تاثیر تغییر کاربری/پوشش زمین بر دمای سطح زمین در منطقه ساحلی بوشهر
الموضوعات :
فاضل امیری
1
,
طیبه طباطبایی
2
1 - دانشیار گروه منابع طبیعی و محیط زیست، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران
2 - دانشیار گروه محیط زیست، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران
الکلمات المفتاحية: شاخص نرمال شده تفاوت پوشش گیاهی (NDVI), دمای سطح زمین (LST), لندست, اراضی ساحلی,
ملخص المقالة :
پیشینه و هدف افزایش تغییر کاربری و پوشش زمین در اثر توسعه شهرنشینی باعث افزایش دمای شهرها در مقیاس محلی می شود و تا حد زیادی موجب افزایش استرس اکولوژیکی می شود. در حال حاضر، بسیاری از مناطق شهری با تبدیل گسترده کاربری اراضی و ایجاد مناطق گرمایی جدید مواجهه هستند. تکنیک های سنجش از دور به طور قابل توجهی در تشخیص تغییر کاربری/پوشش زمین (LULC) و پیامدهای آن موثر هستند. سنجنده های مختلف ماهواره ای قادر به شناسایی این مناطق تغییر با استفاده از باندهای مرئی و مادون قرمز نزدیک (VNIR) و امواج مادون قرمز کوتاه (SWIR) هستند. علاوه بر الگوریتم‌های طبقهبندی مرسوم کاربری/پوشش اراضی، برخی از شاخصهای طیفی در تشخیص ویژگیهای اراضی استفاده می‌شوند. شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) را می توان به عنوان کاربردی ترین شاخص طیفی در این سناریو در نظر گرفت. شاخص نرمال شده تفاوت پوشش گیاهی یک فاکتور مهم در فرآیندهای بررسی در پایش دمای سطح زمین (LST) است و در هر مطالعۀ مرتبط با LST استفاده می شود. NDVI به طور مستقیم در تعیین گسیل مندی سطح زمین استفاده می شود و بنابراین یک عامل مهم برای تخمین LST است. همچنین طبقات کاربری/پوشش اراضی LULC با محدودیتهای آستانه بهینه در محیطهای فیزیکی مختلف تعیین می شود. به عنوان یک شاخص پوشش گیاهی، NDVI تا حد زیادی به تغییرات زمانی و مکانی بستگی دارد. از این رو، LST نیز با تغییرات زمانی و مکانی، تغییر می نماید. بنابراین، ارزیابی زمانی و مکانی LST و NDVI یک فاکتور مهم در تهیۀ نقشه و پایش دمای سطح زمین، به ویژه در محیط های شهری است. در این تحقیق LST و NDVI را در مردادماه در اراضی ساحلی بوشهر با استفاده از تصویر ماهوارهای لندست برای سالهای 1990، 2005 و 2020 بررسی می شود. نقشه LULC با مقادیر آستانه مناسب NDVI به دست آمد. از اهداف این مطالعه؛ 1) تجزیه و تحلیل تغییرات زمانی الگوی توزیع مکانی LST در منطقه مورد مطالعه، 2) تعیین تغییرات مکانی-زمانی رابطه LST-NDVI برای کل اراضی مورد مطالعه، و 3) بررسی تغییرات مکانی-زمانی رابطۀ LST-NDVI در انواع مختلف کاربری/ پوشش اراضی.مواد و روش ها منطقه مطالعه اراضی شهر بوشهر که در ساحل شمالی خلیج فارس، با ابعاد 20 در 8 کیلومتر با مساحت 1011.5 کیلومترمربع و با متوسط حداقل دما 18.1 درجه سانتی گراد و متوسط حداکثر دمای 33 درجه سانتی گراد، میزان رطوبت نسبی بین 58-75 در صد و متوسط بارندگی سالیانه 272 میلی متر است. دادههای مورد استفاده در این تحقیق شامل؛ داده سنجنده لندست 8 (OLI) و سنجنده مادون قرمز حرارتی (TIRS) در سال 2020؛ داده ETM+ سال 2005، و داده TM در سال 1990 که از مرکز داده های سازمان زمین شناسی ایالات متحده (https://earth explo rer.usgs.gov) (USGS) دانلود شده است. سنجنده لندست 8 TIRS دارای دو باند TIR (باندهای 10 و 11) است که در آنها باند 11 دارای عدم قطعیت در کالیبراسیون است. بنابراین، تنها باند 10TIR (رزولوشن 100 متر) برای مطالعه حاضر توصیه شده است. باند 10TIR به اندازه پیکسل 30×30 متر با روش کانولوشن مکعبی توسط USGS تبدیل گردید. داده های Landsat 5 TM تنها دارای یک باند مادون قرمز حرارتی TIR (باند 6) با وضوح 120 متر است که همچنین توسط USGS به اندازه پیکسل 30×30 متر با روش کانولوشن مکعبی تبدیل گردید. برای داده لندست TM و +ETM وضوح مکانی 30 متر باندهای مرئی به مادون قرمز نزدیک (VNIR) استفاده شد. روش طبقه بندی حداکثر احتمال برای تعیین صحت نقشه طبقه بندی کاربری/پوشش اراضی LULC بدست آمده از شاخص آستانه NDVI استفاده شد. در این مطالعه جهت استخراج دمای سطح زمین از الگوریتم تک پنجره ای برای بازیابی LST از سنجنده های ماهواره لندست چند زمانی استفاده شد. شاخص تفاوت پوشش گیاهی (NDVI) برای استخراج انواع مختلف کاربری/پوشش اراضی با استفاده از مقادیر آستانه استفاده شد. این مقادیر آستانه با توجه به تفاوت در محیط فیزیکی متفاوت است. محدودیتهای آستانه NDVI بر روی تصاویر اعمال شد تا انواع مختلف مختلف کاربری/پوشش اراضی استخراج شود.نتایج و بحث مقادیر دقت کلی طبقهبندی LULC در سالهای 1990، 2005 و 2020 به ترتیب 73.6%، 83.9% و 84.6% است. ضرایب کاپا برای طبقات LULC به ترتیب 0.77، 0.80 و 0.84 برای سال های 1990، 2005 و 2020 بود. در مطالعه حاضر میانگین دقت کلی و میانگین ضریب کاپا به ترتیب 80.7 درصد و 0.80 بود. بنابراین، طبقه بندی نقشه طبقه بندی کاربری/پوشش اراضی بر اساس روش آستانه NDVI قابل قبول می باشد. نتایج این تحقیق، افزایش تدریجی (1.4 درجه سانتی گراد در طول سال های 1990-2005 و 2 درجه سانتی گراد در طول 2005-2020) LST در کل دوره مطالعه را نشان داد. میانگین مقدار LST در سه سال مطالعه کمترین (30.86 درجه سانتی گراد) در پوشش گیاهی و بالاترین (49.07 درجه سانتی گراد) در زمین های بایر و مناطق ساخته شده/مسکونی بود. توزیع مکانی NDVI و LST نشان دهنده یک رابطۀ معکوس است. بهترین (97/0-) و کمترین همبستگی (0.80-)، در حالی که همبستگی متوسط (0.89-) مشاهده شد. همبستگی LST-NDVI بر روی سطح پوشش گیاهی منفی قوی (0.80-) بود. LST تا حد زیادی توسط ویژگی های کاربری اراضی کنترل می شود.نتیجه گیری مطالعه حاضر به تحلیل رابطه مکانی و زمانی LST و NDVI در اراضی ساحلی بوشهر با استفاده از 3 مجموعه داده لندست برای سالهای 1990، 2005 و 2020 پرداخت. الگوریتم تک پنجره ای در استخراج LST استفاده شد. به طور کلی، نتایج نشان داد که LST در سال های مطالعه با NDVI رابطه معکوس دارد. وجود پوشش گیاهی از عوامل اصلی منفی بودن زیاد این همبستگی است. رابطه LST-NDVI برای انواع کاربری/پوشش اراضی LULC متفاوت است. در مناطقی با پوشش گیاهی یک رابطۀ رگرسیون منفی قوی (0.80-) بین LST و NDVI برقرار است، میانگین LST منطقه مورد مطالعه 3.4 درجه سانتی گراد طی سال های 1990-2020 افزایش یافت. تبدیل سایر کاربری اراضی به مناطق ساخته شده و اراضی بایر تأثیر زیادی بر میانگین LST در مناطق شهری دارد. روند تغییرات LST در هر دو منطقه ساخته شده تغییر یافته و بدون تغییر و اراضی بایر افزایشی بود. این مطالعه می تواند به عنوان مرجعی برای کاربری اراضی و برنامه ریزی زیست محیطی در اراضی ساحلی مورد استفاده قرار گیرد.
Carlson TN, Ripley DA. 1997. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 62(3): 241-252. doi:https://doi.org/10.1016/S0034-4257(97)00104-1.
Chen X-L, Zhao H-M, Li P-X, Yin Z-Y. 2006. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes. Remote Sensing of Environment, 104(2): 133-146. doi:https://doi.org/10.1016/j.rse.2005.11.016.
Cui L, Wang L, Singh RP, Lai Z, Jiang L, Yao R. 2018. Association analysis between spatiotemporal variation of vegetation greenness and precipitation/temperature in the Yangtze River Basin (China). Environmental Science and Pollution Research, 25(22): 21867-21878. doi:10.1007/s11356-018-2340-4.
Fu P, Weng Q. 2015. Temporal dynamics of land surface temperature from Landsat TIR time series images. IEEE Geoscience and Remote Sensing Letters, 12(10): 2175-2179. doi:https://doi.org/10.1109/LGRS.2015.2455019.
Fu P, Weng Q. 2016. A time series analysis of urbanization induced land use and land cover change and its impact on land surface temperature with Landsat imagery. Remote Sensing of Environment, 175: 205-214. doi:https://doi.org/10.1016/j.rse.2015.12.040.
Ghobadi Y, Pradhan B, Shafri HZM, Kabiri K. 2015. Assessment of spatial relationship between land surface temperature and landuse/cover retrieval from multi-temporal remote sensing data in South Karkheh Sub-basin, Iran. Arabian Journal of Geosciences, 8(1): 525-537. doi:10.1007/s12517-013-1244-3.
Govil H, Guha S, Diwan P, Gill N, Dey A. 2020. Analyzing Linear Relationships of LST with NDVI and MNDISI Using Various Resolution Levels of Landsat 8 OLI and TIRS Data. In: Sharma N, Chakrabarti A, Balas VE (eds) Data Management, Analytics and Innovation, Singapore. Springer Singapore, pp 171-184. https://doi.org/110.1007/1978-1981-1032-9949-1008_1013.
Goward SN, Xue Y, Czajkowski KP. 2002. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: An exploration with the simplified simple biosphere model. Remote Sensing of Environment, 79(2): 225-242. doi:https://doi.org/10.1016/S0034-4257(01)00275-9.
Guha S, Govil H. 2020. Land surface temperature and normalized difference vegetation index relationship: a seasonal study on a tropical city. SN Applied Sciences, 2(10): 1661. doi:https://doi.org/10.1007/s42452-020-03458-8.
Guha S, Govil H. 2021. An assessment on the relationship between land surface temperature and normalized difference vegetation index. Environment, Development and Sustainability, 23(2): 1944-1963. doi:10.1007/s10668-020-00657-6.
Guha S, Govil H, Diwan P. 2019. Analytical study of seasonal variability in land surface temperature with normalized difference vegetation index, normalized difference water index, normalized difference built-up index, and normalized multiband drought index. Journal of Applied Remote Sensing, 13(2): 024518. doi:https://doi.org/10.1117/1.JRS.13.024518.
Guha S, Govil H, Gill N, Dey A. 2020. Analytical study on the relationship between land surface temperature and land use/land cover indices. Annals of GIS, 26(2): 201-216. doi:https://doi.org/10.1080/19475683.2020.1754291.
Guo L, Liu R, Men C, Wang Q, Miao Y, Zhang Y. 2019. Quantifying and simulating landscape composition and pattern impacts on land surface temperature: A decadal study of the rapidly urbanizing city of Beijing, China. Science of The Total Environment, 654: 430-440. doi:https://doi.org/10.1016/j.scitotenv.2018.11.108.
He B-J, Zhao Z-Q, Shen L-D, Wang H-B, Li L-G. 2019. An approach to examining performances of cool/hot sources in mitigating/enhancing land surface temperature under different temperature backgrounds based on landsat 8 image. Sustainable Cities and Society, 44: 416-427. doi:https://doi.org/10.1016/j.scs.2018.10.049.
Huang S, Taniguchi M, Yamano M, Wang C-h. 2009. Detecting urbanization effects on surface and subsurface thermal environment — A case study of Osaka. Science of The Total Environment, 407(9): 3142-3152. doi:https://doi.org/10.1016/j.scitotenv.2008.04.019.
Ke Y, Im J, Lee J, Gong H, Ryu Y. 2015. Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations. Remote Sensing of Environment, 164: 298-313. doi:https://doi.org/10.1016/j.rse.2015.04.004.
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. doi:https://doi.org/10.1016/j.ecoenv.2015.07.004.
Liu H, Zhan Q, Yang C, Wang J. 2018. Characterizing the spatio-temporal pattern of land surface temperature through time series clustering: Based on the latent pattern and morphology. Remote Sensing, 10(4): 654. doi:https://doi.org/10.3390/rs10040654.
Liu Y, Peng J, Wang Y. 2018. Efficiency of landscape metrics characterizing urban land surface temperature. Landscape and Urban Planning, 180: 36-53. doi:https://doi.org/10.1016/j.landurbplan.2018.08.006.
Mathew A, Khandelwal S, Kaul N. 2018. Spatio-temporal variations of surface temperatures of Ahmedabad city and its relationship with vegetation and urbanization parameters as indicators of surface temperatures. Remote Sensing Applications: Society and Environment, 11: 119-139. doi:https://doi.org/10.1016/j.rsase.2018.05.003.
Peng J, Jia J, Liu Y, Li H, Wu J. 2018. Seasonal contrast of the dominant factors for spatial distribution of land surface temperature in urban areas. Remote Sensing of Environment, 215: 255-267. doi:https://doi.org/10.1016/j.rse.2018.06.010.
Peng J, Ma J, Liu Q, Liu Y, Hu Yn, Li Y, Yue Y. 2018. Spatial-temporal change of land surface temperature across 285 cities in China: An urban-rural contrast perspective. Science of The Total Environment, 635: 487-497. doi:https://doi.org/10.1016/j.scitotenv.2018.04.105.
Peng J, Xie P, Liu Y, Ma J. 2016. Urban thermal environment dynamics and associated landscape pattern factors: A case study in the Beijing metropolitan region. Remote Sensing of Environment, 173: 145-155. doi:https://doi.org/10.1016/j.rse.2015.11.027.
Sannigrahi S, Bhatt S, Rahmat S, Uniyal B, Banerjee S, Chakraborti S, Jha S, Lahiri S, Santra K, Bhatt A. 2018. Analyzing the role of biophysical compositions in minimizing urban land surface temperature and urban heating. Urban Climate, 24: 803-819. doi:https://doi.org/10.1016/j.uclim.2017.10.002.
Sekertekin A, Bonafoni S. 2020. Land surface temperature retrieval from Landsat 5, 7, and 8 over rural areas: Assessment of different retrieval algorithms and emissivity models and toolbox implementation. Remote Sensing, 12(2): 294. doi:https://doi.org/10.3390/rs12020294.
Sobrino JA, Jiménez-Muñoz JC, Paolini L. 2004. Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment, 90(4): 434-440. doi:https://doi.org/10.1016/j.rse.2004.02.003.
Sultana S, Satyanarayana ANV. 2020. Assessment of urbanisation and urban heat island intensities using landsat imageries during 2000 – 2018 over a sub-tropical Indian City. Sustainable Cities and Society, 52: 101846. doi:https://doi.org/10.1016/j.scs.2019.101846.
Sun D, Kafatos M. 2007. Note on the NDVI‐LST relationship and the use of temperature‐related drought indices over North America. Geophysical Research Letters, 34(24). doi:https://doi.org/10.1029/2007GL031485.
Tan J, Yu D, Li Q, Tan X, Zhou W. 2020. Spatial relationship between land-use/land-cover change and land surface temperature in the Dongting Lake area, China. Scientific Reports, 10(1): 9245. doi:https://doi.org/10.1038/s41598-020-66168-6.
Weng Q. 2009. Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, and trends. ISPRS Journal of Photogrammetry and Remote Sensing, 64(4): 335-344. doi:https://doi.org/10.1016/j.isprsjprs.2009.03.007.
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.
Wukelic GE, Gibbons DE, Martucci LM, Foote HP. 1989. Radiometric calibration of Landsat Thematic Mapper thermal band. Remote Sensing of Environment, 28: 339-347. doi:https://doi.org/10.1016/0034-4257(89)90125-9.
Yang J, Qiu J. 1996. The empirical expressions of the relation between precipitable water and ground water vapor pressure for some areas in China. Scientia Atmospherica Sinica, 20: 620-626.
Yao R, Wang L, Huang X, Niu Z, Liu F, Wang Q. 2017. Temporal trends of surface urban heat islands and associated determinants in major Chinese cities. Science of The Total Environment, 609: 742-754. doi:https://doi.org/10.1016/j.scitotenv.2017.07.217.
Yuan M, Wang L, Lin A, Liu Z, Li Q, Qu S. 2020. Vegetation green up under the influence of daily minimum temperature and urbanization in the Yellow River Basin, China. Ecological Indicators, 108: 105760. doi:https://doi.org/10.1016/j.ecolind.2019.105760.
Yuan X, Wang W, Cui J, Meng F, Kurban A, De Maeyer P. 2017. Vegetation changes and land surface feedbacks drive shifts in local temperatures over Central Asia. Scientific Reports, 7(1): 3287. doi:https://doi.org/10.1038/s41598-017-03432-2.
Yue W, Xu J, Tan W, Xu L. 2007. The relationship between land surface temperature and NDVI with remote sensing: application to Shanghai Landsat 7 ETM+ data. International Journal of Remote Sensing, 28(15): 3205-3226. doi:https://doi.org/10.1080/01431160500306906.
Zhou D, Xiao J, Bonafoni S, Berger C, Deilami K, Zhou Y, Frolking S, Yao R, Qiao Z, Sobrino JA. 2018. Satellite remote sensing of surface urban heat islands: Progress, challenges, and perspectives. Remote Sensing, 11(1): 48. doi:https://doi.org/10.3390/rs11010048.
_||_Carlson TN, Ripley DA. 1997. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 62(3): 241-252. doi:https://doi.org/10.1016/S0034-4257(97)00104-1.
Chen X-L, Zhao H-M, Li P-X, Yin Z-Y. 2006. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes. Remote Sensing of Environment, 104(2): 133-146. doi:https://doi.org/10.1016/j.rse.2005.11.016.
Cui L, Wang L, Singh RP, Lai Z, Jiang L, Yao R. 2018. Association analysis between spatiotemporal variation of vegetation greenness and precipitation/temperature in the Yangtze River Basin (China). Environmental Science and Pollution Research, 25(22): 21867-21878. doi:10.1007/s11356-018-2340-4.
Fu P, Weng Q. 2015. Temporal dynamics of land surface temperature from Landsat TIR time series images. IEEE Geoscience and Remote Sensing Letters, 12(10): 2175-2179. doi:https://doi.org/10.1109/LGRS.2015.2455019.
Fu P, Weng Q. 2016. A time series analysis of urbanization induced land use and land cover change and its impact on land surface temperature with Landsat imagery. Remote Sensing of Environment, 175: 205-214. doi:https://doi.org/10.1016/j.rse.2015.12.040.
Ghobadi Y, Pradhan B, Shafri HZM, Kabiri K. 2015. Assessment of spatial relationship between land surface temperature and landuse/cover retrieval from multi-temporal remote sensing data in South Karkheh Sub-basin, Iran. Arabian Journal of Geosciences, 8(1): 525-537. doi:10.1007/s12517-013-1244-3.
Govil H, Guha S, Diwan P, Gill N, Dey A. 2020. Analyzing Linear Relationships of LST with NDVI and MNDISI Using Various Resolution Levels of Landsat 8 OLI and TIRS Data. In: Sharma N, Chakrabarti A, Balas VE (eds) Data Management, Analytics and Innovation, Singapore. Springer Singapore, pp 171-184. https://doi.org/110.1007/1978-1981-1032-9949-1008_1013.
Goward SN, Xue Y, Czajkowski KP. 2002. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: An exploration with the simplified simple biosphere model. Remote Sensing of Environment, 79(2): 225-242. doi:https://doi.org/10.1016/S0034-4257(01)00275-9.
Guha S, Govil H. 2020. Land surface temperature and normalized difference vegetation index relationship: a seasonal study on a tropical city. SN Applied Sciences, 2(10): 1661. doi:https://doi.org/10.1007/s42452-020-03458-8.
Guha S, Govil H. 2021. An assessment on the relationship between land surface temperature and normalized difference vegetation index. Environment, Development and Sustainability, 23(2): 1944-1963. doi:10.1007/s10668-020-00657-6.
Guha S, Govil H, Diwan P. 2019. Analytical study of seasonal variability in land surface temperature with normalized difference vegetation index, normalized difference water index, normalized difference built-up index, and normalized multiband drought index. Journal of Applied Remote Sensing, 13(2): 024518. doi:https://doi.org/10.1117/1.JRS.13.024518.
Guha S, Govil H, Gill N, Dey A. 2020. Analytical study on the relationship between land surface temperature and land use/land cover indices. Annals of GIS, 26(2): 201-216. doi:https://doi.org/10.1080/19475683.2020.1754291.
Guo L, Liu R, Men C, Wang Q, Miao Y, Zhang Y. 2019. Quantifying and simulating landscape composition and pattern impacts on land surface temperature: A decadal study of the rapidly urbanizing city of Beijing, China. Science of The Total Environment, 654: 430-440. doi:https://doi.org/10.1016/j.scitotenv.2018.11.108.
He B-J, Zhao Z-Q, Shen L-D, Wang H-B, Li L-G. 2019. An approach to examining performances of cool/hot sources in mitigating/enhancing land surface temperature under different temperature backgrounds based on landsat 8 image. Sustainable Cities and Society, 44: 416-427. doi:https://doi.org/10.1016/j.scs.2018.10.049.
Huang S, Taniguchi M, Yamano M, Wang C-h. 2009. Detecting urbanization effects on surface and subsurface thermal environment — A case study of Osaka. Science of The Total Environment, 407(9): 3142-3152. doi:https://doi.org/10.1016/j.scitotenv.2008.04.019.
Ke Y, Im J, Lee J, Gong H, Ryu Y. 2015. Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations. Remote Sensing of Environment, 164: 298-313. doi:https://doi.org/10.1016/j.rse.2015.04.004.
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. doi:https://doi.org/10.1016/j.ecoenv.2015.07.004.
Liu H, Zhan Q, Yang C, Wang J. 2018. Characterizing the spatio-temporal pattern of land surface temperature through time series clustering: Based on the latent pattern and morphology. Remote Sensing, 10(4): 654. doi:https://doi.org/10.3390/rs10040654.
Liu Y, Peng J, Wang Y. 2018. Efficiency of landscape metrics characterizing urban land surface temperature. Landscape and Urban Planning, 180: 36-53. doi:https://doi.org/10.1016/j.landurbplan.2018.08.006.
Mathew A, Khandelwal S, Kaul N. 2018. Spatio-temporal variations of surface temperatures of Ahmedabad city and its relationship with vegetation and urbanization parameters as indicators of surface temperatures. Remote Sensing Applications: Society and Environment, 11: 119-139. doi:https://doi.org/10.1016/j.rsase.2018.05.003.
Peng J, Jia J, Liu Y, Li H, Wu J. 2018. Seasonal contrast of the dominant factors for spatial distribution of land surface temperature in urban areas. Remote Sensing of Environment, 215: 255-267. doi:https://doi.org/10.1016/j.rse.2018.06.010.
Peng J, Ma J, Liu Q, Liu Y, Hu Yn, Li Y, Yue Y. 2018. Spatial-temporal change of land surface temperature across 285 cities in China: An urban-rural contrast perspective. Science of The Total Environment, 635: 487-497. doi:https://doi.org/10.1016/j.scitotenv.2018.04.105.
Peng J, Xie P, Liu Y, Ma J. 2016. Urban thermal environment dynamics and associated landscape pattern factors: A case study in the Beijing metropolitan region. Remote Sensing of Environment, 173: 145-155. doi:https://doi.org/10.1016/j.rse.2015.11.027.
Sannigrahi S, Bhatt S, Rahmat S, Uniyal B, Banerjee S, Chakraborti S, Jha S, Lahiri S, Santra K, Bhatt A. 2018. Analyzing the role of biophysical compositions in minimizing urban land surface temperature and urban heating. Urban Climate, 24: 803-819. doi:https://doi.org/10.1016/j.uclim.2017.10.002.
Sekertekin A, Bonafoni S. 2020. Land surface temperature retrieval from Landsat 5, 7, and 8 over rural areas: Assessment of different retrieval algorithms and emissivity models and toolbox implementation. Remote Sensing, 12(2): 294. doi:https://doi.org/10.3390/rs12020294.
Sobrino JA, Jiménez-Muñoz JC, Paolini L. 2004. Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment, 90(4): 434-440. doi:https://doi.org/10.1016/j.rse.2004.02.003.
Sultana S, Satyanarayana ANV. 2020. Assessment of urbanisation and urban heat island intensities using landsat imageries during 2000 – 2018 over a sub-tropical Indian City. Sustainable Cities and Society, 52: 101846. doi:https://doi.org/10.1016/j.scs.2019.101846.
Sun D, Kafatos M. 2007. Note on the NDVI‐LST relationship and the use of temperature‐related drought indices over North America. Geophysical Research Letters, 34(24). doi:https://doi.org/10.1029/2007GL031485.
Tan J, Yu D, Li Q, Tan X, Zhou W. 2020. Spatial relationship between land-use/land-cover change and land surface temperature in the Dongting Lake area, China. Scientific Reports, 10(1): 9245. doi:https://doi.org/10.1038/s41598-020-66168-6.
Weng Q. 2009. Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, and trends. ISPRS Journal of Photogrammetry and Remote Sensing, 64(4): 335-344. doi:https://doi.org/10.1016/j.isprsjprs.2009.03.007.
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.
Wukelic GE, Gibbons DE, Martucci LM, Foote HP. 1989. Radiometric calibration of Landsat Thematic Mapper thermal band. Remote Sensing of Environment, 28: 339-347. doi:https://doi.org/10.1016/0034-4257(89)90125-9.
Yang J, Qiu J. 1996. The empirical expressions of the relation between precipitable water and ground water vapor pressure for some areas in China. Scientia Atmospherica Sinica, 20: 620-626.
Yao R, Wang L, Huang X, Niu Z, Liu F, Wang Q. 2017. Temporal trends of surface urban heat islands and associated determinants in major Chinese cities. Science of The Total Environment, 609: 742-754. doi:https://doi.org/10.1016/j.scitotenv.2017.07.217.
Yuan M, Wang L, Lin A, Liu Z, Li Q, Qu S. 2020. Vegetation green up under the influence of daily minimum temperature and urbanization in the Yellow River Basin, China. Ecological Indicators, 108: 105760. doi:https://doi.org/10.1016/j.ecolind.2019.105760.
Yuan X, Wang W, Cui J, Meng F, Kurban A, De Maeyer P. 2017. Vegetation changes and land surface feedbacks drive shifts in local temperatures over Central Asia. Scientific Reports, 7(1): 3287. doi:https://doi.org/10.1038/s41598-017-03432-2.
Yue W, Xu J, Tan W, Xu L. 2007. The relationship between land surface temperature and NDVI with remote sensing: application to Shanghai Landsat 7 ETM+ data. International Journal of Remote Sensing, 28(15): 3205-3226. doi:https://doi.org/10.1080/01431160500306906.
Zhou D, Xiao J, Bonafoni S, Berger C, Deilami K, Zhou Y, Frolking S, Yao R, Qiao Z, Sobrino JA. 2018. Satellite remote sensing of surface urban heat islands: Progress, challenges, and perspectives. Remote Sensing, 11(1): 48. doi:https://doi.org/10.3390/rs11010048.
مقدمه
افزایش تغییر کاربری و پوشش زمین در اثر توسعه شهرنشینی باعث افزایش دمای شهرها در مقیاس محلی میشود و تا حد زیادی موجب افزایش استرس اکولوژیکی میشود [6، 4، 5، 2]. در حال حاضر، بسیاری از مناطق شهری با تبدیل گسترده کاربری اراضی و ایجاد مناطق گرمایی جدید مواجهه هستند [9-8]. تکنیک های سنجش از دور به طور قابل توجهی در تشخیص تغییر کاربری/پوشش زمین (LULC) و پیامدهای آن موثر هستند. سنجندههای مختلف ماهواره ای قادر به شناسایی این مناطق تغییر با استفاده از باندهای مرئی و مادون قرمز نزدیک (VNIR) و امواج مادون قرمز کوتاه (SWIR) هستند [11]. علاوه بر الگوریتم‌های طبقهبندی مرسوم کاربری/پوشش اراضی، برخی از شاخصهای طیفی در تشخیص ویژگیهای اراضی استفاده می‌شوند. شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) را می توان به عنوان کاربردی ترین شاخص طیفی در این سناریو در نظر گرفت [12]. اخیراً، باندهای مادون قرمز حرارتی (TIR) نیز در تولید برخی شاخص‌ها برای استخراج انواع مختلف کاربری/پوشش اراضی استفاده می‌شوند [15-14]. این شاخصهای سنجش از دور در زمینههای کاربردی مختلف مانند تهیۀ نقشه سنگها و مواد معدنی، تهیۀ نقشههای اراضی جنگل، پایش اراضی کشاورزی، تهیۀ نقشه کاربری/پوشش اراضی، تهیۀ نقشه مخاطرات، تهیۀ نقشه جزایر حرارتی شهری و نظارت و پایش و سایر موارد استفاده میشود [19-18].
دمای سطح زمین (LST) تهیه شده از دادههای سنجش از دور به طور گسترده در تشخیص جزایر حرارتی شهری و منطقه آسایش اکولوژیکی استفاده میشود [23،21،20]. دمای سطح زمین (LST) می تواند به طور قابل توجهی در یک کاربری خاص زمین که دارای گسترده وسیع است یا در داخل یک منطقه شهری ناهمگن نسبتاً کوچک تغییر کند [24]. میزان بازتاب باند مادون قرمز حرارتی (TIR) در کاربریهای مختلف زمین LULC متفاوت است و در نتیجه LST تا حد زیادی در یک محیط شهری متفاوت است [44-26]. کاربری/ پوشش اراضی اغلب توسط فرآیند تبدیل اراضی تغییر میکنند [10]. بنابراین، زمان و مکان دو عامل مهم در پایش دمای سطح زمین (LST) است. این دادههای مکانی و زمانی LST نیز با تغییرات مکانی تغییر میکنند زیرا آزیموت خورشید بسته به مکان تغییر میکنند. از این رو، بررسی تغییرات مکانی LST در ارتباط با تغییرات کاربری/ پوشش اراضی بسیار مهم است.
شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) یک فاکتور مهم در فرآیندهای بررسی در پایش دمای سطح زمین (LST) است و در هر مطالعۀ مرتبط با LST استفاده می شود [45-49]. NDVI به طور مستقیم در تعیین گسیلمندی سطح زمین استفاده می شود و بنابراین یک عامل مهم برای تخمین LST است [50، 51]. همچنین طبقات کاربری/پوشش اراضی LULC با محدودیتهای آستانه بهینه در محیطهای فیزیکی مختلف تعیین میشود [14]. به عنوان یک شاخص پوشش گیاهی، NDVI تا حد زیادی به تغییرات زمانی و مکانی بستگی دارد [12]. از این رو، LST نیز با تغییرات زمانی و مکانی، تغییر مینماید. بنابراین، ارزیابی زمانی و مکانی LST و NDVI یک فاکتور مهم در تهیۀ نقشه و پایش دمای سطح زمین (LST)، به ویژه در محیطهای شهری است.
رابطۀ بین LST با NDVI در بسیاری از مطالعات سنجش از دور، بررسی شده است [52-55]. ماهیت و همبستگی این رابطه به مکان و زمان بستگی دارد. به طور کلی، در مناطق گرم، رابطه LST-NDVI منفی است [56-58]. منفی بودن رابطه با تغییر نوع کاربری/پوشش اراضی LULC در طول زمان تعیین می شود. بنابراین تغییرات مکانی و زمانی در این رابطه در کاربری/پوشش اراضی مختلف مشاهده می شود. مطالعات متعددی در مورد تجزیه و تحلیل مکانی-زمانی رابطه LST-NDVI انجام شده است [59-67]. [35، 36، 68-71]. این مطالعات نشان داد که LST یک رابطه منفی با NDVI ایجاد می کند و این منفی بودن می تواند با فصل تغییر کند. فصل مرطوب منعکس کننده همبستگی منفی قوی تری نسبت به فصل خشک است زیرا میزان رطوبت در فصل مرطوب بیشتر است [72]. این رابطه می تواند با تغییر انواع کاربری اراضی نیز تغییر کند. سطح پوشش گیاهی یک همبستگی قوی ایجاد می کند و استحکام در اراضی بایر و بدون پوشش گیاهی، مناطق مسکونی و تحت فعالیت ساخت و ساز انسانی و سطح آب کاهش می یابد.
مطالعه LST و NDVI را در مردادماه در اراضی بوشهر با استفاده از تصویر ماهوارهای لندست Landsat برای سالهای 1990، 2005 و 2020 بررسی می‌کند. نقشه LULC با مقادیر آستانه مناسب NDVI به دست آمد. از اهداف این مطالعه؛ 1) تجزیه و تحلیل تغییرات زمانی الگوی توزیع مکانی LST در منطقه مورد مطالعه، 2) تعیین تغییرات مکانی-زمانی رابطه LST-NDVI برای کل اراضی مورد مطالعه، و 3) بررسی تغییرات مکانی-زمانی رابطۀ LST-NDVI در انواع مختلف کاربری/ پوشش اراضی.
منطقۀ و دادههای مورد مطالعه
منطقه مطالعه اراضی شهر بوشهر که در ساحل شمالي خليجفارس، با ابعاد 20 در 8 كيلومتر با مساحت 5/1011 كيلومترمربع و با متوسط حداقل دما 1/18 درجه سانتيگراد و متوسط حداكثر دمای 33 درجه سانتيگراد، ميزان رطوبت نسبي بين 75-58 در صد و متوسط بارندگي ساليانه 272 ميليمتر در موقعيت جغرافیایی '50°50 تا '10°51 طول شرقی و '40°28 تا '00°29 عرض شمالی است (شکل 1).
دادههای مورد استفاده در این تحقیق شامل؛ داده سنجنده لندست 8 (OLI) و سنجنده مادون قرمز حرارتی (TIRS) در سال 2020؛ داده ETM+ سال 2005، و داده TM در سال 1990 که از مرکز داده های سازمان زمین شناسی ایالات متحده (https://earth explo rer.usgs.gov) (USGS) دانلود شده است (جدول 1). سنجنده لندست 8 TIRS دارای دو باند TIR (باندهای 10 و 11) است که در آنها باند 11 دارای عدم قطعیت در کالیبراسیون است. بنابراین، تنها باند 10TIR (رزولوشن 100 متر) برای مطالعه حاضر توصیه شده است. باند 10TIR به اندازه پیکسل 30×30 متر با روش کانولوشن مکعبی توسط USGS تبدیل گردید. داده های Landsat 5 TM تنها دارای یک باند مادون قرمز حرارتی TIR (باند 6) با وضوح 120 متر است که همچنین توسط USGS به اندازه پیکسل 30 ×30 متر با روش کانولوشن مکعبی تبدیل گردید. برای داده لندست TM و ETM+ وضوح مکانی 30 متر باندهای مرئی به مادون قرمز نزدیک (VNIR) استفاده شد.
جدول1. مشخصات دادههای لندست مورد استفاده در این مطالعه
Table 1. Specifications of Landsat data sets used in this study
منطقه مطالعه | نوع داده | اندازه پیکسل | مسیر | سال |
اراضی شهر بوشهر | تصویر TMلندست | 5/28 متر | Path163 - row41 | 1990 |
تصویر ETM+لندست | 5/28 متر | Path163 - row41 | 2005 | |
تصویرلندست-8 OLI | 30 متر | Path163 - row41 | 2020 | |
تصویرلندست-8 TIRS | 100 متر |
|
|
شکل1. موقعیت منطقه مورد مطالعه و مدل رقومی ارتفاعی (DEM)
Fig. 1. Location of the study area and Digital Elevation Model (DEM)
روش تحقیق
استخراج دمای سطح زمین (LST) از دادههای لندست
در این مطالعه استخراج دمای سطح زمین طی مراحل زیر صورت گرفت (شکل 2). در ابتدا، الگوریتم تک پنجره ای برای بازیابی LST از سنجندههای ماهواره لندست چند زمانی [1-76-79]، که در آن از سه پارامتر؛ انتشار زمین، انتقال اتمسفر و دمای متوسط اتمسفر موثر استفاده شد. باندهای اصلی TIR(رزولوشن 100 متر برای داده های Landsat 8 OLI/TIRS) اخذ شده از مرکز داده USGS به 30 متر تبدیل شد. ارزش پیکسلهای مادون قرمز حرارتی TIR از عدد رقومی (DN) به درخشندگی تبدیل گردید. تابش برای باند TIR دادههای لندست TM با استفاده از رابطۀ 1 تعیین گردید (USGS):
[1] 
در این رابطه؛ λL مقدار شدت تابش حرارتی (TOA) است (Wm-2 sr-1 mm-1)، QCAL مقدار پیکسل کالیبره شده کوانتیزه شده در DN است، 
(Wm-2 sr-1 mm-1) طیفی است. تابش مقیاس شده به QCALMIN، 
(Wm-2 sr-1 mm-1) تابش طیفی مقیاس شده به QCALMAX است، QCALMIN حداقل مقدار پیکسل کالیبره شده کوانتیزه شده در DN و QCALMAX حداکثر مقدار پیکسل کالیبره شده کوانتیزه شده در DN است. مقادیر ، ، QCALMIN ، و QCALMAX از فایل متادیتا داده های لندست TM به دست میآیند. بازتاب برای لندست 8 باند مادون قرمز حرارتی TIR از رابطۀ 2 محاسبه گردید (80).
[2] 
در این رابطه؛ λL مقدار شدت تابش حرارتی است (Wm-2 sr-1 mm-1)، 
ضریب هر باند استخراج شده از متادیتا، AL ضریب طبقهبندی مجدد هر باند از متادیتا، QCAL مقادیر استاندارد (DN) کوانتیزه و کالیبره پیکسلهای تصویر. کلیۀ این متغیرها را میتوان از فایل متادیتا دادههای لندست 8 بدست آورد. برای داده های لندست ETM+، مقدار بازتاب از تابشها با استفاده از رابطۀ 3 محاسبه گردید (USGS):
[3] 
در این رابطه؛ 
بازتاب جهانی بدون واحد است، λL مقدار شدت تابش حرارتی است (Wm-2 sr-1 μm -1)، d فاصله زمین تا خورشید در واحدهای نجومی است، 
میانگین تابش‌های طیفی برون جوی خورشیدی است (Wm-2 μm-1) و 
زاویه اوج خورشیدی بر حسب درجه است. مقادیر برای هر باند که می توان از دفترچه راهنمای لندست به دست آورد. و d مقادیر را می توان از فایل متادیتا به دست آورد. برای داده های لندست 8، تبدیل بازتاب را می توان مقادیر DN را با استفاده از رابطۀ 4 انجام داد (80).
[4] 
در این رابطه؛ 
ضریب هر باند استخراج شده از متادیتا، 
عامل تغییر مقیاس افزودنی خاص باند که در متادیتا آورده شده است، QCAL مقادیر استاندارد (DN) کوانتیزه و کالیبره پیکسلها و 
زاویه ارتفاع خورشید منطقه استخراج شده از فایل متادیتا است. از رابطۀ 5 برای تبدیل تابش طیفی به دمای روشنایی در سنجنده استفاده می شود [81، 14].
[5] 
در این رابطه؛ 
دمای روشنایی بر حسب کلوین (K) است. Lλ مقدار شدت تابش حرارتی بر حسب Wm-2 sr-1 μm -1، 
و 
ثابت های کالیبراسیون هستند. برای دادههای لندست 8، Wm−2sr−1μm−1 89/774= و Wm−2sr−1μm−1 08/1321= . برای دادههای لندست ETM+، Wm−2sr−1μm−1 76/607= و Wm−2sr−1μm−1 56/1260= . انتشار سطح زمین، با استفاده از روش مقادیرNDVI ، تخمین زده شد [51, 82]. در روش مقادیر NDVI، برای مقادیر NDVI سه حالت وجود دارد:
الف) 2/0 NDVI < نشان دهنده خاک لخت؛ ب) NDVI > 5/0 نشان دهنده پوشش گیاهی. ج) 5/0 NDVI <= <= 2/0 اراضی با ترکیب خاک لخت و پوشش گیاهی. در نهایت 
از رابطۀ 6 تخمین زده شد.
[6] 
در این رابطه؛ گسیلمندی (توان تشعشعی) سطح زمین است، 
انتشار پوشش گیاهی است، 
انتشار خاک، 
درصد پوشش گیاهی است، 
اثر توزیع هندسی سطوح طبیعی و بازتاب های داخلی است که از رابطۀ 7 تعیین میگردد.
[7] 
که در این رابطه؛ انتشار پوشش گیاهی، انتشار خاک، درصد پوشش گیاهی است، F یک ضریب شکل است که میانگین آن 55/0 است، که در این حالت مقدار برای سطوح مخلوط اراضی 2% در نظر گرفته میشود [51].
درصد پوشش گیاهی ، برای هر پیکسل، از شاخص تفاوت پوشش گیاهی NDVI از رابطۀ 8 محاسبه گردید [50] :
[8] 
که در این رابطه؛ NDVI شاخص نرمال شده تفاوت پوشش گياهي (رابطۀ 1)، 
و به ترتیب کمترین و بیشترین NDVI، که به ترتیب 2/0NDVImin = و 5/0NDVImax = است (Guo et al., 2019).
در نهایت، گسیلمندی (توان تشعشعی) سطح زمین با استفاده از رابطۀ 9 تعیین گردید.
[9] 
در این رابطه؛ گسیلمندی (توان تشعشعی) سطح زمین، درصد پوشش گیاهی است.
مقدار بخار آب از رابطۀ 10 تخمین زده شد [29، 83].
[10] 
در این رابطه؛ w مقدار بخار آب (g/cm2)، T0 دمای هوای نزدیک به سطح بر حسب کلوین (K)، RH رطوبت نسبی (%) است. این پارامترهای جوی، مقادیر متوسط 2 ایستگاه سنپتیک است که از مرکز هواشناسی بوشهر به دست آمد (#).انتقال اتمسفر برای شهر بوشهر با استفاده از رابطۀ 11 تعیین شد.
[11] 
که در این رابطه؛ 
عبور کل اتمسفر، تابش سطح زمین است.
استخراج انواع مختلف کاربری/پوشش اراضی با استفاده از مقادیر NDVI
شاخص تفاوت پوشش گیاهی (NDVI) میتواند انواع مختلف کاربری/پوشش اراضی را با استفاده از مقادیر آستانه استخراج کند [14، 87-89]. این مقادیر آستانه میتواند با توجه به تفاوت در محیط فیزیکی متفاوت باشد. محدودیتهای آستانه NDVI بر روی تصاویر اعمال شد تا انواع مختلف مختلف کاربری/پوشش اراضی استخراج شود. جدول 2 حدود آستانه مناسب NDVI مورد استفاده برای استخراج پوشش گیاهی (فضای سبز، مرتع، اراضی کشاورزی) (2/0<)، اراضی مرطوب (0>)، منطقه ساخته شده/ اراضی بایر، شنزا، شورهزار (2/0-0) در منطقه مورد مطالعه را نشان میدهد.
جدول2. انواع مختلف کاربری اراضی/پوشش گیاهی استخراج شده از شاخص NDVI
Table 2. NDVI used for extracting different types of LULC
شاخص | رابطه | مقادیر آستانه NDVI برای استخراج انواع مختلف کاربری/پوشش اراضی | ||
پوشش گیاهی (فضای سبز، مرتع، کشاورزی) | اراضی مرطوب | منطقه ساخته شده/ اراضی بایر، شنزار، شورهزار | ||
شاخص تفاوت پوشش گیاهی (NDVI) |
| 2/0< | 0> | (2/0-0) |
شکل2. مراحل استخراج تصویر دمای سطح زمین
Fig. 2. Extraction steps of land surface temperature
نتایج و بحث
ارزیابی صحت طبقات کاربری/پوشش اراضی
روش طبقهبندی حداکثر احتمال برای تعیین صحت نقشه طبقهبندی کاربری/پوشش اراضی LULC بدست آمده از شاخص آستانه NDVI استفاده شد. مقادیر دقت کلی طبقهبندی LULC در سالهای 1990، 2005 و 2020 به ترتیب 6/73%، 9/83% و 6/84% است. ضرایب کاپا برای طبقات LULC به ترتیب 77/0، 80/0 و 84/0برای سال های 1990، 2005 و 2020 بود. مقدار ضریب کاپا > 75/0 نشان دهنده دقت بالای روش طبقهبندی است [90]. در مطالعه حاضر میانگین دقت کلی و میانگین ضریب کاپا به ترتیب 7/80 درصد و 80/0 بود. بنابراین، طبقه بندی نقشه طبقهبندی کاربری/پوشش اراضی بر اساس روش آستانه NDVI قابل قبول میباشد (جدول 3).
جدول3. ماتریس خطا و صحت کلی طبقهبندی برای تصاویر طبقهبندی شده (1990، 2005 و 2020)
Table 3. Error matrix and overall classification accuracy for classified images (1990, 2005 and 2020)
طبقات کاربری اراضی | دادههای مرجع |
| صحت طبقهبندی (%) |
| ضریب کاپا | |||||||||
کشاورزی | مسکونی | مرتع | فضای سبز | شوره زار | شن زار | زمین مرطوب | بایر |
| دقت تولیدکننده | دقت کاربر |
| (K^) | ||
اطلاعات طبقهبندی شده سال 1990 | کشاورزی | 8 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 8/30 | 100 |
| 77/0 |
مسکونی | 0 | 17 | 0 | 0 | 1 | 0 | 0 | 1 |
| 5/89 | 5/89 |
| ||
مرتع | 15 | 0 | 104 | 0 | 10 | 7 | 3 | 7 |
| 2/97 | 2/71 |
| ||
فضای سبز | 0 | 0 | 0 | 4 | 0 | 0 | 0 | 0 |
| 100 | 100 |
| ||
شوره زار | 0 | 0 | 1 | 0 | 33 |
| 12 | 3 |
| 66 | 3/67 |
| ||
شن زار | 3 | 0 | 2 | 0 | 0 | 10 | 0 | 0 |
| 8/58 | 7/66 |
| ||
زمین مرطوب | 0 | 0 | 0 | 0 | 3 | 0 | 15 | 0 |
| 4/48 | 3/83 |
| ||
بایر | 0 | 2 | 0 | 0 | 3 | 0 | 1 | 15 |
| 7/57 | 4/71 |
| ||
صحت کل | 6/73 |
| ||||||||||||
اطلاعات طبقهبندی شده سال 2005 | کشاورزی | 8 | 0 | 3 | 0 | 0 | 2 | 0 | 0 |
| 8/58 | 9/76 |
| 80/0 |
مسکونی | 0 | 17 | 0 | 0 | 5 | 1 | 0 | 3 |
| 3/79 | 3/79 |
| ||
مرتع | 7 | 4 | 122 | 0 | 7 | 6 | 4 | 2 |
| 3/94 | 5/87 |
| ||
فضای سبز | 0 | 0 | 0 | 13 | 0 | 0 | 0 | 0 |
| 100 | 100 |
| ||
شوره زار | 0 | 5 | 0 | 0 | 24 | 0 | 3 | 3 |
| 75 | 75 |
| ||
شن زار | 0 | 0 | 5 | 0 | 15 | 24 | 0 | 0 |
| 6/63 | 8/77 |
| ||
زمین مرطوب | 0 | 6 | 4 | 0 | 2 | 2 | 32 | 5 |
| 75 | 4/79 |
| ||
بایر | 4 | 5 | 9 | 3 | 1 | 0 | 0 | 16 |
| 2/76 | 9/88 |
| ||
صحت کل | 9/83 |
| ||||||||||||
اطلاعات طبقهبندی شده سال 2020 | کشاورزی | 43 | 2 | 7 | 1 | 3 | 6 | 7 | 2 |
| 1/86 | 6/81 |
| 84/0 |
مسکونی | 0 | 40 | 3 | 1 | 1 | 3 | 4 | 2 |
| 6/97 | 87 |
| ||
مرتع | 4 | 0 | 85 | 0 | 12 | 7 | 7 | 4 |
| 2/96 | 6/88 |
| ||
فضای سبز | 0 | 5 | 7 | 13 | 2 | 1 | 1 | 5 |
| 50 | 100 |
| ||
شوره زار | 0 | 1 | 0 | 0 | 26 | 0 | 3 | 2 |
| 3/74 | 3/81 |
| ||
شن زار | 7 | 3 | 3 | 2 | 6 | 8 | 3 | 4 |
| 7/64 | 6/84 |
| ||
زمین مرطوب | 6 | 3 | 5 | 1 | 6 | 8 | 35 | 1 |
| 71 | 5/81 |
| ||
بایر | 4 | 4 | 1 | 2 | 4 | 4 | 8 | 7 |
| 7/41 | 6/55 |
| ||
صحت کل | 6/84 |
| ||||||||||||
اعداد جدول تعداد نقاط نمونههای تعلیمی در هر کاربری اراضی است که برای تعیین صحت طبقهبندی استفاده شده است.
ارزیابی استخراج انواع مختلف کاربری/پوشش اراضی با استفاده از NDVI
شکل 3 تصاویر FCC و نقشه های LULC از تصاویر لندست برای سال های 1990، 2005 و 2020 را نشان میدهد. نقشههای LULC با استفاده از محدودیتهای آستانه NDVI برای انواع مختلف LULC در محیط نرم افزار ArcGIS تولید شد (شکل 4). در سال 1990، مناطق ساختهشده و زمینهای بایر عمدتاً در بخشهای شرقی و میانی شهر یافت می شود. تبدیل اراضی کاهش سطح پوشش گیاهی را به ویژه طی سالهای 2004-2020 تسریع می‌کند. بخش عمده پوشش گیاهی عمدتاً در قسمت شرقی شهر یافت می شود.
شکل3. تصاویر ماهوارهای رنگی کاذب FCC محدودۀ مورد مطالعه
Fig. 3. FCC satellite images of the study area
شکل4. نقشههای انواع مختلف کاربری/پوشش اراضی LULC با استفاده از شاخص NDVI
Fig. 4. Maps of different land use/land cover (LULC) types using NDVI index
ارزیابی ویژگیهای تغییرات زمانی و مکانی LST و NDVI
مقادیر LST و NDVI برای دادههای ماهوارهای سالهای مختلف مطالعه در جدول 4 ارائه شده است. شکل 5 حداکثر مقادیر LST 45 درجه سانتیگراد در سال 1990، 5/46 درجه سانتیگراد در سال 2005 و 6/48 درجه سانتیگراد در سال 2020 است. حداقل میانگین LST برای سالهای 1990، 2005 و 2020 به ترتیب 5/26، 28 و 1/30 درجه سانتیگراد است. میانگین واریانس تغییرات LST برای سالهای 1990، 2005 و 2020 به ترتیب 15/0، 16/0 و 14/0 است. در مورد NDVI، حداکثر مقدار به تدریج با زمان کاهش مییابد (شکل 5). مقایسۀ شکلهای 5 نشان میدهد که نسبت پوشش گیاهی به تدریج با گذشت زمان کاهش مییابد و NDVI با LST رابطه معکوس دارد.
جدول4. تغییرات زمانی رابطۀ LST، NDVI، وLST-NDVI (1990-2020)
Table 4. Temporal variation of LST, NDVI, and LST-NDVI relationship (1990–2020)
سال |
| LST (oC) |
| NDVI |
| ضریب همبستگی برای LST-NDVI | ||||||
حداقل | حداکثر | میانگین | انحراف معیار |
| حداقل | حداکثر | میانگین | انحراف معیار |
| |||
1990 |
| 5/26 | 45 | 3/38 | 9/5 |
| 05/0- | 53/0 | 22/0 | 15/0 |
| * 87/0- |
|
|
|
|
|
|
|
|
|
|
|
|
|
2005 |
| 28 | 5/46 | 7/39 | 4/5 |
| 03/0- | 51/0 | 19/0 | 16/0 |
| * 90/0- |
|
|
|
|
|
|
|
|
|
|
|
|
|
2020 |
| 1/30 | 6/48 | 7/41 | 1/5 |
| 02/0- | 47/0 | 17/0 | 14/0 |
| * 92/0- |
* نشان دهنده وجود همبستگی معنیدار، در سطح 5% است.
شکل5. توزیع مکانی دمای سطح زمین LST و شاخص تفاوت پوشش گیاهی NDVI
Fig. 5. Spatial distribution of LST and NDVI
رابطۀ بین LST و LULC
LST منطقه مورد مطالعه به طور قابل توجهی به انواع LULC وابسته است. در واقع، این روش انتشار مبتنی بر آستانه NDVI برای استخراج LST پیکرههای آبی مناسب نیست. با این حال، نتیجه تحقیق حاضر نشان می دهد که منطقه با پوشش گیاهی سبز دارای مقادیر LST پایین است، در حالی که مناطق ساخته شده و زمین های بایر دارای مقادیر LST متوسط تا زیاد هستند.
تغییرات دمای سطح زمین با تغییرات در کاربری/پوشش اراضی
نتایج آزمون t جفتی تغییر در میانگین دمای سطح زمین (°C) در انواع مختلف کاربری/پوشش اراضی با توجه به مقدار Sig. که به ترتیب برای سالهای 1990-2020 و 2005-2020، 012/0 و 009/0 بوده و از 05/0 کوچکتر است، نتیجه میشود که بین تغییر در میانگین دمای سطح زمین (°C) در انواع مختلف کاربری/پوشش اراضی در سطح 5 درصد اختلاف معنیداری وجود دارد (جدول 5). جدول 6 تغییرات زمانی در دمای سطح زمین LST را با تغییرات در انواع مختلف کاربری/پوشش اراضی LULC را نشان میدهد. زمین به منطقه ساخته شده یا زمین بایر از انواع دیگر LULC، به عنوان مثال، پوشش گیاهی یا توده های آبی تبدیل می شود. مساحت ساخته شده و زمین بایر افزایش یافته در حالی که پوشش گیاهی و بدنه آبی کاهش یافته است. میانگین LST مناطق ساخته شده/ مسکونی از سال 1990 تا 2005 (5/1 درجه سانتیگراد) و از سال 2005 تا 2020 (8/3 درجه سانتیگراد)، افزایش یافته است. منطقه سبز دارای پوشش گیاهی بین سالهای 1990 تا 2020 به منطقه ساختهشده و زمینهای بایر تبدیل شده است که 04/3 درجه سانتیگراد میانگین LST افزایش یافته است، و میانگین دمای سطح زمین 25/2 درجه سانتیگراد بین سالهای 2005 تا 2020 افزایش یافته است.
جدول5. نتایج آزمون t جفتی تغییر در میانگین دمای سطح زمین در انواع مختلف کاربری/پوشش اراضی Table 5. Paired t-test results of change in mean land surface temperature in different types of land use/cover | ||||||||
| میانگین | انحراف معیار | انحراف معیار میانگین خطا | تفاوت در سطح اطمینان 95% | t | درجه آزادی | Sig. دو طرفه | |
حد پایین | حد بالا | |||||||
سال 1990-2020 | 65/2- | 24/2 | 79/0 | 52/4- | 78/0- | 35/3- | 7 | * 012/0 |
سال 2005-2020 | 63/1- | 28/1 | 45/0 | 70/2- | 56/0- | 61/3- | 7 | * 009/0 |
* نشان دهنده وجود همبستگی معنیدار، در سطح 5% است.
جدول6. تغییر در میانگین دمای سطح زمین (°C) با تبدیل انواع مختلف کاربری/پوشش اراضی
Table 6. Change in mean LST (°C) with the conversion of different types of LULC
تبدیل انواع مختلف کاربری/پوشش اراضی |
| 2020-1990 |
| 2020-2005 | ||||
1990 | 2020 | 2020-1990 |
| 2005 | 2020 | 2020-2005 | ||
زمینهای بایر |
| 8/40 | 3/44 | 5/3 |
| 1/42 | 3/44 | 2/2 |
زمینهای مرطوب |
| 5/28 | 6/31 | 1/3 |
| 5/29 | 6/31 | 1/2 |
شن زار |
| 46 | 2/43 | 8/2 |
| 7/44 | 2/43 | 5/1 |
شوره زار |
| 3/41 | 4/45 | 3/4 |
| 2/43 | 4/45 | 2/2 |
فضای سبز |
| 04/29 | 08/32 | 04/3 |
| 4/30 | 08/32 | 68/1 |
مراتع کم تراکم |
| 8/39 | 4/43 | 6/3 |
| 4/41 | 4/43 | 2 |
مناطق ساخته شده/مسکونی |
| 9/42 | 7/46 | 8/3 |
| 4/44 | 7/46 | 3/2 |
کشاورزی |
| 8/40 | 7/43 | 9/2 |
| 6/41 | 7/43 | 1/2 |
تغییرات زمانی در رابطه LST-NDVI
کاربری اراضی |
کاربری اراضی |
4/0- |
5/0- |
6/0- |
7/0- |
8/0- |
9/0- |
1- |
1/1- |
2/1- |
ضریب همبستگی |
شکل6. تغییرات زمانی ضریب همبستگی رابطۀ LST-NDVI در انواع مختلف LULC
Fig. 6. Temporal variation of LST-NDVI relationship on different types of LULC
نتیجهگیری
مطالعه حاضر به تحلیل رابطه مکانی و زمانی LST و NDVI در اراضی ساحلی بوشهر با استفاده از 3 مجموعه داده لندست برای سالهای 1990، 2005 و 2020 پرداخت. الگوریتم تک پنجرهای در استخراج LST استفاده شد. به طور کلی، نتایج نشان داد که LST در سالهای مطالعه با NDVI رابطه معکوس دارد. وجود پوشش گیاهی از عوامل اصلی منفی بودن زیاد این همبستگی است. رابطه LST-NDVI برای انواع کاربری/پوشش اراضی LULC متفاوت است. در مناطقی با پوشش گیاهی یک رابطۀ رگرسیون منفی قوی (80/0-) بین LST و NDVI برقرار است، میانگین LST منطقه مورد مطالعه 4/3 درجه سانتیگراد طی سالهای 1990-2020 افزایش یافت. تبدیل سایر کاربری اراضی به مناطق ساخته شده و اراضی بایر تأثیر زیادی بر میانگین LST در مناطق شهری دارد. روند تغییرات LST در هر دو منطقه ساخته شده تغییر یافته و بدون تغییر و اراضی بایر افزایشی بود. این مطالعه میتواند به عنوان مرجعی برای کاربری اراضی و برنامه ریزی زیست محیطی در اراضی ساحلی مورد استفاده قرار گیرد.
References
