خلاصه

تجزیه و تحلیل پویایی کاربری زمین شهری برای ارزیابی عملکردهای اکوسیستم و اثرات تغییرات آب و هوا ضروری است. تمرکز این مطالعه بر پایش ویژگی‌های گسترش شهری در Hang-Jia-Hu و ارزیابی تأثیرات آن بر جنگل‌ها با استفاده از داده‌های Landsat چند طیفی 30 متری و یک الگوریتم یادگیری ماشین است. در مرحله اول، تصاویر سنجش از دور با کالیبراسیون تشعشع، تصحیح جوی و تصحیح توپوگرافی پیش پردازش شدند. سپس، درخت تصمیم C5.0 برای ایجاد درختان طبقه‌بندی استفاده شد و سپس برای تهیه نقشه‌های کاربری زمین استفاده شد. در نهایت تغییرات مکانی و زمانی از طریق درجه دینامیکی و ماتریس انتقال کاربری اراضی مورد تجزیه و تحلیل قرار گرفت. علاوه بر این، میانگین ماتریس احتمال انتقال کاربری زمین (ATPM) برای پیش‌بینی مساحت کاربری زمین در 20 سال آینده استفاده شد. نتایج نشان می دهد که: (1) C5. درخت تصمیم 0 با دقت دقیق در طبقه بندی کاربری اراضی، با میانگین دقت کل و ضریب کاپا بیش از 90.04 درصد و 0.87 انجام شد. (2) در طول 20 سال گذشته، استفاده از زمین در Hang-Jia-Hu به طور گسترده تغییر کرده است. مساحت شهری از 5.84 درصد در سال 1995 به 21.32 درصد در سال 2015 افزایش یافته است که تأثیرات زیادی بر زمین های زیر کشت داشته است، با تبدیل شدن 198854 هکتار به شهری و پس از آن جنگل ها با 19823 هکتار. (3) پیش‌بینی مساحت کاربری اراضی بر اساس ATPM نشان داد که شهرنشینی به قیمت زمین‌های زیر کشت به گسترش خود ادامه خواهد داد، اما تأثیر آن بر جنگل‌ها بیشتر از دو دهه گذشته خواهد بود. منطقی بودن توزیع ساختار زمین شهری برای توسعه اقتصادی و اجتماعی مهم است. از این رو،

کلید واژه ها:

داده های لندست ; گسترش شهری ; LUCC ; جنگل ؛ هانگ جیا هو

1. معرفی

از زمان اصلاحات و گشایش چین در اواخر دهه 1970، شهرنشینی در چین توجه جهانی را به خود جلب کرده است. نسبت جمعیت شهری از 18 درصد در سال 1978 به 50 درصد در سال 2010 افزایش یافته است و پیش بینی می شود تا سال 2020 به 60 درصد و تا سال 2030 به 80 درصد یا بیشتر افزایش یابد [ 1 ، 2 ]. شهرنشینی به یکی از موضوعات توسعه در اکثر کشورهای جهان تبدیل شده است و مهمترین عامل محرک تغییر پوشش کاربری زمین (LUCC) است [ 3 ، 4 ]. این نه تنها به معنای ارتقای توسعه سریع اقتصادی، بلکه افزایش تراکم ساختمانی، کاهش فضای سبز و افزایش بلایای شهری ناشی از آب و هوای شدید است [ 5 ، 6 ].]. مناطق شهری کمتر از 3 درصد از سطح زمین جهان را تشکیل می دهند، اما 90 درصد از اقتصاد جهان، 50 درصد از جمعیت جهان، 60 درصد مصرف انرژی و 70 درصد از انتشار گازهای گلخانه ای از شهرها می آیند [ 7 ]. از این رو مدیریت شهرنشینی از اهمیت ویژه ای برخوردار است و نظارت پویای کاربری اراضی مستقیم ترین نمود آن است.
تغییر کاربری زمین هر ساله به دلیل تعامل شرایط طبیعی و فعالیت های انسانی اتفاق می افتد و یکی از نیروهای محرکه اصلی تغییرات جهانی است [ 8 و 9 ]. از آنجایی که تأثیر زیادی بر عملکردهای اکوسیستم از جمله تنوع زیستی اکوسیستم و غرق‌های کربنی داشته است، پویایی الگوهای کاربری زمین همیشه کانون تحقیقات مرتبط با LUCC بوده است. اخیراً کاهش مساحت جنگل به دلیل LUCC ناشی از شهرنشینی تأثیر بیشتری بر ظرفیت جهانی ترسیب کربن داشته است [ 10 ، 11 ]. طبق تحقیقات مربوطه، مساحت اشغال شده توسط اکوسیستم های جنگلی تنها 27.6 درصد از مساحت جهانی است، اما حدود 57 درصد از کربن جهان توسط اکوسیستم های جنگلی ثابت شده است [ 12 ].]. منابع جنگلی بزرگترین استخر کربن در اکوسیستم های زمینی هستند و نقشی بی بدیل در تنظیم تعادل جهانی کربن و کاهش تغییرات آب و هوا دارند [ 13 ، 14 ]. بنابراین، نظارت پویا بر تغییرات منابع جنگلی برای کاهش گرمایش جهانی اهمیت فزاینده ای دارد.
تشخیص تغییر کاربری زمین می تواند به سرعت اطلاعات زمین را استخراج کرده و نقشه های کاربری زمین را با مشاهده وضعیت اشیاء در دوره های مختلف به روز کند [ 15 ، 16 ]. نقشه‌های LUCC می‌توانند طیف وسیعی از فرآیندها مانند برداشت جنگل، اختلالات جنگل، فشار کاربری زمین و گسترش شهری را تعیین کنند که همگی برای استفاده منطقی و مدیریت علمی منابع زمین مهم هستند [ 17 ، 18 ]. بررسی‌های میدانی سنتی می‌تواند روند توسعه و ویژگی‌های LUCC را به دقت ارزیابی کند، اما بررسی‌های میدانی به نیروی انسانی، منابع مادی، منابع مالی و زمان زیادی نیاز دارد که برای نظارت در مقیاس بزرگ تغییرات پویا در کاربری زمین غیرعملی است [ 19 ].]. با توسعه فناوری سنجش از دور، سنجش از دور ماهواره ای به طور گسترده ای برای تشخیص LUCC استفاده شده است [ 20 ، 21 ]. تخصص نظارت در مقیاس بزرگ و زمان واقعی به مشاهدات سنجش از راه دور شایستگی های برجسته ای در تشخیص LUCC می دهد و به تدریج به موثرترین ابزار در این زمینه تبدیل می شود [ 22 ، 23 ]. روش‌های پایش پویای کاربری زمین را می‌توان به دو دسته تقسیم کرد: مقایسه طیفی مستقیم و مقایسه پس از طبقه‌بندی [ 24 ].]. مقایسه مستقیم طیفی تصاویر را پیکسل به پیکسل تجزیه و تحلیل می کند که محدودیت هایی در تفسیر اطلاعات زمین در دوره های مختلف دارد. مقایسه پس از طبقه‌بندی مستقیماً نتایج قبل و بعد از طبقه‌بندی را در تضاد قرار می‌دهد، و بنابراین می‌تواند اطلاعات مکانی-زمانی را برای انواع مختلف زمین به دست آورد [ 25 ]. از آنجایی که دقت طبقه‌بندی می‌تواند مستقیماً بر نتایج تحلیل تأثیر بگذارد، انتخاب روش‌های طبقه‌بندی در حال تبدیل شدن به بخش مهمی از تحقیقات تغییر پویا است [ 26 ، 27 ].
روش‌های طبقه‌بندی مانند K-Nearest Neighbor، ماشین بردار پشتیبان و روش حداکثر احتمال، به دلیل نتایج خروجی قابل تفسیر، مقدار کار محاسباتی زیاد و تحلیل همبستگی ضعیف بین ویژگی‌ها، به ندرت در مطالعات طبقه‌بندی دقیق استفاده می‌شوند. به عنوان یک فناوری اصلی در زمینه تحقیقات هوش مصنوعی، یادگیری ماشین به طور گسترده در گرافیک کامپیوتری، سیستم های توصیه، مهندسی نرم افزار و بیوانفورماتیک استفاده می شود [ 28 ، 29 ، 30 ]. یادگیری ماشینی می تواند داده ها را با توجه به حجم زیادی از اطلاعات ارائه شده توسط مجموعه داده ها آموزش و تجربه کند و به طور همزمان قوانین الگوریتم خود را بهینه کند [ 31 ، 32] که در سال های اخیر در بهبود دقت طبقه بندی تصاویر توجه زیادی را به خود جلب کرده است. در حال حاضر، الگوریتم‌های رایج طبقه‌بندی یادگیری ماشینی شامل شبکه‌های عصبی یادگیری عمیق و درخت‌های تصمیم‌گیری هستند. یادگیری عمیق در طبقه بندی به تعداد زیادی پارامتر مانند وزن ها و آستانه ها نیاز دارد. فرآیند یادگیری قابل مشاهده نیست و تفسیر خروجی دشوار است [ 33 ]. نظریه درخت تصمیم [ 34 , 35 ] قبلاً برای طبقه بندی مجموعه داده های سنجش از دور استفاده شده است و مزایایی را نسبت به سایر روش های طبقه بندی ارائه می دهد [ 36 ، 37 ]]. قوانین بصری درخت تصمیم در فرآیند طبقه بندی به کاربران اجازه می دهد تا محدوده آستانه گره را مطابق با نیاز هدف تغییر دهند و سپس اطلاعات زمینی را با دقت بیشتری استخراج کنند. درخت تصمیم C5.0 یک الگوریتم جدید است که از ID3 اصلی توسعه یافته است [ 38 ]. از روش تقویت برای تولید یک سری درخت تصمیم استفاده می کند تا بهترین متغیرهای طبقه بندی و نقاط تقسیم بندی بهینه را از طریق نسبت به دست آوردن اطلاعات (Info Gain Ratio) تعیین کند. برای داده های تصویری با وضوح های مختلف، درخت تصمیم C5.0 می تواند دقت طبقه بندی را تا حد زیادی بهبود بخشد. کوی و همکاران [ 39] روشی را برای استخراج اطلاعات جنگل ملی بامبو بر اساس درخت تصمیم همراه با تجزیه پیکسلی مخلوط با استفاده از محصول بازتابی MODIS پیشنهاد کرد و دقت طبقه‌بندی در زمان‌های مختلف بیش از ۸۰ درصد بود. فونکنبرگ و همکاران [ 40 ] از الگوریتم C5.0 برای تشخیص تغییر پویا علفزار در مکونگ با استفاده از تصاویر Landsat استفاده کرد که نشان داد که مساحت تبدیل شده از مرتع به انواع دیگر زمین به دلیل بلایای طبیعی در سال 1991 77 درصد بود. Lv و همکاران [ 41 ] از تصاویر ماهواره GeoEye-1 با وضوح 0.5 متر برای مطالعه روش‌های شناسایی خودکار شبکه‌های جنگلی زمین‌های کشاورزی استفاده کرد که نشان داد دقت تشخیص خودکار بالای 92 درصد و دقت متوسط ​​92.97 درصد بود.
Hang-Jia-Hu در دلتای رودخانه یانگ تسه در استان ژجیانگ قرار دارد [ 42 ، 43 ]. به عنوان منطقه ای با تکامل سریع اقتصادی، شهرنشینی به اصلی ترین و حیاتی ترین نیروی محرکه در LUCC در طول این توسعه سریع اقتصادی تبدیل شده است. هدف این مقاله استفاده از داده‌های سری زمانی Landsat، استفاده از یک روش مقایسه پس از طبقه‌بندی مبتنی بر درخت تصمیم C5.0 برای تحلیل تغییرات فضایی گسترش شهری در Hang-Jia-Hu در طول 20 سال گذشته است. علاوه بر این، سپس تأثیر گسترش شهری بر جنگل ارزیابی می‌شود. در نهایت با اعمال قانون توسعه تغییر کاربری در 20 سال گذشته، روند تغییر کاربری اراضی در 20 سال آینده پیش‌بینی می‌شود.

2. منطقه مطالعه و مجموعه داده ها

2.1. منطقه مطالعه

منطقه Hang-Jia-Hu در بخش شمالی استان ژجیانگ در چین واقع شده است ( شکل 1).) از 118 درجه و 50 دقیقه و 15 دقیقه شرقی تا 121 درجه و 19 دقیقه و 6 ثانیه شرقی و از 29 درجه و 42 دقیقه و 52 دقیقه تا 31 درجه و 11 دقیقه و 53 ثانیه شمالی. آب و هوای آن نیمه گرمسیری موسمی و میانگین سالانه است. دما 15 تا 18 درجه سانتی گراد با میانگین بارندگی سالانه حدود 1100 میلی متر است. منطقه مورد مطالعه حدود 1.476 میلیون هکتار شامل جیاکسینگ، اکثریت هوژو و بخش شمال شرقی هانگژو است. مناطق خاص عبارتند از Linan (LN)، Yuhang (YH)، Jiaxing (JX)، Jiashan (Js)، Anji (AJ)، Fuyang (FY)، Pinghu (PH)، Deqing (DQ)، Hangzhou (HangZ)، Tongxiang ( TX)، Hanning (HN)، Haiyan (HY)، Huzhou (HuZ)، Xioashan (XS) و Changxing (CX). جنگل‌های این مکان عمدتاً در جنوب غربی پراکنده شده‌اند و انواع جنگل‌های اصلی جنگل‌های پهن برگ (BLF)، جنگل‌های مخروطی (CNF) و جنگل‌های بامبو (BMF) هستند.

2.2. مجموعه داده ها و پردازش

داده‌های چند طیفی ماهواره‌ای 30 متری Landsat5 TM (1995، 2000، 2005، 2009) و Landsat8 OLI (2015) از سازمان زمین‌شناسی ایالات متحده (USGS، https://glovis.usgs.gov/ ) دانلود شدند. ما تصاویر بدون ابر را از سال‌ها با مشاهدات زمینی برای 3 صحنه که منطقه مطالعه ما را پوشش می‌دهند انتخاب کردیم ( جدول 1 ). با توجه به کیفیت تصویر ضعیف کلی منطقه مورد مطالعه در سال 2010، تصمیم گرفتیم از تصاویر در سال 2009 برای مطابقت با داده های میدانی در سال 2010 استفاده کنیم.
داده های سنجش از دور به راحتی تحت تأثیر بخار آب، آئروسل، انعکاس دوطرفه و انتقال داده قرار می گیرند، که می تواند منجر به نوسانات جدی داده های سری زمانی شود و اثر مورد نظر را در تجزیه و تحلیل داده ها تحت تأثیر قرار دهد [ 44 ، 45 ]. بنابراین، این مطالعه از تحلیل سریع اتمسفر خط دید فرامکعب های طیفی (FLAASH) [ 46 ، 47 ] برای تصحیح هر تصویر به منظور حذف بخشی از اثر ناشی از جو استفاده کرد. از آنجایی که زمین ممکن است بر مقادیر روشنایی تصاویر اصلی تأثیر بگذارد، یک مدل ارتفاعی دیجیتال (DEM) برای اصلاح زمین برای مقادیر پیکسل استفاده شد. علاوه بر این، داده‌های تصحیح زمین از وب‌سایت ابر داده‌های مکانی (Geospatial Data Cloud) دانلود شد.https://www.gscloud.cn/ ).
با توجه به اصل “مقررات فنی موجودی برای برنامه ریزی و طراحی مدیریت جنگل” وزارت جنگلداری سابق در سال 1996 و “قوانین عملیات فنی برای برنامه ریزی و طراحی مدیریت جنگل در استان ژجیانگ” در سال 1997، انواع کاربری اراضی این مطالعه به‌عنوان BMF، BLF، CNF، زمین‌های زیر کشت (CTL)، آب، و شهری (از جمله ساختمان‌ها و جاده‌ها) تعیین شدند [ 48 ، 49 ]. مشاهده میدانی قطعات تأیید طبقه بندی BMF، BLF و CNF از داده های فهرست جنگل ملی (NFI) در استان ژجیانگ به دست آمد. روش بررسی NFI نمونه برداری سیستماتیک است که معمولاً به طور مساوی در تقاطع شبکه های کیلومتری نقشه های توپوگرافی 1:50000 قرار می گیرد. اندازه هر قطعه 28.5 متر × 28.5 متر [ 50]. قطعات تأیید سایر انواع کاربری زمین از بررسی میدانی و تفسیر بصری تصویر به دست آمد. تعداد تأیید ویژه انواع مختلف کاربری زمین در جدول 2 نشان داده شده است.

3. روش مطالعه

3.1. C5.0 درخت تصمیم

درخت تصمیم یک روش طبقه بندی نظارت شده معمولی الگوریتم یادگیری ماشین است [ 51 ، 52 ]. درخت تصمیم یا قوانینی را در راستای یادگیری استقرایی داده های آموزشی تولید می کند و سپس از آنها برای طبقه بندی تصاویر سنجش از راه دور استفاده می کند. مدل‌های درخت تصمیم به هیچ فرضی در مورد توزیع داده نیاز ندارند و می‌توانند مجموعه داده‌های با ابعاد بالا را به سرعت پردازش کنند [ 53 ، 54 ]. درخت تصمیم C5.0 [ 55 ] یک ساختار درختی باینری است که با تجزیه و تحلیل چرخه ای مجموعه داده آموزشی متشکل از ویژگی های ویژگی و متغیرهای هدف تشکیل شده است. این شامل یک گره ریشه، یک سری از شاخه ها و یک گره نهایی است و توسط گره نهایی طبقه بندی می شود.
به دست آوردن اطلاعات (Info Gain) [ 56 ] در نظریه اطلاعات به عنوان تفاوت بین آنتروپی مجموعه داده ای که باید طبقه بندی شود و آنتروپی شرطی یک ویژگی انتخاب شده تعریف می شود. شاخصی است که برای انتخاب ویژگی ها در الگوریتم درخت تصمیم استفاده می شود. هرچه Info Gain بزرگتر باشد، انتخاب بهتری از این ویژگی است. نسبت به دست آوردن اطلاعات [ 57] نیز نرخ افزایش اطلاعات نامیده می شود و توسط Info Gain و آنتروپی اطلاعات ویژگی محاسبه می شود. درخت تصمیم C5.0 نسبت به دست آوردن اطلاعات همه ویژگی ها را محاسبه می کند و برخی از آنها با ارزش نسبتاً بالا در تشخیص انواع زمین به عنوان متغیرهای آزمایش شده گره های عملیاتی برای تقسیم مجموعه داده انتخاب می شوند. سپس، هرس و ادغام گره ها می تواند دقت و پیچیدگی درخت تصمیم را متعادل کند. در نهایت قوانین طبقه بندی بهینه با ساخت بهترین ساختار درختی چند شاخه برای طبقه بندی تصاویر منطقه مورد مطالعه استفاده می شود. درخت تصمیم تولید شده بدون نیاز به مقدار زیادی از زمان آموزشی برای ایجاد تفسیر آسان است [ 58 ، 59 ].

3.2. ساخت درخت تصمیم

ساخت درخت تصمیم معمولاً شامل انتخاب متغیرها، تولید درخت تصمیم و هرس درخت تصمیم است [ 60 ]. انتخاب متغیرها فرآیندی است برای محاسبه نسبت به دست آوردن اطلاعات همه متغیرها و انتخاب متغیرهای بهینه با مقادیر بالا به عنوان بخش بندی برای تقسیم مجموعه داده ها. هنگامی که خطای وزن گره فراتر از گره پدر باشد، شاخه ها هرس می شوند. سپس یک درخت تصمیم بهینه تولید می شود. این مطالعه از طبقه‌بندی‌کننده See5.0 همراه با ENVI classic 5.0 برای ساخت درخت تصمیم استفاده کرد [ 61 ]]. مقدار داده های آموزشی در هر نوع کاربری زمین یکسان (800 پیکسل) تنظیم شد تا انحراف سیستم طبقه بندی کننده کاهش یابد. با وجود قوانین طبقه بندی قابل مشاهده الگوریتم C5.0، مشاهده نتایج طبقه بندی هنگام اصلاح آستانه گره درخت تصمیم یا بهینه سازی داده های آموزشی می تواند دقت تجزیه و تحلیل را بهبود بخشد. در نظر گرفتن انواع مختلف کاربری زمین، اطلاعات طیف و بافت متفاوتی را از فصلی به فصل دیگر نشان می دهد، بنابراین ما تصمیم گرفتیم یک درخت تصمیم گیری طبقه بندی مربوطه را برای تصاویر در دوره های مختلف بسازیم، که به موجب آن طبقه بندی های جداگانه می تواند نتایج طبقه بندی را دقیق تر و قابل اعتمادتر کند.
واضح است که ویژگی های تصویر سنجش از دور تا حد زیادی به طیف های طبقه بندی بستگی دارد. علاوه بر نوارهای تصویر اصلی، سه مؤلفه اصلی اول (PC_1، PC_2، PC_3) [ 62 ] توسط تجزیه و تحلیل مؤلفه‌ها و شاخص‌های پوشش گیاهی-شاخص گیاهی نرمال‌شده (NDVI)، شاخص گیاهی افزایش‌یافته (EVI)، SAVI (شاخص گیاهی تنظیم‌شده خاک) ) و شاخص تفاوت نرمال شده آب بهبود یافته (MNDWI) – با استفاده از عملیات نواری استخراج شد و همه به عنوان متغیرهای ورودی در طبقه بندی قرار گرفتند ( جدول 3 ).

3.3. ارزیابی گسترش شهری

یکی از شاخص های تغییر پویا در ارزیابی شهرنشینی درجه پویا [ 65 ] است. این به دامنه تغییر منطقه شهری در یک دوره زمانی معین اشاره دارد و می تواند به طور شهودی سرعت تغییر تعدادی پیکسل در مناطق شهری را آشکار کند [ 66 ، 67 ]. فرمول به صورت زیر محاسبه می شود:

ک=Uب-UآUآ×1تی×100%
در معادله (1): K درجه دینامیکی تغییر ناحیه شهری است و به میانگین سالانه تغییرات منطقه شهری اشاره دارد. U a و U b به ترتیب مساحت پوشش شهری در ابتدا و انتهای دوره هستند. T فاصله زمانی مطالعه است. وقتی K بزرگتر از 0 باشد، نشان می دهد که مساحت پوشش شهری روندی رو به گسترش را نشان می دهد. در غیر این صورت، نشان دهنده یک روند کاهشی است.

نرخ مشارکت ( P ) به نرخ مشارکت سایر انواع کاربری زمین در تغییرات شهری اشاره دارد [ 68 ]. این مقاله از ماتریس انتقال کاربری زمین برای محاسبه P استفاده می کند.

پمن=ممن∑من=1nممن×100%
در معادلات (2)، P i میزان مشارکت یک نوع کاربری معین در رشد شهری است. M i مساحت یک نوع کاربری مشخص است که به کاربری شهری تبدیل شده است. i نوع کاربری زمین است، i = 1، 2، 3، 4، 5.

3.4. پیش بینی کاربری زمین

ماتریس انتقال کاربری زمین یک نمایش مهم برای توصیف و اندازه گیری تغییرات در LUCC [ 69 ] است. می تواند منبع و ترکیب انتقال نوع کاربری اراضی را در مراحل اولیه و نهایی تحقیق در اختیار ما قرار دهد که راه مهمی برای مطالعه تکامل زمانی و مکانی LUCC است [ 70 ]. در این مطالعه از ماتریس انتقال کاربری زمین برای محاسبه P و ATPM استفاده شد. سپس از ATPM برای محاسبه مساحت کاربری زمین در سال های 2000، 2005، 2009 و 2015 که به عنوان مساحت پیش بینی شده تعریف می شود، استفاده کردیم و نتایج پیش بینی شده را با منطقه طبقه بندی شده بر اساس الگوریتم C5.0 مقایسه کردیم. ضریب تعیین R2و RMSE (ریشه میانگین مربعات خطا) بین منطقه پیش بینی شده و منطقه طبقه بندی شده کاربری زمین برای توضیح تناسب ATPM با توجه به پیش بینی استفاده شد. R 2 بالا و RMSE کوچک به این معنی است که ATPM تأثیر خوبی در پیش بینی مساحت کاربری زمین دارد و می توان آن را برای پیش بینی مساحت مناطق مختلف کاربری زمین در سال های 2020، 2025، 2030 و 2035 به کار برد. R 2 و RMSE هستند. به صورت زیر محاسبه می شود:

آر2=1-∑من=1n(پمن-oمن)2/∑من=1n(oمن-oمن¯)2
RMSE=1n∑من=1n(پمن-oمن)2
در معادلات (3) و (4)، R2 و RMSE نشانگر دقت شبیه سازی هستند. o i مساحت طبقه بندی شده انواع زمین در یک سال معین است. p i مساحت پیش‌بینی‌شده کاربری زمین است که با میانگین ماتریس احتمال انتقال کاربری ضرب در مساحت طبقه‌بندی شده در سال قبل محاسبه می‌شود. oمن¯میانگین مساحت طبقه بندی شده انواع مختلف زمین در یک سال معین است.

4. نتایج و تجزیه و تحلیل

4.1. درختان تصمیم گیری طبقه بندی

a، b، c، d و e در شکل 2 به ترتیب درخت تصمیم گیری طبقه بندی بهینه را در سال های 1995، 2000، 2005، 2009 و 2015 نشان می دهند.
درخت های تصمیم بهینه مختلف نشان می دهد که تفاوت زیادی بین متغیرها و آستانه تقسیم بندی گره ها در سال های مختلف وجود دارد. به طور کلی، باندهای اصلی اکثر متغیرهایی هستند که برای ساخت درخت تصمیم استفاده می شوند و ساختار متغیرهای مورد استفاده هر درخت بسیار متفاوت است. اگرچه تصاویر تا یک تصحیح جوی یکنواخت پردازش می شوند، تفاوت در زمان گرفتن تصویر هنوز تا حدی تأثیر دارد و همچنین تفاوت هایی در مقادیر تصویر طیفی Landsat TM و Landsat OLI وجود دارد. بنابراین، مقادیر باندهای مشخصه بهینه انتخاب شده در هنگام استخراج اطلاعات جنگل متفاوت خواهد بود. در شکل 2با توجه به پوشش گیاهی، نوارهای تصویر اصلی و سه مؤلفه اول عمدتاً برای ایجاد قوانین از سال 1995 تا 2009 استفاده شدند. علاوه بر این، B6 متغیر تقسیم‌بندی برای تمایز سه نوع جنگل است. B4، B5 و B6 عمدتاً برای استخراج جنگل بامبو از دو نوع جنگل دیگر، به ویژه B4، که آن را از جنگل های پهن برگ در سال 1995 و 2005 تقسیم می کند، استفاده می شود. با این حال، به نظر می رسد B7 (NDVI) در تقسیم بندی انواع اراضی اهمیت بیشتری دارد. در سال 2015. این عمدتا به دلیل تاریخ شکل گیری تصاویر مختلف است. NDVI به عنوان شاخص استاندارد برای نظارت بر وضعیت رشد پوشش گیاهی، قادر است آنها را از سایر انواع زمین جدا کند و پوشش گیاهی در سال 2015 در حال رشد است و ارزش بالایی از خود نشان می دهد. در مورد شهری و آب، B5 و B6 متغیرهای اصلی تقسیم بندی هستند.

4.2. نتیجه طبقه بندی و صحت تأیید

نتایج نقشه های کاربری اراضی در Hang-Jia-Hu بر اساس کاربرد درختان تصمیم بهینه در شکل 3 نشان داده شده است.
صحت طبقه بندی کاربری اراضی در سال های 1995، 2000، 2005، 2009 و 2015 در جدول 4 نشان داده شده است . علاوه بر BMF با میانگین دقت 42/88 درصد، دقت سایر کاربری ها در سال های مختلف همگی بالای 90 درصد است. دقت کلی دوره های مختلف همگی بالای 90 درصد با دقت متوسط ​​93.40 درصد است. ضرایب کاپا همه بالاتر از 0.88 هستند، به این معنی که طبقه بندی نتایج دقیقی را نشان می دهد. این نشان می دهد که طبقه بندی کاربری زمین با استفاده از درخت تصمیم C5.0 عملکرد خوبی را نشان می دهد.

4.3. تحلیل توسعه شهری

منطقه شهری در منطقه Hang-Jia-Hu به طور قابل توجهی تغییر کرد. درجه پویای شهرنشینی و میانگین مساحت شهری از سال 1995 تا 2015 در 13 منطقه در شکل 4 نشان داده شده است.. درجه پویایی مناطق مختلف بسیار متفاوت بود. در اکثر مناطق، پس از کاهش اندک مساحت شهری، در مرحله بعد گسترش زیادی رخ داد. این ممکن است به دلیل تخریب مناطق شهری و بازسازی بعدی آنها باشد. در طی سالهای 2000 و 2005، پویایی بیشتر از سایر مراحل بود و در همه مناطق مثبت بود. چندین منطقه با درجه پویایی شهری نسبتاً بزرگ، شهرهای اصلی نبودند، بلکه مناطقی با میانگین منطقه شهری کوچکتر بودند. این نشان می دهد که گسترش تأثیر بیشتری بر مناطق با مناطق شهری کوچکتر دارد. به عنوان مثال، HN، JS و TX پویایی نسبتاً بالایی در گسترش شهری دارند که فراتر از دامنه در HangZ، JX و HZ است. علاوه بر این، با وجود اینکه در برخی ولسوالی ها در دوره های خاص کاهش اندکی وجود داشت، هنوز برخی بودند که مساحت شهری به طور مداوم افزایش می یافت. درجه پویا در FY، HN، HangZ، JX، XS و YH در چهار دوره مثبت بود، به این معنی که منطقه شهری در این مناطق در حالت گسترش بود.
مساحت شهری در دو دهه گذشته 2.65 برابر شده است. برای درک واضح تغییرات گسترش شهری در مناطق مختلف، یک نقشه توزیع فضایی گسترش شهری در مراحل مختلف ایجاد کردیم ( شکل 5).). درجه پویایی شهری در شهر جیاکسینگ با 18.21% بالاترین میزان بوده و پس از آن شهر Hangzhou با 13.62% قرار دارد. گسترش شهری در شهر هوژو شباهت زیادی به دو منطقه دیگر نداشت و کمترین ارزش پویایی شهری را با 7.2 درصد داشت. تکامل توزیع فضایی رشد شهری در سالهای مختلف از منطقه ای به منطقه دیگر متفاوت است. به نظر می رسید که رشد شهری در شهر جیاکسینگ از مرکز شهری به مناطق اطراف، به ویژه در شهر اصلی جیاکسینگ گسترش یابد. در شهر هانگژو، شهرنشینی در هسته شهری HangZ و XS متمرکز شد و جهت گسترش شهری از شمال شرقی به جنوب غربی بود. تغییرات شهری در شهر هوژو در شهر اصلی HZ و DQ توزیع شد. رشد شهری در مقیاس بزرگ در منطقه DQ عمدتاً در مرحله 2000 تا 2005 رخ داد.شکل 5 . ما سه منطقه مرکز شهر در HangZ City، JX City و HZ City را با اندازه پنجره تجزیه و تحلیل به ترتیب 58871 هکتار، 31192 هکتار و 16317 هکتار انتخاب کردیم. مساحت شهری در شهر اصلی HangZ ( شکل 5 A) از 16116.3 هکتار به 36607.6 هکتار افزایش یافت که نشان دهنده افزایش 2.27 برابری اندازه است. رشد آن عمدتاً در شمال شرق از سال 1995 تا 2000 و در شمال غرب از سال 2005 تا 2015 بوده است. علاوه بر مرحله اول، رشد شهری در سه مرحله زیر در شمال غرب متمرکز شده است که نشان می دهد شهرنشینی در هسته شهر HangZ دارای رشد بوده است. تمایل به گسترش شمال غربی تغییر شهری به صورت همه جانبه از منطقه مرکزی اصلی به منطقه اطراف، ویژگی اصلی JX بود ( شکل 5ب). شهرنشینی با افزایش مساحت 12677.5 هکتار یا 6.68 برابر، شدیدترین بود. علاوه بر این، سرعت گسترش سریعترین در مرحله از سال 2000 تا 2005 بود. در شهر اصلی HZ ( شکل 5 C)، پدیده گسترش شهری با رشد 1.9 برابری متوسط ​​ترین به نظر می رسد. گسترش قبل از سال 2005 عمدتاً در اطراف مرکز شهر متمرکز بود. پس از سال 2005 به سمت شمال، غرب و شمال شرق گسترش یافت.

4.4. تاثیر شهرنشینی بر جنگل ها

ما تغییر کاربری زمین در این مطالعه و سهم آن در گسترش شهری را تحلیل کردیم ( شکل 6). بر اساس نتایج، CTL که منبع اصلی گسترش شهری است، منجر به از دست دادن قابل توجه منطقه در دو دهه اخیر شده است. روند نرخ مشارکت در گسترش شهری به طور مداوم کاهش یافت (از 91.61 درصد در مرحله اول به 82.23 درصد در مرحله نهایی)، اما منبع اصلی گسترش شهری در طول دوره مورد مطالعه باقی ماند. BLF و BMF همچنین روند افزایشی را در نرخ مشارکت خود در مناطق شهری نشان دادند که افزایش اندکی را نشان دادند. تخصیص منابع جنگلی همیشه در تعادل پویا است. CNF، با بیشترین ارزش، محتمل ترین منبع گسترش شهری قبل از سال 2009 است، اما به دلیل کاهش مساحت، سهم خود را در افزایش مساحت شهری کاهش می دهد. علاوه بر این، BLF منبع اصلی گسترش بین سال‌های 2009 و 2015 شد. نرخ مشارکت آن در گسترش شهری به تدریج افزایش یافت، که نشان می دهد احتمال گسترش شهری آینده با استفاده از BLF و BMF به عنوان منابع گسترش به تدریج افزایش خواهد یافت. عوامل تغییر بدنه های آبی پیچیده تر است. در عین حال، به دلیل دشواری تبدیل بدنه‌های آبی به مناطق شهری، مساحت آن و میزان سهم آن در افزایش مساحت شهری، تحول آشکاری در پی ندارد. به طور کلی، پوشش گیاهی در این مطالعه قوانین قوی در رابطه با مساحت و نرخ مشارکت در رشد شهری در طول فرآیند شهرنشینی را رعایت کرد. گسترش پایدار شهری با یک نوع کاربری خاص به عنوان منبع گسترش منجر به کاهش قابل توجهی در مساحت زمین خواهد شد. در عین حال، این همچنین منجر به کاهش تدریجی احتمال تبدیل شدن به منبع گسترش خواهد شد.
بر اساس این آمار، مجموع جنگل‌های از دست رفته در اثر گسترش شهری 19823 هکتار بوده که 71.05 درصد از کاهش کل جنگل‌ها را به خود اختصاص داده است. این نشان می دهد که شهرنشینی عامل اصلی کاهش جنگل ها است. شکل 7 نشان دهنده توزیع فضایی مناطق جنگلی در حال تغییر به مناطق شهری ( شکل 7 الف) و تغییرات خاص در مراحل مختلف ( شکل 7 ب) است.
کاهش جنگل عمدتاً در محل اتصال مناطق شهری و جنگلی رخ داد که عمدتاً در بخش‌های مرکزی و غربی HZ، DQ، HangZ، XS و FY توزیع شده‌اند. واضح است که مساحت جنگل از سال 1995 تا 2015 به تدریج کاهش یافته است. کاهش از سال 1995 تا 2000 در بخش غربی HZ بیشتر مشهود است. علاوه بر این، تلفات منطقه از سال 2005 تا 2009 با کاهش 12.18 درصدی بیشترین میزان را داشت که 43 درصد از کاهش کل در دوره مورد مطالعه را به خود اختصاص داد. کاهش در سال های 2009 و 2015 به میزان قابل توجهی کمتر بوده است که این نیز نتیجه کاهش نرخ سهم جنگل در رشد شهری بوده است. جهت کاهش مساحت جنگل از شمال شرقی به جنوب غربی بوده که با جهت کلی گسترش شهری مطابقت دارد. از دست دادن جنگل به دلیل شهرنشینی به طور مرکزی در بخش جنوبی HZ و FY توزیع شده است. به طور خاص، سال مالی سال مالی که بیشترین درجه پویایی (بیش از 24 درصد) گسترش شهری را داشت، بیشترین نسبت کاهش جنگل را به خود اختصاص داد، که بیشتر نشان می‌دهد که گسترش شهری با کاهش جنگل در این منطقه همگام است.

4.5. پیش بینی LUCC برای 20 سال آینده

ماتریس های احتمال انتقال چهار دوره را از طریق ماتریس انتقال کاربری زمین و مساحت زمین چهار دوره به دست آوردیم و ATPM چهار ماتریس احتمال را به دست آوردیم ( جدول 5 ). ATPM در مساحت‌های زمین در سال‌های 1995، 2000، 2005 و 2009 ضرب شد تا مساحت‌های زمین در سال‌های 2000، 2005، 2009 و 2015 به دست آمد و نتایج با مناطق طبقه‌بندی سال‌های مربوطه مقایسه شد. سپس از R2 و RMSE برای مشاهده همبستگی و خطا بین منطقه پیش بینی شده و منطقه طبقه بندی شده استفاده شد. نتایج در شکل 8 نشان داده شده است.
جنگل های شکل 8 و شکل 9 شامل BLF، CNF و BMF هستند. نسبت مساحت در شکل 8 نشان می دهد که مساحت پیش بینی شده رابطه قوی با ناحیه طبقه بندی شده دارد. R 2 بین منطقه طبقه بندی شده و منطقه پیش بینی شده در سال های 2000، 2005، 2009 و 2015 در محدوده 0.94 و 0.99 قرار دارد، با RMSE از 1.61 × 10 4 hm 2 تا 7.86 × 10 4 hm2 . این بدان معناست که نتایج پیش‌بینی‌شده دقت دقیقی را نشان می‌دهد، که بیشتر نشان می‌دهد که ATPM می‌تواند هنگام پیش‌بینی مساحت زمین از سال ۲۰۰۰ تا ۲۰۱۵ عملکرد خوبی داشته باشد و می‌تواند در پیش‌بینی استفاده از منطقه برای ۲۰ سال آینده به کار رود.
بر اساس ATPM، مساحت کاربری زمین را از 2020 تا 2035 محاسبه کردیم و روند کلی مساحت را برای پویایی کاربری زمین در 20 سال قبل و 20 سال آینده ترسیم کردیم ( شکل 9).). با توجه به ساختار کاربری زمین از سال 1995 تا 2015، گسترش شهری با کاهش شدید CTL و کاهش جزئی در مساحت جنگل همراه است. علاوه بر این، بر اساس نتایج پیش‌بینی از سال 2020 تا 2035، CTL به کاهش ادامه خواهد داد، اگرچه میزان تغییر نسبتاً کمتر از قبل خواهد بود. با این حال، پدیده کاهش جنگل نسبت به 20 سال گذشته آشکارتر خواهد بود، به ویژه در سال های 2030 و 2035. این نشان می دهد که شهرنشینی به کاهش CTL به عنوان منبع گسترش در 20 سال آینده ادامه خواهد داد، اما تأثیر آن بر جنگل ها به تدریج افزایش یابد. با این الگو، و بدون در نظر گرفتن سایر عوامل اقتصادی و اجتماعی خارجی، گسترش شهری ادامه خواهد یافت، جدی تر شده و منجر به اشغال گسترده CTL می شود و باعث از بین رفتن مساحت بیشتر جنگل می شود.

5. بحث

ما از داده‌های سنجش از دور همراه با درخت تصمیم برای تجزیه و تحلیل تکامل فضایی و زمانی گسترش شهری در Hang-Jia-Hu و تأثیر آن بر جنگل‌ها استفاده کردیم. در فرآیند استفاده از الگوریتم C5.0 برای ایجاد قوانین طبقه بندی، متوجه شدیم که باند اصلی 51.7٪ از متغیرهای دخیل در ساخت درخت طبقه بندی را به خود اختصاص داده است، در حالی که شاخص پوشش گیاهی تنها 20.7٪ بود. این نشان می دهد که شاخص پوشش گیاهی همیشه معیاری نیست که برای تمایز بین پوشش گیاهی و غیر گیاهی در فرآیند طبقه بندی استفاده می شود. در عین حال، به دلیل عدم قطعیت اطلاعات طیفی تصویر، متغیرهای تقسیم بندی بهینه مناطق مختلف و دوره های زمانی مختلف نیز دارای تفاوت های زیادی هستند. دقت نقشه های کاربری اراضی به ویژه برای تجزیه و تحلیل تغییر کاربری مهم است.19 ]. ما از تصاویر سال 2009 به عنوان جایگزینی برای سال 2010 استفاده کردیم که باعث ایجاد خطا در روند تأیید شد. علاوه بر این، نتایج تأیید صحت نقشه‌های کاربری اراضی نشان داد که BFM دلیل اصلی کاهش کلی در دقت است. این به این دلیل است که سطوح غیر قابل نفوذ مختلف دارای علائم طیفی مشابهی هستند که می تواند منجر به طبقه بندی اشتباه شود [ 71 ]]. ویژگی‌های طیفی BMF نزدیک به ویژگی‌های BLF و CNF است که منجر به درجه بالایی از خطا در فرآیند تفسیر بصری دستی و انتخاب نمونه‌های آموزشی برای ایجاد درخت تصمیم می‌شود. علاوه بر این، با توجه به اهمیت جنگل ها از نظر عملکرد اکوسیستم، نمی توان تأثیر تغییرات جزئی جنگل ها را بر انسان نادیده گرفت. تحلیل شهرنشینی در این مطالعه نشان می‌دهد که شهرنشینی، عمدتاً با هزینه CTL، تأثیر زیادی بر جنگل‌ها نیز دارد. بنابراین پایش دقیق تغییرات جنگل از اهمیت بالایی برخوردار است. به طور خاص، از دست دادن جنگل در مکان های داخلی شهری باید با دقت بیشتری مورد توجه قرار گیرد. با این حال، تشخیص جنگل‌های شهری مبتنی بر فناوری سنجش از دور عمدتاً از داده‌های فراطیفی و با وضوح بالا استفاده می‌کند. زیرا تشخیص دقیق تغییرات ظریف در داده های ماهواره ای با وضوح پایین و متوسط ​​دشوار است. بهبود زمان و تفکیک مکانی مجموعه داده‌ها و روش‌های ارزیابی تحقیقات شهری ممکن است دقت اندازه‌گیری‌های شهرنشینی را بهبود بخشد. در نهایت، ATPM در این مطالعه نشان دهنده روند تغییر در مساحت کاربری زمین در هانگ جیا-هو طی دو دهه گذشته است و برای پیش‌بینی روند 20 سال آینده با درجه خاصی از قابلیت اطمینان استفاده شد. علاوه بر این، R و برای پیش بینی روند 20 سال آینده با درجه خاصی از قابلیت اطمینان استفاده شد. علاوه بر این، R و برای پیش بینی روند 20 سال آینده با درجه خاصی از قابلیت اطمینان استفاده شد. علاوه بر این، R2 و RMSE در نتایج پیش بینی 20 سال گذشته نیز نشان می دهد که ATPM از دقت بالاتری در پیش بینی مساحت کاربری اراضی برخوردار است. با این حال، نتایج پیش‌بینی این مطالعه تنها می‌تواند وضعیت کلی تغییر مساحت زمین را برای 20 سال آینده تحت روند توسعه فعلی نشان دهد، اما نه روندهای خاص در توسعه آینده. از آنجایی که روند کلی توسعه شهری در مقیاس بزرگ منطقه ای می تواند توسط مدیران منابع زمین به منظور نتیجه گیری معنادار در مقیاس کلان و اجرای برنامه ریزی منطقی مورد استفاده قرار گیرد، پیش بینی شهری برای برنامه ریزان و سازندگان شهری از اهمیت بالایی برخوردار است.

6. نتیجه گیری

بر اساس تصاویر چند زمانی Landsat و درخت تصمیم C5.0، ما تغییرات در گسترش شهری و تأثیر آنها بر جنگل‌های منطقه Hang-Jia-Hu را تحلیل کردیم. نتایج نشان داد که استفاده از الگوریتم C5.0 برای ایجاد درخت‌های تصمیم برای داده‌های تصویری به دست آمده در سال‌های مختلف می‌تواند پدیده همولوگ زمینی ناشی از تاریخ‌های مختلف دریافت تصویر را کاهش دهد که می‌تواند دقت استخراج را تا حد زیادی بهبود بخشد. در طول دو دهه گذشته، استفاده از زمین در منطقه Hang-Jia-Hu به شدت تغییر کرده است. مساحت شهری نسبت به منطقه اصلی 2.65 برابر (نزدیک به 209100 هکتار) افزایش یافته است. شهر JX، با بیشترین درجه پویای رشد شهری، از مرکز شهری به اطراف، به ویژه در منطقه JX گسترش یافت. شهر HangZ با پویایی شهری 13.62 درصد به تدریج به سمت غرب گسترش یافت. این پدیده در ناحیه لس آنجلس و ناحیه FY آشکارتر بود. با روند شهرنشینی، منطقه CTL کاهش قابل توجهی را نشان می دهد و از مساحت 60.37 درصد در سال 1995 به مساحت 37.58 درصد در سال 2015، در نتیجه اشغال گسترده گسترش شهری تغییر کرده است. از نظر سرعت کاهش CTL، میزان مشارکت آن در رشد شهری به تدریج کاهش یافت. مساحت کل BLF، CNF و BMF دامنه کوچکی از کاهش را نشان داد، اما سهم آن در گسترش شهری افزایشی بود، به این معنی که احتمال شهرنشینی آینده با استفاده از جنگل‌ها به عنوان منبع گسترش افزایش خواهد یافت. پیش بینی مساحت کاربری اراضی نشان می دهد که در 20 سال آینده، کاربری شهری با هزینه CTL به گسترش خود ادامه خواهد داد، اما این تأثیر نسبت به 20 سال گذشته کمتر خواهد شد. برعکس،

منابع

  1. ویتون، WC; شیشیدو، H. تمرکز شهری، اقتصادهای تراکم، و سطح توسعه اقتصادی. اقتصاد توسعه دهنده فرقه چانگ. 1981 ، 30 ، 17-30. [ Google Scholar ] [ CrossRef ]
  2. وو، جی. چن، بی. مائو، جی. فنگ، Z. تکامل فضایی و زمانی آسیب‌پذیری ترسیب کربن و رابطه آن با شهرنشینی در منطقه ساحلی چین. علمی کل محیط. 2018 , 645 , 692. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. ژو، سی. وانگ، اس. وانگ، جی. بررسی تأثیرات شهرنشینی بر انتشار دی اکسید کربن در دلتای رودخانه یانگ تسه، چین: رابطه منحنی کوزنتس. علمی کل محیط. 2019 ، 675 ، 472-482. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. خو، Q. دونگ، YX; یانگ، R. تأثیر شهرنشینی زمین بر ترسیب کربن پوشش گیاهی شهری: تجزیه و تحلیل همکاری زمانی در گوانگژو به عنوان مثال. علمی کل محیط. 2018 ، 635 ، 26-34. [ Google Scholar ] [ CrossRef ]
  5. Goodchild، B. خانه‌ها، شهرها و محله‌ها . Routledge: Abingdon، UK، 2008. [ Google Scholar ]
  6. محمود، ش. Gan، TY شهرسازی و پیامدهای تغییرات آب و هوایی در مدیریت خطر سیل: توسعه یک سیستم پشتیبانی تصمیم کارآمد برای نقشه‌برداری حساسیت سیل. علمی کل محیط. 2018 ، 636 ، 152-167. [ Google Scholar ] [ CrossRef ]
  7. گونرالپ، بی. ژو، ی. اورگه-ورساتز، دی. گوپتا، م. یو، اس. پاتل، PL; فراقیاس، م. لی، ایکس. Seto، KC سناریوهای جهانی تراکم شهری و اثرات آن بر مصرف انرژی ساختمان تا سال 2050. Proc. Natl. آکادمی علمی USA 2017 , 114 , 8945. [ Google Scholar ] [ CrossRef ][ Green Version ]
  8. مائو، JX; Li، ZG; Yan، XP; ژو، SH تاثیر چشم انداز-شهرنشینی بر تغییر کاربری زمین با داده های میکروسکوپی. Acta Ecol. گناه 2008 ، 28 ، 3584-3596. [ Google Scholar ]
  9. هائو، اچ ام. Ren، ZY کاربری زمین/تغییر پوشش زمین (LUCC) و پاسخ زیست محیطی به LUCC در منطقه کشاورزی-شبانی، چین. کشاورزی علمی چین 2009 ، 8 ، 91-97. [ Google Scholar ] [ CrossRef ]
  10. بینگ، LI; ژوئن، BI; تیان، Y. تجزیه و تحلیل LUCC و نیروی محرکه در منطقه آلوده سنگین در حوضه دریاچه Taihu. محیط زیست علمی تکنولوژی 2011 ، 5 ، 43-48. [ Google Scholar ]
  11. اشنایدر، ا. لوگان، KE; Kucharik، CJ تأثیرات شهرنشینی بر کالاها و خدمات اکوسیستمی در کمربند ذرت ایالات متحده. اکوسیستم ها 2012 ، 15 ، 519-541. [ Google Scholar ] [ CrossRef ]
  12. رینولدز، آر. لیانگ، ال. لی، ایکس سی; دنیس، جی. نظارت بر تغییرات سالانه شهری در بخش رو به رشد شمال غرب آرکانزاس با سابقه 20 ساله لندست. Remote Sens. 2017 , 9 , 71. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. Giardina، CP; کلمن، ام. بینکلی، دی. هنکاک، جی. King, JS; لیلسکوف، ای. لویا، WM؛ پرگیتزر، KS؛ رایان، ام جی؛ ترتین، سی . پاسخ تخصیص کربن زیرزمینی در جنگل ها به تغییرات جهانی. اثرات گونه های درختی بر خاک: پیامدهایی برای تغییر جهانی . Kluwer Academic Publishers: Dordrecht, The Netherlands, 2005; صفحات 119-154، فصل 7. [ Google Scholar ]
  14. برنگر، ای. گاردنر، TA; فریرا، جی. آراگائو، LEOC؛ کامارگو، PB; Cerri، CE; دوریگان، ام. جونیور، RCO; ویرا، ICG; بارلو، جی. توسعه ارزیابی‌های میدانی مقرون‌به‌صرفه ذخایر کربن در جنگل‌های استوایی اصلاح‌شده توسط انسان. PLoS ONE 2015 ، 10 ، 3713–3726. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  15. اشنایدر، ا. فریدل، MA; Potere, D. نقشه برداری مناطق شهری جهانی با استفاده از داده های MODIS 500-m: روش ها و مجموعه داده های جدید بر اساس ‘مناطق بوم شهری’. سنسور از راه دور محیط. 2010 ، 114 ، 1733-1746. [ Google Scholar ] [ CrossRef ]
  16. ژو، ایکس. چن، اچ. تأثیر تغییرات پوشش زمین کاربری زمین مرتبط با شهرنشینی و تغییرات مورفولوژی شهری بر پدیده جزیره گرمایی شهری. علمی کل محیط. 2018 ، 635 ، 1467-1476. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. جئون، اس بی؛ اولوفسون، پی. Woodcock، CE تغییر کاربری زمین در نیوانگلند: معکوس کردن انتقال جنگل. J. کاربری زمین علمی. 2014 ، 9 ، 105-130. [ Google Scholar ] [ CrossRef ]
  18. اولوفسون، پی. فودی، جنرال موتورز; هرولد، ام. Stehman، SV; Woodcock، CE; Wulder، MA شیوه های خوب برای تخمین مساحت و ارزیابی دقت تغییر زمین. سنسور از راه دور محیط. 2014 ، 148 ، 42-57. [ Google Scholar ] [ CrossRef ]
  19. ژانگ، ام. دو، اچ. ژو، جی. لی، ایکس. مائو، اف. دونگ، ال. ژنگ، جی. لیو، اچ. هوانگ، ز. او، S. تخمین ذخیره‌سازی کربن روی زمین در جنگل در Hang-Jia-Hu با استفاده از داده‌های Landsat TM/OLI و مدل جنگل تصادفی. جنگل‌ها 2019 ، 10 ، 1004. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  20. Giraldo، MA ارزیابی استفاده از زمین و پوشش زمین برای مطالعه تغییر سبک زندگی در یک جامعه روستایی مکزیکی: پروژه Maycoba. بین المللی J. Health Geogr. 2012 ، 11 ، 27. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  21. Arifasihati, Y. تجزیه و تحلیل کاربری اراضی و تغییرات پوشش در Ciliwung و Cisadane حوضه در سه دهه. Procedia Environ. علمی 2016 ، 33 ، 465-469. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. وانگ، ی. لیو، ال. وانگ، زی. نقشه برداری زمین بر اساس پشته های سری زمانی Landsat در دشت سانجیانگ. فناوری سنسور از راه دور. Appl. 2015 ، 30 ، 959-968. [ Google Scholar ]
  23. دو، اچ. سان، ایکس. هان، ن. Mao, F. جامع بررسی عوامل درختی شی گرا و تصمیم گیری و تخمین سنجش از راه دور ذخایر کربن. J. Appl. Ecol. 2017 ، 28 ، 3163-3173. [ Google Scholar ]
  24. بونوآ، ال. پینگ، ز. موتووی، جی. توم، ک. ماسک، جی. ایمهوف، م. شپرد، م. کواتروچی، دی. سانتانلو، جی. سیلوا، جی. تأثیر شهرنشینی بر آب و هوای سطحی ایالات متحده. محیط زیست Res. Lett. 2015 ، 10 ، 084010. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  25. دینگ، جی. مطالعه استخراج مضمون آب واحه با استفاده از روش PCA. یوننان جئوگر. محیط زیست Res. 2005 ، 17 ، 11-14. [ Google Scholar ]
  26. لو، ام. خو، ی. شان، ن. وانگ، کیو. Wang, J. اثر شهرنشینی بر بارش شدید بر اساس مدل‌های غیر ساکن در منطقه شهری دلتای رودخانه یانگ تسه. علمی کل محیط. 2019 ، 673 ، 64-73. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. لوان، سی. دونگ، جی. شناسایی تجربی مجموعه‌های داده سخت برای طبقه‌بندی و روش‌های انتخاب ویژگی با بینش‌هایی در مورد انتخاب روش. دانستن داده ها مهندس 2018 ، 118 ، 41-51. [ Google Scholar ] [ CrossRef ]
  28. فاستر، KR; کوپرووسکی، آر. Skufca، JD یادگیری ماشین، تشخیص پزشکی، و تحقیقات مهندسی زیست پزشکی. بیومد. مهندس آنلاین 2014 ، 13 ، 94. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  29. Kotsiantis، SB تحت نظارت یادگیری ماشین: مروری بر تکنیک های طبقه بندی. ظهور. آرتیف. هوشمند Appl. محاسبه کنید. مهندس 2007 ، 160 ، 3-24. [ Google Scholar ]
  30. Schleier-Smith, J. An Architecture for Agile Machine Learning در کاربردهای بلادرنگ. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی (KDD’15)، سیدنی، استرالیا، 10 تا 13 اوت 2015. صفحات 2059–2068. [ Google Scholar ]
  31. زمان، س. Rifat، تجزیه و تحلیل عملکرد SMR الگوریتم های یادگیری ماشین نظارت شده برای طبقه بندی متن. در مجموعه مقالات نوزدهمین کنفرانس بین المللی کامپیوتر و فناوری اطلاعات (ICCIT)، داکا، بنگلادش، 18 تا 20 دسامبر 2016. [ Google Scholar ]
  32. Kinnings، SL; لیو، ن. Tonge، PJ; جکسون، آر.ام. زی، ال. بورن، تصحیح PE به “روش مبتنی بر یادگیری ماشینی برای بهبود عملکردهای امتیاز دهی اتصال و کاربرد آن برای استفاده مجدد از دارو”. جی. شیمی. Inf. مدل. 2011 ، 51 ، 408-419. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. ژو، ژ. Feng, J. Deep Forest: Towards a Alternative to Deep Neural Networks. arXiv 2017 , arXiv:1702.08835. [ Google Scholar ]
  34. شانکرو، جی. ویجایاکومار، ک. Umadevi، V. رویکردهای پارتیشن بندی غیر متوالی به طبقه بندی کننده درخت تصمیم. محاسبات آینده آگاه کردن. J. 2018 ، 3 ، 275-285. [ Google Scholar ]
  35. لان، تی. ژانگ، ی. جیانگ، سی. یانگ، جی. Zhao، Z. شناسایی خودکار Spread F با استفاده از درختان تصمیم. J. Atmos. Sol.-Terr. فیزیک 2018 ، 179 ، 389-395. [ Google Scholar ] [ CrossRef ]
  36. هانسن، ام سی; Defries، RS; تاونشند، جی آر جی؛ Sohlberg، R. طبقه بندی پوشش زمین جهانی در تفکیک مکانی 1 کیلومتر با استفاده از رویکرد درخت طبقه بندی. بین المللی J. Remote Sens. 2000 ، 21 ، 1331-1364. [ Google Scholar ] [ CrossRef ]
  37. وانگ، سی. وانگ، جی. طبقه‌بندی درخت تصمیم‌گیری سرویس ابری برای پلتفرم آموزشی. شناخت. سیستم Res. 2018 ، 52 ، 234-239. [ Google Scholar ]
  38. Xiaohu، W. لله، دبلیو. Nianfeng, L. یک کاربرد درخت تصمیم بر اساس ID3. فیزیک Procedia 2012 ، 25 ، 1017-1021. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. کوی، ال. دو، اچ. ژو، جی. لی، ایکس. مائو، اف. خو، X. لی، پی. زو، دی. لیو، تی. زینگ، ال. ترکیبی از درخت تصمیم و عدم اختلاط طیفی خطی برای استخراج اطلاعات جنگل بامبو در چین. J. Remote Sens. 2018 , 22 , 609–619. [ Google Scholar ]
  40. فونکنبرگ، تی. Binh، TT; مدر، اف. دچ، اس. دشت هاتین – پایش تالاب با استفاده از تکنیک‌های سنجش از دور. بین المللی J. Remote Sens. 2014 ، 35 ، 2893-2909. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. Lv، Y.; ژانگ، سی. Xun، W. لی، پی. سانگ، ال. چن، ی. تشخیص خودکار کمربندهای حفاظتی زمین های کشاورزی در داده های سنجش از دور با وضوح فضایی بالا. جی. آگریک. ماخ 2018 ، 49 ، 157-163. [ Google Scholar ]
  42. Ai، LY; یی، TQ; Li، DW وضعیت فعلی منابع تالاب دشت هانگجیاهو و پیشنهادهایی برای حفاظت و مدیریت. Adv. ماتر Res. 2014 ، 955 ، 3683-3686. [ Google Scholar ]
  43. Zhu، HC; شن، جی جی; وانگ، زد. لین، ی. وضعیت فسفر ژانگ، ZJ بر روی رسوب آب پوشاننده تالاب های ساحلی معمولی در منطقه دشت هانگجیاهو و تأثیر آن بر کیفیت آب. دانشگاه ژجیانگ. 2009 ، 35 ، 450-459. [ Google Scholar ] [ CrossRef ]
  44. یو، اچ. جوشی، پی کی; داس، ک.ک. Chauniyal، DD; ملیک، DR; یانگ، ایکس. Xu، J. تغییر کاربری/پوشش زمین و تجزیه و تحلیل آسیب پذیری محیطی در حوضه فرعی Birahi Ganga در Garhwal Himalaya، هند. تروپ Ecol. 2007 ، 48 ، 241-250. [ Google Scholar ]
  45. شارما، ک. Robeson, SM; تاپا، پ. Saikia، A. تغییر کاربری/پوشش زمین و تکه تکه شدن جنگل در پارک ملی Jigme Dorji، بوتان. فیزیک Geogr. 2016 ، 38 ، 18-35. [ Google Scholar ] [ CrossRef ]
  46. کولی، تی. اندرسون، GP; Felde، GW; هوک، ML; راتکوفسکی، ای جی؛ Chetwynd، JH; گاردنر، جی. Adler-Golden, SM; متیو، مگاوات؛ Berk، A. FLAASH، یک الگوریتم تصحیح جوی مبتنی بر MODTRAN4، کاربرد و اعتبار سنجی آن. در مجموعه مقالات سمپوزیوم علوم زمین و سنجش از دور (IGARSS ’02)، تورنتو، ON، کانادا، 24-28 ژوئن 2002. جلد 1413، ص 1414–1418. [ Google Scholar ]
  47. پرکینز، تی. آدلر-گلدن، اس. متیو، مگاوات؛ برک، ا. برنشتاین، LS; لی، جی. فاکس، ام. بهبود سرعت و دقت در تصحیح جوی FLAASH تصاویر فراطیفی. انتخاب کنید مهندس 2012 ، 51 ، 1707. [ Google Scholar ] [ CrossRef ]
  48. لی، ی. هان، ن. لی، ایکس. دو، اچ. مائو، اف. کوی، ال. لیو، تی. Xing، L. تخمین فضایی-زمانی ذخیره‌سازی کربن در جنگل بامبو بر اساس داده‌های Landsat در ژجیانگ، چین. Remote Sens. 2018 , 10 , 898. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. سان، ایکس. دو، اچ. هان، ن. جنرال الکتریک، اچ. Gu، C. تقسیم بندی چند مقیاسی، استخراج مبتنی بر شی جنگل بامبو Moso از تصاویر SPOT5. علمی سیلوا سین. 2013 ، 49 ، 80-87. [ Google Scholar ]
  50. لی، ایکس. دو، اچ. مائو، اف. ژو، جی. لیانگ، سی. زینگ، ال. فن، دبلیو. خو، X. لیو، ی. Lu, C. تخمین زیست توده جنگلی بامبو با استفاده از داده های مکانی-زمانی MODIS LAI و الگوریتم های یادگیری ماشینی جذب شده با EnKF. کشاورزی برای. هواشناسی 2018 ، 256 ، 445-457. [ Google Scholar ] [ CrossRef ]
  51. هوانگ، جی. Ling, CX با استفاده از AUC و دقت در ارزیابی الگوریتم های یادگیری. IEEE Trans. بدانید. مهندسی داده 2005 ، 17 ، 299-310. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. دورو، دی سی؛ فرانکلین، SE; Dubé، MG مقایسه تحلیل تصویر مبتنی بر پیکسل و شی با الگوریتم‌های یادگیری ماشین انتخاب شده برای طبقه‌بندی مناظر کشاورزی با استفاده از تصاویر SPOT-5 HRG. سنسور از راه دور محیط. 2012 ، 118 ، 259-272. [ Google Scholar ] [ CrossRef ]
  53. نخل.؛ Mather، PM ارزیابی اثربخشی روش های درخت تصمیم برای طبقه بندی پوشش زمین. سنسور از راه دور محیط. 2003 ، 86 ، 554-565. [ Google Scholar ] [ CrossRef ]
  54. هان، ن. دو، اچ. ژو، جی. خو، X. جنرال الکتریک، اچ. لیو، ال. گائو، جی. Sun، S. بررسی استفاده هم افزایی از معیارهای چند مقیاسی شی تصویر برای نقشه‌برداری کاربری زمین/پوشش زمین با استفاده از رویکرد مبتنی بر شی. بین المللی J. Remote Sens. 2015 ، 36 ، 3544-3562. [ Google Scholar ] [ CrossRef ]
  55. راجسواری، س. Suthendran، K. C5.0: مدل طبقه بندی درخت تصمیم پیشرفته (ADT) برای تجزیه و تحلیل داده های کشاورزی در ابر. محاسبه کنید. الکترون. کشاورزی 2019 ، 156 ، 530-539. [ Google Scholar ] [ CrossRef ]
  56. Uğuz, H. یک روش انتخاب ویژگی دو مرحله ای برای طبقه بندی متن با استفاده از به دست آوردن اطلاعات، تجزیه و تحلیل مؤلفه های اصلی و الگوریتم ژنتیک. سیستم مبتنی بر دانش 2011 ، 24 ، 1024-1032. [ Google Scholar ] [ CrossRef ]
  57. Praveena, PR; Valarmathi، ML; Sivakumari، S. روش انتخاب ویژگی مبتنی بر نسبت به دست آوردن برای حفظ حریم خصوصی. ICTACT J. Soft Comput. 2011 ، 1 ، 201-205. [ Google Scholar ]
  58. ران، CL; Wang, XJ ساخت یک مدل درخت تصمیم برای امتیاز اطلاعات دانشگاه بر اساس الگوریتم C5.0. Appl. مکانیک. ماتر 2015 ، 719 ، 805-811. [ Google Scholar ] [ CrossRef ]
  59. Pang، SL; الگوریتم طبقه بندی Gong، JZ C5.0 و کاربرد در ارزیابی اعتبار فردی بانک ها. سیستم Eng.-تئوری عمل. 2009 ، 29 ، 94-104. [ Google Scholar ] [ CrossRef ]
  60. سیکنون، GP; Sitanggang، برنامه طبقه بندی مبتنی بر وب IS برای داده های آتش سوزی جنگل با استفاده از چارچوب درخشان و الگوریتم C5.0. Procedia Environ. علمی 2016 ، 33 ، 332-339. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. Quinlan, R. ابزارهای داده کاوی see5 and c5. Res. نت 2008 . در دسترس آنلاین: https://www.researchgate.net/publication/242373794_Data_mining_tools_see5_and_c5/citation/download. (دسترسی در 10 ژانویه 2020).
  62. خو، ام. جیا، ایکس. پیکرینگ، ام. Jia, S. حذف ابر نازک از تصاویر سنجش از دور نوری با استفاده از تبدیل اجزای اصلی تنظیم‌شده با نویز. ISPRS J. Photogramm. Remote Sens. 2019 , 149 , 215–225. [ Google Scholar ] [ CrossRef ]
  63. رن، اچ. ژو، جی. Feng, Z. استفاده از ضریب تعدیل منفی خاک در شاخص گیاهی تعدیل شده با خاک (SAVI) برای تخمین زیست توده زنده بالای زمین در علفزارهای خشک. سنسور از راه دور محیط. 2018 ، 209 ، 439-445. [ Google Scholar ] [ CrossRef ]
  64. چی، جی. چهبونی، ع. Huete، AR؛ کر، YH; سروشیان، SS یک شاخص گیاهی اصلاح شده با خاک. سنسور از راه دور Envrion. 2015 ، 48 ، 119-126. [ Google Scholar ] [ CrossRef ]
  65. Cui, RR; دو، HQ; ژو، جنرال موتورز؛ Xu، XJ; دونگ، دی جی؛ Lv، YL نظارت بر سنجش از راه دور پویا و تغییرات ذخیره کربن جنگل بامبو در شهرستان آنجی در 30 سال گذشته. جی ژجیانگ کشاورزی. برای. دانشگاه 2011 ، 28 ، 422-431. [ Google Scholar ]
  66. زو، اچ. Li, X. بحث در مورد روش مدل شاخص تغییر کاربری اراضی منطقه ای. Acta Geogr. گناه 2003 ، 58 ، 643-650. [ Google Scholar ]
  67. وانگ، ایکس. Bao, Y. مطالعه بر روی روشهای تحقیق تغییر پویای کاربری زمین. Prog. Geogr. 1999 ، 18 ، 81-87. [ Google Scholar ]
  68. لی، ی. دو، اچ. مائو، اف. لی، ایکس. کوی، ال. هان، ن. Xu, X. استخراج اطلاعات و تکامل مکانی و زمانی جنگل بامبو بر اساس داده های سری زمانی Landsat در استان ژجیانگ. علمی سیلوا سین. 2019 ، 55 ، 88-96. [ Google Scholar ]
  69. موندال، ام اس؛ شارما، ن. Garg، PK; کاپاس، M. آزمون استقلال آماری و اعتبارسنجی نتایج پیش‌بینی پوشش کاربری اراضی CA مارکوف (LULC). مصر. J. Remote Sens. Space Sci. 2016 ، 19 ، 259-272. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. دو، اچ. ژو، جی. Xu, X. روشهای کمی با استفاده از سنجش از دور در تخمین زیست توده و ذخیره کربن جنگل بامبو . انتشارات علمی: پکن، چین، 2012. [ Google Scholar ]
  71. جیانگ، ایکس. لو، دی. موران، ای. Calvi، MF; دوترا، LV; لی، جی. بررسی اثرات ساخت سد برق آبی بلو مونت بر تغییرات پوشش زمین با استفاده از تصاویر لندست چند زمانی. Appl. Geogr. 2018 ، 97 ، 35-47. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00064 g001 550
شکل 1. منطقه مطالعاتی و قطعات بررسی زمینی سال 1394.
Ijgi 09 00064 g002 550
شکل 2. درخت های تصمیم بهینه طبقه بندی تصویر از سال 1995 تا 2015 ( a – e ).
Ijgi 09 00064 g003 550
شکل 3. نقشه طبقه بندی کاربری اراضی از سال 1995 تا 2015.
Ijgi 09 00064 g004 550
شکل 4. درجه پویا و میانگین مساحت شهری در 13 منطقه از سال 1374 تا 1394.
Ijgi 09 00064 g005 550
شکل 5. توزیع فضایی و زمانی رشد شهری در هانگژو ( A )، جیاکسینگ ( B ) و هوژو ( C ) از 1995 تا 2015.
Ijgi 09 00064 g006 550
شکل 6. نسبت مساحت ( الف ) و نرخ مشارکت در گسترش شهری ( ب ) از سال 1995 تا 2015.
Ijgi 09 00064 g007 550
شکل 7. ( الف ) تغییر توزیع مساحت از جنگل به کاربری اراضی شهری، ( ب ) مراحل مختلف تغییرات جنگل.
Ijgi 09 00064 g008 550
شکل 8. نسبت مساحت کاربری طبقه بندی شده و پیش بینی شده از سال 2000 تا 2015.
Ijgi 09 00064 g009 550
شکل 9. نسبت مساحت مساحت کاربری زمین از سال 1995 تا 2035.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید