تعیین درجه حرارت سطح زمین با استفاده از تصاویر ماهوارۀ لندست (مطالعة موردی: اراضی ساحلی بوشهر)

الموضوعات :

فاضل امیری ¹ (دانشیار گروه منابع طبیعی و محیط زیست، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران)
طیبه طباطبایی ² (دانشیار گروه محیط زیست، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران)

تاريخ الإرسال : 19 الخميس , محرم, 1438 تاريخ التأكيد : 01 الأحد , جمادى الأولى, 1438 تاريخ الإصدار : 27 الجمعة , صفر, 1444

الکلمات المفتاحية: ماهواره لندست, درجه حرارت سطح زمین, روش استفان- بولتزمن, اراضی ساحلی,

ملخص المقالة :

پیشینه و هدف دمای سطح زمین (LST) از آنجایی که آب و هوا و محیط را در سطح محلی، منطقه‌ای و جهانی تحت تأثیر قرار می‌دهد، امروزه به عنوان به یک موضوع مهم در جهان تبدیل شده است که این تغییرات در دمای سطح زمین عمدتاً ناشی از شهرنشینی، فعالیت‌های انسانی و تغییر در کاربری و پوشش زمین بوجود می‌آید. با توجه به محدودیت ایستگاه‌های هواشناسی، سنجش از دور می‌تواند به عنوان پایه و اساس بسیاری از داده‌های هواشناسی مورد استفاده قرار گیرد. یکی از مهمترین جنبه‌های کاربردی سنجش از دور در مطالعات اقلیم شناسی برآورد دمای سطح زمین می‌باشد. در این تحقیق درجه حرارت سطح زمین بین سال‌های 1990 تا 2018 از تصاویر سنجنده‌های TM و OLI اراضی ساحلی بوشهر، از روش استفان- بولتزمن استخراج شد.مواد و روش‌ها منطقه مطالعه اراضی شهر بوشهر که در ساحل شمالی خلیج‌فارس، با ابعاد 20 در 8 کیلومتر با مساحت 1011.5 کیلومترمربع و با متوسط حداقل دما 18.1 درجه سانتی‌گراد و متوسط حداکثر دمای 33 درجه سانتی‌گراد، میزان رطوبت نسبی بین 75-58 در صد و متوسط بارندگی سالیانه 272 میلی‌متر در موقعیت جغرافیایی '50°50 تا '10°51 طول شرقی و '40°28 تا '00°29 عرض شمالی واقع شده است. داده‌های مورد استفاده در این تحقیق شامل؛ داده سنجنده لندست 8(OLI) در سال 2018 و داده TM در سال 1990 که از مرکز داده‌های سازمان زمین شناسی ایالات متحده (USGS) دانلود گردید. جهت محاسبة پارامترهای مربوط به استخراج دما از داده‌های هواشناسی ایستگاه‌های سینوپتیک مستقر در منطقه موردمطالعه استفاده شد. بعد از اخد تصاویر، به‌دلیل بزرگ‌تر بودن محدوده تصاویر اخذ شده، تصاویر برش داده شدند (Resize) و سپس تصحیح هندسی تصاویر با استفاده از نقشه های توپوگرافی به مقیاس 1:25000 انجام شد و کلیه تصاویر به سیستم مختصات UTM ناحیه 39 شمالی انطباق داده شدند. در تصحیح هندسی تمام تصاویر خطای RMS کمتر از 0.5 پیکسل بود. برای مقایسه نتایج اجرای روش استفان- بولتزمن برای استخراج LST با داده‌های زمینی داده‌های نقشه‌های حرارتی به‌دست آمده با داده‌های دمای خاک (به‌دست آمده از ایستگاه‌های هواشناسی موجود در محدوده انتخاب شده) مقایسه شد. به‌منظور ارزیابی روش استفان-بولتزمن از داده‌های زمینی، از روش آماری شاخص میانگین خطای مطلق استفاده شد.نتایج و بحث میانگین حداقل و حداکثر درجه حرارت سطح زمین LST استخراج شده از تصویر TM سال 1990 به ترتیب 26.5 و 45 درجه سانتی‌گراد و برای تصویر OLI سال 2018 به ترتیب 30.1 و 48.6 درجه سانتی‌گراد بدست آمد. نتایج نشان داد که مقادیر شاخص میانگین خطای مطلق برای سنجنده‌های TM و OLI، به‌ترتیب برابر با 7.1 و 5.6 است. نتایج تحقیق نشان داد که روش استفان- بولتزمن، نتیجه قابل اعتماد و مطمئنی را در برآورد دمای سطح زمین ارائه داد.نتیجه‌گیری این تحقیق با هدف استخراج LST با روش استفان-بولتزمن است. نتایج این روش با استفاده از شاخص آماری میانگین خطای مطلق برای دورۀ مطالعاتی (1990-2018) برآورد گردید. اجرای شاخص میانگین خطای مطلق بر روی نقشه های حرارتی تولید شده، مشخص شد که روش استفان-بولتزمن برای تحقیقات آتی در زمینه‌های سنجش‌ازدور حرارتی با مشاهده نتایج حاصل از استفاده شاخص MAE بر روی نقشه‌های حرارتی مناسب است. بنابراین نتایج نشان داد که روش استفان-بولتزمن مناسب برای برآورد دمای سطح زمین در اراضی مناطق ساحلی است. در نهایت، پیشنهاد می‌شود که برای توصیف کمی الگوهای LST از یک روش مبتنی بر GIS/RS و روش‌هایی مانند همبستگی مکانی و نیمه‌واریانس استفاده شود.

المصادر:

Cai G, Du M, Xue Y. 2011. Monitoring of urban heat island effect in Beijing combining ASTER and TM data. International Journal of Remote Sensing, 32(5): 1213-1232. doi:https://doi.org/10.1080/01431160903469079.

Chen X, Zhang Y. 2017. Impacts of urban surface characteristics on spatiotemporal pattern of land surface temperature in Kunming of China. Sustainable Cities and Society, 32: 87-99. doi:https://doi.org/10.1016/j.scs.2017.03.013.

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.

Clinton N, Gong P. 2013. MODIS detected surface urban heat islands and sinks: Global locations and controls. Remote Sensing of Environment, 134: 294-304. doi:https://doi.org/10.1016/j.rse.2013.03.008.

Dashtakian K, Dehghani M. 2008. Land surface temperature analysis of desert area in relation with vegetation and urban development using RS and GIS (Case study: Yazd-Ashkezar area). Pajouhesh-va-Sazandegi, 20(4): 169-179. (In Persian).

Ebrahimi Heravi B, Rangzan K, Riahi Bakhtiari H, Taghizadeh A. 2015. Determination of urban surface temperature using landSat images (Case study: Karaj). Journal of RS and GIS for Natural Resources, 6(2): 19-32. https://girs.bushehr.iau.ir/article_516786.html?lang=en. (In Persian).

Gluch R, Quattrochi DA, Luvall JC. 2006. A multi-scale approach to urban thermal analysis. Remote Sensing of Environment, 104(2): 123-132. doi:https://doi.org/10.1016/j.rse.2006.01.025.

Imhoff ML, Zhang P, Wolfe RE, Bounoua L. 2010. Remote sensing of the urban heat island effect across biomes in the continental USA. Remote Sensing of Environment, 114(3): 504-513. doi:https://doi.org/10.1016/j.rse.2009.10.008.

Kumar KS, Bhaskar PU, Padmakumari K. 2012. Estimation of land surface temperature to study urban heat island effect using Landsat ETM+ image. International Journal of Engineering Science and Technology, 4(2): 771-778.

Mia MB, Bromley CJ, Fujimitsu Y. 2013. Monitoring heat losses using Landsat ETM+ thermal infrared data: a Case study in Unzen Geothermal field, Kyushu, Japan. Pure and Applied Geophysics, 170(12): 2263-2271. doi:https://doi.org/10.1007/s00024-013-0662-1.

Mia MB, Nishijima J, Fujimitsu Y. 2014. Exploration and monitoring geothermal activity using Landsat ETM+images: A case study at Aso volcanic area in Japan. Journal of Volcanology and Geothermal Research, 275: 14-21. doi:https://doi.org/10.1016/j.jvolgeores.2014.02.008.

Nichol JE, Fung WY, Lam K-s, Wong MS. 2009. Urban heat island diagnosis using ASTER satellite images and ‘in situ’ air temperature. Atmospheric Research, 94(2): 276-284. doi:https://doi.org/10.1016/j.atmosres.2009.06.011.

Pu R, Gong P, Michishita R, Sasagawa T. 2006. Assessment of multi-resolution and multi-sensor data for urban surface temperature retrieval. Remote Sensing of Environment, 104(2): 211-225. doi:https://doi.org/10.1016/j.rse.2005.09.022.

Ranagalage M, Dissanayake D, Murayama Y, Zhang X, Estoque RC, Perera E, Morimoto T. 2018. Quantifying surface urban heat island formation in the world heritage tropical mountain city of Sri Lanka. ISPRS International Journal of Geo-Information, 7(9): 341. doi:https://doi.org/10.3390/ijgi7090341.

Roberts DA, Quattrochi DA, Hulley GC, Hook SJ, Green RO. 2012. Synergies between VSWIR and TIR data for the urban environment: An evaluation of the potential for the Hyperspectral Infrared Imager (HyspIRI) Decadal Survey mission. Remote Sensing of Environment, 117: 83-101. doi:https://doi.org/10.1016/j.rse.2011.07.021.

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.

Sahana M, Dutta S, Sajjad H. 2019. Assessing land transformation and its relation with land surface temperature in Mumbai city, India using geospatial techniques. International Journal of Urban Sciences, 23(2): 205-225. doi:https://doi.org/10.1080/12265934.2018.1488604.

Schwarz N, Lautenbach S, Seppelt R. 2011. Exploring indicators for quantifying surface urban heat islands of European cities with MODIS land surface temperatures. Remote Sensing of Environment, 115(12): 3175-3186. doi:https://doi.org/10.1016/j.rse.2011.07.003.

Simwanda M, Murayama Y. 2018. Spatiotemporal patterns of urban land use change in the rapidly growing city of Lusaka, Zambia: Implications for sustainable urban development. Sustainable Cities and Society, 39: 262-274. doi:https://doi.org/10.1016/j.scs.2018.01.039.

Sobrino JA, Oltra-Carrió R, Sòria G, Jiménez-Muñoz JC, Franch B, Hidalgo V, Mattar C, Julien Y, Cuenca J, Romaguera M. 2013. Evaluation of the surface urban heat island effect in the city of Madrid by thermal remote sensing. International Journal of Remote Sensing, 34(9-10): 3177-3192. doi:https://doi.org/10.1080/01431161.2012.716548.

Song J, Du S, Feng X, Guo L. 2014. The relationships between landscape compositions and land surface temperature: Quantifying their resolution sensitivity with spatial regression models. Landscape and Urban Planning, 123: 145-157. doi:https://doi.org/10.1016/j.landurbplan.2013.11.014.

Stathopoulou M, Cartalis C. 2007. Daytime urban heat islands from Landsat ETM+ and Corine land cover data: An application to major cities in Greece. Solar Energy, 81(3): 358-368. doi:https://doi.org/10.1016/j.solener.2006.06.014.

Sun Q, Wu Z, Tan J. 2012. The relationship between land surface temperature and land use/land cover in Guangzhou, China. Environmental Earth Sciences, 65(6): 1687-1694. doi:https://doi.org/10.1007/s12665-011-1145-2.

Voogt JA, Oke TR. 2003. Thermal remote sensing of urban climates. Remote Sensing of Environment, 86(3): 370-384. doi:https://doi.org/10.1016/S0034-4257(03)00079-8.

Wang J, Wang G, Liu Y, Qi J. 2021. Temporal normalization of land surface temperature retrieved from Landsat-8 data. In: 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. IEEE, pp 6921-6924. doi:https://doi.org/6910.1109/IGARSS47720.42021.9553163.

Wang W, Liu K, Tang R, Wang S. 2019. Remote sensing image-based analysis of the urban heat island effect in Shenzhen, China. Physics and Chemistry of the Earth, Parts A/B/C, 110: 168-175. doi:https://doi.org/10.1016/j.pce.2019.01.002.

نص كامل:



تعيين درجه حرارت سطح زمین با استفاده از تصاویر ماهوارۀ لندست (مطالعة موردي: اراضی ساحلی بوشهر)

 

چکیده

درجه حرارت سطح زمین یک شاخص اصلی تعادل انرژی در کره­زمین می­باشد و به­عنوان ورودی داده در مدل­های تغییرات آب و هوایی، جزایر حرارتی شهری، انتخاب بهترین زمان برای فعالیت­های توسعه­ای استفاده می­گردد. در این تحقیق درجه حرارت سطح زمین بین سال­های 1990 تا 2018 با استفاده از تصاویر سنجنده­های TM  و OLI، استخراج شد. از روش استفان-بولتزمن برای استخراج درجه حرارت سطح زمین استفاده گردید. به­منظور ارزیابی روش استفان-بولتزمن جهت استخراج درجه حرارت سطح زمین از داده­های زمینی، از یک روش آماری شاخص میانگین خطای مطلق استفاده شد. نتایج نشان داد که مقادیر شاخص میانگین خطای مطلق برای سنجنده­های TM و OLI، به­ترتیب برابر با 6/4 و 1/7 است. نتایج به دست آمده نشان داد که کاربری های مختلف اراضی نقش مهمی در دمای سطح زمین دارد. پیشنهاد می­شود که با یک روش مبتنی بر سنجش از دور/سیستم اطلاعات جغرافیایی GIS/RS، و روش‌هایی از جمله خود همبستگی مکانی و نیمه‌واریانس برای توصیف کمی الگوهای دمای سطح زمین استفاده شد.

 

 

واژه های کلیدی

جزایر حرارتی، درجه حرارت سطح زمین، ماهواره لندست، اراضی ساحلی

 

 

مقدمه

درعصر كنوني، شهرها به­عنوان اصلي­ترين زيستگاه گونة انسان، تأثيرات ژرفي بر بيوسفر گذاشته­اند اين تغييرات گستردة انساني، پيامدهاي  ناخواسته و ناخوشايندي همچون افت كيفيت محيط­زيستي را نيز به­همراه داشته است كه سرانجام به كاهش کیفیت زندگی منجر می­شود. گرم­تر شدن محيط­زيست شهري يكي از اين آثار ناآگاهانة توسعة شهري ناپايدار است كه «جزیره حرارتی» نامیده می­شود (12).

مفهوم جزیره حرارتی شهری برای اولین بار توسط لوک هاوارددر سال 1833 بیان شد (17). مطالعه جزایر حرارتی شهری به­وسیله داده­های سنجش­ازدور ابتدا با استفاده از داده ماهواره NOAA انجام شد(5).هاشمی و همکاران در تحقیق خودشرایط دمای سطح محیط­زیست شهری را با استفاده از تصویر ماهواره لندست ETM+ در کلان­شهر تهران بررسی کردند. نتايجاین تحقیقنشانمي­دهدبرخلافانتظار،حداكثرهايدماييسطحدر پهنه­هاي متراكم شهري حضور گسترده­اي ندارند و در پهنه­هاي كوهستاني، ارتباط بين درجه حرارت سطح زمین(LST) و شاخص تفاضلی نرمال­شده پوشش گیاهی(NDVI)، پائين است. به­طور كلي شیب توزيع دمايي در منطقة شهري تهران از شمال­شرق به جنوب­غرب كاهش مي­يابد. همچنین حداکثرهای دمای سطح، بیشتر در پهنه­های کوهستانی شرق (بی­بی­شهربانو) و پهنه صنعتی غرب مشاهده می­شوند (12). علیپور و همکاران در تحقیق خود با استفاده از روش­های پنجره تکی و تک کانالی دمای سطح زمین با استفاده از تک تصویر لندست ETM+ در شهر الشتر به­دست آوردند.درنهایت بین نتایج روش­های مورداستفاده و داده­های دمای سطح (اخذ شده از سازمان هواشناسی) در زمین­های کشاورزی الشتر، مقایسه­ای صورت گرفت. نتایج نشان داد که ضریب همبستگی برای روش­های پنجره تکی و تک کانالی به­ترتیب برابر با 85/0 و 79/0 بوده است(13). صادقی نیا و همکاران ساختارفضايي-زمانی جزيره حرارتي شهر تهران بين سال­هاي 1986 تا 2010 را در تحقیق خود مطالعه کردند. بدين­منظور به­كمك 13تصویر ماهواره­ای (TM) دماي سطح زمين با استفاده از روش پنجره تکی استخراج شد. نتایج نشان داد كه در طول دوره مطالعه مقدار مساحت دماهاي متوسط و بسيار خنك شهر كاسته شده است و برعكس مقدار مساحت دماهاي بسيار بالا (نواحي بسيارگرم)افزايش قابل ملاحظه­اي يافته است (7). فارینا در پایان­نامه کارشناسی ارشد خود با عنوان «بررسی ارتباط درجه حرارت سطح زمین با فراوانی پوشش گیاهی به­منظور کاهش جزیره حرارتی شهری در شهر سویل، اسپانیا» اثر متقابل درجه حرارت سطح زمین (LST) و شاخص تفاضلی نرمال­شده پوشش گیاهی (NDVI) را بر اساس نوع کاربری/پوشش زمین در سویل اسپانیا را موردبررسی قرارداد. نتایج این تحقیق نشان داد که ارتباط بین LST  و NDVI  معکوس بوده افزایش پوشش گیاهی باعث کاهش درجه حرارت، و بنابراین کاهش شدت جزیره حرارتی شهری، خواهد شد. هرچند که این ارتباط تفاوت­های متمایزی بسته به نوع کاربری/پوشش زمین نشان می­دهد.جیانگ و همکاران (2010) با عنوان «تجزیه­وتحلیل تأثیرات کاربری/پوشش زمین روی درجه حرارت سطحی با استفاده از سنجش­ازدور»، شاخص فضایی درجه حرارت-پوشش گیاهی محاسبه شد تا اثرات تغییر کاربری را در سرتاسر LST به­دست آورد و مشخص شد که تغییرات شدید کاربری زمین/پوششش زمین منجر به ایجاد جزایر حرارتی می­شوند.

منطقه موردمطالعه در این تحقیق اراضی ساحلی بوشهر می­باشد که در سال­های اخیر به دلیل همجواری با منطقه صنعتی عسلویه و فرصت­های شغلی مناسب، به سرعت در حال رشد و توسعه است. بنابراین به­واسطه داشتن چنین جایگاهی، نیاز به بررسی نقشه حرارتی و بررسی ارتباط آن به کاربری زمین، بیش از پیش احساس می­شود چراکه هرچه شهر بزرگتر و متراکم­تر و با جمعیت بالاتر باشد آلودگی آن بیشتر بوده و در پی آن باعث ایجاد جزایر حرارتی و به تبع آن مشکلات پس از آن می­شود. بنابراین هدف از انجام این تحقیق تهیه نقشه حرارتی اراضی ساحلی بوشهر با استفاده از روش استفان-بولتزمن است و نتایج بدست آمده با استفاده از  به داده های زمینی به­وسیله شاخص آماری میانگین خطای مطلق مورد ارزیابی قرار گرفت.

 

مواد و روش ها

منطقه 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).

 

 

شکل1. نقشه ایران و موقعیت منطقه مورد مطالعه

 

 

داده­های مورداستفاده

داده‌های مورد استفاده در این تحقیق شامل؛ داده­ سنجنده لندست 8 (OLI) در سال 2020 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 (شکل 2). 

 

شکل 2. ترکیب رنگ کاذب تصاویر لندست 

 

جهت محاسبة پارامترهاي مربوط به استخراج دماازداده­هاي هواشناسي ساعتي ايستگاه­هاي سينوپتيك مستقر در منطقه موردمطالعه که شامل چهار ایستگاه بود، استفاده شد. بعد از اخد تصاویر، به­دلیل بزرگ­تر بودن محدوده تصاویر اخذ شده، تصاویر برش داده شدند (Resize) و سپس تصحیح هندسی تصاویر با استفاده از نقشه­های توپوگرافی به مقیاس 1:25000 انجام شد و کلیه تصاویر به سیستم مختصات UTM ناحیه 39 شمالی انطباق داده شدند. در تصحیح هندسی تمام تصاویر خطای RMS کمتر از 5/0 پیکسل بود.جداول 1، ویژگی­های تصاویر ماهواره­ای مورداستفاده را نمایش می­دهند.

 

جدول 1- داده­های مورد استفاده در این مطالعه

منطقه مطالعه	نوع داده	اندازه پیکسل	مسیر	سال
اراضی شهر بوشهر	تصویر  TMلندست	5/28 متر	Path163 - row41	1990
	تصویرلندست-8  OLI	30 متر	Path163 - row41	2018

 

نکته حائز اهمیت اینکه برای اجرای روش­های استخراج LST بر روی تصاویر، انتخاب شد. هرچه تعداد ایستگاه­های هواشناسی بیشتر باشد دقت نتایج روش­های استخراج LST نیز بیشتر خواهد شد زیرا برای اجرای روش­های استخراج LST نیاز به داده­های زمینی (درجه حرارت) است که هر چه این داده­ها بیشتر و دقیق­تر باشند دقت نتیجه نهایی اجرای روش استخراج LST نیز بیشتر خواهد شد. شکل 3 مراحل انجام پژوهش را به­صورت مرحله به مرحله نمایش می­دهد.

 

داده های تحقیق

 

 

داده های درجه حرارت

تصاویر ماهواره لندست

 

 

 

تعیین محدوده مورد مطالعه روی تصاویر

 

 

تصحیح رادیومتریک

تصحیح هندسی

 

 

استخراج توان تشعشعی و درجه حرارت سطح زمین با استفاده از روش استفان-بولتزمن

 

 

تعیین صحت با استفاده از روش شاخص آماری میانگین خطای مطلق (MAE)

 

 

 

شکل 3. مراحل انجام استخراج درجه حرارت سطح زمین

 

مراحل استخراج درجه حرارت سطح زمین

بعد از برش تصاویر و همچنین انجام تصحیحات هندسی و رادیومتریک، لازم است تا روش­های استخراج LST برروی باندهای حرارتی تصاویر مورد استفاده اجرا شوند که نتیجه آن استخراج نقشه حرارتی برای تک تک تصاویر است. روش­ مورداستفاده در این تحقیق روش استفان-بولتزمن (Stefan-Boltzmann law) است.

 

 

 

 

 

 

روش استفان–بولتزمن:

سنجنده­هایمادون­قرمز حرارتی تابش را در قسمت بالایی اتمسفر (Top Of Atmosphere) اندازه­گیری می­کنندکه به این مقدار درجه حرارتروشنایی (و همچنین درجه حرارت جسم سیاه) گفته می­شود که با استفاده از رابطه زیر به­دست می­آید (22):

 

[1]

TB =

که در آنhثابت پلانک(34-10⨯62/6j-sec)،cسرعت نور( 108⨯998/2m/s)، λ طول­موج تابش گسیل­شده (m)، λBتابش جسم سیاه (m-1(Wm-2 می­باشد.در نهایت دمای سطح زمین با استفاده از روش استفان-بولتزمن با استفاده از رابطه 2 به­دست می­آید:

        

بنابراین داریم:

[2]

= B = ε

[3]

Ts =

که در آنεگسیل­مندی سطح زمین می­باشد.

 

جهت تعیین صحت روش از شاخص آماری میانگین خطای مطلق (Mean Absolute Error) استفاده گردید (4):

 

 

در رابطه بالا، k تعداد داده­ها، (Xk-Yk) اختلاف بین نتایج حاصل از روش سنجش­ازدور با داده­های زمینی می­باشد. شاخص میانگین خطای مطلق بیانگر مقدارخطا نسبت به مقادیر استاندارد هستند.این مقادیر هرچه به صفر نزدیک­تر باشند به این معنی است که مقادیر دارای خطای کم­تری نسبت به حالت استاندارد می­باشند (6).

نکته حائز اهمیت اینکه برای مقایسه نتایج اجرای روش­های مورد استفاده برای استخراج LST با داده­های زمینی باید داده­های نقشه­های حرارتی به­دست آمده را با داده­های دمای خاک (به­دست آمده از ایستگاه­های هواشناسی موجود در محدوده انتخاب شده) مقایسه شود زیرا داده­های نقشه­های حرارتی به­دست آمده مربوط به دمای سطح زمین است و منطقی و درست نیست که این داده را با داده دمای هوای سطح زمین مقایسه شود مگراینکه رابطه دقیق و درست بین دمای هوا و دمای خاک در منطقه موردمطالعه به­دست آمده باشد که این خود نیاز به داشتن سری زمانی طولانی داده­های دمای هوا و دمای خام است. در غیر این­صورت می­توان داده­های نقشه­های حرارتی را با داده­های دمای خاک (حاصل از ایستگاه­های هواشناسی) مقایسه کرد. با مشاهده داده­های دمای خاک ایستگاه­های موجود در منطقه انتخاب شده مشاهده شد که داده­های دمای خاک ایستگاه هواشناسی فرودگاه پیام ناقص و کم هستند بنابراین با استفاده از داده­های دمای خاک و دمای هوای سایر ایستگاه­های هواشناسی موجود در محدوده انتخاب شده اقدام به برازش رابطه بین دمای خاک و دمای هوا در ایستگاه هواشناسی فرودگاه پیام شد. جدول 2 معادله ارتباط بین پارامترهای فوق را نمایش می­دهد.

 

جدول2. معادلات مربوط به رابطه دمای خاک و دمای هوا در سنجنده­های مورداستفاده در این تحقیق

[4]

MAE =

نام سنجنده	معادله	ضریب رگرسیون
OLI	663/6 + x584/0y =	939/0R2 =
TM	494/3 + x673/0y =	R2 =968/0

 

در معادلات بالا x نشان­دهنده مقادیر دمای خاک و y نیز نشان­دهنده داده­های دمای هوا می­باشند. بدین­منظور داده­های دمای خاک ایستگاه هواشناسی فرودگاه پیام آماده شدند و برای انجام مقایسات داده­های دمای خاک به­دست آمده از طریق داده­های هواشناسی و داده­های درجه حرارت استخراج شده به­وسیله تصاویر ماهواره­ای آماده می­باشند و در مرحله بعد این داده­ها به­وسیله روش­های آماری موردنظر مورد مقایسه قرار گرفتند.

نتایج

جداول 3 و 4 نتایج استخراج درجه حرارت سطح زمین حاصل از روش­های مختلف را در سنجنده­های TM و OLI را نمایش می­دهند. در ادامه نیز نتایج حاصل از اجرای شاخص MAE بر روی نتایج حاصل از روش­های مختلف را برای سنجنده­های TM و OLI نمایش می­دهد که بر اساس روش­های مختلف اجرا شده در این تحقیق اولویت­بندی شده­اند.

 

 

 

 

 

 

 

 

 

جدول 3. نتایج استخراج درجه حرارت سطح زمین حاصل از روش­های مختلف و داده­های درجه حرارت سطح زمین در ایستگاه­های هواشناسی مختلف برای تصاویر سنجنده OLI

نقطه 4

نقطه 3

نقطه 2

نقطه 1

روش

4

3

2

1

4

3

2

1

4

3

2

1

4

3

2

1

شماره باند

1/13

7/36

18

41

3/11

4/33

3/8

5/39

9/11

27

8/17

5/44

3/11

4/23

2/2

39

L

استفان–بولتزمن

13

6/36

5/18

2/42

3/11

2/33

4/8

5/39

6/11

2/27

1/16

5/44

3/11

1/23

3/2

39

H

7/11

2/26

27

5/31

5

23

1/20

8/29

9/8

3/23

7/20

4/34

7/11

5/26

5/2

3/32

---

دمای هوا

7/11

6/37

2/31

45

8/1

1/27

1/23

3/40

8/3

5/28

24

6/47

2/7

4/29

5/2

3/46

---

دمای خاک

نمادهای L و H در ستون شماره باند به­ترتیب نشان­دهنده Low gain و High gain می­باشد. 

 

جدول 4. نتایج استخراج درجه حرارت سطح زمین حاصل از روش­های مختلف و داده­های درجه حرارت سطح زمین در ایستگاه­های هواشناسی مختلف برای تصاویر سنجنده TM

نقطه 4

نقطه 3

نقطه 2

نقطه 1

روش

4

3

2

1

4

3

2

1

4

3

2

1

4

3

2

1

6/41

1/28

8/42

6/7

4/40

8/23

3/41

5/4

4/38

7/24

6/46

4/2

7/39

4/26

9/40

6/5

استفان–بولتزمن

33

9/25

8/34

3/7

7/30

9/21

1/33

5/5

5/30

5/21

5/25

1/9

3/31

9/20

9/26

7

دمای هوا

2/47

5/29

3/35

6/7

7/40

4/24

5/27

4/3

1/40

8/26

7/32

3/8

5/41

1/25

3/31

6/7

دمای خاک

 

 

 

 

جدول5. اولویت­بندی روش­های مختلف استخراج درجه حرارت سطح زمین با استفاده از شاخص آماریMAE برای سنجنده OLI

مقدار کمّی شاخص MAE	شاخص  MAE	ترتیب
8/6	استفان–بولتزمن H	1

 

جدول6. اولویت­بندی روش­های مختلف استخراج درجه حرارت سطح زمین با استفاده از شاخص آماریMAE برای سنجنده TM

مقدار کمّی شاخص MAE	شاخص  MAE	ترتیب
3/4	استفان–بولتزمن	1

 

بنابراین با مشاهده نتایج بالا به­خوبی مشخص است که بهترین روش اجرا شده برای استخراج LST در سنجنده­های TM و OLI روش استفان-بولتزمن می­باشد. (شکل 4).

 

 

شکل 4. نقشه­های درجه حرارت سطح زمین در سال­های 1990، 2005 و 2025 برای تصاویر سنجنده­های TM ، ETM+ و OLI، به­روش استفان-بولتزمن

 

 

 

بحث و نتیجه گیری

این تحقیق با هدف استخراج LST با روش استفان–بولتزمن است. پارامتر مهم و تأثیرگذار در تخمین مقدار صحیح­تر درجه حرارت سطح زمین توان تشعشعی می­باشد که مقدار آن ثابت می­باشد. برآورد این پارامتر با استفاده از روش­های گوناگونی انجام می­شود که در این تحقیق برای برآورد آن از روش شاخص گیاهی تفاضلی نرمال شده استفاده شد. به عبارتی پس از محاسبه NDVI نقشه گسیل­مندی با استفاده از روابط موجود، به­دست آمد. در نهایت نیز نتایج این روش با استفاده از شاخص آماری میانگین خطای مطلق مقایسه شد. اجرای شاخص میانگین خطای مطلق بر روی نقشه­های حرارتی تولید شده، مشخص شد که روش استفان-بولتزمن برای تحقیقات آتی در زمینه­های سنجش­ازدور حرارتی با مشاهده نتایج حاصل از استفاده شاخص MAE بر روی نقشه­های حرارتی مناسب است. بنابراین نتیجه می­گیریم که روش استفان-بولتزمن مناسب برای برآورد دمای سطح زمین در اراضی مناطق ساحلی است.

مقایسه نتایج تحقیق حاضر با پژوهش­های انجام شده، نتایج تحقیق حاضر را تأئید می­کنند چرا که تحقیق انجام شده توسط دشتکیان و دهقانی (1385) که در آن با استفاده از 3 روش دفتر علوم لندست، روش پیشنهادی و روش سئول اقدام به استخراج LST در اشکذر یزد کرده بودند و به این نتیجه رسیدند که روش استفان–بولتزمن از دقت خوبی برخوردارند و نتایج بهتری داشت. تحقیق­های انجام شده توسط Alipour و همکاران (1389)، Zhang و همکاران (2006)، Sobrino و همکاران (2004) و Liu و Zhang (2011) نیز که با استفاده از دو روش پنجره تکی و تک کانالی و روش استفان–بولتزمن اقدام به استخراج LST کرده بودند در نهایت به این نتیجه رسیدند که روش استفان–بولتزمن دقت بلاتری نسبت به روش پنجره تکی و تک کانالی دارد.

 

تقدیر وتشکر

بدینوسیله از حمایت مالی دانشگاه آزاد اسلامی واحد بوشهر تحت طرح تحقیقی با کد .........، در انجام این تحقیق کمال تشکر و قدردانی را داریم.

 

 

منابع

1.ابراهیمی هروی، ب. 1393. تحلیل روابط بین جزایر حرارتی شهری و تغییرات کاربری/ پوشش زمین با استفاده از تصاویر ماهواره­ای در کلان­شهر کرج. پایان نامه کارشناسی ارشد سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز. صفحه5 تا 19.

2. امیری، ر.، علی­محمدی، ع.، و علوی پناه، ک. (1386). مطالعة تغييرپذيري فضايي-زماني حرارت در ارتباط با كاربري/پوشش زمين در منطقة شهري تبريز با استفاده از داده­هاي حرارتي و انعكاسي TMوETM+. مجله محيط­شناسي. شماره 33، صفحه 120-107.

3. دشتکیان، ک و دهقانی، م. ح. (1385). بررسی دمای سطح زمین در ارتباط با پوشش گیاهی و توسعه شهری با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی در مناطق بیابانی، مطالعه موردی: منطقه یزد-اشکذر. مجله پژوهش و سازندگی در منابع طبیعی. شماره 77، صفحه 169-179.

4. رنجبران، ه. 1387. آمار و احتمال و کاربرد آن در اقتصاد، چاپ پنجم. انتشارات نور علم. 516 صفحه.

5. شکیبا، ع.، ضیائیان فیروزآبادی، پ. عاشورلو، د.، و نامداری، س. (1388). تحلیل رابطه کاربری و پوشش اراضی و جزایر حرارتی شهر تهران، با استفاده از داده های ETM+. مجله سنجش از دور و GISایران. شماره 1، صفحه 39-56.

6.شهابی فر، م.، عصاری، م.، کوچک زاده، م.، و میرلطفی، م. (1389). ارزیابی برخی از روش های تبخیر و تعرق گیاه مرجع چمن با استفاده از داده های لایسیمتری در شرایط گلخانه ای. مجله پژوهش آب درکشاورزی. شماره 24، صفحه 13-19.

7. صادقی نیا، ع.، علیجانی، ب.، و ضیائیان فیروزآبادی، پ. (1392). تحليل فضايی-زماني جزيره حرارتي كلانشهر تهران با استفاده از سنجش ازدور و سيستم اطلاعات جغرافيايي. مجله جغرافيا و مخاطرات محيطي. شماره چهارم، صفحه 1-17.

8. عظیمی، ع. 1393. برآورد مقدار تبخير و تعرق با استفاده از سنجش از دور و شبکه‌های عصبی مصنوعی و مقایسه آن با روش تجربی (پنمن-مانتیث-فائو). پایان نامه کارشناسی ارشد سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز. صفحه 68 تا 79.

9.علوی پناه،ک. 1385.سنجش از دور حرارتی و کاربرد آن در علوم زمین چاپ اول..انتشارات دانشگاه تهران. 438 صفحه.

10. گومه، ز .1390. بررسی روند تغییرات کاربری اراضی کلان­شهر کرج و ارتباط آن با نمایه های سیمای سرزمین. پایان نامه کارشناسی ارشد سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز. صفحه 15 تا 17.

11. ملك­پور، پ.،. طالعي، م.، رضائي، ی.، و خوش گفتار، م. (1389). بررسي درجه حرارت سطح زمين و ارتباط آن با كلاس هاي پوشش- كاربري زمين شهري با استفاده از داده ي سنجنده ETM+، مطالعه موردي شهرتهران .همايش ملي ژئوماتيك 89. صفحه 1-13.

12. هاشمی، م.، علوی پناه، ک.، و دیناروندی، م. (1392). ارزيابي توزيع مكاني دماي سطح زمين در محيط­زيست شهري با كاربرد سنجش از دور حرارتي. مجله محيط­شناسي. شماره 1، صفحه۸۱-92.

 

13. Alipour T, Sarajian m, Esmaeily a. (1387). LAND SURFACE TEMPRATURE ESTIMATION FROM THERMAL BAND OF LANDSAT SENSOR, CASE STUDY: ALASHTAR CITY. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVIII-4/C7.PP: 1-6.

14. DengCh, Wu Ch. (2013). Examining the impacts of urban biophysical compositions on surface urban heat island: A spectral unmixing and thermal mixing approach. Remote Sensing of Environment. NO 131.PP:262–274.

15. Farina A. 2012. Exploring the relationship between land surface temperature and vegetation abundance for urban heat island mitigation in Seville, Spain. A Master thesis presented to Department of Physical Geography and Ecosystem Analysis Centre for Geographical Information Systems. Lund University. PP: 1-58.

16.http://landsat.usgs.gov/band_designations_landsat_satellites.php

17. http://www.wikipg.com/wiki.

18. Liu L,Zhang Y. (2011). Urban Heat Island Analysis Using the Landsat TM Data and ASTER Data: A Case Study in Hong Kong. Remote Sens. NO 3. PP: 1535-1552.

19. Maimaitiyiming M, Ghulam A, Tiyip T, Pla F, Latorre-Carmona P, Halik Ü, Sawut M, CaetanoM. (2014). Effects of green space spatial pattern on land surface temperature: Implications for sustainable urban planning and climate change Adaptation. ISPRS Journal of Photogrammetry and Remote Sensing. NO 89. PP: 59–66.

20. Senanayake I.P, Welivitiya W.D.D.P, Nadeeka, P.M. (2013). Remote sensing based analysis of urban heat islands with vegetation cover in Colombo city,Sri Lanka using Landsat-7 ETM+ data. Urban Climate. NO 5. PP: 19-35.

21. Sobrino J.A, Jimenez-Munoz J.C, Paolini L. (2004). Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment 90. PP: 434–440.

22. Thi V, Tran, X.B,Ha D. (2008). A study on urban development through land surface temperature by using remote sensing: in case of Ho Chi Minh City. VNU Journal of Science, Earth Sciences. NO 24. PP: 160-167.

23. Xiao R, Weng Q, Ouyang Zh, Li W, Schienke E, Zhang Zh. (2008). Land Surface Temperature Variation and Major Factors in Beijing, China. PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING. Vol. 74, No. 4. PP: 451–461.

24. Zhang J, WangY, LiY. (20060. A C++ program for retrieving land surface temperature from the data of Landsat TM/ETM+ band6. Computers & Geosciences.NO 32. PP: 1796–1805.

25. Zhang H, Qi Zh, Ye X, C Y, MaW, Chen M. (2013).Analysis of land use/land cover change, population shift, and their effects on spatiotemporal patterns of urban heat islands in metropolitan Shanghai, China. Applied Geography. NO 44. PP: 121-133.

 

 

 

 

 

 

 

Determination of land surface temperature using Landsat images (Case study: Bushehr coastal lands)

 

 

Abstract

 

Land Surface Temperature is a key indicator of energy balance and serves as input data for models of climate change, urban heat islands, and choosing the best time for human activities. In this study, Land Surface Temperature (LST) between 1990 and 2018 was extracted using TM and OLI sensor images. The Stefan-Boltzmann method was used for the extraction of Land Surface Temperature. In order to evaluate the Stefan-Boltzmann method for deriving Land Surface Temperature from ground data, a statistical method of absolute Mean Absolute Error (MAE) was used. The results showed that the mean values of the Mean Absolute Error (MAE) for TM and OLI sensors are 4.6 and 7.1, respectively. The results showed that different land uses play an important role in surface temperature. It is suggested that a GIS / RS-based method, and methods such as spatial autocorrelation and semivariance be used to quantitatively describe Land Surface Temperature (LST) patterns.        

 

Keywords

Heat islands, Land surface temperature (LST), Landsat satellite, Coastal land

 

 

---