监测和分析土地利用/土地覆盖变化（land use and land cover change, LUCC）对于可持续土地利用规划以及理解环境和社会经济影响至关重要。快速的城市扩张，超越人口增长的速度，导致生态问题和气候变化，特别是通过城市热岛（Urban Heat Islands, UHI）的形成，这凸显了紧急开展城市增长模型以减缓UHI强度的必要性。本研究聚焦于那些因快速城市蔓延而侵占农业用地的地区，这些地区缺乏允许城市扩展的沙漠缓冲区。由于缺乏缓冲区，城市扩展除了侵占肥沃的土地外没有其他直接反应。因此，随机且无规划的城市蔓延通过侵占农业用地加倍了负面影响。人口过剩加剧了资源压力，导致水资源短缺和空气质量下降。农业的衰退，作为埃及的关键经济支柱，威胁到粮食安全和农村地区的稳定。因此，本研究旨在：1)使用机器学习算法和创新方法分析1991年至2018年的LUCC模式，并预2033年和2048年的变化；2)制定城市化风险图，评估各区对快速城市增长的易感性，帮助决策者优先考虑相关问题。研究采用模糊TOPSIS进行多标准评估，有效解决了缺乏遥感数据地区的数据缺口问题；3)监测地表温度（Land surface temperature, LST）趋势，并随着时间的推移研究农村地区LST行为，以确定对温度敏感的作物（如茉莉花）的最佳收获时间。 本研究通过考虑以往研究中的局限性，超越了之前的研究，并在遥感（RS）、机器学习、空间建模和多准则决策方法（Multi-Criteria Decision-Making，MCDM）的整合中取得了重大进展。提出了两种方法，用于分析1991年至2018年的历史LUCC动态，并基于多时相Landsat影像预测2033年和2048年的趋势。通过使用支持向量机（SVM）对Landsa影像进行分类，获取了研究区域内的土地利用和土地覆被（LULC）分布。研究者根据过去的变化趋势来研究和预测未来的LUCC的动态演替过程。本研究通过考虑导致快速城市化增长的扩张参数，进一步研究模拟和预测未来LUCC的变化规律。 第一种方法结合了城市增长的驱动因素，并生成了未来变化图，使用Land Change Modeler(LCM)模拟和预测未来的LUCC，采用Logistic回归算法和Markov模型。该方法强调了基于准则分析的效率，有助于在数据缺失的区域评估易受城市扩张影响的可能性，并绘制城市化风险地图。为了消除数据和分析中的不确定性，我们选择了模糊多准则决策技术。 第二种方法通过将CA-Markov链模型与模糊层次分析法（Fuzzy Analytical Hierarchy Process，FAHP）相结合，增加了模拟结果的准确性，FAHP考虑了LUCC的驱动因素以确定变化潜力。然后，将该潜力与CA-Markov链模型的结果相结合。利用卫星热带提取LST，并进行回归分析以探讨LULC与LST的关系，并评估城市热岛（UHI）的强度。 分类结果证实了支持向量机（SVM）的可靠性，3年的总体精度高达94%以上，Kappa系数在0.78至0.84之间。农业用地在1991年占总面积的91.2%的面积，但2018年其面积已降至83.7%，而建设用地在同期内呈增长趋势，增长了7.4%（与农业用地减少的比例相同）。第一种方法的研究结果证实了农业用地变化与城市用地之间存在显著的负相关关系。观察到的LUCC动态变化将持续存在，预示着到2048年城市区域将显著扩张，预计2018年至2033年期间建成区面积将增加一倍以上，到2048年甚至会进一步扩大。相反，农业用地将经历相应的减少。对2018年、2033年和2048年八个地区的城市化规模进行分析显示，马哈拉库布拉（Mahalla-Kubra）和坦塔（Tanta）的城市扩张最为显著，而萨马诺德（Samanod）的扩张速度最慢。通过MCDM（模糊TOPSIS）分析得出的各地区城市化风险水平与建模结果相同，表明在卫星遥感数据缺失的情况下，模糊TOPSIS分析的结果可靠。 第二种方法的结果是合理的，因为FAHP-CA-Markov混合模型更适合用于未来预测，它在模拟过程中考虑了影响LUCC的驱动力，而CA-Markov模型则不同，它只取决于LUCC过去的趋势变化。由于2011年及之后的城市扩展是随机的，两个可比较的模型产生了几乎相同的Jaccard相似系数值。FAHP-CA-Markov混合模型分析表明，2018年建设用地面积占比为14%，预计到2033年和2048年将分别增至约21%和26%，而农业用地将相应减少。回归分析显示，城市对农业土地的侵占直接增加了地表温度（LST），导致城市热岛效应（UHI）。此外，Qotur地区在2003年至2018年间农村LST的增长最为显著。 研究期间对LST分析结果显示需要长期监测和分析农村土地温度，特别是保护对气候敏感的作物，尤其是在像埃及这样缺乏当地气象站的国家，缺少对地表温度的测量。因此，第三种方法分析了农村LST的行为，为农民应对气候变化带来的挑战提供参考。由于云层遮盖和热数据的分辨率，MODIS（VNIR和TIR）和Sentinel-2（A/B）数据源被用于获取高时空分辨率的LST。依靠VNIR和TIR数据，采用同步MODIS VNIR和TIR卫星数据分析NDVI-LST之间的相关性。假设卫星遥感数据的空间分辨率不变，采用统计线性回归进行Sentinel-2空间分辨率下的LST变化。随后，基于Landsat 8热波段对反演的地表温度进行验证。 研究结果显示，Shoubra-Baloula村7月份的农LST范围为30.7至40.5℃，通常LST几乎在34.5-38℃之间。最高的农村LST出现在7月7日，其次是7月2日，达到38.3至40.5℃，而最低的农村LST出现在7月20日，范围在30.7至32. 8℃之间。对降尺度后的LST进行验证，显示降尺度技术和线性关系的可靠性。 总之，本研究的结果有助于推动政府未来的土地利用管理策略，以保护农业用地生产高品质的作物。这项研究工作可以极大地帮助对温度敏感作物的地区，使其采取相应措施免于受到高温的影响。 |
学校主站