利用城市扩展矩阵分析城市空间格局和城市扩张趋势：印度加尔各答城市群研究外文翻译资料

 2022-02-27 09:02

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

利用城市扩展矩阵分析城市空间格局和城市扩张趋势：印度加尔各答城市群研究

作者：Mehebub Sahana，Haoyuan Hong，Haroon Sajjad

单位：1.印度新德里伊斯兰杰米利亚自然科学学院地理系虚拟地理环境重点实验室

2. 教育部虚拟地理环境重点实验室（南京师范大学），南京210023

3. 江苏省地理信息资源开发与应用协同创新中心，江苏南京210023

4. 江苏省地理环境演变国家重点实验室培育基地，南京210023

亮点：1.利用扩展矩阵分析了城市群的城市模式和增长。

2.在远离河流的城市中，其郊区边缘已经增加。

3.新开发城市的城市一级和二级核心区有所增加。

4.所采用的方法已被证明对城市规划和管理有帮助。

文章信息：1.文章历史：收到日期：2017年12月20日

于2018年2月13日收到修订版

接受日期：2018年2月14日

在线提供xxxx

编辑：Frederic Coulon博士

2.关键词：城市空间格局、城市扩展矩阵、城市扩张、加尔各答城市群

摘 要

本文运用城市扩展矩阵分析了1990-2000年和2000-2015年印度加尔各答城市群的城市空间格局和城市扩张趋势，选取了城市一级核心区、城市二级核心区、次城市边缘区、散点沉降区、城市开放空间、非城市区域和水体七类城市类别，分析了1990年、2000年和2015年城市扩张的规模和方向，并利用Landsat TM和Landsat 8 OLI的卫星数据，对土地利用土地覆盖变化、城市土地转型、城市空间格局和城市发展趋势进行评估。研究表明，建筑面积急剧增加。建筑面积的增加原因在于主要农业和开放空间的减少。土地利用/土地覆盖率变化矩阵显示，1990-2000年建成区扩大了16.6%，2000-2015年扩大了24.5%。城市扩张是由于将农业用地以1990-2000年和2000-2015年分别以153.1%和66.9%的速度进行大比例土地改造的结果。对加尔各答城市群38个市和3个国有企业的城市增长趋势的分析表明，位于胡格利河东岸、被加尔各答-姆尼西帕尔公司包围的城市发展速度非常快，新开发城市的城市一级和二级核心区有所增加。在远离胡格利河的城市中，次城市边缘区有所增加，而所有老城区的开放空间都有所减少。加尔各答城市群近25年的土地转型模式和城市增长趋势，有助于指导未来城市群的规划和政策制定。遥感、地理信息科学和城市扩展矩阵的综合方法已被证明有助于分析城市扩张，确定有效规划和管理的优先领域。

正 文

  1. 引言

管理城市扩张既是本世纪非常复杂的现象又是巨大的挑战(Cohen,2004; Sakieh等人, 2016)。城市化基本上可以定义为主要是农村城市迁移导致的土地变化过程。（Jat等人,2008；Velmurugan和Sajjad，2009；Abbas，2016；Nourqolipour等人，2016）。这一过程的演变概念始于城镇和城市的形成，后来形成了大都市和城市群的规模（Jokar等人，2013；Mondal等人，2016）。城市发展是一个复杂而动态的过程。它涉及到建筑环境的物理和功能成分的变化，随后加速了景观向城市形态的转变（Castle and Crooks，2006；Dahal等人，2016）。许多环境、地理和政治因素是景观变化的动力（Thapa和Murayama，2011;Iqbal等人,2012）。在世界许多地方，城市化正被一个新的全球经济加速发展，而这反过来又真正改变了地球的面貌（Soja,2013；Abbas,2016）。随着人口爆炸和经济增长，全球所有发展中国家的大都市都迅速增长（Al Sharif和Pradhan，2015；Metzger等人，2016）。快速城市化是根据郊区扩张和城市蔓延的发展规模来衡量的（Harris和Ventura，1995；Sajjad，2014）。

遥感和地理信息系统（GIS）技术使全球范围内的城市扩张分析及其预测建模成为可能（Al-Shalabi等人，2012；Toll，1985；Taubenbouml;ck等人，2009；Gomarasca等人，1993）。这些技术也已应用于其他研究领域，如滑坡敏感性绘图（Chen等人2018a；Chen等人2018b；Chen等人2018c；Hong等人，2018a）和洪水易感性评估（Hong等人，2018b；Hong等人，2018c）。这些技术有助于监测和分析城市景观动态（Franklin，1995；Hashem和Balakrishnan，2014）。利用细胞自动机（Li等人，2014；Xinli等人，2016；Mondal等人，2016）、人工神经网络（Pijanowski等人，2005；Maithani，2009）、马尔可夫链（Tang等人，2007；Mondal等人，2016）、地理加权回归（Mondalet al.，2015）、非序数和多名义逻辑验证（Landis，2001）、Sleuth模型（Clarke和Gaydos，1997；Bihamta 等人，2015；Dadashpoor和Nateghi，2017）、多元回归（Yang，2006；Al-Sharif和Pradhan，2015）、分析层次过程（Park et al.，2012）、决策树（Chan等人，2001；Sesnie 等人，2008）、线性/逻辑回归（Seto和Kaufmann，2003；Hu和Lo，2007）、光谱综合混合方法（Wu和Murray，2003；Powell等人，2007）、模糊逻辑（Liu，2011）、机器学习模型（Xian等人，2008；Bununu，2017）、综合多图像模型（Yang和Lo，2003；Zhang等人，2015）、数值建模（Bhatta，2009；PandEy和Joshi，2015）以及城市空间格局和城市扩张的城市扩展矩阵（Clear，2008；Angel等人，2007；Sharma和Joshi，2012）等多种算法对城市扩张建模和城市空间格局分析进行了多次尝试。

在过去的五十年里，印度的人口翻了一番，但与此同时，城市人口却增长了五倍。印度自过去三十年来一直在经历快速的城市化进程（Bhagat和Mohanty，2009）。城市群（孟买、德里、加尔各答、班加罗尔、钦奈和海德拉巴）迅速增长，预计到2021年，印度将成为世界上城市群集中度最高的国家（(Taubenbouml;ck等人，2009）。加尔各答在世界最大的城市群中排名第十（联合国，2011）。各种研究（Bhatta，2009；Ramachandra等人，2014；Mondal等人，2015，Mondal等人，2016）试图分析加尔各答国有企业及其周边地区的城市增长和城市土地转型，但缺乏关于整个加尔各答城市群的城市扩张和时空增长的工作。在此背景下，本研究对分析加尔各答城市群的城市空间格局和城市增长趋势具有重要意义。

  1. 研究领域

加尔各答城市群（加尔各答UA）绵延1851平方公里，位于北纬22°0′19”至23°0′01”之间，东经88°0′04〃至88°0′33〃（图1）。沿胡格里河的东西岸有蔓延的线性城市集中。聚集区是一个保护性的绿化带，周围是农村地区（KMC，2015年）。该聚集区被划分为3个国有企业（豪拉、加尔各答和钱丹纳加尔）、38个市、77个非市政城镇、16个郊区和445个乡村。聚集区总人口为1472万人，平均密度为7950人/km2（印度人口普查，2011）。预计到2025年，人口将达到2110万，年增长率为1.8%（印度人口普查，2011；哈萨克斯坦国家气象局，2011）。世界上30个人口超过1000万的大城市中的聚集数字（联合国，2007年）。加尔各答是印度第三大城市群和第三大城市。作为发展中国家日益增长的大都市，加尔各答正面临着严重的城市污染、交通拥堵、贫困、人口过剩和社会经济问题（Bhatta，2009；Mukherjee，2012）。在总人口中，近三分之一生活在贫民窟地区（Sugiyama，2008；Bhatta，2009）。加尔各答东部地区有沼泽地，尤其是比德汉纳加尔、拉贾哈特马赫什塔拉和索纳布尔。在没有任何规划的情况下，沼泽地正在转变为建筑区（Nandy，2007；Dasgupta等人，2013）。

  1. 数据库和方法

利用1990年和2000年的Landsat主题地图绘制器（TM）图像和2015年的Landsat 8 OLI图像，测量了加尔各答UA的城市空间格局，分析了城市扩张趋势（附录1和2）。通过监督分类技术和最大似然法生成1990年、2000年和2015年的土地利用/土地覆盖图。该图广泛应用于地质环境评价，如滑坡敏感性建模（Chen等人，2017d；Chen等人，2017E；Chen等人，2017f；Chen等人，2017G）。使用各种方法对土地利用/土地覆盖进行分类，如支持向量机法（Chen等人2017a），人工神经网络（Erbek，等人2004），基于对象的图像分类（Drăguţ和

Blaschke， 2006) 但是监督分类被广泛用于城市区域分析。为了减少分类误差，提高分类精度，对广义图像进行了重新分类（Chen等人，2017B）。使用后分类变化矩阵技术生成了土地利用/土地覆盖变化图（1990-2015年）。

使用地理信息系统模块中的交叉表生成一个过渡矩阵来分析土地利用/土地覆盖的变化。过渡矩阵提供了研究领域主要变化的信息。土地利用/土地覆盖变化图是利用遥感图像处理系统中的叠加功能和地面实况绘制的。通过训练像素点和决策规则来确定分类的准确性（Chen等人，2017C），然后将分类训练像素与训练像素进行比较。总体分类准确率1990年为89.16%，2000年为94.12%，2015年为95.26%。1990年土地利用/土地覆盖分类的kappa系数值确定为0.82%，2000年为0.93%，2015年为0.91%。

归一化差异累积指数(NDBI)用于划定研究区域的已建和未建像素，并通过生成三个时期(1990、2000和2015年)的土地利用/土地覆被图进行验证。利用中红外（MIR）和近红外（NIR）波段，根据像素的辐亮度值对组合像素进行鉴别，生成了NDBI。NDBI的值由zha等人，2003，提出的：NDBI= （中红外-近红外）/（中红外 近红外）。

正值代表建筑用地，负值代表其他土地用途。建立的指数是基于中红外波长的高反射率。我们使用非监督分类技术对城市、非城市和水体进行分类和提取。利用这些类别的像素密度和城市扩展矩阵分析城市空间格局。

城市扩展矩阵（Parent等人，2008）用于测量城市空间格局，并分析加尔各答UA城市扩张和城市扩张的动态。采用基于城市像素的矩阵函数对城市空间格局进行分类。使用城市扩展矩阵将研究区域分为七类（表1和图2）。

表一：将研究区域划分为城市空间格局

城市空间格局

分类标准

城市核心区

至少50%周围区域是高度组合的有最高连续性的一组组合像素

城市次核心区

至少有50%的建设与城市的核心区相同，但它不属于主要的城市核心。

郊区边缘

由一级和二级核心包围的组合像素，城市化率为30-50%。

分散沉降区

所建立的像素远离主核和次核区且不足20%

城市开放空间

非城市斑块围绕着城市的一级和二级核心区

非城区

除城市一级和二级核心区以外的非城市地区

水体

土地覆盖等级
  1. 结果与讨论

对研究区域的数据分析结果分四个部分进行讨论：1。土地利用/土地覆盖变化模式和城市建成区2。土地转型与城市土地利用动态3。城市空间格局与城市景观变化4。城市扩张趋势。

4.1 土地利用/土地覆盖变化格局与城市建成区

1990年、2000年和2015年期间，加尔各答UA确定了八种土地利用/土地覆盖类型：（1）农业用地（2）农业休耕地（3）植被/人工林（4）水生植被区（5）开阔地（6）河流（7）湿地（8）建成区。在过去的25年中，研究区域的土地利用/土地覆盖发生了巨大变化。建成区和农业休耕区面积增加，耕地、植被和开阔地面积迅速减少（表2）。在建成区附近发现农业休耕地的面积有所增加，它表明以主要农业用地为代价的城市扩张（图3）。在研究期间，开放土地也已转变为建成区且这类土地的使用面积已登记减少了67.5平方公里。其他类型的土地利用/土地覆盖，如植被/种植园、湿地和水生植被，其各自区域的面积有所减少（表2）。建成区在1990-2000年和2000-2015年间分别以16.6%和24.5%

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[435147]，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