Forecasting Urbanization Dynamics On İstanbul’s European Side Using Deep Learning And Extrapolation Techniques

方法

Landsat 8影像、ArcGIS Pro中U-Net预训练模型生成15类LU

发现

城市面积呈强线性增长，2027年预计达807 km²，较2013年增长近50%，挤压自然与农业用地。

机会点

可借鉴该遥感+深度学习+外推框架，研究快速城市化对城郊农业用地与耕地保护的时空影响。

摘要 大都市区域的快速城市化带来了显著的环境、社会和基础设施挑战，亟需先进的分析方法来监测和预测城市增长。本研究利用Landsat 8影像和集成于ArcGIS Pro中的基于深度学习（DL）的土地覆盖分类模型，研究了2013年至2024年伊斯坦布尔欧洲一侧城市化的时空动态。基于U-Net的预训练模型生成了15类土地利用/土地覆盖（LULC）地图，并依据Urban Atlas数据集进行了验证，森林和水体类别的分类精度较高（生产者精度PA：0.84–0.94；用户精度UA：0.87–0.87），城市/非城市二分类总体精度达87%，证实了所采用深度学习方法稳健可靠。研究采用普通最小二乘法（OLS）和非线性回归函数对LULC数据进行时空分析，以考察城市增长趋势并预测2025年、2026年和2027年的未来发展。结果表明，大多数区域的城市化面积呈显著线性增长，预计到2027年欧洲一侧的总建成区面积将达到约807 km²，较2013年增长近50%。这些发现凸显了城市扩张对自然和农业用地的巨大压力，并强调了科学规划策略的必要性。通过整合遥感、深度学习和预测建模，本研究为可持续城市发展提供了可操作的见解，为监测快速城市化提供了一个可复制的框架，并支持旨在缓解快速增长的都市区域中环境和社会空间影响的政策决策。