نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

کاربرد جی ای اس

 

خلاصه

نقشه های پوشش زمین مواد اساسی برای مدیریت منابع و تشخیص تغییرات هستند. فناوری سنجش از دور برای نقشه برداری سریع با هزینه کم بسیار مهم است. با این حال، علاوه بر خطاهای طبقه‌بندی ذاتی در محصولات پوشش زمین، انتقال‌های غیرمنطقی متعددی بین نقاط زمانی مجاور وجود دارد. در این تحقیق یک سری کدهای منطقی برای انواع پوشش اراضی با توجه به قوانین اکولوژیکی در منطقه مورد مطالعه معرفی می‌کنیم. کدها منطق تحول گونه ها را بین فصول مختلف نشان می دهند. عملکرد طبقه‌بندی و کدها برای تمام فصول بر روی نقشه‌های اولیه پوشش زمین که به‌طور مستقل توسط استراتژی سلسله مراتبی مرسوم تولید شده‌اند، تحمیل می‌شوند. ما از استراتژی نقشه‌برداری سلسله مراتبی اصلاح‌شده پیشنهادی برای نقشه‌برداری از پوشش زمین ناحیه حوضه دریاچه پویانگ استفاده می‌کنیم. چین میانه. انتقال غیرمنطقی بین فصول همسایه و دقت بر اساس نمونه های برچسب گذاری شده برای هر دو استراتژی اولیه و اصلاح شده محاسبه می شود. تعداد پیکسل های غیرمنطقی برای فصول مختلف 13% تا 35% کاهش یافته است و میانگین دقت 9.7% برای نقشه های پوشش زمین خاص بهبود یافته است. دقت تغییرات پوشش اراضی نیز بهبود زیادی در استراتژی پیشنهادی ارائه کرده است. نتایج تجربی نشان می دهد که این طرح موثر است. 7 درصد برای نقشه های خاص پوشش زمین. دقت تغییرات پوشش اراضی نیز بهبود زیادی در استراتژی پیشنهادی ارائه کرده است. نتایج تجربی نشان می دهد که این طرح موثر است. 7 درصد برای نقشه های خاص پوشش زمین. دقت تغییرات پوشش اراضی نیز بهبود زیادی در استراتژی پیشنهادی ارائه کرده است. نتایج تجربی نشان می دهد که این طرح موثر است.
کلید واژه ها: 

نقشه های پوشش زمین ; انتقال غیر منطقی ; کدهای منطقی قوانین زیست محیطی ؛ منطق تحول گرا ; استراتژی سلسله مراتبی

 

1. معرفی

پوشش جهانی زمین (GLC) برای مدیریت منابع زمین، حفاظت از محیط زیست و توسعه پایدار اساسی است [ 1 ]. نقشه‌های پوشش زمین نقش مهمی در کاربردهای مختلف دارند [ 2 ] و تکنیک‌های سنجش از دور برای نقشه‌برداری پوشش زمین مؤثر بوده‌اند [ 3 ، 4 ]. محصولات مختلف پوشش زمین جهانی مانند محصول پوشش زمین برنامه بین المللی ژئوسفر-بیوسفر (IGBP-DIS) [ 5 ]، پایگاه داده پوشش زمین جهانی برای سال 2000 (GLC2000) [ 6 ]، زمین جهانی مریلند دانشگاه مریلند طبقه بندی جلد (UMD GLCC) [ 7]، پوشش زمینی طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS) (MOD12Q1) [ 8 ]، پوشش زمینی MODIS (MCD12Q1) [ 9 ]، و GlobCover [ 10 ] مواد پرکاربردی بوده‌اند [ 11 ، 12 ، 13 ، 154 ، 16 ، 17 ]. توسعه فناوری ماهواره ای امکان به دست آوردن داده های سنجش از راه دور کافی با وضوح فضایی بهتر را فراهم می کند. در نتیجه، مشاهده و نظارت با وضوح بهتر پوشش جهانی زمین (FROM-GLC) با وضوح 30 متر تولید شده است [ 18 ، 19 ].
نقشه برداری از پوشش اراضی منطقه ای ضروری است، که کمک بزرگی به ساخت و ساز و مدیریت منطقه ای می کند [ 20 ، 21 ]. نقشه‌های چندزمانی پوشش زمین کمک بزرگی در کسب اطلاعات بلندمدت پوشش زمین دارند [ 22 ، 23 ]. مقایسه پس از طبقه بندی به طور موثر تغییرات بین نقشه های پوشش زمین را با نقاط زمانی مختلف بررسی می کند، که امکان ارزیابی سریع پویایی مکانی و زمانی مناطق مورد مطالعه را فراهم می کند [ 24 ، 25 ]. یک مطالعه نشان داده است که یک نقشه پوشش زمین متمرکز بر منطقه در واقع دقیق تر از استخراج همان منطقه از یک نقشه تولید شده در سطح جهانی است [ 26]]. امروزه تهیه تصاویر سنجش از دور بسیار زمانی برای یک منطقه خاص کاملاً راحت است که امکان تهیه نقشه های پوشش زمین منطقه ای را به صورت فصلی امکان پذیر می کند.
یک مشکل مشترک بین محصولات مختلف پوشش زمین ایجاد شده است. محصولات مختلف پوشش زمین ناهماهنگی زیادی را نشان داده اند و اختلاف نظرها با انواع پوشش زمین ریزتر افزایش می یابد [ 27 ، 28 ] که مشکلاتی را در کاربرد به همراه آورده است. انتخاب نتایج معتبر از بین محصولات مختلف برای کاربران آسان نیست. در همین حال، تعدادی از انتقال غیرمنطقی پوشش زمین در همان محصولات پوشش زمین در تاریخ های مختلف کشف شده است [ 29 , 30 , 31 , 32]. انتقال غیرمنطقی به عنوان تغییر پوشش زمین در یک دوره زمانی شناخته می شود که غیر ممکن است ناشی از تغییرات طبیعی یا فعالیت های انسانی باشد. انتقال ها به طور کلی از دامنه تغییرات منطقی پوشش زمین فراتر می رود، بنابراین طبقه بندی پوشش زمین نتایج با اختلاف نظرهای غیرمنطقی باید در یک نقطه زمانی خاص اشتباه باشد. تفاوت طبقه‌بندی‌کننده‌ها، استراتژی‌های نقشه‌برداری، داده‌های ورودی، و اختلاف در تعریف گونه‌ها، همگی منجر به انتقال غیرمنطقی در یک دوره زمانی معین می‌شوند [ 20 ].
با این حال، تنها چند مطالعه همبستگی منطقی نقشه‌های پوشش زمین در تاریخ‌های مختلف را در نظر گرفته‌اند. مطالعات مرتبط با آشکارسازی تغییرات، مناطق وسیعی از انتقال غیرمنطقی را در نقشه‌های پوشش زمین کشف کرده‌اند [ 31 ، 32 ، 33 ، 34 ]، اما اطلاعات تغییرات پوشش زمین به طور مؤثری برای اصلاح نقشه‌های چند زمانی پوشش زمین استفاده نشده است. مطالعات اخیر کیفیت محصولات پوشش زمین جهانی MODIS را با کاهش انتقال غیرمنطقی افزایش داده است [ 35 , 36]. نقشه های هر سال نه تنها از طریق داده های آن سال، بلکه از سال های قبل و بعد نیز تهیه شده است. این رویکردها بر بهبود محصولات سالانه با وضوح درشت متمرکز شده‌اند. با این حال، نقشه‌های فصلی پوشش زمین می‌توانند تنوع درون سالیانه انواع پوشش زمین تحت سلطه پوشش گیاهی با فنولوژی مشخص را ارائه دهند [ 37 ]. علاوه بر این، چارچوب پس از طبقه‌بندی، همبستگی زمانی- مکانی را در نظر گرفته است، اما عملکرد طبقه‌بندی نقاط زمانی مختلف را در نظر نگرفته است، که باید شاخص مهمی برای پالایش پس از طبقه‌بندی باشد.
در این مطالعه، ما از تصاویر سنجش از دور چند منبعی برای تولید نقشه‌های فصلی پوشش زمین استفاده کرده‌ایم. برچسب‌های پیکسل‌هایی که با تصاویر متعدد پوشانده شده‌اند با رای‌گیری تعیین شده‌اند و یک استراتژی سلسله مراتبی برای تولید نقشه‌های پوشش زمین در سطوح مختلف به کار گرفته شده است. ما نتایج تمام فصول را با در نظر گرفتن انتقال های منطقی و عملکرد طبقه بندی انواع پوشش زمین در فصول مختلف اصلاح کرده ایم. مجموعه ای از کدهای منطقی از پیش تعیین شده که نشان دهنده عقلانیت انتقال پوشش زمین هستند در استراتژی سلسله مراتبی اعمال شده اند. ما از استراتژی نقشه‌برداری سلسله مراتبی اصلاح‌شده پیشنهادی برای تولید نقشه‌های پوشش زمین میانی و شمالی منطقه حوضه دریاچه پویانگ، چین میانه استفاده کرده‌ایم. پس از انجام مراحل اصلاح،
بقیه مقاله به شرح زیر سازماندهی شده است: بخش 2 منطقه مورد مطالعه را معرفی می کند. بخش 3 مواد آزمایشی، استراتژی نگاشت اولیه و سناریوی اصلاح شده بر اساس انتقال های منطقی را معرفی می کند. بخش 4 نتایج نقشه برداری را به تفصیل با استراتژی جدید ارائه می دهد. نقشه های اولیه و اصلاح شده پوشش زمین به صورت آماری مقایسه و در این قسمت مورد بحث قرار خواهند گرفت. در نهایت یک خلاصه کلی از مقاله در بخش 5 ارائه خواهد شد .

2. منطقه مطالعه

منطقه مورد مطالعه در وسط و شمال حوضه دریاچه پویانگ، چین میانه قرار دارد. مکان آن در شکل 1 ارائه شده است . آب و هوا دارای اکوسیستم معتدل و اکوسیستم نیمه گرمسیری است. این منطقه عمدتاً توسط زمین های زراعی، جنگل ها و بدنه آبی پوشانده شده است. انواع اصلی محصول شامل برنج و دانه روغنی کلزا است. این دو نوع محصول اغلب به صورت تناوب در این منطقه کاشته می شوند.

3. روش شناسی

3.1. مواد

دستگاه جفت شارژ Huan Jing (HJ-CCD) و داده های تصویر Landsat 8 در سال 2014 به عنوان ورودی برای نقشه برداری پوشش زمین استفاده می شود. تصاویر، که همگی محل مطالعه را پوشش می دهند، دارای ارجاع جغرافیایی هستند و وضوح تصویر 30 متر است. تصاویر چند منبع با توجه به محدوده تاریخ بر اساس فصل به چهار قسمت تقسیم می شوند. ما ژانویه تا مارس را به عنوان فصل 1 (نه تصویر)، آوریل تا ژوئن به عنوان فصل 2 (نه تصویر)، ژوئیه-سپتامبر به عنوان فصل 3 (هشت تصویر) و اکتبر-دسامبر به عنوان فصل 4 (هفت تصویر) تعریف می کنیم. پارتیشن به تغییرات طبیعی انواع پوشش گیاهی اصلی اشاره دارد. مراحل اولیه نقشه برداری به ترتیب برای هر فصل انجام می شود.
داده‌های مرجع عمدتاً با تفسیر انسانی از تصاویر Google Earth و بررسی میدانی در سال 2014 جمع‌آوری می‌شوند. در کل، 7392 مکان از حقیقت زمین از نظر برچسب کلاس، طول جغرافیایی و عرض جغرافیایی برای هر فصل جمع‌آوری شده است. نمونه ها هم برای آموزش و هم برای ارزیابی دقت استفاده می شوند. نمونه ها در ابتدا با زیر کلاس ها نشان داده می شوند.

3.2. سناریوی رای گیری

یک سنسور ماهواره ای تنها داده های سنجش از دور ناکافی را برای مشکلات نقشه برداری فصلی پوشش زمین فراهم می کند. در دسترس بودن داده های سنجش از دور چند منبعی، ترکیب اطلاعات از منابع مختلف برای تولید نقشه های پوشش زمین را ضروری می سازد [ 38 ، 39 ، 40 ، 41 ]. با این حال، تصاویر چند منبع به طور کلی ترکیب بندی باند متفاوت و محدوده پوشش زمین متفاوتی دارند. علاوه بر این، آنها را می توان در مقاطع زمانی یا فصول مختلف نیز به دست آورد.
در این مطالعه، ما از سناریوی رای‌گیری برای در نظر گرفتن نتایج طبقه‌بندی تصاویر چند منبعی استفاده می‌کنیم. برای هر تصویر در یک محدوده زمانی و مکانی خاص، نتایج طبقه بندی توسط ماشین بردار پشتیبان (SVM) به دست می آید [ 42 ، 43]]. اگر چندین تصویر یک منطقه را در یک فصل خاص پوشش دهند، نتایج حاصل از تصاویر چند منبعی به طور مصنوعی توسط یک طرح رای گیری تعیین می شود. برچسب کلاسی که بیشترین آرا را دارد، به عنوان برچسب نتیجه تصمیم گرفته می شود. اگر برچسب های مختلف آرای یکسانی داشته باشند، دقت طبقه بندی در نظر گرفته می شود. برچسب کلاس با بالاترین میانگین دقت کاربر (UA) انتخاب خواهد شد. در یک کلام، فرآیند طبقه‌بندی بر روی هر تصویر انجام می‌شود، در حالی که برچسب‌های کلاس به‌طور مصنوعی توسط نتایج طبقه‌بندی داده‌های چند منبعی تعیین می‌شوند. شکل 2تعیین برچسب‌های کلاس برای یک نقطه زمانی (یک فصل) توسط چندین تصویر و سناریوی رای‌گیری را نشان می‌دهد. A، B، C نشان دهنده سه تصویر در یک فصل است. رقم 1 و 2 نشان دهنده برچسب های کلاس سه پیکسل نمونه است. PA1، PB2، و PC2 نشان دهنده دقت طبقه بندی کلاس ها در تصاویر مربوطه است. برچسب های حاصل از سه پیکسل که با تعداد متفاوتی از تصاویر پوشانده شده اند، با سناریوی رای گیری تعیین می شوند. علاوه بر این، ما می توانیم عملکرد هر کلاس را برای هر فصل با استراتژی به دست آوریم.

3.3. استراتژی طبقه بندی سلسله مراتبی

تعدادی از گونه های پوشش زمین دارای سیستم سلسله مراتبی واضحی هستند [ 10 ، 44 ]. به عنوان مثال، زمین های جنگلی معمولاً به جنگل های پهن برگ و جنگل های سوزنی برگ تقسیم می شوند، در حالی که در جزئیات بیشتر، جنگل های همیشه سبز پهن برگ، جنگل های همیشه سبز مخروطی، جنگل های پهن برگ برگریز و جنگل های مخروطی برگریز مانند IGBP داریم. ما از استراتژی سلسله مراتبی از بالا به پایین بهره برداری می کنیم [ 45 ، 46 ]. کار نقشه برداری مطابق با طرح طبقه بندی تعیین شده قبلی مطابق با حقیقت فیزیکی منطقه مورد مطالعه است. طرح طبقه بندی انواع پوشش زمین در جدول 1 آمده است. ابتدا انواع پوشش زمین را با تمرکز بر طبقات اولیه (سطح-1) طبقه بندی می کنیم. بر اساس نقشه های Level-1، کلاس های خاص (Level-2) متعلق به کلاس های Level-1 به ترتیب طبقه بندی می شوند. شکل 3 استراتژی نگاشت سلسله مراتبی را برای یک نقطه زمانی مشخص نشان می دهد.
نمونه های اولیه به طور خودکار ادغام و بر اساس طرح طبقه بندی تقسیم می شوند. در نتیجه، نمونه‌هایی در هر دو سطح تولید می‌شوند. نقشه های سطح 1 با استراتژی طبقه بندی و نمونه های سطح 1 تولید می شوند. نمونه های سطح 2 که نشان دهنده انواع خاص پوشش زمین هستند به گروه های مختلفی تقسیم می شوند و هر گروه به یک کلاس سطح 1 تعلق دارد. پیکسل‌های نقشه‌های سطح 1 به ترتیب بر اساس نمونه‌های سطح 2 طبقه‌بندی می‌شوند، مگر اینکه کلاس سطح 1 دارای زیر کلاس‌هایی مانند «پوشش مصنوعی» و «ابرها» نباشد. نقشه های سطح 1 به ترتیب با نتایج طبقه بندی خاص جایگزین می شوند و در نهایت نقشه های سطح 2 تولید می شوند.

3.4. پالایش پس از طبقه بندی

طبق [ 47 ]، داده های حقیقت زمینی در پالایش پس از طبقه بندی اهمیت زیادی دارد. در این مطالعه، ما ابتدا از تمام داده های حقیقت زمین (شامل نمونه های آموزشی و سایر داده های مرجع) برای اصلاح نقشه های اولیه پوشش زمین استفاده می کنیم. تمام پیکسل‌های طبقه‌بندی‌شده اشتباه در میان حقیقت اصلی تصحیح می‌شوند. سپس، یک فرآیند اصلاح با توجه به انتقال های منطقی انجام می شود. جزئیات در ادامه ارائه شده است.

3.4.1. کدهای چهار رقمی برای انتقال فصلی انواع پوشش زمین

برخلاف محصولات سالانه پوشش زمین، همبستگی منطقی انتقال فصلی ویژگی های دوره ای را نشان می دهد. محصولات آخرین نقطه زمانی (فصل آخر) رابطه زمانی با نقطه زمانی شروع (فصل اول) دارند. ما مجموعه ای از کدها را شامل تمام انتقال های منطقی و غیرمنطقی برای انواع پوشش زمین در سطوح مختلف ایجاد می کنیم ( جدول 2 و جدول 3 ).
عقلانیت انتقال ها با یک سری کدهای چهار رقمی توصیف می شود که نشان دهنده امکان تحول هر دو نوع پوشش زمین بین فصول همسایه است. کدهای موجود در هر مکانی از جدول نشان دهنده امکان انتقال از گونه های سرفصل ردیف به گونه های عنوان ستون است. به عنوان مثال، رقم “1” نشان دهنده انتقال های منطقی یا ممکن است و رقم “2” به معنای انتقال غیرمنطقی یا غیرممکن است. ما انتقال‌های غیرمنطقی را تعریف می‌کنیم که بعید است در فصول خاص همسایه اتفاق بیفتند. انتقال‌هایی که به‌عنوان «منطقی» تعریف می‌شوند، می‌توانند ناشی از فعالیت‌های انسانی یا تغییرات طبیعی در یک فصل باشند. رقم اول نشان دهنده انتقال از فصل اول به فصل دوم است. در حالی که رقم چهارم نشان دهنده انتقال از فصل گذشته به فصل اول است. به عنوان مثال، بدنه آبی و پوشش مصنوعی احتمالاً در هر فصل مجاور به طور متقابل تبدیل نمی شوند، بنابراین کد مرتبط با دو نوع پوشش زمین “2222” است. شلتوک به طور کلی از ماه می تا اکتبر و کلزا از سپتامبر تا ژوئن (سال آینده) در چین میانه رشد می کند. در نتیجه، تبدیل دانه روغنی کلزا از فصل سوم به فصل چهارم به شلتوک غیرممکن است. در نتیجه، کد انتقال “2” است. لازم به ذکر است که کدها برای منطقه مورد مطالعه و حداکثر برای نوع سیستم اکولوژیکی از پیش تعیین شده و قابل اجرا هستند. بنابراین کد مربوط به دو نوع پوشش زمین “2222” است. شلتوک به طور کلی از ماه می تا اکتبر و کلزا از سپتامبر تا ژوئن (سال آینده) در چین میانه رشد می کند. در نتیجه، تبدیل دانه روغنی کلزا از فصل سوم به فصل چهارم به شلتوک غیرممکن است. در نتیجه، کد انتقال “2” است. لازم به ذکر است که کدها برای منطقه مورد مطالعه و حداکثر برای نوع سیستم اکولوژیکی از پیش تعیین شده و قابل اجرا هستند. بنابراین کد مربوط به دو نوع پوشش زمین “2222” است. شلتوک به طور کلی از ماه می تا اکتبر و کلزا از سپتامبر تا ژوئن (سال آینده) در چین میانه رشد می کند. در نتیجه، تبدیل دانه روغنی کلزا از فصل سوم به فصل چهارم به شلتوک غیرممکن است. در نتیجه، کد انتقال “2” است. لازم به ذکر است که کدها برای منطقه مورد مطالعه و حداکثر برای نوع سیستم اکولوژیکی از پیش تعیین شده و قابل اجرا هستند.
ما کدها را برای کلاس های Level-1 و Level-2 ایجاد می کنیم که آن را برای استراتژی سلسله مراتبی مناسب می کند. استراتژی نگاشت سلسله مراتبی اصلاح شده در ادامه تفسیر خواهد شد.

3.4.2. قوانین نقشه برداری فصلی پوشش زمین

برچسب های حاصل از نقشه های اولیه پوشش زمین باید در صورت وقوع هرگونه انتقال غیرمنطقی بین فصول همسایه اصلاح شوند. با توجه به سناریوی رای گیری، ما دقت طبقه بندی تمام کلاس ها را برای هر فصل دریافت می کنیم. قوانین اصلاح بر اساس عملکرد طبقه بندی انواع پوشش زمین در فصول مختلف است. برچسب اولیه در یک فصل خاص با دقت کاربر کمتر به برچسب با دقت کاربر بالاتر در فصل همسایه خود تبدیل می شود. موارد زیر بیشتر توضیح خواهند داد که چگونه انواع پوشش فصلی زمین را با استفاده از کدهای تعریف شده در بالا اصلاح می کنیم.

(1)
اگر کدهای تبدیلی پوشش زمین از نوع A به B “2222” باشد (مانند پوشش مصنوعی بدنه آبی)، انتقال از A به B بعید است ظرف یک سال اتفاق بیفتد. در نتیجه، اگر یک پیکسل معین به عنوان A یا B در تمام فصول پیش‌بینی شود، برچسب‌ها برای انواع پوشش زمین باید با طرح رأی‌گیری بین فصول مختلف یکسان شوند. اگر آرای یکسانی داشته باشند، برچسبی با میانگین دقت کاربر انتخاب می شود.
(2)
کدهای چهار رقمی در ابتدا منعکس کننده انتقال منطقی بین دو نوع پوشش زمین هستند. اگر برچسب‌های کلاس اولیه برای یک مکان پیکسل در چهار فصل دارای بیش از دو نوع پوشش زمین باشد، کدها باید ترکیب شوند. به عنوان مثال، کدهای پیکسلی که در ابتدا به عنوان “زمین خشک رودخانه/دریاچه خاک برهنه” برای چهار فصل در ابتدا با عنوان “ترانورا-ترانورا-خشک رودخانه/دریاچه-خاک برهنه” برچسب “1211” مطابق جدول 3 است . اگر انتقال بین کلاس های سطح 2 فراتر از سوپرکلاس باشد، کدها خالی هستند، به عنوان مثال “خاک برهنه”. علاوه بر این، برچسب های این پیکسل ها به هیچ وجه نباید فراتر از سوپرکلاس اصلاح شوند.
(3)
دقت کاربر در صورت بروز تضاد متوالی در نظر گرفته می شود. در صورت مواجهه متوالی با تناقض، مانند “1221”، باید دقت کاربر در مورد پیکسل در فصل دوم و چهارم مقایسه شود. روش محاسبه و اصلاح از سمتی با دقت بالاتر اجرا می شود.
قضاوت فقط یک بار برای هر فصل کار می کند زیرا یک روش بازگشتی ممکن است کارایی زمانی را از دست بدهد، ابهام ایجاد کند و نتایج درست را تا حدی تحت تاثیر قرار دهد.

3.4.3. استراتژی نقشه برداری سلسله مراتبی اصلاح شده با توجه به انتقال های منطقی

بر اساس استراتژی نگاشت اولیه شامل سناریوی رأی گیری و طرح سلسله مراتبی، ما بیشتر یک رویکرد اصلاح شده را با در نظر گرفتن انتقال های منطقی طراحی می کنیم. کدها و قوانین انتقال فصلی به استراتژی اولیه پیوست شده است. دو مرحله اصلی کل جریان کار را توضیح می دهد.
مرحله اول بر روی نقشه های سطح 1 متمرکز است. کدها و عملکرد طبقه بندی برای کلاس های سطح 1 بر روی نقشه های سطح 1 اولیه که توسط استراتژی نقشه برداری اولیه تولید می شوند، تحمیل می شوند. با توجه به قوانینی که در بالا توضیح داده شد، نقشه های اصلاح شده سطح 1 پس از مراحل اصلاح تولید می شوند.
مرحله دوم بر روی نقشه های سطح 2 متمرکز است. بر اساس نقشه های اصلاح شده سطح 1 و گروه های نمونه های سطح 2، نقشه های اولیه سطح 2 از طریق روش طبقه بندی مربوطه تولید می شوند. در نهایت، قوانین کلاس های سطح 2 روی نقشه های اولیه سطح 2 کار می کنند و سپس نقشه های اصلاح شده سطح 2 تولید می شوند. در نتیجه، قوانین تحول برای بهبود نقشه های پوشش زمین در هر دو سطح به کار گرفته می شود. ما انتقال‌های فراتر از سوپرکلاس را در نظر نمی‌گیریم، زیرا روش اصلاح نقشه‌های سطح 1، انتقال غیرمنطقی کلاس‌های سطح 1 را تا حد امکان کاهش داده است، حتی اگر هنوز بخش کوچکی از انتقال‌های غیرمنطقی وجود داشته باشد. تصویر استراتژی نگاشت سلسله مراتبی اصلاح شده در شکل 4 ارائه شده است .
زمانی که کدهای منطقی به سطوح مختلف تقسیم می شوند، وارد کردن قوانین تبدیل برای استراتژی نگاشت سلسله مراتبی مناسب است. در همین حال، اصلاح برای سطوح مختلف مغایرتی ندارد زیرا تعدیل در هر سطح به طور جداگانه و منظم انجام می شود. علاوه بر این، کار اضافه شده نیاز به محاسبه کمی دارد زیرا یک روش اصلاحی است که رابطه زمانی بدون گردش را در نظر می گیرد.

4. نتایج و بحث

4.1. نقشه های پوشش زمین برای فصول مختلف

نقشه های فصلی پوشش زمین حوضه دریاچه پویانگ از طریق روش مشخص شده در بالا تهیه شده است. شکل 5 نقشه های پوشش زمین حاوی انواع پوشش اصلی زمین را نشان می دهد. شکل 5 الف-د نتایج اولیه و شکل 5 را نشان می دهدe-h نتایج را پس از روش اصلاح ارائه می دهد. نقشه های اولیه پوشش زمین برای فصول مختلف به ترتیب از طریق سناریو رای گیری و استراتژی سلسله مراتبی تولید می شوند، در حالی که روند اصلاح به طور همزمان بین فصول مختلف انجام می شود، بنابراین نقشه های پوشش زمین اصلاح شده تولید می شود. علاوه بر این، چند پیکسل توسط داده های مرجع تصحیح می شوند. تعدادی از پیکسل ها با روش اصلاح مطابق نقشه های کلی، به ویژه برای گونه های زراعی، پوشش جنگلی و بدنه آبی، تغییر کرده اند.
دو سایت در شکل 6 با تمرکز بر جزئیات ارائه شده است. بسیاری از انتقال های غیرمنطقی اصلاح شده اند و تعدادی از انواع پوشش زمین تغییر کرده اند. در نقشه های اولیه پوشش زمین، برخی از انتقال های غیرمنطقی بین محصولات، بدنه آبی و جنگل ها در شکل 6 الف رخ می دهد. نقشه های تجدید شده به طور قابل توجهی نتایج را بهبود بخشیده است. همانطور که در بالا ذکر شد، به دلیل کیفیت ناپایدار داده های ورودی و عوامل محیطی، احتمال وقوع خطاهای جدی در یک زمان خاص وجود دارد. نتیجه اولیه در فصل اول در شکل 6b درست است. تفاوت قابل توجهی بین فصل اول و سایر فصول وجود دارد، مانند حجم آب از دست رفته در فصل اول، که نشان دهنده اشتباهات طبقه بندی آشکار در فصل اول است. پس از اصلاح با توجه به جابجایی های منطقی بین تمام فصل ها، نتیجه لوکیشن در فصل اول بهبود یافته است.

4.2. ارزیابی دقت

در این مطالعه، ما از دو سناریو برای ارزیابی محصولات توسط داده‌های مرجع استفاده می‌کنیم. یکی دقت کلی (OA) برای سال و دیگری ارزیابی دقت از نظر تغییرات پوشش زمین برای هر دو فصل مجاور است.

4.2.1. دقت طبقه بندی کلی

جدول 4میانگین دقت چهار فصل را بر اساس نمونه‌های برچسب‌گذاری شده فهرست می‌کند (در هر فصل، 1000 نمونه آزمایشی به‌طور تصادفی از بین پیکسل‌های برچسب‌گذاری شده برای هر کلاس سطح 1 جمع‌آوری می‌شود. تعداد پیکسل‌های صحیح مقادیر گرد هستند. دقت محصولات عبارتند از فقط برای فصول رشد محاسبه می شود). مقادیر پررنگ نشان دهنده کلاس های Level-1 و بقیه نشان دهنده کلاس های Level-2 هستند. انواع اصلی پوشش زمین با زیر کلاس ها فهرست شده است و ابرها و پوشش مصنوعی به دلیل مناطق کوچک پوشش زمین و تعداد کمی نمونه های برچسب دار حذف شده اند. تعداد کل نمونه‌هایی که به درستی برچسب‌گذاری شده‌اند از زیر کلاس‌ها کوچک‌تر از سوپرکلاس آنها است، زیرا طبقه‌بندی اشتباه بین زیر کلاس‌ها وجود دارد. دقت هر دو استراتژی در جدول ارائه شده است. استراتژی پیشنهادی به طور قابل توجهی از استراتژی اولیه از منظر دقت بهتر عمل می کند. دقت در بسیاری از انواع پوشش زمین، مانند بدنه آبی، زمین بایر، و زمین‌های زراعی خاص با ویژگی‌های فنولوژیکی واضح بهبود یافته است. آمار 8.3 درصد افزایش برای کلاس های سطح 1 و 9.7 درصد برای کلاس های سطح 2 در دقت را نشان می دهد که نشان دهنده اثربخشی زیاد رویکرد اصلاح شده برای نقشه برداری پوشش زمین است.

4.2.2. دقت تغییر پوشش زمین

با توجه به تناوب زراعی، ما نمی توانیم دقت تمام انواع پوشش زمین را برای هر فصل بدست آوریم. عدم وجود نمونه‌های برچسب‌دار برای پوشش مصنوعی و ابرها، ارزیابی مؤثر دقت این کلاس‌ها را دشوار می‌کند. علاوه بر این، نقشه‌های پوشش زمین از فصول مختلف، تفاوت‌های بیشتری را به‌ویژه برای زمین‌های زراعی نشان می‌دهند. در این مطالعه، ما محصولات را بر اساس تغییرات پوشش زمین نیز ارزیابی می کنیم. ما به انواع پوشش زمین اهمیتی نمی دهیم. در عوض، فقط تغییرات پوشش زمین در نظر گرفته می شود. ما تکنیک ذکر شده در [ 48 ] را برای محاسبه دقت تغییرات پوشش زمین اتخاذ می کنیم.
فرض کنید A، B، C، D به ترتیب نشان دهنده تعداد پیکسل های تغییر یافته توسط داده های مرجع و پیکسل های تغییر یافته توسط نتایج ما هستند. پیکسل های بدون تغییر توسط داده های مرجع و پیکسل های تغییر یافته توسط محصولات. پیکسل ها با داده های مرجع تغییر کرده و پیکسل های بدون تغییر توسط محصولات. پیکسل های بدون تغییر توسط داده های مرجع و پیکسل های بدون تغییر توسط محصولات. مقدار مثبت پیش بینی شده ( 1 ) و مقدار منفی پیش بینی شده ( U2 ) [ 49 ] به عنوان توابع توانایی و دقت طبقه بندی کننده شناسایی می شوند 1 و 2 را با رابطه (1) و معادله (2) محاسبه می کنیم .

U1=اس1θاس1θ اس2– θ )1=اس1اس1+(1اس2)(1)
U2=اس2– θ )اس2– θ اس1θ2=اس2(1)اس2(1)+(1اس1)

جایی که

اس1=آCاس1=آآ+سی
اس2=DDاس2=ب+
θ =CCدی=آ+سیآ+ب+سی+
1000 مکان به طور تصادفی از داده های مرجع انتخاب می شوند. همان مکان ها از نتایج استخراج می شوند. ما ابتدا مجموعه ای از آمار را با توجه به داده های مرجع و نتایج برای نقشه های اولیه و اصلاح شده بدست می آوریم ( جدول 5 ). عملکرد هر دو استراتژی از مقادیر جدول 5 مشتق شده است . نتایج در جدول 6 فهرست شده است . مقادیر 1 و 2 افزایش قابل ملاحظه ای را در دقت تغییرات پوشش زمین نشان می دهد.

4.3. بحث

4.3.1. آمار و مقایسه

ما پیکسل های ناسازگار را بین تمام فصول همسایه می شماریم. در میان این پیکسل‌های ناسازگار، ما اعداد غیرمنطقی را با توجه به حقیقت فیزیکی منطقه محاسبه می‌کنیم. نتایج آماری نقشه های اولیه در جدول 7 ارائه شده است . تعداد زیادی پیکسل ناسازگار بین فصل‌های همسایه وجود دارد و همچنین انتقال‌های غیرمنطقی متعددی وجود دارد. پدیده مشابهی در مطالعات دیگر یافت شده است [ 11 ، 50 ، 51 ، 52 ]. جدول 8تعداد و نرخ پیکسل های ناسازگار تولید شده توسط نقشه های اصلاح شده را با در نظر گرفتن انتقال های زمانی ارائه می دهد. با کمک محدودیت منطقی، هم نرخ های ناسازگار و هم انتقال های غیرمنطقی تا حد زیادی کاهش می یابد. جدول 9 و جدول 10 بهبودها را به تفصیل ارائه می دهند. انتقال های غیرمنطقی مرتبط با پوشش اصلی زمین برای استراتژی های مختلف ارائه شده است. بسیاری از انتقال های غیرمنطقی برای زمین های زراعی و جنگلی اتفاق می افتد. پوشش گسترده، اختلاف در کیفیت تصاویر چند زمانی، و سردرگمی زیر کلاس‌ها همگی منجر به این پدیده می‌شوند. با محدودیت‌های قوانین بوم‌شناختی که به دقت تعریف شده‌اند، انتقال غیرمنطقی همه انواع پوشش‌های زمین به طور قابل‌توجهی کاهش می‌یابد.
شکل 7 انتقال غیرمنطقی را برای تمام فصول نشان می دهد. پیکسل‌های آبی نشان‌دهنده انتقال‌های غیرمنطقی و پیکسل‌های سفید نشان‌دهنده انتقال‌های منطقی یا بدون انتقال هستند. از طریق رویکرد اصلاح شده با در نظر گرفتن منطقی بودن، تغییرات غیرمنطقی کاهش محسوسی در دیدگاه بصری دارند.

4.3.2. تأثیر بر روابط فضایی

خطاهای طبقه‌بندی پیکسلی منجر به ناسازگاری و ناپیوستگی فضایی غیرمنتظره می‌شود. برچسب‌های کلاس حاصل از این پیکسل‌ها معمولاً دقت متوسط ​​کمتری در نقطه زمانی دارند. در نتیجه، برچسب‌های این پیکسل‌ها با در نظر گرفتن عملکرد طبقه‌بندی، احتمالاً با توجه به استراتژی پیشنهادی اصلاح یا اصلاح می‌شوند. نقشه های پوشش زمین حاصل ( شکل 5 ) و نقشه های تفصیلی ( شکل 6).) هر دو حاکی از بهبود رابطه فضایی از طریق رویکرد است، حتی بدون توجه به رابطه فضایی در خود رویکرد. با این حال، ما معتقدیم که نتیجه قابل اعتماد است اگر یک پیکسل ناپیوسته فضایی مشخصی دارای برچسب یکسانی در تمام نقاط زمانی باشد. در این حالت، منطقه احتمالاً ذاتاً در همسایگی فضایی ناپیوسته است.

4.3.3. برخورد با نمونه هایی با برچسب اشتباه

به‌دست آوردن نمونه‌های کافی برای تهیه نقشه‌های پوشش زمین با وضوح بهتر برای مناطق بزرگ، همیشه زمان‌بر و دشوار است. علاوه بر این، ما نمی توانیم اطمینان حاصل کنیم که همه نمونه ها کاملاً درست هستند. نمونه هایی با برچسب اشتباه ممکن است به نتایج طبقه بندی بدی منجر شوند [ 53 ، 54]. به خصوص برای نقشه برداری فصلی پوشش زمین، زمان زیادی برای تهیه نمونه برای هر فصل نیاز است. در عوض، نمونه هایی که در یک مکان خاص برچسب گذاری شده اند، در فصول مختلف استفاده خواهند شد. در این مورد، طبقات خاص زمین های زراعی ممکن است در یک یا دو فصل به اشتباه برچسب گذاری شوند. همچنین سایر انواع پوشش زمین به دلیل عوامل محیطی و فعالیت های انسانی همیشه تغییرناپذیر نخواهند بود. در نتیجه، اشتباهات طبقه بندی جدی احتمالاً با نمونه هایی که به اشتباه برچسب گذاری شده اند رخ می دهد. روش اصلاح با در نظر گرفتن انتقال‌های زمانی نتایج را در صورت وجود نمونه‌هایی با برچسب اشتباه بهبود می‌بخشد. با توجه به نتایج در شکل 5 ، تعدادی از پیکسل هایی که در ابتدا به عنوان دانه روغنی پیش بینی شده بودند، در فصل 3 با برنج جایگزین می شوند.

4.3.4. محدودیت و مشکلات حل نشده

این رویکرد همه انتقال‌های غیرمنطقی را حذف نکرده است، زیرا قوانین نمی‌توانند همه انتقال‌های غیرمنطقی را با اصلاح کلی برای یک بار اصلاح کنند.
لازم به ذکر است که تعاریف «منطقی» و «غیرمنطقی» مبتنی بر حقیقت فیزیکی منطقه مورد مطالعه است. بنابراین ممکن است کدها برای مناطق دیگر به دلیل ویژگی های رشد متفاوت پوشش گیاهی و محیط جغرافیایی متفاوت متفاوت باشد. اگرچه کدها از پیش تعیین شده‌اند، اما ما معتقدیم که استفاده از محدودیت‌های منطقی برای بهبود نقشه‌های پوشش زمین چند زمانی ضروری است. با این حال، وقتی صحبت از مناطق بزرگ می شود، به عنوان مثال یک محدوده عرض جغرافیایی گسترده تر که اکوسیستم های متعدد را پوشش می دهد، یک مجموعه از کدها و قوانین به خوبی کار نمی کند.
در تغییرات فصلی پوشش زمین، برخی از گونه های زراعی دارای فنولوژی مشخص هستند که کاملاً با تغییرات پوشش زمین بین سالانه متفاوت است. استراتژی پیشنهادی در این مطالعه بر تولید نقشه‌های فصلی و منطقه‌ای پوشش اراضی متمرکز است، زیرا کدهای تحول و قوانین اکولوژیکی بر اساس ویژگی‌های گونه‌های منطقه است.
پالایش پس از طبقه بندی یک کار مهم در این مطالعه است. این مطالعه بر روی پالایش با در نظر گرفتن انتقال های منطقی تمرکز دارد. با این حال، روش های دیگر پردازش پس از طبقه بندی در نظر گرفته نشده است. موادی مانند اطلاعات موضوعی، DEM و نقشه های شهری باید برای اصلاح بهتر محصولات اولیه ترکیب شوند [ 23 ].

5. نتیجه گیری ها

در این مطالعه، ما یک استراتژی نقشه برداری فصلی پوشش زمین را با در نظر گرفتن انتقال های زمانی معرفی کرده ایم. هدف استراتژی پیشنهادی کاهش اختلافات غیرفیزیکی بین فصول مجاور با اصلاح نتایج اولیه، به‌منظور تولید نقشه‌های پوشش زمین منطقی و دقیق است. ما یک سری کدهای چهار رقمی را برای همه انواع پوشش زمین با توجه به قوانین اکولوژیکی در منطقه حوضه دریاچه پویانگ ایجاد کرده ایم. عملکرد انواع پوشش زمین برای فصول مختلف اساس قوانین اصلاح است. با محدودیت های قوانین، نقشه های پوشش زمین برای تمام فصول به طور همزمان اصلاح شده است. در نتیجه، میانگین دقت برای محصولات خاص پس از روش اصلاح نزدیک به 10٪ افزایش یافته است. نرخ های غیرمنطقی به طور قابل توجهی 13٪ – 35٪ برای شیفت های فصلی مختلف کاهش یافته است. دقت در ارزیابی تغییرات پوشش اراضی در هنگام استفاده از استراتژی پیشنهادی پیشرفت زیادی نشان داده است. این مطالعه اثربخشی استراتژی نقشه برداری سلسله مراتبی اصلاح شده و اهمیت تحمیل محدودیت های منطقی بر نقشه های فصلی پوشش زمین را نشان داده است. این امیدوار کننده است زیرا: (1) تغییر همزمان نقشه های پوشش زمین در مقاطع زمانی مختلف توسط محدودیت های منطقی و عملکرد طبقه بندی در مطالعه قبلی رایج نیست. (2) انتقال های منطقی در استراتژی سلسله مراتبی ادغام می شوند، بنابراین نتایج معقول در سطوح مختلف ارائه می شود. (3) تصمیم گیری کدهای منطقی برای یک منطقه خاص بسیار آسان است و کمک زیادی به بهبود نقشه های فصلی پوشش زمین می کند. دقت در ارزیابی تغییرات پوشش اراضی در هنگام استفاده از استراتژی پیشنهادی پیشرفت زیادی نشان داده است. این مطالعه اثربخشی استراتژی نقشه برداری سلسله مراتبی اصلاح شده و اهمیت تحمیل محدودیت های منطقی بر نقشه های فصلی پوشش زمین را نشان داده است. این امیدوار کننده است زیرا: (1) تغییر همزمان نقشه های پوشش زمین در مقاطع زمانی مختلف توسط محدودیت های منطقی و عملکرد طبقه بندی در مطالعه قبلی رایج نیست. (2) انتقال های منطقی در استراتژی سلسله مراتبی ادغام می شوند، بنابراین نتایج معقول در سطوح مختلف ارائه می شود. (3) تصمیم گیری کدهای منطقی برای یک منطقه خاص بسیار آسان است و کمک زیادی به بهبود نقشه های فصلی پوشش زمین می کند. دقت در ارزیابی تغییرات پوشش اراضی در هنگام استفاده از استراتژی پیشنهادی پیشرفت زیادی نشان داده است. این مطالعه اثربخشی استراتژی نقشه برداری سلسله مراتبی اصلاح شده و اهمیت تحمیل محدودیت های منطقی بر نقشه های فصلی پوشش زمین را نشان داده است. این امیدوار کننده است زیرا: (1) تغییر همزمان نقشه های پوشش زمین در مقاطع زمانی مختلف توسط محدودیت های منطقی و عملکرد طبقه بندی در مطالعه قبلی رایج نیست. (2) انتقال های منطقی در استراتژی سلسله مراتبی ادغام می شوند، بنابراین نتایج معقول در سطوح مختلف ارائه می شود. (3) تصمیم گیری کدهای منطقی برای یک منطقه خاص بسیار آسان است و کمک زیادی به بهبود نقشه های فصلی پوشش زمین می کند. این مطالعه اثربخشی استراتژی نقشه برداری سلسله مراتبی اصلاح شده و اهمیت تحمیل محدودیت های منطقی بر نقشه های فصلی پوشش زمین را نشان داده است. این امیدوار کننده است زیرا: (1) تغییر همزمان نقشه های پوشش زمین در مقاطع زمانی مختلف توسط محدودیت های منطقی و عملکرد طبقه بندی در مطالعه قبلی رایج نیست. (2) انتقال های منطقی در استراتژی سلسله مراتبی ادغام می شوند، بنابراین نتایج معقول در سطوح مختلف ارائه می شود. (3) تصمیم گیری کدهای منطقی برای یک منطقه خاص بسیار آسان است و کمک زیادی به بهبود نقشه های فصلی پوشش زمین می کند. این مطالعه اثربخشی استراتژی نقشه برداری سلسله مراتبی اصلاح شده و اهمیت تحمیل محدودیت های منطقی بر نقشه های فصلی پوشش زمین را نشان داده است. این امیدوار کننده است زیرا: (1) تغییر همزمان نقشه های پوشش زمین در مقاطع زمانی مختلف توسط محدودیت های منطقی و عملکرد طبقه بندی در مطالعه قبلی رایج نیست. (2) انتقال های منطقی در استراتژی سلسله مراتبی ادغام می شوند، بنابراین نتایج معقول در سطوح مختلف ارائه می شود. (3) تصمیم گیری کدهای منطقی برای یک منطقه خاص بسیار آسان است و کمک زیادی به بهبود نقشه های فصلی پوشش زمین می کند. (1) تغییر همزمان نقشه های پوشش زمین در مقاطع زمانی مختلف با محدودیت های منطقی و عملکرد طبقه بندی در مطالعه قبلی معمول نیست. (2) انتقال های منطقی در استراتژی سلسله مراتبی ادغام می شوند، بنابراین نتایج معقول در سطوح مختلف ارائه می شود. (3) تصمیم گیری کدهای منطقی برای یک منطقه خاص بسیار آسان است و کمک زیادی به بهبود نقشه های فصلی پوشش زمین می کند. (1) تغییر همزمان نقشه های پوشش زمین در مقاطع زمانی مختلف با محدودیت های منطقی و عملکرد طبقه بندی در مطالعه قبلی معمول نیست. (2) انتقال های منطقی در استراتژی سلسله مراتبی ادغام می شوند، بنابراین نتایج معقول در سطوح مختلف ارائه می شود. (3) تصمیم گیری کدهای منطقی برای یک منطقه خاص بسیار آسان است و کمک زیادی به بهبود نقشه های فصلی پوشش زمین می کند.
به عنوان کار آینده، ما سعی خواهیم کرد قوانین اکولوژیکی و زیست محیطی مختلفی را برای مناطق دمایی یا اکوسیستم های مختلف پیدا کنیم تا نقشه های پوشش زمین را برای مناطق بزرگتر بهبود دهیم. از آنجایی که دستیابی به پیش‌بینی دقیق‌تری از عملکرد طبقه‌بندی توسط نمونه‌ها برای محصولات پوشش زمین منطقه‌ای در مقایسه با محصولات پوشش زمین جهانی نسبتاً ساده‌تر است، ما سعی خواهیم کرد عملکرد طبقه‌بندی را به مدل مکانی-زمانی اضافه کنیم [35] .] برای فرآیند پس از طبقه بندی نقشه برداری پوشش اراضی منطقه ای. ضمناً باید از اطلاعات موضوعی و داده های GIS برای اصلاح بهتر نقشه های پوشش زمین در آینده استفاده شود. علاوه بر این، استراتژی پیشنهادی باید برای نقشه برداری بلندمدت پوشش زمین اعمال شود، که به طور قابل توجهی از پویایی تغییرات کاربری/پوشش زمین و فرآیند شهرنشینی پایدار سود می برد.

منابع

  1. هرولد، ام. مایو، پی. Woodcock، CE; باکسینی، آ. اشمولیوس، سی. برخی چالش‌ها در نقشه‌برداری جهانی پوشش زمین: ارزیابی توافق و دقت در مجموعه داده‌های 1 کیلومتری موجود. سنسور از راه دور محیط. 2008 ، 112 ، 2538-2556. [ Google Scholar ] [ CrossRef ]
  2. روی، PS; روی، ا. جوشی، پی کی; کاله، نماینده مجلس؛ Srivastava، VK; Srivastava، SK; دوویدی، آر اس؛ جوشی، سی. بهرا، MD; میاپان، پ. و همکاران توسعه پایگاه داده استفاده از زمین و پوشش زمین ده ساله (1985-1995-2005) برای هند. Remote Sens. 2015 ، 7 ، 2401–2430. [ Google Scholar ] [ CrossRef ]
  3. تریتز، پی. Rogan, J. سنجش از دور برای نقشه برداری و نظارت بر پوشش زمین و تغییر کاربری. Prog. طرح. 2004 ، 61 ، 267-279. [ Google Scholar ] [ CrossRef ]
  4. هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، SA; تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR; و همکاران نقشه های جهانی با وضوح بالا از تغییر پوشش جنگلی قرن بیست و یکم. Science 2013 ، 342 ، 850-853. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. لاولند، TR; رید، ق.م. براون، ج.اف. Ohlen، DO; زو، ز. یانگ، ال. Merchant، JW توسعه پایگاه داده خصوصیات پوشش زمین جهانی و IGBP DISCover از 1 کیلومتر داده AVHRR. بین المللی J. Remote Sens. 2000 ، 21 ، 1303-1330. [ Google Scholar ] [ CrossRef ]
  6. بارتولوم، ای. Belward، AS GLC2000: رویکردی جدید برای نقشه برداری جهانی پوشش زمین از داده های رصد زمین. بین المللی J. Remote Sens. 2005 ، 26 ، 1959-1977. [ Google Scholar ] [ CrossRef ]
  7. هانسن، ام سی; Defries، RS; Townshend، JRG; Sohlberg، R. طبقه بندی پوشش زمین جهانی در تفکیک مکانی 1 کیلومتر با استفاده از رویکرد درخت طبقه بندی. بین المللی J. Remote Sens. 2000 ، 21 ، 1331-1364. [ Google Scholar ] [ CrossRef ]
  8. فریدل، MA; McIver، DK; هاجز، JCF; ژانگ، XY; موچونی، دی. استراهلر، ق. Woodcock، CE; گوپال، اس. اشنایدر، آ. کوپر، ا. و همکاران نقشه برداری جهانی پوشش زمین از MODIS: الگوریتم ها و نتایج اولیه سنسور از راه دور محیط. 2002 ، 83 ، 287-302. [ Google Scholar ] [ CrossRef ]
  9. فریدل، MA; سولا مناشه، د. تان، بی. اشنایدر، آ. رامانکوتی، ن. سیبلی، ا. Huang، XM MODIS مجموعه 5 پوشش جهانی زمین: اصلاح الگوریتم و خصوصیات مجموعه داده های جدید. سنسور از راه دور محیط. 2010 ، 114 ، 168-182. [ Google Scholar ] [ CrossRef ]
  10. آرینو، او. بیچرون، پی. آچارد، اف. لاتام، جی. ویت، آر. Weber, JL Globcover دقیق ترین پرتره زمین. ESA Bull. یورو آژانس فضایی 2008 ، 136 ، 24-31. [ Google Scholar ]
  11. یونگ، ام. هنکل، ک. هرولد، ام. چورکینا، جی. بهره‌برداری از هم افزایی محصولات جهانی پوشش زمین برای مدل‌سازی چرخه کربن. سنسور از راه دور محیط. 2006 ، 101 ، 534-553. [ Google Scholar ] [ CrossRef ]
  12. بیچرون، پی. Leroy، M. امضاهای تابع توزیع بازتاب دو طرفه زیست‌های اصلی مشاهده شده از فضا. جی. ژئوفیس. Res. اتمس. 2000 ، 105 ، 26669-26681. [ Google Scholar ] [ CrossRef ]
  13. Conant، RT; Paustian، K. ترسیب کربن بالقوه خاک در اکوسیستم های مرتع بیش از حد چرا. گلوب. بیوژئوشیمی. Cycles 2002 , 16 . [ Google Scholar ] [ CrossRef ]
  14. وو، دبلیو. شیباساکی، آر. یانگ، پی. اونگارو، ال. ژو، Q. تانگ، اچ. اعتبارسنجی و مقایسه 1 کیلومتر محصولات پوشش زمین جهانی در چین. بین المللی J. Remote Sens. 2008 , 29 , 3769-3785. [ Google Scholar ] [ CrossRef ]
  15. پرز، LF; نقشه های DaCamara، CC Emissivity برای بازیابی دمای سطح زمین از MSG/SEVIRI. IEEE Trans. Geosci. Remote Sens. 2005 ، 43 ، 1834-1844. [ Google Scholar ] [ CrossRef ]
  16. براکستون، PD; Zeng، XB; سولا مناشه، د. Troch، PA یک اقلیم شناسی پوشش زمین جهانی با استفاده از داده های MODIS. J. Appl. هواشناسی کلیماتول. 2014 ، 53 ، 1593-1605. [ Google Scholar ] [ CrossRef ]
  17. ویلتینگ، ا. کورد، ا. هرن، ای جی. هسه، دی. محمد، ع. تراهولت، سی. Cheyne، SM; سونارتو، اس. جایاسیلان، MA; راس، جی. و همکاران مدل‌سازی پراکنش گونه‌های گربه‌های سر صاف ( Prionailurus planiceps )، یک گربه‌سان کوچک آسیای جنوب شرقی در خطر انقراض. PLoS ONE 2010 ، 5 ، e9612. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. گونگ، پی. وانگ، جی. یو، ال. ژائو، YC; ژائو، YY; لیانگ، ال. نیو، ZG; هوانگ، XM; فو، اچ. لیو، اس. و همکاران مشاهده و نظارت با وضوح دقیق تر پوشش زمین جهانی: اولین نتایج نقشه برداری با داده های Landsat TM و ETM+. بین المللی J. Remote Sens. 2013 ، 34 ، 2607-2654. [ Google Scholar ] [ CrossRef ]
  19. یو، ال. وانگ، جی. کلینتون، ن. Xin، QC; ژونگ، LH؛ چن، ییل. Gong، P. FROM-GC: 30 متر وسعت زمین زراعی جهانی که از طریق یکپارچه سازی داده های چند منبعی به دست می آید. بین المللی جی دیجیت. زمین 2013 ، 6 ، 521-533. [ Google Scholar ] [ CrossRef ]
  20. والدنر، اف. فریتز، اس. دی گرگوریو، آ. Defourny، P. اولویت های نقشه برداری برای تمرکز بر فعالیت های نقشه برداری زمین های زراعی: ارزیابی تناسب اندام نقشه های زمین های زراعی موجود جهانی، منطقه ای و ملی. Remote Sens. 2015 , 7 , 7959–7986. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. بوریان، سی. یانگ، ز. مولر، آر. کریگ، ام. نظارت بر کشاورزی ایالات متحده: وزارت کشاورزی ایالات متحده، خدمات ملی آمار کشاورزی، برنامه لایه داده زمین های زراعی. Geocarto Int. 2011 ، 26 ، 341-358. [ Google Scholar ] [ CrossRef ]
  22. سرا، پ. پونز، ایکس. Sauri، D. تغییر پوشش و کاربری زمین در چشم انداز مدیترانه ای: تحلیل فضایی نیروهای محرکه که عوامل بیوفیزیکی و انسانی را ادغام می کنند. Appl. Geogr. 2008 ، 28 ، 189-209. [ Google Scholar ] [ CrossRef ]
  23. دوان، AM; یاماگوچی، ی. تغییر کاربری زمین و پوشش زمین در داکای بزرگ، بنگلادش: استفاده از سنجش از دور برای ترویج شهرنشینی پایدار. Appl. Geogr. 2009 ، 29 ، 390-401. [ Google Scholar ] [ CrossRef ]
  24. بیومکش، تی. ناکاگوشی، ن. دوان، AM شهرسازی و پویایی فضای سبز در داکای بزرگ، بنگلادش. Landsc. Ecol. مهندس 2012 ، 8 ، 45-58. [ Google Scholar ] [ CrossRef ]
  25. دوان، AM; Corner, RJ تأثیر کاربری زمین و تغییرات پوشش زمین بر دمای سطح زمین در یک کلان شهر به سرعت در حال توسعه. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2012، مونیخ، آلمان، 22 تا 27 ژوئیه 2012.
  26. بای، ی. فنگ، ام. جیانگ، اچ. وانگ، جی. لیو، ی. اعتبار سنجی نقشه‌های پوشش زمین در چین با استفاده از رویکرد برچسب‌گذاری مبتنی بر نمونه‌برداری. Remote Sens. 2015 ، 7 ، 10589–10606. [ Google Scholar ] [ CrossRef ]
  27. گیری، سی. Zhu، ZL; Reed, B. تحلیل مقایسه ای مجموعه داده های پوشش زمین جهانی 2000 و MODIS. سنسور از راه دور محیط. 2005 ، 94 ، 123-132. [ Google Scholar ] [ CrossRef ]
  28. Van Oort، PAJ بهبود برآوردهای تغییر پوشش زمین با حسابداری خطاهای طبقه بندی. بین المللی J. Remote Sens. 2005 ، 26 ، 3009-3024. [ Google Scholar ] [ CrossRef ]
  29. کای، اس اس; لیو، DS تشخیص تاریخ تغییر از سری زمانی ماهواره‌ای متراکم با استفاده از الگوریتم تشخیص تغییرات زیر سالانه. Remote Sens. 2015 ، 7 ، 8705–8727. [ Google Scholar ] [ CrossRef ]
  30. کای، اس اس; لیو، دی اس؛ سولا مناشه، د. فریدل، MA افزایش محصول پوشش زمین MODIS با الگوریتم مدل‌سازی مکانی-زمانی. سنسور از راه دور محیط. 2014 ، 147 ، 243-255. [ Google Scholar ] [ CrossRef ]
  31. لیو، دی اس؛ Chun, YW تأثیر مدل‌های طبقه‌بندی مختلف بر انتشار خطا در تشخیص تغییر پوشش زمین. بین المللی J. Remote Sens. 2009 ، 30 ، 5345-5364. [ Google Scholar ] [ CrossRef ]
  32. لیو، اچ. ژو، Q. تجزیه و تحلیل دقت تشخیص تغییر سنجش از دور با ارزیابی عقلانیت مبتنی بر قانون با مقایسه پس از طبقه‌بندی. بین المللی J. Remote Sens. 2004 , 25 , 1037-1050. [ Google Scholar ] [ CrossRef ]
  33. تاونسند، پی. Helmers، DP; Kingdon، CC; مک نیل، BE; de Beurs، KM; Eshleman، KN تغییرات در میزان استخراج سطحی و احیا در آپالاش‌های مرکزی با استفاده از سری زمانی لندست 1976-2006 شناسایی شد. سنسور از راه دور محیط. 2009 ، 113 ، 62-72. [ Google Scholar ] [ CrossRef ]
  34. لیانگ، دی. زو، ی. هوانگ، LS; ژائو، جی ال. تنگ، ال. یانگ، اف. ارزیابی سازگاری محصول پوشش زمین MODIS (MCD12Q1) بر اساس مجموعه داده‌های 30 متری globeland30 چینی: مطالعه موردی در استان آنهویی، چین. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2519-2541. [ Google Scholar ] [ CrossRef ]
  35. وانگ، جی. ژائو، ی. لی، سی. یو، ال. لیو، دی. Gong, P. نقشه برداری از پوشش زمین جهانی در سال 2001 و 2010 با ثبات مکانی-زمانی در وضوح 250 متر. ISPRS J. Photogramm. Remote Sens. 2015 ، 103 ، 38-47. [ Google Scholar ] [ CrossRef ]
  36. وهمان، ا. لیو، دی. یک روش کرنل مارکویی بافتی مکانی-زمانی برای نقشه برداری پوشش زمین چند زمانی. ISPRS J. Photogramm. Remote Sens. 2015 ، 107 ، 77-89. [ Google Scholar ] [ CrossRef ]
  37. گومز، سی. سفید، JC; Wulder، MA داده های سری زمانی سنجش از دور نوری برای طبقه بندی پوشش زمین: یک بررسی. ISPRS J. Photogramm. Remote Sens. 2016 , 116 , 55–72. [ Google Scholar ] [ CrossRef ]
  38. Pu, RL; بل، اس. پروتکلی برای بهبود نقشه برداری و ارزیابی فراوانی علف های دریایی در امتداد ساحل مرکزی غربی فلوریدا با استفاده از تصاویر Landsat TM و EO-1 ALI/Hyperion. ISPRS J. Photogramm. Remote Sens. 2013 ، 83 ، 116-129. [ Google Scholar ] [ CrossRef ]
  39. لین، YP; چو، اچ جی; هوانگ، یل. تانگ، CH; روحانی، س. پایش و شناسایی تغییرات منظر مکانی-زمانی در تصاویر سنجش از دور چندگانه با استفاده از روش نمونه‌گیری لاتینی شرطی لاتین و شبیه‌سازی زمین آماری. محیط زیست نظارت کنید. ارزیابی کنید. 2011 ، 177 ، 353-373. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  40. کمپز-والز، جی. گومز-چوا، ال. مونوز ماری، ج. روخو آلوارز، جی ال. مارتینز-رامون، M. چارچوب مبتنی بر هسته برای طبقه بندی داده های سنجش از راه دور چندمنبعی و چندمنبعی و تشخیص تغییر. IEEE Trans. Geosci. Remote Sens. 2008 , 46 , 1822-1835. [ Google Scholar ] [ CrossRef ]
  41. مک کالوم، آی. اوبرشتاینر، ام. نیلسون، اس. شویدنکو، ای. مقایسه فضایی چهار ماهواره برگرفته از مجموعه داده های پوشش زمینی جهانی 1 کیلومتری. بین المللی J. Appl. زمین Obs. Geoinf. 2006 ، 8 ، 246-255. [ Google Scholar ] [ CrossRef ]
  42. چاپل، او. هافنر، پی. Vapnik، VN از ماشین‌های برداری برای طبقه‌بندی تصویر مبتنی بر هیستوگرام پشتیبانی می‌کند. IEEE Trans. شبکه عصبی 1999 ، 10 ، 1055-1064. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. دراکر، اچ. وو، دی اچ. Vapnik، VN از ماشین‌های برداری برای دسته‌بندی هرزنامه پشتیبانی می‌کند. IEEE Trans. شبکه عصبی 1999 ، 10 ، 1048-1054. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. وویسین، ا. کریلوف، ویرجینیا؛ موزر، جی. Serpico، SB; Zerubia, J. طبقه‌بندی نظارت شده تصاویر سنجش از راه دور چندحسگر و چند وضوح با رویکرد مبتنی بر کوپول سلسله مراتبی. IEEE Trans. Geosci. Remote Sens. 2014 , 52 , 3346–3358. [ Google Scholar ] [ CrossRef ]
  45. لافرانس، ام. کینگ، جی دبلیو. اوکلی، کارشناسی; پرات، اس. مقایسه رویکردهای بالا به پایین و پایین به بالا برای نقشه برداری زیستگاه اعماق دریا برای اطلاع از توسعه انرژی بادی دریایی. ادامه Shelf Res. 2014 ، 83 ، 24-44. [ Google Scholar ] [ CrossRef ]
  46. بای، اس. ماتسوموتو، تی. تاکوچی، ی. کودو، اچ. Ohnishi، N. نمونه برداری از وصله های اطلاعاتی برای طبقه بندی تصویر با استفاده از اطلاعات پایین به بالا و بالا به پایین. ماخ Vis. Appl. 2013 ، 24 ، 959-970. [ Google Scholar ] [ CrossRef ]
  47. دوان، AM; یاماگوچی، ی. استفاده از سنجش از دور و GIS برای شناسایی و نظارت بر استفاده از زمین و تغییر پوشش زمین در شهر داکای بنگلادش طی سال‌های 1960-2005. محیط زیست نظارت کنید. ارزیابی کنید. 2009 ، 150 ، 237-249. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  48. Foody, GM ارزیابی دقت تغییر پوشش زمین با داده های مرجع زمینی ناقص. سنسور از راه دور محیط. 2010 ، 114 ، 2271-2285. [ Google Scholar ] [ CrossRef ]
  49. فیلدینگ، ق. Bell, JF مروری بر روش‌های ارزیابی خطاهای پیش‌بینی در مدل‌های حضور/غیاب حفاظتی. محیط زیست حفظ کنید. 1997 ، 24 ، 38-49. [ Google Scholar ] [ CrossRef ]
  50. شپاچنکو، دی. ببینید، L. لسیو، م. مک کالوم، آی. فریتز، اس. سالک، سی. مولچانوا، ای. پرگر، سی. شچپاشچنکو، م. شویدنکو، آ. و همکاران توسعه یک ماسک جنگلی هیبریدی جهانی از طریق هم افزایی سنجش از دور، جمع سپاری و آمار فائو. سنسور از راه دور محیط. 2015 ، 162 ، 208-220. [ Google Scholar ] [ CrossRef ]
  51. کینوشیتا، تی. ایوائو، ک. Yamagata، Y. ایجاد یک پوشش زمین جهانی و یک نقشه احتمال از طریق یک روش یکپارچه سازی نقشه جدید. بین المللی J. Appl. زمین Obs. Geoinf. 2014 ، 28 ، 70-77. [ Google Scholar ] [ CrossRef ]
  52. وولو، اف. آتزبرگر، سی. بهبود نقشه‌های پوشش زمین در مناطقی که با محصولات موجود اختلاف نظر دارند با استفاده از سری زمانی NDVI MODIS—مثالی برای اروپا. فتوگرام فرنرکوند. Geoinf. 2014 ، 5 ، 393-407. [ Google Scholar ] [ CrossRef ]
  53. مالوسینی، ا. بلانزیری، ای. Ng، RT تشخیص خطاهای بالقوه برچسب‌گذاری در ریزآرایه‌ها با اغتشاش داده‌ها. بیوانفورماتیک 2006 ، 22 ، 2114-2121. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. Leung، YY; چانگ، CQ; Hung, YS یک رویکرد یکپارچه برای شناسایی نمونه‌های برچسب‌گذاری شده اشتباه هنگام انجام طبقه‌بندی در داده‌های ریزآرایه. PLoS ONE 2012 ، 7 ، e46700. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
شکل 1. منطقه مطالعه.
شکل 2. سناریوهای رای گیری.
شکل 3. نشان دادن استراتژی نگاشت سلسله مراتبی.
شکل 4. استراتژی نگاشت سلسله مراتبی اصلاح شده.
شکل 5. نقشه های پوشش زمین حوضه دریاچه پویانگ برای فصول مختلف. ( الف – د ) نتایج حاصل از استراتژی اولیه را ارائه دهید. ( e – h ) نتایج را پس از روش اصلاح ارائه دهید.
شکل 6. جزئیات نقشه های پوشش زمین ( الف ، ب ) جزئیات برای مکان های مختلف.
شکل 7. انتقال غیرمنطقی قبل و بعد از اصلاح.
جدول 1. طرح طبقه بندی انواع پوشش زمین.
جدول 2. کدهای چهار رقمی برای کلاس های سطح 1.
جدول 3. کدهای چهار رقمی برای کلاس های سطح 2.
جدول 4. میانگین دقت طبقه بندی تمام فصول بر اساس هر دو استراتژی.
جدول 5. آمار بر اساس داده های مرجع و نتایج.
جدول 6. دقت تغییر پوشش زمین برای فصول مختلف.
جدول 7. آمار پیکسل ناسازگار بر اساس نقشه های اولیه.
جدول 8. آمار پیکسل ناسازگار با نقشه های اصلاح شده.
جدول 9. پیکسل های غیر منطقی مرتبط با چهار نوع پوشش زمین برای نقشه های اولیه.
جدول 10. پیکسل های غیر منطقی مرتبط با چهار نوع پوشش زمین برای نقشه های اصلاح شده.

بدون نظر

دیدگاهتان را بنویسید

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