پایش و مدل‌سازی تغییرات اراضی جنگلی در منطقه گرگان با استفاده از مدل Geomod

 

 

مقاله پژوهشی

 

 

علوم و تکنولوژی محیط زیست، دوره بیست و پنجم، شماره ده، دی ماه 1402 (1-16)

                                                                

 

پایش و مدل‌سازی تغییرات اراضی جنگلی در منطقه گرگان با استفاده از مدل Geomod

 

سمیه گلدوی[1] ^*

S.galdavi@kashmar.ac.ir

مرجان محمدزاده[2]

عبدالرسول سلمان ماهینی[3]

علی نجفی‏نژاد[4]

تاریخ دریافت: 2/8/1402

تاریخ پذیرش: 2/9/1402

 

چکیده

زمینه و هدف: سالانه سطح وسیعی از جنگل‏ها به دلیل تبدیل به کاربری‏های دیگری مانند زمین‏های کشاورزی و مناطق مسکونی کاهش می‌یابد. اراضی جنگلی شمال ایران نیز از این قاعده مستثنی نیستند و این کاهش در اکثر مناطق دیده شده است. لذا، پژوهش حاضر با هدف مدل‌سازی تغییرات اراضی جنگلی در منطقه گرگان با استفاده از مدل Geomod انجام شده است.

روش بررسی: در مطالعه حاضر، نخست تغییرات اراضی جنگلی منطقه گرگان در بازه زمانی 20 ساله تعیین و سپس، مدل‏سازی این تغییرات با استفاده از مدل Geomod اجرا گردید. به این منظور، نقشه‏های کاربری زمین بازه‏های مطالعاتی با استفاده از تصاویر ماهواره‏ای تهیه و آشکارسازی تغییرات با روش مقایسه پس از طبقه‌بندی انجام شد. سپس، مدل Geomod برای مدل‏سازی تغییرات اراضی جنگلی اجرا گردید.

یافته­ها: آشکارسازی تغییرات در دوره­های زمانی مورد بررسی کاهش گستره اراضی جنگلی را نشان داد. همچنین، نتایج اجرای مدل با کسب کاپا بیش از 99/0 توانایی مدل را در مدل‏سازی تغییرات اراضی جنگلی این منطقه نشان داد. بنابراین، شرایط آینده اراضی جنگلی برای نیز با استفاده از مدل پیش‏بینی شد. نتایج حاصل نشان‏دهنده کاهش گستره اراضی جنگلی منطقه در دوره زمانی مورد مطالعه بود.

بحث و نتیجه­گیری: نتایج کاهش گستره اراضی جنگلی منطقه در دوره زمانی مورد مطالعه را نشان داد که دلیل اصلی آن توسعه مناطق مسکونی و اراضی کشاورزی در منطقه بود. بنابراین، اقدامات مدیریتی و حفاظتی همچون تعیین محدوده اراضی کشاورزی و ممانعت از گسترش آن‌ها، جلوگیری از گسترش روستاها و نیز ممانعت از دسترسی بی‌رویه مردم به عرصه‌های جنگلی پیشنهاد می‌گردد.

 

واژه­های کلیدی: مدل‏سازی تغییرات، مدل Geomod، اراضی جنگلی، منطقه گرگان، ایران.

J. Env. Sci. Tech., Vol 25, No.10, January, 2024

 

 

 

 

Monitoring and modelling of forest changes in Gorgan area using Geomod

 

Somayeh Galdavi[5] ^*

S.galdavi@kashmar.ac.ir

Marjan Mohammadzadeh[6]

Abdolrasool Salman Mahiny[7]

Ali Najafi Nejad [8]

Admission Date: November 23, 2023

Date Received: October 24, 2023

 

Abstract

Background and Objective: Each year, a wide range of forests change to the other uses such as agricultural and residential lands. Forests in northern Iran are no exception, and this decrease has been seen nearly everywhere. Therefore, the research was conducted with the aim of forest changes modeling in Gorgan area using Geomod model.

Material and Methodology: In the present study, forest changes occurred in Gorgan area was detected during 20 years. Then, forest change modeling was performed using Geomod. To do this, land use maps for the study time period were prepared using satellite imagery. Then, change detection process was performed by post-classification comparison technique. The Geomod was run to simulate forest changes in this area.

Findings: Forest change detection and its modelling showed the reduction of forest area in the region. Also, modeling results were validated using kappa indices which resulted in more than 0.99 and indicated model capability in the depicted forest changes in this area. Then, the future condition of forest areas were predicted using the model.

Discussion and Conclusions: Results showed that forest areas have been decreased in this time period that development of residential areas and agricultural lands are the main reason for this. So, managerial and protectoral programs such as determining agricultural lands' boundaries, preventing their expansion, preventing rural expansion, and restricting accessible to forest areas were suggested.

 

Keywords: Change Modeling, Geomod, Forest areas, Gorgan, Iran.

 

 

 

 

مقدمه

 

تغییرات کاربری و پوشش زمین به عنوان یک عامل مهم تغییرات جهانی در دهه‏های اخیر مشخص شده است (1). فعالیت‏های بشر دلیل اصلی تغییرات محیط و بر هم خوردن نظم اکوسیستم‏ها است. از جمله این تحولات می‏توان به تخریب جنگل‏ها و مراتع در سطح وسیع و ایجاد زمین‏های کشاورزی و سایر کاربری‌های مورد نظر بشر اشاره نمود (2، 3 و 4). جنگل یک منبع طبیعی مهم است که باید در الویت حفاظتی برای مدیریت پایدار محیط زیست قرار گیرد (4). با این حال فعالیت‏های انسانی، فشارهای شدیدی را بر اراضی جنگل‏ اعمال می‏نماید (5 و 6) که این امر باعث کاهش چشمگیر وسعت اراضی جنگلی در سراسر جهان شده است (3 و 4). این کاهش اثرات زیادی بر وضعیت بوم‏شناختی، اقتصادی و اجتماعی بر جای می‏گذارد(5). پیامدهای حاصل از آن شامل انهدام جوامع زیستی (5، 6 و 7)، فرسایش خاک و بیابان‌زایی (5)، گرمایش جهانی، کاهش درآمد جنگل‏نشینان و نیز تغییر کارکرد اکوسیستم‏ها و تغییرات کمی و کیفی آب‏های سطحی است. این موضوع، اهمیت نقشه‏سازی، کمی‏سازی، پایش و مدل‏سازی تغییرات در خصوصیات فیزیکی پوشش جنگل به عنوان یک عنصر اصلی در درک و مطالعات تغییرات جهانی را نشان می‏دهد (8).

بررسی تغییرات مکانی و زمانی پدیده‏های سطح زمین مبنایی، برای درک بهتر روابط و ارتباط متقابل بین انسان و پدیده‏های طبیعی برای مدیریت و استفاده بهتر از منابع طبیعی مهیا می‏کند (3، 5 و 8). در این زمینه، استخراج تغییرات رخ داده با استفاده از تصاویر ماهواره‌ای به یکی از زیرشاخه‌های مهم در علم جنگلداری تبدیل شده است و ابزاری برای پایش انواع تغییرات در اکوسیستم‌های جنگلی است (9). همچنین، مدل‏سازی تغییرات کاربری زمین می‏تواند اطلاعاتی در مورد نحوه تغییرات کاربری زمین طی زمان، عوامل موثر بر ایجاد تغییرات، چگونگی کنترل تغییرات و پیشگیری از تغییرات مخرب و نیز برای تصمیم‏گیری در مورد نحوه استفاده از اراضی ارایه نماید (5، 9 و 10). مدل نماینده ساده شده‏ای از کل سیستم است و به عبارتی نمایان‏گر خلاصه ساده شده واقعیت‏هایی است که در یک سیستم وجود دارد. فرآیند مدل‏سازی با بررسی جامع تغییرات ایجاد شده در کاربری زمین و با بررسی پارامترهای موثر بر این تغییرات، ابزاری مهم برای مطالعه تغییرات کاربری زمین محسوب می‏شود (11 و 12). مدل‏ها با توضیح ساز و کارها و دلایل تغییر کاربری زمین به دولت‏ها جهت تنظیم سیاست‏های مناسب کمک می‏نمایند. رهیافت‏های مدل‏سازی متفاوتی برای درک تغییرات کاربری زمین و عوامل موثر بر این تغییرات وجود دارند (13 و 14). یکی از این رهیافت­ها، در قالب مدل Geomod ارایه شده است. Geomod یک مدل تغییر کاربری زمین است که در اصل برای مدل‏سازی کاهش جنگل‏های گرمسیری (15) و برآورد خروج دی‏اکسیدکربن ناشی از تخریب این جنگل­ها طراحی شده است (15 و 16). مدل Geomod توسط محققین در کالج علوم جنگل­داری و محیط‏زیست سانی[9] (7 و 17) و با سرمایه‏گذاری بخش انرژی، برنامه پژوهش دی‏اکسیدکربن[10] و بخش تغییر اقلیم و اتمسفر امریکا[11] توسعه یافته است. پانتیوس و همکاران (2001) تعریف جامعی از Geomod ارایه نموده­اند: Geomod یک مدل تعیین چگونگی تغییر کاربری زمین است که تغییر یک­سویه از یک نوع کاربری زمین به نوع دیگر را پیش‏بینی می‏کند. در این مدل دو مولفه وجود دارد: سطح تغییر کاربری زمین و محلی که تغییر کاربری زمین رخ می‏دهد. این مدل محدوده تغییر کاربری زمین را پیش‏بینی می‏کند و سطح تغییر را با مقایسه مساحت به دست آمده از نقشه‏های کاربری زمین چند زمانه برآورد می‏نماید (17). برای به دست آوردن سطح تغییر کاربری زمین، از تصاویر ماهواره‏ای چند زمانه استفاده می‏شود. به طور کلی تغییرات پوشش زمین و کاربری زمین به عنوان نتیجه‏ای از اثرات متقابل بین عوامل اقتصادی- اجتماعی، حقوقی و محیط‏زیستی در نظر گرفته می­شوند (13 و 18). به این ترتیب، برای مدل‏سازی مناطقی که در آن­ها تغییر کاربری زمین رخ داده است، این مدل تعدادی از داده‏های مکانی مربوط به عوامل اجتماعی – اقتصادی و زیست فیزیکی را مورد استفاده قرار می‏دهد (4، 10، 19، 20 و 21).

مدل Geomod برای مدل‏سازی تغییرات کاربری و پوشش زمین در مطالعات بسیاری استفاده شده است (5، 10، 12، 15، 16، 17، 22، 23؛، 24، 25، 27 و 28). این مدل برای مدل‏سازی تخریب جنگل در ماساچوست (12)، کاستاریکا (17)، هند (25)، برزیل (20) و شیلی (5) مورد استفاده قرار گرفته است. همچنین، برخی از محققین از این مدل در مدل‏سازی تغییرات شهری استفاده و نتایج موفقیت‏آمیزی کسب نموده‌اند (15، 16، 22 و 24). در ایران این مدل برای مدل‌سازی تغییرات کاربری و پوشش زمین (8)، توسعه شهری (22 و 23)، مدل‌سازی تغییرات اراضی کشاورزی و توسعه آن (27) و مدل­سازی تغییرات اراضی جنگلی (9، 28 و 29) استفاده شده است.

در مطالعه حاضر، از مدل Geomod جهت مدل‏سازی تغییرات اراضی جنگلی منطقه گرگان در استان گلستان در دوره زمانی 2025- 2007 استفاده خواهد شد. به این منظور، ابتدا مدل‌سازی شرایط در دو دوره زمانی 1988-1998 و 1998-2007 انجام خواهد شد. سپس، شرایط آینده منطقه پیش‌بینی می‌گردد. پیش‌بینی شرایط آینده می‌تواند امکان کنترل تغییرات آینده اراضی و در نتیجه مدیریت مناسب منطقه را امکان‏پذیر نماید (2).

 

مواد و روش‏ها

منطقه مورد مطالعه

منطقه مورد مطالعه در پژوهش حاضر در محدوده جغرافیایی ΄32 ̊ 36 تا̒  2 ̊ 37 عرض شمالی و ΄12̊ 54 تا ΄58̊ 54 طول شرقی در استان گلستان قرار دارد. مرز منطقه مطالعاتی، مرز شهرستان است که براساس حوزه آبخیز تصحیح شده است. منطقه مطالعاتی حدود 1232 کیلومتر مربع مساحت دارد و از دو بخش کوهستانی (جنوب منطقه) و بخش دشتی (شمال منطقه) تشکیل شده است. کاربری‏های اراضی موجود در منطقه مورد مطالعه شامل مناطق مسکونی، اراضی زراعی، اراضی مرتعی، اراضی جنگلی، منابع آبی و اراضی بایر هستند. اراضی جنگلی شامل بخش‏هایی از مناطق جنگلی توسکاستان، محمدآباد، زیارت و شصت‏کلاته است که در جنوب منطقه واقع شده­اند. مهم‏ترین منطقه مسکونی آن شهر گرگان است که از شهرهای بخش شمالی دامنه ارتفاعات البرز ایران محسوب می­شود. از آبادی‏های مهم این منطقه می‏توان به روستای زیارت در جنوب شهر گرگان اشاره نمود (شکل 1).

هدف از انتخاب این منطقه برای مطالعه، تغییرات شدید کاربری زمین در بخش‏هایی از منطقه ‏در سال‏های گذشته است. بخش‏هایی از منطقه نیز از جنبه‏ توریسم تحت توسعه نامناسب قرار گرفته است که سبب شدت گرفتن فرآیندهای ساخت و ساز گسترده و تغییرات کاربری زمین در این منطقه گردیده است. همچنین، تبدیل اراضی جنگلی به کاربری‏های کشاورزی و مسکونی و نیز تبدیل اراضی کشاورزی به مناطق مسکونی و تاسیسات انسان‏ساخت در سال‏های اخیر در این منطقه مشاهده شده که این عوامل در انتخاب این منطقه جهت مدل‏سازی تغییرات کاربری زمین نقش داشته است.

 

 

 

 

شکل 1- موقعیت جغرافیایی منطقه مطالعاتی

Figure 1. situation of the study area

 

داده­ها

 

برای مدل‏سازی تغییرات نخست نیاز به تهیه نقشه‏های کاربری زمین در بازه زمانی مورد مطالعه است (9). در مرحله بعد، نقشه متغیرهای مستقل و متغیر وابسته تهیه می‏شوند. سپس، متغیرهای مستقل از لحاظ وجود رابطه همبستگی با هم مقایسه و از میان متغیرهای دارای همبستگی، برخی حذف می­گردند. این امر هم باعث کاهش حجم داده‏ها و کاهش حجم محاسبات مدل‏ها می‏شود و هم از اتلاف زمان و انجام محاسبات با اولویت کم­تر جلوگیری می‏نماید. به این ترتیب متغیرهای نهایی مدل انتخاب می­شوند. مرحله آخر اجرای مدل است. در مطالعات مدل‏سازی تغییرات کاربری زمین، متغیر وابسته همان کاربری زمین مشخص مورد مطالعه و متغیرهای مستقل عبارت­اند از متغیرهایی که بر تغییر کاربری زمین موثرند. این متغیرهای مستقل، در ادامه ذکر می­شوند.

در پژوهش حاضر، برای تهیه نقشه‏های کاربری زمین، از تصاویر ماهواره‏ای مربوط به سه دوره زمانی استفاده می­شود و فرآیندهای آشکارسازی و مدل‏سازی در دوره زمانی 1988-1998 و 1998-2007 انجام خواهد شد. از داده‌های سنجش از دور به طور گسترده‌ای در مطالعات مختلف برای به دست آوردن داده‌ها و نقشه‌های مورد نیاز برای مدلسازی تغییرات کاربری و پوشش زمین استفاده شده است (1، 4، 19 و 29). در این پژوهش، تصاویر سنجنده TM ماهواره‏ لندست مربوط به سال 1988 و سال 1998 و تصاویر سنجنده LISSІІІ ماهواره IRS مربوط به سال 2007 مورد استفاده قرار گرفت. همچنین، از نقشه‏های 25000/1 سازمان جغرافیایی مربوط به سال 1382 برای تهیه لایه مدل رقومی ارتفاع (DEM) منطقه استفاده گردیده است. لایه‏های شیب و جهت شیب منطقه مورد مطالعه با استفاده از لایه مدل رقومی ارتفاع تهیه خواهند شد. از طرفی، لایه‏های حمل و نقل که به صورت لایه فاصله از جاده‏های اصلی در مطالعه به کار خواهد رفت، از نقشه‏های 25000/1 تهیه شده توسط سازمان جغرافیایی کشور، به دست آمدند. این مطالعه در بازه زمانی 20 ساله، از سال 1988 تا سال 2007 انجام می‌شود. جدول (1) داده‏های مورد استفاده در مطالعه را نشان می‏دهد.

 

 

 

 

جدول 1- داده‏های مورد استفاده در مطالعه

Table 1. Data used in the study

داده‏های مورد استفاده	توصیف داده‏ها	باندهای مورد استفاده	تاریخ
تصاویر ماهواره‏ای سال 1988	مربوط به سنجنده TM لندست	1، 2، 3، 4، 5 و 7	5/9/1988
تصاویر ماهواره‏ای سال 1998	مربوط به سنجنده TM لندست	1، 2، 3، 4، 5 و 7	12/6/1998
تصاویر ماهواره‏ای سال2007	مربوط به سنجنده LissІІІ،IRS	2، 3، 4 و 5	15/10/2007
نقشه‏های 25000/1	تهیه شده توسط سازمان جغرافیایی کشور	-	1382

 

روش کار

 

• طبقه‏بندی تصاویر ماهواره‏ای و آشکارسازی تغییرات

نخست تصاویر ماهواره‏ای از لحاظ هندسی و رادیومتری مورد بررسی قرار گرفتند و پس از انجام تصحیحات مورد نیاز، پردازش و طبقه‏بندی تصاویر با استفاده از نرم‏افزار Idrisi Selva انجام گردید. در این مطالعه با استفاده از روش نظارت شده و با استفاده از الگوریتم حداکثر احتمال عملیات طبقه‏بندی تصاویر انجام گردید. بررسی درستی طبقه‏بندی با روش استفاده از نقاط کنترل زمینی انجام شد. در این روش برای بررسی درستی طبقه‏بندی، تصویر طبقه‏بندی شده با یک تصویر حاوی نقاط کنترل زمینی مقایسه می­گردد. این روش برای هر یک از نقشه‏های کاربری زمین انجام شد و مقادیر کاپا و درستی کل به دست آمد. مقدار معیار کاپا و درستی کل در گستره 1-0 است. هر چه این عدد به یک نزدیک‏تر باشد، نقشه طبقه‏بندی­شده از صحت بالاتری برخوردار است.

آشکارسازی تغییرات کاربری زمین، فرآیند شناسایی تغییرات ایجاد شده در کاربری زمین در یک فاصله زمانی مشخص است. در این مطالعه، از روش مقایسه پس از طبقه‏بندی برای آشکارسازی تغییرات کاربری زمین استفاده خواهد شد. در این روش، نخست تصاویر ماهواره‏ای مربوط به چند سال مختلف طبقه‏بندی شدند. در مرحله بعد فرآیند آشکارسازی تغییرات کاربری زمین با مقایسه نقشه‏های کاربری زمین تهیه شده، انجام گرفت (27 و 29). در پژوهش حاضر، نقشه‏‏های کاربری زمین برای سال‏های 1988، 1998 و 2007 با استفاده از تصاویر ماهواره‏ای ذکر شده در جدول (1) تهیه شدند. سپس، این نقشه‏ها برای اجرای عملیات آشکارسازی تغییرات در دو بازه زمانی 1988-1998 و 1998-2007 مورد استفاده قرار گرفتند. در این مطالعه برای اجرای فرآیند آشکارسازی تغییرات از ماژول Crosstab در نرم‏افزار Idrisi Selva استفاده شد.

• تهیه نقشه متغیرهای موثر بر تغییرات

امروزه فعالیت‏های انسانی اصلی‏ترین نیروی اثرگذار در تغییرات کاربری و پوشش زمین می‏باشد (10، 23، 27، 28و 29)، از این رو، ترکیب عوامل انسانی در کنار عوامل زیست فیزیکی در استخراج الگوهای تغییرات کاربری زمین، بسیار با اهمیت است. بر این اساس، در این مطالعه از متغیرهای فیزیکی شامل لایه‏های شیب، جهت و ارتفاع، فاصله از اراضی مرتعی، فاصله از حاشیه جنگل، ^[12]NDVI، لایه Fragmentation، لایه طول[13]، لایه عرض[14]و متغیرهای جایگزین (Surrogate) اجتماعی – اقتصادی شامل لایه‏های فاصله از روستاها، فاصله از جاده‏ها، فاصله از اراضی کشاورزی و فاصله از مناطق مسکونی شهر استفاده شد. Fragmentation به معنای لکه‏لکه‏شدگی و تکه‏تکه‏شدگی یک پدیده است. در این مطالعه، از لایه Fragmentation به عنوان شاخص تکه‏تکه‏شدگی اراضی جنگلی در مدل‏سازی استفاده شد.

گاهی ممکن است رابطه­ای بین متغیرها از نظر اثرگذاری بر متغیر وابسته، وجود داشته باشد. در این صورت، می‏توان از بین متغیرهای با همبستگی بالا برخی را حذف و با توجه به سایر متغیرها، اثر آن متغیرها را هم بر متغیر وابسته بررسی نمود. این امر هم باعث کاهش حجم داده‏ها و کاهش حجم محاسبات مدل‏ها می‏شود و هم از اتلاف زمان و انجام محاسبات با اولویت کم جلوگیری می‏نماید. بنابراین، پس از تهیه نقشه متغیرها، میزان همبستگی آن‏ها با یک­دیگر با استفاده از روش آنالیز مولفه‏های اصلی^[15] (PCA) بررسی خواهد شد. در این روش با محاسبه کوواریانس بین متغیرها، میزان همبستگی بین متغیرهای مستقل تعیین می‏گردد. علاوه بر اجرای تحلیل مولفه‏های اصلی، فرآیند Contract نیز اجرا شد. تحلیل Contract اثرات همبستگی مکانی متغیرهای مورد استفاده در مدل‏سازی را کاهش می‏دهد. این تحلیل در محیط نرم­افزار Idrisi Selva و با استفاده از ماژول Contract انجام می­شود و طی آن اندازه پیکسل­ها کوچکتر می­گردد.

نتایج بررسی همبستگی بین متغیرهای مستقل نشان داد که همبستگی قوی بین متغیرهای مستقل «فاصله از مناطق مسکونی شهری و فاصله از روستاها»، «فاصله از مناطق مسکونی شهری و فاصله از جاده‏ها» و «فاصله از روستاها و فاصله از جاده‏ها» وجود دارد. میزان همبستگی بین این متغیرها بیش از 90/0 بود. با توجه به میزان همبستگی‏ها، برخی از این متغیرها از فرآیند مدل‏سازی حذف گردید. به این ترتیب، متغیرهای مستقل نهایی مدل عبارتنداز لایه‏های شیب، جهت، ارتفاع، فاصله از روستاها، فاصله از حاشیه جنگل، فاصله از اراضی کشاورزی، فاصله از اراضی مرتعی، NDVI، Fragmentation، X Location و لایه Y Location. همه این متغیرهای مستقل دارای ماهیت پیوسته هستند. متغیر وابسته مدل – لایه تغییرات اراضی جنگلی در بازه زمانی مورد مطالعه – دارای ماهیت گسسته باینری (صفر و یک) است. جدول (2) فهرست متغیرهای مورد استفاده برای مدل‏سازی تغییرات اراضی جنگلی را نشان می‏دهد.

 

 

جدول 2- فهرست متغیرهای مورد استفاده برای مدل‏سازی تغییرات اراضی جنگلی

Table 2. List of variables used to model forest changes

متغیرهای مورد استفاده در مدل‏سازی	ماهیت تغییر
شیب	پیوسته
جهت شیب	پیوسته
ارتفاع	پیوسته
فاصله از روستاها	پیوسته
فاصله از جاده‏ها	پیوسته
فاصله از لبه جنگل	پیوسته
فاصله از اراضی کشاورزی	پیوسته
فاصله از اراضی مرتعی	پیوسته
NDVI	پیوسته
Fragmentation	پیوسته
لایه طول و عرض	پیوسته

 

 

• چگونگی اجرای مدلGEOMOD:

مدل Geomod محل‏هایی را که احتمال تغییر در کاربری و پوشش زمین آن‏ها وجود دارد، با استفاده از سه دستورالعمل تصمیم‏گیری تعیین می‏کند. این دستورالعمل‏ها شامل سه موردی هستند که در ادامه می­آیند. 1- عواملی که بر این تغییرات اثر می‏گذارند و اثر عوامل موثر بر ایجاد تغییرات کاربری و پوشش زمین را در مدل‏سازی تغییرات اعمال می‏کند. 2- تصویر اشکوب‏بندی شده که از تقسیمات ناحیه‏ای مانند تقسیمات کشوری (مثلا مرز شهرستان‏ها) جهت انجام فرآیند مدل‏سازی در هر یک از مرزها استفاده می‏کند و در این محدوده‏ها وضعیت تغییرات کاربری یا پوشش زمین را به طور جداگانه تعیین می‏نماید و 3- نزدیک‏ترین همسایه که در هر یک از مراحل زمانی، تبدیل کاربری یا پوشش زمین را برای مناطقی که روی مرز هستند، تعیین می‏کند (4، 15 و 17). مثلا برای اراضی جنگلی، تبدیل از پیکسل‏‏های جنگلی به غیر جنگل با توجه به پیکسل‏‏های همسایه بررسی می­شود (4 و 17). دستورالعمل سوم در واقع قوانین همسایگی را شامل می­شود. محققان می‏توانند به طور اختیاری از هر یک از این سه دستورالعمل استفاده کنند (17).

پس از آشکارسازی تغییرات کاربری زمین و تهیه نقشه‏های عوامل موثر بر ایجاد تغییرات کاربری زمین، فرآیند مدل‏سازی تغییرات در دو مرحله زمانی 1988-1998 و 1998-2007 انجام گردید. برای اجرای مدل‏ Geomod باید نقشه تناسب و یا نقشه‏ احتمال تغییر تهیه شود. این نقشه، میزان احتمال هر پیکسل را برای تغییر با توجه به متغیرهای مستقل مورد بررسی نشان می‏دهد و مقادیر بالا در این نقشه نشان‏دهنده مناطق با احتمال بالاتر برای تغییر است. نقشه تناسب را با استفاده از روش رگرسیون لجستیک یا روش MCE می‏توان تهیه نمود. در این مطالعه از روش رگرسیون لجستیک جهت تهیه نقشه تناسب استفاده خواهد شد. متغیر وابسته در مدل Geomod، لایه نوع کاربری زمین مورد نظر در سال شروع مدل‏سازی است که این لایه از نقشه کاربری زمین منطقه استخراج گردید.

مدل GEOMOD یک روش اعتبارسنجی داخلی دارد که به صحت و اعتبار بیش‏تر نتایج حاصل از آن کمک می‏نماید. همچنین، اعتبارسنجی نتایج حاصل از مدل‏سازی در دوره‏های زمانی مورد نظر با استفاده از ماژول VALIDATE  انجام و میزان صحت مدل با استفاده از معیار کاپا بررسی شد. این معیار، مقداری بین صفر و یک دارد و هر چه میزان آن‏ بیش‏تر باشد، مدل اجرا شده، از صحت بیش‏تری برخوردار خواهد بود. شکل (2) مراحل اجرای مدل GEOMOD را نشان می‏دهد.

 

شکل‏های استفاده شده موارد زیر را نشان می‏دهند:               : داده‏های ورودی               : فرآیندهای اجرایی               : خروجی

اعتبارسنجی نتایج مدل‏سازی

نتایج اعتبارسنجی

نتایج مدل‏سازی

تهیه نقشه‏های متغیر وابسته و متغیرهای مستقل

تهیه نقشه تناسب

اجرای مدل Geomod

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 2- مراحل اجرای مدل GEOMOD

Figure 2. implementation steps of GEOMOD model

 

 

 

• چگونگی پیش‏بینی شرایط آینده اراضی

برای پیش‏بینی شرایط آینده اراضی نیاز به یک نقشه زمان شروع فرآیند مدل‏سازی و نقشه تناسب تغییر است. ضمن این که در مدل‏سازی شرایط آینده از آن جا که وضعیت کاربری زمین در سال نهایی مدل‏سازی موجود نیست، در این مدل تعداد پیکسل تغییر یافته در فاصله زمانی که پیش‏بینی برای آن صورت می‏گیرد، به مدل معرفی می‏شود و مدل با استفاده از دو تصویر ذکر شده و تعداد پیکسل‏های تغییر یافته، شرایط آینده کاربری‏های مورد مطالعه را پیش‏بینی می‏نماید. در این مطالعه شرایط آینده اراضی در دو فاصله زمانی 2007-2016 و2007-2025 پیش‏بینی شدند. فرض براین بوده است که در آینده نیز همین روند ادامه خواهد داشت.

یافته‌ها

در این مطالعه تغییرات اراضی جنگلی با مدل Geomod در بازه زمانی 20 ساله در مناطق جنگلی گرگان مدل‏سازی شد و سپس در مرحله بعد شرایط آینده اراضی برای سال‏های 2016 و 2025 تعیین گردید. نتایج حاصل ا‏ز این مطالعه در ادامه آورده می‏شود.

طبقه‏بندی تصاویر ماهواره‏ای و آشکارسازی تغییرات

بررسی درستی طبقه‏بندی با محاسبه مقادیر کاپا و درستی کل به دست آمد. این معیارها با کسب مقادیر بیش از 90/0 نمایان­گر طبقه­بندی مطلوب تصاویر هستند. نتایج حاصل از این بررسی در جدول (3) ارایه شده است.

 

 

جدول 3- نتایج حاصل از بررسی صحت طبقه‏بندی تصاویر ماهواره‏ای

Table 3. Results of the accuracy assessment of the classification of satellite images

نقشه‏‏های کاربری زمین	معیار کاپا	معیار درستی کل
نقشه‏‏ کاربری زمین 1988	9140/0	9360/0
نقشه‏‏ کاربری زمین1998	9602/0	9714/0
نقشه‏‏ کاربری زمین2007	9304/0	9470/0

 

بعد از طبقه‏بندی تصاویر ماهواره‏ای و ارزیابی درستی طبقه‏بندی آن‏ها، عملیات آشکارسازی تغییرات به روش مقایسه پس از طبقه‏بندی[16] در محیط نرم‏افزار Idrisi Selva انجام شد. این فرآیند در دوره‏های زمانی 1988-1998 و 1998-2007 به طور جداگانه انجام و تغییرات ایجاد شده در هر یک از انواع کاربری‏ زمین در هر دو دوره، مطالعه گردید. نتایج حاصل از آشکارسازی تغییرات نشان داد که در بازه زمانی مورد مطالعه تغییرات قابل ملاحظه‏ای در مناطق جنگلی ایجاد شده است. جدول (4) نتایج حاصل از آشکارسازی تغییرات را نشان می‏دهد.

 

 

جدول 4- نتایج حاصل از آشکارسازی تغییرات در منطقه مطالعاتی

Table 4. Results of the change detection process in the study area

نام کلاس	مساحت 1988 (ha)	مساحت 1998 (ha)	میزان کاهش مساحت	مساحت 2007 (ha)	میزان کاهش مساحت
جنگل	6/49885	5/49433	453	48539	894

 

نتایج حاصل از آشکارسازی تغییرات اراضی جنگلی نشان داد که تغییرات این اراضی در دوره زمانی مورد مطالعه روند کاهشی داشته است. بنابر نتایج حاصل، اراضی جنگلی حوضه در دوره زمانی 1988-1998 حدودا 453 هکتار و در دوره زمانی 1998-2007 حدودا 894 هکتار کاهش داشته است. با توجه به این نتایج مشخص می‏شود که در این منطقه سطح اراضی جنگلی طی دوره زمانی مورد مطالعه رو به کاهش است. بخش عمده تغییرات به دلیل تبدیل اراضی جنگلی به مناطق مسکونی و نیز تبدیل اراضی به اراضی کشاورزی بوده است که منجر به کاهش سطح اراضی جنگلی منطقه در طی زمان شده است. به عنوان نمونه شکل ‏(3)، نتایج حاصل از آشکارسازی تغییرات اراضی جنگلی حوضه در دوره زمانی 1998-2007 را نشان می‏دهد.

 

 

شکل‏ 3- نقشه آشکارسازی تغییرات اراضی جنگلی در دوره 1998-2007

Figure 3. change detection map of forest area during 1998-2007

 

مدل‏سازی تغییرات

 

مدل Geomod در دوره زمانی 1988-1998 با استفاده از نقشه تناسب تهیه شده برای مناطق جنگلی به روش رگرسیون لجستیک اجرا گردید. نقشه تناسب با روش رگرسیون لجستیک و با توجه به ارتباط بین متغیرهای مستقل و متغیر وابسته تهیه شد. همچنین، مدل Geomod برای مدل‏سازی کاهش اراضی جنگلی در دوره زمانی 1998-2007 نیز اجرا گردید. نقشه تناسب با روش رگرسیون لجستیک و با توجه به ارتباط بین متغیرهای مستقل و متغیر وابسته تهیه و مدل با استفاده از نقشه تناسب و اعمال قوانین همسایگی در پنجره سه در سه اجرا گردید. به عنوان نمونه، شکل­های (4) و (5) نقشه حاصل از مدل‏سازی کاهش اراضی جنگلی با مدل Geomod و نقشه تناسب کاهش جنگل در دوره زمانی 1998 -2007 در منطقه مطالعاتی را نشان می‏دهند.

 

 

شکل 4- نقشه مدل‏سازی شده کاهش اراضی جنگلی در دوره 1998-2007 Figure 4. Modeled map of forest reduction in the period 1998-2007

شکل 5- نقشه تناسب کاهش اراضی جنگلی در دوره 1998-2007 Figure 5. Suitability map of forest reduction in the period 1998-2007

 

همان­گونه که نقشه تناسب تغییر (شکل5) نشان می­دهد، محل­های با ارزش بالاتر احتمال بیش­تری برای تخریب دارند و نقشه حاصل از اجرای مدل Geomod (شکل 4) نیز مبین همین موضوع است. فرآیند اعتبارسنجی نتایج حاصل از مدل‏سازی با محاسبه معیارهای کاپا انجام شد. مقادیر معیارهای کاپای استاندارد، کاپای محل و Kno در دوره زمانی 1988-1998، به ترتیب 9962/0، 9962/0 و 9968/0 و در دوره زمانی 1998-2007، به ترتیب 9923/0، 9924/0 و 9937/0 به دست آمدند. بالا بودن مقادیر این معیارها، توانایی مناسب مدل Geomod را برای مدل‏سازی الگوی مکانی تغییرات اراضی جنگلی در منطقه تایید می‏نمایند. لاندیز و کوک (1977) معیار کاپا را در چند طبقه مطابق با جدول (5) رتبه‏بندی نمودند (30). بنابراین با توجه به این طبقه‏بندی، کاپای به دست آمده در این مطالعه در طبقه صحت (توافق) قوی^[17] قرار دارد که توانایی بالای مدل را در این منطقه مطالعاتی با داده‏های مورد استفاده تایید می‏نماید.

 

 

جدول 5- طبقات معیار کاپا براساس طبقه‏بندی لاندیز و کوک (1977)

Table 5. Kappa Standard Classification Based on Landis & Koch (1977)

مقدار کاپا	رتبه‏بندی
بیش از 8/0	صحت قوی
8/0-6/0	صحت خوب
6/0-4/0	صحت متوسط
کم‏تر از 4/0	صحت ضعیف

 

پیش‏بینی شرایط آینده اراضی جنگلی

 

نتایج حاصل از اعتبارسنجی نشان داد که این مدل توانایی خوبی در مدل‏سازی تغییرات کاربری زمین در منطقه مورد مطالعه دارند. بنابراین، در مرحله بعد شرایط آینده اراضی با استفاده از این مدل ‏برای سال‏های 2016 و 2025 پیش‏بینی شدند.

به این منظور برای پیش‏بینی اراضی جنگلی در دوره‏های زمانی 2007-2016 و 2007-2025، مدل Geomod با استفاده از نقشه تناسب تهیه شده برای کاهش اراضی جنگلی در دوره 1998-2007 و نیز با استفاده از تعداد پیکسل‏های کاهش یافته این دوره‏ها اجرا گردید. شکل­های (6) و (7) نقشه تناسب و نقشه‏ پیش‏بینی شرایط آینده اراضی جنگلی حاصل از اجرای مدل Geomod در دوره‏ زمانی 2007-2025 را نشان می‏دهند. البته فرض بر این بوده است که شرایط گذشته هم­چنان در آینده ادامه یابد.

 

 

 

 

شکل ‏6- نقشه‏تناسب کاهش اراضی جنگلی در دوره‏ 2007-2025

Figure 6. Suitability map of forest reduction during 2007-2025

 

 

شکل 7- نقشه‏ پیش‏بینی شرایط آینده اراضی جنگلی در دوره‏ 2007-2025

Figure 7. prediction map of the future condition of forest during 2007-2025

 

 

همان طور که در بخش قبل ذکر شد، اراضی جنگلی در منطقه مورد مطالعه دارای روند کاهشی هستند. بنابراین اقدامات مدیریتی برای حفظ این اراضی ضروری است. در بخش (4) برخی از این اقدامات ارایه خواهد شد.

بحث و نتیجه‏گیری

یکی از قابل توجه ترین موارد تغییر انسان روی زمین، تبدیل اکوسیستم‌های طبیعی به مناظر انسانی است (19). مراقبت از یک اکوسیستم و حفاظت از منابع طبیعی نیازمند آگاهی از شرایط و نحوه تغییر کاربری‌های مختلف اراضی است (31). از آنجا که تغییر کاربری و پوشش زمین اثرات مستقیم و غیرمستقیم بر محیط زیست و همچنین توسعه پایدار منطقه‌ای و جهانی دارد (32)، لذا در پژوهش حاضر تغییرات پوشش جنگلی در منطقه گرگان شناسایی و با استفاده از مدل Geomod مدل سازی گردید. در این زمینه، اظهار نمودند تجزیه و تحلیل ویژگی‌های کاربری و پوشش زمین و بررسی تغییرات آن‌ها در مقیاس‌های زمانی-مکانی مختلف و پیش‌بینی سناریوهای آینده آن در آشکار کردن فرآیندهای تغییرات محیطی منطقه‌ای و جهانی ناشی از فعالیت‌های انسان مفید است (32).

در این پژوهش، نتایج حاصل از آشکارسازی تغییرات برای اراضی جنگلی نشان داد که این اراضی در دوره زمانی 1988-1998 حدودا 453 هکتار و در دوره زمانی 1998-2007 حدودا 5/894 هکتار کاهش یافته­اند. این امر بیان می­کند که تخریب اراضی جنگلی در منطقه با گذشت زمان رو به افزایش است. اگر این روند ادامه یابد، در آینده‏ شاهد وضعیت نامناسب و اسف‏بار اراضی جنگلی در این منطقه خواهیم بود.

در این مطالعه، مدل Geomod برای مدل‏سازی تغییرات اراضی جنگلی در دوره‏های زمانی 1988-1998 و 1998-2007 اجرا گردید. برای اجرای این مدل نخست نقشه تناسب با استفاده از روش رگرسیون لجستیک تهیه شد. این روش در مطالعات زیادی از جمله (9، 10، 12، 27، 28، 31، 32 و 33) برای تهیه نقشه تناسب استفاده شده است. در مرحله بعد، مدل Geomod برای مدل­سازی کاهش جنگل در دو دوره زمانی 1988-1998 و 1998-2007 اجرا شد. سپس، برای اطمینان از قابلیت مدل در مدل­سازی تغییرات جنگل در این منطقه و جهت استفاده از مدل برای پیش­بینی شرایط آینده منطقه، نتایج حاصل با استفاده از ماژول VALIDATE و با محاسبه معیارهای کاپا اعتبارسنجی شد. نتایج اعتبارسنجی مدل با کسب مقادیر کاپای بیش از 99/0 توانایی مدل را برای مدل‏سازی کاهش اراضی جنگلی در این منطقه تایید می‏نماید. نتایج این بخش از پژوهش با نتایج سایر محققان از جمله  Nahib, et al (2018) مطابقت دارد که تغییرات اراضی جنگلی را با استفاده از مدل Geomod در دوره‏های زمانی 1990-2000 در اندونزی مدل­سازی نمودند و از نتایج مدل برای شبیه‌سازی شرایط در سال 2011 استفاده کردند (10). عبداللهی و نصیری (2021) از مدل Geomod برای مدل‌سازی تغییرات اراضی جنگلی در استان گیلان استفاده نمودند. نتایج این مطالعات نشان‏داد که این مدل قادر به مدل‏سازی تغییرات اراضی جنگلی در مناطق مطالعاتی است (28) که نتایج مطالعه حاضر با نتایج این مطالعه مطابقت دارد. لازم به ذکر است در صورتی که عوامل تعیین­کننده تغییر در آینده نیز همین­گونه باشند، نتایج کاپا به صورت مشابه به دست خواهد آمد. اما اگر عوامل موثر بر تغییرات، تغییر یابند مقدار کاپا نیز تغییر خواهد یافت.

به این ترتیب، در مرحله بعد شرایط آینده منطقه با استفاده از مدل  Geomodپیش­بینی شد. نتایج حاصل از بررسی وضعیت آینده اراضی جنگلی برای سال های 2016 و 2025 نشان داد که اراضی جنگلی حوضه در حال کاهش است. دلیل این امر، توسعه فعالیت‏های اجتماعی – اقتصادی در این منطقه و در واقع فرآیند تغییر کاربری زمین است. بخش عمده این تغییرات به دلیل تبدیل اراضی جنگلی به مناطق مسکونی و نیز تبدیل این اراضی به اراضی کشاورزی بوده است. این امر ضرورت انجام اقدامات مدیریتی را برای جلوگیری از تخریب اراضی جنگلی در منطقه نشان می‏دهد. در غیر این صورت اراضی جنگلی حوضه در آینده‏ای نه چندان دور به شدت تخریب شده و کاهش خواهند یافت. همچنین، شکل (8) مساحت جنگل را در دوره زمانی مورد مطالعه از سال 1987 تا سال 2025 در منطقه نشان می‏دهد.

 

 

شکل 8- پیش­بینی تغییرات مساحت جنگل در منطقه مطالعاتی در دوره‏های زمانی مورد مطالعه

Figur 8. Forest change trend within the study area during study periods

 

 

همان طور که شکل (8) نشان می­دهد در فاصله زمانی 1988-2007 حدود 1400 هکتار از سطح جنگل­ها کاسته شده و سطح جنگل­ها از حدود 49800 هکتار در سال 1988 به حدود 48400 هکتار در سال 2007 رسیده است. مطابق پیش­بینی انجام شده در مطالعه حاضر با ادامه این روند، سطح این جنگل­ها در سال 2016 به حدود 47600 هکتار و در سال 2025 به سطحی حدود 46700 هکتار تنزل خواهد یافت. به این ترتیب، همان­گونه که اشاره شد، اگر فرآیندهای تغییر کاربری زمین کنترل و مدیریت نگردند، موجب تغییرات شدید کاربری زمین در منطقه در آینده‏ای نه چندان دور روی خواهد داد. بنابراین، انجام اقدامات مدیریتی و حفاظتی نظیر تعیین محدوده اراضی کشاورزی و ممانعت از گسترش آن­ها، خرید و تبدیل اراضی کشاورزی به کاربری­هایی حفاظتی و نیز جلوگیری از گسترش روستاها و ممانعت از دسترسی بی­رویه مردم به عرصه­های جنگلی پیشنهاد می­گردد. در این زمینه Aksoy, & Kaptan, (2022) اظهار نمودند برای مدیریت و بهره‌برداری پایدار جنگل، حفظ کیفیت و قابلیت تولید اکوسیستم جنگلی و تنوع زیستی آن، مشارکت در چرخه کربن جهانی، نگهداشت منابع آب و خاک و همچنین عملکردهای اجتماعی-اقتصادی آن، توسعه، پایش و حفاظت مناطق جنگلی ضرورت دارند (11). چرا که بررسی‌ها نشان داده از سال 1960 تا 2019، حدود یک سوم از مساحت زمین در سراسر جهان تحت تاثیر انواع مختلف تغییرات کاربری زمین از جنگل‌زدایی تا گسترش زمین‌های کشاورزی و همچنین احیای جنگل‌ها قرار گرفته است (33). به همین دلیل بررسی تغییرات رخ داده در اکوسیستم‌های جنگلی و انجام اقدامات لازم به موقع از اهمیت بالایی برخوردار است. بنابراین، پژوهش حاضر با ارائه اطلاعات در مورد شرایط اراضی جنگلی منطقه، می‌تواند کمک شایانی به تصمیم‌گیران و برنامه‌ریزان و مدیران جهت مدیریت پایدار اراضی جنگل ارائه نماید.

تشکر و قدردانی

نویسندگان از سازمان فضایی ایران و سازمان جغرافیایی نیروهای مسلح کشور به خاطر در اختیار قرار دادن تصاویر ماهواره‏ای سپاس­گزاری می­نمایند.

References

1. Hua, A. K. 2017. Application of ca-markov model and land use/land cover changes in Malacca river watershed, Malaysia. Applied ecology and environmental research. Vol 15. No 4:605-622.
2. Galdavi, S.; Mohammadzadeh, M., salman Mahiny, A. R. & Najafi Nejad, A. 2014. Forest change modeling using logistic regression in the period 1988-2007 and prediction of future condition in gorgan area. Geographic Space, 14(46), 51-70. (In Persian)
3. Abuelaish, B. & Camacho Olmedo, M. T. 2016. Scenario of land use and land cover change in the Gaza Strip using remote sensing and GIS models. Arab J Geosci. Vol 9: 1-14.
4. Eman A. A. & & Bharti, W. G. 2022. Modeling Land Use Change in Sana’a City of Yemen with MOLUSCE. Journal of Sensors. Vol 2022: 1-15.
5. Smaeily, A. & Ashjaei. 2019. Modeling land use change through Markoff and GIS (Case study: Qom Province). Geography and territorial Spatial Arrangement. Vol 9. No 31: 153-172. (In Persian)
6. Echeverria, C., Coomes, D. A., Hall, M. & Newton, A. C. 2008. Spatially explicit models to analyze forest loss and fragmentation between 1976 and 2020 in southern chile. Ecological Modeling. Vol. 212: 439-449.
7. Echeverria, C., Coomes, D., Salas, J., rey-Benayas, J. M., Lara, A. & Newton, A. 2006. Rapid deforestation and fragmentation of Chilean Temperate Forests.Biological Conservation. Xxx-xxx.
8. Naseri Rad, S. Naghavi, H., Soosani, J., Nouredini, A. R. & Vafaei, S. 2021. Investigating the transmission potential of land use and land cover using Similarity Weighted Instance based Learning, Logistic regression and Geomod methods (Case study: Bastam basin, Selseleh city). Journal Environmental Sciences and Technology. Vol 22. No.11.
9. Nozari, F. Salehi, A. Armin, M. & Farzin, M. 2020. Prediction of forest cover changes for Boyer-Ahmad region using Geomod model. Journal of Forest Research and Development. Vol 6. No 3: 463-476.
10. Irmadi, N., Turmudi, R. W., Jaka S., Ratna, S. D. & Sri, L. 2018. Comparing of Land Change Modeler and Geomod Modeling for the Assessment of Deforestation (Case Study: Forest Area at Poso Regency, Central Sulawesi Province). International Journal of Advanced Engineering, Management and Science (IJAEMS). Vol. 4. No 8: 597-607.
11. Aksoy, H. & Kaptan, S. 2022. Simulation of Future Forest and Land Use/Cover Changes (2019-2039) Using the Cellular Automata Markov Model. Geocarto International. Vol 37. No 4: 1183-1202.
12. Schneider, L. C. & Pontius Jr, R. G. 2001. Modeling land-use change in the Ipswich watershed, Massachusetts, USA. Agriculture Ecosystems & Environment. Vol. 85: 83-94.
13. Rahimi, J. & Almodaresi, S. A. 2020. Investigation and Prediction of Land Use Change in Shahrekord City Using Land Change Model and GIS. Journal of Radar and Optical Remote Sensing. Vol 4: 72–86.
14. Serra, P., Pons, X. & Sauri, D. 2008. Land-cover and land-use change in a Mediterranean landscape: A spatial analysis of driving forces integrating biophysical and human factors. Applied Geography. Vol. 28: 189-209.
15. Pontius Jr, R. G. & Malanson, J. 2005. Comparison of the structure and accuracy of two land change models. International Journal of Geographical Information Science.Vol. 19. No. 2: 243-265.
16. Cabral, P. & Zamyatin, A. 2006. Three land change models for urban dynamics analysis in Sintra-Cascais area. 1st Earsel workshop of the sig urban Remote Sensing Humboldt-universitst Zu Berlin, 2-3 March.
17. Pontius Jr, R. G. Cornell, J. D. & Hall, C. A. S. 2001. Modeling the spatial pattern of land- use change with GEOMOD2: Application and validation for CostaRica.Agriculture Ecosystems & Environment. Vol. 1775: 1-13.
18. Pickard, B., Gray, J. & Meentemeyer, R. 2017. Comparing Quantity, Allocation and Configuration Accuracy of Multiple Land Change Models. Land. Vol 6. No 52: 1-21.
19. Azizi, P., Soltani, A., Bagheri, F., Sharifi, Sh. & Mikaeili, M. 2022. An Integrated Modelling Approach to Urban Growth and Land Use/Cover Change. Land. Vol 11: 1-26.
20. Brown, S., Hall, M., Andrasko, K., Ruiz, F., Marzoli, W., Guerrero, G., Masera, O., Dushku, A. & DeJong, B. 2007. Baselines for land-use change in the tropics: application to avoided deforestation projects. Mitig Adapt Start Glob Chenge. Vol. 12: 1001-1026.
21. Pontius Jr, R. G. 2002. Statistical Methods to Partition Effects of Quantity and Location During Comparison of Categorical Maps at Multiple Resolutions. Photogrammetric Engineering & Remote Sensing. Vol. 68. No. 10: 1041-1049.
22. Soffianian, A. & Ahmadi Nadoushan, M. 2010. Modelling urban changes using Geomod Model in Arak, Iran.3^rd International Conference on Cartography and GIS.15-20 June. Nessebar, Bulgaria.
23. Shayesteh, K. Abedian, S. & Galdavi, S. 2018. Urban Expansion Modeling Using Logistic Regression Method based on Geomod Model Case study: Kordkuy city. Vol 16. No 51: 44-64.
24. Poelmans, L. & Romoaey, A. V. 2009. Detection and modeling spatial patterns of urban sprawl in highly fragmented areas: A case study in the Flunders region. Landscape and Urban Planning. (93): 10-19.
25. Pontius Jr, R. G & Pacheco, P. 2004. Calibration and validation of model of forest disturbance in the western ghats, India 1920- 1990. Geo Journal. Vol. 61: 325-334.
26. Galdavi, S., Mohammadzadeh, M., Salman Mahini, A. & Najafi Nejad, A. 2013. Urban Change Detection Using Multi-Temporal Remotely Sensed imagery (Case study: Gorgan Area, Northern Iran). Environment & Urbanization ASIA. Vol 4: 339-348.
27. Andaryani, S., Sloan, S., Nourani, V. & Keshtkar, H. 2021. The utility of a hybrid GEOMOD-Markov Chain model of land-use change in the context of highly water-demanding agriculture in a semi-arid region. Ecological Informatics. Vol 64: 1-12.
28. Abdollahi, S. & Nasiri, V. 2021. Forest change Detecting and predicting in Gilan province using satellite images and geomed. Environmental research and technology. Vol 7. No 5: 141-151. (In Persian)
29. Nasiri, V. Darvishsefat, A. A. Shirvani, A. & Avatefi Hemmat. 2019. Forest change detecting and modeling in Arsbaran using regression Logistic, Markov chain and geomed model. Vol 19. No 65: 171-189.
30. Landis, J. & Koch, G. 1977. The measurement of observer agreement for categorical data. Biometrics. Vol 33: 159–174.
31. Heidarizadi, Z. & Mohammadian Behbahani, A. 2019. Performance comparison of Geomod and LCM models to predict land use changes (case study: Abughovair plain, Ilam province). Iranian Journal of Range and Desert Research. Vol 26. No 3: 660-674. (In Persian)
32. Yang, Ch., Wu, G., Chend, J., Lia, Q., Dinge, K., Wangf, G & Zhanga, Ch. 2019. Simulating and forecasting spatio-temporal characteristic of land-use/cover change with numerical model and remote sensing: a case study in Fuxian Lake Basin, China. European journal of remote sensing. VOl 52. NO 1: 374–384.
33. Thiam, S., Ariel, A., Salas, Houngue, N. R., Santos Almoradie, A. D., Verleysdonk, S., Adounkpe, J. & Komi, K. 2022. Modelling Land Use and Land Cover in the Transboundary Mono River Catchment of Togo and Benin Using Markov Chain and Stakeholder’s Perspectives. Sustainability. Vol 14: 1-22.

 

 

 

 

1- استادیار گروه علوم و مهندسی محیط زیست، مرکز آموزش عالی کاشمر. ^*(مسوول مکاتبات)

2- دانشیار گروه محیط زیست، دانشکده شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3- دانشیار گروه محیط زیست، دانشکده شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

4- دانشیار گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

[5]- Assistant Professor of Environmental Sciences (Land use Planning). Department of Environmental Sciences and Engineering. Kashmar Higher Education Institute. *(Corresponding Author)

[6]- Associate Professor, Faculty of fisheries and Environmental sciences, Gorgan University of Agriculture Sciences and Natural Resources.

[7]- Associate Professor, Faculty of fisheries and Environmental sciences, Gorgan University of Agriculture Sciences and Natural Resources.

[8]- Associate Professor, Faculty of range land and watershed management, Gorgan University of Agriculture Sciences and Natural Resources.

1- SUNY College of Environmental Science and Forestry

2- Carbon Dioxide Research Program

3- Atmosphere and Climate Change Division

1- Normalized Differencing Vegetation Index

2- X Location

3- Y Location

1- Principal Components Analysis

1- Post- Classification comparison method

1- Strong Agreement or Accuracy

تعداد مشاهده مقاله: 165

تعداد دریافت فایل اصل مقاله: 87