| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,012 |
| تعداد مقالات | 33,667 |
| تعداد مشاهده مقاله | 44,676,895 |
| تعداد دریافت فایل اصل مقاله | 36,031,557 |
ارزیابی و پیش‌بینی تغییرات پوشش/کاربری زمین با استفاده از مدل سلول خودکار- شبکة عصبی مصنوعی (CA-ANN) در دشت داراب استان فارس | ||
| پژوهش های آبخیزداری | ||
| مقاله 5، دوره 38، شماره 2 - شماره پیاپی 147، تیر 1404، صفحه 62-82 اصل مقاله (1.86 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2024.366754.1592 | ||
| نویسندگان | ||
| فاطمه عابدی1؛ عطااله کاویان* 2؛ لیلا غلامی3؛ وحید موسوی4 | ||
| 1دانش آموختة دکتری، گروه مهندسی آبخیزداری، دانشکدة منابع‌طبیعی، دانشگاه علوم کشاورزی و منابع‌طبیعی ساری، ایران | ||
| 2استاد گروه مهندسی آبخیزداری، دانشکدة منابع‌طبیعی، دانشگاه علوم کشاورزی و منابع‌طبیعی ساری، ایران | ||
| 3دانشیار گروه مهندسی آبخیزداری، دانشکدة منابع‌طبیعی ساری، دانشگاه علوم کشاورزی و منابع‌طبیعی ساری، ایران | ||
| 4استادیار، گروه مهندسی آبخیزداری، دانشکدة منابع‌طبیعی، دانشگاه تربیت مدرس، نور، ایران | ||
| چکیده | ||
| مقدمه و هدف بررسی شیوة کاربری و نوع پوشش زمین، نقش مهمی در برنامهریزی مدیریت و حفاظت منابع ایفا می‌کند و زمینة ارتقاء نگرش اصولی به ساختارهای زیست‌محیطی را فراهم می‌آورد. توسعة شهری به‌طور قابل توجهی بر کاربری و پوشش زمین تأثیرگذار است. به این دلیل، در سالهای گذشته بیش از نیمی از سطح زمین دست‌خوش تغییرات‌شده است و بیش از یک‌سوم مساحت زمین متعلق به زمینهای کشاورزی است. مدیران و کارشناسان کاربری زمین با توجه به این تغییرات عمده، تأثیر تغییر کاربری زمین بر فرایندهای آب‌شناختی را بررسی کرده‌اند. در این راستا، به روش‌های یادگیری ماشین، مانند شبکة عصبی مصنوعی (ANN) ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، درخت تصمیم (DT) و دیگر مدل‌ها، برای طبقهبندی پوشش/کاربری زمینهای LULC توجه زیادی شده است. برنامه‌‌ریزان و مدیران میتوانند از تغییرات پیشبینیشدة LULC برای ارتقای مدیریت پایدار زمین و کاهش پیامدهای نامطلوب استفاده کنند. در نتیجه، تشخیص و پیش‌بینی تغییرات کاربری زمین (LULC) که ناشی از شهرنشینی سریع است، می‌تواند به اختلال در پایداری محیط زیست منجر شود. از سوی دیگر، شدت این تغییرات در پاسخ به رشد جمعیت جهان و افزایش نیاز به غذا، ضرورت انجام پژوهش‌های دقیق در این باره را دوچندان می‌کند. ازاین‌رو، هدف این پژوهش، مشاهدة تغییرات کاربری زمین در سالهای 2000، 2014 و 2024 در منطقه داراب بود. همچنین در این پژوهش نیروی محرکه برای تغییراتLULC نیز شناسایی شد و از مدل سلول خودکار - شبکة عصبی مصنوعی (CA-ANN) نیز برای تجزیه و تحلیل الگوها و روندهای پیشبینیشدة کاربری زمین از سال 2034 تا 2044 استفاده شد. مواد و روش‌ها طبقهبندی کاربری زمین تصویرهای ماهواره‌ای با پیاده‌سازی روش طبقهبندی مبتنی بر پیکسل و نظارت به‌وسیلة موتور جستجوگر گوگل ارث انجام شد. طبقهبندی کاربری زمین با استفاده از مدل ماشین بردار پشتیبان SVM انجام شد. پس از تجزیه و تحلیل منطقة مطالعه‌شده به پنج طبقة کاربری گوناگون شامل مراتع، زمینهای بایر، باغ، کشاورزی و شهری تقسیم شد. از آنجایی که برای ارزیابی تغییرات کاربری زمین به‌شکل مکانی و زمانی، مدل‌سازی توان انتقال و پیش‌بینی سناریوهای آینده سازگار است، از روش شبکة عصبی مصنوعی-سلول خودکار (CA-ANN) برای پیش‌بینی تغییرات کاربری زمین استفاده شد. پلاگین MOLUSCE در QGIS برای ایجاد تغییرات مکانی-زمانی با یک دورة زمانی 2034 تا 2044 و محاسبة انتقال LULC برای تهیة نقشة تغییر LULC اجرا شد. همچنین یک ماتریس توان انتقال میان سالهای 2014-2000 برای تهیة نقشة تغییر ایجاد شد. روش نورون ادراکی چندلایه (ANN-MLP)-ANN برای مدل‌سازی توان انتقال استفاده شد. شیب، جهت، بلندی و فاصله از جاده، گسل و رود، سنجه‌های مکانی بودند که به‌عنوان سنجه‌های ورودی اجرا شدند. ساختار ANN-MLP ، مکانی بود که لایة ورودی به‌وسیلة لایه‌‌های پنهان پردازش شد و لایة خروجی شامل طبقه‌‌های LULC دوباره طبقه‌بندی‌شده بود. نتایج و بحث در این پژوهش، نقشههای تغییرات کاربری زمین (LULC) که از سال 2000 تا 2024 تهیه شدند، نشان‌دهندة افزایش چشمگیر وسعت زمینهای کشاورزی در منطقه بودند. نتایج نشان داد بوم‌سازگان طبیعی این دشت به‌دلیل روند رو به رشد تغییرات و تبادلات کاربری زمینها، با چالش‌های جدی مواجه خواهد بود. این تغییرات ناشی از بهره‌برداری‌های غیراصولی و غیرمنطقی از منابع در نتیجة فعالیت‌های انسانی (شهرنشینی، کشاورزی نامناسب، حفر چاه‌ها و استفاده بی‌رویه از منابع آب زیرزمینی برای کشت باغ‌ها) است. این عامل‌ها میتوانند سبب فرسایش و بیابان زایی در این منطقه شوند و تهدیدی جدی برای محیط زیست به‌شمار آیند. از سوی دیگر، تغییر کاربری زمینهای کشاورزی، با تغییرات قابل توجه و گسترده‌ای در زمینهای بایر همراه است. نقشههای پیش‌بینی از سال 2034 تا 2044 نمایانگر رشد پیوسته در الگوی کاربری زمینهای کشاورزی بود. در این راستا، درصد تغییرات این زمینها از سال 2034 با مساحت 455/65 کیلومترمربع (18/52%) به مساحت 708/81 کیلومترمربع (28/81%) در سال 2044 افزایش یافت. صحت شبیه‌‌سازی 82/43% و اندازة کاپا کلی 0/72 برآورد شد. بر اساس نتایج این پژوهش، در طول دورة مطالعه‌شده، عامل‌های فیزیکی و اجتماعی-اقتصادی تأثیر قابل‌توجهی بر الگوهای منظر داشتند. متغیرهای جغرافیایی موجود در واسنجی مدل به‌دلیل رابطة معنی‌دار آن‌ها با LULC انتخاب شدند. می‌توان گفت که متغیرهای فیزیکی، مانند جغرافیا و آب و هوا، مهم‌ترین عامل در ترویج فعالیت‌های انسانی هستند. عامل‌های اجتماعی-اقتصادی، مانند جمعیت و تولید ناخالص داخلی، ممکن است بر تغییر LULC تأثیرگذار باشند. نتیجه‌گیری و پیشنهادها تغییر الگوهای LULC بر کیفیت آب زیرزمینی تأثیر منفی می‌گذارد و همچنین امنیت غذایی را به خطر می‌اندازد. برای طبقهبندی LULC، از ماشین بردار پشتیبان (SVM) برای مشاهدة دقیق تغییرات پوشش زمین و روند آن استفاده شد. بر اساس نتایج این پژوهش می‌توان گفت هرگونه تغییر در کاربری زمینها می‌‌بایست بر اساس روشنگری‌های منطقی و برنامه‌ریزی‌شده مبتنی بر اصول علمی باشد؛ به‌‌طوری‌که استفاده از روش‌های به‌‌روز و کارآمد همچون روش سنجش از دور و سامانه‌‌های اطلاعات جغرافیایی لازم و ضروری است. ازاین‌رو، پیشنهاد می‌شود که نقشههای پیش‌بینی‌شده برای آینده از وضعیت کاربری زمینها در این پژوهش، الگویی برای برنامهریزی آمایش سرزمین به‌وسیلة برنامه‌‌ریزان، مسئولان و متصدیان مربوطه باشد تا به این شیوه، از بروز خسارت‌های جبران‌ناپذیر محیطی (تخلیه منابع آب زیرزمینی، بیابان‌زایی، فرونشست زمین) در دشت داراب در آینده جلوگیری شود. با توجه به افزایش نرخ مساحت تحت پوشش کاربری کشاورزی، روند زمینهای بایر در نقشههای شبیه‌سازی‌شده کاهشی بود. همچنین، عامل محرک تغییر کاربری زمینها در داراب وابسته به نرخ سریع افزایش جمعیت، افزایش تقاضا و تبدیل دیگر کاربری‌‌ها به کشاورزی، باغ و مناطق مسکونی، بود. | ||
| کلیدواژه‌ها | ||
| پلاگین MOLUSCE؛ ماشین بردار پشتیبانی (SVM)؛ مدل ANN-MLP؛ QGIS؛ موتور گوگل ارث | ||
| عنوان مقاله [English] | ||
| Evaluation and Prediction of Land Cover/Use Changes Using Automatic Cell-Artificial Neural Network (CA-ANN) Model in the Darab Plain of Fars Province | ||
| نویسندگان [English] | ||
| Fatemeh Abedi1؛ Ataollah Kavian2؛ Leila Gholami3؛ Vahid Mousavi4 | ||
| 1Ph.D., Department of Watershed Management, Faculty of Natural Resources, Sari University of Agricultural Sciences and Natural Resources, Sari, Iran | ||
| 2Professor, Department of Watershed Management, Faculty of Natural Resources, Sari University of Agricultural Sciences and Natural Resources, Sari, Iran | ||
| 3Associate Professor of Watershed Management Department, Sari Faculty of Natural Resources, Sari University of Agricultural Sciences and Natural Resources, Sari, Iran | ||
| 4Assistant Professor, Department of Watershed Management, Faculty of Natural Resources, Tarbiat Modares University, Noor, Iran | ||
| چکیده [English] | ||
| Introduction and Goal The analysis of land use and land cover patterns plays a significant role in resource management and conservation planning, while providing a foundation for systematic approaches to environmental structures. Urban development has notably impacted land use and land cover. As a result, over half of the Earth's surface has undergone changes in recent years, with more than one-third of the land area dedicated to agricultural use. Given these substantial transformations, land use managers and experts have examined the hydrological impacts of land use changes. In this context, machine learning methods such as Artificial Neural Networks (ANN), Support Vector Machines (SVM), Random Forest (RF), Decision Trees (DT), and other models have received considerable attention for land use/land cover (LULC) classification. Planners and managers can utilize predicted LULC changes to promote sustainable land management and reduce adverse consequences. Consequently, detecting and predicting land use changes (LULC) driven by rapid urbanization can lead to disruptions in environmental sustainability. Population growth, economic development, and agricultural expansion are factors contributing to various changes in land covers, including vegetation and water. These persistent land use changes may result in environmental degradation. On the other hand, the intensity of these changes, in response to global population growth and increasing food demands, further emphasizes the need for precise research in this area. Therefore, this study aimed to observe land use changes in 2000, 2014, and 2024 in the Darab region. Additionally, the driving forces behind LULC changes were identified, and the Cellular Automata-Artificial Neural Network (CA-ANN) model was used to analyze predicted land use patterns and trends from 2034 to 2044. Materials and Methods Land use classification of satellite images was performed using a pixel-based supervised classification approach in the Google Earth Engine environment. The Support Vector Machine (SVM) model was employed for land use classification. Following the analysis, the study area was categorized into five distinct land use classes: rangelands, barren lands, orchards, agricultural lands, and urban areas. Since modeling land use transitions and predicting future scenarios is essential for spatiotemporal change assessment, the Cellular Automata-Artificial Neural Network (CA-ANN) method was used to forecast land use changes. The MOLUSCE plugin in QGIS was applied to analyze spatiotemporal changes (2034–2044) and compute Land Use/Land Cover (LULC) transitions for generating change maps. A transition potential matrix was also created for the years 2000–2014 to produce a change map. The Multilayer Perceptron Neural Network (ANN-MLP) was utilized for transition potential modeling, with slope, aspect, elevation, and distance from roads, faults, and rivers serving as spatial input metrics. The ANN-MLP structure processed input data through hidden layers, with the output layer containing reclassified LULC categories. Results and Discussion The LULC change maps (2000–2024) revealed a significant expansion of agricultural land in the region. Findings indicated that the natural ecosystems of the plain would face serious challenges due to increasing land use transitions. These changes stem from unsustainable exploitation of resources, driven by human activities such as urbanization, improper farming, excessive well-digging, and overuse of groundwater for irrigation, which may lead to soil erosion and desertification. Additionally, agricultural land conversion was accompanied by substantial changes in barren lands. The 2034–2044 prediction maps showed a continuous rise in agricultural land use, increasing from 65.455 km² (18.52%) in 2034 to 81.708 km² (28.81%) in 2044. The simulation accuracy was 82.43%, with a Kappa coefficient of 0.72. The study confirmed that physical and socio-economic factors significantly influenced landscape patterns. Geographical variables were selected for model calibration due to their strong correlation with LULC changes. Physical factors (e.g., terrain, climate) were the primary drivers of human activities, while socio-economic factors (e.g., population growth, GDP) also impacted LULC dynamics. Conclusion and Suggestions LULC pattern changes negatively affect groundwater quality and threaten food security. The SVM model proved effective for precise land cover monitoring. The study highlights that any land use modifications must follow scientific, data-driven planning, incorporating remote sensing and GIS technologies to prevent irreversible environmental damage (e.g., groundwater depletion, desertification, land subsidence) in Darab Plain. The projected LULC maps should serve as a guideline for land-use planners and policymakers to regulate agricultural expansion, urbanization, and orchard development. The decline in barren lands in simulated maps reflects rapid population growth, rising demand, and land conversion to farms, orchards, and residential zones as key drivers in Darab. | ||
| کلیدواژه‌ها [English] | ||
| ANN-MLP model, google earth engine, Support Vector Machine (SVM), MOLUSCE plugin, QGIS | ||
| مراجع | ||
|
Andriani S, Nikjo M R, Rezaei Moghadam M H, Mokhtari D. 2017. Analysis of land use changes using object-oriented methods and Markov chain in Zilbirchai watershed located in East and West Azerbaijan. Geography and Development Quarterly. 53(16): 37-50. (In Persian). https://doi.org/10.22111/gdij.2018.4149 Amanpour S, Kamli Far M J, Behmai H. 2016. Analysis of land use changes in metropolitan cities using satellite image analysis (case study: Ahvaz metropolitan area). Sepehr Geographical Information. 26(102): 139-150. (In Persian). https://doi.org/10.22131/sepehr.2017.27463 Aung T S, Fischer T B, Buchanan J. 2020. Land use and land cover changes along the China-Myanmar Oil and Gas pipelines-monitoring infrastructure development in remote conflict-prone regions. PloS One. 15(8): e0237806. https://doi.org/10.1371/journal.pone.0237806 Abdullah J. 2012. City competitiveness and urban sprawl: Their implications to socio-economic and cultural life in Malaysian cities. Procedia-Social and Behavioral Sciences. 50: 20-29. https://doi.org/10.1016/j.sbspro.2012.08.012 Alexakis DD, Agapiou A, Tzouvaras M, Themistocleous K, Neocleous K, Michaelides S, Hadjimitsis DG. 2014. Integrated use of GIS and remote sensing for monitoring landslides in transportation pavements: the case study of Paphos area in Cyprus. Natural Hazards. 72: 119-141. https://doi.org/10.3390/rs3122605 Akinyemi F O. 2017. Land change in the central Albertine rift: Insights from analysis and mapping of land use-land cover change in north-western Rwanda. Applied Geography. 87: 127-138. https://doi.org/10.1016/j.apgeog.2017.07.016 Al-Najjar H A, Kalantar B, Pradhan B, Saeidi V, Halin A A, Ueda N, Mansor S. 2019. Land cover classification from fused DSM and UAV images using convolutional neural networks. Remote Sensing 11(12): 1461. https://doi.org/10.3390/rs11121461 Abbas Z, Yang G, Zhong Y, Zhao Y. 2021. Spatiotemporal change analysis and future scenario of LULC using the CA-ANN approach: A case study of the greater bay area, china. Land. 10(6):584. https://doi.org/10.3390/land10060584 Congalton R, Green K. 2008. Thematic accuracy. Assess. Accur. Remote Sens. Data Princ. 4: 55 -61. https://doi.org/10.1201/9781420055139 Carranza-García M, García-Gutiérrez J, Riquelme JC. 2019. A framework for evaluating land use and land cover classification using convolutional neural networks. Remote Sensing. 11(3): 274. https://doi.org/10.3390/rs11030274 Cortes C, Vapnik V. 1995. Support-vector networks. Machine learning. 20: 273-297. Díaz G I, Nahuelhual L, Echeverría C, Marín S. 2011. Drivers of land abandonment in Southern Chile and implications for landscape planning. Landscape and Urban Planning. 99(3-4): 207-217. https://doi.org/10.1016/j.landurbplan.2010.11.005 Dey NN, Al Rakib A, Al Kafy A, Raikwar V. 2021. Geospatial modelling of changes in land use/land cover dynamics using Multi-layer perception Markov chain model in Rajshahi City, Bangladesh. Journal of Environmental Challenges. 4: 100148. https://doi.org/10.1016/j.envc.2021.100148 El-Gammal EA, Salem SM, El-Gammal AEA. 2010. Change detection studies on the world’s biggest artificial lake (Lake Nasser, Egypt). The Egyptian Journal of Remote Sensing and Space Science.13(2):89-99. https://doi.org/10.1016/j.ejrs.2010.08.001 El-Tantawi A M, Bao A, Chang C, Liu Y. 2019. Monitoring and predicting land use/cover changes in the Aksu-Tarim River Basin, Xinjiang-China (1990–2030). Environmental Monitoring and Assessment. 191: 1-18. https://doi.org/10.1007/s10661-019-7478-0 Fei L, Shuwen Z, Jiuchun Y, Liping C, Haijuan Y, Kun B. 2018. Effects of land use change on ecosystem services value in West Jilin since the reform and opening of China. Ecosystem Services.31:12-20. https://doi.org/10.1016/j.ecoser.2018.03.009 Guangjin T, Xinliang X, Xiaojuan L, Lingqiang K. 2016. The Comparison and Modeling of the Driving Factors of Urban Expansion for Thirty‐Five Big Cities in the Three Regions in China. Advances in Meteorology. 2016(1): 3109396. https://doi.org/10.1155/2016/3109396 Hassan A A G, Ngah I, Applanaidu S D. 2018. Agricultural transformation in Malaysia: The role of smallholders and area development. Development. 15(2): 1-56. Guerra F, Puig H, Chaume R. 1998. The forest-savanna dynamics from multi-date Landsat-TM data in Sierra Parima. Venezuela. International Journal of Remote Sensing. 19(11): 2061-2075. https://doi.org/10.1080/014311698214866 Gao J, Liu Y. 2010. Determination of land degradation causes in Tongyu County, Northeast China via land cover change detection. International Journal of Applied Earth Observation and Geoinformation. 12(1): 9-16. https://doi.org/10.1016/j.jag.2009.08.003 Houghton R A. 1994. The worldwide extent of land-use change. Bio Science. 44: 305–313. https://doi.org/10.2307/1312380. Hyandye C, Mandara C G, Safari J. 2015. GIS and logit regression model applications in land use/land cover change and distribution in Usangu catchment. Am. J. Remote Sens. 3(6): https://doi.org/10.11648/j.ajrs.20150301.12 Hussain M, Chen D, Cheng A, Wei H, Stanley D. 2013. Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing. 80: 91-106. https://doi.org/10.1016/j.isprsjprs.2013.03.006 Halisaz A, Mahmoodabadi S, Mohammadi Kangrani H, Ghalami H. 2019. Prediction of land use changes in Sirjan Plain using Markov-Selvaler chain. Quantitative Geomorphology Research. 9(1): 116-102. (In Persian). https://doi.org/10.22034/gmpj.2020.109537 Iqbal M F, Khan I A. 2014. Spatiotemporal land use land cover change analysis and erosion risk mapping of Azad Jammu and Kashmir, Pakistan. The Egyptian Journal of Remote Sensing and Space Science. 17(2): 209-229. https://doi.org/10.1016/j.ejrs.2014.09.004 Imani Harsini J, Kabuli M, Faqhi Taherzadeh A, Asadi A. 2013. Investigating the trend of land use-cover changes in Hamedan province in the last three decades using satellite images. Journal of Natural Environment, Natural Resources of Iran. 67(1):1-12. (In Persian). https://doi.org/10.22059/jne.2014.50995 Jiang XianDie JX, Lu DengSheng LD, Moran E, Calvi MF, Dutra LV, Li GuiYing LG. 2018. Examining impacts of the Belo Monte hydroelectric dam construction on land-cover changes using multitemporal Landsat imagery. 97:35-47. https://doi.org/10.1016/j.apgeog.2018.05.019 Karimian K, Amini A, Bagheri Badaghabadi M, Ghayoumi Mohammadi H. 2019. Monitoring land use changes using Landsat satellite images (Case study: Khanmirza Plain). Human Geography Research. 52(2): 419-436. (In Persian). https://doi.org/10.22059/jhgr.2018.258473.1007708 Kavian A, Zargush Z, Jafarian Jolodar Z, Darabi H. 2016. Modeling land use changes in Haraz watershed using logistic regression and Markov chain. Natural Environment (Natural Resources of Iran). 70(2): 397-412. (In Persian). Kavian A, Hoseinpoor Sabet S, Solaimani K, Jafari B. 2017. Simulating the effects of land use changes on soil erosion using RUSLE model. Geocarto International. 32(1): 97-111. https://doi.org/10.1080/10106049.2015.1130083 Kavian A, Golshan M, Abdollahi Z. 2017. Flow discharge simulation based on land use change predictions. Environmental Earth Sciences. 76: 1-17. https://doi.org/10.1007/s12665-017-6906-0 Kavian A, Javidan N, Bahrehmand A, Gyasi-Agyei Y, Hazbavi Z, Rodrigo-Comino J. 2020. Assessing the hydrological effects of land-use changes on a catchment using the Markov chain and WetSpa models. Hydrological Sciences Journal. 65(15):2604-2615. https://doi.org/10.1080/02626667.2020.1797046 Lipczynska-Kochany E. 2018. Effect of climate change on humic substances and associated impacts on the quality of surface water and groundwater: A review. Science of the Total Environment.640:1548-1565. https://doi.org/10.1016/j.scitotenv.2018.05.376 Lamchin M, Lee W K, Jeon S W, Wang S W, Lim C H, Song C, Sung M. 2018. Long-term trend and correlation between vegetation greenness and climate variables in Asia based on satellite data. Science of the Total Environment. 618:1089-1095. https://doi.org/10.1016/j.scitotenv.2017.09.145 Laliberte A S, Rango A, Havstad K M, Paris J F, Beck R F, McNeely R, Gonzalez A L. 2004. Object-oriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico. Remote sensing of Environment. 93(1-2): 198-210. Li X, Wang Y, Li J, Lei B. 2016. Physical and socioeconomic driving forces of land‐use and land‐cover changes: A case study of Wuhan City, China. Discrete Dynamics in Nature and Society. 2016(1): 8061069. https://doi.org/10.1155/2016/8061069 Mohammadi A, Shahabi H, Bin Ahmad B. 2019. Land-Cover Change Detection in a Part of Cameron Highlands, Malaysia Using ETM+ Satellite Imagery and Support Vector Machine (SVM) Algorithm. EnvironmentAsia. 12(2). https://doi.org/10.14456/ea.2019.36 Ma L, Li M, Ma X, Cheng L, Du P, Liu Y. 2017. A review of supervised object-based land-cover image classification. ISPRS Journal of Photogrammetry and Remote Sensing. 130: 277-293. https://doi.org/10.1016/j.isprsjprs.2017.06.001 M'Barek SA, Bouslihim Y, Rochdi A, Miftah A, Beroho M. 2024. The combined impact of climate change scenarios and land use changes on water resources in a semi-arid watershed. Scientific African. e02319. https://doi.org/10.1016/j.sciaf.2024.e02319 Memarian H, Balasundram SK, Talib JB, Sung CTB, Sood AM, Abbaspour K. 2012. Validation of CA-Markov for simulation of land use and cover change in the Langat Basin, Malaysia. https://doi.org/10.4236/jgis.2012.46059 Mohammadi H, Karmi M, Hassanzadeh Kayani B, Manouri S M. 2013. Investigating the habitat changes of the Iranian yellow deer in the national parks and protected areas of Dez and Karkheh using RS and GIS. Animal Ecology. 6(3): 153-160. magiran.com/p1331720. (In Persian). Maleki M, Rahmati M, Javan F. 2014. Evaluation of the role of dam construction in agricultural development using remote sensing (Case study: Sedgavshan and Suleiman Shah). National Conference on the Application of Advanced Spatial Analysis Models (Remote Sensing and GIS) in Land Planning, Yazd. (In Persian). https://civilica.com/doc/365126/ NeddR, Light K, Owens M, James N, Johnson E, Anandhi A. 2021. A synthesis of land use/land cover studies: Definitions, classification systems, meta-studies, challenges and knowledge gaps on a global landscape. Land. 10(9):994. https://doi.org/10.3390/land10090994 Pocewicz A, Nielsen-Pincus M, Goldberg CS, Johnson M H, Morgan P, Force J E, Vierling L. 2008. Predicting land use change: comparison of models based on landowner surveys and historical land cover trends. Landscape Ecology. 23(2):195-210. https://doi.org/10.1007/s10980-007-9159-6 Piquer-Rodríguez M, Kuemmerle T, Alcaraz-Segura D, Zurita-Milla R, Cabello J. 2012. Future land use effects on the connectivity of protected area networks in southeastern Spain. Journal for Nature Conservation. 20(6): 326-336. https://doi.org/10.1016/j.jnc.2012.07.001 Richards JA, Jia X. 2006. Image classification methodologies. Remote sensing digital image analysis: An introduction. Remote sensing digital image analysis: An introduction, 295-332. Rahman MTU, Tabassum F, Rasheduzzaman M, Saba H, Sarkar L, Ferdous J, Zahedul Islam AZM. 2017. Temporal dynamics of land use/land cover change and its prediction using CA-ANN model for southwestern coastal Bangladesh. Environmental Monitoring and Assessment. 189: 1-18. ttps://doi.org/ 10.1007/s10661-017-6272-0 Qadri Sh, Zare Chahoki MA, Azarnivand H, Tavali A, Raigani B. 2019. Prediction of land use changes using Markov-CA model (case study: city: Eshthard). Scientific Journal Marte. 14(1): 147-160. (In ersian). http://rangelandsrm.ir/article-1-873-fa.html Rahnama MR. 2021. Forecasting land-use changes in Mashhad Metropolitan area using Cellular Automata and Markov chain model for 2016-2030. Sustainable Cities and Society. 64: 102548. https://doi.org/10.1016/j.scs.2020.102548 Serneels S, Lambin E F. 2001. Proximate causes of land-use change in Narok District, Kenya: A spatial statistical model. Agriculture, Ecosystems and Environment. 85(1-3): 65-81. https://doi.org/10.1016/S0167-8809(01)00188-8 Sajan B, Mishra VN, Kanga S, Meraj G, Singh SK, Kumar P. 2022. Cellular automata-based artificial neural network model for assessing past, present, and future land use/land cover dynamics. Agronomy. 12(11):2772. https://doi.org/10.3390/agronomy12112772 Salehi N, Ekhsati MR, Talebi A. 2018. Forecasting the trend of land use changes using the Markov chain model Markov-CA (case study: Safaroud Ramsar Watershed). Remote Sensing and Geographic Information System in Natural Resources. 1(10): 12-106. (In Persian). Seto KC, Kaufmann RK. 2003. Modeling the drivers of urban land use change in the Pearl River Delta, China: Integrating remote sensing with socioeconomic data. Land Economics. 79(1): 106-121. https://doi.org/10.2307/3147108 Seto KC, Kaufmann RK. 2005. Using logit models to classify land cover and land‐cover change from Landsat Thematic Mapper. International Journal of Remote Sensing. 26(3): 563-577. https://doi.org/10.1080/01431160512331299270 Srivastava P K, Han D, Rico-Ramirez M A, Bray M, Islam T. 2012. Selection of classification techniques for land use/land cover change investigation. Advances in Space Research. 50(9):1250-1265. https://doi.org/10.1016/j.asr.2012.06.032 Talukdar S, Singha P, Mahato S, Praveen B, Rahman A. 2020. Dynamics of ecosystem services (ESs) in response to land use land cover (LU/LC) changes in the lower Gangetic plain of India. Ecological Indicators. 112: 106121. https://doi.org/10.1016/j.ecolind.2020.106121 Theobald DM, Hobbs NT. 1998. Forecasting rural land-use change: a comparison of regression-and spatial transition-based models. Geographical and Environmental Modelling. 2: 65-82. https://doi.org/10.1007/s10980-007-9159-6 Ullah S, Ahmad K, Sajjad RU, Abbasi AM, Nazeer A, Tahir AA. 2019. Analysis and simulation of land cover changes and their impacts on land surface temperature in a lower Himalayan region. Journal of Environmental Management.245:348-357. https://doi.org/10.1016/j.jenvman.2019.05.063 Vapnik VN, Vapnik V. 1998. Statistical learning theory. Wu Q, Li HQ, Wang RS, Paulussen J, He Y, Wang M, Wang Z. 2006. Monitoring and predicting land use change in Beijing using remote sensing and GIS. Landscape and Urban Planning.78(4):322-333. https://doi.org/10.1016/j.landurbplan.2005.10.002 Wu R, Li Z, Wang S. 2021. The varying driving forces of urban land expansion in China: Insights from a spatial-temporal analysis. Science of The Total Environment. 766: 142591. https://doi.org/10.1016/j.landurbplan.2018.03.004 Wang B, Hu C, Zhang Y. 2024. Multi-scenario simulation of the impact of land use change on the ecosystem service value in the Suzhou-Wuxi-Changzhou Metropolitan Area, China. Chinese Geographical Science. 34(1):79-92. https://doi.org/10.1007/s11769-023-1397-2 Wang Q, Guan Q, Lin J, Luo H, Tan Z, Ma Y. 2021. Simulating land use/land cover change in an arid region with the coupling models. Journal of Ecological Indicators. 122: 107231. https://doi.org/10.1016/j.ecolind.2020.107231 Yiridomoh GY, Appiah DO, Owusu V, Bonye SZ. 2021. Women smallholder farmers off-farm adaptation strategies to climate variability in rural Savannah, Ghana. Geo Journal. 86: 2367-2385. https://doi.org/ 10.22004/ag.econ.277796 Yin J, Yin Z, Zhong H, Xu S, Hu X, Wang J, Wu J. 2011. Monitoring urban expansion and land use/land cover changes of Shanghai metropolitan area during the transitional economy (1979–2009) in China. Environmental monitoring and assessment.177:609-621. https://doi.org/10.1007/s10661-010-1660-8 Yatoo SA, Sahu P, Kalubarme MH, Kansara BB. 2020. Monitoring land use changes and its future prospects using cellular automata simulation and artificial neural network for Ahmedabad city, India. Geo Journal. 85: 1-22. https://doi.org/10.1007/s10708-020-10274-5 Zhang C, Sargent I, Pan X, Li H, Gardiner A, Hare J, Atkinson PM. 2019. Joint deep learning for land cover and land use classification. Remote Sensing of Environment. 221: 173-187. https://doi.org/10.1016/j.rse.2018.11.014 Zhou Q, Ou X, Zhang Z, Yang M. 2008. Spatial-temporal land use pattern changes in Manwan hydropower station reservoir of Lancang River, Yunnan, China. Journal of Mountain Science. 26(4):481-489. https://doi.org/10.1016/j.proenv.2010.10.096 | ||
|
آمار تعداد مشاهده مقاله: 379 تعداد دریافت فایل اصل مقاله: 8 |
||