پايش تغييرات زماني كاربري اراضي با استفاده از تكنيك هاي سنجش از دور و سيستم اطلاعات جغرافيايي (مطالعه موردي: جيرفت، استان كرمان)

Detecting temporal land use changes using remote sensing and GIS techniqes (Case study: Jiroft, Kerman Province)

كاربري اراضي يكي از مهمترين جنبه هاي بررسي مديريت منابع طبيعي و بازنگري تغييرات محيطي است. در اين تحقيق با استفاده از قابليت تكنيك هاي سنجش از دور و سيستم اطلاعات جغرافيايي تغييرات كاربري اراضي منطقه جيرفت در بازده زماني بين سال هاي (1987 تا 2010) با استفاده از تصاوير ماهواره اي لندست (TM،+ETM) مورد پايش قرار گرفت. طبقه بندي كلاس هاي كاربري اراضي، تجزيه تحليل روش ها و تغييرات آن ها، در محيط نرم افزار ENVI®8.1 و ArcGIS®9.1 انجام گرديد. تجزيه و تحليل تغييرات زماني تصاوير نشان مي دهد كه طي 23 سال مورد مطالعه درصد تغييرات چهار كلاس كاربري اراضي (مسكوني 90/7+، زراعي 10/42+، باغي 93/17- و باير 07/32-) مي باشد. نتايج همچنين نشان مي دهد كه روش هاي شبكه عصبي و ماشين هاي بردار پشتيبان نسبت به ساير روش ها از دقت كمتري برخوردار است، اما اين روش ها از لحاظ تفسير بصري، جداسازي طبقات كاربري نسبت به ساير روش هاي بهتر مي باشد. نتايج نشان داد كه سطح اراضي مسكوني افزايش محسوسي داشته و بررسي تغييرات الگوي مكاني كاربري ها نشان داد كه بيشترين تغييرات كاربري در مناطق زراعي و باغي ايجاد شده است. نتايج اين تحقيق به اهميت كاربرد تناسب اراضي در مناطق با قابليت كشاورزي، به منظور كاهش روند تغييرات اشاره دارد. عدم توجه و مديريت مناسب در وضعيت هيدرولوژي منطقه، تامين نهاده هاي كشاورزي و فقدان وضعيت ثبات اقتصادي، از عوامل موثر بر روند تغييرات كاربري اراضي در منطقه مورد مطالعه مي باشد.

Land use is among the most important aspects of natural resource management and reviewing environmental changes. The aim of the study, remote sensing combined with GIS techniques, LandSat TM and ETM+ satellite data (1987-2010), were used to detect Jiroft land use changes. Categorizing of land use classes, analysis methods and their changes, were carried out in ENVI®4.7 and ArcGIS®9.1 software. Analysis of the images is showing that over the 23 years studied, percent land use changes of four classes (Residential +7.90, Agricultural +42.10, Orchards -17.93 and Bare land -32.07). The results indicate that, the neural network and the support vector machine technique were the least accurate at all the techniques tested. While these techniques, in terms of visual interpretation, showed a better separation in the mentioned uses compared to other techniques. The results showed the level of residential land use has significantly increased. Evaluating the spatial patterns of different land use indicates that the highest changes have occurred in agricultural and orchard areas. The results also shown the importance of land use in areas with agricultural potential refers to reduce the change trend. Improper management of regional hydrology, provision of agricultural inputs and lack of economic stability are factors affecting land use changes in the study area.