مطالعه و پیش‌بینی تغییرات دمای سطح زمین شهر یزد: بررسی اثر مجاورت و تغییرات پوشش اراضی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، گروه جغرافیا، دانشگاه یزد، ایران

2 استادیار گروه جغرافیا، دانشگاه یزد، یزد، ایران

3 استادیار، دانشکده علوم ریاضی، دانشگاه یزد، یزد، ایران

4 استادیار گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، یزد، ایران

5 دانشجوی دکتری سنجش از دور و سیستم اطلاعات جغرافیایی، گروه جغرافیا، دانشگاه تهران، ایران

6 استاد سنجش از دور و سیستم اطلاعات جغرافیایی، گروه جغرافیا، دانشگاه تهران، تهران، ایران

چکیده

پیشینه و هدف گسترش شهرنشینی مقیاس و شدت گسترش جزایر حرارتی در شهرها را گسترش داده است. بررسی و مطالعه نحوه تأثیرپذیری شهرها از این جزایر حرارتی نقش مهمی در آینده برنامه‌ ریزی برای شهرها ایفا می‌کند. به همین منظور، این پژوهش اثر تغییرات پوشش اراضی شهر یزد در سه دسته مناطق شهری، پوشش گیاهی و زمین‌ های بایر بر دمای سطح زمین را برای شهر یزد طی 30 سال اخیر با استفاده از تصاویر لندست 5 و 8 بررسی می‌کند. این پژوهش همچنین نسبت مجاورت پیکسل ‌های پوشش گیاهی و زمین ‌های بایر به ‌منظور بررسی نحوه تأثیرپذیری دمای سطح زمین ثبت ‌شده توسط سنجنده را در همین دوره زمانی مورد ارزیابی قرار می‌ دهد.
مواد و روش ها ابتدا نقشه ‌های پوشش اراضی شهر یزد با استفاده از الگوریتم طبقه بندی نظارت‌ شده شبکه عصبی برای سال ‌های 1990، 2000، 2010 و 2020 به دست آمد. از داده‌ های زمینی، گوگل ارث و نقشه ‌های واقعیت زمینی به ‌منظور تهیه داده های تعلیمی استفاده شد. نقشه ‌های دمای سطح زمین شهر یزد از تصاویر باند حرارتی لندست 5 و 8 محاسبه شد. سپس نقشه های دمای سطح زمین به 6 کلاس دمایی موجود ازجمله؛ 16-20، 21-25، 26-30، 31-35، 36-40 و 41-46 درجه سانتی ‌گراد طبقه بندی شد که نشان داده شد که چهار کلاس انتهایی، نقش عمده ای در دمای سطح زمین این شهر طی 30 سال اخیر داشت. به ‌منظور ارزیابی اثر مجاورت کلاس های پوشش اراضی بایر و پوشش گیاهی بر دمای سطح زمین ثبت ‌شده توسط سنجنده، ابتدا نسبت مجاورت هر یک از پیکسل ها در یک پنجره (کرنل) 5×5 محاسبه شد. سپس میانگین دمای سطح زمین محاسبه شد. میانگین دمای سطح زمین بر اساس نسبت مجاورت با هریک از کلاس‌های پوشش گیاهی و زمین‌های بایر به دست آمد.
نتایج و بحث بر اساس نتایج به ‌دست ‌آمده، در شهر یزد، از سال 1990 تا 2020، مساحت منطقه شهری به‌طور فزاینده ‌ای رشد داشته است. به طوری که این منطقه طی 30 سال اخیر 91.5 درصد (33.6 کیلومترمربع) رشد داشته است. زمین ‌های بایر و پوشش گیاهی اما، در این منطقه و در دوره زمانی یکسان با رشد منفی همراه بوده ‌اند. به ‌گونه‌ای که زمین ‌های بایر، از سال 1990 تا 2020، در شهر یزد، رشد -79.4 درصدی (21.3 کیلومترمربع) را تجربه کرده ‌اند که رشد شدید مناطق شهری، این رشد منفی در زمین ‌های بایر، را توجیه می‌ کند. طبقات پوشش گیاهی شهر یزد از سال 1990 تا 2020، رشد -68.5 درصدی (12.2 کیلومترمربع) را نشان داد. میانگین دمای سطح زمین این شهر طی همین دوره 30 ساله به ‌صورت مداوم افزایشی بوده است. به طوری که تا سال 2020، شهر یزد با رسیدن به میانگین 38.1 درجه سانتی‌ گراد نسبت به 29.2 درجه سانتی ‌گراد در 1990، افزایش 30.4 درصدی را در میانگین دمای سطح زمین خود تجربه کرده است. کلاس ‌های دمایی این شهر نیز در این 30 سال به سمت کلاس ‌های دمایی گرم‌ تر حرکت کرده ‌اند. به‌ گونه‌ای که عمده ‌ترین بخش مساحت‌ های دمایی سطح زمین شهر یزد، در سال 1990 در وهله نخست، در کلاس 26-30 درجه با 47 کیلومترمربع سانتی‌ گراد و در وهله دوم در کلاس 31-35 درجه با 26.4 کیلومترمربع طبقه‌ بندی می ‌شوند. این در حالی است که در سال 2000، در روندی معکوس، کلاس دمایی 35-31 درجه سانتی‌ گراد با 52.8 کیلومترمربع در وهله نخست و کلاس دمایی 26-30 درجه سانتی ‌گراد با 20 کیلومترمربع در وهله دوم قرار دارد. با یک کلاس افزایش، کلاس دمایی 36-40 درجه سانتی ‌گراد برای هردو سال 2010 و 2020 با به ترتیب 40.2 و 63 کیلومترمربع به ‌عنوان بزرگ‌ترین کلاس دمایی ثبت‌شده است. کلاس دمایی 31-35 درجه سانتی‌ گراد نیز به‌ عنوان کلاس دمایی دوم هر دو سال به ترتیب با 33.2 و 9.7 کیلومترمربع ثبت ‌شده است. تفاوت این دو سال، در رشد -70.7 درصدی (23.5 کیلومترمربع) مساحت کلاس 31-35 درجه سانتی ‌گراد و افزایش رشد 10.3 درصدی (0.8 کیلومترمربع) گرم‌ترین کلاس کل دوره آماری، 41-46 درجه سانتی ‌گراد، در سال 2020، نسبت به سال 2010 است. نتایج این مطالعه نشان داد بیشترین میانگین دمایی در تمام سال ها برای زمین‌های بایر با 37.3 درجه سانتی ‌گراد ثبت‌ شده است. همچنین همبستگی مثبت (میانگین همبستگی 0.95) بین مجاورت با پوشش اراضی بایر و میانگین دمای سطح زمین نیز نمایش داده شد. با این ‌وجود، روند شدید افزایشی مناطق شهری در کل دوره آماری (91.5 درصد با 33.6 کیلومترمربع) به‌ عنوان دومین کلاس با بیشترین میانگین دمایی پس از زمین ‌های بایر با میانگین 34.1 درجه سانتی‌گراد در مقابل روند کاهشی 79.4 درصدی (21.3 کیلومترمربع) زمین‌ های بایر موجب افزایش میانگین دمای سطح زمین طی دوره آماری 30 ساله شده است. چراکه کاهش 68.5 درصدی (12.2 کیلومترمربع) مناطق پوشش گیاهی به‌عنوان کلاس پوشش اراضی با کمترین میانگین دمای سطح زمین (32.2 درجه سانتی‌گراد) در همین دوره، اثر کاهش زمین‌های بایر را خنثی، و روند افزایش میانگین دمای سطح زمین را تشدید کرده است. این در حالی است که همبستگی منفی (میانگین همبستگی -0.97) میان نسبت مجاورت با پوشش گیاهی و میانگین دمای سطح زمین به اثبات رسید. نتایج حاصل از پیش‌بینی تغییرات پوشش زمین در سال 2030 برای شهر یزد بیانگر آن است که در روندی مشابه با دوره‌ های قبل، پوشش مناطق شهری با افزایش روبرو خواهد بود. این رشد، نسبت به سال 2020، با 1.6 درصد (1.1 کیلومترمربع) چشمگیر نخواهد بود. اما کاهش چشمگیر مناطق سبز (پوشش گیاهی) با -19.6 درصد (1.1 کیلومترمربع) در همین دوره، به همراه ناچیز بودن کاهش زمین‌های بایر (-1.8 درصد با 0.1 کیلومترمربع) سبب گرم‌تر شدن زمین، و رشد مساحت کلاس‌ های دمای سطح زمین در سال 2030 خواهد شد. بر این اساس، عمده‌ ترین مساحت کلاس دمای سطح زمین در سال 2030 برای شهر یزد، همانند سال 2020، 36-40 درجه سانتی‌گراد با 58.2 کیلومترمربع (-7.6 درصد رشد نسبت به دوره 2020) پیش‌بینی‌شده است. اما رشد فزاینده و چشمگیر گرم‌ترین کلاس دوره آمار (41-46 درجه سانتی‌گراد) با 166.3 درصد (14.3 کیلومترمربع) رشد مثبت به ‌عنوان دومین کلاس عمده دمای سطح زمین در این سال (2030)، و نیز رشد منفی و چشمگیر کلاس نسبتاً خنک‌تر 31-35 درجه سانتی‌گراد با -97.9 درصد (9.5 کیلومترمربع) در این سال بیانگر گرم‌تر شدن دمای سطح زمین در سال 2030 خواهد بود.
نتیجه گیری نتایج این پژوهش نشان می دهد که در یک دوره 30 ساله در شهر یزد، کاهش پوشش گیاهی در وهله نخست، به همراه افزایش مناطق شهری در وهله دوم، سبب افزایش دمای سطح زمین شده است. بدین ترتیب، کلاس پوشش گیاهی به دلیل اثر خنک‌کننده خود به دلیل دارا بودن آب، سبب کاهش دمای سطح زمین می ‌شود. در این پژوهش نشان داده شد که با ثابت در نظر گرفتن تمام عوامل، کاهش زمین ‌های بایر به کاهش دمای سطح زمین منجر خواهد شد و همچنین افزایش مناطق شهری با ضریب تأثیر کمتر از زمین ‌های بایر، دمای سطح زمین را افزایش می ‌دهند. با این ‌حال کاهش مساحت زمین‌ های سبز (پوشش گیاهی) در سال‌ های اخیر، به همراه افزایش شدید مساحت زمین ‌های مناطق شهری موجب افزایش دمای سطح زمین در این شهر شده است. همچنین رابطه منفی بین مجاورت با پوشش گیاهی رابطه مثبت بین مجاورت با زمین‌ های بایر با میانگین دمای سطح زمین ثبت‌شده یافت شد. افزایش مجاورت با پوشش گیاهی از طریق ایجاد زمین ‌های سبز با افزایش میزان نسبت پوشش گیاهی در مجاورت پوشش ‌های مختلف و نیز کاهش مساحت زمین ‌های بایر، می‌ تواند راهکار مناسبی در مقابله با تأثیر گسترش شهرنشینی در سال‌ های اخیر بر روی دمای سطح زمین باشد. 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Study and prediction of land surface temperature changes of Yazd city: assessing the proximity and changes of land cover

نویسندگان [English]

  • Mohammad Mansourmoghaddam 1
  • Iman Rousta 2
  • Mohammadsadegh Zamani 3
  • Mohammad Hossein Mokhtari 4
  • Mohammad Karimi Firozjaei 5
  • Seyed Kazem Alavipanah 6
1 MSc. Student of Remote Sensing and Geographical Information System, Department of Geography, University of Yazd, Iran
2 Assistant Professor, Department of Geography, University of Yazd, Iran
3 Assistant Professor, Faculty of Mathematic Sciences, University of Yazd, Iran
4 Assistant Professor, Department of Management in the Arid Regions, Faculty of Environmental and Desert Studies, University of Yazd, Iran
5 PhD. Student of Remote Sensing and Geographical Information System, Department of Geography, University of Tehran, Iran
6 Professor, Department of Geography, University of Tehran, Iran
چکیده [English]

Background and Objective The expansion of urbanization has increased the scale and intensity of thermal islands in cities. Investigating how cities are affected by these thermal islands plays an important role in the future planning of cities. For this purpose, this study examines and predicts the effect of land cover (LC) changes in the three classes of LC including urban areas, barren lands, and vegetation on land surface temperature (LST) in the city of Yazd during the last 30 years using Landsat 5 and 8 images. This study also examines the effect of the ratio of proximity to the barren land and vegetation classes during this period to examine how the recorded LST is affected by the mentioned ratio.
Materials and Methods The LC maps of Yazd city were extracted using a supervised Artificial Neural Network classifier for 1990, 2000, 2010, and 2020. Terrestrial data, google earth, and ground truth maps were used to derive training data. The LST of Yazd was obtained from the thermal band of Landsat 5 and Landsat 8. After that, the LST was classified into six available classes, including 16-20, 21-25, 26-30, 31-35, 36-40, and 41-46°C which has shown that the four last classes play an important role in LST changes in Yazd city during last 30 years. To evaluate the effects of the proximity of barren land and vegetation LC classes on the LST recorded by the sensor, firstly the proximity ratio was calculated in 5×5 kernels for all image pixels. Then the mean of LST was derived based on this ratio of barren and vegetation lands.
Results and Discussion The results of this study showed that in Yazd city, from 1990 to 2020, the area of the urban area has grown 91.5 % (33.6 km2) over the last 30 years. Barren and vegetation land, have negative growth in the area over the same period. From 1990 to 2020, barren lands in Yazd experienced a growth -79.4% (21.3 km2), which the sharp growth of urban areas justifies this negative growth in barren lands. Vegetation classes in Yazd from 1990 to 2020, have experienced a growth -68.5% (12.2 km2). The average ground temperature of this city has been constantly increasing during these 30 years. By 2020, the city of Yazd, reaching an average of 38.1°C compared to 29.2°C in 1990, has experienced a 30.4% increase in its average LST. The temperature classes of this city have also moved towards warmer temperature classes in these 30 years. As the main part of the LST area of Yazd, in 1990, in the first place, the class of 26-30 °C with 47 km2 and at the second place the class of 31-35 °C with 26.4 km2 are classified. In 2000, in a reverse trend, the main LST class was 31-35°C with 52.8 km2 as the first place and the 26-30°C class with 20 km2 as the second place. With an increased class, the LST class of 36-40 °C for both 2010 and 2020 with 40.2 and 63 km2 respectively has been recorded as the largest LST class. The LST class of 31-35 °C has been recorded as the second LST class of both years with 33.2 and 9.7 km2, respectively. The difference between these two years is in the growth -70.7% (23.5 km2) of the class area of 31-35°C and the increase of 10.3% (0.8 km2) of the hottest class of the statistical period, 41-46°C, in 2020, compared to 2010. The results of this study also showed that the highest average temperature in all year was recorded for barren lands at 37.3°C. Also, a positive correlation (mean correlation 0.95) was shown between the proximity to barren land cover and the mean LST. However, the sharp upward trend of urban areas in the whole statistical period (91.5% with 33.6 km2) as the second class with the highest average LST after the barren lands with an average of 34.1 °C versus a downward trend of 79.4% (21.3 km2) of barren lands has increased the average LST over a statistical period of 30 years. It is because the decrease of 68.5% (12.2 km2) of vegetation areas as an LC class with the lowest average LST (32.2°C) in the same period, neutralized the effect of decreasing barren lands and intensified the trend of increasing the LST. Meanwhile, a negative correlation (mean correlation -0.97) was established between the ratio of proximity to vegetation and the average LST. The results of forecasting land cover changes in 2030 in the city of Yazd indicate that in a process similar to previous periods, the class of urban areas will increase. This growth will not be significant compared to 2020, with 1.6% (1.1 km2). However, a significant decrease in green areas (vegetation) by -19.6% (1.1 km2) in the same period, along with a slight decrease in barren lands -1.8% (0.1 km2) will cause the earth’s surface to become warmer, and the area of LST classes will be increased by the year. Accordingly, the main area of the LST class in 2030 for the city of Yazd, as in 2020, is forecasted 36-40°C with 58.2 km2 (-7.6% growth compared to 2020). But the dramatic growth of the hottest class of LST over the statistical period (41-46°C) with 166.3% (14.3 km2) growth as the second major class of LST in this year (2030), as well as the negative and dramatic growth of the relatively cooler class 31-35°C with -97.9 % (9.5 km2) in this year indicates the warmer ground surface temperature in 2030.
Conclusion The results of this study indicate that in 30 years in Yazd city, the decrease in vegetation in the first place, along with the increase in urban areas in the second place, has caused an increase in LST. Thus, the vegetation class reduces the LST due to its cooling effect considering its water content. In this study, it was shown that by taking all factors into account, the reduction of barren lands will lead to a decrease in LST, and also increasing urban areas with a lower impact factor than barren lands will increase the LST. However, the decrease in the area of green lands (vegetation) in recent years, along with the sharp increase in the area of urban areas has caused an increase in LST. Increasing the proximity to vegetation by creating green areas by increasing the ratio of vegetation in the vicinity of different LC and also reducing the area of barren lands, can be a good solution to deal with the impact of urbanization in recent years on ground surface temperature.

کلیدواژه‌ها [English]

  • Land cover proximity
  • Land use classification
  • Prediction of land use
  • Artificial Neural Network
  • Land surface temperature
  • Yazd city
Ackerman B. 1985. Temporal march of the Chicago heat island. Journal of Climate and Applied Meteorology, 24(6): 547-554. doi:https://doi.org/10.1175/1520-0450(1985)024<0547:TMOTCH>2.0.CO;2.
Alberti M, Marzluff JM. 2004. Ecological resilience in urban ecosystems: Linking urban patterns to human and ecological functions. Urban Ecosystems, 7(3): 241-265. doi:https://doi.org/10.1023/B:UECO.0000044038.90173.c6.
Amiri R, Weng Q, Alimohammadi A, Alavipanah SK. 2009. Spatial–temporal dynamics of land surface temperature in relation to fractional vegetation cover and land use/cover in the Tabriz urban area, Iran. Remote Sensing of Environment, 113(12): 2606-2617. doi:https://doi.org/10.1016/j.rse.2009.07.021.
Bischof H, Schneider W, Pinz AJ. 1992. Multispectral classification of Landsat-images using neural networks. IEEE Transactions on Geoscience and Remote Sensing, 30(3): 482-490. doi:https://doi.org/10.1109/36.142926.
Bishop CM. 1995. Neural networks for pattern recognition. Oxford University Press, 1374 AP - Computers - 482 pages.
Borana S, Yadav S. 2017. Prediction of land cover changes of Jodhpur City using cellular automata markov modelling techniques. International Journal of Engineering Science, 17(11): 15402-15406. doi:http://dx.doi.org/10.13140/RG.2.2.10705.38246.
Carlson TN, Arthur ST. 2000. The impact of land use—land cover changes due to urbanization on surface microclimate and hydrology: a satellite perspective. Global and planetary change, 25(1-2): 49-65. doi:https://doi.org/10.1016/S0921-8181(00)00021-7.
Collobert R, Weston J. 2008. A unified architecture for natural language processing: Deep neural networks with multitask learning. In: Proceedings of the 25th international conference on Machine learning. pp 160-167. https://doi.org/110.1145/1390156.1390177.
Coseo P, Larsen L. 2014. How factors of land use/land cover, building configuration, and adjacent heat sources and sinks explain Urban Heat Islands in Chicago. Landscape and Urban Planning, 125: 117-129. doi:https://doi.org/10.1016/j.landurbplan.2014.02.019.
Deakin M, Allwinkle S. 2007. Urban regeneration and sustainable communities: The role of networks, innovation, and creativity in building successful partnerships. Journal of Urban Technology, 14(1): 77-91. doi:https://doi.org/10.1080/10630730701260118.
Dos Santos AR, de Oliveira FS, da Silva AG, Gleriani JM, Gonçalves W, Moreira GL, Silva FG, Branco ERF, Moura MM, da Silva RG. 2017. Spatial and temporal distribution of urban heat islands. Science of the Total Environment, 605: 946-956. doi:https://doi.org/10.1016/j.scitotenv.2017.05.275.
Exelis visual information solutions. 2015. ENVI 53 help.
Grimmond C. 2006. Progress in measuring and observing the urban atmosphere. Theoretical and Applied Climatology, 84(1): 3-22. doi:https://doi.org/10.1007/s00704-005-0140-5.
Hou H, Ding F, Li Q. 2018. Remote sensing analysis of changes of urban thermal environment of Fuzhou city in China in the past 20 years. Journal of Geo-information Science, 20(3): 385-395.
Jensen JR. 2005. Introductory digital image processinga remote sensing perspective. vol 621.3678 J4/2005. 526 p.
Jiang J, Tian G. 2010. Analysis of the impact of land use/land cover change on land surface temperature with remote sensing. Procedia Environmental Sciences, 2: 571-575. doi:https://doi.org/10.1016/j.proenv.2010.10.062.
Jianping L, Bai Z, Feng G. 2005. RS-and-GIS-supported forecast of grassland degradation in southwest Songnen plain by Markov model. Geo-spatial Information Science, 8(2): 104-109. doi:https://doi.org/10.1007/BF02826848.
Kavzoglu T, Colkesen I. 2009. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11(5): 352-359. doi:https://doi.org/10.1016/j.jag.2009.06.002.
LANDSAT 8 data users handbook. 2016. Using the USGS Landsat8 product, US Department of the Interior-US Geological Survey–NASA.
Li C, Wang J, Wang L, Hu L, Gong P. 2014. Comparison of classification algorithms and training sample sizes in urban land classification with Landsat thematic mapper imagery. Remote Sensing, 6(2): 964-983. doi:https://doi.org/10.3390/rs6020964.
Li X, Zhou Y, Asrar GR, Imhoff M, Li X. 2017. The surface urban heat island response to urban expansion: A panel analysis for the conterminous United States. Science of the Total Environment, 605: 426-435. doi:https://doi.org/10.1016/j.scitotenv.2017.06.229.
Liu G, Chen S, Gu J. 2019. Urban renewal simulation with spatial, economic and policy dynamics: The rent-gap theory-based model and the case study of Chongqing. Land Use Policy, 86: 238-252. doi:https://doi.org/10.1016/j.landusepol.2019.04.038.
Logsdon MG, Bell EJ, Westerlund FV. 1996. Probability mapping of land use change: A GIS interface for visualizing transition probabilities. Computers, Environment and Urban Systems, 20(6): 389-398. doi:https://doi.org/10.1016/S0198-9715(97)00004-5.
Muller MR, Middleton J. 1994. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology, 9(2): 151-157. doi: https://doi.org/10.1007/BF00124382.
Qiao Z, Liu L, Qin Y, Xu X, Wang B, Liu Z. 2020. The impact of urban renewal on land surface temperature changes: a case study in the main city of Guangzhou, China. Remote Sensing, 12(5): 794. doi:https://doi.org/10.3390/rs12050794.
Rousta I, Sarif MO, Gupta RD, Olafsson H, Ranagalage M, Murayama Y, Zhang H, Mushore TD. 2018. Spatiotemporal analysis of land use/land cover and its effects on surface urban heat island using Landsat data: A case study of Metropolitan City Tehran (1988–2018). Sustainability, 10(12): 4433. doi:https://doi.org/10.3390/su10124433.
Story M, Congalton RG. 1986. Accuracy assessment: a user’s perspective. Photogrammetric Engineering and Remote Sensing, 52(3): 397-399.
Thompson WD, Walter SD. 1988. A reappraisal of the kappa coefficient. Journal of Clinical Epidemiology, 41(10): 949-958. doi:https://doi.org/10.1016/0895-4356(88)90031-5.
USGS. 2014. OLI and TIRS Calibration Notices. Landsat 8 Reprocessing to Begin February 3, 2014.
Wang R, Derdouri A, Murayama Y. 2018. Spatiotemporal simulation of future land use/cover change scenarios in the Tokyo metropolitan area. Sustainability, 10(6): 2056. doi:https://doi.org/10.3390/su10062056.
XIU L-n, Xiang-nan L. 2011. Current status and future direction of the study on artificial neural network classification processing in remote sensing. Remote Sensing Technology and Application, 18(5): 339-345.
Ziaul S, Pal S. 2016. Image based surface temperature extraction and trend detection in an urban area of West Bengal, India. Journal of Environmental Geography, 9(3-4): 13-25. doi:http://dx.doi.org/10.1515/jengeo-2016-0008.