ارزیابی و مدل‌سازی تغییرات زمانی- مکانی کاربری اراضی در گسترش شدت بیابان‌زایی مناطق خشک شمال شرق ایران (سرخس)

جغرافیا و مخاطرات محیطی

مقاله 1، دوره 9، شماره 2 - شماره پیاپی 34، شهریور 1399، صفحه 1-18   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geo.v9i2.85890

نویسندگان

محبوبه سربازی¹؛ مجید اونق^{* 2}؛ علی محمدیان بهبهانی³؛ مرتضی اکبری⁴

¹دانشجوی دکتری بیابان‌زدایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

²استاد گروه مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

³استادیار گروه مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

⁴- استادیار گروه مدیریت مناطق بیابانی، دانشگاه فردوسی مشهد

چکیده

تغییرات پوشش زمین در دهه‌های اخیر مشکلات فراوانی ازجمله تخریب منابع طبیعی را در برداشته است. پیش‌بینی تغییرات کاربری اراضی نقش مهمی در مدیریت منابع داشته و مدیران را در برنامه‌ریزی بهتر یاری می‌دهد. هدف از این تحقیق، بررسی تغییرات کاربری اراضی در گذشته و پیش‌بینی آن در آینده با استفاده از مدل ساز تغییر زمین (LCM) در توسعه شدت بیابان‌زایی مناطق خشک شمال شرق ایران، سرخس است. در این تحقیق با استفاده از تصاویر ماهواره‌ای چند زمانه لندست مربوط به سال‌های 2000، 2005، 2010 و 2015، تغییرات کاربری اراضی طی 15 سال بررسی گردید. وضعیت کاربری اراضی سال 2030 با استفاده از مدل پیش‌بینی مارکوف و رویکرد مدل سازLCM و بر پایة شبکه‌های عصبی مصنوعی پیش‌بینی شد. نتایج نشان داد در طول این دوره، تغییرات کاربری اراضی شامل کاهش سه درصدی مراتع متوسط و غنی، افزایش سه درصدی مراتع فقیر و اراضی بایر و افزایش یک درصدی اراضی کشاورزی بوده است. وسعت پهنه‌های ماسه‌ای در کل این دوره بیش از یک درصد افزایش یافته است که نشان‌دهنده افزایش شدت بیابان‌زایی است. صحّت نقشه کاربری اراضی پیش‌بینی شده و نقشه واقعیت زمینی ضریب کاپای 85 درصدی را نشان می‌دهد. طبق نتایج طی سال‌های 2000 تا 2015 منطقه مطالعاتی دستخوش تغییرات وسیعی گردیده که عمده این تغییرات در جهت تخریب منطقه بوده است. نتایج پیش‌بینی مدل ساز نیز ادامه روند تخریب زمین و شدت بیابان‌زایی را تأیید می‌کند.

کلیدواژه‌ها

پیش‌بینی تغییرات کاربری اراضی؛ تصاویر ماهواره‌ای؛ تخریب زمین؛ مدل ساز LCM؛ بیابان‌زایی

سایر فایل های مرتبط با مقاله

1-Sarbaz-Final.pdf

مراجع

اکبری، مرتضی؛ 1395. ارائه سیستم پیش‌آگاهی خطر بیابان‌زایی (منطقه مورد مطالعه: مناطق نیمه بیابانی غرب استان گلستان)، رساله دکتری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.

آﺷﻮری، هانیه؛ 1394. ﭘﺎﻳﺶ ﺗﻐﻴﻴﺮات زﻣﺎﻧﻲ و ﻣﻜﺎﻧﻲ ﻛﺎرﺑﺮی اراﺿﻲ مرتعی ﺣﻮضه آﺑﺨﻴﺰ ﺳﻴﺪان ﺑﺎ اﺳﺘﻔﺎده از دادهﻫﺎی ﺳﻨﺠش از دور، ﭘﺎﻳﺎنﻧﺎﻣﻪ ﻛﺎرﺷﻨﺎﺳﻲ ارﺷﺪ، داﻧﺸﻜﺪه ﻛﺸﺎورزی و منابع طبیعی داﻧﺸﮕﺎه ﻓﺮدوﺳﻲ ﻣﺸﻬﺪ.

پروانه، حسین؛ 1388. ارزیابی وضعیت فعلی بیابان‌زایی در خراسان جنوبی با استفاده از روش مدالوس- منطقه طبس مسینا- شهرستان درمیان. پایان­نامه کارشناسی ارشد، دانشکده منابع طبیعی، دانشگاه اصفهان.

حلبیان، امیرحسین؛ سلطانیان، محمود؛ 1395. ارزیابی و پیش‌بینی تغییرات بیابان‌زایی در شرق و جنوب اصفهان با مدل CA-Markov. نشریه تحلیل فضایی مخاطرات محیطی. 3 (4): 71-88

داوری، سرور؛ راشکی، علیرضا؛ اکبری، مرتضی؛ طالبان فرد، علی‌اصغر؛ 1397. پایش تغییرات زمانی- مکانی شاخص‌های مؤثر بیابان‌زایی مناطق خشک جنوب خراسان رضوی. نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 31 (2): 17-32

طرح الگوی مشارکت جوامع محلی و دستگاه‌های اجرایی در احیاء منابع طبیعی شهرستان سرخس؛ 1392. مهندسین مشاور مجدآب شرق.

فتح الهی رودباری، سیده معصومه؛ خان­محمدی، مهرداد؛ نصیراحمدی، کامران؛ 1397. مدل‌سازی تغییرات کاربری اراضی با استفاده از مدل ساز تغییر سرزمین (LCM) مطالعه موردی: شهرستان نکا. فصلنامه اکوسیستم‌های طبیعی ایران، 9 (1): 53-69

محمد اسماعیل، زهرا؛ 1389. پایش تغییرات کاربری اراضی کرج با استفاده از تکنیک سنجش از دور، مجله پژوهش‌های خاک (علوم خاک و آب)، 24 (1): 88-81.

نظری سامانی، علی‌اکبر؛ قربانی، مهدی؛ کوهبنانی، حمیدرضا؛ 1389. ارزیابی روند تغییرات کاربری اراضی حوضة آبخیز طالقان در دورة 1366 تا 1380. مجلة علمی پژوهشی مرتع، 4 (3): 451-442.

هاشمی نسب، سیده نگار؛ جعفری، رضا؛ 1397. ارزیابی تغییرات کاربری اراضی به منظور پایش بیابان‌زایی. نشریه تحلیل فضایی مخاطرات محیطی، 5 (3): 59-74.

 

Akbari, M., Neamatollahi, E., Neamatollahi, P., 2019. Evaluating land suitability for spatial planning in arid regions of eastern Iran using fuzzy logic and multi-criteria analysis. Ecological Indicators. 12(98): 587-598.

Arzani, H., Mirakhorlou, K.h., Hosseini, S.Z., 2009. Land use mapping using Landsat7 ETM data (Case study in middle catchment’s of Taleghan). Iranian Journal of Range and Desert Research, 16(2): 150-160.

Benediktsson, J.A., Sveinsson, J.R., 1997. Feature extraction for multisource data classification with artificial neural networks. International Journal of Remote Sensing, 18: 727-740.

Bolstad, P.V., Lillesand, T.M., 1991. Rapid maximum likelihood classification. Photogrammetric Engineering and Remote Sensing, 57: 67-74.

Chasek, P., Safriel, U., Shikongo, S. V. Futran Fuhrman., 2015. Operationalizing Zero net land degradation: The next stage in international efforts to combat desertification, Journal of Arid Environments 112 (2015) 5 -13.

Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., Lambin, E., 2004. Digital change detection methods in ecosystem monitoring: A review. International Journal of Remote Sensing, 25(9): 1565– 1596. 15.

Darvishsefat, A., 1998. Remotesening, Agricultural faculty of Tehran University, 166 p.

Dawelbait, M., Morari, F., 2012. Monitoring desertification in a Savannah region in Sudan using Landsat images and spectral mixture analysis. Journal of Arid Environments, 80: 45-55.

Du, Y., Teillet, PM., Cihlar, J., 2002. Radiometric normalization of multitemporal high resolution satellite images with quality control for land cover change detection. Remote Sensing of Environment, 82(1): 123–134.

Eastman, J.R., Van Fossen, M.E., Solarzano, L.A., 2012. Transition potential modeling for land cover change In Maguire GIS. Spatial Analysis and Modeling. ESRI Press, Redlands, California.

Fatemi, S.B., Rezaei, Y. 2012, Basics of remote sensing, third edition, Azadeh Publisher.

Gholamalifard, M., Jorabianshoshtari, sh., Hosseini, S.H., & Mirzaei, M., 2012. Modeling land use change in the coast of Mazandaran province using LCM in GIS environment. Journal of ecology, 38 (64): 109-124.

Grainger, A., 2015. Is land degradation neutrality feasible in dry areas, Journal of Arid Environments 112 (2015): 14-24.

Heidarian, p., Rangzan, K., Maleki, S., Taghizade, A., 2014. Integration of GIS and LCM Measurement Techniques with Urban Development Modeling Approach (Case Study: Tehran Metropolis). Journal of Arid environment research, 5(17).

Imeson, A., 2012. Desertification, Land Degradation and Sustainability. Formed by the merger of Wiley’s global Scientific, Technical and Medical business with Blackwell Publishing. 331p.

Jafari, M., Zehtabian, G.H., Ehsani, A.H., 2011. Effect of thermal bonding and supervised classification algorithms of satellite data in making land use maps (Case study: Kashan). Iranian Journal of Range and Desert Research, 20 (3): 72-87.

Kamyab, H., Mahini, S., Hosseini, A., Gholamalifard, M., 2011. Application of Artificial Neural Network in Urban Development Modeling (Case Study: Gorgan City). Human Geography Research, 76: 99-113.

Kavzoglu, T., Mather, P.M., 2000. Using feature selection techniques to produce smaller neural networks with better generalization capabilities. Geoscience and Remote Sensing Symposium, 7: 3069–3071.

Lambin, E.F., 1997. Modelling and monitoring land-cover change processes in tropical regions. Progress in Physical Geography, 21: 375–393.

Lamchin, M., JY, Lee, K, Lee, eun, Lee, M, Kim, H, Lim, H, Choi and S, Kim, 2016, Assessment of land cover change and desertification using remote sensing technology in a local region of Mongolia, advances in space research, 57: 64-77.

Li, J., Yang, X., Jin, Y., Yang, Z., Huang, W., Zhao, L., Gao, T., Yo, H., Ma, H., Qin, Z., Xu, B., 2013. Monitoring and analysis of grassland desertification dynamics using landsat images in Ningxia China. Remote Sensing of Environment, 138: 19-26.

Li, X., Yeh, G., 2002. Neural-network-based cellular automata for simulating multiple land use changes using GIS. Geographical Information Science, 16(4): 323–343.

Mas, J., Kolb, F., Paegelow, M., Camacho Olmedo, M., & Houet, T., 2014. Inductive pattern-based land use/cover change models: a comparison of four software packages. Journal of Environmental Modelling & Software, 51: 94-111.

Mas, J., Puig, H., Palacio, J., Sosa, L., Lopel, A., 2004. Modeling Deforestation using GIS and Artificial Neural Networks. Environmental Modeling & Software, 19 (5): 461- 471.

Nedjai, R., Nghiem, V.T., Do, T.P.T., Nasredine, M.N., 2016. The impact of land use and climate change in the center region of France on the physico-chemical status of aquatic systems. International Journal of Spatial, Temporal and Multimedia Information Systems, 1 (1): 102-117.‏

Nkonya, E. W., Anderson. 2014. Exploiting provisions of land economic productivity without degrading its natural capital. Journal of Arid Environments.

Olokeogun O, Iyiola K, Iyiola O., 2014. Application of remote sensing and GIS in land use/land cover mapping and change detection in Shasha forest reserve, Nigeria. International Archives of the photogrammetry, remote sensing and Spatial Information Science, 8: 1-4.

Parker, D.C., Manson, S., Hoffmann, M., Deadman, M.J., 2003. Multi agent systems for the simulation of land use and land cover change. a review, annals of the association of american geographers, 43: 314–337.

Saifullah, K., Barus, B., Rustiadi, E., 2017. Spatial modelling of land use/cover change (LUCC) in South Tangerang City, Banten. In IOP Conference Series: Earth and Environmental Science, Volume 54, conference 1.

Stavi, I. Lal Rattan. 2015. Achieving Zero Net Land Degradation: Challenges and opportunities. Journal of Arid Environments 112: 44-51.

Stéphenne, N., Lambin, E.F., 2001. A dynamic simulation model of land-use changes in Sudano-sahelian countries of Africa (SALU). Agriculture, Ecosystems and Environment, 85: 154–161.

Tal, A. 2015. The implications of environmental trading mechanisms on a future Zero Net Land Degradation protocol. Journal of Arid Environments 112: 25-32.

Vafaiee, S., 2013. Assaying and predicting the land uses changes using remote sensing and GIS (The studied area: Marivan). MSc Thesis, University of Tehran.

Yuan, F., Sawaya, K.E., Loeffelholz, B. C., Bauer, M.E., 2005. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan area by multi temporal Land sat remote sensing. Remote Sensing of Environment, 98: 317-328.