كاربرد روش پرسپترون چندلاية شبكة عصبي مصنوعي در مدل‌سازي تغييرات كاربري اراضي شرق استان مازندران

Application of Multilayer Perceptron Neural Network Method in Land Use Change Modeling in the East of Mzandaran Province

اين مطالعه با هدف پيش‌بيني تغييرات كاربري اراضي شرق استان مازندران (شهرستان‌هاي نكا، بهشهر و توابع آنها) با استفاده از شبكة عصبي مصنوعي در محيط GIS انجام شد. تصاوير ماهوارة لندست متعلق به سال‌هاي 1366 و 1380 براي آشكارسازي تغييرات منطقه به كار رفت؛ سپس با بهره‌گيري از پرسپترون چند لاية شبكة عصبي مصنوعي، مدل‌سازي پتانسيل انتقال براي 7 زيرمدل اجرا شد و درنهايت مدل‌سازي تغييرات كاربري اراضي با دورة واسنجي 1366- 1380 براي سال 1385 با زنجيرة ماركف و مدل پيش‌بيني سخت انجام پذيرفت. ارزيابي صحت مدل با بهره‌گيري از مقادير موفقيت خنثي، موفقيت، خطا و هشدار خطا تعيين و درنهايت پيش‌بيني تغييرات كاربري اراضي براي سال 1394 انجام شد. نتايج نشان داد طي سال‌هاي 1366 تا 1380، به ترتيب 1964 و 1197 هكتار از وسعت جنگل‌ها و باغ‌ها كاسته و 1182 و 1978 هكتار به وسعت اراضي كشاورزي و مناطق مسكوني اضافه شده است. نتايج مدل‌سازي پتانسيل انتقال در همة زيرمدل‌ها صحت زيادي (67- 89درصد) را نشان داد. خطاي كل پيش‌بيني مدل 9/98درصد بود كه نشان‌دهندة كارايي و قابليت زياد مدل است. همچنين نتايج پيش‌بيني نشان داد مساحت اراضي جنگلي در سال 1394 نسبت به 1385 كاهش و مناطق مسكوني، اراضي كشاورزي و باغ‌ها افزايش خواهد يافت.

This study was performed with objective of predicting land cover change in the east of Mazandaran Province (Neka and Behshahr counties), using Artificial Neural Network in the GIS environment. Landsat imagery belonging to the years 1987 and 2001 was used for change detection. Then, using Multilayer Perceptron neural network transition potentials was implemented for 7 sub-models and finally, land cover change modeling for 2006 with 1987-2001 calibration period and by Markov Chain and hard prediction was run. The accuracy of the assessment model was determined by using the Null Successes, Hits, False Alarms, and Misses. Finally, land cover change prediction was done for 2015. The result showed that during 1987–2001, respectively, 1964 and 1197 ha from forest and orchard were reduced, and 1182 and 1978 ha agriculture and residential were added. The results showed high accuracy (67-89%) in all the sub-models. Total error prediction model was 9.98%. Furthermore, the prediction results showed that forest areas will be reduced and residential, agriculture and orchard will be increased in 2015 compared with 2006.