خلاصه

درک اطلاعات تاریخی و کنونی کاربری زمین و پوشش زمین (LULC) و تغییرات آن، مانند شهرنشینی و رشد شهری، برای برنامه ریزان شهری، مدیران زمین و مدیران منابع در هر چشم اندازی که به سرعت در حال تغییر است، حیاتی است. برای مقابله با این وضعیت، توسعه یک روش طبقه بندی نظارت شده جدید برای نقشه برداری LULC چند زمانی با اطلاعات قابل اعتماد بلند مدت ضروری است. هدف نهایی این مطالعه توسعه یک روش طبقه‌بندی جدید با استفاده از تحلیل هارمونیک با الگوریتم حداقل فاصله طیفی برای نقشه‌برداری LULC چند زمانی بود. در اینجا، منطقه Jiangning شهر نانجینگ، استان جیانگ سو، چین به عنوان منطقه مورد مطالعه انتخاب شد. روش تحقیق شامل دو جزء اصلی بود: (1) انتخاب داده های Landsat و بازسازی بازتاب طیفی سری زمانی و (2) طبقه بندی LULC چند زمانی با استفاده از HA با حداقل الگوریتم فاصله طیفی. نتایج نشان داد که دقت کلی و ضرایب کلاه کاپا چهار نقشه LULC در سال‌های 2000، 2006، 2011 و 2017 97.03، 90.25، 91.19، 86.32 درصد و 95.35 درصد، 86.48 درصد، 86.48 درصد بود. به ترتیب. علاوه بر این، میانگین دقت تولیدکننده و دقت کاربری زمین های شهری و ساخته شده، زمین کشاورزی، زمین جنگلی و آب از چهار نقشه LULC 92.30٪، 90.98٪، 94.80٪، 85.65٪ و 90.28٪، 93.17٪ بود. ، به ترتیب 84.40٪، 99.50٪. در نتیجه، می توان نتیجه گرفت که روش طبقه بندی نظارت شده جدید توسعه یافته با استفاده از تحلیل هارمونیک با حداقل الگوریتم فاصله طیفی می تواند به طور موثر نقشه های LULC چند زمانی را طبقه بندی کند.

کلید واژه ها:

طبقه بندی کاربری چند زمانی و پوشش زمین ; تجزیه و تحلیل هارمونیک ; الگوریتم حداقل فاصله طیفی ; سری زمانی لندست ; شهر نانجینگ ؛ چین

1. معرفی

طبق تعریف، «کاربری زمین به کارهایی اطلاق می شود که مردم در سطح زمین انجام می دهند (به عنوان مثال، کشاورزی، تجارت، سکونتگاه) در حالی که پوشش زمین به نوع مواد موجود در چشم انداز اشاره دارد (به عنوان مثال، آب، محصولات زراعی، جنگل، تالاب، مواد ساخته شده توسط انسان). مانند آسفالت)» [ 1 ]. در حال حاضر، سرعت، بزرگی و مقیاس فعالیت‌های انسان در تغییر چشم‌انداز زمین، مهم‌ترین در تاریخ بشر است. به طور خاص، توسعه شهری منجر به جایگزینی مناظر طبیعی با مواد غیرقابل نفوذ، تغییر محیط زیست فیزیکی و تغییر فرآیند انرژی سطح زمین می شود [ 2 ].]. درک وضعیت کاربری تاریخی و فعلی زمین و پوشش زمین (LULC) و اطلاعات تغییر، شهرنشینی و رشد شهری برای برنامه ریزان شهری، مدیران زمین و مدیران منابع در هر محیطی که به سرعت در حال تغییر است، حیاتی است زیرا تغییرات LULC باعث تغییرات در شرایط محیطی می شود. [ 3 ، 4 ، 5 ]. تغییر در LULC منجر به تغییراتی در طبیعت، مانند تخریب پوشش سبز و آلودگی منابع آب می شود [ 6 ]. هنگامی که یک تغییر LULC به دلیل شهرنشینی در امتداد یک مرز شهر رخ می دهد، اندازه شهر را افزایش می دهد [ 7 ]. رشد شتابان شهری و تغییرات LULC بر محیط طبیعی و رفاه انسان فشار وارد می کند و به یک نگرانی جهانی تبدیل شده است [ 8 ]]. مطالعات متعددی در مورد تغییرات LULC و تأثیرات آنها در سراسر جهان از ابعاد مختلف با استفاده از سنجش از دور ماهواره ای و فناوری GIS انجام شده است [ 9 ، 10 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 ، 17 ، 18 ، 19 ، 20،22 ، 23 ]. همه این مطالعات به مجموعه داده‌های سری زمانی نیاز دارند که عمدتاً از ماهواره‌های رصد زمین برای طبقه‌بندی نقشه‌های LULC چند زمانی مشتق شده‌اند.
در اصل، نقشه‌های LULC که با استفاده از چندین تاریخ تک زمانی طبقه‌بندی می‌شوند، اغلب فاقد اطلاعات کمبود در مورد فرآیند تغییر LULC و دگرگونی‌های آن هستند (مثلاً نرخ تغییر آن). در مقابل، نقشه برداری LULC چند زمانی می تواند بر این کاستی ها غلبه کند [ 24 ، 25 ]. در عین حال، در دسترس بودن داده‌های ماهواره‌ای رصد زمین با طیف گسترده‌ای از تفکیک‌پذیری‌های زمانی و مکانی همچنان در حال افزایش است که روش‌های پیشرفته را برای تولید نقشه‌های LULC مکرر و دقیق راهنمایی می‌کند. با این حال، بعید است که تنها یک روش برای طبقه بندی LULC با استفاده از داده های ماهواره ای سری زمانی وجود داشته باشد [ 25 ]. گومز و همکاران [ 25] گزارش داد که دو رویکرد برای تولید اطلاعات LULC چند زمانی از مجموعه داده های سری زمانی وجود دارد. اولاً، نقشه‌های مستقل LULC برای هر بازه زمانی (یعنی برای هر ماه یا سال) تولید می‌شوند [ 26 ، 27 ]. ثانیا، نقشه های LULC چند زمانی با استفاده از یک نقشه پایه به عنوان شرایط مرجع با اطلاعات تغییر برای چندین تاریخ ایجاد می شوند [ 28 ، 29 ].
در دهه‌های اخیر، مجموعه‌های داده‌های سنجش از راه دور سری‌های زمانی موجود، مانند رادیومتر NOAA-Advanced Very High Resolution (AVHRR) [ 30 ، 31 ، 32 ، 33 ، 34 ]، طیف‌سنجی تصویربرداری با وضوح متوسط ​​Terra/Aqua-Aqua [MODIS ) ، 36 ، 37 ، 38 ، 39 ]، گیاهی نقطه ای [ 40 ، 41 ، 42 ]، لندست [ 43 ، 44 ، 45 ، 46 ] و سنتینل-2 [ 47 ، 48 ]] مجموعه داده‌ها، به طور فزاینده‌ای توسط دانشمندان و محققان سنجش از دور در طبقه‌بندی و نقشه‌برداری چندزمانی LULC، تشخیص تغییرات LULC و نظارت بر پوشش گیاهی از طریق اتخاذ مدل‌های موج هارمونیک با روش‌های طبقه‌بندی جدید مورد استفاده قرار گرفته‌اند. به طور خاص، مجموعه داده‌های Landsat به منبعی امیدوارکننده برای طبقه‌بندی و تشخیص تغییرات چند زمانی تبدیل شده‌اند، زیرا دارای دوره زمانی طولانی (بیش از 40 سال)، وضوح فضایی بهتر (30 متر)، وضوح طیفی بهتر (3 مرئی، 1 مادون قرمز نزدیک (NIR) هستند. ) و 2 باند مادون قرمز موج کوتاه (SWIR) و چرخه بازدید مجدد کوتاهتر (یک چرخه بازبینی 8 روزه زمانی که سنسورهای مختلف Landsat همپوشانی دارند) [ 49 ]. این مطالعات می تواند ویژگی های بهتری از نوع LULC با تغییرات دینامیکی برای هر زمان معین ارائه دهد. به عنوان مثال، زو و وودکاک [ 45] یک الگوریتم تشخیص و طبقه بندی تغییرات مداوم (CCDC) برای تشخیص و طبقه بندی تغییرات ایجاد کرد.
در همین حال، مدل‌های بازسازی سری‌های زمانی متعددی در زمینه‌ها و مناطق کاربردی مختلف توسعه یافته‌اند [ 50 ، 51 ، 52 ، 53 ، 54 ]. مجموعه‌ای از الگوریتم‌های مبتنی بر تحلیل فوریه گسسته [ 55 ، 56 ، 57 ]، که به عنوان آنالیز هارمونیک (HA) نیز شناخته می‌شود، که یکی از پرکاربردترین مدل‌ها برای برازش داده‌های سری زمانی است، زیرا می‌تواند نویز را شناسایی و حذف کند. ، ابر، سایه ابر، برف و نوارهای Landsat 7) [ 58 ، 59 ] و یک منحنی سری زمانی با داده های ورودی کمتر با درون یابی زمانی [ 60 ] برازش دهید. برای مثال، ونگ، لو و شوبرینگ [58 ] قابلیت HA برای حذف ابر را بررسی کرد و یک داده ترکیبی AVHRR 10 روزه را بازسازی کرد. جولین، سوبرینو و ورهوف [ 31 ] تغییرات پوشش گیاهی را با ترکیب داده های LST و NDVI با حذف ابرها ارزیابی کردند. علاوه بر این، اطلاعات حوزه فرکانس (به عنوان مثال، مقدار و فاز اجزای هارمونیک) به دست آمده از HA را می توان برای کمی کردن فنولوژی پوشش گیاهی و طبقه بندی زمین های زراعی استفاده کرد [ 32 ، 33 ، 34 ، 61 ].
برای تولید نقشه‌های LULC بسیار دقیق برای هر زمان معین مشابه با رویکرد CCDC [ 45 ]، ما یک گردش کار طبقه‌بندی LULC چند زمانی نظارت‌شده جدید با استفاده از تحلیل هارمونیک و الگوریتم حداقل فاصله طیفی با مجموعه‌های داده سری زمانی Landsat 5، 7 و 8 پیشنهاد می‌کنیم. 2000 و 2017. اهداف تحقیق خاص (1) بازیابی داده های لندست موجود بین سال های 2000 و 2017، بازسازی بازتاب طیفی سری زمانی با استفاده از مدل سری زمانی، و (2) توسعه یک روش طبقه بندی نظارت شده با استفاده از تحلیل هارمونیک با یک الگوریتم حداقل فاصله طیفی برای نقشه برداری LULC چند زمانی. روش توسعه‌یافته برای طبقه‌بندی نقشه‌های LULC چند زمانی از سال‌های 2000، 2006، 2011 و 2017 برای منطقه Jiangning شهر نانجینگ، چین استفاده شد.

2. مواد و روشها

2.1. منطقه مطالعه

جیانگ نینگ، به عنوان بزرگترین منطقه در میان یازده ناحیه شهر نانجینگ، استان جیانگ سو، چین به عنوان منطقه مورد مطالعه انتخاب شد. جیانگینگ مساحتی به وسعت 1587 کیلومتر مربع یا حدود 24 درصد از شهر نانجینگ (6598 کیلومتر مربع ) را پوشش می دهد و بین 118 درجه و 28 دقیقه تا 7 درجه و 7 دقیقه شرقی و 31 درجه و 37 دقیقه تا 32 درجه و 7 دقیقه شمالی واقع شده است. آب و هوای جیانگینگ مرطوب و نیمه گرمسیری است و شکل زمین آن را تپه ها، کوه های کم ارتفاع، تپه ها، دشت ها، رودخانه ها و دریاچه ها نشان می دهد ( شکل 1 ).
منطقه مورد مطالعه انتخاب شده نشان دهنده شهرنشینی سریع و رشد اقتصادی شهر نانجینگ است. بر اساس گزارش های وزارت مسکن و توسعه شهری-روستایی (MOHURD) جمهوری خلق چین [ 62 ] و اداره آمار شهرداری نانجینگ [ 63 ]، جمعیت شهر نانجینگ از 3.1 میلیون نفر در سال 2000 به 5.9 افزایش یافته است. میلیون نفر در سال 2016، و منطقه شهری و ساخته شده از 201.40 کیلومتر مربع به 773.79 کیلومتر مربع افزایش یافت.در همان دوره در همین حال، تولید ناخالص منطقه ای شهر از 107.35 میلیارد یوان در سال 2000 به 1015.30 میلیارد یوان در سال 2016 افزایش یافته است. این آمار نشان دهنده شهرنشینی سریع و رشد اقتصادی شهر نانجینگ است. در نتیجه بسیاری از اراضی کشاورزی شهر به دلیل رشد جمعیت و شهرنشینی سریع به زمین های شهری و ساختمانی تبدیل شدند.

2.2. مجموعه داده ها

تمام تصاویر موجود Landsat 5/7/8 از محصولات Level-1 برای Worldwide Reference System-2 با مسیر 120 و ردیف 38 بین سال‌های 2000 تا 2017، با مجموع 673 صحنه، از طریق پورتال آنلاین USGS ( www.earthexplore) دانلود شدند. usgs )، همانطور که در شکل 2 نشان داده شده است. در مجموع 229، 340 و 104 صحنه به ترتیب از لندست 5، 7 و 8 گرفته شده است. علاوه بر این، تصاویر با وضوح فضایی بسیار بالا از Google Earth برای سال‌های 2000، 2006، 2011 و 2017، که به‌عنوان داده‌های مرجع زمینی مورد استفاده قرار گرفتند، برای انتخاب منطقه آموزشی از طریق یک طبقه‌بندی کننده حداکثر احتمال (MLC) و ارزیابی دقت نقشه‌های LULC چند زمانی دانلود شدند. با استفاده از تحلیل هارمونیک با حداقل الگوریتم فاصله طیفی ( شکل 3 ).

2.3. روش تحقیق

گردش کار روش تحقیق (ورودی، فرآیند و خروجی) شامل دو جزء اصلی است: (1) انتخاب داده های Landsat و بازسازی بازتاب طیفی سری زمانی و (2) طبقه بندی LULC چند زمانی با استفاده از HA با حداقل الگوریتم فاصله طیفی ( شکل 4 ) . .

2.3.1. انتخاب داده لندست و بازسازی بازتاب طیفی سری زمانی

انتخاب داده های Landsat و بازسازی بازتاب طیفی سری زمانی در چهار مرحله جداگانه به شرح زیر اجرا شد:

ارزیابی پوشش ابری

در این مرحله، درصد کل تصاویر و درصد کل پیکسل‌های به وضوح مشاهده شده را با درصد پوشش ابری در نظر گرفتیم تا تعداد صحنه‌ها و هزینه‌ها را کاهش دهیم و بالاترین درصد کل پیکسل‌های مشاهده‌شده را برای تجزیه و تحلیل داده‌ها حفظ کنیم.

در عمل، ابرداده درصد پوشش ابری از پورتال وب USGS برای تصاویر موجود Landsat 5/7/8 بین سال‌های 2000 و 2017 مشاهده، ثبت و محاسبه شد. درصد کل تصاویر و کل پیکسل‌های به وضوح مشاهده شده، طبق 10 کلاس های فاصله (≤10، ≤20، ≤30، ≤40، ≤50، ≤60، ≤70، ≤80، ≤90 و ≤100) پوشش ابر (%)، با استفاده از معادلات (1) و (1) محاسبه شد. 2):

پمنمترآgه،من=نمنمترآgه،مننمنمترآgه*100%
پپمنایکسهل،j=∑0jنمنمترآgه،j*1-j*منمنمترآgه*م*100%

جایی که i پوشش ابری (%) است که کمتر یا مساوی با کلاس بازه (10، 20، …، 100) است. پمنمترآgه،مندرصد کل تصاویر است، نمنمترآgه،منتعداد تصاویر است و نمنمترآgهتعداد کل تصاویر است. j پوشش ابر (%) است، پپمنایکسهل،jدرصد کل پیکسل های به وضوح مشاهده شده است، و متعداد پیکسل های تصویر است.

تشخیص پیکسل به وضوح مشاهده شده و آلوده

در این مرحله ابتدا پیکسل های واضح مشاهده شده و آلوده تصاویر Landsat با استفاده از باند QA شناسایی و سپس پیکسل های آلوده با استفاده از مدل HA شناسایی شدند.
(1) تشخیص پیکسل به وضوح مشاهده شده و آلوده بر اساس باند QA.
به طور معمول، هر پیکسل در باند QA حاوی اطلاعات مربوط به زمین، اشباع رادیومتری، ابر و سایه ابر است. کاربران می توانند اطلاعات باند QA محصولات داده لندست 5، 7 و 8 را برای تشخیص پیکسل های واضح مشاهده شده و آلوده با استفاده از ابزار Landsat QA اعمال کنند [ 64 ].
در این مطالعه، فیلتر کردن هر پیکسل با ابزار Landsat QA USGS [ 64 ] برای بررسی پوشش پیکسل آلوده با توجه به اطلاعات باند QA اعمال شد. اگر پوشش پیکسل های آلوده یک تصویر در منطقه مورد مطالعه بیشتر از 90 درصد بود، تصویر حذف می شد.
(2) پایه تشخیص پیکسل آلوده در مدل HA.

الگوریتم توسعه یافته توسط Zhu و Woodcock [ 45 ] برای شناسایی پیکسل های آلوده در این مطالعه به کار گرفته شد. در عمل، مقادیر بازتاب سطحی باند سبز و باند SWIR1 داده‌های لندست ابتدا به یک مدل سری زمانی (HA) تبدیل شدند و مشاهدات واقعی لندست با امواج هارمونیک مشتق شده مربوطه مقایسه شدند تا پیکسل‌های آلوده را تشخیص دهند. با استفاده از دو شرط در معادلات (3) و (4)، همانطور که توسط ژو و وودکاک [ 45 ] پیشنهاد شده است.

ρبلتوه، ایکس-ρ^بلتوه، ایکسآرمنآرLاس>0.04
ρاسدبلیومنآر1، ایکس-ρ^اسدبلیومنآر1، ایکسآرمنآرLاس<-0.04

جایی که x تاریخ جولیان است، ρ(آبی، x)، و ρ(SWIR1، x) مقادیر مشاهده شده Landsat در تاریخ جولیان x هستند، و ρ^(آبی، x) RIRLS و ρ^(SWIR1,x) RIRLS مقادیر پیش‌بینی‌شده Landsat در تاریخ ژولیان x هستند.

تبدیل اعداد دیجیتال به بازتاب طیفی

تصحیح رادیومتری یک گام مهم برای اطمینان از همگنی داده ها برای تشخیص تغییر است [ 65 ]. در عملیات، USGS از LEDAPS و سیستم های LaSRC برای تولید محصولات استاندارد بازتاب سطح استفاده می کند [ 66 ، 67 ].

در این مطالعه، محصول سطح 1 لندست با استفاده از رابطه (5)، همانطور که توسط [ 66 ، 67 ] پیشنهاد شده است، به بازتاب طیفی آن تبدیل شد .

ρλ”=مρ*سجآل+آρ

جایی که ρλ”بازتاب طیفی، M ρ ضریب پوسته‌گذاری ضربی بازتاب، A ρ ضریب مقیاس‌بندی افزایشی بازتاب، و Qcal   مقدار عدد دیجیتال است.

بازسازی بازتاب طیفی سری زمانی

پیکسل های واضح مشاهده شده و آلوده تصاویر Landsat با استفاده از باند QA و مدل HA (با مقدار 0 یا 1) از مرحله (2) برای ایجاد یک مکعب فضایی-زمانی با استفاده از تابع تغییر شکل در نرم افزار MATLAB استفاده شد. به همین ترتیب، شش باند بازتاب طیفی مشتق شده (با مقادیر 0 تا 1) از مرحله (3) نیز برای ایجاد یک مکعب فضایی-زمانی بازتاب طیفی به همان شیوه استفاده شد. سپس اطلاعات مربوط به پیکسل‌های به وضوح مشاهده و آلوده و بازتاب طیفی شش باند با استفاده از تابع تغییر شکل (داده‌ها پیکسل به پیکسل از مکعب‌های مکانی-زمانی خوانده شد) در نرم‌افزار متلب از بعد مکانی به بعد زمانی تبدیل شد. بعد از آن،شکل 5 ). داده‌های بازتاب طیفی سری زمانی مشتق‌شده بیشتر برای طبقه‌بندی و نقشه‌برداری LULC چندزمانی به کار می‌رود.
2.3.2. طبقه بندی LULC چند زمانی با استفاده از HA با الگوریتم حداقل فاصله طیفی
تحت این مؤلفه، پنج مرحله اصلی به صورت جداگانه به شرح زیر اجرا شد.

پیکسل های پایدار استخراج نوع LULC

انواع مختلف LULC (زمین شهری و ساخته شده (U)، زمین کشاورزی (A)، زمین جنگلی (F) و بدنه های آبی (W) برای سال های 2000، 2006، 2011 و 2017) برای اولین بار با استفاده از MLC در طبقه بندی شدند. نرم افزار ERDAS Imagine در عمل، مناطق آموزشی مشترک چهار نوع LULC از سال‌های مختلف ابتدا با استفاده از تفسیر بصری با داده‌های جانبی از Google Earth انتخاب شدند. سپس، مناطق آموزشی انتخاب شده به طور جداگانه برای طبقه بندی نوع LULC از تصاویر مختلف Landsat با استفاده از MLC اعمال شدند. سپس، چهار نقشه طبقه‌بندی‌شده LULC (2000، 2006، 2011، و 2017) به طور همزمان برای شناسایی مناطق مشترک هر نوع LULC از چهار سال مختلف از طریق تجزیه و تحلیل پوشش با استفاده از نرم‌افزار ESRI ArcMap قرار گرفتند. خروجی به دست آمده پیکسل های پایدار هر دسته LULC را بین سال های 2000 و 2017 نشان می دهد.
سپس، نقاط نمونه از هر نوع LULC پایدار با استفاده از تابع ایجاد نقاط تصادفی در نرم افزار ESRI ArcMap به طور تصادفی انتخاب شدند. نقاط نمونه از هر نوع LULC بیشتر به منحنی تابع هارمونیک تبدیل شد و برای ساخت منحنی های هارمونیک استاندارد برای شش باند طیفی در مرحله بعد استفاده شد.

تبدیل منحنی تابع هارمونیک و ساخت منحنی هارمونیک استاندارد

منحنی سری زمانی هر نقطه داده به صورت مجموع یک سری امواج کسینوس یا سینوسی بیان می شود. هر موج با دامنه و فاز متفاوتی تعیین می شود [ 68 ]. این دامنه ها و فازهای پیوسته برای تولید یک منحنی پیچیده [ 32 ] جمع می شوند. از آنجایی که موج کسینوس یا سینوسی یک منحنی تغییر تناوبی معمولی است، از HA می توان برای شبیه سازی تغییر دوره ای بازتاب طیفی استفاده کرد.

برای به دست آوردن مشخصه منحنی هارمونیک انواع مختلف LULC، پیکسل های پایدار انتخاب شده برای هر نوع LULC بین سال های 2000 و 2017 ابتدا با استفاده از رابطه (6)، اصلاح شده از زو و وودکاک [ 45 ] به یک منحنی هارمونیک طیفی تبدیل شدند.

yمن=آمن+بمنتی+آمن جoس2πتیتی-φمن

که در آن t تاریخ جولیان است، i i مین باند لندست است، T تعداد روزهای در سال (T= 365)، a i ضریب مقدار قطع، b i ضریب مقدار شیب، A است. i ضریب مقدار دامنه است، φمنضریب مقدار فاز است و y مقدار بازتاب بازسازی شده در تاریخ ژولیان t است. در این مطالعه، باندهای طیفی معمولی بین لندست 5، 7 و 8 (یعنی آبی، سبز، قرمز، NIR، SWIR1 و SWIR2) برای تبدیل تابع منحنی هارمونیک انتخاب شدند.

سپس، مقادیر میانه چهار ضریب برازش از تمام نقاط نمونه از هر نوع LULC برای شش باند طیفی استخراج شد و مقادیر میانه مشتق شده سپس برای ساخت منحنی تابع هارمونیک استاندارد هر نوع LULC برای شش باند طیفی استفاده شد. با استفاده از رابطه (6).

اندازه گیری فاصله طیفی و محاسبه احتمال

در اصل، فاصله طیفی را می توان با تفریق ساده مقدار بازتاب طیفی بین منحنی تابع هارمونیک استاندارد هر نوع LULC (U، A، F و W) و یک پیکسل طبقه بندی نشده در یک نقطه زمانی خاص اندازه گیری کرد. با این حال، مقادیر فاصله طیفی چهار نوع LULC برای یک پیکسل طبقه‌بندی‌نشده دارای مقادیر دامنه متفاوتی در طول زمان هستند و به دلیل مقیاس‌های متفاوت نمی‌توانند مستقیماً برای مقایسه دسته‌های LULC مختلف برای یک نقطه زمانی خاص اعمال شوند. در نتیجه، مقدار فاصله طیفی هر نوع LULC در محدوده [0،1] نرمال شد.

در عمل، ابتدا معادلات (7) و (8) برای محاسبه حداکثر و حداقل فاصله طیفی بین منحنی‌های تابع هارمونیک استاندارد هر نوع LULC (U، A، F و W) و یک پیکسل طبقه‌بندی‌نشده در هر زمان خاص اعمال شد. نقطه. سپس، مقادیر حداکثر و حداقل از هر نوع LULC در همان نقطه زمانی خاص برای محاسبه فاصله طیفی نرمال شده بین منحنی تابع هارمونیک استاندارد هر نوع LULC (U، A، F، و W) و یک پیکسل طبقه‌بندی نشده استفاده شد. در همان نقطه زمانی خاص با استفاده از معادلات (9) – (12)، به ترتیب. به این ترتیب، کمترین فاصله طیفی نرمال شده بین هر نوع LULC و یک پیکسل طبقه بندی نشده (یعنی زمانی که فاصله طیفی برابر با 0 باشد) بیشترین احتمال را برای یک نوع خاص LULC فراهم می کند (یعنی احتمال برابر با 1 است).

مآایکسمنj=مترآایکسآرUمنj-آرایکسمنj،آرآمنj-آرایکسمنj،آرافمنj-آرایکسمنj،آردبلیومنj-آرایکسمنj
ممننمنj=مترمنnآرUمنj-آرایکسمنj،آرآمنj-آرایکسمنj،آرافمنj-آرایکسمنj،آردبلیومنj-آرایکسمنj
نorمترآلمنzهد سپهجتیrآل دمنستیآnجهUمنj=آرUمنj-آرایکسمنj-ممننمنjمآایکسمنj-ممننمنj
نorمترآلمنzهد سپهجتیrآل دمنستیآnجهآمنj=آرآمنj-آرایکسمنj-ممننمنjمآایکسمنj-ممننمنj
نorمترآلمنzهد سپهجتیrآل دمنستیآnجهافمنj=آرافمنj-آرایکسمنj-ممننمنjمآایکسمنj-ممننمنj
نorمترآلمنzهد سپهجتیrآل دمنستیآnجهدبلیومنj=آردبلیومنj-آرایکسمنj-ممننمنjمآایکسمنj-ممننمنj

جایی که آرUمنj، آرآمنj، آرافمنj، و آردبلیومنjبازتاب طیفی منحنی های تابع هارمونیک استاندارد U، A، F و W به ترتیب در نقطه زمانی i با استفاده از باند j هستند. آرایکسمنjبازتاب طیفی یک پیکسل طبقه بندی نشده در نقطه زمانی i با استفاده از باند j است.

در مرحله بعد، فاصله طیفی نرمال شده یک پیکسل طبقه بندی نشده به هر نوع LULC برای محاسبه احتمال اینکه یک پیکسل طبقه بندی نشده یک نوع LULC خاص (U، A، F، و W) باشد به ترتیب با استفاده از معادلات (13)-(16) اعمال شد. .

پroبآبمنلمنتیyUمنj=1-نorمترآلمنzهد سپهجتیrآل دمنستیآnجهUمنj
پroبآبمنلمنتیyآمنj=1-نorمترآلمنzهد سپهجتیrآل دمنستیآnجهآمنj
پroبآبمنلمنتیyافمنj=1-نorمترآلمنzهد سپهجتیrآل دمنستیآnجهافمنj
پroبآبمنلمنتیyدبلیومنj=1-نorمترآلمنzهد سپهجتیrآل دمنستیآnجهدبلیومنj

جایی که پroبآبمنلمنتیyUمنj، پroبآبمنلمنتیyآمنj، پroبآبمنلمنتیyافمنjو پroبآبمنلمنتیyدبلیومنjاحتمال اینکه یک پیکسل طبقه بندی نشده به ترتیب U، A، F و W در نقطه زمانی i با استفاده از باند j باشد.

طبقه بندی LULC چند زمانی

در اصل، احتمال اینکه یک پیکسل طبقه بندی نشده یک نوع LULC خاص از معادلات (13) – (16) در یک نقطه زمانی خاص از یک باند طیفی باشد، می تواند به طور جداگانه برای طبقه بندی LULC چند زمانی اعمال شود.

در این مطالعه، هر شش باند طیفی استاندارد Landsat 5، 7، و 8، شامل باندهای آبی، سبز، قرمز، NIR، SWIR1 و SWIR2 برای طبقه‌بندی LULC چند زمانی اعمال شد. به این ترتیب، میانگین احتمالات یک پیکسل طبقه‌بندی‌نشده یک نوع LULC خاص (U، A، F، و W) از میان شش باند طیفی ابتدا به‌طور جداگانه با استفاده از معادلات (17) – (20) محاسبه شد. سپس، میانگین احتمالات یک پیکسل طبقه‌بندی‌نشده یک نوع LULC خاص (U، A، F، و W) از میان چهار نوع LULC برای شناسایی بالاترین مقدار مقایسه شد. نوع LULC مربوطه که بالاترین احتمال را فراهم می کند، سپس در یک نقطه زمانی خاص به پیکسل طبقه بندی نشده اختصاص داده شد.

آvهrآgه پroبآبمنلمنتیyUمن=∑j=16پroبآبمنلمنتیyUمنj/6
آvهrآgه پroبآبمنلمنتیyآمن=∑j=16پroبآبمنلمنتیyآمنj/6
آvهrآgه پroبآبمنلمنتیyافمن=∑j=16پroبآبمنلمنتیyافمنj/6
آvهrآgه پroبآبمنلمنتیyدبلیومن=∑j=16پroبآبمنلمنتیyدبلیومنj/6

جایی که، آvهrآgه پroبآبمنلمنتیyUمن، آvهrآgه پroبآبمنلمنتیyآمن، آvهrآgه پroبآبمنلمنتیyافمن، و آvهrآgه پroبآبمنلمنتیyدبلیومناحتمال اینکه یک پیکسل طبقه بندی نشده به ترتیب U، A، F و W در نقطه زمانی i با استفاده از شش باند باشد.

پس از طبقه‌بندی چندزمانی LULC بر اساس احتمال متوسط، پردازش پس از طبقه‌بندی برای حذف خطاهای غیرمنتظره اعمال شد زیرا تفاوت در شرایط اکتسابی و جوی مجموعه‌های داده سری زمانی می‌تواند تغییرات طیفی ایجاد کند [ 69 ]. در این تحقیق از تابع حالت با یک پنجره متحرک (در اندازه 1×9) فیلتر فضایی و زمانی تحت نرم افزار متلب برای حذف خطاهای غیرمنتظره استفاده شد.

ارزیابی دقت

ارزیابی دقت نقشه‌های LULC به دلیل عدم وجود نقشه‌های بزرگ مقیاس، زمانی و مکانی با وضوح بالا برای مرجع، همیشه یک کار دشوار بوده است. برای مطالعه تشخیص تغییر با استفاده از داده های سری زمانی Landsat، بهترین داده های تأیید، خود داده های Landsat هستند، همانطور که در [ 70 ] پیشنهاد شد. در این مطالعه، تصاویر با وضوح فضایی بسیار بالا از Google Earth (نگاه کنید به شکل 3 ) و تصاویر Landsat به عنوان اطلاعات مرجع زمینی برای ارزیابی دقت استفاده شدند. در همین حال، تعداد نقاط نمونه بر اساس یک توزیع چند جمله‌ای تخمین زده شد، و یک روش نمونه‌گیری تصادفی طبقه‌ای برای تخصیص نقاط نمونه برای اطلاعات آزمون مرجع زمینی، همانطور که در [ 71 ، 72 پیشنهاد شد، استفاده شد.]. به این ترتیب دقت کلی (OA)، دقت تولیدکننده (PA)، دقت کاربر (UA) و ضریب کلاه کاپا (KHAT) گزارش شد.
علاوه بر این، چهار نوع LULC پایدار (U، A، F و W) و مناطق تغییر LULC از نقشه‌های طبقه‌بندی‌شده LULC در سال‌های 2000، 2006، و 2011 و 2017 به دو گروه تغییر یافته و مناطق بدون تغییر برای تشخیص تغییر طبقه‌بندی شدند. ارزیابی دقت با استفاده از OA، PA و UA، همانطور که توسط Congalton و Green [ 71 ] پیشنهاد شده است.

3. نتایج

در این تحقیق، چهار تصویر Landsat برای سال های 2000 (12 ژوئن 2000)، 2006 (31 ژوئیه 2006)، 2011 (29 ژوئیه 2011) و 2017 (18 مه 2017)، از سری های زمانی Landsat 5، 7، و 8 مجموعه داده بین سال‌های 2000 و 2017 برای طبقه‌بندی داده‌های LULC چند زمانی با استفاده از HA با حداقل الگوریتم فاصله طیفی تحت محیط نرم‌افزار MATLAB انتخاب شدند.

3.1. انتخاب داده های Landsat بر اساس ارزیابی پوشش ابری

شکل 6 درصد تصاویر و پیکسل های به وضوح مشاهده شده را به عنوان یک هیستوگرام تجمعی در صحنه شهر نانجینگ (مسیر 120 و ردیف 38) از مجموعه داده های موجود Landsat 5/7/8 بین سال های 2000 تا 2017 نشان می دهد. بر اساس این اطلاعات، اگر تصاویری با پوشش ابری ≤10% انتخاب شده است، حدود 26% از کل تصاویر (673 صحنه) قابل استفاده است. این تصاویر شامل حدود 50٪ پیکسل های به وضوح مشاهده شده است. بنابراین، حدود 50 درصد از پیکسل های به وضوح مشاهده شده نادیده گرفته می شوند.
در این مطالعه، ما همه تصاویر با پوشش ابری ≤90٪ یا حدود 75٪ از کل تصاویر (673 صحنه) را انتخاب کردیم، زیرا این تصاویر شامل حدود 99٪ پیکسل های واضح مشاهده شده است، در حالی که تنها حدود 1٪ از پیکسل های به وضوح مشاهده شده هستند. نادیده گرفته شده است. این انتخاب می تواند تعداد صحنه ها را از 673 صحنه (یا 100%) به 505 صحنه (یا 75%) از کل صحنه ها کاهش دهد. اما هفت صحنه از لندست 5 و سه صحنه از لندست 8 به دلیل کیفیت پایین تصویر و اطلاعات نادرست در پوشش ابر حذف شدند. پس از آن، 168 تصویر از لندست 5، 251 تصویر از لندست 7، و 76 تصویر از لندست 8، با مجموع 495 تصویر، برای شناسایی پیکسل های به وضوح مشاهده شده و آلوده در منطقه مورد مطالعه بر اساس باند QA و مدل HA انتخاب شدند.

3.2. انتخاب مجدد داده های لندست با استفاده از باند QA و مدل HA

پس از ارزیابی پوشش ابر، تصاویر با پیکسل های کمتر یا مساوی 90 درصد آلوده در منطقه مورد مطالعه با استفاده از باند QA و مدل HA مجدداً انتخاب شدند. در نتیجه 121 تصویر از لندست 5، 201 تصویر از لندست 7 و 66 تصویر از لندست 8 با مجموع 388 تصویر انتخاب و در این تحقیق مورد استفاده قرار گرفتند. علاوه بر این، مقادیر دیجیتال پیکسل‌های کاملاً مشاهده شده و آلوده همه تصاویر انتخابی به ترتیب 0 و 1 هستند. نمونه هایی از توزیع پیکسل های به وضوح مشاهده شده و آلوده از Landsat 5 و 7 در شکل 7 نمایش داده شده است. در شکل 7 الف، بیشتر پیکسل های آلوده ابر و سایه ابر هستند، در حالی که پیکسل های آلوده در شکل 7b شامل ابر، سایه ابر و شکاف است.

3.3. داده های بازتاب طیفی

انتخاب نهایی داده های لندست، با مجموع 388 صحنه، برای تجزیه و تحلیل داده ها به بازتاب طیفی تبدیل شد. نمونه هایی از داده های بازتاب طیفی از Landsat 5 و 7 در شکل 8 نمایش داده شده است. در نتیجه، شکاف های موجود در داده های Landsat 7، همانطور که در شکل 8 b نشان داده شده است، در اینجا به عنوان پیکسل های آلوده در نظر گرفته می شوند و در تجزیه و تحلیل داده ها نادیده گرفته می شوند.

3.4. بازسازی بازتاب طیفی سری زمانی

با ترکیب مکعب مکانی-زمانی پیکسل های آشکارا مشاهده شده و آلوده شناسایی شده (با مقدار 0 یا 1) با مکعب مکانی-زمانی داده های بازتاب طیفی مشتق شده از شش باند (با مقادیر 0 تا 1) با استفاده از تابع تغییر شکل نرم افزار MATLAB، پیکسل های آلوده از داده های بازتاب طیفی سری زمانی اصلی شش باند حذف می شوند.
شکل 9 a داده های بازتاب طیفی سری زمانی اصلی باند NIR (با مقدار 0 تا 1) را از یک پیکسل در بین 388 تاریخ نشان می دهد. این مشاهدات نشان می‌دهد که برخی از مقادیر پیکسل به دلیل آلودگی، مانند سایه‌های ابر/ابر، از محدوده بازتاب طبیعی خود منحرف می‌شوند. در همین حال، شکل 9 b داده های بازتاب طیفی سری زمانی باند NIR را از همان پیکسل پس از حذف مقادیر آلوده در برخی از تاریخ ها نشان می دهد. این نشان می دهد که مقادیر بازتاب با تغییرات زمانی به بالا و پایین نوسان می کنند. در این مطالعه، داده‌های بازتاب طیفی سری زمانی بازسازی‌شده 388 تصویر به‌عنوان داده‌های ورودی اولیه برای نقشه‌برداری LULC چند زمانی با استفاده از HA با حداقل الگوریتم فاصله طیفی استفاده می‌شوند.

3.5. منطقه پایدار استخراج نوع LULC

مناطق پایدار چهار نوع LULC و مناطق تغییر بین سال های 2000 تا 2017 از چهار نقشه LULC در سال های 2000، 2006، 2011 و 2017 در جدول 1 خلاصه شده و در شکل 10 نشان داده شده است. در نتیجه، نواحی پایدار U، A، F و W طی سال‌های 2000 تا 2017 62.05 کیلومتر مربع ( 3.91 درصد)، 335.40 کیلومتر مربع ( 21.14 درصد)، 129.59 کیلومتر مربع ( 8.17 درصد) و 49.82 کیلومتر مربع هستند .به ترتیب (3.14%). بیشتر مناطق پایدار زمین شهری و ساخته شده در یک منطقه هسته قدیمی منطقه جیانگینگ واقع شده است، در حالی که مناطق پایدار زمین کشاورزی به طور تصادفی در مناطق دشت دور از منطقه اصلی منطقه توزیع شده است. این در حالی است که بیشتر مناطق پایدار اراضی جنگلی در نواحی تپه ماهوری و کوهستانی قرار دارند. در مقابل، بیشتر مناطق پایدار بدنه‌های آبی بر روی رودخانه یانگ تسه و رودخانه Qinhuai واقع شده‌اند.
از سوی دیگر، ناحیه ناپایدار انواع LULC 1009.87 کیلومتر مربع ( 63.64 درصد) بود. این یافته نشان می دهد که LULC در طول سه دوره مورد مطالعه (2000-2006، 2006-2011، و 2011-2017) تغییر می کند. نواحی ناپایدار انواع LULC از ناحیه هسته قدیمی جیانگینگ از طریق زمین کشاورزی به بیرون گسترش می یابد.
توزیع نقاط نمونه برداری تصادفی U (9395 پیکسل)، A (9893 پیکسل)، F (9711 پیکسل) و W (9181 پیکسل) از مناطق LULC پایدار بین سال های 2000 و 2017 در شکل 11 نشان داده شده است .

3.6. منحنی تابع هارمونیک طیفی انواع LULC

منحنی تابع هارمونیک طیفی چهار نوع LULC که از نقاط نمونه پیکسل های پایدار بین سال های 2000 و 2017 تبدیل شده اند در شکل 12 نشان داده شده است.. از آنجایی که منحنی‌های تابع هارمونیک هر نوع LULC از نزدیک به 10000 نقطه نمونه می‌آیند، منحنی‌های تابع هارمونیک هر نوع LULC از هر باند طیفی به صورت نواری ظاهر می‌شوند و منحنی‌های تابع هارمونیک انواع مختلف LULC در بین انواع LULC همپوشانی دارند. به عنوان مثال، منحنی تابع هارمونیک زمین های جنگلی با منحنی توابع آبی در باند NIR همپوشانی دارد، در حالی که منحنی هارمونیک بدنه های آبی با سایر انواع LULC در نوار سبز همپوشانی دارد. بنابراین، تعیین شباهت‌ها بین انواع LULC و مقایسه منحنی تابع هارمونیک مشتق‌شده با چند خط طیفی یک پیکسل طبقه‌بندی‌نشده دشوار است. در نتیجه، یافتن یک منحنی تابع هارمونیک استاندارد ضروری است که بتواند انواع مختلف LULC را در باندهای مختلف نشان دهد.

3.7. منحنی تابع هارمونیک استاندارد هر نوع LULC

جدول 2 مقادیر میانه چهار ضریب برازش هر نوع LULC را برای شش باند طیفی بین سال های 2000 و 2017 نشان می دهد، در حالی که منحنی های تابع هارمونیک استاندارد ساخته شده از چهار نوع LULC از شش باند طیفی در شکل 13 نشان داده شده است. این داده ها نشان می دهد که هیچ نوار همپوشانی در بین انواع LULC وجود ندارد، و این باعث می شود که منحنی های تابع هارمونیک انواع LULC به راحتی متمایز شود.

3.8. اندازه گیری فاصله طیفی

شکل 14 فاصله طیفی بین منحنی های تابع هارمونیک استاندارد چهار نوع LULC و چند خط یک پیکسل طبقه بندی نشده برای تجسم شباهت را نشان می دهد. در نتیجه، به راحتی می توان مشاهده کرد که بازتاب طیفی پیکسل طبقه بندی نشده به عنوان چند خط (رنگ سیاه) مشابه منحنی های تابع هارمونیک استاندارد زمین کشاورزی و زمین های جنگلی قبل از سال 2008 است. با این حال، این منحنی نیز مشابه منحنی های تابع هارمونیک استاندارد زمین شهری و ساخته شده پس از سال 2008. در نتیجه نوع LULC پیکسل طبقه بندی نشده بین سال های 2000 تا 2008 باید زمین کشاورزی یا جنگل باشد که پس از سال 2008 به زمین شهری و ساخته شده تبدیل شده است.

3.9. احتمال اینکه یک پیکسل طبقه بندی نشده یک نوع LULC خاص باشد

احتمال اینکه یک پیکسل طبقه بندی نشده از نوع LULC خاص (U، A، F و W) بین سال های 2000 تا 2017 باشد، بر اساس شش باند طیفی، در شکل 15 نشان داده شده است . این شکل تغییرات احتمال یک پیکسل طبقه‌بندی‌نشده از نوع LULC خاص را بین سال‌های 2000 و 2017 نشان می‌دهد و احتمال اینکه یک پیکسل ناآگاه از نوع LULC خاص در یک نقطه زمانی خاص باشد را نشان می‌دهد. برای مثال، اگر نوار آبی را برای طبقه‌بندی داده‌های LULC چند زمانی انتخاب کنیم، بیشتر انواع LULC قبل از سال 2000 زمین‌های جنگلی یا زمین‌های کشاورزی بودند، اما بیشتر انواع LULC پس از سال 2008، زمین‌های شهری و ساخته‌شده بودند.
در همین حال، میانگین احتمال یک پیکسل طبقه بندی نشده از نوع LULC خاص (U، A، F، و W) بین سال های 2000 تا 2017 بر اساس شش باند طیفی، در شکل 16 ارائه شده است.. این شکل تغییرات میانگین احتمال یک پیکسل طبقه بندی نشده برای هر نوع LULC را از شش باند طیفی بین سال های 2000 و 2017 در یک نقطه زمانی خاص نشان می دهد. در نتیجه، پیکسل طبقه بندی نشده به انواع مختلف LULC در مقاطع زمانی مختلف تعلق دارد. قبل از سال 2008، این پیکسل به طور متناوب میانگین احتمال زیاد ظاهر شدن در زمین های جنگلی و زمین های کشاورزی را نشان می دهد، اما پس از سال 2008، این پیکسل احتمال متوسط ​​بالایی برای ظاهر شدن در زمین های شهری و مسکونی را نشان می دهد. این یافته نشان می دهد که نوع LULC این پیکسل را می توان در یک نقطه زمانی خاص با توجه به بالاترین میانگین مقدار احتمال نوع LULC مربوطه طبقه بندی کرد.

3.10. طبقه بندی و نقشه برداری چند زمانی LULC

شکل 17 a نوع LULC پیکسل طبقه بندی نشده را بین سال های 2000 و 2017 در تاریخ های مشخصی از داده های 388 Landsat قبل از پردازش پس از طبقه بندی نشان می دهد. در نتیجه، نوع LULC پیکسل به طور متناوب به زمین های جنگلی، زمین های کشاورزی، و زمین های شهری و ساخته شده بین سال های 2000 تا 2008 تعلق دارد. همچنین اغلب در این دوره به زمین های کشاورزی تعلق دارد. در مقابل، این پیکسل متعلق به زمین های شهری و ساخته شده پس از سال 2008 است. با این حال، این پیکسل در سه تاریخ (همانطور که با بیضی قرمز نشان داده شده است) متعلق به آب است. بر اساس دانش قبلی ما، برای نوع LULC دشوار است که در یک دوره کوتاه دو تغییر شدید را تجربه کند. نوع LULC این پیکسل در نقاط سه زمانی نشان دهنده خطاهای غیرمنتظره مانند نویز نمک و فلفل است [ 1 ].
در مقابل، شکل 17 ب نتایج نهایی را پس از پردازش پس از طبقه بندی برای پیکسل طبقه بندی نشده نشان می دهد. این شکل نشان می دهد که خطاهای غیرمنتظره از بدنه های آبی در شکل 17 a حذف شده اند. بر این اساس نوع طبقه بندی شده LULC این پیکسل قبل از سال 2008 زمین کشاورزی و پس از سال 2008 زمین شهری و ساخته شده بود.
نتایج نقشه‌های LULC چند زمانی منتخب در سال‌های 2000، 2006، 2011 و 2017 از مجموعه‌های داده سری زمانی Landsat بین سال‌های 2000 و 2017 با استفاده از HA با حداقل الگوریتم فاصله طیفی در شکل 18 و جدول 3 ارائه شده است.
در نتیجه، درصد زمین های شهری و ساخته شده از 9.29 درصد در سال 2000 به 28.04 درصد در سال 2017، نسبت زمین های جنگلی از 14.25 درصد در سال 2000 به 21.35 درصد در سال 2017 افزایش می یابد و درصد بدنه های آبی نیز افزایش می یابد. از 4.29 درصد در سال 2000 به 7.02 درصد در سال 2017. در مقابل، درصد زمین های کشاورزی از 72.17 درصد در سال 2000 به 43.59 درصد در سال 2017 کاهش یافته است. این نتایج نشان دهنده افزایش چشمگیر زمین های شهری و ساخته شده به دلیل شهرنشینی در منطقه مورد مطالعه از 2000 تا 2017. گسترش زمین شهری و ساخته شده در سه دوره مختلف (2000-2006، 2006-2011 و 2011-2017) در شکل 19 نشان داده شده است .
این نتیجه نشان می‌دهد که مناطق شهری و زمین‌های ساخته‌شده بین سال‌های 2000 و 2006 از ناحیه هسته قدیمی جیانگ‌نینگ گسترش یافته‌اند و مناطق جدید توسعه‌یافته در نزدیکی رودخانه یانگ تسه و فرودگاه بین‌المللی لوکو رخ داده‌اند که مساحتی معادل 111.74 کیلومتر مربع را پوشش می‌دهند . در همین حال، مناطق شهری و مسکونی بین سال‌های 2006 و 2011 از ناحیه هسته قدیمی جیانگ‌نینگ در بخش شمالی منطقه گسترش یافتند و مناطق تازه توسعه‌یافته در نزدیکی رودخانه یانگ تسه و شهر لوکو ظاهر شدند که مساحتی معادل 95.05 کیلومتر مربع را پوشش می‌دادند . در این میان، مناطق شهری و مسکونی بین سال‌های 2011 و 2017 با تبدیل زمین کشاورزی به زمین شهری و مسکونی، به مساحت 90.63 کیلومتر مربع گسترش یافت .. این یافته با گزارش آماری MOHURD [ 62 ] مطابقت دارد که گزارش داد مناطق شهری و ساخته شده در کل شهر نانجینگ از 201.40 کیلومتر مربع در سال 2000 به 773.79 کیلومتر مربع در سال 2016 به دلیل شهرنشینی افزایش یافته است.

3.11. ارزیابی دقت نقشه LULC

نتایج ارزیابی دقت نقشه های LULC در سال های 2000، 2006، 2011 و 2017 به ترتیب در جدول 4 ، جدول 5 ، جدول 6 و جدول 7 نمایش داده شده است. این جداول نشان می دهد که OA چهار نقشه LULC از 86.32% در سال 2017 تا 97.03% در سال 2000 متغیر بوده است، و KHAT از چهار نقشه LULC از 80.24% در سال 2017 تا 95.35% در سال 2000 متغیر بوده است. در اینجا، میانگین OAT از چهار نقشه طبقه بندی به ترتیب 91.20% و 86.70% می باشد.
علاوه بر این، PA از 81.61٪ برای زمین های شهری و ساخته شده در سال 2017 تا 99.09٪ برای زمین های شهری و ساخته شده در سال 2006 متغیر است. در همین حال، UA از 66.67٪ برای زمین های جنگلی در سال 2006 تا 100٪ برای بدنه های آبی در تغییر می کند. 2000، 2006، و 2011. در این میان، میانگین مقدار PA برای چهار نوع LULC در سال های 2000، 2006، 2011 و 2017 به ترتیب 96.46، 91.96، 89.81 درصد و میانگین 85.80 درصد است. ارزش UA چهار نوع LULC در همان سالها به ترتیب 24/96 درصد، 89/89 درصد، 00/92 درصد و 24/89 درصد است.
علاوه بر این، OA و KHAT نقشه های LULC در سال 2000 بیشتر از سایر نقشه های LULC در سال های 2006، 2011 و 2017 است. این یافته نشان دهنده مرحله توسعه شهری منطقه مورد مطالعه بین سال های 2000 و 2017 است. در سال 2000، شهری و زمین های ساخته شده در منطقه مرکزی شهر متمرکز شده بود و بیشتر ساخت و سازهای جدید در نزدیکی منطقه مرکزی شهر قرار داشت. اکثر انواع LULC با یک پچ همگن بزرگ توزیع شدند و طبقه بندی هر نوع LULC آسان بود. از سوی دیگر، بسیاری از اراضی کشاورزی و جنگلی به اراضی شهری و ساخته شده تبدیل شدند و مناطق توسعه یافته در سال های 2006، 2011 و 2017 بیشتر از محدوده مرکزی شهر پراکنده شدند و در نتیجه تعداد زیادی از مناطق کوچک به وجود آمد. تکه های ناهمگن این پدیده ها بر دقت موضوعی نقشه های LULC در سال های 2006، 20011 تأثیر گذاشتند.

3.12. ارزیابی دقت تشخیص تغییر

شکل 20 مناطق پایدار چهار نوع LULC و نواحی تغییر یافته بین سال های 2000 تا 2017 را از چهار نقشه LULC برای سال های 2000، 2006، 2011 و 2017 با استفاده از الگوریتم جدید توسعه یافته نشان می دهد. در نتیجه، توزیع فضایی نوع LULC پایدار و تغییر آن از الگوریتم جدید توسعه یافته مشابه الگوریتم MLC است ( شکل 10 را ببینید ). علاوه بر این، مساحت و درصد LULC پایدار و تغییرات آن در جدول 8 خلاصه شده است. بر این اساس، مناطق و درصدهای مشتق شده از هر دو الگوریتم کمی متفاوت است ( جدول 1 را ببینید ). با این وجود، الگوریتم جدید توسعه یافته را می توان به راحتی برای طبقه بندی نقشه های LULC چند زمانی و تشخیص تغییرات LULC در هر زمان خاص به کار برد.
نتیجه ارزیابی دقت تشخیص تغییر در جدول 9 خلاصه شده است. در نتیجه، OA برای تشخیص تغییر 88.25٪ است. همچنین، PA برای مناطق تغییر یافته 97.63 درصد و PA برای مناطق پایدار 78.71 درصد است، در حالی که UA برای مناطق تغییر یافته 82.33 درصد و UA برای مناطق پایدار 97.03 درصد است.

4. بحث

4.1. مراحل انتخاب تصویر لندست

در نتیجه انتخاب Landsat با استفاده از ارزیابی پوشش ابری در کنار شناسایی پیکسل‌های به وضوح مشاهده شده و آلوده با استفاده از باند QA و مدل HA، می‌توانیم تعداد صحنه‌های Landsat 5/7/8 را بین سال‌های 2000 و 2017 برای داده‌های سری زمانی کاهش دهیم. تجزیه و تحلیل از 673 به 388 صحنه (کاهش حدود 44.74٪). این روش نه تنها می تواند تعداد تصاویر و زمان تجزیه و تحلیل داده ها را کاهش دهد، بلکه می تواند پیکسل های به وضوح مشاهده شده و آلوده را نیز تشخیص دهد. با این حال، کاربران ملزم به مشاهده، ضبط، و محاسبه درصد کل تصاویر و درصد کل پیکسل های به وضوح مشاهده شده با توجه به اطلاعات پوشش ابری هر صحنه ارائه شده توسط پورتال وب USGS هستند.

4.2. بازسازی بازتاب طیفی سری زمانی نیمه اتوماتیک

داده‌های بازتاب طیفی سری زمانی، که به‌طور نیمه خودکار با ضرب بین مکعب مکانی-زمانی پیکسل‌های آشکارا مشاهده شده و آلوده (با مقادیر 0 یا 1) و مکعب‌های مکانی-زمانی شش باند بازتاب طیفی مشتق‌شده (با مقادیر) ساخته می‌شوند. از 0 تا 1) با استفاده از تابع تغییر شکل نرم افزار متلب می توان پیکسل های آلوده را از داده های بازتاب طیفی سری زمانی اصلی حذف کرد. این فرآیند را می توان به سرعت پیاده سازی کرد، اما کاربران باید برنامه نویسی اولیه را با نرم افزار MATLAB درک کنند.

4.3. تکنیک استخراج یک منطقه پایدار برای هر نوع LULC

در این مطالعه، مناطق پایدار برای هر نوع LULC بین سال‌های 2000 و 2017 با استفاده از تحلیل همپوشانی بر اساس نقشه‌های طبقه‌بندی‌شده LULC در سال‌های 2000، 2006، 2011 و 2017 با استفاده از MLC استخراج شد. حتی اگر برخی از خطاها در انواع LULC طبقه بندی شده برای یک سال خاص باقی بماند، خطای ناحیه پایدار برای هر نوع LULC حداقل است زیرا مناطق پایدار هر دسته LULC از نقشه های LULC چند زمانی استخراج می شوند. با این حال، طبقه بندی LULC با MLC به زمان زیادی برای انتخاب مناطق تمرینی مناسب با توزیع نرمال نیاز دارد. در آینده، استخراج یک میدان پایدار برای هر نوع LULC باید یک فرآیند خودکار یا نیمه خودکار باشد. در حال حاضر، بسیاری از محققین اتوماسیون داده های آموزشی را به عنوان جایگزینی برای انتخاب منطقه آموزشی دستی توسعه داده اند. هوانگ و همکاران [ 73] یک مفهوم شی تاریک را برای ایجاد خودکار یک منطقه آموزشی برای نقشه برداری تغییرات پوشش جنگل با الگوریتم ماشین های بردار پشتیبانی پیشرفته به کار برد.

4.4. رویکرد طبقه بندی نظارت شده برای نقشه برداری LULC چند زمانی با استفاده از تحلیل هارمونیک با الگوریتم حداقل فاصله طیفی

رویکرد طبقه‌بندی نظارت‌شده توسعه‌یافته برای نقشه‌برداری LULC چند زمانی با استفاده از HA با حداقل الگوریتم فاصله طیفی، یک فرآیند نیمه خودکار تحت محیط نرم‌افزار MATLAB است و به دخالت انسانی کمی نیاز دارد. این رویکرد می‌تواند به طور موثر نقشه‌های LULC چند زمانی را طبقه‌بندی کند و نتایج بسیار دقیقی را بر اساس منحنی تابع هارمونیک استاندارد برای هر نوع LULC به‌دست‌آمده از مناطق پایدار هر نوع LULC از چندین سال ارائه دهد.
علاوه بر این، این رویکرد با در نظر گرفتن پیکسل‌های مجزا از داده‌های Landsat موجود بر محدودیت‌های انتخاب تصویر غلبه می‌کند. برای مثال، شکاف‌های خط اسکن Landsat 7 به عنوان پیکسل‌های آلوده در نظر گرفته می‌شوند، اما از پیکسل‌های مشاهده شده به وضوح موجود نیز می‌توان استفاده کرد ( شکل 5 را ببینید.). همچنین، این رویکرد نیازی به عادی سازی نسبی هر تصویر برای طبقه بندی LULC چند زمانی و تشخیص تغییر ندارد زیرا تفاوت های فنولوژیکی و زاویه خورشیدی بر طبقه بندی تحت مدل سری زمانی تأثیر نمی گذارد. علاوه بر این، این رویکرد فیلتر مکانی-زمانی را با یک تابع حالت تحت پردازش پس از طبقه‌بندی برای حذف خطاهای غیرمنتظره ناشی از پیکسل‌های آلوده (مانند ابرها و سایه‌های ابر) یا شرایط هواشناسی (مانند سیل و خشکسالی) اعمال می‌کند ( شکل 17 را ببینید ). به طور خاص، این رویکرد می تواند به سرعت یک نقشه تغییر LULC برای هر دوره ایجاد کند و می تواند اطلاعات تغییر “از به” را به عنوان یک الگوریتم تشخیص تغییر مقایسه پس از طبقه بندی ارائه دهد، که اغلب برای تشخیص تغییر استفاده می شود [ 3 ،74 ، 75 ، 76 ، 77 ].
با این حال، این رویکرد دارای محدودیت هایی است. اولاً، این رویکرد به تصاویری با فرکانس های زمانی بالا نیاز دارد تا از دقت اطمینان حاصل شود. ثانیاً، این رویکرد به حجم زیادی از فضای ذخیره سازی داده ها (حدود 500 گیگابایت) نیاز دارد. در نهایت، منحنی تابع هارمونیک استاندارد هر نوع LULC بر اساس نوع LULC دائمی در یک دوره طولانی (2000-2017) ساخته شده است. بنابراین، انواع LULC با مناطق کوچک (مانند علفزار، تالاب، و زمین های بایر) ممکن است به اشتباه به چهار نوع LULC طبقه بندی شوند، زیرا شناسایی مناطق پایدار انواع LULC با تکه های کوچک برای مدت طولانی دشوار است.

4.5. ارزیابی دقت نقشه های LULC

مقدار OA بیش از 85٪ در نقشه های LULC، همانطور که در بخش 3.11 گزارش شده است ، می تواند نتایج قابل قبولی را ارائه دهد، همانطور که توسط اندرسون و همکاران پیشنهاد شده است. [ 78 ]. به همین ترتیب، یک مقدار KHAT بیشتر از 80٪ نشان دهنده یک توافق تقریباً کامل بین نقشه طبقه بندی شده LULC و داده های مرجع زمینی است [ 79 ]. علاوه بر این، تمام مقادیر متوسط ​​PA و UA انواع مختلف LULC در سال‌های 2000، 2006، 2011 و 2017 بالاتر از 85 درصد است. بنابراین، روش طبقه‌بندی توسعه‌یافته با استفاده از HA با حداقل الگوریتم فاصله طیفی با استفاده از مجموعه‌های داده سری زمانی Landsat برای طبقه‌بندی LULC چند زمانی کافی است.
علاوه بر این، دقت کلی مشتق‌شده در این مطالعه با سایر مطالعاتی که مجموعه‌های داده Landsat سری‌های زمانی را برای طبقه‌بندی نقشه‌های LULC چند زمانی با یک الگوریتم خاص اعمال کردند، قابل مقایسه است. برای مثال، گبهارت و همکاران. [ 80 ] از 135 صحنه لندست برای طبقه بندی یک سری از هفت نقشه مکزیک بین سالهای 1993 و 2008 با استفاده از الگوریتم درخت تصمیم استفاده کرد که دقت کلی حدود 76٪ را ارائه کرد. ژو و وودکاک [ 45 ] الگوریتم CCDC توسعه‌یافته خود را با یک طبقه‌بندی کننده RF برای طبقه‌بندی نقشه‌های چندزمانی پوشش زمین از مجموعه‌های داده سری زمانی Landsat (1982-2011) در ساحلی نیوانگلند، ایالات متحده به کار بردند و به OA حدود 90% دست یافتند. گوناریدیس و همکاران [ 18] یک طبقه‌بندی کننده RF با مجموعه‌های داده سری زمانی Landsat (1991-2016) را برای طبقه‌بندی نقشه‌های LULC در آتیکا، یونان اعمال کرد و به دقت کلی متفاوت از 90.5٪ تا 93.5٪ رسید. لو و همکاران [ 15 ] تصاویر Landsat را از سال 1990 تا 2015 در فواصل پنج ساله برای طبقه بندی سطوح غیرقابل نفوذ و سطوح غیرقابل نفوذ با استفاده از تجزیه و تحلیل مخلوط طیفی خطی از شش کلان قطب منتخب در کلان قطب های ساحلی و داخلی در سال 2015 اعمال کرد که به دقت کلی متفاوت دست یافت. از 94% تا 95% می و همکاران [ 14 ] از یک طبقه‌بندی کننده RF با مجموعه‌های داده Landsat سری زمانی (1987-2017) برای تشخیص تغییرات LULC در یک منطقه معدن استفاده کرد و به میانگین OA حدود 84٪ دست یافت. بیتر و همکاران [ 13] از یک ماشین بردار پشتیبان با مجموعه داده های سری زمانی Landsat (1987-2016) برای طبقه بندی حرا، غیر حرا، آب دریا و ابرها در فیلیپین استفاده کرد و به میانگین OA حدود 84٪ رسید.

5. نتیجه گیری ها

در این مطالعه، یک روش طبقه‌بندی نظارت‌شده جدید برای طبقه‌بندی کاربری چندزمانی و پوشش زمین با موفقیت با استفاده از تحلیل هارمونیک با حداقل الگوریتم فاصله طیفی تحت محیط MATLAB از طریق انتخاب سیستماتیک Landsat و بازسازی بازتاب طیفی سری‌های زمانی با تبدیل دامنه فضا به حوزه زمان دقت کلی مشتق شده و ضرایب کلاه کاپا نقشه های کاربری و پوشش اراضی چهار سال منتخب (2000، 2006، 2011 و 2017) بیش از 80 درصد و میانگین دقت تولیدکننده و دقت کاربری برای کاربری های مختلف زمین و انواع پوشش اراضی چهار سال منتخب نیز بیش از 85 درصد بود.
بنابراین، می‌توان نتیجه گرفت که روش طبقه‌بندی نظارت‌شده جدید توسعه‌یافته با استفاده از تحلیل هارمونیک با حداقل الگوریتم فاصله طیفی می‌تواند به طور موثر برای طبقه‌بندی و نقشه‌برداری کاربری چندزمانی و پوشش زمین و تشخیص تغییرات آن از مجموعه داده‌های سری زمانی Landsat با قابلیت اطمینان بالا استفاده شود. برای اطلاعات. با این حال، این روش طبقه‌بندی توسعه‌یافته باید در حوزه‌های دیگر مورد بررسی قرار گیرد تا قابلیت انتقال مکانی و زمانی آن با مجموعه‌ای دقیق‌تر از طبقات تعیین شود. با این وجود، گردش کار ارائه شده از روش تحقیق می تواند به عنوان یک راهنما برای توسعه دهندگان نرم افزار برای طبقه بندی و نقشه برداری کاربری (نیمه خودکار) و پوشش زمین استفاده شود.

منابع

  1. Jensen, JR مقدماتی پردازش تصویر دیجیتال: دیدگاه سنجش از دور . چاپخانه پرنتیس هال: رودخانه فوقانی زین، نیوجرسی، ایالات متحده آمریکا، 2015; پ. 544. [ Google Scholar ]
  2. Lo, CP; Quattrochi، DA تغییر کاربری زمین و پوشش زمین، پدیده جزیره گرمایی شهری، و پیامدهای سلامت: رویکرد سنجش از دور. فتوگرام مهندس Remote Sens. 2003 , 69 , 1053-1063. [ Google Scholar ] [ CrossRef ]
  3. وارنر، TA; المطیری، ع. لی، JY سنجش از دور تغییر پوشش زمین ; SAGE Publications Ltd.: لندن، انگلستان، 2009; پ. 568. [ Google Scholar ]
  4. ونگ، کیو. فو، پی. Gao, F. ایجاد دمای روزانه سطح زمین در وضوح Landsat با ترکیب داده های Landsat و MODIS. سنسور از راه دور محیط. 2014 ، 145 ، 55-67. [ Google Scholar ] [ CrossRef ]
  5. مایر، WB; ترنر، تغییرات BLI در کاربری زمین و پوشش زمین: چشم انداز جهانی . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 1994; پ. 537. [ Google Scholar ] [ CrossRef ]
  6. الشلبی، م. پرادان، بی. بیلا، ال. منصور، س. آلتووینی، تجلی داده های سنجش از دور در مدل سازی پراکندگی شهری با استفاده از مدل SLEUTH و کالیبراسیون نیروی بی رحم: مطالعه موردی شهر صنعا، یمن. J. شرکت هندی Remote Sens. 2013 , 41 , 405-416. [ Google Scholar ] [ CrossRef ]
  7. نیش، سی. آهنگ، جی. ژانگ، Q. لی، ام. توسعه شکل‌گیری و الگوهای ناهمگونی فضایی برای سیستم ساختاری تراکم‌های شهری در چین. Acta Geogr. گناه 2005 ، 60 ، 827-840. [ Google Scholar ]
  8. ترنر، BL; مایر، WB; Skole، DL جهانی تغییر کاربری زمین/پوشش زمین: به سوی یک مطالعه یکپارچه. آمبیو 1994 ، 23 ، 91-95. [ Google Scholar ]
  9. تولسا، تی. سنبتا، اف. Kidane, M. تاثیر تغییر کاربری/پوشش زمین بر خدمات اکوسیستم در ارتفاعات مرکزی اتیوپی. اکوسیستم. خدمت 2017 ، 23 ، 47-54. [ Google Scholar ] [ CrossRef ]
  10. Seto، KC; Fragkias، M. کمی سازی الگوهای مکانی-زمانی تغییر کاربری زمین شهری در چهار شهر چین با معیارهای منظر سری زمانی. Landsc. Ecol. 2005 ، 20 ، 871-888. [ Google Scholar ] [ CrossRef ]
  11. عبدالله، AYM; مسرور، ع. عدنان، MSG; باکی، MAA؛ حسن، ق.ک. دیوان، الف. الگوهای مکانی-زمانی استفاده از زمین/تغییر پوشش زمین در منطقه ساحلی ناهمگن بنگلادش بین سال‌های 1990 تا 2017. Remote Sens. 2019 ، 11 ، 790. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. Fonseka، HPU؛ ژانگ، اچ. سان، ی. سو، اچ. لین، اچ. Lin, Y. شهرنشینی و تأثیرات آن بر دمای سطح زمین در منطقه شهری کلمبو، سریلانکا، از سال 1988 تا 2016. Remote Sens. 2019 , 11 , 957. [ Google Scholar ] [ CrossRef ][ Green Version ]
  13. Buitre، MJC; ژانگ، اچ. لین، اچ. جنگل‌های حرا تغییر و تأثیرات طوفان‌های استوایی در فیلیپین با استفاده از تصاویر ماهواره‌ای سری زمانی. Remote Sens. 2019 , 11 , 688. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. می، جی. یانگ، ی. ژانگ، اس. آن، اس. هو، اچ. هوآ، ی. چن، اف. ردیابی تغییر کاربری/پوشش زمین در یک منطقه با استخراج زیرزمینی و احیای جنگل از طریق طبقه‌بندی مستمر Landsat. Remote Sens. 2019 , 11 , 1719. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. لو، دی. لی، ال. لی، جی. فن، پ. اویانگ، ز. موران، ای. بررسی الگوهای فضایی توزیع شهری و تأثیرات شرایط فیزیکی بر شهرنشینی در کلان‌شهرهای ساحلی و داخلی. Remote Sens. 2018 , 10 , 1101. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. لاسردا سیلوا، آ. سالاس آلوز، دی. Pinheiro Ferreira، M. ارزیابی تغییر کاربری زمین مبتنی بر Landsat در جنگل اقیانوس اطلس برزیل: انتقال جنگل و گسترش نیشکر. Remote Sens. 2018 , 10 , 996. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. موباکو، اس. بلحاج، ا. هیمن، جی. هارگرو، دبلیو. ریس، سی. نظارت بر تغییرات کاربری/پوشش زمین در حوضه خشک فرامرزی ریو گراند میانی با استفاده از سنجش از دور. Remote Sens. 2018 ، 10 ، 2005. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  18. گوناریدیس، دی. سیمئوناکیس، ای. کوریانوپولوس، آی. کوکولاس، اس. گنجاندن تراکم در الگوهای تغییر کاربری/پوشش زمین-زمانی: مورد آتیکا، یونان. Remote Sens. 2018 , 10 , 1034. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. هورنی، ک. اشنایدر، ا. هاینیمن، ا. Nong، DH; فاکس، جی. نقشه‌برداری از گسترش محصولات پررونق در سرزمین اصلی آسیای جنوب شرقی با استفاده از پشته‌های زمانی متراکم داده‌های Landsat. Remote Sens. 2017 , 9 , 320. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. Wingate، VR؛ Phinn, SR; کوهن، ن. بلومرتز، ال. Dhanjal-Adams، نقشه برداری KL تغییرات پوشش زمین ده ساله در جنگل های شمال شرقی نامیبیا از سال 1975 تا 2014 با استفاده از داده های آرشیو شده ماهواره لندست. Remote Sens. 2016 ، 8 ، 681. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  21. القرشی، اف. کومار، ال. سینها، ص. مدل‌سازی تغییر پوشش زمین شهری با استفاده از تصاویر ماهواره‌ای سری زمانی: مطالعه موردی رشد شهری در پنج شهر عربستان سعودی. Remote Sens. 2016 , 8 , 838. [ Google Scholar ] [ CrossRef ][ Green Version ]
  22. ویتک، ام. برینک، ا. دانی، اف. سیمونتی، دی. Desclée, B. نظارت بر تغییر پوشش زمین با استفاده از داده‌های تصویر ماهواره‌ای Landsat MSS/TM در غرب آفریقا بین سال‌های 1975 و 1990. Remote Sens. 2014 , 6 , 658-676. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. فو، پی. Weng, Q. تحلیل سری زمانی شهرنشینی ناشی از تغییر کاربری زمین و پوشش زمین و تأثیر آن بر دمای سطح زمین با تصاویر Landsat. سنسور از راه دور محیط. 2016 ، 175 ، 205-214. [ Google Scholar ] [ CrossRef ]
  24. گیلندرز، SN; Coops، NC; Wulder، MA; Gergel، SE; نلسون، تی. سنجش از راه دور چند زمانی دینامیک منظر و تغییر الگو: توصیف روندهای طبیعی و انسانی. Prog. فیزیک Geogr. محیط زمین. 2008 ، 32 ، 503-528. [ Google Scholar ] [ CrossRef ]
  25. گومز، سی. سفید، JC; Wulder، MA داده های سری زمانی سنجش از دور نوری برای طبقه بندی پوشش زمین: یک بررسی. ISPRS J. Photogramm. Remote Sens. 2016 , 116 , 55–72. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. گری، جی. Song, C. طبقه‌بندی ثابت سری‌های زمانی تصویر با تعمیم امضای تطبیقی ​​خودکار. سنسور از راه دور محیط. 2013 ، 134 ، 333-341. [ Google Scholar ] [ CrossRef ]
  27. آهنگ، سی. Woodcock، CE; Seto، KC; لنی، نماینده مجلس؛ Macomber، SA طبقه بندی و تشخیص تغییر با استفاده از داده های Landsat TM: چه زمانی و چگونه اثرات جوی را اصلاح کنیم؟ سنسور از راه دور محیط. 2001 ، 75 ، 230-244. [ Google Scholar ] [ CrossRef ]
  28. لیو، دی. Cai, S. یک رویکرد مدلسازی مکانی-زمانی برای بازسازی مسیرهای تغییر پوشش زمین از تصاویر ماهواره ای چند زمانی. ان دانشیار صبح. Geogr. 2012 ، 102 ، 1329-1347. [ Google Scholar ] [ CrossRef ]
  29. پولیو، دی. لاتیفویچ، آر. زابچیچ، ن. گیندون، ال. Olthof، I. توسعه و ارزیابی یک سری زمانی پوشش زمین سالانه MODIS با وضوح فضایی 250 متری (2000-2011) برای منطقه جنگلی کانادا که از به روز رسانی مبتنی بر تغییر به دست آمده است. سنسور از راه دور محیط. 2014 ، 140 ، 731-743. [ Google Scholar ] [ CrossRef ]
  30. White, MA; de Beurs، KM; دیدان، ک. Inouye، DW; ریچاردسون، AD; جنسن، OP; اوکیف، جی. ژانگ، جی. نمانی، ر.ر. ون WJD، L. و همکاران مقایسه، تفسیر و ارزیابی فنولوژی بهار در آمریکای شمالی از سنجش از دور برای سال‌های 1982-2006 برآورد شده است. گلوب. چانگ. Biol. 2009 ، 15 ، 2335-2359. [ Google Scholar ] [ CrossRef ]
  31. جولین، ی. سوبرینو، جی. Verhoef, W. تغییرات در دمای سطح زمین و مقادیر NDVI در اروپا بین سال‌های 1982 و 1999. سنسور از راه دور محیط زیست. 2006 ، 103 ، 43-55. [ Google Scholar ] [ CrossRef ]
  32. Jakubauskas، ME; Legates, DR; Kastens، JH شناسایی محصول با استفاده از تحلیل هارمونیک داده های سری زمانی AVHRR NDVI. محاسبه کنید. الکترون. کشاورزی 2002 ، 37 ، 127-139. [ Google Scholar ] [ CrossRef ]
  33. عزالی، س. Menenti، M. نقشه برداری مجتمع های پوشش گیاهی-خاک-اقلیم در جنوب آفریقا با استفاده از تحلیل فوریه زمانی داده های NOAA-AVHRR NDVI. بین المللی J. Remote Sens. 2000 , 21 , 973-996. [ Google Scholar ] [ CrossRef ]
  34. مننتی، م. عزالی، س. ورهوف، دبلیو. ون سوول، آر. نقشه‌برداری مناطق آگرواکولوژیک و تاخیر زمانی در رشد پوشش گیاهی با استفاده از تحلیل فوریه سری‌های زمانی تصاویر NDVI. Adv. Space Res. 1993 ، 13 ، 233-237. [ Google Scholar ] [ CrossRef ]
  35. کینان، TF; گری، جی. فریدل، MA; تومی، م. بوهرر، جی. هالینگر، دی. Munger، JW; اوکیف، جی. اشمید، اچ پی؛ بال، IS; و همکاران جذب خالص کربن از طریق تغییرات ناشی از گرم شدن در فنولوژی جنگل های معتدل افزایش یافته است. نات. صعود چانگ. 2014 ، 4 ، 598. [ Google Scholar ] [ CrossRef ]
  36. جیا، ال. شانگ، اچ. در آغوش گرفتن.؛ Menenti، M. پاسخ فنولوژیکی پوشش گیاهی به جریان رودخانه بالادست در حوضه رودخانه هیهه با تجزیه و تحلیل سری های زمانی داده های MODIS. هیدرول. سیستم زمین علمی 2011 ، 15 ، 1047-1064. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. واردلو، بی.دی. اگبرت، اس ال. Kastens، JH تجزیه و تحلیل داده های شاخص پوشش گیاهی سری زمانی MODIS 250 متر برای طبقه بندی محصولات در دشت های بزرگ مرکزی ایالات متحده. سنسور از راه دور محیط. 2007 ، 108 ، 290-310. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. واردلو، بی.دی. Egbert، SL نقشه برداری محصول در سطح وسیع با استفاده از داده های NDVI MODIS 250 متری سری زمانی: ارزیابی برای دشت های بزرگ مرکزی ایالات متحده. سنسور از راه دور محیط. 2008 ، 112 ، 1096-1116. [ Google Scholar ] [ CrossRef ]
  39. سپسکبیل، ص. شول، ام. استفاده از زمین/پوشش زمین حوضه رودخانه تورال، H. گنگ و سند (LULC) و نقشه‌برداری مناطق آبی با استفاده از جریان‌های پیوسته داده‌های MODIS. سنسور از راه دور محیط. 2005 ، 95 ، 317-341. [ Google Scholar ] [ CrossRef ]
  40. شوخ طبعی، AD; Su، B. استخراج شاخص های فنولوژیکی از داده های SPOT-VGT با استفاده از الگوریتم HANTS. در 1998-2004: 6 سال فعالیت های عملیاتی، مجموعه مقالات دومین کنفرانس بین المللی کاربر گیاه گیاهی، آنتورپ، بلژیک، 24 تا 26 مارس . EC: لوکزامبورگ، 2004; صص 195-201. [ Google Scholar ]
  41. وانکاتسم، سی. پکل، جی اف. اورارد، سی. Malaisse, F. Defourny، P. نقشه برداری و توصیف انواع پوشش گیاهی جمهوری دموکراتیک کنگو با استفاده از سری زمانی SPOT VEGETATION. بین المللی J. Appl. زمین Obs. Geoinf. 2009 ، 11 ، 62-76. [ Google Scholar ] [ CrossRef ]
  42. وربیرن، اس. ایرنس، اچ. پیکارد، آی. باوونز، آی. Van Orshoven، J. طبقه‌بندی زیرپیکسلی سری‌های زمانی SPOT-VEGETATION برای ارزیابی مناطق زراعی منطقه‌ای در بلژیک. بین المللی J. Appl. زمین Obs. Geoinf. 2008 ، 10 ، 486-497. [ Google Scholar ] [ CrossRef ]
  43. Woodcock، CE; آلن، آر. اندرسون، ام. بلوارد، ا. بیندشادلر، آر. کوهن، دبلیو. گائو، اف. گووارد، SN; هلدر، دی. هلمر، ای. و همکاران دسترسی رایگان به تصاویر لندست. Science 2008 , 320 , 1011. [ Google Scholar ] [ CrossRef ]
  44. زو، ز. Woodcock، CE; هولدن، سی. یانگ، زی. تولید تصاویر مصنوعی Landsat بر اساس تمام داده های Landsat موجود: پیش بینی بازتاب سطح Landsat در هر زمان معین. سنسور از راه دور محیط. 2015 ، 162 ، 67-83. [ Google Scholar ] [ CrossRef ]
  45. زو، ز. Woodcock، CE تشخیص تغییر مداوم و طبقه بندی پوشش زمین با استفاده از تمام داده های موجود لندست. سنسور از راه دور محیط. 2014 ، 144 ، 152-171. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. زو، ز. Woodcock، CE; اولوفسون، پی. نظارت مستمر بر اختلالات جنگل با استفاده از تمام تصاویر موجود لندست. سنسور از راه دور محیط. 2012 ، 122 ، 75-91. [ Google Scholar ] [ CrossRef ]
  47. راپینل، اس. مانی، سی. لکوک، ال. کلمنت، بی. توماس، ا. Hubert-Moy, L. ارزیابی سری زمانی Sentinel-2 برای نقشه برداری جوامع گیاهی مرتع دشت سیلابی. سنسور از راه دور محیط. 2019 ، 223 ، 115-129. [ Google Scholar ] [ CrossRef ]
  48. پرسون، م. لیندبرگ، ای. ریس، اچ. طبقه بندی گونه های درختی با داده های چند زمانی نگهبان-2. Remote Sens. 2018 ، 10 ، 1794. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  49. روی، DP; Wulder، MA; لاولند، TR; Woodcock، CE; آلن، آر جی. اندرسون، ام سی؛ هلدر، دی. آیرونز، جی آر. جانسون، دی.م. کندی، آر. و همکاران Landsat-8: علم و چشم انداز محصول برای تحقیقات تغییرات جهانی زمینی. سنسور از راه دور محیط. 2014 ، 145 ، 154-172. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. هرموسیلا، تی. Wulder، MA; سفید، JC; Coops، NC; Hobart، GW یک پروتکل سری زمانی لندست یکپارچه برای تشخیص تغییر و تولید کامپوزیت های بازتاب سطحی سالانه بدون شکاف. سنسور از راه دور محیط. 2015 ، 158 ، 220-234. [ Google Scholar ] [ CrossRef ]
  51. هوانگ، سی. گووارد، SN; ماسک، جی جی. توماس، ن. زو، ز. Vogelmann, JE یک رویکرد خودکار برای بازسازی تاریخچه اختلالات اخیر جنگل با استفاده از پشته های سری زمانی متراکم Landsat. سنسور از راه دور محیط. 2010 ، 114 ، 183-198. [ Google Scholar ] [ CrossRef ]
  52. کندی، RE; کوهن، WB; شرودر، تشخیص تغییر مبتنی بر مسیر TA برای توصیف خودکار دینامیک اختلال جنگل. سنسور از راه دور محیط. 2007 ، 110 ، 370-386. [ Google Scholar ] [ CrossRef ]
  53. یانگ، ایکس. Lo, CP با استفاده از یک سری زمانی از تصاویر ماهواره ای برای شناسایی تغییرات کاربری و پوشش زمین در منطقه شهری آتلانتا، جورجیا. بین المللی J. Remote Sens. 2002 ، 23 ، 1775-1798. [ Google Scholar ] [ CrossRef ]
  54. وربسلت، ج. هیندمن، آر. نیونهام، جی. Culvenor، D. تشخیص روند و تغییرات فصلی در سری های زمانی تصاویر ماهواره ای. سنسور از راه دور محیط. 2010 ، 114 ، 106-115. [ Google Scholar ] [ CrossRef ]
  55. Immerzeel، WW; کیروز، RA; de Jong، SM درک الگوهای بارش و تعامل کاربری زمین در تبت با استفاده از تحلیل هارمونیک سری زمانی SPOT VGT-S10 NDVI. بین المللی J. Remote Sens. 2005 ، 26 ، 2281-2296. [ Google Scholar ] [ CrossRef ]
  56. Sellers, PJ; راندال، دی. کولاتز، جی جی; بری، جی. فیلد، CB; دازلیچ، دی. ژانگ، سی. Collelo، GD; Bounoua، L. اصلاح شده پارامترهای سطح زمین (SiB2) برای GCMS اتمسفر. بخش اول: فرمولاسیون مدل. جی. کلیم. 1996 ، 9 ، 676-705. [ Google Scholar ] [ CrossRef ]
  57. Sellers, PJ; تاکر، سی جی; کولاتز، جی جی; Los, SO; عدالت، CO; دازلیچ، دی. Randall، DA A تجدید نظر در پارامترهای سطح زمین (SiB2) برای GCMS جوی. بخش دوم: تولید میدان های جهانی پارامترهای بیوفیزیکی زمینی از داده های ماهواره ای. جی. کلیم. 1996 ، 9 ، 706-737. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. ونگ، کیو. لو، دی. Schubring، J. برآورد رابطه دمای سطح زمین و فراوانی پوشش گیاهی برای مطالعات جزیره گرمایی شهری. سنسور از راه دور محیط. 2004 ، 89 ، 467-483. [ Google Scholar ] [ CrossRef ]
  59. شانگ، اچ. جیا، ال. Menenti، M. تجزیه و تحلیل الگوی آبگرفتگی دشت سیلابی دریاچه پویانگ توسط داده های مایکروویو غیرفعال. J. Hydrometeorol. 2015 ، 16 ، 652-667. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. مننتی، م. مالامیری، HRG; شانگ، اچ. Alfieri, SM; مافی، سی. Jia, L. مشاهده پاسخ پوشش گیاهی زمینی به تغییرپذیری آب و هوا در طیفی از مقیاس های زمانی توسط تجزیه و تحلیل سری های زمانی دمای سطح زمین . Springer Verlag: هایدلبرگ، آلمان، 2016; پ. 447. [ Google Scholar ]
  61. Geerken، RA الگوریتمی برای طبقه بندی و نظارت بر تغییرات فصلی در فنولوژی های پوشش گیاهی و تغییرات بین سالانه آنها. ISPRS J. Photogramm. Remote Sens. 2009 , 64 , 422-431. [ Google Scholar ] [ CrossRef ]
  62. MOHURD. سالنامه آماری ساخت و ساز شهری ; MOHURD: پکن، چین، 2017. [ Google Scholar ]
  63. NJMBS. سالنامه آماری نانجینگ ; اداره آمار شهرداری نانجینگ: نانجینگ، چین، 2017. [ Google Scholar ]
  64. USGS. راهنمای کاربر ابزار QA Landsat ; وزارت کشور، سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، 2017; پ. 33. [ Google Scholar ]
  65. ویسنته-سرانو، اس ام. پرز-کابلو، اف. لاسانتا، تی. ارزیابی تکنیک‌های تصحیح رادیومتری در تحلیل تغییرپذیری و تغییر پوشش گیاهی با استفاده از سری‌های زمانی تصاویر Landsat. سنسور از راه دور محیط. 2008 ، 112 ، 3916-3934. [ Google Scholar ] [ CrossRef ]
  66. USGS. راهنمای محصول Landsat 4-7 Surface Reflectance (LEDAPS) . وزارت کشور، سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، 2019؛ پ. 38. [ Google Scholar ]
  67. USGS. راهنمای محصول Landsat 8 Surface Reflectance Code (LaSRC) . وزارت کشور، سازمان زمین شناسی ایالات متحده: Reston، VA، ایالات متحده آمریکا، 2019؛ پ. 39. [ Google Scholar ]
  68. لایکا راهنمای میدانی ERDAS Leica Geosystems Geospatial Imaging, LLC: Norcross, GA, USA, 2005; پ. 770. [ Google Scholar ]
  69. تویا، دی. پرسلو، سی. Bruzzone، L. تطبیق دامنه برای طبقه بندی داده های سنجش از دور: مروری بر پیشرفت های اخیر. IEEE Geosci. سنسور از راه دور Mag. 2016 ، 4 ، 41-57. [ Google Scholar ] [ CrossRef ]
  70. کوهن، WB; یانگ، ز. کندی، آر. تشخیص روند در آشفتگی و بازیابی جنگل با استفاده از سری های زمانی سالانه Landsat: 2. TimeSync-ابزارهایی برای کالیبراسیون و اعتبارسنجی. سنسور از راه دور محیط. 2010 ، 114 ، 2911-2924. [ Google Scholar ] [ CrossRef ]
  71. Russell, GC Assessing the Accuracy of Remotely Sensed Data – Principles and Practices , 2nd ed.; CRC Press, Taylor & Francis Group: Boca Raton, NW, USA, 2009; پ. 210. [ Google Scholar ]
  72. Tortora، RD نکته ای در مورد تخمین اندازه نمونه برای جمعیت های چند جمله ای. صبح. آمار 1978 ، 32 ، 100-102. [ Google Scholar ] [ CrossRef ]
  73. هوانگ، سی. آهنگ، ک. کیم، اس. تاونشند، جی آر جی؛ دیویس، پی. ماسک، جی جی. Goward، SN استفاده از مفهوم شیء تاریک و ماشین‌های بردار پشتیبانی برای خودکارسازی تحلیل تغییر پوشش جنگل. سنسور از راه دور محیط. 2008 ، 112 ، 970-985. [ Google Scholar ] [ CrossRef ]
  74. Ahlqvist, O. گسترش تشخیص تغییر پس از طبقه بندی با استفاده از معیارهای تشابه معنایی برای غلبه بر ناهمگونی طبقاتی: مطالعه ای در مورد تغییرات پایگاه داده پوشش زمین ملی ایالات متحده در سال های 1992 و 2001. سنسور از راه دور محیط. 2008 ، 112 ، 1226-1241. [ Google Scholar ] [ CrossRef ]
  75. گریفیث، پی. هاسترت، پ. گروبنر، او. der Linden، SV نقشه برداری رشد کلان شهر با داده های چند سنسوری. سنسور از راه دور محیط. 2010 ، 114 ، 426-439. [ Google Scholar ] [ CrossRef ]
  76. Tsai، YH; استو، دی. Weeks, J. مقایسه رویکردهای تحلیل تصویر مبتنی بر شی برای نقشه‌برداری از ساختمان‌های جدید در آکرا، غنا با استفاده از تصاویر ماهواره‌ای QuickBird چند زمانی. Remote Sens. 2011 , 3 , 2707–2726. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  77. رکنی، ک. احمد، ع. سلیمانی، ک. Hazini، S. یک رویکرد جدید برای تشخیص تغییر آب سطحی: ادغام تکنیک‌های ترکیب تصویر سطح پیکسل و طبقه‌بندی تصویر. بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 34 ، 226-234. [ Google Scholar ] [ CrossRef ]
  78. اندرسون، جی آر. هاردی، EE; روچ، JT; Witmer, RE A سیستم طبقه بندی کاربری و پوشش زمین برای استفاده با داده های سنسور از راه دور . USGS: Reston، VA، ایالات متحده آمریکا، 1976; پ. 28. [ Google Scholar ]
  79. لندیس، جی آر. Koch, GG توافق اندازه گیری ناظر برای داده های طبقه بندی شده. بیومتریک 1977 ، 33 ، 159-174. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  80. گبهارت، اس. ورمن، تی. رویز، مام؛ مائده، پ. بیشاپ، جی. شرام، ام. کپینیگ، آر. کارتوس، او. کلندورفر، جی. رسل، آر. و همکاران MAD-MEX: مانیتورینگ خودکار پوشش زمین دیوار به دیوار برای برنامه REDD-MRV مکزیکی با استفاده از تمام داده های Landsat. Remote Sens. 2014 , 6 , 3923–3943. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00067 g001 550
شکل 1. نقشه موقعیت منطقه مورد مطالعه.
Ijgi 09 00067 g002 550
شکل 2. توزیع تمامی تصاویر لندست بین سال های 2000 تا 2017.
Ijgi 09 00067 g003 550
شکل 3. تصاویر با وضوح فضایی بسیار بالا از Google Earth در ( a ) 2000، ( b ) 2006، ( c ) 2011 و ( d ) 2017.
Ijgi 09 00067 g004 550
شکل 4. گردش کار روش تحقیق.
Ijgi 09 00067 g005 550
شکل 5. بازسازی بازتاب طیفی سری زمانی.
Ijgi 09 00067 g006 550
شکل 6. درصد کل تصاویر و درصد کل پیکسل های به وضوح مشاهده شده.
Ijgi 09 00067 g007 550
شکل 7. نمونه هایی از پیکسل های به وضوح مشاهده شده و آلوده در منطقه مورد مطالعه: ( الف ) Landsat 5، تاریخ 20 ژانویه 2000، و ( ب ) Landsat 7، تاریخ 4 مه 2009.
Ijgi 09 00067 g008 550
شکل 8. توزیع فضایی تصاویر ترکیبی بازتاب طیفی: ( الف ) Landsat 5، تاریخ 3 مه 2000، و ( ب ) Landsat 7، تاریخ 4 مه 2009.
Ijgi 09 00067 g009 550
شکل 9. مقایسه ( الف ) داده‌های بازتاب طیفی سری زمانی اصلی باند NIR از یک پیکسل بین سال‌های 2000 و 2017 و ( ب ) داده‌های بازتاب طیفی سری زمانی باند NIR از همان پیکسل پس از حذف ارزش های آلوده
Ijgi 09 00067 g010 550
شکل 10. توزیع فضایی نوع LULC پایدار و تغییرات آن بین سال های 2000 تا 2017 با استفاده از الگوریتم MLC.
Ijgi 09 00067 g011 550
شکل 11. توزیع مکانی نقاط نمونه از نوع پایدار LULC بین سال های 2000 تا 2017.
Ijgi 09 00067 g012 550
شکل 12. منحنی تابع هارمونیک از چهار نوع LULC در شش باند طیفی: ( الف ) آبی، ( ب ) سبز، ( ج ) قرمز، ( د ) NIR، ( e ) SWIR1 و ( f ) SWIR2.
Ijgi 09 00067 g013 550
شکل 13. منحنی های تابع هارمونیک استاندارد از چهار نوع LULC در شش باند طیفی: ( الف ) آبی، ( ب ) سبز، ( ج ) قرمز، ( د ) NIR، ( e ) SWIR1 و ( f ) SWIR2.
Ijgi 09 00067 g014 550
شکل 14. فاصله طیفی بین منحنی های تابع هارمونیک استاندارد و چند خط پیکسل های طبقه بندی نشده بین سال های 2000 و 2017: ( الف ) آبی، ( ب ) سبز، ( ج ) قرمز، ( d ) NIR، ( e ) SWIR1، و ( f ) ) SWIR2.
Ijgi 09 00067 g015 550
شکل 15. احتمال وجود یک پیکسل طبقه بندی نشده برای هر نوع LULC بین سال های 2000 و 2017 در هر باند طیفی: ( الف ) آبی، ( ب ) سبز، ( ج ) قرمز، ( d ) NIR، ( e ) SWIR1، و ( f ) SWIR2.
Ijgi 09 00067 g016 550
شکل 16. میانگین احتمال پیکسل طبقه بندی نشده برای هر نوع LULC بین سال های 2000 و 2017 در بین شش باند طیفی.
Ijgi 09 00067 g017 550
شکل 17. طبقه بندی LULC چند زمانی یک پیکسل طبقه بندی نشده بین سال های 2000 و 2017: ( الف ) قبل از طبقه بندی و ( ب ) پس از طبقه بندی.
Ijgi 09 00067 g018a 550 Ijgi 09 00067 g018b 550
شکل 18. توزیع فضایی طبقه بندی و نقشه برداری LULC با استفاده از HA با حداقل الگوریتم فاصله طیفی: ( a ) 12 ژوئن 2000، ( b ) 31 ژوئیه 2006، ( c ) 29 ژوئیه 2011، و ( d ) 18 مه 2017.
Ijgi 09 00067 g019 550
شکل 19. زمین شهری و ساخته شده در سال 2000 و گسترش آن در سه دوره مختلف.
Ijgi 09 00067 g020 550
شکل 20. توزیع فضایی نوع LULC پایدار و تغییرات آن بین سال های 2000 و 2017 با استفاده از الگوریتم جدید توسعه یافته.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید