Journal of Watershed Management Research

fa پایش و پیش‌بینی تغییرات کاربری اراضی در حوضه آبخیز نهبندان با استفاده از الگوریتم جنگل تصادفی و مدل CA-Markov در افق 1420‎ Monitoring and predicting land use changes in the Nehbandan watershed using the random forest algorithm and the CA-Markov model in the 1420 horizon مديريت حوزه های آبخيز مديريت حوزه های آبخيز پژوهشي Research <div style="text-align: justify;">مقدمه و هدف: آشکارسازی تغییرات یکی از عوامل  اصلی در بررسی ارتباط بین فعالیت‌‌های انسانی و محیط‌زیست  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 به ویژه در مناطقی با تحولات سریع و اغلب بدون برنامه‌‌ریزی در کشورهای درحال توسعه، 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 سنجش از دور و سیستم اطلاعات جغرافیایی استفاده می‌‌شود. با استفاده از اطلاعات سنجش از دور 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 و 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 عبارتند از: آشکارسازی کاربری اراضی حوضه آبخیز نهبندان با استفاده از روش جنگل تصادفی.  شبیه‌سازی کاربری اراضی حوضه آبخیز نهبندان با استفاده از روش  Ca_Markov در یک دوره‌‌ی 33 ساله (2008 تا 2040) است. مواد و روش&lrm;ها: در این پژوهش از داده‌های سنجنده TM ماهواره لندست 4 و5 مربوط به سال 2008 و لندست 8 در سال 2013 و 2022 برای تعیین وارزیابی تغییرات کاربری اراضی حوضه آبخیز نهبندان استفاده گردید. سپس، در این مطالعه بعد از پیشپردازش 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. پیرو مطالعات پیشین 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. یافته&lrm;ها: نتایج پایش تغییرات در حوضه آبخیز نهبندان از سال 2008 تا 2022 نشان داد که کاربری پوشش گیاهی و مسکونی به ترتیب 5/4 و 51/6 کیلومترمربع تغییرات داشته است. همچنین نتایج پیش‌‌بینی مدل CA-Markov نشان داد که تغییرات کاربری اراضی در سال 2040  نسبت به 2008در کاربری‌‌های پوشش گیاهی و مسکونی به ترتیب 23/11 و 63/9 کیلومتر مربع خواهد بود. نتایج پیش‌بینی مساحت و درصد کاربری‌ها در سال 2040 نشان می‌دهد که بیشترین تغییرات در میزان مساحت پوشش گیاهی خواهد بود. با توجه به روند تغییرات کاربری اراضی حوزه آبخیز نهبندان، انتظار افزایش پوشش گیاهی مربوط به کاربری کشاورزی و در عین حال افزایش محدود مناطق مسکونی تا سال 2040 را در آینده می باشد.  همچنین، کاربری مسکونی تغییرات افزایشی به صورت پرشدگی درون کاربری شهری خواهد بود و رشد شهر کمتر به صورت حاشیه ای و در حومه ی آن خواهد بود. این موضوع بیشتر به علت  این می باشد که شهرستان نهبندان در این حوضه آبخیز از لحاظ جمعیتی و مساحتی کوچک می باشد و شغل اکثر مردم کشاورزی بوده و رشد شهرستان همراه با رشد کاربری کشاورزی که شغل اکثر مردم بوده است ،همراه بوده است. نتیجه&lrm;گیری: نتایج این پژوهش به وضوح نشان می‌دهد 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 نسبتا بالای مدل جنگل تصادفی برای طبقه‌بندی تصاویر ماهواره‌ای تاییدی بر نتایج سایر پژوهش ها است که این روش را یکی از کاراترین روش‌ها برای تفکیک پوشش‌های متنوع زمین دانسته‌اند. پایش دقیق این تغییرات از سال 2008 تا 2022، با توجه به کاربری‌های پوشش گیاهی و مسکونی با دقت بالا (کاربری پوشش گیاهی و مسکونی به ترتیب 5 /4 و 51/6 کیلومترمربع تغییرات داشته است) انجام شده است. نتایج به‌دست‌آمده نه تنها توانمندی این ابزارها را در مدل‌سازی مکان و تحلیل دقیق تغییرات کاربری اراضی نشان می‌دهد 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 می‌دهد که ضریب استاندارد به میزان 90٪ برای تهیه نقشه‌های کاربری و پوشش زمین حاصل شده است. تغییرات کاربری و پوشش زمین مبنایی سازگار و قابل اعتماد برای شبیه‌سازی سناریوهای آینده به حساب می‌آید و قابلیت مدل CA-Markov برای شبیه‌سازی تغییرات کاربری در آینده را تأیید می‌کند. بنابراین، می‌توان از این مدل برای شبیه‌سازی تغییر کاربری اراضی در منطقه مورد مطالعه تا افق 2040 استفاده کرد.</div> <div style="text-align: justify;">Introduction and Objective: Detecting changes is one of the main factors in studying the relationship between human activities and the environment. Land use emphasizes more on the social aspect of land use. In other words, land use is the output of activities that humans perform according to their economic and social needs. On the other hand, modeling future changes and predicting them is also necessary in order to understand the quantity and quality of future changes and developments. Detecting and predicting changes is a necessary and essential thing to take care of an ecosystem, especially in areas with rapid and often unplanned changes in developing countries. Recently, remote sensing techniques and geographic information systems are used in most applications of detecting changes in land use and cover and, as a result, monitoring land uses. Using remote sensing information and geographic information systems, future changes can be predicted from the ratio of land use and cover changes over time and appropriate measures can be taken. In this study, two methods, Random Forest and Ca_Markov, were used to detect and predict land use changes in the Nehbandan watershed in the horizon of 2040. In this regard, the objectives of this study are: Detecting land use in the Nehbandan watershed using the Random Forest method. Simulating land use in the Nehbandan watershed using the Ca_Markov method over a 33-year period (2008 to 2040). Materials and Methods: In this study, data from the TM sensor of Landsat 4 and 5 satellites from 2008 and Landsat 8 in 2013 and 2022 were used to determine and evaluate land use changes in the Nehbandan watershed. Then, in this study, after preprocessing the images, the image classification operation was performed by applying the Random Forest algorithm in the Saga GIS software environment. The random forest method is a supervised classification method, in which a set of trees is used for classification and decision making. Then, using the probability matrix of land use class conversion, the land use map of the Nehbandan watershed was predicted for the year 2040 by applying the CA-Markov model in the IDRISI Terrset software. Following previous studies, in this study, the VALIDATE tool in the Idrisi software was used to validate the CA-Markov model, which was validated by comparing the model with a real map. Findings: The results of monitoring changes in the Nehbandan watershed from 2008 to 2022 showed that vegetation and residential land use have changed by 4.5 and 6.51 square kilometers, respectively. Also, the CA-Markov model prediction results showed that the land use changes in 2040 compared to 2008 in vegetation and residential uses will be 11.23 and 9.63 km2, respectively. The prediction results of the area and percentage of uses in 2040 show that the largest changes will be in the area of vegetation. Considering the trend of land use changes in the Nehbandan watershed, an increase in vegetation related to agricultural use and at the same time a limited increase in residential areas is expected by 2040 in the future. Also, the residential use will increase in the form of filling within the urban use and the growth of the city will be less on the margins and in its suburbs. This is mainly because Nehbandan County is small in terms of population and area in this watershed, and the occupation of most people is agriculture, and the growth of the county has been accompanied by the growth of agricultural use, which has been the occupation of most people. Conclusion: The results of this study clearly show that analyzing land use changes in the Nehbandan watershed using advanced methods such as random forest and CA-markov is feasible and accurate. The relatively high accuracy of the random forest model for classifying satellite images confirms the results of other studies that have considered this method to be one of the most efficient methods for distinguishing diverse land covers. Accurate monitoring of these changes has been carried out from 2008 to 2022, with regard to vegetation and residential uses with high accuracy (vegetation and residential use have changed by 4.5 and 6.51 km2, respectively). The results obtained not only demonstrate the capabilities of these tools in location modeling and accurate analysis of land use changes, but also this capability helps environmental and urban officials to make the best possible decisions for appropriate land management in the future and emphasizes the need for comprehensive policymaking and management to reduce the negative consequences of land use changes in the region. The results of the land use classification evaluation between the simulated and reference maps show that a standard coefficient of 90% has been achieved for the preparation of land use and land cover maps. Land use and land cover changes are considered a consistent and reliable basis for simulating future scenarios and confirm the ability of the CA-Markov model to simulate future land use changes. Therefore, this model can be used to simulate land use change in the study area up to the horizon of 2040.  </div> سیستم اطلاعات جغرافیایی, سنجش ‌‌از دور, طبقه‌‌بندی, کاربری اراضی و پوشش زمین Geographic information system, remote sensing, classification, land use and land cover 0 0 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-2006-1&slc_lang=fa&sid=1 Arezoo Nourizadeh آرزو نوری زاده arezoonoree76@gmail.com 100319475328460015639 100319475328460015639 No University of Birjand دانشگاه بیرجند Elham Yousefi الهام یوسفی روبیات e_yusefi_31@birjand.ac.ir 100319475328460015640 100319475328460015640 Yes University of Birjand دانشگاه بیرجند Toktam Makki تکتم مکی makki.toktm@gmail.com 100319475328460015641 100319475328460015641 No University of Birjand دانشگاه بیرجند