پیش بینی تغییرات کاربری اراضی در دشت سیرجان با استفاده از زنجیره مارکوف-سلولار

نوع مقاله: مقاله پژوهشی

نویسندگان

1 هیات علمی گروه مهندسی ابخیزداری - دانشکده کشاورزی و منابع طبیعی - دانشگاه هرمزگان

2 گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

3 عضو هیات علمی گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

چکیده

هدف از این مطالعه بررسی روند کاربری اراضی و تغییرات آن در بازه زمانی 27 ساله (2017-1990) و پیش بینی آن با استفاده از روش زنجیره مارکوف- سلولار خودکار برای سال2026 در اکوسیستم خشک و بیابانی دشت سیرجان با استفاده از تصاویر ماهواره لندست سالهای 1990، 2006 و 2017 می باشد. پس از انجام تصحیحات لازم بر روی تصاویر لندست نقشه های کاربری برای سه مقطع زمانی به چهار کلاس کاربری اراضی: بایر با پوشش گیاهی کم، شوره زار، مناطق مسکونی - انسان ساخت و کشاورزی طبقه بندی گردید. دقت کلی و ضریب کاپا برای سال‌های 1990 ،2006 و 2017 بالای 80/0 و 82/0 می‌باشد. برآورد کاربری اراضی نشان داد که بیش از 90 درصد منطقه مورد مطالعه را اراضی بایر و شوره زار تشکیل داده است که نشان دهنده حساس بودن اکوسیستم منطقه به بیابان زایی است. نتایج حاصل از آشکار سازی تغییرات بین بازه زمانی 1990 تا 2017 نشان داد که اراضی بایر به میزان 75/7866 هکتار ( 47/4 درصد) روند کاهشی داشته است. در مقابل اراضی شور 78/1719 هکتار ( 21/14 درصد)، اراضی شهری- انسان ساخت 50/1244 هکتار (52/275درصد) ، اراضی کشاورزی 48/4902 هکتار (17/43 درصد) با روند افزایشی مواجه بوده است. نتایج حاصل از پیش بینی نشان داد که تا سال 2026 سطح اراضی بایر 48/3792 هکتار کاهش و سطح اراضی شور 74/315 هکتار ، اراضی شهری – انسان ساخت 51/291 هکتار و اراضی کشاورزی 23/3185 هکتار افزایش پیدا خواهد کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting Land Use Changes and Land cover in Sirjan Plain Using Markov-Cellular mode

نویسندگان [English]

  • arashk holisaz 1
  • saeedeh mahmoodabadi 2
  • hannaneh mohammadi kangarani 2
  • hamid gholami 3
1 Department of Natural Resources Engineering, University of Hormozgan, Bandar-Abbas, Hormozgan, Iran
2 Department of Natural Resources Engineering, University of Hormozgan, Bandar-Abbas, Hormozgan, Iran
3 Department of Natural Resources Engineering, University of Hormozgan, Bandar-Abbas, Hormozgan, Iran.
چکیده [English]

. Land use prediction models are essential for planning sustainable land use. This is especially needed in developing countries where activities such as deforestation, development of agricultural lands, and degradation which intensifies the phenomenon of desertification. Since land use changes occur on a large scale over time, the use of remote sensing science is essential in investigating this phenomenon. Using data such as multi-time and large coverage, this data can be used to prepare land use maps and survey them in different time periods at the lowest cost and in a short time, and from their ratio, changes can be predicted for the future. The results show that the region has a sensitive ecosystem, land use change is happening rapidly. Therefore, if the current strategy of land use in this region continues without consideration for sustainable development, severe land degradation and desertification of the region in the future is inevitable.In this research, we studied trend of land use change in Sirjan plain that located in the west of Kerman province during period (2017-1990 using Landsat satellite images (TM and OLI sensirs) . likelihood maximum method applied to classifying these images. kapa coefficient was used to evaluate the accuracy of the maps and modeling. For predicting land use changes for year 2026, we used CA_Markov automatic cell .studing land use changes trend in Sirjan plain during (1990-1990) showed that the largest area covered by bayer lands with low coverage. this level user has decreased from 88.04% in 1990 to about 84.11% in 2017. During the study period, saline, urban area and agricultural lands has been increasing. saline land increased (with 6.05%) in 1990 to about (6.91 %) in 2017. The urban area were increasing trend observed with 0.23% of the total area in 1990 to 0.85% in 2017. The trend of changes in this use in the first period (2006-1990) has increased from 291.51 hectares to about 952.99 hectares in the second period (2017-2006). The results of evaluating the accuracy of the maps produced for 1990, 2006 and 2017 were 86.7, 89.7 and 88.7, respectively, and the Kappa coefficient for these years was 0.82, 0.84 and 86, respectively. Simulation of land use changes for 2026 showed decresing trend observed in bayer lands with 2.15% about 3792.48 hectares and saline, urban area and agricultural Results increasing trend observed with 2.62%, 64.54% and 28.55 %t, and 155.74, 291.51 and 3185.32 hectares, respective.land use changing has important role in stability ecosystem and its services, and its negative effects are the reduction of the ecological and biological power of the earth, which is also known as the cause of desertification. Land use estimates showed that more than 90% this the area. Based on the prediction for 2026 showed decreasing trend in bayer lands and increasing trend in saline, urban area and agricultural lands. Therefore, if the current strategy of land use in this region continues without consideration for sustainable development until 2026,
The rapid changes in land use in different parts of the world have attracted a lot of attention because it has a considerable impact on the physical and economic conditions ecosystems and communities in them. Land use change is a very important indicator for understanding the interaction between human activities and the environment. Land use prediction models are essential for planning sustainable land use. This is especially needed in developing countries where activities such as deforestation, development of agricultural lands, and degradation which intensifies the phenomenon of desertification. Since land use changes occur on a large scale over time, the use of remote sensing science is essential in investigating this phenomenon. Using data such as multi-time and large coverage, this data can be used to prepare land use maps and survey them in different time periods at the lowest cost and in a short time, and from their ratio, changes can be predicted for the future. The results show that the region has a sensitive ecosystem, land use change is happening rapidly. Therefore, if the current strategy of land use in this region continues without consideration for sustainable development, severe land degradation and desertification of the region in the future is inevitable.In this research, we studied trend of land use change in Sirjan plain that located in the west of Kerman province during period (2017-1990 using Landsat satellite images (TM and OLI sensirs) . likelihood maximum method applied to classifying these images. kapa coefficient was used to evaluate the accuracy of the maps and modeling. For predicting land use changes for year 2026, we used CA_Markov automatic cell .studing land use changes trend in Sirjan plain during (1990-1990) showed that the largest area covered by bayer lands with low coverage. this level user has decreased from 88.04% in 1990 to about 84.11% in 2017. During the study period, saline, urban area and agricultural lands has been increasing. saline land increased (with 6.05%) in 1990 to about (6.91 %) in 2017. The urban area were increasing trend observed with 0.23% of the total area in 1990 to 0.85% in 2017. The trend of changes in this use in the first period (2006-1990) has increased from 291.51 hectares to about 952.99 hectares in the second period (2017-2006). The results of evaluating the accuracy of the maps produced for 1990, 2006 and 2017 were 86.7, 89.7 and 88.7, respectively, and the Kappa coefficient for these years was 0.82, 0.84 and 86, respectively. Simulation of land use changes for 2026 showed decresing trend observed in bayer lands with 2.15% about 3792.48 hectares and saline, urban area and agricultural Results increasing trend observed with 2.62%, 64.54% and 28.55 %t, and 155.74, 291.51 and 3185.32 hectares, respective.land use changing has important role in stability ecosystem and its services, and its negative effects are the reduction of the ecological and biological power of the earth, which is also known as the cause of desertification.

کلیدواژه‌ها [English]

  • Sirjan plain
  • desert ecosystem
  • Remote Sensing
  • Markov chain
  • Land Use Change
  • اکبری، مرتضی؛ کریم زاده، حمیدرضا؛ مدرس، رضا؛ چکشی، بهاره، 1386، ارزیابی و طبقه بندی بیابان زایی با فناوری سنجش از دور و سیستم اطلاعات جغرافیایی (مطالعه موردی: منطقه خشک شمال اصفهان)، تحقیقات مرتع و بیابان ایران، سال14، شماره2، صص 142-124.
  • پیری، حلیمه؛ بامری، ابوالفضل،1393، بررسی روند تغییرات کمی سطح ایستابی منابع آب زیرزمینی با استفاده از زمین آمار و سیستم اطلاعات جغرافیایی(مطالعة موردی: دشت سیرجان)، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال 1، شماره 5، صص 22-44.
  • جعفربگلو، منصور؛ نادی زاده، شورابه؛ سامان امامی، کامیار؛ مرادی پور، فاطمه، 1396، بررسی و پیش بینی تغییرات کاربری متاثر از تپه های ماسه ای در شرق شهر بشرویه با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی، مجله پژوهشهای ژئومورفولوژی کمی، سال 3، شماره6 ، صص 134-117.
  • رمضانی، نفیسه ؛ جعفری، رضا، 1393، آشکارسازی تغییرات کاربری پوشش اراضی در افق 1404 با استفاده از مدل زنجیره ای CA مارکوف (مطالعه موردی: اسفراین)، فصلنامه تحقیقات جغرافیایی، سال4، شماره 29، صص 96-83.
  • زهتابیان، غلامرضا؛ پوررضا، مریم؛ خسروی, حسن؛ راهداری، محمدرضا،1393. تاثیر تغییر کاربری اراضی بر روی تخریب زمین و بیابان‌زایی در حوزه آبخیز روانسر، فصلنامه مطالعات جغرافیایی مناطق خشک، سال4، شماره16، صص 85-73.
  • شمسی پور، علی اکبر؛ حیدری، سوسن؛ باقری، کیوان، 1396، پایش روند تغییرات پوشش زمین در شهر کرمانشاه با مدل CA مارکوف، پژوهشهای جغرافیایی برنامه ریزی شهری، سال5، شماره3، صص 514-495. 
  • صالحی، ناهید؛ اختصاصی، محمدرضا؛ طالبی، علی، 1398، پیش بینی روند تغییرات کاربری اراضی با استفاده از مدل زنجیره مارکوف CA-Markov (مطالعه موردی: حوزه آبخیز صفارود رامسر،  سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال1، شماره10، صص 106-12.
  • عباس نژاد، احمد؛ شاهی دشت، علیرضا، 1392، بررسی آسیب پذیری دشت سیرجان با توجه به برداشت بی رویه از سفره آب زیرزمینی منطقه، جغرافیا و آمایش شهری-منطقه ای، شماره 7، صص 96-85.
  • عزیزی قلاتی، سارا؛ رنگزن، کاظم؛ سدیدی، جواد؛ حیدریان، پیمان؛ تقی زاده، ایوب، 1395، پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل زنجیرة مارکوف-CA ( مطالعة موردی: منطقه کوهمره سرخی استان فارس)، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال7، شماره1، صص 59-71.
  • هاشمی نسب, سیده نگار؛ جعفری، رضا، 2018، ارزیابی تغییرات کاربری اراضی به منظور پایش بیابان‌زایی با استفاده از تکنیک سنجش از دور، تحلیل فضایی مخاطرات محیطی، سال5، شماره3، صص 72-68 .
  • یوسفی، مریم؛ مکانیکی، جواد؛ اشرفی، جواد؛ نیسانی سامانی، نجمه، 1396، آشکارسازی و مدلسازی تغییرات کاربری اراضی با استفاده از داده های سنجش از دور و مدل زنجیره مارکوف و سلولهای خودکار مطالعه موردی شهر بجنورد، مجله آمایش جغرافیایی فضا، سال7، شماره 26، صص 16-1.
    • Bihamta, N., Soffianian, A.,  Fakheran, S.,  & Gholamalifard, M. (2015). Using the SLEUTH Urban Growth Model to Simulate Future Urban Expansion of the Isfahan Metropolitan Area, Iran, Journal of the Indian Society of Remote Sensing,43 (2): 407 – 414.
    • DongJie, G., HaiFeng, L., Takuro, I., Weici, S., Tadashi, N., & Kazunori, H. (2017). Cellular automata and Markov Chain (CA_Markov) model-based predictions of future land use and land cover scenarios (2015–2033) in Raya, northern Ethiopia, Modeling Earth Systems and Environment, 3(4):1245-1262.
    • Foley, J. A., Defries, R., Asner, G, P., Barford, C., & Bonan, G. ( 2005). Global consequences of land use. Science, 309 (5734): 570 – 574.
    •   Findell, K. L., Berg, A.,  Gentine, P., Krasting, J. P., Lintner, B. R., Malyshev, S., Santanello, J. A., & Shevliakova, E. (2017). The impact of anthropogenic land use and land cover change on regional climate extremes, Nature Communications, 8 (1): 989.
    •   Gidey, E., Dikinya, O., Sebego, R., Segosebe, E., & Zenebe, A. (2017). Cellular automata and Markov Chain (CA_Markov) model-based predictions of future land use and land cover scenarios (2015–2033) in Raya, northern Ethiopia, Modeling Earth Systems and Environment, 3(4):1245-1262.
    •   Hishe, S., Bewket, W., Nyssen, J., & Lyimo, J. (2018). Analysing past land use land cover change and CA-Markov-based future modelling in the Middle Suluh Valley, Northern Ethiopia, Geocarto International , 35(3): 1-31.
    •   Li, X., Chen, G., Liu, X., Liang, X., Wang, S., Chen, Y., Pei, F., & Xu, X. (2017). A new global land-use and land-cover change product at a 1-km resolution for 2010 to 2100 based on human–environment interactions, Annals of the American Association of Geographers: 1-20.
    •   Logsdon,  M. G., Bell, J. E., Westerlund, V. F. (1996). Probability mapping of land use change: a GIS interface for visualizing transition probability, Comput Environ Urban Syst, 20:389–398.
    •  Rajitha, K., Mukherjee, C. K., Chandran, V. R., & Prakash Mohan, M. M. (2010), Landcover change dynamics and coastal aquaculture development: a case study in the East Godavari delta, Andhra Pradesh, India using multi-temporal satellite data, International Journal of Remote Sensing, 31 (16): 4423 -4442.
    •  Richards, J. A. (1999). Remote sensing digital image analysis, 3, Springer.
    •  Valipour, M., Amin, V., Zeidi, A. R., & Akbarpour, K. (2012). The bankruptcy prediction of accepted companies in Tehran negotiable papers exchange by the use of artificial neural network and it's comparison with logistic regression statistical model, International Journal of Business and Technopreneurship, 4(3):451-465.
    •  Václavík, T., Rogan, J. (2009). Identifying trends in land use/land cover changes in the context of postsocialist transformation in central Europe: a casestudy of the greater Olomouc region, Czech Republic. GIScience & Remote Sensing, 46(1): 54-76.
    • 24-Wang, Sh. Q., Zheng, X., & Zang, X. B. (2012). Accuracy assessments of land use change simulation based on Markov-cellular automata model, Procedia Environmental Sciences, 13: 1238-1245.
    • 25-Mosammam, H. M., Nia, J. T., Khani, H., Teymouri, A., & Kazemi, M. (2017). Monitoring land use change and measuring urban sprawl based on its spatial forms: The case of Qom city. The Egyptian Journal of Remote Sensing and Space Science, 20(1), 103-116.