مدل‌سازی روند تغییرات مکانی کاربری اراضی با استفاده از مدل Lcm بر پایه شبکه‌های عصبی مصنوعی و تحلیل زنجیره مارکوف (مطالعه موردی: حوزه آبخیز بهشت‌آباد)

پیش‌بینی و مدل‌سازی تغییرات کاربری اراضی برای آگاهی از کمیت و کیفیت تغییرات احتمالی در آینده اهمیت دارد. هدف از این تحقیق، پایش تغییرات کاربری اراضی در گذشته و بررسی امکان پیش‌بینی آن در آینده با استفاده از مدل lcm در حوزه آبخیز بهشت آباد استان چهارمحال و بختیاری است. در این تحقیق تصاویر لندست 5 سنجنده tm سال‌های 1370 و 1387 و لندست 8 سنجنده oli سال 1395 تجزیه و تحلیل و مورد استفاده قرار گرفت. تصاویر هر سه مقطع زمانی به پنج طبقه مرتع، مناطق ساختمانی شهری، اراضی کشاورزی، اراضی باغی و اراضی بایر طبقه‌بندی شد. پیش‌بینی وضعیت کاربری اراضی برای سال 1395، با استفاده از نقشه‌های کاربری سال‌های 1370 و 1387 و به کمک مدل lcm و بر پایه شبکه‌های عصبی مصنوعی و تحلیل زنجیره مارکوف انجام گردید. به این منظور، از متغیرهای مکانی فاصله از مراتع، فاصله از مناطق ساختمانی شهری، فاصله از اراضی کشاورزی، فاصله از اراضی باغی، فاصله از اراضی بایر، فاصله از رودخانه، فاصله از جاده، ارتفاع یا مدل رقومی ارتفاع، شیب و جهت شیب به عنوان عوامل موثر بر تغییرات در شبکه عصبی مصنوعی استفاده شد. نتایج مدل‌سازی نیروی انتقال با استفاده از شبکه عصبی مصنوعی در بیش‌تر زیر مدل‌ها صحت بالایی را (62 تا 94 درصد) نشان داد. خطای کل در مدل‌سازی برای سال 1395، حدود 4.23 درصد به دست آمد که نشان دهنده انطباق زیاد تصویر پیش‌بینی شده مدل با تصویر واقعیت زمینی و قابل قبول بودن مدل می‌باشد. هم چنین نتایج پیش‌بینی تغییرات برای سال‌های 1420 و 1429 نشان داد که مساحت اراضی مرتعی و اراضی بایر کاهش و مساحت مناطق ساختمانی شهری، اراضی باغی و اراضی کشاورزی افزایش خواهند یافت.

Modeling Trends Land Use Changes Local by Using LCM Model Based on Artificial Neural Networks and Markov Chain Analysis(Case Study: BeheshtAbad Watershed)

The prediction and modeling of land use changes is important for understanding the quantity and quality of possible future changes. The purpose of this research is to monitor land use changes in the past and to investigate the possibility of predicting them in the future using the LCM model in the Beheshabad watershed of Chaharmahal va Bakhtiari province. In this study, Landsat 5 TM sensors images of 1991 and 2008 and Landsat 8 OLI sensors images in 2016 were used and analyzed. Images of all three periods were classified into five categories of range lands, urbanconstruction areas, agricultural lands, garden lands and Bare lands. The prediction of land use status for 2016 was carried out using user maps of 1370 and 1387 using the LCM model based on artificial neural networks and Markov chain analysis. For this purpose, the spatial variables of the distance from the pastures, the distance from the residential and urban areas, the distance from the agricultural land, the distance from the garden, the distance from the Bare Lands, distance from the river, distance from the road, elevation or digital elevation model, slope and direction of the slope, are used as factors affecting changes in artificial neural network. The results of modeling the transmission force using artificial neural network in most. of the submodels showed high accuracy (62 to 94 percent). The total error in modeling for the year 2016 obtained approximetly 23%, which reflects the large mismatch of the predicted image of the model with the image of the Earth reality and the acceptability of the model. The prediction results for the years of 1420 and 1429 showed that the area of range land and bare lands would be reduced and the area of urbanconstruction areas, garden lands and agricultural lands would becincrease.