ارتباط کاربری‌های مختلف با دمای سطح زمین مبتنی بر تحلیل خودهمبستگی فضایی (موران) با استفاده از داده‌های تصاویر ماهواره‌ای لندست 8 (OLI) (مطالعة موردی: شهر اردبیل)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار گروه ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل، ایران

2 دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه محقق اردبیلی، اردبیل

3 دانشجوی دکتری ژئومورفولوژی، دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

در این پژوهش، ارتباط کاربری اراضی با دمای سطح زمین[1] شهر اردبیل و خودهمبستگی فضایی با بهره‌گیری از شاخص موران بررسی شده است. بدین منظور از تصاویر ماهواره‌ای لندست 8 (OLI) سال‌های 2015 و 2018 استفاده شد. نخست تصاویر مربوط دریافت و پیش‌پردازش‌های لازم اعمال شد؛ سپس طبقه‌بندی با استفاده از روش شی‌گرا و الگوریتم نزدیک‌ترین همسایگی[2] صورت گرفت و دمای سطح زمین با الگوریتم پنجرة مجزا (SW) استخراج شد. نتایج نشان داد دمای نواحی شهری در سال 2015، 43 درجه و در سال 2018، 45 درجة سانتی‌گراد بوده است که به دلیل جذب گرما و عوارض شهری مختلف، دمای بیشتری داشته‌اند. کاربری مناطق آبی نیز در سال 2015، دمای 35 درجه و در سال 2018، دمای 37 درجة سانتی‌گراد را به خود اختصاص داده‌ است که آب گرمای بیشتری را دفع می‌کند و دمای کمتری دارد. همچنین نتایج نشان داد رابطه‌ای قوی بین کاربری اراضی و دما وجود دارد. درنهایت با استفاده از شاخص تحلیل لکه‌های داغ (Hotspot) خوشه‌های گرم و سرد جزایر حرارتی اردبیل استخراج شد. تحلیل خودهمبستگی فضایی با شاخص‌های موران جهانی نشان داد دمای سطح زمین اردبیل ساختار فضایی دارد؛ به بیانی دمای سطح زمین به شکل خوشه‌ای توزیع شده است. تحلیل لکه‌های داغ تأییدی آشکار بر متمرکز و خوشه‌ای‌شدن جزایر حرارتی شهر اردبیل در فضا با افزایش دورة زمانی بوده است.



[1] Land surface temperature (LST)


[2] Nearest neighbor

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

The Relationship of Different Land Uses with Land Surface Temperature based on Spatial Correlation (Moran) Analysis Using Landsat 8 Satellite Images (OLI) (Case Study: Ardebil City)

نویسندگان [English]

  • sayyad asghari saraskanroud 1
  • Mehdi Faal Naziri 2
  • Ehsan Ghale 3
1 Associate Professor, Department of Geomorphology, University of Mohaghegh Ardabili, Ardabil, Iran
2 MA Student, Remote Sensing, GIS, University of Mohaghegh Ardabili, Ardabil, Iran
3 PhD Candidate of Geomorphology, University of Mohaghegh Ardabili, Ardabil, Iran
چکیده [English]

In this research, the relationship between land use and land surface temperature and spatial correlation in Ardebil city using Moran index has been investigated. For this purpose, Landsat 8 satellite imagery (OLI) was used from 2015 to 2018. Initially, the relevant images were taken and the necessary pre-processing was applied. Then the classification was made using the object-oriented method and the nearest neighboring algorithm and the surface temperature was extracted by the algorithm (SW). The results showed that the temperature in the urban areas was 43 ° C and 45 ° C in 2015 and 2018, respectively, due to the absorption of heat and urban pollution. The use of water was 35 ° C in 2015, and 37 ° C in 2018, that eliminates more heat from the water and has a lower temperature. The results also showed a strong relationship between land use and temperature. Finally, Hot Spot Analysis was used for hot and cold clusters of Ardebil thermal islands. The analysis of spatial correlation with global Moron indexes showed that the surface temperature of Ardabil has a spatial structure or, in other words, the surface temperature of the earth is distributed in cluster form. Hot Spot Analysis has been a clear confirmation of the concentration and clustering of the thermal islands of Ardabil in space with increasing period of time.

کلیدواژه‌ها [English]

  • Landsat 8 Images
  • Object Classification
  • Land Use
  • Land Surface Temperature
  • Spatial Dependence

مقدمه

گسترش سریع شهرها به دلیل تغییرات گسترده در کاربری و پوشش زمین، تأثیرات منفی بر کیفیت زیست‌محیطی جهانی داشته است (کاکه‌ممی و همکاران، 1396: 123). تغییرات کاربری پوشش اراضی، توسعة مناطق شهری و کشاورزی و جنگل‌زدایی باعث تغییر رژیم دمای منطقه‌ای و محلی می‌شود (اکبری و همکاران، 1394: 152؛ gondwe et al., 2008: 19). دمای سطح زمین به‌مثابة نمایه‌ای از شدت گرما، از عناصر اساسی در شناخت آب‌وهواست (احمدی و همکاران، 1391: 56). آگاهی از میزان دمای سطح زمین کمک شایان توجهی به طیف وسیعی از مسائل مرتبط با علوم زمین نظیر اقلیم شهری، تغییرات جهانی محیطی و بررسی تعاملات انسان و محیط می‌کند (اکبری و همکاران، 1394: 154). انواع کاربری اراضی بر میزان دمای سطح زمین تأثیر می‌گذارد و شاخصی برای بررسی روند آن قلمداد می‌شود (weng et al., 2004: 203). پژوهش دربارة دمای سطحی زمین نشان می‌دهد این دما، تابعی از پاسخ انرژی سطح در پدیده‌های متنوع آب، خاک، پوشش گیاهی و... است (owenet et al., 1994: 1668)؛ علاوه بر این از بازیابی دمای سطح زمین نیز می‌توان برای تشخیص پوشش گیاهی سالخورده استفاده کرد (French et al., 2000: 167).

نقص اساسی در پایش دمای سطح زمین، نبود ایستگاههای هواشناسی کافی برای آگاهی از مقادیر دمایی در نقاط بدون ایستگاه است (خسروی و همکاران، 1396: 125). با توجه به محدودیت اطلاعاتی در تأمین داده‌ها به‌ویژه در وسعت زیاد مشکلات و موانع فراوانی که وجود دارد و دستیابی در زمان واقعی سخت یا غیرممکن است، لزوم استفاده از فناوری سنجش از دور با شرایط زمانی همراه با ویژگی پیوستگی و داده‌برداری در محدوده‌های گسترده بسیار کاراست (بابایی فینی، 1394: 79).

امروزه تکنیک سنجش از دور، روشی متغیر برای برآورد دمای سطح زمین در هر شرایط توپوگرافی و شرایط آب‌وهوایی در منطقه است و برای برآورد دمای سطح زمین از باندهای حرارتی استفاده می‌شود
(Sun, 2004: 127). دمای سطح زمین از مهم‌ترین مؤلفه‌های مؤثر در مطالعات جهانی است که به‌مثابة یکی از عوامل مهم در کنترل فرایندهای بیولوژیکی و شیمیایی و فیزیکی زمین استفاده می‌شود (علوی‌پناه، 1388: 288). دمای سطح زمین در ارتباط با گسیل‌مندی دمای سطح زمین و دمای جو زمین است (Niclòs Valiente et al., 2009: 55).

محدودة پژوهش، شهر اردبیل و اراضی حاشیة آن است. این شهر در شمال غرب کشور واقع شده و یکی از کانون‌های عمدة جمعیتی است. پس با توجه به روند رو به رشد شهر اردبیل ازلحاظ جمعیتی و با درنظرگرفتن اینکه این شهر از دیرباز تا به امروز یکی از شهرهای توریستی و جاذب جمعیت به‌لحاظ آب‌وهوایی به‌ویژه در فصل تابستان بوده، ضروری است اقلیم آن بررسی شود.

مطالعات زیادی در دنیا ازجمله ایران دربارة این موضوع صورت گرفته است؛ سان و پینکر[1] (2004) تأثیر ترکیبی و فیزیکی شهری را در ایالات ویسکانسین آمریکا بررسی کردند که نتیجة کلی پژوهش آنان، نقش مهم سطوح نفوذناپذیر را در تنوع جزایر حرارتی مناطق شهری نشان می‌دهد. برمبنای نتایج این پژوهش دما در نواحی مرکزی شهری داغ‌تر از نواحی جنگلی خارج شهری است و آثار جزیرة حرارتی شهری باعث شده دمای شهری از 6/5 درجه در سال 2001 به 9/6 درجه تا سال 2014 افزایش یابد.

کارنیا[2] (2016) در مطالعه‌ای نشان داد مطالعات جزیرة حرارتی شهری در کنترل رشد جمعیت شهری و برنامه‌ریزی شهری کارایی دارد.

رونالد و همکاران[3] (2017) در شهرهای بزرگ مناطق بانکوک (تایلند)، جاکارتا (اندونزی) و مانیل (فیلیپین) به‌دنبال بررسی رابطة درجة حرارتی سطحی و فراوانی با الگوی فضایی سطح نفوذناپذیر و فضای سبز مطالعه‌ای انجام دادند. نتایج این مطالعه ارتباط معنادار و قوی بین میانگین دمای سطح زمین و تراکم سطح نفوذناپذیر (مثبت) و فضای سبز (منفی) را در امتداد شیب شهر - روستایی در هر سه شهر با جزیرة حرارتی شهری (UHI) نشان داد.

فیضی‌زاده و همکاران (1395) دمای سطح زمین را با استفاده از الگوریتم پنجرة مجزا روی تصاویر ماهوارة لندست 8 برآورد کردند. این پژوهش نشان داد دمای سطح زمین متأثر از کاربری‌های اراضی مختلف آن است و دقت زیاد این روش برای برآورد دمای سطح حاکی است با این روش می‌توان در مناطقی که امکان ایجاد ایستگاه هواشناسی نیست، دما را محاسبه کرد.

ولی‌زاده و همکاران (1396) در پژوهشی دمای سطح زمین را در شهرستان زنجان با استفاده از الگوریتم پنجرة مجزا بررسی کردند. نتایج نشان داد برمبنای داده‌های آماری به‌دست‌آمده، ارتباط مناسبی بین کاربری سطح زمین و حرارت سطح زمین وجود دارد؛ به‌طوری که در مناطق نظامی و صنعتی شهر به دلیل وجود کاربری‌ها و عواملی مانند سطوح نفوذناپذیر مانند آسفالت، بتن باعث ایجاد جزایر حرارتی شده است.

اصغری سراسکانرود و امامی (1397) در پایش دمای سطح زمین و بررسی تغییرات کاربری اراضی با دمای سطح زمین با استفاده از تصاویر سنجندة OLI و ETM+ در شهرستان اردبیل به روش پنجرة مجزا بیان داشتند رابطه‌ای قوی بین کاربری اراضی و دمای سطحی وجود دارد؛ به‌طوری که نواحی شهری با پوشش گیاهی کمتر نسبت به نواحی کشاورزی و مرتعی، دمای بیشتری دارند.

هدف پژوهش حاضر، استخراج و بررسی دمای سطح زمین در ارتباط با انواع کاربری‌های موجود و تحلیل خودهمبستگی فضایی محدودة 40کیلومتری شهر اردبیل در سال‌های 2015 و 2018 است. این امر با استفاده از داده‌های تصاویر ماهواره‌ای لندست 8 (OLI) صورت گرفت تا مشخص شود کاربری اراضی تا چه اندازه بر دمای سطح مؤثر است؛ بنابراین نتایج این پژوهش برای برنامه‌ریزان محیطی، ناحیه‌ای و شهری از یک سو و آشکارسازی تغییرات به‌منزلة مؤلفه‌ای مهم در راهبردهای مدیریت منابع طبیعی و تغییرات محیطی از سوی دیگر سودمند است.

 

روش‌شناسی پژوهش

داده‌های به‌کاررفته در این پژوهش شامل تصاویر ماهوارة لندست 8 از سنجندة OLI، از سایت زمین‌شناسی آمریکا گرفته شده است (جدول 1). برای استخراج نقشة کاربری اراضی از باندهای مرئی و مادون قرمز و دمای سطح زمین از باندهای حرارتی، از تصاویر ماه‌های ژوئن، جولای و آگوست هر دو سال 2015 و 2018 استفاده شد. به‌منظور آماده‌سازی تصاویر، تصحیحات هندسی و رادیومتریکی روی تصاویر با نرم‌افزار ENVI 5.3 صورت گرفت و سپس طبقه‌بندی کاربری اراضی با روش شی‌گرا و الگوریتم نزدیک‌ترین همسایگی با نرم‌افزار eCognition انجام شد. در ادامه برای استخراج خوشه‌های جزایر حرارتی شهری و بررسی الگوی فضایی داده‌ها به‌منظور تعیین کمیت و همچنین آزمون ساختار فضایی مؤلفه‌های مشاهده‌شده از آمارة موران جهانی استفاده شد.

خودهمبستگی فضایی موران، خودهمبستگی فضایی را براساس مکان پراکنش دو مقدار بررسی و ویژگی مدنظر از عارضه جغرافیایی را در آن مکان تحلیل می‌کند (Griffith et al., 1987: 571-584). برای محاسبة آماره یا شاخص موران، نخست نمرة استاندارد، Z و P-Value محاسبه می‌شود. در مرحلة بعد معناداربودن شاخص ارزیابی می‌شود (کرمی، 1393: 36). این مقادیر با استفاده از نرم‌افزار ArcGIS 10.5 بررسی شد و به‌منظور استخراج نقشه‌های مربوط، نرم‌افزار ArcGIS10.5 به کار رفت. در شکل (1) مراحل مختلف این پژوهش به‌منظور برآورد رابطة میان دما و کاربری اراضی و بررسی خودهمبستگی فضایی نشان داده شده است.

 

جدول 1. ویژگی‌های تصاویر ماهوارة لندست 8 (OLI) (منبع: متادیتا)

تصاویر

تاریخ اخذ

ردیف /گذر

زاویة آزیموت خورشید

زاویة ارتفاع خورشید

لندست 8 OLI

22/06/2015

33 / 167

90/124

42/66

25/07/2015

07/129

01/63

08/10/2015

74/134

95/59

15/06/2018

64/125

54/66

01/07/2018

67/124

88/65

18/08/2018

98/137

00/58

 

شکل 1. الگوریتم تخمین دمای سطح زمین و کاربری اراضی در این پژوهش (تهیه و ترسیم: نویسندگان، 1398)


استخراج دمای سطح زمین

درجه‌حرارت سطح زمین اطلاعات مفیدی را دربارة ویژگی‌های فیزیکی زمین و اقلیم دربردارد که نقش بسزایی در فرایند محیط زیستی بازی می‌کنند (Weng, 2004: 470). دمای سطح زمین به‌مثابة نمایه‌ای از شدت گرما، از عناصر اساسی شناخت آب‌وهواست. در سنجش از دور دمای سطح زمین را که بالای جوّ با سنجنده‌ها به دست می‌آید، «دمای روشنایی» می‌نامند. این دما به علت پدیده‌های جذب و پخش جوّی به‌نظر کمتر از دمای واقعی در سطح زمین است (Rajeshwari, 2014: 234). برای تعیین دمای واقعی سطح زمین از الگوریتم‌های گوناگونی همچون الگوریتم پنجرة مجزا (SW) استفاده می‌شود و در این پژوهش به‌منظور به‌دست‌آوردن دمای سطح زمین از این الگوریتم استفاده شد. ازجمله ویژگی‌های مهم این الگوریتم، حذف آثار جوّی است و برای بازیابی قابلیت انتشار سطح زمین از چند سنسور استفاده می‌کند. در همین راستا از باند 10 حرارتی سنجندة لندست 8 (OLI) استفاده و مراحل به ترتیب زیر به‌منظور استخراج دمای سطح زمین طی شد.

 

محاسبة دمای تابشی

برای محاسبة دمای تابشی، نخست باید داده‌های مادون ‌قرمز حرارتی را به رادیانس تبدیل کنیم؛ به‌طور کلی پس از استفاده از عکس قانون پلانک (برای تبدیل رادیانس به دمای تابشی) لازم است دمای تابشی به دمای واقعی تبدیل شود. با استفاده از رابطة 1:

رابطة (1)

 

در این رابطه، T= دمای روشنایی ماهواره برحسب کلوین وk1, k2 = ثابت حرارتی برای هر دو باند حرارتی موجود در متادیتا، =Lλ درخشندگی جوّ بالاست.

 

محاسبة رادیانس

با توجه به اینکه اجسام، پدیده‌ها و پوشش‌های سطح زمین جزو گروه اجسام سیاه قرار نمی‌گیرند، بنابراین لازم است دمای تابشی به‌دست‌آمده از باندهای سنجنده را با لحاظ‌کردن مقادیر توان تشعشعی و شرایط جوّی به دمای واقعی سطح زمین تبدیل کنیم. برای این کار نخست باید مقدار DN هر پیکسل به رادیانس تبدیل شود:

رابطة (2)

 

RMB-RAB= از متادیتا تصاویری استخراج شده است که برای دو باند حرارتی یکسان است.

 

محاسبة توان تشعشعی

برای محاسبة توان تشعشعی از رابطة 3 استفاده می‌شود:

رابطة (3)

 

= گسیل‌مندی پوشش گیاهی (99/0)،
= گسیل‌مندی خاک (97/0) و PV= درصد پوشش گیاهی

 

محاسبة دمای سطح زمین (کلوین)

محاسبة دمای سطح زمین به سانتی‌گراد با استفاده از رابطة 4 انجام می‌شود:

رابطة (4)

 

استخراج نقشة کاربری اراضی منطقه

در این مرحله بررسی نقشه‌های طبقه‌بندی با استفاده از روش شی‌گرا و الگوریتم نزدیک‌ترین همسایگی با نرم‌افزار eCognition صورت گرفت و برای استخراج نقشه‌ها، نرم‌افزار ArcGis5.3به کار رفت. قطعه‌بندی[4] تصویر بر تفکیک و جداسازی تصویر به نواحی مختلف دلالت دارد؛ به‌طوری که پیکسل‌های هر ناحیه یک ویژگی خاص متعلق به یک شی مشترک داشته باشد.

در روش طبقه‌بندی شی‌گرا، اطلاعات طیفی با امکانات مکانی ادغام و پیکسل‌ها براساس شکل، بافت و تن خاکستری در سطح تصویر با مقیاس مشخص قطعه‌بندی شده است و طبقه‌بندی تصویر براساس این قطعه‌ها انجام می‌شود. پیش از انجام طبقه‌بندی به روش شی‌گرا لازم است تقسیم‌بندی تصویر صورت گیرد (شکل 2).

 

شکل 2. نمونة تصویر قطعه‌بندی‌شدة شعاع 40کیلومتری اردبیل

(مقیاس: 160، شکل: 5/0، ضریب فشردگی: 5/0)(تهیه و ترسیم: نویسندگان، 1398)

استخراج خوشه‌های جزایر حرارتی شهری

برای محاسبة خودهمبستگی فضایی با استفاده از شاخص موران جهانی از رابطة 5 استفاده می‌شود:

رابطة (5)

 

=zi تفاضل بین مقدار خصیصة عارضة Xi با میانگین (Xi-x)، zj= تفاضل بین مقدار خصیصة عارضة Xj با میانگین (Xj-x)،  =Wijوزن موجود بین عارضة i, jاست که بالعکس فاصلة بین دو عارضةi, j (wij=) و N= تعداد کل عوارض جغرافیایی موجود در لایه است.

محاسبة کل وزن‌های فضایی با استفاده از رابطة 6 انجام می‌شود:

رابطة (6)

 

محاسبة نمره‌های استاندارد Zi برای آمارة موران با استفاده از رابطة 7 انجام می‌شود:

رابطة (7)

 

به‌طور کلی اگر مقدار شاخص موران نزدیک به عدد 1+ باشد، داده‌ها خودهمبستگی فضایی و الگوی خوشه‌ای دارند و اگر مقدار شاخص موران نزدیک به عدد 1- باشد، آنگاه داده‌ها از هم گسسته و پراکنده‌اند.

 

تحلیل لکه‌های داغ (Hotspot)

برای آشکارسازی جزایر حرارتی سرد و گرم و تحلیل لکه‌های داغ از آمارة گتیس- ارد جی (Getis– Ord Gi) استفاده می‌شود. در این آماره نمرة z محاسبه شده نشان می‌دهد در کدام مناطق، داده‌ها با مقادیر زیاد یا کم خوشه‌بندی شده است. چهارچوب مفهومی این تحلیل این‌گونه عمل می‌کند که اگر عارضه‌ای مقدار زیاد داشته باشد، مهم است؛ ولی این بدان معنا نیست که یک لکة داغ باشد. عارضه‌ای لکة داغ تلقی می‌شود که هم خود عارضه و هم عوارض همسایة آن ازنظر آماری معنادار باشند. امتیاز z برای خروجی نهایی زمانی به دست خواهد آمد که مجموع محلی (Local sum) عارضه و همسایة آن به‌طور نسبی با جمع کل عوارض مقایسه شود (علی‌آبادی و داداشی رودباری، 1394: 92).

 

محدودة پژوهش

محدودة پژوهش، شعاع 40کیلومتری شهر اردبیل است که در محدودة "18′9°38 تا "20′21°38 شرقی و "55′7°48 تا "59′31°48 شمالی قرار گرفته است. شهر اردبیل در بهمن‌ماه 1372 با جداشدن استان اردبیل از استان آذربایجان شرقی به‌مثابة مرکز استان انتخاب شد و تاکنون با داشتن امکانات برتر ازجمله جاذبه‌های اقتصادی، فرهنگی، علمی، هنری و... نسبت به شهرهای دیگر استان ازلحاظ جمعیتی روندی رو به رشد داشته است. براساس سرشماری عمومی نفوس و مسکن مرکز آمار ایران، جمعیت شهر اردبیل در سال 1365، 289973 نفر، در سال 1375، 462632 نفر، در سال 1385، 548832 نفر، در سال 1390، 564365 نفر و در سال 1395، 1270420 نفر بوده است (سایت مرکز آمار ایران، 1395).استان اردبیل به دلیل تنوع ناهمواری‌ها و عوامل مؤثر بر اقلیم منطقه، آب‌وهوای متنوعی دارد. شکل (3) موقعیت منطقة پژوهش را نمایش می‌دهد.

 

 

شکل 3. محدودة پژوهش (تهیه و ترسیم: نویسندگان، 1398)

 

 


یافته‌های پژوهش

در این پژوهش به‌منظور بررسی دمای سطح زمین و ارتباط کاربری اراضی با دمای سطح و خودهمبستگی فضایی شهر اردبیل از تصاویر سنجندة OLI استفاده شد. به‌منظور بررسی تغییرات کاربری اراضی، نقشة کاربری اراضی شهر اردبیل برای سال‌های 2015 و 2018 تهیه و پس از به‌دست‌آوردن نقشه‌های کاربری اراضی هر سال، نقشة تغییرات کاربری اراضی منطقه نیز استخراج شد. تهیة نقشة کاربری اراضی در نرم‌افزار eCognition به روش شی‌گرا و الگوریتم نزدیک‌ترین همسایگی و خروجی‌های لازم با نرم‌افزار ArcGis10.5 صورت گرفت. شکل (4) نقشة کاربری اراضی مربوط به بازة زمانی مشخص را نمایش می‌دهد. همچنین مساحت هریک از کاربری‌ها برای سال‌های 2015 و 2018 و ماه‌های ژوئن، جولای و آگوست بررسی و نتایج مشخص شد.

 

 

شکل 4. نقشة طبقه‌بندی‌شدة کاربری اراضی(تهیه: نویسندگان، 1398)

 

 

نتایج به‌دست‌آمده مشخص می‌کند بیشترین مساحت در سال 2015 به کاربری کشاورزی و مرتع متعلق بوده که مساحت این کلاس‌ها به‌طور میانگین به ترتیب 65/68404 و 70/21701 هکتار است. همچنین کمترین مساحت به کاربری آب و شهرک صنعتی متعلق بوده که مساحت این کلاس‌ها به‌طور میانگین 13/206 و 35/841 هکتار است.

با توجه به نتایج به‌دست‌آمده از مساحت‌های کاربری اراضی سال 2018، تفاوت‌های زیادی مشهود نیست و ملاحظه می‌شود که بیشترین مساحت مربوط به کلاس‌های کشاورزی و مرتع به ترتیب با 26/78809 و 93/5073 هکتار است که با نگاهی به سال 2015، افزایش در هر دو کلاس دیده می‌شود. همچنین کمترین میزان افزایش مربوط به مساحت کلاس‌های آب و شهرک صنعتی به ترتیب با 51/228 و 93/826 هکتار است که تغییر چشمگیری نسبت به سال 2015 دیده نمی‌شود. تغییرات به‌دست‌آمده از کاربری اراضی استخراج و بررسی شد.[5]

 

صحت‌سنجی

تعداد 8 کلاس نواحی انسان‌ساخت، مرتع، مناطق آبی، مرتع متراکم با عنوان فرودگاه، پوشش گیاهی، شهرک صنعتی، دیم‌زار و نواحی دارای مناطق کشاورزی برای ناحیة مدنظر استخراج و سپس صحت طبقه‌بندی‌شده در جدول (3) مشخص شد.

جدول 3. بررسی صحت طبقه‌بندی کاربری اراضی(تهیه: نویسندگان، 1398)

ضریب کاپا

صحت کلی

ماه

سال

92%

94%

ژوئن

2015

92%

98%

جولای

92%

94%

آگوست

86%

89%

ژوئن

2018

89%

91%

جولای

92%

89%

آگوست

 

نتایج جدول (3) نشان می‌دهد در سال 2015، صحت کلی به‌طور میانگین 96درصد و ضریب کاپا به‌طور میانگین 95درصد است و در سال 2018، صحت کلی به‌طور میانگین 90درصد و ضریب کاپا به‌طور میانگین 85درصد است. با توجه به صحت کلی نقشه‌ها و با استناد به منابعی نظیر لیسلند و همکاران[6] (2008) و کانگالتون و گرین[7] (2009) و مقایسه با آنها که ضرایب صحت کلی بیش از 85درصد را پذیرفته عنوان کرده‌اند، نتایج به‌دست‌آمده از طبقه‌بندی کاربری‌ها، چه ازنظر تک‌تک کاربری‌ها و چه ازنظر مجموع صحت و آمار کاپا، از صحت پذیرفته‌ای در ارتباط با اطلاعات تولیدشده برخوردار شده است. پس از طبقه‌بندی و مشخص‌شدن صحت و دقت طبقه‌بندی، برای آشکارسازی تغییرات کاربری اراضی در سطح منطقه اقدام و نقشة کاربری اراضی از سطح منطقه استخراج شد (شکل 6). در ادامه پس از استخراج کاربری‌های مختلف، مساحت و درصد هریک از کاربری‌ها تعیین شد (جدول 3). سپس به‌منظور بررسی صحت کار برای استخراج نقشة تغییرات کاربری اراضی و دمای سطح زمین در بازة زمانی مدنظر اقدام و نقشة حاصل از آن نیز تهیه شد (شکل 5).

 

بررسی رابطة دمای سطحی با کاربری اراضی

براساس شکل 5، بیشترین میانگین دما در هر سه ماه سال 2015 برای کاربری کشاورزی دیم (دیم‌زار) و کمترین دما نیز برای مناطق آبی ثبت شده است؛ دلیل این امر، خشک‌بودن محصولات کشاورزی در بازة زمانی انتخاب‌شده است که به افزایش دمای این محصولات انجامیده است. از دمای حاصل‌شده از تصاویر مربوط این‌چنین برداشت می‌شود که شهر اردبیل در سال 2015 با پدیدة جزیرة حرارتی مواجه بوده است. ساخت‌وسازهای انسانی که بیشتر جاذب حرارت‌اند، بیشترین سهم را در این پدیده داشته‌اند و همچنین سوخت حاصل از ماشین‌آلات و کارخانه‌ها نیز در این پدیده مؤثر بوده است.

 

 

شکل 5. نقشه‌های دمای سطح زمین شهر اردبیل (تهیه: نویسندگان، 1398)

 


با ملاحظة نقشة کاربری اراضی و دمای سطحی سال 2018 نیز این تحلیل ثابت می‌شود که بیشترین دما در این سال متعلق به کشاورزی دیم (دیم‌زار) به همراه کاربری مرتع به ترتیب به‌طور میانگین با 39 و 38 درجة سانتی‌گراد و کمترین دمای ثبت‌شده نیز مربوط به کاربری آب به‌طور میانگین با 33 درجة سانتی‌گراد است. بدنه‌های آبی این محدوده به دو شکل مناطق رودخانة عمیق و کم‌عمق (بیشتر رودخانة داخل شهری) و به‌صورت دریاچه‌ای (دریاچة شورابیل) است. با توجه به اینکه آب ظرفیت گرمایی زیادی دارد، نواحی عمیق دمای سطحی کمتری نسبت به نواحی کم‌عمق دارند؛ درنتیجه انحراف معیار به‌دست‌آمده از دمای سطحی این کاربری با توجه به دمای استخراج‌شده در نواحی کم‌عمق و عمیق است. کاربری مربوط به کشاورزی در بعضی از این نواحی، پس از مناطق آبی کمترین دمای سطحی را دارد. با توجه به اینکه محصولات زراعی کشت‌شده در این محدوده محصولاتی مانند سیب‌زمینی است و اینها نیاز آبی بیشتری نسبت به گیاهانی مانند گندم دارند، بنابراین این گیاهان در این ماه سبزینگی زیادی دارند و همین امر باعث شده در محدودة زیر کشت آنها تبخیر و تعرق بیشتری نسبت به سایر نواحی صورت گیرد و در خنک نگه‌داشتن دمای سطحی بسیار تأثیرگذار بوده است (احمدی و همکاران، 1391: 61). انحراف معیار دمایی این کاربری نسبت به سایر کاربری‌ها بیشتر است؛ دلیل این امر ناشی از اختلاف زمانی نیاز آبی این نوع محصولات در طول هفته است. جدول‌های (4)، (5) و (6) دمای سطحی هریک از کاربری‌ها را برای ماه‌های ژوئن، جولای و آگوست در سال‌های 2015 و 2018 نشان می‌دهند.


جدول 4. جدول مقایسه و مشخصاتآماری دمای سطحی کاربری‌ها در ماه ژوئن

انحراف معیار

میانگین (C)

دمای حداکثر (C)

دمای حداقل (C)

کاربری

ماه

سال

31/2

53/22

75/32

65/20

مناطق آبی 2015

ژوئن

2015- 2018

60/2

42/21

09/33

34/19

مناطق آبی 2018

34/4

83/32

44/43

40/21

مناطق کشاورزی 2015

09/5

01/27

63/40

98/3-

مناطق کشاورزی 2018

24/1

81/36

52/41

97/27

دیم‌زار 2015

09/5

08/31

22/37

39/20-

دیم‌زار 2018

49/2

97/34

01/42

97/24

پوشش گیاهی 2015

60/2

44/22

34/36

55/15-

پوشش گیاهی 2018

98/3

33/32

62/41

49/21

مناطق انسان‌ساخت 2015

00/4

98/24

21/40

80/12

مناطق انسان‌ساخت 2018

79/1

49/37

68/42

27/26

مرتع 2015

23/2

61/30

22/36

50/21

مرتع 2018

59/1

95/36

97/39

11/28

مرتع متراکم 2015

26/3

04/29

09/37

71/17

مرتع متراکم 2018

56/2

04/35

82/39

80/25

شهرک صنعتی 2015

01/3

42/28

40/32

94/19

شهرک صنعتی 2018

جدول 5. جدول مقایسه و مشخصاتآماری دمای سطحی کاربری‌ها در ماه جولای

انحراف معیار

میانگین (C)

دمای حداکثر (C)

دمای حداقل (C)

کاربری

ماه

سال

37/2

26/25

94/48

38/24

مناطق آبی 2015

جولای

2015- 2018

34/3

21/27

43/44

58/24

مناطق آبی 2018

71/4

87/36

94/48

38/24

مناطق کشاورزی 2015

02/5

77/38

67/49

87/26

مناطق کشاورزی 2018

70/1

41/43

83/48

06/31

دیم‌زار 2015

36/1

53/43

37/48

80/32

دیم‌زار 2018

72/3

06/41

69/49

92/25

پوشش گیاهی 2015

71/3

31/37

74/48

81/28

پوشش گیاهی 2018

12/5

18/37

13/49

53/23

مناطق انسان‌ساخت 2015

96/4

51/35

54/48

00/25

مناطق انسان‌ساخت 2018

68/2

83/42

63/49

80/29

مرتع 2015

68/1

10/44

15/49

65/32

مرتع 2018

15/2

62/42

44/48

45/29

مرتع متراکم 2015

64/1

53/44

82/45

96/32

مرتع متراکم 2018

35/2

25/41

06/47

44/30

شهرک صنعتی 2015

82/2

19/41

82/45

94/29

شهرک صنعتی 2018

 

جدول 6. جدول مقایسه و مشخصاتآماری دمای سطحی کاربری‌ها در ماه آگوست

انحراف معیار

میانگین (C)

دمای حداکثر (C)

دمای حداقل (C)

کاربری

ماه

سال

29/3

25/23

80/37

71/20

مناطق آبی 2015

آگوست

2015- 2018

24/3

65/22

22/36

39/20

مناطق آبی 2018

67/3

13/34

55/48

66/22

مناطق کشاورزی 2015

61/2

17/32

93/40

31/20

مناطق کشاورزی 2018

77/1

00/38

21/43

97/26

دیم‌زار 2015

56/1

76/34

10/40

27/23

دیم‌زار 2018

68/2

61/35

77/43

10/24

پوشش گیاهی 2015

26/2

27/33

55/39

36/25

پوشش گیاهی 2018

46/4

00/32

33/43

92/20

انسان‌ساخت 2015

57/4

55/29

32/40

25/19

انسان‌ساخت 2018

56/2

10/36

25/44

12/25

مرتع 2015

04/2

69/33

38/40

62/23

مرتع 2018

35/3

05/34

65/39

57/26

مرتع متراکم 2015

19/1

97/32

81/36

03/27

مرتع متراکم 2018

41/3

88/33

73/45

92/25

شهرک صنعتی 2015

22/1

59/31

52/35

95/25

شهرک صنعتی 2018

(تهیه: نویسندگان، 1398)

 

 

خودهمبستگی فضایی دمای سطح زمین شهر اردبیل

برای ارزیابی مقادیر خودهمبستگی فضایی داده‌های دمای سطح زمین شهر اردبیل با مقیاس مکانی 30 متر از روش موران جهانی استفاده شد. خروجی‌های تحلیل خودهمبستگی فضایی موران جهانی به دو صورت عددی و گرافیکی در شکل (7) و جدول (7) ارائه شده است. در موران جهانی فرضیة صفر این‌گونه بیان می‌شود که هیچ نوع خوشه‌بندی فضایی بین مقادیر عنصر مرتبط با عوارض جغرافیایی مدنظر وجود ندارد. حال زمانی که مقدار p-value بسیار کوچک و مقدار z محاسبه‌شده (قدر مطلق) بسیار بزرگ باشد (خارج از محدودة اطمینان قرار دارد)، آنگاه می‌توان فرضیة صفر را رد کرد.

جدول (7) مقادیر خودهمبستگی فضایی موران جهانی را برای دمای سطح زمین شهر اردبیل نشان می‌دهد. مبتنی بر برون‌دادهای جدول حاضر، مقدار شاخص جهانی موران برای دو دورة مطالعه‌شده بیش از 99/0 است و بالاترین شاخص جهانی موران با مقدار 996725/0 مربوط به سال 2015 میلادی بوده است. آمارة z برای دو دورة مطالعه‌شده عدد 1161 است. اگر قرار بود دمای سطح زمین برای دوره‌های مطالعه‌شده در شهر اردبیل به‌طور نرمال در فضا توزیع شده باشد، شاخص جهانی موران مقدار 000001/0- را اختیار می‌کرد.

دمای سطح زمین شهر اردبیل در تمام سال‌های مطالعه‌شده خودهمبستگی فضایی معنا‌دار مثبتی دارد و ارزیابی توأمان مقادیر به‌دست‌آمده با آستانة معنادار نشان داد تمامی مقادیر به‌دست‌آمده برای سال‌های مطالعه‌شده معنا‌دار هستند (=0.01α). حال با مبنا قراردادن شالودة حاضر از نتایج موران جهانی به‌دست‌آمده، فرضیة H0 مبنی بر ارتباط‌نداشتن فضایی دمای سطح زمین شهر اردبیل رد می‌شود. پس نتیجه می‌گیریم داده‌های دمای سطح زمین شهر اردبیل ساختار فضایی دارند یا به بیانی دمای سطح زمینشهر اردبیل به شکل خوشه‌ای توزیع شده است؛ یعنی یاخته‌های دمایی زیاد و کم به متمرکزشدن یا خوشه‌ای‌شدن در فضا تمایل دارند. آن دسته از نواحی شهر اردبیل نیز مشخص شدند که دمای سطح زمین آنها خودهمبستگی فضایی مثبت (جزایر حرارتی گرم) و منفی (جزایر حرارتی سرد) دارد؛ اما به‌منظور حصول اطمینان از مناطق با خوشه‌های با ارزش زیاد و کم از شاخص Hotspot استفاده شد که نتایج آن در شکل (7) ارائه شده است. مناطق با جزایر حرارتی سرد در هر سه سطح احتمال 90/0، 95/0 و 99/0 با رنگ آبی و مناطق با جزیرة حرارتی گرم با رنگ قرمز نمایش داده شده است.


جدول 7. خروجی آماره‌های موران برای دمای سطح زمین شهر اردبیل (تهیه: نویسندگان، 1398)

موران جهانی (I"Moran’s"(

سال

شاخص موران

شاخص مورد انتظار

واریانس

z-score

p-value

2015

996725/0

000001/0-

000001/0

931549/1161

0

2018

996118/0

000001/0-

000001/0

223656/1161

0

2015

 

2018

 

شکل 6. خروجی گرافیکی آمارة موران جهانی برای دمای سطح زمین شهر اردبیل(تهیه: نویسندگان، 1398)

 

شکل 7. جزایر حرارتی استخراج‌شدة شهر اردبیل با استفاده از HOTSPOT (تهیه: نویسندگان، 1398)

 


نتیجه‌گیری

یکی از نکات مهم در برنامه‌ریزی، اطلاع از کاربری‌ها و چگونگی تغییرات آن در زمان است؛ به همین دلیل در این مقاله طبقه‌بندی سه ماه ژوئن، جولای و آگوست در سال‌های 2015 و 2018 صورت گرفت که به روش شی‌گرا با نرم‌افزار eCognition انجام و صحت‌سنجی با نمونه‌برداری از تصاویر در نرم‌افزار ENVI 5.3 بررسی شد. به همین منظور مقدار صحت کلی و کاپا استخراج شد و در مرحلة آزمون و خطا قرار گرفت تا بهترین دقت طبقه‌بندی انتخاب شود.

نتایج به‌دست‌آمده از طبقه‌بندی‌های بازة زمانی 2015 و 2018 نشان می‌دهد در سال 2015 صحت کلی به‌طور میانگین 94درصد و ضریب کاپا 91/0 و در سال 2018 صحت کلی به‌طور میانگین 90درصد و ضریب کاپا 88/0 است. با توجه به صحت کلی نقشه‌ها و با استناد به منابعی نظیر لیسلند و همکاران (2008) و کانگالتون و گرین (2009) و مقایسه با آنها که ضرایب صحت کلی بیش از 85درصد را پذیرفته عنوان کرده‌اند، نتایج به‌دست‌آمده از طبقه‌بندی کاربری‌ها، چه ازنظر تک‌تک کاربری‌ها و چه ازنظر مجموع صحت و آمار کاپا، از صحت پذیرفته در ارتباط با اطلاعات تولیدشده برخوردار شده است. سپس مساحت و مقدار درصد کاربری‌ها به‌صورت تک‌تک بررسی و محاسبه شد که در هر دو سال به‌طور میانگین بیشترین مساحت به مناطق کشاورزی و کمترین مساحت به مناطق آبی اختصاص پیدا کرد. پس از این برای بررسی تغییرات کاربری سال‌های 2015 و 2018 اقدام و خروجی نهایی با استفاده از نرم‌افزارArcGIS 10.5برحسب هکتار استخراج شد که بیشترین تغییرات در مناطق انسان‌ساخت و مناطق کشاورزی بود. این موضوع نشان می‌دهد با تخریب مناطق کشاورزی، مناطق شهری به وجود آمده است؛ ولی به‌طور کلی به دلیل کم‌بودن این بازة زمانی 4ساله تغییرات زیادی دیده نشد. در مرحلة بعدی به تولید نقشه‌های دمای سطح زمین با نرم‌افزارهای
ENVI 5.3 و ArcGis5.3 اقدام شد؛ بر این اساس دمای سطح زمین به یک باند حرارتی نیاز دارد که توان تفکیک زمینی کمی داشته باشد و در فواصل طولانی در اختیار پژوهشگران قرار گیرد؛ به همین دلیل پویایی فضایی و دمایی سطح زمین در ارتباط با کاربری اراضی با پایش داده‌های تصاویر لندست 8 (OLI) مطالعه و بررسی شد.

یکی از مؤلفه‌های دمای سطح زمین، مطالعة شهرها و کاربری اراضی است؛ زیرا تقریباً با دمای هوای لایه‌های پایینی جو شهری برابری می‌کند که مرکز موازنة انرژی سطح و تعیین‌کنندة اقلیم میان ساختمان‌ها و مؤثر بر زندگی و آسایش ساکنان شهری است و با توجه به نتایج به‌دست‌آمده زمین متأثر از عوامل سطحی و ویژگی‌های آن است. با این تفاسیر از دمای سطح به‌دست‌آمده این نتیجه گرفته می‌شود که بیشترین دما در سال‌های 2015 و 2018 به‌طور میانگین مربوط به مناطق انسان‌ساخت به دلیل جاذبة حرارتی‌بودن این کاربری است و نشان از متمرکزشدن حرارت در این مناطق شهری دارد. وجود ساختمان‌های بلند در این مناطق باعث خروج گرما از مناطق شهری و همین امر به گرم‌شدن بیشتر این کاربری منجر می‌شود.

محدوده‌های شهری بیلان انرژی متفاوتی نسبت به نواحی غیرشهری دارند. این تفاوت و تغییر در مفهوم بیلان انرژی باعث ازدست‌دادن توازن انرژی در محیط شهری می‌شود که مشکلات زیاد محیطی برای ساکنان ایجاد می‌کند. از طرفی افزایش تراکم جمعیت باعث افزایش انرژی واردشده به محیط به دست انسان‌ها و نتیجة آن، ایجاد افزایش گرمایش شهری نسبت به اطراف آن می‌شود. کمترین دمای مشخص‌شده نیز متعلق به مناطق آبی است؛ به دلیل اینکه آب گرما را دفع می‌کند. این محدوده به شکل کم‌عمق و عمیق تقسیم می‌شود که مناطق عمیق دمای سطحی کمتری نسبت به مناطق کم‌عمق دارد. دریاچة شورابیل، کاربری اصلی ما برای این تعریف است و انحراف معیار به‌دست‌آمده از دمای سطح زمین براساس همین کم‌عمق و عمیق‌بودن این کاربری استخراج و بررسی شده است.

جزایر حرارتی شهری برای انواع وسیعی از مطالعات علمی، آب‌وهواشناسی، طراحی شبکة حمل‌ونقل و مسکن و همچنین طیف‌های وسیعی از مطالعات محیطی، مهندسی و انسانی ضروری است. این مطالعه با رویکرد پردازش تصویر با استفاده از شاخص تحلیل لکه‌های داغ (HOTSPOT) با هدف مطالعة شکل‌گیری و خوشه‌ای‌شدن جزایر حرارتی شهری شهر اردبیل انجام گرفت. نتایج خودهمبستگی فضایی موران جهانی به‌دست‌آمده، رد فرضیة ارتباط‌نداشتن فضایی دمای سطح شهر اردبیل (H0) را  نشان می‌دهد و حاکی استداده‌های دمای سطح زمین اردبیل ساختار فضایی دارد یا به شکل خوشه‌ای توزیع شده است.

در پژوهشی مشابه دمای سطح زمین با استفاده از تصاویر ماهواره‌ای لندست و الگوریتم پنجرة مجزا بررسی شد. نتایج نشان می‌دهد بین کاربری اراضی و دمای سطح زمین رابطه‌ای قوی وجود دارد؛ چنان‌که مناطق با پوشش گیاهی دارای کمترین دما و مناطق عاری از پوشش گیاهی دارای بیشترین دماست که نقش و اهمیت پوشش گیاهی را در منطقه نشان می‌دهد (Effat & kader, 2014: 90).

در پژوهشی تغییر جزیرة حرارتی شهری و بعضی مؤلفه‌های مرتبط با آن با استفاده از تصاویر چند طیفی لندست در شهر کایروی مصر شناسایی و بررسی شد. نتایج نشان داد طی بازة زمانی مدنظر، شهر رشد گسترده‌ای را تجربه کرده و همچنین جزیرة حرارتی شهری در نواحی غربی که ساختمان‌های متراکم‌تری دارند نسبت به نواحی شرقی بایر افزایش یافته است.

پژوهش حاضر در اختیار پژوهشگران و کارشناسان مربوط قرار می‌گیرد تا تصمیمات کارگشای مدیریتی برای حفظ منابع طبیعی گرفته شود و نتایج مطلوب‌تری به دست آید و پیش‌بینی‌های درستی برای آیندة استان اردبیل صورت گیرد.



[1] Sun & Pinker

[2] Karenia

[3] Ronald et al.

[4] segmentation

[5] به دلیل حجم مقاله از نمایش جدول مساحت، درصد و تغییرات کاربری اراضی صرف‌نظر شد.

[6] Lillesand et al.

[7] Congalton & Green

منابع
احمدی، محمود، عاشورلو، داوود، نارنگی‌فرد، مهدی، (1391). تغییرات زمانی - مکانی الگوهای حرارتی و کاربری شهر شیراز با استفاده از داده‌های سنجندة TM &ETM، سنجش از دور و GIS ایران، دورة 4، شمارة 4، 55-68.
اصغری سراسکانرود، صیاد، امامی، هادی، (1397). پایش دمای سطح زمین و بررسی رابط کاربری اراضی با دمای سطح زمین با استفاده از تصاویر OLI و  ETM+(مطالعة موردی: شهرستان اردبیل)، تحقیقات کاربردی علوم جغرافیایی، دورة 19، شمارة 53، 195-215.
اکبری، الهه، ابراهیمی، مجید، نژادسلیمانی، حمید، فیضی‌زاده، بختیار، (1394). ارزیابی دمای سطح زمین در ارتباط با روند تغییرات کاربری اراضی با استفاده از تصاویر ماهواره‌ای (مطالعة موردی: حوضة آبخیز طالقان)، جغرافیا و برنامه‌ریزی محیطی، دورة 26، شمارة 4، 151-170.
بابایی فینی، ام‌السلمه، (1394). بررسی رابطة دمای سطح زمین و شاخص بهنجارشدة پوشش گیاهی در محیط شهری (مطالعة موردی: کلان‌شهر اصفهان)، جغرافیای طبیعی، دورة 8، شمارة 29، 75-90.
خسروی، یونس، حیدری، محمدعلی، توکلی، آزاده، زمانی، عباسعلی، (1396). تحلیل رابطة تغییرات زمانی دمای سطح زمین و الگوی فضایی تغییرات کاربری اراضی (مطالعة موردی: شهر زنجان)، مدرس علوم انسانی (برنامه‌ریزی و آمایشسرزمین)، دورة 21، شمارة 3، 144-119.
علوی‌پناه، کاظم، (1388). سنجش از دور حرارتی و کاربرد آن در علوم زمین، چاپ دوم، تهران، انتشارات دانشگاه تهران.
علی‌آبادی، کاظم، داداشی رودباری، عباسعلی، (1394).بررسی تغییرات الگوهای خودهمبستگی فضایی دمای بیشینة ایران، فصلنامة مطالعات جغرافیایی مناطق خشک، دورة 6، شمارة 21، 104-86.
فیضی‌زاده، بختیار، دیده‌بان، خلیل، غلام‌نیا، خلیل، (1395). برآورد دمای سطح زمین با استفاده از تصاویر ماهوارة لندست 8 و الگوریتم پنجرة مجزا (مطالعة موردی: حوضة آبریز مهاباد)، فصلنامة اطلاعات جغرافیایی، دورة 25، شمارة 98، 171-182.
کاکه‌ممی، آزاد، قربانی، اردوان، کیوان‌بهجو، فرشاد، میرزایی موسی‌وند، آمنه، (1396). مقایسة روش‌های تفسیر چشمی و رقومی در تهیة نقشة کاربری و پوشش اراضی استان اردبیل، سنجش از دور و سامانة اطلاعات جغرافیایی در منابع طبیعی، دورة 8، شمارة 3، 121-134.
کرمی، مختار، داداشی رودباری، عباسعلی، (1393). ارزیابی الگوهای بارشی استان خراسان رضوی با استفاده از روش‌های نوین آمار فضایی، مجلة علمی‌ترویجی سامانه و سطوح آبگیر باران،
دورة 3، شمارة 2، 61-72.
موسوی‌بایگی، محمد، اشرف، بتول، فریدحسینی، علیرضا، میان‌آبادی، آمنه، (1391). بررسی جزیرة حرارتی شهر مشهد با استفاده از تصاویر ماهواره‌ای و نظریة فرکتال، مجلة جغرافیا و مخاطرات محیطی، دورة 1، شمارة 1، 35-48.
ولی‌زادة کامران، خلیل، غلام‌نیا، خلیل، عینالی، گلزار، موسوی، سید محمد، (1396). برآورد دمای سطح زمین و استخراج جزایر حرارتی با استفاده از الگوریتم پنجرة مجزا و تحلیل رگرسیون چندمتغیره (مطالعة موردی: شهر زنجان)، پژوهش و برنامه‌ریزی شهری، دورة 8، شمارة 30، 35-50.
Adel Effat, H., Abdel Kader, O., (2014). Change detection of urban heat islands and some related parameters using multi-temporal Landsat images case study for Cairo city, Journal of Urban Climate, Vol 10, Pp 171-188.
Aslan, N., Koc-San., D., (2016). Analysis of Relationship between Urban Heat Island Effect and Land USE/COVER Type Using Landsat 7 ETM+ and Landsat 8 OLI Image, The Internation Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences Congress,
12–19 July, Prague, Czech Republic, Vol 8, Pp 821-288.
Barsi, J.A., Schott, J.R., Palluconi, F.D., Helder, D.L., Hook, S., Markham, S.J., (2003). Landsat TM and ETM+ thermal band calibration, Canadian Journal of Remote Sensing, Vol 29 (2), Pp 141–153.
Chander, G., Groeneveld, D.P., (2009). Intra-annual NDVI validation of the Landsat 5 TM radiometric calibration, International Journal of Remote Sensing, Vol 30 (6), Pp 1621–1628.
Congalton, R.G., Green, K., (2009). Assessing the accuracy of remotely sensed data principles and practice, CRC Press, 137 p.
French, A.N., Schmugge, T.J., Kustas, W.P., (2000). Estimating surface fluxes over the SGP site with remotely sensed data, Physics and Chemistry of the Earth, Part B, Hydrology, Oceans and atmosphere, Vol 25 (2), Pp 167-172.
Gondwe, S.V.C., Muchena, R., Boys, J., (2008). Detecting Land Use and Land Cover and Land Surface Temperature Change in Lilongwe City, Journal of Remote Sensing and GIS, Vol 12, Pp
17-26.
Griffith, D., (1987). Spatial Autocorrelation Primer, Resource Publication in Geography, Association of American geographers, 64 p.
Karenia, C.S.G., (2016). Spatial Geo-technologies and GIS tools for urban planners applied to the analysis of urban heat island Case Caracas city Venezuela, ICUC9, 9th International Conference on Urban Climate jointly with 12th Symposium on the Urban Environment, Pp 1-5.
Lillesand, T.M., Kiefer, R.W., Chipman, W.J., (2008). Remote sensing and Image Interpretation, New York, 6th Edition,
812 p.
Niclòs Valiente, J.A., Barberà, M.J., Estrela, M.J., Caselles, J.M., (2009). Preliminary results on the retrieval of land surface temperature from MSG-SEVIRI data in Eastern Spain, Proceedings, Journal of Remote sensing and GIS, Vol 14, Pp
40- 55.
Owen, T.W., Carlson, T.N., Gillies, R.R., (1998). An assessment of satellite remotely sensed land cover parameters in quantitatively describing the climatic effect of urbanization, International journal of remote sensing, Vol 19, Pp 1663-1681.
Ronald, C., Estoque, M., Yuji, M., (2017). Effects of landscape composition and pattern on land surface temperature An urban heat island study in the megacities of Southeast Asia, National Library of Medicine, Vol 15 (577), Pp 349-359.
Sobrino, J.A., Jiménez-Muñoz, J.C., Paolini, L., (2004). Land surface temperature retrieval from LANDSAT TM 5, Remote Sensing of environment, Vol 90 (4), Pp 434-440.
Song, Y., Wu, C., (2016). Examining the Impact of Urban Biophysical Composition and Neighboring Environment on Surface Urban Heat Island Effect, Advances in Space Research, Vol 57 (1), Pp 96-109.
Sun, D., Pinker, T., (2004). Case study of soil moisture effect on land surface temperature retrieval’, IEEE Geoscience and Remote Sensing Letters, Vol 1 (2), Pp 83-94.
Weng, Q., Liu, H., Lu, D., (2007). Assessing the effect of land use and land cover patterns on thermal conditions using landscape metrics in city of Indianapolis United States, Urban ecosystems, Vol 10, Pp 203-219.
Weng, Q.H., Lu, D.S., Schubring, J., (2004). Estimation of land surface temperature-vegetation abundance relationship for urban heat island studies, Remote Sensing of Environment, Vol 89 (4), Pp 467–483.