از تصاویر ماهواره ای با وضوح متوسط ​​(Landsat TM، ETM+ و OLI)، پویایی فضایی پوشش زمین و کاربری زمین برجسته می شود. هدف از این مطالعه کمی سازی تکامل کاربری زمین در حوضه آبخیز رودخانه Lobo در بالادست Nibéhibé بین سال های 1986 و 2019 به منظور تجزیه و تحلیل اثرات فعالیت های انسانی بر چشم انداز است. روش مطالعه، از یک سو، بر روی پردازش تصاویر ماهواره ای، برای تجزیه و تحلیل پویایی کاربری زمین و از سوی دیگر، بر اساس مدل CA-Markov، برای پیش بینی کاربری زمین تا سال 2050 است. از این مطالعه مشخص شد که نقشه‌های کاربری اراضی تولید شده، امکان برجسته‌سازی پویایی مکانی-زمانی کاربری اراضی در حوضه را فراهم می‌کند. برای بازه زمانی 1986 تا 2019، کاهشی در مساحت جنگل ها به نفع زمین های خالی و محصولات زراعی و آیش وجود دارد. یک سناریوی کاربری زمین برای سال‌های 2019 و 2050 با دقت 87.11 درصد شبیه‌سازی شد. به نظر می رسد روند قهقرایی در جنگل ها در آینده با شیوه های فعلی استفاده از زمین ادامه یابد.

کلید واژه ها

تصویر ماهواره‌ای ، پوشش زمین و کاربری زمین ، مدل‌سازی فضا-زمان ، لوبو

1. مقدمه

سرزمین های جهان دستخوش تغییرات عمیق فضایی هستند. در غرب آفریقا و به ویژه در ساحل عاج، این تغییرات فضایی که منجر به تخریب پوشش گیاهی می شود روز به روز در حال افزایش است.

مانند کشورهای در حال توسعه، ساحل عاج دارای اقتصادی است که به شدت به بخش کشاورزی و جنگلداری وابسته است که منجر به کاهش سریع مناطق جنگلی می شود [ 1 ]. علاوه بر این، مطالعات انجام شده بر روی تکامل این پوشش جنگلی نشان می دهد که ساحل عاج بالاترین نرخ جنگل زدایی را در مناطق استوایی در قرن بیستم تجربه کرده است [ 2 ]. در واقع، مساحت جنگل ها از حدود 14 میلیون هکتار در سال 1912 به نزدیک به 2 میلیون هکتار در سال 2000 کاهش یافته است [ 2 ] [ 3 ]. بنابراین پوشش گیاهی منطقه مرکز غرب نیز از این جنگل زدایی در امان نمانده است.

در منطقه حوضه آبخیز رودخانه لوبو که در اینجا مورد مطالعه قرار گرفت، حذف زمین برای کشاورزی در سال های اخیر اهمیت فزاینده ای پیدا کرده است [ 4 ]. منابع به دلیل انفجار جمعیت و سیستم کشت کاملاً گسترده تحت فشارهای انسانی قوی قرار دارند. افزایش گسترش مناطق کشت و تجمعات منجر به کاهش تدریجی وسعت مناطق جنگلی و بی ثباتی ساختار خاک می شود [ 5 ]. تناوب زراعی و آیش نیز اختلالات عمده ای در این سیستم های اکولوژیکی متعادل دارند. بنابراین تغییرات در کاربری زمین تأثیر مستقیمی بر پوشش زمین و پیکربندی منظر این محیط دارد.

برای چندین دهه، مدل‌سازی و پیش‌بینی تغییر کاربری زمین خود را به عنوان یک ابزار پشتیبانی تصمیم مرتبط تثبیت کرده است. این امکان تحلیل سیاست های برنامه ریزی سرزمینی را به منظور ارزیابی و پیش بینی اثرات زیست محیطی آنها فراهم می کند [ 6]. اصالت این تحقیق در این است که مدل‌سازی دینامیک کاربری اراضی امکان پیروی از روند تکاملی منظر و یافتن قوانین قابل قبول برای حفظ منابع طبیعی مانند جنگل و منابع آب را ممکن می‌سازد. بنابراین، ما می توانیم در مورد ترجمه فضایی این تخریب مناظر شگفت زده شویم. هدف از این مطالعه ارزیابی پویایی کاربری اراضی حوضه آبخیز رودخانه لوبو در بالادست نیبهیبه، به منظور پیش‌بینی تغییرات آتی آن است. به طور مشخص تر، این موضوع شبیه سازی تغییرات کاربری زمین تا سال 2050 خواهد بود.

برای شبیه سازی تغییرات پوشش زمین و کاربری اراضی از چندین مدل استفاده می شود. در میان پرکاربردترین ها، می توان به ترکیب مدل اتوماتای ​​سلولی (CA) و مدل مارکوف (CA-MARKOV) اشاره کرد. کار [ 7 ] نشان می دهد که ترکیب CA-MARKOV تابع تصادفی روش مارکوف را با ویژگی فضایی تصادفی Technology CA ادغام می کند. CA-MARKOV ابزار قدرتمندی است که چندین نویسنده از جمله [ 8 ] [ 9 ] [ 10 ] را قادر به شبیه سازی تغییرات پوشش زمین و کاربری زمین کرده است.

برای انجام چنین مطالعه ای، استفاده از داده های کمی و کیفی قابل اعتماد مهم است. در این شرایط، تصاویر ماهواره ای و سیستم های اطلاعات جغرافیایی (GIS) خود را به عنوان فرصتی برای این مطالعه معرفی می کنند. در واقع، تصاویر ماهواره ای، به لطف نمای همدیدی آن، درک و نقشه برداری از پدیده های پویا مانند کاربری زمین را ممکن می سازد. در مورد GIS، آنها سازماندهی و ساختار بهتر اطلاعات را ممکن می سازند. با توجه به پیش‌بینی کاربری اراضی حوضه آبخیز رودخانه لوبو در بالادست نیبهیبه، استفاده از مدل‌ها ضروری است. تحت این شرایط، مدل CA-Markov ابزار مفیدی برای این مطالعه به نظر می رسد.

2. منطقه مطالعه

حوضه آبخیز رودخانه لوبو در بالادست Nibéhibé در مرکز غربی ساحل عاج بین 6˚45 و 7˚55 عرض شمالی و بین 6˚15 و 6˚55 طول جغرافیایی غربی واقع شده است. رودخانه لوبو یکی از شاخه های اصلی رودخانه ساساندرا است. منبع آن در ارتفاع 400 متری جنوب سیگوئلا [ 4 ] قرار دارد. حوضه آبخیز رودخانه لوبو در بالادست Nibéhibé مساحتی به وسعت 7280 کیلومتر مربع ^را پوشش می دهد و تا حدی محلات Séguéla، Vavoua، Daloa و Pélézi را پوشش می دهد ( شکل 1 ).

حوضه آبخیز رودخانه لوبو در بالادست Nibéhibé تحت تأثیر آب و هوای استوایی از انتقال ضعیف (آب و هوای Baoulean) است که با دو فصل مشخص می شود: یک فصل بارانی از مارس تا نوامبر و یک فصل خشک بسیار مشخص از نوامبر تا فوریه. میانگین بارندگی سالانه ثبت شده در دوره 1990-2015 1238.2 میلی متر است. روند میانگین دمای ماهانه معمولاً بین 24 درجه سانتیگراد و 28 درجه سانتیگراد متغیر است، یعنی دامنه حرارتی 4 درجه سانتیگراد [ 11 ].

حوزه آبخیز رودخانه لوبو در بالادست نیبهیبه یک منطقه کشاورزی است. کشاورزی فعالیت اصلی است که بیشتر جمعیت فعال حوزه آبخیز را به خود اختصاص می دهد [ 8 ]. محیط روستایی تحت سلطه کشاورزی است. این یک کشاورزی گسترده، بی نظم، دیم و دستی است که با تسخیر دائمی سرزمین های جدید، ضعف های خود را جبران می کند [ 4 ] [ 12 ]. محصولات نقدی عبارتند از کاکائو، قهوه، لاستیک، پنبه، بادام هندی و محصولات غذایی. از نظر محصولات غذایی، ذرت، برنج، سیب زمینی، چنار، فلفل چیلی، بادمجان و کاساوا عمده ترین محصولات معیشتی جمعیت ها هستند (وزارت زراعت).

3. مواد و روشها

3.1. مواد

مواد مورد استفاده شامل تصاویر ماهواره ای و داده های کشاورزی است. تصاویر ماهواره ای مورد استفاده به ترتیب توسط سنسورهای TM (Thematic Mapper)، ETM+ (Enhanced Thematic Mapper Plus) و OLI (Operational Land Imager) ماهواره های Landsat 5، 7 و 8 ثبت می شوند. منطقه مورد مطالعه صحنه های 197-55 و 198-55 را در بر می گیرد. تاریخ دریافت تصاویر در مطالعه تغییرات چشم انداز از داده های ماهواره ای بسیار مهم است [ 13 ] [ 14 ] [ 15 ]. برای این، داده‌های ما در طول فصل خشک بزرگ (دسامبر تا فوریه)، دوره‌ای که طی آن نرخ پوشش ابر کمترین است، انتخاب شد. علاوه بر این، این انتخاب به کاهش اثرات فصلی کمک می کند [ 16]. تاریخ های مختلف دریافت عبارتند از: برای تصاویر TM در 1986/01/09 و 1986/01/16. ETM+ در 2002/01/20 و 2002/12/13 و برای تصاویر OLI در 2019/02/12 و 2019/01/02.

داده های کشاورزی مورد استفاده در این مطالعه مربوط به آمار، عملکرد تولید محصول در هکتار و تعداد کشاورزان است. این داده ها توسط اداره منطقه ای وزارت کشاورزی Haut Sassandra ارائه شده است. از این داده ها برای ارزیابی تکامل محصولات زراعی استفاده می شود.

3.2. مواد و روش ها

3.2.1. پردازش تصویر ماهواره ای

آگاهی از منطقه مورد مطالعه امکان انتخاب یک طبقه بندی نظارت شده را فراهم کرد. الگوریتم حداکثر احتمال برای طبقه بندی نظارت شده انتخاب شد. این روش معمولاً در ادبیات استفاده می شود. اعتبار طبقه بندی با استفاده از ماتریس سردرگمی، دقت کلی و ضریب کاپا به دست می آید ( جدول 1 ، جدول 2 ). این جداول در مورب، درصد پیکسل‌های خوب طبقه‌بندی شده و مورب خاموش، درصد پیکسل‌های طبقه‌بندی اشتباه را نشان می‌دهند. ماتریس سردرگمی طبقه بندی خوبی از تصاویر را نشان می دهد.

3.2.2. تحلیل دینامیک کاربری زمین

تجزیه و تحلیل تغییرات در کل دوره مطالعه با مقایسه پس از طبقه بندی انجام شد. یک ماتریس تشخیص تغییر حاصل از مقایسه بین پیکسل‌های دو طبقه‌بندی بین دو تاریخ تولید می‌کند [ 9 ]. از این وضعیت، نرخ جهانی تغییر ( _Tg ) و میانگین نرخ سالانه گسترش فضایی (Tc ₎ محاسبه شد.

تغییرات مقیاس جهانی با نشان دادن مساحت واحدهای کاربری مختلف برای هر سال تعیین شد. تغییرات بین سال های 1986 و 2019 تعیین شده است. این شامل انجام نسبت بین تفاوت در مناطق و مناطق اولیه برای هر دوره بود.

در گام دوم، ما به سمت یک تحلیل عمیق رفتیم و تغییراتی را که در هر واحد کاربری زمین به‌صورت مجزا صورت گرفت، ارزیابی کردیم. این تجزیه و تحلیل با محاسبه نرخ تغییر (Tc ₎ یا متوسط ​​نرخ سالانه گسترش فضایی، که معمولاً در مطالعات تغییر پوشش زمین استفاده می شود، انجام می شود [ 17 ] [ 18 ]. این نرخ‌های تغییر از فرمول‌های معادلات (1) و (2) زیر ارزیابی می‌شوند:

Tg = [( _S2 – S1)/S1)] × 100 (1)

T _c = [(S2/S1)1/t – 1] × 100 (2)

جایی که:

Tg = _نرخ کلی تغییر (%).

T _c = نرخ تغییر (%).

S1 = مساحت کلاس در تاریخ t1.

S2 = مساحت کلاس در تاریخ t2 (t2 > t1).

t = تعداد سال های بین دو تاریخ.

تجزیه و تحلیل مقادیر نرخ تغییر نشان می دهد که مقادیر مثبت نشان دهنده «پیشرفت» و مقادیر منفی «رگرسیون» است. مقادیر نزدیک به صفر نشان می دهد که کلاس نسبتاً “پایدار” است.

3.2.3. شبیه سازی دینامیک کاربری زمین

شبیه سازی شامل اجرای یک مدل است. در این مطالعه، مدل CA-Markov برای عملکرد آن و این واقعیت که چندین بار با موفقیت در مناطق گرمسیری به کار رفته است، انتخاب شد. با توجه به کار [ 19 ] [ 20 ]، مدل CA-Markov نتایج بهتری در شبیه سازی پوشش زمین در مقایسه با مدل های دیگر (LCM، Dinamica و CLUE-S) ارائه داد. این مدل ترکیبی از زنجیره های مارکوف، EMC و اتوماتای ​​سلولی است. روش ارائه شده یک زنجیره پردازش است که از دو مرحله تشکیل شده است، از ساخت داده تا مدل سازی.

اولین گام به EMC (ارزیابی چند معیاره) مربوط می شود: متغیرهای محیطی (شبکه راه، شیب، ارتفاع) که احتمالاً بر پویایی کاربری زمین تأثیر می گذارند، شناسایی و وزن دهی می شوند تا با ادغام مجموعه ای از نقشه های پشتیبانی تصمیم به دست آیند. معیارهای قابل اندازه گیری و نقشه برداری این نقشه ها در یک فایل تولید و گردآوری شدند.

مرحله دوم باز کردن ماژول CA-Markov در نرم افزار IDRISI بود. این فرآیند ابتدا شامل وارد کردن تصویر پوشش زمین پایه بود که آخرین تصویر پوشش زمین استفاده شده با MARKOV (تصویر 2002) است. سپس نام فایل منطقه انتقال مارکوف، ایجاد شده توسط MARKOV، درج شد. سپس نام فایل گروهی که تصاویر سازگاری انتقال را فهرست می کند درج شده است (فایل حاوی کارت های استعداد). مقدار 5 × 5 به عنوان فیلتر مجاورت استفاده شد.

3.2.4. کالیبراسیون و اعتبارسنجی مدل

شبیه سازی دینامیک کاربری زمین در افق (2050) ابتدا نیاز به کالیبراسیون مدلی دارد که قبلاً با داده های شناخته شده ساخته شده بود. برای این منظور، تصویر سال 2019 که جدیدترین است، حفظ شد. این موضوع اولین آزمایش شبیه سازی خواهد بود که در دو تاریخ قبلی (1986 و 2002) کالیبره شده است. تصاویر مربوط به سال‌های 1986 و 2002 به‌عنوان مبنایی برای برون‌یابی وضعیت‌های کاربری آینده زمین استفاده می‌شوند. این یک برون یابی خطی است، زیرا شبیه سازی بر اساس دو نقطه در زمان برای کالیبره کردن مدل است. با توجه به [ 21]، کالیبراسیون عبارت است از تخمین و تنظیم پارامترها و محدودیت های مدل به منظور بهبود تناسب بین خروجی های مدل و مجموعه ای از داده ها. این مرحله اساسی است، زیرا کیفیت نتایج به دست آمده به پیکربندی صحیح مدل بستگی دارد. برای اعتبارسنجی، نتیجه شبیه‌سازی کاربری اراضی 2019 با نقشه کاربری اراضی 2019 حاصل از طبقه‌بندی مقایسه می‌شود.

4. نتایج و بحث

4.1. نتایج

روندهای تکاملی کلی مشاهده شده در پویایی کاربری زمین از سال 1986 تا 2019 در شکل 2 و شکل 3 نشان داده شده است. تجزیه و تحلیل این ارقام حاکی از کاهش سطح آب و جنگل است که به ترتیب از 0.63 درصد به 0.29 درصد می رسد. از 76.22 درصد به 6.73 درصد و افزایش در مناطق اشغال شده توسط جنگل های تخریب شده، زمین های خالی ساخته شده و محصولات زراعی و آیش که به ترتیب از 18.73 درصد به 26.27 درصد افزایش یافته است. از 1.87 درصد به 7.95 درصد و از 2.56 درصد به 58.76 درصد.

نرخ تغییرات طبقات مختلف پوشش زمین مشاهده شده در کل دوره مورد مطالعه (1986-2019) در جدول 3 نشان داده شده است.

تجزیه و تحلیل این جدول نشان می دهد که کاهش سالانه 12.53 درصد و 14.93 درصد برای مناطق آبی و جنگلی مشاهده شده است. ما همچنین میانگین سالانه افزایش 1.83% و 9.48% را در مناطق جنگل‌های تخریب‌شده و زمین خالی ساخته شده و همچنین افزایش متوسط ​​سالانه قوی 21.98% در مناطق زراعی و آیش منطقه مورد مطالعه مشاهده می‌کنیم.

برای کالیبراسیون، یک ماتریس احتمال انتقال با استفاده از طبقات پوشش زمین بین سال‌های 1986 و 2002 تولید شد تا از آن به عنوان مبنایی در پیش‌بینی پوشش زمین در سال 2019 استفاده شود ( جدول 4 ). ماتریس نشان دهنده احتمال مهاجرت هر دسته در سال 2002 به دسته دیگر یا پایدار ماندن در سال 2019 است.

از تجزیه و تحلیل این جدول، ما یک پایداری کلی با حداکثر برای ساختمان های لخت و محصولات زراعی و آیش ها را متوجه می شویم. برای کالیبراسیون مدل، نقشه پوشش زمین شبیه سازی شده در سال 2019 با مقایسه آن با نقشه پوشش زمین سال 2019 حاصل از طبقه بندی همانطور که در شکل 4 نشان داده شده است، اعتبارسنجی شد .

تجزیه و تحلیل مقایسه ای استفاده از زمین شبیه سازی شده و آنچه در سال 2019 مشاهده شد، توسعه ماتریس سردرگمی ارائه شده در جدول 5 را ممکن کرد. این تجزیه و تحلیل نشان می دهد که شبیه سازی 0.19 درصد از سطوح آب، 6.09 درصد از مناطق جنگلی، 25.89 درصد از مناطق جنگلی تخریب شده، 7.96 درصد از زمین لخت ساخته شده و 59.87 درصد از مناطق زیر کشت و آیش را پیش بینی کرد.

پس از کالیبراسیون مدل و ارزیابی اعتبار آن، بررسی ساختار و روند تغییر در تاریخ بعدی (2050) جالب بود. پیش بینی کاربری زمین در سال 2050 بر اساس انتقال بین کاربری زمین در سال 2002 و 2019 انجام شد. نتیجه پیش بینی کاربری زمین برای سال 2050 در شکل 5 نشان داده شده است .

تحلیل بصری نتیجه این شبیه‌سازی نشان می‌دهد که محصولات زراعی و زمین‌های آیش و ساختمان‌های لخت از نرخ رشد بسیار بالایی برخوردار خواهند بود. جنگل های تخریب شده کاهش شدیدی را نسبت به ناپدید شدن خود تجربه خواهند کرد. همانطور که در شکل 6 نشان داده شده است، جنگل ها و آب ناپدید خواهند شد .

شبیه‌سازی کاربری اراضی نشان‌دهنده افزایش زمین خالی ساخته‌شده و مناطق زراعی و آیش به ترتیب از 7.95 درصد به 30.27 درصد و 58.76 درصد به 61.50 درصد طی دوره 2019 تا 2050 است، در حالی که آب، جنگل‌ها و جنگل‌های تخریب‌شده کاهش را تجربه خواهند کرد. به ترتیب تا 0.05٪، 1.01٪ و 7.17٪ در مدت مشابه.

4.2. بحث

تجزیه و تحلیل پویایی پوشش زمین و کاربری زمین، فرآیندهای تکاملی مختلفی را که در طول دوره از 1986 تا 2019 در داخل چشم انداز رخ داده است، نشان داد.

 

در حوضه آبخیز رودخانه لوبو در بالادست Nibéhibé، بارندگی مانند مناطق استوایی مرطوب آفریقا از سال 1960 کاهش یافته است همانطور که توسط [ 22 مشاهده شد.]. این کاهش بارندگی می تواند توضیح دهنده کاهش سطوح آبی مشاهده شده در منطقه مورد مطالعه باشد که از 0.63 درصد در سال 1986 به 0.29 درصد در سال 2019 کاهش یافته است. افزایش سطح جنگل های تخریب شده که از 18.73 درصد در سال 1986 به 26.27 درصد در سال 1986 رسیده است. 2019، از جنگل زدایی جنگل می آید. آتش‌سوزی‌های کشاورزی و بوته‌ها که به شیوه‌ای هرج و مرج در این منطقه انجام می‌شود، منجر به افزایش شدید سطح زیرکشت و آیش می‌شود که از 2.56 درصد در سال 1986 به 58.76 درصد در سال 2019 افزایش یافت و تا حد زیادی به کاهش سطح جنگل‌ها و کاهش گیاهان کمک می‌کند. . همچنین افزایشی در زمین خالی ساخته شده وجود دارد که از 1.87٪ در سال 1986 به 7.95٪ در سال 2019 رسیده است، به دلیل افزایش جمعیت همانطور که توسط [ 23 ] پیش بینی شده است.]. در واقع، پس از یک یا دو سال کشت محصولات غذایی، دهقانان زمین‌های زیر کشت را رها می‌کنند تا زمین‌های جنگلی حاصلخیزتر و جدید را استعمار کنند و آیش سابق را برای بازگرداندن باروری خود رها کنند.

ارزیابی محصولات غذایی در منطقه واووا طی سه سال (2014، 2015 و 2016) با داده های آماری ارائه شده توسط وزارت کشاورزی، نتایج متحول کننده ای را از نظر سطح زیر کشت در هکتار در منطقه مذکور به دست می دهد. نتایج به دست آمده از این ارزیابی نتایج به دست آمده در کار ما را تایید می کند. این واقعیت که منطقه Vavoua به شدت تحت سلطه محصولات است را می توان با فشار انسانی قوی در تولید محصولات غذایی با روش کشت گسترده توضیح داد.

نتایج شبیه‌سازی‌های 2019 و 2050 روندهای یکسانی را در تکامل پوشش و کاربری زمین نشان می‌دهد. انتظار می رود زمین های خالی ساخته شده و محصولات زراعی و آیش به طور قابل توجهی به ضرر جنگل ها رشد کنند.

پوشش زمین و کاربری زمین شبیه سازی شده در سال 2050 نشان دهنده روند افزایشی در زمین خالی ساخته شده، محصولات زراعی و آیش و کاهش مناطق جنگلی است. این امر باعث افزایش زمین های کشاورزی و از بین رفتن پوشش گیاهی طبیعی می شود. این روند را می توان با فشارهای انسانی و افزایش تراکم جمعیت توضیح داد. در واقع، پیش بینی های انجام شده بر اساس [ 23] افزایش جمعیت 2.7٪ را پیش بینی می کند. در مناطق پرجمعیت، تمام فضای موجود در آینده نزدیک به کشاورزی تبدیل خواهد شد. این امر منجر به نرخ بالای جنگل زدایی در این مناطق خواهد شد و مناطق کوچک جنگلی باقی مانده قطعاً به زمین کشاورزی تبدیل خواهند شد. با این حال، بهترین راه برای کاهش سرعت تغییرات سریع در کاربری اراضی، پیشنهاد روشی برای مدیریت آتش سوزی بوته ها و تشدید مناسب تولید کشاورزی است، یعنی افزایش عملکرد در واحد سطح زمین، همراه با برنامه ریزی پایدار کاربری زمین.

5. نتیجه گیری ها

در پرتو این کار، ما متذکر می شویم که پردازش تصاویر امکان تحلیل پویایی پوشش زمین و کاربری اراضی بین سال های 1986، 2002 و 2019 و پیش بینی وضعیت پوشش و کاربری اراضی در سال 2050 را فراهم کرد.

مطالعه دینامیک پوشش زمین و کاربری اراضی نشان داده است که حوضه آبخیز رودخانه لوبو در بالادست نیبهیبه دارای محیط‌های پویا است که دستخوش تغییر شدید می‌شوند. تعادل اکولوژیکی مناطق جنگلی به طور جدی توسط فعالیت های انسانی مختل شده است. نتایج نقشه نشان دهنده افزایش نرخ جنگل زدایی است. این کاهش در مناطق جنگلی به نفع جوامع کشاورزی است که دائماً در حال تسخیر زمین های جنگلی جدید هستند. شبیه سازی پوشش زمین توسط مدل CA-Markov پوشش زمین را برای سال های 2019 و 2050 با دقت 87.11 درصد پیش بینی کرد. این نشان می دهد که روند فعلی کاهش سطح جنگل و گسترش محصولات در آینده ادامه خواهد داشت.

منابع

[ 1 ]	N’guessan, E., Dibi, NH, Bellan, MF and Blasco, F. (2006) Pression anthropique sur une reserve forestière en cote d’voire: Apport de la télédétection. Revue Télédétection, 5, 307-323.
[ 2 ]	فائو (2011) Situation des Forêts du Monde. Rapport Principal, Organization des Nations Unies pour l’alimentation et l’agriculture, Rome, Italie, 193 p.
[ 3 ]	کونه، ام.، امان، آ.، یائو، AC، کولیبالی، ال. و انگوسان، KE (2007) سوئیوی دیاکرونیک در فضایی از کوورتور ligneuse en milieu de savane soudanienne en ساحل عاج. Revue Télédétection، 7، 433-446.
[ 4 ]	Yao, AB (2015) Evaluation des potencialités en eau du bassin versant de la Lobo en vue d’une gestion rationnelle (Centre-Ouest de la Cote d’Ivoire). Thèse de doctorat de l’Université Nangui Abrogoua, Abidjan (ساحل عاج)، 192 p.
[ 5 ]	Akognongbé, A., Abdoulaye, D., Vissin, EW and Boko, M. (2014) Dynamique de l’occupation du sol dans le bassin versant de l’Oueme à l’exutoire de Bétérou (بنین). علوم آفریقا، 10، 228-242.
[ 6 ]	Samie, A., Deng, XZ, Jia, SQ and Chen, DD (2017) شبیه‌سازی مبتنی بر سناریو بر روی دینامیک تغییر کاربری اراضی-لند-پوشش در استان پنجاب، پاکستان. پایداری، 9، 1285. https://doi.org/10.3390/su9081285
[ 7 ]	Eastman, JR (2009) راهنمای IDRISI برای GIS و پردازش تصویر در IDRISI Selva 17. دانشگاه کلارک، Worcester، 182-185.
[ 8 ]	Huang, YC, Yang, BG, Wang, M., Liu, BW and Yang, XD (2020) تحلیل تغییر پوشش زمین آینده در پکن با استفاده از مدل زنجیره ای CA-Markov. دوره علوم محیطی زمین 79 مقاله شماره 60 https://doi.org/10.1007/s12665-019-8785-z
[ 9 ]	Lu، YT، Wu، PH، Ma، XH و Li، XH (2019) تشخیص و پیش‌بینی تغییر کاربری زمین/پوشش زمین با استفاده از همجوشی داده‌های مکانی-زمانی و مدل خودکار سلولی-مارکوف. پایش و ارزیابی محیط زیست 191 مقاله شماره 68 https://doi.org/10.1007/s10661-019-7200-2
[ 10 ]	Aliani, H., Malmir, M., Sorodi, M. and Kafaky, SB (2019) تشخیص تغییر و پیش‌بینی تغییرات کاربری اراضی شهری با استفاده از مدل CA-Markov (مطالعه موردی: شهرستان تالش). علوم زمین زیست محیطی سال 78 مقاله شماره 546 https://doi.org/10.1007/s12665-019-8557-9
[ 11 ]	یاپی، ARC (2018) شبیه‌سازی د لا تقاضا در ادو باسین د لا لوبو و نیبهیبه (مرکز غرب ساحل عاج). Mémoire de master en Génie de l’eau et de l’Environnement, UFR Agroforesterie, Université Jean Lorougnon Guédé Daloa, Cote d’Ivoire, 63 p.
[ 12 ]	Koukougnon، WG (2012) Milieu urbain et accès à l’eau eau tenable: Cas de Daloa (Centre-Ouestde la Cote d’Ivoire). Thèse Unique de Doctorat, Université Félix Houphouet Boigny, Abidjan, Cote d’Ivoire, 323 p.
[ 13 ]	Girard, MC and Girard, CM (1999) Traitement des données de télédétection. دانود، پاریس، 529 ص.
[ 14 ]	Oszwald, J., Kouacou, AJM, Kergomard, C. and Robin, M. (2007) Représenter l’espace pour structurer le temps: Approche des dynamiques de changements forestiers dans le Sud-Est de la Cote d’Ivoire par télédétection. Revue Télédétection, 7, 271-282.
[ 15 ]	Coulibaly, L., Kouassi, KH, Soro, GE and Savane, I. (2016) Analyse du processus de savanisation du Nord de la Cote d’Ivoire par télédétection: Cas du département de Ferkessédougou. مجله بین المللی نوآوری و مطالعات کاربردی، 17، 136-143.
[ 16 ]	Barima, YS, Barbier, N., Bamba, I., Traoré, D., Lejoly, J. and Bogaert, J. (2009) Dynamique paysagère en miieu de transition Forêt-Savane ivoirienne. Bois et Forêts des Tropiques, 299, 15-25. https://doi.org/10.19182/bft2009.299.a20419
[ 17 ]	فائو (1996) ارزیابی منابع جنگلی 1990 – بررسی مطالعات پوشش جنگل های استوایی در مورد فرآیندهای تغییر. مقاله جنگلداری فائو 130، سازمان غذا و کشاورزی سازمان ملل متحد، رم، ایتالیا، 152 ص. https://www.fao.org/docrep/007/w0015e/w0015e00.htm
[ 18 ]	Hadjadj, MF (2011) Apport des SIG et des images satellites pour la cartographie numérique de la forêt du chettabah (Wilaya de Constantine): Modélisation climatique et classification. Mémoire de fin d’études, Université El-Hadj Lakhdar Batna, Constantine, Algérie, 178 p.
[ 19 ]	Mas, JF, Kolb, M., Houet, T., Paegelow, M. and Camacho-Olmedo, MT (2011) éclairer le choix des ou-tils des simulation des des modes d’occupation and d’usages des sols. یک رویکرد مقایسه ای. Revue Internationale de Géomatique, Lavoisier, 21, 405-430.
[ 20 ]	Maestripieri، N. (2012) Dynamiques spatio-temporelles des plantations forestières industrielles dans le sud chilien. تجزیه و تحلیل diachronique à la modélisation آینده نگر. Thèse de doctorat, Université Tou-Louse 2 Le Mirail, Toulouse, 357 p.
[ 21 ]	پونتیوس، آر جی (2010) روش‌های مدل‌سازی تغییر زمین کارگاهی: کالیبراسیون، اعتبارسنجی و برون‌یابی. SAGEO’10—Spatial Analysis and Geomatics, Toulouse, 3 p.
[ 22 ]	Lambin, EF and Ehrlich, D. (1997) تغییرات پوشش زمین در جنوب صحرای آفریقا (1982-1991): کاربرد یک شاخص تغییر بر اساس دمای سطحی سنجش از دور و شاخص‌های پوشش گیاهی در مقیاس قاره‌ای. سنجش از دور محیط زیست، 61، 181-200. https://doi.org/10.1016/S0034-4257(97)00001-1
[ 23 ]	INS (1998) تجدید نظر عمومی جمعیت و زیستگاه (RGPH) در 1998. موسسه ملی آمار (INS). ابیجان، ساحل عاج، 296 ص.