تحلیل ناهمگونی فضایی و عوامل موثر بر دمای سطح زمین با استفاده از مدل‌های رگرسیون فضایی
محورهای موضوعی : محیط زیست
زهرا پرور
1
(دانشجوی دکتری گروه علوم و مهندسی محیط زیست، دانشکده شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران.)
مرجان محمدزاده
2
(دانشیار گروه علوم و مهندسی محیط زیست، دانشکده شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران.)
سپیده سعیدی
3
(استادیار گروه علوم و مهندسی محیط زیست، دانشکده شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران.)
کلید واژه: رگرسیون وزن‌دار جغرافیایی, سیمای سرزمین, حداقل مربعات معمولی, ناهمگونی فضایی,
چکیده مقاله :
دمای سطح زمین یک عامل مهم تاثیرگذار بر تغییرات حرارتی و تعادل در مطالعات جهانی است. در طول دو دهه گذشته، نیاز شدید به داده‌های LST در مطالعات محیط‌زیستی و مدیریت منابع زمین، اندازه‌گیری LST را به یک بحث علمی بزرگ تبدیل کرده است. کشف ناهمگونی فضایی دمای سطح زمین و تحلیل عوامل کلیدی و روابط فضایی خاص که از سری‌های زمانی دمای سطح زمین تاثیر می‌گیرند، اهمیت بالایی در مدیریت سرزمین دارند. مطالعه حاضر با هدف تحلیل ناهمگونی فضایی و عوامل موثر بر دمای سطح زمین با استفاده از مدل‌های رگرسیون فضایی انجام شد. برای بررسی این موضوع نقشه‌های LST روزانه با استفاده از روش معادله انتقال تابشی از داده‌های لندست 7 و 8 برای سال‌های 2002، 2013 و 2021 شهر بجنورد تهیه شدند. تحلیل دمای سطح زمین در مناطقی که زمین‌های بایر غالب هستند، نیاز به داده‌های دمای شبانه دارد. بنابراین نقشه های LST شبانه مادیس نیز به‌عنوان نقشه‌های کمکی تهیه شدند. برای تجزیه و تحلیل داده‌ها از مدل‌های همبستگی پیرسون، خودهمبستگی فضایی، حداقل مربعات معمولی و رگرسیون وزن‌دار جغرافیایی استفاده شد. سپس عملکرد مدل‌ها با استفاده از ضریب تعیین و معیار اطلاعات آکاییک مقایسه شدند. نتایج مطالعه بیانگر توانایی بیشتر و پیش‌بینی دقیق‌تر رویکرد GWR نسبت به OLS برای توصیف ناهمگونی فضایی است. پاسخ فضایی دماهای سطح زمین و متغیرهای تاثیرگذار مختلف از سال 2002 تا 2021 نشان داد توسعه فضای سبز نقش مهمی در تعدیل دماهای سطح زمین ایفا می‌کند. با توجه به اینکه LST تحت تاثیر متغیرهای مختلفی از جمله توپوگرافی، متغیرهای اقلیمی، جوی و پوشش گیاهی است، بنابراین درک روابط فضایی و تجزیه و تحلیل مناطق با LST بالا، می تواند به‌عنوان راهگشایی در برنامه ریزی و آمایش اصولی سرزمین مفید واقع شود.
Land surface temperature is a significant factor affecting thermal variation and balance in global studies. In the last two decades, the great necessity for LST data in environmental studies and land resource management activities has made the measurement of LST as a major scientific debate. Discovering the spatial heterogeneity of land surface temperature and analyzing the key factors and specific effective spatial relationships that are affected by time series have great importance in land management. The aim of this study is to analysis of land surface temperature driving factors and spatial heterogeneity using spatial regression models. To review this issue, daily LST maps were prepared by the radiative transfer equation method using Landsat 7 and 8 data for 2002, 2013, and 2021 years in Bojnord city. The analysis of land surface temperature in areas where barren lands prevail requires nighttime temperature data. Therefore, MODIS night LSTs were also prepared as auxiliary maps. Pearson correlation, spatial autocorrelation, ordinary least square, and geographically weighted regression models were used for data analysis. Then, the performance of the models was compared using the coefficient of determination and the Akaike information criterion. The results showed that the GWR approach had a better prediction accuracy and a better ability to describe spatial non-stationarity than the OLS approach. The spatial response of LST and different influencing variables from 2002 to 2021 showed that the development of green space plays an important role in modulating land surface temperatures. Since LST is influenced by various variables, including topography, climatic and atmospheric variables, and vegetation, therefore, understanding spatial relationships and analyzing the areas with high LST can be useful as a way forward in the planning strategies.
_||_