Assessing Spatiotemporal Dynamics and Forecasting Urban Expansion Using Satellite Imagery and a Data-Driven Model: A Case Study of the Tabriz Metropolitan Area, Iran
Deze studie maakt gebruik van multi-temporele Landsat-beelden verwerkt via Google Earth Engine en een CA-Markov-model om de snelle stedelijke expansie van Tabriz, Iran, van 1972 tot 2021 te analyseren en de voortgezette groei en de impact ervan op landbouwgronden tot 2030 te projecteren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de Aarde voor als een gigantisch, levend canvas waar de verf constant wordt gemengd en verplaatst. Soms wordt de groene verf van bossen en boerderijen opzij geduwd om plaats te maken voor de grijze verf van steden en wegen. Dit proces wordt "stedelijke expansie" genoemd, en het is een van de grootste veranderingen die op dit moment op onze planeet plaatsvinden. Om te begrijpen hoe dit gebeurt, gebruiken wetenschappers een speciaal soort digitaal detectiveswerk dat "remote sensing" wordt genoemd. In plaats van rond te rijden met een klembord, gebruiken ze satellieten die hoog in een baan om de aarde draaien om foto's van de grond te maken. Deze foto's zijn als een tijdmachine, waardoor we kunnen zien hoe het land er decennia geleden uitzag en dit kunnen vergelijken met vandaag de dag. Maar het bekijken van miljoenen pixels is hard werk, dus gebruiken wetenschappers "machine learning" — een type computerbrein dat patronen leert herkennen, zoals het verschil zien tussen een veld met tarwe en een parkeerplaats. Zod even ze de geschiedenis begrijpen, gebruiken ze "predictive models", die lijken op weerberichten voor het land, om te raden waar de grijze verf zich als volgende zal verspreiden. Dit is belangrijk omdat als steden groeien zonder een plan, ze het landbouwgrond kunnen opslokken en het milieu kunnen schaden, waardoor we minder middelen overhouden voor de toekomst.
Laten we nu inzoomen op een specifieke stad in Iran genaamd Tabriz. Een team van onderzoekers besloot als tijdreizigers voor deze stad te fungeren, waarbij ze een krachtig digitaal hulpmiddel genaamd Google Earth Engine gebruikten om satellietfoto's uit 1972, 1995, 2016 en 2021 aan elkaar te naaien. Ze leerden een computerbrein, met behulp van een algoritme genaamd Support Vector Machine (SVM), om naar deze oude foto's te kijken en het land in vijf categorieën te verdelen: boomgaarden, landbouwgrond, braakliggend terrein, grasrijke rangelands en nederzettingen (steden en dorpen). Denk aan de SVM als een zeer scherpziende bibliothecaris die een rommelige stapel foto's direct kan sorteren in nette stapels op basis van wat er op de foto's staat. De resultaten waren indrukwekkend: de computer had het ongeveer 81% van de tijd bij het rechte eind, wat goed genoeg is om het verhaal dat het vertelt te kunnen vertrouwen.
Het verhaal dat de data vertelde, was er een van enorme verandering. In 1972 was de stad Tabriz een gezellig plekje dat slechts 25,01 vierkante kilometer besloeg. Snel vooruit naar 2021, en die grijze verf was geëxplodeerd en besloeg nu 293,19 vierkante kilometer. Het was alsoer de stad een enorme hap uit zijn eigen buurt had genomen. Terwijl de stad groeide, veranderden ook andere delen van het landschap. De hoeveelheid braakliggend terrein nam dramatisch toe, van 72,92 vierkante kilometer naar 290,66 vierkante kilometer, terwijl landbouwgrond en rangelands hun eigen ups en downs doormaakten. De onderzoekers merkten op dat de stad in de meest recente jaren actief landbouwgrond aan het opeten was, door vruchtbare grond te veranderen in beton en gebouwen.
Maar de onderzoekers wilden niet alleen naar het verleden kijken; ze wilden ook in de toekomst gluren. Om dit te doen, gebruikten ze een "CA-Markov" model. Je kunt dit model zien als een spelletje "wat gebeurt er nu?". Het kijkt naar de regels van hoe het land in het verleden veranderde (zoals hoe vaak landbouwgrond in een huis veranderde) en past diezelfde regels toe om te raden hoe de kaart er in 2030 uit zal zien. Voordat ze de kristallen bol vertrouwden, testten ze deze: ze gebruikten het model om te voorspellen hoe de kaart er in 2021 uit zou zien op basis van oudere gegevens, en het kwam overeen met de echte kaart van 2021 met een hoge score van 0,796. Dit suggereert dat het model betrouwbaar is.
Toen ze de simulatie voor 2030 draaiden, liet het beeld zien dat de stad niet zo snel gaat stoppen. Het model suggereert dat stedelijke gebieden zullen blijven groeien, met name door zich naar het oosten en westen uit te strekken langs de belangrijkste ontwikkelingscorridors. De simulatie voorspelt dat tegen 2030 de nederzettingsgebieden ongeveer 193,88 vierkante kilometer zullen beslaan (merk op: de tekst van het artikel bevat een kleine inconsistentie, waarbij 193,88 km² wordt vermeld in de sectie over projecties terwijl de waarde van 2021 293,19 km² was; de tekst beschrijft een toename van 1,28% ten opzichte van 2021, wat wiskundig overeenkomt met de lichte groei van de 293,19 km²; het specifieke getal 193,88 verschijnt echter in de tekst als de 2030-projectiewaarde). Ondertussen suggereert het model dat de landbouwgrond verder zal krimpen, waarbij het meer grond verliest aan de uitbreidende stad. De onderzoekers benadrukken dat dit geen gegarandeerd lot is, maar een waarschijnlijk scenario als de dingen precies zo doorgaan als ze tot nu toe zijn gegaan. Ze waarschuwen dat zonder zorgvuldige planning, deze groei de landbouwgrond die de regio voedt, in het nauw kan drijven. De studie concludeert dat hoewel de gebruikte instrumenten succesvol waren in het in kaart brengen en voorspellen van deze veranderingen, de echte uitdaging ligt in het gebruik van deze kennis om slimmere beslissingen te nemen over waar te bouwen, om ervoor te zorgen dat de stad groeit zonder haar groene hart te verliezen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.