نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

به منظور بحث در مورد تأثیر مصرف زمین، ابتدا لازم است تا میزان سطوح آب بندی شده را بومی سازی و کمی سازی کنیم. از سال 2010، نظارت بر ساختارها و توسعه‌های کاربری زمین در آلمان توسط مانیتور توسعه سکونتگاه و فضای باز در موسسه توسعه شهری و منطقه‌ای زیست‌محیطی لایب‌نیتس (IÖR؛ IÖR Monitor)، یک سرویس علمی که توسط موسسه لایب‌نیتس اداره می‌شود، ارائه شده است. توسعه اکولوژیکی شهری و منطقه ای. مانیتور IÖR شامل شاخصی برای آب بندی خاک برای سال های 2006، 2009 و 2012 است. با استفاده از این منبع جدید داده ها، برای اولین بار امکان انجام مطالعات کمی در سطح شهرداری های آلمان با هدف مستندسازی وسعت وجود دارد. آب بندی خاک به عنوان شکلی از طبقه بندی فضایی، و همچنین برای بررسی همبستگی های احتمالی با سایر عوامل تأثیرگذار. در اینجا، ما یک بازرسی داده جامع از آب بندی خاک و عوامل تاثیرگذار بالقوه را توصیف می کنیم. روابط متقابل ساختاری با استفاده از روش‌های رگرسیون کلاسیک و فضایی شناسایی می‌شوند.
کلید واژه ها: 

آب بندی خاک ؛ عوامل تاثیرگذار ؛ حداقل مربعات معمولی ; رگرسیون فضایی ; رگرسیون دارای وزن جغرافیایی داده های آب بندی خاک اروپا

 

1. معرفی

1.1. مشکل برداشت زمین و آب بندی خاک

بر خلاف آب یا زیست توده، خاک یک منبع طبیعی تمام‌شدنی و تجدید ناپذیر است. به طور کلی، آنها متناهی هستند، از نظر زیست محیطی حساس هستند و تنها با سرمایه گذاری فنی و مالی قابل توجهی قابل ترمیم هستند.» [ 1 ]. در حال حاضر، این سوال که چگونه می توان مصرف مکان های مزاحم قبلی را برای استقرار و زیرساخت های حمل و نقل (= تصاحب زمین) با اصل کلی توسعه پایدار تطبیق داد، در کانون بحث ها در علوم فضایی ملی و بین المللی قرار گرفته است (به عنوان مثال، تحقیقات برای کاهش مصرف زمین و مدیریت پایدار زمین (REFINA) 2006-2012، پژوهش برای پایداری (FONA) 2009-2015، [ 2 ، 3 ، 4])، و همچنین در سطح سیاسی (ر.ک. استراتژی ملی در مورد تنوع زیستی، استراتژی سازگاری آلمان با تغییرات اقلیمی، استراتژی ملی پایداری). افزایش میزان آب بندی خاک با مصرف زمین ارتباط نزدیکی دارد، هرچند که یکسان نیست. آب بندی خاک اثراتی برای ذخایر آب زیرزمینی، آب و هوای شهری، و همچنین گیاهان و جانوران محلی دارد [ 5 ، 6 ، 7 ، 8 ، 9 ، 10]. طیف وسیعی از تعاریف مختلفی از آب بندی خاک وجود دارد: «آب بندی خاک عبارت است از پوشش یا آب بندی خاک با مواد نیمه نفوذپذیر (مثلاً مصالح سطحی متصل به آب، سنگفرش های چمن) یا مواد غیر قابل نفوذ (مانند بتن، آسفالت) برای ساختمان ها نیز. به عنوان زیرساخت حمل و نقل (و توسعه فضای باز)» (ر.ک. [ 11 ]، ص 38). «خاک‌های مهر و موم شده آن‌هایی هستند که توالی طبیعی افق‌های خاک یا لایه‌های زیرلایه آن‌ها با معرفی یک پی سازه یا لایه مانع (بتن، آسفالت، سنگ‌فرش، ورقه‌های پلاستیکی، ساختمان‌ها و غیره) تغییر کرده است» ([12]) .]، پ. 325). آب بندی خاک را می توان به عنوان پوشش خاک توسط ساختمان ها، سازه ها و لایه هایی از مواد مصنوعی کاملاً یا جزئی غیرقابل نفوذ (آسفالت، بتن و غیره) تعریف کرد. این شدیدترین شکل گرفتن زمین است و اساساً فرآیندی غیرقابل برگشت است» (ر.ک. [ 9 ]، ص 200).
در آلمان، تعدادی از قوانین وجود دارد که در خدمت حفاظت از پایه طبیعی حیات هستند (ر.ک. قانون اساسی ماده 20 الف)، برای اطمینان از مدیریت کارآمد و دقیق زمین و خاک (ر.ک. قانون ساختمان فدرال § 1a، فدرال قانون برنامه ریزی فضایی § 2) یا برای کاهش میزان آب بندی خاک (ر.ک. قانون فدرال حفاظت از خاک § 1، § 5، قانون فدرال حفاظت از طبیعت § 1، دستورالعمل چارچوب خاک § 1). در سطح اروپا، تلاش‌ها برای کاهش تخریب خاک‌ها با استفاده از دستورالعمل چارچوب خاک (EU-SFD) به شدت مورد بحث قرار گرفته است (همچنین نگاه کنید به: استراتژی موضوعی خاک، دستورالعمل چارچوب خاک، نقشه‌های راه کارایی منابع). در سال 2012، کمیسر محیط زیست اتحادیه اروپا، یانز پوتوکنیک، بر لزوم محدود کردن میزان آب بندی خاک تأکید کرد (کمیسیون اتحادیه اروپا، 2012): از دست دادن منابع خاک از طریق شهرنشینی و تغییر چشم انداز ما یکی از چالش های زیست محیطی بزرگی است که اروپا با آن مواجه است. نیاز مبرمی به استفاده عاقلانه‌تر از این منبع ارزشمند وجود دارد تا بتوان بسیاری از خدمات حیاتی آن را برای نسل‌های آینده تضمین کرد. ما به سادگی نمی توانیم شانس های خود را برای آینده ای پایدار هموار کنیم.» در مقابل این پس‌زمینه، یک پیش‌نیاز برای بحث آگاهانه در مورد میزان و پیامدهای مصرف زمین، محلی‌سازی و کمی‌سازی سطوح مهر و موم شده است. در آلمان، و همچنین در سایر کشورهای اروپایی، چالش در حال حاضر بررسی سطح آب بندی خاک برای کل مناطق ملی است. تاکنون، نقشه‌های تمایز فضایی سطوح مهر و موم شده تنها به عنوان بخشی از پروژه‌های تحقیقاتی و اغلب فقط در مناطق منتخب تهیه شده‌اند.بخش 2 ). با این حال، داده‌های سنجش از راه دور که اخیراً توسط آژانس محیط‌زیست اروپا (EEA) ارائه شده است، اکنون امکان تشخیص یکنواخت سطوح مهر و موم شده را برای کل اروپا فراهم می‌کند (EEA 2010) [13 ] . این همچنین به ما اجازه می دهد تا همبستگی های احتمالی را با سایر متغیرهای اقتصادی، اجتماعی، زیست محیطی و فنی مشخص کنیم (ر.ک. [ 14 ، 15 ]).

1.2. اهداف و ساختار مقاله

هدف این مقاله استفاده از داده‌های اخیر EEA برای طبقه‌بندی شهرداری‌های آلمان بر اساس درجه آب‌بندی خاک، و همچنین ترسیم میزان فعلی آب‌بندی است. تأکید اصلی بر استفاده از روش های همبستگی و رگرسیون برای کشف وابستگی های متقابل با سایر عوامل تأثیرگذار (با استفاده از داده های آماری اضافی) است. این یک مبنای تجربی برای کمک به مشخص کردن پیشرفت‌های بالقوه در آب‌بندی خاک و زیربنای بحث‌ها در مورد اینکه چگونه ابزارهای سیاسی می‌توانند به کاهش میزان آب‌بندی خاک کمک کنند، ایجاد می‌کند (ر.ک. [2] ) . ساختار مقاله به شرح زیر است. بخش 2 مروری بر روش های قبلی برای تخمین و توصیف آب بندی خاک ارائه می دهد. سپس، فهرستی از فرضیه‌ها را در مورد مجموعه پیچیده عوامل تأثیرگذار ارائه می‌کنیم.بخش 3 ). بر این اساس، ما برخی از مراحل جمع‌آوری و پردازش داده‌های توسعه‌یافته ( بخش 4 )، و همچنین روش‌های تجزیه و تحلیل داده‌های مرتبط را در پشتیبانی از تحلیل همبستگی و رگرسیون ( بخش 5 ) ارائه می‌کنیم. بحث در مورد نتایج تجزیه و تحلیل داده ها ( بخش 6 ) مبنای بحث مفصل ( بخش 7 ) و برخی نتیجه گیری ها ( بخش 8 ) را فراهم می کند.

2. مطالعات کمی سازی آب بندی خاک

روش‌های قبلی برای کمی‌سازی و توصیف آب‌بندی خاک را می‌توان با توجه به روش‌شناسی اساسی، به عنوان مثال، محاسبات مبتنی بر شاخص، مدل‌های سنجش از دور یا برآوردهای مبتنی بر آمار چند متغیره، متمایز کرد.
در این بخش، ما بر بحث رویکردهای بررسی سراسری آب‌بندی خاک تمرکز می‌کنیم. علاوه بر این، این بحث با ارجاع به مطالعاتی که ویژگی‌های محلی و منطقه‌ای آب‌بندی خاک را بررسی کرده‌اند، تکمیل خواهد شد. در ادامه، نقشه برداری و نقشه برداری محلی سطوح مهر و موم شده را توصیف نمی کنیم، زیرا داده های حاصل به طور کلی به دلیل کمبود زمان یا منابع نمی توانند به طور کامل به سطح ملی منتقل شوند.

2.1. محاسبات مبتنی بر شاخص

با کمک دانش تخصصی، و همچنین طیف وسیعی از مطالعات قبلی در مورد آب بندی خاک، محاسبات مبتنی بر شاخص باید سطح سطحی را در مناطق استقرار و حمل و نقل که ساخته شده یا آب بندی شده است (مثلاً سطوح محدود به آب یا سطوح تحت پوشش) تعیین کند. توسط بتن، آسفالت یا سنگفرش). نسبت‌های آب‌بندی خاک (شاخص‌های) از پیش تعیین‌شده برای کلاس‌های مختلف کاربری زمین در مطالعات قبلی [ 16 ، 17 ، 18 ] استفاده شده است.

2.2. مجموعه داده از سنجش از راه دور

تصاویر سنجش از دور همراه با تکنیک های تجزیه و تحلیل تصویر می تواند تجزیه و تحلیل به روز، دقیق و متمایز مکانی از آب بندی خاک را ارائه دهد. مطالعات قبلی در سطح محلی و منطقه‌ای پتانسیل این تکنیک‌ها را برای تعیین میزان آب‌بندی خاک در آلمان تأیید کرده‌اند (مانند Agglomeration Cologne/Bonn: [19]؛ اشتوتگارت: [20]؛ نوردراین-وستفالن: [ 21 ] ) . ]؛ باواریا: [ 22 ، 23 ] و جاهای دیگر (مانند منطقه شهری کلمبوس، اوهایو: [ 24 ]؛ مناطق بزرگ در ایالات متحده: [ 25 ]؛ و ایتالیا: [ 26 ، 27]]). علاوه بر این، تلاش هایی برای پیش بینی وسعت سطح غیرقابل نفوذ بر اساس مدل های رشد شهری انجام شده است (به عنوان مثال، [ 28 ]).
با این حال، نتایج به دست آمده از این طریق به طور کلی برای تجزیه و تحلیل آب بندی خاک در سطح ملی نامناسب است، زیرا مراحل پردازش بسیار پیچیده است و ممکن است به ورودی دستی نیاز داشته باشد.
همانطور که قبلا ذکر شد، آژانس محیط زیست اروپا [ 13 ] اولین مجموعه داده جامع در مورد نفوذناپذیری در اروپا را برای سال های 2006، 2009 و 2012 بر اساس تجزیه و تحلیل داده های ماهواره ای با وضوح بالا منتشر کرد. چندین مستندات فنی EEA حاکی از فرآیندهای اکتساب، تجزیه و تحلیل و ارزیابی مجموعه داده های آب بندی خاک (مثلاً نفوذناپذیری) است [ 29 ، 30]]. تخمین درجه آب بندی خاک بر اساس همبستگی قوی (منفی) بین وسعت پوشش گیاهی و درجه نفوذناپذیری در مناطق شهری است. پوشش گیاهی را می توان به طور قابل اعتمادی از شاخص گیاهی متمایز نرمال شده (NDVI) به دست آورد، که امکان تمایز پوشش گیاهی از سطوح دیگر را به دلیل علامت طیفی خاص آن در نوارهای قرمز و نزدیک به مادون قرمز فراهم می کند [19 ] .

2.3. برآورد آب بندی خاک با استفاده از تحلیل چند متغیره

هنگامی که تجزیه و تحلیل چند متغیره در این زمینه اعمال می شود، آب بندی خاک به عنوان یک شاخص بسیار انباشته در نظر گرفته می شود که می تواند برای بررسی فرآیندهای توسعه شهری پیچیده و مرتبط که اغلب مدل سازی آنها دشوار است استفاده شود [11 ، 31 ، 32 ] . به منظور حمایت از ارزیابی تطبیقی ​​خدمات زمین (به عنوان مثال، خدمات زیست محیطی و اقتصادی)، متغیرها به دقت انتخاب می شوند تا وابستگی بین ویژگی ها، و همچنین سایر روابط علی را آشکار کنند. به طور کلی، همبستگی دو متغیره و تحلیل رگرسیون استفاده می شود [ 11 ، 33 ، 34 ، 35 ، 36 ، 37 ، 38 ، 39، 40 ]، و همچنین تجزیه و تحلیل مؤلفه های اصلی [ 11 ، 31 ، 37 ]. در ارتباط با داده‌های مربوط به آب‌بندی خاک، تجزیه و تحلیل خوشه‌ای نیز در موارد فردی برای ایجاد طبقه‌بندی از انواع شهری که نمایانگر ویژگی‌های خاص کاربری زمین یا ارائه خدمات بر اساس معیارهای اقتصادی و اکولوژیکی است، استفاده می‌شود (به عنوان مثال، [41] ) . ایجاد سیستم‌های «پیچیده» عملکردها به آشکار کردن وابستگی‌های متقابل کمک می‌کند که می‌توان از آنها برای توصیف آب‌بندی خاک در سطح ملی استفاده کرد [ 2 ، 42 ، 43 ]. مطالعات کمی قبلی عمدتاً بر مناطق شهری متمرکز بوده است.
نظر نویسندگان مقاله حاضر این است که بررسی وابستگی‌های متقابل نام‌برده در سال‌های اخیر با افزایش در دسترس بودن و موضوعی بودن منابع داده‌های ارجاعی جغرافیایی در مورد آب‌بندی خاک، و همچنین داده‌های آماری در مورد عوامل بالقوه تأثیرگذار تسهیل شده است. . هدف مقاله حاضر طبقه‌بندی میزان آب‌بندی خاک در سطح شهرداری‌های آلمان با استفاده از داده‌های موجود ملی است (به بخش 4 : داده‌های آب‌بندی خاک اروپا مراجعه کنید). این همچنین ایجاد توابعی برای تخمین میزان آب بندی خاک را قادر می سازد و می تواند به بهبود درک ما از وابستگی های متقابل اساسی و همچنین ساختارهای فضایی مرتبط کمک کند.

3. فرضیه هایی در مورد آب بندی خاک و مجموعه پیچیده عوامل تأثیرگذار

جدول 1 یک نمای کلی از فرضیه ها در مورد مجموعه پیچیده مورد انتظار از عوامل تأثیرگذار ارائه می دهد. هدف این جدول پشتیبانی از جمع آوری داده ها و به ویژه تجزیه و تحلیل داده های چند بعدی است (به بخش 6 مراجعه کنید ). هر فرضیه به یک بعد موضوعی مانند تحرک، اقتصاد، سیاست و غیره اشاره دارد [ 44 ]. ارجاعات منتخب به مطالعات دیگر در مورد عوامل تأثیرگذار در ستون آخر جدول ذکر شده است. این فهرست برای تشویق بحث در مورد نتایج زمین آماری و ارائه مقایسه با نتایج مشابه در کشورهای دیگر یا با نتایجی که به مقیاس‌های فضایی دیگر اشاره می‌کنند (به بخش 7 مراجعه کنید ) در نظر گرفته شده است.

4. داده ها

4.1. داده های آب بندی خاک اروپا

لایه وضوح بالا نفوذناپذیری (HRL) یکی از اولین خدمات اطلاعات جغرافیایی عملیاتی خدمات نظارت زمینی کوپرنیک اروپا (که سابقاً GMES (نظارت جهانی برای محیط زیست و امنیت)) کمیسیون اروپا (EC) و آژانس فضایی اروپا بود ( ESA). پیش از این، این مجموعه داده به عنوان پیش‌نمایش خدمات مسیر سریع EEA در پایش زمین – درجه آب‌بندی خاک نامیده می‌شد. چشم انداز زمانی نه تنها تجزیه و تحلیل وضعیت فعلی آب بندی خاک را امکان پذیر می کند، بلکه بینشی را در مورد نحوه تغییر در طول زمان ارائه می دهد، زیرا سری داده ها امکان مقایسه را فراهم می کند. مجموعه داده های مشتق شده، مانند نشانگر “تغییر درجه نفوذناپذیری” نیز برای بازه های زمانی 2006/2009 و 2009/2012 در دسترس هستند. داده ها به عنوان مجموعه داده های شطرنجی با وضوح هندسی 20 متر × 20 متر و 100 متر × 100 متر در طرح شبکه اروپایی (سیستم مرجع زمینی اروپا 1989، طرح مساحت مساحت آزیموتال لامبرت؛ ETRS89-LAEA) برای مجموع 38 اروپایی ارائه شده است. کشورها (از جمله آلمان). داده‌های ورودی عمدتاً تصاویر ماهواره‌ای با وضوح بالا (مرئی و نزدیک به فروسرخ) برای سال‌های مربوطه (در هر مورد ۱± سال) هستند که توسط SPOT 4 و 5 و همچنین پلت‌فرم‌های IRS-P6 (Geoland 2، 2013) ارائه شده‌اند. پردازش داده ها با استفاده از طبقه بندی نظارت شده با بهینه سازی بصری بعدی نتایج طبقه بندی است. دقت داده ها 85 درصد مشخص شده است ETRS89-LAEA) در مجموع برای 38 کشور اروپایی (از جمله آلمان). داده‌های ورودی عمدتاً تصاویر ماهواره‌ای با وضوح بالا (مرئی و نزدیک به فروسرخ) برای سال‌های مربوطه (در هر مورد ۱± سال) هستند که توسط SPOT 4 و 5 و همچنین پلت‌فرم‌های IRS-P6 (Geoland 2، 2013) ارائه شده‌اند. پردازش داده ها با استفاده از طبقه بندی نظارت شده با بهینه سازی بصری بعدی نتایج طبقه بندی است. دقت داده ها 85 درصد مشخص شده است ETRS89-LAEA) در مجموع برای 38 کشور اروپایی (از جمله آلمان). داده‌های ورودی عمدتاً تصاویر ماهواره‌ای با وضوح بالا (مرئی و نزدیک به فروسرخ) برای سال‌های مربوطه (در هر مورد ۱± سال) هستند که توسط SPOT 4 و 5 و همچنین پلت‌فرم‌های IRS-P6 (Geoland 2، 2013) ارائه شده‌اند. پردازش داده ها با استفاده از طبقه بندی نظارت شده با بهینه سازی بصری بعدی نتایج طبقه بندی است. دقت داده ها 85 درصد مشخص شده است آر2آر2برای مناطق شهری اعتبارسنجی مجموعه داده 20 متری همبستگی بالاتر از میانگین را نشان داد آر2= 0 . 65آر2=0.65با داده های مرجع نفوذناپذیری با این حال، پس از تجمیع پیکسل ها به واحدهای بزرگتر (تا اندازه سلول 500 متر)، همبستگی می تواند به افزایش یابد. آر2= 0 . 88آر2=0.88[ 29 ].
همانطور که ما قصد داشتیم درجات آب بندی خاک را برای شهرداری های آلمان تجزیه و تحلیل کنیم، محاسبه مقادیر میانگین شهری مطابق (همانطور که قبلا ذکر شد) با تجمع پیکسلی است. بنابراین، دقت بالایی برای مقادیر درجه نفوذناپذیری محاسبه شده می توان انتظار داشت.
داده های آب بندی خاک EEA مورد استفاده در این مقاله شامل 905 کاشی است که هر کدام دارای وسعت فضایی 100 × 100 کیلومتر هستند. نامگذاری کاشی ها مطابق با مشخصات داده های INSPIRE در سیستم های شبکه جغرافیایی (INSPIRE D2.8.I.2) است، به عنوان مثال، توصیفگرها در گوشه سمت چپ بالای کاشی قرار می گیرند (به عنوان مثال، 100KME09N27). مقادیر پیکسل (یا کدهای شبکه) مجموعه داده EEA نشان دهنده سه نوع اطلاعات مختلف است: به اکثریت قریب به اتفاق پیکسل‌ها مقداری از 0 تا 100 داده می‌شود که نشان‌دهنده درجه نفوذناپذیری (بیان شده به عنوان درصدی از سطح پیکسل) است که از مهر و موم نشده است. = 0) تا کاملاً غیر قابل نفوذ (= 100). مقادیر 254 و 255 به ترتیب برای نشان دادن پیکسل‌هایی استفاده می‌شوند که مناطق غیرقابل طبقه‌بندی را نشان می‌دهند (مثلاً به دلیل پوشش ابر یا سایه) یا خارج از منطقه مورد مطالعه هستند (مثلاً مناطق دریایی یا کشورهای غیرعضو EEA).شکل 1 ). این با استفاده از یک مجموعه داده مرزی معتبر برای آلمان به نام Verwaltungsgebiete 1:250,000 (VG250) که توسط آژانس فدرال نقشه‌برداری و ژئودزی ارائه شده است، انجام شد [ 50]]. سپس 57 کاشی انتخاب شده به یک موزاییک شطرنجی تبدیل شدند. در مواردی که کاشی‌ها از مرزهای ملی فراتر می‌رفتند، مناطق خارجی به سادگی بریده می‌شدند تا با خط مرزی مطابقت داشته باشند. درجه آب بندی خاک به عنوان مقدار میانگین رستر آب بندی خاک منطقه اقتصادی اروپا برای واحدهای اداری مختلف از ایالت ملی تا ایالت های فدرال، مناطق برنامه ریزی فضایی، مناطق و شهرداری ها و برای سلول های شبکه جغرافیایی با اندازه سلول ها از 100 متر تا 10 کیلومتر با استفاده از روش های آماری منطقه ای. مقادیر بدون داده به واحدهای اداری و سلول‌های شبکه اختصاص داده شد که به دلیل پوشش ابر سنگین در داده‌های ورودی، مقادیر غیرقابل آب‌بندی خاک برای آنها انتظار می‌رفت. آستانه اعمال شده برای تمایز این واحدهای فضایی نامشخص، حداکثر پوشش ابر مجاز 10٪ بود. آر2آر2منطقه شهری

4.2. داده های آماری عوامل تأثیرگذار

در سال 2010 وجود داشت n = 11 ، 669�=11،669شهرداری ها و n = 16�=16ایالت ها. به منظور کشف وابستگی های متقابل در مورد آب بندی خاک، داده های آماری برای 11441 شهرداری در آلمان جمع آوری شد و حدود 220 متغیر محاسبه شد ( جدول 2 را ببینید ). در گردآوری این پایگاه، توجه به تولید مجموعه‌ای از نتایج که گسترده‌ترین طیف عوامل مانند مسائل جمعیتی و اجتماعی، تحرک، بافت فضایی، بازار زمین و املاک و همچنین اقتصاد و عموم را در بر می‌گیرد، مورد توجه قرار گرفت. خط مشی. جدول 2 این ابعاد مختلف و همچنین تعداد کل متغیرهای مشتق شده و منابع داده اولیه را نشان می دهد. هر بعد با استفاده از چند مثال موضوعی نشان داده شده است.
مجموعه داده های کامل برای به دست نیامد n = 120�=120شهرداری ها در سال 2010 به دلیل محدودیت های حفاظت از داده ها و مشکلات در دسترس بودن داده ها. علاوه بر این، وجود داشت n = 228�=228به اصطلاح “مناطق غیر الحاقی” که عموماً مناطق جنگلی، دریاچه ها و رودخانه های بزرگتر هستند.

5. روش ها

در این مقاله ما یک بازرسی جامع داده را انجام می دهیم و چندین تکنیک رگرسیون را به منظور بررسی وابستگی متقابل بین یک متغیر وابسته (به عنوان مثال، درجه آب بندی خاک) و یک یا چند متغیر مستقل (مانند عوامل تأثیرگذار) به کار می بریم. مراحل رویه ای مربوطه در شکل 2 توضیح داده شده است .
کاوش داده ها شامل بازرسی داده ها، تبدیل داده ها و تجزیه و تحلیل همبستگی است. هدف در اینجا درک توزیع هر متغیر و کشف وابستگی بین چندین متغیر است. داده ها بازرسی و توزیع ها با استفاده از روش های آماری و تکنیک های تجسم (هیستوگرام، نمودار چگالی، نمودارهای چندک) تجزیه و تحلیل می شوند [ 51 ، 52 ، 53 ، 54 ]. فرآیندهای تبدیل و به اصطلاح “نردبان قدرت” را می توان برای اطمینان از همبستگی خطی مورد نیاز بین متغیرهای وابسته و مستقل در تجزیه و تحلیل رگرسیون، و همچنین برای آشکار کردن توزیع های اریب برای داده ها اعمال کرد [52] .]. به این ترتیب، می توان همبستگی های غیرخطی را توصیف کرد، الگوهای توزیع را متقارن تر کرد و گسترش نقاط داده را کاهش داد [ 52 ]. هدف از تحلیل همبستگی شناسایی قدرت و جهت رابطه بین دو متغیر است. اگر رابطه تقریباً خطی باشد، می توان از ضریب همبستگی محصول-لحظه پیرسون استفاده کرد [ 52 ، 53 ]. علاوه بر این، نمودارهای پراکندگی یک ابزار بصری مفید برای تجزیه و تحلیل رابطه بین دو متغیر است.
در این مطالعه، سه مدل مختلف تحلیل رگرسیون (رگرسیون حداقل مربعات معمولی، رگرسیون تاخیر مکانی و رگرسیون خطای مکانی) به منظور تعیین اینکه کدام مدل برای توصیف همبستگی‌های درون داده‌ها مناسب‌تر است، استفاده می‌شود. رگرسیون حداقل مربعات معمولی (OLS) یک مدل رگرسیون خطی است که از تخمین حداقل مربعات برای برازش مدل استفاده می کند. وابستگی تقریباً خطی بین متغیرهای وابسته و مستقل را فرض می کند. این روش یک رویکرد به حداقل رساندن مجموع مجذور باقیمانده [ 52 ] را اعمال می کند.
معادله رگرسیون توسط یک فرآیند تکراری ایجاد می شود و پس از هر برازش مدل باید از نظر اعتبار و سازگاری بررسی شود. برای بررسی روایی و معناداری کلی از آزمون F استفاده می شود. اهمیت آزمون F نشان می دهد که فرضیه صفر را می توان رد کرد (یعنی تمام ضرایب شیب یک مدل 0 هستند)، و بنابراین، مدل دارای مقداری توضیحی است. اهمیت ضرایب رگرسیون توسط t تعیین می شود-تست که با تقسیم ضرایب رگرسیون بر انحراف معیار محاسبه می شود. همچنین فرضیه صفر نشان می‌دهد که متغیرهای مستقل تأثیر معناداری بر متغیر وابسته ندارند. در مورد مورد بحث، فرضیه صفر برای همه متغیرهای مستقل رد می شود، بنابراین به نظر می رسد که به طور قابل توجهی بر متغیر وابسته تأثیر می گذارد. چنین تشخیص رگرسیونی برای اطمینان از برآورده شدن مفروضات مدل مورد نیاز ضروری است. چند خطی بودن در معادلات رگرسیون انحراف معیار را افزایش می دهد و از این رو می تواند تأثیری داشته باشد که متغیرهای مستقل از نظر آماری غیرمعنادار اعلام شوند. شدت چند خطی را می توان با ضریب تورم واریانس (VIF) آزمایش کرد. اگر مقدار یک متغیر بزرگتر از 10 باشد، این به طور بالقوه می تواند منبع چند خطی باشد. یک معیار دیگر برای تشخیص چند خطی، به اصطلاح شماره شرط است. اگر عدد شرط بالاتر از 30 باشد، مدل رگرسیون می تواند تحت تأثیر چند خطی بودن بین متغیرهای مستقل قرار گیرد.
در رویکردهای آماری، داده ها باید از نظر آماری مستقل باشند. با این حال، داده های موضوع تجزیه و تحلیل فضایی اغلب به صورت خودکار همبستگی مکانی یافت می شود، به این معنی که یک متغیر در فضا خوشه می شود [ 55 ]. این اولین قانون جغرافیایی والدو توبلر را منعکس می کند: “همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند.” [ 56 ]. برای آزمایش داده‌ها برای وابستگی فضایی، می‌توانیم Moran’s I را برای محاسبه خودهمبستگی جهانی و شاخص محلی تداعی فضایی (LISA) برای خودهمبستگی محلی اعمال کنیم [ 57] .]. بر این اساس، الگوهای فضایی در متغیرها و رفتار آنها (مثلاً مقادیری که از نظر مکانی نزدیک هستند شبیه‌تر هستند) قابل شناسایی و تجسم هستند. I موران می‌تواند خودهمبستگی فضایی جهانی را که همبستگی یک متغیر با خودش است، با اعمال ماتریس وزن‌ها اندازه‌گیری کند [ 58 ]. آنسلین [ 59] LISA را به عنوان شاخصی از میزان خوشه بندی فضایی قابل توجه مقادیر مشابه در اطراف یک مشاهده تعریف کرد و تعیین کرد که میانگین LISA با شاخص جهانی ارتباط فضایی متناسب است. LISA می تواند نقاط حساس محلی را شناسایی کند و می تواند برای تشخیص خوشه بندی استفاده شود. Moran’s I محلی را می توان در یک نقشه choropleth تجسم کرد که خوشه بندی فضایی بالقوه و اهمیت آن را نشان می دهد. در یک رگرسیون چندگانه با چندین متغیر مستقل، تمرکز اصلی بر این است که مشخص شود کدام یک از این متغیرها به شدت بر متغیر وابسته تأثیر می گذارد. استانداردسازی ضرایب رگرسیون اجازه می دهد تا قدرت تأثیر آنها بر متغیرهای مستقل با حذف واحدهای اندازه گیری مختلف مقایسه شود.
رگرسیون فضایی با اثرات فضایی مانند وابستگی فضایی و ناهمگونی فضایی سروکار دارد [ 57 ، 60 ]. تأخیر مکانی و مدل خطای مکانی واقعیت خودهمبستگی را در مدل‌های خطی در نظر می‌گیرند. بنابراین خودهمبستگی می تواند قدرت توضیحی آماری را به خطر بیندازد. مدل‌های تأخیر فضایی اساساً مدل OLS با یک عبارت اضافی از یک ماتریس وزن‌ها و یک عامل اتورگرسیو ρ هستند که قدرت رابطه خودبازگشت فضایی را تعیین می‌کند. yمن�منو ∑jدبلیومن جyj∑�دبلیومن���[ 61 ]. این مدل خود همبستگی را در متغیر وابسته فرض می‌کند و شامل یک اصطلاح خودرگرسیون برای همبستگی فضایی [ 62 ] است. مدل خطای مکانی خود همبستگی را در عبارت خطا [ 61 ] فرض می کند. آزمون‌های ضرب‌کننده لاگرانژ [ 63 ] اطلاعاتی را در مورد اینکه آیا وابستگی فضایی وجود دارد و اگر چنین است، مدل تاخیر یا خطا مناسب‌تر است ارائه می‌دهد. بر اساس باقیمانده‌های OLS، آزمون‌های ضرب‌کننده لاگرانژ یک متغیر تاخیر گمشده (LM (تاخیر)) و وابستگی‌ها در عبارت خطا (LM (خطا)) را بررسی می‌کنند. در مورد نتایج قابل توجه برای هر دو آزمون، مدل تاخیر قوی تعیین می کند که کدام مدل رگرسیون مناسب تر است.
خوب بودن برازش یک مدل رگرسیون با ضریب تعیین تعیین می شود آر2آر2با محدوده مقدار [0، 1]، که در آن 1 یک تناسب کامل است. چند فرض مدل باید در یک رگرسیون خطی، عمدتاً از طریق بررسی باقیمانده ها تأیید شود. ابتدا، باقیمانده ها باید به طور عادی توزیع شوند، در غیر این صورت آزمون آماری F و آزمون t نامعتبر هستند. ثانیاً باقیمانده ها باید مستقل باشند، یعنی نباید خود همبستگی را نشان دهند که در غیر این صورت باعث ناکارآمدی در برآورد حداقل مربعات و محاسبه نادرست انحراف استاندارد می شود و همچنین منجر به تعیین نادرست اهمیت می شود. سوم، متغیرهای مستقل نباید همبستگی داشته باشند (پدیده ای به نام چند خطی)، زیرا این امر دقت برآوردگرها را کاهش می دهد. اگر باقیمانده ها واریانس ثابت یکسانی نداشته باشند، ناهمسانی رخ می دهد و همان ناکارآمدی را ایجاد می کند که با خودهمبستگی [ 52]]. یک معیار اغلب مورد استفاده برای تعیین تناسب مدل، معیار اطلاعات آکایک (AIC) است. AIC تلاش می کند تا مبادله بین حسن تناسب و درجات آزادی را به حداقل برساند [ 64 ]. می توان از آن برای انتخاب و مقایسه مدل استفاده کرد، جایی که مدل با کمترین AIC بهترین عملکرد را دارد.

6. نتایج

هدف در این بخش این است که با بررسی نتایج یک تحقیق در سطح شهرداری‌های آلمان که در آن رگرسیون خطی کلاسیک و همچنین روش‌های رگرسیون فضایی اعمال می‌شود، درک خود را از چگونگی تأثیر عوامل تأثیرگذار بر درجه آب‌بندی خاک گسترش دهیم.

6.1. بازرسی داده ها

اکتشاف داده ها با استفاده از مثال متغیر وابسته درجه آب بندی خاک در سطح شهرداری های آلمان نشان داده خواهد شد. در ابتدا، فرضیه ای در مورد توزیع مورد انتظار فرموله شد که سپس می توان آن را تأیید یا رد کرد. توزیع نسبت آب بندی خاک به سمت راست فرض می شود، به عنوان مثال، تنها تعداد کمی از شهرداری ها دارای درجه بالایی از آب بندی خاک هستند و در مقابل، تعداد بالا درجه پایین تری از آب بندی خاک را نشان می دهد. جدول 3 معیارهای توزیع را برای تجزیه و تحلیل نشان می دهد. با در نظر گرفتن میانه و میانگین، می توان شیب مثبت را تأیید کرد.
نمودار QQ معمولی (نگاه کنید به شکل 3 ، سمت چپ) توزیع نظری را بر اساس داده ها ترسیم می کند. این نشان می دهد که داده ها از یک خط مستقیم پیروی نمی کنند و بنابراین به طور معمول توزیع نمی شوند.
تابع توزیع تجمعی تجربی (ECDF) استنتاج آماری خوبی را ارائه می دهد. در اینجا، ما به وضوح شاهد توزیع نابرابر هستیم، تنها گروه کوچکی از شهرداری های آلمان دارای درجه آب بندی خاک بالای 20٪ هستند. آر2آر2(ر.ک. شکل 3 ، سمت راست).

6.2. تبدیل داده ها

مدل‌های آماری مانند همبستگی و تحلیل رگرسیون خطی چندین فرض کلیدی را ایجاد می‌کنند. اغلب، متغیرها به اندازه کافی این مفروضات را برآورده نمی کنند. بنابراین، در برخی موارد، داده ها باید برای اطمینان از توزیع متقارن بیشتر و برای اطمینان از همبستگی خطی بین دو متغیر تبدیل شوند ([ 52 ]). خانواده قدرت ها و ریشه ها (-1/X، log(X)، X، X2 ، X3 ) دو تکنیک مفید برای تبدیل داده ها هستند. یک انحراف مثبت را می توان با پایین آمدن از نردبان قدرت تبدیل کرد و یک شیب منفی را می توان با بالا رفتن از نردبان قدرت هموار کرد. اندازه‌گیری‌های تبدیل نیز با استفاده از مثال درجه متغیر آب‌بندی خاک نشان داده می‌شوند. شکل 4تراکم هسته آب بندی خاک را نشان می دهد. این یک بازتولید صاف از داده ها است. ویژگی های توزیع داده های لگاریتمی به شکل منظم تر هستند.
دو نقشه در شکل 5 درجه آب بندی خاک را برای تمام شهرداری های آلمان نشان می دهد. در سمت چپ، نقشه کمی از آب بندی خاک را می بینیم. محدوده بین چارکی 50٪ را پوشش می دهد آر2آر2از داده ها، یعنی محدوده بین Q1 و Q3 (داده های خام: 1.614٪ – 4.959٪) ( جدول 2 را ببینید ). بالاترین مقادیر برای آب بندی خاک (چرک بالایی: 4.959٪ آر2آر2< آب بندی خاک < 59.560% آر2آر2در شهرهای پرجمعیت (به عنوان مثال، برلین، درسدن، اشتوتگارت) و تجمعات شهری (به عنوان مثال، منطقه راین-مین، نوردراین-وستفالن) مشاهده می شود. نقشه سمت راست انحراف از میانگین درجه آب بندی خاک را نشان می دهد. در اینجا، داده ها باید تقریباً به طور معمول توزیع شوند. تصویر متضادی از شهرداری‌های مرکزی (مثلاً مناطق شهری آلمان) و مناطق پیرامونی (مناطق کم‌ساخت‌شده، به‌عنوان مثال، جنگل سیاه، کوهپایه‌های آلپ، جنگل پالاتینات، ایفل، اوکرمارک، مکلنبورگ-پومرانی غربی) ظاهر می‌شود.
شکل 6 مقادیر متوسط ​​آب بندی خاک را با توجه به اندازه شهرداری ها و طبقات کاربری خاص نشان می دهد. تفاوت بین شهرهای بزرگ و دهیاری ها آشکار است. بالاترین مقادیر در مناطق صنعتی/تجاری و به دنبال آن سایر مناطق مسکونی و حمل و نقل یافت می شود.

6.2.1. تجزیه و تحلیل همبستگی

در نتیجه بازرسی داده های قبلی، 138 متغیر به عنوان غیرعادی توزیع شده طبقه بندی شدند. n = 48�=48( n = 90�=90به عنوان مثال، تخت های بیمارستانی به ازای هر 1000 نفر یا درصد مناطق نظامی). بر اساس همبستگی محصول-لحظه پیرسون، می توان آن دسته از متغیرها را از جدول 2 انتخاب کرد که به شدت با متغیر وابسته درجه آب بندی خاک همبستگی داشتند. همبستگی محصول-لحظه پیرسون را می توان اعمال کرد زیرا داده های n = 83�=83متغیرها تقریباً نرمال توزیع شدند. نمونه هایی از همبستگی منفی، خیر و مثبت در شکل 7 نشان داده شده است . در اینجا می بینیم که با افزایش درجه آب بندی خاک، زمان رانندگی به مدارس تمایل به کاهش دارد (همبستگی منفی)، نرخ بیکاری بی تاثیر است (بدون همبستگی)، در حالی که تراکم جمعیت نیز افزایش می یابد (همبستگی مثبت).
چندین متغیر دیگر یک رابطه دو متغیره تقریبا خطی را با آب بندی خاک نشان می دهند. با توجه به تعداد کل متغیرهای معمولی توزیع شده ( n = 83�=83جدول 4 مجموعاً 25 عامل تأثیرگذار را با مقدار همبستگی مطلق بالای 0.5 فهرست می کند. جدول برچسب ها و همچنین واحدها و تبدیل مورد استفاده برای متقارن کردن الگوهای توزیع و کاهش انتشار نقاط داده را نشان می دهد. در کنار عوامل تأثیرگذار متوسط ​​یا شدیداً همبسته، برخی عوامل اضافی در جدول 4 ارائه شده است : مسافت معمولی رفت و آمد r = – 0 . 43�=–0.43، زمان رانندگی به مراکز منطقه ای ( r = – 0 . 41�=–0.41، زمان رانندگی به بزرگراه ها ( r = – 0 . 4�=–0.4، زمان رانندگی با کامیون تا مراکز بار ( r = – 0 . 4�=–0.4) و درصد خانه های تعطیلات ( r = – 0 . 29�=–0.29). انتخاب عوامل اضافی از ملاحظات مرتبط با محتوا پیروی می کند (به فرضیه های 2 و 3 در جدول 1 مراجعه کنید ).

6.2.2. تجزیه و تحلیل رگرسیون

به منظور بررسی مجموعه پیچیده ای از عوامل تأثیرگذار بر درجه آب بندی خاک، چندین مدل رگرسیون برای انعکاس زمینه های موضوعی متنوع ابداع شده است. هدف، توضیح توزیع فضایی متغیر وابسته تحت تأثیر متغیرهای مستقل مختلف است. بررسی و تبدیل داده‌ها و همچنین ملاحظات مرتبط با محتوا منجر به تعیین دقیق 30 متغیر مناسب برای تحلیل رگرسیون شد ( جدول 4 ). مدل های ارائه شده A-D شرایط زیر را برآورده می کنند: دقت مدل بالا که با ضریب تعیین تحقق می یابد. آر2آر2همراه با پیچیدگی کم، به عنوان مثال، توضیح نسبت خاک مهر و موم شده به منطقه شهری (log) باید با استفاده از کمترین متغیر ممکن توصیف شود (به بخش 5 مراجعه کنید ، به عنوان مثال، [ 52 ]).

6.2.3. مدل حداقل مربعات معمولی

در ابتدا، مدل‌های نسبتاً ساده ایجاد شدند ( جدول 5 را ببینید ) به منظور بررسی مقادیر مختلف چگالی (مدل A، فرضیه 1 در جدول 1 ) و در نظر گرفتن اتصالات حمل و نقل (دسترسی) شهرداری‌ها (مدل B، ر.ک. فرضیه). 3 در جدول 1 ) به صورت فردی.
مدلی از تراکم جمعیت در طول روز، تراکم آپارتمان ها و تراکم شبکه جاده به خوبی با درجه آب بندی خاک همبستگی پیدا کرد ( جدول 5 ، مدل A را ببینید). فقط یک همبستگی جزئی را می توان در مورد دسترسی شهرداری ها تعیین کرد ( جدول 5 ، مدل B را ببینید).
هنگام توسعه معادلات مدل پیچیده‌تر موضوعی، مشخص شد که آن مقادیر چگالی با آب‌بندی خاک بسیار مرتبط است ( شکل 7 را ببینید ) به شدت بر ضریب تعیین در تابع رگرسیون تأثیر می‌گذارد ( جدول 5 ، مدل C را ببینید). اگر تراکم جمعیت در تخمین معادله رگرسیون لحاظ شود، استانداردسازی متغیرها نشان می‌دهد که متغیرهای اضافی تأثیر نسبتاً کمی بر آب‌بندی خاک دارند (مانند مدارس، مالیات تجارت، خانه‌های تعطیلات، ساختمان‌های 3-X). اهمیت نسبی عوامل تأثیرگذار با متغیرهای استاندارد نشان داده شده است ( جدول 5 ، مدل C: بتا استاندارد شده را رجوع کنید).
مدل دیگری ایجاد شد ( جدول 5 ، مدل D) را برای در نظر گرفتن تراکم شبکه جاده و تراکم سکونت، و همچنین عوامل تأثیرگذار اضافی که اغلب مورد بحث قرار گرفته‌اند، ایجاد شد. همانطور که انتظار می رود، درجه آب بندی خاک به شدت تحت تأثیر گسترش شبکه حمل و نقل است. علاوه بر این، مجموعه پیچیده ای از عوامل متنوع که تأثیر متغیر بر درجه آب بندی خاک را نشان می دهد نیز نشان داده شده است: به عنوان مثال، ظرفیت مالیاتی، مرکزیت شغلی، فاصله رفت و آمد، ساختمان های 3-X.

6.2.4. تشخیص رگرسیون

فرآیند تشخیص رگرسیون با استفاده از مدل D نشان داده خواهد شد. شکل 8ارزیابی این مدل را عمدتاً با در نظر گرفتن باقیمانده ها ارائه می دهد. در سمت چپ بالا، باقیمانده ها را می بینیم که در برابر مقادیر برازش رسم شده اند. این برای بررسی ناهمسانی است. باقیمانده ها باید به طور مساوی در اطراف خط صفر بدون الگوی واضح توزیع شوند. با توجه به مفروضات مدل، باقیمانده ها باید به طور معمول توزیع شوند. طرح QQ در بالا سمت راست این توزیع نرمال را تایید می کند. مکان-مقیاس (پایین سمت چپ) همچنین با جستجوی الگوهایی در باقیمانده‌ها، که در اینجا قابل شناسایی نیستند، ناهمسانی را بررسی می‌کند. تصویر نهایی (پایین سمت راست) برای بررسی مشاهدات تأثیرگذار (مقادیر بالاتر از یک)، که می تواند تأثیر زیادی بر تخمین معادله رگرسیون داشته باشد، خدمت می کند.
هر مدل برای ضریب تورم واریانس (VIF) و عدد شرط مورد آزمایش قرار گرفت. VIF برای هر متغیر در هر دو مدل کمتر از چهار بود. شماره شرط مدل ها زیر مقدار محافظه کارانه 30 قرار دارد (مدل A = 28.6، مدل B = 28.5، مدل C = 25.2 و مدل D = 26.5). در مدل D، متغیری که قوی‌ترین تأثیر را بر درجه آب‌بندی خاک دارد، تراکم شبکه جاده‌ای است و به دنبال آن تراکم سکونت و ظرفیت مالیات شهری است. ضرایب رگرسیون استاندارد نشده تأثیری را که یک متغیر مستقل نسبت به متغیر وابسته نشان می دهد اندازه گیری می کند در حالی که سایر عوامل مستقل ثابت نگه داشته می شوند [ 52]. برای مدل D ارائه شده، این بدان معنی است که افزایش تراکم شبکه جاده توسط یک واحد بدون تغییر در سایر متغیرهای مستقل منجر به افزایش درجه آب بندی خاک 1.104 واحد می شود ([52]، ص 100 ) . در بخش بعدی، مدل‌های رگرسیونی را ارائه می‌کنیم که با هدف تولید تخمین‌های کارآمدتر، خودهمبستگی‌های فضایی را به وضوح در نظر می‌گیرند.

6.2.5. تحلیل رگرسیون فضایی

یک فرض رایج در تحقیقات آماری این است که داده های مکانی مستقل هستند. در مورد مورد بحث، این بدان معناست که واحدهای شهرداری مشاهده شده هیچ اثر محله ای یا وابستگی متقابل ندارند. در حالی که خود همبستگی های فضایی ممکن است یافته های آماری در رگرسیون های خطی را تضعیف کند، آنها همچنین می توانند در محاسبات مدل به عنوان اطلاعات اضافی گنجانده شوند. رگرسیون خودرگرسیون همزمان فضایی وابستگی های مکانی را در مدل ها (چه در متغیر وابسته یا در باقیمانده ها) در نظر می گیرد [ 57 ]. رگرسیون فضایی به منظور برآورد عوامل تأثیرگذار بدون اعوجاج اعمال می شود. تاخیر فضایی و مدل خطای مکانی واقعیت همبستگی خود را در مدل های خطی در نظر می گیرند (به بخش 5 مراجعه کنید.برای جزئیات بیشتر).
برای بررسی اینکه آیا همبستگی فضایی داده شده است، می توان از آزمون دوربین-واتسون و موران من استفاده کرد. آزمایش جهانی خود همبستگی را در درجه آب بندی خاک با مقدار 0.54 در معناداری 0.001 نشان می دهد. این ما را به این نتیجه می رساند که آب بندی خاک در بسیاری از مکان ها خوشه ای است و مشاهدات مجاور بیشتر از مشاهدات دور تحت تأثیر قرار می گیرند. به منظور تعیین مکان های خودهمبستگی، می توان Moran’s I محلی را محاسبه کرد و نتایج را مشاهده کرد ( شکل 9 را ببینید ).
محاسبه بر حسب فاصله معکوس (شهرداری های مجاور تأثیر بیشتری نسبت به شهرداری هایی دارند که از هم دورتر هستند) و همچنین فاصله اقلیدسی است که به عنوان فاصله خط مستقیم بین دو نقطه تعریف می شود. LISA وجود خوشه‌های فضایی یا نقاط پرت را با سطح اطمینان آماری معنی‌دار 95% نشان می‌دهد. آر2آر2. خوشه های بالا- زیاد و کم-کم نشان دهنده خودهمبستگی مثبت هستند، در حالی که کم-زیاد و زیاد-کم خود همبستگی منفی هستند. High-high نشان‌دهنده شهرداری‌هایی با درجه بالایی از آب‌بندی خاک است که توسط شهرداری‌هایی با سطوح بالای آب‌بندی خاک احاطه شده‌اند. از سوی دیگر، کم کم، نشان دهنده درجه کم آب بندی خاک است که شهرداری های اطراف نیز آب بندی کم را نشان می دهند. بالا-کم نشان دهنده درجه بالایی از آب بندی خاک است که توسط مقادیر کم احاطه شده است، و مقادیر کم-بالا پایین با مقادیر بالا احاطه شده است [ 64 ]. ارائه دو متغیره محلی Moran’s I، خوشه‌بندی مشابه دو متغیر را نشان می‌دهد. در شکل 9، در مورد درجه آب بندی خاک و نسبت استقرار و منطقه حمل و نقل، به توزیع های جغرافیایی مشابهی توجه می کنیم. خوشه‌های مقادیر بالا در هر دو متغیر، خوشه‌بندی بالا-بالا نامیده می‌شوند، در حالی که خوشه‌هایی با مقادیر کم، خوشه‌بندی کم-کم نامیده می‌شوند.
نتایج رگرسیون فضایی در جدول 6 ارائه شده است . با مقایسه مدل‌های تاخیر مکانی و خطای مکانی، واضح است که هر دو مدل نسبت به مدل اصلی OLS بهبود یافته‌اند. خوب بودن برازش مدل رگرسیون فضایی را می توان با شبه مشخص کرد. آر2آر2، توسط تخمین حداکثر احتمال این رویکرد تعیین می شود. مقایسه مستقیم مدل با استفاده از ضریب تعیین انجام نشده است آر2آر2، اما در عوض از طریق AIC. مقادیر AIC نشان می دهد که مدل خطای مکانی بهترین مدل را در هر مدل رگرسیونی دارد. این ما را به خود همبستگی در باقیمانده ها مشکوک می کند.
به منظور تشریح، ما خودهمبستگی مدل ها را با استفاده از مثال رگرسیون خطای مکانی مدل D با بررسی موران I از باقیمانده ها مقایسه می کنیم. شکل 10نمودارهای پراکنده موران I از “خطای پیش بینی” و “باقیمانده” رگرسیون خطای فضایی را نشان می دهد. در این نمودارهای پراکندگی، خطای استاندارد در برابر خطای حاصل از ماتریس وزنی رسم می شود. ربع مربوطه چهار گروه خود همبستگی را با همبستگی زیاد و کم پایین (بالا سمت راست، پایین چپ) برای همبستگی مثبت و دو ربع دیگر برای همبستگی منفی نشان می دهد. با مقایسه مقادیر I موران، می‌توانیم تعیین کنیم که آیا معرفی عبارت خودرگرسیون به کاهش خود همبستگی کمک می‌کند یا خیر. اگر از خودهمبستگی چشم پوشی کنیم، مقدار I موران 0.52 است، مقداری که تقریباً مطابق با مدل رگرسیون OLS در 0.48 است. با در نظر گرفتن خود همبستگی (با معرفی عبارت خودرگرسیون) مقدار 0.05- به دست می آید.
شکل 11 باقیمانده‌های مدل‌های رگرسیون را به‌منظور آشکارسازی بیش‌ازحد یا کمتر برآوردهای سیستماتیک و بنابراین همبستگی‌های خودکار نشان می‌دهد. اینها را می توان با استفاده از داده های ماتریس کوواریانس ضرایب رگرسیون یا مقادیر تخمین زده شده و باقیمانده ها در هر نقطه رگرسیون ترسیم کرد. به این ترتیب می توان میزان کاهش خودهمبستگی را به صورت بصری بررسی کرد. در اینجا، ما به وضوح شاهد کاهش قابل توجهی در خود همبستگی از طریق معرفی عبارت خودرگرسیون در مدل‌های رگرسیون فضایی هستیم که یک پیشرفت عمده را نسبت به مدل OLS ایجاد می‌کند. نتیجه می گیریم که تناسب مدل را می توان با در نظر گرفتن صریح وابستگی های فضایی تا حد زیادی بهبود بخشید.

7. بحث

به منظور محدود کردن درجه آب بندی خاک با استفاده از ابزارهای برنامه ریزی فضایی، ابتدا لازم است اطلاعاتی در مورد عوامل تأثیرگذار احتمالی به دست آید. با توجه به حجم فزاینده داده های قابل تجزیه و تحلیل، تدوین فرضیه های فردی دشوارتر می شود. برخی از الگوهای فضایی ممکن است در صورت اتخاذ رویکردی بیش از حد محدود یا جانبدارانه پنهان بمانند. با توجه به این مشکلات، ممکن است مجموعه داده های پیچیده با دقت کافی مورد بررسی قرار نگیرد، یعنی تمام جنبه های ممکن در نظر گرفته نشود. در نتیجه، وابستگی های متقابل جالب ممکن است نادیده گرفته شوند. در مقابل این پس زمینه، مطالعه حاضر روش داده کاوی شهری را اتخاذ می کند [ 65 ، 66] برای آشکار کردن توصیفات منطقی یا ریاضی و تا حدی پیچیده از الگوها و قانونمندی ها در داخل مجموعه ای از داده های مکانی. تعداد زیادی متغیر ( n = 220�=220) جمع آوری و مورد بازرسی قرار گرفت. بر این اساس، تجزیه و تحلیل همبستگی و رگرسیون به منظور شناسایی بسته‌های متنوعی از متغیرهایی که درجه آب‌بندی خاک را مشخص می‌کنند، انجام شد. در نتیجه، 25 متغیر شناسایی شد که یک رابطه دو متغیره تقریبا خطی با آب بندی خاک دارند.
به عنوان مثال، این فرضیه که وسعت سطح مهر و موم شده در شهرداری های آلمان به تراکم سکونتگاه ها و/یا سطح بالای فعالیت اقتصادی وابسته است تأیید شده است (به فرضیه 1 در جدول 1 مراجعه کنید ) . معیارهای زیر از تراکم در این زمینه قابل توجه است: به عنوان مثال، تراکم جمعیت ( r = 0 . 92�=0.92، تراکم شبکه جاده ای ( r = 0 . 86�=0.86، تراکم نشست ( r = 0 . 75�=0.75تراکم آپارتمان ها ( r = 0 . 75�=0.75، تراکم جمعیت در طول روز ( r = 0 . 7�=0.7) و تراکم مسکن ( r = 0 . 65�=0.65). ظرفیت مالیاتی ( r = 0 . 72�=0.72) و درآمدهای شهرداری از محل مالیات های بازرگانی ( r = 0 . 5�=0.5) همچنین با میزان آب بندی خاک (ر.ک. فرضیه 5 در جدول 1 )، و همچنین دسترسی (حمل و نقل) همبستگی دارند. زمان رانندگی به مدارس ( r = 0 . 58�=0.58) به وضوح با آب بندی خاک در ارتباط هستند و بنابراین، به عنوان یک شاخص خاص برای توسعه زیرساخت ها در یک منطقه عمل می کنند (به فرضیه 3 در جدول 1 مراجعه کنید ).
در حال حاضر، تعیین یک وابستگی واضح بین سبک زندگی و الگوهای مصرف (فضای زندگی به ازای هر ساکن/خانوار، سفر بین خانه، محل کار، مغازه ها و مناطق تفریحی) و درجه آب بندی خاک دشوار است. فقط یک همبستگی متوسط ​​بین فضای زندگی به ازای هر ساکن وجود دارد ( r = 0 . 58�=0.58) و درجه آب بندی خاک و همبستگی مشابه (منفی) بین میانگین فاصله رفت و آمد و آب بندی خاک ( آر2= – 0 . 43آر2=–0.43). برای بررسی دقیقتر روابط مفروض باید متغیرهای دیگری را در نظر گرفت (به فرضیه 5 در جدول 1 مراجعه کنید ). با توجه به فرضیه‌های فرموله‌شده در مورد زیرساخت‌های گردشگری (به فرضیه 2 در جدول 1 مراجعه کنید)، ما متذکر می‌شویم که درصد خانه‌های تعطیلات در یک شهرداری یک عامل تأثیرگذار مفید برای توصیف آب‌بندی خاک در یک مطالعه پان آلمان نیست. وابستگی بین آب بندی خاک و این متغیر با در نظر گرفتن تمام شهرداری های آلمان نسبتا ضعیف است. آر2= – 0 . 29آر2=–0.29). بنابراین، توصیه می شود که تحلیل در مقیاس فضایی متفاوت/کوچکتر انجام شود و متغیرهای تکمیلی به عنوان شاخص برای زیرساخت های گردشگری مورد استفاده قرار گیرند. علاوه بر این، هیچ وابستگی قوی بین آب بندی خاک و جذابیت چشم انداز یا توپوگرافی زیرین قابل شناسایی نیست (به فرضیه 9 در جدول 1 مراجعه کنید ). فقط یک همبستگی بسیار ضعیف بین تنوع امدادی و درجه آب بندی خاک وجود دارد. در تحقیقات آتی، شیب زمین ممکن است متغیر مناسبی برای بررسی دقیق‌تر رابطه مفروض باشد.
با توجه به ابعاد سیاست عمومی (ر.ک. فرضیه 10 در جدول 1 )، فقط همبستگی بسیار ضعیفی با درجه آب بندی خاک یافت شد. در اینجا، داده های بیشتری باید جمع آوری شود تا امکان تجزیه و تحلیل کمی فراهم شود. در حال حاضر، چنین تأثیراتی را نمی توان به درستی نشان داد، حتی اگر بدون شک اهمیت قابل توجهی داشته باشند. تحلیل‌های در مقیاس کوچک احتمالاً بهترین رویکرد برای کشف وابستگی‌های بالقوه است.
با توجه به روش‌شناسی، فرآیند ارائه‌شده تحلیل داده‌ها را می‌توان به چند مرحله تقسیم کرد: انتخاب داده‌های هدف، پیش پردازش داده‌ها، اعمال تبدیل در صورت لزوم، انجام تحلیل همبستگی و رگرسیون برای استخراج روابط و سپس تفسیر و ارزیابی نتایج. انتخاب داده‌های مبتنی بر نظریه و به‌ویژه بازرسی دقیق داده‌ها، از جمله اندازه‌گیری‌های تبدیل، برای اطمینان از نتایج با کیفیت خوب مورد نیاز است. رویکرد ارائه شده منجر به درک عمیق تری از توزیع هر متغیر می شود. مشاهده شد که اکثر متغیرهای انتخاب شده از توزیع لگ نرمال پیروی می کنند. در این زمینه، میانگین و انحراف معیار معیارهای مناسبی برای تشخیص ویژگی‌های متغیر هستند. مثلا، می توان بین شش کلاس مختلف آب بندی خاک تمایز قائل شد و الگوهای فضایی دقیق تری را در سطح شهرداری های آلمان (شهرداری مرکزی در مقابل شهرداری های پیرامونی) تشخیص داد. با توجه به تایید توزیع نرمال داده ها، قدرت و جهت رابطه را می توان با استفاده از ضریب همبستگی پیرسون اندازه گیری کرد. فرآیند تحلیل داده‌ها از نمودارهای پراکندگی برای بررسی وابستگی خطی بین متغیرهای مستقل و وابسته به عنوان پیش‌شرطی برای رگرسیون حداقل مربعات معمولی استفاده کرد. در مطالعات قبلی، رگرسیون حداقل مربعات معمولی اغلب برای توضیح آب‌بندی خاک یا ویژگی‌های کلی‌تر مصرف زمین استفاده شده است. در برخی موارد از رگرسیون گام به گام برای شناسایی متغیرهای مرتبط استفاده شده است. در مقابل چنین رویکردهایی که شامل رگرسیون گام به گام است، در اینجا ما از اندازه‌گیری‌های همبستگی و تکنیک‌های بصری، مانند نمودارهای پراکنده، در ترکیب با ملاحظات اساسی استفاده کرده‌ایم. علاوه بر این، چندین رویکرد رگرسیون فضایی مختلف در این مقاله برای بررسی مجموعه پیچیده عوامل تأثیرگذار ارائه شده است. اینها مدل تاخیر مکانی و مدل خطای مکانی هستند. چنین روش‌های رگرسیون فضایی با گنجاندن ویژگی‌های فضایی مختلف در مدل، مانند خود همبستگی فضایی، ارزش توضیحی بالایی دارند. اینها مدل تاخیر مکانی و مدل خطای مکانی هستند. چنین روش‌های رگرسیون فضایی با گنجاندن ویژگی‌های فضایی مختلف در مدل، مانند خود همبستگی فضایی، ارزش توضیحی بالایی دارند. اینها مدل تاخیر مکانی و مدل خطای مکانی هستند. چنین روش‌های رگرسیون فضایی با گنجاندن ویژگی‌های فضایی مختلف در مدل، مانند خود همبستگی فضایی، ارزش توضیحی بالایی دارند.
علاوه بر این، رگرسیون دارای وزن جغرافیایی (GWR) باید به عنوان یک تکنیک قدرتمند برای مطالعه عوامل تأثیرگذار در سطح محلی مورد بحث قرار گیرد. از طریق استفاده از آمارهای محلی، غیر ثابت بودن را می توان شناسایی کرد تا نشان دهد چگونه چندین واحد اداری می توانند برای توصیف کل منطقه مورد مطالعه خدمت کنند. غیر ایستایی دلالت بر این دارد که پدیده ها می توانند در فضا متفاوت باشند، و از این رو، لازم است با توزیع فضایی آنها مقابله کنیم [ 57 ]. GWR یک مدل رگرسیون محلی است که مقادیر ضرایب جدیدی را برای هر واحد تخمین می زند، برخلاف OLS و SAR، که یک معادله را برای کل منطقه مورد مطالعه تخمین می زنند [ 67] .]. به این ترتیب، GWR به طور مستقیم با ارائه طیف وسیعی از ضرایب رگرسیون در منطقه مورد مطالعه، به عدم ایستایی می پردازد. با این حال، ایجاد مدلی شامل تعداد زیادی متغیر برای کل قلمرو ملی آلمان نسبتاً دشوار است. به منظور ابداع چنین مدلی، نویسندگان بر اهمیت استفاده از تشخیص رگرسیون و همچنین نیاز به تشخیص همخطی بودن مدل، به عنوان مثال، عامل تورم واریانس، شاخص‌های وضعیت تأکید می‌کنند (برای اطلاعات بیشتر، [68، 69، 70 ، 71 ] را ببینید .]). تحت پیش نیاز داده های مقیاس کوچک در مورد عوامل تأثیرگذار، کار آینده باید بر روی کاربردهای GWR در مناطق مورد مطالعه انتخاب شده (به عنوان مثال، مناطق شهری، سایر نقاط مهم آب بندی خاک) متمرکز شود. علاوه بر این، سایر رویکردهای درون یابی فضایی (مانند کریجینگ/کوکریجینگ رگرسیون) ممکن است برای دریافت درک عمیق تر از عوامل تأثیرگذار در سطح محلی مناسب باشد [ 72 ].
به طور کلی، این مقاله تلاش کرده است تا مروری بر رویکردهای روش شناختی و چالش های مرتبط با آن ارائه دهد. در آینده، بسته به در دسترس بودن مجموعه داده‌های جدید، می‌توان تحلیل عمیق‌تری را در مورد عوامل تأثیرگذار آب‌بندی خاک در نقاط زمانی ثابت (چشم‌انداز استاتیک) و همچنین بررسی تغییرات در میزان آب‌بندی خاک در طول مسیرهای چندبعدی انجام داد. (چشم انداز پویا).
داده‌های سنجش از دور اخیراً منتشر شده از آژانس محیط زیست اروپا (EEA) راه‌های جدیدی را برای اعمال تکنیک‌های ارائه‌شده در اینجا در سایر مناطق مطالعاتی اروپایی به منظور تجزیه و تحلیل مجموعه پیچیده عوامل تأثیرگذار برای بازه‌های زمانی 2006، 2009 و 2012 باز می‌کند. بدون شک تفاوت بین واحدهای فضایی مختلف اروپا را آشکار خواهد کرد. مطالعات تطبیقی ​​آینده و همچنین مطالعات موردی باید انجام شود تا مشخص شود که آیا مقادیر سطوح مهر و موم شده برای شهرداری ها از داده های EEA قابل اعتماد هستند یا خیر.

8. نتیجه گیری

هدف تجزیه و تحلیل داده‌های ارائه‌شده شناسایی و تعیین کمیت عوامل تأثیرگذار (نیروهای محرک، عوامل تعیین‌کننده) برای آب‌بندی خاک با استفاده از مجموعه داده‌های به‌روز و با وضوح بالا است. به این ترتیب امکان بررسی دقیق‌تر ابعاد مختلف آب‌بندی خاک اعم از عوامل اجتماعی – جمعیتی، اقتصادی، زیرساختی، توپوگرافی و برنامه‌ریزی فراهم می‌شود. واحدهای مطالعه انتخاب شده شهرها و شهرداری های آلمان بودند که کوچکترین واحدهای اداری را تشکیل می دهند. n = 11 ، 441�=11،441).
داده ها در مورد سطوح مهر و موم شده (نسبت منطقه مهر و موم شده به مساحت شهری) توسط نظارت IÖR در توسعه سکونتگاه و فضای باز از سال 2013 [ 73] ارائه شده است.]. ما یک نمای کلی از مراحل مورد نیاز برای استخراج درجه شاخص آب بندی خاک ارائه کرده ایم. بر اساس این، مراحل اضافی بازرسی داده ها و همچنین طبقه بندی میزان آب بندی خاک در شهرداری های آلمان بود. در ترکیب با داده‌های آماری اضافی و مدل‌های رگرسیون چند بعدی (به عنوان مثال، رگرسیون حداقل مربعات معمولی، مدل تاخیر فضایی، مدل خطای فضایی)، جهت تأثیر و شدت عوامل مختلف تأثیرگذار بر آب‌بندی خاک مورد بررسی قرار گرفت. این نوع یافته‌ها می‌توانند اطلاعات و ابزارهای ارزیابی را هنگام تلاش برای مشاهده و بررسی (هم از نظر کمی و هم از نظر کیفی) ساختارهای کاربری فعلی زمین و تغییرات آنها در سطوح مختلف فضایی پشتیبانی کنند.

منابع

  1. لکسر، دبلیو. در Fachtagung zur Stadtökologie “Grünstadtgrau” ; Selbstverlag: Wien, Österreich, 2004; صص 35-45. [ Google Scholar ]
  2. BMVBS/BBSR. Einflussfaktoren der Neuinanspruchnahme von Flächen ; Forschungen Heft 139; BMVBS/BBSR: بن، آلمان، 2009. [ Google Scholar ]
  3. هابر، دبلیو. Bückman, W. Nachhaltiges Landmanagement, Differenzierte Landnutzung und Klimaschutz ; Technische Universitätsverlag: برلین، آلمان، 2013. [ Google Scholar ]
  4. Siedentop، S. هیلند، اس. لمان، آی. هرنیگ، ا. Schauerte-Lüke, N. Nachhaltigkeitsbarometer Fläche—Regionale Schlüsselindikatoren Nachhaltiger Flächennutzung für die Fortschrittsberichte der Nationalen Nachhaltigkeitsstrategie (Nachhaltigkeitsbarometer Fläche) ; Selbstverlag: بن، آلمان، 2006. [ Google Scholar ]
  5. هاس، دی. Nuissl, H. آیا پراکندگی شهری باعث تغییر در تعادل و سیاست آب می شود؟ مورد لایپزیگ (آلمان) 1870-2003. زمین ها طرح شهری. 2007 ، 80 ، 1-13. [ Google Scholar ] [ CrossRef ]
  6. هبر، بی. Lehmann, I. Beschreibung und Bewertung von Bodenversiegelung in Städten ; Selbstverlag: درسدن، آلمان، 1996. [ Google Scholar ]
  7. لافورتزا، آر. کاروسک، جی. سانزیا، جی. دیویس، سی. مزایا و رفاه درک شده توسط افرادی که از فضاهای سبز بازدید می کنند در دوره های استرس گرمایی. شهری برای. سبز شهری. 2009 ، 8 ، 97-108. [ Google Scholar ] [ CrossRef ]
  8. Lassen, C. Unzerschnittene verkehrsarme Räume in der Bundesrepublik Deutschland. نات. Landsch. 1979 ، 54 ، 333-334. [ Google Scholar ]
  9. پروکوپ، جی. جابستمن، اچ. Schönbauer, A. مروری بر بهترین شیوه ها برای محدود کردن آب بندی خاک یا کاهش اثرات آن در EU-27 ; گزارش نهایی یک مطالعه با قرارداد کمیسیون اروپا، DG Environment. جوامع اروپایی: بروکسل، بلژیک، 2011. [ Google Scholar ]
  10. Scalenghea، R.; Marsan، FA آب بندی انسانی خاک در مناطق شهری. زمین ها طرح شهری. 2009 ، 90 ، 1-10. [ Google Scholar ] [ CrossRef ]
  11. آرلت، جی. گوسل، جی. هبر، بی. هنرسدورف، جی. لمان، آی. Thinh، NX Auswirkungen Städtischer Nutzungsstrukturen auf Bodenpreis und Bodenversiegelung ; IÖR Schriften Band 34; Sächsiches Druck und Verlagshaus: Dresden، آلمان، 2001. [ Google Scholar ]
  12. مارتین، سی. Eiblmaier, M. (Eds.) Lexikon der Geowissenschaften ; Spektrum Akademischer Verlag: هایدلبرگ، آلمان، 2002.
  13. EEA، آژانس محیط زیست اروپا. محصولات نفوذ ناپذیر 2006/2009: نکته فنی در مورد مشخصات محصول لایه نفوذ ناپذیر منابع انسانی ؛ آژانس محیط زیست اروپا: کپنهاگ، دانمارک، 2010. [ Google Scholar ]
  14. بلوم، چالش های WEH برای حفاظت از خاک اروپا تحت جنبه های بین رشته ای. در Europäischer Bodenschutz: Schlüsselfragen des nachhaltigen Bodenschutzes ; Lee, YH, Bückmann, W., Eds.; Universitätsverlag: برلین، آلمان، 2008; صص 81-94. [ Google Scholar ]
  15. بروست، JH تحلیل ساختاری مناظر شهری برای مدیریت منظر در شهرهای آلمان. در بوم شناسی شهرها و شهرک ها ; McDonnell, MJ, Hahs, AK, Breuste, JH, Eds. انتشارات دانشگاه: کمبریج، انگلستان، 2009; صص 355-379. [ Google Scholar ]
  16. آسودو، دبلیو. تیلور، جی ال. هستر، دی جی; ملادینیچ، سی اس; Glavac، S. نرخ ها، روندها، علل، و پیامدهای تغییر کاربری اراضی شهری در ایالات متحده ؛ خدمات اطلاعات USGS: Denver, CO, USA, 2006; پ. 70. [ Google Scholar ]
  17. فرای، بی. Hensel, R. Schätzverfahren zur Bodenversiegelung: UGRdL-Ansatz. در Statistische Analysen und Studien NRW, Band 44 ; Landesamt für Datenverarbeitung und Statistik NRW; Selbstverlag: دوسلدورف، آلمان، 2007; صص 19-32. [ Google Scholar ]
  18. ماینل، جی. Hernig، A. Erhebung der bodenversiegelung auf grundlage des ATKIS-Basis-DLM-möglichkeiten und grenzen. فتوگرام فرنرکوند. اطلاعات جغرافیایی 2006 ، 3 ، 195-204. [ Google Scholar ]
  19. براون، ام. هرولد، ام. نقشه برداری سطح غیرقابل نفوذ با استفاده از NDVI و اختلاط طیفی خطی داده های ASTER در منطقه کلن-بن (آلمان). SPIE Proc. 2004 ، 5239 ، 274-284. [ Google Scholar ]
  20. Kübler, A. Kommunale Bodenschutzkonzepte—Bewertung, Monitoring und Management von Bodenressourcen, Vorgestellt am Beispiel Stuttgart; Neue Möglichkeiten der Nachhaltigkeit im Kommunalen Bodenschutz durch Combination von Bodenbewertung, Bodenindikatoren und Strategien zur Haushälterischen Bewirtschaftung Lokaler Bodenressourcen. Ph.D. پایان نامه، دانشگاه اشتوتگارت، اشتوتگارت، آلمان، 2004. [ Google Scholar ]
  21. گوتزکه، آر. بیش از، م. براون، M. روشی برای نقشه تغییر کاربری زمین و رشد شهری در نوردراین-وستفالن (آلمان). در مجموعه مقالات دومین کارگاه EARSeL SIG در مورد استفاده از زمین و پوشش زمین، بن، آلمان، 6-7 مه 2006. صص 102-111.
  22. اش، تی. هیملر، وی. شورشت، جی. تیل، م. ورمن، تی. باکوفر، اف. کنراد، سی. اشمیت، ام. Dech, S. ارزیابی مساحت بزرگ سطح غیرقابل نفوذ بر اساس تجزیه و تحلیل یکپارچه تصاویر Landsat-7 تک تاریخ و داده های برداری جغرافیایی. سنسور از راه دور محیط. 2009 ، 113 ، 1678-1690. [ Google Scholar ] [ CrossRef ]
  23. هلدنز، دبلیو. اش، تی. هایدن، یو. دچ، اس. Chockalingam، J. پتانسیل سنجش از دور فراطیفی برای توصیف ساختار شهری در مونیخ. در مجموعه مقالات کارگاه مشترک EARSeL، بوخوم، آلمان، 5-7 مارس 2008. صص 94-103.
  24. وو، سی. موری، AT تخمین توزیع سطح غیرقابل نفوذ با تجزیه و تحلیل طیفی. سنسور از راه دور محیط. 2003 ، 84 ، 493-505. [ Google Scholar ] [ CrossRef ]
  25. لی، ام. زنگ، س. وو، سی. دنگ، ی. تجزیه و تحلیل مخلوط طیفی مبتنی بر تقسیم بندی و مبتنی بر قانون برای تخمین نفوذناپذیری شهری. Adv. Space Res. 2015 ، 55 ، 1307-1315. [ Google Scholar ] [ CrossRef ]
  26. منافو، م. نورروب، سی. سابیک، ا. سالواتی، L. آب بندی خاک در شهر در حال رشد: بررسی در رم، ایتالیا. اسکات Geogr. J. 2013 ، 126 ، 153-161. [ Google Scholar ] [ CrossRef ]
  27. ویلا، پی. نقشه برداری رشد شهری با استفاده از شاخص خاک و پوشش گیاهی و داده های لندست: مطالعه موردی منطقه شهر میلان (ایتالیا). Landsc. طرح شهری. 2012 ، 107 ، 245-254. [ Google Scholar ] [ CrossRef ]
  28. ساند، ام جی; او، HS; ژو، بی. هابارت، جی. Spicci، A. ابزار تجزیه و تحلیل تغییر نفوذ ناپذیری (I-CAT) برای شبیه سازی رشد شهری در سطح پیکسل. Landsc. طرح شهری. 2014 ، 124 ، 104-108. [ Google Scholar ] [ CrossRef ]
  29. ماوچا، جی. بوتنر، جی. Kosztra, B. اعتبار سنجی اروپایی GMES FTS Soil Seal Enhancement Data ; پیش نویس نهایی؛ آژانس محیط زیست اروپا: کپنهاگ، دانمارک، 2010. [ Google Scholar ]
  30. ماوچا، جی. بوتنر، جی. Kosztra، B. اعتبار اروپایی داده های افزایش آب بندی خاک GMES FTS. در مجموعه مقالات سی و یکمین سمپوزیوم EARseL پراگ: سنجش از دور و اطلاعات جغرافیایی نه تنها برای همکاری علمی، پراگ، جمهوری چک، 30 مه تا 2 ژوئن 2011. صص 223-238.
  31. رانالی، ف. سالواتی، L. الگوهای پیچیده، پیامدهای غیر قابل پیش بینی: توزیع زمین مهر و موم شده در امتداد شیب شهری-روستایی در بارسلونا. اسناد d’Anàlisi Geogr. 2015 ، 61 ، 393-408. [ Google Scholar ] [ CrossRef ]
  32. تومبولینی، آی. منافوا، م. سالواتی، L. ردپای آب بندی خاک به عنوان شاخصی از رشد پراکنده شهری: یک رویکرد آمار چند متغیره. Urban Res. تمرین کنید. 2015 ، 9 ، 1-15. [ Google Scholar ] [ CrossRef ]
  33. آرتمن، ام. نیروهای محرکه آب بندی خاک شهری و محدودیت های مدیریت ist-موارد لایپزیگ و مونیخ (آلمان). جی. ستل. تف کردن طرح. 2013 ، 4 ، 143-152. [ Google Scholar ]
  34. Artmann، M. ابعاد فضایی مدیریت آب بندی خاک در شهرهای در حال رشد و کوچک شدن – یک تحلیل سیستمی چند مقیاسی در آلمان. Erdkunde 2013 , 67 , 249-264. [ Google Scholar ] [ CrossRef ]
  35. کابرال، پ. سانتوس، جی. آگوستو، جی. نظارت بر پراکندگی شهری و ذخیره اکولوژیکی ملی در سینترا کاسکای، پرتغال: ارزیابی مدل رگرسیون خطی OLS چندگانه. ج. طرح شهری. توسعه دهنده 2011 ، 137 ، 346-353. [ Google Scholar ] [ CrossRef ]
  36. Mann, S. آیا beeinflusst die flächenversiegelung بود؟ Agrarforschung 2008 ، 15 ، 184-189. [ Google Scholar ]
  37. مورلی، وی جی. Salvati، L. گسترش موقت شهری در شهر مدیترانه: پراکندگی یک سنت فشرده؟ Edizioni Nuova Cultura: Rom، ایتالیا، 2010. [ Google Scholar ]
  38. ناوارو پدرنو، جی. ملندز-پاستور، آی. گومز لوکاس، I. تاثیر سه دهه رشد شهری بر منابع خاک در الچه (آلیکانته، اسپانیا). طول. J. Soil Sci. 2012 ، 2 ، 55-69. [ Google Scholar ]
  39. Vanderhaegen، S. دی مونتر، ک. Canters، F. مدل سازی با وضوح بالا و پیش بینی تراکم آب بندی خاک در مقیاس منطقه ای. Landsc. طرح شهری. 2015 ، 133 ، 133-142. [ Google Scholar ] [ CrossRef ]
  40. شیائو، آر. سو، اس. ژانگ، ز. چی، جی. جیانگ، دی. وو، جی. دینامیک آب بندی خاک و الگوهای منظر خاک تحت شهرنشینی سریع. Catena 2013 ، 109 ، 1-12. [ Google Scholar ] [ CrossRef ]
  41. Thinh، NX; آرلت، جی. هبر، بی. هنرسدورف، جی. Lehmann, I. ارزیابی ساختارهای کاربری اراضی شهری با دیدگاه توسعه پایدار. محیط زیست ارزیابی تاثیر Rev. 2002 , 22 , 475-492. [ Google Scholar ] [ CrossRef ]
  42. تبدیل Levia، DF Farmland و توسعه مسکونی در شمال مرکزی ماساچوست. تخریب زمین توسعه دهنده 1999 ، 9 ، 123-130. [ Google Scholar ] [ CrossRef ]
  43. مان، اس. Zingg، E. Stand und Dynamik der Flächenversiegelung in der Schweiz. راومفورش. راوموردن 2009 ، 67 ، 45-53. [ Google Scholar ] [ CrossRef ]
  44. کرچمر، او. اولتش، آ. بهنیش، ام. به سوی درک مصرف زمین در آلمان – طرح کلی عوامل تأثیرگذار به عنوان مبنایی برای تحلیل های چند بعدی. Erdkunde 2015 ، 69 ، 267-279. [ Google Scholar ] [ CrossRef ]
  45. سالواتی، ال. Forino، G. “آزمایشگاه” تخریب منظر: پیامدهای اجتماعی و اقتصادی برای توسعه پایدار در مناطق حاشیه شهری. بین المللی J. Innov. حفظ کنید. توسعه دهنده 2014 ، 8 ، 232-249. [ Google Scholar ] [ CrossRef ]
  46. دستور کار سرزمینی اتحادیه اروپا 2020: به سوی اروپای فراگیر، هوشمند و پایدار از مناطق متنوع. Gödöllő، مجارستان، 2011. موجود به صورت آنلاین: http://www.eu2011.hu/files/bveu/documents/ TA2020.pdf (دسترسی در 15 آوریل 2016).
  47. مولر، ک. اشتاین مایر، سی. Küchler, M. رشد شهری در امتداد بزرگراه ها در سوئیس. Landsc. طرح شهری. 2010 ، 98 ، 3-12. [ Google Scholar ] [ CrossRef ]
  48. EEA، آژانس محیط زیست اروپا. گسترش شهری در اروپا – چالش نادیده گرفته شده گزارش آژانس محیط زیست اروپا 10/2006; آژانس محیط زیست اروپا: کپنهاگ، دانمارک، 2006. [ Google Scholar ]
  49. والز، یو. Stein, C. شاخص های همروبی برای نظارت بر مناظر در آلمان. جی. نات. حفظ کنید. 2014 ، 22 ، 279-289. [ Google Scholar ] [ CrossRef ]
  50. Bundesamt für Kartographie und Geodäsie (BKG، آژانس فدرال نقشه برداری و ژئودزی). در دسترس آنلاین: http://www.geodatenzentrum.de/docpdf/vg250.pdf (دسترسی در 10 ژوئن 2016).
  51. بهنیش، م. Ultsch، A. کشف دانش در داده های برنامه ریزی فضایی – مفهومی برای درک خوشه. در رویکردهای محاسباتی برای محیط های شهری; ژئوتکنولوژی و محیط زیست سری 13 ; Helbich, M., Arsenjani, JJ, Leitner, M., Gatrell, JD, Jensen, RR, Eds. Springer: برلین، آلمان، 2015; صص 49-75. [ Google Scholar ]
  52. فاکس، جی. تحلیل رگرسیون کاربردی، مدل‌های خطی و مدل‌های مرتبط . انتشارات SAGE: نیویورک، نیویورک، ایالات متحده آمریکا، 1997. [ Google Scholar ]
  53. دست، دی جی; مانیلا، اچ. اسمیت، پی. اصول داده کاوی ; انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2001. [ Google Scholar ]
  54. Ultsch، A. Pareto density estimation: تخمین چگالی برای کشف دانش. در نوآوری در طبقه بندی، علم داده، و سیستم های اطلاعات ، مجموعه مقالات بیست و هفتمین کنفرانس سالانه انجمن طبقه بندی آلمان (GfKL)، کوتبوس، آلمان، 12-14 مارس 2003. Baier, D., Wernecke, KD, Eds. Springer: برلین، آلمان، 2003; صص 91-100. [ Google Scholar ]
  55. گریفیث، DA خودهمبستگی فضایی ; Elsevier Inc.: Dallas, Richardson, TX, USA, 2009. [ Google Scholar ]
  56. لانگلی، پی. Goodchild، MF; مگوایر، دی جی; Rhind، DW سیستم های اطلاعات جغرافیایی و علوم ; Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  57. Anselin, L. اقتصادسنجی فضایی/روش ها و مدل ها . Springer Science & Business Media: Dodrecht، هلند، 1988. [ Google Scholar ]
  58. گتیس، الف. خودهمبستگی فضایی. در کتابچه راهنمای تحلیل کاربردی فضایی ; Fischer, MM, Getis, A., Eds. Springer: برلین، آلمان؛ صص 255-278.
  59. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  60. آنسلین، ال. برا، الف. وابستگی فضایی در مدل های رگرسیون خطی. در کتاب آمار کاربردی اقتصادی ; Marcel Dekker, Inc.: New York, NY, USA, 1998; صص 237-289. [ Google Scholar ]
  61. فیشر، ام. وانگ، جی. تجزیه و تحلیل داده های فضایی/مدل ها، روش ها و تکنیک ها . Springer: Heidelberg، آلمان، 2011. [ Google Scholar ]
  62. کیسلینگ، دی. کارل، جی. خودهمبستگی فضایی و انتخاب مدل های خودرگرسیون همزمان. گلوب. Ecol. Biogeogr. 2008 ، 17 ، 59-71. [ Google Scholar ] [ CrossRef ]
  63. Anselin، L. Lagrange تشخیص تست ضریب برای وابستگی فضایی و ناهمگنی فضایی. Geogr. مقعدی 1988 ، 20 ، 1-17. [ Google Scholar ] [ CrossRef ]
  64. لوید، سی. مدل های محلی برای تحلیل فضایی . CRC Press: Boca Raton، FL، USA، 2011. [ Google Scholar ]
  65. Behnisch, M. داده کاوی شهری ; انتشارات علمی KIT: کارلسروهه، آلمان، 2008. [ Google Scholar ]
  66. بهنیش، م. Ultsch، A. داده کاوی شهری: کاوش فضایی و زمانی داده های چند بعدی. ساختن. Res. Inf. 2009 ، 37 ، 520-532. [ Google Scholar ] [ CrossRef ]
  67. فاثرینگهام، ای. براندون، سی. چارلتون، ام. رگرسیون وزن‌دار جغرافیایی: تحلیل روابط متغیر فضایی . John Wiley & Sons Ltd.: New York, NY, USA, 2002. [ Google Scholar ]
  68. براندسون، سی. چارلتون، من؛ هریس، پی. زندگی با هم خطی در مدل های رگرسیون محلی. در دسترس آنلاین: http://www.geos.ed.ac.uk/ gisteac/proceedingsonline/GISRUK2012/Papers/presentation-9.pdf (دسترسی در 15 آوریل 2016).
  69. ویلر، دی. Tiefelsdorf، M. چند خطی و همبستگی بین ضرایب رگرسیون محلی در رگرسیون وزنی جغرافیایی . Springer: برلین، آلمان، 2005. [ Google Scholar ]
  70. ویلر، دی. Paez, A. رگرسیون وزنی جغرافیایی. در کتابچه راهنمای تحلیل کاربردی فضایی ; Fischer, MM, Getis, A., Eds. Springer: برلین، آلمان، 2010; صص 461-486. [ Google Scholar ]
  71. ویلر، دی. تجسم و تشخیص ضرایب از مدل‌های رگرسیون وزن‌دار جغرافیایی. در تحلیل جغرافیایی و مدلسازی ساختار و دینامیک شهری ; جیانگ، بی.، یائو، ایکس.، ویرایش. Springer: برلین، آلمان، 2010; صص 415-436. [ Google Scholar ]
  72. Wackernagel, H. Multivariate Geostatistics: An Introduction with Applications , 3rd ed.; Springer: برلین، آلمان، 2010. [ Google Scholar ]
  73. کروگر، تی. ماینل، جی. شوماخر، U. نظارت بر کاربری زمین با تجزیه و تحلیل داده های توپوگرافی. کارتوگر. Geogr. Inf. علمی 2013 ، 40 ، 220-228. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00132 g001 1024
شکل 1. پردازش داده های آب بندی خاک اروپا.
Ijgi 05 00132 g002 1024
شکل 2. مراحل رویه ای برای بررسی آب بندی خاک و مجموعه پیچیده عوامل تأثیرگذار.
Ijgi 05 00132 g003 1024
شکل 3. توزیع درجه آب بندی خاک: کرت QQ معمولی (سمت چپ) و تابع توزیع تجمعی تجربی (ECDF) – پلات، (راست).
Ijgi 05 00132 g004 1024
شکل 4. تراکم هسته درجه آب بندی خاک در سطح شهرداری.
Ijgi 05 00132 g005 1024
شکل 5. توزیع درجه آب بندی خاک در سطح شهرداری.
Ijgi 05 00132 g006 1024
شکل 6. متوسط ​​سطوح آب بندی شده شهرداری های طبقه بندی شده.
Ijgi 05 00132 g007 1024
شکل 7. نمودارهای پراکنده متغیرهای مستقل انتخاب شده و شاخص همبستگی آنها R. ( الف ) همبستگی منفی متوسط. ( ب ) همبستگی وجود ندارد. ( ج ) همبستگی مثبت قوی.
Ijgi 05 00132 g008 1024
شکل 8. تشخیص رگرسیون مدل D.
Ijgi 05 00132 g009 1024
شکل 9. Local Moran’s I.
Ijgi 05 00132 g010 1024
شکل 10. موران I از باقیمانده های خطای مکانی برای مدل D.
Ijgi 05 00132 g011 1024
شکل 11. مقایسه پسماندهای مدل رگرسیون برای مدل D.
جدول
جدول 1. فرضیه هایی در مورد درجه آب بندی خاک و مجموعه پیچیده عوامل تأثیرگذار.
جدول
جدول 2. مروری بر داده های آماری و متغیرها.
جدول
جدول 3. توزیع آب بندی خاک به صورت درصد برای شهرداری ها.
جدول
جدول 4. متغیرهای مستقل مورد استفاده در مدل های رگرسیون (d = داده، Corr. = مقدار همبستگی r ).
جدول
جدول 5. مدل های رگرسیون OLS (ضریب رگرسیون = B e t aبهتیآ, Regr استاندارد شده ضریب = اسt a n d. B e t aاستیآ�د.بهتیآ).
جدول
جدول 6. مقایسه نتایج رگرسیون.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370