دینامیک رشد فضایی گذشته و آینده شهر چیهواهوا، مکزیک: فشارها برای استفاده از زمین

خلاصه

در این مطالعه، انتقال استفاده از زمین که در مناطق شهری و پیرامونی شهر چیهواهوا، مکزیک رخ داده است، برای دوره 1989-2014 تعیین شد. صحنه های Landsat TM و OLI و همچنین از روش زنجیره مارکوف (MC) استفاده شد. علفزارها و بوته زارها کاربری هایی بودند که بیشترین فشار را برای استفاده از زمین داشتند. علفزارها 23.5 درصد از مساحت را در سال 1989 اشغال کردند که در سال 2014 به 16.01 درصد کاهش یافت. به همین ترتیب، بوته زارها از 54.53 درصد به 48.06 درصد کاهش یافت. مناطق اشغال شده توسط اراضی زراعی، جنگل بلوط، بدنه های آبی و پوشش گیاهی ساحلی به طور کلی ثابت ماندند. در مقابل، محدوده شهری از 13.6 درصد به 28.6 درصد از کل منطقه مورد مطالعه افزایش یافته است. علاوه بر این، پیش‌بینی‌های کاربری زمین برای سال‌های 2019 و 2024 از طریق روش MC و اتوماتای سلولی (CA) ایجاد شد. طبق پیش بینی ها، با تایید 0.90، سکونتگاه های انسانی به گسترش خود ادامه می دهند و 38.57٪ تا سال 2019 و تقریباً نیمی از قلمرو مورد مطالعه (47.33٪) تا سال 2024 را اشغال می کنند. اکوسیستم هایی که بیشترین فشار را برای تغییر کاربری زمین دارند، علفزارها خواهند بود. و بوته زارها تا سال 2024، اولی 15.8٪ و دومی 16.7٪ از منطقه را از دست می دهد. این روش‌ها برای برنامه‌ریزی شهری ارزشمند هستند و نتایج می‌تواند از برنامه‌های رشد شهر چیهواهوا، مکزیک با رویکردی پایدار حمایت کند. 8٪ در حالی که دومی 16.7٪ از منطقه را از دست می دهد. این روش‌ها برای برنامه‌ریزی شهری ارزشمند هستند و نتایج می‌تواند از برنامه‌های رشد شهر چیهواهوا، مکزیک با رویکردی پایدار حمایت کند. 8٪ در حالی که دومی 16.7٪ از منطقه را از دست می دهد. این روش‌ها برای برنامه‌ریزی شهری ارزشمند هستند و نتایج می‌تواند از برنامه‌های رشد شهر چیهواهوا، مکزیک با رویکردی پایدار حمایت کند.

کلید واژه ها:

تغییر کاربری زمین ؛ مارکوف _ اتوماتای سلولی ; ماتریس انتقال

1. معرفی

افزایش جمعیت و شهرنشینی یکی از پیچیده ترین فرآیندها است زیرا شامل تغییرات در کاربری زمین و پوشش گیاهی در مقیاس محلی، منطقه ای و جهانی است [ 1 ، 2 ]. اگرچه مناطق شهری تنها 2 درصد از سطح سیاره را پوشش می دهند، اما به طور قابل توجهی چشم انداز طبیعی را تغییر داده اند [ 3 ، 4 ، 5 ، 6 ]. در طول دهه گذشته، پراکندگی شهری به دلیل رشد شتابان سکونت‌گاه‌های انسانی روی کره زمین و تأثیر زیاد این پدیده به موضوعی مورد توجه خاص تبدیل شده است [ 7 ، 8 ، 9 ، 10 ].

شهرها مسئول تولید 78 درصد از گازهای گلخانه ای هستند که سهم قابل توجهی در تغییرات آب و هوایی جهانی دارند [ 11 ]. سایر اثرات شهرنشینی عبارتند از تغییر چرخه های بیوژئوشیمیایی [ 12 ] و کاهش مناطق اختصاص داده شده به محصولات کشاورزی، مراتع، جنگل ها و به طور کلی اکوسیستم های واقع در مجاورت. این منجر به تکه تکه شدن و تخریب زمین شده است [ 13 ]. بنابراین، درک پویایی رشد مناطق شهری برای تدوین برنامه های رشد شهری بهتر و سازگارتر با محیط زیست و انجام اقداماتی برای حفظ منابع طبیعی اهمیت زیادی دارد [14 ] .

برای تجزیه و تحلیل ساختار و پویایی رشد سیستم‌های شهری، پیوند الگوهای فضایی با چشم‌انداز ضروری است تا علل و پیامدهای تکامل آنها را کمی‌سازی کنیم [ 15 ]. چندین روش برای تشخیص تغییرات در منطقه شهری مبتنی بر سنجش از دور است [ 16 ، 17 ، 18 ]. چنین روش‌هایی یا از تحلیل‌های چند زمانی تصاویر ماهواره‌ای با استفاده از جبر نقشه‌ها [ 19 ] استفاده می‌کنند یا از تکنیک‌های رگرسیون فضایی تصویربرداری [ 20 ] استفاده می‌کنند. دومی آنهایی هستند که اخیراً برای برآورد استفاده از زمین از طریق تغییر مدل رگرسیون استفاده شده اند [ 21 ]. با این حال، آنها محدودیت هایی برای کمی سازی تغییرات بر مبنای زمانی دارند [22 ].

زنجیره‌های مارکوف (MC) و سلول‌های خودکار (CA) مدل‌های تصادفی هستند که تعامل دینامیک مکانی و زمانی را در خود جای می‌دهند [ 22 ، 23 ، 24 ، 25 ، 26 ]. این روش‌ها می‌توانند برای تحلیل رفتار پویای کاربری زمین در یک الگوی زمانی-مکانی و ارائه پیش‌بینی‌هایی از تغییرات آتی که می‌تواند به تصمیم‌گیری کمک کند، کمک کند [ 23 ، 27 ]. برخی از مطالعات قابلیت های قوی مدل های سنتی مارکوف را برای توصیف روند تغییر کاربری زمین نشان داده اند [ 28 , 29 , 30]. حتی اگر تجزیه و تحلیل مارکوف به خودی خود نمی تواند تغییرات کاربری زمین را شبیه سازی و پیش بینی کند، MC همراه با CA توانایی تعیین دینامیک مکانی و زمانی را دارند و سناریوهای آینده را زمانی که با معیارهای حساسیت و محدودیت های مناسب تغذیه می شوند، دارند [31 ، 32 ، 33 ] . بنابراین، ادغام MC و CA نتایج تکمیلی می دهد [ 34 ]. روش MC تغییرات انتقال را بر اساس گذشته کمیت می کند در حالی که CA از این پارامتر برای تخمین تغییرات در آینده و مکان آنها استفاده می کند [ 35 ].

شهر چیهواهوا، مکزیک، رشد سریعی را در دهه‌های گذشته تجربه کرده است. از 8489 هکتار اشغال شده در سال 1980، شهر چیهواهوا تا سال 2005 به 19024 هکتار افزایش یافت [ 36 ]. این رشد شهری باعث فرآیند تکه تکه شدن و از بین رفتن تنوع زیستی شده است و در نتیجه اکوسیستم‌های طبیعی که زمانی در نواحی پیرامونی شهر قرار داشتند، از بین می‌رود. چنین اکوسیستم هایی عمدتاً شامل علفزارها و بوته زارها می شد. این علفزارها در صحرای چیهواهوان غوطه ور هستند و به مناطق حفاظت شده با اولویت مراتع آمریکای شمالی تعلق دارند [ 37 ]. علاوه بر این، علفزارها یکی از در معرض خطرترین اکوسیستم‌های روی کره زمین هستند [ 13 ]، و به‌ویژه در این منطقه، دارای تنوع زیستی زیاد و درجه بالایی از بومی‌گرایی هستند.38 ].

شهر چیهواهوا به ورودی های بالای آب برای عملیات خانگی و صنعتی نیاز دارد. گزارش شده است که در مجموع سالانه 150.2× ¹⁰⁶ متر ^{مکعب آب توسط شهر مصرف می شود.}این امر به دلیل مقدار آب استخراج شده از سفره های زیرزمینی، فشار زیادی را روی سفره ها متمرکز می کند. علاوه بر این، برخی از رشد شهر در مناطق شارژ شده آنها رخ داده است [ 38 ]. علاوه بر این، پیش‌بینی می‌شود که رشد شهر در سال‌های آینده با سرعت بالایی ادامه یابد. فقدان سیاست محلی در مورد این موضوع در چی‌هواهوا، پایداری سیستم حکمرانی آب را به‌طور درازمدت تهدید می‌کند، با اثرات خارجی جدی در زمینه‌های دیگر مانند کشاورزی [39] .]. اگر این تنظیم شود، رشد شهری با در نظر گرفتن تقاضای فضا و تأثیر بر منابع طبیعی رخ می دهد. با این حال، میزان و جهت چنین رشدی به طور دقیق مشخص نیست، و مدیران شهری را برای ایجاد برنامه‌های رشد موثر برای کاهش اثرات زیست‌محیطی محدود می‌کند.

هدف از این مطالعه تجزیه و تحلیل پویایی رشد و فشار برای تغییر کاربری زمین در مناطق شهری و پیرامونی شهر Chihuahua، مکزیک بود. تجزیه و تحلیل بر اساس روش MC و CA بود. انتقال کاربری زمین برای دوره 1989-2014 از طریق MC تعیین شد. علاوه بر این، پیش‌بینی استفاده از زمین برای سال‌های 2019 و 2024 توسط CA ایجاد شد. تجزیه و تحلیل و بحث در مورد اثرات رشد آینده شهر بر روی اکوسیستم های مجاور ارائه شده است.

2. مواد و روشها

2.1. منطقه مطالعه

مناطق شهری و پیرامونی شهر چیهواهوا، مکزیک، مورد مطالعه قرار گرفتند. این شهر در مختصات جغرافیایی 28 درجه و 40 دقیقه شمالی و 106 درجه و 05 دقیقه غربی قرار دارد ( شکل 1 ). توپوگرافی منطقه دارای ارتفاعات بین 1306 تا 2665 متر از سطح دریا است. کاربری های اراضی مناطق اطراف شهر عبارتند از: علفزار، بوته زار، جنگل بلوط، آب، زمین های زراعی و پوشش گیاهی ساحلی. در سال 2010، چیهواهوا 819543 نفر جمعیت داشت [ 40 ].

2.2. جمع آوری و پیش پردازش داده ها

از چهار صحنه که منطقه مورد مطالعه را پوشش می‌داد و توسط حسگر لندست (مسیر 32، ردیف 40) گرفته شده بود، استفاده شد. وضوح فضایی صحنه ها 30 × 30 متر بود. چهار صحنه مربوط به سال های 1989، 1999، 2009 و 2014 بوده و از سازمان زمین شناسی ایالات متحده بدست آمده است [ 41 ]. مشخصات هر یک از صحنه ها در جدول 1 ارائه شده است .

صحنه ها رادیومتری تصحیح شد. تبدیل اعداد دیجیتال (DN´s) به مقادیر بازتاب با فرآیند Top of the Atmosphere (TOA) انجام شد که امکان مقایسه بین تصاویر از تاریخ‌های مختلف را فراهم می‌کند. تبدیل رادیومتری برای سنسور Landsat TM با زیر معادلات (1) و (2) انجام شد، که در آن تابش طیفی (

L_{λ}

) و بازتاب TOA (

ρ_{λ}

) بدست آمد:

L λ = ((L m a ایکس λ - L m i n λ) / (Q C A L m a x - Q C A L m i n)) * (Q C A L - Q C A L m i n) + L m i n λ

(1)

ρ λ = π * L λ * د 2 E اس U ن λ * c o s θ س

(2)

جایی که $Q C A L$ DN است. $Q C A L m i n$ و $Q C A L m a x$ به ترتیب حداقل و حداکثر مقدار پیکسل کالیبره شده کوانتیزه شده هستند. $L m i n_{λ}$ مقیاس تابش طیفی به است $Q C A L m i n$ ; $L m a x_{λ}$ مقیاس تابش طیفی به است $Q C A L m a x; d$ فاصله زمین تا خورشید است. $E S U N_{λ}$ میانگین تابش اتمسفریک خورشیدی است. و $θ_{s}$ زاویه اوج خورشیدی است.

در مورد داده های لندست OLI، تبدیل رادیومتری با استفاده از رابطه (3) انجام شد.

ρ * λ = ρ λ ‘ s i n θ اس E

(3)

جایی که $ρ^{λ ´}$ بازتاب سیاره ای TOA است، با تصحیح زاویه خورشید، و $θ_{S E}$ زاویه ارتفاع خورشید محلی است.

برای نرمال سازی بازتابی تصاویر در سال های 1989، 1999 و 2009، از تصویر Landsat OLI استفاده شد. این فرآیند با اصلاح مقادیر روشنایی در تصاویر سال‌های 1989، 1999 و 2009، به عنوان مرجع تصویر سال 2014، امکان بهبود هیستوگرام‌ها را فراهم کرد. با این کار، تغییرات طیفی پوشش‌های کاربری زمین به حداقل رسید [42 ] .

به عنوان آخرین مرحله برای پردازش داده ها، با استفاده از نرم افزار ArcMap 10.2 ^® ، صحنه ها ویرایش و منطقه مورد مطالعه بر روی تصاویر مشخص شد . لبه ها شبیه به حوضه های آبخیز منطقه ساخته شده است. چنین لبه هایی از مدل ارتفاعی دیجیتال ایالت چیهواهوا گرفته شده است. تمام صحنه‌ها پس از فرآیند ویرایش، یک منطقه را پوشش می‌دهند.

2.3. طبقه بندی کاربری اراضی

انباشت لایه تصویر با نرم افزار ERDAS® انجام ^شد . این روش امکان تولید تصاویر رنگی کاذب/واقعی را فراهم کرد، که برای تجزیه و تحلیل طبقه‌بندی کاربری زمین مورد نیاز بود. در مورد سنسور Landsat TM، باند 5 مربوط به کانال مادون قرمز (1.55-1.75 میکرومتر)، باند 4 در محدوده مادون قرمز نزدیک (0.76-0.90 میکرومتر) و باند 3 در محدوده قرمز (0.63-0.69 میکرومتر). ) استفاده شده. این ترکیب ها بر اساس توصیه های لیلسند و کیفر [ 43] ساخته شده اندبه همین ترتیب، باند 6 مربوط به کانال مادون قرمز متوسط (1.57-1.65 میکرومتر)، باند 5 در محدوده مادون قرمز نزدیک (0.85-0.88 میکرومتر) و باند 4 در محدوده قرمز (0.64-0.67 میکرومتر) برای Landsat OLI استفاده شد. این ترکیبات از سال 2014 روی تصویر اعمال شد.

برای به دست آوردن اطلاعات کاربری اراضی از طبقه بندی بر اساس روش حداکثر احتمال استفاده شد (معادله (4)). این روش از احتمال گاوسی استفاده می کند. در نتیجه، نقشه های موضوعی کاربری اراضی برای هر سال نشان داده شده در ستون دوم جدول 1 به دست آمد . مناطق طبقه بندی شامل انواع کاربری های زیر است: (1) زمین های زراعی. (2) سکونتگاه های انسانی. (3) بوته زارها؛ (4) علفزار؛ (5) جنگل بلوط. (6) بدنه های آبی؛ و (7) پوشش گیاهی ساحلی. تصویر دارای خواص کنایه‌ای به هر نوع کاربری زمین است که در جدول 2 نشان داده شده است .

g i (x) = I n p (ω من) - 1 2 من n ∣ ∣ \sum من ∣ ∣ - 1 2 (x-_متر من) تی \sum من - 1 (x-_متر من)

(4)

جایی که $g$ i کلاس است، x نشان دهنده داده های n بعدی است (که n تعداد باندها است)، p ( $ω_{i}$ ) احتمال این است که کلاس $ω_{i}$ در تصویر ظاهر می شود و برای همه کلاس ها فرض می شود، | ∑i | تعیین کننده ماتریس کوواریانس با داده های کلاس است $ω_{i}$ ، T ماتریس جابجا شده، ∑i ^-1 ماتریس معکوس و m _i بردار است.

2.4. دقت طبقه بندی کاربری زمین

نقشه برداری پوشش زمین کاربری زمین از دولت ایالت چیهواهوا (مقیاس 1:50000) برای اعتبارسنجی دقت استفاده شد [ 44 ]. نقشه نگاری مربوط به پوشش کاربری زمین از موسسه آمار، جغرافیا و انفورماتیک مکزیک (INEGI) (مقیاس 1:250000) نیز به کار گرفته شد [ 40 ]. علاوه بر این، داده‌های حاصل از نمونه‌برداری میدانی و تفسیر عکس در طول فرآیند اعتبارسنجی در نظر گرفته شد.

شاخص آماری K _APPA [ 45 ] برای تعیین صحت طبقه بندی کاربری اراضی بر روی نقشه ها استفاده شد. K _APPA یک تکنیک چند متغیره گسسته برای مقایسه کلاس ها از طریق یک ماتریس است [ 46 ]. می توان از آن برای تعیین درجه شباهت بین ارزش های نقشه برداری شده و واقعی یا واقعی استفاده از زمین استفاده کرد [ 47 ]. یک مقدار K _APPA برابر با یک شباهت 100٪ بین مقادیر واقعی و نگاشت شده را نشان می دهد. برعکس، مقداری برابر با صفر نشان دهنده شباهت 0٪ است. K _APPA با معادله (5) نشان داده می شود.

ک A P پ آ = ن \sum ک ایکس من من \sum ک ( ایکس من + * ایکس + من ) ن 2 - \sum ک ( ایکس من + * ایکس + من )

(5)

که در آن K _APPA شاخص کاپا است. k تعداد کل ردیف های ماتریس است. X _ii عدد مشاهده در ردیف i و ستون i (در امتداد مورب) است. X _i+ و X _+i به ترتیب برای سطر i و ستون i حاشیه کل هستند . و N تعداد کل مشاهدات است.

برای تخمین شاخص K _APPA از یک گروه از نقاط نمونه در ناحیه پیرامونی استفاده شد. دقت حاصل در جدول 3 نشان داده شده است .

2.5. مدل های زنجیره ای مارکوف و اتومات سلولی

برای تشریح پیش‌بینی‌های تغییر کاربری زمین برای سال‌های آینده، از تکنیک‌های شبیه‌سازی زمینی MC و CA استفاده شد [ 48 ]. آنها تغییرات کاربری زمین بین دو تاریخ را با برون یابی آنها با فرض تغییرات ثابت محاسبه می کنند [ 49 ]. تکنیک CA شامل یک مدل شبیه سازی است که در آن فضا و زمان متغیرهای گسسته هستند در حالی که تعاملات اختصاص داده شده متغیرهای محلی هستند [ 30 ]. با نتایج حاصل از روش MC برای شبیه سازی استفاده از زمین در زمان آینده تغذیه می شود. در این تحقیق از طبقه بندی سال های 1989 و 1999 برای تخمین کاربری های سال 1388 استفاده شد و همچنین کاربری های سال 2014 بر اساس طبقه بندی سال های 1999 و 2009 برآورد شد.

متدولوژی MC در ماژول MARKOV نرم افزار Idrisi Selva® پیاده سازی ^شد . این تکنیک بر اساس یک مدل تصادفی است که احتمال تغییر از یک حالت به حالت دیگر را از طریق یک ماتریس احتمال انتقال توصیف می‌کند [ 28] .]. نتایج روش MC شامل یک ماتریس احتمال، یک ماتریس مناطق انتقالی و نقشه‌های احتمال انتقال است. ماتریس احتمال شامل احتمال تغییر کاربری زمین از یک دسته به دسته دیگر است. این ماتریس نتیجه تلاقی بین تصاویر پس از تنظیم یک خطای تناسبی است. ماتریس نواحی در حال گذار تعداد پیکسل‌هایی را بیان می‌کند که انتظار می‌رود از هر کاربری به سایر کاربری‌ها در طول دوره زمانی مورد تجزیه و تحلیل تغییر کند. نقشه های احتمال انتقال بر اساس پیش بینی تغییرات احتمالی در طول دوره مورد تجزیه و تحلیل تولید می شوند. در این مطالعه، تغییرات کاربری زمین در سال‌های 1989، 1999، 2009 و 2014 برای توسعه ماتریس احتمال انتقال استفاده شد که به توسعه پیش‌بینی‌های کاربری زمین برای سال‌های 2019 و 2024 کمک کرد. بیان ریاضی احتمال انتقال عبارت است از:

\sum من = 1 متر پ i j = 1 i = 1, 2 \dots \dots m

(6)

پ = (ص i j) = پ 11 پ 21 پ متر 1 پ 12 \dots پ 12 پ n 2 پ 1 متر پ 2 متر پ متر متر

(7)

که در آن پیج احتمال انتقال از یک کاربری به کاربری دیگر و m تعداد کل انواع کاربری های منطقه مورد مطالعه است. مقادیر Pij در محدوده 0-1 باقی می مانند.

با توجه به اثر غیر بعد از روش مارکوف و معادلات شرط بیز، مدل پیش‌بینی مارکوف به دست می‌آید (معادله 8):

پ (n) = پ (n - 1) پ من ج

(8)

جایی که $P (n)$ احتمال است $P$ به موقع $n$ ، $(n - 1)$ احتمال دفعه قبل است $n$ .

ترکیب MC و CA از طریق ماژول CA_Markov موجود در نرم افزار IDRISI Selva ^® پیاده سازی شد که امکان شبیه سازی پویایی رشد را بر اساس افزایش تعداد پیکسل ها فراهم می کند. هر پیکسل می تواند مقداری را از مجموعه ای محدود از حالت ها بگیرد [ 34 ]. همه پیکسل ها تحت تأثیر یک تابع انتقال قرار می گیرند که مقادیر اندازه گیری شده پیکسل ها و مقادیر پیکسل های مجاور را به عنوان تابعی از زمان به عنوان آرگومان می گیرد. Cellular Automata و MC برای شبیه‌سازی کاربری‌های زمین در سال‌های 2009 و 2014 پیاده‌سازی شدند. از آنجایی که این دوره پنج سال را شامل می‌شود، دوره‌هایی از همان تعداد سال برای برآورد کاربری‌های زمین در آینده استفاده شد. یعنی کاربری‌ها برای سال‌های 2019 و 2024 شبیه‌سازی شدند.

برای شبیه‌سازی‌ها، فرض شد که احتمال تغییر در طول دوره‌های مورد تجزیه و تحلیل کم و ثابت است. بنابراین، ماتریس احتمال انتقال ایجاد شده از تغییرات مشاهده شده بین سال‌های 2009 و 2014 برای شبیه‌سازی کاربری‌های زمین در سال 2019 استفاده شد. به همین ترتیب، ماتریس احتمال انتقال سال‌های 2014 و 2019 برای برآورد کاربری‌های زمین در سال 2024 استفاده شد.

در یک فرآیند تکراری، ماژول CA_Markov از احتمال انتقال هر کاربری استفاده می‌کند تا حساسیت هر پیکسل، بر اساس ویژگی‌های آن‌ها، برای اشغال شدن توسط هر یک از انواع دیگر کاربری زمین را تعیین کند. در حالی که این کار انجام می‌شود، یک فیلتر فضایی حساسیت پیکسل‌هایی را که دور از کلاس در حال پردازش قرار دارند، محدود می‌کند، که با تخصیص مقدار اولویت بیشتر به مناطق همسایه انجام می‌شود. در این مطالعه از فیلترهای فضایی 5×5 استفاده شد ( شکل 2 ).

2.6. پارامترهای مناسب و محدودیت برای رشد شهری

پارامترهایی برای تعریف مناسب بودن یک پیکسل معین برای تغییر از یک نوع کاربری به دیگری تعریف شد. چنین پارامترهایی نشان دهنده حساسیت زمین به اشغال هر یک از کاربری های دیگر است. این پارامترها به متغیرهای ارتفاع، شیب، فاصله تا رودخانه و فاصله تا جاده اختصاص داده شد. فرض بر این بود که این متغیرها در طول 25 سال بدون تغییر باقی ماندند که توسط تاریخ های قدیمی ترین و جدیدترین تصاویر ماهواره ای تحلیل شده در این مطالعه نشان داده شده است. پارامترهای مناسب برای متغیرهای ارتفاع و شیب به صورت صفر برای نامناسب و یک برای مناسب تعریف شد ( شکل 3).). پارامترهای مناسب برای فاصله تا رودخانه ها و فاصله تا جاده ها در مقیاس 0 تا 255 برای نشان دادن حداقل و حداکثر راحتی به ترتیب اختصاص داده شد ( شکل 4 ).

2.7. اعتبار سنجی پیش بینی های تغییر کاربری زمین

ماتریس احتمال انتقال، ماتریس مناطق انتقالی و نقشه های انتقال برای سال های 1989 و 1999 با روش مارکوف ایجاد شد. سپس از ماژول CA_Markov برای شبیه‌سازی کاربری زمین در سال 2009 استفاده کردیم. به همین ترتیب، ماتریس احتمال انتقال، ماتریس ناحیه انتقال و نقشه‌های انتقال سال‌های 1999 و 2009 تولید و سپس برای شبیه‌سازی تغییر کاربری اراضی برای سال 2014 استفاده شد.

اعتبار مدل برای شبیه‌سازی تغییر کاربری با مقایسه نتایج تغییرات کاربری برآورد شده با کاربری‌های تایید شده از طریق طبقه‌بندی نظارت شده برای سال‌های 2009 و 2014 انجام شد. برای این منظور از طرح نمونه‌گیری طبقه‌ای تصادفی و شاخص K APPA استفاده شد _. استخدام شده. پس از تایید کاربری‌های زمین شبیه‌سازی‌شده، تخمین کاربری زمین برای سال‌های 2019 و 2024 انجام شد. در نهایت، روش مورد استفاده در این مطالعه در شکل 5 خلاصه شده است .

3. نتایج

3.1. تشخیص تغییرات کاربری زمین

نتایج حاصل از تجزیه و تحلیل کاربری زمین، سود قابل توجهی را برای مساحت سطح مربوط به سکونتگاه های انسانی نشان می دهد ( جدول 4 ). شهر چیهواهوا در 25 سال گذشته بیش از دو برابر مساحت اشغال شده خود را افزایش داده است. گسترش عمدتاً در جهت شمال و جنوب شرقی رخ داد ( شکل 6 ). در این جهت ها کمترین ارتفاعات وجود دارد و این شرایط زمین را برای توسعه مسکونی مطلوب می کند. از میان مقوله‌های مورد تجزیه و تحلیل، تنها موردی که رشد مستمر را نشان می‌دهد، سکونتگاه‌های انسانی با 13.57، 17.01، 24.63 درصد و 28.50 درصد به ترتیب برای سال‌های 1989، 1999، 2009 و 2014 است. در مقابل، کاربری اراضی بوته زارها و مراتع کاهشی را در مساحت خود در مدت مشابه نشان داد ( شکل 7).). با توجه به طبقات اراضی زراعی، جنگل بلوط، توده های آبی و پوشش گیاهی ساحلی، سطح اشغال شده آنها به طور کلی ثابت می ماند. هر یک از این کلاس ها برای دوره 1989-2014 تغییری کمتر از 1% ارائه کردند.

پویایی تغییرات کاربری زمین در جدول 5 ارائه شده است . علفزارها با 1471 هکتار در طول دوره 1989-1999 بیشترین کاهش سطح را نشان دادند. این کاربری در طول دوره 1999-2009 تلفات سطح خود را به 2820 هکتار افزایش داد و مساحت آن را در دوره 2009-2014 به 1746 هکتار کاهش داد. منطقه ای که بوته زارها اشغال کرده بودند، پس از علفزارها، دسته ای بودند که بیشتر سطح را از دست دادند. در مقابل، سکونتگاه های انسانی بیشترین رشد را با افزایش کل 12097 هکتار برای دوره 1989-2014 تجربه کردند. موقعیت پروژه های مسکن به طور قابل توجهی به افزایش مساحت اشغال شده توسط سکونتگاه های انسانی کمک کرده است.

احتمالات انتقال کاربری زمین مربوط به دوره های 1989-1999، 1999-2009، و 2009-2014 در جدول 6 نشان داده شده است . اعداد پررنگ در امتداد مورب احتمال انتقال را در بین دوره های مطالعه نشان می دهد. احتمال تغییر کاربری اراضی کشاورزی به سکونتگاه های انسانی در دوره زمانی 1999-2009 16% بود و طی سال های 2009-2014 به 14% کاهش یافت. بوته زارها در طول سال های 1989-1999 11٪، 15٪ در طول 1999-2009 و 12٪ در طول 2009-2014 احتمال تغییر داشتند. علاوه بر این، Grasslands بالاترین افزایش احتمال تغییر را در مدت مشابه نشان داد: 16٪ برای دوره 1989-1999، 23٪ برای دوره 1999-2009 و 20٪ برای دوره 2009-2014.

این ماتریس احتمال انتقال ( جدول 6 ) نشان می‌دهد که طبقات زمین‌های زراعی، بوته‌زارها، جنگل‌های بلوط، بدنه‌های آبی و سکونتگاه‌های انسانی با تمایل به ماندن در کاربری زمین در دوره‌های 1989-1999 تا 2009-2014 پایدار بوده‌اند. با احتمالات نزدیک به 1.0 در ماتریس انتقال نشان داده شده است. در مورد علفزارها، احتمال انتقال 0.82 از دوره 1989-1999 به 0.75 در طول 1999-2009 و به 0.79 برای دوره 2009-2014 کاهش یافت. کاهش احتمال انتقال نشان دهنده افزایش احتمال تغییر علفزارها به نوع دیگری از کاربری زمین است.

الگوریتم CA_Markov مکان دقیق تغییرات را تعیین می کند. بنابراین، احتمال تغییر هر پیکسل به فیلتر قبلی اختصاص داده شده و پارامترهای محدودیت و تناسب اعمال شده برای پیکسل های همسایه بستگی دارد. سکونتگاه های انسانی افزایشی در احتمال انتقال نشان دادند که نشان دهنده تثبیت این طبقه به دلیل رشد جمعیت است [ 40 ]، همانطور که در شکل 8 نشان داده شده است .

نتایج قبلی سه یافته اصلی را از تجزیه و تحلیل پویایی رشد شهر چی‌هواهوا نشان می‌دهد: (1) طبقه‌ای که بیشترین تلفات کاربری زمین را داشت و طبقه‌ای که بیشترین تغییر انتقال را داشت، علفزارها بود. (2) انتظار می رود که زمین های زراعی همچنان به مناطق شهری تغییر کنند. و (3) بوته زارها نوع دیگری از کاربری هستند که احتمال تغییر آن به منطقه شهری را افزایش می دهند ( جدول 6 ). این نشان دهنده تسلط کاربری زمین شهری بر زمین های زراعی، علفزارها و بوته زارها است. علاوه بر این، این امر بیانگر تغییر مداوم و فشار بر منابع طبیعی مجاور به دلیل گسترش محدوده شهری در طول زمان است.

3.2. اعتبار سنجی پیش بینی های تغییر کاربری زمین

برای اعتبارسنجی پیش‌بینی‌های تغییر کاربری، کاربری‌های زمین در سال‌های 2009 و 2014 با CA_Markov شبیه‌سازی شدند. سپس کاربری های شبیه سازی شده با کاربری های واقعی حاصل از طبقه بندی های نظارت شده همان سال ها مقایسه شد. مقایسه مقادیر واقعی و شبیه سازی شده کاربری زمین در شکل 9 نشان داده شده است ، جایی که انحرافات را می توان به صورت بصری ارزیابی کرد.

در شکل 9 مشاهده می شود که برای هر دو سال 2009 و 2014، تفاوت بین کاربری های واقعی و شبیه سازی شده اندک بوده است. صحت کلی برای سال 2009 90 درصد و برای سال 2014 91 درصد بود. بیشترین دقت برای کلاس جنگل بلوط به دست آمد، در حالی که کلاسی که کمترین دقت را نشان داد، سکونتگاه های انسانی با 0.79 و 0.70 به ترتیب برای سال های 2009 و 2014 بود (جدول 7) . ).

توافق 100% بین مقادیر شبیه سازی شده و واقعی برای کلاس جنگل بلوط به دست آمد زیرا احتمال تغییر این کلاس تحت تأثیر سایر طبقات قرار نگرفت. به علاوه این طبقه از نظر جغرافیایی به محدوده شهری نزدیک نیست. در مورد سکونتگاه‌های انسانی، توافق پایین‌تر حاصل می‌تواند به دلیل الگوهای رشد تحت تأثیر علل مختلف مانند عوامل اجتماعی-اقتصادی، سیاسی و سایر عوامل زمینه‌ای بزرگ‌تر باشد. با این حال، تمام مقادیر توافق تخمین زده شده در طول فرآیند اعتبار سنجی می تواند بسیار خوب در نظر گرفته شود. مقادیر K _APPAنزدیک به 1.0 شباهت زیاد بین مقادیر شبیه سازی شده و واقعی و همچنین توزیع فضایی کاربری های شبیه سازی شده زمین را نزدیک به واقعیت نشان می دهد. با توجه به موارد فوق می توان از مدل CA_Markov برای پیش بینی تغییرات آتی کاربری ها در منطقه مورد مطالعه استفاده کرد.

3.3. شبیه سازی کاربری زمین

مدل CA_Markov برای شبیه‌سازی مناطق اشغال شده توسط هفت کاربری برای سال‌های 2019 و 2024، به عنوان اثری از توسعه شهری استفاده شد. برای شبیه سازی کاربری های زمین در سال 2019، از ماتریس احتمال انتقال دوره 2009-2014 استفاده شد که سال 2009 را به عنوان سال پایه تعیین کرد و پنج سال تغییر بعدی را در نظر گرفت. پس از آن، سال 2019 به عنوان نقطه شروع برای تولید کاربری های 2024 تعیین شد. برای آن، از ماتریس احتمال انتقال دوره 2014-2019 استفاده شد.

احتمالات انتقال برای سال های 2019 و 2024 در جدول 8 نشان داده شده است . کلاس Grasslands که کمترین احتمال را با 0.64 در سال‌های 2014-2019 و 0.58 در سال‌های 2019-2024 نشان می‌دهد، کلاسی است که در معرض بیشترین احتمال تغییر با مقدار 0.79 برای سال 2014 محاسبه شده است (جدول 6 ) . و مقدار تخمینی و کاهش یافته 0.58 برای 10 سال آینده ( جدول 8 ).

تخمین زده می شود که سکونتگاه های انسانی کاربری زمینی است که بیشترین درصد تغییر در پوشش را نشان می دهد که از 28.57 درصد در سال 2014 شروع می شود ( جدول 4 ) و به 38.57 درصد در سال 2019 می رسد ( جدول 9 ). این نوع کاربری تقریباً نیمی از منطقه مورد مطالعه (33/47 درصد) را در سال 2024 پوشش خواهد داد. طبقات بدنه های آبی، جنگل بلوط و پوشش گیاهی ساحلی تقریباً تحت تأثیر رشد شهری قرار نخواهند گرفت. با این حال، با توجه به نتایج پیش‌بینی‌ها برای سال‌های 2019 و 2024، سکونتگاه‌های انسانی در مناطق مجاور و حساس مانند علفزارها و بوته‌زارها گسترش خواهند یافت ( شکل 10 ).

پویایی تخمینی سود و زیان کاربری زمین برای دوره های 2014-2019 و 2019-2024 در جدول 10 نشان داده شده است . در طی این دو دوره تخمین زده می شود که بوته زارها و علفزارها بیشترین خسارت را متحمل شوند. سکونتگاه های انسانی که به ترتیب با افزایش 7629.92 و 6969.79 هکتار برای دوره های 2014-2019 و 2019-2024 نشان داده شده اند، طبقه ای است که بیشترین گسترش را تجربه می کند.

4. بحث

مدل CA_Markov به طور گسترده ای برای شبیه سازی تغییرات کاربری زمین و تاثیر آن بر چشم انداز با طرح روندهای احتمالی استفاده شده است. در این مطالعه، از این مدل برای پیش‌بینی کاربری‌های اراضی مناطق شهری و پیرامونی شهر چیهواهوا تا سال‌های 2019 و 2024 استفاده شد. برای درک ابتدا پویایی رشد شهری، این تحقیق کاربری‌های زمین در سال‌های گذشته را به عنوان مبنایی برای شبیه‌سازی تعیین کرد. تغییرات آینده در منطقه مورد مطالعه این ابزار یک ابزار جایگزین برای حمایت از برنامه ریزان شهری است.

سنجش از دور داده های ارزشمندی را با اکتساب سریع تولید می کند که می تواند برای تجزیه و تحلیل کاربری زمین استفاده شود. به عنوان مثال، داده های حسگر Landsat که تصاویر گرفته شده از سال 1972 تا به امروز را ارائه می دهد. این ماهواره دارای پوشش جهانی با وضوح مکانی متوسط است. روش پیش‌بینی مارکوف از داده‌های تاریخی حسگر Landsat برای تحلیل رفتار دینامیکی استفاده از زمین در یک الگوی زمانی-مکانی استفاده می‌کند. بر این اساس، پیش بینی تغییرات آتی برآورد می شود.

روش به کار گرفته شده در این مطالعه سطح خوبی از دقت را با مقادیر شاخص K _APPA بالای 0.82 نشان داد. این دقت قابل مقایسه با مواردی است که در سایر مطالعات با استفاده از روش‌های مشابه برآورد شده است [ 2 ]. دقت بالا در این مورد به دلیل توزیع فضایی واضح کاربری‌ها در منطقه مورد مطالعه بود. این کاربری ها به شدت با توپوگرافی محل قرارگیری شهر مرتبط هستند. مناطق دشت به وضوح توسط اکوسیستم های علفزارها اشغال شده اند در حالی که سطوح منطبق با زمین های با شیب اندک توسط جوامع بوته زارها تسلط دارند. نتایج این مطالعه امکان سنجی و اعتبار مدل مبتنی بر CA_Markov را برای شبیه سازی تغییر کاربری اراضی شهری نشان می دهد.

از سال 1989 تا 2009، شهر چیهواهوا عمدتاً به سمت شمال و جنوب شرقی رشد کرد. یکی از دلایل اصلی، افزایش روزافزون صنعت تولید در آن نقاط شهر است. در این جهت ها کمترین ارتفاعات وجود دارد و این شرایط زمین را برای توسعه صنعتی مطلوب می کند. این صنعت در مرحله رشد خود در اراضی دشتی با دسترسی به راه های اصلی مستقر شده است. مهمترین جاده در چیهواهوا جاده ای است که در جهت شمال به جنوب می گذرد که شهر را با سایر نقاط کشور و با ایالات متحده آمریکا وصل می کند. دومی نشان دهنده بازار اصلی اقلام تولیدی تولید شده در شهر است.

دلیل دیگر این رشد را می توان افزایش تعداد خانه های کوچکی دانست که برای افراد کم درآمد ساخته شده است. بسیاری از این افراد در صنعت تولید کار می کنند. بنابراین، مکان پروژه های مسکن به طور قابل توجهی به افزایش مساحت اشغال شده توسط سکونتگاه های انسانی کمک کرده است. این دو عامل با هم بر پویایی رشد شهر، ساختار شهری، گسترش جغرافیایی آن و موقعیت شغلی ایجاد شده در شهر تأثیر گذاشته اند.

قبل از دهه 1970، تعداد مشاغل ایجاد شده توسط صنعت تولید کم بود و موقعیت آنها در سطح شهر پراکنده بود. در آن روزها، مشاغل مربوط به فعالیت های معدن یا چوب بری بود. این سناریو با نصب پارک‌های صنعتی به نام‌های «Complejo Industrial Chihuahua»، «Las Americas» و «Saucito» تغییر کرد. پس از آن، سکونتگاه‌های انسانی با مناطقی که مشاغل مرتبط با بخش صنعت در آن متمرکز شده‌اند، رشد قابل‌توجهی داشتند [ 38 ]. موقعیت پارک‌های صنعتی در نزدیکی جاده‌های اصلی و خانه‌های مورد علاقه اجتماعی عواملی هستند که بر رشد شهر تأثیر گذاشته‌اند، همانطور که در شکل 6 می‌توان آن را به صورت بصری تأیید کرد.. عوامل دیگر عبارتند از: نیاز به نیروی کار، دسترسی به بزرگراه ها و نزدیکی حاشیه شهر به مناطق روستایی.

با مدل CA_Markov رشد منطقه شهری و تغییر کاربری زمین در مناطق حومه شهر ارزیابی و کمی سازی شد. با توجه به عدم وجود سیاست حفاظتی برای کاربری‌های حومه‌ای، انتظار می‌رود که تعدادی از عوامل اقتصادی و اجتماعی باعث تغییر کاربری اراضی مراتع، بوته‌زارها و مناطق پوشش گیاهی ساحلی شود. ایجاد مناطق حائل می تواند شرایط استفاده از زمین های اطراف شهر را بهبود بخشد.

حتی اگر روش‌های MC و CA به دلیل ناتوانی در ترکیب عوامل اجتماعی مانند تصمیم انسانی [ 28 ] مورد انتقاد قرار گرفته‌اند، این مطالعه تغییرات کاربری زمین را برای سال‌های 2009 و 2014 با درجه بالایی از دقت شبیه‌سازی کرد. یکی از دلایل آن می تواند دوره بین تاریخ های تصاویر استفاده شده باشد که به طور کلی سازگار بود (دوره 10 ساله)، در مقایسه با سایر مطالعاتی که فقط از سه تاریخ استفاده می کردند [50] یا تاریخ هایی با دوره های مختلف در بین تاریخ ها . از تصاویر [ 51]. این امر باعث اطمینان در مورد نتایج شبیه‌سازی‌های کاربری اراضی برای سال‌های 2019 و 2024 شد. این امکان وجود دارد که تغییرات برآورد شده، در غیاب مداخله سیاستی، به واقعیت تبدیل شود و عمدتاً بر علفزارها و بوته‌زارها تأثیر بگذارد، همانطور که در نتایج این مطالعه نشان داده شده است. . اطلاعات مربوط به تغییرات کاربری زمین تولید شده در این مطالعه می تواند برای تصمیم گیری و ایجاد سیاست های عمومی متمرکز بر برنامه ریزی شهری مفید باشد.

ماتریس‌های احتمال نشان داد که علفزارها دارای کمترین ثبات کاربری زمین هستند. این نشان می دهد که توسعه شهری عمدتاً در دشت ها و شیب های کوچک اتفاق می افتد. علفزارها یکی از در معرض خطرترین اکوسیستم ها در سراسر جهان هستند [ 13 ]. این اکوسیستم دارای درجه بالایی از بومی گرایی در منطقه است [ 38 ] و خدمات اکوسیستمی مانند برداشت آب، جذب کربن، حفظ خاک، و کمک به پایداری آب و هوا را به ما ارائه می دهد [52 ] . این کلاس بزرگترین سطح را از دست داد. تمام این محوطه به کاربری شهری تبدیل شده است. برنامه ریزان شهری در چیهواهوا باید این یافته ها را در نظر بگیرند و رشد متعادل تری را ترویج دهند.

در همین حال، بوته زارها نیز تحت تأثیر گسترش سکونتگاه های انسانی به دلیل ساخت ساختمان های تجاری و مسکونی قرار گرفته اند. این کاربری در زمین هایی با شیب عموماً بیشتر از زمین هایی که علفزارها در آن قرار دارند توزیع می شود. فقدان برنامه ریزی شهری منجر به رشد غیر سازماندهی شهر چیهواهوا با یک منطقه شهری نسبتاً بزرگ با تراکم جمعیت کم شده است. افزایش جمعیت، تقاضا برای ساختمان‌های مسکونی و ایجاد شهرک‌های صنعتی عوامل دیگری هستند که باعث تغییر منظر می‌شوند.

جمعیت شهر چیهواهوا در 20 سال گذشته از 530783 نفر به 867910 نفر در سال 2014 افزایش یافته است که نشان دهنده افزایش 337127 نفری است [ 40] .]. نرخ رشد جمعیت برای دوره های 1989-1999، 1999-2009 و 2009-2014 به ترتیب 27٪، 21٪ و 7٪ بود. این درصدها به معنای رشد اقتصادی شهر است که باعث مهاجرت جمعیت از شهرهای کوچک، به ویژه شهرهای نزدیک می شود. مردم از این شهرهای کوچک به دنبال فرصت های شغلی به شهر نقل مکان می کنند. این یک تنوع اقتصادی ایجاد می کند که نیاز به نیروی کار و فضای بیشتری دارد. با توجه به میزان ذخایر قلمرو اعلام شده توسط “Instituto de la Vivienda del Estado de Chihuahua” (موسسه ایالتی مسکن)، شهر ممکن است به رشد خود به سمت شمال ادامه دهد، مگر اینکه تحولات صنعتی جدید در جهت های دیگر رخ دهد. اراضی با ویژگی های مناسب برای توسعه صنعتی نیز در جنوب شهر واقع شده است.

5. نتیجه گیری ها

زنجیره‌های مارکوف و اتوماتای سلولی که برای داده‌های سنجش از دور اعمال می‌شوند، پتانسیل خود را به عنوان ابزاری برای برنامه‌ریزی شهری نشان دادند. این مطالعه پویایی تغییر هفت کاربری زمین در مناطق شهری و پیرامونی شهر چیهواهوا را مشخص کرد. چیهواهوا بدون توجه به نوع کاربری اراضی اطراف، رشد سریع شهری را تجربه می کند و منطقه شهری در حال تبدیل شدن به کاربری اصلی زمین است. در مقابل، کاربری‌های اراضی بوته‌زارها و علفزارها بیشترین فشارها را از تغییر کاربری زمین تجربه کردند.

روش CA_Markov اجازه توصیف رفتار آینده مناطق اشغال شده توسط هفت کاربری در منطقه مورد مطالعه را می دهد. رشد شهری شهر چیهواهوا عمدتاً به سمت شمال و شرق هدایت خواهد شد. پروژه های مسکن و ایجاد صنایع تولیدی عوامل محرک رشد شهری هستند. انتظار می رود این وضعیت تا 10 سال آینده ادامه یابد. رشد ناحیه شهری نشان‌داده‌شده از این مطالعه، تا سال 2024 50 درصد از سطح را پوشش می‌دهد که عمدتاً بر اکوسیستم‌های علفزار و بوته‌زارهای واقع در نزدیکی آن تأثیر می‌گذارد.

برنامه‌ریزی شهری از طریق سیاست‌های عمومی، همراه با پیش‌بینی رشد شهری، می‌تواند به کاهش تأثیر بر اکوسیستم‌های واقع در نزدیکی شهر کمک کند. روش‌های مورد استفاده در این مطالعه، که انتقال کاربری اراضی را شناسایی می‌کند، یک ابزار جایگزین برای برنامه‌ریزی شهری و سرزمینی است. علاوه بر این، این نتایج می تواند از تدوین برنامه های رشد شهری برای شهر چیهواهوا، مکزیک، با رویکردی پایدار حمایت کند.

مدل CA_Markov محدودیت هایی برای این برنامه دارد. این مدل داده‌های اقتصادی-اجتماعی، مانند رشد جمعیت، تقاضای اجتماعی، تصمیم‌های سیاسی، تمایل مالکان زمین برای فروش املاک خود، یا تغییرات سیاست‌گذاری در مورد استفاده از زمین در طول دوره مطالعه را ادغام نمی‌کند. در نظر گرفته می شود که این عوامل به طور چشمگیری بر گسترش شهری تأثیر می گذارد. بنابراین، گنجاندن این متغیرها می‌تواند دقت شبیه‌سازی‌ها را بهبود بخشد. با این حال، چنین متغیرهایی باید ابتدا در یک مبنای مکانی-زمانی برای منطقه مورد مطالعه ایجاد شوند.

منابع

یو، ایکس. Ng، CN پویایی مکانی و زمانی پراکندگی شهری در امتداد دو ترانسکت شهری-روستایی. مطالعه موردی گوانگژو، چین. Landsc. طرح شهری. 2007 ، 79 ، 96-109. [ Google Scholar ] [ CrossRef ]
هوانگ، جی. وو، ی. گائو، تی. ژان، ی. Cui, W. یک رویکرد یکپارچه مبتنی بر زنجیره مارکوف و اتوماتای سلولی برای شبیه‌سازی تغییرات کاربری زمین شهری. Appl. ریاضی. Inf. علمی 2015 ، 9 ، 769-775. [ Google Scholar ]
لی، ایکس. Yeh Gar-On، A. تجزیه و تحلیل بازسازی فضایی الگوهای کاربری زمین در یک منطقه در حال رشد سریع با استفاده از سنجش از دور و GIS. Landsc. طرح شهری. 2004 ، 69 ، 335-354. [ Google Scholar ] [ CrossRef ]
شلابی، ع. Tateishi، R. سنجش از دور و GIS برای نقشه برداری و پایش پوشش زمین و تغییرات کاربری اراضی در منطقه ساحلی شمال غربی مصر. Appl. Geogr. 2007 ، 27 ، 28-41. [ Google Scholar ] [ CrossRef ]
او، سی. اوکادا، ن. ژانگ، Q. کشتی.؛ لی، جی. مدل‌سازی فرآیندهای توسعه شهری پویا با ترکیب یک مدل بالقوه با اتوماتای سلولی. Landsc. طرح شهری. 2008 ، 86 ، 79-91. [ Google Scholar ] [ CrossRef ]
دوان، AM; یاماگوچی، ی. تغییر کاربری زمین و پوشش زمین در داکای بزرگ، بنگلادش: استفاده از سنجش از دور برای ترویج شهرنشینی پایدار. Appl. Geogr. 2009 ، 29 ، 390-401. [ Google Scholar ] [ CrossRef ]
تیان، GJ; لیو، جی. Xie, YC; یانگ، ZF; ژوانگ، دی اف. Niu, Z. تحلیل الگوی دینامیکی مکانی-زمانی و نیروهای محرک زمین شهری در چین در دهه 1990 با استفاده از تصاویر TM و GIS. شهرها 2005 ، 22 ، 400-410. [ Google Scholar ] [ CrossRef ]
لوسیری، سی. ناگای، م. نینسوات، س. Shrestha، RP مدل‌سازی گسترش شهری در منطقه شهری بانکوک با استفاده از داده‌های جمعیت شناختی-اقتصادی از طریق مدل‌های زنجیره‌ای خودکار سلولی- زنجیره مارکوف و مدل‌های زنجیره پرسپترون-مارکوف چند لایه. پایداری 2016 ، 8 ، 686. [ Google Scholar ] [ CrossRef ]
Ozturk, D. شبیه‌سازی رشد شهری آتاکوم (سامسون، ترکیه) با استفاده از مدل‌های زنجیره مارکوف خودکار-سلولی و پرسپترون-زنجیره مارکوف چند لایه. Remote Sens. 2015 ، 7 ، 5918–5950. [ Google Scholar ] [ CrossRef ]
کیتیوتتاچای، ک. تریپاتی، NK; تیپدکو، تی. Shrestha، R. CA-Markov تجزیه و تحلیل مدل‌سازی رشد شهری ساحلی محدود: شهر ساحلی Hua Hin، تایلند. پایداری 2013 ، 5 ، 1480-1500. [ Google Scholar ] [ CrossRef ]
گریم، NB; Grove, JM; پیکت، STA; ردمن، CL رویکردهای یکپارچه برای مطالعات بلندمدت سیستم های اکولوژیکی شهری. Bioscience 2000 ، 50 ، 571-584. [ Google Scholar ] [ CrossRef ]
سانگ، سی. یی، ی.-جی. لی، ام.-اچ. تنظیم سطح غیرقابل نفوذ و گسترش شهری به عنوان پیامد ناخواسته آن. سیاست کاربری زمین 2013 ، 32 ، 317-323. [ Google Scholar ] [ CrossRef ]
مانجارز-دومینگز، سی. پیندو آلوارز، ا. پیندو آلوارز، سی. ویارئال-گررو، اف. Cortes-Palacios, L. تجزیه و تحلیل منظر گیاهی به دلیل تغییرات کاربری اراضی در اراضی خشک. پول جی. اکول. 2015 ، 63 ، 167-174. [ Google Scholar ] [ CrossRef ]
وارد، دی. Phinn, SR; موری، AT نظارت بر رشد در مناطق به سرعت در حال شهرنشینی با استفاده از داده های سنجش از دور. پروفسور Geogr. 2000 ، 52 ، 371-386. [ Google Scholar ] [ CrossRef ]
تانگ، جی. وانگ، ال. Yao، Z. تجزیه و تحلیل پویایی منظر شهری با استفاده از تصاویر ماهواره ای چند زمانی: مقایسه دو شهر نفت محور. Landsc. طرح شهری. 2008 ، 87 ، 269-278. [ Google Scholar ] [ CrossRef ]
مسیف، وی. گورته، بی. الگوریتم‌های طبقه‌بندی حداکثر احتمال اصلاح‌شده Longley، PA و کاربرد آنها در سنجش از دور شهری . Taylor & Francis Inc.: New York, NY, USA, 2001. [ Google Scholar ]
بخوانید، JM; لام، NSN روش‌های فضایی برای توصیف پوشش زمین و تشخیص تغییرات پوشش زمین برای مناطق استوایی. بین المللی J. Remote Sens. 2002 ، 23 ، 2457-2474. [ Google Scholar ] [ CrossRef ]
تانگ، جی. وانگ، ال. ژانگ، اس. بررسی الگوی منظر و پویایی آن در داکینگ، چین. بین المللی J. Remote Sens. 2005 ، 26 ، 2259-2280. [ Google Scholar ] [ CrossRef ]
Pinedo، A. Modelación de Atributos de Bosques Templados con Landsat TM y Spot-HRV e Índice de Sitio Como Indicador de Productividad. Ph.D. پایان نامه، Universidad Autónoma de Chihuahua، Chihuahua، مکزیک، 2008. [ Google Scholar ]
یوان، دی. Elvidge، C. NALC مطالعه آزمایشی تشخیص تغییر پوشش زمین: آزمایش‌های داده واشنگتن دی سی. سنسور از راه دور محیط. 1998 ، 66 ، 166-178. [ Google Scholar ] [ CrossRef ]
ورهاگن، پ. مطالعات موردی در مدل‌سازی پیش‌بینی باستان‌شناختی. Ph.D. پایان نامه، دانشگاه لیدن، لیدن، هلند، 2007. [ Google Scholar ]
هو، ز. Lo, C. مدلسازی رشد شهری در آتلانتا با استفاده از رگرسیون لجستیک. محاسبه کنید. محیط زیست شهری. سیستم 2007 ، 31 ، 667-688. [ Google Scholar ] [ CrossRef ]
لیو، ی. مدلسازی توسعه شهری با سیستم های اطلاعات جغرافیایی و اتوماتای سلولی . گروه تیلور و فرانسیس: نیویورک، نیویورک، ایالات متحده آمریکا، 2009. [ Google Scholar ]
کابرال، پ. فرآیندهای زامیاتین، آ. مارکوف در مدل‌سازی تغییرات کاربری و پوشش زمین در سینترا کاسکای، پرتغال. Dyna 2009 ، 76 ، 191-198. [ Google Scholar ]
میتسوا، دی. شوستر، دبلیو. وانگ، ایکس. مدل اتوماتای سلولی تغییر پوشش زمین برای ادغام رشد شهری با حفاظت از فضای باز. Landsc. طرح شهری. 2011 ، 99 ، 141-153. [ Google Scholar ] [ CrossRef ]
گلن، دی سی؛ لوین، RK; Peet، TTV Plant Succession: Theory and Prediction ; چپمن و هال: لندن، بریتانیا، 1992. [ Google Scholar ]
Lepš, J. مدل‌سازی ریاضی جانشینی اکولوژیکی – مروری. Folia Geobot. فیتوتاکسون. 1988 ، 23 ، 79-94. [ Google Scholar ] [ CrossRef ]
موسیوند، ای جی; علیمحمدی سراب، ع. شایان، س. رویکردی نوین در پیش بینی تغییرات کاربری و پوشش زمین با استفاده از تصاویر ماهواره ای و مدل زنجیره مارکوف (مطالعه موردی: تهران). پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس، تهران، ایران، 1386. [ Google Scholar ]
ارسنجانی، JJ Dynamic Land-Use/Cover Simulation: Geosimulation and Multi Agent Based Modeling ; Springer: وین، اتریش، 2012. [ Google Scholar ]
Wolfram, S. اتوماتای سلولی به عنوان مدل های پیچیدگی. طبیعت 1984 ، 311 ، 419-424. [ Google Scholar ] [ CrossRef ]
ارسنجانی، ج. کاینز، دبلیو. موسیوند، ای جی ردیابی تغییر کاربری زمین با استفاده از زنجیره مارکوف صریح فضایی بر اساس اتوماتای سلولی: مورد تهران. بین المللی J. Image Data Fusion 2011 ، 2 ، 329-345. [ Google Scholar ] [ CrossRef ]
Camacho، OMT; پونتیوس، آر جی، جونیور؛ پیگلو، ام. Mas, JF مقایسه مدل های شبیه سازی از نظر کمیت و تخصیص شانس زمین. محیط زیست مدل. نرم افزار 2015 ، 69 ، 214-221. [ Google Scholar ] [ CrossRef ]
یانگ، ایکس. ژنگ، X.-Q. Lv، LN یک مدل فضایی-زمانی تغییر کاربری زمین بر اساس بهینه‌سازی کلنی مورچه‌ها، زنجیره مارکوف و اتوماتای سلولی. Ecol. مدل. 2012 ، 233 ، 11-19. [ Google Scholar ] [ CrossRef ]
وازکوئز-کوینترو، جی. سولیس-مورنو، آر. پومپا-گارسیا، م. ویارئال-گررو، اف. پیندو آلوارز، سی. Pinedo-Alvarez, A. تشخیص و طرح تغییرات جنگل با استفاده از مدل زنجیره مارکوف و اتوماتای سلولی. پایداری 2016 ، 8 ، 236. [ Google Scholar ] [ CrossRef ]
هان، جی. هایاشی، ی. کائو، ایکس. ایمورا، H. کاربرد یک مدل دینامیک سیستم یکپارچه و اتوماتای سلولی برای ارزیابی رشد شهری: مطالعه موردی شانگهای، چین. Landsc. طرح شهری. 2009 ، 91 ، 133-141. [ Google Scholar ] [ CrossRef ]
رومو آگیلار، ام. کوردووا، بی. فوئنتس، اف. Brugués, R. La vivienda nueva en la ciudad de Chihuahua: Oferta y demanda. Economía Sociedad Territorio 2012 ، 40 ، 657-688. [ Google Scholar ] [ CrossRef ]
کمیسیون همکاری های زیست محیطی؛ حفاظت از طبیعت. مناطق حفاظت شده با اولویت مراتع مرکزی آمریکای شمالی: گزارش فنی و مستندات ، 1st ed.; CEC: مونترال، QC، کانادا؛ TNC: مونترال، QC، کانادا، 2005. [ Google Scholar ]
انستیتو شهرداری پلانسیون Plan de Desarrollo Urbano PDU 2040 ; IMPLAN: Chihuahua، مکزیک، 2009. [ Google Scholar ]
سازمان همکاری اقتصادی و توسعه. بررسی های منطقه ای OECD: Chihuahua 2012 ، 1st ed.; انتشارات OECD: پاریس، فرانسه، 2012. [ Google Scholar ]
INEGI (Instituto Nacional de Estadística, Geografía e Informática) 2010—Información Nacional, por Entidad Federativa y Municipios. در دسترس آنلاین: www.inegi.org.mx/ (دسترسی در 24 آوریل 2016).
سازمان زمین شناسی ایالات متحده در دسترس آنلاین: http://glovis.usgs.gov (در 20 ژانویه 2015 قابل دسترسی است).
ریچاردز، جی. Jia, X. تحلیل تصویر دیجیتال سنجش از دور: مقدمه ; Springer: برلین، آلمان، 2006. [ Google Scholar ]
لیلسند، TM; Kiefer, RW Remote Sensing and Image Interpretation , 4th ed.; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2000. [ Google Scholar ]
چیهواهوا گوبیرنو دل استادو. Informe Final, Cartografía de Uso de Suelo y Vegetación del Estado de Chihuahua, Escala 1:50,000 ; Chihuahua Gobierno del Estado: Chihuahua، مکزیک، 2012. [ Google Scholar ]
Wilkie، DS; فین، JT تصاویر سنجش از دور برای نظارت بر منابع طبیعی ; سرمقاله انتشارات دانشگاه کلمبیا: نیویورک، نیویورک، ایالات متحده آمریکا، 1996. [ Google Scholar ]
کلنبرگر، TW; محدودیت‌های Itten، KI برای طبقه‌بندی چند طیفی جنگل‌های معتدل مشکلات مقیاس‌بندی حقیقت زمینی و داده‌های ماهواره‌ای. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE (IGARSS’96)، سنجش از دور برای آینده ای پایدار، لینکلن، NE، ایالات متحده آمریکا، 31 مه 1996.
Congalton، RG سنجش از دور و یکپارچه سازی داده های سیستم اطلاعات جغرافیایی: منابع خطا و مسائل تحقیق. فتوگرام مهندس Remote Sens. 1991 , 57 , 677-687. [ Google Scholar ]
بننسون، آی. Torrens, PM Geosimulation: مدل‌سازی خودکار پدیده‌های شهری . Wiley: Chichester، UK، 2004. [ Google Scholar ]
ایستمن، آر. Edrisi, T. Guide to GIS and Image Processing, Manual version 16.02 ; دانشگاه کلارک: Worcester، MA، ایالات متحده آمریکا، 2009. [ Google Scholar ]
احمد، بی. احمد، آر. مدل‌سازی پویایی رشد پوشش زمین شهری با استفاده از تصاویر ماهواره‌ای چند زمانی: مطالعه موردی داکا، بنگلادش. ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 3-31. [ Google Scholar ] [ CrossRef ]
باکانی، VM; ساکاموتو، AY؛ کوئنول، اچ. وانیر، سی. کورگن، S. مارکوف زنجیره‌های مدل‌سازی اتوماتای سلولی و تحلیل چند معیاره تغییر پوشش زمین در زیرمنطقه Nhecolândia پایین تالاب پانتانال برزیل. J. Appl. Remote Sens. 2016 , 10 , 016004. [ Google Scholar ] [ CrossRef ]
ژورادو، GP; Saucedo Terán، RA; مورالس، NCR; Martínez, SM Almacén y Captura de Carbono en Pastizales y Matorrales de Chihuahua ; INIFAP: Chihuahua، مکزیک، 2013. [ Google Scholar ]

شکل 1. موقعیت منطقه مورد مطالعه.

شکل 2. پیکربندی فیلتر 5 × 5 مورد استفاده در CA_Markov.

شکل 3. پارامترهای تناسب: ( سمت چپ ) سلول های قرمز ارتفاعات مناسبی برای توسعه شهری هستند و سلول های سیاه ارتفاعاتی هستند که برای توسعه شهری مناسب نیستند. و ( سمت راست ) سلول های قرمز شیب هایی برای توسعه شهری هستند و سلول های سیاه شیب هایی هستند که برای توسعه شهری مناسب نیستند.

شکل 4. پارامترهای مناسب: ( سمت چپ ) فاصله تا رودخانه ها (m); و ( سمت راست ) فاصله تا جاده ها (m).

شکل 5. رویه ای که برای تجزیه و تحلیل تغییرات مکانی-زمانی هفت کاربری زمین در مناطق شهری و شهری شهر چیهواهوا دنبال شد.

شکل 6. نقشه های کاربری اراضی شهر چیهواهوا برای سال های 1989، 1999، 2009 و 2014.

شکل 7. پویایی رشد هفت نوع کاربری زمین در مناطق شهری و پیرامونی شهر چیهواهوا طی سال‌های 1989-2014. CL، زمین های زراعی; HS، سکونتگاه های انسانی. OF، جنگل بلوط; WB، بدنه های آبی؛ S، بوته زارها; G، علفزار; R، پوشش گیاهی ساحلی.

شکل 8. رابطه بین پراکندگی شهری و جمعیت آن.

شکل 9. مقایسه کاربری های شبیه سازی شده و واقعی برای: 2009 ( سمت چپ ); و 2014 ( سمت راست ). CL، زمین های زراعی; HS، سکونتگاه های انسانی. OF، جنگل بلوط; WB، بدنه های آبی؛ S، بوته زارها; G، علفزار; R، پوشش گیاهی ساحلی.

شکل 10. شبیه سازی مناطق اشغال شده از هفت کاربری از مناطق شهری و پیرامونی شهر چیهواهوا تا سال 2019 و 2024.

جدول 1. ویژگی های صحنه های مربوط به مناطق شهری و پیرامونی چیهواهوا.

جدول 2. تعریف کاربری برای منطقه مورد مطالعه و خواص مناطق آموزشی مربوطه.

جدول 3. دقت طبقه بندی کاربری اراضی.

جدول 4. درصد اشغال هفت نوع کاربری زمین در مناطق شهری و پیرامونی شهر چیهواهوا در سال های 1989، 1999، 2009 و 2014.

جدول 5. تغییر پویایی هفت نوع کاربری زمین در مناطق شهری و پیرامونی شهر چیهواهوا. اعداد مثبت و منفی به ترتیب نشان دهنده سود و زیان سطح هستند.

جدول 6. ماتریس احتمال انتقال برای دوره های 1989-1999، 1999-2009، و 2009-2014.

جدول 7. توافق بین ارزش واقعی و شبیه سازی شده هفت کاربری زمین در سال های 2009 و 2014 در مناطق شهری و پیرامونی شهر چیهواهوا.

جدول 8. ماتریس احتمال انتقال برای سال های 2019 و 2024.

جدول 9. مناطق تحت پوشش شبیه سازی شده و درصد اشغال هفت کاربری از مناطق شهری و پیرامونی شهر چیهواهوا تا سال 2019 و 2024.

جدول 10. دینامیک تغییرات کاربری زمین برای هفت نوع کاربری مناطق شهری و پیرامونی شهر چیهواهوا تا سال 2019 و 2024.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب