بررسی روند تغییرات کاربری اراضی شهرستان لاهیجان و پیش‌بینی تغییرات آتی آن با مدل LCM

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، گروه محیط زیست، تهران، ایران.

2 گروه محیط زیست،دانشکده (پژوهشکده)علوم محیطی،دانشگاه شهید بهشتی،تهران،ایران

3 گروه محیط زیست،دانشکده(پژوهشکده) علوم محیطی،دانشگاه شهید بهشتی،تهران،ایران

4 گروه محیط زیست،دانشکده محیط زیست و انرژی،دانشگاه آزاد اسلامی واحد علوم و تحقیقات،تهران،ایران

5 گروه GIS،دانشکده محیط زیست و انرژی،دانشگاه آزاد اسلامی واحد علوم و تحقیقات،تهران،ایران

چکیده

یکی از ملزومات مدیریت منابع‌طبیعی، آمار به هنگام از تغییرات کاربری اراضی است که انسان از طریق آن، محیط‌زیست خود را تحت تاثیر قرار داده است. پژوهش ح‍اض‍ر ب‍ا اس‍ت‍ف‍اده‌ از مدل LCM به‌ آشکارسازی و پیش‌بینی ت‍غ‍ی‍ی‍رات‌ ک‍ارب‍ری اراضی شهرستان لاهیجان در استان گیلان در بازه زمانی 1984 تا 2020 پرداخته است. ابتدا تصاویر ماهواره لندست سال‌های 1984، 2000 و 2016 در پنج کلاس جنگل، مرتع، کشاورزی، مناطق انسان‌ساخت و منابع آبی طبقه‌بندی شدند. سپس پیش‌بینی کاربری اراضی سال 2016 با نقشه‌های کاربری سال‌های 1984 و 2000 انجام شد. از متغیرهای ارتفاع، شیب، بارش، فاصله از مناطق مسکونی، فاصله از اراضی کشاورزی، فاصله از مراتع، فاصله از حاشیه جنگل و فاصله از جاده به‌عنوان عوامل موثر بر تغییرات استفاده شد. ارزیابی صحت پیش‌بینی براساس نقشه‌های کاربری اراضی 2016 واقعیت زمینی و 2016 پیش‌بینی انجام شد که مقادیر موفقیت خنثی، موفقیت، هشدار خطا و خطا به‌ترتیب 04/88 درصد، 65/2 درصد، 45/8 درصد و 28/4 درصد به دست آمد که نشان‌دهنده انطباق قابل قبول تصویر پیش‌بینی شده با تصویر واقعیت زمینی است. در ضمن در تحقیق حاضر مقدار خطای حاصل از پیش‌بینی مدل حدود 6/12 درصد بود که کارایی و توانایی مدل را تایید می‌کند. طبق نتایج طی سال‌های 1984 تا 2016 سطح چشمگیری از پوشش جنگلی کاسته شده که با ادامه روند کنونی تغییر کاربری در آینده شاهد ادامه جنگل‌زدایی خواهیم بود. با توجه به روند جنگل‌زدایی منطقه مورد مطالعه، اجرای مطالعات آمایش سرزمین به منظور کاهش آثار منفی تغییر کاربری اراضی پیشنهاد می‌شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Land Use Change Trend Consideration in Lahijan City and Predicting its Future Change with LCM Model

نویسندگان [English]

  • Rahmatollah Niakan Lahiji 1
  • Houman Liaghati 2
  • Naghme Mobarghaee Dinan 3
  • hamidreza Ghaffarzadeh 4
  • Alireza Vafaeenezhad 5
1 Department of نام گروه تخصصی و Science and Research branch, Islamic Azad University, Tehran, Iran.
2 Department of the Environment,Faculty of Environmental sciences,University of Shaid Beheshti,Tehran,Iran
3 ِDepartment of Environment,Faculty of Environmental scieences,University of shahid beheshti,Tehran,Iran
4 Department of Environment,Faculty of energy and environment,Azad University_research and sciences branch,Tehran,Iran
5 Department of GIS,Faculty of energy and environment,Azad University_research and sciences branch,Tehran,Iran
چکیده [English]

Updated land use change information is one of the necessary requirements for natural resource management. This research used LCM mol to tect and predict land use changes in Lahijan city in Guilan province during 1984-2020. Initially, Landsat satellite images of 1984, 2000, and 2016 were categorized into five classes of forest, rangeland, agriculture, human ma areas and water resources. Then elevation, slope, precipitation, distance from resintial areas, distance from agricultural lands, distance from rangeland, distance from forest margin and distance from roads were used as affecting factors on land use changes. Mol accuracy assessment was done by comparison of actual and predicted map of 2016. Accuracy assessment of prediction mol was done by comparison of actual and predicted maps of 2016. The values of Null success, Hits, Misses and False Alarms were 88.04, 2.65, 8.45 and 4.28%, respectively. Meanwhile, in the present study, the error of the prediction mol was about 12.6%, which confirmed the efficiency and ability of the mol. Results from 1984 to 2016 indicated that a significant area of forest cover was creased and the forestation will continue according to these observations. Regarding the process of forestation in the study area, the implementation of land use planning to reduce the negative effects of land use change is proposed.

کلیدواژه‌ها [English]

  • Guilan province
  • Forestation
  • Land change moler
  • Artificial Neural Network
  • Markov chain

آرخی، ص.1393. پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل LCM در محیط GIS (مطالعه موردی: منطقه سرابله)، فصلنامه علمی-پژوهشی تحقیقات حمایت و حفاظت جنگل‌ها و مراتع ایران. 1: 1-19.

جورابیان شوشتری، ش.؛ اسماعیلی ساری، ع.؛ حسینی، س. م. و غلامعلی فرد، م. 1392. کاربرد رگرسیون لجستیک و زنجیره مارکوف در پیش‌بینی تغییرات کاربری سرزمین شرق استان مازندران»، نشریه محیط‌زیست طبیعی. 4: 363-351.

حیدریان، پ.؛ رنگزن، ک.؛ ملکی، س. و تقی‌زاده، ا. 1393. تلفیق تکنیک‌های سنجش از دور،  GISو مدل LCM با رویکرد مدل‌سازی توسعه شهری (نمونه موردی: کلان‌شهر تهران، مطالعات جغرافیایی مناطق خشک. 17: 87- 100.

عزیزی ‌قلاتی، س.؛ رنگزن، ک.؛ تقی‌زاده، ا. و احمدی، ش. 1393. مدل‌سازی تغییرات کاربری اراضی با استفاده از روش رگرسیون لجستیک در مدل LCM (پژوهش موردی: منطقه کوهمره سرخی استان فارس)، فصلنامه علمی- پژوهشی تحقیقات جنگل و صنوبر ایران. 4: 585-596.

غلامعلی فرد، م.؛ میرزایی، م. و جورابیان شوشتری، ش. 1393. مدل‌سازی تغییرات پوشش اراضی با استفاده از شبکه عصبی مصنوعی و زنجیره مارکوف (مطالعه موردی: سواحل میانی استان بوشهر، مجله سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 1: 61-74.

فلاحتکار، س.؛ حسینی، س. م.؛ سلمان‌ماهینی، ع. و ایوبی. 1395. پیش‌بینی تغییرات کاربری اراضی با استفاده از مدل LCM ، مجله پژوهش‌های محیط‌زیست. 13: 163-163.

نظری سامانی، ع.؛ قربانی، م. و کوهبنانی، ح. 1389. ارزیابی روند تغییرات کاربری اراضی حوزه آبخیز طالقان در دوره 1366 تا1380، مجله علمی و پژوهشی مرتع. 3: 422- 451.

Bax, V.; Francesconi, W. & Quintero, M. 2016. Spatial modeling of deforestation processes in the Central Peruvian Amazon. Journal for Nature Conservation, 29, pp.79-88.

Bishop, C. M. 1995. Neural networks for pattern recognition. Oxford University Press.

Congalton, R. G. 1991. A review of assessing the accuracy of classifications of remotely sensed data”. Remote sensing of environment, 37(1), pp.35-46.

Foley, J.A.; Fries, R.; Asner, G.P.; Barford, C.; Bonan, G.; Carpenter, S.R.; Chapin, F.S.; Coe, M.T.; Daily, G.C.; Gibbs, H.K. & Helkowski, J.H. 2005. Global consequences of land use. Science, 309(5734), pp.570-574.

Silva, R.F.; Batistella, M. & Moran, E.F. 2016. Drivers of land change: Human-environment interactions and the Atlantic forest transition in the Paraíba Valley, Brazil. Land Use Policy, 58, pp.133-144.

Lausch, A. & Herzog, F. 2002. Applicability of landscape metrics for the monitoring of landscape change: issues of scale, resolution and interpretability. Ecological indicator,2(1-2),3-15.

Eastman, J. R. 2006. IDRISI Ans tutorial. Clark Labs, Worcester, MA.

Mirhosseini, S.M.; Jamali, A.A. & Hosseini, S.Z. 2016. Investigating and Predicting the Extension of Dunes Using Land Change Moler (LCM) in the North West of Yazd, Iran. sert, 21(1), pp.76-90.

Singh, Sonali, C.; Sudhakar Reddy, S.; Vazeed, P.; Kalloli Dutta, K. R. L. Saranya, & Satish, K. V. 2017. Moling the spatial dynamics of forestation and fragmentation using Multi-Layer Perceptron neural network and landscape fragmentation tool. Ecological Engineering 99, 543-551.

Sun, H.; Forsythe, W. & Waters, N. 2007. Moling urban land use change and urban sprawl: Calgary, Alberta, Canada. Networks and spatial economics, 7(4), pp.353-376.

Václavík, T. & Rogan, J. 2009. Intifying trends in land use/land cover changes in the context of post-socialist transformation in central Europe: a case study of the greater Olomouc region, Czech Republic. GIScience & Remote Sensing, 46(1), pp.54-76.