رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

خلاصه

تصاویر نور شبانه چشم اندازی برای مطالعه شهرنشینی و تغییرات اجتماعی-اقتصادی فراهم می کند. مدل‌های رگرسیون جهانی سنتی برای بررسی رابطه غیرمکانی بین نورهای شبانه و تراکم جمعیت استفاده شده‌اند. در این مطالعه، رگرسیون وزن‌دار جغرافیایی (GWR) روابط متغیر فضایی بین تراکم جمعیت و نورهای شبانه در سرزمین اصلی چین را شناسایی می‌کند. با این حال، جمعیت روستایی رابطه قوی با ویژگی های طیفی سنجش از دور ندارد. برآورد جمعیت روستایی با استفاده از داده های نور شبانه به تنهایی به راحتی تراکم منفی بی معنی جمعیت را در منطقه روستایی شناسایی می کند. این مطالعه یک GWR غیر منفی تطبیقی (ANNGWR) را برای کشف الگوی فضایی تراکم جمعیت با استفاده از محدودیت‌های غیر منفی با پهنای باند تطبیقی هسته پیشنهاد می‌کند. ANNGWR مقدار منفی تراکم جمعیت و برآورد بیش از حد جدی مرز غربی را حل می کند. نتیجه نشان می دهد که ANNGWR بهترین برازش را در مقایسه با رگرسیون خطی و GWR اصلی ارائه می دهد. این مطالعه از شاخص موران I استفاده می کند تا ثابت کند که ANNGWR بطور قابل ملاحظه ای همبستگی فضایی باقیمانده مدل را کاهش می دهد. این مدل یک رویکرد قوی و موثر برای تخمین الگوهای فضایی تراکم جمعیت منطقه ای تنها بر اساس تصاویر نور شبانه ارائه می دهد. نتیجه نشان می دهد که ANNGWR بهترین برازش را در مقایسه با رگرسیون خطی و GWR اصلی ارائه می دهد. این مطالعه از شاخص موران I استفاده می کند تا ثابت کند که ANNGWR بطور قابل ملاحظه ای همبستگی فضایی باقیمانده مدل را کاهش می دهد. این مدل یک رویکرد قوی و موثر برای تخمین الگوهای فضایی تراکم جمعیت منطقه ای تنها بر اساس تصاویر نور شبانه ارائه می دهد. نتیجه نشان می دهد که ANNGWR بهترین برازش را در مقایسه با رگرسیون خطی و GWR اصلی ارائه می دهد. این مطالعه از شاخص موران I استفاده می کند تا ثابت کند که ANNGWR بطور قابل ملاحظه ای همبستگی فضایی باقیمانده مدل را کاهش می دهد. این مدل یک رویکرد قوی و موثر برای تخمین الگوهای فضایی تراکم جمعیت منطقه ای تنها بر اساس تصاویر نور شبانه ارائه می دهد.

کلید واژه ها:

نور شب ؛ تراکم جمعیت ; GWR ; محدودیت غیر منفی

1. معرفی

تراکم جمعیت یک شاخص اصلی برای اندازه گیری توسعه انسانی و ارزیابی شهرنشینی در مناطق شهری است. به دست آوردن اطلاعات دقیق و دقیق جمعیت یک کار پیچیده در کشورهای در حال توسعه است. این عارضه نه تنها از جمع‌آوری داده‌های جمعیتی پرهزینه و زمان‌بر، بلکه از عدم تمایل دولت‌های محلی (و دولت مرکزی) برای افشای داده‌های جمعیتی در هر منطقه ناشی می‌شود. در طول فرآیند بازاریابی اقتصادی در بسیاری از کشورهای در حال توسعه، ساکنان روستایی به سرعت به مناطق شهری مهاجرت می کنند در حالی که مقررات دولتی در مورد مهاجرت تا حد زیادی سفت و سخت باقی مانده است. این مقررات بدون تغییر منعکس کننده تردید دولت ها در ترویج تحرک انسانی (اغلب به منظور کنترل اجتماعی) است و در بیشتر موارد، این وضعیت به طور قابل توجهی بر انتشار آمار دولتی از جمعیت تأثیر می گذارد. از این رو، داده های نظرسنجی جمعیت ممکن است دارای چندین مقدار گمشده و سوگیری نمونه باشد. بر این اساس، برای اندازه‌گیری فرآیند تفصیلی شهرنشینی در مناطق مختلف، محققان نمی‌توانند تنها به سوابق محلی تکیه کنند. تصاویر ماهواره ای در اینجا دیدگاه جهانی مفیدی را ارائه می دهند. این داده ها در ردیابی فرآیند دقیق شهرنشینی مفید هستند [1 ، 2 ، 3 ].

استفاده از تصاویر نور شبانه برای مطالعه شهرنشینی و موقعیت‌های اجتماعی-اقتصادی تفاوت زیادی با استفاده از سنجش از دور ماهواره‌ای نور روز مرسوم دارد [ 1 ، 2 ، 3 ، 4 ]. برنامه هواشناسی دفاعی هواشناسی ماهواره ای نیروی هوایی ایالات متحده/سیستم لاین اسکن عملیاتی (DMSP/OLS) داده های نور شبانه را فراهم می کند. مطالعات قبلی از حسگر DMSP/OLS برای نظارت بر نورهای شبانه از فضا و تعیین کمیت روابط بین فعالیت انسانی و متغیرهای اجتماعی-اقتصادی و روشنایی شب استفاده کرده اند [ 1 ، 2 ، 3 ، 4]. نورهای شبانه به طور گسترده برای بررسی روندهای مکانی و زمانی در زمینه های مختلف، به عنوان مثال، فعالیت اقتصادی [ 2 ]، تراکم جمعیت [ 1 ، 3 ]، مصرف انرژی و انتشار کربن [ 5 ]، بلایای طبیعی [ 6 ]، نور شهر [6] استفاده شده است. 7]، توسعه منطقه ای، آلودگی نوری، آتش سوزی های جنگلی و ماهیگیری. در مطالعه حاضر، ما رابطه فضایی بین نورهای شبانه و تراکم جمعیت را بررسی می‌کنیم. ما از سرزمین اصلی چین به عنوان مثال برای نشان دادن رابطه بین چراغ های شبانه و داده های بررسی جمعیت استفاده می کنیم. چین یکی از پرجمعیت ترین کشورهای جهان است. میانگین تراکم جمعیت در چین در سال 2015، 148.8 نفر در هر کیلومتر مربع بوده است. با این حال، این تعداد به تنهایی نشان نمی دهد که چگونه جمعیت چین به طور نابرابر توزیع شده است. مطالعات نشان داده است که چین در سواحل شرقی بسیار پرجمعیت است [ 8]. توزیع نابرابر تراکم جمعیت فضایی مشکلاتی را برای محققان در کاوش رابطه بین نورهای شبانه و تعداد جمعیت ایجاد کرده است. اکثر مطالعات قبلی از مدل‌های رگرسیون جهانی سنتی استفاده کرده‌اند و ناهمگونی فضایی را در نظر نگرفته‌اند [ 4 ، 9 ، 10 ]. سان و همکاران [ 4 ] از مدل های رگرسیون خطی و توانی برای تخمین تراکم جمعیت شهری و روستایی استفاده کرد. بوستوس و همکاران [ 9 ] یک مدل رگرسیون چند جمله ای را برای یافتن تغییر جمعیت در اروپا اتخاذ کرد. لو [ 10] از یک مدل رگرسیون لگاریتمی برای ارزیابی داده های جمعیت در چین در سطح استان، شهر و شهرستان استفاده کرد. این مطالعات وجود ناهمگونی فضایی را نادیده گرفته است. برای غلبه بر این ضعف، از مدل رگرسیون وزن‌دار جغرافیایی (GWR) [ 11] استفاده می‌کنیم.]، که یک روش رگرسیون محلی برای شناسایی روابط متغیر فضایی بین تراکم جمعیت و نورهای شبانه در سرزمین اصلی چین است. اگرچه GWR می‌تواند ناهمگونی فضایی را در خود جای دهد، رگرسیون گاهی اوقات منجر به پیش‌بینی‌های نامعتبر یا بی‌معنی متغیر وابسته می‌شود. به طور خاص، مدل GWR به راحتی تراکم منفی بی معنی جمعیت را در مناطق روستایی تخمین می زند. عدد منفی جمعیت در تفسیر مشکل دارد. جمعیت روستایی رابطه قوی با ویژگی های طیفی سنجش از دور ندارد. بنابراین، تخمین توزیع جمعیت روستایی با استفاده از داده‌های نور شبانه DMSP/OLS به تنهایی منجر به داده‌های نادرست می‌شود [ 4 ، 12]]. برای رفع این مشکل، مطالعات قبلی تراکم جمعیت را با استفاده از نور شبانه و داده‌های کاربری زمین تخمین زده‌اند [ 4 ، 12 ]. با این حال، ما فقط داده‌های نور شبانه را برای حداقل مربعات غیرمنفی در نظر می‌گیریم که در آن هیچ ضرایبی در چارچوب GWR بدون تغییر داده‌ها، مانند تبدیل گزارش، مجاز نیست منفی باشد.

هدف این مطالعه شناسایی روابط متغیر فضایی بین داده‌های تراکم جمعیت منطقه و تصاویر نور شبانه در سرزمین اصلی چین است. ما یک چارچوب آماری برای استفاده از داده‌های ماهواره‌ای چراغ‌های شبانه برای مدل‌سازی تراکم جمعیت بدون هیچ ارزش منفی جمعیت ایجاد می‌کنیم. در ابتدا، مدل GWR محدود غیر منفی (NNGWR) را برای حذف جمعیت منفی در نظر می‌گیرد. سپس مدل تطبیقی غیر منفی GWR (ANNGWR) برای تنظیم پهنای باند به صورت تطبیقی برای تخمین ضریب مدل غیر منفی توسعه می‌یابد. در نهایت، روش پیشنهادی ما به خوبی با OLS و GWR اصلی مقایسه می‌شود.

2. مواد و روشها

تصاویر نور شب مورد استفاده در این مطالعه، محصولات داده نور شبانه جهانی DMSP/OLS در سال های 2004، 2007، 2010 و 2013 از اداره ملی اقیانوسی و جوی (https://ngdc.noaa.gov/eog/download.html) هستند . ). ترکیبات سالانه بدون ابر داده های نور پایدار در هر پیکسل به عنوان یک عدد دیجیتال (DN) از 0 تا 63 با وضوح مکانی 1 کیلومتر ثبت می شود. برای متغیر هدف، 1905 مشاهده ( شکل 1 الف) از جمعیت سالانه در سطح شهرستان از نظرسنجی جمعیت منتشر شده در سالنامه آماری چین [ 13 ] بازیابی شد .

هر سال، دولت سالنامه آماری چین را منتشر می کند که منبع اصلی داده های مختلف اجتماعی-اقتصادی این کشور است. سالنامه آماری اطلاعاتی را در سطوح مختلف تقسیمات اداری ارائه می دهد و سطح شهرستان پایین ترین سطح دارای سوابق است. برای داده های جمعیت، دولت نیز هر 10 سال یک سرشماری ملی انجام می دهد. از آنجایی که داده‌های سرشماری تنها هر 10 سال یکبار منتشر می‌شود، داده‌های سالانه جمعیت منتشر شده در سالنامه آماری به طور گسترده در این زمینه مورد استفاده قرار می‌گیرد، به‌ویژه آن‌هایی که بر تکامل جمعیت در طول سال‌ها تمرکز دارند (به عنوان مثال، مرجع [14] ) . با این وجود، داده های جمعیتی سرزمین اصلی چین دارای چندین مقدار گم شده است ( شکل 1ب). در مدل خود، از داده های جمعیت در سالنامه آماری به عنوان متغیر هدف و از تصاویر نور شبانه به عنوان متغیر توضیحی استفاده کردیم. کل داده ها به طور تصادفی به 70% و 30% برای آموزش مستقل و اعتبار سنجی تفکیک شدند.

شکل 2 نمودار جریان مدل ANNGWR را نشان می دهد. این مدل برای تخمین ضرایب مدل بین چراغ های شبانه و داده های جمعیت به کار می رود. در این مطالعه، میانگین مقادیر DN تصاویر نور شبانه و تراکم جمعیت هر شهرستان قابل محاسبه است.

همه ضرایب باید مقادیر مثبت باشند تا از مشکل جمعیت منفی جلوگیری شود. علاوه بر این، پهنای باند به صورت تطبیقی برای تخمین ضریب در این مدل‌ها تنظیم شد. پس از برازش، ضرایب مدل در نقشه فضایی با وزن دهی معکوس فاصله برآورد شد. در نهایت، نقشه تراکم جمعیت بر اساس تصویر نور شبانه و ضرایب برآورد شده از مدل ها ایجاد شد. مدل‌های این مطالعه به شرح زیر است: OLS، GWR اصلی، NNGWR تنها محدودیت غیر منفی را در نظر می‌گیرد و ANNGWR محدودیت غیرمنفی و پهنای باند هسته تطبیقی را در نظر می‌گیرد.

GWR به ضرایب فضایی اجازه می دهد تا مدل رگرسیون [ 11 ] را تخمین بزند، که می تواند به صورت بیان شود.

Yمن = ∑کβک(تومن،vمن)ایکسمنک+εمن

(1)

جایی که Yمنتراکم جمعیت در هر شهرستان است (مشاهده) i . کنشان دهنده شاخص متغیرها است. ایکسمنکبرای ک = 1نشان دهنده اطلاعات نور شبانه (متوسط مقدار DN) در مشاهده i است . βک(تومن،vمن)به ضریب kth که با مختصات مکانی تغییر می کند ( تومن،vمن) در مشاهده من . β0(تومن،vمن)رهگیری را نشان می دهد. β1(تومن،vمن)شیب اطلاعات نور شبانه در مدل است.

ضریب تخمینی β^ک(تومن،vمن)در هر مشاهده من به شرح زیر است:

β^ک(تومن،vمن) = [ایکستیدبلیو(تومن،vمن)ایکس]-1ایکستیدبلیو(تومن،vمن)Y

(2)

جایی که دبلیو(تومن،vمن)یک ماتریس وزن فضایی بر اساس توابع واپاشی فاصله اقلیدسی و گاوسی است. در هر عنصر ماتریس، وزن فضایی در هر مشاهده توسط هسته تعیین می شود. پرکاربردترین هسته تابع هسته گاوسی است.

w(تومن،vمن)j = ه-(دمنj/ساعت)2

(3)

جایی که دمنjنشان دهنده فاصله اقلیدسی مقادیر متغیر بین محل مشاهده i و j همسایه آن است . ساعتنشان دهنده پهنای باند برای هر متغیر تابع گاوسی هسته است. پهنای باند بهینه با رویکرد اعتبارسنجی متقابل در این مطالعه [ 15 ] تعیین می شود. علاوه بر این، پهنای باند بهینه 0.3 است.

نور شب اغلب به طور مثبت با تراکم جمعیت، یعنی مقدار مثبت شیب بین تراکم جمعیت و نور شبانه متناسب است. بنابراین، مدل NNGWR به ضرایب غیر منفی محدود می شود. NNGWR مدل محلی حداقل مربعات است (معادله (4)). در هر مشاهده، حداقل مربعات محدود که در آن ضرایب اجازه منفی شدن ندارند، اعمال شد [ 16 ].

حداقل ∥ایکسβ-Y∥من2س.تی. βک(تومن،vمن)≥0

(4)

بر این اساس، ANNGWR از رویه زیر تشکیل شده است.

GWR اصلی: تخمین اولیه βک(تومن،vمن)با معادله (2)؛

h در مشاهده i که در آن اولیه است βک(تومن،vمن)<0به صورت تکراری تنظیم می شود.

GWR غیر منفی: برآورد βک(تومن،vمن)توسط حداقل مربعات محدود [ 16 ] (معادله (4)).

پهنای باند محلی هنگام در نظر گرفتن معادله (4) به صورت تطبیقی تنظیم شد تا از کمتر شدن ضرایب از صفر جلوگیری شود. اگر ضرایب رگرسیون در یک محدودیت فعال اجازه داده شود که مثبت باشد، پهنای باند هسته به طور تکراری روی یک مقدار کوچک تنظیم می‌شود.

شاخص‌ها، به‌عنوان مثال، R2 ^{، ریشه میانگین مربعات خطا (RMSE)، و Moran’s I [}17 ] جهانی و محلی ، باقی‌مانده‌های مدل برای اعتبارسنجی مدل در این مطالعه استفاده شد. مدل ها در طول 4 سال اعتبار سنجی شدند. با این حال، یکی از آنها یک مورد آزمایشی در سال 2007 بود.

3. نتایج

3.1. مقایسه مدل بین OLS، GWR، NNGWR و ANNGWR

جدول 1 RMSE های OLS، GWR، NNGWR و ANNGWR را نشان می دهد. مدل GWR از OLS بهتر عمل می کند. مدل GWR دقیق‌تر از مدل OLS است که تغییرات فضایی ضرایب را در نظر نمی‌گیرد. شکل 3 نقشه های فضایی تراکم جمعیت در سال 2007 را از OLS، GWR، NNGWR و ANNGWR نشان می دهد. OLS تراکم جمعیت در منطقه روستایی را بیش از حد برآورد می کند ( شکل 3آ). مدل GWR با وزن‌دهی فضایی، ناهمگونی فضایی را در مدل رگرسیون بین نورهای شبانه و تراکم جمعیت در نظر می‌گیرد. مدل GWR می تواند رابطه فضایی نورهای شبانه و تراکم جمعیت را تخمین بزند. تراکم منفی جمعیت از GWR در نواحی غربی سرزمین اصلی چین، به عنوان مثال، سین کیانگ، مغولستان، تبت، چینگهای، گانسو، و سیچوان یافت می شود (رنگ سیاه درشکل 3ب) جایی که تراکم جمعیت به طور قابل توجهی کم است. این تراکم منفی جمعیت در GWR برای تفسیر غیر منطقی است. GWR یک مدل رگرسیون محلی برای مدیریت ناهمگونی فضایی نورهای شبانه و تراکم جمعیت است. با این حال، این مدل به راحتی مشکل جمعیت منفی را در مناطق با تراکم جمعیت کم ایجاد می کند. ضریب شیب تقریباً -50-250 نفر در کیلومتر ^مربع / DN است و رهگیری -600-600 نفر / کیلومتر ^مربع در GWR اصلی است. بر این اساس، این مطالعه بیشتر مدل NNGWR را در نظر می گیرد. ضرایب شیب و رهگیری در NNGWR به ترتیب در 0-180 نفر / کیلومتر ^مربع /DN و 0-850 نفر / کیلومتر ^مربع محدود شده است . RMSE NNGWR در مقایسه با GWR اندکی افزایش می یابد (جدول 1 ). شکل 3 ج نشان می دهد که تراکم منفی جمعیت با استفاده از NNGWR بهبود یافته است. با این حال، تراکم جمعیت تا حد زیادی در استان های مرزی غربی (سین کیانگ و تبت) با استفاده از NNGWR بیش از حد تخمین زده می شود.

مطالعات قبلی نشان داده‌اند که خودهمبستگی فضایی عبارت خطا (مدل باقیمانده) در یک مدل رگرسیونی وجود دارد یا بر اساس موران I جهانی و محلی نیست [ 18 ، 19 ]. مطالعه حاضر مقادیر این شاخص را ارائه می کند تا ثابت کند که GWR، NNGWR و ANNGWR همبستگی فضایی عبارت باقیمانده، یعنی I موران جهانی را کاهش می دهد (جدول 1 ) . Global Moran’s I در ANNGWR نزدیک به صفر است، یعنی توزیع تصادفی باقیمانده ها. شکل 4نقشه های فضایی ضرایب Moran’s I محلی را در چهار مدل نشان می دهد. OLS شامل تعداد زیادی از نقاط کم-پایین (LL) است، به عنوان مثال، مقادیر کم باقیمانده و آنهایی که همسایه پایین، در مرکز چین و بالا-بالا (HH) نقاط در منطقه غربی. چندین نقطه LL در مناطق مرکزی و ساحلی در GWR هستند، در حالی که نقاط HH در منطقه غربی در NNGWR هستند. ANNGWR می تواند بهترین نتایج را به دست آورد، به عنوان مثال، خودهمبستگی فضایی کم ترم باقیمانده. ANNGWR دارای نقاط غیرقابل توجهی بیشتری نسبت به مدل‌های دیگر است، در نتیجه بر توزیع تصادفی باقیمانده‌ها در ANNGWR دلالت دارد. ANNGWR به طور موثر روابط فضایی را برای ناهمگونی فضایی در مدل رگرسیون در نظر می‌گیرد.

3.2. جزئیات ANNGWR

شکل 5 شبیه سازی و مشاهده در مدل های OLS، GWR، NNGWR و ANNGWR را نشان می دهد. R ² OLS فقط 0.45 است ( شکل 5 a). ANNGWR بهترین مدل است ( شکل 5 د) بدون مقادیر منفی تراکم جمعیت و مشکلات جدی برآورد بیش از حد. در ANNGWR، پهنای باند هسته برای تخمین ضرایب موثر تطبیقی است، اگر ضرایب فقط مجاز باشند مثبت باشند. پهنای باند با تمرکز بر مشاهدات، تعادلی بین بهبود دقت و صافی ایجاد می کند [ 20 ]. بر اساس رویکرد تکراری، پهنای باند مناسب به 0.01 اصلاح می شود. شکل 6نقشه های تراکم جمعیت ANNGWR را از پهنای باندهای مختلف در سال 2007 نشان می دهد. با افزایش پهنای باند، تخمین بیش از حد تراکم جمعیت در ناحیه غربی سرزمین اصلی چین جدی تر می شود. تخمین بیش از حد تراکم جمعیت را می توان با در نظر گرفتن پهنای باند کوچکی از تخمین ضریب غیرمنفی حل کرد. شکل 7 a بهترین نقشه های فضایی (غیر منفی و بدون تخمین بیش از حد) تراکم جمعیت در ANNGWR را نشان می دهد. RMSE و Moran’s I of ANNGWR بهترین عملکرد را نشان می دهند ( جدول 1 ).

شکل 7 نقشه های ضریب مدل ANNGWR (برق و شیب) را در سال 2007 نشان می دهد. ضرایب مدل فضایی نشان می دهد که ANNGWR می تواند روابط فضایی بین نور شبانه و تراکم جمعیت را تخمین بزند. مقادیر بالای رهگیری در منطقه شهر وجود دارد، اگر ساکنان محلی به چراغ ها تکیه نکنند. در مقابل، مقادیر پایین در مناطق روستایی است. علاوه بر این، مقادیر شیب در ناحیه شرقی- جنوبی بیشتر از ناحیه روستایی غربی است. نور شبانه و جمعیت ممکن است در مناطق روستایی که زیرساخت‌های انرژی الکتریکی محبوب نیستند، رابطه ضعیفی داشته باشند.

3.3. نقشه های تراکم جمعیت زمانی

با در نظر گرفتن تصاویر چندین ساله شبانه، جزئیات تغییر جمعیت و الگوی شهرنشینی با استفاده از روش توسعه‌یافته در پژوهش حاضر به راحتی قابل ردیابی است. شکل 8شبیه سازی تراکم جمعیت در سال های 2004، 2007، 2010 و 2013 را نشان می دهد. این شکل توزیع، شکل و فشردگی رشد شهری را در دهه های گذشته نشان می دهد. تراکم جمعیت، به عنوان مثال، در مناطق اطراف شهر پکن و در استان هبی، در طول سال ها به طور قابل توجهی افزایش یافته است. این نتایج برای دانشمندان علوم اجتماعی در مطالعه الگوهای در حال تغییر شهرنشینی در یک شهرستان معین و در مناطق مختلف مفید است. برای برنامه ریزان شهری، طرح های شهری کارآمد و پایدار به راحتی بر اساس پیش بینی تولید شده توسط ANNGWR توسعه می یابد. این وظایف را به سختی می توان با بررسی داده های سنتی جمعیت به دست آورد زیرا بررسی سالانه تعداد جمعیت فقط داده های کل را در سطح شهرستان گزارش می کند و تفاوت های مکانی دقیق را در یک شهرستان مشخص نشان نمی دهد.شکل 8 نشان می دهد که تراکم جمعیت فضایی از تصاویر نور شبانه به درستی منعکس کننده اختلاف جمعیت عظیم بین مناطق شرقی و غربی در سرزمین اصلی چین است. از این رو، تصاویر نور شبانه می توانند با موفقیت الگوهای تراکم جمعیت فعلی را بر اساس مدل ما توضیح دهند. نقشه ها ثابت می کنند که شلوغ ترین مناطق ساحلی سرزمین اصلی چین در نزدیکی رودخانه های زرد، یانگ تسه و مروارید قرار دارند. همانطور که در نقشه های تراکم جمعیت چین نشان داده شده است، بیشتر مردم در شهرهای بزرگ متمرکز هستند، به عنوان مثال، شانگهای، پکن، تیانجین، شنژن و گوانگژو. این یافته بازتاب یافته های Lo [ 10]، جایی که شهرنشینی شهرهای بزرگ در سرزمین اصلی چین را می توان از تصاویر نور شبانه تعریف کرد. علاوه بر این، گسترش شهری در نزدیکی رودخانه یانگ تسه تا سال 2007 با سرعت فزاینده ای رخ داد [ 21 ].

در تحقیقات آتی، مناطق شهری و روستایی باید خوشه‌بندی و مدل‌سازی شوند تا عملکرد مدل افزایش یابد. به این ترتیب، تفاوت منطقه ای بین مناطق شهری و روستایی را می توان با استفاده از داده های کاربری زمین، تصاویر نور شبانه، و الگوریتم بهینه سازی در نظر گرفت [ 4 ، 22 ]. تحقیقات آینده همچنین می‌توانند از داده‌های نور شبانه با فرآیند کالیبراسیون DN برای توصیف پویایی شهرنشینی استفاده کنند [ 23 ، 24 ].

4. نتیجه گیری

این مطالعه یک طرح نقشه‌برداری تراکم جمعیت را تنها بر اساس تصاویر نور شبانه و داده‌های بررسی جمعیت پیشنهاد می‌کند و یک رویکرد مؤثر برای کاوش الگوهای فضایی تراکم جمعیت منطقه‌ای با استفاده از ANNGWR ارائه می‌کند. مدل GWR یک روش رگرسیون فضایی است و در شناسایی ضرایب رگرسیون مکانی متغیر بین سنجش از دور و داده‌های بررسی مفید است. با این حال، این مدل به راحتی تراکم منفی بی معنی جمعیت در مناطق روستایی را بر اساس داده های نور شبانه شناسایی می کند. ANNGWR مقدار منفی تراکم جمعیت و مشکل تخمین بیش از حد جدی را از GWR حل می کند. با این تنظیم، مدل جزئیات بیشتری در مورد تغییرات فضایی جمعیت ارائه می دهد. ANNGWR در مقایسه با OLS و GWR بهترین و کمترین ضریب Moran’s I را دارد.

به طور خلاصه، یافته های ما به مطالعه الگوهای مکانی-زمانی شهرنشینی در کشورهای در حال توسعه کمک می کند. پس از اصلاح مشکلات ارزش های منفی بی معنی و برآورد بیش از حد، نتایج می تواند به پیش بینی تراکم جمعیت کمک کند. ما می‌توانیم فرآیند تفصیلی شهرسازی را در یک منطقه محلی معین و در سال‌های مختلف تحلیل کنیم. علاوه بر این، مطالعه ما به بررسی مقادیر گمشده در چندین پرونده جمعیتی منتشر شده توسط دولت کمک می کند. همانطور که گفته شد، در بسیاری از کشورهای در حال توسعه، دولت ممکن است بر انتشار داده ها تأثیر بگذارد و در نتیجه منجر به از دست رفتن سوابق شود. برآورد ما تصحیح معقولی از این مشکل ارائه می دهد. علاوه بر این، سایر عوامل مرتبط با تراکم جمعیت، مانند شکل زمین و پوشش زمین، باید در تحقیقات آینده بیشتر مورد توجه قرار گیرند.

منابع

ساتون، پی. مدل‌سازی تراکم جمعیت با تصاویر ماهواره‌ای شبانه و GIS. محاسبه کنید. محیط زیست سیستم شهری 1997 ، 21 ، 227-244. [ Google Scholar ] [ CrossRef ]
ملاندر، سی. لوبو، جی. استولاریک، ک. Matheson، Z. داده‌های نور شبانه: معیار خوبی برای فعالیت اقتصادی؟ PLoS ONE 2015 , 10 , e0139779. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لی، کیو. لو، ال. ونگ، کیو. زی، ی. Guo, H. نظارت بر پویایی شهری در جنوب شرقی ایالات متحده با استفاده از تصاویر نور شب DMSP/OLS سری زمانی. Remote Sens. 2016 , 8 , 578. [ Google Scholar ] [ CrossRef ]
سان، دبلیو. ژانگ، ایکس. وانگ، ن. Cen، Y. برآورد تراکم جمعیت با استفاده از تصاویر شبانه DMSP-OLS و داده‌های پوشش زمین. تجزیه و تحلیل 2017 ، 8 ، 60. [ Google Scholar ] [ CrossRef ]
راینر، پی جی. Raupach، MR; پاجت، ام. پیلین، پی. کوفی، ای. مجموعه داده های شبکه بندی شده جهانی جدید از انتشار CO2 ناشی از احتراق سوخت های فسیلی: روش شناسی و ارزیابی. جی. ژئوفیز. Res. اتمس. 2010 , 115 . [ Google Scholar ] [ CrossRef ]
Gillespie، TW; فرانکنبرگ، ای. فانگ چام، ک. توماس، دی. سری زمانی نورهای شبانه از آسیب سونامی، بازیابی و معیارهای اقتصادی در سوماترا، اندونزی. سنسور از راه دور Lett. 2014 ، 5 ، 286-294. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
الویج، سی دی; باگ، KE; Kihn، EA; کروهل، HW; دیویس، ER نقشه‌برداری چراغ‌های شهر با داده‌های شبانه از سیستم اسکن عملیاتی DMSP. فتوگرام مهندس Remote Sens. 1997 , 63 , 727-734. [ Google Scholar ]
فن، تغییر جمعیت CC و توسعه منطقه ای در چین: بینش بر اساس سرشماری سال 2000. جئوگر اوراسیا اقتصاد 2002 ، 43 ، 425-442. [ Google Scholar ] [ CrossRef ]
بوستوس، وزارت امور خارجه؛ هال، او. اندرسون، ام. نورهای شبانه و تغییرات جمعیت در اروپا 1992-2012. Ambio 2015 ، 44 ، 653-665. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Lo, CP مدل‌سازی جمعیت چین با استفاده از خطوط عملیاتی DMSP، داده‌های شبانه سیستم را می‌سازد. فتوگرام مهندس Remote Sens. 2001 , 67 , 1037–1047. [ Google Scholar ]
Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون وزن‌دار جغرافیایی: تحلیل روابط متغیر فضایی . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2003. [ Google Scholar ]
لی، ال. لو، دی. نقشه برداری توزیع تراکم جمعیت در مقیاس های چندگانه در استان ژجیانگ با استفاده از نقشه برداری موضوعی لندست و داده های سرشماری. بین المللی J. Remote Sens. 2016 , 37 , 4243–4260. [ Google Scholar ] [ CrossRef ]
اداره ملی آمار چین. سالنامه آماری چین برای اقتصاد منطقه ای 2008-2014 (Zhongguo Quyu Jingji Tongji Nianjian 2008-2014) ; اداره ملی آمار چین: پکن، چین، 2009-2015.
هاودن، دی. ژو، ی. چرا جمعیت چین به سرعت رشد کرد؟ Indep Rev. 2015 , 20 , 227-248. [ Google Scholar ]
چو، اچ جی; هوانگ، بی. Lin, CY مدل‌سازی ناهمگونی مکانی-زمانی در رابطه PM10-PM2.5. اتمس. محیط زیست 2015 ، 102 ، 176-182. [ Google Scholar ] [ CrossRef ]
لاوسون، CL; هانسون، RJ حل مسائل حداقل مربعات . SIAM: Philadelphia, PA, USA, 1995. [ Google Scholar ]
Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
تو، ج. Xia، ZG بررسی روابط متغیر فضایی بین کاربری زمین و کیفیت آب با استفاده از رگرسیون وزن‌دار جغرافیایی I: طراحی و ارزیابی مدل. علمی کل محیط. 2008 ، 407 ، 358-378. [ Google Scholar ] [ CrossRef ] [ PubMed ]
چو، HJ ارزیابی روابط بین ارتفاع و بارش شدید با مدت زمان های مختلف در جنوب تایوان با استفاده از مدل های رگرسیون فضایی. هیدرول. روند. 2012 ، 26 ، 3174-3181. [ Google Scholar ] [ CrossRef ]
رولفس، سی. Zahran, M. انتخاب پهنای باند بهینه برای رگرسیون هسته با استفاده از جستجوی سریع شبکه و یک GPU. در مجموعه مقالات کارگاه های سمپوزیوم پردازش موازی و توزیع شده بین المللی IEEE 2017 (IPDPSW)، اورلاندو، FL، ایالات متحده آمریکا، 29 مه تا 2 ژوئن 2017؛ صص 550-556. [ Google Scholar ]
تان، م. لی، ایکس. لی، اس. شین، ال. وانگ، ایکس. لی، کیو. لی، دبلیو. لی، ی. Xiang، W. مدل‌سازی تراکم جمعیت بر اساس تصاویر نور شبانه و داده‌های کاربری زمین در چین. Appl. Geogr. 2018 ، 90 ، 239-247. [ Google Scholar ] [ CrossRef ]
زنگ، سی. ژو، ی. وانگ، اس. یان، اف. ژائو، کیو. فضایی سازی جمعیت در چین بر اساس تصاویر شبانه و داده های کاربری زمین. بین المللی J. Remote Sens. 2011 , 32 , 9599-9620. [ Google Scholar ] [ CrossRef ]
لو، اچ. ژانگ، ام. سان، دبلیو. لی، دبلیو. تحلیل گسترش تراکم شهری دلتای رودخانه یانگ تسه با استفاده از تصاویر نور شبانه DMSP/OLS برای سال‌های 1993 تا 2012. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 52. [ Google Scholar ] [ CrossRef ]
کومار، پی. سجاد، ح. جوشی، پی کی; الویج، سی دی; رحمان، س. Chaudhary، BS; Tripathy، BR; سینگ، جی. Pipal، G. مدل‌سازی شدت نور پکن، چین با استفاده از داده‌های سری چراغ‌های شبانه DMSP-OLS برای تخمین تراکم جمعیت. فیزیک شیمی. Earth Parts A/B/C 2018 . [ Google Scholar ] [ CrossRef ]