دوره 17، شماره 1 - ( بهار و تابستان 1405 )
جلد 17 شماره 1 صفحات 47-33 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Nourizadeh A, Yousefi E, Makki T. (2026). Monitoring and Predicting Land Use Changes in the Nehbandan Watershed Using the Random Forest Algorithm and the CA-Markov Model in the 2040 Horizon. J Watershed Manage Res. 17(1), 33-47. doi:10.61882/jwmr.2026.1321
URL: http://jwmr.sanru.ac.ir/article-1-1321-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1321-fa.html
نوری زاده آرزو، یوسفی الهام، مکی تکتم.(1405). پایش و پیشبینی تغییرات کاربری اراضی در حوضه آبخیز نهبندان با استفاده از الگوریتم جنگل تصادفی و مدل CA-Markov در افق 1420 پژوهشنامه مديريت حوزه آبخيز 17 (1) :47-33 10.61882/jwmr.2026.1321
آرزو نوری زاده1، الهام یوسفی*1 
، تکتم مکی1
، تکتم مکی1
1- گروه محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه بیرجند، بیرجند، ایران
چکیده: (788 مشاهده)
چکیده مبسوط
مقدمه و هدف: آشکارسازی تغییرات یکی از عوامل اصلی در بررسی ارتباط بین فعالیتهای انسانی و محیط زیست است. کاربری اراضی، بیشتر بر جنبه اجتماعی استفاده از زمین تأکید دارد. به عبارتی، کاربری اراضی خروجی فعالیتهایی است که انسان بر حسب نیازهای اقتصادی و اجتماعی خود انجام میدهد. از سوی دیگر، مدلسازی تغییرات آینده و پیشبینی آن نیز در جهت پیبردن به کمیت و کیفیت تغییر و تحولات آینده ضروری است. برای مراقبت از یک اکوسیستم بهویژه در مناطقی با تحولات سریع و اغلب بدون برنامهریزی در کشورهای درحالتوسعه، آشکارسازی و پیشبینی تغییرات یک امر لازم و ضروری است. اخیراً در اغلب کاربردهای آشکارسازی تغییرات کاربری و پوشش زمین و در نتیجه پایش کاربریها، از تکنیک سنجشازدور و سیستم اطلاعات جغرافیایی استفاده میشود. با استفاده از اطلاعات سنجشازدور و سیستم اطلاعات جغرافیایی، از نسبت تغییرات کاربری و پوشش زمین در گذر زمان میتوان تغییرات آتی را پیشبینی نمود و اقدامات مقتضی را انجام داد. در این پژوهش، از دو روش جنگل تصادفی CA-Markov به ترتیب جهت آشکارسازی و پیشبینی تغییرات کاربری اراضی در حوضه آبخیز نهبندان در افق 2040 استفاده شد. در این راستا، اهداف این پژوهش عبارت از آشکارسازی کاربری اراضی حوضه آبخیز نهبندان با استفاده از روش جنگل تصادفی و شبیهسازی کاربری اراضی حوضه آبخیز نهبندان با استفاده از روش CA-Markov در یک دوره ۳۳ ساله (2008 تا 2040) هستند.
مواد و روشها: در این پژوهش، از دادههای سنجنده TM ماهواره لندست 4 و 5 مربوط به سال 2008 و لندست 8 در سال 2013 و 2022 برای تعیین و ارزیابی تغییرات کاربری اراضی حوضه آبخیز نهبندان استفاده گردید. سپس، بعد از پیش پردازش تصاویر، عملیات طبقهبندی تصاویر با اعمال الگوریتم جنگل تصادفی در محیط نرمافزار Saga gis انجام شد. روش جنگل تصادفی یک روش طبقهبندی نظارت شده است که در آن از مجموعهای از درختها در راستای طبقهبندی و تصمیمگیری استفاده میشود. سپس، با استفاده از ماتریس احتمال تبدیل کلاسهای کاربری اراضی، نقشه کاربری اراضی حوضه آبخیز نهبندان برای سال 2040 با اعمال مدل CA-Markov در نرمافزار IDRISI Terrset پیشبینی گردید. در این مطالعه، جهت اعتبارسنجی مدل CA-Markov از ابزار VALIDATE در نرم افزار ادریسی استفاده شد که در این روش اعتبارسنجی با استفاده از مقایسه مدل با یک نقشه واقعی انجام شد.
یافتهها: نتایج پایش تغییرات در حوضه آبخیز نهبندان از سال 2008 تا 2022 نشان دادند که کاربری پوشش گیاهی و مسکونی به ترتیب 4/5 و 6/51 کیلومترمربع تغییرات داشتند. همچنین، نتایج پیشبینی مدل CA-Markov نشان دادند که تغییرات کاربری اراضی در سال 2040 نسبت به 2008 در کاربریهای پوشش گیاهی و مسکونی به ترتیب 11/23 و 9/63 کیلومترمربع خواهد بود. نتایج پیشبینی مساحت و درصد کاربریها در سال 2040 نشان میدهند که بیشترین تغییرات در میزان مساحت پوشش گیاهی خواهند بود. با توجه به روند تغییرات کاربری اراضی حوضه آبخیز نهبندان، انتظار افزایش پوشش گیاهی مربوط به کاربری کشاورزی و درعینحال افزایش محدود مناطق مسکونی تا سال 2040 در آینده وجود دارد. همچنین، کاربری مسکونی تغییرات افزایشی بهصورت توسعه درونشهری خواهد بود و رشد شهر کمتر بهصورت حاشیهای و در حومهی آن خواهد بود. این موضوع بیشتر به این علت است که شهرستان نهبندان در این حوضه آبخیز از لحاظ جمعیتی و مساحتی کوچک است، شغل اکثر مردم کشاورزی است و رشد شهرستان همراه با رشد کاربری کشاورزی که شغل اکثر مردم است، همراه بوده است.
نتیجهگیری: نتایج این پژوهش بهوضوح نشان میدهند که تحلیل تغییرات کاربری اراضی در حوضه آبخیز نهبندان با استفاده از روشهای پیشرفتهای نظیر جنگل تصادفی و CA-Markov، امکانپذیر و دقیق است. دقت 90 درصدی مدل جنگل تصادفی برای طبقهبندی تصاویر ماهوارهای تاییدی بر نتایج سایر پژوهشها است که این روش را یکی از کاراترین روشها برای تفکیک پوششهای متنوع زمین دانستهاند. پایش دقیق این تغییرات از سال 2008 تا 2022، باتوجه به کاربریهای پوشش گیاهی و مسکونی بادقت بالا (کاربری پوشش گیاهی و مسکونی به ترتیب 5/4 و 6/51 کیلومترمربع تغییرات داشته است) انجام شده است. نتایج بهدستآمده نهتنها توانمندی این ابزارها را در مدلسازی مکان و تحلیل دقیق تغییرات کاربری اراضی نشان میدهند بلکه این توانمندی به مسئولین محیط زیست و شهری کمک میکند تا بهترین تصمیمات ممکن را برای مدیریت مناسب اراضی در آینده اخذ کنند و بر ضرورت سیاستگذاری و مدیریت جامع برای کاهش پیامدهای منفی تغییرات کاربری اراضی در منطقه تأکید دارد. نتایج ارزیابی طبقهبندی کاربری اراضی بین نقشه شبیهسازی شده و مرجع نشان میدهند که ضریب استاندارد به میزان 90 درصد برای تهیه نقشههای کاربری و پوشش زمین حاصل شده است. تغییرات کاربری و پوشش زمین مبنایی سازگار و قابلاعتماد برای شبیهسازی سناریوهای آینده بهحساب میآیند و قابلیت مدل CA-Markov برای شبیهسازی تغییرات کاربری در آینده را تأیید میکنند؛ بنابر این، میتوان از این مدل برای شبیهسازی تغییر کاربری اراضی در منطقه موردمطالعه تا افق 2040 استفاده کرد.
مقدمه و هدف: آشکارسازی تغییرات یکی از عوامل اصلی در بررسی ارتباط بین فعالیتهای انسانی و محیط زیست است. کاربری اراضی، بیشتر بر جنبه اجتماعی استفاده از زمین تأکید دارد. به عبارتی، کاربری اراضی خروجی فعالیتهایی است که انسان بر حسب نیازهای اقتصادی و اجتماعی خود انجام میدهد. از سوی دیگر، مدلسازی تغییرات آینده و پیشبینی آن نیز در جهت پیبردن به کمیت و کیفیت تغییر و تحولات آینده ضروری است. برای مراقبت از یک اکوسیستم بهویژه در مناطقی با تحولات سریع و اغلب بدون برنامهریزی در کشورهای درحالتوسعه، آشکارسازی و پیشبینی تغییرات یک امر لازم و ضروری است. اخیراً در اغلب کاربردهای آشکارسازی تغییرات کاربری و پوشش زمین و در نتیجه پایش کاربریها، از تکنیک سنجشازدور و سیستم اطلاعات جغرافیایی استفاده میشود. با استفاده از اطلاعات سنجشازدور و سیستم اطلاعات جغرافیایی، از نسبت تغییرات کاربری و پوشش زمین در گذر زمان میتوان تغییرات آتی را پیشبینی نمود و اقدامات مقتضی را انجام داد. در این پژوهش، از دو روش جنگل تصادفی CA-Markov به ترتیب جهت آشکارسازی و پیشبینی تغییرات کاربری اراضی در حوضه آبخیز نهبندان در افق 2040 استفاده شد. در این راستا، اهداف این پژوهش عبارت از آشکارسازی کاربری اراضی حوضه آبخیز نهبندان با استفاده از روش جنگل تصادفی و شبیهسازی کاربری اراضی حوضه آبخیز نهبندان با استفاده از روش CA-Markov در یک دوره ۳۳ ساله (2008 تا 2040) هستند.
مواد و روشها: در این پژوهش، از دادههای سنجنده TM ماهواره لندست 4 و 5 مربوط به سال 2008 و لندست 8 در سال 2013 و 2022 برای تعیین و ارزیابی تغییرات کاربری اراضی حوضه آبخیز نهبندان استفاده گردید. سپس، بعد از پیش پردازش تصاویر، عملیات طبقهبندی تصاویر با اعمال الگوریتم جنگل تصادفی در محیط نرمافزار Saga gis انجام شد. روش جنگل تصادفی یک روش طبقهبندی نظارت شده است که در آن از مجموعهای از درختها در راستای طبقهبندی و تصمیمگیری استفاده میشود. سپس، با استفاده از ماتریس احتمال تبدیل کلاسهای کاربری اراضی، نقشه کاربری اراضی حوضه آبخیز نهبندان برای سال 2040 با اعمال مدل CA-Markov در نرمافزار IDRISI Terrset پیشبینی گردید. در این مطالعه، جهت اعتبارسنجی مدل CA-Markov از ابزار VALIDATE در نرم افزار ادریسی استفاده شد که در این روش اعتبارسنجی با استفاده از مقایسه مدل با یک نقشه واقعی انجام شد.
یافتهها: نتایج پایش تغییرات در حوضه آبخیز نهبندان از سال 2008 تا 2022 نشان دادند که کاربری پوشش گیاهی و مسکونی به ترتیب 4/5 و 6/51 کیلومترمربع تغییرات داشتند. همچنین، نتایج پیشبینی مدل CA-Markov نشان دادند که تغییرات کاربری اراضی در سال 2040 نسبت به 2008 در کاربریهای پوشش گیاهی و مسکونی به ترتیب 11/23 و 9/63 کیلومترمربع خواهد بود. نتایج پیشبینی مساحت و درصد کاربریها در سال 2040 نشان میدهند که بیشترین تغییرات در میزان مساحت پوشش گیاهی خواهند بود. با توجه به روند تغییرات کاربری اراضی حوضه آبخیز نهبندان، انتظار افزایش پوشش گیاهی مربوط به کاربری کشاورزی و درعینحال افزایش محدود مناطق مسکونی تا سال 2040 در آینده وجود دارد. همچنین، کاربری مسکونی تغییرات افزایشی بهصورت توسعه درونشهری خواهد بود و رشد شهر کمتر بهصورت حاشیهای و در حومهی آن خواهد بود. این موضوع بیشتر به این علت است که شهرستان نهبندان در این حوضه آبخیز از لحاظ جمعیتی و مساحتی کوچک است، شغل اکثر مردم کشاورزی است و رشد شهرستان همراه با رشد کاربری کشاورزی که شغل اکثر مردم است، همراه بوده است.
نتیجهگیری: نتایج این پژوهش بهوضوح نشان میدهند که تحلیل تغییرات کاربری اراضی در حوضه آبخیز نهبندان با استفاده از روشهای پیشرفتهای نظیر جنگل تصادفی و CA-Markov، امکانپذیر و دقیق است. دقت 90 درصدی مدل جنگل تصادفی برای طبقهبندی تصاویر ماهوارهای تاییدی بر نتایج سایر پژوهشها است که این روش را یکی از کاراترین روشها برای تفکیک پوششهای متنوع زمین دانستهاند. پایش دقیق این تغییرات از سال 2008 تا 2022، باتوجه به کاربریهای پوشش گیاهی و مسکونی بادقت بالا (کاربری پوشش گیاهی و مسکونی به ترتیب 5/4 و 6/51 کیلومترمربع تغییرات داشته است) انجام شده است. نتایج بهدستآمده نهتنها توانمندی این ابزارها را در مدلسازی مکان و تحلیل دقیق تغییرات کاربری اراضی نشان میدهند بلکه این توانمندی به مسئولین محیط زیست و شهری کمک میکند تا بهترین تصمیمات ممکن را برای مدیریت مناسب اراضی در آینده اخذ کنند و بر ضرورت سیاستگذاری و مدیریت جامع برای کاهش پیامدهای منفی تغییرات کاربری اراضی در منطقه تأکید دارد. نتایج ارزیابی طبقهبندی کاربری اراضی بین نقشه شبیهسازی شده و مرجع نشان میدهند که ضریب استاندارد به میزان 90 درصد برای تهیه نقشههای کاربری و پوشش زمین حاصل شده است. تغییرات کاربری و پوشش زمین مبنایی سازگار و قابلاعتماد برای شبیهسازی سناریوهای آینده بهحساب میآیند و قابلیت مدل CA-Markov برای شبیهسازی تغییرات کاربری در آینده را تأیید میکنند؛ بنابر این، میتوان از این مدل برای شبیهسازی تغییر کاربری اراضی در منطقه موردمطالعه تا افق 2040 استفاده کرد.
فهرست منابع
1. Adam, E., Mutanga, O., Odindi, J., & Abdel-Rahman, E. M. (2014). Land-use/cover classification in a heterogeneous coastal landscape using RapidEye imagery: evaluating the performance of random forest and support vector machines classifiers. International Journal of Remote Sensing, 35(10), 3440-3458. [DOI:10.1080/01431161.2014.903435]
2. Arekhi, S., & Momeni Taramsari, M. (2015). Envi 5 software video tutorial. First edition, Golestan University Press. 526 pp. [In Persian]
3. Asif, M., Kazmi, J. H., Tariq, A., Zhao, N., Guluzade, R., Soufan, W., . . & Aslam, M. (2023). Modelling of land use and land cover changes and prediction using CA-Markov and Random Forest. Geocarto International, 38(1), 2210532. [DOI:10.1080/10106049.2023.2210532]
4. Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. [DOI:10.1016/j.isprsjprs.2016.01.011]
5. Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. [DOI:10.1023/A:1010933404324]
6. Dastigerdi, M., Nadi, M., Shamgani Mashhadi, B., Hatamipour, M., & Mahdavi amrei, O. (2024). Analysis of Vegetation Trend in Mazandaran Province with an Emphasis on Land Use Changes Using MODIS NDVI Time Series. Journal of Watershed Management Research. 15(2), 105-118. [In Persian] [DOI:10.61186/jwmr.15.2.105]
7. Dewan, A. M., & Yamaguchi, Y. (2009). Land use and land cover change in Greater Dhaka, Bangladesh: Using remote sensing to promote sustainable urbanization. Applied Geography, 29(3), 390-401. [DOI:10.1016/j.apgeog.2008.12.005]
8. Gharaibeh, A., Shaamala, A., Obeidat, R., & Al-Kofahi, S. (2020). Improving land-use change modeling by integrating ANN with Cellular Automata-Markov Chain model. Heliyon, 6(9). [DOI:10.1016/j.heliyon.2020.e05092]
9. Hamad, R., Balzter, H., & Kolo, K. (2018). Predicting Land Use/Land Cover Changes Using a CA-Markov Model under Two Different Scenarios. Sustainability, 10(10), 3421. [DOI:10.3390/su10103421]
10. Kamali, J. (2009). Investigating land use changes in the Qori Gol wetland area by processing satellite images, Master's thesis. University of Tabriz. [In Persian]
11. Khosraviaqdam, K., Momtaz, H. R., & Asadzadeh, F. (2019). Estimation of Soil erodibility factor of USLE model and its relationship with landscape features in some parts of Nazzlo-Chay basin, Iran. Applied Soil Research, 7(1), 31-43.
12. Kiani Salmi, E., & Ebrahimi, A. (2018). Evaluating land cover changes in Shahrekord and predicting its future using remote sensing data and CA-Markov model. Spatial Planning, 8(1), 71-87. [In Persian]
13. Knorn, J., Rabe, A., Radeloff, V. C., Kuemmerle, T., Kozak, J., & Hostert, P. (2009). Land cover mapping of large areas using chain classification of neighboring Landsat satellite images. Remote Sensing of Environment, 113(5), 957-964. [DOI:10.1016/j.rse.2009.01.010]
14. Liu, T., & Yang, X. (2015). Monitoring land changes in an urban area using satellite imagery, GIS and landscape metrics. Applied Geography, 56, 42-54. [DOI:10.1016/j.apgeog.2014.10.002]
15. Mas, J.-F., Kolb, M., Paegelow, M., Olmedo, M. T. C., & Houet, T. (2014). Inductive pattern-based land use/cover change models: A comparison of four software packages. Environmental Modelling & Software, 51, 94-111. [DOI:10.1016/j.envsoft.2013.09.010]
16. Matsushita, B., Xu, M., & Fukushima, T. (2006). Characterizing the changes in landscape structure in the Lake Kasumigaura Basin, Japan using a high-quality GIS dataset. Landscape and Urban Planning, 78(3), 241-250. [DOI:10.1016/j.landurbplan.2005.08.003]
17. Memarian, H., Balasundram, S. K., Talib, J. B., Sung, C. T. B., Sood, A. M., & Abbaspour, K. (2012). Validation of CA-Markov for simulation of land use and cover change in the Langat Basin, Malaysia. Journal of Geographic Information System, 4(6), 542. [DOI:10.4236/jgis.2012.46059]
18. Meteorological Organization, S. K. (2016). Reports of Nehbandan Meteorological Station from 1988 to 2011. Office of Meteorological Experts and Studies, Birjand County. [In Persian]
19. Mir Alizadehfard, S.R. and S.M. Alibakhshi. 2016. Monitoring and forecasting of land use change by applying Markov chain model and land change modeler (Case study: Dehloran Bartash plains, Ilam). Journal of RS and GIS in Natural Resources, 7(2), 33-45. [In Persian]
20. Nehzak, H. K., Aghaei, M., Mostafazadeh, R., & Rabiei-Dastjerdi, H. (2022). Evaluation of land use change predictions using CA-Markov model and management scenarios. In Computers in Earth and Environmental Sciences, 105-115. [DOI:10.1016/B978-0-323-89861-4.00017-8]
21. Ruigar, H., Emamgholizadeh, S., Gharechelou, S., & Golian, S. (2024). The Effect of Climate Change and Future Land Use Using the CA-Markov Model on the Streamflow of the Talar River in Mazandaran Province. Journal of Watershed Management Research. 15(2), 89-104. [DOI:10.61186/jwmr.15.2.89]
22. Roy, K. C., Soren, D. D. L., & Biswas, B. (2024). Land-use/cover change and future prediction by integrating the ML techniques of random forest and CA-Markov chain model of the Ganges alluvial tract of Eastern India. Environment, Development and Sustainability, 1-28. [DOI:10.1007/s10668-024-05545-x]
23. Sadeghi, V., Ebadi, H., & Ahmadi, F. F. (2013). A new model for automatic normalization of multitemporal satellite images using Artificial Neural Network and mathematical methods. Applied Mathematical Modelling, 37(9), 6437-6445. [DOI:10.1016/j.apm.2013.01.006]
24. Sadian, A., & Shafizadeh-Moghadam, H. (2021). Investigation of Land Use Changes in Karkheh Watershed during 1990 and 2020 Using Google Earth Engine Platform and Landsat Satellite Images. Iranian Journal of Soil and Water Research, 52(10), 2569-2580.
25. Sedighi, M., & Amini, A. S. (2020). Classification Lake Parishan water basin by random forest classification using Landsat satellite images. Watershed Engineering and Management, 12(3), 621-634.
26. Shirazi, M., Zehtabian, G., & Alavipanah, S. K. (2010). Applicability of IRS Satellite Images for Surveying Water, Soil and Vegetation Cover Condition of Najm Abad Region, Savojbolagh. Journal of Natural Environment, 63(1), 33-51.
27. Smits, P., Dellepiane, S., & Schowengerdt, R. (1999). Quality assessment of image classification algorithms for land-cover mapping: A review and a proposal for a cost-based approach. International Journal of Remote Sensing, 20(8), 1461-1486. [DOI:10.1080/014311699212560]
28. Surabuddin Mondal, M., Sharma, N., Kappas, M., & Garg, P. K. (2013). Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques. Geocarto International, 28(7), 632-656. [DOI:10.1080/10106049.2013.776641]
29. Palmate, S. S., Wagner, P. D., Fohrer, N., & Pandey, A. (2022). Assessment of uncertainties in modelling land use change with an integrated cellular automata-Markov chain model. Environmental Modeling & Assessment, 1-19. [DOI:10.1007/s10666-021-09804-3]
30. Tahir, Z., Haseeb, M., Mahmood, S. A., Batool, S., Abdullah-Al-Wadud, M., Ullah, S., & Tariq, A. (2025). Predicting land use and land cover changes for sustainable land management using CA-Markov modelling and GIS techniques. Scientific Reports, 15(1), 3271. [DOI:10.1038/s41598-025-87796-w]
31. Tewolde, M. G., & Cabral, P. (2011). Urban sprawl analysis and modeling in Asmara, Eritrea. Remote Sensing, 3(10), 2148-2165. [DOI:10.3390/rs3102148]
32. Tikuye, B. G., Rusnak, M., Manjunatha, B. R., & Jose, J. (2023). Land use and land cover change detection using the random forest approach: the case of the upper Blue Nile River Basin, Ethiopia. Global Challenges, 7(10), 2300155. [DOI:10.1002/gch2.202300155]
33. Vafaei, S., Darvishsefat, A., & Pir Bavaghar, M. (2013). Monitoring and predicting land use changes using LCM module (Case study: Marivan region). Iranian Journal of Forest, 5(3), 323-336.
34. Weng, Q. (2002). Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modeling, Journal of Environmental Management 64, 273-284. [DOI:10.1006/jema.2001.0509]
35. Zhang, Z., Hörmann, G., Huang, J., & Fohrer, N. (2023). A random forest-based CA-Markov model to examine the dynamics of land use/cover change aided with remote sensing and GIS. Remote Sensing, 15(8), 2128. [DOI:10.3390/rs15082128]
36. Zhou, L., Dang, X., Sun, Q., & 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. [DOI:10.1016/j.scs.2020.102045]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
