پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,109,660 |
| تعداد دریافت فایل اصل مقاله | 97,213,377 |
مدل‌سازی تغییرات کاربری اراضی با استفاده از شبکه‌ی عصبی مصنوعی و زنجیره‌ی مارکوف (مطالعه موردی: حوزه‌ی آبخیز سد استقلال) | ||
| نشریه محیط زیست طبیعی | ||
| مقاله 9، دوره 73، شماره 1، فروردین 1399، صفحه 103-114 اصل مقاله (1.29 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jne.2020.278273.1680 | ||
| نویسندگان | ||
| محمدرضا عظیمی سردری1؛ ام البنین بذرافشان* 1؛ توماس پاناگوپولوس2؛ الهام رفیعی ساردویی3 | ||
| 1دانشگاه هرمزگان | ||
| 2دانشگاه الگراو- پرتغال | ||
| 3دانشگاه جیرفت | ||
| چکیده | ||
| یکی از روش‌های مورد استفاده برنامه‌ریزان و مدیران جهت مدیریت تغییرات کاربری اراضی، مدل‌سازی آن است. تحقیق حاضر با هدف پیش-بینی تغییرات کاربری اراضی حوزه‌ی آبخیز سد استقلال میناب با استفاده از شبکه عصبی پروپسترون چند لایه و زنجیره- مارکوف در افق 1409 است. جهت تهیه نقشه‌ی کاربری اراضی منطقه‌ی مورد مطالعه از تصاویر سری ماهواره‌های لندست 5 سنجنده TM (سال 1374) ، لندست 7 سنجنده ETM+ (سال 1382) ، لندست 8 سنجنده OLI (سال 1395) استفاده گردید. برای این منظور از الگوریتم حداکثر احتمال در سه مقطع زمانی مذکور استفاده گردید. مدل‌سازی پتانسیل انتقال، به کمک الگوریتم شبکه‌ی عصبی پرسپترون و تعدادی متغیرهای دینامیک و استاتیک و جهت پیش‌بینی تغییرات کاربری اراضی در دوره آتی، از زنجیره‌ی مارکوف استفاده گردید. جهت محاسبه صحت پیش-بینی مدل از پارامترهای روش GEOMOD و آماره‌های کاپا استفاده شد. نتایج ارزیابی دوره‌های واسنجی با استفاده از روش GEOMOD و پارامترهای N(n)، N(m)، H(m)، M(m)، K(m)، P(m) و P(p) و آماره‌های کاپا نشان داد که دوره‌ی واسنجی 1374 تا 1395 بالاترین صحت را جهت پیش‌بینی تغییرات کابری اراضی سال 1409 داشت. نتایج تغییرات کاربری اراضی حاکی از آن بود که طی دوره‌ی واسنجی، از میان شش طبقه‌ی کاربری جنگل، مرتع، اراضی کشاورزی، اراضی مسکونی، اراضی بایر و مخازن آبی، بیش‌ترین افزایش مساحت مربوط به اراضی کشاورزی با 05/627 کیلومتر مربع و بیش‌ترین کاهش مساحت، مربوط به اراضی مرتعی (35/580 کیلومترمربع) بوده است. تخریب اراضی مرتعی بیش‌تر در راستای تبدیل این اراضی به اراضی کشاورزی و اراضی مسکونی بوده است. هم‌چنین نتایج مدل‌سازی کاربری اراضی برای سال 1409 نشان داد که در دوره‌ی زمانی مورد مطالعه (1374- 1409) مساحت اراضی کشاورزی 101128 کیلومتر مربع افزایش داشته و از 36/7% به 9/16 % رسیده است. اما مساحت اراضی مرتعی 1000 کیلومتر مربع کاهش و از 8/56 % به 4/47 % رسیده است. در صورت ادامه روند کنونی تا سال 1409 کاهش سطح اراضی مرتعی و تبدیل آن ها به اراضی کشاورزی جهت افزایش بهره‌وری از اراضی، اتفاق خواهد افتاد. | ||
| کلیدواژه‌ها | ||
| مدل‌سازی کاربری اراضی؛ شبکه‌ی عصبی مصنوعی؛ زنجیره‌ی مارکوف؛ حوزه آبخیز سد استقلال | ||
| عنوان مقاله [English] | ||
| Land use Change Modeling Using Artificial Neural Network and Markov Chain (Case Study: Minab Esteqlal Dam Watershed) | ||
| نویسندگان [English] | ||
| Mohammad reza Azimi Sardari1؛ Ommolbanin Bazrafshan1؛ Thomas Panaopolus2؛ Elha, Rafiee Sardoee3 | ||
| 1university of Hormozgan | ||
| 2University of Algarve | ||
| 3Jiroft University | ||
| چکیده [English] | ||
| One of the methods used by planners and managers to manage the land use change is its modeling. The aim of this research is to forecast the land use changes in Minab Esteqlal Dam Watershed using Multilayer Perceptron Network and Markov chain in 1409 horizon. The images of Landsat 5 TM (1995), Landsat 7 ETM+ (2003), and Landsat 8 OLI (2016) were used to prepare the land use maps. For this purpose, Maximum Likelihood Algorithm was used in three mentioned time periods. Transition potential modeling was done using Perceptron Neural Network and some of the static and dynamic variables and Markov chain was used to forecast the changes of land use in future. The parameters of GEOMOD method and Kappa statistics were used to evaluate the accuracy of the forecasting. Results of evaluating the calibration periods using GEOMOD methods and parameters of N (n), N (m), H (m), M (m), K (m), P (m), and P (p) and Kappa statistics indicated that the calibration period of 1995 to 2016 had the highest accuracy to forecast the land use in 2030. Results of the land use change in calibration period indicated that among six land use categories of forest, rangeland, agriculture, residential areas, bare lands, and water resources, the highest increase was related to the agriculture land use with an area of 627.05 Km2 and the highest decrease was related to the rangeland land use with an area of 580.35 Km2. Rangeland degradation has been done for developing the agricultural lands and residential areas. Also, results of land use change modeling for 2030 indicated that, agricultural areas has increased by 101128 Km2 and it has increased from 7.36% to 16.9% in the study time period. The area of rangelands decreased by 1000Km2 and reached from 56.8% to 47.4%. If the current trend continues until 1409, decreasing the area of rangelands and their conversion to agricultural lands will occur to increase land use productivity. | ||
| کلیدواژه‌ها [English] | ||
| Land use modeling, Artificial neural network, Marko chani, Esteghlal dam watershed | ||
| مراجع | ||
|
Eastman,J. R. 2006. IDRISI Andes. Guide to GIS and Image Processing. Clark Labs, Clark University, Worcester, MA. Falahatkar, S., Hoseini, M., Mahini, M., Ayubi, S.H., 2016. Prediction of Land Use Change Using the LCM Model. Inviromental research. 7(13): 163-174.(in persian) Fan,F., Y.,Wang, Z.,Wang .2008. Temporal and spatial change detecting (1998–2003) and predicting of land use and land cover in Core corridor of Pearl River Delta (China) by using TM and ETM+ images. Environmental Monitoring Assessment 137 (1-3): 127-147. Ildermi, A., Nouri, H., Naderi, M., Aghabeigi, S., Zaini Wand, H., 2017. Forecasting Land Use Change Using Markov Chain Model and CA Markov (Case Study: Green Watershed). Watershed Management Research. 8 (16): 232-240. (in persian) Jain, R. K., Jain, K., & Ali, S. R. 2017. Modeling Urban Land Cover Growth Dynamics Based on Land Change Modeler (LCM) Using Remote Sensing: A Case Study of Gurgaon, India. Advances in Computational Sciences and Technology, 10(10): 2947-2961. Khoi, D.D., Y.,Murayama .2010. Forecasting Areas Vulnerable to Forest Conversion in the Tam Dao National Park Region, Vietnam. Remote Sensing. 2 (5):1249–1272. Linkie,M., R.J., Smith, N.,Leader-Williams .2004. Mapping and predicting deforestation patterns in the lowlands of Sumatra. Biodiversity and Conservation, 13 (10): 1809-1818 Mehni, M., Bazrafshan, O., 2017. Analysis of temporal and spatial variations in the quantity and quality of groundwater resources during the last three decades in the plain of Minab. Journal of Watershed Extension and Development, 5(18): 51-68. (in persian) Merten,B., E.F., Lambin .1997. Spatial modeling of tropical deforestation in southern Cameroon: spatial disaggregation of diverse deforestation processes. Applied Geography, 17 (2): 143-162. Nateghi, S., Nohegar, A., Ehsani, A.H., Bazrafshan, O., 2016. Land use monitoring of coastal deserts using the analytical technique of changes during the years 2002-2015 (Case study: Qeshm Island). Iranian Journal of Range and Desert Research. 23(2): 404-416. (in persian) Pérez-Vega, A., Mas, J. F., & Ligmann-Zielinska, A. 2012. Comparing two approaches to land use/cover change modeling and their implications for the assessment of biodiversity loss in a deciduous tropical forest. Environmental Modelling & Software, 29(1): 11-23. Singh, N., & Punia, M. 2018. Geospatial Approach for Land Use/Land Cover Change Prediction: A case study of Bhagirathi Basin, Uttarakhand, INDIA. In 42nd COSPAR Scientific Assembly (Vol. 42). Thapa, R. B., & Murayama, Y. 2011. Urban growth modeling of Kathmandu metropolitan region, Nepal. Computers, Environment and Urban Systems, 35(1): 25-34. | ||
|
آمار تعداد مشاهده مقاله: 642 تعداد دریافت فایل اصل مقاله: 511 |
||