|
|
پیشبینی زمانی-مکانی تغییرات کاربری اراضی با استفاده از مدل lcm در حوزه آبخیز سد درودزن
|
|
|
|
|
نویسنده
|
زارعی حیدر ,شنانی هویزه مائده ,جورابیان شوشتری شریف
|
منبع
|
محيط زيست و مهندسي آب - 1403 - دوره : 10 - شماره : 3 - صفحه:363 -378
|
چکیده
|
پیشبینی تغییرات آینده کاربری اراضی گام مهمی در برنامهریزی و مدیریت صحیح حوزه آبخیز میباشد. بنابراین در این مطالعه به مدلسازی کاربری اراضی حوزه آبخیز سد درودزن پرداخته شد. ابتدا نقشههای کاربری اراضی سالهای 1375، 1384، 1395 و 1400 در نرمافزار envi با الگوریتم حداکثر احتمال تهیه شدند. با استفاده از پرسپترون چندلایه شبکه عصبی و 6 متغیر توصیفی، نقشههای پتانسیل انتقال برای هر یک از زیر مدلها، مدلسازی و با استفاده از زنجیره مارکوف میزان تخصیص تغییر به هر کاربری محاسبه شد. سپس با استفاده از مدل تغییر سرزمین lcm و دوره واسنجی 1395-1384، نقشه کاربری اراضی سال 1400 پیشبینی شد. بهمنظور بررسی صحت مدلسازی مقادیر موفقیت 1.92%، خطا 8.8% و هشدار خطا 2.94% محاسبه شدند. همچنین نسبت موفقیت بهکل پیکسلهای تغییر کرده 14% بهدست آمد که بیانگر قابلقبول بودن نتایج مدل میباشد. سپس، نقشه کاربری اراضی سال 1429 پیشبینی شد. نتایج نشان داد که در سال 1429 در مقایسه با سال 1400 زمینهای بایر، اراضی کشاورزی، مناطق مسکونی و باغات بهترتیب 54290، 7621، 4494 و ha 2391 افزایش مییابند. درحالیکه مراتع و جنگلها بهترتیب 68441 و ha 689 کاهش خواهند یافت.
|
کلیدواژه
|
زنجیره مارکوف، شبکه عصبی مصنوعی، کاربری اراضی، lcm
|
آدرس
|
دانشگاه شهید چمران اهواز, دانشکده مهندسی آب و محیط زیست, گروه هیدرولوژی و منابع آب, ایران, دانشگاه شهید چمران اهواز, دانشکده مهندسی آب و محیط زیست, گروه هیدرولوژی و منابع آب, ایران, دانشگاه علوم کشاورزی و منابع طبیعی خوزستان, گروه مهندسی طبیعت, ایران
|
پست الکترونیکی
|
joorabian@asnrukh.ac.ir
|
|
|
|
|
|
|
|
|
temporal-spatial prediction of land use changes using lcm model in doroodzan dam watershed
|
|
|
Authors
|
zarei heydar ,shanani hoveyzeh maedeh ,joorabian shooshtari sharif
|
Abstract
|
predicting future landuse changes is an important step in the proper planning and management of watersheds. therefore, in this study, the land use modeling of the doroodzan dam watershed was discussed. first, the land use maps of 1996, 2005, 2016 and 2021 were extracted using envi software, and the maximum likelihood method. the transition potential maps were modeled for each of the sub-models by using multi-layer perceptron artificial neural network and 6 variables and markov chain was used to calculate the allocation change to each land use. then, the land use map for 2021 was predicted using land change modeler (lcm) and 2005-2016 calibration period. to verify modeling accuracy, hits 1.92%, misses 8.8%, false alarms 2.94% were calculated. the ratio of hits to the total pixels has changed 14% indicates that model results are acceptable. then, the land use map for the year 2050 was predicted. the results showed that given the predicted lc for year 2050 in comparison with the year 2021, bare land, agricultural land, residential areas and orchards will increase by 54290, 7621, 4494, and 2391 ha, respectively. whereas grassland and forest cover will decrease 68441, and 689 ha, respectively.
|
Keywords
|
artificial neural network ,landuse ,lcm ,markov chain
|
|
|
|
|
|
|
|
|
|
|