اشکان محمدی

مدل سازی تغییرات کاربری اراضی، ابزاری ضروری برای تجزیه و تحلیل های محیط زیستی، برنامه ریزی  و مدیریت محسوب می گردد. در حال حاضر آشکار سازی و مدلسازی تغییرات کاربری اراضی با استفاده از تصویر ماهواره ای ابزاری سودمند برای درک تغییرات زیست محیطی در رابطه با فعالیت های انسانی به حساب می آیند. ناحیه مورد مطالعه یکی از مناطق ایران است که هدف تجاوزساخت و ساز های بی رویه و بدون برنامه قرار گرفته است.  توسعه شهری و رشد جمعیت منجر به تغییرات الگوی فضایی شده و کاربری بخش زیادی از منابع طبیعی را  تحت تأثیر قرار داده است. در این تحقیق از تصاویر ماهواره لندست در سال های ۱۹۸۶، ۲۰۰۲، ۲۰۱۸ برای طبقه بندی و آشکارسازی تغییرات کاربری اراضی استفاده شده است.پس از رفع خطاهای تصاویر ماهواره ای چهار کلاس عارضه، ساخت و ساز مسکونی و غیر مسکونی، پوشش گیاهی، کوه و مرتع و راه، جهت بررسی تغییرات در نظر گرفته شد. عملیات میدانی و برداشت عوارض نمونه، با گیرنده های GPS دو فرکانسه در محدوده مورد مطالعه انجام شد. سپس این عوارض به نرم افزار معرفی و با روش ماشین های بردار پشتیبان [1] طبقه بندی روی تصاویر سه دوره انجام و میانگین دقت کلی و میانگین ضریب کاپا [2]   در این روش به ترتیب  ۶۲ /۹۶ % ، ۳۳/۸۵ % محاسبه گردید. بیشترین تغییرات مربوط به کلاس کاربری های مسکونی و غیر مسکونی و راه می باشد. بیش ترین تغییرات مربوط به ساخت و ساز مسکونی ۰۶/۹ درصد و راه ۱ درصد می باشد، که این روند رو به افزایش سبب کاهش دو کلاس عارضه کوه و مرتع و پوشش گیاهی به ترتیب به میزان ۰۷/۹ و۱/۰ درصد شده است. در ناحیه مورد مطالعه اکثر پوشش های گیاهی و زمین های کشاورزی تبدیل به شهرک های صنعتی و ویلاهای تفریحی شده است.  در راستای چنین تغییراتی زنجیره مارکوف توانایی خوبی برای پیش بینی احتمال تغییرات را دارد و بر پیش بینی های تغییرات کاربری اراضی متمرکز  است در حالی که اتوماتای ​​ سلولی به عنوان یک روش قدرتمند در تشخیص تغییرات مؤلفه مکانی فضایی است. به این منظور جهت پیش بینی تغییرات در کمیت و فضا  از مدل ترکیبی زنجیره مارکوف و سلول های خودکار استفاده گردید و نقشه کاربری اراضی برای سال ۲۰۵۰  شبیه سازی شد. نتایج نشان داد که مدل های مارکوف اطلاعات مفیدی در اختیار ما قرار می دهد که می تواند برای برنامه ریزی کاربری اراضی در آینده  مفید واقع شود. <br clear="all" /> [1]- SVM [2]- Overall Accuracy