شناسایی تالاب های شهری از طریق طبقه بندی صحنه سنجش از دور با استفاده از یادگیری عمیق: مطالعه موردی شنژن، چین

تالاب های شهری خدمات اکوسیستمی منحصر به فرد و ارزشمندی را به شهرها ارائه می دهند اما تحت فشار تخریب زیادی قرار دارند. شناسایی صحیح تالاب های شهری از تصاویر سنجش از دور برای توسعه برنامه های مدیریتی و حفاظتی مناسب اساسی است. برای غلبه بر محدودیت‌های معنایی تکنیک‌های سنتی طبقه‌بندی تالاب شهری در سطح پیکسل، یک چارچوب شناسایی تالاب شهری بر اساس یک طرح طبقه‌بندی پیشرفته در سطح صحنه پیشنهاد کردیم. ابتدا، تصویر چندطیفی Sentinel-2 با وضوح بالا از شنژن به تکه‌های مربعی ۳۲۰ × ۳۲۰ متر تقسیم شد تا مجموعه داده‌های نمونه برای طبقه‌بندی تولید شود. سپس، دوازده مدل شبکه عصبی کانولوشنال معمولی (CNN) برای آزمایش‌های مقایسه تبدیل شدند. سرانجام، مدل با بهترین عملکرد برای طبقه بندی صحنه های تالاب در شنژن استفاده شد و تجزیه و تحلیل الگو و ترکیب نیز در نتایج طبقه بندی پیاده سازی شد. ما دریافتیم که مدل DenseNet121 بهترین عملکرد را در طبقه‌بندی صحنه‌های تالاب شهری داشت، با دقت کلی (OA) و مقادیر کاپا به ترتیب به ۰٫۸۹ و ۰٫۸۶ رسید. نتایج تجزیه و تحلیل نشان داد که صحنه تالاب در شنژن به طور کلی در جهت شرق به غرب متعادل است. در میان صحنه‌های تالاب، آب‌های آزاد ساحلی نسبت نسبتاً بالایی را به خود اختصاص داده و الگوی آشکاری به سمت جنوب را نشان می‌دهند. مناطق باتلاق، مرداب، صاف جزر و مدی و حوضچه های باقی مانده پراکنده بودند و تنها ۴٫۶۴٪ از کل منطقه شنژن را تشکیل می دادند. برای تالاب های شهری پراکنده و پویا، ما اولین نفری هستیم که به طبقه بندی سطح صحنه با نتایج رضایت بخش دست یافته ایم.

کلید واژه ها:

تالاب شهری ; طبقه بندی صحنه ; DenseNet121 ; بیضی انحراف معیار ; شنژن

۱٫ مقدمه

بشریت به طور فزاینده ای شهری است اما همچنان برای بقای خود به طبیعت وابسته است [ ۱ ]. در نتیجه، بسیاری از تالاب ها ممکن است در مناطق شهری باقی بمانند، هم به عنوان بقایای محیط طبیعی و هم در نتیجه فعالیت های انسانی [ ۲ ]. این تالاب های شهری خدمات اکوسیستمی ویژه ای را برای ساکنان شهری ارائه می دهند، از جمله کاهش رواناب، تصفیه فاضلاب، خنک کردن مناطق شهری و کمک به فرهنگ و سرگرمی [ ۳ ، ۴ ، ۵ ]. با این حال، این تالاب های شهری باید به درستی مدیریت شوند تا تعادل با فعالیت های انسانی حفظ شود [ ۶]. در غیر این صورت، آلودگی ناشی از رسوبات، مانند عناصر فلزات سنگین و آلودگی میکروپلاستیک، ممکن است در تالاب های شهری ظاهر شود، و تولید مثل جوامع بیولوژیکی، مانند جمعیت خفاش و Chironomidae، ممکن است اثرات نامطلوب جدی بر سلامت شهری داشته باشد [ ۷ ، ۸ ، ۹ ].

شناسایی صحیح تالاب های شهری برای تدوین برنامه های مدیریتی و حفاظتی موثر اساسی است، اما کار آسانی نیست. در مقایسه با بررسی‌های دستی یک طرفه و ناکارآمد، سنجش از دور به روش اصلی فعلی تبدیل شده است که توسط آن تالاب‌های شهری شناسایی می‌شوند [ ۱۰ ، ۱۱ ]. با این حال، تحقیقات موجود در مورد شناسایی تالاب های شهری بر روی مناطق تالاب معمولی در شهرهای بزرگ یا شهرهای تالاب معمولی کوچک متمرکز شده است [ ۱۲ ، ۱۳ ، ۱۴ ]، و بنابراین این مطالعات توسط روش های طبقه بندی تصویر سنجش از دور سنتی در سطح پیکسل محدود شده است. از یک سو، تالاب های شهری بیشتر به صورت پراکنده وجود دارند [ ۱۵]، و پیکسل های حاوی این تالاب های کوچک در تصاویر سنجش از دور به راحتی با سایر پیکسل های اطراف مخلوط می شوند [ ۱۶ ]. از سوی دیگر، تالاب های شهری تغییرات دینامیکی خاصی را نشان می دهند، زیرا تحت تأثیر دینامیک هیدرولوژیکی کنترل شده به طور طبیعی و مصنوعی هستند [ ۱۷ ، ۱۸ ]، و شناسایی کامل پیکسل های پوشش بلادرنگ یک تالاب را حتی با در نظر گرفتن مشاهدات سنجش از راه دور چند زمانی دشوار می کند. [ ۱۹]. در واقع، یک تالاب شهری در یک محیط واقعی معمولاً صحنه‌ای است که از پوشش گیاهی، آب، جزر و مد و دیگر انواع پوشش زمین تشکیل شده است تا یک نوع پوشش زمینی ایستا. اخیراً، روش‌های طبقه‌بندی تصویر سنجش از دور از روش‌های تفسیر سطح پیکسل به روش‌های تفسیر معنایی سطح صحنه در حال حرکت هستند، بنابراین هدف آن برچسب‌گذاری هر وصله تصویر با یک کلاس معنایی خاص [ ۲۰ ] است. در مقایسه با روش‌های طبقه‌بندی سنجش از دور که در سطح پیکسل انجام می‌شوند، معانی معنایی بیشتری را می‌توان از طریق طبقه‌بندی سطح صحنه درک کرد، به‌ویژه برای الگوهای فضایی جهانی که توسط پیکسل‌ها تشکیل شده‌اند [ ۲۱ ، ۲۲ ].

برای طبقه بندی در سطح صحنه، عملکرد طبقه بندی کننده تا حد زیادی به توانایی استخراج ویژگی برای تصاویر سنجش از دور بستگی دارد [ ۲۳ ]. به عنوان مثال، هیستوگرام یک تصویر را می توان به عنوان یک خلاصه سطح پایین از ویژگی های آن استفاده کرد، اما دقت طبقه بندی به دست آمده بر اساس این ویژگی های سطح پایین به سختی رضایت بخش است [ ۲۴ ]. خوشبختانه، روش‌های یادگیری عمیق به طور گسترده در تکنیک‌های طبقه‌بندی صحنه معرفی شده‌اند و برای تصاویر سنجش از دور اعمال می‌شوند. به طور خاص، مدل شبکه عصبی کانولوشنال (CNN) قابلیت‌های یادگیری ویژگی تصویر قدرتمندی را نشان می‌دهد [ ۲۵ ]. در طول توسعه مدل CNN، شبکه ای به نام VGGNet که در سال ۲۰۱۴ پیشنهاد شد با موفقیت پیشگام شد [ ۲۶ ]]، تایید کننده اهمیت عمق شبکه برای توانایی یادگیری ویژگی های تصویر و دقت طبقه بندی است. برای افزایش بیشتر عمق شبکه، یک ساختار شبکه با استفاده از اتصالات میانبر و یک ساختار شبکه با استفاده از اتصالات متراکم پیشنهاد شد و به ترتیب ResNet [ ۲۷ ] و DenseNet [ ۲۸ ] نامگذاری شد. اصل آنها حل مشکل ناپدید شدن/انفجار گرادیان با افزایش عمق شبکه با ترکیب نقشه های ویژگی مقیاس های چندگانه در شبکه است. اگرچه ResNet و DenseNet بر دشواری افزایش عمق شبکه غلبه کرده و می توانند به دقت طبقه بندی بالاتری دست یابند، اما پیچیدگی ساختار مدل را نیز افزایش می دهند. بنابراین، MobileNet [ ۲۹ ، ۳۰ ] و EfficentNet [ ۳۱]، که عمدتاً با کاهش تعداد پارامترهای شبکه مشخص می شوند، با فرض حفظ دقت طبقه بندی بالا نیز ارزش زیادی دارند. در مقایسه با سایر انواع پوشش زمین، مانند زمین های زیر کشت، جنگل ها و زمین های ساختمانی، تالاب ها معمولاً دقت طبقه بندی پایین تری دارند [ ۳۲ ]، بنابراین لازم است این مدل های CNN با دقت بالا اعمال شود. در دو مطالعه تالاب در کانادا، رضایی و همکاران. [ ۳۳ ] و مهدیان پری و همکاران. [ ۳۴ ] اثرات طبقه‌بندی مدل‌های مختلف CNN، از جمله VGGNet، ResNet، و DenseNet را با روش‌های سنتی، مانند ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF)، با استفاده از تصاویر نوری RapidEye مقایسه کردند. گونن [ ۳۵] از تصاویر Sentinel-2 برای مقایسه قابلیت‌های مدل CNN و روش‌های سنتی مانند SVM، تجزیه و تحلیل تفکیک خطی و K-نزدیک‌ترین همسایگی در طبقه‌بندی آب تالاب و غیرآب استفاده کرد. نتایج مقایسه مطالعات فوق همه نشان داد که توانایی یادگیری ویژگی تصویر قدرتمند مدل CNN می‌تواند به اثر طبقه‌بندی با دقت بالاتری دست یابد. با این حال، تالاب های شهری پراکنده و پویا هستند، متفاوت از تالاب های طبیعی معمولی در مطالعات فوق، و عملکرد مدل های معمولی CNN در طبقه بندی تالاب های شهری هنوز ناشناخته است. بنابراین ارزش کاوش و کشف بیشتر را دارد.

شنژن، یک شهر ساحلی در جنوب شرقی چین با آب و هوای گرم و مرطوب، زمانی با مناطق تالاب طبیعی بزرگ پوشیده شده بود [ ۳۶ ]. با این حال، از زمانی که منطقه ویژه اقتصادی شنژن در سال ۱۹۷۹ تأسیس شد، گسترش شهری بسیار سریع در این شهر گسترش یافت [ ۳۷ ، ۳۸ ]. این گسترش بسیاری از تالاب های طبیعی بومی را از بین برده و تالاب های مصنوعی جدید بسیاری را ایجاد کرده است. همانطور که مفهوم توسعه پایدار در سال های اخیر مورد تاکید قرار گرفته است [ ۳۹ ، ۴۰]، شناسایی این تالاب های شهری پراکنده و پویا برای حفاظت مناسب به یک مشکل فنی فوری تبدیل شده است. بنابراین، ما از روش طبقه‌بندی سطح صحنه برای شناسایی انواع لکه‌های تالاب شهری از تصاویر سنجش از دور Sentinel-2 استفاده کردیم. اهداف این مطالعه عبارتند از: (۱) ساخت یک چارچوب فنی برای شناسایی صحنه های تالاب شهری. (۲) عملکرد چندین مدل معمولی CNN را هنگام طبقه‌بندی صحنه‌های تالاب شهری مقایسه کنید. و (۳) الگوی فضایی و ترکیب صحنه های تالاب شهری در شنژن را تجزیه و تحلیل کنید.

۲٫ مواد و روشها

۲٫۱٫ چارچوب کلی

گردش کار کلی این مطالعه در شکل ۱ خلاصه شده است . این شامل سه مرحله است: آماده سازی داده ها، مدل سازی، و نقشه برداری و تجزیه و تحلیل. در مرحله آماده‌سازی داده‌ها، یک سیستم طبقه‌بندی محلی و مجموعه داده‌های نمونه برای شنژن برای حمایت بیشتر از نقشه‌برداری صحنه تالاب شهری و تحلیل مقایسه‌ای ایجاد شد. در مرحله مدل‌سازی، انواع مدل‌های معمولی CNN برای تعیین ساختار شبکه‌ای که برای طبقه‌بندی صحنه‌های تالاب شهری مناسب‌تر است، مقایسه شدند. در مرحله نقشه برداری و تحلیل، نتایج صحنه تالاب شهری به دست آمده در شنژن نقشه برداری شد و تجزیه و تحلیل الگوی فضایی، تجزیه و تحلیل ترکیب و تحلیل مقایسه ای با سایر محصولات سنجش از دور بر اساس طبقه بندی پیکسل انجام شد.

۲٫۲٫ منطقه مطالعه

شنژن بین ۲۲٫۴۵ درجه شمالی و ۲۲٫۸۷ درجه شمالی و بین ۱۱۳٫۷۷ درجه شرقی و ۱۱۴٫۶۲ درجه شرقی قرار دارد، در منطقه ساحلی استان گوانگدونگ در جنوب چین واقع شده است ( شکل ۲ a) و دارای آب و هوای موسمی اقیانوسی گرمسیری است. این شهر دارای بارندگی و آفتاب فراوان است، با میانگین بارندگی سالانه ۱۸۸۲٫۸ میلی متر و دمای متوسط سالانه ۲۳٫۷ درجه سانتیگراد، که در نتیجه تنوع گسترده ای از تالاب ها را ایجاد می کند [ ۳۶ ، ۳۷ ]. علاوه بر این، شنژن یکی از شهرهای چین است که سریع‌ترین رشد را دارد [ ۴۱ ]. از زمان تأسیس منطقه ویژه اقتصادی در ۴۲ سال پیش، شنژن به سرعت به یک کلان شهر بین‌المللی تبدیل شد و تا سال ۲۰۱۸ به تولید ناخالص داخلی سالانه بیش از ۲۴۰۰ میلیارد یوان و جمعیتی بالغ بر ۱۲٫۵۳ میلیون رسید [ ۴۱ ].]. رشد سریع جمعیت و گسترش شهرها آسیب جدی به تالاب های طبیعی وارد کرده و منجر به ایجاد تعداد زیادی تالاب مصنوعی و تالاب های کوچک شده است. این تنظیم یک مطالعه موردی مناسب برای شناسایی تالاب های شهری از منظر صحنه های سنجش از دور فراهم می کند.

۲٫۳٫ سیستم طبقه بندی و مجموعه داده ها

۲٫۳٫۱٫ سیستم طبقه بندی

در این مطالعه، سیستم طبقه‌بندی مورد اشاره، آخرین سیستم طبقه‌بندی سومین بررسی ملی زمین چین [ ۴۲ ] است که به طور گسترده‌ای با سیستم طبقه‌بندی قبلی بررسی تالاب ملی متفاوت است. سیستم جدید برای بررسی و پایش تالاب در آینده ضروری است. بر این اساس، ما یک بررسی میدانی از تالاب های شهری در شنژن در سپتامبر ۲۰۲۱ انجام دادیم و از نوع، مکان، پوشش گیاهی و سایر ویژگی های ۱۸ مکان معمولی عکسبرداری و ثبت کردیم ( شکل ۲).ب). در نهایت، ما تنظیمات مناسبی را در ساختار طبقه بندی با توجه به انواع تالاب های محلی و ویژگی های توزیع در شنژن انجام دادیم تا الزامات طبقه بندی صحنه تصاویر سنجش از دور را برآورده کنیم. در سیستم طبقه بندی محلی، تالاب ها و غیر تالاب ها در ۵ زیرمجموعه گروه بندی شدند ( شکل ۳ ).

۲٫۳٫۲٫ داده های مرجع تصاویر نوری با وضوح بسیار بالا

بر اساس سیستم طبقه بندی، صحنه های سنجش از دور به صورت دستی از تصاویر نوری با وضوح بسیار بالا که در دسامبر ۲۰۲۰ گرفته شده اند انتخاب شده اند. تصاویر به دست آمده از اداره برنامه ریزی و منابع طبیعی شهرداری شنژن، دارای وضوح فضایی ۰٫۲ متر هستند. برای مطابقت با تصاویر چندطیفی با وضوح بالا، شکل صحنه‌های تالاب شهری ۳۲۰ × ۳۲۰ متر تعیین شد و ۲۰۸۳ تکه از تصاویر نوری با وضوح بسیار بالا انتخاب شدند.

منطقه پوشش پایه اصلی برای شناسایی نوع صحنه یک تصویر سنجش از دور است. به طور خاص، زمانی که سطح پوشش یک نوع تالاب و آب از ۵۰ درصد بیشتر شود و سطح پوشش آب کمتر از این نوع تالاب باشد، لکه به عنوان صحنه تالاب از نوع مربوطه شناسایی می شود. برعکس، لکه به عنوان یک صحنه از نوع غیر تالابی شناسایی می شود که یک غیر تالاب بیش از ۵۰٪ از منطقه را پوشش دهد.

۲٫۳٫۳٫ داده های طبقه بندی تصاویر چند طیفی با وضوح بالا

مطابق با زمان‌بندی تصاویر نوری با وضوح بسیار بالا، تصاویر چند طیفی با وضوح بالا که توسط حسگرهای ابزار چندطیفی (MSI) روی ماهواره‌های Sentinel-2A/B در دسامبر ۲۰۲۰ گرفته شده بودند، استفاده شدند [ ۴۳ ]. در تحقیقات منطقه‌ای تالاب در مقیاس‌های مشابه، تصاویر Sentinel-2 به طور گسترده از داده‌های سنجش از دور استفاده می‌شوند و وضوح فضایی بالا و نوارهای لبه قرمز و مادون قرمز غنی آن‌ها برای شناسایی تالاب مفید هستند [ ۴۴ ، ۴۵ ]. علاوه بر این، یک روش جدید برای جمع‌آوری تصاویر Sentinel-2 بدون ابر بر اساس پلتفرم Google Earth Engine (GEE) به کار گرفته شد که ثابت شده است که برتر از روش‌های تجمع تصویر متوسط اغلب مورد استفاده و سبزترین روش‌های موزاییک پیکسلی است [ ۴۶ ].]. این روش جدید می‌تواند تمام تصاویر آرشیو شده Sentinel-2 را در شنژن در دسامبر ۲۰۲۰ وارد کند و امتیاز کیفیت ابر و پوشش سایه را برای ترکیب یک تصویر بدون ابر محاسبه کند. پس از نمونه برداری مجدد تا وضوح ۱۰ متر، تصاویر سنجش از دور شنژن با ۱۳ باند دانلود شدند ( جدول ۱ ). از تصاویر Sentinel-2 با اطلاعات طیفی کافی و دسترسی آسان برای تولید مجموعه داده‌های نمونه و شناسایی تالاب‌های شهری استفاده شد. مجموعه داده نمونه به طور تصادفی به یک مجموعه آموزشی، یک مجموعه اعتبار سنجی و یک مجموعه آزمایشی با نسبت ۵:۳:۲ تقسیم شد و همه وصله‌های موجود در شنژن برای طبقه‌بندی انواع صحنه‌هایشان به مدل CNN وارد شدند.

۲٫۳٫۴٫ مجموعه داده مقایسه محصولات پوشش زمین

برای مقایسه با نتایج این مطالعه از دو محصول سنجش از دور بر اساس طبقه‌بندی در سطح پیکسل، یعنی GlobeLand30 و GLC_FCS30 استفاده شد. GlobeLand30 یک محصول پوشش سطح جهانی با وضوح ۳۰ متر است که توسط دولت چین در سال ۲۰۱۴ منتشر شد [ ۴۷ ] و اخیراً با یک مجموعه داده جدید برای تولید نسخه ۲۰۲۰ به روز شده است ( http://www.globallandcover.com ، دسترسی به ۲۶ ). دسامبر ۲۰۲۱). GlobeLand30 در مجموع شامل ۱۲ نوع پوشش زمینی است که در این مطالعه تالاب ها، بدنه های آبی و مناطق دریایی به عنوان تالاب ها طبقه بندی شدند، در حالی که همه انواع دیگر به عنوان غیر تالاب طبقه بندی شدند ( جدول ۲).). GLC_FCS30 یک محصول پوشش سطح جهانی با سری طولانی مدت است که از پلتفرم GEE و تصاویر ماهواره‌ای Landsat با وضوح ۳۰ متر و دقت پایدار تولید شده است [ ۴۸ ]. مجموعه داده GLC_FCS30 برای سال ۲۰۲۰ از وب سایت پروژه علم داده های بزرگ زمین ( http://data.casearth.cn ، در ۲۶ دسامبر ۲۰۲۱) دانلود شد. از این مجموعه داده ها، تالاب ها و بدنه های آبی در این مطالعه به عنوان تالاب ها طبقه بندی شدند، در حالی که همه انواع دیگر به عنوان غیرتالاب طبقه بندی شدند ( جدول ۲). برای مطابقت با نتایج طبقه‌بندی صحنه این مطالعه، از طیف صحنه‌های تقسیم‌بندی شده برای شمارش مناطق تالاب در مجموعه داده‌های GlobeLand30 و GLC_FCS30 استفاده شد. زمانی که مساحت تالاب در محدوده مورد بررسی بیش از ۵۰ درصد شد، محدوده به صحنه تالاب تبدیل شد.

۲٫۴٫ مدل طبقه بندی صحنه یادگیری عمیق

یک مدل CNN از چندین لایه پیچشی، لایه های ادغام و سایر لایه ها تشکیل شده است. این ترکیب از لایه های متعدد ممکن است قابلیت های استخراج ویژگی های متفاوتی را نشان دهد، بنابراین امکان شکل گیری انواع مدل های CNN را فراهم می کند. به استثنای برخی از مدل هایی که حداقل اندازه ۳۲ پیکسل × ۳۲ پیکسل را پشتیبانی نمی کنند، در مجموع دوازده مدل معمولی CNN در این مطالعه آزمایش شدند، از جمله VGG16، ResNet50، ResNet101، ResNet152، MobileNet، MobileNetV2، DensNet121، DenseNetseNet169، DenseNet169، DenseNet169، DenseNet169، Dense ، EfficientNetB5 و EfficientNetB7 [ ۲۶ ، ۲۷ ، ۲۸ ، ۲۹ ، ۳۰ ، ۳۱ ]. بر اساس مجموعه داده طبقه بندی ImageNet [ ۴۹]، این مدل ها از قبل آموزش داده شده و در اجرای برنامه Keras ادغام شده اند ( https://keras-cn.readthedocs.io ، دسترسی به ۲۶ دسامبر ۲۰۲۱)، بنابراین ما می توانیم به راحتی وزن آنها را به وظیفه طبقه بندی صحنه های تالاب شهری منتقل کنیم. به طور خاص، ساختارهای خروجی این مدل‌ها را با افزودن یک لایه ادغام میانگین جهانی، سه لایه کاملاً متصل و دو لایه حذفی برای بهینه‌سازی ویژگی‌های خروجی و کاهش پدیده اضافه برازش تنظیم کردیم ( شکل ۱ ).

در نهایت، تابع تلفات نرم‌افزار [ ۵۰ ] برای طبقه‌بندی ویژگی‌های خروجی مدل‌های CNN استفاده شد. همه مدل‌های فوق در سیستم‌عامل پشتیبانی طولانی‌مدت Ubuntu 20.4 (LTS) پیاده‌سازی شدند و TensorFlow 2.5، CUDA 11.4، CUDNN 8.2 و GPU NVIDIA GeForce RTX 3090 با حافظه ۲۴ G پشتیبانی از فرآیند یادگیری عمیق را ارائه کردند. تصاویر.

۲٫۵٫ معیارهای ارزیابی

مجموعه داده‌های آموزشی و اعتبارسنجی از طریق هر مدل CNN 300 بار تکرار شد تا به مدل اجازه دهد پارامترهای بهینه را بیاموزد. مجموعه داده آزمایشی اصلاً در این فرآیند شرکت نکرد، بلکه فقط برای ارزیابی عملکرد مدل، از جمله اثرات طبقه‌بندی زیرمجموعه‌ها و کل مجموعه داده‌ها استفاده شد. برای ارزیابی عملکرد کلی هر مدل از دقت کلی (OA) و ضریب کاپا و برای ارزیابی عملکرد مدل در هر زیررده از جدول امتیاز F1 و ماتریس سردرگمی استفاده شد.

بر این اساس، فرمول های محاسبه OA و کاپا متریک به شرح زیر است:

(۱)

(۲)

(۳)

جایی که و به ترتیب تعداد نمونه های طبقه بندی شده صحیح و تعداد کل نمونه ها را نشان می دهد و و مقادیر واقعی و پیش بینی شده کلاس هستند ، به ترتیب. در واقع، ضریب کاپا بر اساس ماتریس سردرگمی محاسبه می‌شود، که تعادل دقت را در بین انواع مختلف تالاب‌های شهری بیش از OA در نظر می‌گیرد. علاوه بر این، محصولات GlobeLand30 و GLC_FCS30 طبقه بندی شده با نتایج طبقه بندی صحنه به دست آمده در این مطالعه مطابقت دارند و تنها دو نوع صحنه وجود دارد: تالاب ها و غیر تالاب ها. بنابراین، معیارهای OA و کاپا مورد استفاده برای ارزیابی عملکرد مدل نیز برای ارزیابی سازگاری بین نتایج طبقه‌بندی و محصولات پوشش زمین قابل استفاده بودند.

برای ارزیابی تأثیر یک مدل در تشخیص بین زیرمجموعه‌ها، امتیاز F1 یک معیار رایج است. این متریک از میانگین وزنی دقت و یادآوری تشکیل شده است و به صورت زیر محاسبه می شود [ ۵۱ ، ۵۲ ]:

(۴)

(۵)

(۶)

جایی که نشان دهنده تعداد نمونه هایی است که به درستی پیش بینی شده اند و و تعداد نمونه هایی را نشان می دهد که به ترتیب برای یک زیرمجموعه به اشتباه پیش بینی شده اند و به ترتیب برای سایر زیر مجموعه ها به اشتباه پیش بینی شده اند.

۲٫۶٫ روش تشخیص الگو

ترسیم بیضی انحراف معیار از اشیاء بر روی نقشه یک روش پرکاربرد تشخیص الگوی فضایی است [ ۵۳ ] و این روش در این مطالعه استفاده شد. مرجعی که الگوی فضایی با آن تفسیر می شود شامل موقعیت، محدوده، شکل و مرکز هر بیضی است، زیرا این اطلاعات می تواند نشان دهنده پوشش، روند توزیع و وضعیت گسسته توزیع تالاب شهری باشد. در نرم‌افزار ArcGIS 10.6 ( https://www.esri.com ، دسترسی به ۲۶ دسامبر ۲۰۲۱)، بیضی‌های صحنه‌های مختلف تالاب شهری با استفاده از ابزار Direct Distribution یکی یکی ترسیم شد و مراکز آنها با استفاده از ابزار Mean Center محاسبه شد. .

۳٫ نتایج

۳٫۱٫ طبقه بندی عملکرد مدل ها

همانطور که در جدول ۳ نشان داده شده است ، عملکرد کلی هر مدل خوب است. مقادیر OA همه مدل‌ها بیشتر از ۰٫۷ و ضرایب کاپا بیشتر از ۰٫۶ بود. در مقایسه با عملکرد مدل‌های مشابه با لایه‌های مختلف، تفاوت عملکرد کلی بین انواع مختلف مدل‌ها بیشتر بود. به طور کلی، مدل‌های DenseNet اثرات بهتری در شناسایی صحنه‌های تالاب شهری نشان دادند. به طور خاص، DenseNet121 بهترین عملکرد را داشت، با مقادیر OA و کاپا به ترتیب تقریباً ۰٫۸۹ و ۰٫۸۶٫

همانطور که از عملکرد هر مدل در شناسایی زیرمجموعه ها مشاهده می شود، تفاوت های زیادی بین مدل ها وجود دارد. امتیازات F1 بدست آمده برای زیرمجموعه های مختلف با هر مدل در شکل ۴ نشان داده شده است. نتایج طبقه‌بندی برای مناطق جنگلی، آب‌های آزاد و صحنه‌های ساخته شده خوب بود، در حالی که نتایج طبقه‌بندی برای صحنه‌های مرداب، سایر و برکه‌ها نسبتا ضعیف بود. به طور کلی، قابلیت شناسایی برای صحنه های تالاب منعکس شده توسط هر مدل کمتر از صحنه های غیر تالابی بود.

شایان ذکر است که زیرمجموعه های اشتباه طبقه بندی شده توسط هر مدل، عمدتاً صحنه های تالاب بودند. اختلاط کمتری با دیگر صحنه های غیر تالابی رخ داده است ( شکل ۵). به عنوان مثال، در DensNet121، نسبت‌های صحنه‌های مرداب، مرداب، جزر و مد، برکه و آب‌های آزاد که به اشتباه به‌عنوان صحنه‌های غیر تالابی طبقه‌بندی شده‌اند، به ترتیب ۰٫۰۸، ۰٫۴۵، ۰، ۰٫۱۴ و ۰ بودند، در حالی که سایر صحنه‌های غیر تالابی صحنه های تالاب به اشتباه به عنوان صحنه های تالاب طبقه بندی نشدند. این نتیجه نشان داد که طبقه‌بندی زیرمجموعه‌های تالاب دشوارتر از زیرمجموعه‌های غیر تالابی است. به طور خاص، دقت DensNet121 هنگام شناسایی صحنه های صاف آب باز و جزر و مد بالا است و به ترتیب به ۰٫۸۳ و ۰٫۹۹ می رسد. نسبت صحنه های باتلاق و حوض به درستی شناسایی شده به ترتیب ۰٫۶۷ و ۰٫۵۷ بود. صحنه‌های باتلاق گاهی به اشتباه به‌عنوان صحنه‌های باتلاق، جزر و مد، برکه یا صحنه‌های جنگلی شناسایی می‌شدند و صحنه‌های برکه‌ها گاهی به‌طور اشتباه به‌عنوان صحنه‌های جزر و مدی، آب‌های آزاد، علفزار یا مناظر ساخته شده شناسایی می‌شدند. فقط ۰٫

۳٫۲٫ نتایج طبقه بندی صحنه در شنژن

پس از مقایسه عملکرد مدل‌های مختلف، مدل DenseNet121 را برای تهیه نقشه صحنه تالاب شهری شنژن انتخاب کردیم. همانطور که در شکل ۶ نشان داده شده است ، عملکرد طبقه بندی صحنه این مدل به طور کلی خوب بود. مناظر ساخته شده، جنگلی و آب های آزاد الگوی اصلی فضایی را تشکیل می دادند. برای بررسی جزئیات بیشتر نتایج طبقه‌بندی، ما سه منطقه تالاب مهم، یعنی مخزن Tiegang، ذخیره‌گاه طبیعی حرا Futian و پایگاه آبزی پروری ساحل شرقی را انتخاب کردیم. این مناطق به ترتیب با A، B و C در نقشه مشخص شدند. نتایج طبقه بندی این سه ناحیه کیفیت خوبی را نشان داد. در مقایسه با تصویر سنجش از راه دور واقعی که در ردیف آخر نشان داده شده است شکل ۶ نشان داده شده استنتایج طبقه بندی این سه ناحیه می تواند با ویژگی های واقعی مطابقت داشته باشد. علاوه بر این، توزیع فضایی صحنه‌های مختلف با قوانین اکولوژیکی آشنا مطابقت دارد. در منطقه A، مخزن در مرکز، و احاطه شده توسط صحنه های تالاب، از جمله باتلاق، مرداب، جزر و مد، و برکه. منطقه B یک الگوی تالاب معمولی حرا را نشان می‌دهد که از آب‌های آزاد تا مناطق جزر و مدی و باتلاق‌ها را شامل می‌شود. علاوه بر این، منطقه C منعکس کننده صحنه تالاب سیستم دایک-برکه با ویژگی های گوانگدونگ [ ۵۴ ] است.

۳٫۳٫ مقایسه با محصولات طبقه بندی پیکسل

همانطور که در جدول ۴ نشان داده شده است ، در ۴۱۳۹ صحنه مربوطه، منطقه تالاب نشان داده شده توسط GlobeLand30 بیش از ۵۰٪ را به خود اختصاص داده است. از میان این صحنه‌ها، ۴۰۲۸ صحنه با نتایج طبقه‌بندی به‌دست‌آمده در این مطالعه منطبق بود و مقادیر OA و کاپا بین آنها به ترتیب به ۹۶/۰ و ۸۷/۰ رسید. همچنین در ۳۹۵۴ صحنه مربوطه، مساحت تالاب GLC_FCS30 بیش از ۵۰ درصد را به خود اختصاص داده است که از این میان ۳۹۰۰ صحنه با نتایج طبقه‌بندی این مطالعه منطبق بوده است. مقادیر OA و کاپا به دست آمده بین آنها به ترتیب ۰٫۹۶ و ۰٫۸۶ بود. دو محصول بر اساس طبقه‌بندی در سطح پیکسل سازگاری خوبی با نتایج طبقه‌بندی صحنه ما نشان دادند، که نشان می‌دهد چارچوب و روش‌هایی که ما ساخته‌ایم برای شناسایی تالاب شهری مؤثر هستند.

۳٫۴٫ الگوی فضایی صحنه های تالاب در شنژن

همانطور که در شکل ۷ نشان داده شده است ، پنج نوع صحنه تالاب شهری از تمام نتایج طبقه بندی استخراج شد و بیضی های انحراف معیار برای تشخیص الگوهای فضایی آنها ترسیم شد. ابتدا، با قضاوت از مکان‌ها، محدوده‌ها و شکل‌های بیضی، صحنه‌ها تقریباً در یک الگوی شرقی-غربی توزیع شدند. این با شکل اصلی شنژن سازگار بود، بنابراین نشان می دهد که توزیع صحنه های مختلف تالاب در داخل شهر تقریباً متعادل است. در مرحله بعد، ما از مراکز بیضی ها نقشه برداری کردیم تا الگوی فضایی صحنه های تالاب شهری را با جزئیات بیشتر تشخیص دهیم. نماد صلیب سیاه در شکل ۷مرکز هندسی شنژن است و می تواند به عنوان مرجعی برای قضاوت در مورد مکان های دیگر مراکز صحنه تالاب شهری استفاده شود. بدیهی است که مناظر آبهای آزاد از جمله سطح وسیعی از تالابهای ساحلی بیشتر به سمت جنوب شرقی پراکنده شده است. علاوه بر این، صحنه‌های باتلاق، تخت جزر و مدی، مرداب و حوضچه‌های باقی‌مانده، توزیع‌های کوچک اما تشدید شده به سمت غرب را نشان دادند.

۳٫۵٫ ترکیب صحنه های تالاب در شنژن

در شکل ۸ ، نتایج طبقه بندی تمامی ۲۳۰۲۷ صحنه در شنژن شمارش شد. از این میان، ۴۰۹۶ صحنه به عنوان صحنه های تالاب شهری شناسایی شد که تقریباً ۲۱٫۱ درصد از کل صحنه ها را تشکیل می دهد. این درصد ممکن است زیاد به نظر برسد، اما شامل آب های فراساحلی تحت پوشش منطقه مورد مطالعه و شناسایی شده به عنوان صحنه های آب باز است که ۷۸ درصد از صحنه های تالاب را تشکیل می دهد. علاوه بر این، ۴۵۷، ۲۳۰، ۱۹۱ و ۱۹۱ صحنه جزر و مد مسطح، مرداب، باتلاق و برکه شناسایی شد که به ترتیب ۹٫۴۱، ۴٫۷۳، ۳٫۹۳ و ۳٫۹۳ درصد از صحنه های تالاب را تشکیل می دهند. وضعیت تالاب های شهری در شنژن خوب نیست و چهار صحنه تالاب شهری باقی مانده به جز آب های آزاد تنها ۴٫۶۴ درصد از کل تالاب ها را تشکیل می دهند.

۴٫ بحث

یک صحنه تالاب شهری ممکن است حاوی ترکیبی از آب های متعدد، مناطق جزر و مدی، پوشش گیاهی و حتی امکانات باشد. مشخصه های دینامیکی پراکنده و نامنظم پیچیدگی آنها را در محیط های واقعی بیشتر می کند. با این حال، روش طبقه‌بندی سنتی در سطح پیکسل هنگام شناسایی تالاب‌های شهری عملکرد رضایت‌بخشی ندارد و معمولاً برای برخی از شهرهای تالاب معمولی یا تالاب‌های شهری معمولی اعمال می‌شود [ ۱۲ ، ۱۳ ، ۱۴ ]]. بنابراین، این مطالعه یک چارچوب شناسایی تالاب شهری را بر اساس روش طبقه‌بندی سطح صحنه سنجش از دور پیشنهاد کرد. در یک پچ تصویر سنجش از دور با اندازه ۳۲۰ متر × ۳۲۰ متر، اگر تالاب بیش از ۵۰ درصد لکه را پوشش دهد، لکه به عنوان صحنه تالاب تعریف می شود. در مقایسه با طبقه‌بندی در سطح پیکسل، این روش طبقه‌بندی سطح صحنه، انواع مختلفی از معناشناسی تالاب را برای شناسایی آنها ترکیب می‌کند و شامل تغییرات دینامیکی است که ممکن است در صحنه مشاهده نشوند.

این مطالعه از ۱۲ مدل معمولی CNN، از جمله VGG16، ResNet50، ResNet101، ResNet152، MobileNet، MobileNetV2، DensNet121، DenseNet169، DenseNet201، EfficientNetB0، EfficientNetB5 و EfficientNetB7 استفاده و مقایسه کرد. در مقایسه با مطالعات طبقه بندی انجام شده در تالاب های طبیعی (OA ها عموماً بالاتر از ۹۰%) [ ۳۳ ، ۳۴ )]، OA های به دست آمده در این مطالعه کمتر است زیرا وظیفه طبقه بندی برای تالاب های شهری پیچیده تر است. با این حال، عملکرد مدل های کلاسیک در وظایف طبقه بندی مختلف مشابه است و تفاوت بین مدل های مختلف زیاد است. به طور کلی، عملکرد مدل به تدریج از DenseNet به MobileNet به ResNet به VGG به EfficientNet بدتر شد. تفاوت قابل توجهی در عملکرد یک مدل با تعداد لایه های مختلف وجود ندارد، احتمالاً به این دلیل که اندازه تصاویر توانایی آن را برای یادگیری ویژگی ها محدود می کند. در نهایت، مدل DenseNet121 به عنوان بهترین انتخاب برای طبقه‌بندی صحنه تالاب در شنژن تأیید شد. نتایج طبقه‌بندی سازگاری خوبی با محصولات GlobeLand30 و GLC_FCS30 طبقه‌بندی‌شده در سطح پیکسل نشان داد، و هر دو OA بالای ۰٫۹۶ بودند.

مشابه تالاب های شهری در سایر مناطق [ ۱۳ ، ۱۸ ]، تالاب های شهری در شنژن به طور کلی الگوی توزیع پراکنده آشکاری را ارائه کردند. بیضی های انحراف استاندارد برای تشخیص الگوی فضایی دقیق صحنه های تالاب ترسیم شدند. تحت تأثیر تالاب های ساحلی در جنوب شرقی و جنوب غربی، مرکز صحنه های آب آزاد آشکارا به سمت جنوب شرقی کج شده بود. صحنه‌های تالاب باقی‌مانده از باتلاق‌ها، مناطق جزر و مدی، باتلاق‌ها و حوض‌ها فقط انحراف جزئی به سمت غرب را نشان می‌داد. آب‌های آزاد نزدیک ساحل بخش بزرگی از ترکیب صحنه‌های تالاب را تشکیل می‌دهند، بنابراین مزایای خدمات اکولوژیکی گسترده‌ای را برای شنژن فراهم می‌کنند [ ۳۷ ، ۵۵ ، ۵۶ .]. با این حال، مناظر باقی‌مانده تالاب‌های شهری به غیر از آب‌های آزاد تنها ۴٫۶۴ درصد از کل را تشکیل می‌دهند که شدت وضعیت در شنژن را در کاهش تخریب تالاب تأیید می‌کند [ ۵۷ ، ۵۸ ]. برای مدیران شهری که می‌خواهند به توسعه پایدار دست یابند، ممکن است ایده‌ای نوآورانه باشد که نتایج طبقه‌بندی صحنه را برای تدوین برنامه‌ها و سیاست‌های مناسب برای حفاظت از تالاب‌های شهری در نظر بگیرند. درک و محافظت از یک هدف صحنه مربعی نسبت به بسیاری از پیکسل‌های فازی آسان‌تر است و یک صحنه تالاب متشکل از چندین مؤلفه واقعی‌تر و تضمین‌کننده‌تر از بسیاری از بخش‌های ثابت پیکسل‌های پوشش زمین است.

با بهبود مستمر قابلیت‌های جمع‌آوری داده‌ها، محدودیت‌های تحمیل‌شده توسط در دسترس بودن داده‌ها در تحقیقات اکولوژیکی تضعیف شده است و توجه بیشتری به چارچوب‌ها و مدل‌های پژوهشی معطوف شده است. ۵۷ ].]. به طور مشابه، داده‌های چند طیفی با وضوح بالا مورد استفاده در این مطالعه، الزامات طبقه‌بندی را برای شناسایی تالاب‌های شهری برآورده می‌کنند، اما هنوز جای بهبود وجود دارد. تصاویر Sentinel-2 که ما استفاده کردیم با وضوح ۱۰ متر نمونه برداری شدند، اما اندازه ورودی مدل CNN هنوز محدود بود. اگرچه تصاویر نوری با وضوح بسیار بالا که ما استفاده کردیم واضح تر هستند، اما فاقد اطلاعات طیفی هستند و به سختی می توان آنها را به دست آورد و در کل مقیاس شنژن به کار برد، بنابراین آنها تنها به عنوان مرجع برای ساختن نمونه های داده چندطیفی استفاده می شوند. در آینده، تصاویر سنجش از راه دور چند طیفی با وضوح بالاتر و مدل های CNN بیشتر در نظر گرفته خواهند شد.

۵٫ نتیجه گیری ها

لکه های تالاب شهری در تصاویر سنجش از دور معمولاً یک کل پیچیده متشکل از انواع پوشش های زمین با توزیع های پراکنده و ویژگی های دینامیکی نامنظم است که با تالاب های طبیعی متفاوت است. این امر، تشخیص کامل انواع تالاب‌ها را برای روش‌های سنتی طبقه‌بندی در سطح پیکسل دشوار می‌کند و در بسیاری از موارد، فقط آب‌ها را می‌توان به طور موثر شناسایی کرد. بنابراین، ما انواع پچ تصاویر سنجش از راه دور را در سطح صحنه تفسیر می‌کنیم و محدودیت معنایی تفاسیر سطح پیکسل را می‌شکنیم. در شنژن، ما یک چارچوب شناسایی تالاب شهری ایجاد کردیم که آخرین سیستم طبقه‌بندی ملی، بررسی‌های میدانی، تصاویر نوری با وضوح بسیار بالا و تصاویر چند طیفی با وضوح بالا را ترکیب می‌کند. دوازده مدل معمولی CNN برای آزمایش‌های مقایسه‌ای مورد استفاده قرار گرفت که در میان آنها مدل DenseNet121 بهترین عملکرد را داشت، با مقادیر OA و کاپا که به ترتیب به ۰٫۸۹ و ۰٫۸۶ رسیدند. صحنه‌های تالاب شهری شنژن طبقه‌بندی‌شده توسط مدل DenseNet121 سازگاری خوبی با نتایج طبقه‌بندی سطح پیکسل محصولات GlobeLand30 و GLC_FCS30 حفظ کردند و شناسایی دقیق‌تری بین زیرمجموعه‌ها به دست آمد. علاوه بر این، روش بیضی انحراف استاندارد برای تشخیص الگوی فضایی صحنه‌های تالاب شهری در شنژن استفاده شد و ما دریافتیم که توزیع فضایی به طور کلی در جهت شرق به غرب متعادل است. در صحنه‌های تالاب، نسبت آب آزاد به ۷۸ درصد می‌رسید و مرکز آب‌های آزاد یک الگوی آشکار به سمت جنوب را نشان می‌داد. شایان ذکر است که صحنه های باقی مانده تالاب شهری، از جمله باتلاق‌ها، مرداب‌ها، مناطق جزر و مدی و برکه‌ها، پراکنده‌تر بودند و تنها ۴٫۶۴ درصد از کل مساحت شنژن را تشکیل می‌دادند که یک چالش جدی برای مدیریت و حفاظت از تالاب‌ها است. بنابراین، ما پیشنهاد می‌کنیم که توسعه پایدار شنژن به جای محدود شدن به پیکسل‌های پوشش زمین و مرزهای بدنه آبی، باید به صحنه‌های تالاب شهری مانند باتلاق‌ها، مرداب‌ها، مناطق جزر و مدی و برکه‌ها توجه بیشتری داشته باشد.

به طور خلاصه، این مطالعه برای اولین بار یک چارچوب شناسایی برای تالاب های شهری بر اساس طبقه بندی سنجش از دور در سطح صحنه پیشنهاد کرد. در مقایسه با طبقه‌بندی در سطح پیکسل، نتایج طبقه‌بندی ما برای درک و پذیرش توسط مدیران شهری مناسب‌تر است و می‌تواند مرجع مؤثری برای تدوین سیاست‌های مناسب مدیریت تالاب شهری و حفاظت باشد.

منابع

بولوند، پ. Hunhammar، S. خدمات اکوسیستم در مناطق شهری. اکولوژی. اقتصاد ۱۹۹۹ ، ۲۹ ، ۲۹۳-۳۰۱٫ [ Google Scholar ] [ CrossRef ]
Ehrenfeld، JG ارزیابی تالاب ها در یک بافت شهری. Ecol. مهندس ۲۰۰۰ ، ۱۵ ، ۲۵۳-۲۶۵٫ [ Google Scholar ] [ CrossRef ]
بویر، تی. پولاسکی، اس. ارزش گذاری تالاب های شهری: مروری بر مطالعات ارزش گذاری غیر بازاری. Wetlands ۲۰۰۴ , ۲۴ , ۷۴۴-۷۵۵٫ [ Google Scholar ] [ CrossRef ]
گومز-باگتون، ای. بارتون، DN طبقه بندی و ارزش گذاری خدمات اکوسیستم برای برنامه ریزی شهری. اکولوژی. اقتصاد ۲۰۱۳ ، ۸۶ ، ۲۳۵-۲۴۵٫ [ Google Scholar ] [ CrossRef ]
Xue، ZS; Hou، GL; ژانگ، ZS؛ لیو، XG; جیانگ، م. Zou، YC; شن، XJ; وانگ، جی. لیو، XH کمی کردن اثرات خنک کننده تالاب های شهری و حومه شهری با استفاده از داده های سنجش از راه دور: مطالعه موردی شهرهای شمال شرقی چین. Landsc. طرح شهری. ۲۰۱۹ ، ۱۸۲ ، ۹۲-۱۰۰٫ [ Google Scholar ] [ CrossRef ]
پاتز، جی. دازاک، پ. تابور، جنرال موتورز; آگویر، AA; پرل، م. اپستاین، جی. وولف، ND; کیلپاتریک، AM; فوفوپولوس، ج. مولینوکس، دی. و همکاران مناظر ناسالم: توصیه های سیاست در مورد تغییر کاربری زمین و ظهور بیماری های عفونی محیط زیست چشم انداز سلامتی ۲۰۰۴ ، ۱۱۲ ، ۱۰۹۲-۱۰۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کارو، من. پتیگرو، وی. Cox، RL; هافمن، AA پاسخ Chironomidae به آلودگی رسوبی و سایر ویژگی های زیست محیطی در تالاب های شهری. تازه Biol. ۲۰۰۷ ، ۵۲ ، ۲۴۴۴-۲۴۶۲٫ [ Google Scholar ] [ CrossRef ]
Straka، TM; لنتینی، پی. Lumsden، LF; وینتل، کارشناسی; van der Ree, R. جوامع خفاش شهری تحت تأثیر اندازه تالاب، کیفیت و سطوح آلودگی قرار دارند. Ecol. تکامل. ۲۰۱۶ ، ۶ ، ۴۷۶۱-۴۷۷۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تاونسند، KR؛ لو، HC; شارلی، دی جی؛ Pettigrove، V. ارتباط بین آلودگی میکروپلاستیک و استفاده از زمین در رسوبات تالاب شهری. محیط زیست علمی آلودگی Res. ۲۰۱۹ ، ۲۶ ، ۲۲۵۵۱–۲۲۵۶۱٫ [ Google Scholar ] [ CrossRef ]
Ozesmi, SL; بائر، ME سنجش از دور تالاب ها از راه دور ماهواره ای. Wetl. Ecol. مدیریت ۲۰۰۲ ، ۱۰ ، ۳۸۱-۴۰۲٫ [ Google Scholar ] [ CrossRef ]
شیخ، م. گرین، دی. Cross, H. یک رویکرد سنجش از دور برای تعیین جریان های زیست محیطی برای تالاب های رودخانه دارلینگ پایین، نیو ساوت ولز، استرالیا. بین المللی J. Remote Sens. ۲۰۰۱ ، ۲۲ ، ۱۷۳۷-۱۷۵۱٫ [ Google Scholar ] [ CrossRef ]
گوان، YA; بای، جی اچ. تیان، ایکس. Zhi، LH; Yu, ZB ادغام سیستم های اکولوژیکی و اجتماعی-اقتصادی با متابولیسم کربن در یک شهر تالاب معمولی چین. جی. پاک. تولید ۲۰۲۱ ، ۲۷۹ ، ۱۲۳۳۴۲٫ [ Google Scholar ] [ CrossRef ]
رشید، من. Aneaus، S. تغییر منظر یک تالاب شهری در کشمیر هیمالیا، هند با استفاده از داده‌های سنجش از دور با وضوح بالا، مدل‌سازی جغرافیایی و مشاهدات زمینی در ۵ دهه گذشته (۱۹۶۵-۲۰۱۸). محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۲۰ ، ۱۹۲ ، ۶۳۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژو، اچ پی؛ جیانگ، اچ. ژو، جنرال موتورز؛ آهنگ، XD; یو، اس کیو; چانگ، جی. لیو، اس آر؛ جیانگ، ZS; جیانگ، ب. نظارت بر تغییر تالاب شهری با استفاده از داده های سنجش از دور با وضوح مکانی بالا. بین المللی J. Remote Sens. ۲۰۱۰ ، ۳۱ ، ۱۷۱۷-۱۷۳۱٫ [ Google Scholar ] [ CrossRef ]
زنگ، ز. لیو، Y. تجزیه و تحلیل فراکتالی تغییرات شکل تالاب شهری با استفاده از سنجش از دور – مطالعه موردی دریاچه Nanhu در ووهان. در مجموعه مقالات کارگاه بین المللی ۲۰۰۸ در مورد فناوری آموزشی و آموزش و ۲۰۰۸ کارگاه بین المللی در زمینه علوم زمین و سنجش از دور، شانگهای، چین، ۲۱-۲۲ دسامبر ۲۰۰۸; ص ۲۹۸-۳۰۱٫ [ Google Scholar ]
خو، X. Ji، W. الگوریتم مبتنی بر دانش برای طبقه بندی تصاویر ماهواره ای تالاب های شهری. در مجموعه مقالات کنفرانس بین المللی روش های محاسباتی در علوم و مهندسی، آتن، یونان، ۴-۷ آوریل ۲۰۱۴٫ ص ۲۸۵-۲۸۸٫ [ Google Scholar ]
باروتر، م. کلینگ، ام. Buerkert، A. پویایی فضایی-زمانی پوشش جلبک ها و ماکروفیت ها در دریاچه های شهری: تجزیه و تحلیل سنجش از راه دور تالاب های بلاندور و وارتور در بنگالورو، هند. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۸۴۳٫ [ Google Scholar ] [ CrossRef ]
جی، دبلیو. Xu، XF; مورامبادورو، دی. درک دینامیک تالاب شهری: تشخیص مقیاس متقابل و تجزیه و تحلیل سنجش از دور. بین المللی J. Remote Sens. ۲۰۱۵ ، ۳۶ ، ۱۷۶۳-۱۷۸۸٫ [ Google Scholar ] [ CrossRef ]
او، CY; تیان، جی. شی، پی جی. Hu, D. شبیه‌سازی تنش فضایی ناشی از گسترش شهری در تالاب‌های پکن، چین با استفاده از یک مدل ارزیابی مبتنی بر GIS. Landsc. طرح شهری. ۲۰۱۱ ، ۱۰۱ ، ۲۶۹-۲۷۷٫ [ Google Scholar ] [ CrossRef ]
چنگ، جی. Li، ZP; یائو، XW; گوا، ال. Wei، ZL طبقه بندی صحنه تصویر سنجش از دور با استفاده از کیسه ای از ویژگی های کانولوشن. IEEE Geosci. سنسور از راه دور Lett. ۲۰۱۷ ، ۱۴ ، ۱۷۳۵-۱۷۳۹٫ [ Google Scholar ] [ CrossRef ]
چنگ، جی. هان، JW; طبقه‌بندی صحنه تصویر سنجش از دور Lu، XQ : معیار و وضعیت هنر . IEEE: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۷؛ صفحات ۱۸۶۵-۱۸۸۳٫ [ Google Scholar ]
بلاشکه، تی. Strobl، J. پیکسل ها چه مشکلی دارند؟ برخی از پیشرفت های اخیر در ارتباط با سنجش از دور و GIS. Z. Geoinf. ۲۰۰۱ ، ۶ ، ۱۲-۱۷٫ [ Google Scholar ]
امیری، ک. فرح، م. Leloglu، UM BoVSG: کیسه ای از زیرگراف های بصری برای طبقه بندی صحنه های سنجش از دور. بین المللی J. Remote Sens. ۲۰۲۰ ، ۴۱ ، ۱۹۸۶-۲۰۰۳٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی.ام. لو، سی کیو; لی، XD; کیم، اچ جی. Wang, J. یک شبکه کانولوشن کامل مبتنی بر DenseNet برای طبقه بندی صحنه های سنجش از دور. ریاضی. Biosci. مهندس ۲۰۱۹ ، ۱۶ ، ۳۳۴۵–۳۳۶۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
چنگ، جی. Xie, XX; هان، JW; گوا، ال. Xia، GS طبقه‌بندی صحنه تصویر سنجش از دور با یادگیری عمیق مواجه می‌شود: چالش‌ها، روش‌ها، معیارها و فرصت‌ها. IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. ۲۰۲۰ , ۱۳ , ۳۷۳۵–۳۷۵۶٫ [ Google Scholar ] [ CrossRef ]
سیمونیان، ک. Zisserman, A. شبکه های پیچیده بسیار عمیق برای تشخیص تصویر در مقیاس بزرگ. arXiv ۲۰۱۴ ، arXiv:1409.1556. [ Google Scholar ]
او، KM; ژانگ، XY; Ren, SQ; Sun, J. نگاشت هویت در شبکه های باقیمانده meep. arXiv ۲۰۱۴ ، arXiv:1603.05027v3. [ Google Scholar ]
هوانگ، جی. لیو، ز. ون در ماتن، ال. Weinberger، KQ شبکه های کانولوشنال به هم پیوسته متراکم. در مجموعه مقالات کنفرانس IEEE 2017 در مورد دید کامپیوتری و تشخیص الگو، هونولولو، HI، ایالات متحده آمریکا، ۲۱ تا ۲۶ ژوئیه ۲۰۱۷؛ صص ۲۲۶۱-۲۲۶۹٫ [ Google Scholar ]
هوارد، AG; زو، ام. چن، بی. کالنیچنکو، دی. وانگ، دبلیو. ویاند، تی. آندریتو، م. Adam, H. Mobilenets: شبکه های عصبی کانولوشن کارآمد برای برنامه های بینایی موبایل. arXiv ۲۰۱۷ , arXiv:1704.04861. [ Google Scholar ]
سندلر، ام. هوارد، آ. زو، ام ال. ژموگینوف، آ. Chen, LC MobileNetV2: باقیمانده های معکوس و تنگناهای خطی. در مجموعه مقالات کنفرانس IEEE/CVF 2018 در مورد دید رایانه و تشخیص الگو، سالت لیک سیتی، UT، ایالات متحده آمریکا، ۱۸ تا ۲۳ ژوئن ۲۰۱۸؛ صص ۴۵۱۰–۴۵۲۰٫ [ Google Scholar ]
قهوهای مایل به زرد، MX; Le، QV EfficientNet: بازاندیشی مقیاس‌بندی مدل برای شبکه‌های عصبی کانولوشنال. arXiv ۲۰۱۹ ، arXiv:1905.11946. [ Google Scholar ]
وانگ، اچ. ون، ایکس. وانگ، ی. کای، ال. لیو، ی. تغییر کسر پوشش زمین چین طی سال‌های ۲۰۰۱ تا ۲۰۱۵ بر اساس تلفیق داده‌های سنجش از دور بین MCD12 و CCI-LC. Remote Sens. ۲۰۲۱ , ۱۳ , ۳۴۱٫ [ Google Scholar ] [ CrossRef ]
رضایی، م. مهدیان پری، م. ژانگ، ی. صالحی، ب. شبکه عصبی کانولوشنال عمیق برای طبقه بندی تالاب های پیچیده با استفاده از تصاویر سنجش از دور نوری. IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. ۲۰۱۸ , ۱۱ , ۳۰۳۰–۳۰۳۹٫ [ Google Scholar ] [ CrossRef ]
مهدیان پری، م. صالحی، ب. رضایی، م. محمدی منش، ف. Zhang، Y. شبکه های عصبی پیچیده بسیار عمیق برای نقشه برداری پیچیده پوشش زمین با استفاده از تصاویر سنجش از دور چند طیفی. Remote Sens. ۲۰۱۸ , ۱۰ , ۱۱۱۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Gunen، MA مقایسه عملکرد روش‌های یادگیری عمیق و یادگیری ماشین در تعیین مناطق آب تالاب با استفاده از مجموعه داده EuroSAT. محیط زیست علمی آلودگی Res. ۲۰۲۱ ، در دست چاپ. [ Google Scholar ] [ CrossRef ]
شی، پی جی. یوان، ی. ژنگ، جی. وانگ، جی. Ge، Y. Qiu، GY اثر تغییر کاربری/پوشش زمین بر رواناب سطحی در منطقه شنژن، چین. Catena ۲۰۰۷ ، ۶۹ ، ۳۱-۳۵٫ [ Google Scholar ] [ CrossRef ]
لی، TH; لی، WK; Qian، ZH تغییرات در ارزش خدمات اکوسیستم در پاسخ به تغییرات کاربری زمین در شنژن. Ecol. اقتصاد ۲۰۱۰ ، ۶۹ ، ۱۴۲۷-۱۴۳۵٫ [ Google Scholar ]
منگ، LT; سان، ی. ژائو، SQ مقایسه پویایی های مکانی و زمانی گسترش شهری در گوانگژو و شنژن از سال ۱۹۷۵ تا ۲۰۱۵: مطالعه موردی شهرهای پیشگام در شهرنشینی سریع چین. کاربری اراضی Pol. ۲۰۲۰ ، ۹۷ ، ۱۰۴۷۵۳٫ [ Google Scholar ] [ CrossRef ]
Liengpunsakul، S. هوش مصنوعی و توسعه پایدار در چین. چانه. اقتصاد ۲۰۲۱ ، ۵۴ ، ۲۳۵-۲۴۸٫ [ Google Scholar ] [ CrossRef ]
Yu، BB اثرات اکولوژیکی شهرنشینی نوع جدید در چین. تمدید کنید. سوست انرژی Rev. ۲۰۲۱ , ۱۳۵ , ۱۱۰۲۳۹٫ [ Google Scholar ] [ CrossRef ]
لی، اچ. چن، پی جی؛ Grant، R. محیط ساخته شده، منطقه ویژه اقتصادی، و قیمت مسکن در شنژن، چین. Appl. Geogr. ۲۰۲۱ , ۱۲۹ , ۱۰۲۴۲۹٫ [ Google Scholar ] [ CrossRef ]
ژائو، آر. وو، KN; لی، XL; گائو، ن. بحث یو، MM در مورد بررسی و ارزیابی یکپارچه کیفیت زمین کشت شده در مقیاس شهرستان برای سومین بررسی ملی زمین چین: مطالعه موردی شهرستان ون، استان هنان. پایداری ۲۰۲۱ ، ۱۳ ، ۲۵۱۳٫ [ Google Scholar ] [ CrossRef ]
جی، FJ; منگ، جی اچ. چنگ، ZQ; نیش، HT; Wang، YN برآورد بازده محصول در مقیاس‌های مزرعه با جذب سری‌های زمانی داده‌های Sentinel-2 در یک مدل جفت‌شده CASA-WOFOST اصلاح‌شده. IEEE Trans. Geosci. Remote Sens. ۲۰۲۲ , ۶۰ , ۴۴۰۰۹۱۴٫ [ Google Scholar ] [ CrossRef ]
اسلاگتر، بی. Tsendbazar, NE; وولراث، ا. Reiche، J. نقشه برداری ویژگی های تالاب با استفاده از داده های Sentinel-1 و Sentinel-2 به طور موقت متراکم: مطالعه موردی در تالاب های سنت لوسیا، آفریقای جنوبی. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۲۰ ، ۸۶ ، ۱۰۲۰۰۹٫ [ Google Scholar ] [ CrossRef ]
عید، ANM; اولاتوبارا، CO. Ewemoje, TA; الحناوی، MT; فاروک، اچ. تشخیص تغییرات دیجیتال سری زمانی تالاب داخلی بر اساس نامشخص‌های SAVI و NDWI: دریاچه‌های وادی الرایان، مصر. Remote Sens. Appl. Soc. محیط زیست ۲۰۲۰ ، ۱۹ ، ۱۰۰۳۴۷٫ [ Google Scholar ] [ CrossRef ]
اشمیت، ام. هیوز، ال. کیو، سی. Zhu، XX تجمیع تصاویر Sentinel-2 بدون ابر با موتور Google Earth. در مجموعه مقالات PIA19: تجزیه و تحلیل تصویر فتوگرامتری، مونیخ، آلمان، ۱۶ سپتامبر ۲۰۱۹؛ صص ۱۴۵-۱۵۲٫ [ Google Scholar ]
چن، جی. بان، ی. لی، اس. دسترسی باز به نقشه پوشش زمین. Nature ۲۰۱۴ ، ۵۱۴ ، ۴۳۴٫ [ Google Scholar ]
ژانگ، ایکس. لیو، ال. چن، ایکس. گائو، ی. زی، اس. Mi, J. GLC_FCS30: محصول جهانی پوشش زمین با سیستم طبقه بندی خوب در ۳۰ متر با استفاده از تصاویر سری زمانی Landsat. سیستم زمین علمی داده ۲۰۲۱ ، ۱۳ ، ۲۷۵۳-۲۷۷۶٫ [ Google Scholar ] [ CrossRef ]
دنگ، ج. دونگ، دبلیو. سوچر، آر. لی، ال جی; لی، ک. Li، FF ImageNet: پایگاه داده تصویر سلسله مراتبی در مقیاس بزرگ. در مجموعه مقالات کنفرانس IEEE 2009 در مورد بینایی کامپیوتری و تشخیص الگو، میامی، FL، ایالات متحده آمریکا، ۲۰-۲۵ ژوئن ۲۰۰۹٫ صص ۲۴۸-۲۵۵٫ [ Google Scholar ]
Wen, YD; ژانگ، KP; لی، ZF; Qiao, Y. یک رویکرد یادگیری ویژگی های متمایز برای تشخیص چهره عمیق. در مجموعه مقالات چشم انداز کامپیوتر-ECCV 2016، آمستردام، هلند، ۱۱ تا ۱۴ اکتبر ۲۰۱۶؛ صص ۴۹۹-۵۱۵٫ [ Google Scholar ]
گوت، سی. Gaussier, E. یک تفسیر احتمالی از دقت، یادآوری و امتیاز F، با مفهومی برای ارزیابی. در مجموعه مقالات ECIR 2005: پیشرفت در بازیابی اطلاعات، سانتیاگو د کامپوستلا، اسپانیا، ۲۱ تا ۲۳ مارس ۲۰۰۵٫ صص ۳۴۵-۳۵۹٫ [ Google Scholar ]
پاشایی، م. کمانگیر، ح. استارک، ام جی. Tissot، P. بررسی و ارزیابی معماری های یادگیری عمیق برای نقشه برداری کارآمد پوشش زمین با تصاویر فوق فضایی UAS: مطالعه موردی بر روی یک تالاب. Remote Sens. ۲۰۲۰ , ۱۲ , ۹۵۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پنگ، جی. چن، اس. لو، اچ ال. لیو، YX; Wu، JS الگوهای فضایی-زمانی غلظت PM2.5 سنجش از راه دور در چین از سال ۱۹۹۹ تا ۲۰۱۱٫ سنسور از راه دور محیط زیست. ۲۰۱۶ ، ۱۷۴ ، ۱۰۹-۱۲۱٫ [ Google Scholar ] [ CrossRef ]
کورن، ام. مفهوم برکه دایک: کشاورزی پایدار و بازیافت مواد مغذی در چین. آمبیو ۱۹۹۶ ، ۲۵ ، ۶-۱۳٫ [ Google Scholar ]
هوانگ، ایکس. هان، XP؛ ما، س. لین، تی جی؛ تغییر سرویس اکوسیستم Gong، JY در شهر شنژن با استفاده از تصاویر سنجش از دور با وضوح بالا و یادگیری عمیق. تخریب زمین توسعه دهنده ۲۰۱۹ ، ۳۰ ، ۱۴۹۰-۱۵۰۱٫ [ Google Scholar ] [ CrossRef ]
یانگ، آر. رن، اف. خو، دبلیو. ما، ایکس. ژانگ، اچ. او، ارزش خدمات اکوسیستم W. چین در سال‌های ۱۹۹۲-۲۰۱۸: تشخیص عوامل محرک الگو و انسان‌زایی با استفاده از مدل سلسله‌مراتبی مکانی-زمانی بیزی. جی. محیط زیست. مدیریت ۲۰۲۲ , ۳۰۲ , ۱۱۴۰۸۹٫ [ Google Scholar ] [ CrossRef ]
پنگ، جی. لیو، YX; Wu، JS; Lv، HL; هو، XX پیوند خدمات اکوسیستم و الگوهای منظر برای ارزیابی سلامت اکوسیستم شهری: مطالعه موردی در شهر شنژن، چین. Landsc. طرح شهری. ۲۰۱۵ ، ۱۴۳ ، ۵۶-۶۸٫ [ Google Scholar ] [ CrossRef ]
ژو، اچ جی. شی، پی جی. وانگ، جی. یو، دی. گائو، L. شهرنشینی سریع و پیامدهای بازسازی خدمات اکولوژیکی رودخانه: مطالعه موردی در شنژن، چین. ج. طرح شهری. Dev ۲۰۱۱ ، ۱۳۷ ، ۱۲۱-۱۳۲٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ گردش کار شناسایی کلی تالاب شهری در این مطالعه دنبال شد.

شکل ۲٫ منطقه مورد مطالعه: ( الف ) آیا نقشه موقعیت شنژن در استان گوانگدونگ در چین است. ( ب ) تصویر سنجش از دور Sentinel-2 (باندهای ۸، ۴ و ۳) شنژن با رنگ کاذب است.

شکل ۳٫ سیستم طبقه بندی بومی شنژن.

شکل ۴٫ امتیازات F1 زیرمجموعه های مختلف در هر مدل.

شکل ۵٫ جداول حاوی ماتریس های سردرگمی نرمال شده مدل های مختلف.

شکل ۶٫ نتایج طبقه بندی صحنه نگاشت برگرفته از مدل DenseNet121 و مقایسه تصاویر با وضوح بالا با رنگ واقعی (باندهای ۴، ۳ و ۲). ( الف ) مخزن تیگانگ، ( ب ) ذخیره‌گاه طبیعی حرا فوتیان، و ( ج ) پایگاه آبزی پروری ساحل شرقی.

شکل ۷٫ الگوی فضایی صحنه های تالاب شهری شنژن.

ونوس نصیرفام

5 ژانویه 2023

مقالات