بررسی نقش تغییرکاربری - پوشش زمین در تغییرات دمای حوزه آبخیز خرسان

الموضوعات : Natural resources and environmental management

مسعود آسوده ¹ , مریم مروتی ² , عارف صابری ³

1 - کارشناسی ارشد علوم و مهندسی محیط زیست، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان،اردکان، ایران
2 - دانشیار، گروه علوم ومهندسی محیط زیست، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان ، اردکان ، ایران
3 - دکتری علوم و مهندسی آبخیزداری، گروه علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی ، دانشگاه علوم کشاورزی و منابع طبیعی ساری ، ساری ، ایران

تاريخ الإرسال : 04 السبت , ربيع الأول, 1446 تاريخ التأكيد : 23 الإثنين , جمادى الأولى, 1446 تاريخ الإصدار : 19 السبت , ربيع الثاني, 1447

الکلمات المفتاحية: دﻣﺎي ﺳﻄﺢ زﻣﯿﻦ, حوضه خرسان, ﻣﻌﮑﻮس ﺗﺎﺑﻊ ﭘﻼﻧﮏ, ﺟﺰاﯾﺮ ﺣﺮارﺗﯽ,

ملخص المقالة :

پژوهش حاضر به بررسی تغییرات کاربری اراضی و پوشش گیاهی طی یک دوره آماری با انتخاب چهار سال 2010، 2014، 2018 و 2022 در حوزه آبخیز خرسان پرداخته‌شده است تا با استفاده از تغییرات موجود نقش کاربری اراضی در نوسانات دمایی و جزایر حرارتی مشخص گردد. برای این منظور نقشه­های کاربری اراضی، شاخص پوشش گیاهی و دمای سطح زمین (LST)با استفاده از تصاویر لندست 8-7 با دقت مکانی 30 متر در محیط گوگل ارث‌انجین محاسبه شدند سپس برای صحت­سنجی و نقشه­های به‌دست‌آمده از ضریب کاپا استفاده گردید؛ همچنین برای تعیین ارتباط بین هریک نقشه­های کاربری اراضی و پوشش گیاهی از ضریب همبستگی پیرسون نیز بهره گرفته شد. نتایج تغییرات کاربری اراضی نشان داد که اراضی مرتعی با 8/46 درصد بیشترین مساحت را دارد و اراضی بایر و منابع آب به ترتیب 2/2 و 4/4 درصد کمترین درصد را داشتند؛ نتایج صحت­سنجی با ضریب کاپا نشان داد که این نقشه­ها با دقت 87/0 و 5/0 درصد تهیه شدند، نتایج شاخص NDVI نشان داد که دو مقدار 74/0 و 49/0- به ترتیب حداکثر و حداقل مقدار شاخص طی دوره تعیین‌شده هستند. همچنین مقادیر شاخص LST نیز نشان داد مقادیر حداکثر دما در سال­های 2018 که شدت دمایی نسبت به سه سال دیگر کمتر بوده است و سال 2022 به ترتیب 98/32 و 22/45 درجه سانتی­گراد اندازه­گیری شده است. با بررسی همبستگی بین کاربری اراضی و دما با سطح اطمینان (Pvalue<0.05) مشخص شد که بیشترین ارتباط را اراضی زراعی با مقدار 724/0 دارد و کمترین آن را اراضی بایر و لخت برابر یا 305/0 در سال 2014 داشته است

 

المصادر:

1. Abedini M, Mostafazadeh R, Javadi A, Constable S, Frouten A, Mehdi H. 2019. Preparation of land use map using Landsat 8 satellite images (case study: Koze Topraghi watershed), 5th international conference on tourism, geography and clean environment, Hamedan, https://civilica.com/doc/1151444. [In Persian].
2. Al Rakib A, Akter KS, Rahman M N, Arpi S, Kafy A A. 2020. Analyzing the pattern of land use land cover change and its impact on land surface temperature: a remote sensing approach in Mymensingh, Bangladesh. In Student Res. Conf. [In Persian].
3. Arab N, Salmanmahiny A, Mikaeili Tabrizi AR, Houet T. 2022. Investigation and analysis of land use dynamics and its impact on urban Heat islands(Case study: Mashhad). Journal of Natural Environment, 75(3): 384-398. Doi: 10.22059/jne.2022.336599.2365.[In Persian].
4. Asghari Sarasekanrood S, Asadi, B. 2021. Analysis of land use changes and their effects on the creation of thermal islands in Isfahan City. The Journal of Geographical Research on Desert Areas, 8(2) 217-246:. Doi 20.1001.1.2345332.1399.8.2.9.6. [In Persian].
5. Bokaie M, Zarkesh MK, Arasteh PD, 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. Doi : org/10.1016/j.scs.2016.03.009.
6. Guha S Govil, H. 2021. An assessment on the relationship between land surface temperature and normalized difference vegetation index. Environment, Development and Sustainability, 23: 1944-1963.‏
7. Hunt JC, Aktas YD, Mahalov A, Moustaoui M, Salamanca F, Georgescu M. 2017. Climate change and growing megacities: hazards and vulnerability. In Proceedings of the Institution of Civil Engineers-Engineering Sustainability, 171 (6): 314-326. Thomas Telford Ltd. Doi :org/10.1680/jensu.16.00068.
8. Kafy A A, Al Rakib A, Akter KS, Jahir D MA, Sikdar M S, Ashrafi TJ, Rahman M M. 2021. Assessing and predicting land use/land cover, land surface temperature and urban thermal field variance index using Landsat imagery for Dhaka Metropolitan area. Environmental Challenges, 4: 100192. Doi : org/10.1016/j.envc.2021.100192.
9. Kazemi M, Nafarzadegan AR, Mohammadi F. 2020. Studying changes in heat islands and land uses of the Minab city using the random forest classification approach and spatial autocorrelation analysis.‏ [In Persian].
10. Khedmatzadeh A, mousavi M, Mohamadi Torkamani H, Mohammadi MS. 2021. An Analysis of Land Use Changes and Thermal Island Formation in Urmia City exclusion Using Remote Sensing. Regional Planning, 11(41): 119-134. Doi: 10.30495/jzpm.2021.3965. [In Persian].
11. Khuzari Ahmedabad M, Soleimani K. 2016. The use of satellite images to prepare the land use map of Qezal Ozen watershed using fusion technique and object-oriented processing. Application of geographic information system and remote sensing in planning, 8 (3): 13-21. https://sanad.iau.ir/Journal/gisrs/Article/934598. [In Persian].
12. Koko AF, Yue W, Abubakar GA, Alabsi AAN, Hamed R. 2021. Spatiotemporal influence of land use/land cover change dynamics on surface urban heat island: A case study of Abuja metropolis, Nigeria. ISPRS International. Journal of Geo-Information, 10(5): 272. Doi: org/10.3390/ijgi10050272.
13. Kong J, Pfeiffer M, Schildbach G, Borrelli F. 2015. Kinematic and dynamic vehicle models for autonomous driving control design. In 2015 IEEE intelligent vehicles symposium (IV) (pp. 1094-1099). IEEE.‏ DOI: 10.1109/IVS.2015.7225830.
14. Latif MS. 2014. Land surface temperature retrival of Landsat-8 data using split window algorithm-A case study of Ranchi district. International Journal of Engineering Development and Research, 2(4): 2840-3849.‏ DOI: 10.7537/marsjas131217.08. [In Persian].
15. Ma Y, Zhang S, Yang K, Li M. 2021. Influence of spatiotemporal pattern changes of impervious surface of urban megaregion on thermal environment: A case study of the Guangdong–Hong Kong–Macao Greater Bay Area of China. Ecological Indicators, 121:107106. Doi:org/10.1016/j.ecolind.2020.107106.
16. Mansouri S, Khaledi S, Borna R, Asadian F. 2020. Effect of Land Use Change and Reduction of Urban Green Space on Intensification of Heat Island and Pollution in Tehran (Case Study: Region One). Geography, 17(63):114-129 . https://mag.iga.ir/article_246008.html?lang=en. [In Persian].
17. Mansourmoghaddam M, Rousta I, Zamani M, Mokhtari MH, Karimi Firozjaei M, Alavipanah S. K. 2021. Study and prediction of land surface temperature changes of Yazd city: assessing the proximity and changes of land cover. Journal of RS and GIS for Natural Resources, 12(4): 1-27.‏ [In Persian].
18. Mohammadi Ravari F, Mazidi A, Behzadi shahrbabak Z. 2023. Evaluating the trend of temperature changes, heat island and vegetation cover during the hot season in Yazd. Scientific- Research Quarterly of Geographical Data (SEPEHR), 32(125): 163-177. Doi: 10.22131/sepehr.2023.561806.2904. [In Persian].
19. Mortazavi Assal SK, Saidirizvani N, Rezaei M. 2021. The effect of land use on the spatial distribution of cool islands in Tehran. Geographical Studies of Mountain Regions, 2 (2): 50-33. Doi:10.52547/gsma.2.2.31. [In Persian].
20. Mundhe NN, Jaybhaye R G. 2014. Impact of urbanization on land use/land covers change using Geo-spatial techniques. International journal of geomatics and geosciences, 5(1): 50-60.
21. Ndossi MI, Avdan U. 2016. Inversion of land surface temperature (LST) using Terra ASTER data: a comparison of three algorithms. Remote Sensing, 8(12): 993. doi.org/10.3390/rs8120993.
22. Outridge P M, Mason RP, Wang F, Guerrero S, Heimburger-Boavida LE. 2018. Updated global and oceanic mercury budgets for the United Nations Global Mercury Assessment 2018. Environmental science & technology, 52(20): 11466-11477.‏ doi.org/10.1021/acs.est.8b01246.
23. Rashid N, Alam JM, Chowdhury MA, Islam SLU. 2022. Impact of landuse change and urbanization on urban heat island effect in Narayanganj city, Bangladesh: A remote sensing-based estimation. Environmental Challenges, 8: 100571.‏ doi.org/10.1016/j.envc.2022.100571.
24. Richardson AJ, Wiegand CL. 1977. Distinguishing vegetation from soil background information. Photogrammetric engineering and remote sensing, 43(12): 1541-1552.
25. Sankey JB, Wallace CS, Ravi S. 2013. Phenology-based, remote sensing of post-burn disturbance windows in rangelands. Ecological indicators, 30: 35-44.‏ doi.org/10.1016/j.ecolind.2013.02.004.
26. Shabani M, Darvishan S, Solaimani K. 2019. Investigating the Effects of Land Use Change on Spatiotemporal Patterns of Land Surface Temperature and Thermal Islands (Case Study: Saqqez County). Geography and Environmental Planning, 30(1): 37-54. Doi: 10.22108/gep.2019.115781.1127. [In Persian].
27. Shakiba AR, Ziyaian Firouzabadi P, Ashurlo d, Namdari S. 2018. Analysis of land use and land cover and thermal islands in Tehran, using ETM+ data. Iranian Remote Sensing and GIS Journal. 1 (1): 56-39. [In Persian].
28. Shirani-Bidabadi N, Nasrabadi T, Faryadi S, Larijani A, Roodposhti MS. 2019. Evaluating the spatial distribution and the intensity of urban heat island using remote sensing, case study of Isfahan city in Iran. Sustainable cities and society, 45, 686-692.‏ doi.org/10.1016/j.scs.2018.12.005. [In Persian].
29. Taghi Melai Y, Karamshahi AA, Erfani Fard SY. 2022. Preparation of land use map with basic object classification with high resolution satellite images of WorldView 2. Environmental Science and Technology, 23(4 (107 consecutive)): 249-258.[In Persian].
30. Tahani Yazdli M, Rousta I, Abdolazimi H. 2023. Analyzing the Relationship between Temporal and Spatial Changes in Daily Surface Temperature and the Spatial Pattern of Land Cover Changes in the Direction of Environmental Sustainability (Case Study: Kashan city_ Iran). Geography and Environmental Sustainability, 13(1): 1-20. Doi: 10.22126/ges.2022.8014.2551.[In Persian].
31. Taloor AK, Manhas DS, Kothyari GC. 2021. Retrieval of land surface temperature, normalized difference moisture index, normalized difference water index of the Ravi basin using Landsat data. Applied Computing and Geosciences, 9: 100051.‏
32. Varameshc S, Mohtaram Anbaran S. 2023. Land Use Mapping by Classification of Landsat Images Using Synthetic Method. GeoRes 38 (1) :35-43. http://georesearch.ir/article-1-1411-fa.html . [In Persian].