Разрешенные виды использования земельных участков классификатор: Утвержден новый классификатор видов разрешенного использования земельных участков

Классификация землепользования — обзор

9.06.3.2.2 Автоматическая классификация землепользования на основе дистанционного зондирования

Мы разработали полевой подход для классификации землепользования. Мы использовали границы налоговых участков округа Трэвис 2005 года (TCAD) в качестве границ полей для нашей классификации по полям. Преимущество использования границ налоговых участков заключается в том, что отдельные налоговые участки относительно малы и всегда содержат один и тот же тип землепользования. С другой стороны, методы сегментации изображений неспособны идентифицировать области однородного городского землепользования, а оцифровка вручную занимает слишком много времени, чтобы быть практическим подходом к разграничению однородных полей в городской среде.Тем не менее, основным ограничением границ налоговых участков является то, что они не охватывают улицы города. Таким образом, наша классификация землепользования сосредоточена только на классификации типов землепользования по налоговым участкам.

Мы протестировали 15 атрибутов участков, включая 12 атрибутов внутри участков и три контекстных атрибута участков, в качестве дискриминантных факторов для классификации землепользования. Атрибуты внутри участка включают размер участка, компактность формы участка, количество зданий, максимальное / стандартное отклонение / общий процент площади застройки, максимальное / стандартное отклонение высоты здания, максимальное / стандартное отклонение компактности формы здания, непроницаемое покрытие процентное соотношение в участках и статистика полувариантности текстуры внутри участков.Контекстные атрибуты участков включают в себя наивысшую категорию улиц в пределах 50 м, относительную меру текстуры зданий в определенном районе и индекс сходства с прилегающими участками. Большинство атрибутов участков были получены путем наложения границ участков с дополнительными данными в ГИС. Наша гипотеза состоит в том, что эти атрибуты земельных участков связаны с типами землепользования, и наша цель состоит в том, чтобы проверить, насколько хорошо эти атрибуты земельных участков, в совокупности или по отдельности, характеризуют различные типы землепользования, используя подходы классификации изображений в дистанционном зондировании.По аэрофотоснимкам мы смогли наблюдать, что некоторые типы землепользования четко связаны с определенными атрибутами земельного участка. Например, земельные участки на одну семью обычно бывают небольшими, прямоугольными и с одним зданием внутри; на участках многоквартирного землепользования обычно есть много построек внутри участков; земельные участки под коммерческое использование, как правило, расположены недалеко от основных дорог.

Чтобы вычислить параметр высоты здания, мы сначала оценили среднюю высоту этажа здания на основе данных о высоте, наложенных на контуры здания, на основе контуров зданий и центроидов.Затем мы вычли высоту этажа здания из высоты крыши здания (которая уже была доступна в данных о контурах здания), чтобы получить расчетную высоту здания. Мы рассчитали меры компактности формы зданий или участков, поделив площадь на квадрат периметра. Более изогнутая форма будет иметь меньшую компактность. На основе CFCC данных улиц (которые начинаются с числа от одного до четырех в зависимости от категории улицы) мы вычислили параметр категории улицы для участков с числом от одного до четырех на основе самого высокого уровня улицы в пределах 50-метрового буфера. посылок.Расстояние определялось субъективно с учетом общих размеров участков. Мы включили процентный параметр непроницаемого покрытия в наши критерии классификации землепользования, потому что в городе есть правила застройки участков, касающиеся максимального непроницаемого покрытия, разрешенного для определенных районов зонирования, и мы ожидали, что процентный показатель непроницаемого покрытия поможет охарактеризовать различные типы землепользования. Поскольку у нас нет дополнительных данных, которые определяют поверхность непроницаемого покрытия, мы вычислили процент непроницаемого покрытия участков на основе цифровых ортофотопланов CIR.В частности, мы сначала использовали неконтролируемый алгоритм классификации ISODATA, чтобы сгруппировать пиксели изображения в 10 классов на основе их трехполосных спектральных свойств. Затем мы выбрали, основываясь на визуальной интерпретации, три класса, наиболее близкие к поверхности проницаемого покрытия, и семь классов, наиболее близкие к поверхности непроницаемого покрытия. Наконец, процент непроницаемого покрытия отдельных участков был получен путем наложения карт классификации с границами участков в ГИС.

Статистические данные полувариантности текстуры в пределах земельных участков использовались для обозначения спектральной неоднородности в определенном масштабе (запаздывании) в предположении, что разные типы землепользования имеют разную спектральную неоднородность.Поскольку полувариантность была рассчитана на основе только одной полосы значений пикселей изображения, у нас был выбор относительно того, какую из трех полос ортофотопланов CIR использовать. Поскольку мы понимаем, что инфракрасный диапазон более чувствителен к спектральной отражательной способности растительности, чем другие диапазоны, мы предположили, что инфракрасный диапазон более способен обнаруживать спектральные различия между растениями и искусственными структурами, которые имеют отношение к неоднородности ландшафта и, возможно, также виды землепользования. Поэтому мы использовали инфракрасный диапазон для расчета полувариантности.Кроме того, с учетом относительно небольшого размера участков для одной семьи, меры полувариантности с небольшими задержками были предпочтительны для статистической надежности. Мы рассчитали полувариантность при лаге четыре (длина 4 пикселя, приблизительно 2,4 м) в качестве статистики текстуры.

Реляционная мера текстуры зданий была рассчитана как полувариантность от двоичного изображения здания, в котором пикселям зданий было присвоено значение, равное единице, а пикселям, не являющимся строительными, — значение нуля (Wu et al., 2008). Цель состоит в том, чтобы иметь меру текстуры для обозначения пространственного отношения между зданиями, на которое не влияет флуктуация спектральных значений пикселей, поскольку мы ожидали, что пространственные отношения между зданиями связаны с типами землепользования.Полувариантность рассчитывалась с запаздыванием, меньшим минимальной ширины здания, чтобы учесть разницу в размере здания между различными типами землепользования. Мы рассчитали полувариантность при лаге 12 (длина 12 пикселей, приблизительно 7,3 м) в качестве статистики текстуры. Чтобы рассчитать полувариантность для отдельных участков, необходимо определить расчетную окрестность. Принимая во внимание общие размеры участков и размеры зданий, 30-метровый буфер для каждого участка, за исключением участков без зданий внутри, использовался в качестве расчетной окрестности для участка.

Индекс сходства с прилегающими земельными участками был включен в критерии классификации землепользования, поскольку мы заметили, что некоторые виды землепользования, особенно односемейное землепользование, имеют тенденцию группироваться вместе. Индекс был рассчитан путем сравнения атрибутов участков с атрибутами смежных участков. Несмотря на то, что существует множество атрибутов участков, мы рассчитали индекс только на основе стандартного отклонения площади застройки, поскольку предварительное исследование показало, что этот атрибут обеспечивает наибольшую разделимость между типами землепользования среди 12 атрибутов участков.Средняя процентная разница этого атрибута с прилегающими участками была рассчитана как индекс для участков.

После того, как мы вывели 15 необходимых атрибутов участков для классификации землепользования, мы преобразовали векторные данные участков в многополосное изображение со значениями пикселей из значений атрибутов участков, чтобы мы могли использовать различные алгоритмы дистанционного зондирования для классификации участков на разные типы землепользования. Полученное изображение участка имеет 12 каналов, поскольку имеется 12 атрибутов участка.Мы выбрали точки обучающей выборки из отдельных типов землепользования пропорционально их соответствующему общему количеству участков вместо общей площади участков, поскольку площади участков не были полной поверхностью земли (поверхности дороги были исключены), и вместо этого нас интересует только количество записей об участках. сколько площадей участков правильно классифицируются на основе атрибутов участков. В нашей области исследования в общей сложности 33 025 участков. Чтобы выбрать учебные участки пропорционально из разных видов землепользования, мы сначала связали участки с наземным землепользованием, чтобы каждый участок имел информацию о своем наземном землепользовании.После этого мы случайным образом выбрали примерно половину участков в качестве учебных участков из каждого типа землепользования, а другую половину (тестовые участки) использовали для оценки точности. Всего у нас 16 506 обучающих посылок и 16 525 тестовых посылок. Затем мы использовали обучающие центроиды участков в качестве обучающих точек для классификации всего изображения участков. Поскольку многие атрибуты участков не имеют нормального распределения, некоторые обычно используемые параметрические классификаторы не подходят для использования, например, широко используемый классификатор максимального правдоподобия (MLC).Тем не менее, мы экспериментировали с множеством алгоритмов классификации, включая минимальное расстояние, параллелепипед, спектральный угловой преобразователь, расстояние Махаланобиса, двоичное кодирование, нейронную сеть и дерево решений, в дополнение к MLC. Классификатор дерева решений показал наилучшую точность классификации, поскольку классификатор не требует допущений относительно статистических свойств входных данных, а также способен обрабатывать как числовые, так и категориальные входные данные.

Классификация земель Агентства парка Адирондак

Процесс определения того, как применяются правила Агентства развития на частных землях начинается с изучения того, как земля засекречена.

Что означает классификация?

В Плане землепользования и развития парка Адирондак (APLUDP) все частные земли в парке подразделяются на шесть категорий, обозначенных цветом на карта плана парка: деревня (коричневый), умеренная интенсивность использования (красная), низкая интенсивность использование (оранжевый), сельское использование (желтый), управление ресурсами (зеленый) и промышленное использование использовать (фиолетовый).

Классификация конкретной области зависит от таких факторов как:

• существующие модели землепользования и роста населения;
• физических ограничений, связанных с почвами, склонами и высотами;
• уникальных объектов, таких как ущелья и водопады;
• биологические соображения;
• общественные соображения

Предполагаемая цель системы классификации — направить рост в тех областях, где он может быть лучше всего поддержан, и свести к минимуму распространение развития в областях, менее подходящих для поддержания таких рост.

Определения классификации частных земель

Следующие классификация территорий землепользования
APLUDP и общее описание их назначение:

ГАМЛЕТ

Это рост и сервис Центры Парка, где Агентство поощряет развитие.Умышленно, Агентство имеет очень ограниченное разрешение требования в деревнях. мероприятия требующие разрешения агентства возведение зданий или сооружений свыше 40 футов высотой, проекты, в которых задействовано больше более 100 лотов, участков или объектов, проектов с участием водно-болотных угодий, аэропортов, водоразделов управленческие проекты, а также некоторые расширения зданий и использования.Границы Гамлета обычно идут хорошо за пределами установленных поселений чтобы предоставить место для будущего расширения.

УМЕРЕННАЯ ИНТЕНСИВНОСТЬ ИСПОЛЬЗОВАНИЯ

Разрешено большинство видов использования; относительно концентрированная жилая застройка является наиболее подходящим.

НИЗКАЯ ИНТЕНСИВНОСТЬ ИСПОЛЬЗОВАНИЯ

Разрешено большинство видов использования; Жилой развитие с меньшей интенсивностью, чем деревня или умеренная интенсивность подходящее.

ИСПОЛЬЗОВАНИЕ В СЕЛЬСКИХ УСЛОВИЯХ

Разрешено большинство видов использования; бытовое использование и пониженная интенсивность развитие, сохраняющее сельский характер, Самый подходящий.

УПРАВЛЕНИЕ РЕСУРСАМИ

Большая часть девелоперских работ в области управления ресурсами будут требуется разрешение агентства; совместимый использование включает бытовое использование, сельское хозяйство, и лесное хозяйство.Особое внимание уделяется для защиты естественного открытого пространства характер этих земель.

ПРОМЫШЛЕННОЕ ИСПОЛЬЗОВАНИЕ

Здесь существуют промышленные применения или существовали, и области, которые могут быть подходит для будущего промышленного развития. Промышленное и коммерческое использование также разрешены на других участках землепользования классификации.

Рекомендации по общей интенсивности

Классификация земель в Законе APA предназначены для развития каналов в области, где это лучше всего поддерживается и контролировать общую плотность разработка. Хотя очень мало типов деятельность запрещена законом, некоторые виды деятельности запрещены в определенные участки землепользования.

Установив лимиты на сумму строительство и подъездные дороги, клиринговые, вспомогательные службы и т. д. — Закон предполагает, что Парк будет сохранить свой естественный характер открытого пространства в то время как сообщества в парке продолжают расти экологически чувствительным образом. Общий интенсивность правила устанавливаются землепользованием классификация.Пока интенсивность руководящие принципы предписывают средние размеры партии для строительства они не минимальная партия размеры; разные минимальные размеры лота также установленный законом. Только земли, принадлежащие спонсору проекта, учитывается при применении интенсивности руководящие указания. Существующие или предлагаемые постройки на соседних землях не считать.

Для получения дополнительной информации о классификации территорий землепользования см. Стр. 2 Справочник по правилам землепользования в парке Адирондак (pdf 370kb).

Как классифицируется моя земля?

Для определения классификации территорий землепользования для физических лиц. земельный участок, нужно написать или позвонить офис агентства Adirondack Park.

План землепользования и развития парка Адирондак Карта и штат Можно просмотреть сокращенную факсимильную карту генерального плана земли. онлайн здесь …

Программы местного землепользования

Закон об агентстве парка Адирондак разрешает любому местному правительству в пределах Парк разработает собственные местные программы землепользования, которые в случае утверждения Агентством, может передать некоторые разрешительные полномочия от Агентства к юрисдикции местного правительства.

Города с утвержденными агентством программами местного землепользования
Округ Эссекс: Chesterfield, Newcomb, Westport, Willsboro
Округ Фултон: Caroga
Округ Гамильтон: Ариетта, Индийское озеро,
Округ Святого Лаврентия: Colton
Округ Саратога: День, Эдинбург
Округ Уоррен: Болтон, Честер, Джонсбург, Лейк-Джордж, Лейк-Джордж-Виллидж, Гаага, Хорикон, Куинсбери

В этих городах землевладелец должен всегда консультироваться с местным жителем. администратор кода или офицер правоприменения, в дополнение к Adirondack Park Agency, в тех случаях, когда следующие указания и контрольные списки предполагают, что разрешение может потребоваться Адирондак Закон о парковом агентстве.

Сводная таблица юрисдикции …

Хотя мы не предлагаем начинать с этой диаграммы из-за ее сложности, сводка диаграммы Управления по землепользованию и развитию Агентства парка Адирондак и Subdivisions занимается вопросами юрисдикции в шести частных классификации площадей землепользования.

Определения государственной классификации земель…

Помимо частной земли, в парке Адирондак также есть государственные земли. Есть семь состояний классификации земель в Генеральный план земель государственного парка Адирондак.

Метаданные: Обобщенное землепользование — исторические данные за 1984, 1990, 1997, 2000, 2005, 2010 и 2016 годы для муниципальной зоны городов-побратимов

КЛАССА ДЛЯ ЗЕМЛЕПОЛЬЗОВАНИЯ 1984, 1990 И 1997 ГОДОВ (LUSE1984, LUSE1990 и LUSE1997)

LUSE1984, LUSE1990 и LUSE1997:
Коды землепользования 1984, 1990 и 1997 годов (двухзначное целочисленное поле)
00 = Нет данных (только для 1984 и 1990 гг.)
01 = Жилой на одну семью
02 = Многосемейный жилой дом
03 = Коммерческий
04 = Промышленное
05 = общественное полуобщественное
06 = Аэропорты
07 = Парки и зоны отдыха
08 = Вакантный / Сельскохозяйственный
09 = Большое четырехполосное шоссе
10 = Открытые водоемы
11 = Усадьбы
12 = Экстрактивный (только 1997)
41 = Индустриальные парки не застроены
51 = общественный и полуобщественный вакантный
54 = Общественное Промышленное (только 1997)

ПОДРОБНОЕ ОПИСАНИЕ:

00 — Нет данных
Внешняя граница семи уездных районов метро была иной для слоев землепользования 1984 и 1990 годов, чем для слоев 1997 и 2000 годов.В этом комбинированном наборе данных используется более точная граница 2000 года. По этой причине вокруг границы существует ряд небольших полосатых полигонов без значений землепользования с 1997 года и ранее.

01 — Жилой на одну семью
Включает все индивидуальные, отдельно стоящие дома для одной семьи (включая промышленные дома). В пределах MUSA (столичная городская зона обслуживания) и в жилых застройках за пределами MUSA линии участков, видимые на фотографиях, использовались для определения границ использования жилой земли.В тех случаях, когда жилые застройки были явно незавершенными, незастроенная территория классифицировалась как свободная. Для разрозненных сельских жилых районов за пределами MUSA только часть участков, используемых под жилые дома, была отнесена к категории жилых домов.

02 — Многоквартирный жилой дом
Включает все многоквартирные жилые единицы, такие как дуплексы, бунгало, дома-близнецы, таунхаусы, четырехместные дома и жилые комплексы. Также включены здания, которые в основном представляют собой квартиры, в которых есть несколько групповых столовых (однако, не те здания, которые соответствуют определению переписи «групповых кварталов», например, общежития, дома престарелых или медицинские учреждения).

03 — Коммерческая
Включает все розничные продажи, услуги, отели и мотели, медицинские учреждения (например, медицинские и стоматологические клиники, офисы и медицинские лаборатории, но не больницы и дома престарелых) и развлекательные услуги, которые преимущественно находятся в частной собственности и используются для получения прибыли (например, театры, боулинг, конные ранчо) кроме полей для гольфа. Больницы и дома престарелых включены в категорию «Общественные и полуобщественные», а поля для гольфа — в класс «Парки и зоны отдыха».Для крупных торговых центров показаны только реально развитые районы. Это сделано для того, чтобы с годами можно было показать новые разработки (например, рестораны или заправочные станции на дорогах по периметру).

04 — Промышленное
Включает коды с 14 по 50 Федеральной стандартной отраслевой классификации (SIC). Это включает производство, транспорт, строительство, связь, коммунальные услуги и оптовую торговлю. В категорию «Промышленные» также включены некоторые виды использования земель для садоводства (например,грамм. большие теплицы, не продающиеся в свет). С 1997 года гравийные карьеры и карьеры были отнесены к новой категории под названием «Добывающая промышленность», а все находящиеся в государственной собственности территории, которые преимущественно носят промышленный характер, были помещены в новую категорию под названием «Общественное промышленное производство».

05 — общественное полуобщественное
Включает земли под и прилегающей к школам (государственным и частным), больницам, церквям, кладбищам, ледовым аренам и всем объектам местных, государственных и федеральных органов власти, включая дома для выздоравливающих, психиатрические учреждения и пенитенциарные учреждения, находящиеся в ведении правительства любого уровня.Все земли в границах этих учреждений и объектов включены в эту категорию. Однако в некоторых случаях неиспользуемые земли были включены в категорию «общественных и полуобщественных свободных мест» (например, собственность Университета Миннесоты в Роузмаунте или часть земель, прилегающих к дому ветеранов Миннесоты в Гастингсе).

06 — Аэропорты
Все типы аэропортов.

07 — Парки и зоны отдыха
Включает все парки (городские, региональные и государственные), заповедники дикой природы, детские площадки, зоопарки, оружейные клубы, поля для гольфа и аналогичные территории (включая зоны управления дикой природой DNR, а также научные и природные территории).Парки очерчены с использованием их фактических границ, взятых непосредственно из комплексных планов, карт парков или данных земельных участков.

08 — Свободно / С / х
Включает земли, идентифицируемые по аэрофотоснимкам как открытые и используемые в сельском хозяйстве, другие виды использования без зданий или неиспользуемые земли. Обратите внимание на то, что специальные земли для садоводства используются в закрытых помещениях (выращивание питомников, цветов, семян, дерна и пищевых культур в больших теплицах, которые не продаются населению; а также большие скопления сельскохозяйственных построек (например.g., сараи, навесы и силосы)) включены в категорию «Промышленные», где их можно выделить. В тех случаях, когда жилищное использование находится на больших участках, категория использования земли под жилую застройку включает только дом и скошенную часть земельного участка, а остальные помещаются в эту категорию вакантных и сельскохозяйственных земель.

09 — Большое четырехполосное шоссе
Включает только основные автомагистрали между штатами и 4-полосные автомагистрали с полосой отвода 200 футов или более. Также в 1997 году были включены все 4-полосные дороги с обозначением функционального класса муниципального совета «Главная магистраль».’

10 — Открытые водоемы
Включает озера размером более 5 акров и реки шириной более 200 футов.

11 — Усадьбы
Включает только ту часть земли, которая окружает постройки усадьбы.

12 — Добыча
Новая категория в 1997 году. Включает все гравийные карьеры и карьеры.

41 — Индустриальные парки не застроены
Земельные участки в обозначенном (названном) индустриальном парке, но не застроенном.

51 — Вакантное общественное и полуобщественное место
Земельный участок, принадлежащий правительству или университету, который не застроен (например, часть арсенала в Арден-Хиллз или собственность университета в Роузмаунте).

54 — Общественное Промышленное
Новая категория в 1997 году. Включает все находящиеся в государственной собственности территории, которые преимущественно являются промышленными (например, очистные сооружения сточных вод, гаражи для городских автобусов и зоны складирования песка и соли Департамента транспорта). В прошлом некоторые из них кодировались как промышленные, а другие — как общедоступные.

КЛАССА ДЛЯ ЗЕМЛЕПОЛЬЗОВАНИЯ 2000, 2005, 2010 и 2016 (LUSE2000, LUSE2005, LUSE2010 & LUSE2016)

LUSE2000, LUSE2005, LUSE2010 и LUSE2016:
Коды землепользования 2000 и 2005 гг. (Трехзначное текстовое поле).
100 = Сельское хозяйство
111 = Усадьба
112 = Сезонный / Отпуск
113 = Отдельная одна семья
114 = одна семья прикреплена
115 = Многосемейный
116 = Промышленные жилые парки
120 = Розничная и прочая коммерческая деятельность
130 = Офис
141 = Жилой смешанного использования
142 = Промышленное смешанное использование
143 = Коммерческое и другое смешанное использование
151 = Промышленное и коммунальное хозяйство
153 = Добыча
160 = институциональные
170 = Парк, Отдых или Заповедник
173 = Поле для гольфа
201 = Большое шоссе
202 = Железная дорога
203 = Аэропорт
210 = Незавершенный
220 = Вода

ПОДРОБНОЕ ОПИСАНИЕ (ПРИМЕЧАНИЕ: не в числовом порядке):

ОДНОСЕМЕЙНЫЙ ЖИЛОЙ
Земля, используемая исключительно для проживания и состоящая из одной жилой единицы.Включает следующие четыре кода:

111 — УСАДЬБА
Земля, на которой расположен жилой дом на одну семью и прилегающие постройки фермы. Связанные постройки фермы могут включать в себя постройки, используемые для животноводства (сараи, курятники, зернохранилища и т. Д.), А также вспомогательное использование, при условии, что такое вспомогательное использование является второстепенным для сельскохозяйственной деятельности.

112 — СЕЗОН / ОТПУСК
Земля, соответствующая общему определению односемейного жилого дома, содержащего жилую единицу, которая используется сезонно или используется в качестве недвижимости для отдыха.

113 — ОТДЕЛЕНИЕ ОДНОЙ СЕМЬИ
Земля, соответствующая общему определению жилого дома на одну семью и отделенная от любой другой жилой единицы (т. Е. С открытым пространством со всех четырех сторон, включает отдельно стоящие городские дома).

116 — ПРОИЗВОДСТВЕННЫЙ ЖИЛИЩНЫЙ ПАРК
Земля, соответствующая общему определению односемейного, отдельно стоящего жилья и предназначенная для размещения многоквартирных жилых домов. Примечание: эта классификация НЕ используется для индивидуального промышленного дома.

МНОЖЕСТВЕННЫЙ ЖИЛОЙ
Земля, используемая исключительно для жилых многоквартирных домов, состоящих из одного или нескольких зданий. Включает следующие два кода:

114 — ПРИСОЕДИНЕНИЕ ОДНОЙ СЕМЬИ
Земельный участок, отвечающий общему определению многоквартирного жилого дома, состоящего из двух или более пристроенных жилых единиц (с общей стеной, каждая с первичным выходом первого этажа наружу, независимо от количества квартир или размера. Пример: пристроенный таунхаус, двухместное бунгало, триплекс, и т.п.

115 — МНОЖЕСТВЕННО
Земельный участок, отвечающий общему определению многоквартирного жилого дома, состоящего из двух или более пристроенных жилых единиц, одна или несколько из которых не имеют первичного выхода на цокольный этаж наружу. Пример: многоквартирные дома, кондоминиумы или дома для престарелых — с минимальными удобствами для проживания — с главным входом для всех жителей.

Примечание: там, где невозможно было провести различие между этими двумя категориями на основе данных аэрофотосъемки и данных оценщиков, следующим критерием для дифференциации было количество единиц.Если неотличимый участок содержал от двух до четырех единиц, он кодировался как односемейный прикрепленный. Если в нем было 5 или более единиц, он кодировался как Multifamily. Если количество единиц также не было доступно, то окончательное различие проводилось с помощью теста типа дома. Если он выглядел как дом с фотографии (например, большой дом, разделенный на квартиры), он классифицировался как односемейный, в противном случае — многосемейный.

КОММЕРЧЕСКИЙ
Включает следующие два кода:

120 — РОЗНИЧНАЯ И ДРУГАЯ КОММЕРЧЕСКАЯ ИНФОРМАЦИЯ
Земля, используемая для предоставления товаров или услуг.Эта категория предназначена для общих продаж и услуг, которые составляют подавляющее большинство предприятий, обычно связанных с коммерческим использованием земли. Эта категория используется по умолчанию для коммерческого / розничного землепользования. Пример: магазин, ресторан, гостиница, банк, Metrodome, Excel Center — большие коммерческие стадионы или арены, мини-склады, Canterbury Downs, YMCA, сезонные автодомы, American Legion, благотворительные магазины (например, Goodwill, Salvation Army и т. Д.) клюшки для стрельбы по тарелочкам и стрельбище на открытом воздухе (большие игровые / стрелковые клубы (более 80 акров) должны принадлежать парку, зоне отдыха или заповеднику).

130 — ОФИС
Земля, используемая преимущественно для административных, профессиональных или канцелярских услуг. Примеры: юридические бюро, бухгалтерские фирмы, клиники (но не больницы), ветеринарные клиники или больницы.

СМЕШАННОЕ ИСПОЛЬЗОВАНИЕ
Земельный участок, на котором находится здание смешанного назначения. Включает следующие три кода:

141 — ЖИЛОЙ СМЕШАННЫЙ ИСПОЛЬЗОВАНИЕ
Земля, на которой находится здание многократного использования в сочетании как минимум с жилой единицей (ями).Примеры: Galtier Plaza в Сент-Поле, семейная пекарня с жилым пространством над ней.

142 — ПРОМЫШЛЕННОЕ ИСПОЛЬЗОВАНИЕ СМЕШАННОГО ПРИМЕНЕНИЯ
Земля, на которой находится здание многократного использования в сочетании с промышленным использованием и БЕЗ жилых единиц. Примером может служить здание со складом, офисами и магазинами.

143 — КОММЕРЧЕСКАЯ И ДРУГАЯ ИНФОРМАЦИЯ СМЕШАННОГО ПРИМЕНЕНИЯ
Земля, на которой находится здание многократного использования, но БЕЗ жилых единиц или промышленного использования.Примером может служить здание с коммерческими магазинами, детским учреждением, офисами и / или ресторанами. В центральных районах обычно есть здания, где первый и / или второй этаж являются коммерческими, а остальные — офисными (например, Lawson Software Building), эти типы зданий будут отнесены к этой категории.

ПРОМЫШЛЕННЫЙ
Включает следующие два кода:

151 — ПРОМЫШЛЕННО-КОММУНАЛЬНЫЙ
Земля, на которой расположены производственные, транспортные, строительные компании, средства связи, коммунальные услуги (включая водонапорные башни) или оптовая торговля.В эту категорию входят промышленные земли, находящиеся в государственной собственности (например, очистные сооружения для сточных вод, склады (включая коммерческие склады), автомобильные склады и некоторые виды специального садоводства (большие теплицы, которые не продаются населению).

153 — ЭКСТРАКТИВНЫЙ
Земля, содержащая добывающую промышленность (например, гравийные карьеры и карьеры).

160 — ИНСТИТУЦИОНАЛЬНЫЙ
Земля, используемая в основном для религиозных, государственных, образовательных, социальных, культурных или крупных медицинских учреждений — пациенты с ночевкой (например, больницы, школы, места отправления культа, кладбища, ратуши, музеи, а также ярмарочные площади округов и штатов).

ПРИМЕЧАНИЕ: Вся земля должна классифицироваться на основе использования, а НЕ собственности! Если земля принадлежит церкви, но выглядит как односемейное, отдельно стоящее жилье, скажем, для священника или духовенства, тогда землепользование должно быть односемейным, отдельно стоящим жилым, НЕ институциональным.
Институциональная категория включает все земли, находящиеся в государственной собственности, которые явно не относятся к какой-либо другой категории (например, не под офисы, парки, промышленные объекты и т. Д.). Клиники и медицинские учреждения, в которых проводятся только амбулаторные процедуры, будут классифицироваться как офисные, а не институциональные.

ПАРК И ОТДЫХ
Включает следующие два кода:

170 — ПАРК, ОТДЫХ ИЛИ ЗАПОВЕДНИК
Земля, используемая для парков и мест отдыха (Например: площадки для игры в мяч на уровне сообществ, региональные или небольшие городские парки — общественные или частные, детские площадки, зоны отдыха и другие места — в помещении или на открытом воздухе — для спортивных мероприятий или подобных целей). Также включает в себя использование пассивной деятельности, например, парковые заповедники, заповедники, зоны обитания, общественные площади, речные прогулки, земли, принадлежащие ДНР, зеленые дорожки и другие государственные или частные охраняемые земли.

173 — КУРС ДЛЯ ГОЛЬФА
Земля, используемая для игры в гольф, включая тренировочное поле и тренировочные площадки, и в большинстве случаев включает всю землю, принадлежащую загородному клубу, если преобладающим использованием земли является поле для гольфа.

ТРАНСПОРТИРОВКА
Включает следующие три кода:

201 — АВТОМОБИЛЬНАЯ МАГИСТРАЛЬ
Основные полосы проезжей части земли или территории, на которой существует право проезда транспортных средств при следующих условиях: все межгосударственные автомагистрали; все 4-полосные автомагистрали с шириной полосы отвода 200 футов или более; или все 4-полосные дороги с обозначением функционального класса Столичного совета «Главная магистраль».

ПРИМЕЧАНИЕ. Если вдоль проезжей части для транспортных средств существуют близко выровненные передние дороги, отвечающие вышеуказанным критериям, эти передние дороги будут включены в общую полосу отвода. Кроме того, землепользование в пределах полосы отвода от основной автомагистрали, как указано выше, но явно имеет другое использование (например, сельское хозяйство — пропашные культуры), следует классифицировать по фактическому использованию. Кроме того, для единообразия, если некоторые основные дороги, которые не соответствуют указанным выше критериям, еще были классифицированы как основные магистрали в прошлом наборе данных о землепользовании, они останутся основными магистралями.

202 — ЖЕЛЕЗНАЯ ДОРОГА
Земля, используемая и занятая или предназначенная для использования под многоколейные железнодорожные линии или аналогичное использование, включая классификацию железных дорог, складские и ремонтные площадки, интермодальные контейнерные грузовые и перегрузочные объекты, депо и т. Д., Которые могут быть отнесены к промышленному землепользованию.

203 — АЭРОПОРТ
Земля, используемая для эксплуатации самолетов и любых связанных с этим видов использования на территории аэропорта (например, парковка или аренда автомобилей). Такие виды использования, как поля для игры в мяч на территории аэропорта, не будут включены в эту категорию.

100 — СЕЛЬСКОЕ ХОЗЯЙСТВО
Земля сельскохозяйственного назначения. Включает заметное земледелие (например, обработка почвы или посевные ряды) садоводство, цветоводство (экзотические цветы), виноградарство (виноград), пастбища и широкий спектр другой сельскохозяйственной деятельности (например: содержание и обучение лошадей, питомники, дерновые фермы, деревья фермы, производство и переработка рыбы, складские помещения или строения). Сельскохозяйственные постройки (включая откормочные площадки), не являющиеся частью усадьбы (см. Определение ниже), включены в эту категорию.Примечание. Не все сельскохозяйственные угодья можно различить на основе имеющихся данных (аэрофотосъемка и данные оценщиков). Таким образом, значительная часть земель сельскохозяйственного назначения может быть отнесена к категории Незастроенных. Раньше большие откормочные площадки относились к категории промышленных.

210 — В РАЗРАБОТКЕ
Земля, которая в настоящее время не используется для каких-либо определенных целей, которая может содержать или не содержать здания или другие сооружения или не имеет видимого использования на основании аэрофотоснимков или доступных данных.К неосвоенным могут относиться незащищенные водно-болотные угодья или земли, находящиеся в настоящее время в разработке.

220 — ВОДА
Открытая вода или проточная водная артерия, в том числе в пределах заметной береговой линии. Обычно сюда не входят заболоченные земли или периодически затопляемые территории. Как правило, следует разграничивать только участки размером три акра или больше. Области, которые можно определить как другой тип землепользования, не будут отображаться как в категории «Вода» (например, главный автомобильный мост через реку и пристань для яхт).

Карты землепользования и покрытия штата Мату-Гросу в Бразилии с 2001 по 2017 год

В этом разделе мы подробно описываем наш подход к созданию карт землепользования и покрытия штата Мату-Гросу.Основные этапы показаны на рис. 2.

Диаграмма, изображающая наши методы.

Входные данные

Мы основывали нашу работу на кубе данных наблюдения Земли, используя данные, хранящиеся в облачном сервисе (Amazon Web Services), по которому мы проводили классификацию. Входные данные представляют собой набор изображений MOD13Q1 из коллекции 6, предоставленных NASA / LPDAAC с 1 сентября 2000 г. по 31 августа 2017 г., охватывающих штат Мату-Гросу. Изображения MOD13Q1 доступны каждые 16 дней с пространственным разрешением 250 метров в синусоидальной проекции ⁹ .Для нашего анализа мы использовали нормализованный разностный вегетационный индекс (NDVI), улучшенный вегетационный индекс (EVI), атрибуты в ближнем инфракрасном (NIR) и среднем инфракрасном (MIR) диапазоне.

Набор данных образцов содержит 2115 образцов, содержащих долготу, широту, дату начала, дату окончания и метку. Мы определили девять классов землепользования и покрова: (1) лес, (2) серрадо, (3) пастбище, (4) соевый пар (единичная культура), (5) паровой хлопок (единичная культура), (6) соя. -хлопок (двойной урожай), (7) соя-кукуруза (двойной урожай), (8) соя-просо (двойной урожай) и (9) соя-подсолнечник (двойной урожай).Наши образцы варьируются от 2000 до 2015, и все образцы доступны в репозитории PANGEA ¹⁰ . Данные о сельскохозяйственных культурах и пастбищах были собраны посредством полевых наблюдений и интервью с фермерами, предоставленными ^7,11 . Образцы серрадо и леса были получены в результате полевых исследований и изображений с высоким разрешением. Образцы почвы для сои-пара были предоставлены в ходе полевых работ на основе предыдущей работы ⁵ . Классы показаны в таблице 1.

Мы получили данные временных рядов для 2115 выборок из веб-службы временных рядов (WTSS) ¹² , пакета R, доступного на CRAN (https://CRAN.R-project.org/package=wtss). Каждая выборка соответствует одному году наблюдений, который включает 23 значения MOD13Q1 на полосу.

Временные структуры образцов грунта (таблица 1) с использованием диапазонов NDVI, EVI, NIR и MIR можно увидеть на рисунке 3, на котором используется обобщенная аддитивная модель для оценки совместного распределения набора данных образцов для каждого класс ¹³ .

Временные структуры диапазонов NDVI, EVI, NIR и MIR для классов землепользования и покрова. Шаблоны получены с использованием обобщенной аддитивной модели на временных рядах набора данных выборки. Источник ⁸ .

Предварительная обработка для контроля качества выборки

Одной из ключевых проблем при использовании выборок для обучения моделей классификации машинного обучения является оценка их качества. Шумные и несовершенные обучающие выборки могут отрицательно сказаться на производительности классификации ¹⁴ .Поэтому полезно применять методы предварительной обработки, чтобы улучшить качество образцов и удалить те, которые могли быть неправильно маркированы или которые имеют низкую дискриминационную способность. В этой работе мы применили метод кластеризации на основе нейронной сети самоорганизующихся карт (SOM) для проверки качества выборки.

Самоорганизующиеся карты — это метод уменьшения размерности ¹⁵ . Данные высокой размерности отображаются в двух измерениях, сохраняя топологические отношения между шаблонами данных.Это позволяет пользователям визуализировать и оценивать структуру входного набора данных. Для контроля качества обучающих данных мы использовали метод кластеризации SOM, входом которого является набор данных выборок временных рядов. Выходной слой состоит из двухмерной сетки нейронов, каждый из которых связан с весовым вектором той же размерности, что и входное пространство.

В алгоритме SOM двумерная сетка нейронов инициализируется случайным образом. Затем для каждой выборки временного ряда алгоритм находит нейрон с наименьшим расстоянием до образца на основе его весового вектора.После совпадения вектор веса нейрона и его соседей обновляются. После того, как все обучающие выборки связаны с нейронами, каждый нейрон маркируется большинством голосов, выбирая наиболее часто встречающийся класс из связанных с ним выборок. Таким образом, SOM разбивает пространство вывода на регионы. Ожидается, что образцы каждого класса хорошего качества будут близко друг к другу на итоговой карте.

Для повышения надежности процедур контроля качества ЗВОС проводился несколько раз.Используя эту итеративную процедуру, мы вычислили вероятность принадлежности каждой выборки результирующим кластерам. Исходя из этих вероятностей, мы проанализировали разделимость образцов с аналогичными фенологическими образцами и решили, какие образцы следует отбросить. Это позволяет использовать SOM для обнаружения и удаления выбросов. В таблице 2 показано, как работает этот метод. Он содержит три образца пастбища, обозначенных от 1 до 3. Для образца 1 его исходная и кластерная этикетка совпадала в 100% случаев. Для образца 2 совпали только 52% исходных меток и меток кластера.Наконец, образец 3 соответствовал только 5% оригинальной этикетки. Мы определяем хорошие образцы как те, которые соответствуют как минимум в 80% случаев. Таким образом, в этом примере образцы 2 и 3 были удалены из набора данных.

Для выборок Мату-Гроссо кластеризация на основе SOM сократила обучающий набор данных на 10,5%, с 2115 до 1892 записей. Этот отфильтрованный набор данных затем использовался для обучения модели классификации.

Классификация временных рядов изображений

Для создания наших карт мы использовали вспомогательную векторную машину (SVM) в качестве модели классификации.Учитывая многомерный набор данных, SVM находит оптимальную гиперплоскость разделения, которая сводит к минимуму ошибки классификации ¹⁶ . Для данных, которые нельзя разделить линейно, SVM включает функции ядра, которые отображают исходное пространство признаков в пространство более высоких измерений, обеспечивая нелинейные границы исходного пространства признаков. SVM — один из наиболее широко используемых алгоритмов в приложениях машинного обучения, который широко применяется для классификации данных дистанционного зондирования ¹⁷ .

В недавнем обзоре методов машинного обучения для классификации данных дистанционного зондирования ¹⁸ авторы отмечают, что многие факторы влияют на производительность этих классификаторов, включая размер и качество набора обучающих данных, размер пространства признаков и выбор параметров.Предыдущие эксперименты авторов с данными Mato Grosso показали, что классификатор SVM имеет лучшую производительность, чем другие методы машинного обучения, такие как случайный лес для данных временных рядов MOD13Q1 ⁸ .

Для обучения SVM мы использовали 92-мерное пространство признаков, содержащее четыре временных ряда для каждого пикселя. Каждый временной ряд содержит 23 отсчета одного из диапазонов MOD13Q1 NIR, MIR, EVI и NDVI. Набор данных из 1892 помеченных и контролируемых по качеству временных рядов использовался для обучения модели SVM с использованием функции ядра с радиальным базисом (RBF) со стоимостью \ (C = 1 \) и γ = 1/92 ¹⁹ .Мы выбрали эти параметры на основе 5-кратного перекрестного теста. Параметр C — это стоимость, используемая в качестве параметра сглаживания границ гиперплоскости, а γ — это параметр нормализации расстояния, используемый в ядре RBF. Мы использовали пакет Sits R для обучения SVM и классификации всех тайлов Mato Grosso MOD13Q1, хранящихся в сервисе AWS S3.

Локальное сглаживание байесовской фильтрацией

Одним из хорошо зарекомендовавших себя методов анализа изображений дистанционного зондирования является комбинирование методов классификации на основе пикселей с методом пространственной постобработки для удаления выбросов и неверно классифицированных пикселей.Предлагаемые в литературе методы включают модальные фильтры ²⁰ и вероятностную релаксацию ²¹ . Наш метод использует байесовское сглаживание для переклассификации пикселей.

Обычно методы машинного обучения присваивают каждому пикселю вероятности класса. Большинство приложений, использующих этот подход, выбирают наиболее вероятный класс из выходных данных классификатора в качестве категориального результата для каждого пикселя. Предлагаемый метод использует вероятности всех классов пикселей для вычисления результирующей достоверности.Когда величина расхождений между вероятностями пикселей высока, у нас больше уверенности в классификации. В противном случае, когда вероятности имеют одинаковые величины, у нас низкая уверенность. Это типичная ситуация с границами и смешанными пикселями.

Чтобы изменить пиксели с низкой достоверностью, мы следовали хорошо зарекомендовавшим себя методам байесовского сглаживания ²² : заимствовать силу у соседей, чтобы уменьшить дисперсию оцениваемого класса для каждого пикселя. Основное обоснование состоит в том, чтобы использовать байесовский вывод с учетом среднего значения и дисперсии соседей пикселя для вычисления апостериорных байесовских вероятностей, а затем повторно оценить наиболее вероятный класс для пикселя.{2} = 10 \) для всех классов, показавших наилучшие характеристики при техническом освидетельствовании. Кроме того, мы использовали правило единого соседства, когда все пиксели с расстоянием Чебышева равнялись единице, что аналогично рассмотрению окна 3 × 3 вокруг пикселя.

Постобработка: маски и расчет изменений в землепользовании

Три класса земного покрова, не включенные в обучающий набор данных, были введены в виде масок на всех выходных картах: сахарный тростник, водные ресурсы и городские районы. Маска сахарного тростника с 2003 по 2016 год взята из проекта Canasat ²³ , который отображает области сахарного тростника в южно-центральном регионе Бразилии с использованием изображений LANDSAT ²⁴ .Водная маска поступила от ²⁵ , которые использовали три миллиона спутниковых изображений LANDSAT для количественной оценки изменений в глобальных поверхностных водах за последние 32 года (с 1984 по 2015 год). Наконец, маска городской зоны была предоставлена ​​по номеру ²⁶ .

Для подготовки базовой карты (2001 год) мы рассмотрели возможность использования проекта мониторинга обезлесения (PRODES) Amazon (http://www.obt.inpe.br/prodes/) и PRODES Cerrado (http: //www.obt .inpe.br / cerrado /), подготовленные Бразильским национальным институтом космических исследований (INPE).Мы использовали наборы данных PRODES, чтобы добиться большей согласованности в нашей базовой карте, поскольку наш метод классификации не учитывает предшествующие траектории земного покрова до 2001 года. Эти наборы данных являются официальной бразильской статистикой по обезлесению ²⁷ . В таблице 3 перечислены правила, применяемые к базовой карте с использованием этих наборов данных. Мы применили каждое правило, сравнивая соответствующие пиксели двух карт. Мы обозначаем \ ({{\ rm {M}}} _ {i} \), \ ({{\ rm {A}}} _ {i} \) и \ ({{\ rm {C}}} _ {i} \) как классы пикселей \ (i \) классификации Mato Grosso, карты PRODES Amazon и PRODES Cerrado соответственно.Результатом каждого правила является новый класс для \ ({{\ rm {M}}} _ {i} \), описанный в правом столбце.

Поскольку наш метод создает карты независимо, результаты могут иметь временные несоответствия. Например, участок естественного леса, который был вырублен за один год, может снова превратиться в лес после того, как был заброшен. В этом случае полезно отличать девственный лес от вторичной растительности, которая в более поздние годы также классифицируется как лес.Другой пример — это случай, когда пиксель, классифицированный как лес в один год, классифицируется как cerrado в другом году, что представляет собой невозможный переход. Чтобы справиться с этими несоответствиями, мы использовали Исчисление изменений в землепользовании (LUC Calculus) ²⁸ по всем составленным картам в качестве набора траекторий землепользования с 2001 по 2017 год, используя 2001 год в качестве контрольной даты.

Таблица 4 выражает набор правил, которые описывают, когда определенный класс будет заменен другим с использованием LUC Calculus.Мы рассмотрели четыре класса: лес (F), серрадо (C), пастбище (P) и соя (S) (любой класс с соей). Правила применялись последовательно, чтобы обеспечить согласованность во времени между классами на протяжении многих лет. Выражения показывают, что траектории слева от ‘→’ обновляются до классов справа. Обновленные классы выделены символом «*». Все правила предполагают 2001 год в качестве базовой карты. Правила девять и десять создают новый класс вторичной растительности (SV). Этот класс представляет собой обезлесенные территории, которые после заброшенности превратились в вторичный лес.

На рис. 4 показан пример применения постобработки. Он показывает разные результаты для муниципалитета Синоп в 2016 году. На рис. 4- (1) показана исходная карта выходных данных SVM после применения масок с водой, сахарным тростником и городских улиц. На рис. 4- (2) показан результат после байесовского сглаживания исходной классификации. Наконец, на рис. 4- (3) показана карта выходных данных после расчета LUC. Эта последняя карта — единственная, на которой указаны участки вторичной растительности.

Классификация SVM муниципалитета Синоп в 2016 году. (1) Оригинальная карта с масками; (2) исходная карта с байесовским сглаживанием и масками; (3) окончательная карта после применения исчисления LUC и масок.

Классификация землепользования зоны планирования | Округ Марипоса, Калифорния

Ниже приведены выдержки из Тома I Генерального плана графства Марипоса. Полный текст можно найти в Разделе 3 мая 2001 г., озаглавленном КЛАССИФИКАЦИЯ ЗЕМЕЛЬНОГО ИСПОЛЬЗОВАНИЯ ПЛОЩАДЕЙ ПЛАНИРОВАНИЯ, Том I Генерального плана, который можно найти на этот сайт.

Цель

Генеральный план создает классификацию землепользования «площадь планирования». Области планирования определяют «города», «общины» и «особые» области планирования. Планировка территорий осуществляется планами территорий, утвержденными Наблюдательным советом. «Планы территорий» — это мини-общие планы, принятые для удовлетворения потребностей каждого города, общины или однозначно определенного района округа.

В городах Марипоса, Коултервилль, Фиш Кэмп и Вавона были приняты «планы городских территорий».«Долина Кэтис приняла« план сообщества ». Эти планы останутся в силе и будут включены в Том II Генерального плана в качестве территориальных планов сообщества, хотя могут потребоваться модификации или обновления, чтобы рассмотреть Планирование зон исследования, прилегающих к сообществам или адресовать новую политику. Для Марипосы и Коултервилля название плана изменилось с «конкретный план» на «городской план». Для Рыбного лагеря и Вавоны название плана осталось «конкретным планом городской планировки». изменить, и стал «планом сообщества» в декабре 2012 года.

Градостроительные районы представляют собой центры сельского «городского» развития округа. Районы градостроительства специально определены как районы в округе, где политика требует широкого и всестороннего сочетания землепользования и зонирования. Смесь типов и стилей жилья для всех экономических сегментов округа распределяется по всем районам городского планирования.

Районы планирования сообщества или специальные районы планирования представляют собой отдельные подходы к политике. Характер и ценности зоны планирования обычно основываются на характере классификаций землепользования Генерального плана, в котором она расположена.На политическом уровне планы территорий разрабатываются специально для отражения общественных ценностей.

Степень использования

Утвержденный план местности устанавливает масштабы землепользования для каждой классификации землепользования в этой зоне планирования. Как правило, территориальные планы включают классификацию жилого, коммерческого, промышленного, общественного и другого землепользования. Однако, в зависимости от руководящих принципов территориального плана, не все классификации могут быть включены.

Региональные планы могут быть более строгими, чем политики Генерального плана, если они соответствуют политикам Генерального плана; однако они не могут быть менее строгими, чем Генеральный план, или несовместимы с Генеральным планом.

Типы территорий застройки

Зона планирования города: Все жилые, коммерческие, промышленные, рабочие места, места отдыха и общественные цели, как определено в Генеральном плане, соответствуют назначению зоны городского планирования.

Зона планирования сообщества: Жилые дома на одну семью, коммерческие сельские районы, зоны отдыха / курорты, малый бизнес и общественные виды землепользования соответствуют целям зоны планирования сообщества. Многосемейное жилищное использование с более чем двумя пристроенными жилыми единицами на структуру не является постоянным жилищным использованием в пределах зоны планирования сообщества; Допускается использование в коммерческих / жилых помещениях.

Зона особого планирования: Некоторые небольшие районы округа не сталкиваются с полным набором проблем, требующих полномасштабного плана города или плана сообщества. Целью специального плана является решение конкретных вопросов местного значения для территории планирования. Последовательное использование будет определено в специальном плане. Специальные планы могут использоваться в городском плане или плане сообщества для решения более конкретных вопросов.

Утверждение территориальных планов

Наблюдательный совет управляет зонами планирования и отвечает за принятие территориальных планов и связанных с ними правил.Чтобы планы территорий отражали местные ценности, из местных жителей, владельцев собственности и владельцев бизнеса формируются консультативные комитеты по планированию, которые консультируют Комиссию по планированию и наблюдательный совет по местным вопросам. За подготовку, рассмотрение и пересмотр территориальных планов отвечает комитет. Консультативный комитет по планированию направляет свои документы по планированию в Комиссию по планированию для рекомендации и Наблюдательный совет для утверждения.

Положения о планировочных территориях, для которых принят городской план

В городах Кейтис-Вэлли, Култервилль, Фиш-Кэмп, Марипоса и Вавона были утверждены градостроительные планы / конкретные планы.Когда был принят Генеральный план, планы Марипосы и Култервилля были повторно приняты в качестве городских планов области. Названия конкретных планов городской застройки Fish Camp и Wawona остались прежними. Зона городского планирования Долины Кэти была принята как план сообщества. Каждый конкретный план изначально принимался как постановление. Таинства остаются в силе.

Временные правила планирования зоны исследования

Зоны планирования Медвежьей долины, Бутджека, Бак-Мидоуз, Эль-Портал, Фореста, Грили-Хилл, Хорнитос, озера Дон-Педро, Мидпайнс, Маунт-Буллион и Йосемити-Уэст не имеют утвержденных планов территории. .Принятые планы для городов Култервиль и Марипоса не охватывают все земли, указанные в схеме землепользования Генерального плана для городов. Для этих зон планирования и расширенных городских территорий, обозначенных зон планирования планирования на схеме землепользования, классификации землепользования Генерального плана, показанные на временных диаграммах землепользования в томе II, должны применяться до тех пор, пока не будет принят соответствующий город, община или специальный план. Наблюдательным советом. Области планирования, включая области изучения планирования, отображаются на схеме землепользования генерального плана округа Марипоса, чтобы обозначить границы для консультативных комитетов по планированию и заявить о намерении Наблюдательного совета принять план для этих областей.Долина Кейтис, Рыбный лагерь и Вавона приняли планы. Временная схема землепользования (Том II) устанавливает временные положения о землепользовании для всех других территорий, ожидающих принятия плана.

Том II включает основные стандарты для определения прав на зонирование и развитие. Временные схемы землепользования были разработаны для отражения существующих прав и схем землепользования после принятия настоящего Генерального плана. Эти виды землепользования и основные стандарты применимы до тех пор, пока не будет изменен или принят план местности.

Дистанционное зондирование | Бесплатный полнотекстовый | Классификация землепользования изображений VHR для картирования небольших заброшенных участков цитрусовых с использованием спектральной и текстурной информации

1. Введение

Мониторинг этого вопроса является важным моментом для управления земельными и ландшафтными ресурсами, но также и для создания инвентаризации цитрусовых и оценки годовой урожайности.В настоящее время отсутствуют общедоступные картографические источники землепользования для картирования заброшенных земель в разрешении участка с соответствующей тематической детализацией. Испанская система информации о землепользовании (SIOSE) представляет собой объектно-иерархическую базу данных о землепользовании / земельном покрове в Испании. SIOSE позволяет идентифицировать заброшенные территории, но его минимальная площадь представления составляет 2 га. С другой стороны, Географическая информационная система для сельскохозяйственных угодий (SIGPAC) доступна в государствах-членах ЕС.Эта база данных имеет кадастровое разрешение участков и определяет как заброшенные участки следующие виды землепользования: непродуктивные земли, пастбища и пахотные земли. Однако есть и другие участки, классифицируемые как посевы (например, цитрусовые), которые фактически заброшены. Следовательно, через SIGPAC можно оценить заброшенную территорию, но ее недостаточная тематическая детализация неизбежно приводит к недооценке заброшенной территории. Кроме того, эта система периодически обновляется вручную, что может вызвать ошибки и незарегистрированные изменения в период обновления.

В данной работе мы представляем многоступенчатый методический подход к выявлению заброшенных участков на участках с преобладанием цитрусовых. Наш подход основан на трех общих шагах: Во-первых, извлечение текстурных особенностей на основе GLCM было выполнено из Нормализованного индекса разницы растительности (NDVI) аэрофотоснимков высокого разрешения.Затем была проведена контролируемая классификация на основе пикселей с использованием алгоритма случайных лесов. Наконец, было проведено уточнение классификации на основе голосования большинством голосов на каждом участке, чтобы классифицировать каждый кадастровый участок по уникальной стоимости.

2. Данные и методы

2.1. Область исследования и данные

2.2. Обработка изображений и классификация

Полоса NDVI была дискретизирована на 32 уровня серого для расчета показателей GLCM. Затем были созданы 4 ядра с разными размерами окон (3 × 3, 5 × 5, 7 × 7 и 9 × 9) и вычислено 7 измерений текстуры.Меры текстуры были рассчитаны в неизменном пространственном направлении, которое является средним из четырех направлений: 0 °, 45 °, 90 ° и 135 °. Этот всенаправленный подход был выбран, поскольку культуры не имеют определенного направления.

GLCM Среднее µ = ∑i, j = 0N − 1iPi, j

(1)

Дисперсия GLCM σ2 = ∑i, j = 0N − 1Pi, ji − µ2

(2)

Контраст = ∑i, j = 0N − 1Pi, ji − j2

(3)

Несходство = ∑i, j = 0N − 1Pi, ji − j

(4)

Однородность = ∑i, j = 0N − 1 Pi, j1 + i − j2

(5)

Второй угловой момент ASM = ∑i, j = 0N − 1Pi, j2

(6)

Энтропия = ∑i, j = 0N − 1Pi, j [−lnPi, j], где 0 * ln0 = 0

(7)

∑∑j ≠ i (∫Ci, T / T) Cj, T / T

(8)

В РФ разные деревья классификации объединены в виде слабых предикторов, это означает, что прогноз модели определяется большинством голосов деревьев. По этой причине RF на самом деле представляет собой модель сборки, в которой используется метод упаковки для объединения прогнозов различных деревьев решений. Пакетирование (или агрегирование начальной загрузки) состоит из обучения каждого дерева решений с помощью начальной выборки (случайный выбор с заменой) из исходного набора обучающих данных. При каждой упаковке случайным образом выбирается 2⁄3 набора обучающих данных для обучения каждого отдельного дерева.Деревья полностью растут без обрезки. Даже в этом случае переобучение не происходит из-за использования самонастраиваемых выборок для обучения отдельных деревьев и того факта, что модель состоит из множества независимо обученных деревьев со случайными выборками.

2.3. Проверка и оценка точности

Важным вопросом при классификации изображений дистанционного зондирования является оценка результатов с точки зрения точности. Наш подход был подтвержден с двух разных точек зрения. Сначала оценивалась точность на основе пикселей (то есть точность до уточнения мажоритарного голосования). Во-вторых, была оценена точность на основе сюжета (то есть точность после уточнения мажоритарного голосования). Эта двойная информация позволяет нам знать улучшения производительности, полученные с помощью показателей GLCM, и улучшения, полученные в результате голосования большинством.

2.4. Важность признаков и сокращение модели

Z-оценка = (MDA) / (σ),

(9)

Этот подход использовался, чтобы решить, какие переменные имеют большое значение для нашей классификации. Кроме того, было проведено ранжирование важности переменных с использованием показателя Z, а затем было выполнено сокращение модели с рекурсивным удалением менее релевантных переменных.

4. Обсуждение

Наилучшие результаты были получены при генерации текстурных элементов из окна размером 9×9. Точность модели увеличивалась с увеличением размера окна за счет уменьшения шума соли и перца. Это связано с тем, что по мере увеличения размера окна текстура лучше отражает обычный рисунок посадки цитрусовых. Однако слишком большое увеличение размера окна может снизить точность из-за включения пикселей из соседних графиков. Это важный момент, который следует учитывать в областях с участками небольшого размера, таких как наша изучаемая область, где средний размер участка равен 0.32 га.

Все признаки статистически значимы для классификации. Однако наиболее важными характеристиками были контраст и несходство вместе с БИК и синими полосами. NIR и контраст были одними из самых важных во всех моделях. Несходство увеличивалось, в то время как важность синей полосы уменьшалась по мере увеличения размера окна. С другой стороны, функция ASM была наименее важной во всех моделях.

5. Выводы

В этой статье представлена ​​методология картирования заброшенных участков цитрусовых в сильно фрагментированных областях из изображений VHR с четырьмя спектральными полосами (430 нм, 530 нм, 620 нм и 720 нм).Предлагаемая методология объединяет спектральную информацию и особенности текстуры на основе GLCM из NDVI для создания классификации на основе пикселей с использованием случайных лесов. Затем большинством голосов каждому участку присваивается уникальное классификационное значение. Наилучшие результаты были получены при генерации текстурных элементов из окна размером 9×9. Предложенная методика позволила получить удовлетворительные результаты с общей точностью 95%. Модель использует 7 свойств текстуры: среднее значение, дисперсию, контраст, несходство, однородность, второй угловой момент и энтропию.Все признаки показали статистически значимую значимость для классификации. Однако наиболее важными были контраст, несходство и однородность вместе со спектральными полосами. Эта методология позволила создать полную карту заброшенных участков в муниципалитете Олива (регион CV), и ее можно было применить на других территориях и для других культур. Этот новый методологический подход может исправить завышение урожайности цитрусовых, вызванное текущими источниками данных, доступными государственными администрациями.Однако оценка производительности модели в районах, удаленных от зоны обучения, требует дальнейшего изучения. Это исследование предоставляет новую информацию для картирования небольших сельскохозяйственных участков, особенно для выявления заброшенных земель под древесными вечнозелеными культурами, которые до сих пор мало изучены.

Австралийская государственная автоматизированная классификация земель на больших территориях с машинным обучением

Штат Квинсленд на северо-востоке Австралии удивительно разнообразен географически. Он включает прибрежные тропические леса, обширные леса эвкалиптов и акаций, тропические саванны, эфемерные внутренние реки, пустыни и богатые сельскохозяйственные пояса.Его площадь составляет 1 730 000 квадратных километров (668 000 квадратных миль), что примерно в семь раз больше Великобритании.

Для картирования и оценки моделей землепользования и изменений по всему штату более 20 лет назад Департамент окружающей среды и науки Квинсленда (DES) сформировал Программу картирования землепользования Квинсленда (QLUMP).

«Землепользование было определено как основополагающий набор пространственных данных, который правительство считает жизненно важным для прогресса и развития Квинсленда», — сказал Энди Кларк, старший научный сотрудник Центра дистанционного зондирования DES. «Штат большой, и важно, чтобы мы продолжали улучшать скорость, с которой мы собираем эти данные, а также их точность. Кроме того, мы должны поддерживать наши процедуры в соответствии со стандартами, установленными Австралийской системой классификации землепользования и управления, чтобы они соответствовали данным, собранным по всей стране.”

Традиционно методология, используемая для обновления QLUMP, основывалась на команде опытных ученых-пространственников, которые вручную оцифровали особенности землепользования со спутниковых снимков. Из-за размеров Квинсленда этот процесс занял много времени и ресурсов.

«Ранее мы предпринимали различные попытки автоматизировать QLUMP, но все они в конечном итоге оказались безуспешными», — сказал Кларк. «Модели дерева решений использовались для вывода характеристик землепользования из дополнительных данных; однако этот метод не давал точного представления о том, что было на земле.Мы попытались использовать спектральную информацию со спутниковых изображений для проведения контролируемой классификации, но определили, что эта процедура не может успешно различать объекты, потому что спектрально они кажутся очень похожими. Кроме того, анализ изображений на основе объектов, как правило, был столь же ресурсоемким, как рисование объектов землепользования вручную ».

Компьютерное зрение в сочетании с высокопроизводительными суперкомпьютерами и интегрировано с ArcGIS представляет собой смену парадигмы, которая увеличивает наши возможности по сбору и публикации своевременной информации о землепользовании.

Энди Кларк Старший научный сотрудник, Департамент окружающей среды Квинсленда и Центр дистанционного зондирования науки

Однако за последние годы машинное обучение — одна из дисциплин искусственного интеллекта (ИИ) — продвинулось до такой степени, что теперь использование компьютерного зрения и глубокого обучения для анализа и классификации изображений стало жизнеспособным.

«Благодаря передовым инструментам программирования и компьютерному оборудованию скорость и возможности, необходимые для успешного применения машинного обучения для точной классификации больших участков земли, выглядят очень многообещающими», — сказал Кларк.

Фактически, он и его команда разработали модель, которая может автоматически классифицировать различные типы землепользования на всей территории Квинсленда. Вот как у них это получилось.

Уточнение данных и обучение процесса

Для обучения модели машинному обучению требуется много информации. К счастью для DES, он годами использовал QLUMP для сбора данных.

«Это был просто вопрос его доработки, чтобы его можно было использовать в процессе машинного обучения», — сказал Кларк.

Он использовал ArcGIS Pro и ArcPy для генерации и уточнения данных обучения. Кларк также применил ряд инструментов геообработки для постобработки вероятности прогноза из модели компьютерного зрения.

«[Инструмент] Реклассификация [был] использован для преобразования прогноза в двоичный растр», — пояснил он.«Растр в полигон [использовался] для преобразования данных в класс пространственных объектов. Союз [использовался] для получения изменений. И Eliminate [использовался] для объединения мелких функций в более крупные ».

Команда QLUMP независимо проверила точность процесса путем случайной генерации тысяч точек и оценки землепользования в каждой точке.

«ArcGIS Pro также генерирует для нас матрицу ошибок, а также создает и публикует веб-карты, приложения и отчеты для связи с заинтересованными сторонами», — добавил Кларк.

В процессе машинного обучения DES использует сверточную нейронную сеть (CNN) на основе архитектуры U-net, чтобы помочь модели визуально распознавать земной покров. CNN — это алгоритмы, имитирующие функции человеческого мозга. Получая доступ к большим объемам визуальных данных, модель может научиться различать сходства и различия в данных.

«Мы позаимствовали идею у Олафа Роннебергера, который разработал ее для сегментации биомедицинских изображений, которая является способом идентификации клеток на микроскопических изображениях», — пояснил Кларк.«Используя эту архитектуру, мы создали алгоритм с 87 153 153 параметрами».

Команда итеративно вводила тысячи фрагментов спутниковых изображений через нейронную сеть, чтобы произвести прогноз. Затем алгоритм провел самооценку и уточнил прогноз, и цикл повторялся до тех пор, пока в конечном итоге не достиг 97-процентной точности.

«Python использовался для разработки части проекта, связанной с компьютерным зрением», — сказал Кларк. «Мы использовали NumPy, библиотеку с большим набором высокоуровневых математических функций для Python, для обработки многомерного массива и библиотеку абстракции геопространственных данных (GDAL) для чтения изображений и преобразования их в массив NumPy — формат, необходимый для нейронная сеть ».

GDAL может взять выходной массив и преобразовать его обратно в изображение.

«Был небольшой компонент чтения векторных данных GDAL, но ArcGIS Pro был основным инструментом для обработки векторов», — сказал Кларк.«Мы также использовали Keras, библиотеку Python, для разработки и оценки моделей глубокого обучения. TensorFlow работал в бэк-энде. Это библиотека искусственного интеллекта для потоков данных и создания крупномасштабных нейронных сетей ».

В машинном обучении из-за большого количества данных, которые необходимо обрабатывать и уточнять быстро и многократно, скорость обработки имеет решающее значение. Вот почему DES использует восемь графических процессоров (GPU) Tesla V100, которые подключены к его высокопроизводительной вычислительной инфраструктуре для обработки данных глубокого обучения.

«Скорость обработки просто потрясающая, — сказал Кларк. «По сути, каждый графический процессор обеспечивает нам эквивалент годовой обработки обычных процессоров примерно за 2,5 дня».

Распространение машинного обучения на другие земли

Изначально модель была обучена определять и наносить на карту банановые плантации в водосборе реки Джонстон на севере Квинсленда. Затем он был использован для вывода банановых плантаций в бассейне Талли. Это позволило ученым, занимающимся анализом изображений, сосредоточиться на интерпретации изображений, создаваемых моделью, чтобы они могли лучше информировать лиц, принимающих решения, о соответствующих ответах биобезопасности на болезни растений.

Panama Tropical Race 4 — серьезное заболевание, которое может быстро распространяться через банановые плантации. В 2015 году Министерство сельского хозяйства и рыболовства Квинсленда (DAF) обнаружило его при изучении образцов растений.

В то время DES не реализовал процесс анализа изображений на основе компьютерного зрения. Таким образом, для определения потенциального распространения широко распространенного гриба потребовалась команда из пяти ученых в год, чтобы вручную составить карту и проанализировать все банановые плантации и другие классы землепользования в Квинсленде.

Эти усилия ученых по картированию впоследствии были использованы для обучения модели CNN. В 2019 году DES получил новые изображения и обновил карту банановых плантаций, на выполнение которой у компьютера ушло четыре дня. Из-за своей скорости и точности модель CNN в настоящее время обучается отображать другие классы землепользования.

«Компьютерное зрение в сочетании с высокопроизводительными суперкомпьютерами и интегрировано с ArcGIS представляет собой смену парадигмы, которая увеличивает наши возможности по сбору и публикации своевременной информации о землепользовании», — сказал Кларк.«Эти методы устойчивы для любой задачи сегментации изображений и были применены для картирования лесной растительности в Квинсленде, что представляет собой совершенно другое приложение, поскольку эти области варьируются от густых тропических лесов до ландшафтов с разбросанными деревьями».

DES намеревается распространить свои методы на большинство видов землепользования, включая другие типы сельскохозяйственных культур, лесные плантации и классы городского землепользования.

«Все, что вы видите на снимках, вы можете найти с помощью алгоритма. Вам просто нужно много качественных обучающих данных, — сказал Кларк.«Основываясь на методах, разработанных на сегодняшний день, компьютерное зрение способно повысить эффективность программ картирования и мониторинга больших территорий, которые используются правительственными и неправительственными организациями в управлении и мониторинге природных ресурсов».

С момента завершения этого проекта ArcGIS Pro и ArcGIS API for Python претерпели несколько улучшений. ArcGIS API for Python теперь изначально поддерживает модель U-net, и, помимо возможности обучения модели с помощью ArcGIS Notebooks, пользователи теперь могут обучать модели глубокого обучения непосредственно через ArcGIS Pro с помощью инструмента геообработки.И ArcGIS Pro, и Notebooks поддерживают сквозные рабочие процессы глубокого обучения, от маркировки и подготовки данных до обучения модели и выполнения логических выводов. Это в сочетании с технологией ArcGIS Image Server, которая эффективно управляет данными изображений, значительно упрощает рабочие процессы.