تأثیر شاخص‌های گیاهی و خصوصیات سطح شهری بر تغییرات دمای سطح زمین (مطالعه موردی‌: شهرستان سنندج)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم محیطی، مؤسسه آموزش عالی هراز، آمل

2 استاد گروه آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری

3 دانشجوی دکتری مدیریت آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

دمای سطح زمین عامل مهمی در مطالعات گرمایش جهانی است. بنابراین، با توجه به تأثیرات منفی آن بر زندگی انسان بررسی این پدیده بسیار ضروری است. هدف مطالعه حاضر بررسی تأثیر شاخص‌های گیاهی و خصوصیات سطح شهر سنندج بر تغییرات دمای سطح زمین است. برای این منظور، دمای سطح زمین در محیط ArcGIS محاسبه و سپس شاخص‌های گیاهی‌ و سطح شهر سنندج از تصاویر لندست در نرم‌افزارENVI استخراج گردید. نتایج تحلیل رگرسیون و همبستگی دمای سطح زمین با داده‎های ایستگاه سینوپتیک به ترتیب 0.45 و 0.20 بوده که یک ارتباط مثبت را نشان می‌دهد. نتایج صحت کلی شاخص‌ها و تحلیل همبستگی نشان می‌دهد که شاخص‎های دقیق (شاخص‌‌ توسعه‌یافته نواحی مسکونی و بایر، شاخص اساس ساخت‌وساز، شاخص نرمال شده تفاضل ساخت‌وساز، شاخص شهری) ارتباط مثبت و شاخص‌های با دقت پایین (شاخص نرمال شده تفاضل بایر، شاخص جدید ساخت‌وساز، شاخص نرمال شده تفاضل آب، شاخص نرمال شده بهبودیافته‌ تفاضل آب) ارتباط معکوس با دمای سطح زمین‌دارند. نتایج وضعیت دما در طبقات پوشش‌گیاهی نشان می‌دهد که بیشترین دما در طبقات با پوشش‌گیاهی ضعیف در اوایل فصل تابستان سال‌های 1367، 1378، 1387، 1391، 1393 و 1394 و کمترین دما در طبقات با پوشش گیاهی متراکم در اواخر فصل بهار سال‌های 1368، 1372، 1379، 1386، 1389 و 1395 رخ‌داده است. بنابراین کاهش پوشش‌گیاهی و رشد نواحی مسکونی نقش مؤثری در افزایش دمای سطح زمین دارد. همچنین شاخص‌های‌‌ طیفی برای استخراج نواحی مسکونی از تصاویر ماهواره‌ای می‌تواند نتایج قابل‌قبول ارائه نماید.

کلیدواژه‌ها


عنوان مقاله [English]

Impact of vegetation indices and urban surface characteristics on land surface temperature changes (Case study: Sanandaj city)

نویسندگان [English]

  • Shadman Darvishi 1
  • Karim Solaimani 2
  • Mostafa Rashidpour 3
1 MSc. Graduated of Remote Sensing and Geographic Information Systems, Faculty of Environmental Sciences, Haraz Institute of Higher Education, Amol
2 Prof. Department of Watershed Management, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources University
3 PhD Student of Watershed Management, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources University
چکیده [English]

Land surface temperature (LST) is an important factor in global warming studies. Therefore, considering its negative effects on human life, it is very important to study this phenomenon. The aim of this study was to investigate the effects of vegetation indices and surface characteristics of Sanandaj city on land surface temperature changes. For this purpose, the land surface temperature was calculated in ArcGIS and vegetation indices and the surface Sanandaj city were derived from Landsat images in ENVI software. The results of regression analysis and correlation of LST with synoptic station data were 0.45 and 0.20 respectively, which shows a positive relationship. The results of the overall accuracy and the indices shows that the correlation analysis the precise indices (enhanced buildup and bareness index, index-based built up the index, normalized difference built up the index, urban index), positive relationship and low precision indices (normalized difference bareness index, new built up the index, normalized difference water index, modified normalized difference water index) have the opposite correlation with land surface temperature. The results of the temperature situation in the vegetation classes indicate that the high temperature was observed in the low vegetation classes in the early summer of 1988, 1999, 2008, 2012, 2014 and 2015, and the lowest temperature in dense vegetation classes at the end of spring, 1989, 1993, 2000, 2007, 2010 and 2016. Therefore, the reduction of vegetation and growth of built-up areas has an important role in increasing the land surface temperature, and spectral indices to extract buildup areas from satellite images can provide acceptable results.

کلیدواژه‌ها [English]

  • Urban surface characteristics
  • Vegetation index
  • Land surface temperature (LST)
  • Sanandaj
احمدی، م.، د. عاشورلو و م. نارنگی فرد. 1391. تغییرات زمانی-مکانی الگوهای حرارتی و کاربری شهر شیراز با استفاده از داده‌های سنجنده +TM & ETM. نشریه سنجش از دور و GIS ایران، 4(4): 55-68.

احمدی، ب.، ا. قربانی، ط. صفرراد و ب. سبحانی. 1394. بررسی دمای سطح زمین در رابطه با کاربری و پوشش ارضی با استفاده از داده‌های سنجش‌ازدور. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(1): 61-77.

ابراهیمی هروی، ب.، ک. رنگزن، ح. ر. ریاحی بختیاری و ا. تقی‌زاده. 1394. تعیین درجه حرارت اراضی سطح شهری با استفاده از تصاویر ماهواره لندست (مطالعه موردی: کرج). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(2): 19-32.

بختیاری، م.، ک. رنگزن، ع. صابری و م. فتاحی. 1390. کاربرد سنجش‌ازدور حرارتی در مطالعه دمای سطحی زمین شهر اهواز با استفاده از الگوریتم تک پنجره. همایش ملی ژئوماتیک. تهران، سازمان نقشه‌برداری کشور، 25 الی 29 اردیبهشت ­ماه. 1559 صفحه.

درویشی، ش.، م. رشیدپور و ک. سلیمانی. 1398. بررسی ارتباط تغییرات کاربری اراضی با دمای سطح زمین با استفاده از تصاویر ماهواره‌ای (مطالعه موردی: شهرستان مریوان). نشریه جغرافیا و توسعه، 17(54): 143-162.

رنگزن، ک.، م. ع. فیروزی و ا. تقی‌زاده. 1390. بررسی و تحلیل نقش کاربری اراضی در شکل‌گیری جزایر حرارتی با استفاده از RS و GIS (مطالعه موردی: شهر اهواز). سمینار ملی کاربرد GIS در برنامه‌ریزی اقتصادی، اجتماعی و شهری. تهران- شرکت بین‌المللی پردازش اطلاعات نقش کلیک، 21 اردیبهشت ­ماه. 786 صفحه.

سایت سازمان هواشناسی کشور (http://www.irimo.ir). داده‌های اقلیمی و تاریخچه‌ای.

عسگرزاده، پ.، ع. درویشی بلورانی، ح. بهرامی و س. حمزه. 1395. مقایسه برآورد دمای سطح زمین در روش‌های تک باندی و چند باندی با استفاده از تصاویر لندست-8. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(3): 18-29.

علوی‌پناه، س. ک.، س. گودرزی مهر و ب. خاکباز. 1390. فناوری سنجش از راه دور حرارتی و کاربرد آن در شناسایی پدیده‌ها. نشریه نشاء علم، 2(1): 25-29.

فیضی‌زاده، ب. و خ. دیده‌بان. 1394. برآورد دمای سطح زمین با استفاده از تصاویر ماهواره لندست-8 و الگوریتم پنجره مجزا (مطالعه موردی: حوزه آبریز مهاباد). فصلنامه اطلاعات جغرافیایی سپهر، 25(98): 171-181.

کفاش، م. 1392. اعتبارسنجی محصولات دمای سطح زمین سنجنده MODIS با استفاده از اندازه‌گیری‌های زمینی در استان خراسان رضوی، پایان‌نامه کارشناسی ارشد، دانشکده کشاورزی، دانشگاه فردوسی مشهد، 120 صفحه.

مرکز آمار ایران (https://www.amar.org.ir).سر1395. سرشماری عمومی نفوس و مسکن.

مزیدی، ا. و ف. حسینی. 1394. تأثیر تغییر کاربری و پوشش زمین‌بر جزیره گرمایی در منطقه شهری یزد با استفاده از داده‌های سنجش‌ازدور. نشریه جغرافیا و توسعه، 13(38) :1-12.

نارنگی فرد، م.، ا. مزیدی و ا. عبدلی. 1395. واکاوی الگوهای دمایی در ارتباط با کاربری‌های شهری با به‌کارگیری داده‌های سنجش‌ازدور (مطالعه موردی: شهر کرمانشاه). مجله مطالعات برنامه‌ریزی سکونتگاه‌های انسانی (چشم‌انداز جغرافیایی در مطالعات انسانی)، 11(35): 17-31.

نظم‌فر، ح.، ا. امان‌الله پور و ع. عشقی چهاربرج. 1394. تحلیل کالبدی - فضایی شهر سنندج جهت مکان‌یابی بهینه توسعه فیزیکی شهر. نشریه جغرافیا و پایداری محیط، 5(4): 1-16.

هاشمی، م.، ک. علوی پناه و م. دیناروندی. 1391. ارزیابی توزیع مکانی دمای سطح زمین در محیط‌زیست شهری با کاربرد سنجش‌ازدور حرارتی. مجله محیط‌شناسی، 39(1): 81-91.

Abutaleb K, Ngie A, Darwish A, Ahmed M, Arafat S, Ahmed F. 2015. Assessment of urban heat island using remotely sensed imagery over Greater Cairo, Egypt. Advances in Remote Sensing, 4(1): 35-47.

As-syakur A, Adnyana I, Arthana IW, Nuarsa IW. 2012. Enhanced built-up and bareness index (EBBI) for mapping built-up and bare land in an urban area. Remote Sensing, 4(10): 2957-2970.

Ceccato P, Flasse S, Tarantola S, Jacquemoud S, Grégoire J-M. 2001. Detecting vegetation leaf water content using reflectance in the optical domain. Remote sensing of Environment, 77(1): 22-33.

Chen X, Zhang Y. 2017. Impacts of urban surface characteristics on spatiotemporal pattern of land surface temperature in Kunming of China. Sustainable Cities and Society, 32: 87-99.

Quanliang C, Changjian N, Zhan L, Jingxuan R. 2009. Urban heat island effect research in Chengdu city based on MODIS data. In: 2009 3rd International Conference on Bioinformatics and Biomedical Engineering. IEEE, pp 1-5.

Feng H, Zhao X, Chen F, Wu L. 2014. Using land use change trajectories to quantify the effects of urbanization on urban heat island. Advances in Space Research, 53(3): 463-473.

Ghosh A, Joshi P. 2014. Hyperspectral imagery for disaggregation of land surface temperature with selected regression algorithms over different land use land cover scenes. ISPRS Journal of Photogrammetry and Remote Sensing, 96(10): 76-93.

Guo G, Wu Z, Xiao R, Chen Y, Liu X, Zhang X. 2015. Impacts of urban biophysical composition on land surface temperature in urban heat island clusters. Landscape and Urban Planning, 135(3): 1-10.

Herold M, Gardner ME, Roberts DA. 2003. Spectral resolution requirements for mapping urban areas. IEEE Transactions on Geoscience and Remote Sensing, 41(9): 1907-1919.

Kawamura M, Jayamana S, Tsujiko Y. 1996. Relation between social and environmental conditions in Colombo Sri Lanka and the urban index estimated by satellite remote sensing data. Int Arch Photogramm Remote Sens, 31: 321-326.

Khandelwal S, Goyal R, Kaul N, Mathew A. 2018. Assessment of land surface temperature variation due to change in elevation of area surrounding Jaipur, India. The Egyptian Journal of Remote Sensing and Space Science, 21(1): 87-94.

Khorshid K. 2016. Uzaktan Algılama Teknikleri İle Geçirimsiz Yüzey Tahmini Ve Haritalanması. Fen Bilimleri Enstitüsü, Department of Geomatics Engineering, Geomatics Engineering Programed, Istanbul Technical University, 99 pp.

Li J-j, Wang X-r, Wang X-j, Ma W-c, Zhang H. 2009. Remote sensing evaluation of urban heat island and its spatial pattern of the Shanghai metropolitan area, China. Ecological Complexity, 6(4): 413-420.

Liu L, Zhang Y. 2011. Urban heat island analysis using the Landsat TM data and ASTER data: A case study in Hong Kong. Remote Sensing, 3(7): 1535-1552.

Malarvizhi K, Kumar SV, Porchelvan P. 2016. Use of high resolution google earth satellite imagery in landuse map preparation for urban related applications. Procedia Technology, 24: 1835-1842.

Mather P, Tso B. 2016. Classification methods for remotely sensed data. CRC press. 2nd Edition, 376 pp. doi:10.1201/9781420090741.

Mitraka Z, Chrysoulakis N, Doxani G, Del Frate F, Berger M. 2015. Urban surface temperature time series estimation at the local scale by spatial-spectral unmixing of satellite observations. Remote Sensing, 7(4): 4139-4156.

Rajaei SA, Mansourian H. 2017. Urban growth and housing quality in Iran. Social Indicators Research, 131(2): 587-605.

Rozenstein O, Qin Z, Derimian Y, Karnieli A. 2014. Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm. Sensors, 14(4): 5768-5780.

Roth M, Oke T, Emery W. 1989. Satellite-derived urban heat islands from three coastal cities and the utilization of such data in urban climatology. International Journal of Remote Sensing, 10(11): 1699-1720.

Sobrino JA, Jiménez-Muñoz JC, Paolini L. 2004. Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment, 90(4): 434-440.

Shi Y, Katzschner L, Ng E. 2018. Modelling the fine-scale spatiotemporal pattern of urban heat island effect using land use regression approach in a megacity. Science of The Total Environment, 618(15): 891-904.

Smits P, Dellepiane S, Schowengerdt R. 1999. Quality assessment of image classification algorithms for land-cover mapping: a review and a proposal for a cost-based approach. International Journal of Remote Sensing, 20(8): 1461-1486.

Sinha P, Verma NK, Ayele E. 2016. Urban built-up area extraction and change detection of Adama municipal area using time-series Landsat images. International Journal of Advanced Remote Sensing and GIS, 5(8): 1886-1895.

Surface Energy Balance Algorithms for Land (SEBAL). 2002. Advanced Training and User’s Manual Version 1.0, August, 98 pp.

Teillet P, Staenz K, William D. 1997. Effects of spectral, spatial, and radiometric characteristics on remote sensing vegetation indices of forested regions. Remote Sensing of Environment, 61(1): 139-149.

Tilahun A, Teferie B. 2015. Accuracy assessment of land use land cover classification using google earth. American Journal of Environmental Protection, 4(4): 193-198.

Vlassova L, Perez-Cabello F, Nieto H, Martín P, Riaño D, de la Riva J. 2014. Assessment of methods for land surface temperature retrieval from Landsat-5 TM images applicable to multiscale tree-grass ecosystem modeling. Remote Sensing, 6(5): 4345-4368.

Wibowo A, Osman Salleh K, Sitanala Frans FTR, Mulyo Semedi J. 2016. Spatial temporal land use change detection using Google earth data. In: IOP Conference Series: Earth and Environmental Science, vol 1. p 012031.

Xu H, Chen Y, Dan S, Qiu W. 2011. Dynamical monitoring and evaluation methods to urban heat island effects based on RS & GIS. Procedia Environmental Sciences, 10: 1228-1237.

Xu L, Xie X, Li S. 2013. Correlation analysis of the urban heat island effect and the spatial and temporal distribution of atmospheric particulates using TM images in Beijing. Environmental Pollution, 178(7): 102-114.

Xu H. 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14): 3025-3033.

Yu Q, Acheampong M, Pu R, Landry SM, Ji W, Dahigamuwa T. 2018. Assessing effects of urban vegetation height on land surface temperature in the City of Tampa, Florida, USA. International Journal of Applied Earth Observation and Geoinformation, 73(12): 712-720.

Zhang X, Wu P, Chen B. 2010. Relationship between vegetation greenness and urban heat island effect in Beijing City of China. Procedia Environmental Sciences, 2: 1438-1450.

Zhang Y, Chen L, Wang Y, Chen L, Yao F, Wu P, Wang B, Li Y, Zhou T, Zhang T. 2015. Research on the contribution of urban land surface moisture to the alleviation effect of urban land surface heat based on Landsat 8 data. Remote Sensing, 7(8): 10737-10762.

Zhou X, Wang YC. 2011. Dynamics of land surface temperature in response to land use/cover change. Geographical Research, 49(1): 23-36.

Zhao H, Chen X. 2005. Use of normalized difference bareness index in quickly mapping bare areas from TM/ETM+. In: International Geoscience and Remote Sensing Symposium. Seoul, South Korea. 3: 1666 pp.

Zha Y, Ni S-x, Yang S. 2003. An effective approach to automatically extract urban land-use from TM imagery. Journal of Remote Sensing, 7(1): 37-40.