集成数据在城市土地利用变化时空动态监测的应用——以印度金奈都市为例外文翻译资料

 2023-03-16 11:03

集成数据在城市土地利用变化时空动态监测的应用——以印度金奈都市为例

关键词：光谱指数，土地利用/土地覆盖，城市扩张，遥感技术，GIS，CMA

摘要：在任何发展中的城市环境中，土地利用/土地覆盖变化是最脆弱的因素。基础设施和人口密度的增加往往会改变地貌，进而对气候变化产生影响，并增加防渗层。为了分析管理自然系统的可能方式，需要研究土地利用/土地覆盖变化的趋势。本研究利用卫星影像分析了印度泰米尔纳德邦金奈大都市区(CMA)城市及其周边景观的时空变化。来自陆地卫星5号(TM)和陆地卫星8号(OLI/TRS)传感器的图像分别拍摄于1988年、1997年、2006年和2017年。计算了用于土地利用/土地覆盖分类的遥感光谱指数(NDVI、MNDWI、NDBI和NDBAI)集合。混淆矩阵用于评估2017年的准确性。LULC分类的总体准确率为91.76%，kappa系数为0.84。结果表明，从1988年2月到2017年2月，农业/休闲地、荒地/半荒地、植被和水体/湿地分别减少了53.62%、1.45%、58.99%和30.59%。这项减幅令建成区面积增加173.83%。在这段期间，约有26,881公顷的农地/休耕土地、10,482公顷的植被用地和2,454公顷的水体/湿地被改作建筑物及其他土地用途。这实质上意味着，CMA已从1988年的掠夺性农业区(42.21%)转变为2017年的建成区(48.72%)。

引言

《世界人口展望报告》显示，超过50%的世界人口(33亿)生活在城市地区，预计到2030年将有超过60%的城市化(联合国，2012年)。城市及其周边景观对当地生态系统影响显著。剧烈的城市化导致了天然植被和农用地的更替(普拉布和达尔，2018年)。不恰当的城市化规划和管理导致过度使用自然资源，从而导致生产性农地、森林的不可弥补的损失(Şen等人。(2018年)、地表水水体和地下水资源(徐2006)。印度的城市扩张正在得到巨大的爆发，这将平等地影响所有邦(Datta，2007)。根据2011年人口普查数据，与其他邦相比，泰米尔纳德邦的许多人在过去10年里从农村移民到城市地区。泰米尔纳德邦是城市化程度最高的邦，48.5%的人口居住在城市地区，紧随其后的是喀拉拉邦、马哈拉施特拉邦和古吉拉特邦(2011年印度人口普查；Muthamilselvan等人)。2016年)。在泰米尔纳德邦，金奈是一个很深的城市核心，周围是缺乏基本便利设施的周边城市和农村地区的丛生景观(Aithal和Ramachandra 2016；Dekolo和Olayinka 2013；Schneider 2012)。尤其是金奈市，已经失去了超过五分之一的绿色封面。建筑物和休憩用地从1991年的1.46%增加到2012年的18.55%，反过来又导致植被地下降了22%。

在此背景下，有关土地利用/土地覆盖(LULC)变化的文献较少。归一化差异植被指数(NDVI)通过测量近红外(NIR)和红色波段之间的差异来量化植被，以监测植被状况(Rouse等人。1973年)。它还用于评估LULC的变化(Bakr等人)。2010)，并微调不同LULC类之间的差异(Mohajane等人。2018年)。Akbar等人。(2019年)在NDVI的帮助下，使用精确的分类间隔将土地利用/土地利用变化分类划分为水体、建成区、贫瘠区、灌木区和草原区、植被稀缺区和植被茂密区六个类别。Singh等人。(2016)和Song和Ma(2011)利用NDVI评估了1990至2014年间土地利用/土地利用变化的显著变化。Valbuena等人。(2010)研究了地理空间和基于主体的土地利用和土地覆盖变化建模。周等人。(2014)利用建成区和贫瘠地指数对建成区和贫瘠地进行自动检测。修正归一化差异水分指数(MNDWI)、土壤调整植被指数(SAVI)和归一化植被指数(NDVI)是基于指数的建成指数(IBI)构建中使用的三个专题指数，它们代表了三个影像组成部分，即水、植被和建成区(Gandhi等人)。2015年；徐2008)。波段比率被用来导出一个新的光谱指数，用于利用Landsat 8图像对建成区土地进行分类(Bouzekri等人。2015年)，也用于监测动态(Sengupta等人。2019年)。利用归一化差异构建指数(NDBI)、MNDWI和SAVI将陆地卫星专题地图(TM)的7个波段分解为3个专题波段，以提取城市建成区、城市周边地区的植被和水体特征(Mistowakapuja等人)。2013年)。增强型建成和裸露指数(EBBI)、SAVI和MNDWI被用于城市土地利用分类(Sinha和Verma 2016)。利用基于Landsat 5 TM影像(Ettehadi Osgouei和Kaya 2017)的归一化差异植被指数(NDVI)、土壤调节植被指数(SAVI)和建成区指数(BUAI)确定了植被覆盖和建成地面积的时间变化。归一化差异构建指数是由Za等人提出的。(2003)和Zhibin et al.。(2015)利用TM影像中重新编码的NDVI和NDBI的算术运算，自动化绘制建成区地图的过程。土地利用的变化基本上表现为城市扩张的不断发展，对耕地不利(Du等人)。2014年)。利用集成遥感和地理信息系统(肖等)，分析了1934-2001年和1987-2001年的城市增长和土地利用变化的时空特征。2006)。Banzhaf等人利用综合遥感和地理信息系统(GIS)研究了城市内部到城市周边梯度的消长规律。(2009)。利用Landsat 5 TM、7 Enhanced Theme Mapper(ETM )和Landsat 8 OLI/TIRS影像(Appiah et al.。2015年)。

金奈历来被视为几个生态热点的所在地，如Pallikaranai沼泽地，但目前的管理机构无法应对不断增长的IT走廊，而IT走廊正在不断扩张(Lakshmi和Thomas，2018年；Sekar和Kanchanamala，2011年)。Patel et al.。(2019年)接受这样的假设，即与特大城市相比，小城市在城市周边的增长趋势不同，例如贫瘠的土地转变为农业。所回顾的文献主要集中于使用光谱指数、自动分类、波段比等来研究城市和城市周边土地利用/土地利用变化的性质及其影响。上述文献中到目前为止使用的方法考虑了单一光谱指数或两个或更多光谱指数的组合用于土地利用/土地利用/土地利用变化分类。作为对这一领域研究的贡献，本研究致力于开发一套遥感光谱指数，利用GIS技术研究金奈市周边城市景观土地利用/土地覆盖动态的时空变化。本研究的主要目的是利用一套遥感光谱指数分析金奈市城郊景观土地利用/土地覆盖动态的时空变化。

研究区

金奈大都市区(CMA)，如图1所示，是印度第四大都市圈。它是亚洲第22个人口最多的城市，也是世界上第40个人口最稠密的城市。据预测，到2026年，CMA将见证完全城市化(伊玛目和班纳吉2016)。CMA面积约1189平方公里，包括区、部分坎切普兰区和Tiruvallur区，其中区面积176 km2。位于印度东南海岸，位于泰米尔纳德邦东北角，北纬13.04°，东经80.17°。它坐落在被称为东海边野的沿海平原上。这座城市的正常海拔高度为6米(20英尺)，最高海拔为60米(200英尺)。据印度气象局(IMD)报道，研究区域的平均降水量为1382毫米，平均最高气温和平均最低气温分别为31.8摄氏度和24.8摄氏度。

研究数据和方法

数据及预处理

本研究选取了陆地卫星5号和8号遥感影像进行研究，目的是发现城市的蔓延。利用ERDAS Imagine 2014、ArcGIS 10.3和QGIS 2.6.1收集、预处理和分析了1988、1997、2006和2017年的季风后图像。表1显示了图像的详细信息。

城市及周边城市描述

根据地理概念，“城市土地”是以建筑环境为主，居民大多从事非农工作的地方。城市地区的人类建筑密度较高，如房屋、商业建筑、道路、桥梁和铁路。除了城市地区，这项工作还着眼于城市周边地区的发展。在这里，准城市化(也称为城市边缘区)指的是城乡结合部之间地区的新型城市形态(联合国2014年)。

创建光谱索引

城市和城市周边土地利用变化主要分为五大类，即建设用地、植被、农业/休耕、贫瘠/半贫瘠、水体和其他土地利用。基于这些分类，生成了归一化差异植被指数(NDVI)、归一化差异贫瘠指数(NDBAI)和归一化差异建成指数(NDBI)，如表7所示。MNDWI修改了归一化差异水分指数NDWI(Xu 2006)，取代了中红外波段TM(专题地图)波段5和OLI/TIRS(运行陆地成像仪/热红外传感器)波段6。结果表明，MNDWI比NDWI有更高的精度，因为它去除了建筑用地和植被噪声。

光谱指数

归一化差异植被指数(NDVI)，以等式给出。1，是通过测量近红外(被植被强烈反射)和红色(被植被吸收)之间的差异来衡量植被的标准化指数。指数输出值的范围在minus;1和1之间，正值表示绿色，而负值可能来自云、水、岩石和裸露的土壤。

Xu(2006)首先修正了归一化差分水分指数，从而在Eq中建立了修正的归一化差分水分指数(MNDWI)。2.采用绿色波段(绿色)和短波红外波段(SWIR)。与其他可利用的指标相比，它是最有效的水体强化指标。

公式3给出了归一化差异构建指数(NDBI)。最初是由Za等人提出的。(2003)，NDBI在利用陆地卫星图像提取城市建成区土地时更加准确。指数输出范围在minus;1和 1之间，正值表示建成区。

归一化差异贫瘠指数(NDBaI)贫瘠指数最初由赵红梅和陈红梅(2005)用来从陆地卫星数据中发现贫瘠和半贫瘠的土地。波段关系在公式中指定4.

土地利用类型提取

在本研究中，使用1988年、1997年、2006年和2017年的一系列遥感光谱指数对土地利用/土地覆盖进行了赋值。为了促进土地利用变化的动态变化，本研究设立了农业/休耕、贫瘠/半贫瘠、建成区、植被、水体/湿地和其他土地利用6个土地利用类别。本研究涉及中国医学会LULC的I级分类。表2(Aronoff 1989)列出了每个土地利用类别的子类。利用归一化差异植被指数(NDVI)、归一化差异建立指数(NDBI)、修正归一化差异水分指数(MNDWI)和归一化差异贫瘠指数(NDBaI)进行土地利用/土地覆盖分类。可应用阈值的定义非常困难并且为了克服该问题，有必要识别布尔表1使用的数据集及其来源S。无卫星/传感器ID采集日期空间分辨率/像元大小(M)路径/行源1陆地卫星5“TM”1988/02/06 30 142/051 USGS 2陆地卫星5“TM”1997/02/14 30 142/051 USGS 3陆地卫星5“TM”2006/02/07 30 142/051 USGS 4陆地卫星8“OLI_TIRS”2017/02/22 30 142/051 USGS 3陆地卫星5“TM”2006/02/07 30 142/051 USGS 4陆地卫星8“OLI_TIRS”2017/02/22 30 142/051 USGS。使用骰子对土地利用/土地覆盖类型进行分类，并使用布尔运算估计结果的准确性(Chen等人。2006)。为了提取土地特征，采用了不同的波段。例如，提取植被(近红外minus;SWIRgt;0)与(近红外minus;红gt;0)相结合。用(近红外minus;红lt;0)和(近红外minus;SWIRlt;0)相结合的方法提取建成地，用(红色minus;近

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[595883]，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