当前世界环境

介绍

东南亚国家特别是印度人口在上个世纪迅速和急剧增加，使对基本需要的需求更加突出¹．因此，合理利用可利用的土地和其他资源已成为当务之急。目前，土地利用/土地覆盖发生了巨大变化^2、3．术语“土地利用”(LU)表示人类如何利用土地，而“土地覆盖”(LC)指覆盖土地的自然特征⁴．快速而不受控制的城市化势头是土地利用急剧变化背后的主导因素。城市化进程对景观的自然、社会文化、经济和人口方面具有重大影响。虽然城市化被认为是一个积极的发展因素，但它也给自然环境带来了一些严重的威胁。无计划和不科学的城市化力量对城市生态位的各个组成部分产生负面影响，如微气候、地下水资源潜力、土地覆盖格局、减轻危险以及粮食和安全政策^{5 - 9}．随着工业化和现代化的发展，世界的城市格局正在经历一场彻底的革命。由于各种因素，如人口的自然增长，可能是由于人们从邻近的农村到城市的流动，以改善就业前景和提高生活水平，经济的快速发展和相关的基础设施的发展，猖獗的城市化已经发生^{5, 10, 11}．根据联合国的报告，20世纪50年代，世界人口中有30%居住在城市中心。自那以后，这一趋势一直在上升，2018年世界人口中有55%生活在城市地区，预计到2050年将达到68%，其中发展中国家的增长率最高¹²．

和其他发展中国家一样，印度的城市化在过去几十年里也呈指数级增长^13、14．在印度，城市化趋势从2001-2011年的27.7%快速增长到31.1%，增长率为3.3%，而1991-2001年的增长率为2.1%¹⁵．此外，研究表明，到2031年，印度将有近6亿城市人口¹⁶最终在2050年将拥有8.14亿人口，成为世界上城市人口最多的国家¹⁴．根据2011年的人口普查，喀拉拉邦的城市化水平很高，而人口增长率很低⁶．除了这个国家的其他地区，喀拉拉邦呈现出一幅独特的城乡连续统一体的画面，在整个邦蔓延开来，除了一些丘陵轨道的高地地区。根据2011年的人口普查，城市人口占全国人口的47.78%¹⁷．为了适应不断增长的城市人口，城市将其空间限制扩展到政治边界之外，这将对周围的自然景观施加巨大的压力，往往导致LU/ LC的变化^5、14．从地理角度理解LU/ LC变化是城市相关影响分析的重要来源。为了实现可持续城市发展的目标，提供土地利用统计数据的变化对决策过程至关重要¹⁸．因此，深入了解城市化引发的土地覆盖变化暗流对于应对环境变化至关重要⁵．

遥感和地理信息系统等地理空间工具已成为土地资源评价和管理领域的有力技术⁴．有几项研究试图利用地理空间技术评价土地利用变化的范围^{19 - 25}．考虑到这些变化在快速发展的城镇中的重要性，以及为了使发展更加生态友好，本研究的主要目的是估计1988-2018年期间蒂鲁凡得琅市和边缘地区的LU/ LC变化幅度及其动态。

研究区域

Thiruvananthapuram也被称为Trivandrum，是印度南部喀拉拉邦的行政总部，是一个快速发展的城市群。截至2011年，蒂鲁凡anthapuram人口为957,730，是喀拉拉邦人口最多的城市¹⁷人口普查。作为南部最大的城市，Thiruvananthapuram的城市群人口约为168万，是该州最大的信息技术(IT)中心，占该州软件出口的55%²⁶．由于地处潮湿的热带地区，该地区的热带气候以季风为主，四季分明。从地理上看，该地区夹在东部强大的西高止山脉和西部的阿拉伯海之间(图1)。Thiruvananthapuram位于国际海洋航线附近，内陆水道和道路连接，形成了快速城市发展的理想位置。

为了研究Thiruvananthapuram及其邻近地区的土地利用/土地覆盖变化和城市动态，在Thiruvananthapuram市政公司(TMC)周围创建了一个5公里的缓冲区，并选择了属于上述5公里缓冲区的村务委员会进行本研究(图1)。

图1:研究区域的位置图。 点击此处查看图

TMC与选定的村务委员会组成了研究区域，空中延伸527.96公里²总人口1562943人。

材料与方法

研究采用地理信息系统和遥感综合方法，分为六个主要阶段。方法流程图如图2所示，包括(1)数据收集步骤，(2)预处理步骤，(3)训练场地选择，(4)图像分类，(5)准确性评估，(6)LU/LC随时间变化的评估。

图2:本研究提出的方法。 点击此处查看图

作为第一步，TMC的边界从市政公司办公室收集，相邻的村务委员会的边界从喀拉拉邦遥感和环境中心(KSREC)收集。然后借助SOI地形图(比例尺为1:5万)对定位精度进行交叉检查，并制作边界图(图1)。下一步是选择卫星图像进行分类。

路径选择了Landsat系列的任务5 TM(专题成像仪)、任务7 ETM+(增强型专题成像仪Plus)和任务8 OLI(作战陆地成像仪)，利用了144行和54行¹¹．图片采集日期分别为1988/01/19、2000年11月27日和2018年8月1日。这里使用的所有图像的空间分辨率都是30米^11日,27日由卫星在白天获得，并根据无云数据的可用性进行选择。1988年和2018年的图像的特征是云量最少，为1%，2000年的图像的特征是云量为2%，低于建议的云量(<10%)。²⁷用于LU/LC研究。

通过ERDAS Imagine 9.3中的预处理技术，增强了图像的质量。利用SOI地形片作为参考来减少几何畸变，并使用直方图均衡化等图像增强技术来改善光谱响应。所有子集图像都被赋予UTM_WGS_1984 43N区域的共同坐标系。

本研究利用最大似然(MLC)方法对选取的卫星图像进行分类。MLC已被证明是一种有效的中分辨率图像分类算法^28、29．为了分类的目的，光谱特征是通过视觉解释技术开发的。根据Hexagon geospatial, MLC计算加权距离' D_W属于已知类“i”之一的未知向量“X”的，是基于贝叶斯方程的^29、30：

其中“c”表示特定的类，“ai”表示属于类“i”的像素的概率。为了去除图像中的斑点噪声，对数据进行分类后使用4x4核^30、31日．

为了解研究区土地利用动态性，采用Han土地利用动态性指数(LUDDI)³²．LUDDI表示在选定的时间段内LU/LC类别的比例变化。该指数反映了LU/LC格局的时空变化。

LUDDI由以下因素决定:

为土地利用类型面积“我”期初为某一土地利用类型的总面积“我”转换成其他类型和“t”是研究期间。对分类后的卫星图像进行了交叉核对，以确保分类的准确性。其中1988年、2000年和2018年共278个点是通过实地调查和视觉图像解译随机生成的。建立了1988-2000年和2000-2018年期间的两个误差矩阵，并根据这两个矩阵计算了分类误差和分类精度。图像分类中的误差主要有遗漏和委托误差。委托错误可以定义为当分类过程将像素分配给不属于它的特定类时发生的错误。当属于一个类的像素包含在其他类中时，会发生遗漏错误。使用基于混淆矩阵的方法检查岗位分类的准确性，如生产者的准确性，用户的准确性，总体准确性和Kohen的Kappa指数(K)，可分别使用公式3至6估算¹⁴．

式中，“N”为总像素数，“r”为类数，“x_乐的表示“k”列和“k”，x中的所有像素_{k +}请参考k行和x行的总样本数_{+ k '}关于误差矩阵对于k中的总样本。

结果与讨论

土地利用/土地覆盖变化(LU/LC)

图3显示了1988年、2000年和2018年研究区LU/LC的变化。根据NRSC(国家遥感中心)分类方案，确定了水体、混交树聚落(因此称为SMT)、建成区、农业区和荒地等广义土地利用/土地覆盖类别。混交树住区是一种独特的土地利用/土地覆盖类型，这是由于林冠覆盖的城乡连续体的存在。在这一类别中，聚落区与自然植被错综复杂地混合在一起，因此在使用30m空间分辨率的图像时，将两者分开是不切实际的。因此，这一类具有聚落和植被的双重特征。

图3:该地区1988年、2000年和2018年的LU/ LC 点击此处查看图

1988年，SMT是主要的土地利用/土地覆被，占56.92%(表1)，建成区占19.34%，农业区占14.11%，荒地占7.01%，水体占2.63%。2000年，SMT类略有增加，达到58.40%。水体(2%)、荒地(2.36%)和农业区(10.35%)呈下降趋势。相比之下，建成区面积从1988年的19.35%稳步增长到2000年的26.88%。

表1:1988 - 2000年LULC的变化

	1988		2000		2018
土地利用/土地覆盖类型	区域 (在公里2）	区域 ％	区域 (在公里2）	区域 ％	区域 (在公里2）	区域 ％
水体(WB)	13.88	2.63	10.57	2.00	8.42	1.60
建筑面积(BT)	102.08	19.34	141.93	26.88	220.33	41.73
混合树木聚落(MT)	300.50	56.92	308.35	58.40	256.36	48.56
农业面积(AG)	74.51	14.11	54.65	10.35	38.01	7.20
荒地(BL)	36.99	7.01	12.45	2.36	4.83	0.91
总计	527.95	100%	527.95	100%	527.95	100%

精度评估

对1988年、2000年和2018年的LU/LC地图进行精度评估，结果见表3、4和5。对于1988年的地图，共生成96个随机像元，并使用误差矩阵进行分析。1988年地图总体分类精度为0.865或86.5%，K系数为0.885(表3)。1988年地图水体生产者准确率最高，为100%，遗漏误差最小，为0.00。而SMT类别的生产者准确率最低，为68.75(表2)。在用户准确率方面，荒地、水体、建成区、农业区四个类别的准确率均在80%以上，而SMT类别的用户准确率最低，为78.57%。在佣金误差的情况下，荒地误差最小(0.050)，而建成区误差最大(0.214)。

表2:利用误差矩阵对1988年LULC分类的精度评价

陆/ LC	白平衡	AG)	英国电信	SMT	提单	总计	错误:康尼	用户的
白平衡	17	0	1	0	0	18	0.056	94.44
AG)	0	20.	0	5	0	25	0.200	80.00
英国电信	0	0	16	0	3.	19	0.158	84.21
SMT	0	3.	0	11	0	14	0.214	78.57
提单	0	0	1	0	19	20.	0.050	95.00
总计	17	23	18	16	22	96	整体精度0.865 卡巴0.885
错误:Ommi	0.000	0.130	0.111	0.313	0.136
生产商的	100.00	86.96	88.89	68.75	86.36

表3:使用误差矩阵对2000年LULC分类的精度评价

陆/ LC	白平衡	AG)	英国电信	SMT	提单	总计	错误:康尼	用户的所以
白平衡	13	0	1	0	0	14	0.087	91.30
AG)	0	10	0	3.	0	13	0.214	78.57
英国电信	0	0	34	5	2	41	0.059	94.12
SMT	0	2	0	15	0	17	0.040	95.65
提单	0	0	2	0	4	6	0.250	75.00
总计	13	12	37	23	6	91	整体精度0.879 卡巴0.863
错误:Ommi	0.045	0.043	0.238	0.185	0.000
生产商的所以	95.45	95.65	76.19	81.48	100.00

2000年地图随机选取91个像元，报告的总体精度为0.879或87.9%，Kappa系数为0.863(表3)。2000年，SMT、建成区和水体三个LU/LC类报告的用户精度均在90%以上(分别为95.65%、94.12%和91.30%)，而农业区和荒地分别为78.57%和75%。随后，SMT的佣金误差最小(0.040)，裸地的佣金误差最大(0.250)。创建者对每个类的准确率都大于75%。然而，据报道，荒地的生产者的准确性最高，建成区的生产者的准确性最低(表4)。我们还注意到，荒地的遗漏误差为0.00。

表4:使用误差矩阵对2018年LULC分类的准确性评估

陆/ LC	白平衡	AG)	英国电信	SMT	提单	总计	错误:康尼	用户的
白平衡	13	0	1	0	0	14	0.071	92.86
AG)	0	10	0	3.	0	13	0.231	76.92
英国电信	0	0	39	0	2	41	0.049	95.12
SMT	0	2	0	15	0	17	0.120	88.24
提单	0	0	2	0	4	6	0.330	66.67
总计	13	12	42	18	6	91	整体精度0.890 卡巴0.837
错误:Ommi	0.000	0.167	0.071	0.167	0.333
生产商的	100.00	83.33	92.86	83.33	66.67

WB水体，AG农业区，BT建成区，BL荒地。

2018年LU/LC地图的整体精度最高，达到89%，表明Landsat 8 OLI图像的精细光谱分辨率比Landsat 5 MSS具有更好的中分辨率地表特征区分能力。对于2018年LU/LC地图，用户的精度从95.12%(建成区)到66.67%(荒地)不等。建成区类的佣金误差最小(0.049)(表4)。在生产者精度情况下，水体的佣金精度为100%，遗漏误差为零，而荒地的佣金精度最小(66.67%)，遗漏误差最大(0.033)。报告的2018年LU/LC地图Kappa系数为0.837，表明分类精度足够。总体而言，三种LU/LC地图的总体精度均在85%以上，Kappa系数均在0.8以上，表明分类图像的精度较高。因此，对这些LU/LC地图进行进一步处理，用于土地利用转换分析。

城市扩张和土地利用/土地覆盖转换

在1988年至2000年的12年期间，研究区域发生了相当大的土地利用转换。例如，农业面积从74.51公里显著减少²1998年达到54.65公里²在2000年。相当一部分农业区被改造成SMT和建成区。近52.30%的农业面积被转化为SMT，这可归因于喀拉拉邦最近的土地复垦趋势，其中许多农业用地被复垦并转化为定居点和小规模种植区。另一个发生重大转变的重要土地利用类型是荒地。1988年研究区荒地比例为7.01%，2000年下降到2.36%。我们注意到，38.42%的荒地被转化为SMT, 34.90%的荒地被转化为建成区，这表明城市化进程正在逐步改变边缘景观(表5)。我们还观察到，只有2.30%的荒地被转化为农业区，这表明研究区域的新农业活动正在减少，种植模式正在缓慢地从传统作物转变为人工化作物。然而，从1988年到2000年，SMT的面积扩展略有增加。尽管大量的SMT被转化为建成区，但它被农业转化为SMT所超过。1988-2000年期间，水体下面积从2.60%减少到2%，0.6%的差异可以忽略不计。

表5:1988-2000年LU/ LC变化矩阵(百分比)。

陆/ LC	水体	人口密集的地方	SMT	农业面积	贫瘠的土地	1988年总
严禁	9.28	2.85	1．43	0.21	0.10	13.88
人口密集的地方	0.58	61.48	34.37	3.47	2.19	102.08
SMT	0.39	54.91	219.37	24.97	0.87	300.50
农业面积	0.11	9.78	38.97	25.16	0.48	74.51
贫瘠的土地	0.21	12.91	14.21	0.85	8.81	36.99
2000年总	10.57	141.93	308.35	54.65	12.45	527.95

在研究的第二阶段(即2000年至2018年)，城市扩张和相关土地利用/土地覆盖的变化速度比第一阶段(1988年至2000年)更快。研究显示，1988年至2018年期间，建成区面积增加了22.40%(图4a)，而第一阶段(即1988年至2000年)仅为7.54%(表5)。包括住宅、商业建筑和非商业单位建设在内的发展活动以及道路网络等基础设施在该地区急剧增加。该地区的城市扩张与道路网络以及从市中心向外转移有着密切的关系(图4a)。道路网络的存在是城市扩张最重要的驱动力，因为它提供了通往主要热点和其他设施的通道³³．SMT的下降情况如图4b所示。在第一阶段(1988-2000)，SMT面积由56.92%增加到58.40%(+1.48%)。然而，在2000-2018年期间，它下降了约9.85%，到2018年，30.46%的SMT面积转化为建成区。由于SMT既有居民点又有植被，因此略有增加可能与1988-2000年阶段发生的农村建筑发展有关。然而，在第二阶段，城市增长的速度超过了农村住区的发展，研究区域显示出以城市中心为重点的增长，而不是分散的增长(图4a和4b)。还可以观察到，在第二阶段，除了建成区以外，所有其他土地利用类别都呈现下降趋势，这是研究区域内城市快速增长的结果(表6)¹¹也报道了类似蒂鲁凡得琅的城市的快速城市化。在第二阶段，农业面积的转化仍然很高，大约61.65%的农业面积转化为SMT类型，这是土地复垦和对人工型作物的更大偏好的结果。然而，大量的农业用地转化为建成区(表6)。在2000年至2018年的18年间，约72.21%的荒地转化为建成区(表6)。从图3中也可以看出荒地的剧烈变化。与第一阶段不同，第二阶段研究区水体从2000年的2%急剧下降到2018年的1.6%。湖泊的面积减少比河流大，例如，从1988年到2018年，阿库拉姆湖的面积缩减率很高。以前的作者也报道过Thiruvananthapuram城市化导致的水体减少^6、10．

表6:2000-2018年LU/ LC变化矩阵(百分比)。

陆/ LC	水体	人口密集的地方	SMT	农业面积	贫瘠的土地	2000年总
严禁	7.22	1．23	1.36	0.48	0.27	10.57
人口密集的地方	0.65	108.46	25.33	6.23	1.27	141.93
SMT	0.43	93.91	195.19	18.02	0.80	308.35
农业面积	0.05	7.74	33.69	13.01	0.16	54.65
贫瘠的土地	0.07	8.99	0.80	0.27	2.32	12.45
2018年总	8.42	220.33	256.36	38.01	4.83	527.95

图4:1988年、2000年和2019年的城市扩张(a)和植被覆盖(b)。 点击此处查看图

从1988年到2018年。

土地利用动态程度用LUDDI计算，如表7所示。在这两个阶段(即1988-2000年和2000-2018年)都发生了重大的土地利用变化。1988-2000年累计LUDDI高于2000-2018年阶段。为了评估土地利用动态的空间变异性，我们绘制了1988-2000年和2000-2018年两个阶段的地图，如图5a和图5b所示。

表7:1988 - 2018年LUDDI

陆/ LC	1988-2000年的LUDDI	2000-2010年的LUDDI
严禁	2.76	1.76
人口密集的地方	3.27	1.31
SMT	2.25	2.04
农业面积	5.52	4.23
贫瘠的土地	6.35	4.52
累积LUDDI	20.15	13.86

从LUDDI中可以注意到，在两个阶段(即1988-2000年和2000-2018年)，农业地区和荒地都报告了最高的LUDDI值，并且仍然是最具活力的土地利用类别(表8)。这两个类别的动态性质是快速城市化和相关土地利用转变的结果。喀拉拉邦的土地利用转换和土地复垦过程显示出不科学和最高水平。因此，包括水田和湿地在内的农业区被开垦用于基础设施建设和建成区开发。从图5可以看出，两期荒地的LUDDI均为高。我们还可以看到，城市西部沿海边缘的贫瘠土地正在迅速转变为建成区。这主要是由于哈萨克库塔姆由于“科技园”的存在而发展起来的，这是该州的IT中心。

图5:研究区1988年至2000年(a)及2000年至2018年(b)的土地发展指数。 点击此处查看图

1988-2000年期间的LUDDI显示建成区处于中等动态指数类别，2000-2018年期间建成区变为低动态指数类别，这表明在此期间建成区扩张快速且稳定，而农用地、SMT和荒地等其他类别由于土地利用的快速转换而保持动态性质。

结论

本研究利用地理空间技术了解1988 - 2018年蒂鲁凡得琅市近30年土地利用动态，并对土地利用动态进行量化分析。利用1988年、2000年和2018年的Landsat影像，利用MLC技术分析了LU/LC的变化，并用混淆矩阵对结果进行了验证。总体分类准确率在85%以上，令人满意。研究表明，近30年来陆/陆比值发生了显著变化。建成区面积从102.08公里增加²1988年为220.33公里²而其他土地利用类别如荒地、农用地、水体和SMT则呈现下降趋势。(分别为86.94%、48.98%、39.33%和14.69%)。LUDDI表明，农用地和荒地是这里的动态土地利用。这些土地利用类别的快速下降是研究区域快速城市化和相关土地复垦的结果。结果是令人满意的，可以为地方自治政府和规划者提供帮助，使该地区绿化，并为科学和可持续的土地利用实践的政策部署提供帮助。

确认

第一作者感谢大学教育资助委员会为其博士学位提供的初级研究奖学金(学号:2963/(NET-JUNE2015))。

利益冲突

不存在利益冲突

资金来源

资助来源- UGC: JRF(学生编号:2963/(NET-JUNE2015))。

参考文献

1. 巴尔沙-巴雷罗。J。李。Y。莫拉莱斯。刘建平。全球化与世界人类动态重心的转移:对可持续发展的影响。清洁生产杂志。2019;239年,p.117923。https://doi.org/10.1016/j.jclepro.2019.117923
   CrossRef
2. 巴尔沙-巴雷罗。J。莫拉莱斯。A. J.，路易斯-冈萨雷斯。李志强，基于空间网络的区域尺度种群动态研究。复杂性。2021;p。8632086。https://doi.org/10.1155/2021/8632086
   CrossRef
3. Abebe。Getachew G。Ewunetu D。A.利用遥感和GIS分析埃塞俄比亚东北部Gubalafito地区土地利用/土地覆盖变化及其动态。2021。SN:。科学通报，30(2022)。https://doi.org/10.1007/s42452-021-04915-8
   CrossRef
4. Lambin。E.F感性。张洪杰。热带地区土地利用和土地覆盖变化动态。环境资源年度综述。1990.麻疯病人，2003:28,pp.205-41。https://doi.org/10.1146/annurev.energy.28.050302.105459
   CrossRef
5. Sheeja。R.V,约瑟夫。Jaya年代。个终身制,百驹。喀拉拉邦内亚尔河流域一个世纪(1914-2007)土地利用和土地覆盖变化:遥感和GIS方法。国际数字地球学报。2011;4 (3), pp.258 - 270。https://doi.org/10.1080/17538947.2010.493959
   CrossRef
6. 智利的。年代,Sahoo。Mishra年代。P·马哈。城市化对土地利用/覆被变化的影响及其对当地气候和地下水位的可能影响。城市管理杂志。2018;7 (2), pp.70 - 84。https://doi.org/10.1016/j.jum.2018.04.006
   CrossRef
7. Anupriya。R.S Achu。Rubeena A.L。城市边缘地带土地利用格局动态研究——以蒂鲁凡得琅城市群哈萨克库塔姆外生区为例IJRAR。2019;6(2)，第504-510页。
8. Achu。Reghunath A.L。托马斯·R。J.热带河流流域地下水补给潜在带的制图和合适地点特定补给机制的确定。地球系统与环境。2020;4 (1) pp.131 - 145。https://doi.org/10.1007/s41748-019-00138-5
   CrossRef
9. Achu。， a.l.，托马斯。Reghunath J。R.基于遥感、GIS和层次分析法(AHP)的热带河流流域地下水潜势区划分多准则决策分析。地下水与可持续发展。2020b.;p.100365。https://doi.org/10.1016/j.gsd.2020.100365
   CrossRef
10. Achu。Aju A.L。跨距,Reghunath。R.浅层滑坡易感性的空间模拟:来自印度喀拉拉邦西高止山脉南部的研究。地理信息系统年鉴。2020 c;pp.1-19。https://doi.org/10.1080/19475683.2020.1758207
    CrossRef
11. Arulbalaji。Padmalal P。D,玛雅。K.城市化对印度喀拉拉邦沿海城镇地表温度变化的影响。地球科学进展，2020;32 (1)，pp.1- 2。https://doi.org/10.1007/s12665-020-09120-1
    CrossRef
12. 曼苏尔。年代,Al-Belushi。米,阿。T.利用地理信息系统和CA-Markov建模技术监测阿曼山区城市的土地利用和土地覆盖变化。土地利用政策。2020;91年,p.104414。https://doi.org/10.1016/j.landusepol.2019.104414
    CrossRef
13. 联合国。(联合国)。2018年世界城市化展望;https://population.un.org/wup/Publications/Files/WUP20 18- highlights .pdf
14. Nagendra。Sudhira H。H. S.， Katti M.， Schewenius。M.印度次区域评估:城市化对土地利用、生物多样性和生态系统服务的影响。在Th。Elmqvist, M. Fragkias, J. Goodness, B. gneralp, P. J. Marcotullio, R. I. McDonald, S. Parnell, M. Schewenius, M. Sendstad, K. C. Seto， & C. Wilkinson(主编)。城市化、生物多样性与生态系统服务:挑战与机遇。2013;(页65 - 74)。荷兰:斯普林格出版社。
    CrossRef
15. Gohain。K.J,穆罕默德。P。他。:A.评估印度浦那市土地利用、土地覆盖变化对地表温度的影响。第四纪国际。2020;https://doi.org/10.1016/j.quaint.2020.04.052
    CrossRef
16. 巴贾。R. B.印度城市化的新兴模式。《经济政治周刊》2011;46(34), 10 - 12。
17. 《世界城市化前景:2011年修订版》。联合国经济和社会事务部(经社部)人口司人口估计和预测科，2012年;纽约。
18. 印度人口普查。P. 2011年印度人口普查临时人口总数。新德里:登记总局和人口普查专员办公室。2011
19. 约翰。J。,行长。Srimuruganandam G。Wadhwa B。A.， Rajan, P.印度Wayanad地区的土地利用/土地覆盖和地表温度分析，使用卫星图像。地理信息系统年鉴。2020;pp.1-18。https://doi.org/10.1080/19475683.2020.1733662
    CrossRef
20. 卡尔森。T.N,亚瑟。st .城市化导致的土地利用-土地覆盖变化对地表小气候和水文的影响:卫星视角。全球和地球的变化。2000;25 (1 - 2), pp.49 - 65。
    CrossRef
21. 政府高级官员。点,山口。Y.孟加拉国大达卡的土地利用和土地覆盖变化:利用遥感促进可持续城市化。应用地理学。2009;(3) 29日pp.390 - 401。
    CrossRef
22. 刘。H,翁。Q.分析城市化引起的土地利用和土地覆盖变化的景观指标。Geocarto International. 2013;28 (7), pp.582 - 593。
    CrossRef
23. 阴。J。,阴。Z,钟。徐H。年代,胡。王X。,。J。,。J.转型经济时期上海都市圈城市扩张与土地利用/土地覆盖变化监测(1979-2009)环境监察及评估。2011; 177(1-4), pp.609-621.
    CrossRef
24. Tadese。Kumar M。Koech L。R,搭档。高梧B.K.基于遥感和GIS的阿瓦什河流域土地利用/土地覆盖变化及其动态制图。遥感应用:社会与环境。2020;19日,p.100352。https://doi.org/10.1016/j.rsase.2020.100352
    CrossRef
25. Weslati。Bouaziz O。年代,Serbaji。m .基于遥感和GIS的梅勒格流域土地利用和土地覆盖变化制图与监测。地球科学进展。2020;13 (14), pp.1-19。
    CrossRef
26. 哈基姆。A.M.Y巴哈。年代,Rampisela。基于多层感知器神经网络(MLPNN)的土地利用/土地覆盖变化预测模型:以印尼望加锡市为例。国际环境研究杂志。2020;pp.1-18。
    CrossRef
27. S.U Unnikrishnan。A.， V. Ashok。年代,Reghunath。R.， P. T . Neena。蒂鲁凡得琅邦Akkulam- Veli湖近30年土地利用变化检测——基于遥感和GIS工具的分析IJRASET。2018: 6 (9)， pp. 542-548。
28. 喀拉拉邦政府。经济评论第一卷:国家规划委员会，喀拉拉邦政府，2016。
29. 伊克巴尔。M.Z.， Iqbal, M.J.基于遥感和gis的土地利用检测(以拉瓦尔品第地区为例)。遥感学报。2018;6 (1), pp.39-51。
    CrossRef
30. 维韦卡南达。G.N Swathi。Sujith R。张晓明。基于时序图像分析的LULC分类与变化检测。欧洲遥感学报。2020;pp.1-11。https://doi.org/10.1080/22797254.2020.1771215
    CrossRef
31. Lillesand。T,基弗。Chipman R.W。J.遥感与图像解译。John Wiley & Sons, 2015;
32. Kantakumar。Kumar L.N。年代,施耐德。K.基于遥感的印度浦那大都市时空城市扩张。国际栖息地。2016;51岁,pp.11-22。https://doi.org/10.1016/j.habitatint.2015.10.007
    CrossRef
33. 汉族。H。杨。宋俊。北京市土地利用/土地覆被变化情景模拟与预测。可持续性。2015;7 (4), pp.4260 - 4279。
    CrossRef
34. 哈桑。Shabbir Z。艾哈迈德·R。砂岩,马利克。A.H阿齐兹。N,对接。一个Erum。利用地理空间技术研究土地利用和土地覆盖变化的动态:以巴基斯坦伊斯兰堡为例。SpringerPlus。2016; 5(1), p.812.https://doi.org/10.1186/s40064-016-2414-z
    CrossRef