پیش‌بینی تغییرات پوشش اراضی با استفاده از مدل تلفیقی زنجیرۀ مارکوف و سلول‌های خودکار (مطالعۀ موردی: حوزۀ شیرکوه)

تغییرات کاربری نقش مهمی در درک ارتباط متقابل بین فعالیت‌های بشر و محیط زیست دارد، بررسی این تغییرات به صورت توالی زمانی از گذشته و پیش بینی آن در آینده ضروری است. تهیه نقشه کاربری اراضی با بهره‌گیری از تکنیکهای سنجش از دوری، یکی از پرکاربردترین روش‌های تهیه نقشه کاربری اراضی و مقایسه کاربری‌های موجود است. هدف از این پژوهش، ارزیابی روند تغییرات اراضی حوزه شیرکوه در استان یزد و پیش‌‌بینی پوشش اراضی آن در سال 2024 است. بدین منظور نقشه‌های کاربری اراضی با استفاده از تصاویر سنجنده‌های tm و oli لندست در سال‌های 2000 ،2008 و 2016 به روش طبقه‌بندی نظارت شده حداکثر احتمال تهیه گردید. سپس با استفاده از نقشه کاربری اراضی سال‌های 2000 و 2008، پوشش اراضی در سال 2016 پیش‌بینی شد و با نقشه کاربری اراضی سال 2016 که از طبقه بندی نظارت شده با استفاده از تصویر ماهواره‌ای به دست آمده بود، صحت سنجی شد. با استفاده از نقشه کاربری اراضی سال 2008 و 2016، پوشش اراضی مربوط به سال 2024 پیش بینی شد. نتایج روند تغییرات کاربری اراضی در 16 سال مورد بررسی (20002016) نشان داد که بطور متوسط سالانه 161.85 هکتار از مراتع غنی، 131.14 هکتار از مراتع فقیر و 7.72 هکتار از مساحت اراضی کشاورزی کاسته و 45.16 هکتار در هرسال به کاربری شهری و 265.72 هکتار به مناطق کوهستانی اضافه شده است. باتوجه به اینکه پوشش مرتع بیشتر در مناطق کوهستانی دیده می‌شود دلیل افزایش مساحت کوهستان به دلیل کاهش مساحت مراتع بوده است. نتایج پیش بینی پوشش اراضی در سال 2024 نشان داد که 0.55 درصد از کاربری کشاورزی، 0.82 درصد از مرتع غنی، 0.80 درصد مرتع فقیر، 0.51درصد اراضی شهری و 0.97درصد کوهستان بدون تغییر باقی می‌مانند. امکان تبدیل زمین‌های کشاورزی به مسکونی و مرتع فقیر 0.40 درصد می‌باشد.

Land use Change Prediction using Markov Chain Compilation Model and Automated Cells (Case Study: Shirkuh)

Specifics regarding land cover and land use is an essential element of the planning process, as it can undoubtedly lead towards the debate around the present plans and patterns and the necessity to modify land use included in a regional plan. In this research, land use maps were prepared using Landsat TM (2000), (2008) and OLI (2016) satellite imaged. Land cover mapping was conducted after preprocessing and processing satellite images, creation of training samples and assessing maps accurate was done by coefficient kappa and overall accuracy. Supervised classification technique with maximum likelihood method were used to show the land use map. In this research, we use the 2000 and 2008 land cover maps to predict the 2016 land cover map and then use the 2008 and 2016 land cover maps to predict the 2024 land cover map.According to the results, with passing time the area of builtup area and mountainous increased with the passage of time while the dense poor rangeland, rich rangeland and agriculture area decreased during the period 20002016. The results of predicting changes in the time interval 20162024, showed that 55/0 of agriculture, 82% of rich rangeland, 80% of poor rangeland, 51% of builtup, and 0.97 of mountainous will remain unchanged