پیش‌بینی خطر تخریب جنگل با استفاده از سیستم اطلاعات جغرافیایی و مدل رگرسیون لجستیک (مطالعه موردی: شهرستان سردشت)

جغرافیا و مخاطرات محیطی

مقاله 4، دوره 10، شماره 4 - شماره پیاپی 40، بهمن 1400، صفحه 69-92   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2021.70743.1070

نویسندگان

صالح آرخی^{* 1}؛ عبدالرحمان محمودیان²؛ سمیه عمادالدین³

¹استادیار جغرافیا، گروه جغرافیا و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی دانشگاه گلستان، گرگان، ایران

²دانشجوی کارشناسی ارشد مخاطرات محیطی، گروه جغرافیا و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی دانشگاه گلستان، گرگان، ایران

³استادیار جغرافیا، گروه جغرافیا و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی دانشگاه گلستان، گرگان، ایران.

چکیده

مدل­سازی الگوی مکانی– زمانی در تغییرات پوشش جنگل اطلاعات ارزشمندی را جهت درک بهتر فرآیند تغییر، تعیین عوامل مؤثر مناطق در معرض تغییر فراهم می­آورد. در این پژوهش سعی و تلاش ما بر آن بوده تا با استفاده از قابلیت­ها و توانایی­های فناوری­های روز ازجمله سنجش‌ازدور، سیستم اطلاعات جغرافیایی عوامل موٌثر بر کاهش و تخریب جنگل‌های غرب ایران را شناسایی کرده و سپس در قالب الگوی محاسباتی مناسب به‌صورت یک مدل ریاضی بر گرفته از رفتار طبیعت پیاده­سازی کنیم. در این پژوهش به‌منظور بررسی کاهش پوشش جنگلی شهرستان سردشت در استان آذربایجان غربی، از طریق تصاویر سنجندهMSS ، ETM⁺ و  OLIمربوط به سال­های 1356، 1379 و 1397 استفاده گردید. تصاویر ذکر شده مورد پیش­پردازش و پردازش قرار گرفتند و به دو طبقه جنگل و غیر­جنگل طبقه­بندی شدند. برای بررسی ارتباط مکانی کاهش پوشش جنگل با عوامل فیزیوگرافی و انسانی از روش آماری رگرسیون لجستیک استفاده شد. برای به دست آوردن نقشه شایستگی تبدیل اراضی، رابطه رگرسیون لجستیک بین نقشه کاهش پوشش جنگلی سال­های 1356 تا 1379 و 1379 تا 1397 و همچنین عوامل مؤثر بر آن، برقرار شد. درنهایت، یک مدل مکانی ساده که توانایی پیش­بینی پراکنش مکانی تخریب جنگل را با استفاده از رگرسیون لجستیک دارد، ارائه شد. نتایج نشان داد که در طول 41 سال حدود 33721 هکتار از سطح جنگل‌های شهرستان سردشت کاسته شده است. با توجه به نتایج مشخص شد که از متغیّرهای توپوگرافی، پارامترهای فاصله از جاده و فاصله از روستا بر میزان تخریب جنگل بیشترین تأثیر را داشته­اند.

کلیدواژه‌ها

سنجش‌ازدور؛ مدل‌سازی؛ تخریب جنگل؛ آذربایجان غربی

مراجع

باقری، رضا؛ شتایی، شعبان؛ 1389. مدل­سازی کاهش گستره جنگل با استفاده از رگرسیون لجستیک (مطالعه موردی: حوزه آبخیز چهل چای استان گلستان). مجله جنگل ایران. 2(3): ۲۴۳-۲۵۲.

پیر­باوقار، مهتاب؛ 1383. بررسی تغییرات گستره جنگل در ارتباط با عوامل توپوگرافی و مناطق انسان‌ساخت (مطالعه موردی: جنگل­های شرق استان گیلان). پایان­نامه کارشناسی ارشد جنگلداری. دانشگاه تهران. 136ص.

ثاقب­طالبی، خسرو؛ ساجدی، تکتم؛ یزدیان، فرشاد؛ 1383. نگاهی به جنگل‌های ایران. انتشارات موسسه تحقیقات جنگل‌ها و مراتع. 56 ص.

جزیره­ای، محمدحسین؛ ابراهیمی­رستاقی، مرتضی؛ 1382. جنگل­شناسی زاگرس. انتشارات دانشگاه تهران. 560 صفحه

رفیعیان، امید؛ درویش­صفت، علی­اصغر؛ نمیرانیان، منوچهر؛ 1385. تعیین تغییرات گستره جنگل­های شمال کشور بین سال­های 73 تا 80 با استفاده از تصاویر سنجنده ETM⁺. مجله علوم و فنون کشاورزی و منابع طبیعی. 10(3): 277- 286.

شادمانی، سعدالله؛ قدس­خواه ­دریایی، مهرداد؛ قجر، اسماعیل؛ حیدری­صفری کوچی، ابوذر؛ 1399. مدل­سازی درجات تخریب جنگل‌های حوضه 12 ماسال استان گیلان با استفاده از رگرسیون لجستیک. مجله محیط‌زیست طبیعی. منابع طبیعی ایران. دوره 73. شماره 1. 1-49.

مسگری، سعید؛ 1381. بررسی تغییرات سطوح جنگل­ها با استفاده از GIS و سنجش‌ازدور. تهران. طرح پژوهشی دانشکده فنی. دانشگاه خواجه‌نصیرالدین طوسی.

مهدوی، علی؛ رنگین، سمیه؛ مهدی­زاده، حسین؛ میرزایی­زاده، وحید؛ 1397. مد­­ل­سازی تخریب جنگل‌های زاگرس با استفاده از رگرسیون لجستیک (مطالعه موردی: جنگل‌های چرداول استان ایلام). مجله جغرافیا و پایداری محیط. 8(27). 1-13.

Adhikari S, Fik T, Dwivedi P., 2017. Proximate causes of land use and land cover change in Bannerghatta national park: a spatial statistical model, pp 1-23

Chavez PSJ., 1996. Image-Based Atmospheric Corrections -Revisited and Improved. Photogrammetric Engineering and Remote Sensing (PE&RS). 62: 1025–1036.

Cheng J, Masser I., 2003. Urban growth pattern modeling: a case study of Wuhan city, PR China. Landscape and urban planning, 62, 199-217.

Clark WAV, Peter LH., 1986. Statistical Methods for Geographers. 1st Edition. Chichester: Wiley.

Dendoncker N, Patrick B, Mark R., 2006. A Statistical Method to Downscale Aggregated Land Use Data and Scenarios. Journal of Land Use Science 1(2–4): 63–82.

Eastman JR., 2012. Idrisi Production, Clark Labs-Clark University IDRISI Selva Tutorial.

Ghajar I, Najafi A, Torabi SA, Boston K., 2012. Rock share estimation in forest road excavation using the Ordinal Logistic Regression (OLR) and the Analytical Hierarchy Process (AHP). Iranian Journal of Forest and Poplar Research 20(2): 313-323. (In Persian).

Gruenberg WD, Curtin P, Shaw W., 2000. Deforestation Risk for the Maya Biosphere Reserve, Guatemala. School of Renewable Natural Resources, The University of Arizona, Tucson, Arizona, USA, 266 pp.

Lee S, Sampath T., 2006. Landslide Susceptibility Mapping in the Damrei Romel Area, Cambodia Using Frequency Ratio and Logistic Regression Models. Environmental Geology, volume 50, pages 847–855.

Lin YP, Hong, NM, Wu PJ, Verburg PH., 2007. Impacts of land use change scenarios on hydrology and land use patterns in the Wu-Tu watershed in northern Taiwan. Landscape and Urban Planning, 80, 111-126.

Matthew L, Robert J, Smith RJ, Nigel LW., 2004. Mapping and predicting deforestation patterns in the lowlands of Sumatra. Biodiversity and Conservation, 13: 1809–1818.

Millington J, Perry DA, George L, Romero-Calcerrada R., 2007. Regression techniques for examining land use/cover change: A case study of a Mediterranean landscape. Ecosystems, 10, 562-578.

Miriam SW, Taylor VS., 2010. Modeling social and land-use/land-cover change data to assess drivers of smallholder deforestation in Belize. Applied Geography 30: 329–342.

Phompila C, Lewis M, Ostendorf B, Clarke K., 2017. Forest cover changes in Lao tropical forests: physical and socio-economic factors are the most important drivers. Land, 6(23), 1-14.

Pirbavaghar M., 2015. Deforestation modelling using logistic regression and GIS. Journal of Forest Science, 61(5), 193-199. (In Persian).

Salman Mahiny A, Turner BJ., 2003. Modeling past vegetation change through remote sensing and GIS: a comparison of neural networks and logistic regression methods. School of Resources, Environment and Society, the Australian National University, Canberra 0200, Australia.

Schneider LC, Pontius JRG., 2001. Modeling land-use change in the Ipswich watershed, Massachusetts, USA. Agriculture Ecosystems & Environment, 85, 83-94.

Sumon N, Mizoue N, Zawhtum N, Kajisa T, Yoshida S., 2012. Factors affecting deforestation and forest degradation in selectively logged production forest: A case study in Myanmar. Article in Forest Ecology and Management, 267, 190-198.

Vu QM, Le QB, Frossard E, Vlek PLG., 2014. Socio-economic and biophysical determinants of land degradation in Vietnam: An integrated causal analysis at the national level. Land Use Policy, 36, 605-617.