توسعه کشاورزی یکی از نیروهای محرک اصلی تغییر پوشش زمین در جهان است. علیرغم توجه روزافزون به عوامل ایجاد کننده آن، الگوها و فرآیندهای مرتبط با سیستم های کشت بومی به خوبی شناخته نشده است. این مطالعه تغییرات کشاورزی مرتبط با سیستم‌های تولید بومی مبتنی بر معیشت را در حوضه پایین رودخانه Pastaza در آمازون اکوادور از طریق یک مدل دینامیکی صریح فضایی تجزیه و تحلیل می‌کند. این مدل رگرسیون لجستیک چندگانه و اتوماتای ​​سلولی را برای شبیه‌سازی گسترش کشاورزی در وضوحی مطابق با کشاورزی در مقیاس کوچک ادغام می‌کند و با فرآیندهای ذاتاً فضایی سروکار دارد. داده‌های مربوط به استفاده از زمین و شیوه‌های کشت از طریق سنجش از دور و بازدیدهای میدانی جمع‌آوری شد و در چارچوب سیستم اطلاعات جغرافیایی پردازش شد. نتایج نشان می‌دهد که با فشار جمعیت، در مجاورت کرت‌های کشت موجود و نزدیکی به مرکز سکونتگاه‌های انسانی، احتمال تبدیل شدن به یک منطقه کشاورزی افزایش می‌یابد. ارتباط مثبت بین نزدیکی به مناطق کشت و احتمال حضور کشاورزی به وضوح اثر سرریز و اینرسی فضایی ناشی از تغییر شیوه‌های کشت را نشان می‌دهد. این مدل یک سیستم کشت در حال تغییر ایده‌آل را با یک چرخه کامل کشت-آش-کشت نشان می‌دهد که نشان می‌دهد چگونه مناطق کشاورزی در فضا و در طول زمان منبسط و منقبض می‌شوند. این مدل خروجی‌های فضایی نسبتاً دقیقی را تولید می‌کند، همانطور که با نتایج مقایسه فضایی بین مناظر شبیه‌سازی شده و واقعی نشان داده شده است.

کلمات کلیدی:

لجستیک، اتوماتای ​​سلولی، GIS، کشت انتقالی، پوشش زمین، آمازون

1. مقدمه

استفاده از زمین و تغییرات پوشش زمین (LUCC) نیروهای محرکه اصلی تحولات در سیستم زمین هستند [ 1 ]. تمرکز مطالعات LUCC به طور کلی بر شناسایی روابط علت و معلولی برای کشف الگوهای کاربری و پوشش زمین و فرآیندهای تغییر آنها است [ 2 ]. مطالعات LUCC که بر روابط علت و معلولی متمرکز هستند معمولاً به محرک‌های اقتصادی [ 3 ] [ 4 ]، پویایی جمعیت [ 5 ] [ 6 ]، عوامل پراکندگی حومه شهر [ 7 ] [ 8 ]، چرخه‌های رشد خانوار [ 9 ] اشاره می‌کنند.] – [ 11 ] , زیرساخت حمل و نقل [ 12 ] – [ 14 ] , امنیت تصدی [ 15 ] [ 16 ] , شرایط محیطی [ 17 ] [ 18 ] و الگوهای کشاورزی تجاری و استفاده از زمین های معیشتی گسترده [ 14 ] [ 19 ] [ 20 ] به عنوان نیروهای اصلی تأثیرگذار بر چشم انداز.

تا چند دهه پیش، ظرفیت محاسباتی عملیات تکنیک‌های صریح فضایی را برای توصیف تعاملات انسان و محیط محدود می‌کرد [ 21 ]. پیشرفت‌ها در تکنیک‌های فضایی گرا که داده‌های صریح فضایی را ادغام می‌کنند، همانطور که از حسگرهای راه دور و تجزیه و تحلیل اطلاعات جغرافیایی به دست می‌آیند، فرصت‌های جدیدی را برای ترکیب واقعی رویکردهای نوآورانه برای پرداختن به سؤالات اساسی در مورد روابط بین سیستم‌های اجتماعی و اکولوژیکی فراهم می‌کند [ 22 ] [ 23 ].] . این رویکردهای نسبتاً جدید به محققان اجازه می‌دهد تا متغیرهای کلیدی محیطی و اجتماعی را که منظر را شکل می‌دهند شناسایی کنند، و همچنین فرآیندهای پیچیده فضایی ذاتاً را به صورت پویا (برخلاف استاتیک) مدل‌سازی کنند. مدل‌های تغییر کاربری صریح فضایی نه تنها قادر به تخمین کمیت تغییرات و مکان‌هایی که این تغییرات در دوره‌های نسبتاً طولانی رخ می‌دهند، هستند، بلکه برای آشکار کردن روابط چندوجهی الگوی فرآیند در مقیاس‌های مکانی و زمانی مختلف مفید هستند. این مطالعه از چنین رویکردی برای تجزیه و تحلیل LUCC مرتبط با گسترش کشاورزی و سیستم‌های تولید مبتنی بر معیشت در محیط‌های گرمسیری پیروی می‌کند.

رویکردهای صریح فضایی، مانند مدل‌های سلولی، در تحلیل پدیده‌های فضایی پیچیده با توجه به سادگی و انعطاف‌پذیری نسبی آنها موفق بوده‌اند. برای مثال، در اتوماتای ​​سلولی (CA)، هر سلول در یک آرایه فضایی در یکی از مجموعه‌های محدودی از حالت‌ها (مثلاً نوعی پوشش زمین یا کاربری زمین) و حالت‌های آینده (مانند انتقال از یک نوع کاربری زمین) وجود دارد. /پوشش زمین به دیگری) به قوانین انتقال مبتنی بر یک محله مکانی-زمانی محلی بستگی دارد. یک سیستم CA همگن است به این معنا که مجموعه حالت های ممکن برای هر سلول یکسان است و قوانین انتقال یکسانی برای هر سلول اعمال می شود. زمان در مراحل گسسته پیش می‌رود و به‌روزرسانی‌ها در وضعیت هر سلول ممکن است همزمان (یعنی همه سلول‌ها به طور همزمان به وضعیت جدید خود به‌روزرسانی می‌شوند) یا ناهمزمان (یعنی سلول‌ها در زمان‌های مختلف به حالت جدید خود به‌روزرسانی می‌شوند) باشد.[ 24 ] . مطالعات LUCC از مدل های CA برای مطالعه پویایی استقرار مرزی [ 25 ]، گسترش آتش [ 26 ]، پویایی جنگل [ 27 ] و رشد شهری [ 28 ] [ 29 ] [ 30 ] [ 31 ] استفاده کرده است.] . اکثر این مطالعات فرض می کنند که احتمال تغییر از یک حالت به حالت دیگر در یک مرحله زمانی n + 1 به دو شرط بستگی دارد: 1) وضعیت فعلی در زمان n و نه به دنباله ای از حالات قبل از آن، و 2) پتانسیل انتقال سلول ها با تأثیری که همسایگی مکانی-زمانی بر یک مکان خاص اعمال می کند تعیین می شود. این دو شرط، CA را به یک چارچوب قوی برای به تصویر کشیدن ماهیت فضایی و پویای درونی تعاملات انسان-محیط در حال تکامل تبدیل می‌کند.

در چند دهه گذشته، روش های آماری مانند رگرسیون لجستیک چندگانه (MLR) به طور فزاینده ای در مطالعات تبدیل پوشش زمین برای تجزیه و تحلیل دینامیک جنگل و پراکندگی آتش [ 32 ]، کشاورزی و تغییر کاربری زمین [ 20 ] [ 33 ] [ 34 ] استفاده شده است. ] و جنگل زدایی [ 12 ] [ 13 ] [ 35 ] . به طور کلی، این نوع مطالعات آماری مبتنی بر مدل‌های استاتیکی پارامتری تجربی هستند که احتمال تغییر پوشش زمین را محاسبه می‌کنند، که نشان‌دهنده احتمال وقوع یک کاربری خاص در یک مکان خاص است [ 36 ].] . MLR قدرت توضیحی عوامل در احتمال وجود یا عدم وجود یک پدیده (مثلاً کشاورزی) را شناسایی می کند که به طور کلی به عنوان یک متغیر طبقه بندی شده تعریف می شود [ 37 ]. اگر مشاهدات مورد استفاده برای تولید مدل MLR از نظر فضایی صریح باشند (یعنی مکان‌یابی شده باشند)، این تکنیک ضرایبی را به دست می‌دهد که می‌تواند برای تولید نقشه‌هایی استفاده شود که احتمال تغییر مکان به یک حالت خاص یا بدون تغییر را نشان می‌دهد.

ادغام تکنیک هایی مانند MLR و CA، در چارچوب سیستم اطلاعات جغرافیایی (GIS)، یک گزینه کارآمد برای مدل سازی پویا و فضایی LUCC است. این نوع هم افزایی برای توسعه سناریوهای LUCC مناسب است، که خود مدل هایی از نحوه عملکرد یک سیستم فضایی هستند و مانند سایر انواع مدل ها، امکان کاوش در درک را فراهم می کنند. در وضوح‌های فضایی خوب، این نوع ادغام امکان کمی کردن و پیش‌بینی تغییرات پوشش زمین مرتبط با فرآیندهای فضایی سطح محلی را فراهم می‌کند [ 43 ]. برای مثال، مدل‌های MLR/CA LUCC برای مدل‌سازی رشد شهری [ 38 ]، تغییرات زمین در مرزهای استعمار [ 39 ]، و تخصیص کاربری زمین در مناطق روستایی [ 39] به‌کار گرفته شده‌اند.40 ] – [ 42 ] . علیرغم محبوبیت فزاینده مدل‌های MLR/CA برای مطالعه دینامیک منظر، تحقیقات بسیار محدودی در مورد الگوها و فرآیندهای مرتبط با سیستم‌های کشت مبتنی بر معیشت با استفاده از این رویکرد انجام شده است. بنابراین، این مطالعه سعی می‌کند این شکاف در تحقیقات را پر کند و به سؤال تحقیقاتی زیر پاسخ دهد: الگوها و فرآیندهای مرتبط با گسترش کشاورزی در سیستم‌های کشت مبتنی بر معیشت در حوضه پایین رودخانه Pastaza در آمازون اکوادور (PRBEA) چیست؟ تاکید بر مدل تحلیلی است که در اینجا به عنوان یک جایگزین کارآمد برای شبیه‌سازی سناریوهای منظر محلی در وضوح‌های خوب و نشان دادن کاربرد و تفسیر آن ارائه شده است.

2. منطقه مطالعه

این مطالعه بر روی منطقه PRBEA پایین در آمازون غربی متمرکز است که عمدتاً توسط جمعیت‌های بومی اشغال شده است. چارچوب مدل‌سازی در مورد جیواروس دشت (آچوار) و جیوارو-کیچوا (شیویار) اعمال می‌شود. قلمروهای آنها تقریباً مساحتی معادل 930000 هکتار را در بر می گیرد ( شکل 1 ) با میانگین تراکم جمعیت 0.7 نفر در هر کیلومتر مربع . نرخ رشد سالانه جمعیت تقریباً 3.6 درصد است [ 44 ]. تولیدات کشاورزی به مساحتی کمتر از 5 درصد از کل قلمرو محدود می شود و عمدتاً معطوف به اهداف معیشتی است. نرخ گسترش کشاورزی در PRBEA تقریباً 0.2 درصد در سال است ( شکل 2 ، جدول 1) .). الگوهای استفاده از زمین و پوشش زمین با شیوه های سنتی مدیریت منابع سازگار است. خانواده‌های بومی در اطراف فرودگاه‌ها جمع می‌شوند تا دهکده‌های کوچک نیمه‌دائمی را تشکیل دهند. نوارهای فرود تنها نوع زیرساخت دسترسی در منطقه هستند و مراکز جوامعی را تشکیل می دهند که اکثر خانواده ها در آن ساکن هستند. مناطق مسکونی توسط مناطق کشت، علوفه و شکار دنبال می شوند [ 45 ]. PRBEA پایینی یک منطقه بسیار متنوع زیستی است و در حال حاضر با توجه به منابع طبیعی و فرهنگی غنی منطقه در مرکز انواع پروژه‌های حفاظتی و توسعه قرار دارد.

شکل 1 . منطقه مورد مطالعه – حوضه رودخانه پاستازا در آمازون اکوادور.

شکل 2 . مقایسه پس از طبقه بندی مناطق کشاورزی و جنگلی بین سال های 1987 و 2002.

جدول 1 . ماتریس تشخیص تغییر بین سالهای 1987 و 2002. تغییرات پوشش زمین در کیلومتر 2 و درصد گزارش شده است.

الف: سال 1987; ب: سال 2002; نرخ تبدیل سالانه از جنگل به کشاورزی = 0.2٪.

3. روش ها و مواد

3.1. جمع آوری و پردازش داده ها

برای توصیف شرایط فضایی فعلی در منطقه، مجموعه‌ای از تصاویر RGB با وضوح فضایی کمتر از 1 متر و گرافیک ویدئویی در سال 2006 با کمک یک هواپیما، یک دوربین دیجیتال مجهز به GPS و یک سیستم نقشه‌برداری ویدئویی (VMS) جمع‌آوری شد. 2.0). این داده‌ها با استفاده از تکنیک‌های سنجش از دور دیجیتال مانند تصحیح هندسی تصویر، موزاییک‌سازی، تفسیر و دیجیتال‌سازی روی صفحه پردازش شدند. با این داده ها، یک پایگاه داده جغرافیایی کاربری/پوشش زمین از 101 واحد تولیدی ایجاد شد که شامل مناطق مسکونی، کشاورزی و علوفه ای از هفت جامعه در منطقه بود ( شکل 1).). از این مجموعه، 66 نفر به صورت میدانی مورد بررسی قرار گرفتند تا نه تنها ویژگی های اجتماعی-اقتصادی و جمعیت شناختی، بلکه اطلاعاتی در مورد ویژگی های ساختاری سیستم تولید (مانند دوره های آیش، شیوه های تخصیص زمین، استراتژی های تولید) به دست آید. این داده‌ها در چارچوب GIS پردازش شدند (ArcGIS v. 9.3)، که اطلاعات مربوط به استفاده از زمین و پوشش زمین را به هم مرتبط می‌کند. داده‌های برداری به شبکه‌های شطرنجی تبدیل شدند و به وضوح فضایی 20 متر (یعنی یک چهارم حداقل قطعه کشاورزی در جوامع مورد بررسی) نمونه‌برداری شدند تا سیستم کشت را مشخص کنند. نقشه های رسمی در مقیاس های 1:25000 و 1:50000 از مؤسسه جغرافیایی نظامی اکوادور برای کمک به توصیف شرایط مکانی (یعنی هیدروگرافی و وجود زیرساخت) در منطقه استفاده شد.[4 6] . نرخ گذار از جنگل به کشاورزی برای منطقه از طبقه بندی تصاویر ماهواره ای Land sat TM و ETM در سال های 1987 و 2002 به دست آمد. داده ها از طریق ادغام MLR و CA برای توضیح الگوهای چشم انداز به دلیل تغییرات در تعداد جمعیت و شرایط محیطی تجزیه و تحلیل شدند.

3.2. چارچوب مدلسازی تغییر کاربری زمین MLR/CA

این مطالعه از دو تکنیک مدل سازی اصلی استفاده می کند. اول، از یک رویکرد MLR برای مدل سازی حضور (1) یا عدم حضور (0) کشاورزی در منطقه بر اساس یک نمونه تصادفی طبقه بندی شده از 2948 سلول که حداقل 60 متر از یکدیگر جدا شده اند (یعنی سه برابر وضوح سلول) استفاده می کند. یک نمونه تصادفی ممکن است به به حداقل رساندن مسائل مرتبط با خودهمبستگی فضایی و به دست آوردن ضرایب کارآمدتر کمک کند [ 13 ]. این مدل تنوع کشاورزی (La) را به حساب می‌آورد که می‌تواند با یک سری عوامل محیطی و جمعیتی توضیح داده شود [ 20 ]. مدل MLR به شکل زیر رسمیت یافته است:

(1)

(2)

که در آن Logit (P a (x, y) ) logit احتمال (Pa) حضور کشاورزی در مکان (x, y) است، α نقطه قطع و β n پارامترهای شیب تخمین زده شده از طریق حداکثر احتمال است. رویه تکراری پارامترهای شیب نشان می دهد که چگونه تغییرات پیش بینی کننده بر تمایل به کشاورزی تأثیر می گذارد. خاک یک متغیر ساختگی است که شرایط خاک “خوب” یا “بد” را نشان می دهد و از نقشه های خاک ایجاد شده توسط وزارت محیط زیست اکوادور [ 47 ] تخمین زده می شود.] و مشاهدات خاک از میدان. PopPre نسبت بین اندازه کل خانوار و کل زمین زیر کشت است و از بررسی‌های خانوارها و نقشه‌های کاربری زمین تخمین زده می‌شود. DstLdn فاصله اقلیدسی از لبه نزدیکترین نوار فرود به هر مکان است. NstNbr فاصله اقلیدسی تا نزدیکترین منطقه کشاورزی است. شیب تخمینی از هزینه‌های تبدیل در محل است و شیب یا همواری زمین را به تصویر می‌کشد و بر اساس مدل ارتفاع دیجیتال با وضوح 30 متر از منطقه تعیین می‌شود. CstDstHo کمترین هزینه انباشته برای حرکت در سطوح مختلف و شرایط زمین است.

دوم، این مطالعه بر مکانیزم CA تکیه دارد که فرآیند تصمیم‌گیری را شبیه‌سازی می‌کند، که در آن عوامل کلیدی و تصادفی ناشناخته بر تصمیم‌گیری‌های شخصی در مورد گسترش یا عدم گسترش کشاورزی تأثیر می‌گذارند. برخی از رویدادها تصادفی به نظر می رسند زیرا گسترش کشاورزی یک پدیده پیچیده است و همه عوامل محرک شناخته شده نیستند. از آنجایی که همه متغیرها از نظر فضایی صریح هستند، ضرایب مدل MLR برای تولید یک رستر احتمال (با استفاده از معادلات (1) و (2)) که مبنای مدل CA است، استفاده می‌شود. نقشه احتمال، احتمال حضور کشاورزی در هر مکان را نشان می دهد. قوانین CA تعیین می کند که کدام سلول از جنگل به کشاورزی بر اساس احتمال سلول و هشت همسایه نزدیک آن تغییر می کند. الگوریتم CA در ArcGIS با استفاده از زبان پایتون پیاده سازی شد و به طور رسمی به صورت زیر تعریف شده است:

خط 1: اگر  پس دیگر

خط 2:

خط 3: اگر  پس دیگر

خط 4: به خط 2 بروید که در آن Pa (x, y) تمایل به کشاورزی در مکان x,y در زمان T است و از طریق MLR تخمین زده می شود و از طریق جبر نقشه به سلول های دیگر تعمیم داده می شود. میانگین احتمال مناطق کشاورزی مشاهده شده است.

احتمال کشاورزی بودن یک سلول در مکان x، y در زمان T + 1 است. N ij میانگین احتمال در یک پنجره 3 × 3 پیکسل است. در ابتدای اولین تکرار (خط 1)، الگوریتم مقدار یک (حضور منطقه کشاورزی) را به آن دسته از سلول هایی اختصاص می دهد که دارای مقداری برابر یا بیشتر از مقدار احتمال برش (یعنی میانگین احتمال مشاهده شده) هستند. مناطق کشت [ارزش = 0. 6]و به عنوان پارامتر در مدل وارد می شود). در غیر این صورت، احتمال سلول ثابت می ماند. اگر بیشتر منطقه اطراف یک لکه جنگلی به کاربری کشاورزی تبدیل شده باشد، احتمالاً لکه جنگل نیز در آینده نزدیک پاکسازی خواهد شد (بر اساس فرضیات مدل). خط 2 زمینه فضایی را در نظر می گیرد تا احتمال یک سلول را بر اساس ویژگی های هشت نزدیک ترین سلول همسایه و سلول های خودش به روز کند. خط 3 میانگین احتمال را با احتمال برش مقایسه می کند و مقدار یک را به سلول هایی که برابر یا بیشتر هستند اختصاص می دهد. خط 4 یک حلقه در الگوریتم ایجاد می‌کند که به مناطق کشاورزی اجازه می‌دهد تا زمانی که دیگر انتقال‌های ممکن با استفاده از فعلی‌ترین مجموعه متغیرها وجود نداشته باشد، گسترش یابد.شکل 3 ).

تعداد کل سلول‌ها برای تغییر از جنگل به کشاورزی در یک شبیه‌سازی سال N بیشتر به احتمال سلول (به‌دست‌آمده از نقشه احتمال و اصلاح شده با تأثیر همسایگی مکانی-زمانی آن) و نرخ انتقال از جنگل به کشاورزی بستگی دارد. برای منطقه هر تکرار در مدل نشان‌دهنده یک گام زمانی یک ساله است که برآوردهای رشد جمعیت و کشاورزی سالانه است. این مکانیسم تا زمانی ادامه می یابد که هیچ انتقال احتمالی دیگری وجود نداشته باشد. اگر وسعت کشاورزی در یک مرحله زمانی خاص کمتر از سطح مورد انتظار باشد، مجموعه جدیدی از سلول‌های انتخابی تصادفی از مکانیسم CA برای تعیین اندازه و شکل مناطق کشاورزی عبور می‌کنند. اگر سطح کشاورزی بزرگتر یا برابر با وسعت کشاورزی مورد انتظار در N سال باشد، سیستم متوقف می شود.

از نظر مفهومی، متغیرهای موجود در مدل را می توان به عنوان حالت پویا یا استاتیک طبقه بندی کرد. متغیرهای پویا حالت آنهایی هستند که در طول زمان تغییر می کنند، در حالی که متغیرهای ایستا (یا پارامترها) ثابت می مانند ( شکل 4 ). برای در-

(الف) (ب)

شکل 3 . نقشه های احتمال قبل از (الف) و بعد از (د) پیچش موتور اتوماتای ​​سلولی با استفاده از احتمال متوسط ​​0.6. (ب) و (ج) مراحل میانی را در فرآیند انتقال نشان می دهد.

شکل 4 . مدل مفهومی رگرسیون چندگانه لجستیک / اتوماتای ​​سلولی (MLR/CA) کشت در حال تغییر.

موقعیت، فاصله تا نزدیکترین منطقه پاک شده (NstNbr) و فشار جمعیت در واحد سطح کشاورزی (PopPre) پویا هستند زیرا لایه‌های فضایی واقعی در طول تکرار تغییر می‌کنند. مقادیر فشار جمعیت پس از هر بار تکرار بر اساس برآوردهای رشد جمعیت برای منطقه به روز می شود. مقادیر شیب (شیب) و فاصله تا نوارهای زمین (DstLnd) پس از هر مرحله زمانی یکسان باقی می‌مانند زیرا این شرایط در دراز مدت ثابت هستند. پس از هر مرحله زمانی، یک نقشه احتمال جدید با استفاده از ضرایب رگرسیون MLR و سایر متغیرهای صریح فضایی از طریق توابع جبر نقشه ساده تولید می‌شود. اگر مقدار سلول های تبدیل شده به استفاده کشاورزی در یک دوره زمانی خاص کمتر از میزان کشاورزی مورد انتظار باشد، سیستم تکرار می شود و متغیرهای پویا حالت جدید محاسبه می شوند.

اگرچه تعیین نرخ انتقال از کشاورزی به آیش به دلیل فقدان داده‌ها در یک قطعنامه منطبق با تجزیه و تحلیل سطح خانوار امکان‌پذیر نبود، اما هنوز می‌توان تعیین کرد که چنین انتقال‌هایی چه زمانی و در کجا اتفاق می‌افتد. گذار از کشاورزی به پوشش گیاهی ثانویه پس از چرخه تولیدی یک منطقه کشاورزی (یعنی سه سال به طور متوسط ​​برای جوامع بین رودخانه ای و ده سال برای جوامع رودخانه ای) رخ می دهد. این اطلاعات به عنوان یک پارامتر ثابت در مدل وارد می شود. بنابراین، نقشه‌های کاربری اراضی مدل‌سازی‌شده نه تنها نشان می‌دهد که انتقال از جنگل به کشاورزی احتمالاً در یک مرحله زمانی خاص در کجا انجام می‌شود، بلکه انتقال از کشاورزی به مناطق آیش را نیز نشان می‌دهد.

نتایج مدل MLR/CA اجازه اعتبارسنجی دقیق را می دهد زیرا می توان آن را با چشم انداز کشاورزی واقعی مقایسه کرد. هیچ نشانه‌ای مبنی بر اینکه چه زمانی ممکن است این تغییرات پوشش زمین رخ دهد، ندارد، اما نشان می‌دهد که اگر فرآیندهای علی مشابه اخیر منطقه را تحت تأثیر قرار دهد، در کجا تغییرات آینده رخ خواهد داد. اگر شرایط نسبتا ثابت باقی بماند (همانطور که در مورد جمعیت های مورد مطالعه بوده است)، می توان تغییرات پوشش زمین در آینده را بر اساس یک سری عوامل شناخته شده واقعی مدل کرد یا شرایط منظر را برای درک بهتر پویایی منظر ردیابی کرد.

مناظر شبیه سازی شده تولید شده توسط مدل MLR/CA با داده های مشاهده شده (N = 13 واحد تولید؛ 886 سلول) از جامعه که در کالیبراسیون مدل آماری گنجانده نشده است، مقایسه شد. فرضیه در این مطالعه این است که از آنجایی که جوامع مبتنی بر معیشت در منطقه PRBEA هنوز کشت سنتی جابه‌جایی را انجام می‌دهند و روش‌های تولید و روابط اجتماعی-اقتصادی در چند دهه گذشته تغییر قابل‌توجهی نداشته است، می‌توان توصیف کرد. شرایط منظر گذشته بر اساس همان عواملی است که امروزه بر گسترش کشاورزی تأثیر می گذارد. این امر به ویژه در رژیم های فعلی مالکیت زمین و نهادهای اجتماعی که استفاده از زمین را در سکونتگاه های بومی سنتی تنظیم می کنند، صادق است.

هنگامی که مدل‌ها بر اساس یک زمینه همسایگی هستند، مانند مدل‌های اتوماتای ​​سلولی، مقایسه‌های آماری پارامتریک بر اساس پیکسل به پیکسل امکان‌پذیر نیست [ 48 ]. بنابراین، این مطالعه از یک سری معیارهای چشم انداز و معیارهای ناپارامتریک برای مقایسه خروجی های مدل ما با داده های مشاهده شده استفاده کرد. نمونه هایی از مطالعاتی که از رویکردهای اعتبارسنجی مشابه استفاده کرده اند عبارتند از [ 49 ] – [ 52 ].

با استفاده از مدل MLR/CA، 50 سناریوی منظر در قالب شطرنجی که مناطق کشاورزی (ارزش = 1) و غیر کشاورزی (ارزش = 0) را نشان می‌دهد، تولید شد و از پنج ویژگی کلیدی منظر (یعنی وسعت کل کشاورزی، میانگین اندازه قطعات کشاورزی استفاده شد). ، فاصله بین نزدیکترین لکه های کشاورزی، تراکم لکه و بعد فراکتال) برای مقایسه نتایج مدل با چشم انداز واقعی مشاهده شده و تأیید صحت پیش بینی ها. این معیارها با استفاده از FRAGSTATS [ 53 ] به دست آمدند.

ابتدا، مقایسه‌ای بین میانگین‌های پنج معیار منظر 50 منظر شبیه‌سازی شده و الگوی واقعی کاربری زمین کشاورزی جامعه که در کالیبراسیون مدل استفاده نشده است، انجام شد. این ارزیابی شامل به دست آوردن یک سری تخمین خطا برای تعیین کمیت نسبت‌های بین: 1) میانگین کل مساحت پیش‌بینی‌شده کشاورزی (S p ) و میزان واقعی استفاده از زمین کشاورزی در سال 2006 ( So )، 2) میانگین سطح وصله پیش بینی کاربری اراضی (MPA p ) و میانگین سطح لکه در سال 2006 (MPA o )، 3) میانگین تراکم لکه پیش بینی شده (PD p ) و میانگین تراکم لکه مشاهده شده در سال 2006 (PD o )، 4) میانگین فاصله نزدیکترین همسایه لکه های کشاورزی پیش بینی شده (ND ص) و میانگین نزدیکترین فاصله قطعات کشاورزی در سال 2006 (ND o ) و 5) میانگین ابعاد فرکتال محیطی – مساحت مناظر شبیه سازی شده (FD p ) و بعد فرکتالی منظر واقعی در سال 2006 (FD o ).

دوم، یک روش ناپارامتری Chi-square برای بررسی سلول به سلول استفاده شد که آیا تفاوت در مقادیر پیکسل متناظر هم در مناطق کشاورزی مشاهده شده و هم پیش بینی شده بیشتر از چیزی است که به تنهایی انتظار می رود [ 54 ]] . فرضیه صفر این است که هیچ تفاوتی بین موزاییک کاربری واقعی زمین و شطرنجی کل مناطق کشاورزی/غیرکشاورزی وجود ندارد. برای به دست آوردن یک تقریب قوی از مناطق کشاورزی پیش‌بینی‌شده، نقشه‌های شبیه‌سازی شده با استفاده از تابع جمع سلولی در GIS در یک رستر واحد ترکیب شدند. اگر یک سلول در هر یک از نتایج مدل به عنوان کشاورزی طبقه بندی شود (مقدار = 50)، آن سلول 100٪ احتمال تبدیل به کشاورزی دارد. اگر یک سلول همیشه به طور مداوم به عنوان غیر کشاورزی کد می شد (مقدار = 0)، احتمال تبدیل آن به کشاورزی صفر بود. این رستر ترکیبی با استفاده از مقدار احتمال برش (یعنی میانگین احتمال مناطق کشاورزی مشاهده شده) به مناطق کشاورزی و غیر کشاورزی طبقه بندی شد.

4. نتایج و بحث

این مطالعه بر تجزیه و تحلیل فرآیندها و الگوهای مرتبط با تغییر کشت در مناطق پست گرمسیری متمرکز بود. اول، این مدل از قابلیت پیش‌بینی MLR برای محاسبه احتمالات فضایی سلول‌ها برای انتقال از جنگل به کشاورزی بر اساس یک سری از پیش‌بینی‌کننده‌های مهم بهره می‌برد. نتایج نشان می‌دهد که احتمال تبدیل شدن به یک منطقه کشاورزی با فشار جمعیت (PopPre)، نزدیکی به کرت‌های کشت موجود (NstNbr) و نزدیکی به مرکز سکونتگاه انسانی (DstLnd) و کیفیت زمین (شیب) افزایش می‌یابد ( جدول 2 ). ). برای بحث دقیق تر در مورد تفسیر و مفاهیم این یافته ها لطفاً به [ 20 ] مراجعه کنید.

دوم، ضرایب MLR به‌عنوان تخمین‌های شیب اولیه برای به‌دست آوردن رسترها در یک GIS مبتنی بر سلول که احتمال تبدیل یک سلول جنگلی به کشاورزی را نشان می‌دهد، استفاده شد. از آنجایی که احتمالات فضایی بسیار همبسته هستند ( شکل 5)، این مدل یک مکانیسم CA را برای شبیه‌سازی اثر سرریز فضایی استفاده از زمین کشاورزی و بررسی فرآیندهای فضایی زیربنایی که منجر به الگوهای منظر فعلی می‌شود را در بر می‌گیرد. تبدیل یک سلول از جنگل به کشاورزی به پتانسیل انتقال سلول و هشت همسایه نزدیک آن بستگی دارد. ارتباط مثبت بین نزدیکی به مناطق کشت و احتمال حضور کشاورزی به وضوح اثر سرریز و اینرسی فضایی ناشی از تغییر شیوه‌های کشت را نشان می‌دهد. تغییرات از یک حالت به حالت دیگر به احتمال زیاد در نزدیکی مناطقی رخ می دهد که این تغییرات قبلاً رخ داده است. دهانه های پوشش جنگلی دسترسی به اراضی جنگلی را بهبود می بخشد و در نتیجه احتمال وجود کاربری کشاورزی را افزایش می دهد.

هر شبیه سازی با تبدیل از جنگل به کشاورزی در دو مکان که نشان دهنده سکونت دو خانواده با 7 عضو هر یک (یعنی میانگین اندازه خانوار نمونه) در اطراف مرکز جامعه است، آغاز شد. این معمولاً روشی است که در آن خوشه‌ها و روستاهای جدید خانواده در منطقه ایجاد می‌شوند. این مکان‌ها بسته به شرایط مکانی اولیه (یعنی توپوگرافی و فاصله تا نوارهای فرود) انتخاب می‌شوند. نتایج نشان می‌دهد که در ابتدای فرآیند تکراری، جنگل بر چشم‌انداز تسلط دارد، وسعت استفاده از زمین کشاورزی برای حمایت از جمعیت فعلی کافی است، و پوشش گیاهی ثانویه وجود ندارد ( شکل 6). انتظار می رود که مناطق کشاورزی در ابتدا گسترش یابد زیرا زمین داران کشاورزی گسترده یا کارآمد را برای حفظ نیازهای اولیه خانوار انجام می دهند. با افزایش فشار تولید برای تامین تقاضای غذا، کشاورزی در سراسر منطقه عمومی گسترش می یابد. هنگامی که این اتفاق می افتد، پوشش گیاهی ثانویه حداقل است زیرا تمام مناطق کشاورزی فعال و در حال تولید هستند. شبیه‌سازی نشان می‌دهد که سطح کشاورزی افزایش می‌یابد تا زمانی که تقاضای غذا دیگر با این گزینه برآورده نشود، سپس گسترش متوقف می‌شود. از این پس، کشاورزی در زمین‌هایی که قبلاً زیر کشت قرار گرفته‌اند، تشدید می‌شود، همانطور که در نمودارهای توسعه کشاورزی در شکل 6 و شکل 7 نشان داده شده است.. با کاهش نرخ های توسعه، وسعت زمین های زیر کشت در زمین های با کیفیت های متفاوت دنباله ای بر خلاف گسترش می شود. اراضی با کیفیت پایین از تولید خارج می شوند و قبل از اراضی با کیفیت مطلوب به عنوان آیش رها می شوند زیرا برای تولید محصول قابل مقایسه به نهاده های بیشتری نیاز دارند. از این رو وسعت پوشش گیاهی ثانویه افزایش می یابد. با افزایش تقاضا به دلیل رشد جمعیت، زمین های بیشتری به تولید می رسد. اراضی که با استفاده از آیش احیا شده اند در صورتی که محصول قابل مقایسه ای داشته باشند به مناطق جنگلی قدیمی ترجیح داده می شوند. مناطق نزدیک به زیرساخت های دسترسی (یعنی نوارهای فرود) نسبت به مناطق دورتر ترجیح داده می شوند زیرا پاکسازی این مناطق ممکن است آسان تر از جنگل های قدیمی باشد به دلیل هزینه های تبدیل کمتر (مانند عدم وجود درختان بزرگ و شرایط توپوگرافی). بدین ترتیب،

شکل 7 ). در مدل، وسعت کشت و پوشش گیاهی ثانویه به دوره زراعی و آیش بستگی دارد که از بررسی های مزرعه ای به دست آمده و به عنوان پارامترهای ورودی در مدل معرفی می شود. در پایان، مدل یک سیستم کشت در حال تغییر ایده‌آل را با یک چرخه کامل کشت/آیش/کشت به تصویر می‌کشد که نشان می‌دهد چگونه مناطق کشاورزی در فضا و در طول زمان منبسط و منقبض می‌شوند.

پنجاه سناریوی کشاورزی شبیه‌سازی‌شده ایجاد شد، از نظر کمی مشخص شد و با ساختار چشم‌انداز واقعی جامعه که در کالیبراسیون مدل آماری گنجانده نشده است، مقایسه شد. نتایج هر جدول 2. نتایج روش MLR و آزمون اهمیت. منبع: [ 20 ] .

Cox & Snell R Square: 0.40; Nagelkerke R Square: 0.88; الف: همبستگی در سطح 001/0 معنادار است. ب: همبستگی در سطح 05/0 معنادار است. ج: همبستگی در سطح 0.1 معنادار است. د: متغیر طبقه‌بندی: اثر افتراقی سطوح n-1 متغیر.

شکل 5 . Semivariogram مقادیر احتمال که وابستگی مکانی قوی را در مقیاس های مختلف نشان می دهد.

شبیه سازی یک لایه فضایی است که نمایانگر یک چشم انداز انسانی است که مناطق کشاورزی و غیرکشاورزی را در یک دوره 20 ساله (یعنی سن جامعه) نشان می دهد. تجزیه و تحلیل ویژگی‌های ساختاری مناظر شبیه‌سازی شده نشان می‌دهد که وسعت کل کشاورزی، همانطور که توسط مدل پیش‌بینی می‌شود، به طور متوسط ​​حدود 33 هاون، با قطعات کشاورزی 0.82 هکتار و تراکم 3.66 لکه در هر کیلومتر مربع است ( جدول 3). ). نتایج مقایسه ( جدول 4) نشان می دهد که مدل به طور متوسط ​​سطح زیر کشت کمی کمتر (0.94 < 1) را نسبت به مقدار بدست آمده از تفسیر تصاویر هوایی پیش بینی کرده است. کرت های کشت به طور کلی کوچکتر از اندازه متوسط ​​مشاهده شده (0.74 < 1)، منظم تر (0.89 <1)، و تراکم آنها به طور قابل توجهی بالاتر از تراکم مشاهده شده (1.79 > 1). این مدل همچنین آرایش خوشه‌ای بیشتری از تکه‌ها را در مقایسه با چشم‌انداز مشاهده‌شده پیش‌بینی کرد (0.82 <1). تفاوت در اندازه مناطق کشت، سطح لکه، و تراکم لکه از اثرات احتمالی روش CA است. این تخمین ها را می توان با تسهیل مجموعه قوانین یا با تغییر مقدار احتمال قطعی که انتقال از “جنگل” به “کشاورزی” را تعیین می کند، بهبود بخشید. بعلاوه، مناطقی که لزوماً زمین های کشاورزی نیستند، اما مصنوعات مکانیسم CA، نباید در ارزیابی نهایی در نظر گرفته شوند. استفاده از یک تکنیک فیلتر کردن، مانند یک الگوریتم مدال در پایان فرآیند تکراری، می‌تواند به به حداقل رساندن این اثرات، کاهش مقدار وصله‌ها و ارائه تخمین بهتری از گستره کشاورزی کمک کند.

برای تعیین کمیت همبستگی های فضایی بین مناظر شبیه سازی شده و مناظر مشاهده شده، 50 لایه کاربری زمین شبیه سازی شده در یک لایه ترکیب شدند که قطعیت تبدیل هر سلول را به تصویر می کشد ( شکل 8 ). را

شکل 6 . نتایج یک شبیه سازی پس از یک سال با افزایش تقاضا برای غذا به دلیل رشد پیوسته جمعیت، گسترش کشاورزی افزایش می‌یابد (نمودار گوشه سمت راست پایین).

جدول 3. آمار توصیفی از پنج معیار چشم انداز برای ارزیابی عملکرد مدل MLR/CA استفاده می شود.

N = 50.

جدول 4. نتایج تجزیه و تحلیل ویژگی های ساختاری مناظر شبیه سازی شده. آمار توصیفی و میانگین خطاهای نسبت بین معیارهای چشم انداز مشاهده شده و پیش بینی شده.

الف: نسبت بین مقادیر متوسط ​​پیش بینی شده 50 پیامد مدل MLR-CA و مقادیر مشاهده شده جامعه که در برآورد مدل MLR استفاده نشده است.

شکل 7 . نتایج یک شبیه سازی پس از 20 سال. شبیه سازی رفتار گسترده کاربری اراضی کشاورزی را در مراحل اولیه تشکیل دهکده نشان می دهد. با افزایش جمعیت، گذار از شیوه های گسترده به فشرده وجود دارد. تشدید ممکن است با تولید محصول بالاتر در واحد سطح یا با کوتاه کردن دوره آیش رخ دهد.

نتایج روش مجذور کای نشان می دهد که یک رابطه آماری معنی داری بین توزیع مشاهده شده و پیش بینی شده در سطح معنی داری 0.05 وجود دارد، اما این رابطه ضعیف است (آمار فی کرامر = 0.03) ( جدول 5 ). بنابراین، ارزیابی ناپارامتریک نشان می‌دهد که مدل مکان مناطق کشت را به خوبی پیش‌بینی کرده است. با این حال، از آنجایی که سطحی که شبیه‌سازی‌های انباشته‌شده را به تصویر می‌کشد، همه مکان‌های ممکن را نشان می‌دهد و تنها کسری از آنها در واقع با مناطق کشت مشاهده‌شده مطابقت دارند، قدرت همبستگی کم است.

5. نتیجه گیری ها

این مطالعه بر تجزیه و تحلیل گسترش کشاورزی در سیستم‌های تولید مبتنی بر معیشت از طریق اجرای یک مدل MLR/CA متمرکز شد. روش MLR نشان داد که فشار جمعیت مهمترین پیش بینی کننده حضور کشاورزی در منطقه است. خانواده های بزرگتر به منابع زمین بیشتری برای تولید غذا نیاز دارند. در سطح محلی، اثر فشار جمعیت بر پوشش زمین با عوامل دیگری مانند شرایط توپوگرافی و ساختار فضایی سیستم کاربری زمین در هم تنیده است. این یافته با سایر مطالعات در مناطق بومی که ارتباط مشابهی را بین LUCC، جمعیت شناسی و عوامل اکولوژیکی نشان می دهند مطابقت دارد [ 55 ] – [ 57 ].

از آنجایی که تغییر منظر یک پدیده ذاتاً فضایی و پویا است، شناسایی عوامل مرتبط با حضور کشاورزی تنها اولین گام در تلاش برای درک فرآیندهای مرتبط با تغییر پوشش زمین است. بر اساس شناسایی متغیرهای کلیدی که حضور کشاورزی را توضیح می‌دهند، این مطالعه یک چارچوب مدل‌سازی را اعمال کرد که در آن زمان و مکان به صراحت در یک سیستم گنجانده شده‌اند. با این حال، این کار ساده ای نبود. فقدان داده‌های فضایی چند زمانی با سطح جزئیات مناسب مانع توسعه یک مدل تغییر پوشش زمین بر اساس مسیرهای فضایی شد زیرا این رویکردها بر اطلاعات مکانی دوره‌های گذشته برای برون‌یابی تغییرات آتی متکی هستند. به عنوان یک جایگزین، این مطالعه پیشنهاد کرد که یک

شکل 8 . مناطق کشت پیش بینی شده بر اساس تجمیع 50 شبیه سازی کاربری اراضی و مناطق کشت مشاهده شده جامعه که در کالیبراسیون مدل MLR استفاده نشده است.

جدول 5. نتایج روش کای اسکوئر برای ارزیابی رابطه آماری بین مناطق کاربری کشاورزی پیش بینی شده و مشاهده شده.

الف: پیش بینی شده توسط مدل. ب: مشاهده شد. میدان چی = 22.973; احتمال (p) = 0.0001; میدان چی بحرانی = 3.8414; درجه آزادی = 1; آمار فی کرامر = 0.03.

ترکیبی از MLR و CA برای شبیه‌سازی سناریوهای توسعه کشاورزی بر اساس این فرض که تغییرات آتی به فرآیندهای فعلی توسعه کشاورزی بستگی دارد و نه به فرآیندهای قبلی.

این رویکرد به طور همزمان عوامل جمعیتی، محیطی و فضایی را ترکیب می کند تا به اندازه کافی گسترش کشاورزی در مناطق تولید معیشتی را کمیت کند. مدل MLR/CA پیاده‌سازی‌شده در این مطالعه برای آزمایش انعطاف‌پذیر است و می‌توان بینش‌های بیشتری در مورد اینکه چگونه تغییرات در پیکربندی اجتماعی و فضایی جمعیت‌های محلی ممکن است بر ترکیب منظر تأثیر بگذارد، به دست آورد. در نهایت، این مدل توانایی ایجاد پیش‌بینی‌های صریح فضایی را دارد که به ما امکان می‌دهد درک ما از تعامل بین تقاضا برای منابع زمین و پویایی ذاتی تغییر پوشش زمین مرتبط با سیستم‌های کشت در حال تغییر مبتنی بر معیشت را بهبود بخشد. مدل فضایی ارائه شده در اینجا نتایج دقیقی را به‌ویژه در رابطه با وسعت کشت و اندازه و شکل مناطق کشت تولید کرد. با این حال،

این مدل همچنین برخی از محدودیت‌ها را ارائه می‌کند زیرا توسط: 1) قوانین انتقال کلی و قطعی (که برای همه سلول‌ها اعمال می‌شود و شناخته شده) محدود می‌شود، که منجر به “همگن‌سازی” رفتار انسان می‌شود. مردم تصمیمات یکسانی را در مورد استفاده از چشم انداز بر اساس پیش شرط های شناخته شده مشابه گرفتند، که مانع از نمایش ترجیحات فردی می شد، 2) نرخ های رشد جمعیتی و کشاورزی ثابت که ممکن است شرایط تک تک خانوارها را در یک مرحله زمانی خاص منعکس نکند، و 3) فرض روابط خطی بلند مدت بین عوامل محرک LUCC. توانایی مدل برای اضافه کردن تصادفی به فرآیند شبیه سازی به مقابله با محدودیت اول کمک کرد. در این مطالعه خاص، معرفی تصادفی بودن در طول انتخاب سلول‌ها دلیل فقدان داده‌های کامل در مورد رفتار انسان (مثلاً ارزش‌ها، تجربه، توانایی) است که بر تصمیم‌گیری‌ها در مورد تخصیص زمین تأثیر می‌گذارد، مدل‌سازی میانگین مورد و نه افراد را به حساب می‌آورد، و نوعی انتساب می‌دهد. به ترجیحات انسانی محدودیت های دوم و سوم کاربرد مدل را به شرایط رشد پیوسته جمعیت و روابط شناخته شده بین عوامل تغییر پوشش زمین محدود می کند. اگرچه این مسائل ممکن است در دراز مدت مشکل ساز باشند، در کوتاه مدت این مدل ممکن است به تخمین گسترش کشاورزی با نتایج خوب کمک کند، همانطور که با روش مقایسه 50 شبیه سازی فضایی نشان داده شده است. و نوعی انتساب به ترجیحات انسان می دهد. محدودیت های دوم و سوم کاربرد مدل را به شرایط رشد پیوسته جمعیت و روابط شناخته شده بین عوامل تغییر پوشش زمین محدود می کند. اگرچه این مسائل ممکن است در دراز مدت مشکل ساز باشند، در کوتاه مدت این مدل ممکن است به تخمین گسترش کشاورزی با نتایج خوب کمک کند، همانطور که با روش مقایسه 50 شبیه سازی فضایی نشان داده شده است. و نوعی انتساب به ترجیحات انسان می دهد. محدودیت های دوم و سوم کاربرد مدل را به شرایط رشد پیوسته جمعیت و روابط شناخته شده بین عوامل تغییر پوشش زمین محدود می کند. اگرچه این مسائل ممکن است در دراز مدت مشکل ساز باشند، در کوتاه مدت این مدل ممکن است به تخمین گسترش کشاورزی با نتایج خوب کمک کند، همانطور که با روش مقایسه 50 شبیه سازی فضایی نشان داده شده است.

به طور کلی، دو جنبه اصلی این تحقیق وجود دارد که باید برجسته شود. اول، اگر جمعیت در منطقه همچنان به رشد خود ادامه دهد، همانطور که برخی مطالعات نشان داده اند [ 58 ] [ 59]، سپس مساحت زمین کشاورزی افزایش می یابد تا زمانی که تشدید رخ دهد. این مطالعه نشان می‌دهد که تشدید کشاورزی از طریق بهبود تکنیک‌های مدیریت (مانند بهبود کنترل علف‌های هرز، کوددهی بیولوژیکی، کشاورزی-جنگل‌داری) می‌تواند یک استراتژی برای کاهش فشار انسان بر جنگل‌های استوایی و کمک به حفظ منابع آنها باشد. گسترش شعاعی کشاورزی برنامه‌ریزی نشده، فرآیندی که پویایی فضایی تغییر پوشش زمین در قلمروهای بومی حوضه آمازون را مشخص می‌کند و به وضوح در این مطالعه به تصویر کشیده شد، ممکن است گستره جنگل و منابع جنگلی را در دراز مدت کاهش دهد و ممکن است مطلوب نباشد. دوم، این مدل می‌تواند به توسعه یک سیستم پشتیبانی برای سیاست مدیریت زمین کمک کند که بخواهد پیچیدگی استراتژی‌های استفاده از منابع بومی را به تصویر بکشد. سناریوهای منظره،

منابع

  1. Verburg, P., Neumann, K. and Nol, L. (2011) چالش ها در استفاده از داده های کاربری و پوشش زمین برای مطالعات تغییر جهانی. زیست شناسی تغییر جهانی، 17، 974-989. https://dx.doi.org/10.1111/j.1365-2486.2010.02307.x  [زمان(های استناد): 1]
  2. Turner II, BL and Robbins, P. (2008) علم تغییر سرزمین و بوم شناسی سیاسی: شباهت ها، تفاوت ها و پیامدها برای علم پایدار. بررسی سالانه محیط زیست و منابع، 33، 295-316. https://dx.doi.org/10.1146/annurev.environ.33.022207.104943  [زمان(های استناد): 1]
  3. Chomitz, K. (2007) در نزاع؟ گسترش کشاورزی، کاهش فقر و محیط زیست در جنگل های استوایی. گزارش تحقیق سیاست بانک جهانی 308. بانک جهانی، واشنگتن دی سی.  [زمان(های استناد): 1]
  4. DeFries, RS, Rudel, T., Uriarte, M. and Hansen, M. (2010) جنگل زدایی ناشی از رشد جمعیت شهری و تجارت کشاورزی در قرن بیست و یکم. علوم زمین طبیعت، 3، 178-181.
    https://dx.doi.org/10.1038/ngeo756  [زمان(های استناد): 1]
  5. Gray, CL, Bilsborrow, RE, Bremner, JL and Lu, F. (2008) استفاده از زمین بومی در آمازون اکوادور: تحلیلی بین فرهنگی و چند سطحی. اکولوژی انسانی، 36، 97-109.
    https://dx.doi.org/10.1007/s10745-007-9141-6  [زمان(های استناد): 1]
  6. Onojeghuo، A. و Blackburn، A. (2011) انتقال جنگل در یک منطقه مهم زیست محیطی: الگوها و علل پویایی منظر در دلتای نیجر. شاخص های زیست محیطی، 11، 1437-1446. https://dx.doi.org/10.1016/j.ecolind.2011.03.017  [زمان(های استناد): 1]
  7. LaGro Jr., JA and DeGloria, SD (1992) دینامیک کاربری زمین در یک شهرستان غیر متروپولیتن شهری در ایالت نیویورک (ایالات متحده). بوم شناسی منظر، 7، 275-289.
    https://dx.doi.org/10.1007/BF00131257  [زمان(های استناد): 1]
  8. Rudel, TK (2009) دیدگاه جامعه شناختی در مورد پراکندگی حومه شهر و جنگل زدایی استوایی. مجله جامعه شناسی آمریکا، 115، 129-154. https://dx.doi.org/10.1086/597794  [زمان(های استناد): 1]
  9. Moran, EF and Brondizio, ES (1998) تغییر کاربری زمین پس از جنگل زدایی در آمازون. در: Liverman, D., Moran, E., Rindfuss, F. and Stern, PC, Eds., People and Pixels: Linking Remote Sensing and Social Science, National Academy Press, Washington DC, 94-120.  [زمان(های استناد): 1]
  10. Mena، CF، Barbieri، AF، Walsh، SJ، Erlien، CM، Holt، FL و Bilsborrow، RE (2006) فشار بر ذخیره‌گاه حیات‌وحش کویابنو: توسعه و کاربری زمین/تغییر پوشش در آمازون شمالی اکوادور. توسعه جهانی، 34، 1831-1849.
    https://dx.doi.org/10.1016/j.worlddev.2006.02.009
  11. VanWey, L., Gilvan, G. and D’Antona, A. (2012) مهاجرت و تغییر کاربری زمین در مرزهای کشاورزی: ​​بینش هایی از پروژه سکونتگاه آلتامیرا. جمعیت و محیط زیست، 34، 44-68. https://dx.doi.org/10.1007/s11111-011-0161-1   [Citation Time(s):1]
  12. Chomitz، KM و Gray، DA (1996) جاده ها، استفاده از زمین و جنگل زدایی: یک مدل فضایی اعمال شده در بلیز. بررسی اقتصادی بانک جهانی، 10، 487-512. https://dx.doi.org/10.1093/wber/10.3.487   [Citation Time(s):2]
  13. مرتنز، بی و لامبین، EF (2000) مسیرهای تغییر پوشش زمین در جنوب کامرون. سالنامه انجمن جغرافیدانان آمریکایی، 90، 467-494.
    https://dx.doi.org/10.1111/0004-5608.00205   [Citation Time(s):2]
  14. Southworth, J., Marsik, M., Qiu, Y., Perz, S., Gumming, G., Stevens, F., Rocha, K., Duchelle, A. and Barnes, G. (2011) Roads as Drivers تغییر: مسیرهای عبور از مرز سه‌گانه در MAP، جنوب غربی آمازون. سنجش از دور، 3، 1047-1066. https://dx.doi.org/10.3390/rs3051047   [زمان(های) نقل قول: 2]
  15. نلسون، جی سی، هریس، وی و استون، SW (2001) جنگل زدایی، استفاده از زمین، و حقوق مالکیت: شواهد تجربی از دارین، پاناما. اقتصاد زمین، 77، 187-205.
    https://dx.doi.org/10.2307/3147089   [زمان(های) نقل قول: 1]
  16. Wunder، S. و Sunderlin، WD (2004) نفت، اقتصاد کلان، و جنگل ها: ارزیابی پیوندها. ناظر پژوهشی بانک جهانی، 19، 231-257. https://dx.doi.org/10.1093/wbro/lkh018   [زمان(های) نقل قول: 1]
  17. Brondizio, E., McCraken, S., Moran, E., Siqueira, A., Nelson, D. and Rodriguez-Pedraza, C. (2002) The Colonist Footprint. در: Wood, CH and Porro, R., Eds., Forestation and Land Use in the Amazon, University of Florida Press, Gainesville, 133-161.   [زمان(های استناد): 1]
  18. Castro, M. and Singer, B. (2012) سکونتگاه کشاورزی و کیفیت خاک در آمازون برزیل. جمعیت و محیط زیست، 34، 22-43. https://dx.doi.org/10.1007/s11111-011-0162-0   [Citation Time(s):1]
  19. Nagendra, H., Southworth, J. and Tucker, C. (2003) دسترسی به عنوان یک عامل تعیین کننده تغییر منظر در غرب هندوراس: پیوند الگو و فرآیند. بوم شناسی منظر، 18، 141-158. https://dx.doi.org/10.1023/A:1024430026953   [Citation Time(s):1]
  20. Lopez, S. and Sierra, R. (2010) تغییر کشاورزی در حوضه رودخانه Pastaza: مدلی صریح فضایی از کشت بومی آمازون. جغرافیای کاربردی، 30، 355-369.
    https://dx.doi.org/10.1023/A:1024430026953   [Citation Time(s):5]
  21. Parker, DC, Manson, SM, Janssen, MA, Hoffman, MJ and Deadman, P. (2003) مدل های سیستم چند عاملی برای شبیه سازی تغییر کاربری و پوشش زمین: مروری. سالنامه انجمن جغرافیدانان آمریکایی، 93، 314-337. https://dx.doi.org/10.1111/1467-8306.9302004   [Citation Time(s):1]
  22. Liverman, D., Moran, EF, Rindfuss, R. and Stern, PC (Eds.) (1998) People and Pixels: Linking Remote Sensing and Social Science. انتشارات آکادمی ملی، واشنگتن دی سی.   [زمان(های استناد): 1]
  23. لیو، جی.، دیتز، تی، کارپنتر، اس آر، فولک، سی، آلبرتی، ام.، ردمن، سی‌ال، اشنایدر، اس.ح.، اوستروم، ای.، پل، AN، لوبچنکو، جی.، تیلور، دبلیو دبلیو، Ouyang, Z., Deadman, P., Kratz, T. and Provencher, W. (2007) Coupled Human and Natural Systems. AMBIO: مجله ای از محیط زیست انسانی، 36، 639-649.   [زمان(های استناد): 1]
  24. Hegselmann, R. (1998) مدلسازی دینامیک اجتماعی توسط سلولار اتوماتا. در: Jackson, WBG, Liebrand, M., Nowak, A. and Hegselmann, R., Eds., Computer Modeling of Social Processes, Sage, London, 37-64.   [زمان(های استناد): 1]
  25. مسینا، جی پی و والش، اس جی (2001) مورفوژنز 2.5 بعدی: مدل سازی استفاده از زمین و دینامیک پوشش زمین در آمازون اکوادور. بوم شناسی گیاهی، 156، 75-88.
    https://dx.doi.org/10.1023/A:1011901023485   [Citation Time(s):1]
  26. Hernandez-Encinas, A., Hernandez-Encinas., L., Hoya-White, S., del Rey, AM and Rodríguez-Sánchez, G. (2007) شبیه سازی جبهه های آتش سوزی جنگلی با استفاده از اتوماتای ​​سلولی. پیشرفت در روش های عددی برای مهندسی محیط زیست، 38، 372-378.   [زمان(های استناد): 1]
  27. Colasanti, RL, Hunt, R. and Watrud, L. (2007) یک مدل خودکار سلولی ساده برای پویایی گیاهی سطح بالا. مدلسازی اکولوژیک، 203، 363-374.
    https://dx.doi.org/10.1016/j.ecolmodel.2006.12.039   [Citation Time(s):1]
  28. White, R. and Engelen, G. (1993) اتوماتای ​​سلولی و فرم شهری فراکتال: رویکرد مدلسازی سلولی برای تکامل الگوهای کاربری زمین شهری. Environment and Planning A, 25, 1175-1199. https://dx.doi.org/10.1068/a251175   [زمان(های) نقل قول: 1]
  29. وو، اف. مجله بین المللی علم اطلاعات جغرافیایی، 12، 63-82. https://dx.doi.org/10.1080/136588198242012   [Citation Time(s):1]
  30. de Almeida, CM, Batty, M., Vieira Monteiro, A., Camara, G., Soares-Filho, B., Cerqueira, GC and Lopes, C. (2003) مدلسازی تصادفی سلولی خودکار دینامیک کاربری زمین شهری: تجربی توسعه و برآورد. کامپیوترها، محیط زیست، و سیستم های شهری، 27، 481-509. https://dx.doi.org/10.1016/S0198-9715(02)00042-X   [Citation Time(s):1]
  31. Van Vliet, J., White, R. and Dragicevic, S. (2009) مدلسازی رشد شهری با استفاده از یک شبکه خودکار سلولی متغیر. کامپیوتر، محیط زیست و سیستم های شهری، 33، 35-43.
    https://dx.doi.org/10.1016/j.compenvurbsys.2008.06.006   [Citation Time(s):1]
  32. Garcia, CV, Woodard, PM, Titus, SJ, Adamowicz, WL and Lee, BS (1995) مدل آلوژیت برای پیش بینی وقوع روزانه آتش سوزی های جنگلی ناشی از انسان. مجله بین المللی آتش وحشی، 5، 101-111. https://dx.doi.org/10.1071/WF9950101   [زمان(های) نقل قول: 1]
  33. سرنیلز، اس و لامبین، EF (20010 علل تقریبی تغییر کاربری اراضی در ناحیه ناروک، کنیا: یک مدل آماری فضایی. کشاورزی، اکوسیستم ها، و محیط زیست، 85، 65-81.
    https://dx.doi.org /10.1016/S0167-8809(01)00188-8   [زمان(های) نقل قول: 1]
  34. Lin, Y., Chu, H., Wu, C. and Verburg, P. (2010) توانایی پیش‌بینی مدل‌های رگرسیون لجستیک، رگرسیون لجستیک خودکار و مدل‌های شبکه عصبی در مدل‌سازی تجربی تغییر کاربری زمین – مطالعه موردی. مجله بین المللی علم اطلاعات جغرافیایی، 25، 65-87.
    https://dx.doi.org/10.1080/13658811003752332   [زمان(های) نقل قول: 1]
  35. Ludeke، AK، Maggion، RC و Reid، LM (1990) تجزیه و تحلیل جنگل زدایی انسانی با استفاده از رگرسیون لجستیک و GIS. مجله مدیریت محیط زیست، 31، 247-259.
    https://dx.doi.org/10.1016/S0301-4797(05)80038-6   [زمان(های) نقل قول: 1]
  36. De Almeida، CM، Gleriani، JM، Castejon، EF و Soares-Filho، BS (2008) با استفاده از شبکه‌های عصبی و اتوماتای ​​سلولی برای مدل‌سازی دینامیک کاربری زمین درون شهری. مجله بین المللی علوم اطلاعات جغرافیایی، 22، 943-963. https://dx.doi.org/10.1080/13658810701731168   [زمان(های) نقل قول: 1]
  37. Hosmer, DW and Lemeshow, S. (2000) رگرسیون لجستیک کاربردی. نسخه دوم، جان وایلی و پسران شرکت، هوبوکن. https://dx.doi.org/10.1002/0471722146   [زمان(های) نقل قول: 1]
  38. Wu, F. (2002) کالیبراسیون اتوماتای ​​سلولی تصادفی: کاربرد برای تبدیل زمین روستایی به شهری. مجله بین المللی علوم اطلاعات جغرافیایی، 16، 795-818.
    https://dx.doi.org/10.1080/13658810210157769   [زمان(های) نقل قول: 1]
  39. Soares-Filho, BS, Cerqueira, GC and Pennachin, CL (2002) DINAMICA-یک مدل اتوماتای ​​سلولی تصادفی که برای شبیه سازی دینامیک منظر در مرز استعمار آمازون طراحی شده است. مدلسازی اکولوژیک، 154، 217-235. https://dx.doi.org/10.1016/S0304-3800(02)00059-5   [Citation Time(s):1]
  40. Verburg, PH, Soepboer, W., Veldkamp, ​​A., Limpiada, R., Espaldon, V. and Mastura, S. (2002) Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model. مدیریت محیط زیست، 30، 391-405. https://dx.doi.org/10.1007/s00267-002-2630-x   [Citation Time(s):1]
  41. Zhu, Z., Liu, L., Chen, Z., Zhang, J. and Verburg, PH (2009) شبیه سازی تغییر کاربری زمین و ارزیابی عوامل رانندگی در منطقه تپه لس – مطالعه موردی به عنوان شهرستان پنگیانگ. پایش و ارزیابی محیط زیست، 164، 133-142. https://dx.doi.org/10.1007/s10661-009-0880-2
  42. لیو، یی و فنگ، ی (2012) یک مدل اتوماتای ​​سلولی مبتنی بر لجستیک برای شبیه‌سازی رشد مداوم شهری: مطالعه موردی شهر گلد کوست، استرالیا. در: Heppenstall, AJ, Crooks, AT, See, LM and Batty, M., Eds., Agent-based Models of Geographical Systems, Springer, Netherlands, 643-662. https://dx.doi.org/10.1007/978-90-481-8927-4_32   [زمان(های) نقل قول: 1]
  43. Walsh, SJ, Messina, JP, Mena, CF, Malanson, GP and Page, PH (2008) نظریه پیچیدگی, مدلهای شبیه سازی فضایی و دینامیک کاربری زمین در آمازون شمالی اکوادور. Geoforum, 39, 867-878. https://dx.doi.org/10.1016/j.geoforum.2007.02.011   [Citation Time(s):1]
  44. INEC (2014) Instituto Nacional de Estadísticas y Censos. https://www.ecuadorencifras.gob.ec/   [زمان(ها):1]
  45. Lopez, S., Beard, R. and Sierra, R. (2013) تغییر منظر در غرب آمازون. بررسی جغرافیایی، 103، 37-58. https://dx.doi.org/10.1111/j.1931-0846.2013.00185.x   [Citation Time(s):1]
  46. METI و ناسا (2009) نقشه دیجیتال ارتفاع جهانی. https://asterweb.jpl.nasa.gov/gdem.asp
  47. Custode, E. (1983) Mapas Morfopedológicos de las Provincias de Pastaza y Morona Santiago. PRONAREG-ORSTOM، وزارت کشاورزی و گانادریا، کیتو.   [زمان(های استناد): 1]
  48. Maeda, EE, De Almeida, CM, De Carvalho Ximenes, A., Formaggio, AR, Shimabukuro, YE and Pellikka, P. (2011) مدلسازی پویا تبدیل جنگل: شبیه سازی سناریوهای گذشته و آینده گسترش فعالیت های روستایی در حاشیه پارک ملی Xingu، آمازون برزیل. مجله بین المللی مشاهده کاربردی زمین و اطلاعات جغرافیایی، 13، 435-446.
    https://dx.doi.org/10.1016/j.jag.2010.09.008   [Citation Time(s):1]
  49. Dale, VH, O’neill, RV, Southworth, F. and Pedlowski, M. (1994) مدلسازی اثرات مدیریت زمین در سکونتگاه آمازون برزیلی Rondonia. زیست شناسی حفاظتی، 8، 196-206. https://dx.doi.org/10.1046/j.1523-1739.1994.08010196.x   [Citation Time(s):1]
  50. Frohn, RC, Mcgwire, KC, Dale, VH and Estes, JE (1996) با استفاده از تحلیل سنجش از دور ماهواره ای برای ارزیابی یک مدل اجتماعی-اقتصادی و اکولوژیکی جنگل زدایی در Rondonia، برزیل. مجله بین المللی سنجش از دور، 17، 3233-3255. https://dx.doi.org/10.1080/01431169608949141
  51. Carlson، KM، Curran، LM، Ratnasari، D.، Pittman، AM، Soares-Filho، BS، Asner، GP، Trigg، SN، Gaveau، DA، Lawrence، D. و Rodrigues، HO (2012) انتشار کربن متعهد، جنگل‌زدایی و تبدیل زمین‌های اجتماعی از گسترش کشت نخل‌های روغنی در کالیمانتان غربی، اندونزی. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا، 109، 7559-7564. https://dx.doi.org/10.1073/pnas.1200452109
  52. Haines-Young, R. and Chopping, M. (1996) کمی سازی ساختار منظر: مروری بر شاخص های منظر و کاربرد آنها در مناظر جنگلی. پیشرفت در جغرافیای فیزیکی، 20، 418-445. https://dx.doi.org/10.1177/030913339602000403   [زمان(های) نقل قول: 1]
  53. McGarigal, K., Cushman, SA, Neel, MC and Ene, E. (2002) FRAGSTATS v3: Spatial Pattern Analysis Program for Category Maps. برنامه نرم افزار کامپیوتری تولید شده توسط نویسندگان در دانشگاه ماساچوست، Amherst.
    https://www.umass.edu/landeco/research/fragstats/fragstats.html   [زمان(ها):1]
  54. Stillwell, J. and Clarke, G. (2003) GIS کاربردی و تحلیل فضایی. جان وایلی و پسران، هوبوکن.   [زمان(های استناد): 1]
  55. Turner, BL, Hanham, RQ and Portataro, AV (1977) فشار جمعیت و شدت کشاورزی. سالنامه انجمن جغرافیدانان آمریکایی، 67، 383-396.   [زمان(های استناد): 1]
  56. اسمیت، جی. (2001) ارزیابی پوشش زمین جوامع بومی در منطقه BOSAWAS نیکاراگوئه. اکولوژی انسانی، 29، 339-347. https://dx.doi.org/10.1023/A:1010958732520
  57. Bilsborrow, R. and Geores, M. (1994) جمعیت، کاربری زمین و محیط زیست در کشورهای در حال توسعه: چه چیزی می توانیم از داده های بین المللی بیاموزیم؟ در: Brown, K. and Pearce, D., Eds., The Causes of Tropical Forestation, The Economic and Statistical Analysis of Factors Giving to Loss of Tropical Forests, University College London Press, London, 106-133.   [زمان(های استناد): 1]
  58. McSweeny، K. (2005) رشد جمعیت بومی در نوتروپیک های پست: بینش علوم اجتماعی برای حفاظت از تنوع زیستی. زیست شناسی حفاظتی، 19، 1375-1384.
    https://dx.doi.org/10.1111/j.1523-1739.2005.00194.x   [Citation Time(s):1]
  59. مک سوینی، کی و آرپس، اس. (2005) یک “تحول جمعیتی”: رشد سریع جمعیت های بومی در دشت های آمریکای لاتین. بررسی تحقیقات آمریکای لاتین، 40، 3-29.
    https://dx.doi.org/10.1353/lar.2005.0012.  [زمان(های استناد): 1]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید