استخراج شاخص های کیفیت زندگی شهری با استفاده از سنجش از دور و یادگیری ماشینی: مورد شهر العین، امارات متحده عربی (امارات متحده عربی)


خلاصه

مطالعه کیفیت زندگی شهری (UQoL) برای بسیاری از کاربردها مانند توزیع خدمات، برنامه‌ریزی شهری و تحلیل‌های اجتماعی و اقتصادی بسیار مهم است. هدف از این مطالعه ایجاد نقشه شاخص کیفیت زندگی شهری برای شهر العین در امارات متحده عربی (امارات متحده عربی) است. این تحقیق با اهداف توسعه پایدار سازمان ملل متحد شماره ده (کاهش نابرابری ها) و یازده (شهرها و جوامع پایدار) مطابقت دارد. در این مطالعه، از تصاویر سنجش از دور و مجموعه داده های برداری GIS برای استخراج شاخص های بیوفیزیکی و تسهیلات زیرساختی استفاده شد. شاخص های بیوفیزیکی عبارتند از: شاخص گیاهی تفاوت نرمال شده (NDVI)، شاخص تفاوت نرمال شده آب (NDWI)، شاخص تفاوت نرمال شده آب اصلاح شده (MNDWI)، شاخص گیاهی تنظیم شده خاک (SAVI)، افزایش شاخص سطوح غیرقابل نفوذ نرمال شده (ENDISI)، شاخص ایجاد اختلاف نرمال شده (NDBI)، دمای سطح زمین (LST)، شیب، و پوشش کاربری زمین (LULC). علاوه بر این، شاخص‌های تسهیلات زیربنایی مانند فاصله تا جاده‌های اصلی، پارک‌ها، مدارس و بیمارستان‌ها به‌دست آمد. متغیرهای تسهیلات زیرساختی اضافی یعنی ایجاد شده به سطح سبز و نسبت ایجاد شده به سطح خاک لخت از نقشه LULC استخراج شدند. یادگیری ماشین برای طبقه بندی تصاویر ماهواره ای و تولید نقشه LULC استفاده شد. جنگل تصادفی (RF) به عنوان بهترین طبقه بندی یادگیری ماشین برای این مطالعه پیدا شد. طبقه بندی کلی و دقت کلاه کاپا به ترتیب ۹۵٫۳ و ۰٫۹۲ بود. هر دو شاخص بیوفیزیکی و تسهیلات زیرساختی با استفاده از تجزیه و تحلیل مؤلفه اصلی (PCA) یکپارچه شدند. تجزیه و تحلیل PCA چهار مؤلفه را شناسایی کرد که ۷۵ درصد از واریانس بین شاخص ها را توضیح می دهد. چهار عامل به عنوان اثر LULC، تسهیلات زیرساختی، اکولوژیکی و شیب تفسیر شدند. در نهایت، مولفه‌ها بر اساس درصد واریانسی که توضیح داده‌اند وزن‌هایی تعیین کردند و نقشه UQoL را توسعه دادند. در مجموع، نتایج نشان داد که سبزی تأثیر بیشتری بر الگوی فضایی UQoL در شهر العین دارد. این مطالعه می‌تواند برای سیاست‌گذاران در بخش‌های برنامه‌ریزی شهری و اقتصادی-اجتماعی ارزشمند باشد. نتایج نشان داد که سبزی تأثیر بیشتری بر الگوی فضایی UQoL در شهر العین دارد. این مطالعه می‌تواند برای سیاست‌گذاران در بخش‌های برنامه‌ریزی شهری و اقتصادی-اجتماعی ارزشمند باشد. نتایج نشان داد که سبزی تأثیر بیشتری بر الگوی فضایی UQoL در شهر العین دارد. این مطالعه می‌تواند برای سیاست‌گذاران در بخش‌های برنامه‌ریزی شهری و اقتصادی-اجتماعی ارزشمند باشد.

کلید واژه ها:

کیفیت زندگی شهری ; سبزی ؛ سنجش از دور ؛ یادگیری ماشینی ؛ تجزیه و تحلیل اجزای اصلی (PCA)

۱٫ معرفی

از عصر بخار تا به امروز، شیوه زندگی انسان به طرز چشمگیری تغییر کرده است [ ۱ ]. شاهد این تغییر سریع با رشد مناطق شهری و جمعیت ساکن در شهرها نمایان می شود. بر اساس برآورد سازمان ملل [ ۲ ]، انتظار می‌رود تا سال ۲۰۵۰، ۶۸ درصد از جمعیت جهان در مناطق شهری زندگی کنند. جنبه اجتماعی شامل تراکم ترافیک، شلوغی، نابرابری‌های نژادی و جرم و جنایت است، اما محدود به آن نیست [ ۳ ، ۴ ]]. از سوی دیگر، پیامدهای زیست‌محیطی شهرنشینی شامل آلودگی هوا، آلودگی آب، کاهش منابع، اتلاف و از دست دادن فضای سبز است، اما محدود به آن نمی‌شود [ ۵ ، ۶ ]. در این زمینه، کیفیت زندگی شهری و شهرنشینی پایدار توجه محققان، سیاستمداران و ساکنان را به طور کلی جلب کرده است. علاوه بر این، کیفیت زندگی شهری نیز در اهداف توسعه پایدار سازمان ملل متحد شماره یک (عدم فقر)، دو (گرسنگی صفر)، ده (کاهش نابرابری) و یازده (شهرها و جوامع پایدار) مشخص شده است. با توجه به تمام مواردی که تاکنون ذکر شد، ارزیابی کیفیت زندگی شهری برای تضمین توسعه پایدار در مناطق شهری ضروری است.
طبق تعریف، ارزیابی کیفیت زندگی شهری شامل کمی کردن رابطه بین ویژگی های اجتماعی و شهری یک مکان در مقایسه با کیفیت زندگی درک شده است [ ۷ ]. کیفیت زندگی شهری را می توان با استفاده از جنبه های مختلف مانند برآوردهای کمی، توصیفات کیفی، ادراکات، رفاه ذهنی و ویژگی های چشم انداز توضیح داد [ ۸ ، ۹ ، ۱۰ ]. همچنین کیفیت زندگی شهری نتیجه تعامل عوامل مختلف از جمله محیطی، اجتماعی، اکولوژیکی، فرهنگی و غیره است. با توجه به ماهیت چند بعدی کیفیت زندگی، هیچ تعریف استانداردی برای کیفیت زندگی شهری وجود ندارد [ ۱۱ ، ۱۲ ].]. به طور کلی، محققان معمولاً از دو رویکرد برای ارزیابی کیفیت زندگی شهری استفاده می کنند: رویکرد عینی و ذهنی [ ۱۱ ]. در رویکرد ذهنی ادراک، نگرش و شادی افراد اندازه گیری می شود [ ۱۳ ]. در حالی که در رویکرد عینی کیفیت زندگی شهری با استفاده از شاخص های به دست آمده از مشاهده، سرشماری و تصاویر ماهواره ای ارزیابی می شود [ ۱۴ ]. به عنوان مثال، مطالعه ای که توسط Tuan Seik انجام شده است [ ۱۵] پرسشنامه ای از بیش از ۳۰۰۰ نفر برای برآورد رضایت کلی از زندگی جمع آوری کرد. برخی از جنبه های زندگی اندازه گیری شده عبارتند از: زندگی اجتماعی، زندگی خانوادگی، خدمات عمومی، محیط زیست، مسکن و مراقبت های بهداشتی. از سوی دیگر، کیفیت زندگی را می توان با ارزیابی عوامل محیطی و فیزیکی که می تواند بر معیشت شهرنشینان تأثیر بگذارد، به طور عینی سنجید. به عنوان مثال، عوامل محیطی مانند دما، تراکم ساختمان، سرسبزی، دسترسی به خدمات عمومی و تراکم جمعیت [ ۱۶ ، ۱۷ ].
کیفیت زندگی شهری پیچیده و دارای ابعاد بسیاری است، یک تحلیل پارامتری منفرد ماهیت پیچیده کیفیت زندگی شهری را توصیف نمی کند. بنابراین، ادغام بیش از یک جنبه از کیفیت زندگی شهری مانند محیطی، اکولوژیکی، روانشناختی، سیاسی، اجتماعی-اقتصادی و جمعیتی اجتماعی ضروری است [ ۱۸ ].]. مجموعه‌های میدانی شاخص‌های کیفیت زندگی مانند تراکم ساختمان، فضای سبز، کیفیت هوا، در دسترس بودن آب و دمای سطح در فضا بسیار محدود بوده و یک چالش بوده است. از سوی دیگر، بیشتر داده های اجتماعی-اقتصادی و جمعیت شناختی به طور مستقیم از سایت مشاهده و جمع آوری می شود که هزینه بر و زمان بر است. پیشرفت در سنجش از دور قابلیت استفاده از تصاویر سنجش از دور را برای ارزیابی عینی کیفیت زندگی شهری بهبود بخشیده است. در نتیجه ارزیابی کیفیت زندگی شهری با استفاده از سنجش از دور مورد توجه زیادی قرار گرفته است. دو دلیل اصلی برای آن وجود دارد: (۱) داده های سنجش از دور با وضوح فضایی متوسط ​​در دسترس عموم هستند و (۲) بهبود وضوح تصویر سنجش از دور و سرعت محاسبات. علاوه بر این، کیفیت زندگی شهری دارای ابعاد مختلفی از جمله جنبه های اجتماعی-اقتصادی، فضایی و کالبدی است. از این رو، سنجش از دور برتری را در ارائه اکثر جنبه های کیفیت زندگی شهری با داده های متراکم مکانی فراهم می کند.۸ ]. مجموعه داده های مشتق شده از سنجش از دور عمدتاً به دو شاخص محیطی گروه بندی می شوند: بیوفیزیکی و زیست محیطی. شاخص‌های بیوفیزیکی شامل شاخص پوشش گیاهی نرمال شده (NDVI)، شاخص طبیعی ساخته شده (NDBI)، دمای سطح زمین (LST) و پوشش زمین کاربری (LULC) هستند، در حالی که جنبه اکولوژیکی شامل آئروسل نوری است. عمق [ ۱۹ ، ۲۰ ، ۲۱ ، ۲۲ ]. پردازش بیشتر داده‌های حاصل از سنجش از دور می‌تواند برای استنباط جنبه‌های اجتماعی-اقتصادی زندگی شهری مانند سبز شدن منطقه، تراکم ساختمان و نسبت فضای سبز به ساختمان مورد استفاده قرار گیرد. مطالعه ای توسط نیکول و ونگ [ ۲۲] از سنجش از دور برای تهیه یک نقشه دقیق که کیفیت زندگی شهری در شبه جزیره کولون، هنگ کنگ را نشان می دهد، استفاده کرد. مهمتر از همه، این مطالعه نشان داد که تراکم نسبتاً پوشش گیاهی بیشتر تغییرات کیفیت زندگی شهری را توضیح می دهد. به طور مشابه، مطالعه ای که در تهران انجام شد نشان داد که پارامترهای مشتق از سنجش از دور به اندازه کافی تنوع مکانی و زمانی کیفیت زندگی شهری را به تصویر می کشند [ ۱۱ ]. این یافته مهم است زیرا کیفیت زندگی شهری پیچیده و وابسته به زمان است که نیازمند یک رویکرد کل نگر است. صرف نظر از آب و هوا و وسعت منطقه مورد مطالعه، نیکول و وانگ [ ۲۳] نشان داد که شاخص های مشتق از سنجش از دور ابزاری قابل اعتماد برای اندازه گیری کیفیت زندگی شهری در مناطق گرمسیری است. علاوه بر این، مطالعات قبلی نشان داده است که پوشش کاربری زمین می تواند به طور قابل توجهی بر خدمات اکوسیستم و ثروت خانوار تأثیر بگذارد [ ۲۴ ، ۲۵ ]. در مجموع، این مطالعات نقش حیاتی شاخص‌های مشتق از سنجش از دور را در ارزیابی کیفیت زندگی در محیط شهری ترسیم می‌کنند.
یکی از چالش‌های اصلی، ادغام شاخص‌ها و تولید شاخص کیفیت زندگی شهری است که به راحتی قابل تفسیر باشد و اهمیت نسبی آنها را نشان دهد. شواهد اخیر نشان می دهد که دو رویکرد اصلی برای ادغام شاخص ها وجود دارد: همپوشانی وزنی و تجزیه و تحلیل مؤلفه اصلی (PCA). در پوشش وزنی، به هر پارامتر وزن دلخواه داده می شود سپس شاخص ها برای تولید شاخص کیفیت زندگی [ ۲۶ ] روی هم قرار می گیرند. اشکال اصلی همپوشانی وزنی، تعصب مرتبط با دادن وزن برای هر اندیکاتور است. از سوی دیگر، PCA معیارهای وزن دهی قوی را بر اساس درصد تغییرات توضیح داده شده توسط هر جزء ارائه می کند [ ۷ ، ۸ ، ۲۷ ].
در این پژوهش، ارزیابی عینی کیفیت زندگی شهری از شاخص های به دست آمده از سنجش از دور برای شهر العین انجام شد. رویکرد عینی به این دلیل انتخاب می‌شود که شاخص‌ها به راحتی در دسترس هستند و از نظر مکانی متراکم هستند. علاوه بر این، شاخص‌های کیفیت زندگی به دست آمده از سنجش از دور برآورد رضایت‌بخشی از کیفیت زندگی شهری را ارائه می‌دهند [ ۷ ، ۲۸ ]]. اگرچه کیفیت زندگی شهری در مناطق مختلف اقلیمی مورد مطالعه قرار گرفته است، اما توجه کمی به محیط های شهری در محیط های خشک شده است. علاوه بر این، با پیشرفت محاسبات ابری و الگوریتم‌های مختلف یادگیری ماشین، شاخص‌های کیفیت زندگی شهری برگرفته از ماهواره را می‌توان با دقت زیادی به دست آورد. شاخص های زندگی شهری مانند تراکم ساخت و تخمین منطقه سبز به دقت طبقه بندی تصاویر LULC بستگی دارد. بنابراین، استفاده از مدل هایی با قابلیت طبقه بندی LULC با دقت بالاتر بسیار مهم است. یادگیری ماشینی (ML) یکی از مدل‌هایی است که می‌تواند مجموعه‌های داده‌ای بزرگ، ساختار آنها را برای ارتباط، استخراج آنها برای بینش، و در نهایت ایجاد قابلیت‌های پیش‌بینی/خوشه‌بندی بر اساس مدل‌ها و الگوریتم‌ها [ ۲۹ ] ارائه کند.]. ML کاربردهای گسترده ای مانند در تشخیص متن، تشخیص گفتار و تشخیص تصویر دارد [ ۳۰ ، ۳۱ ]. در این مطالعه از ML برای طبقه‌بندی تصاویر ماهواره‌ای و تهیه نقشه پوشش کاربری اراضی (LULC) استفاده شد. نقشه LULC یکی از مؤلفه هایی بود که برای تعیین کیفیت زندگی شهری ( بخش ۳٫۳ ) و استخراج دو شاخص (نسبت سبز به ساخت و نسبت ساختمان به خاک لخت) استفاده شد. علاوه بر این، داده‌های LULC با شاخص‌های کیفیت زندگی شهری همبستگی داشتند. بنابراین، نقشه LULC یک جزء حیاتی در تعیین کیفیت زندگی شهری در نظر گرفته می‌شود و استفاده از الگوریتم یادگیری ماشین دقت طبقه‌بندی را افزایش می‌دهد.
دو نوع روش طبقه بندی تصاویر ماهواره ای وجود دارد: (الف) تجزیه و تحلیل تصویر مبتنی بر پیکسل سنتی و (ب) تجزیه و تحلیل تصویر مبتنی بر شی (OBIA). طبقه بندی OBIA بر روی تجزیه و تحلیل تصویر مبتنی بر پیکسل همتای خود در جنبه های زیر برتری دارد: بر روی پیکسل های مشابه تولید شده توسط تقسیم بندی تصویر عمل می کند و لایه های بیشتری را می توان برای استفاده در طبقه بندی اضافه کرد. شی از گروهی از پیکسل ها تشکیل شده است که بافت و شکل مشابهی دارند. از این رو، آمار شی را می توان محاسبه کرد و برای تمایز طبقات پوشش زمین با امضای طیفی مشابه استفاده کرد [ ۳۲ ]. در همین راستا، مطالعه تطبیقی ​​Meneguzzo و همکاران [ ۳۳ ] بین OBIA و طبقه‌بندی تصویر مبتنی بر پیکسل نشان داد که طبقه‌بندی مبتنی بر OBIA نتایج دقت بهتری دارد.۳۲ ، ۳۴ ، ۳۵ ]. به عنوان مثال، نصیر و همکاران. [ ۳۶ ] از تجزیه و تحلیل تصویر مبتنی بر شی برای طبقه بندی LULC و تشخیص تغییر استفاده کرد. این تحقیق نشان داد که OBIA پتانسیل بیشتری در طبقه بندی تصاویر به دست آمده از حسگرها و وضوح متفاوت دارد. بنابراین، برای پیاده سازی طبقه بندی LULC، طبقه بندی نظارت شده مبتنی بر OBIA انتخاب شد.
علاوه بر این، بسیاری از الگوریتم‌های ML (طبقه‌بندی‌کننده) مانند حداقل فاصله، جنگل تصادفی (RF) و ماشین‌های بردار پشتیبانی (SVM) وجود دارد. کاربرد هر الگوریتم به عوامل زیادی مانند داده های مورد مطالعه، ویژگی های مکانی و زمانی بستگی دارد. از این رو، لازم است طبقه‌بندی‌کننده‌ای را انتخاب کنید که با هدف تحلیل مناسب باشد. از طبقه‌بندی‌کننده جنگل تصادفی (RF) استفاده شد زیرا مطالعات قبلی اثربخشی آن را در مقایسه با حداقل فاصله و ماشین‌های بردار پشتیبان (SVM) نشان داده‌اند. برای مثال توکار و همکاران. [ ۳۷] از طبقه بندی RF برای طبقه بندی تصاویر Landsat 8 استفاده کرد و دقت طبقه بندی ۸۰% را با سرعت معقول به دست آورد. علاوه بر این، استفاده از RF و SVM برای مجموعه داده‌های چندگانه یکسان نشان داد که به طور کلی، طبقه‌بندی RF دقت بالاتری نسبت به الگوریتم SVM دارد [ ۳۸ ].
هدف خاص این مطالعه بررسی کیفیت زندگی شهری (UQoL) برای شهر العین از پارامترهای به دست آمده از تصاویر سنجش از دور و سیستم اطلاعات جغرافیایی (GIS) بود. این مطالعه از رویکرد استقرایی استفاده کرد که در آن کیفیت عمومی زندگی در شهر بر اساس شاخص‌های خاصی مانند کاربری زمین، امکانات زیرساختی، دمای سطح زمین، شاخص آئروسل، NDVI و غیره تعیین می‌شود [ ۱۱ ].]. نویسندگان خود را با داده‌ها آشنا کردند، آن‌ها را کدگذاری کردند، با استفاده از طبقه‌بندی مضامین تولید کردند، نام‌هایی را به کلاس‌ها اختصاص دادند و کلاس‌ها را تفسیر کردند (تحلیل موضوعی). برای افزایش کیفیت شاخص‌های حاصل از سنجش از دور، طبقه‌بندی تصویر مبتنی بر شی با استفاده از طبقه‌بندی‌کننده جنگل تصادفی (RF) اجرا شد. الگوریتم RF یک رویکرد یادگیری مجموعه ای است که در آن طبقه بندی کننده از گروهی از درختان تصمیم ساخته شده و هر درخت از مجموعه آموزشی تولید می شود. الگوریتم RF ناپارامتریک است و برای تنظیم مدل به دو پارامتر نیاز دارد [ ۳۹ ]. علاوه بر این، تصمیم‌گیری RF برای درک ساده است و الگوریتم برای نویز و موارد پرت قوی است [ ۴۰]. علاوه بر این، مطالعه حاضر داده‌های به دست آمده از ماهواره‌های مختلف را که شامل متغیرهای بیوفیزیکی، زیست‌محیطی و تأسیسات زیرساختی برای ساخت یک مدل کیفیت زندگی است، ادغام می‌کند. انتظار می رود نتایج از تلاش های پایداری شهری حمایت کند و تصمیمات آگاهانه تری را برای سیاست گذاران فراهم کند.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

شهر العین در ۲۴°۰۳′~۲۴°۲۲′ شمالی و ۵۵°۲۸′~۵۵°۵۳′ شرقی واقع شده است و مساحت کل ۷۶۵ کیلومتر مربع (کیلومتر مربع ) و با میانگین ارتفاع حدود ۲۷۰ متر بالاتر از میانگین قرار دارد. سطح دریا. این شهر در منطقه شرقی امارات متحده عربی (امارات متحده عربی) واقع شده است و چهارمین شهر بزرگ و سریع‌الرشد در امارات است ( شکل ۱ ). جمعیت کل منطقه العین ۷۷۰۰۰۰ نفر و جمعیت شهر العین ۲۸۴۷۳۰ نفر است [ ۴۱ ]. این شهر دارای آب و هوای گرم بیابانی با میانگین دمای سالانه و بارندگی به ترتیب ۳۶٫۵ درجه سانتی گراد و ۹۶٫۴ میلی متر است [ ۴۲ ، ۴۳ ]. وجود یک واحه و آب و هوای کم رطوبت آن را به مقصدی محبوب برای گردشگران داخلی و بین المللی تبدیل کرده است [ ۴۴ ]].

۲٫۲٫ مجموعه داده ها و استخراج متغیرهای محیطی

پژوهش حاضر از داده‌های منابع مختلف استفاده کرد: (۱) تصاویر ماهواره‌ای Sentinel 2A و Sentinel 5P از ​​آگوست ۲۰۲۱، به‌دست‌آمده از آژانس فضایی اروپا (ESA) از طریق GEE (Google Earth Engine). (۲) تصاویر ماهواره ای Landsat TM از آگوست ۲۰۲۱، به دست آمده از سازمان زمین شناسی ایالات متحده (USGS) از طریق GEE؛ (۳) ماموریت توپوگرافی رادار شاتل (SRTM) ارتفاع دیجیتال از USGS. (۴) نقشه های برداری GIS از العین (بیمارستان ها، مدارس، پارک ها و جاده ها) به دست آمده از اداره برنامه ریزی شهر العین.
در مجموع از ۱۵ شاخص کیفیت زندگی شهری از منابع ذکر شده در بالا برای تخمین UQoL استفاده شده است ( جدول ۱ ، شکل A2 ). شاخص‌ها به سه دسته دسته‌بندی می‌شوند: شاخص‌های بیوفیزیکی، اکولوژیکی و امکانات زیرساختی ( شکل ۲ ). پارامتر بیوفیزیکی مشتق شده از Sentinel 2A دارای وضوح فضایی ۱۰ متر است، در حالی که مجموعه داده های مشتق شده از Landsat TM و SRTM دارای وضوح فضایی ۳۰ متر هستند. شاخص آئروسل مشتق شده از Sentinel 5P دارای وضوح مکانی ۳٫۵ × ۵٫۵ کیلومتر بود و به وضوح فضایی ۱۰ متر نمونه‌برداری شد.
دمای سطح زمین اطلاعاتی در مورد حساس بودن منطقه به جزیره گرمایی شهری ارائه می دهد. دما یک شاخص مفید است که درجه راحتی و قابلیت زندگی را نشان می دهد. شاخص ایجاد اختلاف نرمال شده برای ترسیم مناطق و ساختمان‌های غیرقابل نفوذ استفاده شد و بر تغییرات دمای سطح زمین تأثیر دارد. در حالی که شاخص تفاوت نرمال شده پوشش گیاهی، مناطق سبز داخل شهر را نقشه می‌کشد. مناطق سبز با کیفیت زندگی رابطه مثبت دارند [ ۴۵]. شاخص تفاوت نرمال شده آب نشان دهنده وجود آب در سطح است که به طور مثبت به کیفیت درک شده زندگی کمک می کند. شاخص پوشش گیاهی تنظیم شده با خاک مشابه NDVI است و برای تصحیح تأثیر روشنایی خاک در جایی که پوشش گیاهی کم است تنظیم می شود. شاخص غیرقابل نفوذ نرمال شده افزایش یافته نسبت به NDBI در تفکیک پذیری سطوح غیر قابل نفوذ برتری دارد [ ۴۶]. برای استخراج اطلاعات مربوط به کیفیت هوای شهر از شاخص اکولوژیکی آئروسل استفاده شد. علاوه بر این، نقشه LULC برای به دست آوردن مناطق سبز، منطقه خاکی بی آب و مناطق ایجاد شد. شاخص های تاسیسات زیربنایی شامل شبکه راه، موقعیت پارک، مکان مدرسه و مکان بیمارستان در فایل برداری به دست آمد. فاصله تا نزدیکترین شاخص تاسیسات زیرساخت با اندازه‌گیری کوتاه‌ترین فاصله بین آنها با استفاده از فاصله تا نقطه و تابع تحلیل شبکه در QGIS محاسبه شد. علاوه بر این، سایر متغیرهای غیرمستقیم تسهیلات زیرساختی مانند مساحت ساخته شده تا سبز و مساحت ساخته شده تا زمین خالی از LULC استخراج شدند ( جدول ۱ ).

۲٫۳٫ طبقه بندی پوشش زمین کاربری با استفاده از الگوریتم یادگیری ماشینی

نقشه پوشش کاربری اراضی (LULC) با استفاده از طبقه بندی تصاویر نظارت شده تهیه شد. مراحل دنبال شده شامل جمع آوری داده های ورودی، پیش پردازش، طبقه بندی و ارزیابی دقت است.
در جمع‌آوری داده‌های ورودی، یک تصویر Sentinel-2A بدون ابر به همراه لایه‌های پشتیبان مدل ارتفاعی دیجیتال (DEM) و NDVI استفاده شد. در پیش پردازش، یک مجموعه داده آموزشی و آزمایشی آماده شد تا به الگوریتم اجازه دهد تا دقت طبقه بندی را یاد بگیرد و اعتبار سنجی کند. نسبت بین مجموعه داده آموزش و آزمایش بر روی ۷۰:۳۰ تنظیم شد، سپس ارزیابی دقت به عنوان یک ماتریس سردرگمی ارائه شد. دقت طبقه‌بندی با ۷۰۰ نمونه تصادفی تصادفی زمینی بررسی شد و یک ماتریس سردرگمی ایجاد شد.
طبقه بندی OBIA در سه مرحله پردازش انجام شد: تقسیم بندی، ایجاد کلاس و طبقه بندی [ ۵۴ ]. اولین مرحله تقسیم بندی تصویر و انتخاب پارامترهای بهینه برای تقسیم بندی است. مطالعه ای که توسط هوانگ و همکاران انجام شد. [ ۲۱ ] پارامتر تقسیم بندی را به صورت: مقیاس (۲۰)، ضریب شکل (۰٫۳۰) و فشردگی (۰٫۵) تنظیم کنید. با این حال، تنظیم پارامترها راه حل منحصر به فردی ندارد و به عوامل زیادی مانند ویژگی های تصویر، اندازه مجموعه داده ها و وضوح تصویر بستگی دارد [ ۵۵ ]]. پس از یک سری آزمون و خطا، پارامترهای تقسیم بندی برای این مطالعه به شرح زیر تنظیم شد: مقیاس (۵۰)، ضریب شکل (۰٫۲۵) و فشردگی (۰٫۵). تعداد طبقات مورد استفاده برای طبقه‌بندی چهار طبقه (ساخت‌شده، خاک بایر، منطقه سبز و ارتفاعات) است. مرحله آخر طبقه بندی است که با استفاده از طبقه بندی کننده RF انجام شد. در نهایت، ارزیابی دقت به عنوان یک ماتریس سردرگمی برای تایید نتیجه طبقه‌بندی ارائه شد. پس از تهیه LULC، داده‌های مربوط به متغیرهایی مانند نسبت ساخته‌شده به مساحت سبز و ساخته‌شده به زمین بایر استخراج شد.

۲٫۴٫ ادغام داده های تاسیسات محیطی و زیرساختی

اولین گام در ادغام شاخص های کیفیت زندگی شهری، یکسان سازی تمام داده ها در اندازه سلول شبکه مشترک است. هیچ اتفاق نظری در مورد وضوح اندازه شبکه وجود ندارد. به عنوان مثال Sapena و همکاران. [ ۵۶ ] از شبکه ای با وضوح ۶۴ × ۶۴ متر استفاده کردند در حالی که فیصل و شاکر [ ۵۷ ]] از تقسیمات اداری استفاده کرد. عوامل زیادی بر انتخاب رزولوشن تأثیر می‌گذارند، مانند هدف مطالعه، اندازه منطقه مورد مطالعه و سرعت پردازش رایانه. در این تحقیق بر اساس فاکتورهای ذکر شده، تفکیک پذیری ۲۰۰ × ۲۰۰ متر به عنوان رزولوشن بهینه یافت شد. بنابراین، شاخص‌های تسهیلات محیطی و زیرساختی از سلول‌های شبکه با تفکیک فضایی ۲۰۰ متر استخراج شد. پس از استخراج، مقادیر هر پارامتر با استفاده از Z-score توسط کتابخانه استاندارد Scaler در برنامه نویسی پایتون به صورت زیر نرمال سازی شد:

ز=(ایکس-تو)�

جایی که زامتیاز Z است، ایکسمقدار مشاهده شده است، تومیانگین نمونه است و σ انحراف معیار نمونه است.

پس از نرمال سازی ارزش، تمام شاخص ها با استفاده از تجزیه و تحلیل مؤلفه اصلی (PCA) خلاصه شدند. تجزیه و تحلیل مؤلفه اصلی (PCA) توسط بسیاری از محققان برای تجزیه و تحلیل UQoL استفاده شده است و همچنین در این مطالعه مورد استفاده قرار گرفت [ ۸ ، ۲۸ ، ۵۷ ]. PCA برای حفظ شاخص هایی مفید است که بیشتر تنوع را در بین متغیرهای در نظر گرفته شده توضیح می دهد. PCA با استفاده از نرم افزار SPSS v.22 محاسبه شد و تناسب اجزا برای محاسبات بیشتر با استفاده از Kaiser-Meyer-Olkin (KMO) و آزمون معنی داری آن مورد بررسی قرار گرفت. اجزای اولیه PCA با استفاده از روش Varimax چرخانده شدند تا تفسیر فاکتورهای استخراج‌شده را ساده‌سازی کنند و مؤلفه‌هایی با مقدار ویژه آستانه بزرگ‌تر از ۱ برای تجزیه و تحلیل UQoL حفظ شدند.۵۸ ].

۲٫۵٫ شاخص کیفیت زندگی شهری و رویه اعتبار سنجی

شاخص کیفیت زندگی شهری با استفاده از روش ارائه شده توسط [ ۴۵ ] محاسبه شد.

UQoL=∑۱�افمندبلیومن

جایی که �تعداد عوامل انتخاب شده است، افمنعامل مننمره، دبلیومندرصد فاکتور واریانس i . پس از محاسبه شاخص UQoL برای هر شبکه، با استفاده از مقیاس‌کننده MinMax در برنامه‌نویسی پایتون، مقدار بین ۰ و ۱ نرمال شد. نرمال سازی داده ها نتیجه را برای تفسیرپذیری بهتر ساده می کند و نقشه ای را ایجاد می کند که الگوی فضایی UQoL را نشان می دهد. UQoL نرمال شده بیشتر به پنج کلاس زیر [ ۵۹ ] طبقه بندی شد: بسیار ضعیف (۰٫۰۰ تا ۰٫۲۰)، ضعیف (۰٫۲۱ تا ۰٫۴۰)، متوسط ​​(۰٫۴۱ تا ۰٫۶۰)، خوب (۰٫۶۱ تا ۰٫۸۰)، و بسیار خوب (۰٫۸۱ تا ۱٫۰۰). UQoL طبقه بندی شده با استفاده از QGIS نقشه برداری شد تا الگوی فضایی کیفیت زندگی شهری را به تصویر بکشد.

اثربخشی مدل UQoL با استفاده از تحلیل رگرسیون شاخص نماینده از مؤلفه ها تأیید شد. شاخص های اصلی با بیشترین بارگذاری به عنوان متغیر مستقل و امتیاز مؤلفه مربوطه به عنوان متغیر وابسته. شاخص‌هایی که بیشترین بارگذاری را داشتند، انتخاب شدند زیرا آن‌ها بیشترین تأثیر را در مؤلفه دارند که توسط لیانگ و ونگ [ ۸ ] پیشنهاد شده‌اند. دقت شاخص UQoL به عوامل زیادی مانند دقت طبقه بندی سنجش از دور و صحت داده های GIS بستگی دارد. دقت طبقه بندی در ماتریس سردرگمی گزارش شده است ( جدول ۲) و پایگاه داده GIS برای چند ضلعی های overshoot، undershoot و sliver بررسی شد. نمونه‌ای از تصاویر ماهواره‌ای از هر کلاس UQoL (بسیار ضعیف، ضعیف، متوسط، خوب و بسیار خوب) از Google Earth استخراج و به صورت بصری بررسی شد تا مطابقت آنها با نقشه UQoL تأیید شود.

۳٫ نتایج

۳٫۱٫ طبقه بندی پوشش زمین کاربری

LULC برای شهر العین شامل چهار دسته اصلی است: ساخته شده، خاک خالی، منطقه سبز و ارتفاعات ( شکل ۳ ). دقت کلی و کلاه کاپا طبقه بندی به ترتیب ۹۵٫۳% و ۰٫۹۲ بود ( جدول ۲).). نقشه LULC نشان می دهد که اکثر مناطق ساخته شده در مرکز و جنوب شرقی شهر متمرکز شده اند. از سوی دیگر، حومه شهر را خاک برهنه احاطه کرده است. مناطق سرسبز در سطح شهر پراکنده است و خوشه هایی از مناطق سبز در نوک قسمت شمالی شهر وجود دارد که مربوط به زمین های کشاورزی است. ارتفاعات بر اساس ارتفاع طبقه بندی شده و عمدتاً در قسمت جنوبی شهر قرار گرفته است. از نقشه LULC اطلاعاتی در مورد نسبت ساخته شده به سطح سبز، نسبت ساخته شده به خاک لخت و مساحت هر پوشش زمین استخراج شد. مساحت شهر عمدتاً توسط خاک برهنه (۵۷٪) و پس از آن ساخته شده (۲۷٪) و منطقه سبز (۱۱٪) پوشیده شده است.

۳٫۲٫ تحلیل آماری

آمار توصیفی (میانگین، std، min و max) متغیرهای بیوفیزیکی و امکانات زیرساختی در جدول ۳ ارائه شده است. نسبتاً تنوع AI (0.08 ± ۰٫۱۳)، SAVI (0.07 ± ۰٫۰۹)، NDWI (0.09 ± ۰٫۰۵-)، ENDISI (0.11 ± ۰٫۱۳)، شیب (۴٫۹۵ ± ۵٫۴۸ ± ۴٫۹۵ ± ۴٫۹۵ ± ۰٫۴۸ درجه سانتی گراد) و LST 1 (4.3 ± ۰٫۰۵) درجه سانتی گراد) شاخص در بین پارامترهای بیوفیزیکی بالاتر است. در مقابل، فاصله تا مدرسه (۳۱۶۷ ± ۴۰۸۰ متر) و فاصله تا بیمارستان (۴۵۶۱ ± ۸۳۲۵ متر) بیشترین تنوع را در بین متغیرهای تسهیلات زیرساختی دارند. دلیل آن را می‌توان تا حدودی با خوشه‌بندی مدارس و بیمارستان‌ها در ضلع شرقی و جنوبی شهر توضیح داد.
قبل از اجرای تجزیه و تحلیل PCA، همه شاخص ها تحت آنالیز همبستگی پیرسون قرار گرفتند. همبستگی برای تحلیل چند متغیره ضروری است و یک رابطه کلی بین متغیرها فراهم می کند. از آنجایی که متغیرهای در نظر گرفته شده بسیار زیاد هستند، در اینجا فقط متغیرهای مهم ارائه می شوند. تجزیه و تحلیل کامل همبستگی پیرسون در پیوست ارائه شده است : شکل A1 .
جدول ۴ رابطه بین شاخص های کیفیت زندگی و مساحت اشغال شده توسط هر کلاس LULC را نشان می دهد. به طور کلی، همبستگی برای اکثر پارامترها کم تا متوسط ​​است. با این حال، LST رابطه مثبت قوی با سطح خاک لخت، در حالی که رابطه منفی قوی با مناطق ساخته شده دارد. از آنجایی که شهر در بیابان واقع شده است، انتظار می رود دمای سطح در خاک برهنه نسبت به مناطق ساخته شده بالا باشد ( شکل ۴ ). بنابراین، LST می تواند متغیر مفیدی برای این مطالعه باشد. NDVI، SAVI، NDBI، و ENDISI رابطه قوی با مناطق ساخته شده و سبز دارند. شاخص گیاهی تفاوت نرمال شده ( شکل ۴) و SAVI یک رابطه بسیار قوی (r = 0.84) با مساحت سبز و رابطه منفی (r = -0.09، r = -0.12) با مساحت ساخته شده نشان دادند. از سوی دیگر، NDBI و ENDISI رابطه منفی قوی (r = -0.73، r = -0.77) با سطح سبز نشان دادند. از این رو، هر دو شاخص می توانند متغیر ارزشمندی برای مطالعه کیفیت زندگی العین باشند.
تجزیه و تحلیل مؤلفه های اصلی برای کاهش ابعاد و به دست آوردن متغیرهای معناداری که اکثر واریانس در مجموعه داده را توضیح می دهد، انجام شد. نتایج تجزیه و تحلیل مؤلفه های اصلی با مقادیر ویژه اولیه و پس از چرخش Varimax در جدول ۵ نشان داده شده است.. بر اساس مقدار ویژه آستانه بزرگتر از ۱، چهار مؤلفه انتخاب شد و همه با هم ۷۵٫۳ درصد از تغییرپذیری شاخص‌های ورودی را توضیح می‌دهند. به طور کلی، مؤلفه اصلی ۱ (PC1) با ۲۶٫۲۶ درصد از کل واریانس، بیشترین درصد واریانس داده ها را نشان می دهد. جزء دوم (PC2) 22.03٪، جزء سوم (PC3) 17.11٪، و جزء چهارم (PC4) 9.90٪. از این رو، PC1 بیشتر شاخص های بیوفیزیکی از جمله SAVI، NDWI، NDVI، NDBI و ENDISI را نشان می دهد. عامل دوم عمدتاً به پارامترهای تسهیلات زیرساختی از جمله فاصله تا مدارس، جاده ها، پارک ها و بیمارستان ها مربوط می شود. PC3 و PC4 به ترتیب نشان دهنده شاخص زیست محیطی و شیب هستند. بارگذاری مولفه یک پارامتر مهم برای تعیین مقدار و جهت رابطه بین متغیرها است. PC1 دارای بار منفی قوی با سه شاخص بیوفیزیکی است: SAVI (963/0-)، NDWI (764/0-) و NDVI (969/0-). در مقابل، PC1 دارای بار مثبت قوی با دو عامل NDBI (0.699) و ENDISI (0.828) است. این عامل تأثیر سوء استفاده از زمین را برجسته می کند. بنابراین، هر چه امتیاز این مؤلفه بالاتر باشد، کیفیت زندگی شهری پایین‌تر است.۵۹ ].
PC2 دارای بار مثبت قوی با تمام شاخص‌های تسهیلات زیرساختی است: فاصله تا مدرسه (۹۲/۰)، فاصله تا جاده‌های اصلی (۸۶/۰)، فاصله تا پارک‌ها (۸۹۲/۰) و فاصله تا بیمارستان‌ها (۷۵۳/۰). مسلماً این عامل به شدت با خدمات عمومی و عدالت اجتماعی مرتبط است. هر چه امتیاز این مؤلفه بیشتر باشد، کیفیت زندگی شهری پایین تر است. PC3 دارای بارگذاری مثبت قوی با AI (0.838) و MNDWI (0.78) و بار منفی قوی با LST (-0.783) است. این مولفه با استرس اکولوژیکی مرتبط است. از آنجایی که شیب بیشتر مانع از خدمات رسانی به کالاها و امکانات می شود، PC4 به دسترسی به منطقه اهمیت می دهد. این جزء دارای بار مثبت قوی با شیب (۰٫۸۶۲) است. هر چه امتیاز این مؤلفه بالاتر باشد، دسترسی به منطقه کمتر است.
امتیازات هر جزء با توزیع فضایی آن در شکل ۵ نشان داده شده است. همانطور که در شکل ۵ الف نشان داده شده است، اکثر مناطق با بالاترین امتیاز مولفه ۱ (۰٫۵-۵٫۲) که مربوط به اثر کاربری زمین است، در حومه شهر هستند. به طور مشابه، بیشترین مقدار در قسمت مرکزی مربوط به مناطق ساخته شده است. در مقابل کمترین مقدار این مولفه در بخش مرکزی و شمالی شهر است. امتیاز جزء ۲ که نشان دهنده شاخص های تسهیلات زیرساختی است در شکل ۵ نشان داده شده استب- شکل به وضوح نشان می دهد که دسترسی به خدمات عمومی در بخش مرکزی شهر نسبت به حاشیه بهتر است. این نتیجه ممکن است با این واقعیت توضیح داده شود که بخش مرکزی در مجاورت خدمات عمومی مانند جاده اصلی، مدارس، بیمارستان ها و پارک ها قرار دارد. الگوی نمرات مؤلفه برای شاخص های اکولوژیکی کمی متفاوت از سایر مؤلفه ها است ( شکل ۵ ج). از نظر اکولوژیکی بهترین محیط در قسمت جنوبی شهر است که NDWI بالا و LST پایین است. LST کم است زیرا منطقه نسبتاً در ارتفاع بالاتری قرار دارد، جایی که بلندترین کوه حفیت در آن قرار دارد.شکل ۵D امتیاز مؤلفه برای دسترسی در شهر را نشان می دهد. به طور کلی، بیشتر شهر دارای امتیاز یکنواخت (-۰٫۴۷ تا ۰٫۷) به جز در بخش جنوبی است. اگرچه قسمت جنوبی آن کوهستانی با LST کمتر و NDWI زیاد است که برای کیفیت زندگی در محیط بیابانی ایده آل است، اما به دلیل شیب بیشتر، دسترسی به تسهیلات کم است. بر این اساس، امتیاز مولفه دسترسی بسیار پایین است (-۱٫۸۶ تا -۸٫۱۵) برای بخش جنوبی شهر.

۳٫۳٫ شاخص کیفیت زندگی شهری (UQoL)

امتیاز چهار جزء محاسبه شده در بخش ۳٫۲ جنبه های مختلف کیفیت زندگی شهری را نشان می دهد. اینها تأثیر کاربری زمین و سرسبزی، تسهیلات زیربنایی، اکولوژیکی و دسترسی (شیب) هستند. بنابراین، هر چهار مؤلفه برای ایجاد نقشه UQoL برای شهر العین ترکیب شدند ( شکل ۵ ). از آنجایی که افزایش مؤلفه‌های ۱، ۲ و ۴ با کیفیت پایین زندگی مرتبط است، نمرات با ضرب در ۱- معکوس شدند. علاوه بر این، نسبت واریانس مؤلفه به عنوان معیار وزن دهی برای هر مؤلفه استفاده شد [ ۲۸ ]. در نهایت، UQoL به شرح زیر تهیه شد [ ۸ ]:

UQoL=((-34.88×سی�مترپ��ه�تی ۱)+(-۲۹٫۲۰×سی�مترپ��ه�تی ۲)+(۲۲٫۷۲×سی�مترپ��ه�تی ۳)+(-۱۳٫۱۱×سی�مترپ��ه�تی ۴))
الگوی فضایی UQoL برای شهر العین در شکل ۶ نشان داده شده است . به طور کلی، UQoL شهر العین خوب است. از آنجایی که شهر در بیابان واقع شده است، منطقه خالی از سکنه شهر دارای UQoL ضعیف تا بسیار ضعیف است. در مقابل، مسکونی ترین منطقه در بخش مرکزی دارای UQoL متوسط ​​تا بسیار خوب است. علت آن است که سکونت انسان در منطقه با فعالیت سرسبزی و نخل‌کاری همراه است. علاوه بر این، دسترسی به خدمات عمومی و شبکه جاده در بخش مرکزی بهتر است. با این حال، حتی در بخش مرکزی شهر، مناطقی با UQoL متوسط ​​تا ضعیف وجود دارد.
تحلیل رگرسیون پرکاربردترین روش اعتبارسنجی برای نقشه شاخص UQoL است. در این مطالعه، تحلیل رگرسیون سه مؤلفه اصلی و بازرسی بصری کلاس نمونه بر روی تصویر ماهواره‌ای Google Earth برای اعتبارسنجی نتیجه انجام شد. متغیرهای محیطی انتخاب شده برای تحلیل رگرسیون، آنهایی هستند که بیشترین بارگذاری و تنوع را در منطقه مورد مطالعه دارند. در بافت شهر العین، PC1، PC2، و PC3 در سراسر منطقه مورد مطالعه متفاوت است. از سوی دیگر، PC4 در سراسر شهر ثابت است به جز قسمت جنوبی که ارتفاعات در آن قرار دارد ( شکل A2 I). بنابراین، PC1، PC2، و PC3 برای اعتبارسنجی نقشه شاخص UQoL انتخاب شدند. از PC1، PC2 و PC3 به ترتیب متغیرهای وابسته NDVI، فاصله تا مدارس و هوش مصنوعی انتخاب شدند. به طور کلی، R2 بیشتر از ۷۴ درصد است که نشان می دهد مدل اکثر واریانس UQoL را توضیح داده است ( جدول ۶). علاوه بر این، بازرسی بصری نقشه شاخص UQoL با تصاویر Google Earth نشان می‌دهد که این مدل در تشریح تغییرات فضایی کیفیت زندگی به خوبی عمل کرده است. پارامترهای زیادی وجود دارد که می تواند بر تغییرپذیری درون شهر تأثیر بگذارد. با این حال، ضریب سبزی بیشترین تأثیر را دارد و مناطقی که مناطق سبز بیشتری دارند، شاخص UQoL بهتری دارند. به عنوان مثال حاشیه شهر دارای کمترین شاخص و تقریباً بدون پوشش گیاهی (ضعیف تا بسیار ضعیف) است. از سوی دیگر، مناطق با شاخص متوسط ​​دارای پوشش گیاهی کم و دسترسی متوسط ​​به شبکه های راه های اصلی و خدمات عمومی هستند. در مقابل، مناطق شاخص خوب تا خیلی خوب در کمترین فاصله تا خدمات عمومی قرار دارند و منطقه دارای پوشش گیاهی متراکم است ( شکل ۷ ).
نتیجه به دست آمده قابل تعمیم نیست زیرا در بسیاری از شهرهای جهان برخی افراد پردرآمد در حاشیه شهرها زندگی می کنند و این شاخص می تواند خوب باشد. علاوه بر این، شهر العین توسط بیابان احاطه شده است (محله خالی) در حالی که سایر شهرها ممکن است توسط مزارع (سرسبزی) احاطه شده باشند و حاشیه شهر ممکن است شاخص UQoL بهتری داشته باشد. سهم این مطالعه در ایجاد روشی است که از تصاویر ماهواره‌ای رایگان در دسترس همراه با یادگیری ماشینی و تجزیه و تحلیل آماری برای استخراج شاخص‌های کیفیت زندگی و ایجاد روابط تجربی استفاده می‌کند. این رویکرد می‌تواند توسط سایر محققان به‌ویژه در زمینه‌هایی که اطلاعات اجتماعی-اقتصادی مانند درآمد، آموزش و سلامت وجود ندارد، مورد استفاده قرار گیرد. در استفاده از داده های مشتق شده سنجش از دور محدودیت هایی وجود دارد. این شامل خطاهای رادیومتری و هندسی به ارث رسیده در تصاویر ماهواره ای، وضوح پایین تصاویر ماهواره ای، خطاهای مربوط به الگوریتم ها (معادلات) مورد استفاده در طبقه بندی تصاویر، محاسبه شاخص ها و تعمیم کلاس های LULC است. دقت موقعیتی بافرهای تاثیر داده برداری در اطراف بیمارستان ها، پارک ها، جاده ها و مدارس. بنابراین، نتیجه به‌دست‌آمده یک راهنمای کلی در مورد کیفیت زندگی شهری ارائه می‌کند. داده های اجتماعی-اقتصادی اضافی مانند داده های درآمد و اشتغال (برای نویسندگان در دسترس نیست) می تواند نتیجه را بهبود بخشد. جاده ها و مدارس بنابراین، نتیجه به‌دست‌آمده یک راهنمای کلی در مورد کیفیت زندگی شهری ارائه می‌کند. داده های اجتماعی-اقتصادی اضافی مانند داده های درآمد و اشتغال (برای نویسندگان در دسترس نیست) می تواند نتیجه را بهبود بخشد. جاده ها و مدارس بنابراین، نتیجه به‌دست‌آمده یک راهنمای کلی در مورد کیفیت زندگی شهری ارائه می‌کند. داده های اجتماعی-اقتصادی اضافی مانند داده های درآمد و اشتغال (برای نویسندگان در دسترس نیست) می تواند نتیجه را بهبود بخشد.

۴٫ بحث

مطالعه UQoL انجام شده در شهر العین ارتباط بین ساختار شهری، عوامل محیطی و ابعاد کیفیت زندگی را نشان می دهد. تجزیه و تحلیل مؤلفه های اصلی همه متغیرهای مورد استفاده در مطالعه، چهار مؤلفه را نشان می دهد که ۷۵٫۳ درصد از تغییرپذیری در UQoL را توضیح می دهد. PC1 (شاخص‌های بیوفیزیکی) دارای بار منفی قوی با SAVI (963/0-)، NDWI (764/0-) و NDVI (969/0-) است. این متغیرها نشان دهنده سرسبزی شهری و در دسترس بودن آب است. سبزی و در دسترس بودن آب، خدمات مختلف اکوسیستم را ارائه می دهد که به طور غیرمستقیم رفاه انسان را بهبود می بخشد. یک ارزیابی ذهنی از کیفیت زندگی از یک کلان شهر بیابانی ساحلی در عربستان سعودی نشان داد که فضاهای سبز شهری تأثیر مثبتی بر رفاه ساکنان شهری دارند [ ۶۰ ]]. فواید آن شادابی ذهنی، فعالیت بدنی، تعامل با فرزندان و خویشاوندان و تجربه زیبایی طبیعت است.
در مقابل، PC1 دارای بار مثبت قوی با دو عامل است: NDBI (0.699) و ENDISI (0.828). این عامل تأثیر سوء استفاده از زمین را برجسته می کند. از این رو، هر چه امتیاز این مؤلفه بالاتر باشد، کمترین کیفیت زندگی شهری را نشان می دهد [ ۵۹ ]. از سوی دیگر، PC2 (شاخص تسهیلات زیربنایی) دارای بار مثبت قوی با ساختار شهری (فاصله تا مدارس، جاده‌ها، پارک‌ها و بیمارستان‌ها) است که نشان‌دهنده اهمیت زیرساخت در UQoL است [ ۲۰ ]]. PC3 (شاخص زیست محیطی) دارای بار مثبت قوی با AI و MNDWI است، در حالی که بارگذاری منفی با LST. این مؤلفه نشان‌دهنده تأثیر شاخص‌های اکولوژیکی است و در بافت مناطق شهری در محیط‌های بیابانی اهمیت زیادی دارد. کیفیت زندگی در محیط بیابانی متاثر از وقوع طوفان های گرد و غبار، جزایر گرمایی و کمبود آب است که گاهی از آنها به عنوان عوامل محیطی یاد می شود [ ۶۱ ]. PC4 دارای بارگذاری مثبت قوی با شیب است که نشان دهنده دسترسی منطقه به امکانات عمومی مختلف است. با این حال، تنوع شیب در محدوده مورد مطالعه ناچیز است. استثنا در بخش جنوبی شهر (منطقه هایلند) است که در آن تراکم جمعیت بسیار کم است ( شکل ۳ ).
تغییرات فضایی UQoL در شهر العین مربوط به سرسبزی و سکونت انسانی است. دلیل آن پوشیده شدن حومه توسط تپه های ماسه ای است که فاقد سکونت انسانی و پوشش گیاهی است. بنابراین، امتیاز UQoL برای مناطق بدون ساکن پایین است (بسیار ضعیف تا ضعیف). در مقابل، بالاترین امتیاز UQoL در بخش‌های مرکزی و شمالی شهر قرار دارد. از آنجایی که شهر در بیابان است، امتیاز بالاتر UQoL در میان مناطق مسکونی نشان دهنده سبز شدن شهری و/یا عوامل اجتماعی-اقتصادی است. افراد با درآمد بالاتر تمایل دارند در خانه های بزرگ با محوطه و باغ زندگی کنند که بر کیفیت کلی زندگی تأثیر مثبت می گذارد. مطالعه ای که توسط ما و همکاران انجام شده است. [ ۶۲] نشان داد که کیفیت زندگی با سطح درآمد افراد در محیط روستایی و شهری رابطه مثبت دارد. این نتیجه ممکن است با این واقعیت توضیح داده شود که مناطق سبز اثر خنک کننده، کاهش قرار گرفتن در معرض آلاینده های هوا و رفاه روانی را ارائه می دهند [ ۶۳ ]. تغییر فضایی UQoL (ضعیف تا متوسط) در بخش مرکزی ممکن است به دلیل عدم تطابق در سطح درآمد باشد که می تواند بر ترجیح خانه های بزرگ با باغ تأثیر بگذارد. این نتایج بیشتر از ایده کیفیت زندگی شهری که ارتباط قوی با سطح درآمد افراد دارد حمایت می کند [ ۶۴ ]. در راستای یافته های حاضر، مطالعه ای که توسط Giannico و همکاران انجام شد. [ ۶۵] دریافت که وجود فضای سبز به طور مثبت ادراک کلی از کیفیت زندگی را پیش بینی می کند. برعکس، تعداد کمی از مناطق مسکونی با امتیاز بسیار پایین (بسیار ضعیف) در خارج از بخش مرکزی شهر قرار دارند. امتیاز پایین به دلیل عدم دسترسی به امکانات و خدمات عمومی است. مطابق با نتایج حاضر، مطالعات قبلی نشان داده‌اند که بهبود حمل‌ونقل عمومی، دسترسی آسان به امکانات و خدمات، کیفیت زندگی شهری را تا حد زیادی بهبود می‌بخشد [ ۱۰ ].
علاوه بر این، الگوی فضایی ارزش NDVI بالا و مقدار LST پایین در العین به خوبی همبستگی دارد، که جنبه مهم راحتی در مناطق شهری است ( شکل A1 ). این رابطه بیانگر اثر خنک کنندگی پوشش گیاهی است که به طور مثبت به کیفیت زندگی شهری در محیط بیابانی نسبت داده می شود. این نتایج مطابق با مطالعات اخیر است که نشان می دهد پوشش زمین شهری تغییرات LST فضایی را کنترل می کند، که بر کیفیت زندگی انسان تأثیر می گذارد [ ۶۶ ]. مطالعه انجام شده توسط Musse و همکاران. [ ۵۹ ] نشان می‌دهد که سطح درآمد خانوار تا حد زیادی به تغییر فضایی کیفیت زندگی شهری مربوط می‌شود. علاوه بر این، گسترش واحه و تثبیت شن و ماسه بیابان تا حد زیادی به سبز شدن کویر کمک می کند [ ۲۸ ]]. همه این عوامل بر بهبود کیفیت زندگی در محیط کویر می افزاید. به همین دلیل، عوامل ذکر شده در بالا ممکن است به تغییرپذیری UQoL در منطقه مسکونی نسبت داده شود. از یک بازرسی بصری از UQoL، تنوع پوشش گیاهی را می توان متوجه شد. مقایسه یافته‌ها با سایر مطالعات اهمیت سبز شدن را برای بهبود UQoL تأیید می‌کند [ ۱۰ ، ۶۳ ، ۶۵ ]. این یافته نشان می دهد که برنامه ریزان شهری باید بر سبزسازی شهری و زیرساخت های شهری برای بهبود معیشت کلی ساکنان شهر تمرکز کنند.

۵٫ نتیجه گیری ها

استفاده از روش های سنتی برای ارزیابی کیفیت زندگی در یک شهر زمان بر، پرهزینه و ناکارآمد است. بهبود سنجش از دور مانند وضوح فضایی و توسعه الگوریتم‌های جدید مانند یادگیری ماشینی و محاسبات ابری، استخراج شاخص‌های کیفیت زندگی را متحول کرده است. در مطالعه حاضر کیفیت زندگی شهری برای شهر العین با استفاده از پارامترهای حاصل از سنجش از دور و داده های برداری GIS مورد ارزیابی قرار گرفت. مجموعه داده های مشتق شده از سنجش از دور به شرح زیر است: Sentinel 2A (NDVI، SAVI، NDWI، NDBI، ENDISI، MNDWI، و LULC)، Sentinel 5P (AI)، Landsat 8 (LST) و SRTM (شیب). فایل برداری GIS حاوی داده های تاسیسات زیرساختی است که عبارتند از: فاصله تا مدارس، جاده ها، پارک ها و فاصله تا بیمارستان. همه پارامترها با استفاده از Z-score قبل از تجزیه و تحلیل بیشتر نرمال شدند. سپس مجموعه داده‌های سنجش از دور و داده‌های برداری GIS با استفاده از تحلیل PCA ادغام شدند و به مدلی برای تخمین شاخص UQoL تبدیل شدند. بر اساس تجزیه و تحلیل PCA، چهار مؤلفه که دارای ارزش ویژه بیشتر از ۱ هستند، ۷۵ درصد از تنوع مجموعه داده های ورودی را به خود اختصاص داده اند. به طور خلاصه، نتایج تحلیل حاضر نشان داد که UQoL شهر العین از متوسط ​​تا بسیار خوب در منطقه مرکزی متفاوت است. برعکس حاشیه های شهر کمترین شاخص (فقیر تا خیلی فقیر) را دارند. پارامترهای زیادی وجود دارد که می تواند بر تغییرپذیری درون شهر تأثیر بگذارد. با این حال، عامل سبزی بالاترین تأثیر را دارد و مناطق با پوشش گیاهی متراکم شاخص UQoL بهتری دارند. یافته های حاضر می تواند مورد استفاده برنامه ریزان شهری، تصمیم گیران، و موسسات خیریه برای تضمین کیفیت زندگی و توسعه پایدار مناطق شهری. کار بیشتر برای ایجاد و استانداردسازی عوامل اصلی کنترل کننده کیفیت زندگی شهری اجتناب ناپذیر است.

پیوست اول

شکل A1. ماتریس همبستگی بین متغیرهای محیطی و تسهیلات زیرساختی مورد استفاده برای مدل UQoL.
شکل A2. شاخص های کیفیت زندگی شهری مورد استفاده برای شهر العین: ( A ) AI، ( B NDWI، ( C ) NDWI، ( D ) MNDWI، ( E ) NDVI، ( F ) NDBI، ( G ) ENDISI، ( H ) LST، ( I ) شیب، ( J ) فاصله تا مدرسه، ( K ) فاصله تا جاده اصلی، ( L ) فاصله تا پارک و ( M ) فاصله تا مدرسه.

منابع

  1. لیانگ، دبلیو. یانگ، ام. شهرنشینی، رشد اقتصادی و آلودگی محیطی: شواهدی از چین. حفظ کنید. محاسبه کنید. آگاه کردن. سیستم ۲۰۱۹ ، ۲۱ ، ۱-۹٫ [ Google Scholar ] [ CrossRef ]
  2. سازمان ملل. پیش‌بینی می‌شود تا سال ۲۰۵۰ ۶۸ درصد از جمعیت جهان در مناطق شهری زندگی کنند، اداره امور اقتصادی و اجتماعی سازمان ملل متحد | سازمان ملل. URL. ۲۰۱۸٫ در دسترس آنلاین: https://www.un.org/development/desa/en/news/population/2018-revision-of-world-urbanization-prospects.html (دسترسی در ۱ ژوئیه ۲۰۲۲).
  3. بریت، CL زمینه اجتماعی و تفاوت های نژادی در تصمیم گیری های مجازات. عدالت Q. ۲۰۰۰ , ۱۷ , ۷۰۷-۷۳۲٫ [ Google Scholar ] [ CrossRef ]
  4. Soh، MBC Crime and Urbanization: Revisited case مالزی. Procedia-Soc. رفتار علمی ۲۰۱۲ ، ۴۲ ، ۲۹۱-۲۹۹٫ [ Google Scholar ] [ CrossRef ]
  5. لیانگ، ال. وانگ، ز. لی، جی. اثر شهرنشینی بر آلودگی محیط زیست در تجمعات شهری در حال توسعه سریع. جی. پاک. تولید ۲۰۱۹ ، ۲۳۷ ، ۱۱۷۶۴۹٫ [ Google Scholar ] [ CrossRef ]
  6. ژانگ، ایکس. هان، ال. وی، اچ. تان، ایکس. ژو، دبلیو. لی، دبلیو. کیان، ی. پیوند شهرنشینی و کیفیت هوا با هم: بررسی و دیدگاهی در مورد توسعه شهری پایدار در آینده. جی. پاک. تولید ۲۰۲۲ ، ۳۴۶ ، ۱۳۰۹۸۸٫ [ Google Scholar ] [ CrossRef ]
  7. مرشدورف، اچ. هاجسون، من؛ Blaschke, T. مدلسازی کیفیت زندگی شهری با استفاده از رویکرد جغرافیایی. علوم شهری ۲۰۲۰ ، ۴ ، ۵٫ [ Google Scholar ] [ CrossRef ]
  8. لیانگ، بی. Weng، Q. ارزیابی تغییر کیفیت محیطی شهری ایندیاناپولیس، ایالات متحده، توسط سنجش از دور و یکپارچه سازی GIS. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۱۱ ، ۴ ، ۴۳-۵۵٫ [ Google Scholar ] [ CrossRef ]
  9. مکه، جی. Casagrande، RM; سارات، جار؛ سیلوا، KA شهر هوشمند و کیفیت زندگی: ادراک شهروندان در مطالعه موردی برزیل. جی. پاک. تولید ۲۰۱۸ ، ۱۸۲ ، ۷۱۷-۷۲۶٫ [ Google Scholar ] [ CrossRef ]
  10. موراتیدیس، ک. برنامه ریزی شهری و کیفیت زندگی: مروری بر مسیرهایی که محیط ساخته شده را به رفاه ذهنی مرتبط می کند. Cities ۲۰۲۱ , ۱۱۵ , ۱۰۳۲۲۹٫ [ Google Scholar ] [ CrossRef ]
  11. کاظم زاده زو، ع. بلورانی، م. سامانی، NN; تومانیان، ع. پوراحمد، الف. مدلسازی فضایی و زمانی کیفیت زندگی شهری (UQoL) با استفاده از تصاویر ماهواره ای و GIS. بین المللی J. Remote Sens. ۲۰۱۸ , ۳۹ , ۶۰۹۵–۶۱۱۶٫ [ Google Scholar ] [ CrossRef ]
  12. بیدا، ا. Telega, A. تجزیه و تحلیل نقاط کانونی تحقیقاتی در زمینه کیفیت شهری. Sustainability ۲۰۲۱ , ۱۳ , ۹۵۸۲٫ [ Google Scholar ] [ CrossRef ]
  13. Pacione, M. کیفیت محیطی شهری و رفاه انسانی – دیدگاه جغرافیایی اجتماعی. Landsc. طرح شهری. ۲۰۰۳ ، ۶۵ ، ۱۹-۳۰٫ [ Google Scholar ] [ CrossRef ]
  14. مصطفی، AM شاخص های کیفیت زندگی در مناطق شهری ارزشی: خیابان کسر النیل در قاهره. Procedia-Soc. رفتار علمی ۲۰۱۲ ، ۵۰ ، ۲۵۴-۲۷۰٫ [ Google Scholar ] [ CrossRef ]
  15. Seik، FT ارزیابی ذهنی کیفیت زندگی شهری در سنگاپور (۱۹۹۷-۱۹۹۸). Habitat Int. ۲۰۰۰ ، ۲۴ ، ۳۱-۴۹٫ [ Google Scholar ] [ CrossRef ]
  16. یداو، ج. گوپتا، N. کیفیت زندگی شهری: دامنه ها، ابعاد و شاخص ها برای شهرهای هند. IOP Conf. سر. محیط زمین. علمی ۲۰۲۱ , ۷۹۶ , ۰۱۲۰۳۲٫ [ Google Scholar ] [ CrossRef ]
  17. چن، اس. سرین، ای. استیمسون، آر. Lai, P. An Objective Measure to Assessing Urban Quality of Life بر اساس ویژگی های کاربری زمین. Procedia Environ. علمی ۲۰۱۶ ، ۳۶ ، ۵۰-۵۳٫ [ Google Scholar ] [ CrossRef ]
  18. القواسمی، ج. سعید، م. اسفور، سیستم عامل؛ آلدوسری، AS ارزیابی کیفیت زندگی شهری: توسعه معیارها برای شهرهای سعودی. جلو. محیط ساخته شده ۲۰۲۱ ، ۷ ، ۶۸۲۳۹۱٫ [ Google Scholar ] [ CrossRef ]
  19. بهلینگ، ر. بوچو، ام. فورستر، اس. روسنر، اس. Kaufmann, H. استخراج خودکار شاخص‌های اکولوژیکی شهری مبتنی بر GIS با استفاده از سنجش از دور ابرطیفی و اطلاعات ارتفاع. Ecol. اندیک. ۲۰۱۵ ، ۴۸ ، ۲۱۸-۲۳۴٫ [ Google Scholar ] [ CrossRef ]
  20. de Deus، LR; گارسیا فونسکا، LM; de Marcelhas e Souza، I. ایجاد یک شاخص وضعیت اجتماعی – محیطی برای ارزیابی کیفیت محیطی شهری. در مجموعه مقالات رویداد سنجش از دور شهری مشترک ۲۰۱۳، سائوپائولو، برزیل، ۲۱-۲۳ آوریل ۲۰۱۳٫ صص ۲۷۱-۲۷۴٫ [ Google Scholar ] [ CrossRef ]
  21. هوانگ، اچ. لی، کیو. Zhang، Y. یک روش مبتنی بر سنجش از دور با وضوح بالا برای ارزیابی کیفیت اکولوژیکی شهری. جلو. محیط زیست علمی ۲۰۲۲ ، ۱۰ ، ۷۶۵۶۰۴٫ [ Google Scholar ] [ CrossRef ]
  22. نیکول، جی. Wong، MS Mapping کیفیت محیطی شهری با استفاده از داده های ماهواره ای و پارامترهای متعدد. محیط زیست طرح. B طرح. دس ۲۰۰۹ ، ۳۶ ، ۱۷۰-۱۸۵٫ [ Google Scholar ] [ CrossRef ]
  23. نیکول، جی. وانگ، MS مدلسازی کیفیت محیطی شهری در یک شهر گرمسیری. Landsc. طرح شهری. ۲۰۰۵ ، ۷۳ ، ۴۹-۵۸٫ [ Google Scholar ] [ CrossRef ]
  24. هان، پی. ژانگ، Q. ژائو، ی. Li، FY داده‌های سنجش از دور با وضوح بالا می‌توانند فقر خانوار را در مناطق دامداری، مغولستان داخلی، چین پیش‌بینی کنند. Geogr. حفظ کنید. ۲۰۲۱ ، ۲ ، ۲۵۴-۲۶۳٫ [ Google Scholar ] [ CrossRef ]
  25. رحمان، م. Szabó، G. تاثیر کاربری زمین و تغییرات پوشش زمین بر ارزش خدمات اکوسیستم شهری در داکا، بنگلادش. Land ۲۰۲۱ , ۱۰ , ۷۹۳٫ [ Google Scholar ] [ CrossRef ]
  26. رحمان، ع. کومار، ی. فضل، س. شهرسازی و کیفیت محیط شهری با استفاده از تکنیک های سنجش از دور و GIS در شرق دهلی هند. جی. جئوگر. Inf. سیستم ۲۰۱۱ ، ۳ ، ۶۲-۸۴٫ [ Google Scholar ] [ CrossRef ]
  27. ماکو، ک. ووژنیلک، وی. Pászto, V. پیوند بین شاخص کیفیت زندگی و گونه شناسی واحدهای اداری اروپایی. J. Int. توسعه دهنده ۲۰۲۱ ، ۳۴ ، ۱۴۵-۱۷۴٫ [ Google Scholar ] [ CrossRef ]
  28. کریشنان، VS; فیروز، CM ارزیابی کیفیت محیط شهری منطقه ای و تحلیل فضایی. J. Urban Manag. ۲۰۲۰ ، ۹ ، ۱۹۱-۲۰۴٫ [ Google Scholar ] [ CrossRef ]
  29. وانگ، اچ. مک.؛ Zhou, L. مروری کوتاه بر یادگیری ماشین و کاربرد آن. در مجموعه مقالات کنفرانس بین المللی ۲۰۰۹ در زمینه مهندسی اطلاعات و علوم کامپیوتر، ووهان، چین، ۱۹ تا ۲۰ دسامبر ۲۰۰۹٫ [ Google Scholar ] [ CrossRef ]
  30. کاریتا، اس. واتانابه، اس. ایواتا، تی. دلکروکس، ام. اوگاوا، ا. ناکاتانی، تی. تشخیص گفتار پایان به پایان نیمه نظارت شده با استفاده از متن به گفتار و رمزگذارهای خودکار. در مجموعه مقالات کنفرانس بین المللی ICASSP 2019 – 2019 IEEE در مورد آکوستیک، پردازش گفتار و سیگنال (ICASSP)، برایتون، بریتانیا، ۱۲ تا ۱۷ مه ۲۰۱۹؛ صص ۶۱۶۶–۶۱۷۰٫ [ Google Scholar ] [ CrossRef ]
  31. جمشو، ت. پاودیل، ک. پاورل، RK; بوجل، ر. موراماتسو، K. OCR و سیستم تشخیص گفتار با استفاده از یادگیری ماشین. در مجموعه مقالات نوآوری‌های ۲۰۲۱ در قدرت و فناوری‌های محاسباتی پیشرفته (i-PACT)، کوالالامپور، مالزی، ۲۷ تا ۲۹ نوامبر ۲۰۲۱٫ [ Google Scholar ] [ CrossRef ]
  32. گائو، ی. Mas, J. مقایسه ای از عملکرد طبقه بندی مبتنی بر پیکسل و شیء بر روی تصاویر با وضوح های فضایی مختلف. آنلاین J. Earth Sci. ۲۰۰۸ ، ۲ ، ۲۷-۳۵٫ [ Google Scholar ]
  33. Meneguzzo، DM; Liknes، GC; نلسون، MD نقشه برداری درختان خارج از جنگل ها با استفاده از تصاویر هوایی با وضوح بالا: مقایسه رویکردهای طبقه بندی مبتنی بر پیکسل و شی. محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۱۲ ، ۱۸۵ ، ۶۲۶۱-۶۲۷۵٫ [ Google Scholar ] [ CrossRef ]
  34. بالها، ع. مالیک، جی. پاندی، اس. گوپتا، اس. سینگ، CK تجزیه و تحلیل مقایسه‌ای الگوریتم‌های طبقه‌بندی مبتنی بر پیکسل و شی با استفاده از داده‌های ماهواره‌ای با وضوح فضایی چند منبع برای نقشه‌برداری LULC. علوم زمین آگاه کردن. ۲۰۲۱ ، ۱۴ ، ۲۲۳۱-۲۲۴۷٫ [ Google Scholar ] [ CrossRef ]
  35. تاسی، ع. Gigante، D.; مودیکا، جی. دی مارتینو، ال. Vizzari، M. Pixel- در مقابل شیء مبتنی بر Landsat 8 طبقه بندی داده ها در موتور Google Earth با استفاده از جنگل تصادفی: مطالعه موردی پارک ملی Maiella. Remote Sens. ۲۰۲۱ , ۱۳ , ۲۲۹۹٫ [ Google Scholar ] [ CrossRef ]
  36. نصیر، س.م. کامران، KV; بلاشکه، تی. کریم زاده، س. تغییر کاربری/پوشش زمین در منطقه کردستان عراق: رویکردی مبتنی بر شیء نیمه خودکار. Remote Sens. Appl. Soc. محیط زیست ۲۰۲۲ ، ۲۶ ، ۱۰۰۷۱۳٫ [ Google Scholar ] [ CrossRef ]
  37. توکار، او. ووک، او. کولیاسا، ال. هاوریلیوک، اس. Korol، M. استفاده از طبقه‌بندی تصادفی جنگل برای تفسیر پوشش زمین تصاویر Landsat در منطقه Prykarpattya اوکراین. در مجموعه مقالات سیزدهمین کنفرانس علمی و فنی بین المللی علوم رایانه و فناوری اطلاعات (CSIT) IEEE 2018، Lviv، اوکراین، ۱۱ تا ۱۴ سپتامبر ۲۰۱۸؛ ص ۲۴۱-۲۴۴٫ [ Google Scholar ] [ CrossRef ]
  38. Mansaray, LR; وانگ، اف. هوانگ، جی. یانگ، ال. کانو، AS دقت ماشین بردار پشتیبان و جنگل تصادفی در نقشه برداری برنج با مجموعه داده های Sentinel-1A، Landsat-8 و Sentinel-2A. Geocarto Int. ۲۰۱۹ ، ۳۵ ، ۱۰۸۸-۱۱۰۸٫ [ Google Scholar ] [ CrossRef ]
  39. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. ۲۰۰۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ]
  40. مونتراکیس، جی. من، جی. Ogole، C. ماشین‌های بردار پشتیبانی در سنجش از راه دور: بررسی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۱ , ۶۶ , ۲۴۷-۲۵۹٫ [ Google Scholar ] [ CrossRef ]
  41. مرکز آمار. سالنامه آماری ابوظبی ۲۰۲۰ ; مرکز آمار: ابوظبی، امارات متحده عربی، ۲۰۲۰٫ [ Google Scholar ]
  42. حجاسه، هان؛ Assi، مدل رگرسیون سری زمانی AH برای پیش‌بینی میانگین روزانه تابش خورشیدی جهانی در العین، امارات، مدل رگرسیون سری زمانی برای پیش‌بینی میانگین ماهانه و روزانه تابش خورشیدی جهانی در شهر العین-امارات متحده عربی. در مجموعه مقالات کنفرانس جهانی گرمایش جهانی ۲۰۱۱، لیسبون، پرتغال، ۱۱ تا ۱۴ ژوئیه ۲۰۱۱٫ [ Google Scholar ]
  43. یعقوب، پارک‌های MM در العین، امارات متحده عربی: توزیع جغرافیایی، فرصت‌ها و چالش‌ها. جهان عرب جئوگر. ۲۰۱۴ ، ۱۷ ، ۲۴-۴۱٫ [ Google Scholar ]
  44. یعقوب، م.م. البیزره، AA پیش‌بینی تغییر پوشش زمین با استفاده از مدل‌های خودکار مارکوف و سلولی: مورد العین، امارات، ۱۹۹۲-۲۰۳۰٫ J. شرکت هندی Remote Sens. ۲۰۱۴ , ۴۲ , ۶۶۵-۶۷۱٫ [ Google Scholar ] [ CrossRef ]
  45. لی، جی. Weng, Q. اندازه گیری کیفیت زندگی در شهر ایندیاناپولیس با ادغام داده های سنجش از دور و سرشماری. بین المللی J. Remote Sens. ۲۰۰۷ ، ۲۸ ، ۲۴۹-۲۶۷٫ [ Google Scholar ] [ CrossRef ]
  46. چن، جی. چن، اس. یانگ، سی. او، ال. هو، ام. Shi, T. مطالعه مقایسه ای استخراج سطح غیرقابل نفوذ با استفاده از تصاویر Sentinel-2. یورو J. Remote Sens. ۲۰۲۰ , ۵۳ , ۲۷۴–۲۹۲٫ [ Google Scholar ] [ CrossRef ]
  47. ESA Aerosol Index—Level-2 Processing—Sentinel-5P Technical Guide—Sentinel Online—Sentinel Online [سند WWW]. آژانس فضایی اروپا URL. ۲۰۲۲٫ در دسترس آنلاین: https://sentinels.copernicus.eu/web/sentinel/technical-guides/sentinel-5p/level-2/aerosol-index (در ۲۷ مه ۲۰۲۲ قابل دسترسی است).
  48. آرتیس، دی. Carnahan، WH بررسی تنوع انتشار در ترموگرافی مناطق شهری. سنسور از راه دور محیط. ۱۹۸۲ ، ۱۲ ، ۳۱۳-۳۲۹٫ [ Google Scholar ] [ CrossRef ]
  49. Xu، H. اصلاح شاخص آب تفاوت نرمال شده (NDWI) برای افزایش ویژگی های آب باز در تصاویر سنجش از راه دور. بین المللی J. Remote Sens. ۲۰۰۶ ، ۲۷ ، ۳۰۲۵-۳۰۳۳٫ [ Google Scholar ] [ CrossRef ]
  50. 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. ۲۰۰۳ , ۲۴ , ۵۸۳-۵۹۴٫ [ Google Scholar ] [ CrossRef ]
  51. ریچاردز، جی. Jia, X. آنالیز تصویر دیجیتال سنجش از دور, تحلیل تصویر دیجیتال سنجش از دور ; Springer: برلین/هایدلبرگ، آلمان، ۱۹۹۹٫ [ Google Scholar ] [ CrossRef ]
  52. McFeeters، SK استفاده از شاخص تفاوت عادی آب (NDWI) در ترسیم ویژگی‌های آب آزاد. بین المللی J. Remote Sens. ۱۹۹۶ ، ۱۷ ، ۱۴۲۵-۱۴۳۲٫ [ Google Scholar ] [ CrossRef ]
  53. Huete، AR یک شاخص پوشش گیاهی با خاک (SAVI). سنسور از راه دور محیط. ۱۹۸۸ ، ۲۵ ، ۲۹۵-۳۰۹٫ [ Google Scholar ] [ CrossRef ]
  54. اوکیلا، ا. هرمانز، اس. وانگاس، پی. ون اورشوون، جی. روشی برای تقسیم بندی نیمه خودکار در OBIA بر اساس حداکثر سازی یک شاخص مقایسه. در علوم محاسباتی و کاربردهای آن – ICCSA ; Springer: Cham, Switzerland, 2014; صص ۳۶۰-۳۷۵٫ [ Google Scholar ] [ CrossRef ]
  55. هی، GJ; Castilla, G. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA): نام جدیدی برای یک رشته جدید. در تجزیه و تحلیل تصویر مبتنی بر شی. نکات سخنرانی در اطلاعات جغرافیایی و کارتوگرافی ; Blaschke, T., Lang, S., Hay, GJ, Eds. Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۸; صص ۷۵-۸۹٫ [ Google Scholar ] [ CrossRef ]
  56. ساپنا، م. ورم، م. تاوبنبوک، اچ. تویا، دی. رویز، لس آنجلس برآورد ابعاد کیفیت زندگی از معیارهای الگوی فضایی شهری. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۰ , ۸۵ , ۱۰۱۵۴۹٫ [ Google Scholar ] [ CrossRef ]
  57. فیصل، ک. Shaker، A. بررسی تکنیک‌های پوشش GIS و PCA برای ارزیابی کیفیت محیطی شهری: مطالعه موردی در تورنتو، انتاریو، کانادا. پایداری ۲۰۱۷ ، ۹ ، ۳۸۰٫ [ Google Scholar ] [ CrossRef ]
  58. Jolliffe, IT Principal Component Analysis , ۲nd ed.; Springer-Verlag Inc.: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۰۲٫ [ Google Scholar ]
  59. Musse، MA; بارونا، دی. رودریگز، LMS ارزیابی کیفیت محیطی شهری با استفاده از سنجش از دور و داده‌های سرشماری. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۸ ، ۷۱ ، ۹۵-۱۰۸٫ [ Google Scholar ] [ CrossRef ]
  60. آداس، الف. بررسی الگوی استفاده و دسترسی به فضاهای سبز شهری: شواهدی از یک ابرشهر بیابانی ساحلی در عربستان سعودی. محیط زیست علمی آلودگی Res. ۲۰۲۲ ، ۲۹ ، ۵۵۷۵۷–۵۵۷۷۴٫ [ Google Scholar ] [ CrossRef ]
  61. خلیل، HAEE افزایش کیفیت زندگی از طریق برنامه ریزی استراتژیک شهری. حفظ کنید. جامعه شهرها ۲۰۱۲ ، ۵ ، ۷۷-۸۶٫ [ Google Scholar ] [ CrossRef ]
  62. ما، ال. لیو، اس. نیش، اف. چه، ایکس. چن، ام. ارزیابی تفاوت و ادغام شهر و روستا بر اساس کیفیت زندگی. حفظ کنید. جامعه شهرها ۲۰۱۹ ، ۵۴ ، ۱۰۱۸۷۷٫ [ Google Scholar ] [ CrossRef ]
  63. مارکویچ، آی. شویرر، جی. هارتیگ، تی. چادنوفسکی، آ. هیستاد، پ. ژامبوف، AM; د وریس، اس. تریگورو ماس، ام. بروئر، ام. Nieuwenhuijsen، MJ; و همکاران کاوش مسیرهایی که فضای سبز را به سلامت پیوند می دهد: راهنمایی نظری و روش شناختی محیط زیست Res. ۲۰۱۷ ، ۱۵۸ ، ۳۰۱-۳۱۷٫ [ Google Scholar ] [ CrossRef ]
  64. تانگیا، جی. گفت، MA; مجید، ح. ریدپات، دی. سو، TT نابرابری درآمد در کیفیت زندگی در میان جوامع روستایی در مالزی: موردی برای بررسی سیاست فوری. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ , ۱۷ , ۸۷۳۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  65. جیانیکو، وی. اسپانو، جی. الیا، م. D’Este، M. سانسی، جی. لافورتزا، آر. فضاهای سبز، کیفیت زندگی و ادراک شهروندان در شهرهای اروپایی. محیط زیست Res. ۲۰۲۱ ، ۱۹۶ ، ۱۱۰۹۲۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  66. رحمان، م. Szabó، G. یک شاخص ترکیبی جدید برای اندازه‌گیری مزایای زیست‌محیطی در مسائل بهینه‌سازی کاربری زمین شهری. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۲۲۰٫ [ Google Scholar ] [ CrossRef ]
شکل ۱٫ محل ناحیه گل میخ: تصویر Al Ain Sentinel 2A ( سمت چپ ) و نقشه امارات متحده عربی ( راست ).
شکل ۲٫ نمودار جریان توسعه مدل UQoL برای منطقه مورد مطالعه.
شکل ۳٫ پوشش کاربری اراضی نقشه شهر العین.
شکل ۴٫ NDVI مشتق شده از Sentinel 2A ( سمت چپ ) و LST مشتق شده از تصویر Landsat 8 ( راست ).
شکل ۵٫ امتیازهای چهار مولفه: ( الف ) اثر شاخص کاربری زمین، ( ب ) شاخص تسهیلات زیربنایی، ( ج ) شاخص اکولوژیکی، و ( د ) شاخص شیب.
شکل ۶٫ شاخص کیفیت زندگی شهری برای شهر العین.
شکل ۷٫ بازرسی بصری نقشه شاخص UQoL.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما