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

الموضوعات :

محمد منصورمقدم ¹ , ایمان روستا ² , محمدصادق زمانی ³ , محمد حسین مختاری ⁴ , محمد کریمی فیروزجایی ⁵ , سید کاظم علوی پناه ⁶

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

تاريخ الإرسال : 15 السبت , رجب, 1442 تاريخ التأكيد : 13 الثلاثاء , شوال, 1442 تاريخ الإصدار : 18 الأربعاء , جمادى الأولى, 1443

الکلمات المفتاحية: طبقه‌بندی پوشش اراضی, پیش‌بینی پوشش اراضی, مجاورت پوشش اراضی, شبکه عصبی, شهر یزد, دمای سطح زمین,

ملخص المقالة :

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.

المصادر:

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.

نص كامل:



 

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

چکیده

گسترش شهر نشینی سبب افزایش مقیاس و شدت جزایر حرارتی در شهرها شده است. بررسی نحوه متاثر شدن شهرها از این جزایر حرارتی نقش به سزایی در برنامه‌ریزی‌های آتی شهرها دارد. بدین منظور، این پژوهش با بررسی و پیش‌بینی اثر تغییرات پوشش اراضی در سه طبقه مناطق شهری، زمین‌های بایر و پوشش گیاهی در شهر یزد طی 30 سال اخیر با استفاده از تصاویر لندست 5 و 8 و همچنین بررسی اثر نسبت مجاورت با کلاس‌های زمین بایر و پوشش گیاهی در دوره مذکور و نحوه تاثیر پذیری دمای سطح زمین ثبت شده در این شهر را به وسیله R بررسی می‌کند. نتایج حاصل از این تحقیق نشان داد که بررسی تغییرات پوشش اراضی شهر یزد طی سی سال اخیر، حاکی از رشد 5/91 درصدی (6/33 کیلومترمربع) اراضی شهری و کاهش زمین‌های بایر و پوشش گیاهی طی دوره مذکور به ترتیب با 4/79 درصد (3/21 کیلومترمربع) و 5/68 درصد (2/12 کیلومترمربع) دارد. بر اساس نتایج به دست آمده، میانگین دمای سطح زمین شهر یزد طی این دوره سی ساله، 4/30 درصد (9/8 درجه سانتی‌گراد) افزایش یافته و کلاس عمده دمایی در این دوره از 26-30 درجه سانتی‌گراد، به 36-40 درجه سانتی‌گراد رسیده است. همچنین زمین‌های بایر با میانگین دمای سطح زمین 3/37 درجه سانتی‌گراد، به‌عنوان گرم‌ترین و پوشش گیاهی با 2/32 درجه سانتی‌گراد به‌عنوان خنک ترین کلاس های پوشش اراضی این شهر بررسی شدند. این پژوهش همچنین میانگین همبستگی دمای سطح زمین ثبت شده را با میزان مجاورت با پیکسل های زمین بایر، 95 درصد و این میزان را برای پوشش گیاهی  با 97- به اثبات رساند.

واژه‌های کلیدی: مجاورت پوشش اراضی، طبقه بندی پوشش اراضی، پیش‌بینی پوشش اراضی، شبکه عصبی، دمای سطح زمین، شهر یزد

 

 

 

 

مقدمه

الگوی استفاده از زمین به دلیل افزایش فعالیت‌های انسانی دائماً درحال دگرگونی است. تغییرات سریع از طریق رشد چشم اندازهای غیر قابل نفوذ در کاربری/پوشش اراضی، مستقیم یا غیرمستقیم محیط زیست محلی را در رابطه با متغیر‌های اقلیمی و چشم انداز‌های اقتصادی تغییر می‌دهد (30). در طول زمان الگوهای پوشش زمین و به دنبال آن کاربری اراضی دچار تغییرات عمده می‌شوند. به منظور استفاده بهینه از منابع زمینی، کسب اطلاعات از پتانسیل اراضی ضروری به نظر می‌رسد . همچنین با توجه به دگرگونی‌های عمده در نحوه استفاده از زمین، تصاویر چند طیفی فناوری سنجش از دور به‌عنوان یک ابزار مهم در بررسی این تغییرات ظاهر شده است. امکان کشف اثر گرمایی شهر ها برای اولین بار توسط Rao (1972) بیان شد (3).

شهرنشینی چهره طبیعی سطح زمین را به کاربری‌ها و پوشش‌های اراضی جدیدی مانند ساختمان‌ها، جاده‌ها و دیگر سطوح غیرقابل نفوذ تغییر داده و این امر باعث قطعه-قطعه شدن و ایجاد پیچیدگی در چشم اندازهای شهری و تاثیر بر نحوه سکونت در شهرها گشته است (2). تغییرات عظیم کاربری اراضی/پوشش اراضی سبب ایجاد جزایر حرارتی (Urban Heat Island) در شهرها گشته است. این امر سبب شده است تا به دلیل تجمع گرمایی بر اثر سطح بالای دما در شهرها توسط جزایر حرارتی (25)، دمای شهر‌ها 2 تا 5 درجه گرم تر از روستاهای اطرافشان باشد (1). جزایر حرارتی باعث ایجاد اثرات منفی بر اقلیم شهری شده (9) و بصورت جدی سازگاری محیط زندگی شهری و سلامت ساکنان شهری را تهدید می‌کند (25).

استفاده ناکارآمد از زمین های شهری و ذخایر ناچیز زمینی با شهرنشینی امری اجتناب ناپذیر است. همچنین گسترش سریع شهرها منجر به بروز پدیده نوسازی شهرها می‌گردد (22)، این به معنای تخریب و یا نوسازی مناطق صنعتی، تجاری، مسکونی و یا روستاهای شهری به منظور بهبود سرزندگی آن منطقه و ارتباط آن با محیط اطراف می‌باشد (10). به‌عنوان مثال برخی از روستاهای شهری، کارخانه های قدیمی، منازل رها شده و زاغه ها و تسهیلات آلاینده می‌توانند با مناطق مسکونی، مناطق تجاری و اداری و یا مجتمع های تفریحی و تسهیلات عمومی مانند پارک های سبز جایگزین شوند. با این حال مطالعات مربوط به اثرات نوسازی شهری بر دمای سطح زمین محدود به چند مطالعه اخیر می‌شود (14). به‌عنوان مثال بر اساس داده های تصاویر رزولوشن بالای Worldview و چند زمانه پیشرفته حرارتی ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer)، نوسازی مناطق شهری و تغییرات دمای سطح زمین در منطقه در بازه های زمانی متفاوتی بررسی شده است (25).

در سالهای اخیر مطالعات مربوط به کاربرد سنجش از دور حرارتی در شهرها مرتبط با موضوعاتی از قبیل مطالعه روی دمای سطح زمین یا ارتباط بین ساختار فضایی الگوی حرارتی شهرها با مؤلفه‌های سطح زمین، شار و تعادل انرژی سطح زمین (13)، ارتباط بین دمای اتمسفر و دمای سطح زمین بوده است. برخی مطالعات اثر کاربری اراضی/پوشش اراضی بر روی دمای سطح زمین را مورد بررسی قرار داده اند (7)، که رابطه مثبتی با سطح غیرقابل نفوذ داشته است (16). برخی مطالعات نیز رابطه بین فراوانی پوشش گیاهی و دمای سطح زمین را تخمین زده اند (31)، نتایج حاکی از آن است که رابطه منفی بین اثر خنک کننده فضای سبز، فراوانی پوشش گیاهی و دمای سطح زمین وجود دارد (16).

دمای سطح زمین به عوامل متعددی از قبیل تغییر در کاربری اراضی، مؤلفه‌های سطح زمین، تغییرات فصلی، شرایط اقلیمی و توسعه اقتصادی و غیره (16) بستگی دارد. با ادامه یافتن روند شهرنشینی، بر مقیاس و شدت جزایر حرارتی افزوده می‌شود (25)، بررسی اینکه چگونه شهرها تحت تاثیر جزایر حرارتی قرار میگیرند از اهمیت بسزایی برخوردار است. در این بین، مدل سازی نقش موثری در نمایش و شناخت اثرات این تغییرات ایفا کرده و به انجام برنامه ریزی‌های موثر کمک شایانی می‌نماید (6). (Rousta et al., 2018)روستا و همکاران (2018) طی پژوهشی با بررسی ارتباط بین دمای سطح زمین (Land Surface Temperature) و شاخص نرمال شده مناطق ساخته شده (Normalize Difference Built-up index) رابطه مثبتی میان دو پارامتر مذکور به دست آوردند (26). مزیدی و حسینی (1394) در پژوهشی با هدف شناسایی اثر تغییرات کاربری و پوشش زمین بر جزیره گرمایی در محدوده شهر های یزد، اشکذر، زارچ، شاهدیه و حمیدیا با استفاده از داده های لندست 4 (TM) و 7 (ETM+) طی دوره 1990-2002، افزایش مساحت نواحی ساختمانی، کاهش مناطق پوشش گیاهی و افزایش وسعت جزیره گرمایی در شهر یزد را به اثبات رسانده اند. این پژوهش همچنین رابطه منفی بین NDVI و دمای سطح زمین را نشان داده است (34). در پژوهشی دیگر، دشتکیان و دهقانی (1386) با بررسی دمای سطح زمین در محدوده شهرهای یزد، زارچ و اشکذر در ارتباط با پوشش گیاهی توسعه شهری با استفاده از داده های لندست 7 پرداختند. این پژوهش همبستگی بالایی (r= 0.99) را بین دمای سطح زمین و NDVI را نشان داده و ثبت کمتر دما برای تاسیسات شهری و کارخانه ها را در ضمن دارا بودن بیشترین ضریب تغییرات به اثبات رسانده است (35).

با توجه به موقعیت جهانی شهر یزد و قرار گیری در مرکز ایران و نتیجتاً فرصت مهاجر پذیری، و نیز رشد این شهر طی سال‌های اخیر، و نیز با توجه به بررسی کمتر منطقه شهری یزد در پژوهش های مشابه (34 و 35) و نبود مطالعات به‌روز و جدید از نظر زمانی در این زمینه، بررسی میزان و سطح تاثیر پذیری این شهر از نظر دمای سطح زمین در نتیجه تغییرات پوشش اراضی ضروری به نظر می‌رسد. لذا به منظور بررسی اثرات تغییرات پوشش اراضی بر دمای سطح زمین در شهر یزد، این پژوهش با جمع آوری داده‌های لندست و با استفاده از روش طبقه بندی شبکه عصبی مصنوعی و شاخص دمای سطح زمین (LST)، به تهیه و مقایسه نقشه‌های پوشش اراضی با در نظر گرفتن توان تفکیک مکانی تصاویر لندست و عمده کلاس های موثر شهری بر دمای سطح زمین و تغییر کاربری، در سه طبقه عمده مناطق شهری ساخته شده که در این پژوهش از آن با عنوان "مناطق شهری" یاد می‌شود، زمین های بایر و پوشش گیاهی و نیز دمای سطح زمین در یک دوره سی ساله می‌پردازد. همچنین با توجه به غفلت بررسی های پیشین از مدل های آینده نگر و پیش‌بینی پوشش اراضی و دمای سطح زمین برای شهر یزد، پیرو بررسی اثر تغییرات پوشش زمین در تغییرات دمای سطح زمین، به منظور تسهیل در امر برنامه ریزی و مدیریت گسترش اراضی شهری، با استفاده از مدل Markov و CA-Markov که دقت آن توسط مطالعات زیادی مورد بررسی قرار گرفته است (17)، پیش‌بینی تغییرات پوشش اراضی و دمای سطح زمین برای سال 2030 شهر یزد محاسبه می‌شود. این پژوهش همچنین با بررسی اثر مجاورت پیکسل های پوشش اراضی بر دمای سطح زمین ثبت شده توسط سنجنده، رویکرد جدیدی را از این نظر در بررسی اثرات کاربری اراضی ارائه می‌کند.

منطقه مورد مطالعه

شهر یزد، یکی از کلان شهر‌های ایران و به‌عنوان مرکز استان و شهرستان یزد می‌باشد. این شهر بین طول جغرافیایی °54 و '22 دقیقه شرقی و °31 و '53 دقیقه شمالی عرض جغرافیایی قرار گرفته است (شکل 1). مساحت این شهر برابر با 110 کیلومترمربع می‌باشد. میانگین ارتفاع یزد از سطح دریا 1228 متر و میانگین دمای سالیانه این شهر 20 درجه سانتی‌گراد می‌باشد. گرم‌ترین ماه سال در این شهر، با میانگین 33 درجه سانتی‌گراد، جولای (تیر ماه) و پس از آن، ژوئن (خرداد) و آگوست (مرداد) با 31 درجه سانتی‌گراد می‌باشند. روستای شحنه و شهرک صنعتی در حاشیه غربی، شهر شاهدیه در حاشیه شمال غربی، روستای اکرمیه در حاشیه شرقی و نیز شهر حمیدیا در جنوب شرقی شهر یزد واقع شده اند.

 

شکل 1. الف) موقعیت شهر یزد در شهرستان و استان یزد و کشور ایران و ب) تصویر ماهواره ای بینگ مپ سال 2019 شهر یزد

Fig. 1. a) Location of Yazd city in Yazd county and province and Iran and b) Bing-Map satellite image of Yazd city for 2019

روش­ تحقیق

در این پژوهش تصاویر اپتیکی و حرارتی بدون ابر با قدرت تفکیک مکانی به ترتیب 30 و 120 متر سنجنده TM لندست 5 برای سال‌های 1990، 2000 و 2010 میلادی و سنجنده‌های OLI (اپتیکی) و TIRS (حرارتی) لندست 8  با قدرت تفکیک مکانی به ترتیب 30 و 100 متر برای سال 2020 میلادی از گرمترین ماه های سال شهر یزد (جولای و آگوست) در ردیف  38 و گذر 162 ماهواره از وبسایت earthexplorer.usgs.gov ایالات متحده استخراج گردید (جدول 1). به منظور تهیه نمونه‌های تمرینی، از یکصد داده زمینی به ازای هر کلاس برای سال 2020 و نیز تصاویر Google Earth و نقشه‌های واقعیت زمینی موجود برای تمام سال‌ها استفاده شد.

جدول 1. مشخصات تصاویر و سنجنده مورد استفاده

Table 1. Specifications of images and sensor used

سنجنده	شناسه تصویر	تاریخ برداشت	ساعت (GMT)
TM، لندست 5	LT05_L1TP_162038_19900701_20180612_01_T1	01 جولای 1990 (10 تیر 1369)	06:17:05
TM، لندست 5	LT05_L1TP_162038_20000728_20180922_01_T1	28 جولای 2000 (7 مرداد 1379)	06:34:04
TM، لندست 5	LT05_L1TP_162038_20100708_20161014_01_T1	08 جولای 2010 (17 تیر 1389)	06:47:28
OLI، لندست 8	LC08_L1TP_162038_20200804_20200804_01_T1	04 آگوست 2020 (14 مرداد 1399)	06:56:53

به منظور تفکیک سه کلاس پوشش اراضی مسکونی شهری، پوشش گیاهی و زمین‌های بایر از روش طبقه بندی نظارت شده شبکه عصبی مصنوعی استفاده شد (Artificial Neural Network).

تهیه نقشه پوشش اراضی با استفاده از طبقه بندی شبکه عصبی مصنوعی

شبکه عصبی مصنوعی یا پردازش توزیع شده موازی (Parallel Distributed Processing) که به‌عنوان پردازش گر اطلاعات سیستم‌ها از جمله تعداد بسیار زیادی از واحد‌های به هم پیوسته به‌عنوان عناصر پردازش، شناخته می‌شود. شبکه عصبی الهام گرفته از مدل زیستی است، چراکه بر اساس استفاده از یک سازماندهی عمومی است که توسط مغز انسان به منظور ایجاد یک ماشین محاسبه قوی تر استفاده می‌شود (4). شبکه عصبی مصنوعی به‌عنوان گسترده ترین روش طبقه بندی مورد استفاده قرار گرفته (32)، یک روش طبقه بندی شبکه عصبی لایه ای غیرخطی رو به جلو است. شبکه عصبی از روش پس انتشار استاندارد برای طبقه بندی نظارت شده استفاده می‌نماید. پس انتشار، موجب کاهش خطای بین خروجی و مدل واقعی شبکه و هردو نمونه‌های آموزشی ورودی، خروجی می‌شود (5). بدین ترتیب، زوج ورودی/خروجی مکرراً به شبکه معرفی شده و خطا، از خروجی، به لایه ورودی انتقال می‌یابد. به کمک نرخ یادگیری و یک قانون بروز رسانی، وزن مسیر پس انتشار بروز می‌شود (8).

در روش شبکه عصبی مصنوعی، عملکرد طبقه بندی کننده، شدیدا تحت تاثیر توپولوژی شبکه (از قبیل تعداد واحدها و لایه‌های مخفی و ارتباطات متقابل بین آنها) است . تعداد لایه‌های مخفی برای استفاده، توسط کاربر انتخاب می‌گردد و همچنین یک تابع فعال سازی لجستیک (Logistic) یا هذلولی (Hyperbolic) نیز ممکن انتخاب شود. تنها ارتباطات مجاز در شبکه، ارتباطات رو به جلو (همانند ورودی به لایه مخفی یا لایه مخفی به لایه خروجی (20) هستند. یادگیری در فرایند تنظیم وزن‌ها در گره به منظور کاهش اختلاف بین فعال سازی گره خروجی و لایه خروجی انجام می‌پذیرد. خطا توسط شبکه به عقب منتقل شده و وزن‌ها با استفاده از یک روش بازگشتی تنظیم می‌شوند (12). به منظور انجام طبقه بندی به روش شبکه عصبی مصنوعی در نرم افزار ENVI، مقادیر زیر پیشنهاد شده اند (جدول 2):

جدول .2مقادیر پیشنهاد شده برای ورودی الگوریتم شبکه عصبی مصنوعی (18)

Table 2. Proposed values for the input of artificial neural network algorithm (20)

مقدار	ورودی
0.9	Training threshold contribution
0.9	Training momentum field
0.2	Training rate
0.1	Training RMS exit criteria

 

ارزیابی دقت نقشه پوشش اراضی

به منظور ارزیابی دقت طبقه بندی کننده، برای هر کلاس و برای تصویر هر سه سال، بیش از صد نقطه تصادفی پراکنده بر اساس ترکیبی از بازدید زمینی، تفسیر بصری گوگل ارث و نیز تجربه کاربر به‌عنوان نمونه واقعیت زمینی در نظر گرفته شد. سپس دقت کاربر، دقت تولید کننده، دقت کلی (33) و نیز مقدار خطای جذر میانگین مربعات محاسبه شد. ضریب کاپا یک آزمون غیرپارامتریک برای مشخص کردن میزان سازگاری بین مقادیر واقعی و مقادیر اختصاص داده شده توسط کاربر می‌باشد . کاپا معمولا به عنوان شاخصی به منظور ارزیابی کیفیت اندازه گیری مشخصات باینری استفاده می‌شود. هنگامیکه سازگاری کامل باشد، خروجی کاپا 1 (100 درصد) خواهد بود، بدان معنی که طبقه بندی در هر زمینه ای مطابق با واقعیت است و همچنین مقدار 0 کاپا بیانگر آن است که سازگاری داده‌ها از یک مقدار تصادفی بهتر نیست. مقدار منفی کاپا بیانگر آن است که با توجه به توزیع حاشیه ای، سازگاری داده‌ها حتی از یک مقدار تصادفی نیز کمتر است. ضریب کاپا نه تنها به حساسیت و کیفیت منحصر به فرد دو کلاس طبقه بندی، بلکه به توزیع صحیح ویژگی‌های جامعه آماری بستگی دارد(28) .

دقت کلی عبارت است از حاصل تقسیم تمام پیکسل‌های طبقه بندی شده بصورت صحیح، بر تمام پیکسل‌های موجود در ماتریس خطای N (27) (رابطه 1):

(1)

دقت تولید کننده از طریق تقسیم ساده تعداد کل پیکسل‌های صحیح در یک کلاس، بر تمام پیکسل‌های آن کلاس می‌باشد که از طریق داده‌های مرجع زمینی به دست آمده اند (27). این آمار بیانگر احتمال طبقه بندی شدن یک پیکسل مرجع در کلاس صحیح است و به‌عنوان یک معیار انداز گیری خطای omission [خطای اختصاص یک پیکسل به کلاس خود] است (15). اما چنانچه تمام پیکسل‌های صحیح در یک طبقه، بر مجموع پیکسل‌های موجود طبقه بندی شده در آن دسته بندی تقسیم شوند، حاصل، میزان خطای Commission [خطای اختصاص یک پیکسل به کلاس اشتباه] خواهد بود. که این اندازه گیری، دقت کاربر یا قابلیت اطمینان نامیده می‌شود (27).

پیش‌بینی پوشش اراضی با استفاده از مدل Markov و CA-Markov

هنگامیکه توصیف تغییرات چشم انداز زمین سخت باشد، مدل مارکوف یک ابزار مناسب برای شبیه سازی تغییرات کاربری/پوشش اراضی است. پروسه مارکوف همچنین می‌تواند وضعیت تغییرات آینده یک سیستم را بر اساس حالتی که صرفا پیش از آینده قرار دارد شبیه سازی کند. بنابراین مدل مارکوف می‌تواند برای پیش‌بینی تغییرات کاربری/پوشش اراضی در دوره‌های زمانی آینده بر اساس یک ماتریس انتقال از تغییرات کاربری/پوشش بین دوره‌های گذشته مناسب باشد . ماتریس انتقال، ماهیت تغییرات را در حالیکه به صورت همزمان، برای مدل سازی و پیش‌بینی تغییرات در دوره نیز بعد استفاده می‌شود را نشان دهد(23) . مدل مارکوف یک روش ساده را مبتنی بر مطالعه و آنالیز یک سیستم پویا ارائه می‌دهد (24). روش کار مدل مارکوف به شرح زیر است:

عبور از یک وضعیت به وضعیت دیگری از یک سیستم، انتقال حالت نامیده می‌شود. اگر P احتمال وقوع تغییر باشد، به‌عنوان مثال امکان تغییر شرایط کنونی به شرایطی دیگر در زمان بعدی، عبارت زیر برقرار است (رابطه 2) (17):

(2)

که P بیانگر احتمال از حالت i به حالت j می‌باشد . رابطه 9، همچنین باید دو شرط بعدی را برآورده کند (رابطه 3 و 4):

گام کلیدی مدل مارکوف، در به دست آوردن یک ماتریس اصلی و یک ماتریس احتمال انتقال نهفته است (Pij). بنابراین مدل پیش‌بینی مارکوف بشرح زیر است (رابطه 5):

	(3)
	(4)

(5)

که Pn بیانگر احتمال در هر زمان و P(0) بیانگر ماتریس اولیه است (رابطه 6):

(6)

که O، بیانگر نقشه شبیه سازی شده و E بیانگر نقشه واقعی است.

نقشه دمای سطح زمین

جهت محاسبه دمای سطح زمین، ابتدا تصاویر باند 6 (حرارتی) برای تصاویر لندست 5 و نیز تصویر باند 10 (حرارتی) لندست 8 بایستی از حالت خام (raw data) به صورت رادیانس طیفی تبدیل شوند (به دلیل وجود عدم قطعیت در دیگر باند حرارتی لندست (باند 11) (29)، این باند در محاسبات آورده نشد) (رابطه 7) (19) .

,

(7)

که  بیانگر تابش طیفی بالای اتمسفر (وات بر مترمربع بر استررادیان)،  بیانگر ضریب هم مقیاس سازی باند‌ها بر اساس باندهای مشخص بر شده بر اساس متادیتای تصویر،  مقادیر پیکسل کالیبره شده (عدد رقومی) در پروداکت استاندارد و  فاکتور هم مقیاس سازی افزایشی برا اساس باندهای مشخص شده در متادیتای تصویر می‌باشد.

سپس دمای روشنایی سنجنده از طریق رابطه زیر به دست می‌آید (رابطه 8)(33) :

,

(8)

که در آن،  دمای روشنایی بالای اتمسفر به کلوین،، تابش بالای اتمسفری (وات بر مترمربع بر استررادیان)،  و  ضرایب ثابت کالیبراسیون هر باند حرارتی (جدول 3) می‌باشد.

جدول 3. جدول ضرایب کالیبراسیون سنجنده‌های مختلف لندست

Table 3. Calibration coefficients of different Landsat sensors

سنجنده	باند	K1 (Watts/(m² * sr * µm))	K2 (Watts/(m² * sr * µm))
، لندست 8OLI	10	774.8	1321.0
، لندست 5TM	6	607.76	1260.56

پس از محاسبه دمای روشنایی بالای اتمسفر، با کسر تصویر از عدد 15/273 واحد دمایی را از کلوین به سانتی‌گراد تبدیل کرده، و در نهایت دمای سطح زمین (LST) از رابطه زیر به دست می‌آید (رابطه 9) (33):

,

(9)

که در آن،  دمای روشنایی بالای اتمسفر،  طول موج باند حرارتی (جدول 4)، c2 عدد ثابت (رابطه 9) و e گسیلمندی (رابطه 10) می‌باشد.

جدول 4. جدول طول موج باندهای حرارتی سنجنده‌های مختلف لندست

Table 4. Wavelength table of thermal bands of different Landsat sensors

سنجنده	باند	(µm)طول موج
، لندست 8OLI	10	9/10
، لندست 5TM	6	45/11

همینطور C2 از رابطه زیر به دست می‌آید (رابطه 10):

,

(10)

که در آن، h ثابت پلانک () ژول بر ثانیه، S ثابت بولتزمن () ژول بر کلوین، و c سرعت نور () متر بر ثانیه می‌باشد. همچنین به منظور محاسبه گسیلمندی، از رابطه زیر استفاده می‌گردد (رابطه 11) (11):

,

(11)

که در آن، PV بشرح زیر می‌باشد (رابطه 12) (11):

,

(12)

که در آن NDVI شاخص پوشش گیاهی تفاضلی نرمال شده است. NDVI که از طریق نسبت بین دو باند قرمز و مادون قرمز نزدیک محاسبه می‌شود (21). باند قرمز، بیانگر باند 3 (μm 63/0-69/0) در لندست 5 و باند 4 (μm 64/0-67/0) در لندست 8 و باند مادون قرمز نزدیک بیانگر باند 4 (μm 76/0-90/0) در لندست 5 و باند 5 (μm 85/0-88/0) در لندست 8 می‌باشد.

پیش‌بینی دمای سطح زمین

به منظور پیش‌بینی دمای سطح زمین، مدل مارکوف مورد استفاده قرار گرفت که در بخش های قبلی توضیح داده شد.

تحلیل مجاورت

به منظور بررسی اثرات مجاورت کلاس‌های پوشش گیاهی و زمین‌های بایر بر دمای سطح زمین، در هر تصویر، کرنل‌های 5*5 از پیکسل‌های 30 متری در نظر گرفته شده و در هر کرنل، اثر مجاورت بر اساس تعداد پیکسل‌های پوشش گیاهی و زمین‌های بایر بر روی دمای سطح زمین ثبت شده از پیکسل مرکزی به وسیله سنجنده، توسط R محاسبه شد (شکل 2).

 

شکل 2. ابعاد کرنل سایز در نظر گرفته شده به منظور اثر مجاورت (منبع: نگارنده)

Fig. 2. Dimensions of the kernel size intended for the effect of proximity (Source: Author)

به منظور محاسبه میزان مجاورت هر پیکسل مرکزی، از (رابطه 13) استفاده شد (منبع: نگارنده):

(13)

که در آن، r عبارتست از نسبت حضور پیکسل‌های هر یک از کلاس ها،  عبارتست از تعداد پیکسل‌های کلاس مد نظر و n عبارتست از تعداد کل پیکسل‌های کرنل. بدین ترتیب ممکن است هر پیکسل مرکزی، از مجاورت 1 تا n پیکسل از کلاس پوشش گیاهی و یا زمین های بایر برخوردار باشد.

 

نتایج

تغییرات پوشش اراضی

تغییرات فضایی-زمانی پوشش اراضی

نتایج حاصل از نقشه‌های طبقه بندی پوشش اراضی 30 سال اخیر برای شهر یزد (شکل 3) بیانگر آن است که منطقه شهری روند صعودی برابر با 4/50 درصد را تجربه کرده، و از 7/36 کیلومترمربع در سال 1990 به 2/55 کیلومترمربع در سال 2000 افزایش پیدا کرده است. سپس با 3/23 درصد رشد، به 1/68 کیلومترمربع در سال 2010 رسیده است. مساحت طبقه شهری در سال 2020، با تنها 2/3 درصد رشد، به 3/70 کیلومترمربع افزایش یافته است. نتایج همچنین نشان می‌دهند، هر دو کلاس پوشش گیاهی و زمین‌های بایر در گذر زمان دچار کاهش مساحت شده اند. به نحوی که پوشش گیاهی با یک رشد 41- درصدی از 8/17 کیلومترمربع در سال 1990 به 5/10 کیلومترمربع در سال 2000 رسیده است. این کلاس در سال‌های 2010 و 2020 به ترتیب با رشد 6/27- و 3/26- به ترتیب به 6/7 و 5/5 کیلومترمربع کاهش پیدا کرده‌اند. زمین‌های بایر نیز در روندی مشابه، ابتدا با رشد 7/41- درصدی از 8/26 سال 1990 به 6/15 کیلومترمربع سال 2000 کاهش پیدا کرده و سپس مجددا با یک رشد چشمگیر 1/64- درصدی به 6/5 کیلومترمربع در سال 2010 کاهش پیدا کرده است. این کلاس در سال 2020 با رشد 7/1- درصدی به 5/5 کیلومترمربع کاهش پیدا کرده است (شکل 4).

 

شکل 3. نقشه پوشش اراضی شهر یزد برای 30 سال اخیر

Fig. 3. Land cover map of Yazd city for the last 30 years

 

شکل 4. مقایسه تغییرات مساحت پوشش اراضی طی 30 سال اخیر برای شهر یزد

Fig. 4. Comparison of land cover changes over the last 30 years for the Yazd city

ارزیابی دقت نتایج تغییرات پوشش اراضی

به منظور ارزیابی دقت نتایج حاصل از طبقه بندی پوشش اراضی، سه شاخص دقت کلی، دقت کاربر و دقت تولید کننده و نیز ضریب کاپا بر اساس 50 نقطه با بازدید زمینی برای سال 2020 و 50 نقطه از گوگل ارث برای کلاس های تمام سال‌ها محاسبه شد (جدول 5).

جدول 5. آمار ارزیابی دقت طبقه بندی پوشش اراضی برای سال 1990 تا 2020

Table 5. Accuracy assessment statistics of land cover classification for 1990 to 2020

شاخص (درصد)	کلاس پوشش اراضی	سال
		2020	2010	2000	1990
دقت کاربر	منطقه شهری پوشش گیاهی زمین بایر	67/96 14/97 25/98	55/95 100 18/87	44/78 70/90 56/99	48/98 94/98 39/99
دقت تولید کننده	منطقه شهری پوشش گیاهی زمین بایر	100 67/90 58/83	62/96 33/67 78/37	73/99 100 14/96	98/98 100 18/98
دقت کلی		88/95	27/83	84/85	93/98
ضریب کاپا		46/93	74/75	25/77	39/98

جدول 5 بیانگر آن است که میزان دقت کلی برای تمام سال‌ها، بیشتر از 83 درصد و نیز ضریب کاپا، بیشتر از 75 درصد بوده است. طبقه بندی سال 1990 بیشترین میزان دقت کلی (93/98 درصد) و بیشترین میزان کاپا (39/98 درصد) را به خود اختصاص داده است.

پیش‌بینی تغییرات پوشش اراضی با استفاده از مدل Markov و CA-Markov

تغییرات فضایی-زمانی پیش‌بینی شده پوشش اراضی

نقشه پیش‌بینی تغییرات پوشش اراضی برای سال 2030 میلادی شهر یزد با استفاده از طبقه بندی پوشش اراضی سال 2010 و 2020 و به وسیله مدل Markov و CA-Markov استخراج شد. بدین منظور ابتدا ماتریس انتقال برای طبقات پوشش اراضی شهر یزد به شرح (جدول 6) از مدل Markov به دست آمد:

جدول 6. ماتریس انتقال برای طبقات پوشش اراضی

Table 6. Transition matrix for land cover classes

	منطقه شهری	پوشش گیاهی	زمین‌های بایر
منطقه شهری	2/60	1	1/3
پوشش گیاهی	1/2	3	4/0
زمین‌های بایر	4/3	1/0	8/1

 ماتریس احتمال تغییر برای طبقات پوشش اراضی نیز به شرح (جدول 7) می‌باشد:

جدول 7. ماتریس احتمال تغییر برای طبقات پوشش اراضی

Table 7. Probability change matrix for land cover classes

	منطقه شهری	پوشش گیاهی	زمین‌های بایر
منطقه شهری	92/0	01/0	04/0
پوشش گیاهی	37/0	53/0	07/0
زمین‌های بایر	61/0	01/0	32/0

سپس نقشه پیش‌بینی تغییرات پوشش اراضی برای سال 2030 میلادی شهر یزد به وسیله مدل CA-Markov استخراج شد (شکل 5). نتایج حاصله از این مدل بیانگر آن است که در مقایسه با آمار سال 2020، در سال 2030 میلادی، تمامی کلاس‌های شهر یزد رشد یا کاهش اندکی خواهند داشت. بدین ترتیب که در سال 2030، کلاس شهری با 5/1 درصد رشد مثبت روبرو خواهد بوده و مساحت آن به 4/71 کیلومترمربع خواهد رسید (شکل 6). کلاس‌های پوشش گیاهی و بایر با ادامه روند رشد منفی، به ترتیب با 6/19- درصد و 8/1- درصد به 5/4 و 4/5 کیلومترمربع در سال 2030 کاهش پیدا خواهند کرد (شکل 6).

 

شکل 5. نقشه پوشش اراضی پیش‌بینی شده برای سال 2030 برای شهر یزد

Fig. 5. Forecasted Land cover map for 2030 for the city of Yazd

 

شکل 6. مقایسه مساحت پیش‌بینی شده کلاس‌های شهری، پوشش گیاهی و زمین‌های بایر  برای سال 2020 و 2030

Fig. 6. Comparison of the forecasted area of urban area, vegetation, and bare land classes for 2020 and 2030

 ارزیابی دقت روش پیش‌بینی بر اساس مدل CA-Markov

به منظور ارزیابی دقت مدل CA-Markov در پیش‌بینی پوشش اراضی، برای سال 2030، با استفاده از نقشه‌های پوشش اراضی سال‌های 2000 و 2010، نقشه پوشش اراضی سال 2020 شبیه سازی شده و با آمار به دست آمده از طبقه بندی پوشش اراضی این سال مقایسه شد (شکل 7). بدین وسیله آمار حاصل از مقایسه تصویر واقعی و شبیه سازی شده 2020 بیانگر آن است که دقت کلی این مدل 7/99 درصد می‌باشد (شکل 8).

 

شکل 7. مقایسه نقشه کلاس‌های پوشش اراضی واقعی و شبیه سازی شده برای سال 2020 شهر یزد

Fig. 7. Comparison of actual and simulated land cover classes maps for 2020 in Yazd

 

شکل 8. مقایسه آمار کلاس‌های پوشش اراضی واقعی و شبیه سازی شده برای سال 2020 شهر یزد

Fig. 8. Comparison of statistics of actual and simulated land cover classes for 2020 in Yazd

بررسی تغییرات دمای سطح زمین

 تغییرات فضایی-زمانی دمای سطح زمین

نتایج مربوط به استخراج دمای سطح زمین از شهر یزد برای سی سال اخیر بیانگر آن است که میانگین دمای سطح زمین در شهر همواره روند صعودی داشته است. بدین ترتیب میانگین دمای سطح زمین در شهر یزد، از 2/29 درجه سانتی‌گراد در سال 1990 با 9/10 درصد رشد، به 4/32 درجه سانتی‌گراد در سال 2000 افزایش داشته است. این مقدار در سال 2010 با 8/13 درصد رشد، به 9/36 درجه سانتی‌گراد رسیده است. دمای سطح زمین شهر یزد در سال 2020، با 3.2 درصد رشد نسبت به دوره قبل (2010)، به 1/38 درجه سانتی‌گراد افزایش یافته است (شکل 9).

 

شکل 9. میانگین دمای سطح زمین در شهر یزد طی 30 سال اخیر

Fig. 9. The mean of land surface temperature in Yazd city during the last 30 years

همچنین روند تغییر مساحت کلاس‌های دمایی طی سی سال اخیر در شهر یزد بیانگر آن است که در طول دوره مورد مطالعه، همواره از مساحت کلاس‌های سرد تر کاسته و به مساحت کلاس‌های گرم تر افزوده شده است (شکل 10). به عبارت بهتر، در گذر از سال 1990 به 2020، کلاس‌های گرمتر همواره در حال رشد بوده‌اند. بدین ترتیب، مساحت کلاس‌های دمایی 16-20، 21-25 و 26-30 درجه سانتی‌گراد، در سال 2020 به صفر رسیده و وجود ندارند. همچنین کلاس 31-35 با وجود رشد 100 درصدی در سال 2000 نسبت به دوره پیشین خود از 4/26 به 8/52 کیلومترمربع، متعاقباً روند نزولی 2/63- درصدی را از 1990 تا 2020 نشان می‌دهد؛ این کلاس نقش مهمی در دمای سطح زمین طی سال‌های 2000 و 2010 داشته است. در این میان، کلاس دمایی 36-40 درجه سانتی‌گراد افزایش چشمگیری را تا سال 2020 نشان می‌دهد؛ بطوریکه این کلاس در سال 1990 یافت نمی‌شود، اما تا سال 2020، با یک افزایش 63 برابری مساحت این کلاس به 63 کیلومترمربع رسیده و در نقش مهمترین کلاس دمایی 20 سال اخیر ظاهر شده است. به همین صورت گرم‌ترین کلاس دمایی، 41-46 درجه سانتی‌گراد فقط طی 20 سال اخیر ثبت شده و از 8/7 کیلومترمربع در سال 2010 با 2/10 درصد رشد، به 6/8 کیلومترمربع در سال 2020 رسیده است (شکل 11).

 

شکل 10: نقشه تغییرات کلاس های دمای سطح زمین شهر یزد طی 30 سال اخیر

Fig. 10: Map of land surface temperature classes changes in Yazd city during the last 30 years

 

شکل 11. مقایسه رشد طبقات دمای سطح زمین طی 30 سال اخیر برای شهر یزد

Fig. 11. Comparison of the growth of land surface temperature classes during the last 30 years for the Yazd city

نتایج بررسی میانگین دما در هر یک از کلاس‌های پوشش اراضی نیز بیانگر آن است که پوشش اراضی زمین‌های بایر با میانگین 3/37 درجه سانتی‌گراد بیشترین و کلاس پوشش گیاهی با 2/32 درجه سانتی‌گراد کمترین دما را در تمام سال‌ها به خود اختصاص داده اند. کلاس مناطق شهری با 1/34 درجه سانتی‌گراد حد وسط این دو کلاس در دمای سطح زمین را به خود اختصاص داده است (شکل 12).

 

شکل 12. میانگین دمای سطح زمین به تفکیک کلاس‌های پوشش اراضی

Fig. 12. The mean of land surface temperature by land cover classes

 پیش‌بینی تغییرات دمای سطح زمین با استفاده از مدل مارکوف

تغییرات فضایی-زمانی پیش‌بینی شده دمای سطح زمین

نتایج به دست آمده بیانگر آن است که در گذر از سال 2020 به سال 2030، کلاس‌های دمایی گرم‌تر در شهر یزد در حال رشد بوده و نسبت به 2020، کلاس‌های سردتر در حال از بین رفتن می‌باشند (شکل 13). بدین ترتیب، کلاس دمایی 31-35 درجه سانتی‌گراد با افت بسیار زیادی (9/97 درصدی) از 7/9 کیلومترمربع در سال 2020 به 2/0 کیلومترمربع در سال 2030 کاهش خواهد یافت. کلاس دمایی 36-40 درجه سانتی‌گراد در حالی با یک افت 6/7- درصدی از 63 کیلومترمربع در سال 2020 به 2/58 کیلومترمربع پیش‌بینی شده است که بر اساس این پیش‌بینی، گرم‌ترین کلاس کل دوره آماری، 41-46 درجه سانتی‌گراد به صورت چشمگیری با 2/166 درصد رشد، از 6/8 کیلومترمربع در سال 2020 به 9/22 کیلومترمربع در سال 2030 افزایش خواهد یافت (شکل 14).

 

شکل 13. نقشه پیش‌بینی دمای سطح زمین برای سال 2030 شهر یزد

Fig. 13. land surface temperature forecast map for 2030 in Yazd city

 

شکل 14. مقایسه مساحت کلاس‌های دمای سطح زمین شهر یزد برای سال 2020 و پیش‌بینی سال 2030

Fig. 14. Comparison of the area of land surface temperature classes in Yazd for 2020 and 2030 forecast

ارزیابی دقت پیش‌بینی تغییرات دمای سطح زمین با استفاده از مدل مارکوف

به منظور ارزیابی دقت مدل CA-Markov در پیش‌بینی نقشه دمای سطح زمین برای شهر یزد، برای سال 2030، نقشه‌های طبقه بندی شده واقعی دمای سطح زمین برای 2000 و 2010 به منظور شبیه سازی سال 2020 استفاده شد (شکل 15). نتایج نشان داد، دقت کلی این روش برای دو تصویر 2020، 5/98 درصد می‌باشد. (شکل 16).

 

شکل 15. نقشه مقایسه کلاس‌های دمای سطح زمین در نقشه‌ واقعی و شبیه سازی شده برای سال 2020

Fig. 15. Comparison map of land surface temperature classes in the actual and simulated model for 2020

 

شکل 16. مقایسه مساحت کلاس‌های دمای سطح زمین در نقشه دمای سطح زمین واقعی و شبیه سازی شده برای سال 2020 شهر یزد

Fig. 16. Comparison of the area of land surface temperature classes in the actual and simulated land surface temperature map for 2020 in Yazd city

اثر مجاورت کلاس‌های پوشش اراضی

اثر مجاورت کلاس‌های زمین بایر

بررسی اثر مجاورت کلاس‌های زمین بایر (شکل 17) بیانگر آن است که با افزایش نسبت مجاورت با پیکسل‌های کلاس بایر، میانگین دمای سطح زمین ثبت شده، افزایش یافته و همبستگی بین این دو متغیر بصورت مثبت است (جدول 8).

 

شکل 17. مقایسه آماری نسبت مجاورت اراضی بایر و دمای سطح زمین برای شهر یزد

Fig. 17. Statistical comparison of the ratio of the proximity of bare lands and land surface temperature for the Yazd city

جدول 8. ضریب همبستگی بین نسبت مجاورت اراضی بایر و دمای سطح زمین برای شهر یزد

Table 8. The correlation coefficient between the ratio of the proximity of bare lands and land surface temperature for Yazd city

	دمای سطح زمین
	2020	2010	2000	1990
زمین بایر	90/0	95/0	98/0	94/0

اثر مجاورت کلاس‌های پوشش گیاهی

بررسی اثر مجاورت کلاس زمین‌های بایر بر دمای سطح زمین در شهر یزد (شکل 18) نیز بیانگر آن است که در روندی معکوس نسبت به زمین‌های بایر، با افزایش نسبت مجاورت پیکسل‌های پوشش گیاهی در هر کرنل، دمای سطح زمین ثبت شده کاهش می‌یابد. به عبارت دیگر نسبت مجاورت پیکسل‌های پوشش گیاهی با دما رابطه منفی دارند (جدول 9).

جدول 9. ضریب همبستگی بین نسبت مجاورت پوشش گیاهی و دمای سطح زمین برای شهر یزد

Table 9. Correlation coefficient between the ratio of vegetation proximity and land surface temperature for Yazd city

	دمای سطح زمین
	2020	2010	2000	1990
پوشش گیاهی	96/0-	98/0-	97/0-	97/0-

 

شکل 18. مقایسه آماری نسبت مجاورت پوشش گیاهی و دمای سطح زمین برای شهر یزد

Fig. 18. Statistical comparison of the ratio of vegetation proximity and land surface temperature for Yazd city

بحث و نتیجه­گیری

نتایج این تحقیق نشان داد که از سال 1990 تا 2020، مساحت کلاس مناطق شهری شهر یزد به طور فزاینده ای رشد داشته است. بطوریکه این منطقه طی 30 سال اخیر 5/91 درصد (6/33 کیلومترمربع) رشد داشته است. زمین‌های بایر و پوشش گیاهی اما، در این منطقه و در دوره زمانی یکسان با رشد منفی همراه بوده‌اند. بگونه ای که زمین های بایر، از سال 1990 تا 2020، در شهر یزد، رشد 4/79- درصدی (3/21 کیلومترمربع) را تجربه کرده‌اند که رشد شدید مناطق شهری، این رشد منفی در زمین‌های بایر، را توجیه می‌کند. طبقات پوشش گیاهی شهر یزد نیز از سال 1990 تا 2020، رشد 5/68- درصدی (2/12 کیلومترمربع) را تجربه کرده است. میانگین دمای سطح زمین این شهر طی همین دوره 30 ساله بصورت مداوم افزایشی بوده است. بطوریکه تا سال 2020، شهر یزد با رسیدن به میانگین 1/38 درجه سانتی‌گراد نسبت به 2/29 درجه سانتی‌گراد در 1990، افزایش 4/30 درصدی را در میانگین دمای سطح زمین خود تجربه کرده است. این افزایش دما می‌تواند با توجه به افزایش مساحت مناطق شهری که موجب افزایش تراکم شهری و سطوح نفوذ ناپذیر شده، کاهش مساحت پوشش گیاهی و در نتیجه کاهش نقش خنک کنندگی آن و نیز کاهش مساحت زمین های بایر و جایگزین شدن آن با مناطق شهری و کاهش عامل تهویه هوا نسبت به حالت اولیه، در شهر یزد توجیه پذیر باشد. با این حال، به دلیل چند وجهی بودن مسائل زیست محیطی، عوامل دیگری از جمله تراکم جمعیت که خود عامل موثری بر افزایش مناطق شهری است، آلودگی هوا، تغییر اقلیم و مسائلی از این دست نیز عوامل موثری در این تغییر الگوی دمای سطحی به شمار می‌روند. بطوریکه کلاس‌های دمایی این شهر نیز در این 30 سال به سمت کلاس‌های دمایی گرمتر حرکت کرده‌اند. بگونه‌ای که عمده ترین بخش مساحت‌های دمایی سطح زمین شهر یزد، در سال 1990 در وهله نخست، در کلاس 26-30 درجه با 47 کیلومترمربع سانتی‌گراد و در وهله دوم در کلاس 31-35 درجه با 4/26 کیلومترمربع طبقه بندی می‌شوند. این درحالیست که در سال 2000، در روندی معکوس، کلاس دمایی 35-31 درجه سانتی‌گراد با 8/52 کیلومترمربع در وهله نخست و کلاس دمایی 26-30 درجه سانتی‌گراد با 20 کیلومترمربع در وهله دوم قرار دارد. با یک کلاس افزایش، کلاس دمایی 36-40 درجه سانتی‌گراد برای هردو سال 2010 و 2020 با به ترتیب 2/40 و 63 کیلومترمربع به‌عنوان بزرگترین کلاس دمایی ثبت شده است. کلاس دمایی 31-35 درجه سانتی‌گراد نیز به‌عنوان کلاس دمایی دوم هردو سال به ترتیب با 2/33 و 7/9 کیلومترمربع ثبت شده است. تفاوت این دو سال، در رشد 7/70- درصدی (5/23 کیلومترمربع) مساحت کلاس 31-35 درجه سانتی‌گراد و افزایش رشد 3/10 درصدی (8/0 کیلومترمربع) گرم‌ترین کلاس کل دوره آماری، 41-46 درجه سانتی‌گراد، در سال 2020، نسبت به سال 2010 می‌باشد. همچنین نتایج این مطالعه نشان داد بیشترین میانگین دمایی در تمام سالها برای زمین‌های بایر با 3/37 درجه سانتی‌گراد ثبت شده است. که این نتیجه، می‌تواند با توجه به اقلیم گرم و خشک شهر یزد که موجب افزایش دمای سطحی زمین های بایر با توجه به یکنواختی و مساحت بیشتر نسبت به سایر پوشش های مختلط شهری (من جمله مناطق شهری) شده و نیز با توجه به معادلات بیلان انرژی سطح زمین که دمای خاک بایر بالاتر از دمای سطح مناطق ساخته شده شهری می‌باشد، ذکر شود. چراکه همگنی زمین های بایر و عدم وجود پوشش های مختلط (از جمله پوشش گیاهی) در آنها موجب شده است تا نقش تعدیل دمایی در آنها کمتر وجود داشته و این می‌تواند، عامل افزایش میانگین دمای سطحی در آنها نسبت به پوشش های دیگر باشد. با توجه به این توضیحات، بر اساس نتایج، همبستگی مثبت (میانگین همبستگی 95/0) بین مجاورت با پوشش اراضی بایر و میانگین دمای سطح زمین نیز نمایش داده شد (جدول 8). با این وجود، روند شدید افزایشی مناطق شهری در کل دوره آماری (5/91 درصد با 6/33 کیلومترمربع) به عنوان دومین کلاس با بیشترین میانگین دمایی پس از زمین‌های بایر با میانگین 1/34 درجه سانتی‌گراد در مقابل روند کاهشی 4/79 درصدی (3/21 کیلومترمربع) زمین‌های بایر موجب افزایش میانگین دمای سطح زمین شهر یزد طی دوره آماری 30 ساله شده است. چراکه کاهش 5/68 درصدی  (2/12 کیلومترمربع) مناطق پوشش گیاهی به عنوان کلاس پوشش اراضی با کمترین میانگین دمای سطح زمین (2/32 درجه سانتی‌گراد) در همین دوره، اثر کاهش زمین‌های بایر را خنثی، و روند افزایش میانگین دمای سطح زمین را تشدید کرده است. این درحالیست که همبستگی منفی (میانگین همبستگی 97/0-) میان نسبت مجاورت با پوشش گیاهی و میانگین دمای سطح زمین به اثبات رسید. که این نقش خنک کنندگی پوشش گیاهی که می‌تواند به دلیل عواملی همچون تبخیر و تعرق و سایه می‌باشد را اثبات می‌نماید. نتایج حاصل از پیش‌بینی تغییرات پوشش زمین در سال 2030 برای شهر یزد بیانگر آن است که در روندی مشابه با دوره‌های قبل، پوشش مناطق شهری با افزایش روبرو خواهد بود. این رشد، نسبت به سال 2020، با 6/1 درصد (1/1 کیلومترمربع) چشمگیر نخواهد بود. اما کاهش چشمگیر مناطق سبز (پوشش گیاهی) با 6/19- درصد (1/1 کیلومترمربع) در همین دوره، به همراه ناچیز بودن کاهش زمین‌های بایر (8/1- درصد با 1/0 کیلومترمربع) سبب گرمتر شدن زمین، و رشد مساحت کلاس‌های 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 2/58 کیلومترمربع (6/7- درصد رشد نسبت به دوره 2020) پیش‌بینی شده است. اما رشد فزاینده و چشمگیر گرم‌ترین کلاس دوره آمار (41-46 درجه سانتی‌گراد) با 3/166 درصد (3/14 کیلومترمربع) رشد مثبت به‌عنوان دومین کلاس عمده دمای سطح زمین در این سال (2030)، و نیز رشد منفی و چشمگیر کلاس نسبتا خنک تر 31-35 درجه سانتی‌گراد با 9/97- درصد (5/9 کیلومترمربع) در این سال بیانگر گرمتر شدن دمای سطح زمین در سال 2030 خواهد بود.

نتایج این پژوهش بیانگر آن است که در یک دوره 30 ساله در شهر یزد، کاهش پوشش گیاهی در وهله نخست به دلیل کاهش اثر خنک کنندگی و تعادلی، به همراه افزایش مناطق شهری در وهله دوم به موجب کاهش اثر تهویه هوای شهری، سبب افزایش دمای سطح زمین شده است. بدین ترتیب، کلاس پوشش گیاهی به دلیل اثر خنک کننده خود به دلیل دارا بودن آب، سبب کاهش دمای سطح زمین می‌شود که این نتایج با نتایج به دست آمده توسط مزیدی و حسینی (1394) هم خوانی دارد (34). در این پژوهش نشان داده شد که میانگین دمای سطحی زمین های بایر از مناطق شهری و پوشش گیاهی بیشتر است و انتظار می‌رود که با ثابت در نظر گرفتن تمام عوامل، کاهش زمین‌های بایر به کاهش دمای سطح زمین منجر شود، اما کاهش مساحت زمین‌های سبز (پوشش گیاهی) در سال‌های اخیر، به همراه افزایش شدید مساحت زمین‌های مناطق شهری موجب افزایش دمای سطح زمین در این شهر شده است. همچنین رابطه منفی بین مجاورت با پوشش گیاهی به دلیل اثر خنک کنندگی و رابطه مثبت بین مجاورت با زمین های بایر به دلیل همگنی و مساحت بالا، با میانگین دمای سطح زمین ثبت شده یافت شد. که این نتیجه، می‌تواند اهمیت افزایش مجاورت با پوشش گیاهی و افزایش ترکیب آن در سایر پوشش ها (به خصوص مناطق شهری،) از طریق ایجاد زمین‌های و نیز کاهش مساحت زمین‌های بایر را به عنوان راهکار مناسبی در مقابله با تاثیر گسترش شهرنشینی در سال‌های اخیر بر روی دمای سطح زمین بیان نماید.

 

منابع مورد استفاده

 

1.       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%3C0547:TMOTCH%3E2.0.CO;2

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

3.       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

4.       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

5.       Bishop CM. 1995. Neural networks for pattern recognition. Oxford university press.

6.       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

7.       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

8.       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. doi: https://doi.org/10.1145/1390156.1390177

9.       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

10.       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

11.       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

12.       Exelis Visual Information Solutions Inc. 2015. ENVI 5.3 help.

13.       Grimmond C. 2006. Progress in measuring and observing the urban atmosphere. Theoretical and Applied Climatology, 84(1-3): 3-22. doi: https://doi.org/10.1007/s00704-005-0140-5

14.       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.

15.       Jensen JR. 1996. Introductory digital image processing: a remote sensing perspective. vol Ed. 2. Prentice-Hall Inc.

16.       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

17.       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

18.       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

19.       LANDSAT 8 data users handbook. 2015. Department of the Interior US Geological Survey.

20.       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

21.       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

22.       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

23.       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

24.       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

25.       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

26.       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

27.       Story M, Congalton RG. 1986. Accuracy assessment: a user’s perspective. Photogrammetric Engineering and remote sensing, 52(3): 397-399.

28.       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

29.       USGS. 2014. OLI and TIRS Calibration Notices. Landsat 8 Reprocessing to Begin February 3, 2014.

30.       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

31.       Weng Q, Lu D, Schubring J. 2004. Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies. Remote sensing of Environment, 89(4): 467-483. doi: https://doi.org/10.1016/j.rse.2003.11.005

32.       Xiu L-n, Liu X-n. 2003. 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.

33.       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

34.       Mazidi, Ahmad and Hoseini. 2015. Fateme Sadat, Effects of Changing Land Use and Land Cover on the Heat Island in Urban Area of Yazd Using Remote Sensing Data. Geography and development quarterly, 13 (38): 1-12. (In Persian).

35.       Dashtakian, Kazem and Dehghani, Mohammad Ali. 2007. Investigation of land surface temperature in relation to vegetation and urban development using remote sensing and geographic information systems in desert areas, Case study: Yazd-Ashkzar region.. PAJOUHESH-VA-SAZANDEGI, 20 (77): 169-179. (In Persian).

 

Study and prediction of land surface temperature changes: assessing the proximity and changes of land cover (case study: Yazd city)

 

Abstract

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 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 examines how the recorded land surface temperature (LST) is affected. The results of this study show a 91.5 % growth (33.6 square kilometers) of urban land and a decrease in barren lands and vegetation during the period with 79.4% (21.3 square kilometers) and 68.5% (12.2 square kilometers), respectively. According to the results, the average land surface temperature (LST) of Yazd city during these 30 years increased by 30.4% (8.9 °C), and the main LST class in this period has risen from 26-30 ° C to 40-36 ° C. Also, barren lands with an average LST of 37.3 ° C were studied as the warmest and vegetation with 32.2 ° C as the coolest land cover classes in this city. This study also proved that the average correlation between recorded LST and proximity to bare land pixels is 95% and this rate for vegetation is -97

Keywords: Land cover proximity, Land cover classification, Prediction of Land cover, Artificial Neural Network, Land Surface Temperature, Yazd city

 

 

 

 

 

 

 

 

 

 

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

 

چکیده مبسوط (حداقل 1000 کلمه)

طرح مسئله: گسترش شهر نشینی مقیاس و شدت گسترش جزایر حرارتی در شهر ها را گسترش داده است. بررسی و مطالعه نحوه تاثیر پذیری شهر ها از این جزایر حرارتی نقش مهمی در آینده برنامه ریزی برای شهر ها ایفا می‌کند.

هدف: 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 تاثیر پذیری دمای سطح زمین ثبت شده توسط سنجنده را در همین دوره زمانی مورد ارزیابی قرار می‌دهد.

روش تحقیق: بدین منظور، 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. سپس از داده های زمینی، گوگل ارث و نقشه های واقعیت زمینی به منظور تهیه داده های تمرینی استفاده شد. سپس 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 از جمله 16-20، 21-25، 26-30، 31-35، 36-40 و 41-46 درجه سانتی‌گراد طبقه بندی شد که نشان داده شد که چهار کلاس انتهایی، نقش عمده ای در دمای سطح زمین این شهر طی 30 سال اخیر بازی کرده‌اند. 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 بر اساس نسبت مجاورت با هریک از کلاس های پوشش گیاهی و زمین های بایر به دست آمد.

نتایج و بحث: بر اساس نتایج به دست آمده، در شهر یزد، از سال 1990 تا 2020، مساحت منطقه شهری به طور فزاینده ای رشد داشته است. بطوریکه این منطقه طی 30 سال اخیر 5/91 درصد (6/33 کیلومترمربع) رشد داشته است. زمین‌های بایر و پوشش گیاهی اما، در این منطقه و در دوره زمانی یکسان با رشد منفی همراه بوده‌اند. بگونه ای که زمین های بایر، از سال 1990 تا 2020، در شهر یزد، رشد 4/79- درصدی (3/21 کیلومترمربع) را تجربه کرده‌اند که رشد شدید مناطق شهری، این رشد منفی در زمین‌های بایر، را توجیه می‌کند. طبقات پوشش گیاهی شهر یزد نیز از سال 1990 تا 2020، رشد 5/68- درصدی (2/12 کیلومترمربع) را تجربه کرده است. میانگین دمای سطح زمین این شهر طی همین دوره 30 ساله بصورت مداوم افزایشی بوده است. بطوریکه تا سال 2020، شهر یزد با رسیدن به میانگین 1/38 درجه سانتی‌گراد نسبت به 2/29 درجه سانتی‌گراد در 1990، افزایش 4/30 درصدی را در میانگین دمای سطح زمین خود تجربه کرده است. کلاس‌های دمایی این شهر نیز در این 30 سال به سمت کلاس‌های دمایی گرمتر حرکت کرده‌اند. بگونه ای که عمده ترین بخش مساحت‌های دمایی سطح زمین شهر یزد، در سال 1990 در وهله نخست، در کلاس 26-30 درجه با 47 کیلومترمربع سانتی‌گراد و در وهله دوم در کلاس 31-35 درجه با 4/26 کیلومترمربع طبقه بندی می‌شوند. این درحالیست که در سال 2000، در روندی معکوس، کلاس دمایی 35-31 درجه سانتی‌گراد با 8/52 کیلومترمربع در وهله نخست و کلاس دمایی 26-30 درجه سانتی‌گراد با 20 کیلومترمربع در وهله دوم قرار دارد. با یک کلاس افزایش، کلاس دمایی 36-40 درجه سانتی‌گراد برای هردو سال 2010 و 2020 با به ترتیب 2/40 و 63 کیلومترمربع به‌عنوان بزرگترین کلاس دمایی ثبت شده است. کلاس دمایی 31-35 درجه سانتی‌گراد نیز به‌عنوان کلاس دمایی دوم هردو سال به ترتیب با 2/33 و 7/9 کیلومترمربع ثبت شده است. تفاوت این دو سال، در رشد 7/70- درصدی (5/23 کیلومترمربع) مساحت کلاس 31-35 درجه سانتی‌گراد و افزایش رشد 3/10 درصدی (8/0 کیلومترمربع) گرم‌ترین کلاس کل دوره آماری، 41-46 درجه سانتی‌گراد، در سال 2020، نسبت به سال 2010 می‌باشد. همچنین نتایج این مطالعه نشان داد بیشترین میانگین دمایی در تمام سالها برای زمین‌های بایر با 3/37 درجه سانتی‌گراد ثبت شده است. همچنین همبستگی مثبت (میانگین همبستگی 95/0) 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 (5/91 درصد با 6/33 کیلومترمربع) به عنوان دومین کلاس با بیشترین میانگین دمایی پس از زمین‌های بایر با میانگین 1/34 درجه سانتی‌گراد در مقابل روند کاهشی 4/79 درصدی (3/21 کیلومترمربع) زمین‌های بایر موجب افزایش میانگین دمای سطح زمین طی دوره آماری 30 ساله شده است. چراکه کاهش 5/68 درصدی  (2/12 کیلومترمربع) مناطق پوشش گیاهی به عنوان کلاس پوشش اراضی با کمترین میانگین دمای سطح زمین (2/32 درجه سانتی‌گراد) در همین دوره، اثر کاهش زمین‌های بایر را خنثی، و روند افزایش میانگین دمای سطح زمین را تشدید کرده است. این درحالیست که همبستگی منفی (میانگین همبستگی 97/0-) 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 دوره‌های قبل، پوشش مناطق شهری با افزایش روبرو خواهد بود. این رشد، نسبت به سال 2020، با 6/1 درصد (1/1 کیلومترمربع) چشمگیر نخواهد بود. اما کاهش چشمگیر مناطق سبز (پوشش گیاهی) با 6/19- درصد (1/1 کیلومترمربع) در همین دوره، به همراه ناچیز بودن کاهش زمین‌های بایر (8/1- درصد با 1/0 کیلومترمربع) سبب گرمتر شدن زمین، و رشد مساحت کلاس‌های 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 2/58 کیلومترمربع (6/7- درصد رشد نسبت به دوره 2020) پیش‌بینی شده است. اما رشد فزاینده و چشمگیر گرم‌ترین کلاس دوره آمار (41-46 درجه سانتی‌گراد) با 3/166 درصد (3/14 کیلومترمربع) رشد مثبت به‌عنوان دومین کلاس عمده دمای سطح زمین در این سال (2030)، و نیز رشد منفی و چشمگیر کلاس نسبتا خنک تر 31-35 درجه سانتی‌گراد با 9/97- درصد (5/9 کیلومترمربع) در این سال بیانگر گرمتر شدن دمای سطح زمین در سال 2030 خواهد بود.

نتیجه­گیری: نتایج این پژوهش بیانگر آن است 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 خنک کننده خود به دلیل دارا بودن آب، سبب کاهش دمای سطح زمین می‌شود. در این پژوهش نشان داده شد که با ثابت در نظر گرفتن تمام عوامل، کاهش زمین‌های بایر به کاهش دمای سطح زمین منجر خواهد شد و همچنین افزایش مناطق شهری با ضریب تاثیر کمتر از زمین‌های بایر، دمای سطح زمین را افزایش می‌دهند. با این حال کاهش مساحت زمین‌های سبز (پوشش گیاهی) در سال‌های اخیر، به همراه افزایش شدید مساحت زمین‌های 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 ثبت شده یافت شد. افزایش مجاورت با پوشش گیاهی از طریق ایجاد زمین‌های سبز با افزایش میزان نسبت پوشش گیاهی در مجاورت پوشش‌های مختلف و نیز کاهش مساحت زمین‌های بایر، می‌تواند راهکار مناسبی در مقابله با تاثیر گسترش شهرنشینی در سال‌های اخیر بر روی دمای سطح زمین باشد.

واژگان کلیدی: مجاورت پوشش اراضی، طبقه بندی پوشش اراضی، پیش‌بینی پوشش اراضی، شبکه عصبی، دمای سطح زمین، شهر یزد

 

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

 

Abstract

Statement of the Problem: 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.

Purpose: 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 examines how the recorded LST is affected by the mentioned ratio.

Methodology: Dus, first, the LC maps of Yazd city were extracted using supervised Artificial Neural Network classifier for 1990, 2000, 2010, and 2020. So, terrestrial data, google earth, and ground truth maps were used to deriving training data. Then, 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 of -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 of -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 areas 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 of -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 years was recorded for barren lands with 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 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 for 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 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.

Keywords: Land cover proximity, Land cover classification, Prediction of Land cover, Artificial Neural Network, Land Surface Temperature, Yazd city

 

 

 

1

 

---