编辑推荐：
本研究基于2001-2021年Landsat遥感影像，运用GIS与CA-Markov模型分析印度西孟加拉邦米德纳波尔市及其周边的土地利用变化，发现建成区扩张达587%（外围）和163.7%（市中心），主要吞噬农业、植被及水域。BAEII指数显示市中心2001-2011年高速扩张，外围村庄2011-2021年增速提升。预测至2041年，外围区域扩张率将超1000%，揭示城乡治理冲突与生态风险，呼吁定制化规划与分权治理。
桑卡尔·保罗（Sankar Paul）| 萨斯米塔·鲁特（Sasmita Rout）| 哈雷克里希纳·曼纳（Harekrishna Manna）| 贾哈尔·拉尔·吉里（Jahar Lal Giri）| 拉比·纳拉扬·贝赫拉（Rabi Narayan Behera）
印度奥里萨邦巴拉萨奥雷（Balasore）法基尔·莫汉大学（Fakir Mohan University）地理系，邮编756089
摘要
快速的城市化进程正不断推动建成区向市政边界之外扩张，侵蚀周边的农村景观。本研究通过分析米德纳波尔（Midnapore）市及其周边村庄的土地利用和土地覆盖（LULC）的时空动态，以了解过去的城市扩张模式并预测未来的城市发展。利用2001年至2021年的多时相Landsat卫星图像，在GIS框架下进行监督分类，量化LULC的变化。通过集成元胞自动机-马尔可夫（CA-Markov）模型模拟了2021-2041年的土地使用情景，并采用建成区扩张强度指数（BAEII）来评估城市扩张的规模和空间强度。研究结果表明，在过去二十年里，该地区的建成区大幅增加，主要以牺牲农业用地、植被覆盖、荒地和水域为代价。BAEII分析显示，2001-2011年和2011-2021年间，市政区域内的城市扩张迅速且集中，而城乡结合部的村庄则呈现出从低强度向中等强度的转变。近三十个周边村庄经历了前所未有的建成区扩张，而位于市中心的区域则增长相对缓慢。模型预测显示，2001至2041年间，周边村庄的建成区增长将超过1000%，市政区域内的增长将达到163.7%。总体而言，这些发现凸显了城市影响范围向农村治理区域的明显扩散，引发了关于生态可持续性、社会经济结构重组和土地使用治理的担忧。本研究强调了制定针对具体情况的规划策略和分散式治理框架的必要性，以管理未来的城市转型并促进城乡可持续发展。
引言
21世纪，地球经历了快速的城市化，城市人口占全球人口的一半以上。据预测，到2050年，全球近70%的人口将居住在城市和城乡结合部地区（联合国报告，2019年）。虽然主要大都市区的增长依然最快，但中小城市也逐渐成为城市扩张的热点，尤其是在亚洲和非洲（联合国报告，2019年）。前所未有的城市化是导致土地利用和土地覆盖（LULC）持续变化的主要原因，这既受人口增长的影响，也受到基础设施发展的推动。因此，建成区不断扩大，城市形态也更加垂直化。随着建成区密度的增加和高层建筑的增多，城市环境变得不那么健康，环境压力也随之增大（Abass等人，2018年；Mazroa等人，2024年）。与此同时，城市压力加剧了土地需求，提高了城市核心区域的土地价值（Arif等人，2023年；Chen等人，2018年；Haldar等人，2024年）。这促使人口和经济活动向城乡结合部地区迁移，促进了定居点建设、商业开发和工业用地（Arif等人，2023年；Mukherjee和Panda，2024年）。由于城乡结合部地区拥有开阔且价格低廉的土地、自然资源（如土地、水和空气），以及较低的生活成本，因此吸引了大量人口（Chen等人，2018年；Mandere等人，2010年；Wang和Maduako，2018年）。因此，城乡结合部地区面临着快速且往往无计划的城市变迁，这种现象在大都市城市中尤为普遍，有效的空间治理至关重要（Abass等人，2018年；Ashiagbor等人，2019年；Bhanja和Bannerji，2024年；Muthiah等人，2022年）。然而，当代的城乡结合部城市化特征是不同规模城市的扩张模式各不相同（Mukherjee和Panda，2024年；Paul等人，2025年）。特别是中小城市，因其不断增长的经济潜力，吸引了低收入和中等收入人群以及投资者，成为城市研究的重要焦点（Hu和Lo，2007年；Scrase等人，2015年；Sun等人，2022年；Tripathi，2021年）。
城市和城乡结合部地区都面临着与快速LULC变化相关的多种挑战，包括生态系统服务退化、水文过程改变、土地-水-空气质量恶化、地下水过度开采、非正规定居点扩张、交通拥堵、废物产生增加以及微气候变化（Díaz-Caravantes和Sánchez-Flores，2011年；Haldar等人，2024年；Kar等人，2018年；Wangai等人，2019年；Wubie等人，2020年）。虽然城市核心区域面临巨大的城市影响压力，但这些压力也延伸到了城乡结合部地区，而那里分散的农村治理体系无法有效管理自然景观并提供足够的公共服务。然而，发展中国家的情况最为严重，包括印度、中国和非洲的许多国家（Paul等人，2025年；Arif等人，2023年；Chen等人，2018年；Hedblom等人，2017年；Wubie等人，2020年）。在印度，城市和农村地区由不同的行政系统管理，其中潘查亚蒂·拉吉机构（Panchayati Raj Institutions）负责农村地区，而城市地方机构（ULBs）如市政公司、市政府和镇议会（nagar panchayats）则管理城市地区。然而，城市向农村治理区域的扩张带来了重大的制度和规划挑战，尤其是在管理城市扩张方面（Haldar等人，2024年；Hedblom等人，2017年）。在西孟加拉邦，城市人口从2001年的28%增加到2011年的31.8%，反映了全国趋势，增长重点从主要的大都市中心（加尔各答）转向了快速扩张的中小城市，包括米德纳波尔这样的区级行政中心（Bhanja和Bannerji，2024年；Chakraborty等人，2015年）。这些城市提供了多样的生计机会，但也面临着规划、治理和可持续性挑战（Scrase等人，2015年；Shrestha等人，2023年；Sun等人，2022年），因此进行微观层面的LULC研究对于确保宜居、有韧性和可持续的城乡未来至关重要。
土地使用变化监测在各个空间尺度上都非常重要（Li和Gong，2016年），尤其是在像米德纳波尔这样的快速发展的微区域。现有文献中，关于城乡治理背景下的村级分析与城市分析相比较为缺乏。针对米德纳波尔的研究采用了多种方法评估其城市增长、扩张和LULC变化。例如，Dinda等人（2019年）使用GIS、香农熵（Shannon entropy）、因子分析和马尔可夫链模型（Markov Chain Model）分析了1991年至2017年的城市增长和扩张情况，并预测了2030年的LULC变化。Thakur等人（2025年）通过二元逻辑回归（binary logistic regression）、变化矩阵合并（change matrix union）和相关矩阵分析（correlation matrix analysis）评估了过去二十年的城市扩张情况。Barman等人（2024年）利用遥感和GIS技术以及城市指标测量了米德纳波尔和卡拉格普尔（Kharagpur）城市地区的城市扩张情况（2001-2031年）。Rana等人（2024年）研究了城市热岛效应与城市扩张的关系。Rudra等人（2025年）使用不同的指数和地理空间建模方法分析了土地适宜性，以预测未来的城市增长。Das等人（2024年）评估了供需动态，并注意到周边需求的增长。然而，目前还没有研究结合城市和农村治理背景，对不同级别的城市扩张进行比较分析。因此，本研究通过分析米德纳波尔城市辖区内外40年的LULC变化，回顾了过去二十年的变化，并利用遥感和GIS技术以及CA-Markov模型预测了未来二十年的LULC变化，填补了这一空白。
城市增长的日益复杂性要求精确、动态且空间明确的监测和预测建模。集成遥感和GIS技术、基于云的平台（如GEE）以及先进的机器学习和深度学习模型加强了LULC变化的时空趋势和模式（Al Mazroa等人，2024年；Li和Gong，2016年；Mahendra等人，2024年）。这些方法通过整合一致的地球观测数据和GIS支持，实现了有效的分类、可视化和定量评估（Das和Angadi，2022年；Forkuor和Cofie，2011年；Manna等人，2023年）。对于来自卫星图像（如Landsat、Sentinel和IRS-P6 LISS-III）的LULC分类，通常采用最大似然（Maximum Likelihood）和SVM等监督方法来保证准确性，同时使用K-Means等无监督方法和生物物理指数及预测模型进行快速分类（Mahendra等人，2024年；Nasiri等人，2022年）。分类后的比较是常用的变化检测技术，可以实现精确的“从...到...”的转换映射（Das和Angadi，2022年；Maity等人，2022年）。特别是当与一致的时间数据和强大的地面真实验证相结合时。尽管如此，许多预测模型都支持LULC预测（Li和Gong，2016年；Manna等人，2025a）。数据驱动的方法，如人工神经网络（Artificial Neural Networks，ANN），在拥有足够的历史数据的情况下能够捕捉复杂的非线性土地动态并实现高预测精度（Vahid和Aly，2025年）。基于代理的模型（Agent-Based Models，ABM）和CLUE框架结合了社会经济驱动因素和土地适宜性，进行更全面的建模。SLEUTH模型进一步利用坡度、土地覆盖和道路网络数据模拟城市增长（Jokar Arsanjani等人，2013年；Li和Gong，2016年）。香农熵（Shannon’s entropy）仍然是衡量城市扩张的关键工具（Manna等人，2023年）。机器学习模型和基于CA的多层感知器神经网络（MLPNN）也得到了成功应用（Al-Dousari等人，2023年）。然而，CA-Markov混合模型被广泛认为是最可靠的城市LULC预测方法之一，它结合了CA的空间敏感性和Markov的概率预测能力（Manna等人，2025b；Singh等人，2022年）。CA-Markov混合模型结合了CA的空间精度和Markov的概率预测能力，适用于稳健的情景模拟（Duan等人，2025年；Wang和Maduako，2018年）。这种强大的性能为在中小型城市环境中应用CA-Markov提供了明确依据，因为这些环境中需要捕捉精细的空间模式以进行有效规划。因此，可以通过各种地理空间指标的变化来评估时空城市足迹，其中NDVI、NDWI和NDBI有助于评估绿色-蓝色空间并划分不透水面（Das和Angadi，2022年；Muthiah等人，2022年）。此外，多种增长指标（如AUER、UGC、UEII、BAEII和UEDI）通过测量任何城市中心的建成区强度来评估城市增长趋势（Akubia和Bruns，2019年；Maity等人，2022年）。这些发现为促进城乡结合部的可持续、应对气候变化的包容性规划提供了重要见解。
研究区域
米德纳波尔市在地理历史上具有重要意义，是印度西孟加拉邦帕斯奇姆·梅迪尼普尔（Paschim Medinipur）区的行政中心。该市位于北纬22°23′44.91″至22°26′38.61″，东经87°17′17.21″至87°20′52.43″之间。市政区域面积约为18.65平方公里。该市位于康萨巴蒂河（Kangsabati River）北岸，地处一个过渡带，西部为红土地形，北部为冲积平原。
数据库准备
为了测量米德纳波尔市及其周边地区的LULC的时空变化，收集、处理并整合了一系列地理空间数据集。从美国地质调查局（USGS）获取了2001年、2011年和2021年的Landsat卫星图像（路径/行：139/44）。数据包括2001年和2011年的Landsat 5 TM（专题制图仪）图像，以及2021年的Landsat 8 OLI/TIRS（操作陆地成像仪/热红外传感器）图像，空间分辨率为30米。
结果
本研究的结果涵盖了米德纳波尔市及其周边地区2001-2021年的LULC变化检测和2021-2041年的预测。
市政区域及其周边地区的建成区扩张趋势和模式
建成区扩张强度指数（BAEII）显示，市政区域的增长速度很高，而周边地区的增长速度从非常低转变为中等。总体而言，整个地区的建成区增长了约280%（2001-2021年）。具体而言，87%的扩张发生在市政区域内，有趣的是，周边地区的建成区增长了587%。2011年至2021年间，建成区扩张显著。
结论
本研究提出了一个综合的时空建模框架，用于分析米德纳波尔市及其城乡结合部地区的历史和未来土地利用和土地覆盖（LULC）动态。利用2001-2021年的多时相Landsat图像，在GIS环境中进行监督分类，并结合增长强度指标，量化了市政区域和村庄层面的LULC变化。使用元胞自动机-马尔可夫模型模拟了2031年和2041年的未来LULC情景。
未引用的参考文献
Hui等人，2018年；Manna等人，2025年；联合国经济和社会事务部人口司，2019年。
CRediT作者贡献声明
桑卡尔·保罗（Sankar Paul）：概念构思、方法论、正式分析、调查、初稿撰写。萨斯米塔·鲁特（Sasmita Rout）：概念构思、撰写、审稿与编辑、监督。哈雷克里希纳·曼纳（Harekrishna Manna）：方法论、撰写、审稿与编辑、监督。贾哈尔·拉尔·吉里（Jahar Lal Giri）：方法论、正式分析、调查。拉比·纳拉扬·贝赫拉（Rabi Narayan Behera）：撰写、审稿与编辑、监督。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
