ادغام رگرسیون لجستیک و شبکه خودکار مارکوف به منظور پیش‌بینی تغییرات کاربری سرزمین (مطالعه موردی: حوزه آبخیز گاماسیاب)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد ارزیابی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه ملایر

2 استادیار گروه محیط‌زیست (گرایش ارزیابی و آمایش سرزمین)، دانشکده منابع طبیعی و محیط‌زیست، دانشگاه ملایر، ملایر، همدان

چکیده

مدل CA مارکوف توان بالایی در ترسیم الگوهای مکانی و ارزیابی تغییرات کاربری و پوشش سرزمین دارد‬. در این مطالعه نقشه‌های کاربری سرزمین حوزه آبخیز گاماسیاب سال‌های 1987، ۲۰۰۲ و ۲۰۱۶ با استفاده از تصاویر ماهواره لندست و سنجنده های TM، ETM+ و OLI و به روش طبقه‌بندی حداکثر احتمال استخراج شد‬ توزیع مکانی و میزان انتقال کاربری‌های سرزمین با استفاده از تکنولوژی GIS محاسبه شد و پس از آن انتقال در میان انواع مختلف کاربری بررسی شد تا ماتریس انتقال به دست آید‬. از نتایج ماتریس سال‌های 1987 تا 2002 این‌گونه استنباط می‌شود که اراضی صخره‌ای و بایر، مراتع و ساخت و ساز شهری ثبات و پایداری بیشتری داشتند و در مقابل پویایی و تغییر تحول بیشتر در کاربری آب‌های سطحی و پس از آن کشاورزی بیشتر به چشم می‌خورد‬. بر اساس مدل موفق سال 2016 که با استفاده از نقشه 1987 و 2002 به دست آمد، نقشه کاربری 2030 پیش‌بینی شد‬. مجموعه تصاویر مطلوبیت موردنیاز برای این مطالعه با استفاده از رگرسیون لجستیک تهیه شدند و نتایج آن جهت پیش‌بینی روند تغییرات آتی در مدل CA-Markov استفاده شد‬. توافق بالا بین شبیه‌سازی و مشاهدات نشان داد که مجموعه تصاویر مطلوبیت به‌دست‌آمده از رگرسیون لجستیک دقت بالایی دارد. همچنین ثابت کرد که عوامل انتخاب‌شده می‌توانند به طور معنی‌داری فرآیندهای تأثیرگذار بر تغییر کاربری زمین را نشان دهند. متغیرهای فاصله از انواع کاربری موجود انتظار می‌رفت بیشتر تأثیر را نسبت به سایر عوامل داشته است‬. فاصله از جاده و پس از آن رودخانه ضریب تأثیر بالایی در توسعه و ساخت‌وساز شهری نشان می‌دهد‬. نتایج نشان می‌دهد بیشترین تغییر در کاربری‌های مراتع تبدیل آن‌ها به کشاورزی بوده و پس از آن نیز به اراضی بایر تبدیل شده‌اند‬. طبقه کاربری اراضی بایر نیز بیشتر به کاربری کشاورزی تبدیل شده‌اند ‬.

کلیدواژه‌ها


عنوان مقاله [English]

Integration of Cellular Automata -Markov (CA-Markov) Model and Logistic Regression to Land-Use Change Prediction: )A Case Study of Gamasiab Basin(

نویسندگان [English]

  • zahra parvar 1
  • kamran shayesteh 2
1 M. Sc of Environmental Assessment, Department of Environment, Faculty of Natural Resources, Malayer University
2 Assistant prof, Department of Environment, Faculty of Natural Resources, Malayer University
چکیده [English]

Land use modeling is very vital for decision makers and plays an important role in environmental planning and management. The CA-Markov model have strong ability to project the spatial pattern and to evaluate land use and land cover changes. In This Study, a series of satellite images of Landsat TM, ETM+ and OLI data of 1987, 2002, 2016 were used to produce classified land use maps. Land use maps of Gamasiab basin were prepared using maximum likelihood classification. Area change and spatial distribution of land use were calculated using GIS technology. The transition area among different land use types were analyzed to obtain the transformation matrices. The transition probability matrix shows from 1987 to 2002, barren land, grassland and urban expansion are the most stable classes. In other hand, the most dynamic classes are water and cultivated land. Based on the success of the models for 2016 using 1987 and 2002 maps, simulated future land use map for 2030. Suitability image collection were prepared by using logistic regression and then its results were used in CA-Markov model. The high agreement between predicted and the real map demonstrated that the suitability image collection derived from logistic regressions which have high precision‬. It also proved that the selected factors could represent the influencing processes of land use changes adequately. The coefficients of the distance to current land use classes had the highest values among all impact factors. The distance from the road and river shows a high impact on urban development.The results show that the greatest change in grassland has turned them into farmland and then barren land. The barren land has also turned into farmland.

کلیدواژه‌ها [English]

  • Cellular automata Markov
  • impact factors
  • Transition suitability image
  • Land use/cover change Prediction