بررسی مقایسه‌ای تغییرات کاربری اراضی با استفاده از مدل زنجیرة مارکوف و سلول‌های خودکار (CA- Markov) در حوضة آبخیز خیاوچای مشگین‌شهر

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه علوم و مهندسی آبخیزداری، دانشکده‌ی منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

چکیده

سابقه و هدف: یکی از مهم‌ترین مراحل در مسیر توسعة پایدار حفاظت از تمامیت اراضی است زیرا سالیانه بخشی از اراضی، به‌دلایل متعدد، تغییر کاربری می‌یابد و خروج این‌‌گونه اراضی از مسیر تولید لطمات جبران‌ناپذیری را در پی دارد. ازآنجاکه تغییرات کاربری اراضی در حوضة آبخیز خیاوچای، به‌علت شرایط خاص کوهستانی و آتش‌فشانی‌بودن این حوضه، اهمیت زیادی دارد، بررسی تغییرات مکانی و زمانی کاربری اراضی دیدگاه مفیدی را به طراحان، برنامه‌ریزان و مدیران، در برنامه‌ریزی دقیق، ارائه می‌دهد؛ چراکه تغییرات بدون برنامه و غیراصولی کاربری اراضی از چالش‌های مهم و اساسی هر کشوری محسوب می‌شود و در جای خود، تأثیرات بسیار مخربی مانند تخریب پوشش ‌گیاهی و تبدیل اراضی مرتعی به سایر کاربری‌ها را در منابع طبیعی باقی می‌گذارد. بنابراین لزوم بررسی تغییرات کاربری اراضی و پیش‌بینی تغییرات ناشی از آن اهمیت بسیاری دارد.
مواد و روش‌ها: حوضة ‌آبخیز خیاو‌چای در حاشیة شمال‌غرب کوه سبلان و جنوب شهرستان مشگین‌شهر استان اردبیل واقع شده است. مطالعة‌ حاضر با هدف آشکارسازی و پیش‌بینی تغییرات کاربری اراضی حوضة‌ آبخیز خیاوچای مشگین‌شهر انجام شد. برای مدل‌سازی تغییرات کاربری اراضی منطقة مورد مطالعه، از تصاویر ماهوارة‌ لندست‌ـ 5 با سنجندة TM، متعلق به سال 1989 و 2007و لندست‌ـ 8 با سنجندة OLI-TIRS، متعلق به سال 2023، به کار رفت. با اعمال تصحیحات اتمسفری و بهره‌گیری از روش طبقه‌بندی نظارت‌شدة الگوریتم حداکثر احتمال، کاربری‌های منطقه در شش کلاس (مناطق شهری، کشاورزی آبی، کشاورزی دیم، خاک لخت، مرتع و پوشش برفی) طبقه‌بندی شدند. به‌منظور تولید نقشة پیش‌بینی روند تغییرات کاربری اراضی سال 2023، نقشه‌های کاربری اراضی سال‌های 1989 و 2007 که با استفاده از تصاویر گوگل ارث و بازدیدهای میدانی تهیه شده است، به‌منزلة نقشه‌های پایه و پیشرو برای انجام‌دادن فرایند پیش‌بینی تغییرات کاربری سال 2023، وارد مدل زنجیرة مارکوف شد. پس‌از مدل‌سازی، تصاویر احتمال شرطی، ماتریس مساحت انتقال و ماتریس احتمال انتقال کاربری‌ها تولید شد. در نهایت، با استفاده از ابزار STCHOICE در نرم‌افزار IDRISI TerrSet، نقشة‌ پیش‌بینی برای سال 2023 استخراج شد. مشکل اساسی زنجیرة ‌مارکوف، در تهیة‌ نقشه‌های پیش‌بینی کاربری اراضی، ارائه‌نشدن اطلاعات مکانی در مدل‌سازی است. بدین‌ترتیب، برای افزودن عنصر مکانی به مدل، از سلول‌های خودکار (CA_Markov) استفاده شد. بنابراین با ترکیب مدل سلول‌های خودکار و مدل مارکوف، معرفی نقشة‌ کاربری اراضی پایة متعلق به سال 1989، ماتریس مساحت انتقال و تصاویر احتمال شرطی، نقشة‌ پیش‌بینی درمورد سال 2023 به‌همراه مؤلفة مکانی تهیه شد. در نهایت، با استفاده از نقشة‌ کاربری اراضی متعلق به سال‌های 1989 و 2023، نقشة‌ کاربری اراضی سه دهة‌ آینده (2033، 2043 و 2053) پیش‌بینی شد. دقت نقشه‌ها براساس ضریب کاپا و دقت کلی و صحت نقشه‌ها، براساس میزان پارامترهای توافق و نبودِ توافق، ارزیابی شد.
نتایج و بحث: تصاویر ماهواره‌ای سال‌های 1989، 2007 و 2023 منطقة مورد مطالعه، با استفاده از روش حداکثر احتمال طبقه‌بندی و نقشة‌ کاربری اراضی، استخراج و مشخص شد که بیشترین مساحت به کاربری‌های مرتع، خاک لخت و کشاورزی دیم بازمی‌گردد. دقت طبقه‌‌بندی تصاویر ماهواره‌ای با استفاده از ماتریس خطا ارزیابی شد و ضریب کاپا درمورد سال‌های 1989، 2007 و 2023 به‌ترتیب، برابر 72/0، 83/0 و 88/0 و دقت کلی سال‌های 1989، 2007 و 2023 به‌ترتیب، برابر 87/82، 40/88 و 32/92 به دست آمد. طبق نتایج، می‌توان بیان کرد که دقت طبقه‌بندی تصاویر در سطح مطلوبی به دست آمده است. بررسی تغییرات کاربری اراضی، در منطقة مورد مطالعه، نشان می‌دهد که مساحت 7/119 هکتار از کاربری شهری، 42/354 هکتار از کاربری کشاورزی آبی، 05/1039 هکتار از کاربری کشاورزی دیم، 73/2024 هکتار از کاربری خاک لخت، 95/3829 هکتار از کاربری مرتع و 01/458 هکتار از پوشش برفی طی بازة‌ زمانی 1989 تا 2007 و همچنین 12/123 هکتار از کاربری شهری، 04/383 هکتار از کاربری کشاورزی آبی، 32/1282 هکتار از کاربری کشاورزی دیم، 64/2294 هکتار از کاربری خاک لخت، 04/3704 هکتار از کاربری مرتع و 22/806 هکتار از پوشش برفی در بازة زمانی 2007 تا 2023 بدون تغییر مانده است. میزان مساحت کاربری‌ها در نقشة‌ پیش‌بینی‌شدة سال2023 نشان داد کاربری‌های شهری 3/4%، کشاورزی آبی 7/5%، کشاورزی دیم 7/15%، خاک لخت 2/32%، مرتع 9/42% و پوشش برفی 2/8% از مساحت منطقة‌ مورد مطالعه را به خود اختصاص داده‌اند. نتایج ارزیابی صحت مدل نشان داد که توافق بین نقشة‌ پیش‌بینی‌شده و واقعی برابر 84/0 و نبودِ توافق بین آن‌ها برابر با 16/0 و ضریب کاپا 88/0 است که توانمندی تقریباً چشمگیر مدل در انجام‌دادن فرایند پیش‌بینی تغییرات را می‌رساند. طی مقایسة‌ نقشه‌های کاربری اراضی سال‌های 2033، 2043 و 2053 با نقشة‌ کاربری اراضی سال 2023، مشخص شد که در سه دهة‌ آینده به‌ترتیب، کاربری شهری با 9/45%، 9/46% و 5/47%، افزایشی، کاربری مرتع با 9/10%، 6/7% و 5/4% دارای روندی کاهشی، و کاربری‌های کشاورزی آبی با 9/27%، 1/21% و 9/14%، کشاورزی دیم با 4/13%، 23/11% و 3/9%، خاک لخت با 2/2%، 6/2% و 3/3% افزایشی و پوشش برفی با 9/32%، 4/19% و 1/5% دارای روندی کاهشی در قیاس با سال 2023، خواهند بود.
نتیجه‌گیری: با توجه به نتایج، می‌توان بیان کرد که کاربری‌های منطقه، طی دورة آماری در نظر گرفته‌شده (1989 تا 2023)، با تغییرات در مساحت روبه‌رو بوده‌اند و طی سه دهة‌ آینده نیز تغییرات محسوسی خواهند داشت. بنابراین دخالت عوامل انسانی، در قالب طرح‌های کشاورزی، استخر پرورش آبزیان، احداث راه‌های متعدد برای دسترسی به معادن و چشمه‌های آب گرم، نقش اصلی را در تغییرات کاربری ‌اراضی منطقة مورد مطالعه ایفا کرده و می‌کند. این نتایج می‌تواند در شناخت عوامل مؤثر در تغییر کاربری و اتخاذ تصمیمات صحیح در سطوح گوناگون مدیریتی، مانند تدوین و اجرای طرح جامع مدیریت حوضة آبخیز خیاوچای، تقویت نظارت و کنترل، ازطریق نظارت مستقیم با استفاده از تصاویر ماهوارة لندست، افزایش درآمد آبخیزنشینان از راه اکوتوریسم، حفاظت از منابع طبیعی و احیای پوشش ‌گیاهی با اجرای طرح‌های بیولوژیک، آموزش و جلب مشارکت مردمی، به برنامه‌ریزان کمک کند

کلیدواژه‌ها

عنوان مقاله [English]

Comparative Study of Land Use Changes Using Markov Chain Model and Autonomous Cells (CA-Markov) in the Khiavchai Watershed of Meshginshahr, Iran

نویسندگان [English]

  • vahid Norouzi Kaleh Sar
  • Karim Solaimani
  • Fatemeh Shokrian
Dep of Watershed Management Science and Engineering, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources University,Sari, Iran
چکیده [English]

Introduction: One of the most significant steps towards sustainable development is the protection of land integrity, as land use changes annually for various reasons, and excluding such lands from the production path results in irreparable damage. Since land use change in the Khiavchai watershed is a great importance due to the specific conditions of this area, examining spatial and temporal changes in land use provides good information to planners and managers for accurate forecasting. Because unplanned and unprincipled changes in land use are considered fundamental challenges for any country, which in turn have very destructive effects on natural resources. Therefore, the need to examine land use changes and predict related changes is a great importance.
Materials and Methods: The present study was conducted to detect and predict land use changes in the Khiavchai watershed, Meshginshahr. Accordingly, Landsat data were used to measure changes. By applying atmospheric corrections and using the supervised classification method, the maximum likelihood algorithm, the land uses in the region were classified into 6 classes. Using two maps from 1989 and 2007 as base and forward maps, a land use change prediction map was produced for the year 2023. The accuracy of the maps was evaluated based on the kappa coefficient, and the overall accuracy and correctness of the maps were evaluated based on the amount of agreement and disagreement parameters. Finally, the land use map for the next three decades (2033, 2043 and 2053) was predicted using the land use map from 1989 and 2023.
Results and Discussion: The results of the study of the trend of changes in land uses in the region indicate that the area of urban use and pasture use will face an increasing trend, and other uses will face a decreasing trend, compared to the land use map of 2023.
Conclusion: According to the results obtained, it can be acknowledged that the land uses of the region have been facing changes in area during the considered statistical period (1989 to 2023) and will have significant changes in the next three decades. Therefore, human intervention plays a major role in land use changes. These results can help planners in recognising the factors affecting land use changes and making correct management decisions at various management levels.

کلیدواژه‌ها [English]

  • Land use change
  • Markov chain
  • autonomous cells
  • Land Change Modeller (LCM)

مراجع

Ait El Haj, F., Ouadif, L. & Akhssas, A., 2023, Simulating and Predicting Future Land Use/ Land Cover Trends Using CA-Markov and LCM Models, Journal of Case Studies in Chemical and Environmental Engineering, 7(2023), P. 100342, https://doi.org/10.1016/j.cscee.2023.100342.
Alikhah Asl, M. & Naseri, D., 2017, Evaluation of Land Cover Changes in Kaftareh Watershed Using Remote Sensing Technique, Journal of Environmental Science and Technology, 19(3(74)), PP. 83-99.
Aniah, P., Bawakyillenuo, S., Nii Ardey Codjoe, S. & Mawunyo Dzanku, Fred., 2023, Land Use and Land Cover Change Detection and Prediction Based on CA-Markov Chain in the Savannah Ecological Zone of Ghana, Environmental Challenges 10(2023), P. 100664, https://doi.org/10.1016/ j.envc. 2022.100664.
Arkhi, S. & Esfahani., M., 2014, A Visual Learning to Idrisi Selva, Golestan University Press, 336 p.
Abedini, M. & Pasban, A., 2024, Analysis and Evaluation of the Relationship between Land Surface Temperature with Land Use and Vegetation Cover Index, Case Study: Khiaochay Watershed, Meshginshahr, Geography and Human Relations, Winter 2024, 6(3), PP. 22-37, doi: 10.22034/GAHR. 2023.418850.1953.
Chavez, P.S., 1996, Image-Based Atmospheric Corrections-Revisited and Improved, Photogrammetric Engineering and Remote Sensing, 62(9), PP. 1025-1035.
Darvishi, Sh., Solaimani, K. & Shabani, M., 2020, Analysis and Prediction of Urban Growth and Its Impact on Land Use Using Remote Sensing and CA-Markov; Case Study: Marivan, Baneh and Saqqez Cities, Scientific-Research Quarterly of Geographical Data (SEPEHR), 29(114), PP. 147-163.
Esmaeili, H. & Negahban, S., 2021, Detection and Prediction of Land Use/ Land Cover Changes Using Markov Chain Model and Cellular Automata (CA-Markov), (Case Study: Darab Plain), Journal of Arid Regions Geographic Studies, 12(43), PP. 41-61.
Feudjio Fogang, L., Franklin Tiomo, I., Yanick Kamga, B., Mounmemi Kpoumie, H., Delanot Tanougong Nkondjoua, A., Francois Nguetsop, V. & Zapfack, L., 2023, Predicting Land Use/Land Cover Changes in the Santchou Wildlife Reserve (Santchou, West-Cameroon) Using a CA-Markov Model, Trees, Forests and People, 14(2023), P. 100438, https://doi.org/10.1016/ j.tfp.2023.100438.
Ghodousi, J., Rezaei, R., Hassani, A., Arjomandi, R. & Vafaei Neghad, A., 2020, Classification and Changes of Land Use Change Using Landsat Satellite, Case Study: Qazvin Plain Aquifer, Quarterly Journal of Geographical Space, 20(72), PP. 185-204.
Ghorbani, A., Kakehmami., A., Moameri, M. & Gafari, S., 2021, Evaluation of Land Use Changes in Ardabil Province Using Satellite Image Processing, Iranian Journal of Range and Desert Research, 28(3), PP. 537-550, https://doi.org/10.22092/ijrdr.2021.125011.
 
Girma, R., Fürst, C. & Moges, A., 2022, Land Use Land Cover Change Modeling by Integrating Artificial Neural Network with Cellular Automata-Markov Chain Model in Gidabo River Basin, Main Ethiopian Rift, Environmental Challenges 6(2022), P. 100419, https://doi.org/10.1016/ j.envc.2021.100419.
Jafari Gorzin, B., Kavyan, A. & Soleimani, K., 2023, Investigation of Landuse Changes and Its Role in the Hydrology of the Upstream Areas of Siahroud Watershed, Journal of Watershed Management Research, 14(27), PP. 26-37.
Kyanpoor Kal Khajeh, M., Pajoohesh, M. & Emamgolizadeh, S., 2022, Evaluation of Markov Chain and Automated Cell Integrated Model in Simulation of Land Use Change and Land Cover of Gotvand Dam, Journal of Water and Sustainable Development, 9(2), PP. 47-56, http:// dx.doi.org/10.22067/jwsd.v9i2.2112.1106.
Madadi, A., Piroozi, A. & Shekarzadeh Fard, A., 2019, Study of Spatial Analysis of Flood Risk in the Khiauchai Watershed, Environmental Research, 11(21), PP. 17-26.
Mansour, S., Al-Belushi, M. & Al-Awadhi, T., 2020, Monitoring Land Use and Land Cover Changes in the Mountainous Cities of Oman Using GIS and CA-Markov Modelling Techniques, Land Use Policy, 91, P, 104414, DOI: 10.1016/j.landusepol. 2019.104414.
Mola Aghajanzadeh, S., Soleymani, K., Habibnejad, M., Kavyan, A. & Rahmani, M., 2021, Application of Remote Sensing in Assessing Land Use Changes in Haraz Watershed, Geographical Researches, 36(3), PP. 275-284.
Mostafazadeh, R. & Talebi Khiavi, H., 2021, Land Use Change Dynamics Assessment in the Khiavchai Region, the Hillside of Sabalan Mountainous Area, Arabian Journal of Geosciences, 14, P. 2257, https://doi.org/10.100 7/s12517-02 1-086 90-z.
Mostafazadeh, R., Talebi Khiavi, H., Asaadi, M. & Asbaghian Namini, S., 2022, Temporal Land Use Change and Its Economic Values under Competing Driving Forces in a Diverse Land Use Configuration, Arabian Journal of Geosciences, 15, P. 1597, https://doi.org/10.1007/s12517-022-10890-0.
Munthali, M., Mustak, S., Adeola, A., Botai, J., Singh, S. & Davis, N., 2020, Modelling Land Use and Land Cover Dynamics of Dedza District of Malawi Using Hybrid Cellular Automata and Markov Model, Remote Sensing Applications: Society and Environment, 17, P. 100276, https://doi.org/ 10.1016/j.rsase.2019.100276.
Najirad, S., Ghiyashi, S., Rajabzadeh, F., Feiznia, S. & Nazari-Samani, A., 2017, Determining the Effective Factors in the Occurrence of Shallow Landslides in the Khiavchay Watershed, Scientific-Research Journal of Watershed Engineering and Management, 9(2), PP. 140-154, DOI: http://dx.doi.org/ 10.22092/ijwmse.2017.109697.
Nikpour, A., Amounia, H. & Norpasandi, E., 2021, Monitoring and Predicting Land Use Changes Using Landsat Satellite Images by Cellular Automata and Markov Model (Case Study: Abbasabad Area, Mazandaran Province), Journal of RS and GIS for Natural Resources, 12(2(43)), PP. 35-53, http://dorl.net/dor/ 20.1001.1.26767082.1400.12.2.3.6.
Raoof, M., Kazemi, J., Mostafazadeh, R., Hoseini, Y. & Mirzaei, S., 2024, Effect of Curve Number Chnages on Flood Hydrograph in a Rapid Response Watershed (Case Study: Ardabil Khiavchai Basin), Water and Soil Management and Modeling, 4(1), PP. 248-261, DOI: 10.22098/mmws.2023. 12295.1221.
Rowshon, Md.K., Kondum, F.A., Luqman, C.A., Hasfalina, C.M. & Zakari, M.D., 2024, Change Analyses and Prediction of Land Useand Land Cover Changes in Bernam River Basin, Malaysia, 36(2024), P. 101281, https://doi.org/10.1016/j.rsase.2024.101281.
Shokrian, F. & Solaimani, K., 2024, Land Use Change Detection Based on Satellite Images in the Haraz Watershed Plain, Iranian Journal of Remote Sensing & GIS., 16(1), PP. 113-128, https://doi.org /10.48308/gisj.2023. 232979. 1176.
Sisay, G., Gessesse, B., Fürst, C., Kassie, M. & Kebede, B., 2023, Modeling of Land Use/Land Cover Dynamics Using Artificial Neural Network and Cellular Automata Markov Chain Algorithms in Goang Watershed, Ethiopia. Heliyon, 9(2023), P. e20088, https://doi.org/10.1016/ j.heliyon. 2023.e20088.
Solaimani, K., 2020, Spatial and Temporal Analysis of Land Use Changes Using Remote Sensing in Sari City, Journal of Urban Structure & Function Studies, 7(24), PP. 57-72, https://doi.org/10.22080/usfs. 2020.18 207. 1932.
Solaimani, K., Shokrian, F. & Darvishi, S., 2023, Monitoring and Forecasting of Spatiotemporal Changes in Kermanshah Township Using Remote Sensing and the CA-Markov Model, Urban Stucture and Function Studies (USFS), 10(35), PP. 57-82, https://doi.org/ 10.22080/USFS.2023.4129.
Su, M., Yue, W., Qin, C., Teng, Y. & Xu, C., 2024, Simulation and Prediction of Land Use Change in Dongguan of China Based on ANN Cellular Automata - Markov Chain Model, Environmental and Sustainability Indicators 22(2024), P. 100355, https://doi.org/10.1016/j.indic. 2024.100355.
Tarawally, M., Wenbo, X., Weiming, H., Mushore, T.D. & Kursah, M.B., 2019, Land Use/Land Cover Change Evaluation Using Land Change Modeller: A Comparative Analysis between Two Main Cities in Sierra Leone, Remote Sensing Applications: Society and Environment, 16, P. 100262, DOI: 10.1016/ j.rsase.2019.100262.
Yang, L., Fu, F., Jia, X., Zhao, Q., Tian, F., Wei, D., Zhao, Y., Zhang, Y., Zhang, J. & Hu, X., 2024, Predicting Land Use Change around Railwaystations: An Enhanced CA-Markov Model, Sustainable Cities and Society, 101, P. 105138, https://doi.org/ 10.1016/j.scs.2023. 105138.
Zandi, R., Safaee, M., Zanganeh, M. & Sepehrisadr, N., 2022, Monitoring Land Use System Changes and Predicting Changes Based on Markov Chain Model (Case Study: Sabzevar City), Journal of Physical Development Planning, 9(4), PP. 31-46.
Zubiri, M. & Majd, A., 2008, Introduction to Remote Sensing Technology and Its Application in Natural Resources, Satellite Data, Aerial Photographs, Space (7th edition), Tehran University Press, 326 p.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار