| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شماره‌ها | 2,812 |
| تعداد مقالات | 31,930 |
| تعداد مشاهده مقاله | 40,554,932 |
| تعداد دریافت فایل اصل مقاله | 17,896,239 |
ارزیابی و پیش بینی تغییرات پوشش/کاربری اراضی با استفاده از مدل سلول خودکار -شبکه عصبی مصنوعی (CA-ANN) در دشت داراب استان فارس | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 شهریور 1403 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2024.366754.1592 | ||
| نویسندگان | ||
| فاطمه عابدی1؛ عطااله کاویان* 2؛ لیلا غلامی3؛ وحید موسوی4 | ||
| 1گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران | ||
| 2استاد گروه آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری | ||
| 3گروه مهندسی آبخیزداری، دانشکدۀ منابع طبیعی ساری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران | ||
| 4استادیار گروه علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس. تهران، ایران. | ||
| چکیده | ||
| مقدمه و هدف مطالعات نحوه‌ی کاربری و نوع پوشش اراضی، نقش مهمی در برنامهریزی به‌منظور مدیریت و حفاظت منابع ایفا میکند و زمینه‌ی ارتقاء نگرش اصولی به ساختارهای زیست‌محیطی را فراهم می‌آورد. توسعه شهری و کشاورزی تأثیر زیادی بر کاربری و پوشش زمین دارد. به همین دلیل، در سالهای اخیر بیش از نیمی از سطح زمین دست‌خوش تغییراتی شده و بیش از یک‌سوم مساحت زمین به اراضی کشاورزی اختصاص یافته است. مدیران و کارشناسان کاربری اراضی با توجه به این تغییرات عمده، تأثیر تغییر کاربری زمین بر فرایندهای هیدرولوژیکی را مورد بررسی قرار داده‌‌اند. تکنیک‌های یادگیری ماشین، مانند شبکه عصبی مصنوعی (ANN) ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، درخت تصمیم (DT) و سایر مدل‌ها، توجه زیادی را برای طبقهبندی پوشش/کاربری اراضی LULC به خود جلب کرده‌اند. برنامه‌‌ریزان و مدیران میتوانند از تغییرات پیش‌بینی شده LULC برای ارتقای مدیریت پایدار زمین و کاهش پیامدهای نامطلوب استفاده کنند. در نتیجه، تشخیص و پیش‌بینی تغییرات کاربری زمین (LULC) که ناشی از شهرنشینی سریع است، میتواند به اختلال در پایداری محیط زیست منجر شود. رشد جمعیت، توسعه اقتصادی و گسترش کشاورزی، عواملی هستند که باعث تغییرات مختلف در پوشش‌های زمین، از جمله پوشش گیاهی و آب می‌شوند. این تغییرات مداوم در کاربری اراضی میتواند به تخریب محیط زیست منتهی شود. شدت این تغییرات در پاسخ به رشد جمعیت جهان و افزایش نیاز به غذا، ضرورت انجام مطالعات دقیق درباره این تغییرات را بیش از پیش نمایان میکند. هدف این مطالعه مشاهده تغییرات کاربری اراضی در سالهای 2000، 2014 و 2024 در منطقه داراب است. این پژوهش هم‌چنین روی شناسایی نیروی محرکه برای تغییراتLULC متمرکز بود. مدل سلول خودکار - شبکه عصبی مصنوعی (CA-ANN) نیز به‌منظور تجزیه‌وتحلیل الگوها و روندهای پیش‌بینی شده کاربری زمین از سال 2034 تا 2044 استفاده شد. مواد و روش‌‌ها طبقهبندی کاربری زمین تصاویر ماهواره‌ای با پیاده‌سازی تکنیک طبقهبندی مبتنی بر پیکسل و نظارت در محیط Google Earth Engine انجام شد. طبقهبندی کاربری زمین از طریق الگوریتم ماشین بردار پشتیبان SVM انجام شد. پس از تجزیه‌وتحلیل منطقه موردمطالعه، پنج کلاس کاربری مختلف شامل مراتع، اراضی بایر، باغ، کشاورزی و شهری بود. برای ارزیابی تغییرات کاربری زمین مکانی و زمانی، مدل‌سازی پتانسیل انتقال و پیش‌بینی سناریوهای آینده سازگار است. شبکه عصبی مصنوعی (ANN) در ارتباط با سلول خودکار (CA) برای پیش‌بینی تغییرات کاربری زمین استفاده شد. پلاگین MOLUSCE در QGIS برای ایجاد تغییرات مکانی - زمانی با یک دوره زمانی 2034 تا 2044 و محاسبه انتقال LULC برای ایجاد نقشه تغییر LULC اجرا شد. هم‌چنین یک ماتریس پتانسیل انتقال بین سالهای 2000-2014 برای ایجاد نقشه تغییر ایجاد شد. روش نورون ادراکی چندلایه (ANN-MLP)-ANN برای مدل‌سازی پتانسیل انتقال استفاده شد. شیب، جهت، ارتفاع و فاصله از جاده، گسل و رودخانه پارامترهای مکانی بودند که به‌عنوان پارامترهای ورودی اجرا شدند. ساختار ANN-MLP ، جایی که لایه ورودی توسط لایه‌‌های پنهان پردازش میشود و لایه خروجی حاوی کلاس‌‌های LULC مجدد طبقه‌بندی‌شده را تولید میکند. نتایج و بحث نقشههای تغییرات کاربری زمین (LULC) که از سال 2000 تا 2024 تهیه شده‌اند که نشان‌دهنده افزایش چشمگیر وسعت اراضی کشاورزی در منطقه هستند. بوم‌سازگان طبیعی این دشت به دلیل روند رو به رشد تغییرات و تبادلات کاربری اراضی، با چالش‌های جدی مواجه است. این تغییرات ناشی از بهره‌برداری‌های غیراصولی و غیرمنطقی از منابع در نتیجه‌ی فعالیت‌های انسانی مانند شهرنشینی، کشاورزی نامناسب، حفر چاه‌ها و استفاده بی‌رویه از منابع آب زیرزمینی برای کشت باغات است. این عوامل میتوانند به فرسایش و بیابان زایی در این منطقه منجر شوند و تهدیدی جدی برای محیط زیست به حساب می‌آیند. با توجه به تغییر کاربری زمین‌‌های کشاورزی، با گسترش زیادی همراه با تغییرات قابل‌توجهی در زمین‌‌های بایر مواجه است. هم‌چنین از تکنیک شبکه عصبی مصنوعی-سلول خودکار (CA-ANN) به‌منظور پیش‌بینی تغییرات LULC برای دوره 2034-2044 استفاده شد. درصد صحت شبیه‌‌سازی 43/82 درصد و مقدار کاپا کلی 72/0 برآورد گردید. نقشههای پیش‌بینی از 2034-2044 رشد مداوم در الگوی کاربری اراضی کشاورزی را نشان داد، در این مورد درصد تغییرات مساحت از سال 2034 با 65/455 کیلومترمربع (52/18٪) به 81/708 کیلومترمربع (81/28٪) در سال 2044 افزایش یافت. با توجه به نتایج مشاهده‌شده، عوامل فیزیکی و اجتماعی - اقتصادی تأثیر قابل‌توجهی بر الگوهای منظر در طول دوره مطالعه داشتند. متغیرهای جغرافیایی موجود در کالیبراسیون مدل به دلیل ارتباط معنی‌دار آن‌ها با LULC انتخاب شدند. تصور میشود که متغیرهای فیزیکی، مانند جغرافیا و آب‌وهوا، مهم‌ترین عامل در ترویج فعالیت‌های انسانی هستند. عوامل اجتماعی-اقتصادی، مانند جمعیت و تولید ناخالص داخلی، ممکن است بر تغییر LULC تأثیر بگذارند نتیجه‌‌گیری و پیشنهادها تغییر الگوهای LULC میتواند بر کیفیت آب زیرزمینی تأثیر منفی بگذارد و هم‌چنین امنیت غذایی را به خطر بیندازد. برای طبقهبندی LULC، ماشین بردار پشتیبان(SVM) نمایش‌های دقیقی از تغییرات پوشش زمین و روندهای مرتبط ارائه کرد. در پایان باتوجه‌به نتایج و یافته‌‌های به‌دست‌آمده از تحقیق حاضر قابل‌ذکر است که هرگونه تغییری در کاربری اراضی می‌‌بایست بر پایة اصول علمی، با برنامه و باتوجه‌به توجیهات منطقی صورت گیرد؛ به‌‌طوری‌که ضرورت استفاده از روش‌های به‌‌روز و کارآمد همچون تکنیک سنجش‌‌ازدور و سامانه‌‌های اطلاعات جغرافیایی لازم و ضروری است؛ بنابراین امید است که نقشة پیش‌بینی آیندة وضعیت کاربری اراضی تهیه‌شده به‌عنوان راهنمایی جهت برنامهریزی آمایش سرزمین موردتوجه و استفادة برنامه‌‌ریزان، مسئولین و متصدیان مربوطه قرار گیرد تا بدین‌طریق، از بروز خسارات جبران‌ناپذیر محیطی (تخلیه منابع آب زیرزمینی، بیابان‌زایی، فرونشست زمین) در دشت داراب در آینده جلوگیری شود. باتوجه‌به افزایش نرخ مساحت تحت پوشش کاربری کشاورزی، روند کاهشی برای زمین‌‌های بایر در نقشههای شبیه‌سازی‌شده مشاهده شد. عامل محرک تغییر کاربری اراضی در داراب به نرخ سریع افزایش جمعیت و افزایش تقاضا و تبدیل دیگر کاربری‌‌ها به کشاورزی، باغ و مناطق مسکونی، بستگی دارد. | ||
| کلیدواژه‌ها | ||
| پلاگین MOLUSCE؛ گوگل ارث انجین؛ ماشین بردار پشتیبانی (SVM)؛ مدل ANN-MLP؛ QGIS | ||
| عنوان مقاله [English] | ||
| Evaluation and prediction of land cover/use changes using automatic cell-artificial neural network (CA-ANN) model in Darab plain of Fars province | ||
| نویسندگان [English] | ||
| fatemeh abedi1؛ ataollah kavian2؛ Leila Gholami3؛ Vahid Moosavi4 | ||
| 1Department of Watershed Engineering, Faculty of Natural Resources, Sari University of Agricultural Sciences and Natural Resources, Sari, Iran | ||
| 2: Professor, Department of Watershed Management, Sari Agricultural Sciences and Natural Resources University | ||
| 3Department of Watershed Management Engineering, Collage of Natural Resources, Sari of Agricultural Sciences and Natural Resources, Sari, Iran | ||
| 4Assistant Professor, Department of Watershed Management Engineering,, Faculty of Natural Resources, Tarbiat Modares University (TMU),, Iran | ||
| چکیده [English] | ||
| Introduction and purpose Studies of land use and land cover plays an important role in planning for resource management and protection and provides the basis for improving the fundamental attitude to environmental structures. Urban and agricultural development has a great impact on land use and land cover. For this reason, in recent years, more than half of the earth's surface has undergone changes, and more than one-third of the earth's area has been devoted to agricultural lands. As a result of these major changes, land use managers and experts have investigated the impact of land use change on hydrological processes. Machine learning techniques, such as artificial neural network (ANN), support vector machine (SVM), random forest (RF), decision tree (DT) and other models, have attracted much attention for land cover/use (LULC) classification. Planners and managers can use predicted LULC changes to promote sustainable land management and reduce adverse impacts. As a result, the detection and prediction of land use changes (LULC) caused by rapid urbanization can lead to disruption of environmental sustainability. Population growth, economic development, and agricultural expansion are factors that cause various changes in land covers, including vegetation and water. These continuous changes in land use can lead to environmental degradation. The intensity of these changes in response to the growth of the world's population and the increase in the need for food shows the necessity of conducting detailed studies about these changes. The purpose of this study is to observe land use changes in 2000, 2014 and 2024 in Darab region. This research also focused on identifying the driving force for LULC changes. The cell-automated-artificial neural network (CA-ANN) model was also conducted to analyze the predicted patterns and trends of land use from 2034 to 2044. Materials and methods Land use classification of satellite images was done by implementing pixel-based classification technique and monitoring in Google Earth Engine environment. Land use classification was done through SVM support vector machine algorithm. After the analysis of the studied area, there were five different land use classes including pastures, barren lands, gardens, agriculture and urban areas. It is suitable for assessing spatial and temporal land use changes, modeling transfer potential and predicting future scenarios. Artificial Neural Network (ANN) in conjunction with Cell Automatization (CA) was used to predict land use changes. The MOLUSCE plugin was implemented in QGIS to generate spatio-temporal changes with a time period of 2034 to 2044 and calculate LULC transitions to create a LULC change map. Also, a transition potential matrix between 2000-2014 was created to create a change map. The multi-layer perceptual neuron (ANN-MLP)-ANN method was used to model the transmission potential. Slope, direction, height and distance from the road, fault and river were the spatial parameters that were implemented as input parameters. ANN-MLP architecture, where the input layer is processed by hidden layers and the output layer contains the reclassified LULC classes. Results and discussion Land use change (LULC) maps prepared from 2000 to 2024 show a significant increase in the area of agricultural land in the region. The natural ecosystems of this plain are facing serious challenges due to the growing trend of land use changes and exchanges. These changes are caused by unprincipled and irrational exploitation of resources as a result of human activities such as urbanization, improper agriculture, digging wells and excessive use of underground water resources for cultivating gardens. These factors can lead to erosion and desertification in this region and are considered a serious threat to the environment. Due to the change in the use of agricultural land, it is faced with a large expansion along with significant changes in barren land. Also, the artificial neural network-automated cell (CA-ANN) technique was used to predict LULC changes for the period 2044-2034. The simulation accuracy percentage was 82.43% and the overall kappa value was estimated at 0.72. The forecast maps from 2034-2044 showed continuous growth in the agricultural land use pattern. In this case, the percentage of area changes increased from 2034 with 455.65 square kilometers (18.52%) to 708.81 square kilometers (28.81%) in 2044. According to the observed results, physical and socio-economic factors had a significant effect on landscape patterns during the study period. The geographic variables included in the model calibration were selected because of their significant relationship with LULC. Physical variables, such as geography and climate, are thought to be the most important factors in promoting human activities. Socio-economic factors, such as population and GDP, may influence LULC change. Conclusion and suggestions Changing LULC patterns can negatively affect groundwater quality and also endanger food security. For LULC classification, Support Vector Machine (SVM) provided detailed representations of land cover changes and related trends. In the end, according to the results and findings obtained from the present research, it should be mentioned that any change in land use should be based on scientific principles, with a plan and according to logical justifications; So that it is necessary to use up-to-date and efficient methods such as remote sensing techniques and geographic information systems; Therefore, it is hoped that the future prediction map of the land use situation prepared as a guide for land use planning will be considered and used by the relevant planners, officials and operators, so as to avoid irreparable environmental damage (Employment of underground water sources, desertification, land subsidence). Darab plain should be prevented in the future. Due to the increase in the rate of the area covered by agricultural use, a decreasing trend was observed for barren lands in the simulated maps. The driving factor of land use change in Darab depends on the rapid rate of population growth and increase in demand and conversion of other uses to agriculture, gardens and residential areas. | ||
| کلیدواژه‌ها [English] | ||
| MOLUSCE plugin, Google Earth Engine, Support Vector Machine (SVM), ANN-MLP model, QGIS | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 45 |
||