مقدمه

فعالیت‌های انسانی بر سیستم آب و هوای جهانی تأثیر گذاشته و بر کاربری اراضی، پوشش زمین (LULC) در سراسر جهان تأثیر گذاشته است ۱ ، ۲ ، ۳٫ در طول شش دهه گذشته، حدود یک سوم (۳۲٪) از مساحت زمین جهان به دلیل فعالیت‌های انسانی تغییر کرده است که در جنوب و شمال کره زمین متفاوت است ۴ ، ۵٫ گردشگری یکی از بزرگترین بخش‌های جهان است که از هر یازده نفر یک نفر در آن مشغول به کار است، ۹٪ از تولید ناخالص داخلی جهانی (GDP) را به خود اختصاص داده و ۶٪ از کل صادرات در سال ۲۰۱۴ را به خود اختصاص داده است ۶ ، ۷٫ فعالیت‌های گردشگران باعث ایجاد تغییراتی در منطقه، به ویژه LULC و دمای سطح زمین (LST) می‌شود ۸٫ زیرساخت‌های گردشگری، خانه‌های تعطیلات، زمین‌های گلف، مراکز خرید و بزرگراه‌ها مستقیماً با تغییرات LULC مرتبط هستند ۹ ، ۱۰ ، ۱۱٫ در نتیجه رونق صنعت گردشگری جهان، تکه‌تکه شدن زمین با تأثیرات مختلف اجتماعی-زیست‌محیطی افزایش یافته است ۱۲ ، ۱۳ . اگرچه جنبه‌های در حال تغییر LULC در گردشگری حیاتی هستند، اما به دلیل در دسترس نبودن مجموعه داده‌های جغرافیایی در سطح خرد، تعداد زیاد فرضیات ممکن و دشواری در ردیابی فعالیت‌های مرتبط با گردشگری که خدمات عمومی را به گردشگران و ساکنان محلی ارائه می‌دهند، اندازه‌گیری و محاسبه آنها دشوار است [۱۰ ، ۱۴] .

دمای سطح زمین (LST) یکی از مهمترین پارامترهای تحقیقات زیست‌محیطی، از جمله گردش اقیانوسی، تغییرات اقلیمی و پیش‌بینی آب و هوا است ۱۵٫ مناطق شهری LST بالاتری دارند که جزایر حرارتی شهری (UHI) را تشکیل می‌دهد و منجر به اثرات بهداشتی و زیست‌محیطی متعددی مانند گرمازدگی و گرمایش شهری می‌شود ۱۶ ، ۱۷٫ به دلیل سطوح غیرقابل نفوذ، LST از نظر مکانی و زمانی متفاوت است و اختلاف دمای قابل توجهی بین مناطق شهری و اطراف دارد ۱۸٫ با توجه به پیامدهای مکانی توسعه گردشگری، جای تعجب نیست که محققان به دنبال بررسی اثرات آن بر LULC و LST هستند. با این حال، مطالعات تجربی کمی بر اساس مجموعه داده‌های سطح خرد انجام شده است که رابطه بین LULC، LST و گردشگری را نشان می‌دهد ۱۹ ، ۲۰٫ نقشه‌های چشم‌انداز مورد استفاده در تحقیقات LULC و LST به داده‌های سنجش از دور جمع‌آوری شده در مقیاس زمانی و مکانی ناکافی ۲۱ وابسته هستند . علاوه بر این، ردیابی LULC و LST که مستقیماً توسط گردشگری ایجاد می‌شوند، دشوار است ۲۲ . اثرات مستقیم توسعه گردشگری بر LULC و LST، مانند تبدیل زمین و UHIها برای ساخت استخراج ناهنجاری حرارتی (TAE)، اغلب بدون کار میدانی کامل، پیوند دادن توسعه گردشگری و تغییرات چشم‌انداز را چالش برانگیز می‌کنند. با این حال، اکثر تحقیقات از روش‌های سیستم اطلاعات جغرافیایی (GIS) و سنجش از دور (RS) برای بررسی اثرات توسعه گردشگری بر LULC بدون انجام بررسی‌های میدانی استفاده کرده‌اند ۲۳ ، ۲۴ ، ۲۵ .

از سال ۲۰۱۳، پاکستان توسعه گردشگری قابل توجهی را در مناطق شمالی خود تجربه کرده است که منجر به تغییرات LULC و LST شده است. مناطق شانگلا و بونر در استان خیبر پختونخوا در شمال پاکستان به دلیل توپوگرافی، آب و هوا و پوشش گیاهی متنوع، مقاصد گردشگری جذابی برای گردشگران محلی و بین‌المللی هستند. در نتیجه، گسترش سریع جمعیت و مناطق مسکونی به دلیل فرصت‌های تجاری رخ داده است و بر LULC و LST در منطقه مورد مطالعه تأثیر گذاشته است. با این حال، هیچ تحقیق خاصی در مورد ارتباط بین توسعه گردشگری، LULC و LST در این منطقه مورد مطالعه انجام نشده است. بنابراین، مطالعه حاضر به بررسی تأثیرات گردشگری بر تغییرات LULC و LST با استفاده از داده‌های سنجش از دور در ۳۰ سال گذشته و پیش‌بینی آنها با استفاده از مدل‌های Cellular Automata Markov (CA-Markov) و شبکه عصبی مصنوعی (ANN) در منطقه بونر و شانگلا در خیبر پختونخوا، پاکستان می‌پردازد. این مطالعه ممکن است به درک عوامل اجتماعی و محیطی و سیاست‌گذاری برای مدیریت پایدار گردشگری کمک کند.

مواد و روش‌ها

منطقه مورد مطالعه

مناطق بونر و شانگلا در شمال پاکستان (استان خیبر پختونخوا) در عرض جغرافیایی ۳۳ درجه و ۴۵ دقیقه تا ۳۴ درجه و ۳۰ دقیقه شمالی و ۷۳ درجه و ۳۰ دقیقه تا ۷۳ درجه و ۳۰ دقیقه شرقی قرار دارند (شکل  ۱ ). کل جمعیت منطقه مورد مطالعه ۱.۲ میلیون نفر است و مساحتی بالغ بر ۲۸۰۰ کیلومتر مربع را اشغال می‌کند . بین سال‌های ۱۹۹۸ تا ۲۰۲۰، جمعیت از ۰.۷ به ۱.۲ میلیون نفر افزایش یافته است که نرخ رشد آن در مناطق شهری و روستایی به ترتیب ۴.۳٪ و ۲.۵٪ بوده است . ۲۶. میانگین دمای سالانه این منطقه ۱۸ درجه سانتیگراد است که ژوئن گرم‌ترین (۲۸.۱ درجه سانتیگراد) و ژانویه سردترین (۷.۵ درجه سانتیگراد) ماه سال است. این منطقه در هیمالیای پایینی واقع شده است که محبوب‌ترین مقاصد گردشگری پاکستان، از جمله هیمالیای غربی و قراقروم است. ۲۸ ، ۲۹ . مناطق بونر و شانگلا از دره‌های زیبایی بین تپه‌ها و کوه‌های بلند پوشیده از جنگل‌های انبوه متشکل از درختان صنوبر پیندرو، صنوبر موریندا، کاج آبی (کایل)، کاج چیر و دئودار تشکیل شده‌اند. میانگین ارتفاع از سطح دریا بین ۲۰۰۰ تا ۳۰۰۰ متر است . بلندترین نقطه (۳۴۴۰ متر) در نزدیکی کوز گانرشال در گوشه شمال غربی منطقه مورد مطالعه قرار دارد.

شکل ۱
شکل ۱

( الف ) نقشه موقعیت KPK، ( ب ) کل منطقه مورد مطالعه شامل چهار نقطه توریستی.

تصویر در اندازه کامل

نقاط گردشگری انتخاب شده توسط دولت استان خیبر پختونخوا از طریق هیئت سرمایه‌گذاری و تجارت خیبر پختونخوا (KPK BOIT) ۲۰ به عنوان نقاط گردشگری در مناطق مربوطه اعلام شده‌اند . علاوه بر این، ویژگی‌های این نقاط شامل حساسیت زیست‌محیطی، فراوانی گردشگر، تنوع، دسترسی و آب و هوای دلپذیر آنها بود. در میان آنها، شانگلا تاپ – به عنوان نقطه گردشگری شماره یک (TS1، با مساحت ۷۵٫۶۶ کیلومتر مربع ) و بار پوران (TS2، با مساحت ۳۹٫۰۱ کیلومتر مربع ) مکان‌های اصلی گردشگری در منطقه شانگلا هستند، در حالی که شهیده سار (TS3، با مساحت ۵۲ کیلومتر مربع ) و داگار (TS4، با مساحت ۵۶ کیلومتر مربع ) در منطقه بونر قرار دارند. TS1 و TS2 به دلیل مراتع سبز طبیعی، جنگل‌های کاج، انواع حیوانات وحشی و کوه‌های پوشیده از برف خود مشهور هستند. در عین حال، TS3 به خاطر زمین‌های کوهستانی‌اش که دولت محلی مناطق مسکونی توریستی در آن توسعه داده است، مشهور است و TS4 به خاطر «قبرستان پیر بابا» که اهمیت مذهبی دارد، شهرت دارد. هزاران گردشگر از ۳۱ مکان مذکور بازدید می‌کنند ، جایی که جوامع محلی برای درآمد خود به بخش گردشگری متکی هستند .

مجموعه داده‌ها

تصاویر لندست (لندست ۵-TM و لندست ۸-OLI) برای ماه مه (برای سال‌های ۱۹۹۰، ۲۰۰۵ و ۲۰۲۰) دانلود شدند تا تغییرات فصلی به حداقل برسد، جایی که پوشش ابری کلی کمتر از ۱۵٪ انتخاب شد (جدول ۱ ). داده‌های به‌دست‌آمده با سیستم تصویرسازی WGS-84 با استفاده از Arc-Map 10.5 زمین‌مرجع شدند. قبل از طبقه‌بندی LULC، داده‌ها شامل تصحیح اتمسفری، حذف خط و موزاییک‌سازی پردازش شدند. در طول بازدیدهای میدانی، چهل مکان واقعیت زمینی برای هر کلاس LULC انتخاب شد تا صحت نقشه‌های LULC طبقه‌بندی‌شده تأیید شود (شکل  ۲ ). متغیرهای محرک از وب‌سایت سازمان زمین‌شناسی ایالات متحده (USGS) و شهرداری محلی، از جمله مدل ارتفاعی رقومی (DEM) با وضوح ۳۰ متر جمع‌آوری شدند و فایل شکل جاده در پیش‌بینی‌های LULC استفاده شد.

جدول ۱ جزئیات تصاویر ماهواره‌ای لندست مورد استفاده در مطالعه (USGS).
میز تمام سایز
شکل ۲
شکل ۲

نمودار جریان روش‌شناختی شامل مواد و تکنیک‌ها.

تصویر در اندازه کامل

تخمین تغییرات LULC برای دوره ۱۹۹۰ تا ۲۰۲۰

تصاویر RGB با استفاده از روش طبقه‌بندی نظارت‌شده استاندارد برای تخمین LULC طبقه‌بندی شدند. طبقات زمین برای سال‌های ۱۹۹۰ تا ۲۰۲۰ با استفاده از روش طبقه‌بندی ANN ۳۲ به زمین‌های ساخته‌شده، خاک لخت، پوشش گیاهی، کشاورزی و پهنه‌های آبی طبقه‌بندی شدند . طبقات کشاورزی و پوشش گیاهی به صورت پرورش غذا و گیاهان با کمک انسان – کشاورزی؛ و گیاهان و درختانی که به طور طبیعی بدون دخالت انسان رشد می‌کنند – پوشش گیاهی ۳۲ تفکیک شدند . برای اعتبارسنجی دقت طبقه‌بندی LULC، از نمونه‌های آموزشی (۷۲٪) و نمونه‌های آزمایشی (۲۸٪) استفاده کردیم و از رویکرد ماتریس درهم‌ریختگی با استفاده از ضریب کاپا و مقادیر دقت کلی ۳۳ استفاده شد . علاوه بر این، برای هر نمونه به جای نقاط، از فایل‌های شکل (shapefiles) برای افزایش دقت نمونه‌های اعتبارسنجی استفاده کردیم. دقت طبقه‌بندی LULC برای هر یک از سه تصویر طبقه‌بندی‌شده بیش از ۸۰٪ بود. نقاط واقعیت زمینی با استفاده از تصاویر هوایی، تصاویر Google Earth، نقشه‌های توپوگرافی و نقاط GPS گرفته شده در طول کار میدانی برای ارزیابی دقت طبقه‌بندی تولید شدند. نمونه‌های آموزشی با کمک نرم‌افزار Environment for Visualizing Images (ENVI) 5.3 بر روی موتور Google Earth (GEE) همپوشانی شدند تا دقت نمونه‌های آموزشی برای هر کلاس پوشش زمین افزایش یابد. این نمونه‌ها از طریق ۳۴ اصلاح پس از طبقه‌بندی از سال ۱۹۹۰ تا ۲۰۲۰ بررسی شدند. دقت کلی با تقسیم تعداد تجمعی پیکسل‌های به درستی شناسایی شده بر تعداد تجمعی کل پیکسل‌ها محاسبه شد (۳۵ ، ۳۶) . ماتریس سردرگمی چهار ماتریس مجزا، یعنی دقت کاربر، دقت تولیدکننده، دقت کلی و ضریب کاپا را به دست داد.

روندهای LST از سال ۱۹۹۰ تا ۲۰۲۰

داده‌های حرارتی ماهواره لندست که به صورت اعداد دیجیتال (DN) ذخیره شده بودند، با استفاده از چهار مرحله کلیدی ۳۷ و ۳۸ به LST تبدیل شدند . با استفاده از داده‌های حداقل (LMIN) و حداکثر طول موج (LMAX) از فایل‌های فراداده لندست، DN به درخشندگی طیفی تبدیل شد (معادله  ۱ ). فایل‌های اطلاعات لندست به همراه تصاویر لندست از وب‌سایت USGS دریافت شدند.

(۱)

معادله  ۲ برای تبدیل تابش طیفی به دمای درخشندگی (BT) استفاده شد.

(۲)

K1 و K2 نشان دهنده ثابت‌های کالیبراسیون ۱ و ۲ هستند. برای لندست ۵ و لندست ۷، مقادیر K1 و K2 (به دست آمده از فایل‌های فراداده لندست) به ترتیب ۶۰۷.۷۶، ۱۲۶۰.۵۶، ۶۶۶.۰۹ و ۱۲۸۲.۷۱ بودند. برای لندست ۸ (باند ۱۰ و ۱۱)، مقادیر K1 و K2 به ترتیب ۷۷۴.۸۹ و ۱۳۲۱.۰۸، ۴۸۰.۸۸ و ۱۲۰۱.۱۴ بودند. BT با استفاده از معادله تبدیل معمول (معادله  ۳ ) از کلوین به درجه سانتیگراد تبدیل شد.

(۳)
(۴)

که در آن: λ = طول موج تابش گسیل‌شده، پاسخ پیک و میانگین طول موج‌های حد (λ = ۱۱٫۵ میکرومتر)؛ ρ = h  ∗  c/σ (۱٫۴۳۸ × ۱۰^ ۲ mK). c = سرعت نور (۲٫۹۹۸  ∗  ۱۰^ ۸ متر بر ثانیه)، σ = ثابت بولتزمن (۱٫۳۸۰ ۶۴۹  ∗ ۱۰-۲۳ J/K)، h = ثابت پلانک (۶٫۶۲۶  ∗  ۱۰-۳۴ J s). ε = ضریب گسیلندگی سطحی.

علاوه بر این، طول موج‌های گسیلندگی سطحی و درخشندگی گسیل‌شده، که به ترتیب با λ و ε نشان داده می‌شوند، پاسخ پیک و میانگین طول موج‌های محدودکننده (λ = ۱۱٫۵ میکروگرم) هستند. PV (نسبت پوشش گیاهی) برای محاسبه گسیلندگی سطحی استفاده شد که از NDVI سال‌های ۱۹۹۰، ۲۰۰۵ و ۲۰۲۰ مشتق شده است. فرمول‌های زیر ۳۹ برای محاسبه PV استفاده می‌شوند:

(۵)

در پایان، ضریب گسیلندگی سطح با استفاده از معادله (  ۶ ) ۳۹ تعیین شد :

(۶)

PV شاخص پوشش گیاهی عمود بر NDVI است که از آن محاسبه می‌شود.

استانداردسازی LST

استانداردسازی LST برای اطمینان از قابلیت مقایسه انجام شد، زیرا تفاوت‌های توپوگرافی و فصلی با مناطق کوهستانی در تصاویر حرارتی سال‌های مختلف داده‌های لندست مرتبط هستند. تعدادی از رویکردهای کلی برای حذف پیکسل‌های آلوده به ابر استفاده شد و معادله  ۷ برای استانداردسازی LST ۴۰ به کار گرفته شد .

(۷)

که در آن LSTs = دمای استاندارد سطح زمین، LSTu = میانگین دمای سطح زمین پیش‌بینی‌شده (۱۹۹۰-۲۰۲۰)، LSTΩ = انحراف معیار دمای سطح زمین (۱۹۹۰-۲۰۲۰).

طبقه‌بندی LST

دمای سطح زمین (LST) برای ارزیابی تغییرات دقیق ۴۱ (۱۹۹۰-۲۰۲۰) (شکل ۳  ) به پنج دسته (<12 درجه سانتیگراد، ۱۲ درجه سانتیگراد تا <16 درجه سانتیگراد، ۱۶ تا <22 درجه سانتیگراد، ۲۲ تا <28 و >28 درجه سانتیگراد ) طبقه بندی شد .

شکل ۳
شکل ۳

تغییر الگوی مناطق گرمایی در منطقه مورد مطالعه.

تصویر در اندازه کامل

شبیه‌سازی نقشه‌های پیش‌بینی پوشش زمین برای سال‌های ۲۰۳۵ و ۲۰۵۰

با استفاده از ابزار MOLUSCE در سیستم اطلاعات جغرافیایی کوانتومی (QGIS)، از یک مدل CA-Markov برای پیش‌بینی تغییرات آینده LULC استفاده شد ۴۲ ، ۴۳٫ دو دسته از متغیرها برای انجام پیش‌بینی استفاده شدند: متغیرهای وابسته – شامل تغییرات تاریخی LULC از ۲۰۰۵ تا ۲۰۲۰، و متغیرهای مستقل شامل فاصله تا ارتفاع، بزرگراه‌ها و شیب. این روش فاصله تا جاده‌ها را با استفاده از تابع فاصله اقلیدسی در ArcMap محاسبه کرد. متغیرهای تولید شده برای ایجاد ماتریس پتانسیل انتقال استفاده شده‌اند که به پیش‌بینی چگونگی پوشش زمین در طول زمان کمک می‌کند. این تحقیق از تکنیک نمونه‌گیری تصادفی با حداکثر تکرار ۱۰۰۰ و اندازه پیکسل همسایگی که یک ناحیه سلولی ۳ × ۳ بود، استفاده کرد. یک مدل CA استفاده می‌شود که ماتریس پتانسیل انتقال را با استفاده از رگرسیون لجستیک برای شبیه‌سازی نقشه‌های LULC برای سال‌های ۲۰۳۵ و ۲۰۵۰ مدل‌سازی می‌کند. قابلیت اطمینان مدل را می‌توان با پشتیبانی از مجموعه داده‌های موجود تضمین کرد، که در آن ما نتایج خود را اعتبارسنجی می‌کنیم. ما LULC سال واقعی پیش‌بینی‌شده توسط نقشه سال ۲۰۲۰ را با داده‌های واقعی که با داده‌های لندست سال مربوطه مطابقت دارند، مقایسه متقابل کردیم. به منظور ارزیابی دقت مدل، چندین پارامتر کاپا (K) را از ماژول اعتبارسنجی نرم‌افزار IDRISI Taiga تولید کردیم: K-no، K-location و K-standard. برای تعیین ضرایب کاپا و درصد صحت در کاپای کلی بین نقشه LULC طبقه‌بندی‌شده و پیش‌بینی‌شده سال ۲۰۲۰، از ماژول QGIS-MULUSCE استفاده شد. این مراحل اعتبارسنجی، دقت مدل CA-Markov را قبل از اعمال آن در پیش‌بینی‌های آینده تأیید کرد.

شبیه‌سازی پیش‌بینی‌های LST برای سال‌های ۲۰۳۵ و ۲۰۵۰

ما الگوهای گذشته در دمای سطح زمین (LST) را بررسی کردیم و از آنها برای شبیه‌سازی، مدل‌سازی و پیش‌بینی تغییرات آینده با استفاده از تکنیک شبکه عصبی مصنوعی چندلایه پیش‌خور با انتشار معکوس در نرم‌افزار MATLAB ۴۴ ، ۴۵ استفاده کردیم. پارامترها به طور خودکار با استفاده از شبکه عصبی پرسپترون چندلایه (MLP) تعیین می‌شوند که از خطاها برای بهبود عملکرد یاد می‌گیرد. شبیه‌سازی LST در این مطالعه با استفاده از الگوهای موجود در داده‌های LST از سال ۱۹۹۰ تا ۲۰۲۰ تهیه شد. با استفاده از QGIS، منطقه تحقیقاتی به شبکه‌های ۵۰۰ × ۵۰۰ متر تقسیم شد تا نقاط نمونه‌ای از واحدهای مرتبط جغرافیایی ایجاد شود. یک شبکه عصبی MATLAB با استفاده از داده‌های نمونه برای پیش‌بینی LST آموزش داده شد. با بهبود نتایج مدل با افزودن پارامترهای ورودی بیشتر، ما مدل را گسترش دادیم تا مقادیر وسعت منطقه‌ای واحدهای نمونه جغرافیایی بیان شده بر حسب عرض و طول جغرافیایی را نیز در بر بگیرد. در این راستا، از مقادیر میانگین مربعات خطا (MSE) و ضریب همبستگی (R) برای ارزیابی اطمینان در شبکه استفاده شد. مقدار R برابر با ۰٫۸ و MSE برابر با ۰٫۵ بود. رابط کاربری گرافیکی (GUI) برای تأیید شاخص‌های عملکرد قبل از پیاده‌سازی شبکه ایجاد شد. ما شاخص‌های عملکرد شبکه را برای پیش‌بینی پس از رضایت‌بخش بودن ذخیره کردیم. پس از آزمایش‌های متعدد با مقادیر مختلف MSE و R، چندین لایه پنهان را انتخاب کردیم. پس از آزمایش پیکربندی‌های مختلف، از سه لایه پنهان برای این مطالعه استفاده کردیم. ما نرخ یادگیری اولیه (μ) ۰٫۱ و نرخ تأخیر ۰٫۹ را برای β در نظر گرفتیم تا پیش‌بینی‌ها را بهینه کنیم. این تنظیمات با اطمینان از پیش‌بینی LST برای سال‌های ۲۰۳۵ و ۲۰۵۰ کمک کرد.

تغییرات LULC و LST در نقاط توریستی

برای ارزیابی تغییرات تاریخی و آینده LULC و LST در مناطق گردشگری، این مناطق با کمک نرم‌افزار ArcMap 10.5 از نقشه‌های LULC و LST گذشته و آینده کل منطقه مورد مطالعه استخراج شدند. پس از استخراج، تغییرات LULC و LST برای سال‌های ۱۹۹۰ تا ۲۰۲۰ و تحلیل پیش‌بینی‌های آینده برای سال‌های ۲۰۳۵ و ۲۰۵۰ مورد مطالعه قرار گرفت. برای تعیین میانگین تغییرات LST، نمونه‌ها با استفاده از نرم‌افزار QGIS 2.8 از هر نقشه سایت انتخاب شدند .

نتایج

الگوی گذشته تغییرات LULC در منطقه مورد مطالعه و نقاط گردشگری منتخب

الگوهای گذشته کلاس‌های LULC در نقاط توریستی و کل منطقه مورد مطالعه برای سال‌های ۱۹۹۰، ۲۰۰۵ و ۲۰۲۰ در شکل‌های  ۴ و ۵ و همچنین جداول ۳ و ۴ نشان داده شده است. برای هر سه تصویر طبقه‌بندی شده LULC از کل منطقه مورد مطالعه، دقت طبقه‌بندی کلی ANN بالای ۸۰٪ بود (جدول ۲ ). این دسته‌ها شامل مناطق ساخته شده، خاک لخت، پوشش گیاهی، کشاورزی و بدنه‌های آبی بودند. همه کلاس‌ها روند افزایشی را نشان دادند، به جز کلاس پوشش گیاهی که ۱۴۰٫۶- کیلومتر مربع (۵-٪) کاهش یافت . افزایش مساحت مناطق ساخته شده و کشاورزی به ترتیب از ۱۰۰.۴ به ۱۲۳.۷ کیلومتر مربع و از ۶۶۱.۱ به ۷۵۱ کیلومتر مربع (سال‌های ۱۹۹۰ تا ۲۰۲۰) بوده است، در حالی که در مورد خاک لخت، ابتدا از سال ۱۹۹۰ تا ۲۰۰۵ به میزان -۵۳.۹ کیلومتر مربع کاهش یافته و سپس از ۲۰۰۵ تا ۲۰۲۰ افزایش یافته است (جدول ۳ و شکل  ۴ ).

شکل ۴
شکل ۴

تغییرات خالص (کیلومتر مربع ) در مناطق توریستی از سال ۱۹۹۰ تا ۲۰۲۰.

تصویر در اندازه کامل
شکل ۵
شکل ۵

نقشه‌های کاربری/پوشش اراضی منطقه مورد مطالعه و نقاط توریستی برای سال‌های ۱۹۹۰، ۲۰۰۵ و ۲۰۲۰.

تصویر در اندازه کامل
جدول ۲٫ ارزیابی دقت شبکه عصبی مصنوعی (ANN) در طبقه‌بندی انواع کاربری/پوشش زمین.
میز تمام سایز
جدول ۳ تغییرات دوره‌ای (کیلومتر مربع ) و خالص (%) کاربری و استفاده از زمین در منطقه مورد مطالعه.
میز تمام سایز

وقتی تغییرات گذشته LULC را در کل منطقه مورد مطالعه مقایسه کردیم (جدول ۳ )، نقاط توریستی تغییرات خالص بالایی داشتند (جدول ۴ ). در نقاط توریستی TS1، TS2، TS3 و TS4، تغییرات در منطقه ساخته شده در TS2 (2.6٪، ۱٫۴ کیلومتر مربع ) و TS4 (2.8٪، ۱٫۱ کیلومتر مربع ) قابل توجه تر از TS1 (1.9٪، ۱٫۴ کیلومتر مربع ) و TS3 (2.3٪، ۱٫۳ کیلومتر مربع ) بود (شکل  ۴ ) (جدول ۴ و شکل  ۵ ). خاک لخت و پوشش گیاهی در طول دوره مطالعه کاهش یافت، که بیشترین تغییر در TS1 برای خاک لخت (-۵٫۷۸٪، -۱۷٫۱۵ کیلومتر مربع ) و پوشش گیاهی (-۶٫۷۵٪) بود. خاک لخت و پوشش گیاهی در TS3 به ترتیب ۸٫۴۵-٪ (-۴٫۴۹ کیلومتر مربع ) کاهش یافت .

جدول ۴ تغییرات خالص (%) در نقاط گردشگری از سال ۱۹۹۰ تا ۲۰۲۰٫
میز تمام سایز

الگوی LST گذشته در منطقه انتخاب شده و نقاط توریستی

مناطق دمایی مختلف برای کل منطقه مورد مطالعه، دمای بالای ۲۲ درجه سانتیگراد را با روند افزایشی نشان می‌دهند (شکل  ۶ ). طبقه دمایی بین ۱۲ تا ۱۶ درجه سانتیگراد در ابتدا از سال ۱۹۹۰ تا ۲۰۰۵ به ۱۳٫۳ درصد افزایش یافت، سپس تا سال ۲۰۲۰ به ۲٫۱ درصد کاهش یافت. بیشترین افزایش در منطقه بالای ۲۸ درجه سانتیگراد مشاهده شد. به طور کلی، میانگین دما ۳ درجه سانتیگراد افزایش یافت. دما در منطقه ساخته شده بالاترین بود و پس از آن خاک لخت، کشاورزی و پوشش گیاهی قرار داشتند، در حالی که آب‌ها کمترین میزان افزایش تنش گرمایی را داشتند. نتایج مربوط به نقاط گردشگری نشان می‌دهد که میانگین دمای سطح زمین (LST) در مناطق مسکونی در TS1، TS2، TS3 و TS4 به ترتیب برای سال ۱۹۹۰، ۱۸ درجه سانتی‌گراد، ۱۹ درجه سانتی‌گراد، ۲۲ درجه سانتی‌گراد و ۲۳ درجه سانتی‌گراد بوده است. دمای سطح زمین در مناطق مسکونی در TS3 و TS4 (منطقه بونر) به ۲۴ درجه سانتی‌گراد و ۲۵ درجه سانتی‌گراد افزایش یافته است، در حالی که بالاترین دمای سطح زمین ثبت شده در TS4 در بونر، ۲۸ درجه سانتی‌گراد بوده است (شکل  ۶ ). به طور کلی، نتایج نشان می‌دهد که میانگین دمای سطح زمین در TS1، TS2 و TS3 بیشتر از TS4 است.

شکل ۶
شکل ۶

میانگین دمای سطح زمین (LST) برای دسته‌های مختلف زمین در طول دوره مطالعه.

تصویر در اندازه کامل

تغییرات آینده LULC در منطقه مورد مطالعه و نقاط توریستی

LULC آینده برای کل منطقه مورد مطالعه و منطقه توریستی، افزایش قابل توجهی در مناطق ساخته شده از سال ۲۰۲۰ تا ۲۰۵۰ را نشان می‌دهد (شکل  ۷ ). LULC تغییرات قابل توجهی را در کل منطقه مورد مطالعه نشان می‌دهد (جدول ۳ و شکل  ۵ ). شبیه‌سازی نشان می‌دهد که منطقه شهری به ترتیب در سال‌های ۲۰۳۵ و ۲۰۵۰ به میزان ۴٫۶٪ و ۵٫۷٪ افزایش خواهد یافت (شکل  ۹ ) در حالی که زمین‌های کشاورزی و فضای سبز کمتری پیش‌بینی شده است. نتایج مدل‌سازی نشان می‌دهد که تغییر LULC در آینده پیش‌بینی می‌شود که به طور بالقوه برای آب و هوا و تنوع زیستی منطقه مضر است.

شکل ۷
شکل ۷

تغییرات گذشته در میانگین LST در منطقه تحقیقاتی و نقاط توریستی.

تصویر در اندازه کامل

با مقایسه تغییرات آتی LULC کل منطقه مورد مطالعه (جدول ۵ ) با مناطق توریستی، مناطق توریستی در مقایسه با کل منطقه مورد مطالعه، تغییرات خالص بالایی دارند. بین سال‌های ۲۰۲۰ تا ۲۰۳۵، منطقه ساخته شده در TS1 و TS2 (شانگلا) به ترتیب تغییر خالص ۲٫۶۴٪ (۱٫۹۱ کیلومتر مربع) و ۲٫۳۰٪ (۲٫۹۰ کیلومتر مربع) خواهد داشت . در TS3 و TS4 (بونر)، تغییر خالص ۵٫۳۶٪ (۲٫۸۵ کیلومتر مربع) و ۵٫۶۶٪ (۲٫۹۳ کیلومتر مربع) وجود خواهد داشت ( جدول ۵ و شکل‌های ۸  و ۹ ) . تغییر خالص در خاک لخت و پوشش گیاهی به سمت کاهش است، با کاهش قابل توجه در TS1 (4.26-٪ خاک لخت، ۷٫۸۷-٪ پوشش گیاهی، در طول سال‌های ۲۰۳۵-۲۰۵۰). و TS3 (-5.55% خاک لخت، -۴٫۰۰% پوشش گیاهی). به طور مشابه، تغییرات خالص در کشاورزی در TS1 و TS2 (شانگلا) از سال ۲۰۳۵ تا ۲۰۵۰ به ترتیب ۲٫۶۹% و ۱۲٫۸۹% خواهد بود، در حالی که در TS3 و TS4 (بونر)، به ترتیب ۵٫۲۴% و ۶٫۶۷% خواهد بود.

جدول ۵ تغییرات خالص آینده (%) در نقاط گردشگری از سال ۲۰۳۵ تا ۲۰۵۰٫
میز تمام سایز
شکل ۸
شکل ۸

تغییرات خالص آینده (%) در نقاط گردشگری از سال ۲۰۳۵ تا ۲۰۵۰.

تصویر در اندازه کامل
شکل ۹
شکل ۹

نقشه‌های منطقه تحقیقاتی و نقاط توریستی محبوب با انواع زمین‌های شبیه‌سازی شده برای سال‌های ۲۰۳۵ و ۲۰۵۰.

تصویر در اندازه کامل

روندهای آینده LST در منطقه مورد مطالعه و نقاط توریستی

به طور کلی، پیش‌بینی می‌شود مقادیر LST در بیشتر مناطق از ۲۸ درجه سانتیگراد فراتر رود که نشان دهنده تغییر به سمت مناطق با دمای بالاتر است (شکل  ۱۰ ). در سال‌های ۲۰۳۵ و ۲۰۵۰، بیشتر منطقه مورد مطالعه تحت پوشش کلاس LST بالای ۳۱ درجه سانتیگراد قرار خواهد گرفت و فراتر از منطقه ساخته شده گسترش خواهد یافت (شکل  ۱۰ ) که نشان دهنده اثر گرمایش شهری است. بیشتر منطقه مورد مطالعه دارای LST ≥ ۲۸ درجه سانتیگراد خواهد بود و کلاس‌های LST پایین‌تر مانند <25 درجه سانتیگراد با افزایش مناطق LST بالاتر، بیشتر کاهش خواهند یافت (شکل  ۱۰ ).

شکل ۱۰
شکل ۱۰

منطقه مورد مطالعه نقشه‌های دمای سطح زمین (LST) و نقاط توریستی را برای سال‌های ۲۰۳۵ و ۲۰۵۰ شبیه‌سازی کرد.

تصویر در اندازه کامل

پیش‌بینی‌های آینده افزایش TS1 و TS2 با کلاس‌های LST ≥ ۳۱ درجه سانتیگراد را به ترتیب از ۶۲٫۱۱٪ به ۸۰٫۴۰٪ و ۶۳٫۱۱٪ به ۷۸٫۵۰٪ (جدول ۶ ) در سال‌های ۲۰۳۵ و ۲۰۵۰ نشان می‌دهد که در سال ۲۰۲۰، ۳۰٪ بود. مساحت کلاس LST 28 تا <31 درجه سانتیگراد از ۳۳٫۲۱٪ به ۱۶٫۴۹٪ (جدول ۶ ) از سال ۲۰۳۵ تا ۲۰۵۰ کاهش خواهد یافت که در سال ۲۰۲۰، ۲۹٫۴۵٪ بود. مساحت کلاس LST 25 تا <28 درجه سانتیگراد در سال‌های ۲۰۳۵ و ۲۰۵۰، ۱٫۷۷٪ و ۱٫۳۹٪ خواهد بود. هیچ مساحتی تحت کلاس LST <16 درجه سانتیگراد وجود نخواهد داشت (جدول ۶ ). تخمین‌های آینده LST نشان می‌دهد که اگرچه تنها ۲۷٪ از منطقه مورد مطالعه در سال ۲۰۲۰ بالای ۲۸ درجه سانتیگراد بوده است، اما این دما در سال‌های ۲۰۳۵ و ۲۰۵۰ به ترتیب به ۶۵.۲۳٪ و ۸۲.۲۰٪ از منطقه مورد مطالعه به بالای ۳۱ درجه سانتیگراد خواهد رسید (شکل  ۹ ). مناطقی با دمای کمتر از ۲۸ درجه سانتیگراد روند کاهشی داشته و در نهایت به مناطق گرمتر منتقل خواهند شد.

جدول ۶ توزیع منطقه‌ای کلاس‌های LST (%) در کل منطقه مورد مطالعه و نقاط گردشگری برای سال‌های ۲۰۳۵ و ۲۰۵۰٫
میز تمام سایز

برای TS3 و TS4، دمای سطح زمین ≥ ۳۱ درجه سانتیگراد از ۲۷ درصد در سال ۲۰۲۰ به حدود ۸۰ درصد در سال ۲۰۵۰ افزایش خواهد یافت (جدول ۶ ؛ شکل  ۱۰ )، که نشان دهنده اثرات گسترده گرمایش شهری است. پیش‌بینی‌های TS3 و TS4 یک منطقه دمایی بالاتر (یعنی LST ≥ ۳۱ درجه سانتیگراد) را در سال‌های ۲۰۳۵ و ۲۰۵۰ نشان می‌دهد (شکل  ۱۰ )، که در سال ۲۰۲۰ تنها ۲۷ درصد بود.

شاخص‌های اجتماعی-اقتصادی منطقه مورد مطالعه

شانگلا با مساحت ۱۵۸۶ کیلومتر مربع و زمین‌های زیر کشت ۴۱۷۲۷.۵ هکتار ، ۰.۸ میلیون نفر جمعیت دارد . نرخ سواد در این منطقه ۳۳.۱ درصد است. بونر با جمعیتی بالغ بر یک میلیون نفر، مساحت ۱۸۶۵ کیلومتر مربع و زمین‌های زیر کشت ۵۵۲۱۶.۵ هکتار دارد. نرخ سواد در این منطقه ۴۶.۸٪ است (جدول ۷) . درآمد کل بونر ۹۰۲ میلیون روپیه پاکستانی با هزینه ۲۱۸.۵۷ میلیون روپیه است، در حالی که درآمد سالانه شانگلا ۱,۶۶۸,۳۷۸.۲۴ دلار با هزینه ۲۱۸.۵۷ میلیون روپیه است. مساحت زمین‌های جنگلی بونر ۴۱۰۰۱ هکتار با شدت کاربری زمین ۴۲.۳٪ است، در حالی که شانگلا ۴۴۴۰۵ هکتار زمین جنگلی با شدت کاربری زمین ۵۱.۷٪ دارد. گردشگری در اقتصاد منطقه مورد مطالعه نقش دارد. درآمد سالانه بونر از گردشگری ۱۰۰ میلیون روپیه پاکستانی است در حالی که شانگلا ۴۸ میلیون روپیه پاکستانی است که روند رو به رشدی دارد. مهمترین شاخص‌های اجتماعی-اقتصادی تحت تأثیر گردشگری عبارتند از زمین‌های جنگلی، قیمت زمین، الگوی کاربری زمین، تولیدات کشاورزی و شرایط محیطی.

جدول ۷ شاخص‌های اجتماعی-اقتصادی مناطق مورد مطالعه (بونر و شانگلا).
میز تمام سایز

بحث

تغییرات کلاس LULC (1990-2020)

ارزیابی تغییرات LULC برای درک تعامل بین انسان و طبیعت بسیار مهم است ۴۶٫ تجزیه و تحلیل روندها، علل و پیامدهای این تغییرات بر معیشت انسان و محیط زیست برای توسعه پایدار و مدیریت منابع طبیعی ضروری است ۱ ، ۴۷٫ روندهای LULC در ۳۰ سال گذشته برای کل منطقه مورد مطالعه از سال ۱۹۹۰ تا ۲۰۲۰ (شکل  ۵ ) دو روند متمایز را نشان می‌دهد: افزایش مناطق ساخته شده (+۰٫۸٪)، کشاورزی (+۳٫۱۷) و خاک لخت (+۰٫۹٪) در حالی که کاهش پوشش گیاهی (-۵٫۰٪) (جدول ۳ ). عوامل مؤثر عبارتند از رشد جمعیت، فشارهای اجتماعی-اقتصادی و جنگل‌زدایی (جدول ۳ ). علاوه بر این، قطع غیرقانونی جنگل به دلیل عدم نظارت دولت منجر به افزایش طبقه خاک لخت می‌شود. این یافته‌ها از کسانی که کشف کردند رشد شهری تحت تأثیر متغیرهای ژئوپلیتیکی و اقتصادی است، پشتیبانی می‌کند ۴۸ ، ۴۹ . تغییرات مشابهی در LULC در حوضه سند علیا پاکستان نیز یافت شد (۵۰) ، که نشان داد رشد جمعیت و تغییر شرایط اقتصادی و سیاسی در تغییرات LULC نقش داشته‌اند (۵۱) . شرایط زیست‌محیطی-سیاسی و رشد جمعیت از عوامل کلیدی گسترش شهری هستند (۵۲) . این عوامل، گسترش شهری را در منطقه مورد مطالعه تسریع کردند، که تا ۴۰ ادامه یافت ، جایی که ترکیبی از انواع LULC روستایی و شهری به ویژگی‌های متمایز تبدیل شد.

توسعه سریع و سازمان نیافته گردشگری، سرمایه‌گذاری در زیرساخت‌ها را افزایش داد و از این رو تقاضا برای زمین را افزایش داد. با این حال، این گسترش بی‌قاعده گردشگری، شهرها و شهرستان‌ها منجر به خطرات قابل توجهی برای مکان‌های طبیعی و فرهنگی شد و بر پایداری گردشگری تأثیر گذاشت. مساحت ساخته شده در ۳۰ سال گذشته (شکل  ۴ ) هم در نقاط توریستی و هم در کل منطقه مورد مطالعه افزایش یافته است. قله شانگلا (TS1) افزایش بیشتری در مساحت ساخته شده نسبت به T2، TS3 و TS4 داشت که به نظر می‌رسد نتیجه افزایش فعالیت‌های مرتبط با گردشگری و گسترش زیرساخت‌های گردشگری باشد. در نتیجه، جذابیت مقاصد گردشگری با تبدیل پوشش گیاهی به بزرگراه‌ها و ساخت و سازها کاهش می‌یابد و بر بده بستان مربوط به توسعه و حفاظت از محیط زیست تأکید می‌کند. یافته‌های مشابه گزارش داده‌اند که فعالیت‌های گردشگری باعث تکه‌تکه شدن زمین می‌شود که باعث تغییرات LULC ۴۸ می‌شود و در نتیجه اختلالات زیست‌محیطی و تغییرات آب و هوایی ۵۳ را به دنبال دارد . گردشگری بر استفاده از زمین‌های محلی فشار می‌آورد و منجر به از بین رفتن زیستگاه‌های طبیعی، افزایش آلودگی و افزایش استرس برای گونه‌های در معرض خطر می‌شود. این امر به تخریب تدریجی چشم‌اندازی که گردشگری به آن وابسته است ۵۴ کمک می‌کند .

تغییرات LST در منطقه مورد مطالعه و نقاط توریستی (۱۹۹۰-۲۰۲۰)

نتایج الگوی گذشته LST برای کل منطقه مورد مطالعه و نقاط توریستی در شکل  ۶ نشان داده شده است . از سال ۲۰۱۳، تقاضا برای تعطیلات تابستانی در پاکستان، سطوح مصنوعی را برای کمک به رشد تأسیسات گردشگری و خانه‌های دوم در شمال پاکستان افزایش داده است ۴۱٫ از این رو، LULC و LST در آنجا رایج‌تر هستند. سطوح مصنوعی از سال ۱۹۸۷ تا ۲۰۱۷ به دلیل افزایش پراکندگی مسکونی افزایش یافته است ۴۵٫ یافته‌های کلی مطالعه نشان می‌دهد که افزایش دما برای همه کلاس‌های LULC وجود دارد. تغییر در کلاس‌های دما وجود دارد زیرا روند افزایشی در مناطق با دمای بالا (یعنی بالاتر از ۲۲ درجه سانتیگراد) در حالی که روند کاهشی در محدوده دمایی زیر ۲۲ درجه سانتیگراد وجود داشته است (شکل  ۳ ). یافته‌های مطالعه نشان می‌دهد که دما به دلیل تغییر چشم‌انداز از سطوح غیرقابل نفوذ به سطوح غیرقابل نفوذ افزایش یافته است (شکل  ۶ ). به طور مشابه، خاک لخت دمای کمتری نسبت به مناطق ساخته شده دارد اما بالاتر از پوشش گیاهی و زمین‌های کشاورزی است. این یافته‌ها توسط ۵۳ و ۵۵ که تأثیر تغییرات LULC را بر LST در بنگلادش بررسی کردند تا ببینند آیا ارتباطی بین LST و دسته‌های LULC وجود دارد یا خیر، تأیید می‌شود. این افزایش در LST نشان‌دهنده اثر ترکیبی تغییرات اقلیمی و اصلاح سطح زمین است (شکل  ۵ ). این ممکن است منجر به تشکیل جزیره گرمایی سطحی (SUHI) و جزیره گرمایی جوی (ATHI) در منطقه مورد مطالعه شود. اثرات گرمایشی مشابهی نیز توسط ۵۶ نفر از شمال چین یافت شد .

الگوهای گذشته تغییرات دمای سطح زمین (LST) در نقاط گردشگری، نشان‌دهنده افزایش میانگین دمای سطح زمین (LST) در تمام نقاط گردشگری است. این امر ممکن است به دلیل افزایش فعالیت‌های گردشگری و فعالیت‌های ساختمانی مرتبط باشد . ۵۱٫ طبق مطالعات قبلی، گردشگران هنگام بازدید از یک مکان، درگیر فعالیت‌هایی می‌شوند و عادات مصرفی ایجاد می‌کنند که می‌تواند منجر به تغییراتی در منطقه، به ویژه LULC، شود که LST را افزایش می‌دهد. این کار تحقیقاتی با شناسایی گسترش شهری، از بین رفتن پوشش گیاهی و تغییرات منطقه کشاورزی، از اهداف توسعه پایدار (SDS) برای کمک به کاهش و تطبیق استراتژی‌ها با تغییرات اقلیمی در نقاط گردشگری حساس به لحاظ زیست‌محیطی پشتیبانی می‌کند.

پیش‌بینی‌های آینده از تغییرات LULC در منطقه مورد مطالعه و نقاط توریستی

شبیه‌سازی آینده تغییرات LULC برای برنامه‌ریزی شهری و توسعه پایدار قابل توجه است. نتایج فعلی نشان داد که مساحت مناطق ساخته شده در سال‌های ۲۰۳۵ و ۲۰۵۰ به ترتیب ۴٫۵۵٪ و ۵٫۷۴٪ خواهد بود (شکل  ۷ ). یافته‌های مشابه ۵۵ افزایش مساحت مناطق ساخته شده در شمال پاکستان را ثبت کرده‌اند. کاهش پوشش گیاهی و افزایش مساحت مناطق ساخته شده، آب و هوای منطقه مورد مطالعه را تغییر می‌دهد که ممکن است پیامدهای بهداشتی و زیست‌محیطی مانند آسم، استرس گرمایی و کاهش تنوع زیستی ۵۷ داشته باشد .

هجوم سالانه گردشگران به چهار مکان در حال افزایش است و جمعیت محلی به طور قابل توجهی به تجارت گردشگری وابسته است. شبیه‌سازی LULC در نقاط توریستی (برای سال‌های ۲۰۳۵ و ۲۰۵۰) نشان می‌دهد که در تمام نقاط توریستی، به ویژه در TS4 (داگر) (شکل  ۶ )، گسترش قابل توجهی در مناطق ساخته شده وجود خواهد داشت. ساخت زیرساخت‌های مرتبط با گردشگری و جابجایی گردشگران بر پوشش گیاهی و خاک تأثیر می‌گذارد . ۵۸٫ این فعالیت‌ها باعث تغییرات LULC و افزایش LST در مناطق مورد مطالعه شده است. پویایی LULC و تغییرپذیری آب و هوا هنوز هم مسائل مهمی برای محیط‌های پایدار فعلی و آینده هستند . ۵۸٫ یافته‌های پیش‌بینی شده این مطالعه اهداف SDS را برآورده می‌کند زیرا به برنامه‌ریزی شهری، متعادل کردن تغییرات LULC و LST، حفاظت از تنوع زیستی و سلامت و تاب‌آوری اکوسیستم، با رشد اقتصادی پایدار سازگار با محیط زیست در منطقه مورد مطالعه کمک می‌کند. SDG-11 هدفی را برای مقاصد گردشگری و کل منطقه مورد مطالعه از جمله پاکستان نشان می‌دهد که از طریق یک رویکرد یکپارچه با در نظر گرفتن ارزیابی‌های تاریخی، معاصر و آینده‌نگر، که در آن عوامل اجتماعی-اقتصادی بر گسترش شهری تأثیر می‌گذارند و تأثیر کلی بر سیستم زمینی دارند، قابل دستیابی است . ۵۹

پیش‌بینی‌های آینده روند دمای سطح زمین (LST) در منطقه مورد مطالعه و نقاط توریستی

تغییرات چشم‌انداز منجر به افزایش LST می‌شود ۴۸ ، ۶۰ که منجر به اختلال در محیط حرارتی محلی می‌شود و پیامدهای مختلف بهداشتی و زیست‌محیطی مانند فرسایش خاک، از بین رفتن زیستگاه طبیعی، تغییرات فرهنگی و مشکلات بهداشت عمومی را به دنبال دارد ۶۱. یافته‌های LST پیش‌بینی‌شده برای سال‌های ۲۰۳۵ و ۲۰۵۰ برای ارزیابی تأثیر تغییر LULC بر سطوح تابش سطحی در منطقه مورد مطالعه، تقریباً ۷۶٪ و ۸۸٪ منطقه را با بالاترین منطقه دما (یعنی > ۳۱ درجه سانتیگراد) (شکل  ۸ ) نشان می‌دهد، که نسبت به ۲۷٪ در سال پایه ۲۰۲۰، افزایش یافته است. ظرفیت حرارتی LULC تحت تأثیر افزایش LST قرار دارد که باعث افزایش گرمایش شهری در منطقه مورد مطالعه می‌شود ۶۲ ، ۶۳. افزایش LST یک مسئله زیست‌محیطی است که مردم، تنوع زیستی و اکوسیستم را به خطر می‌اندازد ۶۴. طبق پنجمین گزارش ارزیابی IPCC، گرمایش در جنوب آسیا بالاتر از میانگین جهانی است که ممکن است ذوب یخچال‌های طبیعی و بارندگی را تسریع کند ۶۵ . این تغییر در نهایت بر کارایی بخش‌های وابسته به آب مانند تولید انرژی و کشاورزی تأثیر خواهد گذاشت ۶۶٫ تغییرات پیش‌بینی‌شده در دمای سطح زمین (LST) در نقاط گردشگری انتخاب‌شده، TS1، TS2، TS3 و TS4، روند گرمایش کلی قابل‌توجهی را تا سال‌های ۲۰۳۵ و ۲۰۵۰ نشان می‌دهد. این تجزیه و تحلیل، نشانه روشنی از تغییر مساحت زمین از محدوده‌های دمایی پایین‌تر (<22 درجه سانتیگراد و ۲۲-۲۵ درجه سانتیگراد) به محدوده‌های بالاتر (≥ ۲۸ درجه سانتیگراد) ارائه می‌دهد که حداکثر نسبت مساحت زمین تا سال ۲۰۵۰ در دسته ≥ ۳۱ درجه سانتیگراد قرار دارد. در مورد نقاط گردشگری، نسبت مناطق در دسته ≥ ۳۱ درجه سانتیگراد در بیشتر موارد بیش از ۱۵ درصد افزایش یافته است. افزایش جریان گردشگران، به‌ویژه در فصل تابستان، باعث اختلال در محیط طبیعی و افزایش فعالیت‌های تجاری در منطقه مورد مطالعه می‌شود و LST را بیشتر افزایش می‌دهد. یافته‌های مشابهی در ترکیه ۶۷ گزارش شده است ، جایی که گردشگری تبدیل زمین‌های جنگلی به هتل‌ها و رستوران‌ها را افزایش داده است. برای مثال، ۸۸٪ از زمین‌های جنگلی دولتی در بلدیبی (ترکیه) به عنوان زمین خصوصی اعلام شد. افزایش گردشگری همچنین الگوهای کاربری زمین را تغییر می‌دهد و منجر به تبدیل جنگل‌ها و زمین‌های کشاورزی به مناطق ساخته شده می‌شود (شکل‌های  ۴ و ۵ ). کاهش کلی زمین‌های کشاورزی در مناطق توریستی منطقه هیمالیای سفلی نیز مشاهده شده است . ۴۱. ​​فعالیت‌های انسانی، به ویژه گردشگری، پیامدهای زیست‌محیطی دارد. این امر معمولاً منجر به کاهش پوشش گیاهی و افزایش دمای سطح زمین (LST) می‌شود. گردشگری بدون کنترل می‌تواند تخریب محیط زیست را تسریع کرده و آسیب‌پذیری اقلیمی آن را افزایش دهد. ۶۸یافته‌های ما جایگاه دوگانه گردشگری را به عنوان یک محرک اقتصادی و یک عامل استرس‌زای زیست‌محیطی شناسایی می‌کند و بر لزوم توسعه شیوه‌های پایدار در برابر این تأثیرات در مناطق مربوطه تأکید می‌کند . ۶۹ ناپدید شدن محدوده دمایی کمتر از ۱۶ درجه سانتیگراد و کاهش پوشش محدوده‌های دمایی سردتر (جدول ۶ ) نشان دهنده تشدید استرس حرارتی است که احتمالاً به دلیل تغییرات در LULC همراه با پویایی آب و هوای جهانی است. بنابراین پیامدهای بحرانی بر اکوسیستم محلی و گردشگری وارد می‌شود، زیرا افزایش دمای سطح زمین (LST) تمایل به تأثیر منفی بر تنوع زیستی، راحتی بازدیدکنندگان و ویژگی‌های زیبایی‌شناختی در نقاط توریستی دارد . ۷۰

رابطه بین چشم‌انداز، گردشگری و شاخص‌های اجتماعی-اقتصادی

گردشگری بر الگوهای چشم‌انداز و شاخص‌های اجتماعی-اقتصادی منطقه مورد مطالعه تأثیر گذاشته است. این یک نیروی پویا است که تحول اقتصادی و فرهنگی را تقویت می‌کند و منجر به تغییرات چشم‌انداز و رشد اجتماعی-اقتصادی می‌شود ۷۱٫ این رشد معمولاً منجر به تضاد بین رشد اقتصادی و حفظ چشم‌اندازهای قابل توجه می‌شود ۷۲ ، ۷۳٫ به طور کلی توافق شده است که گردشگری، توسعه اجتماعی-اقتصادی و اصلاح چشم‌انداز بدون شرایط فیزیکی یک منطقه از جمله جنگل‌های کاج و آب و هوای مرطوب امکان‌پذیر نخواهد بود. مطالعات ۷۲ ، ۷۳ ، ۷۴ اشاره می‌کنند که گردشگری تنها یکی از نیروهای بسیاری است که تغییر را هدایت می‌کند و جدا کردن پیامدهای آن از سایر نیروهای دگرگون‌کننده دشوار است. به عنوان مثال، تعداد فعالیت‌های مرتبط با گردشگران در سواحل شرق آفریقا افزایش یافته است که منجر به رشد سریع اقتصادی از طریق افزایش سرمایه‌گذاری در تأسیسات گردشگری و به دنبال آن افزایش ارزش املاک شده است که منجر به تغییرات LULC می‌شود ۵۴ .

گردشگری، LULC و تغییرات LST به هم مرتبط هستند، زیرا گردشگری به زیرساخت نیاز دارد که به نوبه خود قیمت زمین را افزایش می‌دهد و با فشار بر کشاورزان برای تبدیل زمین‌هایشان به رستوران‌ها و هتل‌ها، منجر به LST بالاتر می‌شود ۵۴ ، ۷۴. در نتیجه، بسیاری از کشاورزان کم‌درآمد به دلیل قیمت بالای زمین، مزارع خود را فروخته و به کار در صنعت گردشگری روی آورده‌اند که به طور بالقوه منجر به فرسایش خاک، از بین رفتن زیستگاه‌های طبیعی، تغییرات فرهنگی و افزایش آلودگی می‌شود ۶۳. گردشگری به طور منفی بر مناطق جنگلی تأثیر می‌گذارد، در درجه اول از طریق جنگل‌زدایی ناشی از پاکسازی زمین و مصرف سوخت. به عنوان مثال، ساخت یک پیست اسکی نیاز به تخریب قابل توجه زمین برای اقامتگاه‌ها و زیرساخت‌های مرتبط داشت. به طور مشابه، باتلاق‌های ساحلی به دلیل کمبود امکانات و زیرساخت‌های مناسب گردشگری، زهکشی و پر می‌شوند. این اقدامات اکوسیستم محلی را بی‌ثبات می‌کند و آسیب‌های زیست‌محیطی بلندمدتی ایجاد می‌کند ۷۵. طبق نتایج مورد انتظار اصلاحات LULC، جاذبه‌های گردشگری به ساختمان‌ها و زیرساخت‌ها تبدیل خواهند شد. تبدیل جنگل‌های طبیعی به زمین‌های مصنوعی، دمای مکان‌های گردشگری را افزایش می‌دهد. این تغییرات منجر به کاهش جاذبه‌های گردشگری خواهد شد که مستقیماً بر درآمد بلندمدت مردم محلی تأثیر خواهد گذاشت. یک مطالعه در ترکیه ۷۶ اشاره کرد که گردشگری عامل اصلی LULC است و بر نقش اساسی LST در برنامه‌ریزی و مدیریت پایدار تأکید می‌کند.

نتیجه‌گیری

این مطالعه نتیجه گرفت که هم منطقه مورد مطالعه و هم مناطق توریستی آن تغییرات قابل توجهی در LULC و LST تجربه کرده‌اند. مناطق ساخته شده افزایش یافته‌اند، در حالی که پوشش گیاهی کاهش یافته است، به طوری که بالاترین میانگین LST در مناطق ساخته شده و کمترین آن در بدنه‌های آبی در طول سه دهه گذشته مشاهده شده است. در شبیه‌سازی مدل‌سازی LULC، مناطق ساخته شده در کل منطقه مورد مطالعه بین سال‌های ۲۰۳۵ تا ۲۰۵۰ به افزایش خود ادامه خواهند داد و LST بالای ۲۸ درجه سانتیگراد در سی سال آینده بیش از ۸۰٪ از کل منطقه را پوشش خواهد داد. در مناطق توریستی، روند LULC و LST افزایش مناطق ساخته شده، به ویژه در TS1، را در ۳۰ سال گذشته نشان داد. تجزیه و تحلیل شبیه‌سازی نتیجه گرفت که TS4 بالاترین تغییرات LULC را در آینده خواهد داشت. نتایج LST فعلی و آینده نشان داد که حداکثر دما در TS4 یافت می‌شود، در حالی که حداکثر دما به ترتیب در TS1 خواهد بود. این تحولات گزارش شده عمدتاً توسط فعالیت‌های مرتبط با گردشگری هدایت می‌شوند و بر تغییرات LULC و LST گذشته و آینده در این منطقه تأثیر می‌گذارند. در نتیجه گسترش قلمرو ساخته شده یا خاک لخت، زمین‌های بیشتری به سمت منطقه دمای بالا رانده می‌شوند. اگر روند فعلی دمای سطح زمین (LST) ادامه یابد، کل منطقه می‌تواند به مناطق گرم‌تر تبدیل شود. استراتژی‌هایی مانند یک شهر فشرده، مانند تمرکززدایی از مناطق شهری و مزارع، می‌تواند رویکرد مناسبی برای کند کردن تشکیل مناطق دمای بالا باشد. برای ایجاد یک سیاست پایدار، بخش گردشگری و محیط زیست هر دو از تحقیقات LULC و LST بهره‌مند خواهند شد. تحقیقات آینده باید پیامدهای گسترش مناطق ساخته شده و گرمایش شهری را بر ساکنان محلی بررسی کرده و برنامه‌ریزی شهری، گردشگری پایدار و سیاست‌های پاسخگو به آب و هوا را در سطح منطقه‌ای و ملی توسعه دهند.