ارزیابی و پیش‌بینی تغییرات پوشش/کاربری زمین با استفاده از مدل سلول خودکار- شبکه عصبی مصنوعی (ca-ann) در دشت داراب استان فارس

مقدمه و هدف بررسی شیوه کاربری و نوع پوشش زمین‌، نقش مهمی در برنامه‌ریزی مدیریت و حفاظت منابع ایفا می‌کند و زمینه ارتقاء نگرش اصولی به ساختارهای زیست‌محیطی را فراهم می‌آورد. توسعه شهری به‌طور قابل توجهی بر کاربری و پوشش زمین تاثیرگذار است. به این دلیل، در سال‌های گذشته بیش از نیمی از سطح زمین دست‌خوش تغییرات‌شده است و بیش از یک‌سوم مساحت زمین متعلق به زمین‌‌های کشاورزی است. مدیران و کارشناسان کاربری زمین با توجه به این تغییرات عمده، تاثیر تغییر کاربری زمین بر فرایندهای آب‌شناختی را بررسی کرده‌اند. در این راستا، به روش‌های یادگیری ماشین، مانند شبکه عصبی مصنوعی (ann) ماشین بردار پشتیبان (svm)، جنگل تصادفی (rf)، درخت تصمیم (dt) و دیگر مدل‌ها، برای طبقه‌بندی پوشش/کاربری زمین‌‌های lulc توجه زیادی شده است. برنامه‌‌ریزان و مدیران می‌‌توانند از تغییرات پیش‌بینی‌شده lulc برای ارتقای مدیریت پایدار زمین و کاهش پیامدهای نامطلوب استفاده کنند. در نتیجه، تشخیص و پیش‌بینی تغییرات کاربری زمین (lulc) که ناشی از شهرنشینی سریع است، می‌تواند به اختلال در پایداری محیط زیست منجر شود. از سوی دیگر، شدت این تغییرات در پاسخ به رشد جمعیت جهان و افزایش نیاز به غذا، ضرورت انجام پژوهش‌های دقیق در این باره را دوچندان می‌کند. ازاین‌رو، هدف این پژوهش، مشاهده تغییرات کاربری زمین در سال‌های 2000، 2014 و 2024 در منطقه داراب بود. همچنین در این پژوهش نیروی محرکه برای تغییراتlulc  نیز شناسایی شد و از مدل سلول خودکار - شبکه عصبی مصنوعی (ca-ann) نیز برای تجزیه ‌و تحلیل الگوها و روندهای پیش‌بینی‌‌شده کاربری زمین از سال 2034 تا 2044 استفاده شد.مواد و روش‌هاطبقه‌بندی کاربری زمین تصویرهای ماهواره‌ای با پیاده‌سازی روش طبقه‌بندی مبتنی بر پیکسل و نظارت به‌وسیله موتور جستجوگر گوگل ارث انجام شد. طبقه‌‌بندی کاربری زمین با استفاده از مدل ماشین بردار پشتیبان svm انجام شد. پس از تجزیه ‌و تحلیل منطقه مطالعه‌شده به پنج طبقه کاربری گوناگون شامل مراتع، زمین‌‌‌های بایر، باغ، کشاورزی و شهری تقسیم شد. از آنجایی که برای ارزیابی تغییرات کاربری زمین به‌شکل مکانی و زمانی، مدل‌سازی توان انتقال و پیش‌بینی سناریوهای آینده سازگار است، از روش شبکه عصبی مصنوعی-سلول خودکار (ca-ann) برای پیش‌بینی تغییرات کاربری زمین استفاده شد. پلاگین molusce در qgis برای ایجاد تغییرات مکانی-زمانی با یک دوره زمانی 2034 تا 2044 و محاسبه انتقال lulc  برای تهیه نقشه تغییر lulc اجرا شد. هم‌چنین یک ماتریس توان انتقال میان سال‌‌های 2014-2000 برای تهیه نقشه تغییر ایجاد شد. روش نورون ادراکی چندلایه (ann-mlp)-ann برای مدل‌سازی توان انتقال استفاده شد. شیب، جهت، بلندی و فاصله از جاده، گسل و رود، سنجه‌های مکانی بودند که به‌عنوان سنجه‌های ورودی اجرا شدند. ساختار ann-mlp ، مکانی بود که لایه ورودی به‌وسیله لایه‌‌های پنهان پردازش ‌شد و لایه خروجی شامل طبقه‌‌های lulc دوباره طبقه‌بندی‌شده بود.نتایج و بحثدر این پژوهش، نقشه‌های تغییرات کاربری زمین (lulc) که از سال 2000 تا 2024 تهیه شدند، نشان‌دهنده افزایش چشمگیر وسعت زمین‌‌‌های کشاورزی در منطقه بودند. نتایج نشان داد بوم‌سازگان طبیعی این دشت به‌دلیل روند رو به رشد تغییرات و تبادلات کاربری زمین‌‌‌ها، با چالش‌های جدی مواجه خواهد بود. این تغییرات ناشی از بهره‌برداری‌های غیراصولی و غیرمنطقی از منابع در نتیجه فعالیت‌های انسانی (شهرنشینی، کشاورزی نامناسب، حفر چاه‌ها و استفاده بی‌رویه از منابع آب زیرزمینی برای کشت باغ‌ها) است. این عامل‌ها می‌توانند سبب فرسایش و بیابان زایی در این منطقه شوند و تهدیدی جدی برای محیط زیست به‌شمار ‌آیند. از سوی دیگر، تغییر کاربری زمین‌‌های کشاورزی، با تغییرات قابل ‌توجه و گسترده‌ای در زمین‌‌های بایر همراه است. نقشه‌‌های پیش‌بینی از سال 2034 تا 2044 نمایانگر رشد پیوسته در الگوی کاربری زمین‌‌‌های کشاورزی بود. در این راستا، درصد تغییرات این زمین‌ها از سال 2034 با مساحت 455/65 کیلومترمربع (18/52%) به مساحت 708/81 کیلومترمربع (28/81%) در سال 2044 افزایش یافت. صحت شبیه‌‌سازی 82/43% و اندازه کاپا کلی 0/72 برآورد شد. بر اساس نتایج این پژوهش، در طول دوره مطالعه‌شده، عامل‌های فیزیکی و اجتماعی-اقتصادی تاثیر قابل‌توجهی بر الگوهای منظر داشتند. متغیرهای جغرافیایی موجود در واسنجی مدل به‌دلیل رابطه معنی‌دار آن‌ها با lulc انتخاب شدند. می‌توان گفت که متغیرهای فیزیکی، مانند جغرافیا و آب‌ و هوا، مهم‌ترین عامل در ترویج فعالیت‌های انسانی هستند. عامل‌های اجتماعی-اقتصادی، مانند جمعیت و تولید ناخالص داخلی، ممکن است بر تغییر lulc تاثیرگذار باشند.نتیجه‌گیری و پیشنهادهاتغییر الگوهای lulc بر کیفیت آب زیرزمینی تاثیر منفی ‌می‌گذارد و هم‌چنین امنیت غذایی را به خطر می‌اندازد. برای طبقه‌بندی lulc، از ماشین بردار پشتیبان (svm) برای مشاهده دقیق تغییرات پوشش زمین و روند آن استفاده شد. بر اساس نتایج این پژوهش می‌توان گفت هرگونه تغییر در کاربری زمین‌‌‌ها می‌‌بایست بر اساس روشنگری‌های منطقی و برنامه‌ریزی‌شده مبتنی بر اصول علمی  باشد؛ به‌‌طوری‌که استفاده از روش‌های به‌‌روز و کارآمد همچون روش سنجش ‌‌از دور و سامانه‌‌های اطلاعات جغرافیایی لازم و ضروری است. ازاین‌رو، پیشنهاد می‌شود که نقشه‌های پیش‌بینی‌شده برای آینده از وضعیت کاربری زمین‌‌‌ها در این پژوهش، الگویی برای برنامه‌‌ریزی آمایش سرزمین به‌وسیله برنامه‌‌ریزان، مسئولان و متصدیان مربوطه باشد تا به این شیوه، از بروز خسارت‌های جبران‌ناپذیر محیطی (تخلیه منابع آب زیرزمینی، بیابان‌زایی، فرونشست زمین) در دشت داراب در آینده جلوگیری شود. با توجه ‌به افزایش نرخ مساحت تحت پوشش کاربری کشاورزی، روند زمین‌‌های بایر در نقشه‌‌های شبیه‌سازی‌شده کاهشی بود. همچنین، عامل محرک تغییر کاربری زمین‌‌‌ها در داراب وابسته به نرخ سریع افزایش جمعیت، افزایش تقاضا و تبدیل دیگر کاربری‌‌ها به کشاورزی، باغ و مناطق مسکونی، بود.

evaluation and prediction of land cover/use changes using automatic cell-artificial neural network (ca-ann) model in the darab plain of fars province

introduction and goal the analysis of land use and land cover patterns plays a significant role in resource management and conservation planning, while providing a foundation for systematic approaches to environmental structures. urban development has notably impacted land use and land cover. as a result, over half of the earth’s surface has undergone changes in recent years, with more than one-third of the land area dedicated to agricultural use. given these substantial transformations, land use managers and experts have examined the hydrological impacts of land use changes. in this context, machine learning methods such as artificial neural networks (ann), support vector machines (svm), random forest (rf), decision trees (dt), and other models have received considerable attention for land use/land cover (lulc) classification. planners and managers can utilize predicted lulc changes to promote sustainable land management and reduce adverse consequences. consequently, detecting and predicting land use changes (lulc) driven by rapid urbanization can lead to disruptions in environmental sustainability. population growth, economic development, and agricultural expansion are factors contributing to various changes in land covers, including vegetation and water. these persistent land use changes may result in environmental degradation. on the other hand, the intensity of these changes, in response to global population growth and increasing food demands, further emphasizes the need for precise research in this area. therefore, this study aimed to observe land use changes in 2000, 2014, and 2024 in the darab region. additionally, the driving forces behind lulc changes were identified, and the cellular automata-artificial neural network (ca-ann) model was used to analyze predicted land use patterns and trends from 2034 to 2044.materials and methods land use classification of satellite images was performed using a pixel-based supervised classification approach in the google earth engine environment. the support vector machine (svm) model was employed for land use classification. following the analysis, the study area was categorized into five distinct land use classes: rangelands, barren lands, orchards, agricultural lands, and urban areas. since modeling land use transitions and predicting future scenarios is essential for spatiotemporal change assessment, the cellular automata-artificial neural network (ca-ann) method was used to forecast land use changes. the molusce plugin in qgis was applied to analyze spatiotemporal changes (2034–2044) and compute land use/land cover (lulc) transitions for generating change maps. a transition potential matrix was also created for the years 2000–2014 to produce a change map. the multilayer perceptron neural network (ann-mlp) was utilized for transition potential modeling, with slope, aspect, elevation, and distance from roads, faults, and rivers serving as spatial input metrics. the ann-mlp structure processed input data through hidden layers, with the output layer containing reclassified lulc categories.results and discussion the lulc change maps (2000–2024) revealed a significant expansion of agricultural land in the region. findings indicated that the natural ecosystems of the plain would face serious challenges due to increasing land use transitions. these changes stem from unsustainable exploitation of resources, driven by human activities such as urbanization, improper farming, excessive well-digging, and overuse of groundwater for irrigation, which may lead to soil erosion and desertification. additionally, agricultural land conversion was accompanied by substantial changes in barren lands. the 2034–2044 prediction maps showed a continuous rise in agricultural land use, increasing from 65.455 km² (18.52%) in 2034 to 81.708 km² (28.81%) in 2044. the simulation accuracy was 82.43%, with a kappa coefficient of 0.72. the study confirmed that physical and socio-economic factors significantly influenced landscape patterns. geographical variables were selected for model calibration due to their strong correlation with lulc changes. physical factors (e.g., terrain, climate) were the primary drivers of human activities, while socio-economic factors (e.g., population growth, gdp) also impacted lulc dynamics.conclusion and suggestions lulc pattern changes negatively affect groundwater quality and threaten food security. the svm model proved effective for precise land cover monitoring. the study highlights that any land use modifications must follow scientific, data-driven planning, incorporating remote sensing and gis technologies to prevent irreversible environmental damage (e.g., groundwater depletion, desertification, land subsidence) in darab plain. the projected lulc maps should serve as a guideline for land-use planners and policymakers to regulate agricultural expansion, urbanization, and orchard development. the decline in barren lands in simulated maps reflects rapid population growth, rising demand, and land conversion to farms, orchards, and residential zones as key drivers in darab.