پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,949,201 |
| تعداد دریافت فایل اصل مقاله | 89,621,208 |
پیش‌بینی تغییرات کاربری زمین برای سال 2030 با استفاده از سنجش از دور و تصاویر چندزمانۀ لندست (مطالعۀ موردی: شهر مشهد) | ||
| مجله علمی " آمایش سرزمین " | ||
| مقاله 4، دوره 10، شماره 2، مهر 1397، صفحه 249-269 اصل مقاله (1.04 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jtcp.2019.262107.669876 | ||
| نویسندگان | ||
| بهزاد رایگانی* 1؛ علی جهانی1؛ امیر ستاری راد2؛ نرگس شوقی3 | ||
| 1استادیار گروه محیط زیست طبیعی و تنوع زیستی، دانشکدۀ محیط زیست، سازمان حفاظت محیط زیست، کرج، ایران | ||
| 2دانشجوی کارشناسی ارشد، دانشکدۀ محیط زیست، سازمان حفاظت محیط زیست، کرج، ایران | ||
| 3کارشناسی ارشد، دانشکدۀ محیط زیست، سازمان حفاظت محیط زیست، کرج، ایران | ||
| چکیده | ||
| با پیش‌بینی تغییرات کاربری می‌توان میزان گسترش و تخریب منابع را مشخص کرد و خط‌مشی‌های آینده را به مسیر مناسبی سوق داد. هدف این مطالعه، مدلسازی روند تغییرات کاربری زمین شهر مشهد با استفاده از تصاویر ماهوارۀ لندست مربوط به سال‌های 1989، 2008 و 2014 می‌باشد. در ابتدا براساس روش هیبرید (ترکیب طبقه‌بندی نظارت‌نشده و نظارت‌شده)، کاربری‌های سرزمین در 6 کلاس طبقه‌بندی شد. سپس با استفاده از زنجیره مارکوف، ماتریس انتقال میانِ سال‌های 1989 و 2008 محاسبه و با به کارگیری آن در مدل مارکوف- شبکۀ خودکار، نقشۀ کاربری سال 2014 پیش‌بینی شد. در ادامه، نقشه پیش‌بینی‌شده سال 2014 با نقشۀ کاربری واقعی 2014 به کمک جدول متعامد مقایسه و ضریب کاپای کل برای آن 91/0 بدست آمد.بر همین اساس صحت پیش‌بینی مدل مارکوف-شبکه خودکار تأیید گردید. در نهایت، برای پیش‌بینی کاربری زمین در سال 2030 این مدل بکار گرفته شد. بنابراین با واردکردن نقشۀ مرجع 2014 به‌عنوان نقشۀ پایه، نقشۀ پیش‌بینی کاربری سال 2030 استخراج شد. نتایج نشان داد طی سال‌های 1998 تا 2030، شاهد روندی افزایشی در کاربری شهری و زمین‌های بایر و روندی کاهشی در کاربری کشاورزی و باغ‌ها خواهیم بود. نتایج نشان می‌دهد مدل مارکوف- شبکۀ خودکار به طراحی سیستم شهری پایدار کمک می‌کند. | ||
| کلیدواژه‌ها | ||
| طبقه‌بندی هیبرید؛ ماتریس انتقال؛ جدول متعامد؛ مدل مارکوف- شبکۀ خودکار؛ سیستم شهری پایدار | ||
| عنوان مقاله [English] | ||
| Predicting of Land Use Changes for 2030 Using Remote Sensing and Landsat Multi-Temporal Images (Case study: Mashhad) | ||
| نویسندگان [English] | ||
| Behzad Rayegani1؛ Ali Jahani1؛ Amir Satari Rad2؛ Narges Shoghi3 | ||
| 1Assistant Professor, Natural Environment and Biodiversity Group, College of Environment, Department of Environment, Karaj, Iran | ||
| 2MSc. Student, College of Environment, Department of Environment, Karaj, Iran | ||
| 3MSc. College of Environment, Department of Environment, Karaj, Iran | ||
| چکیده [English] | ||
| By predicting land use changes, the extent of the expansion and destruction of resources can be determined, and future policies can be pushed in the right direction. The aim of this study is modeling the land use changes process in Mashhad by using Landsat satellite images related to 1989, 2008, and 2014. Initially, based on the hybrid method (unsupervised and supervised classification combination), land uses were classified into six classes. Then, by using the Markov chain, the transmission matrix between 1989 and 2008 was calculated and by applying it in the Markov-CA model, the land use map for 2014 was predicted. In the following, the predicted land use map for 2014 with the actual 2014 land use map was compared with the Crosstab table, and the total Kappa coefficient was 0.91. Accordingly, the accuracy of the predicted Markov-CA model was confirmed. Finally, this model was used to predict land use in 2030. Therefore, by entering the 2014 reference map as the base map, the 2030 land use map prediction map was extracted. The results showed that from 1998 to 2030 there will be an increasing trend in urban and arid lands and a decreasing trend in agricultural lands and gardens. The results indicate that the Markov-CA model can contribute to the design of a sustainable urban system. | ||
| کلیدواژه‌ها [English] | ||
| Hybrid Classification, Transmission Matrix, Crosstab Table, Markov-CA Model, Sustainable City System | ||
| مراجع | ||
10. Abdollahi, A., Jahani, A., Rayegani, B., Mohammadi Fazel, A., 2017. Impact Assessment of Dam Construction on Land Use Changes in the Western and Southern Catchments of Lake Urmia Using Satellite Images. Environmental Researches, 8(15): 39-50. 11. Barati, B., Jahani, A., Zebardast, L., Rayegani, B. (2017). Integration assessment of the protected areas using landscape ecological approach (Case Study: Kolah Ghazy National Park and Wildlife Refuge). The Journal of Town and Country Planning, 9(1): 153-168. 12. Borana S.L., Yadav S.K. (2017). Prediction of Land Cover Changes of Jodhpur City Using Cellular Automata Markov Modelling Techniques. International Journal of Engineering Science, 17(11), 15402-15406. 13. Brown, D. G, B. C. Pijanowski, and J. D. Duh. (2000). Modeling the relationships between land use and land cover on private lands in the Upper Midwest, USA. Journal of Environmental Management. 59, 247-263. 14. Eastman, J.R. (2012) IDRISI Selva Tutorial. IDRISI Production. Worcester: Clark Labs-Clark University 15. Epstein, J., Payne, K., Kramer, E., (2002). Techniques for mapping suburban sprawl. Photographer Engineering Remote Sensing. 63 (9), 913-918. 16. Hathout, S. (2002). The use of GIS for monitoring and predicting urban growth in East and West St Paul, Winnipeg, Manitoba, Canada. Journal of Environmental Management. 66(3), 229-238.. 17. Houet, Thomas & Hubert-Moy, Laurence (2006). Modeling and projecting land-use and land-cover changes with Cellular Automaton in considering landscape trajectories: An improvement for simulation of plausible future states. EARSeL eProceedings, European Association of Remote Sensing Laboratories, 5 (1), 63-76. 18. Jahani, A., Feghhi, J., Zobeiri, M. (2012). Spatial Forest Simulation to Obtain Forest Statistics (Case Study: Gorazbon District of Kheyrud Forest). Journal of Forest And Wood Products (Jfwp)(Iranian Journal of Natural Resources), 65(2): 147-155. 19. Luo .D; Zhang .W. (2014). A comparsion of Marcov model-based methods for predicting the ecosystem services value of land use in Wuhan, central China. Journal of Ecosystem services. 7, 57 - 65 20. Lusch, David (1999). Introduction to encvironment remote sensing. center for remote sensing and GIS: Michigan State University 21. Mertens, B. and E.F. Lambin (2000), Land‐cover‐change trajectories in southern Cameroon. Annals of the association of American Geographers. 90(3), 467-494 22. Moghadam, H.S.; Helbich, M. Spatiotemporal urbanization processes in the megacity of Mumbai India: A Markov chains-cellular automata urban growth model. Appl. Geogr. 2013, 40, 140–149. 23. Rezazadeh, S., Jahani, A., Makhdoum, M., Ghoshtasb, H. (2017). Evaluation of the Strategic Factors of the Management of Protected Areas Using SWOT Analysis—Case Study: Bashgol Protected Area-Qazvin Province. Open Journal of Ecology, 7(1): 55-68. 24. Rimal, B.; Zhang, L.; Keshtkar, H.; Haack, B.N.; Rijal, S.; Zhang, P (2018). Land Use/Land Cover Dynamics and Modeling of Urban Land Expansion by the Integration of Cellular Automata and Markov Chain. ISPRS Int. J. Geo-Inf. 7(4), 154. 25. Sang, L.; C, Zhang, J, Yang, D, Zhu, and W, Yun (2011). Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, Volume 54, Issue 3-4, 938-943. 26. Singh, A.K. Modeling Land use/ Land cover Changes Using Cellular Automata in Geo-Spatial Environment, MSC Theses. Netherland.2003; 58 P. 27. Srivastava, P.K., et al (2012). Selection of classification techniques for land use/land cover change investigation. Advances in Space Research,. 50(9), 1250-1265 28. Tiwari, A., & Jain, K. (2014). GIS Steering smart future for smart Indian cities. International Journal of Scientific and Research Publications, 4(8), 442-446. 29. Traore, Arafan; Mawenda, John; Komba, Atupelye W (2018). Land-Cover Change Analysis and Simulation in Conakry (Guinea), Using Hybrid Cellular-Automata and Markov Model. Urban Sci. Volume 2, Issue 2. 30. Verburg, P.H., Soepboer, W., Veldkamp, A., Limpiada, R. and Espaldon, V (2002). Modeling the spatial dynamics of regional land use: the CLUE-S model. Environ. Manage. 30(1): 391-405. 31. Wang, Ninghua (2013). Statistics for Time-Series Spatial Data: Applying Survival Analysis to Study Land-Use Change. Santa Barbara: University of California. 32. Wu, Qiong, Li, Hong-qing, Wang, Ru-song., Paulussen, Juergen, He, Yong, Wang, Min, Wang, Bi-hui, Wang, zhen (2006). Monitoring and predicting land use change in Beijing using remote sensing and GIS. Journal of Landscape and Urban Planning. Volume 78, Issue 4, 28 No, 322-333. | ||
|
آمار تعداد مشاهده مقاله: 876 تعداد دریافت فایل اصل مقاله: 562 |
||