مدل سازی تغییرات پوشش سرزمین بر پایه شبکه عصبی مصنوعی و پتانسیل انتقال در روش LCM (مطالعه موردی: جنگل های گیلان غرب، استان کرمانشاه)

مدل سازی روند تغییرات پوشش سرزمین در گذر زمان با به کارگیری داده های چندزمانه در محیط سامانه اطلاعات جغرافیایی می تواند یکی از مهم ترین عوامل در مدیریت بهینه این تغییرات باشد. به منظور مدل سازی روند تغییرات پوشش سرزمین و بررسی امکان پیش بینی آن در آینده، مدل ساز تغییر زمین (LCM) به کار گرفته شد. داده های VNIR سنجنده ASTER ماهواره TERRA با قدرت تفکیک مکانی 15 متر مربوط به سه دوره زمانی 2000، 2007 و 2016 در جنگل های شهرستان گیلان غرب استان کرمانشاه تجزیه وتحلیل شد. نقشه های پوشش سرزمین سال های یادشده در چهار طبقه پوشش جنگل، اراضی مرتعی، اراضی کشاورزی و مناطق انسان ساخت برای هر یک از تصاویر با به کارگیری روش حداکثر تشابه استخراج شد. نتایج تجزیه وتحلیل داده ها در دوره اول (2007-2000) و دوره دوم (2016-2007) نشان داد پوشش اراضی کشاورزی بیشترین افزایش، و پوشش اراضی مرتعی بیشترین کاهش مساحت را دارند. بر مبنای این تغییرات و با درنظرگرفتن هشت متغیر مستقل مدل رقومی ارتفاع، شیب، جهت، فاصله از جاده، فاصله از مناطق مسکونی، فاصله از حاشیه جنگل، فاصله از اراضی مرتعی، فاصله از اراضی کشاورزی، مدل سازی پتانسیل انتقال سال 2016 به روش شبکه عصبی پرسپترون چندلایه انجام گرفت. سپس، به وسیله مدل پیش بینی سخت و تصاویر طبقه بندی شده دوره اول (2007-2000)، نقشه پوشش سال 2016 با به کارگیری مدل ساز تغییر زمین پیش بینی شد. پس از ارزیابی مدل، میزان صحت کلی برابر با 09/83 و ضریب کاپای برابر با 79/0 به دست آمد که بیان کننده انطباق زیاد بین نقشه پیش بینی شده و نقشه طبقه بندی شده است. با واردکردن نقشه های پوشش سرزمین دوره دوم (2016-2007) به مدل ساز تغییر زمین، نقشه پیش بینی پوشش سرزمین سال 2025 تهیه شد که نتایج نشان داد 52/1029 هکتار از پوشش جنگل و 92/1686 هکتار از اراضی مرتعی پتانسیل انتقال به اراضی کشاورزی را خواهند داشت.