خلاصه
ساختارهای اتلافی شناخته شده از ترمودینامیک غیرتعادلی می توانند الگوهایی را تشکیل دهند. شهرها به دلیل خودسازماندهی به عنوان ساختارهای باز و پراکنده در نظر گرفته می شوند و بنابراین در تئوری نیز قادر به شکل گیری الگو هستند. در اولین قدم برای درک شباهت‌های بین شکل‌گیری الگوی غیرخطی و سیستم‌های بین شهری، نحوه چیدمان ساختارهای بین شهری را بررسی می‌کنیم. ما از داده‌های ردپای جهانی شهری برای شناسایی نظم‌های فضایی در هفت منطقه (آرژانتین، چین، مصر، فرانسه، هند، غنا و ایالات متحده آمریکا) و برای توصیف کمی الگوهای استقرار بر اساس تعداد اشیا و تراکم استفاده می‌کنیم. ما متوجه شدیم که مناطق کوچکی از مجموعه داده‌های بررسی‌شده یک ترتیب منظم را نشان می‌دهند، تراکم و تعداد سکونتگاه ها به طور گسترده ای بین مناطق مختلف متفاوت است و بخشی از مناطق منظم در این مناطق به شدت با این دو پارامتر مرتبط است. نتایج را می توان برای توسعه مدل های ریاضی که از یک سو شکل گیری الگوی بین شهری را توصیف می کند و از سوی دیگر برای بررسی اینکه تا چه حد الگوهای سکونتگاه مربوطه با شرایط مرزی زیرساختی، اقتصادی یا سیاسی مرتبط است، استفاده کرد.
کلید واژه ها:
تحلیل فضایی ; تشکیل الگو ؛ مدل سازی شهری ; الگوی استقرار ; سنجش از دور
۱٫ معرفی
شهرنشینی همراه با دگرگونی های عمده جمعیتی، همراه با تغییرات آب و هوایی، یکی از بارزترین پدیده های اوایل قرن بیست و یکم [ ۱ ] است و در دهه های اخیر به طور فزاینده ای در کانون کار علمی قرار گرفته است [ ۲ ]. این توسعه منجر به “علم شهرها” شده است [ ۳ ]، جایی که با کمک مدل های کمی ریاضی، تلاش های مختلفی برای دستیابی به فرآیندهای مختلفی که شهرهای امروزی را شکل داده و تغییر می دهند، انجام می شود [ ۴ ، ۵ ].
تمرکز اصلی، بررسی مورفولوژی شهری [ ۶ ] و کاربری زمین در شهرها و اطراف آنها است. برای توصیف و پیش‌بینی تغییرات در کاربری زمین، اتوماتای سلولی ابزاری است که معمولاً مورد استفاده قرار می‌گیرد [ ۷ ]. در دهه‌های گذشته، اینها توسط عامل‌های سیار گسترش می‌یابد، که منجر به مدل‌های مبتنی بر عامل می‌شود که تعامل بین بازیگران و محیط مربوطه را که در آن کار می‌کنند، توصیف می‌کنند [ ۸ ].
با این حال، به دلیل ادغام مقادیر بیشتری از داده ها [ ۹ ]، الگوریتم های پیچیده تر [ ۱۰ ]، به ویژه یادگیری ماشین و یادگیری عمیق، مدل ها پیچیده تر و پیچیده تر می شوند [ ۱۱ ]. ساختار «جعبه سیاه» این مدل‌ها، همراه با تعداد فزاینده‌ای از تفاوت‌های ظریف در نظر گرفته شده در مدل‌ها، منجر به از دست دادن قابلیت درک می‌شود [ ۱۲ ]. زمانی که پدیده‌های خاصی با مدل‌های ریاضی نسبتاً ساده برای توصیف فرآیندهای اصلی شهرنشینی نقشه‌برداری می‌شوند، رویکردی برعکس اتخاذ می‌شود.
یک مدل بسیار معروف برای توصیف ساختارهای شهری توسط والتر کریستالر در اوایل دهه ۱۹۳۰ ساخته شد، زمانی که او مفهوم نظریه مکان مرکزی (CPT) را توسعه داد [ ۱۳ ]. این نظریه بر این فرض استوار است که از یک توزیع همگن محلی از سکونتگاههای کوچک، سلسله مراتب شهری در طول زمان توسعه می‌یابد که در آن شهرهای بزرگتر وظایف زیرساختی خاصی را برای همسایگان خود بر عهده می‌گیرند. اگرچه این نظریه مورد انتقاد قرار گرفته است (به عنوان مثال، در [ ۱۴ ] نگاه کنید)، هم سلسله مراتب در ساختارهای سکونتگاهی برای مناطق مختلف [ ۱۵ ] و هم نظم در آرایش سکونتگاه های روستایی [ ۱۶ ] را می توان به صورت تجربی نشان داد.
در حالی که بسیاری از مدل‌های مبتنی بر CPT بر توسعه از ساختارهای منظم به سلسله مراتبی تمرکز داشتند [ ۱۴ ]، توجه کمتری به توسعه ساختارهای منظم اولیه شد. تنها رویکردی که ما با پیروی از این جهت برای سیستم بین شهری شناخته ایم، با آرایش فضایی منظم کارخانه های صنعتی سر و کار دارد. پل کروگمن [ ۱۷ ] پیشنهاد کرد که آرایش فضایی منظم این گیاهان را می توان با یک ناپایداری ناشی از انتشار توصیف کرد.
علاوه بر ناپایداری ناشی از انتشار، سیستم‌های ترمودینامیکی باز دیگری را می‌توان در طبیعت یافت که ساختارهای منظمی مانند جریان تیلور-کوئت، همرفت ریلی-بنارد و همرفت بنارد-ماراگونی را تشکیل می‌دهند. نظم دور از تعادل ترمودینامیکی ناشی از ناپایداری هایی است که رشد می کنند و توسط اختلالات یا نقص های کوچک تحریک می شوند [ ۱۸ ]. از آنجایی که سیستم های شهری نیز سیستم های باز [ ۱۹ ] هستند ، این سوال مطرح می شود که آیا می توان آنها را با مدل های ریاضی غیرخطی از این نوع توصیف کرد؟ در سال‌های اخیر، تلاش‌های فزاینده‌ای برای انتقال این مدل‌های غیرخطی فیزیکی به الگوها یا ساختارهای درون شهری انجام شده است [ ۲۰ ، ۲۱ ، ۲۲ ].
با این حال، ما نگران الگوهای سیستم های بین شهری هستیم. الگوی کیفی متفاوت ساختارهای شهری را می توان به مکانیسم های رشد پراکندگی شهری [ ۲۳ ، ۲۴ ] و پاشیدن [ ۲۵ ، ۲۶ ] که اثرات اجتماعی و اکولوژیکی دارند [ ۲۳ ] مرتبط کرد. بنابراین درک عمیق‌تر این الگوها، فرآیندها و احتمالات مدل‌سازی [ ۲۵ ، ۲۷ ] از اهمیت زیادی برخوردار است.
در گام اول، ماهیت سازه‌های تشکیل‌شده توسط سیستم‌های بین شهری را بر اساس مثال‌های مختلف مورد بررسی قرار می‌دهیم تا کاربرد این مدل‌های غیرخطی را در کارهای آتی با آگاهی از این که چنین رویکردی تنها نشانه‌ای از الگو است، بررسی کنیم. مکانیسم تشکیل [ ۲۸ ]. سوال تحقیق ما به شرح زیر است.
سکونتگاه ها در مناطق عمدتاً روستایی مختلف جهان چگونه چیده شده اند؟
اگرچه مطالعاتی وجود دارد که منظم بودن ترتیبات اسکان [ ۱۵ ، ۱۶ ] را مورد بررسی قرار می دهد، اینها اغلب در سطح جهانی قابل مقایسه نیستند. بنابراین، ما الگوهای استقرار تعیین شده توسط داده های ماهواره ای در هفت منطقه مختلف جهان را با استفاده از چارچوب زیر مقایسه می کنیم.
۲٫ چارچوب مفهومی
در مقابل پس‌زمینه گسترش شدید یادگیری ماشینی، طیف گسترده‌ای از حوزه‌های علمی به الگوها مربوط می‌شوند. در تجزیه و تحلیل خود، الگوهای دو بعدی دو بعدی را بررسی می کنیم.
برای پاسخ به سؤالات تحقیق ذکر شده در بالا، به روش های منسجم نیاز است. ویژگی‌های الگوهای استقرار باید به روشی صحیح و در عین حال فشرده اندازه‌گیری شوند تا بتوان ساختارهای استقرار را در مناطق مختلف مقایسه کرد. بنابراین، از سه پارامتر زیر استفاده می کنیم ( شکل ۱ )،
- (من)
-
تعداد اشیاء مورد بررسی؛
- (II)
-
تراکم اجسام در منطقه مورد بررسی؛ و
- (iii)
-
نظم، که ما آن را با یک مقدار مشخصه خاص کمیت می کنیم.
در حالی که تعداد و چگالی مقادیر پیوسته از “کم” تا “بالا” را نشان می دهند، نظم به سه کلاس تقسیم می شود. اینها خوشه ای، تصادفی و منظم هستند. در این روش از شکل تک تک اشیاء غفلت می کنیم. با استفاده از این روش‌ها، الگوهای استقرار را با استفاده از چارچوب موجود در شکل ۲ کمیت می‌کنیم .
ما ابتدا در بخش ۳ داده های تجربی و روش های تجزیه و تحلیل مورد استفاده را قبل از ارائه نتایج در بخش ۴ ارائه و به اختصار توضیح می دهیم و سپس آنها را در بخش ۵ مورد بحث قرار می دهیم .
۳٫ داده ها و روش ها
۳٫۱٫ داده ها
به عنوان داده های تجربی از GUF استفاده می شود، مجموعه ای از داده ها توسط مرکز هوافضای آلمان (DLR)، که بر اساس داده های ماموریت TanDEM-x است. داده‌های GUF مربوط به سال‌های ۲۰۱۱ و ۲۰۱۲ هستند. داده‌های راداری جمع‌آوری‌شده توسط دو ماهواره به‌طور کامل در سه مرحله توسط پردازشگر ردپای شهری ارزیابی می‌شوند و یک نقشه استقرار باینری با وضوح تقریبی ۱۲ متر تولید می‌شود [ ۲۹ , ۳۰ ، ۳۱ ]. بنابراین، نقشه استقرار دودویی شامل پیکسل‌هایی با وضوحی است که قبلاً ذکر شد، که نشان می‌دهد منطقه مربوطه مستقر است یا خیر.
در تجزیه و تحلیل خود، ما بخش هایی را از هفت منطقه عمدتاً کشاورزی در پنج قاره بررسی کردیم، یعنی مناطقی در آرژانتین، چین، مصر، فرانسه، غنا، هند و ایالات متحده آمریکا، که همگی به اندازه ۲۰۰ کیلومتر در ۲۰۰ کیلومتر هستند (شکل ۳ ) . مختصات مجموعه داده ها در جدول A1 آورده شده است . شکل ۴ نمونه هایی از GUF بررسی شده در چین و مصر را نشان می دهد. در این تجزیه و تحلیل، ما بر روی مناظر تحت سلطه کشاورزی به عنوان تئوری های مختلف سکونت مانند CPT [ ۱۳ ] یا دیگران [ ۳۲ ، ۳۳] تمرکز می کنیم.] بر اساس توزیع منظم سکونتگاه های غیر شهری به عنوان حالت اولیه است. در انتخاب مناطق سعی شده است با بررسی کشورهای دارای توسعه اقتصادی متفاوت (در حال توسعه و توسعه یافته) تصویری تا حد امکان جامع به دست آوریم. علاوه بر این، تا آنجا که ممکن است مناطق شهری کمتری باید حضور داشته باشند. قاهره (مصر) استثنا است، زیرا دلتای نیل یک منطقه بسیار جالب و در غیر این صورت یک منطقه مسکونی همگن در شمال صحرا است.
۳٫۲٫ روش
همانطور که در بخش ۲ معرفی شد ، الگوهای سکونت حاصل از GUF با توجه به پارامترهای سه بعدی، تعداد اجسام N ، چگالی بررسی می شوند.ϱو شاخص میانگین نزدیکترین همسایه ( ANN) به عنوان یک اندازه گیری برای نظم.
ما تراکم را به عنوان ضریب منطقه پرجمعیت تعریف می کنیم آساختن-بالاو منطقه A را مورد بررسی قرار داد :
ϱ:=آساختن-بالاآ.
این ANN[ ۳۴ ] معمولاً برای اندازه گیری توزیع سکونتگاه ها در تحقیقات جغرافیایی استفاده می شود [ ۱۵ ، ۱۶ ]. این الگوهای خوشه ای، تصادفی و منظم را که توسط نشان داده شده اند متمایز می کند ANNمقادیر نزدیک به ۰، ۱ یا ۲٫۱۵، به ترتیب. هنگام محاسبه ANN، میانگین حسابی r¯آاز فاصله rمنبین هر نقطه داده من∈[۱،ن]و از نزدیکترین همسایه آن در ناحیه مورد بررسی A استفاده شده است. این فاصله با فاصله مقایسه می شود r¯E=0.5∗آ/ننقاط داده در یک توزیع تصادفی [ ۳۴ ]:
ANN=r¯آr¯E=2∑من=۱نrمنن·آ
مشابه کار در [ ۱۶ ]، ما بین خوشه ای ( ۰≤ANN≤۰٫۶)، تصادفی ( ۰٫۶<ANN≤۱٫۵) و معمولی ( ANN>1.5) توزیع
به منظور کمی کردن قابلیت اطمینان طبقه بندی الگو به عنوان انحراف از توزیع منظم، مقدار z برای ANNمحاسبه می شود. این احتمال را نشان می دهد که با آن فرضیه توزیع نقطه تصادفی می تواند به درستی رد شود. یک مقدار z <1.96یا >1.96فاصله اطمینان ۹۰% را تشکیل می دهد و مقدار به صورت تعریف می شود
z=r¯آ-r¯E0.26136·نآ
ما ابتدا از پارامترهای معرفی شده در بخش ۲ ، یعنی تعداد اشیاء N ، چگالی استفاده می کنیم.ϱو ANNبرای توصیف الگوی ترتیب سکونت. محاسبه آننبا در نظر گرفتن تمام اشیاء حل و فصل در منطقه متشکل از حداقل پنج پیکسل، به a ANN <1برای همه مجموعه های داده
از آنجایی که این امکان تجزیه و تحلیل دقیق، تعداد اجسام N ، چگالی را نمی دهدϱو ANNدر مربع های نمونه که در هر هفت منطقه مورد بررسی قرار گرفته اند، ارزیابی می شوند. برای هر تجزیه و تحلیل، مربع های نمونه با اندازه مساوی به طور مساوی در جهت عمودی و افقی مرتب می شوند. فاصله بین مربع های نمونه مجاور به طور قابل توجهی کمتر از طول لبه آنها است. مسافت ۰٫۵ کیلومتر برای طول مربع نمونه برابر با ۲ کیلومتر است. ۱ کیلومتر برای مربع نمونه به طول ۳ کیلومتر و مربع های نمونه بزرگتر ۲ کیلومتر فاصله دارند. از آنجایی که مربع های عبور از مرز منطقه مورد بررسی منجر به نتایج گمراه کننده می شود، مربع های نمونه لبه های مجموعه داده را پوشش نمی دهند. نتیجه مربع نمونه برای N ، ϱو ANNبه مرکز آن اختصاص داده می شود تا نتایج هر مربع نمونه را برای کل مجموعه داده به تصویر بکشد.
۴٫ تجزیه و تحلیل
۴٫۱٫ ترتیب تسویه حساب
در شکل ۵ ، پارامترها ن،ϱو ANNبرای مربع های نمونه به طول ۸ کیلومتر نشان داده شده است.
لازم به ذکر است که انتزاع داده ها در GUF به مرکز ثقل و سطح جسم می تواند منجر به چگالی بیشتر از ۱۰۰٪ شود. این مورد زمانی است که تعداد زیادی از اجسام با اندازه بزرگ مرکز ثقل خود را در مربع نمونه قرار می دهند، اما ابعاد آنها به طور قابل توجهی از مرز مربع نمونه فراتر می رود. این منجر به یک منطقه استقرار می شود که بزرگتر از مساحت مربع نمونه است. ما مقدار چگالی را به ۱۰۰٪ محدود می کنیم.
شکل ۵به ما اجازه می دهد تا هر مجموعه داده را مشخص کنیم: مجموعه داده ها آرژانتین نقاط مساوی با تراکم بالاتر را نشان می دهد که به شهرهای بزرگتر در منطقه مشاهده شده تعلق دارند. گوشه جنوب شرقی در مجموعه داده چین با تعداد زیاد اشیاء و چگالی کم مشخص می شود، بنابراین نشان دهنده اشیاء ساکن کوچک است. سکونتگاههای موجود در مجموعه داده‌ها مصر به وضوح از دلتای نیل پیروی می‌کنند و تجمع قاهره به راحتی قابل شناسایی است. مناطق رگه‌ای شکل با تخلخل‌های کم که از طریق مجموعه داده‌های فرانسه عبور می‌کنند، با رودخانه‌هایی مشخص می‌شوند که در سواحل آنها تعداد بیشتری از اشیاء استقرار یافت می‌شود. در مجموعه داده غنا، خوشه بندی اشیاء سکونتگاهی در اطراف شهر میلیونی کومانسی به وضوح قابل مشاهده است. خوشه‌های ساختارهای سکونتگاهی متراکم در شمال مجموعه داده هند واقع شده‌اند، در حالی که قسمت جنوبی دارای اشیاء سکونتگاهی بسیار کمی است. مجموعه داده USA تنها شامل تعداد کمی از اشیاء است که گسترش کمی دارند. بنابراین، طول مربع نمونه انتخابی مناسب نیست ANNارزیابی در این مجموعه داده
در هر منطقه، اکثریت واضح مربع های نمونه به عنوان توزیع تصادفی توسط مقدار مشخص می شود ANN. با این وجود، مجموعه داده های فردی تفاوت هایی دارند: در مجموعه داده آرژانتین، اکثر مربع های نمونه با یک نشان داده می شود. ANNاعم از ۰٫۶به ۱٫۲; در مجموعه داده های چین و مصر، اکثر مربع های نمونه دارای یک هستند ANNبزرگتر ۰٫۹و کوچکتر ۱٫۲; در فرانسه، غنا، هند و ایالات متحده آمریکا، دامنه غالب است ۰٫۶<ANN≤۰٫۹٫
با این حال، در برخی مناطق درصد کمی از مربع ها، به عنوان مثال، ۲٫۷٪ در مجموعه داده آرژانتین و ۲٫۶٪ در مجموعه داده ایالات متحده، بر اساس ANN، ساختارهای منظم ( جدول A2 را ببینید ).
به منظور بررسی دقیقتر چیدمان اشیاء استقرار، تحلیل توصیف شده با مربع‌های نمونه برای مربع‌هایی با طول لبه‌های مختلف تکرار شد. نتایج متوسط در شکل ۶ نشان داده شده است . تاثیر اندازه مربع های نمونه بر ANNقابل مشاهده می شود: با افزایش طول لبه ANNکاهش می یابد، در حالی که در مناطق پرجمعیت افزایش به طول لبه مربع نمونه متوسط قبل از کاهش تشخیص داده می شود. همچنین مشخص می‌شود که اشیاء حل و فصل در مجموعه‌های داده چین و مصر به طور منظم‌تری نسبت به سکونتگاههای موجود در مجموعه‌های داده دیگر توزیع شده‌اند.
با این حال، مربع های نمونه با توزیع حل و فصل منظم را می توان برای همه مجموعه داده ها یافت. برای سهم مربع های نمونه منظم در هر داده به جدول A2 مراجعه کنید . در حالی که برای اندازه پنجره نمونه ۲ × ۲ کیلومتر ۲نسبت پنجره های با a آنن>1.5بین ۰٫۸٪ (ایالات متحده آمریکا) و ~۱۴٪ (چین)، برای ۳ × ۳ کیلومتر است ۲بین ۰٫۹۵٪ (فرانسه) و ۴٪ (هند)، برای پنجره های نمونه بزرگتر (۱۵ × ۱۵ کیلومتر) ۲) مقادیر بین ۰٪ برای چین و ۰٫۲۳٪ برای آرژانتین است ( جدول A2 ). بنابراین، مناطقی از ساختارهای سکونتگاهی منظم را می توان بیش از هر چیز در بخش های سکونتگاه کوچک مشاهده کرد.
تمام مربع های نمونه فهرست شده با ANN>1.5منجر به z-value بالای ۱٫۹۶ می شود. در این مورد، ANNنتیجه قابل اعتماد یک توزیع غیر تصادفی را ارائه می دهد.
مناطق مورد بررسی از نظر تعداد اشیا، تراکم و قسمتی از لکه‌های منظم در سازه‌های استقراری تفاوت‌های محسوسی را نشان می‌دهند. با این وجود، شباهت هایی در مجموعه داده های آرژانتین و ایالات متحده آمریکا و مصر و هند قابل مشاهده است.
۴٫۲٫ توزیع اندازه
برای بررسی دقیقتر برخی از نکات از بالا، علاوه بر سه پارامتر ن،ϱو آنن، توزیع اندازه گسترش اشیاء حل و فصل در تمام مجموعه های داده مورد بررسی قرار گرفت، به شکل ۷ مراجعه کنید . مشخص شد که میانه هر هفت مجموعه داده در محدوده مشابهی قرار دارد ۱۰۴متر ۲و همچنین میانگین هندسی اس۰در جدول ۱ آورده شده است . بنابراین اندازه مشخصه ساختارهای بین شهری مورد بررسی در اینجا در همان محدوده ساختارهای درون شهری محله های فقیر نشین مورفولوژیکی است که در [ ۳۵ ، ۳۶ ] بررسی شده است.
همچنین مشخص می شود که اشیاء سکونت گاه کمی در مناطق مورد بررسی در آرژانتین و ایالات متحده یافت می شود. علاوه بر این، این دو مجموعه داده به اندازه سایر مناطق مورد بررسی دارای اشیاء سکونتگاهی بزرگ نیستند و از این جنبه بسیار شبیه هستند. این واقعیت عجیب به نظر نمی رسد، زیرا مجموعه داده ها بخشی از پامپاس آرژانتین و دشت های بزرگ آمریکا را نشان می دهد. در ادامه از این دو منطقه به عنوان کم جمعیت یاد می شود. مجموعه داده چین دارای بیشترین تعداد اشیاء سکونتگاهی است که بیشترین پسوند را نیز دارند. مجموعه داده های هند و مصر شامل تعداد مشابهی از اشیاء هستند و اندازه مشخصی از اشیاء دارند که فقط کمی متفاوت است.
مجموعه داده های غنا و فرانسه را نمی توان به راحتی در دسته های مناطق کم جمعیت، متوسط و پرجمعیت طبقه بندی کرد. فرانسه تعداد زیادی اشیاء مشابه هند و مصر دارد، اما دارای اشیایی با ابعاد بسیار کوچکتر است، در حالی که در غنا، وسعت اشیاء با وسعت اشیاء در مجموعه داده هند قابل مقایسه است و تعداد اشیاء نزدیک است. به تعداد مجموعه داده های کم جمعیت.
۴٫۳٫ کلاس ها
درصد کمی از ساختارهای منظم در بخش ۴٫۱ هنگام مقایسه بصری نتایج با داده‌های GUF، به عنوان مثال، برای مصر، شگفت‌انگیز به نظر می‌رسد ( شکل ۴ را ببینید ). به نظر می رسد شهرهای بزرگتر در دلتای نیل از یکدیگر فاصله دارند، همانطور که برای شهرهای دره نیل نشان داده شد [ ۱۵ ]. با در نظر گرفتن آن، تجزیه و تحلیل دوم در مورد تنها اشیاء استقرار بزرگتر در اندازه انجام می شود.
داده‌ها به سه سطل لگاریتمی تقسیم می‌شوند که از کوچک‌ترین مساحت شی تا بزرگ‌ترین مساحت جسم را شامل می‌شود. کل اشیاء موجود در سطل های سه گانه، در بخش های فرعی قبلی تحلیل شده است. در ادامه، این مجموعه داده به عنوان کلاس ۱ نامیده می شود . وسط و آخرین سطل حاوی اجسام متوسط و بزرگ به عنوان کلاس ۲ نشان داده می شوند ، در حالی که اشیاء بزرگ نشان دهنده کلاس ۳ هستند . برای تجسم تقسیم مجموعه داده ها به کلاس ها، لطفاً به شکل A1 مراجعه کنید . کلاس های مختلف در مجموعه داده مصر در شکل ۸ نشان داده شده است .
تکرار تجزیه و تحلیل توصیف شده تنها با توجه به کلاس ۲ ، میانگین ANNدر مجموعه داده مصر افزایش می یابد، به شکل ۹ مراجعه کنید . در مجموعه داده مصر فقط اشیاء کمی در کلاس ۳ وجود دارد ، به همین دلیل است که طول مربع نمونه باید به طور قابل توجهی افزایش یابد تا امکان ارزیابی از ANN. بنابراین، نتایج تجزیه و تحلیل به راحتی با نتایج کلاس ۱ و ۲ قابل مقایسه نیستند . برای دریافت تصوری از نتایج کلاس ۳ ، شکل ۹ میانگین را نشان می دهد ANNبرای مربع های نمونه با طول لبه برابر با ۷۵ کیلومتر، تنها با در نظر گرفتن اشیاء کلاس ۳ .
نتایج مشابهی را می توان با تجزیه و تحلیل کلاس ۲ یا ۳ در مجموعه داده های دیگر به دست آورد. برخی از مجموعه‌های داده نسبت پنجره‌های معمولی بالاتری را در کلاس ۳ نسبت به کلاس ۱ نشان می‌دهند ، در حالی که برخی دیگر نسبت‌های بالاتری از پنجره‌های معمولی در کلاس ۲ را نسبت به کلاس ۱ نشان می‌دهند . این منجر به این فرضیه می شود که اشیاء استقرار بزرگتر در یک الگوی منظم تر از کل اشیاء استقرار چیده شده اند.
زمانی که نه فقط شناسایی ANNدر مربع های نمونه و همچنین تعداد اشیاء سکونتی در نظر گرفته شده برای محاسبه شاخص، مشخص می شود که مربع های نمونه با بالاتر ANNمعمولاً اشیاء کمتری را شامل می شود ( جدول A2 را ببینید ). هنگام تجزیه و تحلیل کلاس ۲ و کلاس ۳ ، تعداد اشیاء حل و فصل کاهش می یابد در حالی که طول لبه مربع نمونه ثابت نگه داشته می شود. ممکن است کسی استدلال کند که ANNبنابراین در کلاس ۲ و کلاس ۳ تنها به دلیل کاهش تعداد اشیاء در مربع های نمونه افزایش می یابد. در مورد جدول ۲ این مورد نیست. فقط برای مربع های نمونه کوچک با بالا ANNمجموعه داده کلاس ۱ شامل نقاط داده بیشتری نسبت به کلاس ۲ است . برای مربع های نمونه بزرگتر، تعداد اشیاء هنگام حرکت از کلاس ۱ به کلاس ۲ افزایش می یابد .
۴٫۴٫ ساختارهای تسویه حساب منظم
هیچ یک از هفت منطقه مورد مطالعه عمدتاً از ساختارهای سکونتگاهی منظم تشکیل نشده است. با این حال، ساختارهای منظم را می توان برای هر هفت مجموعه داده شناسایی کرد – به شکل ۱۰ مراجعه کنید . جدول ۳ سه بخش از این قبیل را نشان می دهد ANN>1.5از GUF و پارامترهای آنها. لازم به ذکر است که به نظر نمی رسد بخش های مجموعه داده های چین و مصر برای کلاس ۲ به طور منظم به اندازه بالا توزیع شوند.ANNحاکی از. این به دلیل این واقعیت است که در کلاس ۲ اشیاء کوچک، که در این مورد، در اطراف اجسام بزرگتر جمع شده اند، در نظر گرفته نمی شوند.
۵٫ بحث
مناطق مورد بررسی در این تحقیق به ویژه مناطق روستایی الگوهای سکونتگاهی متفاوتی را نشان می دهند. GUF با سه پارامتر (تعداد، چگالی و نظم) تجزیه و تحلیل می شود که یک الگوی دو بعدی را بدون در نظر گرفتن شکل اجسام مختلف تعریف می کند. با این حال، تجزیه و تحلیل انجام شده به یک مجموعه داده خاص در یک نقطه زمانی مشخص محدود می شود. هنگام ارزیابی نتایج، باید در نظر گرفت که داده ها ممکن است دارای مصنوعاتی باشند که در اینجا بیشتر مورد بحث قرار نگرفته اند. برای ارزیابی داده های اصلی GUF، لطفاً به انتشارات مربوطه مراجعه کنید [ ۳۷ ].
با نگاهی به توزیع اندازه سکونتگاه های مختلف و مقدار میانگین آنها، قابل توجه است که مقادیر ~۰٫۰۱ کیلومتر ۲یافت شده در اینجا شبیه به تجزیه و تحلیل های درون شهری است [ ۳۵ ، ۳۶ ]. به نظر می رسد این اندازه یک کمیت جهانی از ساختارهای سکونتگاهی باشد، زیرا به اندازه بلوک های شهری در شهرهای آمریکا و استرالیا نیز شبیه است [ ۳۸ ].
ما استفاده می کنیم ANNبه عنوان روشی برای کمی کردن نظم الگوها در آگاهی از محدودیت های این رویکرد: تأثیرات مساحت و تعداد اشیاء در نظر گرفته شده برای محاسبه را نمی توان نادیده گرفت (برای بحث دقیق تر در مورد شاخص های الگو به کار مراجعه می کنیم. در [ ۳۹ ]). معایب قابل درک است، زیرا آرایش فضایی یک سازه به یک پارامتر واحد کاهش می یابد که منجر به از دست دادن اطلاعات می شود. به عنوان آننهنوز هم اولین نشانه از منظم بودن الگو را نشان می دهد، این یک معیار مناسب برای پاسخ به سؤالات تحقیق فرموله شده در بالا است.
با نگاهی به مناطق تحلیل شده از منظر ماکروسکوپی، خوشه های سکونتگاهی را می توان یافت، به ویژه در سمت خطوط ساحلی. این امر به این دلیل است که فرآیند شکل‌گیری سکونتگاه به طور همگن در یک منطقه انجام نمی‌شود، اما به نظر می‌رسد نزدیکی به منابع و زیرساخت‌ها (ماهیگیری، تجارت و اقتصاد) در انتخاب مکان نقش داشته باشد. مرزهای منطقه نیز تأثیر زیادی در نتیجه دارد: در حالی که در جنوب منطقه مورد مطالعه در غنا، اقیانوس اطلس مستقیماً شروع می شود و شمال آن جنگل بارانی است، در چین این منطقه بخشی از یک ساختار بین شهری بسیار بزرگ با قاعده مندی بالا است. ۱۶ ].
نتایج تجربی همبستگی بین چگالی بالا و تعداد زیاد اشیاء را نشان می دهد ( جدول A2 ). در عین حال، چگالی و تعداد اجسام ارتباط قوی دارند ( آر=۰٫۹۳۲۷) با درصد نواحی دارای نظم بالا (زیاد آنن، به ویژه هنگام استفاده از پنجره های کوچک تحقیق (۲ × ۲ کیلومتر). ۲). با پنجره های بزرگتر، تعداد اشیاء در مناطق با بالا آننمقادیر کاهش می‌یابد، به طوری که مشخص نیست که نتایج روی نظم چقدر معتبر هستند. همچنین به صورت کیفی در جدول ۳ نشان داده شده است که اگرچه چگالی و ANNمی توان نقشه برداری کرد، توزیع اندازه در داده های تجربی بیش از یک الگوی نظری منظم در نوسان است. همانطور که توسط یک تجزیه و تحلیل برای شهرهای بزرگ در دره نیل نشان داده شده است [ ۱۵ ]، تجزیه و تحلیل ها را می توان در طبقات مختلف ادامه داد. در مطالعات بیشتر، منظم بودن شهرهای بزرگتر معرفی شده در بخش ۴٫۳ باید به تفصیل مورد بررسی قرار گیرد.
در ابتدای این مقاله، ما این سوال را مطرح کردیم که آیا سازه‌های شهری (یا قسمت‌هایی از آنها) در یک الگوی منظم چیده شده‌اند و بنابراین ویژگی معمولی شکل‌گیری الگوی غیرتعادلی را در سیستم‌های اتلاف‌کننده و باز نشان می‌دهند. همانطور که می توان انتظار داشت، ساختارهای منظم را نمی توان در کل مناطق مطالعه مشاهده کرد. با این حال، ما توانسته‌ایم الگوهای سکونتگاهی منظم را به‌ویژه در مناطقی که تعداد و تراکم ساختارهای سکونتگاهی زیاد است، شناسایی کنیم.
بر اساس این یافته‌ها، گام بعدی بررسی این است که کدام مدل‌ها می‌توانند برای به تصویر کشیدن الگوی شکل‌گیری ساختارهای شهری مورد استفاده قرار گیرند. به عنوان مثال، می توان تحلیل کرد که آیا مدل های واکنش- انتشار، تشکیل الگو از طریق تعامل مورفوژن های مختلف، برای توصیف تشکیل ساختار مناسب هستند یا خیر. برای این منظور، کار بنیادی رودی و همکاران. [ ۴۰ ] یا ژائو و همکاران. می توان به [ ۴۱ ] اشاره کرد که مکانیسم های اساسی تشکیل الگو را با تجزیه و تحلیل توالی های تصویر شناسایی کرده اند. روش‌های پیشنهادی آنها را می‌توان برای تجزیه و تحلیل نقشه‌های استقرار حل‌شده با زمان و تعیین کمیت تغییرات آنها با استفاده از مفاهیم فیزیک مورد استفاده قرار داد.
از آنجایی که ساختارهای منظم عمدتاً در پنجره‌های ارزیابی کوچک شناسایی شدند، مدل‌های شکل‌گیری الگوی غیرخطی نیز باید در درجه اول بر مقیاس‌های کوچک متمرکز شوند.
۶٫ نتیجه گیری
نتایج این مقاله کمک می کند تا پاسخ دهیم که آیا سکونتگاه ها به طور منظم در مناطق مختلف جهان مرتب شده اند یا خیر. انگیزه طرح این سوال این است که آیا شهرها به عنوان سیستم های باز ترمودینامیکی شباهت هایی در الگو با ساختارهای اتلافی دارند یا خیر.
الگوهای استقرار هفت منطقه در پنج قاره مورد بررسی قرار گرفت. در حالی که منطقه در چین تعداد اشیاء سکونتگاهی و تراکم سکونتگاهی بالایی داشت، و مناطق در ایالات متحده آمریکا و آرژانتین تعداد اشیاء و تراکم سکونت گاه پایینی داشتند، سایر مناطق مورد مطالعه (غنا، فرانسه، هند و مصر) بودند. در بین. تراکم استقرار و تعداد سکونتگاه ها با یکدیگر همبستگی دارند که می توان آن را با توزیع اندازه نسبتاً مشابه سکونتگاه ها با میانگین هندسی نزدیک به ۰٫۰۱ کیلومتر توضیح داد. ۲٫ تعداد نشست‌ها و همچنین تراکم با نسبت پنجره‌های نمونه با نظم بالا ارتباط دارد آنن>1.5. تجزیه و تحلیل با بالاترین وضوح (پنجره نمونه ۲ × ۲ کیلومتر ۲) نشان داد که بین ۱% (ایالات متحده آمریکا) تا ۱۴% (چین) از منطقه مورد بررسی ساختارهای سکونتگاهی منظم را نشان می دهد. این بدان معنی است که هر چه یک منطقه متراکم تر باشد، احتمال بیشتری وجود دارد که ساختارهای سکونتگاهی منظم در آن یافت شود.
این نتایج را می توان برای توسعه مدل های ریاضی استفاده کرد که می تواند شکل گیری الگوی سازه های شهری را توسط مدل های ترمودینامیک غیرتعادلی توصیف کند. علاوه بر این، نتایج را می توان در کارهای آینده گسترش داد و با سایر زمینه های تحقیقاتی همراه کرد: به عنوان مثال، (۱) در مطالعات زیرساختی می توان آن را تحلیل کرد که آیا توسعه زمانی زیرساخت های حمل و نقل بر شکل گیری الگوی بین شهری تأثیر دارد یا خیر. علاوه بر این، (۲) می توان بررسی کرد که تا چه حد نظام های سیاسی (سیاست ها و سیاست ها) با شکل گیری الگو همبستگی دارند. سپس می توان این جنبه ها را به صراحت در مدل های ریاضی در نظر گرفت. در نهایت، (iii) می توان بررسی کرد که توسعه اقتصادی یک منطقه تا چه حد به ترتیب سکونتگاه ها مرتبط است یا بر آن تأثیر می گذارد.
اختصارات
در این نسخه از اختصارات زیر استفاده شده است.
| ANN | شاخص میانگین نزدیکترین همسایه |
| CPT | نظریه مکان مرکزی |
| DLR | مرکز هوافضای آلمان |
| GUF | ردپای جهانی شهری |
| ss | مربع نمونه |
پیوست A. اطلاعات بیشتر
جدول A1. مختصات هر هفت مجموعه داده در نظر گرفته شده. سیستم مرجع WGS 84 است، مختصات در درجه اعشار داده شده است.
شکل A1. ستون ها محدوده مساحت اشیاء حل و فصل را برای کلاس های مختلف در هر مجموعه داده نشان می دهند.
جدول A2. درصد مربع های نمونه (ss) با ANN>1.5برای هر مجموعه داده و تعداد با توجه به تعداد نقاط داده N در نظر گرفته شده برای ارزیابی ANN>1.5در این SS علاوه بر این، درصد مربع های نمونه با ANN>1.5و z<-2.58یا z>2.58و میانگین تعداد اشیاء N در این مربع های نمونه.
منابع
- رتیف، اف. باند، ا. پاپ، جی. موریسون-ساندرز، ای. کینگ، ن. مگاترندهای جهانی و پیامدهای آنها برای ارزیابی زیست محیطی. محیط زیست ارزیابی تاثیر Rev. ۲۰۱۶ , ۶۱ , ۵۲-۶۰٫ [ Google Scholar ] [ CrossRef ]
- زو، ز. ژو، ی. Seto، KC; استوکس، EC; دنگ، سی. پیکت، ST; Taubenböck، H. درک یک سیاره شهری: جهت گیری های استراتژیک برای سنجش از دور. از راه دور. حس محیط. ۲۰۱۹ ، ۲۲۸ ، ۱۶۴-۱۸۲٫ [ Google Scholar ] [ CrossRef ]
- Batty, M. The New Science of Cities ; انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، ۲۰۱۳٫ [ Google Scholar ]
- باتی، ام. ساخت علم شهرها. شهرها ۲۰۱۲ ، ۲۹ ، S9–S16. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- پرتغالی، ج. پیچیدگی، شناخت و شهر . پیچیدگی اسپرینگر، اسپرینگر: برلین/هایدلبرگ، آلمان؛ نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۱٫ [ Google Scholar ]
- تاوبن باک، اچ. دبری، اچ. کیو، سی. اشمیت، ام. وانگ، ی. Zhu، X. هفت نوع شهر که نمایانگر پیکربندی مورفولوژیکی شهرها در سراسر جهان هستند. Cities ۲۰۲۰ , ۱۰۵ , ۱۰۲۸۱۴٫ [ Google Scholar ] [ CrossRef ]
- بننسون، آی. Torrens, PM Geosimulation: مدل‌سازی خودکار پدیده‌های شهری . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۰۴٫ [ Google Scholar ]
- لیو، ی. باتی، م. وانگ، اس. Corcoran، J. مدل‌سازی تغییرات شهری با اتوماتای سلولی: مسائل معاصر و جهت‌گیری‌های تحقیقاتی آینده. Prog. هوم Geogr. ۲۰۱۹ . [ Google Scholar ] [ CrossRef ]
- راتور، MM; احمد، ع. پل، آ. Rho, S. برنامه ریزی شهری و ساخت شهرهای هوشمند مبتنی بر اینترنت اشیا با استفاده از تجزیه و تحلیل داده های بزرگ. محاسبه کنید. شبکه ۲۰۱۶ ، ۱۰۱ ، ۶۳-۸۰٫ [ Google Scholar ] [ CrossRef ]
- وو، ن. راهکارهای هوش مصنوعی سیلوا، EA برای پویایی زمین شهری: بررسی جی. پلان. روشن شد ۲۰۱۰ ، ۲۴ ، ۲۴۶-۲۶۵٫ [ Google Scholar ]
- ژائو، ک. تارکوما، اس. لیو، اس. Vo, H. داده کاوی تحرک انسانی شهری: یک مرور کلی. در مجموعه مقالات کنفرانس بین المللی IEEE در سال ۲۰۱۶ درباره داده های بزرگ (داده های بزرگ)، واشنگتن، دی سی، ایالات متحده آمریکا، ۵ تا ۸ دسامبر ۲۰۱۶؛ IEEE: Piscataway, NJ, USA, 2016; صفحات ۱۹۱۱-۱۹۲۰٫ [ Google Scholar ]
- هیلی، کی. فاک نوانس. اجتماعی نظریه ۲۰۱۷ ، ۳۵ ، ۱۱۸-۱۲۷٫ [ Google Scholar ] [ CrossRef ]
- Christaller, W. Die Zentralen Orte در Süddeutschland: Eine Ökonomisch-Geographische Untersuchung Über die Gesetzmässigkeit der Verbreitung und Entwicklung der Siedlungen mit Städtischen Funktionen ; Wissenschaftliche Buchgesellschaft: دارمشتات، آلمان، ۱۹۳۳٫ [ Google Scholar ]
- آلن، PM؛ Sanglier, M. یک مدل پویا از رشد در یک سیستم مکان مرکزی. Geogr. مقعدی ۱۹۷۹ ، ۱۱ ، ۲۵۶-۲۷۲٫ [ Google Scholar ] [ CrossRef ]
- AbouKorin، AA تحلیل فضایی سیستم شهری در دره نیل مصر. مهندس عین شمس J. ۲۰۱۸ ، ۹ ، ۱۸۱۹-۱۸۲۹٫ [ Google Scholar ] [ CrossRef ]
- یانگ، آر. خو، Q. طولانی، H. ویژگی های توزیع فضایی و تجزیه و تحلیل بازسازی بهینه سکونتگاه های روستایی چین در طول فرآیند شهرنشینی سریع. J. Rural Stud. ۲۰۱۶ ، ۴۷ ، ۴۱۳-۴۲۴٫ [ Google Scholar ] [ CrossRef ]
- کروگمن، پی. اقتصاد خودسازماندهی ؛ شماره ۳۳۸٫۹ KRU 1996; CIMMYT: مکزیکو سیتی، مکزیک، ۱۹۹۶٫ [ Google Scholar ]
- کراس، MC; هوهنبرگ، تشکیل الگوی PC خارج از تعادل. Rev. Mod. فیزیک ۱۹۹۳ ، ۶۵ ، ۸۵۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- پورویس، بی. مائو، ی. رابینسون، دی. آنتروپی و کاربرد آن در سیستم های شهری. Entropy ۲۰۱۹ ، ۲۱ ، ۵۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- لواشوا، ن. سیدوروا، آ. سمینا، ع. Ni، M. یک مدل موج خودکار فضایی-زمانی توسعه قلمرو شانگهای. پایداری ۲۰۱۹ ، ۱۱ ، ۳۶۵۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- مددا، اف. Nijkamp، P. Rietveld, P. A Perspective Morphogenetic on Spatial Complexity. در پیچیدگی و شبکه های فضایی ; Reggiani, A., Nijkamp, P., Eds. Springer: برلین/ هایدلبرگ، آلمان، ۲۰۰۹; صص ۵۱-۶۰٫ [ Google Scholar ]
- پلز، PF; فریزن، جی. هارتیگ، جی. اندازه مشابه محله های فقیر نشین ناشی از بی ثباتی تورینگ در رفتار مهاجرت. فیزیک Rev. ۲۰۱۹ , ۹۹ . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- بارینگتون-لی، سی. Millard-Ball, A. یک قرن گسترش در ایالات متحده. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۵ ، ۱۱۲ ، ۸۲۴۴–۸۲۴۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- اوربیتا، پی. فرناندز، ای. راموس، ال. مندز مارتینز، جی. Bento، R. یک شاخص پراکندگی شهری مبتنی بر پوشش زمین مناسب برای مناطق بسیار پراکنده و مصنوعی شده ناپیوسته: مورد پرتغال قاره ای. سیاست کاربری زمین ۲۰۱۹ ، ۸۵ ، ۹۲-۱۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- رومانو، بی. زولو، اف. فیورینی، ال. سیابو، اس. Marucci، A. Sprinkling: رویکردی برای توصیف پویایی شهرنشینی در ایتالیا. پایداری ۲۰۱۷ ، ۹ ، ۹۷٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- ساگانیتی، ال. فاواله، ا. پیلوگالو، ا. اسکورزا، اف. مورگانته، ب. ارزیابی تکه تکه شدن شهری در مقیاس منطقه ای با استفاده از شاخص های آبپاشی. Sustainability ۲۰۱۸ , ۱۰ , ۳۲۷۴٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
- یوینگ، ویژگی های RH، علل و اثرات پراکندگی: مروری بر ادبیات. در اکولوژی شهری: دیدگاهی بین المللی در مورد تعامل بین انسان و طبیعت . Marzluff, JM, Shulenberger, E., Endlicher, W., Alberti, M., Bradley, G., Ryan, C., Simon, U., ZumBrunnen, C., Eds.; Springer: Boston, MA, USA, 2008; صص ۵۱۹-۵۳۵٫ [ Google Scholar ]
- کوندو، اس. میورا، تی. مدل واکنش- انتشار به عنوان چارچوبی برای درک تشکیل الگوی بیولوژیکی. Science ۲۰۱۰ , ۳۲۹ , ۱۶۱۶-۱۶۲۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- اش، تی. هلدنز، دبلیو. هیرنر، آ. کیل، م. مارکونچینی، ام. راث، ا. زیدلر، جی. دچ، اس. Strano، E. ایجاد زمینه جدید در نقشه برداری سکونتگاه های انسانی از فضا – ردپای جهانی شهری. Isprs J. Photogramm. از راه دور. Sens. ۲۰۱۷ , ۱۳۴ , ۳۰-۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- اش، تی. باکوفر، اف. هلدنز، دبلیو. هیرنر، آ. مارکونچینی، ام. پالاسیوس لوپز، دی. راث، ا. اورین، اس. زیدلر، جی. دچ، اس. و همکاران جایی که ما زندگی می کنیم – خلاصه ای از دستاوردها و تکامل برنامه ریزی شده ردپای شهری جهانی. Remote Sens. ۲۰۱۸ , ۱۰ , ۸۹۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- اش، تی. شنک، ا. اولمان، تی. تیل، م. راث، ا. Dech, S. خصوصیات انواع پوشش زمین در تصاویر TerraSAR-X با تجزیه و تحلیل ترکیبی آمار لکه و اطلاعات شدت. IEEE Trans. Geosci. از راه دور. Sens. ۲۰۱۱ , ۴۹ , ۱۹۱۱-۱۹۲۵٫ [ Google Scholar ] [ CrossRef ]
- هادسون، JC یک نظریه مکان برای سکونتگاه روستایی. ان دانشیار صبح. Geogr. ۱۹۶۹ ، ۵۹ ، ۳۶۵-۳۸۱٫ [ Google Scholar ] [ CrossRef ]
- فریزن، جی. هارتیگ، جی. هن، ک. پلز، PF جمعیت شناسی مبتنی بر انتشار – مدل تورینگ به عنوان مفهومی برای ظهور کم تحرکی. arXiv ۲۰۲۰ ، arXiv:2005.05107. [ Google Scholar ]
- کلارک، جی پی؛ ایوانز، فاصله CF تا نزدیکترین همسایه به عنوان معیاری از روابط فضایی در جمعیت ها. اکولوژی ۱۹۵۴ ، ۳۵ ، ۴۴۵-۴۵۳٫ [ Google Scholar ] [ CrossRef ]
- فریزن، جی. تاوبنبوک، اچ. ورم، م. Pelz, PF اندازه مشابه محله های فقیر نشین. Habitat Int. ۲۰۱۸ ، ۷۳ ، ۷۹-۸۸٫ [ Google Scholar ] [ CrossRef ]
- فریزن، جی. تاوبنبوک، اچ. ورم، م. توزیع اندازه Pelz، PF زاغه‌ها در سراسر جهان با استفاده از داده‌ها و روش‌های طبقه‌بندی مختلف. یورو J. Remote Sens. ۲۰۱۹ ، ۵۲ ، ۹۹–۱۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کلوتز، ام. کمپر، تی. گیس، سی. اش، تی. Taubenböck, H. نقشه چقدر خوب است؟ یک چارچوب مقایسه متقابل چند مقیاسی برای لایه‌های اسکان جهانی: شواهدی از اروپای مرکزی سنسور از راه دور محیط. ۲۰۱۶ ، ۱۷۸ ، ۱۹۱-۲۱۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Siksna، A. اثرات اندازه بلوک و شکل در مراکز شهرهای آمریکای شمالی و استرالیا. مورفول شهری. ۱۹۹۷ ، ۱ ، ۱۹-۳۳٫ [ Google Scholar ]
- گودال، DW; West, NE مقایسه تکنیک‌های ارزیابی الگوهای پراکندگی. Vegetatio ۱۹۷۹ ، ۴۰ ، ۱۵-۲۷٫ [ Google Scholar ] [ CrossRef ]
- رودی، SH; برونتون، اس ال. پروکتور، جی ال. کوتز، JN کشف معادلات دیفرانسیل جزئی مبتنی بر داده. علمی Adv. ۲۰۱۷ , ۳ , e1602614. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- ژائو، اچ. طبقه، BD; براتز، RD; بازانت، MZ یادگیری فیزیک تشکیل الگو از تصاویر. فیزیک کشیش لِت ۲۰۲۰ , ۱۲۴ , ۰۶۰۲۰۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
شکل ۱٫ انواع الگوهای طبقه بندی شده بر اساس تعداد اجسام، چگالی و نظم.
شکل ۲٫ گردش کار این مقاله از داده های تجربی ردپای جهانی شهری (GUF)، یک نقشه سکونت دودویی مشتق شده از داده های ماهواره ای ( بخش ۳٫۱ ) [ ۲۹ ، ۳۰ ] شروع می شود. پیش پردازش داده ها به شرح زیر ( بخش ۳٫۲ ) با شناسایی اشیاء مرتبط و تعیین مرکز ثقل آنها و تجزیه و تحلیل توزیع فضایی تعداد اجسام، چگالی و نظم (بخش ۴ ).
شکل ۳٫ موقعیت جغرافیایی شماتیک هفت ناحیه تحلیل شده در آرژانتین، مصر، چین، فرانسه، غنا، هند و ایالات متحده آمریکا.
شکل ۴٫ بخش هایی از ردپای جهانی شهری (GUF). مجموعه داده مصر شامل دلتای نیل ( سمت چپ )، منطقه مورد بررسی در چین در استان هنان و آنهویی ( سمت راست ) واقع شده است.
شکل ۵٫ تعداد اجسام، چگالی و ANNبرای تجزیه و تحلیل پنجره کشویی برای پنجره های اندازه نمونه ۸ کیلومتر.
شکل ۶٫ نتایج برای میانگین ANNدر مربع های نمونه با طول لبه های مختلف در همه مجموعه داده ها محاسبه می شود. ناحیه خاکستری نشان دهنده انحراف استاندارد مقادیر محاسبه شده است.
شکل ۷٫ نمودار جعبه ای که توزیع اندازه اشیاء حل و فصل را در هر هفت مجموعه داده نشان می دهد. میانگین حسابی با یک ستاره قرمز برای هر مجموعه داده مشخص می شود.
شکل ۸٫ نقاط داده برای کلاس ۱ ، کلاس ۲ ، کلاس ۳ (از چپ به راست ).
شکل ۹٫ میانگین ANNدر مربع های نمونه با طول های مختلف برای کلاس ۱ و کلاس ۲ در مجموعه داده مصر.
شکل ۱۰٫ نشانگر پارامترهای مربع های نمونه انتخاب شده را نشان می دهد. اعداد زیر نام مجموعه داده، طول لبه مربع نمونه را نشان می دهد.
بدون دیدگاه