当前世界环境

介绍

管理自然资源和监测环境变化是为任何国家的发展制订和执行适当的土地使用计划所必不可少的主要因素之一。土地利用和土地覆被(LULC)变化检测是一种有效的策略，可以用于正确的土地利用规划，以确定地球表面发生的异质性和干扰的相互作用。土地覆盖可以定义为地球陆地上观测到的(生物)物理覆盖，如植被、开阔水域或人为特征。土地利用是指人们在某种土地覆盖类型中所进行的安排、活动和投入的总和。^1，2人类活动和不同的自然过程会影响任何地区的土地利用/土地覆盖。土地利用和土地覆盖比以往任何时候都迅速改变，特别是在发展中国家，其特点往往是毁林、土地退化和农业用地的改造，给环境造成巨大代价。^3.为满足不断增长的人口对粮食、燃料和饲料日益增长的需求而过度利用自然资源，导致流域内土地利用效益变化。⁴因此，为了保护和保存自然资源，防止其进一步恶化，也应该合理利用一小块土地。有效利用地球资源需要妥善的管理和土地利用规划。了解景观变化对于自然资源的可持续管理至关重要，因为它使决策者能够对流域采取更广泛的看法。⁵自动或监督分类和变化检测方法建立在基于软件的校准补丁外推的基础上，当应用于均匀颜色和纹理的土地利用类型时，例如水体，建筑用地或沙漠，可以提供令人满意的结果。^6、7图像分类的目的是用真实信息标记图像中的像素点。⁸变化检测可以更好地对更多样化的土地利用和土地覆盖进行综合分类，从而了解自然的复杂性。因为，LULC评估需要对景观动态进行分析和精确的空间调查。在像印度这样的大多数发展中国家，虽然可以获得陆地资源卫星等卫星图像，但缺乏详细和可靠的时空数据。

在土地覆盖类型具有异质性和马赛克性质的地区，大多数土地覆盖c制图研究依赖于每个分析周期的单幅图像，导致精度降低。因此，在遥感和GIS的帮助下，可以有效地利用多光谱-时相卫星数据集来分析事件的历史影响，并确定与LULC相关的变化。全球土地覆盖设施(GLCF)和美国地质调查局(USGS)免费提供的Landsat TM和ETM+数据图像为科学用户提供了有关景观主题变化的宝贵信息。利用卫星图像可以以最低的成本和较高的精度观察到土地利用/土地覆盖的变化。⁹此外，通过与GIS的集成，可以对庞大的数据库进行分析、更新和检索，从而节省成本。^{10、11、12、13所示}基于多时相和多光谱遥感数据的数字变化检测技术在了解地球表面特征的复杂动态和监测一段时间内土地利用和土地覆盖格局变化方面显示出巨大的潜力。¹⁴

用于土地利用/土地覆盖评估的RS和GIS技术在选择用于农业用地、城市地区和工业用途的区域时提供了宝贵的信息。¹⁵利用GIS技术对加德满都都市区土地利用/覆被图的统计数据进行了研究。¹⁶地理信息系统最好用于整合各种数据集，以获得一个均匀的复合土地开发单位，这有助于确定问题区域并建议保护措施。¹⁷随着时间的推移，各种遥感数据产品经常被纳入历史土地利用信息。^18、19、20随着历史遥感数据的可用性、数据成本的降低和卫星平台分辨率的提高，遥感技术似乎有望对监测土地覆盖和土地利用变化产生更大的影响。²¹遥感和地理信息系统一起作为决策支持系统，对地方政府和土地利用规划者很有用，有助于更好地制定国家可持续发展的未来计划。

本研究展示了使用两张卫星图像来定义位于印度中央邦巴拉加特和曼德拉地区之间的班贾尔河流域的LULC变化。

研究区域

研究区域(图1)是Banjar河流域，位于中央邦Balaghat和Mandla地区之间，地理位置在22⁰北纬05度至23度⁰北纬29度和80度⁰22 e至81⁰00经度。截至测量点，流域总面积为246084.50公顷。它位于中央邦的东部。该地区属于热带气候，冬季温和，夏季炎热，降雨量分布均匀，受到西南季风的影响。然而，由于较高的总体海拔和丰富的森林，夏季气温上升不像其他地区那么多。Bamhani Banjar流域的年正常降雨量为1300毫米。该地区的土壤以黑灰色、红色和黄色为特征，常与红色和黑色冲积层和铁红色砾石或红土混合。这些土壤通常被称为黑土。在研究流域的大部分地区，表土为壤土，底土为砂质粘土壤土，但冲积沉积物中粘土质地相对较重。在土壤较浅的贫瘠地区，表层土壤为细板状结构，地下土壤为压缩块状结构。

材料与方法

数据库准备

卫星数据集，即陆地卫星专题制图器(TM)和增强专题

2009年和2013年班贾尔河流域的Mapper Plus (ETM+)多光谱数据来自全球土地和覆盖设施(GLCF) (www.landcover.org)和地球探测器(USGS) (https://)earthexplorer.usgs.gov)网站，分辨率为30米。这些数据导入ERDAS Imagine 2011，并借助卫星图像处理软件转换为假彩色合成(FCC)。使用图像解释器工具箱中的层堆叠选项生成研究区域的FCCs(图2& 3)。这两幅卫星图像都是在ARC GIS环境下从研究区域的地理参考轮廓边界中提取的。然后将这些数据用于土地利用和土地覆盖分类。

图1:研究区域位置图 点击此处查看图

图2:2009年研究区域的FCC 点击此处查看图

图3:2013年研究区域FCC 点击此处查看图

LULC的检测与分析

本研究利用ERDAS IMAGINE 2011软件，利用现有卫星数据，绘制了2009年和2013年研究区土地利用/覆被图。在整个研究过程中，谷歌地球被用作对卫星数据进行地面验证的手段。在研究区内确定了七种土地利用和土地覆盖类别，即:(i)河流(ii)水体(iii)荒地(iv)居住地(v)森林(vi)农业/其他植被(vii)开阔地/休耕地/荒地。

土地利用/覆被变化检测分析及准确性评估

土地利用/覆被变化检测采用后分类方法。对比2009年和2013年两个不同年份的分类图像，确定变化的定量方面。

为了更好地验证结果，对不同年份的LULC进行了准确性评价。使用来自Google Earth的参考图像和分类土地利用地图创建了一个精度矩阵，将每个等级和超过精度作为混淆矩阵。总精度由正确地块总数除以采样地块总数的总和确定。此外，kappa被用作模型预测与现实之间一致性的度量，然后计算总体kappa。这种精度度量试图通过将非对角线元素合并为误差矩阵的行和列的乘积来控制偶然的一致性。²²

结果与讨论

土地利用和土地覆盖统计数据是通过2009年和2013年两个不同年份的卫星数据集分类得到的。可以看出，总调查面积确定为246084 ha。该地区共划分了七个LU/LC类别，即河流、水体、荒地、居住地、森林、农业/其他植被、开阔地/休耕地/荒地。图4描绘2009年研究区域的土地利用/覆被类别。2009年，研究区LU/LC的主要特征是森林，约占44.81，其次是开阔地/休耕地/荒地，约占整个研究区的28.31%。表1显示了不同土地利用方式和土地覆被类别与研究区域的覆被百分比。

图4:2009年研究区域的LU/LC状况 点击此处查看图

表1:2009年研究区内不同LU/LC类别的面积

类名	面积(公顷)	面积(%)
河	1914.51	0.78
严禁	1420.31	0.58
荒地	3895.28	1.58
居住	1521.18	0.62
森林	110260.00	44.81
农业/其他植被	57395.50	23.32
空地/休耕地/荒地	69677	28.31
总计	246084	One hundred.

2013年(图5)，森林是土地利用/覆被的主导特征，约占研究面积的47.06%，其次是开阔地/休耕地/荒地(28.80%)。表2给出了7个LU/LC类别的百分比分布。

图5:2013年研究区LU/LC现状 点击此处查看图

表2:2013年研究区不同LU/LC类别下面积

类名	面积(公顷)	面积(%)
河	1277.19	0.52
严禁	2780.19	1.13
荒地	4453.83	1.81
居住	1419.03	0.58
森林	115811.00	47.06
农业/其他植被	49472.00	20.10
空地/休耕地/荒地	70870.40	28.80
总计	246084.50	One hundred.

为了提高两幅影像土地覆被制图的精度，对土地利用/覆被进行了精度评价。土地利用和土地覆盖地图的标准总体精度设定在85%之间²³和90%²⁴。在本研究中，2009年和2013年的总体准确率分别为89.70%和91.91%。2009年和2013年的kappa系数分别为0.86和0.89。2009年卫星图像的分类精度细节见表3和4,2013年的分类精度见表5和6。

表3:分类图像的误差矩阵精度总数(2009年)

类名	河	水体	浪费土地	居住	森林	农业/其他植被	空地/休耕地/荒地	总计
河	9	0	1	0	0	0	0	10
水体	0	8	0	0	0	1	1	10
浪费土地	0	0	10	0	0	0	0	10
居住	0	0	0	9	0	1	0	10
森林	0	0	0	0	45	0	0	45
农业/其他植被	0	0	3.	0	1	19	0	23
空地/休耕地/荒地	0	1	1	0	1	0	25	28
总计	9	9	15	9	47	21	26	136

表4:2009年LU/LC分类效率

类名	生产商的准确性	用户的准确性
河	100.00%	90.00%
水体	88.89%	80.00%
浪费土地	66.68%	100.00%
居住	100.00%	90.00%
森林	95.74%	100.00%
农业/其他植被	90.48%	82.60%
空地/休耕地/荒地	96.15%	89.28%

表5分类图像误差矩阵精度总和(2013年)

类名	河	水体	浪费土地	居住	森林	农业/其他植被	空地/休耕地/荒地	总计
河	10	0	0	0	0	0	0	10
水体	0	9	0	0	0	1	0	10
浪费土地	0	0	10	0	0	0	0	10
居住	0	0	0	8	0	1	1	10
森林	0	0	0	0	46	1	0	47
农业/其他植被	0	0	1	0	3.	15	1	20.
空地/休耕地/荒地	0	0	1	0	1	3.	24	29
总计	10	9	12	8	50	21	26	136

表6:2013年LU/LC分类效率

类名	生产商的准确性	用户的准确性
河	100.00%	100.00%
水体	100.00%	90.00%
浪费土地	83.33%	100.00%
居住	100.00%	80.00%
森林	92.00%	97.87%
农业/其他植被	71.42%	75.00%
空地/休耕地/荒地	92.30%	82.76%

根据2009年监督分类准确率评价结果，荒地生产者的准确率最低，为66.68%。所有其他类别的分类都超过85%生产者的准确率，这意味着分类相当准确。除2013年的精度评价结果外，农业/其他植被生产者的精度最低，为71.42%。所有其他类别的分类准确率都超过了生产者的83%。荒地和农业/其他植被的精度最低，可以解释为研究区域被茂密的森林高度覆盖，植被稀少，导致与荒地和休耕地混淆。

因此，在遥感和地理信息系统的帮助下，评估了有关土地利用/覆盖分类的准确和最新信息。从表7可以看出，班贾尔河流域土地利用和土地覆被格局既有正变化，也有负变化。

表7:不同土地利用和土地覆盖类别的面积和变化量

Bamhani Banjar流域在2009年至2013年期间

类名	2009-2013年变化(ha)	2009-2013年变化(%)
河	-637.32	-0.26
严禁	1359.88	0.55
荒地	557.55	0.23
居住	-102.15	-0.04
森林	5551.00	2.26
农业/	-7923年	-3.22
空地/休耕地/荒地	1193.40	0.48

可以看出，2009年发现河底面积为1914.51公顷，2013年已转化为1277.19公顷。相反，开阔地/休耕地/荒地从70870.40 ha增加到69677 ha，占0.48%。相比之下，农业/其他植被和居住面积减少，农业/其他植被从57395.50公顷减少到49472.50公顷，居住面积从1521.18公顷减少到1419.03公顷。相比之下，研究区森林从2009年的110260公顷增加到2013年的115811公顷，占2.26%。2013年荒地面积增加557.55公顷，水体面积增加1359.88公顷，荒地面积和水体面积均略有增加。结果表明，2009 - 2013年的变化幅度较小。此外，可耕地和森林覆盖的航空面积变化不大。在所有其他类别中，已经注意到非常小的变化，可以概括为“没有变化”。例如，居住在2009年至2013年间的变化为0.04%，可以忽略不计，可以认为没有变化。这些微小的变化反映了流域的发展进程处于停滞状态。

结论

基于遥感与GIS相结合的土地利用和土地覆被变化检测建模结果，认为近5年来地物多样性变化不大。研究表明，农业/其他植被覆盖的面积减少了，开阔地/休耕地/荒地的面积增加了。因此，该地区似乎需要农业发展规划。农业/其他植被覆盖面积的减少表明该地区必须采用更多的耕作/农业方法。

该研究阐明了遥感与地理信息系统的结合对于及时、经济有效地提供该地区土地利用和土地覆盖的准确空间信息的重要性。

确认

作者感谢印度Jabalpur (M.P.)农业工程学院土壤与水工程系对本研究的支持。

参考文献

1. 土地质量指标及其在可持续农业和农村发展中的应用。粮农组织土地和水公报5;212(1997)。
2. 粮农组织/环境规划署。我们土地的未来:面对挑战。土地资源可持续管理综合规划准则。71 p(1999年)。
3. Sankhala, S.， Singh, B.基于遥感和GIS技术的城市扩张和土地利用变化评价:以斋浦尔市为例,印度。Int。J.新兴技术。放置Eng。4 (1);66 - 72(2014)。
4. 沙玛,KD。沙漠化的水文指标。J干旱环境39;121 - 132(1998)。
   CrossRef
5. Doygun, H, Alphan, H.监测土耳其伊斯肯德伦的城市化及其负面影响。环境监察及评估。114;145 - 155。(2006)。
   CrossRef
6. 陈,X。,J。,,Y。,山口,Y自动化方法forupdating土地覆盖地图基于集成andclassification变化检测方法。图片来源:ISPRS远程Sens。71;86 - 95(2012)。
   CrossRef
7. Dronova, I.， Gong, P.， Wang, L.基于目标的鄱阳湖主要湿地覆盖类型变化检测及其分类不确定性。遥感，环境。115;3220 - 3236(2011)。
   CrossRef
8. 詹森，L.， B.戈尔特。遥感原理;数字图像分类;美国国际贸易委员会, Enchede。荷兰(2001年)。
9. 通过卫星遥感监测林地变化检测和森林覆盖制图。:第六届亚洲遥感会议论文集。海得拉巴国家遥感局；77 - 83。(1985)。
10. 史建良，李建平，李建平，李建平。地理信息系统与遥感的集成。剑桥大学出版社，纽约(1997)。
11. 基于卫星的大面积土地覆盖制图:现状和研究重点。J.遥感。21 (67);1093 - 1114(2000)。
12. 李建军，李建军，李建军，等。基于地理信息系统和地理信息系统的长江流域生态系统优化研究。国际科学、工程与技术研究杂志。5 (10);3041 - 3046(2016)。
13. 李建军，李建军，李建军，等。基于GIS的长江流域地貌特征分析。国际工程研究杂志在线版。4 (5);135 - 143 (2016 b)。
14. 拉瓦特，j.s.，比斯瓦斯，维韦坎南德。库马尔，曼尼什。基于地理空间技术的土地利用/覆盖变化:以印度北阿坎德邦Nainital地区Ramnagar镇为例。埃及遥感与空间科学杂志16;111 - 117(2013)。
    CrossRef
15. Selcuk, R.， Nisanci, R.， Uzun, B.， Yalcin, A.， Inan, H.， Yomralioglu, T.基于GIS和遥感技术的土地利用变化监测:以Trabzon为例，http://www.fig.net/pub/morocco/proceedings/TS18/TS18_6_reis_el_al.pdf 5(2003)。
16. 遥感和GIS在加德满都城市土地利用/土地覆盖变化中的应用。尼泊尔;达成。通知。抛光工艺。23 (2);80 - 86(2011)。
17. s.s.， Vasantha Rao。B.V.T拉。m.v.，阿南德·萨加尔。M.基于遥感和GIS的大气污染防治区识别模型研究。当前世界环境。6 (2);207 - 215(2011)。
18. Acevedo, W.， T. Foresman和Buchanan，《建立时间数据库以检验人类转变过程的起源和哲学》。ASPRS/ACSM年度会议和展览，巴尔的摩，马里兰州(1996)。
19. 克拉克，K.，帕克斯，克兰。地理信息系统与环境建模，普伦蒂斯霍尔(2002)。
20. Meaille, R.， Wald, L.基于地理信息系统和卫星图像的区域城市增长数值模拟。国际地理信息科学杂志。4 (4);445 - 456(1990)。
    CrossRef
21. 罗根，陈杰。D.测绘和监测土地覆盖和土地利用变化的遥感技术。规划工作的进展《科学》杂志(4):301-325(2004)。
    CrossRef
22. 郭文杰。名义尺度的一致性系数。教育和心理测量, 20 (1);37-46(1960)。
    CrossRef
23. 安德森，J. R.，哈代，E. E.，罗奇，J. T.，维特莫，R. E.。基于遥感数据的土地利用和土地覆盖分类系统。美国地质调查专业论文。964(1976)。
24. 林斯，k.s.， Kleckner, r.l.。土地覆盖制图:概念的概述和历史。在J. M. Scott, T. H. Tear， & F. Davis(主编)，差距分析:生物多样性规划的景观方法。57 - 65(1996)。