پیش بینی و آشکارسازی روند تغییرات زمانی و مکانی کاربری اراضی با استفاده از مدل‌ساز تغییر زمین

هدف این پژوهش، بررسی تغییرات کاربری اراضی در گذشته و پیش بینی کاربری اراضی در آینده با استفاده از مدل‌ساز تغییر زمین (lcm) در حوزه آبخیز هلیل رود می باشد. آشکارسازی تغییرات کاربری اراضی با به‌کارگیری تصاویر ماهواره لندست، سنجنده‌هایtm (تصویر سال 1370)، etm+ (تصویر سال 1382) و oli (تصویر سال 1399) انجام گرفت. مدل‌سازی نیروی انتقال با روش شبکه عصبی پرسپترون چند لایه و هشت متغیر ارتفاع، شیب، جهت، فاصله از جاده، فاصله از رودخانه، فاصله از اراضی کشاورزی، فاصله از شهر، شاخص تفاضل پوشش گیاهی (ndvi) انجام گرفت. جهت پیش‌بینی تغییرات کاربری اراضی در دوره آتی، از زنجیره‌ی مارکوف استفاده گردید. نتایج ارزیابی دوره‌های واسنجی با استفاده از آماره‌ی کاپا نشان داد که دوره‌ی واسنجی 1370 تا 1399 بالاترین صحت را جهت پیش‌بینی تغییرات کابری اراضی سال 1420 داشت. نتایج تغییرات کاربری اراضی حاکی از آن است که بیش‌ترین افزایش مساحت مربوط به اراضی کشاورزی به میزان 7/293 کیلومتر مربع و بیش‌ترین کاهش مساحت مربوط به اراضی مرتعی به میزان 6/382 کیلومتر مربع بوده است. هم‌چنین مساحت اراضی بایر، باغی و مسکونی افزایش یافته و اراضی سنگلاخی بدون تغییر بوده‌اند. تخریب اراضی مرتعی بیش‌تر در راستای تبدیل این اراضی به اراضی کشاورزی، باغی و مسکونی بوده‌است. هم‌چنین نتایج حاصل از پیش‌بینی نقشه کاربری آینده 1420با استفاده از مدل‌ساز تغییر زمین نشان داد که در دوره‌ی زمانی 1420-1399، مساحت اراضی مرتعی به میزان 1/201 کیلومتر مربع کاهش و مساحت اراضی کشاورزی، مسکونی، باغی و بایر به ترتیب به میزان 01/158، 38/22، 2/20 و 53/0 کیلومتر مربع افزایش خواهد یافت.

Predicting and detecting the trend of temporal and spatial changes of land use using land change modeler

The purpose of this study is to investigate land use changes in the past and predict future land use using land change modeler in Halil River watershed. The detection of land use changes was performed using Landsat satellite images (L5TM1991, L7 ETM+2003 and L8OLI2020). Transition potential modeling was done using MLP neural network method and eight variables including altitude, slope, aspect, distance to road, distance to river, distance to agricultural lands, distance to urban and Normalized Difference Vegetation Index (NDVI). Finally, the Markov chain was used to predict future land use changes. Investigating the calibration periods using kappa statistics showed that the period of 19912020 had the highest accuracy to predict land use for 2041. The results of land use changes indicated that during the calibration period, among the six categories namely rangeland, agricultural land, residential land, barren land, rock and orchard, the highest increase and the highest decrease in area was related to agricultural lands and rangelands by 293.7 and 382.6 km2, respectively. Also, the area of barren lands, orchard and residential lands has increased and rocky lands have remained unchanged. The degradation of rangelands has been more in line with the conversion of these lands into agricultural, orchard and residential lands. Also, the prediction of future land use map (2041) using land change modeler showed that , the area of rangelands will decrease by 201.1 km2 and the area of agricultural lands, residential lands, orchards and barren lands will increase by 158.01, 22.38, 20.2 and 0.53 km2, respectively.