خلاصه

تجزیه و تحلیل عمیق توزیع شبکه راه های شهری نقش مهمی در درک فرآیند شهرنشینی ایفا می کند. با این حال، راه‌های موثر برای تحلیل کمی پارادایم‌های فضایی شبکه‌های جاده‌ای هنوز وجود ندارد و مطالعات کمی از شبکه‌های جاده‌ای برای شناسایی سریع مناطق شهری یک منطقه استفاده کرده‌اند. بنابراین، با استفاده از یک منطقه به سرعت در حال توسعه در منطقه ساحلی جنوب شرقی چین، شهر فوژو، به عنوان مورد، ما تخمین چگالی هسته (KDE) را برای توصیف شبکه‌های جاده‌ای معرفی کردیم و ناهمگونی فضایی منطقه را با استفاده از تجزیه و تحلیل داده‌های مکانی اکتشافی (ESDA) تعیین کردیم. ) و تجزیه و تحلیل نیمه واریانس (SA). نتایج نشان می دهد که توزیع فضایی نابرابر شبکه ها در سطح منطقه و مرکز شهر وجود دارد. در سطح منطقه ای، یک قطبش آشکار در توزیع جاده وجود دارد، با این که KDE در مناطق شهری بسیار بالاتر از مناطق روستایی است. در سطح مرکز شهر، KDE به تدریج از مرکز به حاشیه کاهش می یابد. از نظر کمی، دامنه وابستگی فضایی شبکه‌ها برای کل منطقه مورد مطالعه 25 کیلومتر و برای منطقه مرکز شهر 12 کیلومتر است. علاوه بر این، تغییرات فضایی در جهات مختلف متفاوت است، با تغییرات بیشتر در جهت شمال شرقی-جنوب غربی و جنوب شرقی-شمال غربی در مقایسه با جهات دیگر، که در راستای سیاست پراکندگی شهری منطقه مورد مطالعه است. نتایج کیفی و کمی نشان می‌دهد که توزیع شبکه‌های جاده‌ای دارای ساختار دوگانه شهری – روستایی واضحی است که نشان می‌دهد شبکه‌های راه می‌توانند ابزاری فعال در شناسایی مناطق شهری یک منطقه باشند. به این منظور، ما یک روش سریع و آسان برای تعیین محدوده مناطق شهری با استفاده از KDE پیشنهاد می کنیم. نتایج استخراج KDE بهتر از نتایج شاخص ساخته شده مبتنی بر شاخص (IBI) است، که نشان‌دهنده اثربخشی و امکان‌سنجی روش پیشنهادی ما برای شناسایی مناطق شهری در منطقه است. این تحقیق نور جدیدی بر تحقیقات توسعه شهرنشینی می اندازد.

کلید واژه ها:

تخمین چگالی هسته ; سنجش از دور ؛ شهرنشینی ; شبکه جاده ای ؛ شاخص ساخته شده مبتنی بر شاخص ; مرز شهری

1. معرفی

شهرنشینی یک فرآیند اساسی در توسعه اجتماعی و اقتصادی انسان است و تأثیر فزاینده ای بر جامعه و محیط ما دارد [ 1 ]. سازمان ملل متحد (سازمان ملل متحد) چشم انداز شهرنشینی جهان را سال 2007 تخمین زد که برای اولین بار، جمعیت بیشتری در جهان در مناطق شهری زندگی می کردند تا روستایی. نسبت مردم ساکن در مناطق شهری در سال 2017 به 55 درصد رسید و پیش بینی می شود تا سال 2050، 7 میلیارد نفر، یعنی 68 درصد از جمعیت جهان، در مناطق شهری زندگی کنند ( https://ourworldindata.org/urbanization ). این مهاجرت انبوه جمعیت از روستاها به مناطق شهری منجر به گسترش شهرها در مقیاس بزرگ، عمدتاً از نظر زمین های ساخته شده یا سطوح غیرقابل نفوذ، تجاوز به بسیاری از مناظر طبیعی و تغییر الگوهای آنها شده است.2 ، 3 ]. بیش از 700000 کیلومتر مربع از زمین در سال 2010 توسط شهرها اشغال شد و انتظار می رود این مساحت تا سال 2030 به 1.21 میلیون کیلومتر مربع افزایش یابد [ 4 ] . علاوه بر این، گزارش شد که حتی بیشتر از سطح زمین (تقریباً 75٪) توسط انسان برای حمایت از اقامتگاه های شهری اصلاح شده است [ 5 ]. این تغییر پوشش زمین توسط انسان باعث تغییرات قابل توجه آب و هوای جهانی، آلودگی محیط زیست و از دست دادن تنوع زیستی [ 6 ] شده است و همچنین منجر به آلودگی هوا در مناطق شهری و متعاقب آن مشکلات بهداشتی برای ساکنان شهری شده است [ 3 ، 7 ].]. به این ترتیب، درک عمیق تر از مکانیسم های فضایی شهرنشینی بیش از هر زمان دیگری مهم است. برنامه ریزی شهری و ساخت و ساز به ویژه در مدیریت منظر و بوم شناسی مورد نیاز است [ 8 ، 9 ]. در میان محرک‌های مصنوعی فرآیند شهرنشینی، شبکه‌های جاده‌ای به عنوان یک عامل اصلی در گسترش شهری و همچنین یکی از عناصر تشکیل‌دهنده نسبتاً دائمی منظر در نظر گرفته می‌شوند [ 10 ، 11 ]. به عنوان یک شبکه معمولی از کریدورها، جاده ها نه تنها نقشی ضروری در الگوهای فضایی منظر شهری دارند [ 12 ، 13 ]، بلکه برای فرآیندهای اجتماعی، اقتصادی و زیست محیطی همراه نیز حیاتی هستند [ 10 ، 14 ].]، و همچنین برای پیشرفت گسترش شهری [ 15 ]. جاده ها در همه جای چشم انداز هستند و نزدیک به 20 درصد از مساحت یک کشور را تحت تأثیر قرار می دهند [ 10 ]. در نتیجه، تحقیق در مورد کمی سازی الگوهای فضایی شبکه های جاده ای توجه گسترده ای را از سوی محققان در سراسر جهان در دو دهه گذشته به خود جلب کرده است [ 16 ، 17 ]. با این حال، تجزیه و تحلیل کمی از توزیع شبکه راه در مناطق شهری هنوز وجود ندارد [ 18]. مطالعات کمی از شبکه های جاده ای برای شناسایی سریع مرزهای شهری استفاده می کنند. بنابراین، کمی کردن شبکه‌های جاده‌ای و کاربرد آن‌ها در تقسیم‌بندی حاشیه شهری ممکن است دریچه‌های جدیدی را به سوی گسترش شهرنشینی بگشاید و نور جدیدی بر برنامه‌ریزی و ساخت و ساز شهری و همچنین پایداری شهری بتاباند.
مطالعه قبلی نشان داد که تعریف جغرافیای یک شبکه جاده ای بسیار دشوار است [ 19 ] زیرا شبکه های جاده های مختلف توپولوژی ها و هندسه های متفاوتی را در یک محدوده جغرافیایی معین نشان می دهند [ 14 ]. شبکه ها از مجموعه ای از پیوندها (یعنی خطوط) و گره ها (یعنی نقاط) تشکیل شده اند. مطالعات اولیه برای اندازه‌گیری ساختار یک شبکه جاده‌ای به دهه 1960 برمی‌گردد و عمدتاً بر ساختار توپولوژیکی یک شبکه با استفاده از تحلیل‌های نظری گراف تحت شرایط محدود، مانند داده‌های محدود، توانایی‌های محاسباتی محدود، و تکنیک‌های شبیه‌سازی مشکل‌ساز تمرکز کرده‌اند [ 20 ].]. با در دسترس‌تر شدن مدل‌های تقاضای سفر، مطالعات برای بررسی اتصال شبکه‌های جاده‌ای، هم از نظر کیفی و هم از نظر کمی، به‌ویژه بزرگراه‌های شهری آغاز شد [ 11 ]. اخیراً، تأکید مطالعات بر روی شبکه‌های جاده‌ای از ویژگی‌های توپولوژیکی و هندسی به ویژگی‌های آماری در مقیاس بزرگ تغییر کرده است [ 21 ]. از دیدگاه منطقه ای بزرگتر، توزیع شبکه های جاده ای دارای ویژگی های محلی متمایز است [ 22 ]. برای مثال، شبکه‌های جاده‌ای در حومه شهرها یا حومه شهر معمولاً منحنی و پراکنده هستند، اما در دشت‌ها، به‌ویژه در مناطق شهری با تراکم جمعیت بالا، نسبتاً منظم و متراکم هستند که در نتیجه الگوهای جاده‌ای پیچیده‌تر می‌شوند [ 23 ].]. برای این منظور، اندازه‌گیری مؤثر شبکه‌های جاده‌ای و ناهمگونی جغرافیایی آن‌ها در مقیاس وسیع‌تر یک چالش و از اهمیت بالایی برخوردار است [ 11 ].
تراکم شبکه های جاده ای به مقدار طول کل جاده ها تقسیم بر مساحت یک منطقه خاص اشاره دارد [ 24 ، 25 ]. تراکم جاده‌ها، یکی از شاخص‌های رایج مورد استفاده در ارزیابی ساختارهای شبکه‌های جاده‌ای [ 23 ]، همچنین نماد مهمی از سطوح توسعه اجتماعی و اقتصادی است [ 11 ]. به عنوان نماینده ای برای تراکم مسکن [ 26 ] ، تراکم جمعیت [ 16 ] و تعیین حدود مراکز شهر [ 17،18 ] استفاده شده است. برای مثال، ژانگ و همکاران. [ 17] نشان داد که تراکم شبکه‌های جاده‌ای، به طور کلی، اطلاعات دقیقی را برای تحلیل‌های مرکز شهر فراهم می‌کند. بنابراین، به عنوان یک شاخص امکان پذیر، تراکم جاده برای تجزیه و تحلیل بسیاری از فرآیندهای اجتماعی و اکولوژیکی، مانند تغییرات زمین ساخته شده، قیمت مسکن، دسترسی انسان، حرکت جانوران، هیدرولوژی، و الگوهای آتش و منظر [ 17 ، 27 ] استفاده شده است. این مطالعات قبلی نشان داد که تراکم مسکن، قیمت مسکن، برخورد حیات وحش با وسیله نقلیه، و تکه تکه شدن چشم‌انداز به طور مثبت با تراکم جاده‌ها مرتبط هستند، در حالی که مناطق تالاب، مناطق جنگلی و اتصال چشم‌انداز ارتباط منفی دارند.
به طور کلی، دو روش مختلف برای تخمین چگالی یک شبکه جاده‌ای استفاده می‌شود: شاخص مبتنی بر شبکه و تخمین چگالی هسته (KDE) [ 14 ]. محاسبه تراکم جاده مبتنی بر شبکه آسان است، اما با تداخل از مرزهای مصنوعی شبکه انتخابی، و همچنین جهت و موقعیت [ 14 ، 23 ] مواجه است و بنابراین ممکن است رابطه ناچیزی با موجودات طبیعی داشته باشد. به عنوان مثال، رابطه بین تراکم جاده مبتنی بر شبکه و تکه تکه شدن چشم‌انداز به دلیل تعصب مرزهای مصنوعی شبکه انتخابی ضعیف است [ 28 ]]. در مقابل، روش دوم از KDE برای به دست آوردن سطوح پیوسته صاف برای تراکم جاده استفاده می کند، بنابراین تجزیه و تحلیل سازگارتری ارائه می دهد که بر محدودیت های مرزهای دلخواه شبکه نمونه غلبه می کند. مطالعات قبلی به طور گسترده ای تابع KDE را برای بسیاری از تحلیل های الگوی تراکم نقطه ای، مانند برآورد تراکم جمعیت [ 29 ]، مشاهده نقطه داغ جرم [ 20 ]، و تخمین محدوده فعالیت حیات وحش [ 30 ] اعمال کرده اند. اخیراً، KDE نیز برای ارزیابی تراکم جاده استفاده شده است [ 14 ، 23 ]. با غلبه بر خودسری در اندازه شبکه انتخابی چگالی مبتنی بر شبکه سنتی، KDE ثابت شد که تجزیه و تحلیل منسجم تری برای شبکه های جاده ای ارائه می دهد [ 14 ].
شهرنشینی از قرن بیستم به یکی از برجسته ترین ویژگی های جهان تبدیل شده است [ 31 ، 32 ]. با این حال، مطالعات ساختار شهری توسط مجموعه داده های مرزی شهرنشینی بسیار محدود شده است [ 33 ]. به طور متعارف، آمارهای مختلفی مانند تولید ناخالص داخلی (GDP)، تعداد جمعیت و شاخص صنعتی شدن برای تعیین مرزهای شهری به کار گرفته شده است. با این حال، کاستی های این روش ها به دلیل استانداردهای آماری ناسازگار و روش های آماری اتخاذ شده توسط مناطق مختلف آشکار است [ 34 ، 35 ]]. اخیراً، با افزایش دسترسی به داده‌های سنجش از دور (که مزیت به‌روزرسانی مداوم و ارائه اطلاعات صریح فضایی را دارد)، این داده‌ها به طور گسترده برای کشف گسترش شهری مورد استفاده قرار گرفته‌اند [ 36 ، 37 ]. در میان این داده‌های سنجش از دور، داده‌های Landsat و ASTER مناسب‌ترین برای اندازه‌گیری‌های بین مقیاس تغییرات شهری هستند [ 38 ]. به عنوان مثال، سطح غیرقابل نفوذ (ISA) [ 39 ]، شاخص ایجاد اختلاف نرمال شده (NDBI) [ 40 ]، و شاخص ساخته شده مبتنی بر شاخص (IBI) [ 38 ]] بازیابی شده از داده های ماهواره ای برای بررسی الگوهای مکانی و زمانی توسعه شهری استفاده شده است. داده های نور شبانه نیز به طور گسترده در نظارت بر گسترش شهری استفاده شده است [ 36 ].
داده های سنجش از دور به تدریج برای مشاهده گسترش شهری پذیرفته شده اند. با این حال، فرآیندهای پیش پردازش و استخراج داده های سنجش از دور پیچیده تر است و به ویژه برای محققانی که دانش سنجش از دور ندارند دشوار است. بنابراین، نیاز مبرمی به روشی ساده‌تر برای استخراج مرزهای شهری برای تکمیل نیازهای اکثر محققان وجود دارد. اخیراً، اطلاعات جغرافیایی داوطلبانه (VGI) جمع آوری شده در OpenStreetMap (OSM) در بسیاری از برنامه ها استفاده شده است [ 41 ]. شبکه های جاده ای OSM به طور گسترده در بسیاری از مطالعات، از جمله ناوبری ربات مستقل [ 42 ]، توزیع جاده [ 43 ]، نقشه برداری مناظر منطقه ای [ 44 ] استفاده شده است.]، و منطقه بندی تابع شهری [ 45 ]. بنابراین لازم است برای حمایت از مطالعات توسعه شهری از این شبکه های جاده ای به روز استفاده شود. شبکه راه دارای یک پارادایم فضایی آشکار در سطوح منطقه ای و محلی است [ 22 ]. شبکه‌های جاده‌ای در توزیع جاده‌ها در سطح منطقه‌ای بسیار متفاوت هستند. به عنوان مثال، توزیع جاده ها از شبکه های تنگ 40 کیلومتر بر کیلومتر مربع ، معمولی در مراکز شهری در مناطق مشترک، تا کمتر از 0.1 کیلومتر بر کیلومتر مربع در مناطق شیب دار [ 23 ] است. تغییرات در تراکم شبکه‌های جاده‌ای در سطح محلی یک عنصر غیرقابل تقسیم از نظریه مکان مرکزی است [ 14 ]]. نسبت زمین اشغال شده توسط شبکه های جاده ای افزایش می یابد، در نهایت به یک مرکز شهری نزدیک می شود، در حالی که نسبت با افزایش فاصله از مرکز کاهش می یابد. افزایش تراکم جاده های نزدیک به مرکز شهر به دلیل اقتصاد تراکم و تئوری اجاره بهای پیشنهادی رخ می دهد، که فرض می کند فعالیت های تجاری و شرکتی (فعالیت های پر ترافیک) برای دسترسی خوب به مرکز شهر برای دستیابی به یک هدف، مایل به پرداخت هزینه هستند. سطح معینی از مطلوبیت یا سود [ 14 ]. هنگامی که مرز شهری در حاشیه شهر و روستا گسترش می یابد، شبکه های جاده گسترش می یابد و مناظر روستایی با مناطق ساخته شده جایگزین می شوند. با این حال، مزارع کشاورزی برهنه می توانند بسیار شبیه به مناطق ساخته شده باشند، در نتیجه در تعیین مرزهای شهری مشکل ایجاد می کنند [ 46 ]]. با این وجود، چنین مناطقی همیشه شبکه های جاده ای بسیار پراکنده تری دارند [ 26 ]. بر اساس این ویژگی، همراه با ویژگی‌های آشکار ساختار دوگانه شهری – روستایی شبکه جاده‌ای که توسط تحلیل‌های فوق شناسایی شده‌اند، اندازه‌گیری KDE ممکن است اطلاعات ساختاری بیشتری را برای تعیین حدود مناطق شهری ارائه دهد. این ایده قبلاً در مطالعات قبلی [ 17 ، 47 ] دنبال شده است که نشان می‌دهد اطلاعات مربوط به تراکم جاده‌ها می‌تواند نتایج تقسیم‌بندی شهری – روستایی را بهبود بخشد. با پیروی از این منطق، شبکه راه ممکن است جایگزین خوبی برای تعیین کمیت و استفاده در تحلیل توسعه شهرنشینی باشد.
اگرچه مطالعات قبلی از تراکم شبکه جاده‌ای برای تحدید مناطق شهری استفاده کرده‌اند [ 14 ، 17 ، 47 ]، چگالی خطی به کار گرفته شده دارای یک شاخص مبتنی بر شبکه است [ 17 ، 20 ]، که ممکن است با تداخل مرزهای مصنوعی شبکه انتخاب‌شده مواجه شود، در حالی که چگالی مبتنی بر KDE از مجموعه داده‌های نقطه‌ای (اتصالات شبکه جاده‌ای) و شماره خیابان‌ها در یک شبکه محاسبه می‌شود [ 14]. علاوه بر این، پهنای باندهای مختلف انتخاب شده در تحلیل KDE الگوهای چگالی متفاوتی را تولید می کنند. با این حال، دانش نحوه استفاده از تحلیل KDE از داده های شبکه جاده خطی برای تعیین محدوده شهری و انتخاب پهنای باند هسته مناسب برای اندازه های مختلف شهرها هنوز وجود ندارد. بنابراین، با استفاده از یک منطقه ساحلی در حال توسعه سریع چین، شهر فوژو، به عنوان مورد، شبکه های جاده را بر اساس عملکرد KDE مشخص کردیم و از تجزیه و تحلیل داده های مکانی اکتشافی (ESDA) و تجزیه و تحلیل نیمه واریانس (SA) برای کمی کردن ناهمگنی فضایی شبکه ها استفاده کردیم. . بنابراین، اهداف این مطالعه (1) بررسی ویژگی‌های کمی تغییرات فضایی در شبکه راه‌ها با استفاده از ESDA و SA بود. و (2) پیشنهاد یک روش موثر برای شناسایی سریع مرز شهری یک منطقه با استفاده از KDE به عنوان یک پروکسی بر اساس مجموعه داده شبکه جاده ای خطی. این تحقیق دیدگاه جدیدی برای تحقیقات شهرنشینی ارائه خواهد کرد.

2. مواد و روشها

2.1. منطقه مطالعه

فوژو (25°157′~26°39′ شمالی، 118°08′~120°31′ شرقی) مرکز استان فوجیان است که شهری توسعه یافته در سطح استان است که در ساحل غربی تنگه تایوان در پایین دست رودخانه Minjiang ( شکل 1 ). فوژو بر شش ناحیه و هفت شهرستان، متشکل از 147 شهر و مساحت کل بیش از 12153 کیلومتر مربع حکومت می کند .. این منطقه با میانگین دمای سالانه 20.75 درجه سانتیگراد و میانگین بارندگی سالانه 1359 میلی متر، متعلق به منطقه آب و هوایی نیمه گرمسیری موسمی است. بارش در فصول سیل (یعنی اردیبهشت و خرداد) متمرکز است. ارتفاع بین 1 تا 802.4 متر با میانگین 84 متر است. بر اساس آخرین سرشماری (2010)، جمعیت آن 7،115،370 نفر بوده است. در پایان سال 2018، نرخ شهرنشینی منطقه مورد مطالعه 70.30 درصد بود [ 48 ]. همانطور که توسط کمیسیون توسعه و اصلاحات ملی نشان داده شده است، شاخص شهر یکپارچه شهر فوژو در سال 2016 در چین در رتبه 20 قرار گرفت [ 49 ]. بنابراین، شهر فوژو منطقه مورد خوبی برای کشف الگوهای مکانی-زمانی یک شبکه جاده‌ای است، که ممکن است به بافت سایر شهرهای با سرعت در حال رشد در کشور کمک کند.

2.2. شناسایی محدوده شهری

چارچوب این مطالعه از شبکه‌های جاده‌ای به‌عنوان منبع داده برای تعیین حدود مناطق شهری استفاده می‌کند ( شکل 2).). ابتدا، داده‌های برداری شبکه جاده با استفاده از نقشه‌های برداری تقسیم اداری به‌عنوان مرجع، از نظر مکانی تنظیم و برش داده شد. در مرحله دوم، KDE با استفاده از نرم افزار ArcGIS 10.0 (موسسه تحقیقات سیستم های محیطی، ردلندز، کالیفرنیا، ایالات متحده آمریکا) محاسبه شد. ثالثاً، آستانه بهینه KDE به عنوان مبنای یک سری از تحلیل‌های فضایی داده‌ها تعیین شد و مرزهای مناطق شهری تعیین شد. چهارم، مجموعه داده دیگری (تصاویر Landsat OLI) از قبل پردازش شد و سپس شاخص ساخته شده مبتنی بر شاخص (IBI) استخراج شد. در نهایت، مقایسه بین مرزهای محدود شده توسط KDE و مرزهای IBI و RGB برای تعیین اثربخشی شناسایی مرز با استفاده از شبکه‌های جاده‌ای بر اساس KDE انجام شد.

2.3. منابع داده و پیش پردازش

ابتدا مجموعه داده‌های شبکه‌های جاده‌ای منطقه مورد مطالعه از OSM ( https://www.geofabrik.de/data/ ) به دست آمد. شبکه‌های جاده‌ای به‌عنوان مجموعه داده‌های برداری ArcGIS حاوی ویژگی‌های بسیاری (یعنی درجه، نام و خطوط) ارائه شدند. با این حال، آنها همچنین شامل بسیاری از خطوط تکراری بودند که بر دقت داده ها تأثیر گذاشت. برای اندازه‌گیری موثر تراکم شبکه جاده‌ای در منطقه مورد مطالعه، از ابزار یکپارچه در نرم‌افزار ArcGIS 10.0 استفاده کردیم تا خطوط در صورت سقوط در 100 متر منطبق شوند. سپس از ابزار تنظیم فضایی در نرم افزار ArcGIS 10.0 برای انجام یک تبدیل فضایی شبکه جاده برای مطابقت با نقشه برداری تقسیم اداری استفاده کردیم.
مجموعه داده دوم Landsat Operational Land Imager (OLI) (2016-06-25) بود که مستقیماً از وب سایت رسمی سازمان زمین شناسی ایالات متحده (USGS) ( https://glovis.usgs.gov ) تهیه شد و از آن استفاده کرد. برای استخراج منطقه ساخته شده در این مطالعه. پیش پردازش کالیبراسیون و تبدیل به بازتاب سطح سیاره ای از راهنمای الگوریتم Landsat-8 استفاده کرد که توسط USGS با استفاده از نرم افزار ENVI نسخه 5.1 [ 46 ، 50 ] ارسال شده بود.

2.4. تخمین چگالی هسته

KDE برای جلوگیری از مشکلات مربوط به انتخاب خودسرانه شبکه قرار گرفته بر روی شبکه های جاده استفاده شد [ 23 ، 29 ]. نتیجه KDE به شدت تحت تأثیر پهنای باند تابع هسته است. در این مطالعه، از قانون سیلورمن برای انتخاب پهنای باند بهینه شده در برنامه ArcGIS 10.0 استفاده کردیم که به صورت خودکار به عنوان حداقل عرض یا طول منطقه مورد مطالعه تقسیم بر 250 تولید شد [ 11 ]. شکل 3 نقشه های تجسم KDE را برای شبکه جاده ها ارائه می دهد.

2.5. شاخص ساخته شده مبتنی بر شاخص

NDBI و IBI به طور گسترده برای استخراج مناطق ساخته شده شهری به کار گرفته شده اند. یک مطالعه قبلی نشان داد که NDBI ممکن است با سر و صدای پوشش گیاهی مخلوط شود و باید بیشتر توسط شاخص گیاهی تفاوت نرمال شده (NDVI) فیلتر شود تا نتایج عینی‌تری به دست آید [ 40 ]، در حالی که IBI می‌تواند به دقت کلی بالاتری نسبت به NDBI دست یابد [ 51 ] . به همین دلیل از IBI برای ترسیم مناطق ساخته شده شهری منطقه مورد مطالعه استفاده شد. فرمول IBI به صورت زیر بیان می شود:

IBI={2 B SWI1 /( B SWI1 + B NIR )-[ B NIR /( B NIR + B قرمز )+ B سبز /( B سبز + B SWI1 )]}/{2 B SWI1 /( B SWI1 + B NIR )
+[ B NIR /( B NIR + B قرمز ) + B آبی /( B آبی +B SWI1 )}

که در آن B i مقدار بازتاب سیاره ای هر نوار در حسگرهای OLI است.

سپس، یک تکنیک همسایگی (یعنی یک ابزار آمار کانونی) برای هموارسازی توزیع IBI با استفاده از ArcGIS 10.0 استفاده شد. آمار کانونی به عنوان مقدار تخمینی هر شبکه با استفاده از یک مقدار متوسط ​​در یک دایره مشخص تعریف می شود. بنابراین، مقدار تخمینی تحت تأثیر شعاع دایره است. در این تجزیه و تحلیل، شعاع پیش فرض به عنوان سه سلول تعیین شد.

2.6. تجزیه و تحلیل تغییرات جغرافیایی

2.6.1. تحلیل خودهمبستگی فضایی

خود همبستگی فضایی KDE برای منطقه مورد مطالعه با استفاده از تکنیک ESDA [ 52 ] مشاهده شد. هر دو خود همبستگی فضایی جهانی (یعنی موران I جهانی ) و خودهمبستگی فضایی محلی (یعنی شاخص محلی ارتباط فضایی (LISA)) با استفاده از برنامه ArcGIS 10.0 در این مطالعه محاسبه شدند. هنگام اجرای برنامه، روش وزن دهی معکوس فاصله برای مفهوم سازی روابط فضایی بین همسایگان انتخاب شد و اندازه های همسایگی پیش فرض اتخاذ شد [ 53 ، 54 ]. دلیل انتخاب وزن معکوس فاصله بر اساس قانون اول جغرافیا است [ 55]، که مقرر می دارد «همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند». سپس یک نقشه پارادایم فضایی، متشکل از پنج دسته خوشه، ایجاد شد: “بالا-بالا” (نقاط داغ، جایی که سطح تراکم خود رصد و منطقه اطراف آن بالا است، و تفاوت فضایی بین دو مشاهده نسبتا کوچک است)؛ “کم-کم” (نقاط سرد، که در آن سطح تراکم خود رصد و منطقه اطراف آن کم است، و تفاوت فضایی بین دو مشاهدات نسبتاً کم است). “کم-بالا” (سطح چگالی خود رصد کم است، در حالی که تراکم مناطق اطراف زیاد است، و تفاوت فضایی زیادی بین دو همسایه وجود دارد). “بالا-کم” (سطح چگالی خود مشاهده بالا است، در حالی که مناطق اطراف کم است و تفاوت فضایی زیادی بین دو همسایه وجود دارد). و “مهم نیست” (شکل 4 ب).

2.6.2. تجزیه و تحلیل نیمه واریانس

تجزیه و تحلیل نیمه واریانس، یک روش معمول مورد استفاده برای زمین آمار، سپس برای اندازه گیری تغییرات فضایی مشاهدات همسایه استفاده شد. به طور کلی، مقدار تابع نیمه واریانس با افزایش فاصله نقطه نمونه افزایش می‌یابد و در یک بازه معین (یعنی محدوده) به یک ثابت اساساً پایدار (یعنی آستانه) افزایش می‌یابد. بنابراین، تابع نیمه واریانس معمولاً با پارامترهای زیر مشخص می شود [ 53 ] : آستانه ( C 0 + C )، محدوده ( A 0 )، اثر قطعه (C0 ) ، واریانس ساختاری وابسته به فضای ( C )، و نسبت اثر قطعه ( C 0 ) به آستانه (C 0 + C ) [ 53 ]. در این مطالعه با استفاده از برنامه SAM v. 3.1 یک نیمه واریوگرام محاسبه شد. ضریب تعیین (r2 ) و مجموع مربعات باقیمانده (RSS) برای غربال کردن توابع نیمه واریانس بهینه شامل توابع خطی، کروی و نمایی و همچنین مدل‌های گاوسی استفاده شد [ 56 ].

2.7. استراتژی های نمونه گیری

برای بررسی وابستگی مقیاس توزیع شبکه جاده‌ای، اندازه‌های دانه‌های مختلف (30، 60، 90، 150، 300، 600، 900، 1200، 1500 و 1800 متر) به‌عنوان واحدهای نمونه در تحلیل نیمه‌واریوگرام تعیین شدند.

3. نتایج و بحث

3.1. الگوهای فضایی تراکم جاده در سطوح مختلف

شکل 3 توزیع فضایی شبکه های جاده ای (یعنی KDE) را در سطح شبکه 30 متری برای منطقه مورد مطالعه نشان می دهد. این شکل نشان می‌دهد که ناحیه مرکزی شهری، شامل نواحی گولو، کانگشان، تایجیان و چانگل، دارای بیشترین تراکم شبکه‌های جاده‌ای است. منطقه مرکزی هر شهرستان، از جمله Luoyuan، Lianjiang، Fuqing و Minqing، دارای شبکه‌های جاده‌ای نسبتاً متراکم بود، در حالی که سایر مناطق، مانند شهرستان، روستا و مناطق کوهستانی، کمترین تراکم شبکه جاده‌ای را داشتند ( شکل 3 a). . به طور همزمان، برای منطقه مرکزی شهری، تراکم شبکه های جاده ای به تدریج از مرکز به سمت حاشیه در ناحیه مرکزی شهری کاهش یافت ( شکل 3 ب).
شکل 4 توزیع فضایی KDE را در سطح شهر برای منطقه مورد مطالعه نشان می‌دهد، با تمام شهرها که بر اساس تراکم شبکه جاده‌هایشان به پنج دسته مساوی تقسیم شده‌اند. این همچنین نشان می‌دهد که ناحیه مرکزی شهری بیشترین تراکم شبکه‌های جاده‌ای را داشت، در حالی که بیشتر مناطق دیگر به پایین‌ترین کلاس KDE تعلق داشتند ( شکل 4 a). نتایج تجزیه و تحلیل خودهمبستگی فضایی برخی از ویژگی های قابل توجه را نشان داد، از جمله نقاط داغ (به عنوان مثال، خوشه بالا-بالا)، نقاط سرد (به عنوان مثال، خوشه کم-پایین)، و خوشه کم-بالا در شبکه های جاده ای منطقه مورد مطالعه ( شکل 4 ب).
با مقایسه نتایج دو مقیاس اندازه دانه مختلف (یعنی در سطح شبکه و شهر)، دریافتیم که چندین مرکز فرعی در هر شهرستان در سطح ظریف‌تر (یعنی در اندازه دانه 30 متر) توزیع شده است. به عنوان یک مرکز شهری بزرگ در منطقه مورد مطالعه ( شکل 3 )، در حالی که تنها سه مرکز فرعی و یک مرکز شهری بزرگ در سطح درشت (یعنی سطح شهر) کشف شد ( شکل 4 ). این نشان می دهد که برخی از اطلاعات مفید ممکن است در اندازه دانه درشت (یعنی سطح شهر) مبهم باشد. چه در سطح شبکه 30 متری و چه در سطح شهر، KDE نشان می دهد که شکاف بزرگی بین مناطق شهری و روستایی وجود دارد، با شبکه های جاده ای توسعه یافته در اولی، و توسعه نیافته در دومی.
شکل 5 نشان می دهد که تغییرات مکانی در KDE یک همبستگی مثبت قوی در محدوده حدود 25 کیلومتری با همبستگی منفی فراتر از برد 25 کیلومتری دارد. این محدوده مشابه ناحیه مرکزی شهری است ( شکل 3 ) که تفاوت در توزیع شبکه های جاده ای بین مناطق شهری و روستایی را نشان می دهد. بنابراین، نتایج فوق ممکن است به طور قابل توجهی به تحدید محدوده ساخته شده برای منطقه کمک کند.

3.2. اثر مقیاس الگوهای فضایی در تراکم جاده در محدوده مرکز شهر

الگوهای فضایی هم وابستگی فضایی و هم ناهمگونی فضایی را شامل می شود، با ناهمگونی فضایی ناشی از تنوع در وابستگی فضایی [ 57 ]. قانون اول در جغرافیا اساساً یک اصل همبستگی مکانی است [ 55 ]. این همچنین نشان می‌دهد که تغییرات مکانی در یک ویژگی جغرافیایی معین از هر دو مکان ممکن است با افزایش فواصل جداگانه رخ دهد. بنابراین، قانون دوم در جغرافیا نشان می‌دهد که ناهمگونی فضایی در طیف وسیعی از مقیاس‌های فضایی در همه جا حاضر است [ 58 ]. بنابراین، برای درک بهتر ویژگی‌های کمی یک شبکه جاده‌ای، باید اثرات مقیاس الگوهای فضایی در توزیع جاده‌ها بررسی شود.
از آنجا که فاصله زیادی بین مناطق شهری و روستایی از نظر KDE وجود داشت، با ناحیه مرکزی شهری بسیار بالاتر از منطقه روستایی، ما از اولی به عنوان موردی برای بررسی بیشتر اثر مقیاس الگوهای فضایی در توزیع جاده استفاده کردیم. شبکه های. شکل 6 و شکل 7 نشان می دهد که پارامترهای خودهمبستگی فضایی جهانی و نیم متغیره برای شبکه های جاده با اندازه دانه تغییر می کند. واضح است که پارامترهای ناهمگونی فضایی در سراسر چشم انداز تحت اندازه دانه های مختلف یکنواخت نبودند. مقادیر C 0 ، (C 0 +C)، A 0و SS باقیمانده روند مشابهی را نشان داد. مقدار اولیه (یعنی اندازه دانه 30×30 متر) نسبتاً زیاد بود، اما در 60 متر به پایین کاهش یافت و سپس به اوج در 90 متر افزایش یافت ( شکل 6 ). با این حال، از 150 متر، پارامترهای semivariograms تمایل به نسبتا غیر قابل تغییر است. علاوه بر این، مقادیر Moran’s I از 150 متر به طور قابل توجهی کاهش یافت و سپس از 300 متر به شدت کاهش یافت ( شکل 7).). اگر اندازه دانه برای انعکاس دقیق ناهمگونی فضایی تراکم جاده خیلی کوچک/بزرگ باشد، نمی تواند ناهمگنی فضایی و وابستگی فضایی مربوطه را به دقت توصیف کند. بر اساس این تجزیه و تحلیل، 150 متر به عنوان اندازه دانه مناسب برای تضعیف اثرات مقیاس تعیین شد. بنابراین، 150 متر به عنوان اندازه دانه برای کشف الگوهای فضایی توزیع تراکم جاده استفاده شد.
ما تحقیقات خود را با مقایسه اثرات اندازه های مختلف دانه بر روی الگوهای فضایی KDE گسترش دادیم. ما دریافتیم که شبکه های جاده ای با اندازه دانه ریز (150 متر) بهتر از اندازه دانه درشت (سطح شهر) مشخص می شوند ( شکل 3 و شکل 4 ). این به این دلیل است که تعریف مصنوعی واحدهای تجزیه و تحلیل می تواند بر نتایج آماری تأثیر بگذارد، که در ادبیات جغرافیایی به عنوان مسئله واحد منطقه ای قابل اصلاح (MAUP) تعریف شده است [ 59 ]. یکی از رایج ترین ابزارها برای تشخیص MAUP، نیم متغیره است. این امر استفاده ما از یک نیمه متغیر برای تجزیه و تحلیل ناهمگونی فضایی در توزیع KDE را پشتیبانی می کند، که در بخش بعدی بیشتر مورد بحث قرار خواهد گرفت.

3.3. ویژگی های ناهمگونی فضایی در تراکم جاده در محدوده مرکز شهر

Moran’s I KDE در مقیاس های فضایی مختلف در شکل 8 نشان داده شده است . به طور کلی، منحنی روند نزولی را نشان داد، که نشان می‌دهد ناهمگونی فضایی در KDE با افزایش فاصله تاخیر افزایش می‌یابد. ارتباط فضایی KDE بین هر جفت مکان در محدوده 10 کیلومتری مثبت بود و به منفی فراتر از فاصله 10 کیلومتری تغییر کرد. این توزیع در راستای یکی دیگر از ویژگی های جغرافیایی، شاخص اکولوژیکی سنجش از دور است، که مشخص شد تداعی های فضایی یکسانی دارد [ 60 ]]. این امر تا حدی نشان می دهد که ویژگی های جغرافیایی فرآیند شهرنشینی آشکار است. علاوه بر این، تجزیه و تحلیل ما از خود همبستگی فضایی محلی همچنین نشان داد که KDE دارای نقاط داغ آشکار (به عنوان مثال، خوشه های بالا-بالا) در مناطق مرکزی شهری و نقاط سرد (به عنوان مثال، خوشه های کم-پایین) در بخش غربی منطقه مورد مطالعه است. شکل 4 ب). بنابراین، با استفاده از توصیف و تجسم آمار فضایی، ESDA به کار گرفته شده در اینجا می‌تواند وابستگی فضایی و ناهمگونی فضایی را بررسی کند و مکانیسم پارادایم فضایی توزیع شبکه جاده‌ای را آشکار کند. مهمتر از همه، این ویژگی‌های نقشه تفاوت‌های شهری و روستایی در ساخت زیرساخت‌ها را در نتیجه مرز قابل مشاهده شهری برجسته می‌کند.
SA راه دیگری را برای تجسم خود همبستگی فضایی برای مشاهدات ارائه می دهد، که فاصله آستانه ای را که در آن وابستگی فضایی وجود دارد و فراتر از آن ناهمگنی فضایی وجود دارد، محاسبه می کند [ 53 ]. جدول 1 پارامترهای SA را برای واریوگرام همسانگرد و واریوگرام ناهمسانگرد برای KDE توصیف می کند. مدل‌های گاوسی (همسانگرد) و نمایی (ناهمسانگرد) با در نظر گرفتن مقادیر R2 و RSS ، بهترین فرضیه را برآورده می‌کنند.
با توجه به پارامترها، مقادیر C 0 هم برای واریوگرام همسانگرد و هم برای واریوگرام ناهمسانگرد نسبتاً کوچک (010/0) ​​بود که نشان می‌دهد خطای اندازه‌گیری (از جمله خطای نمونه‌گیری) کم بود. در نتیجه، نتایج را می توان برای تحلیل پارادایم فضایی در KDE برای منطقه مورد مطالعه به کار گرفت. مقادیر بالای C (6.683 و 10.449)، مقادیر پایین C 0 / (C + C 0 ) (0.001)، و مقادیر شاخص بعد کسر (D) فاصله از 2 برای هر دو واریوگرام همسانگرد و ناهمسانگرد همه نشان می‌دهند که ساختار پارادایم فضایی شبکه‌های جاده‌ای عامل حیاتی برای وابستگی فضایی در توزیع تراکم جاده است.
علاوه بر این، مدل همسانگرد همچنین نشان می‌دهد که مشاهدات زمانی که فاصله بین مشاهدات از 12384 متر فراتر رفت، کاملاً مستقل بودند ( جدول 1 ). این فاصله با منطقه مرکزی شهری (یعنی خوشه های رنگی روشن در شکل 3 ب) یکسان است، که مرکز اداری، تجاری و مالی در منطقه است و تراکم شبکه های جاده ای بالاتری نسبت به سایر مناطق اطراف دارد.
تجزیه و تحلیل ناهمسانگردی یک اثر جهتی قابل توجهی را در الگوهای توزیع شبکه های جاده ای نشان داد ( جدول 1 و شکل 9 ). به عنوان مثال، این تغییرات از 11.440 تا 18.660 کیلومتر در جهات مختلف ( جدول 1 )، با برد حدود 11 کیلومتر برای اکثر جهات (یعنی همسانگرد، 0 درجه، 90 درجه و 135 درجه) و تقریباً 19 کیلومتر متغیر است. برای جهت 45 درجه علاوه بر این، مقادیر D در بین تمام جهات متفاوت بود، با کمترین مقدار در جهت شمال شرقی-جنوب غربی و به دنبال آن جهت جنوب شرقی-شمال غربی، که نشان می دهد تغییرات فضایی شبکه های جاده ای در این دو جهت بیشتر از جهت های دیگر است. دو جهت شکل 3b نشان می دهد که طول شمال شرقی-جنوب غربی (یعنی جهت 45 درجه) ناحیه هسته حدود 19 کیلومتر بود.
علت تأثیر شدید ناهمسانگردی احتمالاً به دلیل جهت گیری در ساختار فضایی خود شبکه راه در کنار توپوگرافی و اقتصاد آن و همچنین فرآیندهای شهرنشینی و توسعه است. در دو دهه گذشته، منطقه مرکزی شهری در امتداد جهت جنوب شرقی و رودخانه مینجیانگ ( https://english.jxfz.gov.cn/About_Fuzhou/ ) گسترش یافته است، که منجر به گسترده‌تر شدن شکل ناحیه مرکزی شهری در جهت شمال شرقی – جنوب غربی و جنوب شرقی – شمال غربی ( شکل 3ب). در این دو جهت، فضا توسط یک تغییر تدریجی یا ناگهانی بین ناحیه مرکزی شهری و حاشیه شهری – روستایی پوشانده می‌شود، بنابراین تراکم جاده‌ها نسبت به سایر جهات بسیار تغییر می‌کند. این تأیید می کند که استفاده از KDE و SA برای کشف ویژگی های ساختاری فضایی شبکه های جاده ای ضروری و مؤثر است.

3.4. تحدید مرز شهری

در سطح منطقه‌ای، نتیجه تحلیل KDE ما نتایج قبلی را تأیید می‌کند، که قله‌های تراکم شبکه‌های جاده‌ای در شهر مرکزی را برجسته می‌کند [ 27 ]. ما همچنین دریافتیم که ناحیه شهری دارای شبکه های جاده ای بسیار متراکم تری نسبت به مناطق غیر شهری (یعنی مناطق روستایی) است ( شکل 3 و شکل 4 ). تجزیه و تحلیل گرادیان شهری-روستایی KDE با «اثر جزیره چگالی» آشکار شبکه‌های جاده‌ای مشخص می‌شود، با یک نقطه عطف (مثلاً 12 کیلومتر) که فراتر از آن، مقدار KDE در حدود 1 تثبیت می‌شود ( شکل 10 ). این یافته نه تنها با نتیجه SA فوق مطابقت دارد [ 61]، بلکه نظریه مکان مرکزی، نشان می دهد که زیرساخت های حمل و نقل بیشتر در مکان های درجه بالاتر (به عنوان مثال، شهرها) توزیع می شوند، اما تعداد کمتری در مکان های پایین تر (یعنی مناطق حومه یا روستایی) قرار دارند [ 45 ]. بنابراین، ما نتایج قبلی [ 27 ] را تأیید کردیم که نشان می‌دهد شبکه جاده یک نماینده مؤثر برای اطلاعات ساختاری منطقه است که می‌تواند برای بخش‌بندی مناطق شهری نیز استفاده شود [ 14 ].
در این مطالعه، نتایج حاصل از تعیین حدود یک منطقه شهری توسط KDE و IBI استخراج شده از Landsat OLI را بیشتر مقایسه کردیم ( شکل 11 ). با توجه به نقطه عطف (یعنی KDE=1) در شکل 10 ب، یک آستانه KDE = 1 برای شناسایی مرز شهری در اینجا تعیین کردیم. از نظر آستانه IBI، مقدار -0.15 برای تعیین مرز پس از مقایسه دقیق با تصویر Landsat RGB از طریق تفسیر بصری تعیین شد.
شکل 11 مناطق شهری را که توسط تصاویر KDE، IBI و RGB از Landsat OLI تقسیم شده اند، نشان می دهد. نتایج ما با نتایج مطالعات قبلی [ 17 ، 47 ] مطابقت دارد و نشان می‌دهد که توزیع تراکم شبکه‌های جاده‌ای بسیار نزدیک به IBI است. علاوه بر این، توزیع فضایی مناطق شهری تقسیم‌بندی شده با استفاده از KDE با مرزهای شهری بهتر از توزیع فضایی IBI در مقایسه با تصویر RGB مطابقت داشت ( شکل 11 ). تحقیقات ما یافته های قبلی را تأیید می کند [ 14 ، 17 ، 47]، نشان می دهد که اندازه گیری KDE ممکن است اطلاعات ساختاری بیشتری را برای تعیین حدود مناطق شهری ارائه دهد. این نشان می دهد که روش ما برای شناسایی سریع مرزهای شهری موثر است.
قابل توجه است که مرزهای بدست آمده توسط KDE بهتر از مرزهای IBI بود. زمین شهری که توسط دومی به دست آمد، گسسته بود اما پیوسته نبود، حتی زمانی که ما از آمار کانونی برای هموارسازی توزیع IBI استفاده کردیم. این به این دلیل است که انواع پوشش زمین در محدوده شهری وجود داشت، از جمله پوشش گیاهی، زمین برهنه و منطقه آبی. IBI فقط می تواند اطلاعات زمین ساختمان را افزایش دهد، در حالی که سایر پوشش های زمین قابل استخراج نیستند. به همین دلیل است که ما از آمار کانونی برای هموارسازی توزیع IBI استفاده کردیم، زیرا تخصیص پهنای باند (یعنی شعاع) بسیار چالش برانگیز است و شعاع بسیار بزرگ باعث تخمین بیش از حد مرزهای شهری می شود. در غیر این صورت، منطقه شهری مانند نتیجه شکل 11 پیوسته نبودب به عنوان مثال، نوار بزرگ رودخانه و فضای سبز باز در دو طرف (یعنی خوشه سبز در شکل 11 ب) در منطقه شهری پوشیده نشده بود زیرا عرض شکاف بسیار زیاد بود (حتی روش هموارسازی نیز نمی توانست ایجاد کند. برای این شکاف). این موضوع برای برخی از سفیدچاله ها (یعنی فضاهای سبز بزرگ) در پلاک قرمز نیز صادق بود. علاوه بر این، نقشه ساخت‌وساز شهری حاصل نمی‌تواند سر و صدای مناطق بایر در حومه شهرها یا مصب‌های گل‌آلود را حذف کند (یعنی خوشه آبی در شکل 11).ب) که می تواند به یک مرز شهری متورم منجر شود. علاوه بر این، لکه های قرمز در سراسر منطقه مورد مطالعه پراکنده شدند. همه این نتایج تا حدی نشان می دهد که محدودیت هایی در تعیین مرزهای شهری با استفاده از IBI وجود دارد. بنابراین، اگر بخواهیم مرزهای شهری با تراکم زمین ساخته شده مشخص شوند، روش‌های هوش مصنوعی بیشتری (مانند اتوماتای ​​سلولی) یا ترسیم دستی اضافی مورد نیاز است.
با این وجود، روش KDE پیشنهادی ما برای شناسایی مناطق شهری ساده است و نتایج آن مطابق با مشاهدات بود ( شکل 11 a). بزرگترین لکه قرمز در وسط نقشه مرکز شهری است و سایر لکه های قرمز کوچکتر نشان دهنده شهرهای مرکزی هر شهرستان در منطقه مورد مطالعه است. در ناحیه مرکزی شهری، مرز مشخص شده شکلی نامنظم با عرض تقریبی 25 کیلومتر به خود می گیرد که به محدوده واریانس تحلیل موران در سطح منطقه بسیار نزدیک است. بنابراین، به عنوان یک پروکسی، یک شبکه جاده با استفاده از KDE به عنوان یک شاخص فعال برای تعیین حدود مناطق شهری استفاده شد.

4. نتیجه گیری

مشارکت های مقاله هم کیفی و هم کمی است. از نظر کیفی، نتایج ما درک خوبی از توزیع فضایی شبکه‌های جاده‌ای و اثرات آن‌ها بر تحدید حدود مرزهای شهری ارائه می‌دهد. این نتایج نشان می دهد که ناهمواری فضایی در توزیع شبکه های جاده ای، هم در سطح منطقه و هم در سطح مرکز شهر وجود دارد. در سطح منطقه ای، قطبی شدن جدی در توزیع جاده ها وجود دارد، به طوری که توزیع شبکه های جاده ای در مناطق شهری بسیار بیشتر از مناطق روستایی است. در سطح مرکز شهر، تراکم جاده به تدریج از مرکز به سمت حاشیه کاهش می یابد.
از نظر کمی، ویژگی‌های ناهمگونی فضایی به دست آمده از ESDA و SA نشان می‌دهد که (1) اندازه دانه 150 متر در این مورد برای تضعیف اثرات مقیاس توزیع جاده مناسب بود. (2) محدوده وابستگی فضایی شبکه های جاده ای تقریباً 25 کیلومتر برای کل منطقه مورد مطالعه و 12 کیلومتر برای منطقه مرکز شهر بود. علاوه بر این، تغییرات فضایی بین جهات مختلف متفاوت است، به طوری که تغییرات شبکه های جاده ای در جهات شمال شرقی-جنوب غربی و جنوب شرقی-شمال غربی بیشتر از دو جهت دیگر است که با روند شهرنشینی و توسعه منطقه مورد مطالعه مطابقت دارد. . بنابراین، مورد ما نور جدیدی بر کاربرد ESDA و SA برای تعیین کمیت تغییرات فضایی در شبکه‌های جاده‌ای می‌تابد.
نتایج کیفی و کمی نشان می‌دهد که توزیع شبکه‌های جاده‌ای دارای ساختار دوگانه شهری – روستایی واضحی است که نشان می‌دهد شبکه‌های جاده‌ای می‌توانند به عنوان ابزاری فعال برای شناسایی مناطق شهری برای منطقه مورد استفاده قرار گیرند. بنابراین، ما یک راه سریع و آسان برای تعیین حدود مناطق شهری با استفاده از KDE برای شبکه‌های جاده‌ای خطی بر اساس قانون سیلورمن برای بهینه‌سازی پهنای باند هسته پیشنهاد کردیم. نتایج همچنین نشان می دهد که روش پیشنهادی ما موثر و عملی است. روش پیشنهادی ما می‌تواند به غلبه بر دو نوع نویز ناشی از برخورد با زمین‌های لخت به‌عنوان زمین ساخته‌شده و مناطق ساخته‌شده سبز به‌عنوان جنگل‌ها و محصولات کشاورزی در طبقه‌بندی تصویر با استفاده از مجموعه داده‌های سنجش از دور در مناطق حاشیه‌ای شهری-روستایی کمک کند. تحقیقات ما نشان می‌دهد که ترکیبی از تراکم جاده‌ها از OSM و اطلاعات طیفی از تصاویر هوایی ممکن است اطلاعات دقیق‌تری را برای برنامه‌ریزی و مدیریت شهری برای شناسایی مرزهای شهری در اندازه‌های فضایی مختلف، از شهرهای کوچک تا کلان‌شهرهای بزرگ فراهم کند. روش ما به دلیل محبوبیت داده های OSM پتانسیل استخراج سریع مرزهای شهری برای مناطق دیگر را دارد. با این حال، چندین محدودیت وجود دارد که باید در هنگام اتخاذ روش پیشنهادی ما مورد توجه قرار گیرد. اولاً، مجموعه داده‌های شبکه‌های جاده‌ای از OSM ممکن است شامل خطوط تکراری زیادی باشد، بنابراین شبکه جاده‌ها باید از قبل پردازش شوند، از جمله اصلاح فضایی و ادغام خطوط تکراری. ثانیا، پهنای باندهای مختلف الگوهای چگالی متفاوتی را تولید می کنند، که نیاز به تغییر پهنای باند هسته و انتخاب پهنای باند مناسب برای دستیابی به اثر مطلوب برای اندازه های مختلف شهرها دارد. در نهایت، ساختارهای فضایی شبکه‌های جاده‌ای کامل در کوتاه‌مدت تغییر قابل‌توجهی نمی‌کند، بنابراین منطقه شهری مشتق‌شده به یک شبکه راه موجود محدود می‌شود. بنابراین، توصیه می کنیم از KDE برای شبکه های جاده ای با داده های طیفی برای به دست آوردن مرزهای شهری دقیق تر استفاده کنید.

منابع

  1. مک دونالد، RI; گرین، پ. بالک، دی. Fekete، BM; Revenga، C. تاد، ام. مونتگومری، ام. رشد شهری، تغییرات آب و هوا، و در دسترس بودن آب شیرین. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2011 ، 108 ، 6312-6317. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  2. گونگ، پی. لی، ایکس. Zhang، W. تغییرات سکونتگاه انسانی 40 ساله (1978-2017) در چین که توسط سطوح غیرقابل نفوذ از سنجش از راه دور ماهواره ای منعکس شده است. علمی گاو نر 2019 ، 64 ، 756-763. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. هاینتزمن، LJ; McIntyre، NE ​​کمی سازی اثرات رشد شهری پیش بینی شده بر اتصال بین تالاب ها در دشت های بزرگ (ایالات متحده آمریکا). Landsc. طرح شهری. 2019 ، 186 ، 1-12. [ Google Scholar ] [ CrossRef ]
  4. لیو، ایکس. در آغوش گرفتن.؛ چن، ی. لی، ایکس. خو، X. لی، اس. پی، اف. Wang, S. نقشه برداری چند زمانی با وضوح بالا از زمین شهری جهانی با استفاده از تصاویر Landsat بر اساس پلت فرم موتور Google Earth. سنسور از راه دور محیط. 2018 ، 209 ، 227-239. [ Google Scholar ] [ CrossRef ]
  5. بارنوسکی، AD; هادلی، EA; بسکامپت، جی. برلو، EL; براون، ج.اچ. فورتلیوس، ام. Getz، WM; هارت، جی. هاستینگز، ا. Marquet، PA; و همکاران نزدیک شدن به تغییر حالت در بیوسفر زمین. طبیعت 2012 ، 486 ، 52-58. [ Google Scholar ] [ CrossRef ]
  6. اشمیت، سی. دوماراتزکی، م. Kinnunen، RP; بومن، جی. Garroway، CJ اثرات شهرنشینی در سراسر قاره بر تنوع ژنتیکی پرندگان و پستانداران. Proc. R. Soc. B 2020 , 287 , 20192497. [ Google Scholar ] [ CrossRef ]
  7. شی، ی. رن، سی. لاو، ک.ک. Ng، E. بررسی تأثیر کاربری زمین شهری و الگوی منظر بر تغییرات فضایی PM2.5 با استفاده از نظارت تلفن همراه و wudapt. Landsc. طرح شهری. 2019 ، 189 ، 15-26. [ Google Scholar ] [ CrossRef ]
  8. رامالهو، م. هابز، RJ زمان تغییر: بوم شناسی شهری پویا. Trends Ecol. تکامل. 2012 ، 27 ، 179-188. [ Google Scholar ] [ CrossRef ]
  9. ترنر، BL; لامبین، EF; Anette, R. ظهور علم تغییر زمین برای تغییرات محیطی جهانی و پایداری. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2007 ، 104 ، 20666-20671. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. فورمن، RTT Road Ecology: راه حلی برای غولی که ما را در آغوش گرفته است. Landsc. Ecol. 1998 ، 13 ، III–V. [ Google Scholar ] [ CrossRef ]
  11. وی، دبلیو. شی، پی جی. ژو، جی جی. Xie، BB تراکم شبکه جاده و تحلیل وابستگی فضایی بر اساس مقیاس حوضه – مطالعه موردی در حوضه رودخانه شیانگ. Appl. مکانیک. ماتر 2014 ، 505 ، 750-754. [ Google Scholar ] [ CrossRef ]
  12. بارتلمی، ام. شبکه های فضایی. فیزیک Rep. 2010 , 499 , 1-101. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. لامر، اس. گلسن، بی. Helbing، D. قوانین مقیاس بندی در ساختار فضایی شبکه های جاده ای شهری. فیزیک آمار مکانیک. Appl. 2006 ، 363 ، 89-95. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. بوروسو، جی. تراکم شبکه و تعیین حدود مناطق شهری. ترانس. GIS 2010 ، 7 ، 177-191. [ Google Scholar ] [ CrossRef ]
  15. Su، Q. اثر تراکم جمعیت، تراکم شبکه جاده، و ازدحام بر مصرف بنزین خانگی در مناطق شهری ایالات متحده. اقتصاد انرژی 2011 ، 33 ، 445-452. [ Google Scholar ] [ CrossRef ]
  16. کوین، پی. تراکم جاده به عنوان نماینده ای برای تراکم جمعیت در مدل سازی ریسک در مقیاس منطقه ای. نات. خطرات J. Int. Soc. قبلی میتیگ. نات. خطرات 2013 ، 65 ، 1227-1248. [ Google Scholar ] [ CrossRef ]
  17. ژانگ، کیو. وانگ، جی. پنگ، ایکس. گونگ، پی. Shi، P. تشخیص تغییر زمین ساخته شده شهری با چگالی جاده و اطلاعات طیفی از داده‌های چند زمانی Landsat TM. بین المللی J. Remote Sens. 2002 , 23 , 3057-3078. [ Google Scholar ] [ CrossRef ]
  18. استرانو، ای. نیکوزیا، وی. لاتورا، وی. پورتا، اس. بارتلمی، ام. فرآیندهای ابتدایی حاکم بر تکامل شبکه های جاده ای. علمی جمهوری بریتانیا 2012 ، 2 ، 296. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. هو، ایکس. ژانگ، ال. بله، ال. لین، ی. Qiu، R. مکان یابی تغییرات فضایی در ارتباط بین شبکه جاده و تجمع کربن زیست توده جنگل. Ecol. اندیک. 2017 ، 73 ، 214-223. [ Google Scholar ] [ CrossRef ]
  20. پادگان، اتصال WL سیستم بزرگراه بین ایالتی. پاپ Reg. علمی 2010 ، 6 ، 121-137. [ Google Scholar ] [ CrossRef ]
  21. Barabási, AL; Bonabeau, E. شبکه های بدون مقیاس. علمی صبح. 2003 ، 288 ، 60. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. هو، XS; Wu, CZ; وانگ، جی کی. Qiu، RZ شناسایی تنوع فضایی در شبکه جاده‌ای و الگوهای رانندگی آن: اقتصاد و جمعیت. Reg. علمی اقتصاد شهری 2018 ، 71 ، 37-45. [ Google Scholar ] [ CrossRef ]
  23. کای، ایکس. وو، زی. چنگ، جی. استفاده از تخمین تراکم هسته برای ارزیابی الگوی فضایی تراکم جاده و تأثیر آن بر تکه تکه شدن چشم‌انداز. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 222-230. [ Google Scholar ] [ CrossRef ]
  24. مو، دبلیو. وانگ، ی. ژانگ، ی. ژوانگ، دی. تأثیرات گسترش شبکه جاده‌ای بر خطر اکولوژیکی چشم‌انداز در یک کلان شهر، چین: مطالعه موردی پکن. علمی کل محیط. 2017 ، 574 ، 1000-1011. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  25. لین، ی. هو، ایکس. ژنگ، ایکس. هو، ایکس. ژانگ، ز. ژو، ایکس. کیو، آر. لین، جی. تغییرات فضایی در روابط بین شبکه جاده و خطرات زیست محیطی چشم انداز در بالاترین منطقه پوشش جنگلی چین. Ecol. اندیک. 2019 ، 96 ، 392-403. [ Google Scholar ] [ CrossRef ]
  26. هاوبکر، تی جی؛ Radeloff، VC; چکش، RB; کلیتون، تراکم جاده MK و الگوی منظر در رابطه با تراکم مسکن، و مالکیت، پوشش زمین، و خاک. Landsc. Ecol. 2005 ، 20 ، 609-625. [ Google Scholar ] [ CrossRef ]
  27. ژانگ، ز. تان، اس. تانگ، W. تحلیل فضایی مبتنی بر GIS قیمت مسکن و تراکم جاده در مجاورت دریاچه‌های شهری در شهر ووهان، چین. چانه. Geogr. علمی 2015 ، 25 ، 775-790. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. میلر، جی آر. جویس، لس آنجلس؛ نایت، آر.ال. جاده‌های جنگلی کینگ، RM و ساختار چشم‌انداز در کوه‌های راکی ​​جنوبی. Landsc. Ecol. 1996 ، 11 ، 115-127. [ Google Scholar ] [ CrossRef ]
  29. گترل، AC؛ بیلی، تی سی؛ دیگل، پی جی؛ رولینگسون، کارشناسی تحلیل الگوی نقطه‌ای فضایی و کاربرد آن در اپیدمیولوژی جغرافیایی. ترانس. Inst. برادر Geogr. 1996 ، 21 ، 256-274. [ Google Scholar ] [ CrossRef ]
  30. Coffin, AW از کشتار جاده ای تا اکولوژی جاده: بررسی اثرات زیست محیطی جاده ها. J. Transp. Geogr. 2007 ، 15 ، 396-406. [ Google Scholar ] [ CrossRef ]
  31. لی، تی. لی، دبلیو. Qian، Z. تغییرات در ارزش خدمات اکوسیستم در پاسخ به تغییرات کاربری زمین در شنژن. Ecol. اقتصاد 2010 ، 69 ، 1427-1435. [ Google Scholar ]
  32. کیو، جی. Zou، ZD; Li، XZ; لی، هی. Guo، QP; Yan, CH; Tan، SL مطالعات تجربی بر روی اثرات فضای سبز و تبخیر و تعرق در جزیره گرمایی شهری در یک ابرشهر نیمه گرمسیری در چین. Habitat Int. 2017 ، 68 ، 30-42. [ Google Scholar ] [ CrossRef ]
  33. پنگ، جی. لین، اچ. چن، ی. بلاشکه، تی. لو، ال. خو، ز. هو، ی. ژائو، ام. وو، جی. تکامل فضایی-زمانی توده‌های شهری در چین طی سال‌های 2000-2012: رویکرد نور شبانه. Landsc. Ecol. 2020 ، 35 ، 421-434. [ Google Scholar ] [ CrossRef ]
  34. ژو، WQ; هوانگ، جی ال. پیکت، STA; Cadenasso، ML 90 سال تغییر پوشش جنگلی در حوضه شهری: پویایی مکانی و زمانی. Landsc. Ecol. 2011 ، 26 ، 645-659. [ Google Scholar ] [ CrossRef ]
  35. Kuang، WH; لیو، جی. دونگ، جی دبلیو. چی، WF; ژانگ، سی. گسترش سریع و عظیم زمین شهری و صنعتی در چین بین سال‌های 1990 و 2010: تحلیلی مبتنی بر CLUD از مسیرها، الگوها و محرک‌های آنها. Landsc. طرح شهری. 2016 ، 145 ، 21-33. [ Google Scholar ] [ CrossRef ]
  36. فنتا، AA; یاسودا، ح. هاریگوین، ن. بلی، ع. هادوش، ز. Gebremedhin، MA; Mekonnen، G. پویایی گسترش شهری و تغییر کاربری زمین/پوشش زمین با استفاده از سنجش از دور و معیارهای فضایی: مورد شهر Mekelle در شمال اتیوپی. بین المللی J. Remote Sens. 2017 , 38 , 4107–4129. [ Google Scholar ] [ CrossRef ]
  37. لیو، YQ; آهنگ، دبلیو. دنگ، XZ درک تغییرات مکانی و زمانی گسترش زمین شهری در شهرهای واحه با ادغام سنجش از دور و شاخص‌های چند بعدی مبتنی بر DPSIR. Ecol. اندیک. 2019 ، 96 ، 23-37. [ Google Scholar ] [ CrossRef ]
  38. خو، اچ. هوانگ، اس. Zhang، T. قابلیت‌های نقشه‌برداری زمینی حسگرهای ASTER و Landsat ETM+ در مناطق ساحلی جنوب شرقی چین. Adv. Space Res. 2013 ، 52 ، 1437-1449. [ Google Scholar ] [ CrossRef ]
  39. شیان، جی. کرین، م. مک ماهون، سی. کمی کردن ویژگی های توسعه شهری چند زمانی در لاس وگاس از داده های Landsat و ASTER. فتوگرام مهندس Remote Sens. 2008 , 74 , 473-481. [ Google Scholar ] [ CrossRef ]
  40. ژا، ی. گائو، جی. Ni، S. استفاده از شاخص ایجاد تفاوت نرمال شده در نقشه برداری خودکار مناطق شهری از تصاویر TM. بین المللی J. Remote Sens. 2003 , 24 , 583-594. [ Google Scholar ] [ CrossRef ]
  41. Xu، YY; زی، ز. وو، ال. جاده‌های Chen، ZL Multilane از شبکه جاده شهری OpenStreetMap با استفاده از جنگل‌های تصادفی استخراج شدند. ترانس. GIS 2019 ، 23 ، 224-240. [ Google Scholar ] [ CrossRef ]
  42. بروولی، MA; مینگینی، ام. مولیناری، م. Mooney, P. Towards a Automated Compaciation of OpenStreetMap با مجموعه داده های معتبر جاده. ترانس. GIS 2017 ، 21 ، 191-206. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. وو، اس بی؛ دو، سی. چن، اچ. Xu، YX; گوا، ن. Jing, N. استخراج جاده از تصاویر با وضوح بسیار بالا با استفاده از خط مرکزی OpenStreetMap با برچسب ضعیف. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 478. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  44. یانگ، دی. نقشه برداری از چشم انداز منطقه ای با استفاده از نقشه خیابان باز (OSM): مطالعه موردی برای درک الگوهای جنگلی در منطقه مایا، مکزیک . IGI Global: Hershey، PA، ایالات متحده آمریکا، 2019. [ Google Scholar ]
  45. هونگ، ی. یائو، ی. تشخیص جامعه سلسله مراتبی و شناسایی ناحیه عملکردی با جاده‌های OSM و نظریه گراف پیچیده. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 1569-1587. [ Google Scholar ] [ CrossRef ]
  46. خو، اچ. فنگ، دی. ون، ایکس. گسترش شهری و دینامیک جزیره گرمایی در منطقه کوانژو، چین. IEEE J. انتخاب کنید. بالا. Appl. زمین Obs. Remote Sens. 2009 , 2 , 74-79. [ Google Scholar ] [ CrossRef ]
  47. Wang, J. کاربرد سیستم تشخیص ویژگی خطی – LINDA برای تقسیم‌بندی تصویر از داده‌های سنجش از راه دور. Remote Sens. Rev. 2009 , 13 , 49-66. [ Google Scholar ] [ CrossRef ]
  48. ایری، تی. تاثیر ساخت و ساز جاده بر ویژگی های فضایی استفاده از بیمارستان در منطقه مرو کنیا. Soc. علمی پزشکی 1992 ، 34 ، 1135-1146. [ Google Scholar ] [ CrossRef ]
  49. احمد، ج. مالک، ع. Xia, L. تکنیک های موثر برای نظارت بر پوشش گیاهی خطوط انتقال حق راه. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد سیستم ها و تکنیک های تصویربرداری، پنانگ، مالزی، 17-18 مه 2011. [ Google Scholar ]
  50. کیلیچ، ع. آلن، آر. ترزا، آر. راتکلیف، آی. کمبل، بی. رابیسون، سی. Ozturk، D. حساسیت بازیابی تبخیر و تعرق از الگوریتم پردازش METRIC به بهبود وضوح رادیومتری داده‌های حرارتی Landsat 8 و بایاس کالیبراسیون در دمای سطح Landsat 7 و 8. سنسور از راه دور محیط. 2016 ، 185 ، 198-209. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. عیسی، دبلیو. وربایرن، بی. ون در کواست، جی. ون دو وورد، تی. Batelaan، O. ارزیابی روش تیز کردن حرارتی DisTrad برای مناطق شهری. بین المللی J. Appl. زمین Obs. Geoinfor. 2012 ، 19 ، 163-172. [ Google Scholar ] [ CrossRef ]
  52. یانگ، ی. Wong، KKF توزیع فضایی جریان‌های توریستی به شهرهای چین. تور. Geogr. 2013 ، 15 ، 338-363. [ Google Scholar ] [ CrossRef ]
  53. هو، ایکس. هونگ، دبلیو. کیو، آر. هانگ، تی. چن، سی. وو، سی. تغییرات جغرافیایی شدت خدمات اکوسیستم در شهر فوژو، چین. علمی کل محیط. 2015 ، 512 ، 215-226. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. Łukaszyk، S. مفهوم جدیدی از متریک احتمال و کاربردهای آن در تقریب مجموعه داده های پراکنده. محاسبه کنید. مکانیک. 2004 ، 33 ، 299-304. [ Google Scholar ] [ CrossRef ]
  55. Tobler، WR شبیه سازی مدل کامپیوتری رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
  56. دیویس، JC Statistics and Data Analysis in Geology , 3rd ed.; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 1986. [ Google Scholar ]
  57. Wu, JG اثرات تغییر مقیاس بر تحلیل الگوی منظر: روابط مقیاس‌بندی. Landsc. Ecol. 2004 ، 19 ، 125-138. [ Google Scholar ] [ CrossRef ]
  58. Goodchild، MF قوانین اساسی علم GIS. در مجموعه مقالات ارائه شده در مجمع تابستانی کنسرسیوم دانشگاه علوم اطلاعات جغرافیایی، پاسیفیک گرو، کالیفرنیا، ایالات متحده آمریکا، 3 ژوئن 2003. [ Google Scholar ]
  59. او، ز. ژائو، دبلیو. چانگ، X. مشکل واحد مساحتی قابل اصلاح ناهمگونی فضایی جامعه گیاهی در منطقه انتقالی بین واحه و بیابان با استفاده از تحلیل نیمه واریانس. Landsc. Ecol. 2007 ، 22 ، 95-104. [ Google Scholar ] [ CrossRef ]
  60. هو، XS; Xu، HQ یک شاخص سنجش از راه دور جدید برای ارزیابی ناهمگونی فضایی در کیفیت اکولوژیکی شهری: موردی از شهر فوژو، چین. Ecol. اندیک. 2018 ، 89 ، 11-21. [ Google Scholar ] [ CrossRef ]
  61. هاسکینگ، تحلیل شبکه PL در جغرافیا. NZ Geogr. 2010 ، 28 ، 102-103. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00204 g001 550
شکل 1. موقعیت منطقه مورد مطالعه.
Ijgi 09 00204 g002 550
شکل 2. مراحل شناسایی سریع مرزهای شهری با استفاده از شبکه های جاده ای بر اساس تخمین تراکم هسته (KDE). IBI، شاخص ساخته شده مبتنی بر شاخص؛ RGB، قرمز، سبز و آبی؛ OLI، تصویرگر زمین عملیاتی.
Ijgi 09 00204 g003 550
شکل 3. تخمین تراکم هسته شبکه جاده در سطح شبکه 30 متری (km/km 2 ): ( الف ) کل منطقه. ( ب ) منطقه مرکزی شهری.
Ijgi 09 00204 g004 550
شکل 4. تخمین تراکم هسته (KDE) شبکه جاده در سطح شهر (km/km 2 ): ( الف ) توزیع فضایی، ( ب ) شاخص محلی انجمن فضایی (LISA) خوشه‌ها (Moran’s I = 0.801؛ r2 = 0.762؛ p-value = 0).
Ijgi 09 00204 g005 550
شکل 5. Moran’s I از KDE که پاسخ‌ها را به فاصله در کل منطقه (در سطح شهر) نشان می‌دهد.
Ijgi 09 00204 g006 550
شکل 6. پارامترهای ناهمگونی فضایی که پاسخ به اندازه دانه را نشان می دهد.
Ijgi 09 00204 g007 550
شکل 7. موران I از KDE که پاسخ به اندازه دانه را نشان می دهد.
Ijgi 09 00204 g008 550
شکل 8. موران I از KDE که پاسخ به فاصله (اندازه دانه 150 متر) را نشان می دهد.
Ijgi 09 00204 g009 550
شکل 9. منحنی تابع واریانس KDE برای همه جهات (اندازه دانه 150 متر).
Ijgi 09 00204 g010 550
شکل 10. تجزیه و تحلیل گرادیان شهری-روستایی برآورد تراکم هسته (KDE) شبکه های جاده ای (km/km2 ) . ( الف ) توزیع فضایی KDE در شیب شهری-روستایی، ( ب ) نمودار منحنی KDE در شیب شهری-روستایی. مرکز دایره مرکز منطقه شهری شهر فوژو است. شعاع نشان دهنده فاصله از مرکز شهری است. هر چه شعاع بزرگتر باشد، فاصله بیشتر است (شعاع از 1 تا 20 کیلومتر متغیر است).
Ijgi 09 00204 g011 550
شکل 11. مقایسه تحدید حدود ناحیه شهری با استفاده از تخمین تراکم هسته (KDE) شبکه جاده و با استفاده از شاخص ساخته شده مبتنی بر شاخص (IBI). ( الف ) منطقه شهری مشخص شده توسط KDE، ( ب ) محدوده شهری با IBI مشخص شده، ( ج ) تصویر RGB.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید