اخبار و اعلانات

 آمار

تعداد نشریات282
تعداد نشریات سازمان80
تعداد شماره‌ها3,272
تعداد مقالات36,149
تعداد مشاهده مقاله55,721,504
تعداد دریافت فایل اصل مقاله94,498,318
سلیمانی ساردو, مجتبی, سیلاخوری, اسماعیل. (1401). آشکارسازی تغییرات کاربری اراضی در افق 2040 میلادی با استفاده از مدل زنجیره‌ای مارکوف در حوزه آبخیز جیرفت. سامانه مدیریت نشریات علمی, 14(3), 299-311. doi: 10.22092/ijwmse.2021.352461.1851
مجتبی سلیمانی ساردو; اسماعیل سیلاخوری. "آشکارسازی تغییرات کاربری اراضی در افق 2040 میلادی با استفاده از مدل زنجیره‌ای مارکوف در حوزه آبخیز جیرفت". سامانه مدیریت نشریات علمی, 14, 3, 1401, 299-311. doi: 10.22092/ijwmse.2021.352461.1851
سلیمانی ساردو, مجتبی, سیلاخوری, اسماعیل. (1401). 'آشکارسازی تغییرات کاربری اراضی در افق 2040 میلادی با استفاده از مدل زنجیره‌ای مارکوف در حوزه آبخیز جیرفت', سامانه مدیریت نشریات علمی, 14(3), pp. 299-311. doi: 10.22092/ijwmse.2021.352461.1851
سلیمانی ساردو, مجتبی, سیلاخوری, اسماعیل. آشکارسازی تغییرات کاربری اراضی در افق 2040 میلادی با استفاده از مدل زنجیره‌ای مارکوف در حوزه آبخیز جیرفت. سامانه مدیریت نشریات علمی, 1401; 14(3): 299-311. doi: 10.22092/ijwmse.2021.352461.1851

آشکارسازی تغییرات کاربری اراضی در افق 2040 میلادی با استفاده از مدل زنجیره‌ای مارکوف در حوزه آبخیز جیرفت

مهندسی و مدیریت آبخیز
مقاله 2، دوره 14، شماره 3، مهر 1401، صفحه 299-311    اصل مقاله (1.59 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/ijwmse.2021.352461.1851
نویسندگان
مجتبی سلیمانی ساردو* 1؛ اسماعیل سیلاخوری2
1استادیار، دانشکده منابع طبیعی، دانشگاه جیرفت
2دکتری بیابان‌زدایی، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
چکیده
پدیده تغییر کاربری اراضی از مخاطرات محیطی و بحران­‌های اکولوژیکی است که امروزه بشر با آن روبرو است. اطلاع از نسبت کاربری­‌ها و نحوه­ تغییرات آن در گذر زمان یکی از مهمترین موارد در برنامه‌­ریزی‌­ها مدیریتی است. هدف از این پژوهش، آشکارسازی تغییرات کاربری اراضی حوزه آبخیز جیرفت در مقاطع زمانی 1997، 2008 و 2018 میلادی و پیش‌بینی آن در سال 2040 میلادی است. برای این منظور، تصاویر ماهواره‌­ای لندست سنجنده TM و OLI در هر یک از مقاطع زمانی تهیه شد و در محیط نرم‌افزار ENVI، از نظر اتمسفری و رادیومتریکی تصحیح شد. در گام بعد، ترکیب کاذب رنگی و همچنین، نقشه شاخص پوشش گیاهی NDVI برای هر یک از سال­‌های مزبور تهیه شد. سپس، با استفاده از طبقه‌­بندی نظارت شده و روش بیشینه احتمال، نقشه‌­­های کاربری اراضی هر یک از مقاطع زمانی به‌­دست آمد. در ادامه، نقشه­‌های کاربری اراضی به­‌دست آمده به فرمت مناسب مدل LCM تبدیل شد و تغییرات کاربری اراضی مورد تحلیل قرار گرفت. در نهایت، با استفاده از زنجیره مارکوف و نرم‌­افزار IDRISI، کاربری اراضی سال 2040 میلادی پیش­‌بینی شد. نتایج پژوهش نشان داد که استخراج نقشه‌­های کاربری اراضی با استفاده از طبقه‌­بندی نظارت شده با ضریب کاپای بیش از 0.76 در هر یک از تصاویر، دقت قابل قبولی داشته است. بررسی تغییرات کاربری اراضی در حوزه آبخیز جیرفت نشان داد، بین سال­‌های 1997 تا 2018 میلادی مناطق شهری (169.5 درصد)، اراضی کشاورزی (6.8 درصد)، شوره­زارها و اراضی بایر (119.8 درصد) افزایش و اراضی جنگلی (32.8 درصد) کاهش یافته است و پیش‌­بینی می­‌شود که با ادامه روند مدیریت فعلی، مناطق شهری و اراضی کشاورزی و اراضی بایر در دوره آتی افزایش و اراضی جنگلی و باغی کاهش یابند که نیازمند تمهیدات مناسب مدیریتی با رعایت توان بوم‌­شناختی سرزمین و توجه به اصول توسعه پایدار در این ناحیه خواهد بود.
کلیدواژه‌ها
اراضی کشاورزی؛ بحران‌های اکولوژیک؛ ماهواره لندست؛ مدل LCM؛ مدیریت اراضی
عنوان مقاله [English]
Land-use change detection in 2040 with CA-Markov Chain Model, case study: Jiroft Basin
نویسندگان [English]
Mojtaba Soleimani-sardo1؛ Esmaeil Silakhori2
1Department of Environmental Sciences and Engineering, Faculty of Natural Resources, University of Jiroft, Jiroft, Kerman, Iran.
2Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
چکیده [English]
Today, land use change is considered as a challenge of environmental issues and known as an ecological problem. Land use changing is one of the most important parameters in planning over time. The purpose of this study is to detect land use changes in the Jiroft Basin in the years 1997, 2008, and 2018 and it’s predicting in 2040. For this, Landsat images were collected and the preprocessing steps, including atmospheric and radiometric corrections, were done by ENVI software. A false-color combination, as well as an NDVI vegetation index map, were prepared for these years. Land use maps were prepared by supervised classification using maximum likelihood algorithm. The land use changes evaluated by Land Change Modeler (LCM) in these periods. Finally, land use map for 2040 was predicted by the Markov chain and IDRISI software. According to the Kappa index, the exported maps showed an acceptable accuracy (>0.76). Land use changes between 2008 and 2018 showed that the urban areas, agricultural lands, gardens, salty lands, and barren area were increased, but rangelands and forests were decreased. In the coming years, it is expected that with the current management method, the urban areas, agriculture and barren area will increase, while forest, gardens, and rangeland areas will decrease. To reduce the land use change effects, it is recommended to act according to sustainable development by notice to the ecological potential of the land.
کلیدواژه‌ها [English]
Agriculture, ecological problem Land management, Landsat Satellite, LCM Model
مراجع
  1. Ayanlade, Y. and M.T. Howard. 2017. Understanding changes in a Tropical Delta: a multi-method narrative of landuse/landcover change in the Niger Delta. Ecological Modelling, 364: 53-65.
  2. Azizi Ghalaty, S., K. Rangzan, A. Taghizadeh and Sh. Ahmadi. 2015. Application of artificial neural network and ordinary least squares regression in modeling land use changes. Journal of Forest and Wood Products, 1: 1-16 (in Persian).
  3. Bracchetti, L., L. Carotenuto and A. Catorci. 2012. Land-cover changes in remote area of central Apennines (Italy) and management directions. Journal of Landscape and Urban Planning, 104: 157-170.
  4. Falahatkar, S., A. Sefyanian, S.J. Khajeadin and H.R. Ziaei. 2010. Investigating the ability of CA Markov model in predicting land cover map, case study: Isfahan. National Geomatics Conference, Tehran (in Persian).
  5. Gilks, W.R. 2005. Markov chain Monte Carlo. John Wiley and Sons, 384 pages.
  6. Hadian, F., R. Jafari and H. Bashari. 2014. Land cover/use changes detection using satellite imagery. International Bulletin of Water Resources and Development, 1(2): 36-59 (in Persian).
  7. Jafarbeglou, M. 2018. Investigation and prediction of land use changes for lands under the influence of sand dunes in the eastern of the city of Boshrooyeh using remote sensing and geographic information system. Quantitative Geomorphological Researches, 6(3): 117-134 (in Persian).
  8. Lu, D. and Q. Weng. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, Taylor and Francis, 28(5): 823–870.
  9. Mendoza, M., E. Granados, D. Geneletti, D. Perez-Salicrup and V. Salinas. 2011. Analyzing land cover and land use change processes at watershed level: a multitemporal study in the Lake Cuitzeo Watershed, Mexico (1975–2003). Applied Geography, 31: 237–250.
  10. Mosayebi, M. and M. Maleki. 2014. Change detection in land use using remote sensing data and GIS, case study: Ardabil County. Journal of RS and GIS for Natural Resources, 5(1): 75-86 (in Persian).
  11. Mousavi, S.H., A. Ranjbar and M. Haseli. 2016. Monitoring and trending of land use changes in Abarkooh Basin, using satellite images (1976-2014). Geographical Data, 25(97): 129-146 (in Persian).
  12. Rajitha, K., C.K. Mukherjee, R. Vinu Chandran and M.M. Prakash Mohan. 2010. Land-cover change dynamics and coastal aquaculture development: a case study in the East Godavari Delta, Andhra Pradesh, India using multi-temporal satellite data. International Journal of Remote Sensing, 31: 4423-4442.
  13. Salajegheh, A., S. Razavizadeh, N. Khorasani, M. Hamidifar and S. Salajegheh. 2011. Land use changes and its effects on water quality, case study: Karkheh Watershed. Journal of Environmental Studies, 37(58): 81-86 (in Persian).
  14. Sanjari, S. and N. Boroomand. 2013. Land use/cover change detection in last three decades using remote sensing technique, case study: Zarand region, Kerman Province. Journal of RS and GIS for Natural Resources, 4(1): 67-67 (in Persian).
  15. Teimouri, F., O. Bazrafshan and E. Rafiei Sardoei. 2019. Assessment of climate change and land use change on soil erosion, case study: Kondaran. Iranian Journal of Ecohydrology, 6(2): 353-368 (in Persian).
  16. Thapa, R.B. and Y. Murayama. 2006. Land use change analysis using remote sensing and GIS: a case study of Kathmandu metropolitan. Research Abstracts on Spatial Information Science, 22 pages.
  17. Zhang, F., T. Tiyip, Z.D. Feng, H.T. Kung, V.C. Johnson, J.L. Ding, N. Tashpolat, M. Sawut and D.W. Gui. 2015. Spatio-temporal patterns of land use/cover changes over the past 20 years in the middle reaches of the Tarim River, Xinjiang, China. Land Degradation and Development, 26: 284-299.
آمار
تعداد مشاهده مقاله: 676
تعداد دریافت فایل اصل مقاله: 579


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب