ادغام رگرسيون لجستيك و شبكه خودكار ماركوف به منظور پيش‌بيني تغييرات كاربري سرزمين (مطالعه موردي: حوزه آبخيز گاماسياب)

Integration of Cellular Automata -Markov (CA-Markov) Model and Logistic Regression to Land-Use Change Prediction: )A Case Study of Gamasiab Basin(

مدل CA ماركوف توان بالايي در ترسيم الگوهاي مكاني و ارزيابي تغييرات كاربري و پوشش سرزمين دارد‬. در اين مطالعه نقشه‌هاي كاربري سرزمين حوزه آبخيز گاماسياب سال‌هاي 1987، 2002 و 2016 با استفاده از تصاوير ماهواره لندست و سنجنده هاي TM، ETM+ و OLI و به روش طبقه‌بندي حداكثر احتمال استخراج شد‬ توزيع مكاني و ميزان انتقال كاربري‌هاي سرزمين با استفاده از تكنولوژي GIS محاسبه شد و پس از آن انتقال در ميان انواع مختلف كاربري بررسي شد تا ماتريس انتقال به دست آيد‬. از نتايج ماتريس سال‌هاي 1987 تا 2002 اين‌گونه استنباط مي‌شود كه اراضي صخره‌اي و باير، مراتع و ساخت و ساز شهري ثبات و پايداري بيشتري داشتند و در مقابل پويايي و تغيير تحول بيشتر در كاربري آب‌هاي سطحي و پس از آن كشاورزي بيشتر به چشم مي‌خورد‬. بر اساس مدل موفق سال 2016 كه با استفاده از نقشه 1987 و 2002 به دست آمد، نقشه كاربري 2030 پيش‌بيني شد‬. مجموعه تصاوير مطلوبيت موردنياز براي اين مطالعه با استفاده از رگرسيون لجستيك تهيه شدند و نتايج آن جهت پيش‌بيني روند تغييرات آتي در مدل CA-Markov استفاده شد‬. توافق بالا بين شبيه‌سازي و مشاهدات نشان داد كه مجموعه تصاوير مطلوبيت به‌دست‌آمده از رگرسيون لجستيك دقت بالايي دارد. همچنين ثابت كرد كه عوامل انتخاب‌شده مي‌توانند به طور معني‌داري فرآيندهاي تأثيرگذار بر تغيير كاربري زمين را نشان دهند. متغيرهاي فاصله از انواع كاربري موجود انتظار مي‌رفت بيشتر تأثير را نسبت به ساير عوامل داشته است‬. فاصله از جاده و پس از آن رودخانه ضريب تأثير بالايي در توسعه و ساخت‌وساز شهري نشان مي‌دهد‬. نتايج نشان مي‌دهد بيشترين تغيير در كاربري‌هاي مراتع تبديل آن‌ها به كشاورزي بوده و پس از آن نيز به اراضي باير تبديل شده‌اند‬. طبقه كاربري اراضي باير نيز بيشتر به كاربري كشاورزي تبديل شده‌اند ‬.

Land use modeling is very vital for decision makers and plays an important role in environmental planning and management. The CA-Markov model have strong ability to project the spatial pattern and to evaluate land use and land cover changes. In This Study, a series of satellite images of Landsat TM, ETM+ and OLI data of 1987, 2002, 2016 were used to produce classified land use maps. Land use maps of Gamasiab basin were prepared using maximum likelihood classification. Area change and spatial distribution of land use were calculated using GIS technology. The transition area among different land use types were analyzed to obtain the transformation matrices. The transition probability matrix shows from 1987 to 2002, barren land, grassland and urban expansion are the most stable classes. In other hand, the most dynamic classes are water and cultivated land. Based on the success of the models for 2016 using 1987 and 2002 maps, simulated future land use map for 2030. Suitability image collection were prepared by using logistic regression and then its results were used in CA-Markov model. The high agreement between predicted and the real map demonstrated that the suitability image collection derived from logistic regressions which have high precision‬. It also proved that the selected factors could represent the influencing processes of land use changes adequately. The coefficients of the distance to current land use classes had the highest values among all impact factors. The distance from the road and river shows a high impact on urban development.The results show that the greatest change in grassland has turned them into farmland and then barren land. The barren land has also turned into farmland.