خلاصه

شناخت ناهمگونی پوشش زمین برای ارزیابی الگوهای فضایی برای هدایت برنامه ریزی حفاظت ضروری است. یکی از اولویت‌های تحقیقاتی، تعیین کمیت ناهمگونی پوشش زمین با استفاده از معیارهای موثر منظر است. با این حال، به دلیل تنوع انواع پوشش زمین و توزیع متنوع آنها، یک چارچوب سازگار، در مقیاس بزرگتر و استاندارد شده برای استخراج اطلاعات ناهمگونی از این دیدگاه پیچیده هنوز وجود ندارد. در نتیجه، ما یک شاخص پیچیدگی پوشش زمین (LCCI) جدید ایجاد کردیم که بر اساس تئوری اطلاعات است. LCCI شامل دو جنبه اساسی ناهمگونی، ترکیب و پیکربندی است، در نتیجه اطلاعات جامع تری را در مورد الگوهای پوشش زمین نسبت به هر رویکرد متریک واحدی به دست می آورد. در این مطالعه، ما عملکرد LCCI را با سایر معیارهای چشم انداز در دو مقیاس مختلف مقایسه می کنیم و نتایج نشان می دهد که شاخص جدید توسعه یافته ما الگوهای مختلف پوشش زمین را با دقت بیشتری مشخص و متمایز می کند. LCCI یک راه جایگزین برای اندازه گیری تغییرات فضایی توزیع پوشش زمین ارائه می دهد. نقشه های طبقه بندی ناهمگونی پوشش زمین تولید شده با استفاده از LCCI بینش ها و مفاهیم ارزشمندی را برای برنامه ریزی حفاظت منطقه ای ارائه می دهد. بنابراین، LCCI به عنوان یک شاخص ثابت برای تعیین کمیت ناهمگنی پوشش زمین است که با در نظر گرفتن ترکیب و پیکربندی به طور همزمان به روشی تطبیقی ​​عمل می کند. و نتایج نشان می دهد که شاخص جدید توسعه یافته ما الگوهای مختلف پوشش زمین را با دقت بیشتری مشخص و متمایز می کند. LCCI یک راه جایگزین برای اندازه گیری تغییرات فضایی توزیع پوشش زمین ارائه می دهد. نقشه های طبقه بندی ناهمگونی پوشش زمین تولید شده با استفاده از LCCI بینش ها و مفاهیم ارزشمندی را برای برنامه ریزی حفاظت منطقه ای ارائه می دهد. بنابراین، LCCI به عنوان یک شاخص ثابت برای تعیین کمیت ناهمگنی پوشش زمین است که با در نظر گرفتن ترکیب و پیکربندی به طور همزمان به روشی تطبیقی ​​عمل می کند. و نتایج نشان می دهد که شاخص جدید توسعه یافته ما الگوهای مختلف پوشش زمین را با دقت بیشتری مشخص و متمایز می کند. LCCI یک راه جایگزین برای اندازه گیری تغییرات فضایی توزیع پوشش زمین ارائه می دهد. نقشه های طبقه بندی ناهمگونی پوشش زمین تولید شده با استفاده از LCCI بینش ها و مفاهیم ارزشمندی را برای برنامه ریزی حفاظت منطقه ای ارائه می دهد. بنابراین، LCCI به عنوان یک شاخص ثابت برای تعیین کمیت ناهمگنی پوشش زمین است که با در نظر گرفتن ترکیب و پیکربندی به طور همزمان به روشی تطبیقی ​​عمل می کند. نقشه های طبقه بندی ناهمگونی پوشش زمین تولید شده با استفاده از LCCI بینش ها و مفاهیم ارزشمندی را برای برنامه ریزی حفاظت منطقه ای ارائه می دهد. بنابراین، LCCI به عنوان یک شاخص ثابت برای تعیین کمیت ناهمگنی پوشش زمین است که با در نظر گرفتن ترکیب و پیکربندی به طور همزمان به روشی تطبیقی ​​عمل می کند. نقشه های طبقه بندی ناهمگونی پوشش زمین تولید شده با استفاده از LCCI بینش ها و مفاهیم ارزشمندی را برای برنامه ریزی حفاظت منطقه ای ارائه می دهد. بنابراین، LCCI به عنوان یک شاخص ثابت برای تعیین کمیت ناهمگنی پوشش زمین است که با در نظر گرفتن ترکیب و پیکربندی به طور همزمان به روشی تطبیقی ​​عمل می کند.

کلید واژه ها:

ناهمگونی پوشش زمین ; معیارهای چشم انداز ; پیچیدگی ؛ نظریه اطلاعات

1. معرفی

شناخت ناهمگونی فضایی پوشش زمین برای مدل‌سازی فرآیند اکولوژیکی، درک الگوی فضایی و تحلیل تغییرات محیطی بسیار مهم است [ 1 ، 2 ، 3 ، 4 ]. ناهمگونی پوشش زمین یک مفهوم کلیدی علم سیستم زمین است، رشته ای که مدت هاست بر ساختار و الگوهای منطقه ای متمرکز بوده است. ناهمگونی پوشش زمین را می توان به صورت کمی به اشکال مختلف توصیف کرد، مانند تکه تکه شدن [ 5 ]، تنوع [ 6 ]، اتصال [ 7 ] و پیچیدگی [ 89 ]. اخیراً برخی از مطالعات بر ناهمگونی پوشش اراضی از نظر پارامترهای سطح زمین و کیفیت طبقه بندی پوشش اراضی متمرکز شده اند. ، 10] .]. نیاز به اطلاعات منسجم و دقیق در مورد ناهمگونی پوشش زمین برای حمایت از کاربردهای فضایی در مقیاس بزرگ به طور فزاینده ای مورد تایید و تاکید قرار گرفته است [ 11 ]. بنابراین، استخراج اطلاعات استاندارد شده ناهمگونی پوشش اراضی با وضوح خوب و مقیاس های بزرگ برای برآوردن نیازهای دانشمندان و سیاست گذاران ضروری است.
یکی از اولویت‌ها در ارزیابی کمی ناهمگونی پوشش زمین، توسعه و استفاده از معیارهای مختلف چشم‌انداز است که عموماً برای استفاده در مقیاس منطقه‌ای مناسب هستند. در عمل، معیارهای مختلف چشم‌انداز به طور گسترده در یکی از دو دسته، غیرمکانی و فضایی قرار می‌گیرند که به‌ترتیب برای تعیین کمیت ترکیب و پیکربندی ناهمگنی استفاده می‌شوند [12 ] . به عنوان مثال، Riitters از یک متریک موزاییک منظر برای شناسایی ترکیب ناهمگونی پوشش زمین ایالات متحده برای حمایت از ارزیابی قانون برنامه ریزی منابع تجدیدپذیر خدمات جنگل استفاده می کند. 13] .]. EEA (آژانس محیط زیست اروپا) از یک متریک اندازه مش موثر برای تعیین کمیت میزان تکه تکه شدن پوشش زمین اروپا برای برنامه های مختلف برنامه ریزی فعالیت های انسانی و حفاظت پایدار از طبیعت استفاده می کند [14 ] . اگرچه معیارهای منظر برای استخراج اطلاعات ناهمگونی پوشش منطقه ای مفید هستند، اندازه گیری ناهمگنی پوشش زمین در مقیاس های بزرگ هنوز یک کار دشوار است. این به دلیل عوامل متعددی از جمله همبستگی و استحکام معیارهای مختلف و ارزیابی جامع معیارهای چندگانه است [ 15 ]. علاوه بر این، انتخاب شاخص مناسب و ایجاد یک طرح کوانتیزاسیون کامل برای اندازه‌گیری ناهمگونی پوشش زمین در مقیاس بزرگ همچنان یک چالش است.
آنتروپی مفهوم دیگری است که برای اندازه گیری ناهمگونی پوشش اراضی معرفی شده است. مدتهاست که به عنوان یک ابزار عالی برای تخمین پیچیدگی یک سیستم در نظر گرفته شده است [ 16 ، 17 ، 18 ، 19 ]. شاخص های مبتنی بر آنتروپی شانون به طور گسترده ای برای تعیین کمیت ناهمگونی چشم انداز در فضا و زمان استفاده شده است [ 20 ، 21 ، 22 ]. به ویژه، شاخص تنوع شانون (SHDI) یکی از رایج ترین شاخص ها بود [ 23 ، 24] .]. با این حال، آنتروپی مبتنی بر شانون فاقد اطلاعات پیکربندی به دلیل این واقعیت است که فقط اطلاعات یک بعدی را در نظر می گیرد، بنابراین نمی تواند به طور موثر ناهمگنی پوشش زمین را توصیف کند [ 25 ، 26 ]. اگرچه چندین تلاش قبلی برای گسترش آنتروپی شانون برای اندازه گیری پیچیدگی فضایی انجام شده است، این روش ها بر اساس فاصله نسبتاً پیچیده و متنوع بودند [ 26 ، 27 ، 28 ، 29 ، 30 ]]. اخیراً، دو روش کلاس برای اعمال آنتروپی بولتزمن در اکولوژی منظر توسعه داده شده است. کوشمن اولین ایده را ارائه کرد که یک موزاییک منظره را می توان با استفاده از آنتروپی بولتزمن محاسبه کرد، که لبه کل (TE) یک موزاییک منظره را برای اندازه گیری حالت کلان پذیرفت [31 ، 32 ] . مشکل کارایی به دلیل تعداد زیاد امکانات، کاربرد آن را در مناظر واقعی محدود کرد [ 33 ]. روش دیگری برای محاسبه آنتروپی بولتزمن شیب منظر توسط گائو پیشنهاد شد، با اتخاذ یک دیدگاه سلسله مراتبی برای تعریف کلان و ریز حالت [ 34] .]. آنتروپی پیکربندی محاسبه شده توسط آنتروپی بولتزمن می تواند الگوهای مختلف پوشش زمین را متمایز کند و دیدگاه های بیشتری برای درک رابطه پیچیدگی و آنتروپی ارائه دهد. مشخصه آنتروپی بولتزمن توانایی گرفتن ترکیب و اطلاعات پیکربندی یک سیستم است که به نظر می رسد برای کمی سازی چشم انداز مناسب تر است [ 35 ]. یک روش کلی و موثر برای موزاییک منظر و شیب منظر بر اساس آنتروپی بولتزمن برای توسعه مطلوب است.
ناهمگونی پوشش زمین را می توان با اجزای نسبتا کمی مشخص کرد و هر یک را می توان با معیارهای مستقل مناسب اندازه گیری کرد [ 36 ]. دو مؤلفه اصلی شناسایی شد: یک ساختار پوشش زمین ناهمگن تر، که منطقه ای با نسبت های مختلف از انواع پوشش های مختلف است که ناهمگونی ترکیبی نامیده می شود، و یک ساختار فضایی پیچیده تر به نام ناهمگنی پیکربندی. .]. در مطالعات اکولوژیکی، ارزیابی جداسازی مولفه‌های ناهمگونی پوشش زمین، به ویژه تنوع و تکه تکه شدن، در تحقیقات تنوع زیستی و زیست‌محیطی در مقیاس‌های زمانی مختلف اساسی است. با این حال، از آنجایی که هدف این مطالعه مشخص کردن ناهمگنی و شناسایی توزیع ناهمگونی است، ما معیارهای منظر چندگانه را برای ساخت مجموعه‌های شاخص در نظر نمی‌گیریم. در عوض، ما یک روش تطبیقی ​​را برای ترکیب ترکیب پوشش زمین و پیکربندی پوشش زمین برای اطلاعات ناهمگنی جامع اتخاذ می‌کنیم. از آنجایی که استفاده از معیارهای مختلف ممکن است اطلاعات اضافی را به همراه داشته باشد، محدود کردن رویکرد ما به دو معیار، مؤثرترین تفسیر را از ساختار و الگوها تضمین می کند. به عبارت دیگر، هر چه محاسبات پیچیده تر باشد،38 ].
در این مطالعه، یک اقدام به آسانی قابل اجرا برای رسیدگی به فقدان یک چارچوب سازگار و استاندارد شده برای استخراج اطلاعات ناهمگونی در مقیاس‌های فضایی بزرگ پیشنهاد شده‌است. به طور خاص، معیارهای نظری اطلاعات برای ترکیب یک شاخص سازگار، شاخص پیچیدگی پوشش زمین (LCCI)، برای کمی سازی ناهمگنی پوشش زمین در مقیاس بزرگ در وضوح 1 کیلومتر استفاده شد. اهداف اصلی این مطالعه به شرح زیر است: (1) برای توصیف یک روش مناسب برای کمی کردن ویژگی های ناهمگونی پوشش زمین در مقیاس بزرگ. (2) برای ایجاد یک پایگاه داده از ناهمگونی پوشش زمین قاره برای نمونه برداری مکانی در مقیاس بزرگ و ارزیابی زیست محیطی. و (3) برای کشف ویژگی های توزیع ناهمگون قاره های مختلف.
این مقاله به شرح زیر سازماندهی شده است. در بخش 2 ، مشکلات ناهماهنگی در کمیت‌های مقیاس بزرگ ناهمگونی پوشش زمین را نشان می‌دهیم و راه‌حل ارائه می‌کنیم. بخش 3 مفاهیم کلیدی برای ساخت روش شناسی را در این مقاله معرفی می کند. در بخش 4 ، ما نتایج کمی‌سازی را ارائه می‌کنیم و LCCI را با رویکردهای مختلف واحد متریک با استفاده از تحلیل مسیر مقایسه می‌کنیم. بخش 5 خلاصه ای از نتایج و بحث ما را ارائه می دهد و شامل نتیجه گیری ما می شود.

2. ناهمگونی فضایی پوشش زمین: مسائل و راه حل

2.1. مشکلات ناسازگاری در مقیاس های بزرگ

پوشش مستمر فضایی داده‌های رصدخانه زمین و توسعه سریع فناوری‌های اطلاعات جغرافیایی، تحقیقات ناهمگونی پوشش زمین را با هدف به دست آوردن اطلاعات قوی‌تر و مستمر تر تشویق می‌کند. این امر درک بیشتر فرآیندهای اکولوژیکی را تسهیل می کند و توزیع منابع طبیعی ما و پویایی آنها را نظارت می کند. علاوه بر این، ناهمگونی پوشش زمین به طور فزاینده ای در تحقیقات جغرافیایی در مقیاس بزرگ، به ویژه برای پارامترهای سطحی و نمونه برداری فضایی مفید می شود. بنابراین، اندازه‌گیری علمی ناهمگونی در مقیاس بزرگ نیازمند روش‌های کمی جدید است. با توجه به پیچیدگی و تنوع انواع پوشش زمین در یک منطقه بزرگ، استفاده از یک شاخص واحد برای اندازه‌گیری ناهمگنی، مقادیر ناهمگنی پایینی را برای مناطقی که ناهمگنی واقعاً بالا است، به دست می‌آورد.
همانطور که در شکل 1 الف نشان داده شده است، سه منطقه در جهان با درجات مختلف ناهمگنی وجود دارد. منطقه a و منطقه b ترکیب یکسانی دارند، اما به دلیل تفاوت در پیکربندی آنها، درجه ناهمگنی منطقه b از ناحیه a بیشتر است. به طور مشابه، منطقه b و منطقه c دارای تنظیمات نسبتاً پیچیده ای هستند، اما منطقه c از منطقه b متنوع تر است. بنابراین ناهمگونی ناحیه c بیشتر از ناحیه b است. با این حال، با استفاده از معیارهای منظر پیکربندی سنتی مانند شاخص SHDI و تراکم لبه (ED) نشان داده شده در شکل 1ب، تفاوت غیر قابل تشخیص است. این شرایط منجر به مقادیر ناهمگونی متناقض برای کمی‌سازی در مقیاس بزرگ ناهمگونی پوشش زمین می‌شود که حتی در صورت استفاده از سایر معیارهای چشم‌انداز باقی می‌ماند. دلیل اساسی این است که ترکیب و پیکربندی به طور همزمان در نظر گرفته نمی شوند. برای تعیین کمیت ناهمگونی پوشش زمین با دقت بیشتر، در نتیجه پاسخگویی به تقاضا برای برنامه های کاربردی در مقیاس بزرگ، ترکیب موثر ترکیب و شاخص های پیکربندی بسیار مهم است.
به عبارت دیگر، به دلیل شکست فاکتورگیری در ترکیب و پیکربندی، ناهمگنی پوشش زمین که با استفاده از یک شاخص واحد اندازه‌گیری می‌شود، با درجه واقعی ناهمگنی همخوانی ندارد. با گذشت زمان، نوع پوشش زمین یک منطقه ممکن است به نوع پوشش زمین متفاوتی تبدیل شود و در چنین مواردی، ترکیب داده‌های پوشش زمین افزایش می‌یابد، در حالی که پیکربندی ثابت می‌ماند. بنابراین تغییر ممکن است در واقع ناهمگنی این ناحیه را افزایش دهد و مقدار کوانتیزه شده باید این تغییر را منعکس کند. به عنوان مثال، در شکل 2، نوع تبدیل ناهمگونی پوشش زمین را افزایش می دهد، اما استفاده از تنها یک شاخص پیکربندی نمی تواند تفاوت را نشان دهد. اتخاذ دو شاخص مختلف به طور همزمان ممکن است مشکل را حل کند اما برای نظارت در مقیاس بزرگ مناسب نیست.

2.2. راه حل: طراحی شاخص پیچیدگی پوشش زمین (LCCI).

با LCCI، هدف ما ایجاد یک شاخص سازگار از ناهمگونی پوشش زمین است. ترکیب و پیکربندی پوشش زمین به ترتیب پیچیدگی دسته های پوشش زمین و مجاورت ها / توزیع های فضایی را بیان می کند. بنابراین یک اندازه گیری جامع از ناهمگونی پوشش زمین باید هر دو را در نظر بگیرد. برای دستیابی به این هدف، ما (i) یک هیستوگرام همزمان ایجاد کردیم تا ترکیب و پیکربندی را در یک هیستوگرام منفرد بیان کنیم، (2) دو شاخص مبتنی بر آنتروپی به نام‌های آنتروپی حاشیه‌ای و آنتروپی شرطی را کمی کنیم، (iii) متقابل نسبی را محاسبه کنیم. اطلاعات برای اندازه گیری تفاوت بین دو شاخص مبتنی بر آنتروپی، و (iv) شاخص های مبتنی بر آنتروپی را برای ایجاد LCCI ترکیب کرد. در نظر گرفتن همزمان جنبه های مختلف ناهمگونی می تواند نتایج را تثبیت کرده و استحکام را افزایش دهد. علاوه بر این، شاخص‌های مبتنی بر آنتروپی نه تنها همبستگی بین پیکربندی و ترکیب را ثبت می‌کنند، بلکه بر اساس آزمایش‌های تجربی ما، جزئیات پیچیدگی توزیع پچ‌های کوچک را نیز ثبت می‌کنند. با در نظر گرفتن عدم تقارن اطمینان داده ها، ما معیارهای نظری اطلاعاتی را در یک تکنیک ترکیبی پیچیده، که بر اساس وابستگی بین متغیرهای تصادفی است، ترکیب کردیم.
نمودار جریان در شکل 3 فرآیند کمی سازی ناهمگنی را شرح می دهد.

3. روش تطبیقی ​​برای Index Fusion

3.1. شاخص بنیادی اندازه گیری ناهمگنی فضایی مبتنی بر آنتروپی

برای به دست آوردن تنوع (ترکیب) و مجاورت (پیکربندی) ویژگی های ناهمگونی پوشش زمین به طور همزمان، یک رویکرد دو متغیره برای تجزیه و تحلیل دو متغیر اساسی مورد نیاز است [ 39 ]. به منظور توصیف ریاضی هر واحد پوشش زمین، ما یک هیستوگرام همزمان وقوع دو متغیره را که به رنگ رنگ از ماتریس هم‌وقوع سطح خاکستری برای محاسبات بعدی مشخص شده بود استخراج کردیم (شکل 4 ) . هر سطل هیستوگرام همزمانی یک ویژگی مجاورت نوع پوشش زمین است که از دو شبکه همسایه به نام Pij استخراج شده است . ما یک اتصال هشت را به عنوان قانون مجاورت اتخاذ کردیم و برای متمایز کردن سطل‌هایی که از نوع پوشش زمین یکسان هستند اما ترتیب همسایگی متفاوتی مانند Pij وپی جی . معیارهای اطلاعاتی-نظری پایه که برای کمیت ناهمگنی پوشش زمین اعمال می‌شوند به شرح زیر است [ 16 ]:

اچ(y)=-∑j=1nپjلogپj
اچ(y|ایکس)=-∑من=1n∑j=1nپمنjلogپمن→j
اچ(ایکس، y)=∑من=1nپمنjلogپمنj

که در آن H ( y ) آنتروپی استاندارد شانون است که بر اساس جفت سلول ها محاسبه می شود، نه سلول های منفرد. H ( y | x ) آنتروپی شرطی بر اساس احتمالات مشترک Pij و احتمالات مرتبه دوم P ( i → j ) = Pij/Pi است . و H ( x , y ) آنتروپی مشترک قابل محاسبه مستقیم از Pij است که برابر است با H ( y ) به اضافه H ( y | x) اندازه گیری پیچیدگی کلی الگوی پوشش زمین. این سه معیار به ترتیب آنتروپی ترکیب، آنتروپی پیکربندی و آنتروپی مشترک الگوهای پوشش زمین را توصیف می کنند. بسیاری از مطالعات قبلی نشان داده اند که ترکیب و پیکربندی پوشش زمین به شدت همبستگی دارند، اما ماهیت همبستگی، یعنی خطی بودن آن، مشخص نشده است [ 40 ]. توانایی آنتروپی متقابل برای دریافت وابستگی یا ارتباط بین ترکیب و پیکربندی پوشش زمین اخیراً به تلاش‌هایی برای استفاده از آن در نظم‌دهی پیچیده منظر و طبقه‌بندی الگو منجر شده است [41 ] :

من(y، ایکس)=اچ(y)-اچ(y|ایکس)
U=من(y، ایکس)/اچ(y)

که در آن I ( y ، x ) عدم قطعیت متغیر y است که با دانستن متغیر x و U اطلاعات متقابل نسبی کاهش می یابد، که تفاوت بین ترکیب و پیکربندی را اندازه می گیرد. برخی از الگوهای پوشش زمین دارای تنوع بالا (ترکیب) و تکه تکه شدن پایین (پیکربندی) هستند که می تواند منجر به مقادیر بالای U شود . در این مطالعه، ما آن را به عنوان معیاری برای اطمینان ترکیبی اتخاذ کردیم.

3.2. تلفیقی از شاخص های مبتنی بر آنتروپی

یک روش همجوشی برای ترکیب دو شاخص مبتنی بر آنتروپی که جنبه‌های مختلف ناهمگنی، H ( y ) و H ( y | x ) را در یک شاخص نهایی توصیف می‌کنند، اتخاذ شد. از آنجایی که تئوری اطلاعات به عنوان یک چارچوب ثابت مورد استفاده قرار گرفت، عادی سازی مقادیر شاخص برای اطمینان از محدوده قابل مقایسه برای شاخص ها ضروری نبود.

فرآیند همجوشی به این دلیل طراحی شده است که قابلیت اطمینان دو شاخص باید قابل تنظیم باشد تا الگوهای پیچیده پوشش زمین را در خود جای دهد. ممکن است شاخص ها ناقص باشند. بنابراین، کارشناس باید عیوب آنها را در نظر بگیرد و از این طریق یک اعتماد جزئی را مشخص کند [ 42]. در فرآیند همجوشی، شاخص‌های با اعتماد جزئی متناسب با اعتماد آنها به نتیجه وزن می‌شوند. ترکیب متنوع ممکن است منجر به یک پیکربندی پیچیده شود و هر دو آنتروپی ترکیب و پیچیدگی پیکربندی عموماً به عنوان شاخص‌های اعتماد برای ساخت نشانگر نهایی عمل می‌کنند. با این حال، در برخی موقعیت‌های دنیای واقعی، پوشش زمین دارای ارزش تنوع بالا اما الگوی هندسی ساده است که باعث می‌شود شاخص ترکیب به عنوان شاخص اعتماد شکست بخورد (ناهمگونی کم است در حالی که ارزش تنوع زیاد است). علاوه بر این، هر دو شاخص نمی توانند الگوهای وصله کوچک را ثبت کنند. برای بهبود دقت کمیت ناهمگنی در این شرایط، یک پارامتر اطلاعات متقابل نسبی U برای قضاوت در مورد اعتماد شاخص‌ها معرفی کردیم. مطالعات تجربی نشان داد کهU معرفی کردیم. یک مرجع مناسب برای اندازه گیری تفاوت بین ترکیب و پیکربندی [ 41 ] است. ما قانون زیر را اعمال کردیم: هر دو H ( y ) و H ( y | x ) برای بیان ویژگی‌های مختلف ناهمگونی پوشش زمین در نظر گرفته می‌شوند. با این حال، اگر مقدار U به مراتب بیشتر از 0 باشد، فرض می‌کنیم که H ( y ) ناهمگونی پوشش زمین را به‌طور دقیق توصیف نمی‌کند و ناهمگنی واقعی کمتر از توصیف لایه ترکیب است. ما ( 1-U ) را به عنوان یک وزن تطبیقی ​​برای تنظیم این تفاوت در مقیاس 1 کیلومتر بر اساس تجربه متخصص و تعداد زیادی آزمایش تعریف می‌کنیم. اگر Uنزدیک به 0 است، الگوی پوشش زمین پیچیده تر از آن چیزی است که نتیجه تک لایه نشان می دهد.

Lسیسیمن=(1-U)*اچ(ایکس، y)
روش همجوشی به مقادیر بالاتری برای الگوهای پوشش زمین پیچیده منجر می شود. در این مورد، H ( y ) و H ( y | x ) به یک اندازه قابل اعتماد هستند، و U ممکن است به عنوان اطلاعات نسبی برای افزایش ارزش پیچیدگی پوشش زمین استفاده شود، زیرا تعامل ترکیب و پیکربندی را اندازه می‌گیرد.

4. آزمایش و تجزیه و تحلیل

4.1. مجموعه داده ها و طرح کوانتیزاسیون

در این مطالعه از مجموعه داده GlobeLand30-2010 با وضوح خوب 30 متر برای استخراج ویژگی‌های ناهمگونی پوشش زمین استفاده شد. مجموعه داده شامل ده کلاس سطح اول، یعنی زمین کشت شده، جنگل، علفزار، بوته زار، تالاب، آب، تاندرا، سطوح مصنوعی، زمین برهنه و برف/یخ دائمی برای سال های 2000 و 2010 است. در این مطالعه، ما از نقشه 2010 استفاده کرد ( برای افسانه دقیق به https://www.globallandcover.com مراجعه کنید). نقشه‌ها از تصاویر ماهواره‌ای Landsat و HJ-1 با رویکرد مبتنی بر دانش مبتنی بر پیکسل (POK) استخراج شده‌اند که نتایج اعتبارسنجی اولیه برای دقت طبقه‌بندی کلی بیش از 80 درصد در سال 2010 بود.
کمی سازی ناهمگونی پوشش زمین در نسخه ArcGIS 10.1 [ 43 ] با استفاده از اسکریپت های پایتون ( https://www.python.org ) انجام شد . داده های GlobeLand30 ابتدا به واحدهای معمولی 1 کیلومتر × 1 کیلومتر با هزینه محاسباتی کمتر از واحدهای اصلی برای کمی سازی و تجزیه و تحلیل زیر تقسیم شدند. این مربع های 1 کیلومتر × 1 کیلومتر به صورت تجربی برای تجزیه و تحلیل چشم انداز در مقیاس بزرگ تعیین شدند [ 44]، و هر واحد تقریباً با 34 × 34 پیکسل از GlobeLand30 همپوشانی دارند. این واحدهای ساده یک آرایه سلولی را تشکیل می دادند و هر واحد حاوی محتوای پیچیده بود. در مرحله بعد، ما این واحدهای بلوک را به عنوان واحدهای ابتدایی برای تجمع ناهمگونی هر کشور به کار گرفتیم. متعاقباً، اطلاعات ترکیب، پیکربندی و پیچیدگی را به طور جداگانه از واحدهای دارای داده‌های معتبر استخراج کردیم. در نهایت، نتایج پیچیدگی پوشش زمین برای درک بصری نقشه‌برداری شد.
داده‌های واقعی پوشش زمین در دو مقیاس، محلی و قاره‌ای، برای اعتبارسنجی مدل همجوشی مبتنی بر آنتروپی انتخاب شدند که با بررسی توانایی LCCI برای تعیین کمیت ویژگی‌های پیچیدگی پوشش زمین انجام شد. از آنجا که هدف روش همجوشی کمی کردن پیچیدگی پوشش زمین است، ما عملکرد LCCI را با دو شاخص پیشنهادی برای اندازه‌گیری دو جنبه اساسی ناهمگونی پوشش زمین مقایسه کردیم. علاوه بر این، ما عملکرد LCCI را با یکی از شاخص‌های رایج مورد استفاده که به شدت با آن همبستگی دارد مقایسه کردیم تا عملکرد برتر LCCI در مورد استخراج اطلاعات ناهمگنی پوشش زمین جامع را تأیید کنیم.

4.2. اعتبار سنجی LCCI

در مجموع، 36 نوع الگوی واقعی پوشش زمین از نقاط مختلف جهان به عنوان مجموعه داده ارزیابی برای آزمایش سازگاری مدل ما برای کمی سازی ناهمگونی پوشش زمین استفاده شد. داده‌های ارزیابی مورد استفاده برای کمی‌سازی ناهمگنی معمولاً دو ویژگی زیر را داشتند: اول، آنها درجات مختلفی از ناهمگونی و بنابراین الگوهای پیچیده پوشش زمین را نشان می‌دهند. دوم، تفاوت آنها در ناهمگونی را می توان با چشم غیر مسلح تشخیص داد. برای هر یک از 36 نوع الگو، ما LCCI و دو معیار ناهمگنی رایج‌ترین مورد استفاده را محاسبه کردیم: ED به عنوان متریک پیکربندی و SHDI به عنوان متریک ترکیبی. برای هر شاخص، ما مقادیر را به پنجک (20 درصد)، که به عنوان کلاس های 1 تا 5 نامیده می شود، مرتب کردیم. کلاس 1 نشان دهنده 20 درصد اولیه است، بیانگر کمترین ناهمگونی پوشش زمین است. کلاس 5 آخرین 20 درصد را نشان می دهد که بیشترین توزیع پیچیده پوشش زمین را بیان می کند.شکل 5 کاشی‌هایی را نشان می‌دهد که برای هر شاخص در آن پنجک قرار می‌گیرند و به ترتیب افزایش مقدار نشان داده شده‌اند. مجموعه داده ارزیابی با استفاده از برچسب ترتیب H(y) علامت گذاری می شود .
داده های ارزیابی نشان داده شده در شکل 5ناهمگونی های متفاوت پوشش زمین را برای سه معیار مختلف نشان می دهد. بر اساس بازرسی بصری، به نظر می رسد SHDI با افزایش تنوع توزیع پوشش زمین افزایش می یابد. علاوه بر این، ناهمگونی های مختلف پوشش زمین مقادیر SHDI مشابهی داشتند (به کلاس 2، #12 و #9 مراجعه کنید). چگالی لبه برای تضاد با SHDI انتخاب شد نه تنها به این دلیل که پیکربندی فضایی ناهمگنی را اندازه می‌گیرد، بلکه به این دلیل که اطلاعات مرزی پیچیده را استخراج می‌کند، شبیه به هیستوگرام همزمانی، که فعل و انفعالات اکولوژیکی مختلف را با انواع مختلفی از موزاییک‌ها متصل می‌کند. بر اساس بازرسی بصری، به نظر می رسد افزایش ED با افزایش پیچیدگی ناهمگونی پیکربندی پوشش زمین مطابقت دارد. توزیع پوشش زمین از ساده به پیچیده تغییر کرد، اما واحدهایی با مقادیر مشابه و طبقه بندی شده بر اساس درجات ناهمگنی مشابه، در برخی موارد، درجات متفاوتی از ناهمگنی را نشان می دهند (به کلاس 1، #2 و #19 مراجعه کنید). چندین تناقض از این دست در آنها مشهود استشکل 5 .
بنابراین، اطلاعات ناهمگونی به دست آمده از SHDI و ED به طور کامل ویژگی های پیچیدگی ذاتی را نشان نمی دهد (به کلاس 1، که در آن ED عمدتاً توسط کلاس صدک 1 طبقه بندی می شود، و کلاس 4، که در آن SHDI الگوهای آشکارا متفاوتی را نشان می دهد، مراجعه کنید). از سوی دیگر، LCCI قادر به تشخیص الگوهای مختلف پوشش زمین بود (هنگام مقایسه LCCI، SHDI، و ED در هر طبقه‌بندی، LCCI هر صدک را به طور همگن طبقه‌بندی کرد). این نتایج نشان می‌دهد که LCCI بهتر از شاخص‌های SHDI و ED عمل می‌کند و مناسب بودن آن را برای کمی‌سازی ناهمگونی پوشش زمین اعلام می‌کند. با در نظر گرفتن ترکیب پوشش زمین و اطلاعات پیکربندی، اطلاعات ناهمگونی غنی‌تری را نسبت به شاخص‌های منفرد دریافت می‌کند. در همین حال،

4.3. روابط بین LCCI و متریک چشم انداز

علاوه بر SHDI و ED، هفت معیار مربوط به شکل وصله، اندازه و اتصال برای تجزیه و تحلیل مسیر به منظور ارزیابی بیشتر کیفیت LCCI انتخاب شدند. معیارهای چشم انداز انتخاب شده عبارتند از تراکم وصله (PD)، بزرگترین شاخص وصله (LPI)، شاخص پیوستگی وصله (COHE)، شاخص تجمع (AI)، بعد فراکتال (FRAC)، شاخص تقسیم چشم انداز (DIVISI) و شاخص تقسیم (SPLIT). این معیارها معمولاً به عنوان معیارهای ناهمگونی در مطالعات مقیاس منطقه ای و محلی استفاده می شوند [ 45 ، 46 ، 47 ]. معیارهای انتخاب شده توسط FRAGSTAT 4.2 در همان سطح مناظر محاسبه شد. تحلیل مسیر با استفاده از ماژول مدل سازی معادلات ساختاری آموس [ 48] انجام شد]. تجزیه و تحلیل مسیر می تواند تعامل بین متغیرهای وابسته و مستقل (همبستگی) را به مستقیم (ضریب مسیر) و اثرات غیر مستقیم (ضریب مسیر غیر مستقیم) تجزیه کند.
همبستگی و ضرایب مسیر بین LCCI و 9 متریک چشم انداز در فهرست شده است جدول 1 فهرست شده است.. نتایج تجزیه و تحلیل همبستگی نشان می‌دهد که LCCI به شدت با ED و PD و ارتباط متوسطی با SHDI داشت. علاوه بر این، LCCI به شدت با هوش مصنوعی و COHE، دو معیار طبقه بندی شده به عنوان شاخص های تجمع، همبستگی منفی داشت. نتایج تحلیل مسیر نشان می‌دهد که LCCI بالاترین ضریب مسیر مستقیم را با ED دارد، به این معنی که یک رابطه نزدیک بین LCCI و ED وجود دارد. ضریب مسیر مستقیم بین AI و LCCI بیشتر از 0.5 بود که نشان می دهد AI تأثیر مستقیم زیادی بر LCCI دارد. ED یک متریک پیکربندی ناهمگونی پوشش زمین است و فراوانی مرز را اندازه‌گیری می‌کند و هوش مصنوعی یک متریک تجمیع است که پیچیدگی پوشش زمین را اندازه‌گیری می‌کند. بنابراین پیچیدگی بالاتر پوشش زمین توسط مقادیر بالاتر ED و AI منعکس شد. ضریب مسیر مستقیم PD در 0.115 پایین بود. اما ضریب مسیر غیر مستقیم با واسطه ED در 0.683 بالا بود. ضرایب مشابهی برای SHDI، DIVISI و SPILLED با واسطه ED مشاهده شد. این عملکرد PD، SHDI، DIVISI، و SPILLED نشان می‌دهد که تأثیر آنها بر LCCI از طریق ED نسبتاً مهم بوده است. ضریب مسیر مستقیم و مقادیر ضریب مسیر غیرمستقیم COHE، با واسطه ED، به LCCI به ترتیب 222/0- و 657/0- بودند که نشان دهنده رابطه منفی بین COHE و LCCI است. FRAC با LCCI همبستگی ضعیفی داشت، همانطور که با مقادیر کم کمتر از 0.5 از ضرایب مسیر مستقیم و غیر مستقیم نشان داده شده است. LPI با LCCI و همه ضرایب مسیر غیرمستقیم کمتر از 0.5 همبستگی منفی داشت که نشان دهنده رابطه ضعیف با LCCI است. و SPILLED با واسطه ED. این عملکرد PD، SHDI، DIVISI، و SPILLED نشان می‌دهد که تأثیر آنها بر LCCI از طریق ED نسبتاً مهم بوده است. ضریب مسیر مستقیم و مقادیر ضریب مسیر غیرمستقیم COHE، با واسطه ED، به LCCI به ترتیب 222/0- و 657/0- بودند که نشان دهنده رابطه منفی بین COHE و LCCI است. FRAC با LCCI همبستگی ضعیفی داشت، همانطور که با مقادیر کم کمتر از 0.5 از ضرایب مسیر مستقیم و غیر مستقیم نشان داده شده است. LPI با LCCI و همه ضرایب مسیر غیرمستقیم کمتر از 0.5 همبستگی منفی داشت که نشان دهنده رابطه ضعیف با LCCI است. و SPILLED با واسطه ED. این عملکرد PD، SHDI، DIVISI، و SPILLED نشان می‌دهد که تأثیر آنها بر LCCI از طریق ED نسبتاً مهم بوده است. ضریب مسیر مستقیم و مقادیر ضریب مسیر غیرمستقیم COHE، با واسطه ED، به LCCI به ترتیب 222/0- و 657/0- بودند که نشان دهنده رابطه منفی بین COHE و LCCI است. FRAC با LCCI همبستگی ضعیفی داشت، همانطور که با مقادیر کم کمتر از 0.5 از ضرایب مسیر مستقیم و غیر مستقیم نشان داده شده است. LPI با LCCI و همه ضرایب مسیر غیرمستقیم کمتر از 0.5 همبستگی منفی داشت که نشان دهنده رابطه ضعیف با LCCI است. با واسطه ED، به LCCI به ترتیب -0.222 و -0.657 بود، که نشان دهنده یک رابطه منفی بین COHE و LCCI است. FRAC با LCCI همبستگی ضعیفی داشت، همانطور که با مقادیر کم کمتر از 0.5 از ضرایب مسیر مستقیم و غیر مستقیم نشان داده شده است. LPI با LCCI و همه ضرایب مسیر غیرمستقیم کمتر از 0.5 همبستگی منفی داشت که نشان دهنده رابطه ضعیف با LCCI است. با واسطه ED، به LCCI به ترتیب -0.222 و -0.657 بود، که نشان دهنده یک رابطه منفی بین COHE و LCCI است. FRAC با LCCI همبستگی ضعیفی داشت، همانطور که با مقادیر کم کمتر از 0.5 از ضرایب مسیر مستقیم و غیر مستقیم نشان داده شده است. LPI با LCCI و همه ضرایب مسیر غیرمستقیم کمتر از 0.5 همبستگی منفی داشت که نشان دهنده رابطه ضعیف با LCCI است.

4.4. کاربرد در مقیاس بزرگ: مثال آفریقا

بر اساس روش همجوشی مبتنی بر آنتروپی، ما یک شاخص جامع برای تعیین کمیت پیچیدگی پوشش زمین در محیط‌های محلی ایجاد کردیم. نتایج تحلیل مسیر نشان داده شده در جدول 1 نشان می دهد که ED نزدیک ترین رابطه را با LCCI دارد. این همخطی قوی انتظار می رفت زیرا هر دو معیار مبتنی بر مرز هستند. همبستگی متوسط ​​SHDI و LCCI باعث می‌شود SHDI یک شاخص مکمل باشد که بتواند جنبه‌های مختلف ناهمگونی پوشش زمین را به تصویر بکشد و الگوهای پوشش زمین را به‌طور قابل توجهی متفاوت نشان دهد.
LCCI همجوشی نه تنها تفاوت فضایی پیکربندی پوشش زمین را به تصویر می‌کشد، بلکه تنوع اطلاعات نوع پوشش زمین را نیز در نظر می‌گیرد، حتی برای مکان‌هایی که با ED متریک منظر سنتی به عنوان دارای ناهمگنی‌های مشابه طبقه‌بندی می‌شوند (شکل 6 ) . نتایج تجمیع در سطح کشور نشان می‌دهد که LCCI اطلاعات ناهمگونی غنی‌تری نسبت به ED واحد متریک به دست می‌آورد ( جدول 2 را ببینید ؛ آفریقای جنوبی و سومالی دارای سطوح تقسیم‌بندی مشابه اما سطوح تنوع متفاوت هستند که منجر به سطوح پیچیدگی متفاوت می‌شود). اندازه‌گیری تجمع نشان می‌دهد که معیارهای سازگار ناهمگونی پوشش زمین ممکن است برای برنامه‌ریزی حفاظت در مقیاس بزرگ یا پارامترهای نمونه‌برداری فضایی مناسب‌تر باشد.
ما پنج سطح ناهمگنی را در آفریقا با استفاده از LCCI شناسایی کردیم ( جدول 3 ). سطوح ناهمگونی متغیر توزیع نابرابر الگوهای فضایی را در آفریقا نشان می دهد ( شکل 7 ). بیشتر مناطق با ناهمگنی بالا در مناطق طبیعی یا مختلط متمرکز شده اند. ناهمگونی اراضی مصنوعی و کشاورزی به دلیل برنامه ریزی دست ساز انسان کم است. به طور کلی، ناهمگونی پوشش زمین آفریقا مشهود نیست. در سواحل شرق آفریقا، ناهمگونی هم تنوع و هم پراکندگی بالایی را نشان می دهد، که نشان می دهد منطقه ساحلی دارای الگوی پیچیده ای است و باید در برنامه ریزی و نظارت بیشتر توجه شود.

5. خلاصه و نتیجه گیری

معمولاً به نظر می رسد که ناهمگونی پوشش زمین به راحتی توسط معیارهای چشم انداز به تصویر کشیده می شود. شاخص های متعددی برای تعیین کمیت ناهمگونی پوشش زمین با توصیف ویژگی هایی مانند تراکم، بافت، اندازه و مساحت استفاده شده است. با این حال، انتخاب یک روش مناسب برای کمی سازی قوی در مقیاس جهانی هنوز چالش برانگیز است، زیرا هیچ شاخص واحدی نمی تواند به اندازه کافی کل طیف ویژگی های فضایی را در نظر بگیرد. 36]]. در این مطالعه، یک شاخص سازگار برای کمیت ناهمگنی پوشش زمین در مقیاس بزرگ بر اساس تئوری اطلاعات توسعه داده شد. این اندازه گیری به طور موثر اطلاعات جامع تری را برای تشخیص تنوع فضایی توزیع پوشش زمین در سطح قاره استخراج می کند. نتایج تجربی ما نشان می‌دهد که LCCI، یک شاخص استاندارد و هماهنگ، ممکن است پارامتر کاندید خوبی برای ملاحظات نمونه‌گیری مکانی در مقیاس بزرگ از ویژگی‌های ناهمگنی باشد [ 49 ، 50 ، 51]]. یکی از مزیت‌های LCCI چارچوب تئوری اطلاعات سازگار آن است زیرا نیاز به استانداردسازی را از بین می‌برد، در حالی که معیارهای چشم‌انداز با محدوده‌های مقادیر متعدد و همبستگی‌های قوی بین یکدیگر مشخص می‌شوند که حذف افزونگی را ضروری می‌کند [52 ] . علاوه بر این، وضوح متوسط ​​مجموعه داده پوشش زمین می‌تواند ویژگی‌ها را در هر مقیاسی ثبت کند، مشروط بر اینکه بیشتر از 30 متر باشد، برای تجزیه و تحلیل، و قابلیت به‌روزرسانی موقت و دسترسی آسان به داده‌ها باید کاربردهای داده ناهمگونی پوشش زمین را در حفاظت از محیط زیست ارتقا دهد.
مزیت مهم دیگر LCCI مبتنی بر آنتروپی این است که اطلاعات ناهمگنی فراوان‌تری را در مقایسه با معیارهای منفرد چشم‌انداز با استفاده از رویکرد همجوشی استخراج می‌کند، بنابراین اطلاعات را با موفقیت نزدیک‌تر به ناهمگنی واقعی سطح می‌گیرد. این امر به ویژه برای تحقیقات بوم شناسی چشم انداز مهم است. در یک واحد نمونه‌برداری، همان پیکربندی پوشش زمین ممکن است مقادیر LCCI بالاتری داشته باشد که توزیع‌های نوع پوشش زمین غنی‌تر و ترتیبات پیچیده‌تر را شناسایی می‌کند. در چنین مناطقی، اثرات لبه ممکن است منجر به زیستگاه های ناپایدار شود. یک مطالعه اخیر نشان داد که موزاییک های ناهمگن پوشش زمین ممکن است به عنوان کلاس های جداگانه نمایش داده شوند. 4]. با اندازه گیری ناهمگونی با استفاده از LCCI، الگوهای پوشش زمین مشابهی را می توان شناسایی کرد که اطلاعات ارزشمندی را به توسعه دهندگان مربوطه ارائه می دهد.
ارزیابی و مقایسه کامل برای همه شاخص های کمی فراتر از هدف این مطالعه است. در عوض، شاخص SHDI به دلیل سادگی محاسباتی و سهولت تفسیر آن به عنوان یک معیار ترکیب پایه برای اعتبار سنجی LCCI انتخاب شد. نتایج نشان می دهد که SHDI همیشه پیچیدگی ترکیبی واحدهای 1 کیلومتر × 1 کیلومتر را بیان نمی کند. این به این دلیل است که نه تنها تنوع انواع پوشش زمین بلکه یکنواختی توزیع ها را نیز استخراج می کند. بنابراین، تعداد کمی از کلاس‌ها با توزیع زوج ممکن است مقادیر SHDI بالایی داشته باشند، حتی اگر آن مناطق در واقع مناطق با تنوع بالا نیستند. به عنوان یک شاخص نسبی برای ارزیابی تغییر ناهمگونی در همان منطقه در دوره های مختلف، همچنان عالی است. با این حال، تنوع پوشش زمین، باید از طریق طبقه بندی صریح انواع موزاییک در آینده به طور کامل مورد بررسی قرار گیرد. برای تعیین کمیت ناهمگنی پیکربندی، شاخص ED در مقایسه با معیارهای مبتنی بر پچ مناسب‌ترین است، زیرا به راحتی قابل محاسبه است، که یک مزیت بزرگ است. با این حال، شاخص ED اطلاعات پچ را نادیده می گیرد، که منجر به دست کم گرفتن ناهمگنی می شود. قابل توجه است که اگرچه LCCI با معیارهای ED، PD، SHDI و SPILLED همبستگی مثبت دارد، همانطور که با تجزیه و تحلیل مسیر نشان داده شده است، معانی LCCI با آنها متفاوت است زیرا ناهمگونی پوشش زمین را با ادغام ترکیب کمی می کند. و پیکربندی به طور همزمان از آنجایی که LCCI اطلاعات جامع ناهمگونی پوشش زمین را فراهم می کند و بنابراین میزان واقعی ناهمگنی را با دقت بیشتری نشان می دهد.
درک نقش کلیدی مقیاس فضایی در تحلیل جغرافیا ضروری است [ 53 ]. هیچ مقیاس اندازه گیری بهینه ای وجود ندارد زیرا الگوهای پوشش زمین به طور طبیعی وابسته به مقیاس هستند [ 13 ]. مقیاس باید بر اساس حداقل یک اصل انتخاب شود – مقیاس باید به اندازه کافی بزرگ باشد که برای یک واحد چشم انداز باشد و ویژگی های ناهمگونی را منعکس کند [ 54 ]. مطالعات قبلی نشان داده است که مقیاس 1 کیلومتر مربع برای مطالعه ناهمگونی پوشش زمین در مقیاس های کشوری و قاره ای مفید است [ 55 , 56]]. در مقیاس قاره‌ای، ما سلول‌های مربعی 1 کیلومتر × 1 کیلومتر را برای این مطالعه انتخاب کردیم، زیرا این اندازه واحد برای نمایش مناظر محلی معمول است و با جمع‌آوری معیارهای موجود، از تحلیل بعدی در سطح ملی پشتیبانی می‌کند. علاوه بر این، وضوح اندازه انتخاب شده (1 کیلومتر) امکان نمونه‌برداری مجدد آسان از داده‌های اجتماعی-اقتصادی (1 کیلومتر) را برای تغییر ناهمگونی آینده و تحقیقات نیروی محرکه مرتبط فراهم می‌کند.
مجموعه داده GlobeLand30 برای سال 2010 برای استخراج ویژگی های ناهمگونی آفریقایی استفاده شد. با این حال، دقت GlobeLand30 منجر به عدم قطعیت در ویژگی‌های ناهمگونی می‌شود، و از این رو، طبقه‌بندی اشتباه داده‌های پوشش زمین اجتناب‌ناپذیر است. داده‌های ناهمگونی استخراج‌شده مستقیماً از داده‌های سنجش از دور ممکن است راه‌حل رضایت‌بخشی برای تحقیقاتی باشد که به داده‌های ناهمگونی با دقت بالا نیاز دارد. یک مطالعه اخیر دقت نقشه برداری پوشش زمین را با خوشه بندی انواع ناهمگونی پوشش زمین، که به بهبود دقت طبقه بندی نقشه برداری پوشش زمین مبتنی بر سنجش از دور کمک کرد [57] بهبود بخشید .]. در این مطالعه، اطلاعات ناهمگونی را برای تحلیل تغییرات فضایی استخراج کردیم. برای پایش محیطی، به دست آوردن ناهمگنی هر کلاس ضروری است و موفقیت آن به دقت طبقه بندی بستگی دارد.
به طور کلی، LCCI یک شاخص جدید است که می تواند اطلاعات دقیقی در مورد ناهمگونی پوشش زمین برای حمایت از برنامه ریزی منطقه ای و ارزیابی اکولوژیکی ارائه دهد. با ادغام وقوع تفاوت‌های پوشش زمین بین شبکه‌های همسایه و تئوری اطلاعات، ما (i) LCCI را پیشنهاد می‌کنیم، یک طرح سازگار برای کمی کردن ناهمگونی پوشش زمین و (ii) ایجاد پایگاه‌داده‌ای از داده‌های ناهمگنی-عنصری پوشش زمین در مقیاس قاره. برای پایش توسعه پایدار و تحلیل جغرافیایی. علاوه بر این، عملکرد معیارهای انتخاب شده در مقیاس‌های منطقه‌ای و قاره‌ای مورد ارزیابی قرار گرفت و LCCI با ترکیب اطلاعات ترکیب و پیکربندی، استحکام خصوصیات و تمایز الگوی پوشش زمین را افزایش داد. در همین حال، نتایج ما دقت بهبود یافته ای را در مقایسه با رویکردهای تک متریک نشان می دهد. ما انتظار داریم که کار ما با ارائه داده های مستقیم تر به نظارت بر پایداری زیست محیطی و برنامه ریزی حفاظت در مقیاس بزرگ کمک کند. کار آینده تلاش خواهد کرد تا شاخص مبتنی بر آنتروپی ما را برای استخراج مناطق همگن پوشش زمین در مقیاس‌های چندگانه اعمال کند، که آمار فضایی را ساده‌سازی می‌کند، کارایی آنها را افزایش می‌دهد و معنی‌دار تحلیل را بهبود می‌بخشد.

منابع

  1. اسکیدمور، AK; پتورلی، ن. Coops، NC; گلر، GN; هانسن، ام. Lucas, R. Environmental Science: توافق بر روی معیارهای تنوع زیستی برای ردیابی از فضا. طبیعت 2015 ، 523 ، 403-405. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  2. Tuanmu، M.-N.; Jetz، WA توصیف جهانی مبتنی بر سنجش از دور ناهمگونی زیستگاه زمینی برای تنوع زیستی و مدل‌سازی اکوسیستم. گلوب. Ecol. Biogeogr. 2015 ، 24 ، 1329-1339. [ Google Scholar ] [ CrossRef ]
  3. یو، کیو. هو، کیو. ون ولیت، جی. وربورگ، پی اچ. Wu، W. GlobeLand30 از دست دادن سطح زمین زراعی کمی را نشان می دهد اما تکه تکه شدن بیشتر در چین را نشان می دهد. بین المللی J. Appl. زمین Obs. 2018 ، 66 ، 37-45. [ Google Scholar ] [ CrossRef ]
  4. وربورگ، پی اچ. نویمان، ک. Nol، L. چالش ها در استفاده از داده های کاربری و پوشش زمین برای مطالعات تغییر جهانی. گلوب. چانگ. Biol. 2011 ، 17 ، 974-989. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. لی، اس. یانگ، ب. معرفی یک روش جدید برای ارزیابی فرآیندهای صریح فضایی تکه تکه شدن چشم انداز. Ecol. اندیک. 2015 ، 56 ، 116-124. [ Google Scholar ] [ CrossRef ]
  6. شیندلر، اس. فون وهردن، اچ. پویرازیدیس، ک. هوچاچکا، WM; وربکا، ت. کتی، وی. عملکرد روش‌ها برای انتخاب معیارهای چشم‌انداز برای مدل‌سازی غنای گونه‌ای. Ecol. مدل. 2015 ، 295 ، 107-112. [ Google Scholar ] [ CrossRef ]
  7. هرناندز، آ. میراندا، م. آرلانو، EC; ساورا، اس. Ovalle، C. پویایی منظر و تأثیر آنها بر اتصال عملکردی یک چشم انداز مدیترانه ای در شیلی. Ecol. اندیک. 2015 ، 48 ، 198-206. [ Google Scholar ] [ CrossRef ]
  8. Parrott, L. اندازه گیری پیچیدگی اکولوژیکی. Ecol. اندیک. 2010 ، 10 ، 1069-1076. [ Google Scholar ] [ CrossRef ]
  9. چن، اف. چن، جی. وو، اچ. هو، دی. ژانگ، دبلیو. ژانگ، جی. ژو، ایکس. چن، ال. یک رویکرد نمونه‌گیری مبتنی بر شاخص شکل منظر برای ارزیابی دقت پوشش زمین. علمی علوم زمین چین 2016 ، 59 ، 2263-2274. [ Google Scholar ] [ CrossRef ]
  10. تران، تی. جولیان، جی. de Beurs, K. اثرات ناهمگونی پوشش زمین بر طبقه بندی زیر پیکسل و هر پیکسل. ISPRS Int. J. Geo.-Inf. 2014 ، 3 ، 540-553. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. کوکران، اف. دانیل، جی. جکسون، ال. نیل، A. شاخص های خدمات اکوسیستم مبتنی بر رصد زمین برای گزارش ملی و زیرملی از اهداف توسعه پایدار. سنسور از راه دور محیط. 2020 , 244 , 111796. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. گوستافسون، EJ کمی سازی الگوی فضایی منظر: وضعیت هنر چگونه است؟ اکوسیستم ها 1998 ، 1 ، 143-156. [ Google Scholar ] [ CrossRef ]
  13. Riitters، KH الگوهای فضایی پوشش زمین در ایالات متحده: یک سند فنی برای پشتیبانی از خدمات جنگلی 2010 ارزیابی RPA ; ژنرال فنی SRS–136; وزارت خدمات جنگلداری کشاورزی، ایستگاه تحقیقاتی جنوبی: آشویل، NC، ایالات متحده آمریکا، 2011; 64p
  14. جیگر، JAG; مادرینان، تکه تکه شدن چشم انداز LF در اروپا ; گزارش مشترک EEA-FOEN؛ آژانس محیط زیست اروپا، دفتر انتشارات اتحادیه اروپا: لوکزامبورگ، 2011; ص 20-46. ISSN 1725-9177. [ Google Scholar ] [ CrossRef ]
  15. دیل، وی.اچ. Kline، KL مسائلی در استفاده از شاخص های منظر برای ارزیابی تغییرات زمین. Ecol. اندیک. 2013 ، 28 ، 91-99. [ Google Scholar ] [ CrossRef ]
  16. Nalewajski، RF عناصر نظریه اطلاعات. در دیدگاه های نظریه سازه های الکترونیکی ; Springer: برلین/هایدلبرگ، آلمان، 2012; صص 371-395. [ Google Scholar ] [ CrossRef ]
  17. پرولکس، آر. Parrott, L. اندازه گیری پیچیدگی ساختاری در تصاویر دیجیتال برای نظارت بر امضای اکولوژیکی یک اکوسیستم جنگلی قدیمی. Ecol. اندیک. 2008 ، 8 ، 270-284. [ Google Scholar ] [ CrossRef ]
  18. ورانکن، آی. بودری، جی. اوبینت، ام. ویسر، ام. Bogaert، J. مروری بر استفاده از آنتروپی در بوم‌شناسی منظر: ناهمگونی، غیرقابل پیش‌بینی، وابستگی مقیاس و پیوند آنها با ترمودینامیک. Landsc. Ecol. 2015 ، 30 ، 51-65. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. آندرینکو، YA; برلیانتوف، NV; کورتس، جی. پیچیدگی الگوهای دو بعدی. یورو فیزیک J. B 2000 , 15 , 539-546. [ Google Scholar ] [ CrossRef ]
  20. شانون، سی تئوری ریاضی ارتباطات. بل سیست. فنی J. 1948 , 27 , 379-423. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. لی، اچ. رینولدز، JF یک شاخص سرایت جدید برای تعیین کمیت الگوهای فضایی مناظر. Landsc. Ecol. 1993 ، 8 ، 155-162. [ Google Scholar ] [ CrossRef ]
  22. بوگارت، جی. فرینا، ع. Ceulemans, R. افزایش آنتروپی زیستگاه های تکه تکه شده: نشانه ای از تأثیر انسانی؟ Ecol. اندیک. 2005 ، 5 ، 207-212. [ Google Scholar ] [ CrossRef ]
  23. Cousins، SAO; Auffret، AG; لیندگرن، جی. Trank، L. تغییر پوشش زمین در مقیاس منطقه ای در طول قرن 20 و پیامدهای آن برای تنوع زیستی. Ambio 2015 ، 44 ، S17–S27. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. چمیلوسکی، اس. Chmielewski، TJ; Tompalski، P. پوشش زمین و تجزیه و تحلیل تنوع چشم‌انداز در ذخیره‌گاه بیوسفر غرب Polesie. بین المللی آگروفیز. 2014 ، 28 ، 153-162. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. گائو، رایانه شخصی؛ لی، ZL محاسبه آنتروپی بولتزمن یک منظر: بررسی و تعمیم. Landsc. Ecol. 2019 ، 34 ، 2183-2196. [ Google Scholar ] [ CrossRef ]
  26. وانگ، سی. ژائو، اچ. تحلیل ناهمگنی فضایی: معرفی شکل جدیدی از آنتروپی فضایی. Entropy 2018 , 20 , 398. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. کلارامونت، سی. شکل فضایی تنوع . Springer: برلین/هایدلبرگ، آلمان، 2005; ص 218-231. [ Google Scholar ]
  28. Li، ZL; Huang, PZ اقدامات کمی برای اطلاعات مکانی نقشه ها. بین المللی جی. جئوگر. Inf. علمی 2002 ، 16 ، 699-709. [ Google Scholar ] [ CrossRef ]
  29. آلتیری، ال. کوکی، دی. رولی، جی. رویکردی جدید به اقدامات آنتروپی فضایی. محیط زیست Ecol. آمار 2018 ، 25 ، 95-110. [ Google Scholar ] [ CrossRef ]
  30. گائو، رایانه شخصی؛ Li، ZL; Zhang، H. ارزیابی مبتنی بر ترمودینامیک از آنتروپی‌های بهبود یافته شانون مختلف برای اطلاعات پیکربندی تصاویر سطح خاکستری. Entropy 2018 ، 20 ، 19. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  31. Cushman، SA محاسبه آنتروپی پیکربندی در مناظر پیچیده. Entropy 2018 , 20 , 298. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. Cushman، SA محاسبه آنتروپی پیکربندی یک موزاییک منظره. Landsc. Ecol. 2015 ، 31 ، 481-489. [ Google Scholar ] [ CrossRef ]
  33. Cushman، SA سرمقاله: آنتروپی در بوم شناسی منظر. Entropy 2018 , 20 , 314. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. گائو، رایانه شخصی؛ ژانگ، اچ. Li, ZL یک روش تحلیلی کارآمد برای محاسبه آنتروپی بولتزمن یک گرادیان منظره. ترانس. GIS 2018 ، 22 ، 1046-1063. [ Google Scholar ] [ CrossRef ]
  35. گائو، پی. ژانگ، اچ. Li، Z. یک راه حل مبتنی بر سلسله مراتب برای محاسبه آنتروپی پیکربندی شیب های چشم انداز. Landsc. Ecol. 2017 ، 32 ، 1133-1146. [ Google Scholar ] [ CrossRef ]
  36. کوشمن، SA; مک گریگال، ک. نیل، MC Parsimony در معیارهای چشم انداز: قدرت، جهانی بودن و ثبات. Ecol. اندیک. 2008 ، 8 ، 691-703. [ Google Scholar ] [ CrossRef ]
  37. فهریگ، ال. ناتل، بوم‌شناسی جمعیت WK در محیط‌های ناهمگن فضایی. در عملکرد اکوسیستم در مناظر ناهمگن ; Lovett، GM، Turner، MG، Jones، CG، Weathers، KC، Eds. Springer: New York, NY, USA, 2005; صص 95-118. [ Google Scholar ] [ CrossRef ]
  38. Llausàs، A.; Nogué, J. شاخص های تکه تکه شدن چشم انداز: موردی برای ترکیب شاخص های اکولوژیکی و رویکرد ادراکی. Ecol. اندیک. 2012 ، 15 ، 85-91. [ Google Scholar ] [ CrossRef ]
  39. Riitters، K. معیارهای الگو برای یک بوم شناسی چشم انداز فرا رشته ای. Landsc. Ecol. 2018 ، 34 ، 2057–2063. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. Riitters، KH; اونیل، RV; هونساکر، سی تی. ویکهام، جی دی. Yankee, DH; تیممینز، اس پی؛ جونز، KB; جکسون، BL تحلیل عاملی الگوی منظر و معیارهای ساختار. Landsc. Ecol. 1995 ، 10 ، 23-39. [ Google Scholar ] [ CrossRef ]
  41. نووساد، ج. استپینسکی، نظریه اطلاعات TF به عنوان چارچوبی سازگار برای کمی سازی و طبقه بندی الگوهای منظر. Landsc. Ecol. 2019 ، 34 ، 2091–2101. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. بوردوگنا، جی. بوشتی، ام. Brivio، PA; کارارا، پی. استروپیانا، دی. Weissteiner، CJ مدیریت اطلاعات دوقطبی ناهمگن برای مدل‌سازی سندرم‌های محیطی تغییرات جهانی. محیط زیست Modell Softw. 2012 ، 36 ، 131-147. [ Google Scholar ] [ CrossRef ]
  43. ESRI، R. ArcGIS Desktop: Release 10 ; موسسه تحقیقات سیستم های محیطی: Redlands، CA، USA، 2011. [ Google Scholar ]
  44. نیستروویچ، جی. استپینسکی، TF منطقه‌بندی مناظر چند طبقه‌بندی با استفاده از روش‌های بینایی ماشین. Appl. Geogr. 2013 ، 45 ، 250-258. [ Google Scholar ] [ CrossRef ]
  45. پنگ، جی. وانگ، ی. ژانگ، ی. وو، جی. لی، دبلیو. لی، ی. ارزیابی اثربخشی معیارهای منظر در کمی سازی الگوهای فضایی. Ecol. اندیک. 2010 ، 10 ، 217-223. [ Google Scholar ] [ CrossRef ]
  46. تیان، ی. جیم، سی. تائو، ی. شی، تی. ارزیابی بوم‌شناختی چشم‌انداز تکه تکه شدن فضای سبز در هنگ کنگ. شهری. برای. شهری. سبز 2011 ، 10 ، 79-86. [ Google Scholar ] [ CrossRef ]
  47. Reddy، CS; سریلکشمی، س. Jha، CS; دادوال، VK ارزیابی ملی تکه تکه شدن جنگل در هند: شاخص های چشم انداز به عنوان معیارهایی از اثرات تکه تکه شدن و تغییر پوشش جنگل. Ecol. مهندس 2013 ، 60 ، 453-464. [ Google Scholar ] [ CrossRef ]
  48. Thakkar، JJ کاربردهای مدل سازی معادلات ساختاری با AMOS 21، IBM SPSS. در مدل سازی معادلات ساختاری: کاربرد برای تحقیق و تمرین (با AMOS و R) ; اسپرینگر: سنگاپور، 2020؛ صص 35-89. [ Google Scholar ] [ CrossRef ]
  49. مایو، پی. اوا، اچ. گالیگو، جی. استراهلر، ق. هرولد، ام. آگراوال، اس. نائوموف، اس. دی میراندا، EE; دی بلا، سی ام. اوردوین، سی. و همکاران اعتبار سنجی نقشه پوشش زمین جهانی 2000. IEEE Trans. Geosci. Remote Sens. 2006 , 44 , 1728-1737. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. Zeng، YL; لی، جی. لیو، QH; لی، LH; Xu، BD; یین، جی اف؛ پنگ، JJ یک استراتژی نمونه برداری برای اعتبارسنجی محصول LAI سنجش از دور بر روی سطوح ناهمگن زمین. IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. 2014 , 7 , 3128–3142. [ Google Scholar ] [ CrossRef ]
  51. وانگ، اس جی. لی، ایکس. Ge، Y. جین، آر. ما، MG; لیو، QH; ون، جی جی. Liu, SM اعتبار سنجی محصولات سنجش از دور در مقیاس منطقه ای در چین: از سایت تا شبکه. Remote Sens. 2016 , 8 , 980. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. نیستروویچ، جی. Stepinski، TF در مورد استفاده از معیارهای چشم انداز برای جستجوی شباهت منظر. Ecol. اندیک. 2016 ، 64 ، 20-30. [ Google Scholar ] [ CrossRef ]
  53. لی، اچ. پنگ، جی. یانکسو، ال. ینا، H. تأثیر شهرنشینی بر الگوهای منظر در شهر پکن، چین: دیدگاه ناهمگونی فضایی. Ecol. اندیک. 2017 ، 82 ، 50-60. [ Google Scholar ] [ CrossRef ]
  54. فریدمن، دی. Diaconis، P. در مورد هیستوگرام به عنوان تخمینگر چگالی: نظریه L2. احتمالا. نظریه مرتبط. 1981 ، 57 ، 453-476. [ Google Scholar ]
  55. بانس، RGH; متزگر، ام جی; جونگمن، RHG؛ برانت، جی. دی بلوست، جی. النا-روسلو، آر. داماد، گیگابایت؛ هلادا، ال. هوفر، جی. هوارد، دی سی; و همکاران یک روش استاندارد برای نظارت و پایش زیستگاه های اروپایی و ارائه داده های مکانی. Landsc. Ecol. 2007 ، 23 ، 11-25. [ Google Scholar ] [ CrossRef ]
  56. وربکا، ت. شیندلر، اس. پولهایمر، ام. اشمیتزبرگر، آی. Peterseil, J. تأثیر طرح کشاورزی و محیط زیست اتریش بر تنوع مناظر، گیاهان و پرندگان. محیط زیست جامعه 2008 ، 9 ، 217-227. [ Google Scholar ] [ CrossRef ]
  57. ژنگ، ز. دو، اس. وانگ، Y.-C. وانگ، کیو. کاوی نظم ناهمگونی منظر-ساختار برای بهبود نقشه برداری پوشش زمین شهری. سنسور از راه دور محیط. 2018 ، 214 ، 14-32. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00483 g001 550
شکل 1. تناقضات ناهمگونی پوشش زمین. ( الف ) نمونه‌هایی از مناطق با درجات مختلف ناهمگونی، ( ب ) نتایج متناقض مقادیر ناهمگنی پوشش زمین، که با استفاده از شاخص‌های تنوع سنتی شانون (SHDI) و تراکم لبه (ED) محاسبه می‌شوند.
Ijgi 09 00483 g002 550
شکل 2. مثالی از تغییر در ناهمگونی پوشش زمین ناشی از تبدیل نوع پوشش زمین: ( الف ) Local GlobeLand30 برای سال 2000. ( ب ) تغییر ناهمگونی که در سال 2010 مشاهده شد.
Ijgi 09 00483 g003 550
شکل 3. نمودار جریان روش استخراج اطلاعات ناهمگونی.
Ijgi 09 00483 g004 550
شکل 4. نمونه هایی از هیستوگرام همزمانی که از پوشش زمین استخراج شده است.
Ijgi 09 00483 g005 550
شکل 5. مجموعه داده های ارزیابی اختصاص داده شده به سطوح مختلف ناهمگونی پوشش زمین بر اساس سه معیار.
Ijgi 09 00483 g006 550
شکل 6. نمونه هایی از ناهمگونی پوشش زمین که توسط ED و LCCI ثبت شده است. پانل ها از چپ به راست دارای پیچیدگی GlobeLand30، ED و پوشش زمین هستند. ( الف ) مناطق موزاییک بیابانی و علفزار در غرب منطقه ساحل (15 درجه و 56 دقیقه شمالی، 14 درجه و 56 دقیقه غربی). LCCI جزئیات بیشتری از ناهمگونی پوشش زمین (A1) را ثبت می کند. ( ب ) منطقه زمین‌های زراعی متنوع در شرق آفریقا (29°1′ جنوبی، 31°17′ شرقی). LCCI به دلیل تنوع بالای پوشش زمین (B2) مقدار زیادی از ناهمگنی را به خود اختصاص می دهد. ( ج ) منطقه با چشم‌اندازی از تکه تکه شدن جنگل و علفزار در زامبیا (14 درجه و 17 دقیقه جنوبی، 25 درجه و 8 دقیقه شرقی). LCCI ویژگی تکه تکه شدن شدید پوشش زمین را بهتر از ED (C3) نشان می دهد.
Ijgi 09 00483 g007 550
شکل 7. توزیع LCCI برای آفریقا. این نقشه مناطق ناهمگونی بالا را برای پوشش های زمینی علف-بوته و موزاییک جنگلی در آفریقای مرکزی نشان می دهد.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید