آشکارسازی و پیش‌بینی تغییرات سطح جنگل‌های استان گیلان با استفاده از تصاویر ماهواره‌ای و مدل ژئومد
محورهای موضوعی : جنگلها و منابع طبیعی
سحر عبداللهی
1
(دانشگاه تربیت مدرس)
وحید نصیری
2
(دانشگاه تهران)
کلید واژه: تغییر سطح جنگل, مدل ژئومد, مدل‌سازی و پیش‌بینی تغییرات, تصاویر ماهواره‌ای,
چکیده مقاله :
در پی توسعه سریع اقتصادی و اجتماعی در دهه های گذشته، فعالیت انسان‌ها در جهت بهره وری از منابع طبیعی به‌صورت گسترش فعالیت های زیربنایی و کشاورزی نمود پیدا کرده است. همین امر موجب گردیده که جنگل ها به‌عنوان یک اکوسیستم مهم که از منابع بالقوه محیط‌زیستی برای تکامل آینده محسوب می‌شوند، به‌شدت تحت تأثیر قرار بگیرند. هدف از پژوهش حاضر، آشکارسازی تغییرات سطح جنگل‌های استان گیلان در طول یک دوره 20 ساله (1395-1375) و مدل‌سازی و پیش‌بینی این تغییرات برای 15 سال آینده با استفاده از مدل ژئومد است. برای تهیه نقشه های کاربری اراضی از تصاویر سنجنده هایTM وOLI لندست برای مقاطع زمانی 1375، 1385 و 1395 استفاده شد. تصاویر ماهواره‌ای با به‌کارگیری از روش حداکثر احتمال و نمونه های تعلیمی متعدد در دو کلاسه جنگل و غیرجنگل طبقه بندی شدند. بر اساس تغییرات صورت گرفته در دوره 1375-1385، تغییرات پوشش جنگل برای سال 1395 با استفاده از متغیرهای ارتفاع، شیب، جهت، فاصله از جاده، فاصله از جنگل و فاصله از مناطق مسکونی با اجرای مدل ژئومد، شبیه‌سازی شد. نتایج اعتبارسنجی پیش بینی شده نقشه پوشش جنگلی سال 1395 نشان‌دهنده صحت کلی و مقدار شاخص کاپا به ترتیب برابر با 19/94 درصد و 9159/0 بود. براساس نتایج آشکارسازی تغییرات در طول مدت مطالعه (1395-1375)، 97/1054 هکتار از سطح جنگل های استان گیلان کاسته شده است و با ادامه این روند و ثابت بودن شرایط در 15 سال آینده تا سال 1410، 871 هکتار دیگر از سطح آن کاسته خواهد شد. با توجه به اهمیت و نقش مهم جنگل های هیرکانی، لزوم انجام مطالعات چند زمانه‌ای به‌منظور پایش و آشکارسازی تغییرات آن وجود دارد. بدیهی است اطلاعات حاصل ازاین‌گونه مطالعات می تواند، در برنامه‌ریزی های مدیریتی و راهبردی مورد استفاده قرار گیرد.
Following the rapid economic and social development in recent decades, human activity to use natural resources has been reflected in the form of infrastructure and agricultural activities. This has severely affected forests as an important ecosystem which are considered potential environmental resources for future evolution. The purpose of this study is to detect changes of Guilan province forest levels during a period of 20 years (1996-2016), also modeling and predict these changes for the next 15 years using the geomod model. Landsat TM and OLI sensor images were used to prepare land use maps for 1996, 2006, and 2016 periods. Satellite images were classified into forest and non-forest classes using the maximum likelihood method and multiple educational samples. The geomod model was simulated based on the changes made in the period 1996-2006, changes in forest cover using the variables of height, slope, direction, distance from residential, distance from a road, distance from forest, with implementation for 2016. The predicted validation results of the forest cover map in 2016 is indicator the overall accuracy and value of the kappa index equal to 94.19% and 0.9159, respectively. Based on the results of detecting changes during the study period (1996-2016), 1054.97 hectares of forest area in Guilan province has been reduced and with the continuation of this trend and stable conditions in the next 15 years until 2031, another 871 hectares will be reduced from its level. Given the importance role of Hyrcanian forests, it is necessary to conduct multi-time studies to monitor and detect changes. Obviously, the information from such studies can be used in managerial and strategic planning.
1. احسانی، امیر هوشنگ؛ شاکر یاری، مجتبی (1397). تعیین روش بهینه طبقه‌بندی و نقشه سازی کاربری/ پوشش اراضی با مقایسه الگوریتم‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان با استفاده از داده‌های ماهواره‌ای (مطالعه موردی: تالاب بین‌المللی هامون). علوم و تکنولوژی محیط‌زیست، 20(4)، 193-208.
2. حسنی مهر، سیده صدیقه (1392). بازشناسی استفاده از پتانسیل جنگل‌های گیلان با نگرش توسعه، پژوهش‌های جغرافیای انسانی، 45(1)، 185-198.
3. حسین زاده، محمدمهدی؛ اسماعیلی، رضا؛ کاظمی، راحله (1390). بررسی تغییرات کاربری اراضی نوار ساحلی در ده سال اخیر (مطالعه موردی : نوار ساحلی شهر محمودآباد). نخستین همایش ملی آرمان‌شهر ایرانی. نور، دانشگاه آزاد اسلامی واحد نور.
4. عبداللهی، سحر؛ داداش پور، هاشم (1398). تحلیل و پیش‌بینی تغییر کاربری زمین در نواحی ساحلی استان گیلان، فصلنامه علوم محیطی، 17(2)، 121-136.
5. کیانی، واحد؛ نظری سامانی، علی‌اکبر؛ علیزاده شعبانی، افشین (1393). ارزیابی صحت طبقه‌بندی تصویر ماهواره IRS-P6 با استفاده از پایگاه اطلاعاتی Google Earth به‌منظور تهیه نقشه پوشش/ کاربری اراضی مطالعه موردی: حوزه آبخیز طالقان، فصلنامه علمی- پژوهشی اطلاعات جغرافیایی (سپهر)، 23(90)، 51-60.
6. میرآخور لو، خسرو؛ اخوان، رضا (1395). ارزیابی تغییرات سطح جنگل‌های هیرکانی از سال 1383 تا 1395، طبیعت ایران، 2(3)، 40-45.
7. میرزایی زاده، وحید؛ مهدوی، علی؛ کرمشاهی، عبدالعلی؛ جعفر زاده، علی‌اکبر (1395). بررسی الگوی مکانی تغییرات پوشش جنگلی با استفاده از رگرسیون لجستیک در شهرستان ملک شاهی، نشریه پژوهش‌های علوم و فناوری چوب و جنگل، 23(3)، 45-68.
8. میرزایی زاده، وحید؛ نیک نژاد، مریم؛ اولادی قادیکلایی، جعفر (1394). ارزیابی الگوریتم‌های طبقه‌بندی نظارت‌شده غیر پارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3)، 29-44.
9. نصیری، وحید؛ درویش‌صفت، علی‌اصغر؛ شیروانی، انوشیروان؛ عواطفی همت، محمد (1398). آشکارسازی و مدل‌سازی تغییرات گستره جنگل‌های ارسباران با استفاده از مدل‌های رگرسیون لجستیک- زنجیره مارکوف و مدل ژئومد. فصلنامه علمی – پژوهشی فضای جغرافیایی، 19(65)، 171-189.
10. وفایی، ساسان؛ درویش‌صفت، علی‌اصغر؛ پیر باوقار، مهتاب (1392). پایش و پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل LCM، مطالعه موردی: منطقه مریوان. مجله جنگل ایران.5(3)، 323-336.
11. Echeveria, C., Coomesc, D.A., Halld, M. & Newtone, C. (2008). Spatially explicit models to analyze forest loss and fragmentation between 1976 and 2020 in southern Chile. Ecological Modelling, 212 (3), 439–449.
12. FAO(2018). The State of the World’s Forests 2018 - Forest pathways to sustainable development. Rome. Licence: CC BY-NC-SA 3.0 IGO. http://www.fao.org/biodiversity/components/forests/en/
13. Geist, H. J., & Lambin, E. F. (2002). Proximate causes and underlying driving forces of tropical deforestation: Tropical forests are disappearing as the result of many pressures, both local and regional, acting in various combinations in different geographical locations. BioScience. 52(2), 143-150.
14. Giriraj, A., Irfan-Ullah, M., Murthy, M. S. R., & Beierkuhnlein, C. (2008). Modelling spatial and temporal forest cover change patterns (1973-2020): A case study from South Western Ghats (India). Sensors. 8(10), 6132-6153.
15. Han, H., Yang, C., & Song, J. (2015). Scenario simulation and the prediction of land use and land cover change in Beijing, China. Sustainability, 7(4), 4260-4279.
16. Kumar, R., Nandy, S., Agarwal, R., & Kushwaha, S. P. S. (2014). Forest cover dynamics analysis and prediction modeling using logistic regression model. Ecological Indicators,45, 444-455.
17. Mishra, V. N., Rai, P. K., & Mohan, K. (2014). Prediction of land use changes based on land change modeler (LCM) using remote sensing: a case study of Muzaffarpur (Bihar), India. Journal of the Geographical Institute" Jovan Cvijic", SASA, 64(1), 111-127.
18. Nasiri, V., Darvishdefat A.A., Rafee, R., Shrivani, A., Avatefi. (2017). M, Land use change modeling through an integrated Multi-Layer Perceptron Neural Network and Markov Chain analysis, Journal of Forestry Research Springer, 1-15.
19. Newman, M. E., McLaren, K. P., & Wilson, B. S. (2018). Using the forest-transition model and a proximate cause of deforestation to explain long-term forest cover trends in a Caribbean forest. Land Use Policy, 71, 395-408.
20. Pontius, R.G. and Malanson, J. (2005). Comparison of the structure and accuracy of two land change models. Geographical Information Science, 19, 243-265.
21. Pontius, R.G Jr. (2002). Quantification error versus location error in comparison of categorical maps. Photogramm Eng Remote Sens, 66, 1011-1016
22. Schneider, L. C., and Pontius Jr, R. G. (2001). Modeling land-use change in the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems & Environment, 85, 83-94.
23. Slee, B. (2007). Landscape goods and services related to forestry land use. In Multifunctional Land Use. Springer, Berlin, Heidelberg, 65-82.