درک و کمی سازی گسترش شهری برای مدیریت شهری و برنامه ریزی شهری حیاتی است. ترسیم دقیق مناطق ساخته شده (BUAs) پایه و اساس کمی کردن گسترش شهری است. برای تعیین کمیت گسترش شهری به سادگی و کارآمدی، روشی را برای ترسیم BUAs با استفاده از داده‌های جغرافیایی پیشنهاد کردیم و گوانگژو را به عنوان منطقه مورد مطالعه در نظر گرفتیم. ابتدا، شهرهای طبیعی گوانگژو (NCs) در سال‌های 2014 و 2020 از داده‌های نقطه مورد علاقه (POI) استخراج شدند. دوم، نقشه های شبکه های متعدد با NC ها ترکیب شدند تا BUA ها را مشخص کنند. سوم، نقشه شبکه بهینه برای ترسیم BUA بر اساس داده‌های واقعی BUA و با استفاده از شاخص‌های ارزیابی دقت تعیین شد. در نهایت، با مقایسه BUAهای 2014 و 2020 که توسط نقشه‌های شبکه بهینه مشخص شده‌اند، گسترش شهری را که در گوانگژو اتفاق می‌افتد، کمی کردیم. نتایج موارد زیر را نشان داد. (1) امتیاز دقت BUA که توسط نقشه شبکه 200 × 200 متر مشخص شده است به حداکثر می رسد. (2) BUAها در ناحیه مرکزی شهری گوانگژو دارای منطقه کوچکتری از گسترش بودند، در حالی که مناطق شمالی و جنوبی گوانگژو گسترش شهری قابل توجهی را تجربه کردند. (3) گسترش BUA در همه جهت گیری های فضایی در ناحیه توسعه یافته کوچکتر بود، در حالی که گسترش BUA در همه جهت گیری های فضایی در منطقه در حال توسعه بزرگتر بود. این مطالعه یک روش جدید برای ترسیم BUAs و یک دیدگاه جدید برای نقشه‌برداری از توزیع فضایی BUAs شهری ارائه می‌کند که به درک بهتر و کمی کردن گسترش شهری کمک می‌کند. (2) BUAها در ناحیه مرکزی شهری گوانگژو دارای منطقه کوچکتری از گسترش بودند، در حالی که مناطق شمالی و جنوبی گوانگژو گسترش شهری قابل توجهی را تجربه کردند. (3) گسترش BUA در همه جهت گیری های فضایی در ناحیه توسعه یافته کوچکتر بود، در حالی که گسترش BUA در همه جهت گیری های فضایی در منطقه در حال توسعه بزرگتر بود. این مطالعه یک روش جدید برای ترسیم BUAs و یک دیدگاه جدید برای نقشه‌برداری از توزیع فضایی BUAs شهری ارائه می‌کند که به درک بهتر و کمی کردن گسترش شهری کمک می‌کند. (2) BUAها در ناحیه مرکزی شهری گوانگژو دارای منطقه کوچکتری از گسترش بودند، در حالی که مناطق شمالی و جنوبی گوانگژو گسترش شهری قابل توجهی را تجربه کردند. (3) گسترش BUA در همه جهت گیری های فضایی در ناحیه توسعه یافته کوچکتر بود، در حالی که گسترش BUA در همه جهت گیری های فضایی در منطقه در حال توسعه بزرگتر بود. این مطالعه یک روش جدید برای ترسیم BUAs و یک دیدگاه جدید برای نقشه‌برداری از توزیع فضایی BUAs شهری ارائه می‌کند که به درک بهتر و کمی کردن گسترش شهری کمک می‌کند. در حالی که گسترش BUA در تمام جهت گیری های فضایی در منطقه در حال توسعه بزرگتر بود. این مطالعه یک روش جدید برای ترسیم BUAs و یک دیدگاه جدید برای نقشه‌برداری توزیع فضایی BUAs شهری ارائه می‌کند که به درک بهتر و کمی کردن گسترش شهری کمک می‌کند. در حالی که گسترش BUA در تمام جهت گیری های فضایی در منطقه در حال توسعه بزرگتر بود. این مطالعه یک روش جدید برای ترسیم BUAs و یک دیدگاه جدید برای نقشه‌برداری توزیع فضایی BUAs شهری ارائه می‌کند که به درک بهتر و کمی کردن گسترش شهری کمک می‌کند.

کلید واژه ها:

گسترش شهری ; منطقه ساخته شده ؛ داده های جغرافیایی ؛ شهر طبیعی ؛ نقشه شبکه ; گوانگژو

 

1. مقدمه

با توسعه شهرنشینی، جمعیت و اقتصاد شهرها به میزان قابل توجهی افزایش یافته است. طبق گزارش تحقیقاتی برنامه توسعه سازمان ملل متحد (UNDP)، ​​سطح شهرنشینی چین در سال 2030 به 70 درصد خواهد رسید و جمعیت شهری از 1 میلیارد نفر فراتر خواهد رفت. چین بزرگترین نرخ شهرنشینی در تاریخ را تجربه می کند. با این حال، در فرآیند شهرنشینی سریع، بسیاری از مناطق تحت پوشش اکولوژیکی طبیعی (به عنوان مثال، پوشش گیاهی، آب و مناطق زیر کشت) با ساختمان ها جایگزین شده اند [ 1 ]. فعالیت های انسانی در حال تغییر چشم انداز شهری است که در سطح گسترش شهری منعکس می شود [ 2 ، 3 ]. بسیاری از چالش‌های جدی در مناطق شهری، مانند جزایر گرمایی شهری [ 4 ، 5 ] به وجود می‌آیند]، آلودگی هوا [ 6 ] و از دست دادن تنوع زیستی [ 7 ، 8 ]. علاوه بر این، گسترش مناطق شهری که در طول شهرنشینی رخ می‌دهد، تأثیرات قابل توجهی بر انسان دارد، از جمله امنیت محیط ساخته شده [ 9 ]، ارزیابی پیاده‌روی [ 10 ]، فرم و تراکم شهری [ 11 ] و دسترسی به فضای سبز. فضا [ 12 ]. بنابراین، درک و کمی سازی گسترش شهری اهمیت ویژه ای دارد و برای مدیریت شهری و توسعه سالم شهرنشینی حیاتی است.
ترسیم دقیق مناطق ساخته شده (BUAs) برای درک و کمیت گسترش شهری مورد نیاز است [ 13 ]. تعریف BUAs در ادبیات [ 14 ، 15 ] متفاوت است. در بیشتر مطالعات، BUA به عنوان سطوح زمینی که عمدتاً توسط سازه های ساختمانی پوشانده شده است، تعریف می شود. این نیز تعریف فیزیکی BUA است. اجزای اصلی BUAها سطوح غیر قابل نفوذ هستند. در مقابل، دریاچه‌های شهری، پارک‌ها و برخی فضاهای باز بزرگ به عنوان BUA در نظر گرفته نمی‌شوند [ 16 ]. اطلاعات دقیق در مورد BUAها طیف گسترده ای از کاربردها در بسیاری از زمینه ها، مانند مطالعات مصرف انرژی [ 17 ]، محیط زیست محیطی [ 18 ]، برآورد جمعیت، و مطالعات توسعه پایدار شهری دارد.19 ]. بنابراین، هم سیاستگذاران و هم محققان پژوهشگر مشتاق هستند تا به طور مؤثر BUAها و پویایی BUAها را شناسایی و نظارت کنند [ 20 ].
در دهه‌های اخیر، داده‌های سنجش از دور به طور گسترده در ترسیم BUAs مورد استفاده قرار گرفته‌اند. به طور کلی، روش های فنی برای ترسیم BUA ها بر اساس داده های سنجش از دور را می توان به دو دسته دسته بندی کرد. اولین روش طبقه بندی مبتنی بر شی است که BUAها را از تصاویر سنجش از راه دور ورودی استخراج می کند [ 21 ]. دسته دوم تصاویر سنجش از دور را با استفاده از نشانگرها برای به دست آوردن BUA ها تقسیم بندی می کند [ 22 ]. مطالعات دیگر روش‌ها و شاخص‌های تقسیم‌بندی مبتنی بر شی را برای استخراج BUA از تصاویر سنجش از دور ترکیب کرده‌اند [ 23 ]. علاوه بر این، چندین مجموعه داده جهانی مربوط به مناطق شهری تولید شده است [ 24 ].
اگرچه این روش ها کمک زیادی به ترسیم BUA ها کرده اند، اما هنوز مشکلات متعددی در استخراج BUA از داده های سنجش از دور وجود دارد. اول، مشخص کردن BUA از تصاویر سنجش از راه دور یک فرآیند زمان‌بر و کار فشرده است [ 25 ]. دوم، کیفیت تصاویر سنجش از دور به شدت بر ترسیم BUA تأثیر می گذارد. در برخی مناطق ابری و بارانی، سطح پوشش ابر تصاویر سنجش از راه دور آنقدر زیاد است که نمی توان از آنها استفاده کرد [ 26 ]. سوم، حسگرهای ماهواره ممکن است پس از استفاده طولانی مدت دچار انحراف یا خرابی شوند [ 27]. حتی با همان سنسور ماهواره ای، تفاوت در تصاویر سنجش از دور در دوره های مختلف تولید می شود که منجر به انحراف در ترسیم BUA می شود. بنابراین، یک روش جایگزین برای ترسیم BUAها به فوریت مورد نیاز است.
شهرهای طبیعی (NCs) می توانند فرصت جدیدی را برای ترسیم BUAها در اختیار ما قرار دهند. اشتقاق NC ها یک رویکرد از پایین به بالا است که برای مطالعه رویدادهای جغرافیایی استفاده می شود [ 28 ]. NC بر اساس هندسه فراکتال، یک ساختار پیچیده و مجموعه ریاضی است که می تواند در مقیاس های متعدد منعکس شود [ 29 ]. NC شامل رویدادهای جغرافیایی است که در فضا متمرکز شده‌اند، مانند تکه‌هایی که توسط اطلاعات مکان جمع‌شده کاربران رسانه‌های اجتماعی شکل می‌گیرند [ 30 ]. بنابراین، NC می تواند دیدگاه جدیدی برای تجزیه و تحلیل داده های جغرافیایی فراهم کند و به درک شکل گیری و پردازش رویدادهای جغرافیایی کمک کند [ 31 ]]. داده های جغرافیایی (به عنوان مثال، تصاویر نور شب و نقاط مورد علاقه (POI))، که می توانند از چندین وب سایت (به عنوان مثال، نقشه OpenStreetMap و وب سایت های نقشه الکترونیکی) [ 32 ] به دست آیند، می توانند برای استخراج NC ها و در نتیجه ترسیم BUA ها استفاده شوند [ 33 ] .
هدف از این مطالعه (1) توسعه روشی برای ترسیم BUAs با استفاده از داده‌های مکانی بود. (2) برای تأیید صحت BUAهای مشخص شده با استفاده از روش پیشنهادی؛ و (3) برای بررسی کاربرد BUAهای مشخص شده در کمی سازی گسترش شهری. این مطالعه یک روش جدید برای ترسیم BUAs و یک دیدگاه جدید برای نقشه برداری توزیع فضایی BUAs ارائه می دهد. این پیشرفت ها به درک بهتر و کمی سازی گسترش شهری کمک می کند.

2. مواد و روشها

2.1. مناطق مطالعه

گوانگژو شامل 11 ناحیه است و بین 112 درجه و 57 دقیقه شرقی تا 114 درجه 03 دقیقه شرقی و 22 درجه و 26 دقیقه شمالی تا 23 درجه و 56 دقیقه شمالی در وسط منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو واقع شده است. گوانگژو به عنوان یکی از چهار شهر درجه اول چین، در طول 40 سال گذشته شهرنشینی سریع را تجربه کرده است، با گسترش شهری قابل توجه، توسعه سریع اقتصادی و رشد سریع جمعیت. شکل 1 موقعیت گوانگژو و مناطق آن را نشان می دهد.
از آنجایی که گوانگژو در چین مورد توجه گسترده‌ای قرار گرفته است، یکی از اولین شهرهایی بود که داده‌های POI را ارائه کرد. علاوه بر این، برای درک تغییراتی که در این شهر مهم رخ می دهد، بخش رسمی هر چند سال یک بار داده های واقعی BUA گوانگژو را جمع آوری و به روز می کند. بنابراین، داده های POI چند ساله از گوانگژو در دسترس است. داده‌های واقعی موجود از BUAs در گوانگژو می‌تواند برای ارزیابی دقت BUAهای مشخص شده در این مطالعه استفاده شود. بنابراین، گوانگژو به عنوان یک منطقه مناسب برای ترسیم BUA ها با داده های جغرافیایی شناسایی شد و آن را به یک منطقه تحقیقاتی مناسب برای کمی سازی گسترش شهری تبدیل کرد.

2.2. منابع داده و پیش پردازش

داده های جغرافیایی که ما برای استخراج NC در این مطالعه استفاده کردیم، داده های POI است. داده های POI به طور گسترده ای برای شناسایی مناطق عملکردی شهری و مطالعه ساختار فضایی شهری استفاده شده است [ 34 ، 35 ]. داده های POI داده های جغرافیایی و داده های باز [ 25 ] هستند. هر POI (داده های برداری) دارای یک موقعیت جغرافیایی منحصر به فرد (اطلاعات مختصات) است که نشان دهنده مکان یک سری اطلاعات است [ 36 ]. به عنوان مثال، هر ساختمان حداقل یک POI دارد. داده های POI مورد استفاده در این مطالعه از بزرگترین وب سایت نقشه الکترونیکی چین ( https://www.baidu.com/ ) به دست آمده است.) با استفاده از رابط برنامه نویسی کاربردی (API) (در 1 ژانویه 2020 قابل دسترسی است). این POI ها شامل 18 نوع (مثلاً امکانات تجاری، امکانات عمومی، امکانات حمل و نقل) هستند و تقریباً هر روز با برچسب گذاری دستی به روز می شوند تا برای ناوبری افراد و وسایل نقلیه استفاده شوند. علاوه بر این، دقت این POI ها با بازرسی تصادفی دستی تضمین می شود. بنابراین، POI های به دست آمده از وب سایت نقشه الکترونیکی دارای دقت بالایی بوده و برای استفاده در این مطالعه منطقی هستند. تعداد داده های POI در گوانگژو در سال های 2014 و 2020 به ترتیب 832580 و 1221017 است.
داده‌های واقعی BUA از گوانگژو در سال‌های 2014 و 2020 در این مطالعه برای ارزیابی دقت BUAهای مشخص شده با استفاده از داده‌های جغرافیایی استفاده شد. این داده‌های واقعی BUA توسط مرکز فناوری زمین و منابع استان گوانگدونگ، که یکی از شرکت‌های تابعه اداره منابع طبیعی استان گوانگدونگ است ( https://nr.gd.gov.cn/ ) ارائه شده است (در 1 ژانویه 2020 قابل دسترسی است) . این داده های واقعی BUA از بررسی های میدانی به دست آمده و به صورت دستی از تصاویر سنجش از دور با وضوح بالا استخراج شده اند. بنابراین، دقت این داده‌های واقعی BUA بسیار بالا است و ارزیابی دقت BUAهای مشخص شده در این مطالعه را امکان‌پذیر می‌سازد.

2.3. استخراج NC ها از داده های جغرافیایی

اشتقاق NC ها مبنایی برای ترسیم BUA است. از یک طرف، داده های مورد استفاده برای استخراج NC ها باید از شرایط توزیع خاصی پیروی کنند [ 30 ]. از سوی دیگر، اساس استخراج NC ها یک روش تقسیم بندی است [ 30 ]. به طور خاص، هنگامی که مقدار یک متغیر X از توزیع دم سنگین (توزیع آماری انحراف سمت راست) پیروی می کند، یک روش تقسیم بندی بر اساس قانون تقسیم سر/دم می تواند این مقادیر را به دو قسمت تقسیم کند [ 28 ].]. قسمت اول سر نام دارد و مقدار متعلق به سر بزرگتر از حد متوسط ​​است اما نسبت عدد کم است. قسمت دیگر دم نامیده می شود و مقدار متعلق به دم کوچکتر از میانگین است اما نسبت عدد زیاد است. به عبارت دیگر، تعداد مقادیر کم به مراتب بیشتر از تعداد مقادیر زیاد است. در مطالعات قبلی، مقادیر پیکسل تصاویر شبانه، تراکم گره‌های خیابان، و چگالی داده‌های موقعیت مکانی رسانه‌های اجتماعی به عنوان مجموعه داده‌هایی که از یک توزیع سنگین پیروی می‌کنند تأیید شده‌اند [ 37 ، 38 ].
استخراج NC از POI به چهار مرحله نیاز دارد ( شکل 2 ): (1) ایجاد یک شبکه نامنظم مثلثی (TIN) بر اساس POI. (2) تبدیل TIN به چند ضلعی TIN و محاسبه مساحت متوسط ​​همه چند ضلعی های TIN. (3) همه چند ضلعی های TIN را بر اساس قانون تقسیم سر/دم به دو قسمت تقسیم کنید و بخشی از چند ضلعی های TIN را که به سر تعلق دارد انتخاب کنید (مساحت کوچکتر از سطح متوسط ​​است). و (4) چند ضلعی های TIN انتخاب شده را حل کرده و آنها را در یک چند ضلعی (یعنی یک NC) جمع کنید.

2.4. ترسیم BUAs

ما نقشه شبکه را بر روی NC مشتق شده از POI قرار دادیم تا BUA را مشخص کنیم. طبق تعریفی که قبلا ذکر شد، BUA ها مناطقی هستند که عمدتاً توسط ساختمان ها پوشیده شده اند. یک NC غلظت POI را منعکس می کند، بنابراین توزیع یک NC جایگزینی برای توزیع یک BUA نیست. بنابراین، مساحت کل یک NC در یک شهر همیشه کوچکتر از مساحت BUA آن است. به عنوان مثال، در یک حالت شدید، یک ساختمان فقط یک POI دارد و NC مشتق شده از این POI و POI های اطراف آن تنها می تواند بخشی از این ساختمان را پوشش دهد. در این مورد، بخشی از BUA واقع در حاشیه NC نمی تواند مشخص شود. به عبارت دیگر، NC یک شهر متعلق به BUA است، اما BUA یک شهر فقط از این NC تشکیل نشده است. بنابراین، برای ترسیم BUA تا حد امکان دقیق،
ما منطقه اطراف NC ها را با قرار دادن نقشه شبکه بر روی NC استخراج کردیم تا BUA را به طور دقیق مشخص کنیم. به طور خاص تر، ترسیم BUA با قرار دادن NC و نقشه شبکه و سپس استخراج شبکه ای که با NC قطع می شود، انجام می شود. با استفاده از این روش می توان ناحیه اطراف NC را به طور موثر استخراج کرد. با این حال، نتایج استفاده از نقشه های شبکه های مختلف برای ترسیم BUA ها به طور قابل توجهی متفاوت خواهد بود (هرچه طول ضلع شبکه بزرگتر باشد، ناحیه اطراف NC استخراج شده بیشتر است). بنابراین، برای تعیین شبکه بهینه مورد استفاده برای ترسیم BUAها، نقشه‌های شبکه‌ای متشکل از شبکه‌های طول جانبی مختلف (یعنی 50 متر × 50 متر، 100 متر × 100 متر، 150 متر × 150 متر، 200 متر × 200 متر، 250 متر × 250 متر و 300 متر × 300 متر) در این مطالعه استفاده شد. رویه‌های ترسیم BUA بر اساس نقشه‌های شبکه مختلف در نمایش داده می‌شوندشکل 3 .
چهار شاخص ارزیابی دقت برای تعیین طول ضلع بهینه شبکه مورد استفاده برای ترسیم BUAs برای به دست آوردن بیشترین دقت توزیع مکانی استفاده شد. چهار شاخص ارزیابی دقت مورد استفاده در این مطالعه عبارتند از: دقت کاربر (UA)، دقت تولیدکننده (PA)، دقت کلی (OA)، و ضریب کاپا (K).

3. نتایج

3.1. اشتقاق NC ها و تعیین BUAs

NC های گوانگژو در سال های 2014 و 2020 از POI مشتق شده اند ( شکل 4 a,b). تراکم NC ها در ناحیه مرکزی شهری گوانگژو بالاترین میزان بود. علاوه بر این، حداقل یک منطقه تجمع NC در هر منطقه گوانگژو وجود داشت. برای کل شهر، منطقه مرکزی بیشترین غلظت NC ها را داشت، در حالی که مناطق جنوبی و شمالی دارای NC های کوچکتر بودند.
ما منطقه اطراف هر NC (که باید به عنوان BUA مشخص شود) را با قرار دادن نقشه شبکه بر روی NC استخراج کردیم، بنابراین به ترسیم دقیق تری از BUA دست یافتیم. ما از نقشه‌های شبکه‌ای متعدد (با اندازه‌های شبکه متفاوت) برای ترسیم BUAها در گوانگژو استفاده کردیم و توزیع فضایی چندین BUA را در سال‌های 2014 و 2020 به دست آوردیم ( شکل 5 و شکل 6 ).
NC پایه و اساس BUA است، بنابراین توزیع فضایی BUA ترسیم شده مشابه توزیع فضایی NC است. BUAهای مشخص شده از نقشه های شبکه مختلف در بخش مرکزی گوانگژو متمرکز شدند. BUA ها در بخش های جنوبی و شمالی گوانگژو کوچک بودند. علاوه بر این، هرچه طول جانبی شبکه بزرگتر باشد، مساحت استخراج شده از ناحیه اطراف NC بزرگتر است. به عبارت دیگر، هر چه طول ضلع شبکه ای که نقشه شبکه را تشکیل می دهد بزرگتر باشد، BUA ترسیم شده بزرگتر است. BUAهای گوانگژو در سال 2014 که توسط شبکه‌هایی با طول ضلع‌های 50 متر، 100 متر، 150 متر، 200 متر، 250 متر و 300 متر مشخص شده‌اند ، 388.18 کیلومتر مربع ، 564.56 کیلومتر مربع ، 726.28، 726.79، 726.25، 500 متر مربع، 726.79 کیلومتر 27 ، 726.79 کیلومتر 27 ، 726.79، 500 متر مربع هستند.و به ترتیب 1088.44 کیلومتر مربع . BUAهای 2020 گوانگژو که توسط شبکه‌هایی با طول ضلع‌های 50 متر، 100 متر، 150 متر، 200 متر، 250 متر و 300 متر مشخص شده‌اند ، 402.38 کیلومتر مربع، 612.75 کیلومتر مربع ، 789.17، 789.17، کیلومتر 29 ، 789.17، 500 متر مربع و 500 متر مربع و 789.17 کیلومتر مربع و 500 متر مربع هستند . به ترتیب 1223.11 کیلومتر مربع .

3.2. شبکه های بهینه برای تعیین BUA

برای ارزیابی دقت BUAهای ترسیم شده با استفاده از روش پیشنهادی و تعیین شبکه بهینه که می تواند دقت BUAها را در گوانگژو به حداکثر برساند، تفاوت بین BUAهای مشخص شده و واقعی را مقایسه کرده و چهار شاخص ارزیابی دقت را اعمال کردیم.
BUAهای واقعی گوانگژو در سالهای 2014 و 2020 به ترتیب 918.32 کیلومتر مربع و 1013.01 کیلومتر مربع بودند . برای BUAهای 2014 و 2020 که با استفاده از نقشه‌های شبکه چندگانه ترسیم شده‌اند، فقط BUA‌هایی که با نقشه شبکه 200 × 200 متر مشخص شده‌اند (BUAs 2014: 850.72 کیلومتر مربع و BUAهای 2020: 945.96 متر مربع 250 متر و نقشه شبکه‌ای 250 متر مربع) BUAهای 2014: 978.75 کیلومتر مربع و BUAهای 2020: 1091.13 کیلومتر مربع) BUAهای واقعی را تقریب زد. ما از شاخص‌های ارزیابی دقت برای ارزیابی بیشتر دقت BUAهای 2014 و 2020 استفاده کردیم که توسط نقشه شبکه 200 × 200 متر و نقشه شبکه 250 × 250 متر مشخص شده‌اند. بر اساس BUA های واقعی گوانگژو در سال های 2014 و 2020، ما به طور تصادفی 1120 نمونه را انتخاب کردیم که شامل 580 BUA و 540 غیر BUA بود. سپس انواع 1120 نمونه (یعنی BUA یا غیر BUA) در دو اندازه نقشه شبکه برای ارزیابی امتیازات دقت تعیین شد ( جدول 1 ).
مقادیر OA برای BUAهای 2014 و 2020 بیشتر از 90٪ بود که با استفاده از نقشه شبکه 200 × 200 متر و نقشه شبکه 250 × 250 متر مشخص شدند. برای BUAهای ترسیم شده 2014، BUA ترسیم شده توسط نقشه شبکه 200 متر × 200 متر دارای دقت بالاتری بود، با OA و K (OA: 95.27٪ و K: 0.9053) بیشتر از BUA ترسیم شده توسط 250 m × 250. نقشه شبکه متر (OA: 91.43٪ و K: 0.8279). برای BUAهای ترسیم شده 2020، BUA مشخص شده توسط نقشه شبکه 200 متر × 200 متر نیز دقیق تر از BUA ترسیم شده توسط نقشه شبکه 250 متر × 250 متر بود.
به طور کلی، روش پیشنهادی در این مطالعه به طور موثر BUAs را مشخص کرد و نتایج بسیار دقیق بود. نمرات دقت BUAs مشخص شده توسط نقشه شبکه 200 متر × 200 متر بالاتر بود. به عبارت دیگر، طول جانبی شبکه بهینه که بالاترین دقت BUA را در گوانگژو به دست می‌دهد 200 متر است.

3.3. کمی سازی گسترش شهری

بر اساس این تشخیص که BUAهای ترسیم شده توسط نقشه شبکه 200 متر × 200 متر دارای دقت بالاتری هستند، با مقایسه BUAهای 2014 و 2020 در گوانگژو، می‌توانیم روند گسترش شهری را بهتر درک کنیم و این گسترش شهری را کمی کنیم. ما توزیع فضایی BUAهای 2014 و 2020 را که توسط نقشه شبکه 200 × 200 متر مشخص شده بود، تجسم کردیم ( شکل 7 ). سپس BUAهای 2014 و 2020 را در گوانگژو و 11 ناحیه آن شمارش کردیم و ناحیه گسترش و نرخ گسترش BUAها را محاسبه کردیم ( جدول 2 ).
در شش سال گذشته، گسترش شهری در گوانگژو ناهمگونی فضایی مشخصی را به نمایش گذاشته است. BUA در ناحیه مرکزی شهری گوانگژو افزایش یافته است و منطقه مرکزی سایر مناطق روند گسترش سریع شهری را تجربه کرده است. در سال 2014، BUA های خوشه ای در مناطق جنوبی و شمالی گوانگژو ظاهر شدند. علاوه بر این، از سال 2014 تا 2020، این BUA های خوشه ای روند گسترش قابل توجهی را تجربه کردند. از سال 2014 تا 2020، BUA گوانگژو از 850.72 کیلومتر مربع به 945.96 کیلومتر مربع با مساحت 95.24 کیلومتر مربع افزایش یافت.و نرخ گسترش 11.20٪. BUAها در ناحیه مرکزی شهری گوانگژو ناحیه کوچکتری از گسترش را نشان دادند، در حالی که BUAها در شمال و جنوب گوانگژو گسترش شهری قابل توجهی را تجربه کردند. BUA از چهار ناحیه (بایون، پانیو، نانشا و هوادو) بیش از 10 کیلومتر مربع از سال 2014 تا 2020 گسترش یافت. شش منطقه (پانیو، نانشا، هوانگپو، زننگ چنگ، کونگ‌هوا، و هوادو) دارای نرخ گسترش BUA بیش از این بودند. بیش از 10 درصد
برای درک بیشتر گسترش شهری و کشف الگوهای فضایی گسترش شهری، گوانگژو و بخش‌های فرعی آن را بر اساس مرکز هندسی هر منطقه به هشت بخش مربوط به هشت جهت فضایی تقسیم کردیم. سپس، منطقه گسترش BUA را از سال 2014 تا 2020 در گوانگژو و 11 ناحیه آن در هشت جهت فضایی ارزیابی کردیم ( جدول 3 ) و نرخ های گسترش BUA را در هشت جهت فضایی تجسم کردیم ( شکل 8 ).
در جهت گیری فضایی مناطق با BUA کوچکتر 2014، نرخ گسترش BUA از سال 2014 تا 2020 بیشتر بود. به عنوان مثال، در میان هشت جهت فضایی در گوانگژو، نرخ گسترش BUA در شمال (جهت مکانی با کوچکترین BUA 2014) به طور قابل توجهی بالاتر از نرخ در جهت‌گیری‌های فضایی باقی مانده بود. در 11 منطقه گوانگژو، ناهمگونی قابل توجهی در جهت گیری های فضایی گسترش BUA وجود داشت. گسترش BUA در تمام جهت گیری های فضایی در ناحیه توسعه یافته کوچکتر بود (به عنوان مثال، Yuexiu، Tianhe، و Huangpu). در مقابل، گسترش BUA در تمام جهت گیری های فضایی در منطقه در حال توسعه (مانند پانیو، نانشا و هوادو) بزرگتر بود.

4. بحث

4.1. مزایای استفاده از داده های جغرافیایی

استفاده از داده های جغرافیایی برای ترسیم BUA ها حداقل دو مزیت نسبت به استخراج BUA از داده های سنجش از دور دارد. استفاده از داده های جغرافیایی برای ترسیم BUA ها درک گسترش شهری را در دوره های کوتاه امکان پذیر می کند. داده‌های POI روزانه به‌روزرسانی می‌شوند و داده‌های POI روزانه را می‌توان برای ترسیم BUA استفاده کرد. با استفاده از این داده‌های POI، 365 BUA در گوانگژو برای سال 2020 مشخص شد. با این حال، تنها 21 مورد از تصاویر سنجش از دور Landsat 8 در سال 2020 گوانگژو را پوشش دادند. علاوه بر این، از این 21 تصویر سنجش از راه دور، تنها 3 تصویر دارای پوشش ابری کمتر از 10 درصد بودند و می‌توانستند به طور موثر مورد استفاده قرار گیرند. بنابراین، تنها سه تصویر سنجش از راه دور Landsat 8 2020 برای ترسیم BUAهای گوانگژو استفاده شد (BUAها از داده‌های سنجش از دور با تصویر دستی استخراج شدند)، در حالی که تمام داده‌های POI روزانه استفاده شد.جدول 4 ). استفاده از داده‌های POI امکان تعیین BUAها را در یک دوره وسیع‌تر فراهم می‌کند، بنابراین درک دقیق‌تری از گسترش شهری ارائه می‌دهد.
مزیت استفاده از داده های POI برای ترسیم BUAها این است که از تأثیر جغرافیا جلوگیری می کند. در برخی مناطق ابری و بارانی، سطح پوشش ابر تصاویر سنجش از راه دور به حدی است که نمی توان از تصاویر استفاده کرد. به عنوان مثال، از بین 21 تصویر سنجش از دور Landsat 8 که گوانگژو را پوشش می‌دهند، تنها 3 مورد کمتر از 10 درصد پوشش ابری، 7 تصویر بین 10 تا 30 درصد پوشش ابری داشتند و 11 تصویر باقی مانده بیش از 30 درصد پوشش ابری داشتند. علاوه بر این، هر سه تصویر با پوشش ابری کمتر از 10 درصد در پاییز یا زمستان جمع‌آوری شدند. این بدان معناست که BUAهای گوانگژو در بهار و تابستان نمی توانند به طور موثر از داده های سنجش از دور استخراج شوند. استفاده از داده های POI برای ترسیم BUAها تحت تأثیر جغرافیا قرار نمی گیرد، مانند پوشش ابری. بنابراین، داده های POI می توانند به طور موثر BUA ها را در تمام فصول مشخص کنند.

4.2. توصیه هایی برای مطالعات آینده

در این مطالعه، برای تعیین کمیت گسترش شهری، روشی را برای ترسیم BUAs با داده‌های مکانی پیشنهاد کردیم و نتایج مثبت آن را نشان دادیم. با این وجود، این مطالعه دارای محدودیت هایی است که باید به آنها اذعان کرد.
ابتدا، BUA های شهری مشخص شدند، اما زیرگروه های BUA در نظر گرفته نشدند. ترسیم انواع مختلف BUA به درک دقیق تر شهر کمک می کند. به عنوان مثال، روشن کردن انواع فرعی BUA می تواند به درک تأثیر BUA های مختلف بر محیط حرارتی شهری کمک کند. در اینجا، متوجه شدیم که داده‌های POI را می‌توان برای ترسیم BUAها استفاده کرد و به پتانسیل داده‌های POI برای شناسایی زیرگروه‌های BUA پی بردیم (که در آن هر POI یک ویژگی نوع دارد). بنابراین، در تحقیقات آینده، ما به بررسی بیشتر ویژگی‌های نوع POI خواهیم پرداخت و روشی را برای تعیین زیرگروه‌های BUA بر اساس نوع داده‌های POI بررسی خواهیم کرد.
دوم، ما نتوانستیم نقشه شبکه بهینه را برای ترسیم BUAها در مناطق مختلف تعیین کنیم. این مطالعه مشخص کرد که BUAهای گوانگژو که توسط نقشه شبکه 200 × 200 متر مشخص شده‌اند دقیق‌تر هستند. با این حال، ما نمی‌توانیم کاربرد نقشه شبکه 200 × 200 متر را در ترسیم BUAها در مناطق دیگر تعیین کنیم. بنابراین، ما نقشه شبکه بهینه را برای ترسیم BUAها در مناطق مختلف با انجام مطالعات منطقه‌ای اضافی در تحقیقات آینده بررسی خواهیم کرد. بر اساس نتایج این مطالعات منطقه‌ای، ما یک روش کمی را برای تعیین نقشه شبکه بهینه برای ترسیم BUAها در مناطق مختلف بررسی خواهیم کرد، بنابراین به یک کاربرد موثر روش پیشنهادی برای ترسیم BUAها دست یابیم.
نقشه شبکه ای که ما برای ترسیم BUA ها استفاده کردیم از شبکه هایی با همان اندازه تشکیل شده است که ممکن است منجر به خطا در نتایج شده باشد. بنابراین، در تحقیقات آینده، ما آموزش عمیق را برای تعیین نقشه شبکه بهینه برای ترسیم BUAها در نظر خواهیم گرفت. این نقشه شبکه از شبکه هایی با اندازه های مختلف تشکیل شده است. به عنوان مثال، این می تواند با شناسایی ویژگی های NC ها در یک منطقه و سپس تعیین اندازه شبکه مورد استفاده در آن منطقه به دست آید.

5. نتیجه گیری ها

در این مطالعه، روشی برای استفاده از داده‌های مکانی برای ترسیم BUAs پیشنهاد شد و برای تعیین کمیت گسترش شهری استفاده شد. در فرآیند ترسیم BUAها، ابتدا از داده های POI برای استخراج NC ها استفاده شد و سپس از نقشه شبکه برای به دست آوردن نقشه ای از BUA ها با امتیاز دقت رضایت بخش استفاده شد. این مطالعه دیدگاه جدیدی برای ترسیم توزیع فضایی BUAs ارائه می‌کند و می‌تواند به ما در درک بهتر و کمی کردن گسترش شهری کمک کند.
روش پیشنهادی می تواند به طور موثر BUA ها را مشخص کند و نتایج بسیار دقیق هستند. علاوه بر این، نمرات دقت BUAs مشخص شده توسط نقشه شبکه 200 متر × 200 متر بالاتر بود. با مقایسه BUA های 2014 و 2020 در گوانگژو، می توانیم روند گسترش شهری را بهتر درک کنیم و این گسترش را کمی سازی کنیم. در شش سال گذشته، گسترش شهری گوانگژو ناهمگونی فضایی مشخصی را به نمایش گذاشته است. از سال 2014 تا 2020، BUA گوانگژو از 850.72 کیلومتر مربع به 945.96 کیلومتر مربع با مساحت 95.24 کیلومتر مربع افزایش یافت.و نرخ گسترش 11.20٪. BUAها در ناحیه مرکزی شهری گوانگژو تحت یک منطقه کوچکتر از گسترش قرار گرفتند، در حالی که آنهایی که در شمال و جنوب گوانگژو بودند توسعه شهری قابل توجهی را تجربه کردند. در 11 منطقه گوانگژو، ناهمگونی قابل توجهی در جهت گیری فضایی گسترش BUA وجود داشت. گسترش BUA در همه جهت‌گیری‌های فضایی در ناحیه توسعه‌یافته کوچک‌تر بود، در حالی که گسترش BUA در همه جهت‌گیری‌های فضایی در ناحیه در حال توسعه بزرگ‌تر بود.

منابع

  1. یانگ، ز. چن، ی. کیان، ق. وو، زی. ژنگ، زی. رابطه جفت بین گسترش زمین ساخت و ساز و گسترش منطقه با دمای بالا در سه تجمع بزرگ شهری چین. بین المللی J. Remote Sens. 2019 , 40 , 6680–6699. [ Google Scholar ] [ CrossRef ]
  2. وانگ، ز. روابط در حال تحول چشم انداز-شهرسازی در چین معاصر. Landsc. طرح شهری. 2018 ، 171 ، 30-41. [ Google Scholar ] [ CrossRef ]
  3. فرنکل، ا. اشکنازی، م. اندازه گیری گسترش شهری: چگونه می توانیم با آن مقابله کنیم؟ محیط زیست طرح. B طرح. دس 2008 ، 35 ، 56-79. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. یانگ، ز. چن، ی. گوا، جی. ژنگ، ز. وو، زی. ویژگی‌های خوشه‌های دمای سطح زمین: مطالعه موردی منطقه شهری مرکزی گوانگژو. حفظ کنید. جامعه شهرها 2021 ، 73 ، 103140. [ Google Scholar ] [ CrossRef ]
  5. اسلم، بی. مقصوم، ع. خالد، ن. الله، اف. سپاسگزار، S. ارزیابی گرمای بیش از حد شهری از طریق پیش‌بینی دمای سطح: مطالعه موردی کراچی، پاکستان. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 539. [ Google Scholar ] [ CrossRef ]
  6. هاسنفراتز، دی. ساوخ، او. والسر، سی. هوگلین، سی. فیرز، م. آرن، تی. بیتل، جی. Thiele, L. استخراج نقشه‌های آلودگی هوای شهری با وضوح بالا با استفاده از گره‌های حسگر متحرک. اوباش فراگیر. محاسبه کنید. 2015 ، 16 ، 268-285. [ Google Scholar ] [ CrossRef ]
  7. ملحی، RKM; آناند، ا. Srivastava، PK؛ ساندیا کیران، جی. پتروپولوس، GP; Chalkias, C. یک مدل تحلیل الگوی مکانی-زمانی یکپارچه برای ارزیابی و پیش‌بینی تخریب مناطق جنگلی حفاظت‌شده. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 530. [ Google Scholar ] [ CrossRef ]
  8. هوانگ، جی. وانگ، ی. Zhang, L. شناسایی اولویت فضایی بازسازی زیست محیطی وابسته به روند کیفیت چشم انداز در مناطق شهری. Land 2022 , 11 , 27. [ Google Scholar ] [ CrossRef ]
  9. Shach-Pinsly، D. اندازه گیری امنیت در محیط ساخته شده: ارزیابی آسیب پذیری شهری در شکل شهری در مقیاس انسانی. Landsc. طرح شهری. 2019 ، 191 ، 103412. [ Google Scholar ] [ CrossRef ]
  10. ژانگ، جی. قهوهای مایل به زرد، PY; زنگ، اچ. Zhang، Y. ارزیابی پیاده‌روی در شهری که به سرعت در حال شهرنشینی است و رابطه آن با ارزش املاک مسکونی. پایداری 2019 ، 11 ، 7. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  11. لارسن، ال. یشیتلا، ک. مولاتو، تی. سیفو، اس. Desta، H. تأثیر شهرنشینی سریع و توسعه مسکن عمومی بر شکل و تراکم شهری در آدیس آبابا، اتیوپی. Land 2019 , 8 , 66. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. رایت وندل، او؛ زارگر، RK; Mihelcic، JR دسترسی و قابلیت استفاده: ترجیحات، ادراکات و موانع فضای سبز در شهری که به سرعت در حال شهرنشینی در آمریکای لاتین است. Landsc. طرح شهری. 2012 ، 107 ، 272-282. [ Google Scholar ] [ CrossRef ]
  13. ژو، جی. ژانگ، جی. لی، سی. لیو، ی. الگوی فضایی تبدیل و گسترش زمین شهری کاربردی تحت شهرنشینی سریع: مطالعه موردی چانگچون، چین. Land 2022 , 11 , 119. [ Google Scholar ] [ CrossRef ]
  14. سوریا، بی. سلیم، ع. هرنیتا، اچ. سوریانی، س. منه، اف. راسیدی، ES تغییر کاربری زمین، تراکم شهری، و گسترش شهری: چشم انداز توسعه پایدار شهر ماکاسار، اندونزی. Land 2021 , 10 , 556. [ Google Scholar ] [ CrossRef ]
  15. یانگ، ز. چن، ی. گوا، جی. ژنگ، ز. Wu, Z. استفاده از داده های نور شبانه برای شناسایی ساختار شهرهای چند مرکزی و ارزیابی مراکز شهری. علمی کل محیط. 2021 ، 780 ، 146586. [ Google Scholar ] [ CrossRef ]
  16. لیو، سی. هوانگ، ایکس. زو، ز. چن، اچ. تانگ، ایکس. Gong, J. استخراج خودکار منطقه ساخته شده از تصاویر ماهواره ای چند نمای ZY3: تجزیه و تحلیل 45 شهر جهانی. سنسور از راه دور محیط. 2019 ، 226 ، 51-73. [ Google Scholar ] [ CrossRef ]
  17. Venkatarama Reddy، BV; Jagadish، KS انرژی تجسم یافته از مصالح و فناوری های ساختمانی رایج و جایگزین. انرژی ساخت. 2003 ، 35 ، 129-137. [ Google Scholar ] [ CrossRef ]
  18. پنگ، جی. زی، پی. لیو، ی. Ma، J. پویایی محیط حرارتی شهری و عوامل الگوی منظر مرتبط: مطالعه موردی در منطقه شهری پکن. سنسور از راه دور محیط. 2016 ، 173 ، 145-155. [ Google Scholar ] [ CrossRef ]
  19. یانگ، ز. چن، ی. ژنگ، ز. هوانگ، Q. Wu, Z. کاربرد شاخص‌های هندسه ساختمان برای ارزیابی همبستگی بین ساختمان‌ها و دمای هوا. ساختن. محیط زیست 2020 , 167 , 106477. [ Google Scholar ] [ CrossRef ]
  20. بهاتی، اس اس. Tripathi، NK استخراج منطقه ساخته شده با استفاده از تصاویر Landsat 8 OLI. GIScience Remote Sens. 2014 ، 51 ، 445-467. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. یانگ، ی. لیو، ی. لی، ی. Du, G. کمی سازی الگوهای مکانی-زمانی گسترش شهری در پکن طی سال های 1985-2013 با تحول توسعه روستایی-شهری. سیاست کاربری زمین 2018 ، 74 ، 220-230. [ Google Scholar ] [ CrossRef ]
  22. او، س. زنگ، سی. زی، پی. تان، اس. وو، جی. مقایسه الگوهای رشد شهری و تغییرات بین سه تجمع شهری در چین و سه کلانشهر در ایالات متحده آمریکا از سال 1995 تا 2015. پایداری. جامعه شهرها 2019 , 50 , 101649. [ Google Scholar ] [ CrossRef ]
  23. شیانگ، دی. تانگ، تی. هو، سی. فن، Q. Su، Y. استخراج منطقه ساخته شده از تصاویر قطبی با تجزیه مبتنی بر مدل و انسجام پلاریمتری. Remote Sens. 2016 ، 8 ، 685. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  24. چن، جی. چن، جی. لیائو، ا. کائو، ایکس. چن، ال. چن، ایکس. او، سی. آویزان شدن.؛ پنگ، اس. لو، ام. و همکاران نقشه برداری جهانی پوشش زمین با وضوح 30 متر: یک رویکرد عملیاتی مبتنی بر POK ISPRS J. Photogramm. Remote Sens. 2015 ، 103 ، 7-27. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. یانگ، ز. چن، ی. وو، زی. کیان، ق. ژنگ، ز. ناهمگونی فضایی محیط حرارتی بر اساس گسترش شهری شهرهای طبیعی با استفاده از داده‌های باز در گوانگژو، چین. Ecol. اندیک. 2019 ، 104 ، 524-534. [ Google Scholar ] [ CrossRef ]
  26. ولاستگی-مونتویا، آ. دی لیما، ا. آدامی، ام. دینامیک فضا-زمان استفاده از زمین در شهرداری گویانزیا دو پارا، برزیل. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 146. [ Google Scholar ] [ CrossRef ]
  27. که، ی. من، جی. لی، جی. گونگ، اچ. Ryu, Y. ویژگی های NDVI مشتق از لندست 8 OLI در مقایسه با سنسورهای ماهواره ای متعدد و مشاهدات درجا. سنسور از راه دور محیط. 2015 ، 164 ، 298-313. [ Google Scholar ] [ CrossRef ]
  28. لانگ، ی. ژای، دبلیو. شن، ی. بله، X. درک گسترش ناهموار شهری با شهرهای طبیعی با استفاده از داده های باز. Landsc. طرح شهری. 2018 ، 177 ، 281-293. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. جیانگ، بی. Ma, D. یک فراکتال چقدر پیچیده است؟ شکستگی های سر/دم و سلسله مراتب کسری. J. Geovisualization Spat. مقعدی 2018 ، 2 ، 6. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. جیانگ، بی. میائو، ی. تکامل شهرهای طبیعی از دیدگاه رسانه های اجتماعی مبتنی بر مکان. پروفسور Geogr. 2015 ، 67 ، 295-306. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. طولانی، Y. بازتعریف سیستم شهری چین با داده های جدید در حال ظهور. Appl. Geogr. 2016 ، 75 ، 36-48. [ Google Scholar ] [ CrossRef ]
  32. هو، تی. یانگ، جی. لی، ایکس. Gong, P. نقشه برداری کاربری زمین شهری با استفاده از تصاویر landsat و داده های اجتماعی باز. Remote Sens. 2016 , 8 , 151. [ Google Scholar ] [ CrossRef ]
  33. یانگ، ز. چن، ی. Wu, Z. چگونه گسترش شهری بر محیط حرارتی تأثیر می گذارد؟ بررسی تاثیر شهرهای طبیعی بر ارزش میدان حرارتی و ردپای محیط حرارتی. Ecol. اندیک. 2021 , 126 , 107632. [ Google Scholar ] [ CrossRef ]
  34. وانگ، ز. ما، دی. سان، دی. Zhang, J. شناسایی و تجزیه و تحلیل منطقه عملکردی شهری در Hangzhou بر اساس داده های OSM و POI. PLoS ONE 2021 , 16 , e0251988. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  35. Zhou، N. تحقیق در مورد ساختار فضایی شهری بر اساس محدودیت های دوگانه محیط جغرافیایی و داده های بزرگ POI. J. King Saud Univ.-Sci. 2022 ، 34 ، 101887. [ Google Scholar ] [ CrossRef ]
  36. لو، جی. چن، کیو. او، ک. ژو، ی. Shi، Z. استفاده از داده‌های نور شبانه و داده‌های بزرگ POI برای شناسایی مراکز شهری هانگژو. Remote Sens. 2019 ، 11 ، 1821. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  37. جیانگ، ب. کلیت به عنوان یک نمودار سلسله مراتبی برای به تصویر کشیدن ماهیت فضا. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 1632-1648. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. جیانگ، بی. Yin, J. Ht-Index برای تعیین کمیت ساختار فراکتال یا مقیاس بندی ویژگی های جغرافیایی. ان دانشیار صبح. Geogr. 2014 ، 104 ، 530-540. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00303 g001 550
شکل 1. موقعیت منطقه مورد مطالعه نشان می دهد: ( الف ) موقعیت گوانگژو در چین. ( ب ) ناحیه گوانگژو.
Ijgi 11 00303 g002 550
شکل 2. روش های استخراج NC ها از POI: ( الف ) داده های POI. ( ب ) ایجاد TIN. ( ج ) چند ضلعی TIN را انتخاب کنید. د ) شهر طبیعی.
Ijgi 11 00303 g003 550
شکل 3. رویه های ترسیم BUA ها بر اساس نقشه های شبکه های مختلف.
Ijgi 11 00303 g004 550
شکل 4. توزیع فضایی NC ها در گوانگژو. ( الف ) NCs 2014; ( ب ) NCs 2020.
Ijgi 11 00303 g005 550
شکل 5. توزیع فضایی BUAهای 2014 در گوانگژو که از نقشه‌های شبکه مختلف مشخص شده است: ( الف ) 50 متر × 50 متر. ( ب ) 100 متر × 100 متر؛ ( ج ) 150 متر × 150 متر؛ ( د ) 200 متر × 200 متر; ( ه ) 250 متر × 250 متر؛ ( f ) 300 متر × 300 متر.
Ijgi 11 00303 g006 550
شکل 6. توزیع فضایی BUA های گوانگژو 2020 که از نقشه های شبکه مختلف مشخص شده است: ( الف ) 50 متر × 50 متر. ( ب ) 100 متر × 100 متر؛ ( ج ) 150 متر × 150 متر؛ ( د ) 200 متر × 200 متر; ( ه ) 250 متر × 250 متر؛ ( f ) 300 متر × 300 متر.
Ijgi 11 00303 g007 550
شکل 7. توزیع فضایی BUAs در گوانگژو. ( الف ) در سال 2014؛ ( ب ) در سال 2020؛ ( ج ) از 2014 تا 2020.
Ijgi 11 00303 g008 550
شکل 8. نرخ گسترش BUA در جهت گیری های فضایی چندگانه، 2014 تا 2020: ( الف ) گوانگژو. ( ب ) Yuexiu; ( ج ) لیوان; ( د ) Tianhe; ( ه ) هایزو; ( و) بایون ; ( g ) Panyu; ( ح ) نانشا; ( i ) Huangpu; ( ی ) Zengcheng ; ( k ) Conghua; ( ل ) هوادو.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید