(Lal, 2000; Prokop and Poreba, 2012

(Lal, 2000; Prokop and Poreba, 2012; Xiao and Ximing, 2011),and c) agricultural land abandonment (Dhanmanjiri, 2011). The country currently faces the dilemma of needing to increase agricultural productivity while highly productive agricultural lands are being converted to urban uses (Brahmanad et al., 2013; Chadchan and Shankar; 2012; Fazal, 2001; Kalmkar, 2009). The sustainable management of agricultural lands is a prime concern amongst the science and policy communities (Dhanmanjiri, 2011; Fazal, 2001), and a first step towards finding a solution is to develop a scientific understanding of agricultural land loss due to urban expansion.
Two common approaches to examine the area of agricultural land lost to urban growth are to use data from national yearbooks and estimates from remote sensing (Kaufmann and Seto,2001;Seto et al., 2000). Data from yearbooks lack detailed spatially explicit information (Boucher and Seto, 2009; Kaufmann and Seto, 2001). Studies have utilized multi-temporal remote sensing images to investigate urban growth and have reported significant loss of agricultural lands in different Indian cities including Vadodara (Sandhya Kiran and Joshi, 2013), Saharanpur (Fazal, 2001),Hyderabad (Rahman et al., 2011 ; Wakode et al., 2013),and Aligarh (Farooq and Ahmad, 2008). Most studies using multi-temporal remote sensing images analyze land-use change over a defined period of five years (Farooq and Ahmad,2008;Wakode et al., 2013), ten years (Fazal, 2001; Wakode et al., 2013),or other time periods,depending upon the availability of images. Due to a lack of temporal detail, such studies are limited in identifying exactly when land-use change occurred and thus commonly report land-use changes over an entire period. In this context, coarse resolution high frequency data from sensors such as the Moderate Resolution Image Spectroradiometer (MODIS), Defense Mateorological Satellite Program/Operational Linescan System (DMSP/OLS), and SPOT Vegetation (SPOT-VGT) are valuable for determining when land-use changes occur. Knowing when agricultural land conversion took place is important to examine the effectiveness of policies and their implementation (Boucher and Seto, 2009; Kaufmann and Seto, 2001).
The purpose of this research is to examine the urban conversion of agricultural lands in India, including where and when the land conversions occurred. Our primary objectives are to analyze agricultural land loss throughout the country and to explore the degree and consistency of agreement between estimates from agricultural census and satellite data. This study analyzes agricultural land loss in India between 2001 and 2010 using remote sensing data from multiple sensors. The study also highlights the advantages and limitations of using remote sensing versus census-derived estimates to assess agricultural land loss in India.
2.Material and methods
2.1 Data description
2.1.1 Satellite data
We used the MODIS MOD13Q1 time series dataset (10 tiles each containing 253 time series images) for the period June, 2000 to May, 2011. We preprocessed the data on a tile-by-tile basis with the TIMESAT program (Jonsson and Eklundh, 2004) and applied adaptive Savitzky-Golay filter to minimize negatively biased noise commonly encountered in the NDVI datasets due to cloud and haze cover. In addition, we used the pixel reliability parameter included in the MOD13Q1 dataset to assign higher weights (1) to good quality data points and lower weights (0.25) to marginal quality data points in the time series during preprocessing. Even though preprocessing with the adaptive Savitzky-Golay filter minimized the residual noise, anomalous spikes in the NDVI time series remained for some pixels. Hence we applied principal component based projective filtering (Small, 2012) on the NDVI time-series (fig. 1).
In addition to the NDVI dataset, we also used nighttime lights (NTL) data-collected by the DMSP/OLS-to characterize urban conversion of agricultural lands (http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html). NTL data measure lights on Earth's surface, including street lights, and has been shown to be correlated with urban economic activity (chen and Nordhaus, 2011: Henderson et al., 2012: Sutton, 2007), population (Sutton et al., 2001; Sutton, 2003; Zhuo et al., 2009) and the built environment (Elvidge et al., 2001, 2007: Lu et al., 2008; Ma et al., 2012). A recent study shows that NTL data has mixed accuracy in identifying urbanization. In general, it does well identifying urbanization in developed countries but not as well in developing countries (Zhang and Seto, 2013). The lower accuracy in developing countries is likely due to a lack of infrastructure, especially in the outdoor street lighting, as well as limited access to or availability of electricity (Zhang and Seto, 2013). We used a second-order polynomial regression to inter-calibrate the time series NTL (Elvidge et al., 2009), and then calculated the median NTL for a given year by including images for+-1 year. The rationale for this is to accommodate for any inconsistencies that remain even after inter-calibration and to accurately detect change pixels. We computed the median NTL for 2000 and 2010. To compute median NTL for the year 2000, we used inter-calibrated images of year 1999, 2000 and 2001. The NTL image for 2011 had significant over glow issues even after calibration. Therefore, we computed the median NTL for the year 2010 using calibrated images for 2008, 2009 and 2010. Using visual examination, we observed that the median NTL image were able to capture urban expansion for our study period. It is important to note here that the processed NTL data (median images) used were for the years 2000 and 2010, whereas the MODIS NDVI data were from 2000 to 2011. MODIS NDV time-series was used until 2011 to accommodate the temporal signature of the crops that were sown in the winter season of 2010 and harvested in spring season of 2011. We resampled the median NTL to 250 m to match the spatial resolution of the NDVI data.
2.1.2.1. Agricultural census data
We acquired state-wise agricultural land use statistics compiled by the Directorate of Economics and statistics, Ministry of Agriculture, Govt. of Indian (http://lus.dacnet.nic.in). The statistics include nine land-use categories: 1) forests: 2 ) area under nonagricultural uses, 3 ) barren and un-culturable land, 4) permanent pastures and other grazing lands, 5 ) land under miscellaneous tree, crops, etc., 6 ) Fallow lands other than current follow, 7 ) current fallow, 8 ) culturable waste land (such as fallow or covered with shrubs, but not put to use during the last five year), and 9 ) net area sown. Of the nine categories, the conversion of agricultural lands for non-agricultural purposes is captured in the category "area under non-agricultural uses”. However, this category also includes land under water such as rivers and canals. The agricultural census does not explicitly label agricultural lands that are irreversibly lost to urban development. Analysis of the agricultural census data shows inconsistencies in the time-series estimates of area under non-agricultural uses. For example, for some states, the total area in “non-agricultural uses” was less than the preceding year, suggesting that the total land occupied by buildings and roads were less than the change in land area under water, which is unlikely and suggests errors in the data. To correct for these inconsistencies in the area estimates over time, we normalized the area under non-agricultural uses with the reporting area used time series differencing to obtain a normalized estimate of change in area under non-agricultural uses. Although we removed all the values for

(Lal, 2000; Prokop and Poreba, 2012; Xiao and Ximing, 2011),and c) agricultural land abandonment (Dhanmanjiri, 2011). The country currently faces the dilemma of needing to increase agricultural productivity while highly productive agricultural lands are being converted to urban uses (Brahmanad et al., 2013; Chadchan and Shankar; 2012; Fazal, 2001; Kalmkar, 2009). The sustainable management of agricultural lands is a prime concern amongst the science and policy communities (Dhanmanjiri, 2011; Fazal, 2001), and a first step towards finding a solution is to develop a scientific understanding of agricultural land loss due to urban expansion.
 Two common approaches to examine the area of agricultural land lost to urban growth are to use data from national yearbooks and estimates from remote sensing (Kaufmann and Seto,2001;Seto et al., 2000). Data from yearbooks lack detailed spatially explicit information (Boucher and Seto, 2009; Kaufmann and Seto, 2001). Studies have utilized multi-temporal remote sensing images to investigate urban growth and have reported significant loss of agricultural lands in different Indian cities including Vadodara (Sandhya Kiran and Joshi, 2013), Saharanpur (Fazal, 2001),Hyderabad (Rahman et al., 2011 ; Wakode et al., 2013),and Aligarh (Farooq and Ahmad, 2008). Most studies using multi-temporal remote sensing images analyze land-use change over a defined period of five years (Farooq and Ahmad,2008;Wakode et al., 2013), ten years (Fazal, 2001; Wakode et al., 2013),or other time periods,depending upon the availability of images. Due to a lack of temporal detail, such studies are limited in identifying exactly when land-use change occurred and thus commonly report land-use changes over an entire period. In this context, coarse resolution high frequency data from sensors such as the Moderate Resolution Image Spectroradiometer (MODIS), Defense Mateorological Satellite Program/Operational Linescan System (DMSP/OLS), and SPOT Vegetation (SPOT-VGT) are valuable for determining when land-use changes occur. Knowing when agricultural land conversion took place is important to examine the effectiveness of policies and their implementation (Boucher and Seto, 2009; Kaufmann and Seto, 2001).
 The purpose of this research is to examine the urban conversion of agricultural lands in India, including where and when the land conversions occurred. Our primary objectives are to analyze agricultural land loss throughout the country and to explore the degree and consistency of agreement between estimates from agricultural census and satellite data. This study analyzes agricultural land loss in India between 2001 and 2010 using remote sensing data from multiple sensors. The study also highlights the advantages and limitations of using remote sensing versus census-derived estimates to assess agricultural land loss in India.
 2.Material and methods
2.1 Data description
2.1.1 Satellite data
 We used the MODIS MOD13Q1 time series dataset (10 tiles each containing 253 time series images) for the period June, 2000 to May, 2011. We preprocessed the data on a tile-by-tile basis with the TIMESAT program (Jonsson and Eklundh, 2004) and applied adaptive Savitzky-Golay filter to minimize negatively biased noise commonly encountered in the NDVI datasets due to cloud and haze cover. In addition, we used the pixel reliability parameter included in the MOD13Q1 dataset to assign higher weights (1) to good quality data points and lower weights (0.25) to marginal quality data points in the time series during preprocessing. Even though preprocessing with the adaptive Savitzky-Golay filter minimized the residual noise, anomalous spikes in the NDVI time series remained for some pixels. Hence we applied principal component based projective filtering (Small, 2012) on the NDVI time-series (fig. 1).
 In addition to the NDVI dataset, we also used nighttime lights (NTL) data-collected by the DMSP/OLS-to characterize urban conversion of agricultural lands (http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html). NTL data measure lights on Earth's surface, including street lights, and has been shown to be correlated with urban economic activity (chen and Nordhaus, 2011: Henderson et al., 2012: Sutton, 2007), population (Sutton et al., 2001; Sutton, 2003; Zhuo et al., 2009) and the built environment (Elvidge et al., 2001, 2007: Lu et al., 2008; Ma et al., 2012). A recent study shows that NTL data has mixed accuracy in identifying urbanization. In general, it does well identifying urbanization in developed countries but not as well in developing countries (Zhang and Seto, 2013). The lower accuracy in developing countries is likely due to a lack of infrastructure, especially in the outdoor street lighting, as well as limited access to or availability of electricity (Zhang and Seto, 2013). We used a second-order polynomial regression to inter-calibrate the time series NTL (Elvidge et al., 2009), and then calculated the median NTL for a given year by including images for+-1 year. The rationale for this is to accommodate for any inconsistencies that remain even after inter-calibration and to accurately detect change pixels. We computed the median NTL for 2000 and 2010. To compute median NTL for the year 2000, we used inter-calibrated images of year 1999, 2000 and 2001. The NTL image for 2011 had significant over glow issues even after calibration. Therefore, we computed the median NTL for the year 2010 using calibrated images for 2008, 2009 and 2010. Using visual examination, we observed that the median NTL image were able to capture urban expansion for our study period. It is important to note here that the processed NTL data (median images) used were for the years 2000 and 2010, whereas the MODIS NDVI data were from 2000 to 2011. MODIS NDV time-series was used until 2011 to accommodate the temporal signature of the crops that were sown in the winter season of 2010 and harvested in spring season of 2011. We resampled the median NTL to 250 m to match the spatial resolution of the NDVI data.
2.1.2.1. Agricultural census data 
 We acquired state-wise agricultural land use statistics compiled by the Directorate of Economics and statistics, Ministry of Agriculture, Govt. of Indian (http://lus.dacnet.nic.in). The statistics include nine land-use categories: 1) forests: 2 ) area under nonagricultural uses, 3 ) barren and un-culturable land, 4) permanent pastures and other grazing lands, 5 ) land under miscellaneous tree, crops, etc., 6 ) Fallow lands other than current follow, 7 ) current fallow, 8 ) culturable waste land (such as fallow or covered with shrubs, but not put to use during the last five year), and 9 ) net area sown. Of the nine categories, the conversion of agricultural lands for non-agricultural purposes is captured in the category "area under non-agricultural uses”. However, this category also includes land under water such as rivers and canals. The agricultural census does not explicitly label agricultural lands that are irreversibly lost to urban development. Analysis of the agricultural census data shows inconsistencies in the time-series estimates of area under non-agricultural uses. For example, for some states, the total area in “non-agricultural uses” was less than the preceding year, suggesting that the total land occupied by buildings and roads were less than the change in land area under water, which is unlikely and suggests errors in the data. To correct for these inconsistencies in the area estimates over time, we normalized the area under non-agricultural uses with the reporting area used time series differencing to obtain a normalized estimate of change in area under non-agricultural uses. Although we removed all the values for

0/5000

จาก: -

เป็น: -

ผลลัพธ์ (ไทย) 1: [สำเนา]

คัดลอก!

(Lal, 2000; Prokop and Poreba, 2012; Xiao and Ximing, 2011),and c) agricultural land abandonment (Dhanmanjiri, 2011). The country currently faces the dilemma of needing to increase agricultural productivity while highly productive agricultural lands are being converted to urban uses (Brahmanad et al., 2013; Chadchan and Shankar; 2012; Fazal, 2001; Kalmkar, 2009). The sustainable management of agricultural lands is a prime concern amongst the science and policy communities (Dhanmanjiri, 2011; Fazal, 2001), and a first step towards finding a solution is to develop a scientific understanding of agricultural land loss due to urban expansion. Two common approaches to examine the area of agricultural land lost to urban growth are to use data from national yearbooks and estimates from remote sensing (Kaufmann and Seto,2001;Seto et al., 2000). Data from yearbooks lack detailed spatially explicit information (Boucher and Seto, 2009; Kaufmann and Seto, 2001). Studies have utilized multi-temporal remote sensing images to investigate urban growth and have reported significant loss of agricultural lands in different Indian cities including Vadodara (Sandhya Kiran and Joshi, 2013), Saharanpur (Fazal, 2001),Hyderabad (Rahman et al., 2011 ; Wakode et al., 2013),and Aligarh (Farooq and Ahmad, 2008). Most studies using multi-temporal remote sensing images analyze land-use change over a defined period of five years (Farooq and Ahmad,2008;Wakode et al., 2013), ten years (Fazal, 2001; Wakode et al., 2013),or other time periods,depending upon the availability of images. Due to a lack of temporal detail, such studies are limited in identifying exactly when land-use change occurred and thus commonly report land-use changes over an entire period. In this context, coarse resolution high frequency data from sensors such as the Moderate Resolution Image Spectroradiometer (MODIS), Defense Mateorological Satellite Program/Operational Linescan System (DMSP/OLS), and SPOT Vegetation (SPOT-VGT) are valuable for determining when land-use changes occur. Knowing when agricultural land conversion took place is important to examine the effectiveness of policies and their implementation (Boucher and Seto, 2009; Kaufmann and Seto, 2001). The purpose of this research is to examine the urban conversion of agricultural lands in India, including where and when the land conversions occurred. Our primary objectives are to analyze agricultural land loss throughout the country and to explore the degree and consistency of agreement between estimates from agricultural census and satellite data. This study analyzes agricultural land loss in India between 2001 and 2010 using remote sensing data from multiple sensors. The study also highlights the advantages and limitations of using remote sensing versus census-derived estimates to assess agricultural land loss in India. 2.Material and methods2.1 Data description2.1.1 Satellite data We used the MODIS MOD13Q1 time series dataset (10 tiles each containing 253 time series images) for the period June, 2000 to May, 2011. We preprocessed the data on a tile-by-tile basis with the TIMESAT program (Jonsson and Eklundh, 2004) and applied adaptive Savitzky-Golay filter to minimize negatively biased noise commonly encountered in the NDVI datasets due to cloud and haze cover. In addition, we used the pixel reliability parameter included in the MOD13Q1 dataset to assign higher weights (1) to good quality data points and lower weights (0.25) to marginal quality data points in the time series during preprocessing. Even though preprocessing with the adaptive Savitzky-Golay filter minimized the residual noise, anomalous spikes in the NDVI time series remained for some pixels. Hence we applied principal component based projective filtering (Small, 2012) on the NDVI time-series (fig. 1). In addition to the NDVI dataset, we also used nighttime lights (NTL) data-collected by the DMSP/OLS-to characterize urban conversion of agricultural lands (http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html). NTL data measure lights on Earth's surface, including street lights, and has been shown to be correlated with urban economic activity (chen and Nordhaus, 2011: Henderson et al., 2012: Sutton, 2007), population (Sutton et al., 2001; Sutton, 2003; Zhuo et al., 2009) and the built environment (Elvidge et al., 2001, 2007: Lu et al., 2008; Ma et al., 2012). A recent study shows that NTL data has mixed accuracy in identifying urbanization. In general, it does well identifying urbanization in developed countries but not as well in developing countries (Zhang and Seto, 2013). The lower accuracy in developing countries is likely due to a lack of infrastructure, especially in the outdoor street lighting, as well as limited access to or availability of electricity (Zhang and Seto, 2013). We used a second-order polynomial regression to inter-calibrate the time series NTL (Elvidge et al., 2009), and then calculated the median NTL for a given year by including images for+-1 year. The rationale for this is to accommodate for any inconsistencies that remain even after inter-calibration and to accurately detect change pixels. We computed the median NTL for 2000 and 2010. To compute median NTL for the year 2000, we used inter-calibrated images of year 1999, 2000 and 2001. The NTL image for 2011 had significant over glow issues even after calibration. Therefore, we computed the median NTL for the year 2010 using calibrated images for 2008, 2009 and 2010. Using visual examination, we observed that the median NTL image were able to capture urban expansion for our study period. It is important to note here that the processed NTL data (median images) used were for the years 2000 and 2010, whereas the MODIS NDVI data were from 2000 to 2011. MODIS NDV time-series was used until 2011 to accommodate the temporal signature of the crops that were sown in the winter season of 2010 and harvested in spring season of 2011. We resampled the median NTL to 250 m to match the spatial resolution of the NDVI data.2.1.2.1. Agricultural census data We acquired state-wise agricultural land use statistics compiled by the Directorate of Economics and statistics, Ministry of Agriculture, Govt. of Indian (http://lus.dacnet.nic.in). The statistics include nine land-use categories: 1) forests: 2 ) area under nonagricultural uses, 3 ) barren and un-culturable land, 4) permanent pastures and other grazing lands, 5 ) land under miscellaneous tree, crops, etc., 6 ) Fallow lands other than current follow, 7 ) current fallow, 8 ) culturable waste land (such as fallow or covered with shrubs, but not put to use during the last five year), and 9 ) net area sown. Of the nine categories, the conversion of agricultural lands for non-agricultural purposes is captured in the category "area under non-agricultural uses”. However, this category also includes land under water such as rivers and canals. The agricultural census does not explicitly label agricultural lands that are irreversibly lost to urban development. Analysis of the agricultural census data shows inconsistencies in the time-series estimates of area under non-agricultural uses. For example, for some states, the total area in “non-agricultural uses” was less than the preceding year, suggesting that the total land occupied by buildings and roads were less than the change in land area under water, which is unlikely and suggests errors in the data. To correct for these inconsistencies in the area estimates over time, we normalized the area under non-agricultural uses with the reporting area used time series differencing to obtain a normalized estimate of change in area under non-agricultural uses. Although we removed all the values for

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 2:[สำเนา]

คัดลอก!

(Lal 2000; Prokop และ Poreba 2012; เสี่ยวและ Ximing 2011) และ c) การละทิ้งที่ดินเพื่อการเกษตร (Dhanmanjiri 2011) ประเทศในปัจจุบันใบหน้ากระอักกระอ่วนของการจำเป็นต้องเพิ่มผลผลิตทางการเกษตรสูงในขณะที่พื้นที่ทางการเกษตรการผลิตที่มีการแปลงไปใช้ในเมือง (Brahmanad et al, 2013;. Chadchan และการ์; 2012; Fazal 2001; Kalmkar 2009) การบริหารจัดการที่ยั่งยืนของพื้นที่การเกษตรที่เป็นความกังวลที่สำคัญในหมู่วิทยาศาสตร์และชุมชนนโยบาย (Dhanmanjiri 2011; Fazal, 2001).
และก้าวแรกของการแก้ปัญหาคือการพัฒนาความเข้าใจทางวิทยาศาสตร์ของการสูญเสียที่ดินเพื่อการเกษตรเนื่องจากการขยายตัวของเมืองสองแนวทางร่วมกันในการตรวจสอบพื้นที่ของที่ดินเพื่อการเกษตรสูญเสียให้กับการเติบโตของเมืองที่มีการใช้ข้อมูลจาก yearbooks ชาติและประมาณการจากการสำรวจระยะไกล (Kaufmann และ Seto 2001. Seto, et al, 2000) ข้อมูลจาก yearbooks ขาดข้อมูลรายละเอียดที่ชัดเจนเชิงพื้นที่ (Boucher และ Seto 2009; Kaufmann และเซโตะ, 2001) การศึกษาได้ใช้หลายชั่วภาพระยะไกลในการตรวจสอบการเจริญเติบโตของเมืองและมีรายงานว่ามีการสูญเสียที่สำคัญของพื้นที่การเกษตรในเมืองอินเดียที่แตกต่างกันรวมทั้ง Vadodara (Sandhya รานและ Joshi 2013) Saharanpur (Fazal, 2001), ไฮเดอรา (เราะห์มาน et al., 2011; Wakode et al, 2013) และ Aligarh (Farooq และอาหมัด 2008). การศึกษาส่วนใหญ่ใช้ภาพระยะไกลหลายชั่ววิเคราะห์การเปลี่ยนแปลงการใช้ที่ดินในช่วงเวลาที่กำหนดห้าปี (Farooq และอาหมัด 2008. Wakode et al, 2013) สิบปี (Fazal 2001. Wakode et al, 2013) หรือช่วงเวลาอื่น ๆ ขึ้นอยู่กับความพร้อมของภาพ เนื่องจากการขาดรายละเอียดชั่วขณะการศึกษาดังกล่าวจะถูก จำกัด ในการระบุว่าเมื่อมีการเปลี่ยนแปลงการใช้ที่ดินที่เกิดขึ้นและทำให้การรายงานโดยทั่วไปการเปลี่ยนแปลงการใช้ที่ดินในระยะเวลาทั้งหมด ในบริบทนี้ความละเอียดหยาบข้อมูลความถี่สูงจากเซ็นเซอร์เช่นความละเอียดปานกลางภาพ Spectroradiometer (MODIS) กลาโหม Mateorological โปรแกรมดาวเทียม / ระบบ Linescan การดำเนินงาน (DMSP / OLS) และจุดพืช (SPOT-VGT) ที่มีคุณค่าในการพิจารณาเมื่อที่ดิน การเปลี่ยนแปลงที่เกิดขึ้นใช้งาน เมื่อรู้ว่าแปลงที่ดินเพื่อการเกษตรที่เกิดขึ้นเป็นสิ่งสำคัญในการตรวจสอบประสิทธิภาพของนโยบายและการดำเนินงานของพวกเขา. (Boucher และ Seto 2009; Kaufmann และเซโตะ, 2001)
วัตถุประสงค์ของงานวิจัยนี้คือการตรวจสอบการแปลงเมืองของพื้นที่ทางการเกษตรในประเทศอินเดียรวมทั้ง ที่ไหนและเมื่อแปลงที่ดินที่เกิดขึ้น วัตถุประสงค์หลักของเราคือการวิเคราะห์การสูญเสียที่ดินเพื่อการเกษตรทั่วประเทศและในการสำรวจระดับและความสอดคล้องของข้อตกลงระหว่างประมาณการจากการสำรวจสำมะโนประชากรการเกษตรและข้อมูลดาวเทียม การศึกษาครั้งนี้วิเคราะห์การสูญเสียที่ดินเพื่อการเกษตรในประเทศอินเดียระหว่างปี 2001 และ 2010 โดยใช้ข้อมูลการสำรวจระยะไกลจากเซ็นเซอร์หลาย การศึกษายังเน้นข้อดีและข้อ จำกัด ของการใช้การสำรวจระยะไกลเมื่อเทียบกับประมาณการที่ได้มาจากการสำรวจสำมะโนประชากรในการประเมินการสูญเสียที่ดินเพื่อการเกษตรในประเทศอินเดีย.
2. วัสดุและวิธีการ
2.1 คำอธิบายข้อมูล
2.1.1
ข้อมูลดาวเทียมเราใช้เวลาMODIS MOD13Q1 ชุดชุด (10 กระเบื้องแต่ละ ที่มี 253 ภาพชุดเวลา) สำหรับงวดเดือนมิถุนายน 2000 ถึงเดือนพฤษภาคม 2011 เรา preprocessed ข้อมูลบนพื้นฐานกระเบื้องโดยกระเบื้องที่มีโปรแกรม TIMESAT (จอนส์และ Eklundh, 2004) และนำไปใช้การปรับตัว Savitzky-Golay กรองเพื่อลดการลบ เสียงลำเอียงพบโดยทั่วไปในชุดข้อมูล NDVI เนื่องจากการเมฆและหมอกควันปก นอกจากนี้เราใช้ความน่าเชื่อถือพารามิเตอร์พิกเซลที่รวมอยู่ในชุดข้อมูลที่ MOD13Q1 การกำหนดน้ำหนักที่สูงขึ้น (1) จุดข้อมูลที่มีคุณภาพดีและน้ำหนักที่ลดลง (0.25) เพื่อจุดข้อมูลที่มีคุณภาพเล็กน้อยในช่วงเวลาชุดการ preprocessing แม้ว่า preprocessing กับการปรับตัว Savitzky-Golay กรองเสียงรบกวนลดลงเหลือแหลมผิดปกติในอนุกรมเวลา NDVI ยังคงพิกเซลบาง ดังนั้นเราใช้องค์ประกอบหลักตามกรอง projective (เล็ก 2012) ใน NDVI อนุกรมเวลา (รูปที่ 1)..
นอกจากนี้ยังมีชุดข้อมูลที่ NDVI เรายังใช้ไฟกลางคืน (NTL) ข้อมูลที่เก็บรวบรวมโดย DMSP / OLS ไป ลักษณะการแปลงเมืองของพื้นที่ทางการเกษตร (http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html) NTL ไฟวัดข้อมูลบนพื้นผิวของโลกรวมทั้งไฟถนนและได้รับการแสดงที่จะมีความสัมพันธ์กับกิจกรรมทางเศรษฐกิจในเมือง (chen และ Nordhaus 2011: เฮนเดอ et al, 2012:. ซัตตัน, 2007). ประชากร (ซัตตัน et al, 2001 ; ซัตตัน, 2003; Zhuo et al, 2009) และการสร้างสภาพแวดล้อม (Elvidge et al, 2001, 2007:.... ลู et al, 2008; Ma et al, 2012) ผลการศึกษาล่าสุดแสดงให้เห็นว่าข้อมูลที่ได้มาผสม NTL ความถูกต้องในการระบุรูปแบบ โดยทั่วไปก็ไม่ดีระบุกลายเป็นเมืองในประเทศที่พัฒนาแล้ว แต่ไม่ได้เป็นอย่างดีในประเทศกำลังพัฒนา (Zhang และ Seto 2013) ความถูกต้องที่ลดลงในประเทศกำลังพัฒนามีแนวโน้มที่จะเกิดจากการขาดโครงสร้างพื้นฐานโดยเฉพาะอย่างยิ่งในการให้แสงสว่างถนนกลางแจ้งเช่นเดียวกับการ จำกัด การเข้าถึงหรือความพร้อมของการผลิตไฟฟ้า (Zhang และ Seto 2013) เราใช้การถดถอยพหุนามที่สองเพื่อที่จะสอบเทียบระหว่างชุดเวลา NTL (Elvidge et al., 2009) และคำนวณแล้ว NTL เฉลี่ยสำหรับปีที่กำหนดโดยรวมทั้งภาพ + -1 ปี เหตุผลสำหรับการนี้คือการรองรับความไม่สอดคล้องกันที่ยังคงอยู่แม้หลังจากที่ระหว่างการสอบเทียบและถูกต้องตรวจสอบการเปลี่ยนแปลงพิกเซล เราคำนวณค่ามัธยฐาน NTL สำหรับปี 2000 และ 2010 ในการคำนวณ NTL เฉลี่ยของปี 2000 ที่เราใช้ภาพระหว่างการสอบเทียบของปี 1999 ปี 2000 และปี 2001 ภาพ NTL สำหรับปี 2011 อย่างมีนัยสำคัญมากกว่าปัญหาเรืองแสงแม้หลังจากการสอบเทียบ ดังนั้นเราจึงคำนวณ NTL เฉลี่ยสำหรับปี 2010 โดยใช้ภาพการสอบเทียบในปี 2008, ปี 2009 และ 2010 โดยใช้การตรวจสอบภาพที่เราตั้งข้อสังเกตว่าภาพ NTL เฉลี่ยมีความสามารถในการจับภาพการขยายตัวของเมืองในช่วงเวลาการศึกษาของเรา มันเป็นสิ่งสำคัญที่จะต้องทราบที่นี่ที่ประมวลผลข้อมูล NTL (ภาพเฉลี่ย) ที่ใช้อยู่สำหรับปี 2000 และปี 2010 ในขณะที่ข้อมูล MODIS NDVI มาจากปี 2000 ถึงปี 2011 MODIS NDV อนุกรมเวลาใช้จนกระทั่งปี 2011 เพื่อรองรับลายเซ็นชั่วคราวของ พืชที่ถูกหว่านในฤดูหนาวของปี 2010 และเก็บเกี่ยวในช่วงฤดูใบไม้ผลิของปี 2011 เรา resampled ค่ามัธยฐาน NTL 250 เมตรเพื่อให้ตรงกับความละเอียดเชิงพื้นที่ของข้อมูล NDVI.
2.1.2.1 ข้อมูลการสำรวจสำมะโนประชากรการเกษตรเราได้รับรัฐที่ชาญฉลาดการใช้ที่ดินเพื่อการเกษตรสถิติที่รวบรวมโดยคณะกรรมการของเศรษฐศาสตร์และสถิติกระทรวงเกษตรของรัฐบาล
ของอินเดีย (http://lus.dacnet.nic.in) สถิติที่รวมถึงเก้าประเภทการใช้ที่ดิน: 1) ป่า: 2) พื้นที่ภายใต้การใช้งาน nonagricultural 3) ดินแดนที่แห้งแล้งและยกเลิกการ culturable 4) ทุ่งหญ้าถาวรและที่ดินทุ่งเลี้ยงสัตว์อื่น ๆ 5) ที่ดินใต้ต้นไม้อื่น ๆ พืช ฯลฯ 6) ดินแดนรกร้างอื่น ๆ นอกเหนือจากการติดตามในปัจจุบัน 7) ปัจจุบันรกร้าง 8) ที่ดินเสีย culturable (เช่นที่รกร้างหรือปกคลุมไปด้วยพุ่มไม้ แต่ไม่ได้นำไปใช้ในช่วงห้าปี) และ 9) พื้นที่สุทธิหว่าน เก้าประเภทแปลงของที่ดินทางการเกษตรเพื่อวัตถุประสงค์นอกภาคเกษตรมีการบันทึกในหมวดหมู่ "พื้นที่ภายใต้การใช้งานนอกภาคเกษตร". แต่หมวดหมู่นี้ยังรวมถึงดินแดนใต้น้ำเช่นแม่น้ำและคลอง. การสำรวจสำมะโนประชากรการเกษตรไม่ได้อย่างชัดเจน ป้ายพื้นที่การเกษตรที่ได้รับการสูญเสียถาวรเพื่อการพัฒนาเมือง. การวิเคราะห์ข้อมูลการสำรวจสำมะโนประชากรการเกษตรแสดงให้เห็นถึงความไม่สอดคล้องกันในการประมาณการเวลาชุดของพื้นที่ภายใต้การใช้งานนอกภาคเกษตร. ตัวอย่างเช่นสำหรับบางรัฐพื้นที่ทั้งหมดใน "การใช้งานนอกภาคเกษตร" น้อยกว่าปีก่อนหน้านี้บอกว่าที่ดินครอบครองโดยอาคารและถนนน้อยกว่าการเปลี่ยนแปลงในพื้นที่ที่อยู่ภายใต้น้ำซึ่งไม่น่าเป็นไปและแสดงให้เห็นข้อผิดพลาดในข้อมูล. ในการแก้ไขสำหรับความไม่สอดคล้องกันเหล่านี้ในประมาณการพื้นที่เมื่อเวลาผ่านไป เราปกติบริเวณใต้การใช้งานนอกภาคเกษตรที่มีพื้นที่การรายงานที่ใช้เวลาแตกต่างของชุดที่จะได้รับการประมาณการที่ปกติของการเปลี่ยนแปลงในพื้นที่ภายใต้การใช้งานนอกภาคเกษตร ถึงแม้ว่าเราจะลบออกค่าดู

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 3:[สำเนา]

คัดลอก!

( ลาว , 2000 ; โพรเคิป และ poreba , 2012 ; เสี่ยว และ ximing , 2011 ) , และ C ) การละทิ้งที่ดินเพื่อการเกษตร ( dhanmanjiri , 2011 ) ประเทศในปัจจุบันยังคงไม่ต้องเพิ่มผลผลิตทางการเกษตร ขณะที่พื้นที่เกษตรกรรมประสิทธิภาพสูงจะถูกแปลงไปใช้ในเมือง ( brahmanad et al . , 2013 ; และ chadchan Shankar ; 2012 ; fazal , 2001 ; kalmkar , 2009 )การจัดการอย่างยั่งยืนของเกษตร เป็นปัญหาสำคัญในวิทยาศาสตร์และนโยบายชุมชน ( dhanmanjiri 2011 ; fazal , 2001 ) และก้าวแรกในการหาทางออกเพื่อพัฒนาความเข้าใจทางวิทยาศาสตร์ของที่ดินเพื่อการเกษตรที่สูญเสียเนื่องจากการขยายตัวของเมือง
สองวิธีการทั่วไปเพื่อตรวจสอบพื้นที่การเกษตรเสียเพื่อการเจริญเติบโตของเมือง จะใช้ข้อมูลจากความถี่แห่งชาติ และการประเมินจากระยะไกล ( ที่สุดกับเซโตะ เซโตะ , 2001 ; et al . , 2000 ) ข้อมูลจากหนังสือรุ่น ขาดรายละเอียดที่ชัดเจน ( และเปลี่ยนข้อมูล Boucher เซโตะ , 2009 ; ที่สุด และ เซโตะ , 2001 )การศึกษาได้ใช้หลายภาพชั่วคราวระยะไกลเพื่อศึกษาการเจริญเติบโตของเมืองและมีรายงานพบการสูญเสียของที่ดินทางการเกษตรในเมืองอินเดียที่แตกต่างกันรวมทั้ง Vadodara ( sandhya กิราน และ Joshi , 2013 ) ( fazal Saharanpur , 2001 ) , ไฮเดอราบัด ( Rahman et al . , 2011 ; wakode et al . , 2013 ) และ Aligarh ( Farooq และ อาหมัด , 2008 )การศึกษาส่วนใหญ่ใช้ multi ชั่วคราวระยะไกลภาพวิเคราะห์การเปลี่ยนผ่านกำหนดระยะเวลา 5 ปี และ นายฟา , 2008 ; wakode et al . , 2013 ) , สิบปี ( fazal , 2001 ; wakode et al . , 2013 ) , หรืออื่น ๆช่วงเวลา ขึ้นอยู่กับความพร้อมของภาพ เนื่องจากไม่มีรายละเอียดเวลาการศึกษาดังกล่าวจะถูก จำกัด ในการระบุว่าเมื่อเปลี่ยนแปลงการใช้ที่ดินและการเปลี่ยนแปลงการใช้ที่ดินจึงเกิดขึ้นโดยทั่วไปรายงานมากกว่าระยะเวลาทั้งหมด ในบริบทนี้ หยาบ ละเอียด ความถี่สูง เช่น ข้อมูลจากเซ็นเซอร์ภาพความละเอียดปานกลาง spectroradiometer ( โมดิส ) , ป้องกัน mateorological ดาวเทียมโปรแกรม / ระบบงาน linescan ( dmsp / OLS )และจุด ( spot-vgt ) เป็นพืชที่มีคุณค่าสำหรับการกำหนดเวลาการเปลี่ยนแปลงการใช้ที่ดินเกิดขึ้น ทราบว่าเมื่อแปลงที่ดินเอาสถานที่สำคัญเพื่อศึกษาประสิทธิผลของนโยบายและการดำเนินงานของพวกเขาและดึงดูดเซโตะ , 2009 ; คอฟแมน และ เซโตะ , 2001 ) .
วัตถุประสงค์ของงานวิจัยนี้คือ เพื่อศึกษาการแปลงเมืองของที่ดินทางการเกษตรในอินเดียรวมที่ไหนและเมื่อที่ดินแปลงที่เกิดขึ้น วัตถุประสงค์หลักของเราคือเพื่อวิเคราะห์การสูญเสียที่ดินทั่วทั้งประเทศ และเพื่อศึกษาระดับและความสอดคล้องของข้อตกลงระหว่างการประเมินจากการสำรวจสำมะโนประชากร และข้อมูลดาวเทียมเพื่อการเกษตร การศึกษานี้วิเคราะห์การสูญเสียที่ดินทางการเกษตรในอินเดียระหว่างปี 2001 และ 2010 โดยใช้ข้อมูลระยะไกลจากเซ็นเซอร์ต่างๆ

การแปล กรุณารอสักครู่..

ภาษาอื่น ๆ

การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.