فضاهای سبز یکی از عوامل کلیدی در معیشت مردم است. تعداد و اندازه آنها هم بر محیط زیست و هم بر کیفیت زندگی افراد از جمله سلامت آنها تأثیر بسزایی دارد. بر این اساس، سازمانهای دولتی اغلب در هنگام طراحی برنامههای مناسب و الزام مقررات لازم بر اطلاعات مربوط به مناطق فضای سبز تکیه میکنند. در حال حاضر، به دست آوردن اطلاعات در مورد مناطق فضای سبز با استفاده از بررسی های زمینی مرسوم با تعدادی محدودیت مواجه است. این رویکرد نه تنها مستلزم یک دوره طولانی است، بلکه به منابع انسانی و مالی عظیم نیز نیاز دارد. با توجه به چنین محدودیت هایی، وضعیت فضای سبز همیشه به روز نیست. اگرچه برنامه های نرم افزاری، به ویژه آنهایی که مبتنی بر سیستم های اطلاعات جغرافیایی و سنجش از دور هستند، به طور فزاینده ای برای این وظایف به کار گرفته شده اند. قابلیت استفاده از داده های جمع سپاری و تولید گزارش های بلادرنگ وجود ندارد. این تا حدی به این دلیل است که مقدار داده های مورد نیاز، تا به امروز، تأیید مؤثر توسط اپراتورهای انسانی را ممنوع کرده است. برای پرداختن به این موضوع، این مقاله یک پلت فرم جدید جغرافیایی برای مدیریت فضای سبز با استفاده از GIS و هوش مصنوعی پیشنهاد میکند. در سیستم پیشنهادی، تمام دادههای ارسال شده توسط کاربر بهطور خودکار با طبقهبندی یادگیری عمیق و تجزیه و تحلیل مناطق سبز در تصاویر ماهوارهای تأیید میشوند. نتایج تجربی نشان داد که طبقه بندی و تجزیه و تحلیل می تواند مناطق فضای سبز را به ترتیب با دقت ۹۳٫۵۰% و ۹۷٫۵۰% شناسایی کند. برای روشن شدن شایستگی رویکرد پیشنهادی، نرمافزار کاربردی مبتنی بر وب برای نشان دادن مدیریت دادههای چندوجهی، پاکسازی و گزارشدهی پیادهسازی شد.
کلید واژه ها:
سبزی ؛ ZFNet ; اطلاعات جغرافیایی داوطلبانه سیاست داده محور ; SDGs
۱٫ مقدمه
با توجه به پیشرفت های سریع در فناوری، و گسترش مخرب سایت های صنعتی و سازه های دست ساز، جامعه مدرن شاهد انتقال شگفت انگیز در استفاده از زمین، از فضاهای سبز طبیعی و سایر مناطق کشاورزی، مانند جنگل، باغبانی، و مزارع زراعی به انواع مختلف بوده است. اشکال ساختمان ها، به عنوان مثال، کارخانه ها، پاساژهای تجاری، و مسکونی [ ۱ ، ۲ ، ۳ ]. در واقع، مقررات برنامه ریزی شهری معمولاً اجرا می شوند که به طور خاص تعیین می کنند که چگونه زمین در یک منطقه ممکن است مورد استفاده قرار گیرد، عمدتاً برای کنترل و جلوگیری از پیامدهای نامطلوب. علاوه بر این، این مقررات اغلب به منطقه بندی مناطق مناسب می پردازد [ ۴ ، ۵ ، ۶]. یکی از مهمترین مقررات آنها تعیین حداقل اندازه و تعداد فضاهای سبزی است که در هر منطقه باید ارائه شود [ ۷ ، ۸ ، ۹ ]. به ویژه، از آنجایی که کارخانه ها یکی از منابع اولیه مشکلات زیست محیطی مختلف هستند، به عنوان مثال، آلودگی هوا، ذرات گرد و غبار، دود، و آلودگی بو [ ۱۰ ، ۱۱ ، ۱۲ ]، مقدار مشخصی از فضای سبز باید در مناطقی که در آن ها وجود دارد حفظ شود. کارخانه ها در موقعیت متراکم قرار دارند. این اشکال آلودگی می تواند به طور جدی برای سلامت انسان ها و حیوانات مجاور مضر باشد. به طور خاص، ذرات معلق (PM) 2.5 یکی از اشکال حیاتی آلودگی هوا است که به تدریج باعث ایجاد مشکلات مرتبط با سلامت در سراسر جهان شده است.۱۳ ، ۱۴ ، ۱۵ ]. در تایلند، چندین مطالعه محلی نشان داده است که بانکوک و چیانگ مای بیشتر تحت تأثیر PM 2.5 هستند [ ۱۶ ، ۱۷ ]. آنها همچنین دریافتند که آتشسوزیهای جنگلی، ساخت و ساز ساختمان، تولید برق، فعالیتهای صنعتی و حملونقل مهمترین نقش را در مشکل PM 2.5 بازی میکنند. از آنجایی که PM 2.5 یک خطر قریب الوقوع برای سلامت عمومی است، یک راه حل کوتاه مدت ترویج استفاده از ماسک در شهرهای آسیب دیده است. با این حال، تا به امروز، این تنها به طور موقت خطرات شخصی را کاهش داده است. با توجه به ادبیات اخیر در مورد حل مشکل PM 2.5، توافق شده است که افزایش فضای سبز، به ویژه در شهرها و مکانهای صنعتی، میتواند به بهترین شکل وضعیت را بهبود بخشد [ ۱۸ ،۱۹ ]. یافتههای تحقیقات نشان میدهد که افزایش فضای سبز در شهرها باعث تولید مقادیر قابل توجهی هوای تازه و رطوبت جوی میشود. علاوه بر این، درختان در این مناطق می توانند ذرات ریز مضر را جذب کنند. از این رو، هر چه اندازه مناطق فضای سبز بیشتر باشد، کاهش این ذرات بیشتر است [ ۲۰ ، ۲۱ ].
در عمل فعلی، گسترش یا کنترل مناطق فضای سبز در تایلند از طریق مقررات اجرا می شود. پس از صدور این مقررات، آژانس های مجاز، یعنی دفاتر استانی، دفاتر محیط زیست منطقه ای، و سازمان های اداری محلی، مسئول نظارت بر مناطق در صلاحیت خود هستند [ ۲۲ ، ۲۳ ]. به ویژه، آنها باید گزارش هایی را در مورد مناطق فضای سبز بر اساس بررسی های زمینی و دیجیتالی کردن نقشه از طریق نرم افزار Google Earth جمع آوری کنند [ ۲۴ ، ۲۵ ]]. با این حال، این روش دارای چندین کاستی است. اول، این روش به منابع انسانی و مالی زیادی برای دسترسی و اکتشاف کل مناطق نیاز دارد. این معمولاً منجر به دادههایی میشود که خیلی قدیمی هستند و نمیتوانند مقدار معقولی داشته باشند. علاوه بر این، در حال حاضر هیچ سیستم بایگانی استاندارد شده ای وجود ندارد که امکان همکاری آژانس های مختلف را فراهم کند. بنابراین امکان همگام سازی این اطلاعات، تولید گزارش های مرتبط و انتشار این گزارش ها در زمان واقعی وجود ندارد. برای پرداختن به این مسائل، تلاشهای زیادی در ادبیات برای شناسایی و پایش مناطق فضای سبز با ادغام فناوریهای ژئوانفورماتیک و سنجش از دور (RS) انجام شده است. برای این منظور، اخیراً انواع مختلفی از تصاویر ماهوارهای، تعدادی الگوریتم پردازش بصری رایانهای و حتی رویههایی با تکیه بر بازرسیهای دستی پیشنهاد شدهاند.
۲٫ بررسی ادبیات مرتبط
تحقیقات قابل توجهی در مورد توسعه سیستم های اطلاعات جغرافیایی (GIS) و بررسی کاربرد آنها در مدیریت فضای سبز انجام شده است. جدیدترین ادبیات در مورد این موضوع به طور کامل بررسی شده و در سه دسته اصلی دسته بندی شده است. اینها عبارتند از: شناسایی و پایش مناطق فضای سبز و تغییرات آنها با استفاده از تجزیه و تحلیل تصاویر ماهواره ای. تعیین مکان های مناسب برای توسعه فضاهای سبز. پیادهسازی پایگاههای اطلاعاتی فضای سبز و نرمافزارهای مربوطه. بینش های دقیق و بحث در مورد آخرین پیشرفت ها در زیر ارائه شده است.
برای بررسی از راه دور مناطق فضای سبز، طیف وسیعی از روش های تصویربرداری ماهواره ای به کار گرفته شده است، به عنوان مثال، Landsat [ ۲۶ ، ۲۷ ، ۲۸ ]، Sentinel-2 [ ۲۹ ، ۳۰ ، ۳۱ ، ۳۲ ، ۳۳ ، ۳۴ ]، و همجوشی چندوجهی بین SPOT و Sentinel-2 [ ۳۵ ]. در [ ۳۴]، قرار گرفتن در معرض فضای سبز در مقیاس ملی در ۳۰۳ شهر چین ارزیابی شد. نشان داده شد که سیاست تامین فضای سبز نقش مهمی در پوشش (یا نابرابری) فضای سبز ایفا می کند. به عنوان مثال، هنگام تجزیه و تحلیل تصاویر Landsat 8، شاخص گیاهی تفاوت عادی شده (NDVI) اغلب برای تمایز فضای سبز از مناطق شهری در منطقه مورد مطالعه پیشنهاد می شود [ ۲۶ ، ۲۷ ]]. اگرچه مشخص شده است که آنها قابل دوام هستند، این روش ها به دلیل قدرت تفکیک فضایی محدود لندست، قادر به ترسیم مناطق کوچکتر مانند املاک خصوصی و پارک های عمومی کوچک نیستند. علاوه بر این، آنها فاقد یک پلت فرم دیجیتالی قابل همکاری هستند که تجزیه و تحلیل و ارائه داده ها را در زمان واقعی ممکن می کند. یکی دیگر از روش های تصویربرداری که به ویژه برای این برنامه مورد توجه قرار گرفته است، Sentinel-2 است. چندین استراتژی یادگیری ماشین (ML) در تحلیلها اتخاذ شدهاند. به عنوان مثال، ماشین بردار پشتیبان (SVM) و الگوریتم شکارچیان دریایی (MPA) برای تمایز بین فضای سبز و فضای غیرسبز با دقت ۹۳ درصد به کار گرفته شده اند. مطالعه دیگری با رویکردی مشابه از طبقهبندی حداکثر احتمال (MLC) برای طبقهبندی کاربری و پوشش زمین (LULC) به چهار گروه، یعنی آب، پوشش درختی، استفاده میکند.۳۰ ]. از این گروه ها پوشش درختی و پوشش گیاهی غیرچوبی فضای سبز محسوب می شود. در آن مطالعه، مقایسه ای بین LULC طبقه بندی شده با دیجیتالی سازی ارائه شده است، اما ارزیابی دقت گزارش نشده است. علاوه بر NDVI، انواع دیگری از شاخص های تفاوت نرمال شده نیز در نظر گرفته شده است. به عنوان مثال، شاخص ایجاد تفاوت عادی شده (NDBI) قادر به تشخیص فضاهای سبز و غیرسبز [ ۳۳ ] بود. در مطالعه آنها، نسبت بین فضای سبز و غیر سبز بر روی نقشه نمایش داده می شود. با این حال، مانند کار قبلی، ارزیابیهای عددی دقت تشخیص گزارش نشده است. یک گروه تحقیقاتی دیگر تصاویر Sentinel-2 را تجزیه و تحلیل کرد و آنها را در چهار گروه LULC طبقه بندی کرد [ ۳۲ ]. برخلاف [ ۳۱]، این گروه ها آب، ساخته شده، پوشش گیاهی و خاک لخت هستند و تنها پوشش گیاهی فضای سبز محسوب می شود. ویژگی قابل توجه این مطالعه ادغام داده ها بین روش های مختلف تصویربرداری است. به طور خاص، نتایج بهدستآمده از تجزیه و تحلیل تصویر Sentinel-2 با نتایج حاصل از تجزیه و تحلیل شاخص نمای سبز (GVI) تصاویر نمای خیابان مرتبط شد. با استفاده از این رویکرد، دقت تشخیص فضای سبز تا حد زیادی بهبود یافت. با این حال، همبستگی بین این روشها به نقشهبرداری دستی وابسته است، زیرا یک پلت فرم اختصاصی برای مدیریت دادهها پیادهسازی نشده است. علاوه بر این، گزارش های حاصل را نمی توان برای معیارهای خاص یا در زمان واقعی پرس و جو کرد.
تحقیقات بیشتر تکنیکی را برای تشخیص LULC برای نظارت بر گسترش منطقه شهری و کاهش مناطق فضای سبز ایجاد کرد [ ۳۵ ]. با این تکنیک، تصاویر ماهواره ای به دست آمده توسط SPOT و Sentinel-2 مورد تجزیه و تحلیل قرار گرفت. در آزمایشات آنها، دقت طبقه بندی LULC تا ۹۰٪ بود. با این حال، این تکنیک توسط وضوح فضایی نسبتاً کم مدالیته، یعنی تنها در ۱۰-۲۰ متر، مانع شد. علاوه بر این، مناطق فضای سبز در مکان های خاص، به ویژه مناطقی که مالکیت خصوصی دارند، قابل تأیید نیستند. پلت فرم آنها همچنین قادر به ذخیره و تجسم داده ها در زمان واقعی نبود.
موضوع مربوط به استفاده از روش های تحلیلی برای تعیین مناطق مناسب برای توسعه فضای سبز در ادبیات مورد بررسی قرار گرفته است. این روش ها بر مناطقی متمرکز بودند که امکان دسترسی عمومی به فضاهای سبز را فراهم می کرد. یک کار قابل توجه [ ۳۶ ] که این رویکرد را اتخاذ کرد، GIS را با پردازش سلسله مراتبی تحلیلی (AHP) ادغام کرد تا وزن بهینه برای هر عامل کمک کننده را تعیین کند. وزن های در نظر گرفته شده عبارتند از LULC، فاصله از جاده، فاصله از مکان تاریخی، فاصله از پارک، فاصله از رودخانه، شیب و نوع خاک و تراکم جمعیت. ترکیب وزنی حاصل، یک منطقه را به چهار سطح مناسب برای توسعه طبقهبندی کرد، یعنی از مناسبترین تا کممناسبتر. کار مهم دیگری در این زمینه [ ۳۷] از GIS برای تحلیل رابطه بین فاصله ساکنان از مناطق فضای سبز و کیفیت زندگی آنها استفاده کرد. این یافته ها برای مدیریت و برنامه ریزی مناطق فضای سبز فردی مفید هستند.
مشابه این تحقیق، یک سیستم مدیریت پایگاه داده برای مناطق فضای سبز قبلا توسعه یافته است [ ۳۸ ، ۳۹]. در آن کار، یک بسته نرم افزاری GIS برای دیجیتالی کردن مناطق از تصاویر ماهواره ای با وضوح بالا استفاده شد. دقت دیجیتالی شدن با استفاده از دستگاههای GPS برای انجام بررسیهای زمینی در مکانهای هدف ارزیابی و تأیید شد. اگرچه دقت گزارش شده تا ۹۵% بود، این مطالعه توسط عوامل متعددی تضعیف شد. اولاً، به خوبی پذیرفته شده است که دیجیتالی کردن دستی مستعد خطا است و خسته کننده و وقت گیر است. از آنجایی که این پلتفرم به عموم یا سایر کاربران اجازه مشارکت در این کار را نمی داد، به روز رسانی وضعیت فضاهای سبز جامع، بار کاری منظم و فوق العاده و سطح پاسخگویی را بر آژانس مسئول تحمیل کرد. علاوه بر این، داده ها نمی توانند در زمان واقعی برای افراد علاقه مند منتشر شوند. بنابراین، هرگونه برنامه ریزی یا تصمیمی که بر اساس ارائه فعلی گرفته شده است،
برای کاهش مشکلات و محدودیتهای موجود، این مقاله یک سیستم جغرافیایی جدید برای مدیریت مناطق فضای سبز، بر اساس فناوریهای GIS و DL پیشنهاد میکند. هدف اصلی این سیستم نظارت و کنترل تغییرات در بهره برداری از زمین بود که می تواند اثرات زیست محیطی داشته باشد. بنابراین، هدف از این مطالعه ایجاد یک پلت فرم جغرافیایی برای مدیریت فضای سبز است که علاقهمندان را قادر میسازد در تبادل اطلاعات مربوطه شرکت کنند. تاکید بر قابلیت اطمینان داده های عمومی، ادغام یکپارچه آنها با گزارش های رسمی، و پوشش آنها، به طوری که به طور واقعی از تصمیم گیری و برنامه ریزی مدیریتی پشتیبانی می شود، قرار گرفت. سیستم توسعه یافته مستقل است و عملکردهای اساسی را پوشش می دهد، به عنوان مثال، احراز هویت امن، مدیریت کاربر مبتنی بر نقش، ابزارهای رابط گرافیکی برای دیجیتالی کردن منطقه، و نقشه های افزوده شده برای گزارش ها و تجسم در زمان واقعی. علاوه بر این، از آنجایی که این سیستم به دادههای crowdsource متکی است، بنابراین برای حفظ یکپارچگی دادهها، غربالگری و تأیید داده مبتنی بر هوش مصنوعی (AI) را ارائه میکند. به طور خاص، سهم اصلی ما اتخاذ یک معماری یادگیری عمیق اخیر و در عین حال کاملاً توسعهیافته برای پیشنمایش فضاهای سبز ارسالشده توسط کاربر، بر اساس عکس آنها، برای حذف هرگونه ارسال اشتباه یا نامربوط بود. علاوه بر این، قبل از اینکه این ارسالها در پایگاههای اطلاعاتی متعهد شوند، مناطق تحت بررسی خودکار اضافی از طریق تجزیه و تحلیل تصاویر ماهوارهای و دادههای LULC قرار میگیرند. تاکید بر رهایی مدیر از بازرسی حجم زیادی از داده ها، تسریع مدیریت داده ها،
۳٫ مواد و روشها
نمودار مفهومی پلت فرم مدیریت مناطق فضای سبز پیشنهادی در شکل ۱ نشان داده شده است. ماژول اول امکان ارسال داده های فضای سبز توسط کاربران خود را با استفاده از دیجیتالی کردن نقشه فراهم می کرد. سپس ویژگی های فضای سبز مرتبط و عکس گرفته شده در این منطقه در سیستم آپلود شد. پیش غربالگری اولیه از طریق طبقه بندی خودکار این عکس ها با استفاده از الگوریتم یادگیری عمیق انجام شد. اگر مشخص شد که عکس حاوی هیچ منطقه فضای سبز نیست، ارسال رد میشود و کاربران میتوانند عکس دیگری را که دارای فضای سبز بود ارسال کنند. سپس ارسال موفق با موقعیت جغرافیایی به سیستم اضافه شد. متعاقباً، ماژول دوم این رکورد را بار دیگر با ادغام تصویر ماهوارهای لندست ۸ در موقعیت جغرافیایی همزمان با منطقه دیجیتالی کاربر تأیید کرد. اگر مقدار سبزی در داخل منطقه کمتر از یک معیار مشخص نبود، به عنوان منطقه فضای سبز تأیید شد و سپس در پایگاه داده ذخیره شد. در غیر این صورت، توسط مدیر سیستم در برابر داده های LULC تأیید می شود. ماژول سوم شامل مدیریت و تجسم داده های پشتیبان بود. این ویژگی گزارش و تجسم مکانی بصری است. توضیحات و تجزیه و تحلیل دقیق این ماژول ها در زیر بخش های زیر ارائه شده است.
۳٫۱٫ جمع آوری و آماده سازی داده ها
در آزمایشها و توسعه سکوی زمینفضایی در این مطالعه، از دادههای مناطق فضای سبز، متشکل از دادههای مکانی و ویژگیها استفاده شده است. اینها شامل دادههای ارسال شده توسط کاربران، بهدستآمده از تصاویر ماهوارهای Landsat 8، ارائهشده توسط کاتالوگ دادههای Google Earth Engine و بررسیهای رسمی زمینی بود. توضیحات مفصل آنها در جدول ۱ آمده است. برای روشن شدن محاسن سیستم، سوره ثانی به عنوان منطقه مورد مطالعه انتخاب شد. این به این دلیل است که شهر میزبان تعدادی سایت صنعتی است که در آن ساختمانهای کارخانه و کارخانههای تولیدی واقع شدهاند. از این رو، این منطقه نیازمند به روزترین داده های مناطق فضای سبز برای استخراج طرح مدیریتی مطابق با مشخصات دولتی است.
۳٫۲٫ طبقه بندی تصاویر فضای سبز
برای اطمینان از اعتبار دادههای مکانی، این تحقیق تکنیک یادگیری عمیق را برای بازرسی تصاویر بارگذاری شده توسط کاربر و تعیین اینکه آیا آنها مربوط به مناطق فضای سبز هستند، اتخاذ کرد. در واقع، مطالعات بسیار کمی در ادبیات وجود دارد که به طور مشابه یک پیش غربالگری اولیه را در کاربردهای مختلف انجام داده اند، به عنوان مثال، شناسایی مناطق کشت نخل روغنی [ ۴۰ ]، سیل [ ۴۱ ] و راستی آزمایی حوادث آتش سوزی [ ۴۲ ]، در تنظیمات فعلی، مدل یادگیری عمیق ZFNet [ ۴۳ ]، همانطور که در شکل ۲ نشان داده شده است.، استخدام شده. این مدل با ۱۰۰۰ تصویر از فضای سبز و فضای غیر سبز، که از شاخص های تصویر گوگل به دست آمده بود، آموزش داده شد. هر تصویر از ۲۲۴ × ۲۲۴ پیکسل تشکیل شده است تا با لایه ورودی ZFNet مطابقت داشته باشد. تعداد کلاس های هدف ( num_classes , C ) روی ۲ قرار گرفت یعنی فضای سبز و فضای غیر سبز. برچسبهای آنها توسط شاخصهای جستجوی تصویر گوگل برچسبگذاری شدند. برای کنترل نحوه تنظیم وزن شبکه عصبی، نرخ یادگیری (نرخ_آموزش) و شتاب ( ممکن) به ترتیب روی ۰٫۰۱ و ۰٫۹ تنظیم شد. این مدل در ۱۰۰ تکرار ( دوره). مدل حاصل با استفاده از اعتبارسنجی متقاطع ۱۰ برابری تایید شد و در برابر تصاویر در هر دو گروه آزمایش شد. هر کدام شامل ۱۰۰ نمونه مختلف بود. سپس ارزیابی دقت مدل یادگیری عمیق با مقایسه طبقه بندی آن با حاشیه نویسی بصری انجام شد. اگر عکس در واقع فضای سبز بود، یک تصویر بارگذاری شده و موقعیت جغرافیایی واقعی آن در پایگاه داده پذیرفته شد.
شایان ذکر است که دقت طبقه بندی کمتر از ۱۰۰ درصد در عمل ناکافی است. بنابراین، پس از پیش غربالگری، هر تصویر فضای سبز تحت بررسی ۲ مرحلهای اضافی قرار گرفت، یعنی با تجزیه و تحلیل سبزی مبتنی بر تصویر و/یا بازرسی دستی، همانطور که در بخشهای فرعی زیر توضیح داده شد.
مزیت هوش مصنوعی این بود که اپراتور را از غربالگری اولیه در برابر ارسال های نامعتبر رها می کرد. در واقع می توان یک مدل برجسته DL را با دقت های متفاوت به عنوان جایگزین انتخاب کرد. با این حال، هر گونه طبقه بندی نادرست در طی بررسی های بعدی اصلاح می شود. بنابراین، ارزیابی عملکرد آنها از محدوده این مقاله خارج می شود.
۳٫۳٫ تجزیه و تحلیل و تأیید سبزی
برای ارسال بارگذاری شده، از موقعیت جغرافیایی آن برای پرس و جو از تصاویر Landsat 8 مربوطه استفاده شد. سپس، سیستم پیشنهادی آمار NDVI خود را در منطقه دیجیتالی کاربر مربوطه، در یک بازه زمانی خاص محاسبه کرد. مقادیری که نشان دهنده نسبت سبزی منطقه بود بین ۰ و ۱ نرمال شد. به عنوان اولین مرحله تأیید، اگر دادههای ارسال شده توسط کاربر با نسبت سبزی متناظر با تجزیه و تحلیل NDVI همبستگی خوبی داشته باشند، سیستم به طور خودکار وضعیت آن ورودی را به یک منطقه فضای سبز بهروزرسانی میکند، در غیر این صورت، وضعیت آن بدون تغییر باقی میماند. بهروزرسانی ایجاد شده در این مرحله، همانطور که در زیر بخش زیر توضیح داده شده است، توسط مدیریت سیستم بیشتر تأیید میشود.
۳٫۴٫ تأیید منطقه فضای سبز توسط مدیر
این مرحله از تأیید برای حفظ یکپارچگی داده ها مورد نیاز بود، به ویژه در موردی که منطقه فضای سبز ارسال شده توسط کاربر با نتایج سبز بودن پس از تجزیه و تحلیل تصویر ماهواره ای در مکان همزمان ارتباط نداشت. این می تواند ناشی از طبقه بندی نادرست، به روز نبودن داده های ماهواره ای، یا به سادگی، سوء استفاده از سیستم باشد. برای تأیید اینکه دادههای ارسالی واقعاً مربوط به مناطق فضای سبز است، سیستم پیشنهادی دادههای کاربری فعلی و پوشش زمین را به مدیر ارائه کرد که میتوانستند با آن مقایسه کنند و بر این اساس ارسال را تأیید کنند. از طرف دیگر، در غیاب چنین دادههایی، میتوان به جای آن، گزارش اعزامی یا نظرسنجی در محل در نظر گرفت.
۳٫۵٫ تجزیه و تحلیل و طراحی سیستم
با سیستم پیشنهادی، کاربران بر اساس نقش خود به سه گروه کاربر عمومی، افسر و مدیر دسته بندی شدند. پس از تجزیه و تحلیل سناریو، نمودار مورد استفاده مربوطه مشتق شده و در شکل ۳ نشان داده شده است.
در مرحله اول، یک کاربر عمومی می تواند بدون نیاز به ورود به سیستم، یک پرس و جو فضایی در مورد مناطق فضای سبز انجام دهد. با این حال، اگر آنها نیاز به اصلاح (به عنوان مثال، اضافه کردن، ویرایش، و حذف) داده های ارسالی قبلی خود داشته باشند، احراز هویت مورد نیاز است. در این حالت، داده های ذخیره شده توسط سایر کاربران عمومی تحت تأثیر قرار نمی گیرند. یک افسر مجموعه ای از نقش های مشابه را به عنوان یک کاربر عمومی حفظ می کند و توانایی ایجاد گزارش در مورد مناطق فضای سبز را دارد. با داشتن بالاترین امتیاز، یک مدیر می تواند تمام عملکردهای موجود را برای یک کاربر عمومی و یک افسر انجام دهد. علاوه بر این، آنها می توانند وضعیت مناطق فضای سبز پیشنهادی هر یک از گروه های دیگر را تأیید و تأیید کنند. برای این منظور، دادههای کاربری و پوشش زمین، با یا بدون بررسی در محل، برای اطمینان از اعتبار دادههای (ارائه شده توسط کاربر) در نظر گرفته میشوند و بنابراین،
سپس سیستم جغرافیایی با استفاده از ابزارهای کامپیوتری مختلف و زبان به شرح زیر پیاده سازی شد. تمام دادههای مرتبط، از جمله دادههای مکانی، در پایگاههای داده PostgreSQL و PostGIS کوپل شده ذخیره و مدیریت شدند. این برنامه مبتنی بر وب بود و به زبان پایتون با چارچوبهای Node.js، Leaflet و JavaScript و کتابخانه TensorFlow نوشته شد.
۴٫ نتایج
این بخش نتایج تجربی را ارائه میکند و شایستگیهای سیستم پیشنهادی را نشان میدهد. به سه بخش تقسیم می شود که عبارتند از طبقه بندی مناطق فضای سبز با استفاده از یادگیری عمیق، پلت فرم جغرافیایی برای مدیریت فضای سبز و تجزیه و تحلیل فضای سبز فضای سبز.
به عنوان غربالگری اولیه، یک تصویر بارگذاری شده توسط کاربر ابتدا در هر یک از دو کلاس، یعنی فضای سبز یا فضای غیر سبز طبقه بندی شد. نمونه های طبقه بندی انتخاب شده در شکل ۴ و شکل ۵ نشان داده شده است. در اولی، مناطق مختلف فضای سبز در صحنه حضور دارند، مانند پارک عمومی، زمین کشاورزی و بیلی، در حالی که در دومی، یک سایت ساخت و ساز دست ساز، خانه، ساختمان و محیط فرودگاه وجود دارد. برای تایید این طبقه بندی، نتایج با داده های بررسی میدانی مقایسه شد. ارزیابی دقت در جدول ۲ گزارش شده است. مشخص شد که دقت کلی ۹۳٫۵۰٪ (۹۲٫۵۰٪) با ۰٫۸۷ (۰٫۸۵) کاپا بود. در مورد کلاسهای فردی، دقت (دقت کاربر) طبقهبندی مناطق غیرسبز ۹۴٫۸۶% (۹۳٫۸۱%)، بالاتر از کلاس دیگر، ۹۲٫۲۳% (۹۱٫۲۶) بود. با این حال، فراخوان ها (دقت تولید کننده) با مقادیر ۹۲٫۰۰% (۹۱٫۰۰%) و ۹۵٫۰۰% (۹۴٫۰۰%) بر خلاف این نتیجه بودند. اعداد قبل و داخل پرانتز به ترتیب نتایج حاصل از مجموعه داده های دیده شده (۱۰۰۰ تصویر) و دیده نشده (۱۰۰ تصویر) را نشان می دهد. از این نتایج مشهود است که طبقه بندی یادگیری عمیق وسیله ای مؤثر برای پیش نمایش تصاویر ارسال شده توسط کاربر بود. از این رو، توانست مدیر سیستم را از حذف حجم زیادی از داده های نامربوط رهایی بخشد.
تجزیه و تحلیل با استفاده از یک ماتریس سردرگمی از برچسب گذاری دو کلاس در شکل ۶ ارائه شده است. غربالگری اولیه DL بر روی ۱۰۰۰ تصویر گرفته شده از مجموعه آموزشی آزمایش شد. این شامل تصاویری از مناطق سبز (۵۰۰) و غیر سبز (۵۰۰) بود. طبقه مثبت به عنوان مناطق فضای سبز انتخاب می شود. شکل ۶a تعداد نمونههای طبقهبندی صحیح را به ترتیب برای فضاهای سبز و غیرسبز به ترتیب ۴۷۵ (۴۷٫۵۰٪ مثبت واقعی، TP) و ۴۶۰ (۴۶٫۰۰٪ منفی واقعی، TN) نشان میدهد. تعداد تصاویری که به اشتباه طبقه بندی شده بودند ۲۵ (۲٫۵۰٪ منفی کاذب، FN) و ۴۰ (۴٫۰۰٪ مثبت کاذب، FP) بودند، که می توان آنها را به عنوان کلاس های مخالف پیش بینی کرد. به همین ترتیب، همان شبکه روی ۲۰۰ تصویر از مجموعه داده (دیده نشده) نیز آزمایش شد. این شامل ۱۰۰ تصویر در هر کلاس بود. شکل ۶ ب تعداد نمونه های طبقه بندی شده را به ترتیب ۹۴ (۴۷٫۰۰٪ TP) و ۹۱ (۴۵٫۵۰٪ TN) برای فضاهای سبز و غیر سبز نشان می دهد. مواردی که به اشتباه طبقه بندی شده بودند ۶ (۳٫۰۰٪ FN) و ۹ (۴٫۵۰٪ FP) نمونه بودند که به دلیل مخالف بودن کلاس ها قابل پیش بینی بودند.
برای نشان دادن شایستگی های پلت فرم جغرافیایی برای مدیریت مناطق فضای سبز، تعدادی از ماژول های عملی در زیر ارزیابی و مورد بحث قرار می گیرند. ابتدا یک کاربر با ارائه نام ورود و رمز عبور خود به سیستم وارد می شود. پس از احراز هویت معتبر، کاربر با نقشی مرتبط می شود که قبلاً در حساب خود ثبت شده است، همانطور که در شکل ۳ توضیح داده شده است. علاوه بر این، تمام دادهها، بهروزرسانیها و تأییدیههایی که قبلاً ارسال شدهاند، بهصورت منحصربهفرد برای شناسایی آنها نمایه میشوند. با این حال، یک غیرعضو (یا یک کاربر عمومی) هیچ حساب کاربری ثبت شده ای ندارد. بنابراین، آنها فقط می توانند پرس و جو کنند و مناطق فضای سبز ذخیره شده را تجسم کنند، اما قادر به مدیریت یا ایجاد تغییر در این داده ها نیستند.
پس از ورود به سیستم، کاربر به صفحه وب اصلی خود هدایت می شود، که از آن چهار عملکرد اصلی ارائه شده است، همانطور که در شکل ۷ نشان داده شده است.. این توابع عبارتند از دستکاری داده ها، تجسم، تأیید و تولید گزارش. با این حال، حقوق دسترسی به این عملکردها بر اساس سیاست مبتنی بر نقش اعطا می شود. با دستکاری داده ها، داده های مکانی و داده های ویژگی را می توان مدیریت کرد. یک منطقه فضای سبز را می توان با استفاده از ابزار ترسیم ارائه شده (سمت چپ) روی نقشه دیجیتالی کرد. سپس منطقه ترسیم شده را می توان با داده های ویژگی مرتبط کرد، به عنوان مثال، انواع فضای سبز، مساحت کل، مساحت فضای سبز، موقعیت جغرافیایی (طول و عرض جغرافیایی) و عکسی از محیط اطراف گرفته شده در محل. پس از ارسال، عکس توسط ماژول یادگیری عمیق فوق تجزیه و تحلیل می شود. مگر اینکه به عنوان (شامل) یک منطقه فضای سبز طبقه بندی شود، کاربر با یک پیام هشدار هشدار می دهد و باید عکس جدیدی ارسال کند. پس از تکمیل، تمام داده های ارسالی در پایگاه داده ذخیره شده و بر روی صفحه نمایش داده می شود. علاوه بر این، اگر منطقه به عنوان یک منطقه فضای سبز حاشیه نویسی شود، مکان جغرافیایی آن متعاقبا برای ایجاد یک پرس و جو فضایی در تصویر Landsat 8 مربوطه استفاده می شود، که توسط آن سبز بودن منطقه منطبق تجزیه و تحلیل می شود. اگر مقدار سبزی آن کمتر از ۰٫۵۰ نباشد، هنگام فراخوانی تجسم، منطقه فضای سبز با موفقیت تأیید و بر اساس آن ارائه می شود. در غیر این صورت، توسط مدیر سیستم به عنوان تأیید دستی در حال انتظار تنظیم می شود. هنگام فراخوانی تجسم، منطقه فضای سبز با موفقیت تأیید و بر اساس آن ارائه می شود. در غیر این صورت، توسط مدیر سیستم به عنوان تأیید دستی در حال انتظار تنظیم می شود. هنگام فراخوانی تجسم، منطقه فضای سبز با موفقیت تأیید و بر اساس آن ارائه می شود. در غیر این صورت، توسط مدیر سیستم به عنوان تأیید دستی در حال انتظار تنظیم می شود.
فرآیندهای تأیید داده ها در شکل ۸ و شکل ۹ نشان داده شده است. دو نمونه انتخاب شده از طبقه بندی اولیه با یادگیری عمیق در شکل ۸ a,b نشان داده شده است. عکس اول از منطقه ای است که دارای فضای سبز است، در حالی که دومی مربوط به منطقه ای است که فضای سبز ندارد. شکل ۹ a یک فضای سبز را نشان می دهد که به صورت دستی دیجیتالی شده و سپس بر روی یک نمای تصویر ماهواره ای ترکیبی گوگل قرار داده شده است. شکل ۹ b همان ناحیه را با رنگ های کاذب بر اساس مقادیر سبزی نشان می دهد. بدیهی است که این منطقه در واقع از نوع فضای سبز است زیرا مقدار سبزی آن کمتر از ۰٫۵۰ (۰٫۷۴۵) نیست. علاوه بر این، همانطور که در شکل ۹ نشان داده شده است، با داده های LULC همپوشانی شده استج، منطقه با «درختان» منطبق است، و از این رو، به عنوان یک فضای سبز تأیید شده است. تأیید مشابهی نیز در شکل ۹ d-f نشان داده شده است، با این تفاوت که نمونه از یک فضای غیر سبز است. قابل توجه است که نه تنها مقدار سبزی منطقه دیجیتالی شده کمتر از ۰٫۵۰ (۰٫۱۳۰) است، همانطور که در شکل ۹ d,e نشان داده شده است، بلکه نقشه LULC همچنین نشان می دهد که در واقع یک منطقه ساخته شده (شهری) است، همانطور که در شکل نشان داده شده است. ۹ f. بنابراین، در حالی که نمونه ارسال شده در شکل ۹ a-c به دلیل مقدار سبزی بالای آن به طور خودکار تأیید شد، در شکل ۹ d-f هنوز نیاز به بازرسی بیشتر توسط مدیر سیستم است، که سپس می تواند این نمونه را رد کند یا به دلیل آن حاشیه نویسی کند. اطلاعات متناقض آن در مقایسه با داده های LULC.
در نهایت، ماژول تولید گزارش، دادههای معنیدار را به شکلهای مختلف، مانند جداول، نمودارها و همپوشانیها بر روی یک نقشه تکمیلشده، خلاصه و صادر میکند. این شامل، برای مثال، اطلاعات مربوط به مناطق فضای سبز متعلق به افراد یا در یک سایت خاص است.
شکل ۱۰ یک گزارش جدولی را نشان می دهد که تمام مناطق فضای سبز را در یک سایت صنعتی انتخاب شده فهرست می کند. هر منطقه را با یک شناسه، نام، نوع و اندازه منحصر به فرد توصیف می کند. ردیفهایی که با پسزمینه سبز ارائه شدهاند، مناطقی هستند که معیارها را برآورده میکنند یا اندازههای آنها مطابق با مقررات است، در حالی که سایر ردیفهایی که با رنگ قرمز ارائه شدهاند، آنهایی هستند که این معیارها را ندارند. مشخص شد که این ارائه یک مقام رسمی را قادر میسازد تا فوراً تعیین کند که آیا یک منطقه یا یک منطقه صنعتی هنوز مطابقت ندارد.
گزارشهای گرافیکی را میتوان روی نقشه قرار داد یا روی داشبورد در کنار یکی ترسیم کرد. به عنوان مثال، شکل ۱۱ نمودار دایره ای (a) یا نمودار عددی (b) را در یک منطقه دیجیتالی نشان می دهد، که نسبت بین فضای سبز و فضای غیر سبز آن را به ترتیب در رنگ های سبز و قرمز نشان می دهد. دومی در متر مربع (متر مربع) بیان می شود. از طرف دیگر، یک نقشه پیشرفته با فضاهای سبز ارائه شده با رنگهای کاذب مشابه میتواند توسط سازمانهای مجاز برای اهداف مختلف، مانند برنامهریزی شهری، تهیه گزارشهای ارزیابی اثرات زیستمحیطی (EIA) و ابداع اهداف توسعه پایدار (SDG) تجسم و استفاده شود.
جدای از مدیریت گسترده فضای سبز و گزارش، سیستم جغرافیایی پیشنهادی همچنین اجازه می دهد تا یک توسعه شامل داده های کیفیت هوا باشد. برای این منظور، شاخص کیفیت هوا (AQI) می تواند وارد و پایش شود تا آلودگی هوا در مناطق انتخاب شده ارزیابی شود. نقشه در شکل ۱۲منطقه ای است که داده های LULC آن از نوع شهری بوده است. AQI آن، به عنوان داشبورد اندازه گیری در کنار نقشه، در سطح متوسط ۶۵٫۰ (زرد) نشان داده شده است. در این سطح AQI، افراد معمولاً می توانند فعالیت های خود را در هوای آزاد ادامه دهند. با این حال، در سطوح بالای ۱۰۰، سلامت آنها می تواند به طور مضری تحت تأثیر قرار گیرد، در حالی که برای افراد بالای ۲۰۰، اجتناب از چنین فعالیت هایی به دلیل آلودگی شدید هوا اکیداً توصیه می شود. بنابراین، اعتقاد بر این است که ادغام این دادهها با دادههای فضای سبز نه تنها میتواند به نفع نظارت و برنامهریزی عمومی باشد، بلکه از ابداع یک برنامه شهری مناسب و همچنین اقدامات پیشگیرانه و کاهشی در برابر آلودگیهای هوا در آینده به دلیل عدم وجود آن حمایت میکند. از یک طرح
بدیهی است که تحلیل سبزی روی تصاویر Landsat 8 و دادههای LULC نقش مهمی در تأیید دو مرحلهای ارسالهای فضای سبز بازی میکند. اگر این نمی تواند ارسال را تأیید کند، بازرسی دستی ضروری است. مقدار عدم قطعیتی که در این مرحله رخ می دهد بسته به قطعیت مقادیر سبز بودن می تواند متفاوت باشد. بنابراین، برای ارزیابی دقت آنها، هم مقادیر سبزی و هم دادههای LULC با دادههای رسمی بررسی میدانی (حقیقت زمین) مقایسه میشوند. برای این منظور، ۱۰۰۰ نقطه داده، همانطور که در شکل ۱۳ نشان داده شده است ، ارزیابی شدند. بر روی نقشه پین های آبی و قرمز نشان داده شده است که به ترتیب نقاط طبقه بندی شده را به درستی و نادرست با استفاده از تجزیه و تحلیل سبزی نشان می دهد. جدول ۳معیارهای دقیق دقیق را فهرست می کند که با روش های تحلیل سبزی (بالا) و LULC (پایین) به دست آمده است. برای تجزیه و تحلیل سبزی، دقت کلی ۹۷٫۵۰٪ با ۰٫۹۴ کاپا بود. می توان اشاره کرد که دقت کلاس فضای سبز بیشتر از کلاس فضای سبز غیر سبز بوده است. مشاهدات مشابهی را می توان بر روی نتایج حاصل از داده های LULC انجام داد. دقت کلی آن ۹۶٫۱۰٪ با ۰٫۹۱ کاپا بود که کمی کمتر از همتای خود بود. با این حال، مانند تجزیه و تحلیل سبزی، LULC می تواند مناطق فضای سبز را با دقت بیشتری نسبت به مناطق غیر فضای سبز تأیید کند.
تجزیه و تحلیل راستیآزمایی فضای سبز با تجزیه و تحلیل مقدار سبزی روی یک تصویر ماهوارهای Landsat 8 در شکل ۱۴ الف نشان داده شده است، در حالی که استفاده از دادههای LULC در شکل ۱۴ ب نشان داده شده است. از ۱۰۰۰ مکان، ۷۰۲ مکان فضای سبز بودند، در حالی که ۲۹۸ مکان دیگر نبودند. از این ارقام مشخص است که آنالیز سبز بودن بهتر از همتای LULC خود عمل کرده است. تجزیه و تحلیل سبزی TP (69.00٪ در مقابل ۶۸٫۴۰٪) و TN (28.50٪ در مقابل ۲۷٫۷۰٪) و البته FP پایین تر (۱٫۲۰٪ در مقابل ۱٫۳۰٪) و FN (1.80٪ و ۲٫۱۰٪) کمی بالاتر را نشان داد. .
از آنجایی که هر دو روش بسیار دقیق بودند، میتوان نتیجه گرفت که میتوان از آنها به همان اندازه برای تأیید خودکار ارسالهای کاربر استفاده کرد. تأیید دستی بعدی فقط در چند مورد باقی مانده مورد نیاز بود. علاوه بر این، از آنجایی که مقادیر سبز بودن از تصاویر Landsat 8 محاسبه شده بود، به طور منظم تجدید می شدند. با این حال، این بستگی به دوره های بدست آوردن ماهواره دارد. برخلاف طرح پیشنهادی، دادههای نظرسنجی مرسوم با دفعات کمتری بهروزرسانی میشدند، گاهی اوقات هر ۳ سال یک بار. بنابراین، سیستم جغرافیایی پیشنهادی مطمئنترین و بهروزترین مراجع را برای تأیید فضای سبز برای هر دوره ارسال معین تضمین میکند.
همچنین شایان ذکر است که داده های تصویربرداری درگیر در آنالیزهای سبزی شامل اندازه گیری های عکاسی ( بخش ۳٫۲ ) و ماهواره ( بخش ۳٫۳ ) بود. علاوه بر این، آنها در سیستم های مختصات مختلف، یعنی دنیای واقعی و جغرافیایی به دست آمدند. در مطالعه حاضر، این داده ها تنها می توانند با برچسب گذاری DL ( بخش ۳٫۱ ) یا تفسیر بصری ( بخش ۳٫۴ ) ترکیب شوند.) بر اساس موقعیت جغرافیایی آنها. بنابراین، آزمایش دیگری برای ارزیابی همبستگی بین ارزش سبزی مبتنی بر لندست ۸ و عکاسی انجام شد. در مجموع ۸۰ مکان از فضاهای سبز و غیر سبز در مناطق Phunphin و Muang، استان سورات تانی مورد بررسی قرار گرفت. فقط سایتهایی که تأیید توسط DL و ناظر انسانی مورد موافقت قرار گرفت، گنجانده شدند. ۲۰ سایت در هر کلاس در هر منطقه وجود داشت. همانطور که در شکل ۱۵ a و شکل ۱۶ a نشان داده شده است، دایره های سبز و قرمز به ترتیب نشان دهنده مکان سبز و غیر سبز هستند. شکل ۱۵ ب و شکل ۱۶b نمودار Box-Whisker از توزیع ارزش سبزی در هر دو کلاس را نشان می دهد. بدیهی است که مقدار ۰٫۵۰ آستانه مناسبی برای هر دو ناحیه است. در منطقه Phunphin، محدوده مقادیر سبز برای فضای سبز بین ۰٫۶۷ و ۰٫۷۷ (۰٫۰۳۲ ± ۰٫۷۳) بود، در حالی که برای فضای غیر سبز بین ۰٫۱۵ و ۰٫۳۲ (۰٫۰۴۰ ± ۰٫۲۲) بود. به طور مشابه، در منطقه موانگ، محدوده مقادیر سبز برای فضای سبز بین ۰٫۵۲ و ۰٫۸۱ (۰٫۰۶۸ ± ۰٫۷۱) بود، در حالی که برای فضای غیر سبز بین ۰٫۱۴ و ۰٫۴۱ (۰٫۱۸ ± ۰٫۰۵۷) بود.
علاوه بر طبقهبندی باینری، برای تعیین اینکه آیا ویژگیهای سبزی کشفشده توسط DL از تصاویر عکاسی با ویژگیهای استخراجشده از تصاویر ماهوارهای مرتبط هستند یا خیر، همبستگی بین احتمال طبقهبندی و مقادیر سبز بودن ارزیابی شد. شکل ۱۷a نمودار پراکندگی را نشان می دهد که همبستگی بین احتمال کلاس، قبل از لایه SoftMax ZFNet (محور x)، و مقدار سبز بودن، محاسبه شده از یک تصویر ماهواره ای Landsat 8 (محور y) در همان موقعیت جغرافیایی را نشان می دهد. مشخص شد که برای هر دو کلاس فضای سبز و فضای سبز، مقادیر احتمال کلاس و سبزی با ضریب همبستگی (r) 0.9896 همبستگی بالایی داشتند. این یافته نشان میدهد که برای یک ارسال معتبر، احتمال تأیید یک فضای سبز میتواند به همان اندازه به احتمال کلاس DL یا ارزش سبز بودن تفویض شود. بر این اساس، ترتیب در نظر گرفتن آنها به موارد عملی در سناریو بستگی داشت. در گردش کار حاضر، DL به دلیل وزن سبک تر، پیش از سایر ماژول های تأیید صحت دارد، و برای کاربر نهایی بسیار شهودی تر است. و حداقل دسترسی لازم به پایگاه داده تصویر. با این حال، باید توجه داشت که احتمال کلاس DL قادر به پیش بینی مقدار سبزی به خوبی نبود، و بالعکس، همانطور که توسط ضرایب تعیین نسبتا کوچک نشان داده می شود (R2 ) برای رگرسیون درون کلاسی، نشان داده شده در شکل ۱۷ b,c. این به دلیل داشتن اندازهگیریهای متفاوت است و به این دلیل که DL به عنوان یک شبکه طبقهبندی باینری آموزش داده شده است، در حالی که مقادیر سبزی شاخصهای اسکالر نرمال شده هستند.
۵٫ بحث
این مقاله توسعه یک پلت فرم اطلاعات جغرافیایی داوطلبانه را برای مدیریت مناطق فضای سبز، بر اساس RS و فناوری هوش مصنوعی خارج از قفسه ارائه میکند. این دادههای جغرافیایی را که نه تنها از گزارشهای رسمی، بلکه از منابع نور طبیعی و تصاویر چندطیفی تولید شده توسط کاربران حرفهای غیر GIS تهیه شده بود، یکپارچه کرد. یکپارچگی این دادههای «چشمهای روی زمین» با غربالگری اولیه عکسهای دیجیتال ارسالی مبتنی بر DL و تجزیه و تحلیل تصاویر ماهوارهای حفظ شد. ارزیابی ZFNet نشان داد که میتواند عکسهای فضای سبز (کلاس مثبت) و فضای سبز (کلاس منفی) را با دقت ۹۳٫۵۰ درصد با کاپا ۰٫۸۷ تشخیص دهد. به طور خاص، می تواند ۴۷٫۵۰ درصد موارد مثبت (TP) و ۴۶٫۰۰ درصد موارد منفی (TN) را به درستی طبقه بندی کند و تنها ۲٫۵۰ درصد و ۴ را باقی بگذارد. ۰۰% قضاوت نادرست از دو کلاس به ترتیب. این نمونههای از پیش برچسبگذاریشده سپس با استفاده از تجزیه و تحلیل تصاویر ماهوارهای Landsat 8 در مرحله دیگری از تأیید مبتنی بر RS قرار گرفتند. برای این منظور، تجزیه و تحلیل سبزی نرمال شده در یک منطقه دیجیتالی کاربر محاسبه شد، جایی که مقدار کمتر از ۰٫۵۰ به عنوان فضای سبز در نظر گرفته شد. ارزیابی عددی نشان داد که میتواند به درستی این نواحی را با دقت ۹۷٫۵۰ درصد با کاپا ۰٫۹۴ طبقهبندی کند. با توجه به شاخص های طیفی دیفرانسیل استاندارد، پیش بینی می شود که آستانه ۰٫۵۰ می تواند به همان اندازه به خوبی در مناطقی غیر از آنچه در این مقاله در نظر گرفته شده است اعمال شود. تجزیه و تحلیل سبزی نرمال شده در یک منطقه دیجیتالی توسط کاربر محاسبه شد، جایی که مقدار کمتر از ۰٫۵۰ به عنوان فضای سبز در نظر گرفته شد. ارزیابی عددی نشان داد که میتواند به درستی این نواحی را با دقت ۹۷٫۵۰ درصد با کاپا ۰٫۹۴ طبقهبندی کند. با توجه به شاخص های طیفی دیفرانسیل استاندارد، پیش بینی می شود که آستانه ۰٫۵۰ می تواند به همان اندازه به خوبی در مناطقی غیر از آنچه در این مقاله در نظر گرفته شده است اعمال شود. تجزیه و تحلیل سبزی نرمال شده در یک منطقه دیجیتالی توسط کاربر محاسبه شد، جایی که مقدار کمتر از ۰٫۵۰ به عنوان فضای سبز در نظر گرفته شد. ارزیابی عددی نشان داد که میتواند به درستی این نواحی را با دقت ۹۷٫۵۰ درصد با کاپا ۰٫۹۴ طبقهبندی کند. با توجه به شاخص های طیفی دیفرانسیل استاندارد، پیش بینی می شود که آستانه ۰٫۵۰ می تواند به همان اندازه به خوبی در مناطقی غیر از آنچه در این مقاله در نظر گرفته شده است اعمال شود.
مشابه پلت فرم پیشنهادی، برخی از مطالعات موجود در فضای سبز قبلاً داده های سنجش از دور را تجزیه و تحلیل کرده بودند [ ۲۶ ، ۲۷ ، ۲۸ ، ۲۹ ، ۳۰ ، ۳۱ ، ۳۲ ، ۳۳ ، ۳۴ ]. به ویژه، کارهای اخیر در [ ۲۶ ، ۲۷] همچنین با بررسی تصاویر ماهواره ای Landsat 8 مناطق فضای سبز را شناسایی کرده بود. با این وجود، کار حاضر با ترکیب دادههای جغرافیایی جمعسپاری شده، مطالعات موجود را بهبود بخشید. به این ترتیب، بر محدودیتهای ارائه شده توسط تصاویر ماهوارهای با وضوح پایین غلبه کرد و از این رو، توانست فضاهای سبز کوچکتری را کشف کند، به عنوان مثال، آنهایی که مالکیت خصوصی داشتند. علاوه بر این، یک شبکه DL همه کاره برای پیش نمایش داده های داوطلبانه به کار گرفته شد و از ثبت ارسال های نامعتبر در سیستم جلوگیری کرد. برای تقویت بیشتر ورود دادهها، هرگونه رکورد غیرقطعی با استفاده از تجزیه و تحلیل سبز بودن مبتنی بر RS که در بالا توضیح داده شد یا با مقایسه با دادههای LULC تأیید شد. بنابراین، هر طرف درگیر نه تنها از دادههای بهروز، بلکه از پایگاههای اطلاعاتی مرتبط و قابلاطمینان جغرافیایی مناطق فضای سبز معتبر اطمینان حاصل میکرد. مشابه کار ما،۳۲ ] همچنین داده های چند منبعی را با هم ترکیب می کند. در آنجا، دادههای LULC و شاخص نمای سبز (GVI) که هر دو از تصاویر Sentinel-2 به دست آمدهاند، برای ترسیم مناطق فضای سبز ترکیب شدند. بر خلاف پلتفرم پیشنهادی، روشی که در [ ۳۲ ] توضیح داده شد، به دلیل ترکیب دستی این دادهها مانع شد، و بنابراین از درگیر شدن در برنامههای متمرکزتر و مقیاس بزرگتر منع شد.
نتایج تجربی گزارش شده در اینجا بیشتر نشان می دهد که سیستم جغرافیایی پیشنهادی می تواند کاستی های موجود روش های قبلی را کاهش دهد [ ۳۲ , ۳۸]. اولاً، پلتفرم مبتنی بر وب توسعهیافته از یک خطمشی مبتنی بر نقش پشتیبانی میکند که به گروههای مختلف کاربر اجازه میدهد در تبادل اطلاعات با ظرفیتهای مختلف شرکت کنند. در حالی که مدیریت دادههای مناطق فضای سبز را میتوان در زمان واقعی انجام داد، یکپارچگی آنها با تأیید خودکار دو مرحلهای جدید تضمین شد. در طول پیش غربالگری، از یادگیری عمیق برای حذف موارد ارسالی نامربوط با طبقهبندی عکسهای پیوست شده از ناحیه مربوطه استفاده شد. داده های پذیرفته شده با موفقیت توسط تجزیه و تحلیل سبز بودن بر اساس تصاویر ماهواره ای مورد تأیید خودکار قرار گرفتند. اگر مقدار سبزی با دادههای ارسال شده توسط کاربر مغایرت داشت، سپس منطقه برای تأیید با دادههای LULC مقایسه شد. این فرآیند تضمین میکند که یک مدیر مجبور نیست هر منطقه را به صورت دستی در برابر دادههای نظرسنجی کمتر بازرسی کند.۳۰ ، ۳۵ ، ۳۸ ]. دادههای فضای سبز حاصل در پایگاههای اطلاعاتی فضایی و ویژگیهای کارآمد ذخیره شدند تا گزارشهای مربوطه را بتوان در قالبهای مختلف پرس و جو کرد و صادر کرد. اگرچه تنها یک شهر در این مطالعه نشان داده شد، اما هیچ افت آشکاری در توانایی آن برای تعمیم به مناطق دیگر وجود نداشت، مشروط بر اینکه موقعیت جغرافیایی، نقشه های گوگل و تصاویر Landsat 8 در سایر مناطق مورد علاقه نیز موجود باشد.
مزیت اصلی فناوری هوش مصنوعی برای مدیریت مناطق فضای سبز در ماژول پیش از غربالگری آن مشهود است زیرا پوشش بسیار گسترده تر و گسترده تری از داده های داوطلبانه را بدون خطر جدی نیاز شدید به تأیید دستی پس از آن امکان پذیر می کند. هر گونه انحراف باقیمانده با تأیید دو مرحلهای بعدی، یعنی با تجزیه و تحلیل سبزی مبتنی بر تصویر ماهوارهای و با مقایسه با دادههای LULC شناسایی شد.
۶٫ نتیجه گیری
این مقاله توسعه یک پلت فرم جدید جغرافیایی برای مدیریت فضای سبز با استفاده از GIS و فناوریهای پیشرفته هوش مصنوعی را ارائه میکند. نتایج تجربی ما نشان داد که استفاده از طبقهبندی یادگیری عمیق بهعنوان پیش غربالگری میتواند بار کاری مدیر را با غربالگری دادههای جمعسپاری و حذف خودکار ارسالهای نامربوط کاهش دهد. از آنجایی که بسیاری از فرآیندهای باقیمانده به صورت خودکار بودند، پلتفرم توسعهیافته نه تنها میتوانست از یکپارچگی دادهها اطمینان حاصل کند، بلکه به صرفهجویی در هزینهها نیز کمک میکند، که همچنین برای اکتشافات در محل و پاکسازی دادهها مورد نیاز است. علاوه بر این، عموم مردم می توانند به عنوان کاربران ثبت نام شده در غنی سازی و به روز رسانی مناطق فضای سبز، به عنوان مثال، در همسایگی خود یا متعلق به بخش خصوصی مشارکت کنند. راستیآزمایی مناطق فضای سبز با استفاده از آنالیز فضای سبز با استفاده از تصاویر ماهوارهای نیز بهطور خودکار و در زمان واقعی انجام شد. برخلاف دیجیتالی سازی نقشه سنتی، این ویژگی مداخله دستی را کاهش داد و تنوع بین و درون اپراتور را کاهش داد. از این رو، امکان گزارش مداوم به روز و قابل اعتماد را فراهم می کند. در نهایت، تجسم تقویت شده بصری مناطق فضای سبز بر روی یک نقشه تعاملی میتواند مزیتی برای آژانسهای مجاز در حل مسائل زیستمحیطی، ابداع اقدامات پیشگیرانه در برابر مسائل بالقوه، و الزام مقرراتی برای ایجاد به عنوان اهداف توسعه پایدار باشد. امکان گزارش مداوم به روز و قابل اعتماد. در نهایت، تجسم تقویت شده بصری مناطق فضای سبز بر روی یک نقشه تعاملی میتواند مزیتی برای آژانسهای مجاز در حل مسائل زیستمحیطی، ابداع اقدامات پیشگیرانه در برابر مسائل بالقوه، و الزام مقرراتی برای ایجاد به عنوان اهداف توسعه پایدار باشد. امکان گزارش مداوم به روز و قابل اعتماد. در نهایت، تجسم تقویت شده بصری مناطق فضای سبز بر روی یک نقشه تعاملی میتواند مزیتی برای آژانسهای مجاز در حل مسائل زیستمحیطی، ابداع اقدامات پیشگیرانه در برابر مسائل بالقوه، و الزام مقرراتی برای ایجاد به عنوان اهداف توسعه پایدار باشد.
با این حال، پلت فرم پیشنهادی دارای کاستی هایی است. در جریان کار فعلی، علیرغم سفارش آنها، وزن یکسانی به نتایج طبقه بندی تصاویر DL و تجزیه و تحلیل تصاویر ماهواره ای داده شد. از یک طرف، همانطور که در شکل ۱۷ مشاهده می شوددر یک مکان معین، مقادیر سبز بودن Landsat 8 قابلیت تمایز بیشتری نسبت به طبقهبندی باینری ZFNet داشتند، زیرا وضوح شاخص طیفی بالاتری داشتند. با این حال، از سوی دیگر، عکسهای دیجیتالی از یک صحنه را میتوان در هر مکان و در هر زمان گرفت و با وضوح مکانی و زمانی ماهواره محدود نمیشود. در واقع، ما نشان داده ایم که این رویکرد امکان کشف مناطق کوچک فضای سبز را فراهم می کند. بنابراین، این اظهار نظر جهت تحقیقات آینده را در مورد همجوشی چندوجهی دقیق، به عنوان مثال، با استفاده از رگرسیون CNN و فتوگرامتری باز می کند. علاوه بر این، تصاویر ماهوارهای با وضوح بالاتر، مانند WorldView-3، WorldView-4، و GEOEYE-1 نیز برای تجزیه و تحلیل شاخصها برای طبقهبندی بسیار دقیقتر فضای سبز ارزش بررسی دارند.
منابع
- تلمن، بی. Sesnie، SE; ماگلیوکا، NR; نیلسن، EA؛ دیوین، ج.ا. مک سوینی، ک. Aguilar-Gonzalez، B. رانندگان غیرقانونی تغییر کاربری زمین: قاچاق مواد مخدر و از دست دادن جنگل در آمریکای مرکزی. گلوب. محیط زیست چانگ. ۲۰۲۰ , ۶۳ , ۱۰۲۰۹۲٫ [ Google Scholar ] [ CrossRef ]
- ناوارو سریلو، RM; پالاسیوس رودریگز، جی. کلاورو رومبائو، آی. لارا، M.Á. Bonet، FJ; Mesas-Carrascosa، FJ مدلسازی تغییرات عمده کاربری اراضی روستایی با استفاده از مدل مترونامیکا اتوماتای سلولی مبتنی بر GIS: مورد اندلس (جنوب اسپانیا). ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۴۵۸٫ [ Google Scholar ] [ CrossRef ]
- پوتیناوارات، اس. Horkaew, P. استخراج مناطق شهری از دادههای چند حسگر مبتنی بر یادگیری ماشین و ترکیب دادهها. تشخیص الگو تصویر مقعدی ۲۰۱۷ ، ۲۷ ، ۳۲۶-۳۳۷٫ [ Google Scholar ] [ CrossRef ]
- Xie، X. لی، ایکس. او، دبلیو. یک روش منطقهبندی توسعه فضای زمین بر اساس ظرفیت حمل منابع – محیطی: مطالعه موردی هنان، چین. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ ، ۱۷ ، ۹۰۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
- Keeratikasikorn، سی. Bonafoni، S. تجزیه و تحلیل جزیره گرمایی شهری بر روی طرح پهنه بندی کاربری زمین بانکوک با استفاده از تصاویر Landsat 8. Remote Sens. ۲۰۱۸ , ۱۰ , ۴۴۰٫ [ Google Scholar ] [ CrossRef ]
- خامچیانگتا، دی. داکال، اس. تحلیل سری زمانی تغییرات کاربری زمین و پوشش زمین مربوط به شدت جزیره گرمایی شهری: مورد منطقه شهری بانکوک در تایلند. J. Urban Manag. ۲۰۲۰ ، ۹ ، ۳۸۳-۳۹۵٫ [ Google Scholar ] [ CrossRef ]
- فیشر، سل؛ جا-تاکور، یو. فاوست، پی. کلمنت، اس. هیز، اس. Nowacki, J. توجه به فضای سبز شهری در ارزیابی تاثیر برای سلامت. ارزیابی تاثیر پروژه ارزیابی. ۲۰۱۸ ، ۳۶ ، ۳۲-۴۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- روسو، آ. Cirella، GT شهرهای جمع و جور مدرن: چقدر سبزه نیاز داریم؟ بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۸ ، ۱۵ ، ۲۱۸۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- وانگ وانگ واتانا، اس. کینگ، پی. ارزیابی ارزیابی اثرات زیست محیطی (EIA) در تایلند: چالش ها و فرصت های اجرایی برای برنامه ریزی توسعه پایدار . IGES: کاناگاوا، ژاپن، ۲۰۱۵٫ [ Google Scholar ]
- داینر، آ. Mudu, P. چگونه پوشش گیاهی می تواند از ما در برابر آلودگی هوا محافظت کند؟ بررسی انتقادی توانایی های کاهش فضاهای سبز برای ذرات معلق در هوا از دیدگاه سلامت عمومی – با پیامدهایی برای برنامه ریزی شهری. علمی کل محیط. ۲۰۲۱ ، ۷۹۶ ، ۱۴۸۶۰۵٫ [ Google Scholar ] [ CrossRef ]
- کومار، پی. دراکمن، ا. گالاگر، جی. گاترسلبن، بی. آلیسون، اس. آیزنمن، تی اس; Morawska، L. رابطه بین آلودگی هوا، زیرساخت سبز و سلامت انسان. محیط زیست بین المللی ۲۰۱۹ ، ۱۳۳ ، ۱۰۵۱۸۱٫ [ Google Scholar ] [ CrossRef ]
- لیو، HL; Shen, YS تأثیر تغییرات فضای سبز بر آلودگی هوا و ریزاقلیم: مطالعه موردی منطقه شهری تایپه. پایداری ۲۰۱۴ ، ۶ ، ۸۸۲۷-۸۸۵۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- قلی زاده، ع. نشاط، ع.ا. کونتی، برو؛ غفاری، HR; اول، HE; Almodarresi, SA; میری، M. PM 2.5 مدل سازی و نقشه برداری غلظت در مناطق شهری. سیستم زمین مدلسازی محیط زیست ۲۰۱۹ ، ۵ ، ۸۹۷–۹۰۶٫ [ Google Scholar ] [ CrossRef ]
- جیانگ، م. وو، ی. چانگ، ز. شی، ک. اثرات اشکال شهری بر غلظت PM 2.5 در چین: تجزیه و تحلیل چند مقیاسی سلسله مراتبی. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۱ ، ۱۸ ، ۳۷۸۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- ژائو، ایکس. ژو، دبلیو. وو، تی. Han, L. تأثیرات ساختار شهری بر آلودگی PM 2.5 به اندازه و مکان شهر بستگی دارد. محیط زیست آلودگی ۲۰۲۲ ، ۲۹۲ ، ۱۱۸۳۰۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- کانچاناسوتا، اس. سوکتاوی، اس. پاتپای، ع. Vatanasomboon، P. تغییرات زمانی و مناطق منبع بالقوه ذرات ریز در بانکوک، تایلند. Air Soil Water Res. ۲۰۲۰ , ۱۳ , ۱۱۷۸۶۲۲۱۲۰۹۷۸۲۰۳٫ [ Google Scholar ] [ CrossRef ]
- کلینگچوی، دبلیو. کوپر میایی، ا. وراخونپیست، س. Tantrakarnapa، K. روابط بین پارامترهای هواشناسی و ذرات معلق در استان Mae Hong Son، تایلند. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۸ ، ۱۵ ، ۲۸۰۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
- پسر، جی. چوی، اچ ام. فونگ، KC؛ هیو، اس. Lim، CC; بل، ML نقش سبزی مسکونی در ارتباط بین آلودگی هوا و سلامت: یک بررسی سیستماتیک. محیط زیست Res. Lett. ۲۰۲۱ , ۱۶ , ۰۹۳۰۰۱٫ [ Google Scholar ] [ CrossRef ]
- چن، ام. دای، اف. یانگ، بی. زو، اس. اثرات فضای سبز محله بر کاهش PM 2.5: شواهدی از پنج کلان شهر در چین. ساختن. محیط زیست ۲۰۱۹ ، ۱۵۶ ، ۳۳-۴۵٫ [ Google Scholar ] [ CrossRef ]
- چن، جی. زو، ال. فن، پ. تیان، ال. لافورتزا، آر. آیا فضاهای سبز بر تغییرات مکانی و زمانی PM 2.5 در نانجینگ تأثیر می گذارد؟ Ecol. Processes ۲۰۱۶ ، ۵ ، ۷٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- کیم، اس. هان، اس. لی، SW; ادراک کارشناسان درباره اثرات کاهش ذرات معلق در فضای باز سبز. پایداری ۲۰۱۹ ، ۱۱ ، ۴۸۳۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- پانیا، ن. پوبون، سی. فوچیندا، دبلیو. Teungfung، R. عملکرد مدیریت زیست محیطی دولت های محلی در تایلند. Kasetsart J. Soc. علمی ۲۰۱۸ ، ۳۹ ، ۳۳-۴۱٫ [ Google Scholar ] [ CrossRef ]
- کونگبون، آر. Gheewala، SH; Sampattagul، S. توانمندسازی یک شهر پایدار با استفاده از خود ارزیابی عملکرد محیطی در پلتفرم EcoCitOpia. پایداری ۲۰۲۱ ، ۱۳ ، ۷۷۴۳٫ [ Google Scholar ] [ CrossRef ]
- تیلور، بی تی؛ فرناندو، پی. باومن، AE; ویلیامسون، ا. کریگ، جی سی. Redman, S. اندازه گیری کیفیت فضای باز عمومی با استفاده از Google Earth. صبح. J. قبلی پزشکی ۲۰۱۱ ، ۴۰ ، ۱۰۵-۱۱۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- ژائو، کیو. یو، ال. لی، ایکس. پنگ، دی. ژانگ، ی. Gong, P. پیشرفت و روند در کاربرد Google Earth و Google Earth Engine. Remote Sens. ۲۰۲۱ , ۱۳ , ۳۷۷۸٫ [ Google Scholar ] [ CrossRef ]
- نوردین، EA; Wijayanto, Y. توزیع فضای باز سبز در منطقه Jember City بر اساس تصویر landsat 8-OLI. IOP Conf. سر. محیط زمین. علمی ۲۰۲۰ , ۴۸۵ , ۰۱۲۰۱۶٫ [ Google Scholar ] [ CrossRef ]
- ویکانتیوسو، آر. سولاکسونو، AG; Suhartono, T. تشخیص فضای سبز بالقوه فضای باز با استفاده از تصاویر ماهواره ای Landsat 8. ARTEKS J. Tek. آرسیت. ۲۰۲۱ ، ۶ ، ۱۴۹-۱۵۴٫ [ Google Scholar ] [ CrossRef ]
- لو تکسیر، ام. شیل، ک. Caruso, G. ارائه فضای سبز شهری و دسترسی به آن: اثرات داده های فضایی در بروکسل. PLoS ONE ۲۰۱۸ , ۱۳ , e0204684. [ Google Scholar ] [ CrossRef ]
- Makinde، EO; آندونگی، سی ام. Vicario، ارزیابی و مدیریت فضای سبز AA در استان بیسکای، اسپانیا با استفاده از فناوری سنجش از دور. Geomat. محیط زیست مهندس ۲۰۲۱ ، ۱۵ ، ۲۱-۴۳٫ [ Google Scholar ] [ CrossRef ]
- Hoang، ND; تشخیص فضای سبز شهری مبتنی بر سنجش از دور Tran، XL با استفاده از رویکرد یادگیری ماشینی بهینهسازی الگوریتم شکارچیان دریایی. ریاضی. مشکل مهندس ۲۰۲۱ ، ۲۰۲۱ ، ۵۵۸۶۹۱۳٫ [ Google Scholar ] [ CrossRef ]
- واتسوا، آر. کوپککا، م. اوتاهل، ج. روزینا، ک. کیتیف، ا. Genchev، S. نقشه برداری فضاهای سبز شهری بر اساس داده های سنجش از دور: مطالعات موردی در بلغارستان و اسلواکی. در مجموعه مقالات ششمین کنفرانس بین المللی کارتوگرافی و GIS، آلبنا، بلغارستان، ۱۳ تا ۱۷ ژوئن ۲۰۱۶; صص ۵۶۹-۵۷۸٫ [ Google Scholar ]
- باوچیچ، م. گیلیچ، اف. باچیچ، اس. Duplančić-Leder، T. داده های مکانی باز برای مناطق سبز شهری. ISPRS Annals of the Photogrammetry. حسگر از راه دور اسپات. Inf. علمی ۲۰۲۰ ، ۶ ، ۱۷-۲۴٫ [ Google Scholar ]
- لطفا، ع. استفاده از سنجش از دور در پایش فضای سبز شهری: مطالعه موردی در قروه، ایران. یورو جی. محیط زیست. علوم زمین ۲۰۲۱ ، ۲ ، ۱۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
- آهنگ، ی. چن، بی. هو، اچ سی; کوان، نماینده مجلس؛ لیو، دی. وانگ، اف. Song، Y. مشاهده نابرابری در قرار گرفتن در معرض فضای سبز شهری در چین. محیط زیست بین المللی ۲۰۲۱ , ۱۵۶ , ۱۰۶۷۷۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- دنگ، ج. هوانگ، ی. چن، بی. تانگ، سی. لیو، پی. وانگ، اچ. Hong, Y. روشی برای نظارت بر گسترش شهری و تغییرات فضای سبز با استفاده از یک سری زمانی از تصاویر SPOT چند حسگر و Sentinel-2A. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۱۲۳۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- آببه، MT; Megento، TL توسعه فضای سبز شهری با استفاده از تحلیل چند معیاره مبتنی بر GIS در کلانشهر آدیس آبابا. Appl. Geomat. ۲۰۱۷ ، ۹ ، ۲۴۷-۲۶۱٫ [ Google Scholar ] [ CrossRef ]
- هیگز، جی. فرای، آر. Langford, M. بررسی پیامدهای استفاده از تکنیک های جایگزین مبتنی بر GIS برای اندازه گیری دسترسی به فضای سبز. محیط زیست طرح. B طرح. دس ۲۰۱۲ ، ۳۹ ، ۳۲۶-۳۴۳٫ [ Google Scholar ] [ CrossRef ]
- لاهوتی، س. کفی، م. لاهوتی، ع. Saito, O. روش شناسی نقشه برداری از فضاهای سبز شهری عمومی با استفاده از GIS: نمونه ای از شهر ناگپور، هند. پایداری ۲۰۱۹ ، ۱۱ ، ۲۱۶۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- داویدویچ، ا. کولاویاک، م. زایسک، ای. Kocur-Bera، K. معماری سیستم یک سیستم کاداستر سبز منطبق با INSPIRE برای کشور عضو اتحادیه اروپا لهستان. Remote Sens. Appl. Soc. محیط زیست ۲۰۲۰ ، ۲۰ ، ۱۰۰۳۶۲٫ [ Google Scholar ] [ CrossRef ]
- پوتیناوارات، اس. Horkaew, P. یادگیری های عمیق و ماشینی تصاویر سنجش از راه دور و ویژگی های بصری چند باندی آن برای تشخیص کاشت نخل روغنی. علوم زمین به اطلاع رساندن. ۲۰۱۹ ، ۱۲ ، ۴۲۹-۴۴۶٫ [ Google Scholar ] [ CrossRef ]
- پوتیناوارات، اس. Horkaew, P. سیستم پیشبینی سیل براساس دادههای بزرگ و جمعسپاری یکپارچه با استفاده از تکنیکهای یادگیری ماشین. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۵۸۸۵–۵۹۰۵٫ [ Google Scholar ] [ CrossRef ]
- لی، پی. ژائو، دبلیو. الگوریتم های تشخیص آتش تصویر بر اساس شبکه های عصبی کانولوشنال. مورد مطالعه. حرارت مهندس ۲۰۲۰ ، ۱۹ ، ۱۰۰۶۲۵٫ [ Google Scholar ] [ CrossRef ]
- Zeiler، MD; Fergus, R. تجسم و درک شبکه های کانولوشن. در کنفرانس اروپایی بینایی کامپیوتر ; Springer: Cham, Switzerland, 2014; صص ۸۱۸-۸۳۳٫ [ Google Scholar ]
شکل ۱٫ فلوچارت سکوی مکانی پیشنهادی.
شکل ۲٫ معماری شبکه یادگیری عمیق ZFNet، متشکل از ۸ لایه covnet. یک تصویر ۲۲۴ × ۲۲۴ به عنوان ورودی ارائه می شود، در حالی که لایه نهایی یک SoftMax C-way است (C = 2).
شکل ۳٫ نمودار مورد استفاده پلت فرم پیشنهادی.
شکل ۴٫ نمونه هایی از طبقه بندی یادگیری عمیق مناطق فضای سبز. توجه: برای وضوح، بالون های callout در این مقاله اضافه شده اند اما در صفحه وب واقعی وجود ندارند.
شکل ۵٫ نمونه هایی از طبقه بندی یادگیری عمیق مناطق غیر فضای سبز. توجه: برای وضوح، بالون های callout در این مقاله اضافه شده اند اما در صفحه وب واقعی وجود ندارند.
شکل ۶٫ ماتریس های سردرگمی نتایج طبقه بندی اولیه ZFNet DL بر روی مجموعه داده های دیده شده ( a ) و نادیده ( b ) ۱۰۰۰ و ۲۰۰ تصویری، به ترتیب.
شکل ۷٫ رابط مبتنی بر وب صفحه اصلی.
شکل ۸٫ نمونه های منتخب تایید با یادگیری عمیق عکس های فضای سبز ارسالی ( الف ) و فضای غیرسبز ( ب ).
شکل ۹٫ تأیید فضای سبز (سمت چپ) و فضای غیرسبز (راست)، نشان دادن دیجیتالی شدن ارسال شده، روی تصاویر ماهواره ای ( a ، d )، نتایج سبز بودن با تجزیه و تحلیل تصویر ماهواره ای ( b ، e )، و داده های مربوطه LULC. ( ج ، ف ).
شکل ۱۰٫ جدول فضای سبز، فهرست شناسه، نام، نوع و اندازه مناطق فضای سبز انتخاب شده. زمینه سبز و قرمز به ترتیب نشان دهنده انطباق یا عدم مطابقت آنها با مقررات است.
شکل ۱۱٫ گزارش های نقشه تکمیل شده در مناطق فضای سبز با استفاده از نمودار دایره ای ( a ) و نمودار عددی ( b ).
شکل ۱۲٫ گزارش های نقشه تکمیلی در مورد شاخص کیفیت هوا (AQI).
شکل ۱۳٫ ارزیابی طبقه بندی فضای سبز با روش پیشنهادی در مقایسه با بررسی زمینی. پین های آبی و قرمز به ترتیب مناطق طبقه بندی شده را به درستی و نادرست نشان می دهند.
شکل ۱۴٫ ماتریس های آشفتگی مناطق فضای سبز با تجزیه و تحلیل مقادیر سرسبزی در تصویر ماهواره ای Landsat 8 ( a ) و داده های LULC ( b ) در ۱۰۰۰ مکان نتایج تأیید می شود که در شکل ۱۳ نشان داده شده است.
شکل ۱۵٫ مناطق فضای سبز (دایره های سبز) و فضای غیر سبز (دایره های قرمز) در ناحیه Phunphin ( a ) و نمودار Box-Whisker که توزیع مقادیر سبزی آنها را نشان می دهد ( b ).
شکل ۱۶٫ مناطق فضای سبز (دایره های سبز) و فضای غیر سبز (دایره های قرمز) در ناحیه موانگ ( a ) و نمودار باکس-ویسکر که توزیع مقادیر سبزی آنها را نشان می دهد ( b ).
شکل ۱۷٫ نمودارهای پراکندگی که همبستگی بین احتمال کلاس DL و مقدار سبزی را برای هر دو کلاس ( a ) و فقط کلاس فضای سبز ( b ) و فضای غیرسبز ( c ) نشان می دهد.
بدون دیدگاه