التحليل الزماني المكاني للتوسع الحضري وديناميات استخدام الأراضي باستخدام محرك جوجل الأرض والنماذج التنبؤية Spatio-temporal analysis of urban expansion and land use dynamics using google earth engine and predictive models

المجلة: Scientific Reports، المجلد: 15، العدد: 1
DOI: https://doi.org/10.1038/s41598-025-92034-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40016446
تاريخ النشر: 2025-02-27

افتح

التحليل الزماني المكاني للتوسع الحضري وديناميات استخدام الأراضي باستخدام محرك جوجل الأرض والنماذج التنبؤية

أنغ زانغ , عقيل طارق , عبد القدوس , إيرام ناز , رنا وقار أسلم , إلغار باربوزا , ساجد الله & م. عبد الله العوضود

الملخص

لقد زاد التوسع الحضري والتغيرات في استخدام الأراضي/غطاء الأرض (LULC) بشكل مكثف في العقود الأخيرة بسبب النشاط البشري، مما يؤثر على المناظر الطبيعية البيئية والتنموية. درست هذه الدراسة التغيرات التاريخية والمتوقعة في LULC وأنماط النمو الحضري في منطقتي ملتان وسرغودها، باكستان، باستخدام صور الأقمار الصناعية من لاندسات، والحوسبة السحابية، ونمذجة التنبؤ من 1990 إلى 2030. تم تقسيم تحليل صور الأقمار الصناعية إلى أربع فترات زمنية (1990-2000، 2000-2010، 2010-2020، و2020-2030). سهلت منصة محرك جوجل الأرض السحابية تصنيف صور لاندسات 5 ETM (1990، 2000، و2010) وصور لاندسات 8 OLI (2020) باستخدام نموذج الغابة العشوائية. تم استخدام نموذج محاكاة يدمج الأوتوماتا الخلوية وشبكة عصبية اصطناعية متعددة الطبقات في ملحق MOLUSCE من QGIS للتنبؤ بالنمو الحضري حتى عام 2030. أظهرت الخرائط الناتجة مستويات دقة عالية باستمرار تتجاوز لكلا المنطقتين عبر جميع الفترات الزمنية. كشفت التحليلات أن المساحة المبنية في ملتان زادت من 240.56 في عام 1990 إلى في عام 2020، بينما شهدت سرغودها نمواً أكثر دراماتيكية من إلى . ظل غطاء النبات مهيمنًا ولكنه أظهر تباينات كبيرة، خاصة في المناطق الحضرية المحيطة. بحلول عام 2030، من المتوقع أن تستقر المنطقة الحضرية في ملتان عند ، مع توسع رئيسي في الاتجاه الجنوبي الشرقي. من المتوقع أن تصل سرغودها إلى 1,404.97 كم²، مع إظهار نمو متوازن متعدد الاتجاهات نحو الشمال الشرقي والشمال. تقدم الدراسة طريقة تحليلية فعالة تدمج معالجة السحاب، ونظم المعلومات الجغرافية، ونمذجة محاكاة التغيير لتقييم أنماط النمو الحضري الزمانية والمكانية وتغيرات LULC. نجح هذا النهج في تحديد التحولات والاتجاهات الرئيسية في LULC في مناطق الدراسة مع تسليط الضوء على المناطق المحتملة للتوسع الحضري حيث توجد فرص لتطوير مستوطنات حضرية مخططة ومدارة.

الكلمات الرئيسية: الحوسبة السحابية، السلاسل الزمنية، LULC، التخطيط الحضري، MOLUSCE
لقد وصلت التحضر العالمي إلى مستويات غير مسبوقة، حيث تجاوز عدد سكان المدن في العالم 4.7 مليار في عام 2023 ومن المتوقع أن يزيد بمقدار 2.8 مليار إضافي بحلول عام 2050. هذا النمو الحضري السريع ملحوظ بشكل خاص في الدول النامية مثل باكستان، حيث تتوسع المدن بوتيرة استثنائية بسبب الهجرة من الريف إلى الحضر، والنمو الطبيعي للسكان، والتنمية الاقتصادية . لقد كانت عملية التحضر المتسارعة لها آثار عميقة على أنماط استخدام الأراضي، واستهلاك الموارد الطبيعية، واستدامة البيئة، وغالبًا ما تؤدي إلى تطوير غير مخطط له وتدهور بيئي . يمثل هذا التحول الحضري تحديات كبيرة للتنمية المستدامة، خاصة في المناطق التي يتنافس فيها التوسع الحضري مباشرة مع الإنتاجية الزراعية والأنظمة البيئية الطبيعية.
في باكستان، كان التوسع الحضري دراماتيكيًا بشكل خاص، حيث نما عدد السكان الحضريين من في عام 1990 إلى أكثر من في عام 2020، ومن المتوقع أن يصل إلى بحلول . رافقت هذا الاتجاه الحضري تغييرات اجتماعية واقتصادية كبيرة، بما في ذلك التصنيع، وزيادة الأنشطة التجارية، والتحولات في أنماط الحياة التقليدية . غالبًا ما تفوق وتيرة النمو الحضري على قدرات التخطيط، مما يؤدي إلى مستوطنات غير رسمية، وبنية تحتية غير كافية، وضغوط بيئية . هذه التحديات واضحة بشكل خاص في المدن المتوسطة الحجم، التي غالبًا ما تفتقر إلى موارد وقدرات التخطيط التي تتمتع بها المناطق الحضرية الكبرى ولكن تواجه ضغوط تحضر مماثلة.
تمثل منطقتا ملتان وسرغودها، الواقعتان في محافظة البنجاب، مراكز زراعية وتجارية مهمة تشهد تحضرًا سريعًا يهدد أنماط استخدام الأراضي التقليدية والتوازن البيئي . تُعرف ملتان باسم ‘مدينة القديسين’، ولها أهمية تاريخية وهي مركز رئيسي للتجارة الزراعية. في الوقت نفسه، تُعرف سرغودها بإنتاجها من الحمضيات، وهي مركز زراعي وعسكري مهم. كلا المدينتين تشهدان توسعًا مكانيًا سريعًا، مدفوعًا بنمو السكان، والتنمية الاقتصادية، وتغير أنماط استخدام الأراضي . يمثل تحول هذه المناطق الزراعية التاريخية إلى مراكز حضرية متوسعة تحديات فريدة للتنمية المستدامة والحفاظ على البيئة.
يعود تحويل استخدام الأراضي/غطاء الأرض (LULC) في هذه المناطق إلى عوامل متعددة تتفاعل مع بعضها البعض، بما في ذلك نمو السكان، والتنمية الصناعية، وتغير الأولويات الاقتصادية، والتحولات في الممارسات الزراعية . تؤثر هذه التحولات على النظم البيئية المحلية وإنتاجية الزراعة وتؤثر على أنماط المناخ الإقليمي، وموارد المياه، والديناميات الاجتماعية. إن فقدان الأراضي الزراعية لصالح التنمية الحضرية يمثل مصدر قلق خاص في محافظة البنجاب، التي تعتبر قلب الزراعة في باكستان وتلعب دورًا حيويًا في الأمن الغذائي الوطني. إن فهم وإدارة هذه التغيرات أمر ضروري لتحقيق التوازن بين التنمية الحضرية والحفاظ على الزراعة.
لقد أحدثت التقدمات التكنولوجية الأخيرة في الاستشعار عن بعد والحوسبة السحابية ثورة في قدرتنا على مراقبة وتحليل أنماط النمو الحضري. توفر منصة محرك جوجل الأرض (GEE)، جنبًا إلى جنب مع خوارزميات التعلم الآلي ونظم المعلومات الجغرافية (GIS)، أدوات قوية لمعالجة كميات كبيرة من البيانات المكانية واكتشاف تغيرات LULC عبر المقاييس الزمنية . تمكن هذه التقنيات من تقييمات أكثر دقة لاتجاهات التوسع الحضري وتدعم اتخاذ القرارات المستندة إلى الأدلة في التخطيط الحضري. لقد عزز دمج منصات الحوسبة السحابية مع تقنيات الاستشعار عن بعد التقليدية قدرتنا على معالجة وتحليل مجموعات البيانات الزمنية الكبيرة، مما يجعل من الممكن تتبع أنماط النمو الحضري بدقة وتفصيل غير مسبوق.
لقد حسنت تطبيقات خوارزميات التصنيف المتقدمة، وخاصة نماذج الغابة العشوائية (RF)، بشكل كبير قدرتنا على اكتشاف وتصنيف تغيرات LULC . عند دمجها مع الأوتوماتا الخلوية والشبكات العصبية الاصطناعية، توفر هذه الأساليب القائمة على التعلم الآلي أطرًا قوية لتحليل الأنماط التاريخية وتوقع سيناريوهات النمو الحضري المستقبلية. إن دمج هذه التقنيات في عمليات التخطيط الحضري يعزز بشكل كبير قدرتنا على فهم وإدارة التوسع الحضري.
لقد درست الدراسات السابقة في باكستان أنماط النمو الحضري في المناطق الحضرية الكبرى مثل كراتشي، ولاهور، وإسلام آباد. ومع ذلك، لا تزال التحليلات الشاملة للمدن المتوسطة الحجم مثل ملتان وسرغودها محدودة. تعتبر هذه المدن حالات مثيرة للاهتمام لأنها تمثل مراكز حضرية تنمو بسرعة في مناطق زراعية بشكل أساسي، حيث يكون التوازن بين التنمية الحضرية والحفاظ على الزراعة أمرًا حيويًا للأمن الغذائي الإقليمي والاستقرار الاقتصادي . تجعل الخصائص الفريدة لهذه المدن، بما في ذلك أهميتها التاريخية، وأهميتها الزراعية، ومسارات التنمية الحالية، منها دراسات حالة قيمة لفهم أنماط التوسع الحضري في المناطق الزراعية.
تهدف الدراسة الحالية إلى تقييم أنماط النمو الحضري وتغيرات LULC في منطقتي ملتان وسرغودها باستخدام نهج متكامل يجمع بين الحوسبة السحابية، ونظم المعلومات الجغرافية، ونمذجة التنبؤ. تعالج هذه البحث عدة فجوات حرجة في فهمنا للتوسع الحضري في المدن المتوسطة الحجم في باكستان وتوفر رؤى منهجية قيمة من خلال تطبيق أدوات تكنولوجية متقدمة . الأهداف هي: (i) تحديد وتصنيف أنماط LULC باستخدام صور الأقمار الصناعية متعددة الزمن، (ii) تحليل ديناميات تغيرات LULC من 1990 إلى 2020، و(iii) نمذجة سيناريوهات النمو الحضري المحتملة حتى عام 2030.
تتجاوز أهمية هذا البحث مجالات الدراسة الفورية، حيث تقدم رؤى حول التحديات والفرص المتعلقة بإدارة النمو الحضري في المناطق الزراعية في جميع أنحاء جنوب آسيا. من خلال دمج التحليل التاريخي مع التوقعات المستقبلية، يوفر هذا البحث معلومات قيمة لمخططي المدن وصانعي السياسات الذين يديرون التوسع الحضري مع الحفاظ على الأراضي الزراعية والموارد الطبيعية الأساسية. ستساهم النتائج في فهمنا لعمليات التحضر في البلدان النامية وتدعم تطوير استراتيجيات نمو حضري أكثر استدامة في المناطق المماثلة.

المواد والأساليب
منطقة الدراسة

تشمل منطقتا الدراسة منطقتي ملتان وسرغودها وتقعان في محافظة البنجاب، باكستان (الشكل 1). تمثل هذه المناطق مراكز حضرية وزراعية هامة في المنطقة، كل منها يتمتع بخصائص جغرافية واجتماعية واقتصادية مميزة. تقع منطقة ملتان بين خط العرض و خط الطول، وتغطي مساحة تقارب . تقع في جنوب البنجاب، وتتراوح ارتفاعاتها من 100 إلى 150 مترًا فوق مستوى سطح البحر، وتتميز بتضاريس مسطحة بشكل أساسي مع تلال خفيفة عرضية . المناخ جاف إلى شبه جاف، مع تقلبات شديدة في درجات الحرارة. غالبًا ما تتجاوز درجات حرارة الصيف ، بينما تكون الشتاء معتدلة مع درجات حرارة تتراوح بين 4 و . سجلت منطقة ملتان سكانًا بلغ 4.75 مليون في عام 2020، بمعدل نمو قدره سنويًا (PBS، 2020). تشتهر المنطقة بإنتاجها الزراعي، وخاصة القطن والقمح والمانجو، التي تشكل العمود الفقري لاقتصادها.
تقع منطقة سرغودها بين خط العرض و خط الطول، وتغطي مساحة 5,854 . تقع المنطقة في وسط البنجاب، مع ارتفاعات تتراوح بين 150 و 200 متر فوق مستوى سطح البحر. التضاريس
الشكل 1. خرائط الموقع الجغرافي لمنطقة الدراسة. في جميع هذه الخرائط، حددنا موقع منطقة الدراسة في العالم.
مسطحة بشكل عام، متداخلة مع مناطق ذات تضاريس خفيفة. المناخ شبه جاف، يتميز بصيف حار وشتاء معتدل. تتراوح درجات حرارة الصيف المتوسطة بين 35 و ، بينما تتراوح درجات حرارة الشتاء عادة بين 6 و (الشكل 1). متوسط هطول الأمطار السنوي يبلغ 410 مم، مع حدوث الجزء الأكبر خلال موسم الأمطار. تم تسجيل عدد سكان المنطقة عند 3.7 مليون في عام 2020، مع معدل نمو سنوي قدره (PBS، 2020). تشتهر سرغودها بشكل خاص بإنتاج الحمضيات، مما أكسبها لقب “عاصمة الحمضيات في باكستان.” تعاني كلا المنطقتين من توسع حضري كبير، مدفوع أساسًا بنمو السكان، والهجرة من الريف إلى الحضر، والتنمية الاقتصادية. يقيم حوالي من سكان ملتان و من سكان سرغودها في المناطق الحضرية. تعمل المراكز الحضرية في كلا المنطقتين كمراكز إقليمية حيوية للتجارة والتعليم والوظائف الإدارية. وغالبًا ما تحدث هذه التطورات في مناطق عالية المخاطر أو على أراضٍ زراعية منتجة، مما يثير القلق بشأن الأمن الغذائي والتنمية الحضرية المستدامة. إن تحويل الأراضي الزراعية إلى استخدامات حضرية، جنبًا إلى جنب مع الضغط السكاني المتزايد، يبرز أهمية فهم وإدارة أنماط النمو الحضري في هذه المناطق الزراعية تاريخيًا.

البرمجيات والبيانات المكانية

تم الحصول على البيانات المكانية لهذه الدراسة من مصادر موثوقة متعددة. تم الحصول على بيانات الخرائط الأساسية، بما في ذلك الشبكات الهيدرولوجية وخطوط الكنتور، من بوابة قاعدة بيانات المسح في باكستان (https://www.surveyofpakistan.gov.pk/). تم الحصول على بيانات شبكة النقل من الهيئة الوطنية للطرق السريعة في باكستان (https://nha.gov.pk/). تم الحصول على بيانات نموذج الارتفاع الرقمي (DEM) بدقة 30 مترًا من مهمة رادار توبوغرافي المكوك التابعة لناسا (SRTM). تتكون البيانات الأساسية للاستشعار عن بعد من مجموعات سنوية من صور Landsat 5 TM (لأعوام 1990 و2000 و2010) وصور Landsat 8 OLI (لعام 2020)، التي تم الوصول إليها من خلال منصة Google Earth Engine (GEE). استخدمت التحليلات عدة منصات برمجية: QGIS مع ملحق MOLUSCE للتحليل المكاني والتوقعات المستقبلية، وArcGIS 10.8 للمعالجة المكانية المتقدمة، ومنصة GEE لمعالجة الصور السحابية وتصنيفها. تم إجراء معالجة إضافية باستخدام نصوص بايثون مخصصة لإعداد البيانات وتحليلها.
الشكل 2. مخطط تدفق المنهجية المفسرة لكبار السن حول كيفية استخدامنا للطرق والبيانات لهذا البحث.
مؤشرات الأقمار الصناعية اختصارات معادلات المراجع
مؤشر الفرق النباتي المعدل NDVI 41
مؤشر الفرق النباتي المعدل للتربة SAVI 42
مؤشر الفرق النباتي المعزز EVI 42،43
مؤشر الفرق المائي المعدل MNDWI 44
الجدول 1. مؤشرات الأقمار الصناعية المستخدمة في هذه الدراسة.

معالجة منهجية

اتبعت المنهجية نهجًا منهجيًا يتكون من ثلاث مراحل رئيسية (الشكل 2). تضمنت المرحلة الأولى معالجة صور الأقمار الصناعية وتصنيف LULC. ركزت المرحلة الثانية على تحليل تغييرات LULC عبر فترات زمنية مختلفة. تضمنت المرحلة النهائية نمذجة سيناريوهات النمو الحضري المستقبلية لعام 2030.

تصنيف استخدام الأراضي والنباتات وتغطية الأرض

معالجة صور الأقمار الصناعية
بدأت المعالجة الأولية بتجميع مناطق التدريب لكل فئة من فئات LULC داخل مناطق الدراسة. تم تحديد خمس فئات مميزة وتم التحقق منها باستخدام أجهزة استقبال GPS: (i) الأراضي الزراعية (بما في ذلك الأراضي الزراعية والبساتين)، (ii) المسطحات المائية، (iii) المناطق المبنية، (iv) الأراضي القاحلة، و(v) تغطية النباتات. تم إجراء معالجة صور الأقمار الصناعية في GEE، باستخدام مجموعات Landsat 5 (ID: LANDSAT/LT05/C01/T1_SR) للبيانات التاريخية (1990 و2000 و2010) وLandsat 8 (ID: LANDSAT/LC08/C01/T1_SR) لعام 2020. تم اختيار الصور مع إعطاء الأولوية للمشاهد ذات التغطية السحابية الدنيا والتوقيت الموسمي الأمثل لتمييز تغطية الأرض. تم تنفيذ قناع السحب باستخدام خوارزمية C Function of Mask (CFMask) لإزالة تلوث السحب والظلال. لتعزيز دقة التصنيف، تم حساب أربعة مؤشرات نباتية:

حساب مؤشرات النباتات

تم حساب المؤشرات الطيفية التالية لتحسين تصنيف تغطية الأرض، كما هو موضح في الجدول 1.
تم دمج هذه المؤشرات في عملية التصنيف لتحسين التمييز بين أنواع تغطية الأرض المختلفة، وخاصة بين المناطق المبنية والتربة العارية وبين أنواع النباتات المختلفة.

تصنيف الغابة العشوائية (RF)

تم تنفيذ خوارزمية تصنيف RF ضمن منصة GEE لتصنيف الصور متعددة الزمن. تم اختيار مصنف RF لأدائه القوي في تصنيف تغطية الأرض وقدرته على التعامل مع التضاريس المعقدة والخلط الطيفي. استخدمت عملية التصنيف 500 شجرة ودمجت بين الأطياف الطيفية والمؤشرات المشتقة . تم جمع بيانات التدريب لكل فئة باستخدام نهج عينة عشوائية طبقية، مع حد أدنى قدره 200 نقطة تدريب لكل فئة . شمل مخطط التصنيف خمس فئات من LULC: الأراضي الزراعية، المسطحات المائية، المناطق المبنية، الأراضي القاحلة، وتغطية النباتات. تم تحديد حد أدنى لوحدة المساحة القابلة للرسم قدره 0.5 هكتار لضمان التناسق عبر جميع التصنيفات الزمنية .

ديناميات تغيير استخدام الأراضي وتغطية الأرض

تم إجراء تحليل تغيير LULC للفترات 1990-2000، 2000-2010، و2010-2020. استخدم الكشف عن التغيير مصفوفات الجدول المتقاطع لتحديد الانتقالات بين فئات استخدام الأراضي. تم حساب معدل التغيير السنوي باستخدام المعادلة القياسية للمنظمة الفاو رقم 1:
حيث: معدل التغيير السنوي المساحة في الوقت الأول المساحة في الوقت النهائي عدد السنوات بين القياسات. بالإضافة إلى ذلك، تم حساب التغييرات الصافية، والمكاسب، والخسائر لكل فئة من فئات LULC لفهم ديناميات تحول تغطية الأرض .

نمذجة سيناريوهات النمو الحضري المستقبلية

تم استخدام نهج متكامل لتوقع نمو المدن المستقبلية يجمع بين الأوتوماتا الخلوية (CA) والشبكة العصبية الاصطناعية (ANN) متعددة الطبقات (MLP) ضمن ملحق MOLUSCE في QGIS. شمل عملية النمذجة خمسة متغيرات رئيسية: (i) المسافة إلى المناطق الحضرية الحالية، (ii) المسافة إلى الطرق الرئيسية، (iii) المسافة إلى المسطحات المائية، (iv) الانحدار، و(v) الارتفاع.
تم اختيار هذه المتغيرات بناءً على تأثيرها المثبت على أنماط النمو الحضري في دراسات مماثلة وملاءمتها للسياق المحلي في ملتان وسرغودا. .
شمل عملية النمذجة عدة خطوات رئيسية لضمان توقعات دقيقة لنمو المدن في المستقبل. أولاً، تم إعداد المتغيرات المكانية وتوحيدها من خلال تحويلها إلى دقة مكانية مشتركة. بعد ذلك، تم إنشاء خرائط إمكانيات الانتقال باستخدام شبكة عصبية متعددة الطبقات. تم تدريب الشبكة العصبية على 10,000 نقطة عينة بمعدل تعلم قدره 0.01، وزخم قدره طبقات مخفية، و1000 دورة تدريبية بعد إنشاء خرائط إمكانيات الانتقال، تم تنفيذ نموذج CA لتخصيص التغييرات بناءً على احتمالات الانتقال مكانيًا. .
تم إجراء التحقق من النموذج باستخدام بيانات تاريخية لتقييم دقته. أخيرًا، تم استخدام النموذج الذي تم التحقق منه لتوقع أنماط النمو الحضري المستقبلية حتى عام 2030. تضمن هذا النهج المنهجي توقعات قوية وموثوقة يمكن أن تُفيد التخطيط الحضري وتطوير السياسات. تم إجراء التحقق من النموذج باستخدام بيانات تاريخية من 2010-2020 لتقييم دقة التنبؤ. تم استخدام النموذج المعتمد بعد ذلك لتوقع أنماط النمو الحضري حتى عام 2030، مع الأخذ في الاعتبار الاتجاهات الحالية للنمو والقيود المكانية. تم تصميم الإطار المنهجي بالكامل لضمان إمكانية إعادة الإنتاج والموثوقية في تحليل التغيرات التاريخية في استخدام الأراضي واستخدامه في توقع سيناريوهات النمو الحضري المستقبلية لكل من منطقتي الدراسة. .

النتائج

تصنيف استخدام الأراضي وتغطية الأراضي

أظهر التحليل متعدد الأوقات لتغيرات استخدام الأراضي من 1990 إلى 2020 تحولات كبيرة في كلا المنطقتين (الجدول 2). في ملتان، حافظت تغطية النباتات على الهيمنة لكنها أظهرت تقلبات ملحوظة، حيث زادت في البداية من ( ) في عام 1990 إلى في عام 2000، قبل أن تنخفض تدريجياً إلى في عام 2020. تشير هذه النمط إلى فترة من التوسع الزراعي تليها التمدد الحضري. أظهرت المناطق المبنية مسار نمو ثابت، حيث تضاعفت تقريبًا من ( 240.56 ) في عام 1990 إلى في عام 2020، مع ذروة ملحوظة من في عام 2010. يمكن أن يُعزى الانخفاض المؤقت في المناطق المبنية بين عامي 2010 و2020 إلى إعادة تطوير المناطق الحضرية القديمة وإعادة تصنيف بعض المساحات الحضرية المتدهورة (الشكل 3).
الأراضي القاحلة في ملتان أظهرت تغييرات دراماتيكية، حيث انخفضت بشكل كبير من 20.75% (758.71 ) في عام 1990 إلى ( ) في عام 2020، مع حدوث أكبر انخفاض بين عامي 1990 و2000. تشير هذه الاتجاهات إلى تحويل المناطق القاحلة إلى استخدام زراعي أو تطوير حضري. بينما تشغل المسطحات المائية، التي تشغل جزءًا صغيرًا نسبيًا من المساحة الإجمالية، تباينات مثيرة للاهتمام، تتراوح من حد أدنى من في عام 2000 إلى حد أقصى من في عام 2020، مما يعكس كل من التغيرات المناخية وممارسات إدارة المياه. أظهر District Sargodha أنماط تحول استخدام الأراضي واستخدام الغطاء النباتي بشكل مميز. أظهرت تغطية النباتات تقلبات أكثر وضوحًا من ملتان، حيث زادت من في عام 1990 إلى ذروته في عام 2000، قبل الاستقرار في في عام 2020. تشير هذه النمط إلى ممارسات زراعية أكثر ديناميكية وتغيرات في استخدام الأراضي. أظهرت المناطق المبنية نمط نمو غير خطي فريد، بدءًا من في عام 1990، انخفض إلى في عام 2010، قبل أن تشهد توسعًا سريعًا إلى في عام 2020. قد يعكس هذا النمط غير العادي برامج تجديد حضري وإعادة تطوير المناطق الحضرية القديمة خلال الفترة الوسيطة.
أظهر تقييم دقة تصنيف استخدامات الأراضي (الجدول 3) موثوقية قوية عبر جميع التصنيفات الزمنية. حافظت ملتان على مقاييس دقة عالية باستمرار، مع دقة عامة (OA).
استخدامات الأراضي 1990 ٢٠٠٠ 2010 ٢٠٢٠
منطقة (% ) منطقة (% ) منطقة (% ) منطقة (% )
ملتان
ماء 60.01 1.64 25.25 0.69 53.34 1.46 91.29 2.5
مبني ٢٤٠.٥٥٧٦ 6.58 397.5034 10.87 544.4061 14.89 440.3033 12.04
نباتات ٢,٥٩٦.٥٠ 71.02 ٢,٩٣٠.١٦ 80.15 ٢,٩٠١.٠٢ 79.35 ٢٧١٧.٦١ ٧٤.٣٤
أرض قاحلة 758.7097 ٢٠.٧٥ 302.919 8.29 157.0504 ٤.٣ ٤٠٦.٦٢ 11.12
إجمالي ٣,٦٥٥.٧٨ 100 ٣,٦٥٥.٨٤ 100 ٣,٦٥٥.٨٢ 100 ٣,٦٥٥.٨٣ 100
سargodha
ماء 84.49 1.47 154.78 2.68 ٢٢٠.٩٥ 3.84 169.41 2.94
مبني 730.91 12.69 563.6298 9.78 ٣٨٧.٦٥٠٧ 6.73 ١٠٢٩.٠٦٧ 17.83
نباتات ٣,٩٣٨.٦٨ 68.38 ٤٧٧٦٫٦٣ 82.85 ٣,٧٠٣.٠٩ 64.29 ٤٤٨٦٫٧٨ ٧٧.٧٤
أرض قاحلة ١٠٠٥.٥٠ 17.46 ٢٧٠٫٥٤٢٦ ٤.٦٩ ١٤٤٨.٤٣٦ 25.15 86.61585 1.5
إجمالي ٥٧٥٩٫٥٨ 100 ٥٧٦٥٫٥٨ 100 ٥٧٦٠٫١٢ 100 ٥٧٧١.٨٨ 100
الجدول 2. استخدام الأراضي وتغطية الأراضي في كل من منطقة الدراسة من 1990 إلى 2020.
الشكل 3. خريطة استخدام الأراضي وتغطية الأرض لكل من منطقة الدراسة من 1990 إلى 2020.
مدن دقة
سargodha OA 0.95 0.97 0.88 0.95
ك 0.93 0.82 0.95 0.93
ملتان OA 0.97 0.93 0.96 0.94
ك 0.95 0.89 0.93 0.91
الجدول 3. الدقة العامة ومعامل كابا لمنطقة الدراسة من 1990 إلى 2020.
التحول إلى منطقة حضرية منطقة
1990-2000 2000-2010 2000-2020 2020-2030
ملتان
الماء للبناء 16.94 ٢٢.٢٩ 13.10 10.00
مبني (لا تغيير) ٢٠٠.٤٨ ٢٧٦.٩ ٤٧١.٢٩ ١,١٠٥.٤٠
الخضار إلى المباني ١٣١.٨٠ 167.69 ٥٤١.٤٠ 170.85
من أرض قاحلة إلى مبنية ٥٦.٣٦ ٣٨.٧٠ ١٣٠.٠٣ ١٧٣٫٠٠
إجمالي ٤٠٥.٥٨ ٥٠٥.٥٨ ١١٥٥.٨٢ ١٤٥٩.٢٥
سargodha
الماء للبناء 10.10 72.70 15.90 8.30
مبني (لا تغيير) ١٧٢.٠٦ ٣٣٧.٩٨ 496.72 871.98
الخضار إلى المباني ٧٨.٨٧ ١٢٤.٩٦ ٧٩٢.٧٠ 211.98
من أرض قاحلة إلى مبنية ٣٧.٩١ ٣٤.٢٧ ٢٨٠.٦٠ ٤٥.٧٩
إجمالي 298.94 569.91 1585.92 ١١٣٨.٠٥
الجدول 4. التحول إلى المنطقة الحضرية.
فصول ملتان 1990 ملتان 2000 ملتان 2010 ملتان 2020
% لا نقاط % لا نقاط % لا نقاط % لا. نقاط
ماء 0.6 1.64 145 0.25 0.69 145 0.53 1.46 145 0.91 2.5 145
مبني 2.41 6.58 16 3.98 10.87 16 5.44 14.89 16 ٤.٤ 12.04 16
نباتات ٢٥.٩٧ 71.02 150 ٢٩.٣ 80.15 150 ٢٩.٠١ 79.35 150 ٢٧.١٨ ٧٤.٣٤ 150
أرض قاحلة ٧.٥٩ ٢٠.٧٥ ٢٢ 3.03 8.29 ٢٢ 1.57 ٤.٣ ٢٢ ٤.٠٧ 11.12 ٢٢
صفر 0 0 123 0 0 123 0 0 123 0 0 123
إجمالي ٣٦.٥٦ 100 ٤٥٦ ٣٦.٥٦ 100 ٤٥٦ ٣٦.٥٦ 100 ٤٥٦ ٣٦.٥٦ 100 ٤٥٦
فصول سargodha 1990 سرغودها 2000 سargodha 2010 سargodha 2020
% لا نقاط % لا نقاط % لا نقاط % لا نقاط
ماء 0.84 1.47 ١٣٠ 1.55 2.07 130 ٢.٢١ 3.84 ١٣٠ 1.69 1.32 ١٣٠
مبني 7.31 12.69 ٢٥ 0.43 0.57 ٢٥ 3.88 6.73 25 10.29 8.05 ٢٥
نباتات ٣٩.٣٩ 68.38 ١١٠ 69.94 93.73 ١١٠ ٣٧.٠٣ ٦٤.٢٩ ١١٠ 44.87 ٣٥.٠٨ ١١٠
أرض قاحلة 10.06 17.46 27 2.71 3.63 27 ١٤.٤٨ ٢٥.١٥ 27 9.25 7.23 27
صفر 0 0 164 0 0 164 0 0 164 0 ٤٨.٣٢ 164
إجمالي ٥٧.٦ 100 ٤٥٦ ٧٤.٦٢ 100 ٤٥٦ 57.6 100 ٤٥٦ 66.1 100 ٤٥٦
الجدول 5. التحقق والتحويل لكل من منطقة الدراسة.
قيم تتراوح بين 0.93 و 0.97 ومؤشرات معامل كابا بين 0.89 و 0.95. تم تحقيق أعلى دقة في عام 1990 (OA: 0.97، كابا: 0.95)، بينما أظهر عام 2000 مقاييس أقل قليلاً ولكنها لا تزال ممتازة (OA: 0.93، كابا: 0.89). أظهرت سارجودها مستويات دقة عالية مماثلة، مع قيم OA تتراوح بين 0.88 و 0.97 ومؤشرات كابا تتراوح من 0.82 إلى 0.95، مع ذروة الدقة في .

ديناميات تغيير استخدام الأراضي وتغطية الأرض

أظهر تحليل التحول (الجدول 4) أنماطًا معقدة من التوسع الحضري في كلا المنطقتين. في ملتان، أظهر تحويل الأراضي الشجرية والأراضي العشبية إلى مناطق حضرية زيادة تدريجية من 80.16 هكتار في 1990-2000 إلى 531.93 هكتار في 2000-2020، مما يمثل زيادة خلال هذه الفترة. من المتوقع أن يتراجع هذا الاتجاه، مع انخفاض التحويلات إلى 357.11 هكتار خلال 2020-2030. أظهرت المناطق الحضرية استمرارية قوية، حيث زادت من 200.48 هكتار في الفترة الأولية إلى 1,105.40 هكتار متوقعة في 2020-2030، مما يشير إلى نضوج المشهد الحضري.
تحليل نقاط التحقق (الجدول 5) قدم رؤى إضافية حول دقة التصنيف. في ملتان، أظهرت المناطق المبنية تحديدًا متسقًا عبر جميع الفترات، مع 16 نقطة تحقق تؤكد دقة التصنيف. أظهرت فئة الغطاء النباتي أعلى استقرار في التحقق، حيث تم تحديد 150 نقطة باستمرار للمناطق المزروعة عبر جميع الفترات الزمنية. أظهرت المسطحات المائية والأراضي القاحلة نتائج تحقق أكثر تباينًا، مما يعكس الطبيعة الديناميكية لهذه الأنواع من تغطية الأرض (الشكل 4).
كانت أنماط التحول الحضري في سرغودا أكثر كثافة وتعقيدًا. زادت تحويل الأراضي الشجرية والمراعي إلى مناطق حضرية من 167.98 هكتار في 1990-2000 إلى 302.35 هكتار في 2000-2020، مما يظهر زيادة أكثر اعتدالًا. زيادة مقارنة بمولتان. ومع ذلك، أظهرت المناطق الحضرية المستمرة نمواً ملحوظاً، حيث زادت من 172.06 هكتار إلى 871.98 هكتار متوقعة، مما يدل على أنماط تنمية حضرية أكثر استقراراً. انخفض تحويل الغابات إلى مناطق حضرية بشكل مستمر، حيث تراجع من 37.91 هكتار في 1990-2000 إلى 5.16 هكتار متوقعة في 2020-2030، مما يشير إلى تحسين تدابير الحفاظ على الغابات.
الشكل 4. تحويل المساحة إلى التمدد الحضري.
منطقة ملتان
توجيه 1990 ٢٠٠٠ 2010 ٢٠٢٠ ٢٠٣٠
ن ٦ ٦ ٧ ٧ 14
لا 9 9 ٨ 10 19
E 52 70 93 ١٠٥ 114
SE 26 23 ١٠٥ 245 ٢٨٣
S 12 9 ١٣ 151 152
SW ٢٩ 32 64 158 ٢٢٣
W ٣٣ 73 94 161 199
NW 68 60 84 ١٧٩ 159
منطقة سارجودها
توجيه 1990 ٢٠٠٠ 2010 ٢٠٢٠ ٢٠٣٠
ن 19 81 ١٠٢ 128 152
لا 40 99 ١١٥ 216 248
E ٣٢ 77 ١٢٠ 169 187
SE 19 41 93 131 ١٤٥
S 11 ٢٨ 62 ٥٨ 66
SW 14 ٣٥ ٥٦ 84 ١٠٦
و 21 ٣٨ ٥٥ ٤٩ 96
NW 30 52 77 67 99
الجدول 6. بيانات التوجيه لمنطقة الدراسة.

توجهات وأنماط النمو الحضري

تحليل النمو الحضري الاتجاهي (الجدول 6) كشف عن أنماط توسع مكاني مميزة فريدة لكل منطقة. في ملتان، برز القطاع الجنوبي الشرقي كاتجاه النمو الرئيسي، مع زيادة كبيرة في المساحة الحضرية من في عام 1990 إلى في عام 2030، تمثل زيادة. أظهر القطاع الشرقي توسعًا مستمرًا من إلى ( زيادة)، بينما تسارع النمو في القطاع الجنوبي الغربي من إلى زيادة كما أظهرت القطاعات الغربية والشمالية الغربية نمواً كبيراً ولكن بمعدلات أكثر اعتدالاً.
أظهرت التقدم الزمني لاتجاهات النمو في ملتان ثلاث مراحل متميزة:
1990-2000: هيمنت عليها التوسع الشرقي والغربي
2000-2010: ظهور نمو قوي في الجنوب الشرقي
2010-2020: نمو متعدد الاتجاهات مع هيمنة جنوب شرق
أظهرت سارجودها نمط نمو متوازن أكثر، مع توسع كبير في اتجاهات متعددة. أظهر القطاع الشمالي الشرقي أكبر نمو دراماتيكي، حيث زاد من إلى ( زيادة). أظهر القطاع الشمالي نموًا قويًا مشابهًا من إلى ( زيادة). حافظ القطاع الشرقي على نمو ثابت من إلى ( زيادة). تشير هذه النمطية المتعددة الاتجاهات للنمو إلى توسع حضري أكثر تخطيطًا وتوزيعًا مقارنةً بتطور ملتان الأكثر تركيزًا (الشكل 5).
الشكل 5. نمط النمو متعدد الاتجاهات والتوسع الحضري الموزع مقارنة بالارتفاعات، وقرب المياه، والطرق.
منطقة حضرية
ملتان ٢٤٠.٥٥ ٣٩٧.٥٠ 544.40 ٤٤٠.٣٠ ٤٣٣.٢٢
سargodha 730.91 ٥٦٣.٦٢ ٣٨٧.٦٥ ١٠٢٩.٠٦ ١٤٠٤.٩٧
الجدول 7. تحول المناطق الحضرية في كلا منطقتي الدراسة من 1990 إلى 2030.

سيناريوهات النمو الحضري المستقبلي

تشير توقعات عام 2030 (الجدول 7) إلى مسارات نمو حضري متباينة للمنطقتين. من المتوقع أن تشهد المنطقة الحضرية في ملتان انكماشًا طفيفًا إلى بحلول عام 2030، تمثل انخفاض عن مستويات عام 2020. تشير هذه التوقعات إلى احتمال استقرار النمو الحضري وإمكانية الكثافة بدلاً من التوسع المكاني. قد يُعزى معدل النمو المنخفض إلى القيود الفيزيائية، أو تحسين سياسات التخطيط الحضري، أو تشبع الأراضي التي يسهل تطويرها.
على النقيض، تظهر سركودا زيادة دراماتيكية متوقعة إلى بحلول عام 2030، تمثل زيادة عن عام 2020. تعكس هذه التوقعات للنمو الكبير نمط التنمية الأكثر توزيعًا في المنطقة والأراضي المتاحة. تشير التوزيعات المكانية لهذا النمو المتوقع، المستمدة من التحليل الاتجاهي، إلى أن التوسع الحضري في سارجودا سيستمر في اتباع نمط متعدد النوى، مع نمو كبير على طول ممرات النقل وفي المناطق المحيطية (الشكل 6).
تدعم مقاييس التحقق موثوقية هذه التوقعات، حيث أظهرت كلا المنطقتين دقة تصنيف عالية باستمرار طوال فترة التحليل التاريخي. يوفر دمج طرق تقييم الدقة المتعددة، بما في ذلك التحقق النقطي والمؤشرات الإحصائية، دعماً قوياً للسيناريوهات المتوقعة. تقدم هذه التوقعات رؤى قيمة لمخططي المدن وصانعي السياسات في إدارة النمو الحضري المستقبلي والتحديات المرتبطة به في كلا المنطقتين.
الشكل 6. نتائج تصنيف كلا منطقتي الدراسة.

نقاش

النمو الحضري هو عامل رئيسي يؤثر على تغييرات استخدام الأراضي في جميع أنحاء باكستان، وتحليلنا لمناطق ملتان وسرغودا يكشف عن أنماط معقدة من التوسع الحضري وتحول الأراضي التي تستحق دراسة مفصلة. التغييرات الملحوظة تعكس اتجاهات إقليمية أوسع بينما تظهر خصائص محلية مميزة توفر رؤى قيمة للتخطيط الحضري والإدارة.

ديناميات الزمنية للنمو الحضري

أنماط النمو الحضري المتباينة في ملتان وسرغودا تعكس مسارات تطوير مختلفة تشكلت بفعل العوامل الاجتماعية والاقتصادية المحلية والقيود الجغرافية. يتميز التوسع الحضري في ملتان بزيادة من في عام 1990 إلى في عام 2020، يتبع أنماطًا مشابهة لتلك التي لوحظت في مدن تاريخية أخرى في جنوب آسيا. يتماشى معدل النمو هذا مع الدراسات من مدن مماثلة مثل لاهور، التي شهدت زيادة في المناطق الحضرية بين عام 1990 و . ومع ذلك، من المتوقع أن تستقر ملتان بحلول عام 2030 ( يشير إلى نظام حضري ناضج، ربما تأثر بالقيود الجغرافية والتدخلات التخطيطية المحسنة. التحول الحضري الأكثر دراماتيكية في سارجودا، لا سيما التوسع السريع من في عام 2010 إلى في عام 2020، يمثل نموذج نمو حضري مختلف. هذا النمط يشبه بشكل أكبر النمو المتفجر الذي يُلاحظ في المدن الثانوية الناشئة عبر الدول النامية. الزيادة المتوقعة إلى تشير التوقعات بحلول عام 2030 إلى استمرار الضغط الناتج عن التحضر، مما يعكس الاتجاهات الملاحظة في المدن الثانوية سريعة النمو في الهند وبنغلاديش. يبرز التباين بين هذين المنطقتين تنوع أنماط التنمية الحضرية داخل النظام الحضري في باكستان.

أنماط تحويل استخدام الأراضي

تحويل المناظر الطبيعية والزراعية إلى مناطق حضرية يكشف عن اتجاهات مقلقة في كلا المنطقتين. في ملتان، الانخفاض الكبير في الأراضي القاحلة من 20.75 إلى بين عامي 1990 و2020 تشير إلى تحول مكثف في الأراضي، غالبًا ما يسبق التنمية الحضرية. يعكس هذا النمط الاتجاهات الملحوظة في مناطق زراعية أخرى تشهد حضرنة سريعة، مثل منطقة البنجاب في الهند، حيث تم توثيق خسائر مماثلة في المناطق الزراعية العازلة.
نمط التحول الأكثر تعقيدًا في سرغودا، بما في ذلك التذبذب في المناطق المبنية والانخفاض الكبير في الأراضي القاحلة من 17.46 إلى يقترح نظام استخدام أراضٍ أكثر ديناميكية الحفاظ على غطاء النبات تشير التوقعات لعام 2020 إلى توازن أكثر نجاحًا بين النمو الحضري والحفاظ على الزراعة مقارنةً بمناطق أخرى تتUrbanize بسرعة في باكستان. قد تقدم هذه النجاح دروسًا قيمة لسياسات التخطيط الإقليمي.

آثار النمو الاتجاهي والتخطيط المكاني

تحليل الاتجاهات لنمو المدن يكشف عن أنماط مهمة لها تداعيات تخطيطية كبيرة. التوسع الغالب لملتان نحو الجنوب الشرقي (من 26 إلى تتبع ) ممرات النقل والقيود الطبوغرافية، وهو نمط شائع في المدن التي تم تأسيسها تاريخياً. ومع ذلك، قد يؤدي هذا الاتجاه المركّز في النمو إلى تحديات في إدارة المدن، بما في ذلك الازدحام المروري وعدم كفاءة تقديم الخدمات، مشابهة لتلك التي لوحظت في مدن جنوب آسيا التي تنمو بسرعة. النمو المتوازن أكثر في سارجودا، مع توسع كبير في اتجاهات متعددة (الشمال الشرقي: إلى شمال: إلى يمثل نموذجًا محتملاً أكثر استدامة للتنمية الحضرية. يسمح هذا النمط بتوزيع أكثر كفاءة للبنية التحتية وقد يقلل الضغط على أي قطاع واحد من المدينة. نمط النمو متعدد الاتجاهات يوفر أيضًا فرصًا أكبر للتنمية المخططة ودمج المساحات الخضراء، مشابهًا لنماذج التخطيط الحضري الناجحة التي تم تنفيذها في مناطق أخرى نامية.

الآثار البيئية والزراعية

تحويل أنماط استخدام الأراضي في كلا المنطقتين يثير مخاوف بيئية وزراعية كبيرة. في ملتان، يؤدي تقليل الغطاء النباتي وتحويل الأراضي الزراعية إلى استخدامات حضرية إلى تهديد إنتاجية الزراعة في المنطقة. هذه الاتجاهات مثيرة للقلق بشكل خاص نظرًا لدور البنجاب كقلب الزراعة في باكستان والتحديات المتزايدة للأمن الغذائي في مواجهة تغير المناخ. الحفاظ النسبي الأفضل على الغطاء النباتي في سارجودا يقدم نموذجًا محتملاً لتحقيق التوازن بين النمو الحضري والحفاظ على الزراعة. ومع ذلك، فإن التوسع الحضري المتوقع إلى بحلول عام 2030 قد يطرح تحديات جديدة لهذا التوازن. تجربة كلا المنطقتين تؤكد الحاجة إلى نهج تخطيط حضري ريفي متكامل يحمي الموارد الزراعية بينما يستوعب النمو الحضري الضروري.

رؤى منهجية وتطبيقات التخطيط

مستويات الدقة العالية التي تم تحقيقها في تصنيفنا ( ) تؤكد المنهجية وتوفر أسسًا موثوقة لتطبيقات التخطيط. دمج مصادر بيانات متعددة وتقنيات تصنيف متقدمة يوفر إطارًا قويًا لمراقبة النمو الحضري في سياقات مماثلة. تطبيق ناجح لمصنف الغابة العشوائية، مع دمج مؤشرات نباتية متعددة، يظهر الإمكانية لتكرار هذا النهج في مناطق أخرى تت urbanize بسرعة.

تداعيات التخطيط والسياسة

تقدم النتائج من هذه الدراسة رؤى حاسمة للتخطيط الحضري والسياسة، مما يبرز الحاجة إلى نهج مخصص لإدارة النمو. أنماط التوسع الحضري المتناقضة في ملتان وسارجودا تسلط الضوء على ضرورة استراتيجيات متميزة لسياسات التوحيد وإعادة التطوير لملتان وأطر لإدارة التوسع السريع لسارجودا. التحويل الكبير للأراضي الزراعية إلى مناطق حضرية يتطلب تدابير حماية أقوى للحفاظ على المناطق الزراعية الرئيسية، خاصة في المناطق الحضرية المحيطة. بالإضافة إلى ذلك، يجب أن توجه أنماط النمو الاتجاهية المحددة تخطيط البنية التحتية، مما يضمن أن التطورات الجديدة مدعومة جيدًا بالنقل والمرافق العامة في القطاعات التي تنمو بسرعة. أخيرًا، تقليل الغطاء الطبيعي للأراضي يبرز الحاجة الملحة لتخطيط المساحات الخضراء المتكامل وتدابير الحفاظ على البيئة لتعزيز التنمية الحضرية المستدامة.

التحديات والفرص المستقبلية

تواجه كلا المنطقتين تحديات كبيرة في إدارة النمو الحضري مع ضمان الاستدامة البيئية والزراعية. تسلط أنماط النمو المتوقعة الضوء على عدة مجالات رئيسية تتطلب اهتمامًا فوريًا. ستكون البنية التحتية للنقل محور تركيز حاسم، خاصة في القطاع الجنوبي الشرقي من ملتان، حيث قد يؤدي النمو المركز إلى الازدحام ومشكلات الوصول إذا لم يتم تنفيذ تخطيط النقل بعناية. الكثافة الحضرية المتزايدة قد تعيق التنقل والأنشطة الاقتصادية دون وجود شبكات طرق مناسبة وأنظمة النقل العام. علاوة على ذلك، تظل الاستدامة البيئية مصدر قلق ملح حيث أن استمرار فقدان الغطاء النباتي والمناطق الطبيعية يشكل مخاطر على التنوع البيولوجي وجودة الهواء وقابلية العيش الحضرية بشكل عام. ستكون الأساليب المبتكرة للتشجير الحضري، مثل الأحزمة الخضراء وحدائق الأسطح والحفاظ على النظم البيئية الطبيعية، ضرورية للتخفيف من هذه الآثار. .
بالإضافة إلى ذلك، سيكون الحفاظ على إنتاجية الزراعة وسط المناطق الحضرية المتوسعة أمرًا حاسمًا بشكل متزايد، خاصة في سارجودا، حيث من المتوقع أن يكون هناك نمو سريع. مع كون الزراعة عنصرًا حيويًا في الاقتصاد المحلي، يجب على المخططين الحضريين تحقيق التوازن بين استيعاب التطورات الجديدة والحفاظ على الأراضي الزراعية الخصبة. يمكن أن تساعد استراتيجيات مثل التمدد الحضري المنضبط وتعزيز النمو العمودي في الحفاظ على الأراضي الزراعية القيمة. أخيرًا، سيتطلب التكامل الاجتماعي تدخلات مستهدفة لمعالجة تحديات أنماط النمو المختلفة في كلا المنطقتين. سيكون ضمان الوصول العادل إلى الخدمات الاجتماعية والتعليم والرعاية الصحية وفرص العمل عبر المناطق الحضرية المتوسعة أمرًا أساسيًا لتعزيز المجتمعات المتماسكة والشاملة. سيكون معالجة هذه التحديات متعددة الأوجه أمرًا ضروريًا لتعزيز التنمية الحضرية المستدامة في ملتان وسارجودا.

قيود البحث والاتجاهات المستقبلية

بينما تقدم هذه الدراسة رؤى قيمة حول أنماط النمو الحضري وآثارها البيئية، تظهر عدة قيود ومجالات للبحث المستقبلي يمكن أن تعزز قوة التحليلات المستقبلية. أحد القيود الرئيسية هو الدقة الزمنية للبيانات المستخدمة. يمكن أن يوفر أخذ عينات زمنية أكثر تكرارًا فهمًا أكثر دقة لتغيرات استخدام الأراضي، مما يسمح للباحثين بالتقاط التحولات الحضرية السريعة والتقلبات قصيرة الأجل في الغطاء الأرضي بدقة أكبر. . بالإضافة إلى ذلك، تفتقر الدراسة إلى دمج عميق للعوامل الاجتماعية والاقتصادية، التي تدفع النمو الحضري بشكل كبير. يمكن أن يوفر دمج بيانات اجتماعية واقتصادية مفصلة، مثل كثافة السكان والأنشطة الاقتصادية وتطوير البنية التحتية، فهمًا أكثر شمولاً للدوافع الأساسية لتغيرات استخدام الأراضي. . سيسمح هذا النهج بتحليل أكثر دقة للعلاقة بين الأنشطة البشرية والتوسع الحضري، مما يساهم في توصيات سياسية أكثر استهدافًا.
مجال آخر للتحسين هو دمج توقعات تغير المناخ في الأبحاث المستقبلية. يؤثر النمو الحضري على المناخات المحلية ويتأثر بالتغيرات المناخية الأوسع. يمكن أن تساعد تضمين توقعات المناخ الباحثين على فهم الآثار البيئية طويلة الأجل للتمدن بشكل أفضل وتحديد استراتيجيات لتعزيز مرونة المدن تجاه المخاطر المتعلقة بالمناخ، مثل موجات الحرارة والفيضانات ونقص المياه. علاوة على ذلك، يمكن أن تركز الدراسات المستقبلية على تقييم فعالية السياسات التخطيطية الحالية في إدارة التوسع الحضري. سيوفر تقييم أداء السياسات الحالية في السيطرة على التمدد الحضري والحفاظ على الأراضي الزراعية والموارد الطبيعية دروسًا قيمة لاستراتيجيات الإدارة المستقبلية. يمكن أن يوجه ذلك صانعي السياسات في مراجعة أو تقديم لوائح جديدة لتعزيز التنمية الحضرية المستدامة.

الاستنتاجات

تقدم هذه الدراسة تحليلًا شاملاً لأنماط النمو الحضري وتغيرات استخدام الأراضي في منطقتي ملتان وسارجودا في باكستان من 1990 إلى 2030، باستخدام نهج متكامل يجمع بين الحوسبة السحابية ونظم المعلومات الجغرافية والنمذجة التنبؤية. من خلال تحليل خمس فئات متميزة من استخدام الأراضي، كشفت الأبحاث عن تحولات كبيرة في المناظر الطبيعية الحضرية في كلا المنطقتين. حقق التصنيف مستويات دقة عالية باستمرار تتجاوز مع مؤشرات كابا قوية، مما يثبت موثوقية النهج التحليلي ويوفر أساسًا قويًا لتوقعات النمو الحضري. أظهر التحليل متعدد الأوقات أنماطًا متناقضة من التوسع الحضري بين المنطقتين. زادت المنطقة المبنية في ملتان من في 1990 إلى في 2020، مما يظهر نمط نمو مركز في الاتجاه الجنوبي الشرقي. في المقابل، شهدت سارجودا نموًا أكثر دراماتيكية من إلى خلال نفس الفترة، مما يظهر توسعًا متعدد الاتجاهات أكثر توازنًا. على الرغم من هذه التحولات، ظل الغطاء النباتي هو النوع السائد من استخدام الأراضي في كلا المنطقتين، على الرغم من أن مداه تقلب بسبب التوسع الحضري وزيادة الزراعة.
تظهر التوقعات المستقبلية لعام 2030 مسارات نمو متباينة للمنطقتين. من المتوقع أن تستقر المنطقة الحضرية في ملتان حول ، مما يشير إلى نضوج نمط تطويرها الحضري. في المقابل، من المتوقع أن تشهد سارجودا توسعًا سريعًا مستمرًا، يصل إلى بحلول عام 2030. تسلط أنماط النمو المتميزة هذه الضوء على الحاجة إلى استراتيجيات إدارة حضرية مصممة خصيصًا لتحديات وفرص التنمية الفريدة لكل منطقة. وقد ظهرت تحويل المناظر الطبيعية الزراعية والطبيعية إلى مناطق حضرية كقضية مهمة، لا سيما في المناطق الحضرية المحيطة، مما يبرز أهمية نهج التنمية المتوازنة التي تحمي الموارد الزراعية الأساسية.
توفر هذه النتائج رؤى قيمة لمخططي المدن وصانعي السياسات الذين يديرون التوسع الحضري مع الحفاظ على الأراضي الزراعية الأساسية والموارد الطبيعية في المدن المتنامية في باكستان. توضح الدراسة أهمية نهج التخطيط المتكامل الذي يوازن بين احتياجات التنمية والحفاظ على البيئة، لا سيما في المناطق التي تشهد تحضرًا سريعًا. يمكن أن تكون المنهجية والنتائج إطارًا لتحليلات مماثلة في مناطق أخرى نامية تواجه تحديات مماثلة في إدارة النمو الحضري مع الحفاظ على الاستدامة البيئية والزراعية.
في المستقبل، يجب أن تركز الأبحاث على دمج المزيد من العوامل الاجتماعية والاقتصادية التفصيلية، وتأثيرات تغير المناخ، وتقييمات فعالية السياسات لتعزيز فهمنا لديناميات النمو الحضري.
في هذه المناطق التي تتطور بسرعة. سيوفر دمج هذه العوامل الإضافية رؤى أكثر شمولاً لتخطيط التنمية الحضرية المستدامة، مما يساعد على ضمان استدامة كل من الأنظمة الحضرية والزراعية في المشهد المتطور في باكستان.

توفر البيانات

البيانات متاحة عند الطلب من المؤلف المراسل (sajidjalwan@gmail.com).
تاريخ الاستلام: 1 يوليو 2024؛ تاريخ القبول: 25 فبراير 2025
نُشر على الإنترنت: 27 فبراير 2025

References

  1. Asif, M. et al. Modelling of land use and land cover changes and prediction using CA-Markov and Random Forest. Geocarto Int. 38, (2023).
  2. Asif, M., Kazmi, J. H. & Tariq, A. Traditional ecological knowledge based indicators for monitoring rangeland conditions in Thal and Cholistan Desert, Pakistan. Environ. Challenges 13, 100754 (2023).
  3. Bokhari, R. et al. Land subsidence analysis using synthetic aperture radar data. Heliyon vol. 9 at https://doi.org/10.1016/j.heliyon. 2023.e14690 (2023).
  4. Zhao, Z. et al. Comparison of three machine learning algorithms using google earth engine for land use land cover classification. Rangel. Ecol. Manag. 92, 129-137 (2024).
  5. Tariq, A. & Mumtaz, F. Modeling spatio-temporal assessment of land use land cover of Lahore and its impact on land surface temperature using multi-spectral remote sensing data. Environ. Sci. Pollut. Res. 30, 23908-23924 (2022).
  6. Barboza, E. et al. Analyzing urban expansion and land use dynamics in Bagua grande and chachapoyas using cloud computing and predictive modeling. Earth Syst. Environ. https://doi.org/10.1007/s41748-024-00470-5 (2024).
  7. Ullah, N. et al. Geospatial analysis and AHP for flood risk mapping in Quetta, Pakistan: A tool for disaster management and mitigation. Appl. Water Sci. 14, 236 (2024).
  8. Tariq, A. & Qin, S. Spatio-temporal variation in surface water in Punjab, Pakistan from 1985 to 2020 using machine-learning methods with time-series remote sensing data and driving factors. Agric. Water Manag. 280, 108228 (2023).
  9. Hao, Z. et al. Multitemporal analysis of urbanization-driven slope and ecological impact using machine-learning and remote sensing techniques. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 18, 1876-1895 (2025).
  10. Aslam, R. W., Shu, H. & Yaseen, A. Monitoring the population change and urban growth of four major Pakistan cities through spatial analysis of open source data. Ann. GIS 1-13 (2023) https://doi.org/10.1080/19475683.2023.2166989.
  11. Aslam, R. W. et al. Monitoring landuse change in Uchhali and Khabeki wetland lakes, Pakistan using remote sensing data. Gondwana Res. 129, 252-267 (2024).
  12. Gulshad, K., Szydłowski, M., Yaseen, A. & Aslam, R. W. A comparative analysis of methods and tools for low impact development (LID) site selection. J. Environ. Manage. 354, 120212 (2024).
  13. Wang, N. et al. Spatio-temporal dynamics of rangeland transformation using machine learning algorithms and remote sensing data. Rangel. Ecol. Manag. 94, 106-118 (2024).
  14. Aslam, R. W., Shu, H., Yaseen, A., Sajjad, A. & Abidin, S. Z. U. Identification of time-varying wetlands neglected in Pakistan through remote sensing techniques. Environ. Sci. Pollut. Res. 30, 74031-74044. https://doi.org/10.1007/s11356-023-27554-5 (2023).
  15. Aslam, R. W. et al. Wetland identification through remote sensing: Insights into wetness, greenness, turbidity, temperature, and changing landscapes. Big Data Res. 100416 (2023) https://doi.org/10.1016/j.bdr.2023.100416.
  16. Naz, I., Ahmad, I., Aslam, R. W., Quddoos, A. & Yaseen, A. Integrated assessment and geostatistical evaluation of groundwater quality through water quality indices. Water 16, 63 (2023).
  17. Lingye, T. et al. Assessment of urban environmental quality by socioeconomic and environmental variables using open-source datasets. Trans. GIS https://doi.org/10.1111/tgis. 13250 (2024).
  18. Aslam, R. W., Naz, I., Shu, H., Yan, J. & Tariq, A. Multi-temporal image analysis of wetland dynamics using machine learning algorithms. J. Environ. Manage. 370, 122490 (2024).
  19. Aslam, R. W. et al. Machine learning-based wetland vulnerability assessment in the sindh province ramsar site using remote sensing data. Remote Sens. 16, 928 (2024).
  20. Chaoyong, W. et al. SAR image integration for multi-temporal analysis of Lake Manchar Wetland dynamics using machine learning. Sci. Rep. 14, 26669 (2024).
  21. Quddoos, A., Muhmood, K., Naz, I., Aslam, R. W. & Usman, S. Y. Geospatial insights into groundwater contamination from urban and industrial effluents in Faisalabad. Discov. Water 4, 50 (2024).
  22. Feng, L. et al. Exploring rangeland dynamics in Punjab, Pakistan: Integrating LULC, LST, and remote sensing for ecosystem analysis (2000-2020). Rangel. Ecol. Manag. https://doi.org/10.1016/j.rama.2024.09.008 (2024).
  23. Naz, I. et al. Integrated geospatial and geostatistical multi-criteria evaluation of urban groundwater quality using water quality indices. Water 16, 2549 (2024).
  24. Tariq, A. & Shu, H. CA-Markov chain analysis of seasonal land surface temperature and land use landcover change using optical multi-temporal satellite data of Faisalabad, Pakistan. Remote Sens. 12, 1-23. https://doi.org/10.3390/rs12203402 (2020).
  25. Singh, S. & Rai, P. K. Application of earth observation data for estimation of changes in land trajectories in Varanasi District, India. J. Landsc. Ecol. Republic) 11, 5-18 (2018).
  26. Mohiuddin, G. & Mund, J.-P. Spatiotemporal analysis of land surface temperature in response to land use and land cover changes: A remote sensing approach. Remote Sens. 16, 1286 (2024).
  27. Tariq, A., Shu, H., Siddiqui, S., Imran, M. & Farhan, M. Monitoring land use and land cover changes using geospatial techniques, a case study of Fateh Jang, Attock, Pakistan. Geogr. Environ. Sustain. 14, 41-52. https://doi.org/10.24057/2071-9388-2020-117 (2021).
  28. Tan, J., Yu, D., Li, Q., Tan, X. & Zhou, W. Spatial relationship between land-use/land-cover change and land surface temperature in the Dongting Lake area, China. Sci. Rep. 10, 9245 (2020).
  29. Maskooni, E. K., Naghibi, S. A., Hashemi, H. & Berndtsson, R. Application of advanced machine learning algorithms to assess groundwater potential using remote sensing-derived data. Remote Sens. 12, 2742 (2020).
  30. Luo, M. et al. Improving forest above-ground biomass estimation by integrating individual machine learning models. Forests 15, 975 (2024).
  31. Wang, M. et al. Annual wetland mapping in metropolis by temporal sample migration and random forest classification with time series landsat data and google earth engine. Remote Sens. 14, 3191 (2022).
  32. Cutler, R. et al. Random forests for classification in ecology. Ecology 88(11), 2783-2792 (2007).
  33. Arshad, A., Mirchi, A., Vilcaez, J., Umar Akbar, M. & Madani, K. Reconstructing high-resolution groundwater level data using a hybrid random forest model to quantify distributed groundwater changes in the Indus Basin. J. Hydrol. 628 (2024).
  34. Lu, L. et al. Spatiotemporal variation of surface urban heat islands in relation to land cover composition and configuration: A multi-scale case study of Xi’an, China. Remote Sens. 12, 2713 (2020).
  35. Zhang, X. et al. Analysis on decoupling between urbanization level and urbanization quality in China. Sustainability 12, 6835 (2020).
  36. Faichia, C. et al. Using RS data-based CA-Markov model for dynamic simulation of historical and future LUCC in vientiane, Laos. Sustainability 12, 8410 (2020).
  37. Rwanga, S. S. & Ndambuki, J. M. Accuracy assessment of land use/land cover classification using remote sensing and GIS. Int. J. Geosci. 08, 611-622 (2017).
  38. Mahboob, M. A., Atif, I. & Iqbal, J. Remote sensing and GIS applications for assessment of urban sprawl in Karachi, Pakistan. Sci. Technol. Dev. 34, 179-188 (2017).
  39. Fang, Y. et al. Assessment of the hydrodynamics role for groundwater quality using an integration of GIS, water quality index and multivariate statistical techniques. J. Environ. Manage. 273, 111185 (2020).
  40. Ullah, H. et al. Geo-spatial analysis and modelling of water borne diseases in District Multan. J. Biodivers. Environ. Sci. 12, 1-15 (2021).
  41. Defries, R. S. & Townshend, J. R. Ndvi-derived land cover classifications at a global scale. Int. J. Remote Sens. 15, 3567-3586 (1994).
  42. Huete, A. A soil-adjusted vegetation index (SAVI). Remote Sens. Environ. 25, 295-309 (1988).
  43. Rocha, A. V. & Shaver, G. R. Advantages of a two band EVI calculated from solar and photosynthetically active radiation fluxes. Agric. For. Meteorol. 149, 1560-1563 (2009).
  44. Xu, H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Remote Sens. 27, 3025-3033 (2006).
  45. Belgiu, M. & Drăguț, L. Random forest in remote sensing: A review of applications and future directions. ISPRS J. Photogramm. Remote Sens. 114, 24-31 (2016).
  46. Prasad, A. M., Iverson, L. R. & Liaw, A. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction. Ecosystems 9, 181-199 (2006).
  47. Ullah, S., Qiao, X. & Tariq, A. Impact assessment of planned and unplanned urbanization on land surface temperature in Afghanistan using machine learning algorithms: A path toward sustainability. Sci. Rep. 15, 3092 (2025).
  48. Ullah, S., Qiao, X. & Abbas, M. Addressing the impact of land use land cover changes on land surface temperature using machine learning algorithms. Sci. Rep. 14, 18746 (2024).
  49. Ullah, S., Abbas, M. & Qiao, X. Impact assessment of land-use alteration on land surface temperature in Kabul using machine learning algorithm. J. Spat. Sci. 1-23 (2024) https://doi.org/10.1080/14498596.2024.2364283.
  50. Sayemuzzaman, M. & Jha, M. K. Modeling of future land cover land use change in North Carolina using Markov chain and cellular automata model. Am. J. Eng. Appl. Sci. 7, 295-306 (2014).
  51. Farhan, M. et al. Predicting land use land cover dynamics and land surface temperature changes using CA-Markov-Chain models in Islamabad, Pakistan (1992-2042). IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 1-18 (2024).
  52. Mohamed, A. & Worku, H. Simulating urban land use and cover dynamics using cellular automata and Markov chain approach in Addis Ababa and the surrounding. Urban Clim. 31, 100545 (2020).
  53. Abdul Rahaman, S., Aruchamy, S., Balasubramani, K. & Jegankumar, R. Land use/land cover changes in semi-arid mountain landscape in Southern India: A geoinformatics based Markov chain approach. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. – ISPRS Arch. 42, 231-237 (2017).
  54. Ullah, S., Khan, M. & Qiao, X. Examining the impact of land use and land cover changes on land surface temperature in Herat city using machine learning algorithms. GeoJournal 89, 225 (2024).
  55. Sang, L., Zhang, C., Yang, J., Zhu, D. & Yun, W. Simulation of land use spatial pattern of towns and villages based on CA-Markov model. Math. Comput. Model. 54, 938-943 (2011).
  56. Farhan, M. et al. Predicting land use land cover dynamics and land surface Temperature changes using CA-Markov-chain models in Islamabad, Pakistan (1992-2042). IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 17, 16255-16271 (2024).
  57. Shirazi, S. A. & Kazmi, S. J. H. Analysis of population growth and urban development in Lahore-Pakistan using geospatial techniques: Suggesting some future options. South Asian Stud. 29, 269-280 (2014).
  58. Waseem, M., Mutahir Ullah Ghazi, S., Ahmed, N., Ayaan, M. & Kebede Leta, M. Rainwater harvesting as sustainable solution to cope with drinking water scarcity and urban flooding: A case study of public institutions in Lahore, Pakistan. CivilEng 4, 638-656 (2023).
  59. Khan, M. K., Naeem, K., Huo, C. & Hussain, Z. The nexus between vegetation, urban air quality, and public health: An empirical study of Lahore. Front. Public Heal. 10, 1-21 (2022).
  60. Khanum, F., Chaudhry, M. N. & Kumar, P. Characterization of five-year observation data of fine particulate matter in the metropolitan area of Lahore. Air Qual. Atmos. Heal. 10, 725-736 (2017).
  61. Riaz, O., Ghaffar, A. & Butt, I. Modelling Land use Patterns of Lahore (Pakistan) using remote sensing and GIS. Glob. J. Sci. Front. Res. H Environ. Earth Sci. 14, 24-30 (2014).
  62. Iram, A., Rasool, L., Shahzad, F. & Saeed, Y. Impact of urban sprawl on public health: An analysis of Lahore-Pakistan. World Appl. Sci. J. 20, 80-86 (2012).
  63. Zia, S. M., Shirazi, S. A. & Alam, R. Temporal analysis of temperature trends in the metropolitan area of Lahore, Pakistan. Pak. J. Sci. 66, 83-88 (2014).
  64. Jabeen, F., Ali, Z. & Maharjan, A. Assessing health impacts of winter smog in lahore for exposed occupational groups. Atmosphere (Basel). 12, 1-14 (2021).
  65. Mahmood, K. et al. Groundwater Levels Susceptibility To Degradation in Lahore Metropolitan. Depression 25, 123-126 (2000).
  66. Muhammad, A. M., Zhonghua, T., Dawood, A. S. & Earl, B. Evaluation of local groundwater vulnerability based on DRASTIC index method in Lahore, Pakistan. Geofísica Int. 54, 67-81 (2015).
  67. Ali, M. et al. A study of aerosol properties over Lahore (Pakistan) by using AERONET data. Asia-Pacific J. Atmos. Sci. 50, 153-162 (2014).
  68. Jiang, Z. & Xu, C. Policy incentives, government subsidies, and technological innovation in new energy vehicle enterprises: Evidence from China. Energy Policy 177, 113527 (2023).
  69. Arima, E. Y., Simmons, C. S., Walker, R. T. & Cochrane, M. A. Fire in the Brazilian Amazon: A spatially explicit model for policy impact analysis. J. Reg. Sci. 47, 541-567 (2007).

الشكر والتقدير

يود المؤلفون أن يشكروا المراجعين المجهولين والمحرر على تعليقاتهم القيمة لتحسين جودة المخطوطة. نحن ممتنون لـ USGS لتوفير صور الأقمار الصناعية مجانًا. يعترف المؤلفون بمشروع دعم الباحثين رقم (RSPD2025R951)، جامعة الملك سعود، الرياض، المملكة العربية السعودية.

مساهمات المؤلفين

AZ: التصور؛ المنهجية؛ البرمجيات؛ التحقق، التحليل الرسمي؛ التحقيق؛ AT، AQ، IN و RWA،
SU، MAW.: الموارد؛ AT، و RWA.: تنسيق البيانات؛ ATEB، IN و AQ؛ إعداد المسودة الأصلية؛ AZ، MAW، SU AT و AQ.: مراجعة الكتابة والتحرير؛ التصور، AT؛ الإشراف، MAW و SU؛ إدارة المشروع، SU؛ الحصول على التمويل. قرأ جميع المؤلفين ووافقوا على النسخة المنشورة من المخطوطة.

الإعلانات

المصالح المتنافسة

يعلن المؤلفون عدم وجود مصالح متنافسة.

البرمجيات

تم إنشاء الخرائط والتحليلات المكانية في هذه الدراسة باستخدام ArcGIS الإصدار 10.8 (Esri Inc.، ريدلاندز، كاليفورنيا، الولايات المتحدة الأمريكية؛ https://www.esri.com/en-us/arcgis/about-arcgis/overview).

معلومات إضافية

يجب توجيه المراسلات والطلبات للحصول على المواد إلى A.T. أو S.U.
معلومات إعادة الطبع والتصاريح متاحة على www.nature.com/reprints.
ملاحظة الناشر تظل Springer Nature محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.
الوصول المفتوح هذه المقالة مرخصة بموجب ترخيص المشاع الإبداعي للاستخدام غير التجاري، والذي يسمح بأي استخدام غير تجاري، ومشاركة، وتوزيع، وإعادة إنتاج في أي وسيلة أو تنسيق، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا إلى ترخيص المشاع الإبداعي، وتوضح إذا قمت بتعديل المادة المرخصة. ليس لديك إذن بموجب هذا الترخيص لمشاركة المواد المعدلة المشتقة من هذه المقالة أو أجزاء منها. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في ترخيص المشاع الإبداعي للمقالة، ما لم يُذكر خلاف ذلك في سطر الائتمان للمادة. إذا لم تكن المادة مشمولة في ترخيص المشاع الإبداعي للمقالة واستخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، ستحتاج إلى الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذا الترخيص، قم بزيارة http://creativecommo ns.org/licenses/by-nc-nd/4.0/.
© المؤلفون 2025
  1. كلية الفيزياء وهندسة المعلومات، جامعة فوزهو، فوزهو 350116، الصين. قسم الحياة البرية، مصايد الأسماك وتربية الأحياء المائية، كلية موارد الغابات، جامعة ولاية ميسيسيبي، ستاركفيل، MS 39762-9690، الولايات المتحدة الأمريكية. المختبر الوطني الرئيسي للهندسة المعلوماتية في المسح، ورسم الخرائط والاستشعار عن بعد (LIESMARS)، جامعة ووهان، ووهان 430079، الصين. معهد البحث من أجل التنمية المستدامة في سيخا دي سيلفا (INDES-CES)، جامعة توريبيو رودريغيز دي ميندوزا في الأمازون، تشاتشابوياس 01001، بيرو. قسم موارد المياه والهندسة البيئية، جامعة نانغرهار، نانغرهار 2600، أفغانستان. قسم هندسة البرمجيات، كلية علوم الحاسوب والمعلومات، جامعة الملك سعود، 11543 الرياض، المملكة العربية السعودية. البريد الإلكتروني: at2139@msstate.edu; Sajidjalwan@gmail.com

Journal: Scientific Reports, Volume: 15, Issue: 1
DOI: https://doi.org/10.1038/s41598-025-92034-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40016446
Publication Date: 2025-02-27

OPEN

Spatio-temporal analysis of urban expansion and land use dynamics using google earth engine and predictive models

Ang Zhang , Aqil Tariq , Abdul Quddoos , Iram Naz , Rana Waqar Aslam , Elgar Barboza , Sajid Ullah & M. Abdullah-Al-Wadud

Abstract

Urban expansion and changes in land use/land cover (LULC) have intensified in recent decades due to human activity, influencing ecological and developmental landscapes. This study investigated historical and projected LULC changes and urban growth patterns in the districts of Multan and Sargodha, Pakistan, using Landsat satellite imagery, cloud computing, and predictive modelling from 1990 to 2030. The analysis of satellite images was grouped into four time periods (1990-2000, 2000-2010, 2010-2020, and 2020-2030). The Google Earth Engine cloud-based platform facilitated the classification of Landsat 5 ETM (1990, 2000, and 2010) and Landsat 8 OLI (2020) images using the Random Forest model. A simulation model integrating Cellular Automata and an Artificial Neural Network Multilayer Perceptron in the MOLUSCE plugin of QGIS was employed to forecast urban growth to 2030. The resulting maps showed consistently high accuracy levels exceeding for both districts across all time periods. The analysis revealed that Multan’s built-up area increased from 240.56 in 1990 to in 2020, while Sargodha experienced more dramatic growth from to . Vegetation cover remained dominant but showed significant variations, particularly in peri-urban areas. By 2030, Multan’s urban area is projected to stabilize at , primarily expanding in the southeastern direction. Sargodha is expected to reach 1,404.97 km², showing more balanced multi-directional growth toward the northeast and north. The study presents an effective analytical method integrating cloud processing, GIS, and change simulation modeling to evaluate urban growth spatiotemporal patterns and LULC changes. This approach successfully identified the main LULC transformations and trends in the study areas while highlighting potential urbanization zones where opportunities exist for developing planned and managed urban settlements.

Keywords Cloud computing, Time series, LULC, Urban planning, MOLUSCE
Global urbanization has reached unprecedented levels, with the world’s urban population surpassing 4.7 billion in 2023 and projected to increase by an additional 2.8 billion by 2050. This rapid urban growth is particularly pronounced in developing nations like Pakistan, where cities are expanding at an extraordinary pace due to rural-urban migration, natural population growth, and economic development . The accelerated urbanization process has profound implications for land use patterns, natural resource consumption, and environmental sustainability, often leading to unplanned development and environmental degradation . This urban transformation presents significant challenges for sustainable development, particularly in regions where urban expansion directly competes with agricultural productivity and natural ecosystems.
In Pakistan, urban expansion has been especially dramatic, with the urban population growing from in 1990 to over in 2020, and expected to reach by . Significant socio-economic changes, including industrialization, increased commercial activities, and shifts in traditional living patterns have accompanied this urbanization trend . The rapid pace of urban growth has often outpaced planning capabilities, leading to informal settlements, inadequate infrastructure, and environmental stress . These challenges are particularly evident in medium-sized cities, which often lack major metropolitan areas’ resources and planning capacity but face similar urbanization pressures.
The districts of Multan and Sargodha, located in Punjab province, represent significant agricultural and commercial hubs experiencing rapid urbanization that threatens traditional land use patterns and ecological balance . Multan, known as the ‘City of Saints,’ has historical significance and is a major agricultural trade centre. At the same time, Sargodha, famous for its citrus production, is an important agricultural and military hub. Both cities are experiencing rapid spatial expansion, driven by population growth, economic development, and changing land use patterns . The transformation of these historically agricultural regions into expanding urban centers presents unique challenges for sustainable development and environmental conservation.
The conversion of land use/land cover (LULC) in these regions stems from multiple interacting factors, including population growth, industrial development, changing economic priorities, and shifts in agricultural practices . These transformations affect local ecosystems and agricultural productivity and influence regional climate patterns, water resources, and social dynamics. The loss of agricultural land to urban development is particularly concerning in Punjab province, which serves as Pakistan’s agricultural heartland and plays a crucial role in national food security. Understanding and managing these changes is essential for balancing urban development and agricultural preservation.
Recent technological advancements in remote sensing and cloud computing have revolutionized our ability to monitor and analyze urban growth patterns. The Google Earth Engine (GEE) platform, combined with machine learning algorithms and Geographic Information Systems (GIS), offers powerful tools for processing large volumes of spatial data and detecting LULC changes across temporal scales . These technologies enable more accurate assessments of urban expansion trends and support evidence-based decision-making in urban planning. Integrating cloud computing platforms with traditional remote sensing techniques has enhanced our ability to process and analyze large-scale temporal data sets, making it possible to track urban growth patterns with unprecedented accuracy and detail.
The application of advanced classification algorithms, particularly Random Forest (RF) models, has significantly improved our ability to detect and categorize LULC changes . When combined with cellular automata and artificial neural networks, these machine-learning approaches provide robust frameworks for analyzing historical patterns and projecting future urban growth scenarios. Incorporating these technologies into urban planning processes significantly advances our ability to understand and manage urban expansion.
Previous studies in Pakistan have examined urban growth patterns in major metropolitan areas like Karachi, Lahore, and Islamabad. Still, comprehensive analyses of medium-sized cities like Multan and Sargodha remain limited. These cities are particularly interesting cases as they represent rapidly growing urban centers in predominantly agricultural regions, where the balance between urban development and agricultural preservation is crucial for regional food security and economic stability . The unique characteristics of these cities, including their historical significance, agricultural importance, and current development trajectories, make them valuable case studies for understanding urban expansion patterns in agricultural regions.
The present study aims to evaluate urban growth patterns and LULC changes in Multan and Sargodha districts using an integrated approach combining cloud computing, GIS, and predictive modeling. This research addresses several critical gaps in our understanding of urban expansion in medium-sized Pakistani cities and provides valuable methodological insights through the application of advanced technological tools . The objectives are to: (i) identify and classify LULC patterns using multi-temporal satellite imagery, (ii) analyze the dynamics of LULC changes from 1990 to 2020, and (iii) model potential urban growth scenarios up to 2030.
The significance of this research extends beyond the immediate study areas, offering insights into the challenges and opportunities of managing urban growth in agricultural regions throughout South Asia. By combining historical analysis with future projections, this study provides valuable information for urban planners and policymakers managing urban expansion while preserving essential agricultural lands and natural resources. The findings will contribute to our understanding of urbanization processes in developing countries and support the development of more sustainable urban growth strategies in similarly situated regions.

Materials and methods
Study area

The districts of Multan and Sargodha comprise the study area and are situated in Punjab Province, Pakistan (Fig. 1). These districts represent significant urban and agricultural centers in the region, each with distinct geographical and socio-economic characteristics. Multan district lies between latitude and E longitude, covering an area of approximately . Located in southern Punjab, it ranges in elevation from 100 to 150 m above sea level, characterized by a predominantly flat topography with occasional gentle undulations . The climate is arid to semi-arid, featuring extreme temperature variations. Summer temperatures frequently exceed , while winters are mild with temperatures ranging from 4 to . The district receives an average annual rainfall of 186 mm , predominantly during the monsoon season (July to September). Multan’s population reached 4.75 million in 2020, with a growth rate of annually (PBS, 2020). The district is renowned for its agricultural production, particularly cotton, wheat, and mangoes, which form the backbone of its economy.
Sargodha district is between latitude and longitude, encompassing an area of 5,854 . The district is in central Punjab, with elevations ranging from 150 to 200 m above sea level. The topography
Fig. 1. Geographical location maps of the study area. In all these maps, we identified the study area’s location in the world.
is generally flat, interspersed with areas of mild relief. The climate is semi-arid, characterized by hot summers and mild winters. Average summer temperatures range from 35 to , while winter temperatures typically vary between 6 and (Fig. 1). Annual precipitation averages 410 mm , with the majority occurring during the monsoon season. The district’s population was recorded at 3.7 million in 2020, growing at an annual rate of (PBS, 2020). Sargodha is particularly famous for its citrus production, earning it the title of “Pakistan’s Citrus Capital.” Both districts are experiencing significant urban expansion, primarily driven by population growth, rural-urban migration, and economic development. Approximately of Multan’s population and of Sargodha’s population reside in urban areas. The urban centers in both districts serve as critical regional hubs for commerce, education, and administrative functions. These developments often occur in high-risk zones or on productive agricultural land, raising concerns about food security and sustainable urban development. The conversion of agricultural land to urban uses, coupled with increasing population pressure, underscores the importance of understanding and managing urban growth patterns in these historically agricultural regions.

Software and spatial data

The spatial data for this study were acquired from multiple authoritative sources. Base cartographic data, including hydrographic networks and contour lines, were obtained from the Survey of Pakistan’s geodatabase portal (https://www.surveyofpakistan.gov.pk/). Transportation network data were sourced from the National Highway Authority of Pakistan (https://nha.gov.pk/). Digital Elevation Model (DEM) data with 30 m resolution were acquired from NASA’s Shuttle Radar Topography Mission (SRTM). The primary remote sensing data consisted of annual collections of Landsat 5 TM imagery (for 1990, 2000, and 2010) and Landsat 8 OLI imagery (for 2020), accessed through the Google Earth Engine (GEE) platform. The analysis utilized several software platforms: QGIS with the MOLUSCE plugin for spatial analysis and future predictions, ArcGIS 10.8 for advanced spatial processing, and the GEE platform for cloud-based image processing and classification. Additional processing was performed using custom Python scripts for data preparation and analysis.
Fig. 2. Flow chart of methodology explained to the whole senior how we used the methods and data for this research.
Satellite Indices Abbreviations Equations References
Normalized Difference Vegetation Index NDVI 41
Soil Adjusted Vegetation Index SAVI 42
Enhanced Vegetation Index EVI 42,43
Modified Normalized Difference Water Index MNDWI 44
Table 1. Satellite indices were used for this study.

Methodological processing

The methodology followed a systematic approach comprising three main phases (Fig. 2). The first phase involved satellite image preprocessing and LULC classification. The second phase focused on analyzing LULC changes across different time periods. The final phase involved modeling future urban growth scenarios for 2030.

Classification of vegetation land use and land cover

Satellite image preprocessing
Initial preprocessing began with compiling training areas for each LULC class within the study regions. Five distinct classes were identified and ground-truthed using GPS receivers: (i) agricultural land (including cropland and orchards), (ii) water bodies, (iii) built-up area, (iv) barren land, and (v) vegetation cover. Satellite imagery processing was conducted in GEE, utilizing Landsat 5 collections (ID: LANDSAT/LT05/C01/T1_SR) for historical data (1990, 2000, and 2010) and Landsat 8 (ID: LANDSAT/LC08/C01/T1_SR) for 2020. Image selection prioritized scenes with minimal cloud cover and optimal seasonal timing for land cover discrimination. Cloud masking was implemented using the C Function of Mask (CFMask) algorithm to remove cloud contamination and shadows. To enhance classification accuracy, four vegetation indices were calculated:

Vegetation indices calculation

The following spectral indices were computed to improve land cover classification, explained in Table 1.
These indices were incorporated into the classification process to improve discrimination between different land cover types, particularly between built-up areas and bare soil and between various vegetation types.

Random forest (RF) classification

The RF classification algorithm was implemented within the GEE platform to classify the multi-temporal imagery. The RF classifier was selected for its robust performance in land cover classification and ability to handle complex terrain and spectral mixing. The classification process utilized 500 trees and incorporated both spectral bands and derived indices . Training data for each class were collected using a stratified random sampling approach, with a minimum of 200 training points per class . The classification scheme included five LULC categories: agricultural land, water bodies, built-up areas, barren land, and vegetation cover. A minimum mappable unit of 0.5 hectares was established for consistency across all temporal classifications .

Land use land cover change dynamics

LULC change analysis was conducted for 1990-2000, 2000-2010, and 2010-2020. Change detection utilized cross-tabulation matrices to quantify transitions between land use classes. The annual rate of change was calculated using the standardized FAO Eq. 1:
where: annual rate of change area at initial time area at final time number of years between measurements. Additionally, net changes, gains, and losses for each LULC class were calculated to understand the dynamics of land cover transformation .

Modeling of future urban growth scenarios

Future urban growth prediction employed an integrated approach combining Cellular Automata (CA) and Artificial Neural Network (ANN) Multilayer Perceptron (MLP) within the MOLUSCE plugin of QGIS. The modeling process incorporated five key variables: (i) distance to existing urban areas, (ii) distance to major roads, (iii) distance to water bodies, (iv) slope, and (v) elevation.
These variables were selected based on their demonstrated influence on urban growth patterns in similar studies and their relevance to the local context of Multan and Sargodha .
The modeling process involved several key steps to ensure accurate projections of future urban growth. First, spatial variables were prepared and standardized by converting them to a common spatial resolution. Next, transition potential maps were generated using a MLP-ANN. The ANN was trained on 10,000 sample points with a learning rate of 0.01 , momentum of hidden layers, and 1000 training iterations . Following the generation of transition potential maps, a CA model was implemented to allocate changes based on the transition probabilities spatially .
Validation of the model was conducted using historical data to assess its accuracy. Finally, the validated model was employed to project future urban growth patterns up to the year 2030. This systematic approach ensures robust and reliable forecasts that can inform urban planning and policy development. Model validation was performed using historical data from 2010-2020 to assess prediction accuracy . The validated model was then used to project urban growth patterns to 2030, incorporating current growth trends and spatial constraints. The entire methodological framework was designed to ensure reproducibility and reliability in analyzing historical LULC changes and projecting future urban growth scenarios for both study areas .

Results

Land use and land cover classification

The multi-temporal analysis of LULC changes from 1990 to 2020 revealed significant transformations in both districts (Table 2). In Multan, vegetation cover maintained dominance but showed notable fluctuations, initially increasing from ( ) in 1990 to in 2000, before gradually declining to in 2020. This pattern suggests a period of agricultural expansion followed by urban encroachment. Built-up areas demonstrated a consistent growth trajectory, nearly doubling from ( 240.56 ) in 1990 to in 2020, with a notable peak of in 2010. The temporary decline in built-up areas between 2010 and 2020 may be attributed to the redevelopment of older urban areas and the reclassification of some degraded urban spaces (Fig. 3).
Barren land in Multan showed the most dramatic changes, decreasing substantially from 20.75% ( 758.71 ) in 1990 to ( ) in 2020, with the most significant reduction occurring between 1990 and 2000. This trend indicates barren areas’ conversion to agricultural use or urban development. Water bodies, while occupying a relatively small portion of the total area, showed interesting variations, ranging from a minimum of in 2000 to a maximum of in 2020, reflecting both climatic variations and water management practices. Sargodha district exhibited distinct LULC transformation patterns. Vegetation cover showed more pronounced fluctuations than Multan, increasing from in 1990 to a peak of in 2000, before settling at in 2020. This pattern suggests more dynamic agricultural practices and land use changes. Built-up areas displayed a unique non-linear growth pattern, starting at in 1990, decreasing to in 2010, before experiencing rapid expansion to in 2020 . This unusual pattern may reflect urban renewal programs and the redevelopment of older urban areas during the intermediate period.
The accuracy assessment of the LULC classification (Table 3) demonstrated robust reliability across all temporal classifications. Multan maintained consistently high accuracy metrics, with Overall Accuracy (OA)
LULC 1990 2000 2010 2020
Area (%) Area (%) Area (%) Area (%)
Multan
Water 60.01 1.64 25.25 0.69 53.34 1.46 91.29 2.5
Builtup 240.5576 6.58 397.5034 10.87 544.4061 14.89 440.3033 12.04
Vegetation 2,596.50 71.02 2,930.16 80.15 2,901.02 79.35 2,717.61 74.34
Barren Land 758.7097 20.75 302.919 8.29 157.0504 4.3 406.62 11.12
Total 3,655.78 100 3,655.84 100 3,655.82 100 3,655.83 100
Sargodha
Water 84.49 1.47 154.78 2.68 220.95 3.84 169.41 2.94
Builtup 730.91 12.69 563.6298 9.78 387.6507 6.73 1029.067 17.83
Vegetation 3,938.68 68.38 4,776.63 82.85 3,703.09 64.29 4,486.78 77.74
Barren Land 1,005.50 17.46 270.5426 4.69 1448.436 25.15 86.61585 1.5
Total 5,759.58 100 5,765.58 100 5,760.12 100 5,771.88 100
Table 2. Landuse Landcover of both study region from 1990 to 2020.
Fig. 3. Land use land cover map of the both study area from 1990 to 2020.
Cities Accuracy
Sargodha OA 0.95 0.97 0.88 0.95
K 0.93 0.82 0.95 0.93
Multan OA 0.97 0.93 0.96 0.94
K 0.95 0.89 0.93 0.91
Table 3. Overall Accuracy and kappa coefficient of the study area from 1990 to 2020.
Transformation to urban area Area
1990-2000 2000-2010 2000-2020 2020-2030
Multan
Water to built-up 16.94 22.29 13.10 10.00
Built-up (no change) 200.48 276.9 471.29 1,105.40
Veg to built-up 131.80 167.69 541.40 170.85
Barren to built-up 56.36 38.70 130.03 173.00
Total 405.58 505.58 1155.82 1459.25
Sargodha
Water to built-up 10.10 72.70 15.90 8.30
Built-up (no change) 172.06 337.98 496.72 871.98
Veg to built-up 78.87 124.96 792.70 211.98
Barren to built-up 37.91 34.27 280.60 45.79
Total 298.94 569.91 1585.92 1138.05
Table 4. Transformation to urban area.
Classes Multan 1990 Multan 2000 Multan 2010 Multan 2020
% No points % No points % No points % No. points
Water 0.6 1.64 145 0.25 0.69 145 0.53 1.46 145 0.91 2.5 145
Builtup 2.41 6.58 16 3.98 10.87 16 5.44 14.89 16 4.4 12.04 16
Vegetation 25.97 71.02 150 29.3 80.15 150 29.01 79.35 150 27.18 74.34 150
Barren Land 7.59 20.75 22 3.03 8.29 22 1.57 4.3 22 4.07 11.12 22
Zero 0 0 123 0 0 123 0 0 123 0 0 123
Total 36.56 100 456 36.56 100 456 36.56 100 456 36.56 100 456
Classes Sargodha 1990 Sargodha 2000 Sargodha 2010 Sargodha 2020
% No points % No points % No points % No points
Water 0.84 1.47 130 1.55 2.07 130 2.21 3.84 130 1.69 1.32 130
Builtup 7.31 12.69 25 0.43 0.57 25 3.88 6.73 25 10.29 8.05 25
Vegetation 39.39 68.38 110 69.94 93.73 110 37.03 64.29 110 44.87 35.08 110
Barren Land 10.06 17.46 27 2.71 3.63 27 14.48 25.15 27 9.25 7.23 27
Zero 0 0 164 0 0 164 0 0 164 0 48.32 164
Total 57.6 100 456 74.62 100 456 57.6 100 456 66.1 100 456
Table 5. Validation and transformation of both study area.
values ranging from 0.93 to 0.97 and Kappa Coefficient indices between 0.89 and 0.95 . The highest accuracy was achieved in 1990 (OA: 0.97, Kappa: 0.95), while 2000 showed slightly lower but still excellent metrics (OA: 0.93, Kappa: 0.89). Sargodha exhibited similar high accuracy levels, with OA values between 0.88 and 0.97 and Kappa indices ranging from 0.82 to 0.95 , with peak accuracy in .

Land use and land cover change dynamics

The transformation analysis (Table 4) revealed complex patterns of urban expansion in both districts. In Multan, the conversion of shrubland and grassland to urban areas showed a progressive increase from 80.16 ha in 1990-2000 to 531.93 ha in 2000-2020, representing a increase over this period. This trend is projected to moderate, with conversions decreasing to 357.11 ha during 2020-2030. The persistence of urban areas demonstrated strong consolidation, increasing from 200.48 ha in the initial period to an expected 1,105.40 ha in 2020-2030, indicating a maturing urban landscape.
Point validation analysis (Table 5) provided additional insights into classification accuracy. In Multan, built-up areas showed consistent identification across all periods, with 16 validation points confirming the classification accuracy. The vegetation class demonstrated the highest stability in validation, with 150 points consistently identifying vegetated areas across all time periods. Water bodies and barren land showed more variable validation results, reflecting the dynamic nature of these land cover types (Fig. 4).
Sargodha’s urban transformation patterns were more intensive and complex. The conversion of shrubland and grassland to urban areas increased from 167.98 ha in 1990-2000 to 302.35 ha in 2000-2020, showing a more moderate increase compared to Multan. However, the persistence of urban areas showed remarkable growth, increasing from 172.06 ha to a projected 871.98 ha, indicating more stable urban development patterns. Forest conversion to urban areas consistently declined, decreasing from 37.91 ha in 1990-2000 to an expected 5.16 ha in 2020-2030, suggesting improved forest conservation measures.
Fig. 4. Transformation of area to urban sprawl.
Multan area
Orientation 1990 2000 2010 2020 2030
N 6 6 7 7 14
NE 9 9 8 10 19
E 52 70 93 105 114
SE 26 23 105 245 283
S 12 9 13 151 152
SW 29 32 64 158 223
W 33 73 94 161 199
NW 68 60 84 179 159
Sargodha area
Orientation 1990 2000 2010 2020 2030
N 19 81 102 128 152
NE 40 99 115 216 248
E 32 77 120 169 187
SE 19 41 93 131 145
S 11 28 62 58 66
SW 14 35 56 84 106
W 21 38 55 49 96
NW 30 52 77 67 99
Table 6. Orientation data of both study area.

Urban growth orientation and patterns

Directional urban growth analysis (Table 6) revealed distinct spatial expansion patterns unique to each district. In Multan, the southeastern sector emerged as the primary growth direction, with urban area increasing dramatically from in 1990 to in 2030, representing a increase. The eastern sector showed steady expansion from to ( increase), while the southwestern sector accelerated growth from to increase . The western and northwestern sectors also showed substantial growth but at more moderate rates.
The temporal progression of growth directions in Multan showed three distinct phases:
1990-2000: Dominated by eastern and western expansion
2000-2010: Emergence of strong southeastern growth
2010-2020: Multi-directional growth with southeastern dominance
Sargodha exhibited a more balanced directional growth pattern, with significant expansion in multiple directions. The northeastern sector showed the most dramatic growth, increasing from to ( increase). The northern sector demonstrated similar strong growth from to ( increase). The eastern sector maintained a steady growth from to ( increase). This multi-directional growth pattern suggests more planned and distributed urban expansion than Multan’s more concentrated development (Fig. 5).
Fig. 5. Multi-directional growth pattern and distributed urban expansion compared to elevations, water proximity and road.
Urban area
Multan 240.55 397.50 544.40 440.30 433.22
Sargodha 730.91 563.62 387.65 1029.06 1404.97
Table 7. Transformation of urban area of both study areas from 1990 to 2030.

Future urban growth scenarios

The 2030 projections (Table 7) indicate divergent urban growth trajectories for the two districts. Multan’s urban area is projected to experience a slight contraction to by 2030, representing a decrease from 2020 levels. This projection suggests a potential stabilization of urban growth and possible densification rather than spatial expansion. The decreased growth rate may be attributed to physical constraints, improved urban planning policies, or the saturation of easily developed land.
In contrast, Sargodha shows a projected dramatic increase to by 2030 , representing a increase from 2020. This substantial growth projection reflects the district’s more distributed development pattern and available land. The spatial distribution of this projected growth, derived from the directional analysis, suggests that Sargodha’s urban expansion will continue to follow a multi-nucleated pattern, with significant growth along transportation corridors and in peripheral areas (Fig. 6).
The validation metrics support the reliability of these projections, with both districts showing consistently high classification accuracy throughout the historical analysis period. Integrating multiple accuracy assessment methods, including point validation and statistical indices, provides robust support for the projected scenarios. These projections offer valuable insights for urban planners and policymakers in managing future urban growth and its associated challenges in both districts.
Fig. 6. Results of classification of both study regions.

Discussion

Urban growth is a significant driver influencing LULC changes across Pakistan, and our analysis of the Multan and Sargodha districts reveals complex patterns of urban expansion and land transformation that merit detailed examination. The observed changes reflect broader regional trends while exhibiting distinct local characteristics that provide valuable urban planning and management insights.

Temporal dynamics of urban growth

Multan and Sargodha’s contrasting urban growth patterns reflect different development trajectories shaped by local socio-economic factors and geographic constraints. Multan’s urban expansion, characterized by an increase from in 1990 to in 2020, follows patterns similar to those observed in other historical cities in South Asia. This growth rate aligns with studies from comparable cities like Lahore, which experienced a increase in urban areas between 1990 and . However, Multan’s projected stabilization by 2030 ( ) suggests a maturing urban system, possibly influenced by geographic constraints and improved planning interventions . Sargodha’s more dramatic urban transformation, particularly the rapid expansion from in 2010 to in 2020, represents a different urban growth model. This pattern more closely resembles the explosive growth seen in emerging secondary cities across developing nations . The projected increase to by 2030 suggests continuing urbanization pressure, comparable to trends observed in rapidly growing secondary cities in India and Bangladesh. The contrast between these two districts highlights the diversity of urban development patterns within Pakistan’s urban system.

Land use transformation patterns

The conversion of agricultural and natural landscapes to urban areas reveals concerning trends in both districts. In Multan, the significant reduction in barren land from 20.75 to between 1990 and 2020 indicates intensive land transformation, often preceding urban development. This pattern mirrors trends observed in other agricultural regions experiencing rapid urbanization, such as India’s Punjab region, where similar losses of agricultural buffer zones have been documented.
Sargodha’s more complex transformation pattern, including the fluctuation in built-up areas and the dramatic reduction in barren land from 17.46 to , suggests a more dynamic land use system . The preservation of vegetation cover at by 2020 indicates a more successful balance between urban growth and agricultural conservation than other rapidly urbanizing districts in Pakistan. This success may offer valuable lessons for regional planning policies.

Directional growth and spatial planning implications

The directional analysis of urban growth reveals important patterns with significant planning implications. Multan’s predominantly southeastern expansion (from 26 to ) follows transportation corridors and topographic constraints, a pattern common in historically established cities. However, this concentrated growth direction may lead to urban management challenges, including traffic congestion and service delivery inefficiencies, similar to those observed in other rapidly growing South Asian cities . Sargodha’s more balanced directional growth, with significant expansion in multiple directions (northeast: to , north: to ), represents a potentially more sustainable model of urban development. This pattern allows for more efficient infrastructure distribution and may reduce pressure on any single sector of the city . The multi-directional growth pattern also provides more significant opportunities for planned development and the integration of green spaces, similar to successful urban planning models implemented in other developing regions.

Environmental and agricultural implications

The transformation of land use patterns in both districts raises significant environmental and agricultural concerns. In Multan, reducing vegetation cover and converting agricultural land to urban uses threatens the region’s agricultural productivity. This trend is particularly concerning given Punjab’s role as Pakistan’s agricultural heartland and the increasing challenges of food security in the face of climate change . Sargodha’s relatively better preservation of vegetation cover offers a potential model for balancing urban growth with agricultural preservation. However, the projected urban expansion to by 2030 may pose new challenges to this balance. The experience of both districts underscores the need for integrated urban-rural planning approaches that protect agricultural resources while accommodating necessary urban growth.

Methodological insights and planning applications

The high accuracy levels achieved in our classification ( ) validate the methodological approach and provide reliable foundations for planning applications. Integrating multiple data sources and advanced classification techniques offers a robust framework for monitoring urban growth in similar contexts . The successful application of the Random Forest classifier, combined with multiple vegetation indices, demonstrates the potential for replicating this approach in other rapidly urbanizing regions.

Planning and policy implications

The findings from this study offer critical insights for urban planning and policy, emphasizing the need for tailored approaches to managing growth. The contrasting urban expansion patterns in Multan and Sargodha highlight the necessity of distinct strategies for consolidation and redevelopment policies for Multan and frameworks to manage rapid expansion for Sargodha . The significant conversion of agricultural lands into urban areas calls for stronger protection measures to preserve prime agricultural zones, especially in periurban regions. Additionally, the identified directional growth patterns should guide infrastructure planning, ensuring that new developments are well-supported by transportation and public utilities in rapidly growing sectors . Lastly, reducing natural land cover underscores the urgent need for integrated green space planning and environmental conservation measures to promote sustainable urban development.

Future challenges and opportunities

Both districts face significant challenges in managing urban growth while ensuring environmental and agricultural sustainability. The projected growth patterns highlight several key areas requiring immediate attention. Transportation infrastructure will be a crucial focus, particularly in Multan’s southeastern sector, where concentrated growth may lead to congestion and accessibility issues if careful transportation planning is not implemented. The increased urban density could hinder mobility and economic activities without proper road networks and public transit systems. Moreover, environmental sustainability remains a pressing concern as continued loss of vegetation cover and natural areas poses risks to biodiversity, air quality, and overall urban livability. Innovative approaches to urban greening, such as green belts, rooftop gardens, and the preservation of natural ecosystems, will be essential to mitigate these impacts .
In addition, maintaining agricultural productivity amid expanding urban areas will be increasingly critical, especially in Sargodha, where rapid growth is projected. With agriculture being a vital component of the local economy, urban planners must balance accommodating new development and preserving fertile agricultural land. Strategies such as controlled urban sprawl and promoting vertical growth could help preserve valuable farmland. Lastly, social integration will require targeted interventions to address the challenges of different growth patterns in both districts. Ensuring equitable access to social services, education, healthcare, and employment opportunities across expanding urban areas will be key to fostering cohesive and inclusive communities. Addressing these multifaceted challenges will be essential for promoting sustainable urban development in Multan and Sargodha.

Research limitations and future directions

While this study provides valuable insights into urban growth patterns and their environmental implications, several limitations and areas for future research emerge that could enhance the robustness of future analyses. One key limitation is the temporal resolution of the data used. More frequent temporal sampling could offer a finer-grained understanding of land use changes, allowing researchers to capture rapid urban transitions and short-term fluctuations in land cover more accurately . Additionally, the study lacks an in-depth integration of socioeconomic factors, which significantly drive urban growth. Incorporating detailed socioeconomic data, such as population density, economic activities, and infrastructure development, could provide a more comprehensive understanding of the underlying drivers of land use changes . This approach would allow for a more nuanced analysis of the relationship between human activities and urban expansion, contributing to more targeted policy recommendations.
Another area for improvement is the incorporation of climate change projections in future research. Urban growth impacts local climates and is influenced by broader climatic changes. Including climate projections could help researchers better understand the long-term environmental implications of urbanization and identify strategies to enhance urban resilience to climate-related risks, such as heatwaves, flooding, and water scarcity. Furthermore, future studies could focus on evaluating the effectiveness of existing planning policies in managing urban expansion. Assessing current policies’ performance in controlling urban sprawl and preserving agricultural lands and natural resources would offer valuable lessons for future management strategies. This could guide policymakers in revising or introducing new regulations to promote sustainable urban development.

Conclusions

This study presents a comprehensive analysis of urban growth patterns, and LULC changes in the Multan and Sargodha districts of Pakistan from 1990 to 2030, utilizing an integrated approach combining cloud computing, GIS, and predictive modelling. Through the analysis of five distinct LULC classes, the research revealed significant transformations in both districts’ urban landscapes. The classification achieved consistently high accuracy levels exceeding with robust Kappa indices, validating the reliability of the analytical approach and providing a solid foundation for urban growth projections. The multi-temporal analysis demonstrated contrasting patterns of urban expansion between the two districts. Multan’s built-up area increased from in 1990 to in 2020, showing a concentrated growth pattern primarily in the southeastern direction. In contrast, Sargodha experienced more dramatic growth from to during the same period, exhibiting a more balanced multi-directional expansion. Despite these transformations, vegetation cover remained the dominant land use type in both districts, though its extent fluctuated due to urban expansion and agricultural intensification.
Future projections for 2030 reveal divergent growth trajectories for the two districts. Multan’s urban area is expected to stabilize around , suggesting a maturation of its urban development pattern. In contrast, Sargodha is projected to experience continued rapid expansion, reaching by 2030 . These distinct growth patterns highlight the need for tailored urban management strategies for each district’s unique development challenges and opportunities. The conversion of agricultural and natural landscapes to urban areas emerged as a significant concern, particularly in peri-urban zones, emphasizing the importance of balanced development approaches that protect essential agricultural resources.
These findings provide valuable insights for urban planners and policymakers managing urban expansion while preserving essential agricultural lands and natural resources in Pakistan’s growing cities. The study demonstrates the importance of integrated planning approaches that balance development needs with environmental conservation, particularly in rapidly urbanizing regions. The methodology and results can serve as a framework for similar analyses in other developing regions facing comparable challenges of managing urban growth while maintaining environmental and agricultural sustainability.
In the future research should focus on incorporating more detailed socioeconomic factors, climate change impacts, and policy effectiveness evaluations to enhance further our understanding of urban growth dynamics
in these rapidly evolving regions. Integrating these additional factors would provide even more comprehensive insights for sustainable urban development planning, helping to ensure the long-term viability of both urban and agricultural systems in Pakistan’s evolving landscape.

Data availability

Data available upon request to the corresponding author (sajidjalwan@gmail.com).
Received: 1 July 2024; Accepted: 25 February 2025
Published online: 27 February 2025

References

  1. Asif, M. et al. Modelling of land use and land cover changes and prediction using CA-Markov and Random Forest. Geocarto Int. 38, (2023).
  2. Asif, M., Kazmi, J. H. & Tariq, A. Traditional ecological knowledge based indicators for monitoring rangeland conditions in Thal and Cholistan Desert, Pakistan. Environ. Challenges 13, 100754 (2023).
  3. Bokhari, R. et al. Land subsidence analysis using synthetic aperture radar data. Heliyon vol. 9 at https://doi.org/10.1016/j.heliyon. 2023.e14690 (2023).
  4. Zhao, Z. et al. Comparison of three machine learning algorithms using google earth engine for land use land cover classification. Rangel. Ecol. Manag. 92, 129-137 (2024).
  5. Tariq, A. & Mumtaz, F. Modeling spatio-temporal assessment of land use land cover of Lahore and its impact on land surface temperature using multi-spectral remote sensing data. Environ. Sci. Pollut. Res. 30, 23908-23924 (2022).
  6. Barboza, E. et al. Analyzing urban expansion and land use dynamics in Bagua grande and chachapoyas using cloud computing and predictive modeling. Earth Syst. Environ. https://doi.org/10.1007/s41748-024-00470-5 (2024).
  7. Ullah, N. et al. Geospatial analysis and AHP for flood risk mapping in Quetta, Pakistan: A tool for disaster management and mitigation. Appl. Water Sci. 14, 236 (2024).
  8. Tariq, A. & Qin, S. Spatio-temporal variation in surface water in Punjab, Pakistan from 1985 to 2020 using machine-learning methods with time-series remote sensing data and driving factors. Agric. Water Manag. 280, 108228 (2023).
  9. Hao, Z. et al. Multitemporal analysis of urbanization-driven slope and ecological impact using machine-learning and remote sensing techniques. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 18, 1876-1895 (2025).
  10. Aslam, R. W., Shu, H. & Yaseen, A. Monitoring the population change and urban growth of four major Pakistan cities through spatial analysis of open source data. Ann. GIS 1-13 (2023) https://doi.org/10.1080/19475683.2023.2166989.
  11. Aslam, R. W. et al. Monitoring landuse change in Uchhali and Khabeki wetland lakes, Pakistan using remote sensing data. Gondwana Res. 129, 252-267 (2024).
  12. Gulshad, K., Szydłowski, M., Yaseen, A. & Aslam, R. W. A comparative analysis of methods and tools for low impact development (LID) site selection. J. Environ. Manage. 354, 120212 (2024).
  13. Wang, N. et al. Spatio-temporal dynamics of rangeland transformation using machine learning algorithms and remote sensing data. Rangel. Ecol. Manag. 94, 106-118 (2024).
  14. Aslam, R. W., Shu, H., Yaseen, A., Sajjad, A. & Abidin, S. Z. U. Identification of time-varying wetlands neglected in Pakistan through remote sensing techniques. Environ. Sci. Pollut. Res. 30, 74031-74044. https://doi.org/10.1007/s11356-023-27554-5 (2023).
  15. Aslam, R. W. et al. Wetland identification through remote sensing: Insights into wetness, greenness, turbidity, temperature, and changing landscapes. Big Data Res. 100416 (2023) https://doi.org/10.1016/j.bdr.2023.100416.
  16. Naz, I., Ahmad, I., Aslam, R. W., Quddoos, A. & Yaseen, A. Integrated assessment and geostatistical evaluation of groundwater quality through water quality indices. Water 16, 63 (2023).
  17. Lingye, T. et al. Assessment of urban environmental quality by socioeconomic and environmental variables using open-source datasets. Trans. GIS https://doi.org/10.1111/tgis. 13250 (2024).
  18. Aslam, R. W., Naz, I., Shu, H., Yan, J. & Tariq, A. Multi-temporal image analysis of wetland dynamics using machine learning algorithms. J. Environ. Manage. 370, 122490 (2024).
  19. Aslam, R. W. et al. Machine learning-based wetland vulnerability assessment in the sindh province ramsar site using remote sensing data. Remote Sens. 16, 928 (2024).
  20. Chaoyong, W. et al. SAR image integration for multi-temporal analysis of Lake Manchar Wetland dynamics using machine learning. Sci. Rep. 14, 26669 (2024).
  21. Quddoos, A., Muhmood, K., Naz, I., Aslam, R. W. & Usman, S. Y. Geospatial insights into groundwater contamination from urban and industrial effluents in Faisalabad. Discov. Water 4, 50 (2024).
  22. Feng, L. et al. Exploring rangeland dynamics in Punjab, Pakistan: Integrating LULC, LST, and remote sensing for ecosystem analysis (2000-2020). Rangel. Ecol. Manag. https://doi.org/10.1016/j.rama.2024.09.008 (2024).
  23. Naz, I. et al. Integrated geospatial and geostatistical multi-criteria evaluation of urban groundwater quality using water quality indices. Water 16, 2549 (2024).
  24. Tariq, A. & Shu, H. CA-Markov chain analysis of seasonal land surface temperature and land use landcover change using optical multi-temporal satellite data of Faisalabad, Pakistan. Remote Sens. 12, 1-23. https://doi.org/10.3390/rs12203402 (2020).
  25. Singh, S. & Rai, P. K. Application of earth observation data for estimation of changes in land trajectories in Varanasi District, India. J. Landsc. Ecol. Republic) 11, 5-18 (2018).
  26. Mohiuddin, G. & Mund, J.-P. Spatiotemporal analysis of land surface temperature in response to land use and land cover changes: A remote sensing approach. Remote Sens. 16, 1286 (2024).
  27. Tariq, A., Shu, H., Siddiqui, S., Imran, M. & Farhan, M. Monitoring land use and land cover changes using geospatial techniques, a case study of Fateh Jang, Attock, Pakistan. Geogr. Environ. Sustain. 14, 41-52. https://doi.org/10.24057/2071-9388-2020-117 (2021).
  28. Tan, J., Yu, D., Li, Q., Tan, X. & Zhou, W. Spatial relationship between land-use/land-cover change and land surface temperature in the Dongting Lake area, China. Sci. Rep. 10, 9245 (2020).
  29. Maskooni, E. K., Naghibi, S. A., Hashemi, H. & Berndtsson, R. Application of advanced machine learning algorithms to assess groundwater potential using remote sensing-derived data. Remote Sens. 12, 2742 (2020).
  30. Luo, M. et al. Improving forest above-ground biomass estimation by integrating individual machine learning models. Forests 15, 975 (2024).
  31. Wang, M. et al. Annual wetland mapping in metropolis by temporal sample migration and random forest classification with time series landsat data and google earth engine. Remote Sens. 14, 3191 (2022).
  32. Cutler, R. et al. Random forests for classification in ecology. Ecology 88(11), 2783-2792 (2007).
  33. Arshad, A., Mirchi, A., Vilcaez, J., Umar Akbar, M. & Madani, K. Reconstructing high-resolution groundwater level data using a hybrid random forest model to quantify distributed groundwater changes in the Indus Basin. J. Hydrol. 628 (2024).
  34. Lu, L. et al. Spatiotemporal variation of surface urban heat islands in relation to land cover composition and configuration: A multi-scale case study of Xi’an, China. Remote Sens. 12, 2713 (2020).
  35. Zhang, X. et al. Analysis on decoupling between urbanization level and urbanization quality in China. Sustainability 12, 6835 (2020).
  36. Faichia, C. et al. Using RS data-based CA-Markov model for dynamic simulation of historical and future LUCC in vientiane, Laos. Sustainability 12, 8410 (2020).
  37. Rwanga, S. S. & Ndambuki, J. M. Accuracy assessment of land use/land cover classification using remote sensing and GIS. Int. J. Geosci. 08, 611-622 (2017).
  38. Mahboob, M. A., Atif, I. & Iqbal, J. Remote sensing and GIS applications for assessment of urban sprawl in Karachi, Pakistan. Sci. Technol. Dev. 34, 179-188 (2017).
  39. Fang, Y. et al. Assessment of the hydrodynamics role for groundwater quality using an integration of GIS, water quality index and multivariate statistical techniques. J. Environ. Manage. 273, 111185 (2020).
  40. Ullah, H. et al. Geo-spatial analysis and modelling of water borne diseases in District Multan. J. Biodivers. Environ. Sci. 12, 1-15 (2021).
  41. Defries, R. S. & Townshend, J. R. Ndvi-derived land cover classifications at a global scale. Int. J. Remote Sens. 15, 3567-3586 (1994).
  42. Huete, A. A soil-adjusted vegetation index (SAVI). Remote Sens. Environ. 25, 295-309 (1988).
  43. Rocha, A. V. & Shaver, G. R. Advantages of a two band EVI calculated from solar and photosynthetically active radiation fluxes. Agric. For. Meteorol. 149, 1560-1563 (2009).
  44. Xu, H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Remote Sens. 27, 3025-3033 (2006).
  45. Belgiu, M. & Drăguț, L. Random forest in remote sensing: A review of applications and future directions. ISPRS J. Photogramm. Remote Sens. 114, 24-31 (2016).
  46. Prasad, A. M., Iverson, L. R. & Liaw, A. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction. Ecosystems 9, 181-199 (2006).
  47. Ullah, S., Qiao, X. & Tariq, A. Impact assessment of planned and unplanned urbanization on land surface temperature in Afghanistan using machine learning algorithms: A path toward sustainability. Sci. Rep. 15, 3092 (2025).
  48. Ullah, S., Qiao, X. & Abbas, M. Addressing the impact of land use land cover changes on land surface temperature using machine learning algorithms. Sci. Rep. 14, 18746 (2024).
  49. Ullah, S., Abbas, M. & Qiao, X. Impact assessment of land-use alteration on land surface temperature in Kabul using machine learning algorithm. J. Spat. Sci. 1-23 (2024) https://doi.org/10.1080/14498596.2024.2364283.
  50. Sayemuzzaman, M. & Jha, M. K. Modeling of future land cover land use change in North Carolina using Markov chain and cellular automata model. Am. J. Eng. Appl. Sci. 7, 295-306 (2014).
  51. Farhan, M. et al. Predicting land use land cover dynamics and land surface temperature changes using CA-Markov-Chain models in Islamabad, Pakistan (1992-2042). IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 1-18 (2024).
  52. Mohamed, A. & Worku, H. Simulating urban land use and cover dynamics using cellular automata and Markov chain approach in Addis Ababa and the surrounding. Urban Clim. 31, 100545 (2020).
  53. Abdul Rahaman, S., Aruchamy, S., Balasubramani, K. & Jegankumar, R. Land use/land cover changes in semi-arid mountain landscape in Southern India: A geoinformatics based Markov chain approach. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. – ISPRS Arch. 42, 231-237 (2017).
  54. Ullah, S., Khan, M. & Qiao, X. Examining the impact of land use and land cover changes on land surface temperature in Herat city using machine learning algorithms. GeoJournal 89, 225 (2024).
  55. Sang, L., Zhang, C., Yang, J., Zhu, D. & Yun, W. Simulation of land use spatial pattern of towns and villages based on CA-Markov model. Math. Comput. Model. 54, 938-943 (2011).
  56. Farhan, M. et al. Predicting land use land cover dynamics and land surface Temperature changes using CA-Markov-chain models in Islamabad, Pakistan (1992-2042). IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 17, 16255-16271 (2024).
  57. Shirazi, S. A. & Kazmi, S. J. H. Analysis of population growth and urban development in Lahore-Pakistan using geospatial techniques: Suggesting some future options. South Asian Stud. 29, 269-280 (2014).
  58. Waseem, M., Mutahir Ullah Ghazi, S., Ahmed, N., Ayaan, M. & Kebede Leta, M. Rainwater harvesting as sustainable solution to cope with drinking water scarcity and urban flooding: A case study of public institutions in Lahore, Pakistan. CivilEng 4, 638-656 (2023).
  59. Khan, M. K., Naeem, K., Huo, C. & Hussain, Z. The nexus between vegetation, urban air quality, and public health: An empirical study of Lahore. Front. Public Heal. 10, 1-21 (2022).
  60. Khanum, F., Chaudhry, M. N. & Kumar, P. Characterization of five-year observation data of fine particulate matter in the metropolitan area of Lahore. Air Qual. Atmos. Heal. 10, 725-736 (2017).
  61. Riaz, O., Ghaffar, A. & Butt, I. Modelling Land use Patterns of Lahore (Pakistan) using remote sensing and GIS. Glob. J. Sci. Front. Res. H Environ. Earth Sci. 14, 24-30 (2014).
  62. Iram, A., Rasool, L., Shahzad, F. & Saeed, Y. Impact of urban sprawl on public health: An analysis of Lahore-Pakistan. World Appl. Sci. J. 20, 80-86 (2012).
  63. Zia, S. M., Shirazi, S. A. & Alam, R. Temporal analysis of temperature trends in the metropolitan area of Lahore, Pakistan. Pak. J. Sci. 66, 83-88 (2014).
  64. Jabeen, F., Ali, Z. & Maharjan, A. Assessing health impacts of winter smog in lahore for exposed occupational groups. Atmosphere (Basel). 12, 1-14 (2021).
  65. Mahmood, K. et al. Groundwater Levels Susceptibility To Degradation in Lahore Metropolitan. Depression 25, 123-126 (2000).
  66. Muhammad, A. M., Zhonghua, T., Dawood, A. S. & Earl, B. Evaluation of local groundwater vulnerability based on DRASTIC index method in Lahore, Pakistan. Geofísica Int. 54, 67-81 (2015).
  67. Ali, M. et al. A study of aerosol properties over Lahore (Pakistan) by using AERONET data. Asia-Pacific J. Atmos. Sci. 50, 153-162 (2014).
  68. Jiang, Z. & Xu, C. Policy incentives, government subsidies, and technological innovation in new energy vehicle enterprises: Evidence from China. Energy Policy 177, 113527 (2023).
  69. Arima, E. Y., Simmons, C. S., Walker, R. T. & Cochrane, M. A. Fire in the Brazilian Amazon: A spatially explicit model for policy impact analysis. J. Reg. Sci. 47, 541-567 (2007).

Acknowledgements

The authors would like to thank the anonymous reviewers and the editor for their invaluable comments for improving the quality of the manuscript. We are grateful to USGS for providing free-of-cost satellite imagery. The authors acknowledge the Researchers Supporting Project number (RSPD2025R951), King Saud University, Riyadh, Saudi Arabia.

Author contributions

AZ: Conceptualization; methodology; software; validation, formal analysis; investigation; AT, AQ, IN and RWA,
SU, MAW.: resources; AT, and RWA.: data curation; ATEB, IN and AQ; writing original draft preparation.; AZ, MAW, SU AT and AQ.: writing review and editing; visualization, AT; supervision, MAW and SU; project administration, SU.; funding acquisition. All authors have read and agreed to the published version of the manuscript.

Declarations

Competing interests

The authors declare no competing interests.

Software

Maps and spatial analyses in this study were generated using ArcGIS version 10.8 (Esri Inc., Redlands, CA, USA; https://www.esri.com/en-us/arcgis/about-arcgis/overview).

Additional information

Correspondence and requests for materials should be addressed to A.T. or S.U.
Reprints and permissions information is available at www.nature.com/reprints.
Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.
Open Access This article is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License, which permits any non-commercial use, sharing, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if you modified the licensed material. You do not have permission under this licence to share adapted material derived from this article or parts of it. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommo ns.org/licenses/by-nc-nd/4.0/.
© The Author(s) 2025
  1. College of Physics and Information Engineering, Fuzhou University, Fuzhou 350116, China. Department of Wildlife, Fisheries and Aquaculture, College of the Forest Resources, Mississippi State University, Starkville, MS 39762-9690, USA. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University, Wuhan 430079, China. Instituto de Investigación para el Desarrollo Sustentable de Ceja de Selva (INDES-CES), Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas, Chachapoyas 01001, Peru. Department of Water Resources and Environmental Engineering, Nangarhar University, Nangarhar 2600, Afghanistan. Department of Software Engineering, College of Computer and Information Sciences, King Saud University, 11543 Riyadh, Saudi Arabia. email: at2139@msstate.edu; Sajidjalwan@gmail.com