Journal of Geography and Regional Development

Predicting Land Use Changes and Urban Growth Using a Combined Markov Chain Model and Autonomous Cells (Case Study: Ahvaz City)

Document Type : Research-Case Study

Authors

Mahnaz Hosseini Siahgoli 1
Iraj Jabbari 2

1 Postdoctoral Fellow in Geography and Urban Planning, Shahid Chamran University of Ahvaz, Ahvaz, Iran

2 Associate Professor of Geomorphology, Department of Geography, Razi University, Kermanshah, Iran

https://doi.org/10.22067/jgrd.2025.94160.1574
Abstract
Land use and cover change (LULC), as a key and dynamic factor, has significant impacts on the global and regional environment, including biodiversity, water resources, and soil quality. Access to accurate and up-to-date LULC data extracted from satellite imagery with advanced remote sensing and machine learning techniques provides a unique opportunity to identify, monitor, and model future changes in this critical phenomenon. This study aimed to investigate changes in urban land use in Ahvaz over the past years and predict future changes using the CA-Markov model. In this regard, ENVI, IDRISI TerrSet, and ARCGIS software were used to predict urban land use changes, and Spectrum software with the Demproj method was employed to analyze and predict population. The evaluation results confirm the high accuracy of the land use maps of 2006 and 2017, with kappa coefficients of 81.9% and 88.7% and overall accuracy of 93.4% and 96.6%, respectively. The land use map of 2030 was also predicted by the CA-Markov model. The findings suggest that there are 7092.44 ha of wasteland spread across eight districts of Ahvaz, which can play an important role in preventing the horizontal expansion of the city and guiding development towards dense growth. The lowest (10.94%) and highest areas of wasteland were found in District 7 and District 2, respectively. On average, wastelands account for 33.35% of the total areas of Ahvaz, which are clearly visible in the urban land use map amid built-up areas and urban uses. Analyses conducted by the Markov method to predict urban expansion until 2051 reveal that these wastelands, in addition to horizontal uses, can contribute to the coverage of the city surface and prompt dense urban growth.
 
 
 
 

Keywords

Urban Land Use
Urban Land Use Changes
Markov Chain
Automatic Cells
Ahvaz City
Subjects
  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.
Send comment about this article
Enter Name.
Enter a valid email address.
Enter a vaid affiliation.
Enter comments (At leaset 10 words)
CAPTCHA Image
Enter Security Code Correctly.

Home

Submit Manuscript

Contact Us