مدل‌سازی تغییرات پوشش سرزمین بر پایه شبکه عصبی مصنوعی و پتانسیل انتقال در روش LCM (مطالعه موردی: جنگل‌های گیلان‌غرب، استان کرمانشاه)

Abstract

مدل­سازی روند تغییرات پوشش سرزمین در گذر زمان با به‌کارگیری داده­های چندزمانه در محیط سامانة اطلاعات جغرافیایی می­تواند یکی از مهم‌ترین عوامل در مدیریت بهینة این تغییرات باشد. به‌منظور مدل­سازی روند تغییرات پوشش سرزمین و بررسی امکان پیش­بینی آن در آینده، مدل‌ساز تغییر زمین (LCM) به‌کار گرفته شد. داده­های VNIR سنجندة ASTER ماهوارة TERRA با قدرت تفکیک مکانی 15 متر مربوط به سه دورة زمانی 2000، 2007 و 2016 در جنگل­های شهرستان گیلان­ غرب استان کرمانشاه تجزیه‌وتحلیل شد. نقشه­های پوشش سرزمین سال­های یادشده در چهار طبقة پوشش جنگل، اراضی مرتعی، اراضی کشاورزی و مناطق انسان‌ساخت برای هر یک از تصاویر با به‌کارگیری روش حداکثر تشابه استخراج شد. نتایج تجزیه‌وتحلیل داده­ها در دورة اول (2007-2000) و دورة دوم (2016-2007) نشان داد پوشش اراضی کشاورزی بیشترین افزایش، و پوشش اراضی مرتعی بیشترین کاهش مساحت را دارند. بر مبنای این تغییرات و با درنظرگرفتن هشت متغیر مستقل مدل رقومی ارتفاع، شیب، جهت، فاصله از جاده، فاصله از مناطق مسکونی، فاصله از حاشیۀ جنگل، فاصله از اراضی مرتعی، فاصله از اراضی کشاورزی، مدل­سازی پتانسیل انتقال سال 2016 به روش شبکة عصبی پرسپترون چندلایه انجام گرفت. سپس، به‌وسیلة مدل پیش­بینی سخت و تصاویر طبقه­بندی‌شدة دورة اول (2007-2000)، نقشة پوشش سال 2016 با به‌کارگیری مدل­ساز تغییر زمین پیش­بینی شد. پس از ارزیابی مدل، میزان صحت کلی برابر با 09_/83 و ضریب کاپای برابر با 79_/0 به‌دست آمد که بیان‌کنندة انطباق زیاد بین نقشة پیش‌بینی‌شده و نقشة طبقه­بندی‌شده است. با واردکردن نقشه­های پوشش سرزمین دورة دوم (2016-2007) به مدل­ساز تغییر زمین، نقشة پیش­بینی پوشش سرزمین سال 2025 تهیه شد که نتایج نشان داد 52_/1029 هکتار از پوشش جنگل و 92_/1686 هکتار از اراضی مرتعی پتانسیل انتقال به اراضی کشاورزی را خواهند داشت. <strong> </strong>