Detection and prediction of forest level changes in Guilan province using satellite images and geomod model

abdollahi, sahar; Nasiri, Vahid

doi:10.29252/.5.7.141

Manuscript ID : 13990415238125 Visit : 6710 Page: 141 - 151

10.29252/.5.7.141

20.1001.1.26763060.1399.5.7.12.0

Article Type: Original Research

Detection and prediction of forest level changes in Guilan province using satellite images and geomod model

Subject Areas : Forests and natural resources

sahar abdollahi ¹ , Vahid Nasiri ²

1 - Tarbiat Modares University
2 - University of Tehran

Received: 2021-03-15 Accepted : 2020-05-31 Published : 2020-07-08

Keywords: Change the forest level, Geomod model, Modeling and predicting changes, Satellite images,

Abstract :

Following the rapid economic and social development in recent decades, human activity to use natural resources has been reflected in the form of infrastructure and agricultural activities. This has severely affected forests as an important ecosystem which are considered potential environmental resources for future evolution. The purpose of this study is to detect changes of Guilan province forest levels during a period of 20 years (1996-2016), also modeling and predict these changes for the next 15 years using the geomod model. Landsat TM and OLI sensor images were used to prepare land use maps for 1996, 2006, and 2016 periods. Satellite images were classified into forest and non-forest classes using the maximum likelihood method and multiple educational samples. The geomod model was simulated based on the changes made in the period 1996-2006, changes in forest cover using the variables of height, slope, direction, distance from residential, distance from a road, distance from forest, with implementation for 2016. The predicted validation results of the forest cover map in 2016 is indicator the overall accuracy and value of the kappa index equal to 94.19% and 0.9159, respectively. Based on the results of detecting changes during the study period (1996-2016), 1054.97 hectares of forest area in Guilan province has been reduced and with the continuation of this trend and stable conditions in the next 15 years until 2031, another 871 hectares will be reduced from its level. Given the importance role of Hyrcanian forests, it is necessary to conduct multi-time studies to monitor and detect changes. Obviously, the information from such studies can be used in managerial and strategic planning.

References:

1. احسانی، امیر هوشنگ؛ شاکر یاری، مجتبی (1397). تعیین روش بهینه طبقه‌بندی و نقشه سازی کاربری/ پوشش اراضی با مقایسه الگوریتم‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان با استفاده از داده‌های ماهواره‌ای (مطالعه موردی: تالاب بین‌المللی هامون). علوم و تکنولوژی محیط‌زیست، 20(4)، 193-208.
2. حسنی مهر، سیده صدیقه (1392). بازشناسی استفاده از پتانسیل جنگل‌های گیلان با نگرش توسعه، پژوهش‌های جغرافیای انسانی، 45(1)، 185-198.
3. حسین زاده، محمدمهدی؛ اسماعیلی، رضا؛ کاظمی، راحله (1390). بررسی تغییرات کاربری اراضی نوار ساحلی در ده سال اخیر (مطالعه موردی : نوار ساحلی شهر محمودآباد). نخستین همایش ملی آرمان‌شهر ایرانی. نور، دانشگاه آزاد اسلامی واحد نور.
4. عبداللهی، سحر؛ داداش پور، هاشم (1398). تحلیل و پیش‌بینی تغییر کاربری زمین در نواحی ساحلی استان گیلان، فصلنامه علوم محیطی، 17(2)، 121-136.
5. کیانی، واحد؛ نظری سامانی، علی‌اکبر؛ علیزاده شعبانی، افشین (1393). ارزیابی صحت طبقه‌بندی تصویر ماهواره IRS-P6 با استفاده از پایگاه اطلاعاتی Google Earth به‌منظور تهیه نقشه پوشش/ کاربری اراضی مطالعه موردی: حوزه آبخیز طالقان، فصلنامه علمی- پژوهشی اطلاعات جغرافیایی (سپهر)، 23(90)، 51-60.
6. میرآخور لو، خسرو؛ اخوان، رضا (1395). ارزیابی تغییرات سطح جنگل‌های هیرکانی از سال 1383 تا 1395، طبیعت ایران، 2(3)، 40-45.
7. میرزایی زاده، وحید؛ مهدوی، علی؛ کرمشاهی، عبدالعلی؛ جعفر زاده، علی‌اکبر (1395). بررسی الگوی مکانی تغییرات پوشش جنگلی با استفاده از رگرسیون لجستیک در شهرستان ملک شاهی، نشریه پژوهش‌های علوم و فناوری چوب و جنگل، 23(3)، 45-68.
8. میرزایی زاده، وحید؛ نیک نژاد، مریم؛ اولادی قادیکلایی، جعفر (1394). ارزیابی الگوریتم‌های طبقه‌بندی نظارت‌شده غیر پارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3)، 29-44.
9. نصیری، وحید؛ درویش‌صفت، علی‌اصغر؛ شیروانی، انوشیروان؛ عواطفی همت، محمد (1398). آشکارسازی و مدل‌سازی تغییرات گستره جنگل‌های ارسباران با استفاده از مدل‌های رگرسیون لجستیک- زنجیره مارکوف و مدل ژئومد. فصلنامه علمی – پژوهشی فضای جغرافیایی، 19(65)، 171-189.
10. وفایی، ساسان؛ درویش‌صفت، علی‌اصغر؛ پیر باوقار، مهتاب (1392). پایش و پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل LCM، مطالعه موردی: منطقه مریوان. مجله جنگل ایران.5(3)، 323-336.
11. Echeveria, C., Coomesc, D.A., Halld, M. & Newtone, C. (2008). Spatially explicit models to analyze forest loss and fragmentation between 1976 and 2020 in southern Chile. Ecological Modelling, 212 (3), 439–449.
12. FAO(2018). The State of the World’s Forests 2018 - Forest pathways to sustainable development. Rome. Licence: CC BY-NC-SA 3.0 IGO. http://www.fao.org/biodiversity/components/forests/en/
13. Geist, H. J., & Lambin, E. F. (2002). Proximate causes and underlying driving forces of tropical deforestation: Tropical forests are disappearing as the result of many pressures, both local and regional, acting in various combinations in different geographical locations. BioScience. 52(2), 143-150.
14. Giriraj, A., Irfan-Ullah, M., Murthy, M. S. R., & Beierkuhnlein, C. (2008). Modelling spatial and temporal forest cover change patterns (1973-2020): A case study from South Western Ghats (India). Sensors. 8(10), 6132-6153.
15. Han, H., Yang, C., & Song, J. (2015). Scenario simulation and the prediction of land use and land cover change in Beijing, China. Sustainability, 7(4), 4260-4279.
16. Kumar, R., Nandy, S., Agarwal, R., & Kushwaha, S. P. S. (2014). Forest cover dynamics analysis and prediction modeling using logistic regression model. Ecological Indicators,45, 444-455.
17. Mishra, V. N., Rai, P. K., & Mohan, K. (2014). Prediction of land use changes based on land change modeler (LCM) using remote sensing: a case study of Muzaffarpur (Bihar), India. Journal of the Geographical Institute" Jovan Cvijic", SASA, 64(1), 111-127.
18. Nasiri, V., Darvishdefat A.A., Rafee, R., Shrivani, A., Avatefi. (2017). M, Land use change modeling through an integrated Multi-Layer Perceptron Neural Network and Markov Chain analysis, Journal of Forestry Research Springer, 1-15.
19. Newman, M. E., McLaren, K. P., & Wilson, B. S. (2018). Using the forest-transition model and a proximate cause of deforestation to explain long-term forest cover trends in a Caribbean forest. Land Use Policy, 71, 395-408.
20. Pontius, R.G. and Malanson, J. (2005). Comparison of the structure and accuracy of two land change models. Geographical Information Science, 19, 243-265.
21. Pontius, R.G Jr. (2002). Quantification error versus location error in comparison of categorical maps. Photogramm Eng Remote Sens, 66, 1011-1016
22. Schneider, L. C., and Pontius Jr, R. G. (2001). Modeling land-use change in the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems & Environment, 85, 83-94.
23. Slee, B. (2007). Landscape goods and services related to forestry land use. In Multifunctional Land Use. Springer, Berlin, Heidelberg, 65-82.

Full-Text:

بررسی و پیش‌بینی تغییرات سطح جنگل‌های استان گیلان با استفاده از تصاویر ماهواره‌ای و مدل ژئومد

چکیده

در پی‌ توسعه سریع اقتصادی و اجتماعی در دهههای گذشته، فعالیت انسان‌ها در جهت بهرهوری از منابع طبیعی به صورت گسترش فعالیتهای زیربنایی و کشاورزی نمود پیدا کرده است. همین امر موجب گردیده که جنگلها به عنوان یک اکوسیستم مهم که از منابع بالقوه محیط زیستی برای تکامل آینده محسوب می‌شوند، به شدت تحت تاثیر قرار بگیرند. هدف از پژوهش حاضر، آشکارسازی تغییرات سطح جنگل‌های استان گیلان در طول یک دوره 20 ساله (1395-1375) و مدل‌سازی و پیشبینی این تغییرات برای 15 سال آینده با استفاده از مدل ژئومد است. برای تهیه نقشههای کاربری اراضی از تصاویر سنجندههایTM و OLI لندست برای مقاطع زمانی 1375، 1385 و 1395 استفاده شد. تصاویر ماهواره‌ای با بکارگیری از روش حداکثر احتمال و نمونههای تعلیمی متعدد در دو کلاسه جنگل و غیر جنگل طبقهبندی شدند. بر اساس تغییرات صورت گرفته در دوره 1375-1385، تغییرات پوشش جنگل برای سال 1395 با استفاده از متغیرهای ارتفاع، شیب، جهت، فاصله از مسکونی، فاصله از جاده، فاصله از خط ساحلی، فاصله از جنگل و فاصله از مسکونی با اجرای مدل ژئومد، شبیهسازی شد. براساس نتایج آشکارسازی تغییرات در طول مدت مطالعه (1395-1375)، 97/1054 هکتار از سطح جنگلهای استان گیلان کاسته شده است و با ادامه این روند و ثابت بودن شرایط در 15 سال آینده تا سال 1420، 871 هکتار دیگر از سطح آن کاسته خواهد شد. بر این اساس، لزوم تدوین برنامههای مدیریتی بر اساس اصول توسعه پایدار و توجه به شاخصهای محیط زیستی به منظور کنترل و جهتدهی تغییرات کاربری اراضی احساس می شود.

واژه های کلیدی:تصاویر ماهواره ای- تغییر سطح جنگل- مدل ژئومد- مدل سازی و پیش بینی تغییرات

مقدمه

جنگل‌ها‌‌‌ ‌مهم‌ترین مخازن تنوعزیستی زمین و از منابع مهم و حیاتی هرکشوری محسوب می‌شوند که زندگی 4/2 میلیارد نفر از انسان‌ها چه به صورت مستقیم و غیرمستقیم برای تولید درآمدهای نقدی و غیر نقدی به آن بستگی دارد، به طوری‌که طیف وسیعی از منافع اجتماعی، اقتصادی، فرهنگی، محیطی و معنوی را برای جوامع محلی فراهم می‌کند (فائو¹، 2018). جنگل‌ها محدوده وسیعی از کالاها و کارکردهای اکولوژیکی هم‌چون متعادل کردن چرخه کربن تا تنظیم چرخه آبی، تآمین مواد غذایی، تغییرات اقلیمی و بسیاری موارد شناخته شده و ناشناخته دیگر را ارائه می‌دهند (سلی²، 2007). در دهههای گذشته با افزایش جمعیت و نیاز به گسترش سطح زمینهای کشاورزی و سکونتگاهها، روند تخریب منابع طبیعی شدت گرفته است (کومار³ و همکاران، 2014) که منجر به تخریب سطوح وسیعی از جنگل‌ها و تغییرات شدید بیوفیزیکی آن شده است (گیریراج⁴ و همکاران، 2008). تغییرات عمده در قالب کاهش سطوح پوشش گیاهی، ریزدانگی و گسستگی جنگل، از دست دادن زیستگاه‌های حیات وحش، کاهش تنوع زیستی، فرسایش خاک، افزایش سیلاب و مخاطرات طبیعی و ... اتفاق افتاده است (گست و لمبین⁵، 2001; هن⁶ و همکاران، 2015). تغییرات رخ داده در جنگل‌ها به عنوان یک کاربری زمین می‌تواند ناشی از اثر متقابل عوامل طبیعی، اجتماعی و اقتصادی، فرهنگی و تکنولوژیکی باشد که اثرگذاری توام این عوامل در مقیاس مکان و زمان متفاوت است (نصیری و همکاران، 1396).

جنگل‌های شمال ایران که به طور عمده در دامنه های شمالی البرز قرار گرفته است به لحاظ قدمت پیدایش، ویژگی‌های محیط زیستی، تعداد گونههای درختی و درختچهای، علفی و جانوری، تنوع ژنتیکی و کاربردهای اکولوژیکی از ارزشمندترین جنگل‌های دنیا به حساب میآیند (میرآخرلو و اخوان، 1395 به نقل از رضایی، 1388). در سال‌های اخیر به رغم قابلیتهای ممتاز اکولوژیکی، طبیعی و جغرافیایی، توجه کمتری به این عرصهها شده است، عواملی مانند بهرهبرداری نادرست و بی رویه، رشد جمعیت، دامداری در جنگل، گسترش زیر ساختها، گسترش اراضی کشاورزی و به دست آوردن منابع انرژی و عدم مدیریت صحیح باعث شده تا در سال‌های اخیر شاهد مشکلات متعددی در زمینه تخریب جنگل‌ها، افزایش سیلاب و رسوب‌گذاری، آلودگی محیط زیستی و فرسایش خاک در این عرصهها باشیم (حسینی زاده و همکاران، 1390). به طوری‌که بر اساس آمار وسعت جنگل‌های شمال کشور از 34 میلیون هکتار در سال 1322 به رقم کنونی 85/1 میلیون هکتار رسیده است. با توجه به اهمیت و نقش جنگل در اقتصاد جهانی و ضروری بودن حفظ آن برای نسل‌های آتی، تغییر و تخریب در پوشش جنگل به یک نگرانی جهانی تبدیل شده است. بنابراین آشکارسازی و پیش بینی تغییرات جهت آگاهی از کمیت و کیفیت تغییرات احتمالی آینده در جهت چاره اندیشی برای رفع مشکلات موجود، تصمیم‌گیری و برنامهریزی بهتر برای حفاظت، احیا و توسعه این منابع ضروری است (میرزایی زاده و همکاران، 1394).

اهمیت بررسی و پیشبینی تغییرات کاربری اراضی و توسعه و ظهور سنجندهها و تصاویر ماهواره‌ای نوین و با قابلیت باعث شده تا در دهههای اخیر مدل‌های متعددی در زمینه مدل‌سازی و پیش‌بینی تغییرات کاربری و پوشش اراضی توسعه و مورد استفاده قرارگیرد. هر یک از این مدل‌ها با استفاده از روش‌ها و دادههای خاصی اجرا می‌شوند. فرض اصلی در این مطالعات این است که تغییرات صورت‌گرفته از گذشته تا به حال با همان شدت و تحت تاثیر همان متغیرها تا یک دوره کوتاه مدت در آینده ادامه خواهد داشت. در این مطالعات از متغیرهای توپوگرافی (شیب، جهت و ارتفاع)، فاصله از اراضی تخریب شده، فاصله از جنگل و مسکونی، نقشه پیوسته کاربریها استفاده شده است، همچنین به قابلیت استفاده از متغیرهای کیفی مانند نقشه طبقات خاک، قیمت اراضی، میزان بارندگی و ... و نقش اساسی آن‌ها در پیشبینی تغییرات نیز اشاره شده است. بدیهی است استفاده توام از تمامی متغیرهای ممکن می‌تواند نتایج مناسب و واقع بینانهتری را ارائه دهد.

هدف این مطالعه آشکارسازی تغییرات سطح جنگل‌های استان گیلان در طول دو دوره 10 ساله و همچنین بررسی قابلیت مدل ژئومد در مدل‌سازی و پیشبینی تغییرات پوشش جنگلی است. فرضیه اصلی این مطالعه این است که مدل ژئومد با استفاده از متغیرهای در دسترس و محدود قابلیت مناسبی در مدل‌سازی و پیشبینی تغییرات پوشش جنگلی در منطقه مورد مطالعه دارد.

مواد و روش‌ها

منطقه مورد مطالعه

استان گیلان، یکی از استان‌های شمال کشور است که در محدوده جغرافیایی 48 درجه و 53 دقیقه تا 50 درجه تا 34 دقیقه طول شرقی و 36 درجه و 34 دقیقه تا 38 درجه و 27 دقیقه عرض شمالی قرار دارد. این استان، دارای مرز بین المللی از طریق آستارا با جمهوری آذربایجان است و از غرب با استان اردبیل، از جنوب به استان زنجان و قزوین و از شرق به استان مازندران محدود می شود( عبداللهی و داداش پور، 1398). بر اساس آمار این استان دهمین استان از نظر تراکم جمعیت محسوب می‌شود که تراکم جمعیت 177 نفر در هر کیلومتر مربع را شامل می‌شود. میزان بارندگی از نوار ساحلی (بندر انزلی و آستارا) از 1200-1800 میلی‌متر تا مناطق مرکزی و غربی (فومنات) 1000-800 میلی‌متر متغیر است شکل (1) ( عبداللهی و داداش پور، 1398). جنگل‌های گیلان به صورت نوار باریک و کوهستانی با تنوع گونهای و جانوری بالا دامنههای شمالی البرز را پوشاندهاند. این جنگل‌ها با توجه به پتانسیل تولید چوب همیشه مدنظر بودهاند و فشار زیادی را تحمل کردهاند. بیش‌ترین تخریب در مناطق جلگهای صورت گرفته است، هر چند به موازات تخریب کمی و کیفی این مناطق، جنگل‌های کوهستانی و کوهپایه ای نیز مورد تخریب و دست درازی قرار گرفته است. شیوه سنتی دامداری و افزایش سریع جمعیت دامداران بومی در عرصههای جنگلی، هم‌گام با شیوه معیشت جنگل نشینان، گونه خاصی از پراکنش و ساختار جمعیت را در این استان بوجود آورده است (حسنی مهر، 1392).

$C:\Users\S\Desktop\1.png$

شکل1- موقعیت جغرافیایی منطقه مورد مطالعه

روش تحقیق

داده‌های مورد استفاده

در این مطالعه از تصاویر چند زمانه‌ای سنجندههای مختلف (TM و OLI) ماهواره لندست در سطح تصحیحات L1T استفاده شد جدول (1). هم‌چنین از نقشههای توپوگرافی 1:25000 سازمان نقشهبرداری جهت بررسی دقت هندسی تصاویر و از سامانه گوگل ارث برای برداشت نمونههای آموزشی و طبقهبندی تصاویر استفاده شد.

جدول 1- مشخصات تصاویر ماهواره‌ای مورد استفاده در منطقه مورد مطالعه

ماهواره	تاریخ			ردیف	گذر	سیستم تصویر	نام سنجنده	سطح تصحیحات
لندست 5	11/04/1375			034	165	WGS84	TM	L1T
29/06/1375		035	165
20/06/1375		033	166
20/06/1375		034	166
05/07/1375		035	166
لندست 5	28/05/1385			034	165	WGS84	TM	L1T
28/05/1385		035	165
19/05/1385		033	166
19/05/1385		034	166
19/05/1385		035	166
لندست 8	07/04/1395			34	165	WGS84	OLI-TIRS	L1T
25/06/1395		35	165
31/05/1395		34	166
22/05/1395		33	167

پردازش تصاویر ماهواره‌ای

تصاویر خام ماهواره‌ای در اغلب موارد دارای خطاهایی در مقادیر ثبت شده برای پیکسلها هستند که به خطاهای رادیومتریک معروفاند. با توجه به اینکه تصاویر مورد استفاده توسط سنجندههای مختلف و در شرایط متفاوت اخذ شدند، بر روی تک تک تصاویر به صورت جداگانه تصحیحات رادیومتریک انجام شد. این تصحیحات به منظور حذف اثرات ناخواسته ناشی از تفاوت در حساسیت سنجندههای مختلف و یا اثرات طبیعی و محیطی موجود روی انرژی گسیل شده از مواد سطح زمین صورت می‌گیرد. در صورتی که این اثرات از روی مقادیر عددی موجود در پیکسلهای تصویر حذف نشوند، ممکن است به دلیل ثبت مقدار عددی متفاوت نسبت به مقدار عددی پیکسل متناظر منطقه، تغییر اشتباه استخراج شود. برای انجام تصحیحات رادیومتریکی از روش نسبی کاهش تیرگی در نرم افزار انوی استفاده شد. این روش بر این فرض بناست که در حالت ایدهآل پدیده‌های ‌تیره رنگ دارای تابش صفر و یا نزدیک به صفر در تمامی طول موج‌ها هستند. بنابراین فرض می‌شود که در هر باند می‌توان پیکسل‌هایی یافت که مقادیر آن‌ها صفر و یا نزدیک به صفر است (مثل آب در محدوده مادون قرمز). جهت حذف خطای رادیومتریک ارزش پیکسلهای هر باند از حداقل DN مربوط به هر باند کم می‌شود. کاهش تیرگی یک روش ساده و در عین حال کاربردی است که در اکثر مطالعات مورد استفاده قرار گرفته‌است. علی‌رغم این‌که این تصاویر در سطح L1T دریافت شدند به منظور کسب اطمینان از کیفیت آن‌ها، بررسی کیفیت هندسی تصاویر با استفاده از همپوشانی لایه جاده های استخراج شده از نقشههای توپوگرافی سازمان نقشهبرداری بر روی تک تک باندها صورت گرفت. پس از انجام تصحیحات، برای بارزسازی تصاویر از الگوریتم متعادل‌سازی هیستوگرام و به منظور شناسایی و تفکیک بهتر مرز پوشش جنگلی از ادغام تصاویر چند طیفی با باند پانکروماتیک، تهیه تصاویر رنگی مختلف و شاخصهای پوشش گیاهی استفاده شد. برای تهیه نقشه پوشش جنگلی از روش طبقهبندی نظارت شده حداکثر احتمال استفاده شد. به این ترتیب که برای پوشش جنگلی و غیر جنگلی با استفاده از تصاویر رنگی مختلف و تفسیر بصری، شناخت از منطقه و استفاده از سامانه گوگل ارث نمونههای تعلیمی متعددی با پراکنش خوب برداشت شدند. در مجموع 3667 نمونه تعلیمی برای تصاویر سال 1375، 5311 نمونه برای تصاویر سال 1385 و 6988 نمونه برای تصاویر سال 1395 برداشت شدند. بخش اعظم نمونههای تعلیمی (70 درصد) برای طبقهبندی و مابقی (30 درصد) برای اعتبارسنجی نقشههای طبقهبندی شده مورد استفاده قرار گرفتند. در نهایت نقشههای جنگل-غیر جنگل منطقه برای سالهای 1375، 1385 و 1395 تهیه شدند شکل (2). با توجه به این‌که هیچ نوع طبقهبندی خودکاری تا زمانی که صحت آن مورد ارزیابی قرار نگیرد تکمیل نیست، برای اطمینان از صحت نقشههای تهیه شده، بعد از طبقه‌بندی تصاویر ماهواره ای، از روش تشکیل ماتریس خطا و محاسبه صحت کلی و ضریب کاپا استفاده شد.

آشکارسازی و مدل‌سازی تغییرات کاربری اراضی

در نهایت تغییرات صورت گرفته در پوشش جنگلی منطقه در دوره های زمانی 1375-1385 و 1385 -1395 بر اساس نقشه های پوشش جنگلی تهیه شده، آشکارسازی شد. در این مدل، میزان و روند تغییرات کاربری زمین از روی نقشه تغییرات کاربری بین دو مقطع زمانی قبلی و متغییرهای موثر بر تغییرات برآورد می‌گردد. در این مطالعه با توجه به دسترسی به داده‌های مختلف از متغیرهای بیوفیزیکی هم‌چون ارتفاع، شیب، جهت، فاصله از اراضی جنگلی، فاصله از جاده، فاصله از خط ساحلی و فاصله از مراکز مسکونی استفاده شد. این متغیرها بر اساس دامنه ارزش‌ها به کلاسههای مختلفی طبقهبندی شدند که در شکل (2) آمده است.

شکل 2- متغیرهای مورد استفاده در مدل‌سازی تغییرات سطح جنگل‌ها

برای مدل‌سازی و پیش‌بینی تغییرات سطح جنگل‌ها از مدل ژئومد استفاده شد. این مدل توسط محققین کالج علوم جنگل‌داری و محیط‌زیست انسانی و با سرمایهگذاری بخش انرژی، برنامه پژوهش دی‌اکسید‌کربن و بخش تغییر اقلیم و اتمسفر آمریکا توسعه یافته‌است (اشنیدر و پونتیوس⁷، 2001). مدل ژئومد یکی از مدل‌های شبیهسازی تغییرات کاربری اراضی بر مبنای سیستم اطلاعات مکانی است که توزیع مکانی کاربری را در دوره‌های زمانی گذشته، حال و آینده شبیه‌سازی کند (پونتیوس و ملنسون⁸، 2005). در مدل‌سازی تغییرات کاربری اراضی نقشه تغییرات به عنوان متغیر وابسته و عوامل موثر در تغییرات به عنوان متغیر مستقل وارد مدل شده و در نهایت نقشه تناسب یا مطلوبیت ایجاد می‌شود. این نقشه بر اساس وزن‌هایی که برای هر یک از متغیر در نظرگرفته می‌شود، تهیه می‌شود. ارزش هر سلول در نقشه تناسب نشان دهنده میزان احتمال تغییر آن در آینده است. در این مطالعه بر اساس تغییرات سطح جنگل در دوره 1385-1375 ، نقشه سطح جنگل سال 1395 پیش‌بینی شد. به منظور اعتبارسنجی نقشه پوشش جنگلی پیش‌بینی شده و هم‌چنین ارزیابی عملکرد ژئومد، این نقشه با نقشه پوشش جنگلی حاصل از طبقهبندی تصاویر ماهوارهای سال 1395 مقایسه و آمارههای کاپا، کاپای طبقه، صحت‌کلی، صحت تولید‌کننده و صحت کاربر محاسبه شدند. هم‌چنین اختلاف مکانی وکمیتی سلول‌های هرکلاسه، در دو نقشه پیشبینی شده به کمک شاخص‌های Kquantity و Klocation محاسبه شد. شاخص Klocation نشان می‌دهد که مدل تا چه حد توانایی داشته است که مکان سلول‌های یک کلاسه را مطابق با نقشه واقعی شبیهسازی کند. شاخصKquantity نیز بیان کننده میزان تطابق کمیت یا تعداد سلول‌های کلاسههای مختلف دو نقشه می‌باشد(پونتیوس⁹، 2002). براساس نتایج اعتبارسنجی نقشه‌های پیش‌بینی‌شده برای سال 1395، تغییرات سطح جنگل برای سال 1410 با استفاده از مدل ژئومد انجام گرفت.

نتایج

ارزیابی صحت طبقه‌بندی تصاویر

بر اساس نتایج ارزیابی صحت نقشههای طبقه‌بندی‌شده، صحت کلی در نقشههای پوشش جنگلی سالهای 1375، 1385 و 1395 به ترتیب برابر با 81/91، 12/93 و 14/94 درصد به‌دست آمد. هم‌چنین ضریب کاپا در نقشههای مذکور به ترتیب 85/0، 86/0 و 88/0 به‌دست آمد که نشان دهنده صحت مناسب نقشههای طبقهبندی‌شده است. در نهایت از این نقشهها برای آشکارسازی، مدل‌سازی و پیشبینی تغییرات کاربری اراضی استفاده شد. نقشههای کاربری اراضی در شکل (3) آمده است.

$H:\ARC DATA\Land use\Landuse.jpg$

شکل 3- نقشههای جنگل- غیرجنگل حاصل از طبقهبندی تصاویر ماهواره‌ای

بحث

آشکار‌سازی تغییرات سطح جنگل

مساحت و نرخ سالیانه تغییرات کاربری‌های جنگل و غیر جنگل در بازه‌های زمانی 1385-1375 و 1395-1385 در جدول (2) آمده است. در سال‌های 1385-1375 کاربری جنگل 8/446- هکتار کاهش یافته است. در حالی‌که در سال‌های 1395-1385 17/608- هکتار از سطح این اراضی کاسته شده است که نسبت به دوره اول کاهش بیش‌تری را نشان می‌دهد. در مجموع از سال 1375 تا سال 1395، 97/1054 هکتار از سطح جنگل‌ها کاهش پیدا کرده است و به سایر کاربری‌ها تبدیل شده است.

جدول2- آشکارسازی تغییرات سطح کاربری‌های جنگل و غیرجنگل

	مساحت (هکتار)				تغییرات به هکتار
	1375	1385	1395		1385-1375		1395-1385
					کل	سالیانه	کل	سالیانه
جنگل	3/491136	43/490689		26/490086	8/446-	68/44-	17/608-	81/60-
غیر جنگل	68/912631	48/913078		65/913686	8/446	68/44+	17/608+	81/60+

مدل‌سازی و پیشبینی تغییرات پوشش جنگلی

با استفاده از متغیرهای موثر بر تغییرات کاربری جنگل، یعنی ارتفاع، شیب، جهت، فاصله از اراضی جنگلی، فاصله از جاده، فاصله از خط ساحلی و فاصله از مراکز مسکونی نقشه تناسب ایجاد، سپس با استفاده از این نقشه پوشش جنگلی برای سال 1395 پیش‌بینی شد شکل (4). ارزش‌های نقشه تناسب در دامنه بین 1- تا 100 قرار دارد. با افزایش این ارزش‌ها احتمال تغییرات نیز افزایش می‌یابد.

$H:\ARC DATA\Land use\AA.jpg$

شکل 4- نقشه تناسب و نقشه پیش‌بینی پوشش جنگلی سال 1395

اعتبارسنجی نقشه‌های پیش‌بینی‌شده

نتایج اعتبارسنجی نقشه پیشبینی‌شده سال 95 نشان دهنده صحت کلی و ضریب کاپا به ترتیب برابر با 19/94 و 59/91 درصد است. به منظور بررسی بهتر عملکرد مدل در پیشبینی تغییرات از روش اعتبارسنجی نیز استفاده شد. نتایج شاخصهای محاسبه شده در این روش اعتبار سنجی در جدول (3) آمده است. بر اساس نتایج مدل توانسته با صحت 28/91 درصد مکان سلولهای تغییریافته را به درستی پیشبینی کند و تنها 72/8 درصد اختلاف بین مکان سلول‌ها واقعی و پیشبینی‌شده وجود دارد.

جدول 3- نتایج اعتبار سنجی نقشه پیش‌بینی‌شده سال 1395 با استفاده از شاخص‌های Klocation، KQuantity

شاخص‌های اعتبار سنجی مدل

KLocation

KQuantity

91/28

89/65

پیش‌بینی تغییرات سطح جنگل در سال 1420

با توجه به عملکرد مناسب مدل در پیشبینی تغییرات، نقشه پوشش جنگلی برای سال 1420 پیش‌بینی و تغییرات سطح جنگل‌ها آشکارسازی شد. نتایج آشکارسازی تغییرات سطح جنگل‌ها تا سال 1420 در جدول (4) آمده است. نتایج بررسی نشان می‌دهد که تا سال 1420 تخریب و کاهش پوشش جنگلی منطقه با روند کنونی ادامه خواهد داشت.

جدول4 - آشکارسازی تغییرات سطح جنگل‌ها در دوره 1395-1420

	مساحت (هکتار)		تغییرات )هکتار(
	1395	1420	1395-1420
			کل	سالیانه
جنگل	26/490086	63/489214	63/871-	58/10-
غیر جنگل	71/913686	59/914557	63/871+	58/10+

نتیجه‌گیری

نظارت و جلوگیری از تاثیرات منفی تغییرات کاربری و پوشش اراضی به منظور پایدار نمودن تولید منابع ضروری، یکی از اولویت‌های محققین و سیاست‌مداران در سراسر جهان محسوب می‌شود. اطلاع از روند تغییرات در کاربری و پوشش اراضی نه تنها برای جلوگیری از وقوع آن بلکه به منظور مدیریت و برنامهریزی آن برای ما یک نیاز محسوب می‌شود (میشرا¹⁰ و همکاران، 2014). جمعیت رو به رشد، گذر از معیشت کشاورزی به اقتصادهای صنعتی؛ موجب افزایش فشار بر اکوسیستم های منطقه و منابع طبیعی بویژه جنگل‌ها شده است. در دهههای اخیر، به ویژه در دو دهه 1350 و 1360 روند تخریب و نابودی جنگل‌ها با افزایش جمعیت در مناطق جنگلی و روستایی در استان گیلان شدت یافته است. پیش از قانون ملی شدن جنگل‌ها در سال 1341، بخش بزرگی از جنگل‌های گیلان، بکر و دست نخورده بود ولی امروزه در بیشتر مناطق آثار تخریب و دخالت‌های انسانی مشهود است (حسنی مهر، 1392). به همین جهت ارزیابی این تغییرات در گذشته و حال و پیش بینی آن برای آینده می‌تواند اطلاعات جامعی برای تصمیم‌گیران و برنامهیزان در جهت برنامهریزی‌های بلندمدت برای جلوگیری از تخریب بیش‌تر این منابع فراهم آورد. در سال‌های اخیر به ‌دلیل دسترسی آسان به تصاویر ماهواره‌ای مطالعات مختلفی برای بررسی تغییرات پوشش جنگل در دوره‌های زمانی مختلف با استفاده از سنجش از دور صورت گرفته است که از آن دسته می‌توان به مطالعات زبردست و همکاران (1389)، وفایی و همکاران(1391)، آرخی و همکاران (1391)، نیومن¹¹وهمکاران (2018)، پونتیوس و همکاران(2001) اشاره کرد. یکی از پیشنیازهای اساسی مطالعات آشکارسازی و مدل‌سازی تغییرات کاربری دسترسی به دادههای مناسب و چند زمانهای است که با فراهم کردن یک دید وسیع امکان شناخت الگوها و روابط بین کاربریها را فراهم سازد. هدف از انجام این مطالعه آشکارسازی تغییرات سطح جنگل‌ها و بررسی نقش برخی عوامل محیطی موثر بر تغییرات در دوره‌های زمانی 1395-1375 می‌باشد. در مجموع نتایج پژوهش پیش‌رو بر اساس نتایج آشکارسازی تغییرات در طول مدت مطالعه (1395-1375) نشان داد که ، 97/1054 هکتار از سطح این جنگل‌های استان گیلان کاسته شده است و با ادامه این روند و ثابت بودن شرایط در 15 سال آینده تا سال 1420، 871 هکتار دیگر از سطح آن کاسته خواهد شد. متغییرها و عوامل مختلفی در بروز تغییرات کاربری اراضی دخالت دارند که می‌توانند در بهبود فرایند مدل‌سازی موثر واقع شده و دقت پیشبینیها را افزایش دهند: از آن جمله می‌توان به متغییرهای اجتماعی و اقتصادی و هم‌چنین متغییرهای کیفی هم‌چون جمعیت، تراکم جمعیت، اشتغال، مهاجرت، بارندگی، تیپ جنگل، چرای دام، دفن زباله‌ها، وضعیت توسعهیافتگی و .... اشاره کرد. بدیهی است هر چه متغییرهای مهم و تاثیرگذار تواما با یکدیگر استفاده شوند، توانایی مدلها در شبیهسازی و پیشبینی تغییرات بیش‌تر خواهد بود و نتایج دقیقتری میتوانند ارائه دهند. این در حالیست که در برخی مناطق به خصوص در کشور ما نبود اطلاعات کافی باعث شده تا این گونه مطالعات با حداقل متغیرهای قابل دسترس انجام شود.

بر اساس نتایج این مطالعه، لزوم تدوین برنامههای مدیریتی بر اساس اصول توسعه پایدار و توجه به شاخصهای محیط‌زیستی به‌منظورکنترل و جهت‌دهی تغییرات کاربری اراضی احساس می‌شود. بر اساس نتایج پیشبینی تغییرات سطح جنگلها راهکارهای مدیریتی زیر میتواند از تخریب بیش از حد این عرصهها جلوگیری کند. ارزیابی توان سرزمین و توجه به توسعه پایدار، جلوگیری از ویلاسازیها و قطعه قطعه شدن عرصههای جنگلی، استفاده منظم از زمین برای توسعه کشاورزی از طریق ثبت زمین که این امر از تبدیل انواع پوشش اراضی به اراضی کشاورزی جلوگیری می‌کند، تنوع در شغل مردم محلی و سوق دادن آن‌ها از شغل کشاورزی به شغل‌های پایدارتر، آموزش بر روی بهترین شیوه های کشاورزی سازگار با محیط زیست، تهیه طرح های حفاظتی-حمایتی و نظارت و پایش مستمر آن و تلاش در راستای حفظ پیوستگی مکانی این عرصهها و برنامهریزی علمی و اصولی در راستای حفظ، احیا و توسعه جنگلها پیشنهاد میشود. هم‌چنین قابل ذکر است در مدیریت جنگل باید به سرمایه اجتماعی موجود و انسجام در جوامع محلی جهت توان‌مند سازی سطح محلی و یافتن راه هایی برای همکاری متقابل توجه شود. سیاست گذاران برای حل مشکلات جنگل اهداف محیط زیستی با هدف یافتن راه حل های جدید باید سیاست هایی را مطرح کنند که متناسب با شرایط محلی باشد و شیوه های اجتماعی اعتماد سازی را ترویج دهد.

منابع:

1. آرخی،صالح؛ جعفر زاده، علی اکبر؛ یوسفی، صالح (1391). شبیه سازی تخریب جنگل با استفاده از رگرسیون لجستیک،GIS و سنجش از دور مورد: جنگل های شمال ایلام، جغرافیا و توسعه ، 31-42.

2. حسنی مهر،سیده صدیقه (1392). بازشناسی استفاده از پتانسیل جنگل های گیلان با نگرش توسعه، پژوهش های جغرافیای انسانی، دوره 45(1)، 185-198

3. حسین زاده، محمدمهدی؛ اسماعیلی، رضا؛ کاظمی، راحله ( 1391). بررسی تغییرات کاربری اراضی نوار ساحلی در ده سال اخیر (مطالعه موردی :نوار ساحلی شهر محمودآباد). همایش ملی آرمانشهر ایرانی.

4. عبداللهی،سحر؛ داداش پور،هاشم(1398). تحلیل و پیش بینی تغییر کاربری زمین در نواحی ساحلی استان گیلان، فصلنامه علوم محیطی، 17(2)، 121-136

5. میر آخورلو، خسرو؛ اخوان، رضا (1395). ارزیابی تغییرات سطح جنگل های هیرکانی از سال 1383 تا 1395، طبیعت ایران، 2 (3)، 40-45

6. میرزایی زاده،وحید؛ مهدوی،علی؛ کرمشاهی،عبدالعلی؛ جعفرزاده،علی اکبر(1395). بررسی الگوی مکانی تغییرات پوشش جنگلی با استفاده از رگرسیون لجستیک در شهرستان ملک شاهی، نشریه پژوهش های علوم و فناوری چوب و جنگل ، (3)، 45-68

7. میرزایی زاده،وحید؛ نیک نژاد،مریم؛ اولادی قادیکلایی،جعفر(1394). ارزیابی الگوریتم های طبقه بندی نظارت شده غیر پارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3) . 29-44

8. وفایی،ساسان؛ درویش صفت، علی اصغر؛ پیرباوقار، مهتاب(1392). پایش و پیش بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل LCM، مطالعه موردی: منطقه مریوان. مجله جنگل ایران.5(3). 323-336

9. Echeveria, C., Coomesc, D.A., Halld, M. & Newtone, C. 2008. Spatially explicit models to analyze forest loss and fragmentation between 1976 and 2020 in southern Chile. Ecological Modelling, 212(3): 439–449

10. FAO. 2018. The State of the World’s Forests 2018 - Forest pathways to sustainable development. Rome. Licence: CC BY-NC-SA 3.0 IGO. http://www.fao.org/biodiversity/components/forests/en/

11. Geist, H. J., & Lambin, E. F. 2002. Proximate causes and underlying driving forces of tropical deforestation: Tropical forests are disappearing as the result of many pressures, both local and regional, acting in various combinations in different geographical locations. BioScience. 52(2): 143-150.

12. Giriraj, A., Irfan-Ullah, M., Murthy, M. S. R., & Beierkuhnlein, C. 2008. Modelling spatial and temporal forest cover change patterns (1973-2020): A case study from South Western Ghats (India). Sensors. 8(10): 6132-6153.

13. Han, H., Yang, C., & Song, J. 2015. Scenario simulation and the prediction of land use and land cover change in Beijing, China. Sustainability, 7(4): 4260-4279.

14. Kumar, R., Nandy, S., Agarwal, R., & Kushwaha, S. P. S. 2014. Forest cover dynamics analysis and prediction modeling using logistic regression model. Ecological Indicators,45: 444-455.

15. Mishra, V. N., Rai, P. K., & Mohan, K. 2014. Prediction of land use changes based on land change modeler (LCM) using remote sensing: a case study of Muzaffarpur (Bihar), India. Journal of the Geographical Institute" Jovan Cvijic", SASA, 64(1): 111-127.

16. Nasiri, V., Darvishdefat A.A., Rafee, R., Shrivani, A., Avatefi. 2017. M, Land use change modeling through an integrated Multi-Layer Perceptron Neural Network and Markov Chain analysis, Journal of Forestry Research Springer, 1-15.

17. Newman, M. E., McLaren, K. P., & Wilson, B. S. 2018. Using the forest-transition model and a proximate cause of deforestation to explain long-term forest cover trends in a Caribbean forest. Land Use Policy, 71: 395-408.

18. Pontius, R.G. and Malanson, J. 2005. Comparison of the structure and accuracy of two land change models. Geographical Information Science, 19: 243-265.

19. Pontius, R.G Jr . 2002. Quantification error versus location error in comparison of categorical maps. Photogramm Eng Remote Sens, 66: 1011-1016

20. Schneider, L. C., and Pontius Jr, R. G. 2001. Modeling land-use change in the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems & Environment, 85: 83-94.

21. Slee, B. 2007. Landscape goods and services related to forestry land use. In Multifunctional Land Use (pp. 65-82). Springer, Berlin, Heidelberg.

Investigation and Prediction of Changes in Forest Level in Gilan Province Using Satellite Imagery and Geomod Model

Abstract

In the wake of the rapid economic and social development of the past decades, human activity has become a source of natural resources for intensive infrastructure and expansion of agriculture. This has greatly affected the forests as an important ecosystem of potential environmental resources for future development. The purpose of this study was to reveal changes in the level of forests of Gilan province during a 20-year period (1996-2016) and to model and predict these changes for the next 15 years using the Geomod model. TM and OLI Landsat sensors were used for land use maps for the period of 1996, 2006 and 2016. Satellite images were categorized using maximum probability and multiple teaching samples in both forest and non-forest classes. Based on the changes in the period of 1996-2006, the changes in forest cover for 2016 using variables of elevation, gradient, direction, distance from residential, distance from the road, distance from the coastline, distance from the forest and distance from the residential with the implementation of the model Geomod was simulated. According to the results of the detection of changes during the study period (1996-2016), 1054.97 hectares of forest area in Gilan province has been reduced and with the continuation of this process and the steady conditions in the next 15 years until 1420, 871 hectares more than the surface It will be diminished. Accordingly, it is necessary to develop management plans based on the principles of sustainable development and attention to environmental indicators in order to control and direct the changes in land use.

Keywords:Change the forest level, Geomod model, Modeling and forecasting changes, Satellite images

[1] FAO

[2] Slee

[3] Kumar

[4] Giriraj

[5] Gest and Lambin

[6] Han

[7] Schneider and Pontius

[8] Pontius and Malanson

[9] Pontius

[10] Mishra

[11] Newman

Share To

Article Url

Detection and prediction of forest level changes in Guilan province using satellite images and geomod model

Rimag

Links

Related Centers

Technical Support

Official pages