《Results in Engineering》:Urban Growth Beyond Megacities: Modelling Landscape Transformation and Emerging Ecological Risks in India’s Tier-2 Cities
编辑推荐:
新兴Tier-2城市(二级城市)的城市增长正以前所未有的速度改变其景观。然而,生态与社会环境影响的复杂相互作用仍未被充分理解,而结合长期土地利用/土地覆盖(LULC)动态、生态风险、实地观测和未来城市增长建模的综合评估仍然有限,特别是在快速发展的城市中。本研究
新兴Tier-2城市(二级城市)的城市增长正以前所未有的速度改变其景观。然而,生态与社会环境影响的复杂相互作用仍未被充分理解,而结合长期土地利用/土地覆盖(LULC)动态、生态风险、实地观测和未来城市增长建模的综合评估仍然有限,特别是在快速发展的城市中。本研究通过整合1995-2025年多时相土地利用/土地覆盖分析、生态风险评估、基于实地的观测以及CA-ANN(元胞自动机-人工神经网络)预测建模,在一切照旧(BAU)情景下预测2035年和2045年的未来LULC情景,对印度SAS Nagar(Mohali)的土地转型动态进行了综合评估。研究结果表明,景观发生了从农业主导型向城市主导型的显著转变。此外,分析指出,到2045年,建成区可能约占景观面积的53%,取代了城郊农业用地。在研究期间,生态风险显著增加,到2025年,极高风险区占研究区面积的37.66%。转换矩阵分析进一步揭示,约28.60%的景观向更高生态风险等级转移,表明研究区整体生态风险上升。实地观测进一步揭示,快速发展的城郊走廊以碎片化的土地利用模式、减少的植被覆盖以及与无计划城市扩张相关的日益增加的生态脆弱性为特征。所提出的集成框架为评估快速城市化Tier-2城市中的城市扩张和生态风险提供了可转移的方法和科学证据,并支持可持续土地利用规划和生态风险管理。
**论文解读:超越特大城市的城市增长——印度Tier-2城市的景观转型与生态风险**
**研究背景与问题**
全球城市化进程加速,预计到2050年68%的人口将居住在城市地区。然而,以往研究多聚焦于特大城市(如德里、上海、巴黎),对新兴Tier-2城市(二级城市)的系统性关注不足。印度Tier-2城市(如Mohali)正经历快速经济转型和基础设施投资,但其景观转型与生态影响之间的复杂关系尚未被充分揭示。现有研究通常独立分析长期土地利用/土地覆盖(LULC)变化、城市增长预测或生态影响,缺乏整合历史动态、未来情景、生态风险评估和实地观测的综合框架。针对这一知识缺口,研究人员以印度北部昌迪加尔三城区的SAS Nagar(Mohali)为案例,开展了一项集成评估,旨在回答:Tier-2城市的快速城市化如何改变景观格局?其伴随的生态风险如何演变?未来趋势如何?
**研究内容与结论**
研究人员通过多时相LULC分析(1995-2025)、景观生态风险指数(LERI)计算、CA-ANN(元胞自动机-人工神经网络)模型预测、转换矩阵分析以及实地观测,系统评估了Mohali的土地转型与生态风险。结果表明:1995至2025年间,建成区面积从32.88 km2(20.07%)增至68.86 km2(42.04%),农业用地从86.37 km2(52.73%)降至43.30 km2(26.43%),植被覆盖面积减少78.2%,水体几乎消失。生态风险显著上升,极高风险区(VHR)在2025年覆盖37.66%的研究区,且28.60%的景观向更高风险等级转移。CA-ANN模型预测显示,在“一切照旧”(BAU)情景下,到2045年建成区将占景观面积的53.86%,农业用地进一步萎缩至20.48%,植被覆盖持续低于3%。实地观测证实,快速发展的城郊走廊呈现碎片化土地利用、植被减少和生态脆弱性增加的特征。该集成框架为其他快速城市化Tier-2城市提供了可转移的方法和科学依据,支持可持续土地利用规划与生态风险管理。该论文发表在《Results in Engineering》。
**主要关键技术方法**
研究人员采用以下关键技术方法(样本数据来源:Landsat卫星影像来自USGS Earth Explorer,1995-2025年,空间分辨率30 m):(1)多时相LULC分类:使用最大似然分类器(MLC)对1995、2005、2015、2025年影像进行分类,分为建成区、农业用地、植被/种植园、荒地和水体五类,并通过混淆矩阵评估精度(总体精度≥86%,Kappa系数≥0.80)。(2)景观生态风险指数(LERI):将研究区划分为1 km×1 km网格,基于各LULC类型的生态脆弱性权重(水体5、植被4、农业3、荒地2、建成区1)计算生态风险指数,并进行±20%敏感性分析验证稳健性。(3)CA-ANN预测建模:在QGIS MOLUSCE插件中,以高程、坡度、距道路距离、距水体距离、距现有建成区距离为驱动变量,采用多层感知器(MLP)神经网络(12个隐藏层神经元,学习率0.01,动量0.15,1000次迭代)训练转换适宜性,再通过元胞自动机(CA)分配未来LULC(2035、2045年),并通过回测法(以2005、2015年数据模拟2025年并与实际分类图对比)验证,Kappa系数为0.78。(4)实地观测:于2025年设置100个采样点(覆盖五类LULC),记录GPS坐标和照片,用于分类验证和生态风险判读。
**研究结果**
**3.1 历史土地利用动态(1995-2025)** 通过多时相LULC分类,发现Mohali从农业主导型景观显著转变为城市主导型。农业用地面积从86.37 km2(52.73%)降至43.30 km2(26.43%),建成区从32.88 km2(20.07%)增至68.86 km2(42.04%),植被覆盖从25.23 km2(15.40%)减至5.51 km2(3.36%),水体从0.49 km2(0.30%)降至0.02 km2(0.01%),荒地则从18.83 km2(11.50%)先增后减至46.11 km2(28.15%)。变化主要分布在北部和西部城郊增长走廊。
**3.2 LULC分类精度与评估** 通过混淆矩阵评估,总体精度从1995年的87%逐步提升至2025年的91%,Kappa系数从0.84增至0.89。用户精度和生产者精度均超过80%,其中建成区分类精度最高,农业与荒地之间的混淆主要在城郊过渡区。
**3.3 生态风险评估与实地验证** 基于LERI计算,1995年高和极高风险区占65.15%,2025年极高风险区增至37.66%,而极低风险区从6.45%降至3.13%。转换矩阵分析显示,28.60%的景观向更高风险等级转移(如VHR→VHR占28.60%),空间上集中在西部和南部城郊走廊。±20%敏感性分析表明ERI空间格局稳健。实地观测证实:高风险区多为未开发或建设中的城郊地带,植被稀疏、尘土飞扬;而规划良好的住宅区及机构园区因绿色基础设施而风险较低。
**3.4 土地覆盖变化检测(1995-2025)** 通过后分类比较,主要变化为农业用地转建成区(33.6 km2,占35.1%)、农业转荒地(23.9 km2)、植被转建成区(9.3 km2)及植被转荒地(8.1 km2)。总体58.4%的研究区发生土地类型转换,空间上集中在西部和南部。
**3.5 模拟验证** 通过回测法验证CA-ANN模型:以2005和2015年LULC数据模拟2025年,并与实际2025年分类图对比,总体精度为83%,Kappa系数为0.78(处于“实质性一致”区间)。神经网络的训练和验证误差随迭代稳定下降,表明模型未过拟合。
**3.6 预测的LULC变化(2035-2045)** CA-ANN模型预测在BAU情景下,建成区面积将从2025年的42.04%增至2035年的49.65%和2045年的53.86%;农业用地先短暂增至30.56%(2035年)再降至20.48%(2045年),反映多类元胞自动机转换中的中间动态;植被覆盖始终低于3.39 km2(2.07%);荒地作为中间转化类别,预计在2035年为18.25%,2045年为23.58%。城市扩张将沿交通走廊和现有功能中心密集化,西部和南部城郊区域将经历最显著变化。
**讨论与结论总结**
讨论部分指出,Mohali的生态风险与城市化模式直接相关:规划区域(含绿色基础设施)风险较低,而快速城郊开发区因土地清理、植被丧失和碎片化导致高风险。转换矩阵揭示的生态风险上升趋势与Surat、Coimbatore和Bhubaneswar等其他Tier-2城市一致,表明这些城市正经历类似的农业退缩和生态压力。研究还指出CA-ANN模型基于确定性平稳假设,无法捕捉政策突变或宏观冲击;Landsat 30 m分辨率限制了高度碎片化城郊斑块的检测;多类转换概率导致中间年份的农业用地异常增加。尽管如此,敏感性分析证实了生态风险结果的稳健性。
研究结论翻译如下:本研究对印度Mohali(SAS Nagar)进行了1995-2025年30年间的综合时空评估与预测模型(CA-ANN)分析,并预测了BAU情景下2035和2045年的LULC情景。实证历史结果表明,景观从农业主导型显著转向城市化环境。在30年观测期内,建成区面积增加109.4%,从1995年的32.88 km2(20.07%)增至2025年的68.86 km2(42.04%),主要归因于昌迪加尔三城区背景下机构、IT走廊和住宅开发扩张。这一增长主要以农业用地为代价,其面积从86.37 km2(52.73%)减少至43.30 km2(26.43%),净损失43.07 km2。同时,自然植被面积严重损失78.2%,从25.23 km2降至5.51 km2,水体减少至0.02 km2。极高风险区(VHR)增至61.69 km2(37.66%),进一步加剧了景观脆弱性;LRTI分析表明,32.8%的整个景观向高风险区转移。通过回测法验证所提出的CA-ANN模型,总体精度为83%,Kappa系数为0.78,表明模型能有效复现观测到的城市化模式。在BAU情景下,预计建成区面积到2035年增至81.33 km2(49.65%),到2045年增至88.22 km2(53.86%)。尽管模拟模型在中间时期显示出农业用地的暂时重组,但总体趋势仍是农业面积因持续城市增长而减少,而植被覆盖始终低于3.39 km2(2.07%)。考虑到这些预测趋势与印度次级城市化国家范式的关系,Mohali的城市化预测与印度其他快速城市化Tier-2城市观察到的趋势相当一致。从以往研究文献可知,Surat、Coimbatore和Bhubaneswar等城市经历了类似的建成区扩张、农田转化和生态压力增加模式。这些城市尽管城市化驱动因素不同,但共同趋势表明,城郊扩张对农业用地、植被覆盖和生态敏感土地施加了日益增加的压力。必须明确指出以下重要的方法论局限,以指导该领域的未来研究:第一,CA-ANN方法基于确定性平稳假设,即历史驱动因素的影响不会发生突变,这意味着模拟过程中无法出现意外政策变化或宏观经济冲击。第二,Landsat数据具有30 m空间分辨率,无法检测高度碎片化的城郊斑块和城市绿地。第三,无约束的多类转换概率方法导致邻域层面的中间方向性变化,如2035年中期农业用地预测所示。长期LULC建模中始终存在与分类精度、模型校准和未来转换概率相关的不确定性。尽管如此,敏感性分析证明,在生态权重值适度变化下,生态风险评估仍然可靠。为了将数据驱动的知识转化为有效的治理,区域规划机构(如GMADA)必须从被动式分区转向主动式、基于证据的空间规划政策。干预措施应聚焦于保护环境敏感区、季节性保护Shivalik山麓排水通道(“choes”)、创建城市绿色基础设施,以及将预测性LULC建模定期纳入区域总体规划。对于希望在此研究基础上继续推进的未来科学方向,关键目标包括使用更高分辨率卫星数据集、地表温度(LST)热分析、社会经济变量以及替代政策情景(如保护与可持续发展对比),以提高城市生态风险评估模型的预测能力。总体而言,本研究提出的框架提供了一个可推广的应用范例,可用于快速城市化Tier-2城市中的循证城市规划、城市生态风险评估和可持续土地利用管理。