Monitoring land use changes and its relationship with land surface temperature and vegetation index in the southern areas of Ardabil province (Case study: Kiwi Chay catchment)
Subject Areas : Natural resources and environmental managementShirin Mahdavian 1 , Batool Zeinali 2 , Bromand Salahi 3
1 - Phd Student of Climatology, Faculty of Literature and Sciences, Mohaghegh Ardebili University,Ardebil, Iran
2 - Associate Professor, Department of natural geography, Faculty of Literature and Sciences, Mohaghegh Ardebili University, Ardebil, Iran
3 - Professor, Department of natural geography, Faculty of Literature and Sciences, Mohaghegh Ardebili University, Ardebil, Iran
Keywords: land use, contribution index, Normalized differential vegetation index, Land surface temperature (LST),
Abstract :
Background and Objective Irregular and unplanned urban expansion is known as urban sprawl and is characterized by low-density, transport-driven development, spreading out over large swathes of land towards the fringes of established urban centers. It is generally held that morphological modification of the urban landscape results in rising urban temperatures and the urban heat island (UHI) phenomenon. The biophysical properties of the urban space are determinants of the local urban climate. When there is significant alteration such as the replacement of vegetation and evaporating surfaces with impervious surfaces, the surface energy budget experiences fluxes which leads to warming at the local scale. Most scientists believe that the Earth's temperature has been rising since the 19th century. Meanwhile, a phenomenon called heat island in metropolitan areas (UHI) has caused a faster rise in temperature in these micro-climates, and in the coming years, the rapid urbanization trend will also increase the slope of temperature rise in cities. According to statistics provided by the United Nations, by 2025, more than 80% of the world's population will live in cities, and this will worsen the situation as cities become warmer. Surface temperature (LST) is one of the most important environmental parameters that is affected by land use change. The purpose of this study is to analyze the land use change in the two periods of 1987 and 2019, to estimate and study the changes in LST and NDVI in the same period, and to analyze the impact of land use change in LST and NDVI and the relationship between all three parameters.Materials and Methods In this study, Landsat 8 satellite images were used from the OLI sensor to extract the land use map and vegetation index, and the TIRS sensor was used to extract ground surface temperature for 2019 also Landsat 5 OLI sensor image was used to prepare land use map and vegetation index. Using visible, near-infrared, and infrared bands, the TM sensor was used to extract the surface temperature using thermal bands for 1987. Ecognition software was used to classify the object. Error matrices and related statistics (overall accuracy, kappa coefficient, user and Producer accuracy of each class) were used to evaluate the classification accuracy. Finally, Pearson correlation analysis was used to analyze the correlation between LST and NDVI, and the Contribution index was used to evaluate the impact of land use on surface temperature.Results and Discussion Investigating land use changes and their relationship with land surface temperature and vegetation index requires determining the type of land use and accurate estimation of land surface temperature and vegetation index. Preparing a satisfied land use map using Landsat satellite images and applying the object classification method Oriented has a relatively high accuracy. The accuracy of land use map classification in 1987, 82.5, and in 2019, 96.1 shows the high accuracy of the land use classification method and land use map. The study of land use changes in 1987 and 2019 in the Givi Chay catchment showed that rangeland use with an area of 1224.18 and 10469.59 square kilometers is the dominant land use, while in 1987, residential use with an area of 66.63 square kilometers and in 2019, water use with an area of 3.77 square kilometers had the lowest area. Also, the most modified use of rangeland use was dryland agriculture (181 square kilometers), which indicates the destruction of rangelands. The results of surface temperature during the 33-year period were evaluated which showed that the average surface temperature in 1987 from 28.39 °C to 38.86 °C and in 2019 from 34.35 °C to 46.62. The temperature has increased so that the average temperature of the whole study area in 33 years has increased by about 7.11 degrees Celsius. This indicates the urban development in the study area. The highest temperature recorded in both periods belongs to dryland agricultural use (38.86 and 46.62 ° C, respectively), which indicates the concentration of heat in these areas. Dryness and harvest at this time can be the main cause of high temperatures of this use. Garden, forest, and water uses showed lower surface temperatures in both periods than other uses. Vegetation areas due to evapotranspiration have a temperature-moderating role and have areas with a minimum temperature in both periods. Water use also has a great effect on reducing the temperature due to its high heat capacity. The use of residential areas compared to rainfed and pasture agricultural uses showed a lower temperature, which can be due to the existence of parks, and gardens that cause evaporation and cooling of the city, as well as factors such as roofing, felt in The reflection of radiant energy has a great share. Rangeland use had high temperatures (36.57 and 44.81 °C, respectively) in both years under study. The reason for the high temperature of this land, according to the study season, which is late June and early July, is an increase in areas free of vegetation or vegetation that is small and scattered. There was also a large negative correlation between LST and NDVI in the two study periods. Rainfed and rangeland agriculture with higher LST have lower NDVI, while vegetation and water have higher NDVI. Aquatic agricultural use, which was mostly observed in the areas around the Givi Chai River, showed lower temperatures due to the presence of moisture and evapotranspiration due to vegetation density. In the study area, suburban areas (gardens) and irrigated arable lands along the Givi Chai River and forests have the highest amount of vegetation index (NDVI) due to their relatively high green biomass, while irrigated areas, rainfed lands, Residential areas, and pastures have the lowest vegetation index. The results of vegetation index analysis for each land use class showed that forests, rainfed agriculture, and rangelands with the highest LST values and the lowest NDVI values while the lowest LST values and higher NDVI values were observed in forest and garden classes. Replacement of vegetation and forests with residential areas causes the conversion of wet soils to impenetrable surfaces, which leads to reduced surface evaporation. Absorbed solar radiation is converted to heat and reflected with higher values of LST. Increased vegetation has reduced the earth's surface temperature, and this is due to the fact that more vegetation leads to more evapotranspiration and transfer of part of the temperature and cooling of the earth's surface. Finally, the calculation of the participation index for each land use class in 1987 and 2019 showed that dryland agricultural use in 1987 and rangeland use in 2019 had the largest share in increasing surface temperature in the study area. According to the time of the selected images, the main reason for this participation can also be attributed to the time of harvest of dryland agricultural products and drying of pastures.Conclusion The results confirm the increase in surface temperature between different land use classes. Rangeland and dry agricultural uses showed higher LST values compared to forests and irrigated agriculture and water areas. High-temperature areas also had low NDVI values. Conversely, low-temperature areas such as vegetation and water had higher NDVI values. In addition, a high negative correlation was observed between LST and NDVI in both study periods. It has also been shown that rangeland and irrigated agriculture have a positive effect on LST, while forests and water have a cooling or moderating effect.
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. DOI: 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).
Anderson J.R. 1971. Land use classification schemes used in selected recent geographic applications of remote sensing: Photogramm. Eng, 37(4), 379-387.
Asghari S, emami H .2019. Monitoring the land surface temperature and relationship land use with surface temperature using of OLI and TIRS Image. researches in Geographical Sciences. 19 (53) :195-215. (In Persian).
Ayanlade A. 2016. Variation in diurnal and seasonal urban land surface temperature: landuse change impacts assessment over Lagos metropolitan city. Model. Earth Syst. Environ. 2, 1–8 (2016). https://doi.org/10.1007/s40808-016-0238-z
Babalola O S, Akinsanola A A. 2016. Change Detection in Land Surface Temperature and Land Use Land Cover over Lagos Metropolis, Nigeria. Journal of Remote Sensing and GIS, 5(3), 1000171. DOI: 10.4172/2469-4134.1000171
Chen M, Zhang H, Liu W, Zhang W. 2014. The Global Pattern of Urbanization and Economic Growth: Evidence from the Last Three Decades https://doi.org/10.1371/journal.pone.0103799.
Crawley M. J. 2005. Statistics: An Introduction using R, John Wiley and Sons Ltd, West Sussex, England.
Danodia A, Nikam B, Kumar S, Patel R. 2017. Land Surface Temperature Retrieval by Radiative Transfer Equation and Single Channel Algorithms Using Landsat-8 Satellite Data. Encyclopedia. https://www.researchgate.net/publication/320727952
Feng Y, Gao C, Tong X, Chen S, Lei Z, Wang J. 2019.Spatial Patterns of Land Surface Temperature and their Influencing Factors: A Case Study in Suzhou, China. Remote Sens., 11(2), 182; https://doi.org/10in.3390/rs11020182
Fonseka H P U, Zhang H, Sun Y, Su H, Lin H, and Lin Y. 2019. Urbanization and Its Impacts on Land Surface Temperature in Colombo Metropolitan Area, Sri Lanka, from 1988 to 2016. Remote Sens. 11(8), 957.
Ghazanfari M, Alizadeh A, Naseri M, Farid Hosseini A. 2010. Evaluating the Effects of UHI on Mashhad Precipitation Water and Soil, 24(2), -. doi: 10.22067/jsw.v0i0.3252. (In Persian).
Guha S, Govil H, Dey A, and Gill N. 2020. A case study on the relationship between land surface temperature and land surface indices in Raipur City, India. Geografisk Tidsskrift-Danish Journal of Geography 120(1), 35–50. DOI 10.1080/00167223.2020.1752272.
Haque M I, Basak R. 2017. Land cover change detection using GIS and remote sensing techniques: A spatio-temporal study on Tanguar Haor, Sunamganj, Bangladesh. The Egyptian Journal of Remote Sensing and Space Sciences 20 (2017) 251–263. https://doi.org/
Hasmadi M, Pakhriazad, H.Z., and Shahrin, M.F. 2009, Evaluating supervised and unsupervised techniques for land cover mapping using remote sensing data. Geografia: Malaysian Journal of Society and Space, 5 (1), 1-10. ISSN 2180-2491.
Hegazy I, Kaloop M. 2015. Monitoring urban growth and land use change detection with GIS and remote sensing techniques in Daqahlia governorate Egypt. International Journal of Sustainable Built Environment 4, 117–124
Kakehmami A , Ghorbani A , Asghari Sarasekanrood S, Ghale E, Ghafari S. 2020. Study of the relationship between land use and vegetation changes with the land surface temperature in Namin County, Journal of Rs and Gis for natural Resources, 11(2), 27-48. magiran.com/p2157235. (In Persian).
Liu L, and Zhang Y. 2011. Urban heat island analysis using the LandSat TM data and ASTER Data: A case study in Hong Kong. Remote Sensing. 3. 1552-1553.
Lotfi S, Mahmodzadeh H, Abdolahi M, Salek Faroukhi R. 2011. Land Use Mapping Of Marand: Appling Spot Satillite data and an Objected–Oriented approach. journal of GIS.RS. Application in planning, [online] 1(2), pp.47-56. Available: https://www.sid.ir/en/journal/ViewPaper.aspx?id=272258. (In Persian).
Lu D, Mausel P, Brondízio E, Moran E. 2004. Change detection techniques, International Journal of Remote Sensing, 25(12), 2365- 2401, DOI: 10.1080/0143116031000139863.
Mahato S , Swades P.2018. Changing Land Surface Temperature of a Rural Rarh Tract River Basin of India, Remote Sensing Applications. Society and Environment, https://doi.org/10.1016/j.rsase.2018.04.005
Marco H. 2019. Spatiotemporal Contextual Uncertainties in Green Space Exposure Measures: Exploring a Time Series of the Normalized Difference Vegetation Indices. Int. J. Environ. Res. Public Health 2019, 16, 852; doi:10.3390/ijerph16050852 www.mdpi.com/journal/ijerph.
Morgan J A. 1998. The definition of surface emissivity in thermal remote sensing, 1998 IEEE Aerospace Conference Proceedings (Cat. No.98TH8339), Snowmass at Aspen, CO, 1998, pp. 159-169 vol.5.
Rajabi M , Feyzolahpour M . 2014. Zoning the Landslides of Givichay River Basin by Using Multi Layer Perceptron Model. Geography and Development Iranian Journal, 12(36), 161-180. doi: 10.22111/gdij.17160(In Persian).
Saghir J, Santoro J. 2018. Urbanization in Sub-Saharan Africa: Meeting Challenges by Bridging Stakeholders. © 2018 by the Center for Strategic and International Studies. www.csis.org
Sekertekin A., Bonafoni, S. 2020, Land Surface Temperature Retrieval from Landsat 5, 7, and 8 over Rural Areas: Assessment of Different Retrieval Algorithms and Emissivity Models and Toolbox Implementation. Remote Sens. 2020, 12, 294; doi:10.3390/rs12020294
Sharma M , Gupta, R, Kumar D, Kapoor R. 2011. Efficacious approach for satellite image classification. Journal of Electrical and Electronics Engineering Research, 3(8), 143-150.
Swades P, Ziaul, S.2016. Detection of land use and land cover change and land surface temperature in English Bazar urban centre Egypt. J. Remote Sensing Space Sci. (2016), http://dx.doi.org/10.1016/j.ejrs.2016.11.003
Tarawally M , Wenbo X , Weiming H, Terence D.M. 2018. Comparative Analysis of Responses of Land Surface Temperature to Long-Term Land Use/Cover Changes between a Coastal and Inland City: A Case of Freetown and Bo Town in Sierra Leone, Remote Sensing 2018, 10: 112, 18p. doi:10.3390/rs10010112.
Zhao L. 2018. Urban growth and climate adaptation. Nature Clim Change 8, 1034 (2018). https://doi.org/10.1038/s41558-018-0348-x.
_||_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. DOI: 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).
Anderson J.R. 1971. Land use classification schemes used in selected recent geographic applications of remote sensing: Photogramm. Eng, 37(4), 379-387.
Asghari S, emami H .2019. Monitoring the land surface temperature and relationship land use with surface temperature using of OLI and TIRS Image. researches in Geographical Sciences. 19 (53) :195-215. (In Persian).
Ayanlade A. 2016. Variation in diurnal and seasonal urban land surface temperature: landuse change impacts assessment over Lagos metropolitan city. Model. Earth Syst. Environ. 2, 1–8 (2016). https://doi.org/10.1007/s40808-016-0238-z
Babalola O S, Akinsanola A A. 2016. Change Detection in Land Surface Temperature and Land Use Land Cover over Lagos Metropolis, Nigeria. Journal of Remote Sensing and GIS, 5(3), 1000171. DOI: 10.4172/2469-4134.1000171
Chen M, Zhang H, Liu W, Zhang W. 2014. The Global Pattern of Urbanization and Economic Growth: Evidence from the Last Three Decades https://doi.org/10.1371/journal.pone.0103799.
Crawley M. J. 2005. Statistics: An Introduction using R, John Wiley and Sons Ltd, West Sussex, England.
Danodia A, Nikam B, Kumar S, Patel R. 2017. Land Surface Temperature Retrieval by Radiative Transfer Equation and Single Channel Algorithms Using Landsat-8 Satellite Data. Encyclopedia. https://www.researchgate.net/publication/320727952
Feng Y, Gao C, Tong X, Chen S, Lei Z, Wang J. 2019.Spatial Patterns of Land Surface Temperature and their Influencing Factors: A Case Study in Suzhou, China. Remote Sens., 11(2), 182; https://doi.org/10in.3390/rs11020182
Fonseka H P U, Zhang H, Sun Y, Su H, Lin H, and Lin Y. 2019. Urbanization and Its Impacts on Land Surface Temperature in Colombo Metropolitan Area, Sri Lanka, from 1988 to 2016. Remote Sens. 11(8), 957.
Ghazanfari M, Alizadeh A, Naseri M, Farid Hosseini A. 2010. Evaluating the Effects of UHI on Mashhad Precipitation Water and Soil, 24(2), -. doi: 10.22067/jsw.v0i0.3252. (In Persian).
Guha S, Govil H, Dey A, and Gill N. 2020. A case study on the relationship between land surface temperature and land surface indices in Raipur City, India. Geografisk Tidsskrift-Danish Journal of Geography 120(1), 35–50. DOI 10.1080/00167223.2020.1752272.
Haque M I, Basak R. 2017. Land cover change detection using GIS and remote sensing techniques: A spatio-temporal study on Tanguar Haor, Sunamganj, Bangladesh. The Egyptian Journal of Remote Sensing and Space Sciences 20 (2017) 251–263. https://doi.org/
Hasmadi M, Pakhriazad, H.Z., and Shahrin, M.F. 2009, Evaluating supervised and unsupervised techniques for land cover mapping using remote sensing data. Geografia: Malaysian Journal of Society and Space, 5 (1), 1-10. ISSN 2180-2491.
Hegazy I, Kaloop M. 2015. Monitoring urban growth and land use change detection with GIS and remote sensing techniques in Daqahlia governorate Egypt. International Journal of Sustainable Built Environment 4, 117–124
Kakehmami A , Ghorbani A , Asghari Sarasekanrood S, Ghale E, Ghafari S. 2020. Study of the relationship between land use and vegetation changes with the land surface temperature in Namin County, Journal of Rs and Gis for natural Resources, 11(2), 27-48. magiran.com/p2157235. (In Persian).
Liu L, and Zhang Y. 2011. Urban heat island analysis using the LandSat TM data and ASTER Data: A case study in Hong Kong. Remote Sensing. 3. 1552-1553.
Lotfi S, Mahmodzadeh H, Abdolahi M, Salek Faroukhi R. 2011. Land Use Mapping Of Marand: Appling Spot Satillite data and an Objected–Oriented approach. journal of GIS.RS. Application in planning, [online] 1(2), pp.47-56. Available: https://www.sid.ir/en/journal/ViewPaper.aspx?id=272258. (In Persian).
Lu D, Mausel P, Brondízio E, Moran E. 2004. Change detection techniques, International Journal of Remote Sensing, 25(12), 2365- 2401, DOI: 10.1080/0143116031000139863.
Mahato S , Swades P.2018. Changing Land Surface Temperature of a Rural Rarh Tract River Basin of India, Remote Sensing Applications. Society and Environment, https://doi.org/10.1016/j.rsase.2018.04.005
Marco H. 2019. Spatiotemporal Contextual Uncertainties in Green Space Exposure Measures: Exploring a Time Series of the Normalized Difference Vegetation Indices. Int. J. Environ. Res. Public Health 2019, 16, 852; doi:10.3390/ijerph16050852 www.mdpi.com/journal/ijerph.
Morgan J A. 1998. The definition of surface emissivity in thermal remote sensing, 1998 IEEE Aerospace Conference Proceedings (Cat. No.98TH8339), Snowmass at Aspen, CO, 1998, pp. 159-169 vol.5.
Rajabi M , Feyzolahpour M . 2014. Zoning the Landslides of Givichay River Basin by Using Multi Layer Perceptron Model. Geography and Development Iranian Journal, 12(36), 161-180. doi: 10.22111/gdij.17160(In Persian).
Saghir J, Santoro J. 2018. Urbanization in Sub-Saharan Africa: Meeting Challenges by Bridging Stakeholders. © 2018 by the Center for Strategic and International Studies. www.csis.org
Sekertekin A., Bonafoni, S. 2020, Land Surface Temperature Retrieval from Landsat 5, 7, and 8 over Rural Areas: Assessment of Different Retrieval Algorithms and Emissivity Models and Toolbox Implementation. Remote Sens. 2020, 12, 294; doi:10.3390/rs12020294
Sharma M , Gupta, R, Kumar D, Kapoor R. 2011. Efficacious approach for satellite image classification. Journal of Electrical and Electronics Engineering Research, 3(8), 143-150.
Swades P, Ziaul, S.2016. Detection of land use and land cover change and land surface temperature in English Bazar urban centre Egypt. J. Remote Sensing Space Sci. (2016), http://dx.doi.org/10.1016/j.ejrs.2016.11.003
Tarawally M , Wenbo X , Weiming H, Terence D.M. 2018. Comparative Analysis of Responses of Land Surface Temperature to Long-Term Land Use/Cover Changes between a Coastal and Inland City: A Case of Freetown and Bo Town in Sierra Leone, Remote Sensing 2018, 10: 112, 18p. doi:10.3390/rs10010112.
Zhao L. 2018. Urban growth and climate adaptation. Nature Clim Change 8, 1034 (2018). https://doi.org/10.1038/s41558-018-0348-x.
پایش تغییرات کاربری اراضی و ارتباط آن با دمای سطح زمین و شاخص پوشش گیاهی
در نواحی جنوبی استان اردبیل (حوضه آبریز گیوی چای)
چکیده
دمای سطح زمین (Land Surface Temperatur)بهعنوان متغیر مهم ریز اقلیم و تشعشع انتقالی داخل جو، یکی از معیارهای مهم در برنامهریزی ناحیهای و منطقهای است؛ ازاینرو، عامل مهمی در کنترل فرایندهای زیستمحیطی، شیمیایی و فیزیکی زمین است. فعالیتهای طبیعی و انسانساز بهویژه نوع کاربری اراضی و پوشش زمین با تغییر شرایط فیزیکی و زیستی یک منطقه پارامتر مهمی در مقدار دمای سطح زمین است. در این پژوهش، تغییرات کاربری زمین و رابطه آن با دمای سطح زمین و شاخص پوشش گیاهی حوضه آبریز کیوی چای در سالهای 2019 و 1987 با استفاده از الگوریتم تککاناله روی مجموعه تصاویر لندست 5 و 8 بررسیشده است. رابطه بین کاربری زمین، دمای سطح زمین و شاخص پوشش گیاهی با استفاده از شاخص مشارکت (Contribution Index) و تجزیهوتحلیل همبستگی پیرسون ارزیابیشده است. بین سالهای 1987 - 2019 ، مساحت کشاورزی دیم از 390 کیلومترمربع به 217 کیلومترمربع، مرتع از 1224 کیلومترمربع به 1046 کیلومترمربع و آب از 11 کیلومترمربع به 3 کیلومترمربع کاهشیافته است، درحالیکه مساحت کشاورزی آبی از 137 کیلومترمربع به 388 کیلومترمربع، باغ از 10 کیلومترمربع به 60 کیلومترمربع، جنگل از 47 کیلومترمربع به 75 کیلومترمربع و مسکونی از 3 کیلومترمربع به 32 کیلومترمربع افزایشیافته است. میانگین دمای سطح زمین در حوضه آبریز گیوی چای 72/33 (1987) و 83/40 (2019) است. بیشترین مقدار دمای سطح مربوط به کاربری کشاورزی دیم و کمترین آن مربوط به کاربری جنگل و باغ است. بیشترین شاخص مشارکت در دمای سطح نیز مربوط به کاربری مرتع است. شاخص مشارکت کاربری مرتع از 4/1 در سال 1987 به 26/2 در سال 2019 افزایشیافته است. همچنین در دو دوره مطالعه بین دمای سطح زمین و شاخص پوشش گیاهی همبستگی منفی وجود داشته است.
واژههای کلیدی: کاربری زمین، دمای سطح زمین، شاخص پوشش گیاهی تفاضلی نرمال شده، شاخص مشارکت.
مقدمه
گسترش شهری بیرویه و برنامهریزی نشده به پراکندگی شهری معروف است و با تراکم کم، توسعه حملونقل محور و گسترش وسیع به سمت حاشیه مراکز تأسیسشده شهری مشخص میشود. بهطورکلی اعتقاد بر این است که اصلاح ریختشناسی منظر شهری منجر به افزایش دمای شهری و پدیده جزیره گرمای شهری (Urban heat island) میشود (5). خصوصیات بیوفیزیکی فضای شهری عوامل تعیینکننده آبوهوای محلی شهری است (30). هنگامیکه تغییرات قابلتوجهی مانند جایگزینی پوشش گیاهی و سطوح تبخیری با سطوح غیر قابلنفوذ وجود داشته باشد، مقدار انرژی سطح تغییراتی را تجربه میکند که منجر به گرم شدن در مقیاس محلی میشود (10). رشد شهری توسط عوامل مختلفی ازجمله رشد طبیعی جمعیت، مهاجرت، صنعتی و نوسازی صورت میگیرد(25). این عوامل برای توسعه اقتصادی مفید است، زیرا مناطق شهری بیش از 70٪ از تولید ناخالص داخلی (GDP) کشورها را تشکیل میدهند و نیز عامل رشد اقتصادی هستند (7). بااینحال، وقتی رشد شهری یا تغییر کاربری زمین به روشی پایدار کنترل نشود، عواقب منفی زیادی برای ساکنان و محیطزیست به دنبال خواهد داشت.
اغلب دانشمندان بر این باورند که دمـای کـره زمـین از قـرن 19 میلادی در حال افزایش است. در این میان، پدیدهای به نام جزیره گرمایی درکلان شهرها (UHI) باعث افزایش سریعتر دما در ایـن خرد اقلیمها گردیده و در سالهای آینـده روند سریع شهرنـشینی نیـز بر شیب افزایش دما در شهرها خواهد افـزود. مطـابق آمـار ارائهشده توسط سازمان ملل تـا سـال 2025 بـیش از %80 جمعیـت جهـان در شهرها ساکن خواهند بود و این مـسئله با گرم شدن هرچه بیشتر شهرها بر وخامت شرایط میافزاید. پدیده جزیره گرمایی در وضعیت آلودگی هوا و مـدیریت آن، افزایش دمای محیط و مصرف انرژی وسایل خنککننده خـانگی و همچنین سلامت عمومی در مناطق شهری تأثیرات مهمی دارد (12). دمای سطح زمین (LST) یکی از مهمترین پارامترهای زیستمحیطی است که تحت تأثیر تغییرات کاربری زمین قرار دارد. LST دمای سطح را در سطح تاج پوشش گیاهی، در سطح خاک برای زمینهای بایر و در لایههای سطحی برای انواع پوشش زمین شهری اندازهگیری میکند. بهطورمعمول، دمای سطح در مناطق شهری به دلیل ویژگیهای فیزیکی آن بیشتر از مناطق گیاهی و مرطوب است. برایناساس، گسترش شهری منجر به افزایش مقادیر دما میشود(11). سنجشازدور حرارتی دادهها را در ناحیه مادونقرمز طیف الکترومغناطیسی (EM) جمعآوری میکند و برای تخمین دمای سطح استفاده میشود (26). محققان الگوریتمهای مختلفی برای استخراج LST از تصاویر ماهوارهای ایجاد کردهاند. این الگوریتمها شامل الگوریتم پنجره مو نو (MWA) ، الگوریتم تک کانال (SCA) ، معادله انتقال تابشی (RTE) و الگوریتم پنجره مجزا (SWA) است (9). همانطور که مطالعات اخیر نشان داده است، معیار دیگری تحت عنوان شاخص پوشش گیاهی تفاضلی نرمال شده (Normalized Difference Vegetation) ، قادر به ارائه تحلیل و تفسیر آگاهانه از پوشش زمین است و برای کاربری و نقشهبرداری از پوشش زمین ازنظر محاسباتی ساده، بسیار کارآمد و مفید است(22).
در مطالعات قبلی، بسیاری از محققان با استفاده از روشهای مختلف برآورد LST ، تأثیر گسترش شهری بر LST را موردبررسی قرار دادهاند. بابالولا وآاکینسانولا(6) توزیع جغرافیایی پوشش زمین و تغییرات دمای سطح زمین در برخی از مناطق ایالت لاگوس را با استفاده از دادههای تصاویر Landsat بین دورههای 1984 و 2013 ارزیابی و روابط بین پوشش زمین، LST و NDVI را با یک رویکرد کمی بررسی کردند. نتایج نشان داد که (1) توزیع جزیره گرمایی بهسرعت در منطقه موردمطالعه گسترشیافته است. (2) پوشش زمین بهسرعت در طی 30 سال کاهشیافته است؛ (3) الگوهای پوشش زمین و تغییرات به تغییرات در اقلیم کوچک کمک کرده و برشدت UHI عمدتاً از طریق پراکندگی حومه، فشردگی خاک و جنگلزدایی تأثیر گذاشته است (4) یک رابطه مثبت قوی بین LULC و LST وجود دارد و ضریب همبستگی (r) در زمانهای مختلف بهجز در سال 2001 بزرگتر از 8/0 بود. لیو و ژانگ(18) اثر UHI در هنگکنگ با تصاویر نقشهبردار موضوعی لندست (TM) و رادیو متر پیشرفته فضا برد بازتابی و گسیل گرمایی (ASTER) و مطالعه همبستگی بین LST ، NDVI و شاخص ساختوساز تفاضلی نرمال شده (NDBI) را بررسی کردند. مشخص شد که توزیع جزایر گرمایی شهری در هنگکنگ عمدتاً در کولون، جزیره شمالی هنگکنگ و فرودگاه بینالمللی هنگکنگ واقعشده است. علاوه بر این، از تجزیهوتحلیل همبستگی LST بازیابی شده با NDVI و NBVI، مشخص شد که پوشش گیاهی میتواند اثر جزیره گرمایی شهری را تضعیف کند، اما مناطق ساختهشده میتواند این اثر را تسریع کند. در پژوهش دیگری سوادز و ضیائول(28)با استفاده از دادههای ماهوارهای چند طیفی و چند زمانی، تأثیر پوشش کاربری زمین (LULC) بر دمای سطح زمین (LST) را در شهر مرکزی بازار انگلیس موردمطالعه قراردادند. نتایج نشان داد که شهرنشینی عامل اصلی تغییر پوشش زمین و درنتیجه افزایش LST است. اخیراً نیز ماهاتو و سوادز(21)تغییر LST در حوضه رودخانه چاندرباگا در شرق هند و تغییرات LST را در واحدهای مختلف LULC و در یک کاربری زمین بررسی کردند. از تجزیهوتحلیل، مشخص شد که LST در تمام فصول سال در بخش روستایی نیز افزایش چشمگیری داشته است. شکافهای دما در واحدهای مختلف LULC هم ازنظر LST و هم ازنظر دمای هوا بسیار متمایز است. فشرده شدن و تکهتکه شدن سطح بدنه آبی، سطح پوشش گیاهی، گسترش زمینهای ساختهشده، زمینهای کشاورزی و غیره بهعنوان عوامل تقویتکننده رشد LST در طول زمان در حال ظهور هستند. در ایران نیز در مناطق مختلف به بررسی دمای سطح زمین و رابطه آن با شاخصهای مختلف پرداختهشده است. احمدی و همکاران(2) به بررسی دمای سطح زمین دررابطهبا کاربری و پوشش اراضی با استفاده از دادههای سنجشازدور در شهرستان اردبیل پرداختند و نتایج نشان داد که دمای سطح در هر محدودهای از زمین متأثر از عوامل سطحی و خصوصیات آن است و بیشترین دمای سطح در محدوده موردنظر مربوط به مکانهایی است که دارای کمترین پوشش گیاهی است. همچنین نتایج تحقیق اصغری و امامی(4)در استان اردبیل نشان داد که رابطه قوی بین کاربری اراضی و دمای سطحی وجود دارد، به این صورت که کاربری همچون کاربری شهری به دلیل جاذب حرارت بودن عوارض شهری دارای دمای بیشتراست، درحالیکه کاربری مناطق آبی به دلیل جذب پایینتر حرارت دمای کمتری دارد.همچنین نتایج مطالعه کاکه ممی و همکاران (17 ) در ارزیابی رابطه تغییرات کاربری اراضی و پوشش گیاهی با دمای سطح زمین در شهرستان نمین حاکی از آن است که در اکثر مناطق با دمای کمتر، پوشش گیاهی انبوهتری وجود دارد که بیانگر رابطه معکوس بین شاخص پوشش گیاهی و دمای سطح زمین است. بیشتر تحقیقات نشان میدهد که انتقال گسترده از یک کلاس کاربری زمین به طبقه دیگر منجر به تغییر در تعادل انرژی میشود که بهطور مداوم بر LST تأثیر میگذارد. همچنین، کاهش پوشش گیاهی به افزایش کلی LST کمک میکند.
مطالعات نشان داده است که رشد شهری چند دههای تأثیرات زیادی بر محیطزیست دارد. موارد زیستمحیطی شامل افزایش تولید زباله، افزایش سیلاب و فرسایش به دلیل افزایش سطوح غیر قابلنفوذ، افزایش آلودگی هوا و آلودگی آب و رسوبات است. از عواقب مشخصشده دیگر شدت بارندگی متغیر است که از مقادیر متوسط درازمدت منحرف میشود که نشاندهنده تغییر آبوهوا در مقیاس محلی است. اتفاقنظر وجود دارد که این پیامدها نتیجه رشد شهری و تحولات کاربری زمین است بااینحال، هنوز یک خلأ علمی در درک تعامل بین پارامترهای کاربری زمین، LST و NDVI وجود دارد تا فهم عمیقتری از پویایی رشد شهری در شهرها فراهم کند. در پاسخ به موارد فوق، مطالعه حاضر به موارد زیر میپردازد:
(الف) تجزیهوتحلیل تغییر کاربری زمین در دو دوره 1987 و 2019 ، (ب) برآورد و بررسی تغییرات LST و NDVI در همان دوره و (پ) تجزیهوتحلیل تأثیر تغییرات کاربری زمین در LST و NDVI مشاهدهشده، و نیز رابطه بین هر سه پارامتر. این مطالعه یافتههایی را ارائه میدهد که ازنظر کارشناسان آبوهوا، برنامهریزان شهری و منطقهای، محیطبانان و سیاستگذاران از اهمیت ویژهای برخوردارند تا اقدامات لازم برای کاهش گسترش بیرویه شهری و ناراحتیهای حرارتی را برای رسیدن به چشمانداز اهداف توسعه پایدار برای شهرها و جوامع تا سال 2030 برآورده کند.
مواد و روشها
حوضه رودخانه گیوی ﭼﺎی با ﻣﺠﻤﻮع ﻣﺴﺎﺣﺖ زﻳﺮ 827 ﻛﻴﻠﻮﻣﺘﺮﻣﺮﺑﻊ ﻳﻜﻲ از حوضههای آﺑﺮﻳﺰ ﺳﻔﻴﺪرود است ﻛﻪ در ﻣﺨﺘﺼﺎت 48 درجه و 30 دقیقه تا 48 درجه و 35 دقیقه طول شرقی و 37 درجه و 40 دقیقه تا 37 درجه و 30 دقیقه عرض شمالی واقعشده اﺳﺖ. اﻳﻦ ﺣﻮﺿﻪ از ﺷﻤﺎل ﺑﻪ حوضه آﺑﺮﻳﺰ قرهسو، از ﻏﺮب به حوضه آﺑﺮﻳﺰ رودخانه قرن قو و از شرق ﺑﻪ رشتهکوههای ﺗﺎﻟﺶ و از ﺟﻨﻮب ﺑﻪ حوضه آﺑﺮﻳﺰ رودخانه قزلاوزن ﻣﺤﺪود میشود. بهطورکلی حوضه آﺑﺮﻳﺰ گیوی ﭼﺎی ﻣﺘﺸﻜﻞ از رودخانههای اﺻﻠﻲ ﺑﻪ نامهای ﻫﺮوآﺑﺎد، آرپاﭼﺎی و گیوی ﭼﺎی است ﻛﻪ ﺑﺎ ﺟﻬﺖ ﺟﻨﻮب ﺷﺮق - شمال ﻏﺮب ﺟﺮﻳﺎن ﻳﺎﻓﺘﻪ و ﭘﺲ از درﻳﺎﻓﺖ ﺟﺮﻳﺎن رودخانههای ﻓﺮﻋﻲ ﺳﻨﮕﻮرﭼﺎی و رودخانه ﮔﺰاز در ارﺗﻔﺎع 860 ﻣﺘﺮ از ﺳﻄﺢ درﻳﺎ در بخش ﺟﻨﻮب ﻏﺮﺑﻲ از ﻣﻨﻄﻘﻪ ﺧﺎرج و ﺑﻪ رودخانه قزلاوزن ﺗﺨﻠﻴﻪ میگردد. ﻣﻴﺎﻧﮕﻴﻦ ﺑﺎرﻧﺪﮔﻲ در اﻳﻦ ﺣﻮﺿﻪ 444 میلیمتر ﺑﻮده و 86 تا 94درﺻﺪ از ﻣﺠﻤﻮع ﺑﺎرﻧﺪﮔﻲ در ماههای ﻓﺮوردﻳﻦ و اردﻳﺒﻬﺸﺖ رخ میدهد.
مرتفعترین نقطه ارتفاعی به 3009 متر از سطح دریا در قله عجم داغ واقع در بخش خاوری و پستترین محل با ارتفاع مطلق 1512 متر از سطح دریا مربوط به گلوگاه حوضه در بخش غربی حوضه است. حضور کوهها و تپهها در بخشهای وسیعی از اراضی حوضه آبریز گیوی چای موجب افزایش شیب و میزان پستیوبلندی اراضی گردیده است (24).فرآیند روش کلی تحقیق در شکل 2 ارائه شده است.
شکل 1. موقعیت حوضه آبریز کیوی چای در اردبیل و ایران
Fig 2. Location of Givichay basin in Ardabil province and Iran
شکل 2. روند نمای روش تحقیق
Figure 2. Methodology flowchart
در مبحث دادههای مورداستفاده در این پژوهش، از تصاویر ماهواره لندست 8 با سنجنده OLI بهمنظور استخراج نقشه کاربری اراضی و شاخص پوشش گیاهی و سنجنده TIRS بهمنظور استخراج دمای سطح زمین برای سال 2019 استفاده شد و همچنین تصویر سنجنده MSS لندست 5 برای تهیه نقشه کاربری اراضی و شاخص پوشش گیاهی با استفاده از باندهای مرئی، مادونقرمز و مادونقرمز نزدیک و سنجنده TM برای استخراج دمای سطح با استفاده از باندهای حرارتی برای سال 1987 مورداستفاده قرار گرفت. سنجنده MSS لندست 5 دارای 4 باند و سنجنده TM دارای 7 باند است که یک باند آن در منطقه مادونقرمز حرارتی است (باند 6). قدرت تفکیک مکانی هر دو سنجنده 30 متر است. سنجنده OLI-TIRS لندست 8 دارای 9 باند بازتابنده باقدرت تفکیک مکانی 30 متر و دو باند در منطقه مادونقرمز حرارتی است (باند 10 و باند 11). پردازش تصاویر Landsat در محیط نرمافزار ArcGIS 10.3 انجام شد.لازم به ذکر است، چون هدف از این پژوهش، بررسی روند تغییرات کاربری اراضی و ارتباط آن با شاخص پوشش گیاهی و دمای سطح زمین بود، باید دادهها بهگونهای از میان تصاویر قابلدسترس انتخاب میشدند که تقریباً ازنظر زمانی به هم نزدیک باشد (جدول 1) لذا دادههای مورداستفاده در تاریخی نزدیک به هم (اواسط خرداد) اخذ شدند. جدول 1 خصوصیات تصاویر مورداستفاده را نشان میدهد.
جدول 1. اطلاعات تصاویر ماهوارهای دانلود شده
Table 1. Characteristics of the Landsat imageries downloaded
نام ماهواره | نوع سنجنده | مسیر | گذر | درصد پوشش ابر | زاویه خورشید | زمان (گرینویچ) | تاریخ |
لندست 8 | OLI-TIRS | 167 | 34 | 0 | 76030467/125 | 07:25:59 | 02/06/2019 |
لندست 5 | MSS | 167 | 34 | 0 | 65667864/111 | 06:50:41 | 10/06/1987 |
لندست 5 | TM | 167 | 34 | 3 | 65027136/111 | 06:50:41 | 10/06/1987 |
طبقهبندی کاربری اراضی
در پژوهش حاضر، از نرمافزار Ecognition برای طبقهبندی شیءگرا استفاده شد. درروند تحلیل شیءگرای تصاویر علاوه بر اطلاعات طیفی به اطلاعات مربوط به بافت، شکل و محتوا نیز استناد میگردد. واحدهای اساسی پردازش در تحلیلهای شیءگرا، شیءهای تصویری سگمنتها هستند نه پیکسلها. در این روش، طبقهبندی شیءگرا فرایندی است که کلاسهای پوشش اراضی را به اشیاء تصویری پیوند میدهد و هر یک از شیءهای تصویری با درجه عضویت معین به کلاسهای در نظر گرفتهشده اختصاص مییابند. مراحل اصلی پردازش تصویر به روش شیءگرا بهقرار زیر است:
· قطعهبندی (سگمنت سازی) تصاویر
· ایجاد سیستم دانشپایه با تعریف اطلاعات برای کلاسهای مختلف
· تعریف شرایط طبقهبندی برای هرکدام از کلاسها
· تفکیک شیءهای نمونه آموزشی
· انجام طبقهبندی تصاویر
· ارزیابی صحت نتایج و بررسی پایداری طبقهبندی
· انتخاب بهترین نتیجه طبقهبندی
· ارزیابی دقت تصاویر طبقهبندیشده با استفاده از ماتریس خطای طبقهبندی
درنهایت، در مرحله پس - پردازش مراحل مندرج در ذیل صورت گرفت:
· تطبیق تصاویر ماهوارهای با مدل رقومی ارتفاعی زمین (DTM)
· انتقال تصاویر رستری تک باندی به محیط نرمافزار ArcGIS
· تشکیل پایگاه اطلاعات ویژه کاربری اراضی از سطح اراضی زراعی موجود (19)
برای سگمنت سازی از الگوریتم Multiresolution و برای طبقهبندی از الگوریتم نزدیکترین همسایگی استفاده شد. همچنین باتوجهبه در دسترس نبودن اطلاعات میدانی در بازههای زمانی انتخابشده، بهمنظور تهیه نقشه کاربری اراضی از بررسی تصاویر رنگی کاذب، خصوصیات طیفی پدیدهها، آرشیو Earth Google ،عکسهای هوایی و نقشههای توپوگرافی سنواتی و پژوهشهای انجامشده و مطالعات گذشته استفاده شد. درنهایت هفت کلاس کاربری اراضی مشتمل بر کشاورزی دیم، کشاورزی آبی، باغ، جنگل، مسکونی، مرتع و آب تعیین شدند. سپس نمونههای تعلیمی از سطح منطقه با استفاده از بازدیدهای میدانی و تصاویر ماهواره Earth Google جمعآوری شد و برای ارزیابی صحت و دقت طبقهبندی بکار رفت.
ارزیابی صحت و دقت طبقهبندی
ارزیابی دقیق فرایندهای طبقهبندی گام مهمی در تعیین قابلیت اطمینان نتایج بهدستآمده است (15). ایده اصلی در ورای هر فرایند طبقهبندی تصویر، دستیابی به بالاترین دقت ممکن است (27). حداقل دقت تفسیر شناسایی طبقات کاربری زمین در دادههای سنجشازدور باید 85٪ باشد (3). معمولترین عاملهای برآورد دقت شامل دقت کل، دقت تولیدکننده، دقت کاربر و ضریب کاپـا هسـتند. دقت کلی با استفاده از رابطه زیر محاسبهشده است:
رابطه [1] |
|
رابطه [2] |
|
رابطه [3] |
|
رابطه[4] |
|
رابطه[5] |
|
رابطه[7] |
|
|
|
رابطه[8]
|
در این معادلات Ts پایه lst ،Tsensor دمای روشنایی حسگر برحسب کلوین، λ طولموج مؤثر از یک باند مادونقرمز حرارتی هست.پارامترهای اتمسفری C2 = 14387.7 μm·K ،C1 = 1.19104 × 108 W·m2.sr-1.um4 و 1ψ،2ψ و3 ψ میتوانند از طریق معادلات زیر محاسبه شوند.
|