کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6921859 1448221 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Identifying residential neighbourhood types from settlement points in a machine learning approach
ترجمه فارسی عنوان
شناسایی انواع محله های مسکونی از نقاط حل و فصل در روش یادگیری ماشین
کلمات کلیدی
مورفولوژی شهری، استفاده از زمین، بافت، تجزیه و تحلیل الگوی نقطه، فراگیری ماشین، اطلاعات بزرگ،
ترجمه چکیده
تکنیک های سنجش از دور در حال حاضر معمولا برای نقشه برداری و نظارت بر استفاده از زمین های شهری برای اندازه گیری رشد و کمک به توسعه و برنامه ریزی استفاده می شود. کار اخیر در این زمینه، استفاده از بافت ها و دیگر ویژگی های فضایی را که می تواند در تصاویر با وضوح بسیار زیاد فضایی اندازه گیری شود، برجسته کرده است. توجه کمتر به استفاده از داده های بردار جغرافیایی (یعنی نقاط، خطوط، چند ضلعی) برای نقشه استفاده از زمین به دست آمده است. این مقاله روشی را برای تشخیص انواع سکونت مسکونی (به طور منظم در مقابل نامنظم) با استفاده از یک پایگاه داده موجود در ساختارهای مکان یابی نقاط مختلف ارائه می دهد. نه ویژگی داده ای که توصیف تراکم، فاصله، زاویه ها و فاصله نقاط حل و فصل در مقیاس فضایی چندگانه محاسبه می شود. این داده ها به تنهایی و با پنج اقدام معمول سنجش از دور در ارتفاع، شیب، پوشش گیاهی، و نور شب در یک روش یادگیری ماشین نظارت شده برای طبقه بندی مناطق استفاده از زمین مورد تجزیه و تحلیل قرار گرفته است. این روش در هفت ولایت افغانستان (بلخ، هلمند، هرات، کابل، قندهار، کندز، ننگرهار) مورد آزمایش قرار گرفت. دقت کلی از 78 درصد در کندهار تا 90 درصد در ننگرهار بود. این تحقیق نشان می دهد که توانایی دقیق نقشه کاربری زمین را از حتی ساده ترین ساختارها نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
شناسایی انواع محله های مسکونی از نقاط حل و فصل در روش یادگیری ماشین
چکیده انگلیسی
Remote sensing techniques are now commonly applied to map and monitor urban land uses to measure growth and to assist with development and planning. Recent work in this area has highlighted the use of textures and other spatial features that can be measured in very high spatial resolution imagery. Far less attention has been given to using geospatial vector data (i.e. points, lines, polygons) to map land uses. This paper presents an approach to distinguish residential settlement types (regular vs. irregular) using an existing database of settlement points locating structures. Nine data features describing the density, distance, angles, and spacing of the settlement points are calculated at multiple spatial scales. These data are analysed alone and with five common remote sensing measures on elevation, slope, vegetation, and nighttime lights in a supervised machine learning approach to classify land use areas. The method was tested in seven provinces of Afghanistan (Balkh, Helmand, Herat, Kabul, Kandahar, Kunduz, Nangarhar). Overall accuracy ranged from 78% in Kandahar to 90% in Nangarhar. This research demonstrates the potential to accurately map land uses from even the simplest representation of structures.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers, Environment and Urban Systems - Volume 69, May 2018, Pages 104-113
نویسندگان
, , ,