Land Surface Temperature Monitoring and Its Relationship with Spectral Indices and Vegetation Using GEE System (Case Study: Tabriz City)

Subject Areas :

Mousa Abedini ^{1 *} , AmirHesam Pasban ² , Mahdi Frotan ³ , Tayebeh Babaei Olam ⁴

1 - Professor, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.
2 - Ph.D Student, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.
3 - Ph.D Student, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.
4 - Ph.D Student, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.

Received: 2024-08-05 Accepted : 2025-01-10 Published : 2025-03-21

Keywords: Vegetation cover, land use, LST, Spectral indices, Tabriz County.,

Abstract :

Land surface temperature (LST) is directly influenced by the energy balance at the Earth's surface. This energy balance is affected by various factors such as incoming solar radiation, surface emissivity, air humidity, and atmospheric air currents. This study aims to investigate the relationship between LST and spectral indices, particularly the Normalized Difference Vegetation Index (NDVI), in Tabriz County during the year 1402 (2023). Landsat and MODIS satellite imagery were used in conjunction with the Google Earth Engine (GEE) platform to analyze this relationship. Near-infrared and red bands were utilized to calculate spectral indices and vegetation cover. Subsequently, correlation analysis using Pearson's correlation coefficient was conducted in SPSS to examine the correlation between LST and spectral indices and land cover. Results indicated a strong negative correlation between LST and vegetation indices (-0.049) and bare land (0.879), suggesting that increased vegetation cover significantly decreases LST. Urban and industrial areas with lower vegetation cover exhibited the highest LST values. The findings of this study emphasize the importance of vegetation in reducing ambient temperature and improving air quality. These results can be utilized in urban planning, natural resource management, and assessing the impacts of climate change in the study area.

References:

احمدی، محمود؛ علی بخشی، زهرا؛ فرج‌زاده اصل، منوچهر (1398). آشکارسازی تغییرات زمانی-مکانی پوشش گیاهی کلان شهر تهران و اقمار در ارتباط با دمای سطحی زمین. علوم محیطی. 17 (4)، 133-150.
اصغری سراسکانرود، صیاد؛ امامی، هادی (1397). پایش دمای سطح زمین و بررسی رابطه کاربری اراضی با دمای سطح با استفاده از تصاویر سنجنده OLI و ETM+ (مطالعه موردی: شهرستان اردبیل). تحقیقات کاربردی علوم جغرافیایی. 19 (53)، 195-215.
انصاری، محمدرضا؛ نوروزی، آذین (1402). بررسی خودهمبستگی فضایی دمای سطح زمین و ارتباط آن با کاربری اراضی شهر اهواز. جغرافیا و برنامه‌ریزی محیطی. 34 (3)، 143-168.
جوان، خدیجه؛ مهرران، سحر (1403). پایش دمای سطح زمین با به‌کارگیری روش پنجره مجزا در شهرستان تبریز و اثر آن بر تغییرات کاربری اراضی. جغرافیا و روابط انسانی. 7 (1)، 186-204.
خدائی، علی؛ زندی، رحمان (1403). پایش تغییرات پوشش گیاهی و ارتباط آن با دمای سطح زمین و کاربری اراضی در شهرستان خداآفرین و کلیبر را با استفاده از فن‌آوری سنجش از دور. محیط زیست طبیعی. 77 (1)، 59-73.
درویشی، شادمان؛ رشیدپور، مصطفی؛ سلیمانی، کریم (1397). بررسی ارتباط تغییرات کاربری اراضی با دمای سطح زمین با استفاده از تصاویر ماهواره‌ای مطالعه موردی: شهرستان مریوان. جغرافیا و توسعه. 17 (54)، 143-162.
زندی، رحمان؛ ظاهری عبده‌وند، زینب؛ امامی، صدیقه (1403). سنجش دمای سطح زمین و ارتباط آن با شاخص‌های طیفی مطالعه موردی: استان خوزستان. جغرافیا و توسعه. 22 (76)، 33-64.
شگرخدایی، سیده زینب؛ فتح‌نیا، امان‌اله؛ هاشمی دره‌آبادی، سیروس (1402). بررسی ارتباط آلاینده‌های هوا با شاخص‌های سنجش از دور (ATI، LST، NDBI و NDVI) در شهر تهران. جغرافیا و مخاطرات محیطی. 12 (47)، 144-123.
عابدینی، موسی و ديگران (1401). پایش دمای سطح زمین در رابطه با تغییرات کاربری اراضی (مطالعه موردی: حوضه صوفی‌چای مراغه). جغرافیا و مطالعات محیطی. https://sanad.iau.ir/Journal/ges/Article/979156/FullText
عابدینی، موسی و ديگران (1401)، پايش دماي سطح زمين و بررسي رابطه كاربري اراضي با دماي سطح با استفاده از تصاوير سنجنده OLI و TM. تحقیقات کاربردی علوم جغرافیایی. 22 (67)، 375-393.
عابديني، موسی؛ محمدزاده شیشه‌گران، مریم؛ قلعه، احسان (1401). پایش و برآورد وسعت مناطق دچار حریق بخشی از کوهستان زاگرس با استفاده از تصاویر ماهواره لندست. نشریه جغرافیا و برنامه‌ریزی محیطی. 33 (4)، 62 -49.
عفیفی، محمدابراهیم (1400). ارزیابی رابطه‌ی کاربری، پوشش اراضی و گسترش شهر با طبقات دمایی شهری با استفاده از تصاویر چند زمانه TM و شاخص NDVI (مطالعه موردی شهر کرمانشاه). جغرافیا و مطالعات محیطی. https://sanad.iau.ir/fa/Article/979036?FullText=FullText
فیروزی، ابوالقاسم؛ بمانی، اکرم؛ عرفانی، ملیحه (1402). آشکارسازی ارتباط تغییرات مکانی – زمانی جزایر سرد و حرارتی با گرادیان تغییرات کاربری اراضی/پوشش اراضی در دشت یزد- اردکان. تحلیل فضایی مخاطرات محیطی. 10 (1)، 193-212.
کوشش وطن، محمدعلی؛ اصغری زمانی، اکبر (1400). مطالعه دمای سطح زمین شهر تبریز در رابطه با کاربری اراضی با استفاده از تصویر لندست 8. پژوهش‌های جغرافیای اقتصادی. 2 (3)، 49-58.
هاشمی دره‌بادامی، سيروس (1394). مدل‌سازی تغییرات سالانه جزیره حرارتی شهری و بررسی اثر آن بر میزان تغییرات آلودگی هوا (کلان شهر تهران). پایان‌نامه کارشناسی ارشد سنجش از دور. دانشگاه تهران. تهران. ايران.
وروانی، هادی؛ فرهادی بانسوله، بهمن؛ شریفی، محمدعلی (1397). ارزیابی شاخص‌های پوشش گیاهی مبتنی بر سنجش از دور در مراحل مختلف رشد برای برآورد زیست‌توده ذرت. تولید گیاهان زراعی. 11 (3)، 29-41.
Alavipanah, S. et al (2015). The role of vegetation in mitigating urban land surface temperatures: A case study of Munich, Germany during the warm season. Sustainability. 7 (4), 4689-4706.
Amirin, M. K. & Hasmadi, I. M. (2010). Land use changes in Perak catchment zone using remote sensing and GIS technique. Journal of GIS Trends. 1 (1), 15-19.
Bandari, A.K.; Kummar, A. & Singh, G.K. (2012). Feature extraction using normalized difference vegetation index (NDVI), A case study of Jabalpur city. Procedia Technogy. 6, 612 - 621.
Barnes, K. B.; Morgan, J. & Roberge, M. (2001). Impervious Surfaces and the Quality of Natural and Built Environments. Baltimore: Department of Geography and Environmental Planning. Towson University.
Chen, W. et al (2020). The investigation of urbanization and urban heat island in Beijing based on remote sensing. Procedia-Social and Behavioral Sciences. 216, 141-150.
Farhan, M. et al (2024). Predicting land use land cover dynamics and land surface temperature changes using CA-Markov-Chain models in Islamabad, Pakistan (1992–2042). IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 17, 16255–16271.
Feng, X. et al (2024). Seasonal dynamics in land surface temperature in response to land use land cover changes using Google Earth Engine. Earth Science Systems and Society. 5 (1), 10096.
Gorsevski, V. et al (1998). Air pollution prevention through urban heat island mitigation: An update on the Urban Heat Island Pilot Project. Proceedings of the ACEEE Summer Study, Asilomar. 9 (10), 23-32.
Grigoras, G. & Uritescu, B. (2019). Land Use/Land Cover changes dynamics and their effects on Surface Urban Heat Island in Bucharest Romania. International Journal of Applied Earth Observation and Geoinformation. 80, 115-126.
Hashim Mohammed, B. & Abdullah Sultan, M. (2010). Using remote sensing data and GIS to evaluate air pollution and their relationship with land cover and land use in Baghdad City. Iranian Journal of Earth Sciences. 2 (1), 20-24.
He, C. et al (2010). Improving the normalized difference built-up index to map urban built-up areas using a semiautomatic segmentation approach. Remote Sens Lett. 1, 213–221.
Huete, A.R. (1988). A soil-adjusted vegetation index (SAVI). Journal of Remote Sensing of Environment. 25, 295-309.
Ibrahim, F. & Rasoul, G. (2017). Urban land use land cover changes and their effect on land surface temperature: Case study using Dohuk City in the Kurdistan Region of Iraq. Climate. 5 (1), 1-18.
Jiang, J. & Tian, G. (2010). Analysis of the impact of land use/land cover change on land surface temperature with remote sensing. Journal of Applied Procedia Environmental Sciences. 2, 571-575.
Li, Z. L. et al (2013). Satellite-derived land surface temperature: Current status and perspectives. Remote Sensing of Environment. 15 (131), 14-37.
Magee, T.K.; Ringold, P. L. & Bollman, M.A. (2008). Alien species importance in native vegetation along wadeable streams, John Day River Basin Oregon USA. Plant Ecology. 195 (2), 287-307.
Mirzaei, P. A. (2015). Recent challenges in modeling of urban heat island. Sustainable Cities and Society. 19, 200-206.
Pande, C. B. et al (2024). Predictive modeling of land surface temperature (LST) based on Landsat-8 satellite data and machine learning models for sustainable development. Journal of Cleaner Production. 444, 141035.
Pettorelli, N. et al (2005). Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology and Evolution. 20 (9), 503-510.
Ranagalage, M. et al (2018). Spatial changes of urban heat island formation in the Colombo District, Sri Lanka: Implications for sustainability planning. Sustainability. 10, 1367.
Selka, I. et al (2023). Assessing the impact of land use and land cover changes on surface temperature dynamics using Google Earth Engine: A case study of Tlemcen Municipality, Northwestern Algeria (1989–2019). ISPRS International Journal of Geo-Information. 13 (7), 237.
Traore, M. et al (2021). Assessment of land use/land cover changes and their impacts on land surface temperature in Bangui (the capital of Central African Republic. Environ Chall. 4, 100-114.
Wang, W. et al (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, 168-17.
Xiao, J. & Moody, A. (2021). A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico, USA. Remote Sensing of Environment. 98(3), 237-250.
Zhao, F. et al (2023). Detection of geothermal potential based on land surface temperature derived from remotely sensed and in-situ data. Geo-Spatial Information Science. 27 (4), 1237–1253.
Zhou, J. et al (2010). Improvement of mono-window algorithm for retrieving land surface temperature from HJ-1B satellite data. Chinese Geographical Science. 20, 123-131.