آموزش GIS

پیش بینی تغییر پوشش زمین در منطقه Mamminasata، اندونزی، برای ارزیابی طرح فضایی

مقدمه

برنامه طرح فضایی شهر ماکاسار و مناطق اطراف آن به نام مامیناساتا (Makassar، Maros، Sungguminasa و Takalar) توسط دولت اندونزی ایجاد شد. این برنامه نسبت پوشش زمین را تنظیم می کند، اما پیش بینی ها در مورد تغییرات پوشش زمین در نظر گرفته نشد. بنابراین، در این مطالعه، با استفاده از شبکه عصبی پرسپترون چند لایه و روش‌های زنجیره مارکوف، پوشش زمین در سال 2031 چه میزان ممکن است باشد.
پیش بینی تغییر پوشش زمین در منطقه Mamminasata، اندونزی، برای ارزیابی طرح فضایی
برای این منظور، ترکیب تصویر، طبقه‌بندی‌کننده ماشین بردار پشتیبان و تشخیص تغییر برای یک سری زمانی از داده‌های ماهواره‌ای اعمال شد. اعتبار سنجی بصری نقاط داغ تغییرات پوشش زمین مربوط به تراکم جمعیت را نشان داد و اعتبار سنجی آماری به ترتیب در کاپا بدون اطلاعات و کاپا در سطح سلول شبکه به ترتیب امتیاز 0.99 و 0.78 را به دست آورد. این مدل برای پیش‌بینی پوشش زمین در سال 2031 انجام شد و سپس نتیجه پیش‌بینی‌شده با استفاده از روش همپوشانی با طرح فضایی مقایسه شد. نتایج نشان داد که مناطق ساخته شده، کشاورزی دیم و کشاورزی تالابی به ترتیب دو، بیست و هشت درصد از منطقه حفاظت شده را به خود اختصاص داده اند. در همین حال، پانزده درصد از منطقه توسعه تحت پوشش جنگل، عمدتا در بخش شرقی Mamminasata بود. از این نتیجه می توان برای کمک به دولت در تصمیم گیری در مورد برنامه های آینده برای منطقه Mamminasata استفاده کرد. پانزده درصد از منطقه توسعه توسط جنگل، عمدتا در بخش شرقی Mamminasata پوشیده شده بود. از این نتیجه می توان برای کمک به دولت در تصمیم گیری در مورد برنامه های آینده برای منطقه Mamminasata استفاده کرد. پانزده درصد از منطقه توسعه توسط جنگل، عمدتا در بخش شرقی Mamminasata پوشیده شده بود. از این نتیجه می توان برای کمک به دولت در تصمیم گیری در مورد برنامه های آینده برای منطقه Mamminasata استفاده کرد.

کلید واژه ها:

تغییرات پوشش زمین ; طرح فضایی ؛ Mamminasata ; توسعه پایدار ؛ شبکه عصبی پرسپترون چند لایه ; زنجیره مارکوف ; روش ترکیبی ؛ ماشین بردار پشتیبانی ; تشخیص تغییر

1. معرفی

مفهوم توسعه پایدار در دستور کار 21 در ریودوژانیرو [ 1 ] ایجاد شد و منجر به تلاش بسیاری از کشورها، به ویژه کشورهای در حال توسعه برای دستیابی به اهداف این مفهوم شد. مفهوم اصلی از سه رکن، یعنی اجتماعی، اقتصادی و محیطی تشکیل شده است [ 2 ]. بسیاری از مسائلی که بر توسعه پایدار تأثیر می‌گذارند، از نظر جغرافیایی به هم مرتبط هستند و می‌توانند در یک زمینه جغرافیایی تحلیل، مدل‌سازی و نقشه‌برداری شوند [ 3 ]. اندونزی به عنوان یک کشور در حال توسعه و یک کشور تازه صنعتی که در اواسط دهه 1990 شکوفا شد. 4]]، مفهوم توسعه پایدار را در برنامه های طرح فضایی به کار برده است. این برنامه ها حاوی مقررات مربوط به نسبت مساحت پوشش زمین در یک منطقه است. در منطقه Mamminasata، استان سولاوسی جنوبی، دولت محلی طرح فضایی را از سال 2006 ایجاد کرده است. چندین موضوع مربوط به وضعیت پوشش زمین و طرح فضایی در این منطقه مورد بررسی قرار گرفته است [5 ]]، مانند: الف) طرح فضایی موجود کمتر به اجرای آن بخصوص برای مناطق حفاظتی، حفاظتی و خطرناک توجه داشت. (ب) تعادل بین پوشش فعلی زمین و توسعه آینده به طور کامل در طرح فضایی موجود در نظر گرفته نشده است. و (ج) عدم هماهنگی بین ادارات و نهادهای دولتی. موضوع مهم دیگر این بود که پیش بینی پوشش اراضی در طرح فضایی لحاظ نشده است.
چندین محقق رابطه بین توسعه پایدار و تغییر پوشش زمین را مطالعه کرده اند. گارسیا روئیز و همکاران [ 6 ] اثرات تغییر کاربری زمین را بر توسعه پایدار در مناطق کوهستانی پیرنه، اسپانیا مرتبط کرد. موسی و همکاران [ 7 ] توسعه شهرها را بر اساس تغییرات پوشش زمین برای توسعه پایدار در منطقه دلتای نیجر، نیجریه مدلسازی کرد. سالازار و همکاران [ 8 ] برنامه‌ریزی شهری، حفاظت طبیعی و مناطق خطر را برای ایجاد یک مدل پیش‌بینی برای تغییر کاربری زمین به عنوان راهنمای توسعه پایدار در منطقه شهری کویتو، اکوادور ترکیب کرد. تغییر پوشش زمین بخش مهمی از دستیابی به توسعه پایدار است.
برای شبیه‌سازی و پیش‌بینی تغییرات پوشش زمین، مدل‌های مختلفی، عمدتاً با ترکیب سنجش از دور (RS) و یک سیستم اطلاعات جغرافیایی (GIS) استفاده شده است [ 9 ، 10 ]. لوسیری و همکاران [ 11] آن مدل ها را به چهار نوع طبقه بندی کرد: (الف) مدل های تجربی و آماری مانند زنجیره مارکوف و رگرسیون لجستیک. (ب) مدل‌های پویا مانند اتوماتای ​​سلولی، مدل مبتنی بر عامل، الگوریتم ژنتیک، شبکه عصبی مصنوعی و دینامیک سیستم. (ج) مدل های یکپارچه مانند تبدیل کاربری زمین و اثرات آن در وسعت منطقه ای کوچک (CLUE-S) و Dyna-CLUE. و (د) مدل‌های ترکیبی مانند مترونامیکا، مدل تبدیل زمین، مدل‌ساز تغییر زمین (LCM)، و شیب، کاربری زمین، محرومیت، گستره شهری، حمل‌ونقل و سایه تپه (SLEUTH).
شبکه عصبی پرسپترون چند لایه و زنجیره مارکوف (MLPNN + MC) در LCM دقت پیش‌بینی قابل‌توجهی بالاتری نسبت به مدل‌های دیگر ایجاد می‌کنند [ 11 ، 12 ، 13 ، 14 ، 15 ]. این دقت پیش‌بینی بالاتر از شبکه‌های عصبی ناشی می‌شود که می‌توانند تغییرات در انواع مختلف پوشش زمین را به اندازه کافی نسبت به احتمالات منفرد مانند روش وزن شواهد بیان کنند [ 13 ]. سه لایه (ورودی، پنهان، خروجی) در MLPNN برای بیان روابط غیرخطی پیچیده بین تغییرات پوشش زمین و عوامل محرک که پتانسیل انتقال را تولید می‌کنند استفاده می‌شوند، در حالی که ماتریس پتانسیل انتقال با استفاده از MC برای پیش‌بینی تغییرات پوشش زمین در آینده محاسبه می‌شود.این دقت پیش‌بینی بالاتر از شبکه‌های عصبی ناشی می‌شود که می‌توانند تغییرات در انواع مختلف پوشش زمین را به اندازه کافی نسبت به احتمالات ]. بر اساس کار پیکارد و همکاران. [ 16]، LCM دارای چهار ویژگی و مزیت خاص است: (الف) داده های ورودی انعطاف پذیر در پیش پردازش و فرآیند جمع آوری داده. (ب) سطح احتمال، لایه حذف، و طبقه بندی منطقه ای در فرآیند کالیبراسیون. (ج) مدل سازی تصادفی برای تولید فرآیند پیش بینی مدل. و (د) متغیرهای پویا مجاز و تحلیل سناریو در برون یابی سناریوهای آینده. این مدل در چندین مطالعه در مورد شبیه سازی رشد شهری [ 14 ، 17 ، 18 ]، پویایی فضایی جنگل زدایی و تکه تکه شدن [ 19 ]، تغییرات کاربری زمین به دنبال سیاست های زیرساخت سبز [ 20 ] و غیره استفاده شده است .
برای به دست آوردن طبقه بندی پوشش زمین، ماشین بردار پشتیبان (SVM) با قابلیت های غیرخطی و چند بعدی آن انتخاب خوبی است زیرا این روش دارای یک تکنیک طبقه بندی تصویر قدرتمند برای مدیریت تصاویر ماهواره ای چندطیفی است [21 ] . برای دو یا چند دوره، تشخیص تغییر را می توان برای نظارت بر پویایی پوشش زمین اعمال کرد. روش های تشخیص تغییر به دو دسته گروه بندی می شوند: مقایسه مستقیم بدون نظارت (UDC) و مقایسه پس از طبقه بندی نظارت شده (SPCC) [ 22 ]. UDC نسبتاً ساده و سرراست است و به مجموعه آموزشی با برچسب دستی نیاز ندارد [ 23 ]، در حالی که SPCC از یک شی تصویر به عنوان واحد اصلی در تجزیه و تحلیل تغییرات استفاده می کند و به طور همزمان منطقه و نوع تغییر را تشخیص می دهد [ 24] .]. یکی دیگر از روش های ساده تشخیص تغییر، آنالیز بردار تغییر (CVA) است که بردارهای تغییر طیفی را با استفاده از چند تاریخ معین محاسبه می کند و بزرگی آنها را با یک معیار آستانه مشخص مقایسه می کند [ 25 ]. طبقه بندی پوشش زمین بخش مهمی از پیش بینی تغییر پوشش زمین است و یک ابزار تحقیقاتی رایج است که اغلب برای تعیین واقعی [ 26 ]، قبلی [ 27 ، 28 ، 29 ، 30 ] و آینده [ 9 ، 31 ، استفاده می شود . 32] استفاده می شود.] پوشش زمین. طبقه‌بندی پوشش زمین و تشخیص تغییر نیز با در دسترس بودن و دسترسی، و همچنین تداوم و مقرون به صرفه بودن داده‌های سنجش از دور با وضوح متوسط ​​تا پایین که می‌توانند رایگان ارائه شوند، پشتیبانی می‌شوند [33 ] .
هدف از این تحقیق، پیش‌بینی پوشش زمین در سال 2031 در منطقه مامیناساتا، اندونزی، با استفاده از شبکه عصبی پرسپترون چند لایه و زنجیره مارکوف بود. ماشین بردار پشتیبان و تحلیل بردار تغییر برای به دست آوردن طبقه بندی پوشش زمین در سال های 2006، 2011 و 2016 استفاده شد. هفت نقشه برداری ساخته شده توسط دولت به عنوان عوامل محرک مورد استفاده قرار گرفت. اعتبار مدل پیش‌بینی با استفاده از روش‌های آماری و دیداری انجام شد. پوشش اراضی پیش بینی شده در سال 2031 با استفاده از روش همپوشانی با برنامه فضایی دولت برای دوره زمانی 1390 تا 1390 مقایسه و ارزیابی شد.

2. سایت تحقیق و مواد

2.1. سایت تحقیق

منطقه شهری مامیناساتا در جزیره سولاوسی، اندونزی، 247000 هکتار مساحت دارد و از شهرداری های ماکاسار، ماروس، سونگگومیناسا و تاکالار تشکیل شده است ( شکل 1 ). این منطقه با حکم فرماندار استان سولاوسی جنوبی در سال 2003 به دلیل توسعه شهر ماکاسار، مرکز استان سولاوسی جنوبی ایجاد شد. شهر ماکاسار به سرعت رشد کرده است که منجر به تجمع با سه شهرداری دیگر شده است. علاوه بر این، منطقه Mamminasata منطقه مرکزی اقتصادی در شرق اندونزی است و بخش قابل توجهی از تولید ناخالص داخلی منطقه ای استان سولاوسی جنوبی را شامل می شود: 39٪ در سال 2006، 44٪ در سال 2011، و 45٪ در سال 2016 [34، 35 ] . ، 36 ].
دولت یک طرح فضایی برای 2011-2031 ایجاد کرده است تا منطقه شهری Mamminasata را به مرکز خدمات در مقیاس بین المللی در شرق اندونزی با هدف دستیابی به توسعه پایدار تبدیل کند. برای تقویت این طرح، دولت اندونزی منطقه شهری Mamminasata را به عنوان یک منطقه استراتژیک ملی با هدف اینکه این منطقه به عنوان یک منطقه شهری نمونه و به عنوان نمونه ای از توسعه شهری برای اندونزی عمل کند، ایجاد کرد [37 ] .

2.2. مواد

2.2.1. داده های ماهواره ای

در این مطالعه به دلیل در دسترس بودن داده های بلندمدت رایگان، از Landsat 7 Enhanced Thematic Mapper plus (ETM+) و Landsat 8 Operational Land Imager (OLI) استفاده شد. تاریخ های مشاهده در جدول 1 ذکر شده است . دو صحنه متوالی، 116/63 و 116/64 برای مسیر/ردیف، از سازمان زمین شناسی ایالات متحده (USGS) دانلود شد [ 38]. شش باند از 1 تا 7 به جز باند 6 از Landsat 7 ETM+ و باندهای مربوطه از 2 تا 7 از Landsat 8 OLI استفاده شد. طرح نقشه در منطقه 50 جنوبی مرکاتور عرضی جهانی (UTM) و وضوح فضایی 30 متر بود. داده ها در 8 بیت به بازتاب بالای جو تبدیل شدند. ما صحنه های کمتر ابری را از دو فصل در اندونزی انتخاب کردیم (فصل مرطوب از نوامبر تا مه و فصل خشک از ژوئن تا سپتامبر). علاوه بر این، صحنه های متعددی برای هر فصل برای جلوگیری از باقی مانده ابر و سایه های آن و پر کردن شکاف های اسکن در Landsat 7 ETM+ استفاده شد.

2.2.2. سایر داده های مکانی

داده های برداری سرمایه، رودخانه و دریاچه، جاده و سکونتگاه به عنوان عوامل محرک استفاده شد. استفاده از زمین به عنوان داده های آموزشی. و منطقه اداری به عنوان نقشه مرزی Mamminasata. علاوه بر این، ارتفاع و شیب بر اساس یک مدل ارتفاع دیجیتال با وضوح 30 متر (DEM) تولید شده توسط ماموریت توپوگرافی رادار شاتل (SRTM) استفاده شد. تراکم جمعیت منطقه Mamminasata در سال 2011 برای محاسبه تراکم جمعیت در هر پیکسل به عنوان یک عامل محرک استفاده شد. تمام داده ها برای اعمال LCM به فرمت شطرنجی با وضوح 30 متر تبدیل شدند. این داده ها از پایگاه داده مرکز توسعه منطقه ای و اطلاعات فضایی (WITaRIS)، دانشگاه حسن الدین [ 37 ] به دست آمده است.

3. روش ها

روش تلفیقی مورد استفاده در این تحقیق مستلزم سه مرحله اصلی بود. در مرحله 1، نقشه پوشش زمین برای سال 2011 با استفاده از روش ترکیبی و طبقه‌بندی کننده SVM و نقشه‌های پوشش زمین برای سال‌های 2006 و 2016 با تشخیص تغییر استخراج شد. در مرحله 2، تغییر پوشش زمین توسط MLPNN + MC با استفاده از سه نقشه پوشش زمین، چندین عامل محرک و یک مجموعه پارامتر مدل‌سازی شد. MLPNN برای به دست آوردن پتانسیل انتقال بین سال‌های 2006 و 2011 انجام شد، در حالی که MC برای پیش‌بینی پوشش زمین در سال‌های 2016 و 2031 استفاده شد. در مرحله 3، پوشش زمین پیش‌بینی‌شده در سال 2031 با طرح فضایی دولت همپوشانی شد. از نتیجه برای ارزیابی طرح فضایی و کمک به هدایت توسعه آینده Mamminasata استفاده شد.
آموزش GIS

3.1. نقشه برداری پوشش زمین

ما از دو طرح برای به دست آوردن نقشه های طبقه بندی پوشش زمین استفاده کردیم ( شکل 2 ). ابتدا، ما یک نقشه پوشش زمین برای سال 2011 از طریق طبقه بندی تصویر (سمت چپ) ایجاد کردیم. دوم، نقشه‌های پوشش زمین برای سال‌های 2006 و 2016 از طریق تشخیص تغییر با سال 2011 (سمت راست) ایجاد شد. سمت راست شکل 2 مورد را برای سال های 2011 و 2006 نشان می دهد، اما جریان برای سال های 2011 و 2016 یکسان است.

3.1.1. پوشش زمین در سال 2011

مناطق تحت پوشش ابر و سایه موانعی در سنجش از دور نوری هستند. روش پوشش ابری یک راه حل مهم برای این مشکل است [ 39 ]. ما از ماسک ابری موجود در داده های لندست برای تشخیص ابر و سایه آن استفاده کردیم. علاوه بر این، پردازش تصویر اغلب قبل از طبقه‌بندی پوشش زمین ضروری است، به‌ویژه با وجود شکاف‌های اسکن نواری همانطور که در تصاویر Landsat-7 ETM+ رخ داده است [40] به دلیل خرابی Scan Line Corrector (SLC) از می 2003، که باعث ایجاد شکاف های سیستماتیک داده در تصاویر گرفته شده می شود و ظرفیت ارائه میدان های پیوسته فضایی را از بین می برد [ 41 ].
برای پر کردن مناطق ابر و سایه و اسکن شکاف در داده های Landsat ETM+، یک ترکیب دو مرحله ای قبل از طبقه بندی پوشش زمین به شرح زیر اعمال شد. در مرحله اول، دو صحنه بدون ابر از بین تصاویر مشاهده شده در یک فصل انتخاب شد تا تغییرات فصلی به حداقل برسد. جدول 2).). یک ترکیب مبتنی بر پیکسل با استفاده از این تصاویر و بر اساس قوانین زیر ایجاد شد: (1) اگر هر دو پیکسل ابر، سایه یا شکاف اسکن باشند، هیچ داده ای انتخاب نشد. (2) اگر یکی از دو تصویر داده شفاف بود، انتخاب شد. و (3) اگر هر دو داده خوب بودند، تفاوت بین باند مادون قرمز نزدیک (باند 4) و باند قرمز (باند 3) محاسبه شد و پیکسل با اختلاف بزرگتر انتخاب شد. آخرین قانون برای جلوگیری از ابر نازک و سایه آن اتخاذ شد و می‌توان با انتخاب پیکسل‌های همسایه از همان تصویر، صافی تصویر را حفظ کرد.
اگرچه اکثر پیکسل ها در مرحله اول پر شدند، اگر هر دو پیکسل تصویر ابر، سایه یا شکاف اسکن بودند، پیکسل های خالی باقی می ماند. پیکسل‌های خالی برای طبقه‌بندی پوشش زمین نامطلوب هستند، بنابراین مرحله دوم فقط برای آن پیکسل‌های خالی اعمال شد. تصاویر کاندیدا از فصل مشابهی انتخاب شده‌اند، اگرچه این تصاویر در مقایسه با مرحله اول مربوط به دوره‌های رصد طولانی‌تر بودند، زیرا صحنه‌های بدون ابر کمتری برای سایت ما در دسترس بود. اگر اولین تصویر ترکیبی یک پیکسل خالی بود، با استفاده از روش زیر پر می شد: (1) بلوک 5 × 5 پیکسل با پیکسل خالی در مرکز از تصویر ترکیبی انتخاب شد. (2) مجموع تفاوت مطلق بین تصویر ترکیبی و هر تصویر کاندید برای همه باندها با استفاده از داده های واضح محاسبه شد.
روش دو مرحله ای به این دلیل اتخاذ شد که یک پیکسل خالی دارای تکه های کوچک است و یک تصویر صاف با استفاده از یک بلوک پیکسل برای مقایسه ایجاد شد. ما با تعداد کمی از تصاویر کاندید شروع کردیم و با بررسی نتیجه ترکیبی تعداد تصاویر را افزایش دادیم. با استفاده از این روش ترکیبی، سه صحنه برای فصل های مختلف برای دستیابی به دقت طبقه بندی بالا تولید شد. به دلیل پوشش ابری سنگین و تصاویر موجود کمتر، نتوانستیم تصاویر بهتری برای فصول دیگر تولید کنیم.
یک ماشین بردار پشتیبان (SVM) به عنوان طبقه‌بندی کننده پوشش زمین مورد استفاده قرار گرفت، زیرا به عنوان یک الگوریتم یادگیری ماشینی با کارایی بالا ارزیابی شده است و در تعدادی از مطالعات مورد بررسی قرار گرفته است [26 ، 30 ، 42 ، 43 ] . در این مطالعه، طبقه‌بندی مبتنی بر پیکسل با استفاده از شش باند از سه صحنه ترکیبی استفاده شد. تکنیک مبتنی بر پیکسل به طور کلی برای طبقه بندی پوشش زمین با تصاویر با وضوح متوسط ​​در سطح منطقه استفاده می شود [ 44 ]. علاوه بر این، SVM در تشخیص الگوهای ظریف در مجموعه داده های پیچیده در مقایسه با سایر روش های یادگیری ماشینی بهتر عمل می کند. 45]]. این طبقه‌بندی‌کننده یک الگوریتم یادگیری نظارت‌شده مبتنی بر هسته است که تئوری یادگیری ماشین، الگوریتم‌های بهینه‌سازی از تحقیقات عملیاتی و تکنیک‌های هسته از تحلیل ریاضی را ترکیب می‌کند [ 46 ].
منطقه آموزشی از نقشه کاربری اراضی تهیه شده توسط دولت در سال 2011 استخراج شده است. 37]. نقشه اصلی شامل 29 نوع کاربری زمین است که ما آنها را در شش نوع پوشش زمین (منطقه ساخته شده، کشاورزی دیم، جنگل، درختچه، بدنه آبی و کشاورزی تالاب) ادغام کردیم تا بتوانیم نقشه پوشش زمین را برای مدل سازی پیش بینی فضایی اعمال کنیم. مرز 30 متری چند ضلعی های کاربری اراضی در نقشه آموزشی برای حذف مخلوط پوشش زمین در نمونه های آموزشی حذف شد. بازتاب های طیفی داده های لندست (6 باند در 3 صحنه) با توجه به هر پوشش زمین با همپوشانی نقشه آموزشی و تصاویر لندست استخراج شد. این فرآیندها با استفاده از نرم افزار ArcGIS (ESRI، Redlands، CA، USA) انجام شد. بازتاب تمام انواع پوشش زمین متعاقباً به جعبه ابزار آماری و یادگیری ماشین نرم افزار متلب (MathWorks، Natick، MA، ایالات متحده آمریکا) وارد شد.

از آنجا که تقریباً کل منطقه به جز مرز تحت پوشش داده های آموزشی بود، نقشه طبقه بندی مشابه نقشه دولتی بود. بنابراین، دقت فقط در مناطقی که دارای انواع پوشش زمین متفاوت بین داده‌های آموزشی و طبقه‌بندی SVM بودند، ارزیابی شد. ما 100 نقطه چک را برای هر کلاس پوشش زمین از یک تصویر Google Earth انتخاب کردیم. یک ماتریس سردرگمی تولید شد و دقت تولیدکننده (PA)، دقت کاربر (UA)، دقت کلی (OA)، توافق شانس (AoC)، و ضریب کاپا (KC) با استفاده از فرمول‌های زیر محاسبه شد [47 ] :

پآ=سیآسیg·ستومتر
Uآ=سیآسیمن·ستومتر
Oآ=سیج·ستومترسی·ستومتر
آoسی=پم(سی·ستومتر)2
کسی=Oآ-آoسی1-آoسی

جایی که

حدود : تعداد نقاطی که طبقه بندی صحیح است،
Cg·sum : مجموع امتیازهای حقیقت زمینی در هر کلاس،
سیسوم : کل امتیازات طبقه بندی در هر کلاس،
cc·sum : تعداد کل نقاطی که طبقه بندی صحیح است،
جمع : تعداد کل امتیازات،
PM : مجموع ضرب نقاط صدق زمین و نقاط طبقه بندی با توجه به هر پوشش زمین.

3.1.2. پوشش زمین در سال 2006 و 2016

نقشه‌های طبقه‌بندی پوشش اراضی در سال‌های 2006 و 2016 از طریق آشکارسازی تغییر با سال 2011 به‌دست آمدند و پوشش زمین تنها در پیکسل‌هایی که تغییر تشخیص داده شد، شناسایی شد. آسوکان و آنیتا [ 48 ] رویکرد تشخیص تغییر را به پنج نوع طبقه‌بندی کردند: جبر مبتنی بر، تبدیل مبتنی بر طبقه‌بندی، GIS و مدل پیشرفته. حسین و همکاران [ 44 ] تفاوت بین چندین تکنیک تشخیص تغییر را به سه نوع خلاصه کرد: مبتنی بر پیکسل، مبتنی بر شی و داده کاوی فضایی. بر اساس این مطالعات، ما از یک روش مبتنی بر پیکسل از طریق یک رویکرد مبتنی بر جبر (تفاوت تصویر) استفاده کردیم. این تکنیک مبتنی بر مقایسه مستقیم بین دو تصویر است. مزایا ساده و قابل تفسیر هستند [ 44]. علاوه بر این، این تکنیک برای استفاده در تصاویر با وضوح متوسط ​​مانند آنچه از Landsat [ 44 ] تهیه شده است، مناسب است. یک روش رایج در تشخیص تغییر مبتنی بر جبر، انتخاب آستانه برای یافتن ناحیه تغییر یافته است [ 48 ].

در این تشخیص تغییر، روش مشابه برای دو دوره (2011-2006 و 2011-2016) به صورت جداگانه با استفاده از چهار جفت تصویر فهرست شده در جدول 3 اعمال شد . درجه تغییر با استفاده از رابطه زیر محاسبه شد:

Dn(من،j)=1پ×6∑پ=1پ∑ب=16(Dپ،ب(من،j)-Dپ،ب¯σDپ،ب)2

جایی که

Dn(من،j) : تفاوت نرمال شده برای پیکسل تصویر در محل من(خط) و j(ستون)،
پ : تعداد جفت تصویر معتبر (حداکثر 4 عدد است اما در صورت ابر، سایه و شکاف اسکن کاهش می یابد)
Dپ،ب(من،j) : تفاوت در عدد دیجیتال بین 2011 و 2006 (یا 2016) در پیکسل (من،j)( بو پبه ترتیب برای باند و جفت تصویر شاخص هستند)
Dپ،ب¯ : میانگین از Dپ،ب(من،j)برای تمام پیکسل های یک صحنه،
σDپ،ب : انحراف معیار از Dپ،ب(من،j)برای تمام پیکسل های یک صحنه
برای باند (b)، از شش باند از 1 تا 7 به جز باند 6 از لندست 7 و باندهای 2 تا 7 از لندست 8 استفاده کردیم. این معادله به این معنی است که برای همه باندها وزن یکسانی داده شده است زیرا تفاوت در باند متفاوت است. با استفاده از میانگین و انحراف استاندارد اختلاف پیکسل توسط هر باند نرمال شد. لازم به ذکر است که اگر هر دو پیکسل تصویر دارای داده های معتبر باشند، می توان تفاوت را محاسبه کرد. اگر یکی از جفت ها ابر، سایه یا شکاف اسکن باشد، پیکسل از محاسبه D n حذف می شود (i,j). به منظور به حداقل رساندن تفاوت پاسخ های طیفی TM و ETM+، تفاوت نرمال شده با استفاده از بازتاب بالای جو محاسبه شد، نه عدد دیجیتال تصویر. علاوه بر این، تفاوت باقیمانده را می توان با کم کردن میانگین اختلاف حذف کرد ( Dپ،ب¯) در فرآیند عادی سازی. پس از محاسبه این تفاوت نرمال شده، تغییر پوشش زمین با اعمال آستانه شناسایی شد که به صورت دستی با مقایسه منطقه شناسایی شده با یک سری زمانی از تصاویر ماهواره ای با وضوح خوب Google Earth انتخاب شد.

پوشش زمین جدید برای منطقه تغییر یافته بر اساس روش زیر شناسایی شد: (1) داده های نمونه (20000 پیکسل) از مناطق بدون تغییر در تصاویر 2006 (یا 2016) برای هر شش نوع پوشش زمین انتخاب شدند. (2) برای هر پیکسل تغییر یافته، تفاوت با داده های نمونه بالا با استفاده از رابطه (7) محاسبه شد. (3) این تفاوت ها به ترتیب صعودی مرتب شدند. و (4) با ارزیابی 20000 نمونه اول، پوشش زمین بر اساس رایج ترین پوشش زمین در بین شش نوع شناسایی شد.

D(ج،س)=1پ×6∑پ=1پ∑ب=16(آرپ،ب-آرج،س،پ،بσآرج،پ،ب)2

جایی که

D(ج،س) : تفاوت نرمال شده برای پیکسل تصویر در محل من(خط) و j(ستون)،
پ : تعداد جفت تصویر معتبر (حداکثر 4 عدد است اما در صورت ابر، سایه و شکاف اسکن کاهش می یابد)
آرپ،ب : عدد دیجیتال تغییر پیکسل ( بو پبه ترتیب برای باند و جفت تصویر شاخص هستند)
آرج،س،پ،ب : تعداد دیجیتال داده های نمونه به عنوان همان باند و دوره با آرپ،ببرای داده های نمونه سدر کلاس پوشش زمین ج،
σآرج،پ،ب : انحراف معیار از آرج،س،پ،ببرای همه نمونه ها
این روش پیکسل تغییر یافته را بر اساس بازتاب طیفی هر نمونه پوشش زمین استخراج شده از یک منطقه بدون تغییر به نزدیکترین کلاس اختصاص می دهد. بنابراین، این روش اجازه می دهد تا بین همان کلاس ها تغییر کند، به عنوان مثال، از کشاورزی دیم به کشاورزی دیم، حتی اگر پیکسل به عنوان یک پیکسل تغییر یافته در نظر گرفته شود. ما این طرح “تشخیص و طبقه بندی تغییر” را به منظور مقابله با تغییرات بازتاب طیفی به دلیل سنسور و فصل اتخاذ کردیم. این سوگیری ها با مقایسه بازتاب پیکسل تغییر یافته با نمونه های استخراج شده از همان صحنه جبران شد. تشخیص تغییر و تعیین بعدی نوع پوشش زمین با استفاده از نرم افزار خودکدگذاری شده انجام شد.
پیش بینی تغییر پوشش زمین در منطقه Mamminasata، اندونزی، برای ارزیابی طرح فضایی

3.2. مدل تغییر پوشش زمین

ماژول مدل ساز تغییر زمین (LCM) تعبیه شده در نرم افزار TerrSet (Clark Labs, Worcester, MA, USA) در این مطالعه استفاده شد. ماژول توسعه یافته توسط Clark Labs تغییرات پوشش زمین را تجزیه و تحلیل می کند، عوامل محرک را ارزیابی می کند، پتانسیل انتقال از یک کلاس به طبقه دیگر را محاسبه می کند، و یک مدل پیش بینی تغییرات پوشش زمین را به صورت تجربی ایجاد می کند، که می تواند برای دقت آزمایش شود [ 10 ، 18 ، 49 ، 50 ] . این ماژول به عنوان یک ابزار موثر در پیش بینی تغییر کاربری زمین، با رابط کاربری آسان برای درک [ 10 ] شناخته شده است.
برای مدل‌سازی تغییر پوشش زمین، LCM به سه نقشه نیاز دارد: نقشه‌های دو دوره قبلی برای بهینه‌سازی مدل پیش‌بینی برای دوره سوم با مقایسه با نقشه دوره سوم استفاده می‌شوند [51 ] . برای ساخت مدل با مراجعه به نقشه 2016 از نقشه های 2006 و 2011 استفاده کردیم. شکل 3فلوچارت مدلسازی تغییر پوشش زمین را نشان می دهد. نقشه های پوشش زمین در سال 2006 و 2011 برای پیش بینی پوشش زمین در سال 2016 با استفاده از روش MLPNN همراه با عوامل محرک مورد استفاده قرار گرفت. پوشش زمین پیش‌بینی‌شده برای سال 2016 با استفاده از روش MC ایجاد شد و نتیجه پیش‌بینی به صورت بصری و آماری تأیید شد. اگر مقدار دقت قابل قبول باشد، مدل را می توان برای پیش بینی 2031 اعمال کرد. در نتیجه، پیش بینی پوشش زمین برای سال 2031 با نقشه برنامه فضایی دولت برای سال های 2011-2031 همپوشانی داشت. نتیجه به عنوان یک نقشه ارزیابی برای توسعه آینده منطقه Mamminasata استفاده شد.

3.2.1. عوامل رانندگی

عامل محرک متغیری است که باعث تغییر در پوشش زمین می شود. هفت نقشه عامل محرک (فاصله از پایتخت، فاصله از رودخانه و دریاچه، فاصله از جاده، فاصله از استقرار، ارتفاع، شیب و تراکم جمعیت در هر پیکسل) برای مدل‌سازی پیش‌بینی پوشش زمین استفاده شد. این عوامل محرک به دلیل در دسترس بودن این داده ها انتخاب شدند. شیب در ماژول Slope با استفاده از DEM محاسبه شد. چهار نقشه فاصله در ماژول فاصله با استفاده از نقشه های برداری پایتخت، رودخانه و دریاچه، جاده و سکونتگاه به ترتیب پردازش شدند. تراکم جمعیت در هر پیکسل با استفاده از فرمول زیر به دست آمد:

کپ=پ×آ×پ×سی

جایی که

Kp :
تراکم جمعیت در هر پیکسل،
p :
تراکم جمعیت Mamminasata (= 981.29 نفر/km2 [ 52 ] )،
الف :
منطقه توزیع جمعیت (= 3.14 ×(2 کیلومتر) 2 = 12.56 کیلومتر مربع )،
پ :
نسبت جمعیت بیان شده توسط معادله (8)،
ج :
ضریب تبدیل، از 1 کیلومتر 2 به 1 پیکسل
(= 30 متر ×30 متر = 900 متر مربع = 9 ×10-4 کیلومتر 2 = 9 ×10-4 پیکسل ).

فرمول نسبت جمعیت به شرح زیر است:

پ=0.2402×انقضا(-0.9464×(دمنستیآnجه froمتر سهتیتیلهمترهnتی1000))
نقشه تراکم جمعیت در هر پیکسل با این فرض ایجاد شد که جمعیت به صورت شعاعی با شعاع 2 کیلومتری از سکونتگاه ها پخش می شود و با نزدیک شدن به مرکز توزیع آن، جمعیت افزایش می یابد [53 ] .

3.2.2. تنظیم پارامتر

نقشه های پوشش زمین برای سال های 2006 و 2011 به عنوان نقشه های اساسی برای پیش بینی پوشش زمین استفاده شد. در این مطالعه، از روش جدول‌بندی متقابل در مرحله تحلیل تغییر برای سال‌های 2006-2011 و 2011-2016 استفاده شد. این روش برای شناسایی و ارزیابی کمی تغییر پوشش زمین از یک طبقه به طبقه دیگر با تولید نمودار سود و زیان استفاده شد.
در تنظیم پارامتر، نقشه های پایه (2006 و 2011) و هفت نقشه عامل محرک ابتدا به مدل داده شدند تا یک نقشه پتانسیل انتقال تولید شود که احتمال تغییر از یک کلاس به کلاس دیگر را با استفاده از روش MLPNN نشان می دهد [10] . ]. ما تغییر پوشش زمین را با انتخاب یک مدل فرعی انتقال تعیین کردیم، که می‌تواند شامل یک انتقال پوشش زمین منفرد یا گروهی از انتقال‌ها باشد که تصور می‌شود دارای همان عوامل محرک هستند [ .]. در این مطالعه، ما هفت مدل فرعی با پتانسیل انتقال بالا و شرایط بالفعل سایت تحقیقاتی خود را انتخاب کردیم: از “کشاورزی دیم به منطقه ساخته شده”، “بوته‌ها به منطقه ساخته‌شده”، “کشاورزی تالاب به مناطق مسکونی”. منطقه، «کشاورزی درختچه به دیم»، «بوته به جنگل»، «کشاورزی بدنه آبی به تالاب» و «کشاورزی تالابی به کشاورزی دیم». انتخاب این مدل‌های فرعی می‌تواند تغییرات غیرضروری پوشش زمین را برای هدف ارزیابی تنظیم کند، یعنی بتوانیم تغییرات طبیعی مانند تغییر فصلی سطح آب را حذف کنیم.
به عنوان مرحله دوم در تنظیم پارامتر، هر نقشه عامل محرک به عنوان یک نوع استاتیک یا پویا تعیین شد. هر دو نوع بر اساس رفتار آنها در تغییر در طول زمان است [ 10 ]. یک متغیر استاتیک یک عامل محدود کننده یا بازدارنده برای انتقال است و در طول زمان تغییر نمی کند، در حالی که یک متغیر پویا، مانند برنامه توسعه و زیرساخت [10، 50 ] ، محرک انتقال است و در طول اجرای مدل به روز می شود. . در این تحقیق فاصله از جاده به عنوان متغیر دینامیکی و شش عامل دیگر به عنوان متغیر ثابت در نظر گرفته شد.
Cramer’s V برای آزمایش رابطه بین هفت عامل محرک و تغییرات پوشش زمین در سال‌های 2006-2011 استفاده شد. Cramer’s V یک معیار معمولی مبتنی بر مجذور کای برای ارتباط اسمی، مناسب ترین معیار ارتباط و یک فرمول توافق کامل بین دو متغیر اسمی است [ 11 ، 19 ]. مقادیر از 0 تا 1 متغیر است و نمره بالاتر بهتر است [ 10 ، 49 ، 54 ].
به عنوان آخرین مرحله، مدل را با استفاده از تنظیمات پارامتر ذکر شده در بالا اجرا کردیم. برای سایر پارامترها از مقادیر پیش فرض استفاده کردیم. در این فرآیند، مدل نقشه‌های پتانسیل انتقال را بر اساس این روش تولید می‌کند که نیمی از نمونه‌های پیکسل برای اجرای مدل و نیمی دیگر برای اعتبارسنجی عملکرد در پیش‌بینی تغییرات پوشش زمین استفاده می‌شوند [10 ، 11 ] . این روش، به ویژه برای مسائل پیچیده و روابط غیر خطی [ 17 ] پیچیده است.
روش MC برای پیش‌بینی پوشش زمین در سال 2016 استفاده شد. انتقال بالقوه پوشش زمین توسط MC برای توصیف تغییرات واقعی و پیش‌بینی تغییر در سال بعد استفاده می‌شود [ 55 ]. نقشه پیش بینی پوشش زمین برای سال 2016 با نقشه پوشش واقعی زمین اعتبارسنجی شد. ما از دو روش اعتبار سنجی استفاده کردیم: دیداری و آماری. اعتبار سنجی بصری نتیجه پیش‌بینی را با استفاده از چهار دسته نشان می‌دهد: ضربه، موفقیت صفر، هشدار نادرست و از دست دادن. موفقیت ضربه و صفر نشان دهنده درستی مدل است. هشدار نادرست و خطا نشان دهنده خطاهایی است که از مدل به عنوان اختلاف بین نقشه پیش بینی شده و نقشه واقعی حاصل می شود [ 49 ].
برای تقویت آزمون دقت، نتیجه پیش‌بینی از نظر آماری تأیید شد. آمار شاخص کاپا برای دو نوع منطقه هدف: کل سایت تحقیق و مناطق مختلف محاسبه شد. برای مناطق مختلف، تنها مناطقی که تغییرات بین نقشه های پوشش زمین واقعی و پیش بینی شده برای سال 2016 را تجربه کردند، مورد آزمایش قرار گرفتند. نتیجه دقت با استفاده از چهار شاخص کاپا ارزیابی شد: کاپا برای هیچ اطلاعاتی که دقت کلی اجرای شبیه‌سازی را نشان دهد [ 56 ]، کاپا برای مکان سطح سلول شبکه که نشان می‌دهد سلول‌های شبکه تا چه حد در چشم‌انداز قرار دارند، کاپا برای لایه. -موقعیت سطحی که نشان می‌دهد سلول‌های شبکه چقدر در لایه‌ها قرار گرفته‌اند، و کاپا برای استاندارد که نسبت تخصیص صحیح را در مقابل نسبتی که تصادفی درست است را نشان می‌دهد.57 ]. این مقادیر کاپا از 0 تا 1 متغیر است. هر چه مقدار به دست آمده بیشتر باشد، پیش بینی تغییر پوشش زمین موفق تر است. پس از اینکه دقت پیش‌بینی پوشش زمین در سال 2016 پذیرفته شد، می‌توان از این مدل برای پیش‌بینی تغییرات پوشش زمین در سال 2031 با تنظیمات پارامتر مشابه استفاده کرد.

3.3. مقایسه با طرح فضایی

دولت اندونزی یک طرح فضایی ایجاد کرد که شامل یک نقشه الگوی فضایی برای سال‌های 2011-2031 است. نقشه الگوی فضایی بر اساس پوشش واقعی زمین (زمانی که نقشه تهیه شد)، تعداد و نیازهای مردم (واقعی و آینده)، سیاست‌های دولت و تحلیل ظرفیت تحمل منطقه ساخته شد. الگوی فضایی توزیع تخصیص زمین در منطقه ای است که شامل یک منطقه توسعه و یک منطقه حفاظت شده است [ 58 ]. یک منطقه توسعه برای توسعه بر اساس شرایط و پتانسیل منابع طبیعی، انسانی و مصنوعی تعیین می شود، در حالی که یک منطقه حفاظت شده برای حفاظت از پایداری محیطی تعیین می شود که شامل منابع طبیعی و مصنوعی است [59 ] .
رویکرد پیش‌بینی پوشش اراضی در طرح فضایی دولت لحاظ نشده است. بنابراین، پیش‌بینی پوشش زمین برای سال 2031 با نقشه الگوی فضایی دولت همپوشانی شد تا توزیع دقیق پوشش زمین در هر دو منطقه توسعه و حفاظت شده ارائه شود. این نتیجه می تواند برای دولت در بررسی توسعه آینده در منطقه Mamminasata مفید باشد.

4. نتایج

4.1. نقشه های پوشش زمین سال های 2006، 2011 و 2016

شکل 4 سه تصویر ترکیبی مورد استفاده برای طبقه بندی در سال 2011 را به همراه تصاویر تک تاریخ قبل از ترکیب نشان می دهد. شکاف های ابر، سایه و اسکن قبل از کامپوزیت کاهش یافت و صحنه های صاف و واضح توسط کامپوزیت تولید شد.
بیشتر پیکسل‌ها از دو صحنه پایه تشکیل شده‌اند که کمترین تغییر فصلی را در مرحله 1 دارند و بخش کوچکی از پیکسل‌ها توسط صحنه‌های دیگر در مرحله 2 پر شده‌اند (بر اساس جدول 2 ) . بنابراین، ظواهر نرم‌تر از ترکیب همزمان همه صحنه‌ها بود. با این حال، هنوز نواحی سفید (بدون داده، مشخص شده با دایره های قرمز) وجود داشت، زیرا به دلیل ابرها و شکاف های اسکن، داده های معتبری در هیچ یک از صحنه ها وجود نداشت.
پانل مرکزی در شکل 5 ، پوشش زمین در سال 2011 است که توسط طبقه بندی کننده SVM ایجاد شده است، و نشان می دهد که موانع (نواحی ابر، سایه و شکاف اسکن) را می توان غلبه کرد زیرا تفاوت در بازتاب کوچک بود و از طریق گروه بندی آماری توسط طبقه بندی کننده SVM.
جدول 4 نشان می دهد که دقت کلی طبقه بندی پوشش زمین در سال 2011 با 600 امتیاز از کل نمونه 0.83 بوده است. نتایج نشان داد که دقت طبقه‌بندی پوشش اراضی در سال 1390 قابل قبول بوده و می‌توان از آن برای مدل‌سازی تغییر اراضی استفاده کرد.
نقشه‌های پوشش زمین در سال‌های 2006 و 2016 بر اساس تشخیص تغییر با سال 2011 به‌دست آمدند. آستانه‌های تغییر برای تفاوت نرمال‌شده برای سال‌های مربوطه 2.5 و 3.5 بود که با مقایسه بصری با استفاده از یک سری زمانی از تصاویر ماهواره‌ای با وضوح خوب Google Earth تعیین شد. . در نتیجه، کل مناطق تغییر در طی سال های 2006 تا 2011، 4556 هکتار و طی سال های 2011 تا 2016، 1301 هکتار بوده است . در سمت چپ، مقداری آب و تالاب کشاورزی به منطقه ساخته شده تبدیل شد. در سمت راست مقداری آب و درختچه به دیم و تالابی تبدیل شده است.

4.2. مدل تغییر پوشش زمین

4.2.1. تجزیه و تحلیل تغییر پوشش زمین

شکل 6سود و زیان پوشش اراضی را برای دو دوره از سال 2006 تا 2011 و از 2011 تا 2016 نشان می دهد. در تحلیل، امکان انتقال از مناطق ساخته شده به طبقات دیگر وجود نداشت، در حالی که سایر انواع پوشش زمین دارای انتقال بین یک طبقه بودند. یکی دیگر. بین سال‌های 2006 و 2011، حدود 195 هکتار از کشاورزی تالاب به منطقه ساخته شده تبدیل شد، در حالی که کشاورزی دیم عمدتاً از کشاورزی تالابی (893 هکتار)، درختچه‌ها (746 هکتار) و بدنه آبی (122 هکتار) افزایش یافت. در همین دوره مساحت جنگل افزایش یافت که بیشتر از درختچه (347 هکتار) به دست آمد. مشاهده می شود که حدود 1472 هکتار درختچه، 620 هکتار آبده و 1394 هکتار کشاورزی تالابی به انواع دیگر تبدیل شده است. با این حال، حدود 843 هکتار از کشاورزی تالابی از کشاورزی دیم، درختچه‌ها و بدنه آبی افزایش یافت. در بازه زمانی 2011 تا 2016، مساحت ساخته شده 295 هکتار از کشاورزی تالابی، 194 هکتار از کشاورزی دیم و 130 هکتار از بدنه آبی افزایش یافته است. این تغییر به احتمال زیاد به این دلیل است که برنامه دولت در این دوره شروع شده است.
4.2.2. مدل سازی تغییر پوشش زمین
هفت عامل محرک در شکل 7 نشان داده شده است . بر اساس رابطه بین عوامل محرک و پوشش زمین در سال های 2006-2011 با استفاده از آزمون کرامر ( جدول 5 )، بیشترین و کمترین عوامل تأثیرگذار به ترتیب تراکم جمعیت در هر پیکسل و فاصله از رودخانه و دریاچه بود. منطقی است که تراکم جمعیت تأثیر بیشتری بر تغییر پوشش زمین، به ویژه برای انواع پوشش اراضی کشاورزی و مسکونی داشته باشد. همچنین طبیعی است که فاصله از آب تأثیر کمتری دارد زیرا رودخانه های کوچک زیادی این منطقه را به صورت متراکم پوشانده اند (همانطور که در شکل 7 ب نشان داده شده است) و آب کافی در سراسر سایت موجود است.
پتانسیل انتقال با دقت 33.56% با اجرای روش MLPNN از ترکیبی از نقشه های اساسی (2006 و 2011) و هفت عامل محرک به دست آمد. این پتانسیل انتقال برای شبیه سازی پیش بینی پوشش زمین برای سال 2016 با استفاده از روش MC استفاده شد و نقشه حاصل در شکل 8 ب نشان داده شده است.
پس از پیش بینی پوشش زمین برای سال 2016، نقشه حاصل با نقشه پوشش واقعی زمین در سال 2016 مقایسه شد. شکل 8 پوشش واقعی و پیش بینی شده زمین برای سال 2016 و مقایسه طبقات پوشش زمین بین دو نقشه را به صورت درصد نشان می دهد. دو نقشه تقریباً مقادیر یکسانی برای همه کلاس ها داشتند. مساحت پوشش های مختلف زمین 3125 هکتار بود.
شکل 9 الف اعتبار بصری پیش‌بینی پوشش زمین را برای سال 2016 نشان می‌دهد که چهار نوع صحت و خطا را نشان می‌دهد: 0.00٪ بازدید، 98.89٪ موفقیت صفر، 0.86٪ هشدارهای نادرست، و 0.25٪ از دست دادن. مقدار صحت (بازدید و موفقیت صفر) نشان دهنده همان نوع پوشش زمین بین نقشه واقعی و نقشه پیش بینی برای سال 2016 (98.89٪) است. برعکس، مقدار خطا (آژارهای کاذب و اشتباه) نشان دهنده انواع مختلف پوشش زمین بین دو نقشه (1.11 درصد) بود.
اعتبار سنجی آماری با مقایسه کل منطقه و نواحی مختلف (مناطق هشدارهای کاذب و اشتباه) انجام شد. جدول 6 مقادیر کاپا را برای اعتبارسنجی کل منطقه و مناطق مختلف نشان می دهد. پونتیوس و میلونز [ 60 ] نشان دادند که مقادیر کاپا برای بدون اطلاعات و مکان سطح سلول شبکه تا حدودی مفیدتر از مقادیر کاپا برای مکان و استاندارد در سطح لایه است. بر این اساس می توان نتایج دقت را پذیرفت و مدل را برای پیش بینی پوشش زمین برای سال 2031 اجرا کرد.
4.2.3. پیش بینی پوشش زمین برای سال 2031
شکل 10 الف پوشش زمین پیش بینی شده برای سال 2031 است. روش MC با قوانین مشابه، هفت عامل محرک و نقشه های اساسی (2006-2011) برای پیش بینی تغییرات پوشش زمین برای سال 2031 استفاده شد. شکل 10 ب افزایش های پیش بینی شده برای ساخته شده را نشان می دهد. افزایش سطح (252 هکتار)، کشاورزی دیم (5578 هکتار)، و جنگل (73 هکتار)، و کاهش برای درختچه (2829 هکتار)، آب (1282 هکتار)، و کشاورزی تالاب (1791 هکتار). بر اساس این مدل پیش‌بینی، همه انواع پوشش زمین دارای پتانسیل انتقال بین یکدیگر خواهند بود، از جمله منطقه ساخته شده، که در دوره 2006-2016 انتقال به انواع دیگر پوشش زمین را تجربه نکرد.

4.3. مقایسه با طرح فضایی

در نقشه الگوی فضایی دولت، کل مساحت Mamminasata به 80٪ منطقه توسعه و 20٪ منطقه حفاظت شده تقسیم شده است ( شکل 11 a). این نقشه برای ارزیابی الگوی فضایی Mamminasata با نقشه پیش‌بینی پوشش زمین برای سال 2031 پوشانده شد ( شکل 11 ب). نتایج نشان می‌دهد که مناطق کشاورزی و بدنه آبی به ترتیب 70 و 7 درصد از منطقه توسعه را اشغال می‌کنند ( شکل 12 الف)، در حالی که 2 درصد از منطقه حفاظت شده به منطقه ساخته شده تبدیل می‌شود ( شکل 12 ب).
نقشه ارزیابی همچنین جزایر کوچک Mamminasata به نام Spermonde را نشان می دهد که در منطقه حفاظت شده پیش بینی شده است که به منطقه ساخته شده تبدیل شود ( شکل 11 c). شکل 11 d بدنه آبی را در منطقه توسعه نشان می دهد. منطقه جنگلی 15 درصد از منطقه توسعه را اشغال می کند، عمدتاً در بخش های شرقی و شمال شرقی Mamminasata ( شکل 11 e,f). این مناطق با مرکز توسعه یافته فاصله دارند، بنابراین برای دستیابی به توسعه پایدار مراقبت های ویژه ضروری است. هر نوع پوشش زمین در منطقه توسعه احتمال زیادی برای تغییر به نوع پوشش زمین دیگری در آینده دارد زیرا منطقه توسعه برای توسعه طراحی شده است [ 59 ].

5. بحث

در این بخش می خواهیم به چند نکته بر اساس اهداف پژوهشی خود بپردازیم. ابتدا، ما یک روش ترکیبی ساده را برای غلبه بر مشکل SLC لندست ETM+ همراه با حضور مناطق ابر و سایه توصیف کرده‌ایم. این روش برای غلبه بر این موانع در پردازش تصویر مفید است. طبقه بندی پوشش زمین با استفاده از طبقه بندی کننده SVM یک نقشه دقیق پوشش زمین را با دقت قابل قبولی تولید کرد. نقشه طبقه بندی پوشش زمین برای سال 2011 با استفاده از طبقه بندی کننده SVM در این مطالعه با در دسترس بودن نقشه های کاربری اراضی از سوی دولت کمک شد. ما از این داده ها به عنوان نمونه آموزشی با هدف ایجاد نقشه طبقه بندی پوشش اراضی بدون ایجاد داده های آموزشی جدید بر اساس تفسیر بصری تصاویر Landsat استفاده کردیم.
همانطور که توسط حسین و همکاران توضیح داده شده است. [ 44 ]، روش مبتنی بر پیکسل با استفاده از یک رویکرد مبتنی بر جبر (تفاوت تصویر) در این مطالعه ثابت کرده است که ساده و آسان برای تفسیر است. این تکنیک برای تصاویر با وضوح متوسط ​​مانند تصاویر ارائه شده توسط Landsat مناسب است. بر اساس نقشه های پوشش زمین سال های 2006 و 2016 نشان داده شده در شکل 5 و آمار در نمودار 8، این تکنیک به ما کمک کرد تا تغییر مناسب در پوشش زمین را تشخیص دهیم. اگر داده‌های ماهواره‌ای چندطیفی در دسترس باشد، روش تشخیص تغییر ما می‌تواند برای مقیاس‌های جغرافیایی و تفکیک‌های فضایی دیگر به کار رود، زیرا روش کاملاً ساده و کلی است. پوشش زمین به طور قابل توجهی با تکه های کوچک در کشورهای آسیایی پیچیده است، از این رو وضوح فضایی ریزتر به منظور کاهش مخلوط پوشش زمین در یک پیکسل ترجیح داده می شود. ابزار MultiSpectral (MSI) روی ماهواره Sentinel-2 یک جایگزین احتمالی است زیرا از سال 2015 به طور مداوم کار می کند.
اگرچه MLPNN دقت کمتری از پتانسیل انتقال را نسبت به 80٪ نشان داد که توسط چندین محقق [ 10 ، 11 ، 50 ] پیشنهاد شده است، مدل پیش‌بینی پوشش زمین ما برای سال 2016 با استفاده از روش MC دقت قابل قبولی را نشان داد که از نظر بصری و آماری تأیید شده است. بنابراین، ما می خواهیم تأکید کنیم که MLPNN یک روش قدرتمند برای مدل سازی پتانسیل انتقال پوشش زمین است. لازم به ذکر است که مدل ما فقط از جمعیت فعلی و عوامل فیزیکی به عنوان عوامل محرک استفاده می کند. عامل اقتصادی به دلیل در دسترس نبودن این داده ها لحاظ نشده است. چندین محقق عامل اقتصادی را در مدل تغییر پوشش اراضی خود پیشنهاد کرده اند [ 11 , 61 , 62]. برای تحقیقات بیشتر، عامل اقتصادی باید در مدل انتخاب شود. همه نوع داده های عامل محرک (عوامل فیزیکی و اجتماعی-اقتصادی) را می توان در LCM گنجاند. علاوه بر این، ترتیب تأثیر عوامل محرک با استفاده از Cramer’s V تعیین خواهد شد.
پیش بینی پوشش اراضی در طرح فضایی فعلی منطقه مورد مطالعه لحاظ نشده است. بنابراین، نتیجه این مطالعه می‌تواند برای دیدگاه‌های فعلی و آینده سایت آموزنده باشد. اهمیت نتیجه ما در ارزیابی طرح الگوی فضایی بر اساس پیش‌بینی پوشش زمین نهفته است. نقشه ارزیابی به ما کمک کرد تا توزیع دقیق پوشش زمین را در هر دو منطقه توسعه و منطقه حفاظت شده برای سال 2031 ایجاد کنیم. مدل ما پیش بینی کرد که 30٪ از منطقه حفاظت شده به مناطق ساخته شده و کشاورزی تبدیل می شود، در حالی که جنگل 15٪ از آن را تشکیل می دهد. منطقه توسعه این شرایط با توجه به افزایش غیرقابل پیش بینی جمعیت باید توسط مقررات کنترل شود.
در واقع، سرمایه گذاری در زمین توسط شرکت ها و افراد نیز با ایجاد Mamminasata به عنوان یک منطقه استراتژیک ملی به سرعت در حال افزایش است. بسیاری از مناطق کشاورزی، بوته‌ها و بدنه‌های آبی (برکه‌ها) به مناطق مسکونی، عمدتاً مسکونی و صنعتی تبدیل شده‌اند تا نیازهای جمعیت رو به افزایش را برآورده کنند. اگرچه نمی توان از افزایش مساحت ساخته شده اجتناب کرد، تراکم و توزیع مناسب باید همراه با حفاظت از محیط زیست در نظر گرفته شود.
برخی مقررات قبلاً وضع شده است، به عنوان مثال، مقررات اندونزی شماره 41 در سال 2009 (حفاظت از زمین کشاورزی پایدار). چنین مقرراتی مورد نیاز است زیرا اندونزی به عنوان یک کشور کشاورزی باید با ترویج اصول با هم بودن، پایداری، بینش زیست محیطی و غیره، همراه با حفظ تعادل، تأمین زمین کشاورزی پایدار را به عنوان منبع کار و معیشت مناسب برای مردم تضمین کند. پیشرفت و وحدت اقتصادی ملی [ 63]. مقررات اندونزی (مانند شماره 41 در سال 1999 برای جنگلداری، شماره 17 در سال 2019 برای منابع آب، و شماره 26 در سال 2007 برای برنامه ریزی فضایی) ارزشمند است و باید به طور موثر عملی شود. نقشه ارزیابی الگوی فضایی در این تحقیق می تواند به عنوان راهنمایی برای دولت برای اعمال این مقررات برای حفاظت از مناطق حفاظت شده و خطرناک مورد استفاده قرار گیرد.
علاوه بر این، دولت های محلی چهار شهرداری در Mamminasata می توانند برای دستیابی به اهداف مشترک برای توسعه با ایجاد تعادل بین توسعه و مناطق حفاظت شده همکاری کنند. علاوه بر این، دولت ملی باید سرمایه گذاری در قطعات زمین را به شدت کنترل کند تا از اثرات منفی گسترش مناطق ساخته شده جلوگیری کند. مدیریت استفاده از منطقه Mamminasata باید با مقررات منطقه‌بندی، صدور مجوز، تعیین مشوق‌ها و مشوق‌ها و اعمال تحریم‌ها برای تخلفات انجام شده توسط هر طرف هدایت شود. این اقدامات باید به دستیابی به توسعه پایدار منطقه Mamminasata کمک کند.

6. نتیجه گیری

پوشش زمین Mamminasata، اندونزی، در سال 2031 توسط مدل تغییر پوشش زمین با استفاده از سنجش از دور و سایر داده‌های مکانی پیش‌بینی شد و نقشه حاصل برای ارزیابی طرح فضایی مورد استفاده قرار گرفت. ترکیب پوشش اراضی پیش بینی شده و طرح فضایی به ایجاد یک نقشه دقیق از پوشش زمین آینده در مناطق توسعه و حفاظت شده کمک کرد. تغییرات پوشش زمین قابل توجهی در هر چهار شهرداری همراه با افزایش تراکم جمعیت انتظار می رفت. مساحت ساخته شده در منطقه حفاظت شده 2 درصد از کل و مناطق کشاورزی 28 درصد در سال 2031 خواهد بود.
از نظر روش‌شناسی، متوجه شدیم که روش‌های ترکیبی و تشخیص تغییر ساده و قابل پیگیری هستند. علاوه بر این، ما نشان دادیم که SVM یک طبقه‌بندی کننده پوشش زمین قدرتمند است و حتی برای تصاویر با وضوح متوسط ​​مانند تصاویر ارائه شده توسط Landsat مفید است و MLPNN + MC نتیجه خوبی در مدل‌سازی پیش‌بینی تغییر پوشش زمین ارائه می‌دهد. لازم به ذکر است که دقت کمتر پتانسیل انتقال در MLPNN می تواند پیش بینی خوبی از پوشش زمین ایجاد کند که با دقت قابل قبول از روش MC (پیش بینی پوشش زمین برای سال 2016) تأیید شده توسط پوشش واقعی زمین در سال 2016 نشان داده شد. نتیجه محتمل است زیرا تعداد مدل های فرعی می تواند بر دقت تأثیر بگذارد. علاوه بر این، دقت پتانسیل انتقال در MLPNN باید در اکثر موارد با استفاده از تنظیمات پیش‌فرض به خوبی کار کند. به عنوان یک پیشنهاد،
موضوع دیگری که در تحقیقات بعدی باید مورد توجه قرار گیرد، پیش بینی جمعیت است زیرا تغییر پوشش اراضی با نیازهای افزایش جمعیت مرتبط است و تعداد افراد می تواند بر ظرفیت تحمل یک منطقه تأثیر بگذارد. این سه موضوع در یک طرح فضایی مهم هستند.
از تحقیقات ما، ما پیشنهاد می‌کنیم که منطقه حفاظت‌شده باید حفظ شود یا به طور مساوی گسترش یابد، زیرا Mamminasata منطقه مرکزی اقتصادی در شرق اندونزی است که با عملکرد آن به عنوان یک منطقه استراتژیک ملی همراه است که می‌تواند منجر به افزایش جمعیت شود. بنابراین، پیش‌بینی پوشش اراضی باید در تدوین یک برنامه فضایی، به‌ویژه طرح الگوی فضایی برای دستیابی به اهداف توسعه پایدار مفید باشد.

منابع

  1. سازمان ملل. دستور کار 21. در مجموعه مقالات کنفرانس سازمان ملل متحد در مورد محیط زیست و توسعه، ریودوژانریو، برزیل، 3 تا 14 ژوئن 1992. صص 1-351. [ Google Scholar ]
  2. پورویس، بی. مائو، ی. رابینسون، دی. سه ستون پایداری: در جستجوی ریشه های مفهومی. حفظ کنید. علمی 2018 ، 14 ، 681-695. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. اسکات، جی. رجبی فرد، الف. توسعه پایدار و اطلاعات مکانی: چارچوبی راهبردی برای ادغام یک دستور کار سیاست جهانی در قابلیت‌های جغرافیایی ملی. ژئو اسپات. Inf. علمی 2017 ، 20 ، 59-76. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. هسو، اس. پری، N. توسعه پایدار در مالزی و اندونزی . پالگریو مک میلان: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; ISBN 9781137353078. [ Google Scholar ]
  5. آژانس همکاری بین المللی ژاپن: KRI International Corp.: Nippon Koei Co. Ltd. مطالعه اجرای طرح فضایی یکپارچه برای منطقه شهری Mamminasata، استان سولاوسی جنوبی در اندونزی گزارش نهایی: گزارش مطالعه بخش. 2006. در دسترس آنلاین: https://openjicareport.jica.go.jp/340/340/340_108_11834108.html (در 27 ژوئیه 2020 قابل دسترسی است).
  6. گارسیا-روئیز، جی.ام. لاسانتا، تی. رویز-فلانو، پ. اورتیگوسا، ال. وایت، اس. گونزالس، سی. مارتی، سی. تغییرات کاربری زمین و توسعه پایدار در مناطق کوهستانی: مطالعه موردی در پیرنه اسپانیا. Landsc. Ecol. 1996 ، 11 ، 267-277. [ Google Scholar ] [ CrossRef ]
  7. موسی، SI; هاشم، م. Reba، MNM مدل سازی جغرافیایی رشد شهری برای توسعه پایدار در منطقه دلتای نیجر، نیجریه. بین المللی J. Remote Sens. 2018 ، 40 ، 1-29. [ Google Scholar ] [ CrossRef ]
  8. سالازار، ای. هنریکز، سی. اسلیوزاس، آر. Qüense، J. ارزیابی سناریوهای فضایی برای توسعه پایدار در کیتو، اکوادور. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 141. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  9. سهل، تی. ویمبرلی، ام سی؛ Radeloff، VC; تئوبالد، دی.م. پیش‌بینی‌های متمایزتر، BM از استفاده آینده زمین در ایالات متحده ناشی از مدل‌ها و سناریوهای مختلف. Ecol. مدل. 2016 ، 337 ، 281-297. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. چیم، ک. تونیکلیف، جی. شمسلدین، AY; اوتا، تی. تشخیص و پیش‌بینی تغییر کاربری زمین در رودخانه سیم ریپ بالا، کامبوج. هیدرولوژی 2019 ، 6 ، 64. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  11. لوسیری، سی. ناگای، م. نینسوات، س. Shrestha، RP مدل سازی گسترش شهری در منطقه شهری بانکوک با استفاده از داده های جمعیتی-اقتصادی از طریق زنجیره اتوماتای-مارکوف سلولی و مدل های زنجیره پرسپترون-مارکوف چند لایه. پایداری 2016 ، 8 ، 686. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. روی، HG; فاکس، دی.ام. Emsellem، K. پیش بینی تغییر پوشش زمین در یک حوضه آبریز مدیترانه در مقیاس های زمانی مختلف. لکت. یادداشت ها محاسبه. علمی 2014 ، 8582 ، 315-330. [ Google Scholar ] [ CrossRef ]
  13. پرز-وگا، آ. ماس، J.-F. Ligmann-Zielinska، A. مقایسه دو رویکرد برای مدل‌سازی تغییر کاربری/پوشش و پیامدهای آنها برای ارزیابی از دست دادن تنوع زیستی در جنگل‌های استوایی برگ‌ریز. محیط زیست مدل. نرم افزار 2012 ، 29 ، 11-23. [ Google Scholar ] [ CrossRef ]
  14. Ozturk, D. شبیه‌سازی رشد شهری آتاکوم (سامسون، ترکیه) با استفاده از مدل‌های زنجیره‌ای اتوماتا-مارکف سلولی و مدل‌های زنجیره پرسپترون-مارکوف چند لایه. Remote Sens. 2015 ، 7 ، 5918–5950. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. ابراهیم محمود، م. دوکر، ا. کنراد، سی. تیل، م. احمد، HS تجزیه و تحلیل گسترش سکونتگاه و مدل سازی رشد شهری با استفاده از اطلاعات جغرافیایی برای ارزیابی اثرات بالقوه شهرنشینی بر آب و هوا در شهر ابوجا، نیجریه. Remote Sens. 2016 ، 8 ، 220. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  16. پیکارد، BR; گری، جی. Meentemeyer, RK مقایسه کمیت، تخصیص و دقت پیکربندی مدل‌های تغییر زمین چندگانه. Land 2017 , 6 , 52. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. احمد، بی. احمد، آر. مدل‌سازی پویایی رشد پوشش زمین شهری با استفاده از تصاویر ماهواره‌ای چند زمانی: مطالعه موردی داکا، بنگلادش. ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 3-31. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. Tewolde، MG; Cabral، P. تحلیل و مدل‌سازی گسترش شهری در آسمارا، اریتره. Remote Sens. 2011 , 3 , 2148–2165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. سینگ، اس. Reddy، CS; پاشا، اس وی؛ دوتا، ک. سارانیا، ک. Satish، KV مدل‌سازی پویایی فضایی جنگل‌زدایی و تکه تکه‌شدن با استفاده از شبکه عصبی پرسپترون چندلایه و ابزار تکه تکه‌شدن چشم‌انداز. Ecol. مهندس 2017 ، 99 ، 543-551. [ Google Scholar ] [ CrossRef ]
  20. سایه، سی. کرمر، پی. پیش بینی تغییرات کاربری زمین در فیلادلفیا به دنبال سیاست های زیرساخت سبز. سرزمین 2019 ، 8 ، 28. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  21. مونتراکیس، جی. من، جی. Ogole، C. ماشین‌های بردار پشتیبانی در سنجش از راه دور: بررسی. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , 247-259. [ Google Scholar ] [ CrossRef ]
  22. کاپین، پی. Jonckheere، I. Nackaerts، K. مییز، بی. Lambin، E. روش‌های تشخیص تغییر دیجیتال در پایش اکوسیستم: یک بررسی. بین المللی J. Remote Sens. 2004 ، 25 ، 1565-1596. [ Google Scholar ] [ CrossRef ]
  23. بروزون، ال. Prieto، D. تجزیه و تحلیل خودکار تصویر تفاوت برای تشخیص تغییر بدون نظارت. IEEE Trans. Geosci. Remote Sens. 2000 , 38 , 1171-1182. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. یوان، جی. Lv، X.; دوو، اف. Yao, J. تجزیه و تحلیل تغییر در مناطق شهری بر اساس ویژگی های آماری و خوشه بندی زمانی با استفاده از تصاویر سری زمانی TerraSAR-X. Remote Sens. 2019 , 11 , 926. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. تحلیل برداری تغییر Malila، WA: رویکردی برای تشخیص تغییرات جنگل با Landsat. ماخ روند. علامت داده های سنجش از راه دور. 1980 ، 326-335. [ Google Scholar ]
  26. Noi، PT; مقایسه کاپاس، M. طبقه‌بندی‌کننده‌های ماشین تصادفی جنگل، k-نزدیک‌ترین همسایه و بردار پشتیبان برای طبقه‌بندی پوشش زمین با استفاده از تصاویر Sentinel-2. Sensors 2017 ، 18 ، 18. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. لی، جی. کاردیل، جی. Coe، MT گسترش کشاورزی در ماتو گروسو از 1986-2000: یک رویکرد سری زمانی بیزی برای ردیابی تغییر پوشش زمین گذشته. Remote Sens. 2020 , 12 , 688. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. بائزا، س. Paruelo، JM تغییر کاربری زمین / پوشش زمین (2000-2014) در مراتع ریودولا پلاتا: تجزیه و تحلیل بر اساس سری زمانی MODIS NDVI. Remote Sens. 2020 , 12 , 381. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. ژو، Q. تولرود، HJ; باربر، CP; اسمیت، ک. Zelenak, D. انتخاب داده های آموزشی برای طبقه بندی سالانه پوشش زمین برای ابتکار نظارت، ارزیابی و پیش بینی تغییر زمین (LCMAP). Remote Sens. 2020 , 12 , 699. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. جوزدانی، س. جانسون، کارشناسی; چن، دی. مقایسه شبکه‌های عصبی عمیق، طبقه‌بندی‌کننده‌های مجموعه، و الگوریتم‌های ماشین برداری پشتیبان برای طبقه‌بندی کاربری زمین شهری/پوشش زمین مبتنی بر شی. Remote Sens. 2019 ، 11 ، 1713. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  31. شارما، آر. نهرن، یو. رحمان، س. مایر، م. ریمال، بی. ستا، GA; بارال، اچ. مدل سازی تغییرات کاربری و پوشش زمین و اثرات آنها بر تنوع زیستی در کالیمانتان مرکزی، اندونزی. Land 2018 , 7 , 57. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. لیپینگ، سی. یوجون، اس. سعید، س. پایش و پیش‌بینی تغییرات کاربری و پوشش زمین با استفاده از تکنیک‌های سنجش از دور و GIS – مطالعه موردی منطقه تپه‌ای، جیانگل، چین. PLoS ONE 2018 , 13 , e0200493. [ Google Scholar ] [ CrossRef ]
  33. ترنر، دبلیو. روندینی، سی. پتورلی، ن. مورا، بی. لیدنر، ا. Szantoi، Z. بوکانان، جی. دچ، اس. دوایر، جی ال. هرولد، ام. و همکاران داده های ماهواره ای رایگان و بدون دسترسی کلیدی برای حفاظت از تنوع زیستی است. Biol. حفظ کنید. 2015 ، 182 ، 173-176. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. اداره مرکزی آمار. تولید ناخالص داخلی منطقه 2010 ; BPS Sulawesi Selatan: Makassar، اندونزی، 2011. (به اندونزیایی)
  35. اداره مرکزی آمار. تولید ناخالص داخلی منطقه ای منطقه/شهر در سولاوسی جنوبی 2011-2015 . BPS Sulawesi Selatan: ماکاسار، اندونزی، 2016؛ ISBN 9786026426055. (به اندونزیایی)
  36. اداره مرکزی آمار. تولید ناخالص داخلی منطقه ای منطقه/شهر در سولاوسی جنوبی 2014–2018 ؛ BPS Sulawesi Selatan: ماکاسار، اندونزی، 2019؛ ISBN 9786026426840. (به اندونزیایی)
  37. مقررات شماره 55 ریاست جمهوری. طرح فضایی ماکاسار، ماروس، سونگگومیناسا و منطقه شهری تاکالار . Sekretariat Kabinet Republik Indonesia: جاکارتا، اندونزی، 2011. (به اندونزیایی) [ Google Scholar ]
  38. سازمان زمین شناسی ایالات متحده (USGS). کاوشگر زمین. در دسترس آنلاین: https://earthexplorer.usgs.gov (در 19 نوامبر 2019 قابل دسترسی است).
  39. Fisher، AG Cloud و تشخیص ابر سایه در تصاویر SPOT5 HRG با استخراج خودکار ویژگی‌های مورفولوژیکی. Remote Sens. 2014 , 6 , 776–800. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. زو، ایکس. لیو، دی. Chen, J. یک رویکرد زمین آماری جدید برای پر کردن شکاف در تصاویر Landsat ETM+ SLC-off. سنسور از راه دور محیط. 2012 ، 124 ، 49-60. [ Google Scholar ] [ CrossRef ]
  41. یین، جی. ماریتوز، جی. مک کیب، ام. پر کردن شکاف تصاویر لندست 7 با استفاده از روش نمونه گیری مستقیم. Remote Sens. 2016 ، 9 ، 12. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  42. هوانگ، K.-C. Huang، TCC شبیه سازی تغییر پوشش زمین در منطقه شهری تایپه تحت تأثیر تغییرات آب و هوا. IOP Conf. سر. محیط زمین. علمی 2014 ، 18 ، 12106. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  43. نخل.؛ ماشین‌های بردار پشتیبان Mather، PM برای طبقه‌بندی در سنجش از دور. بین المللی J. Remote Sens. 2005 ، 26 ، 1007-1011. [ Google Scholar ] [ CrossRef ]
  44. حسین، م. چن، DM; چنگ، ا. وی، اچ. Stanley, D. تغییر تشخیص از تصاویر سنجش از راه دور: از رویکردهای مبتنی بر پیکسل به رویکردهای مبتنی بر شی. ISPRS J. Photogramm. Remote Sens. 2013 ، 80 ، 91-106. [ Google Scholar ] [ CrossRef ]
  45. آرونا، اس. راجاگوپالان، اس. الگوریتم انتخاب ویژگی CSSFFS مبتنی بر SVM برای تشخیص سرطان سینه. بین المللی جی. کامپیوتر. Appl. 2011 ، 31 ، 14-20. [ Google Scholar ]
  46. پریخ، ک.س. شاه، ماشین بردار پشتیبان TP – طبقه بندی کننده حاشیه بزرگ برای تشخیص بیماری های پوستی. Procedia Technol. 2016 ، 23 ، 369-375. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. علی الدین، I. Irwan کاربرد تصاویر ماهواره ای Sentinel 2B با استفاده از طبقه بندی تصاویر نظارت شده الگوریتم حداکثر احتمال در به روز رسانی پوشش زمینی منطقه شهری مامیناساتا، سولاوسی جنوبی. IOP Conf. سر. محیط زمین. علمی 2019 ، 280 ، 1-8. [ Google Scholar ] [ CrossRef ]
  48. آسوکان، ع. Anitha، J. تکنیک های تشخیص تغییر برای برنامه های سنجش از راه دور: یک بررسی. علوم زمین آگاه کردن. 2019 ، 12 ، 143-160. [ Google Scholar ] [ CrossRef ]
  49. مگاهد، ی. کابرال، پ. سیلوا، جی. Caetano، M. تحلیل نقشه‌برداری پوشش زمین و مدل‌سازی رشد شهری با استفاده از تکنیک‌های سنجش از دور در منطقه بزرگ قاهره-مصر. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1750-1769. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. Eastman, JR Terrset-Manual ; آزمایشگاه کلارک، دانشگاه کلارک: ورچستر، MA، ایالات متحده آمریکا، 2016; پ. 01610-1477. [ Google Scholar ]
  51. پونتیوس، آر.جی. بوئرسما، دبلیو. کاستلا، جی.-سی. کلارک، کی سی; De Nijs، T. دیتزل، سی. دوان، ز. فوتسینگ، ای. گلدشتاین، ن. کوک، ک. و همکاران مقایسه نقشه های ورودی، خروجی و اعتبارسنجی برای چندین مدل تغییر زمین. ان Reg. علمی 2007 ، 42 ، 11-37. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. اداره مرکزی آمار. Sulawesi Selatan در ارقام ; BPS Sulawesi Selatan: Makassar، اندونزی، 2012. (به اندونزیایی)
  53. آلبرتو، آ. Dasanto، BD Model perubahan penggunaan lahan dan pendugaan cadangan karbon di daerah aliran sungai Cisadane، مدل تغییر کاربری زمین جاوا برات و برآورد ذخایر کربن در حوضه آبخیز سیسادان، جاوه غربی. آگرومت 2010 ، 24 ، 18-26. [ Google Scholar ] [ CrossRef ]
  54. لای، ایالات متحده؛ پرادان، بی. یوسف، ز. عبدالله، اف. آریال، ج. پارک، اچ.-جی. داده‌کاوی و رویکردهای آماری در مدل‌سازی حساسیت جریان زباله با استفاده از داده‌های LiDAR موجود در هوا. Sensors 2019 , 19 , 3451. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. زبیر، OA; جی، دبلیو. وایلرت، تی. مدل‌سازی تأثیر تغییر منظر شهری بر تالاب‌های شهری با استفاده از یادگیری ماشینی مبتنی بر نمونه وزنی مشابه و مدل مارکوف. Sustainability 2017 , 9 , 2223. [ Google Scholar ] [ CrossRef ][ Green Version ]
  56. نادوشن، م. سوفیانیان، ع. پیش بینی گسترش شهری در کلانشهر اراک با استفاده از دو مدل تغییر زمین. برنامه جهانی علمی J. 2012 , 18 , 1124-1132. [ Google Scholar ] [ CrossRef ]
  57. کیم، آی. جئونگ، جی. پارک، اس. Tenhunen، J. پیش بینی تغییر کاربری زمین در حوضه رودخانه سویانگ، کره جنوبی. در مجموعه مقالات کنفرانس علمی TERRECO 2011، Garmisch-Partenkirchen، آلمان، 2-7 اکتبر 2011. ص 17-24. [ Google Scholar ]
  58. مقرره شماره 1 وزارت ارضی و برنامه ریزی فضایی . Sekretariat Kabinet Republik Indonesia: جاکارتا، اندونزی، 2018. (به اندونزیایی)
  59. مقررات اندونزی شماره 26. طرح فضایی ; Sekretariat Kabinet Republik Indonesia: جاکارتا، اندونزی، 2007. (به اندونزیایی) [ Google Scholar ]
  60. پونتیوس، آر.جی. میلونز، ام. مرگ بر کاپا: تولد اختلاف کمیت و اختلاف تخصیص برای ارزیابی دقت. بین المللی J. Remote Sens. 2011 ، 32 ، 4407-4429. [ Google Scholar ] [ CrossRef ]
  61. تریسورات، ی. شیراکاوا، اچ. جانستون، JM تغییر کاربری زمین/پوشش زمین از محرک های اجتماعی-اقتصادی و تأثیر آنها بر تنوع زیستی در استان نان، تایلند. پایداری 2019 ، 11 ، 649. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  62. اوستاوغلو، ای. Aydınoglu، A. تغییرات منطقه ای توسعه کاربری زمین و پویایی تغییر کاربری / پوشش: مطالعه موردی ترکیه. Remote Sens. 2019 , 11 , 885. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  63. مقررات اندونزی شماره 41. حفاظت از زمین کشاورزی پایدار . Sekretariat Kabinet Republik Indonesia: جاکارتا، اندونزی، 2009. (به اندونزیایی) [ Google Scholar ]
Ijgi 09 00481 g001 550
شکل 1. سایت تحقیق: ( الف ) اندونزی; ( ب ) استان سولاوسی جنوبی؛ ( ج ) منطقه مامیناساتا.
Ijgi 09 00481 g002 550
شکل 2. نمودار جریان طبقه بندی پوشش زمین.
Ijgi 09 00481 g003 550
شکل 3. نمودار جریان مدل سازی تغییر پوشش زمین.
Ijgi 09 00481 g004 550
شکل 4. Landsat 7 ETM+ 2011: ( الف ) صحنه 1 (11/04/2010)، ( ب ) صحنه 2 (03/07/2011) و ( ج ) صحنه 3 (05/09/2011) قبل از کامپوزیت. ( د ) صحنه 1، ( ه ) صحنه 2، و ( f ) صحنه 3 پس از کامپوزیت. توجه: دایره های قرمز نشان دهنده بدون داده است. نوارهای 3، 4 و 2 به ترتیب برای قرمز، سبز و آبی استفاده شد.
Ijgi 09 00481 g005 550
شکل 5. طبقه بندی پوشش زمین: ( a , c , f ) 2011 با استفاده از طبقه بندی کننده ماشین بردار پشتیبان (SVM). ( b , e ) 2006 با استفاده از تشخیص تغییر. و ( d , g ) 2016 با استفاده از تشخیص تغییر.
Ijgi 09 00481 g006 550
شکل 6. تغییرات پوشش زمین سایت تحقیق: ( الف ) در سال 2006-2011; ( ب ) در 2011-2016. توجه: BU—منطقه ساخته شده؛ DA-کشاورزی دیم; فو – جنگل; Sh- درختچه; Wb – آب بدن; و WA-کشاورزی تالاب.
Ijgi 09 00481 g007a 550 Ijgi 09 00481 g007b 550
شکل 7. نقشه های عوامل محرک: ( الف ) فاصله از پایتخت، ( ب ) فاصله از رودخانه و دریاچه، ( ج ) فاصله از جاده، ( د ) فاصله از سکونتگاه، ( ه ) ارتفاع، ( f ) شیب، و ( g) ) تراکم جمعیت در هر پیکسل. فواصل و ارتفاع بر حسب متر، شیب بر حسب درجه و تراکم جمعیت در هر پیکسل بر حسب نفر/کیلومتر مربع است .
Ijgi 09 00481 g008a 550 Ijgi 09 00481 g008b 550
شکل 8. پوشش واقعی زمین حاصل از داده های ماهواره ای ( a ); پوشش زمین توسط شبکه عصبی پرسپترون چند لایه و زنجیره مارکوف (MLPNN + MC) ( b ) پیش‌بینی شده است. مقایسه سطح پوشش زمین ( ج ).
Ijgi 09 00481 g009a 550 Ijgi 09 00481 g009b 550
شکل 9. اعتبار سنجی بصری ( a ); نقشه های واقعی ( ب ) و پیش بینی شده پوشش زمین برای سال 2016 برای مناطق مختلف ( ج ).
Ijgi 09 00481 g010 550
شکل 10. پیش بینی پوشش زمین برای سال 2031 ( a ); توزیع تغییرات پوشش زمین در سایت تحقیقاتی در سال 2016-2031. توجه: BU—منطقه ساخته شده؛ DA-کشاورزی دیم; فو – جنگل; Sh- درختچه; Wb – آب بدن; و WA-کشاورزی تالاب ( b ).
Ijgi 09 00481 g011 550
شکل 11. طرح الگوی فضایی از سوی دولت ( a ); ارزیابی طرح الگوی فضایی ( ب ); جزایر اسپرموند ( ج )؛ مساحت بدنه آبی ( d )؛ منطقه جنگلی ( e ); و ناحیه بوته ای ( f ). توجه: BU—منطقه ساخته شده؛ DA-کشاورزی دیم; فو – جنگل; ش- درختچه; Wb – آب بدن; WA-کشاورزی تالاب; DZ – منطقه توسعه; و منطقه حفاظت شده PZ.
Ijgi 09 00481 g012 550
شکل 12. درصد مساحت پوشش زمین در سال 2031: ( الف ) در منطقه توسعه; ( ب ) در منطقه حفاظت شده. توجه: BU—منطقه ساخته شده؛ DA-کشاورزی دیم; فو – جنگل; ش- درختچه; Wb – آب بدن; و WA-کشاورزی تالاب.

مقالات داخلی و بین المللی

زنجیره مارکوفماشین بردار

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید