نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

پیشرفت در علم اقلیم شهری به دلیل فقدان اطلاعات مفیدی که جنبه‌های شکل و عملکرد شهرها را با تفکیک فضایی دقیق توصیف می‌کند، به شدت محدود شده است. برای غلبه بر این نقیصه، تلاشی بین‌المللی برای توسعه پایگاه داده شهری و ابزارهای پورتال دسترسی جهانی (WUDAPT) برای جمع‌آوری و انتشار این اطلاعات به شیوه‌ای ثابت برای مناطق شهری در سراسر جهان آغاز می‌کنیم. اولین گام در توسعه WUDAPT توصیف شهرها بر اساس طرح منطقه آب و هوایی محلی (LCZ) است که مناظر طبیعی و شهری را بر اساس ویژگی‌های سطحی مرتبط با آب و هوا به دسته‌هایی طبقه‌بندی می‌کند. این روش یک چارچوب فرهنگی-خنثی برای جمع آوری اطلاعات در مورد ساختار فیزیکی داخلی شهرها فراهم می کند. علاوه بر این، مطالعات نشان داده‌اند که داده‌های سنجش از دور می‌توانند برای نقشه‌برداری LCZ نظارت شده استفاده شوند. نقشه برداری از LCZ ها پیچیده است زیرا LCZ های مشابه در مناطق مختلف به دلیل تفاوت در پوشش گیاهی، مصالح ساختمانی و سایر تغییرات در عوامل محیطی فرهنگی و فیزیکی، خواص طیفی متفاوتی دارند. پروتکل WUDAPT که در اینجا توسعه یافته است، گردش کار قابل درک را فراهم می کند. از داده ها و نرم افزارهای آزاد در دسترس استفاده می کند. و می تواند توسط شخصی بدون دانش تخصصی در تجزیه و تحلیل فضایی یا علوم آب و هوای شهری استفاده شود. این مقاله همچنین نمونه ای از استفاده از نتایج پروژه WUDAPT را ارائه می دهد. مصالح ساختمانی و سایر تغییرات در عوامل فرهنگی و فیزیکی محیطی. پروتکل WUDAPT که در اینجا توسعه یافته است، گردش کار قابل درک را فراهم می کند. از داده ها و نرم افزارهای آزاد در دسترس استفاده می کند. و می تواند توسط شخصی بدون دانش تخصصی در تجزیه و تحلیل فضایی یا علوم آب و هوای شهری استفاده شود. این مقاله همچنین نمونه ای از استفاده از نتایج پروژه WUDAPT را ارائه می دهد. مصالح ساختمانی و سایر تغییرات در عوامل فرهنگی و فیزیکی محیطی. پروتکل WUDAPT که در اینجا توسعه یافته است، گردش کار قابل درک را فراهم می کند. از داده ها و نرم افزارهای آزاد در دسترس استفاده می کند. و می تواند توسط شخصی بدون دانش تخصصی در تجزیه و تحلیل فضایی یا علوم آب و هوای شهری استفاده شود. این مقاله همچنین نمونه ای از استفاده از نتایج پروژه WUDAPT را ارائه می دهد.
کلید واژه ها: 

پوشش زمین ؛ طبقه بندی تحت نظارت ; طبقه بندی مبتنی بر پیکسل ; سنجش از دور چند زمانی ; علوم اقلیم شهری ; مناطق آب و هوایی محلی ؛ WUDAPT

 

1. معرفی

دانش مداوم در مورد شهرها و ساختار داخلی آنها به دلایل متعددی از اهمیت بالایی برخوردار است. اگرچه در حال حاضر کمتر از 3 درصد از زمین‌های زمین شهری هستند (به عنوان ساختمان‌هایی با فاصله نزدیک، سطوح غیرقابل نفوذ و فضاهای بیرونی مدیریت شده تعریف می‌شوند)، شهرها در حال حاضر بیشتر جمعیت جهان را در خود جای داده‌اند و فعالیت‌های انسانی در آنجا متمرکز شده است [ 1 ].]. در مقیاس جهانی، شهرنشینی (یعنی جابجایی مردم به شهرها و تبدیل پوشش زمین به اشکال شهری) به سرعت در حال انجام است که تأثیر زیادی بر شرایط بیوفیزیکی سطح و در نتیجه شار انرژی و مواد در مناطق شهری دارد. . شهرنشینی معمولاً پوشش سطح موجود را با مصالح و ساختمان‌های غیرقابل نفوذ جایگزین می‌کند و فعالیت‌هایی را متمرکز می‌کند که باعث دفع زباله در هوا، خاک و آب اطراف می‌شوند. در مجموع، شهرها یکی از محرک های اصلی تغییرات محیطی جهانی هستند و همچنین به طور منحصر به فردی در برابر پیامدهای تغییرات مانند افزایش سطح دریاها و افزایش دمای هوا آسیب پذیر هستند. علاوه بر این، شهرها شرایط آب و هوایی مشخصی را تولید می کنند که می تواند باعث ناراحتی، استرس گرمایی، و قرار گرفتن در معرض بیماری و آلودگی در ساکنان شهری شود. به خصوص،2 ]، و همچنین آلوده تر از همتایان روستایی خود هستند.
برای مطالعه اثر ترکیبی اقلیم شهری و تغییرات اقلیمی بر شهرها و ارزیابی آسیب‌پذیری جمعیت شهری، مدل‌های شهری پیشرفته مورد نیاز است. در حالی که تعدادی از مدل های مفید در حال حاضر وجود دارد، به ویژه برای هواشناسی و شیمی شهری [ 3 ]، آنها اغلب فاقد اطلاعات دقیق در مورد سطح شهری هستند که به عنوان پارامترهای ورودی برای این مدل ها مورد نیاز است. در واقع، کمبود داده در مناطق شهری اخیراً در پنجمین گزارش ارزیابی IPCC در مورد تأثیرات، سازگاری و آسیب پذیری مناطق شهری در برابر تغییرات آب و هوایی برجسته شده است [ 4 ].]. مشکل دیگر، تا همین اواخر، فقدان یک روش استاندارد برای توصیف شهرها بود که توانایی جمع آوری مجموعه ای ثابت از پارامترها را در سراسر جهان با مشکل مواجه می کرد. در نتیجه، مطالعات زیادی در مورد شهرهای منفرد با استفاده از نام‌گذاری‌های مختلف انجام شده است، اما هیچ روش منسجمی برای مقایسه این مناطق در مقیاس منطقه‌ای یا جهانی وجود ندارد.
در سال‌های اخیر، پیشرفت قابل‌توجهی در تعیین حدود ماسک‌های پوشش زمین شهری با وضوح بالا [ 5 ] از داده‌های نوری چند طیفی و SAR (TerraSAR-X) [ 6 ، 7 ] حاصل شده است. نکته قابل توجه تکمیل محصول جهانی ردپای شهری (GUF) از مرکز هوافضای آلمان (DLR) است که شامل نقشه برداری جهانی از سکونتگاه ها با وضوح فضایی بی سابقه 0.4 ثانیه قوس (~12 متر) بر اساس 180000 صحنه از آلمان است. ماهواره های راداری TerraSAR-X و TanDEM-X [ 8]. رویکرد امیدوارکننده دیگر از تصاویر رادیومتر مرئی و فروسرخ نزدیک از پرتو سنج گسیل و انعکاس حرارتی پیشرفته فضایی (ASTER/VNIR) و فرآیند طبقه‌بندی تکراری آموزش‌دیده با نقشه‌های شهری با وضوح پایین‌تر استفاده می‌کند [ 9 ]. نسخه آلفای لایه اسکان جهانی انسان، محصول جهانی دیگری که از داده های Landsat مشتق شده است، اکنون برای چهار دوره بین سال های 1975 و 2014 در دسترس است [ 10 ]. با این حال، امروزه این محصولات جهانی تنها ماسک‌های شهری را بدون تمایز داخلی بر اساس کاربری و پوشش زمین ارائه می‌کنند و از این رو در تامین اطلاعات مورد نیاز برای تعدادی از کاربردهای بالقوه در زمینه‌های مختلف کوتاهی می‌کنند.
نیاز فوری به یک پایگاه داده جامع در مورد شهرهای سراسر جهان وجود دارد که فراتر از تجزیه و تحلیل ردپای شهری است. چنین پایگاه داده ای باید ساختار و بافت داخلی شهرها را به تصویر بکشد تا به تعدادی از سؤالات مهم در مورد سیاره به سرعت در حال شهرنشینی ما پاسخ دهد. اینها شامل سؤالاتی در مورد اثربخشی سیاست‌های انطباق مبتنی بر شهری و کاهش در پاسخ به تغییرات آب و هوا و اینکه آیا اقدامات در یک حوزه قضایی به حوزه قضایی دیگر قابل انتقال هستند یا خیر. این داده‌ها همچنین برای توسعه و بکارگیری مدل‌های آب و هوایی مورد نیاز هستند، که نیاز به توصیف دقیق منظر شهری (در سطوح مختلف جزئیات) برای شبیه‌سازی اثرات آب و هوای جهانی بر شهرها و اثرات شهری بر اقلیم دارند. برای رفع این نیاز، پروژه جهانی پایگاه داده شهری و ابزارهای دسترسی پورتال (WUDAPT) ایجاد شده است [3 ، 11 ، 12 ]. هدف WUDAPT تولید یک پایگاه داده جهانی با وضوح بالا است که اطلاعات مربوط به شکل و عملکرد شهری را جمع‌آوری می‌کند و این اطلاعات را به شکلی مناسب برای علم آب و هوا ارائه می‌کند. به عنوان بخشی از ابتکار WUDAPT، ما همچنین باید ابزارها، راهنماها و روش های لازم را برای کمک به ساخت این پایگاه داده ایجاد کنیم. این مقاله تلاشی را برای دستیابی به این هدف اخیر نشان می دهد.
توسعه WUDAPT به چند مرحله نیاز دارد که شامل نقشه‌برداری فضایی از انواع شهری فضایی مناسب و پیوند این مناطق فضایی با مورفولوژی شهری، ویژگی‌های فیزیکی و استفاده انسانی است. در اینجا، مرحله اولیه طبقه‌بندی مناطق شهری را شرح می‌دهیم که متعاقباً می‌تواند به اطلاعات و جزئیات بیشتر در کار آینده مرتبط شود.
ما روشی را برای استخراج یک چارچوب فرهنگی-خنثی برای طبقه‌بندی و ترسیم مناظر شهری به یک طرح طبقه‌بندی مرتبط با آب و هوا با استفاده از داده‌های سنجش از دور در ترکیب با دانش مبتنی بر متخصص محلی و مفهوم مناطق آب و هوایی محلی (LCZ) ارائه و توصیف می‌کنیم. LCZ ها بیانگر یک توصیف عمومی، به راحتی قابل درک و از نظر فرهنگی خنثی از کاربری زمین و پوشش زمین (LULC) مناسب برای مطالعات آب و هوایی [ 13]. یک نکته مهم این است که LCZ ها در کاربردشان جهانی هستند و می توان آنها را به پارامترهای شهری قابل اندازه گیری در شکل و عملکرد شهری مرتبط کرد. طرح طبقه بندی LCZ برای توصیف مناظر (شهری و طبیعی) طراحی شده است که آب و هوای حرارتی متمایز را به دلیل ویژگی های سطحی خود نشان می دهند و به طور گسترده در مطالعات جزیره گرمایی شهری (UHI) استفاده شده است. به دو دلیل ایده آل برای هدف ما مناسب است. اول، معیارهای ذکر شده در بالا را برآورده می‌کند: این یک طرح طبقه‌بندی مبتنی بر آب و هوا است که بر اساس ویژگی‌های فیزیکی سطوح است که بر جو سطح نزدیک پوشاننده تأثیر می‌گذارد. دوم، نشان داده شده است که انواع LCZ را می توان با استفاده از داده های مختلف رصد زمین از جمله داده های نوری و حرارتی موجود در فضا و همچنین SAR تداخل سنجی هوابرد شناسایی کرد.14]. با این وجود، استفاده از سنجش از دور برای استخراج LCZ برای شهرهای سراسر جهان بدون چالش نیست. به عنوان مثال، طرح LCZ به گونه‌ای طراحی شده است که سازه‌های شهری از سراسر جهان را تنها بر اساس ویژگی‌های اقلیمی آن‌ها به جای برپایی امداد محلی، جزئیات منطقه‌ای یا فرهنگی خاص مانند مصالح ساختمانی یا انواع پوشش گیاهی طبیعی، در خود جای دهد. چنین تفاوت‌های محلی در ویژگی‌های سطحی حاکی از آن است که جزئیات خاص منطقه‌ای یا فرهنگی در نظر گرفته نمی‌شوند، به این معنی که LCZ‌های منفرد در مناطق، شهرها یا حتی در یک شهر مختلف، ویژگی‌های طیفی متفاوتی خواهند داشت. این امر یک طراحی طبقه بندی نظارت شده را که دانش تخصصی محلی از سازه های شهری مربوط به شهر خود را در بر می گیرد یک ضرورت می سازد تا داده های آموزشی را بتوان به صورت کارآمد و دقیق جمع آوری کرد. و به موقع علاوه بر این، این فرآیند به کارشناسان محلی اجازه می دهد تا عوامل بالقوه مهم آب و هوایی را در طرح طبقه بندی خود بگنجانند.
یک پروتکل برای استخراج نقشه های LCZ برای شهرها در اینجا ارائه شده است. ابتدا، مناسب بودن نقشه برداری LCZ، درس های آموخته شده از کارهای قبلی و الزامات اجرا را مورد بحث قرار می دهیم. دومی شامل تصمیم گیری در مورد ویژگی های شهری است که باید ثبت شود، داده های آموزشی، طبقه بندی کننده ها و در دسترس بودن داده ها. بر اساس این ملاحظات، ما یک روش نقشه‌برداری ساده و عینی را ارائه می‌کنیم که به کارشناسان محلی (یعنی کسانی که از یک شهر معین آگاهی دارند) اجازه می‌دهد تا مشارکت کنند و نقش اساسی در جمع‌آوری داده‌ها ایفا کنند. این امر تقاضاهای زیادی را برای استانداردسازی فرآیند ایجاد می‌کند، زیرا تعداد کمی از کارشناسان محلی در علم آب و هوا، در مطالعات ساختمانی و شهری، یا در روش‌شناسی فضایی تخصص دارند (به عنوان مثال.، سنجش از دور، GIS و پردازش تصویر). به همین دلیل، پروتکل باید از یک گردش کار ساده با داده های در دسترس عموم تشکیل شده باشد که می تواند با استفاده از نرم افزار آزادانه در دسترس توسط اپراتورهای محلی پردازش شود.

2. به سوی یک طرح نقشه برداری جهانی LCZ

در این بخش، مناسب بودن، الزامات و محدودیت‌های روش‌های نگاشت LCZ به عنوان گامی اساسی در جهت توسعه طبقه‌بندی فضایی جهانی اولیه که WUDAPT بر آن استوار خواهد شد، مورد بحث قرار می‌گیرد.

2.1. مناطق آب و هوایی محلی (LCZ)

LCZها اخیراً توسط استوارت و اوکه برای استانداردسازی طبقه‌بندی مکان‌های میدانی شهری و روستایی برای مطالعات مشاهده‌ای UHI معرفی شدند [ 13 ]. به طور معمول، UHI به عنوان تفاوت دمای هوای شهری و روستایی در ارتفاع صفحه نمایش (ΔT U-R ) تعریف شده است، اما مطالعات مختلف تنوع فوق‌العاده‌ای را در مناظر «روستایی» یا «شهری» نشان داده‌اند (به عنوان مثال، فرودگاه‌ها به عنوان هر دو عمل کرده‌اند. ایستگاه های مرجع شهری و روستایی) [ 15]. هدف طرح LCZ غلبه بر این توصیف نسبتاً ساده از چشم‌انداز با طبقه‌بندی جهانی و مبتنی بر آب و هوا از مکان‌های شهری و روستایی است. LCZها به عنوان “مناطق پوشش سطحی یکنواخت، ساختار، مواد و فعالیت انسانی که صدها متر تا چندین کیلومتر در مقیاس افقی را در بر می گیرند، تعریف می شوند. هر LCZ دارای یک رژیم دمایی با ارتفاع صفحه نمایش است که در سطوح خشک، در شب‌های آرام و صاف و در مناطقی با تسکین ساده بیشتر آشکار است.» [ 13 ]. شکل 1 17 کلاس استاندارد را در طبقه بندی LCZ نشان می دهد.
Ijgi 04 00199 g001 1024
شکل 1. طرح منطقه آب و هوایی محلی [ 13 ].
اگرچه LCZ ها برای تسهیل اندازه گیری های عینی بزرگی UHI در سراسر جهان در نظر گرفته شده اند ( به عنوان مثال ، به عنوان تفاوت در دما بین دو نوع LCZ، به عنوان مثال، ΔT LCZ1/LCZD = T LCZ1 – T LCZD )، آنها همچنین گسسته سازی مفیدی از چشم انداز را با توجه ارائه می کنند. به اقلیم لایه سطحی آن. میز 1پارامترهای انتخاب شده LCZ ها را نشان می دهد که طیف گسترده ای از اطلاعات در مورد ویژگی های فیزیکی آنها را که توسط این طرح ارائه می شود را نشان می دهد. دلایل متعددی وجود دارد که چرا این طرح برای گردآوری یک پایگاه داده مورفولوژیکی و متابولیک شهری در سراسر جهان مفید است. اول، جذب و علاقه عمومی قابل توجهی به این طرح در زمینه اقلیم شهری وجود داشته است. LCZ ها برای مطالعات موردی در بسیاری از شهرهای جهان به کار گرفته شده اند و به همین دلیل، شواهد تجربی رو به رشدی برای حمایت از استفاده از آنها در اقلیم شناسی شهری وجود دارد [ 16 ، 17 ، 18 ، 19 ]]. با توجه به تفاوت در نحوه تفسیر مناظر شهری توسط محققین، LCZ ها زمینه بسیار مورد نیاز را برای استانداردسازی طبقه بندی مناظر برای مطالعات آب و هوایی مبتنی بر زمین فراهم می کنند. این نتیجه از این واقعیت است که این طرح به گونه ای طراحی شده است که “به اندازه کافی عمومی” باشد، یعنی شامل همه مناطق و فرهنگ ها باشد و جزئیات بیش از حد منطقه ای/معماری را کنار بگذارد. از این رو، طرح دارای سطح معقولی از پیچیدگی است، در حالی که معنای جهانی را حفظ می کند. ثانیاً، مجموعه کاملی از ویژگی‌های آب و هوایی سطحی برای تقسیم‌بندی جهان چشم‌انداز استفاده می‌شود، به این معنی که مناطق با ساختارشان، یعنی ابعاد ساختمان و خیابان، با پوشش سطح، مانند درجه نفوذپذیری، مواد و فعالیت یا متابولیسم انسان [13 ]. در نهایت، این طرح به خوبی مستند شده و به راحتی در برابر برگه های اطلاعاتی برای هر کلاس LCZ قابل تعریف است. هر ورق 10 ویژگی قابل سنجش مربوط به ساختار سطح (ضریب دید آسمان، نسبت ابعاد، ارتفاع عنصر زبری)، پوشش سطح (کسری طرح اشغال شده توسط ساختمان‌ها، پوشش گیاهی و زمین غیرقابل نفوذ)، پارچه سطح (پذیرش حرارتی، آلبدو سطح) را مشخص می‌کند. و فعالیت انسانی (خروجی گرمای انسانی)» [ 13] که از حجم وسیعی از ادبیات و کارهای میدانی گسترده گردآوری شده است. بنابراین نقشه برداری LCZ این پتانسیل را دارد که اطلاعات ارزشمندی در مورد ویژگی های فیزیکی اساسی هر منطقه شهری به دست آورد. با این حال، از آنجایی که این طرح در ابتدا برای نقشه برداری توسعه نیافته بود، تعدادی از جنبه ها با توجه به مناسب بودن آن برای اهداف نقشه برداری نیاز به بررسی دارند.
جدول
جدول 1. خصوصیات فیزیکی مناطق آب و هوایی محلی، اصلاح شده از [ 13 ]، جداول 3 و 4. 1: نسبت مساحت پلان ساختمان به کل مساحت پلان (%). 2: نسبت مساحت پلان غیرقابل نفوذ (سنگفرش، سنگ) به کل سطح پلان (%); 3: میانگین نسبت ارتفاع به عرض دره های خیابان (LCZs 1-7)، فاصله ساختمان ها (LCZs 8-10)، و فاصله درختان (LCZs A-G). 4: نسبت مقدار نیمکره آسمان قابل مشاهده از سطح زمین به نیمکره بدون مانع. 5: میانگین هندسی ارتفاع ساختمان (LCZs 1-10) و ارتفاع درخت/گیاه (LCZs A-F) (m). 6: توانایی سطح برای پذیرش یا انتشار گرما (J∙m –2 ∙s –1/2 ∙K –1 ). با رطوبت خاک و تراکم مواد متفاوت است. 7: میانگین چگالی شار گرمایی سالانه (W∙m -2) از احتراق سوخت و فعالیت های انسانی (حمل و نقل، سرمایش/گرمایش فضا، پردازش صنعتی، متابولیسم انسان)، به طور قابل توجهی با عرض جغرافیایی، فصل، و تراکم جمعیت متفاوت است.

2.2. آیا نقشه برداری LCZ مناسب است؟

برخی محدودیت‌ها از منشأ طرح LCZ برای توصیف مشاهدات دمای هوا در ارتفاع صفحه ظاهر می‌شوند. شناسایی یک نقطه ایده‌آل برای قرار دادن ابزارها به منظور اندازه‌گیری سیگنال آب و هوای محلی نشان دهنده تمرکز بر نمونه‌های اولیه برای یک آب و هوای محلی خاص (که به معنای ساختارهای همگن در یک ردپای آشفته است) به جای نامزدهای مختلط، نامشخص یا مشکوک. از سوی دیگر، هنگام تفکیک کل یک شهر، هر طبقه ناگزیر دارای مقدار مشخصی ناهمگونی درونی خواهد بود، زیرا از انواع مناظر شهری تشکیل شده است که بخشی از یک پیوستار هستند تا انواع گسسته. این بدان معنی است که برای اهداف طبقه بندی، مرزهای کلاس، به جای مرکز، بسیار مهم می شوند، و خواستار فرمول بندی دقیق مرزهای بین طبقات هستند. این ملاحظات را می توان در سؤالات زیر خلاصه کرد: آیا می توان یک LCZ را به هر ساختار شهری اختصاص داد؟ علاوه بر این، آیا تنها یک LCZ را می توان به یک ساختار معین اختصاص داد؟ همین طور می توان پرسید که آیا کلاس ها کامل، جامع و منفک هستند؟
به طور کلی، هیچ “همپوشانی” یا “حفره” برای ترکیب پارامترهای 17 کلاس استاندارد وجود ندارد. با این حال، ممکن است که نقاط پرت داشته باشد، اما این موارد نادر هستند و از مجموعه استاندارد حذف می شوند. برای مثال، ساختمان‌های کم‌مرتبه بر روی زمین‌های سنگفرش شده، برای محیط‌های شهری غیرمعمول هستند و طبقه‌بندی خاص خود را تضمین نمی‌کنند. این طرح این مشکلات را با امکان تعریف زیر کلاس‌ها، که اساساً مخلوطی بین کلاس‌های استاندارد هستند، برطرف می‌کند (در این مورد LCZ 9 E برای تعریف ساختمان‌های کم‌مرتبه در زمین سنگفرش استفاده می‌شود). از این رو، این طرح نه تنها طیف کامل ترکیبات ممکن را در نظر می گیرد، بلکه پیشینی را نیز در نظر می گیرددانش در مورد فراوانی ظاهر آنها. این از مشاهدات تجربی استفاده می‌کند که مقادیر پارامترهای خاصی در شهرها خوشه‌بندی می‌شوند – برای مثال، ساختمان‌های مرتفع متراکم معمولاً (از لحاظ فضایی) با زمین سنگفرش گسترده، درختان کم، آلبدو کم و شار حرارتی انسانی بزرگ مرتبط هستند. این مبتنی بر تجربه و بحث با متخصصان مناطق و فرهنگ‌های مختلف شهری است که تأیید می‌کند که LCZ می‌تواند در بسیاری از نقاط جهان اعمال شود.
با این وجود، ناهمگونی ساختارهای شهری به این معنی است که برخی از مناطق را می توان از نظر عضویت در LCZ نامشخص یا مبهم در نظر گرفت. به عنوان مثال، آستانه انتخاب شده از ارتفاع 10 متری بین کلاس های LCZ کم ارتفاع و متوسط ​​تنها نشان دهنده ارتفاع متوسط ​​است و نه واریانس، که می تواند طبقه بندی گروه های غیر یکنواخت را دشوار کند. در اینجا، برخی از دانش تخصصی زمینه ای مورد نیاز است، زیرا در مورد مخلوطی از ساختمان های 8 متری و 12 متری، تفاوت از نظر تحمل اقلیمی آنقدر ناچیز است که ممکن است طبقه پایین یا متوسط ​​​​قابل قبول باشد. برعکس، اگر جدایی بین ارتفاعات ساختمان بسیار بیشتر شود (به عنوان مثال، ساختمان‌های 30 متری با ساختمان‌های 3 متری مخلوط می‌شوند)، این قطعاً بر ویژگی‌های ناهمواری تأثیر می‌گذارد و از این رو تخصیص زیر کلاس ضروری می‌شود (LCZ 13 برای نشان دادن بلندمرتبه فشرده مخلوط با کم خیز فشرده). باز هم به دلیل خوشه بندی فضایی ویژگی های سطحی در شهرها، این ترکیب نادر است. به طور مشابه، ساختارهایی با کسر پوشش شدید ممکن است با هیچ یک از کلاس های از پیش تعریف شده مطابقت نداشته باشند.
به طور کلی، ما معتقدیم که کلاس‌های LCZ موجود، یک تفکیک متمایز و تا حد زیادی مکمل از جهان چشم‌انداز (شهری) است که اکثریت قریب به اتفاق اشکال شهری موجود را پوشش می‌دهد. آنها به خوبی بین دقت و جهانی بودن متعادل هستند. تعریف زیر کلاس‌ها باید در موارد خاصی مجاز باشد که اثر آب و هوایی ناچیز نیست و زیر کلاس برای مناطق بزرگ‌تر قابل اعمال است، در حالی که طبقه‌بندی اشتباه تک پیکسل‌ها باید قابل قبول باشد. به طور کلی، زیر کلاس‌ها باید با احتیاط استفاده شوند، زیرا دقت بالاتر به قیمت کاهش همگانی است. با این حال، این مبادله مختص نگاشت LCZ نیست، بلکه یک مشکل کلی در تشخیص الگو است که در آن طیف بالقوه نامحدودی از سیگنال ها به تعداد گسسته ای از الگوها کاهش می یابد. به این دلیل،
با پذیرش اینکه LCZ ها برای نقشه برداری مناطق شهری مناسب هستند، گام منطقی بعدی شناسایی یک روش نقشه برداری مناسب مناسب برای کاربرد جهانی است.

2.3. یک روش مناسب برای نقشه برداری LCZ

مناسب بودن روش نقشه برداری LCZ به کاربرد بستگی دارد. همانطور که قبلاً گفته شد، به دلیل ماهیت خنثی فرهنگی طرح LCZ، طبقات فردی ذاتاً دارای ویژگی های طیفی متفاوتی در نقاط مختلف جهان خواهند بود که این امر باعث می شود داده های آموزشی محلی و دانش ساختارهای شهری محلی یک ضرورت باشد. بر این اساس، هدف ما استخراج یک گردش کار ساده است که در یک پروتکل ایجاد شده است تا اپراتورهای محلی از تمام نقاط جهان با پیشینه‌های مختلف (احتمالاً بدون آموزش و تجربه سنجش از دور) را قادر می‌سازد تا نقشه LCZ را به عنوان یک نمایش اولیه از ویژگی های فیزیکی شهر آنها برای WUDAPT. این مستلزم تعدادی محدودیت است. اولاً، این روش باید جهانی باشد و دارای سطح پایینی از نیازهای داده باشد، به عنوان مثالبه مجموعه داده‌های خاص/جزئیاتی مانند داده‌های مورفولوژیکی ساختمان یا مدل‌های سه‌بعدی متکی نباشید. اینها فقط برای چند شهر در دسترس هستند. ثانیاً باید تا حد امکان عینی باشد به این معنی که نتایج باید برای شهرها و اپراتورهای مختلف قابل مقایسه باشد. ثالثاً، باید از نظر محاسباتی و مالی ارزان باشد. به طور خاص، پردازش روی یک هسته باید کمتر از 10 دقیقه طول بکشد و باید بر اساس داده ها و نرم افزارهای رایگان و در دسترس جهانی باشد. برای حفظ قابلیت مقایسه، داده های کمکی باید برای اعتبارسنجی یا اصلاحات بعدی به جای طبقه بندی اولیه استفاده شوند. علاوه بر این، باید بصری و آسان برای استفاده باشد به این معنی که این روش می تواند در یک روز بدون دانش قبلی کامل انجام شود.
چندین روش برای استخراج LCZs پیشنهاد شده و برای نقشه برداری LCZ به کار گرفته شده است، از جمله نمونه برداری دستی از سلول های شبکه جداگانه با استفاده از Geo-Wiki، دیجیتالی کردن LCZ های همگن، یک رویکرد مبتنی بر GIS با استفاده از داده های ساختمان [ 20 ]، تجزیه و تحلیل تصویر مبتنی بر شی [20]. 5 ، 21 ] و طبقه بندی مبتنی بر پیکسل نظارت شده [ 14 ]. روش‌هایی برای استخراج دیگر «انواع ساختاری شهری» [ 22 ، 23 ، 24] در اینجا در نظر گرفته نمی شوند، زیرا طرح های طبقه بندی معمولاً برای یک هدف خاص و زمینه فرهنگی/منطقه ای طراحی می شوند و بنابراین الزامات جهانی بودن را برآورده نمی کنند. هیچ روش واحدی نمی تواند به طور کامل معیارهای فوق را برآورده کند. هم نمونه برداری دستی از سلول های شبکه و هم دیجیتالی کردن کل منطقه شهری نیاز به دانش تخصصی قابل توجهی دارد و نتایج تفاوت های زیادی را بین اپراتورها نشان داده است. علاوه بر این، نمونه برداری دستی از سلول های شبکه بسیار زمان بر است.
رویکرد مبتنی بر GIS [ 20 ] برای Szeged، مجارستان آزمایش شد و بر روی چند ضلعی‌های مساحت زیادی (بلوک‌های ساختمانی و ناحیه مجاور) که از یک پایگاه داده ساختمان سه بعدی مشتق شده‌اند، انجام شد. برای هر بلوک شهری، پارامترهای مورفولوژیکی و تشعشعی از همان پایگاه داده و تصاویر ماهواره‌ای RapidEye با وضوح بالا استخراج می‌شوند که متعاقباً به تکه‌هایی با اندازه کافی ادغام می‌شوند. بنابراین، دو تا از بهترین مقوله‌های LCZ به هر چند ضلعی اختصاص داده می‌شوند و یک فیلتر مبتنی بر قانون خلفی برای تولید تکه‌های همگن بزرگ‌تر استفاده می‌شود. این رویکرد کاملاً عینی است، اما به داده‌های خاصی نیاز دارد که عموماً برای اکثر شهرها در دسترس نیستند. با این حال، فیلتر پس از طبقه بندی مبتنی بر قانون به طور بالقوه جایگزین خوبی برای پس پردازش برای WUDAPT است.
رویکرد تحلیل تصویر مبتنی بر شی [ 5 ، 21] در دو مطالعه موردی برای Xuzhou، چین و آتلانتا، ایالات متحده مورد آزمایش قرار گرفت. این مبتنی بر دو زنجیره پردازش است، ابتدا بلوک‌ها را تعیین می‌کند و در مرحله دوم از شاخص‌های فضایی و طیفی برای اختصاص LCZ به چند ضلعی‌های استخراج‌شده استفاده می‌کند. نتایج امیدوارکننده هستند، اما این روش به داده‌های با وضوح بالا بستگی دارد، به عنوان مثال، از ابزار سنجش از دور پانکروماتیک ژاپنی برای نقشه‌برداری استریو (PRISM) در ماهواره مشاهده‌گر زمین پیشرفته، که معمولاً آزادانه در دسترس نیست. علاوه بر این، قابلیت انتقال روش هنوز نیاز به بررسی دارد. یک نقطه ضعف اساسی در استفاده از این روش برای رویکرد مبتنی بر جامعه در WUDAPT، نیاز آن به تخصص قابل توجه در پردازش تصویر است که این روش را برای یک کاربر بی تجربه بسیار پیچیده می کند.
رویکرد مبتنی بر پیکسل نظارت شده نتایج خوبی با دقت طبقه بندی کلی تا 97٪ برای هامبورگ، آلمان نشان داد [ 14 ]]. فرض بر این است که این روش نسبتاً قوی است و اگرچه وابسته به داده‌های آموزشی دیجیتالی است، تا حد زیادی عینی است و بنابراین به طور کلی برای این هدف مناسب است. با این حال، مطالعه موردی از طبقه‌بندی‌کننده‌های مختلفی از جمله شبکه‌های عصبی پرسپترون چند لایه، ماشین‌های بردار پشتیبان و نرم‌افزار جنگل تصادفی از یک کتابخانه جاوا، که برای کاربران بی‌تجربه کار کردن بسیار دشوار است، و MATLAB، که نرم‌افزار اختصاصی است، استفاده کرد. علاوه بر این، تعداد زیادی از ویژگی‌های ورودی از داده‌های حرارتی و چندطیفی چند زمانی Landsat و همچنین یک مدل ارتفاع دیجیتال (ساختمان و درخت) از SAR هوابرد تداخل‌سنجی مشتق شده‌اند که محاسبه آن‌ها دشوار است و به طور گسترده یا آزاد در دسترس نیستند. برای دستیابی به اهداف جهان شمول و در عین حال حفظ یک روند مستقیم،بخش 3 / شکل 5 ). در میان طبقه‌بندی‌کننده‌های آزمایش‌شده قبلی، جنگل تصادفی [ 25 ] به عنوان یک سازش ایده‌آل بین دقت به‌دست‌آمده و عملکرد محاسباتی انتخاب شد. علاوه بر این، طبقه بندی کننده دارای چند مزیت اضافی است. اول، ناپارامتریک است، که ضروری است زیرا هر LCZ می تواند نمونه ها یا ظاهر کاملاً متفاوتی در یک شهر داشته باشد. علاوه بر این، جنگل تصادفی یک تخمین خطای بی طرفانه را بدون نیاز به داده های آزمایشی اضافی ارائه می دهد.

2.4. ویژگی های مناسب برای نقشه برداری LCZ

برای انجام یک طبقه بندی خودکار از LCZ ها، ویژگی های متمایز مورد نیاز است. ویژگی های ارائه شده در برگه های اطلاعاتی LCZ به دلایلی برای طبقه بندی تحت نظارت ایده آل نیستند. از آنجایی که آنها برای ارائه اطلاعات گسترده در مورد مکان‌های آب و هوای رصدی طراحی شده‌اند، افزونگی و همپوشانی قابل‌توجهی در ویژگی‌های تک LCZ وجود دارد. شکل 2نمایشی از LCZ ها با ویژگی های انتخاب شده، یعنی ضریب نمای آسمان (SVF) و درصد سطح غیرقابل نفوذ (%ISA) (سمت چپ)، و همچنین ارتفاع (نماینده ساختار شهری) و کسر ساختمان (نماینده پوشش شهری) ( درست). این نشان می دهد که چندین ویژگی مورد نیاز است در حالی که همه ویژگی ها به یک اندازه برای تبعیض مهم نیستند. علاوه بر این، همه ویژگی ها را نمی توان مستقیماً با مشاهدات زمین مشاهده کرد. بنابراین، ما را ملزم می کند که مشخص کنیم کدام ویژگی های طیفی قابل مشاهده را می توان برای جایگزینی آنها استفاده کرد.
همانطور که قبلاً گفته شد، LCZ ها بر اساس مورفولوژی خیابان ها و ساختمان ها (ساختار شهری)، نفوذپذیری سطح (پوشش شهری)، مصالح ساختمانی (بافت شهری) و فعالیت های انسانی (متابولیسم، به عنوان مثال ) متمایز می شوند.، انتشار گرمای انسانی). متأسفانه، همه این ویژگی های آب و هوایی سطحی را نمی توان با روش های سنجش از دور به روشی ساده مشاهده کرد. مشاهده متابولیسم شهری از فضا دشوار است (نور شب و گونه های شیمیایی در وضوح درشت ممکن است به عنوان استثنا در نظر گرفته شوند). ساختار شهری را فقط می‌توان با داده‌های با وضوح بسیار بالا، که معمولاً رایگان نیستند و به پردازش پیشرفته و همچنین ادغام دانش بافتی پیچیده نیاز دارند، تجزیه و تحلیل کرد. با این حال، مواد و مورفولوژی آنها را می توان به راحتی با استفاده از تصاویر ماهواره ای چندطیفی با وضوح متوسط ​​مشاهده کرد. اندازه‌گیری‌های غیرمستقیم مانند نفوذپذیری را می‌توان از شاخص‌های دیگری مانند NDVI (شاخص گیاهی تفاوت عادی شده) استخراج کرد.
Ijgi 04 00199 g002 1024
شکل 2. جداسازی بالقوه کلاس های LCZ ساخته شده با توجه به جفت ویژگی های انتخاب شده. ( الف ) ضریب نمای آسمان (SVF) و درصد سطح غیرقابل نفوذ (%ISA). ( ب ) کسری ساخته شده و ارتفاع ساختمان.
در شکل 3 ، طرح LCZ به صورت ساده در امتداد دو محور که ارتفاع را به عنوان مهمترین مشخصه ساختار شهری و نفوذپذیری را به عنوان مهمترین مشخصه بافت و پوشش شهری نشان می دهد، مرتب شده است. فلش ها نوارهای طول موج بالقوه و ویژگی هایی را برای تمایز نشان می دهند. در حالی که خاک لخت و ماسه را می توان به خوبی در امواج مادون قرمز نزدیک و موج کوتاه تشخیص داد، LCZ فشرده و باز را می توان با استفاده از NDVI یا پوشش کسری با کسر پوشش گیاهی آنها به بهترین وجه تشخیص داد. علاوه بر این، نفوذناپذیری به خوبی با دمای سطح زمین [ 26 ] همبستگی دارد و از این رو باند طول موج مادون قرمز حرارتی را می توان در اینجا برای تمایز اعمال کرد.
Ijgi 04 00199 g003 1024
شکل 3. ویژگی های قابل مشاهده برای تشخیص LCZ از داده های سنجش از دور.
برای شناسایی ساختار شهری، تصاویر Landsat بزرگترین آرشیو داده های چند طیفی با وضوح متوسط ​​را ارائه می دهد که بیش از 40 سال را در بر می گیرد و به صورت رایگان از USGS در دسترس است [ 27 ]. به دست آوردن اطلاعات قد دشوارتر است. مجموعه داده‌های جهانی موجود از مأموریت توپوگرافی رادار شاتل (SRTM) و نقشه ارتفاع دیجیتال جهانی ASTER تنها یک مدل سطح ارائه می‌دهند و برای استخراج ساختارهای شهری بسیار درشت و پر سر و صدا هستند. صورت فلکی رادار TanDEM-X در آینده یک مجموعه داده جهانی با وضوح 0.4 ثانیه قوسی ارائه خواهد کرد، اما این هنوز در دسترس نیست و مشمول حق چاپ اختصاصی خواهد بود. بنابراین ساختار شهری باید بر اساس تفاوت های طیفی در مواد و پوشش متمایز شود.

2.5. موضوع مقیاس

هنگام شناسایی بهینه یا مناسب ترین مقیاس برای طبقه بندی مبتنی بر پیکسل LCZ ها، باید جنبه های مختلف منعکس شود. مهمتر از همه، سه جنبه نیاز به بررسی دارد. اول، مفهوم LCZs خود محدودیت های خاصی را ایجاد می کند. آنها به عنوان “صدها متر تا چند کیلومتر در مقیاس افقی” تعریف می شوند [ 13 ]. این گاهی اوقات به عنوان مقیاس محلی (یا همسایگی) شناخته می شود و بین مقیاس های اقلیمی خرد و میانی قرار دارد. این مفهوم طیف معینی از مقیاس‌های مناسب را امکان‌پذیر می‌کند، که بر اساس وضوح، نقشه‌های LCZ معتبر متفاوتی را نشان می‌دهد. شکل 4این وابستگی مقیاس را با طبقه بندی ممکن نشان می دهد که منجر به وضوح 1000 متر (چپ) و 200 متر (راست) برای پارک فونیکس، دوبلین می شود. در حالی که هر دو را می توان به عنوان تعاریف مناسب از مقیاس محلی از نظر مفهوم کلی LCZ در نظر گرفت، وضوح بهتر منجر به تکه تکه شدن بسیار بزرگ تری از طبقه بندی می شود همانطور که انتظار می رود.
ثانیا، محدودیت های تشخیص الگو باید برای مقیاس بهینه در نظر گرفته شود. از آنجایی که مناطق شهری از تعداد زیادی اشیاء تشکیل شده اند، در مقیاس طبقه بندی، هر پیکسل باید از کسری قابل مقایسه از پوشش های سطح مشخصه برای یک نوع شهری خاص (به عنوان مثال ، سقف، خیابان، چمن، درختان، اتومبیل ها و غیره ) تشکیل شده باشد. .). این بدان معنی است که فاصله نمونه برداری باید بزرگتر از طول مشخصه محله باشد، که به عنوان مثال، می تواند با فاصله بین دو ساختمان یا اندازه یک بلوک ساختمانی تعریف شود. اگر کوچکتر از آن شود، پیکسل منفرد پوشش های تک سطحی را به جای ساختارهای مقیاس محلی طبقه بندی می کند که منجر به خروجی بسیار پر سر و صدا می شود. برعکس، اگر فاصله نمونه برداری کوچکتر از اندازه متوسط ​​مناطق شهری همگن باشد (به عنوان مثال.، LCZ) مورد نیاز برای به حداقل رساندن درصد پیکسل های مختلط، باید تعداد کافی نمونه بزرگ از پیکسل های همگن وجود داشته باشد تا اطلاعات طیفی نماینده حفظ شود. متأسفانه، طول مشخصه و بر این اساس بهترین اندازه پیکسل احتمالاً بین ساختارهای شهری و همچنین بین شهرها متفاوت است. به همین ترتیب، وسعت ساختارهای شهری همگن ممکن است بین شهرهایی با اندازه و مکان متفاوت متفاوت باشد. از این رو، ممکن است یک مقیاس “بهینه” برای طبقه بندی LCZ وجود نداشته باشد. با این حال، یک محدوده تقریبی را می توان مشخص کرد. وضوح 10-30 متر بسیار زیاد است. وضوح 500 تا 1000 متر نیز بسیار کم است. آزمایشات اولیه برای شهرهای مختلف نشان داد که 100 تا 150 متر مصالحه خوبی است.
سوم، نیازهای کاربر باید در نظر گرفته شود. مدل‌های مختلف برای شبیه‌سازی اثرات شهری در مقیاس‌های مختلف از مقیاس بلوک ساختمانی استفاده می‌شود [ 28 ]. مقیاس مزو [ 29 ] تا مدل های جهانی [ 30 ]. بنابراین موارد استفاده بالقوه باید قبل از ایجاد پروتکل نهایی ارزیابی و در نظر گرفته شود.
از آنجایی که مقیاس‌های مورد نیاز احتمالاً چندین مرتبه بزرگ را شامل می‌شوند و همه موارد استفاده قبلاً شناخته نشده‌اند، یک طرح تجمیع باید بخشی از پروتکل و ابزار پورتال باشد. این به دور از اهمیت است، زیرا LCZ ها فقط برای محدوده خاصی از مقیاس ها تعریف می شوند و اگر آنها به مقیاس های درشت تر تجمیع شوند، معیار همگنی به طور اجتناب ناپذیری نقض می شود. بنابراین، مناسب است که طبقه‌بندی در مقیاسی دقیق‌تر انجام شود و پارامترهای تاج‌پوش شهری استخراج‌شده به جای LCZ در مقیاس درشت‌تر جمع‌آوری شود، که برخی از ناهمگونی مقیاس زیرشبکه را برای کاربردهای مدل حفظ می‌کند.
از آنجایی که مناطق بر روی یک شبکه منظم چیده نشده‌اند، وضوح بهینه برای یک طبقه‌بندی مبتنی بر پیکسل (مثلاً 100 متر) باید بطور سیستماتیک بالاتر از مقیاس ترجیحی LCZ (صدها متر تا کیلومتر) باشد. به عنوان مثال، در حالی که یک باغ بزرگ یا یک پارک کوچک به مساحت 1 هکتار ممکن است یک پیکسل کامل را پر کند، به تنهایی یک LCZ را تشکیل نمی دهد. یک راه ساده برای (الف) کاهش دانه‌بندی، (ب) پاک کردن نواحی ناپیوسته کوچک، و ج) آوردن مقدار محدودی از دانش زمینه‌ای به محصول نقشه‌برداری شده، اعمال فیلترهای پس از طبقه‌بندی است (مانند فیلترهای اکثریت، گیره و غربال یا فیلترهای مورفولوژیکی). ). بنابراین، سوال دانه بندی را می توان به این سوال تقلیل داد: کوچکترین وصله حفظ شده چقدر باید باشد؟ علاوه بر این، شکل تکه ها را نیز می توان تا حدی کنترل کرد.
Ijgi 04 00199 g004 1024
شکل 4. وابستگی مقیاس مفهوم LCZ. طبقه بندی احتمالی منجر به وضوح 1000 متر ( سمت چپ ) و 200 متر ( راست ) برای پارک فونیکس، دوبلین می شود. تصاویر: Google Earth.

3. پیاده سازی و اثبات مفهوم

جنبه ها و ابزارهای مهم گردش کار پیاده سازی شده در شکل 5 نشان داده شده است. همانطور که قبلا گفته شد، روش نقشه برداری مورد نظر باید جهانی، ساده و عینی باشد. علاوه بر این، باید سریع، عاری از داده‌ها یا نرم‌افزار اختصاصی و به اندازه کافی ساده باشد تا به اپراتورهای محلی بدون آموزش سنجش از راه دور اجازه دهد تا طبقه‌بندی‌های LCZ را برای شهرهای خود انجام و تأیید کنند، زیرا دانش متخصص محلی مورد نیاز است. این توسط کاربران محلی که مکان‌های مناسبی را شناسایی می‌کنند که می‌توانند برای آموزش طرح طبقه‌بندی LCZ برای شهر خاص خود استفاده شوند، گنجانده شده است. ما تصمیم گرفتیم از Google Earth استفاده کنیم، که رایگان است (حتی اگر اختصاصی باشد)، استفاده از آن آسان است و شامل تصاویر با وضوح بسیار بالا برای اکثر شهرها است ( شکل 5).ب) برای کمک به کاربران برای شناسایی سایت های آموزشی مناسب. داده های لندست را می توان به راحتی از رابط کاوشگر زمین سازمان زمین شناسی ایالات متحده به دست آورد ( شکل 5 الف)، و وضوح 30 متر دارد. از دسامبر 2014، یک محصول موقت بازتاب سطحی Landsat 8 در دسترس است که به منظور کاهش تأثیرات جوی بر طبقه‌بندی ترجیح داده می‌شود. با این حال، به طور کلی تابش بالای جو برای اهداف ما کافی است [ 31 ]. به جای محاسبه صریح NDVI و دمای سطح زمین، برای سادگی، نوارهای قرمز، مادون قرمز نزدیک و حرارتی به طور مستقیم در نظر گرفته شدند که تأثیر ناچیزی بر دقت طبقه‌بندی داشتند. از آنجایی که صحنه های اخیر (پس از سال 2003) Landsat 7 تحت تأثیر یک خطای تصحیح خط اسکن قرار گرفته اند، داده های Landsat 8 [ 32] توصیه می شود. بسته به در دسترس بودن، صحنه هایی از فصول مختلف باید انتخاب شوند تا اطلاعات فنولوژیکی در طبقه بندی گنجانده شود. برای پیش پردازش هندسی و طبقه بندی، ما سیستم تجزیه و تحلیل خودکار زمین علمی (SAGA، [ 33 ]) را به عنوان یک پلت فرم انتخاب کرده ایم. SAGA-GIS برای پیاده‌سازی آسان و مؤثر الگوریتم‌های فضایی طراحی شده است و از این رو، به عنوان چارچوبی برای توسعه و اجرای روش‌ها و مدل‌های علم زمین عمل می‌کند. این یک رابط کاربری به راحتی قابل دسترسی با بسیاری از گزینه های تجسم فراهم می کند ( شکل 5ج) و می تواند از خط فرمان، با استفاده از پایتون یا R اسکریپت شود. در نسخه 2.1.4، SAGA بیش از 700 روش شامل عملیات فایل، ارجاع و طرح ریزی، عملیات شطرنجی و برداری اولیه فضایی و فیلترها را ارائه می دهد که در اینجا استفاده می شود. در مراحل قبل و بعد از پردازش از آنجایی که طبقه‌بندی‌کننده جنگل تصادفی قبلاً در SAGA در دسترس نبود، از کتابخانه پردازش تصویر VIGRA [ 34 ] پیاده‌سازی شد. آخرین نسخه SAGA از زنجیره‌های ابزار پشتیبانی می‌کند و امکان فراخوانی بعدی چندین ماژول را با یک کلیک فراهم می‌کند، که به ساده‌تر شدن روند طبقه‌بندی کمک می‌کند.
Ijgi 04 00199 g005 1024
شکل 5. نمای کلی از روند نقشه برداری. ( الف ) کسب داده های Landsat در USGS Earth-Explorer. ( ب ) دیجیتالی کردن مناطق آموزشی در Google Earth؛ ( ج ) طبقه بندی در SAGA-GIS. ( د ) گردش کار.
ما همچنین موتور Google Earth [ 35 ] را به عنوان یک پلت فرم طبقه بندی در نظر گرفتیم. این پلتفرم یک سیستم قدرتمند برای پردازش آنلاین و تجسم مجموعه داده‌های جغرافیایی بزرگ در سرورهای Google ارائه می‌کند که دارای مزایایی مانند در دسترس بودن و مدیریت داده‌های آنلاین است. با این حال، Google Earth Engine در حال حاضر فقط برای آزمایش‌کنندگان مورد اعتماد در دسترس است و ما ترجیح دادیم روش‌شناسی WUDAPT را در یک پلتفرم مستقل توسعه دهیم. با این وجود، مجموعه داده های آموزشی در Google Earth اصولاً امکان پردازش بعدی در Google Earth Engine را فراهم می کند.
برای آزمایش گردش کار، مناطق شهری هامبورگ، آلمان، دوبلین، ایرلند و هیوستون، ایالات متحده طبقه بندی شدند. نتایج برای تفسیر بصری در شکل 6 ارائه شده است. به طور کلی، ساختارهای شهری از نظر انواع LCZ واقعی همه شهرها به خوبی نمایش داده شده و به طور دقیق ترسیم شده است. اندازه شبکه هدف بین 100 متر و 120 متر متغیر بود، زیرا هر دو در رابطه با مشکل تشخیص الگو که قبلاً مورد بحث قرار گرفت، مناسب تشخیص داده شدند. با این حال، از نظر مفهوم LCZ، وصله‌های به‌دست‌آمده بیش از حد تکه‌تکه بودند و از این رو فیلتر کردن پس از طبقه‌بندی ضروری در نظر گرفته شد.
Ijgi 04 00199 g006 1024
شکل 6. نتایج طبقه بندی مناطق آب و هوایی محلی (LCZ) برای ( الف ) هامبورگ، آلمان. ( ب ) هیوستون، ایالات متحده؛ ( ج ) دوبلین، ایرلند در Google Earth؛ ( د ) هامبورگ در Google Earth.
جدول
جدول 2. میانگین و انحراف استاندارد خطای خارج از کیسه از پنج طبقه بندی بر حسب درصد و مجموع زمان محاسبه بر حسب دقیقه برای هیوستون با استفاده از تعداد درختان و مجموعه ویژگی های مختلف. مجموعه ویژگی ها: LT50250392010077EDC00 و LC80250392013101LGN01 به ترتیب به یک صحنه لندست (LS) 5 و LS 8 منفرد اشاره دارد، همان بدون TIR : LS8 بدون باندهای مادون قرمز حرارتی، همه LS8 باندهای LS8 : همه صحنه‌های LS8 LS8: همه صحنه‌های LS8 LS8: همه باندهای LS8 : thermal LS8. به علاوه شش صحنه LS5.
جدول 2 تجزیه و تحلیل کمی از خطای خارج از کیسه را با استفاده از مجموعه ویژگی های مختلف و تعداد درخت های تصمیم برای هیوستون، ایالات متحده ارائه می دهد. از آنجایی که نتایج به دلیل تصادفی بودن کمی متفاوت استماهیت طبقه بندی، هر طبقه بندی پنج بار انجام شد. میانگین و انحراف معیار پنج تلاش ارائه شده است. در حالی که تک صحنه لندست 8 بهتر از صحنه لندست 5 منفرد عمل کرد (احتمالاً به دلیل تعداد باندها و دقت رادیومتریک بیشتر)، هر دو به وضوح توسط مجموعه‌های چند زمانی صحنه‌های مربوط به تاریخ‌های مختلف بهتر عمل کردند. مجموعه ای از پنج صحنه Landsat 8 نتایج بسیار امیدوارکننده ای را نشان داد (11.2 +/- 0.06٪ با 128 درخت) در حالی که شش صحنه اضافی Landsat 5 فقط به طور جزئی این نتیجه را بهبود بخشیدند (11.0 +/-0.10٪ با 128 درخت). ترکیب داده های حرارتی و چند طیفی نیز ضروری به نظر می رسد. تعداد بیشتری از درختان تصمیم به طور کلی منجر به دقت بالاتر و تغییرات کمتر خطا می شود (به عنوان مثال، 15.3 +/- 0.35٪ برای LS5 با چهار درخت و 13.4 +/- 0.06٪ با 128 درخت). تعداد ویژگی ها و تعداد درخت ها به طور قابل توجهی بر زمان محاسبه تأثیر می گذارد. با این حال، حتی بزرگترین مجموعه با 128 درخت در کمتر از هفت دقیقه با استفاده از یک لپ تاپ شخصی استاندارد با چهار هسته با 2.1 گیگاهرتز پردازش شد. این بیش از حد معیار زمان محاسباتی را برآورده می کند، به ویژه از آنجایی که اشتقاق استاندارد پایین نشان می دهد که اجرای چندگانه ضروری نیست. از این تجزیه و تحلیل، به نظر می رسد که تعداد زیادی درخت باید برای تولید طبقه بندی نهایی LCZ برای یک شهر خاص استفاده شود، در حالی که تعداد کمتری برای اهداف آزمایش کافی است. یک بررسی جامع تر از مقیاس طبقه بندی بهینه، نمونه های آموزشی و پارامترهای ورودی در حال حاضر در 16 شهر در سراسر جهان در حال انجام است که در کارگاه تخصصی بین المللی اولیه WUDAPT در دوبلین در سال 2014 برگزار شد.
جدول 3ماتریس سردرگمی را برای طبقه بندی هیوستون با استفاده از داده های Landsat 8 و 128 درخت نشان می دهد. این مقادیر بر اساس داده های آموزشی هستند و بنابراین، تخمین های خطا تخمین قابل اعتمادی از دقت کلی نیستند. همانطور که آنها از داده های آموزشی استخراج می کنند، تخمین های خطای حاصل معمولاً کمتر از خطای خارج از کیف است، که یک تخمین خطای مستقل است (دقت کلی = 0.96، خطای خارج از کیف = 0.11). با این وجود، ماتریس سردرگمی برای بررسی نتایج حاصل از کلاس‌های LCZ فردی مفید است. مقدار مشخصی از طبقه بندی نادرست بین طبقات شهری (LCZs 2، 3، 6 و 8) رخ داده است، که با توجه به تداوم ساختارهایی که در واقعیت وجود دارند، قابل انتظار است. به همین ترتیب، امضاهای طیفی مشابه منجر به طبقه بندی نادرست بین سطوح سنگفرش شده (LCZ E) و سطوح کم ارتفاع بزرگ (LCZ 8) می شود و
جدول
جدول 3. ماتریس سردرگمی برای نتایج طبقه بندی هیوستون با استفاده از 128 درخت و پنج صحنه Landsat 8. علاوه بر دقت کلی (OA)، دقت کاربر (UA)، دقت تولیدکننده (PA)، و ضریب κ ارائه شده است. ارزیابی فقط بر اساس داده های آموزشی است. ردیف ها به خروجی طبقه بندی، ستون ها به داده های مرجع اشاره دارند.

4. نتیجه گیری و چشم انداز

در این مقاله، ما ملاحظات مفهومی را در مورد یک پروتکل استاندارد برای استخراج LCZ از داده‌های سنجش از دور ارائه کرده‌ایم. هدف کلی طراحی یک روش نقشه برداری جهانی، ساده و عینی است که به کارشناسان محلی بدون تجربه GIS و سنجش از دور اجازه می دهد تا طبقه بندی های LCZ را برای شهرهای مربوطه خود انجام و اعتبار سنجی کنند. فراتر از هدف اصلی خود برای طبقه‌بندی مکان‌های رصد UHI، طرح LCZ یک تفکیک عمومی و تا حد زیادی جامع و مجزا از چشم‌انداز شهری با توجه به آب و هوای لایه تاج‌پوش آن ارائه می‌دهد. این طرح به خوبی بین دقت و کاربرد جهانی متعادل است. بنابراین، ما آن را به عنوان نقطه شروع بهینه برای جمع آوری داده های جامع تر در مورد ویژگی های فیزیکی و به ویژه اقلیم شناسی مناطق شهری در نظر گرفتیم. برای پرداختن به ویژگی‌های خاص منطقه‌ای و فرهنگی، می‌توان از زیر کلاس‌ها استفاده کرد، اما این باید به مناطق بزرگ‌تری از ساختارهای خاص یکنواخت محدود شود. استفاده از این کلاس های اضافی باید به خوبی مستند و جمع آوری شود تا آن را برای مناطق فرهنگی و بیوفیزیکی مشابه استاندارد کند.
روش‌های مختلف نقشه‌برداری مورد بحث قرار گرفت و طبقه‌بندی نظارت‌شده مبتنی بر پیکسل بر اساس داده‌های Landsat چند زمانی بهترین مصالحه در مورد الزامات داده شده (جهان‌شمولی، عینیت، محاسبات و هزینه‌های پولی، و آموزش محدود اپراتورها) یافت شد. یک طبقه‌بندی جنگل تصادفی در نرم‌افزار متن‌باز GIS SAGA پیاده‌سازی شد که یک رابط کاربری گرافیکی آسان برای پس‌پردازش و طبقه‌بندی را فراهم می‌کند. مطالعات موردی اولیه به عنوان اثبات مفهوم با نتایج امیدوارکننده انجام شده است. یافته‌های ما نشان می‌دهد که اطلاعات طیفی از داده‌های سنجش از دور معمولاً برای طبقه‌بندی LCZ نظارت شده در آب و هوای مرطوب متوسط ​​کافی است. طبقه بندی شهرها در رژیم های آب و هوایی دیگر در حال حاضر در حال آزمایش است. به نظر می‌رسد که داده‌های چند زمانی که مراحل فنولوژی فصلی را نشان می‌دهند، دقت طبقه‌بندی را بهبود می‌بخشند، اگرچه توزیع فصلی بهینه تصاویر نیاز به بررسی بیشتر دارد و ممکن است بسته به آب و هوا متفاوت باشد. علاوه بر این، ارزش افزوده داده از سایر حسگرها و منابع کمکی مانند OpenStreetMap بررسی خواهد شد. با این حال، تاکید شده است که در دسترس بودن و جهانی بودن یک نیاز مهم در زمینه این پروژه است.
مقیاس بهینه باید از سه منظر متفاوت در نظر گرفته شود: خود مفهوم LCZ، محدودیت‌های تشخیص الگو و خواسته‌های کاربر. از آنجایی که چیدمان LCZ یک شبکه معمولی نیست، جنبه دوم لزوماً وضوحی را می طلبد که بهتر از جزئیات مفهوم باشد. بنابراین، طبقه‌بندی اولیه باید با وضوحی درشت‌تر از ساختمان‌های منفرد و کوچک‌تر از ساختارهای همگن انجام شود. مقیاس بهینه ممکن است بین کلاس ها و شهرها متفاوت باشد، اما ما 100 متر را به عنوان مقدار پیش فرض در نظر می گیریم. طبقه بندی اولیه باید برای استخراج ساختارهای همگن مطابق با مفهوم LCZ توسط فیلترهای پس از طبقه بندی فیلتر شود. در حال حاضر این روش نسبت به روش‌های پیچیده‌تر تجمع مانند هسته‌های طبقه‌بندی مجدد ترجیح داده می‌شود [ 36] یا تجزیه و تحلیل تصویر مبتنی بر شی [ 37 ] به دلیل رویکرد جامعه محور. با این حال، عملکرد این رویکرد در آینده در مقابل این روش‌های دیگر ارزیابی خواهد شد. از آزمایش‌های اضافی در شهرهای مختلف، شواهدی وجود دارد که نشان می‌دهد مورفولوژی‌های شهری موجود (به ویژه در شهرهای تاریخی با اندازه متوسط) ممکن است ناهمگون‌تر از طرح LCZ باشد. علاوه بر این، یک طرح تجمیع برای استخراج داده‌های کاربر با وضوح درشت‌تر باید بخشی از پروتکل باشد. بنابراین، موارد استفاده بالقوه باید قبل از ایجاد پروتکل نهایی ارزیابی و در نظر گرفته شود. پروتکل نهایی به یک ابتکار بزرگتر با هدف گردآوری اطلاعات جهانی در مورد ساختار شهری، مواد و متابولیسم در چارچوبی به نام WUDAPT کمک خواهد کرد [ 3 ،11 ] و در نهایت منجر به سرشماری فیزیکی شهرها شود.
در WUDAPT، جمع‌آوری داده‌ها در مراحل مختلفی انجام می‌شود که هر کدام سطوح مختلفی از جزئیات را نشان می‌دهند. روش توصیف شده برای طبقه بندی فضایی شهرها در طرح LCZ در مرحله داده سطح 0 در نظر گرفته شده است و پایه و اساس توسعه بیشتر را ایجاد می کند. محصولات سطح بالاتر حاوی اطلاعات بیشتری در مورد پارامترهای مختلف شهر و منطقه هستند که جنبه‌های شکل شهری (یعنی ساختار، به عنوان مثال، ارتفاع ساختمان)، پوشش (به عنوان مثال، بخش پوشش گیاهی)، مواد (مانند نوع سقف)، و عملکرد را توصیف می‌کنند. (به عنوان مثال، تهویه مطبوع و گرمایش ساختمان). نقشه برداری LCZ (سطح 0) شهرها را به مناظر شهری متمایز بر اساس طیف وسیعی از پارامترهای فیزیکی تجزیه می کند ( جدول 1 ) که امضاهای حرارتی مشابهی را در مقیاس همسایگی ایجاد می کند [ 12 ]]. از آنجایی که LCZ ها دارای محدوده های عمومی پارامترها هستند ( جدول 1مدل های اقلیمی شهری را می توان برای ارائه اولین ارزیابی از ویژگی های اقلیمی شهر استفاده کرد. روش توصیف شده در اینجا صرفاً برای ارائه یک روش نقشه برداری جهانی، ساده و عینی است. ما انتظار داریم که جزئیات بیشتری را در مراحل بعدی فرآیند WUDAPT اضافه کنیم تا اطلاعات تکمیلی در مورد مصالح ساختمانی، فرم ساختمان و استفاده از ساختمان برای تمایز بیشتر اثرات آب و هوایی مرتبط با LCZ فراهم شود. پیاده سازی اولیه WUDAPT با ورودی داده های همزمان Landsat انجام خواهد شد. با این حال، در اصل، داده‌های تاریخی و همچنین داده‌های آینده Landsat را می‌توان برای ارائه توضیحات تاریخی و همچنین به‌روز شده از LCZ با داده‌های آموزشی کافی استفاده کرد. اگر داده های تاریخی مورد نیاز باشد، تقاطع با لایه سکونت انسانی جهانی نیز می تواند در نظر گرفته شود. وقتی به طور کامل اجرا شد،38 ]، که پارامترهای سایبان شهری را برای 44 شهر ایالات متحده ارائه می کند.

منابع

  1. میلز، جی. شهرها به عنوان عوامل تغییر جهانی. بین المللی جی.کلیماتول. 2007 ، 27 ، 1849-1857. [ Google Scholar ] [ CrossRef ]
  2. Oke، اندازه شهر TR و جزیره گرمایی شهری. اتمس. محیط زیست 1973 ، 7 ، 769-779. [ Google Scholar ] [ CrossRef ]
  3. چینگ، JKS دیدگاهی در مورد مدلسازی لایه تاج شهری برای کاربردهای آب و هوا، آب و هوا و کیفیت هوا. شهری. صعود 2013 ، 3 ، 13-39. [ Google Scholar ] [ CrossRef ]
  4. Satterthwaite، ADE; آراگون-دوران، اف. کورفی مورلو، جی. کیونسی، م. پلینگ، ام. رابرتز، دی سی؛ Solecki, W. Climate Change 2014: Impacts, Adaption, and Vulnerability. بخش A: جنبه های جهانی و بخشی. مشارکت گروه کاری دوم در پنجمین گزارش ارزیابی پانل بین دولتی در مورد تغییرات آب و هوا. در دسترس آنلاین: http://www.ipcc.ch/pdf/assessment-report/ar5/wg2/WGIIAR5-FrontMatterA_FINAL.pdf (دسترسی در 4 دسامبر 2014).
  5. ونگ، کیو. نظارت و ارزیابی شهری جهانی از طریق رصد زمین . CRC Press: Boca Raton، FL، USA، 2014. [ Google Scholar ]
  6. اش، تی. تیل، م. شنک، ا. راث، ا. مولر، آ. Dech, S. ترسیم ردپای شهری از داده های Terrasar-X با تجزیه و تحلیل ویژگی های لکه و اطلاعات شدت. IEEE Trans. Geosci. Remote Sens. 2010 , 48 , 905–916. [ Google Scholar ] [ CrossRef ]
  7. گامبا، پی. آلدریگی، م. Stasolla، M. استخراج قوی وسعت منطقه شهری در تصاویر HR و VHR SAR. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2011 ، 4 ، 27-34. [ Google Scholar ] [ CrossRef ]
  8. اش، تی. مارکونچینی، ام. فلبیر، آ. راث، ا. هلدنز، دبلیو. هوبر، ام. شوینگر، ام. تاوبن باک، اچ. مولر، آ. Dech، S. پردازنده ردپای شهری – زنجیره پردازش کاملاً خودکار که ماسک‌های تسویه را از داده‌های جهانی مأموریت TanDEM-X تولید می‌کند. IEEE Geosci. سنسور از راه دور Lett. 2013 ، 10 ، 1617-1621. [ Google Scholar ] [ CrossRef ]
  9. میازاکی، اچ. شائو، ایکس. ایوائو، ک. شیباساکی، آر. روشی خودکار برای نقشه برداری منطقه شهری جهانی با ادغام تصاویر ماهواره ای ASTER و داده های GIS. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2013 ، 6 ، 1004–1019. [ Google Scholar ] [ CrossRef ]
  10. پسری، م. گوا، اچ. Blaes، X. ارلیش، دی. فری، س. گوگن، ال. هالکیا، م. کافمن، ام. کمپر، ​​تی. Lu, L. یک لایه سکونت انسانی جهانی از داده های نوری HR/VHR RS: مفهوم و اولین نتایج. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2013 ، 6 ، 2102-2131. [ Google Scholar ] [ CrossRef ]
  11. چینگ، جی. میلز، جی. فدما، جی جی. اولسون، ک. ببینید، L. استوارت، ID; بچتل، بی. چن، اف. وانگ، ایکس. نئوفیتو، MKA؛ و همکاران WUDAPT: تسهیل مدل‌سازی سایبان شهری پیشرفته برای کاربردهای آب و هوا، اقلیم و کیفیت هوا. در دسترس آنلاین: https://ams.confex.com/ams/94Annual/webprogram/Paper236443.html (در 4 دسامبر 2014 قابل دسترسی است).
  12. ببینید، L. بچتل، بی. چینگ، JKS; فدما، جی جی. فولی، ام. فریتز، اس. ماسون، وی. میلز، جی. پرگر، سی. استوارت، ID توسعه یک پایگاه داده شهری در سراسر جهان مبتنی بر جامعه از مورفولوژی و مواد با استفاده از سنجش از دور و جمع‌سپاری برای بهبود آب و هوای شهری/مدل‌سازی UHI. لوزان 2015 . ارسال شده. [ Google Scholar ]
  13. استوارت، ID; Oke، TR مناطق آب و هوایی محلی برای مطالعات دمای شهری. گاو نر صبح. هواشناسی Soc. 2012 ، 93 ، 1879-1900. [ Google Scholar ] [ CrossRef ]
  14. بچتل، بی. Daneke, C. طبقه بندی مناطق آب و هوایی محلی بر اساس داده های مشاهدات متعدد زمین. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2012 ، 5 ، 1191-1202. [ Google Scholar ] [ CrossRef ]
  15. استوارت، ID مروری سیستماتیک و نقد علمی روش شناسی در ادبیات جزیره گرمایی شهری مدرن. بین المللی جی.کلیماتول. 2011 ، 31 ، 200-217. [ Google Scholar ] [ CrossRef ]
  16. ندتو، EL; ماتزاراکیس، A. محیط جوی شهری و مطالعات زیست هواشناسی انسانی در دارالسلام، تانزانیا. در دسترس آنلاین: http://link.springer.com/article/10.1007/s11869-014-0261-z (در 4 دسامبر 2014 قابل دسترسی است).
  17. فنر، دی. مایر، اف. شرر، دی. Polze، A. تغییرات دمایی فضایی و زمانی در برلین، آلمان، طی سال‌های 2001-2010. شهری. صعود 2014 ، 10 ، 308-331. [ Google Scholar ] [ CrossRef ]
  18. استوارت، ID; اوکی، TR; Krayenhoff، ES ارزیابی طرح “منطقه آب و هوایی محلی” با استفاده از مشاهدات دما و شبیه سازی مدل. بین المللی جی.کلیماتول. 2014 ، 34 ، 1062-1080. [ Google Scholar ] [ CrossRef ]
  19. الکساندر، پی جی. میلز، جی. طبقه بندی آب و هوای محلی و جزیره گرمایی شهری دوبلین. جو 2014 ، 5 ، 755-774. [ Google Scholar ] [ CrossRef ]
  20. للوویکس، ای. اونگر، جی. Gl، T. Gl، CV طراحی یک شبکه نظارت شهری بر اساس نقشه‌برداری منطقه آب و هوایی محلی و مدل‌سازی الگوی دما. صعود Res. 2014 ، 60 ، 51-62. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. گامبا، پی. لیسینی، جی. لیو، پی. دو، پ. لین، اچ. تشخیص و تبعیض منطقه آب و هوای شهری با استفاده از تجزیه و تحلیل مبتنی بر شی صحنه‌های VHR. در مجموعه مقالات 4th GEOBIA، ریودوژانیرو، برزیل، 7-9 مه 2012.
  22. ورم، م. تاوبن باک، اچ. راث، ا. Dech, S. ساختار شهری با استفاده از داده های سنجش از دور چندحسی: با مثال شهرهای آلمانی کلن و درسدن. در مجموعه مقالات رویداد سنجش از دور شهری، 2009 مشترک، شانگهای، چین، 20-22 مه 2009; صص 1-8.
  23. هایدن، یو. هلدنز، دبلیو. روسنر، اس. سگل، ک. اش، تی. Mueller, A. توصیف نوع ساختار شهری با استفاده از سنجش از دور ابرطیفی و اطلاعات ارتفاع. Landsc. طرح شهری. 2012 ، 105 ، 361-375. [ Google Scholar ] [ CrossRef ]
  24. والده، آی. هسه، س. برگر، سی. اشمولیوس، سی. از نمودارهای پوشش زمین تا انواع ساختار شهری. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 584-609. [ Google Scholar ] [ CrossRef ]
  25. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ]
  26. Weng، Q. سنجش از دور مادون قرمز حرارتی برای مطالعات آب و هوای شهری و محیطی: روش‌ها، کاربردها و روندها. ISPRS J. Photogramm. Remote Sens. 2009 , 64 , 335-344. [ Google Scholar ] [ CrossRef ]
  27. Wulder، MA; ماسک، جی جی. کوهن، WB; لاولند، TR; Woodcock، CE باز کردن بایگانی: چگونه داده های رایگان، وعده علم و نظارت لندست را فعال کرده است. سنسور از راه دور محیط. 2012 ، 122 ، 2-10. [ Google Scholar ] [ CrossRef ]
  28. هاتنر، اس. بروس، م. Dostal, P. استفاده از ENVI-Met برای شبیه سازی تأثیر گرمایش جهانی بر اقلیم خرد در شهرهای اروپای مرکزی. در دسترس آنلاین: http://envi-met.net/documents/papers/Huttner_etal_2008.pdf (دسترسی در 4 دسامبر 2014).
  29. چن، اف. کوساکا، اچ. بورنشتاین، آر. چینگ، جی. گریموند، CSB؛ گروسمن کلارک، اس. لریدان، تی. منینگ، KW; مارتیلی، آ. میائو، اس. و همکاران سیستم یکپارچه مدل سازی WRF/شهری: توسعه، ارزیابی و کاربردها برای مشکلات زیست محیطی شهری بین المللی جی.کلیماتول. 2011 ، 31 ، 273-288. [ Google Scholar ] [ CrossRef ]
  30. جکسون، تی ال. فدما، جی جی. اولسون، KW; بونان، گیگابایت؛ بائر، JT پارامترسازی ویژگی های شهری برای مدل سازی آب و هوای جهانی. ان دانشیار صبح. Geogr. 2010 ، 100 ، 848-865. [ Google Scholar ] [ CrossRef ]
  31. آهنگ، سی. Woodcock، CE; Seto، KC; لنی، نماینده مجلس؛ Macomber، SA طبقه بندی و تشخیص تغییر با استفاده از داده های Landsat TM: چه زمانی و چگونه اثرات جوی را اصلاح کنیم؟ سنسور از راه دور محیط. 2001 ، 75 ، 230-244. [ Google Scholar ] [ CrossRef ]
  32. نایت، ای جی. کواران، جی. لندست-8 تصویرگر عملیاتی زمین طراحی، شخصیت پردازی و عملکرد. Remote Sens. 2014 , 6 , 10286–10305. [ Google Scholar ] [ CrossRef ]
  33. کنراد، O. SAGA. Aufbau، Funktionsweise und Anwendung eines Systems für geowissenschaftiche Analysen. گوتینگن، 2006. در دسترس آنلاین: http://ediss.uni-goettingen.de/bitstream/handle/11858/00-1735-0000-0006-B26C-6/conrad.pdf?sequence=1 (دسترسی در 4 دسامبر 2014 ).
  34. Köthe، U. Generische Programmierung für die Bildverarbeitung ; BoD–Books on Demand: هامبورگ، آلمان، 2000. [ Google Scholar ]
  35. Gorelick، N. موتور Google Earth. در دسترس آنلاین: http://adsabs.harvard.edu/abs/2012AGUFM.U31A.04G (در 4 دسامبر 2014 قابل دسترسی است).
  36. ون در کواست، جی. ون دو وورد، تی. کانترز، اف. اولجی، آی. ون لوی، اس. Engelen، G. استنباط کاربری زمین شهری با استفاده از هسته طبقه‌بندی مجدد فضایی بهینه شده. محیط زیست مدل. نرم افزار 2011 ، 26 ، 1279-1288. [ Google Scholar ] [ CrossRef ]
  37. Blaschke, T. تجزیه و تحلیل تصویر مبتنی بر شی برای سنجش از راه دور. ISPRS J. Photogramm. Remote Sens. 2010 , 65 , 2-16. [ Google Scholar ] [ CrossRef ]
  38. چینگ، جی. براون، ام. مک فرسون، تی. بوریان، اس. چن، اف. سیونکو، آر. هانا، ا. هالتگرن، تی. ملوان، دی. طاها، ح. و همکاران پایگاه داده ملی شهری و ابزار دسترسی به پورتال. گاو نر صبح. هواشناسی Soc. 2009 ، 90 ، 1157-1168. [ Google Scholar ] [ CrossRef ]

;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