Mapping urban expansion and land transformation in Dhaka, Bangladesh by fusing night-time lights, thermal, and spectral data via machine learning approaches
Arpon Sarkar · Mafrid Haydar · Farzana Islam Mitu 等 5 人
融合夜间灯光、热红外与光谱数据，用机器学习精准监测达卡2016-2024年城市扩张与土地转化。
Landsat 8热红外与光谱、VIIRS夜间灯光、NDVI/NDBI等指数、G
城市扩张39.53 km²，75.6%来自植被和农地，水体间接减少约25%，增长日益破碎化。
可将该多模态融合框架迁移至耕地流失预警与城郊农地保护，结合时序模型预测扩张对农业的长期影响。
研究孟加拉国达卡城市扩张与土地转化，属城市遥感与城市规划领域，与三农、农业信息化、智慧农业无直接关联，不建议进入每日精选。
本研究通过整合多源地理空间数据与机器学习方法，评估了2016年至2024年间孟加拉国达卡地区的城市扩张与土地转型。研究旨在比传统光谱指数更精确地绘制城市增长图景，并通过景观格局指标与变化检测刻画其空间模式。研究将Landsat 8热红外与光谱数据与可见光红外成像辐射仪套件（VIIRS）夜间灯光数据、一组光谱指数（NDVI、NDBI、SAVI、MNDWI）、灰度共生矩阵（GLCM）纹理特征以及道路网络数据进行融合。比较了三种监督分类器——随机森林（RF）、支持向量机（SVM）和梯度树提升（GTB），以及多数投票集成方法。随机森林在各研究年份均表现最佳（总体精度99.57%–99.62%；Kappa系数0.991–0.992），并被采纳为后续所有分析的城市图层。研究期内城市面积扩张了39.53 km²。植被和农业用地是新增城市用地的主要来源（75.6%），而直接的水体向城市用地转化较少（低于2%）；然而，水体总面积仍下降了约25%（从79.0 km²降至58.9 km²），这主要是通过间接转化为植被和季节性土地而非直接城市化实现的。景观格局指标表明增长日益破碎化，斑块密度从每100 ha 2.46上升至7.82，香农熵从0.45上升至0.49。分区分析识别出东北部和东南部城市边缘区为增长最快的区域，以跳跃式和边缘式开发为主。研究结果描绘了一条不可持续的扩张轨迹，其环境代价既来自植被和农业用地的直接丧失，也来自对洪泛平原水体的间接压力，并为监测全球南方特大城市蔓延提供了一个可迁移的多模态框架。本研究中的机器学习与地理空间方法的应用将有助于城市规划者、政策制定者和利益相关者管理达卡快速且破碎化的城市增长。