پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,964,032 |
| تعداد دریافت فایل اصل مقاله | 89,638,397 |
ادغام رگرسیون لجستیک و شبکه خودکار مارکوف به منظور پیش‌بینی تغییرات کاربری سرزمین (مطالعه موردی: حوزه آبخیز گاماسیاب) | ||
| نشریه محیط زیست طبیعی | ||
| مقاله 1، دوره 72، شماره 1، فروردین 1398، صفحه 1-14 اصل مقاله (718.69 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jne.2018.250805.1471 | ||
| نویسندگان | ||
| زهرا پرور* 1؛ کامران شایسته2 | ||
| 1کارشناس ارشد ارزیابی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه ملایر | ||
| 2استادیار 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 | ||
| شبکه خودکار مارکوف؛ عوامل تاثیرگذار؛ تصاویر مطلوبیت انتقال؛ پیش‌بینی تغییرات پوشش/کاربری زمین | ||
| 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 parvar1؛ kamran shayesteh2 | ||
| 1M. Sc of Environmental Assessment, Department of Environment, Faculty of Natural Resources, Malayer University | ||
| 2Assistant 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 | ||
| مراجع | ||
|
Amini Parsa., V., Nejadi, A. 2016. Predicting future dynamics of landscape structure within protected areas using CA-Markov model (Case study: Dizmar protected area). Physical Geography Research Quarterly, 48(4), 661-674. (In Persian) Arsanjani, J., Helbich, M., Kainz, W., Darvishi Boloorani, A., 2013. Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion. Int. J. Appl. Earth Obs. Geo Information, 21: 265–275. Azizi Ghalaty, S., Rangzan, K., Sadidy, J.,Heydarian, P.,Taghizadeh, A. 2016.Predicting locational trend of land use changes using CA-Markov model (Case study: Kohmare Sorkhi, Fars province). RS & GIS Techniques for Natural Resources, 7(1). 59-70. (In Persian) Eastman, J., 2012. IDRISI Selva Manual, Version 17. Clark University 322 pp. Falahatkar, S., Safianian, A. Khajedin, J., Ziayi, h. 2009. Investigating the ability of the CA Markov model to predict the land cover map (Case study: Isfahan city), Proceedings of the 6th Internal Congress on Geomatic, Isfahan, Iran. (In Persian) Gashaw, T., Tulu, T., Argaw, M., Worqlul, A.W. 2018. Modeling the hydrological impacts of land use/land cover changes in the Andassa watershed, Blue Nile Basin, Ethiopia. Science of the Total Environment 619–620, PP: 1394–1408. Guan, D., Li, H., Inohae, T., Su, W., Nagaie, T., Hokao, K. 2011. Modeling urban land use change by the integration of cellular automaton and Markov model. Ecological Modelling, 222, 3761– 3772. Halabian, A.H., Soltanian, M. 2017. Assessment and forecasting the desertification changes in the east and south of Isfahan by CA-Markov model, Journal of Spatial Analysis, 3(4), 71-88. (In Persian) Han, H.R., Yang, C.F., Song, J.P., 2015. Scenario simulation and the prediction of land use and land cover change in Beijing, China. Sustainability, 7, 4260–4279. Harsini, J.I., kaboli, M., Feghhi, J., Taherzadeh, A. 2017. Land use / land cover change modelling using Markov chain and Cellular Automata (Case study: Hamedan province), .Env. Sci. Tech., 19(1), 121-129. (In Persian) Kakeh Mami, A., Ghorbani, A., Kayvan Behjoo, F., Mirzaei MosivanD, A. 2017. Comparison of visual and digital interpretation methods of land use/cover mapping in Ardabil province, Journal of Applied RS & GIS for Natural Resource, 8(3), 121-134. (In Persian) Kamusoko, C., Aniya, M., Adi, B., Manjoro, M. 2009. Rural sustainability under threat in Zimbabwe – Simulation of future land use/cover changes in the Bindura district based on the Markov-cellular automata model. Applied Geography 29, 435–447. Kaveh, N., Ebrahimi, A. 2013. A Markov chain model for simulating land use/cover change (Case study: Aghbolagh river), Journal of Applied RS & GIS Techniques in Natural Resource Science, 4(2), 41-51. (In Persian) Khoi, D.D., Murayama,Y. 2010. Delineation of Suitable Cropland Areas Using a GIS Based Multi-Criteria Evaluation Approach in the Tam Dao National Park Region, Vietnam. Sustainability, 2(7): 2024-2043. Khoshgoftar, m.m., Taleai, m., Malekpoor, P. 2010. Spatial temporal Modeling of Urban Growth: a Method Based on Integration of Cellular Automata and Markov Chain. Proceedings of the 7th Internal Congress on Geomatic, Isfahan, Iran. (In Persian) Kumar, R., Nandy, S., Agarwal, R., Kushwaha, S.P.S. 2014. Forest cover dynamics analysis and prediction modeling using logistic regression model. Ecological Indicators, 45: 44–455. Mas, j. F., Kolb, M., Paegelow, M., Camacho Olmedo, M. T., Houet, T. 2014. Inductive pattern-based land use/cover change models: A comparison of four software packages. Environmental Modelling & Software, 51: 94-111. Newland, C.P., Maier, H.R., Zecchin, A.C., Newman, J.P., van Delden, H. 2018. Multi-objective optimisation framework for calibration of Cellular Automata land-use models. Environmental Modelling & Software, 100: 175-200. Parsamehr, K., Gholamalifard, M. 2017. Comparing Empirical Transition Potential Modeling Procedures and Their Implication as Baseline of REDD Projects in Mazandaran Province, Environmental Studies, 7(13), 183-202. (In Persian) Parvar, Z., Shatesteh., K., Behzadfar, M., Azizkhany, N. 2017. Detection of Changes Resulting from Construction of Shirin Darreh Dam on Land Use/Land Cover in Downstream Basin, Environmental Researches, 7(14), 191-202. (In Persian) Parvar, Z., Shayesteh, K. 2017. Monitoring and Prediction of Urban Growth Using Multitemporal Images and GIS Techniques (A Case Study of Bojnourd City). Environmental Studies. 43(3), 513-527. (In Persian) Salmanmahiny, A., Kamyab, H. 2012. Applied Remote Sensing and GIS with Idrisi.596p. (In Persian) Subedi, P., Subedi, K., Thapa, B. 2013. Application of a Hybrid Cellular Automaton – Markov (CA-Markov) Model in Land-Use Change Prediction: A Case Study of Saddle Creek Drainage Basin, Florida. Applied Ecology and Environmental Sciences, 1(6): 126-132. Talebi Amiri, S., Azari Dehkord, F., Sadeghi, H., Soofbaf, R. 2010. Study on Landscape Degradation in Neka Watershed Using Landscape Metrics, Environmental Sciences. 6(3), 133-144. (In Persian) Veldkamp, A., and Verburg, P. H. 2004. Modelling land use change and environmental impact, Journal Environmental Management, 72: 1-3. Xu, X., Dua, Z., Zhang, H. 2016. Integrating the system dynamic and cellular automata models to predict land use and land cover change. Applied Earth Observation and Geo Information, 52: 568-579. Zeaian Firouzabadi, P., Shakiba, A., Matkan, A., Sadeghi, A. 2009. Remote Sensing (RS), Geographic Information System (GIS) and Cellular Automata Model (CA) as Tools for the Simulation of Urban Land Use Change – A Case Study of Shahr-e-Kord, Environmental Sciences. 7(1), 133-148. (In Persian) | ||
|
آمار تعداد مشاهده مقاله: 419 تعداد دریافت فایل اصل مقاله: 334 |
||