چکیده

:

کاربری زمین و پوشش زمین (LULC) واحدهای اساسی فعالیت های انسانی هستند. بنابراین، به دست آوردن دقیق و به موقع نقشه های LULC که در آن تغییرات چشمگیر LULC در حال انجام است، حائز اهمیت است. از آوریل 2017، یک منطقه جدید در سطح ایالت، منطقه جدید Xiong’an، در چین ایجاد شد. به منظور توصیف بهتر تغییرات LULC در منطقه جدید Xiong’an، این مطالعه به طور کامل از تصاویر 10 متری Sentinel-2 چند زمانی، پلت فرم محاسبات ابری Google Earth Engine (GEE) و قابلیت طبقه بندی قدرتمند استفاده می کند. مدل‌های جنگل تصادفی (RF) برای تولید نقشه‌های LULC پیوسته از سال 2017 تا 2020. برای انجام این کار، یک چارچوب جدید طبقه‌بندی مبتنی بر RF با خروجی احتمال طبقه‌بندی بر اساس هر ترکیب ماهانه و جمع‌آوری نقشه‌های احتمال چندگانه برای تولید نقشه طبقه‌بندی نهایی اتخاذ می‌شود. این مطالعه بر اساس نقشه‌های LULC به‌دست‌آمده، تغییرات مکانی-زمانی انواع LULC در چهار سال گذشته و الگوهای تغییر مختلف در سه شهرستان را تحلیل می‌کند. نتایج تجربی نشان می‌دهد که نقشه‌های LULC مشتق‌شده به دقت بالایی برای هر سال دست می‌یابند، با دقت کلی و مقادیر کاپا کمتر از 0.95 نیست. همچنین مشخص شد که مناطق تغییر یافته تقریباً 36٪ را تشکیل می دهند و زمین های کشاورزی خشک، سطح غیرقابل نفوذ و سایر انواع پوشش زمین به طور چشمگیری تغییر کرده اند و الگوهای تغییر متفاوتی را در سه شهرستان ارائه می دهند که ممکن است ناشی از آخرین برنامه ریزی Xiong باشد. یک منطقه جدید

 

1. مقدمه

نقشه‌های کاربری و پوشش زمین (LULC)، مانند سطح غیرقابل نفوذ، پوشش گیاهی و بدنه آبی، برخی توصیفات اساسی از سطح زمین را ارائه می‌دهند [ 1 ، 2 ، 3 ]. بدست آوردن به موقع و دقیق نقشه های LULC به درک توسعه و پیشرفت جامعه انسانی کمک می کند و به مدل سازی بهتر تغییرات آب و هوایی و محیطی کمک می کند [ 4 ، 5 ]، بنابراین نقش مهمی فزاینده ای در جامعه مدرن ایفا می کند.
چگونگی دستیابی به نقشه‌های LULC صریح فضایی با کمترین تاخیر ممکن به یکی از پیگیری‌های جوامع علمی تبدیل شده است و تلاش‌های پژوهشی زیادی برای رسیدن به این هدف انجام شده است. با توسعه و پیشرفت سریع تکنیک‌های سنجش از دور (RS)، به تدریج به عنوان ابزار اصلی برای دستیابی به نقشه‌های LULC در اختیار محققان قرار گرفته است، زیرا تکنیک‌های RS در مقایسه با سایر روش‌های نقشه برداری و نقشه برداری سنتی از مزایای مشاهدات مکرر برخوردار هستند. و پوشش گسترده، که نشان دهنده کارایی بالا است [ 6 ، 7 ، 8]. به عنوان مثال، تغییرات LULC و تغییرات آب و هوایی در حوضه آبریز مخزن سه دره در چین از سال 2000 تا 2015 با استفاده از داده های GlobeLand30 و تصاویر Landsat 8 Operational Land Imager (OLI) تجزیه و تحلیل و آشکار شد [ 4 ]. تأثیر تغییر LULC بر هواشناسی در منطقه پکن-تیانجین-هبی چین از سال 1990 تا 2010 مورد ارزیابی قرار گرفت و مشخص شد که افزایش دما در دوره 2000-2010 بیشتر از دوره 1990-2000 بود که عمدتاً به دلیل تغییر شکل بود. از زمین های زراعی تا زمین های شهری و ساخته شده [ 8 ]. نقشه‌های سالانه LULC در ایالات متحده از سال 1973 تا 2000 تولید شد و الگوهای تغییر در آن خلاصه شد که تقریباً 8.6٪ از مساحت زمین ایالات متحده حداقل یک بار تغییر در LULC را تجربه کردند [ 7 ]]. از این مطالعات موردی می‌توان به راحتی متوجه شد که نقشه‌های سری زمانی طولانی LULC با استفاده از تصاویر RS ایجاد شده و سپس برای کشف ماسک‌های مرموز از آنچه سطح زمین متحمل شده است و تأثیر بالقوه‌ای که این تغییرات ممکن است متعاقباً داشته باشد، اعمال شده است. به طور کلی، روش های یادگیری ماشینی نقش مهمی در این مطالعات LULC، به ویژه در سرعت بخشیدن به پردازش حجم زیادی از پشته های تصویر و در استخراج الگوهای منحصر به فرد و دانش مربوط به تغییرات بعدی LULC ایفا کرده اند. همچنین برای به دست آوردن نقشه‌های LULC با جزئیات بیشتر و دقت بالاتر، تصاویر ماهواره‌ای با وضوح طیفی، مکانی و زمانی بهتر و بیشتر مورد استفاده قرار گرفته‌اند.
از آوریل 2017، منطقه جدید Xiong’an، یکی دیگر از مناطق جدید در سطح ایالت، در استان هبی، شمال چین تأسیس شد [ 9 ، 10 ]. در مجاورت پکن و تیانجین، منطقه تازه تاسیس برنامه ریزی شده و انتظار می رود به عنوان یک جزء مهم از منطقه شهری پکن-تیانجین-هبی و همچنین منطقه ای از توابع اصلی غیر پایتختی پکن عمل کند [ 9 ]]. قابل پیش بینی است که مشابه سایر مناطق جدید در سطح ایالت، مانند منطقه جدید پودونگ در کلانشهر شانگهای، یک شهر کاملاً جدید در شیونگان ظاهر شود. اگرچه دیدن توسعه منطقه جدید Xiong’an هیجان انگیز است، اما چالش های ارزیابی و درک کامل توسعه و تأثیر این تغییر جدید را نیز به همراه دارد. در میان این چالش‌ها، یکی از چالش‌های مستقیم و آشکار، نظارت صریح تغییرات LULC و ارزیابی تأثیر مربوطه در منطقه جدید Xiong’an است، زیرا جدیدترین طرح توسعه قرار است تغییرات چشمگیری در انواع LULC ایجاد کند.
چندین مطالعه تحقیقاتی در سال های اخیر برای به دست آوردن نقشه های LULC و پرداختن به تغییرات مرتبط در Xiong’an انجام شده است [ 11 ، 12 ، 13 ، 14 ، 15 ، 16 ]. نقشه LULC منطقه جدید Xiong’an، متشکل از سطح غیرقابل نفوذ، پوشش گیاهی و آب در سال 2016، تولید و برای پیش‌بینی رشد بالقوه جمعیت و گسترش منطقه مورد استفاده قرار گرفت [ 12 ]. تأثیر تغییر LULC بر روی اکوسیستم از 1980-2015 در منطقه جدید Xiong’an با استفاده از تصاویر Landsat [ 14 ] ارزیابی شد. تغییرات پوشش زمین Xiong’an در سه سال مجزا، یعنی در سال های 2009، 2013 و 2017، با استفاده از تصاویر Landsat-5/8 ایجاد شد [ 16 ]]. اگرچه این نقشه‌های LULC و تلاش‌های تحقیقاتی انجام شده است، به راحتی می‌توان دریافت که در مطالعات موجود محدودیت‌هایی وجود دارد. اول، مطالعات قبلی بر روی برخی از انواع محدود پوشش زمین مانند آب های سطحی متمرکز بود که تنها می تواند اطلاعاتی در مورد چگونگی تغییر طبقات محدود انتخاب شده ارائه دهد. دوم، تعداد زیادی از مطالعات قبل از ایجاد منطقه جدید Xiong’an انجام شد، بنابراین اطلاعات به روز در مورد تغییرات LULC ارائه نشد. در آخر، تصاویر با وضوح درشت، مانند تصاویر MODIS یا Landsat، معمولاً در مطالعات موجود استفاده می‌شوند، بنابراین نقشه‌های LULC حاصل کم و بیش تحت تأثیر مسائل پیکسل‌های مختلط قرار می‌گیرند، بنابراین منجر به برخی عدم قطعیت‌های تحلیل می‌شود. در نتیجه، یافتن راهی موثر برای تولید نقشه‌های به‌روز LULC در منطقه جدید Xiong’an با جزئیات فضایی خوب و تجزیه و تحلیل الگوهای تغییر مکانی-زمانی انواع LULC با غلبه بر این محدودیت‌های ذکر شده، حائز اهمیت است. علاوه بر این، هیچ تحقیقی وجود ندارد که الگوهای توسعه و سرعت متفاوت را در سه شهرستان منطقه جدید Xiong’an مورد مطالعه قرار دهد.
با توسعه سریع روش‌های محاسبات ابری، برخی از پلتفرم‌های قدرتمند رایانش ابری برای تسریع نظارت بر نقشه‌های LULC توسعه یافته‌اند. در میان این پلتفرم‌های توسعه‌یافته، موتور Google Earth (GEE) به عنوان یک ابزار فناوری جدید برای انجام برخی مطالعات نوآورانه عمل کرده است [ 17 ، 18 ، 19 ]. علاوه بر حجم زیاد مشاهدات ماهواره‌ای بلندمدت مختلف، به برخی از مدل‌های طبقه‌بندی همه‌کاره، مانند جنگل تصادفی (RF) [ 20 ، 21 ، 22 ، 23 ] و ماشین بردار پشتیبان (SVM) نیز مجهز شده است [ 24 ، 25 ، 26] که امکان نظارت مستمر بر روی نقشه های LULC را ممکن و کارآمد می سازد. تعداد زیادی تلاش تحقیقاتی بر روی GEE انجام شده است، مانند استخراج زمین شهری جهانی [ 27 ]، پایش جهانی آب های سطحی [ 28 ]، استخراج برنج [ 29 ]، نقشه برداری حرا [ 30 ]، و نقشه برداری پوشش زمین با 10- m Sentinel-2 تصاویر [ 31 ، 32 ، 33 ]. این تلاش‌های تحقیقاتی توانایی محاسباتی قدرتمند و ذخیره‌سازی عظیم GEE را پیشنهاد کرده‌اند که به نظارت سریع و به موقع تغییرات LULC کمک می‌کند.
با توجه به این موضوع، این مطالعه از یک روش کارآمد و مؤثر برای استخراج نقشه‌های LULC در منطقه جدید Xiong’an با تصاویر 10 متری Sentinel-2 چند زمانی استفاده کرد که بر روی پلت فرم GEE رایانش ابری مستقر شد. برای انجام این کار، یک چارچوب طبقه‌بندی چندگانه مبتنی بر RF با خروجی احتمال طبقه‌بندی بر اساس هر ترکیب ماهانه و تجمیع نقشه‌های احتمال چندگانه برای تولید نقشه طبقه‌بندی نهایی پیشنهاد شد. متفاوت از محدود کردن به یک سال خاص و به منظور ارزیابی کامل تغییرات مکانی و زمانی، نقشه‌های LULC چند ساله در منطقه جدید Xiong’an از سال 2017 تا 2020 تولید شد. سپس این مطالعه به طور سیستماتیک ویژگی‌های تغییرات LULC زمانی و مکانی را بر اساس نقشه‌های LULC تولید شده سالانه ارزیابی کرد. ما همچنین عملکرد نقشه LULC بدست‌آمده را با مقایسه آن با برخی از نقشه‌های پوشش زمین قبلی منطقه جدید Xiong’an برآورد کردیم. به طور کلی، انتظار می‌رفت که نقشه‌های LULC حاصل اطلاعات اولیه را برای ارزیابی الگوهای در حال تغییر، برنامه‌ریزی شهر و برخی مسائل دیگر مانند حفاظت از محیط زیست برای توسعه پایدار منطقه جدید Xiong’an ارائه دهند.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه جدید Xiong’an در 1 آوریل 2017 تأسیس شد. این منطقه در 38.92 ~ 39.06 درجه شمالی، 115.86 ~ 116.10 درجه شرقی در استان هبی، چین واقع شده است که عمدتاً سه شهرستان، شهرستان Xiong، Anxin، و Rongcheng را پوشش می دهد. برخی از اطراف در مجاورت سه شهرستان انتخاب شده، با حدود 100 کیلومتر مربع برنامه ریزی شده در مرحله اولیه، همانطور که در شکل 1 نشان داده شده است.. پوشش زمین غالب زمین های کشاورزی است، با دریاچه بایانگدیان، بزرگترین دریاچه در دشت شمال چین، که بیشترین بخش آن را در جنوب مرکزی پوشش می دهد، بنابراین از نظر منابع آبی غنی است. مزارع کشاورزی در منطقه جدید Xiong’an بزرگ و مسطح هستند و زمین‌های کشاورزی خشک معمولاً با گندم و ذرت به صورت تناوب کشت می‌شوند. گندم به طور معمول در ماه ژوئن برداشت می شود و ذرت از ژوئیه تا اکتبر کشت می شود، در حالی که در شالیزارها برنج از ماه می تا اکتبر کشت می شود. Xiong’an که متعلق به آب و هوای قاره ای گرم و معتدل موسمی است، دارای میانگین دمای سالانه 12.1 درجه سانتیگراد و میانگین بارندگی سالانه 560 میلی متر است [ 9 ].

2.2. تصاویر ماهواره ای و شاخص های گیاهی مشتق شده

داده‌های مورد استفاده در این مطالعه، داده‌های تصاویر 10 متری چند زمانی Sentinel-2 از سال 2017 تا 2020 بود که در GEE جمع‌آوری و به خوبی سازمان‌دهی شد [ 17 ]. ماهواره های Sentinel-2 از دو ماهواره تشکیل شده بودند که Sentinel-2A در سال 2015 و Sentinel-2B در سال 2017 پرتاب شدند، که هر دو یک چرخه بازبینی 10 روزه داشتند [ 34 ]. چرخه بازدید مجدد دو ماهواره با هم می تواند تا 5 روز کوتاهتر شود، بنابراین مشاهدات متراکم و سری زمانی ارائه می شود. تصویرساز چند طیفی (MSI) موجود در 13 باند طیفی مختلف، با وضوح فضایی متفاوت از 10 متر تا 60 متر، تصاویر را گرفت.
با توجه به این واقعیت که همه تصاویر Sentinel-2 از نظر جوی اصلاح نشده اند [ 35 ، 36 ]، بازتاب بالای اتمسفر (TOA) تصاویر Sentinel-2 که متعلق به سطح 1C بودند در این مطالعه استفاده شد. علاوه بر این، به دلیل تأثیر پوشش ابر و بارندگی تابستان، این مقاله از درصد ابر <10 درصد برای فیلتر کردن داده‌های موجود با استفاده از باند QA60 استفاده کرد. تمام تصاویر Sentinel-2 از ژوئن تا سپتامبر جمع آوری و برای استخراج LULC استفاده شد.
به منظور افزایش دقت طبقه‌بندی، شش شاخص متمایز مشتق‌شده از باندهای اصلی نیز محاسبه شد، از جمله شاخص گیاهی تفاوت نرمال شده ( NDVI ) [ 37 ]، شاخص تفاوت ساختمانی نرمال شده ( NDBI ) [ 38 ]، شاخص تفاوت نرمال‌شده خاک‌ورزی ( NDTI ). [ 39 ]، شاخص آب سطحی زمین ( LSWI ) [ 40 ]، شاخص تغییر نرمال آب اصلاح شده ( MDNWI ) [ 41 ]، و شاخص پوشش گیاهی افزایش یافته ( EVI ) [ 42 ]]. بیان ریاضی هر شاخص پوشش گیاهی به شرح زیر ارائه شد:

نDVمن=نمنآر–آرهدنمنآر+آرهد
نDبمن=اسدبلیومنآر1–نمنآراسدبلیومنآر1+نمنآر
نDتیمن=اسدبلیومنآر1–اسدبلیومنآر2اسدبلیومنآر1+اسدبلیومنآر2
Lاسدبلیومن=نمنآر–اسدبلیومنآر1نمنآر+اسدبلیومنآر1
منDدبلیومن=جیrههn–اسدبلیومنآر1جیrههn+اسدبلیومنآر1
EVمن=2.5×نمنآر–آرهدنمنآر+6×آرهد–7.5×بلتوه+1

که در آن آبی ، سبز ، قرمز ، NIR و SWIR 1 به ترتیب به باند 2،3،4،8 و 11 اشاره دارند.

به منظور کاهش بیشتر آلودگی ابر و همچنین کاهش بار محاسباتی، میانگین ماهانه کامپوزیت تولید شد. مشخص شد که حتی با استفاده از کامپوزیت ماهانه، برخی مکان‌ها توسط ابرها خراب شده است. برای رسیدگی به این مشکل، پیکسل‌های از دست رفته (آلوده ابری) را با یک فیلتر درون یابی با تنظیم مقدار میانگین اکتساب‌های مجاور پر کردیم. اگر پیکسلی در ترکیب میانگین ماهانه با ابرها آلوده شده باشد، از روش زیر برای بازسازی یک مقدار پیکسل استفاده می شود. در غیر این صورت، ارزش اصلی آن حفظ شد.

دتی=مترهآn [دتی–1،دتی+1]

جایی که دتیپیکسل مشاهده شده در زمان t بود و میانگین، تابع میانگین برای به دست آوردن مقادیر میانگین دو تصویر مجاور بود.

2.3. داده های نمونه آموزشی و اعتبار سنجی

در این مطالعه، داده‌های نمونه مرجع با ترکیب تفسیر بصری دقیق تصاویر چند-زمانی Sentinel-2 و تصاویر Google Earth با وضوح بالا تفسیر و جمع‌آوری شد. با در نظر گرفتن انواع LULC موجود در Xiong’an، در نهایت تعداد کل 7 کلاس برای توصیف تغییرات مکانی و زمانی LULC در Xiong’an، از جمله زمین های کشاورزی خشک، شالیزار، سطح غیر قابل نفوذ، بدنه های آبی، جنگل انتخاب شد. ، تالاب، و زمین های دیگر، همانطور که در جدول 1 ذکر شده است . برای هر سال، بیش از 70000 نمونه جمع آوری شد. به عنوان مثال، توزیع مکانی نمونه های مرجع جمع آوری شده در سال های 2017 و 2019 در شکل 2 آورده شده است.. برای داده‌های نمونه انتخابی، 70 درصد برای آموزش مدل طبقه‌بندی و 30 درصد باقی‌مانده برای آزمون دقت استفاده شد.

2.4. روش شناسی

در این مطالعه، وظیفه طبقه‌بندی بر روی پلت‌فرم GEE استفاده می‌شود که عمدتاً از تولید تصویر بدون ابر، محاسبه شاخص‌های گیاهی، تولید ترکیبی میانگین ماهانه، پر کردن داده‌های گمشده، آموزش مدل طبقه‌بندی تصادفی جنگل و ارزیابی دقت تشکیل شده است. فلوچارت طبقه بندی کلی در شکل 3 نشان داده شده است . از آنجایی که تصاویر Sentinel-2 به راحتی توسط ابرها آلوده می شوند، اولین گام این است که پیکسل های ابر را با استفاده از باند QA60 پنهان کنیم [ 43 ، 44 ]]. سپس، شش شاخص انتخاب شده برای افزایش ویژگی‌های متمایز پوشش‌های مختلف زمین محاسبه می‌شوند. پس از آن، کامپوزیت‌های میانگین ماهانه برای نه باند طیفی اصلی و شش شاخص به منظور کاهش بیشتر تأثیر منفی آلودگی ابر و کاهش پیچیدگی محاسباتی به دست می‌آیند. برای جلوگیری از داده‌های از دست رفته، کامپوزیت‌های به‌دست‌آمده با استفاده از معادله (7) معرفی‌شده در بخش 2.3 ، شکاف بیشتری پر می‌کنند. پس از آن، طبقه‌بندی‌کننده جنگل تصادفی (RF) برای اجرای وظیفه طبقه‌بندی LULC با تغذیه داده‌های نمونه جمع‌آوری‌شده و مجموعه‌های ویژگی مشتق‌شده انتخاب می‌شود. در نهایت، نقشه های LULC چند ساله از 2017 تا 2020 به دست آمده و برای تجزیه و تحلیل تغییرات LULC مکانی-زمانی در منطقه جدید Xiong’an استفاده می شود.
جنگل تصادفی (RF) متعلق به یکی از اعضای خانواده یادگیری گروه است که دارای مزایای دقت بالا، استحکام خوب و پارامترسازی آسان است [ 20 ، 21 ]. یک طبقه‌بندی‌کننده RF عموماً از تعداد زیادی طبقه‌بندی‌کننده ضعیف پایه تشکیل شده است که هر کدام یک درخت طبقه‌بندی و رگرسیون فردی مستقل (CART) هستند. مدل مبتنی بر RF به طور گسترده در جوامع RS به کار گرفته شده است و در کارهای مختلف طبقه بندی LULC استفاده شده است [ 22 ، 45 ، 46 ، 47 ]. برای پیاده سازی RF، دو پارامتر اساسی در یک RF مورد نیاز است: یکی تعداد درختان (ntree) برای ساختن یک جنگل کامل، و دیگری تعداد ویژگی های چیده شده (mty )) که برای تقسیم گره استفاده می شود.
بر خلاف مطالعات موجود، مدل‌های چندگانه RF بر اساس کامپوزیت‌های ماهانه در این مطالعه برای انجام طبقه‌بندی استفاده می‌شوند، همانطور که در شکل 3 نشان داده شده است.. برای هر RF، به جای خروجی مستقیم کلاس طبقه بندی، تنظیم شده است تا احتمال طبقه بندی هر کلاس را تولید کند، مثلاً در مطالعه ما، احتمال طبقه بندی هفت. سپس چهار نقشه احتمال کلاس را در یک نقشه احتمال نهایی جمع می کنیم و کلاسی را با بیشترین حداکثر احتمال به عنوان کلاس نهایی تعیین می کنیم. در انجام این کار، دو مزیت نسبت به استفاده سنتی از مدل‌های RF دارد. اول، بر اساس هر کامپوزیت ماهانه است، بنابراین هزینه محاسباتی کمتری دارد. دوم، طبقه‌بندی سخت را به طبقه‌بندی نرم تغییر می‌دهیم که برای مسائل چند طبقه‌بندی مناسب‌تر است. با بهترین دانش ما، استراتژی‌های طبقه‌بندی نرم اتخاذ شده به ندرت در مطالعات قبلی مورد استفاده قرار گرفته‌اند، حداقل در اغلب موارد در GEE. برای هر RF، نه باند اصلی (باند 2-8 و باند 11-12) و شش شاخص مشتق شده (9 × 5 + 6 × 5) به عنوان ویژگی های طبقه بندی استفاده می شود. اینمتغیر mty ، همانطور که در ادبیات موجود پیشنهاد شده است، به عنوان جذر تعداد ویژگی های ورودی محاسبه می شود [ 20 ، 21 ]. برای پارامتر ntree ، اعداد مختلفی را از 20 تا 500 آزمایش می‌کنیم و در نهایت با دستیابی به عملکرد پایدار، روی 100 تنظیم می‌کنیم.

2.5. ارزیابی دقت نقشه های LULC مشتق شده

در این مطالعه، از نمونه‌های جمع‌آوری‌شده برای محاسبه ماتریس سردرگمی برای هر نقشه LULC استفاده شد و معیارهای اندازه‌گیری پرکاربرد، مانند دقت کلی (OA) و ضریب کاپا، برای ارزیابی روش پیشنهادی و نقشه‌های LULC مشتق‌شده محاسبه شد. [ 48 ، 49 ، 50 ].

2.6. مقایسه با محصولات موجود

در این مطالعه، ما همچنین برخی از محصولات موجود در منطقه جدید Xiong’an را به عنوان مرجع برای ارزیابی دقت و عملکرد نقشه های LULC خود جمع آوری کردیم. مجموعه داده‌های سالانه مناطق سطح غیرقابل نفوذ جهانی از سال 1985 تا 2018 با سطح فضایی 30 متر با استفاده از رویکرد ترکیبی طبقه‌بندی نظارت شده و بررسی سازگاری زمانی تولید شد [ 51 ]. پیکسل‌های غیرقابل نفوذ در [ 51 ] به صورت بالای 50 درصد غیرقابل نفوذ تعریف می‌شوند که عمدتاً از مناطق شهری و برخی زیرساخت‌های جاده تشکیل شده‌اند. سطح نفوذناپذیر هر سال را می توان با استفاده از اعداد انتقال به دست آورد. به عنوان مثال، سطح غیرقابل نفوذ در سال 2018 می تواند به عنوان مقدار پیکسل بزرگتر از 1 تولید شود [ 51] که در پلتفرم GEE قرار گرفته است. در این مطالعه، سطح غیرقابل نفوذ 30 متری منطقه جدید Xiong’an در سال های 2017 و 2018 به عنوان مرجع دانلود شده است.

3. نتایج و بحث

3.1. نقشه های توزیع LULC در منطقه جدید Xiong’an و ارزیابی دقت و تغییر کاربری زمین

نقشه های موضوعی LULC در منطقه جدید Xiong’an از سال 2017 تا 2020 در شکل 4 ارائه شده است.. می توان مشاهده کرد که منطقه جدید Xiong’an سرشار از منابع زمین قابل کشت است که زمین های کشاورزی خشک اکثریت آن را تشکیل می دهد و شالیزارها در مناطق مرکزی و جنوبی و نزدیک به توده های آبی متمرکز شده اند. این همچنین با ویژگی های توزیع شالیزارها مطابقت دارد، زیرا شالیزارها به منابع آب وابسته هستند، بنابراین آنها در نزدیکی دریاچه ها یا رودخانه ها متمرکز می شوند که می توانند آبیاری کافی برای رشد برنج شالیزاری را فراهم کنند. یک مقایسه تقریبی نشان می دهد که مناطق مسکونی و سایر مناطق معماری درجه خاصی از گسترش را نشان می دهند. قابل توجه است، از سال 2018، بخش بزرگی از پوشش زمین، به ویژه در منطقه شمال شرقی منطقه جدید Xiong’an نشان داده شده است. به منظور توصیف بهتر الگوهای توزیع LULC در منطقه جدید Xiong’an، مناطق تغییر یافته و انواع LULC بدون تغییر را مستند می کنیم که در زیر نشان داده شده است.شکل 5 . در شکل 5 به وضوح نشان داده شده است که بخش بزرگی از مناطق به ویژه در مناطق شمالی تغییر کرده است. مناطق تغییر یافته محاسبه شده و تقریباً 36 درصد از منطقه جدید Xiong’an را تشکیل می دهند، که نشان می دهد تغییرات شدیدی در منطقه مورد مطالعه در حال انجام است.
نقشه‌های LULC در منطقه جدید Xiong’an از سال 2017 تا 2020 با استفاده از نمونه‌های مرجع جمع‌آوری‌شده اندازه‌گیری می‌شوند و مقادیر OA و Kappa برای هر سال به‌دست می‌آیند، همانطور که در شکل 6 نشان داده شده است. مشاهده می‌شود که برای هر سال، مقادیر OA و Kappa هر دو بالاتر از 0.95 هستند، که نشان می‌دهد روش پیشنهادی به عملکرد بالایی دست می‌یابد، و نتایج نقشه‌برداری مبتنی بر چند زمانی ما بسیار دقیق است. سپس نقشه‌های LULC با دقت بالا استخراج شده برای ارزیابی تغییرات مکانی و زمانی در منطقه جدید Xiong’an استفاده می‌شوند.

3.2. تغییرات فضایی و زمانی و الگوهای LULC در منطقه جدید Xiong’an از 2017 تا 2020

به منظور ارزیابی و مقایسه بیشتر و کمی تغییرات مکانی و زمانی انواع مختلف LULC در منطقه جدید Xiong’an، مناطق تخمین زده شده و نسبت تجمعی برای هر کلاس از سال 2017 تا 2020 محاسبه و در شکل 7 ارائه شده است. چندین یافته جالب در شکل 7 نشان داده شده است. اول، به وضوح نشان داده می شود که زمین های کشاورزی خشک به تدریج از سال 2017 کاهش یافته و نسبت مساحت از 58٪ به 53٪ کاهش یافته است. طبقه دیگر پوشش زمین از سال 2017 به طور فزاینده ای رشد کرده است و نسبت مساحت مربوطه از 4 درصد به 10 درصد افزایش یافته است که در شکل 4 نیز نشان داده شده است.. ما تصاویر و نتایج طبقه بندی را به دقت بررسی کردیم و متوجه شدیم که از سال 2018، منطقه جدید Xiong’an سرمایه گذاری در چشم انداز و بوم شناسی را افزایش داده است و برخی از مناطق به طور ویژه به عنوان نهال درختان و مناطق با کاربری دوگانه چشم انداز طراحی شده اند. از آنجایی که با جنگل ها و سایر مناظر متفاوت است، به طور موقت به عنوان دیگر طبقه پوشش زمین در این مطالعه طبقه بندی می شود. جدیدترین یافته تغییرات LULC مربوط به طبقه غیرقابل نفوذ است که عمدتاً از ساختمان ها و تأسیسات جاده ای تشکیل شده است که اساساً ساخته دست بشر هستند. جالب اینجاست که سطح غیرقابل نفوذ ابتدا از سال 2017 تا 2018 کاهش یافت و سپس در سال 2019 افزایش یافت و در نهایت در سال 2020 کاهش یافت. به نظر می رسد این پدیده منحصر به فرد در مناطق غیرقابل نفوذ تخمینی نشان می دهد که توسعه منطقه جدید Xiong’an فقط گسترش ساختمان نیست. مناطق، که مورد توجه مطالعات موجود است. سایر انواع LULC مانند تالاب ها، شالیزارها و جنگل ها نیز تغییراتی را نشان می دهند.
همانطور که در شکل 8 نشان داده شده است، پنج مکان در مناطق جدید Xiong’an برای نشان دادن بیشتر تغییرات LULC مکانی-زمانی انتخاب شدند .. به جز سایت 5 که تغییرات جزئی بین سالانه را نشان داد، چهار سایت دیگر به وضوح تغییرات چشمگیری را از زمان تأسیس منطقه جدید Xiong’an به نمایش گذاشتند. به طور خاص، برای سایت 1، زمین های کشاورزی خشک از سال 2018 به دیگر پوشش های زمین تغییر یافته و پس از آن دستخوش تغییرات اندکی شده است. این سایت به عنوان منطقه ای برای نهال درختان و منظره با کاربری دوگانه در نظر گرفته شد. برای سایت 2، در طول دوره 2017-2018 هیچ تغییر عمده ای وجود نداشت، اما در سال های 2019 و 2020، اکثر این سایت از زمین های کشاورزی خشک به انواع غیرقابل نفوذ تغییر کرد که عمدتاً شامل ساختمان ها، دو راه پرسرعت و یک ساختمان مسکونی نوساز بود. حوزه. در واقع، منطقه شمالی جایی بود که ایستگاه Xiong’an در آن قرار دارد. از نتایج نقشه برداری ما، می توان نتیجه گرفت که ایستگاه با موفقیت در طی نزدیک به یک سال ساخته شده است. برای سایت 3، می توان متوجه شد که مناطق غیر قابل نفوذ کوچک شده است، عمدتاً از سال 2019 شروع شد و در سال 2020، این سایت تقریباً به طور کامل به زمین کشاورزی خشک تبدیل شد. برعکس، یک مجتمع ساختمانی کاملاً جدید اکنون در سایت 4 نشان داده شده است. با در نظر گرفتن مجاورت جغرافیایی با یکدیگر، شانس خوبی وجود دارد که افراد در سایت 3 به سمت سایت 4 حرکت کنند، بنابراین اثر تمرکز ایجاد می شود. ما استدلال می کنیم که این پروژه جابجایی شدید یکی از چندین طرح بزرگ در منطقه جدید Xiong’an برای بهینه سازی تخصیص منابع است. این تحلیل و مقایسه دقیق در اینجا ممکن است توضیح دهد که چرا سطح غیرقابل نفوذ در منطقه جدید Xiong’an ابتدا افزایش یافته و سپس کاهش یافته است. با در نظر گرفتن مجاورت جغرافیایی با یکدیگر، شانس خوبی وجود دارد که افراد در سایت 3 به سمت سایت 4 حرکت کنند و در نتیجه اثر تمرکز ایجاد شود. ما استدلال می کنیم که این پروژه جابجایی شدید یکی از چندین طرح بزرگ در منطقه جدید Xiong’an برای بهینه سازی تخصیص منابع است. این تحلیل و مقایسه دقیق در اینجا ممکن است توضیح دهد که چرا سطح غیرقابل نفوذ در منطقه جدید Xiong’an ابتدا افزایش یافته و سپس کاهش یافته است. با در نظر گرفتن مجاورت جغرافیایی با یکدیگر، شانس خوبی وجود دارد که افراد در سایت 3 به سمت سایت 4 حرکت کنند و در نتیجه اثر تمرکز ایجاد شود. ما استدلال می کنیم که این پروژه جابجایی شدید یکی از چندین طرح بزرگ در منطقه جدید Xiong’an برای بهینه سازی تخصیص منابع است. این تحلیل و مقایسه دقیق در اینجا ممکن است توضیح دهد که چرا سطح غیرقابل نفوذ در منطقه جدید Xiong’an ابتدا افزایش یافته و سپس کاهش یافته است.شکل 7 . ظاهراً افزایش سطح غیرقابل نفوذ عمدتاً ناشی از ساخت و سازهای مناطق شهری از جمله مراکز تجاری جدید و امکانات حمل و نقل مانند ایستگاه جدید Xiong’an است. از بین رفتن سطح غیرقابل نفوذ احتمالاً به دلیل تخریب خانه های روستایی بر اساس جدیدترین برنامه ریزی ها مانند تبدیل شهرک به شهر تجمیع جدید است.
از تجزیه و تحلیل فوق، به وضوح مشخص شد که پس از ایجاد منطقه جدید Xiong’an در سال 2017، انواع LULC در هر دو بعد مکانی و زمانی دستخوش تغییرات چشمگیر شدند. به عنوان مثال، ایستگاه Xiong’an با موفقیت در سال‌های 2009-2020 تأسیس شد، و علاوه بر این، برخی از روستاها حذف و به مناطق دیگر مانند سایت‌های 3 و 4 منتقل شدند. این تغییرات در آینده بیشتر آشکار خواهد شد.

3.3. ارزیابی الگوهای مختلف تغییر LULC سه شهرستان در منطقه جدید Xiong’an

از آنجایی که منطقه جدید Xiong’an عمدتاً از سه شهرستان تشکیل شده است، ما در اینجا می خواهیم بدانیم که آیا الگوهای تغییر LULC یا سرعت تغییر این سه شهرستان مشابه یا متفاوت هستند. همانطور که در شکل 9 نشان داده شده است، مناطق برآورد شده از 2017 تا 2020 را برای هر نوع LULC در هر شهرستان محاسبه می کنیم . بر این اساس، نسبت مساحت هر طبقه از سال 2017 تا 2020 نیز در شکل 10 محاسبه شده است.
در شکل 9 و شکل 10 مشاهده می شود که انواع LULC تخمین زده شده در این سه شهرستان دارای ویژگی های متفاوتی هستند. زمین‌های کشاورزی خشک در شهرستان رونگ‌چنگ و شهرستان شیونگ روند کاهشی را نشان می‌دهند، در حالی که زمین‌های کشاورزی خشک در شهرستان آنکسین افزایش یافته است، که روند مخالف را برای سایر پوشش‌های زمین نشان می‌دهد. همانطور که در شکل 4 و شکل 5 کشف شده استمناطق زراعی خشک برای شهرستان Rongcheng و Xiong به دلیل برنامه ریزی برای ایجاد مناطق با استفاده دوگانه نهال درختان و چشم انداز کاهش یافت، در حالی که در Anxin، تقریبا هیچ منطقه مشابهی شناسایی نشد. به ویژه، نسبت مساحت دیگر پوشش زمین در شهرستان رونگ‌چنگ و شهرستان شیونگ به ترتیب از 4 درصد به 10 درصد و 19 درصد افزایش یافته است. برای سطح غیرقابل نفوذ، مناطق تخمین زده شده در شهرستان Anxin به معنای کلی کاهش یافت، در حالی که در Rongcheng و Xiong County، تغییرات کوچکی به نمایش گذاشته شد. این پدیده متفاوت که در سه شهرستان آشکار شد ممکن است توضیح دهد که چرا سطح غیرقابل نفوذ در منطقه جدید Xiong’an به جای افزایش مداوم از سال 2017 تا 2020 تغییراتی را نشان می دهد.
به طور خلاصه، نقشه‌های LULC در سه شهرستان، ویژگی‌های متفاوتی از جمله سایر پوشش‌های زمین و تغییرات غیرقابل نفوذ در سه شهرستان مجزا را ارائه می‌دهند که عمدتاً ناشی از برنامه‌ریزی شهری شهرستان‌های مختلف است. این تحلیل متفاوت در اینجا برنامه ریزی و درک بهتری از انواع تغییرات در منطقه جدید Xiong’an را ارائه می دهد که ممکن است به تصمیم گیری های مؤثرتر و علمی در آینده کمک کند.

3.4. مقایسه بین نقشه های LULC مشتق شده و سایر نقشه های پوشش زمینی منطقه جدید Xiong’an

در اینجا، ما نقشه‌های LULC مشتق‌شده از Sentinel-2 10 متری در این مطالعه و سطح غیرقابل نفوذ 30 متری Landsat را از نظر الگوهای فضایی و مناطق برآورد شده مقایسه می‌کنیم. نقشه‌های سطح غیرقابل نفوذ 30 متری با استفاده از تصاویر Landsat ایجاد می‌شوند، و نقشه‌های سطح غیرقابل نفوذ در سال‌های 2017 و 2018، همانطور که در شکل 11 نشان داده شده است ، در ترکیب با نقشه‌های سطح غیرقابل نفوذ 10 متری Sentinel-2 ما و نقشه‌های مکانی-زمانی به دست آمده‌اند. تغییر نقشه
از شکل 11 مشاهده می شود که نقشه های سطح غیرقابل نفوذ Sentinel-2 و Landsat در سال های مربوطه، الگوهای توزیع فضایی مشابهی را ارائه می دهند، که نشان می دهد نقشه های سطح غیرقابل نفوذ تولید شده در این مطالعه از اطمینان بالایی برخوردار هستند. متفاوت از نقشه‌های سطح غیرقابل نفوذ لندست 30 متری، سطوح غیرقابل نفوذ ما وضوح فضایی بالاتری دارند، بنابراین جزئیات فضایی بیشتری را نشان می‌دهند. ما همچنین مناطق سطح غیرقابل نفوذ را بر اساس این دو محصول همانطور که در جدول 2 ذکر شده است محاسبه می کنیم و فقط تفاوت های جزئی را پیدا کردیم. به عنوان مثال، مناطق تخمین زده شده از سطح غیرقابل نفوذ در سال 2017 از Landsat و Sentinel-2 312.64 کیلومتر مربع و 296.03 کیلومتر مربع است .به ترتیب با حدود 5 درصد خطا در مجموع که ثبات بالایی را نشان می دهد. علاوه بر این، مناطق غیرقابل نفوذ 30 متری لندست، بزرگتر از مناطق غیرقابل نفوذ تصاویر 10 متری Sentinel-2 هستند، که ممکن است به دلیل ترکیب پیکسل ها در پیکسل های 30 متری لندست ایجاد شود. در شکل 11e، تغییرات سطح غیرقابل نفوذ مکانی-زمانی بر اساس تصاویر 10 متری Sentinel-2 ما نیز آشکار می شود، جایی که 0 و 1 به ترتیب نشان دهنده غیرقابل نفوذ و غیرقابل نفوذ هستند، و تعداد ارقام نشان می دهد که چند سال محاسبه شده است. برای مثال، «1،1،1،1»، «1،1،1»، «1،1»، و «1» نشان‌دهنده اطلاعات غیرقابل نفوذ برای «2017–2020»، «2018–2020»، « به ترتیب 2019-2020 و 2020 و 1,1,1,0 نشان می دهد که قبل از سال 2020 سطحی غیر قابل نفوذ است در حالی که در سال 2020 به غیرقابل نفوذ تبدیل می شود. با این حال، “0،0،1،1” نشان می دهد که قبل از سال 2019، سطح غیر قابل نفوذ نیست اما پس از سال 2019 به سطح غیر قابل نفوذ تبدیل می شود. نشان داده شده است که اکثر مناطق غیرقابل نفوذ در چهار سال گذشته در منطقه جدید Xiong’an پایدار می مانند، اما برخی تغییرات چشمگیر نیز مشاهده می شود، به ویژه در شهرستان Rongcheng و Xiong. برعکس، افزایش سطح غیرقابل نفوذ در شهرستان آنکسین مشاهده نشده است. این تغییرات مکانی-زمانی مطابق بابخش 3.3 ، که در آن الگوهای مختلف تغییرات LULC در سه شهرستان توضیح داده شده است. محصولات سطح غیرقابل نفوذ 30 متری لندست نیز می توانند برای انجام این نوع آنالیز مورد استفاده قرار گیرند، اما محدود به دو سال است. در نتیجه، نمی‌تواند یافته‌های بیشتری از آنچه که از طریق نقشه‌های سطح غیرقابل نفوذ مداوم چهار ساله ما آشکار شده است، آشکار کند.

3.5. مزایا و محدودیت های رویکرد پیشنهادی

در این مطالعه، ما به طور کامل از تصاویر Sentinel-2 با وضوح بالا (10 متر) و وضوح زمانی بهتر (5 تا 10 روز) در پلت فرم GEE محاسبات ابری برای استخراج نقشه‌های LULC منطقه جدید Xiong’an استفاده کردیم. 2017 تا 2020. نقشه‌های LULC سالانه پیوسته، به‌عنوان یک مفهوم کلی، به سختی تولید و به دست می‌آیند، که ممکن است منجر به سوء تفاهم در تحلیل‌های بعدی شود. به عنوان مثال، بر اساس نقشه های LULC مشتق شده ما، جالب بود که متوجه شویم که سطح غیرقابل نفوذ منطقه جدید Xiong’an در ابتدا افزایش یافته و سپس کاهش یافته است، همانطور که در شکل 7 و شکل 11 نشان داده شده است.. بر اساس نقشه‌های LULC مشتق‌شده، ما ابتدا تغییرات مکانی-زمانی LULC را در منطقه جدید Xiong’an تجزیه و تحلیل کردیم و سپس الگوهای مختلف توسعه را در سه شهرستان ارزیابی کردیم و دریافتیم که نقشه‌های LULC در سه شهرستان ویژگی‌های متفاوتی را ارائه می‌دهند. بر خلاف برخی از مطالعات موجود، نقشه‌های LULC مشتق‌شده ما دارای انواع پوشش‌های زمینی بیشتر، وضوح فضایی دقیق‌تر و تداوم بین سالانه بهتری هستند که به طور مداوم سال‌های 2017 تا 2020 را پوشش می‌دهند. اگرچه این بهبود در نقشه‌های LULC ما آشکار شد، اما باید اشاره کرد که مقداری تفاوت ذاتی از وضوح مکانی متفاوت تصاویر ماهواره ای مختلف است. به عنوان مثال، Sentinel-2 10 متری جزئیات فضایی بیشتری را نسبت به تصاویر 30 متری Landsat ارائه کرد. در واقع یکی از انگیزه های اصلی در این مطالعه،
در این مطالعه، ما از طبقه‌بندی کننده RF برای انجام وظیفه طبقه‌بندی استفاده کردیم. با این حال، متفاوت از استفاده سنتی از مدل RF در تعداد زیادی از مطالعات، چندین مدل طبقه‌بندی مبتنی بر RF بر اساس کامپوزیت‌های ماهانه در این مطالعه استفاده شد. به جای خروجی مستقیم کلاس های اختصاص داده شده، هر RF هفت نقشه احتمال برای هر کلاس تولید کرد و این نقشه های احتمال در نهایت برای به دست آوردن نتیجه طبقه بندی نهایی گروه بندی شدند. در انجام این کار، طبقه‌بندی سخت سنتی به طبقه‌بندی نرم تبدیل شد، که ممکن است دقیق‌تر باشد، زیرا نتایج طبقه‌بندی را می‌توان بر اساس اطمینان طبقه‌بندی تنظیم کرد.
ظاهراً، عملکرد بهبود یافته این مطالعه به جنبه‌های مهمی نسبت داده می‌شود: اول، استفاده از GEE امکان تولید نقشه‌های LULC را به روشی بسیار کارآمد که در گذشته قابل اعمال نبودند، ممکن کرد [ 17 ، 31 ، 52 ، 53 ، 54 ].]. به عنوان مثال، تصاویر ماهواره‌ای در گذشته با استفاده از رایانه‌های مشتری پردازش می‌شدند که حتی برای پردازش تصاویر، مانند تصحیح اتمسفر و موزاییک کردن، ناخوشایند و وقت‌گیر بود. با این حال، در GEE، این مراحل پردازش از قبل انجام شده است، بنابراین پیچیدگی کل فرآیند به طور قابل توجهی کاهش می یابد. دوم، تصاویر چند زمانی در این مطالعه استفاده شد. در مقایسه با تصویر تک تاریخ، تصاویر چند زمانی می‌توانند اطلاعات تکمیلی بیشتری را برای تمایز پوشش‌های مختلف زمین ارائه دهند، بنابراین دقت طبقه‌بندی بهتری دارند. برای مثال، تشخیص شالیزار و زمین‌های کشاورزی خشک در ماه ژوئیه یا اوت ممکن است دشوار باشد، اما تشخیص برنج از زمین‌های خشک در ژوئن به دلیل سیگنال‌های سیل در مزارع برنج آسان بود [ 29 ].]. علاوه بر این، با استفاده از روش درونیابی، شکاف بیشتری را پر کردیم، که ابزاری موثر برای رسیدگی به داده‌های گمشده ناشی از آلودگی ابری یا بارانی بود.
با این حال، محدودیت ها یا عدم قطعیت هایی در این مطالعه وجود دارد که در آینده بیشتر مورد توجه قرار خواهد گرفت. اول، انتظار می رود تغییرات LULC به طور چشمگیری در منطقه جدید Xiong’an رخ دهد، به طوری که برخی از پوشش های زمین، مانند سطح غیرقابل نفوذ، ممکن است حتی در یک ماه تغییر کنند. از این نظر، حتی اگر از تصاویر چند زمانی استفاده شود، نمی توان این تغییرات چشمگیر را رصد و توصیف کرد. دوم، ویژگی‌های طیفی تنها در این مطالعه بدون اعمال محدودیت‌های بیشتر، مانند تحلیل مبتنی بر شی در استخراج پوشش LULC، اعمال می‌شوند. در نتیجه، عملکرد نقشه‌های LUC به‌دست‌آمده در این مطالعه ممکن است با ترکیب برخی از رویکردهای پیچیده‌تر بهبود یابد. این محدودیت ها در تحقیقات آینده ما بیشتر مورد مطالعه قرار خواهند گرفت.

4. نتیجه گیری

در این مطالعه، ما از تصاویر 10 متری چند زمانی Sentinel-2 برای نظارت و تجزیه و تحلیل تغییرات مداوم مکانی-زمانی کاربری و پوشش زمین (LULC) در منطقه جدید Xiong’an از سال 2017 تا 2020 استفاده کردیم که اجرا شد. در پلت فرم محاسبات ابری Google Earth Engine (GEE). یک مدل جدید جنگل تصادفی چندگانه بر اساس کامپوزیت های ماهانه در این مطالعه اتخاذ شد. نقشه‌های LULC به‌دست‌آمده با استفاده از داده‌های نمونه جغرافیایی ارجاع‌شده و سایر نقشه‌های پوشش زمین در دسترس، به‌طور کامل مورد ارزیابی قرار گرفتند. می توان مشاهده کرد که نقشه های LULC مستمر مشتق شده ما دارای انواع زمین بیشتر و جزئیات مکانی بهتر است. از طریق مقایسه و تجزیه و تحلیل همه جانبه، مشخص شد که انواع کاربری و مناطق منطقه جدید Xiong’an در هر دو بعد زمانی و مکانی به طور قابل توجهی تغییر کرده است و می توان به شرح زیر نتیجه گرفت:
(1)
مناطق غیرقابل نفوذ (عمدتا شامل ساختمان ها و زیرساخت های جاده ای) در چهار سال اخیر ابتدا افزایش یافته و سپس کاهش یافته است. این افزایش به دلیل احداث برخی زیرساخت ها مانند ایستگاه سریع السیر و برخی روگذرها و بزرگراه ها بوده است. کاهش زیر عمدتاً به جابجایی مسکن کمک کرده است. برخی از روستاهای کوچک برچیده شدند و در همان مکان ها تجمیع شدند، بنابراین گروه های ساختمانی بزرگتری تشکیل شدند.
(2)
زمین‌های کشاورزی خشک از سال 2017 کاهش یافت و اکثریت آن در شمال شرقی منطقه جدید Xiong’an به نهال درختان و مناطق با کاربری دوگانه چشم‌انداز تبدیل شد. در نتیجه، طبقه دیگر پوشش زمین به طور چشمگیری افزایش یافت، به ویژه در شرق شهرستان شیونگ.
(3)
در این مطالعه مشخص شد که سه شهرستان اصلی در منطقه جدید Xiong’an الگوهای توسعه متفاوتی را نشان دادند. این تحلیل متفاوت قرار بود برنامه ریزی و درک بهتری از انواع تغییرات در منطقه جدید Xiong’an ارائه دهد.

مشارکت های نویسنده

مفهوم سازی، جیانس سونگ لو و شین ون ما. مدیریت داده، جیانس سونگ لو و کیفنگ چو. تحلیل رسمی، Jiansong Luo، Xinwen Ma، Qifeng Chu، Min Xie و Yujia Cao. تامین مالی، Xinwen Ma. تحقیق، Jiansong Lu; روش، جیانس سونگ لو و یوجیا کائو. نظارت، Xinwen ما. اعتبار سنجی، Qifeng Chu، Min Xie و Yujia Cao. نوشتن-پیش نویس اصلی، Jiansong Luo; نوشتن – بررسی و ویرایش، Jiansong Luo، Xinwen Ma، Qifeng Chu، Min Xie و Yujia Cao. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این کار توسط فناوری نقشه برداری و نقشه برداری اساسی و برنامه استاندارد سال 2020 (فاز اول) دفتر نقشه برداری هیلونگجیانگ، نقشه برداری اطلاعات جغرافیایی تحت کمک مالی 202004 پشتیبانی شد.

بیانیه در دسترس بودن داده ها

داده های ارائه شده در این مطالعه از نویسنده اصلی (JL) در صورت درخواست در دسترس است.

قدردانی

ما تشکر ویژه خود را از تیم Google برای ساخت پلت فرم قدرتمند Google Earth Engine (GEE) و ارائه خدمات و دسترسی رایگان به ما، که به ما کمک می کند تا الگوریتم خود را برای استخراج پوشش زمین به موقع و دقیق توسعه دهیم، می کنیم. همچنین از داوران ناشناس به خاطر نظراتشان که منجر به بهبود قابل توجهی در برخی از قسمت‌های دست‌نوشته شد، سپاسگزاریم.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. سعادت، ح. آداموفسکی، جی. بونل، آر. شریفی، ف. نامدار، م. آل ابراهیم، ​​س. طبقه بندی کاربری و پوشش اراضی در گستره وسیعی از ایران بر اساس تحلیل تک تاریخ تصاویر ماهواره ای. ISPRS J. Photogramm. از راه دور. Sens. 2011 , 66 , 608-619. [ Google Scholar ] [ CrossRef ]
  2. زو، ز. Woodcock، CE; روگان، جی. کلندورفر، جی. ارزیابی ابعاد طیفی، پلاریمتریک، زمانی و مکانی برای طبقه‌بندی پوشش زمین شهری و حومه شهری با استفاده از داده‌های Landsat و SAR. سنسور از راه دور محیط. 2012 ، 117 ، 72-82. [ Google Scholar ] [ CrossRef ]
  3. بان، ی. گونگ، پی. گیر، سی. نقشه برداری جهانی پوشش زمین با استفاده از داده های ماهواره ای رصد زمین: پیشرفت ها و چالش های اخیر. ISPRS J. Photogramm. Remote Sens. 2015 ، 103 ، 1-6. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. هائو، بی. ما، م. لی، اس. لی، کیو. هائو، دی. هوانگ، جی. Ge، Z. یانگ، اچ. Han, X. تغییر کاربری زمین و تغییرات آب و هوایی در حوضه آبریز مخزن سه دره از سال 2000 تا 2015 بر اساس موتور Google Earth. Sensors 2019 , 19 , 2118. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. کوانگ، دبلیو. یانگ، تی. Yan، F. بررسی ویژگی‌های پوشش زمین شهری و مقررات زیست‌محیطی در طول ساخت منطقه جدید Xiong’an، استان هبی، چین. جی. جئوگ. علمی 2018 ، 28 ، 109-123. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. یو، م. گوا، اس. گوان، ی. کای، دی. ژانگ، سی. فرادریش، ک. لیائو، ز. ژانگ، ایکس. تیان، Z. تجزیه و تحلیل ناهمگونی فضایی-زمانی تراکم شهری دلتای رودخانه یانگ تسه: شواهدی از داده های نور شبانه (2001-2019). Remote Sens. 2021 , 13 , 1235. [ Google Scholar ] [ CrossRef ]
  7. Sleeter، BM; Sohl، TL; لاولند، TR; Auch، RF; آسودو، دبلیو. Drummond، MA; Sayler، KL; Stehman، SV تغییر پوشش زمین در ایالات متحده از 1973 تا 2000. Glob. محیط زیست چانگ. 2013 ، 23 ، 733-748. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. لی، جی. ژنگ، ایکس. ژانگ، سی. Chen, Y. تأثیر تغییر کاربری و پوشش زمین بر هواشناسی در منطقه پکن-تیانجین-هبی از سال 1990 تا 2010. پایداری 2018 ، 10 ، 176. [ Google Scholar ] [ CrossRef ][ Green Version ]
  9. خو، اچ. شی، تی. وانگ، ام. نیش، سی. لین، زی. پیش‌بینی اثر افزایش سطح غیرقابل نفوذ ناشی از رشد جمعیت آتی در محیط حرارتی منطقه‌ای: منطقه جدید Xiong’an، شمال چین. ساختن. محیط زیست 2018 ، 136 ، 98-106. [ Google Scholar ] [ CrossRef ]
  10. لیو، ز. دی یونگ، ام. لی، اف. برند، ن. هرتوق، م. دونگ، ال. به سوی توسعه یک مدل جدید برای شهرهای فراگیر در چین-مورد منطقه جدید Xiong’an. پایداری 2020 ، 12 ، 6195. [ Google Scholar ] [ CrossRef ]
  11. آهنگ، سی. که، ال. پان، اچ. ژان، اس. لیو، ک. Ma، R. تغییرات طولانی مدت آب سطحی و علت رانندگی در Xiong’an، چین: از تصاویر متراکم سری زمانی Landsat و تجزیه و تحلیل مصنوعی. علمی گاو نر 2018 ، 63 ، 708-716. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. وانگ، ز. کائو، جی. ارزیابی و پیش‌بینی تأثیر تغییرات چند سناریویی استفاده از زمین بر ارزش خدمات اکوسیستم: مطالعه موردی در بالادست منطقه جدید Xiong’an، چین. پایداری 2021 ، 13 ، 704. [ Google Scholar ] [ CrossRef ]
  13. سو، اچ. وانگ، دبلیو. جیا، ی. هان، اس.-سی. گائو، اچ. نیو، سی. Ni، G. تأثیر شهرنشینی بر بارش و دما بر روی یک تالاب دریاچه-مرداب: مطالعه موردی در منطقه جدید Xiong’an، چین. کشاورزی مدیریت آب 2021 ، 243 ، 106503. [ Google Scholar ] [ CrossRef ]
  14. وانگ، ز. کائو، جی. زو، سی. یانگ، اچ. تأثیر تغییر کاربری زمین بر ارزش خدمات اکوسیستم در بالادست منطقه جدید Xiong’an. Sustainability 2020 , 12 , 5707. [ Google Scholar ] [ CrossRef ]
  15. لیو، اس. کوی، ی. لی، ن. دنگ، ایکس. شی، ایکس. لیو، ایکس. ژائو، F. در مطالعه تغییر سالانه گسترش شهری، بارش و منطقه آب دریاچه بایانگ در منطقه جدید Xiong’an. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی ژئوانفورماتیک 2018، کونمینگ، چین، 28 تا 30 ژوئن 2018؛ صص 1-4. [ Google Scholar ]
  16. گائو، پی. وانگ، اس. لی، دبلیو. گائو، X. تجزیه و تحلیل تغییرات مکانی و زمانی استفاده از زمین در منطقه جدید Xiong’an بر اساس داده های سنجش از دور. در دسترس آنلاین: https://www.x-mol.com/paper/1376443291721510912?adv (در 3 ژوئیه 2021 قابل دسترسی است).
  17. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
  18. کومار، ال. Mutanga، O. برنامه‌های موتور Google Earth از ابتدا: استفاده، روندها و پتانسیل. Remote Sens. 2018 , 10 , 1509. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. تمیمینیا، اچ. صالحی، ب. مهدیان پری، م. کواکنبوش، ال. عادلی، س. Brisco، B. Google Earth Engine برای برنامه های کاربردی داده های جغرافیایی بزرگ: یک متاآنالیز و بررسی سیستماتیک. ISPRS J. Photogramm. Remote Sens. 2020 , 164 , 152–170. [ Google Scholar ] [ CrossRef ]
  20. بلژیک، م. Drăguţ، L. جنگل تصادفی در سنجش از دور: بررسی برنامه‌ها و جهت‌های آینده. Isprs J. Photogramm. Remote Sens. 2016 ، 114 ، 24–31. [ Google Scholar ] [ CrossRef ]
  21. Gislason، PO; بندیکتسون، جی. Sveinsson، JR جنگل های تصادفی برای طبقه بندی پوشش زمین. تشخیص الگو Lett. 2006 ، 27 ، 294-300. [ Google Scholar ] [ CrossRef ]
  22. رودریگز-گالیانو، وی اف. قیمیر، بی. روگان، جی. چیکا اولمو، م. Rigol-Sanchez، JP ارزیابی اثربخشی طبقه‌بندی‌کننده تصادفی جنگل برای طبقه‌بندی پوشش زمین. ISPRS J. Photogramm. Remote Sens. 2012 ، 67 ، 93-104. [ Google Scholar ] [ CrossRef ]
  23. رودریگز-گالیانو، وی اف. چیکا اولمو، م. آبارکا هرناندز، اف. اتکینسون، PM؛ Jeganathan، C. طبقه بندی جنگل تصادفی پوشش زمین مدیترانه با استفاده از تصاویر چند فصلی و بافت چند فصلی. سنسور از راه دور محیط. 2012 ، 121 ، 93-107. [ Google Scholar ] [ CrossRef ]
  24. 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 ]
  25. دابیجا، ع. کلوچک، ام. زاگایوسکی، بی. راچکو، ای. کیکو، م. السلطانی، ق. تاردا، ا. پیندا، ال. Corbera, J. مقایسه ماشین‌های بردار پشتیبان و جنگل‌های تصادفی برای نقشه‌برداری پوشش زمین کورین. Remote Sens. 2021 , 13 , 777. [ Google Scholar ] [ CrossRef ]
  26. نابوره، ع. ابراهیمی، ح. آزادبخت، م. بیان، جی. امانی، M. RUESVMs: یک روش مجموعه ای برای رسیدگی به مشکل عدم تعادل طبقاتی در نقشه برداری پوشش زمین با استفاده از موتور Google Earth. Remote Sens. 2020 , 12 , 3484. [ Google Scholar ] [ CrossRef ]
  27. لیو، ایکس. در آغوش گرفتن.؛ چن، ی. لی، ایکس. خو، X. لی، اس. پی، اف. Wang, S. نقشه برداری چند زمانی با وضوح بالا از زمین شهری جهانی با استفاده از تصاویر Landsat بر اساس پلت فرم موتور Google Earth. سنسور از راه دور محیط. 2018 ، 209 ، 227-239. [ Google Scholar ] [ CrossRef ]
  28. پکل، J.-F. کوتام، ا. گولیک، ن. Belward، AS نقشه برداری با وضوح بالا از آب های سطحی جهانی و تغییرات طولانی مدت آن. Nature 2016 , 540 , 418. [ Google Scholar ] [ CrossRef ]
  29. دونگ، جی. شیائو، ایکس. منارگوئز، MA; ژانگ، جی. Qin، Y. تاو، دی. بیرادار، سی. مور، ب. نقشه برداری از منطقه کاشت برنج شالیزاری در شمال شرقی آسیا با تصاویر Landsat 8، الگوریتم مبتنی بر فنولوژی و موتور Google Earth. سنسور از راه دور محیط. 2016 ، 185 ، 142-154. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. موندال، پی. لیو، ایکس. Fatoyinbo، TE; Lagomasino، D. ارزیابی ترکیبات داده‌های Sentinel-2 و الگوریتم‌های یادگیری ماشین برای نقشه‌برداری حرا در غرب آفریقا. Remote Sens. 2019 , 11 , 2928. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. ژانگ، ام. هوانگ، اچ. لی، ز. هکمن، KO; لیو، سی. Andriamiarisoa, RL; نی آینا نومنجانهاری راهریلو، تی. لی، ی. گونگ، P. تولید پوشش زمین با وضوح بالا در ماداگاسکار با استفاده از سری زمانی Sentinel-2، طبقه‌بندی تصویر مبتنی بر کاشی و موتور Google Earth. Remote Sens. 2020 , 12 , 3663. [ Google Scholar ] [ CrossRef ]
  32. پراتیکو، اس. سولانو، اف. دی فازیو، اس. Modica، G. طبقه‌بندی یادگیری ماشینی زیستگاه‌های جنگلی مدیترانه‌ای در موتور Google Earth براساس سری‌های زمانی Seasonal Sentinel-2 و بهینه‌سازی ترکیب تصویر ورودی. Remote Sens. 2021 , 13 , 586. [ Google Scholar ] [ CrossRef ]
  33. فورست مایر، آ. شکر، ع. چن، جی. نقشه برداری از اکالیپتوس در مناطق Natura 2000 با استفاده از تصاویر Sentinel 2 و شبکه های عصبی مصنوعی. Remote Sens. 2020 , 12 , 2176. [ Google Scholar ] [ CrossRef ]
  34. دروش، ام. دل بلو، U. کارلیر، اس. کالین، او. فرناندز، وی. گاسکون، اف. هورش، بی. ایزولا، سی. لابرینتی، پ. مارتیمورت، پی. و همکاران Sentinel-2: ماموریت نوری با وضوح بالا ESA برای خدمات عملیاتی GMES. سنسور از راه دور محیط. 2012 ، 120 ، 25-36. [ Google Scholar ] [ CrossRef ]
  35. تو، ن. Dong, J. بررسی اولین زمان‌بندی قابل شناسایی محصولات با استفاده از تمام تصاویر موجود Sentinel 1/2 و Google Earth Engine. ISPRS J. Photogramm. Remote Sens. 2020 , 161 , 109–123. [ Google Scholar ] [ CrossRef ]
  36. وانگ، جی. شیائو، ایکس. لیو، ال. وو، ایکس. Qin، Y.; اشتاینر، جی ال. دونگ، جی. نقشه برداری دینامیک مزارع نیشکر در گوانگشی، چین، بر اساس تصاویر سری زمانی Sentinel-1، Sentinel-2 و Landsat. سنسور از راه دور محیط. 2020 , 247 , 111951. [ Google Scholar ] [ CrossRef ]
  37. Tucker، CJ Red و ترکیبات خطی مادون قرمز عکاسی برای نظارت بر پوشش گیاهی. سنسور از راه دور محیط. 1979 ، 8 ، 127-150. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. ژا، ی. گائو، جی. Ni، S. استفاده از شاخص ایجاد تفاوت نرمال شده در نقشه برداری خودکار مناطق شهری از تصاویر TM. بین المللی J. Remote Sens. 2003 , 24 , 583-594. [ Google Scholar ] [ CrossRef ]
  39. ون دیونتر، ای. وارد، ا. گودا، پ. لیون، جی. استفاده از داده‌های نقشه‌بردار موضوعی برای شناسایی دشت‌های خاک متضاد و شیوه‌های خاک‌ورزی. فتوگرام مهندس Remote Sens. 1997 , 63 , 87-93. [ Google Scholar ]
  40. شیائو، ایکس. بولز، اس. لیو، جی. ژوانگ، دی. فرلکینگ، اس. لی، سی. سالاس، دبلیو. مور، ب. نقشه برداری از کشاورزی برنج شالیزاری در جنوب چین با استفاده از تصاویر MODIS چند زمانی. سنسور از راه دور محیط. 2005 ، 95 ، 480-492. [ Google Scholar ] [ CrossRef ]
  41. Xu، H. اصلاح شاخص آب تفاوت نرمال شده (NDWI) برای افزایش ویژگی های آب باز در تصاویر سنجش از راه دور. بین المللی J. Remote Sens. 2006 ، 27 ، 3025-3033. [ Google Scholar ] [ CrossRef ]
  42. هیوت، ا. دیدان، ک. میورا، تی. رودریگز، EP; گائو، ایکس. Ferreira، LG مروری بر عملکرد رادیومتری و بیوفیزیکی شاخص‌های پوشش گیاهی MODIS. سنسور از راه دور محیط. 2002 ، 83 ، 195-213. [ Google Scholar ] [ CrossRef ]
  43. کیو، اس. زو، ز. او، B. Fmask 4.0: تشخیص سایه ابر و ابر بهبود یافته در تصاویر Landsats 4-8 و Sentinel-2. سنسور از راه دور محیط. 2019 ، 231 ، 111205. [ Google Scholar ] [ CrossRef ]
  44. تاید، دی. سودمنز، ام. آگوستین، اچ. Baraldi، A. بررسی بیش از حد برآورد سیستماتیک پوشش ابر محصولات ESA Sentinel-2 در مناطق با ارتفاع بسیار بالا. سنسور از راه دور محیط. 2021 ، 252 ، 112163. [ Google Scholar ] [ CrossRef ]
  45. ابراهیمی، ح. میرباقری، ب. Matkan, AA; آزادبخت، م. پیش‌بینی دقت پوشش زمین در هر پیکسل: یک روش تصادفی مبتنی بر جنگل با داده‌های نمونه مرجع محدود. ISPRS J. Photogramm. Remote Sens. 2021 ، 172 ، 17–27. [ Google Scholar ] [ CrossRef ]
  46. پلتیه، سی. والرو، اس. اینگلادا، جی. قهرمان، ن. ددیو، جی. ارزیابی استحکام جنگل‌های تصادفی برای نقشه‌برداری از پوشش زمین با سری‌های زمانی تصاویر ماهواره‌ای با وضوح بالا در مناطق بزرگ. سنسور از راه دور محیط. 2016 ، 187 ، 156-168. [ Google Scholar ] [ CrossRef ]
  47. Wessels, JK; ون دن برگ، اف. روی، PD; ماهی قزل آلا، PB; Steenkamp، CK; مک آلیستر، بی. سوانپول، دی. Jewitt, D. به‌روزرسانی‌های نقشه پوشش سریع زمین با استفاده از تشخیص تغییر و طبقه‌بندی‌کننده‌های تصادفی قوی جنگل. Remote Sens. 2016 , 8 , 888. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. Foody، GM وضعیت ارزیابی صحت طبقه بندی پوشش زمین. سنسور از راه دور محیط. 2002 ، 80 ، 185-201. [ Google Scholar ] [ CrossRef ]
  49. Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. 1991 ، 37 ، 35-46. [ Google Scholar ] [ CrossRef ]
  50. اولوفسون، پی. فودی، جنرال موتورز; Stehman، SV; Woodcock، CE استفاده بهتر از داده های دقت در مطالعات تغییر زمین: برآورد دقت و مساحت و کمی کردن عدم قطعیت با استفاده از تخمین طبقه بندی شده. سنسور از راه دور محیط. 2013 ، 129 ، 122-131. [ Google Scholar ] [ CrossRef ]
  51. گونگ، پی. لی، ایکس. وانگ، جی. بای، ی. چن، بی. هو، تی. لیو، ایکس. خو، بی. یانگ، جی. ژانگ، دبلیو. و همکاران نقشه‌های سالانه منطقه غیرقابل نفوذ مصنوعی جهانی (GAIA) بین سال‌های 1985 و 2018. سنسور از راه دور محیط زیست. 2020 , 236 , 111510. [ Google Scholar ] [ CrossRef ]
  52. وانگ، ایکس. شیائو، ایکس. زو، ز. چن، بی. ما، جی. دونگ، جی. دوغی، RB; ژونگ، کیو. Qin، Y.; دای، اس. و همکاران ردیابی تغییرات سالانه مناطق جزر و مدی ساحلی در چین طی سال های 1986-2016 از طریق تجزیه و تحلیل تصاویر Landsat با موتور Google Earth. سنسور از راه دور محیط. 2018 ، 238 ، 110987. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  53. شیونگ، جی. Thenkabail, SP; تیلتون، سی جی; گوما، KM; Teluguntla، P. اولیفانت، ا. کنگالتون، GR; یداو، ک. Gorelick، N. نقشه وسعت زمین زراعی 30 متری نامی قاره آفریقا با ادغام الگوریتم‌های مبتنی بر پیکسل و شی‌محور با استفاده از داده‌های Sentinel-2 و Landsat-8 در موتور Google Earth. Remote Sens. 2017 , 9 , 1065. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. لی، کیو. کیو، سی. ما، ال. اشمیت، ام. Zhu، XX نقشه برداری از پوشش زمین آفریقا با وضوح 10 متر از داده های سنجش از راه دور چند منبعی با موتور Google Earth. Remote Sens. 2020 , 12 , 602. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 10 00464 g001 550
شکل 1. موقعیت منطقه مورد مطالعه، منطقه جدید Xiong’an.
Ijgi 10 00464 g002 550
شکل 2. توزیع فضایی نمونه های جغرافیایی ارجاع شده جمع آوری شده در ( a ) 2017 و ( b ) 2019.
Ijgi 10 00464 g003 550
شکل 3. چارچوب استخراج نقشه های LULC چند ساله در منطقه جدید Xiong’an.
Ijgi 10 00464 g004 550
شکل 4. نقشه های LULC در منطقه جدید Xiong’an از سال 2017 تا 2020. ( a ) 2017; ( ب ) 2018; ( ج ) 2019; ( د ) 2020.
Ijgi 10 00464 g005 550
شکل 5. مناطق LULC تغییر یافته و بدون تغییر در منطقه جدید Xiong’an از 2017 تا 2020.
Ijgi 10 00464 g006 550
شکل 6. دقت نقشه های LULC منطقه جدید Xiong’an برای سال های مختلف.
Ijgi 10 00464 g007 550
شکل 7. مساحت تخمینی و نسبت هر LULC در منطقه جدید Xiong’an از 2017 تا 2020. ( الف ) مناطق تخمینی و ( ب ) نسبت تخمینی هر طبقه.
Ijgi 10 00464 g008 550
شکل 8. تغییرات مکانی-زمانی LULC در پنج سایت منتخب از سال 2017 تا 2020.
Ijgi 10 00464 g009 550
شکل 9. تغییرات منطقه برآورد شده از نوع LULC در هر شهرستان از منطقه جدید Xiong’an از 2017 تا 2020: ( الف ) شهرستان Anxin، ( ب ) شهرستان Rongcheng، و ( c ) شهرستان Xiong.
Ijgi 10 00464 g010 550
شکل 10. نسبت مساحت نوع LULC در هر شهرستان از منطقه جدید Xiong’an از 2017 تا 2020: ( الف ) شهرستان Anxin، ( ب ) شهرستان Rongcheng، و ( c ) شهرستان Xiong.
Ijgi 10 00464 g011 550
شکل 11. سطوح غیر قابل نفوذ در منطقه جدید Xiong’an از 2017 تا 2018 توسط تصاویر 30 متری Landsat در این مطالعه ( a , b ) و تصاویر 10 متری Sentinel-2 ( c , d ) در ترکیب با تغییرات مکانی-زمانی سطح غیرقابل نفوذ ( e ).

دسته‌بندی نشده

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید