پهنه‌بندي مناطق حفاظت شده با استفاده از تصميم‌گيري چندمعياره و بهينه‌سازي قطعه‌بندي شئ‌‌گرا

اصفهان : دانشگاه صنعتي اصفهان

علوم و مهندسي محيط زيست

دكتري

اين تحقيق به دنبال ايجاد تعادل بين فعاليت‌هاي انساني و حفاظت از محيط‌زيست در مناطق حفاظت‌شده (PAs) است. مناطق حفاظت‌شده به‌عنوان بخشي حياتي از راهبردهاي جهاني براي حفظ تنوع زيستي و اكوسيستم‌ها شناخته مي‌شوند، اما مديريت اين مناطق با چالش‌هاي متعددي روبرو است. از يك سو، نياز به حفاظت از گونه‌ها و زيستگاه‌ها وجود دارد و از سوي ديگر، تأمين نيازهاي جوامع محلي و توسعه پايدار نيز بايد در نظر گرفته شود. هدف اصلي اين تحقيق، ايجاد يك چارچوب مديريتي يكپارچه براي مناطق حفاظت‌شده است كه بتواند اهداف متفاوتي مانند حفاظت، بازسازي، گردشگري و كاربري‌هاي چندگانه را به طور هم‌زمان پوشش دهد. اين چارچوب با استفاده از روش‌هاي بهينه‌سازي مبتني بر پيكسل و ارزيابي مبتني بر شيء طراحي شده است. در اين راستا، از سامانه اطلاعات جغرافيايي (GIS) براي پردازش، تجزيه‌وتحليل و نمايش داده‌هاي مكاني استفاده شد. اين داده‌ها شامل معيارهايي نظير تنوع گونه‌ها، دسترسي به منابع آب، وضعيت زيرساخت‌ها و فعاليت‌هاي اجتماعي-اقتصادي در منطقه بودند كه از منابع مختلف گردآوري و در محيط GIS تحليل و مدل‌سازي شدند. براي تحليل داده‌ها، از دو روش مبتني بر پيكسل، يعني وزن‌دهي خطي تركيبي (WLC) و ميانگين وزني مرتب شده (OWA)، استفاده شد. اين روش‌ها به شناسايي مناسب‌ترين مناطق براي انواع كاربري‌هاي زمين كمك كردند. سپس، با استفاده از روش تخصيص چندهدفه زمين (MOLA)، فضاي تصميم‌گيري ايجاد شد. در مرحله بعد، يك تخصيص زمين مبتني بر شيء با استفاده از روش‌هاي هوش مصنوعي، از جمله، درختان رگرسيون تقويت‌شده (BRT)، شبكه‌هاي عصبي مصنوعي (ANN)، درخت طبقه‌بندي و رگرسيون (CART)، تقويت پيشرفته گراديان (XGBoost) و مدل‌هاي جنگل تصادفي (RF) طراحي شد. اين روش‌ها به‌منظور بهبود دقت و كارايي در تخصيص زمين به كار گرفته شدند. نتايج تحقيق نشان داد كه روش OWA در مقايسه با روش WLC عملكرد بهتري دارد. همچنين، ادغام نتايج OWA با رويكردهاي مبتني بر شئ، مدل XGBoost را به‌عنوان بهترين مدل يادگيري ماشين براي تخصيص زمين معرفي كرد. مدل BRT نيز عملكرد نسبتاً خوبي داشتند، اما در رتبه دوم قرار گرفتند. اين يافته‌ها نشان مي‌دهند كه تركيب روش‌هاي سنتي مبتني بر پيكسل با روش‌هاي نوين مبتني بر يادگيري ماشين مي‌تواند به بهبود مديريت مناطق حفاظت‌شده كمك كند. چارچوب يكپارچه ارائه‌شده در اين تحقيق، پتانسيل بالايي براي ايجاد رويكردهاي جديد مبتني بر يادگيري ماشين در مديريت زمين دارد. اين چارچوب مي‌تواند به برنامه‌ريزان و مديران مناطق حفاظت‌شده كمك كند تا در عين حفظ محيط‌زيست، به اهداف اجتماعي و اقتصادي نيز دست يابند. نتايج اين پژوهش مي‌تواند به‌عنوان راهنمايي ارزشمند براي برنامه‌ريزي پايدار در مناطق حفاظت‌شده با اهداف رقابتي مورد استفاده قرار گيرد. اين تحقيق همچنين نشان مي‌دهد كه ادغام روش‌هاي مبتني بر شيء و پيكسل پايه مي‌تواند دقت و كارايي تصميم‌گيري‌ها را در مديريت منابع طبيعي به طور چشمگيري افزايش دهد.

237786

ارزيابي و آمايش سرزمين

مهندسي منابع طبيعي

دانشگاه صنعتي اصفهان