نمای کلی کار 

ما از مجموعه داده پوشش زمین ملی آفریقای جنوبی برای شناسایی و استخراج سکونتگاه های غیررسمی در شهر ژوهانسبورگ، آفریقای جنوبی استفاده خواهیم کرد. ما همچنین از مجموعه داده ارزیابی تغییر برای شناسایی الگوهای رشد شهری در شهر از سال ۲۰۱۴ تا ۲۰۱۸ استفاده خواهیم کرد.

دریافت داده ها 

مجموعه داده های زیر را برای این آموزش دانلود خواهیم کرد

1. مجموعه داده پوشش ملی آفریقای جنوبی ۲۰۱۸ : مجموعه داده جدید پوشش زمینی ملی آفریقای جنوبی ۲۰۱۸ از تصاویر ماهواره ای ۲۰ متری چند فصلی Sentinel 2 تولید شده است و شامل ۷۳ کلاس پوشش زمین است.
2. ارزیابی‌های تغییر پوشش ملی آفریقای جنوبی ۲۰۱۸ : این مجموعه داده تغییرات ۲۰ طبقه پوشش زمین را از سال ۲۰۱۴ تا ۲۰۱۸ مقایسه می‌کند.
3. COJ Boundary : یک شکل فایل مرزی برای شهر ژوهانسبورگ، آفریقای جنوبی.

سیستم های اطلاعات جغرافیایی محیطی (E-GIS) دسترسی به داده های مکانی محیطی را برای آفریقای جنوبی فراهم می کند. ما رسترهای پوشش ملی آفریقای جنوبی (SANLC) را از این پورتال دانلود خواهیم کرد.

1. به صفحه دانلود داده های GIS مراجعه کنید . برای پذیرش شرایط استفاده و ادامه، روی موافقم کلیک کنید .

2. برای دانلود مجموعه داده باید یک حساب کاربری رایگان ایجاد کنید. روی I want to create an account کلیک کنید و دستورالعمل ها را برای ایجاد حساب دنبال کنید.

3. پس از وارد شدن به سیستم، پوشش زمین ملی آفریقای جنوبی (SANLC) 2018 Computer Automated Land Cover (CALC) را جستجو کنید . این مجموعه داده در ۲ پیش بینی مختلف ارائه شده است. برای این آموزش، مجموعه داده ALBERS را دانلود خواهیم کرد . برای دانلود فایل SA_NLC_2018_Albers_CALC_data.zip روی آن کلیک کنید .

4. در مرحله بعد، پوشش زمین ملی جدید آفریقای جنوبی (SANLC) 2014 و ۲۰۱۸ Change Assessment Datasets Computer Automated Land Cover (CALC) را جستجو کنید و برای دانلود روی SA_NLC_2014_2018_CLASS_CHANGE_CALC (DATASET AND REPORT) کلیک کنید. فایل SA_NLC_2014_2018_CLASS_CHANGE_ALBERS_CALC.tif.vat.zip .

شهر ژوهانسبورگ مجموعه داده های فضایی را به عنوان بخشی از چارچوب توسعه فضایی ۲۰۴۰ (SDF) برای داده های ژوهانسبورگ منتشر می کند. شکل فایل مرزی را از این سایت دانلود خواهیم کرد.

1. روی لینک دانلود کلیک کنید http://bit.ly/joburg-sdf-16 .

2. روی دایرکتوری کلیک کنید.SDF Shapefiles

3. فایل را دانلود کنید و آن را در یک پوشه از حالت فشرده خارج کنید.SDF Shapefiles.zip

برای راحتی شما، یک نسخه بریده شده از لایه های مورد نیاز از لینک زیر موجود است:

SA_NLC_2018_ALBERS_CALC.tif

SA_NLC_2014_2018_CLASS_CHANGE_ALBERS_CALC.tif

COJ_Boundary.zip

منبع داده: [SANLC] [COJ]

1. در مرورگر به پوشه دانلود شده و از حالت فشرده خارج شده بروید. آن را باز کنید و بکشید و SA_NLC_2018_ALBERS_CALC.tifدر بوم رها کنید .

2. هنگامی که لایه بارگذاری شد، می توانید متوجه شوید که CRS به عنوان CRS ناشناخته در پایین سمت راست تنظیم می شود. روی آن دوبار کلیک کنید تا کادر محاوره ای Project Properties – CRS باز شود .

3. در پایین، پیش نمایشی از وسعت طرح ریزی را مشاهده خواهید کرد. این CRS ناشناخته یک طرح لامبرت با منطقه مساوی سفارشی است که برای کشور آفریقای جنوبی تعریف شده است. ما بعداً این لایه را به پروجکشن دیگری دوباره طرح خواهیم کرد. روی OK کلیک کنید .

4. دو لایه دیگر را بارگذاری کنید SA_NLC_2014_2018_CLASS_CHANGE_ALBERS_CALC.tifو COJ_Boundary. خواهید دید که لایه شطرنجی کل کشور را پوشش می دهد. برای تجزیه و تحلیل ما، ما فقط به منطقه تحت پوشش COJ_Boundaryلایه علاقه داریم. اکنون لایه شطرنجی را به این منطقه برش می دهیم. به Processing ‣ Toolbox ‣ GDAL ‣ Raster Extract ‣ Clip Raster by tool layer mask بروید. برای باز کردن آن دوبار کلیک کنید.

5. در Clip Raster by Mask LayerSA_NLC_2018_ALBERS_CALC ، به عنوان لایه ورودی و سپس لایه MaskCOJ_Boundary را انتخاب کنید . ما همچنین گزینه ای برای بازپخش داده ها به طرح ریزی دیگر داریم. این یک تمرین خوب است که تمام لایه های داده خود را در یک طرح نگه دارید. ما رسترها را مجدداً طراحی می کنیم تا CRS را با لایه مطابقت دهد. به عنوان CRS هدف انتخاب کنید .COJ_BoundaryEPSG:4326 - WGS ۸۴

6. فرمت پیش فرض داده خروجی GeoTiff است. فایل های GeoTiff اگر فشرده نباشند می توانند بسیار بزرگ شوند. یک روش خوب این است که همیشه هنگام ایجاد لایه‌های شطرنجی جدید، فشرده‌سازی بدون تلفات اعمال شود. پارامترهای پیشرفته را باز کرده و به عنوان نمایه انتخاب کنید . بعد، روی دکمه کنار Clipped (mask) کلیک کنید و Save to file… را انتخاب کنید تا نام لایه را به عنوان وارد کنید . روی Run کلیک کنید .High Compression...SA_NLC_2018_Clipped

7. پس از اتمام الگوریتم، پنجره را نبندید. ما همین عملیات را برای لایه شطرنجی دیگر اعمال خواهیم کرد. به تب Parameters بروید و لایه ورودی را به SA_NLC_2014_2018_CLASS_CHANGE_ALBERS_CALC. همه گزینه های دیگر را حفظ کنید اما نام لایه خروجی را به تغییر دهید SA_NLC_2014_2018_CLASS_CHANGE_Clipped. روی Run کلیک کنید .

8. هر دو لایه بریده شده اکنون در بوم بارگذاری می شوند. لایه اصلی را انتخاب کنید و روی Remove Layer کلیک کنید تا آنها حذف شوند.

9. تمام سه لایه باقیمانده اکنون در همان CRS هستند. اکنون می توانیم پروژه CRS را به CRS لایه ها تغییر دهیم. بر روی هر لایه بریده شده کلیک راست کرده و Layer CRS ‣ Set’ Project CRS from Layer را انتخاب کنید .

10. اکنون پروژه CRS روی EPSG:4326. لایه SA_NLC_2018_Clipped را به بالا بیاورید .

11. روی SA_NLC_2018_Clipped کلیک کنید و از ابزار شناسایی در نوار ابزار Attributes برای کلیک روی تصویر و بررسی مقادیر پیکسل استفاده کنید. خواهید دید که مقادیر پیکسل از ۱ تا ۷۳ متغیر است. این مقادیر یک کلاس کاربری / پوشش زمین متمایز را نشان می دهند.

12. کلاس های مجموعه داده در شرح داده شده است که می تواند از پورتال EGIS دانلود شود . برای این تمرین، ما به سکونتگاه‌های غیررسمی که با شماره‌های کلاس ۵۱ تا ۵۴ نشان داده شده‌اند، علاقه‌مندیم .SANLC ۲۰۱۸ Presentation

13. بیایید پیکسل های متعلق به این کلاس ها را استخراج کنیم. به Processing ‣ Toolbox ‣ Raster analysis ‣ Raster calculator tool بروید. برای باز کردن آن دوبار کلیک کنید.

14. ...روی دکمه کنار لایه های ورودی کلیک کنید . لایه را انتخاب کنید SA_NLC_2018_Clippedو روی OK کلیک کنید . سپس روی εدکمه کلیک کنید تا پنجره عبارت باز شود.

15. عبارت زیر را برای انتخاب پیکسل ها از کلاس ۵۱-۵۴ وارد کنید. تصویر منبع فقط ۱ باند دارد. پسوند @۱شماره باند را نشان می دهد. روی OK کلیک کنید تا پنجره عبارت بسته شود.

"SA_NLC_2018_Clipped@1" >= 51 AND "SA_NLC_2018_Clipped@1" <= 54

16. بعد، روی ...دکمه کنار Calculated کلیک کنید و Save to File را انتخاب کنید .

17. فایل خروجی را نامگذاری کنید residential_informal.tifو روی Run کلیک کنید .

18. پس از اتمام فرآیند، یک لایه جدید residential_informalبه QGIS اضافه خواهد شد. این لایه شطرنجی فقط مقادیر دو پیکسلی دارد – ۱جایی که عبارت ارزیابی شده ما درست است و جایی که نادرست۰ بود . پیکسل‌هایی که سفید به نظر می‌رسند، آنهایی هستند که متعلق به کلاس‌های سکونتگاه غیررسمی هستند. ما این لایه را بهتر استایل می کنیم تا بتوانیم سکونتگاه های غیررسمی را به وضوح ببینیم. روی دکمه Open the layer styling panel کلیک کنید .

19. لایه را انتخاب کنید residential_informalو رندر را به مقادیر Paletted/Unique تغییر دهید . روی دکمه افزودن مقادیر دستی (+) کلیک کنید .

20. مقدار را به تغییر دهید ۱و به عنوان Label وارد کنید . رنگ دلخواه خود را انتخاب کنید.Residential Informal

21. اکنون می توانیم تمام سکونتگاه های غیررسمی شهر ژوهانسبورگ را ببینیم. دیدن آنها در زمینه با یک نقشه پایه مفید خواهد بود. ما به انواع نقشه های پایه از افزونه QuickMapServices دسترسی داریم . پس از نصب افزونه، به Web ‣ QuickMapServices ‣ OSM ‣ OSM Standard بروید تا لایه OpenStreetMap را اضافه کنید.

22. اکنون می توانید به راحتی شناسایی و بررسی کنید که آیا تحلیل ما به درستی سکونتگاه های غیررسمی را شناسایی کرده است یا خیر. می‌توانید residential_informalلایه را انتخاب کنید و به تب Transparency در پانل لایه‌بندی تغییر دهید . می توانید Opacity جهانی را کاهش دهید تا هم پیکسل های استخراج شده و هم نقشه پایه را با هم ببینید.

23. اکنون بخش اول آموزش را تکمیل کرده اید. اکنون از لایه شطرنجی برای شناسایی مناطقی که بین سال‌های ۲۰۱۴ و ۲۰۱۸ شهری شده‌اند استفاده می‌کنیم. SA_NLC_2014_2018_CHANGE_Clippedهمه لایه‌ها را غیرفعال کنید SA_NLC_2014_2018_CHANGE_Clipped، سپس روی دکمه Open the layer styling panel کلیک کنید . به تب Transparency بروید و مقدار Additional no data را۰ وارد کنید . با این کار پیکسل های با مقدار ۰ روی شفاف تنظیم می شوند.

24. از ابزار Identify در نوار ابزار Attributes برای کلیک بر روی تصویر و بررسی مقادیر پیکسل استفاده کنید . خواهید دید که مقادیر پیکسل از ۲۱-۴۲۰ متغیر است. هر مقدار انتقال از یکی از ۷۳ کلاس منبع به کلاس دیگر را نشان می دهد.

25. دانلود داده های شما با صفحه گسترده ای به نام ارائه می شود lcccodes.xlsx. این برگه دارای یک برگه ۰۳ urban_change_codes است که جزئیات بیشتری در مورد هر مقدار پیکسل می دهد. ما به تمام مقادیر پیکسلی که در آن کلاس ۲۰۱۴ به کلاس ساخته شده ۲۰۱۸ تبدیل شده است علاقه مندیم. در تصویر زیر این موارد با رنگ آبی مشخص شده اند.

26. هدف ما ترسیم تغییرات در کلاس ساخته شده است. ما یک تبدیل روی SA_NLC_2014_2018_CHANGE_Clippedلایه اعمال می کنیم تا همه مقادیر پیکسل از مقادیر اصلی خود به یکی از مقادیر زیر نگاشت شوند.

27. برای این کار باید جدولی ایجاد کنیم که این قوانین را مشخص کند. از آنجایی که QGIS قادر به خواندن مستقیم صفحات گسترده است، راحت ترین روش برای ایجاد این جدول است. صفحه گسترده ما باید ۳ ستون داشته باشد MIN،،، MAXو OUTPUT. هر ردیف باید محدوده ای از مقادیر شطرنجی ورودی باشد که باید یک مقدار خروجی به آن اختصاص داده شود. یک صفحه گسترده مانند شکل زیر ایجاد کنید و آن را به عنوان در رایانه خود ذخیره کنید reclass.xlsx. همچنین می توانید یک نسخه آماده برای استفاده را از این لینک دانلود کنید – reclass.xlsx

28. reclass.xlsxفایل را در مرورگر پیدا کنید . آن را به پنجره اصلی بکشید و رها کنید.

29. یک لایه جدید به پنل لایه هاSheet1 اضافه می شود . روی آن کلیک راست کرده و Open Attribute Table را انتخاب کنید . بررسی کنید که برگه به ​​درستی وارد شده است و شما ۳ ستون به نام دارید و . جعبه ابزار پردازش ‣ ابزار لایه‌بندی مجدد را باز کنید .MINMAXOUTPUT

30. در گفتگوی Reclassify by layer ، لایه RasterSA_NLC_2014_2018_CHANGE_Clipped را انتخاب کنید . به عنوان لایه ای که حاوی کلاس شکسته است را انتخاب کنید . و فیلدها را برای فیلدهای مربوطه خود انتخاب کنید .Sheet1MINMAXOUTPUT

31. قسمت Advanced Parameters را باز کنید . مرزهای محدوده را به تغییر دهید . روی دکمه … برای رستر طبقه بندی مجدد کلیک کنید و نام فایل خروجی را به صورت وارد کنید . روی Run کلیک کنید .min <= value <= maxbuiltup_change.tif

32. پس از پایان پردازش، یک لایه جدید builtup_changeبا مقادیر پیکسل ۰-۲به بوم اضافه می شود. در پانل استایل لایه ، را انتخاب کنید ، سپس کلیک کنید .Paletted/Unique valuesClassify

33. رنگ مورد نظر خود را برای هر دسته انتخاب کنید و مقادیر ۰، ۱و ۲پیکسل را به صورت و برچسب گذاری کنید .Non Built-upExisting Built-upNew Built-up

34. اکنون در تب Transparency ، Opacity را کاهش دهید و لایه را روشن کنید تا هم پیکسل هایbuildup_change و هم نقشه پایه را با هم ببینید.OSM Standard