当前世界环境

介绍

利用遥感和地理信息系统编制土地利用和土地覆盖测绘的方法是土地资源管理规划和发展活动的一个重要方面。研究城市巴特那(PMC)是比哈尔邦快速发展的城市和新兴的经济中心。城市人口(PMC)日益增长，快速城市化导致了比哈尔邦不同地区的快速移民。¹因此，这些深刻的变化会导致气候变化的长期动态。

与传统的地面方法相比，RS和GIS方法在时间、成本效益和可靠性方面具有优势，因此在土地利用利用制图中至关重要。大面积的区域可以快速和重复成像，而且图像解释比进行地面调查更快，成本更低。²

在过去的两个世纪里，我们经济部门的快速发展和人口爆炸已经对我们地球上的土地覆盖资源造成了重大变化，并且有迹象表明，这些变化将在未来增加。巴特那市政辖区的发展是无计划的、不受控制的和不受管制的，导致城市蔓延。^3.1981年以来，由于缺乏规划干预，快速增长导致无序发展，导致PMC地区开放空间退化。¹为了使土地得到最佳利用，必须研究现有的土地资源中心特征，以及由于人口激增、经济扩张和新的生活方式而日益增加的需求。⁴

这些研究是通过假彩色合成(FCC)卫星图像，Resourcesat-2A线性成像自扫描传感器IV (LISS-IV)，使用2018年5.8米空间分辨率数据进行LULC测绘的。采用监督分类和最大似然分类器(MLC)算法对LISS IV图像进行分类。⁵LULC地图生成了研究区五个不同类别的水体、农业用地/休耕地、荒地、建设用地和植被。MLC方法基于概率函数将具有最大似然的像素划分到相应的类中，其优点决定了每个主题的方差和协方差。⁵另一种分类器可用于土地利用土地覆盖制图，它是最小距离分类器，其中每个LULC类别的平均向量由每个类别的每个波段的平均数字(DN)确定。⁶但是这种方法也忽略了不同程度的变化。平行六面体分类器根据每个轴上的最低值和最低值来估计每个波段的最大和最小DN，分类的准确性取决于每个类的最低值和最低值的选择。⁶

本研究的主要目标是实现利用遥感和GIS技术对整个PMC地区的LULC类别进行检测。本研究认为，遥感和GIS技术的方法将在未来的LULC发展计划中发挥作用，因为它比传统的地面技术在时间、成本效益和可靠性方面具有优势。

研究区域

巴特那是比哈尔邦的首府。它位于恒河的南岸。研究区域位于北纬25°33′22”至25°39′20”之间，东经85°04′50”至85°16′03.55”之间，位于印度地形调查表第72G/2和72G/6号，位于恒河盆地平原，海拔174英尺(约53米)。

巴特那市政公司(PMC)的总面积为109.218平方公里。公里。根据2011年的人口普查，72个区PMC连同帕利普特拉住房殖民地可容纳约6,87,828人。⁷2018年卫星影像LISS IV数据的位置图如图1所示。

图一:位置图(IRS P6-LISS-1V Image/2018) 点击这里查看图

方法

星载多时/多光谱数据以及辅助数据，应用和发展了土地利用和土地覆盖制图。2018年4月获取的多光谱高分辨率卫星数据Resourcesat-2A (LISS-IV)(路径104行053)(图2)数据，空间分辨率为5.8 m，用于研究LULC类别的时间变化。从NRSC/NDC数据中心/用户订单处理系统[UOPS]获取的卫星数据。

表1:LISS IV数据技术指标

卫星	传感器	收购日期	波段/光谱分辨率	分辨率(m)	路径/行
Resourcesat-2A (IRS R2A)	丽丝四世	02.04.2018	B2 - 0.52 - -0.59 B3 - 0.62 - -0.68 B4 - 0.77 - -0.86	5.8	104/53

遥感与GIS数据解译

图像预处理

预处理是消除不需要的源，使失真或退化的图像恢复到最原始的形式/场景的初步步骤。⁶在本研究中，LISS-IV数据注册为WGS 84的UTM投影，并通过过程进行了整改。

形象的解释

色调、纹理、坡度、大小、模式、地点和关联等图像解释应用于对卫星数据的可视化分析，用于开发LULC地图。⁸卫星图像在绿色、红色和近红外区域分别有3个波段(波段2、波段3、波段4)，图像类型采用FCC。下面简要介绍了本研究中用于图像分类的各种工具、技术和方法。

图像增强

图像增强技术用于增加更好的视觉区分或解释，以增加图像或卫星数据中特征之间的信息量。增强技术用于提高场景中所有特征的对比度，特别是水和土地。⁶

图像分类

应用图像分类程序对多光谱像元进行分类，将图像中的所有像元分成几个单独的类。⁶

监督分类

我们选择了监督技术，即在研究区域的特定地点进行地面监测。在监督技术/分类中，首先确定训练区域并开发光谱类的数值或数字值，其中像素被分类为不同的LULC类型。⁶

最大似然分类器

在最大似然分类器技术的帮助下，创建了五个不同的类。该方法的优点是基于一个概率函数来确定每个主题的方差和协方差．⁷如果总体分布不服从正态分布，这种方法就不能应用。最大似然定义如下:⁹

式中n:频带数

X: n个波段的图像数据

Lk(X): X属于k类的可能性

µk: k类的平均向量

^∑K: K类的方差协方差矩阵

|^∑的行列式^∑k。

图2:流程图(方法) 点击这里查看图

结果

LULC结果表明:PMC区域下的面积构成最大的是建成区(59.13%)，其次是农休用地(21.18%);植被占10.52%，荒地占整个研究区的9.90%，水体约占整个研究区的4.32%。1981年以来，由于缺乏规划干预，快速增长导致无序发展，导致PMC地区开放空间退化。¹为了使土地得到最佳利用，必须研究现有的土地资源中心特征，以及由于人口激增、经济扩张和新的生活方式而日益增加的需求。

讨论

采用监督分类和最大似然分类器(MLC)算法对LISS IV图像进行分类。2018年多光谱高分辨率卫星数据Resourcesat-2A (LISS-IV)(图2)数据(路径104行053)，获取时间为2018年4月2日，空间分辨率为5.8 m，用于本研究的LULC分类。MLC方法基于概率函数将具有最大似然的像素划分到相应的类中，其优点决定了每个主题的方差和协方差。

1990年末，谷歌地球被开发出来，后来在2004年10月收购了keyhole，以更好地为用户服务。卫星图像(Google)，它显示从遥远的地球表面合成的图像，并在放大同一区域后转换成不同的图像，具有更精细的细节，从一个区域到下一个区域随日期和时间而变化。¹⁰通过实地验证分类地图的准确性，并获取日期为2020年4月20日的卫星图像(Google)。共收集95,147个像素(表3)，用于对分类结果进行验证。

表2:土地利用和土地覆盖等级

类名	土地覆盖面积(平方)公里。)	面积容积率
水体	5.18	4.32
农业/休耕地	21.18	17.71
建设用地	70.80	59.13
浪费土地	11.86	9.90
植被	10.52	8.80
总计	119.54	One hundred.

表3:分类图像的验证

类名	像素	图像的%
水体	4918	5.16
农业/休耕地	17793	18.70
建设用地	54579	57.36
浪费土地	8606	9.04
植被	9251	9.72
总计	95147	One hundred.

图3:研究区域的监督LULC地图 点击这里查看图

结论

巴特那市政辖区的发展是无计划的、不受控制的和不受管制的，导致城市蔓延。在本研究中，使用LISS IV数据来处理整个PMC区域的LULC类别。为了提高结果的准确性，应用了最大似然分类(MLC)算法，其中一个像素被分类为基于概率函数的对应类的最大似然，确定每个主题的方差和协方差。结果的准确性也通过卫星(谷歌)图像以及地面真相/验证得到验证。根据调查结果和历史事实，在缺乏适当的LULC规划的情况下，PMC区域由于不受控制的规划而变得杂乱无章。该分析指出，在面对目前的若干问题时，应充分准备利用遥感和地理信息系统的应用，以支持土地利用和土地覆盖资源。

致谢

作者要感谢马加德大学给予博士学位，研究工作。马加德大学巴特那A.N.学院环境科学系因允许GIS实验室工作而受到高度赞赏。作者还对印度国家遥感中心(NRSC)、印度空间研究组织(ISRO)和印度政府在卫星数据采购过程中提供的指导深表感谢。

资金来源

这项研究工作没有资金支持。

利益冲突

作者没有任何利益冲突。

参考文献

1. 城市发展及房屋署。巴特那总体规划。http://urban.bih.nic.in/pmp/patna - mp -报告- 18 - 11 - 2014. - pdf。2018年12月16日发布。
2. Roy PS, Dwivedi RS, Vijayan D，编辑。遥感应用。第2版。海德拉巴，国家遥感中心;2010.
3. 阿什拉夫米,基于遥感和GIS技术的巴特那市25年土地利用/覆被变化格局评价，国际科学、工程与技术创新研究杂志2014; 3(10): 1000146。DOI:10.15680 / IJIRSET.2014.0310053．
4. Joseph G, Dhawan S，编辑。遥感基础。海德拉巴，大学出版社(印度)私人有限公司;2003．
5. Sood V, Gupta S, Gusain HS, Singh S，基于AWiFS数据的不同分类算法的空间和定量比较。印度遥感学会杂志2018;46(12): 1991 - 2002。
6. 基弗RW, Lillesand TM主编。遥感和图像解译。第4版，纽约，约翰·威利父子出版社;2004.
7. 印度人口普查。《地区人口普查手册》，新德里，比哈尔邦人口普查行动主任，2011年。https://censusindia.gov.in/2011census/dchb/DCHB_A/10/1028_PART_A_DCHB_PATNA.pdf。2011年出版。2018年12月16日发布。
8. Sabins FF编。遥感原理与解译^{理查德·道金斯}编辑:纽约，W. H. Freeman and Company;1996.
9. 日本遥感协会。遥感笔记。http://sar.kangwon.ac.kr/etc/rs_note/rsnote/cp11/cp11-7.htm 2020年7月20日发布。
10. 谷歌地球。维基百科。https://en.wikipedia.org/wiki/Google_Earth的历史。于2020年7月20日发布。
11. Maheswari R, Rajkumar R. OM, Surendran A, Krishnamoorthy B. S.基于多时相遥感卫星数据的土地利用变化监测。国际近代科学研究杂志2015; 6(2): 2867 - 2870。
12. Mhmod M, Cal L, Zhuoguo M .基于遥感和GIS技术的1974 - 2010年汶川地区地表水平和垂直变化监测研究。遥感与地理信息系统学报2015; 4(3): 1000146。DOI: 10.4172 / 2469 - 4134.1000146。
13. 国家遥感中心。印度土地利用土地覆盖地图集，海德拉巴，印度空间研究组织，印度政府空间部，2011(2-6)。
14. 辛格HC编。农村环境发展与规划，阿拉哈巴德，Chugh出版社;1989.
15. Vijayakumar N, Gurugnanam B, Arulbalaji K，泰米尔纳德邦高韦里河Thirumanimuttar次流域土地利用和土地覆盖变化检测，国际科学、工程与技术研究杂志2015; 4(4): 680 - 683。
16. 安德森JR，哈迪EE，罗奇JT, Witmer RE，编。基于遥感数据的土地利用和土地覆盖分类系统。华盛顿，美国政府印刷局;1976.https://pubs.usgs.gov/pp/0964/report.pdf。2018年11月15日发布。
17. 史顺峰。土地利用分类的卫星数据与地理信息系统。灌溉与排水工程学报1988, 114(3): 505 - 519。
18. 马世文，郭文杰，环境地理学:科学、土地利用和地球系统。3.^{理查德·道金斯}艾德。纽约，John Wiley and Sons;2004.