خلاصه

تغییر کاربری و پوشش زمین (LULCC) به طور مستقیم نقش مهمی در تغییر اقلیم مشاهده شده ایفا کرده است. در این مقاله، شهر دوجیانگیان و اطراف آن (DCEN) را برای مطالعه سناریوی آینده در سال‌های 2025، 2030 و 2040 بر اساس نتایج شبیه‌سازی سال 2018 از نقشه‌های LULC 2007 و 2018 در نظر گرفتیم. این مطالعه تغییرات مکانی و زمانی LULCC آینده، از جمله خطر بالقوه منظر آینده (FPLR) منطقه بزرگ سال 2008 (8.0 MW) را ارزیابی می کند .) زمین لرزه جنوب غربی چین. مدل اتوماتای ​​سلولی- زنجیره مارکوف (CA-Markov) و رویکرد فرآیند تحلیل سلسله مراتبی مبتنی بر چند معیار (MC-AHP) با استفاده از ادغام تکنیک‌های سنجش از دور و GIS در نظر گرفته شده‌اند. تجزیه و تحلیل سناریوی LULC آینده را در سال های 2025، 2030 و 2040 همراه با الگوی FPLR نشان می دهد. بر اساس نتایج سناریوهای آینده LULCC و FPLR، ما پیشنهاداتی را برای توسعه در نزدیکی خطوط گسل برای زلزله‌های با بزرگی قوی آینده ارائه کرده‌ایم. نتایج ما یک رویکرد برنامه‌ریزی بهتر و ایمن را در کریدور کمربند و جاده (BRC) چین برای کنترل فاجعه جاده ابریشم در آینده پیشنهاد می‌کند، که همچنین برای برنامه‌ریزان شهری برای توسعه شهری به شیوه‌ای ایمن و پایدار مفید خواهد بود.

کلید واژه ها:

مدل سازی LULCC ; اتوماتای ​​سلولی – مارکوف (CA-Markov) ; خطر بالقوه چشم انداز آینده (FPLR) ؛ شهر دوجیانگیان و اطراف آن (DCEN) ؛ جنوب غربی چین

1. معرفی

تغییر پوشش کاربری اراضی و رویکرد مدلسازی آن (LULCC-M) اخیراً توسط جامعه علمی برای مشاهده تغییرات محیطی در سطح 4 مانند محلی، منطقه ای، ملی و جهانی مورد توجه قرار گرفته است. برای دستیابی به چارچوب اهداف توسعه پایدار طراحی شده توسط سازمان ملل متحد (UN) 2030، اهداف توسعه پایدار (SDGs) در سراسر جهان در نظر گرفته شده است. تغییرات بالاتر از سطح 4 به شدت تحت تأثیر مخاطرات طبیعی مانند زلزله، سیل، رانش زمین و آتش‌سوزی جنگل‌ها قرار دارند. اصطلاح “تغییر کاربری و پوشش زمین” (LULCC) به تغییرات انسانی در سطح زمین و همچنین مطالعه تغییرات سطح زمین اشاره دارد [ 1 ]، و اصطلاح “انتقال” فرآیند تغییر را تعریف می کند. یا تغییر چیزی از یک شکل یا حالت به حالت دیگر [2 ]. مطالعه تغییر LULC به عنوان یک جنبه مهم برای مشاهده پارامترهایی در نظر گرفته می شود که مسئول تغییرات کلی هستند [ 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 ]، تغییرات چشم انداز [ 17 ، 18 ، 19 ، 20 ، 21 ، 22 ]، تکه تکه شدن چشم انداز [ 23 ، 24]، تغییرات در اکوسیستم ها [ 25 ، 26 ]، تغییرات آب و هوایی [ 27 ]، رشد مناطق شهری [ 28 ، 29 ]، توسعه پایدار [ 30 ، 31 ] و ارزیابی محیط زیست و ریسک شهرهای آسیب دیده از زلزله [ 16 ]. ایده سوئی و مینگ [ 31 ] از LULCC در مورد توسعه پایدار در چین توجه دانشمندان و برنامه ریزان در سراسر جهان را به خود جلب کرده است. با این حال، LULCC در مقیاس فضایی و زمانی در مناطق کلان شهرها در سراسر جهان در شهرهای آسیب دیده از زلزله، حوضه های آبخیز، مناطق ساحلی و مناطق پناهگاه حیات وحش با استفاده از داده های ماهواره ای سنجش از دور چند زمانی انجام شده است [ 16 ، 32 ]., 33 , 34 , 35 , 36 , 37 , 38 , 39 , 40 , 41 , 42 , 43 ].
برای حمایت از LULCC، مدل‌های تغییر کاربری زمین (LUCM) به عنوان ابزاری مؤثر برای تحلیل علل و پیامدهای تغییر کاربری زمین در نظر گرفته می‌شوند. علاوه بر این، مدل LULC هنگام پیش‌بینی وضعیت آینده و توزیع فضایی LULC با استفاده از دانش به‌دست‌آمده از سال‌های گذشته مؤثر است [ 44 ]. بسیاری از دانشمندان مانند سینگ و همکاران. [ 45 ، 46 ، 47 ، 48 ، 49 ]، دی و سینگ [ 50 ]، اوکادا و همکاران. [ 51 ]، و دی و همکاران. [ 52 ]، مطالعات مربوط به سطح، اقیانوس و پارامترهای جوی مرتبط با زلزله گجرات در 26 ژانویه 2001 را انجام داده اند. سینگ و سینگ [ 53 ]] همچنین نقشه‌برداری خطی مرتبط با تغییرات تنش در مناطق مرکزی زلزله گجرات را با استفاده از داده‌های سنجش از دور انجام داد. علاوه بر این، گروهی از دانشمندان تجزیه و تحلیل دقیقی از آسیب ها و تغییرات پارامترهای متعدد مرتبط با زلزله مرگبار ونچوان در سال 2008 انجام دادند که در جنوب غربی چین (SW) رخ داد [ 54 ، 55 ، 56 ، 57 ، 58 ، 59 ، 60 ، 61 . ]. تکنیک های سنجش از دور و GIS به طور گسترده ای برای ارزیابی LULCC، به ویژه در مناطق کوهستانی غیرقابل دسترس استفاده شده است [ 62 ، 63 ، 64 ، 65 .]. علاوه بر این، تصاویر سنجش از دور با وضوح بالا نیز در تقسیم‌بندی تصویر کارآمد [ 66 ] و انتقال دانش برای به‌روزرسانی خودکار پایگاه‌های داده LULCC [ 67 ] در مناطق مختلف چین استفاده شده‌اند. در ارتباط با مطالعه LULCC، تحقیق در مورد تغییر ساختار خطی ناشی از زلزله در آمریکای جنوبی و چین با استفاده از داده های ماهواره ای ASTER (Terra) [ 68 ] و Landsat (5-TM و 8-OLI) [ 16 ] انجام شده است. به ترتیب.
روش‌های متعددی مانند مدل‌سازی مبتنی بر معادلات ریاضی، مکانی-زمانی [ 69 ]، شبیه‌سازی دینامیکی سیستم [ 70 ]، مدل‌های آماری، سلولی و ترکیبی [ 71 ]، مدل‌های سلولی و مبتنی بر عامل یا ترکیبی از این دو [ 72 ]، و مدل اتوماتای ​​سلولی- زنجیره مارکوف (CA-Markov) [ 44 ، 73 ، 74 ، 75 ، 76 ]، در تحقیقات مختلف مورد استفاده قرار گرفته‌اند. شرایط اولیه CA-Markov، پارامترسازی مدل، محاسبات احتمالات انتقال، و تعیین قوانین همسایگی توسط مجموعه داده‌های سنجش از دور و GIS تعریف شد [ 77 ، 78 ], 79 , 80 , 81 ]. مدل CA-Markov یکی از ایده‌آل‌ترین و پذیرفته‌شده‌ترین روش‌ها برای مدل‌سازی LULCC است، زیرا برای پیش‌بینی احتمالات LULCC برای تاریخ آینده «t+1» ‘t-1’ را در نظر می‌گیرد [ 44 , 82 , 83 ‘. ]. احتمالات بر اساس تغییرات گذشته و آینده تولید می شوند [ 44 ]. مدل CA-Markov توانایی شبیه سازی تغییرات در LULC های مختلف را دارد و احتمالاً می تواند انتقال از یک دسته تغییر LULC به دسته دیگر را شبیه سازی کند [ 44 ]. با این حال، یک مدل ترکیبی CA-Markov برای شبیه‌سازی LULCC آینده با ادغام داده‌های طبیعی و اجتماعی-اقتصادی هنوز به دلیل مجموعه داده‌های مختلف یک چالش است.
در استان سیچوان، بسیاری از داده های رصد زمین برای مدیریت زمین، نظارت، و مطالعات تخریب [ 84 ، 85 ، 86 ، 87 ]، به ویژه پس از زلزله ونچوان استفاده شده است. شهر دوجیانگیان و اطراف آن (DCEN) در جنوب شرقی فلات تبت در استان سیچوان واقع شده است. برج آبی آسیا (AWT) از بلایای زمین شناسی مکرر رنج می برد و بنابراین، این منطقه نیاز به توجه دقیق دارد. در گذشته، DCEN به طور دقیق مورد مطالعه قرار نگرفت، اما با مشاهده منطقه در سال 2018، Nath و همکاران. [ 16]، تغییرات عمده چشم انداز در منطقه را برای اولین بار با استفاده از مجموعه داده های Landsat مورد مطالعه قرار داد. این منطقه نزدیک به مرکز زلزله مرگبار ونچوان در 12 مه 2008 است و آنها LULCC را مشاهده کردند، از جمله الگوهای خطر منظر (LRP) که در دوره زمانی 2007-2018 ایجاد شد. با این حال، در منطقه DCEN، مطالعات ارزیابی ریسک محدود است. مطالعه حاضر در LULCC برای دوره 2007-2018 تمرکز دارد که به برنامه ریزی و برداشتن گام ها برای بهبود محیط های اکولوژیکی، که به دلیل تغییرات آتی در LULC یک تهدید هستند، کمک می کند. بنابراین، مطالعه حاضر تلاش مهمی برای نظارت دقیق بر منطقه DCEN است تا بتوان اقدام مناسب را در نظر گرفت. در ارتباط با این، الگوهای تغییر کاربری و پوشش زمین در آینده (FLULCC) و خطرات بالقوه منظر (FPLR) برای سال‌های 2025، 2030، و 2040 بر اساس مدل‌سازی اتوماتای ​​سلولی- زنجیره مارکوف (CA-Markov) و رویکرد فرآیند تحلیل سلسله مراتبی مبتنی بر چند معیار (MC-AHP) مشاهده شد. مدل‌سازی LULCC و ارزیابی FPLR با ادغام تکنیک‌های سنجش از دور و GIS که برای اولین بار در منطقه DCEN توسعه یافته‌اند، انجام شد. با این حال، این مطالعه آن را یک رویکرد منحصر به فرد برای مدل‌سازی منطقه DCEN از نزدیک، با تمرکز بر FLULCC همراه با سناریوهای FPLR تا سال 2040 در نظر می‌گیرد.
مقایسه و تجزیه و تحلیل LULC در گذشته های دور و در زمان های اخیر به منظور درک تغییرات در LULC مکانی-زمانی مهم است [ 88 ، 89 ، 90 ، 91 ، 92 ]. پس از زلزله، دولت چین در سال‌های 2008 تا 2010 شروع به بازسازی شهر کرد، جایی که بازماندگان به همراه ساکنان جدید از مناطق بیرونی بدون داشتن هیچ گونه اطلاع قبلی یا پس از آن، از جمله وجود یا عدم خطر بیشتر در محل خود، شروع به زندگی مشترک کردند. . در این تحقیق، دو نقشه LULC مبتنی بر تصویر Landsat در سال‌های 2007 و 2018 (به تصویب رسیده با اجازه Nath و همکاران [ 16 )]) برای مطالعه شبیه سازی سال 2018 در نظر گرفته شد. سال 2007 برای LULC واقعی موجود قبل از زلزله (BEQ) در سال 2008 (8.0 MW ) و ژانویه 2018 برای تغییرات اخیر LULC و LRP مطالعه در نظر گرفته شد . حوزه. اثرات زنجیره ای فاجعه ویژگی های اصلی شناخت خطر منظر است. بر اساس روش دنبال شده توسط Nath و همکاران. [ 16]، در این مطالعه سناریوهای FPLR نیز با استفاده از ابزار سنجش از دور و GIS توسعه یافتند. علاوه بر این، پارامترهای متعددی مانند مکان‌های کانون زلزله، زمین‌شناسی محلی، خطوط گسل، ویژگی‌های ژئومورفولوژیکی، و چگالی خطی (LD) سال 2018 و مجموعه داده‌های LULC پیش‌بینی‌شده آینده در سال‌های 2025، 2030 و 2040 برای دانستن سناریوهای FPLR در مطالعه در نظر گرفته شدند. ، که در آن پارامترهای کمی با گذشت زمان ممکن است تغییر کنند.
مطالعه حاضر بر تحلیل کمی تغییرات مکانی – زمانی تغییرات آتی LULC در سال‌های 2025، 2030 و 2040 بر اساس شبیه‌سازی LULC 2018 تمرکز دارد و بیشتر داده‌های LR 2018 اخیر را با لایه‌های جانبی برای شناسایی مناطق FPLR در سراسر DCEN در نظر می‌گیرد. در این مطالعه، نمونه‌هایی برای هر آماده‌سازی نقشه LULC آینده به اشتراک گذاشته می‌شود که به سال 2018 به عنوان نمونه قبلی و 2025 به عنوان نمونه اخیر و غیره اشاره می‌شود. با این حال، اهداف کلی این مطالعه بررسی سه موضوع بود: (1) ارزیابی کمی تغییرات FLULC در DCEN در در نظر گرفتن داده های شبیه سازی 2018، (2) ارزیابی کمی LULCC آینده در داده های ماتریس های حوزه زمانی مختلف مانند مقایسه مجموعه داده های قبلی LULC با مورد اخیر (2018-2025، 2025-2030، 2030-2040، و 2018-2040) استفاده شده برای مناطق DCEN؛ و (3) شناسایی و ارزیابی مناطق FPLR با در نظر گرفتن پارامترهای متعدد محیطی مهم. این مطالعه در درک سه هدف فوق برای برنامه ریزی منظر و مدیریت زیست محیطی در این منطقه به شیوه ای موثر و پایدار مفید خواهد بود. در نهایت، در دستیابی به هدف 11 (“شهرها و جوامع پایدار”) اهداف توسعه پایدار 2030 سازمان ملل متحد (سازمان ملل متحد) برای فراگیر کردن، ایمن کردن، انعطاف پذیری و پایدار کردن شهرها کمک خواهد کرد.93 ].

2. مواد و روشها

2.1. منطقه مطالعه

DCEN شهری در سطح شهرستان واقع در استان سیچوان چین است که مساحت آن 318.30 کیلومتر مربع است . این شهر که در سال 2008 زلزله مرگباری را متحمل شد، اکنون در فهرست میراث جهانی یونسکو قرار دارد و در سال 2013 تحت بازسازی گسترده قرار گرفت. این شهر با جنوب تبت ناگاوا در شمال مرز مشترک دارد و به همین دلیل پذیرای گردشگران زیادی است. جغرافیای سایت مورد مطالعه کوهستانی با جنگل ها، رودخانه ها، پل ها و زیرساخت های شهری فراوان است [ 16 ]. منطقه مورد مطالعه DCEN (30°53′0″ شمالی تا 31°4′30″ شمالی و 103°27′5″ شرقی تا 103°43′0″ شرقی) یک شهر زلزله زده در جنوب غربی چین، بخشی از مرکز استان چنگدو در استان سیچوان ( شکل 1 ).
این منطقه مورد مطالعه DCEN برای اولین بار توسط Nath و همکاران به تصویب رسید. [ 16 ] و در مطالعه حاضر با مجوز قبلی برای بررسی مدل سازی LULCC و ارزیابی FPLR در نظر گرفته شده است. DCEN دارای آب و هوای نیمه گرمسیری مرطوب (Köppen Cwa) با زمستان های خنک و خشک و تابستان های گرم و بسیار مرطوب است. DCEN دارای 17 شهرک از جمله دو شهرستان است. طبق گوگل ارث، ارتفاع و شیب در DCEN بیشتر از 668 تا 1861 متر از سطح متوسط ​​دریا (AMSL) متفاوت است و حداکثر شیب و شیب متوسط ​​به ترتیب 67.9٪ و 18.9٪ است. منطقه مورد مطالعه در گذشته متحمل سیل و بلایای زمین لغزش شده است و زمین لرزه ها و پس لرزه های بیشتری در سال های 2008-2009 و پس از آن رخ داده است.

2.2. داده ها

داده های سنجش از دور مورد استفاده در این مطالعه بر اساس نقشه نگار موضوعی لندست 5 (TM) و تصویرگر زمین عملیاتی لندست 8 (OLI) بود. در این مطالعه از وضوح طیفی و باندهای داده ها استفاده شد ( جدول 1 ). دو تصویر ماهواره‌ای Landsat، Landsat 5 TM در سال 2007 و Landsat 8 OLI در سال 2018، در مطالعه حاضر مورد بررسی قرار گرفتند. با این حال، شایان ذکر است که در این مطالعه، دو مجموعه داده در اصل از آرشیو لندست سازمان زمین شناسی ایالات متحده (USGS) به دست آمده است: 2007 و 2018 [ 94 ]. انتخاب این تصاویر برای مشاهده مدل‌سازی LULCC و ارزیابی FPLR آینده انجام شد.
این تصویر در تصاویر ماهواره ای اصلی کمتر از 5 درصد ابر، 2 درصد در سال 2007، 4.65 درصد و 2018 (4.65 درصد) را پوشش می دهد. به دلیل وجود پوشش ابر در ناحیه مرکزی، ما فقط منطقه نزدیک به کانون زلزله 2008 (8.0 Mw ) را در نظر گرفتیم. منطقه مورد نظر (AOI) در تصاویر ماهواره ای با کمک ویژگی چند ضلعی با استفاده از محیط نرم افزار ArcGIS 10.6 (ESRI, Redlands, USA) مشخص شده است. دو تصویر Landsat از نظر هندسی تصحیح شده و به یک WGS 84 (سیستم ژئودتیک جهانی 1984) در یک سیستم مختصات منطقه 48N منطقه عرضی مرکاتور جهانی (UTM) نمایش داده شدند. پیش پردازش دقیق تصاویر Landsat 5 TM و 8 OLI توسط Nath و همکاران انجام شد. [ 16] برای دریافت تصاویر بازتابی سطح. تصاویر طبقه‌بندی‌شده Landsat از LULC در سال‌های 2007 و 2018 (برگرفته از Nath و همکاران [ 16 ]) در مطالعه حاضر با اجازه و با تغییر کد رنگ استفاده شد.
علاوه بر این، یک مأموریت توپوگرافی رادار شاتل (SRTM) با وضوح 30 متر برای مدل ارتفاعی رقومی (DEM) ( شکل 1 ) و به دنبال آن یک ویژگی توپوگرافی مشتق شده (یعنی شیب) استفاده شد. علاوه بر این، فراوانی زمین لرزه های Mw 4.0 و بالاتر در مرکز و مناطق مجاور آن برای دوره های 12 مه 2008 تا 8 سپتامبر 2019 در شکل 2 (اصلاح شده از Nath و همکاران [ 16 ]) نشان داده شده است.
همه نقشه ها در مقیاس 1: 1,25,000 تهیه شده اند به جز شکل 2 که در مقیاس 1:35,00,000 تهیه شده است. ترکیبی از نقشه‌های زمین‌شناسی، خطوط گسل، نقاط کانونی، FLULC سال‌های 2018، 2025، 2030، و 2040 و نقشه چگالی خطی (LD) سال 2018 برای شناسایی مناطق FPLR استفاده شد.

2.3. روش شناسی

گردش کار روش شناختی تحقیق یکپارچه به چهار مرحله اصلی نیاز دارد ( شکل 3 ). مرحله 1: پیش پردازش تصویر دو تصویر سنجش از دور چند زمانی، Landsat 5 TM و Landsat 8 OLI، زیرمجموعه تصویر بر اساس AOI و اصلاح چندین لایه با استفاده از عملگر طبقه‌بندی مجدد، طبقه‌بندی تصویر با استفاده از تکنیک‌های MLC و ارزیابی دقت، و سپس اعتبارسنجی مدل و شبیه‌سازی نقشه برداری LULC نسل 2018 با نرم افزار TerrSet 18.2 بر اساس دو تصویر. مرحله 2: ابتدا نقشه های FLULC بر اساس مدل CA-Markov ایجاد کنید، سپس ایجاد جدول ماتریس انتقال بر اساس دوره های زمانی مختلف با تخمین درجه پویا، از جمله تغییرات کلی. مرحله 3: ایجاد تصویر PCA بر اساس تصویر Landsat 8 OLI و نقشه چگالی خطی مبتنی بر خط (LD) اتخاذ شده از Nath و همکاران. [ 16]، ادغام های چند لایه، از جمله نقشه های FLULC منفرد و نقشه های خطر FPLR مبتنی بر امتیاز وزنی، و طبقه بندی موضوعی انجام شده، همانطور که در شکل 3 نشان داده شده است.

2.3.1. مدل سازی LULCC با استفاده از مدل ساز تغییر زمین

در مطالعه حاضر، ما از مدل‌ساز تغییر زمین آزمایشگاه کلارک (LCM) از نرم‌افزار TerrSet نسخه 18.21 برای توسعه نقشه‌های FLULC بر اساس تصاویر ماهواره‌ای طبقه‌بندی‌شده تاریخی از پیش پردازش شده در سال‌های 2007 و 2018 (برگرفته از Nath و همکاران [ 16 ) استفاده کردیم.]). TerrSet یک سیستم نرم افزاری یکپارچه مکانی است که به طور گسترده توسط جامعه علمی برای نظارت و مدل سازی فرآیندهای سیستم زمین برای توسعه پایدار استفاده می شود. با این حال، LCM به ویژه برای کاربرد عمودی برای تجزیه و تحلیل LULCC و مدل‌سازی تجربی و پروژه تغییرات آتی توسعه داده شد. این دو نقشه طبقه بندی شده برای مدل سازی LULC منطقه مورد مطالعه برای دوره های زمانی آینده (یعنی 2025، 2030 و 2040) استفاده شد. علاوه بر این، چندین لایه داده GIS در نظر گرفته شده و با استفاده از اپراتور طبقه‌بندی مجدد نرم‌افزار ArcGIS نسخه 10.6، زیرمجموعه‌سازی بر اساس AOI به همراه لایه‌های متعدد انجام شده است.
به منظور اجرای پیش بینی های آینده، از رویکرد یکپارچه CA-Markov [ 44 ] استفاده شد. بر اساس تصاویر 2007 و 2018، ماتریس احتمال انتقال (TPM) و مناطق احتمال انتقال (TPA) از مدل مارکوف تهیه شد. تصویر مناسب بودن انتقال (TSI) نیز تولید شد. در نهایت، TPA، TPM و TSI در مدل CA-Markov ادغام شدند. یک فیلتر مجاورت 5*5 با 5 تکرار برای مدل سازی LULC برای سال های 2025، 2030 و 2040 اعمال شد.
علاوه بر این، مدل بیشتر قبل از اجرای شبیه‌سازی باید اعتبارسنجی شود. از آنجایی که تصویر واقعی LULC سال 2018 از قبل در دسترس بود، که از Nath و همکاران اقتباس شده بود. در سال 2018 [ 16 ]، و برای ارزیابی توافق نهایی با نقشه LULC شبیه سازی شده در سال 2018 مقایسه شد، اعتبار مدل با استفاده از TPM زنجیره مارکوف کلاس های LULC برای دوره های 2007-2018 (نشان داده شده در جدول 2 ) انجام شد. اعتبارسنجی با استفاده از شاخص توافق کاپا و آمار آزمون کای دو انجام شد. تصویر شبیه سازی شده 2018 برای پیش بینی FLULCC استفاده شد. علاوه بر این، TPM کلاس های FLULC در هر دوره زمانی (مانند 2018-2025، 2025-2030 و 2030-2040) با استفاده از مدل مارکوف به دست آمد.
2.3.2. FLULC برآورد درجه پویا و روش محاسبه ماتریس انتقال

برای تخمین تغییرات درجه دینامیکی (DD) بین انواع مختلف FLULC، به عنوان مثال، برای دانستن اینکه آیا هنگام مقایسه تصاویر برای دوره‌های مختلف، برای یک نوع FLULC، ضرر یا افزایشی در برخی از انواع LULC وجود دارد یا خیر، از آن استفاده کردیم. مدل DD برای نشان دادن ویژگی‌های مکانی – زمانی تغییر FLULC. تخمین دینامیکی را می توان با استفاده از رویکرد لیو و همکاران محاسبه کرد. [ 7 ، 8 ، 9 ]:

D=آب-آآآآتی×100%

که در آن D نشان دهنده مدل DD است که به نرخ تغییر اشاره دارد. A مساحت در سال اول است. i منطقه در سال ترمینال است. و T مقیاس زمانی است. در مورد ما، مقایسه های زمانی به ترتیب 7، 5، 10 و 22 سال است.

مدل DD در نهایت برای تولید داده های آماری در جدولی با DD (%) و سود و زیان (%) خدمت می کند. علاوه بر این، جداول ماتریس انتقال (TM) 2018-2025، 2025-2030، 2030-2040، و 2018-2040 بر اساس داده های LULC شبیه سازی شده در سال 2018، که از نتایج تصویر اصلی 2007 و 2018 تولید شده اند، محاسبه شدند. بنابراین، بر اساس نتایج شبیه سازی شده LULC در سال 2018، نتایج آماری مشابهی برای دوره های زمانی مختلف 2018-2025، 2025-2030، 2030-2040 و 2018-2040 در این مطالعه تهیه شده است. این داده‌ها (فرمت برداری) تجزیه و تحلیل شدند و تبدیل با استفاده از نرم‌افزار ArcGIS 10.6 انجام شد که امکان شناسایی مناطقی را که در آن تغییرات رخ می‌دهد و آن LULC در FLULC تغییر نمی‌کند، انجام شد. علاوه بر این،
2.3.3. روش ارزیابی FPLR
در این مطالعه، مفهوم روش‌شناختی ارزیابی LR از Nath و همکاران اتخاذ شد. [ 16 ]، ریچاردز و جیا [ 92 ]، اندرسون و همکاران. [ 95 ] و سینگ و همکاران. [ 96 ] برای تعیین قرار گرفتن در معرض FPLR بر اساس داده‌های سال 2018 و ویژگی‌های متعدد سطح زمین، از جمله داده‌های LULC پیش‌بینی‌شده در سال‌های 2025، 2030 و 2040 استفاده شد. این نوع نتایج ارزیابی یکپارچه به برنامه‌ریزان کمک می‌کند تا درباره تهدیدهای بالقوه در دهه های آینده در مناطق خود، که ممکن است بر افراد، اموال و محیط زیست تأثیر بگذارد. زمین شناسی یکی از پارامترهای مهم مورد استفاده برای ارزیابی خطر زلزله در DCEN برای توسعه شهری است. مفهوم تودس و ییگیتر [ 97] که می گوید “توسعه در جایی انجام می شود که خطر زلزله کم باشد” برای تجزیه و تحلیل مناسب بودن شهر آدانا در ترکیه استفاده شد. پس از آن، با اصلاح این مفهوم، Nath و همکاران. [ 16 ] روی زلزله 2008 که شهر دوجیانگیان را تحت تاثیر قرار داد، تمرکز کرد، جایی که مناطق LR با دسته بندی های تعریف شده شناسایی شدند و مشاهده رشد شهرها به سمت یک خط گسل فعال برای کنترل توسعه بیشتر پیشنهاد شد. مفهوم نقشه برداری LR و مراحل رویه ای قبلاً توسط Nath و همکاران مورد بحث قرار گرفته است. [ 16]؛ بنابراین، ما در اینجا چنین بحثی را وارد نکرده ایم. نقشه خطی از تصویر ماهواره ای با استفاده از تصویر PCI تهیه شد و به دنبال آن نقشه چگالی خطی (LD) مربوطه در سال 2018 تهیه شد که بیشتر در ارزیابی FPLR مورد استفاده قرار گرفت و با گذشت زمان تغییر کرد.
اخیراً از روش ارزیابی چند معیاره (MCE) برای ارزیابی و تجمیع نقشه های وزنی (معیار) بر اساس دانش تخصصی تأثیر عوامل و تعاملات با LULC استفاده شده است [ 92 ، 93 ]. هر نقشه FPLR با استفاده از MCE با ترکیب اطلاعات از معیارهای متعدد برای تشکیل یک شاخص واحد ارزیابی [ 92 ، 96 ، 97 ] مشتق شده است.
پارامترهای چندگانه، مانند نقشه‌های آینده LULC در سال‌های 2025، 2030 و 2040، ویژگی خط‌نمای 2018، نقشه LD 2018، خطوط گسل و مرکز زلزله، که همراه با نقشه زمین‌شناسی محلی، شیب، جنبه و DEM روی هم قرار گرفته‌اند. به عنوان مجموعه داده های مرجع در نقشه برداری یکپارچه استفاده می شود. علاوه بر این، نقشه زمین شناسی از Nath و همکاران اتخاذ شد. [ 16 ]، که با توجه به دسته بندی موجود خود، توسط آنها به عنوان منطقه I-IV تغییر یافته و دوباره نسبت داده شد [ 98 ]. در این تحقیق بر اساس لایه های مهم فوق، نقشه های همپوشانی یکپارچه در سه بازه زمانی مختلف 2025، 2030 و 2040 با پیروی از روش قبلی تهیه شد [ 16 ].]. در مرحله بعد، ایجاد بافرهای متعدد (یعنی مسافت 5، 10، 15، 20 و 25 کیلومتری) و وزن (5، 4، 3، 2، 1) برای هر لایه مانند مکان های مهم، زلزله گذشته داده شد. مراکز، و خطوط گسل، و همراه با مجموعه داده های LD-2018 و LULC-2025، 2030، 2040 بیشتر برای ارزیابی های FPLR در نظر گرفته شدند. ارزش نمره وزنی اختصاص داده شده مشابه امتیازی بود که توسط Nath و همکاران دنبال شد. [ 16]، به عنوان مثال، “مقدار ریسک بالاتر” زمانی که “فاصله بافر کمتر است”، و “مقدار ریسک را کاهش دهید” زمانی که “فاصله بافر بیشتر است”. کلاس FLULC با اولویت ریسک از خیلی زیاد به خیلی کم و به دنبال آن یک امتیاز وزنی قبلاً اتخاذ شده (Nath و همکاران 2018) تعیین شد، مانند BU=1، RA=1، F=2، WB=3، BL=4. و AG=5. در این جنبه، کلاس های FLULC به عنوان منطقه ساخته شده BU تعیین شدند. F-منطقه جنگلی؛ AG—منطقه کشاورزی؛ RA—منطقه بازسازی شده WB – بدنه های آبی؛ و BL – زمین بایر. این ترتیب در نهایت در FLULC، نگاشت FLULCC و تولید جدول ماتریس FLULCC پذیرفته و دنبال شد.

جزئیات معنی و امتیاز اختصاصی وزنی هر لایه در جدول تکمیلی S1a-g آورده شده است.. این جدول بر اساس شرایط خاصی است و باید اینگونه تفسیر شود: اگر دسته FPLR ‘خطر بسیار بالا’ و ‘خطر زیاد’ باشد، نزدیک به کانون زلزله است. از سوی دیگر، “ریسک متوسط” نشان دهنده نزدیک به منطقه پرخطر است. به طور مشابه، زمانی که مقدار کم است، نشان‌دهنده «خطر کم» تا «خطر بسیار کم» است، یعنی خطر کم است زیرا منطقه از کانون‌های زمین‌لرزه و خطوط گسل‌های زمین‌شناسی گذشته دور است. طبقه بندی مجدد برای تمامی لایه ها با کمک ماشین حساب میدانی نرم افزار ArcGIS 10.6 انجام شد. در بخش بعدی، یک فیلد ارزش وزنی کل ریسک ایجاد می شود و امتیاز وزنی به طور خودکار در جدول پایگاه داده یکپارچه برای نقشه های FPLR سال های 2025، 2030 و 2040 به صورت متوالی اختصاص داده می شود. جادوگر geoprocessing تابع عملگر ‘union’ ArcGIS 10. 6 برای ترکیب مقادیر داده های همه لایه ها اعمال شده است. کل FPLR با ادغام تمام مقادیر وزنی همانطور که در رابطه (2) نشان داده شده است، تعریف شد.

FPLR[تی_وزن]= [IP_ب_وزن]+[EQ_ب_وزن]+[اف_ب_وزن]+[خطر_جئول]+ [LD2018_خطر]+[FLULC (من.ه.2020، 2030، و 2040_خطر]

که در آن FPLR[T_Weight] به خطر احتمالی چشم انداز آینده (وزن کل) اشاره دارد. [IP_B_Weight] به مکان های مهم وزن بافر اشاره دارد. [EQ_B_Weight] به وزن بافر نقطه زلزله اشاره دارد. [F_B_Weight] به وزن بافر مبتنی بر خطا اشاره دارد. [Risk_Geol] به عامل خطر منطقه زمین شناسی اشاره دارد. [LD2018_Risk] به عامل خطر مبتنی بر چگالی خطواره اشاره دارد. و [FULC2020/2030/2040_Risk] نشان‌دهنده میزان استفاده از زمین و پوشش زمین در سال‌های 2020، 2030 و 2040 است.

FPLR ممکن است در معرض تغییر باشد زمانی که داده های زمان گرا جدید خطواره ها، نقشه های LD و کانون های زلزله اخیر در آینده گنجانده شوند. بنابراین، نقشه‌های FPLR سه زمان مختلف مانند سال‌های 2025، 2030 و 2040 در این مطالعه، تنها زمانی دارای محدودیت‌هایی هستند که در آینده در لایه‌های داده‌ای فوق‌الذکر در نظر گرفته شوند. با این حال، تحقیق حاضر ناحیه DCEN را مورد مطالعه قرار داد تا ایده ای از چگونگی تغییر LR در آینده با تغییر LULC آینده در این منطقه ارائه دهد. این ایده توسعه نقشه های FPLR به عنوان یک رویکرد پیشگام برای نظارت بر پایداری شهر در منطقه DCEN در نظر گرفته می شود.
در این مرحله، برای اهداف تجسم بهتر، یک روش طبقه‌بندی بیشتر از روش شکست‌های طبیعی (Jenks) با محدوده پنج کلاسه (رمپ رنگی درجه‌بندی شده با تشدید آبی به قرمز اعمال می‌شود) برای هر نقشه FPLR ضمنی در نظر گرفته شد. در نهایت، نقشه‌های FPLR تهیه‌شده در سال‌های 2025، 2030 و 2040 بر اساس مرز منطقه مورد مطالعه پوشانده شدند. کل مراحل نقشه برداری در حوزه نرم افزاری چندگانه انجام شد، مانند LCM آزمایشگاه کلارک از TerrSet 18.21، ArcGIS 10.6 از جمله نرم افزار ENVI 5.3، PCI Geomatica 2018 و RockWorks 16 که برای تهیه نقشه قبلی در نظر گرفته شده بود.

3. نتایج

3.1. اعتبارسنجی پیش‌بینی LULCC آینده
کاربری واقعی زمین در سال 2018 با کاربری زمین شبیه سازی شده در سال 2018 بر اساس مدل CA-Markov مقایسه شد. جدول 3 و شکل 4 نتیجه آزمون خی دو (χ 2 ) را برای اعتبارسنجی مدل نشان می دهد. ما فرض کردیم که آمار مساحت تصویر واقعی و شبیه سازی شده یکسان است.
با این حال، این لزوماً توافق در مورد توزیع فضایی کلاس‌های LULC محل مطالعه را تأیید نمی‌کند. برای حل این مشکل، شاخص کاپا پیچیده تری از توافق بین دو تصویر را انجام دادیم. علاوه بر این، مقدار ضریب کاپا با استفاده از مجموعه شرایط زیر اندازه‌گیری شد: <0 = توافق کمتر از شانس، 0.01-0.40 = توافق ضعیف، 0.41-0.60 = توافق متوسط، 0.61-0.80 = توافق اساسی، و 0.81-1.00 = تقریباً توافق کامل به گفته موکرجی و همکاران. در سال 2009 [ 99 ]، این آمارها میزان خوبی تناسب بین پیش‌بینی‌های مدل و واقعیت را اندازه‌گیری می‌کنند که به‌طور تصادفی از نظر دقت تصحیح می‌شود.
نتایج ارزیابی مدل انجام شده توسط ماژول LCM آزمایشگاه کلارک از نرم‌افزار نسخه TerrSet 18.21 تجزیه و تحلیل اعتبار مولفه‌های توافق/اختلاف ( جدول 4 ) را نشان می‌دهد که بیشتر به 0.0818 (خطای ناشی از کمیت/DisagreeQuantity) و 0.1665 (0.1665) تقسیم می‌شود. خطای ناشی از تخصیص/DisagreeGridcell). بنابراین، جدول داده ها استنباط می کند که اختلاف اصلی بین دو نقشه به دلیل خطای تخصیص به جای خطاهای کمیت بین تصاویر LULC شبیه سازی شده و واقعی 2018 است. با این حال، مقدار مجذور کای جدول‌بندی شده (χ2 ) بیشتر از مقدار محاسبه‌شده بود. بنابراین، ما نتوانستیم فرضیه صفر را رد کنیم ( جدول 3). بنابراین، مدل CA-Markov برای اجرای پیش‌بینی آینده LULC برای محل مطالعه مناسب بود.
علاوه بر این، دقت کلی پیش‌بینی بر اساس مدل CA-Markov را می‌توان از شاخص Kno که شاخص استاندارد کاپا توافق است به دست آورد. شاخص Klocation شبیه سازی را برای پیش بینی مکان تایید می کند. همه این شاخص های نتایج توافق در جدول 5 نشان داده شده است ، و مقدار متوسط ​​0.73 است، به این معنی که دسته های LULC تصویر واقعی و شبیه سازی شده بیش از 70٪ مشابه بودند.

3.2. تغییر FLULC، درجه دینامیک و برآورد سود و زیان بر اساس داده‌های 2018–2040

بر اساس شبیه‌سازی موفقیت‌آمیز تغییرات LULC در سال 2018 ( شکل 5 الف)، FLULCC برای دوره‌های زمانی مختلف 2025، 2030 و 2040 تولید شد ( شکل 5 b-d). نتایج آماری توصیفی ( جدول 6 ) نشان داد که از سال 2018 تا 2025، DCEN دارای DD بالاتری در AG (5.47٪) نسبت به سه تفاوت زمانی دیگر خواهد بود، که نشان‌دهنده تغییرات سریع‌تر LULC در منطقه مورد مطالعه ( R2 = 0.982) است. شکل 6 ج). منطقه BU یک DD منفی با کاهش -1.11٪ سال -1 در دوره زمانی 2018-2025 در مقایسه با سه دوره زمانی بعدی نشان می دهد، که نشان می دهد مناطق BU در معرض خطر زلزله های آینده خواهند بود.
با این حال، نرخ تغییر از -0.59٪ سال -1 برای دوره 2025-2030 به -0.11٪ سال -1 برای دوره 2030-2040، به ترتیب کاهش می یابد، در حالی که برای 2018-2040، تغییر کلی در BU یک روند منفی را نشان می دهد. توسعه -0.76٪ سال -1 ( R2 = 0.981) ( شکل 6 a). از سوی دیگر، F همچنین تغییر منفی 1.67٪ سال -1 را در مرحله اول برای دوره 2018-2025 نشان می دهد.
با این حال، Nath و همکاران. [ 16 ] گزارش داد که پس از زلزله، تغییرات منفی DD با -2.03٪ سال -1 از سال 2008 تا 2018 به دلیل رانش زمین ناشی از زلزله 8.0 Mw و دو پس لرزه ثبت شده، از جمله گسترش شهر در شمال که منجر به آن شد، کاهش یافت. در از دست دادن جنگل در DCEN. سناریوی F یک DD مثبت 0.01٪ سال -1 را برای 2025-2030 نشان می دهد، که در 2030-2040 ثابت می ماند و به طور کلی به عنوان روند DD منفی با کاهش -0.53٪ سال -1 نشان می دهد ( R2 = 0.933) طی دوره 2018-2040 ( جدول 6 و شکل 6 ب).
تغییر FLULC در RA با تغییر DD منفی بالای 12.69٪ در سال در سال 2018-2025 رخ می دهد ، و در دو دوره زمانی بعدی 2025-2030 و 2030-2040، تغییرات مثبت در DD مشاهده خواهد شد – 4.78 درصد و 0.53 درصد سال -1 ، به ترتیب. به طور کلی، در دوره زمانی 2018-2040، این روند بر RA و DD تأثیر منفی خواهد گذاشت، که منجر به تغییر -3.88٪ در سال -1 ( R2 = 0.922) در DCEN می شود، که به وضوح در فواصل زمانی مختلف مشهود است. از سال 2007 تا 2018، کاهش -4.67٪ در سال را نشان داد ، در حالی که در دوره های 2018-2025 و 2025-2030، این کاهش -12.69٪ در سال -1 و 4.78٪ در سال-1 افزایش یافت .، به ترتیب. در مقابل، پیش‌بینی می‌شود که BL در سال 2018-2025 به میزان 1.32% در سال افزایش یابد ( جدول 6 ). علاوه بر این، در آینده، WB به طور قابل توجهی تغییر خواهد کرد، با روند افزایشی 6.46٪ در سال در 2018-2025 و روند کاهشی -0.37٪ و -0.07٪ سال -1 به ترتیب در سال های 2025-2030 و 2030-2040. به طور کلی، WB 1.88٪ سال -1 ( R 2 = 0.912) در سال 2018-2040 خواهد بود ( شکل 6 e).
با تغییرات فوق، BL همچنین روند مشابه WB را نشان می دهد، که یک تغییر کلی 0.37٪ سال -1 ( R2 = 0.903) در سال 2018-2040 است ( شکل 6).و) تمایلات کلی WB حاکی از آن است که در صورت وقوع هر زمین لرزه با شدت بالا در این منطقه، WB احتمالا مهاجرت کرده یا منطقه ممکن است دچار سیل شود و همچنین ممکن است فراوانی رویدادهای زمین لغزش به دلیل تأثیر زمین ساختی افزایش یابد. برای بررسی متقاطع FLULCC، تفاوت تغییر FLULC را بر اساس یک بازه زمانی مشابه انجام دادیم که در هر مرحله، دو تصویر قبلی و یک تصویر اخیر (مثلاً 2018 به عنوان قبلی و 2025 به عنوان اخیر) برای بررسی تغییرات در نظر گرفته شد. . این کار توسط اپراتور منهای نوار ابزار Spatial Analyst نرم افزار ArcGIS 10.6 انجام شد. نقشه های تفاوت تغییر در دوره های زمانی مختلف در شکل 7 a-d نشان داده شده است، که در آن یک رنگ سبز روشن نشان دهنده “بدون تغییر” و رنگ های قرمز آجری و آبی به ترتیب نشان دهنده “منفی” و “مثبت” هستند.
علاوه بر این، درصد پوشش موقت منطقه LULC (%) با تخمین سود/زیان (%) برای دوره‌های 2018-2040 ( جدول 7 ) مقایسه شد و در شکل 8 الف نشان داده شده است، به دنبال آن نرخ تغییر در سال ( ٪ با خطوط روند برای دوره های مختلف FLULC ( شکل 8 ب). برای نمایش خطوط روند دوره های زمانی مختلف آینده، از یک منحنی رگرسیون چند جمله ای مرتبه دوم (نشان داده شده در چهار رنگ مختلف) با معادلات رگرسیون و مقادیر R2 استفاده شد . این داده های مدل پیش بینی شده به ما کمک می کند تا به حداقل خطا برسیم. ناث و همکاران [ 16] قبلا گزارش داده بود که در سال 2007، قبل از زلزله (BEQ) در سال 2008، درصد عمده LULC در DCEN F (39.49%)، BL (21.81%)، AG (19.80%) و BU (12.74%) بود. در حالی که در سال 2008 (AEQ)، F (54.90٪) به دلیل فعالیت های گسترده کشت و کار توسط دولت چین و منطقه محلی افزایش یافت.
با این حال، نتایج مدل‌سازی سناریوهای متفاوتی را با توجه به تغییرات پیش‌بینی‌شده در LULC در آینده نشان می‌دهد. نتیجه پیش‌بینی‌شده BU نشان می‌دهد که سطح پوشش در سال 2040 15.39 درصد و در سال 2025 16.04 درصد خواهد بود که هر دو کمتر از سال 2018، 18.49 درصد هستند. به طور کلی، داده‌های BU نشان دهنده کاهش -3.10٪ در 2018-2040 ( جدول 7 و شکل 8 a) به -0.14٪ در سال -1 ، در مقایسه با -0.47٪ (-0.09٪ سال -1 ) در طول سالهای 2025-2030 است. دوره و -0.18٪ (-0.02٪) در طول دوره 2030-2040 ( جدول 7 و شکل 8 a,b). در مقابل، کاهش کلی پیش‌بینی‌شده 5.09-٪ (-0.23٪ سال -1 ) و -4.42٪ (-0.20٪ سال -1) وجود دارد.، به ترتیب برای F و RA در طول دوره 2018-2040. در مقایسه با سناریوهای کاهشی، AG، WB، و BL به ترتیب افزایش 4.87% (0.22 yr -1 )، 7.29% (0.33% yr -1 )، و 0.45% (0.02% yr -1 ) را پیشنهاد می کنند ( جدول 7 ). ، شکل 8 الف، ب).
بر اساس داده های رگرسیون چند جمله ای برازش شده به یک معادله چند جمله ای در سه دوره زمانی شبیه سازی شده و سناریوی کلی، معادله رگرسیون و مقادیر R2 هر خط روند را نشان می دهد. در دوره 2018-2025 ، مقدار R2 0.234 است، در حالی که R2 = 0.358 و R2 = 0.298 برای دوره های 2025-2030، و 2030-2040، به ترتیب. با این حال، در طول دوره های 2018-2040، مقدار R 2 0.251 است. نتایج مبتنی بر مدل ما در جدول 7 و شکل 8 ارائه شده استب نشان می دهد که زمین لرزه 2008 منطقه DCEN را تحت تأثیر قرار داده است که دستخوش تغییر خواهد شد که در دوره زمانی پیش بینی شده آینده تا سال 2040 ادامه خواهد داشت، مگر اینکه برنامه ریزی مناسب LULC و اقدامات مؤثر برای به حداقل رساندن خطرات فاجعه بار در سیاست و تصمیم اتخاذ نشود. ساختن سطح فورا

3.3. تجزیه و تحلیل ماتریس احتمال انتقال FLULC (TPM) بر حسب درصد

با اشاره به جدول 2 ، تصویر شبیه‌سازی‌شده LULC 2018 بر اساس دو تصویر طبقه‌بندی‌شده LULC گذشته در سال‌های 2007 و 2018 که توسط Nath و همکاران اتخاذ شده‌اند، تولید شد. [ 16 ]. با در نظر گرفتن نتیجه شبیه سازی شده در سال 2018، تلاش هایی برای طبقه بندی و تولید FLULC در سه دوره زمانی 2025، 2030 و 2040 انجام شد ( شکل 5).آگهی). مقادیر پررنگ در امتداد محور مورب TPM نشان می دهد که TP از نوع LULC از زمان (t1) تا زمان (t2) بدون تغییر باقی می ماند، در حالی که محورهای TPM خارج از مورب نشان می دهد که یک LULC معین از یک دسته به دسته دیگر تغییر می کند. تغییرات مشتق شده به وضوح از طریق جدول ماتریس کلاس FLULC 6*6 نشان داده شد، که در آن ردیف ها دسته بندی های قبلی LULC در طول زمان (t1) را نشان می دهند، و ستون نشان دهنده کلاس های LULC بعدی (t2) است. به عنوان مثال، ردیف در سال 2007 نشان دهنده کلاس های LULC واقعی است، در حالی که ستون به کلاس های LULC 2018 اشاره دارد و بنابراین به پیش بینی LULC 2018 کمک می کند ( جدول 2 ). به طور مشابه، سطرها نشان دهنده سال 2018 و ستون نشان دهنده سال تصویر 2018 (شبیه سازی شده) و پیش بینی های سال 2025 است ( جدول 8 ).
علاوه بر این، مشابه آن ها، دو LULC پیش بینی شده در سال های 2030 و 2040 تولید شد. همه این TPM های آینده با موفقیت در ماژول LCM نرم افزار TerrSet در طول مقایسه پس از طبقه بندی جفت های آینده نتایج مبتنی بر تصویر (2018-2025، 2025-2030، و 2030-2040) تولید شدند. نتایج مربوط به اطلاعات تغییر “از به” که شناسایی تعداد تغییرات و مکان هایی که در دوره زمانی فوق الذکر رخ خواهد داد به صورت یکپارچه نشان داده شده است ( جدول 8 ). نتایجی که وضعیت تغییر FLULC را در دوره زمانی آینده برجسته می‌کند، شرایط تغییر دینامیکی طبقه‌بندی متعدد را نشان می‌دهد.
داده های FLULC برای دوره 2018-2025 نشان می دهد که کلاس BU به ترتیب 1.12% و 1.11% احتمال دارد که به WB و BL تغییر کند ( جدول 8).) که فعالیت های فاجعه بار آینده در منطقه DCEN را نشان می دهد. بالاترین سطح تبدیل FLULC در RA مشاهده می شود، جایی که TP 34.89٪ به کلاس دیگری مانند BU در 2018-2025 تبدیل می شود، با تبدیل کوچکتر 25.49٪ و 14.43٪ به BU در طول دوره های 2025-2030 و 2030. -2040 به ترتیب. RA به ترتیب RA با TP 63.39٪، 73.34٪ و 84.87٪ در طول سه دوره زمانی باقی خواهد ماند. کلاس‌های F، WB، و BL بالاترین ثبات را برای باقی ماندن یک F، WB و BL با احتمال 100٪ برای هر دسته در دوره‌های زمانی 2025-2030 و 2030-2040 نشان می‌دهند. به طور مشابه، کلاس BU نیز با TP 97.63٪، 98.88٪ و 99.00٪ ثابت است که در طول سه دوره زمانی مختلف به عنوان کلاس BU باقی می ماند. کلاس AG دارای TP به ترتیب 84.56٪، 89.28٪ و 92.30٪ است. برای سه دوره زمانی به عنوان AG باقی می ماند و TP بسیار پایین تر 7.60٪، 5.70٪ و 4.10٪ به BL تبدیل می شود. این تغییر آشکار است و همیشه تمایل به اعمال فشار بر AG دارد که احتمالاً منجر به افزایش جمعیت شهری و روستایی در منطقه DCEN می شود.

3.4. شناسایی منطقه FPLR، نقشه برداری و تحلیل الگوی تغییر

در تحلیل سطح نهایی، این مطالعه بیشتر از رویکرد MC-AHP برای ارزیابی منطقه FPLR برای دوره‌های 2025، 2030 و 2040 استفاده کرد. در یک مطالعه اخیر، Nath و همکاران. [ 16 ] پیشنهاد کرد که منطقه مورد مطالعه تحت استرس است و مناطق مختلف LR را با تمرکز ویژه بر خطر با LULC نشان می دهد. داده‌های LR در سال 2018 به کشف مناطق FPLR با برخی محدودیت‌ها به دلیل تغییر ماهیت خط‌واره‌ها، گسل‌ها و مکان‌های زلزله آینده کمک می‌کند، که تأثیر قابل‌توجهی بر چشم‌انداز DCEN خواهد داشت. در مقابل، ساختار DCEN تحت تسلط گسل‌های متعددی است، همانطور که در مطالعه حاضر نشان داده شده است.
برای برنامه‌ریزی چشم‌انداز آینده و پایداری منطقه DCEN، تهیه نقشه‌های FPLR ( شکل 9 a-c) و همچنین شناسایی مناطقی که در آینده در معرض خطر خواهند بود، مهم است. این نقشه های FPLR با در نظر گرفتن تمام پارامترهای محیطی با جزئیات اولویت ریسک بر اساس روش های اتخاذ شده از Nath و همکاران تهیه شده است. [ 16]. منطقه DCEN در گذشته و همچنین اخیراً با مشاهده الگوی تنش مداوم و فراوانی زمین لرزه ها در این منطقه به عنوان یک منطقه زلزله خیز شناسایی شد. این ممکن است در دهه های آینده نیز یک تهدید جدی باشد. بنابراین، منطقه مورد مطالعه نیاز به توجه اضطراری برای ارزیابی مناطق FPLR در سطح چشم انداز دارد. برای تهیه نقشه های FPLR، فاکتورهای منظر متعددی مانند زمین شناسی، شیب، جهت، خطوط گسل، خط خطی و چگالی آن در سال 2018 ( شکل S1a–g )، و همچنین نقشه های FLULC در سال های 2025، 2030 و 2040 در نظر گرفته شد. روش همپوشانی وزنی یکپارچه (IWO) که در هر تهیه نقشه FPLR انجام شد.
علاوه بر این، جدول 9 نشان دهنده آمار منطقه FPLR و سطوح خطر است که بر اساس نقشه های توسعه یافته FPLR در سال 2025 ( جدول 9 a)، 2030 ( جدول 9 ب) و 2040 ( جدول 9 ج) تهیه شده است. سه نقشه نهایی FPLR ( شکل 9 الف، ج) بر اساس امتیاز وزنی لایه یکپارچه، که در این مطالعه به عنوان AHPA نامیده می شود، توسعه یافتند، روش خاص آن در بخش 2.3.3 مورد بحث قرار گرفته است.. بر اساس داده های وزنی کلی (OWD)، 13 به عنوان “کمترین” و 31 به عنوان “بالاترین” مشخص شده است. روش شکست طبیعی چندک (Jenks) با محدوده پنج کلاس در محیط نرم افزار ArcGIS 10.6 برای طبقه بندی امتیاز استفاده شده است. محدوده کلاس در نهایت به عنوان 13-18-خطر بسیار کم، 18-20-خطر کم، 20-23-خطر متوسط، 23-25-خطر بالا، و 25-31-خطر بسیار بالا تعیین شد.
جدول 9 a حداکثر مساحت 116.21 کیلومتر مربع را در زیر رده خطر متوسط ​​در سال 2025 نشان می دهد ( شکل 9 a و جدول 9 a)، که 36.51٪ از کل مساحت DCEN را پوشش می دهد و به تدریج از 112.02 به 111.38 کیلومتر مربع بین بین کاهش می یابد. 2030 و 2040، به ترتیب، در مقایسه با 119.54 کیلومتر مربع ( 37.56٪) در سال 2018 که توسط Nath و همکاران گزارش شده است. [ 16 ]. بر اساس داده های FPLR برای سه دوره زمانی، منطقه ای به مساحت 110.21 کیلومتر مربع ( 34.62 درصد) به عنوان پرخطر برای سال 2025 مشخص شد که افزایش اندکی را نشان می دهد، 111.12 کیلومتر مربع ( 34.91 درصد) برای سال 2030 و کاهش سرعت در سال 2040 و یک سهم 54.40 کیلومتر مربع ( 17.09%) از DCEN در مقایسه با سهم آن 149.23 کیلومتر2 (46.88%) در سال 2018. در مقابل، منطقه ای به مساحت 69.10 کیلومتر مربع ( 21.71%) به عنوان منطقه بسیار پرخطر در سال 2025 مشخص خواهد شد که در سال 2030 کمی به 70.10 کیلومتر مربع (22.02%) افزایش خواهد یافت . و تقریباً بدون تغییر در 70.14 کیلومتر مربع ( 22.04٪) در سال 2040 باقی می ماند. با این حال، در دوره 2018، این منطقه برای 25.37 کیلومتر مربع (7.97٪) در معرض خطر بسیار بالایی قرار داشت [ 16 ] .
در مقایسه با سال 2018، مناطق FPLR در رده خطر بسیار بالا تقریباً 2.5 برابر در سال‌های 2025-2040 رشد خواهند کرد. بقیه نواحی در آینده دارای دسته بندی های بسیار کم تا کم خطر خواهند بود ( جدول 9 a-c) و ( شکل 9 a-c)، که نشان دهنده 6.28-7.28 کیلومتر مربع در سال های 2025-2040 و 16.25-17.78 کیلومتر مربع است .در سال‌های 2025-2030، پیش‌بینی می‌شود که تا سال 2040 به‌عنوان یک طبقه کم خطر به طور متوسط ​​4.5 برابر رشد کند. این نتیجه نشان می‌دهد که در آینده، الگوی ریسک به تدریج کاهش می‌یابد، که برای پایداری هر شهر و عاری از خطر بلایا انتظار می‌رود. با این حال، جدول FPLR نشان می دهد که منطقه مورد مطالعه (DCEN) عاری از هیچ فاجعه ای نخواهد بود، زیرا الگوی خطر تا زمانی که برای سال 2040 گزارش شود در حال پیشرفت است.

4. بحث

در این بخش، می‌خواهیم به چند موضوعی بپردازیم که در طول پیش‌بینی مدل تغییر FLULC در چشم‌انداز در حال تغییر DCEN مشاهده شده‌اند. اولاً، داده های پیش بینی شده و مشاهده شده کاملاً مطابقت ندارند. بنابراین، دقت سطح بالاتر به دست نمی آید. به طور کلی، زمانی که مدل از طریق ماژول LCM نرم افزار نسخه TerrSet 18.21 اجرا می شود، سطح دقت بالاتری انتظار می رود. ما همچنین سناریوهای FLULC را شناسایی کردیم و روند تغییر آن در درصد و نرخ تغییر در هر سال بر اساس دوره‌های زمانی مختلف پیش‌بینی شده از سال 2018 تا 2040 مشاهده شد. در ارتباط با این مطالعه، دو نقشه LULC [ 16 ]] برای سال های 2007 و 2018 برای تهیه نقشه های شطرنجی و سایر لایه های برداری مرتبط برای مدل سازی FLULC و الگوی تغییر آن در نظر گرفته شد. علاوه بر این، ما همچنین از تمام پارامترها در ارزیابی FPLR و مدل‌سازی سناریوهای FPLR منطقه DCEN برای سه دوره زمانی 2025، 2030 و 2040 استفاده کردیم. مدل CA-Markov در این مطالعه برای پیش‌بینی FLULC 2018 (شبیه‌سازی شده)، 2025، 2030 و 2040 برای منطقه DCEN به کار گرفته شد.
علاوه بر این، تصاویر FLULC برای تولید جداول ماتریس منظره پتانسیل آینده (FPLM) بر اساس دوره های زمانی مختلف 2018-2025، 2025-2030، 2030-2040 و به طور کلی 2018-2040 استفاده شد. مدل و داده‌های مشاهده‌شده دقت بیش از 70% را ارائه می‌دهند، که نشان‌دهنده توافق قابل‌توجهی ( بخش 3.1 ) اعتبار مدل و کاربردهای آن است. بر اساس خروجی تصویر FLULC، ما جداول ماتریس FLULCC را در دوره های زمانی مختلف تولید کردیم که تبدیل LULCC از یک دسته به دسته دیگر و همچنین دسته های بدون تغییر آن را نشان می دهد.
در کشورهای در حال توسعه و توسعه یافته، تغییرات LULC و رویکردهای پیش بینی با استفاده از مدل CA-Markov در زمان های اخیر در سراسر جهان استفاده شده است. با این حال، آن مطالعات صرفاً نشان دهنده تغییرات خاص LULC شناسایی شده در مناطق انتخابی بود. با این حال، آن مطالعات بر روی رویکردهای FPLR که در گذشته کمتر مورد توجه قرار می گرفت و کمتر مستند شده بود، متمرکز نبودند. در زمان‌های اخیر، منطقه DCEN تغییراتی را در LULC برای اولین بار قبل و بعد از زلزله 2008 و همچنین وضعیت فعلی آن، از جمله رویکرد یکپارچه برای ارزیابی الگوی LR نشان داد [ 16 ]. منطقه مورد مطالعه ما، جنوب غربی چین در استان سیچوان، به ویژه منطقه DCEN، اغلب زلزله هایی با شدت های مختلف را تجربه می کند که باعث رانش زمین و غیره می شود. شکل 2تأثیر زلزله‌های با بزرگی‌های متفاوت از 12 مه 2008 تا 8 سپتامبر 2019 را نشان می‌دهد. پس از زلزله سال 2008، توسعه اقتصادی چین عمیقاً بر روی بازسازی، توسعه و گسترش شهرها متمرکز شد که دلیل آن مهاجرت ورودی مردم به مناطق شهری از روستاهای همجوار بود. مناطق، در نتیجه فشار بر چشم انداز این منطقه است. مطالعه اخیر توسط Nath و همکاران. [ 16] LULCC را در گذشته نشان می دهد، از جمله مناطق خطر LR فعلی و الگوهای خطر که در مناطق آسیب دیده از زلزله ایجاد شده است. بنابراین، بر اساس مطالعه قبلی و تغییرات مداوم در الگوی تنش ناشی از فعالیت‌های زمین ساختی، مطالعه حاضر بر روی FLULCC، روند تغییرات آن و ارزیابی FPLR در مناطق تنش زلزله متمرکز شد. این مدل سازی LULCC و مطالعه FPLR یک رویکرد جدید اتخاذ شده در منطقه DCEN است و به ویژه برای بررسی اینکه آیا منطقه DCEN به اهداف پایداری در آینده همراه با تغییرات چشم انداز پیش بینی شده دست خواهد یافت یا خیر، مورد نیاز است.
این مطالعه ابتدا نقشه برداری FLULC را توسعه و تجزیه و تحلیل کرد و FLULCC های مختلف را در دوره های زمانی مختلف، 2018-2025، 2025-2030، 2030-2040، و به طور کلی 2018-2040 در منطقه DCEN SW چین شناسایی کرد. در اینجا، سود / زیان FLULC (%) و همچنین نرخ تغییر در هر سال در چارچوب زمانی مربوطه محاسبه شد. نتایج پیش‌بینی‌شده ما نشان داد که کلاس BU احتمال 1.12% و 1.11% برای تغییر به WB و BL را دارد ( جدول 8 را ببینید.) در دوره 2018-2025، که نشان دهنده فعالیت های فاجعه بار آینده در منطقه DCEN است. علاوه بر این، بالاترین سطح تبدیل FLULC در RA مشاهده شد، با TP 34.89٪ برای تبدیل به کلاس دیگری، مانند BU در دوره زمانی 2018-2025، و یک تبدیل کوچکتر در 2025-2030 (25.49٪) و 2030. -2040 (14.43%) دوره زمانی. تغییرات FLULC در بخش مرکزی، شمال-جنوب (NS)، شمال شرقی (NE) و شرق (E) منطقه مورد مطالعه مشاهده می شود که در نقشه های FLULC ( شکل 5 a-d) نیز منعکس خواهد شد. مانند نقشه‌های تفاوت تغییر ( شکل 7الف-د) برای دوره های زمانی مختلف. با توجه به آمار تغییر LULC پیش بینی شده، کار توسعه بیشتر، از جمله گسترش منطقه BU، در آینده ادامه خواهد یافت. علاوه بر این، BU همچنین به دلیل الگوی تنش مداوم و وقوع زلزله های بیشتر در آینده، خطر بالقوه بالایی در آینده دارد که بر تغییرات مستقیم چشم انداز در منطقه DCEN تأثیر می گذارد.
با این حال، در سال‌های 2018-2040، داده‌های BU نشان می‌دهد که شرایط کاهشی (-3.10٪) به میزان -0.14٪ در سال -1 ، که بیشتر کاهش می‌یابد (-0.47٪) با نرخ -0.09٪ در سال -1 در طول دوره‌های 2025-1. 2030 و -0.18٪ با -0.02٪ سال -1 در دوره 2030-2040. نتایج مطالعات قبلی [ 16] پیشنهاد کرد که LULC از طریق تغییرات ناشی از فعالیت‌های طبیعی و انسانی، مانند توسعه گسترده زیرساخت‌ها، گسترش منطقه BU، از دست دادن جنگل و غیره تغییر کرده است. با گرفتن جداول ماتریس تفاوت تغییر (نمایش درصد) تولید شده در مرحله تحلیل زنجیره ای CA-Markov از طریق ماژول LCM نرم افزار TerrSet. جدول ماتریس تغییرات مبتنی بر دوره زمانی فردی به صورت یکپارچه ارائه شده است ( جدول 8 ).
علاوه بر این، این مطالعه در نهایت نقشه‌های FPLR را برای سال‌های 2025، 2030 و 2040 ( شکل 9 a-c) با استفاده از تکنیک IWO تهیه و تجزیه و تحلیل کرد، با اولویت ریسک بسیار بالا نزدیک به خطوط گسل مجاور، و مناطق کانونی، و در دورترین مناطق از خطوط گسل پایین تر. فرض اساسی که در این مطالعه دنبال می شود مشابه مفهوم توسعه یافته توسط Nath و همکاران است. [ 16 ]، که این بود که هر چه مقدار LD “بالاتر” باشد، سنگ در سطح بیشتر می شکافد و بالعکس. با این حال، این دو پارامتر تمایل طبیعی به تغییر در آینده در طول زمان دارند، همانطور که به وضوح از مطالعات اخیر مشهود است [ 16 ]]. بنابراین، از این مطالعه می توان استنباط کرد که منطقه DCEN در دهه های آینده با فعالیت های خاصی مانند زلزله، رانش زمین ناشی از زلزله، لغزش های منظم، خسارات ناشی از روانگرایی، شکست شیب و غیره در معرض خطر قرار خواهد گرفت.
بنابراین، این مطالعه خطر را بر اساس پهنه های زمین شناسی در سه سال پیش بینی شده 2025، 2030 و 2040 بیشتر شناسایی کرد. زون های زمین شناسی II، I و IV در دسته بندی بسیار پرخطر شناسایی شدند ( جدول 9).الف)، که در آن انواع منظره WB، AG، F، BU، و BL تا سال 2025 تحت تنش بالا در DCEN یافت شدند. در مقابل، در سال 2030، الگوی ریسک با افزایش اندکی از 69.10٪ به 70.10٪ تغییر خواهد کرد. و چشم انداز WB، F، AG، BU و BL تحت تنش بسیار بالایی قرار خواهند گرفت. با این حال، خطر تا سال 2040 بدون تغییر باقی می‌ماند، با تنها تغییرات شناسایی شده در سطوح چشم‌انداز به ترتیب WB، AG، BU، BL و F. در میان تمام دسته‌های خطر منظر در سه سال، منطقه خطر طبقه متوسط ​​خواهد بود. با سهم 36.51 درصد در سال 2025 در رتبه اول قرار گیرد و به تدریج در دو دوره بعدی، 35.19 درصد در سال 2030 و 34.99 درصد در سال 2040 کاهش یابد. در آینده توسعه می یابد، زیرا سرعت توسعه از نزدیک به سمت خطوط گسل های متعدد ادامه خواهد یافت،
در این مطالعه، نتایج مدل‌سازی FLULCC و مناطق FPLR و ارزیابی خطر احتمالی مبتنی بر اولویت، یک سوال در مورد پایداری زیست‌محیطی منطقه DCEN در دهه‌های آینده مطرح کرد. بنابراین، یک راه حل پایدار مبتنی بر اولویت بیشتر توصیه می شود، و همچنین بررسی حرکات ناپایدار LULC در مناطق مورد مطالعه. بنابراین، با رعایت الگوی FPLR، زمان آن فرا رسیده است که به درستی بررسی و با مردم محلی در مورد آنچه که باید انجام شود و نگرانی های آنها در مورد تغییر چشم انداز آینده و FPLR که در برنامه ریزی های آتی این منطقه گنجانده می شود، بحث و گفتگو کنیم. منطقه DCEN پایدار است. علاوه بر این،

5. نتیجه گیری ها

مطالعه حاضر از داده‌های جغرافیایی دو نقشه LULC گذشته در سال‌های 2007 و 2018، نقشه LR سال 2018 و سایر محصولات نقشه مشتق شده مرتبط به‌صورت یکپارچه برای توسعه نقشه‌های FLULC، روندهای تغییر آینده و تولید نقشه‌های FPLR از DCEN استفاده کرد. از آنجایی که منطقه DCEN قبلاً تحت تأثیر یک زلزله با شدت بالا قرار گرفته بود (8.0) و پس از آن چشم انداز آن به شدت تحت تأثیر قرار گرفت [ 16 ]، این منطقه DCEN در میان مناطق بسیار مستعد زلزله در جنوب غربی چین است. الگوی تنش زمین ساختی فعلی همانطور که در مطالعه حاضر مورد بحث قرار گرفت، پایدار نیست و در آینده به شدت تحت تاثیر قرار خواهد گرفت، همانطور که توسط Nath و همکاران مورد بحث قرار گرفت. [ 16] از طریق تجزیه و تحلیل LR. در این تحقیق، ما بررسی کردیم که چگونه چشم‌انداز منطقه DCEN در آینده بر اساس دوره‌های زمانی مختلف تخصیص‌یافته 2018-2025، 2025-2030، 2030-2040 و تغییرات کلی پیش‌بینی‌شده در سال‌های 2018-2040 تغییر خواهد کرد و به صورت کمی تحلیل و ارزیابی شد. تغییر ماهیت LULC در آینده نتایج ارائه شده بر اساس نقشه های یکپارچه FPLR یک الگوی خطر آینده مشاهده شده از طریق FPLRA همراه با FPLULC در منطقه DCEN را نشان می دهد.
از مدل‌سازی CA-Markov، تغییراتی در LULC در آینده در منطقه DCEN رخ خواهد داد که اگر منطقه تحت تأثیر زلزله‌های با شدت بالا قرار گیرد، ممکن است بسیار ویرانگر باشد. بنابراین، تمام برنامه ریزی های توسعه ای باید بر یافتن راه حلی مبتنی بر طبیعت متمرکز شود که خطر کمتری را تضمین کند و با اهداف پایداری همراه باشد، با پیشنهاد بیشتر برای توقف و بررسی فعالیت های توسعه ای در گسل و نزدیکی مناطق مجاور، و در صورت امکان. ساکنان شهری را در جای دیگری، دور از خطوط گسل اسکان دهید. تجزیه و تحلیل دقیق در مطالعه حاضر برای اطلاعات پایه برای کمک به برنامه ریزان شهری، ادارات محلی، و مهندسان زلزله برای برنامه ریزی و توسعه آینده و دانش فنی در مورد تغییرات چشم انداز آتی و FLR از DCEN بسیار مفید خواهد بود.
یک مطالعه قبلی [ 16 ] پیشنهاد کرد که گسترش شهر، LULCT، و روند آن به سمت مناطق مستعد در معرض خطر ادامه می یابد، که از تصویر ماهواره ای اخیر در سال 2018 که سطح تنش زمین ساختی مداوم را نشان می دهد، مشهود بود. با این حال، ایده FLULCC همراه با ارزیابی FPLR مورد استفاده در مطالعه حاضر یک رویکرد جدید در مناطق زلزله خیز است، یک ایده منحصر به فرد جدید که به ارزیابی ریسک به شیوه ای معنادار کمک می کند. این مطالعه به ما کمک می‌کند تا مناطق FPLR را بشناسیم، از جمله الگوی ریسک و شناسایی ریسک چشم‌انداز مبتنی بر اولویت.
در نهایت، ما دریافتیم که تصاویر چند زمانی Landsat در سال‌های 2007 و 2018 برای تولید یک تصویر شبیه‌سازی LULC در سال 2018، و به دنبال آن یک تصویر FLULC برای سال‌های 2025، 2030 و 2040 DCEN با استفاده از LCM نرم‌افزار TerrSet بسیار مفید هستند. برای درک FLULC، روندهای آن، و تخمین سود و زیان آینده DCEN در آینده، ماتریس FLULC را در حوزه های زمانی مختلف محاسبه کردیم. با این حال، بر اساس لایه های یکپارچه، از جمله FLULC 2025، 2030، و 2040، LD سال 2018 (که با زمان تغییر خواهد کرد) و سایر داده های جانبی با اولویت ریسک با روش جمع وزنی، برای تهیه نقشه های FPLR مجددا کدگذاری شدند. DCEN به صورت متوالی برای سالهای 2025، 2030 و 2040. همانطور که مشاهده کردیم، DCEN در مطالعه قبلی به عنوان یک منطقه پرخطر شناسایی شد [ 16 ]]، چیزی که ممکن است در آینده نیز صادق باشد. طرح FLULC برای منطقه مورد مطالعه باید از قبل تهیه شود و باید در سطح سیاست توسط برنامه ریزان شهری و مدیران محلی با توجه ویژه به نقشه های FLULC، تغییرات آن و نقشه های FPLR گنجانده شود. این مطالعه تغییرات FLULC با تکنیک‌های نقشه‌برداری یکپارچه FPLR برای توسعه پایدار آینده در منطقه DCEN، که زیر کریدور کمربند و جاده (BRC) چین چین است، ایده‌آل است.
یافته های این مطالعه می تواند به عنوان نمونه ای برای هر شهر زلزله خیز در سراسر جهان، از جمله BRC، که به نظارت انحصاری فعالیت های فاجعه جاده ابریشم در آینده کمک می کند، باشد. مطالعه حاضر پیش‌بینی‌های آتی در مورد تغییر LULC در ناحیه DCEN ارائه می‌کند، که ممکن است از قبل برای آسیب بیشتر به چشم‌انداز بررسی شود. تکنیک‌های نرم‌افزار یکپارچه جغرافیایی (مانند سنجش از دور و GIS) نیز ایده‌آل هستند و به دانستن وضعیت تغییر FLULC از جمله در مناطق FPLR کمک می‌کنند. علاوه بر این، مطالعه حاضر ثابت کرد که تکنیک‌های یکپارچه توانایی شناخت مناطق FPLR و الگوی احتمالی تغییر در BRC را دارند. بنابراین، برای به حداقل رساندن فاکتورهای FPLR DCEN، زمان آن رسیده است که نتایج وضعیت FLULC و جهت تغییر احتمالی آن را مبادله کنیم. از جمله الگوی FPLR با دانشگاهیان، برنامه ریزان شهری، سیاست گذاران ملی و مردم محلی برای ایمن، سالم و مقاوم کردن منطقه DCEN BRC. تجزیه و تحلیل دقیق یک پیش‌بینی مفید در آینده از فاجعه جاده ابریشم را نشان می‌دهد که ممکن است به دستیابی به اهداف پایدار سازمان ملل در سال 2030 کمک کند.

منابع

  1. الیس، ای. تغییر کاربری و پوشش زمین. در دایره المعارف زمین ; کاتلر، جی.، اد. ائتلاف اطلاعات محیطی، شورای ملی علم و محیط زیست: واشنگتن، دی سی، ایالات متحده آمریکا، 2010. [ Google Scholar ]
  2. دیکشنری انگلیسی کالینز. تعریف انتقال. در دسترس آنلاین: https://www.collinsdictionary.com/dictionary/english/transition (در 18 نوامبر 2018 قابل دسترسی است).
  3. تنداوپنیو، پ. ماگادزا، CHD; مورویرا، الف. تغییرات در الگوهای کاربری زمین/پوشش زمین و رشد جمعیت انسانی در حوضه آبریز دریاچه چیورو، زیمبابوه. Geocarto Int. 2017 ، 32 ، 1-34. [ Google Scholar ] [ CrossRef ]
  4. لی، اچ. شیائو، پی. فنگ، ایکس. یانگ، ی. وانگ، ال. ژانگ، دبلیو. وانگ، ایکس. فنگ، دبلیو. Chang، X. استفاده از سوابق داده های بلندمدت زمین برای نقشه برداری از تغییرات پوشش زمین در چین طی سال های 1981-2010. IEEE J. انتخاب کنید. موضوعات کاربردی رصد زمین. Remote Sens. 2017 , 10 , 1372–1389. [ Google Scholar ] [ CrossRef ]
  5. مارتینز، اس. مولیکون، دی. از پوشش زمین تا کاربری زمین: روشی برای ارزیابی کاربری زمین از داده های سنجش از دور. Remote Sens. 2012 ، 4 ، 1024. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. تیواری، م.ک. Saxena، A. تغییر تشخیص الگوی کاربری/پوشش زمین در اطراف مندیدیپ و منطقه Obedullaganj، با استفاده از سنجش از دور و GIS. بین المللی جی. تکنول. مهندس سیستم 2011 ، 2 ، 398-402. [ Google Scholar ]
  7. لیو، جی. Kuang، WH; ژانگ، ZX; Xu، XL; Qin، YW; نینگ، جی. ژو، WC; ژانگ، جنوب غربی؛ لی، RD; Yan، CZ; و همکاران ویژگی‌های مکانی-زمانی، الگوها و علل تغییرات کاربری زمین در چین از اواخر دهه 1980 جی. جئوگر. علمی 2014 ، 69 ، 3-14. [ Google Scholar ] [ CrossRef ]
  8. لیو، جی. ژانگ، ز. خو، X. کوانگ، دبلیو. ژو، دبلیو. ژانگ، اس. لی، آر. یان، سی. یو، دی. وو، اس. و همکاران الگوهای فضایی و نیروهای محرک تغییر کاربری زمین در چین در اوایل قرن بیست و یکم. جی. جئوگر. علمی 2010 ، 20 ، 483-494. [ Google Scholar ] [ CrossRef ]
  9. لیو، جی. لیو، ام ال. ژوانگ، دی اف. ژانگ، ZX; دنگ، XZ مطالعه الگوی فضایی تغییر کاربری زمین در چین طی سال‌های 1995-2000. علمی علوم زمین چین 2003 ، 46 ، 373-384. [ Google Scholar ]
  10. لامبین، ای. علل تغییر کاربری و پوشش زمین فراتر از افسانه ها. گلوب. Env. چانگ. 2001 ، 11 ، 261-269. [ Google Scholar ] [ CrossRef ]
  11. لامبین، EF; Geist، HJ; جذامیان، E. دینامیک تغییر کاربری و پوشش زمین در مناطق گرمسیری. ان Rev. Env. منبع. 2003 ، 28 ، 205-241. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. لامبین، EF; Geist، HJ استفاده از زمین و تغییر پوشش زمین: فرآیندهای محلی و تأثیرات جهانی . Springer: برلین/هایدلبرگ، آلمان، 2006. [ Google Scholar ]
  13. ژانگ، ام. پیشرفت علم زمین با تمرکز بر کاربری زمین / تغییر پوشش زمین. Adv. Geogr. 2001 ، 20 ، 297-304. [ Google Scholar ]
  14. ژانگ، ی.ال. لی، ایکس بی؛ فو، XF; Xie، GD; ژنگ، دی. تغییر کاربری زمین شهری در لهاسا. Acta Geogr. گناه 2000 ، 55 ، 395-406. [ Google Scholar ]
  15. طاهر، م. امام، ا. Tahir, H. ارزیابی تغییرات کاربری/پوشش زمین در شهر مکله، اتیوپی با استفاده از سنجش از دور و GIS. محاسبه کنید. Ecol. نرم افزار 2013 ، 3 ، 9-16. [ Google Scholar ]
  16. ناث، بی. نیو، ز. سینگ، تغییرات کاربری و پوشش زمین RP، و ارزیابی محیط و ریسک شهر دوجیانگیان (SW چین) با استفاده از تکنیک‌های سنجش از دور و GIS. Sustainability 2018 , 10 , 4631. [ Google Scholar ] [ CrossRef ][ Green Version ]
  17. لی، اف. لیو، جی. مشخص کردن الگوی فضایی-زمانی تغییر کاربری زمین و نیروی محرکه آن بر اساس تکنیک‌های GIS و تحلیل منظر در تیانجین طی سال‌های 2000-2015. Sustainability 2017 , 9 , 894. [ Google Scholar ] [ CrossRef ][ Green Version ]
  18. یینگ، سی. لینگ، اچ. کای، اچ. تغییر و بهینه سازی الگوهای منظر در یک حوضه بر اساس تصاویر سنجش از دور: مطالعه موردی در چین. پول J. Env. گل میخ. 2017 ، 26 ، 2343-2353. [ Google Scholar ] [ CrossRef ]
  19. جعفری، س. ساکیه، ی. شعبانی، ع.ا. دانه کار، ع. نظرسمانی، ع. ارزیابی تغییر منظر مناطق حفاظت شده با استفاده از سنجش از دور و متریک منظر (مطالعه موردی: حفاظتگاه جاجرود، ایران). محیط زیست توسعه دهنده حفظ کنید. 2015 ، 17 ، 1-17. [ Google Scholar ] [ CrossRef ]
  20. Seto، KC; Fragkias، M. کمی سازی الگوهای مکانی-زمانی تغییر کاربری زمین شهری در چهار شهر چین با معیارهای منظر سری زمانی. Landsc. Ecol. 2005 ، 20 ، 871-888. [ Google Scholar ] [ CrossRef ]
  21. Fichera، CR; مودیکا، جی. Pollino، M. طبقه بندی پوشش زمین و تجزیه و تحلیل تشخیص تغییر با استفاده از تصاویر سنجش از دور چند زمانی و معیارهای چشم انداز. یورو J. Remote Sen. 2012 , 45 , 1-18. [ Google Scholar ]
  22. هرولد، ام. اسکپن، جی. Clarke، KC استفاده از سنجش از دور و معیارهای چشم انداز برای توصیف ساختارها و تغییرات در کاربری های شهری. محیط زیست طرح. 2002 ، 34 ، 1443-1458. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. نورواندا، ا. زین، AFM; روستای، ه. تحلیل تغییرات پوشش اراضی و تکه تکه شدن منظر در منطقه باطنقری، استان جامبی. در مجموعه مقالات علوم اجتماعی و رفتاری، کنفرانس بین المللی CITIES 2015، برنامه ریزی هوشمندانه به سوی شهرهای هوشمند، CITIES 2015، سورابایا، اندونزی، 3 تا 4 نوامبر 2015. [ Google Scholar ]
  24. ناژندرا، اچ. مونرو، DK; ساوثورث، جی. از الگو به فرآیند: تکه تکه شدن چشم‌انداز و تحلیل تغییر کاربری/پوشش زمین. کشاورزی اکوسیستم. محیط زیست 2004 ، 101 ، 111-115. [ Google Scholar ] [ CrossRef ]
  25. لی، آر. دونگ، ام. کوی، جی. ژانگ، ال. کوی، کیو. او، W. کمیت تأثیر تغییرات کاربری زمین بر خدمات اکوسیستم: مطالعه موردی در شهرستان پینگبیان. چین. محیط زیست نظارت کنید. ارزیابی کنید. 2007 ، 128 ، 503-510. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. Schirpke، U. کوهلر، م. لاتینگر، جی. فونتانا، وی. تاسر، ای. Tappeiner، U. اثرات آتی تغییر کاربری زمین و آب و هوا بر خدمات اکوسیستمی مراتع کوهستانی و انعطاف پذیری آنها. اکوسیستم. خدمت 2017 ، 26 ، 79-94. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. تاسر، ای. لاتینگر، جی. Tappeiner، U. تغییر آب و هوا در مقابل تغییر کاربری زمین – چه چیزی بر مناظر کوهستانی بیشتر تأثیر می گذارد؟ سیاست کاربری زمین 2017 ، 60 ، 60-72. [ Google Scholar ] [ CrossRef ]
  28. ناث، بی. Acharjee، S. نظارت بر رشد شهری و تغییر کاربری زمین با استفاده از تصاویر ماهواره ای با وضوح بالا و داده های ثانویه: یک مطالعه جغرافیایی در شرکت شهرداری کلکته، کلکته، هند. گل میخ. Surv. نقشه علمی 2013 ، 3 ، 43-54. [ Google Scholar ]
  29. باگاوات، R. رشد شهری و کاربری زمین/تغییر پوشش زمین شهری فرعی پوخارا، نپال. جی. تئور. Appl. آگاه کردن. تکنولوژی 2011 ، 26 ، 118-129. [ Google Scholar ]
  30. دوان، AM; یاماگوچی، ی. تغییر کاربری زمین و پوشش زمین در داکای بزرگ، بنگلادش: استفاده از سنجش از دور برای ترویج شهرنشینی پایدار. Appl. Geogr. 2009 ، 29 ، 390-401. [ Google Scholar ] [ CrossRef ]
  31. سوئی، LY; مینگ، CB چارچوب مطالعه تغییر کاربری/پوشش زمین بر اساس توسعه پایدار در چین. Geogr. Res. 2002 ، 21 ، 324-330. [ Google Scholar ]
  32. تالی، ج.ا. دیویا، س. مورتی، ک. تأثیر شهرنشینی بر تغییر کاربری زمین: مطالعه موردی شهر سرینگر. صبح. J. Res. Comm. 2013 ، 1 ، 271-283. [ Google Scholar ]
  33. راوات، JS; کومار، ام. نظارت بر تغییر کاربری/پوشش زمین با استفاده از تکنیک های سنجش از دور و GIS: مطالعه موردی بلوک هاوالباغ، ناحیه آلمورا، اوتاراکند، هند. مصر. J. Remote Sens. Space Sci. 2015 ، 18 ، 77-84. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. Appiah, DO; شرودر، دی. Forkuo، EK; Bugri، JT کاربرد تکنیک های اطلاعات جغرافیایی در استفاده از زمین و تجزیه و تحلیل تغییر پوشش زمین در یک منطقه پیرامون شهری غنا. اینتر J. Geo Inform. 2015 ، 4 ، 1265-1289. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. یو، دی. Srinivasan، S. تغییر کاربری زمین شهری و دسترسی منطقه ای: مطالعه موردی در پکن، چین. Habitat Int. 2016 ، 51 ، 103-113. [ Google Scholar ]
  36. Mundia، CN; Aniya، M. دینامیک تغییرات کاربری/پوشش زمین و تخریب شهر نایروبی، کنیا. تخریب زمین توسعه دهنده 2010 ، 17 ، 97-108. [ Google Scholar ] [ CrossRef ]
  37. لی، ی. ژانگ، Q. تعاملات انسان و محیط در چین: شواهدی از تغییر کاربری زمین در منطقه شهری پکن-تیانجین-هبی. هوم Ecol. Rev. 2013 , 20 , 26-35. [ Google Scholar ]
  38. دوان، AM; یاماگوچی، ی. استفاده از سنجش از دور و GIS برای شناسایی و نظارت بر استفاده از زمین و تغییر پوشش زمین در شهر داکای بنگلادش طی سال‌های 1960-2005. محیط زیست نظارت کنید. ارزیابی کنید. 2009 ، 150 ، 237-249. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. Lo, CP; یانگ، ایکس. رانندگان تغییرات کاربری/پوشش زمین و مدلسازی پویا برای منطقه شهری آتلانتا، جورجیا. فتوگرام مهندس Remote Sens. 2002 , 68 , 1073-1082. [ Google Scholar ]
  40. بات، ا. شبیر، ر. احمد، اس.اس. عزیز، ن. نقشه برداری و تحلیل تغییر کاربری اراضی با استفاده از سنجش از دور و GIS: مطالعه موردی حوزه آبخیز سیملی، اسلام آباد، پاکستان. مصر. J. Remote Sens. Space Sci. 2015 ، 18 ، 251-259. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. مالک، MI; Bhat، MS رویکرد یکپارچه برای اولویت‌بندی حوزه‌های آبخیز برای مدیریت: مطالعه حوضه آبریز کشمیر هیمالیا. محیط زیست مدیریت 2015 ، 54 ، 1267-1287. [ Google Scholar ] [ CrossRef ]
  42. کلیرج، س. چاندراسکار، ن. راماچاندران، KK; سرینیواس، ی. سراوانان، جنوب. تغییر کاربری و پوشش اراضی ساحلی و تحولات سواحل کانیاکوماری هند با استفاده از راه دور و GIS. مصر. J. Remote Sens. Space Sci. 2017 ، 20 ، 169-185. [ Google Scholar ]
  43. اسلام، ک. جاشم الدین، م. ناث، بی. Nath، TK طبقه بندی استفاده از زمین و تشخیص تغییر با استفاده از تصاویر سنجش از راه دور چند زمانی: مورد پناهگاه حیات وحش Chunati، بنگلادش. مصر. J. Remote Sens. Space Sci. 2018 ، 21 ، 37–47. [ Google Scholar ] [ CrossRef ]
  44. اسلام، ک. رحمان، م.ف. Jashimuddin، M. مدل سازی تغییر کاربری زمین با استفاده از اتوماتای ​​سلولی و شبکه عصبی مصنوعی: مورد پناهگاه حیات وحش Chunati، بنگلادش. Ecol. اندیک. 2018 ، 88 ، 439-453. [ Google Scholar ] [ CrossRef ]
  45. سینگ، آرپی؛ ساهو، AK; بویی، اس. کومار، ام جی؛ Bhuiyan، CS تغییر شکل زمین زلزله گجرات در 26 ژانویه 2001. J. Geol. Soc. هند 2001 ، 58 ، 209-214. [ Google Scholar ]
  46. سینگ، آرپی؛ بویی، اس. ساهو، AK; راج، یو. راویندران، S. تظاهرات سطحی پس از زلزله گجرات. Curr. علمی 2001b ، 81 ، 164-166. [ Google Scholar ]
  47. سینگ، آرپی؛ بویی، اس. ساهو، AK تغییرات قابل توجه در پارامترهای اقیانوس پس از زلزله گجرات. Curr. علمی 2001 ، 80 ، 1376-1377. [ Google Scholar ]
  48. سینگ، آر. سیمون، بی. Joshi, PC برآورد شار حرارتی نهان سطحی از داده های ماهواره ای IRSP4/ MSMR. Proc. آکادمی هندی علمی 2001 ، 110 ، 231-238. [ Google Scholar ]
  49. سینگ، آرپی؛ بویی، اس. ساهو، AK تغییرات در خشکی و اقیانوس پس از زلزله گجرات در 26 ژانویه 2001 با استفاده از داده های IRS مشاهده شد. بین المللی J. Remote Sens. 2002 , 23 , 3123-3128. [ Google Scholar ] [ CrossRef ]
  50. دی، س. سینگ، RP شار گرمای نهان سطحی به عنوان پیش ساز زلزله. نات. سیستم خطرات زمین. علمی 2003 ، 3 ، 749-755. [ Google Scholar ] [ CrossRef ]
  51. اوکادا، ی. موکای، س. سینگ، RP تغییرات در پارامترهای آئروسل اتمسفر پس از زلزله گجرات در 26 ژانویه 2001. Adv. Space Res. 2004 ، 33 ، 254-258. [ Google Scholar ] [ CrossRef ]
  52. دی، س. سرکار، س. سینگ، RP تغییرات غیرعادی در بخار آب ستون پس از زلزله گجرات. Adv. Space Res. 2004 ، 33 ، 274-278. [ Google Scholar ] [ CrossRef ]
  53. سینگ، معاون; سینگ، RP تغییرات در الگوی تنش در اطراف ناحیه مرکزی زمین لرزه بوج در 26 ژانویه 2001. Geophys. Res. Lett. 2005 ، 32 ، 1-4. [ Google Scholar ] [ CrossRef ]
  54. بالز، تی. لیائو، ام. تشخیص خسارت ساختمان با استفاده از داده های ماهواره SAR با وضوح بالا پس از لرزه. بین المللی J. Remote Sens. 2010 , 31 , 3369-3391. [ Google Scholar ] [ CrossRef ]
  55. گوا، اچ. ما، جی. ژانگ، بی. لی، ز. هوانگ، جی. Zhu, L. نقشه‌برداری زنجیره پیامد خسارت پس از زلزله ونچوان با استفاده از داده‌های سنجش از دور. بین المللی J. Remote Sens. 2010 , 31 , 3427-3433. [ Google Scholar ] [ CrossRef ]
  56. Sowter، A. Orthorectification و تفسیر داده های InSAR دیفرانسیل در مناطق کوهستانی: مطالعه موردی زلزله ونچوان می 2008. بین المللی J. Remote Sens. 2010 , 31 , 3435-3448. [ Google Scholar ] [ CrossRef ]
  57. ژوانگ، جی کیو؛ کوی، پی. Ge، YG; او، YP; لیو، YH; Guo، XJ ارزیابی احتمال مسدود شدن رودخانه توسط جریان زباله مرتبط با زلزله Wenchuan. بین المللی J. Remote Sens. 2010 , 31 , 3465-3478. [ Google Scholar ] [ CrossRef ]
  58. پان، جی. Tang, D. اطلاعات خسارت به دست آمده از داده های چند حسگر زلزله Wenchuan در مه 2008. بین المللی. J. Remote Sens. 2010 , 31 , 3509-3519. [ Google Scholar ] [ CrossRef ]
  59. ژوانگ، دبلیو. لین، جی. پنگ، جی. Lu, Q. برآورد زمین لغزش های ناشی از زلزله ونچوان بر اساس سنجش از دور. بین المللی J. Remote Sens. 2010 , 31 , 3495–3508. [ Google Scholar ] [ CrossRef ]
  60. وو، اف. یو، بی. یان، م. Wang, Z. تحقیقات محیطی زیست محیطی در منطقه زلزله ونچوان با استفاده از تصاویر ماهواره ای کوچک از صورت فلکی پایش بلایا (DMC) پکن-1. بین المللی J. Remote Sens. 2010 , 31 , 3643-3660. [ Google Scholar ] [ CrossRef ]
  61. سینگ، RP مشاهدات ماهواره ای از زلزله Wenchuan، 12 مه 2008. بین المللی. J. Remote Sens. 2010 , 31 , 3335-3339. [ Google Scholar ] [ CrossRef ]
  62. پوچاس، آی. کونا، م. Pereira، LS شاخص های مبتنی بر سنجش از دور تغییرات در یک چشم انداز روستایی کوهستانی شمال شرقی پرتغال. Appl. Geogr. 2011 ، 31 ، 871-880. [ Google Scholar ] [ CrossRef ]
  63. یی، ی. ژائو، YZ; دینگ، جی دی؛ کائو، ی. اثرات شهرنشینی بر الگوهای منظر در یک منطقه کوهستانی: مطالعه موردی در منطقه منتوگو، پکن، چین. Sustainability 2016 , 8 , 1190. [ Google Scholar ] [ CrossRef ][ Green Version ]
  64. جین، اس. لافاوان، س. سینگ، PK ردیابی تغییرات در الگوی منظر شهری دهرادون طی دو دهه گذشته با استفاده از RS و GIS. بین المللی J. Adv. Remote Sens. GIS 2013 , 2 , 351-362. [ Google Scholar ]
  65. موتت، ا. لادت، اس. کوک، ن. Gibon، A. تغییر کاربری اراضی کشاورزی و محرک های آن در مناظر کوهستانی: مطالعه موردی در پیرنه. کشاورزی اکوسیستم. محیط زیست 2006 ، 114 ، 296-310. [ Google Scholar ] [ CrossRef ]
  66. وانگ، ز. لو، سی. یانگ، ایکس. پارامترهای مقیاس نمونه برداری نمایی برای تقسیم بندی کارآمد تصاویر سنجش از دور. بین المللی J. Remote Sens. 2018 , 39 , 1628–1654. [ Google Scholar ] [ CrossRef ]
  67. وانگ، ز. یانگ، ایکس. لو، سی. یانگ، اف. یک رویکرد تقسیم‌بندی خود انطباق مقیاس و انتقال دانش برای به‌روزرسانی خودکار پایگاه‌های داده تغییر کاربری/پوشش با استفاده از تصاویر با وضوح فضایی بالا. بین المللی J. Appl. زمین Obs. Geoinf. 2018 ، 69 ، 88-98. [ Google Scholar ] [ CrossRef ]
  68. Arellano-Baeza، AA; زورف، آ. Malinnikov، V. مطالعه تغییرات در ساختار خطی، ناشی از زلزله در آمریکای جنوبی با استفاده از تجزیه و تحلیل خطی به داده های ماهواره ای ASTER (Terra). Adv. Space Res. 2004 ، 33 ، 274-278. [ Google Scholar ] [ CrossRef ]
  69. سینگ، SK; مستک، س. Srivastava، PK؛ سابو، اس. اسلام، تی. پیش‌بینی تغییرات LULC فضایی و دهه‌ای از طریق مدل‌های زنجیره مارکوف خودکار سلولی با استفاده از مجموعه داده‌های رصد زمین و اطلاعات جغرافیایی. محیط زیست روند. 2015 ، 2 ، 61-78. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. چن، ال. Nuo، W. شبیه سازی دینامیکی تغییرات کاربری زمین در شهر بندری: مطالعه موردی دالیان، چین. Procedia Soc. رفتار علمی 2013 ، 96 ، 981-992. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. کاتانا، SJS؛ Ucakuwun، EK; Munyao، TM تشخیص و پیش‌بینی تغییرات پوشش زمین در حوضه آبریز رودخانه Athi بالا، کنیا: استراتژی به سمت نظارت بر تغییرات محیطی. Greener J. Environ. مدیریت میخانه. بی خطر. 2013 ، 2 ، 146-157. [ Google Scholar ] [ CrossRef ]
  72. برگر، تی. مدل‌های فضایی مبتنی بر عامل کاربردی در کشاورزی: ​​ابزاری شبیه‌سازی برای انتشار فناوری، تغییرات استفاده از منابع و تحلیل خط‌مشی. کشاورزی اقتصاد. 2001 ، 25 ، 245-260. [ Google Scholar ] [ CrossRef ]
  73. لوپز، ای. بوکو، جی. مندوزا، م. Duhau، E. پیش بینی تغییر پوشش زمین و کاربری زمین در حاشیه شهری: موردی در شهر مورلیا، مکزیک. Landsc. طرح شهری. 2001 ، 55 ، 271-285. [ Google Scholar ] [ CrossRef ]
  74. قوش، پ. موخوپادهایای، ع. چاندا، ا. موندال، پی. آخند، ع. موکرجی، اس. نایاک، SK; قوش، س. میترا، د. قوش، ت. و همکاران کاربرد اتوماتای ​​سلولی و مدل زنجیره مارکوف در مدل‌سازی محیطی جغرافیایی – مروری. Remote Sens. Appl. Soc. محیط زیست 2017 ، 5 ، 64-77. [ Google Scholar ] [ CrossRef ]
  75. Baysal، G. استفاده از زمین شهری و تحلیل تغییر پوشش زمین و مدلسازی یک منطقه مطالعه موردی مالاتیا، ترکیه. پایان نامه کارشناسی ارشد، موسسه ژئوانفورماتیک (IFGI)، Westfälische Wilhelms-Universität، Münster، آلمان، 2013. [ Google Scholar ]
  76. Mandal، مدل‌سازی مکانی-زمانی مبتنی بر اطلاعات جغرافیایی انگلستان استفاده از زمین شهری و تغییر پوشش زمین در شهرداری Butwal، نپال. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2014 ، 40 ، 809. [ Google Scholar ]
  77. باتی، م. زی، ی. Sun، Z. مدلسازی دینامیک شهری از طریق اتوماتای ​​سلولی مبتنی بر GIS. محاسبه کنید. محیط زیست سیستم شهری 1999 ، 23 ، 205-233. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  78. وانگ، ی. Zhang، X. یک رویکرد مدلسازی پویا برای شبیه سازی اثرات اجتماعی-اقتصادی بر تغییرات چشم انداز. Ecol. مدل 2001 ، 140 ، 141-162. [ Google Scholar ] [ CrossRef ]
  79. Weng، Q. تحلیل تغییر کاربری زمین در دلتای ژوجیانگ چین با استفاده از سنجش از دور ماهواره‌ای، GIS و مدل‌سازی تصادفی. جی. محیط زیست. مدیریت 2002 ، 64 ، 273-284. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  80. آیتکنهد، ام جی. آلدرز، IH پیش بینی پوشش زمین با استفاده از روش های GIS، بیزی و الگوریتم تکاملی. جی. محیط زیست. مدیریت 2009 ، 90 ، 236-250. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  81. آیتکنهد، ام جی. Aalders، IH خودکار نقشه برداری پوشش زمین اسکاتلند با استفاده از سیستم خبره و روش های یکپارچه سازی دانش. سنسور از راه دور محیط. 2011 ، 115 ، 1285-1295. [ Google Scholar ] [ CrossRef ]
  82. راهنمای Eastman، JR TerrSet. دسترسی داشته باشید. TerrSet Vers. 2015 ، 18 ، 1-390. [ Google Scholar ]
  83. هوئت، تی. Hubert-Moy, L. مدل‌سازی و پیش‌بینی تغییرات کاربری و پوشش زمین با اتومات سلولی در در نظر گرفتن مسیرهای چشم‌انداز: بهبودی برای شبیه‌سازی حالت‌های احتمالی آینده. EARSeL eProceed، انجمن اروپایی آزمایشگاه‌های سنجش از راه دور. در دسترس آنلاین: https://halshs.archives-ouvertes.fr/halshs-00195847/document (در 22 فوریه 2020 قابل دسترسی است).
  84. Ge، Y. خو، جی. لیو، کیو. یائو، ی. Wang, R. تفسیر تصویر و تجزیه و تحلیل آماری آسیب پوشش گیاهی ناشی از زلزله Wenchuan و بلایای ثانویه مرتبط. J. Appl. Remote Sens. 2009 , 3 , 031660. [ Google Scholar ] [ CrossRef ]
  85. Guo, H. Guest Editorial: Remote Sensing of Wenchuan Earthquake. J. Appl. Remote Sens. 2009 , 3 , 031699. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  86. هان، ی. لیو، اچ. کوی، پی. سو، اف. Du، D. ارزیابی خطر در مورد خطرات ثانویه کوهستانی ناشی از زلزله Wenchuan. J. Appl. Remote Sens. 2009 , 3 , 031645. [ Google Scholar ]
  87. جین، Y.-Q. Wang, D. تشخیص خودکار تغییرات سطح زمین پس از زلزله Wenchuan، می 2008، از تصاویر ALOS SAR با استفاده از روش 2EM-MRF. IEEE Geosci. Remote Sens. 2009 ، 6 ، 344-348. [ Google Scholar ]
  88. بردان، ر. دبنات، ر. Bandopadhyay, S. یک مدل مفهومی برای شناسایی ریسک پذیری فضاهای سبز شهری با استفاده از تکنیک های ژئوفضایی. مدل. سیستم زمین محیط زیست 2016 ، 2 ، 1-12. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  89. اینگرام، ک. کنپ، ای. Robinson, JW Change Detection Technique توسعه برای بهبود ترسیم مناطق شهری . یادداشت فنی CSC/TM-81/6087; Computer Science Corporation: Silver Springs، FL، USA; مریلند، MD، ایالات متحده آمریکا، 1981. [ Google Scholar ]
  90. تکسیرا، ز. تکسیرا، اچ. Marques، JC فرآیندهای سیستماتیک تغییر کاربری زمین/پوشش زمین برای شناسایی نیروهای محرک مربوطه: پیامدها بر کیفیت آب. علمی کل محیط. 2014 ، 470-471 ، 1320-1335. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  91. Jensen, JR Remote Sensing of Environment: An Earth Resource Perspective 2/e ; Pearson Education India: Noida، هند، 2009. [ Google Scholar ]
  92. ریچاردز، جی. Jia, X. تجزیه و تحلیل تصویر دیجیتال سنجش از دور ; Springer: برلین/هایدلبرگ، آلمان، 1999. [ Google Scholar ]
  93. سازمان ملل متحد (UN). تغییر جهان ما: دستور کار 2030 برای توسعه پایدار. قطعنامه تصویب شده توسط مجمع عمومی در 25 سپتامبر 2015. موجود به صورت آنلاین: https://www.un.org/ga/search/view_doc.asp?Symbol=A/RES/70/1&Lang=E (دسترسی در 17 نوامبر 2018) .
  94. USGS Earth Explorer Landsat Archive (2007–2018). در دسترس آنلاین: https://earthexplorer.usgs.gov (دسترسی در 10 فوریه 2018).
  95. اندرسون، جی آر. هاردی، EE; روچ، JT; Witmer, RE A استفاده از زمین و طبقه بندی پوشش زمین برای استفاده با داده های سنسور از راه دور (مقاله حرفه ای USGS 964) ; دفتر چاپ دولتی: واشنگتن، دی سی، ایالات متحده آمریکا، 1976. [ Google Scholar ]
  96. سینگ، آ. سینگ، اس. گارگا، پی کی; خندوری، ک. تشخیص تغییر کاربری و پوشش زمین: رویکرد مقایسه ای با استفاده از روش تشخیص تغییر تابع ماتریس تغییر پس طبقه بندی شهر الله آباد. بین المللی J. Curr. مهندس تکنولوژی 2013 ، 3 ، 142-148. [ Google Scholar ]
  97. تودس، اس. Yigiter، ND تهیه مدل آمایش سرزمین با استفاده از GIS بر اساس AHP: مطالعه موردی آدانا-ترکیه. گاو نر مهندس جئول محیط زیست 2010 ، 69 ، 235-245. [ Google Scholar ] [ CrossRef ]
  98. Data Catalog-Data. Shapefile: زمین شناسی عمومی خاور دور (Geo3al). تاریخ ایجاد فراداده: 18 مارس 2005. در دسترس آنلاین: https://catalog.data.gov/dataset/generalized-geology-of-the-far-east-geo3al (در 15 ژوئن 2019 قابل دسترسی است).
  99. موکرجی، اس. ششتری، س. سینگ، سی. سریواستاوا، پ. گوپتا، م. اثر کانال بر LULC با استفاده از سنجش از دور و GIS. J. شرکت هندی Remote Sens. 2009 , 37 , 527-537. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00134 g001 550
شکل 1. نقشه موقعیت منطقه مورد مطالعه در شهر دوجیانگیان و اطراف آن (DCEN) در جنوب غربی چین. در پانل سمت چپ، نقشه های داخلی بالا و پایین به ترتیب موقعیت استان سیچوان را در مرز چین و DCEN در استان سیچوان را نشان می دهد. پانل سمت راست مدل رقومی ارتفاع (بر حسب متر)، از جمله پوشش مکان های مهم (که به صورت دایره های سفید با نقاط سیاه مشخص شده اند) و خطوط گسل زمین شناسی را نشان می دهد.
Ijgi 09 00134 g002 550
شکل 2. مکان نقاط زلزله در DCEN. نقاط زلزله با دایره های نقطه قرمز نشان داده می شوند و خطوط گسل متقاطع در نقشه نمایش داده می شوند (داده های استخراج شده، ترسیم نقطه و تمرین نقشه برداری انجام شده در محیط نرم افزار ArcGIS 10.6). داده‌های مرکز زمین لرزه زمانی از 12 می 2008 تا 8 سپتامبر 2019 در نظر گرفته شده است.
Ijgi 09 00134 g003 550
شکل 3. یک مدل نمودار جریان تحقیق مورد استفاده در این مطالعه. توجه: RS، سنجش از راه دور. TM، نقشه‌بردار موضوعی؛ OLI، تصویرگر زمین عملیات. AOI، منطقه مورد علاقه؛ GIS، سیستم اطلاعات جغرافیایی؛ LCM، مدل ساز تغییر زمین; FLULC، کاربری آینده و پوشش زمین؛ MLC، طبقه‌بندی کننده حداکثر درستنمایی؛ CA-Markov، اتوماتای ​​سلولی-مارکوف. LD، چگالی خطی. PCA، تجزیه و تحلیل اجزای اصلی. MC-AHP، فرآیند سلسله مراتب تحلیلی مبتنی بر چند معیار. FPLR، خطر بالقوه چشم انداز آینده
Ijgi 09 00134 g004 550
شکل 4. مقایسه و اعتبارسنجی مدل مناطق (در درصد) کلاس‌های LULC شبیه‌سازی‌شده در مقابل واقعی در سال 2018. کلاس‌های LULC به‌عنوان تعیین‌شده به‌عنوان: BU—منطقه ساخته‌شده. F-منطقه جنگلی؛ AG—منطقه کشاورزی؛ RA—منطقه بازسازی شده WB – بدنه های آبی؛ و BL – زمین بایر.
Ijgi 09 00134 g005 550
شکل 5. توزیع FLULC منطقه مورد مطالعه در چهار دوره زمانی مختلف (شبیه سازی 2018-2040). ( الف ) LULC شبیه سازی شده-2018، ( ب ) FLULC-2025، ( ج ) FLULC-2030، ( د ) FLULC-2040.
Ijgi 09 00134 g006 550
شکل 6. توزیع درصدی FLULC ناحیه DCEN جنوب غربی چین از سال 2018 تا 2040. روندهای LULC منفرد بر اساس نقشه های LULC پیش بینی شده در سال های 2018، 2025، 2030 و 2040 با اعمال رگرسیون چند جمله ای منحنی مرتبه دوم تهیه شد. با یک معادله رگرسیون و مقادیر R2 . ( الف ) BU، ( ب ) F، ( ج ) AG، ( د ) RA، ( ه ) WB، و ( f ) BL.
Ijgi 09 00134 g007 550
شکل 7. تغییر نقشه تفاوت منطقه مورد مطالعه بر اساس نقشه های LULC پیش بینی شده در سال های 2018، 2025، 2030 و 2040. ( الف ) تغییر نقشه تفاوت برای دوره های 2018-2025؛ ( ب ) تغییر نقشه تفاوت برای 2025-2030. ( ج ) تفاوت تغییر برای 2030-2040. و ( د ) تفاوت کلی تغییر بین سال‌های 2018 و 2040.
Ijgi 09 00134 g008 550
شکل 8. توزیع FLULCC منطقه مورد مطالعه در چهار دوره زمانی مختلف. ( الف ) سود/زیان (%) هر کلاس FLULC. ( ب ) نرخ تغییر در سال (%) کلاس های FLULC. توجه: BU—منطقه ساخته شده؛ F-منطقه جنگلی؛ AG—منطقه کشاورزی؛ RL – منطقه بازسازی شده WB – بدنه های آبی؛ و BL – زمین بایر.
Ijgi 09 00134 g009 550
شکل 9. نقشه های FPLR ناحیه DCEN. ( الف ) نقشه FPLR-2025؛ ( ب ) نقشه FPLR-2030; ( ج ) نقشه FPLR-2040.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید