مدل سازی تغییرات پوشش سرزمین بر پایه شبکه عصبی مصنوعی و پتانسیل انتقال در روش LCM (مطالعه موردی: جنگل های گیلان غرب، استان کرمانشاه)

مدل­سازی روند تغییرات پوشش سرزمین در گذر زمان با به کارگیری داده­های چندزمانه در محیط سامانه اطلاعات جغرافیایی می­تواند یکی از مهم ترین عوامل در مدیریت بهینه این تغییرات باشد. به منظور مدل­سازی روند تغییرات پوشش سرزمین و بررسی امکان پیش­بینی آن در آینده، مدل ساز تغییر زمین (LCM) به کار گرفته شد. داده­های VNIR سنجنده ASTER ماهواره TERRA با قدرت تفکیک مکانی ۱۵ متر مربوط به سه دوره زمانی ۲۰۰۰، ۲۰۰۷ و ۲۰۱۶ در جنگل­های شهرستان گیلان­ غرب استان کرمانشاه تجزیه وتحلیل شد. نقشه­های پوشش سرزمین سال­های یادشده در چهار طبقه پوشش جنگل، اراضی مرتعی، اراضی کشاورزی و مناطق انسان ساخت برای هر یک از تصاویر با به کارگیری روش حداکثر تشابه استخراج شد. نتایج تجزیه وتحلیل داده­ها در دوره اول (۲۰۰۷-۲۰۰۰) و دوره دوم (۲۰۱۶-۲۰۰۷) 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 حاشیه جنگل، فاصله از اراضی مرتعی، فاصله از اراضی کشاورزی، مدل­سازی پتانسیل انتقال سال ۲۰۱۶ به روش شبکه عصبی پرسپترون چندلایه انجام گرفت. سپس، به وسیله مدل پیش­بینی سخت و تصاویر طبقه­بندی شده دوره اول (۲۰۰۷-۲۰۰۰)، نقشه پوشش سال ۲۰۱۶ با به کارگیری مدل­ساز تغییر زمین پیش­بینی شد. پس از ارزیابی مدل، میزان صحت کلی برابر با ۰۹/۸۳ و ضریب کاپای برابر با ۷۹/۰ به دست آمد که بیان کننده انطباق زیاد بین نقشه پیش بینی شده و نقشه طبقه­بندی شده است. با واردکردن نقشه­های پوشش سرزمین دوره دوم (۲۰۱۶-۲۰۰۷) به مدل­ساز تغییر زمین، نقشه پیش­بینی پوشش سرزمین سال ۲۰۲۵ تهیه شد که نتایج نشان داد ۵۲/۱۰۲۹ هکتار از پوشش جنگل و ۹۲/۱۶۸۶ هکتار از اراضی مرتعی پتانسیل انتقال به اراضی کشاورزی را خواهند داشت.

کلیدواژه ها:

پتانسیل انتقال ، پوشش سرزمین ، گیلان­ غرب ، مدل ­سازی ، LCM