پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,966,718 |
| تعداد دریافت فایل اصل مقاله | 89,640,466 |
بررسی توانایی مدل Dyna-CLUE در تحلیل و پیش‌بینی الگوهای آتی کاربری اراضی در حوضۀ آبخیز سیمینه‌رود | ||
| اکوهیدرولوژی | ||
| مقاله 7، دوره 8، شماره 1، فروردین 1400، صفحه 73-87 اصل مقاله (1.82 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2020.309703.1381 | ||
| نویسندگان | ||
| سهیلا یونس زاده1؛ علی سلاجقه* 2؛ طیبه مصباح زاده3؛ مسعود تجریشی4؛ شهرام خلیقی سیگارودی5؛ حمید طاهری شهرائینی6 | ||
| 1دانش آموختۀ دکتر‌ی علوم و مهندسی آبخیز، دانشکدۀ منابع طبیعی، دانشگاه تهران، تهران | ||
| 2استاد، دانشکدۀ منابع طبیعی، دانشگاه تهران، تهران | ||
| 3استادیار، دانشکدۀ منابع طبیعی، دانشگاه تهران، تهران | ||
| 4استاد، دانشکدۀ مهندسی عمران، دانشگاه صنعتی شریف، تهران | ||
| 5دانشیار، دانشکدۀ منابع طبیعی، دانشگاه تهران، تهران | ||
| 6پژوهشگر، مؤسسۀ Meteorologie, Freie Universität، برلین | ||
| چکیده | ||
| تغییر کاربری اراضی، نتیجۀ تعامل پیچیده بین بسیاری از فرایندها هستند. به‌منظور درک این پویایی‌ها، مدل‌های بسیاری در دهه‌های اخیر تولید شده‌اند. مطالعۀ حاضر با به‌کارگیری تصاویر ماهوارهای Landsat و استفاده از الگوریتم طبقهبندی حداکثر احتمال، به بررسی الگوی کاربری اراضی حوضۀ آبخیز سیمینه‌رود در سال‌های 1379، 1384، 1389 و 1396 پرداخته و سیر تبدیلات تاریخی آنها را مشخص می‌کند. در نهایت، سناریوهای مختلف تغییرات کاربری اراضی در سال 1419، با بهره‌گیری از آخرین نسخۀ موجود مدل Dyna-CLUE بررسی شده است. نتایج حاصل از مدل‌سازی بیانگر کارایی مدل Dyna-CLUE در تحلیل و پیش‌بینی الگوهای کاربری اراضی در سطح حوضه‌ای بوده و ضرایب واسنجی و اعتبارسنجی آن در سال‌های 1384 و 1389 به‌ترتیب 84/0 و 69/0 است. تحلیل تغییرات کاربری اراضی طی سال‌های 1379 تا 1396 نشان داده که بیشترین تغییر، تبدیل اراضی مرتعی به کشت آبی است؛ به طوری که حدود 343 کیلومترمربع از اراضی مرتعی (معادل 13 درصد) کاهش یافته و اراضی کشاورزی آبی حدود 127 درصد رشد داشته است. همچنین، آرایش مکانی کلاس‌های کاربری اراضی در سال 1419 در قالب سه سناریوی خوش‌بینانه، بدبینانه و ادامۀ روند گذشته بررسی و خروجیهای آن نشان داده است که الگوی آتی غالب کلاس‌های کاربری اراضی منطقه نسبت به الگوهای فضایی تاریخی تغییر زیادی نکرده و پیشروی به‌صورت مجاورتی بوده است. نتایج مطالعۀ حاضر می‌تواند به‌عنوان ابزاری کارآمد، برنامه‌ریزان محیط زیست را در تجهیز مدیریتی زیرساخت‌های آتی حوضۀ سیمینه‌رود یاری دهد. | ||
| کلیدواژه‌ها | ||
| الگوریتم حداکثر احتمال؛ اراضی مرتعی؛ اراضی کشاورزی آبی؛ مدل‌سازی کاربری اراضی | ||
| عنوان مقاله [English] | ||
| Investigating the ability of Dyna-CLUE Model in Analyzing and Predicting Future Land Use Patterns in Simineh River Basin | ||
| نویسندگان [English] | ||
| Soheila Youneszadeh1؛ Ali Salajegheh2؛ Tayebeh Mesbahzadeh3؛ Masoud Tajrishi4؛ Shahram Khalighi Sigaroodi5؛ Hamid Taheri Shahraeini6 | ||
| 1PhD in Watershed Science and Engineering, Faculty of Natural Resources, University of Tehran, Tehran | ||
| 2Professor, Faculty of Natural Resources, University of Tehran, Tehran | ||
| 3Assistant, Faculty of Natural Resources, University of Tehran, Tehran | ||
| 4Professor, Faculty of Civil Engineering, Sharif University of Technology, Tehran | ||
| 5Associate Professor, Faculty of Natural Resources, University Tehran, Tehran | ||
| 6Researchers from the Meteorologie Institute, Freie Universität, Berlin | ||
| چکیده [English] | ||
| Land use changes are the result of complex interactions between many processes. Many models have been developed in recent decades to understand these dynamics. The present study, using Landsat satellite images and applying the maximum probability classification algorithm, examined the land use pattern of Simine River basin in 2000, 2005, 2010 and 2017 and identifies the historical transformations of them. Finally, the various scenarios of land use change in 2040 are examined using the latest version of the Dyna-CLUE land use model. The results of modeling indicate Dyna-CLUE model performance in analyzing and predicting future land use patterns at the basin level and its calibration and validation coefficients in 2005 and 2010 are 0.84 and 0.69, respectively. Analysis of land use changes between 2000 and 2017 has shown that the most important change was the conversion of rangeland lands to irrigated lands so that about 343 square kilometers of rangeland lands (equivalent to 13%) decreased and irrigated agricultural lands increased by about 127%. Also, the spatial arrangement of land use classes in 2040 in the form of three optimistic, pessimistic and the continuation of the previous trend scenarios and its outputs have shown that the future pattern of most land use classes in the region has not changed much compared to historical spatial patterns and shows a marginal spatial expansion. The results of this study can be used as an effective tool for environmental planners to manage the future infrastructure of the Simine River basin. | ||
| کلیدواژه‌ها [English] | ||
| Land Use Modeling, Maximum Likelihood Algorithm, Rangeland, Irrigated Agricultural Land | ||
| مراجع | ||
|
[1].Verburg PH, Soepboer W,Veldkamp A, Limpiada R, Espaldon V, Mastura SS. Modeling the spatial dynamics of regional land use: the CLUE-S model. Environmental Management.2002; 30(3): 391-405.
[2].Al-Ahmadi F, Hames A. Comparison of four classification methods to extract land use and land cover from raw satellite images for some remote arid areas, kingdom of Saudi Arabia. Earth. 2009; 20(1):167-191.
[3].Liu X H, Skidmore A,Van Oosten H.Integration of classification methods for improvement of land-cover map accuracy. ISPRS Journal of Photogrammetry and Remote Sensing. 2002; 56(4):257-268.
[4].Veldkamp A, Fresco L. CLUE: a conceptual model to study the conversion of land use and its effects. Ecological modelling. 1996; 85(2): 253-270.
[5].White R, Engelen G, Uljee I. The use of constrained cellular automata for high-resolution modelling of urban land-use dynamics. Environment and Planning B: Planning and Design. 1997; 24(3):323-343.
[6].Geist HJ, Lambin EF. Proximate Causes and Underlying Driving Forces of Tropical DeforestationTropical forests are disappearing as the result of many pressures, both local and regional, acting in various combinations in different geographical locations. BioScience. 2002; 52(2):143-150.
[7].Piazza G, Thaler T, Fuchs S. Influence of land-use dynamics on natural hazard risk. 2016.Thesis
[8].El Khoury A. Modeling Land-Use Changes in the South Nation Watershed using Dyna-CLUE. Université d'Ottawa/University of Ottawa. 2012.Thesis
[9].Verburg PH, Overmars KP.Combining top-down and bottom-up dynamics in land use modeling: exploring the future of abandoned farmlands in Europe with the Dyna-CLUE model. Landscape ecology KP.2009; 24(9): 11-16.
[10].BabaeiAgdam F, EbraheemzadeAsmin H. Modeling Agricultural and Arid Land use Changes Into Built-up in Ardail Urban Region Using CLUE-S Model. Geography And Development Iranian Journal.2012; 10(26):21-34.PERSIAN
[11]. Fathian F, Morid S, Arshad S.Trend Assessment of Land Use Changes Using Remote Sensing Technique and its Relationship with Streamflows Trend (Case Study: The East Sub-Basins of Urmia Lake). Journal of Water and Soil. 2013; 27(3): 642-655.PERSIAN
]12].Shahabian P, Tarhani H, Habibi NK. Modeling the land use change of agricultural and barren lands to the levels built using the CLUE-S model (studied: Isfahan's 14th district). Land use planning. 2014; 6(2):259-282.PERSIAN
[13].Shirmohammadi B, Malekian A, Salajegheh A, Taheri B, Azarnivand H, Malek Z, et al. Impacts of future climate and land use change on water yield in a semiarid basin in Iran. Land Degradation & Development.2020; 8(10):14-22
[14].Tizora PC. Modelling land use and land cover change in the Western Cape Province, University of Pretoria. 2018. Thesis
[15].Rezaiizaman M, Morid S, Delavar M. Impact of Climate Change on Water Resources on Simineh Rud Basin and Its Inflows to Lake Urmia. Journal of Water and Soil. 2014; 27(6):1247-1259. PERSIAN
[16].Verburg PH.The Clue Modelling Framework. 2010.Course material.
[17]. Ministry of Energy, First Consulting Engineers. Implementing solutions to reduce agricultural water consumption by 40% in Zarrinehroud and Siminehroud basins (Saein Qala and Miandoab study areas). Current status of agriculture and proposed program. 2015.Report.
[18]. The future of food and agriculture - Alternative pathways to 2050. FAO Report. 2018. Available at: http://www.fao.org/global-perspectives-studies/resources/detail/en/c/1157074/
[19].Dodd LE, Pepe MS. Semiparametric regression for the area under the receiver operating characteristic curve. Journal of the American Statistical Association. 2003; 98(462): 409-417.
[20].Fagerland MW, Hosmer DW. A generalized Hosmer–Lemeshow goodness-of-fit test for multinomial logistic regression models. The Stata Journal. 2012; 12(3): 447-453.
[21].Pontius RG, Boersma W, Castella JC, Clarke K, de Nijs T, Dietzel C, et al.Comparing the input, output, and validation maps for several models of land change. The annals of regional science. 2008; 42(1): 11-37.
[22].Engelsman W. Simulating Land Use Changes in an Urbanising Area in Malaysia: An Application of the CLUE-S Model in the Selangor River Basin. 2002. MANUAL.
[23].Soepboer W. The conversion of land use and its effects at small regional extent: CLUE-S: an application for Sibuyan Island, The Philippines. 2001. MANUAL.
[24]. Hu M, Wang Y, Xia B, Jiao M, Huang G. How to balance ecosystem services and economic benefits?–A case study in the Pearl River Delta, China. Journal of Environmental Management. 2020; 271:110917. | ||
|
آمار تعداد مشاهده مقاله: 472 تعداد دریافت فایل اصل مقاله: 352 |
||