مدلسازی تغییرات کاربری اراضی و پیش بینی های آینده با استفاده از شبیه-سازی CA-ANN در حوضه آبخیز 25 شنرود سیاهکل (مقاله پژوهشی دانشگاه آزاد)
درجه علمی: علمی-پژوهشی (دانشگاه آزاد)
آرشیو
چکیده
در این مطالعه، روندهای مکانی–زمانی پویایی کاربری اراضی برای دوره 1401-1380 با استفاده از داده سنجش از دور مورد تجزیه و تحلیل قرار گرفت. طبقه بندی تصویر بر اساس سه طبقه عمده کاربری اراضی یعنی جنگل، مناطق انسان ساز (کشاورزی و ساخته شده) و سایر مناطق طبیعی (اراضی لخت، علفزار، جنگلکاری، درختچه زار، نواحی آبی و اراضی جنگلی) انجام شد. نقشه های تغییرات کاربری اراضی منطقه در دوره 1401-1380 نشان می دهند که مناطق انسان ساز 3/9 درصد افزایش یافته اند. در مقابل، جنگل و سایر مناطق طبیعی به ترتیب 1/7 درصد و 2/2 درصد کاهش یافتند. علاوه بر این، تکنیک شبکه عصبی مصنوعی-اتوماتای سلولی (CA-ANN) برای پیش بینی تغییرات کاربری اراضی در دوره 1422-1401 استفاده شد. درصد صحت برای شبیه سازی 91 درصد و مقدار کاپا کلی 86/0 بود. به طور مشابه با نقشه های طبقه بندی شده در دوره 1401-1380، نقشه های پیش بینی شده در دوره 1422-1401 روند افزایشی را در مناطق انسان ساز به میزان 7/4 درصد و روند کاهشی در جنگل و سایر مناطق طبیعی به ترتیب به میزان 3/4 درصد و 4/0 درصد نشان می دهد. در این کار، مدل های رگرسیونی حداقل مربعات معمولی (OLS) برای پیش بینی تغییرات کاربری اراضی در منطقه مورد مطالعه به عنوان تابعی از متغیرهای توصیفی [ارتفاع، شیب و متغیرهای مجاورت مانند فاصله تا مرکز شهر، جاده ها، روستاها و آبراهه ها] اجرا شد. نتایج مدل های OLS عملکرد نسبتاً خوبی را برای پیش ینی تغییرات کاربری اراضی با مقدار R2 بیشتر از 5/0 نشان داد. این نتایج دانش مهمی را ارائه می کند که می تواند به توسعه برنامه ریزی و مدیریت پایدار آینده کمک کند و هم چنین به مدیران در تصمیم گیری آگاهانه برای بهبود شرایط محیط زیستی و اکولوژیکی کمک کند.Land Use Changes Modeling and Future Predictions Using CA-ANN Simulation in the Watershed of 25 (Shenroud, Siahkal)
In this study, we analyzed the spatial–temporal trends of land use dynamics from 2000 to 2021 using remote sensing data. The image classification was based on three main land use classes, i.e. forest, artificial areas (agriculture and built-up), and other natural areas (bare lands, grassland, plantation, shrubland, water bodies, and woodlands). Maps of land use changes in the area for 2000-2021 show that built-up areas have increased by 9.3%. In contrast, forest and other natural areas decreased by 7.1% and 2.2%, respectively. In addition, an integrated CA-ANN (Artificial Neural Networks- Cellular Automata) model was used to predict land use changes from 2021–2042. The percentage of correctness for the simulation was 91%, and the overall kappa value was 0.86. Similar to the classified maps in 2000-2021, the prediction maps from 2021–2042 illustrated increasing trends in built-up areas by 4.7% and decreasing trends in the forest by 4.26% and other natural areas by 0.4%. In this work, we implemented ordinary least squares (OLS) regression models to predict land cover changes in the study area as a function of explanatory variables [elevation, slope, and proximity variables - distance to the city center, roads, villages, and streams-]. The results of the OLS models showed a relatively good performance for predicting land use changes with an R-squared value greater than 0.5. These results provide important knowledge that can help develop future sustainable management and planning and help managers make informed decisions to improve environmental and ecological conditions.
تبلیغات
