جغرافیا و روابط انسانی

جغرافیا و روابط انسانی

پایش دمای سطح زمین با به‌کارگیری روش پنجره مجزا در شهرستان تبریز و اثر آن بر تغییرات کاربری اراضی

نوع مقاله : مقاله پژوهشی

نویسندگان
خدیجه جوان
سحر مهرران
دانشگاه ارومیه
10.22034/gahr.2023.425636.1987
چکیده
دمای سطح زمین LST عاملی مهم در مباحث گرمایش جهانی و تغییر اقلیم است. فعالیت‌های طبیعت و انسان-ساخت به ویژه تغییرات در پوشش زمین، تأثیر چشمگیری بر دمای سطح می‌گذارد. هدف از این پژوهش، تخمین دمای سطح زمین با به‌کارگیری روش پنجره مجزا در شهرستان تبریز و تعیین رابطۀ آن با تغییرات کاربری اراضی می‌باشد. بدین سبب تصاویر OLI و TIRS لندست 8 در سال‌های 2013 و 2019 استفاده شده و پس از انجام مراحل مختلف پیش-پردازش، شاخص پوشش گیاهی NDVI ، شاخص توسعۀ شهری NDBI ، شاخص استخراج آب MNDWI و دمای سطح زمین با استفاده از باندهای چندطیفی و حرارتی برآورد شد. نقشه‌های کاربری زمین نیز با بهره‌گیری از روش طبقه‌بندی شی‌گرا تهیه گردید و سپس ضرایب ارزیابی صحّت به دست آمد. نتایج این پژوهش آشکار کرد که بیشترین تغییرات کاربری اراضی در بخش مرتع به چشم می‌خورد که در دوره 7 ساله بخش عمده‌ای از آن به کاربری ارتباطی و شهری تغییر یافته است. همچنین نتایج حاصل نشان‌دهنده همبستگی معکوس بین دمای سطح زمین و شاخص NDVI است و حداکثر دما در مناطقی رخ می‌دهد که با فقر پوشش گیاهی مواجه بوده‌اند. بنابراین با توجه به جایگاه پوشش گیاهی در متعادل کردن شرایط دمایی، ضرورت و لزوم حفاظت از پوشش گیاهی آشکار می‌شود. با توجه به اهمیت بالای منطقه، نتایج حاصله می‌تواند در برنامه‌ریزی توسعه و لزوم توجه به پیامدهای به‌دست آمده از تغییرات کاربری اراضی و نیز ضرورت به‌کارگیری داده‌های سنجش از دور در برنامه‌ریزی محیطی حائز اهمیت باشد.
کلیدواژه‌ها
دمای سطح زمین
کاربری اراضی
روش پنجره مجزا
لندست 8
شهرستان تبریز

موضوعات

عنوان مقاله English

Land Surface temperature monitoring in Tabriz using Split window algorithm and investigating its relationship with land use changes

نویسندگان English

خدیجه جوان
sahar mehrran
Urmia university
چکیده English

Land surface temperature (LST) is an important factor in the study of global warming and climate change. Natural and man-made activities, especially land use and land cover changes, have a significant effect on land surface temperature. The purpose of this study is to estimate the surface temperature using Split window algorithm in Tabriz and determine its relationship with land use changes. For this purpose, OLI and TIRS images of Landsat 8 in 2013 and 2019 were used and after performing various pre-processing stages, vegetation index (NDVI), water extraction index (MNDWI), urban development index (NDBI) and land surface temperature were estimated using multispectral and thermal bands. Land use maps were prepared using object-oriented classification method in eCognition software and then accuracy assessment coefficients were extracted. The results of this study showed that the most land use changes are observed in rangeland use, which in the 7-year period, most of it has changed to road and urban land use. The results also show a negative correlation between NDVI and surface temperature and the highest temperature occurs in areas with poor vegetation. Therefore, considering the role of vegetation in modulating temperature conditions, the need for vegetation protection seems necessary.

کلیدواژه‌ها English

Land use changes
Land surface temperature
Split window algorithm
Landsat 8
Tabriz
  • احمدی محمود؛ آزادی مبارکی محمد. (۱۳۹۹). بررسی جزایر حرارتی تبریز با رویکرد زیست­پذیری شهری، پژوهش­های دانش زمین، ۱۱(۴۳)، ۲۴۵-۲۶۲.
  • اصغری سراسکانرود صیاد؛ محمدنژاد وحید؛ امامی هادی. (۱۳۹۸). بررسی تغییرات کاربری اراضی با استفاده از روش­های پیکسل پایه و شی­گرا و تحلیل اثرات تغییر کاربری­ها بر فرسایش خاک (مطاله موردی: شهرستان مراغه)، پژوهش­های ژئومورفولوژی کمی، ۸(۱)، ۱۶۰-۱۷۸.
  • اصغری سراسکانرود صیاد؛ امامی هادی. (۱۳۹۷). پایش دمای سطح زمین و بررسی رابطه کاربری اراضی با دمای سطح با استفاده از تصاویر سنجنده OLI و ETM+ مطالعه موردی: (شهرستان اردبیل)، تحقیقات کاربردی علوم جغرافیایی، ۱۹(۵۳)، ۱۹۵-۲۱۶.
  • اکبری الهه؛ ابراهیمی مجید؛ فیضی زاده بختیار؛ نژاد سلیمانی حمید. (۱۳۹۴). ارزیابی دمای سطح زمین در ارتباط با روند تغییرات کاربری اراضی با استفاده از تصاویر ماهواره­ای (مطالعه موردی: حوضه آبخیز طالقان)، جغرافیا و برنامه­ریزی محیطی، ۲۶(۴)، ۱۵۱-۱۷۰.
  • امیری رضا؛ علی­محمدی عباس؛ علوی­پناه سیدکاظم. (1386). مطالعه تغییر پذیری فضایی- زمانی حرارت در ارتباط با کاربری/ پوشش زمین در منطقه شهری تبریز با استفاده از داده­های حرارتی و انعکاسی TM و +ETM لندست، محیط­شناسی، 33(43)، 107-120.
  • انتظاری علیرضا؛ امیراحمدی ابوالقاسم؛ علی­آبادی کاظم؛ خسرویان مریم؛ ابراهیمی مجید. (۱۳۹۵). پایش دمای سطح زمین و ارزیابی روند تغییرات کاربری اراضی (مطالعه­ی موردی: حوضه­ی آبخیز دریاچه­ی پریشان)، نشریه هیدروژئومورفولوژی، ۲(۸)، ۱۱۳-۱۳۹.
  • جهانبخش سعید؛ زاهدی مجید؛ ولی­زاده کامران خلیل. (1390). محاسبه دمای سطح زمین با استفاده از روش سبال و درخت تصمیم‌گیری در محیط RS, GIS در بخش مرکزی منطقه مراغه، جغرافیا و برنامه­ریزی، 16(38)، 19-42.
  • شکیبا علیرضا؛ ضیاییان فیروزآبادی پرویز؛ عاشورلو داوود؛ نامداری سودابه. (1388). تحلیل رابطه کاربری و پوشش اراضی و جزایر حرارتی شهر تهران با استفاده از داده­های ETM+، سنجش از دور و GIS ایران، 1(1)، 56-39.
  • فیضی­زاده بختیار؛ دیده­بان خلیل؛ غلام­نیا خلیل. (۱۳۹۵). برآورد دمای سطح زمین با استفاده از تصاویر ماهواره لندست ۸ و الگوریتم پنجره مجزا (مطالعه موردی: حوضه آبریز مهاباد)، اطلاعات جغرافیایی (سپهر)، ۲۵(۹۸)، ۱۷۱-۱۸۱.
  • مجنونی توتاخانه علی؛ رمضانی محمدابراهیم. (۱۳۹۸). بررسی و ارزیابی وضعیت جزیره حرارتی کلان شهر تهران با استفاده از تصاویر ماهواره­ای، محیط زیست طبیعی، ۷۲(۱)، ۲۹-۴۳.
  • لطفعلی­زاده لاهرودی علی. (1402). بررسی روند تغییرات کاربری اراضی با استفاده از تصاویر ماهواره­ای لندست، جغرافیا و روابط انسانی، 6(2)، 66-52.
  • محمودزاده حسن. (1396). کاربرد شبکه عصبی مصنوعی در مدل­سازی و پیش بینی تغییرات کاربری اراضی شهر سردرود (1410-1363)، جغرافیا و برنامه­ریزی، 21(60)، 221-237.
  • محمودزاده حسن؛ پویان­جم آذر؛ امان­زاده فاطمه. (۱۳۹۹). محاسبه دمای سطح زمین و استخراج جزایر حرارتی با استفاده از تصاویر ماهواره­ای لندست۸ و الگوریتم پنجره مجزا در شهر ارومیه، جغرافیا و برنامه­ریزی، ۲۴(۷۳)، ۳۲۵-۳۴۸.
  • محمودزاده حسن؛ نقدبیشی افسانه؛ مومنی سحر. (۱۳۹۷). تاثیر کاربری­های شهری در ایجاد جزایر حرارتی (مطالعه موردی: شهر مشهد)، جغرافیا و مخاطرات محیطی، ۷(۲۷)، ۱۰۵-۱۱۹.
  • مزیدی احمد؛ حسینی فاطمه سادات. (۱۳۹۴). تاثیر تغییر کاربری و پوشش زمین بر جزیره گرمایی در منطقه شهری یزد با استفاده از داده­های سنجش از دور، جغرافیا و توسعه، ۱۳(۳۸)، ۱-۱۲.
  • نادی­زاده شورابه سامان؛ حمزه سعید. (۱۳۹۸). بررسی تاثیر پارامترهای محیطی و جمعیتی بر توزیع مکانی دمای سطح کلان‏شهر تهران با تلفیق مدل‏‏­های آماری و مدل تک ‏پنجره، پژوهش­های جغرافیای طبیعی، ۵۱(۱۰۸)، ۲۶۳-۲۸۲.
  • Alavipanah, S., Wegmann, M., Qureshi, S., Weng, Q., & Koellner, T. (2015). The role of vegetation in mitigating urban land surface temperatures: A case study of Munich, Germany during the warm season. Sustainability, 7(4), 4689-4706.
  • Bokaie, M., Shamsipour, A., Khatibi, P., & Hosseini, A. (2019). Seasonal monitoring of urban heat island using multi-temporal Landsat and MODIS images in Tehran. International Journal of Urban Sciences, 23(2), 269-285.
  • Bokaie, M., Zarkesh, M. K., Arasteh, P. D., & Hosseini, A. (2016). Assessment of urban heat island based on the relationship between land surface temperature and land use/land cover in Tehran. Sustainable Cities and Society, 23, 94-104. ‏
  • Effat, H. A., & Hassan, O. A. K. (2014). Change detection of urban heat islands and some related parameters using multi-temporal Landsat images; a case study for Cairo city, Egypt. Urban Climate, 10, 171-188.
  • Estoque, R. C., Murayama, Y., & Myint, S. W. (2017). Effects of landscape composition and pattern on land surface temperature: An urban heat island study in the megacities of Southeast Asia. Science of the Total Environment, 577, 349-359. ‏
  • Firozjaei, M. K., Kiavarz, M., Alavipanah, S. K., Lakes, T., & Qureshi, S. (2018). Monitoring and forecasting heat island intensity through multi-temporal image analysis and cellular automata-Markov chain modelling: A case of Babol city, Iran. Ecological indicators, 91, 155-170.
  • Hua, A. K., & Ping, O. W. (2018). The influence of land-use/land-cover changes on land surface temperature: a case study of Kuala Lumpur metropolitan city. European Journal of Remote Sensing, 51(1), 1049-1069. ‏ ‏
  • Kumar, D., & Shekhar, S. (2015). Statistical analysis of land surface temperature–vegetation indexes relationship through thermal remote sensing. Ecotoxicology and environmental safety, 121, 39-44.
  • Jensen, J. R. (2004). Introductory digital image processing: a remote sensing perspective, 3th Edition, Prentice Hall.
  • Johnson, B., Tateishi, R., & Kobayashi, T. (2012). Remote sensing of fractional green vegetation cover using spatially-interpolated endmembers. Remote Sensing, 4(9), 2619-2634. ‏
  • Lenney, M. P., Woodcock, C. E., Collins, J. B., & Hamdi, H. (1996). The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM. Remote Sensing of Environment, 56(1), 8-20.
  • Li, H. (2015). Pavement materials for heat island mitigation: design and management strategies. Butterworth-Heinemann. ‏
  • Li, Z. L., Tang, B. H., Wu, H., Ren, H., Yan, G., Wan, Z., ... & Sobrino, J. A. (2013). Satellite-derived land surface temperature: Current status and perspectives. Remote sensing of environment, 131, 14-37. ‏
  • 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. ‏
  • Moran, M. S., Scott, R. L., Keefer, T. O., Emmerich, W. E., Hernandez, M., Nearing, G. S., ... & O’Neill, P. E. (2009). Partitioning evapotranspiration in semiarid grassland and shrubland ecosystems using time series of soil surface temperature. Agricultural and forest meteorology, 149(1), 59-72. ‏
  • Myint, S. W., Gober, P., Brazel, A., Grossman-Clarke, S., & Weng, Q. (2011). Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery. Remote sensing of environment, 115(5), 1145-1161.
  • Petrova, S., Mitzeva, R., Kotroni, V., Latham, J., & Peneva, E. (2009). Analyses of summer lightning activity and precipitation in the Central and Eastern Mediterranean. Atmospheric research, 91(2-4), 453-458.
  • Qin, Z., Karnieli, A., & Berliner, P. (2001). A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region. International journal of remote sensing, 22(18), 3719-3746. ‏
  • Rajeshwari, A., & Mani, N. D. (2014). Estimation of land surface temperature of Dindigul district using Landsat 8 data. International Journal of Research in Engineering and Technology, 3(5), 122-126. ‏
  • Rongali, G., Keshari, A. K., Gosain, A. K., & Khosa, R. (2018). Split-window algorithm for retrieval of land surface temperature using Landsat 8 thermal infrared data. Journal of Geovisualization and Spatial Analysis, 2(2), 1-19. ‏ ‏
  • Sobrino, J. A., Jiménez-Muñoz, J. C., & Paolini, L. (2004). Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of environment, 90(4), 434-440. ‏
  • Sobrino, J. A., Li, Z. L., Stoll, M. P., & Becker, F. (1996). Multi-channel and multi-angle algorithms for estimating sea and land surface temperature with ATSR data. International Journal of Remote Sensing, 17(11), 2089-2114. ‏
  • Szuster, B. W., Chen, Q., & Borger, M. (2011). A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, 31(2), 525-532. ‏
  • Tayyebi, A., & Jenerette, G. D. (2016). Increases in the climate change adaption effectiveness and availability of vegetation across a coastal to desert climate gradient in metropolitan Los Angeles, CA, USA. Science of the Total Environment, 548, 60-71. ‏
  • Wan, Z., & Dozier, J. (1996). A generalized split-window algorithm for retrieving land-surface temperature from space. IEEE Transactions on geoscience and remote sensing, 34(4), 892-905. ‏
  • Wan, Z., Zhang, Y., Zhang, Q., & Li, Z. L. (2002). Validation of the land-surface temperature products retrieved from Terra Moderate Resolution Imaging Spectroradiometer data. Remote sensing of Environment, 83(1-2), 163-180.
  • Wang, R., Cai, M., Ren, C., Bechtel, B., Xu, Y., & Ng, E. (2019). Detecting multi-temporal land cover change and land surface temperature in Pearl River Delta by adopting local climate zone. Urban Climate, 28, 100455. ‏
  • Wang, Y. C., Hu, B. K., Myint, S. W., Feng, C. C., Chow, W. T., & Passy, P. F. (2018). Patterns of land change and their potential impacts on land surface temperature change in Yangon, Myanmar. Science of the Total Environment, 643, 738-750. ‏
  • Weih, R. C., & Riggan, N. D. (2010). Object-based classification vs. pixel-based classification: Comparative importance of multi-resolution imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 38(4), C7. ‏
  • Xu, H. (2006). Modification of normalized difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 27(14), 3025-3033. ‏
  • Zha, Y., Gao, J., & Ni, S. (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International journal of remote sensing, 24(3), 583-594. ‏
  • Zhou, Y., & Ren, G. (2011). Change in extreme temperature event frequency over mainland China, 1961− 2008. Climate Research, 50(2-3), 125-139. ‏
جغرافیا و روابط انسانی
دوره 7، شماره 1 - شماره پیاپی 25
تابستان 1403
صفحه 186-204

  • تاریخ دریافت 25 آبان 1402
  • تاریخ بازنگری 04 مرداد 1403
  • تاریخ پذیرش 24 آذر 1402