مدل‌سازي تغييرات كاربري اراضي سواحل استان مازندران با استفاده از LCM در محيط GIS

Land Cover Change Modeling of Coastal Areas of Mazandaran Province Using LCM in a GIS Environment

استان مازندران به دليل واقع شدن در خط ساحلي درياي خزر و دارا بودن شرايط منحصر به فرد همواره در معرض توسعه و تغييرات بوده است. با استفاده از سامانه اطلاعات جغرافيايي و سنجش از دور مي‌توان پايش و مدل‌سازي تغييرات كاربري اراضي را به‌منظور مديريت اين استان حساس انجام داد. بنابراين اين مطالعه با هدف مدل‌سازي تغييرات كاربري اراضي مناطق ساحلي استان مازندران با استفاده از LCM انجام شد. آشكارسازي تغييرات كاربري اراضي با استفاده از تصاوير ماهواره Landsat متعلق به سالهاي 1367، 1379، 1385 و 1390 انجام شد. مدل‌سازي نيروي انتقال با استفاده از پرسپترون چند لايه شبكه عصبي مصنوعي و 8 متغير انجام پذيرفت. تخصيص تغيير به هر كاربري با استفاده از زنجيره ماركف محاسبه شد. سپس با استفاده از مدل پيش‌بيني سخت و دوره واسنجي 1379 تا 1385 مدل‌سازي براي سال 1390 صورت گرفت و براي ارزيابي صحت با نقشه واقعيت زميني سال 1390 مورد مقايسه قرار گرفت. در پايان نيز با استفاده از دوره واسنجي 1385 تا 1390 پوشش سرزمين سال 1395 پيش‌بيني شد. نتايج نشان داد در كل دوره مورد مطالعه، 33487 هكتار از وسعت جنگل كاسته و به ترتيب 21367 و 13155 هكتار به وسعت اراضي كشاورزي و مناطق مسكوني اضافه شده است. نتايج مدل‌سازي نيروي انتقال با استفاده از شبكه عصبي مصنوعي در اكثر زير مدل‌ها صحت بالايي را نشان داد. خطاي كل در مدل‌سازي براي سال 1390، 84/12% به‌دست آمد كه نشان‌دهنده انطباق زياد تصوير پيش‌بيني شده مدل با تصوير واقعيت زميني و قابل قبول بودن مدل است. نتايج مدل‌سازي براي سال 1395 نشان داد، كه مساحت كاربري جنگل و اراضي باز در اين سال نسبت به 1390 كاهش و كاربري كشاورزي و مسكوني افزايش خواهند يافت.

Always Mazandaran province had been exposed to development and changes because of location in coastline of the Caspian Sea and having unique conditions. GIS and remote sensing can be used to monitor in order to manage this sensitive province. Then, this study is trying to detect land cover changes in coastal areas of mazandaran province using LCM. Land cover changes detection have done using Landsat satellite images belonging to the years 1988, 2001, 2006, and 2010. Modeling the transition potential was performed by using multi-layer perceptron artificial neural network and 8 variables. Then modeling was done for 2010 by using the hard predict model and 2001-2006 calibration period and in order to determine accuracy of evaluate it was compared with ground truth map in 2010 year. Finally, land cover in 2016 was predicted by using the 2006-2010 calibration periods. The results showed that the total period of study 33487 ha of forest area has declined. And 21367 and 13155 ha has been added to the extent of agricultural and residential lands, respectively. More changes forest related to conversion to agriculture (30424 ha) and then converted to residential (1265 ha). In most of sub-models, the results of potential modeling of using artificial neural networks demonstrated high accuracy (52-94 percent). The total error in the modeling was obtained 12.84% for 2010, which this reflects high compliance in predicted image by model with the ground truth image. Modeling results for 2016 showed that, area of forest and open land will be lower compared to the 2010 (9988 and 429ha, respectively) and agricultural and residential land increased (respectively 7607 and 2810 hectares).