مدل‌سازی تغییرات کاربری اراضی با استفاده از مدل ساز تغییر سرزمین (LCM ) مطالعه موردی: شهرستان نکا

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی محیط زیست, دانشکده صومعه سرا, دانشگاه گیلان

2 سازمان حفاظت محیط زیست استان مازندران

3 استاد گروه محیط زیست, دانشکده صومعه سرا, دانشگاه گیلان

چکیده

تغییرات کاربری به خصوص توسعه شهرها باعث تخریب زیستگاه های طبیعی و کاهش تنوع زیستی می شود. به طور معمول برنامه ریزان شهری جهت کنترل کردن تغییرات کاربری اراضی از روش مدل سازی استفاده می کنند. در این مطالعه، هدف مدل سازی تغییرات کاربری اراضی شهرستان نکا، با استفاده از LCM(Land Change Modeler) بوده است. جهت به دست آوردن نقشه کاربری اراضی منطقه از تصاویر ماهواره Landsat سنجنده های TM و ETM+ و TIRS_OLI متعلق به سال های 1988 و 2002 و 2016 استفاده گردید. همچنین جهت مدل سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی انجام گرفت. در این مطالعه 5 زیر مدل به همراه 9 متغیر استفاده گردید. سپس جهت پیش بینی تغییرات کاربری سال 2016 از دوره واسنجی 1988تا 2002 و زنجیره مارکف و مدل پیش بینی سخت استفاده شد. در نهایت نیز از نقشه سال های 2002 تا 2016 برای پیش بینی تغییرات کاربری اراضی متعلق به سال 2030 استفاده گردید. صحت مدل‌سازی با استفاده از ماتریس خطا ارزیابی شد. نتایج نشان داد که در طی سال های 1988 تا 2016 اراضی جنگلی 2297 هکتار کاهش داشته و بیشترین تغییرات مربوط به تبدیل اراضی جنگلی به کشاورزی بوده است. نتایج مدل سازی با استفاده از شبکه عصبی مصنوعی نیز صحت بالایی بالای (69 درصد) داشته است. نتیجه مدل سازی برای سال 2030 نیز نشان داد که مساحت جنگل کاهش میابد و اراضی کشاورزی و مناطق شهری افزایش پیدا می کنند.

کلیدواژه‌ها

موضوعات


مدل‌سازی تغییرات کاربری اراضی با استفاده از مدل ساز تغییر سرزمین(LCM )مطالعه موردی: شهرستان نکا

سیده معصومه فتح الهی رودباری[1] ،دکتر مهرداد خانمحمدی[2]، دکتر کامران نصیراحمدی[3]

تاریخ دریافت : 28/11/96 تاریخ پذیرش : 12/2/96

 

 

 

چکیده

تغییرات کاربری به خصوص توسعه شهرها باعث تخریب زیستگاه های طبیعی و کاهش تنوع زیستی می شود. به طور معمول برنامه ریزان شهری جهت کنترل کردن تغییرات کاربری اراضی از روش مدل سازی استفاده می کنند. در این مطالعه، هدف مدل سازی تغییرات کاربری اراضی شهرستان نکا، با استفاده از LCM(Land Change Modeler) بوده است. جهت به دست آوردن نقشه کاربری اراضی منطقه از تصاویر ماهواره Landsat سنجنده های TM و ETM+ و TIRS_OLI متعلق به سال های 1988 و 2002 و 2016 استفاده گردید. همچنین جهت مدل سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی انجام گرفت. در این مطالعه 5 زیر مدل به همراه 9 متغیر استفاده گردید. سپس جهت پیش بینی تغییرات کاربری سال 2016 از دوره واسنجی 1988تا 2002  و زنجیره مارکف و مدل پیش بینی سخت استفاده شد. در نهایت نیز از نقشه سال های 2002 تا 2016 برای پیش بینی تغییرات کاربری اراضی متعلق به سال 2030 استفاده گردید. صحت مدل­سازی با استفاده از ماتریس خطا ارزیابی شد. نتایج نشان داد که در طی سال های 1988 تا 2016 اراضی جنگلی 2297 هکتار کاهش داشته و بیشترین تغییرات مربوط به تبدیل اراضی جنگلی به کشاورزی بوده است. نتایج مدل سازی با استفاده از شبکه عصبی مصنوعی نیز صحت بالایی بالای (69 درصد) داشته است. نتیجه مدل سازی برای سال 2030 نیز نشان داد که مساحت جنگل کاهش میابد و اراضی کشاورزی و مناطق شهری افزایش پیدا می کنند.

کلیدواژه:

مدل‌سازی تغییرات کاربری اراضی ، LCM ، شهرستان نکا ، شبکه عصبی مصنوعی

 

مقدمه

با توجه به رشد سریع شهرنشینی اندازه زیادی از اراضی طبیعی مانند جنگل‌ها و تالاب‌ها، به مناطق مسکونی و اراضی کشاورزی تبدیل‌شده‌اند. این تغییرات سریع کاربری زمین تأثیرات زیادی بر روی محیط‌های طبیعی و انسانی داشته است. به طور مثال افزایش اراضی کشاورزی و مناطق مسکونی و صنعتی باعث جنگل زدایی، فرسایش، تخریب حوزه آبخیز، کاهش تنوع زیستی و آلودگی شده است. (جیان  و همکاران، 2007). طبق گزارش FAO، 13.7 میلیون هکتار جنگل‌های طبیعی در کشورهای در حال توسعه از سال 1990 تا 1995 نابود شدند و دلیل اصلی این تخریب‌ها، مدیریت ناکارآمد و عدم استفاده از روش‌ها و فن آوری های مناسب می باشد (نقدی و همکاران، 2008). علم سنجش از دور یک ابزار جامع برای مدیریت منابع طبیعی، محققان دولتی، سازمان‌های حفاظتی و صنعتی است (کندی  و همکاران، 2009). ماهواره‌های سنجش از دور به دلیل کسب داده به طور متناوب، فرمت دیجیتالی مناسب برای پردازش‌های کامپیوتری و روش‌های زمین مرجع سازی آن بهترین و دقیق‌ترین منبع داده برای تشخیص، کمی سازی و نقشه سازی الگوهای تغییرات کاربری اراضی است (Abd El-Kawy و همکاران، 2011). روش‌های مختلفی از الگوریتم‌های دیجیتالی برای آشکار سازی تغییرات کاربری اراضی از داده‌های سنجش از دور وجود دارند؛ اما به طور اساسی به دو طبقه وسیع تقسیم می شوند شامل آنهایی که ابتدا آشکار سازی تغییرات را انجام می دهند سپس طبقات را مشخص می کنند (pre-classification) مثل image differencing و principal component analysis و آنهایی که ابتدا طبقات را مشخص می کنند و سپس آشکار سازی تغییرات را انجام می دهند post-classification) ) (Van Oort، 2007).

 به خلاصه یا ساده سازی جهان واقعی مدل می گویند. اهداف مدل سازی آموزش و کاهش ابهام  جهت تصمیم گیری و برنامه ریزی و پیش بینی است(Abd El-Kawy و همکاران، 2011). با استفاده از ساخت مدل‌های مربوط به سطوح مختلف تصمیم گیری مانند اتخاذ راهبرد ، سیاست، برنامه اجرایی ، طرح ریزی و ارزیابی توان با GIS، می توان تصمیم گیری انجام داد؛ اما به طور کلی هدف از مدل سازی:

  1. ساده تر نمودن پیچیدگی نظام به طوری که قابل درک باشد.
  2. جمع بندی اطلاعات به طوری که از نظر ماهیت داده‌ها سازگار باشند.
  3. با استفاده از تلفیق اطلاعات، شبیه سازی درست کرد که شباهت زیادی به جهان واقعی داشته باشد (مخدوم، 1383).

با استفاده از مدل‌های تغییرات کاربری اراضی می توان علت‌ها و پیامدهای تغییرات کاربری اراضی را برای درک بهتر عملکرد سیستم‌های کاربری اراضی، مدیریت کاربری اراضی و شناسایی زون‌های حساس آنالیز و تجزیه و تحلیل کرد. همچنین با استفاده از این مدل‌ها می توان تغییرات پوشش اراضی را در آینده شناسایی کنند (Verburg و همکاران، 2004).Land Change Modeler (LCM) که مدل نرم افزاری است که به منظور تشخیص مسئله تبدیل زمین و نیازهای تحلیلی حفظ تنوع زیستی طراحی و ساخته شده است که به صورت یک برنامه عمودی[4] در نرم افزار IDRISI وجود دارد، همینطور به صورت افزونه[5] در ArcGIS نیز قرار دارد. با استفاده از این مدل می توان تغییرات پوشش اراضی و تأثیرات آن بر زیستگاه گونه‌ها و تنوع زیستی را ارزیابی و پیش بینی کرد. مدل‌های تغییرات کاربری اراضی سه جزء دارند شامل: زیر مدل نیاز تغییر ، زیر مدل پتانسیل انتقال  و زیر مدل تخصیص تغییر . زیر مدل نیاز تغییر میزان تغییری که در طی یک دوره خاصی از زمان رخ می دهد مربوط است. میزان تغییر از یک طبقه کاربری به نوع دیگر در یک ماتریس احتمال انتقال  نشان داده می شود. پتانسیل انتقال نیز مدل پتانسیل انتقال از یک کاربری به کاربری دیگر با توجه به متغیرهای توضیحی  را گویند. متغیرها دو گروه متغیر مطلوبیت  مانند شیب، نوع خاک و متغیر محرک  مانند نزدیکی به جاده هستند. زیر مدل تخصیص تغییر مربوط به بخش تصمیم سازی است.

برای مدل سازی پتانسیل انتقال 12 روش وجود دارد (Eastman و همکاران، 2005)

1-میانگین ، 2- محصول ، 3- قانون Dempster ، 4- وزن‌های ملاک/تجمع ، 5- کل احتمال تجربی ترکیب ، 6- کل احتمال تجربی ترکیب ، 7- رگرسیون لجستیک ، 8- طبقه بندی نرم Bayesian با احتمال قبلی ، 9- طبقه بندی نرم Bayesian با احتمال مارکوفی ، 10- طبقه بندی کننده نرم ، 11- طبقه بندی کننده نرم فازی ، 12- شبکه عصبی .

هدف از این مطالعه، آشکار سازی تغییرات کاربری اراضی در طی سال‌های 1988 تا 2016 و پیش بینی وضعیت کاربری اراضی در آینده در شهرستان نکا با استفاده از رویکرد مدل‌ساز تغییر زمین LCM است.

Vaclavik و Rogan در سال 2010 با استفاده از LCM به آشکار سازی تغییرات منطقه Olomouc جمهوری چک پرداختند. آنها تصویر سال 1991 ماهواره Landsat-5 سنجنده TM و Landsat-7 سنجنده ETM+ سال 2001 را با استفاده از روش طبقه بندی نظارت شده و خوارزمیک[6] را با صحت 0.8 تا 0.84 طبقه بندی کردند. نمودارهای به دست آمده درصد کاهش یا افزایش یافتن یک از یک کاربری به کاربری دیگر را نشان می دادند که کاهش جنگل‌های سوزنی برگ را گزارش می کردند. همچنین نشان می داد که 6 درصد از جنگل‌های مخلوط به جنگل پهن برگ تبدیل شده‌اند و 3.5 درصد مناطق مسکونی افزایش یافته‌اند.

آشکار سازی تغییرات توسط Diaz و همکارانش در سال 2011 با استفاده از LCM و تعیین متغیرهای موثر در تغییرات سرزمین شیلی انجام شد. آنها نیز رگرسیون لجستیک و نقشه‌های کاربری اراضی سال‌های 1985 و 2007 را جهت مدل سازی تغییرات به کار بردند. نتایج این مطالعه حاکی از این بود که اراضی کشاورزی در آن سال‌ها کاهش داشته است.

 

مواد و روش‌ها :

منطقه موردمطالعه :

شهرستان نکا با مساحت 133826.49 هکتار و با مختصات جغرافیایی 53 درجه و 8 دقیقه و 21 ثانیه تا 53 درجه و 36 دقیقه و 53 ثانیه طول شرقی و 36 درجه و 29 دقیقه و 4 ثانیه تا 36 درجه و 43 دقیقه و 21 ثانیه عرض شمالی در شرق استان مازندران قرار دارد (شکل 1). این شهرستان در 20 کیلومتری شرق شهرستان ساری و نزدیک خلیج میانکاله قرار دارد. کاربری‌های این شهرستان شامل جنگل‌های هیرکانی، رودخانه نکا رود، اراضی کشاورزی و باغی، مناطق مسکونی و صنعتی می باشند (غلامی و همکاران، 1388). در سال 1378 این شهرستان دچار سیل زدگی شد و خسارات جانی و مالی فراوانی به آن وارد شد. اقلیم این شهرستان نیمه مرطوب معتدل و نیمه مرطوب سرد است (طالبی امیری و همکاران، 1388).

 

 

 

 

شکل 1- تصویر موقعیت شهرستان نکا در استان مازندران با باندهای 5،4،3

 

 

 

 

روش کار :

تهیه نقشه کاربری و پوشش اراضی

نقشه کاربری اراضی به نقشه ایی گفته می شود که وضعیت سرزمین مورد مطالعه مان را در زمان‌های مختلف نشان دهد و ما برای مطالعه پویایی سرزمین به آن نیازمندیم (Onate-Valdivieso و Sendra، 2010).

بنابراین از تصاویر سنجنده TM  و ETM+ و TIRS_OLIماهواره Landsat مربوط به سال‌های 1988 , 2002 , 2016 جهت تولید نقشه‌های کاربری اراضی استفاده شد . جهت مشاهده صحیح کاربری های موجود مراحل پیش‌پردازش تصاویر شامل تصحیح هندسی و رادیومتریک بر روی تصاویر انجام گرفت و تصویر رنگی کاذب با ترکیب باندهای 3 و 4 و 5 تهیه گردید. پنج طبقه کاربری اراضی در منطقه مورد استفاده در این مطالعه قرار گرفته‌اند که شامل کاربری شهری و صنعتی ، کشاورزی و باغ ، جنگل ، پهنه‌های آبی است. در ابتدا برای انجام طبقه بندی نظارت شده بایستی نمونه های تعلیمی را وارد کرد سپس طبقه بندی تصاویر ماهواره ایی انجام شود(Eastman، 2006). جهت طبقه بندی نمونه های تعلیمی ابتدا روش طبقه بندی کننده حداکثر احتمال استفاده شد (Schulz و همکاران، 2010)؛ اما به علت اینکه نقشه‌های به دست آمده از روش حداکثر احتمال  نتیجه ایی مورد قبول ندادند در این تحقیق از روش ماشین بردار پشتیبان استفاده شد. سپس جهت حذف قطعات کوچک و ساده سازی تصاویر طبقه بندی شده از فیلتر3*3MODE استفاده گردید. ارزیابی صحت نقشه‌های طبقه بندی شده با استفاده از ماتریس خطا  انجام شد (Bakr و همکاران، 2010). برای ارزیابی صحت نقشه‌های تولید شده کاربری اراضی سال‌های 2016، 2002 و 1988 سنجنده های TM و ETM+ و TIRS_OLI با تفسیر بصری تصاویر رنگی کاذب ، GPS و گوگل ارث و مناطقی که طی زمان تغییر نکرده بودند، ارزیابی شدند (با 280 تعداد نقطه واقعیت زمینی). سپس ضرایب کاپا کلی  و صحت کلی  محاسبه شدند (Yuan و همکاران، 2005).

 

رویه مدل‌سازی تغییرات با استفاده از مدل‌ساز تغییر سرزمین

مدل سازی تغییرات کاربری اراضی با استفاده از LCM به طور کلی 4 مرحله دارد شامل:

1-  آشکار سازی تغییرات                                                  2- مدل‌سازی پتانسیل انتقال                                                                            3- پیش‌بینی و مدل‌سازی تغییرات                                       4- ارزیابی صحت مدل‌سازی

آشکار سازی تغییرات:

در این مطالعه از نقشه های کاربری اراضی سال‌های 1988 تا 2002 و 2002 تا 2016 و 1988 تا 2016 برای آشکارسازی تغییرات و آنالیز تغییرات منطقه وارد مدل شدند. موارد به دست آمده شامل: کاهش‌ها و افزایش‌ها در هر کاربری، تغییرات خالص، تغییر خالص از سایر کاربری‌ها به یک طبقه مورد نظر، نقشه تغییرات، نقشه مناطق تغییر نیافته و نقشه روند فضایی تغییرات از جنگل به همه کاربری‌ها، از همه کاربری‌ها به اراضی کشاورزی و مناطق مسکونی برای سال‌های مورد مطالعه به دست آمدند (Václavik و Rogan، 2010).

نرم‌افزاری که در این پژوهش مورداستفاده قرار گرفت TerrSet است.

مدل سازی پتانسیل انتقال:

برای انتخاب زیر مدل‌هایی که بالاترین صحت را داشته باشند، لازم است که مدل را چندین مرتبه با سناریوهای مختلف اجرا کرد (Oñate-Valdivieso و Sendra، 2010). برای این منظور 5 زیر مدل در نظر گرفته شد: 1- زیر مدل انتقال جنگل به کشاورزی 2- جنگل به مرتع 3- مناطق شهری به کشاورزی 4- کشاورزی به شهر 5- مرتع به کشاورزی. دو کاربری جاده و رودخانه به دلیل خطی بودن، باعث ایجاد خطای زیادی در مدل سازی تغییرات کاربری اراضی می شدند، به این علت این دو کاربری در طبقه بندی تصاویر در نظر نگرفته شدند.

متغیرهایی که در این تحقیق استفاده شدند شامل: 1- مدل رقومی ارتفاعی 2- شیب 3- فاصله از آبراهه 4- فاصله از جاده 5- فاصله از مناطق شهری 6- فاصله از اراضی کشاورزی 7- فاصله از جنگل 8- فاصله از آبندان 9- متغیر کیفی کاربری اراضی.

جهت بررسی میزان همبستگی بین متغیرهای مورد استفاده در مدل (مستقل) و طبقات کاربری اراضی (وابسته) از ضریب کرامر استفاده شد. ضریب همبستگی کرامر در محدوده بین صفر و یک تغییر می کند که هر چه به یک نزدیکتر باشد میزان همبستگی بالای بین متغیرها و کاربری اراضی را نشان می دهد. معمولا ضریب بالای 0.15 برای ورودی مدل مناسب و ضریب بالای 0.4 خوب است. تمام متغیرهای کمی به طور مستقیم جز متغیر کیفی کاربری اراضی بعد از کمی سازی با استفاده از تابع تغییر شکل احتمال شواهد Evidence Likelihood و نقشه مناطق شهری و صنعتی در ورودی مدل مورد استفاده قرار گرفت (Eastman، 2006). در نهایت هر انتقال با استفاده از پرسپترون چند لایه شبکه عصبی مصنوعی مدل‌سازی شد(Pijanowski و همکاران، 2002). در این مدل سازی مهم‌ترین فرض این است که طبیعت توسعه و تغییرات یکسانی در طی زمان خواهد داشت یا به عبارت دیگر تغییرات گذشته می تواند تغییرات آینده را بر اساس سناریوی تاریخی پیش بینی کند. جهت تعیین ارزیابی مدل سازی پتانسیل انتقال با استفاده از پرسپترون چند لایه شبکه عصبی مصنوعی خطای آموزش و خطای تست محاسبه می شوند.

مدل سازی تغییرات کاربری اراضی:

تخصیص تغییر به هر کاربری با استفاده از زنجیره مارکف محاسبه می شود( Haibo و همکاران، 2011). در مدل مارکف حالت سیستم در زمان 2 می تواند بر اساس حالت سیستم در زمان 1 پیش بینی شود و در نتیجه ماتریس احتمالات انتقال به عنوان پایه ایی برای مدل سازی تغییرات کاربری اراضی ارائه گردد(Eastman، 2006).

نقشه‌های کاربری اراضی سال‌های 1988 و 2002 به عنوان ورودی مدل جهت پیش بینی تغییرات کاربری ارضی سال 2016 انتخاب شدند و 5 زیر مدل با 9 متغیر مذکور اجرا شدند( زیر مدل1 انتقال جنگل به کشاورزی با دوره واسنجی 1988-2002 ، زیر مدل 2 انتقال جنگل به مرتع با دوره واسنجی 1988-2002 و زیر مدل 3 انتقال کشاورزی به شهر با دوره واسنجی 1988-2002 و زیر مدل 4 انتقال شهر به کشاورزی و زیر مدل 5 انتقال مرتع به کشاورزی نام گزاری شدند)(جدول1).

جدول1: مشخصات سناریوهای مورد استفاده در تحقیق حاضر

نام زیر مدل 

دوره واسنجی   

تعداد متغیر  

سال پیش بینی  

تصویر مورد استفاده جهت ارزیابی صحت

1

1988-2002

9

2016

2016 OLI_TIRS Landsat

2

1988-2002

9

2016

2016 OLI_TIRS Landsat

3

1988-2002

9

2016

2016 OLI_TIRS Landsat

4

1988-2002

9

2016

2016 OLI_TIRS Landsat

5

1988-2002

9

2016

2016 OLI_TIRS Landsat

 

در نهایت از نقشه‌های کاربری اراضی 1988 و 2002 جهت مدل سازی تغییرات کاربری اراضی سال 2016 و با استفاده از 5 زیر مدل و 9 متغیر مذکور توسط مدل پیش بینی سخت استفاده شد(Khoi و Murayama، 2010).

ارزیابی صحت مدل:

خطا و صحت پیش بینی مدل بر اساس نقشه‌های کاربری اراضی 2016 واقعیت زمینی و نقشه 2016 حاصل از پیش بینی محاسبه شده و مقادیر موفقیت خنثی[7] (صحیح، به علت اینکه نقشه واقعیت زمینی ثابت بوده و نقشه پیش بینی شده هم ثابت بوده است)، موفقیت[8] (صحیح، به علت اینکه نقشه واقعیت زمینی تغییر کرده و نقشه پیش بینی شده هم تغییر کرده است)، خطا[9] (خطا به علت اینکه نقشه واقعیت زمینی تغییر کرده و نقشه پیش بینی شده ثابت مانده) و هشدار خطا[10] (خطا به علت اینکه نقشه واقعیت زمینی تغییر کرده و نقشه پیش بینی شده ثابت مانده است) به دست آمد. در سایر سناریوها نیز مطابق همین روش انجام شد. خطای کل پیش بینی مدل نیز با استفاده از فرمول زیر از مجموع خطا و هشدار خطا محاسبه می شود (Chen و Pontius Jr، 2010).

خطای کل = خطا (Miss) + هشدار خطا (False Alarm)

 

شکل شماره 2 : مراحل انجام کار

 

 

 

نتایج پژوهش

تولید نقشه‌های کاربری اراضی

پس از طبقه‌بندی تصاویر با استفاده از الگوریتم طبقه‌بندی کننده ماشین بردار پشتیبان ، نقشه‌های کاربری اراضی برای شهرستان نکا با 5 طبقه کاربری شهری وصنعتی ، جنگل ، کشاورزی و باغ ، پهنه های آبی ، مرتع برای سال‌های 1988 و 2002 و 2016تولید شد(شکل شماره 3). کاپای کلی در نقشه‌های طبقه بندی شده سال‌های 1988، 2002 و 2016 به ترتیب 77٪ و 70٪ و 82٪ به دست آمد.

 

 

 

شکل شماره 2: نقشه کاربری اراضی تولیدشده از بالا به پایین به ترتیب سال های 1988 و 2002 و 2016

آشکارسازی تغییرات

با توجه به جدول 3 و شکل 3 در طول دوره سال‌های 1988 تا 2016 نشان می دهد که تغییرات زیادی در اراضی شهری، جنگلی، کشاورزی اتفاق افتاده است. همچنین می توان نتیجه گرفت که کاربری شهری 3.5 برابر افزایش داشته و کاربری کشاورزی نیز افزایش داشته و اراضی جنگلی و مرتع کاهش داشته‌اند.

 

جدول شماره 3: مساحت هر یک طبقات کاربری اراضی در نقشه کاربری اراضی سال‌های 1988,2002,2016

مساحت کاربری

سال 2016

مساحت کاربری

 سال 2002

مساحت کاربری

 سال 1988

طبقه

کاربری/پوشش

87440.94

86918.76

89738.28

جنگل

2748.78

1323.27

799.47

شهری و صنعتی

195.66

223.02

182.61

آبندان

38096.64

38301.12

33618.78

کشاورزی و باغی

5344.47

7060.32

9488.61

مرتع

 

 

شکل شماره 3: درصد تغییرات هر یک از کاربری‌ها در فواصل سال‌های 1988 تا 2016

 

با توجه به شکل 4 می دانیم که میزان تغییرات خالص هر کاربری از تفاضل مقادیر اضافه شده و مقادیر کم شده همان کاربری به دست می آید.

 

شکل 4: تغییرات کاربری اراضی بر حسب هکتار در طی سال‌های 1988 تا 2016

 

همچنین با توجه به شکل 5 نقشه روند تغییرات مکانی توسعه شهری و مسکونی در دوره زمانی موردمطالعه نیز نشان‌دهنده گرایش توسعه به سمت ساحل یعنی شمال و شمال غربی شهرستان می باشد.

 

شکل شماره 5: نقشه روند و الگوی تغییرات بین سال‌های 1988 تا 2016

 

مدل‌سازی پتانسیل تغییر کاربری‌ها  

با توجه به جدول 4 مدل‌سازی پتانسیل انتقال بر اساس الگوریتم پرسپترون چند لایه شبکه عصبی مصنوعی انجام گرفت و با توجه به معیار های میزان دقت، خطای آموزش و خطای تست ارزیابی مدل‌سازی نیروی انتقال صورت پذیرفت. نتیجه حاصل از این مدل سازی صحت بالای 70 درصد داشته و صحت کل 79٪ به دست آمد که قابل قبول می باشد (Eastman, 2006). در جدول 5 نیز نشان داده شده که میزان ضریب کرامر نیز میزان همبستگی بین متغیر ها را نشان می دهد.

جدول شماره4: ارزیابی صحت شبکه عصبی مصنوعی

خطای تست

خطای آموزش

ارزیابی صحت

سناریوها

0.031

0.021

80.31 %

جنگل به کشاورزی

0.033

0.039

78.22 %

جنگل به مرتع

0.039

0.039

79.14 %

کشاورزی  به شهر

0.061

0.045

74.56 %

شهر به کشاورزی

0.044

0.044

74.23٪

مرتع به کشاورزی

 

جدول شماره 5: ضرایب همبستگی کرامر مربوط به هر یک از متغیرها

ضریب کلی همبستگی کرامر (Overal Cramer’s V)

متغیر

34/0

متغیر کیفی کاربری اراضی 1988

49/0

مدل رقومی ارتفاع

16/0

فاصله از آبراهه

25/0

فاصله از جاده

46/0

فاصله از مناطق شهری و صنعتی

46/0

فاصله از مناطق کشاورزی و باغ

27/0

شیب

33/0

فاصله از مناطق جنگلی

43/0

فاصله از آبندان

 

بعد از بررسی کردن میزان تاثیری که هر یک از متغیرها بر میزان صحت مدل سازی پتانسیل تغییر داشته‌اند نتیجه گرفته شد که متغیر کاربری اراضی سال 1988 دارای بیشترین تاثیر و معیار شیب دارای کمترین تاثیر می باشد (شکل 6 و جدول6).

مدل‌ها

Accuracy (%)

Skill measure

Influence order

تمام متغیرها

73.81

0.7090

N/A

مدل رقومی ارتفاع

64.65

0.6072

5

فاصله از آبندان

53.66

0.4851

3

فاصله از آبراهه

73.44

0.7049

8

فاصله از جاده

70.51

0.6724

7

کاربری اراضی سال 1988

27.11

0.1901

1 (most influential)

شیب

73.63

0.7070

9 (least influential)

فاصله از اراضی کشاورزی و باغی

52.75

0.4750

2

فاصله از مناطق شهری و صنعتی

64.10

0.6011

4

فاصله از مناطق جنگلی

69.96

0.6663

6

 

جدول شماره 6: میزان تأثیر هر یک از معیارها بر نتیجه صحت مدل‌سازی پتانسیل انتقال

 

شکل شماره 6: میزان تاثیر هر یک از متغیرها بر نتیجه صحت مدل سازی پتانسیل انتقال

 

مدل‌سازی و پیش‌بینی تغییرات کاربری اراضی

نقشه سال های 2016 و 2030 با استفاده از مدل ساز تغییر سرزمین پیش بین شدند و با مقایسه دو نقشه پیش بینی شده سال 2016 و نقشه واقعیت زمینی سال 2016 با استفاده از ابزار ماتریس خطا جهت صحت سنجی مدل استفاده گردید و میزان کاپای کلی 69 درصد به دست آمد پس می توان نتیجه گرفت که نقشه پیش بینی شده سال 2030 نیز صحت بالایی دارد (شکل شماره 7).

 

شکل 7: نقشه پیش بینی تغییرات کاربری اراضی با استفاده از مدل پیش بینی سخت سال 2016 (چپ) در مقایسه با نقشه واقعیت زمینی سال 2016(راست)

بحث و نتیجه‌گیری :

 

طبق جدول شماره 3 رشد 5/3 برابری در مناطق شهری و صنعتی مشاهده شده است. همچنین مطابق نقشه های روند مکانی تغییرات از همه کاربری ها به مناطق شهری و صنعتی(شکل 5) بیشترین توسعه در قسمت های غرب و شمال غربی منطقه می باشد. در شهرستان نکا و اطراف آن فرصت های شغلی و صنایع زیادی وجود دارد که باعث جذب روستاییان، صنعتی شدن و رشد و توسعه شهرستان نکا شده است. منطقه ویژه اقتصادی بندر امیرآباد به عنوان بزرگترین بندر در حال توسعه شمال ایران در کرانه جنوبی دریای خزر و 15 کیلومتری شمال شرقی شهرستان ساری واقع شده است. بندر امیر آباد به دلیل برخورداری از موقعیت جغرافیایی، وسعت کافی و استعدادهای منحصر به فرد (9 اسکله با کاربری غلات و چند منظوره، انبار ها، تجهیزات خشکی و دریایی متنوع) به عنوان دالان بین المللی ترانزیت شمال-جنوب، دسترسی به بازار های بزرگ آسیای میانه را به وجود آورده است. نیروگاه شهید سلیمی نکا یکی از بزرگترین نیروگاه های برق ایران است. این نیروگاه در ساحل دریای خزر و در 22 کیلومتری شمال شهرستان نکا قرار دارد. همچنین پایانه نفتی نکا در جنوب شرقی دریای خزر در فاصله 23 کیلومتری شمال شهرستان نکا کنار نیروگاه حرارتی نکا مستقر است.

شهرستان نکا به علت آب و هوای مناسب (بارندگی کافی)، عبور راه آهن سراسری و داشتن راه های ارتباطی مناسب، استقرار صنایع چوبی، سنگ آهک نکا، کارخانه سیمان، فولاد گستر نکا، فولاد گستر نکا، کارخانه سیلوی گندم نکا، کارخانه کشتی سازی صدرا به کانون توسعه در استان مازندران تبدیل شده است و همانطور که نقشه های کاربری اراضی نشان می دهند مناطق مسکونی از 799 هکتار در سال 1988 به 2748 هکتار در سال 2016 افزایش داشتند.

در این مطالعه نتایج ارزیابی مدل سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی صحت بالایی نشان داد. KIM در سال 2010 با استفاده از مدل سازی پتانسیل انتقال در دو انتقال جنگل و ساوان به اراضی تخریب یافته توسط انسان با استفاده از روش MLP به صحت 66.03 دست یافتند. Perez-Vega و همکارانش در سال 2012 مدل سازی پتانسیل انتقال را با روش شبکه عصبی مصنوعی انجام دادند و در زیر مدل‌های احیا  شامل انتقال اراضی کشاورزی به جنگل‌های خزان کننده گرمسیری، اراضی کشاورزی به جنگل‌های خزان کننده گرمسیری ثانویه و زیر مدل‌های جنگل زدایی  شامل انتقال جنگل‌های خزان کننده گرمسیری به اراضی کشاورزی، جنگل‌های خزان کننده گرمسیری به مرتع، جنگل‌های خزان کننده گرمسیری ثانویه به اراضی کشاورزی، جنگل‌های خزان کننده گرمسیری ثانویه به مرتع و زیر مدل‌های اختلال  شامل انتقال جنگل‌های خزان کننده گرمسیری به جنگل‌های خزان کننده گرمسیری ثانویه که دارای صحت 59.2٪، 35.2٪ و 59.6٪ بوده‌اند از طرف دیگر صحت نتایج این مطالعه بالاتر از مطالعه آنها بوده است. همچنین در سال 2010 Chen و Pontius صحت مدل سازی با استفاده از GEOMOD را با کمک مقادیر بالا در ماساچوست بررسی کردند. آنها نتیجه گرفتند که مقادیر موفقیت خنثی 73٪، موفقیت 3٪، خطا 7٪ و هشدار خطا 17٪ بوده و خطای کل نیز 24٪ به دست آوردند، در این پژوهش خطای کل 14.60 به دست آمد که نسبت به مطالعه آنها کمتر بوده است؛ اما در سال 2010 Onate-Valdivieso و Sendra جهت ارزیابی مدل با استفاده از شبکه عصبی مصنوعی ضریب کاپای 86.2 درصدی به دست آوردند که از مطالعه حاضر بالاتر بوده است.

در این مطالعه آشکار سازی و مدل سازی تغییرات کاربری اراضی در حوزه آبخیز نکا با استفاده از مدل LCM انجام گرفت. نتایج نشان داد که مساحت جنگل در این شهرستان به میزان زیادی کاهش داشته است؛ بنابراین ضروری است که اقدامات پیشگیرانه ایی به منظور حفاظت از جنگل‌های منطقه انجام گیرد تا در نهایت از مشکلاتی که نتیجه تخریب جنگل به وجود می آید مانند سیل ویرانگر شهرستان نکا در سال 1378 پیشگیری شود.

همچنین در طی دوران مورد مطالعه میزان زیادی از اراضی کشاورزی به مناطق شهری و صنعتی تبدیل شدند که تداوم این تبدیل باعث کاهش سطح کشت و تولید شده و همینطور زمینه را برای تغییر کاربری اراضی و واردات محصولات زراعی (مثل برنج) از کشورهای دیگر فراهم می‌کند؛ بنابراین بایستی هر چه سریع تر به فکر چاره ایی برای جلوگیری از روند نامطلوب تبدیل و تغییر کاربری اراضی کشاورزی در منطقه باشیم. تصویب قوانین جامع تر جهت جلوگیری از تکه‌تکه شدن و افزایش درآمد کشاورزان از جمله مواردی است که بایستی به طور جدی پیگیری شود. نتایج مدل سازی سال 2030 نیز نشان داد که مساحت جنگل در این سال کاهش می یابد و اراضی کشاورزی و باغی و مناطق شهری و صنعتی افزایش می یابند.

 

 

 

References:

  1. Talebi Amiri, Sh., Azari Dehkordi, F, Sadeghi, S.H.,Soof BAF, S.R. (1388). Analysis of the degradation of the Nema waters of the watersheds using the ecological metrics of the Territory. Environmental science 6 (3), 133-144. (in Persian)
  2. Gholami, M.H., Mokhir B., Greginia, A., Hossein Zadeh Sahafi, H. (1388). Investigation on the percentage and severity of parasitic infection of river whitefish (Leuciscus cephalus) and Blackfish (Capoeta capoeta gracilis) of Neka river. Marine Science and Technology Researches 4 (3), 66-59. (in Persian)
  3. Makhdoom, M., Dervish, Sefat, AA, Jafarzadeh, H., Makhdoom, AS. (1383). Evaluating and Planning the Environment with Geographic Information Systems (GIS). second edition. Tehran University Press, 309 pages. (in Persian)
  4. Abd El-Kawy, O.R., Rød, J.K., Ismail, H.A., Suliman, A.S. (2011). Land use and land cover change detection in the western Nile delta of Egypt using remote sensing data. Applied Geography 31(2)483-494 .
  5. Bakr, N., Weindorf, D.C., Bahnassy, M.H., Marei, S.M., El-Badawi, M.M. (2010). Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography 30(4),592-605 .
  6. Chen, H., Pontius Jr, R.G (2010). Diagnostic tools to evaluate a spatial land change projection along a gradient of an explanatory variable. Landscape Ecology  25(9),1319-1331.
  7. Díaz, G.I., Nahuelhual, L., Echeverría, C., Marín, S. (2011). Drivers of land abandonment in Southern Chile and implications for landscape planning. Landscape and Urban Planning  99(3-4),207-217.
  8. Eastman, J.R. (2006). IDRISI Andes. Guide to GIS and Image Processing. Clark Labs, Clark University, Worcester, MA.
  9. Eastman, J.R., Van Fossen, M.E., Solarzano, L.A. (2005). Transition potential modeling for land cover change. In: Maguire, D., Goodchild, M., Batty, M. (Eds.), GIS, Spatial Analysis and Modeling. ESRI Press, Redlands, California.
  10. Haibo, Y., Longjiang, D., Hengliang, G., Jie, Z. (2011). Tai'an land use Analysis and Prediction Based on RS and Markov Model. Procedia Environmental Sciences 10,2625-2610.
  11. Kennedy, R.E., Cohen, W.B., Schroeder, T.A(2009). Trajectory-based change detection for automated characterization of forest disturbance dynamics. Remote Sensing of Environment 110 (3),370-386.
  12. Khoi, D.D., Murayama, Y. (2010). Forecasting Areas Vulnerable to Forest Conversion in the Tam Dao National Park Region, Vietnam. Remote Sensing 2(5) ,1249-1272.
  13. Kim, O.S. (2010). An Assessment of Deforestation Models for Reducing Emissions from Deforestation and Forest Degradation (REDD). Transactions in GIS  14(5), 631-654.
  14. Naghdi, R., Bonyad, A., Maskani, H. (2008). Processes of forest products and production costs in Guilan forests, Iran. Caspian Journal of Environmental Sciences 6 (2), 167-173.
  15. Oñate-Valdivieso, F., Sendra, J.B. (2010). Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling. Journal of Hydrology 395 (3-4),256-263.
  16. Pérez-Vega, A., Mas, J., Ligmann-Zielinska, A. (2012). Comparing two approaches to land use/cover change modeling and their implications for the assessment of biodiversity loss in a deciduous tropical forest. Environmental Modelling & Software 29 (1),11-23.  
  17. Pijanowski, B.C., Brown, D.G., Shellito, B.A., Manik, G.A. (2002). Using neural networks and GIS to forecast land use changes: a Land Transformation Model. Computers, Environment and Urban Systems 26 (6)553-575.
  18. Schulz, J.J., Cayuela, L., Echeverria, C., Salas, J., Rey Benayas, J.M. (2010). Monitoring land cover change of the dryland forest landscape of Central Chile (1975-2008. Applied Geography 30 (3),436-447.
  19. Václavík, T., Rogan, J. (2010). Identifying trends in land use/land cover changes in the context of post-socialist transformation in Central Europe: A case study of the greater Olomouc region, Czech Republic. GIScience & Remote Sensing 46(1),54-76.
  20. Van Oort, P.A.J. (2007). Interpreting the change detection error matrix. Remote Sensing of Environment 108 (1),1-8.
  21. Verburg, P.H., Soepboer, W., Veldkamp, A., Limpiada, R., Espaldon, V., Mastura, S. (2004). Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model. Environmental Management 30 (3),391-405.
  22. ian, G., Crane, M., Su, J. (2007). An analysis of urban development and its environmental impact on the Tampa Bay watershed. Journal of Environmental Management 85 (4),965-976.
  23. Yuan, F., Sawaya, K.E., Loeffelholz, B.C., Bauer, M.E.  (2005). Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote Sensing of Environment 98,317-328.


[1] - دانشجوی کارشناسی ارشد محیط‌زیست گرایش ارزیابی و آمایش سرزمین دانشکده منابع طبیعی صومعه سرا

[2] - استادیار/ مدیریت محیط زیست از دانشگاه استرالیا، عضو هیات علمی گروه محیط‌زیست دانشکده منابع طبیعی صومعه سرا

[3] - دکتری محیط‌زیست گرایش ارزیابی و آمایش سرزمین از دانشگاه علوم کشاورزی و منابع طبیعی گرگان، مسعول نظارت و پایش اداره کل محیط زیست استان مازندران

 

[4] Vertical Application

[5] Extension

[6] Algorithm

[7] Null Success

[8] Hit

[9] Miss

[10] False Alarm

  1.  

    References:

    1. Talebi Amiri, Sh., Azari Dehkordi, F, Sadeghi, S.H.,Soof BAF, S.R. (1388). Analysis of the degradation of the Nema waters of the watersheds using the ecological metrics of the Territory. Environmental science 6 (3), 133-144. (in Persian)
    2. Gholami, M.H., Mokhir B., Greginia, A., Hossein Zadeh Sahafi, H. (1388). Investigation on the percentage and severity of parasitic infection of river whitefish (Leuciscus cephalus) and Blackfish (Capoeta capoeta gracilis) of Neka river. Marine Science and Technology Researches 4 (3), 66-59. (in Persian)
    3. Makhdoom, M., Dervish, Sefat, AA, Jafarzadeh, H., Makhdoom, AS. (1383). Evaluating and Planning the Environment with Geographic Information Systems (GIS). second edition. Tehran University Press, 309 pages. (in Persian)
    4. Abd El-Kawy, O.R., Rød, J.K., Ismail, H.A., Suliman, A.S. (2011). Land use and land cover change detection in the western Nile delta of Egypt using remote sensing data. Applied Geography 31(2)483-494 .
    5. Bakr, N., Weindorf, D.C., Bahnassy, M.H., Marei, S.M., El-Badawi, M.M. (2010). Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography 30(4),592-605 .
    6. Chen, H., Pontius Jr, R.G (2010). Diagnostic tools to evaluate a spatial land change projection along a gradient of an explanatory variable. Landscape Ecology  25(9),1319-1331.
    7. Díaz, G.I., Nahuelhual, L., Echeverría, C., Marín, S. (2011). Drivers of land abandonment in Southern Chile and implications for landscape planning. Landscape and Urban Planning  99(3-4),207-217.
    8. Eastman, J.R. (2006). IDRISI Andes. Guide to GIS and Image Processing. Clark Labs, Clark University, Worcester, MA.
    9. Eastman, J.R., Van Fossen, M.E., Solarzano, L.A. (2005). Transition potential modeling for land cover change. In: Maguire, D., Goodchild, M., Batty, M. (Eds.), GIS, Spatial Analysis and Modeling. ESRI Press, Redlands, California.
    10. Haibo, Y., Longjiang, D., Hengliang, G., Jie, Z. (2011). Tai'an land use Analysis and Prediction Based on RS and Markov Model. Procedia Environmental Sciences 10,2625-2610.
    11. Kennedy, R.E., Cohen, W.B., Schroeder, T.A(2009). Trajectory-based change detection for automated characterization of forest disturbance dynamics. Remote Sensing of Environment 110 (3),370-386.
    12. Khoi, D.D., Murayama, Y. (2010). Forecasting Areas Vulnerable to Forest Conversion in the Tam Dao National Park Region, Vietnam. Remote Sensing 2(5) ,1249-1272.
    13. Kim, O.S. (2010). An Assessment of Deforestation Models for Reducing Emissions from Deforestation and Forest Degradation (REDD). Transactions in GIS  14(5), 631-654.
    14. Naghdi, R., Bonyad, A., Maskani, H. (2008). Processes of forest products and production costs in Guilan forests, Iran. Caspian Journal of Environmental Sciences 6 (2), 167-173.
    15. Oñate-Valdivieso, F., Sendra, J.B. (2010). Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling. Journal of Hydrology 395 (3-4),256-263.
    16. Pérez-Vega, A., Mas, J., Ligmann-Zielinska, A. (2012). Comparing two approaches to land use/cover change modeling and their implications for the assessment of biodiversity loss in a deciduous tropical forest. Environmental Modelling & Software 29 (1),11-23.  
    17. Pijanowski, B.C., Brown, D.G., Shellito, B.A., Manik, G.A. (2002). Using neural networks and GIS to forecast land use changes: a Land Transformation Model. Computers, Environment and Urban Systems 26 (6)553-575.
    18. Schulz, J.J., Cayuela, L., Echeverria, C., Salas, J., Rey Benayas, J.M. (2010). Monitoring land cover change of the dryland forest landscape of Central Chile (1975-2008. Applied Geography 30 (3),436-447.
    19. Václavík, T., Rogan, J. (2010). Identifying trends in land use/land cover changes in the context of post-socialist transformation in Central Europe: A case study of the greater Olomouc region, Czech Republic. GIScience & Remote Sensing 46(1),54-76.
    20. Van Oort, P.A.J. (2007). Interpreting the change detection error matrix. Remote Sensing of Environment 108 (1),1-8.
    21. Verburg, P.H., Soepboer, W., Veldkamp, A., Limpiada, R., Espaldon, V., Mastura, S. (2004). Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model. Environmental Management 30 (3),391-405.
    22. ian, G., Crane, M., Su, J. (2007). An analysis of urban development and its environmental impact on the Tampa Bay watershed. Journal of Environmental Management 85 (4),965-976.
    23. Yuan, F., Sawaya, K.E., Loeffelholz, B.C., Bauer, M.E.  (2005). Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote Sensing of Environment 98,317-328.