مدل‌سازي تغييرات پوشش سرزمين بر پايه شبكه عصبي مصنوعي و پتانسيل انتقال در روش LCM (مطالعه موردي: جنگل‌هاي گيلان‌غرب، استان كرمانشاه)

(Land Cover Change Modeling based on Artificial Neural Networks and transmission potential method in LCM (Case Study: Forests Gilan-e Gharb, Kermanshah Province

مدل ­سازي روند تغييرات پوشش سرزمين در گذر زمان با به‌كارگيري داده ­هاي چندزمانه در محيط سامانة اطلاعات جغرافيايي مي ­تواند يكي از مهم‌ترين عوامل در مديريت بهينة اين تغييرات باشد. به‌منظور مدل­ سازي روند تغييرات پوشش سرزمين و بررسي امكان پيش ­بيني آن در آينده، مدل‌ساز تغيير زمين (LCM) به‌كار گرفته شد. داده­ هاي VNIR سنجندة ASTER ماهوارة TERRA با قدرت تفكيك مكاني 15 متر مربوط به سه دورة زماني 2000، 2007 و 2016 در جنگل­ هاي شهرستان گيلان­ غرب استان كرمانشاه تجزيه‌وتحليل شد. نقشه­ هاي پوشش سرزمين سال­ هاي يادشده در چهار طبقة پوشش جنگل، اراضي مرتعي، اراضي كشاورزي و مناطق انسان‌ساخت براي هر يك از تصاوير با به‌كارگيري روش حداكثر تشابه استخراج شد. نتايج تجزيه‌ و تحليل داده­ ها در دورة اول (2007-2000) و دورة دوم (2016-2007) نشان داد پوشش اراضي كشاورزي بيشترين افزايش، و پوشش اراضي مرتعي بيشترين كاهش مساحت را دارند. بر مبناي اين تغييرات و با درنظرگرفتن هشت متغير مستقل مدل رقومي ارتفاع، شيب، جهت، فاصله از جاده، فاصله از مناطق مسكوني، فاصله از حاشيۀ جنگل، فاصله از اراضي مرتعي، فاصله از اراضي كشاورزي، مدل­ سازي پتانسيل انتقال سال 2016 به روش شبكة عصبي پرسپترون چندلايه انجام گرفت. سپس، به‌ وسيلة مدل پيش ­بيني سخت و تصاوير طبقه ­بندي‌ شدة دورة اول (2007-2000)، نقشة پوشش سال 2016 با به‌كارگيري مدل ­ساز تغيير زمين پيش­ بيني شد. پس از ارزيابي مدل، ميزان صحت كلي برابر با ۸۳/۰۹ و ضريب كاپاي برابر با ۰/۷۹ به‌دست آمد كه بيان‌كنندة انطباق زياد بين نقشة پيش‌ بيني‌ شده و نقشة طبقه ­بندي‌ شده است. با واردكردن نقشه­ هاي پوشش سرزمين دورة دوم (2016-2007) به مدل­ ساز تغيير زمين، نقشة پيش­ بيني پوشش سرزمين سال 2025 تهيه شد كه نتايج نشان داد ۱۰۲۹/۵۲ هكتار از پوشش جنگل و ۱۶۸۶/۹۲ هكتار از اراضي مرتعي پتانسيل انتقال به اراضي كشاورزي را خواهند داشت.

In order to land cover change modeling and detect to possibility of predict the future trend of Land Change modeler (LCM) was used. VNIR Data ASTER Sensor of TERRA satellite with spatial resolution of 15m for three periods 2000, 2007 and 2016 from Gilan-e-Gharb forests of Kermanshah province were analyzed. Land cover maps of years 2000, 2007 and 2016 four categories: forest cover, pasture lands, agricultural lands and built-up area areas for each of images were extracted. The results of data analysis in the first period (2000-2007) and the second period (2007-2016) showed the greatest increase in agricultural lands and pasture lands have the greatest decrease area. Based on these changes and by taking eight independent variable, transition potential modeling of 2016 was done using Artificial Neural Network. Then by hard predict model and images were classified of first period (2000- 2007), the land cover map in 2016 using Land Change Modeler was predicted. After evaluating the model, 83.09 and 71.10 overall accuracy was obtained for the first and second periods showed the consistency between prediction map and classified map of year 2016. The land cover maps by entering the second period (2007-2016) to Land Change Modeler the land.