Study of the relationship between land use and vegetation changes with the land surface temperature in Namin County

Subject Areas : Applications in earth’s climate change

Azad Kakehmami ¹ (PhD. Student of Rangeland Science, Department of Natural Resources, Faculty of Agricultural and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran)
Ardavan Ghorbani ² (Professor, Department of Natural resources, Faculty of Agricultural and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran)
Sayyad Asghari Sarasekanrood ³ (Associate Professor, Department of Natural Geography, Faculty of Humanities, University of Mohaghegh Ardabili, Ardabil, Iran)
Ehsan Ghale ⁴ (PhD. Student of Geomorphology, Department of Natural Geography, Faculty of Humanities, University of Mohaghegh Ardabili, Ardabil, Iran)
Sahar Ghafari ⁵ (PhD. of Rangeland Science, Department of Natural Resources, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran)

Received: 2019-12-24 Accepted : 2020-05-17 Published : 2020-06-21

Keywords: land use, Vegetation, Land surface temperature, Ardabil province analysis,

Abstract :

Background and ObjectiveRapid development of cities due to extensive changes in land use and land cover has had negative effects on global environmental quality. Land cover and  land use changes, and the development of urban and agricultural regions and deforestation are changing the regional and local temperature regime. Knowing the land surface temperature degrees contribute significantly to a wide range of issues relating to the Earth science such as urban climate, global environmental changes, and the study of the interaction of human and the environment. The lack of sufficient meteorological stations to be aware of temperature values in regions lacking a station is considered as a major flaw in monitoring the land surface temperature. Due to the information limitations, collecting data especially to a large extent,  is associated with many problems and obstacles, and the real-time access is difficult or impossible. Therefore, the need to use remote sensing technology with time conditions along with the feature of continuity and data collection in wide ranges can be very effective. The purpose of this study is to investigate the land surface temperature of Namin county in a period of 28 years and to compare the obtained results with land use and vegetation changes. Materials and MethodsThe data used in this study included  Landsat 8 satellite image of the OLI sensor in order to extract land use map and  TIRS sensor image to extract land surface temperature for the year 2015. Moreover, Landsat 5 satellite image of the TM sensor were used to extract land use map by using visible and infrared bands, and also to extract land surface temperature by using thermal bands for the year 1987. Images were taken in late spring and early summer due to the lack of high cloudy and snowy covers , as well as the high intensity of sunlight. The eCognition8.9 software was used for object-based classification. Classification in five classes (dry and irrigated farming, rangeland, forest and residential) and six classes (dry and irrigated farming, rangeland, forest, residential and water bodies) were selected  for the years 1987 and 2015 respectively. To assess the accuracy and comparison of the obtained maps, the error matrix, overall accuracy, and kappa statistics were used. Split-Window method was used to extract the land surface temperature of the study area. Finally, in order to analyze the relationship between land surface temperature with vegetation index, the correlation coefficients between land surface temperature and vegetation index were calculated based on land use types in the years 1987 and 2015. Results and Discussion The highest land use area in the years 1987 and 2015 belongs to the rangeland use with 43781 and 34114 hectares  respectively and the second land use area belongs to dry farming use with 23854 and 33277 hectares respectively. Moreover due to the lack of water use , the lowest land use area in 1987 belongs to residential use with 1301 hectares, while in 2015 with the construction of water structures, water use with an area of 86 hectares has the lowest land use area. The highest land use area increase was in the dry farming with 9423 hectares, which is a significant increase compared to 1987. The highest recorded temperature for Namin county in 1987 and 2015 was related to dry farming use (34°C and 27°C, respectively), indicating the concentration of heat in these regions. This type of land use has the highest temperature due to the factors such as the dryness of the products at this time and the harvest of the products. In 1987, dry farming use had the highest temperature (34°C), but in 2015 it experienced a decrease in temperature (27°C), despite the fact that it had the highest land surface temperature compared to other  types of land uses in 2015. The reason can be attributed to the factor of harvesting crops. Due to the fact that the rainfed crops in the study area are mostly wheat, and at this time of the season, most of the wheat is ripe or harvested, so the transpiration of these products is insignificant. The lowest recorded temperatures in Namin county are related to the uses of water bodies (21°C), forest (21°C) and irrigated farming (22°C), respectively. Since water has a high heat capacity, it has the greatest effect on reducing the temperature. In forest and irrigated farming land uses, due to the higher vegetation density, the land surface temperature has the lowest value (23°C and 24°C in 1987 and 21°C and 22°C in 2015 respectively) compared to the other land use types. Agricultural land use in this area has the lowest land surface temperature (24°C in 1987 and 21°C in 2015) after forest areas. Due to the fact that the crops cultivated in this area are plants such as potatoes and these plants have more water needs, therefore these plants have a high greenness value at June to early July, which has led to more transpiration in the area where they are cultivated than other areas, thus it has been very effective in keeping the land surface temperature cool. The rangeland use has had high land surface temperatures (27°C and 25°C, respectively) in the two study  years, and there is little difference between the two years. According to the study season which was late June to early July, the high temperature of this land use type is due to the increase in the areas lacking canopy cover or areas having low or scattered vegetation. Due to the fact that in August, most of the leaves and brunches of the existing plants are dry and the transpiration is low, high temperatures are also recorded. The relationship between land surface temperature and vegetation index in rangeland use in the two study years had the highest correlation (0.91 in 1987 and 0.83 in 2015), while the correlation coefficient of the forest use was the lowest (0.46 in 1987 and 0.23 in 2015). Conclusion Land use type and land use and vegetation changes have a significant effect on land surface temperature changes. However, areas without vegetation have a higher land surface temperature than the areas with vegetation. The results showed that there was no significant correlation between vegetation cover and land surface temperature, which is mainly due to sufficient vegetation. In general, the results showed that in most areas with lower temperatures, there is high density vegetation indicating an inverse relationship between vegetation index and land surface temperature.

References:

Aboelnour M, Engel BA. 2018. Application of remote sensing techniques and geographic information systems to analyze land surface temperature in response to land use/land cover change in Greater Cairo Region, Egypt. Journal of Geographic Information System, 10(1): 57-88. doi:https://doi.org/10.4236/jgis.2018.101003.

Ahmadi B, Ghorbani A, Safarrad T, Sobhani B. 2015. Evaluation of surface temperature in relation to land use/cover using remote sensing data. Journal of RS and GIS for Natural Resources, 6(1): 61-77. (In Persian)

Ahmadi M, Ashorlo D, Narangifard M. 2013. Temporal–spatial variation and thermal patterns, using ETM⁺ and TM data for Shiraz city. Iranian Journal of Remote Sencing and GIS, 4(4): 55-67. (In Persian)

Akbari E, Ebrahimi M, Fiezizadeh B, Nezhadsoleimani H. 2016. Evaluating Land Surface Temperature related to the Land use Change Detection by Satellite Image (Case study: Taleghan Basin). Journal of Geography and Environmental Planning, 26(4): 151-170. (In Persian)

Asghari Saraskanroud S, Emami H. 2019. Monitoring the earth surface temperature and relationship land use with surface temperature using of OLI and TIRS Image. Journal of Researches in Geographical Sciences, 19(53): 195-215. doi:https://doi.org/10.29252/jgs.19.53.195. (In Persian)

Du Y, Wu D, Liang F, Li C. 2013. Integration of case-based reasoning and object-based image classification to classify SPOT images: a case study of aquaculture land use mapping in coastal areas of Guangdong province, China. GIScience & Remote Sensing, 50(5): 574-589. doi:https://doi.org/10.1080/15481603.2013.842292.

Feizizadeh B, Didehban K, Gholamnia K. 2016. Extraction of Land Surface Temperature (LST) based on landsat satellite images and split window algorithm Study area: Mahabad Catchment. Journal of Geographical Data, 98: 171-182. (In Persian)

Ganasri BP, Dwarakish GS. 2015. Study of Land use/land Cover Dynamics through Classification Algorithms for Harangi Catchment Area, Karnataka State, INDIA. Aquatic Procedia, 4: 1413-1420. doi:https://doi.org/10.1016/j.aqpro.2015.02.183.

García-Haro F, Camacho-de Coca B, Meliá J, Martínez B. 2005. Operational derivation of vegetation products in the framework of the LSA SAF project. EUMETSAT Meteorological Satellite Conference. Dubrovnik (Croatia). September 19-23 (Eumetsat Publ.: Darmstad). In., pp 1-6.

Ghorbannia Kheybari V, Mirsanjari M, Liaghati H, Armin M. 2017. Estimating land surface temperature of land use and land cover in Dena county using single window algorithm and landsat 8 satellite data. Journal of Environmental Sciences, 15(2): 55-74. (In Persian)

Gondwe SV, Muchena R, Boys J. 2018. Detecting Land Use and Land Cover and Land Surface Temperature Change in Lilongwe City, Malawi. Journal of Remote Sensing & GIS, 9(2): 17-26.

Heidari MA, Tavakoli A. 2017. Analyzing of the Relationship Between Land Surface Temperature Temporal Changes and Spatial Pattern of Land Use changes. The Journal of Spatial Planning, 21(3): 119-144. (In Persian)

Howarth PJ, Wickware GM. 1981. Procedures for change detection using Landsat digital data. International Journal of Remote Sensing, 2(3): 277-291. doi:https://doi.org/10.1080/01431168108948362.

Jensen JR. 2015. Remote sensing and digital image processing. Introductory Digital Image Processing A Remote Sensing Perspective: 1-34.

Johnson B, Tateishi R, Kobayashi T. 2012. Remote sensing of fractional green vegetation cover using spatially-interpolated endmembers. Remote Sensing, 4(9): 2619-2634. doi:https://doi.org/10.3390/rs4092619.

Kakeh Mami A, Ghorbani A, Kayvan Behjoo F, Mirzaei Mosivand A. 2017. Comparison of visual and digital interpretation methods of land use/cover mapping in Ardabil province. Journal of RS and GIS for Natural Resources, 8(3): 121-134. (In Persian)

Lillesand T, Kiefer RW, Chipman J. 2015. Remote sensing and image interpretation. John Wiley & Sons, 736p.

Lu D, Li G, Moran E, Freitas C, Dutra L, Sant’Anna S. 2012. A comparison of maximum likelihood classifier and object-based method based on multiple sensor datasets for land-use/cover classification in the Brazilian Amazon. Proceedings of 4th Geographic Object-Based Image Analysis (GEOBIA), Rio de Janeiro, Brazil: 7-9.

Mir Yaghoubzadeh M, Ghanbarpour M. 2009. The application of remote sensing data in land surface temperature estimation (A case study of the Westin watershed, East Azerbaijan). Journal of Rangeland, 4(2): 723-734. (In Persian)

Nduati EW, Murimi NM, Mundia CN. 2013. Effects of vegetation change and land use/land cover change on land surface temperature in the mara ecosystem. International Journal of Science and Research, 8(2): 22-28.

Rajeshwari A, Mani N. 2014. Estimation of land surface temperature of Dindigul district using Landsat 8 data. International Journal of Research in Engineering and Technology, 3(5): 122-126.

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.

Stehman SV. 2004. A critical evaluation of the normalized error matrix in map accuracy assessment. Photogrammetric Engineering & Remote Sensing, 70(6): 743-751. doi:https://doi.org/10.14358/PERS.70.6.743.

USGS L. 2015. 8 (L8) data users handbook. USGS: Reston, VA, USA, URL:http://earthexplorerusgsgov.

Valizadeh Kamran K, Gholamnia K, Eynali G, Moosavi M. 2017. Estimation land surface temperature and extract heat islands using split window algorithm and multivariate regression analysis (Case Study of Zanjan). Journal of Research and Urban Planning, 30(8): 33-50. (In Persian)

Veysi S, Naseri A, Hamzeh S, Moradi P. 2016. Estimation of sugarcane field temperature using Split Window Algorithm and OLI LandSat 8 satellite images. Journal of RS and GIS Techniques for Natural Resources, 7(1): 27-40. (In Persian)

Wan Z, Dozier J. 1996. A generalized split-window algorithm for retrieving land-surface temperature from space. IEEE Transactions on geoscience and remote sensing, 34(4): 892-905. doi:https://doi.org/10.1109/36.508406.

Xiong Y, Huang S, Chen F, Ye H, Wang C, Zhu C. 2012. The impacts of rapid urbanization on the thermal environment: A remote sensing study of Guangzhou, South China. Remote sensing, 4(7): 2033-2056. doi:https://doi.org/10.3390/rs4072033.

Yuan F, Bauer ME. 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. doi:https://doi.org/10.1016/j.rse.2006.09.003.

Zhi-qiang L, Zhou Q-g. 2011. Utility of Landsat Image in the Study of Land Cover and Land Surface Temperature Change. Procedia Environmental Sciences, 10: 1287-1292. doi:https://doi.org/10.1016/j.proenv.2011.09.206.

Full-Text:



بررسی رابطه تغییرات کاربری اراضی و پوشش گیاهی با دمای سطح زمین در شهرستان نمین

 

 

 

چکیده

با توجه به محدودیت ایستگاه‌های هواشناسی، سنجش‌از‌دور می‌تواند جایگزین مناسبی برای برآورد حرارت سطح زمین به‌عنوان شاخصی مهم در مطالعه مدل‌های تعادل انرژی باشد. هدف اصلی از این تحقیق بررسی رابطه‌ تغییرات دمای سطح زمین با تغییرات کاربری اراضی و پوشش گیاهی با استفاده از تصاویر ماهواره‌ای است. به‌همین منظور با استفاده از تصاویر سنجنده‌های  OLIو  TIRSاز هشتمین سری ماهواره‌های LANDSAT و سنجنده TM از پنجمین سری آن، الگوی دمای سطح زمین و همچنین نقشه کاربری برای پایش تغییرات کاربری شهرستان نمین از توابع استان اردبیل در بازه زمانی 1987 تا 2015 استخراج شد. به‌منظور تجزیه و تحلیل ارتباط بین دمای سطح زمین با شاخص پوشش گیاهی(NDVI)، ضرایب همبستگی بین آن‌ها براساس نوع کاربری (جنگل، کشاورزی دیم، کشاورزی آبی، مسکونی، مرتع و آب) در سال‌های 1987 و 2015 محاسبه شد. نتایج نشان داد بیشترین تغییر کاربری تبدیل مرتع به کشاورزی دیم (%33) و آبی (%17) است. مناطق با پوشش جنگلی  (°C23 و °C21 در زمان اخذ تصویر) و مناطق آبی (°C21 در زمان اخذ تصویر) دارای پایین‌ترین میانگین دمای سطح زمین بودند. در هر دو دوره زمانی کشاورزی دیم دارای بیشترین میانگین دما (به ترتیب °C34 و °C27) نسبت به مناطق مجاور بود. بیشترین ضریب همبستگی بین دمای سطح زمین و شاخص پوشش گیاهی در سال 1987 در مرتع و کشاورزی دیم (به‌ترتیب 91/0- و 70/0-) و کمترین در مناطق مسکونی و جنگل (به ترتیب 45/0- و 46/0-) به دست آمده است. بیشترین ضریب همبستگی در سال 2015 در مرتع و کشاورزی دیم (به‌ترتیب 83/0- و 67/0-) و کمترین در جنگل و کشاورزی آبی (به ترتیب 23/0 و 40/0) به دست آمده است. به‌طور کلی نتایج نشان داد، در اکثر مناطق با دمای کمتر، پوشش گیاهی انبوه‌تری وجود دارد که بیانگر رابطه معکوس بین شاخص پوشش گیاهی و دمای سطح زمین است.

 

کلمات کلیدی: کاربری اراضی، دمای سطح زمین، پوشش گیاهی، استان اردبیل

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه

گسترش سريع شهرها به دليل تغييرات گسترده در كاربري و پوشش زمین اثرات منفي بر كيفيت زیست‌محیطی جهاني داشته است (15 و 28). تغییرات کاربری/ پوشش اراضی، توسعه مناطق شهری و کشاورزی و جنگل‌زدایی باعث تغییر رژیم دمای منطقه‌ای و محلی می‌شود (4 و 11). دمای سطح زمین به‌عنوان نمایه‌ای از شدت گرما، از عناصر اساسی در شناخت آب و هواست (3). آگاهی از میزان دمای سطح زمین کمک قابل توجهی به طیف وسیعی از مسائل مرتبط با علوم زمین مانند اقلیم شهری، تغییرات جهانی محیطی و بررسی تعاملات انسان و محیط می‌نماید (2). آنچه به‌عنوان یک نقص اساسی در پایش دمای سطح زمین به شمار می‌آید، نبود ایستگاه‌های هواشناسی کافی جهت آگاهی از مقادیر دمایی در نقاط فاقد ایستگاه است (19). با توجه به محدودیت اطلاعاتی که در تامین داده‌ها به‌ویژه در وسعت زیاد با مشکلات و موانع فراوانی همراه است و دست‌یابی در زمان واقعی سخت و یا غیر ممکن است، بنابراین لزوم استفاده از فن‎آوری سنجش از دور با شرایط زمانی، همراه با ویژگی پیوستگی و داده‌برداری در محدوده‌های گسترده بسیار می‌تواند کارا باشد (4 و 16). الگوریتم‌های بسیاری برای محاسبه دمای سطح زمین مثل الگوریتم پنجره مجزا (SW)، الگوریتم زاویه دوتایی (DA)، الگوریتم کانال مجزا (SC) و غیره طراحی شده است (10). روش پنجره مجزا بر مبنای تلفیق دو باند حرارتی استوار است؛ در واقع این روش با استفاده از تلفیق باندهای حرارتی مجاور سعی در کاهش اثرات اتمسفری دارد. از مزایا این روش می‌توان به عدم نیاز این روش به پروفیل اتمسفری دقیق و همچنین کارآمدی روش برای تمامی سنسورها با حداقل دو باند حرارتی اشاره کرد. وابستگی این روش به اطلاع از ضریب گسیل و وابستگی ضرایب هر مدل به نوع منطقه را می‌توان از محدودیت‌های این روش دانست (25).

از مطالعات انجام گرفته در این زمینه می‌توان به پژوهش‌های صورت گرفته توسط ژی‌چیانگ و چی‌گاند (30) اشاره کرد در این پژوهش رابطه بین تغییرات کاربری اراضی و پوشش زمین و دمای سطح زمین با استفاده از تصاویر لندست 5 سنجنده TM و ETM+ را ارزیابی کردند و برای طبقه‌بندی کاربری اراضی از روش شی‌گرا و برای برآورد دمای سطح زمین از روش الگوریتم پنجره مجزا استفاده کردند. نتایج آنها نشان داد که دمای سطح زمین به مقدار زیادی تحت تاثیر کاربری اراضی و پوشش زمین است و مقدار دمای سطح زمین ارتباط معنی‌داری با درصد سطوح غیرقابل نفوذ (سطوح مسکونی و شهری) دارد. در بررسی اثرات تغییر کاربری و پوشش گیاهی بر دمای سطح زمین ندولتی و همکاران (20) با استفاده از 4 دوره تصویر ماهواره‌ای لندست به این نتیجه رسیدند که همبستگی منفی بین پوشش گیاهی و دمای سطح زمین وجود دارد. احمدی و همکاران (3) در مطالعه‌ی با عنوان تغییرات زمانی-مکانی الگوهای حرارتی و کاربری شهر شیراز با استفاده از داده‌های سنجنده TM و ETM+ پرداختند. نتایج آنها نشان داد که سطوح بایر خاکی فاقد پوشش گیاهی حاشیه شهر بیشترین دما را دارند و در کاربری شهری نیز دمای بافت‌های فشرده بیشترین دما را دارا می‌باشند. ولیزاده‌ کامران و همکاران (25) در مطالعه‌ی با هدف بررسی دمای سطح زمین در شهرستان زنجان با استفاده از الگوریتم پنجره مجزا پرداختند و نتایج آنها نشان داد که برمبنای داده‌های آماری به دست آمده ارتباط مناسب بین کاربری سطح زمین و حرارت سطح زمین وجود دارد بطوريكه، در مناطق نظامي و صنعتي شهر، به دليل وجود کاربری‌ها و عواملي مانند سطوح غیرقابل نفوذ مانند آسفالت، بتن، پوشش گياهي كم، گرماي ناشي از سوخت‌هاي فسيلي و افزايش آلودگي در اين نواحي باعث ايجاد جزاير حرارتي شده است. اصغری سراسکانرود و امامی (5) در پایش دمای سطح زمین و بررسی تغییرات کاربری اراضی با دمای سطح زمین با استفاده از تصاویر سنجنده OLI و ETM+ در شهرستان اردبیل با روش الگوریتم پنجره مجزا بیان داشتند رابطه معنی‌داری بین کاربری اراضی و دمای سطحی وجود دارد به‌طوریکه در نواحی شهری که دارای پوشش گیاهی کمتری نسبت به نواحی کشاورزی و مرتعی هستند دارای دمای بیشتری هستند.

بررسی تحقیقات گذشته نشان دهنده پتانسیل خوب و جدید بودن بررسی رابطه بین تغییرات کاربری اراضی و پوشش زمین با دمای سطح زمین است. نتایج تحقیقات رابطه معكوس بین NDVI با دما و اثر متفاوت نوع تغییرات کاربری زمین بر روی دمای سطح زمین را نشان می‌دهد. با توجه به اینکه شهرستان نمین از نظر اقتصادی وابستگی بالایی به محصولات کشاورزی تولیدی آن و مرتعداری دارد و از طرفی افزایش دما و کمبود آب طی ستوات گذشته همواره به عنوان چالش جدی در این منطقه مطرح بوده است. استفاده از داده‌های اقلیمی با دسترسی زمانی و مکانی مناسب با توجه به کمبود ایستگاه‌های سینوپتیک در این منطقه دارای اهمیت بالایی می‌باشد. لذا با توجه به موارد ذكر شده و نبود مطالعات پيشين در منطقه، هدف از انجام اين تحقيق بررسی دمای سطح شهرستان نمین در یک بازه زمانی 28 ساله و مقایسه نتایج به دست آمده با تغییرات کاربری اراضی می‌باشد تا مشخص شود که تغییر در کاربری اراضی تا چه اندازه در دمای سطحی موثر می‌باشد. سه فرضیه در این پژوهش مورد آزمون قرار گرفت الف) نوع کاربری در میزان دمای سطحی زمین اثرگذار است؛ ب) تغییرات کاربری اراضی تاثیر محسوسی در تغییرات دمای سطح زمین دارد؛ و ج) بین پوشش گیاهی و دمای سطح زمین همبستگی معنی‌داری وجود دارد. به‌منظور رسیدن به این هدف ابتدا طبقه‌بندی تصاویر مربوطه به روش شیءگرا انجام شد و سپس به منظور استخراج دمای سطحی به برآورد دمای روشنایی و قابلیت انتشار و کسر پوشش گیاهی اقدام شد و بعد از به دست آوردن دمای سطحی به بررسی رابطه دمای سطحی با هریک از کاربری‌ها پرداخته شد و در نهایت به ارزیابی نتایج با داده‌های زمینی پرداخته شد.

 

مواد و روش

معرفی منطقه مورد مطالعه

شهرستان نمین در شمال شرقی استان اردبیل قرار گرفته است (شکل 1). نمین منطقه‌ای است کوهستانی واقع در حاشیه غربی دریای خزر و ارتفاع آن از سطح دریا 1450 متر است. مختصات جغرافیایی طول 48 درجه 29 دقیقه و 30 ثانیه و عرض 38 درجه 25 دقیقه و 25 ثانیه است. وسعت شهرستان نمین 1037 کیلومترمربع معادل با 103700 هکتار است و در فاصله 20 کیلومتری مرکز استان قرار دارد. وسعت این شهرستان حدود 5/5 درصد از کل مساحت استان اردبیل است (15). فرایند روند کلی تحقیق در شکل 2 ارائه شده است.

 

شکل 1. موقعیت شهرستان نمین در استان اردبیل و ایران

Fig 1. Location of Namin county in Ardabil province and Iran

 

 

شکل 2. نمودار روش کار

Fig 2. Methodology flowchart

 

داده‌های مورد استفاده در این تحقیق شامل، تصویر ماهواره لندست 8 که از سنجنده OLI به‌منظور استخراج نقشه کاربری اراضی و از سنجنده TIRS به‌منظور استخراج دمای سطح زمین برای سال 2015 استفاده شد و همچنین از تصویر سنجنده TM لندست 5 به‌منظور تهیه نقشه کاربری اراضی با استفاده از باندهای مرئی و مادون قرمز و دمای سطح با استفاده از باندهای حرارتی برای سال 1987 استفاده شد. همچنین به‌منظور بررسی دمای ثبت شده توسط ایستگاه‌ها، از داده‌های هواشناسی سینوپتیک شهرستان نمین با توجه به عدم احداث در سال 1987 برای سال 2015 (ساعت 11 صبح) و اردبیل برای سال 1987 (ساعت 11 صبح) استفاده شد. تصاویر در اواخر فصل بهار و اوایل فصل تابستان به‌منظور نبود پوشش‌های ابری و برفی بالا و همچنین بالا بودن شدت تابش نور خورشید اخذ شد و همچنین به‌منظور به دست آوردن صحت بهتر از نرم‌افزار Google Earth استفاده شد. به‌منظور تصحیحات جوی و رادیومتریکی از نرم‌افزار ENVI 5.3 و به‌منظور استخراج نقشه‌های مربوطه از نرم‌افزار ArcGIS 10.5 استفاده شد. اطلاعات عمومی و لیست باند‌های مورد استفاده جهت طبقه‌بندی تصاویر اخذ شده از سایت زمین‌شناسی آمریکا در جداول 1 و 2 قابل مشاهده است.

 

جدول 1. اطلاعات تصاویر ماهواره لندست 5 و 8. منبع: متادیتا تصاویر

Table 1. Information of Landsat 5 and 8 Satellite Images. Source: Metadata Images

نوع سنجنده	مسیر	گذر	درصد پوشش ابر	زاویه خورشید	زمان (گرینویچ)	تاریخ
لندست 8	167	33	0	90596367/124	7:25:10	23/06/2015
لندست 5	167	33	0	39188731/114	6:50:18	10/06/1987

 

جدول 2. اطلاعات باند‌های ماهواره لندست 5 و 8. منبع: سایت سازمان زمین‌شناسی ایالات متحده آمریکا (24)

Table 2 Band designations of  Landsat 5 and 8 satellites. Source: U.S. Geological Survey, Earthexplorer service (24)

نوع ماهواره و سنجنده	باند	طول موج (میکرومتر)	قدرت تفکیک مکانی (متر)
سنجنده TM لندست 5	باند 1 - آبی	52/0-45/0	30
	باند 2 - سبز	60/0-52/0	30
	باند 3 - قرمز	69/0-63/0	30
	باند 4 – مادون قرمز نزدیک	90/0-76/0	30
	باند 5 – مادون قرمز موج کوتاه 1	75/1-55/1	30
	باند 6 - حرارتی	50/12-40/10	30*120
	باند 7 – مادون قرمز موج کوتاه 2	35/2-08/2	30
سنجنده OLI لندست 8	باند 1 – ماورای آبی	451/0-435/0	30
	باند 2 - آبی	512/0-452/0	30
	باند 3 - سبز	590/0-533/0	30
	باند 4 - قرمز	673/0-636/0	30
	باند 5 – مادون قرمز نزدیک	879/0-851/0	30
	باند 6 – مادون قرمز موج کوتاه 1	651/1-566/1	30
	باند 7 – مادون قرمز موج کوتاه 2	294/2-107/2	30
سنجنده TIRS لندست 8	باند 10 – مادون قرمز حرارتی 1	19/11-60/10	30*100
	باند 11 – مادون قرمز حرارتی 2	51/12-50/11	30*100

 

طبقه بندی شئ‌پایه تصاویر و استخراج نقشه کاربری/پوشش اراضی 

طبقه‌بندی شئ‌پایه تصویر یکی از روش‌های رایج برای طبقه‌بندی تصویر بوده (8 و 18) که در آن علاوه بر ارزش‌های عددی از اطلاعات مربوط به بافت، شکل و تن رنگ در فرآیند طبقه‌بندی استفاده می‌شود (17 و 18). توانایی روش طبقه‌بندی پیکسل‌پایه هنگامی که اشیای متفاوت زمینی، با ارزش‌های عددی یکسان بر روی تصویر رقومی ثبت می‌شوند، محدود است. دو مرحله عمده در طبقه‌بندی شئ‌پایه تصویر وجود دارد. اولین مرحله سگمنت‌سازی تصویر است که بر اساس الگویی طیفی و فضایی مشابه تصویر را به مناطق یا اشیاء (سگمنت) جدا شده تقسیم می‌کند. پس از سگمنت‌سازی، مرحله دوم مرتبط ساختن سگمنت‌‌های تصویری با استفاده از آمار طیفی و شکل، پارامترهای بافت و اطلاعات توپولوژیکی است (6). در این تحقیق از نرم‌افزار eCognition8.9 برای طبقه‌بندی شی‌پایه استفاده شد. مقادیر 120 و 5/0 به ترتیب برای پارامترهای مقیاس و رنگ انتخاب گردید. برای سگمنت‌سازی از الگوریتم Multiresolution و برای طبقه‌بندی از الگوریتم نزدیک‌ترین همسایگی استفاده شد.

در این مطالعه روش مقایسه پس از طبقه‌‌بندی جهت آشکارسازی تغییرات کاربری اراضی استفاده شد، زیرا برای شناخت این تغییرات به‌طور وسیع مورد استفاده قرار می‌‌گیرد (13). استفاده از این روش به ایجاد یک ماتریس دوسویه منجر می‌‌شود، که تغییرات انواع اصلی کاربری و پوشش اراضی منطقه‌‌ی مورد مطالعه را توصیف می‌‌کند. تحلیل جدول‌‌بندی متقاطع براساس پیکسل بر پیکسل تعیین کمیت تبدیلات از یک طبقه‌ی کاربری ویژه به طبقه‌‌ کاربری دیگر و مساحت‌‌های مرتبط به این تغییرات در دوره‌‌ زمانی مورد نظر را تسهیل می‌‌کند. یک لایه‌‌ موضوعی جدید حاوی طبقات تغییرات from-to نیز برای هر مقطع زمانی تولید می‌‌شود که می‌توان از این نقشه‌‌ها برای مشخص کردن میزان، موقعیت و ماهیت تغییرات نشان داده شده استفاده نمود (12). در این مطالعه، یک فرآیند همپوشانی برای اکتساب تغییرات مکانی در کاربری اراضی در طول بازه زمانی 1366 تا 1394 مورد استفاده قرار گرفت. ابتدا نقشه‌‌ طبقه‌‌بندی اولین زمان و سپس نقشه‌‌ی زمان دوم اضافه شد و تغییرات پیکسل به پیکسل میان طبقات دو نقشه توسط نرم‌افزار توصیف و منجر به تهیه‌‌ی نقشه‌‌ی تغییرات و لایه‌‌ from-to شد.

 

شاخص NDVI

NDVI یکی از رایج ترین شاخص‌های پوشش گیاهی برای بیان اطلاعات تراکم پوشش گیاهی، پیش بینی تولید محصولات زراعی، پایش خشکسالی و تهیه نقشه بیابان زایی است (27). عموماً مقادیر کمتر از صفر به‌عنوان نواحی مرطوب و آب در نظر گرفته می‌شوند. مقادیر بین 0 تا 3/0 نیز پوشش‌های خاک و مراتع را شامل می‌شوند. مقادیر بیشتر از 3/0 نیز نشان‌دهنده پوشش گیاهی در منطقه مورد مطالعه است (5). در این پژوهش به‌منظور به دست آوردن صحت بالاتر در طبقه‌بندی از این شاخص به‌عنوان یکی از پارامترها استفاده شد. این شاخص با استفاده از رابطه زیر به دست آمد.

که در این رابطه BNIR باند مادون قرمز نزدیک و BRED باند قرمز است (10).

پس از آزمودن خطاها، پارامترهای مناسب نظیر بافت، هندسه، شکل، الگو و میانگین و انحراف معیار باندها همراه با شاخص NDVI به‌عنوان پارامترهای طبقه‌بندی لحاظ شدند. در نهایت طبقه‌بندی در 5 کلاس (کشاورزی دیم و آبی، مرتع، جنگل و مسکونی) برای سال 1987 و 6 کلاس (کشاورزی دیم و آبی، مرتع، جنگل، مسکونی و آب) برای سال 2015 انتخاب شدند. علت تفاوت تعداد کلاس‌های طبقه‌بندی عدم احداث بندها و سازه‌های ذخیره کننده آب در تصویر سال 1987 است.

 

ارزیابی صحت (Accuracy assessment)

جهت ارزیابی صحت و مقایسه نقشه‌‌های حاصل، از ماتریس خطا، صحت کلی (رابطه 2) و آماره‌‌ی کاپا (رابطه 3) استفاده شد (14 و 23).

]1[

در رابطه‌ی فوق، OA نشان‌دهنده‌ی صحت کلی و N معرف تعداد کل پیکسل‌های طبقه‌بندی شده و   نمایه‌ی مجموع پیکسل‌های قطر اصلی ماتریس خطا (تعداد کل پیکسل‌های درست طبقه‌بندی شده) می‌باشد (22).

[2]

]3[	احتمال توافق – 1 / (احتمال توافق) – (دقت مشاهده شده) = آماره کاپا

برای ارزیابی صحت نقشه‌‌های کاربری/ پوشش اراضی تولید شده از 100 نقطه‌‌ی کنترلی GPS (بازدید میدانی مورخ خرداد ماه 95-1394) کاملاً تصادفی و دارای دسترسی برای کنترل صحت نقشه‌‌های طبقه‌بندی شده استفاده شد.

 

محاسبه دمای سطح زمین

بسیاری از روش‌های بازیابی دمای سطح زمین از مطالعات سنجش از دور ارائه شده توسط چند کانال مادون‌قرمز داده‌های حرارتی استفاده می‌کنند و این روش را می‌توان تقریباً به سه گروه تقسیم کرد: الگوریتم تک کانال، الگوریتم چند کانال به عنوان مثال، الگوریتم پنجره مجزا و روش چند زمانه. مطالعات نشان می‌دهد که نقش سنجش ‌از دور حرارتی در مطالعه و برآورد دمای سطح زمین بسیار حائز اهمیت است. داده‌های سنجش از دور حرارتی امکان بررسی و تخمین دمای سطح زمین و همچنین جزایر حرارتی را فراهم می‌کند. از بین داده‌های حرارتی سنجش از دور، تصاویر ماهواره‌ای جایگاه خاصی دارند و تصاویری همچون تصاویر لندست، استر، مودیس و... در برآورد دمای سطح زمین به دلیل داشتن باندهای حرارتی می‌توانند مفید واقع شوند. دمای سطح زمین به عنوان نمایه‌ای از شدت گرما، از عناصر اساسی شناخت آب ‌وهواست (19). در سنجش از دور دمای سطح زمین را که بالای جو به وسیله سنجنده‌ها به دست می‌آید دمای روشنایی می‌نامند این دما به علت پدیده‌های جذب و پخش جوی به نظر کمتر از دمای واقعی در سطح زمین است (20). به منظور استخراج دمای سطح زمین روش‌های مختلفی توسعه داده شده‌اند که هرکدام از این روش‌ها مزایا و معایب خاص خود را دارا می‌باشند. روش‌های مختلف استخراج دمای سطح زمین عبارت‌اند از: روش‌های تک کانالی، توازن انرژی برای سطح زمین (سبال)، روش دفتر علوم لندست، روش استفان بولتزمن و روش پنجره مجزا. در این مطالعه از روش پنجره مجزا استفاده شد که مراحل آن به صورت زیر است.

 

شاخص کسری پوشش گیاهی (Fraction of vegetation cover)

پوشش گیاهی همواره از عواملی بوده است که باعث کاهش دمای سطحی می‌شود. پوشش گیاهی سبز جزء به جز یکی از پارامترهایی است که در بسیاری از برنامه‌های محیط‌زیست و آب‌وهوایی کاربرد دارد. یک رویکرد مشترک برای برآورد FVC شامل ترکیبی غیرخطی از دو عنصر طیفی در یک تصویر سنجش از راه دور، شامل خاک لخت و پوشش گیاهی سبز است. خواص طیفی از این دو عنصر معمولاً به صورت‌های مختلفی برآورد می‌شود که شامل اندازه‌گیری‌های میدانی، برآورد از منابع داده‌های اضافی و یا به صورت مستقیم از تصاویر استخراج می‌شود. الگوریتم وابسته به یک تجزیه و تحلیل روش بهینه‌سازی مخلوط طیفی (SMA) بر اساس قضیه پوشش گیاهی، همراه با استفاده از استاندار SMA، برای بهبود درک از تأثیرپذیری دو عنصر در اشتقاق از بخش پوشش مقیاس جهانی گیاهی زیر پیکسل‌ها در است. برای برآورد این شاخص از رابطه 4 استفاده می‌شود (27 و 29).

که:

NDVI = شاخص پوشش گیاهی NDVIv = مناطق پوشیده از گیاه شاخص    NDVIs = مناطق بدون پوشش گیاهی شاخص

 

برآورد دمای روشنایی

دمای روشنایی تشعشع الکترومغناطیسی انتقالی رو به بالا از لایه بالای اتمسطفر زمین است که با استفاده از ثابت‌های حرارتی ارائه شده در فایل مرجع تصویر رادیانس طیفی به دمای روشنایی تبدیل شد. فرایند تبدیل حرارتی با تبدیل مقادیر ارزش رقومی باندهای حرارتی خام باندهای حرارتی سنجنده TIRS و TM به رادیانس طیفی لایه بالای اتمسفر انجام شد و سپس با استفاده از رابطه 5 (رابطه پلانک) دمای روشنایی محاسبه شد. در واقع در این مرحله واریانس طیفی به دمای جسم سیاه در سطح سنجنده تبدیل شد (1).

 

]4[

که:        

T= دمای روشنایی ماهواره بر حسب کلوین؛ K2- K1= ثابت حرارتی برای هر دو باند حرارتی موجود درمتادیتا؛ و Lλ= درخشندگی جو بالا

 

برآورد قابلیت انتشار سطح زمین

به دليل تفاوت قابليت انتشار يك ماده واقعي در مقايسه با جسم سياه، بسته به نوع ماده تشكيل دهنده پديده‌های مختلف، در طول موج‌هاي مختلف ناحيه مادون قرمز حرارتي با يكديگر، پديده‌هاي مختلف را با وجود دماي يكسان مي‌توان با استفاده از اين پارامتر تشخيص داد. هنگامي كه قابليت انتشار انرژي از اجسام واقعي در طول موج‌هاي مختلف اندازه‌گيري شود، مقادير متفاوتي حاصل خواهد شد که این امر وابسته به طول موج است (26). برای محاسبه دمای سطح زمین برآورد قابلیت انتشار در سطح زمین ضروری است که این معیار به‌صورت جداگانه در باندهای حرارتی سنجنده TIRS ماهواره لندست 8 (باند 10 و 11) و TM ماهواره لندست 5 (باند 6) محاسبه شود که رابطه آن به صورت زیر است.

]6[

]5[

که:

LSE= قابلیت انتشار سطح زمین؛ Es-v= انتشار گیاه و خاک برای باندهای حرارتی طبق جدول شماره 3 و FVC= نسبت پوشش گیاهی

 

جدول 3. قابلیت انتشار برای گیاه و خاک

Table 3. Emissivity for plants and soil

قابلیت انتشار	باند 10 تصویر 2015	باند 11 تصویر 2015	باند 6 تصویر 1987
خاک	971/0.	977/0	97/0
گیاه	987/0	989/0	99/0

 

محاسبه نهایی دمای سطح ‌زمین (LST) با روش پنجره مجزا

این الگوریتم از جمله روش‌های مؤثر در برآورد دمای سطح زمین است و نسبت به سایر روش‌ها دارای صحت بهتری می‌باشد (22). ویژگی مهم این روش، حذف اثرات جوی است. با توجه به این‌که این الگوریتم اطلاعات دقیق در مورد نمایه جوی کسب ماهواره‌ای نیاز ندارد، برای بازیابی LST از دو سنسور چند طیفی و حرارتی استفاده می‌کند که از رابطه زیر محاسبه شد (27).

که:

TB10-TB11= دمای روشنایی؛C0…C6 = ضرایب الگوریتم قابل مشاهده در جدول 4؛ W= مقدار بخار آب موجود در جو (رابطه 8)؛ Δε= اختلاف قابلیت انتشار سطح زمین و ε= میانگین قالبیت انتشار سطح زمین

]8[                                                                            W= C0 + C1 * (Tj / Ti) + C2* (Tj/ Ti)2

که:  Tj / Ti = میانگین دمای روشنایی؛ C0 = 674/9-؛ C1 = 653/0 و C2 = 087/9

 

جدول 4. مقادیر ضرایب (9)

Table 4. The values of the coefficients (9)

]7[

ضرایب ثابت و محاسبه شده	ارزش ها
268/0-	C0
378/1	C1
183/0	C2
3/54	C3
238/2-	C4
2/129-	C5
4/16	C6

 

در نهایت به‌منظور تجزیه و تحلیل ارتباط بین دمای سطح زمین با شاخص پوشش گیاهی، ضرایب همبستگی بین دمای سطح زمین و شاخص پوشش گیاهی براساس نوع کاربری در سال‌های 1987 و 2015 محاسبه شد.

 

نتایج

صحت کلی طبقه‌بندی تصویر سال 2015 برابر 100 درصد صحت ‌کلی و ضریب کاپا 99/0 استخراج شد در حالی که صحت کلی طبقه‌بندی در سال 1987 برابر 3/82 درصد و ضریب کاپا نیز 77/0 است که به نسب صحت پایین‌تری را ارائه داده است. دلیل این اختلاف را می تواند توان تفکیک رادیومتریکی ضعیف‌تر تصویر سال 1987 سنجنده TM (8 بیت) نسبت به تصویر سال 2015 سنجنده OLI (12 بیت) باشد. نتایج ارزیابی صحت نقشه های طبقه بندی شده در جدول 5 ارائه شده است.

 

جدول 5. صحت سنجی طبقه‌بندی کاربری اراضی

Table 5. Accuracy assessment of Land use classification

طبقه کاربری	2015		1987
	صحت کاربر%	صحت تولید کننده%	صحت تولید کننده%	صحت کاربر%
جنگل	1/97	100	99	3/94
کشاورزی دیم	9/91	97	5/96	4/81
کشاورزی آبی	4/94	5/91	78	9/85
مسکونی	3/99	3/92	9/52	5/92
مرتع	7/88	5/94	83	2/71
آب	100	3/86	-	-
صحت کلی	94%		3/82%
ضریب کاپا	92/0		77/0

 

شکل‌های 2 و 3 نقشه کاربری ‌اراضی مربوط به بازه‌های زمانی مشخص را نمایش می‌دهد. همچنین مساحت هر یک از کاربری‌ها نیز در جدول 3 برای هر سال ارائه شده است. بیشترین سطح اراضی در سال 1987 و 2015 متعلق به کاربری مرتع به ترتیب با 43781 و 34114 هکتار، دومین سطح مربوط به کاربری کشاورزی دیم به ترتیب با 23854 و 33277 هکتار مساحت است. کمترین سطح نیز در سال 1987 با توجه به عدم وجود کاربری آب متعلق به کاربری مسکونی با 1301 هکتار است در حالی که در سال 2015 با احداث سازه های آبی کاربری آب با مساحت 86 هکتار دارای کمترین سطح اراضی است. بیشترین افزایش سطح را کاربری کشاورزی دیم با 9423 هکتار افزایش دارا است که نسبت به سال 1987 افزایش چشمگیری را داشته است. همچنین کاربری‌های کشاورزی آبی و مسکونی به ترتیب دارای 3662 و 1165 هکتار افزایش مساحت داشته است. از سوی دیگر کاربری مرتع با 9667 هکتار و کاربری جنگل با 4660 هکتار کاهش مساحت مواجه بوده‌اند. افزایش مساحت کاربری‌های کشاورزی دیم و آبی و شهری هم‌زمان با کاهش کاربری مرتع و کاربری جنگل نشان از جایگزینی کاربری‌ها و تغییرات آن‌ها است. مساحت کاربری های مختلف در سال های 1987 و 2015 در جدول 6 ارائه شده است.

 

شکل 2. نقشه طبقه‌بندی کاربری اراضی شهرستان نمین سال 1987 Fig 2. Classified land use map of Namin county in 1987

شکل 3. نقشه طبقه‌بندی کاربری اراضی شهرستان نمین سال 2015 Fig 2. Classified land use map of Namin county in 2015

 

جدول 6. مساحت کاربری‌های مختلف اراضی در سال 1987 و 2015

Table 6. Area of land use types in 1987 and 2015

نوع کاربری	سطح در سال 1987		سطح در سال 2015
	هکتار	درصد	هکتار	درصد
کشاورزی دیم	23854	1/25	33277	35
جنگل	10200	7/10	5540	8/5
کشاورزی آبی	15925	8/16	19587	6/20
مرتع	43781	1/46	34114	9/35
مسکونی	1301	4/1	2466	6/2
آب	_	0	86	1/0
جمع کل	95061	100	95061	100

 

شکل 4 نقشه تغییرات کاربری اراضی بین سال‌های 1987 تا 2015 را نشان می دهد. بیشترین میزان تغییر کاربری مربوط به کاربری مرتع به کشاورزی دیم است (8968 هکتار). در همین راستا در جهت گسترش کاربری مسکونی شهرستان نمین بیشترین پیشروی بر روی کلاس مرتع بوده است (1396 هکتار). مساحت تغییرات مختلف کاربری اراضی که بین سال های 1987 تا 2015 صورت گرفته است در جدول 7 قابل مشاهده است.

 

شکل 4. نقشه پایش تغییرات کاربری/پوشش اراضی در بازه زمانی سال‌های 1987 تا 2015

Fig 4. Monitoring map of land use / land cover change in the period of 1987 to 2015

 

جدول 7. مساحت کاربری‌های تغییریافته در سال‌های 1987 تا 2015(هکتار)

Table 7. Area of the land use between 1987 to 2015 (Hectares)

کاربری‌های تغییریافته	مساحت (هکتار)	کاربری‌های تغییریافته	مساحت (هکتار) (هکتار) (هکتار)
کشاورزی دیم به جنگل	3	کشاورزی آبی به مرتع	423
کشاورزی دیم به کشاورزی آبی	1085	کشاورزی آبی به مسکونی	219
کشاورزی دیم به مرتع	1880	کشاورزی آبی به آب	1
کشاورزی دیم به مسکونی	364	مرتع به کشاورزی دیم	8968
کشاورزی دیم به آب	57	مرتع به جنگل	1
جنگل به کشاورزی دیم	1123	مرتع به کشاورزی آبی	4777
جنگل به کشاورزی آبی	546	مرتع به مسکونی	1396
جنگل به مرتع	2992	مرتع به آب	26
جنگل به مسکونی	14	مسکونی به کشاورزی دیم	125
جنگل به آب	1	مسکونی به کشاورزی آبی	486
کشاورز آبی به کشاورزی دیم	2591	مسکونی به مرتع	1

 

شکل‌های 5 و 6 دمای سطح زمین در سطح شهرستان نمین را نشان می‌دهد. در سال 1986 کمترین و بیشترین دما به ترتیب 43 و 9 و در سال 2015 به ترتیب 41 و 19 است.

 

شکل 5. نقشه دمای سطح زمین سال 1987 Fig 5. Land surface temperature map in 1987

شکل 6. نقشه دمای سطح زمین سال 2015 Fig 6. Land surface temperature map in 2015

 

تحلیل رابطه کاربری ‌اراضی با شاخص پوشش NDVI و دمای سطحی زمین

نتایج نشان داد نواحی عاری از پوشش گیاهی دارای دمای سطحی بالاتری نسبت به نواحی است که دارای پوشش گیاهی هستند. نواحی دارای پوشش گیاهی همچون جنگل برای سال 1987 دارای میانگین دمای 23 درجه است در حالی که در این سال نواحی بدون پوشش گیاهی همچون مناطق شهری دارای میانگین دمایی حدود 26 درجه سانتی‌گراد است. در سال 2015 کاربری جنگل دارای میانگین دمای 21 درجه بوده در حالی که کاربری شهری عاری از پوشش گیاهی دارای میانگین دمای 41/22 درجه سانتی‌گراد بوده است. به دلیل اهمیت نقش پوشش گیاهی در دمای سطح زمین، نقشه پوشش گیاهی منطقه مورد مطالعه نیز استخراج شد تا به این طریق درک بهتری از رابطه پوشش گیاهی با دمای سطح زمین به دست آید (شکل‌های 7 و 8).

شکل 7. نقشه نرمال شده تفاضل پوشش گیاهی سال 1987 Fig 7. Normalized difference vegetation index map in 1987

شکل 8. نقشه نرمال شده تفاضل پوشش گیاهی سال 2015 Fig 8 Normalized difference vegetation index map in 1987

مقادیر حداکثر، حداقل و میانگین شاخص‌های دمای سطح زمین و شاخص پوشش گیاهی مرتبط با هر کاربری و پوشش زمین در شکل‌های 9 تا 12 آمده است. در سال 1987 بیشترین میانگین شاخص پوشش گیاهی مربوط به کاربری جنگل (37/0) و کمترین میانگین مربوط به کاربری کشاورزی دیم (04/0) بود. بیشترین میانگین دمای سطح زمین در سال 1987 مربوط به کاربری کشاورزی دیم (34 درجه سانتی‌گراد) و کمترین میانگین دما مربوط به کاربری جنگل (23 درجه سانتی‌گراد) بود. در سال 2015 بیشترین میانگین شاخص پوشش گیاهی مربوط به جنگل (43/0) کمترین میانگین مربوط به کاربری آب (03/0-) بود. بیشترین میانگین دمای سطح زمین در سال 2015 مربوط به کاربری کشاورزی دیم (27 درجه سانتی‌گراد) و کمترین میانگین دما مربوط به کاربری جنگل و آب (21 درجه سانتی‌گراد) بود. بدنه‌هاي آبی در این محدوده به دو شکل مناطق رودخانه با عمق و آب کم (اکثراً رودخانه داخل شهری) و به‌صورت دریاچه‌اي (سدهای احداث شده) است. با توجه به اینکه آب داراي ظرفیت گرمایی بالایی است، نواحی عمیق داراي دماي سطحی کمتري نسبت به نواحی کم‌عمق می‌باشند؛ بنابراین، انحراف معیار به دست‌آمده از دماي سطحی این کاربري با توجه به دماي استخراج شده در نواحی کم‌عمق و عمیق است.

 

شکل 9. شاخص پوشش گیاهی در هر کاربری در سال 1987 Fig 9. NDVI in each land use in 1987	شکل 10. شاخص پوشش گیاهی در هر کاربری در سال 2015 Fig 10. NDVI in each land use in 2015
شکل 11. دمای سطح زمین در هر کاربری در سال 1987 Fig 11. Land surface temperature in each land use in 1987	شکل 12. دمای سطح زمین در هر کاربری در سال 2015 Fig 12. Land surface temperature in each land use in 2015

 

جدول 8 ضرایب همبستگی بین شاخص پوشش گیاهی NDVI با دمای سطح زمین را نشان می‌دهد. براساس نتایج بیشترین ضریب همبستگی در سال 1987 در کاربری مرتع و کشاورزی دیم (به‌ترتیب 91/0 و 70/0) و کمترین ضریب همبستگی در مناطق مسکونی و جنگل (به ترتیب 45/0 و 46/0) به دست آمده است. بیشترین ضریب همبستگی در سال 2015 در کاربری مرتع و کشاورزی دیم (به‌ترتیب 83/0 و 67/0) و کمترین ضریب همبستگی در جنگل و کشاورزی آبی (به ترتیب 23/0 و 40/0) به دست آمده است.

 

جدول 8. ضرایب همبستگی بین دمای سطح زمین و شاخص پوشش گیاهی براساس نوع کاربری

Table 8. Correlation coefficients amoung land surface temperatures and NDVI in land use types

انواع کاربری		سال 1987		سال 2015
		تعداد پیکسل‌های نمونه‌برداری شده	ضرایب همبستگی	تعداد پیکسل‌های نمونه‌برداری شده	ضرایب همبستگی
کشاورزی دیم		264989	70/0-	369891	67/0-
جنگل		113263	46/0-	61546	23/0-
کشاورزی آبی		176783	67/0-	218074	40/0-
مرتع		486299	91/0-	379230	83/0-
مسکونی		13960	45/0-	27418	68/0-
آب		0	-	969	53/0-

 

ارزیابی دمای به‌دست آمده با داده‌های زمینی

مقادیر دمای اندازه‌گیری شده در ایستگاه‌های زمینی هواشناسی شهرستان اردبیل و نمین و دمای سطحی محاسبه شده از تصاویر ماهواره‌ای در جدول 9 نمایش داده شده است.

 

جدول 9. داده‌های ایستگاه‌های هواشناسی و مقادیر ثبت شده در تصاویر ماهواره‌ای

Table 9. Recorded weather data at the weather station vs satellite images

ایستگاه هواشناسی	تاریخ مورد بررسی	ساعت مورد بررسی	داده‌های زمینی	تصاویر ماهواره‌ای
اردبیل	10/06/1987	11 صبح	17	27
نمین	23/06/2015	11 صبح	21	23

 

بحث و نتیجه‌گیری

اطلاع از نسبت كاربري‌ها و نحوه تغييرات آن در گذر زمان يكي از مهم‌ترين موارد در برنامه‌ريزي و سياستگذاري است (15 و 21). نتایج طبقه‌بندی نشان داد بیشترین کاربری تغییر یافته در شهرستان نمین، کاربری مرتع به کشاورزی دیم (8968 هکتار) بوده است که نشان‌دهنده تخریب مراتع است. از سوی دیگر با توسعه شهرنشینی شهرستان نمین، بخش قابل‌توجهی از مساحت مناطق طبیعی و جنگلی، جای خود را به مناطق صنعتی، ساختمان‌ها و سایر زیرساخت‌ها داده‌اند. محدوده‌های شهری دارای بیلان انرژی متفاوتی در قیاس با نواحی غیرشهری هستند. این تفاوت و تغییر در مفهوم بیلان انرژی، باعث از دست رفتن توازن انرژی در محیط شهری می‌شود که مشکلات زیست‌محیطی جدی همانند آلودگی حرارتی را برای ساکنین این شهر به دنبال می‌آورد. همچنین برای پوشش سبز نیز مقدار زیادی از انرژی دریافتی در فرآیند تبخیر و تعرق مصرف شده و مقدار کمی از انرژی برای گرم کردن هوا باقی می‌ماند. از طرفی افزایش تراکم جمعیت موجب افزایش انرژی وارده شده به محیط توسط بشر می‌شود که نتیجه آن ایجاد خرد اقلیم‌های متفاوت و بالا بودن گرمایش شهری نسبت به اطراف آن در سطح شهر خواهد بود.

نتایج به دست آمده نشان می‌دهد که دمای سطحی در هر محدوده‌ای از زمین متأثر از عوامل سطحی و خصوصیات آن و با توجه به کاربری‌های مختلف، متفاوت است (16). بیشترین دمای ثبت شده برای شهرستان نمین در سال‌های 1987 و 2015 مربوط به کاربری کشاورزی دیم (به ترتیب با 34 و 27 درجه سانتی‌گراد) است که نشان از تمرکز حرارت در این مناطق است. این کاربری به دلیل عواملی از جمله خشک بودن محصولات در این زمان و برداشت محصولات بیشترین دما را دارا است. در صورت مقایسه دمای سطحی هر دو سال مربوط چنین برداشت می‌شود که کاربری کشاورزی دیم دارای کاهش دما نسبت به سال 1987 است. این کاربری در سال 1987 بیشترین دما (34 درجه سانتی‌گراد) را دارا بوده است اما در سال 2015 با کاهش دما (27 درجه سانتی‌گراد) مواجه شده است کما اینکه در همین سال 2015 نیز نسبت به سایر کاربری‌ها دارای بیشترین دمای سطحی بوده است. علت آن را می‌توان در عامل برداشت محصول دانست. با توجه به اینکه محصولات دیمی محدوده مورد مطالعه، اغلب گندم بوده و در این زمان از فصل، بیشتر گندم‌ها رسیده و یا برداشت می‌شوند، بنابراین تبخیر و تعرق این محصولات ناچیز است. به همین جهت این نواحی مقدار بیشتري انرژي تابشی را نسبت به سایر کاربري‌ها دریافت و نگه می‌دارند که براساس آن دماي سطحی آن نیز بیشتر است. انحراف معیار دماي سطحی این کاربري در سال 1987 و 2015 تقریباً برابر است. با این حال می‌توان استنباط کرد که محصولات این کاربری در سال 1987 برداشت شده‌اند و همین امر باعث شده که انرژی تابشی گسیل شده بیشتری دریافت شود اما در سال 2015 به دلیل برداشت نشدن محصولات و یا برداشت کم آن‌ها، توان تبخیر و تعرق در گیاهان بیشتر بوده و همین امر باعث خنک نگه‌داشتن دمای سطح شده است.

کمترین دمای ثبت شده در شهرستان نمین به‌ترتیب مربوط به کاربری آب (21 درجه سانتی‌گراد)، جنگل (21 درجه سانتی‌گراد) و کشاورزی آبی (22 درجه سانتی‌گراد) است. با توجه به اینکه آب دارای ظرفیت گرمایی بالایی می‌باشد، لذا بیشترین اثر را در کاهش دما دارد (5). احمدی و همکاران (2) نتایج مشابهی را گزارش کردند. حداقل وابستگی منفی بین دمای سطح زمین و شاخص پوشش گیاهی مربوط به کاربری آبی است که این امر موید این مطلب است که در این مناطق میزان پوشش گیاهی نسبت به سایر کاربری‌ها کمتر است (4). در کاربری‌های جنگل و کشاورزی آبی به دلیل پوشش گیاهی بیشتر دما سطح زمین کمترین مقدار (به ترتیب 23 و 24 درجه سانتی‌گراد در سال 1987 و 21 و 22 درجه سانتی‌گراد در سال 2015) را نسبت به سایر کاربری‌ها دارا است که با نتایج قربان‌نیا خیبری و همکاران (10) مطابقت دارد. در تحقیقی مشابه فیضی‌زاده و همکاران (7) به بررسی دمای سطح زمین با استفاده از تصاویر ماهواره لندست و الگوریتم پنجره مجزا نشان دادند که بین پوشش گیاهی و دمای سطح زمین رابطه معنی‌داری وجود دارد چنان‌که مناطق دارای پوشش گیاهی دارای حداقل دما و مناطق عاری از پوشش گیاهی دارای حداکثر دما بوده است که نشان از نقش و اهمیت پوشش گیاهی در منطقه است. کاربری مربوط به کشاورزی در این ناحیه، بعد از مناطق جنگلی دارای کمترین دمای سطحی (24 درجه سانتی‌گراد در سال 1987 و 21 درجه سانتی‌گراد در سال 2015) می‌باشد. با توجه به اینکه محصولات زراعی کشت شده در این محدوده گیاهانی از جمله سیب‌زمینی است و این گیاهان دارای نیاز آبی بیشتری نسبت به گیاهان دیگر از جمله گندم دارند و اغلب نیاز آبی آن‌ها به صورت هفتگی می‌باشد. بنابراین، این گیاهان در این ماه دارای سبزینگی بالایی بوده و همین امر باعث شده که در محدوده تحت کشت آن‌ها تبخیر و تعرق بیشتری نسبت به سایر نواحی صورت گیرد و بالطبع در خنک نگهداشتن دمای سطحی بسیار تأثیرگذار بوده است. احمدی و همکاران (2) در مطالعه خود نتایج مشابهی گزارش کردند.

کاربری مرتع در هر دو سال مورد مطالعه، دمای بالایی (به ترتیب 27 و 25 درجه سانتی‌گراد) را داشته است و اختلاف ناچیزی بین هر دو سال مشاهده می‌شود. دلیل بالا بودن دمای این کاربری، با توجه به فصل مورد مطالعه که اواخر خرداد و اوایل تیرماه است، ازدیاد نواحی عاری از پوشش گیاهی یا پوشش گیاهی ناچیز و پراکنده است. به دلیل اینکه در ماه مرداد اغلب شاخ و برگ گیاهان موجود خشک بوده و تبخیر و تعرق پایین است دمای بالایی نیز ثبت می‌شود. این مورد قابل ذکر است که تبخیر و تعرق رابطه معکوس با دمای سطحی دارد به این معنی که با افزایش تبخیر و تعرق دمای سطحی کاهش می‌یابد و همین امر باعث شده است که کمبود تبخیر و ‌تعرق در کاربری مرتع باعث افزایش دمای آن شود و همچنین انرژی تابشی بیشتری را دریافت و در خود ذخیره کند. اصغری سراسکانرود و امامی (5) نیز نتایج مشابهی گزارش کردند. احمدی و همکاران (2) در مطالعه خود دلیل افزایش دمای سطحی زمین در کاربری مرتع را با وجود پوشش گیاهی ناشی از فصل تصویربرداری دانسته و بیان کردند که اغلب پوشش گیاهی در این ماه از سال خشک است، بنابراین تبخیر و تعرق توسط آن‌ها کم است که با نتایج پژوهش حاضر مطابقت دارد. رابطه بین دمای سطح زمین و شاخص پوشش گیاهی در کاربری مرتع در هر دو سال مورد مطالعه بالاترین همبستگی (91/0 در سال 1987 و 83/0 در سال 2015) را به خود اختصاص داد در حالی‌که در کاربری جنگل ضریب همبستگی کمترین مقدار (46/0 در سال 1987 و 23/0 در سال 2015) را داشت. افزایش شاخص پوشش گیاهی NDVI منجر به افزایش پوشش گیاهی سبز جزء به جزء و در نتیجه افزایش گسیل‌مندی خواهد شد، با افزایش گسیل‌مندی دمای سطحی کاهش خواهد یافت. نکته مهم در توضیح این متغیر این است که هر مقدار پوشش گیاهی قادر به کاهش دمای سطحی زمین نخواهد بود. در صورتی که مقدار پوشش گیاهی به اندازه‌ای باشد که منجر به افزایش گسیل‌مندی بیشتر از یک شود، در این حالت دمای سطحی کاهش خواهد یافت (10).

كاربري نواحي انسان ساخت شامل شهر نمین و روستاهاي حاشيه آن در سال 2015 داراي دماي سطحي پايين‌تري (22 درجه سانتی‌گراد) نسبت به كاربري‌هاي مرتع (25 درجه سانتی‌گراد و ديمزار (27 درجه سانتی‌گراد) بوده است. اگرچه پيش‌بيني مي‌شد اين كاربري داراي بيشترين دماي سطحي باشد، اما به نظر مي‌رسد به دليل تأثير عواملي از جمله وجود پارك‌ها كه باعث تبخير و تعرق شده و در خنك‌كنندگي شهر مؤثرند و همچنين عواملي ديگر از جمله سقف اغلب بام ساختمان‌ها كه ايزوگام بوده و در انعكاس انرژي تابشي نقش زيادي دارند، باعث شده اين كاربري داراي دماي سطحي پايين‌تري باشد (2).

نکته اساسی که این پژوهش آن را دنبال می‌کرد، بررسی تاثیر نوع و تغییر کاربری بر میزان دمای سطح زمین بود. تغییرات دمای سطح زمین در بازه زمانی سال‌های 1987 تا 2015 در کاربری‌های مختلف فرضیه‌های اول و دوم پژوهش مبنی بر اینکه نوع کاربری و تغییرات کاربری اراضی تاثیر محسوسی در تغییرات دمای سطح زمین دارد را تایید می‌کند و به طور کلی کسب اطلاعات از دمای سطح زمین و ارتباط آن‌ها با کاربری‌های اراضی می‌تواند راهگشای تصمیمات مدیریتی برای حفاظت از منابع باشد و با اتخاذ سیاست‌های مطلوب و درست به پیش‌بینی وضع آینده اقدام کنند. هرچند نواحی عاری از پوشش گیاهی دارای دمای سطحی بالاتری نسبت به نواحی است که دارای پوشش گیاهی هستند نتایج نشان داد همبستگی معنی‎داری بین پوشش گیاهی و دمای سطح زمین وجود ندارد که عمدتا ناشی از مقدار کافی پوشش گیاهی است. بنابراین فرض سوم پژوهش مبنی بر همبستگی معنی‌دار پوشش گیاهی با دمای سطح زمین رد می‌شود. اگر چه نتایج این تحقیق نشان از عدم رابطه بین پوشش گیاهی و دمای سطح زمین است اما از طرفی دیگر مطالعاتی هم وجود دارند که نشان می‌دهند عوامل مختلفی بر نوع و شکل یا رابطه اثرگذار است که از جمله می‌توان به نوع کاربری اراضی و پوشش زمین، مقدار پوشش گیاهی، فصل سال، زمان روز، نوع اکوسیستم، عرض جغرافیایی و عوامل محدوده کننده و محرک رشد پوشش گیاهی مثل مقدار آب و انرژی خورشیدی اشاره کرد (10). لذا پیشنهاد می‌شود در پژوهش‌های آتی این عوامل نیز مورد بررسی قرار گیرد.

 

منابع مورد استفاده

1.       Aboelnour M, Engel B. 2018. Application of remote sensing techniques and Geographic Information Systems to Analyze Land Surface Temperature in Response to Land Use/Land Cover Change in Greater Cairo Region, Egypt. Journal of Geographic Information System, 10: 57-88. https://doi.org/10.4236/jgis.2018.101003. 

2.       Ahmadi B, Ghorbani A, Safarrad T, Sobhani B. 2015. Evaluation of surface temperature in relation to land use/cover using remote sensing data. Journal of RS and GIS for Natural Resources 6(1): 61-77. (In Persian).

3.       Ahmadi M, Ashorlo D, Narangifard M, 2013. Temporal–spatial variation and thermal patterns, using ETM+ and TM data for Shiraz city. Iranian Journal of Remote Sencing and GIS. 4(4): 55-67. (In Persian).

4.       Akbari E; Ebrahimi M; Fiezizadeh B; Nezhadsoleimani H. 2016. Evaluating Land Surface Temperature related to the Land use Change Detection by Satellite Image (Case study: Taleghan Basin). Journal of Geography and Environmental Planning, 26(4): 151-170. (In Persian).

5.       Asghari Saraskanroud S, Emami H. 2019. Monitoring the earth surface temperature and relationship land use with surface temperature using of OLI and TIRS Image. Journal of Researches in Geographical Sciences. 2019; 19 (53) :195-215. https://doi.org/10.29252/jgs.19.53.195.  (In Persian).

6.       Du Y, Wu D, Liang F, Li C. 2013. Integration of case-based reasoning and object-based image classification to classify SPOT images: a case study of aquaculture land use mapping in coastal areas of Guangdong province, China. Journal of GIS Science and Remote Sensing, 50(5): 574-589. https://doi.org/10.1080/15481603.2013.842292. 

7.       Feizizadeh B, Didehban K, Gholamnia K, 2016. Extraction of Land Surface Temperature (LST) based on landsat satellite images and split window algorithm Study area: Mahabad Catchment. Journal of Geographical Data, 98:171-182. (In Persian).

8.       Ganasri B, Dwarakish G. 2015. Study of land use/land cover dynamics through classification algorithms for Harangi catchment area, Karnataka State, India. Journal of Aquatic Procedia, 4: 1413-1420. https://doi.org/10.1016/j.aqpro.2015.02.183. 

9.       García-Haro FJ, Camacho-de Coca F, Meliá J, Martínez B. 2005. Operational derivation of vegetation products in the framework of the LSA SAF project, EUMETSAT Meteorological Satellite Conference. Dubrovnik (Croatia). 19-23 Septiembre.

10.       Ghorbannia Kheybari V, Mirsanjari M, Liaghati H, Armin M. 2017. Estimating land surface temperature of land use and land cover in Dena county using single window algorithm and landsat 8 satellite data. Journal of Environmental Sciences, 15(2): 55-74. (In Persian).

11.       Gondwe SVC, Muchena R, Boys J. 2018. Detecting land Use and Land Cover and Land Surface Temperature Change in Lilongwe City, Malawi. Journal of Remote Sensing and GIS, 9(2): 17-26.

12.       Howarth PJ, Wickware GM. 1981. Procedures for change detection using Landsat digital data. International Journal of Remote Sensing, 2(3): 277–291. https://doi.org/10.1080/01431168108948362. 

13.       Jensen JR. 2015. Introductory Digital Image Processing: A Remote Sensing Perspective. Ed 4. Pearson, 656.

14.       Johnson B, Tateishi R, Kobayashi T. 2012. Remote Sensing of fractional green vegetation cover using spatially-interpolated endmembers. Journal of Remote Sensing, 9(4): 2619- 2634. https://doi.org/10.3390/rs4092619. 

15.       Kakeh Mami A, Ghorbani A, Kayvan Behjoo F, Mirzaei Mosivand A. 2017. Comparison of visual and digital interpretation methods of land use/cover mapping in Ardabil province. Iranian Journal of RS and GIS for Natural Resources, 8(3): 121-134. (In Persian).

16.       Khosravi Y, Heidari MA, Tavakoli A. 2017. Analyzing of the relationship between land surface temperature temporal changes and spatial pattern of land use changes. The Journal of Spatial Planning, 21(3) :119-144. (In Persian).

17.       Lillesand TM, Kiefer RW. 2000. Remote Sensing and Image Interpretation. 4th ed. New York: John Wiley and Sons.

18.       Lu D, Li G, Moran E, Freitas C, Dutra L, Sant’Anna S. 2012. A comparison of maximum likelihood classifier and object-based method based on multiple sensor datasets for land-use/cover classification in the Brazilian Amazon. Proceedings of 4th Geographic Object-Based Image Analysis (GEOBIA), Rio de Janeiro, Brazil. 7-9 May.

19.       Mir Yaghoubzadeh MH, Ghanbarpour MR. 2009. The application of remote sensing data in land surface temperature estimation (A case study of the Westin watershed, East Azerbaijan). Journal of Rangeland, 4: 723-734. (In Persian).

20.       Nduati EW, Mundia CN, Ngigi MM. 2013. Effects of Vegetation Change and Land Use / Land Cover Change on Land Surface Temperature in the Mara Ecosystem. International Journal of Science and Research, 8(2): 22-28.

21.       Rajeshwari A, Mani ND. 2014. Estimation of land surface temperature of dindigul district using Landsat 8 data”, IJRET. International Journal of Research in Engineering and Technology, 3(5): 122-126.

22.       Sobrino JA, Jiménez-Muñoz JC. Paolini L. 2004. Land surface temperature retrieval from LANDSAT TM 5. Journal of Remote Sensing of Environment, 90(4): 434-440. https://doi.org/10.1016/j.rse.2004.02.003. 

23.       Stehman SV. 2004. A critical evaluation of the normalized error matrix in map accuracy assessment. Journal of Photogrammetric Engineering and Remote Sensing, 70: 743–751. https://doi.org/10.14358/PERS.70.6.743. 

24.       U.S. Geological Survey, Earthexplorer service. 2015 URL:http://earthexplorer.usgs.gov/ 

25.       Valizadeh Kamran Kh, Gholamnia Kh, Eynali G, Moosavi M. 2017. Estimation land surface temperature and extract heat islands using split window algorithm and multivariate regression analysis (Case Study of Zanjan). Journal of Research and Urban Planning, 30(8): 33-50. (In Persian).

26.       Veysi Sh, Naseri AA, Hamzeh S, Moradi. P. 2016. Estimation of sugarcane field temperature using Split Window Algorithm and OLI LandSat 8 satellite images. Journal of RS and GIS Techniques for Natural Resources, 7(1): 27-40.

27.       Wan Z, Dozier J. 1996. A generalized split-window algorithm for retrieving land-surface temperature from space. Journal of Geoscience and Remote Sensing, 34(4): 892-905. https://doi.org/10.1109/36.508406. 

28.       Xiong Y, Huang S, Chen F, Ye H, Wang C, Zhu C. 2012. The Impacts of rapid urbanization on the thermal environment: a remote sensing study of Guangzhou, South China. Journal of Remote Sensing, 4: 2033-2056. https://doi.org/10.3390/rs4072033. 

29.       Yuan F, Bauer ME. 2007. Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery. Journal of Remote Sensing of Environment, 106(3): 375-386. https://doi.org/10.1016/j.rse.2006.09.003. 

30.       Zhi-qiang LV, Qi-gang Zh. 2011. Utility of landsat image in the study of land cover and land surface temperature change. Journal of Procedia Environmental Sciences, 10: 1287-1292. https://doi.org/10.1016/j.proenv.2011.09.206. 

 

Study the relationship between land use and vegetation changes with land surface temperature in Namin County

 

Abstract

Due to the limitation of meteorological stations, remote sensing can be a good alternative to land surface temperature (LST) estimation as an important indicator in the study of energy balance models. The main objective of this study is to assess the relationship between the LST and the land use (LU) change using satellite imagery. For this purpose, using the OLI and TIRS sensors of the LANDSAT 8 satellites and TM sensor from its fifth series the LST pattern, and also the LU map for monitoring the changes in the period of 1987 to 2015 in the Namin County of Ardabil province were extracted. In order to analyse the relationship between LST and vegetation index, coefficients correlation between LST and NDVI were calculated based on the type of LU (Forest, dry farming, irrigated farming, residential, rangeland and water bodies) in 1987 and 2015. Results showed the largest change is the conversion from rangelands to dry farming (33% hectares) and irrigated farming (17%). The regions with the forest cover (23°C and 21°C at the obtaining images time) and water bodies (21°C) had the lowest temperature. In both periods of 1987 and 2015, dry farming had the highest mean temperatures (34°C and 27°C respectively) compared to adjacent areas. The highest correlation coefficient between LST and NDVI was gain in 1987 in the rangeland and dry farming (-0.91 and -0.70 respectively) and the lowest was gain in residential and forest areas (-0.45 and -0.46 respectively). The highest correlation coefficient in rangeland and dry farming land in 2015 (-0.83 and -0.67 respectively) and the lowest in the forest and irrigated farming (-0.23 and -0.40 respectively) were obtained. Generally, the results showed that in most areas with lower temperatures, there is more vegetation, which indicates an inverse relationship between NDVI and LST.

 

Keywords: Land use, Land surface temperature, Vegetation, Ardabil province

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

بررسی رابطه تغییرات کاربری اراضی و پوشش گیاهی با دمای سطح زمین در شهرستان نمین

طرح مسئله: گسترش سريع شهرها به دليل تغييرات گسترده در كاربري و پوشش زمین اثرات منفي بر كيفيت زیست‌محیطی جهاني داشته است. تغییرات کاربری/پوشش اراضی، توسعه مناطق شهری و کشاورزی و جنگل‌زدایی باعث تغییر رژیم دمای منطقه‌ای و محلی می‌شود. آگاهی از میزان دمای سطح زمین کمک قابل توجهی به طیف وسیعی از مسائل مرتبط با علوم زمین مانند اقلیم شهری، تغییرات جهانی محیطی و بررسی تعاملات انسان و محیط می‌نماید. آنچه به‌عنوان یک نقص اساسی در پایش دمای سطح زمین به شمار می‌آید، نبود ایستگاه‌های هواشناسی کافی جهت آگاهی از مقادیر دمایی در نقاط فاقد ایستگاه است. با توجه به محدودیت اطلاعاتی که در تامین داده‌ها به‌ویژه در وسعت زیاد با مشکلات و موانع فراوانی همراه است و دست‌یابی در زمان واقعی سخت و یا غیر ممکن است. بنابراین، لزوم استفاده از فن‎آوری سنجش از دور با شرایط زمانی، همراه با ویژگی پیوستگی و داده‌برداری در محدوده‌های گسترده بسیار می‌تواند کارا باشد.

هدف: هدف از انجام اين تحقيق بررسی دمای سطح زمین شهرستان نمین در یک بازه زمانی 28 ساله و مقایسه نتایج به دست آمده با تغییرات کاربری اراضی بوده است.

روش تحقیق: داده‌های مورد استفاده در این تحقیق شامل، تصویر ماهواره لندست 8 که از سنجنده OLI به‌منظور استخراج نقشه کاربری اراضی و از سنجنده TIRS به‌منظور استخراج دمای سطح زمین برای سال 2015 و همچنین از تصویر سنجنده TM لندست 5 به‌منظور تهیه نقشه کاربری اراضی با استفاده از باندهای مرئی و مادون قرمز و دمای سطح با استفاده از باندهای حرارتی برای سال 1987 استفاده شد. تصاویر در اواخر فصل بهار و اوایل فصل تابستان به‌منظور نبود پوشش‌های ابری و برفی بالا و همچنین بالا بودن شدت تابش نور خورشید اخذ شد. از نرم‌افزار eCognition8.9 برای طبقه‌بندی شی‌پایه استفاده شد. طبقه‌بندی در 5 کلاس (کشاورزی دیم و آبی، مرتع، جنگل و مسکونی) برای سال 1987 و 6 کلاس (کشاورزی دیم و آبی، مرتع، جنگل، مسکونی و آب) برای سال 2015 انتخاب شدند. جهت ارزیابی صحت و مقایسه نقشه‌‌های حاصل، از ماتریس خطا، صحت کلی و آماره‌‌ی کاپا استفاده شد. از روش پنجره مجزا برای استخراج دمای سطح زمین استفاده شد. در نهایت به‌منظور تجزیه و تحلیل ارتباط بین دمای سطح زمین با شاخص پوشش گیاهی، ضرایب همبستگی بین دمای سطح زمین و شاخص پوشش گیاهی براساس نوع کاربری در سال‌های 1987 و 2015 محاسبه شد.

نتایج و بحث: بیشترین سطح اراضی در سال 1987 و 2015 متعلق به کاربری مرتع به ترتیب با 43781 و 34114 هکتار، دومین سطح مربوط به کاربری کشاورزی دیم به ترتیب با 23854 و 33277 هکتار است. کمترین سطح نیز در سال 1987 با توجه به عدم وجود کاربری آب متعلق به کاربری مسکونی با 1301 هکتار است در حالی که در سال 2015 با احداث سازه‌های آبی کاربری آب با مساحت 86 هکتار دارای کمترین سطح اراضی است. بیشترین افزایش سطح را کاربری کشاورزی دیم با 9423 هکتار افزایش دارا است که نسبت به سال 1987 افزایش چشمگیری را داشته است. بیشترین دمای ثبت شده برای شهرستان نمین در سال‌های 1987 و 2015 مربوط به کاربری کشاورزی دیم (به ترتیب با 34 و 27 درجه سانتی‌گراد) است که نشان از تمرکز حرارت در این مناطق است. این کاربری به دلیل عواملی از جمله خشک بودن محصولات در این زمان و برداشت محصولات بیشترین دما را دارا است. کاربری کشاورزی دیم در سال 1987 بیشترین دما (34 درجه سانتی‌گراد) را دارا بوده است اما در سال 2015 با کاهش دما (27 درجه سانتی‌گراد) مواجه شده است کما اینکه در همین سال 2015 نیز نسبت به سایر کاربری‌ها دارای بیشترین دمای سطحی بوده است. علت آن را می‌توان در عامل برداشت محصول دانست. با توجه به اینکه محصولات دیمی محدوده مورد مطالعه، اغلب گندم بوده و در این زمان از فصل، بیشتر گندم‌ها رسیده و یا برداشت می‌شوند، بنابراین تعرق این محصولات ناچیز است. کمترین دمای ثبت شده در شهرستان نمین به‌ترتیب مربوط به کاربری آب (21 درجه سانتی‌گراد)، جنگل (21 درجه سانتی‌گراد) و کشاورزی آبی (22 درجه سانتی‌گراد) است. با توجه به اینکه آب دارای ظرفیت گرمایی بالایی می‌باشد، لذا بیشترین اثر را در کاهش دما دارد. در کاربری‌های جنگل و کشاورزی آبی به دلیل پوشش گیاهی بیشتر دما سطح زمین کمترین مقدار (به ترتیب 23 و 24 درجه سانتی‌گراد در سال 1987 و 21 و 22 درجه سانتی‌گراد در سال 2015) را نسبت به سایر کاربری‌ها دارا است. کاربری مربوط به کشاورزی در این ناحیه، بعد از مناطق جنگلی دارای کمترین دمای سطحی (24 درجه سانتی‌گراد در سال 1987 و 21 درجه سانتی‌گراد در سال 2015) می‌باشد. با توجه به اینکه محصولات زراعی کشت شده در این محدوده گیاهانی از جمله سیب‌زمینی است و این گیاهان دارای نیاز آبی بیشتری هستند. بنابراین، این گیاهان در خرداد ماه دارای سبزینگی بالایی بوده و همین امر باعث شده که در محدوده تحت کشت آن‌ها تعرق بیشتری نسبت به سایر نواحی صورت گیرد و بالطبع در خنک نگهداشتن دمای سطحی بسیار تأثیرگذار بوده است. کاربری مرتع در هر دو سال مورد مطالعه، دمای بالایی (به ترتیب 27 و 25 درجه سانتی‌گراد) را داشته است و اختلاف ناچیزی بین هر دو سال مشاهده می‌شود. دلیل بالا بودن دمای این کاربری، با توجه به فصل مورد مطالعه که اواخر خرداد و اوایل تیرماه است، ازدیاد نواحی عاری از تاج پوشش گیاهی یا پوشش گیاهی ناچیز و پراکنده است. به دلیل اینکه در ماه مرداد اغلب شاخ و برگ گیاهان موجود خشک بوده و تعرق پایین است دمای بالایی نیز ثبت می‌شود. رابطه بین دمای سطح زمین و شاخص پوشش گیاهی در کاربری مرتع در هر دو سال مورد مطالعه بالاترین همبستگی (91/0 در سال 1987 و 83/0 در سال 2015) را به خود اختصاص داد در حالی‌که در کاربری جنگل ضریب همبستگی کمترین مقدار (46/0 در سال 1987 و 23/0 در سال 2015) را داشت.

نتیجه­گیری: نوع کاربری و تغییرات کاربری اراضی تاثیر محسوسی در تغییرات دمای سطح زمین دارد. هرچند نواحی عاری از پوشش گیاهی دارای دمای سطحی بالاتری نسبت به نواحی است که دارای پوشش گیاهی هستند. نتایج نشان داد همبستگی معنی‎داری بین پوشش گیاهی و دمای سطح زمین وجود ندارد که عمدتا ناشی از مقدار کافی پوشش گیاهی است. به‌طور کلی نتایج نشان داد، در اکثر مناطق با دمای کمتر، پوشش گیاهی انبوه‌تری وجود دارد که بیانگر رابطه معکوس بین شاخص پوشش گیاهی و دمای سطح زمین است.

واژگان کلیدی: کاربری اراضی، دمای سطح زمین، پوشش گیاهی، استان اردبیل

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Study the relationship between land use and vegetation changes with land surface temperature in Namin County, Iran

 

Statement of the Problem: Rapid development of cities and extensive changes in land use and land cover has had negative effects on global environmental quality. Urban and agricultural development, and deforestation are changing the regional and local temperature regime. Knowing the land surface temperature contributes significantly to a wide range of Earth science-related issues such as urban climate, global environmental change, and the study of human-environmental interactions. What is considered to be a major flaw in monitoring the land surface temperature is the lack of sufficient meteorological stations to be aware of temperature values in places without a station. Due to the limited information available in the data supply, especially in large area, it is associated with many problems and obstacles, and real-time access is difficult or impossible. Therefore, the need to use remote sensing technology with time conditions with the feature of continuity and data collection in a wide range can be very effective.

Purpose: The purpose of this study is to investigate the land surface temperature of Namin county in a period of 28 years and to compare the results with land use and vegtation changes.

 

Methodology: The data used in this study included a Landsat 8 satellite images of the OLI sensor to extract land use maps and a TIRS sensor image to extract land temperature for 2015, as well as a Landsat 5 satellite images of the TM sensor to extract land use, using visible and infrared bands, and thermal bands used for land surface temperature extraction for 1987. Selected images were taken in late spring and early summer due to the lack of high cloud cover and snow, as well as the high intensity of sunlight. The eCognition8.9 software was used for object-based classification to derive land use mapes for both dates. Classification in five classes (dry and irrigated farming, rangeland, forest and residential) were selected for 1987 and six classes (dry and irrigated farming, rangeland, forest, residential and water bodies) for 2015. To assess the accuracy and comparison of the resulting maps, the error matrix, overall accuracy, and kappa statistics were used. Split-Window Algorithm method was used to extract the surface temperature of the study area. Finally, in order to analyze the relationship between land surface temperature and vegetation index, the correlation coefficients between land surface temperature and vegetation index were calculated based on 1987 and 2015 land use types.

 

Results and discussion: The highest land use area in maps 1987 and 2015 belonged to the rangeland with 43781 and 34114 hectares, respectively and the second land use area belonged to irrigated farming lands with 23854 and 33277 hectares, respectively. The lowest land use area in 1987 due to the lack of water use belongs to residential with 1301 hectares, while in 2015 with the construction of water structures, water bodies with an area of 86 hectares has the lowest land use area. The highest land use area increase was in the dry farming with 9423 hectares, which is a significant increase compared to 1987. The highest recorded temperature for Namin county in 1987 and 2015 was related to dry farming (34°C and 27°C, respectively), which indicates the concentration of heat in these areas. This type of land use has the highest temperature due to factors such as the dryness of the products at this time and the harvest of the products. In 1987, dry farming lands had the highest temperature (34°C), but in 2015 it experienced a decrease in temperature (27°C), just as in 2015 it had the highest land surface temperature compared to other type of land uses. The reason can be attributed to the factor of harvesting crops. Due to the fact that the rainfed crops in the study area are mostly wheat, and at this time of the season, most of the wheat is ripe or harvested, so the transpiration of these products is insignificant. The lowest recorded temperatures in Namin county are related to water bodies (21°C), forest (21°C) and irrigated farming (22°C), respectively. Due to the fact that water has a high heat capacity, it has the greatest effect on reducing the temperature. In forest and irrigated farming lands, due to the higher vegetation density, the ground temperature has the lowest value (23°C and 24°C in 1987 and 21°C and 22°C in 2015, respectively) compared to other land use types. Agricultural land uses in this area has the lowest land surface temperature after forest areas (24°C in 1987 and 21°C in 2015). Due to the fact that the crops cultivated in this area are plants such as potatoes and these plants have more water needs. Therefore, these plants have a high greenness value at June to early July, which has led to more transpiration in the area under cultivation than other areas, and of course has been very effective in keeping the land surface temperature cool. The rangeland has had high land surface temperatures (27°C and 25°C, respectively) in both selected years, and there is little difference between the two years. According to the study season, the high temperature of this land use type, which was late June to early July, is the increase in bare soil or low canopy cover or scattered canopy cover areas. Due to the fact that in August, most of the leaves of the existing plants are dry and the transpiration are low, high temperatures are also recorded. The relationship between land surface temperature and vegetation index in rangeland land use in two selected years had the highest correlation (0.91 in 1987 and 0.83 in 2015), while in forest the correlation coefficient was the lowest (0.46 in 1987 and 0.23 in 2015).

 

Conclusion: Land use type and land use and vegetation changes have a significant effect on land surface temperature changes. However, areas without vegetation have a higher land surface temperature than areas with vegetation. The results showed that there was no significant correlation between vegetation cover and land surface temperature, which is mainly due to sufficient vegetation. In general, the results showed that in most areas with lower temperatures, there is more vegetation, which indicates an inverse relationship between vegetation index and land surface temperature.

 

Keywords: Land use, Land surface temperature, Vegetation, Ardabil province