The Analysis of Urban Development and Growth Pattern and Distribution using Satellite Images (Study Area: Kashmar City)

Document Type : Research Article

Authors

1 MSc in Remote Sensing and GIS, Kharazmi University of Tehran, Tehran, Iran

2 MSc Student in Remote Sensing, Kharazmi University of Tehran, Tehran, Iran

3 MSc in Urban Planning , Payam-e Noor University (PNU), Sari, Iran

Abstract

Rapid growth of urbanization is a big challenge for planners. In Iran, the high growth of urbanization due to the influx of immigrants to cities and the lack of proper and efficient planning for the settlement of immigrants have led to the emergence of suburban areas around cities, urban sprawl, and the destruction of high quality lands and gardens. The purpose of this study was to analyze the pattern of urban development and expansion of Kashmar between 2000-2020 and to predict land use changes up to the horizons ahead. The results showed that according to Markov model, from 2000 to 2010 and 2020, agriculture land and gardens have grown and barren lands and pastures have decreased. Moreover, the changes in land use for the horizon of 2041 compared to the present is the same. Most of the changes belong to the use of the built-in area. Moreover, in horizon 2041 the growth of Kashmar will be 7.12% expansion towards the outskirts of the city (infilling), about 91.59% development from the edge of the city (edge-expansion) and about 1.28% outward development (Outlaying).

Graphical Abstract

The Analysis of Urban Development and Growth Pattern and Distribution using Satellite Images (Study Area: Kashmar City)

Keywords


ابراهیمی، حمید؛ رسولی، علی‌اکبر؛ احمدپور، احمد. 1396. مدلسازی تغییرات دینامیک کاربری اراضی با استفاده از پردازش شیءگرا تصاویر ماهواره‌ای و مدل CA_ Markov(مطالعه موردی:شهر شیراز). فصلنامه علمی_پژوهشی  اطلاعات جغرافیایی، دوره 27،شماره108، زمستان 1397.
اسدی، احمد؛ اکبری، ابراهیم؛ شفیعی، نجمه. 1398. پیش‌بینی توسعه فیزیکی شهر قائن با استفاده از تصاویر   ماهواره‌ای. فصلنامه علمی-پژوهشی برنامه‌ریزی فضایی (جغرافیا). سال دهم، شماره یکم، (پیاپی 36)، بهار1399.
اسدی، احمد؛ محمدپورسنگانی، زینت؛ حاجی‌زاده شیخوانلو، علی. 1400. شبیه‌سازی و پیش‌بینی رشد و گسترش شهری با استفاده از تکنیک سنجش‌ازدور (نمونه موردی: تربت‌جام سال‌های 2000 تا 2019). جغرافیا و مخاطرات محیطی، بهار 1400، شماره37، ص 143-160.
حسین‌آبادی، سعید؛ اکبری، ابراهیم؛ نقدبیشی، افسانه.1398. ارزیابی و پیش‌بینی تغییرات کاربری اراضی با استفاده از طبقه‌بندی شی گرا و مدل زنجیره مارکوف (مطالعه موردی: شهر بیرجند و پیرامون آن). جغرافیا و مخاطرات محیطی، شماره سی و سوم، بهار 1399، صص 188-169.
حیدریان، پیمان؛ رنگزن، کاظم؛ ملکی، سعید؛ تقی زاده، ایوب. 1392. پایش تغییرات کاربری اراضی با استفاده از روش مقایسه پس از طبقه‌بندی تصاویر ماهواره لندست (مطالعة موردی: اراضی شهر تهران). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی .4(4), 1-10.
رضایی مقدم، محمدحسین؛ رضایی بنفشه درق، مجید؛ فیضی زاده، بختیار؛ نظم فر، حسین. 1389. طبقه‌بندی پوشش اراضی کاربری اراضی بر اساس تکنیکشی گرا و تصاویر ماهواره‌ای. مطالعه موردی: استان آذربایجان غربی. پژوهش‌های آبخیزداری (پژوهش و سازندگی). (پیاپی 87)):19-32
رفیعیان، امید؛ درویش صفت، علی اصغر؛ بابایی کفاکی، ساسان؛ متاجی، اسداله.1390. ارزیابی طبقه‌بندی‌های پیکسل- پایه و شی- پایه تصاویر هوایی برای تشخیص گونه‌های درختی (مطالعه موردی: جنگلکاری چمستان نور). مجله جنگل ایران. 1390.
ضیاییان، فیروزآبادی پرویز؛ شکیبا، علیرضا؛ متکان، علی اکبر؛ صادقی، علی. 1387 سنجش‌ازدور (RS), سیستم اطلاعات جغرافیایی (GIS) و مدل سلول‌های خودکار (CA) به‌عنوان ابزاری برای شبیه‌سازی تغییرات کاربری اراضی شهری. (مطالعه موردی: شهر شهرکرد). علوم محیطی. (1387)، 7 (3)، 133-148.
 عزیزی قلاتی، سارا؛ رنگزن، کاظم؛ سدیدی، جواد؛ حیدریان، پیمان؛ تقی زاده، ایوب. 1395. پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل زنجیرة مارکوف-CA (مطالعة موردی: منطقه کوهمره سرخی استان فارس. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی.7(1), 59-71.
محمودزاده، حسن. 1393. ارزیابی و تحلیل اکولوژیکی توسعه فضایی کلانشهر تبریز، رساله دکتری جغرافیا و برنامهریزی شهری، دانشکده جغرافیا و برنامه‌ریزی دانشگاه تبریز.
میرزایی زاده، وحید؛ نیک نژاد، مریم؛ اولادی قادیکلایی، جعفر. 1394. ارزیابی الگوریتم‌های طبقه‌بندی نظارت شده غیرپارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 6 (3)، 29-44.
نیازی، یعقوب. 1388. مقایسه دو روش طبقه‌بندی حداکثر احتمال و شبکه عصبی مصنوعی برای تهیه نقشه‌های کاربری اراضی مطالعه موردی: منطقه سد ایلام، جغرافیا و توسعه. 8 (20) 119-132.
 
AL-Sharif, A.A.A., Pradham, B., (2013), Monitoring and predicting land-use change in Tripoli Metropolitan City using an integrated Markov chain and cellular automata models in GIS, Saudi Society for Geosciences 2013. https://doi.org/10.1007/s12517-013-1119-7
Aslami, F., Ghorbani, A., Sobhani, B., Panahandeh, M. (2015). Comparing artificial neural network, support vector machine, and object-based methods in preparation of land use/cover maps using Landsat-8 images. Journal of RS and GIS for Natural Resources, 6(3), 1-14. (in Persian). https://girs.bushehr.iau.ir/article_516792.html?lang=en
Bagnan ,Hasi and Yamagata, Yoshiki.,2014. Land-cover change analysis in 50 global cities by using a combination of Landsat data and analysis of grid cells. Environmental Research Letters, Volume 9, Number 6.  https://doi.org/10.1088/1748-9326/9/6/064015
Cahya, D L., Martini, E., and K M Kasikoen.,2018. Urbanization and Land Use Changes in Peri-Urban Area using Spatial Analysis Methods (Case Study: Ciawi Urban Areas, Bogor Regency). IOP Conf. Ser.: Earth Environ. Sci. 123, 012035.  https://doi.org/10.1088/1755-1315/123/1/012035
Chavez, P. S. (1988). An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote sensing of environment, 24(3), 459-479. https://doi.org/10.1016/0034-4257(88)90019-3
Fan, Fenglei, Wang, Yunpeng, and Wang, Zhishi, 2008, Temporal and spatial change, detecting (1998–2003) and predicting of land use and land cover in Core corridor of Pearl pp: 127-147. https://doi.org/10.1007/s10661-007-9734-y
Gilmore, M. S., Wilson, E. H., Barrett, N., Civco, D. L., Prisloe, S., and Hurd, J. D . (2008). Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh. Remote Sensing of Environment, 112, 4048-4060. https://doi.org/10.1016/j.rse.2008.05.020
Kim M; Madden, M; Warner, T; ''Forest type mapping using object-specific texture measures from multispectral IKONOS imagery: segmentation quality and image classification issues'', Photogrammetric Engineering & Remote Sensing, 2009. https:// doi.org/ 10.14358/ PERS.75.7.819
Li, E; Du, P; Samat, A; Xia, J; Che, M; ''An automatic approach for urban land-cover classification from Landsat-8 OLI data'', International Journal of Remote Sensing, 36, 24, 5983-6007, 2015. https://doi.org/10.1080/01431161.2015.1109726
Miranda-Aragón, L., Treviño-Garza, E. J., Jiménez- Pérez, J., Aguirre-Calderón, O. A., González Tagle, M. A., Pompa-García, M. and Aguirre-Salado, C. A. (2012). Modeling susceptibility to deforestation of remaining ecosystems in North Central Mexico with logistic regression. Journal of Forestry Research, 23(3), 345-35. https://doi.org/10.1007/s11676-012-0230-z
 
 
CAPTCHA Image
Volume 11, Issue 3 - Serial Number 43
November 2022
Pages 269-283
  • Receive Date: 10 May 2022
  • Revise Date: 20 June 2022
  • Accept Date: 26 June 2022
  • First Publish Date: 26 June 2022