پیش‌بینی تغییرات کاربری اراضی و رشد شهری با استفاده از مدل تلفیقی زنجیرۀ مارکوف و سلول‌های خودکار (مطالعه موردی: شهر اهواز)

نوع مقاله : پژوهشی- مطالعه موردی

نویسندگان

مهناز حسینی سیاه گلی ¹

ایرج جباری ²

¹ پسادکتری جغرافیا و برنامه‌ریزی شهری، دانشگاه شهید چمران اهواز، اهواز، ایران

² دانشیار ژئومورفولوژی، گروه جغرافیا، دانشگاه رازی، کرمانشاه، ایران

https://doi.org/10.22067/jgrd.2025.94160.1574

چکیده

تغییر کاربری و پوشش زمین (LULC) به‌عنوان یک عامل کلیدی، اثرات چشمگیر و مهمی بر محیط زیست دارد. دسترسی به داده‌های دقیق و بروز LULC از تصاویر ماهواره‌ای که با تکنیک‌های پیشرفته پردازش می‌شوند، فرصتی بی‌نظیر برای شناسایی، نظارت و مدل‌سازی تغییرات آینده و مدیریت پایدار منابع طبیعی فراهم می‌کند. این امر به تصمیم‌گیری بهتر و برنامه‌ریزی مؤثر کمک شایانی می‌نماید. این پژوهش با هدف بررسی تغییرات کاربری اراضی شهری اهواز در سال‌های گذشته و پیش‌بینی تغییرات آتی با استفاده از مدل CA–Markov انجام شده است. در این راستا، از نرم‌افزارهای ENVI، IDRISI TerrSet وARC GIS برای پیش‌بینی تغییرات کاربری اراضی شهری و از نرم‌افزار Spectrom با روش Demproj برای تحلیل و پیش‌بینی جمعیت استفاده شد. نتایج ارزیابی، دقت بالای نقشه‌های کاربری اراضی سال‌های 2006 و 2017 را با ضرایب کاپا 9/81 درصد و 7/88 درصد و دقت کلی 4/93 و 6/96 درصد تأیید می‌کند. نقشۀ کاربری زمین برای سال 2030 نیز با مدل CA–Markov پیش‌بینی شده است. یافته‌های پژوهش حاکی از وجود 7092.44 هکتار زمین بایر در هشت منطقۀ شهر اهواز است که می‌تواند نقش مهمی در جلوگیری از گسترش افقی شهر و هدایت توسعه به سمت رشد متراکم ایفا کند. کمترین میزان زمین بایر (94/10 درصد) در منطقۀ هفت و بیشترین آن در منطقۀ دو قرار دارد. به‌طور متوسط، 35/33 درصد از کل مناطق اهواز را زمین‌های بایر تشکیل می‌دهند که به‌وضوح در نقشۀ کاربری اراضی شهری در میان مناطق ساخته شده و کاربری‌های شهری قابل مشاهده‌اند. تحلیل‌ها با روش مارکوف برای پیش‌بینی گسترش شهر تا سال 1430 نشان می‌دهد که این زمین‌های بایر علاوه بر کاربری‌های افقی، می‌توانند به پوشش سطح شهر کمک کرده و منجر به رشد متراکم شهری شوند.
 

کلیدواژه‌ها

کاربری اراضی شهری

تغییرات کاربری اراضی شهری

زنجیرۀ مارکوف

سلول‌های خودکار

شهر اهواز

موضوعات

• تئوری های مرتبط با جغرافیا و و توسعه ناحیه ای

---

مراجع

1. ارخی، ص. (140). پیش‌بینی تغییرات کاربری اراضی با استفاده از تصاویر چندزمانه و مدل CA-MARKOV (مطالعه موردی: شهرگرگان). مطالعات توسعۀ پایدار شهری و منطقه‌ای، 6(3)، 121-138.
2. بکائیان، ف؛ شمسی‌پور، ع؛ و علی‌خواه‌اصل، م. (1399). پایش روند تغییرات کاربری اراضی با تأکید بر توسعۀ فیزیکی شهر تهران. علوم و تکنولوژی محیط زیست، 22(1)، 61-78.
3. حیات‌زاده، م؛ اختصاصی، م؛ ملکی‌نژاد. ح؛ فتح‌زاده، ا؛ و عظیم‌زاده، ح. (1395). شبیه‌سازی نقشۀ کاربری آیندۀ حوزۀ حوضه، با ادغام اتوماتای سلولی و مدل‌های زنجیرۀ مارکوف براساس انتخاب بهترین طبقه‌بندی الگوریتم (مطالعه موردی حوضۀ فخرآباد مهریز یزد). تحقیقات فرسایش محیطی، 6(4)، 1-22.
4. خزایی، ع؛ عباس‌پور، م؛ بابایی‌کفاکی، س؛ تقوی، ل؛ و رشیدی، ی. (1402). بررسی و پیش‌بینی تغییرات کاربری اراضی کلان‌شهر تهران با استفاده از تکنولوژی سنجش از دور. فصلنامۀ علوم محیطی، 21(2)، 121-138.
5. داداش‌پور، ه؛ پناهی، ح؛ و شمس‌الدینی، ع. (1398). تحلیل عوامل محرک و پیش‌بینی تغییرات کاربری زمین در منطقۀ‌ کلان‌شهری تهران با تأکید بر یک مدل منطقه‌ای یکپارچه. فصلنامۀ علمی برنامه‌ریزی منطقه‌ای، 9(35)، 39-56.
6. روستایی، ش؛ احدنژادروشن، م؛ و فرخی‌صومعه، م. (1393). سنجش فضایی گستردگی شهری با تأکید بر تغییرات کاربری اراضی با استفاده از تصاویر ماهواره‌ای چندزمانه (مطالعه موردی شهر ارومیه). مجلۀ جغرافیا و برنامه‌ریزی، 18(50)، 206-189.
7. رهنما، م؛ عجزه‌شکوهی،م؛ و عطا، ب. (1396). تشخیص تغییرات کاربری یا پوشش اراضی در شهرستان گنبدکاووس با استفاده از سنجش از دور. فصلنامۀ داده‌های جغرافیایی (SEPEHR)، 26(103)، 148-160.
8. سامی، ا؛ کرباسی، پ؛ کریمی‌سلطانی، پ؛ و سنگین‌آبادی، م. (1401). ارزیابی و پیش‌بینی تغییرات فضایی و روند رشد شهری با استفاده ازسنجش از دور (مطالعه موردی: شهر قروه). مطالعات برنامه‌ریزی سکونتگاه‌های انسانی، 17(4)، 1049-1061.
9. سیدی‌فر، ل؛ دارابی، ح؛ امیری، م.ج؛ کرباسی، ع؛ و آقامحمدی، ح. (1399). پیش‌بینی تغییر کاربری اراضی شهری تبریز، با استفاده از مدلSLEUTH. برنامه‌ریزی توسعۀ کالبدی، 7(3)، 21-33.
10. عزیزی‌قلاتی، س؛ رنگزن، ک؛ سدیدی، ج؛ حیدریان، پ؛ و تقی‌زاده، ا. (1395). پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل زنجیرۀ مارکوف-CA (مطالعه موردی: منطقۀ کوهمره سرخی استان فارس). سنجش از دور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی (کاربرد سنجش از دور و GIS در علوم منابع طبیعی )، 7(1)، 59-71.
11. فیضی‌زاده، ب. (1396). مدل‌سازی تغییرات کاربری اراضی و اثرات آن بر سیستم فرسایش در حوضۀ سد علویان با استفاده از تکنیک‌های سنجش از دور وGIS. . هیدروژئومورفولوژی، 3(11 )، 21-38.
12. قدوسی، و؛ رحمتی، م؛ و نظم‌فر، ح. (1404). تغییرات کاربری اراضی وشبیه‌سازی رشد و توسعۀ شهری (مطالعه موردی شهر اردبیل). مطالعات توسعۀ پایدار شهری و منطقه‌ای، 6(3)، 168-184.
13. کریمی‌فیروزجایی، م؛ کیاورز، م؛ و کلانتری، م. (1397). پایش و پیش‏‌بینی تغییرات کاربری اراضی و گسترش فیزیکی شهر بابل در دورۀ زمانی 1419-1364 با استفاده از تصاویر چندزمانه لندست. برنامه‌ریزی توسعۀ کالبدی، 5(3)، 32-52.
14. محمدپور، پ؛ ارجمندی، ر؛ حسنی، ا؛ و قدوسی، ج. (1401). طبقه‏بندی و ارزیابی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره‏ای لندست (مطالعه موردی: دشت ری). انسان و محیط زیست، 20(3)، 279-297.
15. محمدیوسفی، م؛ پژوهش، م؛ و هنربخش، ا. (1399). مدل‌سازی روند تغییرات مکانی کاربری اراضی با استفاده از مدل LCM بر پایۀ شبکه‌های عصبی مصنوعی و تحلیل زنجیرۀ مارکوف (مطالعه موردی: حوزۀ آبخیز بهشت‌آباد). پژوهشنامۀ مدیریت حوزۀ آبخیز، 11(21 )، 129-142.
16. مراتی‌فر، م؛ کبودوندپور، ش؛ و امان‌اللهی، ج. (1401). بررسی قابلیت مدل Ca-Markov در پیش‌بینی تغییرات کاربری اراضی (مطالعه‌ موردی: منطقۀ حفاظت شدۀ‌ بیجار). فضای جغرافیایی، ۲۲(۷۹)، ۱-۱۹.
17. موغلی، م. (1402). کاربرد شبکۀ عصبی مصنوعی و Cellular Automata در مدل‌سازی و پیش‌بینی تغییرات کاربری اراضی شهر بوانات. مطالعات برنامه‌ریزی سکونتگاه‌های انسانی، 18(3)، 255-270.
18. نیازی، ی؛ اختصاصی، م.ر؛ ملکی‌نژاد، ح؛ حسینی، س.ز؛ و مرشدی، ج. (1389). مقایسۀ دو روش طبقه‌بندی حداکثر احتمال و شبکۀ عصبی مصنوعی در استخراج نقشۀ کاربری اراضی (مطالعه موردی: حوزۀ سد ایلام). جغرافیا و توسعه، 8(پیاپی 20)، 119-132.
19. Al Rifat, S. A., & Liu, W. (2022). Predicting future urban growth scenarios and potential urban flood exposure using Artificial Neural Network-Markov Chain model in Miami Metropolitan Area. Land Use Policy, 114, 105994.
20. Al-Darwish, Y., Ayad, H., Taha, D., & Saadallah, D. (2018). Predicting the future urban growth and it's impacts on the surrounding environment using urban simulation models: Case study of Ibb city–Yemen. Alexandria engineering journal, 57(4), 2887-2895.
21. Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., & Lambin, E. (2004). Review ArticleDigital change detection methods in ecosystem monitoring: a review. International journal of remote sensing, 25(9), 1565-1596.
22. Han, H., Yang, C., & Song, J. (2015). Scenario simulation and the prediction of land use and land cover change in Beijing, China. Sustainability, 7(4), 4260-4279.
23. Hanoon, S. K., Abdullah, A. F., Shafri, H. Z., & Wayayok, A. (2023). Urban growth forecast using machine learning algorithms and GIS-based novel techniques: a case study focusing on Nasiriyah City, Southern Iraq. ISPRS International Journal of Geo-Information, 12(2), 76.
24. Herold, M., Menz, G., & Clarke, K. C. (2001, June). Remote sensing and urban growth models-demands and perspectives. Symposium on remote sensing of urban areas, Regensburg, Germany2(35),1-12.
25. Kim, M., & Kim, G. (2022). Modeling and predicting urban expansion in South Korea using explainable artificial intelligence (xAI) model. Applied Sciences, 12(18), 9169.
26. Li, D., Li, X., Liu, X., Chen, Y., Li, S., Liu, K., ... & Lao, C. (2012). GPU-CA model for large-scale land-use change simulation. Chinese Science Bulletin, 57(19), 2442-2452.
27. Liu, X., Wei, M., Li, Z., & Zeng, J. (2022). Multi-scenario simulation of urban growth boundaries with an ESP-FLUS model: A case study of the Min Delta region, China. Ecological Indicators, 135, 108538.
28. McDonald, R. I., Green, P., Balk, D., Fekete, B. M., Revenga, C., Todd, M., & Montgomery, M. (2011). Urban growth, climate change, and freshwater availability. Proceedings of the National Academy of Sciences, 108(15), 6312-6317.
29. Mishra, M., Mishra, K. K., Subudhi, A. P., Phil, M., & Cuttack, O. (2011). Urban sprawl mapping and land use change analysis using remote sensing and GIS. In Geospatial World Forum ,1(1),12-25.
30. Park, S., Jeon, S., Kim, S., & Choi, C. (2011). Prediction and comparison of urban growth by land suitability index mapping using GIS and RS in South Korea. Landscape and urban planning, 99(2), 104-114.
31. Riccioli, F., El Asmar, T., El Asmar, J. P., & Fratini, R. (2013). Use of cellular automata in the study of variables involved in land use changes: An application in the wine production sector. Environmental Monitoring and Assessment, 185(7), 5361-5374.
32. Sakieh, Y., Salmanmahiny, A., Mirkarimi, S. H., & Saeidi, S. (2017). Measuring the relationships between landscape aesthetics suitability and spatial patterns of urbanized lands: an informed modelling framework for developing urban growth scenarios. Geocarto International, 32(8), 853-873.
33. Wakode, H. B., Baier, K., Jha, R., & Azzam, R. (2014). Analysis of urban growth using Landsat TM/ETM data and GIS—a case study of Hyderabad, India. Arabian Journal of Geosciences, 7(1), 109-121.
34. Wang, Y., Dong, P., Liao, S., Zhu, Y., Zhang, D., & Yin, N. (2022). Urban Expansion Monitoring Based on the Digital Surface Model-A Case Study of the Beijing–Tianjin–Hebei Plain. Applied Sciences, 12(11), 5312.
35. Xu, L., Liu, X., Tong, D., Liu, Z., Yin, L., & Zheng, W. (2022). Forecasting urban land use change based on cellular automata and the PLUS model. Land, 11(5), 652.
36. Yang, X., Zheng, X. Q., & Chen, R. (2014). A land use change model: Integrating landscape pattern indexes and Markov-CA. Ecological Modelling, 283, 1-7.
37. Yang, X., Zheng, X. Q., & Lv, L. N. (2012). A spatiotemporal model of land use change based on ant colony optimization, Markov chain and cellular automata. Ecological Modelling, 233, 11-19.
38. Zhou, L., Dang, X., Sun, Q., & Wang, S. (2020). Multi-scenario simulation of urban land change in Shanghai by random forest and CA-Markov model. Sustainable Cities and Society, 55, 102045.