تغییر کاربری زمین (LUC) می تواند تحت تأثیر رشد سرمایه گذاری و سیاست های برنامه ریزی در چارچوب همکاری و توسعه اقتصادی منطقه ای قرار گیرد. مطالعات قبلی در مورد شبیه‌سازی کاربری اراضی عمدتاً بر اثرات عوامل اجتماعی-اقتصادی محلی و مناطق محدود برنامه‌ریزی که از تبدیل زمین جلوگیری می‌کند، تأکید داشت. با این حال، سیاست های سرمایه گذاری و برنامه ریزی ملی که باعث ایجاد LUC منطقه ای می شوند، اغلب نادیده گرفته می شدند. این مطالعه با هدف تلفیق مدل تعادل عمومی محاسبه‌پذیر تغییر کاربری زمین (CGELUC) مبتنی بر تئوری اقتصادی و مدل شبیه‌سازی کاربری آینده زمین مبتنی بر اتوماتای ​​سلولی (FLUS) برای ترکیب اثرات کلان سرمایه‌گذاری در شبیه‌سازی کاربری زمین، در حالی که یک به روز شده پیشنهاد می‌کند. مکانیزمی که در مدل FLUS ادغام می شود تا تأثیرات محلی سیاست های برنامه ریزی را در نظر بگیرد. در نظر گرفتن میانمار به عنوان یک مورد، این روش برای طرح الگوهای کاربری زمین (LUPs) طی سال‌های 2017-2050 تحت سه سناریو: توسعه پایه، سریع و هماهنگ استفاده شد. به طور خاص، ساختار کاربری زمین شبیه سازی شده (LUS) در سال 2018 که توسط مدل CGELUC به دست آمد، با داده های موجود تأیید شد و LUS های آینده تحت سناریوهای مختلف بعداً پیش بینی شد. به طور همزمان، سازگاری بین نتایج شبیه‌سازی شده توسط مدل FLUS و نقشه‌های کاربری اراضی در سال‌های 2013، 2015 و 2017 با ضریب کاپا نشان داده شد. مکانیسم به روز شده برای به روز رسانی سطوح احتمال وقوع (PoO) بر اساس شبکه های راه آهن برنامه ریزی و منطقه ویژه اقتصادی اعمال شد. در نهایت، LUP ها تحت سناریوهای مختلف بر اساس LUS های آینده و سطوح PoO به روز شده پیش بینی شدند. نتایج نشان می دهد که دقت اعتبارسنجی برای LUS شبیه سازی شده به 96.87 درصد می رسد. و دقت رضایت بخشی از LUP های شبیه سازی شده به دست می آید (ضرایب کاپا > 0.83). مکانیسم به روز شده، میانگین مقادیر PoO زمین ساخته شده را در مناطق تحت تأثیر سیاست های برنامه ریزی افزایش می دهد (افزایش 0.01 تا 0.21)، که نشان دهنده اهمیت سیاست های برنامه ریزی در شبیه سازی است. زمین زیر کشت و زمین ساخته شده با افزایش سرمایه گذاری در هر سه سناریو افزایش می یابد. سناریوی توسعه هماهنگ، نشان‌دهنده کمترین تجاوز به جنگل و بیشترین تنوع LUP، رویکرد بهینه برای دستیابی به پایداری زمین است. این مطالعه تأثیر سیاست‌های سرمایه‌گذاری و برنامه‌ریزی را بر LUCهای آینده میانمار برجسته می‌کند و انتظار می‌رود یک فرآیند شبیه‌سازی پویا، عدم قطعیت داده‌ها و مدل ورودی را در کار آینده به حداقل برساند. مکانیسم به روز شده، میانگین مقادیر PoO زمین ساخته شده را در مناطق تحت تأثیر سیاست های برنامه ریزی افزایش می دهد (افزایش 0.01 تا 0.21)، که نشان دهنده اهمیت سیاست های برنامه ریزی در شبیه سازی است. زمین زیر کشت و زمین ساخته شده با افزایش سرمایه گذاری در هر سه سناریو افزایش می یابد. سناریوی توسعه هماهنگ، نشان‌دهنده کمترین تجاوز به جنگل و بیشترین تنوع LUP، رویکرد بهینه برای دستیابی به پایداری زمین است. این مطالعه تأثیر سیاست‌های سرمایه‌گذاری و برنامه‌ریزی را بر LUCهای آینده میانمار برجسته می‌کند و انتظار می‌رود یک فرآیند شبیه‌سازی پویا، عدم قطعیت داده‌ها و مدل ورودی را در کار آینده به حداقل برساند. مکانیسم به روز شده، میانگین مقادیر PoO زمین ساخته شده را در مناطق تحت تأثیر سیاست های برنامه ریزی افزایش می دهد (افزایش 0.01 تا 0.21)، که نشان دهنده اهمیت سیاست های برنامه ریزی در شبیه سازی است. زمین زیر کشت و زمین ساخته شده با افزایش سرمایه گذاری در هر سه سناریو افزایش می یابد. سناریوی توسعه هماهنگ، نشان‌دهنده کمترین تجاوز به جنگل و بیشترین تنوع LUP، رویکرد بهینه برای دستیابی به پایداری زمین است. این مطالعه تأثیر سیاست‌های سرمایه‌گذاری و برنامه‌ریزی را بر LUCهای آینده میانمار برجسته می‌کند و انتظار می‌رود یک فرآیند شبیه‌سازی پویا، عدم قطعیت داده‌ها و مدل ورودی را در کار آینده به حداقل برساند. نشان دهنده اهمیت سیاست های برنامه ریزی در شبیه سازی است. زمین زیر کشت و زمین ساخته شده با افزایش سرمایه گذاری در هر سه سناریو افزایش می یابد. سناریوی توسعه هماهنگ، نشان‌دهنده کمترین تجاوز به جنگل و بیشترین تنوع LUP، رویکرد بهینه برای دستیابی به پایداری زمین است. این مطالعه تأثیر سیاست‌های سرمایه‌گذاری و برنامه‌ریزی را بر LUCهای آینده میانمار برجسته می‌کند و انتظار می‌رود یک فرآیند شبیه‌سازی پویا، عدم قطعیت داده‌ها و مدل ورودی را در کار آینده به حداقل برساند. نشان دهنده اهمیت سیاست های برنامه ریزی در شبیه سازی است. زمین زیر کشت و زمین ساخته شده با افزایش سرمایه گذاری در هر سه سناریو افزایش می یابد. سناریوی توسعه هماهنگ، نشان‌دهنده کمترین تجاوز به جنگل و بیشترین تنوع LUP، رویکرد بهینه برای دستیابی به پایداری زمین است. این مطالعه تأثیر سیاست‌های سرمایه‌گذاری و برنامه‌ریزی را بر LUCهای آینده میانمار برجسته می‌کند و انتظار می‌رود یک فرآیند شبیه‌سازی پویا، عدم قطعیت داده‌ها و مدل ورودی را در کار آینده به حداقل برساند. رویکرد بهینه برای دستیابی به پایداری زمین است. این مطالعه تأثیر سیاست‌های سرمایه‌گذاری و برنامه‌ریزی را بر LUCهای آینده میانمار برجسته می‌کند و انتظار می‌رود یک فرآیند شبیه‌سازی پویا، عدم قطعیت داده‌ها و مدل ورودی را در کار آینده به حداقل برساند. رویکرد بهینه برای دستیابی به پایداری زمین است. این مطالعه تأثیر سیاست‌های سرمایه‌گذاری و برنامه‌ریزی را بر LUCهای آینده میانمار برجسته می‌کند و انتظار می‌رود یک فرآیند شبیه‌سازی پویا، عدم قطعیت داده‌ها و مدل ورودی را در کار آینده به حداقل برساند.

کلید واژه ها:

شبیه سازی کاربری زمین ; مدل CGELUC ; مدل FLUS ; مکانیزم به روز شده ؛ ابتکار کمربند و جاده ; پایداری زمین ; میانمار

1. مقدمه

الگوی کاربری زمین به عنوان یک ویژگی جغرافیایی محوری است که تأثیر قابل توجهی بر فرآیندهای تغییر محیطی منطقه ای، برنامه ریزی و توسعه پایدار دارد [ 1 ، 2 ، 3 ]. در چند دهه اخیر، همکاری‌ها و اتصالات منطقه‌ای در مقیاس بزرگ از طریق بسیاری از سیاست‌های موجود و برنامه‌ریزی (مثلاً زیرساخت‌ها و منطقه ویژه اقتصادی (SEZ)) همراه با سرمایه‌گذاری خارجی بیشتر ایجاد شده است که منجر به شکل‌گیری کاربری‌های متنوع و پیچیده زمین شده است. الگوها در مقیاس های مختلف [ 4 ، 5 ، 6]. بنابراین، سیاست‌های سرمایه‌گذاری و برنامه‌ریزی محرک‌های حیاتی برای شبیه‌سازی پویایی کاربری زمین در آینده هستند که برای دستیابی به مدیریت کارآمد زمین منطقه‌ای مهم است.
در حال حاضر، شبیه‌سازی ساختار کاربری زمین در آینده اغلب دو نوع مدل را اتخاذ می‌کند: (1) مدل‌های برون‌یابی داده‌های تاریخی که بر ساختار کاربری زمین در سال هدف با در نظر گرفتن روند تاریخی تغییر کاربری زمین (LUC)، مانند مدل مارکوف، تأکید می‌کنند. 7 ]، و (2) مدل‌های رابطه‌ای عاملی را تحت تأثیر قرار می‌دهند که ساختار کاربری آینده زمین را بر اساس عملکرد رابطه‌ای متغیرهای محرک مختلف در سیستم طبیعی-اجتماعی-اقتصادی، مانند مدل دینامیک سیستم (SD) پیش‌بینی می‌کنند [ 8 ]. این روش ها مزیت کاربرد را صرفاً با استفاده از داده های کاربری تاریخی زمین و عوامل محرک مرتبط دارند، در حالی که اغلب از تأثیرات سرمایه گذاری بر توسعه زمین غفلت می کنند [ 3 ، 9 ]]. مدل تعادل عمومی محاسباتی (CGE)، یک مدل اقتصادسنجی، یک رابطه کمی ریاضی بین تولید صنعتی، مصرف، و جریان سرمایه در داخل و خارج از یک منطقه را مشخص می‌کند که برای محاسبه اثرات سرمایه‌گذاری بر محیط زیست محلی استفاده شده است. [ 10 ، 11 ]. متعاقباً، مدل تعادل عمومی قابل محاسبه تغییر کاربری زمین (CGELUC) بر اساس تئوری مدل CGE ایجاد شد و رابطه ریاضی بین زمین و توسعه صنعتی را دوباره پر کرد و یک سیستم دقیق‌تر و کامل‌تر زمین-اجتماعی-اقتصادی را توصیف کرد. سرمایه گذاری و پیشرفت فنی [ 10]. این مدل برای طراحی ساختار کاربری اراضی با در نظر گرفتن اثرات سیاست های کلان اقتصادی در مناطق منطقه ای، با دقت قابل قبول بالاتر از 80 درصد استفاده شده است [ 3 ، 12 ] که نشان دهنده پتانسیل قوی برای شبیه سازی ساختار کاربری منطقه ای تحت تأثیرات افزایشی است. سرمایه گذاری.
برای تخصیص ساختار کاربری اراضی پیش‌بینی‌شده به واحدهای زمین هدف، انواع مدل‌های تخصیص کاربری زمین مبتنی بر اتوماتای ​​سلولی (CA) با در نظر گرفتن حالت‌های اولیه، اثرات همسایگی و قوانین انتقال کاربری زمین ساخته شده‌اند [ 13 ، 14 ، 15 . ]. مدل شبیه‌سازی کاربری زمین در آینده (FLUS) یکی از پرکاربردترین مدل‌های مبتنی بر CA است که دارای مزیت شبیه‌سازی رقابت‌ها و تعاملات پیچیده بین انواع مختلف کاربری زمین است [ 14 ]. این مدل به طور گسترده برای شبیه‌سازی سیستم‌های پیچیده در مقیاس‌ها و اهداف فضایی مختلف، مانند تعیین مرزهای رشد شهری در منطقه دلتای رودخانه مروارید [ 16 ] استفاده شده است.]، شبیه سازی دینامیک تالاب ساحلی در منطقه خلیج بزرگ [ 17 ]، و شبیه سازی توسعه کاربری زمین در هوکایدو [ 18 ]. به گفته لیو و همکاران. [ 14 ]، مدل FLUS می‌تواند دقت بالاتری در شبیه‌سازی LUC منطقه‌ای نسبت به مدل‌های سنتی CA به دست آورد، با ضرایب کاپا بیش از 0.04 افزایش یافته است. این مطالعات با استفاده از مدل FLUS نتایج قابل دریافتی را به دست آورده اند که نشان دهنده امکان سنجی خوب این روش ها در شبیه سازی توسعه کاربری منطقه ای است.
اگرچه مدل FLUS اثربخشی رضایت بخشی را در شبیه سازی های LUC منطقه ای نشان می دهد، یک الگوی فضایی پیچیده از کاربری زمین ممکن است به دلیل اثرات عوامل مختلف ایجاد شود [ 19 ، 20 ]. بنابراین برای محاسبه نتیجه شبیه سازی شده که به دنیای واقعی نزدیکتر است، علاوه بر عوامل محرک طبیعی و اجتماعی-اقتصادی، عوامل مهم دیگری به ویژه سیاست های برنامه ریزی نیز باید در نظر گرفته شود. در حال حاضر، بیشتر تحقیقات فقط محدودیت‌های برنامه‌ریزی را در نظر می‌گیرند که از LUC در سلول‌های هدف جلوگیری می‌کند یا تبدیل کاربری زمین به یک مکان مشخص را تسهیل می‌کند، مانند مناطق حفاظت‌شده و مناطق اساسی زمین‌های کشاورزی [ 21 ، 22 ].]. علاوه بر این، سایر سیاست‌های برنامه‌ریزی، مانند برنامه‌ریزی شبکه‌های حمل و نقل و مناطق SEZ، نیز تأثیرات بالقوه قوی بر LUC دارند. به طور خاص، شبکه های حمل و نقل برنامه ریزی، الگوهای فضایی زمین کشاورزی و زمین شهری را شکل می دهند و فرصتی را برای بهترین استفاده از شبکه های حمل و نقل به عنوان بخشی از الگوهای کاربری آینده زمین ارائه می دهند [ 6 ، 23 ]. یک SEZ تولید زمین های شهری جدید را در یک منطقه مشخص تشویق می کند [ 24 ]. این سیاست های برنامه ریزی ذکر شده در مدل سازی رشد شهری [ 16 ، 23 ، 25 ] توجه قابل توجهی را به خود جلب کرده اند ، در حالی که اغلب در شبیه سازی LUC منطقه ای نادیده گرفته می شوند [ 23 ، 25 ]]. پیش‌بینی دقیق توسعه کاربری زمین، پیش‌نیاز تصمیم‌گیری است. بنابراین، اثرات سیاست های برنامه ریزی باید در شبیه سازی LUC منطقه ای در نظر گرفته شود.
در سال 2015، ابتکار کمربند و جاده (BRI) توسط چین طراحی شد، با هدف اتصال چین با سایر کشورهای شرکت کننده به روشی پایدار [ 26 ]. BRI برای ترویج همکاری های اقتصادی منطقه ای، تقویت رشد تجارت و افزایش فرصت های شغلی مفید است [ 27 ]. بسیاری از مطالعات استنباط کرده‌اند که LUC عظیم ممکن است توسط پروژه‌های زیرساختی و سرمایه‌گذاری در حال انجام آغاز شود [ 28 ، 29 ، 30 ]. میانمار یک کشور در حال توسعه است که به طور فعال در BRI ادغام می شود. این منطقه به طور گسترده به عنوان یک منطقه متمرکز مهم از جنگل ها در نظر گرفته می شود که 65٪ از کل مساحت میانمار را در سال 2000 پوشش می دهد [ 31 ]]. با این حال، به دلیل رشد تقاضای غذا و توسعه اقتصادی، جنگل‌های عظیم به تدریج توسط زمین‌های مصنوعی (به عنوان مثال، زمین‌های کشاورزی و زمین‌های ساخته‌شده) تسخیر شده‌اند [ 32 ، 33 ] که منجر به تخریب منابع طبیعی و از بین رفتن تنوع زیستی می‌شود. 34 ، 35 ]. در سال‌های اخیر، برای کاهش بیشتر فقر و ارتقای اصلاحات، میانمار به طور فعال با کشورهای دیگر مانند چین، هند، تایلند و ژاپن همکاری کرده است [ 36 ]، و بسیاری از سیاست‌های جدید برای بهبود زیرساخت‌ها (مانند راه‌آهن و SEZ) پیشنهاد شده است. ) [ 37 ، 38 ] و جذب سرمایه گذاری خارجی [ 39]. این موقعیت ها ممکن است فرصت های بزرگی را برای توسعه اقتصادی میانمار به ارمغان بیاورند، اما LUC های عظیم و چالش های زیست محیطی را برمی انگیزند.
در این مقاله، میانمار به عنوان موردی برای مطالعه پیش بینی LUC تحت تأثیر سیاست های سرمایه گذاری و برنامه ریزی انتخاب شده است. اهداف این مطالعه عبارتند از: (1) طرح ساختار کاربری آتی زمین میانمار در طی سال‌های 2017-2050 تحت سناریوهای متعدد با راه‌اندازی مدل CGELUC با سرمایه‌گذاری، (2) پیشنهاد یک مکانیسم به روز ادغام شده در مدل FLUS برای پروژه‌های آینده الگوهای کاربری زمین تحت تأثیر سیاست های برنامه ریزی، و (3) برای تجزیه و تحلیل توزیع کاربری آینده میانمار با توجه به هدف توسعه پایدار زمین.

2. منطقه مطالعه و منابع داده

2.1. منطقه مطالعه

میانمار (9°-29° شمالی، 92°-102° شرقی)، بخش مهمی از کریدور اقتصادی بنگلادش-چین-هند-میانمار در BRI، مساحتی معادل 676552 کیلومتر مربع را پوشش می‌دهد و دارای ارتفاع 0-5881 متر است. . این کشور ساحلی واقع در قسمت غربی شبه جزیره هند و چین است که از غرب با هند و بنگلادش، از شمال و شمال شرق با چین و از جنوب شرق با لائوس و تایلند همسایه است ( شکل 1 ). با توجه به ترکیب آب و هوای موسمی گرمسیری و توپوگرافی پیچیده، میانمار دمای گرم را برای کل سال و توزیع بسیار ناهموار بارندگی نشان می‌دهد. انواع عمده کاربری زمین در میانمار شامل جنگل ها، علفزارها، زمین های زیر کشت، تالاب ها، آب ها و زمین های ساخته شده است [ 32 ].]. در چند دهه گذشته، میانمار به دلیل فعالیت‌های انسانی بیش از حد، از جمله قطع درختان، توسعه زیرساخت‌ها، و گسترش کشاورزی، به‌ویژه از جنگل‌ها به زمین‌های کشت‌شده و زمین‌های ساخته شده، تغییر کاربری عظیمی را تجربه کرده است [ 35 ]. در سال 2014، جنگل های طبیعی میانمار تنها 38 درصد از کل منطقه را تشکیل می دادند [ 32 ]. در نتیجه، محیط زیست محیطی در میانمار بدتر شد [ 34 ، 35 ]. میانمار در سال های اخیر به دنبال ارتقای توسعه اقتصادی با جذب سرمایه گذاری بوده است. در همین حال، برنامه ریزی کرده است تا سه SEZ (Kyaukpyu، Dawei، و Thilawa) ایجاد کند، دو راه آهن بین المللی که چین، هند و تایلند را به هم متصل می کند، و راه آهن های موجود را ارتقا دهد ( شکل 1).). این سیاست های ذکر شده ممکن است منجر به LUC های بیشتر شود.

2.2. جمع آوری و پردازش داده ها

داده های مورد استفاده در این کار شامل داده های کاربری زمین، داده های اجتماعی-اقتصادی، داده های ویژگی های طبیعی و داده های برنامه ریزی می باشد. جزئیات این داده ها و منابع مشتق شده آنها در جدول 1 ارائه شده است. در مورد داده‌های کاربری اراضی، انواع کاربری‌ها در هفت دسته شامل زمین‌های زیر کشت، جنگل‌ها، علفزار، تالاب، آب‌ها، زمین‌های ساخته‌شده و زمین‌های بلااستفاده ادغام شدند. داده‌های کاربری زمین در سال 2017 برای ارائه مقادیر چندین حساب در ماتریس حسابداری اجتماعی میانمار (SAM) استفاده شد که حساب‌های معاملات را در قالب ماتریس تک ورودی ارائه می‌کرد [ 40 ]]. قبل از آن، این SAM، شامل 42 بخش صنعتی، نیاز به ادغام در 3 بخش صنعتی (یعنی صنعت کشاورزی، صنعتی و خدماتی) داشت. میانگین بارندگی و دما سالانه در میانمار با درون یابی ایستگاه های هواشناسی به شکل شطرنجی با تفکیک فضایی 250 متر بر اساس روش اسپلاین صفحه نازک [ 41 ] به دست آمد. سطح 1 کیلومتری آب و هوای آینده تحت سه مسیر تمرکز نماینده (یعنی RCP2.6، RCP4.5، و RCP8.5) که توسط پانل بین المللی تغییر اقلیم (IPCC) برای پنجمین گزارش ارزیابی آن (AR5) پذیرفته شده است، دانلود شد. پورتال داده CCAFS-Climate [ 42 ].
در مجموع شانزده عامل محرک بر اساس داده های مربوطه تولید شد. فواصل اقلیدسی داده های برداری برای نشان دادن نزدیکی به راه آهن، ایستگاه راه آهن، جاده ها، شهرها، مراکز استان ها و رودخانه ها محاسبه شد. نزدیکی های به روز شده به راه آهن و ایستگاه های راه آهن به ترتیب با فواصل اقلیدسی هر دو راه آهن تاریخی و برنامه ریزی و ایستگاه های راه آهن نشان داده شد. نزدیکی به منطقه آشفته با فاصله اقلیدسی مناطق LUC از 2000 تا 2017 توصیف شد. منطقه حفاظت شده باید به یک شطرنجی با مقادیر 0 و 1 تبدیل شود، که به عنوان یک عامل محدود کننده برای مدل FLUS عمل می کند. در این مطالعه، تمام داده‌های مکانی به وضوح فضایی یکنواخت 250 متر نمونه‌برداری شدند و این عوامل محرک باید به [0، 1] نرمال شوند.

3. روش شناسی

روش پیشنهادی در این کار با هدف طرح تغییرات در ساختارهای کاربری اراضی و الگوهای فضایی در میانمار با در نظر گرفتن تأثیرات سرمایه‌گذاری‌ها و سیاست‌های برنامه‌ریزی ملی (یعنی برنامه‌ریزی شبکه‌های ترافیکی و SEZ)، که شامل چندین تکنیک است ( شکل 2 ) است. گام اول بر طرح ریزی ساختارهای کاربری زمین در آینده از طریق مدل CGELUC با در نظر گرفتن سرمایه گذاری ها تمرکز دارد. متعاقباً، مدل FLUS که با مکانیزم به روز شده ادغام شده است برای تخصیص این ساختارهای کاربری زمین به واحدهای فضایی استفاده می شود. به ویژه، مکانیسم به روز شده برای ترکیب اثرات سیاست های برنامه ریزی ملی پیشنهاد شده است.

3.1. شبیه سازی ساختار کاربری زمین با در نظر گرفتن اثرات سرمایه گذاری

مدل CGELUC از چارچوب نظری CGE برای ارزیابی کمی سودمندی سیاست‌های کاربری زمین در سطح کلان استفاده می‌کند. تغییرات در ساختار کاربری زمین را می توان از طریق این مدل با در نظر گرفتن روابط بین کاربری زمین و کل سیستم اقتصادی-اجتماعی دریافت کرد [ 14 ، 37 ]. مدل CGELUC شامل نه ماژول است (جزئیات در دنگ [ 10]) که می توان آن را به دو بخش تقسیم کرد. بخش اول، ماژول تجزیه و تحلیل کمی، برای شبیه سازی تغییرات در انواع کاربری اراضی بدون ارزش اقتصادی مستقیم (به عنوان مثال، منطقه آب، تالاب، و جنگل) استفاده می شود. بخش دیگر، شامل هشت ماژول باقیمانده، برای طرح تغییرات انواع کاربری زمین با ارزش اقتصادی مستقیم (مثلاً زمین های ساخته شده و زمین های کشاورزی) استفاده می شود. متغیرهای برونزا، مانند سرمایه‌گذاری و پیشرفت فنی، بر اساس سیاست‌های کلان برای راه‌اندازی عملیات مدل تنظیم می‌شوند و مقدار متناظر هر نوع کاربری زمین تحت سناریوهای طراحی‌شده محاسبه می‌شود.

3.2. مشخص کردن تخصیص کاربری اراضی با در نظر گرفتن اثرات سیاست های برنامه ریزی

3.2.1. شرح مدل FLUS

مدل FLUS مبتنی بر CA ادغامی از مدل SD و مدل CA است که اغلب برای تعیین الگوهای کاربری زمین در آینده استفاده می شود [ 19 ]]. در کار ما، مدل CGELUC برای جایگزینی مدل SD برای بررسی اثرات سرمایه‌گذاری بر سازه‌های کاربری آینده پیشنهاد شده است. در مدل FLUS، یک مدل شبکه عصبی مصنوعی (ANN) بر اساس نقشه کاربری تاریخی زمین و عوامل محرک آموزش داده می‌شود که بعداً برای بدست آوردن سطح احتمال وقوع (PoO) هر نوع کاربری زمین اعمال می‌شود. این سطوح PoO ورودی های ماژول CA در مدل FLUS برای تشکیل الگوی کاربری زمین در آینده هستند. همانطور که برای ماژول CA، یک ضریب اینرسی خود تطبیقی ​​برای هر نوع کاربری زمین برای تنظیم احتمال ترکیبی هر نوع کاربری زمین استفاده می‌شود. عملکرد اصلی انتخاب رولت طراحی شده در ماژول CA، ترسیم رقابت بین انواع کاربری زمین در هر سلول است. و مزیت انعکاس عدم قطعیت و تصادفی بودن پویایی کاربری زمین را نشان می دهد. جزئیات مدل FLUS توسط لیو و همکاران شرح داده شد. [14 ].
3.2.2. مکانیسم به روز شده با توجه به اثرات سیاست های برنامه ریزی
برنامه‌ریزی راه‌آهن، ایستگاه‌های راه‌آهن و SEZ به عنوان سیاست‌های برنامه‌ریزی خاص در این مطالعه در نظر گرفته شد. سطوح PoO به‌دست‌آمده توسط مدل ANN می‌توانند مکان معینی را برای تخصیص هر نوع کاربری زمین هدایت کنند، بنابراین تغییرات آنها تأثیر مستقیمی بر نتیجه شبیه‌سازی شده دارد. این سیاست‌های برنامه‌ریزی پتانسیل تغییر توزیع سطوح PoO تاریخی را نشان می‌دهند و تغییرات کاربری زمین را به مکان‌هایی با امکان بیشتر هدایت می‌کنند. برای ترسیم اثرات آنها بر روی این سطوح PoO، این مطالعه یک مکانیسم به روز شده را بر اساس مدل ANN پیشنهاد کرد. روش خاص این مکانیسم به روز شده در شکل 3 نشان داده شده است .

دو مرحله حیاتی در این مکانیسم به روز شده گنجانده شده است. ابتدا یک ANN بر اساس نمونه تصادفی استخراج شده از نقشه کاربری تاریخی زمین و عوامل محرک آموزش داده می شود. عوامل محرک جدید که اطلاعات ترکیبی شبکه های راه آهن تاریخی و برنامه ریزی را نشان می دهد، برای جایگزینی عوامل تاریخی مربوطه استفاده می شود. متعاقباً، سطح PoO هر نوع کاربری زمین بر اساس ANN به خوبی آموزش دیده و عوامل محرک به روز شده تولید خواهد شد. دوم، قانون نشان داده شده به عنوان معادله (1) برای به روز رسانی مقادیر PoO زمین ساخته شده در SEZ، در حالی که این مقادیر را در [0، 1] حفظ می کند، برای توصیف اثرات بالقوه SEZ استفاده می شود.

Uپپ،توrبآn={اچپپ،توrبآn+1-پمنظور داشتن، اگر اچپپ،توrبآn-پمنظور داشتن≤01              ، اگر اچپپ،توrبآn-پمنظور داشتن>0

که در آن HP p , urban و UP p , urban مقادیر PoO تاریخی و به روز شده زمین ساخته شده در سلول شبکه p را نشان می دهد و میانگیننشان دهنده میانگین ارزش PoO زمین ساخته شده در منطقه اقتصادی ویژه اقتصادی است، به استثنای سلول های زمین ساخته شده تاریخی. این قانون برای سلول های زمینی ساخته نشده در SEZ اعمال می شود. توزیع مقادیر PoO به روز شده در SEZ شبیه به مقادیر PoO تاریخی است. به طور خاص، اولین گام از مکانیسم به روز شده بر اثرات برنامه ریزی شبکه های راه آهن بر فرآیند طرح ریزی مدل ANN متمرکز است. گام دوم با هدف بهبود شانس تولید زمین شهری در منطقه اقتصادی ویژه اقتصادی است، حتی اگر هیچ زمین ساخته شده تاریخی در همسایگی آن وجود نداشته باشد.

3.3. تنظیمات شبیه سازی کاربری زمین و طراحی سناریو

3.3.1. تنظیم پیاده سازی مدل

پیاده سازی مدل شامل کالیبراسیون مدل و اعتبار سنجی و شبیه سازی سناریو است. در این مطالعه از SAM برای ساخت مدل CGELUC استفاده شد. داده های کاربری زمین در سال 2018 برای واسنجی و اعتبارسنجی مدل CGELUC استفاده شد. اگر تفاوت بین سازه های کاربری اراضی شبیه سازی شده و مشاهده شده کمتر یا مساوی 5 درصد مقدار مشاهده شده باشد، کالیبراسیون مدل CGELUC تکمیل می شود. در ادامه، پارامترهای سناریوهای طراحی شده برای راه اندازی این مدل و محاسبه سازه های کاربری اراضی تحت سناریوهای مختلف تنظیم شدند. مشخص شد که توزیع و تغییر کاربری زمین با عوامل زمین (به عنوان مثال، ارتفاع و شیب)، عوامل اجتماعی-اقتصادی (به عنوان مثال، توزیع جمعیت و تولید ناخالص داخلی (GDP))، عوامل مکانی (به عنوان مثال، نزدیکی به اصلی) ارتباط دارد. جاده ها)9 ، 24 ]. با توجه به تحقیقات مرتبط و ویژگی های LUC میانمار [ 3 ، 30 ، 32 ، 35 ، 57]، شانزده عامل محرک برای کالیبره کردن مدل ANN برای محاسبه سطح PoO هر نوع کاربری انتخاب شدند. در این مطالعه، حدود 5 درصد از کل سلول ها در میانمار به طور تصادفی از عوامل محرک تاریخی و نقشه کاربری زمین استخراج شد که به عنوان نمونه های آموزشی برای آموزش مدل ANN به روش خودسازگاری شناسایی شدند. در ماژول CA مدل FLUS، یک محله مور 3×3 برای شبیه سازی LUC تنظیم شد. این مطالعه مدل FLUS را در یک دوره 2000-2017 کالیبره کرد. زمانی که ضریب کاپا الگوی کاربری زمین شبیه سازی شده از 0.83 تجاوز کند، نشان می دهد که مدل FLUS کالیبره شده است. پس از آن، مدل به خوبی آموزش دیده برای بررسی توالی الگوهای کاربری زمین در آینده اتخاذ شد.
در شبیه سازی سناریو، سطوح PoO جدید باید بر اساس مکانیسم به روز شده برای پیش بینی کاربری زمین در آینده ایجاد شوند. محرک های آب و هوایی تاریخی با داده های اقلیمی آینده تحت سناریوهای RCP2.6، RCP4.5، و RCP8.5 جایگزین شدند، که به نمایندگی از وضعیت اقلیمی آینده سناریوی توسعه پایه طراحی شده (BD_scenario)، سناریوی توسعه هماهنگ بودند. (HD_scenario)، و سناریوی توسعه سریع (FD_scenario)، به ترتیب. در این بین، عوامل مکانی به روز شده (یعنی نزدیکی به راه آهن و ایستگاه راه آهن) برای جایگزینی عوامل تاریخی مربوطه استفاده شد. به دلیل فقدان دامنه برنامه ریزی SEZ ها، مناطق حائل 5 کیلومتری اطراف سایت های SEZ برای اجرای مرحله دوم مکانیسم به روز شده طراحی شده انتخاب شدند.
3.3.2. طراحی سناریو
میانمار امیدوار است با جذب سرمایه گذاری های داخلی و خارجی به رشد صادرات محور دست یابد [ 39 ]. سرمایه گذاری فشرده می تواند قابلیت های تولید و فناوری را بهبود بخشد که به افزایش رشد تولید در بلندمدت کمک می کند. چشم انداز ساختار کاربری بلندمدت زمین با هر یک از استراتژی های توسعه که در برنامه توسعه جامع 20 ساله ملی [ 58 ] و برنامه توسعه پایدار میانمار [ 36 ] توضیح داده شده است، ارتباط نزدیک دارد.]. عوامل توسعه ذکر شده را می توان با افزایش بهره وری کل عوامل (TFP) نشان داد. علاوه بر این، رشد جمعیت و تغییرات آب و هوایی نیز باید برای تأثیر آنها بر LUC در نظر گرفته شود. با توجه به مطالعات قبلی مربوط به اثرات عوامل اجتماعی-اقتصادی و تغییرات آب و هوایی در میانمار [ 59 ، 60 ، 61 ، 62 ، 63 ، 64]، سه سناریو برای پیش‌بینی پویایی کاربری زمین از سال 2017 تا 2050 با در نظر گرفتن تغییرات اقلیمی منطقه‌ای همراه با توسعه اجتماعی-اقتصادی طراحی شد. این سناریوها بر اساس فرض تمایل میانمار برای توسعه اقتصادی طراحی شده اند. در سناریوی BD، الگوی کاربری آینده در میانمار با در نظر گرفتن حالت توسعه در سال‌های اخیر بدون تأثیر سیاست‌های برنامه‌ریزی شبیه‌سازی شد. سناریوی HD بر اساس این فرض ساخته شد که میانمار به توسعه اقتصادی همراه با حفاظت از محیط زیست اهمیت می دهد. در این سناریو، سیاست های برنامه ریزی و مناطق حفاظت شده هر دو مورد توجه قرار گرفتند. سناریو_FD فرض می‌کرد که میانمار سرمایه‌گذاری هنگفتی را معرفی می‌کند و توسعه سریع اقتصادی ممکن است به هزینه منابع زیست‌محیطی رخ دهد. این سناریو فقط سیاست های برنامه ریزی را برای هدایت LUC در نظر گرفت. تولید پارامترهای سناریو در شرح داده شدبخش S1 . همانطور که در جدول 2 نشان داده شده است ، سه سناریو با انواع شرایط جایگزین آینده در رابطه با دخالت انسانی، توسعه اقتصادی، پیشرفت فنی و شرایط آب و هوایی نشان داده شده است.

3.4. ارزیابی دقت

در این مطالعه، دقت کلی و ضریب کاپا برای اندازه‌گیری دقت الگوهای کاربری اراضی شبیه‌سازی شده در سال‌های 2013، 2015 و 2017 اتخاذ شد. برای ارزیابی دقت دقت ساختار کاربری اراضی شبیه سازی شده با روش جین و همکاران محاسبه شد. [ 3 ] که به صورت زیر بیان می شود:

Error=|اف-آ|/آ

که در آن F مساحت LUC پیش بینی شده بین سال اولیه و سال پایانی را نشان می دهد و A به مساحت LUC مشاهده شده بین سال اولیه و سال پایانی اشاره دارد.

4. نتایج و تجزیه و تحلیل

4.1. اعتبار سنجی شبیه سازی های مدل

4.1.1. دقت ساختار کاربری زمین شبیه سازی شده

دقت ساختار کاربری زمین شبیه سازی شده تحت سناریوی BD_2018 در جدول 3 ارائه شده است . دقت کل منطقه به 96.87 درصد می رسد و دقت پیش بینی بالایی برای زمین های زیر کشت و جنگل ها به ترتیب با مقادیر 97.53 درصد و 96.92 درصد مشاهده می شود. در میان انواع کاربری های مورد بررسی، دقت تالاب و اراضی بلااستفاده نسبتاً کم است، اما همچنان به ترتیب به 14/78 و 09/73 درصد می رسد. تغییرات واقعی تالاب و اراضی بلااستفاده در مقایسه با انواع کاربری های دیگر حاشیه ای است که ممکن است دلیل دقت پایین باشد. به طور خلاصه، نتایج دقت پیش‌بینی کلی و محلی بالایی را نشان می‌دهند. مدل CGELUC کالیبره شده برای پیش بینی ساختار کاربری زمین در آینده مناسب است.
4.1.2. دقت الگوهای کاربری زمین شبیه سازی شده
تفاوت بین الگوهای کاربری اراضی مشاهده شده و شبیه سازی شده در سال 2017 در شکل 4 نشان داده شده است که منعکس کننده خطاهای شبیه سازی است. عمدتاً در شمال و شرق میانمار پراکنده است. دقت های کمی الگوهای کاربری اراضی شبیه سازی شده در سال های 2013، 2015 و 2017 در جدول 4 و جدول S1 ارائه شده است.. ضرایب کاپا و دقت کلی برای همه انواع کاربری اراضی در این سالها بالا است، با مقادیر 0.84 و 92.3 درصد در سال 2013، 0.83 و 91.99 درصد در سال 2015، و 0.84 و 92.29 درصد در سال 2017. بر حسب ضریب کاپا. نوع کاربری اراضی، ارزش جنگل‌ها، زمین‌های زیر کشت و اراضی بلااستفاده در سه سال بالاتر از 0.82 و مقادیر علفزار و تالاب نسبتاً پایین و بین 0.51 تا 0.63 است. با توجه به شرایط پیچیده طبیعی و تفاوت‌های محلی قابل‌توجه در میانمار، این دقت‌ها برای پیش‌بینی‌های کاربری بیشتر زمین کاملاً قابل دریافت است.

4.2. عملکرد مکانیسم پیشنهادی به روز شده برای سیاست های برنامه ریزی

عملکرد مکانیسم به روز شده با دو روش بررسی شد: (1) تجزیه و تحلیل تغییرات در سطوح PoO تاریخی و به روز شده زمین ساخته شده و (2) مقایسه LUCs پیش بینی شده در SEZ ها تحت سه سناریو. همانطور که در شکل 5 نشان داده شده است ، مقادیر PoO زمین ساخته شده یک روند رشد را تحت تاثیر سیاست های برنامه ریزی نشان می دهد. به طور خاص، میانگین مقادیر PoO زمین ساخته شده با تأثیرات راه‌آهن و ایستگاه‌های برنامه‌ریزی ( شکل 5 b-1, b-2) در مقایسه با مقادیر تاریخی 0.01 و 0.06 افزایش می‌یابد ( شکل 5).a-1، a-2) به ترتیب. مقادیر بالای PoO به تدریج در اطراف زمین ساخته شده تاریخی متمرکز می شوند. به دلیل عدم وجود زمین های ساخته شده تاریخی در همسایگی سه منطقه اقتصادی خاص در میانمار، مقادیر PoO زمین های ساخته شده در مناطق SEZ بسیار پایین است، با مقادیر میانگین PoO 0.21 در اطراف منطقه اقتصادی منطقه کیاکپیو ( شکل 5 a- 3) و 0.11 در اطراف SEZ Thilawa ( شکل 5 a-4). رشد ناچیز مقادیر PoO در اطراف این SEZ ها تنها با در نظر گرفتن تأثیرات شبکه راه آهن برنامه ریزی مشاهده می شود. پس از استفاده از مرحله دوم مکانیسم به روز شده پیشنهادی، تغییرات قابل توجهی در مقادیر PoO زمین ساخته شده در شکل 5 b-3,b-4 نشان داده شده است، با مقادیر میانگین PoO 0.44 در اطراف SEZ Kyaukpyu ( شکل 5)b-2) و 0.43 در اطراف SEZ Thilawa ( شکل 5 b-3).

4.3. ساختارهای کاربری اراضی پیش بینی شده از سال 2017 تا 2050 در میانمار

زمین های زیر کشت، علفزار و زمین های ساخته شده به تدریج با هزینه جنگل ها از سال 2017 تا 2050 تحت سه سناریو گسترش می یابد ( شکل 6 ). کاهش جنگل‌ها در سناریوی HD به وضوح کمتر از سناریوی BD_scenario و FD_scenario است. بیشترین افزایش زمین های زیر کشت در سناریوی BD برای وابستگی زیاد به کشاورزی یافت می شود. از سال 2017 تا 2050، مقیاس علفزارهای اشغالی تحت سناریوی FD_scenario، HD_scenario و BD_scenario به ترتیب 27048.05 کیلومتر مربع ، 22290.69 کیلومتر مربع و 26524.11 کیلومتر افزایش یافته است. در سناریوی FD، زمین ساخته شده رشد سریعی را به بیش از 5000 کیلومتر مربع نشان می دهد .تا سال 2050، این مقدار در سال 2017 تقریباً سه برابر شده است. کمترین افزایش زمین های ساخته شده از سال 2017 تا 2050 تحت سناریو_BD (2222.69 کیلومتر مربع ) مشاهده شده است که نشان دهنده کاهش مزیت رقابتی زمین های ساخته شده است. تالاب در سناریوی HD_ کمی افزایش می یابد، اما در دو سناریوی دیگر کاهش می یابد. زمین بدون استفاده در سه سناریو کاهش می یابد، که بیشترین کاهش را در سناریوی HD_ نشان می دهد. به طور خلاصه، تقاضا برای زمین های ساخته شده و زمین های زیر کشت تحت همه سناریوها به طور مداوم افزایش می یابد. در همین حال، تالاب ها و جنگل ها در حال کاهش هستند و این نشان می دهد که محیط زیست در میانمار بدتر خواهد شد.

4.4. دینامیک الگوی فضایی شبیه سازی شده در میانمار

توالی الگوهای کاربری زمین در میانمار سازگاری کلی و تفاوت های محلی را در همه سناریوها نشان می دهد ( شکل 7 ). الگوهای فضایی جهانی نتایج پیش بینی شده در سه سناریو مطابق با سال 2017 است ( شکل S1 را ببینید). زمین های زیر کشت عمدتاً در مناطق مسطح مانند مرکز و جنوب میانمار توزیع شده است. علاوه بر این، برخی از زمین های زیر کشت در مناطق کوهستانی شرق میانمار توزیع شده است. منطقه جنگلی عمدتاً در مناطق کوهستانی میانمار متمرکز شده است. زمین ساخته شده ویژگی تراکم محلی در کلان شهرها (مانند ماندالی و یانگون) و مناطق معدنی را نشان می دهد. ویژگی های محلی توسعه کاربری اراضی در سه سناریو در سال های 2035 و 2050 متفاوت است. در مقایسه با سناریو HD، الگوهای کاربری زمین در سناریو BD_scenario و FD_scenario چندین ویژگی را نشان می‌دهند. اول، زمین های زیر کشت و علفزار بیشتر به جنگل ها و تالاب ها حمله می کنند، به ویژه در مناطق کوهستانی شرق میانمار. دومین، زمین های ساخته شده به طور فزاینده ای به ترتیب زمین های زیر کشت و جنگل های اطراف مناطق شهری و مناطق معدنی بیشتری را اشغال می کنند. سوم، منطقه جنگلی تنوع کمتری در الگوهای کاربری اراضی در تقاطع جنگل ها، زمین های زیر کشت و مرتع حفظ می کند. تغییرات کمی و پراکنده در تالاب، آب، و زمین های بلااستفاده مشاهده می شود که یک ویژگی فضایی نامشخص را نشان می دهد.
با توجه به بزرگ شدن جزئی مناطق 4-6 نشان داده شده در شکل 7 ، نتایج شبیه سازی شده از سه SEZ مسیر توسعه متفاوتی را نشان می دهد. بدون در نظر گرفتن تأثیرات SEZ های برنامه ریزی، زمین های ساخته شده جدید فقط در لبه زمین های ساخته شده اولیه ایجاد می شوند، اما هنوز در این SEZ ها وجود ندارند. این پدیده را می توان به طور موثر با در نظر گرفتن اثرات SEZ های برنامه ریزی در شبیه سازی مورد توجه قرار داد. همانطور که در شکل 7 نشان داده شده است، زمین های ساخته شده جدید را نمی توان در SEZ های برنامه ریزی در سال های 2035 و 2050 تحت سناریو BD_ ایجاد کرد. با این حال، در سناریوهای در نظر گرفته شده در SEZ های برنامه ریزی، زمین های ساخته شده جدید در سه منطقه اقتصادی خاص یافت می شود و با گذشت زمان از سال 2017 تا 2050 گسترش می یابد. بنابراین، سیاست های برنامه ریزی از عوامل حیاتی در ردیابی مسیر توسعه زمین و پیش بینی الگوهای توسعه آتی هستند. به ویژه الگوهای گسترش شهری، مانند رشد محصور و رشد جهشی در یک منطقه اقتصادی خاص.

5. بحث

5.1. محرک های سطح سیاست تغییر کاربری زمین در میانمار

میانمار کشوری است که عمدتاً به کشاورزی متکی است و تقریباً 43 درصد از تولید ناخالص داخلی آن را به خود اختصاص داده است [ 65 ]. برای مقابله با رشد جمعیت و ترویج توسعه اقتصادی، سیاست های کشاورزی متعددی برای حمایت از توسعه کشاورزی اتخاذ شد [ 66 ]. در سال 1988، میانمار به انزوای طولانی سیاسی و اقتصادی خود پایان داد [ 32 ]. متعاقباً رشد شدیدی در حجم صادرات محصولات کشاورزی و جنگلی مشاهده شد ( شکل 8 الف، ب). در همین حال، مرحله ای از گسترش و تشدید جزئی (بیش از 1961-1990) به طور معمول با گسترش قابل توجهی (طی سال های 1991-2018 برای لوبیا، ذرت، لاستیک، پنبه دانه و نیشکر) دنبال شد ( شکل 8 ).ج) نشان دهنده جابجایی زمین در میانمار است. قبل از پیشنهاد ممنوعیت صادرات چوب خام در سال 2014 [ 35 ]، حجم چهار محصول اصلی جنگلی تولید شده سالانه افزایش یافت ( شکل 8 د). پس از دهه 1990، یک سری از سیاست‌های جنگلی برای ارتقای پایداری صادر شد که به دلیل آرزوی قوی میانمار برای توسعه اقتصادی، تأثیر چندانی نداشت [ 67 ]. بنابراین، جنگل های طبیعی میانمار به شدت به انواع کاربری های دیگر تبدیل شده است. بر اساس این اطلاعات، تضاد قابل توجهی بین توسعه اقتصادی و حفاظت از جنگل وجود دارد که با مبادله و هم افزایی بین انواع کاربری اراضی نمایان می شود.
سیاست‌ها و اصلاحات اقتصادی اخیر میانمار بر معرفی سرمایه خارجی و ارتقاء زیرساخت‌ها متمرکز شده است که ممکن است تغییرات عمیقی در بسیاری از بخش‌ها ایجاد کند [ 32 ]. در این زمینه، این کشور به طور فعال با سایر کشورها (به عنوان مثال، چین، هند، تایلند، و ژاپن) در زمینه های مختلف، مانند انرژی، حمل و نقل، و مناطق SEZ همکاری می کند [ 68 ، 69 ]. سه SEZ و دو راه آهن بین المللی که چین، هند و تایلند را به هم متصل می کنند، برنامه ریزی شده است [ 37 ، 38 ]. بر اساس طرح جامع حمل و نقل ملی، میانمار قصد دارد یک شبکه ریلی ایجاد کند که بتواند تقاضای آنها را با ارتقاء خطوط راه آهن موجود یا ساخت راه‌آهن جدید برآورده کند [ 37 ].]. در سال 2017، کریدور اقتصادی چین-میانمار «هرینگ‌بون» پیشنهاد شد که نشان‌دهنده همکاری منسجم‌تر بین چین و میانمار است [ 70 ]. تمام اطلاعات مرتبط حاکی از آرزوی قوی میانمار برای توسعه اقتصادی است که ممکن است منجر به درگیری شدید بین توسعه اقتصادی و حفاظت از جنگل شود.
با توجه به اثرات بالقوه سیاست‌های سرمایه‌گذاری و برنامه‌ریزی، این کار یک مدل جفت را برای پیش‌بینی LUCهای آینده تحت سناریوهای مختلف اتخاذ کرد. مدل CGELUC بر اساس تئوری اقتصادی برای شبیه‌سازی اثرات کلان سرمایه‌گذاری بر ساختار کاربری محلی استفاده شد. این مدل با افزایش سرمایه گذاری و بهبود پیشرفت فنی با توجه به سیاست های کلان میانمار آغاز شد. نتیجه نشان می دهد که دقت پیش بینی کلی ساختار کاربری زمین شبیه سازی شده قابل قبول است. اثربخشی این مدل توسط جین و همکاران نیز تأیید شده است. [ 3 ]. سیاست‌های برنامه‌ریزی از عوامل مهم شکل‌دهی به الگوهای فضایی توسعه زمین به‌ویژه در مناطق شهری هستند [ 6 ، 23 ].]. این مطالعه مکانیزم به روز شده ای را برای در نظر گرفتن تأثیر سیاست های برنامه ریزی، از جمله برنامه ریزی راه آهن، ایستگاه های راه آهن، و SEZs پیشنهاد کرد. نتیجه نشان می دهد که میانگین مقادیر PoO زمین ساخته شده در چهار منطقه خاص ( شکل 5 ) به ترتیب 0.01، 0.06، 0.21 و 0.11 افزایش می یابد. مکانیسم به روز شده پیشنهادی مشابه کار لیانگ و همکاران است. [ 25 ] که ثابت شده است که روشی موثر برای شبیه سازی الگوی گسترش شهری است. بر اساس مکانیسم به روز شده پیشنهادی، مقادیر PoO زمین ساخته شده در SEZ ها افزایش می یابد و در محدوده [0، 1] باقی می ماند. مقادیر PoO به روز شده در SEZ ها تمایل توزیع مشابهی با مقادیر تاریخی دارند. الگوهای استفاده از زمین پیش بینی شده در یانگون مشابه Sritarapipat و همکاران است. [ 71]، که نشان دهنده اعتبار نتایج است. این مکانیسم به روز شده همچنین می تواند در سایر مدل های تخصیص کاربری زمین تعبیه شود و پایه ای برای تحقیقات منطقه ای بیشتر در مورد این موضوع فراهم کند.

5.2. الگوهای کاربری زمین در سناریوهای مختلف

طبق الگوهای کاربری اراضی بین سال‌های 2017 تا 2050، جنگل‌ها در تمامی سناریوها روند کاهشی را نشان می‌دهند. عمدتاً توسط زمین های زیر کشت، زمین های ساخته شده و علفزارها تسخیر شده است. در این میان، گسترش زمین های زیر کشت عمدتاً در ناحیه کوهستانی که یک زیستگاه مهم است، پراکنده شده است [ 72 ]. این روندها با ویژگی های LUC تاریخی در میانمار مطابقت دارد [ 32 ]. دو دلیل می تواند این ویژگی توزیع را در الگوهای کاربری زمین در آینده توضیح دهد: (1) مدل بر اساس نقشه های کاربری تاریخی زمین و عوامل محرک ساخته شده است، و (2) LUC ها جهت گیری قوی را تحت تأثیر انتظارات انسانی نشان می دهند [ 3 ]. به گفته لیم و همکاران. [ 35کاهش اراضی جنگلی عمدتاً ناشی از گسترش کشاورزی، توسعه زیرساخت‌ها و سرمایه‌گذاری اقتصادی است که همان محرک‌های احتمالی آینده است. این می تواند روندهای مشابه LUC را در سناریوهای مختلف توضیح دهد. همانطور که برای زمین ساخته شده، آن را تا حد زیادی در اطراف لبه های زمین تاریخی شهری تحت سناریوی BD گسترده شده است. با توجه به اجرای مکانیسم به روز شده، زمین های ساخته شده جدید در سه SEZ تحت سناریو HD_Scenario و FD_Scenario تولید می شود که همچنین اثربخشی مکانیسم به روز شده را نشان می دهد.
با مقایسه سه سناریوی LUC، سناریو HD_بهینه ترین راه حل برای توسعه پایدار سرزمین میانمار است. در سناریوی HD_، گسترش زمین های زیر کشت، علفزار و زمین های ساخته شده به خوبی تنظیم می شود، کوچک شدن مساحت جنگل به شدت کاهش می یابد و الگوی کاربری اراضی تنوع بیشتری را نشان می دهد. به طور خاص، تجاوز زمین های زیر کشت به جنگل های مناطق کوهستانی می تواند به طور موثری کاهش یابد و منطقه جنگلی تمایل بیشتری به تبدیل به علفزار دارد. در این میان، پراکندگی شهری به شیوه ای قابل کنترل تشویق می شود و می توان شاهد توسعه پایدار زمین بود. این یافته‌ها نشان می‌دهد که اجرای دقیق سیاست‌های حفاظت از محیط‌زیست به ترویج توسعه هماهنگ در میانمار کمک می‌کند.

5.3. عدم قطعیت ها و کار آینده

در این مطالعه، SAM میانمار در سال 2017 برای ایجاد مدل CGELUC استفاده شد. آخرین نقشه کاربری زمین در سال 2018 در این مجموعه داده ها برای تأیید نتیجه شبیه سازی شده از مدل CGELUC استفاده شد. این امر به دلیل اثربخشی ناشناخته برای طرح ریزی طولانی مدت، حتی با دقت بالا، عدم قطعیت را برای نتیجه ما به ارمغان می آورد. کالیبراسیون مدل FLUS در این مطالعه یک فرآیند ایستا است که تنها با در نظر گرفتن رابطه داده‌های کاربری تاریخی زمین و عوامل محرک در یک مرحله خاص، در حالی که رابطه آنها در واقع با زمان متفاوت است. این ممکن است منجر به عدم اطمینان برای پیش‌بینی استفاده از زمین در آینده شود. داده های ورودی اساس کالیبراسیون و طرح ریزی مدل است. عدم قطعیت در داده های ورودی در مدل منتشر می شود و بعداً بر نتیجه شبیه سازی شده تأثیر می گذارد. تعاملات بین طبیعت، جامعه، اقتصاد،2 ، استراتژی های توسعه ملی [ 25 ]، محیط های تجاری داخلی و بین المللی [ 73 ] و تمایل ساکنان [ 74 ]. بنابراین، مفهوم سازی مدلی برای نمایش دنیای واقعی همیشه در حال تغییر دشوار است. در این مطالعه، یک سیستم ساده طبیعت-اجتماعی-اقتصادی-زمینی بر اساس ویژگی های ساختاری و سیستمی اصلی میانمار مفهوم سازی شد که ممکن است باعث عدم قطعیت مدل شود. پارامترهای خطوط داستانی سناریو بر اساس تحقیقات قبلی در مطالعه ما فرض شده است، که ممکن است عدم اطمینان بالایی را برای سیستم اقتصادی-اجتماعی ناپایدار نشان دهد. تحقیق وربورگ و همکاران. [ 75] نشان داد که عدم قطعیت در پارامترهای مهم سطح نسبتاً بالایی از تجمع را نشان می‌دهد که به عدم قطعیت‌های فضایی مختلف در خروجی‌های مدل تبدیل می‌شود.
با در نظر گرفتن ابهامات موجود در این مطالعه، می توان تغییر مبهم در رابطه بین کاربری زمین و عوامل محرک را یافت. بنابراین، انتظار می‌رود که یک سیستم شبیه‌سازی پویا، عدم قطعیت‌های عملکرد بلندمدت مدل را در کارهای آینده به حداقل برساند. جهت گیری نتایج پیش بینی به واقعیت نزدیک است، که می تواند مرجعی برای مدیریت زمین باشد. نتایج نشان می دهد که سناریوی HD با توجه به هدف حفاظت از جنگل، حالت بهینه توسعه است. قابل ذکر است که مساحت جنگل در هر سه سناریو رو به کاهش است که ممکن است منجر به تخریب خدمات اکوسیستمی شود. بسیاری از کارهای تحقیقاتی گزارش کرده اند که خدمات اکوسیستم ارتباط نزدیکی با ساختارها و الگوهای کاربری زمین نشان می دهد [ 76 , 77 ]، 78 ]. حفظ خدمات اکوسیستم الزاماً پیامدهای مهمی برای توسعه انسانی و اقتصادی خواهد داشت [ 79 ، 80 ]. از این رو، الگوهای کاربری زمین نیاز به شبیه سازی و بهینه سازی برای کشف تناسب اکولوژیکی زمین دارند. علاوه بر این، LUC یک شاخص حیاتی برای تحقیق در مورد تخریب اکولوژیکی با در نظر گرفتن تأثیرات توسعه منطقه ای است. برای ارائه پیشنهادات معقول به مطالعه بیشتر در مورد ارزیابی ریسک اکولوژیکی تحت سناریوهای مختلف نیاز است.

6. نتیجه گیری

با توجه به سیاست‌های کلان اجرا شده توسط میانمار، افزایش سرمایه‌گذاری و TFP قرار بود مدل CGELUC را با هدف پیش‌بینی ساختارهای کاربری زمین آینده میانمار از سال 2017 تا 2050 تحت سه سناریو طراحی‌شده: BD_scenario، FD_scenario، و HD_scenario ایجاد کند. در ادامه، الگوهای کاربری اراضی در سال‌های 2035 و 2050 تحت سه سناریو بر اساس مدل FLUS و ساختارهای کاربری اراضی پیش‌بینی‌شده شبیه‌سازی شدند. به طور خاص، اثرات سیاست‌های برنامه‌ریزی توسط یک مکانیسم به‌روز شده، که در مدل FLUS تعبیه شده بود، منعکس شد. نتایج نشان می دهد که مدل جفت CGELUC و FLUS عملکرد عالی در شبیه سازی توسعه زمین، به دست آوردن دقت پیش بینی قابل دریافت برای ساختار و الگوی کاربری زمین شبیه سازی شده، نشان می دهد. پس از استفاده از مکانیزم به روز شده، مقادیر PoO زمین های ساخته شده در اطراف مناطق شهری تاریخی و مناطق SEZ به طور قابل توجهی افزایش می یابد (از 0.01 به 0.21 افزایش می یابد)، و زمین های ساخته شده جدید در مناطق SEZ ظاهر می شوند حتی اگر هیچ زمین ساخته شده تاریخی در اطراف آنها وجود نداشته باشد. تحت تأثیر رشد سرمایه گذاری، زمین های زیر کشت و زمین های ساخته شده تمایل به گسترش نشان می دهند و سطح جنگل سالانه کاهش می یابد. توزیع کاربری زمین در سال‌های 2035 و 2050 تحت همه سناریوها سازگاری کلی و تفاوت‌های محلی را نشان می‌دهد که مطابق با سال 2017 است. زمین‌های زیر کشت و علفزار تمایل به تجاوز به مناطق جنگلی در مناطق کوهستانی میانمار را تحت سه سناریو نشان می‌دهند و این تغییرات. در سناریوی HD_کمترین هستند. بنابراین سناریوی HD_به عنوان مسیر بهینه برای دستیابی به پایداری توسعه زمین در نظر گرفته می شود.

منابع

  1. وانگ، سی. وانگ، ی. وانگ، آر. ژنگ، پی. مدل‌سازی و ارزیابی تغییر کاربری/پوشش زمین برای برنامه‌ریزی شهری و پایداری: مطالعه موردی شهر Dongying، چین. جی. پاک. تولید 2018 ، 172 ، 1529-1534. [ Google Scholar ] [ CrossRef ]
  2. راجر، ا. پیلکه، اس. استفاده از زمین و تغییر آب و هوا. Science 2005 ، 310 ، 1625-1626. [ Google Scholar ]
  3. جین، جی. چن، ک. وانگ، پی. Guo، BS; دونگ، ی. یانگ، جی. مبادله در رقابت استفاده از زمین و توسعه پایدار زمین در دشت چین شمالی. تکنولوژی پیش بینی. Soc. تغییر 2019 ، 141 ، 36-46. [ Google Scholar ] [ CrossRef ]
  4. لامبین، EF; Meyfroidt، P. تغییر کاربری زمین جهانی، جهانی شدن اقتصادی، و کمبود زمین در حال ظهور. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2011 ، 108 ، 3465-3472. [ Google Scholar ] [ CrossRef ]
  5. وربورگ، پی اچ. شولپ، CJE; ویت، ن. Veldkamp، A. کاهش مقیاس سناریوهای تغییر کاربری زمین برای ارزیابی پویایی مناظر اروپایی. کشاورزی اکوسیستم. محیط زیست 2006 ، 114 ، 39-56. [ Google Scholar ] [ CrossRef ]
  6. ژانگ، جی. ژنگ، دی. وو، اچ. وانگ، جی. لی، اس. ارزیابی نقش راه‌آهن پرسرعت در شکل‌دهی الگوهای فضایی توسعه شهری و روستایی: موردی از محدوده‌های میانی رودخانه یانگ تسه، چین. علمی کل محیط. 2020 , 704 , 135399. [ Google Scholar ] [ CrossRef ]
  7. مولر، ام آر. میدلتون، جی. مدل مارکوف از پویایی تغییر کاربری زمین در منطقه نیاگارا، انتاریو، کانادا. Landsc. Ecol. 1994 ، 9 ، 151-157. [ Google Scholar ]
  8. لو، جی. یین، سی. چن، ایکس. خو، دبلیو. لو، ال. ترکیب مدل دینامیکی سیستم و مدل CLUE-S برای بهبود تجزیه و تحلیل سناریوهای کاربری زمین در مقیاس منطقه ای: مطالعه موردی حوضه آبخیز سانگانگ در سین کیانگ، چین. Ecol. مجتمع. 2010 ، 7 ، 198-207. [ Google Scholar ] [ CrossRef ]
  9. ژنگ، XQ; ژائو، ال. شیانگ، WN; لی، ن. Lv، LN; یانگ، ایکس. یک مدل همراه برای شبیه‌سازی دینامیک مکانی-زمانی تغییر کاربری زمین: مطالعه موردی در چانگ کینگ، جینان، چین. Landsc. طرح شهری. 2012 ، 106 ، 51-61. [ Google Scholar ] [ CrossRef ]
  10. مدل سازی دینامیک و پیامدهای تغییر سیستم زمین ; انتشارات آموزش عالی: پکن، چین، 2010. [ Google Scholar ]
  11. وربورگ، پی اچ. ایخوت، بی. van Meijl، H. یک رویکرد چند مقیاسی، چند مدل برای تجزیه و تحلیل پویایی آینده استفاده از زمین اروپا. ان Reg. علمی 2008 ، 42 ، 57-77. [ Google Scholar ] [ CrossRef ]
  12. دنگ، XZ; یین، اف. لین، YZ؛ جین، Q. Qu، RJ Equilibrium بر روی تغییرات ساختاری کاربری‌های زمین در استان جیانگشی تجزیه و تحلیل می‌کند. J. Food Agric. محیط زیست 2012 ، 10 ، 846-852. [ Google Scholar ]
  13. وربورگ، پی اچ. سوپبور، دبلیو. ولدکمپ، ا. لیمپیادا، آر. اسپالدون، وی. Mastura، SS مدل سازی پویایی فضایی استفاده از زمین منطقه ای: مدل CLUE-S. محیط زیست مدیریت 2002 ، 30 ، 391-405. [ Google Scholar ] [ CrossRef ]
  14. لیو، XP؛ لیانگ، ایکس. لی، ایکس. Xu، XC; او، جی پی؛ چن، YM; لی، سی. وانگ، اس جی. Pei، FS یک مدل شبیه‌سازی کاربری زمین در آینده (FLUS) برای شبیه‌سازی سناریوهای کاربری چندگانه با جفت کردن اثرات انسانی و طبیعی. Landsc. طرح شهری. 2017 ، 168 ، 94-116. [ Google Scholar ] [ CrossRef ]
  15. وانگ، کیو. گوان، کیو. لین، جی. لو، اچ. تان، ز. Ma, Y. شبیه سازی تغییر کاربری/پوشش زمین در یک منطقه خشک با مدل های جفت. Ecol. اندیک. 2021 , 122 , 107231. [ Google Scholar ] [ CrossRef ]
  16. لیانگ، ایکس. لیو، ایکس. لی، ایکس. چن، ی. تیان، اچ. Yao, Y. تعیین مرزهای رشد شهری چند سناریویی با مدل FLUS مبتنی بر CA و روش مورفولوژیکی. Landsc. طرح شهری. 2018 ، 177 ، 47-63. [ Google Scholar ] [ CrossRef ]
  17. گوا، اچ. کای، ی. یانگ، ز. زو، ز. Ouyang، Y. شبیه سازی دینامیکی تالاب های ساحلی برای منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو بر اساس تصاویر چند زمانی Landsat و مدل FLUS. Ecol. اندیک. 2021 , 125 , 107559. [ Google Scholar ] [ CrossRef ]
  18. چن، ز. هوانگ، ام. زو، دی. Altan, O. یکپارچه سازی سنجش از دور و مدل مارکوف-فلوس برای شبیه سازی تغییرات کاربری زمین در آینده در هوکایدو، ژاپن. Remote Sens. 2021 , 13 , 2621. [ Google Scholar ] [ CrossRef ]
  19. لی، ایکس. لیو، ایکس. یک خودکار سلولی توسعه یافته با استفاده از استدلال مبتنی بر مورد برای شبیه سازی توسعه شهری در یک منطقه پیچیده بزرگ. بین المللی جی. جئوگر. Inf. علمی 2006 ، 20 ، 1109-1136. [ Google Scholar ] [ CrossRef ]
  20. ویانا، سی ام؛ سانتوس، ام. فریره، دی. آبرانتس، پی. روشا، جی. ارزیابی عوامل توضیح دهنده استفاده از زمین کشاورزی: ​​رویکرد یادگیری ماشینی و مدل-آگنوستیک. Ecol. اندیک. 2021 ، 131 ، 108200. [ Google Scholar ] [ CrossRef ]
  21. بردی، م. ساهرباخر، سی. کلرمن، ک. Happe، K. یک رویکرد مبتنی بر عامل برای مدل‌سازی اثرات سیاست کشاورزی بر استفاده از زمین، تنوع زیستی و خدمات اکوسیستم. Landsc. Ecol. 2012 ، 27 ، 1363–1381. [ Google Scholar ] [ CrossRef ]
  22. چنگ، کیو. جیانگ، پی. کای، ال. شان، جی. ژانگ، ی. وانگ، ال. لی، ام. لی، اف. زو، ا. چن، دی. ترسیم منطقه حفاظت از زمین های کشاورزی پایه دائمی در اطراف مرکز شهر: مطالعه موردی شهر چانگژو، چین. سیاست کاربری زمین 2017 ، 60 ، 73-89. [ Google Scholar ]
  23. ژائو، ال. Shen, L. اثرات حمل و نقل ریلی بر توسعه کاربری زمین شهری در آینده: مطالعه موردی در ووهان، چین. ترانسپ سیاست 2019 ، 81 ، 396-405. [ Google Scholar ] [ CrossRef ]
  24. لیانگ، ایکس. لیو، ایکس. چن، جی. لنگ، جی. ون، ی. چن، جی. جفت‌سازی خوشه‌بندی فازی و اتوماتای ​​سلولی بر اساس حداکثرهای محلی پتانسیل توسعه برای مدل‌سازی ظهور و گسترش شهری در مناطق توسعه اقتصادی. بین المللی جی. جئوگر. Inf. علمی 2020 ، 34 ، 1930-1952. [ Google Scholar ] [ CrossRef ]
  25. لیانگ، ایکس. لیو، XP؛ لی، دی. ژائو، اچ. شبیه‌سازی رشد شهری Chen، GZ با ترکیب سیاست‌های برنامه‌ریزی در یک مدل شبیه‌سازی کاربری زمین در آینده مبتنی بر CA. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 2294-2316. [ Google Scholar ] [ CrossRef ]
  26. لوئیس، دی جی؛ یانگ، XH; مویز، دی. Roddy، SJ Dynamic هم افزایی بین ابتکار کمربند و جاده چین و اهداف توسعه پایدار سازمان ملل متحد. J. Int. اتوبوس. سیاست 2021 ، 4 ، 58-79. [ Google Scholar ] [ CrossRef ]
  27. مالزی می گوید که از ابتکار یک کمربند و یک راه سود می برد. در دسترس آنلاین: https://eng.yidaiyilu.gov.cn/qwyw/rdxw/32071.htm (دسترسی در 30 اکتبر 2017).
  28. Lechner, AM; چان، FKS; Campos-Arceiz، A. حفاظت از تنوع زیستی باید ارزش اصلی طرح کمربند و جاده چین باشد. نات Ecol. تکامل. 2018 ، 2 ، 408-409. [ Google Scholar ] [ CrossRef ]
  29. نگ، LS؛ Campos-Arceiz، A.; اسلون، اس. هیوز، AC؛ تیانگ، DCF; Li، BV; Lechner, AM مقیاس تأثیرات تنوع زیستی طرح کمربند و جاده در آسیای جنوب شرقی. Biol. حفظ کنید. 2020 , 248 , 108691. [ Google Scholar ] [ CrossRef ]
  30. ریمال، بی. ژانگ، ال. کشتکار، ح. وانگ، ن. Lin, Y. نظارت و مدل‌سازی گسترش شهری فضایی و زمانی و تغییر کاربری زمین/پوشش زمین با استفاده از مدل اتوماتای ​​سلولی زنجیره‌ای مارکوف یکپارچه. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 288. [ Google Scholar ] [ CrossRef ]
  31. لیمگروبر، پی. کلی، دی اس؛ اشتاینینگر، MK; برونر، جی. مولر، تی. سونگر، M. الگوهای تغییر پوشش جنگلی در میانمار (برمه) 1990-2000. محیط زیست حفظ کنید. 2005 ، 32 ، 356-364. [ Google Scholar ] [ CrossRef ]
  32. باگوات، تی. هس، ا. هورنینگ، ن. خاینگ، تی. Thein، ZM; Aung، KM; Aung، KH; فیو، پی. Tun, YL; اوه، ق. و همکاران از دست دادن جواهر-کاهش سریع در جنگل های دست نخورده میانمار از 2002 تا 2014. PLoS ONE 2017 , 12 , e0176364. [ Google Scholar ] [ CrossRef ]
  33. وادروو، ک. هاینیمن، ا. گاتمن، جی. عدالت، ج. سنجش از دور تغییرات کاربری/پوشش زمین در کشورهای جنوب و جنوب شرق آسیا. بین المللی جی دیجیت. زمین 2019 ، 12 ، 1099–1102. [ Google Scholar ] [ CrossRef ]
  34. جین، ی. لی، AN; Bian، JH; نان، ایکس. لی، GB; محمد، ک. تحلیل فضایی و زمانی آسیب پذیری اکولوژیکی در امتداد کریدور اقتصادی بنگلادش-چین-هند-میانمار از طریق یک مدل نمونه اولیه سطح شبکه. Ecol. اندیک. 2021 , 120 , 106933. [ Google Scholar ] [ CrossRef ]
  35. لیم، CL; پرسکات، GW; DeAlban، JDT; زیگلر، AD; Webb, EL گشودن گره گشایی از علل نزدیک و محرک های اصلی جنگل زدایی و تخریب جنگل در میانمار. حفظ کنید. Biol. 2017 ، 31 ، 1362–1372. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  36. وزارت برنامه ریزی و دارایی. برنامه توسعه پایدار میانمار (2018-2030). 2018. در دسترس آنلاین: https://www.themimu.info/sites/themimu.info/files/documents/Core_Doc_Myanmar_Sustainable_Development_Plan_2018_-_2030_Aug2018.pdf (در 20 اوت 2021 قابل دسترسی است).
  37. وزارت حمل و نقل ریلی راه آهن میانمار. توسعه شبکه ریلی میانما که تقاضا را برآورده می کند. 2015. در دسترس آنلاین: https://www.unescap.org/sites/default/files/Myanmar-TAR-WGM-4.pdf (در 1 سپتامبر 2021 قابل دسترسی است).
  38. وزارت حمل و نقل ریلی راه آهن میانمار. طرح توسعه زیرساخت ریلی و برنامه ریزی برای اتصال بین المللی راه آهن در میانمار. 2019. در دسترس آنلاین: https://www.unescap.org/sites/default/files/Item5_Myanmar_0.pdf (دسترسی در 5 سپتامبر 2021).
  39. کمیسیون سرمایه گذاری میانمار طرح ارتقای سرمایه گذاری میانمار 2018. در دسترس آنلاین: https://www.dica.gov.mm/sites/dica.gov.mm/files/news-files/mipp_english_version_with_cover_pages.pdf (در 23 اوت 2021 قابل دسترسی است).
  40. کیونینگ، اس جی. دو روتر، دستورالعمل های WA برای ساخت یک ماتریس حسابداری اجتماعی. Rev. Income Wealth 1988 ، 34 ، 71-100. [ Google Scholar ] [ CrossRef ]
  41. کلر، دبلیو. بورکوفسکی، الف. درون یابی اسپلاین صفحه نازک. جی. جئود. 2019 ، 93 ، 1251-1269. [ Google Scholar ] [ CrossRef ]
  42. ناوارو-راسینز، سی. تاراپیوس، جی. تورنتون، پی. جارویس، ا. Ramirez-Villegas, J. پیش‌بینی‌های CMIP5 با وضوح بالا و تصحیح تعصب برای ارزیابی‌های تاثیر تغییر آب و هوا. علمی داده 2020 ، 7 ، 7. [ Google Scholar ] [ CrossRef ]
  43. Saah، DS; تواشیراپورن، پی. Aekakkararungroj، A. فونگ ساپان، ک. تریپکه، جی. ماوس، پی. تنسون، ک. کاتر، PG; گانز، دی. Anderson, E. Mekong Land Cover Dasboard: Systems Range Cover Land. در خلاصه AGU Fall Meeting ; اتحادیه ژئوفیزیک آمریکا: سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 2016; پ. IN51B-1837. [ Google Scholar ]
  44. ون سونتر، دی. تارپ، اف. سان، NN; Htwe، STN یک ماتریس حسابداری اجتماعی 2017 برای میانمار. در مقاله WIDER Working Paper 2020/66 ؛ UNU-WIDER: هلسینکی، سوئد، 2020. [ Google Scholar ]
  45. لوید، سی تی. چمبرلین، اچ. کر، دی. یتمن، جی. پیستولسی، ال. استیونز، FR; Gaughan، AE; نیوز، جی جی; هورنبی، جی. مک مانوس، ک. و همکاران مجموعه داده‌های جهانی هماهنگ مکانی-زمانی برای تولید مجموعه داده‌های توزیع جمعیت شبکه‌ای با وضوح بالا. داده های بزرگ زمین 2019 ، 3 ، 108-139. [ Google Scholar ] [ CrossRef ]
  46. کومو، ام. تاکا، م. گیوم، داده‌های JHA از: مجموعه داده‌های جهانی شبکه‌بندی شده برای شاخص تولید ناخالص داخلی و توسعه انسانی طی سال‌های 1990-2015. Dryad 2020 . [ Google Scholar ] [ CrossRef ]
  47. فهرست ایستگاه های راه آهن میانمار در دسترس آنلاین: https://en.wikipedia.org/wiki/List_of_railway_stations_in_Myanmar (در 12 مارس 2022 قابل دسترسی است).
  48. MIMU. مجموعه داده های جغرافیایی واحد مدیریت اطلاعات میانمار. 2022. در دسترس آنلاین: https://www.themimu.info/gis-resources-agency-maps (در 26 مارس 2022 قابل دسترسی است).
  49. UNEP-WCMC. سیاره حفاظت شده: پایگاه داده جهانی مناطق حفاظت شده (WDPA) ؛ دانشگاه کمبریج: کمبریج، بریتانیا، 2018. [ Google Scholar ]
  50. ون زیل، جی جی ماموریت توپوگرافی رادار شاتل (SRTM): پیشرفتی در سنجش از دور توپوگرافی. فضانورد Acta. 2001 ، 48 ، 559-565. [ Google Scholar ] [ CrossRef ]
  51. هنگل، تی. Wheeler, I. محتوای کربن آلی خاک در x 5 گرم بر کیلوگرم در 6 عمق استاندارد (0، 10، 30، 60، 100 و 200 سانتی متر) در وضوح 250 متر، نسخه v0.2. Zenodo 2018 . [ Google Scholar ] [ CrossRef ]
  52. Hengl، T. pH خاک در H 2 O در 6 عمق استاندارد (0، 10، 30، 60، 100 و 200 سانتی متر) در وضوح 250 متر، نسخه v0.2. Zenodo 2018 . [ Google Scholar ] [ CrossRef ]
  53. Hengl، T. محتوای خاک رس بر حسب درصد (kg/kg) در 6 عمق استاندارد (0، 10، 30، 60، 100 و 200 سانتی متر) در وضوح 250 متر، نسخه v0.2. Zenodo 2018 . [ Google Scholar ] [ CrossRef ]
  54. CSO. سالنامه آماری میانمار ; سازمان مرکزی آمار: یانگون، میانمار، 2018.
  55. هاسپاری، تی اس; آملیا، آر. خلاصه پروژه های تحقیقاتی ERIA 2019-2020. 2021. در دسترس آنلاین: https://think-asia.org/bitstream/handle/11540/13502/2020-July-Summary-Of-ERIA-Research-Projects-2019-2020-Interactive.pdf?sequence=1 (دسترسی شده در 17 مه 2021).
  56. مناطق اقتصادی لنکانگ-مکونگ در دسترس آنلاین: https://lmezs.com/lancang-mekong/myanmar/special-economic-zones/?type=Special+Economic+Zone (در 15 مارس 2020 قابل دسترسی است).
  57. Xie، X. لی، ا. تیان، جی. وو، سی. جین، اچ. یک طرح تخمین تفکیک فضایی خوب برای بهره وری اولیه ناخالص در مقیاس بزرگ (GPP) در اکوسیستم های کوهستانی با ادغام یک مدل اکو هیدرولوژیکی با ترکیبی از فرآیندهای کاهش مقیاس خطی و غیر خطی. جی هیدرول. 2023 ، 616 ، 128833. [ Google Scholar ] [ CrossRef ]
  58. میانمار پیش نویس برنامه پنج ساله جدید برای تقویت اقتصاد در دسترس آنلاین: https://investvine.com/myanmar-drafts-new-five-year-plan-to-boost-economy/#:~:text=Myanmar%E2%80%99s%2020-year%20National%20Comprehensive %20توسعه%20طرح%20%20قاب شده بود، 2030-31%20و%20%20%20%20%20%20%20GDP%20تا%20%243%2C000.html (در 17 دسامبر 2015 دسترسی پیدا کرد).
  59. دانشگاه سایتاما پیش‌بینی بلندمدت اقتصاد میانمار با استفاده از مدل کلان اقتصادسنجی. 2015. در دسترس آنلاین: https://mpra.ub.uni-muenchen.de/64412/ (در 23 مه 2020 قابل دسترسی است).
  60. کل سرمایه گذاری میانمار، درصد تولید ناخالص داخلی. در دسترس آنلاین: https://data.nasdaq.com/data/ODA/MMR_NID_NGDP-myanmar-total-investment-of-gdp (در 23 مارس 2020 قابل دسترسی است).
  61. سازمان بهره وری آسیایی APO Productivity Databook 2014. 2014. موجود به صورت آنلاین: https://www.apo-tokyo.org/publications/apo-productivity-databook-2014/ (دسترسی در 15 مه 2021).
  62. سازمان بهره وری آسیایی APO Productivity Databook 2020. 2020. در دسترس آنلاین: https://www.apo-tokyo.org/publications/2020-apo-productivity-databook/ (در 15 مه 2021 قابل دسترسی است).
  63. اداره جمعیت وزارت کار، مهاجرت و جمعیت. گزارش موضوعی در مورد پیش بینی جمعیت برای اتحادیه میانمار، ایالات/مناطق، مناطق روستایی و شهری، 2014-2050. 2017. در دسترس آنلاین: https://myanmar.unfpa.org/en/census (در 23 اوت 2021 قابل دسترسی است).
  64. وزارت منابع طبیعی و حفاظت از محیط زیست. استراتژی تغییر اقلیم میانمار (2018-2030). 2019. در دسترس آنلاین: https://myanmar.un.org/sites/default/files/2019-11/MyanmarClimateChangeStrategy_2019.pdf (دسترسی در 17 مه 2021).
  65. هاگبلید، اس. بوتون، دی. چو، KM; دنینگ، جی. کلوپینگر-تاد، آر. اوو، ز. Sandar, TM; Than، TM; وای، NEMA; ویلسون، اس. و همکاران انتخاب های استراتژیک شکل دهنده عملکرد کشاورزی و امنیت غذایی در میانمار J. Int. Aff. 2014 ، 67 ، 55-71. [ Google Scholar ]
  66. تون، تی. کندی، آ. Nischan، U. ترویج رشد کشاورزی در میانمار: تجدید نظر در سیاست ها و ارزیابی شکاف های دانش. 2015. در دسترس آنلاین: https://ageconsearch.umn.edu/record/259018/ (دسترسی در 11 اکتبر 2021).
  67. لین، KM; لیانگ، تحلیل WC از سیاست جنگل در میانمار. بین المللی J. Sci. 2015 ، 4 ، 16-28. [ Google Scholar ]
  68. دیپاک، BR بنگلادش، چین، هند، کریدور اقتصادی میانمار (BCIM-EC): معضل امنیتی، سوار بر یکپارچگی اقتصادی منطقه‌ای. در توازن مجدد جهانی چین و جاده ابریشم جدید ؛ دیپک، BR، اد. Springer: سنگاپور، 2018; صص 51-68. [ Google Scholar ]
  69. پس از آن، روابط اقتصادی برون مرزی M. میانمار و همکاری با جمهوری خلق چین و تایلند در منطقه بزرگ مکونگ. J. GMS Dev. گل میخ. 2005 ، 2 ، 37-54. [ Google Scholar ]
  70. تانگ، دبلیو. لیو، ام. Liao, Y. Myanmar: Review of 2017 and Prospect of 2018. Crossroads Southeast Asian Stud. 2018 ، 1 ، 47-53. [ Google Scholar ]
  71. سریتاراپیپات، تی. تاکئوچی، دبلیو. شبیه سازی تغییر پوشش زمین در یانگون تحت چندین سناریو آسیب پذیری سیل و زلزله با طرح جامع. J. Disaster Res. 2018 ، 13 ، 50-61. [ Google Scholar ] [ CrossRef ]
  72. گوسوامی، UC؛ Basistha، SK; بورا، دی. شیامکومار، ک. سایکیا، بی. Changsan، K. تنوع ماهی شمال شرق هند، شامل مناطق کانونی تنوع زیستی هیمالیا و هندوبرما: چک لیستی در مورد وضعیت طبقه بندی، اهمیت اقتصادی، توزیع جغرافیایی، وضعیت فعلی و تهدیدهای غالب. بین المللی J. Biodivers. حفظ کنید. 2012 ، 4 ، 592-613. [ Google Scholar ]
  73. لی، ال. لیو، جی. لانگ، اچ. د یونگ، دبلیو. جوان، ی.-سی. جهانی شدن اقتصادی، تجارت و گذار جنگل – مورد نه کشور آسیایی. برای. سیاست اقتصاد. 2017 ، 76 ، 7-13. [ Google Scholar ] [ CrossRef ]
  74. رامبونیلازا، م. داچاری-برنارد، جی. برنامه ریزی کاربری زمین و ترجیحات عمومی: چه چیزی می توانیم از روش آزمایش انتخاب بیاموزیم؟ Landsc. طرح شهری. 2007 ، 83 ، 318-326. [ Google Scholar ] [ CrossRef ]
  75. وربورگ، پی اچ. تابو، ا. هاتنا، E. ارزیابی عدم قطعیت های فضایی تخصیص زمین با استفاده از رویکرد سناریو و تحلیل حساسیت: مطالعه ای برای استفاده از زمین در اروپا. جی. محیط زیست. مدیریت 2013 ، 127 ، S132–S144. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  76. رائو، ی. ژو، ام. او، جی. دای، دی. ژانگ، ال. ژانگ، ز. نی، ایکس. یانگ، سی. ادغام ارزش خدمات اکوسیستم برای مدیریت پایدار استفاده از زمین در منطقه نیمه خشک. جی. پاک. تولید 2018 ، 186 ، 662-672. [ Google Scholar ] [ CrossRef ]
  77. لاولر، جی جی. لوئیس، دی جی؛ نلسون، ای. پلانتینگا، ای جی; پولاسکی، اس. ویسی، جی سی. Helmers، DP; مارتینوزی، اس. پنینگتون، دی. Radeloff، VC اثرات تغییر کاربری زمین بر خدمات اکوسیستم در ایالات متحده را پیش بینی کرد. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2014 ، 111 ، 7492-7497. [ Google Scholar ] [ CrossRef ]
  78. مندوزا-گونزالس، جی. مارتینز، ام ال. لیتگو، دی. پرز-ماکئو، او. Simonin، P. تغییر کاربری زمین و اثرات آن بر ارزش خدمات اکوسیستم در امتداد ساحل خلیج مکزیک. Ecol. اقتصاد 2012 ، 82 ، 23-32. [ Google Scholar ] [ CrossRef ]
  79. پژچار، ال. Mooney، گونه های مهاجم HA، خدمات اکوسیستم و رفاه انسان. Trends Ecol. تکامل. 2009 ، 24 ، 497-504. [ Google Scholar ] [ CrossRef ]
  80. تالیس، اچ. کاریوا، پ. مارویر، ام. چانگ، الف. چارچوب خدمات اکوسیستمی برای حمایت از حفاظت عملی و توسعه اقتصادی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2008 ، 105 ، 9457-9464. [ Google Scholar ] [ CrossRef ]
شکل 1. منطقه مورد مطالعه که توزیع کاربری زمین، راه‌آهن‌ها و ایستگاه‌های راه‌آهن موجود، راه‌آهن‌های برنامه‌ریزی، ایستگاه‌های راه‌آهن و مناطق SEZ در میانمار را نشان می‌دهد.
شکل 2. چارچوب شماتیک مدل جفت پیشنهادی CGELUC و FLUS. فلش‌های آبی جریان کالیبراسیون مدل را برای مدل‌های CGELUC و FLUS توصیف می‌کنند و فلش‌های سیاه جریان پیش‌بینی کاربری زمین را نشان می‌دهند.
شکل 3. چارچوب مکانیزم به روز شده پیشنهادی.
شکل 4. توزیع الگوهای کاربری اراضی ( الف ) مشاهده شده و ( ب ) شبیه سازی شده در سال 2017 و تفاوت ( ج ) بین آنها.
شکل 5. سطوح PoO زمین ساخته شده ( الف ) بدون و ( ب ) با اثرات سیاست های برنامه ریزی برای شبیه سازی آینده. میانگین نشان دهنده مقدار میانگین سطح PoO در قاب قرمز است.
شکل 6. پیش بینی سازه های کاربری زمین تحت سناریوهای مختلف در میانمار از سال 2017 تا 2050.
شکل 7. ویژگی های محلی الگوهای کاربری اراضی شبیه سازی شده در سه سناریوی طراحی شده در سال های 2035 و 2050.
شکل 8. تولید و تجارت محصولات کشاورزی و جنگلی در میانمار. ( الف ) واردات و صادرات محصولات کشاورزی بین سال‌های 1986 و 2017، ( ب ) واردات و صادرات محصولات جنگلی بین سال‌های 1990 تا 2017، ( ج ) نرخ رشد مرکب سالانه گسترش و تشدید محصولات اصلی در میانمار طی دوره‌های 1961 -1990 و 1991-2018، ( د ) حجم چهار محصول اصلی جنگلی که سالانه در میانمار بین سال‌های 1990 تا 2017 تولید می‌شود. این داده‌های تاریخی از سازمان غذا و کشاورزی ( https://faostat.fao.org/ ) به دست آمده‌اند . در 25 ژوئن 2021)).

بدون دیدگاه

دیدگاهتان را بنویسید