مقاله درمورد سیستم اطلاعات جغرافیایی و انتخاب روش پیش بینی

فرایند “پردازش تصویر”(Image processing )،عبارت است از تجزیه و تحلیل های گرافیکی،ریاضی،آماری،احتمالاتی و حتی منطقی مقادیر بازتابش شده از سطح زمین و متغیرهای مربوط به ان که در جزء تصویر(پیکسل) و در باندهای مختلف طیف الکترومغناطیسی صورت می گیرد(رسولی،1387).با استناد به این روش ها می توان داده های حاصل از سنجنده های مختلف را به منظور جستجو،تشخیص،اندازه گیری،طبقه بندی و ارزیابی موجودیت و اهمیت عوارض طبیعی و انسان ساخت در سطح زمین مورد تحلیل و کاوش قرار داد.در پردازش تصاویر به فنون اصلی یعنی آشکارسازی تصاویر،تبدیل های طیفی و نسبت گیری،فیلترگذاری و طبقه بندی تصاویر اشاره نمود(رسولی،1387).
1-2-تعریف مساله
امروزه تغییرات کاربری به عنوان عاملی پایه در تغییرات زیستمحیطی عمل کرده و به یک خطر جهانی تبدیل شده است. بازبینی این تغییرات از طریق تصاویر ماهوارهای و پیشبینی و ارزیابی پتانسیل آنها از طریق مدلسازی میتواند به برنامهریزان محیطزیست و مدیران منابع طبیعی برای تصمیمات آگاهانهتر در سطح چشمانداز کمک کند.این تغییرات بویژه در مناطق حاشیه ای دارای اهمیت زیادی هستند که شناسایی و پیش بینی این تغییرات نقش مهمی در مدیریت و برنامه ریزی صحیح کاربری اراضی دارا می باشند.در دنیای امروز از فن آوری های سنجش از دور و GIS جهت برنامه ریزی و مدیریت کارامد منابع طبیعی،کشاورزی،محیط زیست و مدیریت شهری استفاده فراوان می شود.لایه کاربری اراضی و پوشش زمین از لایه های اطلاعاتی بسیار مهم،به ویژه در زمینه های مذکور محسوب می شود که می تواند شناخت دقیقی از کمیت و کیفیت منابع طبیعی و شهری در اختیار کاربران و مدیران قرار دهد(میر باقری و همکاران،1385).میتوان بیان داشت که نقشه های کاربری و پوشش اراضی بخش عمده ای از اطلاعات مورد نیاز برنامه ریزان در اتخاذ تدابیر صحیح و تصمیم گیری های اصولی را تامین می نماید.آشکارسازی تغییرات و همچنین پیش بینی تغییرات پوشش اراضی در دادن دیدی کلی برای مدیریت بهتر منابع طبیعی و حفاظت اراضی کشاورزی اطراف مناطق شهری و اتخاذ تدابیر سیاست های دراز مدت بسیار موثر است.روش های متنوعی برای مدل سازی تغییرات پوشش و کاربری اراضی وجود دارد که میتوان به مدل معادلات ریاضی،مدل سیستم،مدل آماری،مدل تکاملی،مدل سلولار و مدل هیبرید اشاره کرد
(Parker & et al,2002).
داده های ماهواره ای یکی از منابع مهم تهیه اطلاعات برای سامانه های اطلاعات جغرافیایی است که از آن برای مدیریت و برنامه ریزی سرزمین در این سامانه استفاده می شود.این داده ها می توانند نقشه های کاربری اراضی را دائما و به طور پیوسته به هنگام کرده و خروجی مورد نیاز از آنها تهیه شود به طوری که قدمت متوسط اطلاعات از یک دهه به سال و ماه کاهش یابد.تغییرات وسیع در مرز کاربری اراضی کشور توسط دامداران،کشاورزان و مردم شهرها و روستاهای حاشیه،تبدیل ها و تجاوزات مختلف باعث نگرانی شدید مسئولان اجرایی کشور و مدیران شده است.از طرفی اطلاعات و آمار موجود بسیار قدیمی است و یا به لحاظ تهیه این آمار و اطلاعات با روش های قدیمی از دقت خوبی برخوردار نیستند،بنابراین تهیه آمار و اطلاعات دقیق و به هنگام از کاربری های مختلف اراضی هر منطقه نیاز مبرم و یکی از ابزارهای مهم مدیریت سرزمین است(Hosseini et al,2005).داده های سنجش از دور به دلیل داشتن ویژگی هایی مانند چندزمانه بودن،چند طیفی بودن،دید وسیع و یکپارچه و به دلیل مزیتی که در تفکیک طیفی و مکانی اطلاعات دارند برای بررسی تغییرات حاصله در اراضی و پوشش زمینی بسیار مناسب می باشد.به طور کلی عوامل موثر بر تغییرات و تحولات در پدیده ها و عوارض سطح زمین را می توان به دو دسته طبیعی و انسانی طبقه بندی کرد.عوامل طبیعی و انسانی در مکان ها و شرایط متفاوت بر روی پدیده ها و عوارض سطح زمین تاثیرات متفاوتی دارند.بسته به اینکه عوامل مذکور با چه شدتی تاثیرگذار باشند روند و شکل تغییرات فرق خواهد کرد.بازیابی و کشف تغییرات به صورت رقومی با استفاده از کامپیوتر و سنجنده هایی که اطلاعات را به صورت رقومی تهیه می کنند روز به روز در حال پیشرفت است(1998،.(Sunar اشکال و پدیده های طبیعی سطح زمین خیلی سریع تغییر پیدا می کند و این تغییرات در طول زندگی انسان بسیار چشمگیر است(1998،Macleod & Congolton).نکته ای که اهمیت زیادی دارد این است که بتوان چنین تغییراتی را به دقت بررسی کرده تا فرایندهای طبیعی و انسانی به وجود آورنده این تغییرات را به خوبی شناخت.در طی چند دهه گذشته،استفاده از فناوری سنجش از دور برای تشخیص چنین تغییراتی در طی زمان توجه محققان مختلف را به خود معطوف کرده است(1989،Singh).فناوری سنجش از دور نقش بی نظیری را در کسب اطلاعات از این پدیده ها بر عهده گرفته است چرا که تصاویر ماهواره ای چند طیفی مزایا و امتیازهایی دارند که در دسترس بودن و تفسیر رقومی آنها از مهم ترین امتیازهای مربوط به آن محسوب می شود(1994،Illesand & Kiefer).سنجش از دور و فناوری سیستم اطلاعات جغرافیایی از جمله تکنولوژی های برتر و کارامد در بررسی تغییرات محیطی و مدیریت منابع است که اطلاعات به روز را برای اهداف مدیریتی فراهم می آورند.تصاویر سنجش از دور با تفکیک مکانی بالا کاربرد بسیاری دارد.این تصاویر به علت رقومی بودن،ارائه اطلاعات به هنگام،فراهم آوردن دید همه جانبه،استفاده از قسمت های مختلف طیف الکترومغناطیسی برای ثبت خصوصیات پدیده ها،پوشش های تکراری،سرعت انتقال و تنوع اشکال داده ها از ارزش زیادی برخوردارند.استفاده از داده ها و تکنیک های سنجش از دور این تکنولوژی را در جایگاه مهمترین و بهترین وسیله در استخراج نقشه های کاربری اراضی قرار داده است.با استفاده از تصاویر ماهواره ای با قدرت تفکیک مکانی متفاوت میتوان نقشه های کاربری اراضی را در سطوح مختلف تهیه نموده و وضعیت موجود پوشش زمین (Land (cover و کاربری اراضی را مورد مطالعه قرار داد(فیضی زاده ،1386).با استفاده از تصاویر ماهواره ای چند زمانه می توان میزان تخریب را در طول چند سال متوالی با استفاده از تحلیل و پردازش داده های چندزمانه سنجش از دور مورد ارزیابی قرار داد.تصاویر ماهواره ای چند طیفی مزایا و امتیازهایی دارند که در دسترس بودن و تغییرات رقومی آنها مهمترین امتیازهای مربوط به آن محسوب می شود(1994،Illesand & et al).با استفاده از مدل زنجیره ای مارکف،نسبت تبدیل کاربری های مختلف و امکان پیش بینی آنها در آینده فراهم میشود(نشاط،1381;1994،Muller & Middleton).با پیش بینی تغییرات کاربری،می توان میزان گسترش و تخریب منابع را مشخص و این تغییرات را در مسیرهای مناسب هدایت کرد(2000،Brown et al).بررسی های آماری به روشهای مختلف از جمله تحلیل سریهای زمانی، همبستگی خطی و غیر خطی، مدلهای ARIMA و استفاده از توزیع های آماری شناخته شده نظیر توزیع نرمال، گمبل، پیرسون انجام میگیرد. در میان روشهای آماری زنجیره مارکف در علوم جوی در سال های اخیر مورد توجه جدی قرار گرفته است. زنجیره مارکف با روش های ساده ریاضی مانند ضرب ماتریس ها،حل احتمالات مربوط به فرآیندهای وابسته را بسیار آسان نموده است. مدل زنجیره مارکف در علوم مختلفی مانند هواشناسی، اقلیم شناسی، اقتصاد و صنعت کاربرد وسیعی دارد(یوسفی و همکاران،1386).سری های زمانی مشاهداتی هستند که در طول زمان جمع آوری می شوند.فراوانی چنین مشاهداتی،تحلیل سری های زمانی را به یکی از کاربردی ترین شاخه های علم آمار تبدیل کرده است.میتوان گفت مهمترین هدف از تحلیل یک سری زمانی پیش بینی مقادیر آینده آن است(میره و همکاران,1388).یکی از روش های مطالعاتی بررسی تغییرات و پیش بینی روش های تحلیل،سری های زمانی می باشد.مروری بر کاربردهای تحلیل سری های زمانی در رشته های مختلف علوم مانند هواشناسی،اقلیم شناسی،ارتباطات،مهندسی توانمندی این تکنیک را نشان می دهد(جاناتان،1387).تجزیه و تحلیل سری های زمانی دو هدف را دنبال می کند:درک و مدلسازی ساز و کار تصادفی که منجر به رخداد مشاهدات یک سری می شود و پیش بینی مقادیر آینده سری که بر مبنای گذشته آن صورت می گیرد.برای پیش بینی سری زمانی و تعیین مدل پیش بینی فنون مختلفی وجود دارد که این فنون به دو دسته کیفی و کمی تفکیک می شوند.کمی،مدل های میانگین متحرکی ساده و موزون،هموارسازی نمایی ساده و هالت وینترز،باکس جنکینز،خودهمبستگی میانگین متحرک تلفیقی و مدل های اقتصاد سنجی و کیفی روش های طوفان مغزی و گروه اسمی را شامل می شود(آذر،1377).دقت پیش بینی از مهمترین عوامل موثر در انتخاب روش پیش بینی است.در حالت کلی انتخاب موثرترین روش به منظور پیش بینی،کار بسیار دشواری است و بسیاری از محققان روش های خطی و غیر خطی بودن را به منظور حصول نتایج دقیق تر با یکدیگر ترکیب کرده اند،چرا که:اولا در در عمل،تعیین خطی و غیر خطی بودن یک سری زمانی کار دشواری است،ثانیا سری های زمانی دنیای واقع،به ندرت کاملا خطی و غیرخطی هستند(خاشعی و همکاران،1386).پیش بینی سری های زمانی یکی از مهمترین زمینه های پیش بینی است که در آن مشاهدات گذشته یک متغیر جمع آوری و به منظور بدست آوردن روابط اساسی بین مشاهدات و تعیین یک مدل توصیفی تجزیه و تحلیل می شود و سپس مدل حاصله به منظور بردن به سری های زمانی مورد استفاده قرار می گیرد.این روش مدل سازی مخصوصا زمانی مفید است که درمورد فرآیند اساسی تولید داده ها دانش کمی در دسترس باشد و یا هنگامی که هیچ مدل توضیحی رضایت بخشی که متغیرهای وابسته را به سایر متغیرهای توضیحی مرتبط سازد وجود نداشته باشد.مهم ترین محدودیت مدل های خطی پیش فرض بودن خطی بودن آنها می باشد،یعنی در این گونه از این مدل ها فرض می شود بین سری های زمانی یک ساختار همبسته خطی وجود داشته باشد.لذا،الگوهای غیرخطی نمی توانند توسط مدل اریما محاسبه گردند و به همین دلیل است که تخمین مدل های خطی برای مسائل پیچیده دنیای واقعی که اغلب مدل های غیر خطی می باشند،همیشه رضایت بخش نخواهد بود (1970،Box & Jenkins). استفاده از مدل های تغییر کاربری را می توان به سه گروه عمده تقسیم بندی نمود:
مدل های تخمین تجربی(Empirical estimation models)،مدل های شبیه سازی پویا(Dynamic simulation models)،مدل های شبیه سازی مبتنی بر قاعده(Rule-base simulation models) (2007،He & Lo).
مدلهای کاربری اراضی ابزارهای مفید، تکرارپذیر و مکمّل تواناییهای ذهنی موجود ما در تجزیه و تحلیل تغییر کاربری اراضی و تصمیمگیری آگاهانهتر هستندVerburg et al., 2004) Costanza and Ruth, 2004;). افزایش آگاهی نیاز به یک مدل مکانی واضح از کاربری اراضی، منجر به توسعه طیف گستردهای از مدلهای تغییر کاربری اراضی شده است (Verburg et al., 2002). در این میان، مدل مارکف نظریهای بر مبنای روند شکلگیری سیستمهای فرآیند تصادفی مارکف، برای پیش بینی و کنترل بهینه یک روش نظری است. این مدل به تنهایی قادر به شرح کمیت حالتهای تبدیل بین انواع کاربری نیست، اما توانایی آشکارسازی میزان تبدیل بین انواع کاربریهای گوناگون را دارد(Sang et al., 2011).
مدل های خود همبستگی و زنجیره مارکف ((Markov chain از جمله مدل های سری های زمانی هستند که برای پیش بینی احتمالاتی بارندگی و رویدادهای خشکسالی به کار می روند.از مدل زنجیره مارکف برای بیان و تعریف ویژگی های تصادفی فرآیندهای متغیرهای هواشناسی و هیدرولوژی استفاده می شود(Lohani &Loganthas،1997).به طور کلی دو طریق عمده برای پیش بینی پدیده های آب و هوایی ارائه شده است:الف-استفاده از قوانین دینامیکی حاکم بر اتمسفر ب-دسترسی به سری زمانی اطلاعات عناصر آب و هوایی و استفاده از مدل های آماری(از قبیل توزیع احتمالاتی،مدل های استوکاستیک و زنجیره مارکف) (یوسفی و همکاران،1386).متداول ترین مدل آماری برای مدل سازی و پیش بینی کیفی متغیر های محیطی،روش زنجیره مارکف است که برای پیش بینی عناصر مختلف محیطی مورد استفاده قرار گرفته است(2002،Banik;2003،Crystal Ng ;2001،Campbell & Bates).
آنالیز زنجیره مارکف ابزاری مناسب جهت مدل سازی تغییرات کاربری و پوشش اراضی است و زمانی کاربرد دارد که تغییرات موجود در چشم اندازها به راحتی قابل توصیف نباشند.زنجیره مارکف یک سری از مقادیر تصادفی است که احتمال آنها در فاصله زمانی داده شده به مقدار اعداد در زمان گذشته وابسته است(Fan & et al,2007).برای پی بردن به اعتبار نقشه های پیش بینی شده توسط مدل از مولفه های توافق و عدم توافق استفاده می گرد.در این هنگام نقشه های پیش بینی شده با نقشه های مرجع در زمان خاص مقایسه شده و توانایی مدل بر اساس اعتبار نقشه های تولیدی بررسی می گردد(Pontius & et al,2004).
1-3-سنجش اعتبار مدل
برای تعیین اعتبار نقشه پوشش اراضی پیش بینی شده با مدل CA مارکف،از روش محاسبه جدول توافق و عدم توافق استفاده می شود.
1-3-1-جدول توافق و عدم توافق
جدول توافق و عدم توافق برای اندازه گیری میزان توافق بین دو تصویر طبقه بندی شده به کار می رود که یکی نقشه مقایسه و دیگری نقشه مرجع نامیده می شود.در این جدول بر اساس موقعیت و کمیت پیکسل ها به مقایسه توافق و عدم توافق دو نقشه پرداخته می شود و با توجه به پارامترهای محاسبه شده توافق کلی و عدم توافق کلی دو نقشه مرجع و مقایسه به طور کمی بیان می گردد.این روش به دو سوال زیر پاسخ می دهد:
1-چه مقدار توافق بین یک جفت نقشه از نظر کمیت پیکسل ها در هر طبقه وجود دارد؟
2-چه مقدار توافق بین یک جفت نقشه از نظر موقعیت پیکسل ها در هر طبقه وجود دارد؟
درصد درستی یک نقشه با سه مولفه توافق ناشی از شانس،توافق ناشی از کمیت پیش بینی شده هر طبقه از اراضی،توافق ناشی از موقعیت پیش بینی هر طبقه از اراضی محاسبه می گردد.درصد خطا نیز توسط دو مولفه تعیین می شود:عدم توافق ناشی از موقعیت پیش بینی شده هر طبقه از اراضی،عدم توافق ناشی از کمیت هر طبقه از اراضی.
1-4- اهداف تحقیق
1-4-1-هدف اصلی
استفاده از روش فنون تحلیل خودکار سلولی مبتنی بر تحلیل زنجیره مارکف برای پیش بینی تغییر در الگوی کاربری پوشش نواحی طبیعی
1-4-2-هدف فرعی
وارد کردن لایه اطلاعات مورفومتری به منظور تدقیق نتایج و بررسی زیرساخت ها
1-5-ضرورت انجام تحقیق
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.