کاربرد روش پرسپترون چندلایة شبکة عصبی مصنوعی در مدل‌سازی تغییرات کاربری اراضی شرق استان مازندران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد محیط زیست، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، نور، مازندران، ایران

2 استاد گروه محیط‌زیست، دانشکده منابع طبیعی، دانشگاه تربیت مدرس.

3 استاد گروه جنگل داری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، نور، مازندران، ایران

4 استادیار گروه محیط زیست، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، نور، مازندران، ایران

چکیده

این مطالعه با هدف پیش‌بینی تغییرات کاربری اراضی شرق استان مازندران (شهرستان‌های نکا، بهشهر و توابع آنها) با استفاده از شبکة عصبی مصنوعی در محیط GIS انجام شد. تصاویر ماهوارة لندست[1]  متعلق به سال‌های 1366 و 1380 برای آشکارسازی تغییرات منطقه به کار رفت؛ سپس با بهره‌گیری از پرسپترون چند لایة[2]  شبکة عصبی مصنوعی، مدل‌سازی پتانسیل انتقال برای 7 زیرمدل اجرا شد و درنهایت مدل‌سازی تغییرات کاربری اراضی با دورة واسنجی 1366- 1380 برای سال 1385 با زنجیرة مارکف و مدل پیش‌بینی سخت انجام پذیرفت. ارزیابی صحت مدل با بهره‌گیری از مقادیر موفقیت خنثی، موفقیت، خطا و هشدار خطا تعیین و درنهایت پیش‌بینی تغییرات کاربری اراضی برای سال 1394 انجام شد. نتایج نشان داد طی سال‌های 1366 تا 1380، به ترتیب 1964 و 1197 هکتار از وسعت جنگل‌ها و باغ‌ها کاسته و 1182 و 1978 هکتار به وسعت اراضی کشاورزی و مناطق مسکونی اضافه شده است. نتایج مدل‌سازی پتانسیل انتقال در همة زیرمدل‌ها صحت زیادی (67- 89درصد) را نشان داد. خطای کل پیش‌بینی مدل 98/9درصد بود که نشان‌دهندة کارایی و قابلیت زیاد مدل است. همچنین نتایج پیش‌بینی نشان داد مساحت اراضی جنگلی در سال 1394 نسبت به 1385 کاهش و مناطق مسکونی، اراضی کشاورزی و باغ‌ها افزایش خواهد یافت.



[1] Landsat


[2] Multilayer Perceptron: MLP

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Application of Multilayer Perceptron Neural Network Method in Land Use Change Modeling in the East of Mzandaran Province

نویسندگان [English]

  • Sharif Joorabian Shooshtari 1
  • Abbas Esmaili-Sari 2
  • Seyed Mohsen Hosseini 3
  • Mehdi Gholamalifard 4
1 1 Department of Environment, Faculty of Natural Resources, Tarbiat Modares University, Tehran, Iran
2 2 Department of Environment, Faculty of Natural Resources, Tarbiat Modares University, Tehran, Iran
3 3 Department of Forestry, Faculty of Natural Resources, Tarbiat Modares University, Tehran, Iran
4 4 Department of Environment, Faculty of Natural Resources, Tarbiat Modares University, Tehran, Iran
چکیده [English]

This study was performed with objective of predicting land cover change in the east of Mazandaran Province (Neka and Behshahr counties), using Artificial Neural Network in the GIS environment. Landsat imagery belonging to the years 1987 and 2001 was used for change detection. Then, using Multilayer Perceptron neural network transition potentials was implemented for 7 sub-models and finally, land cover change modeling for 2006 with 1987-2001 calibration period and by Markov Chain and hard prediction was run. The accuracy of the assessment model was determined by using the Null Successes, Hits, False Alarms, and Misses. Finally, land cover change prediction was done for 2015. The result showed that during 1987–2001, respectively, 1964 and 1197 ha from forest and orchard were reduced, and 1182 and 1978 ha agriculture and residential were added. The results showed high accuracy (67-89%) in all the sub-models. Total error prediction model was 9.98%. Furthermore, the prediction results showed that forest areas will be reduced and residential, agriculture and orchard will be increased in 2015 compared with 2006.

کلیدواژه‌ها [English]

  • artificial neural network
  • Land Cover Change Modeling
  • Remote Sensing
  • Accuracy Assessment
  • East of Mzandaran Province

مقدمه.

تغییرات کاربری اراضی نتیجة برهم‌کنش پیچیدة عوامل فیزیکی، زیستی، اقتصادی و اجتماعی است (Oñate Valdivieso and Sendra, 2010: 256). آشکارسازی تغییرات در سنجش از دور شامل استفاده از دو عکس هوایی یا تصویر ماهواره‌ای از یک منطقه در تاریخ‌های مختلف است که تغییرات را همراه با ویژگی‌های کاربری اراضی توصیف می‌کند (Wang and Jun Xu, 2010: 312). پایش تغییرات درست و به‌موقع پدیده‌های سطح زمین، پایه‌ای را برای درک بهتر روابط و برهم‌کنش بین پدیده‌های طبیعی و انسانی فراهم می‌سازد (Berberoglu and Akin, 2009: 46). پایش تغییرات کاربری اراضی در ارتباط با اکولوژی، جنگل‌زدایی، بیابان‌زایی، شهرنشینی، مدیریت پایدار منابع طبیعی، پایداری اکولوژیک، شناسایی و مدل‌سازی آثار تغییرات آب و هوا انجام می‌شود (Lambin and Ehrlich, 1997: 181; López et al, 2001: 271; Russell- Smith et al, 2003: 283; Lo and Quattrochi, 2003: 1053; Fraser
et al, 2005: 414)

همراه با روند افزایش شهرنشینی، بخش زیادی از اراضی طبیعی مانند جنگل‌ها، مراتع و تالاب‌ها به زمین‌های کشاورزی و مناطق مسکونی تبدیل شده‌اند. تغییرات کاربری اراضی با افزایش حجم فاضلاب‌های شهری، صنعتی، رواناب‌های کشاورزی، تغییر در میزان و سهم مواد مغذی و آلایندة در دسترس، کیفیت آب‌های سطحی را در بسیاری از نقاط در معرض مخاطرة جدی قرار داده است. همچنین تبدیل سرزمین‌های بکر و دست‌نخورده، به‌ویژه اراضی جنگل به زمین‌های کشاورزی سبب افزایش بار آلاینده‌های غیرنقطه‌ای چون رسوب، نیتروژن و فسفر به آب‌ها به علت افزایش فرسایش خاک، کاربرد گستردة کودها و آفت‌کش‌ها می‌شود. افزایش رسوبات سبب کاهش شفافیت و تغییرات عمیق در اکولوژی آبزیان خواهد شد. به‌واسطة این آثار بزرگ، آشکارسازی و مدل‌سازی تغییرات کاربری اراضی به مبحث مهمی در مدیریت محیط زیست و آمایش سرزمین تبدیل شده است (Yu et al, 2011: 600).

مدل‌های تغییرات کاربری اراضی، ابزارهایی برای تحلیل دلایل و پیامدهای تغییرات کاربری اراضی به‌منظور درک بهتر عملکرد سیستم‌های کاربری اراضی، مدیریت کاربری اراضی و شناسایی زون‌های حساس‌اند. همچنین این مدل‌ها تغییرات پوشش اراضی را در آینده با توجه به موضوعات مختلف شناسایی می‌کنند. در همین راستا مدل‌ساز تغییر سرزمین[1] برای ایجاد توسعة پایدار بوم‌شناختی، راه‌حلی نرم‌افزاری است که به‌منظور تشخیص مسئلة مبرم و رو به افزایش تبدیل زمین و نیازهای ویژة تحلیلی حفظ تنوع زیستی طراحی و ساخته شده است و به‌صورت پیش‌فرض درون سامانة نرم‌افزاری IDRISI وجود دارد؛ همچنین به‌صورت برنامة عمودی برای ArcGIS از شرکت ESRI دردسترس است. LCM، ابزاری را در اختیار قرار می‌دهد که به کمک آن امکان ارزیابی و پیش‌بینی تغییرات پوشش اراضی و تأثیرات آن بر زیستگاه گونه‌ها و تنوع زیستی فراهم می‌شود. دلایل انتخاب این مدل در این مطالعه عبارت‌اند از: سادگی، سازگاری آسان با مشکلات مختلف و داده‌ها، خروجی‌های متنوع و کاربردی، اجرای آسان (اجرا در محیط ویندوز)، مدل‌سازی پتانسیل انتقال با سه روش شبکة عصبی مصنوعی، رویة یادگیری برمبنای نمونة وزنی مشابهت و رگرسیون لجستیک؛ ضمن اینکه تاکنون از این مدل برای مدل‌سازی روند تغییرات کاربری اراضی در ایران استفاده نشده و در سایر نقاط جهان نیز استفادة اندکی شده است (Khoi and Murayama, 2010: 1249; Wilson and Weng, 2011: 4387; Thapa and Murayama, 2011: 25; Pérez-Vega et al, 2012: 11; Gontier et al, 2010: 8). مدل‌سازی با استفاده از سامانة اطلاعات جغرافیایی و داده‌های سنجش از دور برای شبیه‌سازی چگونگی تغییر اجزای سیمای سرزمین طی زمان و مکان استفاده می‌شود و همچنین انواع مختلف موضوعات تغییر کاربری اراضی را در آینده بررسی می‌کند.

جنگل‌های هیرکانی در شمال ایران، منبع مهم تنوع زیستی، زیستگاه‌های مختلف و تولید چوب تجاری است و نقشی حیاتی را در حفاظت خاک، نگاهداشت کربن، تلطیف هوا و تصفیة آب اعمال می‌کند (Joorabian Shooshtari et al, 2018: 756). مساحت این جنگل‌ها از 6/3 میلیون هکتار در سال 1942 به 4/3 میلیون هکتار در سال 1964 و 92/1 میلیون هکتار در سال 1990 کاهش یافته است. تبدیل این جنگل‌ها به انواع دیگر کاربری‌های اراضی (نظیر اراضی کشاورزی، باغ و مناطق مسکونی)، یکی از مشکلات عمده در سال‌های اخیر محسوب می‌شود و آثاری را بر کاهش تنوع زیستی و خدمات اکوسیستمی دارد (Joorabian Shooshtari and Gholamalifard, 2015: 2). در همین راستا این پژوهش با هدف پیش‌بینی تغییرات کاربری اراضی شرق استان مازندران، بخش کوچکی از جنگل‌های هیرکانی، در سال 1394 با استفاده از مدل LCM انجام شد. شبکة عصبی مصنوعی در مدل‌ساز تغییر سرزمین با توجه به کارایی بیشتر آن نسبت به سایر روش‌ها برای مدل‌سازی پتانسیل انتقال از یک کاربری به نوع دیگر به کار رفت (Eastman et al, 2005: 372; Sangermano et al, 2012: 574). این پژوهش در 5 مرحله اجرا شد: تولید نقشه‌های کاربری اراضی با استفاده از تصاویر ماهواره‌ای برای سال‌های 1366، 1380 و 1385؛ تحلیل تغییرات کاربری اراضی طی سال‌های 1366 تا 1380؛ مدل‌سازی پتانسیل انتقال با استفاده از شبکة عصبی مصنوعی؛ شبیه‌سازی نقشة کاربری اراضی در سال 1394 و ارزیابی صحت مدل‌سازی.

 

پیشینة پژوهش.

ویلسون و ونگ[2] (2011) تأثیرات آیندة تغییرات کاربری اراضی و اقلیم را بر کیفیت آب‌های سطحی در حوضة آبخیز دس‌پلینز[3] بین سال‌های 2010 تا 2030 بررسی کردند. در این مطالعه از LCM برای پیش‌بینی سه سناریوی برنامه‌ریزی تغییرات آیندة سرزمین استفاده شد. هر سناریو به ترتیب رشد مسکونی با تراکم کم، رشد معمول شهر و رشد تجاری را بررسی کرد. الگوهای آیندة اقلیم با پنل بین‌الدول تغییرات اقلیم[4] آزمایش شد. همچنین به‌منظور پیش‌بینی غلظت فسفر و کل ذرات معلق تولیدشده در فواصل زمانی 10ساله، ابزار ارزیابی آب و خاک به کار رفت. نتایج این مطالعه نشان داد توسعة شهری با تراکم زیاد یا متوسط، میزان غلظت مواد جامد معلق را کاهش می‌دهد. ترکیب بررسی تغییر اقلیم و تغییر کاربری اراضی نشان داد برنامه‌های توسعة کاربری اراضی به کاهش مشکلات بالقوة آیندة کیفیت آب کمک می‌کند. این مطالعه نگرش مهمی را به پیامدهای مخرب احتمالی روی کیفیت آب سطحی و منابع ناشی از تغییرات اقلیمی خاص و موضوعات مختلف کاربری اراضی شکل می‌دهد.

مانسی و همکاران[5] (2012) مدل‌سازی مکانی - زمانی تغییرات الگوی جنگل دهرادون[6] را در هندوستان با استفاده از LCM بررسی کردند. متغیرهای شیب، ارتفاع، جهت، فاصله از جاده، فاصله از مناطق مسکونی، فاصله از زهکش و احتمال تجربی به تغییر برای مدل‌سازی پتانسیل انتقال با استفاده از شبکة عصبی مصنوعی استفاده شدند. مقایسة نقشة پیش‌بینی‌شده به‌وسیلة مدل با نقشة واقعیت زمینی سال 2006، صحت 03/61% را نشان داد که با توجه به تعداد زیاد کلاس‌های کاربری اراضی پذیرفته است.

تاپا و مورایاما[7] (2011) از مدل LCM برای شبیه‌سازی توسعة شهر نپال با بهره‌گیری از سه سناریو استفاده کردند. نتایج نشان داد فرایند توسعه در مرحلة بحرانی است و نیاز به اجرا و پیاده‌سازی سناریو‌های حفظ منابع محیط زیستی برای مدیریت پایدار و بهبود فضای شهر به جای سناریوی تاریخی دارد.‌

سانگرمانو و همکاران[8] (2012) از LCM برای مدل‌سازی تغییرات کاربری اراضی سال 2050 در بولیوین آمازون[9] و کاربرد آن در پروژه‌های REDD+ بهره گرفتند.‌

کاماچو المدو و همکاران[10] (2015) مدل‌سازی تغییرات کاربری اراضی را در حوضة آبخیز سگورا[11] جنوب اسپانیا با استفاده از LCM انجام دادند. آنها از تصاویر ماهوارة لندست مربوط به سال‌های 1990 و 2000 برای مدل‌سازی پوشش اراضی سال 2006 بهره بردند که نتایج از دقت زیادی برخوردار بود.

آناند و همکاران[12] (2018) از LCM برای مدل‌سازی تغییرات کاربری اراضی حوضة آبخیز گانگا[13] در سال‌های 2030، 2060 و 2090 و ارزیابی آثار تغییر کاربری بر توازن آب استفاده کردند. آنها برای این منظور از سه نقشة کاربری اراضی متعلق به ماهوارة لندست و سنجدة TM در سال‌های 1985، 1995 و 2005 با هدف بررسی روند تاریخی تغییرات منطقة پژوهش بهره بردند. همچنین از شبکة عصبی مصنوعی برای تولید نقشه‌های پتانسیل انتقال و از زنجیرة مارکف برای کمّی‌کردن انتقال از یک کاربری به کاربری دیگر بهره جستند. نقشه‌های 1985 و 1995 به‌منزلة لایه‌های مشاهداتی برای کالیبراسیون مدل LCM و نقشة واقعیت زمینی سال 2005 برای مقایسه با نقشة پیش‌بینی‌شدة سال 2005 و صحت مدل به کار رفت. نتایج نشان‌دهندة کارایی زیاد مدل LCM در شبیه‌سازی تغییرات کاربری اراضی بود.

ابولایش و کاماچو المدو[14] (2016) سناریوسازی را برای شبیه‌سازی تغییرات کاربری اراضی سال 2023 در گازا استریپ[15] با استفاده از مدل‌های LCM، Markov- CAو Geomod انجام دادند. پیش‌بینی وسعت منطقة شهری افزایش 3/212 کیلومترمربع را در مدل‌های استفاده‌شده نشان داد و درصد منطقة شهری حدود 83/58% در سال 2023 خواهد بود.

لولو و همکاران[16] (2019) از مدل LCM برای تحلیل تغییرات کاربری اراضی و ارزیابی آثار آن بر فرسایش‌پذیری خاک استفاده کردند. عمده‌ترین تغییرات طی سال‌های 1995- 2005 در کاهش مناطق جنگلی و افزایش در وسعت مراتع دیده شد. طی سال‌های 2005- 2015 نیز کاهش پیوسته در اراضی جنگلی و افزایش در مراتع دیده شد.

کاستیلو و همکاران[17] (2014) تأثیر تغییرات را در اراضی توسعه‌یافته و باران را بر هیدرولوژی حوضة آبخیز آرانساس[18] در تگزاس بررسی کردند. در این مطالعه مدل LCM حدود 70درصد افزایش را در مناطق توسعه‌یافتة سال 2030 پیش‌بینی کرد.

 

روش‌شناسی پژوهش.

تهیة نقشه‌های پوشش اراضی.

به‌منظور مطالعة پویایی سرزمین لازم است نقشه‌هایی تهیه شوند که وضعیت سرزمین را در زمان‌های مختلف نشان می‌دهند (Oñate-Valdivieso and Sendra, 2010: 257). در این پژوهش برای تهیة نقشه‌های پوشش اراضی منطقه از تصاویر ماهوارة لندست و سنجنده‌های TM (24 خرداد 1366) و ETM+ (8 مرداد 1380 و 7 شهریور 1385) استفاده شد (جدول 1). از آنجایی که تفکیک و شناسایی پدیده‌ها به لحاظ رنگ نتایج بهتری ارائه می‌دهد و همچنین به‌منظور بارزسازی تصاویر و تجسم انواع کاربری‌ها در منطقه، تصویر رنگی کاذب هر تاریخ با استفاده از ترکیب DNs باندهای 2 (سبز)، 3 (قرمز) و 4 (مادون قرمز نزدیک) تولید شد (Shalaby and Tateishi, 2007: 33). این اطلاعات با تصاویر با وضوح زیاد به‌دست‌آمده از Google Earth تکمیل شدند. در ادامه روش طبقه‌بندی نظارت‌شده برای تهیة نقشه‌های پوشش اراضی به کار رفت.

به‌طورکلی روش‌های طبقه‌بندی به روش‌های نظارت‌شده (مانند حداکثر احتمال و کمترین فاصله) و نظارت‌نشده (نظیر Iso data و K-means) تقسیم‌بندی می‌شوند. روش حداکثر احتمال استفاده‌شده در این پژوهش، یکی از کاراترین روش‌های طبقه‌بندی تصاویر است و در مطالعات متعددی، دقیق‌ترین روش طبقه‌بندی معرفی شده است (سارویی، 1378: 55؛ یوسفی و همکاران، 1393: 68؛Eastman, 2006: 167).

نخستین گام در انجام یک طبقه‌بندی نظارت‌شده، تعریف مناطقی است که به‌‌منزلة نمونه‌های تعلیمی برای هر کلاس استفاده می‌شوند. برای این مرحله با تفسیر بصری تصویر ترکیب رنگی کاذب و با استفاده از نقشه‌های توپوگرافی با مقیاس 1:25000 سازمان نقشه‌برداری کشور (http://www.ncc.org.ir)، نمونه‌های تعلیمی برای هر کلاس تعریف شدند (Rafiee et al, 2009: 434). چهار کلاس کاربری اراضی در منطقه تعریف شدند: جنگل پهن‌برگ، اراضی کشاورزی، مناطق مسکونی و باغ‌ها؛ سپس نمونه‌های تعلیمی به شیوة رقومی‌کردن روی صفحه رقومی شدند.

در مرحلة دوم، تفکیک‌پذیری نمونه‌های تعلیمی انجام شد. مرحلة سوم طبقه‌بندی تصاویر ماهواره‌ای است که روش طبقه‌بندی حداکثر احتمال به کار رفت (امیدی‌پور و همکاران، 1392: 104؛ علی‌بخشی و همکاران، 1394: 15). درنهایت به‌منظور حذف قطعات کوچک و ساده‌سازی تصاویر حاصل از طبقه‌بندی‌ها از فیلتر مد[19] بهره گرفته شد.

 

تحلیل تغییرات با استفاده از مدل‌ساز تغییر سرزمین.

این مدل به دو نقشة پوشش اراضی متعلق به زمان‌های مختلف به‌مثابة ورودی نیاز دارد (Mas et al, 2014: 99). در این مطالعه نقشه‌های تولیدشده در سال‌های 1366 و 1380 به‌مثابة ورودی مدل برای تحلیل تغییرات منطقه انتخاب و کاهش‌ها و افزایش‌ها در هر کاربری، تغییر خالص (از تفریق مساحت کاهش‌یافته به مساحت افزایش‌یافته در یک طبقة کاربری محاسبه می‌شد)، تغییرات ویژه بین دو کاربری مدنظر (برای نمونه چه میزان اراضی کشاورزی به باغ انتقال پیدا کرده‌اند و بالعکس) و انتقال از هر کاربری به نوع دیگر (نظیر انتقال از جنگل به مناطق شهری) در طبقات مختلف پوشش اراضی به‌صورت نقشه و نمودار ارزیابی شدند (تمام خروجی‌های این مرحله برپایة پیکسل به پیکسل‌اند) (Munsi et al, 2012: 622)؛ (شکل 2).

 

مدل‌سازی پتانسیل انتقال (Transition Potential) .

برای انتخاب زیرمدل‌هایی با بیشترین دقت ضروری است مدل چندین مرتبه با سناریوهای مختلف اجرا شود. پس از انجام این مرحله 7 زیرمدل برای مدل‌سازی پتانسیل انتقال با پرسپترون چندلایة شبکة عصبی مصنوعی در مدل‌ساز تغییر سرزمین در نرم‌افزار Idrisi با استفاده از متغیرهای مدل رقومی ارتفاعی (DEM)، شیب، فاصله از مناطق مسکونی در سال 1366، فاصله از زمین‌های کشاورزی در سال 1366، فاصله از جنگل در سال 1366، فاصله از جاده‌ها، فاصله از رودخانه‌ها و متغیر کیفی پوشش اراضی در نظر گرفته شدند (Pijanowski et al, 2002: 555). برای تولید متغیر کیفی پوشش اراضی نقشة انتقال از کل کاربری‌ها به مناطق مسکونی، کشاورزی و باغ از 1366 به 1380 تهیه و سپس با استفاده از ابزار تغییر شکل Evidence Likelihood و نقشة پوشش اراضی سال قدیمی‌تر در ورودی مدل، متغیرهای کیفی تولید شدند. متغیرهای فاصله از مناطق مسکونی و جاده‌ها به‌منزلة متغیرهای پویا در نظر گرفته و در 5 مرحله دوباره محاسبه شدند. شبکه‌های عصبی مصنوعی، ابزاری قوی هستند که از رویکرد آموزش برای کمّی‌کردن و مدل‌سازی رفتار و الگوهای پیچیده استفاده می‌کنند. پرسپترون چندلایه، الگوریتمی غیرپارامتریک است که ارتباط پیچیده را بین یک مجموعه متغیر و یک مجموعه خروجی برازش می‌دهد؛ حتی اگر بین متغیرها ارتباط خطی هم وجود داشته باشد (Lin et al, 2014: 281).

به‌منظور انتخاب متغیرهای مؤثر از ضریب Cramer's V استفاده شد که نشان‌دهندة میزان ارتباط بین متغیرها و تغییرات کاربری اراضی است. این ضریب مبنی بر آمارة کای - اسکور است که مقادیر را در یک بازه از 0 تا 1 نشان می‌دهد و در آن 1 بیان‌کنندة توافق کامل بین دو متغیر اسمی است.

زیرمدل‌های استفاده‌شده در پژوهش عبارت‌اند از: جنگل به اراضی کشاورزی، جنگل به مناطق مسکونی، جنگل به باغ، اراضی کشاورزی به مناطق مسکونی، اراضی کشاورزی به باغ، باغ به مناطق مسکونی و باغ به اراضی کشاورزی. انتخاب اندازة نمونه برای اجرای شبکة عصبی مصنوعی در هر زیرمدل به‌صورت کمترین سلول‌هایی است که بین سال‌های 1366 و 1380 انتقال می‌یابند و 50% برای آموزش و 50% برای آزمون استفاده شد. خروجی این قسمت، پتانسیل انتقال از هر کاربری به نوع دیگر است که به‌صورت کمّی نمایش داده می‌شود (Eastman, 2006: 207).

 

مدل‌سازی تغییرات کاربری اراضی.

تخصیص تغییر از هر کاربری به نوع دیگر با استفاده از زنجیرة مارکف محاسبه شد (قربانی و همکاران، 1392: 22؛ Fan et al, 2008: 133; Coppedge et al, 2007: 1386). LCM از ماتریس مارکف برای برون‌یابی‌کردن میزان هر انتقال شبیه‌سازی‌شده استفاده می‌کند. ماژول مارکف در نرم‌افزار IDRISI یک ماتریس مارکف را مبنی بر نقشه‌های دو زمان مختلف در مرحلة کالیبراسیون محاسبه می‌کند. ردیف‌های این ماتریس کلاس‌های میزبان (طبقاتی که مساحتی را از دست می‌دهند) را در زمان T0 و ستون‌ها، و کلاس‌های مدعی (طبقاتی که مساحتی را به دست می‌آوردند) را در زمان T1 نشان می‌دهند. این ماتریس میزانی را ثبت می‌کند که از هر کلاس میزبان در زمان T0 به کلاس مدعی در زمان T1 انتقال می‌یابد. میزان ثابت در هر کلاس نیز در قطر این ماتریس نشان داده می‌شود (Camacho Olmedo et al, 2015: 215).

دو مرحله برای مدل‌سازی تغییرات پوشش اراضی سال 1394 به کار برده شد؛ در مرحلة اول با استفاده از نقشه‌های پوشش سرزمین سال‌های 1366 و 1380، نقشة پوشش سرزمین سال 1385 که مبنی بر روش تخصیص سرزمین چندمنظوره است، به‌منظور مقایسه با نقشة واقعیت زمینی سال 1385 شبیه‌سازی شد. پس از این مرحله و اطمینان از صحت مدل‌سازی، از نقشه‌های پوشش سرزمین سال‌های 1380 و 1385 برای تولید نقشة پوشش سرزمین سال 1394 استفاده شد.

 

ارزیابی صحت مدل.

خطا و صحت پیش‌بینی مدل براساس سه نقشة پوشش اراضی 1380، 1385 واقعیت زمینی و 1385 حاصل از مدل‌سازی ارزیابی شد. نقشة خروجی تولیدشده شامل 4 نوع پیکسل است: موفقیت خنثی[20] (نقشة واقعیت زمینی ثابت‌مانده و نقشة پیش‌بینی‌شده با مدل نیز ثابت است)، موفقیت[21] (مدل تغییر را بین سال‌های 1380 تا 1385 پیش‌بینی می‌کند و نقشة واقعیت زمینی نیز تغییر را از سال 1380 تا 1385 نشان می‌دهد)، خطا[22] (مدل بدون تغییر را بین 1380 و 1385 پیش‌بینی می‌کند؛ در صورتی که نقشة واقعیت زمینی تغییر یافته است) و هشدار خطا[23] (مدل تغییر را طی سال‌های 1380 تا 1385 پیش‌بینی می‌کند؛ در صورتی که نقشة واقعیت زمینی بدون تغییر را نشان می‌دهد). کل خطای پیش‌بینی مدل برابر است با مجموع خطا و هشدار خطا (Chen and Pontius Jr, 2010: 1323). ضمناً مراحل مدل‌سازی تغییرات کاربری اراضی نیز در شکل (3) نشان داده شده است.


جدول 1. مشخصات تصاویر ماهواره‌ای استفاده‌شده

تاریخ میلادی

سنجنده

ماهواره

اندازة پیکسل (متر)

تعداد باندها

14/6/1987

TM

Landsat-5

30

7

30/7/2001

ETM+

Landsat-7

5/28

8

29/8/2006

ETM+

Landsat-7

5/28

8

 

 

شکل 1. کاهش و افزایش در کاربری‌ها (به ترتیب از چپ به راست: جنگل، اراضی کشاورزی، مناطق مسکونی و باغ) برحسب درصد مساحت بین 1366- 1380

 


محدودة پژوهش.

نکا و بهشهر به ترتیب با جمعیت 46291 و 105651 نفر، دو شهر مهم و صنعتی موجود در منطقه‌اند. از طرف دیگر، این دو شهر رشد و توسعة نسبتاً سریعی داشته‌اند. نکا در 20کیلومتری شرق ساری و نزدیک خلیج میانکاله واقع شده است. این دو شهر از نواحی گردشگرپذیر در استان‌اند و جاذبه‌هایی زیبا دارند.

منطقة پژوهش با مساحت 112543 هکتار و با مختصات جغرافیایی 8 53 تا 36 53 طول شرقی و 29 36 تا 43 36 عرض شمالی در شرق استان مازندران قرار گرفته است (شکل 1). جنگل و اراضی کشاورزی با بیش از 50 و 35درصد به ترتیب کاربری‌های غالب منطقه‌اند. رودخانة نکا، یکی از رودخانه‌های مهم و پرآب استان مازندران است و از کوه بزرگی در
36 کیلومتری جنوب شرقی گرگان سرچشمه می‌گیرد. این رودخانه با جهت شرقی‌غربی از شهر نکا عبور می‌کند و در 22کیلومتری شمال غربی نکا وارد دریای خزر می‌شود (Gholami et al, 2009: 61). اقلیم منطقه با توجه به منحنی آمبروترمیک نیمه‌مرطوب معتدل و نیمه‌مرطوب سرد است (Talebi Amiri et al, 2009: 135). کمترین و بیشترین ارتفاع منطقه به ترتیب 12- و 1283 متر است.

 

 

شکل 2. موقعیت منطقة پژوهش در استان مازندران و تصویر ترکیب رنگی کاذب منطقه

 

شکل 3. مراحل مدل‌سازی تغییرات کاربری اراضی


یافته‌های پژوهش

آشکارسازی تغییرات.

مساحت هر کاربری به درصد در سال‌های 1366، 1380 و 1385 در شکل (4) نشان داده شده است.

طی سال‌های 1366 و 1380، 1964 هکتار از وسعت جنگل کاسته شده است. به ترتیب 1182 و 1978 هکتار به وسعت اراضی کشاورزی و مناطق مسکونی طی سال‌های 1380-1366 اضافه شده است. باغ‌ها نیز طی این دوره به میزان 1197 هکتار کاهش یافتند. طی این دوره میزان تغییر خالص از جنگل به اراضی کشاورزی، مناطق مسکونی و باغ به ترتیب 1009، 42 و 912 هکتار بوده است. میزان تغییر خالص از اراضی کشاورزی و باغ به مناطق مسکونی نیز به ترتیب 1430 و 506 هکتار بوده است. 1602 هکتار نیز میزان تغییر خالص از باغ به اراضی کشاورزی بوده است.

مدل‌سازی پتانسیل انتقال.

نتایج ضرایب Cramer's V برای متغیرهای مختلف در جدول (2) آورده شده است. متغیر کیفی استفاده‌شده در زیرمدل توسعة مسکونی، بیشترین مقدار و متغیر فاصله از رودخانه، کمترین میزان Overall Cramer's V را نشان دادند. مدل‌سازی پتانسیل انتقال با استفاده از روش پرسپترون چندلایة شبکة عصبی مصنوعی برای همة زیرمدل‌ها انجام شد. نتایج زیرمدل‌های مناطق جنگلی به اراضی کشاورزی و جنگل به باغ در شکل (5) نشان داده شده است که پیکسل‌های با ارزش بیشتر پتانسیل بیشتری برای تغییر خواهند داشت. نتایج ارزیابی صحت مدل‌سازی پتانسیل انتقال از یک کاربری به نوع دیگر در جدول (3) آورده شده است. همة زیرمدل‌ها صحت زیادی (67-89درصد) را نشان دادند.

 

 

شکل 4. مساحت هر کاربری به درصد در سال‌های 1366، 1380 و 1385

 

 

جدول 2. ضرایب کرامر کاربری‌های مختلف

متغیر

ضرایب Overall Cramer's V

مدل رقومی ارتفاع

0.506

شیب

0.393

فاصله از مناطق مسکونی در سال 1366

0.524

فاصله از اراضی کشاورزی در سال 1366

0.539

فاصله از جنگل در سال 1366

0.553

فاصله از جاده

0.324

فاصله از رودخانه

0.120

متغیر کیفی در زیرمدل توسعة مسکونی

0.677

متغیر کیفی در زیرمدل توسعة کشاورزی

0.612

متغیر کیفی در زیرمدل توسعة باغ

0.598

 

 

شکل 5. نقشه‌های مدل‌سازی پتانسیل انتقال در زیرمدل‌های جنگل به کشاورزی و جنگل به باغ

جدول 3. نتایج شبکة عصبی مصنوعی برای مدل‌سازی پتانسیل انتقال در LCM

زیرمدل

ارزیابی صحت

میزان یادگیری

خطای آموزش

خطای تست

از جنگل به کشاورزی

38/89%

000050/0

001494/0

001506/0

از جنگل به مسکونی

43/89%

000100/0

009485/0

008901/0

از جنگل به باغ

46/86%

000100/0

002005/0

001998/0

از کشاورزی به باغ

97/67%

000025/0

002257/0

002249/0

از کشاورزی به مسکونی

97/72%

000050/0

001999/0

002007/0

از باغ به مسکونی

86/75%

000100/0

003171/0

003151/0

از باغ به کشاورزی

70/70%

000025/0

001778/0

001787/0

 


مدل‌سازی تغییرات کاربری اراضی.

احتمال انتقال از یک کاربری در سال 1380 به نوع دیگر در سال 1385 با زنجیرة مارکف محاسبه شد. بیشترین احتمال انتقال از جنگل به باغ و اراضی کشاورزی به باغ بود. نقشة واقعیت زمینی سال 1385 در مقایسه با نقشة پیش‌بینی‌شده با مدل نشان داده شده است (شکل 6). خطای کل پیش‌بینی مدل 98/9درصد بود که نشان‌دهندة کارایی و قابلیت زیاد مدل است. نتایج مدل‌سازی برای سال 1394 نشان داد مساحت کاربری جنگل در این سال نسبت به 1385 کاهش (2516 هکتار) و مناطق مسکونی، اراضی کشاورزی و باغ افزایش (به ترتیب 387، 1860 و 265 هکتار) خواهد یافت. همچنین نقشة پیش‌بینی‌شدة پوشش سرزمین سال 1394 در شکل 7 نشان داده شده است.

 

 

   

شکل 6. نقشة پیش‌بینی‌شده با شبکة عصبی مصنوعی در LCM (راست) در مقایسه با نقشة واقعیت زمینی سال 1385 (چپ)

 

شکل 7. نقشة پیش‌بینی‌شدة سال 1394


ارزیابی صحت.

نتایج حاصل از ارزیابی مدل نشان داد مقادیر موفقیت خنثی، موفقیت، خطا و هشدار خطا به ترتیب 48/89%، 52/0%، 19/9% و 79/0% بودند که نشان‌دهندة انطباق زیاد تصویر پیش‌بینی‌شدة مدل با تصویر واقعیت زمینی است (شکل 8). کل خطای پیش‌بینی مدل 98/9درصد بود که نشان‌دهندة کارایی خوب مدل است. بیشترین مقدار Misses در قسمت شمال غربی منطقه وجود داشت.

 

 

شکل 8. ارزیابی صحت مدل مبنی بر نقشه‌های پوشش اراضی 1380 واقعیت زمینی، 1385 واقعیت زمینی و 1385 پیش‌بینی‌شده با LCM

 

 

نتیجه‌گیری.

در مطالعة حاضر، از مدل‍سازی GIS و بررسی تغییرات سرزمین به‌مثابة ابزارهای برنامه‌‍ریزی نو برای تحلیل پویایی سرزمین در شرق استان مازندران از سال 1366 تا 1394 استفاده شد. نتایج بررسی تغییرات طی سال‌های 1366- 1388، کاهش جنگل‌ها را به میزان 1963 هکتار نشان داد. در این دوره بیشترین میزان تغییر کاربری جنگل‌ها تبدیل به اراضی کشاورزی (1009 هکتار) بوده است. بیشتر این تخریب‌ها در حاشیة زمین‌های کشاورزی پیشین به علت دردسترس‌بودن آنها رخ داده است که نشان‌دهندة تأثیر فعالیت‌های انسانی بر جنگل‌زدایی است.

عبدالله و ناکاگوشی[24] (2006) نیز توسعة کشاورزی را متغیر اصلی در تغییر سرزمین معرفی کردند. مالینیس و همکاران[25] (2011) نیز عمده‌ترین تغییر کاربری جنگل‌ها را در یونان تبدیل به اراضی کشاورزی گزارش کردند. کومار و همکاران[26] (2014) از تصاویر ماهواره‌ای سال‌های 1990 و 2010 برای بررسی تغییرات جنگل‌ در استان چهاتیسگار[27] کشور هند بهره بردند که نتایج آنها 2/107 کیلومترمربع جنگل‌زدایی را نشان داد. اسچالز و همکاران[28] (2010) تغییرات کاربری اراضی را طی سال‌های 1975- 2008 در مرکز شیلی بررسی کردند و به این نتیجه رسیدند که طی این سال‌ها کاربری جنگل بیشترین کاهش را با 42درصد در بین سایر کاربری‌ها و با توجه به وسعتش نشان داده است. اسماعیل‌پور پوده و همکاران[29] (2009) تغییرات جنگل‌ها را در شمال ایران (استان گیلان) با استفاده از تصاویر ماهواره‌ای TM/ETM+ بررسی کردند و عوامل تخریب جنگل‌ها را تبدیل به اراضی کشاورزی، توسعة مناطق مسکونی و جاده‌ها دانستند.

جنگل‌زدایی در منطقة پژوهش آثاری را بر کاهش مواد مغذی ضروری، تنظیم رواناب، اقلیم منطقه، نفوذ باران و جابه‌جایی رسوب خواهد داشت (Joorabian Shooshtari and Gholamalifard, 2015: 2)؛ بنابراین نیاز است راهبردهایی در ترکیب، آرایش و ساختار کاربری‌های موجود و احیای جنگل‌های هیرکانی در منطقه مطالعه شود.

در مطالعة حاضر از شبکة عصبی مصنوعی به‌منظور مدل‌سازی پتانسیل انتقال در 7 زیرمدل استفاده شد. متغیرهای به‌کاررفته در این پژوهش در بیشتر مطالعات مدل‌سازی تغییرات پوشش سرزمین استفاده می‌شوند. در منطقة پژوهش بیشترین ارتباط بین متغیرهای کیفی با تغییرات پوشش سرزمین مبنی بر ضریب کرامر مشخص شد. مانسی و همکاران[30] (2012) نیز ارتباطی قوی را بین متغیر کیفی با تغییرات پوشش سرزمین در مدل‌سازی الگوی تغییرات جنگل در هندوستان گزارش کردند.

در پژوهش حاضر در شرق استان مازندران متغیرهای ارتفاع، نزدیکی به جنگل، مناطق مسکونی و اراضی کشاورزی، میزان ضریب کرامر بیش از 50/0 و متغیرهای شیب و فاصله از جاده نیز، ضریب کرامر بیش از 3/0 را نشان دادند. بدین معنی که این متغیرها از اهمیت زیادی در توصیف تغییرات برخوردارند. اراسو و همکاران[31] (2013) نیز گزارش کردند متغیرهای نزدیکی به جاده، شهر و مرتع، محرک‌های اصلی تأثیرگذار بر کاهش جنگل‌های مونتانه[32] بودند. ارتفاع و نزدیکی به جاده نیز عوامل مهمی در تغییرات جنگل در زمین‌های کم‌ارتفاع سوماترا تشخیص داده شدند (Linkie et al, 2004: 1815). نزدیکی به جاده، شهر و حاشیة جنگل/غیرجنگل در جنوب کامرون متغیرهای مهمی در مدل‌سازی تغییرات جنگل گزارش شدند (Merten and Lambin, 1997: 147). نتایج مطالعة اسچالز و همکاران (2011) نشان داد شیب و نزدیکی به جاده‌های اصلی تأثیر معناداری بر تغییرات پوشش گیاهی در شیلی دارند. مقایسة متغیرهای استفاده‌شده در پژوهش حاضر با سایر پژوهش‌های مشابه نشان از جامعیت متغیرهای بررسی‌شده در مدل‌سازی پتانسیل انتقال در منطقة مدنظر دارد.

نتایج ارزیابی صحت شبکة عصبی مصنوعی کارایی پذیرفته‌ای را در زیرمدل‌ها نشان داد. در مدل‌سازی پتانسیل انتقال، زیرمدل جنگل به مسکونی بیشترین صحت (43/89%) و زیرمدل باغ به کشاورزی کمترین صحت (70/70%) را نشان دادند. در توضیح کارایی بهتر شبکة عصبی مصنوعی، این روش مدل‌سازی ارتباط پیچیدة بین متغیرها حتی با وجود هم‌خطی یا وجود متغیرهای بدون معنا را انجام می‌دهد (Sangermano et al, 2012: 574)؛ همچنین هر تابع پیوستة دلخواه را تخمین می‌زند و شبیه‌سازی یک سیستم غیرخطی را بدون فرض قبلی از فرایندها اجرا و راه‌حل خوبی را هنگامی ارائه می‌دهد که داده‌های ورودی ناقص و مبهم‌اند (Zhu et al, 2007: 112).

کیم[33] (2010) در مدل‌سازی پتانسیل انتقال (در دو زیرمدل جنگل و ساوان به اراضی تخریب‌یافته به دست انسان) با استفاده از شبکة عصبی مصنوعی به صحتی کمتر (03/66%) از مطالعة حاضر دست یافت. مشابه نتایج پژوهش حاضر، خوی و مورایاما[34] (2010) به صحت بیش از 80% در مدل‌سازی پتانسیل انتقال با MLP دست یافتند. سانگرمانو و همکاران[35] (2012) نیز برای اجرای مدل‌سازی پتانسیل انتقال در بولیوین آمازون[36] با شبکة عصبی مصنوعی و اجرای آن در پروژة REDD، میزان یادگیری شبکه را روی 0001/0 تنظیم کردند و تکرار را تا 15000 افزایش دادند که به صحت بسیار پذیرفته‌ای رسیدند.

در مطالعة حاضر، خطای کل پیش‌بینی مدل 98/9درصد بود که نشان‌دهندة کارایی و قابلیت زیاد مدل است. در نقشة پیش‌بینی‌شده با مدل مقدار خطا نسبت به موفقیت بیشتر بود که یکی از دلایل آن این است که روند تغییرات منطقه در طول دورة واسنجی نسبت به دورة پیش‌بینی مدل متفاوت بوده است (Chen and Pontius Jr, 2010: 1324). در قسمت‌های شمال غربی و غرب منطقه در نقشة واقعیت زمینی سال 1385، وسعت باغ‌ها بسیار زیاد شده است؛ در صورتی که این کاربری در سال 1380 در این نواحی وجود نداشته است؛ به همین علت مدل نیز نتوانسته آنها را پیش‌بینی کند و مقدار خطا زیاد شده است. از دلایل دیگر نیز خطا در طبقه‌بندی تصاویر ماهواره‌ای است. به‌طورکلی تغییرات کاربری اراضی این منطقه در جهت کاهش اراضی جنگلی و افزایش اراضی کشاورزی و مسکونی بوده است و مدیریت منطقه بایستی به‌منظور حفظ و احیای اراضی جنگلی این منطقه باشد.

جنگل‌های هیرکانی بسیار غنی، با تنوع زیستی زیاد، منحصربه‌فرد و با تاریخ بسیار طولانی‌اند که بعضی از گونه‌های باقی‌ماندة آن به دوران Tertiary[37] بازمی‌گردند؛ بنابراین تغییرات اندک و محدود در این جنگل‌ها بسیار مهم است و آثاری را بر شرایط اکولوژیکی، هیدرولوژی حوزه و جابه‌جایی رسوب بر جا می‌گذارند (Joorabian Shooshtari et al, 2018: 756).

پیشنهاد می‌شود مدل‌سازی پتانسیل انتقال با رگرسیون لجستیک و رویة یادگیری برمبنای نمونة وزنی مشابهت برای زیرمدل‌های انتخاب‌شده در این پژوهش انجام و نتایج آن با شبکة عصبی مصنوعی مقایسه شود؛ همچنین برای افزایش صحت مدل از تصاویر با قدرت تفکیک مکانی بیشتر استفاده شود.

سپاسگزاری و قدردانی.

بدین‌وسیله مراتب سپاس و قدردانی از دانشگاه تربیت مدرس به دلیل فراهم‌کردن زمینه و بستر لازم برای انجام این پژوهش علمی‌کاربردی ابراز می‌شود. همچنین از زحمات و حمایت‌های جناب آقای دکتر سید محمود قاسم‌پوری (هیئت علمی گروه محیط ‌زیست دانشکدة منابع طبیعی دانشگاه تربیت مدرس) تقدیر می‌شود.



[1] Land Change Modeler: LCM

[2] Wilson & Weng

[3] Des Plaines

[4] IPCC= Intergovernmental Panel on Climate Change

[5] Munsi et al

[6] Dehradun

[7] Thapa & Murayama

[8] Sangermano et al

[9] Bolivian Amazon

[10] Camacho Olmedo

[11] Segura

[12] Anand et al

[13] Ganga

[14]Abuelaish & Camacho Olmedo

[15] Gaza Strip

[16] Lollo

[17] Castillo

[18] Aransas

[19] Mode

[20] Null Success

[21] Hit

[22] Miss

[23] False Alarm

[24]Abdullah & Nakagoshi

[25] Mallinis et al

[26]Kumar

[27] Chhattisgarh

[28] Schulz

[29] Smailpour Podeh

[30] Munsi

[31] Eraso

[32] Montane

[33] Kim

[34] Khoi & Murayama

[35] Sangermano

[36] Bolivian Amazon

[37] (نام دوره‌ای در مقیاس زمانی زمین‌شناسی است که از 66 میلیون سال پیش آغاز شد و تا 6/2 میلیون سال پیش ادامه یافت.)

منابع

امیدی‌پور، رضا، مرادی، حمیدرضا، آرخی، صالح، (1392). مقایسة روش‌های طبقه‌بندی پیکسل پایه و شی‌ءگرا در تهیة نقشة کاربری اراضی با استفاده از داده‌های ماهواره‌ای، سنجش از دور و GIS ایران، دورة 5، شمارة 3، 110-99.

سارویی، سعید، (1378). بررسی امکان طبقه‌بندی جنگل به لحاظ تراکم در جنگل‌های زاگرس به کمک داده‌های ماهواره‌ای، پایان‌نامة کارشناسی ارشد، استاد راهنما: درویش‌صفت، علی‌اصغر، دانشگاه تهران، گروه جنگل.

علی‌بخشی، زهرا، علی‌خواه اصل، مرضیه، رضوانی، محمد، (1394). تهیة نقشة کاربری اراضی تالاب میقان با استفاده از روش طبقه‌بندی نظارت‌شده و فازی 2013، انسان و محیط زیست، دورة 32، شمارة 1، 23-11.

قربانی، رسول، پورمحمدی، محمدرضا، محمودزاده، حسن، (1392). رویکرد زیست‌محیطی در مدل‌سازی تغییرات کاربری اراضی محدودة کلان‌شهر تبریز با استفاده از تصاویر ماهواره‌ای چندزمانه‌ای، ارزیابی چندمعیاری و سلول‌های خودکار زنجیرة مارکف (1417-1363)، مطالعات شهری، دورة 2، شمارة 8، 30-13.

یوسفی، صالح، تازه، مهدی، میرزایی، سمیه، مرادی، حمیدرضا، توانگر، شهلا، (1393). مقایسة الگوریتم‌های مختلف طبقه‌بندی تصاویر ماهواره‌ای در تهیة نقشة کاربری اراضی (مطالعة موردی: شهرستان نور)، سنجش از دور و سامانة اطلاعات جغرافیایی در منابع طبیعی، دورة 5، شمارة 3، 76-67.

Abdullah, S.A., Nakagoshi,N., (2006). Changes in land scape spatial pattern in the highly developing state of Selangor, peninsular Malaysia, Landscape and Urban Planing, Vol 77 (3), Pp 263–275.

Abuelaish, B., Camacho Olmedo, M.T., (2016). Scenario of land use and land cover change in the Gaza Strip using remote sensing and GIS models, Arabian Journal of Geosciences, Vol 9 ,274 p.

Anand, J., Gosain, A.K., Khosa., R., (2018). Prediction of land use changes based on Land Change Modeler and attribution of changes in the water balance of Ganga basin to land use change using the SWAT model, Science of the Total Environment, Vol 644, Pp 503–519.

Berberoglu, S., Akin., A., (2009). Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean, International Journal of Applied Earth Observation and Geoinformation, Vol 11 (1), Pp 46–53.

Camacho Olmedo, M.T., Pontius, R.G., Paegelow, M., and Mas, J., (2015). Comparison of simulation models in terms of quantity and allocation of land change, Environmental Modelling & Software, Vol 69, Pp 214–221.

Castillo, C.R, Güneralp, I. ,and Güneralp, B., (2014). Influence of changes in developed land and precipitation on hydrology of a coastal Texas watershed, Applied Geography, Vol 47, Pp 154–167.

Chen, H., Pontius, Jr. R.G., (2010). Diagnostic tools to evaluate a spatial land change projection along a gradient of an explanatory variable, Landscape Ecology, Vol 25 (9), Pp 1319-1331.

Coppedge, B.R., D.M., Engle, S.D., Fuhlendorf., (2007). Markov models of land cover dynamics in a southern Great Plains grassland region, Landscape Ecology, Vol 22 (9), Pp 1383-1393.

Eastman, J.R., (2006). IDRISI Andes. Guide to GIS and Image Processing. Clark Labs, Clark University, Worcester, MA.

Eastman, J.R., (2009). IDRISI Taiga. Guide to GIS and Image Processing. Clark Labs, Clark University, Worcester, MA.

Eastman, J.R., Solorzano, L.A., and Van Fossen., M., (2005). Transition potential modeling for land-cover change. In: Maguire DJ, Batty M, Goodchild MF (eds) GIS, spatial analysis and modeling. ESRI Press, Redlands, Pp 357-386.

Eraso, N.R., Armenteras-Pascual, D., and Alumbreros., J.R. ,(2013). Land use and land cover change in the Colombian Andes: dynamics and future scenarios, Journal of Land Use Science, Vol 8 (2), Pp 154–174.

Fan, F., Wang, Y., and Wang, Z. ,(2008). Temporal and spatial change detecting (1998–2003) and predicting of land use and land cover in Core corridor of Pearl River Delta (China) by using TM and ETM+ images, Environmental Monitoring Assessment, Vol 137 (1-3), Pp 127-147.

Fraser, R.H., Abuelgasim, A., and Latifovic, R., (2005). A method for detecting large-scale forest cover change using coarse spatial resolution imagery, Remote Sensing of Environment, Vol 95 (4), Pp 414–427.

Gholami, M.H., Mokhayer, B., Bozorgnia, A., and Hosseinzadeh Sahafi, H. ,(2009). Prevalence and intensity of parasitic infection from (Leuciscus cephalus) and (Capoeta capoeta gracilis) of the Neka River, Journal of Marine Science and Technology Research, Vol 4 (3), Pp 59–66.

Gontier, M., Mörtberg, U., and Balfors, B., (2010). Comparing GIS-based habitat models for applications in EIA and SEA, Environmental Impact Assessment Review, Vol 30 (1), Pp 8-18.

Joorabian Shooshtari, S., Gholamalifard, M,. (2015). Scenario-based land cover change modeling and its implications for landscape pattern analysis in the Neka Watershed, Iran, Remote Sensing Applications: Society and Environment, Vol 1, Pp 1–19.

Joorabian Shooshtari, S., Shayesteh, K., Gholamalifard, M., Azari, M., and López-Moreno, J.I., (2018). Land cover change modelling in Hyrcanian forests, northern Iran: a landscape pattern and transformation analysis perspective. Cuadernos de Investigación Geográfica, Vol 44 (2) , Pp 743–761.

Khoi, D.D., Murayama, Y., (2010). Forecasting Areas Vulnerable to Forest Conversion in the Tam Dao National Park Region, Vietnam. Remote Sensing, Vol 2 (5), Pp 1249–1272.

Kim, O.S. (2010). An assessment of deforestation models for reducing emissions from deforestation and forest degradation (REDD). Transaction in GIS, Vol 14 (5), Pp 631–654.

Kumar, R., Nandy, S., Agarwal, R., and Kushwaha, S.P.S., (2014). Forest cover dynamics analysis and prediction modeling using logistic regression model. Ecological Indicators, Vol 45, Pp 444–455.

Lambin, E., Ehrlich, D., (1997). Land-cover changes in sub-saharan Africa (1982–1991): Application of a change index based on remotely-sensed surface temperature and vegetation indices at a continental scale. Remote Sensing of Environment, Vol 61(2), Pp 181–200.

Lin, L., Sills, E., and Cheshire, H., (2014). Targeting areas for Reducing Emissions from Deforestation and forest Degradation (REDD+) projects in Tanzania. Global Environmental Change, Vol 24, Pp 277–286.

Linkie, M., Smith, R.J., and Leader-Williams, N., (2004). Mapping and predicting deforestation patterns in the lowlands of Sumatra. Biodiversity and Conservation, Vol 13 (10), Pp 1809-1818.

Lo, C.P., Quattrochi, D.A., (2003). Land-Use and Land-Cover Change, Urban Heat Island Phenomenon, and Health Implications: A Remote Sensing Approach. Photogrammetric Engineering and Remote Sensing, Vol 69 (9), Pp 1053–1063.

Lollo, J.A., Guerrero, J.V.R., Abe, A., and Lorandi, R., (2019). Land Change, Soil Degradation Processes, and Landscape Management at the Clarinho River Watershed, Brazil, IAEG/AEG Annual Meeting Proceedings, San Francisco, California, Vol 2, Pp 99–106.

López, E., Bocco, G., Mendoza, M., and Duhau, E. ,(2001). Predicting land-cover and land-use change in the urban fringe: A case in Morelia city, Mexico. Landscape and Urban Planning, Vol 55 (4), Pp 271–285.

Mallinis, G., Emmanoloudis, D., Giannakopoulos, V., Maris, F., and Koutsias. N., (2011). Mapping and interpreting historical land cover/land use changes in a Natura 2000 site using earth observational data: The case of Nestos delta, Greece, Applied Geography, Vol 31 (1), Pp 312–320.

Mas, J.F., Kolb, M., Paegelow, M., Carmacho Olmedo, M.T., and Houet, T., (2014). Inductive pattern-based land use/cover change models: a comparison of four software packages, Environmental Modeling and Software, Vol 51, Pp 94–111.

Merten, B., Lambin, E.F., (1997). Spatial modeling of tropical deforestation in southern Cameroon: spatial disaggregation of diverse deforestation processes, Applied Geography, Vol 17, Pp 143–162.

Munsi, M., Areendran, G., and Loshi ,P.K., (2012). Modeling spatio-temporal change patterns of forest cover: a case study from the Himalayan foothills (India), Regional Environmental Change, Vol 12 (3), Pp 619–632.

Oñate-Valdivieso, F., Sendra, J.B., (2010). Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling, Journal of Hydrology, Vol 395 (3–4), Pp 256–263.

Pérez-Vega, A., Mas, J., and Ligmann-Zielinska, A., (2012). Comparing two approaches to land use/cover change modeling and their implications for the assessment of biodiversity loss in a deciduous tropical forest, Environmental Modelling & Software, Vol 29 (1), Pp 11–23.

Pijanowski, B.C., Brown, D.G., Shellito, B.A., and Manik, G.A., (2002). Using neural networks and GIS to forecast land use changes: a Land Transformation Model, Computers, Environment and Urban Systems, Vol 26 (6), Pp 553–575.

Rafiee, R., Salman Mahiny, A., and Khorasani, N., (2009). Assessment of changes in urban green spaces of Mashad city using satellite data, International Journal of Applied Earth Observation and Geoinformation, Vol 11 (6), Pp 431–438.

Russell-Smith, J., Yates, C., Edwards, A., Allen, G.E., Cook, G.D., Cooke, P., Craig, R., Heath, B., and Smith, R., (2003). Contemporary fire regimes of northern Australia, 1997–1380: change since Aboriginal occupancy, challenges for sustainable management, International Journal of Wildland Fire, Vol 12 (4), Pp 283–297.

Sangermano, F., Toledano, J., and Eastman, J., (2012). Land cover change in the Bolivian Amazon and its implications for REDD+ and endemic biodiversity, Landscape Ecology, Vol 27, Pp 571–584.

Shalaby, A., Tateishi., A., (2007). Remote sensing and GIS for Mapping and Monitoring Land Cover and Landuse changes in the northwestern coastal zone of Egypt, Applied Geography, Vol 27 (1), Pp 28–41.

Schulz, J.J., Cayuela, C., Echeverria, C., Salas, J., and Rey Benayas, J.M., (2010). Monitoring land cover change of the dryland forest landscape of Central Chile (1975–2008), Applied Geography, Vol 30 (3), Pp 436–447.

Schulz, J.J., Cayuela, L., Rey-Benayas, J., and Schroder, B., (2011). Factors influencing vegetation cover change in Mediterranean Central Chile (1975–2008), Applied Vegetation Science, Vol 14 (4), Pp 1-12.

Smailpour Podeh, S., Oladi, J., Pormajdian, M.R., and Zadeh, M., (2009). Forest change detection in the north of Iran using TM/ETM+ Imagery, Asian journal of applied sources, Vol 2 (6), Pp 464-474.

Talebi Amiri, S., Azari Dehkord, F., Sadeghi, S.H., and Soofbaf, S.R., (2009). Study on Landscape Degradation in Neka Watershed Using Landscape Metrics, Environmental Sciences, Vol 6 (3), Pp 133-144.

Thapa, R.B., Murayama ,Y., (2011). Urban growth modeling of Kathmandu metropolitan region, Nepal. Computers, Environment and Urban Systems, Vol 35 (1), Pp 25–34.

Wang, F., Jun, Y., Xu., (2010). Comparison of remote sensing change detection techniques for assessing hurricane damage to forests, Environmental Monitoring and Assessment, Vol 162 (1–4), Pp 311–326.

Wilson, C.O., Weng, Q., (2011). Simulating the impacts of future land use and climate changes on surface water quality in the Des Plaines River watershed, Chicago Metropolitan Statistical Area, Illinois, Science of the Total Environment, vol 409 (20), Pp 4387–4405.

Yu, W., Zang, S., Wu, C. , Liu, W., and Na, X., (2011). Analyzing and modeling land use land cover change (LUCC) in the Daqing City, China, Applied Geography, Vol 31 (2), Pp 600-608.

Zhu, Y., Lu, X., and Zhou, Y., (2007). Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology, Vol 84, Pp 111–125.