Оставить заявку
Для заказа и получения более подробной информации оставьте заявку, наш менеджер свяжется с Вами!
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
Оставьте свой номер и мы с вами свяжемся!
Или Вы можете позвонить нам сами:
+7 902 934 71 72
Извлечение информации о застроенных территориях с использованием спутниковых данных ночного освещения (NTL)
Сюэмин Ли 1,2, Ишань Сун 1,2,*, Хэ Лю 1,2 и Синьюй Хоу 1,2
- Школа географии, Ляонинский педагогический университет, 116029 Далянь, Китай
- Научно-исследовательский центр по населенным пунктам, Ляонинский педагогический университет, 116029 Далянь, Китай * Корреспонденция: [email protected]
Аннотация: Быстрое городское развитие, связанное с реформами и открытостью Китая, стало источником многих городских проблем. Чтобы понять эти вопросы, необходимо иметь глубокое понимание распределения городской пространственной структуры. Взяв в качестве примера шесть районов Даляня, в этом исследовании мы интегрировали расширенный индекс растительности, достопримечательности и данные о температуре поверхности в данные о ночном освещении. Кроме того, здесь мы анализируем плотность ядра точек интереса и строим три индекса, используя среднее геометрическое изображение: индекс населенных пунктов (HSI), индекс HSI-POI (HP) и индекс HSI-POI-LST (HPL). Используя метод опорных векторов для определения типа земли в населенном пункте Даляня, было создано 1000 точек отбора проб для проверки. Затем была выбрана пороговая граница, соответствующая наибольшей общей точности каждого индекса и коэффициента Каппа. Авторы исследований пришли к следующим выводам: по сравнению с тремя другими типами данных, индекс HPL проявлял природные и социальные атрибуты, а застроенная площадь, извлеченная с помощью этого метода, имела высочайшую точность, высокое пространственное разрешение изображения и смогла преодолеть проблемы упущения, наблюдаемые при использовании одного или двух источников данных. Кроме того, этот метод позволяет получить более богатые пространственные детали фактической застроенной территории и предоставляет больше возможностей для оценки мелкомасштабных городских застроенных территорий в будущем повторном поиске.
Ключевые слова: выделение застроенных площадей; POI; HSI; LST; Город Далянь
Ключевые слова: выделение застроенных площадей; POI; HSI; LST; Город Далянь
1. Введение
Во время реформ и открытости с 1978 года до конца 2020 года уровень урбанизации Китая увеличился с 17,9% до 63,89%. Несмотря на то, что разрыв между урбанизацией Китая и развитых стран постепенно сокращается, быстрая урбанизация принесла множество проблем, включая ухудшение качества воздуха [1], загрязнение воды [2], эффект теплового острова [3,4], заторы на дорогах [5] и экологическое разрушение земель [6,7 ]. Чтобы оценить это, требуется глубокое понимание городской пространственной структуры. Пространственное распределение городских застроенных территорий имеет большое значение для научного управления окружающей средой и устойчивого экономического развития. На данном этапе не существует единого определения населенного пункта, однако «Стандарт основных данных для городского планирования» (GB / T50280-98) определяет застроенную территорию как территорию в пределах административного района города, которая разрабатывается и строится, и где доступны муниципальные утилиты и общественные объекты. Официальная статистика населенных пунктов обновляется медленно. Кроме того, статистические данные населенных пунктов ограничены цифрами, и информация о пространственном местоположении не публикуется. Это делает изучение застроенных территорий в городах очень трудным, несмотря на то, что это актуальная тема [8].
Снимки дистанционного зондирования в ночное время (NTL) основаны на данных, которые состоят из света, излучаемого такими объектами, как здания на земле, отснятого с течением времени [9]. Предыдущие исследования ограничивались одним источником ночного света для идентификации застроенных территорий и разграничения населенных пунктов с использованием трансформирующих порогов. Например, Саттон и др. [10] полагаются на личный субъективный опыт, чтобы установить пороговые значения для извлечения границ застройки областей в Соединенных Штатах. IMHOFF et al. [11] использует обнаружение мутаций для определения границ городской застройки в нескольких регионах Соединенных Штатов. Кроме того, метод сравнения статистических данных Milesi et al. [12] сравнивает данные с официально выпущенной городской застроенной территорией, устанавливая ряд пороговых значений: когда значение DN равно 50, разрыв между извлеченной городской застроенной площадью и статистическими данными является наименьшим. Shu et al. [13] использовали личный эмпирический метод, обнаружение мутаций и статистический метод сравнения данных для извлечения порога NTL для определения застроенной территории Шанхая. Относительно легко использовать единый источник данных для идентификации населенных пунктов. Однако из-за проблем низкого разрешения, светонасыщенности и эффекта цветения при использовании одного источника данных ночного освещения масштаб городской застройки всегда оценивается как больше, чем фактическая площадь застройки [14].
Чтобы решить проблемы, связанные с идентификацией застроенных территорий с использованием источников данных о ночном освещении, некоторые ученые попытались внедрить продукты изображений дистанционного зондирования в данные ночного освещения, чтобы повысить точность выделения границ застроенной территории и уменьшить эффект цветения данных ночного освещения. Для получения более точных результатов данные ночного освещения часто объединяются с наземными спутниковыми снимками дистанционного зондирования с высоким разрешением. Например, Deng et al. [15] использовали данные о ночном освещении и изображения дистанционного зондирования Гаофэнь-1 для получения высокоточной границы застроенной территории для уезда Юйчэн провинции Хэнань с использованием алгоритма классификации дерева решений. На основе изображений дистанционного зондирования Земли высокой четкости Sentinel-2A Liu et al. [16] предложили объединить нормализованные изображения дистанционного зондирования зданий с коррекцией здания с данными ночного освещения. Кроме того, Song et al. [16] объединили изображения дистанционного зондирования высокой четкости Google Earth с NTL для извлечения границ застроенной территории. Pandey et al. [17] объединили эффекты дистанционного зондирования SPOT-VGT с данными о ночном освещении для извлечения населенных пунктов в отдельных городах Индии. Однако в некоторых городах есть смешанные районы, содержащие голую землю и застроенные районы, и изображения этих пространств с высоким разрешением демонстрируют схожие спектральные характеристики. Это приводит к тому, что деление застроенных территорий является неточным. Кроме того, сбор данных начался недавно, поэтому невозможно проанализировать пространственно-временные изменения в городских застроенных районах за длительный период, а получение данных обходится дорого. Изображения с низким и средним разрешением, полученные с помощью дистанционного зондирования, широко используются в данных ночного освещения из-за их низкой стоимости получения, например, в продуктах Landsat. Landsat может быть использован для отражения природных факторов, в то время как численность растительности и характеристики NTL отрицательно коррелируют. Таким образом, они интегрируются в данные ночного освещения. Lu et al. [18] были первыми, кто построил индекс населенных пунктов (HSI) на основе данных ночного освещения и нормализованных данных вегетационного индекса. Кроме того, Liu et al. [19] на основе данных ночного освещения с использованием метода HSI сравнили данные с простым пороговым методом для получения наивысшей точности городских застроенных территорий. Zhang et al. [20] использовали нормализованный вегетационный индекс (NDVI) и NTL для построения VANUI для уменьшения насыщенности данных ночного освещения. Однако данные NDVI ограничены для идентификации городских голых почв и городских территорий. Liu et al. [21] использовали нормализованный разностный водный индекс (NDVI) для различения характеристик водных и неводных объектов, что может эффективно компенсировать недостатки HSI и VANUI. Затем они объединили расширенный вегетационный индекс (EVI) и NTL, чтобы создать NUACI, чтобы уменьшить насыщенность ночного освещения.
Приведенный выше метод основан на продуктах Landsat и MODIS для объединения данных о ночном освещении из естественной перспективы для извлечения населенных пунктов. Рост больших данных оказал значительное влияние на городскую географию. Все более распространенными становятся случаи, когда используется анализ больших данных [22]. Многие ученые применяют данные, характеризующие человеческую деятельность, такие как достопримечательности [23,24], данные дорожной сети [25,26] и данные социальных сетей [27,28], для идентификации городских застроенных районов. Данные о точках интереса (POI) в настоящее время широко используются для извлечения городских застроенных территорий в сочетании с данными NTL из-за богатой географической информации, которую они содержат. Исследования [29] показали, что данные POI могут компенсировать ограничения данных NTL с точки зрения пространственной детализации. После пересечения данных NTL и POI Zheng et al. [30] получили лучшую точность застроенной площади после операций морфологической коррозии и расширения, чем при использовании одного источника данных NTL или POI. Другой тип данных о дорожной сети, которые тесно связаны с хозяйственной деятельностью человека, также используются при десатурации NTL. Zheng et al. [31] впервые предложили включить данные дорожной сети в десатурацию NTL в 2018 году. Li et al. [29] использовали характеристики положительной корреляции между данными дорожной сети и данными ночного освещения, интегрировали данные дорожной сети в данные ночного освещения и использовали пороговый метод для извлечения границы застроенной территории Сюйчжоу, получая точные результаты. Кроме того, данные о миграции населения также используются в NTL для определения населенных пунктов. Например, Zhang et al. [32] использовали данные миграции Baidu и данные POI для пересмотра NTL и извлечения застроенной территории Гуанчжоу.
Использование одного источника ночных данных приводит к неточным результатам экстракции в населенных пунктах. В предыдущих исследованиях отсутствовала интеграция данных о ночном освещении с разных точек зрения. В этом исследовании мы ввели данные POI, EVI и LST в NTL. Данные NTL были включены в расширенный вегетационный индекс (ИЭУ); индекс HSI был улучшен с использованием расширенных данных о растительности; были введены POI больших данных для построения индекса HP; и HP index был введен в LST для построения индекса HPL. Таким образом, мы идентифицируем городские застроенные районы в шести районах Даляня из нескольких измерений. Это обеспечит исходную границу для рационального землепользования в застроенной территории Даляня в будущем. Кроме того, это окажет важную поддержку устойчивому экономическому развитию шести районов Даляня.
Основное внимание в этом исследовании уделялось следующим образом: (1) изучение характеристик пространственного распределения данных NTL после интеграции данных EVI, POI и LST; (2) изучить вопрос о том, повысилась ли точность NTL при идентификации населенных пунктов путем объединения данных из нескольких источников при использовании метода опорных векторов; (3) установить различия между NTL и HSI, HSI и HP, а также HP и HPL при определении границ застроенной территории.
2. Материалы и методы
2.1. Область исследования
Далянь расположен в южной части Ляодунского полуострова, в регионе средних широт. По данным национальной переписи, его постоянное население составляет около 7,45 миллиона человек. Под юрисдикцией города находятся 7 районов, 1 уезд и 2 города уездного уровня. По состоянию на конец 2020 года площадь лесонасаждений города составляла около 1333 гектаров. Далянь окружен морем с трех сторон: Желтым морем и Бохайским морем. На севере находятся Большая Черная гора и холмистая земля Хэншань. Район состоит из мозаики гор и моря. Сферой охвата данного исследования является диапазон районов городского планирования, выбранный в Мастер-соглашении города Далянь (2001–2020 гг.) (пересмотренном в 2017 г.), а именно шесть районов города Далянь (рис. 1): район Чжуншань, район Сиган, район Шахэкоу, район Ганьцзинцзы, район Люйшунь и район Цзиньчжоу. Общая площадь составляет 2521,26 квадратных километров. Среди них районы Чжуншань, Сиган, Шахэкоу и Гянцзинцзы являются основными городскими районами города Далянь.
2.2. Подготовка данных
Основные источники данных для этой статьи перечислены в (Таблица 1) и (Рисунок 2).
(1) Hu et al. [33] объединили данные NTL, демографические данные и данные о землепользовании, чтобы создать пошаговую регрессионную модель для получения распределения населения в Сычуани и Чунцине, и результаты показали, что корреляция между данными NPP-VIIRS и населением была сильнее, чем для данных DMSP-OLS. Таким образом, данные NPP-VIIRS были выбраны для данных ночного освещения в этой статье. Эти данные были получены из Национального центра геофизических данных США, который имеет более высокое разрешение радиометрических датчиков [34,35]. По сравнению с данными DMSP-OLS, перенасыщение металлическими отблесками не является проблемой. Данные с мая по август были исключены, потому что летний свет в глобальных регионах средних и высоких широт очень восприимчив к рассеянному свету, что приводит к нулевому ночному свету
Значения яркости для региона. Годовые данные NPP-VIIRS были синтезированы с использованием ежемесячных данных за 2020 год. Формула расчета следующая (1):
Во время реформ и открытости с 1978 года до конца 2020 года уровень урбанизации Китая увеличился с 17,9% до 63,89%. Несмотря на то, что разрыв между урбанизацией Китая и развитых стран постепенно сокращается, быстрая урбанизация принесла множество проблем, включая ухудшение качества воздуха [1], загрязнение воды [2], эффект теплового острова [3,4], заторы на дорогах [5] и экологическое разрушение земель [6,7 ]. Чтобы оценить это, требуется глубокое понимание городской пространственной структуры. Пространственное распределение городских застроенных территорий имеет большое значение для научного управления окружающей средой и устойчивого экономического развития. На данном этапе не существует единого определения населенного пункта, однако «Стандарт основных данных для городского планирования» (GB / T50280-98) определяет застроенную территорию как территорию в пределах административного района города, которая разрабатывается и строится, и где доступны муниципальные утилиты и общественные объекты. Официальная статистика населенных пунктов обновляется медленно. Кроме того, статистические данные населенных пунктов ограничены цифрами, и информация о пространственном местоположении не публикуется. Это делает изучение застроенных территорий в городах очень трудным, несмотря на то, что это актуальная тема [8].
Снимки дистанционного зондирования в ночное время (NTL) основаны на данных, которые состоят из света, излучаемого такими объектами, как здания на земле, отснятого с течением времени [9]. Предыдущие исследования ограничивались одним источником ночного света для идентификации застроенных территорий и разграничения населенных пунктов с использованием трансформирующих порогов. Например, Саттон и др. [10] полагаются на личный субъективный опыт, чтобы установить пороговые значения для извлечения границ застройки областей в Соединенных Штатах. IMHOFF et al. [11] использует обнаружение мутаций для определения границ городской застройки в нескольких регионах Соединенных Штатов. Кроме того, метод сравнения статистических данных Milesi et al. [12] сравнивает данные с официально выпущенной городской застроенной территорией, устанавливая ряд пороговых значений: когда значение DN равно 50, разрыв между извлеченной городской застроенной площадью и статистическими данными является наименьшим. Shu et al. [13] использовали личный эмпирический метод, обнаружение мутаций и статистический метод сравнения данных для извлечения порога NTL для определения застроенной территории Шанхая. Относительно легко использовать единый источник данных для идентификации населенных пунктов. Однако из-за проблем низкого разрешения, светонасыщенности и эффекта цветения при использовании одного источника данных ночного освещения масштаб городской застройки всегда оценивается как больше, чем фактическая площадь застройки [14].
Чтобы решить проблемы, связанные с идентификацией застроенных территорий с использованием источников данных о ночном освещении, некоторые ученые попытались внедрить продукты изображений дистанционного зондирования в данные ночного освещения, чтобы повысить точность выделения границ застроенной территории и уменьшить эффект цветения данных ночного освещения. Для получения более точных результатов данные ночного освещения часто объединяются с наземными спутниковыми снимками дистанционного зондирования с высоким разрешением. Например, Deng et al. [15] использовали данные о ночном освещении и изображения дистанционного зондирования Гаофэнь-1 для получения высокоточной границы застроенной территории для уезда Юйчэн провинции Хэнань с использованием алгоритма классификации дерева решений. На основе изображений дистанционного зондирования Земли высокой четкости Sentinel-2A Liu et al. [16] предложили объединить нормализованные изображения дистанционного зондирования зданий с коррекцией здания с данными ночного освещения. Кроме того, Song et al. [16] объединили изображения дистанционного зондирования высокой четкости Google Earth с NTL для извлечения границ застроенной территории. Pandey et al. [17] объединили эффекты дистанционного зондирования SPOT-VGT с данными о ночном освещении для извлечения населенных пунктов в отдельных городах Индии. Однако в некоторых городах есть смешанные районы, содержащие голую землю и застроенные районы, и изображения этих пространств с высоким разрешением демонстрируют схожие спектральные характеристики. Это приводит к тому, что деление застроенных территорий является неточным. Кроме того, сбор данных начался недавно, поэтому невозможно проанализировать пространственно-временные изменения в городских застроенных районах за длительный период, а получение данных обходится дорого. Изображения с низким и средним разрешением, полученные с помощью дистанционного зондирования, широко используются в данных ночного освещения из-за их низкой стоимости получения, например, в продуктах Landsat. Landsat может быть использован для отражения природных факторов, в то время как численность растительности и характеристики NTL отрицательно коррелируют. Таким образом, они интегрируются в данные ночного освещения. Lu et al. [18] были первыми, кто построил индекс населенных пунктов (HSI) на основе данных ночного освещения и нормализованных данных вегетационного индекса. Кроме того, Liu et al. [19] на основе данных ночного освещения с использованием метода HSI сравнили данные с простым пороговым методом для получения наивысшей точности городских застроенных территорий. Zhang et al. [20] использовали нормализованный вегетационный индекс (NDVI) и NTL для построения VANUI для уменьшения насыщенности данных ночного освещения. Однако данные NDVI ограничены для идентификации городских голых почв и городских территорий. Liu et al. [21] использовали нормализованный разностный водный индекс (NDVI) для различения характеристик водных и неводных объектов, что может эффективно компенсировать недостатки HSI и VANUI. Затем они объединили расширенный вегетационный индекс (EVI) и NTL, чтобы создать NUACI, чтобы уменьшить насыщенность ночного освещения.
Приведенный выше метод основан на продуктах Landsat и MODIS для объединения данных о ночном освещении из естественной перспективы для извлечения населенных пунктов. Рост больших данных оказал значительное влияние на городскую географию. Все более распространенными становятся случаи, когда используется анализ больших данных [22]. Многие ученые применяют данные, характеризующие человеческую деятельность, такие как достопримечательности [23,24], данные дорожной сети [25,26] и данные социальных сетей [27,28], для идентификации городских застроенных районов. Данные о точках интереса (POI) в настоящее время широко используются для извлечения городских застроенных территорий в сочетании с данными NTL из-за богатой географической информации, которую они содержат. Исследования [29] показали, что данные POI могут компенсировать ограничения данных NTL с точки зрения пространственной детализации. После пересечения данных NTL и POI Zheng et al. [30] получили лучшую точность застроенной площади после операций морфологической коррозии и расширения, чем при использовании одного источника данных NTL или POI. Другой тип данных о дорожной сети, которые тесно связаны с хозяйственной деятельностью человека, также используются при десатурации NTL. Zheng et al. [31] впервые предложили включить данные дорожной сети в десатурацию NTL в 2018 году. Li et al. [29] использовали характеристики положительной корреляции между данными дорожной сети и данными ночного освещения, интегрировали данные дорожной сети в данные ночного освещения и использовали пороговый метод для извлечения границы застроенной территории Сюйчжоу, получая точные результаты. Кроме того, данные о миграции населения также используются в NTL для определения населенных пунктов. Например, Zhang et al. [32] использовали данные миграции Baidu и данные POI для пересмотра NTL и извлечения застроенной территории Гуанчжоу.
Использование одного источника ночных данных приводит к неточным результатам экстракции в населенных пунктах. В предыдущих исследованиях отсутствовала интеграция данных о ночном освещении с разных точек зрения. В этом исследовании мы ввели данные POI, EVI и LST в NTL. Данные NTL были включены в расширенный вегетационный индекс (ИЭУ); индекс HSI был улучшен с использованием расширенных данных о растительности; были введены POI больших данных для построения индекса HP; и HP index был введен в LST для построения индекса HPL. Таким образом, мы идентифицируем городские застроенные районы в шести районах Даляня из нескольких измерений. Это обеспечит исходную границу для рационального землепользования в застроенной территории Даляня в будущем. Кроме того, это окажет важную поддержку устойчивому экономическому развитию шести районов Даляня.
Основное внимание в этом исследовании уделялось следующим образом: (1) изучение характеристик пространственного распределения данных NTL после интеграции данных EVI, POI и LST; (2) изучить вопрос о том, повысилась ли точность NTL при идентификации населенных пунктов путем объединения данных из нескольких источников при использовании метода опорных векторов; (3) установить различия между NTL и HSI, HSI и HP, а также HP и HPL при определении границ застроенной территории.
2. Материалы и методы
2.1. Область исследования
Далянь расположен в южной части Ляодунского полуострова, в регионе средних широт. По данным национальной переписи, его постоянное население составляет около 7,45 миллиона человек. Под юрисдикцией города находятся 7 районов, 1 уезд и 2 города уездного уровня. По состоянию на конец 2020 года площадь лесонасаждений города составляла около 1333 гектаров. Далянь окружен морем с трех сторон: Желтым морем и Бохайским морем. На севере находятся Большая Черная гора и холмистая земля Хэншань. Район состоит из мозаики гор и моря. Сферой охвата данного исследования является диапазон районов городского планирования, выбранный в Мастер-соглашении города Далянь (2001–2020 гг.) (пересмотренном в 2017 г.), а именно шесть районов города Далянь (рис. 1): район Чжуншань, район Сиган, район Шахэкоу, район Ганьцзинцзы, район Люйшунь и район Цзиньчжоу. Общая площадь составляет 2521,26 квадратных километров. Среди них районы Чжуншань, Сиган, Шахэкоу и Гянцзинцзы являются основными городскими районами города Далянь.
2.2. Подготовка данных
Основные источники данных для этой статьи перечислены в (Таблица 1) и (Рисунок 2).
(1) Hu et al. [33] объединили данные NTL, демографические данные и данные о землепользовании, чтобы создать пошаговую регрессионную модель для получения распределения населения в Сычуани и Чунцине, и результаты показали, что корреляция между данными NPP-VIIRS и населением была сильнее, чем для данных DMSP-OLS. Таким образом, данные NPP-VIIRS были выбраны для данных ночного освещения в этой статье. Эти данные были получены из Национального центра геофизических данных США, который имеет более высокое разрешение радиометрических датчиков [34,35]. По сравнению с данными DMSP-OLS, перенасыщение металлическими отблесками не является проблемой. Данные с мая по август были исключены, потому что летний свет в глобальных регионах средних и высоких широт очень восприимчив к рассеянному свету, что приводит к нулевому ночному свету
Значения яркости для региона. Годовые данные NPP-VIIRS были синтезированы с использованием ежемесячных данных за 2020 год. Формула расчета следующая (1):
где Ix - синтетические годовые данные, а Ly - ежемесячные данные соответствующего месяца; (Данные с мая по август были удалены). Тем не менее, данные NPP-VIIRS содержат многочисленные проблемы с шумом, поэтому процесс шумоподавления маскировки был выполнен с использованием официальных годовых данных VIIRS в США за 2015 год. Синтетические данные с шумоподавлением NPP-VIIRS для 2020 года были получены с использованием извлечения векторных данных области исследования.
(2) Данные EVI получены из MOD13Q1 и имеют временное разрешение 16 дней и 22 периода данных в году для среднегодового синтеза. Синтезированные данные. Результаты стабильны и менее подвержены влиянию экстремальных аномальных значений.
(3) Данные POI взяты из карты Gaode, предоставленной в 2020 году в официальном приложении. Время получения – декабрь 2020 года. Всего было просканировано 24 0 679 POI из общего числа 23 категорий POI в городе Далянь в 2020 году после очистки и проверки данных;
(4) Данные LST были получены путем инверсионных расчетов данных Landsat8 с использованием Google Cloud Computing Platform (Google Earth Engine, GEE), которая способна На хранение и обработку огромных массивов данных [36]. Временной диапазон был с 1 января 2020 года до 31 декабря 2020 года, а данные изображения с облаками были удалены. Итоговые данные были получены путем усреднения. Извлечение маски осуществлялось с использованием административных границ исследуемой территории.
(5) Изображение дистанционного зондирования Google HD с разрешением 0,6 м было получено в январе 2021. Все вышеперечисленные данные были спроецированы на WGS-UTM-1984 с равномерным разрешением 30 м.
(2) Данные EVI получены из MOD13Q1 и имеют временное разрешение 16 дней и 22 периода данных в году для среднегодового синтеза. Синтезированные данные. Результаты стабильны и менее подвержены влиянию экстремальных аномальных значений.
(3) Данные POI взяты из карты Gaode, предоставленной в 2020 году в официальном приложении. Время получения – декабрь 2020 года. Всего было просканировано 24 0 679 POI из общего числа 23 категорий POI в городе Далянь в 2020 году после очистки и проверки данных;
(4) Данные LST были получены путем инверсионных расчетов данных Landsat8 с использованием Google Cloud Computing Platform (Google Earth Engine, GEE), которая способна На хранение и обработку огромных массивов данных [36]. Временной диапазон был с 1 января 2020 года до 31 декабря 2020 года, а данные изображения с облаками были удалены. Итоговые данные были получены путем усреднения. Извлечение маски осуществлялось с использованием административных границ исследуемой территории.
(5) Изображение дистанционного зондирования Google HD с разрешением 0,6 м было получено в январе 2021. Все вышеперечисленные данные были спроецированы на WGS-UTM-1984 с равномерным разрешением 30 м.
Рисунок 1. Обзор исследуемой территории.
Рисунок 2. Экспериментальные данные: а) данные о ночном освещении NPP-VIIRS; b) данные EVI; c) номер POI; d) данные LST.
2.3. Метод
2.3.1. Порог пропускной способности для оценки плотности ядра POI
Метод оценки плотности ядра оценивает плотность элементов функциональных точек в окружающей окрестности, используя плотность ядра, которая является методом высококачественной оценки плотности
2.3.1. Порог пропускной способности для оценки плотности ядра POI
Метод оценки плотности ядра оценивает плотность элементов функциональных точек в окружающей окрестности, используя плотность ядра, которая является методом высококачественной оценки плотности
где Pi - расчетное значение точки оценки I; h - ширина регулярной окрестности вокруг точки исследуемого объекта j; h — ширина регулярной окрестности вокруг точки исследуемого объекта j, т.е. полоса пропускания; n - количество точек выборки в полосе пропускания; Dij - расстояние между оцениваемой точкой и объектом исследования j; Wj - вес объекта исследования
Таблица 1. Показывает данные для категорий, упомянутых выше.
2.3.2. HSI, HSI и POI, HSI и POI, а также построение индекса LST
Идентификация городских застроенных территорий ограничивается только одной перспективой, что неизбежно приведет к тому, что результаты идентификации будут необъективными [32,38]. Поэтому в данном исследовании мы построили индексы HSI, HSI и POI, а также HSI и POI и LST для сравнительного анализа городских застроенных территорий.
(1) Построение индекса HSI. HSI - это доля населенных пунктов на единицу изображения. Это может характеризовать подходящее пространство для проживания существующего населения и используется для отражения плотности населения. Данные NPP-VIIRS отражают интенсивность регионального освещения в ночное время: чем ярче свет [39], тем более сконцентрировано население в зоне распространения. Тем не менее, данные NDVI склонны к насыщению, особенно в районах с высоким растительным покровом, что затрудняет NDVI устранение фонового шума почвы. EVI решает эту проблему с помощью скорректированного на почву вегетационного индекса для уменьшения влияния почвенного фона и уменьшения погрешности, вызванной атмосферным или вегетационном ростом, который возникает реже, чем при использовании NDVI [40]. Поэтому формула HSI была усовершенствована. После нормализации данных о ночном освещении формула будет выглядеть следующим образом:
Идентификация городских застроенных территорий ограничивается только одной перспективой, что неизбежно приведет к тому, что результаты идентификации будут необъективными [32,38]. Поэтому в данном исследовании мы построили индексы HSI, HSI и POI, а также HSI и POI и LST для сравнительного анализа городских застроенных территорий.
(1) Построение индекса HSI. HSI - это доля населенных пунктов на единицу изображения. Это может характеризовать подходящее пространство для проживания существующего населения и используется для отражения плотности населения. Данные NPP-VIIRS отражают интенсивность регионального освещения в ночное время: чем ярче свет [39], тем более сконцентрировано население в зоне распространения. Тем не менее, данные NDVI склонны к насыщению, особенно в районах с высоким растительным покровом, что затрудняет NDVI устранение фонового шума почвы. EVI решает эту проблему с помощью скорректированного на почву вегетационного индекса для уменьшения влияния почвенного фона и уменьшения погрешности, вызванной атмосферным или вегетационном ростом, который возникает реже, чем при использовании NDVI [40]. Поэтому формула HSI была усовершенствована. После нормализации данных о ночном освещении формула будет выглядеть следующим образом:
где NTL nor — нормализованное значение ночного освещения, NTL max — максимальный индекс ночной освещенности, а NTLmin — минимальный индекс ночной освещенности.
Формула расчета HSI выглядит следующим образом:
Формула расчета HSI выглядит следующим образом:
(2) Построение индекса HP. Пространственное разрешение NPP-VIIRS и растровых данных EVI низкое. Поэтому в этом исследовании мы ввели векторные данные POI для интеграции индекса HSI. Это улучшило низкое разрешение растровых данных и точность извлечения городских застроенных территорий, поскольку включало точную информацию о местоположении и характеристиках POI. Сами данные POI демонстрируют определенную стабильность и достоверность. Точность извлечения застроенной площади может быть дополнительно улучшена за счет удаления шума от освещения в ночное время [41]. Поскольку существует большая разница в величине между индексом HSI и плотностью ядра POI, вышеупомянутые два типа данных необходимо нормализовать, чтобы унифицировать данные разной величины под одним порядком. Это дает возможность использовать различные типы данных и необходимо для того, чтобы избежать больших ошибок в результатах эксперимента. Нормализация
Формула выглядит следующим образом:
Формула выглядит следующим образом:
где X 0 — нормализованное значение, min(X) — минимальное значение, max(X) — максимальное значение.
Среднее геометрическое в основном использовалось для слияния изображений в предыдущих исследованиях, потому что оно может устранить эффект, вызванный экстремальными изображениями при их слиянии. Кроме того, это позволяет в приличной степени сохранить исходную информацию об изображении [42,43]. Таким образом, для построения НР был использован метод среднего геометрического значения.
Композитный индекс HP и индекс HPL были построены с использованием метода среднего геометрического значения. Формула расчета следующая:
Среднее геометрическое в основном использовалось для слияния изображений в предыдущих исследованиях, потому что оно может устранить эффект, вызванный экстремальными изображениями при их слиянии. Кроме того, это позволяет в приличной степени сохранить исходную информацию об изображении [42,43]. Таким образом, для построения НР был использован метод среднего геометрического значения.
Композитный индекс HP и индекс HPL были построены с использованием метода среднего геометрического значения. Формула расчета следующая:
где HP — нормализованное значение HP в точке I, а P — нормализованное значение плотности ядра POI в точке i.
(3) Построение индекса HPL. HSI характеризует фактическую информацию о распределении населения в застроенной зоне, POI отражает социально-экономические факторы и муниципальные коммунальные службы города, а LST отражает повышение температуры поверхности в связи с непрерывным развитием застроенных территорий в городе. Поэтому LST был введен в построение индекса HSI_POI.
(3) Построение индекса HPL. HSI характеризует фактическую информацию о распределении населения в застроенной зоне, POI отражает социально-экономические факторы и муниципальные коммунальные службы города, а LST отражает повышение температуры поверхности в связи с непрерывным развитием застроенных территорий в городе. Поэтому LST был введен в построение индекса HSI_POI.
где HSI — нормализованное значение HPL в точке i, P i — нормализованное значение плотности ядра POI в точке i, а LST — нормализованное значение LST в точке i.
2.3.3. Контролируемая классификация на основе SVM для выделения населенных пунктов
Метод опорных векторов (SVM) — метод определения класса неизвестных элементов изображения с помощью полевой съемки или визуальной интерпретации [44]. SVM — это мощный алгоритм машинного обучения, который стабилен, прост в использовании и минимизирует структурные риски. После радиометеорологической калибровки и атмосферной коррекции данных Landsat8 в ENVI создается область интереса. Методом опорных векторов были определены четыре типа участков: населенные пункты, голые земли, водные объекты и растительность. Все они имели разделение образцов 1,86 или выше. Реклассификация была выполнена в ArcGIS, чтобы классифицировать всю голую почву, растительность и водоемы как незастроенные районы.
2.4. Оценка точности
Поскольку протяженность городских застроенных территорий не представлена фиксированной границей, точно рассчитать это в полевых условиях также невозможно [32]. Таким образом, в исследовании использовался метод классификации под наблюдением SVM для идентификации городских населенных пунктов с использованием визуальной интерпретации данных изображений дистанционного зондирования Земли Landsat 8. В общей сложности было сгенерировано 1000 точек выборки в шести районах, чтобы избежать случайности в полученных данных. Расстояние между каждой случайной точкой всегда было больше 5 м. Используя изображения дистанционного зондирования Google с разрешением 0,6 м еще раз для визуального суждения, 250 точек были оценены в городской физической зоне и 750 точек были сгенерированы в негородской зоне (рис. 3). Слои были классифицированы для создания точек интереса, и для оценки экспериментальных результатов была построена матрица. В этой работе для оценки точности застроенных территорий использовались два метрики, т.е. общая точность (OA) и коэффициент каппа. Формула расчета следующая:
2.3.3. Контролируемая классификация на основе SVM для выделения населенных пунктов
Метод опорных векторов (SVM) — метод определения класса неизвестных элементов изображения с помощью полевой съемки или визуальной интерпретации [44]. SVM — это мощный алгоритм машинного обучения, который стабилен, прост в использовании и минимизирует структурные риски. После радиометеорологической калибровки и атмосферной коррекции данных Landsat8 в ENVI создается область интереса. Методом опорных векторов были определены четыре типа участков: населенные пункты, голые земли, водные объекты и растительность. Все они имели разделение образцов 1,86 или выше. Реклассификация была выполнена в ArcGIS, чтобы классифицировать всю голую почву, растительность и водоемы как незастроенные районы.
2.4. Оценка точности
Поскольку протяженность городских застроенных территорий не представлена фиксированной границей, точно рассчитать это в полевых условиях также невозможно [32]. Таким образом, в исследовании использовался метод классификации под наблюдением SVM для идентификации городских населенных пунктов с использованием визуальной интерпретации данных изображений дистанционного зондирования Земли Landsat 8. В общей сложности было сгенерировано 1000 точек выборки в шести районах, чтобы избежать случайности в полученных данных. Расстояние между каждой случайной точкой всегда было больше 5 м. Используя изображения дистанционного зондирования Google с разрешением 0,6 м еще раз для визуального суждения, 250 точек были оценены в городской физической зоне и 750 точек были сгенерированы в негородской зоне (рис. 3). Слои были классифицированы для создания точек интереса, и для оценки экспериментальных результатов была построена матрица. В этой работе для оценки точности застроенных территорий использовались два метрики, т.е. общая точность (OA) и коэффициент каппа. Формула расчета следующая:
где Po — общая точность классификации, Tr — количество правильно классифицированных пикселей, а N — общее количество пикселей в исследуемой области.
где K обозначает коэффициент каппа, P o представляет общую точность классификации, а Pe обозначает ожидаемую согласованность, когда двум аннотаторам случайным образом присваиваются метки.
В этом исследовании EVI, POI, NTL и LST объединяются для построения индексов NTL, HSI, HP и HPL. Городские застроенные территории были удалены методом опорных векторов, а застроенные площади каждого земельного участка 2023 года были извлечены из индексов для сравнительного анализа. Экспериментальный поток показан на рисунке 4.
В этом исследовании EVI, POI, NTL и LST объединяются для построения индексов NTL, HSI, HP и HPL. Городские застроенные территории были удалены методом опорных векторов, а застроенные площади каждого земельного участка 2023 года были извлечены из индексов для сравнительного анализа. Экспериментальный поток показан на рисунке 4.
Рисунок 3. Проверка случайной точки на исследуемой територии.
Рисунок 4. Технологическая схема исследования.
3. Результаты
Объединение данных дистанционного зондирования из нескольких источников и данных NTL может смягчить эффект цветения NTL. Данные EVI и LST могут показать снижение растительности и температуры поверхности от центра городской застройки наружу. Плотность POI, с другой стороны, показывает непрерывное снижение от центра городской застройки к периферии с экономической точки зрения. Интегрируя данные EVI, LST и POI в NTL и составляя индекс HPI с учетом природных, экономических и демографических характеристик, данные о ночном освещении могут быть скорректированы как с естественной, так и с экономической точек зрения.
3.1. Анализ результатов определения плотности ядра POI
Выбор полосы пропускания плотности ядра POI повлияет на результаты по-разному [37]. Это относится к предыдущим исследованиям [45], в этой статье для сравнения были выбраны три полосы пропускания плотности ядер (рис. 5). При использовании полосы пропускания 1000 м пространственное распределение плотности зарождения POI было рассеянным, и было больше внутренних пустот, что не способствует общему анализу плотности зарождения. При использовании полосы пропускания плотности зарождения 1500 м количество отверстий в области с меньшей плотностью зарождения было значительно уменьшено. Когда использовалась полоса пропускания плотности зарождения 2000 м, пространство карты плотности зарождения POI было слишком гладким, и фактическая ситуация не отражалась по краям. Поэтому для данного исследования мы выбрали полосу пропускания 1500 м.
Объединение данных дистанционного зондирования из нескольких источников и данных NTL может смягчить эффект цветения NTL. Данные EVI и LST могут показать снижение растительности и температуры поверхности от центра городской застройки наружу. Плотность POI, с другой стороны, показывает непрерывное снижение от центра городской застройки к периферии с экономической точки зрения. Интегрируя данные EVI, LST и POI в NTL и составляя индекс HPI с учетом природных, экономических и демографических характеристик, данные о ночном освещении могут быть скорректированы как с естественной, так и с экономической точек зрения.
3.1. Анализ результатов определения плотности ядра POI
Выбор полосы пропускания плотности ядра POI повлияет на результаты по-разному [37]. Это относится к предыдущим исследованиям [45], в этой статье для сравнения были выбраны три полосы пропускания плотности ядер (рис. 5). При использовании полосы пропускания 1000 м пространственное распределение плотности зарождения POI было рассеянным, и было больше внутренних пустот, что не способствует общему анализу плотности зарождения. При использовании полосы пропускания плотности зарождения 1500 м количество отверстий в области с меньшей плотностью зарождения было значительно уменьшено. Когда использовалась полоса пропускания плотности зарождения 2000 м, пространство карты плотности зарождения POI было слишком гладким, и фактическая ситуация не отражалась по краям. Поэтому для данного исследования мы выбрали полосу пропускания 1500 м.
Рисунок 5. Результаты оценки плотности ядра для различных случаев полосы пропускания.
3.2. Характеристики пространственного распределения NPP-VIIRS, HSI, HP и HPL.
На рисунке 6 показано пространственное распределение индексов NPP-VIIRS, HSI, HP и HPL. Красным цветом обозначен район с высокой ценностью, который отражает высокую плотность населения в определенном районе, тесную связь экономической деятельности и преобладающую непроницаемую поверхность почвенного покрова. Зеленый цвет указывает на малоценный район, который в основном представляет собой районы с низкой плотностью населения, большим растительным покровом, менее связанной экономической деятельностью и в основном непроницаемыми поверхностями.
Ценные районы в основном сосредоточены к западу от площади Чжуншань в районе Чжуншань, в середине района Сиган и к востоку от района Шахекоу. Кроме того, ценные районы также появляются вблизи крупных транспортных узлов, включая район Ганьцзинцзы, Даляньский международный аэропорт Чжоушуйцзы, Северный вокзал Даляня, железнодорожный вокзал Далянь и другие транспортные узлы, такие как район Цзиньчжоу. Высокие значения индекса в основном распространены в северной и южной частях города Цзиньчжоу, причем в южной части города расположены Даляньский университет искусств, Даляньский университет национальностей и несколько торговых центров. Самые высокие значения в районе Лушунь находятся рядом с автобусной станцией Лушункоу. Есть также несколько небольших участков с высокой стоимостью, расположенных вдали от городской застройки.
Используя изображения Google HD для сравнения, мы обнаружили, что к ним относятся Международный деловой район Сяо Яо Ван в районе Цзюньчжоу, район Нового города Тайшань на западе Лушуня и район нового города Шуйшиин на севере. Эти выводы согласуются с ключевыми направлениями развития, определенными в Генеральном плане города Далянь (2001-2020 годы) (пересмотрен в 2017 году). Это указывает на то, что в этих районах наблюдаются значительные улучшения в отношении плотности населения, строительства инфраструктуры и городского развития по сравнению с прилегающими районами. Эти районы с высокой ценностью расположены в вышеупомянутых районах, главным образом потому, что в этом районе есть несколько торговых районов, торговый район Xiangxu Reef и торговый район China Road. В этих торговых районах расположено множество крупных торговых центров, и они стимулируют экономическое развитие прилегающих районов. Районы Чжуншань, Сиган и Шахекоу являются наиболее густонаселенными районами Даляня, и, согласно данным Седьмой национальной переписи населения 2020 года, плотность населения района Чжуншань составила 9184 человек на квадратный километр, района Сиган - 11643 человек на квадратный километр, а также района Шахекоу составляло 17876 человек на квадратный километр. Население распределено плотно, и в главном городском районе есть железнодорожные вокзалы, автовокзалы и аэропорты. Эти районы отличаются плотной дорожной сетью, хорошо развитой инфраструктурой и удобными условиями для передвижения. Помимо привлечения местных жителей к трате денег, каждый год большое количество иностранных туристов приезжает за покупками.
На рисунке 6 показано пространственное распределение индексов NPP-VIIRS, HSI, HP и HPL. Красным цветом обозначен район с высокой ценностью, который отражает высокую плотность населения в определенном районе, тесную связь экономической деятельности и преобладающую непроницаемую поверхность почвенного покрова. Зеленый цвет указывает на малоценный район, который в основном представляет собой районы с низкой плотностью населения, большим растительным покровом, менее связанной экономической деятельностью и в основном непроницаемыми поверхностями.
Ценные районы в основном сосредоточены к западу от площади Чжуншань в районе Чжуншань, в середине района Сиган и к востоку от района Шахекоу. Кроме того, ценные районы также появляются вблизи крупных транспортных узлов, включая район Ганьцзинцзы, Даляньский международный аэропорт Чжоушуйцзы, Северный вокзал Даляня, железнодорожный вокзал Далянь и другие транспортные узлы, такие как район Цзиньчжоу. Высокие значения индекса в основном распространены в северной и южной частях города Цзиньчжоу, причем в южной части города расположены Даляньский университет искусств, Даляньский университет национальностей и несколько торговых центров. Самые высокие значения в районе Лушунь находятся рядом с автобусной станцией Лушункоу. Есть также несколько небольших участков с высокой стоимостью, расположенных вдали от городской застройки.
Используя изображения Google HD для сравнения, мы обнаружили, что к ним относятся Международный деловой район Сяо Яо Ван в районе Цзюньчжоу, район Нового города Тайшань на западе Лушуня и район нового города Шуйшиин на севере. Эти выводы согласуются с ключевыми направлениями развития, определенными в Генеральном плане города Далянь (2001-2020 годы) (пересмотрен в 2017 году). Это указывает на то, что в этих районах наблюдаются значительные улучшения в отношении плотности населения, строительства инфраструктуры и городского развития по сравнению с прилегающими районами. Эти районы с высокой ценностью расположены в вышеупомянутых районах, главным образом потому, что в этом районе есть несколько торговых районов, торговый район Xiangxu Reef и торговый район China Road. В этих торговых районах расположено множество крупных торговых центров, и они стимулируют экономическое развитие прилегающих районов. Районы Чжуншань, Сиган и Шахекоу являются наиболее густонаселенными районами Даляня, и, согласно данным Седьмой национальной переписи населения 2020 года, плотность населения района Чжуншань составила 9184 человек на квадратный километр, района Сиган - 11643 человек на квадратный километр, а также района Шахекоу составляло 17876 человек на квадратный километр. Население распределено плотно, и в главном городском районе есть железнодорожные вокзалы, автовокзалы и аэропорты. Эти районы отличаются плотной дорожной сетью, хорошо развитой инфраструктурой и удобными условиями для передвижения. Помимо привлечения местных жителей к трате денег, каждый год большое количество иностранных туристов приезжает за покупками.
Рисунок 6. Изображения пространственного распределения NPP-VIIRS, HSI, HP и HPL в выбранных районах шести районов Даляня: a) район Чжуншань; b) район Сиган; c) район Шахекоу; d) район Ганьцзинцзы; e) район Лушункоу; f) район Цзиньчжоу
Однако пространственные распределения, предоставленные NPP-VIIRS, HSI, HP и HPL в шести районах города Далянь, немного отличались, и изображения NPP-VIIRS демонстрировали очевидный "побочный эффект", особенно в районах Чжуншань, Сиган и Шахекоу, где изображения казались размытыми. В основном это было связано с низким пространственным разрешением изображений NPP-VIIRS. Например, детали пространственной текстуры на HSI изображениях значительно лучше, чем на изображениях NPP-VIIRS, что в основном связано с настройкой NTL с использованием индекса EVI. Изображения HPL наследуют преимущества изображений HSI и HP, а внедрение данных LST добавило пространственные детали по сравнению с изображениями HP. Кроме того, он улучшил местную информацию о дорогах, идентифицированную HP, например, в районах Лу Шунькоу и Цзиньчжоу.
3.3. Визуальная интерпретация для извлечения городских застроенных территорий
Индексы NPP-VIIRS, HSI, HP и HPL сравнивались с результатами классификации Landsat8 несколько раз, и были искусственно установлены множественные пороговые значения с 1000 точками для расчета матрицы путаницы. В таблице 2 показаны значения ОА и каппа границ извлеченных городских застроенных территорий по различным источникам данных. NPP-VIIRS достиг оптимальной общей классификационной точности 88,81% и коэффициента каппа 0,67 при пороговом значении 9. Когда пороговое значение превышало 9, коэффициенты ОА и каппа демонстрировали тенденцию к медленному снижению. Общая точность и значения каппа не улучшились по сравнению с NPP-VIIRS, поскольку HSI имел тенденцию смешивать большие площади голого грунта с городскими застроенными районами, что приводило к снижению точности при определении застроенных территорий. После включения данных POI в HSI общая точность и коэффициент каппа достигли максимального значения 90,01% и 0,72 соответственно, когда пороговое значение составляло 0,02, в то время как OA и каппа уменьшались по мере увеличения порогового значения выше 0,02. Наилучшая общая точность и коэффициент каппа для индекса HPL с объединенными данными из нескольких источников составили 91,41% и 0,77 соответственно при пороговом значении 0,05. Кроме того, общая точность классификации поддерживалась выше 80% с увеличением порогового значения. Коэффициент каппа медленно снижался по сравнению с индексом HP.
3.3. Визуальная интерпретация для извлечения городских застроенных территорий
Индексы NPP-VIIRS, HSI, HP и HPL сравнивались с результатами классификации Landsat8 несколько раз, и были искусственно установлены множественные пороговые значения с 1000 точками для расчета матрицы путаницы. В таблице 2 показаны значения ОА и каппа границ извлеченных городских застроенных территорий по различным источникам данных. NPP-VIIRS достиг оптимальной общей классификационной точности 88,81% и коэффициента каппа 0,67 при пороговом значении 9. Когда пороговое значение превышало 9, коэффициенты ОА и каппа демонстрировали тенденцию к медленному снижению. Общая точность и значения каппа не улучшились по сравнению с NPP-VIIRS, поскольку HSI имел тенденцию смешивать большие площади голого грунта с городскими застроенными районами, что приводило к снижению точности при определении застроенных территорий. После включения данных POI в HSI общая точность и коэффициент каппа достигли максимального значения 90,01% и 0,72 соответственно, когда пороговое значение составляло 0,02, в то время как OA и каппа уменьшались по мере увеличения порогового значения выше 0,02. Наилучшая общая точность и коэффициент каппа для индекса HPL с объединенными данными из нескольких источников составили 91,41% и 0,77 соответственно при пороговом значении 0,05. Кроме того, общая точность классификации поддерживалась выше 80% с увеличением порогового значения. Коэффициент каппа медленно снижался по сравнению с индексом HP.
Таблица 2. Значения HSI, HP и HPL индексов ОА и каппа.
3.4. Сравнительный анализ границ застроенных территорий
Для построения границ городской застроенной территории использовались пороговые значения NPP-VII RS, HSI, HP и HSI, когда были получены наилучшие общие классификационные точности и коэффициенты каппа. Кроме того, для сравнения были проанализированы NPP-VIIRS с HSI, HSI с HP и HP с HPL. В таблице 2 приведены значения ОА и каппа при оптимальных пороговых значениях индексов NPP-VIIRS, HSI, HP и HPL.
3.4.1. Сравнительный анализ по результатам NPP-VIIRS и индекса HSI
Границы, выделенные с помощью NPP-VIIRS с коэффициентом 9, сравнивались с границами, выделенными с помощью HSI с пороговым значением 0,85. На рисунке 7 показаны населенные пункты, выявленные NPP-VIIRS. Он имеет отчетливую зубчатую форму, и вдали от участков застроенных территорий были выявлены лишь небольшие застроенные районы. Напротив, участки застроенной территории, идентифицированные с использованием индекса HSI, фрагментированы и мелкозернисты и демонстрируют отсутствие согласованности по сравнению с изображением NPP-VIIRS. Тем не менее, сложность кромок застроенной зоны HSI увеличилась, демонстрируя более высокую детализацию кромки. Например, в юго-восточной части района Чжуншань HSI лучше определил застроенные территории и растительность по сравнению с NPP-VIIRS. Если в городской местности было много голой почвы, следует избегать метода индекса HSI, поскольку он может ошибочно принять участки с голой почвой за застроенные районы.
3.4.2. Сравнительный анализ по результатам индекса HSI и HP
Извлеченная граница с порогом HSI, равным 0,85, сравнивалась с извлеченной границей с порогом HP 0,02. HSI индекс извлекал городские застроенные районы с испорченными внутренними деталями и множеством отверстий разного размера. Они не соответствуют определению населенных пунктов, упомянутому в предыдущем разделе. Метод индекса HP хорошо решал эти проблемы, и он мог извлекать застроенные площади во фрагментарном распределении с хорошей целостностью. Разница между городскими застроенными районами, извлеченными с использованием индекса HSI, и результатами, извлеченными с использованием индекса HP, была большой (рис. 8), и после сравнения карт Google было обнаружено, что большинство различий было в прибрежных районах, таких как северо-запад и север района Гянцзинцзы в основной городской зоне - к западу и северу от района Цзиньчжоу и к западу от района Люшунькоу, т.е., в основном илистые отмели, фермы с морской водой, соляные фермы, голая почва и зона свободной торговли Далянь Даяовань. Эти районы характеризуются высокой интенсивностью освещения в ночное время и отсутствием растительного покрова на почвенном покрове. Таким образом, индекс HSI определил их как городские застроенные районы. Повышенный вегетационный индекс с трудом отличает голую почву от городских застроенных районов. Поэтому точность границы застроенной территории, выделенной с помощью HSI, была ниже, чем у NPP-VIIRS.
3.4.3. Сравнительный анализ по результатам индекса HP и индекса HPL
Границы, извлеченные при пороге HP 0,02, сравнивались с границами, извлеченными при пороге HPL, равном 0,05. Некоторые различия существуют для локальных районов, как показано на рисунке 9. Выделялись три основные категории районов. Если взять в качестве репрезентативной территории промышленный парк класса А, то площадь застройки, идентифицированная по индексу HP, была крайне мала. После сравнения с Google Maps было обнаружено, что индекс HPL способен идентифицировать ряд наземных зданий. В зоне А расположено более десяти заводов и пять жилых комплексов, распределенных по всему индустриальному парку, с некоторыми вспомогательными удобными объектами. Кроме того, в западной части улицы Инчэнцзы в районе Гань цзинцзы застроенная территория, идентифицированная с использованием индекса HPL, имела форму кластера, а индекс HPL не идентифицировал область. В ходе полевого расследования было установлено, что этот район является центром для образовательных учреждений, таких как Даляньский океанский университет и Ляонинский полицейский колледж. Тем не менее, количество POI в вышеуказанных областях невелико. Индустриальные парки, жилые районы, места сбора университетов покрыты укрепленными дорогами со зданиями, поэтому этот район должен был быть определен как городская застройка.
Для построения границ городской застроенной территории использовались пороговые значения NPP-VII RS, HSI, HP и HSI, когда были получены наилучшие общие классификационные точности и коэффициенты каппа. Кроме того, для сравнения были проанализированы NPP-VIIRS с HSI, HSI с HP и HP с HPL. В таблице 2 приведены значения ОА и каппа при оптимальных пороговых значениях индексов NPP-VIIRS, HSI, HP и HPL.
3.4.1. Сравнительный анализ по результатам NPP-VIIRS и индекса HSI
Границы, выделенные с помощью NPP-VIIRS с коэффициентом 9, сравнивались с границами, выделенными с помощью HSI с пороговым значением 0,85. На рисунке 7 показаны населенные пункты, выявленные NPP-VIIRS. Он имеет отчетливую зубчатую форму, и вдали от участков застроенных территорий были выявлены лишь небольшие застроенные районы. Напротив, участки застроенной территории, идентифицированные с использованием индекса HSI, фрагментированы и мелкозернисты и демонстрируют отсутствие согласованности по сравнению с изображением NPP-VIIRS. Тем не менее, сложность кромок застроенной зоны HSI увеличилась, демонстрируя более высокую детализацию кромки. Например, в юго-восточной части района Чжуншань HSI лучше определил застроенные территории и растительность по сравнению с NPP-VIIRS. Если в городской местности было много голой почвы, следует избегать метода индекса HSI, поскольку он может ошибочно принять участки с голой почвой за застроенные районы.
3.4.2. Сравнительный анализ по результатам индекса HSI и HP
Извлеченная граница с порогом HSI, равным 0,85, сравнивалась с извлеченной границей с порогом HP 0,02. HSI индекс извлекал городские застроенные районы с испорченными внутренними деталями и множеством отверстий разного размера. Они не соответствуют определению населенных пунктов, упомянутому в предыдущем разделе. Метод индекса HP хорошо решал эти проблемы, и он мог извлекать застроенные площади во фрагментарном распределении с хорошей целостностью. Разница между городскими застроенными районами, извлеченными с использованием индекса HSI, и результатами, извлеченными с использованием индекса HP, была большой (рис. 8), и после сравнения карт Google было обнаружено, что большинство различий было в прибрежных районах, таких как северо-запад и север района Гянцзинцзы в основной городской зоне - к западу и северу от района Цзиньчжоу и к западу от района Люшунькоу, т.е., в основном илистые отмели, фермы с морской водой, соляные фермы, голая почва и зона свободной торговли Далянь Даяовань. Эти районы характеризуются высокой интенсивностью освещения в ночное время и отсутствием растительного покрова на почвенном покрове. Таким образом, индекс HSI определил их как городские застроенные районы. Повышенный вегетационный индекс с трудом отличает голую почву от городских застроенных районов. Поэтому точность границы застроенной территории, выделенной с помощью HSI, была ниже, чем у NPP-VIIRS.
3.4.3. Сравнительный анализ по результатам индекса HP и индекса HPL
Границы, извлеченные при пороге HP 0,02, сравнивались с границами, извлеченными при пороге HPL, равном 0,05. Некоторые различия существуют для локальных районов, как показано на рисунке 9. Выделялись три основные категории районов. Если взять в качестве репрезентативной территории промышленный парк класса А, то площадь застройки, идентифицированная по индексу HP, была крайне мала. После сравнения с Google Maps было обнаружено, что индекс HPL способен идентифицировать ряд наземных зданий. В зоне А расположено более десяти заводов и пять жилых комплексов, распределенных по всему индустриальному парку, с некоторыми вспомогательными удобными объектами. Кроме того, в западной части улицы Инчэнцзы в районе Гань цзинцзы застроенная территория, идентифицированная с использованием индекса HPL, имела форму кластера, а индекс HPL не идентифицировал область. В ходе полевого расследования было установлено, что этот район является центром для образовательных учреждений, таких как Даляньский океанский университет и Ляонинский полицейский колледж. Тем не менее, количество POI в вышеуказанных областях невелико. Индустриальные парки, жилые районы, места сбора университетов покрыты укрепленными дорогами со зданиями, поэтому этот район должен был быть определен как городская застройка.
Рисунок 7. Сравнение границ застроенных площадей с использованием NPP-VIIRS и HSI.
Рисунок 8. Сравнение границ городской застройки, извлеченных с использованием индексов HSI и HP.
Зона В - это зона свободной торговли Даяован, в которой в основном расположены нефтехимические компании и один тип POI. Таким образом, значение ядерной плотности на этом участке было низким по сравнению с другими районами, и индекс HP не идентифицировал его как район городской застройки. Аналогичная ситуация наблюдалась и в зоне С, которая включает в себя несколько нефтехимических компаний, низкий уровень растительности на поверхности и множество дорог с твердым покрытием, а также крупные заводы и химическое оборудование под открытым небом в этом районе. Этот район находится в непосредственной близости от застроенной территории и тесно связан с окружающими населенными пунктами, поэтому он также был определен как городской застроенный район.
Районы D и E расположены на стыке городских и сельских районов. После полевого обследования было установлено, что зона D в основном состоит из логистической компании, а зона Е в основном является промышленным парком с относительно полным комплексом транспортных средств и производственных мощностей. В этом районе есть несколько строительных сообществ, хотя количество типов POI уменьшается по сравнению с количеством в центре города. В зоне E, расположенной на северо-западе Ганьцзинцзы, диапазон, определяемый индексом HPI, больше, чем индекс HP, и количество типов POI было значительно сокращено по сравнению с городским центром. В этом районе расположено несколько жилых массивов, и дороги внутри него достаточно плотные, чтобы удовлетворить ежедневные потребности жителей в передвижении. Высокие значения HSI в обоих районах указывали на высокую плотность населения, а данные о температуре поверхности были значительно выше, чем в прилегающих районах, поэтому эти районы также были классифицированы как районы городской застройки.
После анализа было обнаружено, что детали границ городской застройки, определенные с использованием индекса HPL, были точно отображены, в основном показывая детали границ городского объекта, в то время как граница городской застройки, определенная с использованием индекса HP, была слишком гладкой. Для определенных застроенных районов, удаленных от центра города, где есть много промышленных парков, охраняемых территорий и городско-сельских районов, следует использовать индекс HPL.
Районы D и E расположены на стыке городских и сельских районов. После полевого обследования было установлено, что зона D в основном состоит из логистической компании, а зона Е в основном является промышленным парком с относительно полным комплексом транспортных средств и производственных мощностей. В этом районе есть несколько строительных сообществ, хотя количество типов POI уменьшается по сравнению с количеством в центре города. В зоне E, расположенной на северо-западе Ганьцзинцзы, диапазон, определяемый индексом HPI, больше, чем индекс HP, и количество типов POI было значительно сокращено по сравнению с городским центром. В этом районе расположено несколько жилых массивов, и дороги внутри него достаточно плотные, чтобы удовлетворить ежедневные потребности жителей в передвижении. Высокие значения HSI в обоих районах указывали на высокую плотность населения, а данные о температуре поверхности были значительно выше, чем в прилегающих районах, поэтому эти районы также были классифицированы как районы городской застройки.
После анализа было обнаружено, что детали границ городской застройки, определенные с использованием индекса HPL, были точно отображены, в основном показывая детали границ городского объекта, в то время как граница городской застройки, определенная с использованием индекса HP, была слишком гладкой. Для определенных застроенных районов, удаленных от центра города, где есть много промышленных парков, охраняемых территорий и городско-сельских районов, следует использовать индекс HPL.
Рисунок 9. Сравнение индекса HP и индекса HPI, определяющего границу застроенной территории. Зона (а) промышленный парк. Зона (b) Зона свободной торговли Даяован. Зона (c) включает в себя несколько нефтехимических компаний. Район (d, e): расположен на стыке городских и сельских районов. Зона (d) логистическая компания. Зона (e) промышленного парка.
4. Обсуждение
4.1. Преимущества использования индекса HPL для извлечения городских застроенных территорий
Извлечение городских застроенных территорий является важным методом выявления городских изменений. Он может быть использован для отслеживания динамики развития застроенных территорий и важен для решения городских задач, градостроительства и строительства. Городские застроенные территории представляют собой сложные системы, и их границы постоянно меняются в динамическом расширении [45]. На данном этапе выделение городских застроенных территорий основано на естественном состоянии почвенного покрова или социально-экономических элементах. Y. zha et al. [46] извлекли застроенные районы города Нанкин из изображений LandsatTM, используя нормализованный индекс застройки и индекс нормализованной растительность на основе состояния почвенного покрова. Существует проблема смешивания застроенных и незастроенных территорий (растительность и водные объекты). Другая перспектива — социально-экономическая, с использованием демографических данных и данных социальных сетей. Zhou et al. [47] предлагают указать плотность населения 2000 чел./кв. км в качестве территориальной границы городских образований; скорость обновления крупномасштабных демографических данных медленная. Наряду с развитием больших данных в настоящее время, данные социальных сетей также применяются для идентификации населенных пунктов, но основная группа пользователей ограничена людьми молодого и среднего возраста, а данных о пожилом населении и детях не хватает.
Данные о ночном освещении могут фиксировать деятельность человека в режиме реального времени, и они широко используются для извлечения городских застроенных районов. Однако данные ночного освещения характеризуются низким пространственным разрешением. Таким образом, исследователи ввели EVI в NTL для решения этой проблемы. EVI может эффективно снизить помехи, связанные с почвенным фоном, по сравнению с NDVI [48]. Однако, поскольку как голые земли, так и городские застроенные территории не покрыты растительностью, возможны ошибки при определении границ застроенных территорий с использованием только индекса EVI для уменьшения cатурации NTL. С непрерывным развитием городских районов внутри города возникает большое количество непроницаемого поверхностного покрова и эффект городского острова тепла, вызванный непроницаемой поверхностью положительно коррелированной с LST [49]. LST тесно связан с почвенно-растительным покровом и землепользованием и может использоваться для дальнейшего разграничения городских и сельских районов [50,51]. В различных исследованиях использовались данные NDVI, NTL и LST для изучения пространственных и временных аспектов нескольких городских районов в больших масштабах [52,53]. Однако эти методы не могут быть применены к добыче городских застроенных территорий в малых и средних масштабах. С ростом больших данных некоторые исследования ввели данные POI или данные дорожной сети в NTL для идентификации городских застроенных территорий [54,55]. Однако такие исследования сосредоточены только на влиянии социально-экономических факторов на развитие городов.
Это исследование является инновационным в том, что мы построили индекс HPL, который объединяет природные и социальные элементы, такие как LST, HSI, POI и т. Д. Индекс HPL может всесторонне идентифицировать городские застроенные районы как с природной, так и с социальной точек зрения. Кроме того, было обнаружено, что индекс HPL обеспечивает более богатую пространственную детализацию застроенных территорий по сравнению с одиночными или двойными источниками данных и улучшает пространственное разрешение одного источника данных ночного освещения. Наш метод показал самую высокую точность ОА и коэффициент каппа среди четырех методов с точки зрения определения границ городов. Была показана связность выявленных населенных пунктов, а края населенных пунктов содержали богатую подробную информацию.
4.2. Выбор метода опорных векторов
Наиболее распространенными методами извлечения данных о ночном освещении являются пороговые методы, такие как эмпирический пороговый метод, метод обнаружения мутаций, метод статистического сравнения данных и т. д. Несмотря на то, что эти методы просты и удобны в эксплуатации, пороговые результаты экстракции часто превышают фактическую площадь застройки. Современный метод глубокого обучения также может быть применен для извлечения застроенных областей, но этот метод страдает типичной «проблемой черного ящика» [56] и требует десятков тысяч образцов для извлечения надежных результатов. В отличие от вышеперечисленных методов, метод SVM основан на изображениях Landsat с богатой спектральной информацией и использует априорные знания для отбора небольшого количества репрезентативных образцов. Благодаря алгоритмам машинного обучения он может быстро получать городские и негородские районы, и им легко управлять.
4.3. Ограничения
Это исследование имеет ряд недостатков: (1) Разрешение данных NPP-VIIRS, выбранных в этой статье, низкое. В будущем мы надеемся объединить эти данные с данными ночного освещения с более высоким разрешением, такими как данными ночного освещения дистанционного зондирования из Лоцзя.
(2) Наше исследование является статичным. Динамичное развитие и расширение городских застроенных территорий будет изучаться в будущем с использованием динамических данных, таких как данные о миграции населения.
5. Выводы
Взяв в качестве примера город Далянь, в этом исследовании мы использовали данные NPP-VIIRS, EVI, POI и LST для извлечения застроенных территорий с использованием анализа плотности ядра, среднего геометрического изображения и методов распознавания классификации с методом опорных векторов. Всего было создано 1000 точек отбора проб на изображениях дистанционного зондирования Google HD для проверки. Сравнивались и анализировались индексы NPP-VIIRS, HSI, HP и HPL. Индекс HPL, построенный в этом исследовании, улучшает эффект перелива ночного света по сравнению с одним или двумя источниками данных, и точность индекса OA и каппа лучше, чем у индексов NPP-VIIRS, HSI и HP, а также получает богатую краевую информацию. Индекс HPL, построенный в этой статье, дает новые идеи для градостроителей для изучения города Далянь, а индекс HPL может быть использован для изучения динамических изменений застроенной территории Даляня в долгосрочной перспективе в будущем, и если мы хотим получить более богатые пространственные детали внутри застроенной территории, мы можем рассмотреть возможность объединения с ночными изображениями Luojia 1-01. Это имеет большое значение для здорового развития, планирования и реконструкции городских территорий в будущем.
Вклад авторов: концептуализация, X.L.; программное обеспечение, Y.S. и H.L.; валидация, X.H.; написание — первоначальный черновик, Y.S.; написание — рецензирование и редактирование, X.L. и Y.S.; визуализация, Y.S.; супервизия, X.L. Все авторы прочитали и согласились с опубликованной версией рукописи.
Финансирование: Это исследование финансировалось Национальным фондом естественных наук Китая (грант No 41671158).
Заявление о доступности данных: Данные, представленные в этом исследовании, доступны по запросу соответствующего автора.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Ссылки
1. Суперчинский, С.Д.; Ч.Ритофер, С.А. Изучение влияния землепользования и почвенно-растительного покрова на качество воздуха в Центральной Алабаме с использованием ГИС и дистанционного зондирования. 2011, 3, 2552–2567. [Перекрестная ссылка]
2. Рашид, Х.; Манзур, М.М.; Мухтар, С.. Урбанизация и ее влияние на водные ресурсы: исследовательский анализ. Азиатский J. Водная среда. 2018, 15, 67–74. [Перекрестная ссылка]
3. Лю, С.; Чжоу, Ю.; Юэ, В.; Ли, С.; Лю, Ю.; Лу, Д. Пространственно-временные паттерны летнего городского острова тепла в Пекине, Китай, с использованием улучшенной температуры поверхности земли. J. Clean. Prod. 2020, 257, 120529. [Перекрестная ссылка]
4. Чжоу, Л.; Дикинсон, Р.Э.; Тянь, Ю.; Фанг, Дж.; Ли, К.; Кауфманн, Р.К.; Такер, Си Джей; Минени Р.Б. Доказательства значительного влияния урбанизации на климат в Китае. Proc. Natl. Acad. Sci. США 2004, 101, 9540–9544. [Перекрестная ссылка]
5. Цзян, З.; Лю, Дж.; Хан, Ф. Заторы на дорогах, пространственные вторичные эффекты и урбанизация населения в Китае. Собирать. Эссесон Финансист. Экономика. 2019, 35, 104–112. [Перекрестная ссылка]
6. Лю, Х.; Чжань, К.; Янг, К.; Ван, Дж. Многомасштабные временные закономерности и динамика температуры поверхности земли с использованием ансамблевой эмпирической модовой декомпозиции. Общая окружающая среда. 2019, 652, 243–255. [Перекрестная ссылка]
7. Чжоу, Д.; Чжао, С.; Лю, С.; Чжан, Л.; Чжу, К. Поверхностный городской остров тепла в 32 крупных городах Китая: пространственные закономерности и движущие силы. Дистанционное зондирование. 2014, 152, 51–61. [Перекрестная ссылка]
8. Маллик, С.К.; Дас,.; Майти, Б.; Рудра, С.; Праманик, М.К.; Прадхан, Б.; Сахана, М. Общество Понимание будущего роста городов, устойчивости городов и устойчивого развития малых городов с использованием подхода прогнозирование-адаптация-устойчивость (PAR). Поддерживать. Города соц. 2021, 74, 103196. [Перекрестная ссылка]
9. Дерен, Л.; Си Цзиньпин, Л. О светящемся интеллектуальном анализе данных дистанционного зондирования Земли. Acta Geod. Картогр. Грех. 2015, 44, 591–601. [Перекрестная ссылка]
10. Саттон,. Моделирование плотности ионов населения с помощью ночных спутниковых снимков и ГИС. Вычислять. Окружать. Урбан Сист. 1997, 21, 227–244. [Перекрестная ссылка]
11. Имхофф, М.Л.; Лоуренс, В.Т.; Элвидж, К.Д.; Павел, Т.; Левин, Э.; Привальский, М.В.; Браун, В. Использование ночных изображений городских огней DMSP/OLS для оценки воздействия городского землепользования на почвенные ресурсы в Соединенных Штатах. Дистанционное зондирование. 1997, 59, 105–117. [Перекрестная ссылка]
12. Милеси, К.; Элвидж, К.Д.; Немани, Р.Р.; Раннинг, С.В. Оценка влияния развития городских земель на чистую первичную производительность на юго-востоке Соединенных Штатов. Дистанционное зондирование. 2003, 86, 401–410. [Перекрестная ссылка]
13. Сонг, С.; Байлян, Ю.; Цзяньпин, В.; Хунсин, Л. Методы получения городской застроенной территории с использованием данных ночного освещения: оценка и применение. Remote Sens. Technol. Appl. 2011, 26, 169–176. [Перекрестная ссылка]
14. Смолл, К.; Поцци, Ф.; Элвидж, К.Д. Пространственный анализ глобальной городской протяженности с помощью данных ночного освещения DMSP-OLS. Дистанционное зондирование. 2005, 96, 277–291. [Перекрестная ссылка]
15. Дэн, Л.; Шэнь, З.; Ке, Ю. Анализ выделения застроенных территорий и расширения городов на основе изображений дистанционного зондирования Земли. J. Geo-Inf. наук. 2018, 20, 996–1003. [Перекрестная ссылка]
16. Сонг, Дж.; Ли, С.; Линь, Т.; Чжан, Г.; Ye, H.; Он, X.; Ге, Р. Метод извлечения городской застроенной территории на основе данных DMSP/OLS в ночное время и Google Earth. J. Geo-Inf. Sci. 2015, 17, 750–756. [Перекрестная ссылка]
17. Пандей, Б.; Джоши,.; Сето, К.К. Геоинформационный мониторинг динамики урбанизации в Индии с использованием данных ночного освещения DMSP/OLS и данных SPOT-VGT. Int. J. Appl. Earth Obs. 2013, 23, 49–61. [Перекрестная ссылка]
18. Лу, Д.С.; Тянь, Х.К.; Чжоу, Г.М.; Гэ Х.Л. Региональное картографирование населенных пунктов на юго-востоке Китая с использованием мультисенсорных данных дистанционного зондирования. Дистанционное зондирование. Интердисциплина. Дж. 2008, 112, 3668–3679. [Перекрестная ссылка]
19. Лю, К.; Чжань, К.; Ли, Дж.; Янг, К.; Лю, В. Извлечение населенных пунктов с использованием данных ночного освещения Лоцзя-1А в Ухане, Китай. Геомат. Inf. Sci. Wuhan Univ. 2021, 46, 30–39. [Перекрестная ссылка]
20. Чжан, К.; Шааф, К.; Сето, К.К. Городской индекс NTL с поправкой на растительность: новый подход к снижению насыщенности и увеличению колебаний яркости в ночное время. Дистанционное зондирование. 2013, 129, 32–41. [Перекрестная ссылка]
21. Лю, С.; Ху, Г.; Ай, Б.; Ли, С.; Ши, К. Нормализованный сводный индекс городских районов (NUACI), основанный на комбинации DMSP-OLS и MODIS для картирования непроницаемой площади поверхности. Дистанционное зондирование 2015, 7, 17168–17189. [Перекрестная ссылка]
22. Ву, З.; Чай, Ю.; Данг, А.; Гонг, Д. География взаимодействия с большими данными: диалог и рефлексия. Geogr. Res. 2015, 34, 2207–2221. [Перекрестная ссылка]
23. Ван, З.; Ван, Х.; Цинь, Ф.; Хан, З.; Мяо, К. Картографирование городского района на основе данных Multi-Temporal Sentinel-2 и POI: тематическое исследование города Чжэнчжоу. 2020, 12, 4103. [Перекрестная ссылка]
24. Ван, Ю.; Хуан, К.; Чжао, М.; Хоу, Дж.; Чжаньг, Ю.; Гу, Д. Картографирование плотности населения в материковом Китае с использованием NPP/VIIRS и данных о достопримечательностях на основе модели случайных лесов. 2020, 12, 3645. [Перекрестная ссылка]
25. Чжан, К.; Ван, Дж.; Пэн, X.; Гонг,.; Ши,. Обнаружение изменений застройки городских застроенных земель с плотностью дорог и спектральной информацией из разновременных данных Landsat TM. Int. J. Remote Sens. 2002, 23, 3057–3078. [Перекрестная ссылка]
26. Чжоу, К.; Го Л. Эмпирический подход к определению пороговых значений для разграничения населенных пунктов с данными о дорожной сети. PLoS ONE 2018, 13, e0194806. [Перекрестная ссылка]
27. Шао, З.; Сумари, Н.С.; Портнов, А.; Уджо, Ф.; Мусаква, В.; Мандела,.Д. Разрастание городов и его влияние на устойчивое городское развитие: сочетание данных дистанционного зондирования и социальных сетей. Geo-Spat. Inf. Sci. 2020, 24, 241–255. [Перекрестная ссылка]
28. Ли, Х.; Херфорт, Б.; Хуан, В.; Зия, М.; Ципф, А.; Зонсинг, Р. Исследование отсутствующих населенных пунктов OpenStreetMap с использованием иерархической кластеризации твиттера и глубокого обучения в Мозамбике. ISPRS J. Photogramm. 2020, 166, 41–51. [Перекрестная ссылка]
29. Янь, К.; Ли, Ф.; Ли, Л. Исследование выделения застроенной площади с помощью индексов коррекции яркости на основе двух видов изображений ночного света. J. Geo-Inf. Sci. 2020, 22, 1714–1724. [Перекрестная ссылка]
30. Чжэн, Х.; Гуй, З.; Ли, Ф.; Ву, Х. Метод извлечения городских застроенных территорий на основе данных ночного освещения и достопримечательностях. Геогр. Гео-Инф. наук. 2019, 35, 25–32. [Перекрестная ссылка]
31. Чжэн, З.; Чэнь, Ю.; Ву, З.; Чжан, К. Метод снижения насыщенности данных ночного освещения DMSP/OLS на основе UNL. Natl. Remote Sens. Bull. 2018, 22, 161–173. [Перекрестная ссылка]
32. Чжан, Дж.; Чжан, С.; Тан, X.; Юань, X. Извлечение городской застройки на основе глубокого обучения и слияния данных из нескольких источников — применение новой технологии в городском планировании. Земля 2022, 11, 1212. [Перекрестная ссылка]
33. Ху, Ю.; Чжао, Г.; Чжан, К. Пространственное распределение данных о населении на основе ночного освещения и данных LUC в регионе Сычуань-Чунцин. J. Geo-Inf. Sci. 2018, 20, 68–78. [Перекрестная ссылка]
34. Цзэн, К.; Чжоу, Ю.; Ван, С.; Ян, Ф.; Чжао, К. Пространственное распределение населения в Китае на основе ночных снимков и данных о землепользовании. Int. J. Remote Sens. 2011, 32, 9599–9620. [CrossRef]
35. Чжао, Н.; Самсон, Е.Л.; Лю, Ю. Предвзятость населения в изображениях ночного освещения. Дистанционное зондирование. 2019, 10, 913–921. [Перекрестная ссылка]
36. Кумар, Л.; Мутанга, О. Применения Google Earth Engine с момента создания: использование, тенденции и потенциал. 2018, 10, 1509. [Перекрестная ссылка]
37. Гейденрайх, Н.-Б.; Шиндлер, А.; Шперлих, С. Выбор полосы пропускания для оценки плотности ядра: обзор полностью томатных селекторов. AStA Adv. Stat. Anal. 2013, 97, 403–433. [Перекрестная ссылка]
38. Ли, К.; Ван, X.; Ву, З.; Дай, З.; Инь, Дж.; Чжан, К. Усовершенствованный метод извлечения городских населенных пунктов, поддерживаемый данными из нескольких источников. Устойчивое развитие 2021, 13, 5042. [Перекрестная ссылка]
39. Ян, Х.; Юэ, В.; Гао, Д. Пространственное улучшение распределения населения на основе данных мультисенсорного дистанционного зондирования: исходные данные для оценки воздействия. 2013, 34, 5569–5583. [Перекрестная ссылка]
40. Ван, З.; Лю, К.; Альфредо, Х. От AVHRR-NDVI к MODIS-EVI: достижения в исследованиях вегетационного индекса. Acta Ecol. Грех. 2003, 23, 9.
41. Чжан, Дж.; Ши, В.; Сю, К. Городские исследования с использованием данных о достопримечательностях в Китае. наук, география. Грех. 2021, 41, 140–148. [Перекрестная ссылка]
42. Ву, Дж.; Ли, Б.; Ни, В.; Ян, В. Адаптивно взвешенный многофункциональный метод обнаружения изменений на основе объектов на изображениях дистанционного зондирования с высоким пространственным разрешением. Дистанционное зондирование. 2020, 11, 333–342. [Перекрестная ссылка]
43. Лехнер, А.М.; Штейн, А.; Джонс, С.Д.; Ферверда, Дж.Г. Дистанционное зондирование малых и линейных объектов: количественная оценка влияния размера и длины участка, положения сетки и обнаруживаемости на картографирование почвенно-растительного покрова. Дистанционное зондирование. 2009, 113, 2194–2204. [CrossRef]
44. Мантеро,.; Мозер, Г.; Серпико С.Б. Частично контролируемая классификация изображений дистанционного зондирования Земли с помощью оценки плотности вероятности на основе SVM. IEEE Trans. Geosci. 2005, 43, 559–570. [Перекрестная ссылка]
45. Сюй, З.; Гао, Х. Новый метод определения границ городских населенных пунктов с данными POI. Acta Geogr. Грех. 2016, 71, 928–939. [Перекрестная ссылка]
46. Жа, Ю.; Гао, Дж.; Ни, С. Использование индекса накопления без нормализованных различий при автоматическом картографировании городских районов по снимкам ТМ. Int. J. 2003, 24, 583–594. [Перекрестная ссылка]
47. Чжоу, Ю.; Ши Ю. К созданию концепции физической городской территории в Китае. Acta Geogr. Грех. 1995, 50, 289–301. [Перекрестная ссылка]
48. Ли, З.; СяоФань, З.; Цзин, З.; Хайян, Т.; Бойю, Г. Метод на основе EVI, позволяющий уменьшить насыщенность данных ночного освещения DMSP/OLS. Acta Geogr. Грех. 2015, 70, 1339–1350. [Перекрестная ссылка]
49. Рой Чоудхури,.; Майтани, С. Мониторинг роста застроенных территорий на Индо-Гангской равнине с использованием данных мультисенсорного дистанционного зондирования. J. Indian Soc. Remote Sens. 2010, 38, 291–300. [Перекрестная ссылка]
50. Чжао, З.; Шарифи, А.; Донг, Х.; Шен, Л.; Он, Б.-Ж. Пространственная изменчивость и временная неоднородность моделей приземных городских островов тепла и пригодность локальных климатических зон для определения температуры поверхности земли. 2021, 13, 4338. [Перекрестная ссылка]
51. Чжао, З.-К.; Он, Б.-Ж.; Ли, Л.-Г.; Ван, Х.-Б.; Дарко, А. Профиль зданий и концентрический зональный анализ взаимосвязей между землепользованием/почвенно-растительным покровом и температурой поверхности земли: тематическое исследование Шэньяна, Китай. Энергетика 2017, 155, 282–295. [Перекрестная ссылка]
52. Сюй, М.; Он, К.; Лю, З.; Доу, Ю. Как расширялся городской рынок в Китае в период с 1992 по 2015 год? Многомасштабный ландшафтный анализ. PLoS ONE 2016, 11, e0154839. [CrossRef] [PubMed]
53. Сюй, Т.; Коко, Г.; Гао, Д. Извлечение городских населенных пунктов из данных ночного освещения с использованием искусственной нейронной сети. Геокарто Инт. 2020, 35, 1049–1066. [Перекрестная ссылка]
54. Он, X.; ЗХоу, К.; Чжан, Дж.; Юань, X. Использование вейвлет-преобразований для объединения данных о ночном освещении и больших данных POI для извлечения городских населенных пунктов. 2020, 12, 3887. [Перекрестная ссылка]
55. Он, X.; Чжан, З.; Янг, З.Внешнее действие городской застройки на основе слияния данных о ночном освещении и данных о достопримечательностях. R. Soc. Open Sci. 2021, 8, 210838. [CrossRef] [PubMed]
56. Сули, Т.; Юйфэн Л. Разработка и применение технологии искусственных нейронных сетей. Comput. Dev. Appl. 2009, 22, 59–61. [Перекрестная ссылка]
Отказ от ответственности/примечание издателя: Статистика, мнения и данные, содержащиеся во всех публикациях, принадлежат исключительно отдельным авторам и участникам, а не MDPI и/или редактору(ам). MDPI и/или редактор(ы) отказываются от ответственности за любой вред, причиненный людям или имуществу в результате любых идей, методов, инструкций или продуктов, упомянутых в содержании.
4.1. Преимущества использования индекса HPL для извлечения городских застроенных территорий
Извлечение городских застроенных территорий является важным методом выявления городских изменений. Он может быть использован для отслеживания динамики развития застроенных территорий и важен для решения городских задач, градостроительства и строительства. Городские застроенные территории представляют собой сложные системы, и их границы постоянно меняются в динамическом расширении [45]. На данном этапе выделение городских застроенных территорий основано на естественном состоянии почвенного покрова или социально-экономических элементах. Y. zha et al. [46] извлекли застроенные районы города Нанкин из изображений LandsatTM, используя нормализованный индекс застройки и индекс нормализованной растительность на основе состояния почвенного покрова. Существует проблема смешивания застроенных и незастроенных территорий (растительность и водные объекты). Другая перспектива — социально-экономическая, с использованием демографических данных и данных социальных сетей. Zhou et al. [47] предлагают указать плотность населения 2000 чел./кв. км в качестве территориальной границы городских образований; скорость обновления крупномасштабных демографических данных медленная. Наряду с развитием больших данных в настоящее время, данные социальных сетей также применяются для идентификации населенных пунктов, но основная группа пользователей ограничена людьми молодого и среднего возраста, а данных о пожилом населении и детях не хватает.
Данные о ночном освещении могут фиксировать деятельность человека в режиме реального времени, и они широко используются для извлечения городских застроенных районов. Однако данные ночного освещения характеризуются низким пространственным разрешением. Таким образом, исследователи ввели EVI в NTL для решения этой проблемы. EVI может эффективно снизить помехи, связанные с почвенным фоном, по сравнению с NDVI [48]. Однако, поскольку как голые земли, так и городские застроенные территории не покрыты растительностью, возможны ошибки при определении границ застроенных территорий с использованием только индекса EVI для уменьшения cатурации NTL. С непрерывным развитием городских районов внутри города возникает большое количество непроницаемого поверхностного покрова и эффект городского острова тепла, вызванный непроницаемой поверхностью положительно коррелированной с LST [49]. LST тесно связан с почвенно-растительным покровом и землепользованием и может использоваться для дальнейшего разграничения городских и сельских районов [50,51]. В различных исследованиях использовались данные NDVI, NTL и LST для изучения пространственных и временных аспектов нескольких городских районов в больших масштабах [52,53]. Однако эти методы не могут быть применены к добыче городских застроенных территорий в малых и средних масштабах. С ростом больших данных некоторые исследования ввели данные POI или данные дорожной сети в NTL для идентификации городских застроенных территорий [54,55]. Однако такие исследования сосредоточены только на влиянии социально-экономических факторов на развитие городов.
Это исследование является инновационным в том, что мы построили индекс HPL, который объединяет природные и социальные элементы, такие как LST, HSI, POI и т. Д. Индекс HPL может всесторонне идентифицировать городские застроенные районы как с природной, так и с социальной точек зрения. Кроме того, было обнаружено, что индекс HPL обеспечивает более богатую пространственную детализацию застроенных территорий по сравнению с одиночными или двойными источниками данных и улучшает пространственное разрешение одного источника данных ночного освещения. Наш метод показал самую высокую точность ОА и коэффициент каппа среди четырех методов с точки зрения определения границ городов. Была показана связность выявленных населенных пунктов, а края населенных пунктов содержали богатую подробную информацию.
4.2. Выбор метода опорных векторов
Наиболее распространенными методами извлечения данных о ночном освещении являются пороговые методы, такие как эмпирический пороговый метод, метод обнаружения мутаций, метод статистического сравнения данных и т. д. Несмотря на то, что эти методы просты и удобны в эксплуатации, пороговые результаты экстракции часто превышают фактическую площадь застройки. Современный метод глубокого обучения также может быть применен для извлечения застроенных областей, но этот метод страдает типичной «проблемой черного ящика» [56] и требует десятков тысяч образцов для извлечения надежных результатов. В отличие от вышеперечисленных методов, метод SVM основан на изображениях Landsat с богатой спектральной информацией и использует априорные знания для отбора небольшого количества репрезентативных образцов. Благодаря алгоритмам машинного обучения он может быстро получать городские и негородские районы, и им легко управлять.
4.3. Ограничения
Это исследование имеет ряд недостатков: (1) Разрешение данных NPP-VIIRS, выбранных в этой статье, низкое. В будущем мы надеемся объединить эти данные с данными ночного освещения с более высоким разрешением, такими как данными ночного освещения дистанционного зондирования из Лоцзя.
(2) Наше исследование является статичным. Динамичное развитие и расширение городских застроенных территорий будет изучаться в будущем с использованием динамических данных, таких как данные о миграции населения.
5. Выводы
Взяв в качестве примера город Далянь, в этом исследовании мы использовали данные NPP-VIIRS, EVI, POI и LST для извлечения застроенных территорий с использованием анализа плотности ядра, среднего геометрического изображения и методов распознавания классификации с методом опорных векторов. Всего было создано 1000 точек отбора проб на изображениях дистанционного зондирования Google HD для проверки. Сравнивались и анализировались индексы NPP-VIIRS, HSI, HP и HPL. Индекс HPL, построенный в этом исследовании, улучшает эффект перелива ночного света по сравнению с одним или двумя источниками данных, и точность индекса OA и каппа лучше, чем у индексов NPP-VIIRS, HSI и HP, а также получает богатую краевую информацию. Индекс HPL, построенный в этой статье, дает новые идеи для градостроителей для изучения города Далянь, а индекс HPL может быть использован для изучения динамических изменений застроенной территории Даляня в долгосрочной перспективе в будущем, и если мы хотим получить более богатые пространственные детали внутри застроенной территории, мы можем рассмотреть возможность объединения с ночными изображениями Luojia 1-01. Это имеет большое значение для здорового развития, планирования и реконструкции городских территорий в будущем.
Вклад авторов: концептуализация, X.L.; программное обеспечение, Y.S. и H.L.; валидация, X.H.; написание — первоначальный черновик, Y.S.; написание — рецензирование и редактирование, X.L. и Y.S.; визуализация, Y.S.; супервизия, X.L. Все авторы прочитали и согласились с опубликованной версией рукописи.
Финансирование: Это исследование финансировалось Национальным фондом естественных наук Китая (грант No 41671158).
Заявление о доступности данных: Данные, представленные в этом исследовании, доступны по запросу соответствующего автора.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Ссылки
1. Суперчинский, С.Д.; Ч.Ритофер, С.А. Изучение влияния землепользования и почвенно-растительного покрова на качество воздуха в Центральной Алабаме с использованием ГИС и дистанционного зондирования. 2011, 3, 2552–2567. [Перекрестная ссылка]
2. Рашид, Х.; Манзур, М.М.; Мухтар, С.. Урбанизация и ее влияние на водные ресурсы: исследовательский анализ. Азиатский J. Водная среда. 2018, 15, 67–74. [Перекрестная ссылка]
3. Лю, С.; Чжоу, Ю.; Юэ, В.; Ли, С.; Лю, Ю.; Лу, Д. Пространственно-временные паттерны летнего городского острова тепла в Пекине, Китай, с использованием улучшенной температуры поверхности земли. J. Clean. Prod. 2020, 257, 120529. [Перекрестная ссылка]
4. Чжоу, Л.; Дикинсон, Р.Э.; Тянь, Ю.; Фанг, Дж.; Ли, К.; Кауфманн, Р.К.; Такер, Си Джей; Минени Р.Б. Доказательства значительного влияния урбанизации на климат в Китае. Proc. Natl. Acad. Sci. США 2004, 101, 9540–9544. [Перекрестная ссылка]
5. Цзян, З.; Лю, Дж.; Хан, Ф. Заторы на дорогах, пространственные вторичные эффекты и урбанизация населения в Китае. Собирать. Эссесон Финансист. Экономика. 2019, 35, 104–112. [Перекрестная ссылка]
6. Лю, Х.; Чжань, К.; Янг, К.; Ван, Дж. Многомасштабные временные закономерности и динамика температуры поверхности земли с использованием ансамблевой эмпирической модовой декомпозиции. Общая окружающая среда. 2019, 652, 243–255. [Перекрестная ссылка]
7. Чжоу, Д.; Чжао, С.; Лю, С.; Чжан, Л.; Чжу, К. Поверхностный городской остров тепла в 32 крупных городах Китая: пространственные закономерности и движущие силы. Дистанционное зондирование. 2014, 152, 51–61. [Перекрестная ссылка]
8. Маллик, С.К.; Дас,.; Майти, Б.; Рудра, С.; Праманик, М.К.; Прадхан, Б.; Сахана, М. Общество Понимание будущего роста городов, устойчивости городов и устойчивого развития малых городов с использованием подхода прогнозирование-адаптация-устойчивость (PAR). Поддерживать. Города соц. 2021, 74, 103196. [Перекрестная ссылка]
9. Дерен, Л.; Си Цзиньпин, Л. О светящемся интеллектуальном анализе данных дистанционного зондирования Земли. Acta Geod. Картогр. Грех. 2015, 44, 591–601. [Перекрестная ссылка]
10. Саттон,. Моделирование плотности ионов населения с помощью ночных спутниковых снимков и ГИС. Вычислять. Окружать. Урбан Сист. 1997, 21, 227–244. [Перекрестная ссылка]
11. Имхофф, М.Л.; Лоуренс, В.Т.; Элвидж, К.Д.; Павел, Т.; Левин, Э.; Привальский, М.В.; Браун, В. Использование ночных изображений городских огней DMSP/OLS для оценки воздействия городского землепользования на почвенные ресурсы в Соединенных Штатах. Дистанционное зондирование. 1997, 59, 105–117. [Перекрестная ссылка]
12. Милеси, К.; Элвидж, К.Д.; Немани, Р.Р.; Раннинг, С.В. Оценка влияния развития городских земель на чистую первичную производительность на юго-востоке Соединенных Штатов. Дистанционное зондирование. 2003, 86, 401–410. [Перекрестная ссылка]
13. Сонг, С.; Байлян, Ю.; Цзяньпин, В.; Хунсин, Л. Методы получения городской застроенной территории с использованием данных ночного освещения: оценка и применение. Remote Sens. Technol. Appl. 2011, 26, 169–176. [Перекрестная ссылка]
14. Смолл, К.; Поцци, Ф.; Элвидж, К.Д. Пространственный анализ глобальной городской протяженности с помощью данных ночного освещения DMSP-OLS. Дистанционное зондирование. 2005, 96, 277–291. [Перекрестная ссылка]
15. Дэн, Л.; Шэнь, З.; Ке, Ю. Анализ выделения застроенных территорий и расширения городов на основе изображений дистанционного зондирования Земли. J. Geo-Inf. наук. 2018, 20, 996–1003. [Перекрестная ссылка]
16. Сонг, Дж.; Ли, С.; Линь, Т.; Чжан, Г.; Ye, H.; Он, X.; Ге, Р. Метод извлечения городской застроенной территории на основе данных DMSP/OLS в ночное время и Google Earth. J. Geo-Inf. Sci. 2015, 17, 750–756. [Перекрестная ссылка]
17. Пандей, Б.; Джоши,.; Сето, К.К. Геоинформационный мониторинг динамики урбанизации в Индии с использованием данных ночного освещения DMSP/OLS и данных SPOT-VGT. Int. J. Appl. Earth Obs. 2013, 23, 49–61. [Перекрестная ссылка]
18. Лу, Д.С.; Тянь, Х.К.; Чжоу, Г.М.; Гэ Х.Л. Региональное картографирование населенных пунктов на юго-востоке Китая с использованием мультисенсорных данных дистанционного зондирования. Дистанционное зондирование. Интердисциплина. Дж. 2008, 112, 3668–3679. [Перекрестная ссылка]
19. Лю, К.; Чжань, К.; Ли, Дж.; Янг, К.; Лю, В. Извлечение населенных пунктов с использованием данных ночного освещения Лоцзя-1А в Ухане, Китай. Геомат. Inf. Sci. Wuhan Univ. 2021, 46, 30–39. [Перекрестная ссылка]
20. Чжан, К.; Шааф, К.; Сето, К.К. Городской индекс NTL с поправкой на растительность: новый подход к снижению насыщенности и увеличению колебаний яркости в ночное время. Дистанционное зондирование. 2013, 129, 32–41. [Перекрестная ссылка]
21. Лю, С.; Ху, Г.; Ай, Б.; Ли, С.; Ши, К. Нормализованный сводный индекс городских районов (NUACI), основанный на комбинации DMSP-OLS и MODIS для картирования непроницаемой площади поверхности. Дистанционное зондирование 2015, 7, 17168–17189. [Перекрестная ссылка]
22. Ву, З.; Чай, Ю.; Данг, А.; Гонг, Д. География взаимодействия с большими данными: диалог и рефлексия. Geogr. Res. 2015, 34, 2207–2221. [Перекрестная ссылка]
23. Ван, З.; Ван, Х.; Цинь, Ф.; Хан, З.; Мяо, К. Картографирование городского района на основе данных Multi-Temporal Sentinel-2 и POI: тематическое исследование города Чжэнчжоу. 2020, 12, 4103. [Перекрестная ссылка]
24. Ван, Ю.; Хуан, К.; Чжао, М.; Хоу, Дж.; Чжаньг, Ю.; Гу, Д. Картографирование плотности населения в материковом Китае с использованием NPP/VIIRS и данных о достопримечательностях на основе модели случайных лесов. 2020, 12, 3645. [Перекрестная ссылка]
25. Чжан, К.; Ван, Дж.; Пэн, X.; Гонг,.; Ши,. Обнаружение изменений застройки городских застроенных земель с плотностью дорог и спектральной информацией из разновременных данных Landsat TM. Int. J. Remote Sens. 2002, 23, 3057–3078. [Перекрестная ссылка]
26. Чжоу, К.; Го Л. Эмпирический подход к определению пороговых значений для разграничения населенных пунктов с данными о дорожной сети. PLoS ONE 2018, 13, e0194806. [Перекрестная ссылка]
27. Шао, З.; Сумари, Н.С.; Портнов, А.; Уджо, Ф.; Мусаква, В.; Мандела,.Д. Разрастание городов и его влияние на устойчивое городское развитие: сочетание данных дистанционного зондирования и социальных сетей. Geo-Spat. Inf. Sci. 2020, 24, 241–255. [Перекрестная ссылка]
28. Ли, Х.; Херфорт, Б.; Хуан, В.; Зия, М.; Ципф, А.; Зонсинг, Р. Исследование отсутствующих населенных пунктов OpenStreetMap с использованием иерархической кластеризации твиттера и глубокого обучения в Мозамбике. ISPRS J. Photogramm. 2020, 166, 41–51. [Перекрестная ссылка]
29. Янь, К.; Ли, Ф.; Ли, Л. Исследование выделения застроенной площади с помощью индексов коррекции яркости на основе двух видов изображений ночного света. J. Geo-Inf. Sci. 2020, 22, 1714–1724. [Перекрестная ссылка]
30. Чжэн, Х.; Гуй, З.; Ли, Ф.; Ву, Х. Метод извлечения городских застроенных территорий на основе данных ночного освещения и достопримечательностях. Геогр. Гео-Инф. наук. 2019, 35, 25–32. [Перекрестная ссылка]
31. Чжэн, З.; Чэнь, Ю.; Ву, З.; Чжан, К. Метод снижения насыщенности данных ночного освещения DMSP/OLS на основе UNL. Natl. Remote Sens. Bull. 2018, 22, 161–173. [Перекрестная ссылка]
32. Чжан, Дж.; Чжан, С.; Тан, X.; Юань, X. Извлечение городской застройки на основе глубокого обучения и слияния данных из нескольких источников — применение новой технологии в городском планировании. Земля 2022, 11, 1212. [Перекрестная ссылка]
33. Ху, Ю.; Чжао, Г.; Чжан, К. Пространственное распределение данных о населении на основе ночного освещения и данных LUC в регионе Сычуань-Чунцин. J. Geo-Inf. Sci. 2018, 20, 68–78. [Перекрестная ссылка]
34. Цзэн, К.; Чжоу, Ю.; Ван, С.; Ян, Ф.; Чжао, К. Пространственное распределение населения в Китае на основе ночных снимков и данных о землепользовании. Int. J. Remote Sens. 2011, 32, 9599–9620. [CrossRef]
35. Чжао, Н.; Самсон, Е.Л.; Лю, Ю. Предвзятость населения в изображениях ночного освещения. Дистанционное зондирование. 2019, 10, 913–921. [Перекрестная ссылка]
36. Кумар, Л.; Мутанга, О. Применения Google Earth Engine с момента создания: использование, тенденции и потенциал. 2018, 10, 1509. [Перекрестная ссылка]
37. Гейденрайх, Н.-Б.; Шиндлер, А.; Шперлих, С. Выбор полосы пропускания для оценки плотности ядра: обзор полностью томатных селекторов. AStA Adv. Stat. Anal. 2013, 97, 403–433. [Перекрестная ссылка]
38. Ли, К.; Ван, X.; Ву, З.; Дай, З.; Инь, Дж.; Чжан, К. Усовершенствованный метод извлечения городских населенных пунктов, поддерживаемый данными из нескольких источников. Устойчивое развитие 2021, 13, 5042. [Перекрестная ссылка]
39. Ян, Х.; Юэ, В.; Гао, Д. Пространственное улучшение распределения населения на основе данных мультисенсорного дистанционного зондирования: исходные данные для оценки воздействия. 2013, 34, 5569–5583. [Перекрестная ссылка]
40. Ван, З.; Лю, К.; Альфредо, Х. От AVHRR-NDVI к MODIS-EVI: достижения в исследованиях вегетационного индекса. Acta Ecol. Грех. 2003, 23, 9.
41. Чжан, Дж.; Ши, В.; Сю, К. Городские исследования с использованием данных о достопримечательностях в Китае. наук, география. Грех. 2021, 41, 140–148. [Перекрестная ссылка]
42. Ву, Дж.; Ли, Б.; Ни, В.; Ян, В. Адаптивно взвешенный многофункциональный метод обнаружения изменений на основе объектов на изображениях дистанционного зондирования с высоким пространственным разрешением. Дистанционное зондирование. 2020, 11, 333–342. [Перекрестная ссылка]
43. Лехнер, А.М.; Штейн, А.; Джонс, С.Д.; Ферверда, Дж.Г. Дистанционное зондирование малых и линейных объектов: количественная оценка влияния размера и длины участка, положения сетки и обнаруживаемости на картографирование почвенно-растительного покрова. Дистанционное зондирование. 2009, 113, 2194–2204. [CrossRef]
44. Мантеро,.; Мозер, Г.; Серпико С.Б. Частично контролируемая классификация изображений дистанционного зондирования Земли с помощью оценки плотности вероятности на основе SVM. IEEE Trans. Geosci. 2005, 43, 559–570. [Перекрестная ссылка]
45. Сюй, З.; Гао, Х. Новый метод определения границ городских населенных пунктов с данными POI. Acta Geogr. Грех. 2016, 71, 928–939. [Перекрестная ссылка]
46. Жа, Ю.; Гао, Дж.; Ни, С. Использование индекса накопления без нормализованных различий при автоматическом картографировании городских районов по снимкам ТМ. Int. J. 2003, 24, 583–594. [Перекрестная ссылка]
47. Чжоу, Ю.; Ши Ю. К созданию концепции физической городской территории в Китае. Acta Geogr. Грех. 1995, 50, 289–301. [Перекрестная ссылка]
48. Ли, З.; СяоФань, З.; Цзин, З.; Хайян, Т.; Бойю, Г. Метод на основе EVI, позволяющий уменьшить насыщенность данных ночного освещения DMSP/OLS. Acta Geogr. Грех. 2015, 70, 1339–1350. [Перекрестная ссылка]
49. Рой Чоудхури,.; Майтани, С. Мониторинг роста застроенных территорий на Индо-Гангской равнине с использованием данных мультисенсорного дистанционного зондирования. J. Indian Soc. Remote Sens. 2010, 38, 291–300. [Перекрестная ссылка]
50. Чжао, З.; Шарифи, А.; Донг, Х.; Шен, Л.; Он, Б.-Ж. Пространственная изменчивость и временная неоднородность моделей приземных городских островов тепла и пригодность локальных климатических зон для определения температуры поверхности земли. 2021, 13, 4338. [Перекрестная ссылка]
51. Чжао, З.-К.; Он, Б.-Ж.; Ли, Л.-Г.; Ван, Х.-Б.; Дарко, А. Профиль зданий и концентрический зональный анализ взаимосвязей между землепользованием/почвенно-растительным покровом и температурой поверхности земли: тематическое исследование Шэньяна, Китай. Энергетика 2017, 155, 282–295. [Перекрестная ссылка]
52. Сюй, М.; Он, К.; Лю, З.; Доу, Ю. Как расширялся городской рынок в Китае в период с 1992 по 2015 год? Многомасштабный ландшафтный анализ. PLoS ONE 2016, 11, e0154839. [CrossRef] [PubMed]
53. Сюй, Т.; Коко, Г.; Гао, Д. Извлечение городских населенных пунктов из данных ночного освещения с использованием искусственной нейронной сети. Геокарто Инт. 2020, 35, 1049–1066. [Перекрестная ссылка]
54. Он, X.; ЗХоу, К.; Чжан, Дж.; Юань, X. Использование вейвлет-преобразований для объединения данных о ночном освещении и больших данных POI для извлечения городских населенных пунктов. 2020, 12, 3887. [Перекрестная ссылка]
55. Он, X.; Чжан, З.; Янг, З.Внешнее действие городской застройки на основе слияния данных о ночном освещении и данных о достопримечательностях. R. Soc. Open Sci. 2021, 8, 210838. [CrossRef] [PubMed]
56. Сули, Т.; Юйфэн Л. Разработка и применение технологии искусственных нейронных сетей. Comput. Dev. Appl. 2009, 22, 59–61. [Перекрестная ссылка]
Отказ от ответственности/примечание издателя: Статистика, мнения и данные, содержащиеся во всех публикациях, принадлежат исключительно отдельным авторам и участникам, а не MDPI и/или редактору(ам). MDPI и/или редактор(ы) отказываются от ответственности за любой вред, причиненный людям или имуществу в результате любых идей, методов, инструкций или продуктов, упомянутых в содержании.
28 июня / 2023