Estimation land surface temperature and extract heat islands using split window algorithm and multivariate regression analysis (Case Study of Zanjan)

Subject Areas :

Kh Valizadeh Kamran ¹ , Kh Gholamnia ² , گلزار Eynali ³ , سید محمد Moosavi ⁴

1 - استادیار گروه سنحش از دور و GIS دانشگاه تبریز، تبریز، ایران
2 - دانشجو کارشناسی ارشد سنجش از دور و GIS گرایش مدریت مخاطرات محیطی دانشگاه تبریز، تبریز، ایران
3 - دانشجو کارشناسی ارشد سنجش از دور و GIS گرایش مدریت مخاطرات محیطی دانشگاه تبریز، تبریز، ایران
4 - دانشجو کارشناسی ارشد سنجش از دور و GIS گرایش مدریت مخاطرات محیطی دانشگاه تبریز، تبریز، ایران

Received: 2017-02-07 Accepted : 2017-09-26 Published : 2017-11-22

Keywords: linear regression, landuse, heat-islands, Landsat 8, split window algorithm,

Abstract :

Due to the rise in average global surface temperatures from the late 19th century, global warming has paid more attention. Increasing earth's surface temperature, especially in towns and cities is one of the major environmental problems. Many factors are involved in the creation of heat islands such as wind speed, building materials, urban green space, factories and large-scale industry and other human activities, form solar radiation etc. They have a significant impact. In this study, using two images Landsat 8. On 8th Esfand 1393 and Persian date Mordad 12 1394, layers generated from digital elevation models (including slope and aspect) obtained from sensors Aster and land use by municipalities in Zanjan to achieve ends Was used. In the first stage using Landsat imagery 8 split window algorithm calculated the Earth's surface temperature and the temperature of the earth's surface with layers of slope, aspect, NDVI and land use imported software was Saga-GIS. Multivariate linear regression analysis was performed with stepwise Step-wise. Most important factor in the creation of heat islands in the study area are layers and layers of the utmost importance to 0.870643 slope, vegetation, land use and height are the next priority.

References:

تاوان­اند، جان، 1390. آمار کاربردی برای پژوهشگران محیط زیست و زیست‌شناسی. (ترجمه: علی محمد خورشید دوست و حسین بیورانی)، تبریز، انتشارات دانشگاه تبریز، صص 362.

جویباری مقدم، یاسر، آخوند زاده، مهدی، سراجیان، محمد رضا، 1394. ارائه یک الگوریتم پنجره مجزا نوین به منظورتخمین دمای سطح زمین از دادههای ماهواره لندست- 8. نشریه علمی- پژوهشی علوم و فنون نقشه برداری، دوره پنجم، شماره 1، 226-2015.

رضایی مقدم، محمد حسن، ولیزاده کامران، خلیل، موسوی کجاباد، ندا، 1394. بررسی روش پنجره تکی در برآورد دمای سطح زمین با استفاده از سنجش از دور حرارتی. اولین کنگره بین المللی زمین، فضا و انرژی پاک.

رنگزن، کاظم، فیروزی، محمدعلی، تقی زاده، ایوب، مهدی زاده، رامین،1390. بررسی و تحلیل نقش کاربری اراضی در شکل گیری جزایر حرارتی با استفاده از RS و GIS " نمونه موردی شهر اهواز ". اولین سمینار کاربرد GIS در برنامه ریزی اقتصادی، اجتماعی و شهری.

صادقی نیا، علیرضا، علیجانی، بهلول، ضیائیان، پرویز، 1391. تحلیل فضایی- زمانی جزیره حرارتی کلان شهر تهران با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی. جغرافیا و مخاطرات محیطی، شماره 4، ص17-1.

عقیلی نسب، سیده زهرا، محمدزاد، مرجان، سلمان ماهینی، عبدالرسول، زارعی، حسین، 1393. تحلیل جزایر حرارتی شهری با استفاده از سنجش از دور و رابطه آن با توسعه دوست دار محیط زیست. محیط زیست و توسعه، سال 4، شماره 8، ص88-79.

فرج­زاده، منوچهر (1386)، تکنیک­های اقلیم ­شناسی، انتشارات سمت.

متکان، علی اکبر، نوحه گر، احمد، میرباقری، بابک، ترک چین، ناهید، 1393. تحلیل نقش کاربری اراضی در شکل گیری جزایر حرارتی با استفاده از داده‌های چند زمانه (مطالعه موردی: شهر بندرعباس)، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال 5، شماره 4، ص 14-1.

موسوی بایگی، محمد.، اشرف، بتول، فرید حسینی، علیرضا، میان آبادی، آمنه، 1391. بررسی جزیره حرارتی شهر مشهر با استفاده از تصاویر ماهواره ای و نظریه فرکتال. مجله جغرافیا و مخاطرات محیطی، شماره اول، صص 35-49.

ویسی، شادمان، ناصری، عبدعلی، حمزه، سعید، مرادی، پوریا، 1395. برآورد دمای مزارع نیشکر با استفاده از الگوریتم پنجره مجزا و تصاویر سنجنده OLI ماهواره لندست 8. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال هفتم، شماره اول، بهار 1395، 40-27.

Abutaleb, K., Ngie, A., Darwish, A., Ahmed, M., Arafat, S., & Ahmed, F. (2015). Assessment of urban heat island using remotely sensed imagery over Greater Cairo, Egypt. Advances in Remote Sensing, 4(01), 35.

Alavipanah, S. K., Darrehbadami, S. H., & Kazemzadeh, A. Spatial-Temporal Analysis of Urban Heat-Island of Mashhad City due to Land Use/Cover Change and Expansion.

Birtwistle, A. N., Laituri, M., Bledsoe, B., & Friedman, J. M. (2016). Using NDVI to measure precipitation in semi-arid landscapes. Journal of Arid Environments, 131, 15-24.

Bretz, S., Akbari, H., & Rosenfeld, A. (1998). Practical issues for using solar-reflective materials to mitigate urban heat islands. Atmospheric environment, 32(1), 95-101.

Cao, L., Li, P., Zhang, L., & Chen, T. (2008). Remote sensing image-based analysis of the relationship between urban heat island and vegetation fraction. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37, 1379-1384.

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.

Feizizadeh, B., & Blaschke, T. (2013). Examining urban heat island relations to land use and air pollution: multiple endmember spectral mixture analysis for thermal remote sensing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(3), 1749-1756.

Givoni, B. (1991). Impact of planted areas on urban environmental quality: a review. Atmospheric Environment. Part B. Urban Atmosphere, 25(3), 289-299.

Hu, L., & Brunsell, N. A. (2015). A new perspective to assess the urban heat island through remotely sensed atmospheric profiles. Remote Sensing of Environment, 158, 393-406.

Johnson, B., Tateishi, R., & Kobayashi, T. (2012). Remote sensing of fractional green vegetation cover using spatially-interpolated endmembers. Remote Sensing, 4(9), 2619-2634.

Kamran, K. V., Pirnazar, M., & Bansouleh, V. F. (2015, June). Land surface temperature retrieval from Landsat 8 TIRS: comparison between split window algorithm and SEBAL method. In Third International Conference on Remote Sensing and Geoinformation of the Environment (pp. 953503-953503). International Society for Optics and Photonics.

Khandelwal, S., Goyal, R., Kaul, N., & Mathew, A. (2017). Assessment of land surface temperature variation due to change in elevation of area surrounding Jaipur, India. The Egyptian Journal of Remote Sensing and Space Science.

Kogan, F. (1993, August). United States droughts of late 1980's as seen by NOAA polar orbiting satellites. In Geoscience and Remote Sensing Symposium, 1993. IGARSS'93. Better Understanding of Earth Environment., International (pp. 197-199). IEEE.

Kong, T. M., Marsh, S. E., van Rooyen, A. F., Kellner, K., & Orr, B. J. (2015). Assessing rangeland condition in the Kalahari Duneveld through local ecological knowledge of livestock farmers and remotely sensed data. Journal of Arid Environments, 113, 77-86.

Kou, X., Jiang, L., Bo, Y., Yan, S., & Chai, L. (2016). Estimation of Land Surface Temperature through Blending MODIS and AMSR-E Data with the Bayesian Maximum Entropy Method. Remote Sensing, 8(2), 105.

Liu, L., & Zhang, Y. (2011). Urban heat island analysis using the Landsat TM data and ASTER data: A case study in Hong Kong. Remote Sensing, 3(7), 1535-1552.

Mackey, C. W., Lee, X., & Smith, R. B. (2012). Remotely sensing the cooling effects of city scale efforts to reduce urban heat island. Building and Environment, 49, 348-358.

Mitraka, Z., Chrysoulakis, N., Doxani, G., Del Frate, F., & Berger, M. (2015). Urban surface temperature time series estimation at the local scale by spatial-spectral unmixing of satellite observations. Remote Sensing, 7(4), 4139-4156.

Rozenstein, O., Qin, Z., Derimian, Y., & Karnieli, A. (2014). Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm. Sensors, 14(4), 5768-5780.

Sankey, J. B., Wallace, C. S., & Ravi, S. (2013). Phenology-based, remote sensing of post-burn disturbance windows in rangelands. Ecological indicators, 30, 35-44.

Tsou, J., Zhuang, J., Li, Y., & Zhang, Y. (2017). Urban Heat Island Assessment Using the Landsat 8 Data: A Case Study in Shenzhen and Hong Kong. Urban Science, 1(1), 10.

Yuan, F., & Bauer, M. E. (2007). Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery. Remote sensing of Environment, 106(3), 375-386.

Zhan, Q., Meng, F., & Xiao, Y. (2015). Exploring the relationships of between land surface temperature, ground coverage ratio and building volume density in an urbanized environment. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 40(7), 255.

Zhang, Y., Chen, L., Wang, Y., Chen, L., Yao, F., Wu, P.,. .. & Zhang, T. (2015). Research on the contribution of urban land surface moisture to the alleviation effect of urban land surface heat based on Landsat 8 data. Remote Sensing, 7(8), 10737-10762.