نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی نقشه‌برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان

2 کارشناس ارشد سیستم‌‌های اطلاعات مکانی، گروه مهندسی نقشه‌برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان

چکیده

طی دهه‌های اخیر، افزایش جمعیت شهرنشین و رشد بی‌رویه و کنترل‌نشدۀ شهرها در سرتاسر جهان، به‌ویژه در کشورهای در‌حال توسعه، موجب بروز مسائل زیست‌محیطی بسیاری نظیر نابودی باغات و زمین‌های کشاورزی اطراف شهرها و از‌بین‌رفتن منایع طبیعی شده‌است. یکی از اجزای اصلی در استراتژی فعلی برای مدیریت منابع طبیعی و نظارت بر تغییرات زیست‌محیطی، تحلیل و سنجش میزان پوشش و تغییرات کاربری زمین است. در همین راستا، این پژوهش سعی بر آن دارد تا با استفاده از تکنیک‌های سنجش از دور و سیستم‌های اطلاعات جغرافیایی و همچنین، با به‌کارگیری روش زنجیرۀ مارکوف، به مدل‌سازی تغییرات کاربری زمین در استان قم بپردازد. به‌همین‌منظور، با استفاده از تصاویر سری زمانی ماهواره‌های لندست 5 ،4 و 8 (در طول 30 سال و در سه بازۀ زمانی) و انجام پیش‌پردازش‌ها (تصحیحات اتمسفری و توپوگرافی)، کاربری‌‌های اصلی زمین مانند مناطق مسکونی و صنعتی، زمین‌‌‌های کشاورزی، مراتع، کویر و شوره‌‌زار و دریاچۀ نمک و آب استخراج شدند. تجزیه‌و‌تحلیل نقشه‌‌های به‌دست‌آمده در این دورۀ 30 ساله نشان می‌دهد که مساحت مراتع در استان از سال 1365 تا 1395 کاهش یافته، به‌‌طوری که از 5600 به 4848 کیلومترمربع رسیده‌است. همچنین، مساحت اراضی کشاورزی در طی دورۀ 30 ساله حدود 100 کیلومترمربع کاهش یافته‌است و با افزایش شهرنشینی، وسعت مناطق مسکونی و صنعتی نیز افزایش یافته و از 130 به 364 کیلومتر مربع رسیده‌است. در‌نهایت باتوجه به اینکه پیش‌‌‌بینی تغییرات کاربری زمین، در دید کلی برای مدیریت بهتر منابع طبیعی و حفاظت زمین‌های کشاورزی اطراف مناطق شهری و اتخاذ تدابیر و سیاست‌‌های دراز‌مدت مؤثر است، با استفاده از مدل پیش‌‌‌بینی زنجیرۀ مارکوف، تغییرات کاربری زمین در سال 1405 پیش‌‌‌بینی شد که با گسترش مناطق مسکونی-صنعتی و کویر و شوره‌‌زار و کاهش زمین‌‌های کشاورزی همراه بوده‌است. این تحقیق نشان می‌دهد که داده‌‌های سری زمانی سنجش از دور می‌‌توانند در مدل‌سازی تغییرات کاربری زمین نقش بسیار مؤثری ایفا کنند.

کلیدواژه‌ها

عنوان مقاله [English]

Land Use Change Modeling Through Markov Chain by Using of GIS and Satellite Imagery, Case Study: Ghom Province

نویسندگان [English]

  • dr.ali esmaeili 1
  • hamid ashjaei 2

چکیده [English]

In the last decades, urban population growth and uncontrolled urban growth in all around the world, especially in developing countries, caused many environmental issues such as diminishment of agricultural land use and natural resources as well. Land Coverage and land use change is one of the main components of the current strategy for natural resources management and environmental change monitoring. In this way, this research aimed to model the land use changes in Ghom province, through Markov chain by using of GIS and remote sensing. In this order, using time series images of Landsat satellites (4, 5 and 8) in four different dates within 30 years and performing image pre-processing (Atmospheric and topographic corrections), main land use applications such as residential and industrial areas, agricultural lands, pastures, desert and salt marsh and Salt Lake and water were extracted and studied. The 30-years map analysis showed that the area of pasture in the province decreased within 1986 to 2016, so that the area decreased from 5600 to 4848 square kilometers. The area of agricultural land on this period dropped about 100 square kilometers and with urbanization development, the extent of residential and industrial areas increased from 130 to 364 square kilometers. Finally, because the prediction of land use changes is effective in managing the natural resources and protection of agricultural lands around the cities, we used the model to predict land use changes for the next 10-year (2026) using Markov chain. The results showed an expansion of residential/industries areas, desert and salt marsh and a reduction in agricultural lands. This research revealed that the remote sensing time series data could be very effective in land use changes modeling.

کلیدواژه‌ها [English]

  • Land Use
  • Markov chain
  • Remote Sensing
  • GIS
  • Qom province

آرخی، صالح؛ اصفهانی، محدثه. (1393). نرم افزار آموزش IDRISI Selva. جلد 1. گرگان: انتشارات دانشگاه گلستان ،چاپ اول.

رمضانی، نفیسه؛ جعفری، رضا؛ ایزانلو، اسماعیل. (1390). بررسی تغییرات کاربری زمین در چهار دهۀ گذشته (منطقۀ مورد مطالعه: اسفراین، خراسان شمالی). مجلۀ سنجش‌از‌دور و GIS ایران، 3 (2)، صص 37-19. صاحب امتیاز: انجمن سنجش از دور و GIS ایران

زیاری، کرامت‌الله. (1388). برنامه‌ریزی کاربری اراضی شهری. تهران: انتشارات دانشگاه تهران.

علوی‌پناه، کاظم. (1384). کاربرد سنجش از دور در علوم زمین. تهران: انتشارات دانشگاه تهران.

والی‌پور مژگان؛ کریمیان اقبال، مصطفی؛ ملکوتی، محمد‌جعفر؛ خوش‌گفتارمنش، امیرحسین. (1387). شوری و تخریب زمین در توسعۀ کشاورزی منطقۀ شمس‌آباد استان قم. مجلۀ علوم و فنون کشاورزی و منابع طبیعی، 12 (48)، صص 691-683.

 

Acevedo, W., Foresman, T.W. and Buchanan, J.T., (1996), April. Origins and philosophy of building a temporal database to examine human transformation processes. In Proceedings, ASPRS/ACSM Annual Convention and Exhibition, Baltimore, MD (Vol. 1, pp. 148-161).

Al-doski, J., S. B. Mansor, and H. Z. Mohd Shafri, 2013. Monitoring Land Cover Changes in Halabja City, Iraq. International Jornal of Sensor and Related Networks, 1(1):20-30.

Altieri, Linda, Cocchi, Daniela, Giovanna Pezzi, E., Scott, Marian, Ventrucci, Massimo, 2014. Urban sprawl scatterplots for Urban Morphological Zones data. Ecol. Indic. 36, 315–323.

Batty, M. and Howes, D. (2001). Predicting Temporal Patterns in Urban Development from Remote Imagery. In: J. P. Donnay, M. J. Barnsley and P. A. Longley (eds.), Remote Sensing and Urban Analysis, Taylor and Francis, London and New York, Pp 185-204.

Batty, M. and Longley, P.A., (1994). Fractal cities: a geometry of form and function. Academic press.

Chadchan, j., Shankar, R., 2012. An analysis of urban growth trends in the post-economic reforms period in India. Int. J. Sustainable Built Environ. 1, 36-49.

Clarke, K.C., Parks, B.O. and Crane, M.P. eds., (2002). Geographic information systems and environmental modeling. Pearson College Division.

Eslami, M., A. Mohammadzadeh, and M. Janalipour (2015). "Estimates of the Relative Changes of the Urmia Lake Using Fuzzy Classifier." Journal of Geomatics Science and Technology 5. 2: 119-130.

Fan, Fenglei, Wang, Yunpeng, and Wang, Zhishi, 2008, Temporal and spatial change Detecting (1998 2003) and predicting of land use and land cover in Core corridor of Pearl River Delta (China) by using TM and ETM+ images, Environmental Monitoring and Assessment, 137 (1), 127-147.

Fichera, C. R., G. Modica, and M. Pollino, 2012. Land Cover classification and change-detection analysis using multi-temporal remote sensed imagery and landscape metrics. European Journal of Remote Sensing, 45:1-18.

Gilks W. R. (1996). Markov Chain Monte Carlo in Practice. Chapman & Hall/CRC.

Goldsmith, F. B., 1991. Monitoring for Conservation and Ecology. Chapman & Hall: 275P.

Guan, DongJie, Li, HaiFeng, Inohae, Takuro, Su Weici, Nagaie, Tadashi, and Hokao, Kazunori, 2011, Modeling urban land use change by the integration of cellular automaton and Markov model, Ecological Modelling, 222 (20–22), 3761-3772.

Hall, Peter. (1992). Urban and Regional Planning. London: Routledge, P. 73.

Hathout, S, 2002, The use of GIS for monitoring and predicting urban growth in East and West St Paul, Winnipeg, Manitoba, Canada. Journal of Environmental Management 66: 229-238.

Janalipour, M. and Taleai, M., (2017). Building change detection after earthquake using multi-criteria decision analysis based on extracted information from high spatial resolution satellite images. International journal of remote sensing, 38(1), pp.82-99.

 Klosterman, R. E. (1999). The What If? Collaborative Planning Support System. Environment and Planning B, Vol. 26, Pp 393-408.

Longley, P. A. and Mesev, V. (2001). Measuring Urban Morphology Using Remotely Sensed Imagery. In: J. P. Donnay, M. J. Barnsley, and P. A. Longley (eds.), Remote Sensing and Urban Analysis, Taylor and Francis, London and New York, Pp 163-183.

Lopez, Erna, Gerardo, Bocco, Manuel, Mendoza, and Emilio, Duhau, 2001, Predicting Land-cover and land-use change in the urban fringe - A case in Morelia city, Mexico, Landscape and Urban Planning, 55 (4), 271-285.

Lunetta, R. S .and C. D. Edvidge. 1999. Remote Sensing Change Detection Environmental Monitoring Methods and Application, Taylor.

McCoy, R. M. 2005. Field Methods in Remote Sensing, Guilford.

Méaille, R. and Wald, L., (1990). Using geographical information system and satellite imagery within a numerical simulation of regional urban growth. International Journal of Geographical Information System, 4(4), pp.445-456.

Muller, M.R and Middleton, j, 1994, A Markov model of Landuse change dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology 9:151-157.

Pilon, G., Howarth, J., Bullock, A., 1988. An enhanced classification approach to change detection in semi-arid environments Photogram. Eng. Remote Sen. 54, 1709-1716.

Pontius, Robert. Gilmore. And Chen, Hao, 2006, Geomod Modeling, USA: Clark University. P. 44.

Riano, D., E. Chavieco, J. Salas, and I. Aguado, 2003. Assessment of Different Topographic orrections in Landsat-TM Data for Mapping Vegetation Types. Lee Transaction on Geoscience and Remote Sensing, 41(5):1056 - 1061.

Shalaby, A., Tateishi, R., 2007. Remote sensing and GIS for mapping and monitoring land-cover and land-use changes in the Northwestern coastal zone of Egypt. Appl. Geogr. 27,28-41.

Shaohong, W. U. and Wenzhong, S. H. (2005). I and Others: Environmental Assessment Modelling Change-Pattern-Value Dynamics on Land Use: An Integrated GIS and Artificial Neural Networks Approach. Environmental Management, Vol. 36, No. 4.

Soh, Mazlan Bin Che, 2012. Crime and urbanization: revisited Malaysian case. Procardia Social Behave. Sci. 42, 291–299.

Sui, D. Z. (1998). GIS-Based Urban Modelling: Practices, Problems and Prospects. International Journal of Geographical Information Science, Vol. 12, No. 7, Pp 651-671.

Sun, Cheng, Zhi-feng, Wu, Lv, Zhi-qiang, Yao, Na, Wei, Jian-bing, 2013. Quantifying different types of urban growth and the change dynamic in Guangzhou using multi-temporal remote sensing data. Int. J. Appl. Earth Obs. Geoinf. 21, 409–417.

Tso. B. and P.M. Mather. 2009. Classification Methods for Remotely Sensed Data. Chapter 2-3. 2nd ed., Taylor and Francis Pub., America.

US Global Change Research Program. (2003). Land Use and Land Cover Change. Updated 12 October.

Wegner, M. (1994). Operational Urban Models: State of the Art. Journal of the American Planning Association, Vol. 60, No. 1, Pp 17-30.

Xinliang, Xu, Min, Xibi, 2013. Quantifying spatiotemporal patterns of urban expansion in china using remote sensing data. Cities 35, 104-113.

Yuan, F., K. E. Sawaya, B. C. Loeffelholz, and M. E. Bauer, 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote Sensing of Environment, 98(2):317-328.