آمار
| تعداد نشریات | 13 |
| تعداد شمارهها | 660 |
| تعداد مقالات | 6,885 |
| تعداد مشاهده مقاله | 10,043,720 |
| تعداد دریافت فایل اصل مقاله | 9,330,418 |
پیشبینی تغییرات احتمالی کاربری اراضی دشت جوپار با استفاده از تصاویر ماهوارهای و مدل CA-Markov | ||
| مجله پژوهشهای حفاظت آب و خاک | ||
| مقاله 14، دوره 24، شماره 4، مهر 1396، صفحه 259-271 اصل مقاله (950.87 K) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwsc.2017.11927.2643 | ||
| نویسندگان | ||
| فریده سادات ابراهیمی* ؛ اردوان کمالی | ||
| 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 | ||
| تغییرات کاربری"؛ " تصاویر ماهوارهای"؛ " دشت جوپار"؛ " مدل سلول خودکار - مارکوف | ||
| مراجع | ||
|
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) | ||
|
آمار تعداد مشاهده مقاله: 935 تعداد دریافت فایل اصل مقاله: 991 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب