بررسی قابلیت کاربرد نقشه‌های خودسازماندهی برای منطقه‌بندی خدمات اکوسیستمی منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو

چکیده

پایداری یکی از چالش های بزرگ قرن بیست و یکم برای بشریت است. پهنه بندی فضایی خدمات اکوسیستمی در این مطالعه به عنوان راه حلی برای پاسخگویی به تقاضاها برای استفاده پایدار از خدمات اکوسیستمی پیشنهاد شده است. این مطالعه یک گردش کار ارائه کرد و یک تحلیل اکتشافی با استفاده از نقشه‌های خودسازماندهی (SOM) برای تجسم الگوهای فضایی ارزش خدمات اکوسیستم (ESV) منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو (GBA) انجام داد. منطقه بندی بر اساس ۱۱ نوع خدمات اکوسیستمی انجام شد که در نتیجه ۱۱ منطقه خدمات اکوسیستمی به وجود آمد. هر یک از مناطق مشتق شده دارای ویژگی های منحصر به فرد خود از نظر انواع خدمات اکوسیستم غالب، ESV، الگوهای کاربری/پوشش زمین، و سطوح فعالیت انسانی مرتبط است. توصیه می شود که استفاده معقول و موثر از خدمات اکوسیستمی در GBA بر اساس ویژگی های منطقه ای آن باشد تا بهره برداری های تصادفی که می تواند به اقتصاد و محیط زیست پایدار منطقه کمک کند. کاربرد SOM برای منطقه بندی خدمات اکوسیستم GBA در این مطالعه نشان داده شده است. با این حال، باید تاکید کرد که روش و گردش کار ارائه شده در این مطالعه عمدتاً باید برای حمایت از تصمیم‌گیری استفاده شود تا برای استخراج نقشه‌های پهنه‌بندی استاندارد طلایی.

کلید واژه ها:

منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو ؛ خدمات اکوسیستم ; پهنه بندی فضایی ؛ الگوی فضایی ؛ نقشه های خودسازماندهی ؛ توسعه پایدار

۱٫ مقدمه

اکثر مناطق کلان شهر در نواحی خلیج جهان (به عنوان مثال، منطقه خلیج سانفرانسیسکو و منطقه خلیج توکیو) از نظر اقتصادی و فناوری بسیار توسعه یافته هستند [ ۱ ، ۲ ]. مناطق کلان شهر بیش از ۶۰ درصد اقتصاد جهانی را تشکیل می دهند و روند افزایشی مهاجرت مردم از مناطق داخلی به این مناطق ساحلی بسیار توسعه یافته وجود داشته است. بنابراین، توسعه پایدار چنین مناطقی بسیار مهم است [ ۲ ]. شورای ایالتی چین توسعه منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو (GBA) خود را در سال ۲۰۱۵ پیشنهاد کرد. توسعه این منطقه ابرشهری نوظهور یک استراتژی ملی چین برای ایجاد الگویی برای بازگشایی در مقیاس کامل است.

GBA مساحت کل ۶۵۰۰۰ کیلومتر مربع را پوشش می دهد ^و جمعیت آن تا پایان سال ۲۰۱۸ حدود ۷۰ میلیون نفر است. زمانی GBA به اندازه امروز یکپارچه و از نظر اقتصادی مهم نبود. GBA در دهه آخر قرن بیستم از اقتصاد تحت سلطه کشاورزی به یک اقتصاد با تولید تبدیل شده است و اکنون به سمت اقتصادی مبتنی بر نوآوری قوی، فناوری های پیشرفته و یک محیط تجاری بین المللی می رود [ ۳ ]. . GBA در سال ۲۰۱۵ از نظر مساحت و جمعیت به بزرگترین منطقه شهری در جهان تبدیل شده است [ ۲ ، ۳ ]]. به این ترتیب، GBA در مرحله شهرنشینی بسیار سریع است که مقادیر قابل توجهی از منابع طبیعی را مصرف می کند. حتی پیش بینی می شود که GBA از نظر اندازه اقتصادی از منطقه خلیج توکیو و همچنین منطقه خلیج نیویورک تا سال ۲۰۳۰ پیشی بگیرد [ ۲ ]. توسعه پایدار و رشد سبز منطقه کلان شهر برای یک محیط طبیعی پایدار و همچنین اقتصاد منطقه ای و جهانی حیاتی است.

از زمانی که ساخت GBA پیشنهاد شده است، محققان مطالعات مختلفی را برای بحث در مورد طرح‌های GBA در چین انجام داده‌اند و از ویژگی‌های منحصربه‌فرد یا اشتراکات مشترک آن در میان مناطق اصلی خلیج در کشورهای دیگر پرده‌برداری کرده‌اند. به عنوان مثال، هوی و همکاران. [ ۲ ] GBA را با منطقه خلیج سانفرانسیسکو، منطقه خلیج توکیو و منطقه متروپولیتن نیویورک از نظر مساحت، اقتصاد و جمعیت مقایسه کرد. آنها همچنین حرکت منطقه ای انسان و شبکه ترافیک را برای مطالعه پیوندهای مکانی که بر توسعه GBA تأثیر می گذارد، مورد بررسی قرار دادند. چن و همکاران [ ۴ ] دسترسی حمل و نقل و رشد منطقه ای GBA را بررسی کرد. یانگ و همکاران [ ۵] تحولات مکانی و زمانی تجمع شهری چهار منطقه اصلی خلیج در چین، ایالات متحده آمریکا و ژاپن را بررسی کرد. علاوه بر این، لی و کواک [ ۶ ] طرح GBA را از زاویه روند جاری تعمیق اصلاحات در چین مورد بحث قرار دادند. لی و همکاران [ ۷ ] مسائل پایداری اقتصادی-اجتماعی-محیطی مربوط به کلان پروژه های زیرساخت عمومی در GBA را بررسی کرد. فانگ و همکاران [ ۸ ] الگوهای کیفیت هوای GBA را در مکان و زمان تجزیه و تحلیل کرد. ما و همکاران [ ۱ ] فرونشست زمین در GBA را از طریق رویکردهای سنجش از دور بررسی کرد. گان و همکاران [ ۹] حساسیت اکولوژیکی GBA را مورد بررسی قرار داد که نتیجه آن پایه ای برای رشد سبز و توسعه پایدار منطقه ایجاد کرد. بی و همکاران [ ۱۰ ] امنیت زیست محیطی GBA را از زاویه سلامت و خطر زیست محیطی ارزیابی کرد. این مطالعات هم علوم اجتماعی و هم علوم فیزیکی را در بر می گیرد.

خدمات اکوسیستمی به عنوان مزایایی که انسان ها و جامعه از اکوسیستم های طبیعی کسب می کنند نامیده می شود [ ۱۱ ، ۱۲ ]. این مفهوم پس از انتشار ارزیابی اکوسیستم هزاره در سال ۲۰۰۵ و اجرای طرح اقتصاد اکوسیستم ها و تنوع زیستی بین سال های ۲۰۰۷ و ۲۰۱۰ توسط سازمان ملل متحد مورد توجه گسترده ای در تحقیقات، سیاست ها و جوامع تجاری قرار گرفت [ ۱۱ ]. ارزیابی خدمات اکوسیستم می تواند بر اساس روش های پولی یا غیر پولی [ ۱۲ ، ۱۳ ] باشد. استدلال شده است که خدمات اکوسیستم را می توان با استفاده از رویکردهای پولی [ ۱۴ ] بهتر ارزیابی کرد، که همچنین می تواند نقشه برداری و مقایسه خدمات را تسهیل کند.۱۲ ]. به طور خاص، ارزش خدمات اکوسیستم (ESV) اهمیت خدمات اکوسیستم را اندازه می گیرد، به عنوان مثال، ارزش آنها [ ۱۵ ]. به عنوان مثال، کوستانزا و همکاران. [ ۱۱ ] کاهش ارزش خدمات اکوسیستمی در سراسر جهان را بین سال‌های ۱۹۹۷ و ۲۰۱۱ ناشی از تغییر کاربری زمین ارزیابی کرد. Kubiszewski و همکاران. [ ۱۶ ] ارزش خدمات اکوسیستم را در مقیاس جهانی بر اساس چهار سناریوی استفاده از زمین و مدیریت زمین تا سال ۲۰۵۰ پیش بینی کردند. علاوه بر این، چن و ژانگ [ ۱۷ ] ارزش خدمات اکوسیستم زمینی و دریایی در چین را تخمین زدند. علاوه بر این، زی و همکاران. [ ۱۸] ارزش چهار نوع (۱۱ نوع فرعی) خدمات اکوسیستمی در چین، از جمله خدمات تامین (تولید مواد غذایی، تولید مواد خام و تامین آب)، خدمات تنظیمی (تنظیم گاز، تنظیم آب و هوا، تصفیه محیط زیست، و تنظیم هیدرولوژیکی) را برآورد کرد. خدمات پشتیبانی (حفاظت از خاک، نگهداری چرخه مواد مغذی، و نگهداری تنوع زیستی)، و خدمات فرهنگی (تامین منظره زیبایی شناختی).

در مورد خدمات اکوسیستمی GBA، وانگ و همکاران. [ ۱۹ ] بررسی کرد که چگونه شهرنشینی بر خدمات اکوسیستم منطقه به طور کلی تأثیر می گذارد و ژانگ و همکاران. [ ۲۰] سازگاری سه گونه درختی با شهرنشینی GBA را از نظر خدمات اکوسیستم آنها به طور خاص مورد بررسی قرار داد. با این حال، هیچ مطالعه ای رویکردهایی را برای تجزیه و تحلیل و ترسیم الگوهای فضایی (به عنوان مثال، ساختار ترکیبی فضایی) ESV در GBA بررسی نکرده است. چین در مرحله شهرنشینی سریع است که منابع طبیعی را به سرعت مصرف می کند. درک بیشتر از خدمات اکوسیستم GBA پیامدهایی برای بهره برداری و استفاده پایدار از منابع خدمات اکوسیستم و در نتیجه برای توسعه سبز و پایدار منطقه کلان شهر و همچنین اقتصاد جهانی دارد. به این ترتیب، این مطالعه الگوهای فضایی ESV در GBA را بررسی و نقشه‌برداری می‌کند. به طور خاص، ۱۱ نوع خدمات اکوسیستم معرفی شده توسط Xie و همکاران. [ ۱۸] به عنوان یک مجموعه ورودی از شاخص های ESV برای بررسی الگوهای خدمات اکوسیستم خدمت می کند. شاخص ها متغیرهایی هستند که ویژگی های خاص یک سیستم را اندازه گیری می کنند، پیچیدگی سیستم را کاهش می دهند و آن را به روشی ساده توصیف می کنند [ ۲۱ ]. شاخص‌ها گنجاندن دانش تخصصی در فرآیندهای تصمیم‌گیری را امکان‌پذیر می‌سازند و ارتباطی بین اقدامات و اهداف ایجاد می‌کنند، که نوسانات آن تنوع در پدیده‌هایی را که نشان می‌دهند نشان می‌دهد [ ۲۱ ]. شاخص ها را می توان به صورت جداگانه یا به عنوان یک مجموعه شاخص ترکیبی [ ۲۲ ] اتخاذ کرد.

با ۱۱ شاخص ESV، هدف این مطالعه انجام یک تحلیل اکتشافی با استفاده از نقشه‌های خودسازمانده (SOM، یک روش یادگیری ماشین مبتنی بر شبکه‌های عصبی مصنوعی [ ۲۳ ، ۲۴ ]) برای منطقه‌بندی فضایی و تجسم خدمات اکوسیستم GBA است. . پهنه بندی – تقسیم یک منطقه مورد مطالعه به چندین منطقه همگن بر اساس ویژگی های منطقه – جهت مهم مطالعات جغرافیایی است و می تواند در برنامه ریزی و توسعه منطقه ای مفید باشد [ ۲۵ ]]. منطقه‌بندی خدمات اکوسیستم، نظارت، سیاست‌گذاری، تصمیم‌گیری و مدیریت را هدفمند می‌سازد که برنامه‌ریزی منطقه‌ای مؤثر برای توسعه پایدار GBA را ممکن می‌سازد. در نتیجه پیچیدگی فزاینده داده های جغرافیایی و تجزیه و تحلیل جغرافیایی، ثابت شده است که SOM یک رویکرد موثر برای تجزیه و تحلیل خوشه بندی و تشخیص الگو است [ ۲۶ ، ۲۷ ]. مطالعات مختلف توانایی SOM را در انجام پهنه بندی پدیده های جغرافیایی، مانند پهنه بندی کیفیت آب [ ۲۸ ]، پهنه بندی کاربری زمین [ ۲۹ ]، پهنه بندی منظره خیابان [ ۳۰ ]، پهنه بندی زمین ساختی [ ۳۱ ] و پهنه بندی حساسیت به زمین لغزش [ ۳۲ ] اثبات کرده اند.]. SOM نیز رویکردی است که می تواند به راحتی توسط محققان و پزشکان استفاده شود. توجه داشته باشید که از آنجایی که سرویس‌های اکوسیستم در GBA از نظر مکانی و زمانی پویا هستند، ما قصد نداریم نتایج منطقه‌بندی ثابت و طولانی‌مدت را ارائه کنیم، بلکه تنها به بررسی کاربرد SOM برای چنین هدف منطقه‌بندی می‌پردازیم. نتایج منطقه‌بندی و نقشه‌ها باید بسته به تغییرات شاخص‌های ESV ورودی و الزامات منطقه‌بندی به‌روزرسانی و تنظیم شوند.

۲٫ پهنه بندی فضایی برای تسهیل خدمات اکوسیستم پایدار

پایداری یکی از چالش های بزرگ قرن بیست و یکم برای بشریت است. بسیاری از محققین انتقاد کرده اند که مطالعات موجود در مورد خدمات سیستم اکوسیستم منجر به مشارکت مهم تری در تصمیم گیری در مورد توسعه پایدار نشده است [ ۳۳ ]. بنت و چاپلین کرامر [ ۳۳ ] “علم برای استفاده پایدار از خدمات اکوسیستم” را بررسی کردند و سه جهت را برای بهبود استفاده از خدمات اکوسیستمی برای اهداف پایداری بلندمدت، از جمله (۱) تمرکز بر ارائه خدمات اکوسیستمی در مدت زمان طولانی‌تر پیشنهاد کردند. فریم های [ ۳۴ ، ۳۵ ]، (۲) درک اینکه چگونه تصمیمات فعلی بر مفاد خدمات اکوسیستم آینده تأثیر می گذارد [ ۳۶ ، ۳۷]، و (۳) اطمینان از برنامه ریزی پویا برای استفاده پایدار از خدمات اکوسیستم [ ۳۸ ]. آنها همچنین پیشنهاد می کنند که تصمیم گیرندگان باید درک خود از شاخص ها و استفاده موثر از آنها را برای افزایش تصمیم گیری در مورد استفاده پایدار از خدمات اکوسیستم بهبود بخشند. نقشه‌برداری چندین سرویس اکوسیستم برای درک ارتباط بین آنها یکی از محورهای مطالعات خدمات اکوسیستم بوده است که می‌تواند ابزار مؤثری برای برآورده کردن خواسته‌های جهت‌های پیشنهادی بالا [ ۳۳ ، ۳۹ ]، با توجه به ماهیت جغرافیایی خدمات اکوسیستم باشد. با این حال، در بنت و چاپلین-کرامر [ ۳۳ ] بیشتر مورد مطالعه قرار نگرفته است .

پهنه بندی فضایی خدمات اکوسیستم در این مطالعه به عنوان راه حلی برای پاسخگویی به خواسته های جهت های پیشنهادی بالا پیشنهاد شده است، زیرا (۱) یک نقشه پهنه بندی موثر ESV استفاده طولانی مدت تر از خدمات اکوسیستم را در یک منطقه تسهیل می کند (۲). ) نقشه برداری و درک ویژگی های ESV منطقه ای فعلی، مبنایی برای درک توزیع های ESV در آینده فراهم می کند، (۳) نقشه منطقه بندی ESV را می توان به صورت پویا به روز کرد، (۴) یک وظیفه منطقه بندی فضایی شاخص های مختلف را در نظر می گیرد و ارتباط بین شاخص ها را توضیح می دهد.

رویکردهای مختلفی برای انجام پهنه بندی فضایی وجود دارد. به عنوان مثال، Xu و همکاران. [ ۴۰ ] یک رویکرد منطقه‌بندی را برای توضیح همبستگی بین تغییرات عرضه و تقاضای خدمات اکوسیستم، بر اساس تجزیه و تحلیل نقاط داغ و تکنیک‌های آشکارساز جغرافیایی ارائه کرد. عبداللهی و همکاران [ ۴۱ ] یک مدل ارزیابی چند معیاره فضایی برای انجام پهنه بندی مرتبط با آلودگی رودخانه اتخاذ کرد. از روش های یادگیری ماشینی نیز برای منطقه بندی فضایی استفاده شده است. به عنوان مثال، یانگ و همکاران. [ ۴۲ ] یک الگوریتم طبقه بندی نظارت شده برای انجام پهنه بندی آب و هوا پیشنهاد کرد. علاوه بر این، لیو و همکاران. [ ۴۳] شش روش متداول را که می‌توان برای پهنه‌بندی منظر براساس بسته‌های خدمات اکوسیستم استفاده کرد، از جمله K-means++، SOM، تجزیه و تحلیل داده‌های خودسازمان‌دهی تکراری، حداکثرسازی انتظارات، خوشه‌بندی فضایی مبتنی بر چگالی برنامه‌های کاربردی با نویز، و شکست‌های طبیعی (Jenks) مقایسه کرد. ) نتایج نشان می‌دهد که عملکرد الگوریتم‌ها از ناحیه‌ای به منطقه دیگر متفاوت است، در حالی که SOM از نظر چهار شاخص الگوی منظر مورد استفاده (یعنی شاخص تقسیم چشم‌انداز، شاخص تجمع، شاخص تنوع شانون، و محیط-منطقه، عمدتاً در ردیف بالا باقی مانده است. شاخص ابعاد فراکتال).

SOM یک رویکرد یادگیری ماشینی برای خوشه بندی بدون نظارت است [ ۲۳ ، ۲۴ ]. برخلاف مدل ارزیابی چند معیاره و یادگیری ماشین نظارت شده، دانش قبلی توسط SOM مورد نیاز نیست، و بنابراین یک نقشه منطقه‌بندی ESV مشتق‌شده با استفاده از SOM می‌تواند به آسانی به‌روزرسانی شود، که به طور خاص تقاضای جهت سوم ذکر شده در بالا را برآورده می‌کند (یعنی اطمینان از پویایی). برنامه ریزی برای استفاده پایدار از خدمات اکوسیستم). پرز-هویوس و همکاران [ ۴۴ ] از SOM برای شناسایی انواع عملکردی اکوسیستم در اسپانیا استفاده کرد و در واقع پتانسیل این رویکرد را برای نظارت بر الگوی فضایی وضعیت خدمات اکوسیستم برجسته کرد. بنابراین، این مطالعه از SOM برای منطقه‌بندی خدمات اکوسیستم GBA استفاده می‌کند.

۳٫ مواد و روشها

۳٫۱٫ منطقه مطالعه

GBA ( شکل ۱ ) عمدتاً دارای آب و هوای موسمی است که از مناطق استوایی و نیمه گرمسیری عبور می کند. دمای سالانه آن به طور متوسط حدود ۲۲٫۳ درجه سانتیگراد است و میزان بارندگی سالانه به طور متوسط بین ۱۳۰۰ تا ۲۵۰۰ میلی متر است. از نظر روشنایی و منابع آبی فراوان است. انواع پوشش گیاهی در GBA متنوع است. نوع اصلی جنگل های همیشه سبز پهن برگ است. ارتفاع در قسمت شمالی (سمت کوهستانی) بیشتر و در قسمت جنوبی (سمت ساحلی) کمتر است.

۱۱ شهر در GBA وجود دارد که شامل دو منطقه اداری ویژه (هنگ کنگ و ماکائو)، دو شهر بزرگ (گوانگژو و شنژن)، پنج شهر بزرگ (Dongguan، Foshan، Jiangmen، Huizhou و Zhaoqing) و دو شهر نسبتا کوچک است. شهرها (Zhongshan و Zhuhai). هر شهر در GBA ویژگی های اقتصادی خود را دارد. گوانگژو در مرکز GBA قرار دارد که یک مرکز حمل و نقل است و هم صنایع سنگین (مثلاً خودروسازی و تولید پتروشیمی) و هم صنعت سبک (مثلاً تولید محصولات الکترونیکی) و هم صنعت خدمات را دارد. شنژن یکی از مراکز صنعتی پیشرو با فناوری بالا در چین است (به عنوان مثال، Huawei، Tencent و ZTE). هنگ کنگ یک مرکز بین المللی برای امور مالی است و به دلیل فروش عمده و خرده فروشی مشهور است. اقتصاد ماکائو عمدتاً با صنعت گردشگری و بازی مشخص می شود. Dongguan و Foshan مراکز تولیدی عمده در GBA هستند. ژوهای عمدتاً صنعت سبک و گردشگری را توسعه می دهد. شهرهای دیگر در GBA نسبتا کمتر توسعه یافته هستند. Jiangmen، Zhongshan و Huizhou تحت سلطه صنعت سبک هستند. بخش‌های اصلی ژائوکینگ، صنعت سبک و کشاورزی است.

۳٫۲٫ خدمات محیط زیستی

در این تحقیق، چهار نوع خدمات اکوسیستمی چین به همراه ۱۱ زیرگروه مربوطه معرفی شده در Xie و همکاران. [ ۱۸ ] ( جدول ۱ ) برای تجزیه و تحلیل اکتشافی اتخاذ شد .

ESV کلی ( شکل ۲ ) که ارزش کل ۱۱ نوع خدمات اکوسیستم سطح ۲ را نشان می دهد ( جدول ۱ ) در GBA از Xu [ ۴۶ ] مشتق شده است. داده های ۱۱ نوع خدمات اکوسیستم سطح ۲ ارائه شده در Xu [ ۴۶ ] ۱۱ فایل شطرنجی در اندازه سلول ۱ کیلومتری هستند ( مواد تکمیلی شکل S1-S11 ). تغییرات فضایی در ESV کلی در سراسر GBA را می توان در شکل ۲ مشاهده کرد، با مقادیر به طور کلی کمتر در بخش های مرکزی GBA (یعنی مناطق شهری تر). تغییرات فضایی در ESV کلی در سراسر مناطق اداری هر شهر نیز قابل مشاهده است ( شکل ۲ ).

مجموع ESV GBA تقریباً ۱۰۹٫۹۳ میلیارد دلار آمریکا (USD) است و ESV کلی رتبه بندی شده بر اساس شهرها در جدول ۲ نشان داده شده است . جدول ۲ همچنین مقادیر تولید ناخالص داخلی (GDP) 2018 شهرهای GBA را فهرست می کند. داده های تولید ناخالص داخلی از سالنامه آماری گوانگدونگ [ ۴۷ ]، داده های باز بانک جهانی [ ۴۸ ]، اداره آمار و آمار هنگ کنگ [ ۴۹ ] و Worldometer [ ۵۰ ] جمع آوری شد.]. شهرهایی که از نظر اقتصادی کمتر توسعه یافته اند (مانند ژائوکینگ، هویژو و جیانگمن) با ESV کلی و ESV سرانه بیشتر مرتبط هستند، در حالی که شهرهای توسعه یافته اقتصادی (مانند شنژن، ژوهای و هنگ کنگ) دارای ESV کلی و کلی پایین تر هستند. سرانه ESV

علاوه بر این، کاربری زمین/پوشش زمین (LULC) GBA در شکل ۳ نشان داده شده است . داده های LULC از پلتفرم ابری نظارت بر اطلاعات جغرافیایی چین [ ۵۱ ] به دست آمد. توزیع ESV کلی و میانگین در GBA در انواع مختلف LULC در جدول ۳ نشان داده شده است . سه نوع LULC با بیشترین ESV کلی عبارتند از: زمین جنگلی، زمین کشاورزی، و بدنه آبی. سه نوع LULC با بیشترین میانگین ESV عبارتند از بدنه آب، زمین کشاورزی و زمین جنگلی.

۳٫۳٫ منطقه بندی ESV

گردش کار منطقه بندی ESV به طور کلی شامل سه مرحله است. مرحله اول استخراج مقادیر سلول از ۱۱ لایه خدمات اکوسیستم سطح ۲ ( جدول ۱ و مواد تکمیلی شکل های S1-S11 ) و تولید یک ماتریس ۱۱ شاخص × ۵۲۶۸۰ سلول به عنوان ورودی SOM است. مرحله دوم، فرآیند آموزش و خوشه بندی SOM است که در آن اندازه و پارامترهای SOM باید تعیین شود. مرحله سوم تجزیه و تحلیل مشخصه ناحیه ای در رابطه با دو متغیر خارجی (یعنی LULC و چراغ های شبانه) است. جزئیات در بخش ۳٫۳٫۱ و بخش ۳٫۳٫۲ به شرح زیر ارائه شده است.

۳٫۳٫۱٫ منطقه بندی SOM

این مطالعه SOM را برای انجام پهنه بندی فضایی GBA بر اساس ۱۱ نوع سطح ۲ خدمات اکوسیستم ( جدول ۱ ) اتخاذ کرد. SOM یک رویکرد یادگیری ماشینی برای خوشه بندی بدون نظارت است [ ۲۳ ، ۲۴ ]. این اطلاعات را از یک فضای ورودی چند بعدی استخراج کرده و یاد می گیرد و یک فضای خروجی دو بعدی (۲ بعدی) تولید می کند که در آن ویژگی های داده به صورت توپولوژیکی نشان داده شده و به هم متصل می شوند ( شکل ۴ ).

یک تجسم SOM از چندین نورون تشکیل شده است. هر نورون یک موقعیت منحصر به فرد در فضای خروجی دوبعدی (یعنی شبکه یا شبکه نورون SOM) و نمونه های داده مرتبط (آرایه مقدار در یک مکان سلولی خاص از لایه های نشانگر) از فضای ورودی دارد ( شکل ۴ ). هر نمونه داده به یک نورون نگاشت (پیوند) می شود (یک نورون می تواند شامل چندین نمونه داده ورودی باشد). نمونه های مشابه داده های ورودی (که با توجه به مقادیر شاخص های ورودی تعیین می شوند) نزدیک به هم در فضای خروجی دوبعدی شبکه عصبی قرار می گیرند.

به طور خاص، فرض کنید که X = ( x _۱ , x _۲ , … x _n )’ نشان دهنده شاخص های ورودی است و w _l = ( w _l ۱ , w _l ۲ , … w _ln ) نشان دهنده وزن بردار مرتبط با نورون l (هر کدام به نورون یک بردار تصادفی از وزن ها با ابعاد مشابه داده های ورودی اختصاص داده می شود)، n نشان دهنده تعداد شاخص های ورودی است، و w _lj وزنی است که به شاخص ورودی x _{j اختصاص داده شده است.}به نورون l مرتبط می شود و هر نمونه داده از داده های آموزشی به طور تصادفی در SOM قرار می گیرد. نمونه های داده به طور مکرر به شبکه عصبی کم بعدی برای تشخیص بهترین واحد تطبیق (BMU) معرفی می شوند. BMU نورون “برنده” حاوی بردار وزن است که فاصله اقلیدسی بین خود و نمونه داده در دست را به حداقل می رساند. فرآیند تکراری به عنوان آموزش SOM توصیف می شود. یعنی اصل SOM این است که نزدیکترین گره به هر نمونه داده را شناسایی کند و سپس نورون برنده (یعنی BMU) را با سرعت یادگیری معینی به نمونه داده آموزشی نزدیکتر کند. در هر تکرار (t)، وزن های برداری BMU و نورون های همسایه با استفاده از معادله زیر به روز می شوند:

wلتی+۱=wلتی+αتیساعتجلتیvتی-wلتی

(۱)

جایی که wلیک بردار وزن n بعدی است، αتیمیزان یادگیری است، ساعتجلتیهسته همسایگی BMU است و v یک بردار ورودی به طور تصادفی انتخاب شده از مجموعه داده آموزشی است.

فضای خروجی دوبعدی SOM را می‌توان بیشتر در دنیای واقعی به‌عنوان مناطق فضایی بر اساس مکان‌های نمونه داده‌های ورودی پیش‌بینی کرد، اگر نمونه‌های داده مبتنی بر مکان باشند ( شکل ۴ ). به این ترتیب، SOM به عنوان یک تکنیک کاهش ابعاد ارزشمند عمل می‌کند که می‌تواند برای تولید یک نقشه منطقه‌ای دوبعدی استفاده شود که در مقایسه با فضای ورودی چند بعدی توسط تصمیم‌گیران و سیاست‌گذاران قابل خواندن و درک‌تر است.

SOM این مطالعه با استفاده از بسته Kohonen از R [ ۵۲ ] انجام شد. بردارهای ارزش ۱۱ سرویس اکوسیستم مرتبط با ۵۲۶۸۰ سلول شطرنجی در سراسر منطقه مورد مطالعه (رزولوشن فضایی ۱ کیلومتر) نرمال شده و به عنوان لایه های ورودی (شاخص) SOM پذیرفته شدند. برای آموزش SOM، یک ساختار SOM شش ضلعی استفاده شد، با استفاده از نرخ یادگیری خطی کاهشی استاندارد از ۰٫۰۵ به ۰٫۰۱ بیش از ۳۰۰ تکرار، با کل مجموعه داده در هر تکرار [ ۳۲ ، ۵۳ ].]. تعیین اندازه (تعداد نورون ها) شبکه SOM می تواند یک فرآیند کیفی باشد، بسته به تعداد مناطق لازم (یعنی درجه لازم کاهش ابعاد فضای ورودی) مورد نیاز برای سیاست گذاری. با توجه به تنوع فضایی و ناهمگونی منابع طبیعی، تعداد زون کاملی وجود ندارد. به عنوان مثال، یک ترکیب نورون ۳ × ۳ حداکثر نه ناحیه را می دهد. ایجاد تعداد نسبتاً کمی از مناطق به سیاستگذاران اجازه می دهد تا با نادیده گرفتن جزئیات خاص منطقه ای، برنامه های مدیریتی نسبتاً خشن ESV را تهیه کنند. یک ترکیب نورون ۷ × ۷ حداکثر ۴۹ ناحیه را می دهد. ایجاد تعداد نسبتاً زیادی از مناطق به سیاستگذاران این امکان را می دهد که برنامه ریزی های دقیق تری انجام دهند. با این حال، این بدان معنا نیست که هر چه تعداد نورون ها بیشتر باشد، طبقه بندی دقیق تری می تواند منجر شود، زیرا ممکن است به تعداد زیادی نورون با الگوهای مشابه ختم شود (که بدون خوشه بندی بیشتر تفسیر آنها زائد و دشوار است). علاوه بر این، استفاده از تعداد زیادی نورون ممکن است منجر به بسیاری از نورون های خالی و بی فایده بدون هیچ نقطه داده (نمونه داده) شود.

برای به حداقل رساندن نورون‌های اضافی پس از آموزش SOM، می‌توان یک خوشه‌بندی سلسله مراتبی SOM را برای گروه‌بندی بیشتر نورون‌های خروجی همسایه مشابه بر اساس همبستگی‌های پیرسون و تفسیر بصری الگوهای بردارهای وزن نورون انجام داد. هر خوشه نورون به دست آمده یک منطقه خدمات اکوسیستمی از GBA را نشان می دهد. به طور خاص، همبستگی پیرسون بین یک جفت نورون خروجی همسایه که بیشتر از ۰٫۷۵ است، نشان می‌دهد که این دو نورون بسیار همبسته هستند و می‌توانند بیشتر در یک منطقه خوشه‌بندی شوند [ ۵۴ ]]. الگوهای توزیع شاخص‌های ورودی در نورون‌های منفرد را می‌توان با نشان دادن بردارهای وزن در سراسر SOM، با استفاده از یک “نمودار فن” مشاهده کرد، که در آن نمایش‌های فردی فن از بزرگی (اهمیت) هر شاخص ورودی در بردار وزن نشان داده می‌شود. برای هر نورون به نمایش گذاشته شده است.

۳٫۳٫۲٫ تجزیه و تحلیل ویژگی های منطقه ای

مناطق ESV مشتق شده از SOM ابتدا با ترکیبات و ساختارهای ESV داخلی آنها مشخص شد. انواع خاصی از خدمات اکوسیستمی شاخص های کلیدی (انواع غالب) هستند که یک منطقه را از سایرین متمایز می کنند. برای ارزیابی بیشتر تفاوت‌ها و ویژگی‌های مناطق ESV مشتق‌شده با استفاده از SOM در رابطه با متغیرهای خارجی، دو تحلیل مربوط به LULC و چراغ‌های شبانه انجام شد. این دو عامل به موقعیت های موجود فعالیت انسانی در زمین و دسترسی به خدمات اکوسیستم GBA مربوط می شود. ابتدا، بر اساس ۵۲۶۸۰ سلول شطرنجی منطقه مورد مطالعه، برای هر منطقه ESV مشتق شده با استفاده از SOM، توزیع LULC در سراسر مناطق خدمات اکوسیستم با استفاده از نمودار ستونی انباشته برای نشان دادن الگوهای LULC ناحیه ای تجسم می شود. دوم، بر اساس ۵۲،شکل ۵ ) در سراسر مناطق خدمات اکوسیستم با استفاده از یک نمودار جعبه تجسم شده است. مجموعه داده شبانه می تواند سطوح فعالیت انسانی را منعکس کند [ ۵۵ ]. داده های شبانه در این مطالعه از گروه رصد زمین اداره ملی اقیانوسی و جوی ایالات متحده آمریکا [ ۵۶ ] به دست آمد.

۴٫ نتایج

گردش کار و پارامترهای منتهی به نتیجه در شکل ۶ خلاصه شده است. نتایج تفصیلی در بخش ۴٫۱ و بخش ۴٫۲ به شرح زیر توضیح داده شده است.

۴٫۱٫ مناطق خدمات اکوسیستم و ویژگی های آنها

شکل ۷ بردارهای وزن نورون تولید شده توسط SOM 5 × ۵ را نشان می دهد. می توان مشاهده کرد که نورون هایی با بردارهای وزن مشابه در شبکه نورون به یکدیگر نزدیک هستند. شکل ۸ a تعداد نمونه های داده در هر نورون SOM را نشان می دهد. شکل ۸ ب ۱۱ منطقه خدمات اکوسیستمی را نشان می دهد که بر اساس همبستگی های پیرسون و یک تفسیر بصری از الگوهای بردارهای وزن نورون به دست آمده اند. همانطور که در بخش ۳٫۳٫۱ ذکر شد ، هیچ تعداد کاملی از مناطق وجود ندارد. تعیین تعداد نورون ها به میزان کاهش ابعاد فضای ورودی مورد نیاز سیاست گذاران بستگی دارد. شکل ۹روند اکتشافی به سمت انتخاب یک ترکیب ۵ × ۵ را نشان می دهد. ترکیبات نورون های ۲×۲ و ۳×۳ ( شکل ۹ a,c) به ترتیب حداکثر چهار و نه ناحیه را امکان پذیر می کند که با آن سیاست گذاران می توانند با نادیده گرفتن جزئیات منطقه ای خاص، برنامه های مدیریتی نسبتاً خشن ESV را انجام دهند. ترکیب نورون ۴ × ۴ ( شکل ۹ e) حداکثر ۱۶ منطقه ( شکل ۹ ج) را امکان پذیر می کند، که سیاست گذاران می توانند با آن برنامه ریزی های دقیق تری انجام دهند. برای افزایش احتمالی سطح جزئیات ناحیه ای، در این مطالعه تصمیم گرفته شد که یک SOM 5 × ۵ ( شکل ۷ ) و یک SOM 6 × ۶ ( شکل ۹ گرم) بیشتر بررسی شود. با این حال، مشاهده شد که ترکیب ۶ × ۶ منجر به ایجاد نورون های خالی و بی فایده بدون هیچ نمونه داده ای می شود.شکل ۹ h)؛ بنابراین، ترکیب ۵ × ۵ در نهایت به تصویب رسید.

همانطور که در شکل ۱۰ نشان داده شده است (نقشه پهنه بندی نهایی) ۱۱ منطقه خدمات اکوسیستم بیشتر بر روی منطقه مورد مطالعه پیش بینی شدند . به نظر می رسد منطقه ۲، منطقه ۵ و منطقه ۸ بزرگترین مناطق خدمات اکوسیستم در سراسر GBA هستند. مشخصات ۱۱ ناحیه (که طبق نمودار فن در شکل ۷ توضیح داده شده است ) و ESV آنها در جدول ۴ ارائه شده است. منطقه ۲، منطقه ۶، و منطقه ۱۱ سه منطقه با بیشترین ESV کلی هستند. منطقه ۶، منطقه ۱۰ و منطقه ۱۱ سه منطقه با بیشترین میانگین ESV هستند ( جدول ۴ ). علاوه بر این، منطقه ۱ و منطقه ۲ مشابه هستند، اما دومی توانایی بیشتری در ارائه خدمات پشتیبانی SC دارد ( جدول ۱ و جدول ۴). هر دو منطقه ۳ و منطقه ۴ عمدتاً خدمات تأمین و پشتیبانی را ارائه می دهند، در حالی که آنها به ترتیب در خدمات اکوسیستم سطح ۲ اصلی که عمدتاً ارائه می کنند از یکدیگر منحرف می شوند ( جدول ۱ و جدول ۴ ). یعنی با مقایسه Zone 4 با Zone 3، Zone 4 توانایی بیشتری برای ارائه خدمات FP و RMP دارد. منطقه ۳ تحت سلطه سرویس پشتیبانی SC است در حالی که منطقه ۴ تحت سلطه سرویس پشتیبانی NCM است. منطقه ۵ به تنهایی توسط سرویس تامین WS مشخص می شود ( جدول ۱ و جدول ۴ ). منطقه ۶ و منطقه ۱۰ از نظر انواع خدمات اکوسیستم غالب، که هر چهار نوع خدمات اکوسیستم سطح ۱ را پوشش می دهند، متنوع ترین ها هستند ( جدول ۱ و جدول ۴).) با این حال، منطقه ۶ نسبت به منطقه ۱۰ توانایی بیشتری در ارائه خدمات تأمین WS و خدمات تنظیم منابع انسانی دارد. مناطق ۷ تا ۹ همگی خدمات تأمینی، خدمات تنظیمی و خدمات پشتیبانی را ارائه می دهند، در حالی که آنها در خدمات اکوسیستم سطح ۲ خاص که عمدتاً ارائه می کنند از یکدیگر منحرف می شوند ( جدول ۱ و جدول ۴ ). به عنوان مثال، منطقه ۷ نسبت به منطقه ۸ توانایی بیشتری در ارائه خدمات تامین RMP و WS دارد. Zone 9 نسبت به Zone 7 و Zone 8 توانایی بیشتری در ارائه خدمات تنظیم CR دارد. در نهایت، منطقه ۱۱ عمدتاً توسط سرویس تأمین WS و سرویس تنظیم منابع انسانی مشخص می شود ( جدول ۱ و جدول ۴ ).

۴٫۲٫ ویژگی های منطقه ای بر اساس متغیرهای خارجی

الگوهای LULC در سراسر مناطق خدمات اکوسیستم در شکل ۱۱ نشان داده شده است. مشاهده می شود که مناطق ۱ تا ۳ و منطقه ۹ همگی تحت سلطه اراضی جنگلی هستند، در حالی که از نظر درصد انواع LULC با یکدیگر متفاوت هستند. به عنوان مثال، منطقه ۱ دارای درصد بیشتری از زمین های کشاورزی است. منطقه ۲ دارای بیشترین نسبت اراضی جنگلی و درصد کمی از بدنه های آبی است. منطقه ۳ دارای نسبت بیشتری از زمین های شهری یا ساخته شده است. منطقه ۹ هم از نظر درصد زمین شهری یا ساخته شده و هم از نظر درصد زمین کشاورزی بالاست. علاوه بر این، منطقه ۴، منطقه ۷ و منطقه ۸ عمدتاً توسط زمین های کشاورزی و اراضی جنگلی مشخص می شود. منطقه ۵ عمدتاً توسط اراضی شهری یا ساخته شده، زمین های کشاورزی و اراضی جنگلی پوشیده شده است. منطقه ۶ عمدتاً توسط آب، زمین های کشاورزی و اراضی جنگلی پوشیده شده است. منطقه ۱۰ عمدتاً توسط زمین های علفزار، زمین های کشاورزی و اراضی جنگلی پوشیده شده است. منطقه ۱۱ عمدتاً توسط آب، زمین های کشاورزی و زمین های شهری یا ساخته شده توصیف می شود. این ویژگی های LULC منطقه ای منفرد منعکس کننده خدمات اکوسیستمی است که مناطق جداگانه می توانند ارائه دهند (جدول ۴ ). به عنوان مثال، منطقه ۱۱ خدمات WS و HR بیشتری را با توجه به پوشش بالای آب و زمین کشاورزی ارائه می دهد. آن مناطق خوب در ارائه خدمات FP عموماً با بخش بزرگی از زمین های کشاورزی مرتبط هستند (به عنوان مثال، مناطق ۴، ۶، ۷، و ۸).

توزیع میانگین سالانه نورهای شبانه با ارزش تابشی در سال ۲۰۱۶ در سراسر مناطق خدمات اکوسیستم در شکل ۱۲ نشان داده شده است ، که همچنین بر اساس الگوهای موجود در نمودار جعبه قابل تشخیص است. مشاهده می شود که منطقه ۵ و منطقه ۱۱ دارای سطوح نسبتاً بالایی از فعالیت های انسانی (به معنای دسترسی بالا) هستند که عمدتاً توسط زمین های شهری یا ساخته شده، زمین های علفزار و زمین های کشاورزی پوشیده شده است ( شکل ۱۱ ). مناطق ۱ و ۲ کمترین سطح فعالیت های انسانی را دارند (که دسترسی نسبتاً کم را نشان می دهد)، که تحت سلطه زمین های جنگلی است ( شکل ۱۱ ). سایر مناطق با سطح فعالیت های انسانی متوسط هستند.

۵٫ بحث

۵٫۱٫ استفاده از ESV Zoning Map

رفاه و شکوفایی اقتصادی GBA توسط سرمایه طبیعی آن، از جمله اکوسیستم های آن که کالاها و خدمات ضروری را برای انسان ها ارائه می دهد، حفظ می شود. بشر به شدت به اکوسیستم هایی با عملکرد خوب متکی است که پایه و اساس جریان دائمی خدمات اکوسیستمی از طبیعت به جامعه است. نقشه برداری از خدمات اکوسیستم و منطقه بندی آنها برای درک اینکه چگونه خدمات به رفاه انسان کمک می کند مهم است. نقشه‌برداری خدمات اکوسیستم و پهنه‌بندی آن‌ها نیز برای سیاست‌گذاری‌هایی که تأثیری در رساندن خدمات اکوسیستم به کاربردهای عملی دارند، از جمله مدیریت پایدار منابع طبیعی، بهینه‌سازی کاربری اراضی، حفاظت و احیای طبیعت، برنامه‌ریزی چشم‌انداز، حفاظت از محیط زیست، اما نه محدود به آن، مهم هستند. حفاظت از آب و هوا، و راه حل های مبتنی بر طبیعت [۵۷ ]. در واقع، نقشه ها را می توان برای برقراری ارتباط اطلاعات مکانی پیچیده استفاده کرد و بنابراین ابزار ضروری برای کاربردهای عملی است. نقشه ها همچنین برای افزایش آگاهی در مورد عرضه و تقاضای خدمات اکوسیستم فضایی مفید هستند.

کسب منافع از اکوسیستم های طبیعی باید پایداری را در اولویت قرار دهد و اهداف توسعه پایدار سازمان ملل را برآورده کند [ ۵۸ ]. اقتصاد و محیط زیست دو بعد مهم پایداری هستند [ ۵۸ ] که تعامل پایدار بلندمدت آنها نشان دهنده یک اقتصاد پایدار است. تضمین توسعه سبز و ثبات اکوسیستم نیز در طرح توسعه طرح کلی چین برای منطقه خلیج بزرگ گوانگدونگ-هنگ هونگ-ماکائو [ ۵۹ ] تقویت شده است. بنابراین، به طور خاص، ۱۱ نوع خدمات اکوسیستم سطح ۲ ( جدول ۱) در این مطالعه به عنوان شاخص های ورودی برای پهنه بندی خدمات اکوسیستم فضایی GBA اتخاذ شده است. بر اساس رویکرد یادگیری ماشینی SOM، این مطالعه توزیع‌های فضایی ESV را مشخص و نقشه‌برداری کرده است که منجر به ۱۱ منطقه می‌شود ( شکل ۱۰ ). این مطالعه با استخراج مناطق ESV ( شکل ۱۰ )، استفاده از SOM را به عنوان ابزاری برای تسهیل بهره برداری پایدار و استفاده از خدمات اکوسیستم GBA روشن کرده است.

استفاده معقول و موثر از خدمات اکوسیستم در GBA باید بر اساس ویژگی های منطقه ای آن باشد تا بهره برداری های تصادفی. به عنوان مثال، این مطالعه نشان داده است که Zhaoqing عمدتا توسط مناطق ۱، ۲، و ۸ پوشش داده شده است. جیانگمن و هویژو عمدتاً توسط مناطق ۱ و ۲ و همچنین مناطق ۷ و ۸ پوشش داده می شوند. Zhongshan توسط چندین منطقه مشترک است، از جمله منطقه ۲، منطقه ۵، مناطق ۸ و ۹، و منطقه ۱۱٫ هر منطقه دارای ویژگی های منحصر به فرد خود از نظر ترکیب و ساختار ESV داخلی و روابط آن با متغیرهای خارجی است (یعنی LULC و سطوح فعالیت های انسانی). با نقشه منطقه ای، تصمیم گیرندگان قادر خواهند بود تا بر اساس توزیع فضایی و ویژگی های مناطق ESV، برنامه های هدفمند اشتقاق ESV را برای مناطق شهری جداگانه انجام دهند.شکل ۱۰). به عنوان مثال، منطقه ۱ و منطقه ۲ از نظر عرضه و خدمات تنظیمی که می توانند ارائه دهند مشابه هستند. با این حال، منطقه ۱ با سطح کمی بالاتر از فعالیت های انسانی مرتبط است، که به معنای دسترسی کمی بالاتر است و به این معنی است که سیاست گذاران می توانند منطقه ۱ را برای اطمینان از بهره برداری سازگارتر با محیط زیست و استفاده از عرضه و خدمات تنظیم کننده، اولویت بندی کنند، که می تواند ساخت و ساز اضافی را به حداقل برساند. زیرساخت های دست ساز و کاهش هزینه ها. به عنوان مثال دیگر منطقه ۶ و منطقه ۱۰ را در نظر بگیرید. هر دو منطقه نیاز را برآورده می کنند اگر هدف مشتق کردن انواع مختلف و متنوع خدمات اکوسیستمی از یک منطقه باشد. با این حال، سیاست گذاران ممکن است منطقه ۶ را در اولویت قرار دهند اگر حفاظت از زمین های چمن یک نگرانی کلیدی باشد زیرا منطقه ۶ در مقایسه با منطقه ۱۰ توسط درصد بسیار کمتری از زمین های چمن پوشیده شده است. بهره برداری منطقی و استفاده از خدمات اکوسیستم در چنین شیوه هایی به اقتصاد هوشمند و محیط هوشمند GBA و در نتیجه اقتصاد پایدار کمک می کند. در اینجا از اقتصاد هوشمند به عنوان یک اقتصاد متنوع، سالم و آزاد یاد می شود که منافعی را برای منطقه به همراه دارد. محیط هوشمند در اینجا به عنوان مدیریت منابع هوشمند در رابطه با محیط طبیعی و ساخته شده نامیده می شود.۳ ].

۵٫۲٫ توصیه ها

این مطالعه با وولمر و همکاران همخوانی دارد. [ ۶۰ ] که نقشه برداری و ارائه خدمات اکوسیستم به صورت فضایی برای اثربخشی برنامه ریزی فضایی منطقه ای بسیار مهم است. این تحقیق یک گردش کار برای استفاده از یادگیری ماشینی SOM برای انجام منطقه بندی فضایی خدمات اکوسیستم ارائه کرده است. چنین نتایج منطقه بندی ( شکل ۱۰ ) پیامدهای عملی برای توسعه پایدار GBA دارد. با این حال، همانطور که در بخش ۱ ذکر شداز آنجایی که سرویس‌های اکوسیستم در GBA پویا هستند، ما قصد نداریم نتایج منطقه‌بندی ثابت و طولانی‌مدت را در این کار ارائه دهیم، بلکه تنها به بررسی و نشان دادن کاربرد SOM برای چنین هدف منطقه‌بندی می‌پردازیم. نتایج و نقشه‌های منطقه‌بندی باید بسته به تغییرات آتی شاخص‌های ورودی ESV و الزامات منطقه‌بندی به‌روزرسانی و تنظیم شوند. شایان ذکر است که این روش می‌تواند برای منطقه‌بندی ESV در مناطق دیگر (نه محدود به GBA) اعمال شود و می‌تواند در هر تحلیل منطقه‌بندی برای تسهیل تصمیم‌گیری و سیاست‌گذاری مرتبط با حفاظت استفاده شود. مزیت SOM این است که امکان انعطاف پذیری در تعیین تعداد مفید مناطق را فراهم می کند (به بخش ۳٫۳٫۱ مراجعه کنید.) با توجه به نیازهای کاهش ابعاد سیاستگذاران. با این حال، شایان ذکر است که این می تواند در شرایط خاص یک نقطه ضعف باشد. به عنوان مثال، روش و گردش کار برای شرایطی که در آن به یک نتیجه منطقه بندی استاندارد طلایی نیاز است، مناسب نیست، زیرا تعیین اندازه SOM کیفی است و می تواند تا حدودی دلخواه باشد. بنابراین، روش و گردش کار ارائه شده در این مطالعه عمدتاً باید برای حمایت از تصمیم‌گیری استفاده شود تا برای استخراج نقشه‌های پهنه‌بندی استاندارد طلایی.

برای کارهای آینده، ابتدا باید انواع بیشتری از خدمات اکوسیستمی در نظر گرفته شود و استخراج شود زیرا باید بیش از ۱۱ نوع خدمات اکوسیستمی وجود داشته باشد ( جدول ۱).) که GBA می تواند ارائه دهد. دوم، اگرچه این مطالعه نتایج منطقه‌بندی را در ارتباط با متغیرهای LULC و چراغ‌های شبانه مورد بررسی قرار داد، تحلیل‌های دسترسی به سرویس اکوسیستم واقعی بر اساس مجموعه داده‌های شبکه جاده‌ای از نظر توپولوژیکی دقیق می‌تواند برای تسهیل استفاده مؤثر از خدمات اکوسیستم مفیدتر باشد (به عنوان مثال، محاسبه فاصله از سلول های شطرنجی تا انواع مختلف جاده ها (طبقات سلسله مراتبی)، تراکم جاده در یک شعاع خاص، یا شاید حتی دسترسی بالقوه). علاوه بر این، این مطالعه عمدتاً ابعاد اقتصادی و زیست محیطی پایداری را بررسی کرده است. همچنین بررسی بیشتر بعد اجتماعی پایداری ضروری خواهد بود. نحوه تعامل مردم و جامعه با اکوسیستم های طبیعی نیز می تواند در پهنه بندی نقش داشته باشد. در واقع، بنت و چاپلین-کرامر [۳۳ ] جهت دستیابی به سیستم های اجتماعی-اکولوژیکی پایدارتر، از جمله (۱) درک پیامدهای ارائه خدمات اکوسیستمی برای رفاه انسان [ ۶۱ ، ۶۲ ]، (۲) درک نقش اشکال مختلف سرمایه انسانی در تأمین اکوسیستم، دستورالعمل هایی را توصیه کرده اند. خدمات برای رفاه انسان [ ۳۳ ]، و (۳) درک عملکرد سیستم های اجتماعی-اکولوژیکی در ارائه خدمات اکوسیستم، انعطاف پذیری و توزیع آنها [ ۶۳ ، ۶۴]. پایداری باید با تمرین‌کنندگان به‌گونه‌ای توسعه یابد که برای مردم مهم باشد و به‌طور پویا در طول زمان بهبود یابد. علاوه بر این، وضوح فضایی لایه‌های ورودی این مطالعه اکتشافی ۱ کیلومتر است که باید در کارهای آتی افزایش یابد تا نتیجه منطقه‌بندی اصلاح شود. مطابق با لایه‌های ورودی با وضوح بالا، طبقه‌بندی دقیق‌تر انواع LULC برای معنادارتر کردن نتایج مفید خواهد بود. در نهایت، مقایسه سیستماتیک SOM یا کاوش SOM در ترکیب با سایر رویکردهای منطقه‌بندی فضایی پیشرفته (چه با نظارت یا بدون نظارت، به عنوان مثال، یادگیری عمیق SOM) که به طور بالقوه برای اهداف بیان شده مناسب هستند، مراحل بعدی ضروری خواهد بود.

۶٫ نتیجه گیری

پایداری یکی از چالش های بزرگ قرن بیست و یکم برای بشریت است. بسیاری از محققین انتقاد کرده اند که مطالعات موجود در مورد خدمات سیستم اکوسیستم منجر به مشارکت بیشتر در تصمیم گیری در مورد توسعه پایدار نشده است. پهنه بندی فضایی خدمات اکوسیستمی در این مطالعه به عنوان راه حلی برای پاسخگویی به تقاضاهای استفاده پایدار از خدمات اکوسیستمی پیشنهاد شده است. این مطالعه یک گردش کار و یک تحلیل اکتشافی با استفاده از SOM برای تجسم الگوهای فضایی ESV از GBA انجام داد. منطقه بندی بر اساس ۱۱ نوع خدمات اکوسیستمی انجام شد که در نتیجه ۱۱ منطقه خدمات اکوسیستمی به وجود آمد. توصیه می‌شود که استفاده معقول و مؤثر از خدمات اکوسیستم در GBA بر اساس ویژگی‌های منطقه‌ای آن باشد تا بهره‌برداری‌های تصادفی. که می تواند به اقتصاد و محیط زیست پایدار منطقه کمک کند. کاربرد SOM برای منطقه بندی خدمات اکوسیستم GBA در این مطالعه نشان داده شده است. با این حال، باید دوباره تاکید کرد که روش و گردش کار ارائه شده در این مطالعه عمدتاً باید برای حمایت از تصمیم‌گیری به جای استفاده برای استخراج نقشه‌های منطقه‌بندی استاندارد طلایی استفاده شود.

اختصارات

مخفف	املای کامل
GBA	منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو
ESV	ارزش های خدمات اکوسیستم
SOM	نقشه های خود سازماندهی
FP	تولید غذا
RMP	تولید مواد خام
WS	تامین آب
GR	تنظیم گاز
CR	تنظیم آب و هوا
EP	تصفیه محیط زیست
منابع انسانی	تنظیم هیدرولوژیکی
SC	حفاظت از خاک
NCM	نگهداری چرخه مواد مغذی
BM	حفظ تنوع زیستی
ALP	تهیه چشم انداز زیبایی شناختی
تولید ناخالص ملی	تولید ناخالص داخلی
دلار آمریکا	دلار آمریکا
RMB	رنمینبی
HKD	دلار هنگ کنگ
MOP	پاتاکا ماکانی
LULC	کاربری زمین/پوشش زمین
BMU	بهترین واحد تطبیق
VIIRS	مجموعه رادیومتر تصویربرداری مادون قرمز مرئی

منابع

ما، پ. وانگ، دبلیو. ژانگ، بی. وانگ، جی. شی، جی. هوانگ، جی. چن، اف. جیانگ، ال. لین، اچ. سنجش از دور فرونشست زمین در مقیاس بزرگ و کوچک: مطالعه موردی منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو در چین. سنسور از راه دور محیط. ۲۰۱۹ ، ۲۳۲ ، ۱۱۱۲۸۲٫ [ Google Scholar ] [ CrossRef ]
هوی، ECM؛ لی، ایکس. چن، تی. لانگ، دبلیو. رمزگشایی ساختار فضایی منطقه ابرشهری چین: یک منطقه خلیج جدید – منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو در حال ساخت. Cities ۲۰۱۸ , ۱۰۵ , ۱۰۲۱۶۸٫ [ Google Scholar ] [ CrossRef ]
گووادا، اس اس. Rodgers, T. به سوی توسعه منطقه ای هوشمندانه هنگ کنگ در منطقه خلیج بزرگتر. در توسعه منطقه ای کلانشهر هوشمند: استراتژی های طراحی اقتصادی و فضایی . Kumar, TMV, Kozhikode, K., Eds. Springer Nature Singapore Pte Ltd.: سنگاپور، ۲۰۱۹؛ صص ۱۰۱-۱۷۱٫ [ Google Scholar ]
چن، ز. لی، ی. Wang, P. دسترسی حمل و نقل و رشد منطقه ای در منطقه خلیج بزرگ چین. ترانسپ Res. قسمت D Transp. محیط زیست ۲۰۲۰ , ۸۶ , ۱۰۲۴۵۳٫ [ Google Scholar ] [ CrossRef ]
یانگ، سی. لی، کیو. هو، ز. چن، جی. شی، تی. دینگ، ک. وو، جی. تکامل فضایی-زمانی توده‌های شهری در چهار منطقه خلیج اصلی ایالات متحده، چین و ژاپن از سال ۱۹۸۷ تا ۲۰۱۷: شواهدی از تصاویر سنجش از دور. علمی کل محیط. ۲۰۱۹ ، ۶۷۱ ، ۲۳۲-۲۴۷٫ [ Google Scholar ] [ CrossRef ]
لی، ال سی; کواک، ام.-تی. باز کردن طرح منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو: مکانیزمی برای اصلاحات China World ۲۰۱۹ ، ۲ ، ۱۹۵۰۰۱۰٫ [ Google Scholar ] [ CrossRef ]
لی، اچ. جین، آر. نینگ، ایکس. اسکیتمور، ام. ژانگ، تی. اولویت بندی اهداف پایداری پروژه های عمومی بزرگ در منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو. پایداری ۲۰۱۸ ، ۱۰ ، ۴۱۱۰٫ [ Google Scholar ] [ CrossRef ]
نیش، ایکس. فن، Q. لیائو، ز. زی، جی. خو، X. فن، S. ویژگی‌های مکانی-زمانی کیفیت هوا در منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو چین طی سال‌های ۲۰۱۵-۲۰۱۷٫ اتمس. محیط زیست ۲۰۱۹ ، ۲۱۰ ، ۱۴-۳۴٫ [ Google Scholar ] [ CrossRef ]
گان، ال. چن، ی. وو، زی. کیان، ق. ژنگ، زی. تغییر حساسیت اکولوژیکی در منطقه خلیج بزرگ گوانگدونگ هنگ کنگ ماکائو در ۲۰ سال اخیر. چانه. جی. اکول. ۲۰۱۸ ، ۸ ، ۲۴۵۳-۲۴۶۲٫ (به زبان چینی) [ Google Scholar ]
بی، م. زی، جی. یائو، سی. ارزیابی امنیت اکولوژیکی بر اساس ردپای زیست‌محیطی تجدیدپذیر در منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو، چین. Ecol. اندیک. ۲۰۲۰ , ۱۱۶ , ۱۰۶۴۳۲٫ [ Google Scholar ] [ CrossRef ]
کوستانزا، آر. د گروت، آر. ساتن، پی. ون در پلوگ، اس. اندرسون، اس جی. کوبیشفسکی، آی. فاربر، اس. ترنر، RK تغییرات در ارزش جهانی خدمات اکوسیستم. گلوب. محیط زیست چانگ. ۲۰۱۴ ، ۲۶ ، ۱۵۲-۱۵۸٫ [ Google Scholar ] [ CrossRef ]
هان، آر. فنگ، سی.-سی. خو، ن. Guo، L. رابطه ناهمگن فضایی بین خدمات اکوسیستم و اختلالات انسانی: مطالعه موردی در Chuandong، چین. علمی کل محیط. ۲۰۲۰ , ۷۲۱ , ۱۳۷۸۱۸٫ [ Google Scholar ] [ CrossRef ]
سو، اس. لی، دی. هو، ین؛ شیائو، آر. Zhang، Y. پاسخ فضایی غیر ثابت تغییرات ارزش خدمات اکوسیستم به شهرنشینی در شانگهای، چین. Ecol. اندیک. ۲۰۱۴ ، ۴۵ ، ۳۳۲-۳۳۹٫ [ Google Scholar ] [ CrossRef ]
Keeney، RL تفکر متمرکز بر ارزش: شناسایی فرصت های تصمیم گیری و ایجاد جایگزین. یورو جی. اوپر. Res. ۱۹۹۶ ، ۹۲ ، ۵۳۷-۵۴۹٫ [ Google Scholar ] [ CrossRef ]
ارزش گذاری خدمات اکوسیستمی. در دسترس آنلاین: http://www.ecosystemvaluation.org/1-02.htm (در ۱۳ مارس ۲۰۲۰ قابل دسترسی است).
کوبیشفسکی، آی. کوستانزا، آر. اندرسون، اس. ساتون، پی. ارزش آتی خدمات اکوسیستم: سناریوهای جهانی و پیامدهای ملی. اکوسیستم. خدمت ۲۰۱۷ ، ۲۶ ، ۲۸۹-۳۰۱٫ [ Google Scholar ] [ CrossRef ]
چن، ز. Zhang، X. ارزش خدمات اکوسیستم در چین. چانه. علمی گاو نر ۲۰۰۰ ، ۴۵ ، ۸۷۰-۸۷۶٫ [ Google Scholar ] [ CrossRef ]
زی، جی. ژانگ، سی. ژانگ، سی. شیائو، ی. لو، سی. ارزش خدمات اکوسیستم در چین. منبع. علمی ۲۰۱۵ ، ۳۷ ، ۱۷۴۰-۱۷۴۶٫ (به زبان چینی) [ Google Scholar ]
وانگ، ایکس. یان، اف. سو، اف. تأثیرات شهرنشینی بر خدمات اکوسیستم در منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو، چین. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۲۶۹٫ [ Google Scholar ] [ CrossRef ]
ژانگ، سی. ژائو، کیو. تانگ، اچ. کیان، دبلیو. سو، م. Pan، L. چگونه سه گونه درختی با محیط شهری در منطقه بزرگ خلیج گوانگدونگ-هنگ کنگ-ماکائو چین از نظر الگوهای رشد و خدمات اکوسیستمی خود سازگار هستند؟ Forests ۲۰۲۰ , ۱۱ , ۴۲۰٫ [ Google Scholar ] [ CrossRef ]
والنتی، WC; کیمپارا، جی.ام. Preto، BdL; موراس-والنتی، P. شاخص های پایداری برای ارزیابی سیستم های آبزی پروری. Ecol. اندیک. ۲۰۱۸ ، ۸۸ ، ۴۰۲-۴۱۳٫ [ Google Scholar ] [ CrossRef ]
واس، تی. هوژ، جی. بلوک، تی. رایت، تی. بنیتز-کاپیستروس، اف. Verbruggen، A. ارزیابی پایداری و شاخص‌ها: ابزارهایی در یک استراتژی تصمیم‌گیری برای توسعه پایدار. پایداری ۲۰۱۴ ، ۶ ، ۵۵۱۲-۵۵۳۴٫ [ Google Scholar ] [ CrossRef ]
Kohonen، T. تشکیل خود سازمان یافته نقشه های ویژگی از نظر توپولوژیکی صحیح. Biol. سایبرن. ۱۹۸۲ ، ۴۳ ، ۵۹-۶۹٫ [ Google Scholar ] [ CrossRef ]
کوهونن، تی. نقشه خودسازماندهی. Proc. IEEE ۱۹۹۰ ، ۷۸ ، ۱۴۶۴-۱۴۸۰٫ [ Google Scholar ] [ CrossRef ]
وانگ، ال. لی، ز. وانگ، دی. هو، ایکس. نینگ، ک. پارتیشن بندی حفاظت از خاک و آب مبتنی بر شبکه نقشه خود سازماندهی برای حوضه های آبخیز کوچک: مطالعه موردی در حوضه آبخیز شیائوانگ، چین انجام شد. پایداری ۲۰۲۰ ، ۱۲ ، ۲۱۲۶٫ [ Google Scholar ] [ CrossRef ]
استایگر، ای. رسچ، بی. Zipf، A. کاوش خوشه‌های مکانی-زمانی و معنایی داده‌های توییتر با استفاده از شبکه‌های عصبی بدون نظارت. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۶ ، ۳۰ ، ۱۶۹۴-۱۷۱۶٫ [ Google Scholar ] [ CrossRef ]
استایگر، ای. رسچ، بی. د آلبوکرک، JP; Zipf، A. استخراج و مرتبط کردن رویدادهای ترافیکی از مشاهدات حسگر انسانی با داده های حمل و نقل رسمی با استفاده از نقشه های خودسازماندهی. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۱۶ ، ۷۳ ، ۹۱-۱۰۴٫ [ Google Scholar ] [ CrossRef ]
نیکو، آقا؛ مهجوری، ن. پهنه بندی کیفیت آب با استفاده از ماشین های بردار پشتیبان احتمالی و نقشه های خودسازماندهی. منبع آب مدیریت ۲۰۱۳ ، ۲۷ ، ۲۵۷۷-۲۵۹۴٫ [ Google Scholar ] [ CrossRef ]
فی، دی. چنگ، کیو. مائو، ایکس. لیو، اف. ژو، کیو. منطقه‌بندی کاربری زمین با استفاده از روش نقشه‌های ویژگی شبکه‌بندی-خودسازماندهی جفت: مطالعه موردی در چین. جی. پاک. تولید ۲۰۱۷ ، ۱۶۱ ، ۱۱۶۲-۱۱۷۰٫ [ Google Scholar ] [ CrossRef ]
مطالعه مهندسی Tsuchiya، T. Kansei برای منطقه‌بندی منظره خیابان با استفاده از نقشه‌های خود سازماندهی. بین المللی J. تاثیر. مهندس ۲۰۱۳ ، ۱۲ ، ۳۶۵-۳۷۳٫ [ Google Scholar ] [ CrossRef ]
زمانی، ع. ندایی، م. کاربرد شبکه عصبی سوم برای پهنه بندی تکتونیکی عددی: رویکردی جدید برای پهنه بندی زمین ساختی ایران. علوم زمین ۲۰۱۰ ، ۱۹ ، ۸۳-۸۸٫ [ Google Scholar ]
هوانگ، اف. یین، ک. هوانگ، جی. گی، ال. Wang, P. نگاشت حساسیت زمین لغزش بر اساس شبکه خود سازماندهی نقشه و ماشین یادگیری افراطی. مهندس جئول ۲۰۱۷ ، ۲۲۳ ، ۱۱-۲۲٫ [ Google Scholar ] [ CrossRef ]
بنت، EM; چاپلین-کرامر، آر. علم برای استفاده پایدار از خدمات اکوسیستم. F1000Research ۲۰۱۶ , ۵ , ۲۶۲۲٫ [ Google Scholar ] [ CrossRef ]
عزیز، JA; یانگ، ایکس. دونگ، ایکس. ژانگ، ای. چن، ایکس. لنگدون، پی.جی. ژانگ، ک. ژانگ، دبلیو. داوسون، TP گسترش مقیاس زمانی و دامنه خدمات اکوسیستم از طریق تجزیه و تحلیل‌های دیرینه محیطی، نمونه‌ای در حوضه یانگ تسه پایین است. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۲ ، ۱۰۹ ، E1111–E1120. [ Google Scholar ] [ CrossRef ]
Tomscha، SA; ساترلند، آی جی. رنارد، دی. Gergel، SE; Rhemtulla، JM; بنت، EM; دانیلز، LD; ادی، IMS؛ کلارک، EE راهنمای مجموعه داده های تاریخی برای بازسازی تغییرات خدمات اکوسیستم در طول زمان. BioScience ۲۰۱۶ ، ۶۶ ، ۷۴۷-۷۶۲٫ [ Google Scholar ] [ CrossRef ]
رنارد، دی. Rhemtulla، JM; بنت، پویایی تاریخی EM در بسته‌های خدمات اکوسیستم. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۵ ، ۱۱۲ ، ۱۳۴۱۱–۱۳۴۱۶٫ [ Google Scholar ] [ CrossRef ]
فاستر، دی. سوانسون، اف. آبر، ج. برک، آی. بروکاو، ن. تیلمن، دی. Knapp، A. اهمیت میراث استفاده از زمین برای اکولوژی و حفاظت. BioScience ۲۰۰۳ ، ۵۳ ، ۷۷-۸۸٫ [ Google Scholar ] [ CrossRef ]
لیو، جی. یانگ، دبلیو. لی، اس. خدمات اکوسیستم فریمینگ در آنتروپوسن از راه دور. جلو. Ecol. محیط زیست ۲۰۱۶ ، ۱۴ ، ۲۷-۳۶٫ [ Google Scholar ] [ CrossRef ]
چان، KMA؛ شاو، ام آر؛ کامرون، DR; آندروود، EC؛ برنامه ریزی روزانه، GC حفاظت از خدمات اکوسیستم. PLoS Biol. ۲۰۰۶ ، ۴ ، e379. [ Google Scholar ] [ CrossRef ]
خو، ز. پنگ، جی. دونگ، جی. لیو، ی. لیو، کیو. لیو، دی. کیائو، آر. Zhang، Z. همبستگی فضایی بین تغییرات عرضه و تقاضای خدمات اکوسیستم: یک رویکرد منطقه‌بندی اکولوژیکی. Landsc. طرح شهری. ۲۰۲۲ ، ۲۱۷ ، ۱۰۴۲۵۸٫ [ Google Scholar ] [ CrossRef ]
عبداللهی، ع.ا. بابازاده، ح. یارقلی، ب. تقوی، ل. پهنه بندی میزان آلودگی رودخانه های خانگی با استفاده از مدل ارزیابی چند معیاره فضایی. مدنی محیط زیست مهندس ۲۰۲۰ ، ۱۶ ، ۴۹-۶۲٫ [ Google Scholar ] [ CrossRef ]
یانگ، ال. لیو، ک. لی، اچ. لیو، ی. منطقه‌بندی آب و هوا در چین با استفاده از یادگیری ماشینی مبتنی بر طبقه‌بندی نظارت شده. ساختن. محیط زیست ۲۰۲۰ , ۱۷۱ , ۱۰۶۶۶۳٫ [ Google Scholar ] [ CrossRef ]
لیو، ی. لی، تی. ژائو، دبلیو. وانگ، اس. فو، ب. منطقه‌بندی عملکردی چشم‌انداز در سطح شهرستان بر اساس بسته خدمات اکوسیستم: مقایسه روش‌ها و نشانه‌های مدیریت. جی. محیط زیست. مدیریت ۲۰۱۹ ، ۲۴۹ ، ۱۰۹۳۱۵٫ [ Google Scholar ] [ CrossRef ]
پرز-هویوس، آ. مارتینز، بی. گارسیا هارو، FJ; مورنو، Á. Gilabert، MA شناسایی انواع عملکردی اکوسیستم از تصاویر وضوح درشت با استفاده از یک رویکرد نقشه خود سازماندهی: مطالعه موردی برای اسپانیا. Remote Sens. ۲۰۱۴ , ۶ , ۱۱۳۹۱–۱۱۴۱۹٫ [ Google Scholar ] [ CrossRef ]
مرکز داده منابع و محیط زیست در دسترس آنلاین: https://www.resdc.cn/ (در ۲۲ اوت ۲۰۲۲ قابل دسترسی است).
Xu, X. (Ed.) مجموعه داده توزیع فضایی ارزش خدمات اکوسیستم در چین ; پلتفرم ابر داده منابع و محیط آکادمی علوم چین: پکن، چین، ۲۰۱۸٫ [ Google Scholar ]
سالنامه آماری گوانگدونگ. در دسترس آنلاین: http://stats.gd.gov.cn/gdtjnj/ (در ۲۲ اوت ۲۰۲۲ قابل دسترسی است).
داده های باز بانک جهانی در دسترس آنلاین: https://data.worldbank.org/ (در ۲۲ اوت ۲۰۲۲ قابل دسترسی است).
اداره آمار و سرشماری هنگ کنگ در دسترس آنلاین: https://www.censtatd.gov.hk/home/ (در ۲۴ اوت ۲۰۲۲ قابل دسترسی است).
جهان سنج. در دسترس آنلاین: https://www.worldometers.info/ (در ۲۲ اوت ۲۰۲۲ قابل دسترسی است).
پلتفرم ابری نظارت بر اطلاعات جغرافیایی. در دسترس آنلاین: http://www.dsac.cn/ (در ۲۲ اوت ۲۰۲۲ قابل دسترسی است).
ورنس، آر. Buydens، LM نقشه های خودساز و فوق سازماندهی در r: بسته kohonen. J. Stat. نرم افزار ۲۰۰۷ ، ۲۱ ، ۱-۱۹٫ [ Google Scholar ] [ CrossRef ]
Augustijn، EW; زوریتا-میلا، آر. نقشه های خودسازماندهی به عنوان رویکردی برای کاوش الگوهای انتشار فضایی و زمانی. بین المللی J. Health Geogr. ۲۰۱۳ ، ۱۲ ، ۶۰٫ [ Google Scholar ] [ CrossRef ]
یان، ی. وانگ، Y.-C. فنگ، سی.-سی. Wan, P.-HM; چانگ، KT-T. تغییرات توزیعی بالقوه گونه‌های آفات مهاجم مرتبط با تغییرات آب و هوایی جهانی Appl. Geogr. ۲۰۱۷ ، ۸۲ ، ۸۳-۹۲٫ [ Google Scholar ] [ CrossRef ]
هوانگ، Q. یانگ، ایکس. گائو، بی. یانگ، ی. ژائو، ی. کاربرد تصاویر نور شبانه dmsp/ols: یک متاآنالیز و یک مرور ادبیات سیستماتیک. Remote Sens. ۲۰۱۴ , ۶ , ۶۸۴۴–۶۸۶۶٫ [ Google Scholar ] [ CrossRef ]
اداره ملی اقیانوسی و جوی ایالات متحده آمریکا. در دسترس آنلاین: https://ngdc.noaa.gov/eog/viirs/download_dnb_composites.html (در ۲۲ اوت ۲۰۲۲ قابل دسترسی است).
بورکهارد، بی. Maes, J. Mapping Ecosystem Services ; ناشران Pensoft: صوفیه، بلغارستان، ۲۰۱۷٫ [ Google Scholar ]
سازمان ملل متحد دستور کار ۲۱ کنفرانس سازمان ملل متحد در مورد محیط زیست و توسعه ; انتشارات سازمان ملل: ریودوژانریو، برزیل، ۱۹۹۲٫ [ Google Scholar ]
طرح کلی توسعه برای منطقه خلیج بزرگ گوانگدونگ-هنگ-هنگ-ماکائو. در دسترس آنلاین: http://www.gov.cn/zhengce/2019-02/18/content_5366593.htm#1 (در ۲۲ اوت ۲۰۲۲ قابل دسترسی است).
ولمر، دی. پریبادی، DO; ریموندی، اف. روستایی، ا. Grêt-Regamey، A. اولویت‌بندی خدمات اکوسیستم در حوضه‌های رودخانه‌ای که به سرعت شهری می‌شوند: یک رویکرد تحلیلی چند معیاره فضایی. حفظ کنید. جامعه شهرها ۲۰۱۶ ، ۲۰ ، ۲۳۷-۲۵۲٫ [ Google Scholar ] [ CrossRef ]
یانگ، دبلیو. دیتز، تی. Kramer، DB; اویانگ، ز. لیو، جی. یک رویکرد یکپارچه برای درک ارتباط بین خدمات اکوسیستم و رفاه انسان. اکوسیستم. پایداری سلامت. ۲۰۱۵ ، ۱ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ]
یانگ، دبلیو. دیتز، تی. لیو، دبلیو. لو، جی. لیو، جی. فراتر از ارزیابی اکوسیستم هزاره: یک سیستم شاخص وابستگی انسان به خدمات اکوسیستم. PLoS ONE ۲۰۱۳ ، ۸ ، e64581. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ریرز، بی. بیگز، آر. کامین، جی اس; علمکویست، ت. Hejnowicz، AP; پولاسکی، اس. دریافت معیار خدمات اکوسیستمی: یک رویکرد اجتماعی-اکولوژیکی. جلو. Ecol. محیط زیست ۲۰۱۳ ، ۱۱ ، ۲۶۸-۲۷۳٫ [ Google Scholar ] [ CrossRef ]
مارتین لوپز، بی. اینیستا-آراندیا، آی. گارسیا یورنته، ام. پالومو، آی. Casado-Arzuaga، I.; آمو، DGD؛ گومز-باگتون، ای. اوتروس-رزاس، ای. پالاسیوس آگوندز، آی. ویلارتز، بی. و همکاران کشف بسته‌های خدمات اکوسیستم از طریق ترجیحات اجتماعی. PLoS ONE ۲۰۱۲ ، ۷ ، e38970. [ Google Scholar ] [ CrossRef ]

شکل ۱٫ ( الف ) مکان GBA. ( ب ) منطقه مگاشهر GBA نشان داده شده در نقشه پایه Esri World Hillshade. توجه: مرز اداری GBA از مرکز داده های منابع و محیطی موسسه تحقیقات علوم جغرافیایی و منابع طبیعی، آکادمی علوم چین [ ۴۵ ] جمع آوری شد.

شکل ۲٫ ESV کلی GBA (رزولیشن مکانی: ۱ کیلومتر؛ تمبر زمانی: ۲۰۱۸). توجه: طبقه‌بندی چندک برای طبقه‌بندی مقادیر سلول‌ها اتخاذ شده است، که منجر به تجسم مؤثر تغییرات فضایی در داده‌ها می‌شود.

شکل ۳٫ کاربری زمین/پوشش زمین GBA (رزولوشن مکانی: ۳۰ متر؛ تمبر زمانی: ۲۰۱۷).

شکل ۴٫ فلوچارت به طور خلاصه نحوه عملکرد SOM را نشان می دهد.

شکل ۵٫ مقدار متوسط تابش سالانه چراغ های شبانه GBA (رزولوشن مکانی: ۱ کیلومتر؛ تمبر زمانی: ۲۰۱۶). توجه: طبقه‌بندی چندک برای طبقه‌بندی مقادیر سلول‌ها اتخاذ شده است، که منجر به تجسم مؤثر تغییرات فضایی در داده‌ها می‌شود.

شکل ۶٫ گردش کار منجر به منطقه بندی خدمات اکوسیستم.

شکل ۷٫ نمودار فن نشان دهنده الگوهای توزیع شاخص های ورودی در نورون های منفرد SOM 5×۵٫ پیوند زنجیره ای بین یک جفت نورون همسایه نشان می دهد که همبستگی پیرسون بین دو نورون بیشتر از ۰٫۷۵ است (همبستگی بسیار زیاد) و بنابراین می توان بیشتر در همان منطقه خوشه بندی کرد.

شکل ۸٫ ( الف ) تعداد نمونه‌های داده‌ای که در هر نورون SOM 5×۵ می‌افتد. ( ب ) نتیجه منطقه‌بندی خدمات اکوسیستم از ۵ × ۵ SOM (11 منطقه با استفاده از اعداد صحیح برچسب‌گذاری شده‌اند).

شکل ۹٫ ( الف ) نمودار فن که الگوهای توزیع نشانگرهای ورودی را در نورون‌های منفرد SOM 2×۲ نشان می‌دهد. ( ب ) تعداد نمونه‌های داده‌ای که در نورون‌های منفرد SOM 2×۲ قرار می‌گیرند. ( ج ) نمودار فن که الگوهای توزیع شاخص‌های ورودی را در نورون‌های منفرد SOM 3×۳ نشان می‌دهد. ( د ) تعداد نمونه‌های داده‌ای که در نورون‌های منفرد SOM 3×۳ قرار می‌گیرند. ( ه ) نمودار فن نشان دهنده الگوهای توزیع شاخص های ورودی در نورون های منفرد SOM 4×۴٫ ( f ) تعداد نمونه‌های داده‌ای که در نورون‌های منفرد SOM 4×۴ قرار می‌گیرند. ( گ) نمودار فن نشان دهنده الگوهای توزیع شاخص های ورودی در نورون های منفرد ۶ × ۶ SOM. ( h ) تعداد نمونه‌های داده‌ای که در سلول‌های عصبی منفرد ۶ × ۶ SOM قرار می‌گیرند (نرون‌های خاکستری نشان‌دهنده نمونه داده صفر است).

شکل ۱۰٫ نتیجه منطقه بندی خدمات اکوسیستم SOM بر روی منطقه مورد مطالعه پیش بینی شده است (تفکیک مکانی: ۱ کیلومتر؛ مهر زمانی: ۲۰۱۸).

شکل ۱۱٫ الگوهای LULC در سراسر مناطق خدمات اکوسیستم.

شکل ۱۲٫ توزیع میانگین سالانه تابش نورهای شبانه در سال ۲۰۱۶ در سراسر مناطق خدمات اکوسیستم.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام