Investigation and prediction on Forests Covers Changes Using Fuzzy Object-Based Satellite Image Classification and CA-Markov (case study: City of Romeshkan)
Subject Areas :رحمان زندی 1 , Hajar Shehabi 2 , Ebrahim Akbari 3
1 - عضو هیات علمی دانشگاه حکیم سبزواری
2 -
3 - Ferdosi University
Keywords: Forest cover, Romeshkan, Landsat, Object-Based image classification CA-Markov,
Abstract :
Forest is a valuable heritage and one of important factors in the ecosystem of an area. In addition to using and exploiting them, measures must be taken to preserve them. Zagros’ forests, especially Lorestan province’s forest due to negligence have been destroyed throughout past decades. The aim of this research is to examine, detect and predict Romeshkan’s forests cover changes. changes that were taken place between 1987-2017 were extracted by satellite Images (Landsat) and using Object-Based image analysis (OBIA) method, then, were classified in 5 classes (Farmlands, Forest, Range, water and Residential). Finally, classification results show that there is a sharp decrease of forested areas (81.17 km2) and an increase of Range and Farmlands over past 30 years in the study area, also most of the forested areas were occupied by farmlands during 30 years. In the first period (1987-2002) forest cover of the study area had not faced a major change, but most of the rangelands turned to farmlands. While in the second period (2002-2017) forest cover dramatically dipped and its area decreased from 122.58 in 2002 km2 to 43.42 km2 in 2017, which the rate of forest covers decrement was around 79.16 km2. Moreover, in order to predict forest cover changes in the future (2030) CA-Markov model was applied to data that indicates 10.70% of current forest covers will be reduced in 2030, and the main Landuse/Landover change will be occurred between forest to farmlands and forest to range lands by 6.901 and 9.172 km2, respectively.
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.
