Investigating the Effects of Land Use Change on Spatiotemporal Patterns of Land Surface Temperature and Thermal Islands (Case Study: Saqqez County)

Document Type : Research Paper

Authors

1 PhD, Sari Agricultural Sciences and Natural Resources University, Sari, Mazandaran, Iran

2 MA Graduated, Haraz Institute of Higher Education, Iran

3 Professor, Sari Agricultural Sciences and Natural Resources University, Mazandaran, Iran

Abstract

Land surface temperature is one of the important parameters in environmental science and urban planning. Human activities, such as land use degradation and urban development, have the effect of increasing the land surface temperature and thus the appearance of thermal islands, and this phenomenon has adverse effects on human health over time. The aim of this study was to investigate the effects of land use change on spatiotemporal patterns of land surface temperature and thermal islands in Saqqez city. In this study, images from the years 1989, 1998, 2008, and 2018 were first categorized using the Maximum Likelihood Algorithm in ENVI software. Then, using a Split window algorithm, land surface temperature was extracted in the GIS software. Also NDVI, UHII, and UHIII indices were used to study the spatiotemporal land surface temperature and thermal islands. Also, land surface temperature of the low, medium and high vegetation classes was extracted during the period. The results of the classification accuracy with Kappa coefficient above 80% show the validity of the results. Also, the results of the evaluation of land use changes indicate the increasing trend of water, residential and bare lands areas and the decreasing trend of vegetation. In other words, 3.68, 38.43 and 514/02 km, respectively, are the area of water, residential and bare lands areas has been added, and a total of 550/06 km2 has been cut from the vegetation area to the 29-year period. Also, the results of maximum temperature of each land use indicate an increasing trend in temperature in residential and bare lands areas and vegetation during the studied period. According to the results of UHII and UHIII indices, the class with low vegetation has the highest temperature compared to the middle and high vegetation classes and also based on the results of these indicators, the thermal islands occurred in the northeastern parts of the city in 2008 and 2018.

Keywords

Main Subjects


مقدمه

دمای سطح زمین تابعی از انرژی خالص در سطح زمین است که به مقدار انرژی رسیده به سطح زمین، گسیلندگی سطح، رطوبت و جریان هوای اتمسفر بستگی دارد. این دما با استفاده از تابش مادون ‌قرمز و معادلة معکوس پلانک محاسبه می‌شود (فیضی‌زاده و همکاران، 1394: 173). افزایش دمای سطح زمین در یک ناحیه موجب بروز پدیدة جزایر حرارتی می‌شود که این پدیده در اثر تغییرات پوشش زمین در مناطق شهری به وجود می‌آید و امروزه به نگرانی عمدة زیست‌محیطی تبدیل شده است (Amiri et al, 2009: 2610).

توسعۀ مناطق شهری با ساختمان‌ها، جاده‌ها و دیگر زیرساخت‌ها موجب تغییر در چشم‌انداز طبیعی یک ناحیه می‌شود و ازبین‌رفتن نواحی باز، زمین‌های کشاورزی و پوشش گیاهی به تغییر الگوی بادهای محلی، تقویت رشد ابرها و مه‌ها، افزایش تعداد رعدوبرق‌ها و تأثیر بر میزان بارش می‌انجامد (شکیبا و همکاران، 1388: 41؛ هاشمی دره‌بادامی و همکاران، 1394: 4)؛ همچنین افزایش مصرف انرژی برای خنک‌کنندگی از کیفیت هوای شهری می‌کاهد و سبب ناراحتی شهرنشینان می‌شود و با تأثیر بر سلامت انسان‌ها، احتمال بروز آسم و انواع بیماری‌های تنفسی دیگر را افزایش می‌دهد (Chen et al, 2006: 130; Chen et al, 2009: 3; Liu & Zhang, 2011: 1540).

امروزه یکی از روش‌های بررسی و ارزیابی الگوهای دمای سطح زمین و جزایر حرارتی، استفاده از داده‌های سنجش ‌از دور است که هزینه‌های تخمین دما را به روش سنتی به‌طور چشمگیری کاهش داده است. تصاویر سنجش ‌از دور به دلیل پوشش وسیع، بهنگام‌ و دقت زیاد، ابزار مناسبی برای تهیة نقشه‌های حرارتی سطح زمین است (مزیدی و همکاران، 1394: 3؛ رمضانی و همکاران، 1389: 51).

تاکنون مطالعات زیادی در زمینة بررسی و تحلیل دمای سطح زمین و جزایر حرارتی انجام ‌شده است؛ ازجمله مطالعاتژانگ و همکاران[1] (2010) که ارتباط بین پوشش گیاهی سبز و جزایر حرارتی شهری را در بیژینگ[2]چین بررسی کردند. نتایج مطالعات آنها همبستگی منفی بین دمای درخشندگی و شاخص NDVI[3] را نشان می‌دهد. همچنین در این مقاله همبستگی فضایی بین پوشش گیاهی و درجه‌حرارت نشان داده ‌شده است که این ارتباط برای برنامه‌ریزی شهری و حفاظت از پوشش گیاهی شهر بیژینگ در آینده مؤثر است.

جو و همکاران[4] (2015) آثار بیوفیزیکی شهری را بر دمای سطح زمین در خوشه‌های جزایر حرارتی بررسی کردند. نتایج مطالعات آنها نشان داد بین شاخص‌های NDVI و NDBI با تغییراتLST همبستگی‌ای قوی وجود دارد؛ در حالی که شاخص NDBaI همبستگی ضعیفی با LST دارد؛ همچنین نتایج این مطالعه بینش‌هایی را دربارة چگونگی LST در جزایر حرارتی (UHI) با ویژگی‌های سطح شهری در مقیاس فضایی و همچنین روش جدید برای بررسی آثار LST سطح زمین در مناطق شهری ارائه می‌دهد.

مورابیتو و همکاران[5] (2016) تأثیرات نواحی مسکونی را بر دمای سطح زمین در نواحی شهری ایتالیا بررسی کردند. نتایج نشان داد نقشه‌های LST مربوط به نواحی مسکونی در این مطالعه، ابزار مناسبی برای درک بهتر دینامیک پیچیدة محیط ‌زیست شهری است. این نقشه‌ها اگر در وضع موجود شهر اجرا شود، ابزاری عملی و آموزنده در مدیریت پایدار زمین در محیط‌های شهری و برنامه‌ریزی شهری است.

شی و همکاران[6] (2017) تأثیرات الگوی مکانی - زمانی جزایر حرارتی شهری را با استفاده از رویکرد رگرسیونی کاربری اراضی مدل‌سازی کردند. نتایج این مطالعه نشان داد الگوی فضایی جزایر حرارتی شهری (UHI) به‌طور وسیع با نقشه‌های LU/LC و ژئومورفومتری شهری در نواحی مسکونی با تراکم زیاد به‌ویژه در شب تعیین می‌شود و مدل‌های حاصل به‌منظور غنی‌سازی دستورکار‌های طراحی شهری فعلی و کمک به مقابله با UHI به کار می‌روند.

وانگ و همکاران[7] (2018) تغییرات کاربری اراضی و تأثیر آن را بر تغییرات کاربری اراضی در یانگون[8]میانمار بررسی کردند. نتایج این مطالعه نشان داد تغییرات کاربری اراضی تأثیرات پیچیده و مستقیمی بر تغییرات دمای سطح زمین دارد؛ به طوری که در این مطالعه نواحی شهری بیشترین دمای سطح زمین را نشان می‌دهند.

وانگ و همکاران (2019) همچنین در پژوهشی دیگر تغییرات کاربری اراضی و دمای سطح زمین را در دلتای رودخانة پیارل[9] در چین به‌صورت چند زمانه بررسی کردند. نتایج نشان داد رشد شهر در این ناحیه و الگوهای دمای سطح زمین با تخریب کاربری اراضی افزایش‌ یافته است.

احمدی و همکاران (1391) تغییرات زمانی ـ مکانی الگوهای حرارتی و کاربری شهر شیراز را با استفاده از داده‌های سنجندة TM و ETM+ ارزیابی کردند. نتایج در این پژوهش نشان داد سطوح بایر خاکی بدون پوشش گیاهی حاشیة شهر بیشترین میزان دما را دارد و در کاربری‌های شهری نیز دمای بافت‌های فرسودة شهری بیش از دیگر مناطق مسکونی است.

انتظاری و همکاران (1395) دمای سطح زمین و روند تغییرات کاربری اراضی را در حوضة آبریز دریاچة پریشان ارزیابی کردند. نتایج این پژوهش نشان داد بیشترین تغییرات کاربری اراضی در کاربری دریاچه به چشم می‌خورد که حدود 97/35درصد وسعت دریاچه در این دورة 13ساله تخریب ‌شده و بخش عمدة آن به زمین‌های بایر و اراضی کشاورزی تغییر کاربری داده است؛ علاوه بر این افزایش بیابان‌زایی و کاهش پوشش گیاهی بر روند افزایش دمای سطح زمین (LST) تأثیر می‌گذارد. بیشترین میزان دما (LST) در نمک‌زارها و اراضی بایر با رخنمون سنگی دیده می‌شود که با گذشت سالیان متمادی روند افزایش دما شایان ‌تأمل است.

نادی‌زادة شورابه و همکاران (1397) در پژوهشی تغییرات زمانی - مکانی کاربری اراضی و رشد شهری و تأثیر آن را بر افزایش دمای سطح زمین در شهر گرگان بررسی کردند. نتایج نشان داد با تبدیل کاربری فضای سبز به زمین آیش، بیشترین تغییرات دمای سطح زمین رخ می‌دهد. از دیگر نتایج این پژوهش کاهش طبقات دمایی بسیار سرد و سرد و افزایش طبقات دمایی نرمال و گرم است که مهم‌ترین دلیل آن، افزایش مساحت کاربری‌های ساخته‌شده و آیش است.

درویشی و همکاران (1398) تأثیر تغییرات کاربری اراضی را بر دمای سطح زمین در شهرستان مریوان بررسی کردند. نتایج به‌دست‌آمده در این مطالعه نشان داد با افزایش مساحت زمین‌های مسکونی و بایر و همچنین با کاهش پوشش گیاهی و زمین‌های کشاورزی در دورة 1984 تا 2017، دما روندی افزایشی را در این کاربری‌ها داشته است.

شهرستان سقز، دومین شهرستان پرجمعیت استان کردستان، در سالیان اخیر رشد جمعیت چشمگیری داشته است؛ به طوری که از سال 1365 تا 1395 حدود 62556 نفر به جمعیت آن افزوده ‌شده است (مرکز آمار ایران، 1395). روند افزایشی جمعیت نیاز به ساخت‌وساز را در نواحی شهری افزایش داده و این ‌یکی از مهم‌ترین دلایل رشد شهرها بوده است. توسعه و رشد شهری چنانچه بدون برنامه‌ریزی صورت گیرد، موجب ازبین‌رفتن پوشش طبیعی زمین، و ازبین‌رفتن محیط طبیعی به‌مثابة یکی از مهم‌ترین عوامل خنک‌کنندگی دمای سطح زمین سبب پیدایش جزایر حرارتی می‌شود. با توجه به تأثیرات منفی جزایر حرارتی بر زندگی انسان، توجه به بررسی و تحلیل زمانی - مکانی آن اهمیت ویژه‌ای دارد. در همین زمینه هدف مطالعة حاضر، تأثیر تغییرات کاربری اراضی بر الگوهای زمانی - مکانی دمای سطح زمین و جزایر حرارتی در شهرستان سقز است.

 

روش‌شناسی پژوهش

پژوهش حاضر به‌منظور ارائة نتایج دقیق، نخست وضعیت تغییرات کاربری اراضی شهرستان سقز را در دوره‌ای 29ساله (1989- 2018) بررسی کرد و در ادامه به‌منظور تعیین ارتباط تغییرات هر کاربری با دمای سطح زمین، بیشترین دما در هر کاربری تعیین و سپس میزان تغییرات آن بررسی‌ و درنهایت با استفاده از آن نواحی مستعد شکل‌گیری جزایر حرارتی در شهرستان سقز ارزیابی شد.

در این مطالعه از تصاویر لندست دریافت‌شده از سایت سازمان زمین‌شناسی ایالات‌ متحده در ردیف و گذر 35/168 مربوط به سال‌های 1989، 1998، 2008 و 2018 استفاده شده است. مشخصات تصاویر در جدول (1) آمده است.


جدول 1. مشخصات تصاویر استفاده‌شده

ماهواره

سنجنده

ردیف/گذر

تاریخ

وضوح (m)

طول ‌موج

لندست

TM / ETM+

35/168

21/05/1989

15/06/1998

18/06/2008

۳۰

باند ۱ (۵۱۵/۰- ۴۵/۰)

باند ۲ (۶۰/۰- ۵۲/۰)

باند ۳ (۶۹/۰-۶۳/۰)

باند ۴ (۹۰/۰-۷۵/۰)

باند ۵ (۷۵/۱-۵۵/۱)

باند ۷ (۳۵/۲-۰۹/۲)

باندهای حرارتی TM(120) و ETM+ (60)

باند 6 (4/10-5/12)

لندست

OLI/TIRS

35/168

06/06/2018

۳۰

باند ۱ (۴۵/- ۴۳/۰)

باند ۲ (۵۱/۰- ۴۵/۰)

باند ۳ (۵۹/۰- ۵۳/۰)

باند ۴ (۶۷/۰- ۶۴/۰)

باند ۵ (۸۸/۰- ۸۵/۰)

باند ۶ (۶۵/۱- ۵۷/۱)

باند ۷ (۲۹/۲- ۱۱/۲)

باند ۹ (۳۸/۱- ۳۶/۱)

باندهای حرارتی (100)

باند 10(60/10-19/11) / باند 11(50/11-51/12)

(منبع: پیرنظر و همکاران، 1394: 69)


استخراج نقشة کاربری اراضی

در این مطالعه نخست پیش‌پردازش‌های تصاویر شامل تصحیحات هندسی، رادیومتریک و اتمسفری در نرم‌افزار ENVI انجام گرفت (شکل 1)؛ سپس با استفاده از تصاویر گوگل‌ارث، نقشة کاربری اراضی و شناخت منطقة پژوهش، تصاویر با اعمال الگوریتم حداکثر احتمالو با رعایت همپوشانی نقاط تعلیمی به چهار کلاس (جدول 2) طبقه‌بندی شدند (Tilahun & Teferie, 2015: 195; Rwanga & Ndambuki, 2017: 613; Megahed et al, 2015: 1754؛ کیانی و همکاران، 1393: 55).

 

 

شکل 1. تصویر پردازش‌شدة منطقة پژوهش

جدول 2. کاربری‌های طبقه‌بندی‌شده در تصاویر

کلاس

کاربری

آب

آب‌های سطحی (دریاچه، رودخانه، مخازن سد، تالاب‌ها و ...)

نواحی ساخته‌شده

نواحی مسکونی شهری و روستایی

پوشش گیاهی

شامل کشاورزی، باغ‌ها، مراتع، جنگل‌ها و پوشش‌های سبز

نواحی بایر

فضاهای باز و نواحی بدون پوشش اطراف شهرها

 

 

تصاویر گوگل‌ارث به دلیل دقت مکانی زیاد و ارائة تصاویر در مقیاس زمانی متفاوت، ابزار مفیدی برای نظارت بر کاربری‌ها و اعمال طبقه‌بندی محسوب می‌شود و استفاده از این تصاویر هنگام طبقه‌بندی از بروز خطاهای احتمالی جلوگیری می‌کند (Tilahun et al, 2015: 81; Wibowo et al, 2016: 3; Malarvizhi et al, 2016: 1837). همچنین در این مطالعه استخراج دمای سطح زمین با استفاده از الگوریتم پنجرة مجزا انجام گرفت و برای بررسی تأثیرات تغییرات کاربری‌ها بر دمای سطح زمین، بیشترین دمای هر کاربری طی دورة مطالعه‌شده استخراج و با استفاده از شاخص‌های UHII[10] و UHIII[11]، دمای سطح زمین و جزایر حرارتی منطقة پژوهش تحلیل زمانی - مکانی شد.

ارزیابی دقت طبقه‌بندی، یکی از مؤلفه‌های مهم در ارائة نتایج دقیق است؛ بنابراین در این مطالعه به‌منظور بررسی صحت کلی و ضرایب کاپای نقشه‌های طبقه‌بندی‌شده از داده‌های کنترل زمینی GPS، نقشه‌های توپوگرافی و کاربری اراضی تهیه‌شده از ادارة منابع طبیعی شهرستان سقز استفاده و سپس صحت کلی و ضرایب کاپای هر نقشه با توجه به روابط (1) و (2) محاسبه شد.

رابطة (1)

 

رابطة (2)

 

در رابطة (1)، OA صحت کلی، N تعداد کل پیکسل‌ها و مجموع پیکسل‌های درست طبقه‌بندی‌شده و در رابطة (2)، r تعداد سطرها و ستون‌ها در ماتریس ابهام، xij ماتریس ابهام، xi+ و x+i به ترتیب مجموع کل سطر i و ستون j و N تعداد کل پیکسل‌هاست (Mahter, 2001: 248; Smits et al, 1999: 1465)

 

استخراج محاسبة دمای سطح زمین (LST)

پیرو الگوریتم پنجرة مجزا به‌منظور استخراج دمای سطح زمین از باند 6 تصاویر سنجنده‌های TM و ETM+ و باند 10 تصاویر سنجندة OLI/TIRS استفاده و اعداد رقومی تصاویر با استفاده از رابطة (3) به رادیانس تبدیل و در ادامه دمای درخشندگی[12]تصاویر محاسبه شد (رابطة 4).

 

 

رابطة (3)

 

رابطة (4)

 

در رابطة (3)، LMAX و LMIN مقادیر بیشترین و کمترین رادیانس باندهای حرارتی تصاویر است و همچنین QCALMAX و QCALMIN به ترتیب مقادیر بزرگ و کوچک اعداد رقومی باندهای حرارتی است. این مقادیر از هدر فایل تصاویر استخراج شد (جدول 3). همچنین در رابطة (4) مقادیر TB، K1، K2 و Lλ به ترتیب دمای مؤثر در ماهواره برحسب کلوین (K)، ثابت کالیبراسیون اول، ثابت کالیبراسیون دوم و رادیانس طیفی پیکسل مدنظر است (Bastiaanssen et al, 1998: 203)

جدول 3. مقادیر K1، K2، QCALMAX و QCALMIN

سنجنده

K1

K2

QCALMIN

QCALMAX

TM

۷۶/ ۶۰۷

۵۶/ ۱۲۶۰

1

255

ETM+

۰۹/۶۶۶

۷۱/۱۲۸۲

OLI/TIRS

۸۸۵۳/۷۷۴

۰۷۸۹/۱۳۲۱

1

65535

 

شاخص پوشش گیاهی (NDVI)

شاخص پوشش گیاهی، یکی از روش‌های دقیق آگاهی از وضعیت پوشش گیاهی یک منطقه است و از مقادیر بازتابی باندهای قرمز و مادون‌ قرمز نزدیک محاسبه می‌شود (پیرنظر و همکاران، 1394: 154).

رابطة (5)

 

 

 

نسبت پوشش گیاهی

از مقادیر نسبت پوشش گیاهی توان تشعشعی محاسبه می‌شود که یکی از گام‌های اساسی در استخراج دمای سطح زمین به شمار می‌رود. در این مطالعه با استفاده از روابط (6) و (7) نسبت پوشش گیاهی و توان تشعشعی باندهای حرارتی محاسبه شد (Sobrino et al, 2004: 436؛ رسولی، 1387: 541؛ علوی‌پناه ‌و همکاران، 1387: 108؛ هاشمی و همکاران، 1391: 84).

رابطة (6)

 

رابطة (7)

 

در رابطة (6) مقادیر PV، NDVI minو NDVI max به ترتیب نسبت پوشش گیاهی، کمترین و بیشترین شاخص پوشش گیاهی و در رابطة (7)، ، و  به ترتیب توان تشعشعی، توان تشعشعی خاک و توان تشعشعی پوشش گیاهی است.

یکی از روش‌های محاسبة توان تشعشعی خاک و پوشش گیاهی، استفاده از روش آستانه‌گذاری شاخص NDVI است؛ به این صورت که ۲/۰< NDVI نشان‌دهندة خاک لخت است و توان تشعشعی خاک لخت لحاظ می‌شود و 5/۰< NDVI نشان‌دهندة پهنه‌های با پوشش گیاهی فراوان است و توان تشعشعی پوشش گیاهی برای آن فرض می‌شود (هاشمی و همکاران، 1391: 84). پس از انجام این مراحل، دمای سطح زمین با استفاده از رابطة (8) استخراج و برای تبدیل درجة کلوین به سلسیوس از رابطة (9) استفاده شد (Artis & Carnahan, 1982: 318).

رابطة (8)

 

رابطة (9)

 

 

شدت جزایر حرارتی (UHII) و شاخص شدت جزایر حرارتی (UHIII)

شدت جزایر حرارتی در این مطالعه با استفاده از رابطة (10) و همچنین شاخص شدت جزایر حرارتی براساس رابطة (11) استخراج شد. گفتنی است شاخص‌های UHII و UHIII دمای سطح زمین را با استفاده از مقادیر پوشش گیاهی یک ناحیه ارزیابی و بیشترین دما را در طبقات با پوشش گیاهی کم، متوسط و زیاد بررسی و با توجه به تأثیرات پوشش گیاهی بر دمای سطح زمین شدت جزایر حرارتی را در یک ناحیه ارزیابی می‌کند (Feng et al, 2014: 465; Chen & Zhang, 2017: 90)؛ بنابراین به‌منظور محاسبة روش‌های یادشده نخست با استفاده از شاخص NDVI، وضعیت پوشش گیاهی شهرستان سقز بررسی و در محیط نرم‌افزار ARC GIS پوشش گیاهی منطقه به سه ‌طبقه پوشش گیاهی کم، متوسط و زیاد تقسیم‌بندی و سپس دمای سطح زمین در هر طبقه مشخص شد؛ در ادامه شاخص‌های UHII و UHIII محاسبه شد.

رابطة (10)

 

رابطة (11)

 

در این روابط، TOA دمای سایر نواحی و TMH دمای نواحی با پوشش گیاهی زیاد است. این شاخص توزیع فضایی شدت جزایر حرارتی را محاسبه می‌کند (Feng et al, 2014: 465)؛ همچنین ارزش‌های بزرگ‌تر از 5/0 در این شاخص نشان‌دهندة شدت جزایر حرارتی در مقیاس‌های زمانی مختلف است (Chen & Zhang, 2017: 90).

 

محدودة پژوهش

شهرستان سقز ازنظر جغرافیایی در فاصلة بین 45 درجه و 51 دقیقه و 46 درجه و 54 دقیقه طول شرقی و 35 درجه و 46 دقیقه و 36 درجه و
28 دقیقه عرض شمالی از نصف‌النهار گرینویچ قرار گرفته است (شکل 2).

شهر سقز در دهه‌های اخیر رشدی شتابان و در بعضی برهه‌ها رشدی لجام‌گسیخته را شاهد بوده است؛ به ‌گونه‌ای که این رشد هم ازلحاظ جمعیت و هم ازلحاظ وسعت فراوان است. بررسی‌ها نشان می‌دهد جمعیت این شهر از 12729 نفر در سال 1335 به 133349 نفر در سال 1390 و به 226451 نفر در سال 1395 رسیده است (مرکز آمار ایران، 1395). همچنین وسعت آن نیز از 7/33 هکتار به 8/1474 هکتار افزایش ‌یافته و طی دورة 1335 تا 1390 میانگین میزان رشد مساحت شهر 3/8درصد و میانگین میزان رشد جمعیت 8/4درصد بوده است. رشد و گستردگی محدودة شهر باعث ازبین‌رفتن زمین‌های کشاورزی، پوشش گیاهی و باغ‌های اطراف شهر به‌منزلة یکی از مهم‌ترین عوامل متعادل‌کنندة دمای سطح زمین شده است (شمس و همکاران، 1390: 60؛ موحد و همکاران، 1393: 57)؛ این امر موجبات افزایش دمای سطح زمین و شکل‌گیری جزایر حرارتی را فراهم می‌آورد و با توجه به تأثیرات منفی آن بر زندگی و سلامت انسان، توجه به بررسی این پدیده لازم و ضروری است.

 

 

شکل 2. موقعیت جغرافیایی شهرستان سقز


یافته‌های پژوهش

بررسی تغییرات کاربری اراضی

ارزیابی صحت کلی طبقه‌بندی تصاویر به‌منظور ارائة اطلاعات معتبر و دقیق لازم و ضروری است. با توجه به نتایج ضرایب کاپای تصاویر سال‌های 1989، 1998، 2008 و 2018 که به ترتیب 87، 83، 82 و 91درصد به دست آمد، طبقه‌بندی تصاویر از دقت خوبی برخوردار بوده (جدول 4) و برمبنای نتایج به‌دست‌آمده کاربری‌های آب، مسکونی و بایر طی دورة مطالعه‌شده روند افزایشی و کاربری پوشش گیاهی روند کاهشی داشته است (اشکال 3 و 4)؛ به طوری که میزان تغییرات افزایشی کاربری مسکونی که یکی از دلایل اصلی افزایش دمای سطح زمین است، از سال 1989 تا 2018 حدود 43/38 کیلومترمربع و روند کاهشی پوشش گیاهی در همین دورة زمانی 06/550 کیلومترمربع بوده است. افزایش نواحی بدون پوشش گیاهی، یکی دیگر از دلایل افزایش دمای سطح زمین در یک ناحیه است؛ نتایج به‌دست‌آمده در این مطالعه روند افزایشی نواحی بایر و بدون پوشش را نشان می‌دهد؛ به طوری که از سال 1989 تا 2018 حدود 02/514 کیلومترمربع به مساحت این نواحی افزوده‌ شده است (جدول 5).


جدول 4. گزارش صحت کلی و ضریب کاپای تصاویر طبقه‌بندی‌شده (درصد)

سال

صحت کلی

ضریب کاپا

سال

صحت کلی

ضریب کاپا

1989

90

87

2008

86

82

1998

87

83

2018

93

91

جدول 5. مساحت کاربری‌های استخراج‌شده طی دورة مطالعه‌شده (کیلومترمربع)

 

سال/ کاربری

آب

نواحی مسکونی

پوشش گیاهی

نواحی بایر

میزان تغییرات

1989

60/33

04/24

77/1831

97/2579

1998

84/32

61/29

91/1588

02/2818

2008

11/31

41/56

67/1560

13/2815

2018

28/37

47/62

71/1281

99/3093

1998-1989

76/0-

57/5

86/242-

05/238

2008-1998

73/1-

8/26

24/28-

89/2-

2018-2008

17/6

04/6

96/278-

86/278

2018-1989

68/3

43/38

06/550-

02/514

   

شکل 3. نقشة کاربری اراضی در سال‌های 1989 و 1998

   

شکل 4. نقشة کاربری اراضی در سال‌های 2008 و 2018


 


دمای سطح زمین

به‌منظور بررسی ارتباط دمای سطح زمین با دمای هوا بین این مقادیر ضریب همبستگی پیرسون تعیین شد. برای تعیین ضریب همبستگی از داده‌های روزانة دمای هوای شهرستان سقز مربوط به تاریخ تصاویر استفاده، سپس میانگین دمای هوا در هر سال مشخص و در ادامه ضریب همبستگی بین میانگین دمای هوا با میانگین دمای سطح زمین تعیین شد. ضریب همبستگی پیرسون بین این مقادیر 67/0درصد در سطح معنا‌داری 05/0 (در سال‌های 1998 و 2018) به‌ دست ‌آمده است که ارتباطی مثبت را نشان می‌دهد. نتایج دمای سطح زمین روندی افزایشی را طی دورة مطالعه‌شده نشان می‌دهد؛ به طوری که از 37درجة سلسیوس در سال 1989 به 45درجة سلسیوس در سال 2018 رسیده است؛ به‌ بیان ‌دیگر طی دوره‌ای 29ساله، 8درجة سلسیوس به دمای سطح زمین افزوده ‌شده است (اشکال 6 و 7). استخراج بیشترین دمای هر کاربری وضعیت دمایی را در هر کاربری مشخص می‌کند و با بررسی نتایج آن، درک بهتری از تأثیر تغییرات کاربری‌ها بر دمای سطح زمین خواهیم داشت. در این مطالعه پس از استخراج دمای سطح زمین بیشترین دمای هر کاربری طی دورة مطالعه‌شده مشخص شد که نتایج حاکی از روند افزایشی دما در کاربری‌های نواحی مسکونی، نواحی بایر و پوشش گیاهی طی دورة مطالعه‌شده است. همچنین براساس این نتایج، روند کاهشی پوشش گیاهی تأثیر مستقیمی بر افزایش دمای سطح در این کاربری داشته است؛ به طوری که با بررسی نتایج دمای سطح زمین مشخص می‌شود دمای این کاربری از سال 1989 تا 2018 حدود 93/7درجة سلسیوس بیشتر شده است.

تخریب پوشش گیاهی به افزایش دمای سطح زمین می‌انجامد؛ زیرا پوشش گیاهی به‌منزلة یکی از مهم‌ترین دلایل تعدیل دمای سطح زمین موجب می‌شود فرایند جذب دما در یک ناحیه صورت نگیرد و همین مسئله کاهش دمای سطح زمین را در پی دارد؛ اما چنانچه پوشش گیاهی از بین برود، فرایند بازتابش دما صورت نمی‌گیرد و همین مسئله در گذر زمان موجب افزایش دمای سطح زمین می‌شود. با بررسی بیشترین دما در کاربری پوشش گیاهی به وضوح دیده می‌شود در سال‌های اولیه (1989 و 1998) که پوشش گیاهی نسبت به سال‌های 2008 و 2018 وضعیت بهتری داشته، دمای سطح زمین در این کاربری کم بوده است؛ اما در گذر زمان با تخریب و کاهش پوشش گیاهی، دما روندی افزایشی را در این نواحی داشته است. همچنین نتایج دمای سطح زمین در کاربری‌های نواحی مسکونی و بایر طی دورة 29ساله به ترتیب 1/7 و 39/8 درجة سلسیوس روند افزایشی را نشان می‌دهد که این مطالب حاکی از تأثیر تغییرات این کاربری‌ها بر دمای سطح زمین است؛ به بیان ‌دیگر با بررسی بیشترین دما در این کاربری‌ها مشخص می‌شود روند افزایش دما ارتباط مستقیمی با رشد این نواحی داشته است؛ به طوری که در سال‌های اولیه (سال‌های 1989 و 1998) که مساحت نواحی بایر و مسکونی نسبت به سال‌های 2008 و 2018 کمتر بوده، دمای این نواحی نیز کم بوده است (شکل 5). با رشد نواحی شهری و ازبین‌رفتن پوشش گیاهی و درنتیجه افزایش مساحت نواحی بایر، دمای سطح زمین نیز طی دورة مطالعه‌شده روندی افزایشی را نشان می‌دهد. تبدیل چشم‌انداز طبیعی شامل آب، خاک و گیاه (عوامل تأثیرگذار بر تعدیل و کاهش دمای سطح زمین) به چشم‌انداز مصنوعی شامل سیمان، آسفالت، جاده، خیابان، سنگفرش، مواد شیمیایی و فلزات، بعضی تغییرات را در جذب، پخش و بازتابش انرژی خورشید ایجاد می‌کند و همزمان با رشد شهر موجب نگهداشت بیشتر دما و افزایش دمای سطح زمین در این نواحی می‌شود و ادامة این روند به ایجاد پدیدة جزایر حرارتی می‌انجامد.

 

 

شکل 5. بیشترین دما در طبقات کاربری‌ها (درجة سلسیوس)

   

شکل 6. نقشة دمای سطح زمین در دورة مطالعه‌شده

   

شکل 7. نقشة دمای سطح زمین در دورة مطالعه‌شده


بررسی زمانی مکانی دمای سطح زمین و جزایر حرارتی

بررسی زمانی - مکانی جزایر حرارتی، یکی از مهم‌ترین گام‌های اساسی در شناخت این نواحی است. در این مطالعه ارزیابی زمانی ـ مکانی جزایر حرارتی با استفاده از شاخص‌های UHII و UHIII انجام گرفت. همان‌طور که در شکل (8) دیده می‌شود، بیشترین دما در طبقة با پوشش گیاهی کم اتفاق افتاده و طبقات با پوشش زیاد، کمترین دما را در مقایسه با دو طبقة دیگر داشته است. این مسئله تأثیرات کاهش پوشش گیاهی را بر افزایش دمای سطح زمین نشان می‌دهد.

براساس نتایج به‌دست‌آمده از شاخص‌های UHII و UHIII، جزایر حرارتی طی دورة مطالعه‌شده در سال‌های 2008 و 2018 و در نواحی شمال شرق این شهرستان ایجاد شده است (شکل 9). پوشش گیاهی با توجه به نقش تعدیل‌کنندة خود تأثیر زیادی بر افزایش و کاهش دمای سطح زمین دارد و نتایج این مطالعه حاکی است در طبقات با پوشش گیاهی کم دمای سطح زمین زیاد بوده، اما در طبقات با پوشش گیاهی متراکم و زیاد، دمای سطح زمین کم بوده است.

از شاخص‌های UHII و UHIII در مطالعات فینگ و همکاران[13] (2014) و چن و ژانگ[14] (2017) استفاده و نتایج پذیرفته‌ای درزمینة پایش زمانی - مکانی دمای سطح زمین ارائه شده است؛ نتایج این مطالعات در راستای نتایج مطالعة حاضر بوده است.

تأثیر تغییرات کاربری اراضی بر دمای سطح زمین نیز در مطالعات احمدی و همکاران (1391)، درویشی و همکاران (1398)، رنگزن و همکاران (1389)، مورابیتو و همکاران (2016) و شی و همکاران (2017) همانند مطالعة حاضر نشان داده ‌شده است؛ زیرا مقایسة نتایج این مطالعات با مطالعة حاضر بیان‌کنندة تأثیر کاهش پوشش گیاهی و رشد نواحی مسکونی و بایر بر افزایش دمای سطح زمین است.

 

شکل 8. دمای طبقات پوشش گیاهی در دورة مطالعه‌شده

 

شکل 9. جزایر حرارتی طی دورة مطالعه‌شده

 

 

 

نتیجه‌گیری

در مطالعة حاضر تأثیر تغییرات کاربری اراضی بر دمای سطح زمین و در این زمینه پایش تغییرات کاربری اراضی در شهرستان سقز، روند کاهشی پوشش گیاهی و روند افزایشی کاربری‌های مسکونی و نواحی بایر نشان داده شد؛ این روند کاهشی از سال 1989 تا 2018 حدود 06/550 کیلومترمربع برای پوشش گیاهی و 43/38 و 02/514 کیلومترمربع به ترتیب برای کاربری‌های نواحی مسکونی و بایر بوده است. تغییرات کاهشی و افزایشی کاربری‌های استخراج‌شده موجب افزایش دمای سطح زمین طی دورة 29ساله شده است؛ به طوری که با بررسی بیشترین دمای هر کاربری مشخص می‌شود بیشترین دما در کاربری‌های پوشش گیاهی، نواحی مسکونی و بایر روی داده است؛ به طوری که دمای سطح زمین در کاربری پوشش گیاهی از سال 1989 تا 2018 حدود 93/7 درجة سلسیوس بیشتر شده است. همچنین نتایج دمای سطح زمین در کاربری‌های نواحی مسکونی و بایر طی دورة 29ساله به ترتیب 1/7 و 39/8 درجة سلسیوس، روند افزایشی را نشان می‌دهد. برای پایش زمانی - مکانی دمای سطح زمین و جزایر حرارتی از شاخص‌های NDVI، UHII، UHIII و مقادیر دمای سطح زمین استفاده شد. نتایج حاکی از دمای زیاد در طبقات با پوشش گیاهی کم است. این مقادیر برای سال‌های 1989، 1998، 2008 و 2018 به ترتیب 33/37، 63/40، 87/44 و 50/43 درجة سلسیوس بوده که نسبت به دو طبقة با پوشش گیاهی متوسط و زیاد، زیاد بوده است. همچنین برمبنای نتایج شاخص‌های UHII و UHIII پدیدة جزایر حرارتی در نواحی شمال شرق شهرستان سقز در سال‌های 2008 و 2018 روی داده است. به‌طور کلی نتایج این مطالعه نشان‌دهندة تأثیرات مستقیم تغییرات کاربری‌ها بر افزایش دمای سطح زمین است.

در مطالعات مرتبط استفاده از شاخص‌های UHII و UHIII برای بررسی زمانی - مکانی جزایر حرارتی و مشخص‌کردن این نواحی توصیه می‌شود و این نتایج می‌تواند در بسیاری از برنامه‌های رشد و توسعة مناطق شهری برای برنامه‌ریزی درست به‌منظور رشد این نواحی به کار رود.



[1] Zhang et al

[2] Beijing

[3] Normalized Difference Vegetation Index

[4] Guo et al

[5] Morabito et al

[6] Shi et al

[7] Wang et al

[8] Yangon

[9] Pearl

[10] Urban heat island intensity

[11] Urban heat Island Intensity Index

[12] Brightness temperature

[13] Feng et al

[14] Chen & zhang

منابع
احمدی، محمود، عاشورلو، داوود، نارنگی‌فرد، مهدی، (1391). تغییرات زمانی - مکانی الگوهای حرارتی و کاربری شهر شیراز با استفاده از داده‌های سنجندة TM&ETM+، نشریة سنجش از دور و GIS ایران، دورة 3، شمارة 4، 55- 68.
انتظاری، علیرضا، امیراحمدی، ابوالقاسم، علی‌آبادی، کاظم، خسرویان، مریم، ابراهیمی، مجید، (1395). پایش دمای سطح زمین و ارزیابی روند تغییرات کاربری اراضی (مطالعة موردی: حوضة آبریز دریاچة پریشان)، نشریة هیدروژئومورفولوژی، دورة 2، شمارة 8، 113- 139.
پیرنظر، مجتبی، زندکریمی، آرش، (1394). راهنمای کاربردی نرم‌افزار ENVI و پردازش تصاویر ماهواره‌ای، جلد 1، چاپ اول، تهران، انتشارات ناقوس.
درویشی، شادمان، رشیدپور، مصطفی، سلیمانی، کریم، (1398). بررسی ارتباط تغییرات کاربری اراضی با دمای سطح زمین با استفاده از تصاویر ماهواره‌ای (مطالعة موردی: شهرستان مریوان)، نشریة جغرافیا و توسعه، دورة 17، شمارة 54، 143- 162.
رسولی، علی‌اکبر، (۱۳۸۷). مبانی سنجش از دور کاربری (با تأکید بر پردازش تصاویر ماهواره‌ای)، جلد 3، چاپ اول، تبریز، انتشارات دانشگاه تبریز.
رمضانی، بهمن، دخت‌محمد، سید مریم، (۱۳۸۹). شناخت محدودة مکانی تشکیل جزیرة گرمایی در شهر رشت، مجلة پژوهش و برنامه‌ریزی شهری، دورة 1، شمارة 1، 49- 64.
رنگزن، کاظم، فیروزی، محمدعلی، تقی‌زاده، ایوب، مهدی‌زاده، رامین، (1390). تهیة نقشة LST با استفاده از تصاویر ماهواره‌ای (نمونة موردی: شهر اهواز)،اولین سمینار ملی کاربرد GIS در برنامه‌ریزی اقتصادی، اجتماعی و شهری، 1-21.
شکیبا، علیرضا، ضیاییان فیروزآبادی، پرویز، عاشورلو، داوود، نامداری، سودابه، (1388). تحلیل رابطة کاربری و پوشش اراضی و جزایر حرارتی شهر تهران با استفاده از داده‌های ETM+، نشریة سنجش از دور و GIS ایران، دورة 1، شمارة 1، 39- 56.
شمس، مجید، قمری، مصطفی، عبودی، ادریس، محمدی، کاوه، (1390). بررسی مهاجرت‌های روستایی و تأثیر آن بر مورفولوژی شهری (نمونة موردی: شهر سقز)، فصلنامة برنامه‌ریزی منطقه‌ای، دورة 1، شمارة 3، 57- 68.
علوی‌پناه، سید کاظم، متین‌فر، حمیدرضا، رفیعی‌امام، عمار، (۱۳87). کاربرد فناوری اطلاعات در علوم زمین (خاک‌شناسی رقومی)، جلد 2، چاپ اول، تهران، انتشارات دانشگاه تهران.
فیضی‌زاده، بختیار، دیده‌بان، خلیل، غلام‌نیا، خلیل، (1394). برآورد دمای سطح زمین با استفاده از تصاویر ماهوارة لندست 8 و الگوریتم پنجرة مجزا (حوضة آبریز مهاباد)، فصلنامة اطلاعات جغرافیایی (سپهر)، دورة 25، شمارة 98، 171- 181.
کیانی، واحد، علیزادة شعبانی، افشین، نظری سامانی، علی‌اکبر، (1393). ارزیابی صحت طبقه‌بندی تصویر ماهوارة IRS-P6 با استفاده از پایگاه اطلاعاتی Google Earth به‌منظور تهیة نقشة پوشش/کاربری اراضی (مطالعة موردی: حوضة آبخیز طالقان)، فصلنامة اطلاعات جغرافیایی (سپهر)، دورة 23، شمارة 90، 51- 59.
مرکز آمار ایران، (1395). سرشماری عمومی نفوس و مسکن، https://www.amar.org.ir، (تاریخ مراجعه: 2/7/1397).
مزیدی، احمد، حسینی، فاطمه السادات، (1394). تأثیر تغییر کاربری و پوشش زمین بر جزیرة گرمایی در منطقة شهری یزد با استفاده از داده‌های سنجش از دور، جغرافیا و توسعه، دورة 13، شمارة 38، 1- 12.
موحد، علی، مصطفوی‌صاحب، سوران، احمدی، مظهر، (1393). تبیین الگوی گسترش فضایی- کالبدی شهر سقز با رویکرد فرم شهری پایدار، فصلنامة مطالعات برنامه‌ریزی شهری، دورة 2، شمارة 5، 55- 75.
نادی‌زادة شورابه، سامان، حمزه، سعید، کیاورز، مجید، افشاری‌پور، سید کاظم، (1397). بررسی تغییرات زمانی - مکانی کاربری اراضی، گسترش شهری و تأثیر آن بر تغییرات دمای سطح زمین (مطالعة موردی: شهر گرگان)، نشریة پژوهش‌های جغرافیای برنامه‌ریزی شهری، دورة 6، شمارة 3، 545- 568.
هاشمی دره‌بادامی، سیروس، خزایی، علی، علوی‌پناه، سید کاظم، (1394). بررسی تأثیر بام‌های انعکاسی در کاهش اثر جزیرة حرارتی شهری با استفاده از تصاویر ماهواره‌ای، نشریة مطالعات و پژوهش‌های شهری و منطقه‌ای، دورة 7، شمارة 25، 1- 18.
هاشمی، سید محمود، علوی‌پناه، سید کاظم، دیناروندی، مرتضی، (۱۳۹۱). ارزیابی توزیع مکانی دمای سطح زمین در محیط زیست شهری با کاربرد سنجش از دور حرارتی، مجلة محیط‌شناسی، دورة 39، شمارة 1، 81- 91.
Amiri, R., Weng, Q., Alimohammadi, A., 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, Vol 113 (12,( Pp 2606-2617.
Artis, D.A., Carnahan, W., (1982). Survey of emissivity variability in thermography of urban areas, Remote Sensing of Environment, Vol 12 (4), Pp 313–329.
Bastiaanssen, W.G.M., Menenti, M., Feddes, R.A., Holtslag, A.A., (1998). A remote sensing surface energy balance algorithm for land (SEBAL), 1. Formulation, Journal of Hydrology, Vol (12), Pp 198-212.
Chen, X., Zhao, H., Li, P., Yin, Z., (2006). Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes, Remote Sensing of Environment, Vol 104 (2), Pp 133-146.
Chen, Q.J., Ren, Z., Li, C., (2009). Urban Heat Island Effect Research in Chengdu City Based on MODIS Data, In Proceedings of 3rd International Conference on Bioinformatics and Biomedical Engineering, Beijing, China, 14 July, publisher IEEE, 1-5 p.
Chen, X., Zhang, Y., (2017). Impacts of urban surface characteristics on spatiotemporal pattern of land surface temperature in Kunming of China, Sustainable Cities and Society, Vol 32 (6), Pp 87-99.
Feng, H.H., Zhao, X.F., Chen, F., Wu. L.C., (2014). Using land use change trajectories to quantify the effects of urbanization on urban heat island, Advances in Space Research, Vol 53(3), Pp 463-473.
Guo, G., Wu, Z., Xiao, R., Chen, Y., Liu, X., Zhang, X., (2015). Impacts of urban biophysical composition on land surface temperature in urban heat island clusters, Landscape and Urban Planning, Vol 135 (3), Pp 1–10.
Liu, L., Zhang ,Y., (2011). urban heat island analysis using the Landsat TM data and Aster data: A case study in Hong Kong, Remote Sensing, Vol 3 (7), Pp 1535-1552.
Malarvizhi, K., Vasantha Kuma, S. Porchelvan, P., (2016). use of High Resolution Google Earth Satellite Imagery in Landuse Map Preparation for Urban Related Applications, Procedia Technology, Vol 24, Pp 1835 – 1842.
Mather, P., (2001). Classification methods for remotely sensed Data, Taylor & Francis publisher, First Edition, 352 p.
Megahed, Y., Cabral, P., Silva, J., Caetano, M., (2015). Land Cover Mapping Analysis and Urban Growth Modelling Using Remote Sensing Techniques in Greater Cairo Region-Egypt, International Journal of Geo-Information, Vol 4 (3), Pp 1750-1769.
Morabito, M., Crisci, A., Messeri, A., Orlandini, S., Raschi, A., Maracchi, G., Munafò, M., (2016). The impact of built up surfaces on land surface temperatures in Italian urban areas, Science of the Total Environment, Vol 551-552 (5), Pp 317-326.
Rwanga, S., Ndambuki, J.M., (2017). accuracy Assessment of Land Use/Land Cover Classification Using Remote Sensing and GIS, International Journal of Geosciences, Vol 8 (4), Pp 611-622.
Shi, Y., Katzschner, L., Ng, E., (2017). Modelling the fine-scale spatiotemporal pattern of urban heat island effect using land use regression approach in a megacity, Science of the Total Environment, Vol 618 (15), Pp 891-904.
Smits, P.C., Dellepiane, S.G., Schowengerdt, R.A., (1999). Quality assessment of image classification algorithms for land-cover mapping: a review and a proposal for a cost-based approach, International Journal of Remote Sensing, Vol 20 (8), Pp 1461-1486.
Sobrino, J.A., Jiménez- Munoz, J.C., Paolinib, L., (2004). Land surface temperature retrieval from Landsat TM, Remote Sensing of Environment, Vol 90 (4), Pp 434-440.
Tilahun, A., Teferie, B., (2015). accuracy Assessment of Land Use Land Cover Classification using Google Earth, American Journal of Environmental Protection, Vol 4 (4), Pp 193-198.
Tilahun, A., Islam, Z., (2015). Google Earth for land use land cover change detection in the case of gish abbay sekela, west Gojjam, Amhara State, Ethiopia, International Journal of Advancement in Remote Sensing, GIS and Geography, Vol 3 (2), Pp 80-87.
Wang, R., Cai, M, Ren, Ch., Bechtel, B., Xu, Y., Ng, E., (2019). Detecting multi-temporal land cover change and land surface temperature in Pearl River Delta by adopting local climate zone, Urban Climate, Vol 28, Pp 1-16.
Wang, Y., Ch., B., Hu., S.W., Myint., Ch., Feng., Ch., Chow, W.T.L., Passy, P.F., (2018). Patterns of land change and their potential impacts on land surface temperature change in Yangon, Myanmar, Science of The Total Environment, Vol 643, Pp 738-750.
Wibowo, A., Osman Salleh, Kh., Sitanala Frans, F.R., Mulyo Semedi, J., (2016). Spatial Temporal Land Use Change Detection Using Google Earth Data, 2nd International Conference of Indonesian Society for Remote Sensing, IOP Conf. Series: Earth and Environmental Science, Vol 47 (1), Pp 1-11.
Zhang, X.X., Wu, P.F., Chen, B., (2010). Relationship between vegetation greenness and urban heat island effect in Beijing City of China, Procedia Environmental Sciences, Vol 2, Pp 1438–1450.