ویژگی های تکامل مکانی-زمانی و تمایز منطقه ای شهرنشینی در چین از سال 2003 تا 2013

خلاصه

کمی سازی الگوهای زمانی و مکانی سطوح غیرقابل نفوذ (IS) برای ارزیابی اثرات زیست محیطی و اکولوژیکی شهرنشینی مهم است. به منظور استخراج بهتر IS، و برای کشف واگرایی در شهرنشینی در مناطق مختلف، تحقیق در مورد ویژگی‌های تمایز منطقه‌ای و ویژگی‌های تفاوت تغییر منطقه‌ای IS مورد نیاز است. برای استخراج منطقه غیرقابل نفوذ شهری چین در سال 2013، از داده‌های نور شب (NTL) 2013 و طیف‌سنجی با وضوح متوسط ​​تصویربرداری با تفکیک طبیعی شده شاخص گیاهی و شاخص گیاهی تقویت‌شده (EVI) داده‌های سری زمانی استفاده کردیم و از سه شاخص استخراج سطح غیرقابل نفوذ شهری-Human استفاده کردیم. شاخص، شاخص شهری NTL با پوشش گیاهی، و شاخص NTL تنظیم شده با EVI (EANTLI) – که به عنوان بهترین و پرکاربردترین شاخص ها برای استخراج مناطق غیرقابل نفوذ شهری شناخته می شوند. ما از نتایج طبقه‌بندی تصاویر Landsat-8 به عنوان داده‌های معیار برای مقایسه بصری و تأیید نتایج منطقه غیرقابل نفوذ شهری استخراج‌شده توسط سه شاخص استفاده کردیم. ما تعیین کردیم که شاخص EANTLI توزیع ناحیه غیرقابل نفوذ را بهتر منعکس می کند. بنابراین، ما از شاخص EANTLI برای استخراج منطقه غیرقابل نفوذ شهری از سال 2003 تا 2013 در منطقه مورد مطالعه استفاده کردیم و تمایز مکانی و زمانی در IS شهری را مورد تحقیق قرار دادیم. نتایج نشان داد که مساحت IS شهری چین 70179.06 کیلومتر بود ما از نتایج طبقه‌بندی تصاویر Landsat-8 به عنوان داده‌های معیار برای مقایسه بصری و تأیید نتایج منطقه غیرقابل نفوذ شهری استخراج‌شده توسط سه شاخص استفاده کردیم. ما تعیین کردیم که شاخص EANTLI توزیع ناحیه غیرقابل نفوذ را بهتر منعکس می کند. بنابراین، ما از شاخص EANTLI برای استخراج منطقه غیرقابل نفوذ شهری از سال 2003 تا 2013 در منطقه مورد مطالعه استفاده کردیم و تمایز مکانی و زمانی در IS شهری را مورد تحقیق قرار دادیم. نتایج نشان داد که مساحت IS شهری چین 70179.06 کیلومتر بود ما از نتایج طبقه‌بندی تصاویر Landsat-8 به عنوان داده‌های معیار برای مقایسه بصری و تأیید نتایج منطقه غیرقابل نفوذ شهری استخراج‌شده توسط سه شاخص استفاده کردیم. ما تعیین کردیم که شاخص EANTLI توزیع ناحیه غیرقابل نفوذ را بهتر منعکس می کند. بنابراین، ما از شاخص EANTLI برای استخراج منطقه غیرقابل نفوذ شهری از سال 2003 تا 2013 در منطقه مورد مطالعه استفاده کردیم و تمایز مکانی و زمانی در IS شهری را مورد تحقیق قرار دادیم. نتایج نشان داد که مساحت IS شهری چین 70179.06 کیلومتر بود2 ، 0.73٪ از مساحت کشور در سال 2013، در مقایسه با 20565.24 کیلومتر مربعدر سال 2003، که 0.21٪ از مساحت زمین را به خود اختصاص داد، که نشان دهنده افزایش 0.52٪ است. در مقیاس فضایی، مانند توسعه اقتصادی، توزیع سطوح غیرقابل نفوذ شهری در مناطق مختلف متفاوت بود. عملکرد کلی درصد IS شهری با یک روند کاهشی از شمال غربی چین، جنوب غربی چین، دامنه های میانی رودخانه زرد، شمال شرقی چین، محدوده های میانی رودخانه یانگ تسه، جنوب ساحلی چین، و ساحل شمالی چین به شرق مشخص شد. ساحلی چین در مقیاس استانی، گسترش IS شهری تفاوت های قابل توجهی را در مناطق مختلف نشان داد. عملکرد کلی شاخص گسترش IS شهری نشان داد که نواحی ساحلی شرقی دارای مقادیر بالاتری نسبت به مناطق داخلی داخلی غربی هستند. شهرها یا استان های پکن، تیانجین، جیانگ سو، و شانگهای بیشترین رشد را در مناطق غیرقابل نفوذ داشتند. کمی سازی مکانی و زمانی تغییر در مناطق غیرقابل نفوذ شهری می تواند به درک بهتر شدت شهرنشینی در یک منطقه کمک کند. بنابراین، کمی سازی تغییر در ناحیه غیرقابل نفوذ شهری نقش مهمی در مطالعه توسعه زیست محیطی و اقتصادی منطقه ای، تدوین سیاست ها و استفاده منطقی از منابع در زمان و مکان دارد.

کلید واژه ها:

سطح غیر قابل نفوذ ؛ شاخص منطقه غیرقابل نفوذ شهری ; تکامل مکانی – زمانی ; ویژگی های تمایز منطقه ای

1. معرفی

سطوح غیرقابل نفوذ (ISs) به عنوان پوشش های زمینی ساخته دست بشر تعریف می شوند که در آن آب نمی تواند به خاک نفوذ کند، از جمله پشت بام ساختمان ها، جاده ها، راهروها، پیاده روها، فرودگاه ها، پارکینگ ها و غیره [1 ، 2 ، 3 ] . IS شهری اغلب به عنوان یک شاخص کمی برای مطالعه رابطه بین توسعه شهری، جمعیت و اقتصاد استفاده می شود. برای تعیین پتانسیل توسعه شهری [ 4 ، 5 ]؛ فراهم کردن مبنایی برای برنامه ریزی خط مشی مربوطه؛ و ترویج تخصیص بهینه انرژی و منابع شهری [ 4 , 6 , 7 , 8 .]. IS شهری به طور مکرر در مطالعات محیط‌های شهری و بوم‌شناسی، با تمرکز فزاینده بر مسائل زیست‌محیطی استفاده شده است [ 6 ، 9 ، 10 ، 11 ]. سطوح غیر قابل نفوذ در یک شهر مانع از نفوذ سریع نزولات جوی به خاک می شود و در نتیجه بر تامین آب زیرزمینی و گردش آب در منطقه تأثیر می گذارد [ 12 ، 13 ]. IS ها رواناب سطحی را افزایش می دهند، که به ترتیب فراوانی سیل و رواناب سطحی را افزایش می دهد [ 13 ، 14]]. مواد سمی و خطرناک شهری به رودخانه ها ریخته می شود و در نتیجه باعث آلودگی غیر نقطه ای مناطق آبی مانند رودخانه ها و دریاچه ها می شود. همانطور که جریان آب گسترش می یابد، مناطق آسیب دیده به گسترش خود ادامه می دهند [ 15 ، 16 ، 17 ]. این امر به طور اجتناب ناپذیری بر کیفیت آب و هیدرولوژی در منطقه تأثیر می گذارد و باعث ایجاد اثرات منفی اکولوژیکی و سایر موارد می شود [ 18 ، 19 ]. ISهای شهری توانایی جذب تشعشعات خورشیدی در سطح زمین را دارند و انرژی جذب شده با استفاده از تابش امواج بلند آزاد می شود، شار گرمای نهان شهر را تغییر می دهد و اثر جزیره گرمایی شهری را افزایش می دهد [ 20,21 , .]. این گسترش تنوع زیستی را کاهش می دهد و بر استفاده منطقی از انرژی و منابع یک منطقه تأثیر می گذارد [ 18 ، 22 ، 23 ]. بنابراین، کمی کردن دقیق سطح غیرقابل نفوذ و درک جزئیات تغییرات شهری برای مطالعه محیط‌ها و اکوسیستم‌های شهری مفید است. این کمی سازی به ما امکان می دهد تغییرات زمانی و مکانی را برای تخصیص منابع و انرژی، تدوین سیاست ها، حفاظت از محیط زیست و حفظ توسعه پایدار مناطق شهری بررسی کنیم.
با توجه به انسجام و سرعت، سنجش از دور برای مطالعه سریع و دقیق شهرنشینی و تغییر آن در مقیاس‌های زمانی و مکانی مختلف مورد استفاده قرار گرفته است [ 17 ، 24 ]. روش های متعددی برای تخمین مساحت سطح غیرقابل نفوذ [ 2 ، 16 ، 25 ، 26 ] توسعه داده شده است. این روش‌ها شامل طبقه‌بندی‌های زیرپیکسل و هر پیکسل بر اساس تصاویر با وضوح متوسط ​​و بالا از شهرها یا مناطق کوچک مقیاس است [ 9 ، 25 ، 27] .]، مانند تجزیه و تحلیل مخلوط طیفی (SMA)، تکنیک SMA سازگار با فضای (SASMA) و روش تجزیه و تحلیل مخلوط طیفی نرمال شده (NSMA)، بر اساس مدل سطح خاک غیر قابل نفوذ پوشش گیاهی (VIS) [28 ، 29 ، 30 ] , 31 , 32 ]. این مطالعات بیشتر بر اساس IS های شهرها یا مناطق کوچک بود. با این حال، شهرنشینی نه تنها یک چالش برای شهرها یا در مقیاس های کوچک است، بلکه یک مشکل منطقه ای و جهانی است. اگرچه تصاویر سنجش از راه دور با وضوح متوسط ​​و بالا دارای وضوح فضایی بالایی هستند، وسعت فضایی هر تصویر محدود است. بنابراین، تصاویر سنجش از دور با وضوح متوسط ​​و بالا دارای محدودیت هایی در استخراج مناطق غیرقابل نفوذ شهری در مقیاس بزرگ هستند. 5 , 6 , 26]. پوشش گسترده تصاویر سنجش از دور با وضوح پایین و متوسط ​​یک مزیت در هنگام استخراج مناطق غیرقابل نفوذ شهری در مقیاس بزرگ است. با توجه به سیستم اسکن خط عملیاتی (OLS) برنامه ماهواره هواشناسی دفاعی (DMSP) که داده‌های نور شبانه (NTL) را به عنوان تصاویر با وضوح فضایی درشت تولید می‌کند، پوشش فضایی بزرگ‌تر و دوره بازدید برگشت ماهواره کوتاه‌تر است. این داده‌ها درخشندگی نور مصنوعی پایداری را در سطح زمین ثبت می‌کنند و سوابق داده‌های بلندمدتی را ارائه می‌کنند که ارتباط نزدیکی با فعالیت‌های انسانی مانند سکونتگاه‌های شهری، تراکم جمعیت، فعالیت‌های اقتصادی، مصرف انرژی و کربن دارند . انتشارات [ 56 ، 34 ، 35 ،]. داده های NTL به طور گسترده برای نقشه برداری و پویایی سطح غیرقابل نفوذ شهری در مقیاس بزرگ منطقه ای یا جهانی استفاده شده است [ 36 ، 37 ، 38 ]. با این حال، این داده‌ها به دلیل محدوده محدود عدد دیجیتال پویا (از 0 تا 63)، به‌ویژه در مراکز شهری، از اشباع رنج می‌برند، و یک مشکل پیکسل مختلط رایج در تصاویر با وضوح درشت یا متوسط ​​وجود دارد [ 5 ، 6 ، 7 ، 25 ، 34 ]. بنابراین، نتیجه IS به دست آمده از داده های NTL دارای عدم قطعیت است و تنوع شهرها به طور دقیق نمایش داده نمی شود. بسیاری از محققان برای حل این مشکل تلاش کرده اند [ 6, 7 , 39 , 40 ]. موثرترین روش استفاده مشترک از یک شاخص پوشش گیاهی همراه با داده های NTL بود [ 25 ، 34 ، 41 ، 42 ]. به عنوان مثال، لو و همکاران. [ 6 ] یک شاخص سکونت انسانی (HSI) را در سال 2008 پیشنهاد کردند و ژانگ و همکاران. [ 7 ] یک شاخص شهری NTL تنظیم شده با پوشش گیاهی (VANUI) را در سال 2013 توسعه داد. این شاخص‌ها قادر به استخراج ناحیه غیرقابل نفوذ شهری هستند و این شاخص‌ها نیز به طور گسترده مورد استفاده قرار گرفته‌اند. با این حال، این شاخص در شهرهایی که شهرنشینی سریع را تجربه کرده اند، عملکرد خوبی ندارد. علاوه بر این، داده های DMSP-OLS هنوز از اثر شکوفایی رنج می برند [ 7 ، 34 ]. ژو و همکاران [ 43] به منظور کاهش بیشتر عملکرد اثر اشباع DMSP-OLS، به ویژه در هسته، شاخص گیاهی (EVI) تنظیم شده NTL (EANTLI) را با ترکیب DMSP-OLS NTL با طیف‌سنجی تصویربرداری با وضوح متوسط ​​(MODIS) EVI توسعه داد. از شهر
پژوهش فوق بیشتر بر روش استخراج سطوح غیرقابل نفوذ شهری در یک منطقه کوچک مقیاس و یا بر روش استخراج IS شهری در مناطق بزرگ مقیاس بر اساس یک تصویر دوره واحد متمرکز شده است. تعداد کمی تغییرات زمانی و مکانی در منطقه غیرقابل نفوذ شهری را در مقیاس بزرگ بررسی کرده اند. ما نمی دانیم که چگونه توسعه شهری در زمان و در مناطق مختلف متفاوت است. با این حال، تحقیق در مورد تنوع زمانی و مکانی در توسعه شهری به ما کمک می کند تا وضعیت توسعه شهری و تأثیر آن بر محیط زیست محیطی را بیشتر درک کنیم. بنابراین مطالعه تمایز مکانی – زمانی سطوح غیرقابل نفوذ شهری ضروری است.
از دهه 1980، اقتصاد چین به سرعت توسعه یافته است [ 44 ، 45]، بنابراین چین را به عنوان منطقه تحقیقاتی انتخاب کردیم. داده‌های NTL با وضوح متوسط ​​تا پایین، MODIS NDVIA، EVI و داده‌های شاخص تفاوت عادی آب (NDWI) از سال 2013 برای محاسبه سه شاخص فوق الذکر (HIS، VANUI، و EANTLI) استفاده شد. این سه روش رایج برای استخراج سطوح غیرقابل نفوذ، هم در داخل و هم در کشورهای خارجی هستند. ما از این سه شاخص برای استخراج IS چین در سال 2013 استفاده کردیم. از داده‌های منطقه غیرقابل نفوذ شهری Landsat-8 با وضوح بالا به عنوان داده‌های معیار برای تأیید صحت سطح غیرقابل نفوذ شهری استخراج‌شده توسط سه شاخص استفاده کردیم. از طریق مقایسه بصری و تأیید صحت، شاخصی را انتخاب کردیم که برای استخراج IS شهری مناسب‌تر بود و به بررسی تمایز مکانی و زمانی سطوح غیرقابل نفوذ شهری در منطقه مورد مطالعه از سال 2003 تا 2013 پرداختیم.

2. منطقه مطالعه و اکتساب داده ها

2.1. منطقه مطالعه

در این مطالعه، چین به عنوان محل مطالعه انتخاب شد، زیرا این کشور با فرآیند اصلاحات اقتصادی خود از دهه 1980 شاهد شهرنشینی سریع بوده است. در سال 2011، بیش از نیمی از جمعیت چین در مناطق شهری زندگی می کردند [ 5 ، 6 ، 25 ، 26.]. گسترش سریع شهرها با گسترش سریع سطوح غیرقابل نفوذ شهری همراه است. بنابراین، ما نیاز داشتیم که منطقه IS شهری چین را با دقت کمی محاسبه کنیم. ما می خواستیم قانون توسعه شهری را در مناطق مختلف تحقیق کنیم تا عمیقاً تأثیر گسترش شهری بر محیط زیست اکولوژیکی شهری را درک کنیم، تا امکان استقرار معقول انرژی و منابع را فراهم کنیم و به طور هوشمندانه حمایت سیاستی برای توسعه اجتماعی-اقتصادی ارائه دهیم. منطقه مورد مطالعه در نشان داده شده استشکل 1 .

2.2. اکتساب داده ها

سه نوع داده ماهواره‌ای برای استخراج منطقه IS شهری و برای تحقیق در مورد ویژگی‌های تغییر مکانی-زمانی انتخاب شدند: وضوح درشت داده‌های سری نور شب (NTL) از OLS DMSP، شاخص گیاهی تفاوت عادی شده MODIS (NDVI) و بهبود یافته داده‌های سری شاخص گیاهی (EVI) و داده‌های تصویرساز زمین عملیاتی Landsat-8 با وضوح بالا (OLI) و داده‌های Google Earth. تصاویر Google Earth اغلب وضوح مکانی کمتر از 5 متر دارند. آنها توسط تصاویر متعدد، از جمله تصاویر هوایی، پرنده سریع، IKONOS و SPOT [ 5 ] سنتز می شوند. جزئیات داده های مورد استفاده در جدول 1 نشان داده شده است .
نسخه 4 کامپوزیت‌های تصویر سالانه نور پایدار DMSP-OLS NTL (برگزاری جغرافیایی با داده از WGS84؛ وضوح مکانی: 1 کیلومتر) از ماهواره DMSP مربوطه — F15 (2003)، F16 (2008) و F18 (2013)—از دانلود شده است. وب سایت اداره ملی اقیانوسی و جوی (NOAA)/National Geophysical Data Center (NGDC) ( http://ngdc.noaa.gov/eog/dmsp/downloadV4cposites.html ، در 28 دسامبر 2012 مشاهده شد). ما در نظر گرفتیم که این داده‌های روشنایی پایدار بیشتر از سکونتگاه‌های انسانی بودند، زیرا اثرات اطلاعات نور ناپایدار از تاریخ اولیه حذف و تنظیم شدند، از جمله نور مهتاب، نور سرگردان، ابرها، آتش‌های زودگذر، چراغ‌های کشتی و آتش‌سوزی جنگل [ 5 ، 26 ، 34]. ما داده‌ها را مجدداً پیش‌بینی کردیم و نمونه‌برداری کردیم، اندازه پیکسل را با استفاده از الگوریتم نمونه‌گیری مجدد نزدیک‌ترین همسایه‌ها به 1×1 کیلومتر نمونه‌برداری کردیم، و طرح‌بندی جغرافیایی را با داده‌های WGS84 دوباره پیش‌بینی کردیم.
در این مطالعه از داده‌های ترکیبی NDVI و EVI 16 روزه MODIS با وضوح مکانی 1 کیلومتر (MOD13A2) از سال‌های 2003، 2008 و 2013 استفاده کردیم و از تاریخ ماسک آب جهانی با وضوح فضایی 250 متر استفاده کردیم. (MOD44W). این محصولات از وب‌سایت سامانه داده‌ها و اطلاعات سامانه رصد زمین ( https://ladsweb.modaps.eosdis.nasa.gov/ ) سازمان ملی هوانوردی و فضایی (ناسا) دانلود شده‌اند . سپس، ما از ابزار MODIS re-projection برای نمایش تصاویر ترکیبی NDVI، EVI و NDWI 16 روزه MODIS استفاده کردیم. الگوریتم نمونه‌گیری مجدد نزدیکترین همسایه برای نمونه‌گیری مجدد این داده‌ها برای حفظ اندازه پیکسل 1 کیلومتر و برای پیش‌بینی جغرافیایی با داده‌های WGS84 استفاده شد.
داده های Landsat-8، از سنسورهای تصویربرداری زمین عملیاتی (OLI)، وضوح فضایی بالایی دارند، بنابراین داده ها اغلب برای مطالعه تغییرات سطح غیرقابل نفوذ در مقیاس های کوچک استفاده می شوند [10 ، 46 ] . در این مطالعه، ما از داده های Landsat-8 (OLI) در سال 2013 برای برخی از شهرهای چین (از جمله پکن، شانگهای، گوانگژو، نانجینگ، ووهان، شیان، ارومچی و لانژو) استفاده کردیم. این محصولات از وب سایت ابر داده های جغرافیایی ( http://www.gscloud.cn/ ) دانلود شده اند. اطلاعات دقیق داده ها در جدول 1 ارائه شده است . تصاویر Google Earth از نقشه نرم گوگل انتخاب شدند. برخی از داده‌های پکن، شانگهای، گوانگژو، نانجینگ، ووهان، شیان، ارومچی و لانژو از نقشه‌های گوگل سرچشمه گرفته‌اند.

3. روش ها

روش ما برای تعیین الگوهای مکانی-زمانی IS شهری شامل پنج مرحله بود ( شکل 2 ): (1) استخراج IS شهری با استفاده از شاخص‌های HIS، VANUI، و EANTLI در سال 2013. (2) به دست آوردن داده های معیار IS شهری با استفاده از داده های کاربری زمین برای سال 2013. (3) بررسی صحت مناطق غیرقابل نفوذ شهری استخراج شده توسط سه شاخص. (4) انتخاب شاخص EANTLI که بهترین دقت استخراج را داشت برای استخراج منطقه غیرقابل نفوذ شهری از سال 2003 تا 2013. و (5) بررسی تفاوت‌ها در مناطق غیرقابل نفوذ شهری در مقیاس‌های زمانی و مکانی مختلف.

3.1. انتخاب شاخص استخراج سطح غیرقابل نفوذ شهری در منطقه مورد مطالعه

3.1.1. محاسبه سه شاخص

ما از معادلات زیر برای محاسبه سه شاخص برای استخراج سطح غیرقابل نفوذ شهری (IS) در سال 2013 استفاده کردیم [ 6 ، 7 ، 43 ]:

خود =1_NDVIحداکثر) +OLSنه1- _OLSنه) +OLSنهNDVIحداکثرخود=(1-NDVIحداکثر)+OLSنه(1-OLSنه)+OLSنه∗NDVIحداکثر
VANUI – NVمنn) ∗OLSنهVANUI=(1-ن��منمترهآ�)∗OLSنه
EANTLI =NتیLیا r– EVمن1 – NتیLیا rEVمن نتیLEANTLI=1+نتی����-��من1-نتی����-��من∗نتی�

جایی که NDVInNDVIمترهآ�میانگین سالانه داده های NDVI به دست آمده از MODIS در سال 2013 است، NDVIحداکثرNDVIحداکثرحداکثر NDVI سالانه مشتق شده از MODIS در سال 2013 است، NTL مقدار اصلی تصویر DMSP-OLS است، EVI از حداکثر تصویر سالانه MODIS EVI مشتق شده است، و  OLSنهو OLSنهمقدار نرمال شده داده های NTL است.

برای اطمینان از سادگی فرمول و یکپارچگی پارامترها، از پارامترهای یکسانی در سه فرمول استفاده کردیم که ممکن است با فرمول اصلی متفاوت باشد. با این حال، فرمول و پارامترها تغییر نکردند. حداکثر و میانگین مقادیر NDVI به ترتیب از معادلات (4) و (5) محاسبه شد و OLSنهOLSنهبا استفاده از رابطه (6) محاسبه شد.

NDVIحداکثرحداکثر (NDVI1،NDVI2،  ،NDVIn)NDVIحداکثر=حداکثر(NDVI1،NDVI2،⋯،NDVIn)
NDVIمنظور داشتن= میانگین (NDVI1،NDVI2،  ،NDVIn)NDVIمنظور داشتن=منظور داشتن(NDVI1،NDVI2،⋯،NDVIn)
OLSنه=OLS OLSدقیقهOLSحداکثرOLSدقیقهOLSنه=OLS-OLSدقیقهOLSحداکثر-OLSدقیقه

جایی که OLSدقیقهOLSدقیقهو OLSحداکثرOLSحداکثربه ترتیب حداقل و حداکثر مقادیر در تصویر DMSP-OLS هستند و NDVI1، NDVI2،  ,NDVInNDVI1، NDVI2،…،NDVInکل تصاویر ترکیبی NDVI 16 روزه سالانه MODIS در سال 2013 هستند. به طور کلی، تصاویر NDVI دارای مقادیری از -1 تا +1 هستند. با این حال، پوشش های سطح زمین بین 0 تا 1 متغیر است. در تصاویر NDVI، مقادیر معمولاً مثبت هستند، به جز توده های آبی و یخچال های طبیعی، که معمولاً مقادیر NDVI منفی دارند [ 5 ، 6 ، 7 ]. بنابراین، ما محدوده NDVI را به 0 تا 1 محدود کردیم.

3.1.2. کسب داده‌های سطح غیرقابل نفوذ شهری معیار بر اساس Landsat-8
به منظور تعیین دقت سه شاخص، ما از نتایج استخراج شده از تصاویر با وضوح بالا Landsat-8 به عنوان معیار برای تأیید صحت نتایج استخراج شاخص فوق استفاده کردیم. ما می خواستیم روشی را انتخاب کنیم که مناسب ترین روش برای استخراج سطوح غیر قابل نفوذ در منطقه مورد مطالعه باشد. بنابراین، دقت استخراج داده های معیار Landsat-8 به طور مستقیم با دقت نتیجه نهایی مرتبط بود.
در این مطالعه، ما یک منطقه مطالعاتی نماینده را انتخاب کردیم که شامل هشت مرکز استان و شهرداری مهم با سطوح توسعه اقتصادی مختلف در چین، از جمله پکن، شانگهای، گوانگدونگ و ووهان با توسعه اقتصادی بالاتر است. لانژو و ارومچی با توسعه اقتصادی پایین. و نانجینگ و شیان با توسعه اقتصادی متوسط. این شهرها از جنوب به شمال و از شرق به غرب در چین پراکنده شده اند که به دلیل موقعیت فصلی و موقعیت جغرافیایی می تواند به کاهش عدم قطعیت نتیجه کمک کند. لانژو و ارومچی در شمال غربی چین واقع شده اند. گوانگدونگ، نانجینگ، شانگهای و ووهان در جنوب شرقی چین قرار دارند. پکن در شرق چین واقع شده است.
ما از طبقه‌بندی ماشین بردار پشتیبان (SVM) برای استخراج سطح غیرقابل نفوذ شهری از تصاویر Landsat-8 و برای تأیید صحت نتایج استخراج سه شاخص استفاده کردیم. طبقه بندی SVM یک روش یادگیری ماشینی نظارت شده بر اساس تئوری یادگیری آماری است که به طور گسترده در طبقه بندی داده های سنجش از دور استفاده شده است و به دقت طبقه بندی بهتری دست یافته است [47 ] . بنابراین، SVM دارای دقت طبقه‌بندی بالاتر و تعمیم بهتری نسبت به سایر روش‌های یادگیری ماشین است. 47]. با ترکیب روش های یادگیری ماشین و داده های بزرگ، SVM به طور فزاینده ای برای تشخیص و طبقه بندی اشیا استفاده می شود. ما از SVM برای طبقه‌بندی طیف‌ها و بافت‌های تصاویر Landsat-8 استفاده کردیم. ما تصاویر Google Earth را برای تأیید صحت تصاویر Landsat-8 در سه شهر انتخاب کردیم: گوانگدونگ، شیان و ارومچی. چهار نوع استفاده از زمین – پوشش گیاهی، شهر، آب و زمین برهنه – برای تأیید صحت انتخاب شدند. دقت طبقه‌بندی کلی 72/86 درصد، ضریب کاپا 74/0 و دقت امتداد IS شهری 32/90 درصد بود. نسبت به داده های NTL (1×1 کیلومتر)، نتیجه طبقه بندی Landsat-8 (30×30 متر) می تواند به طور دقیق نوع کاربری واقعی زمین را نشان دهد.
3.1.3. عملی بودن سه شاخص

ما مجموعه داده‌های معیار غیرقابل نفوذ شهری به‌دست‌آمده را نمونه‌برداری کردیم، اندازه پیکسل آن را با استفاده از روش نمونه‌گیری نزدیک‌ترین همسایه به داده‌های شطرنجی 1 × 1 کیلومتر نمونه‌برداری کردیم و نمونه تأیید را از این مجموعه داده معیار انتخاب کردیم. ما مناطق شهری و غیر شهری 480 پیکسلی و نمونه های تأیید بدنه آب 140 پیکسلی را انتخاب کردیم. یک ماتریس ترکیبی برای تأیید صحت منطقه غیرقابل نفوذ شهری از سه شاخص استفاده شد. دقت کل و ضریب کاپا به عنوان شاخص های ارزیابی دقت طبقه بندی استفاده شد. معادلات به شرح زیر است:

دقت کلی = P من lتیP من lبه طور کلی دقت=آتوتیساعته�تیمنج پمنایکسهلتی�تیآل پمنایکسهل
ضریب کاپا  =پ0په1- _پهکاپا ضریب=پ0-په1-په
په=آ1×ب1+آ2×ب2آج×بج× nپه=آ1×ب1+آ2×ب2+…آج×بج�×�

جایی که پ0پ0دقت طبقه بندی کلی است، آجآجشماره نمونه واقعی هر کلاس را نشان می دهد، بجب2جتعداد نمونه ها برای هر نوع پیش بینی شده است و n تعداد کل نمونه ها است.

3.2. کمی سازی الگوهای فضایی و زمانی IS شهری

3.2.1. تعیین شاخص های کمی

با تجزیه و تحلیل تطبیقی ​​سه شاخص فوق، ابتدا از شاخصی استفاده کردیم که برای استخراج مناطق نفوذ ناپذیر در سال های مختلف برای منطقه مورد مطالعه مناسب تر بود. سپس، از شاخص درصد IS شهری (UISP) [ 5 ] برای تعیین کمیت افزایش سطح غیرقابل نفوذ شهری در مقیاس‌های مختلف: کشور، منطقه و استان استفاده کردیم. معادله UISP به صورت زیر است:

UISP =UISATA× 100 %UISP=UISATA×100%

که در آن UISP درصد IS شهری (%) است، UISA کل مساحت سطح غیرقابل نفوذ منطقه (km2 ) و TA مساحت کل منطقه (km2 ) است.

ما از شاخص گسترش نسبی IS شهری (UISE) استفاده کردیم r ) برای تحقیق در مورد تغییرات زمانی در ناحیه غیرقابل نفوذ در مقیاس‌های مختلف استفاده کردیم: کشور، منطقه و استان، با معادله زیر [ 5 ]:

UISEr=UISAjUISAمنTA× 100 %UISEr=UISAj-UISAمنTA×100%

که در آن UISE r نمایانگر شاخص گسترش نسبی IS شهری است (%)، UISA i کل منطقه IS شهری در سال i است (km 2 )، UISA j کل منطقه IS شهری در سال j (km 2 ) است. و TA مساحت کل مساحت فضا است ( km2 است .

به منظور بررسی تمایز در تغییرات غیرقابل نفوذ شهری در مناطق مختلف، از شاخص نرخ رشد سال به سال (YOYG) برای نشان دادن تغییرات در منطقه غیرقابل نفوذ شهری برای دوره‌های زمانی مختلف استفاده کردیم. YOYG یک مفهوم اقتصادی است که به صورت زیر محاسبه می شود:

یوگ =UISAjUISAمنایالات متحده آمریکامن× 100 %YYG=UISAj-UISAمنایالات متحده آمریکامن×100%

که در آن YOYG نشان دهنده نرخ رشد سال به سال است، ایالات متحده آمریکاjایالات متحده آمریکاjنشان دهنده نرخ نفوذناپذیر شهری در سال j است و ایالات متحده آمریکامنایالات متحده آمریکامننشان دهنده نرخ نفوذناپذیر شهری در سال اول است .

3.2.2. طبقه بندی ویژگی های منطقه ای منطقه مورد مطالعه
در مقیاس منطقه ای، ما چین را بر اساس استراتژی توسعه منطقه ای هماهنگ و گزارش های سیاست در چین در سال 2005 به هشت منطقه تقسیم کردیم (مرکز تحقیقات توسعه شورای دولتی چین، 2005) (شکل 1): شمال شرق چین (NEC) ، شمال ساحلی چین (NCC)، ساحل شرقی چین (ECC)، ساحل جنوبی چین (SCC)، مسیرهای میانی رودخانه زرد (MRYLR)، مناطق میانی رودخانه یانگ تسه (MRYTR)، جنوب غربی چین (SWC) و شمال غربی چین (NWC) [ 5 ]. برای استان ها، آنها را بر اساس تقسیمات اداری چین تقسیم کردیم.

4. نتیجه و بحث

4.1. انتخاب بهترین شاخص برای استخراج سطوح غیرقابل نفوذ شهری

4.1.1. تحلیل مقایسه ای نتایج سه شاخص استخراج سطحی نفوذناپذیر شهری

ما سطح غیرقابل نفوذ شهری را با استفاده از سه شاخص مختلف استخراج کردیم. مقایسه بصری با تصاویر Landsat-8 با وضوح بالا، تفاوت‌های موجود در سه شاخص استخراج اطلاعات غیرقابل نفوذ شهری را نشان می‌دهد. همانطور که در نشان داده شده است شکل 3 نشان داده شده استعملکرد سه شاخص برای همه شهرها یکسان بود، اما تفاوت بین آنها مشهود بود. اولاً، ارزش HIS در مناطقی که ساختمان‌های شهری به صورت پراکنده توزیع شده بودند، کمتر بود. نتیجه استخراج برای شهرها نسبت به مناطق خالی پس‌زمینه پایین‌تر بود. نتیجه استخراج شده مقدار کمتری تولید کرد و به طور کلی همان رنگ قرمز بود. این پدیده به ویژه در ارومچی برجسته بود، جایی که پوشش گیاهی در منطقه بیابانی خشک شمال غربی چین محدود است. این نشان می دهد که سطح غیرقابل نفوذ شهری استخراج شده بر اساس شاخص HIS به شدت تحت تأثیر شاخص NDVI قرار دارد. لو و همکاران [ 6] بیان کرد که اگر محقق از رابطه بین پوشش های گیاهی مختلف و مناطق مسکونی کم شدت در منطقه مورد مطالعه بیشتر بداند، دقت نتیجه استخراج شده توسط این شاخص بیشتر است. در منطقه شمال غربی با پوشش گیاهی کم، تمایز بین زمین بایر و شهر مشکل است. این امر تغییر تدریجی رنگ نتیجه استخراج شده را تضعیف کرد و به نظر می رسید این توهم را ایجاد می کند که نتایج استخراج HIS بهتر از شاخص VANUI در مراکز شهر است.
ثانیا، پیکسل های اشباع شده در نتایج استخراج شاخص در هر زیر مجموعه شهر یافت شد. این به طور عمده در فراوانی تک رنگ منعکس شد. رنگ تصویر بیشتر در ناحیه کم ارزش متمرکز بود. رنگ تصویر قرمز تا سبز بود. این پدیده در ارومچی و لانژو بسیار برجسته بود. این احتمالاً به ارزش پس زمینه غیر شهری بالاتر و پوشش گیاهی کم در شمال غربی مربوط می شود. این نشان می‌دهد که خود این شاخص برای مناطق غیرقابل نفوذ در شهرهای جنوبی چین که پوشش گیاهی بالاتری دارند، نتایج بسیار خوبی دارد، اما این شاخص‌ها همچنان محدودیت‌های خاصی برای منطقه شمال غربی چین که پوشش گیاهی پایینی دارد، دارد. بنابراین، این شاخص برای مطالعه IS شهرهای بزرگ چین مناسب نیست.
نتیجه طبقه‌بندی شاخص VANUI در حذف مقدار پس‌زمینه و در کاهش اشباع داده‌های کم نور در شب بهتر از شاخص HIS بود. این با نتایج مطالعات قبلی مطابقت دارد [ 5 ، 7 ] مطابقت دارد. رنگ های نقشه طبقه بندی به طور مساوی در مناطق کم، متوسط ​​و با ارزش توزیع شده است. همانطور که در شکل 3 نشان داده شده استب، اشباع پیکسل ها به ویژه در شهرهای توسعه یافته مانند پکن و شانگهای برجسته بود. بیشتر رنگ تصویر به صورت نواحی سرخابی با ارزش بالا ظاهر می شود. با این حال، برای شهرهای متوسط ​​توسعه یافته، مانند شیان ووهان، و شهرهایی با اقتصاد نسبتاً کمتر توسعه یافته، مانند لانژو و ارومچی، پیکسل های اشباع شده در شهر مرکزی به میزان قابل توجهی کاهش یافت. دلیل این پدیده این است که شهرهای توسعه‌یافته دارای پیکسل‌های اشباع از نور شبانه بیشتری هستند و این شاخص دارای الزامات پایداری بالاتری برای انواع پوشش گیاهی است. چین کشوری است که دائما در حال تغییر و تحول است. پوشش گیاهی شهری به اندازه کافی پایدار نیست. هیچ نوع یا الگوی منحصر به فردی از پوشش گیاهی پایدار برای هر شهر وجود ندارد. بنابراین، شاخص VANI همچنان در استخراج سطوح غیرقابل نفوذ برای کل چین محدود بود.7 ] بیان کرد که در پکن، شهری در حال توسعه با پوشش گیاهی به سرعت در حال تغییر، تفاوت در نتایج استخراج از نظر تنوع بین شهری شهر ضعیف تر بود. بنابراین به نظر می رسد این شاخص در استخراج IS شهرهای چین دارای کاستی هایی باشد.
همانطور که در شکل 3 نشان داده شده استشاخص EANTLI که با استفاده از بزرگترین شاخص EVI در سال ساخته شد، توانست به دقت تأثیر مقادیر پس‌زمینه غیر شهری را از نتایج استخراج حذف کند و تفاوت بین زمین بایر و شهر را به حداکثر برساند. بنابراین، همانطور که در ارومچی، که در شمال غربی چین واقع شده است، شاخص بهتری بین زمین های بایر و مناطق شهری تمایز قائل شد. با پوشش گیاهی کم، تشخیص پس‌زمینه خاک شهری و شنی با استفاده از شاخص‌های HIS و VANUI در این منطقه دشوار بود، اما به وضوح می‌توانیم موقعیت و وسعت شهر را ببینیم. EANTLI به طور موثر بین ارزش‌های پس‌زمینه شهری و غیر شهری تمایز قائل شد. ثانیا، EANTLI به طور مناسب اشباع داده های نور شبانه را در منطقه مرکزی شهر کاهش داد و تفاوت بین شهرها را بهتر نشان داد. تغییر تدریجی رنگ تصویر یکنواخت تر بود، مانند گوانگدونگ، شانگهای، نانجینگ و ووهان که در جنوب شرقی چین با پوشش گیاهی بالا قرار دارند. از جانب شکل 3 نشان داده شده است، صرف نظر از سطح توسعه اقتصادی، EANTLI توانست تفاوت های بین شهرها را برجسته کند و اشباع داده ها را کاهش دهد. این یافته ها مشابه یافته های خالق این شاخص است [ 43 ]. این شاخص می تواند مشکل اشباع داده ها را در ناحیه مرکزی شهر حل کند [ 34 ]. با این حال، ژو [ 43 ] نه تفاوت بین ارزش‌های شهری و زمین لخت، و نه تغییرپذیری بین شهری شهر را مورد بحث قرار داد. این ممکن است به استفاده از میانگین سالانه مقدار EVI مربوط باشد. میانگین سالانه مقدار EVI خود فراوانی پوشش گیاهی را در یک منطقه تضعیف می‌کند و تغییر پوشش گیاهی را تثبیت می‌کند [ 2 ، 7 ،36 ].
در این مقاله، شاخص EANTLI با استفاده از حداکثر EVI برای یک سال کامل محاسبه شد که می‌تواند اختلاف بین پوشش گیاهی در مناطق مختلف را به حداکثر برساند که باعث ایجاد تفاوت در سطوح نفوذناپذیر مناطق مختلف می‌شود. بنابراین، EANTLI نه تنها برای استخراج سطوح غیرقابل نفوذ شهری در منطقه جنوب شرقی با پوشش گیاهی بالا، بلکه برای منطقه شمال غرب با پوشش گیاهی کم نیز مناسب است.

4.1.2. تأیید صحت سه شاخص

ما نتایج منطقه غیرقابل نفوذ شهری 2013 استخراج شده توسط شاخص EANTLI ( شکل 4 ) را با نتایج طبقه‌بندی نظارت شده تصویر Landsat-8 از هشت شهر مقایسه کردیم. دقت تایید ماتریس ترکیبی از سه نتیجه استخراج شاخص در جدول 2 نشان داده شده است . نتایج نشان می‌دهد که سه شاخص می‌توانند سطوح غیرقابل نفوذ شهری منطقه مورد مطالعه را استخراج کنند. کل دقت طبقه بندی برای هر سه شاخص بالاتر از 85 درصد بود. با این حال، منطقه غیرقابل نفوذ شهری به دست آمده توسط شاخص VANUI به طور قابل توجهی بهتر از شاخص HIS بود. این همان نتایج به دست آمده توسط Ma و همکاران بود. [ 5 ] و ژانگ و همکاران. [ 11]. EVI برای کل سال توانست فراوانی پوشش گیاهی را بین مناطق به حداکثر برساند و بین سطوح غیرقابل نفوذ شهری و سطوح غیر قابل نفوذ تمایز قائل شود [ 48 ، 49 ]. بنابراین، شاخص EANTLI که با استفاده از حداکثر EVI کل سال محاسبه می‌شود، دارای دقت طبقه‌بندی بالاتری نسبت به شاخص VANUI و HIS با دقت کلی 95.41 درصد و ضریب کاپا 0.91 است. شاخص EANTLI نسبت به VAUI و HIS در استخراج منطقه غیرقابل نفوذ شهری برای منطقه مورد مطالعه مناسب‌تر بود.

4.2. تمایز مکانی و زمانی سطوح غیرقابل نفوذ طی سال‌های 2003-2013

ما شاخص EANTLI را برای استخراج منطقه غیرقابل نفوذ شهری منطقه مورد مطالعه از سال 2003 تا 2013 انتخاب کردیم. نتایج نشان می دهد که تا سال 2013، مساحت غیرقابل نفوذ شهرهای چین 70179.06 کیلومتر مربع بود که 0.73٪ از مساحت کل کشور را تشکیل می داد . در مقایسه با 30119.44 کیلومتر مربع و 20565.24 کیلومتر مربع در سال 2008 و 2003، شاخص UISP به ترتیب 0.42 درصد و 0.52 درصد افزایش یافت. در مقیاس زمانی، منطقه غیرقابل نفوذ شهرهای چین در پنج سال 2008 تا 2013 سریعتر از پنج سال از 2003 تا 2008 رشد کرد ( شکل 5 الف). به نظر می رسد که این با نتایج روند رشد تولید ناخالص داخلی (GDP) چین از سال 2003 تا 2013 مطابقت دارد ( شکل 5) .ب). این نشان می دهد که منطقه IS شهری با توسعه اقتصادی شهری مرتبط است. نتایج Wu et al. [ 50 ]، وانگ [ 51 ] و وو [ 52 ] نیز از این نکته حمایت می کنند.
در مقیاس فضایی، گسترش مناطق غیرقابل نفوذ شهری در مناطق مختلف فضایی جلوه های متفاوتی داشت. عملکرد کلی UISP با روند کاهشی از NWC، SWC، MRYLR، NEC، MRYTR، SCC و NCC به ECC مشخص شد. شکل 6). مقادیر UISP در مناطق مختلف به طور قابل توجهی متفاوت بود. در سال 2013، پوشش سطح غیرقابل نفوذ شهری (UISP) ECC 7.26٪ بود، در حالی که منطقه NWC تنها 0.11 بود. این نشان می دهد که UISP با درجه توسعه اقتصادی ارتباط مستقیم دارد. از نظر توسعه اقتصادی، UISP در مناطق مختلف بسیار متفاوت بود. به عنوان مثال، مناطق با توسعه اقتصادی نسبتا خوب، مانند پکن (NCCC) و شانگهای (ECC)، دارای ارزش UISP بالایی بودند. در مناطقی که توسعه اقتصادی نسبتاً پایینی دارند، مانند گانسو و سین کیانگ (MRYTL)، مقادیر UISP آنها نسبتاً پایین‌تر بود.
نسبت به یک دوره خاص، تمایز در سرعت گسترش شهرنشینی در دوره های مختلف کمتر مشهود بود. بنابراین، ما از نرخ رشد سال به سال (YOYG) برای نشان دادن این مشکل استفاده کردیم. همانطور که در شکل 7 نشان داده شده استمساحت غیرقابل نفوذ شهرها در هفت منطقه، به جز SCC، در سال 2013 نسبت به سال 2003 بیش از 200 درصد افزایش یافته است. این نشان می دهد که منطقه غیرقابل نفوذ شهری چین در 10 سال گذشته حداقل دو برابر شده است. با این حال، گسترش منطقه غیر قابل نفوذ شهر در مناطق MRYTR و MRYLR در این دهه آشکارتر بود. نرخ رشد منطقه غیرقابل نفوذ شهری طی 10 سال چهار برابر شده است. به نظر می رسد این با درک ما متفاوت است، اما می توانیم این پدیده را از جنبه دیگری توضیح دهیم. نرخ رشد اشباع توسعه شهری زمانی که تا حدی توسعه یابد کند است. بنابراین، منطقه غیرقابل نفوذ شهری تمایل به پایداری دارد. شکل 7این نکته را ثابت می کند. از شکل می توان دریافت که نرخ رشد شهری از سال 2003 تا 2008 بیشتر از پنج سال 2008 و 2013 بوده است.
به منظور کمی سازی تغییرات منطقه غیرقابل نفوذ شهری طی دوره 10 ساله از 2003 تا 2013 در مقیاس های فضایی مختلف، ما نرخ UISE r سطح نفوذناپذیر را در کل منطقه مورد مطالعه محاسبه کردیم و نموداری از UISE r را تولید کردیم. ( شکل 8 ). از این رقم، پکن، تیانجین، جیانگ سو و شانگهای بیشترین رشد را در مناطق غیرقابل نفوذ داشته اند و پس از آن ژجیانگ و گوانگدونگ از سال 2003 تا 2013 قرار دارند. این نشان می دهد که در 10 سال، گسترش شهری پکن، تیانجین، جیانگ سو و شانگهای بالاترین در کشور بود. همراه با تحقیق در مورد گسترش شهری و تغییرات محیطی اکولوژیکی [ 12 ، 53]، ما فکر می کنیم که این شهرها ممکن است تأثیر بیشتری بر تغییرات محیط زیست اصلی داشته باشند. بنابراین، جمعیت، منابع و مسائل زیست محیطی در این مناطق ممکن است برجسته تر شود. این تغییرات ممکن است باعث تغییر سیاست های منطقه ای شود. درک این تغییرات به یک عامل ضروری در توسعه سیاست در آینده تبدیل خواهد شد.
به طور کلی از طریق مطالعه تغییرات زمانی و مکانی در سطح نفوذناپذیر شهرها می توان سرعت گسترش شهری در یک شهر یا منطقه را روشن کرد و به روند شهرنشینی در یک منطقه پی برد. مهمتر از آن، با مطالعه UISE r در شهرها در مقیاس های زمانی و مکانی مختلف، ما شدت شهرنشینی در یک منطقه را بهتر درک می کنیم. مشکلاتی که بوم شناسی و محیط زیست در مناطق با UISE بالا با آن روبرو هستند به طور فزاینده ای برجسته می شوند. شاخص UISer روش جدیدی برای درک تفاوت‌های بین شهرها ارائه می‌کند.

5. نتیجه گیری ها

با محاسبه مقادیر سه شاخص منطقه غیرقابل نفوذ شهری -شاخص سکونتگاه های انسانی (HSI)، شاخص شهری NTL تنظیم شده با پوشش گیاهی (VANUI) و شاخص NTL تنظیم شده با EVI (EANTLI) – با استفاده از داده های NTL 2013 و داده های MODIS-NDVI و EVI ، منطقه IS استخراج شد. داده های Landsat-8 به عنوان معیار برای تأیید صحت IS استخراج شده توسط سه شاخص مورد استفاده قرار گرفت. ما از این شاخص با بهترین دقت برای استخراج مساحت سطح غیرقابل نفوذ شهری منطقه مورد مطالعه از سال 2003 تا 2013 استفاده کردیم و تغییرات زمانی و مکانی سطوح غیرقابل نفوذ شهری را با استفاده از شاخص درصد IS شهری (UISP)، YOYG و UISE r بررسی کردیم . . ما به نتایج زیر رسیدیم:
(1)
این سه شاخص می توانند سطح نفوذناپذیر شهر را استخراج کنند و دقت کل طبقه بندی برای سه شاخص حداقل 85 درصد بود. EANTLI دارای دقت طبقه بندی بالاتری نسبت به شاخص های VANUI و HIS با دقت کلی 95.41 درصد و ضریب کاپا 0.91 بود. بنابراین، EANTLI از دقت تشخیص بهتری در استخراج منطقه غیرقابل نفوذ شهری در چین برخوردار است.
(2)
منطقه غیرقابل نفوذ شهری چین 70179.06 کیلومتر مربع بود که 0.73 درصد از مساحت این کشور را تشکیل می داد. این مقدار در مقایسه با سال های 2008 و 2003 به ترتیب 42/0 و 52/0 درصد افزایش داشته است. نرخ رشد مناطق غیرقابل نفوذ در شهرهای چین از سال 2008 تا 2013 بیشتر از سال های 2003 تا 2008 بوده است.
(3)
در مقیاس فضایی، توزیع سطح غیرقابل نفوذ در مناطق مختلف چین بسیار ناهموار است. عملکرد درصد IS شهری (UISP) با روند کاهشی از NWC، SWC، MRYLR، NEC، MRYTR، SCC، و NCC به ECC در سال 2013 مشخص شد. UISE r عدم تعادل قابل توجهی را در مناطق مختلف چین از سال 2003 تا 2013 نشان داد. گسترش منطقه نفوذ ناپذیر در مناطق MRYTR و MRYLR در این دهه آشکارتر بود.
به طور خلاصه، سطح نفوذناپذیر شهری کل منطقه مورد مطالعه از سال 2003 تا 2013 روند افزایشی را نشان داد. با این حال، درصد پوشش سطح غیرقابل نفوذ شهری در مناطق مختلف به طور قابل توجهی متفاوت بود. این بدان معناست که تفاوت زیادی در شهرنشینی در مناطق مختلف وجود دارد. شاخص گسترش IS شهری (UISEr) در مناطق مختلف از سال 2003 تا 2013 به طور قابل توجهی متفاوت بود. همراه با تحقیقات در مورد گسترش شهری و تغییرات محیط زیستی، باید توجه بیشتری به مناطقی داشت که سطح غیرقابل نفوذ به سرعت در حال افزایش است، زیرا این مناطق ممکن است تأثیر بیشتری بر تغییرات در محیط زیست اصلی داشته باشد.

منابع

  1. آرنولد، CL; گیبونز، پوشش سطح نفوذ ناپذیر CJ: ظهور یک شاخص کلیدی محیطی. مربا. طرح. دانشیار 1996 ، 62 ، 243-258. [ Google Scholar ] [ CrossRef ]
  2. ونگ، Q. سنجش از راه دور سطوح غیرقابل نفوذ در مناطق شهری: الزامات، روش ها و روندها. سنسور از راه دور محیط. 2012 ، 117 ، 34-49. [ Google Scholar ] [ CrossRef ]
  3. یانگ، جی. او، Y. نقشه برداری خودکار سطوح غیرقابل نفوذ در مناطق شهری و حومه شهر: عدم اختلاط طیفی خطی تصاویر با وضوح فضایی بالا. بین المللی J. Appl. زمین Obs. Geoinf. 2017 ، 54 ، 53-64. [ Google Scholar ] [ CrossRef ]
  4. او، سی. ما، س. لیو، ز. ژانگ، Q. مدل‌سازی دینامیک مکانی و زمانی مصرف برق در سرزمین اصلی چین با استفاده از داده‌های نور پایدار شبانه DMSP/OLS تصحیح‌شده با اشباع. بین المللی جی دیجیت. زمین 2013 ، 7 ، 993-1014. [ Google Scholar ] [ CrossRef ]
  5. ما، س. او، سی. وو، جی. لیو، ز. ژانگ، Q. Sun، Z. کمی سازی الگوهای فضایی و زمانی سطوح غیرقابل نفوذ شهری در چین: ارزیابی بهبودیافته با استفاده از داده های نور شبانه. Landsc. طرح شهری. 2014 ، 130 ، 36-49. [ Google Scholar ] [ CrossRef ]
  6. لو، دی. تیان، اچ. ژو، جی. Ge, H. نقشه‌برداری منطقه‌ای سکونتگاه‌های انسانی در جنوب شرقی چین با داده‌های سنجش از راه دور چند حسگر. سنسور از راه دور محیط. 2008 ، 112 ، 3668-3679. [ Google Scholar ] [ CrossRef ]
  7. ژانگ، Q. شاف، سی. Seto, KC The Vegetation Adjusted NTL Urban Index: رویکردی جدید برای کاهش اشباع و افزایش تنوع در درخشندگی شبانه. سنسور از راه دور محیط. 2013 ، 129 ، 32-41. [ Google Scholar ] [ CrossRef ]
  8. میلسی، سی. الویج، سی دی; نمانی، ر.ر. در حال اجرا، SW ارزیابی تاثیر توسعه زمین شهری بر بهره وری اولیه خالص در جنوب شرقی ایالات متحده. سنسور از راه دور محیط. 2003 ، 86 ، 401-410. [ Google Scholar ] [ CrossRef ]
  9. دنگ، سی. Wu، C. تجزیه و تحلیل مخلوط طیفی تطبیقی ​​فضایی برای نگاشت توزیع سطح غیرقابل نفوذ شهری زیرپیکسلی. سنسور از راه دور محیط. 2013 ، 133 ، 62-70. [ Google Scholar ] [ CrossRef ]
  10. خو، جی. ژائو، ی. ژونگ، ک. ژانگ، اف. لیو، ایکس. Sun، C. اندازه‌گیری دینامیک مکانی-زمانی سطح غیرقابل نفوذ در گوانگژو، چین، از سال 1988 تا 2015، با استفاده از تصاویر سری‌های زمانی Landsat. علمی کل محیط. 2018 ، 627 ، 264-281. [ Google Scholar ] [ CrossRef ]
  11. ژانگ، ال. ونگ، کیو. Shao, Z. ارزیابی دینامیک سطح غیرقابل نفوذ ماهانه با ترکیب سری های زمانی Landsat و MODIS در دلتای رودخانه مروارید، چین، از سال 2000 تا 2015. سنسور از راه دور محیط. 2017 ، 201 ، 99-114. [ Google Scholar ] [ CrossRef ]
  12. شوستر، WD; بونتا، جی. ترستون، اچ. وارنمونده، ای. اسمیت، DR تأثیرات سطح غیرقابل نفوذ بر هیدرولوژی حوضه: بررسی. Urban Water J. 2005 , 2 , 263-275. [ Google Scholar ] [ CrossRef ]
  13. پاپاس، EA; اسمیت، DR. هوانگ، سی. شوستر، WD; Bonta, JV اثرات سطحی غیرقابل نفوذ به رواناب و تخلیه رسوب تحت شبیه سازی بارش آزمایشگاهی. کاتنا 2008 ، 72 ، 146-152. [ Google Scholar ] [ CrossRef ]
  14. Weng, Q. مدلسازی اثرات رشد شهری بر رواناب سطحی با ادغام سنجش از دور و GIS. محیط زیست مدیریت 2014 ، 28 ، 737-748. [ Google Scholar ] [ CrossRef ]
  15. برابک، ای. شولت، اس. ریچاردز، PL سطوح نفوذ ناپذیر و کیفیت آب: مروری بر ادبیات فعلی و پیامدهای آن برای برنامه ریزی حوزه آبخیز. جی. پلان. روشن شد 2002 ، 16 ، 499-514. [ Google Scholar ] [ CrossRef ]
  16. ابراهیمیان، ع. ویلسون، BN; گالیور، JS روش‌های بهبود یافته برای تخمین منطقه غیرقابل نفوذ موثر در حوضه‌های آبریز شهری با استفاده از داده‌های بارندگی-رواناب. جی هیدرول. 2016 ، 536 ، 109-118. [ Google Scholar ] [ CrossRef ]
  17. جرتون، م. Ottesen، RT; استاینز، ای. ولدن، T. رواناب آلاینده های متصل به ذرات از سطوح غیرقابل نفوذ شهری با تجزیه و تحلیل رسوبات تله های آب طوفان مورد مطالعه قرار گرفت. علمی کل محیط. 2008 ، 396 ، 147-163. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. گوتز، اس. فیسک، جی. پیوند تنوع و فراوانی موجودات زنده رودخانه‌ای به مناظر در میانه اقیانوس اطلس ایالات متحده آمریکا. سنسور از راه دور محیط. 2008 ، 112 ، 4075-4085. [ Google Scholar ] [ CrossRef ]
  19. شیان، جی. هومر، سی. به‌روزرسانی محصولات سطح غیرقابل نفوذ پایگاه داده پوشش زمین ملی در سال 2001 تا سال 2006 با استفاده از روش‌های تشخیص تغییر تصاویر Landsat. سنسور از راه دور محیط. 2010 ، 114 ، 1676-1686. [ Google Scholar ] [ CrossRef ]
  20. یائو، آر. وانگ، ال. گی، ایکس. ژنگ، ی. ژانگ، اچ. Huang, X. اثرات شهرنشینی بر پوشش گیاهی و جزایر حرارتی شهری سطحی در حوضه رودخانه یانگ تسه چین. Remote Sens. 2017 , 9 , 540. [ Google Scholar ] [ CrossRef ]
  21. یوان، اف. بائر، ME مقایسه سطح غیرقابل نفوذ و شاخص پوشش گیاهی تفاوت نرمال شده به عنوان شاخص‌های اثرات جزیره حرارتی سطح شهری در تصاویر لندست. سنسور از راه دور محیط. 2007 ، 106 ، 375-386. [ Google Scholar ] [ CrossRef ]
  22. ایمهوف، ام ال. ژانگ، پی. Wolfe, RE; Bounoua، L. Remote Sens. اثر جزیره گرمایی شهری در سراسر بیوم ها در قاره ایالات متحده. سنسور از راه دور محیط. 2010 ، 114 ، 504-513. [ Google Scholar ] [ CrossRef ]
  23. پیکت، ST; Cadenasso، ML؛ Grove, JM; گرافمن، PM; باند، LE; بون، سی جی; Burch، WR; گریموند، CS; هوم، ج. جنکینز، جی سی. و همکاران فراتر از افسانه های شهری: چارچوب در حال ظهور اکولوژی شهری، همانطور که توسط مطالعه اکوسیستم بالتیمور نشان داده شده است. صبح. Inst. Biol. Biosci. 2008 ، 58 ، 139-150. [ Google Scholar ] [ CrossRef ]
  24. ژو، ی. اسمیت، اس جی. الویج، سی دی; ژائو، ک. تامسون، ا. Imhoff، M. روشی مبتنی بر خوشه برای نقشه‌برداری مناطق شهری از چراغ‌های شب DMSP/OLS. سنسور از راه دور محیط. 2014 ، 147 ، 173-185. [ Google Scholar ] [ CrossRef ]
  25. ژانگ، ال. ونگ، Q. دینامیک سالانه سطح غیرقابل نفوذ در دلتای رودخانه مروارید، چین، از سال 1988 تا 2013، با استفاده از تصاویر سری زمانی Landsat. ISPRS J. Photogramm. Remote Sens. 2016 ، 113 ، 86-96. [ Google Scholar ] [ CrossRef ]
  26. گوو، دبلیو. لو، دی. وو، ی. ژانگ، جی. نقشه‌برداری توزیع سطح غیرقابل نفوذ با ادغام داده‌های SNNP VIIRS-DNB و MODIS NDVI. Remote Sens. 2015 ، 7 ، 12459–12477. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. Wu, C. کمی کردن سطوح غیرقابل نفوذ با وضوح بالا با استفاده از تجزیه و تحلیل مخلوط طیفی. بین المللی J. Remote Sens. 2009 ، 30 ، 2915-2932. [ Google Scholar ] [ CrossRef ]
  28. Ridd, MK بررسی یک مدل VIS (سطح خاک غیرقابل نفوذ گیاهی) برای تجزیه و تحلیل اکوسیستم شهری از طریق سنجش از دور: آناتومی مقایسه ای برای شهرها. بین المللی J. Remote Sens. 1995 ، 16 ، 2165-2185. [ Google Scholar ] [ CrossRef ]
  29. وو، سی. موری، AT تخمین توزیع سطح غیرقابل نفوذ با تجزیه و تحلیل مخلوط طیفی. سنسور از راه دور محیط. 2003 ، 84 ، 493-505. [ Google Scholar ] [ CrossRef ]
  30. Wu، C. تجزیه و تحلیل مخلوط طیفی نرمال شده برای نظارت بر ترکیب شهری با استفاده از تصاویر ETM +. سنسور از راه دور محیط. 2004 ، 93 ، 480-492. [ Google Scholar ] [ CrossRef ]
  31. فن، اف. فن، دبلیو. Weng, Q. بهبود نقشه برداری سطح غیرقابل نفوذ شهری با تجزیه و تحلیل مخلوط طیفی خطی و با استفاده از شاخص های طیفی. می توان. J. Remote Sens. 2015 ، 41 ، 577-586. [ Google Scholar ] [ CrossRef ]
  32. چن، اف. وانگ، ک. ون دو وورد، تی. Tang، TF نقشه‌برداری پوشش زمین شهری از داده‌های فراطیفی با وضوح فضایی بالا: رویکردی مبتنی بر عدم اختلاط همزمان پیکسل‌های مشابه با تجزیه و تحلیل مخلوط طیفی پراکنده. سنسور از راه دور محیط. 2017 ، 196 ، 324-342. [ Google Scholar ] [ CrossRef ]
  33. ژائو، ن. ژو، ی. سامسون، EL تصحیح مقادیر ناسازگار dn و خطاهای هندسی در تصاویر سری زمانی چراغ‌های شبانه. IEEE Trans. Geosci. Remote Sens. 2015 ، 53 ، 2039–2049. [ Google Scholar ] [ CrossRef ]
  34. پوک، اس. ماتسوشیتا، بی. فوکوشیما، T. روشی که به راحتی اجرا می شود برای تخمین سطح غیرقابل نفوذ در مقیاس بزرگ از سری زمانی MODIS و داده های نور شبانه DMSP-OLS بهبود یافته است. ISPRS J. Photogramm. Remote Sens. 2017 ، 133 ، 104-115. [ Google Scholar ] [ CrossRef ]
  35. ژانگ، ایکس. لی، پی. یک شاخص شهری NTL تنظیم شده با درجه حرارت و پوشش گیاهی برای نقشه برداری و تجزیه و تحلیل منطقه شهری. ISPRS J. Photogramm. Remote Sens. 2018 ، 135 ، 93-111. [ Google Scholar ] [ CrossRef ]
  36. شائو، ز. لیو، سی. استفاده یکپارچه از نور شبانه DMSP-OLS و داده های MODIS برای نظارت بر دینامیک سطح غیرقابل نفوذ در مقیاس بزرگ: مطالعه موردی در دلتای رودخانه یانگ تسه. Remote Sens. 2014 , 6 , 9359–9378. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. زی، ی. Weng، Q. تصاویر نور شبانه DMSP/OLS سری زمانی را برای ارزیابی پویایی شهری در مقیاس بزرگ تقویت می کند. ISPRS J. Photogramm. Remote Sens. 2017 ، 128 ، 1-15. [ Google Scholar ] [ CrossRef ]
  38. زی، ی. Weng، Q. تشخیص دینامیک مصرف برق در مقیاس شهری در شهرهای چین با استفاده از تصاویر نور شبانه سری زمانی DMSP-OLS (برنامه ماهواره هواشناسی دفاعی-سیستم اسکن خط عملیاتی). انرژی 2016 ، 100 ، 177-189. [ Google Scholar ] [ CrossRef ]
  39. چن، جی. جانسون، پی. تامورا، م. گو، ز. ماتسوشیتا، بی. یک روش ساده برای بازسازی مجموعه داده های سری زمانی NDVI با کیفیت بالا بر اساس فیلتر Savitzky-Golay. سنسور از راه دور محیط. 2004 ، 91 ، 332-344. [ Google Scholar ] [ CrossRef ]
  40. اشنایدر، آ. فریدل، MA; Potere, D. نقشه برداری مناطق شهری جهانی با استفاده از داده های MODIS 500-m: روش ها و مجموعه داده های جدید بر اساس ‘مناطق بوم شهری’. سنسور از راه دور محیط. 2010 ، 114 ، 1733-1746. [ Google Scholar ] [ CrossRef ]
  41. اشنایدر، الف. نظارت بر تغییر پوشش زمین در مناطق شهری و حومه شهری با استفاده از پشته های زمانی متراکم داده های ماهواره لندست و یک رویکرد داده کاوی. سنسور از راه دور محیط. 2012 ، 124 ، 689-704. [ Google Scholar ] [ CrossRef ]
  42. الویج، سی دی; تاتل، بی تی; ساتون، PS; باگ، KE; آرا، تی. هوارد; میلسی، سی. بهادوری، BL; نمانی، ر. توزیع جهانی و چگالی سطوح غیرقابل نفوذ ساخته شده. Sensors 2007 ، 7 ، 1962-1979. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. ژو، ال. ژنگ، جی. ژانگ، ایکس. لی، جی. لیو، ال. روش بهبود یافته کاهش اشباع نور در شب بر اساس EVI. بین المللی J. Remote Sens. 2015 ، 36 ، 4114-4130. [ Google Scholar ] [ CrossRef ]
  44. بای، ایکس. چن، جی. شی، پی. شهرنشینی منظر و رشد اقتصادی در چین: بازخوردهای مثبت و معضلات پایداری. محیط زیست علمی تکنولوژی 2012 ، 46 ، 132-139. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  45. تان، م. لی، ایکس. زی، اچ. لو، سی. گسترش زمین شهری و از دست دادن زمین قابل کشت در چین – مطالعه موردی منطقه پکن-تیانجین-هبی. سیاست کاربری زمین 2005 ، 22 ، 187-196. [ Google Scholar ] [ CrossRef ]
  46. خو، جی. ژائو، ی. ژونگ، ک. روآن، اچ. Liu, X. مدل‌های تحلیل مخلوط طیفی خطی اصلاح‌شده و شماره منحنی حفاظت خاک (SCS-CN) برای شبیه‌سازی رواناب سطحی: کاربرد در منطقه شهری اصلی گوانگژو، چین. Water 2016 ، 8 ، 550. [ Google Scholar ] [ CrossRef ]
  47. ژو، تی. پان، جی. ژانگ، پی. وی، اس. هان، تی. نقشه برداری گندم زمستانه با SAR چند زمانی و تصاویر نوری در یک منطقه کشاورزی شهری. Sensors 2017 , 17 , 1210. [ Google Scholar ] [ CrossRef ]
  48. یوان، دبلیو. لیو، اس. یو، جی. Bonnefond، J.-M. چن، جی. دیویس، ک. دسای، آر. گلدشتاین، ق. جیانل، دی. روسی، اف. و همکاران برآوردهای جهانی تبخیر و تعرق و تولید ناخالص اولیه بر اساس داده های MODIS و هواشناسی جهانی. سنسور از راه دور محیط. 2010 ، 114 ، 1416-1431. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. پان، ی. لی، ال. ژانگ، جی. لیانگ، اس. زو، ایکس. Sulla-Menashe، D. برآورد سطح گندم زمستانه از داده های سری زمانی MODIS-EVI با استفاده از شاخص فنولوژی نسبت محصول. سنسور از راه دور محیط. 2012 ، 119 ، 232-242. [ Google Scholar ] [ CrossRef ]
  50. وو، جی. پایداری شهری: یک هدف اجتناب ناپذیر از تحقیقات منظر. Landsc. Ecol. 2010 ، 25 ، 1-4. [ Google Scholar ] [ CrossRef ]
  51. وانگ، اس. لی، کیو. نیش، سی. ژو، سی. رابطه بین رشد اقتصادی، مصرف انرژی، و انتشار CO2 : شواهد تجربی از چین. علمی کل محیط. 2016 ، 542 Pt A ، 360–371. [ Google Scholar ] [ CrossRef ]
  52. وو، جی. شیانگ، WN; ژائو، جی. اکولوژی شهری در چین: تحولات تاریخی و جهت گیری های آینده. Landsc. طرح شهری. 2014 ، 125 ، 222-233. [ Google Scholar ] [ CrossRef ]
  53. ونگ، کیو. Lu, D. تجزیه و تحلیل زیر پیکسلی اثر شهرنشینی بر دمای سطح زمین و تعامل آن با سطح غیرقابل نفوذ و پوشش گیاهی در ایندیاناپولیس، ایالات متحده. بین المللی J. Appl. زمین Obs. Geoinf. 2008 ، 10 ، 68-83. [ Google Scholar ] [ CrossRef ]
شکل 1. چین-موقعیت منطقه مورد مطالعه و تقسیمات استانی آن: شمال شرقی چین (NEC)، ساحل شمالی چین (NCC)، ساحل شرقی چین (ECC)، ساحل جنوبی چین (SCC)، مناطق میانی رودخانه زرد (MRYLR)، مناطق میانی رودخانه یانگ تسه (MRYTR)، جنوب غربی چین (SWC) و شمال غربی چین (NWC).
شکل 2. مراحل الگوهای فضایی و زمانی سطوح شهری شهری (IS).
شکل 3. تحلیل مقایسه ای نتایج استخراج سه شاخص و داده های پایه تصویر Landsat-8 در هشت شهر نماینده (پکن، شانگهای، گوانگدونگ، نانجینگ، ووهان، شیان، لانژو، و ارومچی). سطح نفوذناپذیر شهری و نقشه توزیع استخراج شده با استفاده از ( الف ) شاخص سکونتگاه‌های انسانی (HIS)، ( ب ) شاخص شهری NTL تنظیم‌شده با پوشش گیاهی (VANUI)، و ( ج ) شاخص NTL تنظیم‌شده با EVI (EANTLI). ( د ) ترکیبات 7، 6 و 4 باندی تصاویر Landsat-8 برای شناسایی شهر و ساختمان.
شکل 4. نقشه پراکنش منطقه غیرقابل نفوذ شهری در سال 1392.
شکل 5. تغییر در ( الف ) درصد سطح غیرقابل نفوذ شهری (UISP) و ( ب ) تولید ناخالص داخلی (GDP) از 2003 تا 2013.
شکل 6. نرخ نفوذناپذیر شهری در ( الف ) 2003، ( ب ) 2008، و ( ج ) 2013 در مناطق هشت گانه.
شکل 7. تنوع نرخ نفوذناپذیر شهری (نرخ رشد سال به سال) از ( الف ) 2003 تا 2008، ( ب ) 2008 تا 2013 و ( ج ) 2003 تا 2013 در هشت منطقه.
شکل 8. نمودار تغییر نرخ رشد منطقه نفوذناپذیر شهرستان های استان از سال 2003 تا 2013.

بدون دیدگاه

دیدگاهتان را بنویسید