کاربری زمین/تغییر پوشش زمین و عوامل محرک آن در حوضه رودخانه زرد استان شاندونگ بر اساس موتور Google Earth از سال 2000 تا 2020

استان شاندونگ در چین به عنوان خروجی مناسب به دریای بو و منطقه اصلی توسعه اقتصادی در حوضه رودخانه زرد، در دو دهه گذشته با شهرنشینی و رشد سریع جمعیت، دستخوش تغییرات بزرگی در کاربری زمین/پوشش زمین (LULC) شده است. تجزیه و تحلیل الگوهای تغییر LULC و عوامل محرک آن در بخش شاندونگ حوضه رودخانه زرد می‌تواند پایه‌ای علمی برای برنامه‌ریزی منطقی و حفاظت اکولوژیکی از منابع زمین در بخش شاندونگ حوضه رودخانه زرد ارائه کند. در این مقاله، ما الگوریتم فضایی LULC و تغییرات مکانی و زمانی آن را در بخش شاندونگ حوضه رودخانه زرد در سال‌های ۲۰۰۰، ۲۰۱۰ و ۲۰۲۰ با استفاده از الگوریتم طبقه‌بندی تصادفی جنگل با پلت فرم Google Earth Engine و چند زمانی تحلیل کردیم. داده های Landsat TM/OLI. عوامل محرک تغییرات LULC نیز توسط آشکارساز عامل و آشکارساز تعامل در ژئودتکتور اندازه‌گیری شد. نتایج نشان می‌دهد که در دو دهه گذشته، انواع LULC در منطقه مورد مطالعه عمدتاً زمین‌های زراعی و ساختمانی بوده که در این میان نسبت مساحت زمین زراعی کاهش و نسبت مساحت زمین ساخت‌وساز از ۱۹٫۴ درصد به ۲۹٫۷ درصد افزایش یافته است. بر اساس نتایج آشکارساز عامل می توان نتیجه گرفت که ارتفاع، شیب و نوع خاک عوامل کلیدی موثر بر تغییر LULC در منطقه مورد مطالعه هستند. برهمکنش بین ارتفاع و شیب، شیب و نوع خاک، و دما و بارش دارای قدرت توضیحی قوی برای تغییرات فضایی تغییر LULC در منطقه مورد مطالعه است. نتایج تحقیق می تواند پشتیبانی داده ها را برای حفاظت از محیط زیست محیطی، پایدار،

کلید واژه ها:

موتور Google Earth (GEE) ؛ کاربری زمین / پوشش زمین ; جنگل تصادفی (RF) ; آشکارساز جغرافیایی ; حوضه رودخانه زرد

۱٫ مقدمه

زمین نه تنها مبنای بقا و توسعه انسان است، بلکه منبع اطلاعاتی برای توضیح تعامل بین فعالیت های انسانی و محیط زیست است. زمین اساسی ترین منبع طبیعی و مبنای مادی برای بقا و توسعه انسان است [ ۱ ]، و تغییر کاربری/پوشش زمین (LULC) فرآیندی برای تعیین تغییر اطلاعات کاربری سطح زمین با توجه به داده های مشاهدات متعدد در دوره های مختلف است. ۲]. از قرن بیست و یکم، تحقیقات در مورد تغییر LULC به تدریج در زمینه تحقیقات جهانی تغییرات محیطی تقویت شده است. برنامه بین‌المللی بیوسفر ژئوسفر (IGBP) و برنامه بین‌المللی ابعاد انسانی در تغییر جهانی محیط زیست (IHDP) یک سری طرح‌های تحقیقاتی علمی منتشر کرده‌اند و تحقیقات در مورد تغییر LULC به یکی از کانون‌های تحقیقات جهانی تغییرات محیطی تبدیل شده است [ ۳ ، ۴ ، ۵ ]. به ویژه با توسعه جامعه و اقتصاد جهانی، تغییرات LULC بیشتر تشدید خواهد شد. این باعث ایجاد فشار زیادی بر ساختار و عملکرد اکوسیستم و ارائه خدمات اکوسیستم می شود [ ۶ ]]. بنابراین مطالعه تغییر LULC و تحلیل عوامل محرک آن به برنامه ریزی منطقی و بهره برداری منطقی از منابع زمین کمک می کند و می تواند زمینه علمی برای توسعه هماهنگ و پایدار اقتصاد منطقه و محیط طبیعی فراهم کند.

فن آوری سنجش از دور به دلیل مزایای آن در محدوده مشاهدات گسترده، چرخه تجدید سریع و مقدار زیادی اطلاعات، ابزار فنی کارآمد و سریعی را برای نظارت بر اطلاعات LULC فراهم می کند [ ۷ ، ۸ ، ۹ ]. محققان به نظارت بر تغییرات LULC بر اساس فناوری سنجش از راه دور توجه کرده اند. IGBP و سازمان زمین شناسی ایالات متحده (USGS) با استفاده از داده های رادیومتر با وضوح بسیار بالا (AVHRR) یک محصول داده جهانی LULC با وضوح ۱ کیلومتر تولید کرده اند [ ۱۰ ]. استفانسکی و همکاران از داده های Landsat و ERS SAR برای طبقه بندی LULC در غرب اوکراین از سال ۱۹۸۶ تا ۲۰۱۰ بر اساس روش RF استفاده کرد و قانون تغییر LULC را در این دوره بررسی کرد [ ۱۱]؛ سوزا تغییر در اطلاعات LULC در برزیل از سال ۱۹۸۵ تا ۲۰۱۷ را بر اساس Landsat تجزیه و تحلیل کرد [ ۱۲ ]. عبدالله تغییرات الگوی زمانی و مکانی LULC را در مناطق ساحلی بنگلادش از سال ۱۹۹۰ تا ۲۰۱۷ بر اساس انتخاب ویژگی اطلاعاتی تقویت شیب شدید (XGBoost) و الگوریتم طبقه‌بندی تصادفی جنگل تحلیل کرد [ ۱۳ ].]. تحقیقات فوق اثربخشی فناوری سنجش از دور در استخراج اطلاعات LULC را تایید می‌کند، اما روش‌های سنتی پردازش تصویر سنجش از دور برای جمع‌آوری، ذخیره، پردازش و استخراج اطلاعات سطح زمان زیادی را صرف می‌کند و نیازهای بالایی برای تجهیزات سخت‌افزاری وجود دارد. این منجر به مشکلات دانلود گسترده داده های سنجش از دور و راندمان پردازش پایین در استخراج اطلاعات LULC با استفاده از داده های سنجش از دور در مقیاس بزرگ می شود.

با توسعه سریع فناوری ذخیره سازی ابری و محاسبات ابری، ظهور پلتفرم های ابر سنجش از راه دور یک روش فنی جدید برای دانلود و پردازش داده های سنجش از راه دور عظیم فراهم می کند. در میان آنها، GEE یک پلت فرم محاسبات ابری برای تجزیه و تحلیل ابری با استفاده از داده های رصد زمین در مقیاس جهانی است [ ۱۴ ، ۱۵ ]. این بیش از ۲۰۰ مجموعه داده سنجش از دور مانند Landsat، Sentinel و MODIS را ادغام می‌کند و محیط‌های کدنویسی جاوا اسکریپت و پایتون را برای تسهیل کاربران در پردازش داده‌ها بر اساس نیازهای خود فراهم می‌کند و عملکرد با کارایی بالا داده‌های سنجش از راه دور سطح PB را درک می‌کند [ ۱۶ ].]. پلتفرم GEE می‌تواند داده‌های سنجش از دور را پرس و جو، تجسم، پیش پردازش و استخراج کند، حجم کار جمع‌آوری و پردازش داده‌ها را کاهش دهد و راحتی زیادی را برای کارگران سنجش از دور فراهم کند. محققان مربوطه تحقیقات و تجزیه و تحلیل مفصلی را در مورد تغییر LULC [ ۱۷ ، ۱۸ ، ۱۹ ]، پایش منابع آب [ ۲۰ ، ۲۱ ]، ارزیابی کیفیت زیست محیطی [ ۲۲ ، ۲۳ ، ۲۴ ] و پایش منابع کشاورزی [ ۲۵ ، ۲۶ ] انجام داده اند. ] بر اساس پلت فرم GEE.

تجزیه و تحلیل عوامل محرک تغییر LULC مکمل دیگری برای جستجوی مجدد در تغییر LULC است که برای بهینه سازی حالت LULC و بهبود کارایی LULC اهمیت زیادی دارد. در حال حاضر، تجزیه و تحلیل عوامل مؤثر بر تغییر LULC عمدتاً به دو دسته کیفی و کمی تقسیم می شود. روش تجزیه و تحلیل کیفی تنها می تواند تأثیر عوامل مختلف تأثیرگذار بر تغییر LULC را تجزیه و تحلیل کند، اما نمی تواند به طور کمی میزان تأثیر عوامل مختلف را بر تغییر LULC بیان کند [ ۲۷ ، ۲۸ ]. اگرچه روش کمی می تواند میزان تأثیر عوامل مختلف تأثیرگذار بر تغییر کاربری زمین را روشن کند، هر دو روش رابطه بین عوامل تأثیرگذار و تغییر کاربری زمین در مکان مکانی را نادیده می گیرند [ ۲۹ ,۳۰ ]، بنابراین تجزیه و تحلیل دقیق مکانیسم پتانسیل تغییر درونی آنها دشوار است. آشکارساز جغرافیایی یک روش آماری مبتنی بر اصل آماری برای تشخیص تمایز فضایی و آشکارسازی عوامل محرک است [ ۳۱ ، ۳۲ ]. بر اساس رابطه فضایی بین آنها، این روش می تواند به طور کمی میزان تأثیر هر عامل محرک را بر متغیر مستقل تحلیل کند و تعامل بین دو عامل تأثیرگذار را بیان کند [ ۳۳ ، ۳۴ ]. در زمینه LULC، محققان مربوطه از آشکارسازهای جغرافیایی برای انجام تحقیقات و تجزیه و تحلیل دقیق بر روی عوامل موثر بر تغییرات نوع LULC منفرد مانند گسترش [ ۳۳ ] و تغییر پوشش گیاهی استفاده کرده اند.۳۵ ، ۳۶ ، ۳۷ ].

حوضه رودخانه زرد که نه استان چین را از غرب به شرق در بر می گیرد، منطقه مهمی است که حفاظت از محیط زیست ملی و توسعه با کیفیت بالا را تحت تأثیر قرار می دهد [ ۳۸ ]. استان شاندونگ به عنوان تنها استان ساحلی در میان ۹ استان در امتداد رودخانه زرد، مسئولیت حیاتی در اجرای طرح کلی حفاظت از محیط زیست و توسعه با کیفیت بالا حوضه رودخانه زرد بر عهده می گیرد. با رشد جمعیت و گسترش سریع شهرها، تغییرات بزرگی در LULC حوضه رودخانه زرد در شاندونگ رخ داده است که به طور جدی توسعه پایدار محیط زیست محیطی حوضه رودخانه زرد را تهدید می کند [ ۳۹ ].]. با این حال، مطالعات کمی در مورد LULC در بخش شاندونگ وجود دارد و روند تغییر طولانی مدت LULC و عوامل مؤثر بر آن هنوز نامشخص است. بنابراین، تجزیه و تحلیل فرآیند تغییر LULC و تحلیل کمی عوامل محرک در حوضه رودخانه زرد استان شاندونگ از اهمیت بالایی برخوردار است.

به منظور تحلیل بیشتر فرآیند تغییر کاربری/پوشش زمین در بخش شاندونگ حوضه رودخانه زرد و مطالعه الگوی تغییر سری طولانی مدت و عوامل محرک آن، این نسخه خطی اطلاعات نوع LULC بخش شاندونگ رودخانه زرد را استخراج می‌کند. حوضه از سال ۲۰۰۰ تا ۲۰۲۰ و با کمک پلتفرم ابری GEE و الگوریتم طبقه‌بندی تصادفی جنگل، تغییر آن را تحلیل می‌کند. با محاسبه شدت کاربری، شدت کاربری زمین بر اساس عناصر شبکه به صورت مکانی بیان می شود و قانون تغییرات زمانی و مکانی آن قابل تحلیل است. در نهایت، آشکارساز عامل و آشکارساز تعاملی در آشکارساز جغرافیایی برای تحلیل تاثیر محرک عوامل طبیعی و اجتماعی بر تغییر کاربری اراضی معرفی شدند.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

حوضه رودخانه زرد دومین حوضه بزرگ است و همچنین یک مانع اکولوژیکی مهم در چین است. از کوه بایانکالا در فلات تبت چینگهای سرچشمه می گیرد و به دریای بوهای در شهرستان کنلی، استان شاندونگ می ریزد، با مساحت زهکشی ۷٫۹۵ × ۱۰ ^۵ کیلومتر مربع ^[ ۴۰ ] . زمین در غرب مرتفع و در شرق پست است. از غرب به شرق، از واحدهای ژئومورفیک فلات چینگهای تبت، فلات مغولستان داخلی، فلات لس و دشت هوانگ-هوای-های عبور می کند و از ۹ استان (منطقه خودمختار) چینگهای، سیچوان، گانسو، نینگشیا، اینر عبور می کند. ، شانشی، شانشی، هنان و شاندونگ [ ۴۱]. در این میان، استان شاندونگ، استانی با توسعه‌یافته‌ترین اقتصاد و بیشترین جمعیت دائمی در استان‌های حوضه رودخانه زرد است. از قرن بیست و یکم، توسعه سریع اقتصادی منطقه مورد مطالعه و دگرگونی ساختار فضایی شهری و روستایی منجر به تغییرات بزرگی در LULC شده است. بنابراین، تجزیه و تحلیل تغییر LULC و نیروهای محرک آن در حوضه رودخانه زرد استان شاندونگ از سال ۲۰۰۰ تا ۲۰۲۰ اهمیت زیادی دارد.

بخش شاندونگ حوضه رودخانه زرد بین ۳۴ درجه و ۵۸ دقیقه شمالی تا ۳۸ درجه و ۰۹ دقیقه شمالی و ۱۱۴ درجه و ۴۸ دقیقه شرقی تا ۱۱۹ درجه و ۵ دقیقه شرقی واقع شده است ( شکل ۱ ). از میان ۹ شهر جینان، زیبو، دونگینگ، جینینگ، تایان، دژو، لیائوچنگ، بینژو و هزه می گذرد و دارای مساحت زهکشی حدود ۲٫۰۲ × ۱۰ ^۴ کیلومتر مربع ^{است .}. این منطقه متعلق به یک منطقه آب و هوایی معتدل موسمی با میانگین بارندگی سالانه ۵۰۰ ~ ۹۰۰ میلی متر و میانگین دمای سالانه ۱۲ ~ ۱۵ درجه سانتی گراد است. از غرب به شرق از طریق دشت شمال چین، با شیب رودخانه کوچک و جریان آب ملایم جریان دارد. علاوه بر این، کانال رودخانه عریض، کم عمق و پراکنده است، رسوب گذاری جدی است و بستر رودخانه به تدریج بالا می رود. هر دو بانک تقریباً توسط سقف محافظت می شوند. سطح ساحل کانال رودخانه عموماً حدود ۲ تا ۵ متر بالاتر از سطح زمین در هر دو ساحل است و برخی از آنها تا ۱۰ متر ارتفاع دارند [ ۴۲ ]. این رودخانه به “رودخانه معلق” در جهان مشهور است.

۲٫۲٫ آماده سازی داده ها

داده‌های مورد استفاده در این دست‌نوشته عمدتاً شامل داده‌های تصویر سنجش از دور Landsat TM/OLI، مدل رقومی ارتفاع (DEM)، داده‌های اطلاعات جغرافیایی پایه، داده‌های هواشناسی و داده‌های اقتصادی-اجتماعی بود. در پیش پردازش داده ها، این نسخه خطی، ابرها، موزاییک ها را فیلتر می کند و مجموعه داده های بازتاب سطح (SR) Landsat 5 TM و Landsat 8 OLI/TIRS را در بخش شاندونگ حوضه رودخانه زرد از طریق رابط برنامه نویسی برنامه جاوا اسکریپت در پلت فرم GEE برش می دهد. . در نهایت، ارتفاع، شیب و جهت بر اساس DEM استخراج شد.

علاوه بر این، تراکم جمعیت (X _۱ )، تولید ناخالص داخلی (GDP) (X _۲ )، دما (X _۳ )، بارش (X _۴ )، ارتفاع (X _۵ )، شیب (X _۶ )، جنبه ( _X7 ) و نوع خاک (X _۸ ) به عنوان عوامل مؤثر برای تجزیه و تحلیل ویژگی های تمایز فضایی تغییر LULC در منطقه مورد مطالعه انتخاب شدند (ارائه شده در جدول ۱ ). داده‌های تراکم جمعیت، تولید ناخالص داخلی، دما، بارندگی و نوع خاک از منابع و علوم محیطی و مرکز داده آکادمی علوم چین جمع‌آوری شده است (در دسترس است به صورت آنلاین: https://www.resdc.cn/، قابل دسترسی در ۲۵ اوت ۲۰۲۱).

۲٫۲٫۱٫ ساخت مجموعه ویژگی های طبقه بندی چند بعدی

بر اساس پلت فرم GEE، این دست نوشته مجموعه داده های بازتاب ظاهری Landsat TM/OLI را در منطقه مورد مطالعه در سال های ۲۰۰۰، ۲۰۱۰ و ۲۰۲۰ انتخاب کرد. با این حال، به دلیل شرایط آب و هوایی پیچیده در منطقه مورد مطالعه، تصویر بدون ابر از منطقه مورد مطالعه کل منطقه را نمی توان تنها با استفاده از تصویر یک سال تولید کرد که تأثیر منفی خاصی بر مطالعه داشت. بنابراین، ما از تمام تصاویر ۱۹۹۹-۲۰۰۱، ۲۰۰۹-۲۰۱۱، و ۲۰۱۹-۲۰۲۱ از آوریل تا اکتبر برای ترکیب مجموعه داده های تصویر سنجش از دور سال مورد نظر و دستیابی به بهترین اثر طبقه بندی استفاده کردیم. تفاوت شاخص‌های گیاهی نرمال شده – شاخص گیاهی تفاوت نرمال شده (NDVI) [ ۴۳ ]، شاخص تفاوت ساختمان و خاک نرمال شده (NDBI) [ ۴۴ ]، شاخص پوشش گیاهی افزایش یافته (EVI) [45 ، شاخص تفاوت نرمال شده آب (NDWI) [ ۴۶ ]، شاخص تفاوت نرمال شده آب اصلاح شده (MNDWI) [ ۴۷ ] – و سایر شاخص ها محاسبه شدند و عواملی مانند ارتفاع، شیب و جنبه با وارد کردن داده های DEM برای بهبود به دست آمدند. دقت طبقه بندی در نهایت، مجموعه ای از ویژگی های طبقه بندی چند بعدی با کیفیت بالا برای طبقه بندی RF به دست آمد.

۲٫۲٫۲٫ انتخاب نمونه آموزشی و اعتبار سنجی

طبقه بندی بر اساس LULC موجود در منطقه مورد مطالعه و با توجه به مطالعات قبلی مربوطه تعیین شد [ ۴۸ ، ۴۹ ]. انواع LULC در منطقه مورد مطالعه به شش دسته طبقه‌بندی شدند: زمین‌های کشاورزی، زمین‌های جنگلی، علفزار، بدنه آبی، زمین‌های ساختمانی و زمین‌های بلااستفاده.

هنگام استفاده از RF برای طبقه بندی ویژگی ها، نمونه های آموزشی با کیفیت بالا و نمونه های تأیید مورد نیاز است. نمونه‌ها در سه دوره زمانی منطقه مورد مطالعه از طریق تفسیر بصری بر اساس تصاویر تاریخی با وضوح بالا از Google Earth Pro به‌دست آمدند. تعداد نقاط نمونه در سال های ۲۰۰۰، ۲۰۱۰ و ۲۰۲۰ به ترتیب ۱۳۷۰، ۱۳۵۱ و ۱۳۰۱ بوده است. ۷۰ درصد از نقاط نمونه به عنوان نمونه آموزشی برای طبقه‌بندی‌کننده‌های آموزشی و ۳۰ درصد به‌عنوان نمونه تأیید برای تأیید صحت استفاده شد [ ۵۰ ].

۲٫۲٫۳٫ داده های انسانی و طبیعی

برای تجزیه و تحلیل عوامل محرک تغییر LULC، از آشکارسازهای جغرافیایی برای تجزیه و تحلیل تأثیر عوامل مختلف تأثیرگذار بر تغییر LULC در منطقه مورد مطالعه استفاده کردیم. از این میان عوامل موثر مانند تراکم جمعیت، تولید ناخالص داخلی، ارتفاع، جهت، دما و بارندگی با استفاده از روش نقطه شکست طبیعی به شش درجه تقسیم شدند. انواع خاک ها شامل خاک های نیمه لوویزول، پدوکال، خاک خشک، خاک بیابانی، خاک اول زایش و خاک نیمه هیدرومورفیک بود. نقشه توزیع فضایی همه عوامل تأثیرگذار در شکل ۲ ارائه شده است .

۲٫۳٫ مواد و روش ها

این دست‌نوشته استخراج انواع LULC و محرک‌های تغییر LULC در منطقه مورد مطالعه را بر اساس داده‌های تصویر سنجش از دور سری Landsat چند زمانی بر روی پلت فرم GEE تجزیه و تحلیل می‌کند و فلوچارت در شکل ۳ نشان داده شده است.. ابتدا، داده‌های Landsat TM/OLI را در فیلتر کردن داده‌ها، پوشاندن ابر، موزاییک کردن و برش بر روی پلت فرم GEE از پیش پردازش کردیم و پارامترهای ویژگی مربوطه را برای به دست آوردن مجموعه داده‌های ویژگی طبقه‌بندی چند بعدی محاسبه کردیم. سپس الگوریتم یادگیری ماشین RF در طبقه‌بندی LULC پیاده‌سازی شد و نتایج با استفاده از یک ماتریس سردرگمی تأیید شدند. ما سه محصول طبقه بندی LULC را برای منطقه مورد مطالعه در سال های ۲۰۰۰، ۲۰۱۰ و ۲۰۲۰ به دست آوردیم و از ماتریس انتقال برای تجزیه و تحلیل تغییرات در هر نوع LULC استفاده کردیم. در نهایت، ما تغییر LULC در منطقه مورد مطالعه را از دو منظر عوامل طبیعی و اجتماعی از طریق کاوشگرهای جغرافیایی برای تحلیل نیروی محرکه تحلیل کردیم.

۲٫۳٫۱٫ جنگل تصادفی

الگوریتم جنگل تصادفی به طبقه بندی LULC که یک روش طبقه بندی ترکیبی بر اساس درختان رگرسیون طبقه بندی شده توسط لئو بریمن در سال ۲۰۰۱ [ ۵۱ ] است، پیاده سازی شد. اصل اساسی این الگوریتم ساخت مجموعه‌ای از طبقه‌بندی‌کننده‌های درخت تصمیم است، هر درخت تصمیم با استفاده از مکانیسم رأی‌گیری درخت تصمیم‌گیری چندگانه برای بهبود مشکل بیش از حد برازش درخت‌های تصمیم و همچنین استفاده از اکثریت، یک انتخاب طبقه‌بندی می‌دهد. استراتژی مکانیسم رأی گیری برای به دست آوردن خروجی نهایی [ ۵۲ ، ۵۳ ]. در مقایسه با سایر روش‌های یادگیری ماشین، الگوریتم طبقه‌بندی RF از استحکام بهتری برخوردار است و می‌تواند به طور موثر بر روی مجموعه داده‌های بزرگ اجرا شود [ ۵۴ ، ۵۵ ]، ۵۶ ]. برخی از محققان تحقیقات مربوطه را در مورد طبقه بندی LULC با استفاده از الگوریتم RF بر روی پلت فرم GEE انجام داده اند و به نتایج تحقیقاتی عالی دست یافته اند [ ۵۷ ، ۵۸ ، ۵۹ ].

نوع LULC با فراخوانی مستقیم تابع ee.smileRandomForest در GEE API انجام شد، که فقط نیاز به شناسایی دو پارامتر دارد: تعداد درختان طبقه بندی و تعداد متغیرهای ویژگی وارد شده در زمان تقسیم گره [ ۶۰ ]. به طور تجربی مشخص شد که نتایج طبقه‌بندی زمانی که تعداد درخت‌ها ۵۰۰ درخت بود، دقیق‌تر بودند، بنابراین در نهایت ۵۰۰ درخت برای طبقه‌بندی RF انتخاب شدند و تعداد متغیرهای ویژگی دارای ریشه دوم تعداد ویژگی‌های درگیر در طبقه‌بندی محاسبه‌شده بود. ۶۱ ].

۲٫۳٫۲٫ ارزیابی

در این مقاله، ما از یک ماتریس سردرگمی برای تأیید صحت نتایج طبقه‌بندی ویژگی‌ها در منطقه مورد مطالعه و توصیف صحت نتایج طبقه‌بندی با محاسبه دقت کلی، ضریب کاپا، دقت تولیدکننده و دقت کاربر استفاده کردیم.

۱٫ دقت کلی: دقت کلی منعکس کننده اثربخشی کلی الگوریتم است و با نسبت تعداد نمونه های طبقه بندی شده صحیح به تعداد کل نمونه های اعتبارسنجی اندازه گیری می شود.

(۱)

جایی که P _OA نشان دهنده دقت کلی است. N نشان دهنده تعداد کل نمونه های مورد استفاده برای ارزیابی دقت است. n تعداد کل دسته ها را نشان می دهد. و p _ii تعداد طبقه‌بندی‌های صحیح نمونه i را در ماتریس سردرگمی نشان می‌دهد.

۲٫ ضریب کاپا: ضریب کاپا میزان تطابق بین داده های حقیقت زمینی و مقادیر پیش بینی شده را نشان می دهد.

(۲)

که در آن K نشان دهنده ضریب کاپا است. n تعداد کل دسته ها را نشان می دهد. p _kk تعداد طبقه بندی های صحیح k امین نمونه را در ماتریس سردرگمی نشان می دهد. و و اندازه نمونه را به ترتیب در ستون های i و j ام نشان دهید. N تعداد کل نمونه های مورد استفاده برای ارزیابی دقت را نشان می دهد.

۳٫ دقت تولیدکننده: دقت نگاشت احتمال طبقه بندی صحیح داده های مرجع حقیقت زمینی (نمونه اعتبارسنجی) دسته بندی را نشان می دهد.

(۳)

که در آن P _PA نشان دهنده دقت نقشه برداری است. n تعداد کل دسته ها را نشان می دهد. p _kk تعداد طبقه بندی های صحیح k امین نمونه را در ماتریس سردرگمی نشان می دهد. و نشان دهنده اندازه نمونه در ستون j است.

۴٫ دقت کاربر: دقت کاربر نشان دهنده نسبت تعداد پیکسل های طبقه بندی شده صحیح در یک دسته به تعداد کل پیکسل های آن دسته در زیر مجموعه است.

(۴)

جایی که P _UA نشان دهنده دقت کاربر است. n تعداد کل دسته ها را نشان می دهد. p _kk تعداد طبقه بندی های صحیح k امین نمونه را در ماتریس سردرگمی نشان می دهد. و with نشان دهنده اندازه نمونه در ردیف i است.

۲٫۳٫۳٫ شاخص درجه کاربری زمین

در این مقاله، ما شاخص درجه کاربری اراضی در منطقه مورد مطالعه را با استفاده از شاخص کاربری ترکیبی ارزیابی کردیم که بازتابی از درجه واقعی استفاده انسانی از زمین است و اساساً با سطح کاربری و توسعه زمین در منطقه توضیح داده می شود. . مقدار بالاتر نشان‌دهنده درجه قوی‌تر استفاده از زمین و پیچیده‌تر بودن فعالیت‌های اجتماعی و اقتصادی در منطقه است [ ۶۲ ]. درجه کاربری اراضی در منطقه مورد مطالعه به شرح زیر محاسبه می شود:

(۵)

که در آن L _a مقدار شاخص درجه کاربری زمین است. A _i شاخص درجه بندی درجه کاربری زمین است. و C _i درصدی از مساحت درجه بندی شده نوع i درجه کاربری اراضی است. با توجه به مطالعات مربوطه [ ۶۳ ]، انواع به چهار کلاس تقسیم شدند و شاخص های درجه بندی متفاوتی را به آنها اختصاص دادند، همانطور که در جدول ۲ نشان داده شده است.

۲٫۳٫۴٫ آشکارساز جغرافیایی

روش آشکارساز جغرافیایی با ترکیب سیستم اطلاعات جغرافیایی (GIS)، برهم نهی فضایی و تکنیک‌های نظریه مجموعه‌ها بر اساس نظریه تمایز فضایی [ ۶۴ ، ۶۵ ] ارائه شد. آشکارساز جغرافیایی روشی جدید برای آشکارسازی عوامل محرک آن با تشخیص تمایز فضایی است که بر معایب مدل‌های ریاضی-آماری سنتی با مفروضات فراوان و نیازهای داده‌های بزرگ غلبه می‌کند [ ۶۶ ].]. آشکارساز جغرافیایی شامل چهار آشکارساز است: آشکارساز عامل، آشکارساز تعامل، آشکارساز خطر و آشکارساز اکولوژیکی. با توجه به اهداف تحقیق، این مقاله با استفاده از آشکارساز عامل و آشکارساز برهمکنش در آشکارساز جغرافیایی، عوامل محرک تغییر LULC در منطقه مورد مطالعه را آشکار کرده و تعامل بین عوامل بر تغییر LULC را مورد تجزیه و تحلیل قرار داده و تجزیه و تحلیل نیروی محرکه و کمی را انجام داده است. اسناد تغییر LULC در منطقه مورد مطالعه از دیدگاه های چندگانه

آشکارساز عامل عمدتاً برای تشخیص ناهمگنی فضایی متغیر وابسته و توان توضیحی متغیر مستقل بر روی متغیر وابسته، قدرت توضیحی ضریب تأثیر Xi بر ویژگی‌های ناهمگن فضایی تغییر LULC استفاده می‌شود [ ۶۷ ]، q می‌تواند به صورت زیر بیان شود:

(۶)

که در آن L تعداد لایه های متغیر مستقل است. N و N _h تعداد نمونه های درون لایه و داخل منطقه هستند. و σ ^۲ واریانس کلی نمونه است.

آشکارساز برهمکنش برای شناسایی تعامل بین عوامل خطر مختلف برای ارزیابی اینکه آیا عوامل با هم قدرت توضیحی متغیر وابسته را افزایش یا کاهش می‌دهند یا اینکه آیا اثرات این عوامل بر متغیر وابسته مستقل از یکدیگر هستند استفاده می‌شود [ ۶۸ ، ۶۹ ] ]. با فرض اینکه q ( x _۱ ) و q ( x _۲ ) به ترتیب قدرت توضیحی ضرایب تأثیر x _۱ و x _۲ هستند، بر روی ویژگی های واگرا فضایی تغییر LULC _،q ( x1 ∩ x _۲) قدرت تبیین دو عامل در هنگام تعامل با یکدیگر است و پنج الگوی تأثیر وجود دارد ( جدول ۳ ).

۳٫ نتایج

۳٫۱٫ ارزیابی دقت

دقت نتایج طبقه بندی بخش اساسی تحلیل تغییر LULC است. این دست نوشته ماتریس سردرگمی بین نمونه های آموزشی و نتایج طبقه بندی را هر سال بر اساس پلت فرم GEE محاسبه می کند. نتایج در جدول ۴ نمایش داده شده است. دقت کلی سه نتیجه طبقه بندی در سال های ۲۰۰۰، ۲۰۱۰ و ۲۰۲۰ به ترتیب ۵۴/۸۷، ۰۶/۸۸ و ۸۵/۸۹ درصد و ضریب کاپا به ترتیب ۸۶/۰، ۸۸/۰ و ۸۹/۰ بوده است. دقت کلی و ضریب کاپا طبقه‌بندی در سه دوره بالای ۸۰ درصد بود و انواع مختلف LULC از دقت کارتوگرافی بالایی در نتایج طبقه‌بندی هر دوره برخوردار بودند. می توان نتیجه گرفت که دقت کلی طبقه بندی به آستانه قابل قبولی رسیده است که نشان دهنده دقیق و قابل اعتماد بودن نتایج طبقه بندی است.

برای تأیید بیشتر صحت نتایج طبقه‌بندی، چندین بخش از نتایج طبقه‌بندی در منطقه مورد مطالعه به‌طور تصادفی انتخاب شدند و نتایج با مجموعه داده‌های نظارت سنجش از راه دور چند دوره‌ای LULC Google Earth Pro و چین (CNLUCC) مقایسه شد [ ۷۰ ] . همانطور که در شکل ۴ ارائه شده است ، نتایج طبقه بندی این نسخه خطی می تواند آب، زمین های ساختمانی، علفزار و برخی از زمین های زراعی را بهتر طبقه بندی کند. این مطابقت بالایی با ویژگی‌های موجود در تصاویر Google Earth Pro داشت. در مجموع، نتایج نوع LULC در این دست‌نوشته صحت و قابلیت اطمینان را به اثبات رساند.

۳٫۲٫ تغییر ساختار LULC

توزیع فضایی سه فاز LULC در بخش شاندونگ حوضه رودخانه زرد از سال ۲۰۰۰ تا ۲۰۲۰ در شکل ۵ و شکل ۶ نشان داده شده است.. از شکل می توان دریافت که زمین کشاورزی نوع اصلی LULC در منطقه مورد مطالعه است که بیش از ۴۷ درصد را شامل می شود که عمدتاً در امتداد رودخانه زرد و در منطقه دشتی در جنوب کوه تای توزیع شده است. نسبت مساحت زمین ساخت و ساز به تدریج از ۱۹٫۴۲ درصد در سال ۲۰۰۰ به ۲۹٫۷۷ درصد در سال ۲۰۲۰ افزایش یافته است و عمدتاً در دشت به صورت لکه های سکونتگاهی روستایی توزیع شده است، در حالی که مساحت زیادی از زمین های ساختمانی عمدتاً در منطقه اصلی شهری توزیع شده است. شهر تایان و ناحیه لایوو. نسبت مساحت جنگل حدود ۷ درصد است که عمدتاً در کوه تای و مناطق کوهستانی اطراف آن متمرکز است. تغییر کلی سطح آب نسبتاً کم بود که عمدتاً در رودخانه زرد، دریاچه دانگ پینگ و سایر مخازن کوچک توزیع شده است.

۳٫۳٫ تغییرات LULC مکانی-زمانی

برای انعکاس شهودی ویژگی‌های ساختاری کمی انواع LULC و رابطه انتقال بین انواع مختلف LULC، ماتریس انتقال LULC را برای توصیف کمی تحول متقابل بین انواع مختلف LULC در منطقه مورد مطالعه محاسبه کردیم. نقشه های انتقال انواع LULC در منطقه مورد مطالعه از سال ۲۰۰۰ تا ۲۰۱۰ و از سال ۲۰۱۰ تا ۲۰۲۰ محاسبه شده و در شکل ۷ ارائه شده است.، به ترتیب. به طور کلی، مساحت زمین های ساخت و ساز و زمین های کشاورزی در منطقه مورد مطالعه به طور قابل توجهی افزایش یافت، مساحت علفزار کاهش یافت، در حالی که مساحت سایر انواع LULC اساساً بدون تغییر باقی ماند. از منظر انتقال نوع اصلی LULC، گسترش زمین های ساخت و ساز عمدتاً از زمین های کشاورزی حاصل شد و علفزارهای کاهش یافته عمدتاً به زمین های کشاورزی و جنگلی سرازیر شدند. از سال ۲۰۱۰ تا ۲۰۲۰، زمین های ساخت و ساز افزایش یافته است. در مقابل، سطح زمین کشاورزی روند نزولی را نشان داد. زمین‌های کشاورزی کاهش‌یافته عمدتاً به زمین ساختمانی تبدیل شد، در حالی که مقدار کمی از زمین‌های ساختمانی به زمین کشاورزی و بخشی از علفزار به زمین جنگلی تبدیل شد. مقایسه تغییر LULC در منطقه مورد مطالعه از سال ۲۰۰۰ تا ۲۰۱۰ و از ۲۰۱۰ تا ۲۰۲۰، می توان نتیجه گرفت که مساحت زمین کشاورزی در منطقه مورد مطالعه ابتدا افزایش و سپس کاهش یافته است و مساحت کل اراضی کشاورزی به تدریج طی بیست سال گذشته افزایش یافته است. در نتیجه، از سال ۲۰۰۰ تا ۲۰۲۰، مساحت کل زمین های ساخت و ساز در منطقه مورد مطالعه به تدریج افزایش یافت، مساحت زمین جنگلی و بدنه آبی تقریباً تغییر کرد و مساحت زمین های کشاورزی و علفزار کاهش یافت.

۳٫۴٫ تغییر درجه کاربری زمین

درجه استفاده از زمین می تواند به طور موثری وسعت و عمق کاربری و توسعه را منعکس کند. بر اساس داده های LULC در منطقه مورد مطالعه، این نسخه خطی انواع مختلف اراضی را ارزیابی کرده و شاخص درجه کاربری اراضی را برای اندازه گیری سطح جامع کاربری اراضی از سال ۲۰۰۰ تا ۲۰۲۰ به طور جامع محاسبه کرده است. نقشه توزیع فضایی درجه کاربری اراضی در شکل بیان شده است. ۸به عنوان فرمت شبکه در ۱٫۵ کیلومتر * ۱٫۵ کیلومتر. نتایج نشان می دهد که شدت کاربری زمین دارای تمایز فضایی آشکار است. شدت کاربری اراضی در نواحی جلگه ای عموماً بیشتر از مناطق تپه ای است. مناطق با درجه کاربری بالا عمدتاً در مناطق دشت پراکنده شده اند که به دلیل دخالت زیاد انسان، سطح بالای توسعه و بهره برداری اراضی است و انواع کاربری/پوشش اراضی عمدتاً زمین های زیر کشت و ساختمانی است. که دلیل اصلی بهبود درجه کاربری اراضی در این منطقه نیز می باشد. مناطق با شدت کاربری کم عمدتاً در نواحی تپه ای توزیع شده اند (در دایره آبی در شکل ۸ نشان داده شده است.). در نواحی تپه‌ای، محدود به زمین، فعالیت‌های تداخل انسانی کمتری وجود داشت و انواع زمین‌ها عمدتاً جنگلی و علفزار بودند، بنابراین درجه کاربری زمین در این منطقه پایین بود. علاوه بر این، شدت کاربری اراضی در منطقه مورد مطالعه از سال ۲۰۰۰ تا ۲۰۲۰ به تدریج افزایش یافت و سال به سال روند صعودی آشکاری را نشان داد، به ویژه در منطقه مصب رودخانه زرد، جایی که درجه کاربری اراضی تحت تأثیر توسعه انسانی به طور قابل توجهی افزایش یافت. (در دایره قرمز رنگ در شکل ۸ نشان داده شده است ).

۳٫۵٫ تجزیه و تحلیل عوامل موثر بر تغییر LULC

۳٫۵٫۱٫ تجزیه و تحلیل نتایج تشخیص تک عاملی

آشکارساز عامل برای تجزیه و تحلیل قدرت توضیحی عوامل تأثیرگذار مختلف بر ویژگی‌های تمایز فضایی شدت کاربری زمین در منطقه مورد مطالعه استفاده می‌شود. نتایج در جدول ۵ نشان داده شده است. مقادیر P تمام فاکتورهای تشخیص ۰ بود که نشان می‌دهد فاکتورهای شناسایی انتخاب‌شده تأثیر قابل‌توجهی بر ویژگی‌های تمایز فضایی شدت کاربری زمین داشتند. همچنین می توان از آن به عنوان یک عامل تأثیرگذار برای تجزیه و تحلیل تمایز آن استفاده کرد. مقدار q در جدول ۵نشان می‌دهد که هر چه قدرت توضیحی هر عامل تأثیر بر تمایز فضایی شدت کاربری اراضی بیشتر باشد، ارزش آن بیشتر است، که نشان‌دهنده قدرت توضیحی قوی‌تر این عامل تأثیر بر تمایز فضایی شدت کاربری اراضی است.

همانطور که در جدول ۵ ارائه شده است ، مقادیر q جمعیت، دما و نوع خاک به تدریج از سال ۲۰۰۰ تا ۲۰۲۰ کاهش یافت، که نشان می دهد اثر محرک این عوامل تأثیرگذار کاهش یافته است. مقدار q ارتفاع و شیب بسیار افزایش یافت در حالی که دامنه تغییر سایر عوامل نسبتاً کم بود. به طور کلی مقادیر q ارتفاع، شیب و نوع خاک زیاد بود که نشان می‌دهد ارتفاع، شیب و نوع خاک قدرت توضیحی قوی بر تغییر LULC دارند که عوامل اصلی تأثیرگذار بر تغییر LULC در منطقه مورد مطالعه هستند. در مقابل، مقادیر q تولید ناخالص داخلی و جنبه همیشه کمتر از ۰٫۱ بود، که نشان می‌دهد تولید ناخالص داخلی و جنبه تأثیر کمی بر تغییر LULC در منطقه مورد مطالعه دارند.

۳٫۵٫۲٫ تجزیه و تحلیل تعامل بین عوامل

آشکارساز تک عاملی می تواند درجه تأثیر هر عامل تأثیرگذار بر درجه کاربری زمین را تجزیه و تحلیل کند، در حالی که آشکارساز تعامل برای شناسایی اثر متقابل عوامل تأثیرگذار مختلف بر تمایز فضایی درجه کاربری زمین استفاده می شود و می تواند تجزیه و تحلیل کند که آیا افزایش می یابد یا خیر. تضعیف قدرت توضیحی تمایز فضایی درجه کاربری اراضی. مطابق نتایج ارائه شده در شکل ۹تأثیر متقابل عوامل تأثیرگذار بر تمایز فضایی درجه کاربری اراضی قدرت توضیحی قوی‌تری نسبت به یک عامل واحد داشت. انواع تعامل عمدتاً هم افزایی مضاعف و هم افزایی غیرخطی بود. این نشان می‌دهد که ویژگی‌های تمایز فضایی درجه کاربری زمین توسط یک عامل یا یک دسته از عوامل کنترل نمی‌شود، بلکه به طور مشترک تحت تأثیر عواملی مانند ارتفاع، شیب، تراکم جمعیت، دما، بارندگی و غیره قرار می‌گیرند. در این میان اثر متقابل ارتفاع و شیب، شیب و نوع خاک، ارتفاع و نوع خاک و دما و بارندگی قوی ترین قدرت توضیحی را داشتند. از طریق تجزیه و تحلیل فوق، می توان نتیجه گرفت که ویژگی های تمایز فضایی تغییر LULC عمدتاً تحت تأثیر تعامل بین ارتفاع، شیب، نوع خاک، دما و بارندگی قدرت توضیحی بارش در تشخیص یک عامل واحد نسبتا ضعیف است، اما در برهمکنش با ضریب دما دارای قدرت توضیحی قوی است. این نشان می‌دهد که تأثیر بارش بر ویژگی‌های تمایز فضایی تغییر LULC می‌تواند به طور موثر تحت عمل مشترک ضریب دما نمایش داده شود.

۴٫ بحث

بر اساس پلت فرم ابری GEE، این مطالعه از الگوریتم طبقه‌بندی RF برای طبقه‌بندی اطلاعات نوع کاربری سطحی بخش شاندونگ حوضه رودخانه زرد از سال ۲۰۰۰ تا ۲۰۲۰ استفاده کرد. طبق بررسی USGS و ادبیات مرتبط، دقت کلی و ضریب کاپا آستانه ۸۵ درصد کافی بود [ ۷۱]، در حالی که دقت کلی و ضریب کاپا انواع LULC در این نسخه خطی از ۸۶% فراتر رفته است که نشان می دهد نتایج طبقه بندی معقول و قابل اعتماد بوده است. روند و روند تغییرات کاربری زمین در طی ۲۰ سال با استفاده از مجموعه داده LULC سه دوره ای تجزیه و تحلیل شد، و وضعیت LULC به طور قابل توجهی در طول ۲۰ سال در منطقه مورد مطالعه تغییر کرد. به ویژه، با گسترش سریع شهری، مساحت زمین های ساخته شده به سرعت از ۱۹٫۴۲٪ به ۲۹٫۷۷٪ افزایش یافته است. الگوی تغییر LULC تأثیر قابل توجهی بر منطقه مورد مطالعه دارد که منجر به افزایش مداوم درجه کاربری زمین می شود.

تغییر LULC نتیجه عوامل متعددی است و این نسخه خطی به طور کمی نیروهای محرک عوامل اجتماعی و طبیعی را بر روی تغییرات LULC بر اساس کاوشگرهای جغرافیایی تجزیه و تحلیل کرد و دریافت که عوامل مرتبط با توپوگرافی مانند ارتفاع و شیب، عوامل محرک اصلی موثر بر تغییر LULC در منطقه مورد مطالعه عوامل مرتبط با توپوگرافی بیشترین تأثیر را در تغییر LULC داشته است، که ممکن است به این دلیل باشد که منطقه متعلق به منطقه کشاورزی است و دشت ها عمدتاً از نظر تاریخی کشت شده اند، در حالی که مناطق تپه ای عمدتاً جنگلی و علفزار هستند، بنابراین عوامل توپوگرافی عوامل تأثیرگذار قابل توجهی دارند. در نتایج طبقه بندی LULC. برخی از نتایج تحقیقات به همین ترتیب نشان داده اند که توپوگرافی نیز تأثیر قابل توجهی بر طبقه بندی LULC دارد [ ۶۰ ،۷۲ ]. این دست نوشته نه تنها شدت تأثیر هر عامل بر تغییر LULC را از جنبه تک عاملی نشان می دهد، بلکه مکانیسم تغییر LULC را از منظر اثر متقابل عامل بررسی می کند، که کاستی های روش های مرسوم را جبران می کند که نمی توانند تأثیر را توضیح دهند. مکانیسم تعامل، و تأثیر کوواریانس بین عوامل را حذف می کند، که برای درک جامع فرآیند تغییر LULC از اهمیت عملی برخوردار است.

در این دست‌نوشته، پلت‌فرم ابری GEE می‌تواند به سرعت و با دقت طبقه‌بندی کاربری اراضی را در منطقه مورد مطالعه محقق کند و به طور موثر مشکلات حجم زیادی از پردازش داده‌ها و گردش کار پیچیده را در فرآیند طبقه‌بندی کاربری اراضی در یک منطقه بزرگ حل کند. روش رده‌بندی RF پیکسل‌گرا که در این مقاله استفاده شده است، طبقه‌بندی LULC را در منطقه مورد مطالعه محقق می‌کند. دقت کلی و ضریب کاپا نتایج طبقه‌بندی الزامات را برآورده می‌کند، اما تفکر شی گرا در این روش وجود ندارد که باعث ایجاد صدای نمک و فلفل شود [ ۷۳ ].]. بنابراین، این روش هنوز در روش طبقه بندی کاربری اراضی در منطقه مورد مطالعه جای بهبود دارد. تمرکز تحقیقات آینده باید بر روی ادغام تقسیم بندی تصویر و تطبیق ویژگی ها باشد.

علاوه بر این، بر اساس تشخیص عامل و تشخیص تعاملی در آشکارساز جغرافیایی، عوامل محرک تغییر LULC به صورت کمی نسبت داده شدند. با تجزیه و تحلیل نتایج تشخیص عامل و تشخیص تعاملی، مشخص شد که عوامل طبیعی مانند ارتفاع و شیب تأثیر زیادی بر تغییر کاربری اراضی دارند. تغییر LULC ارتباط نزدیکی با محیط طبیعی محلی و اسناد سیاست دارد. در این نسخه خطی، غنا و تنوع فاکتورهای شاخص انتخاب شده نیاز به بهبود دارد. در تحقیقات آتی، همچنین لازم است که با اسناد خط مشی مربوطه و مواد مرتبط بیشتر مشورت شود تا ضرایب تأثیر سیستم شاخص غنی شود تا علل تغییر LULC دقیق تر و جامع تر تجزیه و تحلیل شود.

۵٫ نتیجه گیری ها

بر اساس پلتفرم ابری GEE، این نسخه خطی از روش RF برای طبقه‌بندی کاربری زمین در بخش شاندونگ حوضه رودخانه زرد استفاده کرد، نقشه توزیع نوع کاربری چندموقتی منطقه مورد مطالعه را به دست آورد، سپس ماتریس انتقال را برای تجزیه و تحلیل محاسبه کرد. تغییر کاربری زمین، قبل از اینکه در نهایت آشکارساز زمین شناسی را برای تجزیه و تحلیل مکانیسم محرک بالقوه تغییر کاربری زمین در شدت کاربری زمین در منطقه مورد مطالعه معرفی کنیم. نتایج نشان می دهد که از سال ۲۰۰۰ تا ۲۰۲۰، نوع زمین در منطقه مورد مطالعه عمدتاً زمین زیر کشت بوده و پس از آن زمین های ساختمانی، زمین های جنگلی و علفزار بوده است. پدیده تخریب زمین های زیر کشت و علفزار وجود داشت، در حالی که مساحت زمین های ساختمانی و زمین های جنگلی افزایش یافت و نسبت بدنه آبی و زمین های بلااستفاده اساساً بدون تغییر باقی ماند. از منظر انتقال نوع زمین، مشخص شد که زمین های زیر کشت عمدتاً به زمین ساختمانی و علفزار بیشتر به زمین جنگلی تبدیل شده است. از تجزیه و تحلیل شدت کاربری اراضی، مناطق با شدت کاربری بالا در منطقه مورد مطالعه عمدتاً در مناطق دشتی و انواع اصلی اراضی زیر کشت و اراضی ساختمانی بودند، در حالی که مناطق با شدت کاربری کم عمدتاً در مناطق تپه‌ای و انواع زمین‌ها عمدتاً علفزار و جنگل بودند. علاوه بر این، این نسخه خطی عوامل موثر بر تغییر کاربری اراضی را با دو روش آشکارساز فاکتور و آشکارساز تعاملی مورد تجزیه و تحلیل قرار داده است. نتایج نشان داد که ارتفاع، شیب و نوع خاک از عوامل مؤثر بر تغییر کاربری اراضی بودند.

در این دست‌نوشته، قدرت محاسباتی پلت‌فرم ابری GEE برای تحقق طبقه‌بندی LULC در منطقه مورد مطالعه، که یک الگوی کاری برای تحقیقات طبقه‌بندی ویژگی‌ها در مقیاس بزرگ، پیچیده و متنوع ارائه می‌دهد، به‌طور کامل مورد استفاده قرار گرفت. با این حال، تنها استفاده از ماهواره‌های سنجش از دور نوری برای انجام تحقیقات طبقه‌بندی LULC هنوز دارای کاستی‌هایی مانند سیستم طبقه‌بندی ناقص و نقاط نمونه زمینی ناکافی است. در تحقیقات آینده، ما داده‌های سنجش از راه دور چند منبع را ترکیب خواهیم کرد تا به مزایای ترکیبی منابع داده‌های مختلف بازی کامل بدهیم. علاوه بر این، نقاط نمونه زمینی متنوع‌تر و کافی برای بهبود دقت نظارت سنجش از راه دور تغییر LULC منطقه‌ای ایجاد می‌شود.

منابع

Pflugmacher، D.; رابه، ا. پیترز، ام. Hostert، P. نقشه برداری پوشش زمین سراسر اروپا با استفاده از معیارهای طیفی-زمانی Landsat و بررسی اروپایی LUCAS. سنسور از راه دور محیط. ۲۰۱۹ ، ۲۲۱ ، ۵۸۳-۵۹۵٫ [ Google Scholar ] [ CrossRef ]
لیو، جی. Kuang، WH; ژانگ، ZX; Xu، XL; Qin، YW; نینگ، جی. ژو، WC; ژانگ، جنوب غربی؛ لی، RD; Yan، CZ; و همکاران ویژگی‌های مکانی-زمانی، الگوها و علل تغییرات کاربری زمین در چین از اواخر دهه ۱۹۸۰ جی. جئوگر. علمی ۲۰۱۴ ، ۲۴ ، ۱۹۵-۲۱۰٫ [ Google Scholar ] [ CrossRef ]
موران، ای. اوجیما، دی اس؛ بوخمن، بی. Canadell، JG; کومز، او. گراملیچ، ال. جکسون، آر. جارامیلو، وی. لاورل، اس. لیدلی، پی. و همکاران پروژه جهانی زمین: طرح علمی و استراتژی پیاده سازی ; IGBP: استکهلم، سوئد، ۲۰۰۵٫ [ Google Scholar ]
ترنر، BLI; اسکول، دی ال. ساندرسون، اس. فیشر، جی. فرسکو، ال. لیمانز، آر . تغییر کاربری و پوشش زمین. طرح علمی/پژوهشی ; IGBP: استکهلم، سوئد، ۱۹۹۵٫ [ Google Scholar ]
ژانگ، ZX; وانگ، XY; Wen، QK; ژائو، XL; لیو، اف. زو، ال جی؛ هو، اس جی. Xu، JY; یی، ال. لیو، بی. پیشرفت تحقیق کاربرد سنجش از دور در منابع زمین. J. Remote Sens. ۲۰۱۶ ، ۲۰ ، ۱۲۴۳-۱۲۵۸٫ [ Google Scholar ] [ CrossRef ]
جونز، KR; ونتر، او. فولر، RA; آلن، جی آر. ماکسول، اس ال. نگرت، پی جی. Watson، JEM یک سوم زمین های حفاظت شده جهانی تحت فشار شدید انسان است. Science ۲۰۱۸ ، ۳۶۰ ، ۷۸۸-۷۹۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هومر، سی. دیویتز، جی. جین، اس ام. شیان، جی. کاستلو، سی. دانیلسون، پی. گاز، ال. فانک، ام. ویکهام، جی. Stehman، S. و همکاران الگوهای تغییر پوشش زمین در ایالات متحده ۲۰۰۱-۲۰۱۶ از پایگاه داده ملی پوشش زمین در سال ۲۰۱۶٫ ISPRS J. Photogramm. Remote Sens. ۲۰۲۰ , ۱۶۲ , ۱۸۴–۱۹۹٫ [ Google Scholar ] [ CrossRef ]
نگوین، LH; جوشی، DR. Clay، DE; Henebry، GM مشخص کردن پوشش زمین / کاربری زمین از چندین سال سری زمانی Landsat و MODIS: یک رویکرد جدید با استفاده از مدل‌سازی فنولوژی سطح زمین و طبقه‌بندی تصادفی جنگل. سنسور از راه دور محیط. ۲۰۲۰ ، ۲۳۸ ، ۱۱۱۰۱۷٫ [ Google Scholar ] [ CrossRef ]
ژائو، ZM; منگ، ی. یو، AZ; هوانگ، QQ; کنگ، ییل. یوان، ی. لیو، XY; لین، ال. Zhang, MM بررسی داده های سری زمانی سنجش از دور برای تشخیص تغییر. J. Remote Sens. ۲۰۱۶ ، ۲۰ ، ۱۱۱۰-۱۱۲۵٫ [ Google Scholar ] [ CrossRef ]
لاولند، TR; رید، ق.م. براون، ج.اف. Ohlen، DO; زو، ز. یانگ، ال. Merchant، JW توسعه پایگاه داده خصوصیات پوشش زمین جهانی و IGBP DISCover از ۱ کیلومتر داده AVHRR. بین المللی J. Remote Sens. ۲۰۱۰ ، ۲۱ ، ۱۳۰۳-۱۳۳۰٫ [ Google Scholar ] [ CrossRef ]
استفانسکی، جی. چاسکوفسکی، او. Waske، B. نقشه برداری و نظارت بر تغییرات کاربری زمین در غرب اوکراین پس از شوروی با استفاده از داده های سنجش از دور. Appl. Geogr. ۲۰۱۴ ، ۵۵ ، ۱۵۵-۱۶۴٫ [ Google Scholar ] [ CrossRef ]
سوزا، سی ام. Shimbo، JZ; رزا، ام آر؛ Parente، LL; آلنکار، ا. رودرف، BFT؛ هاسناک، اچ. ماتسوموتو، ام. فریرا، ال جی؛ سوزا فیلهو، PWM؛ و همکاران بازسازی سه دهه تغییر کاربری و پوشش زمین در بیوم های برزیل با آرشیو لندست و موتور زمین. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۷۳۵٫ [ Google Scholar ] [ CrossRef ]
عبدالله، AYM; مسرور، ع. عدنان، MSG; باکی، MAA؛ حسن، ق.ک. دیوان، الف. الگوهای مکانی-زمانی استفاده از زمین/تغییر پوشش زمین در منطقه ساحلی ناهمگون بنگلادش بین سال‌های ۱۹۹۰ تا ۲۰۱۷٫ Remote Sens. ۲۰۱۹ ، ۱۱ ، ۷۹۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. ۲۰۱۷ ، ۲۰۲ ، ۱۸-۲۷٫ [ Google Scholar ] [ CrossRef ]
کومار، ال. Mutanga، O. برنامه های کاربردی موتور Google Earth از ابتدا: استفاده، روندها و پتانسیل. Remote Sens. ۲۰۱۸ , ۱۰ , ۱۵۰۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فو، دی جی; شیائو، اچ. سو، FZ; ژو، CH; دونگ، جی دبلیو. Zeng، YL; یان، ک. لی، SW; وو، جی. Wu، WZ; و همکاران توسعه پلت فرم محاسبات ابری سنجش از دور و برنامه علوم زمین. Natl. سنسور از راه دور. ۲۰۲۱ ، ۲۵ ، ۲۲۰-۲۳۰٫ [ Google Scholar ] [ CrossRef ]
هو، YF; دونگ، ی. باتوناکون. یک رویکرد خودکار برای تشخیص تغییر زمین و به روز رسانی زمین بر اساس تجزیه و تحلیل زمان بندی یکپارچه NDVI و روش CVAPS با پشتیبانی GEE. ISPRS J. Photogramm. Remote Sens. ۲۰۱۸ , ۱۴۶ , ۳۴۷–۳۵۹٫ [ Google Scholar ] [ CrossRef ]
هوانگ، HB; چن، ییل. کلینتون، ن. وانگ، جی. وانگ، XY; لیو، سی ایکس؛ گونگ، پی. یانگ، جی. بای، YQ; ژنگ، ی.ام. و همکاران نگاشت پویایی پوشش زمین در پکن با استفاده از تمام تصاویر Landsat در Google Earth Engine. سنسور از راه دور محیط. ۲۰۱۷ ، ۲۰۲ ، ۱۶۶-۱۷۶٫ [ Google Scholar ] [ CrossRef ]
مائو، ال جی. Li، MS یکپارچه سازی داده های فعال و غیرفعال Sentinel برای نقشه برداری از پوشش زمین در یک پارک ملی از پلتفرم GEE. Geomat. Inf. علمی دانشگاه ووهان ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
لی، جی دبلیو. Knapp، DE; لیون، ام. رولفسما، سی. فین، اس. شیل، اس آر. Asner، GP نقشه‌برداری حمام‌سنجی آب کم عمق جهانی با استفاده از موتور Google Earth را انجام داد. Remote Sens. ۲۰۲۱ , ۱۳ , ۱۴۶۹٫ [ Google Scholar ] [ CrossRef ]
وانگ، YD; Li، ZW; زنگ، سی. Xia، GS; شن، HF یک روش استخراج آب شهری با ترکیب یادگیری عمیق و موتور Google Earth. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۰ , ۱۳ , ۷۶۹–۷۸۲٫ [ Google Scholar ] [ CrossRef ]
ارمیدا، اس ال. سوآرس، پی. مانتاس، وی. گوتچه، F.-M. Trigo، کد منبع باز موتور IF Google Earth برای تخمین دمای سطح زمین از سری Landsat. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۴۷۱٫ [ Google Scholar ] [ CrossRef ]
جیا، HW; Yan، CZ; Xing، XG ارزیابی کیفیت زیست محیطی در حوضه قیدام بر اساس شاخص اکولوژیکی (MRSEI) و GEE. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۵۴۳٫ [ Google Scholar ] [ CrossRef ]
Xiong، Y. Xu، WW; لو، ن. هوانگ، SD؛ وو، سی. وانگ، ال جی؛ دای، اف. Kou، WL ارزیابی تغییرات مکانی-زمانی کیفیت محیط زیست بر اساس RSEI و GEE: مطالعه موردی در حوضه دریاچه Erhai، استان یوننان، چین. Ecol. اندیک. ۲۰۲۱ , ۱۲۵ , ۱۰۷۵۱۸٫ [ Google Scholar ] [ CrossRef ]
دونگ، جی. شیائو، ایکس. منارگوئز، MA; ژانگ، جی. Qin، Y. تاو، دی. بیرادار، سی. مور، ب. نقشه برداری از منطقه کاشت برنج شالیزاری در شمال شرقی آسیا با تصاویر Landsat 8، الگوریتم مبتنی بر فنولوژی و موتور Google Earth. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۵ ، ۱۴۲-۱۵۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیونگ، جی. سپسکبیل، ص. گوما، MK; Teluguntla، P. پونلت، جی. Congalton، RG; یداو، ک. تاو، دی. نقشه برداری خودکار زمین های زراعی قاره آفریقا با استفاده از محاسبات ابری موتور Google Earth. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۲۶ ، ۲۲۵–۲۴۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بلی، تی. Mengistu، DA پویایی و محرک های استفاده از زمین و پوشش زمین در حوضه آبخیز موگا، حوضه نیل آبی بالایی، اتیوپی. Remote Sens. Appl. Soc. محیط زیست ۲۰۱۹ ، ۱۵ ، ۱۰۰۲۴۹٫ [ Google Scholar ] [ CrossRef ]
لی، ک. فنگ، ام. بیسواس، ع. سو، اچ. نیو، ی. Cao, J. عوامل محرک و پیش بینی آینده استفاده از زمین و تغییر پوشش بر اساس داده های سنجش از دور ماهواره ای توسط مدل LCM: مطالعه موردی از استان گانسو، چین. Sensors ۲۰۲۰ , ۲۰ , ۲۷۵۷٫ [ Google Scholar ] [ CrossRef ]
بیکله، بی. وو، دبلیو. Yirsaw، E. رانندگان تغییرات کاربری زمین-پوشش زمین در دره ریفت مرکزی اتیوپی. ساین مالایی. ۲۰۱۹ ، ۴۸ ، ۱۳۳۳-۱۳۴۵٫ [ Google Scholar ] [ CrossRef ]
بریحون، ام ال. سونکاوا، ا. هاریگوین، ن. مششا، DT; آدگو، ای. تسوبو، م. ماسوناگا، تی. فنتا، AA; سلطان، د. Yibeltal، M. بررسی تغییرات کاربری / پوشش زمین، رانندگان و پیامدهای آنها در محیط های متضاد کشاورزی-اکولوژیکی اتیوپی. خط مشی استفاده از زمین ۲۰۱۹ ، ۸۷ ، ۱۰۴۰۵۲٫ [ Google Scholar ] [ CrossRef ]
فن، اچ. چن، اس. لی، ز. لیو، پی. خو، سی. یانگ، X. ارزیابی فلزات سنگین در آب، رسوب و موجودات صدف در مناطق معمولی مصب رودخانه یانگ تسه، چین. مارس آلودگی. گاو نر ۲۰۱۹ ، ۱۵۱ ، ۱۱۰۸۶۴٫ [ Google Scholar ] [ CrossRef ]
وانگ، جی اف. Xu، CD Geodetector: اصل و آینده نگر. Acta Geogr. گناه ۲۰۱۷ ، ۷۲ ، ۱۱۶-۱۳۴٫ [ Google Scholar ] [ CrossRef ]
چن، ال. وانگ، XL; Cai، XB; یانگ، سی. تغییرات فصلی Lu، XR دمای سطح زمین در طول روز و محرک های اصلی آنها در ووهان، چین. Remote Sens. ۲۰۲۱ , ۱۳ , ۳۲۳٫ [ Google Scholar ] [ CrossRef ]
هان، جی جی. وانگ، جی پی؛ چن، ال. شیانگ، جی. لینگ، ZY؛ لی، QK; وانگ، EL عوامل محرک بیابان زایی در حوضه قایدام، چین: تجزیه و تحلیل ۱۸ ساله با استفاده از مدل آشکارساز جغرافیایی. Ecol. اندیک. ۲۰۲۱ ، ۱۲۴ ، ۱۰۷۴۰۴٫ [ Google Scholar ] [ CrossRef ]
نی، تی. دونگ، جی تی. جیانگ، XH; لی، YX تغییرات فضایی-زمانی و نیروهای محرک پوشش گیاهی در فلات لس شمال شانشی. Remote Sens. ۲۰۲۱ , ۱۳ , ۶۱۳٫ [ Google Scholar ] [ CrossRef ]
پنگ، WF؛ کوانگ، تی تی. Tao, S. کمی سازی تأثیر عوامل طبیعی بر روی پوشش گیاهی تغییرات NDVI بر اساس آشکارساز جغرافیایی در سیچوان، غرب چین. جی. پاک. تولید ۲۰۱۹ ، ۲۳۳ ، ۳۵۳-۳۶۷٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی. یو، ال. لی، ایکس سی; ژانگ، سی سی; شی، TZ; وو، XY; یانگ، سی. گائو، WX؛ لی، QQ; Wu، GF در حال بررسی توسعه‌های شهری سالانه در منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو: ویژگی‌های مکانی-زمانی و عوامل محرک در سال‌های ۱۹۸۶-۲۰۱۷٫ Remote Sens. ۲۰۲۰ , ۱۲ , ۲۶۱۵٫ [ Google Scholar ] [ CrossRef ]
لی، جی. یان، XG; یان، XX; گوو، دبلیو. وانگ، KW; Qiao، J. ویژگی تغییرات زمانی و مکانی پوشش گیاهی در حوضه رودخانه زرد بر اساس پلت فرم ابر GEE. J. China Coal Soc. ۲۰۲۱ ، ۴۶ ، ۱۴۳۹-۱۴۵۰٫ [ Google Scholar ] [ CrossRef ]
جی، QL; لیانگ، دبلیو. فو، بی جی؛ ژانگ، WB; یان، JW; Lü، YH; یو، سی. جین، ز. Lan، ZY؛ لی، سی. و همکاران نگاشت کاربری زمین/ دینامیک پوشش حوضه رودخانه زرد از سال ۱۹۸۶ تا ۲۰۱۸ با پشتیبانی موتور Google Earth. Remote Sens. ۲۰۲۱ , ۱۳ , ۱۲۹۹٫ [ Google Scholar ] [ CrossRef ]
چن، ژ. ژانگ، QX; لی، اف. Shi, JL ارزیابی جامع مزایای استفاده از زمین در حوضه رودخانه زرد از سال ۱۹۹۵ تا ۲۰۱۸٫ Land ۲۰۲۱ , ۱۰ , ۶۴۳٫ [ Google Scholar ] [ CrossRef ]
یانگ، جی. Xie، BP; ژانگ، دی جی؛ تائو، WQ تأثیرات تغییر اقلیم و کاربری زمین بر خدمات اکوسیستم آب در حوضه رودخانه زرد، چین. محیط زیست علوم زمین ۲۰۲۱ ، ۸۰ ، ۷۲٫ [ Google Scholar ] [ CrossRef ]
خان، SU; کوی، ی. خان، ع.ا. علی، مس; خان، ا. Xia، X. لیو، جی. ژائو، ام. ردیابی کارایی توسعه پایدار با رابطه سیستم انسان و محیط زیست: کاربرد DPSIR و مدل SBM با کارایی فوق العاده. علمی کل محیط. ۲۰۲۱ , ۷۸۳ , ۱۴۶۹۵۹٫ [ Google Scholar ] [ CrossRef ]
پتورلی، ن. رایان، اس. مولر، تی. Bunnefeld، N.; جدرژیوسکا، بی. لیما، م. Kausrud، K. شاخص گیاهی تفاوت نرمال شده (NDVI): موفقیت های پیش بینی نشده در بوم شناسی حیوانات. صعود Res. ۲۰۱۱ ، ۴۶ ، ۱۵-۲۷٫ [ Google Scholar ] [ CrossRef ]
Guo، GH; Wu، ZF; شیائو، RB; چن، YB; لیو، XN; Zhang، XS تأثیرات ترکیب بیوفیزیکی شهری بر دمای سطح زمین در خوشه‌های جزیره گرمایی شهری. Landsc. طرح شهری. ۲۰۱۵ ، ۱۳۵ ، ۱-۱۰٫ [ Google Scholar ] [ CrossRef ]
آدام، ای. موتانگا، او. عبدالرحمن، EM; Ismail, R. تخمین زیست توده ایستاده در باتلاق پاپیروس (Cyperus papyrus L.): اکتشاف شاخص های فراطیفی درجا و رگرسیون تصادفی جنگل. بین المللی J. Remote Sens. ۲۰۱۴ ، ۳۵ ، ۶۹۳-۷۱۴٫ [ Google Scholar ] [ CrossRef ]
هوبورگ، آر. McCabe، MF یک رویکرد آموزشی ترکیبی برای تخمین شاخص سطح برگ از طریق یادگیری ماشینی جنگل‌های کوبیست و تصادفی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۸ , ۱۳۵ , ۱۷۳-۱۸۸٫ [ Google Scholar ] [ CrossRef ]
چن، BQ; Xiao، XM; لی، XP؛ پان، LH؛ دوغتی، ر. ما، جی. دونگ، جی دبلیو. Qin، Y. ژائو، بی. وو، زی. و همکاران نقشه جنگل حرا چین در سال ۲۰۱۵: تجزیه و تحلیل سری های زمانی Landsat 7/8 و تصاویر Sentinel-1A در پلت فرم محاسبات ابری موتور Google Earth. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ , ۱۳۱ , ۱۰۴–۱۲۰٫ [ Google Scholar ] [ CrossRef ]
وانگ، اف. یوان، XZ; Xie، XP تغییر دینامیکی الگوهای کاربری زمین/پوشش زمین و عوامل محرک حوضه دریاچه نانسیهو در استان شاندونگ، چین. محیط زیست علوم زمین ۲۰۲۱ ، ۸۰ ، ۱۸۰٫ [ Google Scholar ] [ CrossRef ]
ژانگ، پی. گنگ، WL; یانگ، دی. Li، YY; ژانگ، ی. Qin، MZ تکامل مکانی-زمانی استفاده از زمین و ارزش خدمات اکوسیستم در مناطق پایین‌تر منطقه رودخانه زرد. ترانس. چانه. Soc. کشاورزی مهندس ۲۰۲۰ ، ۳۶ ، ۲۷۷-۲۸۸٫ [ Google Scholar ] [ CrossRef ]
تاسی، ع. Gigante، D.; مودیکا، جی. دی مارتینو، ال. Vizzari، M. Pixel- در مقابل شیء مبتنی بر Landsat 8 طبقه بندی داده ها در موتور Google Earth با استفاده از جنگل تصادفی: مطالعه موردی پارک ملی Maiella. Remote Sens. ۲۰۲۱ , ۱۳ , ۲۲۹۹٫ [ Google Scholar ] [ CrossRef ]
بریمن، ال. جنگل های تصادفی. ماخ فرا گرفتن. ۲۰۰۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پل، آ. موکرجی، DP; داس، پ. گانگوپادهای، ع. چینتا، آر. Kundu، S. جنگل تصادفی بهبود یافته برای طبقه بندی. IEEE Trans. فرآیند تصویر ۲۰۱۸ ، ۲۷ ، ۴۰۱۲–۴۰۲۴٫ [ Google Scholar ] [ CrossRef ]
وو، کیو. ژونگ، Rf; ژائو، Wj; آهنگ، ک. طبقه‌بندی پوشش خشکی Du، Lm با استفاده از تصاویر GF-2 و داده‌های لایدار هوابرد بر اساس جنگل تصادفی. بین المللی J. Remote Sens. ۲۰۱۸ , ۴۰ , ۲۴۱۰–۲۴۲۶٫ [ Google Scholar ] [ CrossRef ]
بلژیک، م. Drăguţ، L. جنگل تصادفی در سنجش از دور: بررسی برنامه‌ها و جهت‌های آینده. ISPRS J. Photogramm. Remote Sens. ۲۰۱۶ ، ۱۱۴ ، ۲۴–۳۱٫ [ Google Scholar ] [ CrossRef ]
قربانیان، ع. زاغیان، س. آسیابی، RM; امانی، م. محمدزاده، ع. جمالی، اس. مانگرو نگاشت اکوسیستم با استفاده از تصاویر ماهواره ای Sentinel-1 و Sentinel-2 و الگوریتم جنگل تصادفی در موتور Google Earth. Remote Sens. ۲۰۲۱ , ۱۳ , ۲۵۶۵٫ [ Google Scholar ] [ CrossRef ]
لیو، سی تی. فنگ، QL؛ جین، دی جی; شی، تی جی; لیو، جی تی. Zhu، MS کاربرد جنگل تصادفی و Sentinel-1/2 در استخراج اطلاعات لایه‌های نفوذناپذیر در شهر Dongying. سنسور از راه دور Nat. منبع. ۲۰۲۱ ، ۳۳ ، ۲۵۳-۲۶۱٫ [ Google Scholar ]
ژانگ، دی. Zhang، L. تغییر پوشش زمین در منطقه مرکزی رودخانه یانگ تسه پایین بر اساس تصاویر Landsat و موتور Google Earth: مطالعه موردی در نانجینگ، چین. Sensors ۲۰۲۰ , ۲۰ , ۲۰۹۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یانگ، YP; یانگ، دی. وانگ، XF; ژانگ، ز. نواز، ز. آزمون دقت الگوریتم های طبقه بندی پوشش زمین در کوه های کیلیان بر اساس پلتفرم ابری GEE. Remote Sens. ۲۰۲۱ , ۱۳ , ۵۰۶۴٫ [ Google Scholar ] [ CrossRef ]
Phan، TN; کوچ، وی. Lehnert، LW طبقه‌بندی پوشش زمین با استفاده از موتور Google Earth و طبقه‌بندی تصادفی جنگل – نقش ترکیب تصویر. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۴۱۱٫ [ Google Scholar ] [ CrossRef ]
لیو، CL; لی، WL; زو، جی اف. ژو، هنگ کنگ؛ Yan، HP; Xue، PF کاربری زمین/تغییرات پوشش زمین و عوامل محرک آنها در فلات شمال شرقی تبت بر اساس آشکارسازهای جغرافیایی و موتور Google Earth: مطالعه موردی در استان گانان. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۱۳۹٫ [ Google Scholar ] [ CrossRef ]
گوا، ال. چهاتا، ن. مالت، سی. Boukir، S. ارتباط داده‌های تصویر چند طیفی و لیدار هوابرد برای طبقه‌بندی صحنه شهری با استفاده از جنگل‌های تصادفی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۱ ، ۶۶ ، ۵۶-۶۶٫ [ Google Scholar ] [ CrossRef ]
ژوانگ، دی اف. لیو، JY مطالعه مدل تمایز منطقه ای درجه کاربری زمین در چین. جی. نات. منبع. ۱۹۹۷ ، ۱۲ ، ۱۰۵-۱۱۱٫ [ Google Scholar ]
وو، LN؛ یانگ، ST; لیو، XY; لو، ی. ژو، ایکس. Zhao، HH تجزیه و تحلیل پاسخ تغییر کاربری زمین به درجه فعالیت های انسانی در حوضه رودخانه Beiluo از سال ۱۹۷۶٫ Acta Geogr. گناه ۲۰۱۴ ، ۶۹ ، ۵۴-۶۳٫ [ Google Scholar ] [ CrossRef ]
وانگ، جی اف. Hu, Y. تشخیص خطر سلامت محیطی با GeogDetector. محیط زیست مدل. نرم افزار ۲۰۱۲ ، ۳۳ ، ۱۱۴-۱۱۵٫ [ Google Scholar ] [ CrossRef ]
ژانگ، RT؛ ویژگی‌های فضایی-زمانی چند مقیاسی Lu، JF و عوامل مؤثر بر استفاده فشرده از زمین‌های کشت شده در کمربند اقتصادی رودخانه یانگ تسه. ترانس. چانه. Soc. کشاورزی مهندس ۲۰۱۹ ، ۳۵ ، ۲۷۱-۲۷۸٫ [ Google Scholar ] [ CrossRef ]
وانگ، هی. کین، اف. Xu, CD; لی، بی. Guo، LP; Wang, Z. ارزیابی تناسب زمین توسعه شهری با ژئودیتکتور. Ecol. اندیک. ۲۰۲۱ , ۱۲۳ , ۱۰۷۳۳۹٫ [ Google Scholar ] [ CrossRef ]
سو، ی. لی، TX; چنگ، SK; وانگ، X. کاوش توزیع فضایی و شناسایی عامل محرک برای شوری خاک بر اساس مدل‌های ژئودتکتور در منطقه ساحلی. Ecol. مهندس ۲۰۲۰ , ۱۵۶ , ۱۰۵۹۶۱٫ [ Google Scholar ] [ CrossRef ]
لیو، CL; لی، WL; وانگ، وای؛ ژو، هنگ کنگ؛ لیانگ، TG; هو، اف جی; خو، جی. Xue, PF تجزیه و تحلیل فضایی کمی پویایی پوشش گیاهی و عوامل محرک بالقوه در یک منطقه آلپی معمولی در فلات شمال شرقی تبت با استفاده از موتور Google Earth. Catena ۲۰۲۱ , ۲۰۶ , ۱۰۵۵۰۰٫ [ Google Scholar ] [ CrossRef ]
زو، ال جی. منگ، جی جی. Zhu، LK استفاده از ژئودتکتور برای تفکیک مشارکت عوامل طبیعی و انسانی در تغییرات NDVI در بخش میانی حوضه رودخانه هیهه. Ecol. اندیک. ۲۰۲۰ , ۱۱۷ , ۱۰۶۵۴۵٫ [ Google Scholar ] [ CrossRef ]
Xu، XL; لیو، جی. ژانگ، جنوب غربی؛ لی، RD; Yan، CZ; Wu، SX چین پایگاه داده تغییر کاربری و پوشش زمین (CNLUCC). منبع. محیط زیست علمی مرکز داده ۲۰۱۸ . [ Google Scholar ] [ CrossRef ]
گاشاو، تی. تولو، تی. آرگاو، م. ورقلول، AW; تولسا، تی. Kindu، M. برآورد اثرات تغییر کاربری/پوشش زمین بر ارزش‌های خدمات اکوسیستم: مورد حوضه آنداسا در حوضه نیل آبی بالایی اتیوپی. اکوسیستم. خدمت ۲۰۱۸ ، ۳۱ ، ۲۱۹-۲۲۸٫ [ Google Scholar ] [ CrossRef ]
هوشیکاوا، ک. Umezaki، M. اثرات حذف سایه ناشی از زمین با استفاده از مجموعه داده های جهانی DEM در طبقه بندی پوشش زمین. بین المللی J. Remote Sens. ۲۰۱۴ ، ۳۵ ، ۱۳۳۱-۱۳۵۵٫ [ Google Scholar ] [ CrossRef ]
سینگا، م. وو، بی اف؛ ژانگ، ام. طبقه‌بندی برنج شالیزاری مبتنی بر شی با استفاده از داده‌های چند طیفی و فنولوژی محصول در آسام، شمال شرقی هند. Remote Sens. ۲۰۱۶ ، ۸ ، ۴۷۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]

شکل ۱٫ موقعیت جغرافیایی و توپوگرافی منطقه مورد مطالعه.

شکل ۲٫ نقشه توزیع فضایی ضریب تاثیر. ( الف ) توزیع فضایی تراکم جمعیت. ( ب ) توزیع فضایی تولید ناخالص داخلی. ( ج ) توزیع مکانی میانگین دمای سالانه. ( د ) توزیع فضایی بارش. ( ه ) توزیع فضایی ارتفاع. ( f ) توزیع فضایی شیب. ( ز ) توزیع فضایی جنبه. ( ح ) توزیع فضایی نوع خاک.

شکل ۳٫ نمودار جریان این تحقیق.

شکل ۴٫ سه زیر مجموعه تصویر معمولی ( A – C ) با نتایج طبقه بندی آنها.

شکل ۵٫ نقشه توزیع فضایی LULC در منطقه مورد مطالعه از سال ۲۰۰۰ تا ۲۰۲۰، ( a ) ۲۰۰۰; ( ب ) ۲۰۱۰; ( ج ) ۲۰۲۰٫

شکل ۶٫ تغییرات مساحت هر نوع کاربری/پوشش زمین، ( الف ) فراملند، ( ب ) زمین جنگلی، ( ج ) علفزار، ( د ) بدنه آبی، ( ه ) زمین ساختمانی، ( f ) زمین بلااستفاده.

شکل ۷٫ نقشه انتقال انواع LULC در منطقه مورد مطالعه، ( الف ) نقشه انتقال انواع LULC از سال ۲۰۰۰ تا ۲۰۱۰، ( ب ) نقشه انتقال انواع LULC از سال ۲۰۱۰ تا ۲۰۲۰٫

شکل ۸٫ نقشه پراکنش مکانی شاخص درجه کاربری اراضی در منطقه مورد مطالعه از سال ۲۰۰۰ تا ۲۰۲۰٫ ( الف ) نقشه توزیع مکانی شاخص درجه کاربری اراضی در سال ۲۰۰۰; ب ) نقشه توزیع مکانی شاخص درجه کاربری اراضی در سال ۱۳۸۹٫ ج ) نقشه توزیع مکانی شاخص درجه کاربری اراضی در سال ۲۰۲۰٫

شکل ۹٫ نتایج تشخیص تعامل، ( a ) ۲۰۰۰، ( b ) ۲۰۱۰، ( c ) ۲۰۲۰٫

ونوس نصیرفام

15 ژانویه 2023

مقالات

کاربری زمین/تغییر پوشش زمین و عوامل محرک آن در حوضه رودخانه زرد استان شاندونگ بر اساس موتور Google Earth از سال ۲۰۰۰ تا ۲۰۲۰