Количественное измерение градиента урбанизации: практический метод измерений (в широком спектре)

Габор Шереш, Агнес Липовитш, Вероника Боконь, Ласло Цуни

Аннотация: Процесс урбанизации естественных мест обитаний в последнее время усилился, а вместе с ним и разнообразное антропогенное влияние на биоту которое нам необходимо понять более глубоко. Подход урбанизационного градиента всё больше используется в экологических исследованиях по изучению реакции сообществ и популяций животных и растений на различные степени урбанизированности ландшафта. Тем не менее, методы, которые используются для квантификации городского градиента, разнородны. В первую очередь мы проверяем метод ручного подсчёта, предназначенный для измерений урбанизированности ландшафта, основанный главным образом на характеристиках покрытия вычисленных с помощью аэрофотоснимков, которые были применены в прошлых исследованиях, и сравниваем их результаты с измерениями, произведёнными в наиболее распространённых ГИС-программах. Во-вторых на базе метода ручной оценки мы представляем недавно разработанный, легко-выполнимый, полу-автоматический метод измерения степени урбанизированности ландшафта, использующий только космоснимки общедоступные по всему миру. В конце в рамках исследования экологии птиц мы сравниваем результаты полученные тремя методами и подводим итог. Наши результаты показали, что все три метода проводят квантификацию (количественный подсчёт) градиента урбанизации одинаково, так как «оценка степени урбанизации» проводимая ими, сильно коррелирует, и результаты экологического анализа повторяются во всех трёх подходах. С тех пор как полу-автоматические методы предоставляют возможность эффективной деятельности за гораздо меньшее время. Мы предлагаем данный метод как полезный инструмент для измерения степени урбанизации; данное приложение обеспечивает интеграцию между эффектами оказываемыми урбанизацией на дикую природу по всему миру. Также мы оставляем ссылку на бесплатное приложение нашего полу-автоматического метода.

Введение

В современном мире постоянно растёт необходимость в обнаружении и предсказании влияния изменений окружающей среды, как от воздействия человека, так и в результате природных процессов. Один из наиболее насущных процессов – усиление урбанизации ландшафта. Население планеты быстро растёт и скорость изменения природных ландшафтов тоже растёт, так как по всему миру растёт количество и размеры городских поселений.(Гримм и др 2008, Хаммонд, Гьяу и Адиаба 2011) «Экологический след» в последние десятилетия стал интересовать исследователей дикой природы, так как урбанизация превращает природные ландшафты в сильноизменённую среду обитания с искусственными покрытиями, промышленным загрязнением, фактором беспокойства человеком, и серьёзно нарушенными пищевыми цепочками и потоками. (Ли 2007, МакДоналд, Хас 2008) Этот феномен рассматривается как одна из наиболее значимых причин потери биоразнообразия, уязвимости и исчезновения видов. (Лепчик 2008, МакДоналд Маркотуллио 2012, МакКинни 2006) В то время как экологи пытаются выяснить комплексное влияние урбанизации на сообщества и популяции животных и растений, консервационные биологи ищут причины неспособности видов адоптироваться к урбанизированным местам обитания и средства от этого. (Марлзуфф Боуман Доннелли 2001, МакКинни 2006, Шочат Уоррен Фейт МакИнтаер Хоуп 2006) В обоих типах исследования ключевым моментом является квантификация интенсивности урбанизации ландшафта, в наиболее релевантном для исследования диких сообществ виде.

Многие исследования экологии животных в условиях урбанизации использовали простые сравнения мест обитаний с малоопределяющей терминологией, напрмер: городские, пригородные, сельские места обитания. (Марлзуфф, Теобалд 2001) В то время как данный подход может раскрыть важные различия между популяциями, он же препятствует копированию данных исследований, интеграции их результатов, обобщению предсказаний и рекомендациям по сохранению, потому что данные термины имеют различные значения, в различных регионах земли. (Марлзуфф и др 2001) Хотя существовали предложения стандартизировать терминологию для обозначения различных категорий урбанизированных пространств (Марлзуфф и др 2001), предложенные категории были относительно широки, и необязательно подходили для необходимой системы исследований, а некоторые места обитания могут не подходить по определению ни к одной из категорий. Квантификация же подходящих ландшафтных характеристик обеспечивает более пригодный подход. С введением концепции градиента урбанизации (МакДоналд и Пикетт 1990) появился более эффективный и часто используемый способ изучения проблем населённых пунктов. (МакДоналд, Хас 2008) Термин «Градиент урбанизации» ссылается на разнообразие факторов среды обитания в пространстве, связанное с увеличением урбанизированности по мере движения от природных ландшафтов к наиболее урбанизированным территориям. (МакДоналд, Хас 2008) Простейшим урбанизационным градиентом будет линейная трансекта из сельской местности в центр города, при движении по которой интенсивность урбанизации и влияние на окружающую среду будет монотонно уменьшаться по мере удаления от центра. Но такой подход к градиенту является упрощённым. (МакКинни 2006) Структура города редко бывает моноцентричной, с центральными районами, окружёнными ассиметричной мозаикой ландшафтов различной степени урбанизации, такими как, ландшафты промышленных и жилых окраин. (МакДоналд, Хас 2008, (МакДоналд, Хас и Брёст 2009) Градиент урбанизации это необязательно географическая трансекта, но возможно и континуум сочетаний различных ландшафтов, систематически варьирующих в результате воздействия человеческой деятельности.

Во время квантификации городского градиента, количество измеряемых вариантов среды может варьировать в широких пределах, в зависимости от целей исследования и желаемого уровня точности. (МакДоналд, Хас 2006) Например, в ландшафтной экологии, состав ландшафта (процент типов ландшафтного покрытия) и его разнородность (степень заражённости) являются подходящими индикаторами экологических условий для животных и источниками информации о структурных характеристиках урабанизационного градиента. (Алберти, Ботсфорт Коэн) Ландшафтные градиенты часто характеризуются пропорциями территорий покрытых зеленью, зданиями и дорогами. Данная метрика часто помогает предсказать структуру животных сообществ, их изобилие, и видовое богатство на протяжении градиента урбанизации (Блэр 1996, Клерго, Савар, Меннеше, Фалардо 1998, Джермейн, Розенсток, Швайнбург, Ричардсон 1998, Джермейн Уэйкелинг 2001, Пиллсбери и Милсон 2008) Это происходит, потому что данные типы ландшафта отражают те компоненты урбанизации, которые являются решающими для ряда диких видов, например: большее количество зелени увеличивает возможности для питания, гнездования и насеста; численность и плотность зданий обычно связывается с изменением естественной растительности, беспокойством людьми и домашними животными, шумом и световым загрязнением; дороги же увеличивают загрязнение от автотранспорта и приводят к увеличению смертности от столкновений. (Миллер, Флатериго, Хоббс, Теобальд, Винс 2001, Ван дер Ри 2009) Результаты данных широкомасштабных измерений ландшафтного покрытия могут быть использованы для более узкоспециализированных исследований урбанизации конкретных видов. Например: численность некоторых видов птиц увеличивается вместе с медианным возрастом построек в городах, в то время как другие виды показывают противоположную динамику (Лосс, Руиз, Браун 2009), даже такой незначительный фактор, как плотность урн, может влиять на численность некоторых видов. (Джерзак 2001) Измерение таких специфических аспектов урбанизации может быть очень важным подходом к идентификации механизмов ответственных за наблюдаемые экологические тенденции (например: уменьшение количества видов по мере урбанизации) тем самым помогая их сохранению. Тем не менее, подобные данные часто зависят от условий конкретной местности, сложны и/или дороги в получении, или вовсе недоступны. Тем самым ограничивается количество исследований, основанных на точных измерениях, которые могут быть воспроизведены в других местностях. В противоположность этому измерения городских градиентов, основанные на особенностях покрытия земли, предоставляют общий контекст, и интегрируют исследования городской экологии по всему миру (МакДоналд, Хас 2008),охватывая исследованиями большое количество вариантов структуры урбанизации. (МакДоналд, Хас 2008)

Улучшение качества дистанционного зондирования и техники захвата изображения, а также повышение доступности аэро и космосъёмки в настоящее время, позволяют эффективно и экстенсивно использовать данную технику в биологических исследованиях, таких как измерение городского градиента (например, Герольд, Джозеф, Кларк 2002, Шнайдер, Фридль, Потере 2010). Визуальная обработка и оценка таковых изображений с помощью последовательной методологии помогают нам точно анализировать ландшафтные характеристики различных территорий по всему миру. Тем не менее, доступ к снимкам достаточно хорошего качества часто дорог. Доступность изображений разных регионов нельзя сравнивать и их анализ с помощью ГИС-программ требует специальной экспертизы. Политика мониторинга и оценки состояния окружающей среды различается между Североамериканским континентом, Европой и Австралией. Например, база данных CORINE предоставляет цифровые карты земного покрытия для большей части стран Европы, основанные на спектральном анализе космоснимков (Клеешульте и Бюттнер 2008). Эта база данных широко используется в национальных и международных исследованиях окружающей среды, но их разрешение (25 га минимальный картографический блок, 100 метров - минимальная ширина линейных элементов) ограничивает применение в системах исследований требующих относительно более высокого разрешения. Классы покрытия в данной базе отличаются от классов в базе данных США, также как и от баз земельного покрытия и земельного использования Австралии. Более того, все три системы основаны на различных данных и качестве космоснимков (Барсон, Лесли, Смит, Стьюарт 2008, Гомер, Дьюитс, Фрай, Хоссейн 2008) Когда стандартизированные квантифицированные данные недоступны исследователи могут положиться только на общедоступные снимки (например Google Earth) и простые методы подсчёта для оценки городского градиента (Боконь, Кульчар, Ликер 2010, Боконь, Кульчар, Тот, Ликер 2012, Боконь, Шерешш,Надь, Лендвай, Ликер 2012, Ликер, Папп, Боконь, Лендвай 2008, Жанг и др 2011, Жанг, Женг 2010). Данный же подход предлагает лёгкий недорогой путь измерения урбанизации, но он весьма время затратный и его адекватность ещё не исследована.

В данном исследовании наша цель познакомить читателя с легко выполнимым и свободно-доступным методом квантификации интенсивности урбанизации основанным на покрытии ландшафта и подтвердить его правильность. Данный недавно разработанный метод (Цуни, Липовитш, Шерешш 2012) полуавтоматического подхода основан на ручной системе подсчёта Ликера и др 2008, требует аэрофотоснимков или космоснимков в свободном доступе, и небольшого количества ручной работы. Используя 21 участок для исследования городских градиентов, мы сначала сравниваем «баллы урбанизации» сгенерированные как оригинальным методом ручного подсчёта, так и полученные новым разработанным полуавтоматическим методом строгой квантификации в широко распространенных, но дорогих ГИС-программах. Мы также проверяем погрешность как ручного, так и полуавтоматического методов подсчёта. В конце мы изучаем экологическую применимость методов подсчёта повторением анализов опубликованного исследования (Боконь 2012) используя каждый из трёх методов, мы проверяем повторяемость результатов. Боконь (2012) изучала эффекты урбанизации на различных измерениях индивидуальных состояний здоровья Домо́вого воробья (Passer domesticus) численность которого снижается в некоторых частях мира, особенно на урбанизированных территориях. (Де лейт, Саммер-Смит 2007, Шерешш 2012) Авторы измерили 11 индексов стресса на взрослых птицах, чтобы проверить хуже ли физиологическое здоровье особей обитающих в более урбанизированных районах. Мы выбрали данное исследование потому что оно включает несколько экологически подходящих переменных, которые были проверены по отношению к урбанизации и относительно близкое к нашему число исследованных мест (21 место о которых сказано выше). Мы определили количество по ручному методу подсчёта Ликера (2008), таким образом, предоставив относительно большой набор достоверных «баллов урбанизации» подсчитанных вручную.

Методы

мы взяли цифровые снимки Google Maps для 21 места с различной степенью урбанизации изученных Боконью и др. (2012). Исследование каждого участка было представлено прямоугольной зоной 1×1 км c местоположением птиц по центру. Мы провели количественный анализ (квантификацию) урбанизированности каждого участка тремя способами описанными ниже.

Метод ручного подсчёта

Мы провели ручной подсчёт по Ликеру и др. (2008) на изображениях 1×1 км каждое из которых было разделено на 10×10 ячеек. Мы оценили содержимое каждой ячейки оценивая его по трём наиболее распространённым характеристикам: Зданиям (З), растительности (Р, включая агроландшафты и участки для вторичной застройки), запечатанным поверхностям (Д, главным образом дорогам и парковкам)

Из каждой ячейки, мы вычислили следующие суммарные измерения для каждой исследуемой территории: средний показатель плотности застройки (возможный диапазон 0-2), процент ячеек с большой плотностью растительности (>50%; диапазон 0-100). Для каждого исследуемого места мы вычислили «баллы урбанизации» используя PC1 из анализа главных компонентов (PCA) пяти разных переменных описанных выше. Мы ещё вернёмся к данным измерениям проведённым вручную.

Измерения ручным методом 21 территории, опубликованые Боконью и др.(2012) были скомпилированы для 3 исследователей. (То есть каждый исследователь подсчитывал неперекрывающееся подмножество 21 территории). (PCA) извлёк один главный компонент PC1 на который приходилось 92,2% всей дисперсии, и он сильно коррелировал с уменьшением растительного покрова и возрастанием по мере увеличения плотности застройки и запечатанных пространств. (Боконь и др. 2012) Чтобы проверить погрешность данного метода, двое из нас (Г.Ш и В.Б.) подсчитали каждое место дважды (с двухнедельным перерывом между подсчётами) и сгенерировали 2×2 набора ручных «очков урбанизации» (обозначенных как ГШ1, ГШ2, ВБ1, ВБ2 соответственно) с помощью PCA (Таблица 1) Мы использовали данные баллы, чтобы проверить соответствие «баллов урбанизации» (а именно, создали относительный рейтинг территорий по градиенту урбанизации) между исследователями (смотрите ниже). Тем не менее, чтобы проверить погрешность на уровне ячеек, мы выбрали одну подходящую территорию, находящуюся в середине городского градиента (кампус Веспрем) и проверили оценки, полученные ручным методом с помощью 10 независимых исследователей, не знающих целей нашего исследования, и двух ранее упомянутых исследователей с опытом подсчёта ручным методом (всего 12 исследователей). Мы использовали данные баллы, чтобы проверить соответствие между исследователями на уровне ячеек, и для сравнения с результатов полуавтоматического метода с результатами ручного подсчёта (см ниже). Дополнительно 10 исследователей (включая Г.Ш и В.Б.) подсчитали одно и тоже место дважды, с как минимум пятидневным перерывом между первым и вторым подсчётами. Мы использовали эти данные, чтобы проверить соответствие между результатами исследователей полученными методом ручного подсчёта на уровне ячеек (см ниже). Стоит отметить, что метод ручного подсчёта очень трудоёмок и время затратен, поэтому пересчитывание всех мест, множеством исследователей не было выполнимым.

Метод полуавтоматического подсчёта

Метод полуавтоматического подсчета, основанный на подходе Ликера и др. (2008) был разработан Цуни и др. (2012) Этот метод классификации основывается на нескольких особенностях изображений; его цель значительно сократить время необходимое для подсчётов при этом сохраняя точность настолько насколько это возможно.

Сначала мы создали соответствующую обобщающую классификационную модель, которая генерирует баллы для ячеек З, Р и Д категорий. Мы взяли космоснимки в формате jpeg территорий 1 км ×1 км, изученных Боконью и др (2012) с Google Maps. Поскольку данные космоснимки имели различное разрешение, мы нормировали размер 164см/пиксель и разделили каждое изображение на 100 ячеек. Данные ячейки служат в качестве единицы измерения для классификаций. (Размер на местности 100м×100м) Мы взяли 21 территорию в том же порядке, как и в оценке, методом ручного подсчёта Бокони и др. (2012) и выбрали каждое второе изображение для представления всего градиента город-сельская местность. Для выбранных изображений мы извлекли подходящие признаки c помощью методов обработки изображений, для получения многомерных векторов данных для нашей классификации. Для каждой ячейки мы вычислили значения 52 разных особенностей основанных на информации о цвете, текстуре, местных различиях (края, углы), как описано в деталях в работе Цуни и др. (2012). Вкратце, мы рассчитали следующие признаки: число краевых точек обнаруженных с помощью краевого детектора Кэнни (Кэнни 1986) применённого в 19 разных настройках (19 значений); число точек относящихся к одному из 5 сегментов классов: травяное покрытие, древесная/кустарниковая растительность, здания, дороги и другое с 4 разными настройками размеров окон по классификации Ло (20 значений Ло 1980), число угловых точек обнаруженных детектором углов Харриса (Харрис и Стефанс 1988) в 6 разных настройках (6 значений), средние значения Красного, Зелёного и Синего каналов с ячейками (3 значения), среднее значение модуса Хью (цветового пространства VHS) и соответствующей дисперсии Хью (4 значения).

В конце мы установили связь между многомерными векторами данных и ячейками исследованными методом ручного подсчёта, для значений З, Р, Д с помощью трёх независимых классификационных моделей. Для этих целей мы использовали набор данных ручного подсчёта ГШ3 и одного исследователя (Г.Ш.) имевшего обширный опыт работы с методом ручного подсчёта. Для задач классификации мы использовали алгоритм Машины опорных векторов (SVM) (Вапник 2006), являющийся надёжным классификатором и технику регрессии максимизурующую предполагаемую точность модели без переоснащения данных. После установления (подготовки) моделей, мы использовали остальные изображения для сравнения баллов подсчитанных вручную и указанных SVM моделью.

Созданная один раз модель может быть использована для генерации «баллов урбанизации» для других территорий, интересных пользователю. Мы просто приложили SVM модель к 21 изображению (100% ячеек) использованному для подготовки и проверки модели. Ландшафтные объекты одного и того же типа могут сильно варьировать внешне как в пределах одного, так и между изображениями (например, здания могут выглядеть очень по-разному), мы улучшили эффективность классификации SVM модели адаптирую классификатор Ло вручную выбирая несколько, обычно 1-5 тренировочных точек для каждой из трёх основных характеристик ландшафтного покрытия (З, Р и Д) в пределах каждого изображения. Затем мы предсказали значение З, Р и Д для каждой ячейки применив три соответствующие SVM модели мы рассчитали 5 сводных измерений покрытия оп Ликеру и др. (2008) из предсказанных значений З, Р и Д и использовали их в PCA, получив «баллы урбанизации» (Таблица А1). Мы обратимся к «баллам урбанизации» полученным с помощью измерений полуавтоматическим методом.

Наша классификационная модель полученная в указанном выше процессе подготовки может быть использована для генерации полуавтоматических баллов урбанизации на каждой территории 1км×1км, с помощью нашего приложения написанного на языках C++ и C#, использующего библиотеку «OpenCV» (Брадски, Кейхлер 2008). Приложение может быть бесплатно загружено вместе с мануалом для пользователя по ссылке https://keplab.mik.uni-pannon.hu/en/urbanization-index

Рисунок №1 Процесс построения классификационной модели методом полуавтоматического подсчёта

ГИС подсчёт

Для получения точного количественного измерения характеристик поверхностного покрытия изучаемых мест мы провели расчет, используя ГИС-программу ArcGIS 10.0 (ESRI 2010). Все расчёты были сделаны одним человеком имевшим опыт работы с ArcGIS, и неосведомлённым о целях исследования. В каждом изображении все полигоны ландшафтных объектов были отмечены и классифицированы как растительность, здания, дороги или другое (например, железные дороги или водные объекты). Затем мы вычислили общий процент территории каждого типа покрытия, суммируя площадь полигонов каждой из четырёх категорий. В конце мы получили «баллы урбанизации» с помощью PCA, включая процент покрытия трёх релевантных категорий (а именно, растительность, здания и запечатанные покрытия: Таблица А1) Мы ещё сошлёмся в дальнейшем на данное измерение как на «баллы ArcGIS». Чтобы сравнить баллы ArcGIS с баллами полученными методом ручного подсчёта на уровне ячеек изображения мы конвертируем пропорции покрытия зданиями, растительностью и запечатанными поверхностями каждой ячейки в значения 0,1 и 2 по Ликреу и др (2008).

Анализ данных

Мы оценили погрешность обоих методов подсчёта несколькими подходами. Для метода ручного подсчёта мы сначала проверили совпадения баллов между исследователями на уровне ячеек изображения кампуса Веспрем используя каппа-статистику, а именно, каппу Коэна с весом в квадрате для совпадения между двумя наборами баллов одного исследователя (N = 10) и каппу Флайса для совпадений между исследователями (N – 12, Пит 2001). Мы выразили уровень согласованности в процентах ячеек получивших одинаковые баллы между первым и вторым подсчётами исследователя (одного исследователя) для каждого исследователя и процентом ячеек полученных модальным значением первых подсчётов 12 исследователями данной ячейки (разными исследователями).

Затем мы проверили повторяемость на уровне изображений (территорий) методом ручного подсчёта с исследователями и без них (то есть «баллы урбанизации ГШ1, ГШ2, ВБ1 и ВБ2) внутриклассовым корреляционным коэффициентом (ICC, см. ниже) между каждой парой «баллов урбанизации». Мы также проверили повторяемость между данными баллами и оригинальными баллами Бокони и др (2012), которые были скомпилированы 3 исследователями.

Потом мы оценили повторяемость между баллами ручного подсчёта и баллами, полученными разными путями полуавтоматическим подсчётом. Мы измерили производительность классификационной модели процентом правильно классифицированных в процессе обеих этапов подготовки (то есть первая половина изображений) и этапа проверки (оставшаяся половина изображений) ячеек, методом подсчёта территории под ROC(рабочая характеристика приёмника) –кривой. ROC-кривая отображает долю истинно положительной классификации по отношению к доле ложно положительной классификации: территория под данной кривой равняется 1 для идеальных моделей и 0,5 когда классификация случайна (Хэнли, МакНейл, 1982). Затем мы проверили совпадаемость между полу-автоматическими баллами и баллами ручного подсчета, на которых классификационная модель была построена, на (ГШ3) всех уровнях ячеек кампуса Вестрем (каппа-Коэна) и на уровне изображений всех территорий(ICC). Мы также проверили повторяемость между полуавтоматическими баллами и другими наборами баллов полученных методом ручного подсчёта (ГШ1, ГШ2, ВБ1 и ВБ2).

В конце мы сравнили «баллы урбанизации» сгенерированные методом ручного подсчёта (то есть оригинальные баллы Бокони и др. (2012), ГШ1, ГШ2, ВБ1 и ВБ2) и новые полученные разработанным полуавтоматическим методом подсчёта с полученными из ArcGIS, на уровне территорий используя ICC. Мы не оценивали погрешность метода ArcGIS, так как мы относились к этому как к «мерилу» для относительно точных квантификаций ландшафтного покрова.

Чтобы исследовать экологическую применимость методов подсчёта мы повторили анализ Бокони и др. (2012) в котором исследовалось воздействие урбанизации ландшафта на физическое состояние птиц, и затем сравнили результаты. Вкратце мы использовали модель линейного смешанного эффекта (LME) содержащую каждое из 11 измерений уровня стресса как зависимую переменную, «баллы урбанизации» и различные смешанные переменные как предикторы, и взятую территорию как случайный фактор, чтобы проконтролировать не-независимость особей взятых в одном и том же месте. Затем мы сократили начальные модели пошаговым выбором команды «назад» пропуская эффект с наивысшим значением P, шаг за шагом пока не остались только релевантные значения (P< 0.05) но мы не исключали наши предикторы из нашего интереса, то есть урбанизацию и случайные факторы (подробности анализа данных см Боконь и др. 2012). Мы запустили модели с «баллами урбанизации» полученными либо полуавтоматическим методом подсчёта, либо подсчётом ArcGIS, мы сравнили результаты с теми, что были опубликованы Боконью и др. (2012), основанными на их ручных подсчётах. Мы взяли параметр оцененный для «баллов урбанизации» из каждой из 11 моделей и проверили их повторяемость (ICC) по трём подходам.

Статистический анализ, который мы запустили в R 3.0.1 (Основная команда разработчиков R) использовал функцию icc в irr пакете для расчёта ICC с 95% доверительным интервалом. ICC подход проверяет на повторяемость выряжая пропорцию дисперсии в символе (например «балле урбанизации») скорее между групп, чем в их пределах (например разные методы, или разные исследователи); дальнейшие подробности см. Лесселс и Боуг (1987).

Рисунок №2 Процесс вычисления баллов урбанизации полуавтоматическим методом

Результаты

Согласованность на уровне ячеек изображения

Изучая повторяемость у одного и того же исследователя, мы обнаружили, что ручной подсчёт ячеек снимка кампуса Веспрем показал высокую согласованность между первым и вторым ручными подсчётами 10 исследователей, включая 8 исследователей, не имевших опыта ручного подсчёта (Таблица 1а p < 0.012 для всех каппа-тестов). Что касается повторяемости между подсчётами разных исследователей, процент 12 исследователей поставивших модальное значение (то есть наиболее частый балл) для ячейки составило 70-90% для 100 ячеек, показывая, что у большинства исследователей баллы для большинства ячеек совпали (Таблица 1b; p < 0.001 для всех каппа-тестов). Повторяемость между исследователями для каждого типа ландшафтного покрытия варьировала вместе с количеством покрытия, как было измерено в ArcGIS, в каждой ячейка (рисунок №2). Для зданий мы обнаружили высокую неточность ручного подсчёта (то есть самый низкий процент совпадения с модальным значением), для ячеек со средним покрытием (20-30% зданий в ячейке), в то время как для растительности и запечатанных поверхностей баллы исследователей совпадали по крайней мере когда процент покрытия ячейки был близок к нулю (рисунок А2).

Согласованность между полу-автоматическими баллами и ручным подсчётом используемой для обучающего классификатора (ГШ3) также была значительной для кампуса Веспрем. (Таблица 1с p< 0.001 для всех каппа-тестов) и была сравнима с согласованностью между ручными подсчётами разных исследователей (см. Таблицу 1b). В целом, производительность классификационных моделей для трёх категорий ландшафтного покрытия всех мест была около 80% в течение как обучающей, так и проверочной фазы полу-автоматического метода (Таблица 2). Территория под ROC-кривой во всех случаях была выше, чем 0,7, показывая таким образом, что ожидаемая производительность SVM классификаторов подходила для наших целей (Таблица 2).

Согласованность на уровне «градиента урбанизации»

«Баллы урбанизации» для полного набора 21 мест были получены при помощи повторения ручного подсчёта двумя исследователями (ГШ1-ГШ2 и ВБ1-ВБ2), показавшего очень высокую повторяемость у одного и того же исследователя (Таблица 3) как это можно заменить из совпадения точек по оси на рисунке 3а. Для растительности оба исследователя достигли наивысшей повторяемости в наименее урбанизированных местах с большим процентом растительного покрова (Рисунок А3) в то время как для зданий и запечатанных поверхностей согласованность была наименьшей во время подсчёта мест со средним уровнем урбанизации (Рисунок А3).

Повторяемость между исследователями среди ручных «баллов урбанизации» Г.Ш, В.Б, и Боконью и др.(2012) была высокой и значительной во всех сравнениях (Таблица 3 и Рисунок 3а). Повторяемость также была высокой между «баллами урбанизации» полученными полуавтоматическим методом и различными ручными подсчётами (Таблица 3 и Рисунок 3а). Согласованности между ручным подсчётом Бокони и др (2012) и нашими баллами вычисленными измерением в ArcGIS была наивысшей когда процент растительного покрова был высоким, а процент зданий и запечатанных поверхностей был либо очень низким, либо очень высоким (Рисунок А4).

Согласованность экологических результатов

Модели физиологического состояния птиц содержат различные полученные качественно баллы урбанизации идентифицируют результаты физиологическогоо состояния птиц для каждого исследованного индекса (Рисунок №4 см подробности окончательной модели в таблице А2). Оценки параметров эффекта урбанизации сильно совпадали с ручным подсчётом Бокони и др (2012) и всеми полуавтоматическими баллами (ICC=0.838, p<0.001, N=21) и баллами ArcGIS (ICC=0.938, p<0.001, N=21). Повторяемость между полуавтоматическими баллами и баллами ArcGIS (ICC=0.73, p= 0.003, N=21; Рисунок № 4) была ниже, но всё равно значительной.

Обсуждение

Изучение градиента урбанизации в последнее десятилетие остаётся популярной областью исследований, подобные исследования используют множество различных методов количественного подсчёта интенсивности урбанизации. Здесь в рамках экологических проблем мы сравнили три широких подхода, чтобы оценить повторяемость и применимость двух методов подсчёта в сравнении с широко-принятым геоинформационным измерением. Хотя мы применили несколько похожих подходов и карты мира для квантификации различий по градиенту город-сельская местность с использованием данных дистанционного зондирования (например Арино и др 2007, Бартоломе и Белуорд 2005, Элвидж и др. 2007, Имхофф, Лоуренс, Штутцер и Элвидж 1997, Пэп и др 2013, Шнайдер и др 2010, Секстон и др 2010) нахождение применимого во всём мире пути измерения признаков ландшафтного покрытия в относительно пригодном масштабе остаётся проблемой. Карты мира обычно имеют относительно маленькое разрешение (обычно 1-2 км) и их применимость различается по степени развития регионов (рассмотрено Шнайдером и др. 2010) тогда как базы данных с лучшим разрешением (например 30-300 м) как правило существуют для конкретных регионов, либо временных интервалов, либо исследований (например Арино и др. 2007, Принс Петерсен Аунинс Придникс 2005, Секстон и др 2013). В каждой из данных рамок урбанизированные территории представлены как объект изучения различных черт, таких как численность населения, освещённость в ночное время, и классы покрытия, что приводит к несоответствиям в описании ими городского ландшафта (Шнайдер и др. 2010). Предложенный нами подход даёт простую альтернативу для квантификации сравнимых уровней урбанизации стандартизированным путём в любом регионе земли, в достаточно хорошем масштабе и позволяет исследователям гибкий выбор ландшафтных признаков без зависимости от национальных баз данных ландшафтного покрытия и регионально специфицированных параметров. В качестве начального этапа мы проверили производительность данного подхода, используя настройку разрешения около 1.6 м и 3 основных типа ландшафтного покрытия в пределах одного «городского экорегиона» (Шнайдер и др. 2010).

Таблица № 1 Согласованность баллов для 100 ячеек в кампусе Веспрем

Статистические каппа-данные выделенные жирным имеют большое значение p ≤ 0.001.

Таблица №2 Общая точность классификационных моделей З, Р и Д в полуавтоматическом методе подсчёта

Вначале мы оценили метод ручного подсчета, представленный Ликером и др.(2008). Хотя данный метод был применён в некоторых исследованиях (Боконь и др. 2010, 2012, Ликер и др. 2008, Жанг и Женг 2010, Жанг и др. 2011) его действительность не была подтверждена эмпирически. Основное преимущество метода ручного подсчёта – очень простые правила классификации и широкими диапазонами применимости и его легкоприменимость к любым аэрофотоснимкам изучаемых территорий включая общедоступные снимки Google Earth. Тем не менее, его результаты неизбежно склоняются к субъективной оценке решений сделанных различными исследователями в процессе классификации ландшафтного содержимого каждой ячейки изображения. Здесь мы показали, что действительно существует немаловажная вариация, как у одного и того же исследователя, так и между разными исследователями, во время присваивания значений 0,1 и 2 одному и тому же набору ячеек изображения, особенно при среднем проценте ландшафтного покрытия в ячейке (для зданий) или малом проценте (для растительности и запечатанных пространств). Данная вариация хорошо отражает различные и иногда непоследовательные правила когнитивной классификации, применённые исследователями. Например, малые и/или разбросанные пятна растительности или запечатанные поверхности покрытые навесом легко могут быть незамечены. Подобно этому оценивание ниже ли или выше 50 процент зданий в ячейке изображения (и соответственно значение 1 или 2 будет поставлено для данной ячейки) доказывает, что подсчёт ячеек со средним количеством зданий является сложнейшей задачей для исследователя.

Несмотря на данные неопределённости на уровне ячеек изображения мы обнаружили, что метод ручного подсчёта всё равно является надёжным способом оценки уровня урбанизации разных ландшафтов. Во-первых на уровне ячеек клетки уровень согласованности как у одного и того же исследователя, так и между разными исследователями был очень высок, таким образом показывая, что несмотря на упомянутые выше неопределённости даже у людей без какого-либо опыта результаты при подсчёте одних и тех же ячеек изображения скорее совпадают, чем различаются. После небольшой практики один из них смог достичь >90% уровня совпадаемости, как показано перерасчётами Г.Ш. в данном исследовании, но подобная точность также может быть достигнута исследователями без опыта (см Таб<