DOI: https://doi.org/10.1371/journal.pone.0338920
PMID: https://pubmed.ncbi.nlm.nih.gov/41411289
تاريخ النشر: 2025-12-18
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الاستشعار عن بعد واستخدام الأراضي
نظرة عامة
تدرس هذه الدراسة تأثير التوسع الحضري وتغيرات استخدام الأراضي وتغطية الأراضي (LULC) على التخطيط الحضري المستدام والأمن الغذائي في خمس مدن رئيسية في باكستان – إسلام آباد، كراتشي، لاهور، بيشاور، وكويتا – باستخدام صور لاندسات متعددة الزمن من 1990 إلى 2020. باستخدام خوارزمية Smile Random Forest (SRF) ضمن منصة Google Earth Engine (GEE)، حققت الدراسة دقة تصنيف تتراوح بين 86% و90%، مع معاملات كابا لكوهين تتراوح من 0.86 إلى 0.92، مما يدل على توافق قوي. تكشف النتائج عن نمو حضري كبير، خاصة في كراتشي (من 12.4% إلى 41.3%) ولاهور (من 15.2% إلى 39.8%)، في الغالب على حساب الغطاء النباتي والأراضي الزراعية، مما يثير القلق بشأن الأمن الغذائي على المدى الطويل. كما تسلط الدراسة الضوء على تأثير الارتفاع على ديناميات التنمية الحضرية، حيث تشهد المدن ذات الارتفاعات العالية مثل كويتا نمواً أبطأ.
في الختام، تؤكد الدراسة على الاتجاهات الواسعة للتوسع الحضري التي لوحظت على مدى أربعة عقود، حيث زادت المساحة المبنية في كراتشي بنسبة 105.23% وفي كويتا بنسبة 404.37%، مما يؤدي غالبًا إلى خسائر كبيرة في الغطاء النباتي والمسطحات المائية. تؤكد مقاييس التحقق على قوة نهج SRF، بينما تشير المحاكاة التنبؤية إلى استمرار التوسع الحضري بحلول عام 2030، خاصة في كراتشي ولاهور. تسهم هذه الدراسة في الأدبيات الموجودة من خلال دمج SRF ضمن GEE لتصنيف متعدد الزمن عالي الدقة، وتقديم تحليل شامل لعدة مدن، وتوقع التغيرات المستقبلية. من خلال ربط التوسع الحضري بتحديات الأمن الغذائي، تؤكد الدراسة على الحاجة الملحة لسياسات حضرية مستدامة للتخفيف من الآثار البيئية للتوسع الحضري السريع في البلدان النامية. يجب أن تركز الأبحاث المستقبلية على تحسين إدارة بيانات التدريب ودمج صور ذات دقة أعلى ومجموعات بيانات اجتماعية واقتصادية لتعزيز القدرات التنبؤية لنماذج LULC.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية الملحة للتوسع الحضري، خاصة في البلدان النامية، مع تسليط الضوء على دورها المزدوج كتحدٍ للموارد الطبيعية وفرصة للتنمية المستدامة. مع توسع المناطق الحضرية، يصبح إدارة استخدام الأراضي وتغطية الأراضي (LULC) أمرًا حاسمًا للتخفيف من المخاطر البيئية وضمان توزيع الموارد بشكل عادل. تؤكد الورقة على أهمية فهم ديناميات التوسع المبني وتوقع التغيرات المستقبلية في استخدام الأراضي، والتي يمكن مراقبتها بشكل فعال من خلال تقنيات الاستشعار عن بعد. يتم مناقشة منهجيات مختلفة، بما في ذلك تصنيف الصور المعتمد على البكسل وطرق التعلم الآلي، مما يبرز الحاجة إلى أدوات متقدمة لتحليل المناظر الطبيعية المعقدة وإدارة مجموعات البيانات الجغرافية الكبيرة.
تتقدم الدراسة الأدبيات الموجودة من خلال دمج خوارزمية SRF ضمن إطار عمل Google Earth Engine (GEE)، محققة تصنيفات عالية الدقة لبيانات لاندسات متعددة الزمن عبر خمس مدن رئيسية في باكستان من 1990 إلى 2020. تستخدم نمذجة انتقال MOLUSCE-ANN لتوقع تغيرات LULC حتى عام 2030، مما يوفر تحليلًا شاملاً متعدد العقود يربط التوسع الحضري بفقدان الغطاء النباتي والموارد المائية. لا تعزز هذه الأبحاث القدرات التنبؤية فحسب، بل تتماشى أيضًا مع أهداف التنمية المستدامة (SDGs)، مما يوفر رؤى قيمة للتخطيط الحضري المستدام وقرارات السياسة. تم هيكلة الورقة لتفصيل مناطق الدراسة، والمنهجية، والنتائج، والآثار، مما يسهم في تقديم نموذج حضري جديد عبر المدن لباكستان.
طرق
تم هيكلة منهجية هذه الدراسة في مرحلتين تهدفان إلى تحليل الأنماط الزمانية المكانية لمقاييس المناظر الطبيعية وتغطية الأراضي باستخدام صور الأقمار الصناعية. تستخدم الدراسة Google Earth Engine (GEE) وتقنيات التعلم الآلي لتصنيف صور الأقمار الصناعية من خمس مدن في باكستان على مدى ثلاثة عقود (1990-2020). تستخدم التحليل صور لاندسات 8 OLI/TIRS-SR و لاندسات 5 TM-TA، كلاهما بدقة مكانية تبلغ 30 مترًا، مع التركيز على الأطياف الرئيسية لاشتقاق مؤشرات مثل NDVI وNDWI وNDBI للتفريق الفعال بين أنواع تغطية الأراضي. تشير تحليل أهمية الميزات إلى أن NDVI هو المتغير الأكثر أهمية لتمييز الغطاء النباتي، يليه NDBI وSWIR، بينما تسهم الأطياف الحرارية تحت الحمراء بأقل بسبب دقتها المنخفضة.
تستخدم الدراسة خوارزمية الغابة العشوائية المشرفة (SRF) لتصنيف الصور، والتي تتفوق على الطرق التقليدية مثل آلات الدعم المتجهة (SVM) والشبكات العصبية الاصطناعية (ANN) من حيث الدقة. تتعامل خوارزمية SRF بفعالية مع مجموعات البيانات الكبيرة وتوفر رؤى حول أهمية المتغيرات، محققة دقة عامة تبلغ حوالي 75% في رسم خرائط تغطية الأراضي. تضمنت عملية التصنيف عينات تدريب من أنواع تغطية الأراضي المختلفة، مع تقسيم 70% للتدريب و30% للتحقق. تم إجراء التحليلات الإحصائية باستخدام QGIS وArcMap، مع مقاييس الأداء بما في ذلك الدقة العامة، ودقة المستخدم، ودقة المنتج، ومعامل كابا لكوهين، ودرجة F1 للتحقق من نتائج التصنيف. تؤكد النتائج على قوة خوارزمية SRF في تحليل تغطية الأراضي على المدى الطويل، مما يؤكد ملاءمتها لتطبيقات الاستشعار عن بعد.
نتائج
تكشف نتائج الدراسة التي تستخدم خوارزمية SRF عن تغييرات كبيرة في استخدام الأراضي وتغطية الأراضي (LULC) في المدن الرئيسية في باكستان – إسلام آباد، كراتشي، لاهور، بيشاور، وكويتا – على مدى ثلاثة عقود (1990، 2000، 2010، و2020). تصنف التحليل تغطية الأراضي إلى أربع مجموعات متميزة: الغطاء النباتي، الأراضي الحضرية، المسطحات المائية، والتضاريس القاحلة.
تشير النتائج إلى تحولات ملحوظة في هذه الفئات، مما يعكس اتجاهات التوسع الحضري والتغيرات البيئية عبر المدن المختارة. تسلط الفروقات العقدية الضوء على الطبيعة الديناميكية لاستخدام الأراضي في باكستان، مما يبرز أهمية المراقبة المستمرة للتخطيط الحضري الفعال وإدارة الموارد.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على ديناميات التوسع الحضري وتغيرات استخدام الأراضي/تغطية الأراضي (LULC) في خمس مدن رئيسية في باكستان – كراتشي، لاهور، إسلام آباد، بيشاور، وكويتا – على مدى العقود الثلاثة الماضية (1990-2020). تستخدم الدراسة مجموعات بيانات لاندسات 5 و لاندسات 8 التي تم الوصول إليها عبر Google Earth Engine (GEE) لتحليل هذه التغيرات، كاشفة عن توسع حضري كبير، خاصة في كراتشي ولاهور، اللتين شهدتا زيادات في الأراضي الحضرية بنسبة 105.23% و404.37%، على التوالي. في المقابل، أظهرت مدن مثل إسلام آباد ولاهور وبيشاور معدلات حضرية أقل من 100%. تشير النتائج أيضًا إلى انخفاضات مقلقة في المسطحات المائية والغطاء النباتي، حيث عانت لاهور وكويتا من أكبر الخسائر، مما يشير إلى آثار حرجة على الاستدامة البيئية.
تستخدم الأبحاث ملحق MOLUSCE لنمذجة التحولات المحتملة في LULC وتستخدم خوارزمية Smile Random Forest (SRF) للتصنيف، محققة دقة عامة تتراوح بين 86.2% و90.2%. تؤكد الدراسة على فعالية خوارزمية SRF في رسم خرائط LULC بدقة عبر سياقات حضرية متنوعة، بينما تتحقق أيضًا من النموذج التنبؤي لتغيرات LULC المستقبلية حتى عام 2030. تتوقع النتائج استمرار النمو الحضري في كراتشي ولاهور، إلى جانب انخفاضات في المياه والغطاء النباتي، مما يبرز الحاجة الملحة للتخطيط الحضري المستدام للتخفيف من الآثار السلبية للتوسع الحضري السريع على الموارد الطبيعية. يمكن توسيع الإطار التحليلي الذي تم تطويره في هذه الدراسة ليشمل مناطق أخرى في باكستان، مما يعزز فهم اتجاهات التوسع الحضري وآثارها البيئية.
DOI: https://doi.org/10.1371/journal.pone.0338920
PMID: https://pubmed.ncbi.nlm.nih.gov/41411289
Publication Date: 2025-12-18
Author(s): Zhenyun Du et al.
Primary Topic: Remote Sensing and Land Use
Overview
This study investigates the impact of urban expansion and Land Use Land Cover (LULC) changes on sustainable urban planning and food security in five major cities of Pakistan—Islamabad, Karachi, Lahore, Peshawar, and Quetta—using multitemporal Landsat imagery from 1990 to 2020. Employing the Smile Random Forest (SRF) algorithm within the Google Earth Engine (GEE) platform, the research achieved classification accuracies between 86% and 90%, with Cohen’s Kappa coefficients ranging from 0.86 to 0.92, indicating strong agreement. The findings reveal significant urban growth, particularly in Karachi (from 12.4% to 41.3%) and Lahore (from 15.2% to 39.8%), primarily at the expense of vegetation and agricultural land, raising concerns about long-term food security. The study also highlights the influence of elevation on urban development dynamics, with higher-altitude cities like Quetta experiencing slower growth.
In conclusion, the research underscores the extensive urbanization trends observed over four decades, with Karachi’s built-up area increasing by 105.23% and Quetta’s by 404.37%, often resulting in substantial losses of vegetation and water bodies. Validation metrics confirm the robustness of the SRF approach, while predictive simulations indicate continued urban expansion by 2030, particularly in Karachi and Lahore. This study contributes to the existing literature by integrating SRF within GEE for high-accuracy, multi-temporal classification, providing a comprehensive multi-city analysis, and forecasting future changes. By linking urbanization to food security challenges, the research emphasizes the urgent need for sustainable urban policies to mitigate the environmental impacts of rapid urbanization in developing countries. Future research should focus on improving training data management and incorporating higher-resolution imagery and socio-economic datasets to enhance the predictive capabilities of LULC models.
Introduction
The introduction of this research paper addresses the pressing issue of urbanization, particularly in developing countries, highlighting its dual role as a challenge to natural resources and an opportunity for sustainable development. As urban areas expand, effective land use and land cover (LULC) management becomes critical for mitigating environmental risks and ensuring equitable resource distribution. The paper emphasizes the importance of understanding built-up expansion dynamics and forecasting future land-use changes, which can be effectively monitored through remote sensing techniques. Various methodologies, including pixel-based image classification and machine learning approaches, are discussed, underscoring the need for advanced tools to analyze complex landscapes and manage large-scale geospatial datasets.
The study advances the existing literature by integrating the SRF algorithm within the Google Earth Engine (GEE) framework, achieving high-accuracy classifications of multi-temporal Landsat data across five major cities in Pakistan from 1990 to 2020. It employs MOLUSCE-ANN transition modeling to forecast LULC changes up to 2030, providing a comprehensive, multi-decadal analysis that links urban expansion to the loss of vegetation and water resources. This research not only enhances predictive capabilities but also aligns findings with the Sustainable Development Goals (SDGs), offering valuable insights for sustainable urban planning and policy decisions. The paper is structured to detail the study areas, methodology, results, and implications, ultimately contributing a novel, cross-city urbanization model for Pakistan.
Methods
The methodology of this study is structured into two stages aimed at analyzing spatiotemporal patterns of landscape metrics and land cover using satellite imagery. The research employs Google Earth Engine (GEE) and machine learning techniques to classify satellite images from five cities in Pakistan over three decades (1990-2020). The analysis utilizes Landsat 8 OLI/TIRS-SR and Landsat 5 TM-TA imagery, both with a spatial resolution of 30 meters, focusing on key spectral bands to derive indices such as NDVI, NDWI, and NDBI for effective differentiation of land cover types. The feature-importance analysis indicates that NDVI is the most significant variable for distinguishing vegetation, followed by NDBI and SWIR, while thermal infrared bands contribute the least due to their lower resolution.
The study employs the Supervised Random Forest (SRF) algorithm for image classification, which outperforms traditional methods like Support Vector Machines (SVM) and Artificial Neural Networks (ANN) in accuracy. The SRF algorithm effectively handles large datasets and provides insights into variable importance, achieving an overall accuracy of approximately 75% in land cover mapping. The classification process involved training samples from various land cover types, with a 70% training and 30% validation split. Statistical analyses were conducted using QGIS and ArcMap, with performance metrics including overall accuracy, user’s accuracy, producer’s accuracy, Cohen’s Kappa coefficient, and F1-score to validate the classification results. The findings underscore the robustness of the SRF algorithm in long-term land cover analysis, confirming its suitability for remote sensing applications.
Results
The results of the study utilizing the SRF algorithm reveal significant land use and land cover (LULC) changes in major cities of Pakistan—Islamabad, Karachi, Lahore, Peshawar, and Quetta—over the span of three decades (1990, 2000, 2010, and 2020). The analysis categorizes land coverage into four distinct groups: vegetation, urban land, aquatic bodies, and barren terrain.
The findings indicate notable shifts in these categories, reflecting urbanization trends and environmental changes across the selected cities. The decadal differences highlight the dynamic nature of land use in Pakistan, underscoring the importance of continuous monitoring for effective urban planning and resource management.
Discussion
The discussion section of the research paper highlights the urbanization dynamics and land-use/land-cover (LULC) changes in five major cities of Pakistan—Karachi, Lahore, Islamabad, Peshawar, and Quetta—over the past three decades (1990-2020). The study employs Landsat 5 and Landsat 8 datasets accessed via Google Earth Engine (GEE) to analyze these changes, revealing significant urban expansion, particularly in Karachi and Lahore, which experienced urban land increases of 105.23% and 404.37%, respectively. In contrast, cities like Islamabad, Lahore, and Peshawar showed urbanization rates below 100%. The findings also indicate alarming declines in water bodies and vegetation, with Lahore and Quetta suffering the most severe losses, suggesting critical implications for environmental sustainability.
The research utilizes the MOLUSCE plugin for modeling potential LULC transitions and employs the Smile Random Forest (SRF) algorithm for classification, achieving overall accuracies between 86.2% and 90.2%. The study underscores the effectiveness of the SRF algorithm in accurately mapping LULC across diverse urban contexts, while also validating the predictive model for future LULC changes up to 2030. The results forecast continued urban growth in Karachi and Lahore, alongside declines in water and vegetation, emphasizing the urgent need for sustainable urban planning to mitigate the adverse effects of rapid urbanization on natural resources. The analytical framework developed in this study can be extended to other regions in Pakistan, enhancing the understanding of urbanization trends and their environmental impacts.