تغييرات كاربري اراضي و شبيه سازي رشد و توسعه شهري رشت با استفاده از مدل شبكه عصبي و سلول‌هاي خودكار زنجيره ماركوف

Land Use Changes and Urban Development Simulation Using Neural Network and Markov Chain Cellular Automata

امروزه با توجه به روند رو به رشد جمعيت در شهرها و روستاها و تمايل به زندگي شهري بيشترين تغييرات كاربري اراضي در نواحي شهري به وقوع مي پيوندد. توسعه سريع شهري در دهه هاي اخير موجب تغييرات وسيعي در الگوي كاربري زمين پيرامون شهرها شده و تاثيرات زيست محيطي و اجتماعي-اقتصادي زيادي را به همراه داشته است. در اين پژوهش با استفاده از تصاوير ماهواره اي تغييرات كاربري اراضي و شبيه سازي رشد و توسعه شهر رشت به كمك مدل شبكه عصبي و سلول هاي خودكار زنجيره ماركوف انجام گرفت. براي اين منظور از تصاوير سال هاي 2000، 2008 و 2017 ماهواره لندست استفاده گرديد. پس از پيش پردازش تصوير و انتخاب بهترين تركيب باندي، تصاوير با روش شبكه عصبي طبقه بندي شد. سپس تصاوير طبقه بندي شده در مدل ساز تغييرات زمين وارد گرديد و نقشه هاي خروجي مدل ساز با روش CA-MARCOVE براي سال 2027 پيش بيني شد. نتايج بدست آمده در فاصله زماني 2000 تا 2017 نشان مي دهد كه تغييرات مساحت در اراضي شهري، شاليزار و جنگل به ترتيب به ميزان 87/9041، 03/7841 و 78/55 هكتار بوده كه ميزان آن در شهر رشت مثبت و در شاليزار و جنگل منفي مي باشد و نقشه پيش بيني سال 2027 با روش CA-MARCOVE نيز مويد افزايش قابل توجه كاربري شهري به مقدار 04/14105 هكتار در سال هاي آتي است. نتايج اين پژوهش نشان مي دهند كه ادامه روند فعلي تغييرات كاربري اراضي به نتايج مضر زيست محيطي و به تبع آن آسيب هاي اقتصادي- اجتماعي جبران ناپذير مي انجامد. بنابراين ضروري است دستگاه برنامه ريزي و مديريت منطقه، رويكردي جامع براي جلوگيري از مشكلات زيست محيطي آتي و مهار توسعه افقي سكونتگاه ها در اين منطقه در پيش گيرد.

Nowadays, most land use changes occur in urban areas, due to the growing population in cities and villages and the desire to live in urban areas. Urban rapid development in recent decades has led to large changes in the cities around and has had many environmental impacts. In this research, we evaluated land use changes and urban development simulation using satellite imagery and with neural network model and Markov chain auto-cells in Rasht city. For this purpose, Landsat satellite imageries were used from 2000, 2008 and 2017. After preprocessing the image and selecting the best band combination, the images were classified using the neural network method. Then the classified images were entered into the land changes model and predicted modeling output maps using the CA-MARCOVE method for 2027. The results obtained between 2000 and 2017 indicate that the area changes in urban lands, rice fields and forests were 9041.88, 7841.33 and 55.78 hectares, respectively, which were positive in Rasht city and negative in rice fields and forest and the projection map for 2027 with the CA-MARCOVE method also indicated a significant increase in urban use of 14105.04 hectares in the coming years. The results of this study indicate that the current trend of land use changes will lead to adverse environmental impacts and, consequently, irreversible socio-economic damage. Therefore, it is essential for the region planning and management unit to adopt a comprehensive approach to conduct future environmental problems and to curb the horizontal development of settlements in the area.