• صفحه اصلی
  • شبیه‌سازی و ارزیابی اثرات تغییرات کاربری و پوشش اراضی در درون و پیرامون مناطق حفاظت شده استان لرستان، ایران
کد مقاله : 1404042550865 بازدید : 22 PDF XML

نوع مقاله: پژوهشی

شبیه‌سازی و ارزیابی اثرات تغییرات کاربری و پوشش اراضی در درون و پیرامون مناطق حفاظت شده استان لرستان، ایران

سیده زهرا  موسوی ندروند 1 ( گروه علوم و مهندسی محیط‌زیست، دانشکده شیلات و محیط‌زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران )
عبدالرسول سلمان ماهینی 2 ( دانشگاه علوم کشاورزی و منابع طبیعی گرگان )
پیمان کرمی 3 ( گروه محیط‌زیست، دانشکدة منابع طبیعی و محیط‌ زیست، دانشگاه ملایر، ملایر، ایران. )
سیدحامد میرکریمی 4 ( دانشیار گروه محیط زیست دانشگاه علوم کشاورزی و منابع طبیعی گرگان )
Hamidreza Kamyab 5 ( ، گروه علوم و مهندسی محیط‌زیست، دانشکده شیلات و محیط‌زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران )

تاریخ ارسال : 1404/04/25 تاریخ تایید : 1404/05/18

کلید واژه: مناطق حفاظت‌شده, تحلیل آماری, مدل رگرسیون لجستیک, استان لرستان, تغییرات کاربری اراضی ,

چکیده مقاله :

پایش و تحلیل تغییرات کاربری و پوشش زمین (LULC) در مناطق حفاظت‌شده و حریم پیرامونی آن‌ها نقش مهمی در مدیریت پایدار زیستگاه‌ها و حفظ تنوع زیستی دارد. این مطالعه تغییرات LULC را در چهار منطقه حفاظت‌شده استان لرستان (قالیکوه، اشترانکوه، سفیدکوه و شادابکوه) و همچنین بافر ۲۰ کیلومتری اطراف آن‌ها در بازه زمانی ۱۹۹۰ تا ۲۰۵۰ بررسی می‌کند. نوآوری اصلی تحقیق، تحلیل همزمان داخل مناطق حفاظت‌شده و حوزه نفوذ پیرامونی برای تفکیک دقیق‌تر فشارهای درون‌زا و برون‌زا و شناخت بهتر اثرات انسانی است. نقشه‌های LULC با ترکیب تصاویر ماهواره‌ای Landsat و محصول جهانی GLC_FCS30 با دقت ۳۰ متر تهیه شد. پیش‌بینی تغییرات تا سال ۲۰۵۰ با استفاده از مدل رگرسیون لجستیک در نرم‌افزار TerrSet انجام گرفت. برای تحلیل دقیق تغییرات در چهار منطقه حفاظت‌شده استان لرستان و بافر ۲۰ کیلومتری پیرامون آن‌ها، آزمون‌های آماری فریدمن، ویلکاکسون، آزمون نسبت‌ها و کای‌اسکوئر (مقایسه دوتایی) در محیط نرم‌افزار SPSS به‌کار گرفته شد. این آزمون‌ها به منظور بررسی معنی داری تغییرات LULC در داخل مناطق حفاظت‌شده و حوزه نفوذ پیرامونی اجرا شدند و سطح معنی‌داری ۵ درصد لحاظ شد. نتایج نشان داد که در داخل مناطق حفاظت‌شده، تغییرات معنی‌داری به ویژه در طبقات انسان‌ساخت و کشاورزی رخ داده است و پوشش جنگلی و منابع آبی نسبتاً پایدارتر بوده‌اند. همچنین، فشارهای انسانی در بافر پیرامونی افزایش یافته و موجب گسترش کاربری‌های انسان‌ساخت و کشاورزی شده است. این یافته‌ها ضرورت مدیریت یکپارچه فراتر از مرزهای رسمی مناطق حفاظت‌شده، استفاده از فناوری‌های نوین سنجش‌ازدور و مشارکت فعال جوامع محلی برای حفاظت پایدار منابع طبیعی را نشان می‌دهد.

چکیده انگلیسی :

Monitoring and analyzing land use and land cover (LULC) changes in protected areas and their surrounding buffer zones play an important role in sustainable habitat management and biodiversity conservation. This study examines LULC changes in four protected areas of Lorestan Province, Iran (Ghalikouh, Oshtorankouh, Sefidkouh, and Shadabkouh), together with a 20-kilometer buffer zone, over the period 1990–2050. The key novelty of this research lies in the simultaneous analysis of both the protected areas and their adjacent zones, enabling a clearer distinction between internal and external pressures and a deeper understanding of human-induced impacts. LULC maps were generated by integrating Landsat satellite imagery with the global GLC_FCS30 product at a 30-meter resolution. Future changes up to 2050 were projected using logistic regression modeling in TerrSet software. To assess the significance of LULC changes within the protected areas and their surrounding buffers, statistical tests including Friedman, Wilcoxon, proportion tests, and Chi-square were performed in SPSS at a 5% significance level. The results indicated significant changes inside the protected areas, particularly in built-up and agricultural classes, whereas forest cover and water bodies remained relatively stable. In addition, human pressures in the surrounding buffers intensified, resulting in the expansion of built-up and agricultural land uses. These findings emphasize the necessity of integrated management beyond the official boundaries of protected areas, the use of advanced remote sensing technologies, and active participation of local communities to ensure sustainable conservation of natural resources.

منابع و مأخذ:

Ait El Haj, F., Ouadif, L. and Akhssas, A. (2023). Simulating and predicting future land-use/land cover trends using CA- Markov and LCM models. Case Studies in Chemical and Environmental Engineering, 7: 100342, doi https://doi.org/10.1016/j.cscee.2023.100342.
Bairwa, B., Sharma, R., Kundu, A., Sammen, S.S., Alsheri, F., Pande, C.B., Orban, Z. and Salem, A. (2025). Predicting changes in land use and land cover using remote sensing and land change modeler. Frontiers in Environmental Science, 13: 1540140.
Buzási, A. and Jäger, B.S. (2020). District-scale assessment of urban sustainability. Sustainable Cities and Society, 62: 102388.
Chaudhuri, G. and Mishra, N. (2016). Spatio-temporal dynamics of land cover and land surface temperature in Ganges-Brahmaputra delta: A comparative analysis between India and Bangladesh. Applied Geography, 68, doi 10.1016/j.apgeog.2016.01.002.
Chiaka, J.C., Liu, G., Li, H., Zhang, W., Wu, M., Huo, Z. and Gonella, F. (2024). Land cover changes and management effectiveness of protected areas in tropical coastal area of sub-Saharan Africa. Environmental and Sustainability Indicators, 22: 100340, doi https://doi.org/10.1016/j.indic.2024.100340.
Eastman, J.R. (2006). IDRISI Andes guide to GIS and image processing. Clark University, Worcester, 328. Eastman, J.R. (2015). TerrSet tutorial. Clark Labs, Clark University: Worcester, MA, United States.
Ghosh, S., Chatterjee, N.D. and Dinda, S. (2021). Urban ecological security assessment and forecasting using integrated DEMATEL-ANP and CA-Markov models: A case study on Kolkata Metropolitan Area, India. Sustainable Cities and Society, 68: 102773.
Imran, M. and Din, N.u. (2021). Geospatially mapping carbon stock for mountainous forest classes using InVEST model and Sentinel-2 data: a case of Bagrote valley in the Karakoram range. Arabian Journal of Geosciences, 14(9): 756, doi 10.1007/s12517-021-07023-4.
Islam, K.N., Rahman, M.M., Jashimuddin, M., Islam, K. and Zhang, Y. (2020). Impact of co-management on tree diversity and carbon sequestration in protected areas: Experiences from Bangladesh. Trees, Forests and People, 2: 100033.
Karami, P. and Tavakoli, S. (2022). Identification and analysis of areas prone to conflict with wild boar (Sus scrofa) in the vineyards of Malayer County, western Iran. Ecological Modelling, 471: 110039.
Lamichhane, S. and Shakya, N.M. (2021). Land use land cover (LULC) change projection in Kathmandu Valley using the CLUE-S model. Journal of Advanced College of Engineering and Management, 6: 221-233.
Lin, Z., Peng, S., Ma, D., Shi, S., Zhu, Z., Zhu, J., Gong, L. and Huang, B. (2024). Patterns of change, driving forces and future simulation of LULC in the Fuxian Lake Basin based on the IM-RF-Markov-PLUS framework. Sustainable Futures, 8: 100289, doi https://doi.org/10.1016/j.sftr.2024.100289.
Luiza Petroni, M., Siqueira-Gay, J. and Lucia Casteli Figueiredo Gallardo, A. (2022). Understanding land use change impacts on ecosystem services within urban protected areas. Landscape and Urban Planning, 223: 104404, doi https://doi.org/10.1016/j.landurbplan.2022.104404.
Moghadam, H.S. and Helbich, M. (2013). Spatiotemporal urbanization processes in the megacity of Mumbai, India: A Markov chains-cellular automata urban growth model. Applied Geography, 40: 140-149.
Mosleh, M.K. (2025). Integrating the CA–Markov model and geospatial techniques for spatiotemporal prediction of land use/land cover dynamics in Qus District, Egypt. Modeling Earth Systems and Environment, 11(5): 1-15.
Muhammad, B.J.H., Ping, W., Mohabbat, M.J., Ahmad, I. and Islam, I. (2025). Modelling and prediction of land use land cover change dynamics based on the land change modeller in Kunar Province, Eastern Afghanistan. Scottish Geographical Journal: 1-24.
Munthali, M., Mustak, S., Adeola, A., Botai, J., Singh, S. and Davis, N. (2020). Modelling land use and land cover dynamics of Dedza district of Malawi using hybrid Cellular Automata and Markov model. Remote Sensing Applications: Society and Environment, 17: 100276.
Parvar, Z. and Salmanmahiny, A. (2025). Assessing and predicting habitat quality under urbanization and climate pressures. Journal for Nature Conservation, 86: 126903, doi https://doi.org/10.1016/j.jnc.2025.126903.
Pokhrel, M. and Shakya, N.M. 2021. Assessment of future land use/cover change of Kathmandu Valley using two models of land change. Paper presented at the Proc. IOE Grad. Conf.
Pontius Jr, R.G., Cornell, J.D. and Hall, C.A. (2001). Modeling the spatial pattern of land-use change with GEOMOD2: application and validation for Costa Rica. Agriculture, ecosystems & environment, 85(1-3): 191-203.
Ramachandra, T., Bharath, S. and Gupta, N. (2018). Modelling landscape dynamics with LST in protected areas of Western Ghats, Karnataka. Journal of environmental management, 206: 1253-1262.
Rwanga, S. and Ndambuki, J. (2017). Accuracy Assessment of Land Use/Land Cover Classification Using Remote Sensing and GIS. International Journal of Geosciences, 08: 611-622, doi 10.4236/ijg.2017.84033.
Salem, M., Bose, A., Bashir, B., Basak, D., Roy, S., Chowdhury, I.R., Alsalman, A. and Tsurusaki, N. 2021. Urban Expansion Simulation Based on Various Driving Factors Using a Logistic Regression Model: Delhi as a Case Study. Sustainability, 13(19). Retrieved from.
Sambou, S., Lykke, A.M., Sambou, H., Guiro, I., Sambou, B. and Mbow, C. (2015). Land use-land cover change and drivers of deforestation in the Patako protected area (Center-West of Senegal). American Journal of Environmental Protection, 4(6): 306-317.
Schmitz, M.H., do Couto, E.V., Xavier, E.C., Tomadon, L.d.S., Leal, R.P. and Agostinho, A.A. (2023). Assessing the role of protected areas in the land-use change dynamics of a biodiversity hotspot. Ambio, 52(10): 1603-1617, doi 10.1007/s13280-023-01886-5.
Sobhani, P., Esmaeilzadeh, H., Barghjelveh, S., Sadeghi, S.M. and Marcu, M.V. 2022. Habitat Integrity in Protected Areas Threatened by LULC Changes and Fragmentation: A Case Study in Tehran Province, Iran. Land, 11(1). Retrieved from.
Sobhani, P., Esmaeilzadeh, H. and Mostafavi, H. (2021). Simulation and impact assessment of future land use and land cover changes in two protected areas in Tehran, Iran. Sustainable Cities and Society, 75: 103296, doi https://doi.org/10.1016/j.scs.2021.103296.
Yang, F., Yang, L., Fang, Q. and Yao, X. (2024). Impact of landscape pattern on habitat quality in the Yangtze River Economic Belt from 2000 to 2030. Ecological Indicators, 166: 112480, doi https://doi.org/10.1016/j.ecolind.2024.112480.
Zhang, X., Liu, L., Chen, X., Gao, Y., Xie, S. and Mi, J.)2021(GLC_FCS30: global land-cover product with fine classification system at 30 m using time-series Landsat imagery, Earth Syst. Sci. Data, 13, 2753–2776.
Zhang, X., Liu, L., Wu, C., Chen, X., Gao, Y., Xie, S. and Zhang, B. (2020). Development of a global 30 m impervious surface map using multisource and multitemporal remote sensing datasets with the Google Earth Engine platform. Earth System Science Data, 12(3): 1625-1648.
Zhang, X., Zhao, T., Xu, H., Wendi, L., Wang, J., Chen, X. and Liu, L. (2024). GLC_FCS30D: the first global 30 m land-cover dynamics monitoring product with a fine classification system for the period from 1985 to 2022 generated using dense-time-series Landsat imagery and the continuous change-detection method. Earth System Science Data, 16: 1353-1381, doi 10.5194/essd-16-1353-2024.
Zhou, L., Dang, X., Sun, Q. and Wang, S. (2020). Multi-scenario simulation of urban land change in Shanghai by random forest and CA-Markov model. Sustainable Cities and Society, 55: 102045.
متن کامل:


سیده زهرا موسوی ندروند1، عبدالرسول سلمان ماهيني2*‌، پیمان کرمی3، سید حامد میرکریمی4، حمیدرضا کامیاب5

 

 

سید عطااله حسینی11، خلیل محمدی‌فیروز 2

 

1-‌ دانشجوی دکتری، گروه علوم و مهندسی محیط‌زیست، دانشکده شیلات و محیط‌زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

2-‌ استاد، گروه علوم و مهندسی محیط‌زیست، دانشکده شیلات و محیط‌زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

3-‌ دکتری، گروه محیط‌زیست، دانشکدة منابع طبیعی و محیط‌ زیست، دانشگاه ملایر، ملایر، ایران.

4-‌ دانشیار، گروه علوم و مهندسی محیط‌زیست، دانشکده شیلات و محیط‌زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

5-‌ استادیار، گروه علوم و مهندسی محیط‌زیست، دانشکده شیلات و محیط‌زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

چکیده

اطلاعات مقاله

پایش و تحلیل تغییرات کاربری و پوشش زمین (LULC) در مناطق حفاظت‌شده و حریم پیرامونی آن‌ها نقش مهمی در مدیریت پایدار زیستگاه‌ها و حفظ تنوع زیستی دارد. این مطالعه تغییرات LULC را در چهار منطقه حفاظت‌شده استان لرستان (قالیکوه، اشترانکوه، سفیدکوه و شادابکوه) و همچنین بافر ۲۰ کیلومتری اطراف آن‌ها در بازه زمانی ۱۹۹۰ تا ۲۰۵۰ بررسی می‌کند. نوآوری اصلی تحقیق، تحلیل همزمان داخل مناطق حفاظت‌شده و حوزه نفوذ پیرامونی برای تفکیک دقیق‌تر فشارهای درون‌زا و برون‌زا و شناخت بهتر اثرات انسانی است. نقشه‌های LULC با ترکیب تصاویر ماهواره‌ای Landsat و محصول جهانی GLC_FCS30 با دقت ۳۰ متر تهیه شد. پیش‌بینی تغییرات تا سال ۲۰۵۰ با استفاده از مدل رگرسیون لجستیک در نرم‌افزار TerrSet انجام گرفت. برای تحلیل دقیق تغییرات در چهار منطقه حفاظت‌شده استان لرستان و بافر ۲۰ کیلومتری پیرامون آن‌ها، آزمون‌های آماری فریدمن، ویلکاکسون، آزمون نسبت‌ها و کای‌اسکوئر (مقایسه دوتایی) در محیط نرم‌افزار SPSS به‌کار گرفته شد. این آزمون‌ها به منظور بررسی معنی داری تغییرات LULC در داخل مناطق حفاظت‌شده و حوزه نفوذ پیرامونی اجرا شدند و سطح معنی‌داری ۵ درصد لحاظ شد. نتایج نشان داد که در داخل مناطق حفاظت‌شده، تغییرات معنی‌داری به ویژه در طبقات انسان‌ساخت و کشاورزی رخ داده است و پوشش جنگلی و منابع آبی نسبتاً پایدارتر بوده‌اند. همچنین، فشارهای انسانی در بافر پیرامونی افزایش یافته و موجب گسترش کاربری‌های انسان‌ساخت و کشاورزی شده است. این یافته‌ها ضرورت مدیریت یکپارچه فراتر از مرزهای رسمی مناطق حفاظت‌شده، استفاده از فناوری‌های نوین سنجش‌ازدور و مشارکت فعال جوامع محلی برای حفاظت پایدار منابع طبیعی را نشان می‌دهد.

نوع مقاله:

پژوهشی

تاریخ دریافت:

 25/04/1404

تاریخ پذیرش:

18/05/1404

دسترسی آنلاین: 29/06/1404

 

کلید واژه‌ها:

مناطق حفاظت‌شده،

تحلیل آماری،

مدل رگرسیون لجستیک،

استان لرستان،

تغییرات کاربری اراضی 

 

 

[1] *پست الکترونیکی نویسنده مسئول:  rassoulmahiny@gmail.com

 

Journal of Environmental Research and Technology, 10(17)2025. 89-107

 

 

Description: Description: H:\لوگوی بدون پس زمینه\200px-ACECR_logo.png 

 Environmental Research institute

Online ISSN: 3060-2676

 

 

journal homepage: www.journal.eri.acecr.ir

 Journal of Environmental Research and Technology

 

 

Simulation and Impact Assessment of Land Use and Land Cover Changes Inside and Around Protected Areas in Lorestan Province, Iran

 

Seyede Zahra Mousavi Nadarvand1, Abdolrassoul Salmanmahiny 2*, Peyman.Karami3, Seyedhamed Mirkarimi4, Hamidreza Kamyab5    

1 

1.       PhD Candidate, Department of Environmental Sciences, Faculty of Fisheries and Environmental Sciences, Gorgan University of Agricultural Sciences and Natural Resources, Iran

2.       Professor, Department of Environmental Sciences, Faculty of Fisheries and Environmental Sciences, Gorgan University of Agricultural Sciences and Natural Resources, Iran

3.       PhD, Department of Environmental Sciences, Faculty of Natural Resources and Environment Sciences, Malayer University, Malayer, Iran

4.       Associate Professor, Department of Environmental Sciences, Faculty of Fisheries and Environmental Sciences, Gorgan University of Agricultural Sciences and Natural Resources, Iran

5.       Assistant Professor, Department of Environmental Sciences, Faculty of Fisheries and Environmental Sciences, Gorgan University of Agricultural Sciences and Natural Resources, Iran

 

Article Info

Abstract

Article type:

Research Article

 

Article history:

Received: 2025/07/16

Accepted: 2025/08/09

Available online:

2025/09/20

 

Keywords:

Protected areas, statistical analysis, logistic regression model,

Lorestan Province,

Land Use Change

Monitoring and analyzing land use and land cover (LULC) changes in protected areas and their surrounding buffer zones play an important role in sustainable habitat management and biodiversity conservation. This study examines LULC changes in four protected areas of Lorestan Province, Iran (Ghalikouh, Oshtorankouh, Sefidkouh, and Shadabkouh), together with a 20-kilometer buffer zone, over the period 1990–2050. The key novelty of this research lies in the simultaneous analysis of both the protected areas and their adjacent zones, enabling a clearer distinction between internal and external pressures and a deeper understanding of human-induced impacts. LULC maps were generated by integrating Landsat satellite imagery with the global GLC_FCS30 product at a 30-meter resolution. Future changes up to 2050 were projected using logistic regression modeling in TerrSet software. To assess the significance of LULC changes within the protected areas and their surrounding buffers, statistical tests including Friedman, Wilcoxon, proportion tests, and Chi-square were performed in SPSS at a 5% significance level. The results indicated significant changes inside the protected areas, particularly in built-up and agricultural classes, whereas forest cover and water bodies remained relatively stable. In addition, human pressures in the surrounding buffers intensified, resulting in the expansion of built-up and agricultural land uses. These findings emphasize the necessity of integrated management beyond the official boundaries of protected areas, the use of advanced remote sensing technologies, and active participation of local communities to ensure sustainable conservation of natural resources.

 

 

[1] Corresponding author E-mail address: rassoulmahiny@gmail.com

مقدمه

مناطق تحت حفاظت یکی از مهم‌ترین راهکارها برای حفظ طبیعت و تنوع زیستی هستند. این مناطق علاوه بر حفاظت از سیمای سرزمین و حیات‌وحش، نقش‌های محیط­زیستی، اجتماعی و اقتصادی متعددی دارند و می‌توانند به معیشت جوامع محلی، توسعه گردشگری و مقابله با تغییر اقلیم کمک کنند (Islam et al., 2020; Luiza Petroni et al., 2022). با این‌حال، رشد فعالیت‌های انسانی مانند شهرنشینی و توسعه زیرساخت‌ها، پایداری این مناطق را تهدید کرده و زیستگاه‌های حیات‌وحش را تحت فشار قرار داده است (Buzási and Jäger, 2020). در کنار استفاده های مناسب از این مناطق، افزایش فشار بر آن‌ها می‌تواند منجر به مشکلاتی مانند دفع غیرقانونی زباله، ورود گونه‌های مهاجم، خرابکاری و تصرف زمین شود (Luiza Petroni et al., 2022). تغییرات LULC ناشی از فعالیت‌های انسانی نظیر گسترش اراضی کشاورزی، توسعه شهری و چرای مفرط، با کاهش پوشش گیاهی، تخریب خاک و زوال تدریجی ساختار و عملکرد اکوسیستم‌ها همراه است (Imran and Din, 2021). تغییرات کاربری و پوشش زمین (LULC)1 که محصول برهم‌کنش پیچیده میان عوامل طبیعی، اقتصادی و اجتماعی است، طی دهه‌های اخیر منجر به دگرگونی‌های چشمگیر در ساختار و کارکرد اکوسیستم‌های مختلف در مقیاس جهانی شده است. درک دقیق الگوها و روندهای تغییر در LULC نقش بنیادی در مدیریت مؤثر منابع سرزمینی و مقابله با پیامدهای ناشی از این تغییرات دارد (Ait El Haj et al., 2023; Yang et al., 2024).

 پیشرفت‌های حاصل در حوزه سنجش‌ازدور، به‌ویژه افزایش دسترسی به تصاویر ماهواره‌ای با وضوح مکانی و زمانی بالا و توسعه روش‌های پیشرفته پردازش داده‌ها، ابزارهای کارآمدی برای پایش و تحلیل دقیق تغییرات LULC در اختیار پژوهشگران قرار داده است. نقشه‌های به‌روز و دقیق LULC نقش کلیدی در شناسایی الگوهای فضایی و بررسی ارتباط میان فرآیندهای طبیعی، اجتماعی و اقتصادی ایفا می‌کنند و زمینه را برای مدیریت مؤثرتر منابع و محیط‌زیست فراهم می‌سازند (Chaudhuri and Mishra, 2016; Rwanga and Ndambuki, 2017).  همچنین، پایش و تحلیل روند تغییرات LULC می‌تواند ابزار مؤثری برای برنامه‌ریزی و مدیریت مناطق تحت حفاظت باشد (Parvar and Salmanmahiny, 2025). در این راستا، در سال‌های اخیر، پیش‌بینی تغییرات LULC به یکی از ابزارهای کلیدی در مدیریت سرزمین و حفاظت از بوم‌سازگان‌ها تبدیل شده است که می‌تواند در کاهش تهدیدات محیط زیستی و تصمیم‌گیری‌های مدیریتی نقش مؤثری ایفا کند (Sobhani et al., 2021). مدل‌های مختلفی برای این منظور توسعه یافته‌اند که از جمله مهم‌ترین آن‌ها می‌توان به مدل LCM (Bairwa et al., 2025; Eastman, 2006, 2015; Muhammad et al., 2025; Parvar and Salmanmahiny, 2025)، مدل زنجیره مارکوف-اتوماتای سلولی (Mosleh, 2025)، CLUE-S  (Lamichhane and Shakya, 2021)، GEOMOD  (Pontius Jr et al., 2001)  و  DINAMICA  (Pokhrel and Shakya, 2021) اشاره کرد. هر یک از این مدل‌ها با بهره‌گیری از روش‌های متنوع مانند رگرسیون لجستیک، شبکه عصبی مصنوعی، وزن شواهد و احتمالات تجربی، توانایی شبیه‌سازی و پیش‌بینی تغییرات فضایی-زمانی LULC را دارند. در این میان، مدل رگرسیون لجستیک با تحلیل تغییرات گذشته و بررسی روندهای زمانی، امکان پیش‌بینی دقیق تغییرات آتی به ویژه توسعه شهری را فراهم می‌آورد (Salem et al., 2021).

 پایش تغییرات LULC در مناطق تحت حفاظت در مطالعات متعددی مورد توجه قرار گرفته است (Ghosh et al., 2021; Moghadam and Helbich, 2013; Munthali et al., 2020; Sobhani et al., 2021; Zhou et al., 2020). در این راستا، Sobhani و همکاران (2021)، با استفاده از داده‌های سنجش‌ازدور و مدل‌سازی پیش‌بینی، روند تغییرات در دو منطقه تحت حفاظت استان تهران را بررسی و نشان دادند که این تغییرات می‌توانند فراتر از استانداردهای مدیریتی، به تخریب زیستگاه‌ها منجر شوند (Sobhani et al., 2021). Ramachandra و همکاران (2018) کاهش پوشش جنگل در Western Ghats هند و تأثیر آن بر باززایش گونه‌ها و منابع آب را بررسی کرده و بر لزوم مدیریت مؤثر تأکید کردند (Ramachandra et al., 2018). Lin و همکاران (2024) با پیش‌بینی تغییرات LULC در حوضه دریاچه فوکسیان، اثربخشی چارچوب پیشنهادی خود را در ارزیابی سناریوهای مختلف نشان دادند (Lin et al., 2024). همچنین، Wolf و همکاران (2023) در مطالعات خود در مناطق جاجرود و کاوده، افزایش ریسک اکولوژیکی ناشی از کاهش مراتع و گسترش اراضی ساخته‌شده را گزارش کردند. با وجود این، بیشتر مطالعات بر تغییرات درون مناطق حفاظت‌شده تمرکز دارند و تأثیر پویایی‌های پیرامونی کمتر بررسی شده است. این مطالعه با رویکردی یکپارچه، تغییرات LULC در داخل و اطراف مناطق حفاظت‌شده استان لرستان را تحلیل کرده و با شناسایی عوامل مؤثر و ارزیابی تأثیر آن‌ها بر زیستگاه‌های طبیعی، به ارائه راهکارهای مدیریتی مؤثر برای حفظ و بهبود این مناطق می‌پردازد. پایش همزمان و مجزای تغییرات در داخل و خارج از مناطق تحت حفاظت می‌تواند تصویر جامع‌تری از فشارهای انسانی و روند تخریب یا بهبود زیستگاه‌ها ارائه دهد.

 

مواد و روش‌ها

منطقه مورد مطالعه

استان لرستان با مساحت 28/046 کیلومتر مربع در غرب ایران و در بین رشته‌کوه‌های زاگرس واقع شده و حدود 8/1 درصد از وسعت کشور را در بر می‌گیرد. این استان بین مختصات 46 درجه و 50 درجه تا 50 درجه و 05 دقیقه طول شرقی و 32 درجه و 40 دقیقه تا 34 درجه و 23 دقیقه عرض شمالی قرار دارد (شکل 1). میانگین ارتفاع آن بیش از 2200 متر از سطح دریاست، به‌طوری‌که پست‌ترین نقطه با 239 متر در دشت‌ها و بلندترین نقطه، قله اشترانکوه با ارتفاع 4080 متر قرار دارد.

در این مطالعه، تغییرات LULC  در چهار منطقه حفاظت‌شده مهم استان لرستان شامل قالیکوه، اشترانکوه، سفیدکوه و شادابکوه و همچنین بافر ۲۰ کیلومتری اطراف آن‌ها مورد بررسی قرار گرفته است. هدف از این تحلیل، ارزیابی جامع پویایی‌های درون‌منطقه‌ای و اثرات متقابل آن با تحولات سرزمینی در نواحی پیرامونی است؛ رویکردی که کمتر در مطالعات مشابه مورد توجه قرار گرفته و می‌تواند شناخت دقیق‌تری از فشارهای بوم شناختی بر مناطق حفاظت‌شده ارائه دهد.

 لرستان با تنوع اقلیمی از شمال سردسیر تا جنوب گرمسیر، تنوع زیستی بالایی دارد و به‌عنوان نمونه‌ای کوچک از اقلیم متنوع ایران شناخته می‌شود. این استان با دارا بودن جنگل‌های بلوط، بنه و ارس و گونه‌های جانوری نظیر پلنگ، خرس قهوه‌ای، کبک دری، سمندر لرستانی و ماهی کور غار، یکی از قطب‌های تنوع زیستی زاگرس است. وجود چهار منطقه حفاظت‌شده، دو پناهگاه حیات‌وحش، هشت منطقه شکار ممنوع و یک اثر طبیعی ملی که 5/16 درصد مساحت استان را در بر می‌گیرد، گویای اهمیت حفاظتی آن است. با وجود اقدامات حفاظتی اخیر، تغییرات کاربری و پوشش زمین هنوز به‌عنوان شاخصی برای ارزیابی کیفیت این مناطق در نظر گرفته نشده، در حالی‌که هم‌زیستی جانداران با سایر کاربری‌ها چالشی جدی در مدیریت سرزمین محسوب می‌شود (Karami and Tavakoli, 2022).

 

D:\pik_proj\z_m\خروجی\OK.png 

شکل (1) منطقه مورد مطالعه منبع: نگارندگان

 

روش کار

در این پژوهش، برای تهیه و تحلیل نقشه‌های LULC از دو منبع داده مکمل استفاده شد: تصاویر ماهواره‌ای لندست و محصول جهانی GLC_FCS30. تصاویر لندست با وضوح مکانی 30 متر، چرخه تکرار 16 روزه و پوشش زمانی بلندمدت، منبعی مناسب برای مطالعات تغییرات LULC هستند. تصاویر بدون ابر مربوط به سال‌های 1990، 200  و 2020 از پایگاه USGS استخراج شد. همچنین، از محصول جهانی GLC_FCS30 با دقت 30 متر که توسط آکادمی علوم چین تهیه شده و یکی از معتبرترین نقشه‌های جهانی LULC محسوب می‌شود (X Zhang et al., 2021; Xiao Zhang et al., 2020; Xiao Zhang et al., 2024)، بهره گرفته شد. این رویکرد ترکیبی، به‌منظور کاهش خطای طبقه‌بندی و ارتقای کیفیت تحلیل‌های LULC به‌کار گرفته می­شود.

گام‌های اصلی این مطالعه به‌صورت زیر است:

·       استخراج نقشه‌های LULC برای سال‌های 1990، 2000 و 2020 با استفاده از تصاویر ماهواره‌ای لندست و محصول GLC_FCS30 به‌منظور تحلیل تغییرات تاریخی.

·       پیش‌بینی تغییرات آینده LULC برای سال 2050 با بهره‌گیری از مدل رگرسیون لجستیک در نرم‌افزار TerrSet.

·       استخراج لایه مناطق حفاظت‌شده شامل قالیکوه، اشترانکوه، سفیدکوه و شادابکوه جهت تمرکز بر محدوده‌های هدف مطالعه و ایجاد بافر 20 کیلومتری پیرامون هر منطقه برای بررسی هم‌زمان تغییرات در داخل و اطراف مناطق حفاظت‌شده.

·       تحلیل آماری تغییرات LULC در نرم‌افزار SPSS به‌منظور بررسی معناداری تغییرات در نوع و میزان تغییرات در هر منطقه و بافر پیرامونی آن.  

  نمودار جریانی این فرآیند در شکل 2 خلاصه شده است.

 

C:\Users\hpzbook\Desktop\مقاله خودم برای رساله\نمودار2.bmp 

شکل (2) نمودار جریانی روش کار

تهیه نقشه LULC  

در این مطالعه برای تهیه نقشه‌های LULC  از داده­های لندست و محصول GLC_FCS30 بهره گرفته شد. این محصول یک نقشه جهانی با دقت مکانی 30 متر است که توسط مرکز علوم فضایی و سنجش‌ازدور چین (Chinese Academy of Sciences)  تولید شده است (X Zhang et al., 2021; Xiao Zhang et al., 2020; Xiao Zhang et al., 2024).

به‌منظور دقت‌بخشی به طبقه‌بندی و تعیین پوشش‌های غالب، بازدیدهای میدانی نیز در فصول بهار و تابستان 2023 از سطح استان و حاشیه مناطق حفاظت‌شده انجام شد. در این بازدیدها، مهم‌ترین طبقات کاربری اراضی با در نظر گرفتن تنوع سیمای سرزمین منطقه و قابلیت تفکیک در تصاویر ماهواره‌ای، شناسایی و انتخاب شدند.  موقعیت مکانی این نمونه‌ها با استفاده از سامانه موقعیت‌یاب جهانی (GPS) ثبت شد. در مجموع، شش نوع LULC در منطقه مورد مطالعه شناسایی که در جدول 1 ارائه شده‌اند.

جدول (1) طبقات LULC و شرح آن‌ها

توضیحات

طبقه کاربری

ردیف

شامل جنگل (جنگل های تنک) ، مرتع و کشاورزی ( پراکنده) 

ترکیبی

1

شامل کشاورزی و باغات

کشاورزی

2

جنگل و مناطق درخت‌کاری شده و پوشش گیاهی انبوه

جنگل

3

شامل پهنه‌های آبی و روخانه ها و دریاچه‌ها

آب

4

مناطق مسکونی شهری، روستایی وسایر مناطق انسان‌ساخت

مناطق انسان ساخت

5

زمین‌های فاقد پوشش گیاهی، زمین‌های متروکه و بدون استفاده

اراضی بایر

6

 

پیش بینی تغییرات آینده LULC

برای پیش‌بینی  LULC تا سال 2050 در منطقه مورد مطالعه، از مدل رگرسیون لجستیک (Logistic Regression - LR) در محیط نرم‌افزار TerrSet استفاده شد. این مدل یکی از روش‌های آماری پرکاربرد در مطالعات تغییرات LULC است که با بهره‌گیری از روابط بین تغییرات مشاهده‌شده در گذشته و عوامل محیطی و انسانی مؤثر، احتمال وقوع تغییرات آینده را برآورد می‌کند.

در این مطالعه، ابتدا نقشه‌های LULC سال‌های 1990 و 2000، به‌عنوان ورودی مدل استفاده شدند. این نقشه‌ها روند و الگوی تغییرات LULC را طی یک بازه زمانی مشخص نمایش می‌دهند و به‌عنوان داده‌های پایه برای مدل‌سازی تغییرات آینده مورد استفاده قرار گرفتند. سپس برای شناسایی عوامل مؤثر بر تغییرات LULC، مجموعه‌ای از لایه‌های مستقل شامل فاصله از جاده‌ها، فاصله از مراکز شهری، فاصله از منابع آبی، ارتفاع، شیب و فاصله از جنگل و کشاورزی وارد مدل شدند.

اعتبار سنجی یکی از مهم ترین فرآیندها در مدل‌سازی کمی پیش‌بینی کننده است. اعتبارسنجی مدل با استفاده از تحلیل 2ROC انجام شد تا رابطه بین تغییرات پیش‌بینی‌شده و واقعی (2020) بررسی شود. در این روش، منحنی ROC برای هر کلاس کاربری رسم و مساحت زیر منحنی3 (AUC) محاسبه شد. مقادیر AUC نزدیک به 1 نشان‌دهنده عملکرد بهتر مدل هستند؛ به‌طوری‌که مقادیر بین 7/0  تا 8/0 قابل قبول، 8/0 تا 9/0 عالی، و بالاتر از 9/0  بسیار عالی در نظر گرفته می‌شوند (Parvar and Salmanmahiny, 2025).

پس از اطمینان از دقت مناسب مدل، پیش‌بینی نهایی برای سال 2050 انجام گرفت. در این مرحله، بر اساس نقشه‌های LULC، لایه‌های محیطی و خروجی‌های مدل، نقشه پیش‌بینی‌شده تغییرات LULC تولید و به‌عنوان خروجی نهایی استخراج شد.  

 

تحلیل آماری تغییرات LULC  در مناطق حفاظت‌شده

برای تحلیل دقیق وضعیت مناطق حساس، چهار منطقه حفاظت‌شده قالیکوه، اشترانکوه، سفیدکوه و شادابکوه به‌ همراه بافر ۲۰ کیلومتری اطراف آن‌ها انتخاب شدند. انتخاب بافر ۲۰ کیلومتری بر اساس ترکیبی از دلایل اکولوژیکی، مدیریتی و علمی انجام شد. پژوهش‌ها نشان می‌دهند که فعالیت‌های انسانی مانند تغییر کاربری اراضی، شکار، آلودگی و تغییرات هیدرولوژیکی می‌توانند تا فاصله ۱۰ تا ۳۰ کیلومتری بر مناطق حفاظت‌شده اثرگذار باشند. این فاصله امکان بررسی اثرات لبه‌ای، کریدورهای مهاجرتی گونه‌ها، تغییرات کاربری و اثرات تجمعی را فراهم کرده و از ورود به محدوده‌های با فعالیت انسانی شدید جلوگیری می‌کند (Schauman et al., 2024). در نتیجه تعیین بافر ۲۰ کیلومتری می‌تواند یک راهکار منطقی برای کاهش این اثرات باشد. انتخاب این اندازه بستگی به شرایط محلی (نوع اکوسیستم، گونه‌های هدف و نوع تهدیدات) دارد و در برخی موارد ممکن است نیاز به بافرهای بزرگ‌تر یا کوچک‌تر باشد.

به ‌منظور ارزیابی معناداری آماری تغییرات LULC در بازه زمانی 1990 تا 2050، مجموعه‌ای از آزمون‌های آماری متناسب با نوع داده‌ها در نرم‌افزار SPSS اجرا شد و سطح معناداری ۵ درصد (α = 0/05) مبنای تحلیل‌ها قرار گرفت. انتخاب آزمون‌ها بر اساس ویژگی داده‌ها (مقیاس اسمی، وابسته یا مستقل بودن مشاهدات، نرمال یا ناپارامتریک بودن داده‌ها) صورت گرفت. روش‌های آماری مورداستفاده در این بخش به شرح زیر است:

الف) آزمون ناپارامتریک فریدمن4 : برای بررسی معنی داری تغییرات کلی کاربری اراضی طی چهار دوره زمانی، از آزمون فریدمن استفاده شد. این آزمون مناسب داده‌های وابسته و غیر نرمال است و به مقایسه میانگین رتبه‌های طبقات کاربری در سال‌های مختلف می‌پردازد. این آزمون برای ارزیابی کلی تغییرات در مساحت طبقات مختلف LULC طی دوره‌های زمانی مذکور اجرا شد.

ب) آزمون ناپارامتریک ویلکاکسون5 برای مقایسه دوتایی تغییرات بین شش بازه زمانی (1990-2000، 1990-2020، 1990-2050، 2000-2020، 2000-2050 و 2020-2050) استفاده شد. . این آزمون با هدف تحلیل تفاوت‌های جفت‌به‌جفت بین سال‌های مختلف اجرا گردید.

ج) آزمون نسبت‌ها6: برای سنجش معناداری درصد تغییرات هر طبقه LULC در مقاطع مختلف انجام شد و همچنین روند کلی تغییرات دربازه‌های زمانی بررسی شد. در این آزمون، سهم درصدی هر طبقه از مساحت منطقه برای سال‌های مختلف مقایسه گردید تا مشخص شود آیا تغییرات در توزیع فضایی طبقات کاربری، از نظر آماری معنادار بوده‌اند یا خیر.

د)  آزمون کای‌اسکوئر مقایسه‌های دوتایی7: برای مقایسه آماری طبقات LULC به‌صورت جفتی بین دوره‌ها مورد استفاده قرار گرفت.

 

یافته‌های تحقیق

نقشه­های LULC و پیش‌بینی تغییرات آینده

در گام نخست، نقشه‌های LULC برای سال‌های 1990، 2000 و 2020 در 6 طبقه کاربری تهیه شد. پس از ارزیابی صحت نقشه پیش­بینی شده 2020 و نقشه واقعی، تغییرات تا سال 2050 پیش یبنی شد. جدول (2) دقت نقشه پیش‌بینی‌شده دوره زمانی اول برای برآورد توافق با نقشه مرجع (2020) را نشان می دهد.  

 

 

 

جدول (2) ارزیابی صحت مدل

کاربری

AUC

ترکیبی

95/0

کشاورزی

77/0

جنگل

85/0

آب

95/0

مناطق انسان ساخت

93/0

اراضی بایر

97/0

AUC

90/0

 

بر اساس مقادیر AUC که همگی بالاتر از 7/0 هستند و میانگین AUC برابر با 9/0 به دست آمده، می‌توان نتیجه گرفت که دقت نقشه پیش‌بینی‌شده در سطح قابل قبولی قرار دارد.

شکل 3 نمای کلی از نقشه‌های LULC در سال‌های مختلف و پیش‌بینی سال 2050 را نمایش می‌دهد.

 

img0 

D:\pik_proj\z_m\خروجی\1990.png 

img0 

img0 

شکل (3) نقشه­های LULC سال­های 1990-2000-2020 و پیش­بینی 2050

 

مساحت کل استان 2828987 هکتار است. در بازه زمانی 1990 تا 2020، روند تغییرات LULC در منطقه مورد مطالعه نشان‌دهنده الگوی مشخصی از گسترش اراضی کشاورزی و مناطق انسان‌ساخت همراه با کاهش تدریجی وسعت جنگل‌ها و کاربری‌های ترکیبی بوده است. مساحت اراضی کشاورزی طی این دوره از حدود 393 هزار هکتار به بیش از 430 هزار هکتار افزایش یافته و هم‌زمان، مناطق انسان‌ساخت از حدود 24 هزار هکتار به بیش از 45 هزار هکتار رسیده است که بیانگر توسعه سریع شهرنشینی و افزایش فشار بر اراضی طبیعی است. در مقابل، وسعت جنگل‌ها کاهش جزئی داشته و از حدود 544 هزار هکتار در سال 1990 به 522 هزار هکتار در سال 2020 رسیده است. کاربری‌های ترکیبی نیز طی این سه دهه با روند کاهشی همراه بوده‌اند و از حدود 1.8 میلیون هکتار به 1.76 میلیون هکتار کاهش یافته‌اند  (جدول (3)).

 

جدول (3) مساحت و درصد کاربری‌ها

LULC

واحد

1990

2000

2020

2050

ترکیبی

درصد

8/63

1/62

5/62

8/60

مساحت (Ha)

83/1806118

6/1757691

8/1767130

5/1720703

کشاورزی

درصد (%)

9/13

9/14

2/15

16

مساحت (Ha)

5/ 393598

02/420343

6/430259

6/453735

جنگل

درصد (%)

2/19

2/18

5/18

1/18

مساحت (Ha)

4/ 544144

6/513565

02/522053

4/513191

آب

درصد (%)

2/0

1/0

2/0

2/0

مساحت (Ha)

9/4357

3/3702

01/522053

4/4907

مناطق انسان‌ساخت

درصد (%)

9/0

3/1

6/1

9/2

مساحت (Ha)

9/24403

6/35496

01/45584

2/81187

بایر

درصد (%)

2

5/3

1/2

2

مساحت (Ha)

9/55363

2/98188

3/58531

5/55262

 

پیش‌بینی‌ها تا سال 2050 حاکی از تداوم این روند است، به‌گونه‌ای که انتظار می‌رود اراضی کشاورزی و مناطق انسان‌ساخت همچنان افزایش یابند و در مقابل، وسعت جنگل‌ها و کاربری‌های ترکیبی کاهش بیشتری را تجربه کنند. بر اساس نتایج مدل، مساحت اراضی کشاورزی تا سال 2050 به حدود 453 هزار هکتار خواهد رسید و مناطق انسان‌ساخت نیز با رشد قابل توجه به بیش از 81 هزار هکتار افزایش خواهند یافت. در مقابل، جنگل‌ها با کاهش جزئی به حدود 513 هزار هکتار و کاربری‌های ترکیبی به حدود 1.72 میلیون هکتار محدود خواهند شد. این پیش‌بینی‌ها زنگ خطری برای تخریب منابع طبیعی، افزایش تغییر کاربری به نفع توسعه انسانی و لزوم اتخاذ سیاست‌های مدیریتی برای حفاظت از اراضی طبیعی و جنگلی در آینده محسوب می‌شود. 

 

 تحلیل­های آماری در داخل و خارج مناطق حفاظت‌شده

برای بررسی جامع‌تر تأثیرات تغییرات LULC، محدوده داخلی هر یک از 4 منطقه حفاظت شده و نیز حریم 20 کیلومتری پیرامون آن‌ها از طریق ازمون­های مختلف ارزیابی شدند تا از طریق بررسی معنی داری تغییرات نوع و میزان تغییرات در این مناطق به دقت بررسی شود. 

 

تحلیل­های آماری در بافر مناطق تحت حفاظت 

آزمون ناپارامتریک فریدمن: به‌ منظور ارزیابی معناداری تغییرات LULC در محدوده ۲۰ کیلومتری اطراف مناطق حفاظت‌شده، از آزمون ناپارامتریک فریدمن برای چهار دوره زمانی استفاده شد (جدول (4)).

 

جدول (4) میانگین رتبه‌های LULC با استفاده از آزمون فریدمن در بافر ۲۰ کیلومتری

سال

میانگین رتبه

قالیکوه

سفید کوه

اشترانکوه

شادابکوه

1990

94/2

07/2

90/2

38/2

2000

98/2

97/1

2

17/1

2020

63/2

13/3

3

69/3

2050

43/1

83/2

10/2

76/2

Chi-Square

929/246852

834/13260

011/12057

699/382669

تعداد نمونه‌ها (N)

256355

22665

24624

194154

Df: 3 P value: 0/000 درجه آزادی

 

نتایج آزمون در تمامی مناطق مورد مطالعه (قالیکوه، سفیدکوه، اشترانکوه و شادابکوه) معنادار گزارش شد  (P value. = 0/000). به‌طور کلی، الگوی نتایج بیانگر آن است که بیشترین تغییرات در اکثر مناطق متعلق به سال 2020 بوده است و سال 2000 معمولاً کمترین تغییر را ثبت کرده است. این روند حاکی از افزایش تدریجی تغییرات LULC در دهه‌های اخیر و تداوم آن تا سال 2050 است.

آزمون ناپارامتریک ویلکاکسون:  نتایج این آزمون در تمامی مناطق چهارگانه (قالیکوه، سفیدکوه، اشترانکوه و شادابکوه) نشان داد که کلیه مقایسه‌های زمانی شامل 1990-2000، 1990-2020، 1990-2050، 2000-2020، 2000-2050 و 2020-2050 معنادار است (P value. = 0/000). به ‌طور کلی، نتایج آزمون ویلکاکسون تأیید می‌کند که تحولات LULC در محدوده بافر ۲۰ کیلومتری مناطق تحت حفاظت، در تمام دوره‌های زمانی بررسی‌شده قابل توجه بوده و روندپویای تغییرات را نشان می‌دهد که لزوم توجه به مدیریت بهینه این مناطق را دوچندان می‌سازد.

آزمون نسبت‌ها: به ‌منظور تحلیل دقیق درصد تغییرات LULC در دوره‌های زمانی مختلف، آزمون نسبت‌ها برای هر طبقه کاربری انجام گرفت (جدول (5)).  

 

جدول (5) آزمون نسبت­ها و روند کلی تغییرات در بافر ۲۰ کیلومتری اطراف مناطق تحت حفاظت  (درصد)

 

قالیکوه

کاربری

سال 1990

سال 2000

سال2020

سال 2050

P value

ترکیبی

91/64

69/61

33/61

44/60

**0

کشاورزی

85/3

03/5

17/5

12/6

**0

جنگل

12/28

81/29

30

72/29

**0

آب

38/0

17/0

24/0

23/0

**0

انسان‌ساخت

06/0

08/0

16/0

46/0

**0

بایر

65/2

19/3

07/3

3

**0

P value 1990

_

**0

**0

**0

 

P value 2000

_

_

**0

**0

 

P value 2020

_

_

_

**0

 

اشترانکوه

ترکیبی

42/62

05/58

27/58

44/56

**0

کشاورزی

74/16

46/18

09/19

04/20

**0

جنگل

22/17

32/18

48/18

15/18

**0

آب

12/0

11/0

24/0

22/0

**0

انسان‌ساخت

69/0

97/0

34/1

76/2

**0

بایر

77/2

06/4

54/2

35/2

**0

P value 1990

_

**0

**0

**0

 

P value 2000

_

_

**0

**0

 

P value 2020

_

_

_

**0

 

 

سفیدکوه

ترکیبی

25/60

48/60

4/59

24/57

**0

کشاورزی

75/15

23/18

44/18

05/19

**0

جنگل

92/21

34/17

76/17

45/17

**0

آب

03/0

03/0

06/0

04/0

**0

انسان‌ساخت

35/1

2

83/2

78/4

**0

بایر

67/0

89/1

49/1

41/1

**0

P value 1990

_

**0

**0

**0

 

P value 2000

_

_

**0

**0

 

P value 2020

_

_

_

**0

 

شادابکوه

ترکیبی

85/76

55/74

29/78

34/77

**0

کشاورزی

94/1

64/1

68/1

2/2

**0

جنگل

28/15

85/14

98/14

86/14

**0

آب

2/0

15/0

16/0

15/0

**0

انسان‌ساخت

23/0

33/0

47/0

27/1

**0

بایر

47/5

46/8

39/4

16/4

**0

P value 1990

_

**0

**0

**0

 

P value 2000

_

_

**0

**0

 

P value 2020

_

_

_

**0

 

 

تغییرات در بافر ۲۰ کیلومتری در بازه 1990 تا 2020، تغییرات معناداری در ساختار LULC در هر چهار منطقه را نشان داد (P value < 0/001). در قالیکوه، سهم اراضی انسان‌ساخت از ٪ 06/0 به ٪ 16/0 و کشاورزی از ٪ 85/3 به ٪ 17/5 افزایش یافت، در حالی که اراضی ترکیبی از ٪91/64 به ٪ 33/61 کاهش نشان داد. در اشترانکوه، مناطق انسان‌ساخت از ٪ 69/0 به ٪ 34/0 و کشاورزی از ٪ 74/16 به ٪ 09/19 افزایش یافتند، در حالی که اراضی ترکیبی کاهش یافت (از ٪ 42/62 به ٪ 27/58). در سفیدکوه، رشد انسان‌ساخت از ٪ 35/1به ٪ 83/2 و کاهش جنگل از ٪ 92/21 به ٪ 76/17 مشاهده شد. در شادابکوه، زمین‌های انسان‌ساخت از ٪ 23/0 به ٪ 47/0و اراضی کشاورزی از ٪ 94/1به ٪ 68/1 افزایش نشان دادند، در حالی که اراضی بایر از ٪ 47/5 به ٪ 39/4 کاهش یافتند. بر اساس پیش‌بینی سال 2050، روندهای گذشته ادامه خواهد یافت: در اشترانکوه، سهم مناطق انسان‌ساخت به ٪ 76/2 و کشاورزی به ٪ 04/20خواهد رسید، در حالی که اراضی ترکیبی به ٪ 44/56 کاهش می‌یابد. در قالیکوه نیز، زمین‌های انسان‌ساخت تا ٪ 46/0 افزایش می‌یابد و سهم اراضی ترکیبی به ٪ 44/60 کاهش خواهد یافت.

آزمون کای‌اسکوئر: برای تحلیل دقیق تغییرات طبقات مختلف کاربری اراضی در بازه‌های زمانی متفاوت، آزمون کای‌اسکوئر به ‌صورت مقایسه‌های دوتایی بین سال‌های 1990، 2000، 2020 و 2050 در هر یک از مناطق چهارگانه اجرا شد (جدول (8) ضمیمه). نتایج آزمون کای‌اسکوئر نشان داد که در تمامی مناطق و برای بیشتر طبقات کاربری، تغییرات از نظر آماری معنادار بوده‌اند، به ‌ویژه در مقایسه‌های بلندمدت (1990–2050) این وضعیت دیده می شود:

طبقه انسان‌ساخت در تمام مقاطع زمانی و در همه مناطق چهارگانه به‌ طور معناداری افزایش یافته است. طبقه کشاورزی نیز تغییرات معنادار نشان داده‌اندکه نشان از افزایش تدریجی این کاربری دارد.

جنگل‌ها در بیشتر مقاطع تغییر معناداری داشته‌اند، به ‌ویژه در بازه‌های بلندمدت؛ اما در برخی بازه‌های کوتاه‌تر، مانند 2020–2000 در قالیکوه (219/0=P value ) یا اشترانکوه (98/0=P value )، تفاوت معناداری مشاهده نشد، که احتمالاً نشان‌دهنده‌ی ثبات نسبی یا موقتی در کوتاه‌مدت است.

برای طبقه آب، برخلاف آزمون‌های داخلی، در برخی مناطق مانند اشترانکوه و سفیدکوه در مقایسه 1990–2000 تغییر معناداری نداشته‌اند (اشترانکوه: 535/0=P value ؛ سفیدکوه: 248/0=P value )، اما در بازه‌های بلندمدت، معناداری تغییرات کاملاً مشهود است.

طبقه ترکیبی‌ در بیشتر مناطق تغییر معنادار داشته است، اما در شادابکوه، مقایسه 2050–1990 معنادار نبوده (83/0=P value)، که می‌تواند نشانه‌ی نوعی پایداری یا اشباع فضایی این طبقه در بلندمدت باشد.

طبقه بایر در تمام مقایسه‌ها و در تمام مناطق، تغییرات معناداری نشان دادند، که می‌تواند حاکی از نوسان شدید این طبقه در واکنش به فشارهای انسانی و تغییرات اقلیمی باشد.

 

تحلیل­های آماری در داخل مناطق حفاظت‌شده

آزمون فریدمن: نتایج حاصل از آزمون فریدمن در داخل چهار منطقه حفاظت‌شده‌ی قالیکوه، سفیدکوه، اشترانکوه و شادابکوه طی چهار مقطع زمانی نشان‌دهنده تفاوت معنادار میانگین رتبه‌های مربوط به LULC است  (P value < 0/001) (جدول (6)).

 

جدول (6) میانگین رتبه‌های LULC با استفاده از آزمون فریدمن در داخل مناطق

سال

میانگین رتبه

قالیکوه

سفید کوه

اشترانکوه

شادابکوه

1990

02/3

22/2

27/3

77/1

2000

77/2

69/2

16/2

23/2

2020

60/2

00/3

10/3

96/2

2050

61/1

09/2

48/1

04/2

Chi-Square

680/76708

846/22311

298/132348

943/27814

تعداد نمونه‌ها (N)

111992

69640

105311

30667

Df: 3 P value: 0/000 درجه آزادی

 

نتایج آزمون فریدمن نشان داد که در هر چهار منطقه‌ی حفاظت‌شده تفاوت معناداری بین میانگین رتبه‌های LULC در چهار دوره زمانی وجود دارد (P value = 0/000).

آزمون ویلکاکسون:  نتایج حاصل از آزمون ویلکاکسون برای مقایسه‌های دوتایی در داخل مناطق حفاظت‌شده قالیکوه، سفیدکوه، اشترانکوه و شادابکوه بین سال­های 2000-1990، 2020-1990، 2050-1990، 2020-2000 ، 2050-2000 و 2050-2020 نشان‌دهنده‌ی وجود تفاوت‌های آماری معنادار بین تمامی زوج‌ سال‌های مورد بررسی است  (P value. = 0/000).

 در تمام مقایسه‌ها میان سال‌های 1990، 2000، 2020 و 2050، تغییرات معناداری در الگوهای LULC ثبت شده است. این نتایج حاکی از آن است که طی سه دهه گذشته، تحولات قابل‌توجهی در ترکیب و ساختار LULC در داخل مناطق حفاظت‌شده رخ داده و روند تغییرات تا سال 2050 نیز ادامه‌دار خواهد بود. از آنجا که مناطق حفاظت‌شده معمولاً باید ثبات و پایداری محیط زیستی داشته باشند، معناداری بالای تفاوت‌ها به ویژه هنگام تغییر پوشش طبیعی به نیمه طبیعی و غیر طبیعی می‌تواند نشانه‌ای از فشار فزاینده انسانی، کم‌اثر بودن اقدامات حفاظتی، یا ناکارآمدی در اجرای سیاست‌های مدیریت سرزمین در سطح محلی باشد.

 آزمون نسبت‌ها: نتایج حاصل از آزمون نسبت‌ها در داخل مناطق چهارگانه حفاظت‌شده (قالیکوه، اشترانکوه، سفیدکوه، و شادابکوه) نشان می‌دهد که تغییرات کاربری اراضی طی سال‌های 1990 تا 2050 از نظر آماری در تمامی طبقات معنادار بوده‌اند       .(P < 0/001)  به‌عبارت دیگر، در تمام مقایسه‌های زمانی دوتایی، تفاوت معناداری در درصد مساحت کاربری‌ها نسبت به سال پایه وجود داشته که نشان‌دهنده تغییر ساختار و الگوی فضایی درون این مناطق است (جدول (7)).

جدول (7) آزمون نسبت‌ها و روند کلی تغییرات در داخل مناطق تحت حفاظت

قالیکوه

کاربری

سال 1990

سال 2000

سال2020

سال 2050

P value

ترکیبی

16/67

55/63

41/63

17/63

**0

کشاورزی

66/0

68/0

69/0

87/0

**0

جنگل

18/27

2/30

39/30

3/30

**0

آب

2/0

06/0

06/0

05/0

**0

انسان‌ساخت

04/0

04/0

06/0

32/0

**0

بایر

73/4

45/5

36/5

26/5

**0

P value 1990

_

**0

**0

**0

 

P value 2000

_

_

**0

**0

 

P value2020

_

_

_

**0

 

اشترانکوه

ترکیبی

53/72

61/70

76/70

67/69

0**

کشاورزی

01/11

29/11

50/11

53/11

**001/0

جنگل

54/12

36/14

47/14

33/14

**0

آب

26/0

09/0

08/0

08/0

**0

انسان‌ساخت

90/0

07/1

40/1

64/2

**0

بایر

73/2

55/2

77/1

73/1

**0

P value 1990

_

**0

**0

**0

 

P value 2000

_

_

**0

**0

 

P value2020

_

_

_

**0

 

سفیدکوه

ترکیبی

25/60

48/60

40/59

24/57

**0

کشاورزی

75/15

23/18

44/18

05/19

**0

جنگل

92/21

34/17

76/17

45/17

**0

آب

03/0

03/0

06/0

04/0

**0

انسان‌ساخت

35/1

2

83/2

78/4

**0

بایر

67/0

89/1

49/1

41/1

**0

P value 1990

 

**0

**0

**0

 

P value 2000

 

 

**0

**0

 

P value2020

 

 

 

**0

 

شادابکوه

ترکیبی

9/73

09/81

76/80

95/79

**0

کشاورزی

52/3

67/1

73/1

56/2

**0

جنگل

89/21

95/15

51/16

30/16

**0

آب

09/0

01/0

01/0

01/0

**0

انسان‌ساخت

01/0

02/0

05/0

38/0

**0

بایر

56/0

22/1

91/0

77/0

**0

P value 1990

 

**0

**0

**0

 

P value 2000

 

 

**0

**0

 

P value2020

 

 

 

**0

 

آزمون نسبت ها نشان داد در داخل مناطق تحت حفاظت در بازه‌ی 1990 تا 2020، تغییرات در ترکیب کاربری اراضی در هر چهار منطقه از نظر آماری معنادار بودند (P value < 0/001). در قالیکوه، اراضی انسان‌ساخت از 04/0 به ٪ 06/0 و کشاورزی از ٪ 66/0به ٪ 69/0افزایش یافت، در حالی که اراضی ترکیبی کاهش جزئی از٪ 16/67 به ٪ 41/63 نشان دادند. در اشترانکوه، مناطق انسان‌ساخت از ٪ 9/ 0به ٪ 40/1 و جنگل‌ها از ٪ 52/12به ٪ 47/14 افزایش داشتند، در حالی که اراضی ترکیبی کاهش اندکی داشتند (٪ 53/72 به ٪76/70). در سفیدکوه، افزایش انسان‌ساخت از ٪ 35/1 به ٪ 83/2 و کاهش جنگل از ٪ 92/21 به ٪ 76/17قابل توجه بود. در شادابکوه، سهم اراضی انسان‌ساخت هرچند کوچک، رشد نسبتاً قابل توجهی از ٪ 01/0 به ٪ 05/0 داشته و اراضی ترکیبی از ٪ 90/73 به ٪ 76/80 افزایش یافته‌اند، اما در مقابل سهم جنگل به‌شدت کاهش یافته (٪ 89/21 به ٪51/16).

بر اساس پیش‌بینی سال 2050، روند تغییرات تا آن سال ادامه خواهد یافت. به‌ طور خاص، در قالیکوه سهم اراضی انسان‌ساخت به ٪ 32/0 می‌رسد و در اشترانکوه به ٪ 64/2 افزایش می‌یابد، که نسبت به سال 1990 افزایش چند برابری را نشان می‌دهد. همچنین در شادابکوه این مقدار از ٪ 01/0 به ٪ 38/0 خواهد رسید. در کنار این افزایش، اراضی ترکیبی و جنگلی در برخی مناطق مانند سفیدکوه و شادابکوه کاهش خواهند یافت (مثلاً اراضی جنگلی در سفیدکوه از ٪ 92/21 در 1990 به ٪ 5/17 در 2050).

آزمون کای‌اسکوئر: نتایج حاصل از آزمون کای‌اسکوئر برای مقایسه دوتایی تغییرات LULC در داخل مناطق حفاظت‌شده، گویای تفاوت‌های معنادار در برخی طبقات و بازه‌های زمانی بوده است (جدول (9) ضمیمه). 

نتایج آزمون نشان داد که طبقه انسان‌ساخت در تمامی مقایسه‌های زمانی و در هر چهار منطقه به‌ طور معناداری افزایش یافته است. این تغییرات حتی در بازه‌های کوتاه‌مدت مانند 2000–2020 نیز معنادار بوده‌اند. این روند بیانگر گسترش مستمر فعالیت‌های انسانی در درون مناطق حفاظت‌شده است. در مقابل، طبقات جنگل و آب، در بسیاری از مقایسه‌های میان‌مدت (مثل 2000–2020 یا 2020–2050) تغییر معناداری نشان ندادند (مثلاً جنگل در سفیدکوه: 198/0=P value ، آب در قالیکوه: 733/0 = P value). با این حال، در مقایسه‌های بلندمدت‌تر مانند 1990–2050، تغییرات در این طبقات به‌طور معنادار ثبت شده‌اند، که نشان‌دهنده کاهش تدریجی پوشش طبیعی است.طبقات کشاورزی و بایر نتایج متفاوتی داشتند. برای مثال، در قالیکوه، کشاورزی در بازه 2020–2050 تغییر معناداری داشته، اما در بازه 1990–2000 نه ( 570/0 = P value). همچنین در سفیدکوه، اراضی بایر در بازه 2000–2050 تغییر معنادار داشته‌اند اما در بازه 2020–2050 نه (166/0=P value ). این اختلافات نشان‌دهنده تفاوت در فشارهای انسانی، اقلیم و سیاست‌های مدیریتی منطقه‌ای است.

همچنین، طبقه ترکیبی در بیشتر مقایسه‌ها در سه منطقه قالیکوه، اشترانکوه، سفیدکوه و اشترنکوه تغییر معنادار داشته‌اند اما در برخی مقاطع زمانی، این تغییر معنادار نبوده (P value > 0/05)، که ممکن است نشانه‌ای از ثبات نسبی در این طبقه در سال‌های آینده باشد.

 

بحث و نتیجه‌گیری

در این پژوهش با استفاده از داده‌های سنجش‌ازدور، پیش‌بینی و تحلیل‌های آماری، تغییرات  LULCدر چهار منطقه حفاظت‌شده استان لرستان شامل قالیکوه، اشترانکوه، سفیدکوه و شادابکوه در بازه زمانی 1990 تا 2050 بررسی شد. نوآوری اصلی تحقیق، تمرکز هم‌زمان بر داخل مناطق حفاظت‌شده و بافر ۲۰ کیلومتری پیرامون آن‌هاست؛ رویکردی که در مطالعات پیشین کمتر مورد توجه قرار گرفته است. تحلیل منطقه پیرامونی، نه تنها درک دقیق‌تری از فشارهای محیطی بر مناطق حفاظت‌شده فراهم می‌کند، بلکه امکان تمایز میان تغییرات درون‌زا و برون‌زا در ساختارهای بوم شناختی را میسر می‌سازد. این روش می‌تواند الگویی کارآمد برای ارزیابی عملکرد حفاظتی و بررسی میزان نفوذ اثرات انسانی باشد.

نتایج آزمون‌های آماری نشان داد که علی‌رغم وضعیت حفاظتی، تغییرات LULC درون مرزهای مناطق مورد مطالعه به‌طور معناداری در طول زمان رخ داده است. آزمون فریدمن تغییرات قابل‌توجهی در میانگین رتبه‌ها از 1990 تا 2050 نشان داد که بیانگر پویایی شدید الگوی LULC حتی در مناطق حفاظت‌شده است. آزمون ویلکاکسون نیز این روند ناپایدار و پرنوسان را تأیید کرده و اختلافات معنی دار در تمامی مقایسه‌های دوتایی زمانی را نمایان ساخت.

در بررسی طبقات کاربری، آزمون نسبت‌ها و کای‌اسکوئر (مقایسه دوتایی) نشان داد که بیشترین تغییرات معنادار مربوط به طبقات انسان‌ساخت، کشاورزی و ترکیبی بوده است. این امر می‌تواند ناشی از نفوذ تدریجی فعالیت‌های انسانی، بهره‌برداری غیرمجاز، توسعه سکونتگاه‌های حاشیه‌ای و فشار ناشی از افزایش جمعیت باشد. در مقابل، طبقات منابع آبی و جنگلی در برخی بازه‌های زمانی تغییرات غیرمعنادار یا اندکی داشتند که احتمالاً به مدیریت حفاظتی مؤثر، پایداری طبیعی این اکوسیستم‌ها یا محدودیت تغییرات فضایی در بازه‌های زمانی کوتاه‌تر بازمی‌گردد.

این یافته‌ها با نتایج پژوهش‌هایی چون Sobhani و همکاران (2021) در دو منطقه حفاظت‌شده جاجرود و تنگه واشی تهران، که افزایش ساخت‌وساز و کاهش مراتع پربازده را نشان داده‌اند، همخوانی دارد (Sobhani et al., 2021). آن‌ها مجاورت جاجرود با کلانشهر تهران را عاملی مهم در شدت تغییرات LULC دانسته و هشدار داده‌اند که در صورت نبود مدیریت مؤثر، تخریب زیستگاه‌ها و از بین رفتن گونه‌ها محتمل است.

مطالعه Chiaka و همکاران (2022) نیز نشان داد که در 22 منطقه حفاظت‌شده ساحلی استوایی آفریقا، استفاده‌های انسانی نظیر کشاورزی شایع است و تراکم جمعیت انسانی مهم‌ترین عامل تغییرات محسوب می‌شود. آنها کاهش پوشش جنگلی را در اکثر مناطق مشاهده کردند که با یافته‌های ما همسو است و بر ضرورت پایش مستمر و تقویت مدیریت حفاظتی تأکید دارد (Chiaka et al., 2024).

همچنین،Schmitz  و همکاران (2023) در بررسی مناطق حفاظت‌شده دشت سیلابی رود پارانا، دریافتند که هرچند فشارهای انسانی در سیمای سرزمین افزایش یافته، اما مناطق حفاظت‌شده توانسته‌اند روند تغییرات را، به‌ویژه در برابر گسترش کشاورزی، کند کنند. شدت محدودیت کاربری نیز تأثیر قابل توجهی بر پایداری پوشش طبیعی داشته است (Schmitz et al., 2023).

در مجموع، یافته‌ها حاکی از آن است که مناطق حفاظت‌شده لرستان با وجود دارا بودن وضعیت حقوقی خاص، از تأثیرات مستقیم و غیرمستقیم تغییرات LULC مصون نبوده‌اند. این امر زنگ خطری برای آینده این زیست‌بوم‌هاست و بر ضرورت تقویت اقدامات حفاظتی، کنترل کاربری‌های مرزی و یکپارچه‌سازی مدیریت سرزمین تأکید دارد. حفاظت مؤثر تنها در گرو محدودیت‌های رسمی نیست، بلکه نیازمند پایش مداوم، مشارکت جوامع محلی و رویکردی اکوسیستم‌محور در مدیریت است.

در شعاع ۲۰ کیلومتری پیرامون مناطق حفاظت‌شده، آزمون‌های آماری مختلف تغییرات گسترده و معناداری به‌ویژه در طبقات انسان‌ساخت، کشاورزی و بایر را نشان دادند. توسعه فزاینده کاربری‌های انسان‌ساخت و کاهش یا تثبیت نسبی پوشش‌های طبیعی، نمایانگر فشارهای ناشی از رشد جمعیت، گسترش سکونتگاه‌ها و فعالیت‌های کشاورزی است. این نتایج با مطالعه Sambou و همکاران (2015) در منطقه حفاظت‌شده پاتاکو در سنگال مطابقت دارد؛ جایی که مناطق مرزی آسیب‌پذیرترین نقاط در برابر تغییرات کاربری هستند و فشارهای انسانی باعث تبدیل جنگل‌ها به اراضی کشاورزی شده است. آن‌ها نرخ سالانه جنگل‌زدایی را 0/09 درصد برآورد کرده و اجرای سیاست‌هایی مانند REDD+ را ضروری دانستند (Sambou et al., 2015).

در اشترانکوه و قالیکوه، گسترش مستمر اراضی کشاورزی و انسان‌ساخت دیده شد، در حالی که پوشش جنگلی نوساناتی داشت یا تغییر معناداری نداشت که می‌تواند ناشی از مقررات محدودکننده در داخل منطقه و ضعف در پیرامون باشد. شادابکوه نیز با افزایش محسوس مناطق انسان‌ساخت و ناپایداری پوشش‌های ترکیبی و جنگلی، تغییر الگوی کاربری در پاسخ به فشارهای انسانی و کمبود منابع طبیعی را نشان داد.

مطالعات مشابه (Sambou et al., 2015; Sobhani et al., 2022; Sobhani et al., 2021) بر اهمیت توجه به مناطق حاشیه‌ای مناطق حفاظت‌شده تأکید دارند و نشان می‌دهند نادیده گرفتن تحولات پیرامونی می‌تواند به شکست سیاست‌های حفاظتی بینجامد.

به‌طور کلی، توسعه اراضی کشاورزی و انسان‌ساخت حتی در مقیاس محدود، می‌تواند ساختار بوم‌سازگان را به تدریج دستخوش تغییرات کند. بنابراین، توجه به حوزه نفوذ انسانی فراتر از مرزهای رسمی مناطق حفاظت‌شده اهمیت حیاتی دارد.  پیشنهاد می‌شود که سیاست‌گذاران، مدیریت کاربری اراضی را به‌صورت منطقه‌ای و فراتر از مرزهای رسمی مناطق حفاظت‌شده دنبال کنند. در مجموع، یافته‌ها بر ضرورت مدیریت یکپارچه سرزمین و تقویت رویکرد حفاظتی-پیشگیرانه تأکید دارند.

 

تقدیر و تشکر

بدین‌وسیله مراتب سپاس و قدردانی صمیمانه خود را از استاد راهنمای عزیز و گرانقدر، جناب آقای دکتر عبدالرسول سلمان ماهینی، به‌خاطر راهنمایی‌ها و حمایت‌های ارزشمندشان در انجام این پژوهش صمیمانه قدردانی می‌نمایم. همچنین از جناب آقای دکتر رسول قربانی که با راهنمایی‌ها و نظرات سازنده خود در بهبود کیفیت این مقاله یاری‌رسان بودند، صمیمانه تشکر می‌نمایم.

 

 

منابع 

Ait El Haj, F., Ouadif, L. and Akhssas, A. (2023). Simulating and predicting future land-use/land cover trends using CA- Markov and LCM models. Case Studies in Chemical and Environmental Engineering, 7: 100342, doi https://doi.org/10.1016/j.cscee.2023.100342.

Bairwa, B., Sharma, R., Kundu, A., Sammen, S.S., Alsheri, F., Pande, C.B., Orban, Z. and Salem, A. (2025). Predicting changes in land use and land cover using remote sensing and land change modeler. Frontiers in Environmental Science, 13: 1540140.

Buzási, A. and Jäger, B.S. (2020). District-scale assessment of urban sustainability. Sustainable Cities and Society, 62: 102388.

Chaudhuri, G. and Mishra, N. (2016). Spatio-temporal dynamics of land cover and land surface temperature in Ganges-Brahmaputra delta: A comparative analysis between India and Bangladesh. Applied Geography, 68, doi 10.1016/j.apgeog.2016.01.002.

Chiaka, J.C., Liu, G., Li, H., Zhang, W., Wu, M., Huo, Z. and Gonella, F. (2024). Land cover changes and management effectiveness of protected areas in tropical coastal area of sub-Saharan Africa. Environmental and Sustainability Indicators, 22: 100340, doi https://doi.org/10.1016/j.indic.2024.100340.

Eastman, J.R. (2006). IDRISI Andes guide to GIS and image processing. Clark University, Worcester, 328.

            Eastman, J.R. (2015). TerrSet tutorial. Clark Labs, Clark University: Worcester, MA, United States.

Ghosh, S., Chatterjee, N.D. and Dinda, S. (2021). Urban ecological security assessment and forecasting using integrated DEMATEL-ANP and CA-Markov models: A case study on Kolkata Metropolitan Area, India. Sustainable Cities and Society, 68: 102773.

Imran, M. and Din, N.u. (2021). Geospatially mapping carbon stock for mountainous forest classes using InVEST model and Sentinel-2 data: a case of Bagrote valley in the Karakoram range. Arabian Journal of Geosciences, 14(9): 756, doi 10.1007/s12517-021-07023-4.

Islam, K.N., Rahman, M.M., Jashimuddin, M., Islam, K. and Zhang, Y. (2020). Impact of co-management on tree diversity and carbon sequestration in protected areas: Experiences from Bangladesh. Trees, Forests and People, 2: 100033.

Karami, P. and Tavakoli, S. (2022). Identification and analysis of areas prone to conflict with wild boar (Sus scrofa) in the vineyards of Malayer County, western Iran. Ecological Modelling, 471: 110039.

Lamichhane, S. and Shakya, N.M. (2021). Land use land cover (LULC) change projection in Kathmandu Valley using the CLUE-S model. Journal of Advanced College of Engineering and Management, 6: 221-233.

Lin, Z., Peng, S., Ma, D., Shi, S., Zhu, Z., Zhu, J., Gong, L. and Huang, B. (2024). Patterns of change, driving forces and future simulation of LULC in the Fuxian Lake Basin based on the IM-RF-Markov-PLUS framework. Sustainable Futures, 8: 100289, doi https://doi.org/10.1016/j.sftr.2024.100289.

Moghadam, H.S. and Helbich, M. (2013). Spatiotemporal urbanization processes in the megacity of Mumbai, India: A Markov chains-cellular automata urban growth model. Applied Geography, 40: 140-149.

Mosleh, M.K. (2025). Integrating the CA–Markov model and geospatial techniques for spatiotemporal prediction of land use/land cover dynamics in Qus District, Egypt. Modeling Earth Systems and Environment, 11(5): 1-15.

Muhammad, B.J.H., Ping, W., Mohabbat, M.J., Ahmad, I. and Islam, I. (2025). Modelling and prediction of land use land cover change dynamics based on the land change modeller in Kunar Province, Eastern Afghanistan. Scottish Geographical Journal: 1-24.

Munthali, M., Mustak, S., Adeola, A., Botai, J., Singh, S. and Davis, N. (2020). Modelling land use and land cover dynamics of Dedza district of Malawi using hybrid Cellular Automata and Markov model. Remote Sensing Applications: Society and Environment, 17: 100276.

Parvar, Z. and Salmanmahiny, A. (2025). Assessing and predicting habitat quality under urbanization and climate pressures. Journal for Nature Conservation, 86: 126903, doi https://doi.org/10.1016/j.jnc.2025.126903.

Pokhrel, M. and Shakya, N.M. 2021. Assessment of future land use/cover change of Kathmandu Valley using two models of land change. Paper presented at the Proc. IOE Grad. Conf.

Pontius Jr, R.G., Cornell, J.D. and Hall, C.A. (2001). Modeling the spatial pattern of land-use change with GEOMOD2: application and validation for Costa Rica. Agriculture, ecosystems & environment, 85(1-3): 191-203.

Ramachandra, T., Bharath, S. and Gupta, N. (2018). Modelling landscape dynamics with LST in protected areas of Western Ghats, Karnataka. Journal of environmental management, 206: 1253-1262.

Rwanga, S. and Ndambuki, J. (2017). Accuracy Assessment of Land Use/Land Cover Classification Using Remote Sensing and GIS. International Journal of Geosciences, 08: 611-622, doi 10.4236/ijg.2017.84033.

Salem, M., Bose, A., Bashir, B., Basak, D., Roy, S., Chowdhury, I.R., Alsalman, A. and Tsurusaki, N. 2021. Urban Expansion Simulation Based on Various Driving Factors Using a Logistic Regression Model: Delhi as a Case Study. Sustainability, 13(19). Retrieved from.

Sambou, S., Lykke, A.M., Sambou, H., Guiro, I., Sambou, B. and Mbow, C. (2015). Land use-land cover change and drivers of deforestation in the Patako protected area (Center-West of Senegal). American Journal of Environmental Protection, 4(6): 306-317.

Schmitz, M.H., do Couto, E.V., Xavier, E.C., Tomadon, L.d.S., Leal, R.P. and Agostinho, A.A. (2023). Assessing the role of protected areas in the land-use change dynamics of a biodiversity hotspot. Ambio, 52(10): 1603-1617, doi 10.1007/s13280-023-01886-5.

Sobhani, P., Esmaeilzadeh, H., Barghjelveh, S., Sadeghi, S.M. and Marcu, M.V. 2022. Habitat Integrity in Protected Areas Threatened by LULC Changes and Fragmentation: A Case Study in Tehran Province, Iran. Land, 11(1). Retrieved from.

Sobhani, P., Esmaeilzadeh, H. and Mostafavi, H. (2021). Simulation and impact assessment of future land use and land cover changes in two protected areas in Tehran, Iran. Sustainable Cities and Society, 75: 103296, doi https://doi.org/10.1016/j.scs.2021.103296.

Schauman, S. A., Peñuelas, J., Jobbágy, E. G. and Baldi, G. (2024). The geometry of global protected lands. Nature Sustainability, 7: 82-89, doi 10.1038/s41893-023-01243-.

Yang, F., Yang, L., Fang, Q. and Yao, X. (2024). Impact of landscape pattern on habitat quality in the Yangtze River Economic Belt from 2000 to 2030. Ecological Indicators, 166: 112480, doi https://doi.org/10.1016/j.ecolind.2024.112480.

Zhang, X., Liu, L., Chen, X., Gao, Y., Xie, S. and Mi, J.)2021(GLC_FCS30: global land-cover product with fine classification system at 30 m using time-series Landsat imagery, Earth Syst. Sci. Data, 13, 2753–2776.

Zhang, X., Liu, L., Wu, C., Chen, X., Gao, Y., Xie, S. and Zhang, B. (2020). Development of a global 30 m impervious surface map using multisource and multitemporal remote sensing datasets with the Google Earth Engine platform. Earth System Science Data, 12(3): 1625-1648.

Zhang, X., Zhao, T., Xu, H., Wendi, L., Wang, J., Chen, X. and Liu, L. (2024). GLC_FCS30D: the first global 30 m land-cover dynamics monitoring product with a fine classification system for the period from 1985 to 2022 generated using dense-time-series Landsat imagery and the continuous change-detection method. Earth System Science Data, 16: 1353-1381, doi 10.5194/essd-16-1353-2024.

Zhou, L., Dang, X., Sun, Q. and Wang, S. (2020). Multi-scenario simulation of urban land change in Shanghai by random forest and CA-Markov model. Sustainable Cities and Society, 55: 102045.

 


 

ضمیمه A:

جدول (8)- آزمون کای‌اسکوئر (جدول مقایسه دوتایی) در بافر ۲۰ کیلومتری اطراف مناطق تحت حفاظت

قالیکوه

طبقه کاربری

2000-1990

2020-1990

2050-1990

2020-2000

2050-2000

2050-2020

ترکیبی

0/000**

0/000**

0/000**

0/105ns

0/000**

0/000**

کشاورزی

0/000**

0/000**

0/000**

0/026*

0/000**

0/000**

جنگل

0/000**

0/000**

0/000**

0/219ns

0/560ns

0/070ns

آب

0/000**

0/000**

0/000**

0/000**

0/000**

0/495ns

انسان‌ساخت

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

بایر

0/000**

0/000**

0/000**

0/016*

0/000**

0/126ns

اشترانکوه

ترکیبی

0/000**

0/000**

0/000**

0/208ns

0/000**

0/000**

کشاورزی

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

جنگل

0/000**

0/000**

0/000**

0/98ns

0/83ns

0/001**

آب

0/535ns

0/000**

0/000**

0/000**

0/000**

0/65ns

انسان‌ساخت

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

بایر

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

سفیدکوه

ترکیبی

0/172ns

0/000**

0/000**

0/000**

0/000**

0/000**

کشاورزی

0/000**

0/000**

0/000**

0/30ns

0/000**

0/000**

جنگل

0/000**

0/000**

0/000**

0/000**

0/238ns

0/000**

آب

248ns/0

0/000**

0/000**

0/000**

0/000**

0/000**

انسان‌ساخت

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

بایر

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

شادابکوه

ترکیبی

0/000**

0/000**

0/83ns

0/000**

0/000**

0/000**

کشاورزی

0/000**

0/000**

0/000**

0/296ns

0/000**

0/000**

جنگل

0/000**

0/16ns

0/000**

0/291ns

0/963ns

0/313ns

آب

0/000**

0/000**

0/000**

0/494ns

0/967ns

0/520ns

انسان‌ساخت

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

بایر

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

نماد (**) نشان‌دهنده‌ی معناداری آماری در سطح بالا  (P value< 0/001)

نماد(*) نشان دهنده‌ی معناداری در سطح پنج صدم (0/05 > P value)

 نماد(ns) نشان دهنده‌ی غیرمعناداری است (P value > 0/05)

جدول (9)- آزمون کای‌اسکوئر (جدول مقایسه دوتایی) در داخل مناطق تحت حفاظت

قالیکوه

طبقه کاربری

2000-1990

2020-1990

2050-1990

2020-2000

2050-2000

2050-2020

ترکیبی

0/000**

0/000**

0/000**

0/683ns

0/262ns

0/475ns

کشاورزی

0/570ns

0/355ns

0/000**

0/721ns

0/000**

0/000**

جنگل

0/000**

0/000**

0/000**

0/409ns

0/642ns

0/718ns

آب

0/000**

0/000**

0/000**

0/866ns

0/733ns

0/864ns

انسان‌ساخت

0/765ns

0/016*

0/000**

0/034*

0/000**

0/000**

بایر

0/000**

0/000**

0/000**

0/383ns

0/047*

0/264ns

        اشترانکوه        

ترکیبی

0/000**

0/000**

0/000**

0/694ns

0/10ns

0/003**

کشاورزی

0/48ns

0/001**

0/000**

0/165ns

0/106ns

0/817ns

جنگل

0/000**

0/000**

0/000**

0/513ns

0/845ns

0/395ns

آب

0/000**

0/000**

0/000**

0/827ns

0/506ns

0/655ns

انسان‌ساخت

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

بایر

0/10ns

0/000**

0/000**

0/000**

0/000**

0/459ns

سفیدکوه

ترکیبی

0/000**

0/000**

0/158ns

0/145ns

0/000**

0/043**

کشاورزی

0/000**

0/000**

0/000**

0/427ns

0/000**

0/000**

جنگل

0/000**

0/000**

0/000**

0/198ns

0/471ns

0/571ns

آب

0/000**

0/010*

0/000**

0/377ns

0/547ns

0/138ns

انسان‌ساخت

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

بایر

0/000**

0/000**

0/000**

0/057ns

0/000**

0/166ns

شادابکوه

ترکیبی

0/000**

0/000**

0/83ns

0/000**

0/000**

0/000**

کشاورزی

0/000**

0/000**

0/000**

0/296ns

0/000**

0/000**

جنگل

0/000**

0/16ns

0/000**

0/291ns

0/963ns

0/313ns

آب

0/000**

0/000**

0/000**

0/494ns

0/967ns

0/520ns

انسان‌ساخت

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

بایر

0/000**

0/000**

0/000**

0/000**

0/000**

0/000**

نماد (**) نشان‌دهنده‌ی معناداری آماری در سطح بالا  (P value< 0/001)

نماد(*) نشان دهنده‌ی معناداری در سطح پنج صدم (0/05 > P value)

نماد(ns) نشان دهنده‌ی غیرمعناداری است (P value > 0/05)

 

 

 

[1]  - Land Use Land Cover (LULC)

[2]  -Receiver Operating Characteristic (ROC

[3] - Area Under the Curve (AUC)

[4]  -Friedman Test

[5]  -Wilcoxon Signed-Rank Test

[6]  -Proportion Test

[7]  -Pairwise Chi-square Test


حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات رایمگ است.
حق نشر © 1404-1396

صفحه اصلی| عضویت/ ورود| درباره رایمگ| تماس با ما|
[English] [العربية] [en] [ar]