نقشه برداری مناطق اقلیمی محلی و الگوی توزیع جمعیت در مراکز استانی چین

چکیده

مورفولوژی دقیق شهری ارائه شده توسط Local Climate Zones (LCZ)، یک طرح طبقه بندی سطح جهانی، فرصت هایی را برای مطالعات خطر گرمای شهری، تهویه شهری و برنامه ریزی حمل و نقل ارائه می دهد. در سال‌های اخیر، محققان تلاش کرده‌اند تا نقشه‌های LCZ را در سراسر جهان با پایگاه داده شهری جهانی و ابزارهای دسترسی پورتال (WUDAPT) تولید کنند. با این حال، دقت نقشه برداری LCZ رضایت بخش نیست و نمی تواند نیازهای کیفی استفاده عملی را برآورده کند. در اینجا، ما یک مجموعه داده نمونه با کیفیت بالا از شهرهای چین ساختیم و یک چارچوب طبقه‌بندی مبتنی بر وصله ارائه کردیم که از بخش‌بندی صفحه شطرنج و تصاویر چند فصلی برای نقشه‌برداری LCZ استفاده می‌کند. در مقایسه با آخرین روش WUDAPT، دقت کلی برای همه انواع LCZ (OA) و انواع LCZ شهری (OA _{u )}) چارچوب ما به ترتیب حدود ۱۰٪ و ۹٪ افزایش یافته است. علاوه بر این، بر اساس تجزیه و تحلیل توزیع جمعیت، ما ابتدا تراکم جمعیت LCZ های ساخته شده مختلف شهرهای چین را ارائه کردیم و یک اثر سلسله مراتبی تراکم جمعیت را در میان LCZ های ساخته شده در شهرهای با اندازه های مختلف یافتیم. به طور خلاصه، این مطالعه می تواند به عنوان یک مرجع ارزشمند برای تولید نقشه های LCZ با کیفیت بالا و درک الگوهای توزیع جمعیت در انواع LCZ ساخته شده باشد.

کلید واژه ها:

مناطق آب و هوایی محلی ؛ طبقه بندی مبتنی بر پچ ; تصاویر چند فصلی ؛ WUDAPT ; الگوی توزیع جمعیت ; شهرهای چین

۱٫ مقدمه

در دهه های اخیر، جهان روند بی سابقه ای از شهرنشینی را تجربه کرده است. طبق آخرین گزارش زیستگاه ملل متحد (UNH)، اگرچه مناطق شهری تنها ۳ درصد از مساحت جهان را تشکیل می دهند، اما ۵۵ درصد از جمعیت در مناطق شهری زندگی می کنند. انتظار می رود این عدد تا سال ۲۰۵۰ به ۶۸ درصد افزایش یابد [ ۱ ]. شهرنشینی سریع و برنامه ریزی نشده، همراه با چالش های ناشی از تغییرات آب و هوایی، می تواند منجر به مشکلات زیست محیطی و بهداشتی شود [ ۲ ، ۳ ]] در بسیاری از شهرها، از این طریق بر توسعه پایدار شهرها تأثیر می گذارد. فقدان داده‌های ثابت جهانی در مورد شهرها، درک تأثیر کلی شهرنشینی را دشوار می‌کند. با این حال، فناوری سنجش از دور منبعی از داده ها را برای این چالش فراهم می کند. به ویژه، ماهواره Landsat-8 سازمان ملی هوانوردی و فضایی (NASA) و ماهواره Sentinel-2 آژانس فضایی اروپا (ESA) داده های رصد زمین مستمر، قابل اعتماد و با کیفیت کنترل شده را ارائه می دهند که رایگان و باز هستند.

از طریق داده‌های سنجش از دور و تکنیک‌های هوش مصنوعی، برخی از محققان مجموعه‌های داده متعددی را در مورد وسعت مرزهای شهری جهانی ایجاد کرده‌اند، مانند ردپای جهانی شهری (GUF) [ ۴ ]، لایه سکونت انسانی جهانی (GHSL) [ ۵ ]، و غیرقابل نفوذ مصنوعی جهانی. منطقه (GAIA) [ ۶ ]، که یک ماسک باینری از سطوح شهری و غیر شهری را ارائه می دهد. علاوه بر این، برخی از مجموعه داده‌های کاربری/پوشش زمین (LULC) مانند نقشه جهانی پوشش زمین (GLC) [ ۷ ، ۸ ] و ESA Climate Change Land Cover (CCI-LC) [ ۹ ] وجود دارد.] که مناطق شهری را از طریق سطوح غیر قابل نفوذ نشان می دهد. از طریق این مجموعه داده های مرز شهری جهانی و مجموعه داده های LULC، رشد و نرخ شهرنشینی جهانی را می توان در مقیاس شهر مشاهده کرد. با این حال، بسیاری از تلاش‌های بین‌المللی برای پرداختن به مسائل شهرنشینی، مانند فراخوان سازمان ملل برای «شهرها و جوامع پایدار»، مبتنی بر اندازه‌گیری دقیق ارقام ریخت‌شناسی و جمعیت‌شناختی شهری است که می‌تواند پایه‌های علمی کلیدی را برای تخصیص منابع ارزشمند در سطح وسیعی فراهم کند. طیفی از سهامداران [ ۱۰ ]. این ماسک‌های شهری باینری و مجموعه داده‌های LULC نمی‌توانند جزئیات فضایی کافی برای توصیف ساختارها و عملکردهای داخلی شهرها ارائه دهند.

برای پرداختن به این موضوع، استوارت و اوکه [ ۱۱ ] یک سیستم طبقه بندی منطقه آب و هوایی محلی (LCZ) پیشنهاد کردند که از ده نوع LULC ساخته شده یا مصنوعی (LCZs 1-10؛ شکل ۱ ) و هفت نوع LULC طبیعی تشکیل شده است. (LCZs AG؛ شکل ۱ ). انواع LCZ به عنوان مناطقی با پوشش سطحی، ساختار، مواد و فعالیت انسانی یکنواخت تعریف می شوند که صدها متر تا چندین کیلومتر در مقیاس افقی را در بر می گیرند [ ۱۱ ]. از آنجایی که طرح LCZ در ابتدا برای استانداردسازی تبادل مشاهدات دمای شهری طراحی شد، مطالعات جزیره گرمایی شهری تحت طرح طبقه‌بندی LCZ در بیش از ۱۳۰ شهر در سراسر جهان در سال‌های اخیر انجام شده است [ ۱۲ ].]. در همان زمان، طرح LCZ همچنین توصیف عددی پارامترهای تاج پوشش شهری را ارائه می دهد که در طبقه بندی سنتی LULC نادر هستند اما در اکوسیستم شهری کلیدی هستند. این داده‌های LCZ را برای طیف گسترده‌ای از کاربردها، از جمله برنامه‌ریزی شهری [ ۱۳ ، ۱۴ ]، مدل‌سازی تقاضای انرژی شهری [ ۱۵ ، ۱۶ ]، شبیه‌سازی تهویه شهری [ ۱۷ ، ۱۸ ، ۱۹ ] و نظارت بر آسایش حرارتی در فضای باز [ ۲۰ ] جذاب کرده است. ، ۲۱ ].

طرح طبقه بندی LCZ در اصل برای مطالعات آب و هوایی شهری [ ۱۱ ، ۲۲ ] طراحی شده بود، و محدوده جمعیت مرجع برای هر نوع LCZ ارائه نشده بود [ ۲۳ ]. با این حال، نقشه های LCZ نیز می توانند برای درک بهتر توزیع جمعیت شهری مورد استفاده قرار گیرند، زیرا LCZ های ساخته شده دارای ویژگی های نسبتاً متمایز در اندازه، ارتفاع، تراکم و کاربری ساختمان هستند. دموزر و همکاران [ ۲۳ ] دریافتند که داده‌های جمعیتی در LCZها با طبقه‌بندی آن‌ها در هنگام ترسیم قاره ایالات متحده به انواع LCZ مطابقت دارد. علاوه بر این، هو و همکاران. [ ۲۴] نقشه های LCZ را با تراکم جمعیت برای تجزیه و تحلیل مصرف زمین شهری در مقیاس فضایی درون شهری در بیش از ۴۰ شهر در سراسر جهان ترکیب کرد. با این حال، مطالعات کمی رابطه بین LCZ ها و داده های جمعیت را در مقیاس ملی، به ویژه در چین، پرجمعیت ترین کشور جهان، بررسی کرده اند. علاوه بر این، ناشناخته است که چگونه اندازه های مختلف شهر بر توزیع جمعیت در LCZs تأثیر می گذارد.

روش‌های زیادی برای تولید نقشه‌های LCZ وجود دارد، از جمله نمونه‌گیری سنتی از طریق بررسی‌های میدانی، رویکردهای سیستم اطلاعات جغرافیایی (GIS) و رویکردهای طبقه‌بندی تصاویر سنجش از دور [ ۲۵ ، ۲۶ ، ۲۷ ، ۲۸ ، ۲۹ ، ۳۰ ]. طبقه بندی بر اساس تصاویر سنجش از دور روشی سریع و مقرون به صرفه برای نقشه برداری LCZ فراهم می کند و به طور گسترده در مطالعات قبلی استفاده شده است [ ۳۱ ، ۳۲ ، ۳۳ ، ۳۴ ، ۳۵ ، ۳۶ ]. بچتل و همکاران [ ۲۶] یک رویکرد طبقه‌بندی نظارت شده مبتنی بر پیکسل طراحی کرد که از تصاویر Landsat-8 و الگوریتم طبقه‌بندی تصادفی جنگل [ ۳۷ ] برای تولید یک نقشه LCZ با وضوح ۱۰۰ متر استفاده می‌کند. این روش توسط پروژه World Urban Database and Access Portal Tools (WUDAPT) برای ایجاد یک پایگاه داده برای آپلود نمونه های LCZ و سپس تولید نقشه های LCZ از شهرهای مختلف در سراسر جهان استفاده شد [ ۳۸ ]. دموزر و همکاران [ ۳۹ ] سپس یک پلت فرم آنلاین (LCZ-Generator) طراحی کرد تا گردش کار طبقه بندی WUDAPT پیش فرض را بیشتر ساده کند. تنها ۱۵۰ شهر در سراسر جهان نقشه LCZ و نمونه های مربوطه خود را در وب سایت WUDAPT بارگذاری کرده اند [ ۳۹]، و این نقشه ها ممکن است به دلیل تغییرات سریع LULC که در / اطراف مناطق شهری رخ می دهد، به سرعت منسوخ شوند. اگرچه اخیراً مجموعه‌های مناطق آموزشی بیشتری به ژنراتور LCZ ارسال شده است، نمونه‌های شهرهای مختلف نمی‌توانند سازگار باشند. در حال حاضر، تنها اروپا [ ۴۰ ] و قاره ایالات متحده [ ۲۳ ] دارای یک نقشه کامل LCZ هستند. بنابراین، نیاز به یک مجموعه نمونه آموزشی با کیفیت بالا با اطلاعات برچسب برای ایجاد یک نقشه کامل LCZ از چین وجود دارد.

نتایج ارزیابی کیفیت مختلف نشان می دهد که دقت نقشه برداری LCZ به دست آمده با روش WUDPAT اغلب بالا نیست [ ۴۱ ، ۴۲ ]. روش WUDAPT مبتنی بر پیکسل است که به شدت بر اطلاعات طیفی پیکسل های تصویر، یعنی بازتاب الکترومغناطیسی در طول موج های مختلف متکی است. با این حال، به دلیل تفاوت در عوامل محیطی فرهنگی و فیزیکی (به عنوان مثال، مصالح ساختمانی و انواع پوشش گیاهی)، انواع LCZ در شهرهای مختلف اغلب دارای ویژگی های طیفی متفاوتی هستند. بنابراین، رویکردهای طبقه‌بندی LCZ تنها بر اساس اطلاعات طیفی پیکسل‌ها به تنهایی نمی‌توانند به دقت بالایی دست یابند. محققان سنجش از دور دریافته‌اند که اطلاعات بافت برای کارهای طبقه‌بندی تصویر مفید است [ ۴۳]، به‌ویژه زمانی که پیکسل‌های تصویر کوچک‌تر از ویژگی‌های مورد علاقه LULC هستند (زیرا پیکسل‌های جداگانه تنها بخشی از ویژگی مورد علاقه را در این مورد نشان می‌دهند). رویکردهای طبقه‌بندی مبتنی بر وصله می‌توانند از اطلاعات زمینه‌ای ارائه شده توسط پیکسل‌های همسایه، به عنوان مثال، ناهمگنی طیفی محلی، بهتر بهره ببرند. برخی از محققان روش‌های یادگیری عمیق مانند CNN و FCN را مطرح کرده‌اند [ ۳۵ ، ۳۶ ، ۴۴ ]، که ویژگی‌های مبتنی بر پچ را نیز در بر می‌گیرند، یا از داده‌های کمکی مانند داده‌های ارتفاع ساختمان استفاده می‌کنند [ ۳۲ ، ۴۵ ]] برای بهبود دقت نقشه برداری LCZ. با این حال، به دلیل محدودیت در داده های آموزشی یا داده های تصویری موجود در بیشتر شهرها، این روش ها در حال حاضر جهانی نیستند. در عین حال، نتایج طبقه‌بندی با مقیاس فضایی که در آن نقشه‌های LCZ تولید می‌شوند، به طور قابل‌توجهی متفاوت است [ ۲۶ ، ۴۱ ]. استوارت و اوکه [ ۱۱ ] پیشنهاد کردند که حداقل شعاع هر LCZ باید بین ۲۰۰-۵۰۰ متر باشد. لیو و همکاران [ ۴۴ ] از تصاویر Sentinel-2 با وضوح فضایی ۱۰ متر برای نقشه برداری LCZ استفاده کرد و دریافت که اندازه تصویر بهینه از ۳۲ تا ۶۴ است. Zheng et al. [ ۲۸] نقشه برداری LCZ را در هنگ کنگ انجام داد و دریافت که مقیاس نقشه برداری بهینه ۳۰۰ متر است. گذشته از استفاده از اطلاعات زمینه ای از پیکسل های همسایه، بسیاری از مطالعات نشان داده اند که اطلاعات چند فصلی از تصاویر سنجش از دور می تواند به بهینه سازی نتایج نقشه برداری طبقه بندی پوشش زمین کمک کند [ ۴۶ ، ۴۷ ] و به طور قابل توجهی دقت نقشه برداری طبقه بندی LCZ را بهبود بخشد [ ۳۶ ] , ۴۸ , ۴۹ ]. بر اساس اطلاعات فوق از کارهای قبلی، بدیهی است که چارچوب طبقه بندی LCZ با وضوح ۳۰۰ متر، چند زمانی و مبتنی بر پچ می تواند برای نقشه برداری LCZ در چندین شهر موفق باشد.

این مطالعه با هدف: (۱) ساخت یک مجموعه نمونه آموزشی با کیفیت بالا با اطلاعات برچسب در ۳۴ شهر مرکز استان چین، (۲) ارائه یک چارچوب طبقه بندی برای بهبود دقت نقشه برداری LCZ، (۳) مطالعه توزیع جمعیت در LCZ ها بر روی مقیاس ملی، و (۴) بیشتر بررسی می کند که چگونه اندازه های مختلف شهر بر توزیع جمعیت در LCZs تأثیر می گذارد. برای دستیابی به این اهداف، چند ضلعی های نمونه را با استفاده از تصاویر با وضوح بالا از Google Earth ترسیم و برچسب گذاری کردیم. سپس، ما یک چارچوب طبقه‌بندی LCZ را بر اساس تقسیم‌بندی صفحه شطرنج و تصاویر چند فصلی Sentinel-2 در یک شبکه ۳۰۰ متری پیشنهاد کردیم و از این چارچوب برای تولید نقشه‌های LCZ در ۳۴ شهر مرکز استان چین استفاده کردیم. سپس، یک تحلیل همپوشانی برای تجزیه و تحلیل رابطه بین نتایج طبقه‌بندی LCZ با داده‌های جمعیت در مقیاس ملی انجام شد. در نهایت، تأثیر اندازه شهر بر توزیع جمعیت در LCZ با طبقه‌بندی شهرها بر اساس تعداد جمعیت‌های دائمی شهری تحلیل شد.

۲٫ مواد و روشها

۲٫۱٫ Aera را مطالعه کنید

چین کشوری پهناور و پرجمعیت است که در شرق آسیا و در سواحل غربی اقیانوس آرام (۷۳°۳۳′-۱۳۵°۰۵′ شرقی؛ ۳°۵۱′-۵۳°۳۳′ شمالی) واقع شده است، همانطور که در شکل نشان داده شده است. ۲ . به دلیل تفاوت های فاحش در شرایط جغرافیایی، آب و هوای چین پیچیده و متنوع است. انواع آب و هوایی شامل آب و هوای استوایی در جنوب تا آب و هوای معتدل سرد در شمال و آب و هوای کوهستانی فلات در فلات چینگهای-تبت است. قسمت جنوب شرقی چین پرجمعیت است و قسمت شمال غربی آن کم جمعیت است. تنوع آب و هوا و توزیع نابرابر جمعیت منجر به تفاوت های زیادی در مناظر شهری در چین می شود.

شهرهای چین بر اساس استاندارد طبقه بندی اندازه شهر جدید صادر شده توسط چین [ ۵۰ ] طبقه بندی شدند و با توجه به ساکنان دائمی شهری در منطقه مورد مطالعه به چهار اندازه تقسیم شدند ( جدول S1 ). در تجزیه و تحلیل بخش ۳٫۳ ، ماکائو و لاسا را حذف کردیم زیرا این دو شهر جدا از شباهت ها از نظر جمعیت، از نظر شکل شهری تفاوت زیادی دارند. این در حالی است که تعداد شهرهای متوسط آنقدر کم است که نتایج قابل قبول نباشد.

در این مطالعه، ما نقشه برداری LCZ و تجزیه و تحلیل توزیع جمعیت را در ۳۴ شهر بزرگ چین انجام دادیم. این ۳۴ شهر نمایانگر شهرداری ها یا مراکز استانی هستند که در مناطق آب و هوایی مختلف قرار دارند و دارای اشکال و مناظر پیچیده شهری هستند. وسعت منطقه مورد مطالعه هر شهر در نظر گرفته شده برای تجزیه و تحلیل ما توسط مجموعه داده GUB و مرز اداری شهر تعیین شد تا مناطق غیر شهری را به میزان قابل توجهی کاهش دهد. ما مرز به دست آمده برای ووهان را در شکل ۲ به عنوان مثال نشان می دهیم.

۲٫۲٫ مجموعه داده ها

در این مطالعه، از داده‌های بازتاب سطح Sentinel-2 [ ۵۱ ، ۵۲ ] استفاده کردیم] برای تجزیه و تحلیل تصویر سنجش از دور و نقشه برداری LCZ. در حال حاضر، Sentinel-2 بالاترین وضوح تصاویر ماهواره ای آزادانه در دسترس است، با وضوح فضایی از ۱۰ تا ۶۰ متر بسته به باند طیفی. یکی دیگر از مزایای داده‌های Sentinel-2 این است که تصاویر از اکثر مکان‌های روی سطح زمین هر ۵ روز یک بار با دو ماهواره مکمل به دست می‌آید. بنابراین، این داده ها برای نقشه برداری LCZ مناسب هستند. همانطور که قبلا ذکر شد، داده های سنجش از راه دور چند فصلی احتمالاً دقت نقشه برداری LCZ را بهبود می بخشد. با این حال، پوشش ابر اغلب در تصاویر منفرد Sentinel-2 مانع از دید سنسور از زمین می شود. برای کاهش اثرات آلودگی ابر، ما تصاویر موزاییک فصلی را از تصاویر اصلی Sentinel-2 ایجاد کردیم. تاریخ تصاویر ترکیبی چند فصلی مورد استفاده در این مطالعه در جدول S2 نشان داده شده است(در مجموع ۱۳۶ تصویر ترکیبی فصلی).

علاوه بر تصاویر Sentinel-2، ما همچنین از مجموعه داده های مکانی اضافی برای تجزیه و تحلیل ۳۴ منطقه شهری استفاده کردیم. همانطور که قبلا ذکر شد، داده های GUB و مرزهای اداری شهرها برای تعیین مرزهای تحقیقاتی هر شهر استفاده می شود. داده های شمارش جمعیت [ ۵۳ ] (در ترکیب با نقشه های LCZ که ما تولید کردیم) برای تجزیه و تحلیل توزیع جمعیت هر شهر در مقیاس درون شهری استفاده شد. روش های دقیق برای پیش پردازش Sentinel-2 و داده های جمعیت در بخش ۲٫۳٫۱ ارائه شده است.

۲٫۳٫ مواد و روش ها

نمودار جریان این مطالعه در شکل ۳ نشان داده شده است . ما ابتدا تصاویر Sentinel-2 را برای نقشه برداری LCZ و شمارش جمعیت برای تجزیه و تحلیل توزیع جمعیت در بخش ۲٫۳٫۱ از پیش پردازش کردیم . فرآیند ساخت مجموعه داده نمونه LCZ برای شهرهای چین در بخش ۲٫۳٫۲ توضیح داده شده است . برای دستیابی به نقشه برداری با کیفیت بالا از LCZ در ۳۴ شهر، یک طرح طبقه بندی LCZ مبتنی بر پچ (طرح ۱) بر اساس تقسیم بندی صفحه شطرنج و تصاویر چند فصلی در بخش ۲٫۳٫۳ پیشنهاد شده است . برای تأیید اثربخشی طرح ما، آخرین روش طبقه بندی (طرح ۲) از وب سایت WUDAPT برای مقایسه انتخاب شد و جزئیات در بخش ۲٫۳٫۴ نشان داده شده است.. در نهایت، تجزیه و تحلیل توزیع جمعیت بر اساس انواع LCZ انجام شده است ( مواد تکمیلی شکل S1 ). جزئیات در بخش ۲٫۳٫۵ نشان داده شده است.

۲٫۳٫۱٫ پیش پردازش داده ها

برای به دست آوردن تصاویر Sentinel-2 از شهرهای مرکز استان چین، داده های Sentinel-2 L2A با استفاده از پلت فرم وب Google Earth Engine [ ۵۴ ] به دست آمد.]. ابتدا، تصاویر Sentinel-2 L2A توسط مناطق مورد علاقه، تاریخ ها و آستانه ابر فیلتر شدند تا مجموعه داده های تصویر اولیه به دست آید. نتیجه این بود که یک پشته متراکم از تصاویر Sentinel-2 با پوشش ابری کمتر از ۱۰ درصد بود. سپس، ابرهای باقیمانده در این تصاویر اولیه با استفاده از باند QA60 Sentinel-2 حذف شدند و در نتیجه مجموعه‌ای از تصاویر فیلتر شده با ابر تولید شد. در نهایت، مجموعه داده تصویر فیلتر شده با ابر برای هر فصل برای تولید تصاویر ترکیبی Sentinel-2 با گرفتن مقدار پیکسل میانه در هر مکان (برای هر باند تصویر) استفاده شد. در نتیجه، در مجموع ۱۳۶ تصویر ترکیبی فصلی Sentinel-2 برای ۳۴ شهر تولید شد که برای نقشه برداری LCZ بعدی مورد استفاده قرار گرفت.

برای حفظ وضوح شمارش جمعیت با نتایج نقشه برداری LCZ از شهرهای چین، داده های جمعیت به ۳۰۰ متر نمونه برداری می شوند و سپس مقادیر پیکسل بر مساحت نمایش داده شده توسط هر شبکه تقسیم می شوند. داده های تراکم جمعیت شهرهای چین با وضوح ۳۰۰ متر برای تجزیه و تحلیل توزیع جمعیت بعدی به دست آمده است.

۲٫۳٫۲٫ LCZ نمونه ساخت مجموعه داده

برای حل فقدان نمونه های LCZ در چین، ما به صورت دستی داده های منطقه آموزشی را برای ۳۴ شهر مرکز استان جمع آوری کردیم. ابتدا، به دنبال تعاریف هر نوع LCZ [ ۱۱ ]، چند ضلعی های نمونه LCZ را با تجزیه و تحلیل بصری تصاویر با وضوح بالا از Google Earth دیجیتالی و برچسب گذاری کردیم. در فرآیند برچسب‌گذاری نمونه، از چند معیار کلی پیروی کردیم ( https://www.wudapt.org/digitize-training-areas، قابل دسترسی در ۱ مه ۲۰۲۲). سپس، نتایج اولیه نقشه برداری با استفاده از طبقه بندی جنگل تصادفی بر اساس مجموعه داده های نمونه اولیه LCZ و تصاویر ترکیبی فصلی Sentinel-2 به دست آمد. سپس، نقشه‌های طبقه‌بندی توسط ما در Google Earth بررسی شد تا اطمینان حاصل شود که نتایج طبقه‌بندی با حقیقت زمین سازگار است. اگر خطایی وجود داشته باشد، مرز چند ضلعی های نمونه اصلاح شده است یا چند ضلعی های نمونه اضافی برای تسهیل طبقه بندی مجدد اضافه شده است. فرآیند اصلاح و طبقه بندی نمونه باید تکرار شود تا زمانی که نقشه های طبقه بندی با شرایط واقعی مطابقت داشته باشند. در نهایت، ما یک مجموعه نمونه آموزشی با کیفیت بالا از LCZ در ۳۴ شهر چین ساخته ایم. تعداد چند ضلعی های نمونه LCZ جمع آوری شده از هر شهر در شکل ۴ نشان داده شده است. با توجه به تفاوت سطح توسعه شهری و منظر شهری، تعداد انواع LCZ از شهری به شهر دیگر متفاوت است.

۲٫۳٫۳٫ نقشه برداری LCZ بر اساس تقسیم بندی صفحه شطرنج و تصاویر چند فصلی

برای تولید نقشه‌های LCZ از ۳۴ شهر مرکز استان چین، یک چارچوب طبقه‌بندی LCZ مبتنی بر پچ (طرح ۱) را پیشنهاد کردیم که از تقسیم‌بندی صفحه شطرنج و تصاویر چند فصلی استفاده می‌کند. در ابتدا، برای استفاده از اطلاعات مکانی و زمینه‌ای پیکسل‌های همسایه، تصاویر ترکیبی Sentinel-2 از طریق تقسیم‌بندی صفحه شطرنج به تکه‌هایی با اندازه ۳۰×۳۰ پیکسل تقسیم شدند. سپس چندین ویژگی طیفی و بافت در سطح پچ محاسبه شد. ویژگی‌های طیفی سطح وصله شامل میانگین مقدار طیفی هر باند تصویر، حداکثر تفاوت در مقادیر پیکسل برای هر باند تصویر، و روشنایی (یعنی میانگین مقادیر طیفی همه باندها ترکیبی) برای مجموع ۱۸ ویژگی است. ویژگی های بافت محاسبه شده شامل: همگنی، کنتراست، عدم تشابه، آنتروپی، لحظه دوم زاویه ای، میانگین،۵۵ ].

در مرحله بعد، چند ضلعی‌های نمونه LCZ به‌دست‌آمده با نمونه‌گیری دستی برای برچسب‌گذاری وصله‌های تقسیم‌بندی استفاده شدند و معیار برچسب‌گذاری با توجه به نرخ همپوشانی بیش از ۵۰٪ تنظیم شد. برای سازگاری با نرخ نمونه‌گیری آخرین روش WUDAPT، ۷۰ درصد از تکه‌های برچسب‌گذاری شده به عنوان نمونه آموزشی و ۳۰ درصد به عنوان نمونه اعتبار سنجی استفاده شد. در اینجا از راهبرد نمونه گیری تصادفی طبقه ای برای به دست آوردن نمونه های آموزشی و نمونه های اعتبار سنجی استفاده شد. طبقه‌بندی‌کننده جنگل تصادفی برای نقشه‌برداری LCZ با استفاده از این ویژگی‌های طیفی/بافت انتخاب شد، زیرا طبقه‌بندی‌کننده پیشرفته، غیر پارامتری و کارآمد است که به طور گسترده در کارهای طبقه‌بندی منطقه آب و هوایی محلی استفاده می‌شود [ ۲۶ ، ۲۹ ، ۵۶ ] ، ۵۷]. با رعایت آخرین روش WUDAPT، فرآیند طبقه بندی ۲۵ بار تکرار می شود. ما همچنین چندین معیار دقت تخصصی را برای نقشه‌برداری LCZ که در سال‌های اخیر پیشنهاد شده‌اند، محاسبه کرده‌ایم، یعنی: دقت کلی (OA)، دقت کلی انواع LCZ شهری (OA _u )، دقت کلی انواع LCZ ساخته‌شده (OA _bu )، و دقت وزنی (OA _w ). تعاریف خاص این شاخص ها را می توان در [ ۴۱ ، ۵۸ ] یافت.

۲٫۳٫۴٫ آخرین روش پردازش WUDAPT

برای تولید نقشه های LCZ سازگار در سطح جهانی به راحتی و سریع تر، Demuzere و همکاران. [ ۳۹ ] یک برنامه وب، LCZ Generator (طرح ۲) را پیشنهاد کرد که بر اساس گردش کار طبقه بندی پیش فرض WUDAPT است. LCZ Generator از نمونه های بارگذاری شده توسط محققان برای انجام نقشه برداری LCZ استفاده می کند و در نهایت نقشه های طبقه بندی LCZ مربوطه را در وب سایت به اشتراک می گذارد. به طور خاص، علاوه بر Landsat-8، سایر مشاهدات زمین، در ترکیب با نمونه‌های LCZ، به عنوان ورودی طبقه‌بندی جنگل تصادفی استفاده می‌شوند. در مجموع از ۳۳ ویژگی استفاده شد، از جمله ۱۶ ویژگی از Landsat-8، ۵ ویژگی از Sentinel-1، ۸ ویژگی از Sentinel-2، و ۴ ویژگی اضافی، که همه آنها با وضوح ۱۰۰ متر نمونه برداری شده اند. به تفصیل [ ۳۹برای اطمینان از کیفیت نقشه LCZ، یک رویکرد اعتبار سنجی متقابل خودکار با استفاده از ۲۵ بوت استرپ اعمال می شود [ ۴۱ ]. سپس ۷۰ درصد از چند ضلعی های نمونه در هر بوت استرپ برای آموزش و ۳۰ درصد برای آزمایش استفاده می شود. ژنراتور LCZ چندین متریک دقت نقشه LCZ از جمله OA، OA _u ، OA _bu و OA _w را خروجی می‌دهد .

۲٫۳٫۵٫ تجزیه و تحلیل توزیع جمعیت بر اساس نتایج طبقه بندی LCZ

اگرچه انواع LCZ در درجه اول توصیفی از پوشش زمین هستند، برخی از آنها را می توان به کاربری زمین و جمعیت مرتبط دانست. LCZ های ساخته شده دارای ویژگی های آشکاری در ارتفاع ساختمان، باز بودن و کاربری هستند. به طور کلی، هرچه ساختمان بالاتر و فشرده تر باشد، جمعیت در واحد سطح بالاتر خواهد بود (با فرض اینکه ساختمان ها عمدتاً برای مسکن استفاده می شوند). در نتیجه، تراکم جمعیت از نظر تئوری بین LCZ ها متفاوت خواهد بود. برای مطالعه توزیع جمعیت در LCZs در چین، یک تحلیل همپوشانی از نتایج LCZ و داده‌های جمعیت انجام شد. علاوه بر این، ۳۲ شهر (به جز ماکائو و لاسا) در چین به چهار اندازه تقسیم می شوند که عبارتند از: ابر شهر، ابرشهر، نوع Ⅰ شهر بزرگ و نوع Ⅱ شهر بزرگ با توجه به تعداد ساکنان دائمی. سپس،

۳٫ نتایج

۳٫۱٫ نتایج نقشه برداری LCZ و ارزیابی دقت

۳٫۱٫۱٫ تجزیه و تحلیل نتایج نقشه برداری LCZ در بین شهرها

همانطور که در شکل S1 نشان داده شده است، با استفاده از آخرین نمونه های منطقه آموزشی اصلاح شده، نقشه های LCZ را برای تمام ۳۴ شهر چین تولید کردیم . برای نشان دادن وضعیت طبقه بندی LCZ، نمودار جعبه ای از دقت کلی هر شهر در شکل ۵ نشان داده شده است.. دقت کلی نتایج نقشه برداری LCZ در ۳۲ شهر، به جز لاسا و ماکائو، از ۷۵٪ تا ۹۴٪، با مقدار متوسط ۸۵٪ متغیر بود. دقت کلی اکثر شهرها در حدود ۱۰ درصد در نوسان است و هیچ نقطه پرت ظاهری وجود ندارد که نشان می دهد نتایج نقشه برداری نسبتاً پایدار بوده است. در همان زمان، ما متوجه شدیم که لاسا و ماکائو دارای میانگین دقت کلی پایین به ترتیب ۵۴٪ و ۶۵٪ هستند. این به دلیل کوچک بودن منطقه تحقیقاتی در این دو شهر و در نتیجه کوچکترین حجم نمونه بود. مطالعات قبلی نشان داده‌اند که RF زمانی که تعداد کمی از نمونه‌های آموزشی استفاده می‌شود، نتایج دقیق‌تری به دست می‌آورد [ ۵۹ ، ۶۰ ]. به طور خلاصه، میانگین دقت کلی برای همه شهرها از ۵۰٪ فراتر رفت و بیشتر شهرها بسیار فراتر از این مقدار بودند. به گفته بچتل و همکاران. [ ۴۱]، کیفیت داده های LCZ که ما تولید کردیم برای تجزیه و تحلیل کاربردی بعدی قابل قبول بود.

۳٫۱٫۲٫ تنوع دقت در بین انواع LCZ

برای تجزیه و تحلیل تفاوت در دقت نقشه برداری بین انواع LCZ، نقشه حرارتی دقت تولید کننده (همانطور که در شکل ۶ نشان داده شده است)) برای هر شهر برای هر نوع LCZ تولید شد. از دیدگاه انواع LCZ شهری و روستایی، مشاهده شد که میانگین دقت LCZهای ساخته شده از ۶۸٪ تا ۸۶٪، که به طور کلی کمتر از میانگین دقت LCZ های طبیعی از ۸۴٪ تا ۹۹٪ بود. به طور خاص، می توان مشاهده کرد که صرف نظر از اینکه شهر در کجا واقع شده است و شهر چقدر توسعه یافته است، دقت LCZ A (درختان متراکم) و LCZ G (آب) به طور مداوم بالا است، با دقت متوسط ۹۶٪ و ۹۹٪. . با این حال، دقت LCZ 1-6 کم است، با دقت متوسط به ترتیب ۸۰٪، ۶۸٪، ۷۹٪، ۷۷٪، ۶۸٪ و ۷۹٪. علاوه بر این، به دلیل تفاوت در مورفولوژی شهری، سطح برخی از شهرها دارای دسته بندی های خاص LCZ نبود، به طور عمده شامل LCZ 7 (سبک وزن کم)، LCZ 9 (کم ساخت)، LCZ 10 (صنایع سنگین) و LCZ C. (بوته). از این رو،

۳٫۱٫۳٫ مقایسه دقت بین روش ما و WUDAPT

نمونه های منطقه آموزشی LCZ با اطلاعات برچسب از ۳۴ شهر چین در وب سایت WUDAPT آپلود شد. سپس دقت نقشه برداری و نتایج LCZ برای شهرهای مربوطه پس از پردازش در بستر وب سایت به دست آمد. نتایج نقشه برداری در شکل S1 نشان داده شده است ، و داده های مربوطه را می توان در https://lcz-generator.rub.de/ ، در تاریخ ۱ مه ۲۰۲۲، یافت و دانلود کرد. برای مقایسه دقت طبقه بندی LCZ دو طرح، همانطور که در شکل ۷ نشان داده شده است، چهار شاخص دقت ۳۴ شهر تحت دو طرح طبقه بندی محاسبه و شمارش شد . سپس چهار شاخص ۳۴ شهر برای به دست آوردن جدول ۱ میانگین گیری شد .

ابتدا، از شکل ۷ مشاهده می شود که OA، OA _u ، OA _bu ، و OA _w ۳۴ شهر به دست آمده توسط طرح ۱، در درجات متفاوتی نسبت به طرح ۲ به دست آمده است. دوم، از جدول ۱ می توان دید که OA، OA _u ، OA _bu ، و OA _w بدست آمده توسط طرح ۱ به ترتیب ۸۵٫۴۵، ۷۵٫۹۹، ۹۷٫۶۶ درصد و ۹۶٫۳۳ درصد هستند. OA، OA _u ، OA _bu ، و OA _wبه دست آمده توسط طرح ۲ به ترتیب ۷۴٫۹۴%، ۶۶٫۹۴%، ۹۷٫۰۶% و ۹۳٫۸۸% می باشد. چهار شاخص طرح ۱ ۱۰٫۵۱، ۹٫۰۵، ۰٫۶ درصد و ۲٫۴۵ درصد بیشتر از شاخص های طرح ۲ هستند که نشان می دهد دقت طبقه بندی طرح ۱ در کل بهتر از طرح ۲ است. OA _u از دو طرح ۸٪ و ۹٫۴۶٪ کمتر از OA است، که نشان می دهد که دقت طبقه بندی انواع ساخته شده بهبود یافته است. در نهایت، بیش از ۳۰۰ شهر نمونه های LCZ را در وب سایت WUDAPT آپلود کرده اند و میانگین دقت کلی نقشه برداری LCZ در همه شهرها ۶۵٫۶۱ درصد است. با آپلود نمونه‌های LCZ از ۳۴ شهر چین در وب‌سایت WUDAPT، میانگین دقت کلی ۳۴ شهر ۷۴٫۹۴ درصد است که نیاز کنترل کیفیت خودکار WUDAPT را با حداقل دقت متوسط ۵۰ درصد برآورده می‌کند [ ۴۱ ].]، نشان می دهد که کیفیت نمونه های LCZ ساخته شده توسط ما بالا است.

برای مقایسه دقیق تر نتایج نقشه برداری LCZ تحت طرح های مختلف، شهر فوژو به عنوان مثال برای نشان دادن در نظر گرفته شده است، همانطور که در شکل ۸ نشان داده شده است.. اول، در کل، نتیجه طبقه‌بندی LCZ طرح ۱ (روش ما) با تصاویر سنجش از دور در Google Earth سازگارتر از طرح ۲ (WUDAPT) است. علاوه بر این، از مناطق ۱ و ۲ می توان دریافت که تعداد زیادی LCZ A وجود دارد که در طرح ۲ به LCZ 9 طبقه بندی شده اند، و نتایج طبقه بندی در طرح ۱ می تواند پوشش سطح را با دقت بیشتری توصیف کند. این به این دلیل است که اطلاعات طیفی برخی از پوشش‌های سطح طبیعی با فصول تغییر می‌کند و تصاویر چند فصلی می‌توانند ویژگی‌های فنولوژیکی پوشش گیاهی را برای بهبود دقت طبقه‌بندی معرفی کنند. دوم، از نقطه نظر محلی، از ناحیه ۳ و منطقه ۴ می توان مشاهده کرد که نتایج طبقه بندی طرح ۲ می تواند برخی از اشیاء کوچکتر مانند LCZ A و LCZ G را متمایز کند، اما نتایج طبقه بندی تکه تکه تر است. و اثر طبقه‌بندی به خوبی طرح ۱ نیست. اگرچه طرح ۲ می‌تواند تفاوت‌های داخلی در مورفولوژی شهری و ویژگی‌های سطحی را با جزئیات بیشتری توصیف کند، نویز نیز بزرگ‌تر است و نمی‌تواند مناطق شهری همگن را نشان دهد. به طور خلاصه، چارچوب طبقه‌بندی طرح ۱ قوی‌تر بود، به دقت طبقه‌بندی بالاتری دست یافت و تفسیر آن آسان‌تر بود (به دلیل کاهش اثر “نمک و فلفل”).

۳٫۲٫ رابطه بین انواع LCZ و جمعیت

برای به دست آوردن یک نمای کلی از ۳۴ شهر در چین، نسبت مساحت و جمعیت برای طبقات مختلف LCZ ساخته شده شمارش شد، همانطور که در شکل ۹ نشان داده شده است.. در بین این طبقات، کم‌مرتبه‌های بزرگ (LCZ 8) با ۲۳٫۱۷ درصد از کل مساحت ساخته شده و ۱۴٫۴۳ درصد از کل جمعیت، بیشترین سهم مساحت را دارد. کم ساخت (LCZ 9) 12.51 درصد از کل مساحت ساخته شده را به خود اختصاص داده است، تنها ۲٫۵۴ درصد از کل جمعیت در ۳۴ شهر را در خود جای داده است، و طبقه سبک وزن (LCZ 7) 6.11 درصد از کل مساحت ساخته شده را در خود جای داده است. ۲٫۰۹٪ از کل جمعیت را در خود جای می دهد. علاوه بر این، ۵۱٫۳۷٪ از جمعیت در مناطق باز زندگی می کردند (LCZ 4-6)، که ۴۱٫۶۲٪ از کل منطقه ساخته شده را تشکیل می دهد. با این حال، ۱۳٫۲۶٪ منطقه فشرده (LCZ 1-3) 26.74٪ از کل جمعیت را در خود جای داده است. تفاوت در تراکم جمعیت بین بلندمرتبه های فشرده (LCZ 1) و کم ساخت (LCZ 9) بیش از هجده برابر بود.

برای تجزیه و تحلیل بیشتر رابطه بین انواع LCZ ساخته شده و تراکم جمعیت، نقشه حرارتی و هیستوگرام تراکم جمعیت ( شکل ۱۰ a,b) در مقیاس LCZ با همپوشانی نتایج LCZ با داده های جمعیت به دست آمد. از شکل ۱۰ a مشاهده می شود که LCZs 1-3 دارای بالاترین تراکم جمعیت ۱۳۷۲-۸۳۲۰۰ نفر در کیلومتر مربع ^بودند . LCZs 4-6 با سطح متوسطی از تراکم جمعیت، ۳۸۴-۲۱۶۸۲ نفر در کیلومتر مربع مطابقت ^دارد . LCZs 7-9 دارای کمترین تراکم جمعیت ۰-۵۶۵۰ نفر در کیلومتر مربع ^بودند . علاوه بر این، روند کاهشی تراکم جمعیت به ترتیب در LCZs 1-3 و LCZs 4-6 وجود دارد. از شکل ۱۰b، ما دریافتیم که روند تغییرات کلی تراکم جمعیت در نوع LCZ ساخته شده عبارت بود از: LCZ 1 > LCZ 2 > LCZ 4 > LCZ 5 > LCZ 3 > LCZ 8 > LCZ 6 > LCZ 7 > LCZ 9. LCZ 1 دارای بالاترین تراکم جمعیت ۱۹۲۲۲ نفر در کیلومتر مربع ^بود ، در حالی که LCZ 9 با کمترین تراکم جمعیت ۱۰۳۰ نفر در کیلومتر مربع مطابقت ^داشت .

۳٫۳٫ تراکم جمعیت LCZ ها در شهرهای با اندازه های مختلف

برای نشان دادن بیشتر الگوی توزیع جمعیت LCZs، میانگین تراکم جمعیت LCZs در شهرهای با اندازه های مختلف ترسیم شد. همانطور که در شکل ۱۱ نشان داده شده است ، اثر سلسله مراتبی تراکم جمعیت در شهرهای با اندازه های مختلف معنی دار بود. در شهرهای نسبتا بزرگتر، تراکم جمعیت همه LCZها بالا بود. بالاترین میانگین تراکم جمعیت ۷۹۰۹ نفر/کیلومتر مربع ^در ابرشهرها (۱۴۹۵ نفر/کیلومتر مربع ^بیشتر از کلان شهرها)، ۶۴۱۴ نفر/کیلومتر مربع ^در کلان شهرها (۳۹۹ نفر/کیلومتر مربع ^بیشتر از شهرهای بزرگ نوع یک) بوده است. و ۶۰۱۵ نفر/km2 ^در شهرهای بزرگ نوع I (864 نفر/ ^km2بالاتر از شهرهای بزرگ نوع II با ۵۱۵۱ نفر در کیلومتر ^مربع). تفاوت میانگین تراکم جمعیت بین LCZها در کلانشهرها و شهرهای بزرگ نوع اول کمترین بود، در حالی که بین LCZها در شهرهای بزرگ نوع II و ابرشهرها بزرگترین بود. در نتیجه، یک اثر سلسله مراتبی تراکم جمعیت در LCZهای شهرهای با اندازه های مختلف در چین به ترتیب زیر وجود دارد: ابرشهرها > کلان شهرها > شهرهای بزرگ نوع اول > شهرهای بزرگ نوع دوم. علاوه بر این، در دسته های LCZ که تراکم جمعیتی نسبتاً بالایی داشتند، مانند LCZ 1، LCZ 2، LCZ 3، LCZ 4، و LCZ 5، تفاوت تراکم جمعیت در شهرهای با اندازه های مختلف نسبتاً بیشتر بود، در حالی که در LCZ دسته هایی که تراکم جمعیت نسبتاً پایینی داشتند، مانند LCZ 6، LCZ 7 و LCZ 9، تفاوت تراکم جمعیت در شهرهای با اندازه های مختلف نسبتا کمتر بود.

۴٫ بحث

۴٫۱٫ مقایسه با روش سنتی طبقه بندی LCZ

در بخش‌های قبلی، چارچوب طبقه‌بندی LCZ پیشنهادی را با روش سنتی (طرح ۲) از نظر دقت طبقه‌بندی و جنبه تجسم مقایسه کردیم. در این بخش به مقایسه بیشتر این دو روش و ارائه محدودیت ها می پردازیم.

انواع LCZ ساخته شده اغلب با صحنه های شهری پیچیده حاوی بسیاری از ساختارهای مصنوعی با ناهمگونی طیفی بالا مطابقت دارند، و بنابراین، دقت طبقه بندی آنها معمولاً بالا نیست [ ۴۱ ، ۴۲ ]. نتایج به دست آمده توسط طرح ۲ تنها از طریق ویژگی های پیکسلی تصاویر سنجش از دور رضایت بخش نیست، زیرا اطلاعات مکانی و ویژگی های فنولوژیکی به طور کامل مورد استفاده قرار نمی گیرند. با این حال، روش پیشنهادی ما اشیاء را از طریق تقسیم‌بندی صفحه شطرنج تولید می‌کند و می‌تواند از روابط مکانی و اطلاعات زمینه‌ای با محاسبه ویژگی‌های بافت (GLCM) اشیا استفاده کامل کند [ ۳۶ ، ۶۱]. علاوه بر این، تصاویر چند فصلی انباشته شده برای بهره‌برداری از ویژگی‌های فنولوژیکی حمل شده توسط اجسام سطحی استفاده می‌شوند. این مراحل به راحتی توسط نرم افزار eCognition [ ۶۲ ] پیاده سازی می شوند. به این ترتیب، صحنه‌های پیچیده متشکل از چندین نوع پوشش زمین را می‌توان با افزودن اطلاعات محله‌ای و ویژگی‌های فنولوژیکی به‌طور مؤثرتری نشان داد.

وضوح اتخاذ شده توسط روش WUDAPT 100 متر است. با این حال، این مقدار ممکن است برای نگاشت LCZ مناسب نباشد. با توجه به کاربرد LCZ در تحقیقات آب و هوایی، استوارت و اوکه [ ۱۱ ] پیشنهاد کردند که حداقل شعاع هر LCZ باید ۲۰۰ تا ۵۰۰ متر باشد. ژنگ و همکاران با تجزیه و تحلیل همبستگی بین LCZ و پارامترهای اقلیمی. [ ۲۸ ] دریافتند که وضوح بهینه برای طبقه بندی LCZ در مناطق شهری هنگ کنگ حدود ۳۰۰ متر است. تحقیقات نشان داد که اطلاعات محله تأثیر مثبتی بر نقشه برداری LCZ [ ۶۳ ] داشت و اندازه تصویر بزرگتر (۳۲۰-۶۴۰ متر) برای نقشه برداری LCZ مناسب تر بود [ ۴۴ ]. علاوه بر این، بسیاری از محققین قطعنامه ای در حدود ۳۰۰ متر برای نقشه برداری LCZ اتخاذ کرده اند [ ۳۶, ۶۴ , ۶۵ , ۶۶ ].

هنوز محدودیت هایی برای نگاشت LCZ بر اساس تصاویر سنجش از راه دور وجود دارد. همانطور که در شکل ۶ مشاهده می شود، دقت انواع LCZ ساخته شده به طور کلی کمتر از دسته های LCZ طبیعی است .. دقت LCZ A و LCZ G به طور کلی بالا است، که به دلیل منطقه توزیع بزرگ و دشواری ظاهر شدن اجسام مخلوط زمین است. با این حال، دقت طبقه بندی LCZs 1-6 کمتر است. این به دلیل شباهت مصالح ساختمانی در همان منطقه و فقدان اطلاعات در مورد ساختار سه بعدی ساختمان ها در طبقه بندی LCZ است که تشخیص LCZ 1-3 یا LCZs 4-6 را تنها با یک منبع داده دشوار می کند. تصاویر سنجش از دور داده‌های شهری مرتبط موجود در مقیاس‌های کوچک، همراه با استفاده از منابع متعدد (به عنوان مثال، داده‌های مورفولوژی ساختمان، داده‌های LiDAR)، دقت طبقه‌بندی را بیشتر بهبود می‌بخشد [ ۲۴ ، ۴۲ ، ۶۷ ]]. با این حال، داده های دقیق و ثابت از اطلاعات ارتفاع در مقیاس های بزرگ (ملی یا جهانی) هنوز کمیاب است. حتی با وجود این محدودیت ها، دقت چارچوب پیشنهادی ما هنوز برای تجزیه و تحلیل جمعیت بعدی کافی است.

۴٫۲٫ کاربرد LCZ ها در ترکیب با جمعیت

انواع LCZ ساخته شده به طور ذاتی دارای ویژگی های متمایز در مقیاس ساختمان، ارتفاع، تراکم، و استفاده بودند. بنابراین از نظر تراکم جمعیت دارای ویژگی های متفاوتی خواهند بود. ما رابطه بین LCZ ها و جمعیت را در ۳۴ شهر چین تجزیه و تحلیل کردیم و نتایج نشان داد که LCZ های فشرده تراکم جمعیتی بالاتری نسبت به LCZ های باز دارند و حداکثر اختلاف آنها ۱۸ برابر است ( شکل ۹ ). تفاوت های عظیم در تراکم جمعیت در LCZ تا حدی منعکس کننده نابرابری در شرایط زندگی مردم چین است. علاوه بر این، فشردگی و ارتفاع کلاس‌های مختلف LCZ متفاوت بود، و بنابراین، تراکم جمعیت آنها نیز متفاوت بود ( شکل ۱۰).). به طور خاص، هنگام مقایسه تراکم جمعیت LCZs 1-3، متوجه شدیم که هر چه ساختمان بالاتر باشد، تراکم جمعیت نوع LCZ مربوطه بیشتر است. هنگام مقایسه تراکم جمعیت در LCZs 1-3 و LCZs 4-6، متوجه شدیم که هر چه ساختمان فشرده تر باشد، تراکم جمعیت نوع LCZ مربوطه بیشتر است. ساختمان ها در LCZ 9 مرتفع و فشرده هستند که بیشترین تراکم جمعیت را دارد. با این حال، ساختمان ها در LCZ 9 که کمترین تراکم جمعیت را دارد، کم و پراکنده هستند. به طور کلی، تراکم جمعیت در LCZ های ساخته شده بر اساس نوع متفاوت است و عمدتاً تحت تأثیر ارتفاع و تراکم ساختمان است.

با تجزیه و تحلیل اثر اندازه های مختلف شهر بر تراکم جمعیت در LCZ، نتایج ما نشان می دهد که یک اثر سلسله مراتبی تراکم جمعیت در LCZ شهرهای با اندازه های مختلف در چین، به ترتیب زیر وجود دارد: ابر شهرها > کلان شهرها > نوع I بزرگ. شهرها > شهرهای بزرگ نوع II ( شکل ۱۱). این به این دلیل است که هر چه مقیاس شهر بیشتر باشد، افراد بیشتری دارند. بنابراین، راندمان بهره برداری از زمین بالاتر است. علاوه بر این، ما دریافتیم که تفاوت در تراکم جمعیت بین شهرهایی با اندازه‌های مختلف زمانی که در کلاس LCZ با تراکم جمعیت بالاتر باشد بیشتر است. از آنجایی که ارتفاع و تراکم ساختمان ها در LCZ 6، ۷، و ۹ کم است، حد بالای تراکم جمعیت در این دسته ها زیاد نیست. بنابراین، تراکم جمعیت بین اندازه های مختلف شهرها کم است. برعکس، در نوع LCZ بلندمرتبه (LCZ 1 و LCZ 4)، حد بالایی ارتفاع ساختمان زیاد است و شهرهای بزرگتر تمایل دارند ساختمان های بلندتر و بیشتر داشته باشند، که باعث می شود تفاوت در تراکم جمعیت بیشترین میزان را داشته باشد.

۴٫۳٫ برنامه ممکن بر اساس LCZ

LCZs در اصل برای ارتباطات ابرداده در مشاهده دمای یک سایت میدانی توسعه داده شدند. بنابراین، مطالعه جزیره گرمایی شهری کاربرد اصلی آن است [ ۶۸ ]. با توجه به توصیف دقیق آنها از مناطق شهری، چند مطالعه نیز طرح LCZ را برای مطالعات بودجه انرژی شهری [ ۱۵ ]، تهویه شهری [ ۱۷ ] و آسایش حرارتی در فضای باز [ ۲۰ ] اعمال کرده اند. در سال‌های اخیر، مدل شبیه‌سازی کاربری آینده (FLUS) توسط لیو و همکاران ارائه شده است. [ ۶۹ ] و با موفقیت در شبیه‌سازی تغییرات فضایی آینده در LCZ اعمال شد [ ۷۰]. ساختار مورفولوژیکی شهری ارائه شده توسط LCZ ها ارتباط نزدیکی با شبکه حمل و نقل دارد که عامل مهمی در الگوی کاربری زمین شهری است و برنامه ریزی آن جهت توسعه شهری را هدایت می کند [ ۷۱ ]. با در نظر گرفتن سیاست های مختلف برنامه ریزی حمل و نقل، مانند طرح تحرک شهری پایدار [ ۷۲ ]، ما می توانیم الگوی تغییر فضایی LCZ را با استفاده از مدل FLUS برای ارزیابی قبلی تاثیر سیاست های برنامه ریزی حمل و نقل شبیه سازی کنیم. علاوه بر این، با ترکیب داده های جمعیت، نتایج پیش بینی LCZ پشتیبانی داده های معتبری را برای تنظیم سیاست برنامه ریزی فراهم می کند.

۵٫ نتیجه گیری و کار آینده

این مطالعه ابتدا یک مجموعه نمونه آموزشی با کیفیت بالا با اطلاعات برچسب ایجاد کرد. سپس، ما یک چارچوب طبقه‌بندی LCZ را بر اساس تقسیم‌بندی صفحه شطرنج و تصاویر چند فصلی Sentinel-2 در یک شبکه ۳۰۰ متری پیشنهاد کردیم و از این چارچوب برای تولید نقشه‌های LCZ در ۳۴ شهر مرکز استان چین استفاده کردیم. پس از آن، ما دقت نتایج نگاشت LCZ را ارزیابی کردیم. علاوه بر این، ما یک تحلیل همپوشانی از نتایج طبقه‌بندی LCZ و تراکم جمعیت انجام دادیم. یافته های کلیدی این مطالعه به شرح زیر خلاصه می شود:

(۱): مقادیر دقت کلی در ۳۴ شهر چین از ۷۵٪ تا ۹۴٪ با میانگین ۸۵٪ متغیر بود. در مقایسه با آخرین روش WUDAPT، مقادیر OA، OA _u ، OA _bu ، و OA _w چارچوب پیشنهادی ما به ترتیب به طور متوسط ۱۰، ۹، ۱ و ۲ درصد افزایش یافت. در همین حال، مجموعه نمونه آموزشی مرجع LCZ در WUDAPT بارگذاری شده است، که در https://lcz-generator.rub.de/submissions موجود است ، در تاریخ ۱ مه ۲۰۲۲ قابل دسترسی است. لطفاً برای استفاده از مجموعه داده، مقاله را ذکر کنید.
(۲): دقت انواع مختلف LCZ متفاوت است. به طور کلی، دقت انواع LCZ طبیعی بالاتر از انواع LCZ ساخته شده بود. دقت نوع LCZ ساخته شده با ترکیب تصاویر سنجش از راه دور با داده های چند منبعی (به عنوان مثال، داده های مورفولوژی ساختمان، داده های LiDAR و غیره) زمانی که داده های مربوطه در دسترس باشد، بیشتر بهبود می یابد.
(۳): تراکم جمعیت در LCZ های ساخته شده بر اساس نوع متفاوت است و عمدتاً تحت تأثیر ارتفاع و تراکم ساختمان است. روند تغییرات کلی تراکم جمعیت در نوع LCZ ساخته شده عبارت بود از: LCZ 1 > LCZ 2 > LCZ 4 > LCZ 5 > LCZ 3 > LCZ 8 > LCZ 6 > LCZ 7 > LCZ 9. در میان آنها، میانگین تراکم جمعیت LCZ 1 (بلندمرتبه فشرده) بالاترین (۱۹۲۲۲ نفر/کیلومتر مربع ⁾ بود، در حالی که LCZ 9 (کم ساخت) کمترین (۱۰۳۰ نفر/کیلومتر مربع ⁾ بود.
(۴): یک اثر سلسله مراتبی تراکم جمعیت در LCZهای شهرهای با اندازه های مختلف در چین به ترتیب زیر وجود دارد: ابرشهرها > کلان شهرها > شهرهای بزرگ نوع اول > شهرهای بزرگ نوع دوم. علاوه بر این، تفاوت در تراکم جمعیت در انواع LCZ (LCZ 1، LCZ 2، LCZ 3، LCZ 4، و LCZ 5) که تراکم جمعیت نسبتاً بالایی داشتند، بیشتر بود، در حالی که تفاوت در تراکم جمعیت در انواع LCZ کمتر بود. (LCZ 6، LCZ 7 و LCZ 9) که تراکم جمعیت نسبتاً کمی داشتند.

در نتیجه، نمونه های آموزشی LCZ با کیفیت بالا نه تنها به تولید نقشه های LCZ در مقیاس ملی یا حتی جهانی کمک می کند، بلکه قابلیت انتقال نمونه را نیز ممکن می سازد. در همین حال، چارچوب طبقه بندی پیشنهادی مرجع ارزشمندی برای بهبود دقت نقشه برداری LCZ ارائه کرد. علاوه بر این، این مطالعه تراکم جمعیت را در LCZ های ساخته شده مختلف شهرهای چین ارائه کرد و تأثیر اندازه شهر را بر آن بررسی کرد، که به درک الگوهای توزیع جمعیت در چین کمک می کند.

در آینده، موتور زمین (به عنوان مثال، موتور Google Earth) با قدرت محاسباتی عظیم برای نقشه برداری از کل چین به انواع LCZ با این نمونه آموزشی با کیفیت بالا استفاده خواهد شد. علاوه بر این، ما قصد داریم داده های چند منبعی را برای بهبود دقت طبقه بندی LCZ، به ویژه برای انواع LCZ ساخته شده، ادغام کنیم. وقتی کل نقشه LCZ چین در دسترس باشد، می‌توانیم جمعیت چین را بر اساس تراکم جمعیت در LCZ شهرهای با اندازه‌های مختلف به روشی کم‌هزینه تخمین بزنیم.

منابع

گزارش شهرهای جهان ۲۰۲۰: ارزش شهرنشینی پایدار. در دسترس آنلاین: https://unhabitat.org/sites/default/files/2020/10/wcr_2020_report.pdf (دسترسی در ۱۷ مه ۲۰۲۲).
کالنای، ای. Cai, M. تاثیر شهرنشینی و تغییر کاربری زمین بر اقلیم. طبیعت. ۲۰۰۳ ، ۴۲۳ ، ۵۲۸-۵۳۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
چن، ایکس. ژائو، اچ. لی، پی. یین، زی. تحلیل مبتنی بر تصویر سنجش از دور رابطه بین جزیره گرمایی شهری و تغییرات کاربری/پوشش زمین. سنسور از راه دور محیط. ۲۰۰۶ ، ۱۰۴ ، ۱۳۳-۱۴۶٫ [ Google Scholar ] [ CrossRef ]
اش، تی. مارکونچینی، ام. فلبیر، آ. راث، ا. هلدنز، دبلیو. هوبر، ام. شوینگر، ام. تاوبن باک، اچ. مولر، آ. Dech، S. پردازنده ردپای شهری – زنجیره پردازش کاملاً خودکار که ماسک‌های تسویه را از داده‌های جهانی مأموریت TanDEM-X تولید می‌کند. IEEE Geosci. سنسور از راه دور Lett. ۲۰۱۳ ، ۱۰ ، ۱۶۱۷-۱۶۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پسری، م. هوادونگ، جی. Blaes، X. ارلیش، دی. فری، س. گوگن، ال. هالکیا، م. کافمن، ام. کمپر، تی. لو، ال. و همکاران یک لایه استقرار جهانی انسان از داده‌های نوری HR/VHR RS: مفهوم و اولین نتایج IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. ۲۰۱۳ ، ۶ ، ۲۱۰۲-۲۱۳۱٫ [ Google Scholar ] [ CrossRef ]
گونگ، پی. لی، ایکس. وانگ، جی. بای، ی. چن، بی. هو، تی. لیو، ایکس. خو، بی. یانگ، جی. ژانگ، دبلیو. و همکاران نقشه‌های سالانه منطقه غیرقابل نفوذ مصنوعی جهانی (GAIA) بین سال‌های ۱۹۸۵ و ۲۰۱۸٫ سنسور از راه دور محیط زیست. ۲۰۲۰ , ۲۳۶ , ۱۱۱۵۱۰٫ [ Google Scholar ] [ CrossRef ]
چن، جی. چن، جی. لیائو، ا. کائو، ایکس. چن، ال. چن، ایکس. او، سی. آویزان شدن.؛ پنگ، اس. لو، ام. و همکاران نقشه برداری جهانی پوشش زمین با وضوح ۳۰ متر: یک رویکرد عملیاتی مبتنی بر POK ISPRS J. Photogramm. Remote Sens. ۲۰۱۵ ، ۱۰۳ ، ۷-۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گونگ، پی. لیو، اچ. ژانگ، ام. لی، سی. وانگ، جی. هوانگ، اچ. کلینتون، ن. جی، ال. لی، دبلیو. بای، ی. و همکاران طبقه بندی پایدار با نمونه محدود: انتقال مجموعه نمونه با وضوح ۳۰ متری جمع آوری شده در سال ۲۰۱۵ به نقشه برداری پوشش زمینی با وضوح ۱۰ متری در سال ۲۰۱۷٫ علمی. گاو نر ۲۰۱۹ ، ۶۴ ، ۳۷۰-۳۷۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بونتمپس، اس. بوچر، ام. براکمن، سی. کرچس، جی. لامارچ، سی. رادوکس، جی. سانتورو، ام. وانبوگارت، ای. وگمولر، یو. هرولد، ام. و همکاران نقشه برداری چند ساله پوشش زمین جهانی در ۳۰۰ متر و توصیف برای مدل سازی آب و هوا: دستاوردهای مولفه پوشش زمین ابتکار تغییرات آب و هوایی ESA. در مجموعه مقالات سی و ششمین سمپوزیوم بین المللی سنجش از دور محیط زیست در سال ۲۰۱۵، برلین، آلمان، ۱۱ تا ۱۵ مه ۲۰۱۵٫ صص ۳۲۳-۳۲۸٫ [ Google Scholar ]
زو، XX; کیو، سی. هو، جی. شی، ی. وانگ، ی. اشمیت، ام. Taubenböck، H. مورفولوژی شهری در سیاره ما – چشم اندازهای جهانی از فضا. سنسور از راه دور محیط. ۲۰۲۲ ، ۲۶۹ ، ۱۱۲۷۹۴٫ [ Google Scholar ] [ CrossRef ]
استوارت، آی. Oke، TR منطقه آب و هوایی محلی برای مطالعات دمای شهری. B. Am. هواشناسی Soc. ۲۰۱۲ ، ۹۳ ، ۱۸۷۹-۱۹۰۰٫ [ Google Scholar ] [ CrossRef ]
جیانگ، اس. ژان، دبلیو. یانگ، جی. لیو، ز. هوانگ، اف. لای، م. لی، جی. هونگ، اف. هوانگ، ی. چن، جی. و همکاران مطالعات جزیره گرمایی شهری بر اساس مناطق آب و هوایی محلی: مروری سیستماتیک Acta Geogr. گناه ۲۰۲۰ ، ۷۵ ، ۱۸۶۰-۱۸۷۸٫ [ Google Scholar ]
پررا، NGR؛ امانوئل، آر. رویکرد مبتنی بر “منطقه آب و هوایی محلی” به برنامه ریزی شهری در کلمبو، سریلانکا. اقلیم شهری. ۲۰۱۸ ، ۲۳ ، ۱۸۸-۲۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پرادهستا، YF; نورجانی، ا. Arijuddin، BI طبقه بندی منطقه آب و هوایی محلی برای برنامه ریزی شهری مبتنی بر اقلیم با استفاده از تصاویر Landsat 8 (مطالعه موردی در منطقه شهری یوگیاکارتا). IOP Conf. سر. محیط زمین. علمی ۲۰۱۹ ، ۳۰۳ ، ۱۲۰۲۲٫ [ Google Scholar ] [ CrossRef ]
الکساندر، پی جی. میلز، جی. Fealy، R. استفاده از داده‌های LCZ برای اجرای مدل تعادل انرژی شهری. اقلیم شهری. ۲۰۱۵ ، ۱۳ ، ۱۴-۳۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کوان، اس جی; دات، اف. وودورث، ای. یاماگاتا، ی. یانگ، PP نقشه برداری منطقه آب و هوای محلی برای انعطاف پذیری انرژی: یک رویکرد ریز دانه و سه بعدی. پروسه انرژی. ۲۰۱۷ ، ۱۰۵ ، ۳۷۷۷-۳۷۸۳٫ [ Google Scholar ] [ CrossRef ]
یانگ، جی. جین، اس. شیائو، ایکس. جین، سی. Xia، JC; لی، ایکس. وانگ، S. تهویه منطقه آب و هوای محلی و دمای سطح زمین شهری: به سوی یک پیشنهاد برنامه ریزی مبتنی بر عملکرد و حساس به باد در کلان شهرها. حفظ کنید. جامعه شهرها ۲۰۱۹ ، ۴۷ ، ۱۰۱۴۸۷٫ [ Google Scholar ] [ CrossRef ]
ژائو، ز. شن، ال. لی، ال. وانگ، اچ. او، ب. طرح طبقه بندی منطقه آب و هوایی محلی همچنین می تواند عملکرد تهویه شهری در مقیاس محلی را نشان دهد: یک مطالعه مبتنی بر شواهد. Atmosphere ۲۰۲۰ , ۱۱ , ۷۷۶٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ی. ژانگ، ایکس. خو، دبلیو. Jiao، B. مطالعه موردی در مورد ارزیابی تهویه شهری با پارامترهای منطقه آب و هوای محلی (LCZ). IOP Conf. سر. محیط زمین. علمی ۲۰۲۱ , ۶۹۶ , ۰۱۲۰۳۳٫ [ Google Scholar ] [ CrossRef ]
کوثرکار، ر. باگده، ع. Agrawal، A. بررسی مناطق آب و هوایی محلی برای ارزیابی آسایش حرارتی در فضای باز در یک شهر هند. Geogr. پانونیکا ۲۰۱۹ ، ۲۳ ، ۳۱۸-۳۲۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لاو، ک.ک. چانگ، SC; Ren، C. آسایش حرارتی در فضای باز در تنظیمات مختلف شهری شهرهای نیمه گرمسیری با تراکم بالا: رویکردی برای اتخاذ طبقه‌بندی منطقه آب و هوایی محلی (LCZ). ساختن. محیط زیست ۲۰۱۹ ، ۱۵۴ ، ۲۲۷-۲۳۸٫ [ Google Scholar ] [ CrossRef ]
استوارت، ID; اوکی، TR; Krayenhoff، ES ارزیابی طرح “منطقه آب و هوایی محلی” با استفاده از مشاهدات دما و شبیه‌سازی مدل. بین المللی جی.کلیماتول. ۲۰۱۴ ، ۳۴ ، ۱۰۶۲-۱۰۸۰٫ [ Google Scholar ] [ CrossRef ]
دموزیر، م. هانکی، اس. میلز، جی. ژانگ، دبلیو. لو، تی. Bechtel، B. ترکیب داده‌های آموزشی متخصص و جمع‌آوری‌شده برای نقشه‌برداری شکل شهری و عملکردهای قاره آمریکا. علمی داده ها. ۲۰۲۰ ، ۷ ، ۱-۱۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
هو، جی. وانگ، ی. تاوبنبوک، اچ. Zhu، XX مصرف زمین در شهرها: مطالعه تطبیقی در سراسر جهان. شهرها ۲۰۲۱ , ۱۱۳ , ۱۰۳۱۶۳٫ [ Google Scholar ] [ CrossRef ]
للوویکس، ای. اونگر، جی. گال، تی. Gál، CV طراحی یک شبکه نظارت شهری بر اساس نقشه‌برداری منطقه آب و هوایی محلی و مدل‌سازی الگوی دما. صعود Res. ۲۰۱۴ ، ۶۰ ، ۵۱-۶۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بچتل، بی. اسکندر، پ. بونر، جی. چینگ، جی. کنراد، او. فدما، ج. میلز، جی. ببینید، L. استوارت، I. نقشه برداری مناطق آب و هوایی محلی برای پایگاه داده جهانی از شکل و عملکرد شهرها. ISPRS Int. J. Geo-Inf ۲۰۱۵ ، ۴ ، ۱۹۹-۲۱۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
امان، ع. خان، م.م. خورشید، ک. تحلیل مقایسه ای روش های مختلف برای طبقه بندی مناطق آب و هوایی محلی. علمی بین المللی ۲۰۱۸ ، ۳۰ ، ۹۲۵-۹۳۴٫ [ Google Scholar ]
ژنگ، ی. رن، سی. خو، ی. وانگ، آر. هو، جی. لاو، ک. Ng، E. نقشه برداری مبتنی بر GIS از منطقه آب و هوایی محلی در شهر پر تراکم هنگ کنگ. اقلیم شهری. ۲۰۱۸ ، ۲۴ ، ۴۱۹-۴۴۸٫ [ Google Scholar ] [ CrossRef ]
دموزیر، م. بچتل، بی. میلز، جی. قابلیت انتقال جهانی مدل‌های منطقه آب و هوایی محلی. اقلیم شهری. ۲۰۱۹ ، ۲۷ ، ۴۶-۶۳٫ [ Google Scholar ] [ CrossRef ]
کوان، اس جی; Bansal، P. بررسی سیستماتیک مطالعات نقشه برداری منطقه آب و هوایی محلی مبتنی بر GIS. ساختن. محیط زیست ۲۰۲۱ ، ۱۹۶ ، ۱۰۷۷۹۱٫ [ Google Scholar ] [ CrossRef ]
بچتل، بی. Daneke, C. طبقه بندی مناطق آب و هوایی محلی بر اساس داده های مشاهدات متعدد زمین. IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. ۲۰۱۲ ، ۵ ، ۱۱۹۱-۱۲۰۲٫ [ Google Scholar ] [ CrossRef ]
خو، ی. رن، سی. کای، م. ادوارد، نیویورک؛ Wu, T. طبقه بندی مناطق آب و هوایی محلی با استفاده از داده های aster و landsat برای شهرهای پر تراکم. IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. ۲۰۱۷ , ۱۰ , ۳۳۹۷–۳۴۰۵٫ [ Google Scholar ] [ CrossRef ]
هو، جی. غمیسی، پ. Zhu, X. استخراج ویژگی و انتخاب داده‌های دو قطبی Sentinel-1 برای طبقه‌بندی منطقه آب و هوایی محلی در مقیاس جهانی. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۳۷۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
یو، سی. هان، دی. من، جی. Bechtel, B. مقایسه بین شبکه های عصبی کانولوشن و جنگل تصادفی برای طبقه بندی منطقه آب و هوایی محلی در مناطق شهری بزرگ با استفاده از تصاویر Landsat. ISPRS J. Photogramm. Remote Sens. ۲۰۱۹ , ۱۵۷ , ۱۵۵–۱۷۰٫ [ Google Scholar ] [ CrossRef ]
چن، TK; کیو، سی. اشمیت، ام. زو، XX; سابل، CE; پریشچپوف، نقشه برداری AV تراکم شهری افقی و عمودی در دانمارک با سری زمانی landsat از ۱۹۸۵ تا ۲۰۱۸: یک راه حل تقسیم بندی معنایی. سنسور از راه دور محیط. ۲۰۲۰ ، ۲۵۱ ، ۱۱۲۰۹۶٫ [ Google Scholar ] [ CrossRef ]
هوانگ، ایکس. لیو، ا. لی، جی. نقشه برداری و تجزیه و تحلیل مناطق آب و هوایی محلی در ۳۲ شهر بزرگ چین با استفاده از تصاویر Landsat بر اساس یک شبکه عصبی کانولوشنال جدید. جغرافیایی تف کردن Inf. علمی ۲۰۲۱ ، ۲۴ ، ۵۲۸-۵۵۷٫ [ Google Scholar ] [ CrossRef ]
بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. ۲۰۲۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چینگ، جی. میلز، جی. بچتل، بی. ببینید، L. فدما، ج. وانگ، ایکس. رن، سی. بروسه، او. مارتیلی، آ. نئوفیتو، م. و همکاران WUDAPT: آب و هوای شهری، آب و هوا و زیرساخت مدل‌سازی محیطی برای انسان‌شناسی. B. Am. هواشناسی Soc. ۲۰۱۸ ، ۹۹ ، ۱۹۰۷-۱۹۲۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دموزیر، م. کیتنر، جی. Bechtel, B. LCZ generator: یک برنامه وب برای ایجاد نقشه های منطقه آب و هوایی محلی. جلو. محیط زیست علمی ۲۰۲۱ ، ۹ ، ۱-۱۸٫ [ Google Scholar ] [ CrossRef ]
دموزیر، م. بچتل، بی. میدل، ا. Mills, G. نقشه برداری اروپا در مناطق آب و هوایی محلی. PLoS ONE ۲۰۱۹ , ۱۴ , e214474. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بچتل، بی. الکساندر، پی جی. بک، سی. بونر، جی. بروسه، او. چینگ، جی. دموزیر، م. فونته، سی. گال، تی. هیدالگو، جی. و همکاران تولید داده های سطح ۰ WUDAPT – وضعیت فعلی تولید و ارزیابی. اقلیم شهری. ۲۰۱۹ ، ۲۷ ، ۲۴-۴۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رن، سی. کای، م. لی، ایکس. ژانگ، ال. وانگ، آر. خو، ی. Ng، E. ارزیابی نقشه‌های طبقه‌بندی مناطق آب و هوایی محلی شهرها در چین و اصلاحات امکان‌پذیر. علمی Rep. ۲۰۱۹ , ۹ , ۱۸۸۴۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ریسویویچ، وی. Babic, Z. ترکیب توصیفگرهای جهانی و محلی برای طبقه بندی تصاویر سنجش از دور. IEEE Geosci. سنسور از راه دور Lett. ۲۰۱۳ ، ۱۰ ، ۸۳۶-۸۴۰٫ [ Google Scholar ] [ CrossRef ]
لیو، اس. شی، Q. نقشه برداری منطقه آب و هوایی محلی به عنوان طبقه بندی صحنه سنجش از دور با استفاده از یادگیری عمیق: مطالعه موردی کلان شهر چین. ISPRS J. Photogramm. Remote Sens. ۲۰۲۰ , ۱۶۴ , ۲۲۹–۲۴۲٫ [ Google Scholar ] [ CrossRef ]
یو، سی. لی، ی. چو، دی. من، جی. Han, D. بهبود طبقه بندی منطقه آب و هوایی محلی با استفاده از داده های ساختمانی ناقص و تصاویر نگهبان ۲ بر اساس شبکه های عصبی کانولوشن. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۵۵۲٫ [ Google Scholar ] [ CrossRef ]
زو، ایکس. لیو، دی. نقشه برداری دقیق از انواع جنگل ها با استفاده از سری های زمانی سرزمین های فصلی متراکم. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۹۶ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ]
ژائو، ی. فنگ، دی. یو، ال. وانگ، ایکس. چن، ی. بای، ی. هرناندز، HJ; گالگیلو، ام. استادیس، سی. Biging، GS; و همکاران نقشه‌برداری دقیق پوشش زمین پویا از شیلی: بهبود دقت با ادغام داده‌های چند زمانی سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۳ ، ۱۷۰-۱۸۵٫ [ Google Scholar ] [ CrossRef ]
کیو، سی. مو، ال. اشمیت، ام. Zhu، XX طبقه بندی پوشش زمین شهری مبتنی بر منطقه آب و هوایی محلی از تصاویر چند فصلی نگهبان-۲ با شبکه باقیمانده مکرر. ISPRS J. Photogramm. Remote Sens. ۲۰۱۹ ، ۱۵۴ ، ۱۵۱–۱۶۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
شی، ال. لینگ، اف. نقشه‌برداری منطقه آب و هوایی محلی با استفاده از مجموعه داده‌های چند منبع رایگان موجود در پلت فرم موتور google earth. Land ۲۰۲۱ , ۱۰ , ۴۵۴٫ [ Google Scholar ] [ CrossRef ]
اطلاعیه شورای دولتی در مورد تنظیم استانداردهای طبقه بندی شهرها. در دسترس آنلاین: http://www.gov.cn/zhengce/content/2014-11/20/content_9225.htm (در ۱۷ مه ۲۰۲۲ قابل دسترسی است).
برگر، ام. مورنو، جی. Johannessen، JA; Levelt، PF; هانسن، ماموریت های نگهبان RF ESA در حمایت از علم سیستم زمین. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۰ ، ۸۴-۹۰٫ [ Google Scholar ] [ CrossRef ]
دروش، ام. دل بلو، U. کارلیر، اس. کالین، او. فرناندز، وی. گاسکون، اف. هورش، بی. ایزولا، سی. لابرینتی، پ. مارتیمورت، پی. و همکاران Sentinel-2: ماموریت نوری با وضوح بالا ESA برای خدمات عملیاتی GMES. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۰ ، ۲۵-۳۶٫ [ Google Scholar ] [ CrossRef ]
Tatem، AJ Worldpop، داده‌های باز برای جمعیت‌شناسی فضایی. علمی داده ها. ۲۰۱۷ ، ۴ ، ۱۷۰۰۰۴٫ [ Google Scholar ] [ CrossRef ]
گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. مور، آر. موتور Google Earth: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. ۲۰۱۷ ، ۲۰۲ ، ۱۸-۲۷٫ [ Google Scholar ] [ CrossRef ]
Laliberte، AS; Rango، A. بافت و مقیاس در تجزیه و تحلیل مبتنی بر شی تصاویر با وضوح زیر دسی متری وسیله نقلیه هوایی بدون سرنشین (UAV). IEEE T. Geosci. از راه دور. ۲۰۰۹ ، ۴۷ ، ۷۶۱-۷۷۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تویا، دی. موزر، جی. لو ساکس، بی. بچتل، بی. نگاه کنید به L. 2017 مسابقه ادغام داده های IEEE GRSS: داده های باز برای طبقه بندی کاربری زمین چندوجهی جهانی. IEEE Geosc. رم سن. M. ۲۰۱۷ ، ۵ ، ۷۰-۷۳٫ [ Google Scholar ] [ CrossRef ]
ما، ال. زو، ایکس. کیو، سی. بلاشکه، تی. لی، ام. پیشرفت های نقشه برداری منطقه آب و هوایی محلی و تمرین آن با استفاده از تجزیه و تحلیل تصویر مبتنی بر شی. Atmosphere ۲۰۲۱ , ۱۲ , ۱۱۴۶٫ [ Google Scholar ] [ CrossRef ]
بچتل، بی. دموزیر، م. سیسمانیدیس، پ. فنر، دی. بروسه، او. بک، سی. ون کویلی، اف. کنراد، او. کرامیتسوگلو، آی. میدل، ا. و همکاران کیفیت داده‌های جمع‌سپاری شده در مورفولوژی شهری – آزمایش تأثیر انسانی (HUMINEX). علوم شهری ۲۰۱۷ ، ۱ ، ۱۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
میلارد، ک. ریچاردسون، ام. در مورد اهمیت انتخاب نمونه داده‌های آموزشی در طبقه‌بندی تصادفی تصویر جنگل: مطالعه موردی در نقشه‌برداری اکوسیستم پیتلند. Remote Sens. ۲۰۱۵ ، ۷ ، ۸۴۸۹–۸۵۱۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بلژیک، م. Csillik، O. Sentinel-2 نگاشت زمین زراعی با استفاده از تجزیه و تحلیل تاب خوردگی زمانی پویا مبتنی بر پیکسل و شیء مبتنی بر زمان. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۰۴ ، ۵۰۹-۵۲۳٫ [ Google Scholar ] [ CrossRef ]
کوفر، م. پففر، ک. اسلیوزاس، آر. Baud, I. استخراج مناطق زاغه نشین از تصاویر VHR با استفاده از واریانس GLCM. IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. ۲۰۱۶ ، ۹ ، ۱۸۳۰-۱۸۴۰٫ [ Google Scholar ] [ CrossRef ]
دراگوت، ال. سیلیک، او. آیسانک، سی. Tiede، D. پارامترسازی خودکار برای تقسیم بندی تصویر در مقیاس چندگانه در چندین لایه. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ , ۸۸ , ۱۱۹-۱۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وردونک، ام. اوکوجنی، ا. وان در لیندن، اس. دموزیر، م. دی وولف، آر. ون کویلی، اف. تأثیر اطلاعات محله بر نقشه برداری «منطقه آب و هوایی محلی» در شهرهای ناهمگن. بین المللی J. Appl. زمین Obs. ۲۰۱۷ ، ۶۲ ، ۱۰۲-۱۱۳٫ [ Google Scholar ] [ CrossRef ]
ژائو، سی. جنسن، JLR؛ ونگ، کیو. کریت، ن. ویور، آر. استفاده از مناطق آب و هوایی محلی برای بررسی جزایر حرارتی شهری سطحی در تگزاس. GIsci. Remote Sens. ۲۰۲۰ , ۵۷ , ۱۰۸۳–۱۱۰۱٫ [ Google Scholar ] [ CrossRef ]
ژو، ی. ژانگ، جی. جیانگ، ال. چن، ایکس. زی، تی. وی، ی. خو، ال. پان، ز. آن، پ. Lun، F. نقشه برداری مناطق آب و هوایی محلی و مسائل مربوط به خطر گرما مرتبط با آنها در پکن: بر اساس داده های باز. حفظ کنید. جامعه شهرها ۲۰۲۱ ، ۷۴ ، ۱۰۳۱۷۴٫ [ Google Scholar ] [ CrossRef ]
ژائو، سی. ونگ، کیو. وانگ، ی. هو، ز. Wu, C. استفاده از مناطق آب و هوایی محلی برای ارزیابی تغییرات مکانی – زمانی فنولوژی پوشش گیاهی شهری در آستین، تگزاس، ایالات متحده آمریکا. GIsci. Remote Sens. ۲۰۲۲ , ۵۹ , ۳۹۳–۴۰۹٫ [ Google Scholar ] [ CrossRef ]
ژائو، سی. ونگ، کیو. Hersperger، AM توصیف تحول مورفولوژی شهری سه بعدی برای درک پویایی شکل شهری: مطالعه موردی آستین، تگزاس، ایالات متحده Landsc. طرح شهری. ۲۰۲۰ ، ۲۰۳ ، ۱۰۳۸۸۱٫ [ Google Scholar ] [ CrossRef ]
ژو، جی. شما، آر. لیو، دبلیو. چن، سی. لای، دی. کاربردهای طرح طبقه بندی مناطق آب و هوایی محلی برای بهبود پایداری شهری: بررسی کتاب سنجی. پایداری ۲۰۲۰ ، ۱۲ ، ۸۰۸۳٫ [ Google Scholar ] [ CrossRef ]
لیو، ایکس. لیانگ، ایکس. لی، ایکس. خو، X. کو، ج. چن، ی. لی، اس. وانگ، اس. Pei, F. یک مدل شبیه‌سازی کاربری زمین در آینده (FLUS) برای شبیه‌سازی سناریوهای کاربری زمین با جفت کردن اثرات انسانی و طبیعی. Landsc. طرح شهری. ۲۰۱۷ ، ۱۶۸ ، ۹۴-۱۱۶٫ [ Google Scholar ] [ CrossRef ]
چن، جی. زی، جی. لی، دبلیو. لی، ایکس. چانگ، LCH؛ رن، سی. لیو، X. شبیه‌سازی تغییر فضایی “منطقه آب و هوای محلی” آینده در منطقه خلیج بزرگ تحت مسیرهای مشترک اجتماعی-اقتصادی و خط کنترل اکولوژیکی. ساختن. محیط زیست ۲۰۲۱ ، ۲۰۳ ، ۱۰۸۰۷۷٫ [ Google Scholar ] [ CrossRef ]
لیانگ، ایکس. لیو، ایکس. لی، دی. ژائو، اچ. چن، جی. شبیه‌سازی رشد شهری با ترکیب سیاست‌های برنامه‌ریزی در یک مدل شبیه‌سازی کاربری زمین در آینده مبتنی بر CA. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۸ ، ۳۲ ، ۲۲۹۴-۲۳۱۶٫ [ Google Scholar ] [ CrossRef ]
روسو، اف. Rindone، C. برنامه‌های حمل‌ونقل منطقه‌ای: از نقش جهت‌گیری رد شده تا قوانین مشترک شناسایی شده است. Sustainability ۲۰۲۱ , ۱۳ , ۹۰۵۲٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ طبقه بندی مناطق آب و هوایی محلی و محدوده پارامترهای تاج پوشش شهری بر اساس [ ۱۱ ]. (توجه: گوشه سمت چپ بالای هر نوع LCZ، نقشه های شماتیک ارائه شده توسط [ ۴۱ ] است. گوشه سمت راست بالای هر نوع LCZ نماینده تصاویر با وضوح بالا از Google Earth است. SVF به معنای ضریب نمای آسمان است؛ BSF به معنای کسر سطح ساختمان؛ SA به معنای پذیرش سطح؛ BH به معنای ارتفاع عناصر زبری؛ ISF به معنای کسر سطح غیرقابل نفوذ؛ A به معنای albedo سطح؛ AR به معنای نسبت ابعاد؛ PSF به معنای کسر سطح گذر؛ AH به معنای گرمای انسانی است.

شکل ۲٫ موقعیت جغرافیایی ۳۴ شهر چین. (توجه: خط خاکستری مرز استان را نشان می‌دهد، خط سبز نشان‌دهنده مرز شهرداری است، خط آبی نشان‌دهنده مرز شهری جهانی است؛ شهر ووهان را به عنوان مثال برای نشان دادن تعیین مرز تحقیق، خط قرمز، در نظر می‌گیریم.)

شکل ۳٫ گردش کار روش طبقه بندی LCZ (طرح ۱ و طرح ۲)، پردازش داده های نمونه، ارزیابی دقت و تجزیه و تحلیل کاربرد.

شکل ۴٫ تعداد چند ضلعی های نمونه برای انواع مختلف LCZ در ۳۴ شهر چین.

شکل ۵٫ نمودار جعبه دقت کلی در تمام شهرهای انتخاب شده. (توجه: محور X 34 شهر چین را نشان می دهد؛ محور Y دقت کلی بین ۰-۱ را نشان می دهد؛ یک افسانه در گوشه پایین سمت چپ ارائه شده است).

شکل ۶٫ دقت هر نوع LCZ برای ۳۴ شهر و میانگین دقت در خط بالایی برای همه شهرها آورده شده است. خطوط چین نشان دهنده عدم امتیاز دقت است.

شکل ۷٫ مقایسه چهار شاخص (OA، OA _u ، OA _bu ، و OA _w ) تحت دو طرح (روش ما، طرح ۱؛ روش WUDAPT، طرح ۲) برای ۳۴ شهر.

شکل ۸٫ مقایسه نتایج نگاشت LCZ تحت دو طرح (طرح ۱ و طرح ۲): مطالعه موردی Fuzhou. نتایج بزرگ شده هر طرح برای چهار حوزه زیر مجموعه (جعبه ۱، ۲، ۳، و ۴) ارائه شده است. تصاویر Google Earth از هر منطقه نیز ارائه شده است.

شکل ۹٫ نسبت مساحت ( چپ ) و جمعیت ( راست ) ده طبقه ساخته شده (LCZ 1-10) برای ۳۴ شهر. یک افسانه برای نمودار دایره ای رنگی سه بعدی در پایین آورده شده است.

شکل ۱۰٫ ( الف ) نقشه حرارتی تراکم جمعیت در مقیاس LCZ برای ۳۴ شهر. ( ب ) هیستوگرام میانگین تراکم جمعیت برای هر LCZ.

شکل ۱۱٫ نمودار رادار تراکم جمعیت انواع LCZ برای شهرهای با اندازه های مختلف. (توجه: کادر قرمز نشان دهنده ابرشهر، دایره نارنجی نشان دهنده ابرشهر، الماس سبز نشان دهنده شهر بزرگ نوع I، و مثلث آبی نشان دهنده شهر بزرگ نوع دوم است.)

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام