ارزیابی تغییرات دمایی کاربری اراضی شهر زنجان در بازه زمانی 2013 تا 2019 با استفاده از مقایسه الگوریتم‌های برآورد دمای سطح زمین

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه محقق اردبیلی، اردبیل، ایران

2 کارشناسی ارشد سنجش از دور و GIS، گروه جغرافیای طبیعی، دانشکده ادبیات و علوم انسانی، دانشگاه محقق اردبیلی، اردبیل، ایران

10.30488/gps.2021.250592.3313

چکیده

دمای سطح زمین از جمله پارامترهای ضروری در مطالعات تغییرات کاربری اراضی، بیلان انرژی، مطالعات آب و هواشناسی و غیره بر زندگی انسان تاثیر گذار است. در این پژوهش، به منظور برآورد LST از چهار الگوریتم؛ تک کانال، تک پنجره بهبود یافته، رابطه معکوس تابع پلانک و معادله انتقال تابش در محیط نرم افزار متن باز PyQGIS Plugin و تصاویر ماهواره‌ای لندست 8 سنجنده‌هایOLI/TIRS  سال‌های 2013 و 2019 شهر زنجان استفاده شده است. سپس نقشه‌های کاربری اراضی منطقه مورد مطالعه با استفاده از الگوریتم‌ ماشین بردار پشتیبان در بستر سامانه گوگل ارث انجین (GEE) استخراج شدند. برای صحت‌سنجی نتایج الگوریتم‌های LST، از داده‌های دمای سطح ایستگاه هواشناسی زنجان در سال‌های 2013 و 2019 استفاده گردید. همچنین، جهت انتخاب بهترین الگوریتم برآورد LST از روش‌های آماریRMSE ، MAPE استفاده شد. براساس نتایج، الگوریتم تک کانال در سال 2013 و 2019 دارای کم‌ترین RMSE و MAPE و بیش‌ترین دقت می‌باشد. به طوری که در سال 2013RMSE  و MAPE این الگوریتم به‌ترتیب برابر با 472/1 و 579/5 و در سال 2019، 131/0 و 537/0 بدست آمد. طبقه‌بندی در بستر GEE  نتایج مناسبی از لحاظ صحت کلی و ضرایب کاپا ارائه داد. براساس نتایج، در سال 2013، صحت کلی و ضریب کاپا به‌ترتیب 67/95 و 94/0 و در سال 2019، 80/98 و 98/0 به دست آمد. نتایج بررسی تغییرات دمایی کاربری‌های مختلف در سال 2013 و 2019 نشان داد که اراضی آیش به‌ترتیب با میانگین دمای 86/49 و 16/45 و کاربری‌های دیمزار و مراتع در رده­های بعدی از نظر برخورداری از حداکثر دما در سال­های 2013 و 2019 قرار دارند. کاربری‌های آب، کاربری شهری و پوشش‌گیاهی به ترتیب دارای کمترین میانگین دما در سال 2013 و 2019 می‌باشند. همچنین نتایج کلی بدست آمده نشان داد که همه کاربری­ها در سال 2013 از دمای بالاتری نسبت به سال 2019 برخوردار بودند.  

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of landuses temperature changes in Zanjan in the period 2013 to 2019 using ‎comparison of land surface temperature‏ ‏estimation algorithms

نویسندگان [English]

  • Alireza Mohammadi 1
  • Behrouz Khodabandehlou 2
  • Parisa Babaie 2
1 Department of Geography and Urban Planning, University of Mohaghegh Ardabili
2 Department of Geography and Urban Planning, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.
چکیده [English]

Land surface temperature is one of the essential parameters in land use change studies, energy balance, climatology studies. In this study, Landsat 8 satellite images and weather station data during 2013 and 2019 in Zanjan have been used. Also to estimate the land surface temperature from four algorithms; Single channel, Mono window, Planck Equation and radiation transfer equation in PyQGIS open source software environment and support vector machine algorithm in Google Earth engine platform were used to prepare land use maps. Error Root Mean Square Error (RMSE) and Mean Absolute Percentage (MAPE) statistical methods were used to select the best algorithm for estimating the land surface temperature. The results obtained from the comparison of land surface temperature estimation algorithms, single channel algorithm in 2013 and 2019 have the lowest RMSE and MAPE and the highest accuracy. In 2013, RMSE and MAPE of this algorithm were equal to 1.472 and 5.579, respectively, and in 2019, 0.131 and 0.537. The high accuracy of this method can be due to the direct use of atmospheric transmittance coefficients in the single channel method process. In terms of accuracy, the Planck function, Mono window and the radiation transfer equation are in the next position. Based on the results of accuracy assessment of land use maps, kappa coefficient of 0.94 and 0.98 were obtained for 2013 and 2019, respectively. The results of studying the temperature changes of different land uses in 2013 and 2019 showed that fallow lands with an average temperature of 49.86 and 45.16, respectively, and Rainfed and rangeland land uses are in the next categories in terms of maximum temperature. Areas without vegetation have higher surface temperatures than areas with vegetation. In general, according to the results, it is clear that impermeable surfaces have a heating effect through absorption and storage of solar energy and heat production, as well as pollution and soil production through absorption and storage of solar energy, while vegetation through heat balance to Evaporator - transpiration and shade production have a cooling effect.

کلیدواژه‌ها [English]

  • Land surface Temperature
  • landuse
  • Google Earth Engine
  • Zanjan.‎
  1. ابراهیمی هروی، بهروز. رنگزن، کاظم، ریاحی بختیاری، حمید رضا و ایوب تقی­زاده. 1393. تحلیل روابط بین جزایر حرارتی شهری و تغییرات کاربری/ پوشش زمین با استفاده از تصاویر ماهواره­ای در کلانشهر کرج، پایان‌نامه کارشناسی‌ارشد دانشگاه شهید چمران اهواز، دانشکده علوم زمین.
  2. احراری، امیرحسین. 1398. موتور مجازی پردازش تصاویر ماهواره‌ای (آموزش سامانه گوگل ارث انجین)، انتشارات کلید آموزش، تهران، چاپ اول، ص 248.
  3. اصغری سراسکانرود، صیاد. فعال نذیری، مهدی و احسان قلعه. 1398. ارتباط کاربری­های مختلف با دمای سطح زمین مبتی بر تحلیل خودهمبستگی فضایی(موران) با استفاده از داده­های تصاویر ماهواره­ای لندست 8 (OLI) مطالعه موردی: شهر اردبیل). جغرافیا و برنامه‌ریزی محیطی، سال سی، شماره 1. صص 110-93.
  4. پورمحمدی، محمدرضا. جمالی، فیروز و اکبر اصغری زمانی. 1387. ارزیابی گسترش فضایی –کالبدی شهر زنجان با تاکید بر تغییرات کاربری زمین، پژوهش‌های جغرافیایی، دوره 63، صص 29-46.
  5. پیرنظر، مجتبی. روستایی، شهرام. فیضی‌زاده، بختیار و فاطمه رئیسی نافچی. 1397. بررسی درجه حرارت سطح زمین و ارتباط آن با کلاس‌های پوشش کاربری زمین شهری با استفاده از داده‌های سنجنده لندست8 - مطالعه موردی شهر تهران. مجله آمایش جغرافیایی فضا، سال هشتم، شماره 29، صص 240-227.
  6. خسروی، یونس. حیدری، محمدعلی. توکلی، آزاده و عباسعلی زمانی. 1396. تحلیل رابطه تغییرات دمای سطح زمین و الگوی فضایی تغییرات کاربری اراضی (مطالعه موردی: شهر زنجان). برنامه‌ریزی و آمایش فضا، دوره بیست و یک، شماره 3، صص 119-144.
  7. شکیبا، علیرضا. ضیائیان فیروزآبادی، پرویز. عاشورلو، داود و سودابه نامداری. 1388. تحلیل رابطه کاربری و پوشش اراضی جزایر حرارتی شهر تهران با استفاده از داده‌های ETM. مجله سنجش از دور و GIS ایران، سال اول، شماره 1، صص 39-56.
  8. علوی پناه، سیدکاظم. 1387. سنجش از دور حرارتی و کاربرد آن در علوم زمین.چاپ دوم،موسسه انتشارات و چاپ دانشگاه تهران.
  9. کریمی فیروزجائی، محمد. کیاورز، مجید. علوی‌پناه، کاظم. پایش و پیش­بینی شدت جزیره حرارتی شهر بابل با توجه به گسترش شهری و تغییرات کاربری اراضی در بازه زمانی1394-1364. نشریه علمی پژوهشی مهندسی فناوری اطلاعات مکانی، دانشگاه صنعتی خواجه نصیرالدین طوسی، دانشکده مهندسی نقشه­برداری، سال پنجم، شماره 3 صص 151-123.
  10. مرکز آمار ایران، 1395.
  11. هاشمی دره بادامی، سیروس. نورایی صفت، ایثار. کریمی، سعید و سجاد نظری. 1394. تحلیل روند توسعه جزیره حرارتی شهری در رابطه با تغییر کاربری اراضی /پوشش با استفاده از سری زمانی تصاویر لندست. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال سوم، شماره 3، صص 28- 15.
  12. Alavipanah, S.K., Darrehbadami, S.H., and Kazemzadeh, A. (2015). Spatial-Temporal Analysis of Urban Heat-Island of Mashhad City due to Land Use/Cover Change and Expansion. Geogr. Urban Plan Res., 3(1): 1-27.
  13. Amiri, R., Weng, Q., Alimohammadi, A., and Alavipanah, S.K. (2009). Spatial–temporal dynamics of land surface temperature in relation to fractional vegetation cover and land use/cover in the Tabriz urban area, Iran. Remote sensing of environment, 113(12): 2606-2617.
  14. Bunai, T., Rokhmatuloh, A.W., Wibowo, A., and Shidiq, I.P.A. (2017). Comparison Spatial Pattern of Land Surface Temperature with Mono Window Algorithm and Split Window Algorithm: A Case Study in South Tangerang, Indonesia. Series: Earth and Environmental Science, 149.
  15. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., and Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, 202: 18-27.
  16. Hong, J.W., Hong, J., Kwon, E.E., and Yoon, D. (2019). Temporal dynamics of urban heat island correlated with the socio-economic development over the past half-century in Seoul, Korea. Environmental Pollution, 254: 112-934.
  17. Isaya Ndossi, M., and Avdan, U. (2016). Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin. Remote sensing, 8(5): 413.
  18. Jain, S., Sannigrahi, S., Sen, S., Bhatt, S., Chakraborti, S., and Rahmat, S. (2020). Urban heat island intensity and its mitigation strategies in the fast-growing urban area. Journal of Urban Management, 9(1): 54-66.
  19. Lillesand, T., Kiefer, R.W., and Chipman, J. (2015). Remote sensing and image interpretation. John Wiley & Sons.
  20. Ramachandra, T.V., and Uttam, K. (2009). Land surface temperature with land cover dynamics: multi-resolution, spatio-temporal data analysis of Greater Bangalore. International Journal of Geoinformatics, 5(3): 44.
  21. Rongali, G., Keshari, A.K., Gosain, A.K., and Khosa, R. (2018). Split-window algorithm for retrieval of land surface temperature using Landsat 8 thermal infrared data. Journal of Geovisualization and Spatial Analysis, 2(2): 14.
  22. Santamouris, M., and Kolokotsa, D. (Eds.). (2016). Urban climate mitigation techniques. Routledge.
  23. Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., and Skakun, S. (2017). Exploring Google Earth Engine platform for big data processing: Classification of multi-temporal satellite imagery for crop mapping. Frontiers in Earth Science, 5: 17.
  24. Tsou, J., Zhuang, J., Li, Y., and Zhang, Y. (2017). Urban heat island assessment using the Landsat 8 data: a case study in Shenzhen and Hong Kong. Urban Science, 1(1): 10.
  25. earthengine.google.com/2020.