نوع مقاله : مقاله پژوهشی

نویسندگان

• سجاد تابع بردبار ¹
• محمد ابراهیم عفیفی ²
• عبدالرسول قنبری ³

¹ دکتری جغرافیا و برنامه ریزی شهری، واحد لارستان، دانشگاه آزاد اسلامی، لارستان، ایران.

² دانشیار، گروه جغرافیا، واحد لارستان، دانشگاه آزاد اسلامی، لارستان، ایران.

³ استادیار گروه جغرافیا، واحد لارستان، دانشگاه آزاد اسلامی، لارستان، ایران.

چکیده

این پژوهش با هدف پیش‌بینی توسعه شهری شیراز تا سال 1410، از مدل سلول‌های خودکار-مارکوف (CA-Markov) بهره گرفته و داده‌های سنجش‌ازدور (RS) و سیستم اطلاعات جغرافیایی (GIS) را در فرآیند مدل‌سازی تلفیق کرده است. داده‌های کاربری زمین طی دوره‌های زمانی 1999، 2004 و 1404 استخراج و برای محاسبه ماتریس احتمال انتقال شهری مورد استفاده قرار گرفت. لایه‌های فاصله از جاده و مناطق شهری موجود، مدل ارتفاعی رقومی (DEM)، مناطق حفاظت‌شده و نقشه احتمال تبدیل (Conversion Probability Map) به‌عنوان متغیرهای ورودی عمل کردند. نتایج شبیه‌سازی نشان داد که احتمال تبدیل اراضی غیرشهری به شهری برابر با 0.28 و احتمال باقی‌ماندن اراضی شهری در وضعیت فعلی تنها 0.15 است، که بیانگر پایداری پایین شهرسازی و پتانسیل بالای توسعه در محدوده‌های پیرامونی شیراز می‌باشد. شاخص‌های اعتبارسنجی از جمله OA=0.82، PAU=0.86، UAU=0.79، Kappa=0.64 و FoM=0.22 عملکرد قابل‌قبول مدل را تأیید کردند، هرچند خطای تخصیص مکانی (QD=4.9% و AD=13%) نشان‌دهنده ظرفیت بهبود مدل به‌ویژه در نواحی حاشیه‌ای و مسیرهای ارتباطی است. تحلیل‌های تکمیلی با توزیع دوجمله‌ای و توزیع هندسی نشان داد که از هر 50 پیکسل غیرشهری، حدود 14 پیکسل به مناطق شهری تبدیل خواهند شد و نخستین تبدیل‌ها عمدتاً در نواحی نزدیک به زیرساخت‌های اصلی اتفاق می‌افتد. بر اساس ماتریس انتقال دوحالته، PUU=0.89 بیانگر پایداری بالای مناطق شهری و PNU=0.4512 نشان‌دهنده پتانسیل بالای تبدیل اراضی غیرشهری است.

کلیدواژه‌ها

• پیش بینی گسترش شهری
• CA-Markv ماتریس احتمال انتقال شهری
• سنجش از دور

موضوعات

• سنجش از دور و سیستم اطلاعات جغرافیایی

عنوان مقاله [English]

Predicting Future Urban Expansion of Shiraz with CA-Markov Model and Urban Transition Probability Matrix Using Remote Sensing and GIS

نویسندگان [English]

• Sajjad Tabe Bardbar ¹
• Mohammad Ebrahim Afifi ²
• Abdolrasoul Ghanbari ³

¹ PhD in Geography and Urban Planning, Larestan Branch, Islamic Azad University, Larestan, Iran.

² Associate Professor, Department of Geography, Larestan Branch, Islamic Azad University, Larestan, Iran.

³ Assistant Professor, Department of Geography, Larestan Branch, Islamic Azad University, Larestan, Iran.

چکیده [English]

This study aims to predict the future urban expansion of Shiraz up to the year 1410 (2031 CE) using the CA‑Markov model integrated with Remote Sensing (RS) data and Geographic Information Systems (GIS) to support urban planning and sustainable land management.
Multi‑temporal land use datasets for the years 1999, 2004, and 1404 (2025 CE) were processed to generate an Urban Transition Probability Matrix. Input layers included road distance, proximity to existing urban areas, DEM elevation data, protected zones, land‑use transition matrices, and conversion probability maps. The CA‑Markov modeling was employed to simulate land‑use changes, while Binomial and Geometric probability distributions were applied to assess success rates of non‑urban to urban conversion. Model validation was conducted using indices such as Overall Accuracy (OA), Producer’s Accuracy for Urban (PAU), User’s Accuracy for Urban (UAU), Figure of Merit (FoM), Quantity Disagreement (QD), Allocation Disagreement (AD), and the Kappa coefficient.
The simulation revealed a probability of 0.28 for non‑urban areas converting to urban, with only 0.15 probability for urban areas remaining unchanged. PUU=0.89 indicates high urban stability, while PNU=0.4512 reflects significant potential for urban growth in peripheral zones. Validation metrics (OA=0.82, PAU=0.86, UAU=0.79, Kappa=0.64, FoM=0.22) confirmed satisfactory performance, although allocation errors (QD=4.9%, AD=13%) suggest spatial precision improvements are needed. Statistical analysis showed that out of every 50 non‑urban pixels, approximately 14 are likely to convert to urban, with initial changes occurring near major infrastructure.

کلیدواژه‌ها [English]

• Urban Expansion Prediction
• Markov Model
• Urban Transition Probability Matrix
• Remote Sensing