پایش و پیش بینی روند تغییرات اراضی مرتعی با استفاده از تصاویر ماهواره ای و مدل زنجیره مارکوف در حوزه آبخیز نوررود-استان مازندران
الموضوعات :نعمت اله کوهستانی 1 , شفق رستگار 2 , قدرت اله حیدری 3 , شعبان شتایی جویباری 4 , حمید امیرنژاد 5
1 - دانشجوی دکتری علوم مرتع، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران
2 - استادیار گروه مرتع داری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران
3 - دانشیار، گروه مرتع‌داری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری ، ایران
4 - استاد، گروه جنگل داری، دانشکده جنگل داری وفناوری چوب، دانشگاه علوم کشاورزی ومنابع طبیعی گرگان، ایران
5 - دانشیار گروه اقتصاد کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی ومنابع طبیعی ساری، ایران
الکلمات المفتاحية: پوشش اراضی, حوزه آبخیز نوررود, تغییرات کاربری, شاخص نرمال شده تفاضل پوشش گیاهی, مدل تلفیقی مارکوف,
ملخص المقالة :
پیش‌بینی روند تغییرات کاربری و وضعیت پوشش‌گیاهی در اکوسیستم‌های مرتعی از طریق تصاویر ماهواره‌ای، به مدیران منابع‌طبیعی در تصمیم‌گیری کمک خواهد نمود. هدف از این مطالعه پایش و پیش‌بینی تغییرات کاربری و وضعیت پوشش اراضی مراتعی حوزه آبخیز نوررود با استفاده از مدل تلفیقی زنجیره مارکوف در یک دوره‌ی ۶۰ ساله (۱۳۶۷- ۱۴۲۷) می‌باشد. در این پژوهش بعد از پیش‌پردازش تصاویر ماهواره‌ای لندست از سنجنده‌های TM (۱۳۶۷، ۱۳۷۷ و ۱۳۸۷) و OLI (۱۳۹۷) از ماه‌های مشابه (تیر)، طبقه‌بندی تصاویر با استفاده از الگوریتم حداکثر احتمال انجام گرفت. نتایج با استفاده از نقشه‌های توپوگرافی با مقیاس 25000:1، عکس‌های هوایی موجود و برداشت‌های زمینی (1397) مورد ارزیابی صحت قرار گرفت. بطوریکه بیشترین و کمترین ضریب کاپا به ترتیب مربوط به تصاویر سال‌های 1377 و1367 با مقادیر 86/0 و 81/0 بوده است. با استفاده از ماتریس احتمال تبدیل طبقات کاربری اراضی و اعمال مدل تلفیقی زنجیره‌های مارکوف در سه مقطع ده‌ساله طی سال‌های (۱۳۹۷-۱۴۲۷)، پیش‌بینی گردید. نتایج این بررسی طی سال‌های ۱۳۶۷ تا ۱۳۹۷ نشان داد که مناطق جنگلی و مراتع درجه یک و سه در حوزه آبخیز نوررود روند کاهشی و مراتع درجه دو و اراضی سنگلاخی و مسکونی نیز روند افزایشی را داشته است. سطح کل مراتع از ۱۱۶۲۰۶ هکتار در سال ۱۳۶۷ به ۱۰۶۳۳۶ هکتار در سال ۱۳۹۷ کاهش یافته است. مدل پیش‌بینی مارکوف با دقت بیش از ۸۵ درصد نشان میدهد روند تغییرات کاربری اراضی طی سال‌های ۱۳۹۷-۱۴۲۷، همانند دوره‌های قبل خواهد بود. به این صورت که کاربری‌های وضعیت پوشش مرتعی درجه یک (پرتراکم)، روند کاهشی (کاهش ۳۵۳۷ هکتار) و کاربری‌های نواحی سنگلاخی و مسکونی نیز روند افزایشی را تا سال ۱۴۲۷ خواهند داشت. پیش‌بینی روند تغییرات کاربری اراضی طی سال‌های ۱۳۹۷-۱۴۲۷ (۳۰ سال) نیز به این صورت خواهد بود که کاربری‌های وضعیت پوشش مرتعی درجه یک، روند کاهشی و کاربری‌های نواحی سنگلاخی و مسکونی روند افزایشی خواهند داشت.
Askarizadeh D, Arzani H, Jaffari M, Bazeafshan J. 2018. Surveying of the past, present and future of vegetation changes in the central Alborz ranges in relation to climate change. Journal of RS and GIS for Natural Resources, 9(3): 1-18. (In Persian)
Azizi G, Rangzan K, Sadidy J, Heydarian P, Taghizadeh A. 2016. Predicting locational trend of land use changes using CA-Markov model (Case study: Kohmare Sorkhi, Fars province). Journal of RS and GIS for Natural Resources, 7(1): 59-71. (In Persian)
Chang C, Chang J. 2001. Markov model and cellular automata for vegetation. Journal of Geographical Research, 45(1): 45-57.
Eastman JR. 2006. IDRISI Andes guide to GIS and image processing. Clark University, Worcester, 328 p.
Fan F, Weng Q, Wang Y. 2007. Land use and land cover change in Guangzhou, China, from 1998 to 2003, based on Landsat TM/ETM+ imagery. Sensors, 7(7): 1323-1342. doi:https://doi.org/10.3390/s7071323.
FAO. 2007. State of the World's Forests. Food and Agriculture Organization of the United Nations, Rome, 144 pp.
Gilks WR. 1996. Introducing markov chain monte carlo. Markov chain Monte Carlo in practice, Chapman & Hall/CRC, 1 Edition, 512 p.
Goudarzi M, Farahpour M, Mosav A. 2006. Land cover and rangeland classification map using Land sat satellite image (TM) (Case study: Namrood watershed). Iranian Journal of Range and Desert Research, 13(3): 265-277. (In Persian)
Hernández-Guzmán R, Ruiz-Luna A, González C. 2019. Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico. Remote Sensing Applications: Society and Environment, 13: 318-327. doi:https://doi.org/10.1016/j.rsase.2018.12.005.
Jenerette GD, Wu J. 2001. Analysis and simulation of land-use change in the central Arizona – Phoenix region, USA. Landscape Ecology, 16(7): 611-626. doi:https://doi.org/10.1023/A:1013170528551.
Kamusoko C, Aniya M, Adi B, Manjoro M. 2009. Rural sustainability under threat in Zimbabwe – Simulation of future land use/cover changes in the Bindura district based on the Markov-cellular automata model. Applied Geography, 29(3): 435-447. doi:https://doi.org/10.1016/j.apgeog.2008.10.002.
Keshavarz E, Ebrahimi A, Naghipoor A. 2020. Comparing the accuracy of pixel and object-based classification methods in mapping vegetation types (Case study: Marjan Boroujen). Journal of Rangeland, 14(2): 272-285. (In Persian)
Khoi DD, Murayama Y. 2010. Forecasting areas vulnerable to forest conversion in the Tam Dao National Park Region, Vietnam. Remote sensing, 2(5): 1249-1272. doi:https://doi.org/10.3390/rs2051249.
Lee JK, Acharya TD, Lee DH. 2018. Exploring land cover classification accuracy of Landsat 8 image using spectral index layer stacking in hilly region of South Korea. Sensors and Materials, 30(12): 2927-2941. doi:https://doi.org/:10.18494/SAM.2018.1934.
Lourdes L, Karina Z, Pedro L, Héctor M, Néstor M. 2011. A dynamic simulation model of land cover in the Dulce Creek Basin, Argentina. Procedia Environmental Sciences, 7: 194-199. doi:https://doi.org/10.1016/j.proenv.2011.07.034.
Mir Alizadehfard SR, Alibakhshi SM. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Journal of RS and GIS for natural Resources, 7(2): 33-45. (In Persian)
Muller MR, Middleton J. 1994. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology, 9(2): 151-157. doi:10.1007/BF00124382.
Otukei JR, Blaschke T. 2010. Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms. International Journal of Applied Earth Observation and Geoinformation, 12: S27-S31. doi:https://doi.org/10.1016/j.jag.2009.11.002.
Pain WJ. 2007. Landcover Classification and Change Detection Analysis Using High-resolution IKONOS Imagery for the Bayview Bog Wetland, Ontario. Ontario Doctoral dissertation, Queen's University, 278 p.
Pontius GR, Malanson J. 2005. Comparison of the structure and accuracy of two land change models. International Journal of Geographical Information Science, 19(2): 243-265. doi:https://doi.org/10.1080/13658810410001713434.
Richards John A, Xiuping J. 1999. Remote sensing digital image analysis: an introduction. Springer-Verlag, Berlin, https://doi.org/10.1007/978-3-642-30062-2.
Salehi N, Ekhtesasi M, Talebi A. 2019. Predicting locational trend of land use changes using CA-Markov model (Case study: Safarod Ramsar watershed). Journal of RS and GIS for Natural Resources, 10(1): 106-120. (In Persian)
Shahabi H, Ahmad BB, Mokhtari MH, Zadeh MA. 2012. Detection of urban irregular development and green space destruction using normalized difference vegetation index (NDVI), principal component analysis (PCA) and post classification methods: A case study of Saqqez city. International Journal of Physical Sciences, 7(17): 2587-2595. doi:https://doi.org/10.5897/IJPS12.009.
Wang SQ, Zheng XQ, Zang XB. 2012. Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences, 13: 1238-1245. doi:https://doi.org/10.1016/j.proenv.2012.01.117.
Weng Q. 2002. Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling. Journal of Environmental Management, 64(3): 273-284. doi:https://doi.org/10.1006/jema.2001.0509.
Wu Q, Li H-q, Wang R-s, Paulussen J, He Y, Wang M, Wang B-h, Wang Z. 2006. Monitoring and predicting land use change in Beijing using remote sensing and GIS. Landscape and Urban Planning, 78(4): 322-333. doi:https://doi.org/10.1016/j.landurbplan.2005.10.002.
Ye B, Bai Z. 2008// 2008. Simulating Land Use/Cover Changes of Nenjiang County Based on CA-Markov Model. In: Li D (ed) Computer And Computing Technologies In Agriculture, Volume I, Boston, MA. Springer US, pp 321-329. https://doi.org/310.1007/1978-1000-1387-77251-77256_77235.
Yuan F, Sawaya KE, Loeffelholz BC, Bauer ME. 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote Sensing of Environment, 98(2): 317-328. doi:https://doi.org/10.1016/j.rse.2005.08.006.
Zareh Garizi A, Bardi Sheikh V, Sadodin A, Salman Mahini A. 2012. Application of logistic regression to model spatial pattern of vegetation change (Case study: Chehel Chai basin, Golestan province). Journal of Geographical Research, 37: 55-68. (In Persian). doi:https://doi.org/10.22092/ijfpr.2015.13174.
Zhou Y, Xiao X, Qin Y, Dong J, Zhang G, Kou W, Jin C, Wang J, Li X. 2016. Mapping paddy rice planting area in rice-wetland coexistent areas through analysis of Landsat 8 OLI and MODIS images. International Journal of Applied Earth Observation and Geoinformation, 46: 1-12. doi:https://doi.org/10.1016/j.jag.2015.11.001.
Zubair AO. 2006. Change detection in land use and Land cover using remote sensing data and GIS (A case study of Ilorin and its environs in Kwara State). Department of Geography, University of Ibadan, 176 p.
_||_Askarizadeh D, Arzani H, Jaffari M, Bazeafshan J. 2018. Surveying of the past, present and future of vegetation changes in the central Alborz ranges in relation to climate change. Journal of RS and GIS for Natural Resources, 9(3): 1-18. (In Persian)
Azizi G, Rangzan K, Sadidy J, Heydarian P, Taghizadeh A. 2016. Predicting locational trend of land use changes using CA-Markov model (Case study: Kohmare Sorkhi, Fars province). Journal of RS and GIS for Natural Resources, 7(1): 59-71. (In Persian)
Chang C, Chang J. 2001. Markov model and cellular automata for vegetation. Journal of Geographical Research, 45(1): 45-57.
Eastman JR. 2006. IDRISI Andes guide to GIS and image processing. Clark University, Worcester, 328 p.
Fan F, Weng Q, Wang Y. 2007. Land use and land cover change in Guangzhou, China, from 1998 to 2003, based on Landsat TM/ETM+ imagery. Sensors, 7(7): 1323-1342. doi:https://doi.org/10.3390/s7071323.
FAO. 2007. State of the World's Forests. Food and Agriculture Organization of the United Nations, Rome, 144 pp.
Gilks WR. 1996. Introducing markov chain monte carlo. Markov chain Monte Carlo in practice, Chapman & Hall/CRC, 1 Edition, 512 p.
Goudarzi M, Farahpour M, Mosav A. 2006. Land cover and rangeland classification map using Land sat satellite image (TM) (Case study: Namrood watershed). Iranian Journal of Range and Desert Research, 13(3): 265-277. (In Persian)
Hernández-Guzmán R, Ruiz-Luna A, González C. 2019. Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico. Remote Sensing Applications: Society and Environment, 13: 318-327. doi:https://doi.org/10.1016/j.rsase.2018.12.005.
Jenerette GD, Wu J. 2001. Analysis and simulation of land-use change in the central Arizona – Phoenix region, USA. Landscape Ecology, 16(7): 611-626. doi:https://doi.org/10.1023/A:1013170528551.
Kamusoko C, Aniya M, Adi B, Manjoro M. 2009. Rural sustainability under threat in Zimbabwe – Simulation of future land use/cover changes in the Bindura district based on the Markov-cellular automata model. Applied Geography, 29(3): 435-447. doi:https://doi.org/10.1016/j.apgeog.2008.10.002.
Keshavarz E, Ebrahimi A, Naghipoor A. 2020. Comparing the accuracy of pixel and object-based classification methods in mapping vegetation types (Case study: Marjan Boroujen). Journal of Rangeland, 14(2): 272-285. (In Persian)
Khoi DD, Murayama Y. 2010. Forecasting areas vulnerable to forest conversion in the Tam Dao National Park Region, Vietnam. Remote sensing, 2(5): 1249-1272. doi:https://doi.org/10.3390/rs2051249.
Lee JK, Acharya TD, Lee DH. 2018. Exploring land cover classification accuracy of Landsat 8 image using spectral index layer stacking in hilly region of South Korea. Sensors and Materials, 30(12): 2927-2941. doi:https://doi.org/:10.18494/SAM.2018.1934.
Lourdes L, Karina Z, Pedro L, Héctor M, Néstor M. 2011. A dynamic simulation model of land cover in the Dulce Creek Basin, Argentina. Procedia Environmental Sciences, 7: 194-199. doi:https://doi.org/10.1016/j.proenv.2011.07.034.
Mir Alizadehfard SR, Alibakhshi SM. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Journal of RS and GIS for natural Resources, 7(2): 33-45. (In Persian)
Muller MR, Middleton J. 1994. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology, 9(2): 151-157. doi:10.1007/BF00124382.
Otukei JR, Blaschke T. 2010. Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms. International Journal of Applied Earth Observation and Geoinformation, 12: S27-S31. doi:https://doi.org/10.1016/j.jag.2009.11.002.
Pain WJ. 2007. Landcover Classification and Change Detection Analysis Using High-resolution IKONOS Imagery for the Bayview Bog Wetland, Ontario. Ontario Doctoral dissertation, Queen's University, 278 p.
Pontius GR, Malanson J. 2005. Comparison of the structure and accuracy of two land change models. International Journal of Geographical Information Science, 19(2): 243-265. doi:https://doi.org/10.1080/13658810410001713434.
Richards John A, Xiuping J. 1999. Remote sensing digital image analysis: an introduction. Springer-Verlag, Berlin, https://doi.org/10.1007/978-3-642-30062-2.
Salehi N, Ekhtesasi M, Talebi A. 2019. Predicting locational trend of land use changes using CA-Markov model (Case study: Safarod Ramsar watershed). Journal of RS and GIS for Natural Resources, 10(1): 106-120. (In Persian)
Shahabi H, Ahmad BB, Mokhtari MH, Zadeh MA. 2012. Detection of urban irregular development and green space destruction using normalized difference vegetation index (NDVI), principal component analysis (PCA) and post classification methods: A case study of Saqqez city. International Journal of Physical Sciences, 7(17): 2587-2595. doi:https://doi.org/10.5897/IJPS12.009.
Wang SQ, Zheng XQ, Zang XB. 2012. Accuracy assessments of land use change simulation based on Markov-cellular automata model. Procedia Environmental Sciences, 13: 1238-1245. doi:https://doi.org/10.1016/j.proenv.2012.01.117.
Weng Q. 2002. Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling. Journal of Environmental Management, 64(3): 273-284. doi:https://doi.org/10.1006/jema.2001.0509.
Wu Q, Li H-q, Wang R-s, Paulussen J, He Y, Wang M, Wang B-h, Wang Z. 2006. Monitoring and predicting land use change in Beijing using remote sensing and GIS. Landscape and Urban Planning, 78(4): 322-333. doi:https://doi.org/10.1016/j.landurbplan.2005.10.002.
Ye B, Bai Z. 2008// 2008. Simulating Land Use/Cover Changes of Nenjiang County Based on CA-Markov Model. In: Li D (ed) Computer And Computing Technologies In Agriculture, Volume I, Boston, MA. Springer US, pp 321-329. https://doi.org/310.1007/1978-1000-1387-77251-77256_77235.
Yuan F, Sawaya KE, Loeffelholz BC, Bauer ME. 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote Sensing of Environment, 98(2): 317-328. doi:https://doi.org/10.1016/j.rse.2005.08.006.
Zareh Garizi A, Bardi Sheikh V, Sadodin A, Salman Mahini A. 2012. Application of logistic regression to model spatial pattern of vegetation change (Case study: Chehel Chai basin, Golestan province). Journal of Geographical Research, 37: 55-68. (In Persian). doi:https://doi.org/10.22092/ijfpr.2015.13174.
Zhou Y, Xiao X, Qin Y, Dong J, Zhang G, Kou W, Jin C, Wang J, Li X. 2016. Mapping paddy rice planting area in rice-wetland coexistent areas through analysis of Landsat 8 OLI and MODIS images. International Journal of Applied Earth Observation and Geoinformation, 46: 1-12. doi:https://doi.org/10.1016/j.jag.2015.11.001.
Zubair AO. 2006. Change detection in land use and Land cover using remote sensing data and GIS (A case study of Ilorin and its environs in Kwara State). Department of Geography, University of Ibadan, 176 p.
پایش و پیش‌بینی روند تغییرات اراضی مرتعی با استفاده از تصاویر ماهواره ای و مدل زنجیره مارکوف در حوزه آبخیز نوررود– استان مازندران
چکیده
پیش‌بینی روند تغییرات کاربری و وضعیت پوشش‌گیاهی در اکوسیستم‌های مرتعی از طریق تصاویر ماهواره‌ای و ارزيابي پتانسيل آنها از طريق مدل‌سازي، به مدیران منابع‌طبیعی در تصمیم‌گیری و برنامه‌ریزی سرزمین کمک خواهد نمود. هدف از این مطالعه پایش و پیش‌بینی تغییرات کاربری و وضعیت پوشش اراضی مراتعی حوزه آبخیز نوررود با استفاده از مدل تلفیقی زنجیره مارکوف در یک دوره‌ی ۶۰ ساله (۱۳۶۷- ۱۴۲۷) می‌باشد. در این پژوهش با انجام محاسبات تصویری روی تصاویر ماهواره‌ای لندست از سنجنده‌هاي TM (۱۳۶۷، ۱۳۷۷، ۱۳۸۷) و OLI (۱۳۹۷)، شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) و تحلیل مؤلفه اصلی (PCA) برای حذف همبستگی بین باندهای مختلف و كاهش دادهها استخراج شد و به‌عنوان باندهای ورودی در طبقه‌بندی‌ها شرکت داده شد. طبقه‌بندی تصاویر استفاده از الگوریتم حداکثر احتمال انجام گرفت. نتایج با استفاده از واقعیت زمینی، اطلاعات برگرفته از نقشه‌های توپوگرافی و عکس‌های هوایی موجود در اداره کل منابع طبیعی و آبخیزداری مازندران (برای سال‌های 1367 تا 1387) و برداشت‌های زمینی و تصاویر گوگل ارث مورد ارزیابی صحت قرار گرفت. دقت نقشه‌های تولیدی با ضریب کاپا و دقت کلی و ماتریس خطا محاسبه شد. به‌طوری‌که بیشترین و کمترین ضریب کاپا به ترتیب مربوط به تصاویر سال‌های 1377 و 1367 با مقادیر 86/0 و 81/0 بوده است. همچنین با استفاده از ماتریس احتمال تبدیل طبقات کاربری اراضی و اعمال مدل تلفیقی زنجیره‌های مارکوف در سه مقطع ده‌ساله طی سال‌های (۱۳۹۷-۱۴۲۷)، نقشه وضعیت پوشش اراضی مرتعی حوضه آبخیز نوررود، پیش‌بینی گردید. نتایج این بررسی طی سال‌های ۱۳۶۷ تا ۱۳۹۷ (۳۰ سال) نشان داد که مراتع درجه یک و سه در حوزه آبخیز نوررود روند کاهشی و مراتع درجه دو نیز روند افزایشی را داشته است و سطح کل مراتع از ۱۱۶۲۰۶ هکتار در سال ۱۳۶۷ به ۱۰۶۳۳۶ هکتار در سال ۱۳۹۷ کاهش یافته است. همچنین مدل پیش‌بینی مارکوف با دقت بیش از ۸۵ درصد نشان میدهد روند تغییرات کاربری اراضی طی سال‌های ۱۳۹۷-۱۴۲۷ (۳۰ سال) نیز همانند دوره‌های قبل خواهد بود. اراضی مرتعی درجه یک (پرتراکم)، روند کاهشی (کاهش ۳۵۳۷ هکتار) و کاربری‌های نواحی سنگلاخی و مسکونی نیز روند افزایشی را تا سال ۱۴۲۷ پیش‌بینی خواهند داشت. نتایج حاصل از این تحقیق می‌تواند در ارائه یک روش کارآمد در کاهش حجم داده‌های ورودی به فرآیند پردازش تصاویر در طبقه‌بندی مراتع و پیش‌بینی تغییرات آتی در اکوسیستم‌های طبیعی مفید باشد.
واژه‌های کلیدی: پوشش اراضی، شاخص نرمال شده تفاضل پوشش گیاهی، تغییرات کاربری، مدل تلفیقی مارکوف، حوزه آبخیز نور رود
مقدمه
افزایش جمعیت و افزایش نیاز غذایی در دهههای اخیر باعث تخریب و تبدیل سطح زیادی از مراتع به سایر کاربری‌ها شده است و این تخریب و تبدیل عواقب جبران‌ناپذیری ازجمله سیلهای مخرب، کمبود آب، فرسایش خاک و غیره را به دنبال داشته است. یکی از موارد مهم در برنامه‌ریزی و سیاست‌گذاری در امور منابع‌طبیعی و محیطزیست آگاهی از میزان و روند تغییرات کاربری/ پوشش اراضی در طول زمان می‌باشد. پیش‌بینی تغییرات کاربري اراضی و برقراري ارتباط بین این تغییرات با عواقب اقتصادي- اجتماعی حاصل از آن اهمیت بسیار بالایی براي مدیریت پایدار اراضی دارد (23) و لذا مدل‌هاي پیش‌بینی کاربري اراضی براي برنامه‌ریزي استفاده پایدار از زمین یک نیاز ضروري است (14).
تغییرات کاربری و پوشش اراضی به‌خصوص در دهههای اخیر به دلیل عوامل مختلفی ازجمله تخریب مراتع و جنگل‌ها، افزایش‌یافته است و لذا فن‌آوری سنجش‌ازدور می‌تواند در ارزیابی، بررسی و پایش این تغییرات بسیار مهم می‌باشد. با توجه پهنه‌های وسیع حوزه‌های آبخیز و تنوع پوشش اراضی روش‌های مختلفی جهت طبقه‌بندی پوشش اراضی و وضعیت مراتع با درجات مختلفی از پیچیدگی و دقت توسط محققین به کار گرفته شده است. گودرزی و همکاران (9) با استفاده از تصاویر ماهواره‌ای لندست (سنجنده TM ) در حوزه آبخیز نمرود پرداختند با استفاده تکنیک‌های آشکارسازی (ترکیب رنگی کاذب، تجزیه‌وتحلیل مؤلفه‌های اصلی) و شاخص پوشش گیاهی NDVI و طبقه‌بندی نظارت‌شده در نرم‌افزار ILWIS انواع پوشش اراضی کشاورزی آبی، کشاورزی دیم، مناطق صخره‌ای (توده‌ای سنگی) و انواع طبقات مراتع (درجه یک، دو و سه) را با دقت کلی 89.5 درصد از هم تفکیک نمودند. کشاورز و همکاران (11) در پژوهشی به مقایسه دقت روش‌های طبقه‌بندی پیکسل پایه و شی‌ءگرا در تهیه و تفکیک پوشش گیاهی در مراتع شهرستان بروجن پرداختند. آنها با استفاده از تصاویر لندست و استفاده از طبقه‌بندی پیکسل پایه (بیشترین شباهت) و شی‌ءگرا در نرم‌افزار TerrSet به استخراج تیپ‌های مختلف مرتعی و طبقه کشاورزی پرداختند. نتایج نشان‌دهنده دقت قابل‌قبول هردو روش طبقه‌بندی و تفاضل کم ضریب کاپا و دقت کلی است لیکن درروش های شی گرا در مقایسه با روش های پیکسل پایه با در نظر گرفتن اطلاعات مربوط به شکل، بافت و اطلاعات طیفی تصویر از دقت بالاتری برخوردارد خواهند بود. با این حال محدودیت در انتخاب پارامترهای بهینه قطعه بندی و خطای بالقوه موجود در قطعه بندی از مشکلات و آسیب های روش شی گرا می باشند که استفاده از این روش را با چالش جدی روبرو می سازد.
از طرف دیگر روش‌های مختلفی ازجمله مدل زنجیره مارکوف (CA-Markov)، شبکه عصب مصنوعی و رگرسیون لجستیک براي مدل‌سازی تغييرات كاربري/ پوشش اراضي وجود دارد که در بین این روش‌ها استفاده از مدل زنجيره ماركوف به دلیل سازگاری بهتر با داده‌های سنجش‌ازدور، به یک ابزار مفید در علوم محیطی تبدیل شده است. زنجيره ماركوف يك سري از مقادير تصادفي است كه احتمال آنها در فاصله زماني داده‌شده به مقدار اعداد در زمان گذشته وابسته است (6، 7 و 16). جنریت و ووی (10) به‌منظور درک چگونگی تغییر چشم‌انداز بیابان‌ها در مرکز آریزونا با استفاده از مدل ترکیبی مارکوف و اتوماتای سلولی (Markov-cellular automata) اقدام به آنالیز مکانی سری‌هایی از الگوی کاربری اراضی طی سال‌های (۱۹۱۲-۱۹۵۵) نمودند. دراین‌ارتباط زبیر (31)، نسبت به آشکارسازی تغییرات پوشش و کاربری اراضی منطقه ایلورین در ایالت کوآرا در دوره زمانی ۱۹۷۲ تا ۲۰۰۱ پرداختند. سپس به پیش‌بینی تغییرات پوشش و کاربری اراضی برای ۱۴ سال آینده با استفاده از مدل مارکوف و اتوماتای سلولی پرداخت. ایی و همکاران (25) تغییر کاربري اراضي ایالت نانجینگ چین را در دوره زماني ۱۹۸۵ تا ۲۰۰۰ با استفاده از سامانه اطلاعات جغرافیایي و سنجش‌ازدور بررسي و با استفاده از شبکه خودکار مارکوف کاربري اراضي سال‌هاي ۲۰۱۵ و ۲۰۳۰ را شبیه‌سازی کردند. نتایج نشان داد که در دوره زماني موردمطالعه کاربري جنگل روند کاهشي و کاربري اراضي کشاورزي روند افزایشي داشته است. مطالعه وانگ و همکاران (12) که تغييرات كاربري اراضي ساگا در ژاپن را براي سال‌هاي ۲۰۱۵ تا ۲۰۴۲ با استفاده از مدل زنجيرهاي ماركوف موردمطالعه قراردادند نیز افزايش اراضي شهري و كاهش اراضي طبيعي و كشاورزي را نشان داد. چانگچنگ و چانگجوئی (4) براي بررسی پوشش گیاهی و پیش‌بینی تغییرات منطقه جیوجیــو از مدل مارکـــوف و دادههاي ماهواره اسپات در دورههاي زمانی ۱۹۹۹، ۲۰۰۲ و ۲۰۰۵ استفاده کردهاند که نتایج آن گویاي قابلیت بالاي مدل مذکور در پیش‌بینی روند تغییرات پوشش گیاهی است. هرناندز گوزمان و همکاران (13) تغییرات کاربری/ پوشش اراضی را در منطقه غربی و مرکزی مکزیک موردبررسی قراردادند. در این بررسی نقشه‌های موضوعی در سال‌های ۱۹۸۶، ۲۰۰۱ و ۲۰۱۷ با استفاده از تصاویر لندست تهیه و با استفاده زنجیره مارکوف تغییرات کاربری/ پوشش اراضی برای سال‌های ۲۰۳۳ و ۲۰۵۰ پیش‌بینی گردید.
در ایران نیز زارع گاریزی و همکاران (30) از تصاویر سنجنده TM (۱۹۸۷)، نقشه کاربری (۲۰۰۰) و تصویر ETM (۲۰۰۹) استفاده کردند و پوشش و کاربری سال ۲۰۰۹ را با استفاده از مدل زنجیرۀ مارکوف پیش‌بینی کردند. همچنین پژوهش‌های عزیز قلاتی و همکاران (2) در پیش‌بینی روند تغییرات مکانی کاربری اراضی در منطقه کوهمره سرخی استان فارس، میرعلیزاده فرد و علی بخشی (16) در پایش و پیش‌بینی تغییرات کاربری اراضی دشت برتش استان ایلام، عسگری زاده و همکاران (1) در بررسی گذشته، حال و آینده تغییرات پوشش گیاهی مراتع البرز مرکزی، صالحی و همکاران (22) در حوزه آبخیز صفارود استان مازندران، قابلیت بالای استفاده از تصاویر ماهواره‌ای لندست و مدل زنجیره مارکوف در پایش و پیش‌بینی تغییرات کاربری اراضی در اکوسیستم‌های طبیعی کشور را نشان میدهد.
هدف از انجام این پژوهش ارائه یک روش بهینه و کارآمد جهت طبقه‌بندی، پایش و پیش‌بینی تغییرات منابع پوشش گیاهی مراتع در اکوسیستم‌های طبیعی حوزه‌های آبخیز است. در این پژوهش با استفاده از انجام محاسبات تصویری و حذف همبستگی بین باندهای مختلف و استخراج شاخص پوشش گیاهی NDVI طبقات مراتع برحسب درجه یک، درجه دو و درجه سه تفکیک شدند. همچنین بهره‌گیری از الگوریتم طبقه‌بندی حداکثر احتمال در پردازش تصاویر و الگوریتم زنجیره مارکوف به پیش‌بینی روند تغییرات و استخراج اطلاعات مدنظر با سرعت و دقت قابل‌قبول در پردازش تصاویر ماهواره‌ای در این پژوهش انجامیده است.
روش تحقیق
منطقه موردمطالعه
حوزه آبخیز نوررود در استان مازندران در جنوب شهرستان نور واقع می‌باشد. این حوزه با مساحتی حدود ۲۵/۱۳۰۰ کیلومترمربع، یکی از زیر حوزه‌های مهم رودخانه بزرگ هراز می‌باشد و حدود یک‌سوم مساحت این حوزه بزرگ را تشکیل میدهد. حوضه مذکور در جنوب استان مازندران، در محدوده جغرافیائی˝۲۱´ ۱۸ ˚۵۱ تا˝۱۳´ ۲۶ ˚۵۱ طول شرقی و˝۵۸´ ۰ ˚۳۶ تا ˝۳۶´ ۱۶ ˚۳۶ عرض شمالی قرارگرفته است (7). حداکثر ارتفاع حوزه ۴۳۳۳ متر و حداقل ارتفاع آن ۷۲۱ متر از سطح دریا، میزان بارندگی سالانه حدود ۳۲۰ میلیمتر و اقلیم آن طبق روش دومارتن نیمه‌خشک می‌باشد. بيشترين سطح محدوده مورد مطالعه به اراضی مرتعی اختصاص دارد که انواع گونه‌های گیاهی متعلق به خانواده گندميان، چتريان، آفتابگردان، پروانه آسا و غیره در این مراتع رویش دارند شکل 1.
شکل 1. موقعیت جغرافیایی حوزه آبخیز نوررود، استان مازندران، ایران
Fig 1. Location of the study area in Nour-rud basin, Mazandaran Province, Iran
داده‌های تحقیق
در اين تحقيق، از تصاوير ماهواره‌ای لندست از سنجنده‌هاي TM (۱۳۶۷، ۱۳۷۷، ۱۳۸۷) و OLI (۱۳۹۷) سایت سازمان زمین‌شناسی ایالات‌متحده (USGS) از ماه‌های کاملاً مشابه (تیرماه)، نقشه‌هاي توپوگرافی1:25000 و عکس‌های هوایی اورتو با مقیاس 1:20000 و همچنین از تصاویر گوگل‌ارث و داده‌های کنترل زمینی استفاده شد.
پیش‌پردازش تصاویر
مرحلهی پیش‌پردازش همواره به‌عنوان یکی از مهم‌ترین مراحل در پردازش تصاویر ماهواره‌ای مطرح بـوده است. این مرحله شامل آمادهسازی تـصاویر برای پردازش می‌باشد. پس از تهیه تصاویر ماهواره‌ای پیش‌پردازش و پردازش اطلاعات موردنیاز بر روی تصاویر تهیه‌شده به‌منظور استخراج نقشه پوشش اراضی انجام گرفت. به‌طورکلی برای عملیات پردازش (طبقه‌بندی تصاویر ماهواره‌ای) و پایش تغییرات، پیش‌پردازش تصاویر ماهواره‌ای امری لازم و ضروری می‌باشد. در ابتـدا عمليـات زمـين مرجـع كـردن (Geo refrencing) بـر روي تصاوير باهدف تصحيح هندسـي اعمـال شـد. برای این منظور از نقشه‌های توپوگرافی موجود و سیستم مختصات UTM استفاده شد به‌این‌ترتیب که تعداد ۱۹ نقطه کنترلی پراکنده در سطح منطقه روی نقشه توپوگرافی انتخاب و بر روی تصویر تعریف گردیدند. ریشه مربع خطا (RMSE) برابر ۶۵/۰ به دست آمد. برای رفع خطای اتمسفری در تصاویر سنجنده‌های TM از ماژول تصحیح اتمسفری (QUick Atmospheric Correction) در نرم‌افزار ENVI استفاده شد. این ماژول با استفاده از شاخص‌های زمان و مکان و شاخص‌های فیزیکی دیگر، اقدام به تولید یک مدل انتقال تابشی با استفاده از MODTRAN4 میکند. ازآنجاکه این ماژول بر مبنای مدلی فیزیکی است، نسبت به مدلهای تصحیح اتمسفری دیگر دقت بهتری دارد (5).
پردازش تصاویر و آشکارسازی تصاویر ماهواره‌ای
هریک از سنجنده‌های TM و OLI دارای چندین باند در بخش مرئی و مادون قرمز بوده که تصاویر رنگی کاذب بسیاری را ارائه می‌دهند و این تصاویر قابلیت زیادی در شناخت عوارض و پدیده‌های مختلف زمینی دارند. برای آشکارسازی و استخراج اطلاعات مفیدتر از تصاویر ماهواره‌ای، تصاویر رنگی کاذب ایجاد شد. تصاویر رنگی ازنظر توانایی چشم به لحاظ تفسیر چشمی و تفکیک پدیده‌های مختلف دارای کیفیت بالاتری نسبت به تصاویر با تن خاکستری می‌باشد. در این مطالعه برای نمایش واضحتر دیدههای خاص، تصاویر با ترکیب رنگی کاذب تهیه و تولید شدند. با توجه به هدف مطالعه از میان رنگ‌های ایجادشده ترکیب رنگی ۳، ۴ و ۵ سنجنده TM و ۴، ۵ و ۶ سنجنده OLI در تعیین نمونه‌های تعلیمی و تعیین دقیق نقاط کنترل زمینی استفاده گردید. ازآنجایی‌که جداسازی و تفکیک بعضی از طبقات در شاخص‌های پوشش گیاهی موردبررسی به‌راحتی امکانپذیر نیست، لذا از روش متراکمسازی اطلاعات که در تفسیر اطلاعات کمكکننده است مثل تجزیه مؤلفه اصلی برای حذف همبستگی بین باندهای مختلف و همچنین فشردهسازی و جلوگیری از افزونگی مجموعه دادهها، مؤلفه‌های اصلی استفاده شد. PCA روشی برای تبدیل مختصات و كاهش دادهها در سنجش‌ازدور است. مهم‌ترین فواید PCA جمعآوری و متراکمساختن اطلاعات پدیده‌های موجود در باندهای مختلف در تعداد کمتری باند یا مؤلفه است. با استفاده از تصاویر حاصل از این روش مناطق سنگلاخی و مسکونی با وضوح بهتری نمایان شده و تفاوت میان اراضی خاک لخت و سنگلاخی از مراتع درجه ۳ به‌خوبی قابل‌تفکیک خواهد بود.
شاخص نرمال شده تفاوت پوشش گیاهی (NDVI)
شاخص پوشش گیاهی يكي از كاربرديترين شاخصهاي پوشش گياهي است كه كارايي مفيد آن در بسياري از مطالعات توسط محققان مختلف گزارش‌شده است. شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) و تحلیل مؤلفه اصلی (PCA) به‌عنوان باندهای ورودی در طبقه‌بندی‌ها شرکت داده شد و دقت آنها موردبررسی قرار گرفت. ازآنجایی‌که منطقه موردمطالعه بیشتر از پوشش گیاهی تشکیل گردیده است. ارزش عددي اين شاخص بين اعداد ۱ تا -۱ در نوسان است و ثابت‌شده كه هر چه به عدد ۱ نزديك شود بر ميزان پوشش گياهي افزوده مي‌گردد. ارزش عددی ۱ برای اراضی جنگلی متراکم و ارزش عددی -۱ برای کاربری خاک لخت می‌باشد. به دلیل اینکه بازه فوق متراکم بوده و تفکیک‌پذیری انواع مراتع کمی مشکل است. ضرب تصویر NDVI در عدد ۱۲۷ و سپس جمع آن با ۱۲۸ تصویر حاصل در بازه ۰-۲۵۵ نمایان شد که با استفاده از این تصویر تفکیک طبقات جنگل و مرتع از هم امکانپذیر بوده، لیکن طبقات کشاورزی و اراضی لخت و سنگلاخی در تقابل با این طبقات نیز در منطقه مورد مطالعه وجود دارد. نام طبقات و ضریب شاخص برای هر طبقه در جدول (1) آمده است. ضمناً کاربری مرتع بر اساس تراکم پوشش گیاهی به سه طبقه مرتع درجه‌یک (درصد تاج پوشش بیش از ۵/۶۲ درصد)، مرتع درجه‌دو (درصد تاج پوشش ۵/۳۷ از ۵/۶۲ درصد) و مرتع درجه سه (درصد تاج پوشش کمتر از ۵/۳۷ درصد) تقسیم‌بندی شده است.
جدول1. طبقه‌بندی استفاده شده برای شاخص پوشش گیاهی (NDVI)
Table 1. Determining the specific level of vegetation on the basis of NDVI
نام طبقه | ضریب شاخص برای هر طبقه |
جنگل | بزرگ‌تر مساوی ۲۰۰ تا ۲۵۰ |
مرتع درجه‌یک و کشاورزی | بزرگ‌تر مساوی ۱۷۰ تا کوچک‌تر از ۲۰۰ |
مرتع درجه‌دو | بزرگ‌تر مساوی ۱۵۰ تا کوچک‌تر از ۱۷۰ |
مرتع درجه سه و اراضی لخت | بزرگ‌تر مساوی ۱۵۰ تا کوچک‌تر از ۱۷۰ |
اراضی لخت و سنگلاخی | کوچک‌تر از ۱۵۰ |
طبقه‌بندی تصاویر (Image Classification)
جهت طبقه‌بندی تصاویر ابتدا اقدام به برداشت نمونه‌های تعلیمی به روش نمونهبرداری تصادفی ساده از منطقه موردمطالعه شد. این نمونهها به نحوی برداشت شد که تا شعاع ۳۰ متری، یک تیپ همگن از پوشش گیاهی را نشان میدادند به‌طوری‌که مساحت هرکدام از نمونه‌های تعلیمی برای هر کاربری معادل حداقل ۶ پیکسل از تصویر باشد. تعریف طبقات اولین اقدامی است که در انجام طبقه‌بندی مؤثر خواهد بود. فاکتورهای مختلفی با تأثیر بر روند طبقه‌بندی، لیست نهایی طبقات را تغییر می‌دهند. در طبقه بندی تصاویر اگر چه تاکید بر طبقات مختلف مراتع بوده لیکن جهت تعیین روند تغییرات طبقات به سایر کاربری ها طبقات کشاورزی، جنگل و اراضی بایر و صخره ای نیز در نظر گرفته شده است. انتخاب نمونه‌های تعلیمی در این تحقیق با استفاده از برداشت‌های میدانی، تفسیر عکس های هوایی و تفسیر بصری با استفاده از ترکیب رنگی کاذب و تصاویر حاصل از آنالیز مؤلفه‌های اصلی انجام گرفت. تعداد نمونه‌های تعلیمی برای هرکدام از تصاویر ماهواره‌ای مربوط به سال‌های ۱۳۶۷، ۱۳۷۷، ۱۳۸۷، ۱۳۹۷ برابر با ۳۰۰ نمونه بودند که ۷۰ درصد دادهها را برای مرحله طبقه‌بندی و ۳۰ درصد آنها را برای اعتبارسنجی مدل استفاده شد. مرحله بعد انتخاب الگوریتم مناسب برای طبقه‌بندی می‌باشد که از مراحل مهم در طبقه‌بندی می‌باشد. در این تحقیق از الگوریتم حداکثر احتمال (Maximum Likelihood) استفاده شد. در روش‌های طبقه‌بندی گاهی به‌جای استفاده از باندهای اصلی لایه‌های محاسباتی جدیدی بر مبنای محاسبات تصویری انجام‌گرفته در طبقه‌بندی تصاویر وارد می‌شوند. بالا رفتن دقت طبقه‌بندی به علت استفاده از شاخص تفاضل پوشش گیاهی (NDVI) گزارش‌شده است (15 و 31). همچنین تحقیقات اخیر نشان داده است که ترکیب PCA با شاخص‌های پوشش گیاهی صحت طبقه‌بندی را افزایش داده و در بررسی تغییرات زیست‌محیطی حائز اهمیت می‌باشد (19، 20 و 24). در این پژوهش تصویر حاصل از شاخص تفاضل پوشش گیاهی (NDVI) و سه مؤلفه اول حاصل از PCA در طبقه‌بندی وارد شدند.
مدل‌سازی و پیش‌بینی تغییرات با مدل تلفیقی زنجیره مارکوف
مدل ماركوف كاربردهاي گسترده‌اي در مدل‌سازی تغييرات كاربري و پوشش اراضي دارد. در اين تحليل همواره از دو نقشه رستری استفاده مي‌شود كه ورودي‌هاي مدل ناميده مي‌شود. علاوه بر اين دو نقشه، فاصله زماني بين دو تصوير و فاصله زماني پيش‌بيني نيز در مدل در نظر گرفته مي‌شود. خروجي مدل نيز شامل احتمالات تبديل وضعيت، ماتريس مساحت‌هاي تبدیل‌شده هر كلاس و درنهایت تصاوير احتمالات شرطي براي تبديل كاربري‌هاي مختلف است (8 و 20). در این مطالعه با استفاده از ماتریس احتمال تبدیل نقشه‌های پوشش اراضی سال‌های ۱۳۶۷، ۱۳۷۷ و ۱۳۸۷ نقشه پوشش اراضی سال ۱۳۹۷ شبیه‌سازی گردید و سپس با استفاده از نقشه واقعی (۱۳۹۷) اعتبارسنجی می‌شود و در ادامه با استفاده از ماتریس احتمال تبدیل سال‌های مذکور نقشه پوشش اراضی حوزه آبخیز نور رود برای (۱۴۲۷) پیش‌بینی میگردد. جهت اعتبار سنجی مدل تلفیقی زنجیره مارکوف (Ca_Markov) از ابزار VALIDATE در نرم‌افزار IDRISI TerrSet استفاده شد. پس‌ازاینکه نقشهی پوشش اراضی هر دوره استخراج شد، اقدام به تهیهی نقشه‌های آشکارسازی تغییرات گردید. آشکارسازی به‌منظور مشخص نمودن میزان تغییر مساحت وضعیت‌های مختلف پوشش در یک دوره ۳۰ ساله انجام می‌شود. همچنین نقشه‌های تهیه‌شده تغییرات پوشش اراضی هر دوره، باهم مقایسه شدند. ضمناً بر اساس نقشه‌های تغییرات هر دوره، مساحت هر یک از طبقات پوشش اراضی نیز محاسبه گردید. احتمال انتقال محاسبه‌شده از هر پوشش به نوع دیگر با استفاده از زنجیره مارکوف محاسبه گردید. در مدل مارکوف حالت سیستم در زمان ۲ می‌تواند بر اساس حالت سیستم در زمان ۱ پیش‌بینی شود و درنتیجه از ماتریس احتمالات انتقال به‌عنوان پایه مدل‌سازی تغییر پوشش اراضی استفاده گردید (۴). شکل 2، مراحل اجرای تحقیق را نشان می دهد.
ارزیابی نتایج
ارزیابی نتایج طبقه‌بندی یکی از مراحل مهم پس از طبقه‌بندی است. پس از طبقه‌بندی تصاویر ماهواره‌ای با استفاده از الگوریتم حداکثر احتمال، نقشه پوشش اراضی مربوط به سال‌های ۱۳۶۷، ۱۳۷۷، ۱۳۸۷، ۱۳۹۷ به‌دست‌آمد. نتایج با استفاده از واقعیت زمینی مورد ارزیابی صحت قرار گرفت.
ارزیابی خطا و برآورد دقت طبقه بندی بر اساس پارامترهای آماری حاصل از ماتریس خطا استخراج می شود. این ماتریس حاصل مقایسه پیکسل های معلوم و پیکسل های متناظر در طبقه بندی است. پس از تشکیل ماتریس خطا، ارزیابی صحت نتایج طبقه‌بندی بر اساس معیارهای صحت کلی، ضریب کاپا صورت گرفت (1 و 24).
[1] 
در این رابطه OA دقت کلی، N تعداد پیکسل های آزمایشی، 
جمع عناصر قطر اصلی ماتریس خطا می باشد.
[2] 
در این رابطه، 
نشان دهنده درستی مشاهده، 
توافق مورد انتظار است.
برای ارزیابی صحت نتایج مدل CA-Markov در شبیه سازی تغییرات کاربری اراضی از شاخص کاپا استفاده شد. این شاخص صحت طبقه بندی را نسبت به یک طبقه بندی کاملا تصادفی ارزیابی می کند.
شکل2. مراحل اجراي تحقیق
Fig 2. Research implementation steps
نتایج
نتایج صحت سنجی نقشه‌ها در جدول (2) ارائه‌شده است. با توجه به این جدول مشخص شد که بیشترین ضرایب صحتسنجی مربوط به تصویر سال ۱۳۹۷ می‌باشد. به‌طوری‌که ضریب کاپا و صحت کلی نقشه به‌دست‌آمده برای سال ۱۳۹۷ به ترتیب برابر با ۸۴/۰ و ۸۷ درصد می‌باشد. نقشه پوشش اراضی حوزه آبخیز نور رود به‌صورت شکل (۴) تهیه شد. همچنین شکل‌های (۵) و (۶) میزان افزایش و یا کاهش هریک از طبقات بین سال‌های ۱۳۶۷ تا ۱۳۹۷ را نشان میدهد.
جدول ۲. مقادیر ضریب کاپا و صحت کلی نقشه‌های طبقه‌بندی
Table 2. The values of the capa coefficient and the general accuracy of the classification maps
نام سنجنده | سال | الگوریتم طبقه‌بندی | ضریب کاپا | صحت کلی (%) |
TM | ۱۳۶۷ | حداکثر احتمال | ۸۱/۰ | ۸۰ |
TM | ۱۳۷۷ | حداکثر احتمال | ۸۶/۰ | ۸۵ |
TM | ۱۳۸۷ | حداکثر احتمال | ۸۲/۰ | ۸۳ |
OLI | ۱۳۹۷ | حداکثر احتمال | ۸۴/۰ | ۸۷ |
همانطوریکه در نقشه‌های طبقه‌بندی‌شده و جدول مساحت طبقات مشاهده می‌شود، مرتع بیشترین مساحت واصلی‌ترین نوع کاربری زمین را در حوزه آبخیز نور رود دارا می‌باشد و کمترین مساحت مربوط به کاربری کشاورزی می‌باشد. نتایج طبقه‌بندی نشان میدهد که نواحی جنگل از ۹۸/۲۹۳۶ هکتار در سال ۱۳۶۷ به ۸/۲۳۰۵ هکتار در سال ۱۳۹۷ کاهش‌یافته است. همچنین مناطق مرتعی نیز در دوره مشابه ۳۰ ساله ۹۵/۹۸۶۹ هکتار روند کاهشی را طی کرده است و بیشترین دوره‌ی کاهشی نواحی مرتعی در دوره‌ی ۱۳۸۷-۱۳۹۷ بوده است. از طرفی نواحی سنگلاخی و خاک لخت روند افزایشی را نشان می‌دهند. ضمناً همانطوریکه در شکل‌های (۳) و (۴) مشخص‌شده است، بیشترین تغییرات مساحت پوشش‌های مختلف اراضی مربوط به کاربری مرتع بوده است و در بین پوشش‌های مختلف مرتعی، مرتع درجه ۲ بیشترین تغییرات را داشته است به‌طوری‌که مساحت مراتع درجه ۲ از سال ۱۳۶۷ تا ۱۳۹۷ روند افزایشی را داشته است. ضمناً کاربری کشاورزی، کمترین تغییرات را در بین پوشش‌های مختلف اراضی و درواقع بیشترین پایداری را داشته است. همانطوریکه در نقشه‌ها مشخص می‌باشد روند تغییرات تبدیل پوشش‌های مختلف مرتعی به اراضی لخت یا سنگلاخی در انتهای حوزه آبخیز نوررود بسیار بیشتر بوده است. به‌طورکلی بیشترین تغییرات پوشش‌های مختلف اراضی (به‌غیراز کاربری کشاورزی) طی سال‌های ۱۳۸۷ تا ۱۳۹۷ اتفاق افتاده است.
پوشش اراضی سال 1367 |
پوشش اراضی سال 1377 |
پوشش اراضی سال 1387 |
شکل ۳. نقشه پوشش اراضی سال‌های (۱۳۶۷، ۱۳۷۷، ۱۳۸۷ و ۱۳۹۷) Fig 3. Landcover maps (1988, 1988, 2008, 2018) |
جدول ۳. مساحت پوشش زمین در سال‌های مورد بررسی
Table 3. Landcover area in the years under review
|
ردیف | طبقه پوشش | ۱۳۶۷ | ۱۳۷۷ | ۱۳۸۷ | ۱۳۹۷ | ||||
مساحت (هکتار) | درصد | مساحت (هکتار) | درصد | مساحت (هکتار) | درصد | مساحت (هکتار) | درصد | ||
۱ | جنگل | ۹۸/۲۹۳۶ | ۲۸/۲ | ۱۳/۲۶۱۹ | ۰۴/۲ | ۲۶۲۶ | ۰۴/۲ | ۸/۲۳۰۵ | ۷۹/۱ |
۲ | خاک لخت | ۹۹/۴۵۵۶ | ۵۴/۳ | ۵۴/۵۴۳۱ | ۲۲/۴ | ۶/۶۴۸۵ | ۰۴/۵ | ۲/۱۰۴۷۷ | ۱۴/۸ |
۳ | سنگلاخی | ۵۱/۳۱۴۲ | ۴۴/۲ | ۶۸/۴۴۰۹ | ۴۳/۳ | ۴/۵۰۴۴ | ۹۲/۳ | ۳/۷۳۷۷ | ۷۳/۵ |
۴ | کشاورزی | ۶۴/۱۸۳۶ | ۴۳/۱ | ۴۴/۱۵۰۱ | ۱۷/۱ | ۹/۲۶۲۲ | ۰۴/۲ | ۴/۲۱۷۸ | ۶۹/۱ |
۵ | مرتع درجه ۱ | ۴۷/۳۰۸۰۱ | ۹۴/۲۳ | ۸۴/۲۴۲۴۱ | ۸۴/۱۸ | ۵/۲۴۲۲۴ | ۸۳/۱۸ | ۱/۲۰۴۲۷ | ۸۸/۱۵ |
۶ | مرتع درجه ۲ | ۴۷/۳۸۳۴۵ | ۸/۲۹ | ۶۱/۴۶۷۹۹ | ۳۷/۳۶ | ۸/۴۶۶۷۶ | ۲۸/۳۶ | ۵/۴۹۱۰۳ | ۱۶/۳۸ |
۷ | مرتع درجه ۳ | ۲۱/۴۷۰۵۹ | ۵۷/۳۶ | ۹/۴۳۶۷۴ | ۹۴/۳۳ | ۲/۴۰۹۹۳ | ۸۶/۳۱ | ۶/۳۶۸۰۵ | ۶/۲۸ |
جمع | ۳/۱۲۸۶۷۹ | ۱۰۰ | ۱/۱۲۸۶۷۸ | ۱۰۰ | ۴/۱۲۸۶۷۳ | ۱۰۰ | ۹/۱۲۸۶۷۴ | ۱۰۰ | |
شکل (۴) روند کاهش سطح مراتع را بین سال‌های ۱۳۶۷ تا ۱۳۹۷ نشان میدهد. به_طوریکه سطح کل مراتع از ۱۱۶۲۰۶ هکتار در سال ۱۳۶۷ به ۱۰۶۳۳۶ هکتار در سال ۱۳۹۷ کاهش یافته است.
شکل ۴. روند کاهش سطح کل مراتع به هکتار طی سال‌های ۱۳۶۷ تا ۱۳۹۷
Fig 4. The process of reducing the total area of Range lands to hectares during the years 1367 to 1397
روند تبدیل کاربری‌ها در این مطالعه با استفاده از ابزار Crosstab در نرم‌افزار IDRISI Terrset انجام گرفت. نتایج نشان داد که بیشترین میزان تبدیل کاربری‌ها در دوره ۳۰ ساله (۱۳۶۷ تا ۱۳۹۷) مربوط به تبدیل کاربری مراتع به نواحی فاقد پوشش و سنگلاخی بوده است و درواقع بیشترین نقش را در افزایش مساحت نواحی فاقد پوشش را داشته است (جداول ۴، ۵ و ۶).
جدول ۴. ماتریس تغییرات کاربری/پوشش اراضی برای دوره‌های مختلف (۱۳۶۷-۱۳۹۷)
Table 4. Matrix of LULC for different periods(1988-2018)
سال ۱۳۹۷ | سال ۱۳۶۷ | ||||||
| جنگل | مرتع درجه ۱ | مرتع درجه ۲ | مرتع درجه ۳ | خاک لخت | سنگلاخی | کشاورزی |
جنگل | ۱۲۵۸۱ | ۹۱۸۶ | ۴۳۱ | ۱۸ | ۱۸۵ | ۲۴۳۹ | ۱۰۳۵ |
مرتع درجه ۱ | ۱۴۸۴ | ۱۱۳۲۱۲ | ۸۴۷۷۷ | ۵۴۵۴ | ۱۰۶۰۷ | ۴۴۷۲ | ۷۹۱۸ |
مرتع درجه ۲ | ۶۵ | ۳۷۱۰۴ | ۳۶۶۲۶۰ | ۹۲۸۰۹ | ۱۵۸۷۱ | ۲۷۴۶۰ | ۲۷۳ |
مرتع درجه ۳ | ۳۳ | ۴۵۰۱ | ۹۳۶۶۵ | ۲۴۱۶۷۳ | ۴۷۴۶۲ | ۲۱۵۱۶ | ۳۱۸ |
خاک لخت | ۱۵۷ | ۱۸۴۵ | ۱۵۴۴۱ | ۳۲۳۹۲ | ۶۶۳۰۴ | ۱۹۴۵ | ۱۴۸ |
سنگلاخی | ۲۱ | ۲۳۲ | ۹۴۹۲ | ۱۶۹۳۹ | ۳۸۷ | ۵۶۵۰۸ | ۱۲۶ |
کشاورزی | ۱۴۶۵ | ۷۴۳۵ | ۱۹۰۱ | ۱۹۷ | ۱۰۵۹ | ۲۰ | ۱۲۹۶۵ |
جدول ۵. ماتریس تغییرات کاربری/پوشش اراضی برای دوره‌های مختلف (۱۳۷۷-۱۳۹۷)
Table 5. Matrix of LULC for different periods(1998-2018)
سال ۱۳۹۷ | سال ۱۳۷۷ | ||||||
جنگل | مرتع درجه ۱ | مرتع درجه ۲ | مرتع درجه ۳ | خاک لخت | سنگلاخی | کشاورزی | |
جنگل | ۱۷۶۳۲ | ۵۹۱۱ | ۱۰۲ | ۵ | ۲۲ | ۱۸۴۵ | ۳۵۹ |
مرتع درجه ۱ | ۳۳۷۷ | ۱۳۹۲۴۵ | ۶۰۷۴۰ | ۱۸۹۹ | ۸۰۲۸ | ۲۵۷۹ | ۱۲۰۵۷ |
مرتع درجه ۲ | ۶۱ | ۵۰۳۴۵ | ۳۶۶۱۸۴ | ۷۷۳۶۴ | ۲۳۱۷۱ | ۲۲۴۹۶ | ۲۲۱ |
مرتع درجه ۳ | ۱۵ | ۸۷۳ | ۸۵۵۱۴ | ۲۵۱۴۲۰ | ۴۷۸۴۵ | ۲۳۴۰۹ | ۹۱ |
خاک لخت | ۹۸۹ | ۳۶۸۷ | ۲۲۴۹۳ | ۳۲۶۰۴ | ۵۶۳۲۲ | ۱۹۰۲ | ۲۳۵ |
سنگلاخی | ۴۷ | ۲۶۵ | ۵۴۶۱ | ۲۸۷۰۸ | ۷۲۸ | ۴۸۴۴۱ | ۵۴ |
کشاورزی | ۱۸۶۸ | ۶۰۳۹ | ۱۱۳۷ | ۱۷۲ | ۱۱۸۶ | ۴۰ | ۱۴۵۹۸ |
جدول ۶. ماتریس تغییرات کاربری/پوشش اراضی برای دوره‌های مختلف (۱۳۸۷-۱۳۹۷)
Table 6. Matrix of LULC for different periods (2008-2018)
سال ۱۳۹۷ | سال ۱۳۸۷ | ||||||
جنگل | مرتع درجه ۱ | مرتع درجه ۲ | مرتع درجه ۳ | خاک لخت | سنگلاخی | کشاورزی | |
جنگل | ۱۷۰۹۶ | ۷۱۵۷ | ۵۵ | ۲ | ۲۹ | ۱۴۲۳ | ۱۱۳ |
مرتع درجه ۱ | ۱۵۹۳ | ۱۰۹۹۴۴ | ۷۹۹۶۸ | ۲۸۲۹ | ۸۸۵۰ | ۱۶۹۶۸ | ۷۷۷۶ |
مرتع درجه ۲ | ۵۱ | ۸۱۵۰۲ | ۳۶۲۶۴۰ | ۶۴۵۰۱ | ۱۹۱۳۶ | ۱۱۱۳۷ | ۸۸۱ |
مرتع درجه ۳ | ۲ | ۶۹۶ | ۶۵۵۰۲ | ۲۸۰۳۵۲ | ۵۱۱۱۳ | ۱۱۴۹۲ | ۲۲ |
خاک لخت | ۲۱ | ۴۸۱۷ | ۱۵۵۷۷ | ۲۶۲۸۴ | ۶۸۱۷۳ | ۲۶۵۲ | ۷۲۳ |
سنگلاخی | ۶ | ۶۳۰ | ۱۸۹۳۷ | ۲۰۷۹۳ | ۳۰۱ | ۴۳۰۳۹ | ۷ |
کشاورزی | ۳۷۷۷ | ۷۴۷۴ | ۸۸۰ | ۷۱ | ۶۴۵ | ۱۴ | ۱۲۱۷۹ |
پیش‌بینی تغییرات کاربری اراضی در حوزه آبخیز نوررود
در این مطالعه به‌منظور انجام فرایند پیش‌بینی تغییرات پوشش اراضی در حوزه آبخیز نور رود ابتدا با استفاده از ماتریس احتمال تبدیل نقشه‌های پوشش اراضی سال‌های ۱۳۶۷، ۱۳۷۷، ۱۳۸۷ و نقشه پوشش اراضی سال ۱۳۹۷ شبیه‌سازی گردید و در ادامه با استفاده از ماژول VALIDATE در نرم‌افزار Terrset IDRISI و با کمک نقشه واقعیت زمینی سال ۱۳۹۷ اعتبارسنجی گردید و سپس با توجه به نتایج اعتبارسنجی، نقشه پوشش اراضی سال ۱۴۲۷ پیش‌بینی گردید. نتایج اعتبارسنجی با دقت ۷۵/۸۹ درصد صحت نتایج را نشان میدهد. جهت تخصیص احتمال تغییر از یک پوشش در سال ۱۳۹۷ به پوشش دیگر در سال ۱۴۲۷ از زنجیره مارکوف استفاده شد. با استفاده از زنجیره مارکوف در دوره‌های واسنجی مختلف و با توجه به نقشه‌های پوشش اراضی سال‌های ۱۳۶۷، ۱۳۷۷، ۱۳۸۷ و ۱۳۹۷ وضعیت‌های مختلف پوشش اراضی در سال‌های ۱۴۰۷، ۱۴۱۷ و ۱۴۲۷ پیش‌بینی گردیده است (جدول ۷).
جدول ۷. پیش‌بینی مساحت کاربری‌های مختلف اراضی طی سال‌های (۱۳۹۷-۱۴۲۷)
Table 7. Forecasting the area of different land uses during the years (2018-2048)
طبقه پوشش | ۱۳۹۷ | ۱۴۰۷ | ۱۴۱۷ | ۱۴۲۷ | |||||||||||||
مساحت (هکتار) | درصد | مساحت (هکتار) | درصد | مساحت (هکتار) | درصد | مساحت (هکتار) | درصد | ||||||||||
جنگل | ۸/۲۳۰۵ | ۷۹/۱ | ۱۸/۲۰۳۳ | ۵۸/۱ | ۷۴/۲۱۵۹ | ۶۸/۱ | ۵۵/۱۴۵۷ | ۱۳/۱ | |||||||||
خاک لخت | ۲/۱۰۴۷۷ | ۱۴/۸ | ۱/۱۳۱۷۸ | ۲۴/۱۰ | ۲۳/۱۱۶۱۹ | ۰۳/۹ | ۱۸/۱۱۷۵۸ | ۱۴/۹ | |||||||||
سنگلاخی | ۳/۷۳۷۷ | ۷۳/۵ | ۳۵/۷۷۸۰ | ۰۵/۶ | ۵۲/۸۴۶۷ | ۵۸/۶ | ۷۱/۹۶۷۷ | ۵۲/۷ | |||||||||
کشاورزی | ۴/۲۱۷۸ | ۶۹/۱ | ۶۷/۱۸۶۷ | ۴۵/۱ | ۱۸/۲۵۰۷ | ۹۵/۱ | ۳۸/۲۰۴۵ | ۵۹/۱ | |||||||||
مرتع درجه ۱ یک | ۱/۲۰۴۲۷ | ۸۸/۱۵ | ۷۴/۱۹۰۴۲ | ۸/۱۴ | ۹۶/۱۹۲۹۸ | ۱۵ | ۹۷/۱۶۸۸۹ | ۱۳/۱۳ | |||||||||
مرتع درجه ۲ | ۵/۴۹۱۰۳ | ۱۶/۳۸ | ۴۳/۴۹۳۵۲ | ۳۵/۳۸ | ۵۸/۴۹۴۶۹ | ۴۵/۳۸ | ۶۸/۵۱۸۷۶ | ۳۲/۴۰ | |||||||||
مرتع درجه ۳ | ۶/۳۶۸۰۵ | ۶/۲۸ | ۷۸/۳۵۴۲۰ | ۵۳/۲۷ | ۹۶/۳۵۱۵۲ | ۳۲/۲۷ | ۵۵/۳۴۹۶۹ | ۱۸/۲۷ | |||||||||
جمع | ۹/۱۲۸۶۷۴ | ۱۰۰ | ۲/۱۲۸۶۷۵ | ۱۰۰ | ۱۷/۱۲۸۶۷۵ | ۱۰۰ | ۲/۱۲۸۶۷۵ | ۱۰۰ | |||||||||
ضمناً در این مرحله احتمال انتقال هر یک از وضعیت‌های مختلف پوشش گیاهی به سایر وضعیت‌ها از سال شروع (سال‌های مربوط به ابتدای هر دوره که شامل سال‌های ۱۳۶۷ و ۱۳۷۷، ۱۳۸۷ می‌باشند) به سال پیش‌بینی (سال ۱۳۹۷) با استفاده از زنجیره مارکوف در دوره‌های واسنجی مختلف (۱۳۹۷- ۱۳۶۷، ۱۴۰۷-۱۳۹۷ و ۱۴۱۷- ۱۳۹۷ و ۱۴۲۷- ۱۳۹۷) محاسبه شد (جدول ۸). با توجه به این جدول، احتمال انتقال از هر یک از وضعیت‌ها به سایر خیلی کمتر از احتمال انتقال هر وضعیت به خود می‌باشد. ضمن اینکه احتمال انتقال در مدل LCM با استفاده از زنجیره مارکوف محاسبه می‌شود. با توجه به جدول احتمال انتقال، احتمال تبدیل مراتع درجه ۳، اراضی سنگلاخی و خاک لخت به مراتع درجه۱ و جنگل بسیار کم می‌باشد و لذا لازم است در جهت حفظ وضع موجود توسط ارگان‌های مربوطه برنامه‌ریزی گردد.
جدول ۸. احتمال انتقال محاسبه‌شده با زنجیره مارکوف برای دوره‌های مختلف
Table 8. Possibility of transferring the calculated Markov chain for different periods
دوره ۱۳۹۷-۱۳۶۷ | |||||||
نوع کاربری/پوشش | جنگل | مرتع درجه ۱ | مرتع درجه ۲ | مرتع درجه ۳ | خاک لخت | سنگلاخی | کشاورزی |
جنگل | ۴۹/۰ | ۳۶/۰ | ۰۲/۰ | ۰ | ۰۱/۰ | ۰۹/۰ | ۰۴/۰ |
مرتع درجه ۱ | ۰۱/۰ | ۵/۰ | ۳۷/۰ | ۰۲/۰ | ۰۵/۰ | ۰۲/۰ | ۰۳/۰ |
مرتع درجه ۲ | ۰ | ۰۷/۰ | ۶۸/۰ | ۱۷/۰ | ۰۳/۰ | ۰۵/۰ | ۰ |
مرتع درجه ۳ | ۰ | ۰۱/۰ | ۲۳/۰ | ۵۹/۰ | ۱۲/۰ | ۰۵/۰ | ۰ |
خاک لخت | ۰ | ۰۲/۰ | ۱۳/۰ | ۲۷/۰ | ۵۶/۰ | ۰۲/۰ | ۰ |
سنگلاخی | ۰ | ۰ | ۱۱/۰ | ۰۲/۰ | ۰ | ۶۸/۰ | ۰ |
کشاورزی | ۰۶/۰ | ۳/۰ | ۰۸/۰ | ۰۱/۰ | ۰۴/۰ | ۰ | ۵۲/۰ |
دوره ۱۳۹۷-۱۳7۷
دوره ۱۳۹۷-۱۳۷۷ | |||||||
نوع کاربری/پوشش | جنگل | مرتع درجه ۱ | مرتع درجه ۲ | مرتع درجه ۳ | خاک لخت | سنگلاخی | کشاورزی |
جنگل | ۶۸/۰ | ۲۳/۰ | ۰ | ۰ | ۰ | ۰۷/۰ | ۰۱/۰ |
مرتع درجه ۱ | ۰۱/۰ | ۶۱/۰ | ۲۷/۰ | ۰۱/۰ | ۰۴/۰ | ۰۱/۰ | ۰۵/۰ |
مرتع درجه ۲ | ۰ | ۰۹/۰ | ۶۸/۰ | ۱۴/۰ | ۰۴/۰ | ۰۴/۰ | ۰ |
مرتع درجه ۳ | ۰ | ۰ | ۲۱/۰ | ۶۱/۰ | ۰۴/۰ | ۰۶/۰ | ۰ |
خاک لخت | ۰۱/۰ | ۰۳/۰ | ۱۹/۰ | ۲۸/۰ | ۱۲/۰ | ۰۲/۰ | ۰ |
سنگلاخی | ۰ | ۰ | ۰۷/۰ | ۳۴/۰ | ۰۱/۰ | ۵۸/۰ | ۰ |
کشاورزی | ۰۷/۰ | ۲۴/۰ | ۰۵/۰ | ۰۱/۰ | ۰۵/۰ | ۰ | ۵۸/۰ |
دوره ۱۳۹۷-۱۳۸۷ | |||||||
نوع کاربری/پوشش | جنگل | مرتع درجه ۱ | مرتع درجه ۲ | مرتع درجه ۳ | خاک لخت | سنگلاخی | کشاورزی |
جنگل | ۶۶/۰ | ۲۸/۰ | ۰ | ۰ | ۰ | ۰۶/۰ | ۰ |
مرتع درجه ۱ | ۰۱/۰ | ۰٫۴۸ | ۳۵/۰ | ۰۱/۰ | ۰۴/۰ | ۰۷/۰ | ۰۳/۰ |
مرتع درجه ۲ | ۰ | ۱۵/۰ | ۶۷/۰ | ۱۲/۰ | ۰۴/۰ | ۰۲/۰ | ۰ |
مرتع درجه ۳ | ۰ | ۰ | ۱۶/۰ | ۶۹/۰ | ۱۲/۰ | ۰۳/۰ | ۰ |
خاک لخت | ۰ | ۰۴/۰ | ۱۳/۰ | ۲۲/۰ | ۵۸/۰ | ۰۲/۰ | ۰۱/۰ |
سنگلاخی | ۰ | ۰۱/۰ | ۲۳/۰ | ۲۵/۰ | ۰ | ۵۱/۰ | ۰ |
کشاورزی | ۰٫۱۵ | ۰٫۳ | ۰٫۰۴ | ۰ | ۰٫۰۳ | ۰ | ۰٫۴۹ |
همانطوریکه در نقشه‌های پیش‌بینی سال‌های ۱۴۰۷، ۱۴۱۷ و ۱۴۲۷ (شکل ۵) مشخص‌شده است مجموع مساحت مراتع روند کاهشی دارد اما نتایج پیش‌بینی نشان میدهد که مساحت مراتع درجه ۲ روند افزایشی خواهد داشت و مساحت آن از ۴۹۱۰۳٫۵ هکتار سال ۱۳۹۷ به 68/51876 هکتار ارسال ۱۴۲۷ خواهد رسید که دلیل اصلی روند افزایش این طبقه، تبدیل مراتع درجه۱ به مراتع درجه ۲ می‌باشد. ضمناً بر اساس پیش‌بینی مدل مارکوف، در صوت ادامه روند واگذاری معدن در اراضی پایین‌دست حوزه و برداشت زیاد از این عرصه روند تخریب و تبدیل مراتع به اراضی بدون پوشش در سال‌های آتی محتمل است.
  | ||
| ||
|
بحث و نتیجهگیری
نتایج حاصل از این مدل نشان داد که تصاویر حاصل از ماهواره لندست و به کارگیری مدل زنجیره مارکوف می تواند به صورت کارامدی در پایش و پیش بینی روند تغییرات اراضی مرتعی در طبقات مختلف پوشش گیاهی مورد استفاده قرار گیرد. ضریب کاپا و دقت کلی بالای 80 درصد در تولید نقشه های پوشش اراضی و پیش بینی آنها نشان دهنده اطمینان از حصول نتایج است.
نتایج حاصل از این مطالعه به‌طورکلی نشان‌دهنده کاهش سطح جنگل و مرتع و افزایش سطوح اراضی لخت و فاقد پوشش گیاهی می‌باشد. ضمناً نتایج مدل‌سازی تغییرات کاربری اراضی با استفاده از روش مارکوف نیز بیانگر این است که روند تغییرات جنگل و مرتع تا سال ۱۴۲۷ روند کاهشی خواهد بود. نتایج این مطالعات با برخی از پژوهش‌های صورت گرفته با استفاده از مدل CA-Markov مانند مطالعات (25)، (24)، (20)، (18)، (14)، (17) و (3) مطابقت دارد. با توجه به اینکه حوزه آبخیز بلده از مناطق مهم دامداری در استان مازندران می‌باشد و حتی اقتصاد منطقه که بر مبناي تولیدات کشاورزي و دامی قرار می‌باشد، وابستگی زیادی به مراتع دارد و بهمین لحاظ یکی از عواملی که می تواند درتغییرات کاربری وپوشش اراضی نقش مهمی ایفا کند، میزان وشدت چرای دام درمراتع منطقه است. لذا، نتایج این تحقیق می‌تواند حتی در برنامه‌ریزی برای افزایش درآمدهای اقتصادی منطقه کمک شایانی نماید.
با توجه به جدول (۳)، مساحت کاربری جنگل از سال ۱۳۶۷ تا ۱۳۹۷ روند کاهشی را داشته است؛ اما کمترین تغییر در مساحت جنگل‌های منطقه مربوط به دوره ۱۰ ساله ۱۳۷۷ تا ۱۳۸۷ بوده است که یکی از دلایل عمده بر اساس بررسی‌های به‌عمل‌آمده تخصیص اعتبار و جنگل‌کاری‌های متعدد در منطقه بوده است که از روند کاهشی عرصه‌های جنگلی جلوگیری نموده است؛ لذا در آینده با انجام مدیریت صحیح در این عرصه‌ها می‌توان از کاهش این کاربری جلوگیری نمود. همچنین با توجه به نتایج حاصله بخش زیادی از مراتع درجه ۱ به مراتع درجه ۲ و مراتع درجه ۳ به مناطق فاقد پوشش تبدیل گردیده است. لذا با مدیریت مرتع و اجرای برنامه‌های اصلاحی از این روند نیز جلوگیری نمود.
نتایج مدل پیش‌بینی نشان میدهد که احتمال تبدیل پیکسل‌های نزدیک‌تر به مناطق فاقد پوشش و همچنین احتمال تبدیل ارضی مرتعی درجه ۳ به مناطق فاقد پوشش و سنگلاخی بیشتر است و لذا به اصلاح و احیاء این‌گونه اراضی باید بیشتر توجه کرد. لازم به ذکر است که بخش زیادی از اراضی مرتعی (عمدتاً درجه ۳ و ۲) در پایین‌دست حوزه آبخیز نور رود به‌خصوص از سال ۱۳۷۷ تا ۱۳۹۷ تبدیل به اراضی لخت و فاقد پوشش شده است و ادامه این روند باعث افزایش فرسایش خاک و همچنین تبدیل این قسمت از عرصه به کانون گردوغبار خواهد شد که لازم است بعد از برداشت‌های مواد معدنی، عرصه مورد احیاء قرار گیرد.
مدل‌سازی تغييرات پوشش اراضي حاکی از آن است كه با ادامه روند کنونی، شاهد کاهش سطح ۱۴۷۹ هکتاری جنگل و ۱۲۴۷۰ هکتاری مرتع در ۳۰ سال آينده خواهیم بود. درحالی‌که اراضی فاقد پوشش گیاهی و همچنین مناطق سنگلاخی و مسکونی دارای رشد صعودی خواهند بود و حتی بیشترین درصد تغییرات کاربری ارسال ۱۴۲۷ نسبت به سال ۱۳۹۷ مربوط به درصد افزایش مساحت طبقات خاک لخت و سنگلاخی می‌باشد که روند چنین تغییراتی نهتنها کاهش تولید علوفه مراتع برای دامداران منطقه و درنتیجه کاهش توان اقتصادی آنها را باعث می‌شود بلکه همچنین آثار مخرب جبران‌ناپذیری دیگری مانند فرسايش خاك، کمبود آب، کاهش تولید گیاهان داروئی و غیره را نیز در حوزه آبخیز نور رود به دنبال خواهد داشت. لذا باید سعی شود با اصلاح و احیاء جنگل‌ها و مراتع و اجرای برنامه‌های مدیریتی از کاهش سطح کمی و کیفی این منابع جلوگیری کرد. به‌طورکلی هرچند پیش‌بینی تغيير پوشش اراضی ممکن است اختلافاتی با آنچه درآینده رخ میدهد داشته باشد اما می‌تواند هشداری برای تغییر پوشش در آینده باشد.
یکی از موارد مهم این تحقیق استفاده از مدل ماركوف در پيش‌بيني تغييرات و تهيه نقشه پيش‌بيني تغييرات پوشش‌های مختلف اکوسیستم‌های مرتعی می‌باشد. بدین‌صورت که با در اختيار داشتن نقشه پيكسلهاي هر يك از پوشش‌های اراضی، ميتوان از اين مسئله در برنامهريزيهاي آینده كمك گرفت. نقشه‌هاي شبیه‌سازی‌شده در اين بررسي می‌تواند راهنماي مناسبي براي مديران و برنامهريزان در بخش منابع طبيعي باشد. به‌منظور دستیابی به نتایج بهتر و کمک به امر مدیریت مرتع درآیندِه پیشنهاد می‌شود از مدل تلفیقی زنجیره مارکوف (Ca_Markov) جهت پیش‌بینی و مدل‌سازی تغییرات پوشش مراتع کشور استفاده گردد و ضمن نظارت بیشتر بر مدیریت تغییرات پوشش اراضی حوزه‌های آبخیز، میزان اثربخشی پروژه‌های مرتع‌داری و جنگل‌کاری در تغییرات پوشش اراضی مرتعی و جنگلی مورد ارزیابی قرار گیرد. شد نتایج حاصل از این تحقیق می تواند در ارائه یک روش بهینه در کاهش حجم داده های ورودی به فرآیند پردازش تصاویر طبقه بندی مراتع و پیش بینی تغییرات آتی آنها مفید بوده و بر لزوم انجام پژوهش در بررسی روند توسعه ناهمگون آبخیز نوررود در گسترش اراضی مسکونی، فعالیت های معدنی، عدم رعایت مدیریت چرا و تغییرات اقلیمی بر اکوسیستم های طبیعی تاکید دارد.
منابع مورد استفاده
1. Askarizadeh D, Arzani H, Jafary M, Bazrafshan J, Prentice I. (2018). Surveying of the past, present, and future of vegetation changes in the central Alborz ranges in relation to climate change. Journal of RS and GIS for Natural Resources, 9(3), 1-18. (In Persian).
2. Azizi G. S, Rangzan K, Sadidy J, Heydarian P, Taghizadeh A. 2016. Predicting locational trend of land use changes using CA-Markov model (Case study: Kohmare Sorkhi, Fars province). Journal of Rs and Gis for natural Resources, 7(1):59-71. (In Persian).
3. Chang CL, Chang JC. 2006. Markov model and cellular automata for vegetation. Journal of Geographical Research, 45 (1): 45-57.
4. Eastman J. R. 2006. IDRISI Andes. Guide to GIS and Image Processing. Clark Labs, Clark University, Worcester, MA.
5. Fan F, Weng Q, Wang Y. 2007. Land use and land cover change in Guangzhou, China, from 1998 to 2003, based on Landsat TM/ETM+ imagery. Sensors, 7(7): 1323-1342 p.
6. FAO. 2007. State of the world’s forest, Food and Agriculture Organization of the United Nations, Rome, 144 p
7. Gilks W. R. 1996. Markov Chain Monte Carlo in Practice, Chapman & Hall/CRC, 1 edition, 512 p.
8. Jenerett, G. D, and Wu, J. 2011. Analysis and simulation of land use in the central Arizona phoenix region USA. Landscape ecology, 16: 611-626. https://doi.org/: 10.1023/A:1013170528551
9. Mahmood M, Farahpour M, Mosavi S.A.R. (2006). Land cover and rangeland classification map using Land sat satellite image (TM) (Case study: Namrood watershed) . Iranian Journal of Range and Desert Research, 13(3): 265-277. (In Persian).
10. Hernández-Guzmán R, Ruiz-Luna A, González C. 2019. Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico. Remote Sensing Applications: Society and Environment, 13: 318-327. https://doi.org/: 10.1016/j.rsase.2018.12.005
11. Keshavarz E, Ebrahimi A, Naghipoor A. (2020). Comparing the accuracy of pixel and object-based classification methods in mapping vegetation types (Case study: Marjan Boroujen). Journal of Rangeland, 14(2), 272-285. (In Persian). URL: http://rangelandsrm.ir/article-1-906-fa.html
12. Kamusoko C, Aniya M, Adi B,Manjoro M. 2009. Rural Sustainability under Threat in Zimbabwe – Simulation of Future Land Use /cover Changes in the Bindura District Based on the Markov-Cellular Automata Model, Applied Geography, 29:435-447 p. https://doi.org/: 10.1016/j.apgeog.2008.10.002
13. 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. https://doi.org/10.3390/rs2051249.
14. Lee J. K, Acharya, T. D, Lee, D. H. 2018. Exploring land cover classification accuracy of Landsat 8 image using spectral index layer stacking in hilly region of South Korea. Sensors and Materials, 30 (12): 2927-2941. https://doi.org/: 10.18494/SAM.2018.1934
15. Lourdesa, L, Karinac Z, Pedrob L, Héctora M, Néstorc, M. 2011. A dynamic simulation model of land cover in the Dulce Creek Basin, ArgentinaA dynamic simulation model of land cover in the Dulce Creek Basin, Argentina, Procedia Environmental Sciences, 7: 194-199 p https://doi.org/: DOI: 10.1016/j.proenv.2011.07.034.
16. Mir Alizadehfard S. R, Alibakhshi S. M. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Journal of Rs and Gis for natural Resources, 7(2):33-45. (In Persian).
17. Muller MR, Middleton J. 1994. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology, 9 (2): 151-157. https://doi.org/: 10.1007/BF00124382
18. Otukei, J. R, Blaschke, T. 2010. Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms. International Journal of Applied Earth Observation and Geoinformation, 12, S27-S31. https://doi.org/: 10.1016/j.jag.2009.11.002
19. Pain, W. J. 2007. Landcover Classification and Change Detection Analysis Using High-resolution IKONOS Imagery for the Bayview Bog Wetland, Ontario Doctoral dissertation, Queen's University
20. Pontius R.G, Malanson J. 2005. Comparison of the Structure andAccuracy of Two Land Change Models, International Journal of Geographical Information Science, 19(2): 243-265 p. https://doi.org/10.1080/13658810410001713434
21. Richards J.A. 1995. Remote sensing digital image analysis: an introduction, second edition, Springer. https://doi.org/10.1007/978-3-642-30062-2
22. Salehi, N, Ekhtesasi, M, Talebi, A. (2019). Predicting locational trend of land use changes using CA-Markov model (Case study: Safarod Ramsar watershed). Journal of RS and GIS for Natural Resources, 10(1), 106-120. (In Persian).
23. Shahabi H, Ahmad B.B, Mokhtari M. H, Zadeh, M. A. 2012. Detection of urban irregular development and green space destruction using normalized difference vegetation index (NDVI), principal component analysis (PCA) and post classification methods: A case study of Saqqez city. International Journal of Physical Sciences, 7(17), 2587-2595. https://doi.org/10.5897/IJPS12.009.
24. Wang S Q, Zheng X, Zang, X.B. 2012. Accuracy assessments of land use change simulation based on Markov-cellular automata model,, Procedia Environmental Sciences 13:1238-1245 p. https://doi.org/10.1016/j.proenv.2012.01.117.
25. Weng Q. 2002. Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modeling, Journal of Environmental Management 64:273-284. https://doi.org/10.1006/jema.2001.0509.
26. Wu Q, Li H. Q, Wang R. S, Paulussen, J, He Y, Wang M, Wang Z. 2006. Monitoring and predicting land use change in Beijing using remote sensing and GIS. Landscape and urban planning, 78(4):322-332 p. https://doi.org/10.1016/j.landurbplan.2005.10.002
27. Ye, B and Bai, Z. 2008. Simulating land use/ cover changes of Nanjing County based on CaMarkov model. In IFIP international federation for information processing, Vol, 1, pp: 329-321 p. https://doi.org/10.1007/978-0-387-77251-6_35
28. Yuan F, Sawaya K.E, Loefflholz B.C, Bauer M.E. 2005. Land cover classification and change analysis of the Twin cities metropolitan area by multi-temporal landsat remote sensing.Remote sensoring of environment, 98 (2-3): 317-328. https://doi.org/10.1016/j.rse.2005.08.006.
29. Zareh Garizi A, Bardi Sheikh V, Sadodin A, Salman Mahini A. 2012. Application of logistic regression to model spatial pattern of vegetation change (Case study: Chehel Chai basin, Golestan province). Journal of Geographical Research, 37: 55-68 (In Persian). https://doi.org/ 10.22092/ijfpr.2015.13174.
30. Zhou Y, Xiao X, Qin, Y, Dong J, Zhang, G, Kou, W, Li X. 2016. Mapping paddy rice planting area in rice-wetland coexistent areas through analysis of Landsat 8 OLI and MODIS images. International Journal of Applied Earth Observation and Geoinformation, 46, 1-12 https://doi.org/10.1016/j.jag.2015.11.001
31. Zubair, A. O. (2006). Change detection in land use and Land cover using remote sensing data and GIS (A case study of Ilorin and its environs in Kwara State). Department of Geography, University of Ibadan, 176.
Monitoring and Predicting the Trend of Changing Rangelands Using Satelite Images and CA-Markov Model (Case study: Noor-rood basin, Mazandaran Proince)
Abstract
Predicting the trend of land use/land cover chenges in natural range ecosystem via remote sensing techniques and evaluating their potentials by modeling, plays an important role in decision making. The goal of this research is monitoring and predicting land use/land cover changes in Nour-rood basin by CA-Markov in a 60 year periods (1988-2048). In this study, by performing visual calculations on Landsat satellite images from TM (1988, 1998, 2008) and OLI (2016) sensors, the normalized vegetation difference index (NDVI) and principal component analysis (PCA) to eliminate the correlation between different bands. Data reduction was extracted and included in the classifications as input bands. Image classification was performed using the maximum likelihood method algorithm. Terrestrial reality derived from topographic and aerial photos available in the (GDNR) and (WMM) during 1988-2008 , field visits (2018) and Google Earth Images were evaluated for accuracy. The accuracy of the production maps calculated with Kappa coefficient, overall accuracy and error matrix. So that the highest and lowest ratio were related to the images of 1998 and 1988, respectively with the values of 0.86 and 0.81. The results were compared with field ground truth to determine the accuracy of results. Random matric used to convert land use classes and the map of land cover of Nour-rud basin predicted, in (2018-2028). The results showed that in (1988-2018), forests and rangelands with excellent and fair cover conditions had decreasing and ranges with good condition, rocks and residential areas had increasing trend. Total area of rangelands decreased from 116206 hectares in 1988 to 106336 hectares in 2018. Moreover, the results of Markov model with more than 85% precision showed the same trend of land use changes from 2018-2048. Excellent rangeland cover conditions, showed decreasing trend, rocky and residential areas will also have an increasing trend until 2048. Markov's prediction model also shows an accuracy of more than 85%. The trend of land use changes during 2018-2048 will be the same as in previous. In whitch case, excellent range condition will have decreasing trend; rocky and residential areas will have an increasing trend until 2048. The results of this study can be useful in providing an efficient method in reducing the volume of input data to the image processing process in rangeland classification and predicting future changes in natural ecosystems.
Keywords: Land cover, NDVI, Markov chains, Landuse chage, CA-Markov, Nour-rud basin
پایش و پیش‌بینی روند تغییرات اراضی مرتعی با استفاده از تصاویر ماهواره ای و مدل زنجیره مارکوف در حوزه آبخیز نوررود– استان مازندران
چکیده مبسوط
طرح مسئله: مطالعه و بررسی تغییرات کاربری و پوشش اراضی در مقیاس‌های متفاوت یک نیاز اساسی برای مدیریت صحیح جنگل‌ها و مراتع است؛ و همچنین با آگاهی از روند تغییرات کاربری و پوشش اراضی در آینده می‌توان، برنامه‌ریزی صحیحی را در جهت کنترل کاهش اثرات نامطلوب بر جنبه‌های مختلف هر اکوسیستم انجام داد. لذا با توجه به اهمیت موضوع، بررسی تغییرات در سطح جهان، مورد توجه بسیاری از محققین قرارگرفته است. با توجه به اینکه حوزه آبخیز بلده از مناطق مهم دامداری در استان مازندران می‌باشد و حتی اقتصاد منطقه که بر مبناي تولیدات کشاورزي و دامی می‌باشد، وابستگی زیادی به مراتع دارد؛ لذا نتایج این تحقیق می‌تواند مدیران را برای برنامه‌ریزی و مدیریت بهتر مراتع منطقه کمک نماید.
هدف: هدف از انجام این پژوهش پایش و پیش‌بینی روند تغییرات کاربري و پوشش اراضی حوزه آبخیز نور رود در آینده می‌باشد که با توجه به این تغییرات اقدامات مدیریتی مناسب در این حوزه آبخیز برای حفظ، احیاء و بهره‌برداری بهینه از جنگل‌ها و مراتع می‌تواند صورت گیرد.
روش تحقیق: تحقیق حاضر در حوزه آبخیز نوررود در استان مازندران در جنوب شهرستان نور انجام شده است. این حوزه با مساحتی حدود ۲۵/۱۳۰۰ کیلومترمربع، یکی از زیر حوزه‌های مهم رودخانه بزرگ هراز می‌باشد و در محدوده جغرافیائی˝۲۱´ ۱۸ ˚۵۱ تا˝۱۳´ ۲۶ ˚۵۱ طول شرقی و˝۵۸´ ۰ ˚۳۶ تا ˝۳۶´ ۱۶ ˚۳۶ عرض شمالی قرارگرفته است. در این تحقیق از تصاوير ماهواره‌ای لندست سنجنده‌هاي TM (۱۳۶۷، ۱۳۷۷، ۱۳۸۷) و OLI (۱۳۹۷) سایت سازمان زمین‌شناسی ایالات‌متحده (USGS) و در ماه‌های کاملاً مشابه (تیرماه)، نقشه‌هاي توپوگرافی و همچنین از تصاویر گوگل‌ارث و داده‌های کنترل زمینی استفاده شد. بعد از پیش‌پردازش تصاویر ماهواره‌ای لندست از سنجنده‌هاي TM (۱۳۶۷، ۱۳۷۷، ۱۳۸۷) و OLI (۱۳۹۷)، طبقه‌بندی تصاویر با استفاده از الگوریتم حداکثر احتمال انجام گرفت و نتایج با استفاده از واقعیت زمینی برگرفته از نقشه‌های توپوگرافی با مقیاس 25000:1 و عکس‌های هوایی موجود در اداره کل منابع طبیعی وآبخیزداری مازندران (برای سال‌های 1367 تا 1387) و برداشت‌های زمینی (1397) مورد ارزیابی صحت قرار گرفت. دقت نقشه‌های تولیدی با ضریب کاپا محاسبه شد. سپس با استفاده از ماتریس احتمال تبدیل طبقات کاربری اراضی و اعمال مدل تلفیقی زنجیره‌های مارکوف در سه مقطع ده‌ساله طی سال‌های (۱۳۹۷-۱۴۲۷)، نقشه وضعیت پوشش اراضی حوضه آبخیز نوررود، پیش‌بینی گردید.
نتایج و بحث: نتایج تحقیق طی سال‌های ۱۳۶۷ تا ۱۳۹۷ (۳۰ سال) نشان داد که مناطق جنگلی و مراتع درجه یک و سه در حوزه آبخیز نوررود روند کاهشی و مراتع درجه دو و اراضی سنگلاخی و مسکونی نیز روند افزایشی را داشته است. سطح کل مراتع از ۱۱۶۲۰۶ هکتار در سال ۱۳۶۷ به ۱۰۶۳۳۶ هکتار در سال ۱۳۹۷ کاهش یافته است. همچنین مدل پیش‌بینی مارکوف با دقت بیش از ۸۵ درصد نشان میدهد روند تغییرات کاربری اراضی طی سال‌های ۱۳۹۷-۱۴۲۷ (۳۰ سال) نیز همانند دوره‌های قبل خواهد بود به این صورت که کاربری‌های وضعیت پوشش مرتعی درجه یک (پرتراکم)، روند کاهشی (کاهش ۳۵۳۷ هکتار) و کاربری‌های نواحی سنگلاخی و مسکونی نیز روند افزایشی را تا سال ۱۴۲۷ پیش‌بینی خواهند داشت. بیشترین وکمترین ضریب کاپا به ترتیب مربوط به تصاویر سال‌های 1377 و1367 با مقادیر 86/0 و 81/0 بوده است. مدل پیش‌بینی مارکوف با دقت بیش از ۸۵ درصد نشان داد روند تغییرات کاربری اراضی طی سال‌های ۱۳۹۷-۱۴۲۷ (۳۰ سال) نیز همانند دوره‌های قبل خواهد بود. به این صورت که کاربری‌های وضعیت پوشش مرتعی درجه یک، روند کاهشی و کاربری‌های نواحی سنگلاخی و مسکونی نیز روند افزایشی را تا سال ۱۴۲۷ پیش‌بینی خواهند داشت. بخش زیادی از اراضی مرتعی (عمدتاً درجه ۳ و ۲) در پایین‌دست حوزه آبخیز نوررود به‌خصوص از سال ۱۳۷۷ تا ۱۳۹۷ تبدیل به اراضی لخت و فاقد پوشش شده است و ادامه این روند باعث افزایش فرسایش خاک و همچنین تبدیل این قسمت از عرصه به کانون گردوغبار خواهد شد که لازم است بعد از برداشت‌های مواد معدنی، عرصه مورد احیاء قرار گیرد. مدل‌سازی تغييرات پوشش اراضي حاکی از آن است كه با ادامه روند کنونی، شاهد کاهش سطح ۱۴۷۹ هکتاری جنگل و ۱۲۴۷۰ هکتاری مرتع در ۳۰ سال آينده خواهیم بود. درحالی‌که اراضی فاقد پوشش گیاهی و همچنین مناطق سنگلاخی و مسکونی دارای رشد صعودی خواهند بود. بیشترین درصد تغییرات کاربری از سال ۱۴۲۷ نسبت به سال ۱۳۹۷ مربوط به افزایش مساحت طبقات خاک لخت و سنگلاخی می‌باشد که روند چنین تغییراتی نهتنها کاهش تولید علوفه مراتع دامداران و کاهش توان اقتصادی آنها را باعث می‌شود بلکه همچنین آثار مخرب جبران‌ناپذیری دیگری مانند فرسايش خاك، کمبود آب، کاهش تولید گیاهان داروئی و غیره را نیز در منطقه به دنبال خواهد داشت. لذا باید سعی شود با اصلاح و احیاء جنگل‌ها و مراتع و اجرای برنامه‌های مدیریتی از کاهش سطح کمی و کیفی این منابع جلوگیری کرد. به‌طورکلی هرچند پیش‌بینی تغيير پوشش اراضی ممکن است اختلافاتی با آنچه درآینده رخ میدهد داشته باشد اما می‌تواند هشداری برای تغییر پوشش در آینده باشد.
نتیجهگیری: یکی از موارد مهم این تحقیق استفاده از مدل ماركوف در پيش‌بيني تغييرات و تهيه نقشه پيش‌بيني تغييرات پوشش‌های مختلف اکوسیستم‌های مرتعی می‌باشد. بدین‌صورت که با در اختيار داشتن نقشه پيكسلهاي هر يك از پوشش‌های اراضی، ميتوان از اين مسئله در برنامهريزيهاي آینده كمك گرفت. نقشه‌هاي شبیه‌سازی‌شده در اين بررسي می‌تواند راهنماي مناسبي براي مديران و برنامهريزان در بخش منابع طبيعي باشد. به‌منظور دستیابی به نتایج بهتر و کمک به امر مدیریت مرتع در آیندِه پیشنهاد می‌شود از مدل تلفیقی زنجیره مارکوف (Ca_Markov) جهت پیش‌بینی و مدل‌سازی تغییرات پوشش مراتع کشور استفاده گردد و ضمن نظارت بیشتر بر مدیریت تغییرات پوشش اراضی حوزه‌های آبخیز، میزان اثربخشی پروژه‌های مرتع‌داری و جنگل‌کاری در تغییرات پوشش اراضی مرتعی و جنگلی مورد ارزیابی قرار گیرد. شد نتایج حاصل از این تحقیق می تواند در ارائه یک روش بهینه در کاهش حجم داده های ورودی به فرآیند پردازش تصاویر طبقه بندی مراتع و پیش بینی تغییرات آتی آنها مفید بوده و بر لزوم انجام پژوهش در بررسی روند توسعه ناهمگون آبخیز نوررود در گسترش اراضی مسکونی، فعالیت های معدنی ، عدم رعایت مدیریت چرا و تغییرات اقلیمی بر سلامت اکوسیستم های طبیعی تاکید دارد.
واژگان کلیدی: پوشش اراضی، شاخص نرمال شده تفاضل پوشش گیاهی، تغییرات کاربری، مدل تلفیقی مارکوف، حوزه آبخیز نوررود
Monitoring and Predicting the Trend of Changing Rangelands Using Satelite Images and CA-Markov Model (Case study: Noor-rood basin, Mazandaran Proince)
Abstract
Statement of the Problem: Survey of land use/land cover changes on different scales is a primary need for proper management of forests and pastures. Also, being aware of the trend of land use / land cover changes in the future, it is possible to right planning to control the reduction of adverse effects on various aspects of each ecosystem. Therefore, due to the importance of the subject, the study of changes in the world has attracted the attention of many researchers. According to the fact that Balade watershed is one of the important livestock areas in Mazandaran province and even the region's economy, which is based on agricultural and livestock production, is highly dependent on pastures; Therefore, the results of this research can help managers to better plan and manage the rangelands of the region.
Purpose: This study aims to monitor and predict the trend of land use/ land cover changes (LU/LC) in Noor- Rud watershed in the future. Due to these changes, appropriate management measures can be taken to maintain, rehabilitate and make optimal use of forests and pastures.
Methodology: The present study was conducted in Nour-rud river basin in Mazandaran province in the south of Noor city. This region with an area of about 1300.25 square kilometers is one of the important sub-areas of the great Haraz river. The study area lies between 36° 00' 58" to 36°16' 36" N latitudes and 51°18' 21" to 51°26' 13" E longitudes. In this study, images of Landsat satellites TM (1988, 1998, 2008) and OLI (2016) of the United States Geological Survey (USGS) site and in completely similar months (July), topographic maps, as well as Google Earth images and ground control data used. After processing Landsat satellite images of TM (1988, 1998, 2008) and OLI (2016), image classification was performed using the maximum probability algorithm. And the results using terrestrial reality derived from topographic maps with a scale of 1:25000 and aerial photographs, the aerial photographs in the General Department of Natural Resources and Watershed Management of Mazandaran (1988-1998) and land surveys (2018) were evaluated. The accuracy of the maps was calculated with the Kappa coefficient. Then, using the probability matrix, the conversion of landuse classes and the application of the integrated model of Markov chains in three ten-years periods during (2018-2048), the land cover map of Nou-rud watershed was predicted.
Results and discussion: The results showed that during 1988 to 2018 (30 years) forest areas, first and third degree pastures in the watershed of Nour-rud had decreased trendy; secondary pastures and rocky and residential lands have also been on the rise. The total area of rangelands had decreased from 116206 hectares in 1988 to 106336 hectares in 2018. Also Markov's prediction model by accuracy of more than 85% showed that the trend of land use change during 2018-2048 (30 years) will be the same as in previous periods. In whitch case, excellent range condition class will have decreasing trend and the uses of rocky and residential areas will also have an increasing trend until 2048. A large part of the rangeland lands (mainly good and fair) in the lower part of Nour-rud watershed especially from 1998 to 2018, has been turned into bare and uncovered lands and continuing this process will increase soil erosion. also, this part of the arena will be turned into a dust center so it is necessary to revive the field after the extraction of minerals. The modeling of land cover changes indicates that if the current trend continue we will see a decrease in the 1479 hectare area of the forests and 12470 hectares of pastures in the next 30 years. The most changes in the from 2048 compared to 2018 are related to the increase in the area of bare and stony soils. The trend of such changes is not only lead to the reduction of livestock pasture production and reducing their economic potential it will also have devastating effects on the region such as soil erosion, water shortage, reduced production of medicinal plants, etc. Therefore, we should try to improve and rehabilitate forests and the implementation of management programs prevent the reduction of the quantitative and qualitative level of these resources. However, land cover change forecasting may differ from what will happen in the future but it could be a warning to change coverage in the future.
Conclusion: One important aspect of this research is the use of the Markov model in predicting change preparation of a prediction map of changes in the range of ecosystem ecosystems. Thus, having a map of the pixels of each land cover can be helped in future planning. Simulated maps in this review can be a good guide for managers and planners in the natural resources department. In order to achieve better results and help in the management of rangeland management in the future it is recommended to use the integrated model of Markov chain (Ca_Markov) to predict and model changes in the rangeland cover of the country and while overseeing the management of land cover changes in watersheds, assess the effectiveness of rangeland and forestry projects in changing rangeland and forest land cover.
Keywords: Land cover, NDVI, Landuse, CA_Markov model, Nour-rud river basin
