Suite

Indices de télédétection pour l'expansion urbaine

Indices de télédétection pour l'expansion urbaine


En dehors du NDBI, pouvez-vous citer quelques indices d'expansion urbaine ? J'ai fait quelques recherches sur google mais je n'ai rien trouvé qui puisse m'aider. Peut-être,

Ce qui m'intéresse c'est aussi : la voirie/infrastructures, les parcs, les parkings, l'aménagement des zones commerciales en milieu urbain.

Éditer:

J'ai besoin d'analyser des orthophotos d'une ville et pour cela j'ai besoin d'appliquer des indices à mon analyse. Quant aux logiciels, je vais avoir à ma disposition : ERDAS, ArcGIS, Open Source.


Je suppose que vous travaillez avec les bandes rouge, verte, bleue et nIR si vous avez des orthophotos. Je commencerais à étudier la classification de la couverture terrestre à l'aide de la classification à maximum de vraisemblance supervisée (MLC). ArcGIS et Erdas disposent tous deux de divers outils de classification d'images, notamment MLC. Si nécessaire, vous pouvez inclure des indices essentiellement comme une autre "bande", ce qui permet d'obtenir plus d'informations lors de la classification. Vous pouvez ajouter l'index à la pile raster dans ArcGIS à l'aide de Bandes composites ou dans Erdas à l'aide de l'outil Pile raster.

Si vous n'avez que 4 bandes spectrales (R,V,B,nIR), vous êtes assez limité dans la variété des indices qui s'offrent à vous. Cependant, je recommanderais d'utiliser le NDVI comme information supplémentaire pour votre classification de la couverture terrestre. Cet indice est généralement utilisé pour évaluer la végétation, bien qu'il puisse également être utilisé pour fournir des informations sur l'emplacement de la végétation. absent, comme ce serait le cas pour les zones urbaines ou aménagées.


Les espaces verts urbains sont importants pour l'activité physique, le bien-être mental et la santé des citadins. Dans les villes de taille moyenne en Iran, les espaces verts urbains ont été ignorés au cours des dernières décennies. Dans cette étude, la télédétection et le système d'information géographique ont été utilisés pour étudier la répartition des espaces verts dans les zones bâties. En conséquence, l'indice de végétation de différence normalisée (NDVI) et l'indice de différence de construction normalisée (NDBI) ont été utilisés pour estimer la répartition des espaces verts urbains dans les paysages urbains afin de mesurer l'effet de l'utilisation des terres urbaines. Les résultats de l'analyse géospatiale ont montré un manque d'espaces verts dans les zones bâties. En outre, 16,8% de la superficie totale de la ville de Qorveh est considérée comme un tissu urbain dysfonctionnel que 39,4% de la population de la ville vit dans cette zone. Cette étude a mis en évidence l'utilisation de l'indice des espaces verts avec des analyses géospatiales pour illustrer l'importance des espaces verts urbains pour la planification. Pour les futurs scénarios d'aménagement du territoire urbain, cette approche pourrait être utilisée en lien avec les approches d'aménagement du territoire.

Jennings V., Bamkole O. (2019), La relation entre la cohésion sociale et les espaces verts urbains : une avenue pour la promotion de la santé. Revue internationale de recherche environnementale et de santé publique, 16(3), 452. https://doi.org/10.3390/ijerph16030452.

Dennis M. et James P. (2016), User participation in urban green commons : Explorer les liens entre accès, volontariat, biodiversité et bien-être. Urbain Pour. Urban Green.5:22-31. doi: 10.1016/j.ufug.2015.11.009.

Dinnie E., Brown K.M., Morris S. (2013), réimpression de « Communauté, coopération et conflit : négociation des avantages pour le bien-être social des expériences d'espaces verts urbains » Landsc. Plan d'urbanisme.118 :103-111. doi: 10.1016/j.landurbplan.

MacKenzie A. et Gibbons, P. (2019) "Améliorer la biodiversité dans les espaces verts urbains Une exploration du cadre IAD appliqué aux arbres écologiquement matures." Science urbaine. 3, non. 4: 103.

Braubach M., Egorov A., Mudu P., Wolf T., Ward Thompson C., Martuzzi M. (2017), Effets des espaces verts urbains sur la santé environnementale, l'équité et la résilience. Dans : Kabisch N., Korn H., Stadler J., Bonn A. (eds) Nature-Based Solutions to Climate Change Adaptation in Urban Areas. Théorie et pratique des transitions vers la durabilité urbaine. Springer, Cham. https://doi.org/10.1007/978-3-319-56091-5_11.

Sandow E. et Lundholm E. (2020), Quelles familles quittent les zones métropolitaines ? Migration de contre-urbain et professions en Suède. Études urbaines et régionales européennes, 27(3), 276-289. https://doi.org/10.1177/0969776419893017.

Dave S. (2010), Les fortes densités urbaines dans les pays en développement : une solution durable ? Environnement bâti (1978-), 36(1), 9-27. Extrait le 30 novembre 2020 de http://www.jstor.org/stable/23289981.

Chen W., Huang H., Dong J., Zhang, Y., Tian Y., Yang Z. (2018), Cartographie fonctionnelle sociale des espaces verts urbains à l'aide de données de télédétection et de détection sociale, ISPRS Journal of Photogrammetry and Remote Sensing , Volume 146, Pages 436-452, ISSN 0924-2716, https://doi.org/10.1016/j.isprsjprs.2018.10.010.

Reynolds H., Brandt L., Widhalm M., Fei S., Fischer B., Hardiman B., Moxley D., Sandweiss E., Speer J., Dukes J (2018), "Maintenir les espaces verts urbains de l'Indiana : A Rapport de l'Indiana Climate Change Impacts Assessment". Rapports sur les espaces verts urbains. Article 1. http://dx.doi.org/10.5703/1288284316653.

Arghavani S., Malakooti H., Akbari A., Bidokhti, A.A. (2020), Évaluation numérique des scénarios d'espaces verts urbains sur l'îlot de chaleur urbain et le niveau de confort thermique dans la métropole de Téhéran, Journal of Cleaner Production, Volume 261, 2020, 121183, ISSN 0959-6526.

[12] Sikuzani YU, Malaisse F., Cabala Kaleba S., Kalumba Mwanke A., Mwana Yamba A., Nkuku Khonde C., Bogaert J., Munyemba Kankumbi, F.(2019), Diversité et structure des arbres sur les espaces verts des zones urbaines et périurbaines : Le cas de la ville de Lubumbashi en République Démocratique du Congo, Urban Forestry & Urban Greening, Volume 41, Pages 67-74,ISSN 1618-8667,https://doi.org/10.1016/j .ufug.2019.03.008.

Wang A. et Chan E. (2019), Facteurs institutionnels affectant la fourniture d'espaces verts urbains - du point de vue des revenus du gouvernement local, Journal of Environmental Planning and Management, 62:13, 2313-2329, DOI: 10.1080/09640568.2018.1541231.

Xu G., Dong T., Brandful Cobbinah P., Jiao L., Sumari NS, Chai B., Liu Y. (2019), Urban expansion and form changes across African cities with a global outlook: Spatiotemporal analysis of urban land densities , Journal of Cleaner Production, Volume 224, Pages 802-810, ISSN 0959-6526, https://doi.org/10.1016/j.jclepro.2019.03.276.

Naikoo MW, Rihan M., Ishtiaque M, Shahfahad (2020), Analyses du changement de l'occupation des sols (LULC) et de l'expansion bâtie dans la banlieue d'une ville métropolitaine : analyse spatio-temporelle de la RCN de Delhi à l'aide d'ensembles de données landsat, Journal of Urban Management, Volume 9, Numéro 3, Pages 347-359, ISSN 2226-5856, https://doi.org/10.1016/j.jum.2020.05.004.

Alqurashi A.F. et Kumar (2019), Une évaluation de l'impact de l'urbanisation et des changements d'utilisation des terres dans les villes à croissance rapide d'Arabie saoudite, Geocarto International, 34:1, 78-97, DOI : 10.1080/10106049.2017.1367423.

Gu C. (2019), Urbanisation : processus et forces motrices. Sci. Chine Terre Sci. 62, 1351-1360. https://doi.org/10.1007/s11430-018-9359-y.

Gerten C, Fina S., Rusche K. (2019), La planète tentaculaire : simplifier la mesure des tendances mondiales de l'urbanisation. De face. Environ. Sci. 7:140. doi: 10.3389/fenvs.2019.00140.

Ramos-Santiago L. E., L. Villanueva-Cubero L. E. Santiago-Acevedo, Rodriguez-Melendez Y.N. (2014), Perte d'espaces verts dans les quartiers de banlieue de la couronne intérieure de San Juan : une approche multidisciplinaire pour analyser la dynamique des espaces verts/gris. Écologie et société 19(2) : 4.

Samiei A. et Sayafzadeh A. (2016), Analyse des caractéristiques des tissus usés et fourniture d'un modèle d'intervention, Étude de cas : Eslamshahr City, Téhéran. Current Urban Studies, 4, 267-279.

Zhu Z., Lang W., Tao X., Feng J., Liu K. (2019), Exploring the Quality of Urban Green Spaces Based on Urban Neighbourhood Green Index—A Case Study of Guangzhou City. Durabilité, 11, 5507.

Agaie, T. (2012), le rôle des villes moyennes dans le développement, étude de cas Qorveh, congrès sur le développement urbain et l'architecture durable, Téhéran, Iran [En persan].

Zarei P. et Ramesht M.H. (2011), Effects of Environmental Effects on physical development of Qorveh City, Congrès, Mashad, Iran [En persan].

Siddique G., Roy A., Mandal M.H. et al. (2020), Une évaluation de l'évolution de l'état des espaces verts urbains dans la ville d'Asansol, au Bengale occidental. GéoJournal. https://doi.org/10.1007/s10708-020-10312-2.

Ettehadi Osgouei P., Kaya S., Sertel E., Alganci U. (2019), Séparation des zones bâties des terres nues dans les villes méditerranéennes à l'aide de l'imagerie Sentinel-2A. Télédétection 11, 345.

Rondinelli D.A. (1983) Revue Géographique, Vol. 73, n° 4, pp. 379-395 Publié par : Taylor & Francis, Ltd. URL stable : https://www.jstor.org/stable/214328.

Frick S.A. et Rodríguez-Pose A. (2016), Taille moyenne des villes et croissance économique, Cambridge Journal of Regions, Economy and Society, Volume 9, Numéro 2, Pages 301-318.

El Garouani A, Mulla DJ, El Garouan Si, Knight J. (2017), Analyse de la croissance urbaine et de l'étalement à partir des données de télédétection : Cas de Fès, Maroc, International Journal of Sustainable Built Environment, Volume 6, Issue 1, Pages 160 -169, ISSN 2212-6090, https://doi.org/10.1016/j.ijsbe.2017.02.003.

Yagi H., Garrod G. (2018), L'avenir de l'agriculture dans les banlieues en contraction : L'impact des revenus immobiliers et des coûts de logement, Politique d'utilisation des terres, Volume 76, Pages 812-822, ISSN 0264-8377, https:/ /doi.org/10.1016/j.landusepol.2018.03.013.

Li H., Chen W., He, W. (2015), Planification d'un réseau écologique d'espaces verts dans les zones urbaines : un exemple de Nanchang, Chine. Revue internationale de recherche environnementale et de santé publique, 12(10), 12889-12904. https://doi.org/10.3390/ijerph121012889.

Chunyang H., Peijun S., Dingyong X., Yuanyuan Z. (2010), Améliorer l'indice de différence normalisée pour cartographier les zones bâties urbaines à l'aide d'une approche de segmentation semi-automatique, Remote Sensing Letters, 1:4, 213- 221, DOI : 10.1080/01431161.2010.481681.


Utilisation de la télédétection et des systèmes d'information géographique pour estimer le changement de température de surface des espaces verts à la suite de l'expansion urbaine

Une approche combinée de la télédétection (RS) et des systèmes d'information géographique (SIG) a été utilisée dans cette étude pour identifier l'impact sur la température radiante de surface urbaine (SRT) du changement des espaces verts urbains. La SRT urbaine augmente au fur et à mesure que la zone d'espaces verts est convertie en zones non vertes. Aussi, des espaces verts bien préservés et des espaces verts nouvellement connectés contribuent à une diminution de la SRT. La zone métropolitaine de Séoul est en pleine expansion. Les études SRT urbaines existantes ont toutefois été menées principalement pour la ville de Séoul. La zone en expansion la plus rapide en Corée est maintenant la zone suburbaine de Séoul, par exemple la zone du mont Gwanggyo. Bien que les changements de SRT et de l'indice de végétation par différence normalisée (NDVI) résultant d'un changement d'utilisation des terres aient été mesurés dans de nombreuses autres études, les résultats de ces études ont été dérivés de données de différentes saisons. De plus, ces études n'ont pas examiné une zone nouvellement en expansion. Compte tenu de ces problèmes, les mêmes données saisonnières multitemporelles ont été utilisées dans cette étude pour dériver le changement SRT pour la même saison dans différentes années. Cette étude a confirmé l'importance d'une gestion et d'une localisation efficaces des espaces verts urbains pour l'atténuation des SRT urbains. En fin de compte, l'impact sur la SRT urbaine de la modification des espaces verts urbains devrait être considéré comme un facteur important dans la planification urbaine.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Télédétection – Une source de données efficace pour la surveillance urbaine

Abstrait — La surveillance urbaine implique l'observation et la mesure multitemporelles des transformations ou des cohérences au sein des villes. Le contexte urbain est très complexe, car les villes se composent d'un grand nombre de personnes vivant à proximité immédiate et dans des conditions de densité relative et de diversité dans des processus dynamiquement interdépendants. La plupart des conditions et des processus sont liés à l'espace. Ainsi, pour mesurer, analyser et comprendre le contexte urbain, les interrelations dynamiques et ses changements permanents, les informations spatiales sont cruciales. En tant que source de données, les données de télédétection sont intrinsèquement adaptées pour fournir des informations sur les caractéristiques de la couverture terrestre urbaine et leurs changements dans le temps, à diverses échelles spatiales et temporelles. Ce document donne un aperçu et des exemples sur les applications actuelles au DLR pour démontrer les capacités et les limites de la surveillance dans les villes sur la base de données de télédétection.

I. URBANISATION

L'urbanisation peut fondamentalement être comprise comme la transition des conditions rurales vers les conditions urbaines. Ainsi, il implique la croissance physique d'une ville ou de l'agglomération en général. Cependant, l'urbanisation est également définie par les Nations Unies comme le mouvement des personnes des zones rurales vers les zones urbaines [1]. Le processus d'urbanisation peut être essentiellement causé par trois facteurs : l'augmentation naturelle de la population, l'exode rural et l'annexion [2] [3].

Fig. 1 : Analyse multi-sensorielle de la croissance urbaine – par l'exemple de Manille, Philippines. Source : DLR-DFD

Et ce processus d'urbanisation à l'avenir sera, selon les dernières projections des Nations Unies [1], énorme : la quasi-totalité de la croissance démographique mondiale au cours des 30 prochaines années sera absorbée par les zones urbaines.

L'immense urbanisation de l'histoire récente est un phénomène mondial, mais pas même deux villes dans le monde ne sont devenues identiques. La seule chose cohérente avec les villes, c'est qu'elles changent constamment [4]. L'urbanisation peut être liée à des détails de topographie, de transport, d'occupation des sols, de structure sociale et de type économique, mais est généralement liée à la démographie et à l'économie d'une ville [5]. La conséquence la plus évidente est l'expansion spatiale, souvent décrite comme « l'étalement urbain ». niveau de vie, prix du foncier, disponibilité de terres agricoles bon marché, concurrence entre communes, etc.), facteurs démographiques (croissance démographique, augmentation du nombre de ménages, formation, etc.), préférences en matière de logement (plus d'espace par personne, etc.), problèmes de la ville (mauvaise qualité de l'air, bruit, petits appartements, environnements dangereux, problèmes sociaux, manque d'espaces verts, mauvaise qualité des écoles, etc.), transports (voiture privée, disponibilité des routes, faible coût du carburant, transports, etc.), et des cadres réglementaires (faible aménagement du territoire, mauvaise application des plans existants, manque d'horizontalité et de verticalité, de coordination et de collaboration, etc.) [6].

Les causes et les conséquences de l'urbanisation ont pour la plupart une référence à l'espace. Ainsi, pour la plupart des défis liés à l'urbanisation, des connaissances spatiales sont requises de la planification urbaine et spatiale, de la politique, de la science, de l'industrie ou des habitants. Étant donné que l'urbanisation continuera à être l'un des changements environnementaux mondiaux majeurs dans un avenir prévisible, non seulement les informations spatiales sur l'état actuel sont d'une importance cruciale, mais aussi la connaissance continue des changements.

Malheureusement, les sources conventionnelles d'information sur les zones urbaines sont souvent inadéquates. Les données nécessaires sont souvent généralisées, obsolètes, peu fiables, pas dans un format standard, ou dans certains cas tout simplement indisponibles.
En tant que source de données, les données de télédétection sont intrinsèquement adaptées pour fournir des informations sur les caractéristiques de la couverture terrestre urbaine et leur évolution dans le temps, à diverses échelles spatiales et temporelles [7]. Au-delà, l'observation de la Terre fournit une source de données indépendante.

Cet article se concentre sur les applications actuelles au DLR pour démontrer les capacités et les limites de la télédétection pour soutenir la surveillance urbaine. Une approche interdisciplinaire souligne la nécessité d'une recherche dans cette direction pour une compréhension plus large et une image plus large des situations dans les villes complexes et en évolution dynamique de notre planète.

II. LES CAPACITÉS DE LA TÉLÉDÉTECTION POUR LA SURVEILLANCE URBAINE

Depuis le lancement de la plateforme Internet « Google Earth », les données d'observation de la Terre sont devenues plus ou moins connues. D'une part, la possibilité théorique d'obtenir des informations spatiales globalement sur des objets, des structures ou des motifs de la surface terrestre permet des informations et des possibilités insoupçonnées. Cependant, les images sont des données, pas des informations. La force de la télédétection avec sa vue d'ensemble synoptique permet une transformation indépendante, rapide, à jour, à l'échelle de la zone et relativement rentable des données (ou images) en informations. En utilisant une grande quantité de méthodologies - par ex. classificateurs statistiques, neuronaux et flous - pour l'extraction automatique d'informations pour des ensembles de données particuliers, cette transformation vise les produits axés sur les applications.

Pour le suivi multi-temporel des changements à la surface du sol, de nombreuses techniques existent : Différenciation d'images, différenciation de l'indice de végétation, analyse en composantes principales, classification directe multi-dates non supervisée, différenciation des changements post-classification et une combinaison d'amélioration d'image et de comparaison post-classification [8] [9]. Ces dernières années, l'analyse du mélange spectral, les réseaux de neurones artificiels et l'intégration du système d'information géographique et des données de télédétection sont devenus des techniques importantes pour les applications de détection de changement [10]. Au-delà, [11] e. g. développé un algorithme de détection de changement basé sur des courbes pour les images radar.

La surveillance à long terme utilisant des données de télédétection est bien sûr limitée à la source de données disponible. Ainsi, la surveillance des 20 dernières années ou plus à ce jour repose sur des données de résolution moyenne provenant de capteurs tels que Landsat, SPOT ou IRS. Avec elle, la résolution géométrique limitée ne permet pas trop de détails thématiques, mais fournit suffisamment d'informations pour analyser la croissance urbaine spatiale au niveau régional, en différenciant les zones urbanisées et non urbanisées.

La figure 1 illustre le résultat de l'analyse de la croissance spatiale de 1975 à 2010 dans la mégapole de Manille, aux Philippines, sous-tendant l'immense dimension spatiale de l'étalement urbain au cours des 35 dernières années dans les pays en développement. Les ensembles de données individuelles de Landsat MSS en 1975 et Landsat TM en 1990 ont été classés en utilisant une approche orientée objet [12]. Une approche de classification basée sur les pixels a été appliquée pour dériver l'empreinte urbaine des données TerraSAR-X en 2010 [13].

En utilisant une détection de changement de post-classification basée sur des pixels, la croissance urbaine spatiale peut être identifiée. Elle permet de détecter la dimension spatiale de l'étalement et la dynamique en fonction du temps. Au-delà, des processus tels que la redensification, le développement de sauts de grenouille ainsi que des modèles de croissance tels que des structures axiales, mono-ou polycentriques ou l'évolution de villes satellites, peuvent être identifiés et analysés.

Fig. 2 : Analyse de la croissance urbaine à l'aide d'images Ikonos multitemporelles à haute résolution de 2002 (a) et 2008 (b) à Varsovie, Pologne (c) Résultat de la classification orientée objet pour 2002 (d) Résultat de la classification orientée objet pour 2008 ( e) Différenciation d'homogénéité multitemporelle (f) Différenciation multitemporelle basée sur le NDVI. Source : DLR-DFD

Avec l'avènement des capteurs satellitaires à haute résolution au cours de la dernière décennie, les approches de surveillance urbaine permettent un niveau thématique et géométrique plus élevé [14]. Avec des tailles de pixels devenant plus petites que les objets imagés, les méthodologies de classification orientées objet sont devenues l'objet principal [15]. Les techniques de segmentation [16] améliorent les classifications automatiques en utilisant non seulement des caractéristiques spectrales, mais aussi des informations de forme, de texture, hiérarchiques et contextuelles [17]. Dans la littérature récente, diverses approches basées sur les objets ont été présentées pour la classification des images de télédétection optique à haute résolution [18] [19] [20] [21].

Les figures 2c) et d) montrent deux résultats individuels de classification orientée objet basés sur les imageries Ikonos multitemporelles associées des années 2002 et 2008 sur un site d'essai à Varsovie, en Pologne, présentées dans les figures 2a et b). La détection des changements post-classification permet d'identifier les zones d'urbanisation spatiale. Cependant, des précisions légèrement supérieures à 80 % en moyenne par classification entraînent des erreurs héréditaires dans la détection des changements post-classification.

Les figures 2e) et f) montrent une approche différente de l'identification des changements. Ici, une segmentation artificielle en échiquier est utilisée pour définir une référence spatiale. Dans ce cas précis, un quadrillage de 100 m a été utilisé. La mesure de texture « l'homogénéité » des valeurs spectrales au sein de cette boîte artificielle est calculée pour 2002 et 2008. Dans le cas d'une différence significative, la comparaison multitemporelle concernant la mesure de la texture nous permet de localiser les zones de forte probabilité de changements (2e ). De manière analogue, cette comparaison multi-temporelle a été appliquée en utilisant le ratio NDVI (Normalized Difference Vegetation Index). Les deux approches identifient et localisent les zones à forte probabilité de changement multitemporel. Cependant, l'échiquier artificiel montre également des problèmes concernant les changements marginaux par rapport à la taille de la grille.

Bien que les études urbaines utilisant des données de télédétection reçoivent plus d'attention de la part des chercheurs, il serait optimiste de supposer qu'un seul capteur peut fournir toutes les informations nécessaires à la caractérisation de l'environnement urbain complexe [22]. La dérivation de la troisième dimension à partir d'ensembles de données multi-sensorielles est d'un intérêt crucial pour la modélisation de l'environnement urbain complexe. Et il est également essentiel de surveiller l'étalement urbain en 3 dimensions.

Les modèles de surface numériques du LIDAR (Light detection and range) ou la stéréo-imagerie en combinaison avec des images de télédétection optique à haute résolution ont été largement utilisés pour classer et modéliser les villes en 3D [23] [24] [25] parmi beaucoup d'autres. En utilisant des données hyperspectrales, même des informations sur les matériaux de surface peuvent être dérivées [26].

La figure 3 montre les capacités thématiques et géométriques d'une approche orientée objet pour dériver un modèle de ville 3D à partir de données multi-sensorielles de télédétection. Bien que la détection des changements multitemporels n'ait pas été appliquée à cet ensemble de données, elle montre toujours la capacité de surveiller l'urbanisation en 2D et 3D.

Fig. 3 : Modèle de ville en 3D de la ville côtière de Padang, en Indonésie. Source : DLR-DFD

Sur la base d'un tel modèle de ville en 3D, des produits de rang supérieur peuvent être dérivés, montrant le potentiel de surveillance urbaine à l'échelle : paramètres de construction tels que le rez-de-chaussée, la hauteur, le type de toit ou le nombre de maisons, en plus des paramètres structurels tels que le bâtiment moyen dimensions, densité des bâtiments, indice de surface au sol, pourcentage de surfaces imperméables, fraction de végétation et matériaux de toiture dominants. Avec cela, la dérivation de types urbains structurels ou la cartographie des biotopes urbains devient possible [27]. La figure 4 montre deux paramètres – la taille moyenne des bâtiments et la densité bâtie par îlot – calculés à partir du modèle 3D de la ville de Padang.

Au-delà de ces modèles en blocs (Fig. 3), les stéréo-caméras aéroportées permettent même à ce jour de dériver des modèles de villes 3D texturés avec une résolution géométrique allant jusqu'à 5 cm [28]. Grâce à cela, l'analyse est possible sur de très petits objets urbains tels que des parties de toiture, des couvertures de conduits ou un marquage routier pour le suivi et la mise à jour d'un cadastre urbain.

Avec des capteurs aéroportés, la surveillance du trafic ou des parkings permet un suivi en temps réel de la mobilité urbaine [29]. La surveillance en temps réel des mouvements de foule est une application particulièrement pertinente pour la surveillance d'événements de masse [30].

Fig. 4 : Dimensions moyennes des bâtiments et densité des bâtiments. Source : DLR-DFD

La télédétection pour les villes ne se limite pas aux capteurs aériens ou spatiaux. Les capteurs au sol jouent un rôle essentiel pour l'arpentage et la surveillance dans les villes. Sentir les rues, par ex. des véhicules, s'ajoute suffisamment au spectre pour des applications telles que l'analyse des caractéristiques thermiques des façades [31].

À ce jour, la télédétection dans les zones urbaines est très axée sur la science. Cependant, quelques projets tels que l'Atlas urbain européen [32], MURBANDY / MOLAND, le produit 'FTS Soil-Sealing' [33] et REFINA [34] utilisent largement les données de télédétection pour des applications définies avec précision et des besoins des utilisateurs coordonnés pour les villes. .

L'Atlas urbain est le premier ensemble de géodonnées à grande échelle jamais produit de manière opérationnelle pour les villes à partir de données satellitaires. Les coûts de production sont de l'ordre de quelques euros par km 2 . Le nouveau jeu de données devait être attendu car l'annonce du 16 janvier 2009 avait provoqué plusieurs 100 000 références à Google seulement un mois plus tard [35]. La valeur pour le niveau européen est claire : l'Atlas urbain fournira un outil neutre et indépendant pour surveiller les effets des mesures structurelles, qu'elles aillent dans le bon ou dans le mauvais sens. Cependant, à ce jour, cette approche est encore mono-temporelle.

Dans le cadre du projet REFINA, un outil de suivi appelé ‘Flächenbarometer’ (baromètre de la consommation des terres) a été développé pour évaluer le développement urbain durable pour l'Allemagne. Avec l'outil, un ensemble d'indicateurs de durabilité basés sur la télédétection peut être dérivé. Ces indicateurs, par ex. l'étanchéité, peut être calculé pour différentes unités administratives et combiné avec plusieurs indicateurs statistiques. Cela permet plusieurs analyses, par ex. sur le pourcentage de surface imperméable par habitant. La comparaison des résultats avec des unités administratives similaires permet aux planificateurs d'évaluer la durabilité des activités de gestion des terres. L'outil a été testé par plusieurs planificateurs et s'est avéré utile pour estimer le besoin de chantiers de construction, l'identification des terrains à bâtir vides ou comme source d'information pour les décisions de planification [34].

Ces deux exemples définissent clairement la capacité de la télédétection urbaine à intégrer ses produits dans un processus décisionnel accepté. L'objectif de cartographier des centaines de villes avec une approche cohérente permet un ensemble d'informations objectives, quantifiables et indépendantes et prouve ainsi la force des données et des techniques d'observation de la Terre.

III. LE BESOIN D'INTERDISCIPLINARITÉ

Figure 5 : Évaluation et suivi de la population à différents moments de la journée sur la base du modèle de ville 3D présenté à la Fig. 3 (Visualisation du résumé en grilles 100mx100m), des usages intégrés du bâtiment et d'une étude de terrain présentée à la Fig. 3 (Visualisation de Résumé dans les grilles 100mx100m) le flux de population montre les zones qui gagnent en population pendant la journée. Source : DLR-DFD

Comme défini ci-dessus, l'urbanisation n'est pas uniquement définie comme la croissance physique d'une ville, mais aussi comme le mouvement des personnes des zones rurales vers les zones urbaines. L'intégration de diverses disciplines scientifiques à la télédétection est prometteuse pour accroître notre compréhension de l'urbanisation. Dans ce qui suit, quelques exemples fournissent des idées sur la valeur ajoutée des produits de télédétection par d'autres domaines scientifiques.

La ville, considérée comme un produit humain, est le reflet physique et architectonique de la société qui l'a créée [36]. Ainsi, les données et les produits contiennent indirectement des informations supplémentaires. Lier les informations physiques sur l'environnement urbain aux données de recensement est un domaine de recherche interdisciplinaire commun. Depuis les années 1970, l'estimation par télédétection de la population résidentielle a été appliquée plus fréquemment, car une quantité croissante de données satellitaires spatiales sont devenues disponibles [37] [38] [39] [40] [41] [42]. Grâce à cela, les approches multitemporelles permettent le suivi de la quantité de population et de leur distribution spatiale à différents niveaux géométriques, des données à faible résolution à l'analyse au niveau d'un bâtiment individuel.

Pour l'étude de cas de Padang, une approche ascendante a été utilisée pour évaluer la distribution de la population en fonction du temps. Des informations ponctuelles sur la quantité de population par bâtiment à différents moments de la journée ont été recensées pour 1 000 bâtiments répartis dans la ville [43]. Dans cette enquête, différents usages du bâtiment – ​​résidentiel, commercial ou mixte – ont été cartographiés et intégrés dans le modèle 3D de la ville (cf. Fig. 3). Avec cela, les paramètres physiques des tailles et hauteurs de bâtiments de type ville 3D, les types de toits, les surfaces imperméables et l'alignement des bâtiments ont été corrélés aux utilisations des bâtiments étudiées. Dans une étape ultérieure, ces caractéristiques ont été utilisées pour évaluer indirectement les usages des bâtiments à partir de ces paramètres vers le parc immobilier restant non enquêté pour extrapolation [44].

Avec cela, l'espace de vie, calculé en tant que rez-de-chaussée multiplié par le nombre d'étages, a été utilisé pour dériver le nombre moyen d'habitants par mètre carré à différents moments de la journée en fonction de l'utilisation du bâtiment. Des changements significatifs entre le matin et l'après-midi ont été étudiés (par exemple pour les écoles, les bureaux et les zones de marché) entre le matin/l'après-midi et la nuit. Ainsi, la répartition multitemporelle de la population à des intervalles de temps courts en intégrant les usages du bâtiment permet une évaluation de la population diurne et nocturne voire une différenciation entre le matin, l'après-midi et la nuit [45]. L'évaluation de la précision a prouvé que le changement dynamique de la répartition de la population pouvait être cartographié au niveau du bâtiment dans la dimension correcte couvrant une précision de 65 à 90 %.

La figure 5 présente l'évaluation de la population de la ville de Padang, en Indonésie. Grâce à cela, une surveillance de la population à court terme devient possible. Pour la visualisation, des grilles de 100x100m sont utilisées. Le résultat montre la capacité de la télédétection en combinaison avec des données externes à apporter une valeur ajoutée.

Au-delà de ce rapport direct à l'urbanisation, la recherche interdisciplinaire vise à accroître notre connaissance et notre compréhension des villes. Avec les sciences sociales [46], le génie civil [47], l'urbanisme [48], l'analyse des risques et de la vulnérabilité [49], les approches énergétiques [50] ou l'analyse du climat urbain [51] et autres, les perspectives multidisciplinaires permettent de valoriser -compléter des produits de télédétection pour surveiller et comprendre les villes.

Figure 6 : Superposition de l'étendue modélisée du tsunami et de la hauteur d'inondation avec des bâtiments classés à Padang. Source : DLR-DFD et Franzius-Institut für Wasserbau und Küsteningenieurwesen

La figure 6 illustre la combinaison multidisciplinaire de l'étendue spatiale et de la modélisation de l'inondation due à un tsunami potentiel [52] avec les informations structurelles sur la ville dérivées des données de télédétection. La localisation et la quantification des structures affectées, leur type physique, les distances par rapport aux zones de sécurité ou l'évaluation des personnes affectées en fonction du temps sont des exemples de résultats pour soutenir la planification urbaine pour l'atténuation des risques [53].

IV. DISCUSSION ET CONCLUSION

Le bref aperçu des méthodologies et des applications de surveillance urbaine utilisant différentes données de télédétection montre les capacités de la télédétection pour la surveillance urbaine. Grâce à cela, les nouvelles sources de données spatiales présentées, les techniques innovantes et les vastes applications thématiques offrent le potentiel d'améliorer considérablement la disponibilité des données et la capacité d'analyse, de compréhension et de modélisation de la dynamique urbaine pour s'ajouter à la longue tradition de recherche dans les domaines. de géographie urbaine, d'urbanisme et de modélisation.

Cependant, des limitations existent toujours : une contrainte majeure est le coût. Les coûts des données sont souvent trop élevés pour les parties prenantes. Alors que les données satellitaires sont relativement peu coûteuses, certaines applications nécessitent des taux de répétition temporels élevés, lorsqu'une télédétection aéroportée ou au sol et donc coûteuse est requise.

En outre, l'investissement dans le traitement est encore relativement élevé en raison principalement d'un manque de procédures de classification entièrement automatisées. During processing, adjustments are needed due to different atmospheric conditions, land cover types or different user requirements. Algorithms also are still in experimental status.

Missing data standards or compatibility of software add to these problems [54]. Another constraint is the difference between requirements and capabilities regarding accuracy of the products: The synoptic overview of remote sensing in the previous chapter shows area-wide and spatially highly detailed information extraction, but the accuracy of cadastral data sets is not achieved. On the one hand, accuracies of 80-90 % and sometimes even higher provide an objective basis for decisions. On the other hand, these eEarth observation products are not established at the current legal foundation and now need to find juristic acceptance.

So does remote sensing have essential value to urban monitoring? In general the data and products are independent, up-to-date, and basically available from anywhere around the globe. The products also are reproducible and thus consistent and comparable. Especially in developing countries, remote sensing data often are the only data source.

The strength of remote sensing is the multidimensional perspective, allowing for spatial and quantitative statements from a physical, demographic, social, economic and environmental view. And the analysis is not restricted to administrative artificial boundaries, thus theoretically enabling the analysis on a regional, national or continental scale.

Beyond that, products can be produced on cross-community level. Thus, an advantage arises from comparisons between cities as a basis to learn from other examples and develop solutions not solely on the knowledge of a single city. In interdisciplinary projects. the strength arises through correlation of often punctual knowledge with the area-wide availability of remote sensing products, enabling the extrapolation of information.

In conclusion, the constantly increasing availability and accessibility of modern remote sensing technologies provides the unique capability to support decision-making with spatial, quantitative data and information products to open up new opportunities for urban monitoring.

However, for effective monitoring within the highly dynamic urban areas, remote sensing from air- or space-borne sensors can only be one data source. Data integration and harmonization from different sources such as ground-based sensors (e.g. cameras, microphones, thermostats), knowledge from the web or observations from humans, will allow for a more holistic picture of the complex urban environment. For this, the willingness for inter- and transdisciplinary approaches must be established. On these premises, we have a good chance to transfer the multidisciplinary knowledge into innovative ideas for liveable cities of the future.

[1] United Nations (2009): World Urbanization Prospects – The 2009 revision. New York.

[2] Brockerhoff, M.P. (2000): An urbanizing world. Population Bulletin. Sep 2000 5,3 Academic Research Library pp.3-44.

[3] Jacquemin, A.R.A. (1999): Urban Development and New Towns in the Third World. Lessons from the New Bombay experience. Ashgate. Great Britain.

[4] Hall, P. (2002): Planning: millennial retrospect and prospect. Progress in Planning 57, pp. 263-284.

[6] EEA Report (2006): Urban sprawl in Europe – The ignored challenge, No. 10, 2006, ISSN 1725-9177.

[7] Ward, D., Phinn, S. & Murray, A. (2000): Monitoring Growth in Rapidly Urbanizing Areas Using Remotely Sensed Data. In: The Professional Geographer. Vol. 52, issue 3, pp. 371-386.

[8] Mas, J.-F. (1999): Monitoring land-cover changes: a comparison of change detection techniques. International Journal of Remote Sensing, vol. 20, No. 1, pp. 139-152.

[9] Mather, P. M. (2004): Computer Processing of Remotely-Sensed Images: An Introduction. Third Edition John Wiley. S. 292.

[10] Lu, D., Mausel, P., Brondizio, E. & Moran, E. (2004): Change detection techniques. In : international journal of Remote Sensing. vol. 25, no12, pp. 2365-2407.

[11] Schmitt, A., Wessel, B. & Roth, A. (2010) Curvelet-based Change Detection on SAR Images for Natural Disaster Mapping. Photogrammetrie Fernerkundung Geoinformation, 2010 (6), Seiten 467-478. E. Schweizerbart science publishers.

[12] Abelen, S., Taubenböck, H., Stilla, U. (2011): Interactive classification of urban areas using decision trees. In: Stilla U., Gamba P., Juergens C., Maktav D. (Eds) JURSE 2011 – Joint Urban Remote Sensing Event — Munich, Germany, April 11-13, pp. 373-376.

[13] Esch, T., Thiel, M., Schenk, A., Roth, A., Müller, A.& S. Dech, (2010). Delineation of Urban Footprints From TerraSAR-X Data by Analyzing Speckle Characteristics and Intensity Information. IEEE Trans. Geosci. Remote Sens., vol. 48, issue 2, pp. 905-916.

[14] Maktav, D., Erbek, F.S., and Jürgens, C., 2005. Remote sensing of urban areas. International Journal of Remote Sensing, 26 (4), 655–659.

[15] Blaschke, T., 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65 (1), 2–16.

[16] Haralick, R.M. and Shapiro, L.G., 1985. Survey: image segmentation techniques. Computer Vision, Graphics, and Image Processing, 29 (1), 100–132.

[17] Benz, U., Hofmann, P., Willhauck, G., Lingenfelder, I., & Heynen, M. (2004) Multiresolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry & Remote Sensing, vol. 58, pp. 239–258.

[18] Shackelford, A.K., & Davis, C.H. (2003) A combined fuzzy-pixel based and objectbased approach for classififcation of high resolution multi-spectral data over urban areas. IEEE Transactions on Geoscience and Remote Sensing, vol. 41, non. 10, pp. 2354– 2363.

[19] Barr, S.L., Barnsley, M.J., & Steel, A. (2004) On the separability of urban land-use categories in fine spatial scale land-cover data using structural pattern recognition. Environment ad Planning B: Planing and Design, vol. 32, p. 397–418.

[20] Thomas, N., Hendrix, C., & Congalton, R. (2003) A comparison of urban mapping methods using high-resolution digital imagery. Photogrammetric Engineering and Remote Sensing, vol. 69, pp. 963–972.

[21] Taubenböck, H., Esch, T., Wurm, M., Roth, A. & Dech, S. (2010): Object based feature extraction using high spatial resolution satellite data of urban areas. Journal of Spatial Science, 55 (1), 111–126.

[22] Gamba, P., Dell’Acqua, F., and Dasarathy, B., 2005. Urban remote sensing using multiple data sets: past, present and future. Information Fusion, 6 (4), 319–326.

[23] Wurm, M., Taubenböck, H., Schardt, M. Esch, T. & Dech, S. (2011): Object-based image information fusion using multisensor earth observation data over urban areas. In: International Journal of Image and Data fusion, 2(2), 121-147.

[24] Schenk, T. and Csatho´, B., 2002. Fusion of LIDAR data and aerial imagery for a more complete surface description. In: IAPRS 34, 09–13 September, Graz, Austria.

[25] Chen, Y., et al., 2009. Hierarchical object oriented classification using very high resolution imagery and LIDAR data over urban areas. Advances in Space Research, 43 (7), 1101–1110.

[26] Heiden, U., Segl, K., Roessner, S. & Kaufmann, H. (2007) Determination of robust spectral features for identification of urban surface materials in hyperspectral remote sensing data. Remote Sensing of Environment, 111, pp. 537-552. Elsevier.

[27] Bochow, M., Taubenböck, K., Segl, K., Kaufmann, H. (2010): An automated and adaptable approach for characterizing and partitioning cities into urban structure types. Proceedings, 30th IGARSS – IEEE International Geoscience and Remote Sensing Symposium (Honolulu 2010), 1796-1799.

[28] Siegert, F. & Lehmann, F. (2010): Reale Welt? – Ein virtueller Spaziergang durch die 3-D –Welt. In: Taubenböck, H. & Dech, S. (2010): Fernerkundung im urbanen Raum. Wissenschaftliche Buchgesellschaft, pp.103-105. ISBN 978 3534234813.

[29] Kurz, F., Rosenbaum, D., Leitloff, J., Meynberg, O. & Reinartz, P. (2011): Real time camera system for disaster and traffic monitoring. In: Proceedings of International Conference on SMPR 2011. International Conference on Sensors and Models in Photogrammetry and Remote Sensing, 18.-19. Mai 2011, Tehran, Iran.

[30] Hinz, S. (2009): Density and Motion Estimation of People in Crowded Environments Based on Aerial Image Sequences. − International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 38(1-4-7/W5). CD-ROM.

[31] Sirmacek, B., Hoegner, L. & Stilla, U. (2011): Detection of windows and doors from thermal images by grouping geometrical features, Joint Urban Remote Sensing Event (JURSE󈧏), Muenchen, Germany, April 2011.

[32] Seifert, F. M. (2009): Improving Urban Monitoring toward a European Urban Atlas. – Gamba, P. & Herold, M. (Eds.): Global Mapping of Human Settlements: Experiences, Data Sets, and Prospects. Taylor & Francis Group: 231-249.

[33] Tinz, M., “Flächenerhebung und –aktualisierung im Rahmen GMES Land Monitoring”, 2. Dresdner Flächennutzungssymposium, 17/18. Juni 2010.

[34] Esch, T., Klein, D., Einig, K., Jahnz, B., Zaspel, B., Jonas, A., Heldens, W. and J. Wettemann, (2010b): Entwicklung und Evaluierung eines fernerkundungsbasierten Flächenbarometers als Grundlage für ein nachhaltiges Flächenmanagement. Schlussbericht zum Verbundvorhaben REFINA des BMBFs.

[35] Steinborn, W. (2010): The European Urban Atlas Supporting City Habitability. In: V1 Magazine Promoting Spatial Design for a Sustainable Tomorrow.

[36] Gonzalez, R. R. & Medina, J. S. (2004): Theories, Models and Urban Realities. From New York to Kathmandu. In: Dela 21, pp. 64-81.

[37] Elvidge C. K., Baugh E., Kihn H., Kroehl E.D., Davis, C.: Relation between satellite observed visible-near infrared emissions, population, economic activity and electric power consumption. In: International Journal of Remote Sensing, Vol. 18, pp 1373-1379. 1997.

[38] Lo, C.P.: Modeling the population of China using DMSP operational linescan system nighttime data. In: Photogrammetric Engineering and Remote Sensing, Vol. 67, pp. 1037–1047. 2001.

[39] Lu, D., Weng, Q., Li, G: Residential population estimation using a remote sensing derived impervious surface approach. In: International Journal of Remote Sensing, Vol. 27, Issue 16, pp. 3553-3570. 2006.

[40] Taubenböck, H., Roth, A. & Dech, S. (2007): Linking structural urban characteristics derived from high resolution satellite data to population distribution. In: Urban and Regional Data Management. In: Coors, Rumor, Fendel & Zlatanova (Hrsg.). Taylor & Francis Group, London, ISBN 978-0-41544059-2. S. 35-45.

[41] Liu, X., Herold, M.: Estimating population distributions in urban areas. In: Urban Remote Sensing, pp. 269-290. CRC Press/Taylor&Francis. London, 2007.

[42] Schneiderbauer, S. & Ehrlich, D.: EO data supported population density estimation at fine resolution – test case rural Zimbabwe. In: Zeug, G. & Pesaresi, M. (Eds): Global Monitoring for Security and Stability (GMOSS). Integrated Scientific and Technological Research Supporting Security Aspects of the European Union, JRC Scientific and Technical Reports, EUR 23033, pp. 194 – 209. 2007.

[43] United Nations University Institute for Environment and Human Security (UNU-EHS) (2008): Household Survey on Socio-Economic Vulnerability to Tsunamis in Padang City.

[44] Taubenböck, H. (2011): The Vulnerability of a city – diagnosis from a bird’s eye view. In: The Tsunami Threat – Research and Technology, Book edited by: N.-A. Mörner, ISBN: 978-953-307-552-5. pp. 107-128.

[45] Setiadi, N., Taubenböck, H., Raupp, S. & Birkmann, J. (2010): Integrating socio-economic data in spatial analysis: An exposure analysis method for planning urban risk mitigation. 15th International Conference on Urban Planning and Regional Development in the Information Society (REALCORP), Vienna, Austria. GeoMultimedia 2010. pp. 367-374.

[46] Liverman, D. (1998): People and Pixels: Linking remote sensing to social science. In: National Academy Press, Washington, D.C.

[47] Taubenböck, H., Münich, C., Zschau, J., Roth, A., Dech, S. & Mehl, H. (2009): Assessing building vulnerability using synergistically remote sensing and civil engineering. In: Krek, Rumor, Zlatanova & Fendel (eds). “Urban and Regional Data Management”, Taylor & Francis Group, London, ISBN 978-0-415-55642-2. pp. 287-300.

[48] Netzband, M., Stefanov, W.,L., Redman, C. (2007): Applied Remote Sensing for Urban Planning, Governance and Sustainability. Springer, p. 310. ISBN-10: 3642064930

[49] Ehrlich, D., Zeug, G., Gallego, J., Gerhardinger, A., Pesaresi, M. (2009): Quantifying the built-up stock from VHR optical satellite imagery for assessing disaster risk. ISPRS Journal of Photogrammetry and Remote Sensing.

[50] Geiss, C. Taubenböck, H., Wurm, M., Esch, T., Nast M., Schillings, C. & Blaschke, T. (2011): Evaluation of settlement structures for local heating systems using high and medium resolution multisensoral remote sensing data. In: Accepted for publication in Remote Sensing.

[51] Voogt, J.A. & Oke, T.R. (2003): Thermal remote sensing of urban climates. Remote sensing of environment, 86: 370-384.

[52] Goseberg, N. & Schlurmann, T. (2009): Enhanced hazard mapping on a medium-resolved numerical grid for the city of Padang, West Sumatra. Journal of ship technology 5, no. 2 (July): 13-21.

[53] Taubenböck, H., Goseberg, N., Setiadi, N., Lämmel, G., Moder, F., Oczipka, M., Klüpfel, H., Wahl, R., Schlurmann, T., Strunz, G., Birkmann, J., Nagel, K., Siegert, F., Lehmann, F., Dech, S., Gress, A., Klein R. (2009): Last-Mile preparation for a potential disaster – Interdisciplinary approach towards tsunami early warning and an evacuation information system for the coastal city of Padang, Indonesia. In: Natural Hazards and Earth System Sciences. vol. 9, pp. 1509-1528.


The use of remote sensing and geographic information systems for the evaluation of river basins: a case study for Turkey, Marmara River Basin and Istanbul

The aim of this study was to determine sensitive river basins and specific areas that urgently need planning activities for sustainable resource and environmental management. In this context, a combination of remote sensing (RS) and geographic information systems (GIS) were employed. For that purpose, a comprehensive overview of the current situation of Turkish river basins in terms of existing spatial data was provided and all tabular data gathered from the national authorities on regional basis was assessed in combination with the geometric data of Turkish river basins in a GIS environment. Considering the GIS studies that covered all 26 Turkish basins, the Marmara River Basin was selected as the model sensitive region and was studied in more detail by using 2000 dated Landsat 7 ETM mosaic satellite image. Results of this comprehensive study indicated that Istanbul, which is located in the basin under study and the largest metropolitan of Turkey, was determined as the most populated and urbanized area of the region. Istanbul was further examined to determine the expansion of urban areas over a time period of 16 years using Landsat images dated 1984, 1992 and 2000. Finally, interpretations were done by combining the demographic and statistical data on urban wastewater treatment plants to present the prevailing situation of the water treatment facilities in Istanbul. Our study not only delineated the importance of applying environmental policies correctly for the efficient installation and operation of urban wastewater treatment plants in Istanbul but also demonstrated that effective urban wastewater management is a nationwide problem in Turkey.


Remote Sensing Indices for urban expansion - Geographic Information Systems

With massive population expansion and fast economic development in last decade, urban land has increasingly expanded and formed high informal development territory in Kabul city. This paper investigates integrated urbanization trends in Kabul city since the formation of the basic structure of the present city using GIS and remote sensing. This study explores the spatial and temporal difference of urban land expansion and land use categories among different time intervals, 1964-1978 and 1978-2008 from 1964 to 2008 in Kabul city. Furthermore, the goal of this paper is to understand the extent of urban land expansion and the factors driving urban land expansion in Kabul city. Many factors like population expansion, the return of refugees from neighboring countries and significant economic growth of the city affected urban land expansion. Across all the study area urban land expansion rate, population expansion rate and economic growth rate have been compared to analyze the relationship of driving forces with urban land expansion. Based on urban land change data detected by interpreting land use maps, it was found that in the entire study area the urban territory has been expanded by 14 times between 1964 and 2008.


Abstrait

The expansion of urban land use is an indispensable tool of urban policy, particularly in developing countries which are facing rapid urbanization. However, most sophisticated spatial-analysis methods used in developed countries are not applicable to developing countries due to the limited availability of spatially-resolved statistical data. This study examines the applicability of a simple, classic monocentric urban model for capturing urban activities in three Chinese cities in 2003 and 2013. The model estimates traffic cost, goods consumption, area of available residential floor space, and rents for residential floor space by aggregating urban statistics and estimating urban areas using remote sensing data. We find that some predictions of our model are inaccurate due to its simple, static nature however, the model predicts meaningful temporal trends in key variables and meaningful differences among the population and economic growth trajectories of the three cities. Our results imply that the classic monocentric model is useful for approximating urban activities and for strategic planning of urban traffic policies, as it allows tracing of the causal mechanisms of urban activity and furnishes estimates for several critical statistical measures needed for policy evaluation. Although a monocentric model may not allow detailed representation of urban activity, we show that our simple model nonetheless offers advantages for studying urban planning practices in developing nations in which the availability of statistical data is limited.


Urban Expansion Process, Pattern, and Land Use Response in an Urban Mining Composited Zone from 1986 to 2013

This paper examines features, patterns, and driving forces of urban expansion in a urban-mining composited zone from 1986 to 2013 with geographical information system (GIS) and remote sensing (RS). Urban land information was extracted from remote sensing images of 1986, 1996, 2000, 2004, 2009, and 2013 to analyze the variation characteristics of urban land in quantity and spatial distribution. Expansion intensity, barycenter of urban land, and urban compactness are usedto analyze the expansion features of urban land over 27 years, describe the expansion types in each period, and discuss the expansion pattern. Additional analyses are conducted to determine the driving forces of urban expansion. The research results are as follows. Firstly, the area of urban land presented a trend of linear increase, with the expansion intensity index indicating a trend of exponential growth, and gentle expansion alternating with dramatic expansion. Secondly, urban land sprawled in a distinct concentric pattern around one center at first and two centers later. Thirdly, there were five expansion types during the 27 years, including westward-slow-concentrated expansion, westward-slow-scattered expansion, eastward-moderate-scattered expansion, eastward-moderate-concentrated expansion, and westward-dramatic-scattered expansion. Finally, the compactness of urban land fluctuated in 1986–2013, which implies that internal enrichment expansion and external extending appeared alternately. Furthermore, by analyzing natural and social economic data, four factors are considered as driving forces of urban expansion in Pingshuo mining area of China: limitation from landform, relative policies, increase of economy, and the development of mining area. Urban expansion and mining activities have resulted in dramatic landscape changes, which are studied by five landscape metrics. This study provides a typical case of urban expansion in an urban mining composited zone, and the findings can help provide better understanding of the process and mechanism of urban expansion in this kind of area.


Geospatial Analysis of Urban Expansion Using Remote Sensing Methods and Data: A Case Study of Yangtze River Delta, China

Land use in the Yangtze River Delta in 2000 and 2017 was classified by the visual interpretation of Landsat satellite images. Then, these images were overlain with economic and physical geographical data to analyze the urban spatial expansion pattern and its physical constraints and socioeconomic influence factors by employing a combination of transition matrix analysis, expansion intensity indices, and equal-fan analysis. The results showed that from 2000 to 2017, there was a significant increase in built-up areas in the region, with rapid expansion in the core area. The northern and southern parts of the Yangtze River Delta experienced different urban spatial expansions, with a higher scale and rate in the cities along the Yangtze River and the coast in Jiangsu Province in the north than in Zhejiang Province in the south. Cities expanded towards megacities or hubs along the Yangtze River or the coast, indicating that urban expansion is influenced by preferential policies and urban planning factors in addition to the spillover effects of neighboring cities and the adjacency to seas or large rivers. Finally, urban expansion is significantly constrained by elevation, with cities at lower elevations or in flat terrain undergoing more rapid urban expansion and development.

1. Introduction

Urbanization is a socioeconomic phenomenon with far-reaching effects and is a major indicator of regional economic development and social progress. Following four decades of reform and opening-up to globalization, China has experienced rapid economic growth accompanied by rapid urbanization, with the urban population ratio increasing from 17.92% in 1978 to 59.58% in 2019 [1]. Urban land increased at an even higher rate, by nearly two and a half times, from the 1990s to early 2000s [2]. As such, urban spatial expansion is a major indicator of urbanization, making it necessary to implement long-term monitoring of urban expansion and in-depth studies of the rate, direction, and scale of expansion to identify the corresponding critical driving factors and reveal their variation patterns. In doing so, land resources can be analyzed in a systematic and reasonable manner to sufficiently balance urbanization and sustainable economic development.

Urbanization studies date back to the early 20th century, focusing on the spatiotemporal patterns, driving factors, and impact of urban expansion. A more theoretical system of urbanization research was established in the 1950s [3]. For example, based on an analysis of land consumption in Milan, Italy, Camagni et al. [4] identified the following modes of urban expansion: packing, extension, linear expansion (along transportation lines), sprawling, and “satellite” type expansion. Extensions of this research allowed for the inclusion of physical, socioeconomic, accessibility, and neighborhood factors in the analysis of urban expansion and the spatiotemporal variation of relevant driving factors [5]. Moreover, new emerging technologies and methods—in particular, wide application of remote sensing technologies—have enabled urban expansion research on an immense spatiotemporal scale. Since the 1970s, the United States began to use long time series remote sensing data from Landsat to investigate the patterns and driving forces of urban land cover expansion and landscape metrics to predict future urban development trends [6, 7]. Other countries are also currently focusing on monitoring and predicting the rapid urbanization of cities by using Landsat Thematic Mapper (TM) or Operational Land Imager (OLI) [8–11].

In recent years, with the increasing availability of remote sensing data, investigating urban development patterns through the integration of different sources of remote sensing information has become a popular avenue of urbanization research. For example, studies of the intensity and mode of construction land expansion in developed and developing countries using multiple-source remote sensing data and the Defense Meteorological Satellites Program/Operational Linescan System (DMSP/OLS) night-time light data revealed the effect of policy factors at different economic development levels and of heterogeneous regional landscapes on urbanization [12–14]. Following the implementation of the Chinese national policy of reform and opening-up in the 1980s, the spatiotemporal changes of Chinese cities and their driving factors have attracted increasing attention from researchers [15–19].

In studies of the spatiotemporal differentiation and transfer patterns of urban land expansion of large and medium cities, including Shanghai, Beijing, Hangzhou, and Nanjing, remote sensing technology provided timely, cost-efficient, and effective data for large-scale urbanization research [20–25]. As a byproduct of investing increasing efforts for reform and economic accessibility, China experienced increasingly rapid urbanization. In particular, the Yangtze River Delta region is now considered the largest regional economy of China. In a regional development plan published by the Chinese government, the Yangtze River Delta is positioned as an economic center with the strongest comprehensive power in China it is considered not only as a major international gateway to the Asia-Pacific region, but also as a major base of global advanced manufacturing and the first megalopolis of China with international implications. As such, urbanization in this region has become a popular research topic. However, most remote sensing data-based studies of the urban spatiotemporal expansion in the Yangtze River Delta are outdated [26–30]. More recent studies of urbanization in this region have mainly focused on individual cities however, a comprehensive investigation of the Yangtze River Delta is distinctly lacking. In this study, the Yangtze River Delta was investigated to establish the characteristics, patterns, and mechanisms of urban spatiotemporal expansion since 2000, in order to provide scientific input to urban development planning and sustainable economic development in the region.

2. Materials and Methods

2.1. Study Area

Located adjacent to the Yellow and East China Seas, the Yangtze River Delta megalopolis (Figure 1 32°34′–29°20′N, 115°46′–123°25′E) is comprised of two provinces as well as Shanghai municipality. The area has a subtropical monsoon climate and serves as a major interface of the Belt and Road economies and the Yangtze River economic belt. Covering an area of approximately 11 × 10 4 km 2 , the core of the megalopolis includes the cities of Shanghai, Nanjing, Yangzhou, Zhenjiang, Suzhou, Wuxi, Changzhou, Taizhou (Jiangsu), Nantong, Hangzhou, Shaoxing, Huzhou, Jiaxing, Ningbo, Zhoushan, and Taizhou (Zhejiang). This megalopolis is one of the most developed and urbanized regions in China and thus is both the most densely populated region in China and one of the six biggest megalopolises in the world [31]. In 2016, the region had a GDP of 1.8 trillion USD, accounting for 16.7% of the Chinese economy, with a population of more than 9800 × 10 4 [1, 32, 33].

2.2. Données
2.2.1. Satellite Data

TM and OLI are key instruments onboard Landsat satellites which have a ground revisit period of 16 days. In 2009, images collected by Landsat satellites became freely available from the United States Geological Survey (USGS), with historical images dating back to 1982 at 15∼30 m pixel resolutions. A total of 7 spectral bands between 450 nm and 12.5 μm and 9 spectral bands between 433 nm and 2.3 μm are available by TM images and OLI images, respectively, allowing the exploration of the Earth’s resources and environments on a global scale at maximal resolution but with minimal costs. Images from the Landsat series satellites were selected for this study, owing to the consistent resolution and continuity of the data. All data used in this study were provided by the USGS/EROS Data Center, including 16 views of images from the Landsat-5 TM in 2000 and 15 views of images from the Landsat-8 OLI in 2017. All remote sensing images were of good quality and covered the entire study area (Table 1).

2.2.2. DEM Data

A digital elevation model (DEM) is a digital simulation of surface terrain using limited topographic elevation data (or a digital representation of the surface morphology) and is a physical model of surface elevation represented in matrices of ordered values. The Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Global Digital Elevation Model (GDEM) V2 data used in this study were provided by the Geospatial Data Cloud (http://www.gscloud.cn). Compared with the ASTER GDEM V1 data, the V2 data use more advanced algorithms and have an enhanced spatial resolution and elevation accuracy. The V2 data have a spatial resolution of 30 m and are presented in the WGS84 coordinate system using the Universal Transverse Mercator (UTM) projection.

2.2.3. Ground Observation Data

The remote sensing images selected for this study were obtained during the period of March to November for the years 2000 and 2017. To facilitate accurate visual interpretation of the images, more than 1500 reference ground objects, including 500 surface quadrats measuring 500 × 500 m, were randomly selected in the study area using a Trimble GEO-XT6000 GPS, with their latitudes and longitudes identified.

2.3. Méthodes
2.3.1. Data Preprocessing

Data preprocessing began with atmospheric correction on selected remote sensing images using the FLAASH module in ENVI 5.1 software. Second, geometric corrections were performed on the remote sensing images from 2017 using the latitude and longitude of reference ground objects as ground control point data, with the error held below 0.5 pixels. Next, geometric corrections were performed on the remote sensing images from 2000, using the geometrically corrected 2017 images as the reference. All the geometrically corrected images were then presented in the WGS84 coordinate system using the UTM projection. Finally, all the remote sensing images were tailored using the latest vector boundaries of the cities covered in this study.

2.3.2. Interprétation

Land cover in the study area was classified into one of the following six categories: farmland, forest, grassland, water bodies (including artificial water bodies), construction land, and unused land (including native vegetation and barren land). The classification was made by referencing GB/T21010-2017 Current Land Use Classification, issued by the General Administration of Quality Supervision, Inspection, and Quarantine of the People’s Republic of China, and noting the characteristics of land use in the study area. The mean values, standard deviations, and correlation coefficients of the images were quantitatively analyzed by frequency band, using the Optimum Index Factor (OIF) method proposed by Lu et al. [34]. Next, the information content of various frequency band combinations was computed. The resulting OIF values were arranged sequentially from high to low. The red, near-infrared, and short-wave infrared bands (corresponding to bands 3, 4, and 5 and 4, 5, and 6 of Landsat-5 TM and Landsat-8 OLI, respectively) were selected as the preferred bands in correspondence to the purpose of the study, the particular situation of the study area, and the characteristics of the spectral-reflectance of different ground objects in the frequency bands of the images. Next, after repeated trials, the red, near-infrared, and short-wave infrared bands were rendered in blue, red, and green colors, respectively, to transform the data into quasicolor data. The resulting data showed strong color contrast for different ground objects and had rich color gradation, thereby facilitating manual data interpretation. Finally, the land uses of the study area in 2000 and 2017 were classified using the visual interpretation method, that is, the interpretation of the remote sensing images based on their spectral characteristics, geoscience patterns, and expertise as well as the brightness, color tone, texture, spatial relationship, and phase of image pixels, with the results presented in Figure 2.


Remote Sensing Indices for urban expansion - Geographic Information Systems

Vous avez demandé une traduction automatique du contenu sélectionné de nos bases de données. Cette fonctionnalité est fournie uniquement pour votre commodité et n'est en aucun cas destinée à remplacer la traduction humaine. Neither SPIE nor the owners and publishers of the content make, and they explicitly disclaim, any express or implied representations or warranties of any kind, including, without limitation, representations and warranties as to the functionality of the translation feature or the accuracy or completeness of the translations.

Les traductions ne sont pas conservées dans notre système. Your use of this feature and the translations is subject to all use restrictions contained in the Terms and Conditions of Use of the SPIE website.

An analysis of urban expansion of Wuhan City based on multi-temporal remote sensing images and GIS

Zhongping Zeng, 1 Zonghua Li, 1 Mingjun Peng, 2 Xinghai Lu 1

1 Huazhong Univ. of Science and Technology (China)
2 Wuhan Urban Planning and Land Administration Information Ctr. (Chine)

SUBSCRIBE TO DIGITAL LIBRARY

50 downloads per 1-year subscription

25 downloads per 1 - year subscription

Includes PDF, HTML & Video, when available

Remote sensing technology integrated with GIS (Geographical Information System) is an effective tool for urban expansion and pattern analysis. This paper presents a GIS/Remote sensing-aided procedure for urban space pattern evolving process at a regional scale in Wuhan city, Hubei Province of China, where grow rapidly in the past several decades. Firstly, a series of geospatial dataset was constructed, such as remote sensing images, regionalism maps, transport system maps and land use types maps. By using data of the different temporal TM and ETM+ images, three indices, i. e. Normalized Difference Built-up Index (NDBI), Normalized Difference Water Index (NDWI) and Soil Adjusted Vegetation Index (SAVI) were calculated. Then, the three index bands were used to compose a new image and a maximum likehood-based supervised classification was carried out. The extraction result from the composed image show that a 90.3% overall accuracy validated by SPOT5 images in the same period. The methods mentioned above correctly identified different land use types in the study area. Secondly, the changing information of land use was then merged into the ETM+ images through layers stacked or image data fusion. The new data fusion image was formed for evolving process analysis of urban pattern. Other data sources, such as regionalism maps, transport system maps, annotation maps, had been also overlay in GIS environment. Six urban expansion areas were distinguished by the analysis of multi-temporal remote sensing images. The results coincide well with the field census data. Finally, the features and characteristics of urban expansion in Wuhan in 1990s were also described.

© (2007) COPYRIGHT Society of Photo-Optical Instrumentation Engineers (SPIE). Le téléchargement du résumé est autorisé pour un usage personnel uniquement.