应用地理 整合多源遥感数据集，研究树高和模式信息对威斯康辛州密尔沃基犯罪的影响。外文翻译资料

 2022-08-19 15:57:42

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

附录1 译文

应用地理

整合多源遥感数据集，研究树高和模式信息对威斯康辛州密尔沃基犯罪的影响。

摘 要

关于树木对犯罪的影响，人们进行了大量的争论：一些研究者认为树木是犯罪的促进者，因为它为潜在的犯罪分子提供了隐蔽的保护；而另一些研究者则认为树木是犯罪的威慑力量，因为它增加了监视的可能性，对心理的治疗作用疲劳。为了更好地回答这一问题，本研究通过使用高分辨率多源遥感数据，将详细的树木特征纳入整个密尔沃基市的环境犯罪学分析中。从航空照片中提取树木，并根据其高度分为两类，以考虑树木高度对视野障碍的影响。通过控制混杂的社会经济变量，采用全局和局部空间回归方法，研究了不同高度树木的一系列组成和配置指标与犯罪之间的关系。经典和空间统计技术的结果揭示了犯罪与树木之间的复杂关系，可以从两个方面进行总结。首先，在不同的犯罪类型中，可以观察到树木的混合效应。其次，在整个研究区域观察了不同高度树木组成和配置的空间非平稳性趋势。研究结果可以为制定适当的预防犯罪政策提供合理的启示，通过环境设计来加强城市中的社区和社区。

  1. 介绍

城市树木是助长犯罪，还是抑制犯罪?关于树木对犯罪的影响已经有了大量的争论。一方面，树木一直被认为是犯罪的帮凶。人们认为茂密的植被为潜在的捕食者提供了理想的隐蔽场所，从而促进了犯罪(Fisher amp; Nasar,，1992；Forsyth, Musacchio，amp; Fitzgerald，2005；Michael amp; Hull, 1994；Michael，Hull，amp; Zahm，2001；Nasar，Fisher，amp; Grannis, 1993；斯多克，1983)。此外，由于能见度下降，一般的恐惧和对犯罪的恐惧与植被茂密的地区直接相关(Fisher amp; Nasar，1992；Foster amp; Giles-Corti，2008；Giles- Corti，amp; Knuiman，2010；Kuo amp; Sullivan，2001；施罗德和安德森，1984;谢弗和安德森，1985)。另一方面，其他研究人员认为，树木抑制犯罪的发生有以下三个原因(Cozens, Saville，amp; Hillier，2005；Hartig，Mang，amp; Evans，1991；卡普兰,1987，郭，2003；Kuo，Bacaicoa，amp; Sullivan，1998；Kuo amp; Sullivan，2001；苏利文和郭，1996)。首先，树木可以促进社区公共土地上更多的社会活动，因此可以增加非正式的监测。其次，树木可以作为一种有效的地域标志，也被称为“关爱的线索”之一(Nassauer，1988)，比如良好的维护和管理，以及强大的社会组织和社区参与。第三，树木可以减轻精神疲劳，因此，减少攻击行为和冲动犯罪。在美国不同的大都市地区，树木和犯罪之间的这种负相关关系也在人口普查区和人口普查区组水平上被发现(Lorenzo amp; Wims，2004;特洛伊，摩根格罗夫和奥尼尔-邓恩，2012;Wolfe amp; Mennis，2012)。最近，城市树木和犯罪率之间的混合关系也被提出。这些研究认为，公共道路上的街道树木和私人土地上较大的地块树木抑制了犯罪的发生，而私人土地上较小的地块树木鼓励犯罪(Donovan amp; Prestemon, 2012;特洛伊等人，2012)。然而，这两个学派之间的共识还没有达成在不同的城市地区，还需要更多的证据和进一步的分析。

为了更好地理解树木和犯罪之间的关系，对树木不同维度的准确描述可能有助于改进犯罪建模。在经典的研究中，已经开发了多种方法来描述城市植被的特征。例如，在专家对照片进行绿色评级后，使用照片来描述树木密度，以研究植被与犯罪之间的联系(Schroeder amp; Anderson, 1984;Talbot amp; Kaplan, 1984)Kuo et al.(1998)将一系列合成照片中的一些模拟植被条件与真实照片中的现有植被条件进行比较，以评估犯罪与树木密度以及树木排列和维护之间的关系。Kuo和Sullivan(2001)进一步改进了植被推导，除了地面照片外，还使用了低斜航摄照片的视觉解释。后来，一种有效的、广泛使用的遥感卫星图像植被活力光谱指数，归一化植被指数(NDVI)，被用于环境犯罪学分析(Lorenzo amp; Wims, 2004;Wolfe amp; Mennis, 2012)。利用新兴的地理空间数据和技术获取城市树冠信息，如利用地理信息系统(GIS)数据集(Phillips, 2013)和高空间分辨率数字正四分之一正投影(DOQQ;Donovan amp; Prestemon, 2012)等。虽然树信息是通过上述方法在文献中获得的，但这些研究大多依赖于主观评分、手工获取、数字化或间接估计。最近，光探测和测距(LiDAR)数据被用来绘制树冠层，使用基于对象的图像分析(King, Johnson, Kheirbek, Lu，amp; Matte, 2014;Larondelle, Hamstead, Kremer, Haase，amp; McPhearson, 2014;麦克法登，O Neil - Dunne, Royar, Lu，amp; Rundle, 2012;特洛伊等人，2012)。尽管有了新的地理空间数据集和技术，详细的树模式特征还没有被提取出来，并用于更深入的犯罪分析。

因此，本研究试图回答环境犯罪学中一个常见的问题:城市树木如何从本质上影响犯罪事件?本分析进一步探讨了两个具体方面。第一个是调查不同高度的详细的树模式(例如，它们的斑块大小、密度和形状)在控制混杂的社会经济因素时是否对犯罪事件有影响。第二个是研究跨空间的这种联系的地理变异性。为了在人口普查区层面进行全面的犯罪分析，采用了三种全球和本地空间统计技术来分析来自多个来源的不同犯罪和树木的地理空间数据集。

2.1 材料

2.1研究区域

这项研究是在美国威斯康辛州密尔沃基市进行的。大约有60万居民生活在这个面积为250平方公里的城市。根据犯罪记录，在2005年至2010年间，研究区内共有超过24万宗罪案(分为38个详细罪行类别)。高失业率(2010年为10%)和贫困率(收入低于贫困线的人口;根据美国劳工统计局(Bureau of Labor statistics)、美国人口普查局(U.S. Census Bureau)和联邦调查局(FBI)的数据，密尔沃基的暴力犯罪率约为全国平均水平的3.3倍，而财产犯罪约为全国平均水平的1.8倍。毫无疑问，密尔沃基被列为美国十大最危险的城市之一”(联邦调查局,2010)。它有鉴于这个城市的高犯罪率，对其进行犯罪分析是非常有意义的。这项研究是在人口普查区进行的。然而，并不是所有密尔沃基的人口普查区都被选中进行分析，因为不同的数据源造成了一些街区的缺失值。通过排除这些区块，密尔沃基所有其他拥有完整数据集的区块都被用于统计分析。

2.2 数据

本研究使用了两种主要的数据类型:社会经济数据和地理空间数据集。在社会经济数据集方面，2010年人口普查数据是从美国人口普查局网站上下载的。人口普查变量包括白人、黑人、亚裔和拉美裔群体的人口，以及每个街区的人口总数。由于在这一级别的普查数据中缺乏社会经济调查，详细的包裹和相关的税收相关数据集是从密尔沃基市网站上的主财产记录(MPROP)中获得的。创建于1975年，每天更新，MPROP提供非常丰富的信息土地和建筑在密尔沃基(密尔沃基市，2015)。MPROP记录包括地块大小和边界、业主姓名和地址、评估房屋价值、土地用途、分区、建筑类型、建筑特征(如建筑层数、房间数、浴室数、有无空调等)、建筑年份等。2005年至2010年的犯罪记录是从密尔沃基地图门户网站获得的。犯罪信息包括完整的事件地址(邮编和城市)，犯罪时间和类型，以及警察区。在地理空间数据集方面，这些数据集来自不同的来源，包括地理边界、土地利用和遥感数据集。人口普查局的地理边界也可从美国人口普查局网站上下载。另外，密尔沃基县2010年土地利用数据来源于威斯康辛州东南部地区规划委员会(SEWRPC)。2010年夏季，我们收集了不同来源的遥感图像，包括空间分辨率为1米的多光谱航空照片拼接图和空间分辨率为1.5米的激光雷达表面模型。利用高空间分辨率航空照片拼接计算城市植被探测的NDVI，利用激光雷达数据获取地面高度信息。航空照片被重新采样到1.5米的空间分辨率，以匹配进一步处理的激光雷达数据。所有遥感影像和GIS形状文件均以NAD 1983 State Plane Wisconsin South的数据重新投影到Lambert正形圆锥投影中。

  1. 方法

3.1 整个城市的树木的自动提取

在密尔沃基市，高空间分辨率的多光谱航空照片拼接和激光雷达数据被集成为自动提取所有城市树冠。具体来说，树是使用一种流行的决策树方法提取的，称为分类和回归树(CART)算法。CART中采用了两个常用的指标:NDVI和身高信息作为输入。前者来自航空照片拼接，后者来自激光雷达图像。NDVI可以计算如下:NDVI=(NIR-R)/(NIR R)。其中近红外(NIR)和R分别为多光谱航空照片的近红外波段和红波段。一个混淆矩阵，用户和生成生产者精度、总体精度和Kappa系数来度量分类精度。关于CART在城市分析中的分类的更多细节可以在Deng和Wu(2013)中找到。

以2600个随机点作为样本，其中1500个点用于培训，其余点用于验证。提取规则和混淆矩阵分别见表1和表2。CART生成的NDVI阈值为0.53，用于区分植被和非植被的土地覆盖(见表1)。对于NDVI大于0.53的植被像素，进一步应用3.19英尺的高度来区分草和树/灌木。通过应用这些阈值，然后进行非冠层边缘去除的后处理步骤(例如，建筑物边缘消除，邻接和大小的初步标准，等等;(MacFaden et al.， 2012)，可以从不同来源的遥感数据中提取树木和植物。提取的树木分布在研究区域的一小部分，密尔沃基Borchert Field附近，如图1所示。图1中可以看到两种典型的土地利用类型，即、住宅区及康乐用地(例如右边的市区公园)。然后对这两种城市土地利用类型的区域进行分类精度的敏感性分析。表2中的定量指标表明，结合NDVI和高度，通过整合具有满意精度指标的多源遥感数据集，可以较为有效地提取城市树木。在居住区，树木和植物的用户精度(UA)大于91%，总体精度(OA)约为94%，Kappa系数为.85,p lt; 0.001。在以城市树木为主的休闲区内，UA和OA均超过95%，Kappa系数为。92。整个城市高质量的城市树木提取数据为全面的犯罪分析提供了坚实的基础。

为了检验树木高度对视线障碍的潜在影响，这些提取的树木根据高度信息进一步分为两类。假设树冠基部开始高度约为总树高的22%，从野外工作中测量42英尺的树高，并将其作为文献中的切点(Donovan amp; Prestemon, 2012)。在此高度阈值下，假设视场被遮挡的高度等于或小于9.24 ft。考虑到不同研究地点的潜在变化，本研究有必要对树高阈值进行调整。为了确定一个合适的阈值，提取的树木进一步比较从最近一年拍摄的谷歌街景街景照片。在密尔沃基仔细检查了树木样本后，使用了一个较小的30英尺的高度阈值。换句话说，在树高为30英尺的情况下，根据文献中22%的经验百分比，树冠基部距地面的高度对应于6.6英尺。从遥感数据集中提取的高度高于此阈值的树被归类为高树，而较矮的被归类为矮树/植物。值得注意的是,“短”的树木或植物不仅包括短树还高灌木和灌木在前面或后院的房子或空地。树冠的空间模式的高和矮树/使用各种景观植物进一步量化指标,这将在下一节中介绍。

表1从CART提取规则

归一化植被指数

高度(英尺)

类

归一化植被指数gt; .527

高度gt; 3.185

树

归一化植被指数gt; .527

归一化植被指数le;.527

高度le;3.185

非树木(草)

非树木(建筑物、道路、水)

3.2 变量计算

对于统计分析，因变量为人口普查区的犯罪率。犯罪记录首先使用ESRI ArcGIS的地理编码工具进行地理编码。为了提高空间精度，采用了混合地理编码方法(Murray, Grubesic, Wei， amp; Mack, 2011)。目的是使用更详细的地理位置信息，通过使用本地知识和补充数据集(例如航空照片、地块数据和土地使用数据)来改进原始地理编码。然后将这些地理编码的点特征聚合到人口普查块级别以进行进一步分析。解释变量有三大类:种族、城市化水平和生态环境。首先对这些变量进行处理和准备。关于种族，有人指出，在密尔沃基存在着历史上最高的人口隔离(Massey amp; Denton, 1993)。为了包括密尔沃基这样一个重要的社会因素，不同主要种族群体的百分比被计算为某一种族的人口除以人口普查区的人口总数。式(2)如表3所示。本研究中使用的种族群体包括白人、黑人、亚洲人和西班牙人。城市化水平的变量包括人口密度、平均房价和平均住房年龄(Troy, Grove, O Neil-Dunne, Pickett， amp; Cadena

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[410317]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章