به سوی مجموعه اصلی معیارهای منظر استفاده از زمین شهری در ووهان، چین

در این مطالعه، ما الگوهای منظر شهری در ووهان، چین را بر اساس داده‌های کاربری زمین در قالب برداری بررسی می‌کنیم. با استفاده از رویکرد تحلیل متریک منظر، ما چهل و چهار معیار منظر مبتنی بر برداری را محاسبه می‌کنیم و سپس موارد اضافی را از طریق ترکیبی از تحلیل همبستگی اسپیرمن و تحلیل عاملی کاهش می‌دهیم تا مجموعه‌ای اصلی از معیارهای مشخص‌کننده چشم‌انداز را استخراج کنیم. ما متوجه شدیم که منظر شهری را می توان با شش عامل از جمله شکل کلی و تنوع، میانگین مجاورت، تنوع منطقه کلی، تنوع قطعه قطعه شدن، تنوع طولی، و میانگین پیچیدگی شکل به تصویر کشید. پس از تجزیه و تحلیل الگوهای معمولی نشان‌داده‌شده توسط معیارهای اصلی و توزیع فضایی الگوهای کاربری زمین، یافته‌های خود را با سایر مطالعات مقایسه می‌کنیم و در مورد اینکه چگونه معیارهای اصلی منطبق و متفاوت هستند بحث می‌کنیم.

کلید واژه ها:

متریک چشم انداز ; کاربری اراضی شهری ; تحلیل همبستگی ; تحلیل عاملی ; داده های برداری

1. مقدمه

سیستم های اکولوژی شهری عمدتاً تحت تأثیر شهرنشینی جهانی قرار دارند. شهرنشینی به طور چشمگیری کاربری زمین شهری و الگوهای فضایی مناظر را تغییر می دهد و به طور مستقیم بر ایمنی اکولوژیکی و توسعه پایدار شهرها تأثیر می گذارد. الگوهای منظر پیکربندی‌های فضایی هستند که عناصر منظر را با اندازه‌ها و اشکال مختلف ترکیب می‌کنند تا ناهمگونی مناظر و همچنین اثرات فرآیندهای اکولوژیکی مختلف در مقیاس‌های مختلف را توصیف کنند [ 1 ]. دستورات یا قوانین بالقوه معنادار در مناظر بی نظم را می توان با تجزیه و تحلیل الگوهای چشم انداز شناسایی کرد [ 2 ].

کاربری اراضی و الگوهای فضایی آن عنصری از الگوهای فضایی شهر است و منعکس کننده فعالیت ها و اثرات ساکنان آن است که برای تنظیم سیستم های اکولوژی شهری بسیار مهم است. مطالعه کاربری فعلی زمین شهری برای ارزیابی و بهبود کارایی زمین، برنامه‌ریزی و چیدمان شهرهای مبتنی بر منابع و توسعه پایدار شهرهای اکولوژیکی مهم است. بنابراین، بررسی ویژگی ها و الگوهای مناظر فضایی شهری از دو منظر نظری و واقع گرایانه که ممکن است منجر به برنامه ریزی منطقی کاربری اراضی شهری، ایجاد حالت های توسعه پایدار شهری و ایمنی اکولوژیکی الگوهای منظر شهری شود، حائز اهمیت است.

متریک منظر در بوم شناسی منظر برای توصیف الگوهای منظر و اندازه گیری جنبه های مختلف ناهمگونی استفاده می شود. به عنوان شاخص های کمی ترکیب ساختاری و پیکربندی فضایی مناظر، معیارهای منظر به طور فزاینده ای برای بیان کمی توسعه پایدار زمین شهری از دیدگاه های میانی یا کلان مورد استفاده قرار گرفته اند. ژو و همکاران [ 3 ] الگوهای تبدیل زمین کشاورزی و توسعه شهری را با مقایسه معیارهای چشم انداز مناطق شهری و غیر شهری مورد مطالعه قرار دادند و دریافتند که الگوهای زمین های کشاورزی در مناطق روستایی بیشتر از شهرها پراکنده است. جعفری و همکاران [ 4 ] کاربرد معیارهای چشم انداز را برای ارزیابی پایداری محیطی فرآیندهای شهرنشینی در حال انجام نشان داد. سو و همکاران [5 ] پویایی مکانی و زمانی مناظر کشاورزی تحت شهرنشینی سریع را با استفاده از معیارهای منظر تحلیل کرد و پیچیدگی های روابط بین شهرنشینی و تغییرات چشم انداز کشاورزی را کشف کرد.

هنگام تجزیه و تحلیل الگوهای منظر، ویژگی های منظر و واحدهای آن، از جمله نوع، تعداد، توزیع مکانی و پیکربندی واحدهای منظر باید در نظر گرفته شود. به عنوان مثال، تکه های مختلف ممکن است به صورت تصادفی، یکنواخت یا انباشته توزیع شوند. بسیاری از پایگاه های اطلاعات جغرافیایی داده ها را در قالب برداری ذخیره می کنند، مانند نقشه های کاربری اراضی شهری، نمودارهای اداری و نقشه های کاداستر. برخلاف داده های شطرنجی، هر شی در داده های برداری یک موجودیت است. روابط توپولوژیکی در داده های مکانی واضح است و نمایشگرهای گرافیکی کیفیت و دقت بالایی دارند. علاوه بر این، بازیابی تصویر، به روز رسانی و یکپارچه سازی را می توان با داده های برداری تحقق بخشید [ 6]. نقشه های کاربری اراضی شهری اغلب در قالب داده های برداری ذخیره می شوند. این نقشه ها به عنوان یک مبنای علمی [7 ] برای تعدیل و پیکربندی اقدامات مناسب برای الگوهای کاربری اراضی شهری و برنامه ریزی در کشاورزی، معدن، حمل و نقل شهری، ساخت و ساز شهری، برنامه ریزی منطقه ای و برنامه های یکپارچه سازی زمین.

با این حال، داده‌های شطرنجی (عمدتاً تصاویر سنجش از دور) عمدتاً برای انجام محاسبات متریک چشم‌انداز در مطالعات قبلی مورد استفاده قرار گرفته‌اند. اگرچه داده‌های برداری یک قالب داده‌ای است که معمولاً مورد استفاده قرار می‌گیرد، مطالعات کمی از داده‌های برداری برای محاسبه و تحلیل مستقیم متریک‌های چشم‌انداز استفاده کرده‌اند [ 8 ]. در برخی از مطالعات [ 9]، داده های برداری قبل از محاسبه متریک های چشم انداز به داده های شطرنجی تبدیل شده اند. اگرچه فناوری مورد استفاده برای تبدیل داده های برداری به داده های شطرنجی بالغ است، اما مشکلات مختلفی می تواند در طول فرآیند تبدیل رخ دهد، مانند محدودیت در وضوح داده های شطرنجی. چنین مشکلاتی به طور اجتناب ناپذیری از دقت نتایج محاسباتی می کاهد. محاسبه مستقیم متریک های چشم انداز با استفاده از داده های برداری یک راه حل طبیعی برای این مشکل است.

در همین حال، بسیاری از معیارهای چشم انداز موجود همبستگی دارند. بنابراین، استفاده از معیارهای همپوشانی برای بیان الگوهای منظر اغلب منجر به افزونگی می شود و بر وضوح و دقت تفسیرها تأثیر می گذارد. زیرمجموعه تصادفی، انتخاب متخصص، و فرسودگی روش های اساسی برای استخراج معیارهای اصلی چشم انداز به منظور توصیف الگوهای منظر هستند [ 10 ]. روش‌های انتخاب تصادفی زیرمجموعه و فرسودگی برای حجم‌های زیادی از داده‌ها کمتر قابل استفاده هستند، زیرا مستلزم تعیین ترکیب‌های متریک چشم‌انداز متعدد است [ 11 ]. به گفته شیندلر و همکاران. [ 10]، برای مجموعه ای از 52 متریک، 7000 انتخاب تصادفی برای تعیین ترکیب بهینه لازم بود. و تمام ترکیبات ممکن تا 1.69 میلیون شمارش شد. علاوه بر این، انتخاب متخصص نیز کاربرد کمی دارد [ 10 ]، زیرا افراد اغلب درک متفاوتی از اصطلاحات ریاضی و روابط بین معیارهای چشم انداز و اشیاء مورد علاقه دارند. همچنین عوامل پیچیده مختلفی بر انتخاب متخصصان تأثیر می‌گذارند، مانند اثرات منظر معیارهای چشم‌انداز [ 12 ، 13 ، 14 ].

بنابراین، روش‌های آماری عینی‌تر باید برای کاهش افزونگی در معیارهای چشم‌انداز [ 15 ]، مانند درخت تصمیم [ 16 ]، تحلیل عاملی یا تحلیل مؤلفه‌های اصلی [ 10 ، 17 ، 18 ، 19 ] و رگرسیون مؤلفه اصلی [ 15 ] استفاده شود. . در روش‌های درخت تصمیم، با پیش‌بینی فرآیند تصادفی‌سازی متریک، با کمک ابزارهای آماری مانند R [ 10 و 16 ] ، مهم‌ترین معیارهای پیش‌بینی‌کننده به عنوان معیارهای اصلی انتخاب می‌شوند . جلوگیری از برازش بیش از حد ناشی از نقاط پرت نسبتاً پیچیده است [ 4]. برای روش‌های رگرسیون مؤلفه‌های اصلی، تعداد از پیش تعریف‌شده‌ای از معیارهای اصلی مورد نیاز است [ 10 ، 17 ]، اما برای روش‌های تحلیل عاملی، که در آن مجموعه متریک هسته شامل معیارهایی با بالاترین بار عاملی است، لازم نیست. بنابراین، از تحلیل عاملی در این مطالعه، پس از تحلیل های همبستگی توصیه شده برای حذف معیارهای همبستگی بالا استفاده می شود [ 10 ، 17 ، 18 ، 19 ].

در این مقاله، یک روش تحلیل اکتشافی مبتنی بر ترکیبی از تحلیل همبستگی و تحلیل عاملی برای استخراج معیارهای چشم‌انداز اصلی از داده‌های کاربری زمین برداری به‌دست‌آمده از ووهان، چین استفاده می‌شود.

2. منطقه مطالعه

ووهان، چین، نه تنها یک شهر تاریخی مشهور است، بلکه به عنوان یک مرکز مهم برای تجارت بین المللی نیز عمل می کند. این شهر ( شکل 1 ) که از 22 درجه و 26 دقیقه تا 23 درجه و 56 دقیقه شمالی و 112 درجه و 57 دقیقه تا 114 درجه و 03 دقیقه شرقی امتداد دارد، در قسمت میانی و پایینی رودخانه یانگ تسه در شرق دشت جیانگان قرار دارد. رودخانه یانگ تسه، رودخانه هان و بسیاری از شاخه های آنها از این منطقه شهری می گذرد. آب و هوای ووهان نیمه گرمسیری است. منطقه شهری مرکزی ووهان از سه شهر شامل ووچانگ، هانکو و هانیانگ تشکیل شده است. این سه شهر بیشتر به هفت ناحیه تقسیم می شوند که شامل ووچانگ، چینگشان، هنگشان، جیانگ آن، جیانگان، کیائوکو و هانیانگ می شود. طبقه‌بندی کاربری اراضی ووهان از کد طبقه‌بندی کاربری اراضی شهری و استانداردهای برنامه‌ریزی زمین توسعه پیروی می‌کند.

پنجاه و هفت نوع کاربری زمین در ووهان را می توان به هشت دسته کلی تقسیم کرد، از جمله مسکونی، تجاری، صنعتی، خدمات عمومی، سبز، حمل و نقل، تدارکات و خدمات. زمین مسکونی از چهار نوع با شرایط متنوع تشکیل شده است: R1 (کم‌مرتبه)، R2 (چند طبقه تا مرتفع)، R3 (مخلوط با صنعتی)، و R4 (فرسوده). انواع زمین های صنعتی بر اساس اثرات زیست محیطی آنها، از M1 (با صدای نادر یا انتشار)، M2 (سطح متوسط صدا یا انتشار)، تا M3 (با صدای شدید یا انتشار) است. دسته های دیگر نیز از انواع مختلفی از زمین برای اهداف مختلف تشکیل شده اند.

3. روش

3.1. پیش پردازش داده ها

برای یک منطقه مورد مطالعه بزرگ با مساحت 79035 هکتار، ناهمگونی فضایی معیارهای چشم انداز باید بررسی شود. بنابراین، برای دستیابی به واحدهای فضایی همگن برای تجزیه و تحلیل آماری مناسب، شش ضلعی‌هایی با مساحت مساوی تولید کردیم که در مناطق جغرافیایی مختلف از کل منطقه مورد مطالعه برش داده شد و شش ضلعی‌های مساحت مساوی را «سلول‌های نمونه» نامیدند. منطقه مورد مطالعه به سلول های شش ضلعی با اندازه مساوی تقسیم شد و متریک های چشم انداز هر سلول محاسبه شد. سلول های نمونه بر اساس اصول زیر طراحی شدند. (1) تعداد کافی سلول نمونه به منظور کاهش خطا در تجزیه و تحلیل اکتشافی بعدی بریده شد. تعداد نمونه ها و مساحت هر نمونه به منظور بهینه سازی کارایی محاسبات متریک و میزان پردازش داده ها به دقت انتخاب شد. (2) اندازه و شکل سلول های نمونه تا حد امکان یکنواخت نگه داشته شد تا اثرات تقسیم بر معیارهای چشم انداز که مناطق و اشکال ویژگی ها را توصیف می کند کاهش یابد. بر اساس این دو اصل، منطقه مورد مطالعه به شش ضلعی 500 هکتاری تقسیم شد. شش ضلعی هایی که در آن کمتر از 80 درصد زمین در منطقه مورد مطالعه قرار داشت حذف شدند و در مجموع 127 سلول نمونه به دست آمد.

3.2. تشابه معنایی

برای یک ساختار سلسله مراتبی به عنوان نوع کاربری زمین شهری، یک ماتریس تشابه معنایی را می توان بر اساس ویژگی های ساختار سلسله مراتبی تعریف کرد. ماتریس تشابه معنایی نشان دهنده شباهت بین انواع کاربری زمین است. هر چه مقدار یک عنصر در ماتریس بزرگتر باشد، شباهت بین دو نوع کاربری زمین که عنصر پیوند می دهد بیشتر است. از آنجایی که مقادیر شباهت از (کاملاً متفاوت) تا 1 (کاملاً یکسان) متغیر است [ 20 ]. و وزن کنتراست نیز از 0 (بدون کنتراست) تا 1 (حداکثر کنتراست) متغیر است [ 2 ]. بنابراین، ماتریس تشابه معنایی برای تعیین وزن کنتراست بین انواع کاربری زمین برای محاسبه کنتراست و متریک های تجمع در این کار استفاده می شود.

بر اساس نظریه مجموعه ها و ساختار سلسله مراتبی ارائه شده توسط مولنار [ 7 ] و لیو و همکاران. [ 20 ] و ماتریس شباهت معنایی ویژگی‌های نوع کاربری اراضی شهری، شباهت معنایی انواع کاربری اراضی s _ij به صورت زیر تعریف شد:

سمنj(جمن،جj)={لل+α(جمن،جj)∗دجمن+(1-α(جمن،جj))∗دجjββ+α(جمن،جj)∗دجمن+(1-α(جمن،جj))∗دجj

(1)

α(جمن،جj)=دجمندجمن+دجj

(2)

که در آن c _i و c _j دو نوع کاربری زمین هستند. l کوتاه ترین فاصله از نوع کاربری فوق العاده زمین است که c _i و c _j را در بالای یک سلسله مراتب قرار می دهد. d _ci کوتاه‌ترین فاصله از نوع کاربری فوق‌العاده زمین است که c _i و c _j را به ci تقسیم می‌کند . d _cj کوتاه‌ترین فاصله از نوع کاربری فوق‌العاده زمین است که c _i و c _j را تا c _j جمع می‌کند .α تابعی از فاصله از نوع کاربری بلافصل زمین است که c _i و c _j را در کلاس های c _i و c _j قرار می دهد . و β زمانی استفاده می‌شود که نوع کاربری فوق‌العاده فوری زمین که c _i و c _j را در بر می‌گیرد در بالای یک سلسله مراتب قرار دارد. همه این فاصله ها بر حسب تعداد لبه های پیوند بیان می شوند. کارشناسان مقدار 0.5 را برای درجه همبستگی بین زیر درختان مختلف و همچنین درجه همبستگی بین زمین های کشاورزی، زمین های ساخت و ساز و زمین های بلااستفاده می دهند [ 7 ، 20 ].

3.3. محاسبه متریک

هنگام محاسبه معیارها، باید توجه داشت که تعاریف معیارها در قالب برداری ممکن است مشابه یا متفاوت از همتای رستری باشد. چهار مورد با توجه به نوع تنظیمات لازم وجود دارد. مورد اول برای چهل و سه معیار چشم انداز مناسب برای هر دو فرمت داده و نتایج یکسان بدون توجه به فرمت است. معانی چنین معیارهایی، مانند بسیاری از معیارهایی که مناطق و اشکال وصله‌ها و همچنین معیارهای تنوع را توصیف می‌کنند، بر اساس ویژگی‌های پچ هستند و به واحدهای شطرنجی مربوط نمی‌شوند. بنابراین، برای محاسبه آن معیارها نیازی به تعدیل نیست. مورد دوم برای هجده معیار متریک چشم انداز است که می توانند به درستی اما متفاوت برای داده های شطرنجی و برداری تعریف شوند و بنابراین نیاز به تنظیم دارند. ضریب 0.21] که شامل SHAPE (شاخص شکل)، FRAC (بعد فراکتال) و LSI (شاخص شکل منظره) است. فواصل بین وصله‌ای نیز بر معیارهای تجمع تأثیر می‌گذارند، مانند PROX (شاخص مجاورت) و SIMI (شاخص شباهت)، زمانی که مقادیر صفر احتمالی فاصله‌های لبه به لبه باعث مشکلات حسابی شود. مورد سوم زمانی است که یک متریک منظره فاقد معنای مناسب است، اگرچه این محاسبه برای قالب‌های داده برداری معتبر است. هشت معیار از جمله معیارهایی که تقسیم‌بندی و تقسیم‌بندی را توصیف می‌کنند، مانند شاخص تقسیم، شاخص تقسیم، و اندازه مش موثر در این مطالعه در نظر گرفته نشدند. مورد چهارم زمانی است که یک متریک چشم انداز بر اساس سلول های شطرنجی تعریف می شود و بنابراین فاقد تعریف مناسب در قالب برداری است. این هجده معیار، مانند شاخص شعاع چرخش و مجاورت، از این مطالعه حذف می‌شود. پس از حذف بیست و شش معیار در مورد سوم و چهارم، ما متداول‌ترین معیارهای آماری توصیفی مانند میانگین (_MN)، میانگین وزنی منطقه (_AM) و ضریب واریانس (_CV) را انتخاب کردیم. در همین حال، مساحت کل (TA)، طول کل لبه (TE) و تعداد لکه‌ها (NP) نیز از تجزیه و تحلیل حذف شدند، زیرا نمونه‌ها به طور مساوی بر اساس مساحت تقسیم شدند.

با توجه به تفاوت در متریک های چشم انداز بین داده های قالب شطرنجی و فرمت برداری ارائه شده در بالا، باید تنظیمات لازم در محاسبه متریک برای داده های برداری مورد استفاده در این مطالعه انجام شود. یک پلاگین [ 22 ] برای ArcMap 10.1 برای پیاده سازی تنظیمات داده های برداری ایجاد شده است. بنابراین، ما از آن برای محاسبه معیارهای چشم انداز برای داده های خود در قالب برداری به عنوان مبنای تحلیل اکتشافی بعدی استفاده کردیم.

بر اساس تنظیمات فوق، 44 متریک برای محاسبات داده های برداری در این مطالعه انتخاب شد ( جدول A1 در پیوست ). با ارجاع به گروه بندی در نرم افزار Fragstats [ 2 ]، معیارهای چشم انداز انتخاب شده در این مطالعه شامل پنج گروه است: گروه 1 – مساحت و لبه، گروه 2 – شکل، گروه 3 – تضاد، گروه 4 – تجمع، و گروه 5 – تنوع.

3.4. تحلیل اکتشافی

زمین شهری در ووهان 79035 هکتار مساحت دارد و 20744 لکه دارد. انتخاب تصادفی زیر مجموعه و روش‌های فرسودگی برای استخراج معیارهای چشم‌انداز در اینجا به دلیل حجم زیاد داده‌ها مناسب نبودند. از رگرسیون مؤلفه اصلی نیز استفاده نشد زیرا یک تحلیل اکتشافی بدون عوامل از پیش تعریف شده اتخاذ شد. بر اساس فراوانی استفاده و امکان‌سنجی روش‌های موجود، ترکیبی از تحلیل همبستگی و تحلیل عاملی برای استخراج معیارهای چشم‌انداز اصلی کاربری زمین شهری ووهان انتخاب شد. روش های تجزیه و تحلیل آماری چند متغیره کارکرد آسان، عملی و نتایج نسبتاً دقیقی دارند که در مقایسه با سایر روش های ذکر شده به راحتی قابل تجزیه و تحلیل و تفسیر هستند [ 10،15 ،16 ].

روش تحلیل اکتشافی شامل چهار مرحله است: ابتدا، یک تحلیل همبستگی اسپیرمن برای معیارهای چشم انداز هر گروه اعمال شد. بر اساس قدرت توضیح واریانس ترکیب احتمالی معیارها [ 23 ]، معیارهای بسیار همبسته (| r | > 0.9) پس از آن حذف شدند. تحلیل عاملی بر روی معیارهای باقیمانده در هر گروه انجام شد [ 24]. متریک با بالاترین بار عاملی از هر گروه برای تجزیه و تحلیل کلی انتخاب شد. از همین فرآیند در تحلیل کلی استفاده شد، به عنوان مثال، تحلیل همبستگی اسپیرمن و به دنبال آن طرد متریک و تحلیل عاملی. در نهایت، معیارهایی با بیشترین بارگذاری در هر عامل و در عین حال با بارگذاری بالا فقط برای آن عامل به عنوان مجموعه اصلی معیارها انتخاب شدند.

4. نتیجه و بحث

4.1. مجموعه اصلی معیارها

4.1.1. تحلیل همبستگی درون گروهی

تجزیه و تحلیل همبستگی برای هر گروه از معیارها انجام شد. در گروه 1 (مساحت و لبه)، نتایج تجزیه و تحلیل همبستگی درون گروهی نشان داد که ضرایب همبستگی بیشتر از 0.9 بین LPI (بزرگترین شاخص پچ) و AREA_AM (میانگین اندازه وصله با وزن منطقه) و همچنین ED (لبه) وجود دارد. چگالی) و AREA_MN (میانگین اندازه سلول). نتایج تحلیل همبستگی برای معیارهای گروه 2 (شکل) و گروه 3 (تضاد) نشان می دهد که هیچ ضریب همبستگی بیش از 0.9 در بین معیارها وجود ندارد. بنابراین، تمام معیارهای این دو گروه به طور مستقیم برای تحلیل عاملی درون گروهی انتخاب شدند. برای گروه 4 (تجمع)، ضرایب همبستگی بیشتر از 0.9 بین PD (چگالی وصله) و LSI (شاخص شکل منظره) وجود داشت. PROX_MN (میانگین شاخص مجاورت) و PROX_AM (شاخص میانگین مجاورت با وزن منطقه). برای آخرین گروه 5 (تنوع)، ضرایب همبستگی بیشتر از 0.9 بین PR (غنای پچ)، PRD (چگالی غنای پچ)، و RPR (غنای نسبی پچ) وجود داشت. علاوه بر این، SHDI (شاخص تنوع شانون)، SIDI (شاخص تنوع سیمپسون)، MSIDI (شاخص تنوع سیمپسون اصلاح شده)، SHEI (شاخص یکنواختی شانون)، SIEI (شاخص یکنواختی سیمپسون)، و MSIEI (نمایه یکنواختی اصلاح‌شده exhibson) ضرایب همبستگی جفتی بیشتر از 0.9.

4.1.2. انتخاب در میان معیارهای بسیار همبسته

از آنجا که معیارهای گروه 2 (شکل) و گروه 3 (تضاد) ضریب همبستگی بیش از 0.9 نداشتند، این دو گروه نیازی به انتخاب معیارهای بسیار همبسته ندارند. معیارهای گروه های 1، 4 و 5 از طریق روش مرحله 2 در بخش 3 انتخاب شدند. نتایج فرآیند انتخاب متریک در جدول 1 نشان داده شده است.

نتایج در هر گروه با مقادیر آخرین ردیف (یعنی نسبت نسبت واریانس توضیح داده شده به مجموع ضرایب همبستگی مطلق (∑| r ) رتبه بندی می شوند.|)) به ترتیب نزولی. در هر گروه، خط اول با بیشترین نسبت برای ارائه نتایج معیارهای حذف شده در این مرحله و معیارهای انتخاب شده برای تجزیه و تحلیل کلی برجسته می شود. در انتخاب از میان معیارهای بسیار همبسته، همه ترکیب‌های ممکن (4 برای گروه 1، 4 برای گروه 4، و 8 برای گروه 5) که در آن همبستگی‌های قوی را می‌توان با حذف حداقل تعداد معیارها و انتخاب بهترین زیرمجموعه از همه موارد محاسبه‌شده حذف کرد. معیارهای. سپس زیرمجموعه بهینه تمامی معیارهای محاسبه شده انتخاب شد. علاوه بر این، از آنجایی که بیشترین غنای ممکن از همه نمونه ها 57 بود و هر دو RPR و PR غنا را توصیف کردند، تنها PR انتخاب شد. معیارهای مبتنی بر سیمپسون ترجیحاً قبل از معیارهای مبتنی بر شانون به دلیل کارایی آنها در زمانی که غنای بیش از 100 است انتخاب شدند [ 25 ]]. ترکیبات هر گروه با نسبت واریانس تجمعی به ∑| r |. از طریق این روش، LPI، AREA_MN، و AREA_CV (ضریب تغییرات اندازه سلول) در گروه 1. IJI (شاخص میان پرش و کنار هم قرار گرفتن)، LSI، ENN_MN (میانگین فاصله نزدیکترین همسایه اقلیدسی)، ENN_AM (میانگین وزن اقلیدسی فاصله نزدیکترین همسایه)، ENN_CV (ضریب تغییر اقلیدسی فاصله نزدیکترین همسایه)، PROX_CVAM، ضریب تغییرات شاخص مجاورت)، SIMI_MN (شاخص شباهت میانگین)، SIMI_AM (شاخص شباهت میانگین وزنی سطح)، و SIMI_CV (ضریب تغییرات شاخص شباهت) در گروه 4. و PR و MSIEI در گروه 5 برای تجزیه و تحلیل کلی انتخاب شدند.

4.1.3. انتخاب معیارهای نماینده در هر گروه

بالاترین معیارهای بارگیری AREA_MN و AREA_CV از گروه 1 (مساحت و لبه) انتخاب شدند ( جدول 1). پنج معیار با بالاترین بار عاملی از 13 معیار در گروه 2 (شکل) انتخاب شدند، یعنی PARA_CV (ضریب واریانس نسبت محیط به مساحت)، SHAPE_MN (شاخص شکل میانگین)، FRAC_MN (بعد فراکتال میانگین)، FRAC_AM ( بعد میانگین فرکتال مساحتی) و CIRCLE_CV (ضریب تغییرات دایره محدود کننده مرتبط). به همین ترتیب، پنج مورد از معیارهای گروه 3 (کنتراست) نیز برای تحلیل عاملی انتخاب شدند، یعنی CWED (تراکم لبه با وزن کنتراست)، TECI (شاخص کنتراست کل لبه)، ECON_MN (شاخص کنتراست لبه متوسط)، ECON_AM (مساحت- میانگین وزنی شاخص کنتراست لبه)، و ECON_CV (ضریب واریانس شاخص کنتراست لبه). در گروه 4 (Aggregation)، بالاترین معیارهای بارگذاری LSI، PROX_AM، PROX_CV، و ENN_CV انتخاب شدند. PR و MSIEI از گروه 5 (تنوع) قبلا انتخاب شدند.

4.1.4. تحلیل کلی

با توجه به نتایج تحلیل همبستگی کلی اسپیرمن که در جدول A2 در پیوست نشان داده شده است ، ضریب همبستگی بیش از 0.9 بین AREA_MN و LSI وجود دارد. همانطور که توسط نتایج انتخاب متریک در جدول 2 نشان داده شده است ، LSI برای تحلیل عاملی کلی انتخاب شد. شش معیار، یعنی LSI، PROX_AM، AREA_CV، ECON_CN، CIRCLE_CV، و FRAC_MN، از طریق تجزیه و تحلیل کلی استخراج شدند.

همانطور که در جدول 3 نشان داده شده است ، سهم واریانس درصد تجمعی 75.184٪ به دست آمد. این شش معیار نشان دهنده شش بعد آماری الگوهای چشم انداز است:

(1): شکل و تنوع کلی، که تنوع شکل و نوع منظره را توصیف می کند. این بارگذاری مثبت بالایی در معیارهای LSI، FRAC_AM و تنوع (یعنی PR و MSIEI) نشان می‌دهد. LSI نسبت طول کل لبه را به مساحت کل یک منظره اندازه گیری می کند و شاخص شکل کلی منظره است. FRAC_AM میانگین پیچیدگی شکل وزن شده با اندازه وصله را اندازه‌گیری می‌کند و نشان می‌دهد که آیا یک وصله یک شکل منظم، ساده دارد یا یک شکل نامنظم و پیچیده [ 2 ]. متریک تنوع، غنای (PR) و یکنواختی (MSIEI) انواع پچ را در مناظر اندازه‌گیری می‌کند.
(2): میانگین نزدیکی، که زمینه فضایی یک پچ را در رابطه با همسایگان آن از همان نوع کمیت می کند [ 2 ]. بارگذاری مثبت بالایی در PROX_AM نشان می دهد. معیارهای PROX درجه مجاورت وصله مرکزی را با سایر وصله‌های هم نوع در محدوده خاصی اندازه‌گیری می‌کنند. در مقابل، معیارهای SIMI درجه نزدیکی وصله مرکزی را به همه انواع وصله‌ها اندازه‌گیری می‌کنند. معیارهای PROX به طور خاص ویژگی های پس زمینه وصله را در یک چشم انداز منعکس می کنند [ 2 ].
(3): تنوع منطقه کلی، که واریانس ناحیه وصله را توصیف می کند و تفاوت کلی در اندازه های وصله چشم انداز را منعکس می کند. بارگذاری مثبت بالایی در AREA_CV نشان می دهد، ضریب تغییر ناحیه پچ.
(4): تنوع تکه تکه شدن، که واریانس تفکیک انواع پچ را توصیف می کند. بارگذاری مثبت بالایی در ECON_CV نشان می دهد. معیارهای ECON کنتراست لبه وصله‌ها را اندازه‌گیری می‌کنند. درجه بالایی از واریانس در معیارهای ECON نشان دهنده تفاوت کنتراست لبه بالا در چشم انداز مربوطه است، که نشان می دهد چشم انداز به شدت تکه تکه شده است.
(5): تنوع طولی، که واریانس های پیچیدگی و باریکی را توصیف می کند. بارگذاری مثبت بالایی در CIRCLE_CV نشان می‌دهد که تفاوت‌های شکل را در بین تکه‌ها اندازه‌گیری می‌کند. معیارهای CIRCLE از نسبت مساحت وصله به ناحیه دایره دایره برای اندازه گیری غیرمستقیم کشیدگی شکل تکه ها استفاده می کنند. معیارهای CIRCLE منعکس کننده تفاوت‌های بین اشکال تکه‌ای منظره هستند.
(6): میانگین پیچیدگی شکل، که میانگین پیچیدگی شکل منظره را بر اساس میانگین ابعاد فراکتال توصیف می کند. بارگذاری مثبت بالایی در FRAC_MN نشان می‌دهد، که مشابه FRAC_AM است اما بدون محاسبه وزنی مساحت. این واقعیت که عامل اول و پنجم هر دو ویژگی‌های شکل لکه‌ها را توصیف می‌کنند، نشان می‌دهد که شکل وصله یک ویژگی فضایی مهم کاربری زمین شهری است.

شش معیار منظر با بالاترین بارگذاری بر روی شش عامل ( جدول 3 )، از جمله LSI، PROX_AM، AREA_CV، ECON_CV، CIRCLE_CV، و FRAC_MN، به عنوان معیارهای اصلی انتخاب شدند. بنابراین، هر متریک چشم‌انداز که یک عامل را نشان می‌دهد، تنها بارگذاری بالایی را برای آن عامل نشان می‌دهد، که کارایی و عملی بودن معیارهای اصلی انتخاب شده را تأیید می‌کند [ 9 ، 17 ].

4.2. الگوهای معمولی نشان داده شده توسط معیارهای اصلی

به منظور نشان دادن بصری ویژگی‌های الگوهای منظر توصیف شده توسط معیارهای اصلی، نمونه‌هایی با مقادیر نسبتاً بالا یا مقادیر نسبتاً کم در شکل 2 نشان داده شده‌اند .

بالاترین مقدار LSI در یک شش ضلعی با تعداد زیادی تکه با چگالی بالا مشاهده شد. نمونه با کمترین مقدار LSI فقط شامل تعداد کمی از تکه های سطح آب با مساحت بزرگ بود.

همانطور که در شکل 2 نشان داده شده است ، تفاوت در مقادیر PROX_AM در درجه اول توسط نزدیکی فضایی انواع مختلف وصله ها منعکس شده است. نمونه با بالاترین ارزش PROX_AM در درجه اول شامل زمین های مسکونی با زمین های تجاری پراکنده و مدارس بود. کمترین مقدار PROX_AM در نمونه ای متشکل از سطوح آب طبیعی، زمین کشاورزی و مقدار کمی از زمین توسعه یافته با تعداد کمی لکه مشاهده شد.

بیش از نیمی از مساحت شش ضلعی با بالاترین مقدار AREA_CV با رودخانه پوشیده شده بود. با این حال، تکه‌های ناحیه کوچکی که در ناحیه جنوب شرقی شش ضلعی جمع شده‌اند، منجر به درجه بالایی از واریانس در ناحیه وصله شدند. در مقابل، کمترین مقدار AREA_CV در یک شش ضلعی مشاهده شد که عمدتاً از تکه‌هایی با مناطق مشابه تشکیل شده است.

نمونه با بالاترین ارزش ECON_CV شامل سطوح آب، زمین تجاری و مقدار کمی زمین مسکونی و فضای سبز بود. تنوع تکه تکه شدن این نمونه در درجه اول به دلیل تداوم و یکپارچگی سطوح آب و همچنین درجه بالای تکه تکه شدن سایر انواع کاربری اراضی در منطقه شمال غربی نمونه بود. نمونه با کمترین مقدار ECON_CV با مخلوطی از زمین مسکونی، زمین صنعتی، و زمین دور ریخته شده مشخص شد که منجر به تضاد کلی لبه شد.

زمین کشاورزی، زمین سبز طبیعی، و تعداد کمی از تکه های سطح آب طبیعی به شکل منظم در شش ضلعی با کمترین مقدار CIRCLE_CV منجر به حداقل تغییرات طولی شد. در مقابل، نمونه با بالاترین مقدار CIRCLE_CV حاوی تکه‌های متعدد با پیچیدگی‌های شکلی مختلف بود.

لکه‌های زمین مسکونی و زیر کشت در وسط این نمونه که تقریباً مربعی بودند و جاده‌های باریک و طولانی که آن لکه‌ها را تقسیم می‌کردند، منجر به تغییرات طولی قابل توجهی شد. نمونه با بالاترین مقدار FRAC_MN با جاده های طولانی و باریک متعدد، زمین های صنعتی پیچیده شکل، زمین های ساخت و ساز روستا و شهر، و سطوح آب طبیعی نامنظم در لبه شش ضلعی مشخص شد. در مقابل، نمونه با کمترین مقدار FRAC_MN توسط مخازن منظم شکل، زمین های مسکونی، و سایت های آموزشی و تحقیقاتی مشخص شد.

4.3. توزیع فضایی معیارهای اصلی

به منظور بهتر نشان دادن الگوی توزیع فضایی منطقه شهری ووهان، مقادیر شش معیار اصلی چشم انداز به همه شش ضلعی ها ترسیم شد، همانطور که در شکل 3 نشان داده شده است.

مقادیر بالای متریک LSI به وضوح در منطقه شمال غربی، در حالی که مقادیر پایین در حومه جنوب شرقی خوشه بندی شدند. زمین تجاری و مسکونی در ناحیه غربی با تراکم لکه های بالا مشخص می شد، در حالی که حومه جنوب شرقی عمدتاً شامل سایت های آموزشی و تحقیقاتی، زمین های صنعتی و مخازن با مناطق نسبتاً بزرگ و تراکم لکه های کم بود.

اکثر مقادیر بالای PROX_AM در امتداد لبه شرقی شهر توزیع شده اند. در مقابل، همانطور که در شکل 3 نشان داده شده است ، مقادیر نسبتاً پایین PROX_AM در منطقه شمال شرقی، که با مناطق وسیعی از سطوح آب طبیعی و زمین های کشت شده با مجاورت لکه های زیاد مشخص می شد، آشکار بود. یک کمربند با مقادیر کم PROX_AM از شمال شرق تا جنوب غرب شهر مشاهده شد. این منطقه در درجه اول از لکه های سطح آب طبیعی تشکیل شده بود که به طور قابل توجهی با آنهایی که در امتداد سواحل رودخانه بودند متفاوت بودند.

مقادیر بالای AREA_CV در منطقه غرب میانه شهر مشاهده شد که با مناطق وسیعی از زمین های ساخته نشده، سایت های آموزشی و تحقیقاتی، و زمین های مسکونی و تجاری تکه تکه شده مشخص می شد.

بیشتر مقادیر بالای ECON_CV در لبه‌های غربی و شرقی شهر مشاهده شد که نشان می‌دهد درجات بیشتری از تکه تکه شدن در آن مناطق نسبت به مرکز شهر وجود دارد. این مناطق در ابتدا شامل زمین های کشاورزی پیوسته بود که بعدها از طریق فعالیت های انسانی در جهات جنوبی و شمالی تکه تکه شد. در مقابل، تعداد کمی از لکه‌ها با درجات بالایی از تنوع تکه تکه شدن در منطقه مرکزی شهر به دلیل وجود زمین‌های تجاری پیچیده و لکه‌های زمین مسکونی در نزدیکی رودخانه منظم و لکه‌های سطح آب مشاهده شد.

متریک CIRCLE_CV درجه واریانس در ازدیاد طول شکل وصله یک ناحیه را منعکس می کند. همانطور که در شکل 3 نشان داده شده است ، هیچ گونه تجمع فضایی آشکار یا تغییرات گرادیان در مقادیر CIRCLE_CV مشاهده نشد، که نشان می دهد درجه تغییر طول در تکه ها به طور مساوی در سراسر شهر توزیع شده است. ووهان با انواع مختلف کاربری زمین مشخص می شود. علاوه بر این، سه شهر در ووهان حلقه های تجاری متعددی را با فعالیت های انسانی قابل توجه تشکیل می دهند. بنابراین، مقادیر CIRCLE_CV الگوی پراکنده تری را نشان دادند.

مقادیر بالای FRAC_MN در درجه اول در منطقه غربی شهر متمرکز بود، در حالی که مقادیر پایین FRAC_MN در منطقه جنوب شرقی شهر قرار داشت. این توزیع منعکس کننده اثرات نفوذ انسان بر روی اشکال لکه های زمین است. منطقه جنوب شرقی متعلق به منطقه Wuchang است، جایی که شهرنشینی در اوایل اتفاق افتاد. بنابراین زیرساخت های این منطقه کامل تر است. به منظور تشدید بهره برداری از زمین، لکه های زمین اغلب از طریق راه سازی، ادغام وصله ها و روش های دیگر به تکه های منظم تر تبدیل می شوند.

4.4. بحث

مطالعات کمی وجود دارد که با توجه به توجه ما به سناریو شهری و قالب داده های برداری می تواند برای مقایسه با این مطالعه مناسب باشد. با وجود این، ما موفق شدیم یافته های خود را با یافته های شیندلر و همکاران مقایسه کنیم. [ 10 ]، زیرا هر دو مطالعه در مقیاس 500 هکتار هستند.

تصویر ما از منظر شهری به شش شاخص اصلی نیاز دارد که در مطالعه مقایسه شده روی زیستگاه‌های طبیعی بیش از چهار شاخص است. هر دو مطالعه دریافتند که تنوع و گروه‌های شکل منبع مهم شاخص‌های اصلی هستند، اگرچه اهمیت نسبی شاخص‌ها در سناریوهای شهری و طبیعی متفاوت است. به طور خاص، در یافته‌های ما، پیچیدگی شکل (FRAC_AM)، تنوع اندازه‌های وصله (AREA_CV)، و جداسازی (PROX_AM) در توصیف مناظر شهری مفیدتر از مناظر طبیعی هستند. جالب توجه است، تغییر تکه تکه شدن (ECON_CV) در مناظر شهری مهم تر به نظر می رسد در حالی که خود تکه تکه شدن (ECON_MN) مناظر طبیعی را در مطالعه مقایسه شده بهتر به تصویر می کشد.

یافته‌های ما حاکی از تفاوت بین الگوهای کاربری زمین شهری و الگوهای زیست‌محیطی است. برای مناظر شهری که معمولاً با بسته‌های برداری نشان داده می‌شوند، می‌توان از تجزیه و تحلیل مبتنی بر برداری بهره برد که مشکلات احتمالی مطرح شده در طول تبدیل به قالب شطرنجی را کاهش می‌دهد.

5. نتیجه گیری ها

در این پژوهش، یک روش اکتشافی تحلیل متریک منظر بر اساس ترکیبی از تحلیل همبستگی اسپیرمن و تحلیل عاملی ارائه شده است. روش پیشنهادی افزونگی متریک را کاهش داد و دقت و وضوح نتایج تحلیل را بهبود بخشید. داده‌های کاربری شهری بردار به‌دست‌آمده از ووهان چین برای نشان دادن کارایی روش پیشنهادی استفاده شد. یک مجموعه اصلی از معیارهای متشکل از شش معیار چشم انداز، از جمله LSI، PROX_AM، AREA_CV، ECON_CV، CIRCLE_CV، و FRAC_MN، از 44 متریک چشم انداز استخراج شد. این شش معیار اصلی به ترتیب شکل کلی و تنوع، میانگین مجاورت، تنوع کلی منطقه، تنوع قطعه قطعه شدن، تنوع طول و میانگین پیچیدگی شکل الگوهای منظر شهری ووهان را نشان می‌دهند.22 ]، به حداقل رساندن خطاهای احتمالی ایجاد شده توسط تبدیل فرمت.

تحقیقات آینده بر تحلیل پویای الگوهای کاربری زمین شهری متمرکز خواهد شد. علاوه بر این، تکامل و مکانیسم‌های محرک الگوهای منظر ووهان با استفاده از داده‌های کاربری زمین شهری چند زمانی و داده‌های مربوط به شهرنشینی مورد مطالعه قرار خواهند گرفت. این مطالعات استانداردهای کمی و ابزارهای کمکی را برای توسعه پایدار شهرها فراهم می کند.

منابع

ترنر، ام جی اثر الگو بر فرآیند. آنو. کشیش اکول. سیستم 1989 ، 20 ، 171-197. [ Google Scholar ] [ CrossRef ]
FRAGSTATS 4.2: برنامه تحلیل الگوی فضایی برای نقشه های طبقه بندی شده و پیوسته . دانشگاه ماساچوست: آمهرست، MA، ایالات متحده آمریکا، 2015.
ژو، ام. تان، اس. Zhang, L. تأثیرات طرح‌های کنترل فضایی کاربری مختلف زمین بر تبدیل زمین‌های کشاورزی و توسعه شهری. PLoS ONE 2015 ، 10 ، e0125008. [ Google Scholar ] [ CrossRef ] [ PubMed ]
جعفری، س. ساکیه، ی. شعبانی، ع.ا. دانه کار، ع. نظرسمانی، ع. ارزیابی تغییر منظر مناطق حفاظت شده با استفاده از سنجش از دور و متریک منظر (مطالعه موردی: رزرواسیون جاجرود، ایران). محیط زیست توسعه دهنده حفظ کنید. 2016 ، 18 ، 1701-1717. [ Google Scholar ] [ CrossRef ]
سو، اس. جیانگ، ز. ژانگ، Q. Zhang، Y. تبدیل مناظر کشاورزی تحت شهرنشینی سریع: تهدیدی برای پایداری در منطقه Hang-Jia-Hu، چین. Appl. Geogr. 2011 ، 31 ، 439-449. [ Google Scholar ] [ CrossRef ]
Fränti، P. استفاده از Hough Transform برای فشرده‌سازی تصویر مبتنی بر زمینه در برنامه‌های Raster/Vector ترکیبی. جی. الکترون. Imaging 2002 , 11 , 236. [ Google Scholar ] [ CrossRef ]
Molenaar, M. (ویرایش) نقش مدلهای شیء فضایی توپولوژیکی و سلسله مراتبی در تعمیم پایگاه داده. در روش‌هایی برای تعمیم پایگاه‌های جغرافیایی ؛ انتشارات ژئودزی; کمیسیون ژئودتیک هلند: دلفت، هلند، 1996; صص 13-36. شابک 978-90-6132-258-0. [ Google Scholar ]
یانگ، ایکس. لیو، زی. کمی سازی الگوی منظر و تغییر آن در یک حوضه رودخانه ای با استفاده از تصاویر ماهواره ای و متریک های منظر. بین المللی J. Remote Sens. 2005 ، 26 ، 5297-5323. [ Google Scholar ] [ CrossRef ]
شیندلر، اس. پویرازیدیس، ک. Wrbka، T. به سوی یک مجموعه اصلی از معیارهای چشم انداز برای ارزیابی تنوع زیستی: مطالعه موردی از پارک ملی دادیا، یونان. Ecol. اندیک. 2008 ، 8 ، 502-514. [ Google Scholar ] [ CrossRef ]
شیندلر، اس. فون وهردن، اچ. پویرازیدیس، ک. هوچاچکا، WM; وربکا، ت. کتی، وی. عملکرد روش‌های انتخاب معیارهای چشم‌انداز برای مدل‌سازی غنای گونه‌ها. Ecol. مدل. 2015 ، 295 ، 107-112. [ Google Scholar ] [ CrossRef ]
ویلیامز، جی سی. ReVelle، CS; لوین، SA ویژگی‌های فضایی و مدل‌های طراحی رزرو: یک بررسی. محیط زیست مدل. ارزیابی کنید. 2005 ، 10 ، 163-181. [ Google Scholar ] [ CrossRef ]
وو، جی. شن، دبلیو. سان، دبلیو. Tueller، PT الگوی تجربی تأثیرات تغییر مقیاس بر معیارهای منظر. Landsc. Ecol. 2002 ، 17 ، 761-782. [ Google Scholar ] [ CrossRef ]
Wu، JG اثرات تغییر مقیاس بر تحلیل الگوی منظر: روابط مقیاس‌بندی. Landsc. Ecol. 2004 ، 19 ، 125-138. [ Google Scholar ] [ CrossRef ]
شیندلر، اس. فون وهردن، اچ. پویرازیدیس، ک. وربکا، ت. کتی، وی. عملکرد چند مقیاسی معیارهای چشم انداز به عنوان شاخص های غنای گونه ای گیاهان، حشرات و مهره داران. Ecol. اندیک. 2013 ، 31 ، 41-48. [ Google Scholar ] [ CrossRef ]
Dormann، CF; الیت، جی. باچر، اس. بوخمن، سی. کارل، جی. کاره، جی. مارکوز، جی آر جی؛ گروبر، بی. لافورکید، بی. لیتائو، پی جی; و همکاران هم خطی: مروری بر روش‌های مقابله با آن و یک مطالعه شبیه‌سازی که عملکرد آنها را ارزیابی می‌کند. اکوگرافی 2013 ، 36 ، 27-46. [ Google Scholar ] [ CrossRef ]
هوچاچکا، WM; کاروانا، آر. فینک، دی. مونسون، ا. ریدوالد، ام. سوروکینا، دی. Kelling، S. داده کاوی کشف الگو و فرآیند در سیستم های اکولوژیکی. جی. وایلدل. مدیریت 2007 ، 71 ، 2427. [ Google Scholar ] [ CrossRef ]
Riitters، KH; اونیل، RV; هونساکر، سی تی. ویکهام، جی دی. Yankee, DH; تیممینز، اس پی؛ جونز، KB; جکسون، BL تحلیل عاملی الگوی منظر و معیارهای ساختار. Landsc. Ecol. 1995 ، 10 ، 23-39. [ Google Scholar ] [ CrossRef ]
گریفیث، جی. مارتینکو، EA؛ قیمت، تحلیل ساختار منظر KP کانزاس در سه مقیاس. Landsc. طرح شهری. 2000 ، 52 ، 45-61. [ Google Scholar ] [ CrossRef ]
شیندلر، پارک ملی S. Dadia، یونان – مطالعه یکپارچه در مورد چشم انداز، تنوع زیستی، جمعیت رپتور و مدیریت حفاظت. Ph.D. پایان نامه، دانشگاه وین، وین، اتریش، 2010. [ Google Scholar ]
لیو، ی. مولنار، م. کراک، مدل ارزیابی شباهت معنایی MJ در تعمیم پایگاه داده طبقه‌ای. در مجموعه مقالات آرشیو بین المللی فتوگرامتری و سنجش از دور، اتاوا، ON، کانادا، 9 تا 12 ژوئیه 2002. منابع ملی کانادا: اتاوا، ON، کانادا، 2002. قسمت 4 کمیسیون 4. جلد 34، صفحات 279-285. [ Google Scholar ]
Patch Analyst و Patch Grid ; مرکز تحقیقات اکوسیستم جنگل های شمالی: Thunder Bay، ON، کانادا، 2012.
یو، م. هوانگ، ی. چنگ، ایکس. Tian, J. پلاگین ArcMap برای محاسبه معیارهای چشم انداز داده های برداری. Ecol. به اطلاع رساندن. 2019 ، 50 ، 207–219. [ Google Scholar ] [ CrossRef ]
Mishra, SK ساخت یک شاخص با حداکثر کردن مجموع ضرایب همبستگی مطلق آن با متغیرهای تشکیل دهنده ; شبکه تحقیقات علوم اجتماعی: روچستر، نیویورک، ایالات متحده آمریکا، 2007. [ Google Scholar ]
کرومل، جی آر. گاردنر، RH; سوگیهارا، جی. اونیل، RV; کلمن، الگوهای منظر روابط عمومی در یک محیط آشفته. Oikos 1987 , 48 , 321-324. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یو، T.-X. ما، S.-N. وو، اس.-ایکس. ژان، جی.-ای. تجزیه و تحلیل مقایسه ای شاخص تنوع مقیاس بندی و کاربرد آن. بین المللی J. Remote Sens. 2007 ، 28 ، 1611-1623. [ Google Scholar ] [ CrossRef ]

شکل 1. نقشه کاربری فعلی زمین شهری ووهان، چین.

شکل 2. شیب های حاصل از الگوهای منظره با شش ضلعی های 500 هکتاری نشان داده شده است.

شکل 3. توزیع ارزش شش معیار اصلی.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

2. منطقه مطالعه