Earth surface temperature monitoring in relation to land use changes Case study: Maragheh Sufi chay basin
Subject Areas :
mousa Abedini
1
,
Abozar sadeghi
2
,
Nazfar Aghazadeh
3
,
AmirHesam Pasban
4
1 - Professorin in Geomorphology, Department of physical geography Mohaghegh Ardabili University
2 - Physical Geography Department, University of Mohaghegh Ardabili
3 - Physical Geography Department, University of Mohaghegh Ardabili
4 - Department of Natural Geography, Mohaghegh Ardabili University
Keywords: land use changes, Land cover, Earth surface temperature, Sufichai,
Abstract :
The main purpose of this study was to monitor the surface temperature in relation to land use changes with surface temperature using OLI and TM images in the present study. It was used for 2020, and the Landsat 5TM satellite imagery was used to extract land use and its thermal band (band 6) was used to extract ground surface temperature for 1992. The monitored method was used to classify land use for 1992 and 2020 and land use changes and the maximum similarity method was used. The obtained results indicate the accuracy of the classification by the basic pixel method. According to the research findings, the total accuracy of the classification maps using the maximum similarity method was 99.84 for 1992 and 99.78 for 2020. According to the land use map of Sufi Chay watershed from 1992, which has been extracted by the maximum similarity method, most of the land uses are primarily related to the type 1 mountainous part, which has an area of approximately 320.42 square kilometers. Then, rainfed land use with an area of 191.09 square kilometers and dense agricultural land use with an area of 74.29 square kilometers have the most areas. The area of land uses in 2020 also shows that the most land uses are mountainous type 1 rainfed and residential. Keywords: Surface temperature, land use change, OLI, QGIS, Sufi chay.
با سلام و عرض ادب و احترام خدمت سردبیر محترم، اصلاحات جزئی براساس نظر داور محترم اصلاح و موارد با رنگ زرد هایلایت گردید.
Earth surface temperature monitoring in relation to land use changes Case study: Maragheh Sufi chay basin
Abstract
Changes in land use/cover, development of urban and agricultural areas, and deforestation cause changes in the regional and local temperature regime.
Knowledge of the temperature of the earth's surface significantly helps a wide range of issues related to earth sciences, such as urban climate, global environmental changes, and the study of human-environment interactions.
The purpose of this research is to monitor the surface temperature of the land in relation to land use changes using OLI and TM images in Sofichai Maragheh basin. Studies show that the role of thermal distance measurement is very important in studying and estimating the surface temperature of the earth. The main purpose of this study was to monitor the surface temperature in relation to land use changes with surface temperature using OLI and TM images in the present study. It was used for 2020, and the Landsat 5TM satellite imagery was used to extract land use and its thermal band (band 6) was used to extract ground surface temperature for 1992. The monitored method was used to classify land use for 1992 and 2020 and land use changes and the maximum similarity method was used. The obtained results indicate the accuracy of the classification by the basic pixel method. According to the research findings, the total accuracy of the classification maps using the maximum similarity method was 99.84 for 1992 and 99.78 for 2020. According to the land use map of Sufi Chay watershed from 1992, which has been extracted by the maximum similarity method, most of the land uses are primarily related to the type 1 mountainous part, which has an area of approximately 320.42 square kilometers. Then, rainfed land use with an area of 191.09 square kilometers and dense agricultural land use with an area of 74.29 square kilometers have the most areas. The area of land uses in 2020 also shows that the most land uses are mountainous type 1 rainfed and residential.
Keywords: Earth surface temperature, land use changes, land cover, Sufichai.
پایش دمای سطح زمین در رابطه با تغییرات کاربری اراضی )مطالعه موردی: حوضه صوفیچای مراغه)
چکیده:
تغييرات كاربري/پوشش اراضي، توسعه مناطق شهري و كشاورزي و جنگل زدايي باعث تغيير رژيم دماي منطقه اي و محلي مي شود. آگاهي از ميزان دماي سطح زمين كمك قابل توجهي به طيف وسيعي از مسائل مرتبط با علوم زمين مانند اقليم شهري، تغييرات جهاني محيطي و بررسي تعاملات انسان و محيط مي نمايد. هدف از این پژوهش پایش دمای سطح زمین در رابطه با تغییرات کاربری اراضی با استفاده از تصاویرOLI و TM در حوضه صوفیچای مراغه می‌باشد. برای طبقه‌بندی کاربری اراضی برای سال‌های 1992 و 2020 و تغییرات کاربری اراضی از روش نظارت‌شده و با استفاده از روش حداکثر شباهت استفاده شد. نتايج حاصله بيانگر صحت طبقه‌بندي به روش پیکسل پایه مي‌باشد. با توجه به يافته‌هاي تحقيق، دقت كل در نقشه‌هاي طبقه‌بندي با استفاده از روش حداکثر شباهت برای سال 1992 برابر با 99.84 و برای سال 2020، 99.78 به دست آمد. بر اساس نقشه كاربري‌اراضي حوضه آبخیز صوفیچای مربوط به سال 1992 که با روش حداكثر شباهت استخراج شده است، بيشترين كاربري‌ها در درجه نخست مربوط به بخش کوهستانی نوع 1 مي‌باشد كه مساحتي به تقريب 320.42 كيلومترمربع را دارا مي‌باشد. سپس كاربري دیم با مساحتي بالغ بر 191.09 كيلومتر مربع و كاربري كشاورزي پرتراکم با مساحت 74.29 كيلومتر مربع بيشترين مساحت‌ها را دارا مي‌باشند. مساحت كاربري‌ها در سال 2020 نيز نشان مي‌دهد كه بيشترين كاربري‌ها مربوط به کوهستانی نوع1، دیم و مسکونی مي‌باشد.
کلمات کلیدی: دمای سطح زمین، تغییرات کاربری، پوشش زمین، صوفیچای.
مقدمه
دمای سطح زمین (LST)، دمای بالاترین لایه سطح زمین است و به ضریب گسیل سطح، پوشش گیاهی و انواع پوشش‌های زمینی وابسته است. دمای سطح زمین اطلاعات مهمی درباره ویژگی فیزیکی سطح زمین از مقیاس‌های محلی و جهانی، در اختیار قرار می‌دهد و نقش مهمی را در بسیاری از کاربردها دارد. از دمای سطح زمین برای مطالعه مدیریت منابع آب، کشاورزی، مدیریت منابع، خشک‌سالی، پردازش‌های ژئوشیمی محیطی، پژوهش‌های هواشناسی، تغییرات جهانی دمای سطح زمین، پیش‌بینی وضعیت آب و هوا، هیدرولوژی، اکولوژی، بررسی وضعیت گیاهان، آب و هوای شهری، مطالعات محیط زیستی و برآورد متغیرهای ژئوفیزیکی مانند تبخیر و تعرق و رطوبت خاک استفاده می‌شود (زینالی و همکاران، 1400؛ Rozenstein et al, 2014). انتظار می‌رود که رشد شهرنشینی و گسترش سریع وابسته به آن در مناطق توسعه‌یافته تا قرن بیست و یکم با سرعت بیشتری در کشورهای درحال توسعه ادامه یابد، این عامل پتانسیل ایجاد جزایر حرارتی و پریشانی‌های ناشی از گرما را در مناطق شهری افزایش می‌دهد. گسترش سریع شهرها به دلیل تغییرات گسترده در کاربری و پوشش زمین تأثیرات منفی بر کیفیت زیست محیطی جهانی داشته، از جمله کیفیت هوا، افزایش دما و تغییرات چشم‌انداز و همچنین تبدیل زمین‌های کشاورزی که منجر به از بین رفتن تنوع زیستی می‌شود. دمای سطح زمین شاخص مهمی در مطالعه مدل‌های تعادل انرژی در سطح زمین و فعل و انفعالات بین زمین و اتمسفر در مقیاس منطقه‌ای و جهانی است (عابدینی و همکاران، 1401؛ درویشی و همکاران، 1398). دمای سطح زمین از مهم‌ترین مؤلفه‌های موثر در مطالعات جهانی است که به مثابه یکی از عوامل مهم در کنترل فرایندهای بیولوژیکی و شیمیایی و فیزیکی زمین استفاده می‌شود (علوی پناه، 1388). واژه جزیره حرارتی برای اولین بار حدود یک قرن قبل و در سال 1833 توسط هاوارد مطرح شد. پس از آن پژوهش‌های متعددی در شهرهای بزرگ و صنعتی جهان انجام گرفت که بیانگر این است که شهرنشینی موجب ایجاد تغییرات قابل ملاحظه بر روی پارامترهای هواشناسی و ویژگی‌های سطح زمین شده و به تبع، تغییرات زیادی در وضع هوا و اقلیم محلی به وجود آورده (اشرف و همکاران، 1391). نقشه‌های کاربری اراضی نحوه استفاده انسان از زمین را در فعالیت‌های کشاورزی، جنگل‌داری و مرتع‌داری نشان می‌دهد. رشد بیش از حد جمعیت فشار بر عرصه‌های طبیعی و بهره‌برداری‌های غیراصولی و تغییر کاربری‌ها را افزایش داده است (Lu and Weng, 2008). تغییر در کاربری زمین در نتیجه اثر متقابل عوامل زیادی مانند سیاست، مدیریت، اقتصاد، فرهنگ، رفتار انسانی و محیط است. آگاهی از چگونگی رخداد تغییرات کاربری بسیار مهم است به دلیل این‌که فرایندهای مربوط به برخورد و تماس بشر با طبیعت می‌تواند اثرات گسترده‌ای بر محیط، تغییر چرخه‌های هیدرولوژیک، بیوژئوشیمیایی، اندازه و آرایش بوم‌های طبیعی مانند جنگل و تنوع گونه‌ها بگذرد (Pijanowski et al, 2002). تاکنون مطالعات مختلفی در زمینه دمای سطح زمین در رابطه با تغییرات کاربری اراضی در خارج و داخل کشور انجام شده است برای مثال، آلن1 و همکاران (2003)، در آیداهو به‌منظور برآورد تبخیر تعرق به‌عنوان یکی از عوامل مؤثر در این پارامتر به محاسبه دمای سطح زمین به روش سبال با استفاده از تصویر لند ست 5 و 7 پرداختند. تور سیلواتی 2و همکاران (2011)، در تحقیقی به بررسی ارتباط بین پدیده جزیره حرارتی شهر و تغییرات کاربری،پوشش گیاهی زمین با استفاده از دادههای لندست در سال 1989 و 2002 در جاکارتای اندونزی پرداختند. روش‌های اصلی به کار گرفته‌شده در آن تحقیق طبقه‌بندی نظارت‌نشده، ماتریکس روی‌هم گذاری، تحلیل آماری پلات‌جعبه‌ای برای کاربری پوشش زمین و سنجش از دور حرارتی برای تخمین دمای سطحی بوده است. سورش و همکاران (2016)، که با استفاده از روش SW نقشه LST تهیه شده بود نشان داد که LST در مناطق بیابانی، بیشترین مقدار و در مناطقی با پوشش گیاهی متراکم، کم‌ترین مقدار خواهد بود. نتایج این تحقیق مشخص کرد که با توجه به این‌که روش SW به‌منظور استخراج LST از هر دو باند حرارتی لندست 8 استفاده می‌کند بنابراین نقشه‌های حرارتی حاصل مطمئن‌ترین و دقیق‌تر خواهد بود. هیرهر3 (2017)، در پژوهشی به بررسی تأثیر تغییرات اراضی و پوشش سطح زمین دلتای نیل در مصر بر روی دمای سطح زمین در طی دورهای 11 ساله پرداخت. نتایج حاکی از آن بود که کاهش اراضی کشاورزی و تبدیل آن به اراضی شهری باعث افزایش 7/1 درجه سانتیگراد دمای سطح زمین شده است. همچنین در مناطقی که اراضی بایر به اراضی کشاورزی تبدیل شده است، دمای سطح زمین 52/0 درجه سانتی گراد کاهش داشته است. وانگ4 و همکاران (2019)، در پژوهشی تغییرات کاربری اراضی و دمای سطح زمین را در دلتای رودخانه پیارل در چین به صورت چندزمانه بررسی کردند. نتایج نشان داد رشد شهر در این ناحیه و الگوهای دمای سطح زمین با تخریب کاربری اراضی افزایش یافته است. اگر چه جزایر حرارتی شهری به طور گسترده‌ای در مناطق مختلف مورد بررسی قرار گرفته‌اند اما مطالعات کمی پیرامون تغییرات دمای سطح زمین در مناطق سرد و نیمه خشک صورت گرفته است. در حالی که مناطق مدیترانه‌ای و گرمسیری در طول روز شاهد وقوع جزایر حرارت شهری هستند، مناطق شهری سرد و نیمه خشک نسبت به محیط پیرامونی خود غالبا دمای کمتری دارند و جزایر خنک شهری را تجربه می‌کنند. رضوان و همکاران (2022)، به منظور تحلیل تغییرات فضایی و زمانی و پیش‌بینی تغییرات کاربری و پوشش زمین را با استفاده از پلاگین QGIS MOLUSCE و دادههای سنجش از دوردر منطقه لینی5، چین را مورد مطالعه قرار دادند. زینالی و همکاران (1400)، به منظور پایش دمای سطح زمین و بررسی رابطه کاربری اراضی با دمای سطح با استفاده از تصاویر سنجنده OLI، ETM+ در شهرستان پارس آباد پرداختند. نتایج آن‌ها حاکی از این بود که رابطه قوی بین کاربری اراضی و دمای سطحی وجود دارد. مناطق با پوشش گیاهی بالا و مناطق آبی دارای درجه حرارت پایین بودند. خاک دارای بالاترین میانگین دما در هر دو سال است که دارای دمای 80/40 برای سال 2002 و دمای 29/42 برای سال 2018 می‌باشد. همچنین کم‌ترین دمای ثبت شده برای هر دو سال مربوط به مناطق آبی است با توجه به این‌که آب دارای ظرفیت گرمایی بالایی می‌باشد. ساعد پناه و همکاران (1400)، بررسی تأثیر تغییرات کاربری اراضی بر دمای سطح زمین در مناطق در بخش مرکزی شهرستان سنندج پرداختند. آن‌ها به این نتیجه رسیدند که مناطق شهری، اراضی کشاورزی و پوشش‌های گیاهی و آبی طی سال‌های 2000 تا 2019، به ترتیب 15/6 درجه سانتی گراد به 39/51 درجه سانتی گراد افزایش یافته است. بیشترین دمای سطحی در هر دو سال مذکور متعلق به اراضی بایر بوده است. پوشش‌های گیاهی و آب در سال‌های مورد مطالعه کم‌ترین دمای سطحی را به خود اختصاد داده‌اند. قیصوری و همکاران (1400)، در تحقیقی به بررسی اثرات تغییرات کاربری اراضی بر دمای حوزه آبخیز شمالی استان ایلام پرداختند. نتایج نشان داد که در طی شش سال مورد نظر سطح کاربری‌های آب، مرتع، اراضی کشاورزی و باغی به‌ترتیب 15/0، 87/3، 42/3، درصد افزایش و سایر کاربری ها مانند جنگل و اراضی بایر به ترتیب 33/13 و 11/0 درصد کاهش داشته‌اند. همچنین الگوریتم دمایی با استفاده از شاخص LST و ایجاد جزایر حرارتی نشان داد میانگین دمای منطقه در دوره پایه (سال 1393) معادل 02/31 درجه سانتی گراد بوده که در پایان دوره مورد بررسی به 88/31 درجه سانتی گراد رسیده و در طی شش سال 68/0 درجه سانتی گراد دما افزایش داشته است. عابدینی و همکاران (1401)، در تحقیقی به پایش دمای سطح زمین و بررسی رابطه کاربری اراضی با دمای سطح با استفاده از تصاویر سنجنده OLI, TM در شهرستان مشگین شهر پرداختند. نتایج آن‌ها نشان داد که رابطه قوی بین کاربری اراضی و دمای سطحی وجود دارد. مناطق با پوشش گیاهی بالا و مناطق آبی دارای درجه حرارت پایین بودند. همچنین کاربری کشاورزی دیم دارای بیشترین میانگین دما نسبت به مناطق مجاور بود که نشان از خشک بودن محصولات کشاورزی در سطح شهرستان مشگین‌شهر است.هدف از این پژوهش پایش دمای سطح زمین در رابطه با تغییرات کاربری اراضی در حوضه آبخیز صوفیچای مراغه می‌باشد.
مواد و روش‌ها
موقعیت جغرافیایی منطقه موردمطالعه
حوضه آبخیز صوفیچای با مساحتی معادل 09/883 کیلومترمربع در یک منطقه کوهستانی در شمال غرب ایران بین طول‌های شرقی (ʺ23-ʹ26-˚46) تا (ʺ57-ʹ56-˚45) و عرض‌های شمالی (ʺ59-ʹ44-˚37) تا (ʺ45-ʹ14-˚37) واقع‌شده است (شکل 1). این حوضه که در دامنه جنوبی سهند قرارگرفته است یکی از حوضه‌های دریاچه ارومیه به شمار می‌رود. از سمت شمال با حوضه‌های لیقوان‌چای و کندچای از سمت شرق با حوضه مُردَق‌چای و از سمت غرب با حوضه قلعه چای محدودشده است.
شکل 1: تصویر موقعیت حوضه آبخیز صوفی چای در ایران و استان آذربایجان شرقی (منبع: نویسندگان، (1401
مواد و روش
در تحقیق حاضر از تصویر ماهوارهای لندست 86 که از سنجنده OLI آن برای استخراج کاربری اراضی و از سنجنده TIRS آن برای به‌منظور استخراج دمای سطح زمین برای سال 2020 استفاده شد و از تصویر ماهوارهای لندست 57 سنجنده TM برای استخراج کاربری اراضی و از باند حرارتی آن (باند6) برای استخراج دمای سطح زمین برای سال 1992 استفاده شد(جدول 1). تصاویر در فصل تابستان به‌منظور نبود پوشش‌های ابری و برفی بالا و همچنین بالا بودن شدت تابش نور خورشید اخذ شد. برای طبقه‌بندی کاربری اراضی برای سال‌های 1992 و 2020 و تغییرات کاربری اراضی از روش نظارت‌شده و با استفاده از روش حداکثر شباهت8 استفاده شد. جدول شماره 1 اطلاعات تصاویر استفاده‌شده در این تحقیق را نشان می‌دهد. تصاویر فوق از سایت زمین‌شناسی آمریکا9 اخذ شد. بعد از دانلود تصاویر به‌منظور آماده‌سازی براي طبقه‌بندي و انجام پردازش بر روي آن‌ها، ابتدا پيش‌پردازش‌هاي لازم بر روي تصاوير صورت گرفت.
ابتدا تصحيحات رادیو متریکی و اتمسفري بر روي هركدام از تصاوير محدوده موردمطالعه اعمال شد. پیش‌پردازش تصاوير در نرم‌افزار ENVI 5.3.1 صورت گرفت. سپس به‌منظور طبقه‌بندي پيكسل پايه، نمونه‌هاي تعليمي از طبقه‌هاي مختلف برداشت شد علاوه بر این از دادههای گوگل ارث برای برداشت نمونه‌های آموزشی و نقاط کنترل زمينی استفاده شد. سپس از روش حداكثر شباهت براي طبقه‌بندي پیکسل پایه در نرم‌افزار ENVI 5.3.1 استفاده شد. درنهایت به‌منظور گرفتن خروجي نهايي طبقه‌بندی به نرم‌افزار ArcMap 10.8 انتقال داده شد.
روز/ شب | ستون | سطر | درصد پوشش ابر | ارتفاع خورشید | زاویه خورشید | زمان به‌وقت گرینویچ | تاریخ |
روز | 168 | 34 | 2 | 28969127/53 | 89824879/122 | 06:54:57 | 17/08/1992 |
روز | 168 | 34 | 0 | 26425094/64 | 34401833/125 | 07:32:18 | 21/07/2020 |
جدول 1: مشخصات تصاویر لند ست 5 و 8
(منبع: متادیتا تصاویر)
پلاگین LST در QGIS
این افزونه با استفاده از زبان برنامه‌نویسی پایتون ساخته‌شده است. این زبانی است که توسط رابط برنامه‌نویسی برنامه QGIS (API) پشتیبانی می‌شود، مستقل از سیستم‌عامل است و توسط انواع کتابخانه‌های فضای منبع باز پشتیبانی می‌شود. برای فعال کردن بیشتر پردازش شطرنجی، کتابخانه جمع‌آوری دادههای فضایی (GDAL) و PyQt4
از چارچوب برای ایجاد افزونه QGIS مبتنی بر گرافیک منبع باز استفاده‌شده است (میلتون و اوگور10 2016). لذا در این پژوهش برای محاسبه دمای سطح زمین به روش Plank از پلاگین Land Surface Temperature در نرم افزار متن باز QGIS استفاده است. بدین صورت که برای محاسبه دمای سطح زمین به روش Plank نیاز به Brightness land surface و Temperature Raster emissivity raster بود که در این پلاگین نیز مورد محاسبه قرار گرفتند و در نهایت با روش Plank دمای سطح زمین براساس درجه سلسیوس برای سال‌های 2020-1992 محاسبه شد.
شاخص NDVI
این شاخص طیفی برای مطالعه پوشش گیاهی از جهت میزان کلروفیل موجود در آن طراحی‌شده است .هرچه
میزان کلروفیل موجود در گیاه بیشتر باشد به همان میزان شاخص NDVI افزایش پیدا می‌کند بازه مقادیر در شاخص NDVI بین منفی یک تا مثبت یک متغیر است. عموماً مقادیر کمتر از صفر به‌عنوان نواحی مرطوب و آب
در نظر گرفته می‌شوند. مقادیر بین 4 تا 5/4 نیز پوشش‌های خاک و مراتع را شامل می‌شوند. مقادیر بیشتر از 4/5
نیز نشان‌دهنده پوشش گیاهی در منطقه موردمطالعه است (آرخی و نیازی، 1389). در این پژوهش به‌منظور به دست آوردن دقت بالاتر در طبقه‌بندی از این شاخص به‌عنوان یکی از پارامترها استفاده شد این شاخص با استفاده از رابطه (1) دست می‌آید و جدول شماره 2 نشان دهنده طبقه‌بندی آن است.
رابطه 1 | NDVI=(BNIR-BRED)/( BNIR+BRED)
|
جدول 2: برآورد میزان انتشار پذیری با استفاده از NDVI
Land surface emissivity | NDVI |
0.995 | NDVI<-0.185 |
0.970 | -0.185≤NDVI<0.157 |
1.0094+0.047ln(NDVI) | 0NAVI≤NDVI<0.727 |
0.990 | NDVI>0.727 |
ارزیابی و صحت سنجی نتایج
دقت كاربر از تقسيم تعداد اشياء طبقه‌بندی‌شده در هر رده بر كل اشياء طبقه‌بندی‌شده در آن رده به دست مي‌آيد که از طریق رابطه (1) محاسبه می‌شود. دقت تولیدکننده، بیانگر دقت طبقه‌بندی پیکسل‌های مربوط به یک کلاس خاص در نقشه واقعیت زمینی است. به‌بیان‌دیگر این عدد بیانگر احتمال این است که طبقه‌بندی کننده پیکسلی را به یک کلاس خاص نسبت داده باشد، درصورتی‌که کلاس واقعی آن مشخص باشد که از طریق رابطه (2) محاسبه می‌شود. دقت كلي يكي از ساده‌ترين پارامترهاي دقت است كه نياز به عمليات پیچیده‌ای براي محاسبه ندارد، دقت کلی میانگینی از دقت طبقه‌بندی است که نسبت پیکسل‌های صحیح طبقه‌بندی‌شده به جمع کل پیکسل‌های معلوم را نشان می‌دهد و از طریق رابطه (3) محاسبه می‌شود. تحليل كاپا یک تكنيک چندمتغيرة گسسته است كه ازنظر آماري براي مشخص كردن اختلاف اساسي ماتریس خطا در ارزیابي صحت به‌كار گرفته مي‌شود. مقدار ضریب كاپا بين صفرتا یک است. اگر مقدار K برابر با یک باشد، به معنای طبقه‌بندي كاملاً صحيح است؛ اگر مقدار آن صفر باشد، به معنای طبقه‌بندي كاملاً تصادفي است و اگر مقدار K منفي باشد، به معنای ضعف طبقه‌بندي است كه بر اساس رابطه (4) محاسبه مي‌شود.خطاهای Commission و Omission بر اساس اطلاعات ماتریس خطا برای هر کلاس مجزا محاسبه می‌شود. خطای (Ce) Commission که بر اساس دقت کاربر محاسبه می‌گردد (رابطه 5)، معادل آن درصد از پیکسل‌هایی است که درواقع متعلق به کلاس موردنظر نیستند ولی طبقه‌بندی کننده آن‌ها را جزو آن کلاس خاص در نظر گرفته است. خطای Omission مربوط به آن درصد از پیکسل‌هایی است که در واقعیت، مربوط به کلاس موردنظر است ولی جزو کلاس‌های دیگر طبقه‌بندی‌شده‌اند از طریق رابطه (6) محاسبه می‌شود. دقت كاربر، دقت تولیدکننده، Commission، Omission، دقت كلي و ضريب كاپا در جدول‌های 3 و 4 به ترتیب برای سال 1992 و 2020 نمايش داده شد است.
رابطه (1) |
| |||
رابطه (2) |
| |||
رابطه (3) |
| |||
رابطه (4) |
| |||
رابطه (5) | Ce=1-U.A. | |||
رابطه (6) | Oe=1-P.A. | |||
رابطه 2 | BT= | |||
رابطه 2 |
| |||
Omission | Commission | تولیدکننده | کاربر | نوع کلاس |
20.28 | 18.63 | 79.72 | 81.37 | مسکونی |
5.61 | 23.58 | 94.39 | 76.42 | کشت دیم |
0.00 | 0.68 | 100 | 99.32 | آبی |
6.28 | 28.42 | 93.72 | 71.58 | نمکی |
4.55 | 16.24 | 95.45 | 83.76 | باتلاق |
0.00 | 3.59 | 100 | 96.41 | مرتع |
7.91 | 0.64 | 92.09 | 99.36 | کوهستانی نوع1 |
4.97 | 1.28 | 95.03 | 98.72 | کوهستانی نوع2 |
7.15 | 4.18 | 92.58 | 95.82 | کشاورزی پرتراکم |
6.00 | 12.76 | 94.00 | 87.24 | کشاورزی کم تراکم |
2.49 | 9.55 | 97.51 | 90.45 | بایر |
99.84 | صحت کلی | |||
0.9642 | ضریب کاپا | |||
(منبع: نویسندگان، 1401)
جدول 4: دقت کلی، ضریب کاپا، دقت تولیدکننده، دقت کاربر و دقت Commission و Omission برای سال 2020
Omission | Commission | تولیدکننده (حداکثر شباهت) | کاربر (حداکثر شباهت) | نوع کلاس |
1.03 | 25.58 | 98.97 | 74.42 | مسکونی |
0.52 | 7.70 | 99.48 | 92.30 | کشت دیم |
2.14 | 0.27 | 97.86 | 99.73 | آبی |
2.08 | 0.62 | 97.92 | 99.38 | نمکی |
3.26 | 5.16 | 96.74 | 94.84 | باتلاق |
8.94 | 1.77 | 91.06 | 98.23 | مرتع |
2.72 | 0.31 | 97.28 | 99.69 | کوهستانی نوع1 |
2.78 | 0.07 | 97.22 | 99.93 | کوهستانی نوع2 |
5.66 | 3.50 | 94.34 | 96.50 | کشاورزی پرتراکم |
5.08 | 15.08 | 94.92 | 84.92 | کشاورزی کم تراکم |
1.18 | 2.01 | 98.82 | 97.99 | بایر |
99.78 | صحت کلی | |||
0.9624 | ضریب کاپا | |||
(منبع: نویسندگان، 1401)
با توجه جدول 4، به نتایج صحت سنجی برای سال 2020 که صحت کلی آن برابر با 99.78 و ضریب کاپا آن برابر با 0.96 است می‌توان گفت که طبقه‌بندی کاربری اراضی برای این سال نیز با دقت قابل قبولی طبقه‌بندی‌شده‌اند. کلاس دیم با 99.48 بادقت‌ترین کلاس برای این سال است. در نهایت تغییرات حوضه آبخیز صوفیچای از سال 1992 تا 2020 که در شکل 7 ارائه شده است بیشترین تغییرات افزایش سطح آبی و به دنبال آن زمین‌های کشاورزی پرتراکم و کم‌ترانم همچنین بیشتر شدن مناطق مسکونی و کم شدن مراتع نسبت به سال 1992 و بیشتر شدن سطح کوهستانی این منطقه را نشان می‌دهد.
شکل 7: تصویر تغییرات کاربری اراضی از سال 1992 تا 2020 حوضه آبخیز صوفیچای (منبع: نویسندگان، 1401)
رابطه دمای سطح زمین با کاربری اراضی
بعد از استخراج نقشه تغییرات کاربری اراضی به‌منظور استخراج دمای سطح زمین در بازه زمانی موردنظر(1992-2020) اقدام شد و نقشه حاصل از آن نیز استخراج گردید شکل(8).
شکل 8: تصویر نقشه دمای سطح زمین سال 1992 و 2020 به روش Plank (منبع: نویسندگان، 1401) |
جدول 5: میانگین دمای سطح زمین‌بر اساس نوع کاربری سال 1992
میانگین دما 1992 | نوع کاربری |
33.66 | باتلاق نمکی |
37.40 | بایر |
36.16 | دیم |
28.28 | کشاورزی نوع 1 |
31.10 | کشاورزی نوع 2 |
24.73 | مرتع |
34.94 | مسکونی |
35.46 | نمکی |
36.55 | کوهستانی قره قوشون |
32.61 | کوهستانی سهند |
34.32 | ساحل دریاچه ارومیه |
(منبع: نویسندگان، 1401)
جدول 6: میانگین دمای سطح زمین‌بر اساس نوع کاربری سال 2020
میانگین دما 2020 | نوع کاربری |
34.99 | آب |
38.90 | کشاورزی نوع 1 |
43.26 | کشاورزی نوع 2 |
51.12 | باتلاق |
49.90 | بایر |
48.89 | دیم |
46.63 | کوهستانی سهند |
51.32 | کوهستانی قره قوشون |
30.54 | مرتع |
45.94 | مسکونی |
50.75 | نمکی |
(منبع: نویسندگان، 1401)
رابطه دمای سطح زمین با پوشش گیاهی(NDVI)
در این پژوهش با بررسی رابطه بین دمای سطحی و پوشش گیاهی با استناد بر دادههای آماری مشخص شد که ارتباط قوی بین دمای سطح زمین و پوشش گیاهی برقرار است. به این صورت که نواحی عاری از پوشش گیاهی دارای دمای سطحی بالاتری نسبت به نواحی است که دارای پوشش گیاهی می‌باشند. نواحی دارای پوشش گیاهی با تراکم زیاد برای سال 1992 دارای میانگین دمای 28.28 درجه است درحالی‌که در این سال نواحی بدون پوشش گیاهی همچون مناطق شهری دارای میانگین دمایی حدود 94 /34 درجه سانتیگراد است که نشان از تأثیر پوشش گیاهی بر دمای سطحی است. همچنین در سال 2020 نیز همین فرآیند مشاهده می‌شود به‌طوری‌که کاربری کشاورزی نوع 1 دارای میانگین دمای 90/38 درجه بوده درحالی‌که کاربری شهری عاری از پوشش گیاهی دارای میانگین دمای 94/45 درجه سانتیگراد بوده است. به دلیل اهمیت نقش پوشش گیاهی در دمای سطح زمین، نقشه پوشش گیاهی منطقه موردمطالعه نیز استخراج شد تا به این طریق درک بهتری از رابطه پوشش گیاهی با دمای سطح زمین به دست آید شکل(9).
شکل 9: تصویر نقشه شاخص نرمال شده پوشش گیاهی(NDVI) سال 1992 و 2020 (منبع: نویسندگان، 1401)
نتیجه‌گیری
در اين پژوهش به بررسي تغییرات کاربری اراضی حوضه آبخیز صوفی چای برای سال‌های 1992 و 2020 با استفاده از روش پيكسل پايه پرداخته شد. نتايج به‌دست‌آمده بيانگر صحت طبقه‌بندي به روش پیکسل پایه است. با توجه به يافته‌هاي تحقيق، دقت كل در نقشه‌هاي طبقه‌بندي با استفاده از روش حداکثر شباهت برای سال 1992 برابر با 84/99 و برای سال 2020، 78/99 به دست آمد. بر اساس نقشه کاربری اراضی حوضه آبخیز صوفی چای مربوط به سال 1992 که با روش حداكثر شباهت استخراج‌شده است، بيشترين كاربري‌ها در درجه نخست مربوط به بخش کوهستانی نوع 1 است كه مساحتي به‌تقریب 320.42 كيلومترمربع را دارا است. سپس كاربري دیم با مساحتي بالغ‌بر 09/191 کیلومترمربع و كاربري كشاورزي پرتراکم با مساحت 29/74 کیلومترمربع بيشترين مساحت‌ها را دارا مي‌باشند. مساحت كاربري‌ها در سال 2020 نيز نشان مي‌دهد كه بيشترين كاربري‌ها مربوط به کوهستانی نوع 1، دیم و مسکونی است. هم‌چنين با توجه به اينكه آگاهي از الگوهاي كاربري اراضي و تغييرات آن‌ها در طول زمان پيش‌نيازي براي استفاده مطلوب از سرمايه ملي است، ازاین‌رو استخراج نقشه‌هاي كاربري اراضي به‌عنوان مهم‌ترين هدف در مديريت كاربري‌هاي اراضي مي‌تواند مورد توجه قرار گيرد. همچنین نتایج رابطه بین دمای سطح زمین با پوشش گیاهی نشان داد که در این پژوهش با بررسی رابطه بین دمای سطحی و پوشش گیاهی با استناد بر دادههای آماری مشخص شد که ارتباط قوی بین دمای سطح زمین و پوشش گیاهی برقرار است. به این صورت که نواحی عاری از پوشش گیاهی دارای دمای سطحی بالاتری نسبت به نواحی است که دارای پوشش گیاهی می‌باشند. نواحی دارای پوشش گیاهی با تراکم زیاد برای سال 1992 دارای میانگین دمای 28.28 درجه است درحالی‌که در این سال نواحی بدون پوشش گیاهی همچون مناطق شهری دارای میانگین دمایی حدود 94 /34 درجه سانتیگراد است که نشان از تأثیر پوشش گیاهی بر دمای سطحی است. همچنین در سال 2020 نیز همین فرآیند مشاهده می‌شود به‌طوری‌که کاربری کشاورزی نوع 1 دارای میانگین دمای 90/38 درجه بوده درحالی‌که کاربری شهری عاری از پوشش گیاهی دارای میانگین دمای 94/45 درجه سانتیگراد بوده است. زینالی و همکاران، (1400) به پایش دمای سطح زمین و بررسی رابطه کاربری اراضی با دمای سطح با استفاده از تصاویر سنجنده OLI و ETM+ در شهرستان پارس آباد پرداختند. نتایج نشان داد که رابطه قوی بین کاربری اراضی و دمای سطحی وجود دارد. مناطق با پوشش گیاهی بالا و مناطق آبی دارای درجه حرارت پایین بودند. خاک دارای بالاترین میانگین دما در هر دو سال است که دارای دمای 80/40 برای سال 2002 و دمای 29/42 برای سال 2018 می‌باشد. درویشی و همکاران (1398) به بررسی دمای سطح زمین با استفاده از تأثیر شاخص‌های گیاهی و خصوصیات سطح شهری پرداختند. نتایج تحقیق آن‌ها نشان داد که بیشترین دما در طبقات با پوشش گیاهی ضعیف و کم‌ترین دما در طبقات با پوشش گیاهی متراکم رخ داده است. بنابراین کاهش پوشش گیاهی و رشد نواحی مسکونی نقش موثری در افزایش دمای سطح زمین دارد. فیضی زاده و همکاران (1395) به بررسی دمای سطح زمین با استفاده از تصاویر ماهواره لندست و الگوریتم پنجره مجزا پرداختند که نتایج نشان داد که بین پوشش گیاهی و دمای سطح زمین رابطه قوی وجود دارد چنان که منطقه دارای پوشش گیاهی دارای حداقل دما و مناطق عاری از پوشش گیاهی دارای حداکثر دما می‌باشند که نشان دهنده اهمیت پوشش گیاهی در منطقه می‌باشد.
منابع
· آرخي، صالح؛ نيازي، يعقوب. (1389). بررسي كاربرد RS و GIS براي تخمين فرسايش خاك و بار رسوب با استفاده از مدل RUSLE در حوضه بالادست سد ايلام، پژوهش‌هاي حفاظت آب و خاك، 17(2): 27-1.
· اشرف، بتول؛ فریدحسینی، علیرضا؛ میانآبادی، آمنه. (1391). بررسی جزیره حرارتی شهر مشهد با استفاده از تصاویر ماهوارهای و نظریه فرکتال. مجله جغرافیا و مخاطرات محیطی، 1(1): 48-35.
· درویشی، شادمان؛ سلیمانی، کریم؛ رشیدپور، مصطفی. (1398). تأثیر شاخص‌های گیاهی و خصوصیات سطح شهری بر تغییرات دمای سطح زمین مطالعه موردی شهر ستان سنندج. نشریه سنجشازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 10(1): 35-17.
· درویشی، شادمان؛ سلیمانی، کریم؛ رشیدپور، مصطفی. 1398. تأثیر شاخص های گیاهی و خصوصیات سطح شهری بر تغییرات دمای سطح زمین (مطالعه موردی: شهرستان سنندج)، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 10(1): 35-17.
· زینالی، بتول؛ اصغری سراسکانرود، صیاد؛ محمدزاده شیشه گران، مریم؛ قلعه، احسان. (1400). پایش دمای سطح زمین و بررسی رابطه کاربری اراضی با دمای سطح با استفاده از تصاویر سنجنده OLI و ETM+ (مطالعه موردی: شهرستان پارس آباد)، پژوهش‌های اقلیم شناسی، 12(46): 114-101.
· ساعدپناه، مهین؛ امان اللهی، جمیل؛ قربانی، فرشید. (1400). بررسی تأثیر تغییرات کاربری اراضی بر دمای سطح زمین در مناطق سرد و نیمه خشک (مطالعه موردی: بخش مرکزی شهرستان سنندج)، محیط زیست طبیعی، منابع طبیعی ایران، 74(1): 82-69.
· عابديني، موسی؛ قلعه، احسان؛ آقازاده، نازفر؛ محمد زاده شيشه گران، مریم. (1400). پايش دماي سطح زمين و بررسي رابطه كاربري اراضي با دماي سطح با استفاده از تصاوير سنجنده OLI و TM، نشريه تحقيقات كاربردي علوم جغرافيايي، 67(22): 392-275.
· عابدینی، موسی؛ قلعه، احسان؛ آقازاده، نازفر؛ محمدزاده شیشه گران، مریم. (1401). پایش دمای سطح زمین و بررسی رابطه کاربری اراضی با دمای سطح با استفاده از تصاویر سنجنده OLI و TM، مطالعه موردی: (شهرستان مشگین‌شهر)، تحقیقات کاربردی علوم جغرافیایی، 22(67): 393-375.
· فیضی زاده، بختيار؛ هلالي، حسين. (1389). مقایسه روش‌هاي پيكسل پايه، شيءگرا و پارامترهاي تأثیرگذار در طبقه‌بندي پوشش كاربري اراضي استان آذربايجان غربي، نشريه پژوهش‌های جغرافيايي، 71: 84-73.
· فیضی‌زاده، بختیار؛ دیده‌بان، خلیل؛ غلام‌نیا، خلیل. 1395. برآورد دمای سطح زمین با استفاده از تصاویر ماهواره لندست 8 و الگوریتم پنجره مجزا مطالعه موردی: حوضه آبریز مهاباد، اطلاعات جغرافیایی، 25(98): 181-171.
· قیصوری، مرتضی؛ صابری، عارف؛ امیری، عاطفه؛ صباغ، سیده فاطمه. (1400). بررسی اثرات تغییرات کاربری اراضی بر دمای حوزه آبخیز شمالی استان ایلام، مدیریت جامع حوزه های آبخیز، 1(1): 43-29.
· Allen, R.G., Tasumi, M., Mors, A., 2002. Satellite based Evapotranspiration by METRIC and Landsat for western estates water management, US Bureau Reclamation Evapotranspiration workshop.
· Hereher, M.E., 2017. Effect of land use/cover change on land surface temperatures-The Nile Delta, Egypt. Journal of African Earth Sciences, 126: 83-75.
· Li, W. Zhou, Z. Ouyang, W. Xu and H. Zheng, “Spatial pattern of greenspace affects land surface temperature: evidence from the heavily urbanized Beijing metropolitan area”, China, Landscape ecology, 27(6): 887-898.
· Lin Liu; Yuanzhi Zhang. Urban Heat Island Analysis Using the Landsat TM Data and ASTER Data: A Case Study in Hong Kong. Remote Sensing, 3: 1535-1552.
· Lu, D. P. Mausel, E. Brondi´zio and E. Moran .(2004). Change detection techniques, INT. J. Remote Sensing, 25(12): 2365–2407.
· Pijanowski, B.C., Brown, D.G., Shellito, B.A., and Manik, G.A. (2002). Using neural networks and GIS to forecast land use change; A Land Transformation Model. Computers Environment and Urban Systems, 26: 553-575.
· Rizwan, M., Wenyin, ZH., Zaheer, A., Feng, G., Luc, G. (2022). Spatiotemporal Change Analysis and Prediction of Future Land Use and Land Cover Changes Using QGIS MOLUSCE Plugin and Remote Sensing Big Data: A Case Study of Linyi, China, Land, https://doi.org/10.3390/ land11030419.
· Rozensten, O., Qin, Z., Derimian, Y., Karnieli, A., 2014, Derivation of land surface temperature for landsat – 8 TIRS using a split window algorithm. Sensor, 4(14): 5768-5780.
· Srivastava, P. K., Majumdar, T. J., and Bhattacharya, A. K.) 2009.( Surface Temperature Estimation in Singhbhum Shear Zone of India Using Landsat-7 ETM+ Thermal Infrared Data, Advances in Space Research, 43(10): 1563-1574.
· Weng, Q., Lu, D., and Schubring, J., (2004). Estimation of land surface temperature vegetation abundance relationship for urban heat island studies. Remote Sensing of Environment. 89: 467– 483.
[1] - Alen
[2] - Silvati
[3] - Hereher
[4] - Wang
[5] - Linyi
[6] - Landsat 8
[7] - Landsat 5
[8] - Maximum Likelihood Classification
[9] - Earthexplorer.usgs.gov
[10] - Meiltoon and Ougor
[11] - Lin
[12] - Zhang
[13] -Loo and Vang
[14] - Plank
[15] - Sinha et al
Related articles
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2024