بررسی ارتباط تغییر کاربری زراعی و دمای سطحی با استفاده از داده‌های سنجش از دور. مطالعه موردی: زابل در استان سیستان و بلوچستان

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 مربی دانشکده آب و خاک، دانشگاه زابل، ایران

2 کارشناس‌ارشد برنامه‌ریزی شهری، دانشگاه شیراز، شیراز، ایران

3 کارشناسی ارشد مهندسی سنجش از دور، دانشگاه تربیت دبیر شهید رجایی ، تهران، ایران

چکیده

            مدیران و مسئولان منابع انرژی کشور هم­اکنون با مسئله چالش جدی در زمینه شناسایی علت­های شکل‌گیری جزایر حرارتی و چاره­اندیشی در زمینه کاهش این پدیده مخرب مواجه هستند. برای این منظور نیاز به گردآوری اطلاعات مکانی دقیق و قابل اطمینان درباره محل تمرکز ناهنجاری­های حرارتی می­باشد. دمای سطح زمین یکی از پارامترهای کلیدی برای کنترل و ارزیابی فرایندهای فیزیکی، شیمیایی و بیولوژیکی سطح زمین و یک عامل مهم برای مطالعه آب ‌و هوا در مناطق شهری محسوب می­شود. اما داده­های دمای ثبت شده توسط ایستگاه­های سینوپتیک فاقد قدرت تفکیک مکانی مناسب می­باشند. از طرفی دستیابیبه اطلاعاتدر کوتاه­ترینزمانوباکم­ترینهزینهازجملهعواملمهمتأثیر­گذاربرتصمیم­گیریاست. هدف از انجام این پژوهش بررسیارتباط تغییر کاربری زراعی و دمای سطحی با استفاده از داده­های سنجش از دور زابل در استان سیستان و بلوچستان است.درسال­هایاخیراستفاده ازروش­هاینوین،کم­هزینه و سریعمانندفناوری سنجشازدور،به علتتواناییدرشناساییپدیده­هاهموارهموردتوجهمتخصصین، مدیرانوتصمیم­گیرانبودهاست. روش تحقیق در این پژوهش با استفاده از تصاویر لندست و همچنین یک الگوریتم تک باندی وابسته به شاخص تفاضل گیاهی نرمال شده مقادیر محاسبه شده است. همچنین نقشه­های کاربری اراضی با الگوریتم دقیق شبکه‌های عصبی محاسبه و رابطه تغییرات دمای سطح با تغییرات کاربری و همچنین تغییرات پوشش گیاهی محاسبه شد. نتایج حاصل از این پژوهش نشان داد که تغییرات دما با تغییرات پوشش گیاهی رابطه عکس دارد و بیشترین دما به مناطق ساخته شده و بایر تعلق دارد

کلیدواژه‌ها


عنوان مقاله [English]

Investigating the relationship between agronomic change and surface temperature using remote sensing data (Case study: Zabol)

نویسندگان [English]

  • maryam ghorbani 1
  • maryam nazari katooli 2
  • somaye aslani 3
1 water & soil faculty, university of Zabol -zabol-iran
2 MA of urban planning, shiraz University, Shiraz. Iran
3 MA of Remotsensing, shahid Rajaee Teacher Training University, Tehran, Iran
چکیده [English]

Urban unsustainable development and growth of the industry in recent decades, and as a result, the physical expansion of cities, is a pivotal factor in environmental degradation and exerts a heavy pressure on the environment and is changed land cover vegetation and urban land use Managers and authorities of the country's energy resources are currently facing with a serious challenge in identifying the causes of the formation of thermal islands and the way to reduce this destructive phenomenon, and for this purpose, it is necessary to collect accurate and reliable spatial information about the location of the focal points of thermal anomalies. Land surface temperature (LST) is one of the key parameters for controlling and evaluating the physical, chemical and biological processes of the earth's surface and an important factor for studying the climate in urban areas. However, the temperature data recorded by the synoptic stations are not suitable in terms of spatial resolution. On the other hand, access to information in the shortest time and at the lowest cost is one of the important factors influencing decision making. In recent years, the use of modern, low cost and fast methods, such as remote sensing (RS) technology, has always been of interest to experts, managers and decision makers due to the ability to identify phenomena. In this study, LST values have been calculated using LANDSAT images with a single- band algorithm based on normalized difference vegetation index (NDVI). In ZABOL city case study, LST values have been calculated between 1986 - 2016 Period of ten years. Land use maps are also computed using the precise neural network method, and the relationship between surface temperature changes and land use as well as vegetation changes are calculated. The results showed that temperature variations correlate inversely with vegetation changes and the highest temperature corresponds to the built areas and waste land zones.

کلیدواژه‌ها [English]

  • Land Surface Temperature (LST)
  • Remote Sensing
  • Normalized Difference Vegetation Index (NDVI)
منابع
احمدی، طیبه و رحیمی چاکدل، عزیز. 1392. ژئومورفولوژی و مورفوتکتونیک ناحیه لالی گتوند، استان خوزستان. مجله آمایش جغرافیایی فضا. فصلنامه علمی پژوهشی دانشگاه گلستان. 3 (7): 121-139.
زبیری، محمود و مجد، علیرضا. 1375. آشنایی با فن سنجش از دور و کاربرد آن در مناطق طبیعی. دانشگاه تهران.
مدیری، مهدی و خواجو، خسرو. 1378. اشاره­ای به سیستم اطلاعات جغرافیایی، سازمان جغرافیایی.
وزارت مسکن و شهرسازی، طرح جامع شهر زابل. 1384. صفحه 6-7.
5.Aniello, C., Morgan, K., Busbey, A., and Newland, L. 1995. “Mapping micro-urban heat islands using Landsat TM and a GIS,”. Computers & Geosciences. 21(8): 965-969.
6.Atkinson, P.M., and Tatnall, A.R.L. 1997. “Introduction neural networks in remote sensing,”. international journal remote sensing. 18(4): 699-709.
7.Basayigit, Levent., Dedeoglu, Mert., and Ozogul,  Fadime. 2017. “The Use of Thermal Infrared Wavelengths to Determine the Volcanic Soils,”. world academy science engineering technology. Science Engineering and Technology. environmental chem ecology geology Engineering. 11(9): 837-842.
8.Chen, Xiao-Ling., Zhao, Hong-Mei, Li, Ping-Xiang, and Zhi-Yong, Yin. 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.
9.Gallo, Kevin P., Owen, and Timothy W., Owen. 1999. “Satellite-based adjustments for the urban heat island temperature bias,”. Journal of applied meteorology and Climatology. 38(6): 806-813.
10.Gallo, K.P., McNab, A.L., Karl, T.R., Brown, J.F., Hood, J.J., and Tarpley, J.D. 1993. “The use of NOAA AVHRR data for assessment of the urban heat island effect,”. journal of applied meteorology and climatology. 32(5): 899-908.
11.Guo, Guanhua., Wu, Zhifeng., Xiao, Rongbo., Chen, Yingbiao., Liu, Xiaoshi and Zhang, X. 2015. “Impacts of urban biophysical composition on land surface temperature in urban heat island clusters,” Landscape and Urban Planning - Journal. 135:(1-10).
12.Haashemi, Sirous., Weng, Qihao., Darvishi, Ali., and Alavipanah, Seyed Kazem. 2016. “Seasonal variations of the surface urban heat island in a semi-arid city,”. Remote sensing. 8(4): 352.
13.Li, Xiaoma.,  Zhou, Weiqi., Ouyang, Zhiyun., Xu, Weihua., and Zheng, Hua. 2012. “Spatial pattern of greenspace affects land surface temperature: evidence from the heavily urbanized Beijing metropolitan area, China,”. Landscape Ecology. 27(6): 887-898.
14.Liu, Lin., and Zhang, Yuanzhi. 2011. “Urban heat island analysis using the Landsat TM data and ASTER data: A case study in Hong Kong,”. Remote sensing  3(7): 1535-1552.
15.Lo, C.P., Quattrochi, D.A., and Luvall, J.C. 1997. “Application of high-resolution thermal infrared remote sensing and GIS to assess the urban heat island effect,”. international journal remote sensing. 18(2): 287-304.
16.Mackey, Christopher, W., Lee, Xuhui, and Smith. Ronald, B. 2012. “Remotely sensing the cooling effects of city scale efforts to reduce urban heat island,” build environment. 49: 348-358.
17.Otukei, J.R., and Blaschke, T. 2010. “Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms,”. International Journal of Applied Earth Observation and Geoinformation. 12: S27-S31.
18.Rajasekar, Umamaheshwaran., and  Weng, Qihao. 2009. “Urban heat island monitoring and analysis using a non-parametric model: A case study of Indianapolis,” ISPRS Journal of Photogrammetry and Remote Sensing. 64(1): 86-96.
19.Rouse,  J., Haas, R.H., and Deering, D. 1974. “Monitoring vegetation systems in the Great Plains with ERTS,” Third Earth Resour. Technology Satellite -  Symposium, (1): 309-317.
20.Santamouris, Mat., and Kolokotsa, Denia. 2015. “On the impact of urban overheating and extreme climatic conditions on housing, energy, comfort and environmental quality of vulnerable population in Europe,”. Energy and Buildings. 98:125-133.
21.Vatsavai, Ranga- Raju., and Jordan. Graesser. 2012. “Probabilistic change detection framework for analyzing settlement dynamics using very high-resolution satellite imagery,” procedia computer science. 9: 907-916.
22.Weng, Q. 2001. “A remote sensing? GIS evaluation of urban expansion and its impact on surface temperature in the Zhujiang Delta, China,” international Journal remote sensing. 22(10): 1999-2014.
23.Yuan, Fei., and Bauer, Marvin, E. 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.