چکیده:
تغییرات کاربری زمین و توسعة شهری از مباحث اساسی در آمایش سرزمین به شمار میآیند. مطالعة میزان تغییرات در گذشته و پیشبینی این تغییرات در آینده نقشی بسزا در ساماندهی فضاهای شهری دارد. هدف این مطالعه، بررسی تغییرات کاربری اراضی و توسعة شهری در اهواز با رویکرد آمایشی مبتنی بر توسعة متوازن شهری است. تصاویر TM (1989)، ETM+ (2002)، و OLI (2019) ماهوارة لندست پایة تحلیل این روند هستند. جهت شناسایی تغییرات از مدل LCM و برای پیشبینی تغییرات از مدل زنجیرة CA-Markov استفاده شد. تصاویر با الگوریتم ماشین بردار پشتیبان روش شیءگرا طبقهبندی و نقشههای کاربری اراضی سه سنجنده با چهار کلاس پوشش گیاهی، نواحی بایر، نواحی ساختهشده، و پهنههای آب تهیه شد. افزایش دقت نقشهها با بهرهگیری از دو شاخص NDVI و SAVI به طور مجزا در طبقهبندی تصاویر صورت پذیرفت. کارایی هر شاخص از طریق ضرایب کاپا و صحت کلی نقشههای کاربری اراضی تعیین شد و سپس با استفاده از نقشههای مربوط به شاخص برتر بررسی تغییرات انجام گرفت. یافتهها نشان داد نقشههای مربوط به شاخص SAVI از صحت بیشتری برخوردارند. ازینرو، در بررسی تغییرات کاربری زمین به کار رفتند. نتایج مدل LCM نشان داد در بازة 1989 تا 2002 میزان 92/2604 هکتار و در بازة 2002 تا 2019 میزان 77/3174 هکتار به نواحی ساختهشده افزوده شده است. در هر دو بازه، بیشترین تغییرات در تبدیل اراضی بایر به نواحی ساختهشده و کمترین تغییرات در تبدیل نواحی ساختهشده به پهنههای آبی بوده است. نتایج مدل CA-Markov تا سال 2029 نیز حاکی از ادامة روند افزایش نواحی ساختهشده بود؛ طوری که در دَه سال میزان 82/2238 هکتار به نواحی ساختهشده الحاق مییابد و مساحت آن به 63/12345 هکتار در سال 2029 میرسد.
The land-use changes and urban development are among the fundamental topics of spatial planning. Monitoring changes in previous years and predicting these changes in the coming years have a significant role in planning and organizing urban spaces. The purpose of this study was to investigate land-use change and urban development in Ahvaz with a landscaping approach based on balanced urban development. .Images of TM (1989), ETM+ (2002), and OLI (2019) of the Landsat satellite are the basis for analyzing this trend. LCM model was used to identify the past changes, while CA-Markov chain model was applied to predict the future changes. These images were classified using a support vector machine algorithm of the object-oriented method, and the land-use maps were prepared using three sensors with four classes of vegetation, barren areas, constructed areas, and water zones. The accuracy of maps was improved separately using NDVI and SAVI indexes in the classification of the images. The efficiency of the indexes was measure by kappa coefficients and the overall accuracy of land-use maps, and then changes were investigated using maps related to the superior index. The results showed that maps related to the SAVI index were more accurate and accordingly, they were used in assessing land-use changes. The LCM model showed that in the periods 1989-2002 and 2002-2019, 2602.92 hectares and 31174.77 hectares were added to the built areas, respectively. In both periods, the most changes were about converting barren lands to built-up areas and the least changes were related to the transformation of the built-up areas to water areas. The results of the CA-Markov model until 2029 showed the continuity of the increasing trend of built-up areas, such that in ten years, 2238.82 hectares will be added to the built-up areas, and it is anticipated that the area will reach approximately 12345.63 hectares by 2029.
خلاصه ماشینی:
com مقدمه امروزه رشد روزافزون شهرها به منزلۀ برآينـد حاصـل از ازديـاد جمعيـت و مهـاجرت هـاي بـي رويـه (٢٠١٩ Agergaard &Brøgger ) منجر به ساخت وسازهاي بدون ضابطه و تحـولات عمـده در سـاختار فضايي و گسترش شهرها شده است (٢٠١٩ Varol et al) که اين وضعيت تغيير در پوشش سطح زمـين و تبديل عوارض طبيعي ، مانند خاک و پوشش گياهي، به بافت هاي شهري را سبب مي شود (عبـداللهي و همکاران ١٣٩٨).
تصـاوير چنـدزماني مـاهوارة لندست يکي از منابع اصلي اطلاعات براي مطالعۀ انواع مختلف تغيير کاربري اسـت (٢٠٢٠ Dibs et al؛ ٢٠١٩ et al ́parovicGas) که در آن استخراج داده ها با طبقه بندي تصاوير ماهواره اي پرکاربردترين روش است (٢٠٢٠ Ge et al؛ ٢٠١٨ Murray et al؛ اسماعيل پور و همکاران ١٣٩٧).
اکبري و همکارانش (١٣٩٨) تصاوير لندست سال هاي ٢٠٠٠، ٢٠٠٨، و ٢٠١٧ را با استفاده از روش شبکۀ عصبي طبقه بندي کردند و با کمـک زنجيـرة مـارکوف بـه بررسي تغييرات کاربري اراضي و شبيه سازي رشد شهري رشت براي سال ٢٠٢٧ پرداختند.
کريمي و همکارانش (١٣٩٧) با طبقه بندي شـيءگراي تصـاوير سـال هـاي ١٣٦٤، ١٣٧١، ١٣٧٩، ١٣٨٧، و ١٣٩٤ لندست تغييرات کاربري اراضي و گسترش فيزيکي شهر بابـل را بررسـي و در ادامه جهت پيش بيني روند تغييرات تا سال ١٤١٩ از مدل زنجيرة مارکوف استفاده کردند.
ابراهيمـي و رسـولي (١٣٩٦) بـا پردازش شيءگراي تصاوير لندست سال هاي ١٣٨٤، ١٣٨٩، و ١٣٩٤ به مدل سـازي تغييـرات ديناميـک کاربري زمين شهر شيراز پرداختند و از مدل زنجيرة مارکوف براي پيش بيني تغييرات کـاربري اسـتفاده کردند.