کلید واژه ها:
موتور Google Earth (GEE) ؛ کاربری زمین / پوشش زمین ; جنگل تصادفی (RF) ; آشکارساز جغرافیایی ; حوضه رودخانه زرد
۱٫ مقدمه
۲٫ مواد و روشها
۲٫۱٫ منطقه مطالعه
۲٫۲٫ آماده سازی داده ها
۲٫۲٫۱٫ ساخت مجموعه ویژگی های طبقه بندی چند بعدی
۲٫۲٫۲٫ انتخاب نمونه آموزشی و اعتبار سنجی
۲٫۲٫۳٫ داده های انسانی و طبیعی
۲٫۳٫ مواد و روش ها
۲٫۳٫۱٫ جنگل تصادفی
۲٫۳٫۲٫ ارزیابی
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.
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.
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.
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.
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:
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
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:
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.
۳٫ نتایج
۳٫۱٫ ارزیابی دقت
۳٫۲٫ تغییر ساختار LULC
۳٫۳٫ تغییرات LULC مکانی-زمانی
۳٫۴٫ تغییر درجه کاربری زمین
۳٫۵٫ تجزیه و تحلیل عوامل موثر بر تغییر LULC
۳٫۵٫۱٫ تجزیه و تحلیل نتایج تشخیص تک عاملی
۳٫۵٫۲٫ تجزیه و تحلیل تعامل بین عوامل
۴٫ بحث
۵٫ نتیجه گیری ها
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 ]
بدون دیدگاه