بررسی رابطه بین دمای سطح زمین با تغییرات پوشش گیاهی و گستره آبی در شهرستان ارسنجان، ایران

محورهای موضوعی : کشاورزی، مرتع داری، آبخیزداری و جنگلداری

علی ابراهیمی ¹ (دانشجوی دکتری علوم و مهندسی آبخیزداری، گروه جنگل، مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران)
ّبهارک معتمدوزیری ² (استادیار گروه جنگل، مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران)
سید محمد جعفر ناظم السادات ³ (استاد مرکز پژوهش های علوم جوی-اقیانوسی، گروه مهندسی آب، دانشکده کشاورزی ، دانشگاه شیراز ، شیراز ، ایران)
حسن احمدی ⁴ (استاد گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی ، دانشگاه تهران ، کرج ، ایران)

تاریخ دریافت : 1399/03/23 تاریخ پذیرش : 1399/07/17 تاریخ انتشار : 1399/10/01

کلید واژه: دمای سطح زمین, ارسنجان, شاخص تفاضل گیاهی نرمال شده, بختگان, لندست,

چکیده مقاله :

پیشینه و هدف تغییرات پوشش زمین و رطوبت خاک تأثیر زیادی بر دمای سطح زمین دارد؛ بنابراین، دمای سطح را می‌توان برای مطالعه تغییرات پوشش زمین و بیابان‌زایی استفاده کرد. شهرستان ارسنجان که در شمال شرق استان فارس واقع گردیده است، دارای پوشش جنگلی و مرتعی نسبتاً خوبی است. برداشت بیش‌ازحد منابع آب زیرزمینی و نیز کاهش مقدار بارش، باعث کاهش سطح آب در این منطقه و خشکیدگی بسیاری از چاه‌ها طی سال‌های اخیر شده است. این مسائل باعث شده تا سطح زیر کشت محصولات کشاورزی و نیز مساحت پوشیده از آب دریاچه بختگان در این پهنه طی سری زمانی کاهش یابد. با این حال، تاکنون بررسی دمای سطح زمین و ارتباط آن با تغییرات کاربری زمین در شهرستان ارسنجان موردمطالعه قرار نگرفته است. لذا در این پژوهش، تغییرات فضایی - زمانی دمای سطح زمین و ارتباط آن با پوشش گیاهی و سطح دریاچه بختگان موردبررسی قرارگرفته است.مواد و روش هاتعداد 11 تصویر مربوط به داده‌های Level-1 ماهواره لندست از منطقه موردمطالعه از سال 2003 تا 2018 میلادی تهیه گردید. ازآنجاکه وضعیت پوشش گیاهی در این منطقه در ماه‌های آوریل و می به علت بارش‌های زمستانه، در بهترین وضعیت خود است، لذا تصاویر مربوط به این دوره زمانی به‌منظور بررسی نوسان پوشش گیاهی و سطح آب دریاچه بختگان مورد پایش قرار گرفت. از شاخص پوشش گیاهی نرمال شده برای برآورد مقدار پوشش گیاهی استفاده شد. به‌منظور محاسبه دمای سطح زمین از روش الگوریتم پلانک استفاده گردید. آشکارسازی تغییرات با استفاده از فن تفاضل شاخص‌های گیاهی انجام شد. به ‌منظور طبقه ‌بندی دمای سطح زمین و تغییرات زمانی-مکانی دمای سطح زمین، در ابتدا تصویر اختلاف دمای سطح زمین در سال 2018 نسبت به سال 2003 محاسبه‌شده نرمال گردید. سپس تصویر نرمال شده با استفاده از پارامتر انحراف معیار در 5 طبقه دمایی پهنه‌بندی شد.نتایج و بحثمتوسط مقدار شاخص پوشش گیاهی نرمال شده از سال 2003 با مقدار 0.25 روندی نزولی را به خود گرفت که تا سال 2018 ادامه داشت، به طوری که مقدار پوشش در این سال به 0.18 کاهش یافت؛ اما در سوی دیگر، متوسط دمای سطح زمین کاملاً سیر صعودی داشت به طوری که از مقدار29Coدر سال 2003 به 41.7Coدر سال 2018 افزایش یافت. نتایج نشان می‌دهد که متوسط مقدار شاخص پوشش گیاهی نرمال شده در پوشش زراعی در سال 2003 به مقدار 0.66 بود اما بااین‌وجود مقدار این شاخص در سال 2018 به 0.33 کاهش یافت. در مقابل، دمای سطح زمین در عرصه‌های کشاورزی در بازه 2003 تا 2018 سیری صعودی را داشت و از مقدار20.9Coسال 2003 به39.5Co در سال 2018 افزایش یافت. نتایج نشان داد که متوسط دمای سطح زمین در پهنه دریاچه در بازه 2003 تا 2018 سیری صعودی را داشت و از مقدار 20.1Coدر سال 2003 به 36.5Coدر سال 2018 افزایش یافت. با توجه به این نتایج، مقدار متوسط شاخص پوشش گیاهی نرمال شده در سال 2018 در محدوده پوشش طبیعی و زراعی به ترتیب به مقدار 0.07 و 0.33 کاهش داشته است؛ اما با توجه به رابطه مثبت بین شاخص پوشش گیاهی نرمال شده و دمای سطح زمین در پهنه ‌های پوشیده از آب، مقدار شاخص پوشش گیاهی نرمال شده در سال 2018 به مقدار 0.39 در محدوده دریاچه بختگان افزایش یافت. در مقابل دمای سطح زمین در کاربری‌های پوشش طبیعی، زراعی و دریاچه به ترتیب به مقدار 12.7Co، 18.6Coو 16.4Coدر سال 2018 نسبت به سال 2003 افزایش یافت. نتایج نشان داد رابطه منفی بین شاخص پوشش گیاهی نرمال شده و دمای سطح زمین است (0.862= R2). به طوری که با افزایش تراکم پوشش گیاهی دمای سطح زمین کاهش می‌یابد. در مقابل، در شوره‌زارها و اراضی بایر، مقدار شاخص پوشش گیاهی نرمال و دمای سطح زمین بالا می‌باشند. با توجه به نتایج، بیشترین همبستگی منفی بین پوشش زراعی و دمای سطح زمین به دست آمد که برابر با 0.94- بود. علت این همبستگی بالا را می‌توان به انبوهی و تراکم پوشش گیاهی در مناطق زراعی ربط داد. همبستگی منفی پایین بین پوشش طبیعی و دمای سطح زمین نیز حاکی از تراکم پایین پوشش گیاهی در عرصه‌های مرتعی و جنگلی است. به‌منظور بررسی سطح کاهش یا افزایش دمای سطح زمین در کاربری‌های مختلف پوشش زراعی، پوشش طبیعی و کلاس آب، نقشه اختلاف دمای سطح زمین در سال 2018 نسبت به سال 2003 به پنج کلاس دمای خیلی پایین، دمای پایین، دمای متوسط، دمای بالا و دمای بسیار بالا طبقه‌بندی گردید. با توجه به نتایج حاصل از طبقه‌بندی دمای سطح زمین، بیشترین مساحت مربوط به طبقه دمایی متوسط در تمام کاربری‌ها بوده است، به طوری که بیشترین مساحت این طبقه دمایی مربوط به پوشش طبیعی به مقدار 86733 هکتار است. ازآنجاکه تراکم و مقدار پوشش گیاهی به‌ویژه در اراضی کشاورزی در سال 2018 کاهش چشمگیری نسبت به سال 2003 داشت، لذا مساحت طبقات دمایی بالا و بسیار بالا افزایش زیادی داشتند. مساحت طبقات دمایی بالا و بسیار بالا در زمین‌های زراعی به ترتیب به مقدار 4625 هکتار و 7192 هکتار رسید. همچنین، ازآنجاکه سطح آب دریاچه در سال 2018 نسبت به سال 2003 کاهش یافت، لذا مساحت طبقات دمایی بالا و بسیار بالا در این کلاس به ترتیب به مقدار 1824 و 3919 هکتار رسید.نتیجه گیری متوسط شاخص پوشش گیاهی نرمال شده در سال 2018 در محدوده پوشش طبیعی و زراعی کاهش و در محدوده دریاچه بختگان افزایش یافت و در مقابل، دمای سطح زمین در کاربری‌های ذکرشده افزایش یافت. ازآنجاکه تراکم و مقدار پوشش گیاهی به‌ویژه در اراضی کشاورزی در سال 2018 کاهش چشمگیری نسبت به سال 2003 داشت، لذا نتایج نشان داد که مساحت طبقات دمایی بالا و بسیار بالا افزایش بیشتری نسبت به طبقات دمایی پایین و بسیار پایین داشتند. همچنین، ازآنجاکه سطح آب دریاچه در سال 2018 نسبت به سال 2003 کاهش یافت، لذا مساحت طبقات دمایی بالا و بسیار بالا در این کلاس افزایش یافت. یافته ‌ها نشان داد که بین پوشش گیاهی و دمای سطح زمین همبستگی منفی وجود دارد.

چکیده انگلیسی:

Background and ObjectiveLand cover and soil moisture changes have a significant impact on land surface temperature (LST). Therefore, LST can be used to study land cover and desertification changes. Arsanjan County, which is located in the northeast of Fars province, has a relatively good forest and rangeland. Unfortunately, excessive harvesting of the groundwater resources and also reduced precipitation in this area caused to decrease water levels and dried up many wells in this area during recent years. So the area of the farmland and Bakhtegan Lake has decreased in this region during the last decades. However, so far, the condition of the LST and its relationship with land cover changes has not been assessed in Arsanjan County. In this study, spatial-temporal changes of LST and its relationship with vegetation and the water area of Bakhtegan Lake have been studied. Materials and Methods The eleven images related to Level-1 data of Landsat satellite was taken from 2003 to 2018. Since the vegetation situation in the study area is in the best vegetation and water area condition in April and May, so the images related to these months were selected to check the fluctuation of vegetation cover and water level of Bakhtegan Lake. The data pre-processing was performed in three sections: geometric, radiometric and atmospheric correction by ENVI software. The FLAASH algorithm, which is one of the best methods of atmospheric correction, was applied for atmospheric correction. In this study, NDVI was used to estimate the amount of vegetation. The Planck algorithm method was applied to calculate the LST. The change detection process was done using the index differencing method. To classify the LST map and the temporal-spatial changes, the LST difference map was normalized. Then, the normalized image was categorized using the standard deviation parameter in five temperature classes. Results and Discussion In the present study, 11 Landsat images were examined to investigate the spatial-temporal changes in land coverage and LST and the relationship between these two parameters from 2003 to 2018. The NDVI mean value was 0.25 in 2003, which decreased to 0.18 in 2018. On the other hand, the LST mean value had an upward trend as it increased from 29℃ in 2003 to 41.7℃ in 2018. The NDVI mean value was 0.66 in the farmland in 2003, however, its value reached to 0.33 in 2018. In contrast, LST mean value increased in the farmland from 20.9℃ in 2003 to 39.5.5℃ in 2018. Also, the LST mean value in the lake area increased from 20.1℃ in 2003 to 36.5 in 2018. Based on the results, the NDVI mean value in the rangeland and farmland decreased by 0.07 and 0.33, respectively, in 2018. However, due to the positive relationship between NDVI and LST in water-covered areas, the NDVI mean value increased by 0.39 in Bakhtegan Lake area in 2018. In contrast, the LST mean value in the rangeland, farmland and Bakhtegan Lake increased by 12.7℃, 18.6℃ and 16.4℃, respectively, in 2018 compared to 2003. The results indicated a negative relationship between NDVI and LST (R2= 0.862). The LST value decreases by increasing NDVI value in the vegetated area. In contrast, there was a positive correlation between NDVI and LST in salt-marshes and barren areas. According to the results, the highest negative correlation was obtained for the farmland, which was  -0.94. The reason for this high correlation can be related to the high density of vegetation cover in agricultural areas. The low negative correlation between NDVI and LST in the rangeland indicates the low vegetation density in rangeland and forest area. In order to study the area of decrease or increase of LST in the farmland, rangeland and water classes, the LST difference map was classified to five categories including very low temperature, low temperature, medium temperature, high temperature and very high temperature. According to the result of LST classification, the highest area was related to the moderate temperature class in all land covers, so that the highest area of this temperature class was associated with the rangeland by 86733 hectares. Since the vegetation density, especially in the farmland, had a significant decrease in 2018 compared to 2003, the area of high and very high-temperature classes increased in 2018, so that their area reached to 4625 ha and 7192 ha, respectively, in the farmland. Also, since the water area of the lake decreased in 2018 compared to 2003, the area of high and very high-temperature classes in these classes reached to 1824 ha and 3919 ha, respectively. Conclusion According to the results, the NDVI mean value in 2018 decreased in the farmland and rangeland and increased in the Bakhtegan Lake area. In contrast, the LST increased in the mentioned areas. The results of the LST classification showed that the highest amount of LST change is related to the moderate temperature class. Since the vegetation density, especially in the agricultural area, had a significant decrease in 2018 compared to 2003, the results showed that the area of high and very high temperatures had a higher increase than low and very low temperatures. Also, since the lake's water level decreased in 2018 compared to 2003, the area of high and very high temperatures in these classes increased. The findings show that there is a negative correlation between vegetation and land surface temperatures.

منابع و مأخذ:

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 (Journal of Applied RS & GIS Techniques in Natural Resource Science), 6(1): 66-77. (In Persian).

Balew A, Korme T. 2020. Monitoring land surface temperature in Bahir Dar city and its surrounding using Landsat images. The Egyptian Journal of Remote Sensing and Space Science. doi:https://doi.org/10.1016/j.ejrs.2020.02.001.

Chu H, Venevsky S, Wu C, Wang M. 2019. NDVI-based vegetation dynamics and its response to climate changes at Amur-Heilongjiang River Basin from 1982 to 2015. Science of The Total Environment, 650: 2051-2062. doi:https://doi.org/10.1016/j.scitotenv.2018.09.115.

Duan S-B, Li Z-L, Li H, Göttsche F-M, Wu H, Zhao W, Leng P, Zhang X, Coll C. 2019. Validation of Collection 6 MODIS land surface temperature product using in situ measurements. Remote Sensing of Environment, 225: 16-29. doi:https://doi.org/10.1016/j.rse.2019.02.020.

Eckert S, Hüsler F, Liniger H, Hodel E. 2015. Trend analysis of MODIS NDVI time series for detecting land degradation and regeneration in Mongolia. Journal of Arid Environments, 113: 16-28. doi:https://doi.org/10.1016/j.jaridenv.2014.09.001.

Fathizad H, Tazeh M, Kalantari S, Shojaei S. 2017. The investigation of spatiotemporal variations of land surface temperature based on land use changes using NDVI in southwest of Iran. Journal of African Earth Sciences, 134: 249-256. doi:https://doi.org/10.1016/j.jafrearsci.2017.06.007.

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:  Data Management, Analytics and Innovation. Springer, pp 171-184. https://doi.org/110.1007/1978-1981-1032-9949-1008_1013.

Guha S, Govil H. 2020. An assessment on the relationship between land surface temperature and normalized difference vegetation index. Environment, Development and Sustainability. doi:10.1007/s10668-020-00657-6.

Khan N, Shahid S, Chung E-S, Kim S, Ali R. 2019. Influence of surface water bodies on the land surface temperature of Bangladesh. Sustainability, 11(23): 6754. doi:https://doi.org/10.3390/su11236754.

Kianisalmi E, Ebrahimi A. 2019. Assessing the impact of urban expansion and land cover changes on land surface temperature in Shahrekord city. Journal of RS and GIS for Natural Resources (Journal of Applied RS & GIS Techniques in Natural Resource Science), 9(4): 102-118. (In Persian).

Lamchin M, Lee W-K, Jeon SW, Wang SW, Lim CH, Song C, Sung M. 2018. Long-term trend and correlation between vegetation greenness and climate variables in Asia based on satellite data. Science of The Total Environment, 618: 1089-1095. doi:https://doi.org/10.1016/j.scitotenv.2017.09.145.

Lee PS-H, Park J. 2020. An Effect of Urban Forest on Urban Thermal Environment in Seoul, South Korea, Based on Landsat Imagery Analysis. Forests, 11(6): 630. doi:https://doi.org/10.3390/f11060630.

Liaqut A, Younes I, Sadaf R, Zafar H. 2019. Impact of urbanization growth on land surface temperature using remote sensing and GIS: a case study of Gujranwala City, Punjab, Pakistan. International Journal of Economic and Environmental Geology: 44-49. doi:https://doi.org/10.46660/ijeeg.Vol0.Iss0.0.138.

Marzban F, Sodoudi S, Preusker R. 2018. The influence of land-cover type on the relationship between NDVI–LST and LST-Tair. International Journal of Remote Sensing, 39(5): 1377-1398. doi:https://doi.org/10.1080/01431161.2017.1402386.

Pu R, Gong P, Tian Y, Miao X, Carruthers RI, Anderson GL. 2008. Using classification and NDVI differencing methods for monitoring sparse vegetation coverage: a case study of saltcedar in Nevada, USA. International Journal of Remote Sensing, 29(14): 3987-4011. doi:https://doi.org/10.1080/01431160801908095.

Rahmad R, Nurman A, Pinem K. 2019. Impact Of NDVI Change To Spatial Distribution Of Land Surface Temperature (A Study in Medan City, Indonesia). In: 1st International Conference on Social Sciences and Interdisciplinary Studies (ICSSIS 2018). Atlantis Press,  https://doi.org/10.2991/icssis-18.2019.33.

Solangi GS, Siyal AA, Siyal P. 2019. Spatiotemporal dynamics of land surface temperature and its impact on the vegetation. Civil Engineering Journal, 5(8): 1753-1763. doi:http://dx.doi.org/10.28991/cej-2019-03091368.

Sruthi S, Aslam MAM. 2015. Agricultural Drought Analysis Using the NDVI and Land Surface Temperature Data; a Case Study of Raichur District. Aquatic Procedia, 4: 1258-1264. doi:https://doi.org/10.1016/j.aqpro.2015.02.164.

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:10.1038/s41598-020-66168-6.

Walawender JP, Szymanowski M, Hajto MJ, Bokwa A. 2014. Land Surface Temperature Patterns in the Urban Agglomeration of Krakow (Poland) Derived from Landsat-7/ETM⁺ Data. Pure and Applied Geophysics, 171(6): 913-940. doi:10.1007/s00024-013-0685-7.

Wan Mohd Jaafar WS, Abdul Maulud KN, Muhmad Kamarulzaman AM, Raihan A, Md Sah S, Ahmad A, Saad SNM, Mohd Azmi AT, Jusoh Syukri NKA, Razzaq Khan W. 2020. The Influence of Deforestation on Land Surface Temperature-A Case Study of Perak and Kedah, Malaysia. Forests, 11(6): 670. doi:https://doi.org/10.3390/f11060670.

Wang S, Ma Q, Ding H, Liang H. 2018. Detection of urban expansion and land surface temperature change using multi-temporal landsat images. Resources, Conservation and Recycling, 128: 526-534. doi:https://doi.org/10.1016/j.resconrec.2016.05.011.

Wu C, Li J, Wang C, Song C, Chen Y, Finka M, La Rosa D. 2019. Understanding the relationship between urban blue infrastructure and land surface temperature. Science of The Total Environment, 694: 133742. doi:https://doi.org/10.1016/j.scitotenv.2019.133742.

Xunqiang M, Chen C, Fuqun Z, Hongyuan L. 2011. Study on temporal and spatial variation of the urban heat island based on Landsat TM/ETM⁺ in central city and Binhai New Area of Tianjin. In: 2011 International Conference on Multimedia Technology. IEEE, pp 4616-4622. https://doi.org/4610.1109/ICMT.2011.6003213.

Zareie S, Khosravi H, Nasiri A, Dastorani M. 2016. Using Landsat Thematic Mapper (TM) sensor to detect change in land surface temperature in relation to land use change in Yazd, Iran. Solid Earth, 7(6): 1551. doi:https://doi.org/10.5194/se-7-1551-2016.

Zhang F, Tiyip T, Kung H, Johnson VC, Maimaitiyiming M, Zhou M, Wang J. 2016. Dynamics of land surface temperature (LST) in response to land use and land cover (LULC) changes in the Weigan and Kuqa river oasis, Xinjiang, China. Arabian Journal of Geosciences, 9(7): 499. doi:https://doi.org/10.1007/s12517-016-2521-8.