Town and Country Planning

Town and Country Planning

Land Cover Change Modeling based on Artificial Neural Networks and transmission potential method in LCM (Case Study: Forests Gilan-e Gharb, Kermanshah Province)

Document Type : Research Paper

Authors
Rohollah Parma 1
Rahim Maleknia 2
Shaban Shataee 3
Hamed Naghavi 2
1 Ph.D. Student, Faculty of Agriculture and Natural Resource, Lorestan University Khorramābād, Iran
2 Assistant Professor, Faculty of Agriculture and Natural Resource, Lorestan University, Khorramābād, Iran
3 Associate Professor, Faculty of Forestry, Gorgan University of Agriculture Science and Natural Resource, Gorgan, Iran
10.22059/jtcp.2017.61410
Abstract
In order to land cover change modeling and detect to possibility of predict the future trend of Land Change modeler (LCM) was used. VNIR Data ASTER Sensor of TERRA satellite with spatial resolution of 15m for three periods 2000, 2007 and 2016 from Gilan-e-Gharb forests of Kermanshah province were analyzed. Land cover maps of years 2000, 2007 and 2016 four categories: forest cover, pasture lands, agricultural lands and built-up area areas for each of images were extracted. The results of data analysis in the first period (2000-2007) and the second period (2007-2016) showed the greatest increase in agricultural lands and pasture lands have the greatest decrease area. Based on these changes and by taking eight independent variable, transition potential modeling of 2016 was done using Artificial Neural Network. Then by hard predict model and images were classified of first period (2000- 2007), the land cover map in 2016 using Land Change Modeler was predicted. After evaluating the model, 83.09 and 71.10 overall accuracy was obtained for the first and second periods showed the consistency between prediction map and classified map of year 2016. The land cover maps by entering the second period (2007-2016) to Land Change Modeler the land.
 
 
 
 
Keywords
modeling
Land cover
transition potential
Gilan-e-Gharb
LCM
  1. آرخی، صالح (1394). آشکارسازی تغییرات پوشش/ کاربری اراضی با پردازش شیءگرای تصاویر ماهواره­ای با استفاده از نرم‌افزار Idrisi Selva (مطالعة موردی: منطقة آبدانان). فصل‌نامة علمی- پژوهشی اطلاعات جغرافیایی، دورة 24، شمارة 95، صفحات 62-51.
  2. آرخی، صالح، و فتحی­زاد، حسن (1393). ارزیابی کارایی چهار روش شبکة عصبی مصنوعی در تهیة نقشة پوشش/کاربری اراضی با استفاده از تصاویر ماهواره­ایETM+  (مطالعة موردی: سه منطقة دویرج، مهران و سرابله). جغرافیا و توسعه، دورة 4، شمارة 37، صفحات 146-133.
  3. پرما، روح­الله، و شتایی، شعبان (1389). بررسی امکان تهیة نقشه­های تنوع و تراکم تاج­پوشش جنگل­های زاگرس با استفاده از تصاویر سنجندة ETM+ (مطالعة موردی جنگل­های قلاجة استان کرمانشاه). مجلة جنگل ایران، دورة 2، شمارة 3، صفحات 242 - 231.
  4. پورخباز، حمیدرضا، محمدیاری، فاطمه، اقدر، حسین، و توکلی، مرتضی (1394). رویکرد آمایشی در مدل­سازی تغییرات کاربری اراضی شهرستان بهبهان با به‌کارگیری تصاویر ماهواره­ای چندزمانه­ای. آمایش سرزمین، دورة 7، شمارة 2، صفحات 207-187.
  5. زهره‌وندی، علی اصغر (1382). بررسی روند تغییرات و برآورد بنه با دو روش آماربرداری ترانسکت بر روی عکس‌های هوایی و ترانسکت زمینی در جنگل‌های قلاجه. پایان‌نامة کارشناسی ارشد، رشتة جنگلداری، دانشگاه تهران.
  6. درویش­صفت، علی اصغر (1377). جزوة درسی سنجش‌ازدور، دانشگاه تهران.
  7. طاهری، محمد، غلامعلی­فرد، مهدی، ریاحی بختیاری، علیرضا، و رحیم‌اوغلی، شاهین (1392). مدل­سازی تغییرات پوشش سرزمین شهرستان تبریز با استفاده از شبکة عصبی مصنوعی و زنجیرة مارکوف. پژوهش­های جغرافیای طبیعی، دورة 45، شمارة 4، صفحات 121-97.
  8. عزیزی قلاتی، سارا، رنگزن، کاظم، تقی­زاده، ایوب، و احمدی، شهرام (1393). مدل­سازی تغییرات کاربری اراضی با استفاده از روش رگرسیون لجستیک در مدل LCM (پژوهش موردی: منطقه کوهمره­سرخی استان فارس). فصل‌نامة علمی-پژوهشی تحقیقات جنگل و صنوبر ایران، دورة 22، شمارة 4، صفحات 596 - 585.
  9.  غلامعلی‌فرد، مهدی، جورابیان شوشتری، شریف، آبکار، علی­اکبر، و نعیمی، بابک (1393). مقایسة الگوریتم‌های رگرسیون لجستیک و شبکة عصبی مصنوعی در مدل‌سازی تجربی پتانسیل انتقال تغییر پوشش سرزمین سواحل استان مازندران. پژوهش­های محیط زیست، دورة 5، شمارة 9، صفحات 176 - 167.
  10.  غلامعلی­فرد، مهدی، میرزایی، محسن، و جورابیان شوشتری، شریف (1393). مدل­سازی تغییرات پوشش اراضی با استفاده از شبکة عصبی مصنوعی و زنجیرة مارکوف (مطالعة موردی: سواحل میانی استان بوشهر). مجلة کاربرد سنجش‌ازدور و GIS در علوم منابع طبیعی، دورة 5، شمارة 1، صفحات 79 - 65.
  11. فتاحی، محمد (1384). کتاب مدیریت جنگل‌های زاگرس. تهران: دانشگاه تهران.
  12. قنبری، فریبا، و شتایی، شعبان (1389). بررسی روند تغییرات سطح جنگل با استفاده از عکس­های هوایی و تصاویر ASTER (مطالعة موردی: جنگل­های حاشیه­ای جنوب و جنوب غربی شهر گرگان). مجلة پژوهش‌های علوم و فناوری چوب و جنگل، دورة 17، شمارة 4، صفحات 18-1. 
  13. کامیاب، حمیدرضا، سلمان ماهینی، عبدالرسول، حسینی، سید­محسن، و غلامعلی‌فرد، مهدی (1390). کاربرد شبکه‌های عصبی مصنوعی در مدل‌سازی توسعة شهری (مطالعة موردی: شهر گرگان). مجلة پژوهش‌های جغرافیای انسانی، دورة 43، شمارة 76، صفحات 113-99.
  14. وفایی، ساسان، درویش صفت، علی­اصغر، و پیر باوقار، مهتاب (1392). پایش و پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل LCM (مطالعة موردی: منطقة مریوان). مجلة جنگل ایران، دورة 5، شمارة 3، صفحات 336- 323.
  15. Bakr, N., weindorf, D. C., Bahnassy, M. H, Marei, S. M., & El-Badawi, M.M. (2010). Monitoring land cover changes in a newly reclaimed area of Egypt using Multitemporal Landsat data. Applied Geography, 30(4), 592-605.
  16. Easteman, J. R. (2009). IDRISI Taiga Guide to GIS and Image Processing. Clark University, Worcester, MA.
  17. Hu, X., & Weng, Q. (2009). Estimating impervious surfaces from medium spatial resolution imagery using the self-organizing map and multi-layer Perceptron Neural Networks. Remote Sensing of Environment, 113(10), 2089–2102.
  18. J. C. Y. (2000). Land-use classification of remotely sensed data using Kohonen self organizing feature map Neural Networks. Photogrammetric Engineering and Remote Sensing, 66(12), 1451–1460.
  19. Khoi, D., & Murayama, Y. (2011). Modeling deforestation using a neural Network-Maarkov Model: Spatial Analysis and Modeling in Geographical Transformation Process. 100(6), 169-190.
  20. Koranteng, A., & Niedzwiecki, T. Z. (2015). Modelling forest Loss and other land use change dynamics in Ashanti Region of Ghana. Folia Forestalia Polonica, 57(2), 96-111.
  21. Kim, O. S. (2010). An Assessment of Deforestation models for Reducing Emission from Deforestation and Forest Degradation (REDD). Transaction in GIS, 14(2), 631-654.
  22. Kuplich, T. M. (2006). Classifying regenerating forest stages in Amazonia using remotely sensed images and neural network. Forest Ecology and Management, 234(6), 1-9.
  23. Lambin, E. F. (1997). Modeling and monitoring land-cover change processes in tropical regions. Progress in Physical Geography, 21(6), 375–393.
  24. McConnel, W. J., Sweeney, S. P., & Mulley, B. (2004). Physical and social access to land: Spatio-temporal patterns of agricultural expansion in Madagascar. Agriculture, Ecosystems & Environment. 10(1), 171-184.
  25. Megahed, Y., Cabral, P., Silva, J., & Caetano, M. (2015). Land cover mapping analysis and urban growth modeling using Remote Sensing Techniques in Greater Cairo Region-Egypt. ISPRS International Journal of Geo-Information, 4(1), 1750-1769.
  26. Nahuelhual, L., Carmona, A., Lara, A., Echeverría, C., & González, M. E. (2012). Land-cover change to forest plantations: proximate causes and implications for the landscape in South-central Chile. Landscape and Urban Planning, 107(1), 12-20.
  27. Pelorosso, R., Chiesa, S. D., Tappeiner, U., Leone, A., & Rocchini, D. (2011). Stability analysis for defining management strategies in abandoned mountain landscapes of the Mediterranean basin. Landscape and Urban Planning, 103(5), 335-346.
  28. Perez-Vega, A., Mas, J., & Ligmann-Zielinska, A. (2011). Comparing two approaches to land use/cover change modeling and their implication for the assessment of biodiversity loss in a deciduous tropical forest. Environmental Modeling & Software, 29(1), 11-23.
  29. Pijanowski, B. C., Brown, D. G., Shellito, B. A., & Manik, G.A. (2002). Using Neural networks and GIS to forecast land use changes: a Land Transformation Model. Computers Environment and Urban Systems, 26(1), 553–575.
  30. Razavi, B. S. (2014). Predicting the trend of land use change using Artificial Neural Network and Markov Chain Model (Case study: Kermanshah City). Research Journal of Environmental and Earth Science, 6(4), 215-226.
  31. Yuan, F., Sawaya, K. E., Loeffelholz, B. C., & Bauer, M. E. (2005). Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by Multi-temporal Landsat remote sensing. Remote Sensing of Environment, 98(2), 317-328.
  32. Schulz, J. J., Cayuela, L., Echeverria, C., Salas, J., & Rey Benayas, J. M. (2010). Monitoring land cover change of the dryland forest landscape of Central Chile (1975–2008). Applied Geography, 30(3), 436-447.
  33. Stephenne, N., & Lambin, E. F. (2001). A dynamic simulation model of land-use changes in Sudano-sahelian countries of Africa (SALU). Agriculture, Ecosystems and Environment, 85(2), 154–161.
  34. Vaclavik, T., & Rogan, J. (2009). Identifying trends in land use/land cover changes in the context of post socialist transformation in Central Europe: A case study of the greater Olomouc region, Czech Republic. GIS science & Remote Sensing, 46(1), 54–76.
  35. Verburg, P. H., Schot, P., Dijst, M., & Veldkamp, A. (2004). Land use change modelling: current practice and research priorities. GeoJournal, 61(4), 1-23.
Town and Country Planning
Volume 9, Issue 1
Spring & Summer
May 2017
Pages 129-151

  • Receive Date 21 December 2016
  • Revise Date 17 April 2017
  • Accept Date 20 February 2017