به طور کلی داده های مکانی را می توان به دو فرمت شطرنجی و برداری تقسیم کرد. شطرنجی شامل ماتریسی از سلول‌ها است که در آن هر سلول حاوی مقداری است که اطلاعات کمی را نشان می‌دهد، مانند دما، شدت پوشش گیاهی، کاربری زمین/پوشش، ارتفاع، و غیره. ویژگی های منظره در اشکال گرافیکی بسیاری از داده های شطرنجی از تکنیک های سنجش از دور با استفاده از حسگرهای پیچیده با رویکرد کمی و بسیاری از داده های برداری از فرآیندهای GIS با رویکرد کیفی تولید می شوند. در میان آنها، داده های کاربری/پوشش زمین اغلب در بسیاری از تحلیل های GIS و فرآیندهای مدل سازی فضایی استفاده می شود. با این حال، استفاده صحیح از داده‌های کمی و کیفی مکانی در مدل‌سازی و تصمیم‌گیری مکانی مهم است. در این مقاله،

1. مقدمه

اشکال رایج داده های مکانی ارائه شده در تجزیه و تحلیل GIS یا شطرنجی یا برداری هستند. بسیاری از داده‌های شطرنجی از تکنیک‌های سنجش از دور با استفاده از حسگرهای پیچیده و بسیاری از داده‌های برداری از فرآیندهای GIS مانند جمع‌آوری داده‌های نقطه‌ای از بررسی‌های میدانی، خطوط و چند ضلعی‌های تولید شده از تبدیل ثانویه دیجیتالی کردن سر به بالا/روی صفحه بر روی نقشه‌های کاغذی یا تصاویر ماهواره ای با وضوح بالا با این حال، تکنیک سنجش از دور ساطع و محدوده نور (LiDAR) ارتفاع را در نقاط ثبت و ذخیره می کند. بیشترین استفاده از داده های شطرنجی عبارتند از کاربری/پوشش زمین، مدل رقومی ارتفاع (DEM)، دمای سطح، شاخص پوشش گیاهی، و غیره. هر پیکسل در میان آنها، داده های کاربری/پوشش زمین اغلب در تجزیه و تحلیل GIS و مدل سازی فضایی استفاده می شود. شکل دیگری از کاربری/پوشش زمین، فرمت برداری (به عنوان مثال، چند ضلعی) است و به طور کلی از نقشه های کاغذی یا دیجیتالی کردن تصاویر ماهواره ای با وضوح فضایی بالا تبدیل می شود. در این رویکرد، هر چند ضلعی منطقه‌ای را با ویژگی‌های کاربری یا فعالیت‌ها یا مالکیت یکسان نشان می‌دهد و این به عنوان داده‌های کیفی در نظر گرفته می‌شود.

داده‌های کاربری/پوشش زمین (هم کمی و هم کیفی) به طور گسترده در بسیاری از کاربردهای دنیای واقعی مانند مدیریت منابع طبیعی، نقشه‌برداری انواع جنگل، مدل‌سازی هیدرولوژیکی، پایش محصول و کشاورزی دقیق در کشاورزی، برنامه‌ریزی شهری و شهری، برنامه‌ریزی حمل و نقل، اطلاعات عمومی استفاده می‌شود. خدمات و غیره. علاوه بر این، داده‌های کاربری/پوشش زمین یکی از ورودی‌های داده اولیه در بسیاری از فرآیندهای مدل‌سازی فضایی است. برای مثال، هیدرولوژیست ها از داده های کاربری/پوشش زمین برای تخمین تبخیر، تعرق، نفوذ و روان آب های سطحی استفاده می کنند. محققان از داده‌های کاربری/پوشش زمین برای مدل‌سازی و ارزیابی تأثیر تغییرات پوشش زمین توسط فعالیت‌های انسانی و فرآیند بیوفیزیکی، به عنوان مثال، جنگل‌زدایی، تخریب زمین، آسیب‌پذیری اکوسیستم، شرایط حوزه آبخیز و تنوع زیستی استفاده می‌کنند [1-3]. امروز، داده های سنجش از دور در قالب پوشش زمین طبقه بندی شده برای استخراج متغیرهای ورودی برای طیف گسترده ای از مدل های محیطی، به عنوان مثال، پاسخ هیدرولوژیکی و مدل های زیستگاه حیات وحش استفاده می شود [4،5]. مدیران منابع طبیعی از داده های کاربری/پوشش زمین برای تخمین منابع جنگل، آب و زمین استفاده می کنند. برنامه ریزان شهری و شهری از داده های کاربری/پوشش زمین برای شناسایی مناطق ساخته شده در داخل شهر استفاده می کنند. در این مقاله، فرمت‌های رایج داده‌های مکانی، منشأ و استفاده صحیح از آنها در مدل‌سازی و تصمیم‌گیری فضایی را مورد بحث قرار می‌دهیم. برنامه ریزان شهری و شهری از داده های کاربری/پوشش زمین برای شناسایی مناطق ساخته شده در داخل شهر استفاده می کنند. در این مقاله، فرمت‌های رایج داده‌های مکانی، منشأ و استفاده صحیح از آنها در مدل‌سازی و تصمیم‌گیری فضایی را مورد بحث قرار می‌دهیم. برنامه ریزان شهری و شهری از داده های کاربری/پوشش زمین برای شناسایی مناطق ساخته شده در داخل شهر استفاده می کنند. در این مقاله، فرمت‌های رایج داده‌های مکانی، منشأ و استفاده صحیح از آنها در مدل‌سازی و تصمیم‌گیری فضایی را مورد بحث قرار می‌دهیم.

2. داده های کمی در مقابل داده های مکانیکی کیفی

2.1. فرمت ها و مبدا داده ها

داده‌های جغرافیایی کمی با فرمت رستری معمولاً از تصاویر سنجش از دور با وضوح متوسط ​​و داده‌های مکانی با فرمت برداری از تصاویر هوایی یا ماهواره‌ای با وضوح بالا با دیجیتالی کردن هدآپ/روی صفحه یا سایر فرآیندهای GIS به دست می‌آیند. برای مثال، استفاده/پوشش زمین با فرمت شطرنجی داده‌های کمی است زیرا داده‌ها بر اساس ویژگی‌های طیفی مشابه هر دسته زمین طبقه‌بندی یا طبقه‌بندی شده‌اند.

این فرآیند در سنجش از دور به عنوان طبقه بندی چند طیفی نیز شناخته می شود. طبقه بندی می تواند توسط کامپیوتر (طبقه بندی بدون نظارت) یا توسط انسان (طبقه بندی نظارت شده) انجام شود. طبقه‌بندی نظارت شده روشی برای شناسایی مناطق مشابه طیفی روی یک تصویر با شناسایی مکان‌های “آموزش” اهداف شناخته شده و سپس تعمیم آن امضاهای طیفی به مناطق دیگر اهداف ناشناخته است. طبقه بندی نظارت شده بر دانش پیشینی از مکان و هویت انواع پوشش زمین که در تصویر هستند، متکی است. این را می توان از طریق کار میدانی، مطالعه عکس های هوایی یا سایر منابع مستقل اطلاعات به دست آورد. مناطق آموزشی، معمولاً کوچک و مجزا در مقایسه با تصویر کامل، برای “آموزش” الگوریتم طبقه بندی برای تشخیص طبقات پوشش زمین بر اساس امضاهای طیفی آنها استفاده می شود. همانطور که در تصویر یافت می شود. مناطق آموزشی برای هر طبقه پوشش زمین باید به طور کامل تنوع آن کلاس را در تصویر نشان دهد (شکل 1 ).

داده ها یا نقشه های تولید شده از این رویکرد کمی به این سوال پاسخ می دهند که “چقدر؟” به دلیل اطلاعات توصیفی آنها. در این رویکرد، هر پیکسل (معروف به وضوح فضایی 10 متر، 20 متر، 30 متر، و غیره) مقدار یا ویژگی واقعی کاربری/پوشش زمین را نشان می دهد. معمولاً تولید کاربری کمی زمین/پوشش مقرون به صرفه است و به طور گسترده برای اهداف تحقیقاتی و تحقیقات علمی استفاده می شود.

داده‌های کاربری کیفی/پوشش زمین با فرمت برداری از عکس‌های هوایی با وضوح بالا یا تصاویر ماهواره‌ای با رقومی‌سازی heads-up/on-screen تولید می‌شوند. در این رویکرد، هر چند ضلعی کاربری/پوشش زمین توسط همان ویژگی‌های کاربری زمین، فعالیت‌ها یا مالکیت گروه‌بندی می‌شود که جزئیات آن پنهان است ( شکل 2).). علاوه بر این، تولید کاربری کیفی زمین/پوشش زمین کار با زمان، هزینه و کار فشرده است که نیاز به پردازش تصویر، هد ساپ/ دیجیتالی کردن روی صفحه، ایجاد پایگاه داده و اعتبارسنجی حقیقت زمینی دارد. بنابراین نمی توان آن را به طور مکرر به روز کرد و فقط برای شهری و مناطق اطراف آن در دسترس است. این داده های کیفی معمولاً در ادارات دولتی و شهرداری برای برنامه ریزی شهری و سیاست گذاری استفاده می شود. معمولاً این نوع نقشه کاربری/پوشش زمین پاسخ می دهد “چقدر خوب یا واضح؟” به دلیل رویکرد کیفی آن بنابراین، داده های کیفی کاربری/پوشش زمین برای استفاده در خدمات اطلاعات عمومی و ارزیابی املاک زمین مناسب است. جدول 1 منابع و تولید داده های کمی و کیفی کاربری/ پوشش زمین را خلاصه کرده است.

شکل 1 . نقشه کاربری کمی زمین/پوشش برگرفته از Landsat ETM+ (Enhanced Thematic Mapper).

2.2. استفاده مناسب برای مدل سازی فضایی و تصمیم گیری

بیش از سه دهه از زمان در دسترس بودن داده‌های سنجش از دور فضابردی مانند Landsat MSS/TM/ETM، داده‌های کمی کاربری/پوشش زمین با فرمت رستر به طور گسترده در تجزیه و تحلیل GIS و مدل‌سازی فضایی استفاده شده‌اند. هدف اصلی این تصاویر سری Landsat تولید نقشه های موضوعی مانند کاربری/پوشش زمین است. با توجه به اطلاعات توصیفی در قالب شطرنجی، داده های کمی کاربری/پوشش زمین عمدتاً توسط دانشمندان، محققان، هیدرولوژیست ها، زیست شناسان، مدیران منابع طبیعی و سایر کاربران اطلاعات کمی استفاده شده است. این داده های کمی برای استفاده در مطالعه جنگل زدایی، نقشه برداری انواع جنگل، تجزیه و تحلیل پوشش گیاهی، تخمین رواناب آب های سطحی و غیره مناسب هستند.

داده‌ها یا نقشه‌های کیفی استفاده از زمین/پوشش با فرمت برداری معمولاً به دلیل ماهیت “مرتب و مرتب” داده‌ها، مانند دفاتر شهری، ادارات شهرداری و مراکز اطلاعات عمومی، در حوزه عمومی استفاده می‌شوند. علاوه بر این، از نقطه نظر برنامه ریزی شهری و سیاست گذاری، برنامه ریزان و سیاست گذاران شهری ممکن است بخواهند بدانند چه مقدار از زمین برای اهداف آموزشی، صنعتی یا عمومی استفاده می شود (یعنی کدام مناطق از زمین برای اهداف استفاده می شود. چه اهدافی) به جای اطلاع از اطلاعات توصیفی زمین های بایر، علفزارها، فضاهای شهری و غیره. در داده های سنجش از دور به عنوان مثال، تشخیص بین مسکونی بسیار دشوار است، انواع کاربری های صنعتی یا تجاری. علاوه بر این، این کاربری/پوشش کیفی زمین برای محاسبه مساحت سطح جاده برای تخمین هزینه های تعمیر و نگهداری جاده یا هزینه های برف روبی در داخل شهر مفید است که به دلیل پیچیدگی سازه های چشم انداز مانند درختان سایه دار در داده های سنجش از دور قابل تشخیص نیستند. جاده هاجدول 2 زمین های کمی و کیفی را خلاصه کرده است

شکل 2 . نقشه کیفی کاربری اراضی (منبع: اداره اطلاعات جغرافیایی ژاپن).

جدول 1 . منابع و تولید داده های کمی و کیفی کاربری/پوشش زمین.

جدول 2 . خلاصه ای از داده های کمی و کیفی مورد استفاده در برنامه های کاربردی دنیای واقعی.

استفاده/پوشش داده های مورد استفاده در برنامه های کاربردی دنیای واقعی.

استفاده صحیح از داده های کمی و کیفی مکانی در تجزیه و تحلیل GIS و مدل سازی فضایی مهم است. به عنوان مثال، استفاده از داده های کمی در مسائل برنامه ریزی شهری و سیاست گذاری مناسب نیست، زیرا برنامه ریزی شهری را نمی توان بر اساس تجزیه و تحلیل پیکسل به پیکسل انجام داد، بلکه بیشتر به منطقه به منطقه یا در محدوده اداری نگاه می کند. همچنین استفاده از داده های کیفی در مطالعات زیست محیطی روش مناسبی برای بحث در مورد مسائل زیست محیطی نیست. در این مورد، داده‌های کمی استفاده از زمین مناسب‌تر خواهد بود، زیرا یک یا دو پیکسل داده می‌تواند بر محیط‌زیست، به‌ویژه پوشش گیاهی، آب، زمین‌های بایر، علفزار و پیکسل‌های جنگل تأثیر بگذارد. با این حال، گاهی اوقات ترکیبی از داده های کمی و کیفی مورد نیاز است، به عنوان مثال، برای پرداختن به مسائل زیست محیطی در فرآیند برنامه ریزی شهری.

از نقطه نظر برنامه های کاربردی دنیای واقعی، داده های برداری مبتنی بر GIS به تنهایی نمی تواند برخی از مشکلات فضایی را حل کند، به ویژه در مسائل زیست محیطی که شامل مشکلات در تعیین مکان فضای سبز، چه مقدار از یک منطقه جنگلی است، چه مقدار آب سطحی وجود دارد. و غیره. این به این دلیل است که داده‌های برداری مبتنی بر GIS جهان را به شکل گرافیکی نشان می‌دهند (یعنی جاده‌ها به صورت خطوط، ساختمان‌ها به صورت چندضلعی، ایستگاه‌های اتوبوس به عنوان نقاط و غیره نشان داده می‌شوند). در این طرح نمایش، جغرافیا به معنای “جغرافیایی” به علاوه “گرافیک” است و بنابراین، ما به راحتی می توانیم یک پایگاه داده برای این گرافیک ها بسازیم و آنها را دستکاری کنیم. بنابراین GIS ابزاری قدرتمند برای حل مسائل فضایی است. در مقابل، فناوری سنجش از دور که اغلب به عنوان ژئوانفورماتیک نامیده می شود، از حسگرها استفاده می کند و جهان را به عنوان اطلاعات واقعی ثبت می کند. با این حال، به دلیل ماهیت پیچیده چشم انداز و هزاران میلیون پیکسل مورد نیاز برای توصیف مناظر، ساخت پایگاه داده ای که بتوان از آن برای استخراج اطلاعات از پیکسل ها استفاده کرد، دشوار است. با ادغام اطلاعات سنجش از دور و GIS، می‌توانیم نه تنها از طریق افزایش پردازش گرافیکی، بلکه با فعال کردن پردازش اطلاعات دنیای واقعی، به کاربران اطلاعات مکانی سود ببریم. به عنوان مثال، برای شناسایی کوتاه‌ترین یا سبزترین مسیر، تجزیه و تحلیل در GIS برای ترکیب داده‌های پوشش گیاهی به دست آمده از داده‌های سنجش از دور و مدل داده شبکه جاده GIS مورد نیاز است. با ادغام اطلاعات سنجش از دور و GIS، می‌توانیم نه تنها از طریق افزایش پردازش گرافیکی، بلکه با فعال کردن پردازش اطلاعات دنیای واقعی، به کاربران اطلاعات مکانی سود ببریم. به عنوان مثال، برای شناسایی کوتاه‌ترین یا سبزترین مسیر، تجزیه و تحلیل در GIS برای ترکیب داده‌های پوشش گیاهی به دست آمده از داده‌های سنجش از دور و مدل داده شبکه جاده GIS مورد نیاز است. با ادغام اطلاعات سنجش از دور و GIS، می‌توانیم نه تنها از طریق افزایش پردازش گرافیکی، بلکه با فعال کردن پردازش اطلاعات دنیای واقعی، به کاربران اطلاعات مکانی سود ببریم. به عنوان مثال، برای شناسایی کوتاه‌ترین یا سبزترین مسیر، تجزیه و تحلیل در GIS برای ترکیب داده‌های پوشش گیاهی به دست آمده از داده‌های سنجش از دور و مدل داده شبکه جاده GIS مورد نیاز است.6 ].

اگرچه بسیاری از مطالعات از تجزیه و تحلیل تغییرات کمی کاربری زمین (به عنوان مثال، فرمت شطرنجی) مانند مدل سازی تغییر کاربری، نظارت بر فرآیندهای جنگل زدایی، تجزیه و تحلیل تغییرات پوشش گیاهی، گسترش شهری و غیره استفاده کرده اند، تنها مطالعات کمی در مورد تحلیل تغییرات کیفی وجود دارد. یعنی فرمت برداری). به عنوان مثال، برخی از محققان با معرفی مفاهیم و شاخص هایی مانند مفهوم تقاطع، رویدادهای چندضلعی تولید و ناپدید شدن، بسط، انقباض، اتحاد و تقسیم، شاخص پایداری (SI) و فشردگی، روش های تحلیلی مکانی-زمانی را برای تحلیل تغییر قالب برداری توسعه داده اند. – 10]. این روش‌ها بر ویژگی کیفی و تغییر در ویژگی‌های هندسی که درک فرآیندهای تغییر کاربری اراضی را در برنامه‌ریزی و سیاست‌گذاری شهری بهبود می‌بخشد، متمرکز شده‌اند.

3. نتیجه گیری

داده‌های کمی و کیفی کاربری/پوشش زمین به طور گسترده در مدل‌سازی فضایی مانند تحلیل تغییر کاربری اراضی، مدل‌سازی هیدرولوژیکی، بهداشت و محیط زیست، مدل‌سازی اکولوژیکی، برنامه‌ریزی شهر و شهر، مدیریت تسهیلات عمومی و غیره استفاده می‌شود. فناوری سنجش از دور مبتنی بر شطرنجی اطلاعات دنیای واقعی را در رویکرد کمی ارائه می‌کند و در حالی که سیستم‌های اطلاعات جغرافیایی (GIS) نظریه و روش‌هایی را ارائه می‌کنند که پتانسیل تسهیل توسعه توابع تحلیلی فضایی و مدل‌های مختلف داده‌های GIS را دارند. با این حال، استفاده صحیح از فرمت داده های کاربری/پوشش زمین در مدل سازی فضایی برای تصمیم گیری مناسب مهم است. هدف این مقاله بررسی قالب‌های کاربری/پوشش زمین، منشأ آنها و استفاده مناسب برای مدل‌سازی فضایی و فرآیند تصمیم‌گیری در کاربردهای دنیای واقعی است.

 

منابع

  1. KK Lwin و R. Shibasaki، “نظارت و تجزیه و تحلیل فرآیند جنگل زدایی با استفاده از سنجش از راه دور و GIS: مطالعه موردی در میانمار”، نوزدهمین کنفرانس آسیایی سنجش از دور (ACRS)، مانیل، فیلیپین، 1998.
  2. A. Guisan و NE Zimmermann، «مدل‌های توزیع زیستگاه پیش‌بینی‌کننده در اکولوژی»، مدل‌سازی اکولوژیک، جلد. 135، شماره 2-3، 1379، صص 147-186. doi:10.1016/S0304-3800(00)00354-9
  3. جی ام اسکات، اف. دیویس، بی. کسوتی، آر. نس، بی. باترفیلد، سی. گرووز، اچ. اندرسون، اس. کایکو، اف. دیارچیا، تی سی ادواردز جونیور، جی. اولیمن و جی. رایت، “تحلیل شکاف: رویکرد جغرافیایی برای حفاظت از تنوع زیستی”، تک نگاری های حیات وحش، جلد. 123، 1993، صص 1-41.
  4. TC Edwards Jr., E. Deshler, D. Foster and GG Moisen, “Adequacy of Wildlife Habitat Models Relation for Estimating Spatial Distributions of Terrestrial Vertebrants” Conservation Biology, Vol. 10، شماره 1، 1375، صص 263-270. doi:10.1046/j.1523-1739.1996.10010263.x
  5. SN Miller, DJ Semmens, DC Goodrich, M. Hernandez, RC Miller, WG Kepner and DP Guertin, “The Automated Geospatial Watershed Assessment Tool,” Environmental Modeling and Software, Vol. 22، شماره 3، 1386، صص 365-377. doi:10.1016/j.envsoft.2005.12.004
  6. KK Lwin و Y. Murayama، “مدلسازی پیاده‌روی فضای سبز شهری: ماشین‌حساب امتیاز پیاده‌روی سازگار با محیط زیست،” کامپیوترها، محیط‌زیست و سیستم‌های شهری، جلد. 35، شماره 5، 1390، صص 408-420. doi:10.1016/j.compenvurbsys.2011.05.002  [زمان(های استناد): 1]
  7. Y. Sadahiro and M. Umemura, “A Computational Approach for the Analysis of Changes in Polygon Distributions,” Journal of Geographical Systems, Vol. 3، شماره 2، 1380، صص 137-154. doi:10.1007/PL00011471
  8. C. Robertson, T. Nelson, B. Boots and M. Wulder, “STAMP: Spatial-Temporal Analysis of Moving Polygons,” Journal of Geographical Systems, Vol. 9، شماره 3، 1386، صص 207-227. doi:10.1007/s10109-007-0044-2
  9. Y. Xie and X. Ye, “Comparative Tempo-Spatial Pattern Analysis: CTSPA,” International Journal of Geographic Information Science, Vol. 21، شماره 1، 1386، صص 49-69. doi:10.1080/13658810600894265
  10. سی میزوتانی، «ساخت چارچوب تحلیلی برای تحلیل‌های انتقال کاربری زمین مبتنی بر چندضلعی»، رایانه‌ها، محیط‌زیست و سیستم‌های شهری، جلد. 36، شماره 3، 1391، صص 270-280. doi:10.1016/j.compenvurbsys.2011.11.004
  11. Y. Murayama، “Systematization of Fieldwork Methodology: A Study on Capture, Management, Analysis and Circulation of Geographical Data,” Grant-in-Aid for Scientific Research A, JSPS, 2010.   [Citation Time(s):1]
  12. Y. Murayama و KK Lwin، “برآورد جمعیت شهرهای با رشد سریع در جنوب شرقی آسیا با استفاده از GIS/RS”، کمک مالی برای تحقیقات علمی، JSPS، 2010.   [Citation Time(s):1]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید