بررسی و پیش بینی تغییرات پوشش جنگل ها با استفاده از طبقه بندی شیءگرا فازی تصاویر ماهواره ای و زنجیره مارکوف مطالعه موردی : شهرستان رومشکان
الموضوعات :رحمان زندی 1 , هژار شهابی 2 , ابراهیم اکبری 3
1 - عضو هیات علمی دانشگاه حکیم سبزواری
2 - دانشگاه تبریز
3 - دانشگاه فردوسی
الکلمات المفتاحية: پوشش جنگلی, رومشکان, لندست, طبقه بندی شیءپایه تصاویر, CA مارکوف,
ملخص المقالة :
جنگل‌ها میراث گران بهایی و یکی از عوامل مهم در اکوسیستم یک منطقه هستند که علاوه بر استفاده و بهره برداری از آن‌ها، در حفاظت و صیانت از آن ها نیز باید اقدامات اساسی صورت گیرد. جنگلهای زاگرس، به‌ویژه استان لرستان طی سالیان، در اثر بی‌توجهی روبه زوال نهاده و چهره متفاوتی به خود گرفته‌اند. هدف این تحقیق بررسی، آشکارسازی و مدل سازی آینده تغییرات پوشش جنگلهای شهرستان رومشکان می‌باشد. ابتدا تغییر کاربری‌های صورت گرفته بین سال‌های 1987 و2017 با استفاده از تصاویر لندست و فن طبقه‌بندی فازی شیءپایه استخراج شد، و به کلاس های(کشاورزی، جنگل، مرتع، عوارض آبی، مسکونی) طبقه بندی شدن. نتایج حاصل در طول سی سال کاهش شدید(17/81 کیلومترمربع) مناطق جنگلی و افزایش اراضی کشاورزی و مرتع در مناطق جنگلی را نشان می دهد. در بازه 1987-2002 جنگل ها دچار تغییرات خاصی نشده و عمده تغییرات شامل گسترش طبقه کشاورزی در مراتع بوده است. در بازه دوم از سال 2002 به بعد پوشش جنگل ها دچار کاهش شدید شده و مساحت آن از 58/122 به 42/43 کیلومترمربع در سال 2017 رسید که 16/79 کیلومترمربع کاهش را نشان می دهد. در ادامه برای پیشی بینی روند تغییرات از زنجیره مارکوف استفاد شد که با توجه به نتایج پیش بینی زنجیره مارکوف در سال 2030، در نواحی جنگلی تغییراتی معادل 10.70 درصد اتفاق خواهد افتاد؛ به عبارت دیگر از میزان نواحی جنگلی کاسته خواهد شد و عمده تغییرات مربوط تغییر کاربری از جنگل به کلاس های کشاورزی و مرتع به ترتیب با 901/6 و 172/9 کیلومتر مربع خواهد بود.
1- اسلامي ، ف، قرباني ، ع، سبحاني ، ب و پناهنده ، م. مقایسه شبکه عصبی مصنوعی، دستگاه بردار پشتیبان و روشهای مبتنی بر شیء در تهیه نقشه های استفاده از زمین / پوشش با استفاده از تصاویر منظره 8. مجله RS و GIS برای منابع طبیعی.(2015). 6 (3) ، 1-14
2- حیدریان ، پ. ، رنگزن ، ک. ، ملکی ، س. و تقی زاده ، ا. تشخیص تغییر کاربری اراضی با استفاده از مقایسه طبقه بندی تصاویر ماهواره ای لندست (مطالعه موردی: سرزمین تهران). مجله RS و GIS برای منابع طبیعی . (1393). 4 (4) ، 1-10.
3- رستم زاده ، ح. ، دارابی ، س. و شهابی ، ح. تغییر طبقه بندی جنگلهای بلوط با استفاده از طبقه بندی شیء مبتنی بر تصاویر چندمنظوره لندست (مطالعه موردی: جنگلهای شمال استان ایلام). مجله RS و GIS برای منابع طبیعی. (1395). 8 (2) ، 92-110.
4- ضیائیان ، ف. ص. ، شکیبا ، ع. ، ماتاکان ، ع. و صادقی ، ع. سنجش از دور (rs) ، سیستم اطلاعات جغرافیایی (gis) و مدل اتوماسیون سلولی (ca) به عنوان ابزاری برای شبیه سازی تغییر کاربری اراضی شهری- مطالعه موردی شهرکرد. علوم محیط زیست. (1387) .7 (3) ، 133-148.
5- فیضی زاده ، ب و هلالی ، ح. مقایسه روشهای مبتنی بر پیکسل ، شی گرا و پارامترهای مؤثر در طبقه بندی پوشش سطح زمین / استفاده از اراضی استان آذربایجان غربی. فصلنامه تحقیقات جغرافیای فیزیکی. (1389).42 (71) ، 73-84.
6- کاظمی ، م. ، مهدوی ، ی. ، نوهه¬گر ، ا. و رضایی ، ص. تغییر در کاربری و پوشش اراضی با استفاده از تکنیک های سنجش از دور و GIS (مطالعه موردی: آبخیز بستانک شیراز). کاربرد سنجش از دور و GIS در علوم منابع طبیعی. (1390). سال دوم ، 1،101.
7- میرزایی زاده ، و ، نیك نژاد ، م. و اولادی كادیكلائی ، ج. ارزیابی الگوریتم های طبقه بندی نظارت غیر پارامتری در نقشه پوشش زمین با استفاده از تصاویر Landsat-8. مجله RS و GIS برای منابع طبیعی. (1393). 6 (3) ، 29-44.
8- نیازی ، ی. مقایسه دو روش طبقه بندی حداکثر احتمال و شبکه عصبی مصنوعی برای تهیه نقشه های کاربری اراضی مطالعه موردی: منطقه سد ایلام. جغرافیا و توسعه مجله ایرانی. (1388). 8 (20) ، 119-132.
9- 111Lillesand, T., Kiefer, R,W. and Chipman, J. (2001). Remote sensing and image interpretation,6th Edition, Wiley Publication, Washington.
10- Blaschke, T. (2010). Object-based image analysis for remote sensing. ISPRS Journal of photogrammetry and remote sensing. 65(1), 2-16. 30
11- Blaschke, T., Lang, S., Lorup, E., Strobl, J. and Zeil, P. (2000). Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications. In A. Cremers, & K. Greve (Eds.), Environmental information for planning, politics and the public, 2, 555–570.
12- Chavez, P. S. (1988). An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote sensing of environment, 24(3), 459-479.
13- Chen, M., Su, W., Li, L., Zhang, C., Yue, A. and Li, H. (2009). Comparison of pixel-based and object-oriented knowledge-based classification methods using SPOT5 imagery. WSEAS Transactions on Information Science and Applications, 6(3), 477-489.
14- Costanza, R. and Ruth, M. (1998). Using dynamic modeling to scope environmental problems and build consensus. Environmental Management, 22(2):183 195.
15- Eastman J.R. 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester, 284.
16- Fan, F., Wang, Y. and Wang, Z. (2008). Temporal and spatial change, detecting (1998–2003) and predicting of land use and land cover in Core corridor of Pearl. 127-147.
17- Feizizadeh, B. and Blaschke, T. (2012). Thermal remote sensing for land surface temperature monitoring: Maraqeh County, Iran. In Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International, 2217-222.
18- Gao,Y., Mas, J.F. and Navarrete, A. (2009). The improvement of an object-oriented classification using multi-temporal MODIS EVI satellite data, International Journal of Digital Earth, Volume 2, Issue 3 September 2009, 219 - 236.
19- Gilmore, M. S., Wilson, E. H., Barrett, N., Civco, D. L., Prisloe, S. and Hurd, J. D .(2008). Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh. Remote Sensing of Environment, 112, 4048-4060.
20- Miranda-Aragón, L., Treviño-Garza, E. J., Jiménez-Pérez, J., Aguirre-Calderón, O. A., González Tagle, M. A., Pompa-García, M. and Aguirre-Salado, C. A. (2012). Modeling susceptibility to deforestation of remaining ecosystems in North Central Mexico with logistic regression. Journal of Forestry Research, 23(3), 345-354.
21- Ranjbar, H. and Honarmand, M. (2004). Integration and analysis of airborne geophysical and ETM+ data for exploration of porphyry type deposits in the Central Iranian Volcanic Belt using fuzzy classification. International Journal of Remote Sensing, 25(21), 4729-4741.
22- Sang L, Zhang C, Yang J, Zhu D. And Yun W. (2011). Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, 54(3), 938 943.
23- Verburg PH, Soepboer W, Veldkamp A, Limpiada R, Espaldon V. and Mastura SS. (2002). Modeling the spatial dynamics of regional land use: the CLUE-S model. Environmental Management, 30(3), 391-405.
24- Wijanarto AB. (2006). Application of Markov Change Detection Technique for Detecting Landsat ETM Derived Land Cover Change Over Banten Bay. Journal of Ilmiah Geomatika, 12(1), 11-21.
25- Yan, G (2003). Pixel based and object oriented image analysis for coal fire research. Enschede, Holanda, 1-93.
