پایش و پیش‌بینی روند تغییرات کاربری اراضی با استفاده از تصاویر ماهواره‌ای و زنجیرۀ مارکوف (مطالعۀ موردی: حوزۀ آبخیز سمل- استان بوشهر)

Authors

Abstract:

Assessment of land use spatiotemporal changes provide valuable data for managers to elaborate plans. Land use change modeling is one of the methods used by planers to manage land use changes. Detection of such changes may help decision makers and planners to understand the factors in land use and land cover changes in order to take effective and useful measures. Remote sensing (RS) and geographic information system (GIS) techniques are among the effective tools to detect and assess land use changes. Land cover mapping and change detection have increasingly been recognized as one of the most effective tools for environmental resource management. The latter is recently one of the most widely used techniques to predict land use through the variation of this model. The Markov prediction methods can serve to analyze the dynamic behavior of land use in a time-space pattern to provide forecasts of future changes that can help in making decisions. The present study aims to predict land use changes using Markov chain model in Samal watershed in Bushehr province. Methods The study area is located in the southwestern of Iran, in the Bushehr Province, with a surface area of 29,750 ha. Geographically, it is located between longitudes 51°7′ to 51 25′E and latitudes 28°59′ and 29°10.5′ N. Land use maps of the study area were prepared from Landsat images (L5-TM-1992, L7-ETM+-2002 and -L8-OLI-2013). Firstly, the pre-processing and the necessary processing such as geometric and atmospheric correction, as well as the vegetation index were made. NDVI and principal component analysis were used to separate the green cover and barren land, respectively. The classification accuracy can be assessed by an error matrix. Many measurements such as Kappa coefficient have been proposed to improve the interpretation of the error matrix. In the region, three major uses including grassland, bare land, and agriculture lands were identified. In this study, to classify the supervised classification, maximum likelihood method and to determine the comparative method of classification changes used. Each of the land use and land cover map was compared to the reference data to assess the accuracy of the classification. The reference data were prepared by considering random sample points, the field knowledge, and Google earth data. The ground truth dataset was obtained and used to verify the classification accuracy. In order to predict land use for 2023, a Markov Chains and Cellular Automata (CA), which are based on probabilistic modeling techniques, were employed. The combination of Markov and Cellular Automata (CA_Markov) allows simulating the evolution of the geographical area represented by pixels. Each pixel can take a value from a finite set of states. In this research, we use the 1992 and 2002 land cover maps to predict the 2013 land cover map and then use the 2002 and 2013 land cover maps to predict the 2001 land cover map. Results The results showed that TM, ETM+, and OLI images were classified respectively with 84.45, 99, and 98% accuracy and 0.82, 0.98, 0.97 kappa coefficients. The analysis of the change dynamics was assessed based on the results of calibration periods using kappa coefficients showed that the period 2002-2013 has the highest accuracy to predict 2023 land use map. The results of the land use changes showed that over the period 2002-2013, the decrease rate in grassland and agriculture land was 2.19 and 4.18%, respectively. Also during this period, bare land increased 56.13%. Overall, the results showed that rangeland has the most stability and non-vegetated lands have the least stability. Changes in the extent of bare land of the study area were further projected until 2028, indicating that the area of bare land could be continuously reduced. Discussion and Conclusion This study employs three time-period changes to better account for the trend and the modeling exercise. The Markov chain analysis describes the change of one land cover to another and predicts its trend. Modeling of land cover change plays a major role to understand the impacts of the changes. The results show that the RS and GIS technology is an effective approach in the analysis of land use change modeling with Markov. Finally, using Markov chain analysis land cover area statistics were predicted for the year 2020. This analysis would help to have an aggregate view of the future setting of Samal Watershed use to guide the policymakers.  

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی روند تغییرات کاربری اراضی با استفاده از مدل زنجیرۀ مارکوف (مطالعۀ موردی: شهرستان یاسوج)

نقشة کاربری اراضی و نقشه‌های پیش‌بینی تغییرات زمانی‌ـ مکانی کاربری اراضی تأمین‌کنندة بخش عمده‌ای از اطلاعات مورد نیاز برنامه‌ریزان و مدیران شهری در زمینة اتخاذ تدابیر صحیح و تصمیم‌گیری‌های اصولی در جهت نیل به توسعة پایدار شهری است. هدف از این تحقیق بررسی تغییرات کاربری و پوشش زمین در شهرستان یاسوج در گذشته و به تبع آن پیش‌بینی الگوی فضایی ساختار سرزمین در آیندة نزدیک بود. در این پژوهش، با استفا...

full text

مدل‌سازی تغییرات کاربری اراضی در حوزۀ‌ آبخیز هراز با استفاده از رگرسیون لجستیک و زنجیرۀ مارکوف

بررسی تغییرات مکانی و زمانی کاربری اراضی اطلاعات خوبی را به طراحان، برنامه­ریزان و مدیران جهت برنامه­ریزی دقیق ارائه می­دهد. یکی از روش­های مورد استفاده برنامه­ریزان و مدیران جهت مدیریت تغییرات کاربری اراضی، مدل­سازی آن می­باشد. تحقیق حاضر با هدف پیش­بینی تغییرات کاربری اراضی حوزۀ آبخیز هراز با استفاده از رگرسیون لجستیک و زنجیرۀ مارکوف انجام شد. جهت تهیۀ نقشۀ کاربری اراضی منطقۀ مورد مطالعه از ت...

full text

پایش و پیش بینی روند تغییرات کاربری اراضی با استفاده از مدل زنجیره مارکوف و مدلساز تغییر کاربری اراضی (مطالعة موردی: دشت برتش دهلران، ایلام)

امروزه مدل­سازی و پیش­بینی تغییرات کاربری اراضی با استفاده از تصاویرماهواره­ای می­تواند ابزار بسیار مفیدی برای تشریح روابط متقابل بین محیط طبیعی و فعالیت­های انسانی، برای کمک به تصمیم­گیری برنامه­ریزان در شرایط پیچیده باشد. روش­های متنوعی برای پیش­بینی تغییرات پوشش و کاربری اراضی وجود دارد که از جمله آنها می­توان به مدل زنجیره­ای مارکوف اشاره کرد. در تحقیق حاضر، تغییرات کاربری اراضی در دشت برتش...

full text

شبیه‌سازی زمانی- مکانی تغییرات کاربری با استفاده از تصاویر ماهواره‌ای و تلفیق روش‌های تحلیل زنجیرۀ مارکف و ژئومد با تأکید بر کاربری باغ (مطالعۀ موردی: حوزۀ صوفی‌چای مراغه)

مدل‌های پیش‌بینی تغییرات کاربری و پوشش اراضی منبعی مهم برای مدیران و تصمیم‌گیران به‌منظور توسعۀ یک برنامۀ مدیریت پایدار زمین است. تغییر در کاربری باغ می‌تواند باعث تغییر در منابع آب و همچنین تغییر در میزان نفوذپذیری خاک گردد. شبیه‌سازی این نوع کاربری می‌تواند، در مناطقی که با کمبود منابع آب روبه‌رو هستند، برنامه‌ریزان محیطی را از تغییرات روی­داده در صورت ادامۀ مدیریت اعمال شده در یک بازۀ زمانی ...

full text

پایش و پیش بینی روند تغییرات اراضی مرتعی با استفاده از تصاویر ماهواره ای و مدل زنجیره مارکوف در حوزه آبخیز نوررود-استان مازندران

پیش‌بینی روند تغییرات کاربری و وضعیت پوشش‌گیاهی در اکوسیستم‌های مرتعی از طریق تصاویر ماهواره‌ای، به مدیران منابع‌طبیعی در تصمیم‌گیری کمک خواهد نمود. هدف از این مطالعه پایش و پیش‌بینی تغییرات کاربری و وضعیت پوشش اراضی مراتعی حوزه آبخیز نوررود با استفاده از مدل تلفیقی زنجیره مارکوف در یک دوره‌ی ۶۰ ساله (۱۳۶۷- ۱۴۲۷) می‌باشد. در این پژوهش بعد از پیش‌پردازش تصاویر ماهواره‌ای لندست از سنجنده‌های TM (...

full text

پیش بینی روند تغییرات کاربری اراضی با استفاده از مدل زنجیره مارکوف CA-Markov (مطالعه موردی: حوزه آبخیز صفارود رامسر)

امروزه پیش ­بینی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره­ای می ­تواند ابزار مفیدی برای کمک به  برنامه ­ریزان در شرایط پیچیده باشد. هدف از این تحقیق، پایش و پیش بینی تغییرات کاربری اراضی در دوره 28 ساله (2014-1986) با مدل زنجیره­ای مارکوف (CA-Markov) در حوزه آبخیزصفارود-رامسر استان مازندران است. ابتدا نقشه­ های کاربری اراضی و NDVI با استفاده از تصاویر سنجنده  ( ETM+(2000) ،T...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 6  issue 17

pages  15- 26

publication date 2018-03

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023