Understanding Land Use/Land Cover Dynamics and Land Surface Temperature Variations Through Machine Learning and Geospatial Approach: A Case Study of Kullu District, Himachal Pradesh, India
Sanjeev Jha · Nirbhav · Atul Saini 等 9 人
用机器学习与遥感分析印度库鲁区1991-2022年土地利用变化及其对地表温度的影响。
Landsat时序数据，对比MLC、SVM、随机森林分类，结合NDVI/NDSI
建设用地从4.37%增至20.40%，植被与积雪大幅减少，LST净增0.08°C，植被和积雪与LST
可引入深度学习与多源遥感，在喜马拉雅生态敏感区开展LULC-LST耦合模拟与情景预测。
基于Landsat与机器学习揭示喜马拉雅地区土地利用与地表温度长期演变，数据翔实但属区域案例研究，公共影响有限。
基于机器学习的分类为从多时相卫星观测中提取土地利用/土地覆盖（LULC）信息提供了一种有效途径。本研究利用1991年至2022年的Landsat数据，评估了最大似然分类（MLC）、支持向量机（SVM）和随机森林（RF）在印度喜马偕尔邦库鲁地区LULC变化制图中的表现。SVM取得了最高的分类精度，因此被用于后续的LULC制图。研究识别出六种LULC类别，并结合Landsat反演的地表温度（LST）分析了其时间变化。建设用地面积从1991年的4.37%增至2022年的20.40%，而植被从34.41%降至16.23%，积雪覆盖从15.20%降至3.02%。面积加权平均LST在1991年为4.10 °C，2001年为10.03 °C，2011年为8.43 °C，2022年为4.18 °C，研究期间净增幅度仅为0.08 °C。分类别分析表明，裸地和农用地通常具有较高的平均LST，而植被和水体的LST相对较低。2022年积雪覆盖区LST相对较高，可能反映了影像获取时期季节性积雪覆盖减少、破碎化及融雪条件的影响。相关分析揭示了LST与植被和积雪覆盖指标之间的反比关系，NDVI的R²达到0.66，NDSI的R²普遍超过0.62。总体而言，研究结果揭示了显著的LULC转变和地表温度的明显空间差异，强调了植被和积雪覆盖在调节热力条件中的作用，并为生态敏感的喜马拉雅地区的可持续土地管理和空间规划提供了有用信息。