شروع با ArcGIS Urban: ایجاد اولین طرح شما

نقشه برداری سریع و ارزیابی پویا سالانه کیفیت فضاهای سبز شهری در موتور Google Earth

چکیده:

به منظور دستیابی به اهداف توسعه پایدار 2030 سازمان ملل متحد (SDGs) مربوط به فضاهای سبز، نظارت بر فضاهای سبز شهری پویا (UGS) در شهرهای سراسر جهان بسیار مهم است. نقشه برداری پویا پیوسته UGS توسط محاسبات زیاد، مصرف زمان و نیازهای مصرف انرژی به چالش کشیده می شود. بنابراین، یک گردش کار سریع و خودکار برای تولید یک نقشه UGS با دقت بالا مورد نیاز است. در این مطالعه، ما یک گردش کار خودکار برای تولید نقشه‌های UGS به‌روز با استفاده از الگوریتم Otsu، طبقه‌بندی‌کننده جنگل تصادفی (RF) و روش نمونه‌های آموزشی مهاجرت در پلت‌فرم Google Earth Engine (GEE) پیشنهاد کردیم. ما منطقه مرکزی شهری پکن، چین را به عنوان منطقه مورد مطالعه برای اعتبارسنجی این روش در نظر گرفتیم و به سرعت یک نقشه سالانه UGS از منطقه مرکزی شهری پکن از سال 2016 تا 2020 به دست آوردیم. نتایج ارزیابی دقت نشان داد که میانگین دقت کلی (OA) و ضریب کاپا (KC) به ترتیب 96.47% و 94.25% بود. علاوه بر این، ما از شش شاخص برای اندازه‌گیری کیفیت و تغییرات زمانی در توزیع فضایی UGS بین سال‌های 2016 و 2020 استفاده کردیم. به ویژه، کیفیت UGS را با استفاده از شاخص سبزی شهری (UGI) و شاخص تنوع شانون (SHDI) در سطح پیکسل ارزیابی کردیم. . نتایج تجربی موارد زیر را نشان می دهد: (1) UGS ها در مرکز پکن 48.62 کیلومتر افزایش یافته است. ما کیفیت UGS را با استفاده از شاخص سبزی شهری (UGI) و شاخص تنوع شانون (SHDI) در سطح پیکسل ارزیابی کردیم. نتایج تجربی موارد زیر را نشان می دهد: (1) UGS ها در مرکز پکن 48.62 کیلومتر افزایش یافته است. ما کیفیت UGS را با استفاده از شاخص سبزی شهری (UGI) و شاخص تنوع شانون (SHDI) در سطح پیکسل ارزیابی کردیم. نتایج تجربی موارد زیر را نشان می دهد: (1) UGS ها در مرکز پکن 48.62 کیلومتر افزایش یافته است. 2از سال 2016 تا 2020، و این افزایش عمدتاً در مناطق چائویانگ، فنگتای و شیجینگشان متمرکز بود. (2) میانگین نسبت سطوح نسبتاً بالا و بالاتر (UGI > 0.5) در شش منطقه به میزان 2.71٪ در منطقه مورد مطالعه از سال 2016 تا 2020 افزایش یافت و این نسبت در سال 2018 به 36.04 درصد رسید. با این حال، نتیجه ما نشان داد که افزایش در این دوره ارزیابی غیرخطی بود. (3) اگرچه افزایش یا کاهش قابل توجهی در مقادیر SHDI در منطقه مورد مطالعه وجود نداشت، توزیع SHDI نوسانات قابل توجهی را در مناطق شمال غربی، جنوب غربی و شمال شرقی منطقه مورد مطالعه بین سال‌های 2016 و 2020 نشان داد. علاوه بر این، ما بحث کردیم. و تأثیر جمعیت بر توزیع فضایی UGS ها را تحلیل کرد. ما دریافتیم که سه نقطه از پنج نقطه سرد در شرق و جنوب شرقی منطقه هایدیان قرار دارد.
کلمات کلیدی: فضاهای سبز شهری موتور Google Earth (GEE) ؛ جنگل تصادفی (RF) ; Sentinel-2 ; پکن ؛ ارزیابی پویا

1. مقدمه:

فضاهای سبز شهری (UGSs) محیط زندگی پایدار و باکیفیت را برای ساکنان شهر فراهم می کند. در سال های اخیر، UGS ها نقش مهمی در برنامه ریزی و سیاست گذاری شهری ایفا کرده اند [ 1 ]. UGS به تمام فضاهای باز شهری اطلاق می شود که با طراحی یا پیش فرض پوشیده از پوشش گیاهی [ 2 ]. UGS ها، از جمله پارک ها، باغ ها، درختان خیابان، جنگل های شهری و مکان های تاریخی، کیفیت زندگی شهری را از چندین جنبه بهبود می بخشند [ 3 ]. UGS ها همچنین یک محیط طبیعی سالم و راحت ایجاد می کنند. به عنوان مثال، UGS ها می توانند خدمات اکوسیستم (ES) [ 4 ] و تنوع زیستی غنی [ 5 ] را ارائه دهند و جزیره گرمایی شهری (UHI) را کاهش دهند. 6 ]. علاوه بر این، مجموعه قابل توجهی از ادبیات ثابت کرده است که UGS می تواند بر سلامت جسمی و روانی انسان تأثیر بگذارد [ 7 ، 8 ، 9 ]. عدالت زیست‌محیطی زمانی اتفاق می‌افتد که فضای سبز به طور مساوی در یک شهر توزیع شود و این موضوع در سراسر جهان مورد بحث قرار گرفته است [ 10 ]. برای برنامه‌ریزان شهری، ارزیابی‌های به‌روز و پویا توزیع پوشش گیاهی، کارآیی تلاش‌های سبز را بهبود می‌بخشد [ 11 ].
با این حال، مطالعات قبلی تغییر در توزیع UGS را با استفاده از دو یا چند تصویر Landsat با فاصله پنج یا ده سال از هم تجزیه و تحلیل کردند. فن و همکاران [ 12 ] الگوهای مکانی-زمانی دسترسی به فضای سبز عمومی را در سال‌های 2000 و 2010 با استفاده از تصاویر ماهواره‌ای چند منبعی، از جمله نقشه‌های کاربری تاریخی زمین، نقشه‌برداری موضوعی لندست 5 (TM)، نقشه‌بردار موضوعی پیشرفته لندست 7 به علاوه (ETM+) ارزیابی کرد. و SPOT5. با این حال، آنها بینش مهمی در مورد الگوهای فعلی فضاهای سبز شهری در شانگهای، چین ارائه نکردند. بنابراین، آنها قادر به ارائه اطلاعات به موقع و موثر در مورد UGS ها به تصمیم گیرندگان نبودند. ساتیا کومار و همکاران [ 3] تجزیه و تحلیل مکانی-زمانی توزیع فضای سبز شهری در سطح محله را نشان داد. این مطالعه هفت شاخص توزیع UGS را برای سال‌های 2001 و 2010 محاسبه کرد و نشان داد که UGS در بمبئی به طور کلی کاهش یافته و بین سال‌های 2001 تا 2010 تکه تکه شده است، اما تغییرات پویا در توزیع UGS را نادیده می‌گیرد.
تجزیه و تحلیل سالانه پویایی پوشش فضای سبز در مناطق شهری درک کاملی از تغییرات پویا در محیط طبیعی اطراف محل سکونت شهری ارائه می دهد [ 13 ]. نظارت بر توزیع UGS با وضوح مکانی-زمانی نسبتاً بالا به درک بیشتر کیفیت و دسترسی UGS برای ساکنان شهری کمک می کند.
با این حال، ادبیات مربوطه توزیع سالانه و مقدار فضای سبز را با استفاده از سری زمانی شاخص تفاوت نرمال شده گیاهی (NDVI) استخراج شده از طیف رادیومتر تصویربرداری با وضوح متوسط ​​(MODIS) [ 14 ، 15 ، 16 ] بر روی نقشه های پوشش زمین، به ویژه در صورت مطالعه، تجزیه و تحلیل می کند. منطقه بزرگ است یا مطالعه در حال بررسی توزیع UGS در طول زمان است. NDVI به طور یکنواخت از داده های سنجش از راه دور محاسبه می شود، به طوری که اندازه گیری ها در زمان و مکان سازگار هستند. از سوی دیگر، مجموعه داده‌های پوشش زمین، فضای سبز را در یک نقطه زمانی واحد ثبت می‌کنند و عموماً هر چند سال یک‌بار به‌روزرسانی می‌شوند تا فصلی یا سالانه.
اگرچه برخی از مطالعات نشان داده‌اند که تصاویر ماهواره‌ای بلندمدت و چند منبعی برای تشخیص تغییرات در پوشش گیاهی مفید هستند، استفاده از این اطلاعات برای نقشه‌برداری مناطق بزرگ به طور دوره‌ای چالش‌هایی مانند پیچیدگی محاسباتی و هزینه‌های پردازش بالا را به همراه دارد [ 17 ]. اکنون می توان این مشکلات را با استفاده از پلتفرم های مبتنی بر ابر برای داده های سنجش از راه دور، مانند پلت فرم Google Earth Engine (GEE) حل کرد.
GEE یک پلتفرم ابری رایگان است که تصاویر ماهواره‌ای رایگان مانند Landsat TM 7/8 را میزبانی می‌کند. MODIS; و Sentinel-1، -2، -3 و -5-P. GEE و محیط توسعه یکپارچه مبتنی بر وب آن (IDE) نمونه سازی سریع و آسان، تجزیه و تحلیل و تجسم داده های مکانی در مقیاس بزرگ را از طریق پردازش موازی امکان پذیر می کند که زمان محاسبات را کاهش می دهد. بسیاری از محققان از GEE در کاربردهای مختلف در رابطه با محیط زیست و منابع طبیعی، مانند فهرست تالاب [ 18 ]، نقشه برداری پوشش زمین [ 19 ، 20 ]، تشخیص خودکار آب [ 21 ]، تخریب جنگل [ 22 ]، طبقه بندی زمین های زراعی استفاده کرده اند.23 ]، حفاظت و پایداری پوشش گیاهی [ 24 ]، نقشه برداری سیل [ 25 ]، و انواع دیگر برنامه های نقشه برداری و شناسایی. برای مثال مهدیان پری و همکاران. [ 26 ] روش و نتایج نسل اول نقشه موجودی تالاب کانادا را با وضوح 10 متر با استفاده از پلت فرم GEE بهبود بخشید. قربانیان و همکاران با استفاده از هم افزایی چند زمانی مجموعه داده های ماهواره Sentinel-1 و Sentinel-2، یک نقشه بهبود یافته پوشش اراضی ایران با وضوح مکانی 10 متر تولید کرد [ 27 ].
GEE برای نقشه برداری و تجزیه و تحلیل UGS در مقیاس جهانی و ملی استفاده شده است [ 28 ، 29 ، 30 ]. علاوه بر این، برخی از مطالعات تغییرات در اکوسیستم‌های جنگلی را ارزیابی کردند که می‌تواند اطلاعات ارزشمندی در مورد سازگاری با تغییرات آب و هوایی با استفاده از پلت فرم GEE ارائه دهد. روشی که توسط بولاک و همکاران ارائه شده است. [ 22 ] تحقیقات قبلی در تجزیه و تحلیل مخلوط طیفی برای شناسایی تخریب جنگل را به حوزه زمانی گسترش می دهد، و این رویکرد با استفاده از پلت فرم GEE اعمال شد. گیلانی و همکاران [ 30] با استفاده از طبقه‌بندی‌کننده جنگل تصادفی (RF) موجود در پلت‌فرم محاسبات ابری جغرافیایی GEE، تغییراتی را در پوشش حرا در پاکستان شناسایی کرد. با این حال، مطالعات کمی کیفیت UGS را به صورت پویا با استفاده از GEE ارزیابی کرده‌اند. مجموعه داده‌های ماهواره‌ای باز با وضوح مکانی و زمانی بالا، پلت‌فرم‌های محاسبات ابری و الگوریتم‌های یادگیری ماشین، امکانات جدیدی را برای نقشه‌برداری تغییرات در پوشش گیاهی شهری ارائه می‌دهند. برخی از مطالعات دسترسی به UGS را با استفاده از مدل‌سازی سیستم اطلاعات جغرافیایی مبتنی بر داده (GIS) اندازه‌گیری کردند که شامل یک سری زیرشاخص‌های مرتبط با نزدیکی و کیفیت UGS و خدمات اکوسیستمی آن است که از داده‌های فضایی و پرسش‌نامه‌ای مشتق شده‌اند. استسنز و همکاران [ 31] یک ابزار مبتنی بر GIS برای ارزیابی دسترسی به – و کیفیت – UGS برای حمایت از تصمیم‌گیری در مقیاس شهری در بروکسل پیشنهاد کرد. سازمان بهداشت جهانی یک شاخص پیشنهادی از دسترسی به فضای سبز ارائه کرد و آن را در سه شهر اروپایی با استفاده از رویکرد مبتنی بر سیستم اطلاعات جغرافیایی (GIS) به کار برد. با این حال، فقدان داده های جغرافیایی کافی و قابل اعتماد، کاربرد GIS را در ارزیابی های دوره ای UGS محدود کرده است. چند مطالعه رویکردهای مبتنی بر سنجش از دور را برای ارزیابی توزیع UGS در سطوح مختلف، مانند منطقه، شهر، و محله ارائه کردند. چندین موضوع روش شناختی و عملی مانع از انجام ارزیابی های منظم و به روز می شود. به عنوان مثال، چندین مطالعه فقط از معیارهای کمی استفاده می کنند، مانند کل مساحت فضای سبز در یک منطقه یا نسبت مساحت سبز به کل مساحت شهری. مطالعات اخیر اهمیت کیفیت درک شده علاوه بر میزان فضای سبز را هنگام بررسی اثرات مفید فضای سبز نشان می دهد. برخی از مطالعات [ 32 ] همچنین نشان داده اند که هم کیفیت بالاتر پوشش گیاهی (یعنی میزان پوشش گیاهی) و هم تنوع (یعنی انواع مختلف پوشش گیاهی) قابل مشاهده از خانه با سلامتی مرتبط است.
ساده‌ترین و رایج‌ترین معیار عینی فضای طبیعی، شاخص تفاوت نرمال شده گیاهی (NDVI) است که به دلیل روش محاسبه، «سبز بودن» را به جای «فضای سبز» نشان می‌دهد. آتاسوی [ 33] از NDVI برای تخمین فعلی ترین تراکم و پراکندگی فضای سبز شهری در شهر عثمانیه استفاده کرد و انواع مختلف پوشش گیاهی را با استفاده از آستانه NDVI به جای روش طبقه بندی نشان داد. ثابت شده است که استفاده از NDVI به تنهایی برای شناسایی کیفیت و دسترسی به یک منطقه خاص نتایج متناقضی ایجاد می کند. مطالعات اخیر نشان داد که برخی از جنبه های پیکربندی نیز بر کیفیت درک شده توسط ساکنان تأثیر می گذارد، مانند اندازه، شکل و تکه تکه شدن. فضاهای سبز بزرگ و متصل به هم از تنوع زیستی و کیفیت زیبایی بیشتر پشتیبانی می کنند. بنابراین، جنبه‌های پیکربندی استخراج‌شده از داده‌های سنجش از راه دور می‌توانند به عنوان شاخص‌های کیفیت فضای سبز فراتر از NDVI عمل کنند. مطالعات قبلی کیفیت UGS را صرفاً با استفاده از شاخص هایی از همان دسته اندازه گیری کردند: شاخص های پوشش گیاهی یا شاخص های پیکربندی. به عنوان مثال، Xie و همکاران. [ 9 ] از دو شاخص پوشش گیاهی، شاخص تفاوت عادی شده گیاهی (NDVI) و شاخص گیاهی تقویت شده (EVI)، برای ارزیابی سطح سبزی مسکونی استفاده کرد و قرار گرفتن در معرض سبزی طولانی مدت را به عنوان میانگین NDVI و EVI در طول یک دوره خاص تعریف کرد. ساتیا کومار [ 3 ] هفت شاخص پیکربندی UGS را برای ارزیابی تغییر توزیع آن بین سال‌های 2001 و 2011 به کار گرفت.
با توجه به موارد فوق، ما سعی می‌کنیم یک رویکرد مبتنی بر سنجش از دور برای تجزیه و تحلیل توزیع مکانی-زمانی UGS سالانه در GEE پیشنهاد کنیم. اهداف تحقیق ما به شرح زیر است:
  • یک گردش کار جدید و سریع بر اساس تصاویر Sentinel-2 برای تولید نقشه های UGS با وضوح مکانی 10 متر و دقت بالا پیشنهاد کنید و از روش مهاجرت نمونه برای تولید نقشه های UGS به روز سالانه استفاده کنید.
  • با استفاده از شش شاخص الگوی منظر، توزیع مکانی و زمانی UGS را در سطح پیکسل از سال 2016 تا 2020 ارزیابی کنید.

2. مواد و روش ها

2.1. منطقه و داده های مطالعه

پکن در شمال چین با موقعیت مرکزی در 39 درجه و 56 دقیقه شمالی و 116 درجه و 20 دقیقه شرقی واقع شده است و 16410 کیلومتر مربع را اشغال می کند . در پایان سال 2019 و آغاز سال 2020، جمعیت ساکن دائمی شهر 21.57 میلیون نفر بود. منطقه مورد مطالعه 1385.35 کیلومتر مربع را پوشش می دهد و در مرکز پکن قرار دارد که شامل شش ناحیه چائویانگ، دونگ چنگ، فنگتای، هایدیان، شیجینگشان و شیچنگ است ( شکل 1).). قسمت غربی آن مناطق کوهستانی و شرق آن جلگه ای است. این ولسوالی ها مرفه ترین سیاست، اقتصاد و فرهنگ و متراکم ترین جمعیت را دارند. تا پایان سال 2019، تقریباً 48 درصد از کل جمعیت در این منطقه بسیار شهری زندگی می کردند. بر اساس آخرین طرح جامع پکن (2016-2035) و پروژه جنگل کاری (2018-2022)، دولت اندازه فضاهای تفریحی سبز مانند پارک ها، فضاهای سبز کوچک و کوچک و میادین فعالیت را افزایش داده است تا فضای شهری را فراهم کند. ساکنین با فضاهای تفریحی و استراحت راحت تر.
آرشیو داده های عمومی Google Earth Engine شامل مقدار زیادی از تصاویر تاریخی و مجموعه داده های علمی است و بیشتر این مجموعه داده ها مجموعه های تصویری هستند، مانند Landsat، MODIS، و Sentinel [ 34]. مفهوم ImageCollection ارائه شده توسط GEE به این معنی است که ImageCollection پشته یا دنباله ای از تصاویر است و می تواند با چسباندن شناسه دارایی Earth Engine در سازنده ImageCollection بارگذاری شود. این مفهوم جستجوی تصاویر مورد نیاز را برای کاربران راحت تر می کند. تصاویر چند طیفی با وضوح بالا از Sentinel-2 را می توان برای نظارت بر پوشش گیاهی، پوشش خاک و آب، و تغییر پوشش زمین، و همچنین خطرات انسانی و بلایا استفاده کرد. محصول سطح 2A ارائه شده توسط GEE با اجرای Sen2Cor محاسبه شده است، به این معنی که این محصول تصویری برای تصحیح تشعشع و جو پیش پردازش شده است. در محیط ویرایشگر کد GEE، داده‌های Sentinel-2 level 2A به عنوان یک مجموعه تصویر وارد شدند و سپس یک فرآیند فیلتر برای به دست آوردن داده‌های فصلی مناسب اجرا شد. در مطالعه ما، این مجموعه تصویر با سه متغیر فیلتر شد: مکان تحت پوشش، تاریخ و درصد ابر. مکان تحت پوشش چند ضلعی منطقه مورد مطالعه ما بود که ما آن را به محیط GEE وارد کردیم. محدوده تاریخ از 21 ژوئن تا 21 سپتامبر بود که نشان دهنده دوره بیشترین رشد گیاهان در تابستان است. در نهایت، تصاویر با پوشش ابری بیشتر از 7٪ را با پرس و جو از مقدار درصد پیکسل ابری ذخیره شده به عنوان ابرداده برای هر تصویر فیلتر کردیم. پس از تکمیل فرآیند فیلتر کردن داده ها، مجموعه تصویر جدیدی از پوشش کم ابر در تابستان در منطقه مورد مطالعه به دست آوردیم. برای شناسایی و پنهان کردن ابرهای باقیمانده، از باند بیت ماسک QA60 (یک نوار پرچم با کیفیت) موجود در ابرداده تصاویر Sentinel-2 استفاده شد. در این مطالعه، سه باند (B5، B6، و B7، 20 متر) از Sentinel-2 با وضوح 10 متر نمونه برداری شد.

2.2. روش شناسی

این بخش نقشه برداری خودکار و ارزیابی پویا کیفیت UGS با استفاده از GEE را معرفی می کند. رویه های نقشه برداری خودکار UGS شامل دو بخش است: استخراج چند ویژگی و طبقه بندی یادگیری ماشین ( شکل 2 ) و مهاجرت نمونه آموزشی ( شکل 3 ).

2.2.1. استخراج و طبقه بندی UGS

برای درختان و گیاهان کم ارتفاع، مانند علفزارها، ویژگی های طیفی و بافتی متفاوتی در تصاویر چند طیفی وجود دارد [ 35 ، 36 ]. بنابراین، ما سه نوع ویژگی را از تصاویر Sentinel-2 برای تمایز بین انواع مختلف پوشش گیاهی استخراج کردیم. با توجه به اینکه جنگل‌های مناطق کوهستانی ارتفاعات بالاتری را نسبت به مناطق دشتی که معمولاً درختان شهری در آن قرار دارند پوشش می‌دهند، نوار ارتفاعی و باند شیب ارائه‌شده توسط مدل ارتفاع دیجیتال فضایی 30 متری (DEM) موجود در GEE را اضافه کردیم.
من.
ویژگی های طیفی و شاخص های پوشش گیاهی
ویژگی های بازتاب طیفی معمول پوشش گیاهی را می توان به شرح زیر توصیف کرد: در امواج مرئی، دو دره جذب و یک قله بازتاب وجود دارد. در باند مادون قرمز نزدیک، بازتاب قوی در طیف محدوده 0.74-1.3 میکرومتر وجود دارد. بازتاب طیفی گونه های مختلف گیاهی در باند مادون قرمز نزدیک متفاوت است. تغییرات حساس بازتاب طیفی در پوشش گیاهی در حالت‌های رشد مختلف در نوارهای نزدیک مادون قرمز و مرئی برای شناسایی انواع پوشش گیاهی و نظارت بر رشد پوشش گیاهی بسیار مهم است ( پیوست A ، جدول A1 ).
نوع دیگری از ویژگی هایی که امکان شناسایی و نظارت بر پوشش گیاهی را فراهم می کند، شاخص های گیاهی است که توسط داده های سنجش از دور چند طیفی محاسبه می شود. به طور کلی، شاخص های مختلف پوشش گیاهی می تواند نشان دهنده ویژگی های بازتابی پوشش گیاهی در طول موج های مرئی و نزدیک به مادون قرمز باشد. با این حال، شاخص های مختلف پوشش گیاهی منعکس کننده شرایط مختلف رشد پوشش گیاهی است. ما شش شاخص پوشش گیاهی را برای استخراج ویژگی UGS انتخاب کردیم ( پیوست A ، جدول A2 ).
ii
ویژگی های بافتی
ادبیات مربوطه نشان می دهد که بافت یکی از مهم ترین ویژگی ها در طبقه بندی اشیاء مورد علاقه در یک تصویر ماهواره ای یا یک عکس هوایی است [ 37 ، 38 ]. مفهوم بافت به نظم و ویژگی‌هایی اشاره دارد که با ظاهر شدن مکرر تعداد زیادی از اشیاء کوچک در یک تصویر شکل می‌گیرد. مجموعه‌ای از ویژگی‌ها برای طبقه‌بندی تصاویر توسعه داده شده است و ماتریس هم‌روی سطح خاکستری یک روش پرکاربرد برای استخراج ویژگی بافت است. معیارهای بافت را می‌توان توسط GEE از ماتریس هم‌وقوع سطح خاکستری (GLCM) در اطراف هر پیکسل از هر باند محاسبه کرد، و این پیاده‌سازی 14 معیار GLCM پیشنهاد شده توسط Haralick و 4 معیار دیگر از Conners را محاسبه می‌کند. ضمیمه A ، جدول A3 ). در مطالعه خود، باند NIR را به عنوان باند ورودی برای محاسبه ویژگی‌های بافتی انتخاب کردیم.
III.
کاهش تصویر
تمام ویژگی های محاسبه شده را می توان به عنوان یک نوار مجزا برای هر تصویر در مجموعه تصاویر تابستانی اضافه کرد. برای انجام استخراج و طبقه‌بندی، یک مجموعه تصویر باید به یک تصویر منفرد، حاوی اطلاعات هر تصویر انتخاب شده، کاهش می‌یابد. ما با انجام فرآیند کاهش یک تصویر واحد به دست آوردیم. مقدار پیکسل تصویر جدید با محاسبه آماری مقدار پیکسل همان موقعیت در مجموعه تصاویر محاسبه شد. ما از میانه، میانگین و مقادیر پیکسل ها برای انجام کاهش استفاده کردیم.
IV
الگوریتم اوتسو
به منظور افتراق دسته‌های پوشش گیاهی و غیر گیاهی به‌طور خودکار، روش بهینه Otsu [ 39 ] اجرا شد و در باند NDVI تصویر فصلی Sentinel-2 در مطالعه ما بر روی پلت‌فرم GEE اعمال شد. روش Otsu یک روش تقسیم‌بندی تصویر خودکار و بدون نظارت بر اساس مقادیر آستانه است. مقادیر آستانه از هیستوگرام مقیاس خاکستری تصاویر تک باند با به حداکثر رساندن واریانس بین کلاس هدف و پس زمینه به صورت پویا محاسبه شد. علاوه بر این، روش Otsu به دلیل انعطاف پذیری آن برای داده های مختلف با وضوح های فضایی مختلف، به طور گسترده در پردازش تصویر دیجیتال استفاده می شود و برای استخراج جزر و مد [ 40 ] و آب های سطح زمین [ 41 ] استفاده شده است.].
v
طبقه بندی یادگیری ماشینی
طبقه‌بندی یادگیری ماشینی یکی از چهار دسته تحلیلی اصلی الگوریتم‌های یادگیری ماشینی است که برای پردازش داده‌های سنجش از دور اتخاذ شده است [ 42 ]. الگوریتم‌های ناپارامتریک مانند CART، SVM غیرخطی و RF به طور گسترده برای پردازش حجم زیادی از داده‌ها بدون دانش قبلی به روشی انعطاف‌پذیر استفاده شده‌اند.
الگوریتم CART یک روش طبقه بندی بسیار محبوب است که در طبقه بندی سنجش از دور به دلیل کارایی و سادگی در تصمیم گیری استفاده می شود [ 43 ]. ویژگی متمایز CART این است که با به حداکثر رساندن ارزش اطلاعات، تصمیم نهایی را می گیرد.
ماشین بردار پشتیبان (SVM) بر اساس تئوری یادگیری آماری توسعه یافته است و قابلیت تعمیم مدل را با کاهش خطای تعمیم مدل و در عین حال به حداقل رساندن خطای نمونه گیری بهبود می بخشد [ 44 ].
ویژگی‌های SVM را می‌توان در سه نکته زیر خلاصه کرد: اولاً، این رویکرد یک نقشه غیر خطی را از داده‌های ورودی به فضای ویژگی‌های ابعادی بالا متوجه می‌شود و یک ابر صفحه طبقه‌بندی بهینه در همان زمان ساخته می‌شود. ثانیاً، SVM مخصوصاً برای مسائل نمونه محدود مناسب است و مزیت استفاده از SVM این است که تا حد زیادی مشکلات الگوریتم های سنتی انتخاب مدل، یادگیری بیش از حد، غیر خطی بودن، حداقل نقطه محلی و غیره را حل کرده است. در نهایت، این رویکرد باعث بهبود کارایی تصمیم گیری با انتخاب خودکار نقاط داده مهم و کاهش تعداد نقاط تصمیم گیری. الگوریتم SVM یک روش طبقه بندی محبوب است که در طبقه بندی سنجش از دور به دلیل کارایی و سادگی در تصمیم گیری استفاده می شود. 45 ].
طبقه‌بندی‌کننده جنگل تصادفی (RF) یک طبقه‌بندی ناپارامتری است که در اکثر مسائل طبقه‌بندی استفاده شده است [ 46 ، 47 ]. طبقه‌بندی‌کننده RF یک طبقه‌بندی‌کننده مجموعه‌ای است که مجموعه‌ای از CARTها را برای تصمیم‌گیری بهتر طبقه‌بندی ترکیب می‌کند [ 48 ]. هر درخت تصمیم با انتخاب تصادفی زیر مجموعه ای از نمونه های آموزشی از مجموعه داده اصلی ایجاد می شود. بر این اساس، زیرفضای ویژگی ساختار یافته است و تصمیم نهایی کلاس توسط این درختان تصمیم گرفته می شود.
طبقه‌بندی‌کننده‌های RF معمولاً در پلتفرم GEE انتخاب می‌شوند و طیف وسیعی از دقت کلی را به دست آورده‌اند [ 34 ]. چندین ویژگی مهم RF در پلت فرم GEE وجود دارد. اول، الگوریتم RF در GEE اجازه می دهد تا پارامترهای مختلفی را برای به دست آوردن دقت بالاتر تنظیم کنید: تعداد درختان تصمیم و تعداد متغیرها در هر تقسیم، حداقل جمعیت برگ، کسر کیسه، حداکثر تعداد گره ها در هر درخت. و دانه تصادفی. دوم، مزیت قابل توجه طبقه بندی کننده RF توانایی آن در تعیین اهمیت ویژگی های ورودی است [ 49 ]. رتبه بندی متغیر RF به تازگی به عنوان خروجی طبقه بندی کننده جنگل تصادفی به GEE اضافه شده است. 26 ]. اندازه گیری اهمیت متغیر (VI) ارائه شده توسط طبقه بندی کننده RF امکان انتخاب بهترین ترکیب از ویژگی ها را برای دستیابی به دقت بالاتر فراهم می کند. علاوه بر این، RF نیازی به دانستن یا فرض توزیع داده ها از قبل ندارد و حساسیت کمتری به کیفیت داده های آموزشی دارد.

2.2.2. ارزیابی دقت نقشه های UGS

به منظور نمایش بهتر نقشه های طبقه بندی به دست آمده، اندازه گیری آماری دقت برای اعتبار سنجی ضروری است. در این مطالعه، ما از ماتریس سردرگمی نتایج طبقه‌بندی برای ارزیابی دقت آماری توسط چهار شاخص محاسبه‌شده از ماتریس سردرگمی، از جمله دقت کلی (OA)، دقت تولیدکننده (PA)، دقت کاربر (UA) و ضریب کاپا (KC). ماتریس سردرگمی جدولی است که شامل تعداد پیکسل های هر کلاس است که به درستی یا نادرست طبقه بندی شده اند و محاسبه شاخص های ذکر شده در بالا مجاز است [ 50 ].
OA با نسبت تعداد پیکسل های طبقه بندی شده صحیح به تعداد کل پیکسل ها محاسبه می شود که نشان دهنده درصد کل طبقه بندی است [ 51 ]. UA نسبت تعداد کل پیکسل هایی است که به درستی به یک کلاس نسبت داده شده اند به تعداد کل پیکسل هایی از کل تصویری که طبقه بندی کننده در این کلاس قرار می دهد، در حالی که PA به نسبت تعداد پیکسل های یک واحد اشاره دارد. طبقه بندی به درستی توسط طبقه بندی کننده به تعداد کل پیکسل های این کلاس طبقه بندی شده است. KC توافق بین نمونه های طبقه بندی شده و مرجع را اندازه گیری می کند [ 52 ، 53 ].

2.2.3. نقشه برداری سریع سری زمانی با مهاجرت نمونه آموزشی

علیرغم پیشرفت زیاد در نقشه‌برداری پوشش زمین و نقشه‌برداری فضای سبز شهری، نمونه‌های مرجع ناکافی و غیرقابل اعتماد برای آموزش الگوریتم‌های یادگیری ماشین مستقیماً بر دقت طبقه‌بندی نظارت شده تأثیر می‌گذارد [ 54 ]. جمع آوری نمونه های آموزشی منسجم، به موقع و دقیق به منظور تهیه نقشه فضای سبز به روز برای برنامه ریزی شهری مهم است [ 17 ]. بنابراین، لازم است روشی برای انتقال نمونه های آموزشی جمع آوری شده در یک سال مرجع به دوره های دیگر برای طبقه بندی دقیق تدوین شود. برخی از مطالعات از نمونه های آموزشی به دست آمده از نقشه های پوشش زمین قبلی برای طبقه بندی تصاویر فعلی استفاده کرده اند [ 55 ]]. با الهام از برخی مطالعات نقشه برداری از پوشش جهانی یا عظیم زمین برای هر سال هدف با استفاده از نمونه های آموزشی مهاجرت شده در GEE [ 19 ، 27 ]، یک روش کارآمد و آسان برای انتقال ترکیبی از (1) نمونه های حقیقت زمینی جمع آوری شده در یک مرجع توسعه داده شد. سال و (2) نمونه های آموزشی با کیفیت بالا تولید شده برای سال هدف به منظور تولید نقشه های UGS به روز برای هر سال معین بدون جمع آوری دستی نمونه های آموزشی.
در روش پیشنهادی ( شکل 3 )، به منظور اطمینان از کیفیت بالای نمونه های آموزشی مهاجرت شده، هم یک نقشه فضای سبز دقیق و هم مجموعه ای از نمونه های آموزشی با کیفیت بالا یکپارچه شده است. در مطالعات قبلی، از آنجایی که تنها نمونه‌های آموزشی از محصولات پوشش زمین مرجع جمع‌آوری شد [ 56 ]، کیفیت نمونه‌های آموزشی می‌تواند تحت‌تاثیر خطاهای طبقه‌بندی ذاتی نقشه قبلی قرار گیرد. علاوه بر این، استفاده از نمونه‌های آموزش حقیقت زمینی تنها از سال مرجع منجر به این اشکال می‌شود که مجموعه داده‌های حقیقت زمینی برای یک سال مرجع به دلیل تغییر مداوم پوشش زمین نامتعادل است، که منجر به نتایج طبقه‌بندی غیرقابل اعتماد می‌شود [ 17 ].
رویه روش مهاجرت نمونه های آموزشی شامل، (1) تولید نمونه های آموزشی کاندید از نقشه فضای سبز مرجع، (2) محاسبه فاصله زاویه طیفی (SAD) و فاصله اقلیدسی (ED) بین طیف مرجع و طیف هدف، و (3) حذف پیکسل هایی با احتمال زیاد تغییرات در تصاویر از سال های مختلف با یک آستانه معین، بنابراین نمونه های آموزشی بدون تغییر و با کیفیت بالا برای سال مورد نظر ارائه می شود. SAD و ED تغییر در طیف بین سال مرجع و سال هدف را در نمونه‌های آموزش حقیقت کاندید و زمینی اندازه‌گیری می‌کنند، که بهترین اندازه‌گیری‌های بزرگی و شباهت برای تشخیص تغییرات دوزمانی در نظر گرفته می‌شوند [ 57 ].
با اندازه‌گیری جهت تغییر بین دو بردار زمانی، SAD برای تأثیر سایه‌زنی نرمال می‌شود و می‌تواند ویژگی‌های شکل طیفی هدف را برجسته کند [ 58 ]:

که در آن θ زاویه طیفی بیان شده بر حسب رادیان (0-π) است. متغیر i مربوط به باند طیفی است و از یک تا تعداد باندها ( N ) متغیر است. در اینجا، i 14 ویژگی طیفی را برای تصاویر Sentinel-2 نشان می دهد. طیف مرجع زمانی است که هر دو نمونه آموزشی کاندید و حقیقت زمینی در زمان t 1 جمع آوری می شوند و طیف هدفی است که در زمان t 2 اندازه گیری می شود .

ED فاصله اقلیدسی بین دو طیف زمانی است ( و )، که به صورت جذر مجموع مجذورات تفاوت ها بیان می شود [ 19 ]:

در این مطالعه، برای تعیین آستانه معقول برای قضاوت تغییر طیفی، یک روش دم و خطا انجام شد. علاوه بر این، پیکسل‌های نمونه آموزشی باقی‌مانده توسط SAD، ED، و یک معیار تقاطع (SAD ≥ 0.88 و ED ≤ 0.2) شناسایی شدند.

2.2.4. ارزیابی پویا UGS با شاخص های کیفیت

مطالعات اخیر اهمیت کیفیت درک شده علاوه بر مقدار فضای سبز را هنگام بررسی اثرات مفید فضای سبز برجسته کرده اند [ 59 ، 60 ]. برخی از مطالعات، سبز بودن را با استفاده از شاخص تفاوت عادی شده گیاهی (NDVI)، که بیشترین تراکم و توزیع فضای سبز شهری را نشان می دهد، ارزیابی کرده اند. مطالعاتی که صرفاً بر NDVI متکی هستند، پیچیدگی طبیعت را صرفاً به «سبزی» کاهش می‌دهند، که ممکن است نوردهی‌ها را به اشتباه طبقه‌بندی کند و منجر به نتایج ارزیابی محدود شود [ 61 ]]. علاوه بر سبزی، کیفیت فضاهای سبز به طور پیچیده با جنبه های پیکربندی آنها مرتبط است، زیرا تکه های فضای سبز دراز و به خوبی توزیع شده، ساکنان را بهتر جذب کرده و از آنها سود می برند [ 62 ]. بر این اساس، از شش شاخص کیفیت UGS استفاده کردیم ( جدول 1) برای ارزیابی کیفیت توزیع UGS. در این میان، از چهار معیار شامل تراکم پچ UGS (PD)، میانگین مساحت UGS (AREA_MN) و شاخص تجمع (AI) استفاده شد که کیفیت هدف UGS ها را توصیف می کند، زیرا تکه های کوچک، تکه تکه و ساده ارائه می کنند. خدمات ضعیف تر از وصله های بزرگ، پیوسته و پیچیده. چهار معیار فضای سبز از سال 2016 تا 2020 از نقشه های فضای سبز مربوطه محاسبه و برای هر منطقه ارزیابی شد. علاوه بر این، دو شاخص، شاخص سبز شهری (UGI) و شاخص تنوع شانون (SHDI)، نشان دهنده پوشش گیاهی و تنوع لکه سبز در اطراف پیکسل ها (در فاصله 300 متری لاینر) هستند. ارزیابی کیفیت سبزینگی اطراف بر اساس روش پنجره متحرک، ساخت یک پنجره مدور به شعاع 300 متر بود.
دو شاخص دیگر، مساحت UGS (AUGS، کیلومتر 2 ) و درصد ناحیه UGS (PUGS، %) مقدار UGS را در هر منطقه ارزیابی می کنند. شاخص دوم به عنوان نسبت AUGS به کل منطقه (km2 ) ناحیه تعریف می شود و از 0 تا 100 متغیر است.

3. نتایج

3.1. نقشه های طبقه بندی UGS و نتایج ارزیابی دقت

در این بخش، دقت طبقه بندی تعداد مختلف ویژگی های ورودی با استفاده از طبقه بندی کننده RF برای طبقه بندی انواع مختلف پوشش گیاهی مقایسه شده است. سپس، اهمیت ویژگی‌های ورودی مختلف را تحلیل می‌کنیم و بهترین ترکیب ویژگی‌های ورودی برای تهیه نقشه فضای سبز شهری مورد استفاده قرار می‌گیرد. در نهایت، دقت مهاجرت نمونه های مرجع برای نقشه برداری خودکار فضای سبز مورد بحث قرار می گیرد.

3.1.1. دقت طبقه‌بندی مقایسه‌ای پیکربندی‌های مختلف ویژگی ورودی

در این تحقیق، در مجموع 39 نوع ویژگی شامل 14 ویژگی طیفی، 5 شاخص پوشش گیاهی، 18 ویژگی بافت و باند ارتفاعی و شیب محاسبه شد. یکی از مزایای قابل توجه طبقه بندی کننده RF این است که اهمیت هر یک از ویژگی ها قابل ارزیابی است. این زمانی مفید است که بسیاری از ویژگی های ورودی در طبقه بندی کننده گنجانده شده باشند. در GEE، اخیراً امکان خروجی تجزیه و تحلیل اهمیت ویژگی فراهم شده است. بر اساس نمونه‌های آموزشی جمع‌آوری‌شده از هر شش منطقه، اهمیت هر ویژگی را با استفاده از الگوریتم RF ارزیابی کردیم. شکل 4 فاکتور اهمیت هر ویژگی را نشان می دهد.
به طور کلی، ویژگی‌های طیفی به جز ویژگی‌های ارتفاعی و باند شیب، اهمیت بالاتری نسبت به سایر انواع ویژگی‌ها نشان می‌دهند. مهمترین ویژگی های طیفی نوار لبه قرمز 1 و نوار سبز و پس از آن نوار لبه قرمز 2 و باند شدت هستند. ویژگی های بافتی مانند اینرسی و همبستگی نیز اهمیت زیادی برای دستیابی به دقت های بالاتر نشان می دهند. GI و GCVI از ویژگی های شاخص پوشش گیاهی مهم برای طبقه بندی انواع مختلف پوشش گیاهی هستند.
ما دقت طبقه‌بندی پیکربندی‌های مختلف ویژگی‌های ورودی را که توسط نمونه‌های آزمایشی تأیید شده است، که در جدول 2 فهرست شده‌اند، مقایسه کردیم .
این نشان می دهد که با افزایش تعداد ویژگی ها، دقت طبقه بندی به طور مداوم بهبود می یابد. هنگامی که تعداد ویژگی ها از 20 بیشتر شود، دقت طبقه بندی کاهش می یابد. تعداد زیاد متغیرهای ویژگی منجر به راندمان محاسباتی پایین و دقت طبقه‌بندی پایین می‌شود. 20 ویژگی با بالاترین مقادیر اهمیت به عنوان ترکیب ویژگی های ورودی برای طبقه بندی انتخاب شدند. به استثنای تعداد متغیرهای ویژگی، تعداد درختان حیاتی ترین پارامتر برای طبقه بندی مبتنی بر RF است. در مطالعه ما، یک انتخاب پارامتر مناسب خودکار بر اساس ارزیابی دقت آماری برای تعداد درختان در ویرایشگر جاوا اسکریپت GEE ویرایش شد.

3.1.2. ارزیابی دقت برای تمایز نوع پوشش گیاهی با استفاده از طبقه‌بندی‌کننده‌های مختلف نظارت شده

در روش پیشنهادی ( شکل 3 )، تعداد نمونه های آموزشی مهاجرت شده تولید شده از نقشه UGS مرجع متغیر است و کمیت کم داده های آموزشی بر عملکرد طبقه بندی تأثیر می گذارد. محیط GEE چندین طبقه بندی مختلف را ادغام می کند. الگوریتم‌های ناپارامتریک مانند CART، SVM غیرخطی و RF برای تولید نقشه UGS برای سال 2016 پیاده‌سازی شدند. عملکرد طبقه‌بندی‌کننده‌ها با بهترین ترکیب پارامترها با استفاده از یک ماتریس سردرگمی تجزیه و تحلیل و مقایسه شد. دقت کاربر (UA)، دقت تولیدکننده (PA)، و دقت کلی (OA)، همراه با ضریب کاپا (KC)، برآورد شد ( جدول 3 ).
بهترین مقادیر دقت هنگام انجام طبقه بندی با RF، به دست آوردن OA 94.00٪ و KC 89.90٪ به دست آمد. SVM نتایجی با دقت کمی کمتر از RF تولید کرد و KC و OA برآورد شده به ترتیب 93.04% و 89.00% بودند. CART دقت کمتری نسبت به RF و SVM ارائه می دهد.
ما همچنین تأثیر تعداد مختلف نمونه های آموزشی را بر نتایج طبقه بندی تجزیه و تحلیل کردیم و نتایج طبقه بندی کننده های مختلف در شکل 5 نشان داده شده است.
همانطور که در شکل 5 مشاهده می شود ، در مقایسه با سایر طبقه بندی کننده ها، طبقه بندی کننده RF به تعداد نمونه های آموزشی حساس نیست و دقت طبقه بندی آن پایدار است. هنگامی که تعداد نمونه های آموزشی 212 و 247 بود، OA طبقه بندی کننده SVM بالاتر از RF بود، اما تغییر در تعداد نمونه های آموزشی تأثیر قابل توجهی بر دقت طبقه بندی SVM داشت. OA طبقه‌بندی‌کننده CART کمتر از RF و SVM برای اندازه‌های نمونه آموزشی مختلف بود. از آنجایی که روش مهاجرت نمونه آموزشی اتخاذ شده در این مقاله باعث می‌شود تعداد نمونه‌های آموزشی سالانه در نوسان باشد، به منظور دستیابی به دقت طبقه‌بندی پایدار، این مقاله از طبقه‌بندی کننده RF به جای طبقه‌بندی کننده SVM استفاده می‌کند.

3.1.3. نتیجه طبقه بندی سری های زمانی با استفاده از نمونه های آموزشی مهاجرت شده

شکل 6 نتیجه طبقه بندی UGS را در منطقه مورد مطالعه با استفاده از 20 ویژگی بهینه با الگوریتم RF نشان می دهد. از آنجایی که طبقه بندی کننده RF دقت و سرعت اجرای بالایی را نشان داده است، تهیه نقشه های به روز از فضاهای سبز در مناطق شهری می تواند مفید باشد. یک روش خودکار در بخش 2.2.3 پیشنهاد شد . برای به دست آوردن نقشه زیرساخت سبز برای هر سال هدف با مهاجرت نمونه های آموزشی. در مطالعه ما، سال 2016 به عنوان سال مرجع انتخاب شد. هم نمونه های آموزشی حقیقت زمینی 2016 و هم نمونه های آموزشی کاندیدای بدون تغییر متعدد که به طور تصادفی از نقشه UGS 2016 تولید شده اند به عنوان نمونه های آموزشی مرجع برای سال های هدف 2017-2020 در نظر گرفته شدند. نمونه های آموزشی بدون تغییر توسط SAD و ED شناسایی شدند.
میانگین OA و KC از سال 2016 تا 2020 نقشه های فضای سبز تولید شده با استفاده از نمونه های آموزشی مهاجرت شده و طبقه بندی کننده RF به ترتیب 96.47٪ و 94.25٪ بود که نشان دهنده کارایی بالای گردش کار پیشنهادی برای نقشه برداری خودکار UGS است ( جدول 4 ).

3.2. تغییرات زمانی در توزیع فضایی UGS از 2016 تا 2020

با مقایسه نقشه های UGS برای سال 2016 با نقشه های 2020 ( شکل 6 )، متوجه شدیم که فضاهای سبز در مرکز پکن توزیع مشابهی دارند. علاوه بر این، برای ارزیابی کیفی تغییرات زمانی در UGS ها در منطقه مورد مطالعه از سال 2016 تا 2020، چهار معیار الگوی منظر به دست آمده از 2016 تا 2020 در جدول 4 فهرست شده است.
نتایج ( جدول 5 ) نشان می دهد که UGS در مرکز پکن به میزان 48.62 کیلومتر مربع از سال 2016 تا 2020 افزایش یافته است. متعاقباً، PUGS در شهر در این دوره 7.24 درصد افزایش یافته است. علاوه بر این، مقادیر تراکم وصله فضای سبز (PD) 5.88٪ کاهش یافت و میانگین مساحت تکه های UGS (Area_MN) 0.03 هکتار افزایش یافت، که نشان می دهد تکه تکه شدن UGS در این دوره کاهش یافته است. تغییرات در شاخص تجمع (AI) و شاخص ابعاد فراکتال میانگین وزنی (FRAC_AM) نشان می دهد که UGS در این دوره نسبتا فشرده و منظم بود. بنابراین، فضای سبز در مرکز پکن افزایش یافت و در طول سال‌های 2016-2020 یکپارچه‌تر و فشرده‌تر شد.
AUGS و PUGS در Chaoyang، Fengtai، Shijingshan و Xicheng از سال 2016 تا 2020 افزایش یافته است ( جدول 6 ). UGS در منطقه چائویانگ بزرگتر و انباشته تر شد. در همان زمان، تکه تکه شدن پوشش گیاهی در منطقه چائویانگ در این دوره کاهش یافت. ناحیه Haidian دارای بزرگترین AUGS و PUGS بود، و تکه تکه شدن از سال 2016 تا 2020 کاهش یافت. PUGS و AUGS مناطق Dongcheng و Xicheng نسبتا کوچک بودند و میانگین مساحت تکه‌های UGS در این دوره افزایش یافت.

3.3. ارزیابی دینامیکی سالانه کیفیت UGS با استفاده از UGI و SHDI در سطح پیکسل

3.3.1. شاخص سبز شهری (UGI)

شاخص UGI نشان دهنده نرخ پوشش گیاهی 300 متر در اطراف پیکسل مرکزی است. به منظور تشخیص تفاوت در مقادیر UGI پیکسل، با مراجعه به اصل فاصله مساوی و ترکیب آن با نمونه های جمع آوری شده از تصاویر با وضوح بالا Google Earth، مقادیر UGI از مرکز شهر پکن به شش درجه زیر تقسیم می شوند. : کمترین (0.00–0.17)، کم (0.17–0.34)، متوسط ​​(0.34–0.50)، نسبتاً زیاد (0.50–0.67)، زیاد (0.67–0.84) و بالاترین (0.84–1.00). نسبت شش سطح UGI در شش ناحیه بر اساس آمار فضایی از سال 2016 تا 2020 در شکل 7 نشان داده شده است .
به طور کلی، میانگین نسبت سطوح نسبتاً بالا و بالاتر (UGI > 0.5) در شش منطقه 32.45٪ در سال 2016 و 35.16٪ در سال 2020 و حداکثر 36.04٪ در سال 2018 بود. نسبت UGI سطح بالا در هر ناحیه بدون تغییر باقی ماند، در حالی که نسبت UGI بالاترین سطح از سال 2016 تا 2020 اندکی تغییر کرد. منطقه با بالاترین سطح UGI در نواحی چائویانگ، فنگتای، هایدیان از سال 2016 تا 2017 افزایش یافته است. سپس از سال 2017 تا 2020 درگذشت و افزایش کلی را نشان داد. نسبت پایین ترین و پایین ترین سطح UGI به طور قابل توجهی در تمام مناطق از سال 2016 تا 2020 نوسان داشته است. در میان آنها، نسبت پایین ترین سطح در منطقه چائویانگ، منطقه فنگتای، ناحیه دونگ چنگ و ناحیه شیجینگشان افزایش و سپس کاهش یافت. و نسبت پایین ترین سطح در ناحیه هایدیان و ناحیه شیچنگ کاهش و سپس افزایش یافت. نسبت UGI سطح پایین در منطقه Xicheng از سال 2016 تا 2018 کاهش یافته و سپس از 2018 تا 2020 اندکی افزایش یافته است. به طور کلی، نسبت UGI سطح پایین در منطقه Xicheng کاهش یافت و پوشش گیاهی ضعیف از سال 2016 تا 2020 بهبود یافت. 80 درصد مناطق Fengtai، Shijingshan و Chaoyang دارای نرخ های مشابهی در سطوح متوسط ​​و پایین تر از متوسط، در حدود 60٪ بودند. سطح UGI در ناحیه هایدیان عمدتاً نسبتاً بالا و بالاتر از نسبتاً بالا بود که بیش از 50٪ را تشکیل می داد. کمترین درصد در سال 2016 با 52 درصد و در سال 2018 بیشترین میزان آن 58 درصد بوده است. نسبت UGI سطح پایین در منطقه Xicheng از سال 2016 تا 2018 کاهش یافته و سپس از 2018 تا 2020 اندکی افزایش یافته است. به طور کلی، نسبت UGI سطح پایین در منطقه Xicheng کاهش یافت و پوشش گیاهی ضعیف از سال 2016 تا 2020 بهبود یافت. 80 درصد مناطق Fengtai، Shijingshan و Chaoyang دارای نرخ های مشابهی در سطوح متوسط ​​و پایین تر از متوسط، در حدود 60٪ بودند. سطح UGI در ناحیه هایدیان عمدتاً نسبتاً بالا و بالاتر از نسبتاً بالا بود که بیش از 50٪ را تشکیل می داد. کمترین درصد در سال 2016 با 52 درصد و در سال 2018 بیشترین میزان آن 58 درصد بوده است. نسبت UGI سطح پایین در منطقه Xicheng از سال 2016 تا 2018 کاهش یافته و سپس از 2018 تا 2020 اندکی افزایش یافته است. به طور کلی، نسبت UGI سطح پایین در منطقه Xicheng کاهش یافت و پوشش گیاهی ضعیف از سال 2016 تا 2020 بهبود یافت. 80 درصد مناطق Fengtai، Shijingshan و Chaoyang دارای نرخ های مشابهی در سطوح متوسط ​​و پایین تر از متوسط، در حدود 60٪ بودند. سطوح UGI در ناحیه Haidian عمدتاً نسبتاً بالا و بالاتر از نسبتاً بالا بود که بیش از 50٪ را تشکیل می داد. کمترین درصد در سال 2016 با 52 درصد و در سال 2018 بیشترین میزان آن 58 درصد بوده است. نسبت UGI سطح پایین در منطقه Xicheng کاهش یافت و پوشش گیاهی ضعیف از سال 2016 تا 2020 بهبود یافت. سطح UGI در مناطق Xicheng و Dongcheng عمدتاً در سطح متوسط ​​و پایین تر از سطوح متوسط ​​بود که بیش از 80٪ را شامل می شود. . مناطق Fengtai، Shijingshan و Chaoyang دارای نرخ های مشابهی در سطوح متوسط ​​و پایین تر از متوسط، در حدود 60٪ بودند. سطوح UGI در ناحیه Haidian عمدتاً نسبتاً بالا و بالاتر از نسبتاً بالا بود که بیش از 50٪ را تشکیل می داد. کمترین درصد در سال 2016 با 52 درصد و در سال 2018 بیشترین میزان آن 58 درصد بوده است. نسبت UGI سطح پایین در منطقه Xicheng کاهش یافت و پوشش گیاهی ضعیف از سال 2016 تا 2020 بهبود یافت. سطح UGI در مناطق Xicheng و Dongcheng عمدتاً در سطح متوسط ​​و پایین تر از سطوح متوسط ​​بود که بیش از 80٪ را شامل می شود. . مناطق Fengtai، Shijingshan و Chaoyang دارای نرخ های مشابهی در سطوح متوسط ​​و پایین تر از متوسط، در حدود 60٪ بودند. سطوح UGI در ناحیه Haidian عمدتاً نسبتاً بالا و بالاتر از نسبتاً بالا بود که بیش از 50٪ را تشکیل می داد. کمترین درصد در سال 2016 با 52 درصد و در سال 2018 بیشترین میزان آن 58 درصد بوده است. و نواحی چائویانگ نرخ‌های مشابهی در سطوح متوسط ​​و پایین‌تر از متوسط، تقریباً 60 درصد داشتند. سطوح UGI در ناحیه Haidian عمدتاً نسبتاً بالا و بالاتر از نسبتاً بالا بود که بیش از 50٪ را تشکیل می داد. کمترین درصد در سال 2016 با 52 درصد و در سال 2018 بیشترین میزان آن 58 درصد بوده است. و نواحی چائویانگ نرخ‌های مشابهی در سطوح متوسط ​​و پایین‌تر از متوسط، تقریباً 60 درصد داشتند. سطح UGI در ناحیه هایدیان عمدتاً نسبتاً بالا و بالاتر از نسبتاً بالا بود که بیش از 50٪ را تشکیل می داد. کمترین درصد در سال 2016 با 52 درصد و در سال 2018 بیشترین میزان آن 58 درصد بوده است.
شکل 8 تغییرات مکانی-زمانی در UGI در مرکز پکن را نشان می‌دهد که سبز بطری، سبز، سبز روشن، زرد، نارنجی و قرمز به ترتیب پایین‌ترین، کم، متوسط، نسبتاً زیاد، بالا و بالاترین سطوح را نشان می‌دهند. به طور کلی، حاشیه منطقه مورد مطالعه نسبت به مرکز منطقه مورد مطالعه دارای UGI بالاتری بود. مقادیر بالای UGI در شمال منطقه مورد مطالعه توزیع شد. سطح پوشش گیاهی ضعیف، از جمله پایین ترین و پایین ترین سطح، عمدتاً در جنوب منطقه مورد مطالعه توزیع شده است. مهم ترین تغییرات در Fengtai رخ داد، جایی که UGI از سال 2016 تا 2020 افزایش یافت.
شکل 8 f میزان تغییر در مقادیر UGI را بین سال‌های 2016 و 2020 نشان می‌دهد. این نشان می‌دهد که تغییرات پوشش گیاهی شدید در تمام جهات در دهه 2020 رخ داده است، اما در حاشیه منطقه مورد مطالعه متمرکز شده‌اند. افزایش قابل توجهی در مقدار UGI در جنوب منطقه مورد مطالعه، به ویژه در جنوب شرقی منطقه Fengtai و جنوب منطقه Chaoyang مشاهده شد. بخش شرقی منطقه مورد مطالعه هم افزایش و هم کاهش پوشش گیاهی را تجربه کرد. تغییر در پوشش گیاهی در جنوب غربی منطقه مورد مطالعه با افزایش پوشش گیاهی غالب بود. شکل 9 تغییرات دینامیکی سالانه UGI را در پنج منطقه نمونه گیری نشان می دهد.

3.3.2. شاخص تنوع شانون (SHDI)

SHDI در منطقه مورد مطالعه در شکل 10 نشان داده شده است . به طور کلی، مقادیر SHDI در اطراف منطقه مورد مطالعه بالاتر از مقادیر در مرکز و مقادیر SHDI در شمال منطقه مورد مطالعه بیشتر از مقادیر در جنوب بود.
متمایزترین تغییرات فضایی در جنوب منطقه مورد مطالعه، به ویژه در منطقه Fengtai در گوشه جنوب غربی ظاهر شد. SHDI در بسیاری از نقاط، به ویژه در مرکز پکن، پیشرفت چشمگیری را نشان داد. بنابراین، توزیع تنوع شانون در اطراف ساکنان شهر از سال 2016 تا 2020 یکنواخت‌تر بود. ما انحراف استاندارد مقدار SHDI هر پیکسل را بین سال‌های 2016 و 2020 محاسبه کردیم ( شکل 10 f)، که نشان داد توزیع SHDI دارای یک نوسانات محسوس در شمال غرب، جنوب غرب و شمال شرق منطقه مورد مطالعه. این به دلیل افزایش یا کاهش مناطق کم بوته بود ( شکل 6 )، که به نوبه خود بر SHDI این مناطق تأثیر گذاشت.

4. بحث

4.1. همبستگی فضایی بین UGS و تراکم جمعیت

UGI نمایانگر پوشش سبز متناسب در نزدیکی هر پیکسل در کل منطقه مطالعه است. در نظر گرفتن تغییرات مکانی در تراکم جمعیت در آمار توصیفی مقدار UGI به شاخص‌ها اجازه می‌دهد تا دیدگاه‌های شهروندان را نشان دهند، که ممکن است برای مدیریت دولتی معنی‌دارتر باشد.
ما نقشه UGI را با نقشه تراکم جمعیت برای سال 2020 وصل کردیم تا اندازه جمعیت را با توجه به سطوح مختلف سبزی اطراف، به ویژه در شرایط پوشش گیاهی ضعیف شناسایی کنیم ( شکل 11 ). تجزیه و تحلیل نقطه داغ برای شناسایی خوشه بندی فضایی که دارای مقادیر بالا (نقاط داغ) و مقادیر پایین (نقاط سرد) بود استفاده شد [ 63 ].
بر اساس تجزیه و تحلیل نقطه داغ با رندر (Getis-Ord Gi*) ارائه شده توسط ArcGIS، ما آمار Getis-Ord Gi* را برای لایه ورودی، مقدار UGI 2020 و شبکه تراکم جمعیت برای این مطالعه محاسبه کردیم. ما خوشه‌های فضایی معنی‌دار آماری را با نقاط داغ (ارزش UGI بالا و تراکم جمعیت بالا) و نقاط سرد (ارزش UGI پایین و تراکم جمعیت کم) شناسایی کردیم. سپس، پنج نقطه سرد UGI را در منطقه با تراکم جمعیت بالا شناسایی کردیم. سه نقطه از پنج نقطه سرد در شرق و جنوب شرقی ناحیه هایدیان قرار داشتند ( شکل 12 ). نقاط داغ جمعیت و UGI از نظر فضایی ناسازگار بودند.
بنابراین، درک پوشش گیاهی اطراف یک پیکسل جمعیت تراکم ضروری است. برای تشخیص تفاوت در مقدار UGI یک پیکسل جمعیت، با توجه به نسبت مقدار UGI هر پیکسل جمعیت به میانگین مقدار UGI کل جمعیت، میانگین مقدار UGI کل پیکسل جمعیت 0.34 در سال 2020 تعیین شد. مقادیر UGI پیکسل جمعیت به پنج درجه تقسیم شدند: کمترین (0.00-0.17)، کم (0.17-0.25)، متوسط ​​(0.25-0.34)، زیاد (0.34-0.42) و بالاترین (0.42-1.00) ( جدول 7 ). شکل 13 تراکم نسبت ساکنان با سطوح مختلف UGI را در شش منطقه نشان می دهد.
همانطور که از شکل 13 مشاهده می شود ، نسبت ساکنان چائویانگ و شیچنگ در سطوح بالا و بالاتر بیش از 50٪ (به ترتیب 52٪ و 56٪) بود، در حالی که ساکنان در پایین ترین یا پایین ترین سطوح 28٪ و به ترتیب 13 درصد مشاهده می شود که اکثر ساکنان در مناطقی با پوشش گیاهی خوب در این دو ولسوالی قرار داشتند. تا 57% و 54% ساکنان در مناطق با پوشش گیاهی متوسط ​​و زیر پوشش گیاهی در هایدیان و شیجینگشان قرار داشتند، در حالی که نسبت مساحت برای این دو سطح به ترتیب تنها 29% و 34% بود. بنابراین با توجه به ضریب تراکم جمعیت، چیدمان فضای سبز در این دو منطقه باید بهینه شود.

4.2. تمایز بین فضای سبز خصوصی و عمومی

شاخص هدف توسعه پایدار سازمان ملل متحد (SDG) 11.7.1 موارد زیر را ایجاب می کند: «تا سال 2030، دسترسی همگانی به فضاهای سبز و عمومی امن، فراگیر و قابل دسترس، به ویژه برای زنان و کودکان، افراد مسن و افراد دارای معلولیت را فراهم کنید». از مدیران شهری می خواهد که به میزان زمین در نظر گرفته شده برای فضاهای عمومی توجه کنند. برای شهرهای کشورهای در حال توسعه، برخی از شاخص های SDG پیشنهادی در حال حاضر به دلیل کمبود داده متوقف شده است. نظارت بر فضاهای سبز عمومی با استفاده از منابع داده رایگان برای این شهرها بسیار مهم است. بدون تمایز بین فضای سبز عمومی و خصوصی، کیفیت UGS را که توسط ساکنان در یک پیاده‌روی 4 دقیقه‌ای (300 متر) درک می‌شود، ارزیابی کردیم ( بخش 3.3 )..). ما دسترسی به فضاهای سبز عمومی شهری را ارزیابی کردیم تا مشخص کنیم که آیا آنها با SDG11.7.1 مطابقت دارند یا خیر. در مرحله اول، ما از داده های جمع سپاری شده از OpenStreetMap (OSM) استفاده کردیم و روش پیشنهادی لودویگ و همکاران را اقتباس کردیم. [ 64 ] برای تصرف مناطق عمومی. سپس لایه مناطق عمومی با نقشه UGS تقاطع داده شد تا مناطق سبزی که برای عموم آزاد بود شناسایی شوند. بنابراین، کل فضاهای سبز عمومی برآورد شد ( شکل 14 ).
ما از مدل گرانش بهبود یافته [ 65 ] برای اندازه گیری دسترسی به فضاهای سبز عمومی استفاده کردیم. مدل گرانش بهبود یافته نشان داده شده است:

که در آن A i دسترسی فضایی از نقطه جمعیت i است . S j ظرفیت سرویس در محل ارائه دهنده j است . d امپدانس سفر است، به عنوان مثال، مسافت یا زمان سفر بین نقاط i و j . β یک ضریب واپاشی جاذبه است. V j عامل تعدیل تقاضای جمعیت است. و Pk اندازه جمعیت در نقطه k است .

روش رایج دیگری که برای ارزیابی دسترسی استفاده می شود، روش حوضه آبریز شناور دو مرحله ای (2SFCA) است. این دو مدل مقیاس عرضه و تقاضای تسهیلات را در نظر می گیرند. با این حال، 2SFCA نمی‌تواند کاهش قابلیت خدمات تسهیلات را از راه دور در نظر بگیرد [ 66 ]. فضاهای سبز عمومی شهری بر اساس اندازه آنها طبقه بندی می شوند و بر این اساس با شعاع های خدماتی متفاوتی تخصیص می یابند: یک پارک شهری با مساحت بیش از 10 میلی متر مربع به کل شهر و منطقه مجاور در شعاع 3000 متر خدمات می دهد. یک پارک منطقه ای، با مساحت 5 تا 10 میلی متر مربع ، دارای شعاع خدماتی 1500 متر است. و یک پارک منطقه مسکونی، با مساحت 0.5-5 میلی متر 2 ، دارای شعاع سرویس 750 متر است. مدل گرانشی بهبود یافته که معمولاً مورد استفاده قرار می گیرد، محدودیتی در شعاع جستجوی مؤثر یک تأسیسات تعیین نمی کند. ما این مدل را با اضافه کردن ضریب تأثیر M ij مقیاس درجه پارک بهبود دادیم. فرمول به شرح زیر است:

که در آن A i دسترسی فضایی از نقطه جمعیت i است ، S j اندازه فضای سبز پارک j است ، d ij فاصله سفر بین نقاط i و j است، و β یک ضریب واپاشی گرانشی است. در مطالعه ما، β برابر با 1 و M ij برابر با 1 است زمانی که d ij کمتر از شعاع سرویس پارک j باشد.; در غیر این صورت، M ij برابر با 0 است. V j ضریب تعدیل تقاضای جمعیت است، P k اندازه جمعیت در نقطه k است ، و M kj برابر 1 است زمانی که d kj کمتر از شعاع سرویس پارک j باشد. در غیر این صورت، M ij برابر با 0 است.

سپس، ما نقشه دسترسی مرکز پکن را با توجه به مدل گرانشی بهبود یافته برای سال 2020 ترسیم کردیم ( شکل 15 ). دسترسی جمعیت به فضاهای سبز عمومی با توجه به ظرفیت خدماتی پارک و تقاضای جمعیت، تفاوت های مهمی را در توزیع فضایی نشان می دهد. به طور کلی، دسترسی دونگ چنگ و شیچنگ نسبت به چهار منطقه دیگر کمتر بود و کمترین دسترسی در جنوب شرقی منطقه هایدیان و شمال منطقه فنگتای قرار داشت. برای دستیابی به عدالت سبز، افزایش برخی از فضاهای سبز عمومی در مناطق با دسترسی ضعیف مانند پارک های گوشه خیابان و پارک های اجتماعی ضروری است.

5. نتیجه گیری ها

در این مطالعه، نقشه‌های UGS سالانه با قدرت تفکیک مکانی 10 متر برای مرکز شهر پکن تهیه شد. برای این منظور، داده های فصلی Sentinel-2 از 21 ژوئن تا 21 سپتامبر، جمع آوری شده از 2016 تا 2020، به کار گرفته شد. پلت فرم GEE برای به روز رسانی سریع و خودکار نقشه UGS برای هر سال هدف مورد استفاده قرار گرفت. چندین ویژگی استخراج شده از تصاویر Sentinel-2 به طبقه‌بندی کننده RF برای تمایز انواع پوشش گیاهی وارد شد. میانگین OA به‌دست‌آمده 96.47 درصد، پتانسیل بالای روش نقشه‌برداری خودکار پیشنهادی مبتنی بر GEE را برای تولید نقشه‌های UGS به‌روز نشان می‌دهد، که کاربران را قادر می‌سازد، مانند بخش‌های اداری دولتی مربوطه، پویایی UGS را برای مدت طولانی‌تری بررسی کنند. دوره ها
ما توزیع UGS را در مرکز پکن از سال 2016 تا 2020 ارزیابی کردیم. شش معیار الگوی چشم انداز برای ارزیابی کیفیت توزیع UGS به منظور ارائه درک کاملی از پویایی توزیع UGS اتخاذ شد. ما دریافتیم که اکثر مناطق در مرکز پکن وضعیت پوشش گیاهی و تنوع خود را به روشی نوسانی بهبود بخشیده اند. با این حال، توزیع UGS و جمعیت سازگار نبود. به عنوان مثال، در منطقه هایدیان در سال 2020، منطقه ای که UGI کمتر از 0.34 بود، 29 درصد بود، اما جمعیت آن 56 درصد بود. ما نشان دادیم که تنوع فضاهای سبز متوازن تر است. علاوه بر این،
گردش کار پیشنهادی رویکردهای متعدد، تصاویر سری زمانی Sentinel-2 را ترکیب می‌کند و ثابت شده است که پلتفرم GEE در نقشه‌برداری و ارزیابی پویا UGS مؤثر است. گردش کار پتانسیل زیادی برای استفاده در تشخیص پویایی پوشش گیاهی سایر شهرها به شیوه ای مقرون به صرفه دارد. این امر به ویژه در مورد شهرهایی در کشورهای در حال توسعه که پویایی شهری بالایی را از نظر مکانی و زمانی نشان می دهند مفید خواهد بود. با این حال، برای ردیابی پویایی بلندمدت UGS ها، لازم است داده های ماهواره ای دیگر مانند تصاویر Landsat ادغام شوند، زیرا تصاویر چند طیفی Sentinel-2A از سال 2015 زمانی که ماهواره Sentinel-2A در ابتدا پرتاب شد، در دسترس بوده است. علاوه بر این، برای نظارت بر UGS برای مناطق غنی از ابر، تصاویر مایکروویو از Sentinel-1 را می توان با تصاویر نوری ترکیب کرد.

منابع

  1. منگ، کیو. ژانگ، ال. سان، ز. منگ، اف. وانگ، ال. Sun، Y. مشخص کردن روندهای مکانی و زمانی اثر جزیره حرارتی شهری سطحی در یک منطقه اصلی ساخته شده شهری: یک مطالعه موردی 12 ساله در پکن، چین. سنسور از راه دور محیط. 2018 ، 204 ، 826-837. [ Google Scholar ] [ CrossRef ]
  2. لو، AY; جیم، نگرش و انتظار شهروندی CY نسبت به تأمین فضای سبز در محیط شهری فشرده. سیاست کاربری زمین 2012 ، 29 ، 577-586. [ Google Scholar ] [ CrossRef ]
  3. ساتیاکومار، وی. رامسنکران، ر. Bardhan, R. رویکرد جغرافیایی برای ارزیابی پویایی فضایی و زمانی توزیع فضای سبز شهری در میان محله‌ها: نمایشی در بمبئی. شهری برای. سبز شهری. 2020 , 48 , 126585. [ Google Scholar ] [ CrossRef ]
  4. لیو، کیو. تیان، ی. یین، ک. ژانگ، اف. هوانگ، اچ. چن، اف. الگوی منظر بهینه سازی نظری فضای سبز شهری بر اساس عرضه و تقاضای خدمات اکوسیستم. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 263. [ Google Scholar ] [ CrossRef ]
  5. شبلا، م. وبر، دی. شولتز، ال. واینستین، پی. مزایای رفاه مرتبط با تنوع زیستی درک شده و اندازه گیری شده در فضاهای سبز شهری استرالیا. پایداری 2019 ، 11 ، 802. [ Google Scholar ] [ CrossRef ]
  6. چون، بی. گلدمن، جی.-ام. تأثیر سبز شدن بر جزیره گرمایی شهری: تغییرات فصلی و استراتژی‌های کاهش محاسبه کنید. محیط زیست سیستم شهری 2018 ، 71 ، 165-176. [ Google Scholar ] [ CrossRef ]
  7. Shin, JC; کوان، نماینده مجلس؛ Grigsby-Toussaint، DS آیا مرزهای فضایی برای بررسی تأثیر فضای سبز جامعه بر سلامت اهمیت دارند؟ بین المللی J. Env. Res Health Public 2020 , 17 , 7529. [ Google Scholar ] [ CrossRef ]
  8. ویز، دی. استروپ، AM; مایتی، ا. هریس، جی. لینچ، اس ام؛ ووچتیک، اس. گوتیرز-ولز، وی.اچ. Henry, KA اندازه گیری مناظر محله: ارتباط بین ویژگی های منظر یک محله و بقای سرطان روده بزرگ. بین المللی J. Env. Res. بهداشت عمومی 2021 ، 18 ، 4728. [ Google Scholar ] [ CrossRef ]
  9. زی، ی. شیانگ، اچ. دی، ن. مائو، ز. هو، جی. لیو، ایکس. هوو، دبلیو. یانگ، بی. دونگ، جی. وانگ، سی. ارتباط بین سرسبزی مسکونی و کیفیت خواب در جمعیت روستایی چین. محیط زیست بین المللی 2020 , 145 , 106100. [ Google Scholar ] [ CrossRef ]
  10. دسوزا سیلوا، سی. ویگاس، آی. Panagopoulos، Τ.; بل، S. عدالت زیست محیطی در دسترسی به زیرساخت های سبز در دو شهر اروپایی. Land 2018 , 7 , 134. [ Google Scholar ] [ CrossRef ]
  11. رید، م. Kubzansky، LD; لی، جی. شمول، جی ال. Cougherty، JE ارزیابی سبز بودن آسان نیست: مقایسه مجموعه داده‌های NDVI و انواع محله‌ها و ارتباط آنها با سلامت خود رتبه‌بندی در شهر نیویورک. Health Place 2018 ، 54 ، 92-101. [ Google Scholar ] [ CrossRef ]
  12. فن، پ. خو، ال. یو، دبلیو. چن، جی. دسترسی به فضای سبز شهری عمومی در حاشیه شهری: مورد شانگهای. Landsc. طرح شهری. 2017 ، 165 ، 177-192. [ Google Scholar ] [ CrossRef ]
  13. لیو، اس. سو، اچ. کائو، جی. وانگ، اس. Guan، Q. یادگیری از داده ها: یک روش پس طبقه بندی برای تجزیه و تحلیل پوشش سالانه زمین در مناطق شهری. ISPRS J. Photogramm. Remote Sens. 2019 ، 154 ، 202–215. [ Google Scholar ] [ CrossRef ]
  14. جی، JS؛ زو، ا. بای، سی. جیمز، پی. یان، ال. زنگ، ی. وو، سی.-دی. سرسبزی مسکونی و مرگ و میر در پیرترین زنان و مردان در چین: یک مطالعه کوهورت آینده نگر. Lancet 2018 , 392 , S65. [ Google Scholar ] [ CrossRef ]
  15. روگل، ای جی. Carpiano، RM; هندرسون، اس بی؛ Brauer، M. قرار گرفتن در معرض فضای طبیعی، احساس تعلق به جامعه، و پیامدهای نامطلوب سلامت روان در سراسر یک منطقه شهری. محیط زیست Res. 2019 ، 171 ، 365-377. [ Google Scholar ] [ CrossRef ]
  16. یانگ، ال. هو، جی. وانگ، FK; چانگ، KK; چان، KL; وانگ، ام اس؛ هو، اچ سی; یوئن، جی دبلیو. هوانگ، جی. سیو، فضای سبز محله JY، استرس درک شده و کیفیت خواب در جمعیت شهری. شهری برای. سبز شهری. 2020 , 54 , 126763. [ Google Scholar ] [ CrossRef ]
  17. قربانیان، ع. کاکویی، م. امانی، م. مهدوی، س. محمدزاده، ع. حسنلو، م. بهبود نقشه پوشش اراضی ایران با استفاده از تصاویر سنتینل در موتور Google Earth و یک گردش کار خودکار جدید برای طبقه‌بندی پوشش زمین با استفاده از نمونه‌های آموزشی مهاجرت‌شده. ISPRS J. Photogramm. Remote Sens. 2020 , 167 , 276–288. [ Google Scholar ] [ CrossRef ]
  18. مهدیان پری، م. صالحی، ب. محمدی منش، ف. همایونی، س. گیل، ای. اولین نقشه فهرست تالاب نیوفاندلند با وضوح فضایی 10 متر با استفاده از داده های Sentinel-1 و Sentinel-2 در پلت فرم محاسبات ابری موتور Google Earth. Remote Sens. 2018 , 11 , 43. [ Google Scholar ] [ CrossRef ]
  19. هوانگ، اچ. وانگ، جی. لیو، سی. لیانگ، ال. لی، سی. Gong, P. مهاجرت نمونه های آموزشی به سمت نقشه برداری جهانی پویای پوشش زمین. ISPRS J. Photogramm. Remote Sens. 2020 , 161 , 27–36. [ Google Scholar ] [ CrossRef ]
  20. لی، کیو. کیو، سی. ما، ال. اشمیت، ام. Zhu، XX نقشه برداری از پوشش زمین آفریقا با وضوح 10 متر از داده های سنجش از راه دور چند منبعی با موتور Google Earth. Remote Sens. 2020 , 12 , 602. [ Google Scholar ] [ CrossRef ]
  21. وانگ، ی. لی، ز. زنگ، سی. Xia، G.-S. شن، اچ. روش استخراج آب شهری با ترکیب یادگیری عمیق و موتور گوگل ارث. IEEE J. Sel. بالا. Appl. Obs زمین. Remote Sens. 2020 , 13 , 769–782. [ Google Scholar ] [ CrossRef ]
  22. بولاک، EL; Woodcock، CE; Olofsson، P. نظارت بر تخریب جنگل های استوایی با استفاده از اختلاط طیفی و تجزیه و تحلیل سری های زمانی Landsat. سنسور از راه دور محیط. 2020 , 238 , 110968. [ Google Scholar ] [ CrossRef ]
  23. شیونگ، جی. سپسکبیل، ص. گوما، MK; Teluguntla، P. پونلت، جی. Congalton، RG; یداو، ک. تاو، دی. نقشه برداری خودکار زمین های زراعی قاره آفریقا با استفاده از محاسبات ابری موتور Google Earth. ISPRS J. Photogramm. Remote Sens. 2017 , 126 , 225–244. [ Google Scholar ] [ CrossRef ]
  24. پراتیکو، اس. سولانو، اف. دی فازیو، اس. Modica، G. طبقه‌بندی یادگیری ماشینی زیستگاه‌های جنگلی مدیترانه‌ای در موتور Google Earth بر اساس سری‌های زمانی سنتینل-2 فصلی و بهینه‌سازی ترکیب تصویر ورودی. Remote Sens. 2021 , 13 , 586. [ Google Scholar ] [ CrossRef ]
  25. کولتین، بی. مک مایکل، اس. اسمیت، تی. Fong، T. نقشه برداری سیلاب تقویت شده خودکار از داده های ماهواره ای. بین المللی J. Remote Sens. 2016 , 37 , 993–1015. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. مهدیان پری، م. بریسکو، بی. گرنجر، جی. محمدی منش، ف. صالحی، ب. بانک ها، اس. همایونی، س. بورژو چاوز، ال. Weng, Q. نقشه موجودی تالاب کانادایی نسل دوم با وضوح 10 متر با استفاده از موتور Google Earth. می توان. J. Remote Sens. 2020 , 46 , 360–375. [ Google Scholar ] [ CrossRef ]
  27. هوانگ، سی. یانگ، جی. کلینتون، ن. یو، ال. هوانگ، اچ. درونوا، آی. جین، جی. نقشه برداری از حداکثر گستره فضاهای سبز شهری در 1039 شهر با استفاده از تصاویر ماهواره ای متراکم. محیط زیست Res. Lett. 2021 , 16 , 064072. [ Google Scholar ] [ CrossRef ]
  28. هوانگ، سی. یانگ، جی. جیانگ، پی. ارزیابی تأثیرات فرم شهری بر ساختار منظر فضاهای سبز شهری در چین با استفاده از تصاویر Landsat بر اساس موتور Google Earth. Remote Sens. 2018 , 10 , 1569. [ Google Scholar ] [ CrossRef ]
  29. دوان، کیو. تان، م. گوا، ی. وانگ، ایکس. Xin، L. درک توزیع فضایی جنگل‌های شهری در چین با استفاده از تصاویر Sentinel-2 با موتور Google Earth. Forests 2019 , 10 , 729. [ Google Scholar ] [ CrossRef ]
  30. گیلانی، ح. ناز، سلام؛ ارشد، م. ناظم، ک. اکرم، یو. ابرار، ع. آصف، م. ارزیابی حفاظت و پایداری حرا از طریق تحلیل تغییر پوشش حرا در پاکستان فضایی-زمانی (1990-2020). استوار. ساحل. Shelf Sci. 2021 , 249 . [ Google Scholar ] [ CrossRef ]
  31. استسنز، پی. خان، AZ هیزمنز، ام. Canters، F. تجزیه و تحلیل دسترسی و کیفیت فضای سبز شهری: یک مدل مبتنی بر GIS به عنوان پشتیبانی تصمیم گیری فضایی برای خدمات اکوسیستم شهری در بروکسل. اکوسیستم. خدمت 2017 ، 28 ، 328-340. [ Google Scholar ] [ CrossRef ]
  32. هانولد، جی. دریاچه ها، تی. بیر، آر. ون در میر، ای. بازسازی در فضاهای شهری: مناظر طبیعت از خانه، راه‌های سبز، و پارک‌های عمومی. محیط زیست رفتار 2016 ، 48 ، 796-825. [ Google Scholar ] [ CrossRef ]
  33. آتاسوی، ام. نظارت بر فضاهای سبز شهری و تکه تکه شدن منظر با استفاده از سنجش از دور: مطالعه موردی در عثمانیه، ترکیه. محیط زیست نظارت کنید. ارزیابی کنید. 2018 ، 190 ، 713. [ Google Scholar ] [ CrossRef ]
  34. تمیمینیا، اچ. صالحی، ب. مهدیان پری، م. کواکنبوش، ال. عادلی، س. Brisco، B. Google Earth Engine برای برنامه های کاربردی داده های جغرافیایی بزرگ: یک متاآنالیز و بررسی سیستماتیک. ISPRS J. Photogramm. Remote Sens. 2020 , 164 , 152–170. [ Google Scholar ] [ CrossRef ]
  35. Myint، SW; گوبر، پ. برازل، ا. گروسمن کلارک، اس. Weng، Q. طبقه‌بندی بر پیکسل در مقابل شیء مبتنی بر استخراج پوشش زمین شهری با استفاده از تصاویر با وضوح فضایی بالا. سنسور از راه دور محیط. 2011 ، 115 ، 1145-1161. [ Google Scholar ] [ CrossRef ]
  36. اوما، یو. نگگی، تی. Tateishi, R. در مورد بهینه‌سازی و انتخاب بافت موجک برای استخراج ویژگی از تصاویر ماهواره‌ای با وضوح بالا با کاربرد به سمت ترسیم درختان شهری. بین المللی J. Remote Sens. 2006 ، 27 ، 73-104. [ Google Scholar ] [ CrossRef ]
  37. هارالیک، آر.ام. شانموگام، ک. ویژگی های بافتی Dinstein، IH برای طبقه بندی تصویر. IEEE Trans. سیستم مرد سایبرن 1973 ، 610-621. [ Google Scholar ] [ CrossRef ]
  38. هدایت، س. ماتسوکا، ام. باجا، اس. Rampisela، DA تجزیه و تحلیل تصویر مبتنی بر شی برای طبقه بندی نخل ساگو: مهمترین ویژگی های تصاویر ماهواره ای با وضوح بالا. Remote Sens. 2018 , 10 , 1319. [ Google Scholar ] [ CrossRef ]
  39. Otsu، N. روش انتخاب آستانه از هیستوگرام های سطح خاکستری. IEEE Trans. سیستم مرد سایبرن 1979 ، 9 ، 62-66. [ Google Scholar ] [ CrossRef ]
  40. جیا، م. وانگ، ز. مائو، دی. رن، سی. وانگ، سی. Wang، Y. نقشه برداری سریع، مستحکم و خودکار از مناطق جزر و مدی در چین با استفاده از تصاویر سری زمانی Sentinel-2 و موتور Google Earth. سنسورهای از راه دور محیط. 2021 ، 255 ، 112285. [ Google Scholar ] [ CrossRef ]
  41. دانچیتس، جی. باارت، اف. وینسمیوس، اچ. گولیک، ن. کوادیک، جی. Van De Giesen، شمال تغییر آب سطحی زمین در 30 سال گذشته. نات. صعود تغییر 2016 ، 6 ، 810-813. [ Google Scholar ] [ CrossRef ]
  42. ماکسول، AE; وارنر، TA; Fang, F. پیاده سازی طبقه بندی یادگیری ماشینی در سنجش از دور: یک بررسی کاربردی. بین المللی J. Remote Sens. 2018 , 39 , 2784–2817. [ Google Scholar ] [ CrossRef ]
  43. Le، QI; Yue، CR طبقه بندی تصویر سنجش از دور بر اساس روش درخت تصمیم گیری CART. برای. طرح موجودی. 2011 ، 36 ، 62-66. [ Google Scholar ]
  44. اوستونر، م. سانلی، FB; Dixon، B. کاربرد ماشین‌های بردار پشتیبان برای طبقه‌بندی کاربری زمین با استفاده از تصاویر با وضوح بالا RapidEye: یک تحلیل حساسیت. یورو J. Remote Sens. 2017 ، 48 ، 403-422. [ Google Scholar ] [ CrossRef ]
  45. کرانچیچ، ن. مداک، د. ژوپان، آر. Rezo، M. ارزیابی دقت ماشین بردار پشتیبانی برای استخراج مناطق سبز شهری در شهرها. Remote Sens. 2019 , 11 , 655. [ Google Scholar ] [ CrossRef ]
  46. Phan، TN; کوچ، وی. Lehnert، LW طبقه‌بندی پوشش زمین با استفاده از موتور Google Earth و طبقه‌بندی تصادفی جنگل – نقش ترکیب تصویر. Remote Sens. 2020 , 12 , 2411. [ Google Scholar ] [ CrossRef ]
  47. سارا، بی. کرهین، م. جان، پی. موری، آر. وانگ، اچ. جیسون، دی. ارزیابی پتانسیل برای عملیاتی کردن نگاشت حساسیت خط ساحلی: طبقه‌بندی صحنه‌های پلاریزه چندگانه با چهارچوب ریز عریض و لندست 5 با یک مدل جنگل تصادفی منفرد. Remote Sens. 2015 ، 7 ، 13528–13563. [ Google Scholar ]
  48. دو، ال. فنگ، ی. لو، دبلیو. کنگ، ال. Yang, Z. تحلیل بازی تکاملی رفتارهای تصمیم گیری ذینفعان در مدیریت ضایعات ساخت و ساز و تخریب. محیط زیست ارزیابی تاثیر Rev. 2020 , 84 , 106408. [ Google Scholar ] [ CrossRef ]
  49. محمدی منش، ف. صالحی، ب. مهدیان پری، م. بریسکو، بی. Gill، E. پاسخ‌های sar پلاریمتری فشرده کامل و شبیه‌سازی شده به تالاب‌های کانادا: تجزیه و تحلیل و طبقه‌بندی تفکیک پذیری. Remote Sens. 2019 , 11 , 516. [ Google Scholar ] [ CrossRef ]
  50. گو، اچ. لی، اچ. یان، ال. لیو، ز. بلاشکه، تی. Soergel، U. یک روش طبقه‌بندی معنایی مبتنی بر شی برای تصاویر سنجش از دور با وضوح بالا با استفاده از هستی‌شناسی. Remote Sens. 2017 , 9 , 329. [ Google Scholar ] [ CrossRef ]
  51. Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. 1991 ، 37 ، 35-46. [ Google Scholar ] [ CrossRef ]
  52. شهرام، NSN; شفری، HZM; غنی، واواک; سمستلی، س. شاهزاده، اچ ام. یوسف، ب. Hamud، AM نقشه برداری توزیع فضایی و تغییرات پوشش زمین نخل روغنی با استفاده از یک پلت فرم نقشه برداری مبتنی بر ابر منبع باز. بین المللی J. Remote Sens. 2019 , 40 , 7459–7476. [ Google Scholar ] [ CrossRef ]
  53. لی، سی. وانگ، جی. وانگ، ال. هو، ال. Gong, P. مقایسه الگوریتم‌های طبقه‌بندی و حجم نمونه آموزشی در طبقه‌بندی اراضی شهری با تصاویر نقشه‌برداری موضوعی لندست. Remote Sens. 2014 , 6 , 964–983. [ Google Scholar ] [ CrossRef ]
  54. امانی، م. بریسکو، بی. افشار، م. میرمضلومی، س.م. مهدوی، س. میرزاده، SMJ; هوانگ، دبلیو. Granger, J. یک طرح طبقه بندی نظارت شده تعمیم یافته برای تولید نقشه های موجودی تالاب استانی: کاربرد موتور Google Earth برای پردازش داده های جغرافیایی بزرگ. داده های زمین بزرگ 2019 ، 3 ، 378–394. [ Google Scholar ] [ CrossRef ]
  55. ژانگ، هنگ کنگ؛ روی، DP با استفاده از محصول پوشش زمین 500 متری MODIS برای استخراج یک طبقه بندی پوشش زمین لندست در مقیاس قاره ای 30 متری. سنسور از راه دور محیط. 2017 ، 197 ، 15-34. [ Google Scholar ] [ CrossRef ]
  56. رادوکس، جی. لامارچ، سی. ون بوگارت، ای. بونتمپس، اس. براکمن، سی. Defourny، P. استخراج نمونه آموزشی خودکار برای نقشه برداری جهانی پوشش زمین. Remote Sens. 2014 , 6 , 3965–3987. [ Google Scholar ] [ CrossRef ]
  57. جی، ال. گنگ، ایکس. سان، ک. ژائو، ی. Gong, P. روش تشخیص هدف برای نقشه برداری آب با استفاده از تصاویر Landsat 8 OLI/TIRS. آب 2015 ، 7 ، 794-817. [ Google Scholar ] [ CrossRef ]
  58. کاروالیو جونیور، OA; Guimarães، RF; گیلسپی، آر. سیلوا، NC; Gomes، RA رویکردی جدید برای تغییر تحلیل برداری با استفاده از اندازه‌گیری فاصله و شباهت. Remote Sens. 2011 ، 3 ، 2473-2493. [ Google Scholar ] [ CrossRef ]
  59. هالند، سی. ون دن بوش، چالش‌ها و استراتژی‌های CK برای برنامه‌ریزی فضای سبز شهری در شهرهای تحت تراکم‌سازی: یک بررسی. شهری برای. سبز شهری. 2015 ، 14 ، 760-771. [ Google Scholar ] [ CrossRef ]
  60. د لا باررا، اف. Reyes-Paecke، S. بنزاف، ه. شاخص هایی برای فضاهای سبز در محیط های شهری متضاد. Ecol. اندیک. 2016 ، 62 ، 212-219. [ Google Scholar ] [ CrossRef ]
  61. هنگ، کی. Tsin، PK; ون دن بوش، م. برائر، ام. هندرسون، SB سبزی شهری استخراج شده از ویدیوی عابر پیاده و رابطه آن با دمای هوای اطراف. شهری برای. سبز شهری. 2019 ، 38 ، 280-285. [ Google Scholar ] [ CrossRef ]
  62. شما، H. مشخص کردن نابرابری ها در تأمین فضای سبز عمومی شهری در شنژن، چین. Habitat Int. 2016 ، 56 ، 176-180. [ Google Scholar ] [ CrossRef ]
  63. Kondo، K. تجزیه و تحلیل نقاط گرم و سرد با استفاده از Stata. Stata J. 2016 ، 16 ، 613-631. [ Google Scholar ] [ CrossRef ]
  64. لودویگ، سی. هچت، ر. لاتنباخ، اس. شورشت، ام. Zipf، A. نقشه برداری از فضاهای سبز شهری عمومی بر اساس نقشه خیابان باز و تصاویر Sentinel-2 با استفاده از توابع باور. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 251. [ Google Scholar ] [ CrossRef ]
  65. Guagliardo، MF دسترسی فضایی مراقبت های اولیه: مفاهیم، ​​روش ها و چالش ها. بین المللی J. Health Geogr. 2004 ، 3 ، 1-13. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  66. جیائو، اچ. لی، سی. یو، ی. پنگ، Z. عدالت فضای سبز عمومی شهری در برابر زمینه شهرنشینی پرسرعت در ووهان، چین مرکزی. پایداری 2020 ، 12 ، 9394. [ Google Scholar ] [ CrossRef ]
  67. کانرز، RW; تریودی، م.م. هارلو، CA تقسیم بندی صحنه شهری با وضوح بالا با استفاده از عملگرهای بافت. محاسبه کنید. Vis. نمودار. فرآیند تصویر 1984 ، 25 ، 273-310. [ Google Scholar ]
Ijgi 10 00670 g001 550
شکل 1. منطقه مطالعه. ( الف ) منطقه مورد مطالعه در مرکز پکن واقع شده است. ( ب ) تصویر پس‌زمینه یک تصویر Sentinel-2 است که در 10 اوت 2020 گرفته شده است، در WGS84، با رنگ واقعی (R = باند 4، G = باند 3، و B = B2)، با وضوح فضایی 10 متر گرفته شده است. ; ( ج ) مدل رقومی ارتفاع (DEM) در تفکیک مکانی 30 متر و توزیع شش ناحیه – محفظه کوچک واقع در شمال شرقی منطقه تحقیقاتی فرودگاه بین‌المللی پایتخت پکن است که توسط منطقه چائویانگ مدیریت می‌شود.
Ijgi 10 00670 g002 550
شکل 2. نمودار جریان روش پیشنهادی برای طبقه بندی UGS در GEE.
Ijgi 10 00670 g003 550
شکل 3. فلوچارت برای تولید نقشه های UGS به روز برای هر سال هدف.
Ijgi 10 00670 g004 550
شکل 4. ارزش اهمیت ویژگی های تصویر.
Ijgi 10 00670 g005 550
شکل 5. دقت تعداد متفاوت نمونه های آموزشی برای سه طبقه بندی کننده یادگیری ماشین.
Ijgi 10 00670 g006a 550 Ijgi 10 00670 g006b 550
شکل 6. نتیجه استخراج ( a , c , e , g , i ) و نتیجه طبقه بندی ( b , d , f , h , j ) UGS در مرکز پکن از 2016 تا 2020.
Ijgi 10 00670 g007 550
شکل 7. درصد سطوح مختلف UGI در شش ولسوالی.
Ijgi 10 00670 g008 550
شکل 8. نقشه های توزیع UGI منطقه مورد مطالعه از سال 2016 تا 2020.
Ijgi 10 00670 g009 550
شکل 9. توزیع UGI در پنج منطقه نمونه (a, b, c, d, e در شکل 8 f) از 2016 تا 2020.
Ijgi 10 00670 g010a 550 Ijgi 10 00670 g010b 550
شکل 10. نقشه های توزیع SHDI برای منطقه مورد مطالعه از 2016-2020.
Ijgi 10 00670 g011 550
شکل 11. ( الف ) توزیع فضایی نقشه UGI و ( ب ) نقشه تراکم جمعیت برای سال 2020.
Ijgi 10 00670 g012 550
شکل 12. ( الف ) توزیع فضایی نقاط گرم و سرد UGI و ( ب ) تراکم جمعیت در مرکز پکن در سال 2020.
Ijgi 10 00670 g013 550
شکل 13. نسبت جمعیت با سطوح مختلف UGI در شش منطقه.
Ijgi 10 00670 g014 550
شکل 14. توزیع فضاهای سبز عمومی و خصوصی در سال 2020.
Ijgi 10 00670 g015 550
شکل 15. نقشه دسترسی به فضاهای سبز عمومی برای مرکز پکن در سال 2020.

مقالات داخلی و بین المللی

فضاهای سبز شهری در موتور Google Earth

مطالب مرتبط ...

1 نظر

دیدگاهتان را بنویسید