استخراج مناطق ساخته شده شهری بر اساس ترکیب داده ها: مطالعه موردی ژنگژو، چین

مناطق ساخته شده شهری نه تنها حامل فضایی فعالیت های شهری هستند، بلکه مظهر مستقیم گسترش شهری هستند. بنابراین، استخراج دقیق مناطق ساخته شده شهری برای قضاوت در مورد روند شهرنشینی از اهمیت عملی زیادی برخوردار است. مطالعات قبلی که تنها از داده های نور شبانه تک منبع (NTL) برای استخراج مناطق ساخته شده شهری استفاده می کردند، دیگر نمی توانند نیازهای توسعه سریع شهرنشینی را برآورده کنند. بنابراین، در این مطالعه، داده‌های بزرگ مکان مکانی ابتدا با داده‌های NTL ادغام شدند که به طور موثری دقت استخراج مناطق ساخته‌شده شهری را بهبود بخشید. سپس، یک تبدیل موجک برای ترکیب داده ها استفاده شد و از تقسیم بندی چند وضوح برای استخراج مناطق ساخته شده شهری ژنگژو استفاده شد. نتایج مطالعه نشان داد که دقت و ضریب کاپا استخراج مناطق ساخته‌شده شهری توسط داده‌های NTL تک منبعی به ترتیب 85.95% و 0.7089 بود، در حالی که دقت و ضریب کاپا استخراج مناطق ساخته‌شده شهری توسط داده‌های ذوب شده 96.15 است. درصد و 0.8454 به ترتیب. بنابراین، پس از ادغام داده‌های داده‌های NTL و داده‌های بزرگ مکان مکانی، داده‌های ذوب شده کمبود داده‌های NTL تک منبعی را در استخراج مناطق ساخته‌شده شهری جبران کرده و دقت استخراج را به طور قابل‌توجهی بهبود بخشید. روش تلفیق داده‌های پیشنهادی در این مطالعه می‌تواند مناطق ساخته‌شده شهری را راحت‌تر و دقیق‌تر استخراج کند، که ارزش عملی مهمی برای نظارت بر شهرنشینی و برنامه‌ریزی و ساخت و ساز شهری بعدی دارد. در حالی که دقت و ضریب کاپا استخراج مناطق ساخته شده شهری توسط داده های ذوب شده به ترتیب 15/96 درصد و 8454/0 است. بنابراین، پس از ادغام داده‌های داده‌های NTL و داده‌های بزرگ مکان مکانی، داده‌های ذوب شده کمبود داده‌های NTL تک منبعی را در استخراج مناطق ساخته‌شده شهری جبران کرده و دقت استخراج را به طور قابل‌توجهی بهبود بخشید. روش تلفیق داده‌های پیشنهادی در این مطالعه می‌تواند مناطق ساخته‌شده شهری را راحت‌تر و دقیق‌تر استخراج کند، که ارزش عملی مهمی برای نظارت بر شهرنشینی و برنامه‌ریزی و ساخت و ساز شهری بعدی دارد. در حالی که دقت و ضریب کاپا استخراج مناطق ساخته شده شهری توسط داده های ذوب شده به ترتیب 15/96 درصد و 8454/0 است. بنابراین، پس از ادغام داده‌های داده‌های NTL و داده‌های بزرگ مکان مکانی، داده‌های ذوب شده کمبود داده‌های NTL تک منبعی را در استخراج مناطق ساخته‌شده شهری جبران کرده و دقت استخراج را به طور قابل‌توجهی بهبود بخشید. روش تلفیق داده‌های پیشنهادی در این مطالعه می‌تواند مناطق ساخته‌شده شهری را راحت‌تر و دقیق‌تر استخراج کند، که ارزش عملی مهمی برای نظارت بر شهرنشینی و برنامه‌ریزی و ساخت و ساز شهری بعدی دارد. داده های ذوب شده کمبود داده های NTL تک منبعی را در استخراج مناطق ساخته شده شهری جبران کرد و دقت استخراج را به طور قابل توجهی بهبود بخشید. روش تلفیق داده‌های پیشنهادی در این مطالعه می‌تواند مناطق ساخته‌شده شهری را راحت‌تر و دقیق‌تر استخراج کند، که ارزش عملی مهمی برای نظارت بر شهرنشینی و برنامه‌ریزی و ساخت و ساز شهری بعدی دارد. داده های ذوب شده کمبود داده های NTL تک منبعی را در استخراج مناطق ساخته شده شهری جبران کرد و دقت استخراج را به طور قابل توجهی بهبود بخشید. روش تلفیق داده‌های پیشنهادی در این مطالعه می‌تواند مناطق ساخته‌شده شهری را راحت‌تر و دقیق‌تر استخراج کند، که ارزش عملی مهمی برای نظارت بر شهرنشینی و برنامه‌ریزی و ساخت و ساز شهری بعدی دارد.

کلید واژه ها:

شهرنشینی ; گسترش شهری ; سنجش از دور اجتماعی ; منطقه ساخته شده شهری ; ژنگژو

1. مقدمه

مناطق ساخته‌شده شهری به مناطقی اطلاق می‌شود که دستخوش توسعه شهری شده‌اند و به امکانات عمومی عمومی شهری مجهز هستند [ 1 ]. مناطق ساخته شده شهری نواحی اصلی هستند که فعالیت های انسانی و اقتصادی در آنها متمرکز است و همچنین حامل فضایی برای فعالیت های شهری هستند [ 2 ]. در اصل شهرنشینی تبدیل از مناطق روستایی به مناطق شهری است که تجلی دائمی آن گسترش گسترده مناطق ساخته شده شهری است. به عبارت دیگر، ارتباط تنگاتنگی بین دگرگونی مناطق ساخته شده شهری و سطح شهرنشینی وجود دارد، به این معنی که استخراج دقیق مناطق ساخته شده شهری بدون شک به دانش شهرنشینی کمک می کند [ 3 ، 4 ].].

با شتاب شهرنشینی چین در سال‌های اخیر، مناطق شهری در چین به شدت افزایش یافته است. تا سال 2020، کل مساحت شهری چین از سال 1972 با 746 درصد افزایش به 30521.13 کیلومتر مربع رسیده است [ 5 ]. با این حال، داده‌های آماری اصلی و روش‌های استخراج همچنان بر آمارها و بررسی‌های تک منبعی و طولانی‌مدت تکیه می‌کنند، که دیگر نمی‌تواند الزامات توسعه با کیفیت بالا در شهرنشینی جدید چین را برآورده کند. این واقعیت که مناطق ساخته شده شهری در حال تجربه تغییرات شدید هستند، نیازمند روش‌های دقیق‌تر و قابل‌تکثیر برای استخراج مناطق ساخته‌شده شهری است [ 6 ، 7 ]]. با این حال، در حال حاضر، بیشتر مطالعات در مورد مناطق ساخته شده شهری بر شهرهای بزرگ با سطح توسعه بالاتر و مناطق با مناطق ساخته شده بزرگتر متمرکز است، در حالی که توجه کمی به شهرهایی می شود که هنوز در دوره توسعه سریع قرار دارند و با سطح توسعه عمومی شهری.

به لطف توسعه سریع فناوری سنجش از دور، مجموعه ای از داده های سنجش از دور به تدریج در مطالعات مربوط به شهری، از جمله داده های نور شبانه (NTL) استفاده شده است [ 8 ]. نور شبانه می‌تواند توزیع جمعیت و زیرساخت‌ها را در شهرهای شهری با گرفتن روشنایی نور شبانه شهری نشان دهد، که همچنین دلیل استفاده گسترده از داده‌های NTL در تجزیه و تحلیل فعالیت‌های انسانی و برآورد عوامل اجتماعی و اقتصادی مرتبط است [ 9 ، 10 ، 11]. در حال حاضر، داده‌های متداول NTL شامل DMSP/OLS (سیستم اسکن خط عملیاتی برنامه هواشناسی دفاعی)، NPP/VIIRS (سوئومی ملی مدار قطبی مشارکت/ مجموعه رادیومتر تصویربرداری مادون قرمز مرئی) و داده‌های Luojia-01، که در میان آنها مقیاس زمانی است. از داده‌های DMSP/OLS NTL از 1992 تا 2013، مقیاس زمانی داده‌های NPP/VIIRS NTL مربوط به سال 2012 و مقیاس زمانی داده‌های Luojia-01 NTL از ژوئن 2018 تا 2022 است. اگرچه آخرین داده‌های Luojia-01 NTL نمی‌تواند از سال 2022 قابل دسترسی است، هنوز هم می توان به داده های اصلی دسترسی داشت. دوم، در مقایسه با داده‌های DMSP/OLS، وضوح فضایی داده‌های NPP/VIIRS 500 متر تا 1000 متر افزایش یافته است، که اجازه می‌دهد تا جزئیات دقیق‌تری در مطالعات مربوط به شهری ارائه شود [ 12 ، 13 ، 14 ، 15 ].]. در اکتبر 2018، دانشگاه ووهان ماهواره آزمایشی Luojia-01 را پرتاب کرد که شروع به ارائه داده های نور با وضوح بالا در شب با وضوح فضایی 130 متر کرد. در مقایسه با داده‌های DMSP/OLS و NPP/VIIRS، بهبود زیاد در وضوح فضایی داده‌های Luojia-01 ارزیابی ساختارهای فضایی داخلی شهری را به روشی خوب ممکن می‌سازد [ 16 ]]. علاوه بر این، وضوح فضایی بالاتر ساختار فضایی داخلی شهری را که توسط Luojia-01 منعکس شده است کاملتر می کند. بنابراین، کاربرد فعلی داده‌های Luojia-01 عمدتاً بر شناسایی ساختارهای فضایی شهری، استخراج مناطق ساخته‌شده شهری و تعیین مرزهای شهری متمرکز است. داده های Luojia-01 تاکید مطالعه داده های NTL را از تمرکز بر تجمعات شهری و مناطق شهری به تمرکز بر یک شهر تغییر داده است [ 17 ، 18 ].

مطالعات استخراج مناطق مسکونی شهری بر اساس داده های NTL با روش دوگانگی و روش آستانه آغاز شد، یعنی با این فرض که مساحت ساخته شده و محدوده منطقه هدف مشخص است، مقادیر داده های NTL استخراج می شود به طوری که محدوده با ارزش بالا از مقدار نور شبانه استخراج شده تا حد امکان به منطقه و محدوده ساخته شده شناخته شده نزدیک باشد [ 19 ، 20 ]. با این حال، این روش برای کار کردن بیش از حد دست و پا گیر است و نیاز به درک خاصی از منطقه مورد مطالعه دارد، که رایج کردن روش ها در یک منطقه بزرگ را دشوار می کند [ 21 ]]. بنابراین، مطالعات فعلی در مورد استخراج مناطق ساخته شده بیشتر بر اساس تقسیم بندی تصویر است، یعنی تقسیم بندی داده های NTL، مانند تقسیم بندی تشخیص لبه، تقسیم بندی ویژگی ها، تقسیم بندی شی گرا و غیره [ 22 ، 23 ، 24 ]. اگرچه این روش‌های تقسیم‌بندی نتایج خوبی در استخراج مناطق ساخته‌شده شهری به دست آورده‌اند، نتایج تقسیم‌بندی نشان داده‌اند که پیکسل‌های تصویر قطعه‌بندی‌شده به‌طور قابل‌توجهی تکه تکه شده‌اند [ 25 ]. با این حال، مطالعات فعلی در مورد بهینه‌سازی نتایج تقسیم‌بندی تصویر کمتر است و توجه بیشتری به نحوه استفاده از روش‌های تقسیم‌بندی مختلف برای تقسیم‌بندی تصاویر شده است [ 26 ].

به عنوان یک نوع داده بزرگ جغرافیایی شهری، داده‌های POI می‌توانند ویژگی‌های عملکردی مختلف یک منطقه در یک شهر شهری را از طریق درجه توزیع فضایی داده‌ها منعکس کنند [ 27 ]. علاوه بر این، تجمع داده‌های POI در فضاهای شهری یک همبستگی فضایی قوی با توزیع مقادیر بالا و پایین داده‌های NTL دارد [ 28 ]، به این معنا که داده‌های NTL می‌توانند مناطق با سطوح مختلف توسعه در یک فضای شهری را از طریق توزیع متمایز کنند. مقادیر NTL بالا و پایین [ 29 ]، در حالی که داده های POI می توانند توابع مختلف شهری و توزیع زیرساخت را از طریق تراکم کمی منعکس کنند [ 30 ]]. علاوه بر این، با توسعه سریع شهرها، اطلاعات فضایی داخلی به طور فزاینده‌ای پیچیده می‌شود و برای داده‌های منفرد انعکاس چنین اطلاعات مکانی پیچیده‌ای به طور فزاینده‌ای دشوار است [ 31 ، 32 ]. بنابراین، محققان سعی می‌کنند داده‌های POI را با داده‌های NTL ترکیب کنند تا توانایی بازخورد و مشاهده اطلاعات فضایی شهری را بهبود بخشند [ 33 ، 34]. در حال حاضر، اگرچه مطالعه بر روی ادغام داده‌های POI و داده‌های NTL در مناطق شهری به نتایج خوبی دست یافته است، ترکیب فعلی دو نوع داده عمدتاً حذف نقاط پرت مکانی در داده‌های NTL با استفاده از داده‌های POI برای بهبود دقت مشاهده است. داده های NTL چنین ترکیبی عمدتاً بر روی داده های NTL متمرکز است و ارزش POI و سایر کلان داده ها به طور کامل منعکس نشده است [ 35 ، 36 ].

به طور کلی، مطالعه حاضر در مورد تلفیق داده ها و استخراج مناطق ساخته شده شهری ممکن است نارسایی های مطالعاتی زیر را داشته باشد: اولاً از منظر منطقه مورد مطالعه، توجه بیش از حد به شهرهای با سطح توسعه بالا و ساخت و ساز بزرگ معطوف شده است. مناطق بالا، و توجه کمتری به شهرهای کوچک و متوسط که هنوز در حال توسعه سریع هستند، می شود [ 37 ]. ثانیاً، از منظر روش‌های مطالعه، تأثیر روش‌های مختلف، به‌ویژه روش‌های تقسیم‌بندی تصویر، بر استخراج داده‌های NTL مناطق ساخته‌شده بیشتر مورد بحث قرار گرفته است و نتایج به‌دست‌آمده با روش‌های تقسیم‌بندی مختلف بیشتر بهینه نشده است [ 38 ].]. ثالثاً، از منظر داده های مطالعه، اگرچه مطالعات زیادی در مورد ادغام داده های POI و داده های NTL انجام شده است، اصلاح تصویر بر اساس داده های NTL نقش داده های POI را به حداکثر رسانده است [ 39 ]. بنابراین، سهم این مطالعه عمدتاً در جنبه‌های زیر منعکس شد: اول، از منطقه مورد مطالعه، این مطالعه شهرهای غیرسطح اول با بالاترین میانگین نرخ رشد مناطق ساخته‌شده شهری در چین را طی ده گذشته انتخاب کرد. سال ها. دوم، از روش های مطالعه، این مطالعه تکمیل کننده بهینه سازی پیکسل های تصویر پس از تقسیم بندی تصویر است. سوم، از داده‌های مطالعه، ادغام داده‌های NTL و داده‌های POI در سطح پیکسل با روشی امکان‌پذیر در این مطالعه انجام شد، که ادغام داده‌های NTL و داده‌های POI را در یک سطح محقق کرد.

روش جدیدی برای استخراج مناطق ساخته شده شهری در این مطالعه پیشنهاد شده است که می تواند مطالعه نظری فضای شهری را غنی کند. همچنین اعتقاد بر این است که استخراج دقیق منطقه ساخته شده شهری ژنگژو بدون شک به قضاوت دقیق شهرنشینی در ژنگژو کمک می کند، بنابراین یک پایه نظری برای حاکمیت منطقه ای و سیاست گذاری در رابطه با توسعه هماهنگ شهری و روستایی ژنگژو فراهم می کند.

2. مواد و روشها

2.1. منطقه مطالعه

با شهرنشینی سریع چین، گسترش مناطق ساخته شده در چین آشکارتر شده است. به منظور آزمایش بهتر اثر استخراج مناطق ساخته شده، این مطالعه ژنگژو را انتخاب کرد، جایی که مناطق ساخته شده شهری در دهه گذشته به سرعت در حال گسترش بودند، به جای شهرهای سطح اول مانند پکن، شانگهای و گوانگژو به عنوان مطالعه. حوزه. در ژنگژو، به عنوان مرکز استان هنان ( شکل 1 )، طبق آمار داده ها، نرخ رشد مناطق ساخته شده در ژنگژو به طور کلی در دهه گذشته از 120 درصد و بیش از 130 درصد در سال های 2020 و 2021 فراتر رفته است. ; چنین روند رشدی در چین منحصر به فرد است [ 40]. با توسعه سریع مناطق ساخته شده، استخراج دقیق مناطق ساخته شده به یک پیش نیاز مهم برای تدوین برنامه های توسعه شهری تبدیل شده است. از طریق تجزیه و تحلیل موردی ژنگژو، این مطالعه استخراج مناطق ساخته شده را تحت تغییرات با سرعت بالا مورد بحث قرار می دهد، که نه تنها اهمیت راهنمای عملی مهمی برای توسعه شهری و برنامه ریزی شهری-روستایی ژنگژو در طول دوره توسعه سریع دارد، بلکه نقش مهمی نیز دارد. نقش مثبتی در استخراج سایر مناطق ساخته شده شهری با تغییر کمتر دارد.

منطقه مورد مطالعه این مطالعه عمدتاً شامل 8 منطقه اداری در ژنگژو بود: منطقه Jinshui، Zhongyuan District، Guancheng District، Erqi District، Huiji District، Shangjie District، Xinzheng District و Xingyang District.

2.2. داده های مطالعه

داده‌های مطالعه مورد استفاده در این مطالعه عمدتاً داده‌های Luojia-01 NTL و داده‌های POI بودند.

داده های Luojia-01 ارائه شده توسط ماهواره آزمایشی Luojia-01 را می توان به صورت رایگان در https://59.175.109.173:8888/Index.html دانلود کرد (در تاریخ 1 ژانویه 2022 قابل دسترسی است). در مقایسه با داده‌های DMSP/OLS و NPP/VIIRS NTL، داده‌های Luojia-01 NTL دارای وضوح 130 متر و عرض 20 کیلومتر هستند که داده‌های Luojia-01 NTL را قادر می‌سازد در تجزیه و تحلیل مقیاس فضایی کامل‌تر باشند [ 41 ].]. علاوه بر این، ویژگی‌های عددی دقیق‌تر داده‌های NTL، دقت استخراج آن را در فضاهای شهری به میزان زیادی بهبود می‌بخشد. شاخص های فنی خاص Luojia-01 به شرح زیر است: باند موج از 0.5 تا 0.9 میکرومتر، طول موج از 480 تا 800، وضوح مکانی از 100 تا 150 متر، روشنایی 10 لوکس، نوع مدار یک مدار دایره ای سنکرون خورشید، ارتفاع استاندارد مدار از 500 تا 600 کیلومتر و دوره رصد 15 روز است. داده های NTL ژنگژو از اکتبر 2018 تا اکتبر 2021 برای این مطالعه پس از دسترسی به وب سایت ذکر شده در بالا به دست آمد. به دلیل ناپیوستگی، اشباع نبودن و به راحتی تحت تأثیر لیزر و آتش داده های NTL، مقادیر NTL مستعد ایجاد مقادیر منفی و پرت هستند. بنابراین، این مطالعه از کالیبراسیون رادیومتریک برای اصلاح داده‌های NTL استفاده کرد.42 ]. به لطف قابلیت‌های تصویربرداری در روز و شب داده‌های Luojia-01 NTL، کالیبراسیون غیریکنواختی هر پیکسل از حسگر شب‌تابی با ساخت یک مدل انتقال مرجع تشعشع روز به شب محقق شد. به طور خاص، مدل کالیبراسیون با استفاده از تصاویر تصویربرداری در روز حل شد و سپس تأثیر نور شب اصلاح و جبران شد، یعنی ضریب تصحیح نسبی کم بهره پیکسل‌های سنسور کالیبره‌شده در روز به بهره بالا تبدیل شد. پارامتر تصحیح نسبی در شب بر اساس این مدل [ 43 ]. داده های NTL تصحیح شده در شکل 2 نشان داده شده است.

داده‌های POI به مجموعه داده‌های نقطه‌ای در یک نقشه الکترونیکی شبکه اشاره دارد که از چهار ویژگی تشکیل شده است: نام، آدرس، مختصات و دسته [ 44 ]. در حال حاضر، شرکت‌های نقشه‌برداری متعددی مانند Baidu Maps، Amap و QQ Maps، خدمات دسترسی API (رابط برنامه‌نویسی اپلیکیشن) را به توسعه‌دهندگان ارائه کرده‌اند که به کاربران امکان می‌دهد انواع داده‌های معقول را حس کنند. یک POI می تواند یک فروشگاه، یک ساختمان یا یک گره در یک ساختمان در سیستم اطلاعات جغرافیایی (GIS) را نشان دهد. بنابراین، یک نقطه POI ممکن است عملکردهای متعددی داشته باشد، بنابراین به منظور جلوگیری از تداخل نقطه POI با توابع متعدد در تحلیل نهایی، این مطالعه داده های POI به دست آمده را از طریق مکان و محدودیت های معنایی POI فیلتر و پاکسازی کرد [ 45 ].]. با دسترسی به API ارائه شده توسط Amap ( www.amap.com )، این مطالعه داده های POI را از ژنگژو در دسامبر 2021 به دست آورد و دسته و تعداد داده های POI به ترتیب 22 و 669213 بود. پس از غربالگری، بررسی تکراری، فیلتر کردن و تمیز کردن تمام داده‌های POI به‌دست‌آمده، دسته و کمیت به ترتیب 16 و 459817 بود. از آنجایی که وضوح فضایی داده‌های NTL مورد استفاده در این مطالعه 130 متر بود، این مطالعه از یک شبکه فضایی 130 متری برای شمارش تعداد POI برای یکسان کردن وضوح مکانی داده‌ها استفاده کرد. تعداد و توزیع فضایی POI در ژنگژو در شکل 3 نشان داده شده است.

2.3. مواد و روش ها

نمودار جریان روش استخراج منطقه ساخته شده در شکل 4 نشان داده شده است .

ایده مطالعه این مطالعه به شرح زیر است: ابتدا از داده های NTL برای استخراج مناطق ساخته شده شهری از طریق تقسیم بندی چند تفکیک پذیری، تخمین پارامترهای مقیاس و تقسیم بندی اختلاف طیفی استفاده شد. سپس مناطق ساخته شده با روش های فوق از طریق ادغام داده های POI و داده های NTL استخراج شدند و نتایج استخراج مناطق ساخته شده شهری قبل و بعد از ادغام داده های NTL و داده های POI بیشتر شد. مقایسه کرد. یک نقطه از داده های POI برای استخراج مناطق ساخته شده شهری مناسب نیست، دلیل اصلی این است که مناطق ساخته شده شهری استخراج شده از داده های POI بسیار متفاوت از مناطق ساخته شده شهری واقعی هستند، بنابراین قابل مقایسه نیستند [ 38 ، 39]. بنابراین، این مطالعه تنها نتایج همجوشی داده‌های POI و داده‌های NTL را مقایسه و تجزیه و تحلیل کرد.

2.3.1. تبدیل موجک (WT)

به عنوان شاخه مهمی از ادغام اطلاعات، هدف از آمیختگی تصویر، ترکیب اطلاعات چند باندی یک حسگر منفرد یا اطلاعات ارائه شده توسط انواع مختلف حسگرها است، در نتیجه از بین بردن افزونگی و تضاد ممکن بین اطلاعات چند سنسوری وجود دارد. به طوری که شفافیت اطلاعات موجود در تصویر را افزایش داده و دقت، قابلیت اطمینان و استفاده از تفسیر تصویر را بهبود بخشد، در نتیجه منجر به توصیف اطلاعات واضح، کامل و دقیق از هدف می شود [ 46 ، 47 ، 48 ]]. در حال حاضر، ادغام تصویر شامل ادغام در سطح داده، ادغام در سطح ویژگی و ادغام در سطح تصمیم است که در میان آنها ادغام در سطح داده، همچنین به عنوان ادغام در سطح پیکسل شناخته می شود، به فرآیند پردازش مستقیم داده های جمع آوری شده توسط حسگرها برای به دست آوردن اشاره دارد. تصویر ذوب شده، که یکی از محورهای مطالعه تلفیق تصویر فعلی است [ 49 ]. مزیت ادغام در سطح داده این است که تا حد امکان داده های میدان خام را حفظ می کند در حالی که اطلاعات ظریفی را ارائه می دهد که سایر سطوح همجوشی نمی توانند ارائه دهند. الگوریتم‌های حوزه فضایی و الگوریتم‌های حوزه تبدیل در همجوشی در سطح داده وجود دارد که در میان آنها تبدیل موجک مهم‌ترین و متداول‌ترین روش برای پوشش هر دو حوزه مکانی و زمانی است [ 50 ].

به عنوان یک تبدیل در مقیاس جهانی، WT یک الگوریتم ترکیبی تصویر مبتنی بر پیکسل است [ 51 ]. در مقایسه با سایر الگوریتم‌های همجوشی، WT با ارائه یک “پنجره زمان-فرکانس” پویا [ 52 ]، توانایی نگهداری ایستگاه در هر دو حوزه زمان و فرکانس را دارد. از طریق این پنجره، WT می تواند به طور کامل رابطه تعاملی بین حوزه زمانی و فرکانس یک تصویر را در نظر بگیرد، که WT را به ابزاری ایده آل برای ادغام تصویر تبدیل می کند [ 53 ]. فرمول WT به شرح زیر است:

دبلیو تی (α ، τ) = f (t) φ (t) = 1 α -\sqrt f (تی) 🔻 + \infty - \infty φ (t - b α) د تی

(1)

که در آن f بردار سیگنال، t تابع موجک پایه، α مقیاس، τ ترجمه و b پارامتر است.

با توجه به اصل WT ، تصویر اصلی که نیاز به ادغام داشت، تجزیه شد و سپس مولفه های فرکانس بالا و پایین تصویر در جهات مختلف (جهت افقی، جهت عمودی و جهت مورب-لبه) به دست آمد. اجزای با فرکانس بالا و پایین شامل تمام قسمت های دقیق تصویر اصلی با جزئیات مختلف مطابق با ویژگی های مختلف تصویر بودند. سپس اطلاعات دقیق تصاویر مختلف در پنجره دینامیک WT مقایسه شد و پس از آن با تنظیم حداکثر مقدار مطلق در WT، همجوشی محقق شد .دامنه به عنوان مناسب ترین مقیاس. در نهایت، پس از تبدیل معکوس بر روی تصویر ذوب شده، تصویر به دست آمد. فرآیند همجوشی تبدیل موجک در شکل 5 نشان داده شده است .

2.3.2. تقسیم بندی چند رزولوشن

اگرچه تقسیم‌بندی تصویر یکی از پرکاربردترین روش‌های تفسیر تصاویر سنجش از دور با وضوح بالا است، روش‌های تقسیم‌بندی تصویر شامل تقسیم‌بندی مبتنی بر آستانه، تقسیم‌بندی مبتنی بر ناحیه، تقسیم‌بندی مبتنی بر لبه و تقسیم‌بندی بر اساس تئوری‌های خاص است. از آنجایی که اطلاعات ساختار فضایی غنی و اطلاعات ویژگی‌های جغرافیایی در تصاویر سنجش از دور عملکردهای متفاوتی در مقیاس‌های مختلف دارند، تقسیم‌بندی با وضوح چندگانه به عنوان یک روش قابل اعتماد در نظر گرفته می‌شود و در حال حاضر به طور گسترده در تقسیم‌بندی تصویر استفاده می‌شود [ 54 ].]. به‌عنوان یک الگوریتم تقسیم‌بندی تصویر از پایین به بالا شی گرا، تقسیم‌بندی چند تفکیک‌پذیری از دیگر الگوریتم‌ها در نحوه تقسیم‌بندی تصاویر متفاوت است. تقسیم بندی چند رزولوشن می تواند تصویر هدف را با ادغام عناصر مجاور بر اساس فرض اطمینان از حداکثر ناهمگنی متوسط بین بخش و حداکثر همگنی بین بخش تقسیم کند [ 55 ].

سه عامل اصلی تقسیم بندی چند تفکیک پذیری وجود دارد: مقیاس، شکل و سفتی. پس از تقسیم بندی با پارامترهای نسبت انتخاب شده، مقدار متوسط و مساحت تمام تصاویر قطعه بندی شده قابل محاسبه است. سپس، واریانس میانگین وزنی پس از تقسیم‌بندی نیز می‌تواند محاسبه شود و تنها زمانی که واریانس به حداکثر مقدار برسد، ضریب مقیاس‌بندی مناسب‌ترین است.

سی ک = 1 n \sum n i = 1 سی k i

(2)

سی ¯¯¯ ک = 1 متر \sum متر k = 1 سی ک

(3)

اس 2 = 1 متر \sum متر k = 1 (سی ¯¯¯ ک - سی ¯¯¯) 2

(4)

جایی که، $C_{k}$ میانگین درخشندگی یک شیء تصویر منفرد در باند k است، n تعداد پیکسل‌های یک تصویر قطعه‌بندی شده است، ${\bar{C}}_{k}$ میانگین درخشندگی تمام اجسام در تصویر در باند k است، ${\bar{C}}_{k i}$ مقدار DN پیکسل i بخش k است ، m تعداد کل تصاویر پس از تقسیم بندی و $S^{2}$ میانگین وزنی واریانس مقادیر DN تصاویر پس از تقسیم بندی است.

2.3.3. تخمین پارامترهای مقیاس (ESP)

ESP به دلیل استفاده کامل از باندهای متعدد مشخصه سنجش از راه دور، که منجر به ارتباط بین تخمین نتایج تقسیم‌بندی و فرآیند می‌شود، برای بهینه‌سازی نتایج تقسیم‌بندی استفاده می‌شود. واریانس محلی اشیاء مختلف در یک باند ابتدا محاسبه می‌شود و سپس میانگین واریانس محلی در باندهای متعدد برای بهینه‌سازی نتایج تقسیم‌بندی محاسبه می‌شود.

m e a n L V = (L V 1 + ال V 2 + \dots\dots L_V n)

(5)

جایی که $L V$ واریانس محلی است و $L V_{n}$ واریانس محلی یک شی در یک باند است.

وقتی همگنی داخلی یک شی به حداکثر مقدار خود می رسد، تفاوت بین اشیاء بزرگترین است و بزرگترین مقیاس واریانس محلی به عنوان مقیاس تقسیم بندی بهینه تعریف می شود.

2.3.4. تقسیم بندی اختلاف طیفی (SDS)

به عنوان یک روش بهینه‌سازی بخش‌بندی، SDS به ارتقای تکه تکه شدن تصاویر تقسیم‌بندی شده پس از ادغام بر اساس تقسیم‌بندی با وضوح چندگانه و ESP کمک می‌کند و به تعمیم بالاتر تقسیم‌بندی تصویر کمک می‌کند. فرمول SDS پس از نرمال کردن وزن باندها به شرح زیر است:

اس د من f f = \sum ک w ک w (1 n \sum n ب n - 1 متر \sum متر ب متر)

(6)

جایی که $S_{d i f f}$ مقدار اختلاف طیفی بین اجسام مجاور است. k تعداد باندها است. $w_{k}$ وزن باند k است. w مجموع وزن های باند است. n و m مجموع پیکسل ها در اشیاء مجاور هستند. و $b_{n}$ و $b_{m}$ به ترتیب مقادیر خاکستری n پیکسل و m پیکسل در اشیاء مجاور هستند. $S_{d i f f}$ تنها پارامتر الگوریتم SDS است. هرچه این مقدار بزرگتر باشد، ادغام اشیاء مجاور آسان تر است.

3. نتایج

3.1. منطقه ساخته شده شهری ژنگژو با داده های مختلف استخراج شده است

3.1.1. منطقه ساخته شده شهری ژنگژو توسط داده های NTL استخراج شده است

همانطور که در نتیجه پیش پردازش داده های NTL نشان داده شده است ( شکل 2مقادیر بالای NTL عمدتاً در منطقه Jinshui، ایستگاه راه آهن ژنگژو در منطقه Erqi، شهر دانشگاهی منطقه Zhongyuan، منطقه تجاری Zijingshan منطقه Guancheng و فرودگاه بین‌المللی Xinzheng متمرکز بود، در حالی که مقادیر NTL در سایر مناطق نسبتاً پایین‌تر بود. بنابراین، از توزیع مقادیر NTL بالا و پایین می توان دریافت که تفاوت فضایی قابل توجهی در توسعه شهرنشینی ژنگژو وجود دارد، به طوری که ناحیه ژونگ یوان، ناحیه جین شویی و ناحیه ارکی نقش مرکزی را در ژنگژو ایفا می کنند، در حالی که سایر مناطق از جمله منطقه Guancheng و فرودگاه بین المللی Xinzheng عمدتاً با مقادیر NTL پایین تر متمرکز شده اند زیرا این مناطق در فاصله طولانی از مرکز شهری قرار دارند [ 56 ].

در این مطالعه، برای اولین بار از تقسیم‌بندی چند وضوحی برای بخش‌بندی داده‌های NTL برای استخراج منطقه ساخته‌شده شهری ژنگژو استفاده شد. سپس پارامترهای مقیاس تقسیم‌بندی چند تفکیک‌پذیری 9، 0.4 و 0.7 توسط ESP تعیین شد و در نهایت منطقه ساخته‌شده شهری استخراج‌شده با تعیین پارامترهای مقیاس، همانطور که در شکل 6 نشان داده شده است، به دست آمد . شکل 6نشان می دهد که منطقه ساخته شده شهری استخراج شده توسط داده های NTL عمدتاً دارای ویژگی های زیر است. اول، مساحت استخراج شده توسط داده های NTL 623.45 کیلومتر مربع بود که 80.66٪ از کل منطقه شهری 772.92 کیلومتر مربع را شامل می شود. دوم، اگرچه منطقه ساخته شده استخراج شده عمدتاً در ناحیه ارکی، ناحیه گوانچنگ، ناحیه ژونگ یوان و منطقه جین‌شوئی متمرکز بود، اما هنوز هم در Xingyang و هم در Xinzheng خوشه‌های ساخته شده وجود داشت. سوم، از منظر مناطق ساخته شده استخراج شده، لکه های بسیار زیادی وجود داشت که منجر به تکه تکه شدن شدید مناطق ساخته شده استخراج شده شد. علاوه بر این، پدیده های خالی شهری آشکار در منطقه Zhongyuan و Xingyang با مرزهای پیچیده تر وجود داشت. علاوه بر این، جاده های اصلی اطراف فرودگاه بین المللی Xinzheng همه به عنوان مناطق ساخته شده شهری توسط داده های NTL استخراج شدند. به طور کلی، روش استخراج مناطق ساخته شده شهری توسط داده های NTL تک منبعی بی اثر است، که نیاز به مطالعات بعدی برای تکمیل روش دارد.

3.1.2. منطقه ساخته‌شده شهری ژنگژو با ترکیب داده‌های NTL و POI استخراج شده است

ارتباط عمیقی بین توزیع داده های POI و عملکرد شهری وجود دارد. یعنی هرچه داده های POI متمرکز تر باشند، عملکرد شهری قوی تر خواهد بود. تعداد و توزیع مکانی داده های POI در ژنگژو در شکل 3 نشان داده شده است. تفاوت فضایی قابل‌توجهی در داده‌های POI بین مناطق ساخته‌شده و مناطق غیرساخت‌شده وجود داشت، با داده‌های POI عمدتاً در ناحیه Erqi، منطقه Zhongyuan، منطقه Jinshui، منطقه Guancheng و Xinzheng. با مقایسه داده‌های POI با داده‌های NTL، تعداد و توزیع مکانی داده‌های POI در ژنگژو مشابه داده‌های NTL بود، که به این معنی است که داده‌های POI و داده‌های NTL می‌توانند با هم ترکیب شوند.

WT در این مطالعه برای ترکیب داده‌های POI و داده‌های NTL استفاده شد. ابتدا، این مطالعه از WT برای تقسیم‌بندی داده‌های POI و داده‌های NTL استفاده کرد. دوم، ضرایب موجک باندهای مختلف مقایسه شدند، زیرا ضرایب موجک با بخش‌های ویژگی مختلف تصویر مطابقت داشت، بنابراین لازم بود قدر مطلق ضرایب موجک در حداکثر دامنه WT باندهای فرکانسی مختلف حفظ شود. سوم، تبدیل معکوس پس از ترکیب داده‌های POI و داده‌های NTL با تنظیم ضرایب موجک مناسب انجام شد. تصویر پس از ادغام داده ها در شکل 7 نشان داده شده است . شکل 7نشان می‌دهد که پس از ادغام داده‌ها، توزیع فضایی واضح‌تری بین مقادیر بالا و پایین داده‌های POI_NTL ذوب شده وجود دارد، با مقادیر بالا عمدتاً در منطقه Jinshui، ایستگاه راه‌آهن ژنگژو در منطقه Erqi، منطقه تجاری مرکزی منطقه Guancheng و شهر شهری Xinzheng، در حالی که مناطق با ارزش های بالاتر، مانند فرودگاه بین المللی Xinzheng و Xingyang، جایی بودند که ارزش های پایین تر عمدتاً متمرکز شده بودند.

سپس، بخش‌بندی چند وضوحی در این مطالعه برای استخراج منطقه ساخته‌شده شهری در ژنگژو توسط داده‌های POI_NTL ذوب شده با پارامترهای بخش تعیین‌شده توسط مقادیر EPS 10، 0.5 و 0.5 مورد استفاده قرار گرفت و منطقه ساخته‌شده شهری پس از ادغام داده‌ها استخراج شد. در نهایت همانطور که در شکل 8 نشان داده شده است به دست آمد . شکل 8نشان می دهد که منطقه ساخته شده شهری دارای ویژگی های زیر است. اول، مساحت استخراج شده پس از ادغام داده ها 661.54 کیلومتر مربع بود که 85.58٪ از کل منطقه ساخته شده را تشکیل می دهد. دوم، تنها پنج خوشه شهری استخراج شد که در محل اتصال منطقه Erqi و منطقه Jinshui و همچنین منطقه Shangjie، Xingyang و شهر شهری Xinzheng متمرکز شدند. سوم، در مقایسه با منطقه ساخته‌شده شهری استخراج‌شده توسط داده‌های NTL، تکه‌های شهری کمتری پس از ادغام داده‌ها استخراج شدند، که به اصلاح پدیده تکه تکه شدن در منطقه ساخته‌شده شهری کمک کرد. علاوه بر این، هیچ فضای خالی شهری آشکار دیگری وجود نداشت. به طور خاص، هیچ خوشه ای در اطراف فرودگاه بین المللی سین ژنگ استخراج نشد. به طور کلی، داده های ذوب شده POI_NTL دقت استخراج را تا حدی بهبود بخشید.

3.2. تأیید مقایسه ای نتایج استخراج

3.2.1. تجزیه و تحلیل مقایسه ای قبل و بعد از ترکیب داده ها

با مقایسه داده های NTL با داده های ذوب شده POI_NTL، همانطور که در شکل 9 نشان داده شده است ، شباهتی در مقیاس کلان بین داده های NTL و داده های POI_NTL وجود داشت که می تواند به طور مستقیم ساختار فضایی داخلی شهری را نشان دهد. علاوه بر این، مقادیر بالا و پایین هر دو مجموعه داده، همگی روند نزولی را از مناطق شهری به مناطق روستایی نشان دادند. بنابراین، می توان نتیجه گرفت که پس از ادغام داده ها، داده های ذوب شده POI_NTL می توانند با حفظ ویژگی های داده های NTL در حالی که ویژگی های داده های POI را بزرگ می کنند، ساختار فضایی داخلی شهری را با دقت بیشتری نشان دهند.

با مقایسه مداوم داده‌های NTL با داده‌های ذوب‌شده POI_NTL در مقیاس میکرو، مشخص شد که یک اعوجاج ناشی از ویژگی واحد داده‌های NTL وجود دارد که روشنایی نور شبانه را به عنوان تنها معیار برای استخراج ناحیه ایجاد شده در نظر می‌گیرد. همانطور که در شکل 9 نشان داده شده استاز یک طرف، نور کمی در شب توسط داده های NTL در جوامع مسکونی و منطقه تجاری مرکزی (CBD) ژنگژو گرفته شده بود، که منجر به استخراج “حفره های نور” در منطقه ساخته شده شهری شد. پس از ادغام داده‌ها، داده‌های POI_NTL به طور کامل مزیت داده‌های POI را با داده‌های NTL با در نظر گرفتن توزیع داده‌های POI در جوامع مسکونی و مناطق CBD ترکیب کرد، که کمبود داده‌های NTL در استخراج را جبران کرد. مناطق ساخته شده شهری، که به یکپارچگی فضایی قوی تر مناطق ساخته شده استخراج شده کمک می کند. از سوی دیگر، مقدار زیادی نور شبانه در فرودگاه بین‌المللی Xinzheng و اطراف جاده‌های اصلی تولید شد که منجر به غلظت بالای NTL شد [ 37 ]]. با این حال، مقادیر بالایی از داده های POI در این مناطق، به ویژه در اطراف جاده های اصلی وجود نداشت. در مناطق تغییر یافته اطراف فرودگاه بین‌المللی شین‌ژنگ و اطراف جاده‌های اصلی، هیچ مقادیر بالا آشکاری توسط داده‌های ترکیب شده POI_NTL شناسایی نشده بود، که بیشتر با وضعیت واقعی ژنگژو مطابقت داشت.

به طور کلی، اگرچه ساختار فضایی داخلی شهری می تواند نشان داده شود، منطقه ساخته شده شهری می تواند توسط داده های NTL جذب شود، و یک پدیده اعوجاج ناشی از تنها ویژگی داده های NTL وجود دارد. داده‌های POI می‌توانند تعداد ساختارهای درون شهرهای شهری را با نشان دادن تعداد و توزیع فضایی داده‌های POI نشان دهند. در همان زمان، عملکرد واقعی شهرهای شهری نیز می تواند با درجه تجمع داده های POI منعکس شود. بنابراین، ادغام داده‌های NTL با داده‌های POI بدون شک می‌تواند پدیده توزیع تولید شده توسط داده‌های NTL را تغییر دهد، بنابراین دقت استخراج را تا حد زیادی بهبود می‌بخشد.

3.2.2. تحلیل مقایسه ای مناطق ساخته شده شهری استخراج شده قبل و بعد از تلفیق داده ها

همانطور که در شکل 10 نشان داده شده است ، مساحت منطقه ساخته شده شهری استخراج شده توسط داده های POI و داده های ذوب شده POI_NTL به ترتیب 623.45 کیلومتر مربع و 661.54 کیلومتر مربع بوده که به ترتیب 80.66% و 85.58% از کل مساحت ساخته شده را تشکیل می دهند. . از ناحیه استخراج شده توسط این دو مجموعه داده، مشخص شد که اگرچه هیچ تفاوت قابل توجهی وجود ندارد، اما بهبود 5 درصدی به دست آمده توسط داده های ذوب شده POI_NTL هنوز ثابت می کند که استفاده از تقسیم بندی چند وضوح کمک بزرگی در تقسیم بندی تصویر است.

پس از مقایسه منطقه ساخته شده شهری استخراج شده توسط داده های NTL با آن استخراج شده توسط داده های POI_NTL، مشخص شد که حفره های شهری زیادی در منطقه ساخته شده توسط داده های NTL استخراج شده با جزئیات مرزی پیچیده تر وجود دارد. علاوه بر این، تفاوت‌ها در نور شبانه با استخراج مناطق غیرساخته‌شده با مقادیر نور بالا در شب به عنوان مناطق ساخته‌شده منجر به نتایج رضایت‌بخشی در میان تکه‌های مختلف ساخته‌شده شهری شد. داده های ذوب شده POI_NTL تا حد زیادی دقت استخراج را بهبود بخشید. به عنوان مثال، همانطور که در شکل 10 مشاهده می شودa،b، خوشه‌های جاده‌ای زیادی وجود داشتند که توسط داده‌های NTL شناسایی می‌شدند تا مناطق ساخته‌شده باشند، که بر خلاف آنهایی بود که توسط داده‌های POI_NTL شناسایی شدند. دوم، تعداد زیادی حفره نوری در ناحیه ساخته شده استخراج شده توسط داده های NTL وجود داشت که نتایج واقعی را تایید نمی کرد. منطقه ساخته شده استخراج شده توسط داده های POI_NTL تا حد زیادی این وضعیت را اصلاح کرد و جزئیات مرزی کامل تری داشت. علاوه بر این، خوشه‌های شهری که با داده‌های NTL در نزدیکی فرودگاه بین‌المللی Xinzheng و اطراف جاده‌های اصلی به عنوان مناطق ساخته شده شناسایی شدند، توسط داده‌های POI_NTL به عنوان مناطق غیرساخته شناسایی شدند که با واقعیت سازگارتر بود.

به طور کلی، اگرچه مناطق ساخته شده شهری را می توان با داده های NTL و داده های POI_NTL استخراج کرد، یک پدیده تکه تکه شدن شدید در مناطق ساخته شده توسط داده های NTL استخراج شد زیرا داده های NTL نتوانسته اند توسعه واقعی ژنگژو را در نظر بگیرند. . منطقه استخراج شده توسط داده های POI_NTL نه تنها کمبود آن را جبران می کند، بلکه جزئیات منطقه ساخته شده استخراج شده را نیز غنی می کند، که بیشتر با واقعیت مطابقت داشت.

3.2.3. تأیید دقیق

در مجموع 3000 پیکسل تصادفی در ژنگژو برای تأیید منطقه ساخته شده استخراج شده در این مطالعه انتخاب شدند که از این تعداد 1000 پیکسل داده های آموزشی و 2000 پیکسل داده های تأیید بود. پس از انجام بازدیدهای میدانی با کمک داده های تصویری با وضوح بالا Google Earth، قرار گرفتن تمام 3000 پیکسل در منطقه ساخته شده ژنگژو تأیید شد. ماتریس سردرگمی به دست آمده با توجه به نتایج تأیید در جدول 1 نشان داده شده است . دقت در جدول 1نسبت تمام پیکسل هایی است که با موفقیت تأیید شدند. در حالی که ضریب کاپا برای تأیید دقت طبقه‌بندی برای پیگیری بیشتر سازگاری استفاده شد، مقادیر ممکن ضریب کاپا از -1 تا 1 متغیر بود. هر چه مقدار به 1 نزدیکتر باشد، استخراج بهتر است.

در جدول 1 ، مقادیر در مناطق شهری و روستایی تعداد 2000 نقطه تأیید تصادفی را نشان می دهد که در مناطق ساخته شده و مناطق غیر ساخته شده استخراج شده، یعنی تعداد نقاطی که با موفقیت تأیید شدند. دقت نشان دهنده نسبت تعداد نقاطی است که با موفقیت تأیید شده اند به تعداد کل.

همانطور که از جدول 1 مشاهده می شود ، دقت منطقه ساخته شده استخراج شده توسط داده های NTL و POI_NTL به ترتیب 85.95% و 96.15% با ضرایب کاپا 0.7089 و 0.8454 بود. از دقت استخراج و ضرایب کاپا، اثر استخراج به‌دست‌آمده توسط داده‌های ذوب‌شده POI_NTL نسبت به داده‌های NTL تک منبع برتری داشت. پس از ادغام داده ها، کمبود استخراج داده های تک منبعی جبران شد و ساختار فضایی داخلی استخراج شده یکپارچه تر بود [ 57 ].

4. بحث

اگرچه داده‌های NTL یکی از انواع داده‌های رایج مورد استفاده در مطالعات مربوط به شهری است، کمبود داده‌های NTL منجر به خطاهای بزرگی در نتایج مطالعه فضاهای داخلی شهری می‌شود. علاوه بر این، سرریز نور و اشباع بیش از حد در داده های NTL وجود دارد [ 58 ، 59 ]. بنابراین، محققان شروع به تلاش برای ترکیب داده‌های POI برای بهبود دقت داده‌های NTL در فضای شهری بر اساس در نظر گرفتن همبستگی مکانی قوی بین داده‌های POI و داده‌های NTL در فضای شهری کرده‌اند. این مطالعه از تبدیل موجک برای ترکیب داده های NTL و داده های POI برای استخراج مناطق ساخته شده شهری استفاده کرد. نتایج نشان داد که دقت استخراج پس از ادغام داده‌ها به 96.15 درصد رسید که در مقایسه با دقت استخراج مناطق ساخته‌شده شهری توسط داده‌های NTL تک منبعی، پیشرفت بزرگی بود.60 ]. اگرچه داده های NTL می تواند به طور کامل شکاف توسعه شهرها را منعکس کند، تکمیل بیشتر داده های POI بر اساس این تفاوت می تواند آن را در استخراج مناطق ساخته شده شهری دقیق تر کند. در مقایسه با مطالعات موجود در مورد ادغام داده‌های NTL و POI، این مطالعه دقت تقسیم‌بندی آستانه داده‌های مختلف را با استفاده از الگوریتم ESP SDS بر اساس تقسیم‌بندی چند وضوحی و دقت تقسیم‌بندی داده‌های NTL تک منبعی را بهبود بخشید. به 85.95 درصد رسید که به طور کامل صحت این روش مطالعه را نشان می دهد.

استخراج و تقسیم سنتی مناطق ساخته شده شهری عمدتاً به اراده ذهنی دولت یا استفاده از داده های اجتماعی-اقتصادی و آماری بستگی دارد [ 61 ، 62 ]. کاربرد گسترده داده های سنجش از دور نشان داده شده توسط NTL باعث شده است که استخراج مناطق ساخته شده شهری به تدریج به سمت تجزیه و تحلیل کمی حرکت کند. با این حال، داده‌های NTL فقط می‌توانند قضاوت کنند که آیا یک منطقه خاص یک منطقه شهری است یا خیر با گرفتن روشنایی نور شبانه تولید شده توسط زیرساخت‌های شهری، که توسعه اجتماعی واقعی فضای شهری را نادیده می‌گیرد [ 63 ]]. این مطالعه داده‌های POI را که می‌توانند توسعه عملکردهای شهری را با داده‌های NTL نشان دهند، ادغام کرد و سپس داده‌های POI_NTL را تشکیل داد که می‌توانست مناطق ساخته‌شده شهری را به طور دقیق استخراج کند، که به طور جامع رابطه بین زیرساخت‌های شهری و توابع توسعه شهری را در نظر گرفت و مزیت بزرگی در فرآیند استخراج مناطق ساخته شده شهری [ 64 ].

با این حال، شکی نیست که در این مطالعه محدودیت هایی وجود داشت. از داده‌های Luojia-01 مورد استفاده در مطالعه، اولاً، در مقایسه با دوره مشاهده همان نوع داده‌های NTL، مانند NPP-VIIRS که 12 ساعت است، دوره مشاهده داده‌های Luojia-01NTL 15 روز است. که روش میانگین ماهانه داده های Luojia-01NTL را آسیب پذیر می کند، مانند پوشش ابری در منطقه مشاهده [ 65 ]. ثانیاً، نورهای سفید سرد بیشتر و بیشتر در شهرها وجود دارد، در حالی که طول موج داده های Luojia-01NTL از 400 تا 800 میکرومتر متغیر است، که باعث می شود Luojia-01 قادر به مشاهده این نورهای سفید سرد نباشد، که بدون شک تأثیر خاصی بر نتایج خواهد داشت. [ 66]. در نهایت، اگرچه وضوح فضایی نور شب Luojia-01 بالاتر از سایر داده های NTL است، بخش سری زمانی ارائه شده توسط Luojia-01 برای مشاهده و مطالعه طولانی مدت مناسب نیست. علاوه بر این، توسعه و تغییر در مناطق ساخته شده شهری پویا است و دامنه مناطق ساخته شده شهری با توسعه شهر به طور چشمگیری تغییر خواهد کرد. بنابراین برای استخراج بهتر نواحی ساخته‌شده شهری و خدمت بهتر به برنامه‌ریزی و ساخت و ساز شهری، لازم است محدوده مناطق ساخته‌شده شهری در بازه‌های زمانی مختلف استخراج شود تا رابطه بین تغییرات فضایی در بافت‌های ساخته شده مورد تجزیه و تحلیل قرار گیرد. توسعه شهری و پیشنهاد استراتژی ها و برنامه های بهتر برای توسعه شهری.

از آنجایی که داده‌های NTL هنگام استفاده در شهرها به راحتی تحت تأثیر حسگرها و فعالیت‌های انسانی قرار می‌گیرند، این مطالعه بیشتر از یک تبدیل موجک برای ترکیب داده‌های POI برای استخراج مناطق ساخته‌شده شهری بر اساس داده‌های NTL استفاده کرد، که از مشکلات احتمالی موجود در استخراج مناطق ساخته شده شهری از داده های تک NTL، بنابراین کاستی های داده های تک NTL در استخراج مناطق ساخته شده به حداقل می رسد. اگرچه این مطالعه ژنگژو، چین را به عنوان یک مطالعه موردی در نظر گرفت، روش شناسی این مطالعه را می توان به کل چین و حتی جهان گسترش داد، زیرا از دیدگاه جهانی، داده های NTL و داده های POI دارای محدودیت های خاصی هستند. محدودیت های داده های NTL در بخش نارسایی مطالعه ذکر شده است، در حالی که داده های POI ارائه شده توسط ارائه دهندگان خدمات چینی، داده های POI جهانی را پوشش نمی دهند.

5. نتیجه گیری ها

استخراج دقیق مناطق ساخته شده شهری، پیش نیاز مهمی برای تحلیل روند شهرنشینی و قضاوت در رابطه فضایی درون شهرهای شهری است. بر اساس ویژگی های داده های NTL و داده های POI، داده های جدید POI_NTL در این مطالعه با ترکیب داده های NTL و داده های POI به دست آمد. سپس با مقایسه نتایج منطقه ساخته شده شهری استخراج شده توسط داده های NTL تک منبعی و داده های ذوب شده POI_NTL، دقت منطقه ساخته شده شهری استخراج شده توسط داده های NTL 85.95% و ضریب کاپا 0.7089 به دست آمد. در حالی که دقت به دست آمده توسط داده های POI_NTL ذوب شده 96.15٪ با ضریب کاپا 0.8454 بود. بنابراین، ادغام با داده های POI می تواند به طور موثر پدیده حفره های شهری و تکه تکه شدن مرز ناشی از داده های NTL را از بین ببرد. علاوه بر این،

در این مطالعه، داده‌های NTL و داده‌های POI توسط یک تبدیل موجک ترکیب شدند، که نه تنها به استخراج دقیق‌تر مناطق ساخته‌شده شهری کمک کرد، بلکه اهمیت نظری و عملی مهمی برای قضاوت دقیق سطح شهرنشینی و تدوین سیاست و توسعه فضایی برنامه ریزی شهری داشت.

منابع

آناسویا، بی. سواین، دی. Vinoj، V. شهرنشینی سریع و اثرات مرتبط بر تغییرات دمای سطح زمین در منطقه شهری بوبانسوار، هند. محیط زیست نظارت کنید. ارزیابی کنید. 2019 ، 191 ، 790. [ Google Scholar ] [ CrossRef ] [ PubMed ]
تریدر، جی. لیو، کیو. ارزیابی اثرات زیست محیطی رشد شهری با استفاده از سنجش از دور. ژئو اسپات. Inf. علمی 2020 ، 23 ، 20-39. [ Google Scholar ] [ CrossRef ]
اجیاقا، IR; احمد، آقای حسن، ق.ک. دوان، ا. گوپتا، ا. Rangelova، E. استفاده از سنجش از دور در درک تأثیر ترکیب و پیکربندی منظر شهری بر دمای سطح زمین در مقیاس همسایگی. Remote Sens. 2020 , 12 , 2508. [ Google Scholar ] [ CrossRef ]
لیانگ، ایکس. لیو، ایکس. چن، جی. لنگ، جی. ون، ی. چن، جی. جفت‌سازی خوشه‌بندی فازی و اتوماتای سلولی بر اساس حداکثرهای محلی پتانسیل توسعه برای مدل‌سازی ظهور و گسترش شهری در مناطق توسعه اقتصادی. بین المللی جی. جئوگر. Inf. علمی 2020 ، 34 ، 1930-1952. [ Google Scholar ] [ CrossRef ]
لی، اچ ام. لی، XG; یانگ، XY; ژانگ، اچ. تجزیه و تحلیل رابطه بین مساحت زمین توسعه یافته و انتشار نور شبانه 36 شهر چین. Remote Sens. 2019 , 11 , 10. [ Google Scholar ] [ CrossRef ]
آندراد نونیز، ام جی; اید، توسعه TM ساخته شده بین سالهای 2001 و 2011 در آمریکای جنوبی بسیار فراتر از شهرها ادامه دارد. محیط زیست Res. Lett. 2018 , 13 , 084006. [ Google Scholar ] [ CrossRef ]
کوثرکار، ر. بهادر، ص. دستیابی به فرم شهری فشرده از طریق توزیع تراکم: موردی از شهرهای هند. ج. طرح شهری. توسعه دهنده 2020 , 146 , 04019022. [ Google Scholar ] [ CrossRef ]
شی، ک. هوانگ، سی. یو، بی. یین، بی. هوانگ، ی. Wu, J. ارزیابی داده های ترکیبی نور شبانه NPP-VIIRS برای استخراج مناطق شهری ساخته شده. سنسور از راه دور Lett. 2014 ، 5 ، 358-366. [ Google Scholar ] [ CrossRef ]
ژنگ، ی. تانگ، ال. وانگ، اچ. یک رویکرد بهبودیافته برای نظارت بر مناطق ساخته شده شهری با ترکیب نور شبانه NPP-VIIRS، NDVI، NDWI و NDBI. جی. پاک. تولید 2021 ، 328 ، 129488. [ Google Scholar ] [ CrossRef ]
کوتربا، AZ; الکساندرویچ، اس. تشخیص سطح غیرقابل نفوذ با عکاسی در شب از ایستگاه فضایی بین المللی. سنسور از راه دور محیط. 2016 ، 176 ، 295-307. [ Google Scholar ] [ CrossRef ]
وانگ، ز. یانگ، اس. وانگ، اس. شن، ی. نظارت بر سیستم‌های خوشه‌ای شهری در حال تکامل با استفاده از داده‌های نور شبانه DMSP/OLS: مطالعه موردی منطقه دلتای رودخانه یانگ تسه، چین. J. Appl. Remote Sens. 2017 , 11 , 046029. [ Google Scholar ] [ CrossRef ]
وانگ، آر. وان، بی. گوا، کیو. هو، م. ژو، اس. نقشه برداری محدوده شهری منطقه ای با استفاده از داده های NPP-VIIRS DNB و MODIS NDVI. Remote Sens. 2017 , 9 , 862. [ Google Scholar ] [ CrossRef ]
یو، بی. تانگ، م. وو، کیو. یانگ، سی. دنگ، س. شی، ک. پنگ، سی. وو، جی. Chen, Z. استخراج منطقه ساخته‌شده شهری از داده‌های ترکیبی نور شبانه NPP-VIIRS تبدیل‌شده با ورود به سیستم. IEEE Geosci. سنسور از راه دور Lett. 2018 ، 15 ، 1279-1283. [ Google Scholar ] [ CrossRef ]
لی، اف. یان، س. زو، ی. لیو، بی. دقت استخراج منطقه ساخته‌شده شهری بر اساس داده‌های نور شبانه و POI: مطالعه موردی Luojia 1-01 و NPP/VIIRS تصاویر نور شبانه. Geomat. Inf. علمی دانشگاه ووهان 2021 ، 46 ، 825-835. [ Google Scholar ]
لیو، ایکس. نینگ، ایکس. وانگ، اچ. وانگ، سی. ژانگ، اچ. Meng, J. یک روش استخراج مرز شهری سریع و خودکار بر اساس داده‌های نور شبانه در چین. Remote Sens. 2019 , 11 , 1126. [ Google Scholar ] [ CrossRef ]
لی، اف. یان، س. بیان، ز. لیو، بی. Wu، Z. A POI و LST شاخص شهری NTL را برای استخراج مناطق ساخته شده شهری تنظیم کردند. Sensors 2020 , 20 , 2918. [ Google Scholar ] [ CrossRef ]
شیائو، پی. وانگ، ایکس. فنگ، ایکس. ژانگ، ایکس. یانگ، ی. تشخیص گسترش شهری چین در سه دهه گذشته با استفاده از داده های نور شبانه. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2014 , 7 , 4095–4106. [ Google Scholar ] [ CrossRef ]
کائو، کیو. یو، دی. جورجسکو، ام. وو، جی. Wang, W. تأثیرات گسترش شهری آینده بر آب و هوای تابستان و سلامت انسان مرتبط با گرما در شرق چین. محیط زیست بین المللی 2018 ، 112 ، 134-146. [ Google Scholar ] [ CrossRef ]
زو، ی. پنگ، اچ. لیو، جی. یانگ، ک. زی، ی. Weng، Q. نظارت بر گسترش خوشه‌های شهری در محدوده‌های میانی رودخانه یانگ تسه، چین، با استفاده از تصاویر نور شبانه سری زمانی. Remote Sens. 2017 , 9 , 1007. [ Google Scholar ] [ CrossRef ]
شارما، RC; تطیشی، ر. هارا، ک. قره چلو، س. Iizuka، K. نقشه برداری جهانی از مناطق ساخته شده شهری در سال 2014 با ترکیب داده های چند طیفی MODIS با داده های نور شبانه VIIRS. بین المللی جی دیجیت. زمین 2016 ، 9 ، 1004-1020. [ Google Scholar ] [ CrossRef ]
وانگ، ز. Shrestha، RM; رومان، MO; Kalb، VL مرمر سیاه ناسا چند زاویه نورهای شبانه مرکب موقت. IEEE Geosci. سنسور از راه دور Lett. 2022 ، 19 ، 2505105. [ Google Scholar ]
لی، جی.-بی. لی، ام.-جی. لی، W.-K. پارک، جی.اچ. کیم، تی.-اچ. تشخیص سایه بر اساس مناطق منابع نور برای استخراج اشیاء در ویدئوهای شبانه. Sensors 2017 , 17 , 659. [ Google Scholar ] [ CrossRef ]
کای، جی. هوانگ، بی. Song, Y. استفاده از داده های بزرگ جغرافیایی چند منبعی برای شناسایی ساختار شهرهای چند مرکزی. سنسور از راه دور محیط. 2017 ، 202 ، 210-221. [ Google Scholar ] [ CrossRef ]
ژو، ال. ژانگ، سی. زو، ایکس. هوانگ، تی. هو، ی. Tao, H. iSEAM: بهبود تنظیم اثر شکوفایی برای تصاویر نور شبانه DMSP-OLS با در نظر گرفتن ناهمگونی فضایی فاصله شکوفایی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2021 , 14 , 3903–3913. [ Google Scholar ] [ CrossRef ]
حسن، س. شی، دبلیو. زو، ایکس. عباس، س. نظارت بر کاربری زمین/پوشش زمین و تغییرات اجتماعی و اقتصادی در جنوب چین طی سه دهه گذشته با استفاده از داده های لندست و نور شبانه. Remote Sens. 2019 ، 11 ، 1658. [ Google Scholar ] [ CrossRef ]
بل، ا. Mantecon، T. دیاز، سی. دل بلانکو، CR; Jaureguizar، F. گارسیا، ن. یک سیستم جدید برای تشخیص خودرو در شب بر اساس طبقه‌بندی‌کننده‌های Foveal با عملکرد بی‌درنگ. IEEE Trans. هوشمند ترانسپ سیستم 2021 ، 23 ، 5421-5433. [ Google Scholar ] [ CrossRef ]
ژانگ، جی. ژانگ، ایکس. تان، ایکس. یوان، ایکس. استخراج منطقه ساخته‌شده شهری بر اساس یادگیری عمیق و ترکیب داده‌های چند منبعی – کاربرد یک فناوری نوظهور در برنامه‌ریزی شهری. Land 2022 , 11 , 1212. [ Google Scholar ] [ CrossRef ]
ژانگ، اس. وی، اچ. شناسایی محدوده فضایی تراکم شهری بر اساس داده های اجتماعی و سنجش از دور – برای ارزیابی سطح توسعه تراکم شهری. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 456. [ Google Scholar ] [ CrossRef ]
ژانگ، Q. Seto، KC نقشه برداری پویایی شهرنشینی در مقیاس منطقه ای و جهانی با استفاده از داده های نور شبانه DMSP/OLS چند زمانی. سنسور از راه دور محیط. 2011 ، 115 ، 2320-2329. [ Google Scholar ] [ CrossRef ]
چن، ی. دنگ، آ. استفاده از داده‌های POI و داده‌های بزرگ مهاجرت بایدو برای اصلاح داده‌های نور شبانه برای شناسایی مناطق شهری و روستایی. دسترسی IEEE 2022 ، 10 ، 93513–93524. [ Google Scholar ] [ CrossRef ]
ژو، ی. او، X. زو، ی. شناسایی و ارزیابی ساختار شهری چندمرکزی: یک تحلیل تجربی بر اساس ترکیب داده های بزرگ چند منبعی. Remote Sens. 2022 , 14 , 2705. [ Google Scholar ] [ CrossRef ]
کائو، ایکس. شی، ی. ژو، ال. تحقیق در مورد ظرفیت حمل شهری بر اساس ترکیب داده های چند منبعی – مطالعه موردی شانگهای. Remote Sens. 2021 , 13 , 2695. [ Google Scholar ] [ CrossRef ]
جون، ز. Xiao-Die، Y.; Han, L. استخراج مناطق ساخته شده شهری با ادغام داده های نور شبانه و POI-مطالعه موردی کونمینگ، چین. دسترسی IEEE 2021 ، 9 ، 22417–22429. [ Google Scholar ] [ CrossRef ]
او، X. زو، ی. چانگ، پی. ژو، سی. استفاده از داده‌های موقعیت مکانی کاربر Tencent برای اصلاح داده‌های نور شبانه برای تعیین مرزهای تجمع شهری. جلو. محیط زیست علمی 2022 ، 10 ، 860365. [ Google Scholar ] [ CrossRef ]
او، X. ژانگ، ز. یانگ، ز. استخراج منطقه ساخته شده شهری بر اساس ادغام داده های نور شبانه و داده های نقطه مورد علاقه. R. Soc. علوم را باز کنید. 2021 ، 8 ، 210838. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژانگ، جی. یوان، ایکس. تان، ایکس. Zhang، X. تعیین مرز شهری-روستایی از طریق تلفیق داده ها: کاربردهایی برای بهبود محیط شهری و روستایی و ترویج توسعه شهری فشرده و سالم. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 7180. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژو، سی. او، X. وو، آر. ژانگ، جی. استفاده از داده های تحویل غذا برای شناسایی مناطق شهری – روستایی: مطالعه موردی گوانگژو، چین. جلو. علوم زمین 2022 ، 10 ، 860361. [ Google Scholar ] [ CrossRef ]
او، X. ژو، سی. ژانگ، جی. یوان، ایکس. استفاده از تبدیل موجک برای ترکیب داده های نور شبانه و داده های بزرگ POI برای استخراج مناطق ساخته شده شهری. Remote Sens. 2020 , 12 , 3887. [ Google Scholar ] [ CrossRef ]
وانگ، ال. فن، اچ. وانگ، ی. بهبود نقشه برداری جمعیت با استفاده از تصویر نور شبانه 1-01 Luojia و داده های رسانه اجتماعی مبتنی بر مکان. علمی کل محیط. 2020 , 730 , 139148. [ Google Scholar ] [ CrossRef ]
وانگ، جی. هو، سی. ما، بی. مو، ایکس. تأثیر شهرنشینی سریع بر فرآیندهای هیدرولوژیکی در ژنگژو، چین. Water 2020 ، 12 ، 1870. [ Google Scholar ] [ CrossRef ]
لی، ایکس. ژو، جی. یین، ایکس. یائو، سی. هوانگ، جی. لی، ام. نقشه برداری زمین ساخت و ساز گوانگژو بر اساس داده های نور شب شماره 1 Luojia. J. Geo-Inf. علمی 2019 ، 21 ، 1802–1810. [ Google Scholar ]
شی، ک. چن، ز. کوی، ی. وو، جی. Yu, B. NPP-VIIRS داده‌های نور شبانه با انتشار کربن احتراق سوخت فسیلی از بخش‌های مختلف روابط مرتبط متفاوتی دارند. IEEE Geosci. سنسور از راه دور Lett. 2020 ، 18 ، 2062–2066. [ Google Scholar ] [ CrossRef ]
اورتاکواک، ز. Çabuk، SN; سیتین، م. کورکچو اوغلو، MAS; Cabuk، A. تعیین تصاویر نور شبانه برای جمعیت شهر شهری با استفاده از روش‌های DMSP-OLS در استانبول. محیط زیست نظارت کنید. ارزیابی کنید. 2020 ، 192 ، 790. [ Google Scholar ] [ CrossRef ] [ PubMed ]
شی، ک. چانگ، ز. چن، ز. وو، جی. یو، بی. شناسایی و ارزیابی فقر با استفاده از داده های سنجش از راه دور و نقطه مورد علاقه (POI): مطالعه موردی چونگ کینگ، چین. جی. پاک. تولید 2020 ، 255 ، 120245. [ Google Scholar ] [ CrossRef ]
ذکریا، بی. او، X. لی، ام. ژو، سی. سرزندگی غذای شهری: تکنیکی جدید برای ارزیابی سرزندگی شهری. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 3578. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مسعوت، س. Smara، Y. ترکیب تصویر پانکروماتیک و چند طیفی با استفاده از فرکانس فضایی و تبدیل موجک à trous. J. Appl. Remote Sens. 2021 , 15 , 036510. [ Google Scholar ] [ CrossRef ]
غربیا، ر. حسنین، AE; الباز، ق. الهوسنی، م. Gunasekaran، M. رویکرد ادغام تصویر چند طیفی و پانکروماتیک با استفاده از تبدیل موجک ثابت و بهینه‌سازی گرده‌افشانی گل ازدحام برای کاربردهای سنجش از دور. ژنرال آینده. محاسبه کنید. سیستم 2018 ، 88 ، 501-511. [ Google Scholar ] [ CrossRef ]
Shu-Long، Z. ترکیب تصویر با استفاده از تبدیل موجک. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2002 ، 34 ، 552-556. [ Google Scholar ]
لی، جی. یانگ، اچ. وانگ، جی. لی، ی. ژانگ، سی. زی، اچ. Feng, B. روش شبیه سازی شبیه سازی تصویر سنجش از دور موجک مبتنی بر PCA. در مجموعه مقالات پنجمین کنفرانس فناوری اطلاعات پیشرفته، کنترل الکترونیک و اتوماسیون IEEE 2021 (IAEAC)، چونگ‌چین، چین، 12 تا 14 مارس 2021؛ جلد 5، ص 1042–1046. [ Google Scholar ]
چنگ، جی. لیو، اچ. لیو، تی. وانگ، اف. Li, H. ادغام تصویر سنجش از دور از طریق تبدیل موجک و نمایش پراکنده. ISPRS J. Photogramm. Remote Sens. 2015 ، 104 ، 158-173. [ Google Scholar ] [ CrossRef ]
هو، ک. Feng, X. تحقیق در مورد روش ادغام تصویر چند فوکوس بر اساس تبدیل موجک ثابت بلند کردن. J. Inf. روند. سیستم 2018 ، 14 ، 1293-1300. [ Google Scholar ]
گائو، جی. وانگ، بی. وانگ، ز. وانگ، ی. کنگ، اف. روش تقسیم بندی تصویر مبتنی بر تبدیل موجک. Optik 2020 ، 208 ، 164123. [ Google Scholar ] [ CrossRef ]
گوبین، سی. سان، ز. ژانگ، ال. الگوریتم شناسایی جاده برای تصاویر سنجش از دور بر اساس تبدیل موجک و عملگر بازگشتی. دسترسی IEEE 2020 ، 8 ، 141824–141837. [ Google Scholar ] [ CrossRef ]
دراگوت، ال. سیلیک، او. آیسانک، سی. Tiede، D. پارامترسازی خودکار برای تقسیم بندی تصویر در مقیاس چندگانه در چندین لایه. ISPRS J. Photogramm. Remote Sens. 2014 ، 88 ، 119-127. [ Google Scholar ] [ CrossRef ] [ PubMed ]
وانگ، ز. چن، جی. یو، بی. Zhang، X. تعیین مقیاس تقسیم بندی بهینه تصاویر سنجش از دور با وضوح بالا از جزایر و صخره ها در دریای چین جنوبی. Geosptial Inf. 2018 ، 16 ، 21-24. [ Google Scholar ]
ژائو، جی. دونگ، جی. لیو، جی. ژای، جی. کوی، ی. او، تی. Xiao، X. الگوهای مختلف در اثرات حرارتی روز و شب شهرنشینی در تجمع شهری پکن-تیانجین-هبی. Remote Sens. 2017 , 9 , 121. [ Google Scholar ] [ CrossRef ]
کوی، ی. شی، ک. جیانگ، ال. کیو، ال. وو، اس. شناسایی و ارزیابی اقتصاد شبانه در چین با استفاده از داده های چند منبعی. IEEE Geosci. سنسور از راه دور Lett. 2020 ، 18 ، 1906-1910. [ Google Scholar ] [ CrossRef ]
لیو، اس. شی، ک. وو، ی. چانگ، زی. نورهای شبانه سنجش از راه دور روند شهرنشینی چین را که به دلیل آلودگی مه محدود شده است، نشان می دهد. ساختن. محیط زیست 2021 ، 206 ، 108350. [ Google Scholar ] [ CrossRef ]
یوان، اچ. وانگ، ایکس. وو، سی. وانگ، اچ. ماهواره رابطه قوی بین دمای سطح شبانه و تاریخ رنگ آمیزی برگ اکوسیستم های زمینی در شرق چین مشاهده کردند. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2020 , 13 , 717–725. [ Google Scholar ] [ CrossRef ]
وانگ، ام. آهنگ، ی. وانگ، اف. Meng, Z. استخراج مرزی منطقه ساخته شده شهری بر اساس تصحیح مقدار روشنایی تصویر NTL. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2021 , 14 , 7466–7477. [ Google Scholar ] [ CrossRef ]
لی، کیو. ژنگ، بی. وان.؛ یانگ، ی. وانگ، ز. جیانگ، دبلیو. بله چشم.؛ یانگ، جی. پالایش منطقه ساخته‌شده شهری از طریق تلفیق داده‌های چند منبعی برای تجزیه و تحلیل گسترش فضایی-زمانی منطقه اقتصادی-اقتصادی دریاچه دانگ‌تینگ. Remote Sens. 2020 ، 12 ، 1797. [ Google Scholar ] [ CrossRef ]
لیو، ال. Leung, Y. مطالعه گسترش شهری شهرهای سطح استان در جنوب چین با استفاده از تصاویر نور شبانه. بین المللی J. Remote Sens. 2015 ، 36 ، 5557-5575. [ Google Scholar ] [ CrossRef ]
لی، ال. ژو، اچ. ون، کیو. چن، تی. گوان، اف. رن، بی. یو، اچ. Wang, Z. استخراج خودکار مناطق ساخته شده شهری بر اساس روش شی گرا و داده های سنجش از دور. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، 42 ، 877-883. [ Google Scholar ] [ CrossRef ]
او، X. ژو، سی. وانگ، ی. یوان، X. ارزیابی خطر و پیش‌بینی کووید-19 بر اساس داده‌های اپیدمیولوژیک از جغرافیای مکانی-زمانی. جلو. محیط زیست علمی 2021 ، 9 ، 634156. [ Google Scholar ] [ CrossRef ]
وو، جی. ژانگ، ز. یانگ، ایکس. لی، ایکس. تجزیه و تحلیل روابط سطح پیکسل بین نور شبانه Luojia 1-01 و ویژگی‌های سطح شهری با جداسازی اثر شکوفایی پیکسل. Remote Sens. 2021 , 13 , 4838. [ Google Scholar ] [ CrossRef ]
بو، ال. خو، ز. Zhang, G. روش بازیابی تصویر نور در شب بر اساس مدل پراکندگی شب برای ماهواره Luojia 1-01. Sensors 2019 , 19 , 3761. [ Google Scholar ] [ CrossRef ]

شکل 1. منطقه مطالعه.

شکل 2. نتایج پیش پردازش داده های ژنگژو NTL.

شکل 3. کمیت و توزیع فضایی داده های POI در ژنگژو.

شکل 4. چارچوب روش های مطالعه.

شکل 5. اصل تبدیل موجک.

شکل 6. منطقه ساخته شده شهری ژنگژو که توسط داده های NTL استخراج شده است.

شکل 7. نتایج ادغام داده ها پس از ترکیب داده های POI و NTL.

شکل 8. منطقه ساخته شده شهری ژنگژو که توسط داده های POI_NTL استخراج شده است.

شکل 9. تجزیه و تحلیل مقایسه ای قبل و بعد از ادغام داده ها.

شکل 10. مقایسه مناطق ساخته شده شهری استخراج شده توسط داده های NTL و داده های POI_NTL.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه