Investigation and prediction on Forests Covers Changes Using Fuzzy Object-Based Satellite Image Classification and CA-Markov (case study: City of Romeshkan)
Subject Areas : Remote sensing and biogeographyRahman Zandi 1 , Hajar Shehabi 2 , Ebrahim Akbari 3
1 - عضو هیات علمی دانشگاه حکیم سبزواری
2 -
3 - Ferdosi University
Keywords: Forest cover, Object-Based image classification, CA-Markov, Landsat, Romeshkan,
Abstract :
Forest is a valuable heritage and one of the important factors in the ecosystem of each area that in addition to using and exploiting them, they should be preserved. Zagros’ forests, especially in Lorestan province due to negligence have been destroyed throughout past years. The aim of this research is to investigation, detect and modeling Romeshkan’s forests’ cover changes. To do this, first changes that were taken place between 1987-2017 were extracted by satellite Landsat images and using Fuzzy Object-Based classification method, then, were classified in 5 classes (Agriculture, 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 forest area. In a period of 1987-2002 forest cover of the study area had not faced major changes, but most of the rangelands turned to farmlands. While in the second period from 2002 onwards forest cover dramatically dipped and its area decreased from 122.58 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 CA-Markov model was applied that indicates 10.70% of current forest covers will be reduced in 2030, and the main changes will be occurred between forest classes to farmlands and rangelands classess by 6.901 and 9.172 km2, respectively.
اسلامي، ف، قرباني، ع، سبحاني، ب و پناهنده، م. مقایسه شبکه عصبی مصنوعی، دستگاه بردار پشتیبان و روشهای مبتنی بر شیء در تهیه نقشههای استفاده از زمین / پوشش با استفاده از تصاویر منظره 8. مجله RS و GIS برای منابع طبیعی. (2015). 6 (3)، 1-14.
حیدریان، پ.، رنگزن، ک.، ملکی، س. و تقی زاده، ا. تشخیص تغییر کاربری اراضی با استفاده از مقایسه طبقهبندی تصاویر ماهواره ای لندست (مطالعه موردی: سرزمین تهران). مجله RS و GIS برای منابع طبیعی. (1393). 4 (4)، 1-10.
رستم زاده، ح.، دارابی، س. و شهابی، ح. تغییر طبقهبندی جنگلهای بلوط با استفاده از طبقهبندی شیء مبتنی بر تصاویر چندمنظوره لندست (مطالعه موردی: جنگلهای شمال استان ایلام). مجله RS و GIS برای منابع طبیعی. (1395). 8 (2)، 92-110.
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 شبیهسازی تغییر کاربری اراضی شهری- مطالعه موردی شهرکرد. علوم محیط زیست. (1387) .7 (3)، 133-148.
فیضیزاده، ب و هلالی، ح. مقایسه روشهای مبتنی بر پیکسل، شیگرا و پارامترهای مؤثر در طبقهبندی پوشش سطح زمین/ استفاده از اراضی استان آذربایجان غربی. فصلنامه تحقیقات جغرافیای فیزیکی. (1389).42 (71)، 73-84.
کاظمی، م.، مهدوی، ی.، نوهه¬گر، ا. و رضایی، ص. تغییر در کاربری و پوشش اراضی با استفاده از تکنیکهای 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.
میرزاییزاده، و، نیكنژاد، م. و اولادی كادیكلائی، ج. ارزیابی الگوریتمهای طبقهبندی نظارت غیرپارامتری در نقشه پوشش زمین با استفاده از تصاویر Landsat-8. مجله RS و GIS برای منابع طبیعی. (1393). 6 (3)، 29-44.
نیازی، ی. مقایسه دو روش طبقهبندی حداکثر احتمال و شبکه عصبی مصنوعی برای تهیه نقشههای کاربری اراضی مطالعه موردی: منطقه سد ایلام. جغرافیا و توسعه مجله ایرانی. (1388). 8 (20)، 119-132.
Lillesand, T., Kiefer, R,W. and Chipman, J. (2001). Remote sensing and image interpretation,6th Edition, Wiley Publication, Washington.
Blaschke, T. (2010). Object-based image analysis for remote sensing. ISPRS Journal of photogrammetry and remote sensing. 65(1), 2-16. 30
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.
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.
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.
Costanza, R. and Ruth, M. (1998). Using dynamic modeling to scope environmental problems and build consensus. Environmental Management, 22(2):183 195.
Eastman J.R. 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester, 284.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Yan, G (2003). Pixel based and object oriented image analysis for coal fire research. Enschede, Holanda, 1-93.