The effect of land use change/land cover on land surface temperature in the coastal area of Bushehr

Amiri, Fazel; Tabatabaie, Tayebeh

doi:10.30495/girs.2022.692349

Manuscript ID : GIRS-1512-1006 (R2) Visit : 341 Page: 130 - 147

10.30495/girs.2022.692349

http://dorl.net/dor/20.1001.1.26767082.1401.13.2.7.7

Article Type: Original Research

The effect of land use change/land cover on land surface temperature in the coastal area of Bushehr

Subject Areas : Natural resources and environmental management

Fazel Amiri ¹ , Tayebeh Tabatabaie ²

1 - 1. Associate Professor, Department of Natural Resources and Environment, Bushehr Branch, Islamic Azad University, Bushehr, Iran
2 - Associate Professor, Department of Environment, Bushehr Branch, Islamic Azad University, Bushehr, Iran

Received: 2016-05-27 Accepted : 2016-09-26 Published : 2022-05-22

Keywords: Landsat, Coastal land, Normalized difference vegetation index (NDVI), Land surface temperature (LST),

Abstract :

Background and Objective Urbanization accelerates the ecological stress by warming the local or global cities for a large extent. Many urban areas are suffering from huge land conversion and resultant new heat zones. Remote sensing techniques are significantly effective in detecting the land use/land cover (LULC) change and its consequences. Several satellite sensors are capable to identify these change zones by using their visible and near-infrared (VNIR) and shortwave infrared (SWIR) bands. Apart from the conventional LULC classification algorithms, some spectral indices are used in detecting specific land features. Normalized difference vegetation index (NDVI) can be considered the most applied spectral index in this scenario. NDVI is a dominant factor in LST derivation processes and is used invariably in any LST-related study. NDVI is directly used in the determination of land surface emissivity and thus is a significant factor for LST estimation. It also determines the LULC categories by its optimum threshold limits in the different physical environments. Being a vegetation index, NDVI depends largely on seasonal variation. Hence, LST is also regulated by the change of seasons. Thus, seasonal evaluation of LST and NDVI is an important task in LST mapping and monitoring, especially in an urban landscape. In this research, LST and NDVI in August in the coastal lands of Bushehr are investigated using Landsat satellite images for the years 1990, 2005 and 2020. The LULC map was obtained with suitable threshold values of NDVI. The objectives of this study are; 1) to analyze the temporal changes of the LST spatial distribution pattern in the study area, 2) to determine the spatial-temporal changes of the LST-NDVI relationship for the whole studied land, and 3) to investigate the spatial-temporal changes of the LST relationship - NDVI in different types of land use/cover.Materials and Methods The land study area of Bushehr city, which is on the northern coast of the Persian Gulf, with dimensions of 20 × 8 km2 an area of 1011.5 km2 and with an average minimum temperature of 18.1 oC and an average maximum temperature of 33 oC, relative humidity between 58-75% and the average annual rainfall is 272 mm. The data used in this research include; Landsat 8 (OLI) and Thermal Infrared Sounder (TIRS) data in 2020; 2005 ETM+ data, and 1990 TM data downloaded from the United States Geological Survey (USGS) (https://earth explorer.usgs.gov). The Landsat 8 TIRS instrument has two TIR bands (bands 10 and 11), in which band 11 has calibration uncertainty. Therefore, only TIR band 10 (100 m resolution) is recommended for the present study. The 10 TIR band was converted to a pixel size of 30 × 30 meters by the USGS cubic convolution method. Landsat 5 TM data has only one TIR thermal infrared band (band 6) with 120 m resolution, which was also converted by USGS to 30 × 30 m pixel size by cubic convolution method. For Landsat TM and ETM+ data, the spatial resolution of 30 m visible to near-infrared (VNIR) bands was used. The maximum likelihood classification method was applied to validate NDVI threshold-based LULC classification. In this study, the mono-window algorithm was applied to retrieve LST from multi-temporal Landsat satellite sensors. NDVI can extract different types of LULC by using the optimum threshold values. These threshold values can differ with respect to the differences in the physical environment. The NDVI threshold limits were applied to the images to extract the different LULC types.Results and Discussion The overall accuracy values of the LULC classification were 73.6%, 83.9%, and 84.6% in 1990, 2005, and 2020, respectively. The kappa coefficients for the LULC classification were 0.77, 0.80, and 0.84 in 1990, 2005, and 2020, respectively. In the present study, the average overall accuracy and average kappa coefficient were 80.7% and 0.80, respectively. Thus, the NDVI threshold method-based LULC classification was significantly validated. The results of this research showed a gradual rising (1.4 °C during 1990–2005 and 2 °C during 2005–2020) of LST during the whole period of study. The mean LST value for three study years was the lowest (30.86 °C) on green vegetation and the highest (49.07 °C) on bare land and built-up areas. The spatial distribution of NDVI and LST reflects an inverse relationship. The best (-0.97) and the least (-0.80) correlation, respectively, whereas a moderate (-0.89) correlation was noticed. This LST-NDVI correlation was strong negative (-0.80) on the vegetation surface. The LST is greatly controlled by land-use characteristics.Conclusion The present study analyzes the spatial, and temporal relationship of LST and NDVI in Bushehr coastal lands using 3 Landsat data sets for 1990, 2005, and 2020. The mono-window algorithm was applied in deriving LST. In general, the results showed that LST is inversely related to NDVI, irrespective of any year. The presence of vegetation is the main responsible factor for high negativity. The LST-NDVI relationship varies for specific LULC types. The green area presents a strong negative (-0.80) regression. The mean LST of the study area was increased by 3.4 °C during 1990-2020. The conversion of other lands into the built-up area and bare land influences a lot on the mean LST of the city. Both the changed and unchanged built-up area and bare land suffer from the increasing trend of LST. This study can be used as a reference for land use and environmental planning on coastal land.

References:

Carlson TN, Ripley DA. 1997. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 62(3): 241-252. doi:https://doi.org/10.1016/S0034-4257(97)00104-1.

Chen X-L, Zhao H-M, Li P-X, Yin Z-Y. 2006. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes. Remote Sensing of Environment, 104(2): 133-146. doi:https://doi.org/10.1016/j.rse.2005.11.016.

Cui L, Wang L, Singh RP, Lai Z, Jiang L, Yao R. 2018. Association analysis between spatiotemporal variation of vegetation greenness and precipitation/temperature in the Yangtze River Basin (China). Environmental Science and Pollution Research, 25(22): 21867-21878. doi:10.1007/s11356-018-2340-4.

Fu P, Weng Q. 2015. Temporal dynamics of land surface temperature from Landsat TIR time series images. IEEE Geoscience and Remote Sensing Letters, 12(10): 2175-2179. doi:https://doi.org/10.1109/LGRS.2015.2455019.

Fu P, Weng Q. 2016. A time series analysis of urbanization induced land use and land cover change and its impact on land surface temperature with Landsat imagery. Remote Sensing of Environment, 175: 205-214. doi:https://doi.org/10.1016/j.rse.2015.12.040.

Ghobadi Y, Pradhan B, Shafri HZM, Kabiri K. 2015. Assessment of spatial relationship between land surface temperature and landuse/cover retrieval from multi-temporal remote sensing data in South Karkheh Sub-basin, Iran. Arabian Journal of Geosciences, 8(1): 525-537. doi:10.1007/s12517-013-1244-3.

Govil H, Guha S, Diwan P, Gill N, Dey A. 2020. Analyzing Linear Relationships of LST with NDVI and MNDISI Using Various Resolution Levels of Landsat 8 OLI and TIRS Data. In: Sharma N, Chakrabarti A, Balas VE (eds) Data Management, Analytics and Innovation, Singapore. Springer Singapore, pp 171-184. https://doi.org/110.1007/1978-1981-1032-9949-1008_1013.

Goward SN, Xue Y, Czajkowski KP. 2002. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: An exploration with the simplified simple biosphere model. Remote Sensing of Environment, 79(2): 225-242. doi:https://doi.org/10.1016/S0034-4257(01)00275-9.

Guha S, Govil H. 2020. Land surface temperature and normalized difference vegetation index relationship: a seasonal study on a tropical city. SN Applied Sciences, 2(10): 1661. doi:https://doi.org/10.1007/s42452-020-03458-8.

Guha S, Govil H. 2021. An assessment on the relationship between land surface temperature and normalized difference vegetation index. Environment, Development and Sustainability, 23(2): 1944-1963. doi:10.1007/s10668-020-00657-6.

Guha S, Govil H, Diwan P. 2019. Analytical study of seasonal variability in land surface temperature with normalized difference vegetation index, normalized difference water index, normalized difference built-up index, and normalized multiband drought index. Journal of Applied Remote Sensing, 13(2): 024518. doi:https://doi.org/10.1117/1.JRS.13.024518.

Guha S, Govil H, Gill N, Dey A. 2020. Analytical study on the relationship between land surface temperature and land use/land cover indices. Annals of GIS, 26(2): 201-216. doi:https://doi.org/10.1080/19475683.2020.1754291.

Guo L, Liu R, Men C, Wang Q, Miao Y, Zhang Y. 2019. Quantifying and simulating landscape composition and pattern impacts on land surface temperature: A decadal study of the rapidly urbanizing city of Beijing, China. Science of The Total Environment, 654: 430-440. doi:https://doi.org/10.1016/j.scitotenv.2018.11.108.

He B-J, Zhao Z-Q, Shen L-D, Wang H-B, Li L-G. 2019. An approach to examining performances of cool/hot sources in mitigating/enhancing land surface temperature under different temperature backgrounds based on landsat 8 image. Sustainable Cities and Society, 44: 416-427. doi:https://doi.org/10.1016/j.scs.2018.10.049.

Huang S, Taniguchi M, Yamano M, Wang C-h. 2009. Detecting urbanization effects on surface and subsurface thermal environment — A case study of Osaka. Science of The Total Environment, 407(9): 3142-3152. doi:https://doi.org/10.1016/j.scitotenv.2008.04.019.

Ke Y, Im J, Lee J, Gong H, Ryu Y. 2015. Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations. Remote Sensing of Environment, 164: 298-313. doi:https://doi.org/10.1016/j.rse.2015.04.004.

Kumar D, Shekhar S. 2015. Statistical analysis of land surface temperature–vegetation indexes relationship through thermal remote sensing. Ecotoxicology and Environmental Safety, 121: 39-44. doi:https://doi.org/10.1016/j.ecoenv.2015.07.004.

Liu H, Zhan Q, Yang C, Wang J. 2018. Characterizing the spatio-temporal pattern of land surface temperature through time series clustering: Based on the latent pattern and morphology. Remote Sensing, 10(4): 654. doi:https://doi.org/10.3390/rs10040654.

Liu Y, Peng J, Wang Y. 2018. Efficiency of landscape metrics characterizing urban land surface temperature. Landscape and Urban Planning, 180: 36-53. doi:https://doi.org/10.1016/j.landurbplan.2018.08.006.

Mathew A, Khandelwal S, Kaul N. 2018. Spatio-temporal variations of surface temperatures of Ahmedabad city and its relationship with vegetation and urbanization parameters as indicators of surface temperatures. Remote Sensing Applications: Society and Environment, 11: 119-139. doi:https://doi.org/10.1016/j.rsase.2018.05.003.

Peng J, Jia J, Liu Y, Li H, Wu J. 2018. Seasonal contrast of the dominant factors for spatial distribution of land surface temperature in urban areas. Remote Sensing of Environment, 215: 255-267. doi:https://doi.org/10.1016/j.rse.2018.06.010.

Peng J, Ma J, Liu Q, Liu Y, Hu Yn, Li Y, Yue Y. 2018. Spatial-temporal change of land surface temperature across 285 cities in China: An urban-rural contrast perspective. Science of The Total Environment, 635: 487-497. doi:https://doi.org/10.1016/j.scitotenv.2018.04.105.

Peng J, Xie P, Liu Y, Ma J. 2016. Urban thermal environment dynamics and associated landscape pattern factors: A case study in the Beijing metropolitan region. Remote Sensing of Environment, 173: 145-155. doi:https://doi.org/10.1016/j.rse.2015.11.027.

Sannigrahi S, Bhatt S, Rahmat S, Uniyal B, Banerjee S, Chakraborti S, Jha S, Lahiri S, Santra K, Bhatt A. 2018. Analyzing the role of biophysical compositions in minimizing urban land surface temperature and urban heating. Urban Climate, 24: 803-819. doi:https://doi.org/10.1016/j.uclim.2017.10.002.

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 Sensing, 12(2): 294. doi:https://doi.org/10.3390/rs12020294.

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.

Sultana S, Satyanarayana ANV. 2020. Assessment of urbanisation and urban heat island intensities using landsat imageries during 2000 – 2018 over a sub-tropical Indian City. Sustainable Cities and Society, 52: 101846. doi:https://doi.org/10.1016/j.scs.2019.101846.

Sun D, Kafatos M. 2007. Note on the NDVI‐LST relationship and the use of temperature‐related drought indices over North America. Geophysical Research Letters, 34(24). doi:https://doi.org/10.1029/2007GL031485.

Tan J, Yu D, Li Q, Tan X, Zhou W. 2020. Spatial relationship between land-use/land-cover change and land surface temperature in the Dongting Lake area, China. Scientific Reports, 10(1): 9245. doi:https://doi.org/10.1038/s41598-020-66168-6.

Weng Q. 2009. Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, and trends. ISPRS Journal of Photogrammetry and Remote Sensing, 64(4): 335-344. doi:https://doi.org/10.1016/j.isprsjprs.2009.03.007.

Weng Q, Lu D, Schubring J. 2004. Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies. Remote Sensing of Environment, 89(4): 467-483. doi:https://doi.org/10.1016/j.rse.2003.11.005.

Wukelic GE, Gibbons DE, Martucci LM, Foote HP. 1989. Radiometric calibration of Landsat Thematic Mapper thermal band. Remote Sensing of Environment, 28: 339-347. doi:https://doi.org/10.1016/0034-4257(89)90125-9.

Yang J, Qiu J. 1996. The empirical expressions of the relation between precipitable water and ground water vapor pressure for some areas in China. Scientia Atmospherica Sinica, 20: 620-626.

Yao R, Wang L, Huang X, Niu Z, Liu F, Wang Q. 2017. Temporal trends of surface urban heat islands and associated determinants in major Chinese cities. Science of The Total Environment, 609: 742-754. doi:https://doi.org/10.1016/j.scitotenv.2017.07.217.

Yuan M, Wang L, Lin A, Liu Z, Li Q, Qu S. 2020. Vegetation green up under the influence of daily minimum temperature and urbanization in the Yellow River Basin, China. Ecological Indicators, 108: 105760. doi:https://doi.org/10.1016/j.ecolind.2019.105760.

Yuan X, Wang W, Cui J, Meng F, Kurban A, De Maeyer P. 2017. Vegetation changes and land surface feedbacks drive shifts in local temperatures over Central Asia. Scientific Reports, 7(1): 3287. doi:https://doi.org/10.1038/s41598-017-03432-2.

Yue W, Xu J, Tan W, Xu L. 2007. The relationship between land surface temperature and NDVI with remote sensing: application to Shanghai Landsat 7 ETM⁺ data. International Journal of Remote Sensing, 28(15): 3205-3226. doi:https://doi.org/10.1080/01431160500306906.

Zhou D, Xiao J, Bonafoni S, Berger C, Deilami K, Zhou Y, Frolking S, Yao R, Qiao Z, Sobrino JA. 2018. Satellite remote sensing of surface urban heat islands: Progress, challenges, and perspectives. Remote Sensing, 11(1): 48. doi:https://doi.org/10.3390/rs11010048.

_||_

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.

Yang J, Qiu J. 1996. The empirical expressions of the relation between precipitable water and ground water vapor pressure for some areas in China. Scientia Atmospherica Sinica, 20: 620-626.

Full-Text:

مقدمه

افزایش تغییر کاربری و پوشش زمین در اثر توسعه شهرنشینی باعث افزایش دمای شهرها در مقیاس محلی میشود و تا حد زیادی موجب افزایش استرس اکولوژیکی میشود [6، 4، 5، 2]. در حال حاضر، بسیاری از مناطق شهری با تبدیل گسترده کاربری اراضی و ایجاد مناطق گرمایی جدید مواجهه هستند [9-8]. تکنیک های سنجش از دور به طور قابل توجهی در تشخیص تغییر کاربری/پوشش زمین (LULC) و پیامدهای آن موثر هستند. سنجندههای مختلف ماهواره ای قادر به شناسایی این مناطق تغییر با استفاده از باندهای مرئی و مادون قرمز نزدیک (VNIR) و امواج مادون قرمز کوتاه (SWIR) هستند [11]. علاوه بر الگوریتم‌های طبقه‌بندی مرسوم کاربری/پوشش اراضی، برخی از شاخص‌های طیفی در تشخیص ویژگی‌های اراضی استفاده می‌شوند. شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) را می توان به عنوان کاربردی ترین شاخص طیفی در این سناریو در نظر گرفت [12]. اخیراً، باندهای مادون قرمز حرارتی (TIR) نیز در تولید برخی شاخص‌ها برای استخراج انواع مختلف کاربری/پوشش اراضی استفاده می‌شوند [15-14]. این شاخصهای سنجش از دور در زمینههای کاربردی مختلف مانند تهیۀ نقشه سنگها و مواد معدنی، تهیۀ نقشههای اراضی جنگل، پایش اراضی کشاورزی، تهیۀ نقشه کاربری/پوشش اراضی، تهیۀ نقشه مخاطرات، تهیۀ نقشه جزایر حرارتی شهری و نظارت و پایش و سایر موارد استفاده میشود [19-18].

دمای سطح زمین (LST) تهیه شده از دادههای سنجش از دور به طور گسترده در تشخیص جزایر حرارتی شهری و منطقه آسایش اکولوژیکی استفاده میشود [23،21،20]. دمای سطح زمین (LST) می تواند به طور قابل توجهی در یک کاربری خاص زمین که دارای گسترده وسیع است یا در داخل یک منطقه شهری ناهمگن نسبتاً کوچک تغییر کند [24]. میزان بازتاب باند مادون قرمز حرارتی (TIR) در کاربریهای مختلف زمین LULC متفاوت است و در نتیجه LST تا حد زیادی در یک محیط شهری متفاوت است [44-26]. کاربری/ پوشش اراضی اغلب توسط فرآیند تبدیل اراضی تغییر میکنند [10]. بنابراین، زمان و مکان دو عامل مهم در پایش دمای سطح زمین (LST) است. این داده‌های مکانی و زمانی LST نیز با تغییرات مکانی تغییر می‌کنند زیرا آزیموت خورشید بسته به مکان تغییر می‌کنند. از این رو، بررسی تغییرات مکانی LST در ارتباط با تغییرات کاربری/ پوشش اراضی بسیار مهم است.

شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) یک فاکتور مهم در فرآیندهای بررسی در پایش دمای سطح زمین (LST) است و در هر مطالعۀ مرتبط با LST استفاده می شود [45-49]. NDVI به طور مستقیم در تعیین گسیلمندی سطح زمین استفاده می شود و بنابراین یک عامل مهم برای تخمین LST است [50، 51]. همچنین طبقات کاربری/پوشش اراضی LULC با محدودیت‌های آستانه بهینه در محیط‌های فیزیکی مختلف تعیین میشود [14]. به عنوان یک شاخص پوشش گیاهی، NDVI تا حد زیادی به تغییرات زمانی و مکانی بستگی دارد [12]. از این رو، LST نیز با تغییرات زمانی و مکانی، تغییر مینماید. بنابراین، ارزیابی زمانی و مکانی LST و NDVI یک فاکتور مهم در تهیۀ نقشه و پایش دمای سطح زمین (LST)، به ویژه در محیطهای شهری است.

رابطۀ بین LST با NDVI در بسیاری از مطالعات سنجش از دور، بررسی شده است [52-55]. ماهیت و همبستگی این رابطه به مکان و زمان بستگی دارد. به طور کلی، در مناطق گرم، رابطه LST-NDVI منفی است [56-58]. منفی بودن رابطه با تغییر نوع کاربری/پوشش اراضی LULC در طول زمان تعیین می شود. بنابراین تغییرات مکانی و زمانی در این رابطه در کاربری/پوشش اراضی مختلف مشاهده می شود. مطالعات متعددی در مورد تجزیه و تحلیل مکانی-زمانی رابطه LST-NDVI انجام شده است [59-67]. [35، 36، 68-71]. این مطالعات نشان داد که LST یک رابطه منفی با NDVI ایجاد می کند و این منفی بودن می تواند با فصل تغییر کند. فصل مرطوب منعکس کننده همبستگی منفی قوی تری نسبت به فصل خشک است زیرا میزان رطوبت در فصل مرطوب بیشتر است [72]. این رابطه می تواند با تغییر انواع کاربری اراضی نیز تغییر کند. سطح پوشش گیاهی یک همبستگی قوی ایجاد می کند و استحکام در اراضی بایر و بدون پوشش گیاهی، مناطق مسکونی و تحت فعالیت ساخت و ساز انسانی و سطح آب کاهش می یابد.

مطالعه LST و NDVI را در مردادماه در اراضی بوشهر با استفاده از تصویر ماهواره‌ای لندست Landsat برای سال‌های 1990، 2005 و 2020 بررسی می‌کند. نقشه LULC با مقادیر آستانه مناسب NDVI به دست آمد. از اهداف این مطالعه؛ 1) تجزیه و تحلیل تغییرات زمانی الگوی توزیع مکانی LST در منطقه مورد مطالعه، 2) تعیین تغییرات مکانی-زمانی رابطه LST-NDVI برای کل اراضی مورد مطالعه، و 3) بررسی تغییرات مکانی-زمانی رابطۀ LST-NDVI در انواع مختلف کاربری/ پوشش اراضی.

منطقۀ و دادههای مورد مطالعه

منطقه مطالعه اراضی شهر بوشهر که در ساحل شمالي خليجفارس، با ابعاد 20 در 8 كيلومتر با مساحت 5/1011 كيلومترمربع و با متوسط حداقل دما 1/18 درجه سانتيگراد و متوسط حداكثر دمای 33 درجه سانتيگراد، ميزان رطوبت نسبي بين 75-58 در صد و متوسط بارندگي ساليانه 272 ميليمتر در موقعيت جغرافیایی '50°50 تا '10°51 طول شرقی و '40°28 تا '00°29 عرض شمالی است (شکل 1).

داده‌های مورد استفاده در این تحقیق شامل؛ داده سنجنده لندست 8 (OLI) و سنجنده مادون قرمز حرارتی (TIRS) در سال 2020؛ داده ETM+ سال 2005، و داده TM در سال 1990 که از مرکز داده های سازمان زمین شناسی ایالات متحده (https://earth explo rer.usgs.gov) (USGS) دانلود شده است (جدول 1). سنجنده لندست 8 TIRS دارای دو باند TIR (باندهای 10 و 11) است که در آنها باند 11 دارای عدم قطعیت در کالیبراسیون است. بنابراین، تنها باند 10TIR (رزولوشن 100 متر) برای مطالعه حاضر توصیه شده است. باند 10TIR به اندازه پیکسل 30×30 متر با روش کانولوشن مکعبی توسط USGS تبدیل گردید. داده های Landsat 5 TM تنها دارای یک باند مادون قرمز حرارتی TIR (باند 6) با وضوح 120 متر است که همچنین توسط USGS به اندازه پیکسل 30 ×30 متر با روش کانولوشن مکعبی تبدیل گردید. برای داده لندست TM و ETM+ وضوح مکانی 30 متر باندهای مرئی به مادون قرمز نزدیک (VNIR) استفاده شد.

جدول1. مشخصات دادههای لندست مورد استفاده در این مطالعه

Table 1. Specifications of Landsat data sets used in this study

منطقه مطالعه	نوع داده	اندازه پیکسل	مسیر	سال
اراضی شهر بوشهر	تصویر TMلندست	5/28 متر	Path163 - row41	1990
	تصویر ETM+لندست	5/28 متر	Path163 - row41	2005
	تصویرلندست-8 OLI	30 متر	Path163 - row41	2020
	تصویرلندست-8 TIRS	100 متر	Path163 - row41	2020

$G:\Tahr Land use change detection-TT\Export\dem.jpg$

شکل1. موقعیت منطقه مورد مطالعه و مدل رقومی ارتفاعی (DEM)

Fig. 1. Location of the study area and Digital Elevation Model (DEM)

روش تحقیق

استخراج دمای سطح زمین (LST) از دادههای لندست

در این مطالعه استخراج دمای سطح زمین طی مراحل زیر صورت گرفت (شکل 2). در ابتدا، الگوریتم تک پنجره ای برای بازیابی LST از سنجندههای ماهواره لندست چند زمانی [1-76-79]، که در آن از سه پارامتر؛ انتشار زمین، انتقال اتمسفر و دمای متوسط اتمسفر موثر استفاده شد. باندهای اصلی TIR(رزولوشن 100 متر برای داده های Landsat 8 OLI/TIRS) اخذ شده از مرکز داده USGS به 30 متر تبدیل شد. ارزش پیکسلهای مادون قرمز حرارتی TIR از عدد رقومی (DN) به درخشندگی تبدیل گردید. تابش برای باند TIR دادههای لندست TM با استفاده از رابطۀ 1 تعیین گردید (USGS):

[1]

در این رابطه؛ λL مقدار شدت تابش حرارتی (TOA) است (Wm-2 sr-1 mm-1)، QCAL مقدار پیکسل کالیبره شده کوانتیزه شده در DN است، (Wm-2 sr-1 mm-1) طیفی است. تابش مقیاس شده به QCALMIN، (Wm-2 sr-1 mm-1) تابش طیفی مقیاس شده به QCALMAX است، QCALMIN حداقل مقدار پیکسل کالیبره شده کوانتیزه شده در DN و QCALMAX حداکثر مقدار پیکسل کالیبره شده کوانتیزه شده در DN است. مقادیر ، ، QCALMIN ، و QCALMAX از فایل متادیتا داده های لندست TM به دست میآیند. بازتاب برای لندست 8 باند مادون قرمز حرارتی TIR از رابطۀ 2 محاسبه گردید (80).

[2]

در این رابطه؛ λL مقدار شدت تابش حرارتی است (Wm-2 sr-1 mm-1)، ضریب هر باند استخراج شده از متادیتا، AL ضریب طبقهبندی مجدد هر باند از متادیتا، QCAL مقادیر استاندارد (DN) کوانتیزه و کالیبره پیکسلهای تصویر. کلیۀ این متغیرها را میتوان از فایل متادیتا دادههای لندست 8 بدست آورد. برای داده های لندست ETM+، مقدار بازتاب از تابشها با استفاده از رابطۀ 3 محاسبه گردید (USGS):

[3]

در این رابطه؛ بازتاب جهانی بدون واحد است، λL مقدار شدت تابش حرارتی است (Wm-2 sr-1 μm -1)، d فاصله زمین تا خورشید در واحدهای نجومی است، میانگین تابش‌های طیفی برون جوی خورشیدی است (Wm-2 μm-1) و زاویه اوج خورشیدی بر حسب درجه است. مقادیر برای هر باند که می توان از دفترچه راهنمای لندست به دست آورد. و d مقادیر را می توان از فایل متادیتا به دست آورد. برای داده های لندست 8، تبدیل بازتاب را می توان مقادیر DN را با استفاده از رابطۀ 4 انجام داد (80).

[4]

در این رابطه؛ ضریب هر باند استخراج شده از متادیتا، عامل تغییر مقیاس افزودنی خاص باند که در متادیتا آورده شده است، QCAL مقادیر استاندارد (DN) کوانتیزه و کالیبره پیکسلها و زاویه ارتفاع خورشید منطقه استخراج شده از فایل متادیتا است. از رابطۀ 5 برای تبدیل تابش طیفی به دمای روشنایی در سنجنده استفاده می شود [81، 14].

[5]

در این رابطه؛ دمای روشنایی بر حسب کلوین (K) است. Lλ مقدار شدت تابش حرارتی بر حسب Wm-2 sr-1 μm -1، و ثابت های کالیبراسیون هستند. برای دادههای لندست 8، Wm−2sr−1μm−1 89/774= و Wm−2sr−1μm−1 08/1321= . برای دادههای لندست ETM+، Wm−2sr−1μm−1 76/607= و Wm−2sr−1μm−1 56/1260= . انتشار سطح زمین، با استفاده از روش مقادیرNDVI ، تخمین زده شد [51, 82]. در روش مقادیر NDVI، برای مقادیر NDVI سه حالت وجود دارد:

الف) 2/0 NDVI < نشان دهنده خاک لخت؛ ب) NDVI > 5/0 نشان دهنده پوشش گیاهی. ج) 5/0 NDVI <= <= 2/0 اراضی با ترکیب خاک لخت و پوشش گیاهی. در نهایت از رابطۀ 6 تخمین زده شد.

[6]

در این رابطه؛ گسیلمندی (توان تشعشعی) سطح زمین است، انتشار پوشش گیاهی است، انتشار خاک، درصد پوشش گیاهی است، اثر توزیع هندسی سطوح طبیعی و بازتاب های داخلی است که از رابطۀ 7 تعیین میگردد.

[7]

که در این رابطه؛ انتشار پوشش گیاهی، انتشار خاک، درصد پوشش گیاهی است، F یک ضریب شکل است که میانگین آن 55/0 است، که در این حالت مقدار برای سطوح مخلوط اراضی 2% در نظر گرفته میشود [51].

درصد پوشش گیاهی ، برای هر پیکسل، از شاخص تفاوت پوشش گیاهی NDVI از رابطۀ 8 محاسبه گردید [50] :

[8]

که در این رابطه؛ NDVI شاخص نرمال شده تفاوت پوشش گياهي (رابطۀ 1)، و به ترتیب کمترین و بیشترین NDVI، که به ترتیب 2/0NDVImin = و 5/0NDVImax = است (Guo et al., 2019).

در نهایت، گسیلمندی (توان تشعشعی) سطح زمین با استفاده از رابطۀ 9 تعیین گردید.

[9]

در این رابطه؛ گسیلمندی (توان تشعشعی) سطح زمین، درصد پوشش گیاهی است.

مقدار بخار آب از رابطۀ 10 تخمین زده شد [29، 83].

[10]

در این رابطه؛ w مقدار بخار آب (g/cm2)، T0 دمای هوای نزدیک به سطح بر حسب کلوین (K)، RH رطوبت نسبی (%) است. این پارامترهای جوی، مقادیر متوسط 2 ایستگاه سنپتیک است که از مرکز هواشناسی بوشهر به دست آمد (#).انتقال اتمسفر برای شهر بوشهر با استفاده از رابطۀ 11 تعیین شد.

[11]

که در این رابطه؛ عبور کل اتمسفر، تابش سطح زمین است.

استخراج انواع مختلف کاربری/پوشش اراضی با استفاده از مقادیر NDVI

شاخص تفاوت پوشش گیاهی (NDVI) میتواند انواع مختلف کاربری/پوشش اراضی را با استفاده از مقادیر آستانه استخراج کند [14، 87-89]. این مقادیر آستانه میتواند با توجه به تفاوت در محیط فیزیکی متفاوت باشد. محدودیت‌های آستانه NDVI بر روی تصاویر اعمال شد تا انواع مختلف مختلف کاربری/پوشش اراضی استخراج شود. جدول 2 حدود آستانه مناسب NDVI مورد استفاده برای استخراج پوشش گیاهی (فضای سبز، مرتع، اراضی کشاورزی) (2/0<)، اراضی مرطوب (0>)، منطقه ساخته شده/ اراضی بایر، شنزا، شورهزار (2/0-0) در منطقه مورد مطالعه را نشان میدهد.

جدول2. انواع مختلف کاربری اراضی/پوشش گیاهی استخراج شده از شاخص NDVI

Table 2. NDVI used for extracting different types of LULC

شاخص

رابطه

مقادیر آستانه NDVI برای استخراج انواع مختلف کاربری/پوشش اراضی

پوشش گیاهی

(فضای سبز، مرتع، کشاورزی)

اراضی مرطوب

منطقه ساخته شده/ اراضی بایر، شنزار، شورهزار

شاخص تفاوت پوشش گیاهی (NDVI)

2/0<

(2/0-0)

شکل2. مراحل استخراج تصویر دمای سطح زمین

Fig. 2. Extraction steps of land surface temperature

نتایج و بحث

ارزیابی صحت طبقات کاربری/پوشش اراضی

روش طبقهبندی حداکثر احتمال برای تعیین صحت نقشه طبقهبندی کاربری/پوشش اراضی LULC بدست آمده از شاخص آستانه NDVI استفاده شد. مقادیر دقت کلی طبقه‌بندی LULC در سال‌های 1990، 2005 و 2020 به ترتیب 6/73%، 9/83% و 6/84% است. ضرایب کاپا برای طبقات LULC به ترتیب 77/0، 80/0 و 84/0برای سال های 1990، 2005 و 2020 بود. مقدار ضریب کاپا > 75/0 نشان دهنده دقت بالای روش طبقهبندی است [90]. در مطالعه حاضر میانگین دقت کلی و میانگین ضریب کاپا به ترتیب 7/80 درصد و 80/0 بود. بنابراین، طبقه بندی نقشه طبقهبندی کاربری/پوشش اراضی بر اساس روش آستانه NDVI قابل قبول میباشد (جدول 3).

جدول3. ماتریس خطا و صحت کلی طبقهبندی برای تصاویر طبقهبندی شده (1990، 2005 و 2020)

Table 3. Error matrix and overall classification accuracy for classified images (1990, 2005 and 2020)

طبقات کاربری اراضی		دادههای مرجع								صحت طبقهبندی (%)		ضریب کاپا
طبقات کاربری اراضی		کشاورزی	مسکونی	مرتع	فضای سبز	شوره زار	شن زار	زمین مرطوب	بایر	دقت تولیدکننده	دقت کاربر	(K^)
اطلاعات طبقهبندی شده سال 1990	کشاورزی	8	0	0	0	0	0	0	0	8/30	100	77/0
	مسکونی	0	17	0	0	1	0	0	1	5/89	5/89
	مرتع	15	0	104	0	10	7	3	7	2/97	2/71
	فضای سبز	0	0	0	4	0	0	0	0	100	100
	شوره زار	0	0	1	0	33		12	3	66	3/67
	شن زار	3	0	2	0	0	10	0	0	8/58	7/66
	زمین مرطوب	0	0	0	0	3	0	15	0	4/48	3/83
	بایر	0	2	0	0	3	0	1	15	7/57	4/71
	صحت کل	6/73
اطلاعات طبقهبندی شده سال 2005	کشاورزی	8	0	3	0	0	2	0	0	8/58	9/76	80/0
	مسکونی	0	17	0	0	5	1	0	3	3/79	3/79
	مرتع	7	4	122	0	7	6	4	2	3/94	5/87
	فضای سبز	0	0	0	13	0	0	0	0	100	100
	شوره زار	0	5	0	0	24	0	3	3	75	75
	شن زار	0	0	5	0	15	24	0	0	6/63	8/77
	زمین مرطوب	0	6	4	0	2	2	32	5	75	4/79
	بایر	4	5	9	3	1	0	0	16	2/76	9/88
	صحت کل	9/83
اطلاعات طبقهبندی شده سال 2020	کشاورزی	43	2	7	1	3	6	7	2	1/86	6/81	84/0
	مسکونی	0	40	3	1	1	3	4	2	6/97	87
	مرتع	4	0	85	0	12	7	7	4	2/96	6/88
	فضای سبز	0	5	7	13	2	1	1	5	50	100
	شوره زار	0	1	0	0	26	0	3	2	3/74	3/81
	شن زار	7	3	3	2	6	8	3	4	7/64	6/84
	زمین مرطوب	6	3	5	1	6	8	35	1	71	5/81
	بایر	4	4	1	2	4	4	8	7	7/41	6/55
	صحت کل	6/84

اعداد جدول تعداد نقاط نمونههای تعلیمی در هر کاربری اراضی است که برای تعیین صحت طبقهبندی استفاده شده است.

ارزیابی استخراج انواع مختلف کاربری/پوشش اراضی با استفاده از NDVI

شکل 3 تصاویر FCC و نقشه های LULC از تصاویر لندست برای سال های 1990، 2005 و 2020 را نشان میدهد. نقشههای LULC با استفاده از محدودیتهای آستانه NDVI برای انواع مختلف LULC در محیط نرم افزار ArcGIS تولید شد (شکل 4). در سال 1990، مناطق ساختهشده و زمینهای بایر عمدتاً در بخشهای شرقی و میانی شهر یافت می شود. تبدیل اراضی کاهش سطح پوشش گیاهی را به ویژه طی سال‌های 2004-2020 تسریع می‌کند. بخش عمده پوشش گیاهی عمدتاً در قسمت شرقی شهر یافت می شود.

$D:\Zalo\Row-4\تاثیر تغییر کاربری زمین بر دمای سطح زمین\Fig-3.jpg$

شکل3. تصاویر ماهوارهای رنگی کاذب FCC محدودۀ مورد مطالعه

Fig. 3. FCC satellite images of the study area

$D:\Zalo\Row-4\تاثیر تغییر کاربری زمین بر دمای سطح زمین\Fig-4.jpg$

شکل4. نقشههای انواع مختلف کاربری/پوشش اراضی LULC با استفاده از شاخص NDVI

Fig. 4. Maps of different land use/land cover (LULC) types using NDVI index

ارزیابی ویژگیهای تغییرات زمانی و مکانی LST و NDVI

مقادیر LST و NDVI برای دادههای ماهوارهای سالهای مختلف مطالعه در جدول 4 ارائه شده است. شکل 5 حداکثر مقادیر LST 45 درجه سانتیگراد در سال 1990، 5/46 درجه سانتیگراد در سال 2005 و 6/48 درجه سانتیگراد در سال 2020 است. حداقل میانگین LST برای سالهای 1990، 2005 و 2020 به ترتیب 5/26، 28 و 1/30 درجه سانتیگراد است. میانگین واریانس تغییرات LST برای سالهای 1990، 2005 و 2020 به ترتیب 15/0، 16/0 و 14/0 است. در مورد NDVI، حداکثر مقدار به تدریج با زمان کاهش مییابد (شکل 5). مقایسۀ شکلهای 5 نشان میدهد که نسبت پوشش گیاهی به تدریج با گذشت زمان کاهش مییابد و NDVI با LST رابطه معکوس دارد.

جدول4. تغییرات زمانی رابطۀ LST، NDVI، وLST-NDVI (1990-2020)

Table 4. Temporal variation of LST, NDVI, and LST-NDVI relationship (1990–2020)

سال

LST (oC)

NDVI

ضریب همبستگی برای LST-NDVI

حداقل

حداکثر

میانگین

انحراف معیار

حداقل

حداکثر

میانگین

انحراف معیار

1990

5/26

3/38

9/5

05/0-

53/0

22/0

15/0

* 87/0-

2005

5/46

7/39

4/5

03/0-

51/0

19/0

16/0

* 90/0-

2020

1/30

6/48

7/41

1/5

02/0-

47/0

17/0

14/0

* 92/0-

* نشان دهنده وجود همبستگی معنیدار، در سطح 5% است.

$D:\Zalo\Row-4\تاثیر تغییر کاربری زمین بر دمای سطح زمین\Fig-4-LST_NDVI-II.jpg$

شکل5. توزیع مکانی دمای سطح زمین LST و شاخص تفاوت پوشش گیاهی NDVI

Fig. 5. Spatial distribution of LST and NDVI

رابطۀ بین LST و LULC

LST منطقه مورد مطالعه به طور قابل توجهی به انواع LULC وابسته است. در واقع، این روش انتشار مبتنی بر آستانه NDVI برای استخراج LST پیکرههای آبی مناسب نیست. با این حال، نتیجه تحقیق حاضر نشان می دهد که منطقه با پوشش گیاهی سبز دارای مقادیر LST پایین است، در حالی که مناطق ساخته شده و زمین های بایر دارای مقادیر LST متوسط تا زیاد هستند.

تغییرات دمای سطح زمین با تغییرات در کاربری/پوشش اراضی

نتایج آزمون t جفتی تغییر در میانگین دمای سطح زمین (°C) در انواع مختلف کاربری/پوشش اراضی با توجه به مقدار Sig. که به ترتیب برای سالهای 1990-2020 و 2005-2020، 012/0 و 009/0 بوده و از 05/0 کوچکتر است، نتیجه میشود که بین تغییر در میانگین دمای سطح زمین (°C) در انواع مختلف کاربری/پوشش اراضی در سطح 5 درصد اختلاف معنیداری وجود دارد (جدول 5). جدول 6 تغییرات زمانی در دمای سطح زمین LST را با تغییرات در انواع مختلف کاربری/پوشش اراضی LULC را نشان میدهد. زمین به منطقه ساخته شده یا زمین بایر از انواع دیگر LULC، به عنوان مثال، پوشش گیاهی یا توده های آبی تبدیل می شود. مساحت ساخته شده و زمین بایر افزایش یافته در حالی که پوشش گیاهی و بدنه آبی کاهش یافته است. میانگین LST مناطق ساخته شده/ مسکونی از سال 1990 تا 2005 (5/1 درجه سانتیگراد) و از سال 2005 تا 2020 (8/3 درجه سانتیگراد)، افزایش یافته است. منطقه سبز دارای پوشش گیاهی بین سال‌های 1990 تا 2020 به منطقه ساخته‌شده و زمینهای بایر تبدیل شده است که 04/3 درجه سانتی‌گراد میانگین LST افزایش یافته است، و میانگین دمای سطح زمین 25/2 درجه سانتی‌گراد بین سال‌های 2005 تا 2020 افزایش یافته است.

جدول5. نتایج آزمون t جفتی تغییر در میانگین دمای سطح زمین در انواع مختلف کاربری/پوشش اراضی Table 5. Paired t-test results of change in mean land surface temperature in different types of land use/cover
	میانگین	انحراف معیار	انحراف معیار میانگین خطا	تفاوت در سطح اطمینان 95%		t	درجه آزادی	Sig. دو طرفه
				حد پایین	حد بالا
سال 1990-2020	65/2-	24/2	79/0	52/4-	78/0-	35/3-	7	* 012/0
سال 2005-2020	63/1-	28/1	45/0	70/2-	56/0-	61/3-	7	* 009/0

* نشان دهنده وجود همبستگی معنیدار، در سطح 5% است.

جدول6. تغییر در میانگین دمای سطح زمین (°C) با تبدیل انواع مختلف کاربری/پوشش اراضی

Table 6. Change in mean LST (°C) with the conversion of different types of LULC

تبدیل انواع مختلف کاربری/پوشش اراضی	2020-1990			2020-2005
تبدیل انواع مختلف کاربری/پوشش اراضی	1990	2020	2020-1990	2005	2020	2020-2005
زمینهای بایر	8/40	3/44	5/3	1/42	3/44	2/2
زمینهای مرطوب	5/28	6/31	1/3	5/29	6/31	1/2
شن زار	46	2/43	8/2	7/44	2/43	5/1
شوره زار	3/41	4/45	3/4	2/43	4/45	2/2
فضای سبز	04/29	08/32	04/3	4/30	08/32	68/1
مراتع کم تراکم	8/39	4/43	6/3	4/41	4/43	2
مناطق ساخته شده/مسکونی	9/42	7/46	8/3	4/44	7/46	3/2
کشاورزی	8/40	7/43	9/2	6/41	7/43	1/2

تغییرات زمانی در رابطه LST-NDVI

کاربری اراضی

شکل 6 تغییرات زمانی ضرایب همبستگی روابط LST-NDVI را در انواع مختلف LULC را نشان می دهد. در پوشش گیاهی، روابط LST-NDVI در هر سال 1990 دارای رگرسیون ضعیف تر 76/0- است، در حالی که سالهای 2005 و 2020، به ترتیب دارای رگرسیون منفی متوسط تا قوی، 79/0- و 86/0- است. از آنجایی که NDVI یک شاخص پوشش گیاهی است، رابطه LST-NDVI به شدت تحت تأثیر پوشش گیاهی است. در زمینهای بایر، مقادیر ضریب همبستگی 82/0- در سال 1990، 86/0- در سال 2005، و 88/0- در سال 2020 است. در منطقه ساخته شده میانگین مقادیر ضریب همبستگی رابطه LST-NDVI برای سه دوره مطالعه 94/0- بود. لیانگ و همکاران [92]، قبادی و همکاران [27] و گوها و همکاران [24] رابطۀ منفی LST-NDVI را گزارش کردند. یو و همکاران [56] یک رابطه منفی LST-NDVI را ارائه کردند، و نشان دادند که این رابطه در انواع مختلف کاربری/پوشش اراضی متفاوت است. سان و کافاتوس [94] همبستگی LST-NDVI در فصل گرم را منفی بدست آوردند. این رابطه در مشهد [57] و نیز شهر برلین منفی بود [95]. مطالعه حاضر همچنین نشان داد که همبستگی LST-NDVI منفی است. مقدار ضریب همبستگی با میزان رطوبت سطح رابطه معکوس دارد، یعنی منفی بودن رابطه با افزایش رطوبت سطح افزایش مییابد.

کاربری اراضی

4/0-

5/0-

6/0-

7/0-

8/0-

9/0-

1/1-

2/1-

ضریب همبستگی

شکل6. تغییرات زمانی ضریب همبستگی رابطۀ LST-NDVI در انواع مختلف LULC

Fig. 6. Temporal variation of LST-NDVI relationship on different types of LULC

نتیجهگیری

مطالعه حاضر به تحلیل رابطه مکانی و زمانی LST و NDVI در اراضی ساحلی بوشهر با استفاده از 3 مجموعه داده لندست برای سال‌های 1990، 2005 و 2020 پرداخت. الگوریتم تک پنجرهای در استخراج LST استفاده شد. به طور کلی، نتایج نشان داد که LST در سالهای مطالعه با NDVI رابطه معکوس دارد. وجود پوشش گیاهی از عوامل اصلی منفی بودن زیاد این همبستگی است. رابطه LST-NDVI برای انواع کاربری/پوشش اراضی LULC متفاوت است. در مناطقی با پوشش گیاهی یک رابطۀ رگرسیون منفی قوی (80/0-) بین LST و NDVI برقرار است، میانگین LST منطقه مورد مطالعه 4/3 درجه سانتیگراد طی سالهای 1990-2020 افزایش یافت. تبدیل سایر کاربری اراضی به مناطق ساخته شده و اراضی بایر تأثیر زیادی بر میانگین LST در مناطق شهری دارد. روند تغییرات LST در هر دو منطقه ساخته شده تغییر یافته و بدون تغییر و اراضی بایر افزایشی بود. این مطالعه میتواند به عنوان مرجعی برای کاربری اراضی و برنامه ریزی زیست محیطی در اراضی ساحلی مورد استفاده قرار گیرد.

References

Estimation of chlorophyll-a concentration using ground data and Sentinel-2 and Landsat-8 Satellite images processing (Case study: Tiab Estuary)
Print Date : 2020-03-20
Investigation of the origin and spatial distribution of high dust concentrations and its synoptical analysis in Gavkhooni basin
Print Date : 2020-12-21
Determination of homogenous areas for ecosystem services supply in the central part of Isfahan province
Print Date : 2020-03-20
Identifying Origins of Atmospheric Aerosols using Remote Sensing and Data Mining (Case study: Yazd province)
Print Date : 2021-03-21
Identification of the prone lands for wood farming by Eucalyptus in Khuzestan province using Fuzzy AHP
Print Date : 2020-03-20
Identification of salt domes in Ravar region, Kerman province by using the radar Polarimetry technique of Palsar images and analyzing Sentinel-2 and Aster multispectral images
Print Date : 2020-06-21

Share To

Article Url

The effect of land use change/land cover on land surface temperature in the coastal area of Bushehr