسکونی و رودخانه‌‌ها و قسمت‌های پایین‌‌دست حوزه شدیدتر است.
نتیجه‌گیری: بررسی روند تغییرات کاربری اراضی حوزه حبله‌رود نشان می‌‌دهد که در اثر مداخلات انسانی، در بخش‌‌های فراوانی از سطح حوزه، پوشش گیاهی طبیعی با پوشش‌‌های زراعی، باغی و مسکونی جایگزین شده است. کیفیت پوشش طبیعی غالب منطقه (مرتع) نیز سیر قهقرایی را طی کرده است. بنابراین با توجه به روند افزایش جمعیت، گسترش شهرنشینی، توسعه صنایع و گردشگری و پیامدهای ناشی از مداخلات انسانی در حوزه همچون کاهش شدید آبدهی رودخانه‌‌های حوزه حبله‌رود و گسترش تعارض بین ذینفعان و ذیمدخلان پیشنهاد می‌گردد تمرکز اصلی سیاست‌‌ها و اقدامات مدیریتی در این حوزه آبخیز روی برنامه‌‌ریزی مؤثر به‌ویژه مدیریت و بهینه‌‌سازی مداخلات انسانی از طریق تدوین و اجرای برنامه آمایش سرزمین و راهکارهای بهینه‌‌سازی و صرفه‌‌جویی در مصرف آب باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Detection and Prediction of Land Use Changes Using Modeling Approach within a GIS Environment (Case Study: Hablehroud Watershed)

نویسندگان [English]

  • Mahin Naderi 1
  • Vahedberdi Sheikh 2
  • Chouoghi Bairam Komaki 3
  • Abdolreza Bahremand 4
  • AbdulAzim Ghangermeh 5
  • Hamid Siroosi 6
1 Ph.D. Student, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
2 Corresponding Author, Associate Prof., Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
3 Assistant Prof., Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
4 Professor, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
5 Associate Prof., Golestan University, Gorgan, Iran
6 Ph.D. Graduate, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
چکیده [English]

Background and Objectives: Determining the type, extent, and spatio-temporal changes of land use and land cover is very important in determining the hydrological characteristics of watersheds. Satellite data is the fastest and cheapest tools available to researchers in this regard. The study area in this study is Hablehroud watershed, whose flow decline over the past decades resulted in intensification of the conflict between the upstream (the Tehran province) and downstream (the Semnan province) stakeholders. Since, the land use change is considered one of the causes of the watersheds’ hydrological regime, this study aims detect, quantify, and predict the land use changes as well as to analyze the land surface vegetation cover in the Hablehroud watershed.
Materials and Methods: In this study, in order to identify the land use types of the Hablehroud basin, a supervised object-oriented classification of Landsat series images related to 1987, 2002 and 2019 was performed in Google Earth Engine software. To determine the classification performance, several ground truth points is required. In this study the ground truths were acquired through field visits and consultation of the high-resolution images of the Google map. The Markov chain and CA-Markov models within the MOLUSCE module, which is one of the software extensions of QGIS spatial information system software, wer used to simulate land use changes and analyze their dynamics in the study area. Moreover, the NDVI index was calculated to assess the spatio-temporal changes of the vegetation status of the study area through using the Google Earth Engine software.
Results: The results indicate that the classification method used in this research has an overall accuracy percentage of more than 88 and a Kappa coefficient of more than 0.86 in all the time periods investigated. It is also observed in 2019, compared to 1987, we see an increase in irrigated arable land by about 67.5 square kilometers, an increase in rainfed agricultural land by about 20 square kilometers and an increase in residential areas by about 21 square kilometers. However, the grade 1 and 2 rangelands have decreased, which is about 240 square kilometers in the grade 1 rangelands and about 196 square kilometers in the grade 2 rangelands. While the extent of the poor rangelands has increased by about 327 square kilometers. If this trend continues, during 2019 - 2051, the extent of the irrigated areas, poor and medium class rangelands will increase about 20, 50, and 50 square kilometers, while the extent of the good rangelands will decrease about 127 square kilometers. The extent of the residential lands will increase too. trend. The results also show a significant downward trend in the average NDVI index of the basin, indicating retrogression in the vegetation status of the basin. Vegetation retrogression is more intense around residential areas and rivers and downstream areas of the basin.
Conclusion: The study of land use change trends in Hablehroud basin shows that due to human interventions, in significant parts of the basin, natural vegetation has been replaced by agricultural, horticultural and residential areas. The quality of the dominant natural cover of the region (rangeland) has also undergone a significant retrogression process Therefore, due to population growth, urbanization and development of industries and tourism, sharp decline in the discharge of the Hablehroud basin and the spread of conflict between stakeholders in the region, it is suggested that the main focus of the policies and management measures should be on effective planning, especially the management and optimization of human interventions through the development and implementation of land management plans and optimization strategies and save water consumption in this watershed.

کلیدواژه‌ها [English]

  • Remote Sensing
  • Google Earth Engine
  • NDVI
  • Supervised Classification
  • Hablehroud Basin
1.Pal, M., and Mather, P.M. 2005. Support Vector Machines for Classification in Remote Sensing. International Journal of Remote Sensing. 26: 5. 1007-1011.
2.Soltani, N., and Mohammadnejad, V. 2021. Efficiency of Google Earth Engine (GEE) system in land use change assessment and predicting it using CA-Markov model (Case study of Urmia plain). Journal of RS and GIS for Natural Resources. 12: 3. 101-114.
3.Deilmai, B.R., Ahmad, B.B., andZabihi, H. 2014. Comparison of two classification methods (MLC and SVM) to extract land use and land cover in Johor Malaysia. In IOP conference series: Earth and environmental science. 20: 1 . 012052.
 4.Jensen, J.R. 1996. Introductory digital image processing: a remote sensing perspective. Univ. of South Carolina, Columbus.‏  2. 318.
 5.Blaschke, T. 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing. 65: 1. 2-16.
6.Li, M., Zang, Sh., Zhang, B., Li, Sh., and Wu, Ch. 2014. A review of remote sensing image classification techniques: The role of spatio-contextual information. European Journal of Remote Sensing.47: 389-411.
7.Liu, Q., Guo, Y., Liu, G., and Zhao, J. 2014. Classification of Landsat 8 OLI image using Support Vector Machine with Tasseled Cap transformation. In 2014 10th International Conference on Natural Computation (ICNC). pp. 665-69.
8.Szuster, B.W., Chen, Q., and Borger, M. 2011. Acomparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography. 31: 2. 525-532.
9.Li, M., Ma, L., Blaschke, T., Cheng, L., and Tiede, D. 2016. A systematic comparison of different object-based classification techniques using high spatial resolution imagery in agricultural environments. International Journal of Applied Earth Observation and Geoinformation. 49: 87-98.
10.Chen, M., Su, W., Li, L., Zhang, C., Yue, A., and Li, H. 2009. Comparison of pixel-based and object oriented knowledge- based classification methods using SPOT5 imagery. WSEAS Transactions on Information Science and Applications. 3: 6. 477-489.
11.Hajibigloo, M., Sheikh, V., Memarian, H., Komaki, C.B. 2022. A comprehensive assessment and modeling of land use changes in a flood-prone watershed, northeast of Iran. Journal of the Indian Society of Remote Sensing. 50: 6. 1101-1118.
12.Lambin, E.F., Turner, B.L., Geist, H.J., Agbola, S.B., Angelsen, A., Bruce,J.W., ... and Xu, J. 2001. The causes ofland-use and land-cover change:moving beyond the myths. Global Environmental Change. 11: 4. 261-269.
13.Brown, D.G., Pijanowski, B.C., and Duh, J.D. 2000. Modeling the relationships between land use and land cover on private lands in the Upper Midwest, USA. Journal of Environmental Management. 59: 4. 247-263.
14.Shaabani, H.M. 2003. Investigating the impact of land use change on sedimentation in watersheds (case study: Taleghan watershed). Master thesis, Natural Resources faculty, Tehran University. 145p. (In Persian)
15.Muller, M.R., and Middleton, J. 1994. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology. 9: 2. 151-157.
16.Feizizadeh, B. 2017. Modeling the Trends of the Land Use/Cover Change and Its Impacts on the Erosion System of the Allavian Dam Based on the Remote Sensing and GIS Techniques. Hydrogeomorphology. 4: 11. 21-38. (In Persian)
17.Andriani, S., Nikjo, M., Rezai Moghadam, M.H., and Mokhtari, D. 2018. Analysis of land use changes using object-oriented methods and Markov chain in Zilbirchai watershed located in East and West Azerbaijan. Geography and Development Quarterly. 16: 53. 37-50.
18.Shafiee Sabet, N., Mohammadi, Sh., and Ashkan. 2019. Detection and prediction of land use changes using CA-Markov model (case study: Tehran-Damavand). Journal of Geographical Information. 28: 111. 175-190. (In Persian)
19.Aghaei, M., Khavarian, H., and Mostafazadeh, R. 2020. Prediction of Land Use Changes Using the CA-Markov and LCM Models in the Kozehtopraghi Watershed in the Province of Ardabil. Watershed Management Research Journal. 33: 3. 91-107. (In Persian)
20.Wang, S.W., Munkhnasan, L., and Lee, W.K. 2021. Land use and land cover change detection and prediction in Bhutan's high altitude city of Thimphu, using cellular automata and Markov chain. Environmental Challenges, 2,  .
21.Dome, T.I.N.E., Gayane, F.A.Y.E., Guilgane, F.A.Y.E., Ndour, M.M.M.E., and Mbagnick, F.A.Y.E. 2022. Detection and predictive modeling of land use changes by CA-Markov in the northern part of the Southern rivers: From Lower Casamance to Geba river (Guinea Bissau). Journal of Ecology and the Natural Environment. 14: 1. 1-14.‏
22.Muhammad, R., Zhang, W., Abbas, Z., Guo, F., and Gwiazdzinski, L. 2022. Spatiotemporal change analysis and prediction of future land use and land cover changes using QGIS MOLUSCE plugin and remote sensing big data: A case study of Linyi, China. Land. 11: 3. 419.
23.Daba, M., Ekonnen H., and Songcai, Y. 2022. Quantitatively assessing the future land use/land-cover changes and their driving factors in the upper stream of the Awash River based on the CA–Markov model and their implications for water resources management. Sustainability. 14: 3. 1538.
24.Sheikh, V., Zare Garizi, A., Elwandi, E., Asadi Nelivan, O., Khosravi, G., Saaduddin, A., and Ong, M. 2018. Collaborative location of proposed solutions to manage the Hablehroud watershed. Watershed Research. 32: 4. 2-18. (In Persian)
25.Roy, D.P., Kovalskyy, V., Zhang, H.K., Vermote, E.F., Yan, L., Kumar, S.S., and Egorov, A. 2016. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity. Remote sensing of Environment. 185: 57-70.
26.Wingate, V.R., Phinn, S.R., and Kuhn, N. 2019. Mapping precipitation-corrected NDVI trends across Namibia. Science of the Total Environment. 684: 96-112.
27.Song, X.P., Hansen, M.C., Stehman, S.V., Potapov, P.V., Tyukavina, A., Vermote, E.F., and Townshend, J.R. 2018. Global land change from 1982 to 2016. Nature. 560: 7720. 639-643.
28.Allen, C.D., Macalady, A.K., Chenchouni, H., Bachelet, D., McDowell, N., Vennetier, M., ... and Cobb, N. 2010. A global overview of drought and heat-induced tree mortality reveals emerging climate change risks for forests. Forest ecology and management. 259: 4. 660-684.
29.Piao, S., Wang, X., Park, T., Chen, C., Lian, X.U., He, Y., ... and Myneni, R.B. 2020. Characteristics, drivers and feedbacks of global greening. Nature Reviews Earth and Environment. 1: 1. 14-27.
30.Sheikh, V., Salmani, H., Salman Mahiny, A., Ownegh, M., and Fathabadi, A. 2021. Land use optimization through bridging multiobjective optimization and multicriteria decision‐making models (case study: Tilabad Watershed, Golestan Province, Iran). Natural Resource Modeling. 34: 2. 1-28.