سنجش میزان خودهمبستگی فضایی دمای سطح زمین با کاربری اراضی نمونۀ مطالعه: شهر اصفهان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه سنجش از دور و GIS، دانشگاه حکیم سبزواری، سبزوار، ایران

2 استادیار گروه برنامه ریزی شهری و روستایی، دانشگاه حکیم سبزواری، سبزوار، ایران

3 کارشناسی ارشد گروه اقلیم شناسی و ژئومورفولوژی ، دانشگاه حکیم سبزواری، سبزوار، ایران

چکیده

جزایر حرارتی شهری و ضریب گسیل سطحْ شاخص‌های مهمی در مطالعۀ مدل‌های تعادل انرژی در سطح زمین و بررسی فعل‌وانفعالات سطح زمین در مقیاس منطقه‌ای و جهانی هستند. در این مقاله، اثر جزیرۀ گرمایی شهری با استفاده از داده‌های ماهوارۀ لندست سنجندۀ OLI سال 2019 شهر اصفهان تجزیه و تحلیل شد. تصاویر انتخاب‌شده، طول موج 11٫30-10٫30 میکرومتر و تفکیک مکانی 100 متر و باند حرارتی 10 دارند. دمای سطح زمین (LST) و NDVI در گوگل‌ارث انجین برای تابستان سال 2019 محاسبه شد. هدف پژوهش حاضر ارزیابی خودهمبستگی فضایی جزایر حرارتی و ارتباط آن با کاربری اراضی شهر اصفهان است. برای استخراج کاربری اراضی، از روش طبقه‌بندی نظارت‌شده و الگوریتم حداکثر مشابهت استفاده شد. همچنین برای مشخص شدن الگوی پراکندگی، شاخص میانگین نزدیک‌ترین همسایگی به‌کار رفت. نتایج نشان داد که خوشه‌بندی در دمای سطح زمین با سطح اطمینان بیش از 99 درصد وجود داشته‌است. رابطۀ میان جزایر حرارتی با کاربری‌های ساخته‌شده و بایرْ مستقیم و افزایشی، و ارتباط آن با کاربری‌های پوشش گیاهی و آبْ معکوس است. مناطق 4، 5، 6 و 12 بیشترین میزان دما و مناطق 1، 2 و 3 کمترین میزان دما را داشته‌اند. همچنین نتایج حاصل از لکه‌های داغ و سرد نشان داد که لکه‌های سرد در مناطق مرکزی و لکه‌های داغ در مناطق جنوب شرقی قرار دارند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Measuring the Degree of Spatial Autocorrelation of Land Surface Temperature with Land Use (Isfahan City)

نویسندگان [English]

  • Rahman Zandi 1
  • Mohammad Salmani Moghadam 2
  • , Zohra Roki 3
1 Assistant professor of Remote Sensing and GIS Department, Hakim Sabzevari University.
2 Assistant professor of the Department of Geography and Urban Planning, Hakim Sabzevari University
3 Master of Hydrology and Meteorology, Hakim Sabzevari University
چکیده [English]

Extended abstract:
Urban Heat Island (UHI) is an important factor for heat change and balance in global studies and is considered as a proxy for climate change. Studying this phenomenon and investigating its mechanism are very important in urban planning. During the last two decades, the great need for earth surface temperature information for environmental studies and land resource management activities has turned earth surface temperature remote sensing into one of the most important scientific issues (Sobrino et al., 2004). In a research, Hay et al. (2018) studied the effect of the topographical factor on LST in mountainous areas. The results of their research showed that there was a high correlation between topography parameters and surface temperature. For the area studied in this research, the relationship between LST and altitude was inversely linear. Tran et al. (2017) used Landsat 5,7,8 in order to determine the relationship between land cover change and land surface temperature of the inner city of Hanoi (plain and flat area). The results revealed that: a) LST depends on the non-linear method of LULC types; b) Foci analysis by using the Getis Ord Gi* statistic allows analysis of LST pattern change over time; c) UHI is affected from both the urban perspective and type of urban development; d) investigation of LST pattern prediction and UHI effect can be done by the proposed model by using nonlinear regression and simulated LULC change scenarios. In a research in a city of China, the harmful effects of land cover and land use changes on the Earth's surface temperature were investigated through vegetation indicators based on three image sensors of TM and ETM+. For this purpose, the researchers obtained the Temperature Vegetation Index (TVX) from the images. Their results showed that land use change is an important factor for increasing the Earth's surface temperature. It also showed high temperature in areas with scattered vegetation and low temperature in areas with dense vegetation. It has been used in the statistical period of 2013-2015 in the city of Isfahan as well. The results of this research showed that there was a sharp thermal gradient due to the presence of Urban Cold Islands (UCI) between the center and suburbs. The largest UCI was identified in Region 6 (Ahmadi et al., 2016).
Keywords: Land Surface Temperature (LST), Normalized Difference Vegetation Index (NDVI), spatial statistics, Isfahan City
 
Assumptions
It seemed that the growth and development of the city had increased the number of heat islands.
It seemed that the heat islands had spread from the surroundings towards the city center in the investigated time period.
 
General purpose
Measuring the degree of spatial autocorrelation between land surface temperature and land use
Sub-goals:
Survey of land use in the summer of 2019
Spatial survey of thermal penalty in the summer of 2019
 
Research method:
In this research, 6 images obtained from Landsat 8 satellite were used Isfahan city in the summer of 2019. Landsat has two sensors; one is called Operational Land Imager (OLI) for Earth observation and the other is Thermal Infra-Red Sensor (TIRS) thermal observation. These two sensors form 11 bands together. The selected images had the wavelengths of 10.30-11.30 µm, spatial resolution of 100 m, and thermal band of 10. The pictures were taken in the warm season when we had the least amount of cloud cover. To prepare the data, atmospheric and geometric corrections on satellite data were used from the digital height data. Then, the Land Surface Temperature (LST) and Normalized Difference Vegetation Index (NDVI) were calculated by using Google Earth Engine and radiometric corrections were implemented on the data.
 
Results and conclusion:
This research paid attention to changes in the spatial autocorrelation pattern of surface temperature and its relationship with land use. For this purpose, hot spot index and nearest neighbor average were used. ArcGIS was used to apply the methods. The results of the nearest neighborhood average index showed that Isfahan had some changes in the spatial correlation of ground surface temperature with a high confidence level and the dispersion was clustered at the 99% confidence level. Based on the patterns of hot spots in Regions 5 and 6, which were located in the south of the region, it played a significant role in the formation and creation of thermal islands with 99% hot clusters. There were areas of negative spatial autocorrelation (99% cold clustering areas) in the center of Isfahan city where Regions 1 and 3 existed due to the presence of water use (33 bridges) and thus, a significant part of Isfahan city lacked a statistically significant pattern. The results showed that the areas with vegetation and water use weakened the heat island effect and the areas, in which the built regions were expanded accelerated the heat island effect. In the planning and development of the city, more attention should be paid to greening the city of Amar. Spatial statistics studies can lead to a suitable and new model for the officials, politicians, and urban planners to use in the future.
 
References
- Clark, w.a.v & Hosking, p.l (1986). Statistical Methods for geographers, John Wiley, (32)2, 65-68.
- Guo, A.Yang J,Sun W,Xiao X (2020). Impact of urban morphology and landscape characteristics on spatiotemporal heterogeneity of land surface temperature. Sustainable Cities and Society, 63, 1024-1043.
- Irons,J. DwyerJ.BarsiJ.(2012). The next Landsat satellite: The Landsat Data Continuity ission. Remote Sens. Environ, (122)4, 11–21.
- Jeganathan A. Andimuthu,R; Prasannavenkatesh, R; Kumar, Divya S. .(2016). Spatial Variation of Temperature and Indicative of the Urban Heat Island in Chennai Metropolitan Area, India, Theoretical and Applied Climatology, (123)1,  83-95.
- Jiang, J., & Tian, G. (2010). Analysis of the impact of land use/land cover change on land surface temperature with remote sensing. Procardia environmental sciences, (2)3, 571-575.
- Karakuş, C. B. (2019). The impact of land use/land cover (LULC) changes on land surface temperature in Sivas City Center and its surroundings and assessment of Urban Heat Island. Asia-Pacific Journal of Atmospheric Sciences, 55(4), 669-684.
- Kashki, A. Karami M.Zandi R. Roki Z (2021). Evaluation of the effect of geographical parameters on the formation of the land surface temperature by applying OLS and GWR, A case study Shiraz City, Iran. Urban Climate, 37, 100832.‏
- Lee, J., & Wong, D. W. (2001). Statistical analysis with ArcView GIS. John Wiley &Sons.
- Macintyre, H. Heaviside, C. Taylor, J.  Picettial R. (2018). Assessing urban population vulnerability and environmental risks across an urban area during heat waves – implications for health protection. Sci. Total Environ, (37)2, 610-611.
- Miss, F. M. (2020). Analyzing spatial variations of relationships between Land Surface Temperature and some remotely sensed indices in different land uses. Remote Sensing Applications: Society and Environment, (19)4, 1003-1059.
- Ning, W.ZhaoL.Tang. (2010). Retrieval of atmospheric and land surface parameters from satellite-based Thermal Infrared hyper spectral data using a neural network technique”]. International Journal of Remote Sensing, (34) 9, 3485-3502.
- Rozenstein, O.Zhihao Qin.Yevgeny Derimian. Arnon Karnieli (2014). Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm. Sensors, 14(4), 5768-5780.‏
- Santamouris, M. (2013). Using cool pavements as a mitigation strategy to fight urban heat island—A review of the actual developments. Renewable and Sustainable Energy Reviews, 26, 224-240.
- Shetty MA., & Somashekar, R.K. (2014). Assessment of Vegetation cover through NDVI, Bangalore India. J Appl Res, 4(3), 176-197.
- Siqi, J., & Yuhong, W. (2020). Effects of land use and land cover pattern on urban temperature variations: A case study in Hong Kong. Urban Climate, (34)4, 236-249.
- Sobrino, J. Jiménez-Muñoz J.Paolini L . (2004). Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of environment, 90(4), 434-440.‏
- Suresh, S. AjaySuresh A .Mani. K. (2016). Estimation of land surface temperature of high range mountain landscape of Devikulan Taluk using Landsat 8 data. International Journal of Research in Engineering and Technology. 5(1), 321-338.
- Tan, J. De Yu, Qiang Li, Xuelan Tan & Weijun Zhou. (2020). Spatial relationship between land-use/land-cover change and land surface temperature in the Dongting Lake area, China. Scientific Reports, 10(1), 1-9.
- Thomas,R.W and Hug get,R. J(1980). Modeling in Geography, a mathematical approach, Harper and Row, Publisher, London.
- Tran, D. X. Pla, F.Latorre-Carmona, PedroMyint, S, M .Kieu, H.(2017). Characterizing the relationship between land use land cover change and land surface temperature. ISPRS Journal of Photogrammetry and Remote Sensing, 124, 119-132.‏
- Wan, Z. (1999). MODIS land-surface temperature algorithm theoretical basis document (LST ATBD). Institute for Computational Earth System Science, Santa Barbara, 75, 18.‏
- Wan, Z. Zhanga Y , Q Zhanga Q , Zhao-liang Li a. (2002), Validation of the land-surface temperature products retrieved from Terra Moderate Resolution Imaging Spector radiometer data. Remote Sensing of Environment, 83(1), 163-180.
- Zhao, He. Li A, Wen F & Yu D. (2018). The impact of the terrain effect on land surface temperature variation based on Landsat-8 observations in mountainous areas, International Journal of Remote Sensing, (13)3, 1-20.
- Zhao,Li, Z. et. al. (2010). Investigating spatial non-stationary and scale-dependent relationships between urban surface temperature and environmental factors using geographically weighted regression. Environmental Modelling & Software, (25)3, 1789- 1800.
- Yuan, F., and Bauer, M. E. (2011). 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.‏
- Yue, W., and Xu, L. (2013). Thermal environment effect of urban water landscape. Shengtai Xuebao/Acta Ecologica Sinica33(6), 1852-1859.‏
- Zhou, G. Huang, and M. L. Cadenasso,.(2011). Does spatial configuration matter? Understanding the effects of land cover pattern on land surface temperature in urban landscapes, Landscape and Urban Planning.(102), 54-63.
- Zhu, CIdemudia C. Fengb W.(2019). Improved logistic regression model for diabetes prediction by integrating PCA and K-means techniques. Informatics in Medicine Unlocked17, 100179.‏
- Zullo, F. Fazio, G. ;  Romano, B. ;  Marucci, A. ;  Fiorini, L..(2019). Effects of urban growth spatial pattern (UGSP) on the land surface temperature (LST): A study in the Po Valley (Italy). Science of the Total Environment650, 1740-1751.‏                                        
 
Figures and Tables
- Fig. 1: Map of the study area (Source: authors, 1400)
- Fig. 2: Steps to examine the changes through Landsat satellite imagery
- Fig. 4: Land use map of Isfahan City in 2019 (Source: writers, 2021)
- Table 2: Areas of landuse per square kilometer in 2019 (Source: authors, 2021)
- Table 3: Minimum, average, and maximum changes of ground surface temperature in land use (Source: authors, 2021)
- Fig. 5: Spatial autocorrelation of surface temperature (Source: authors, 2021)
- Fig. 6: Clustering of hot and cold spots (Source: authors, 2021)
- Fig. 7: Charts of land use share in hot and cold spots (Source: authors, 2021)

کلیدواژه‌ها [English]

  • Land Surface Temperature (LST)
  • Normalized Difference Vegetation Index (NDVI)
  • spatial statistics
  • Isfahan City

مقدمه

در سال‌های اخیر، آب‌وهوا و محیط‌زیست جهانی دچار تغییرات شدیدی شده‌است. گسترش صنعت و استفاده از سوخت‌های فسیلی به‌منظور تولید انرژی موردنیاز موجب افزایش گازهای گلخانه‌ای مانند CO و به‌ویژه 2N2O، CH4 و CFC شده‌است. افزایش گازهای جاذب گرما در جوّ زمین به افزایش دمای سطح زمین منجر خواهد شد. بنابراین بررسی دمای سطح شهرها و مناطق اطراف آنها ضروری است (Santamouris, 2013; Yue and Xu, 2013; Macintyre et al., 2018).

مطالعات زیادی در مناطق مختلف دنیا در این زمینه انجام شده‌است، ازجمله:

Sobrino et al. (2004) در پژوهشی دریافتند که جزایر حرارتی شهری (UHI)[1] عاملی مهم در مطالعات جهانی و تغییر و تعادل گرماست و نماینده‌ای برای تغییرات آب‌وهوایی به‌شمار می‌رود. برمبنای این پژوهش، مطالعۀ این پدیده و بررسی سازوکار آن در برنامه‌ریزی‌های شهری اهمیت بسیار زیادی دارد.

Wan et al. (2002) در پژوهشی به این نتیجه رسیدند که جزایر حرارتی یک متغیر کلیدی در تجزیه و تحلیل و مدل‌سازی بیلان انرژی سطح، رطوبت سطحی و تبخیر و تعرق و مطالعات تغییر اقلیم در مقیاس‌های گوناگون است.

برمبنای پژوهش Irons et al. (2012) دمای سطح زمین و ضریب گسیل سطحْ شاخص‌های مهمی در مطالعۀ مدل‌های تعادل انرژی در سطح زمین و بررسی فعل‌وانفعالات سطح زمین در مقیاس منطقه‌ای و جهانی‌اند.

Wan (1999) در مطالعه‌ای بیان کرد که ضریب گسیل سطحْ پارامتری است که ویژگی‌های حرارتی یک جسم را توصیف می‌کند و از ویژگی‌های ذاتی جسم به‌شمار می‌رود. برمبنای نتایج این پژوهش، دقت تعیین دمای سطح زمین به دقت تعیین این پارامتر وابسته است. اطلاعات به‌دست‌آمده از دمای سطح زمین می‌تواند در زمینۀ مطالعۀ پدیده‌های گوناگون ازجمله تجزیه و تحلیل جزایر حرارتی شهر، تشخیص آنومالی‌های حرارتی[2] مربوط به زلزله، شناسایی منابع زمین‌گرمایی، پایش خشکسالی و آتش‌سوزی سودمند باشد.

براساس پژوهش Yan and baur (2011) نوع سازه، پوشش سطح زمین، ترافیک، ازدحام جمعیت و فعالیت‌های صنعتی به شکل‌گیری جزایر حرارتی شهری منجر می‌شود. مستقر شدن پوشش زمین با سنگفرش، سازه‌ها، آسفالت و دیگر ساخت‌وسازهای شهری آثار سردشدگی ابعاد طبیعی را از بین می‌برد. جزایر حرارتی با تغییر الگوی بادهای محلی، تقویت رشد ابرها و مه، افزایش تعداد رعدوبرق و ... به‌طور مستقیم و غیرمستقیم بر سلامت و آسایش ساکنان شهری اثر می‌گذارد. آثار نامطلوب این پدیده تخریب محیط‌زیست، افزایش مصرف، افزایش مقدار ازن سطح زمین و حتی افزایش میزان مرگ‌ومیر است.

Kashki et al. (2021) پژوهشی را با هدف ارزیابی نقش پارامترهای جغرافیایی بر شکل‌گیری دمای سطح زمین در شهر شیراز انجام دادند. چهار مؤلفۀ مهم و معنادار که ارزش ویژۀ بیش از یک داشتند و حدود 86٫75 درصد واریانس متغیرهای اولیه انتخاب شدند. این چهار مؤلفه به ترتیب اهمیت، شامل تابش‌ها (مستقیم، غیرمستقیم و کلی)، جهت شیب و فاصله از رودخانه، پوشش گیاهی و میزان شیب است. در گام بعدی، ارتباط بین مؤلفه‌ها و دمای سطح زمین با استفاده از مدل‌های OLS و GWR برقرار شد. نتایج نشان داد که مدل GWR کارایی بهتری در نمایش توزیع مکانی دمای سطح زمین در شیراز دارد. جزایرحرارتی شهر شیراز بر محدودۀ فرودگاه و مناطق خاکی و بایر پیرامون شهر منطبق است که اغلب مناطقی با کاربری غیرمسکونی‌اند.

Guo et al. (2020) مطالعه‌ای با هدف کشف ویژگی‌های مکانی و زمانی عوامل تأثیرگذار بر LST چندزمانه با داده‌های چندزمانه و روش تجزیه و تحلیل مکانی در منطقۀ دالیان چین انجام دادند. نتایج نشان داد که دمای سطح زمین در این منطقه به‌تدریج با میانگین 0٫55 درجۀ سانتی‌گراد افزایش می‌یابد. همچنین همبستگی قوی و مثبتی میان توزیع مکانی LSTs وجود دارد و درجۀ برازش میان LST و عوامل گوناگون در مدل رگرسیون وزن جغرافیایی (GWR) بهتر از رویکرد حداقل مربعات معمولی است. به‌علاوه، از توزیع مکانی Local-R2 می‌توان دریافت که با گسترش فضای شهری، تأثیر مناطق شهری بر LST افزایش می‌یابد.

Siqi and Yuhong (2020) در پژوهشی به‌منظور مطالعۀ الگوهای دمای سطح زمین و کاربری اراضی در هنگ‌کنگ و تغییرات فصلی، از تصاویر ماهواره‌ای و داده‌های جغرافیایی و اقلیمی استفاده کردند. نتایج نشان داد که LST تحت تأثیر انواع کاربری اراضی و پوشش گیاهی است. مدل حداقل مربعات (OLS) نشان داد که LST با شاخص NDBI و NDBal رابطۀ مثبت دارد، اما با شاخص NDVI و NDWI، ارتفاع و سرعت باد رابطۀ منفی دارد. همچنین مدل رگرسیون وزن جغرافیایی (GWR) نشان داد که LST با NDWI و ارتفاع رابطۀ منفی دارد. اندازۀ تأثیر شاخص‌ها با فصل متفاوت است.

Tan et al. (2020) به‌منظور بررسی رابطۀ دمای سطح زمین با انواع کاربری اراضی در منطقۀ دریاچۀ Donating، از تصاویر لندست 7 استفاده کردند. نتایج نشان داد که LST از نوع سطح تأثیر می‌پذیرد. زمین‌های ساحلی، جنگلی و مزارع شالیزار نسبت‌به مناطق آبی، سواحل گلی، مرداب‌ها و جنگل‌های ساحلی مقدار LST بیشتری داشتند. LST زمستانه در منطقه تقریباً 5/3 درجۀ سانتی‌گراد افزایش داشت که ممکن است به کاهش سطح آب دریاچۀ Donating مربوط باشد. همبستگی منفی بین NDMI و LST قوی و پایدار است و بیشترین تأثیر را بر LST دارد.

در پژوهش (2019) Karakuş، به‌منظور بررسی رابطۀ میان NDVI، LULC و LST در مرکز شهر سیواس و اطراف آن، تصاویر ماهواره‌ای لندست در یک دورۀ 26ساله (2015‑1989) بررسی شد و شدت UHI نیز به‌دست آمد. نتایج نشان داد که طی این دوره، مناطق شهری و زمین‌های کشاورزی افزایش یافته‌اند، در حالی که زمین‌های بایر کاهش یافته‌است. اراضی شهری و اراضی لخت بیشترین مقدار LST را داشته‌اند و دمای سطح ساختمان‌های شهری روند نوسانی داشته‌است، در حالی که دمای مناطق روستایی روند کاهشی داشته‌است. شدت مثبت UHI مشاهده، و همچنین تشکیل جزایر گرمایی شهری مشخص شد.

در پژوهش Zullo et al. (2019)، با هدف بررسی رابطۀ میان تغییرات دمای سطح زمین (LST) و افزایش مناطق شهری طی یک دورۀ آماری 2001‑2011 در درۀ پو (Po)، از الگوهای مختلف رشد شهری (UGSP) استفاده شد. نتایج نشان داد که یک دامنۀ کاهش LST (در هر شرایطی) با افزایش تدریجی مناطق شهری همراه است. علاوه بر این، الگوهای خوشه‌ای رشد شهری ازنظر آماری رابطۀ معناداری با روز، شب و شرایط روزانه دارند، در حالی که الگوی پراکندۀ رشد شهری فقط با شب شباهت دارد.

در پژوهشی Zhou et al. (2018) تأثیر عامل توپوگرافی ارتفاع بر LST را در مناطق کوهستانی بررسی کردند. نتایج نشان داد که میان پارامترهای توپوگرافی و دمای سطح ارتباطی با همبستگی زیاد وجود دارد. برای منطقۀ مدنظر در این پژوهش، ارتباط میان LST و ارتفاعْ ارتباط خطی معکوس بود.

Tran et al. (2017) به‌منظور مشخص کردن رابطۀ میان تغییر پوشش زمین و دمای سطح زمین منطقۀ درون‌شهری هانوی (منطقۀ دشتی و مسطح) از لندست 5، 7 و 8 استفاده کردند. نتایج نشان داد که LST به روش غیرخطی انواع LULC بستگی دارد، تجزیه و تحلیل کانون با استفاده از آمار Getis Ord Gi * امکان تجزیه و تحلیل تغییر الگوی LST را در طول زمان فراهم می‌کند، UHI هم از منظر شهری و هم از نوع توسعۀ شهری تأثیر پذیرفته‌است و پیش‌بینی الگوی LST و بررسی اثر UHI می‌تواند با مدل پیشنهادی با استفاده از رگرسیون غیرخطی و سناریوهای تغییر LULC شبیه‌سازی‌شده انجام شود.

Suresh et al. (2016) برای برآورد دمای سطح زمین در منطقه‌ای در هند از تصاویر سنجندۀ TM ماهوارۀ لندست 5 و سنجندۀ ETM ماهوارۀ لندست 7 سال‌های 1990، 2001 و 2010 استفاده کردند. آنها دریافتند که متوسط دما با روند ثابتی در حال افزایش است.

Jeganathan et al. (2016) طی پژوهشی در شهر چین به این نتیجه دست یافتند که شاخص دمای سطح زمین همبستگی مناسبی با متغیرهای اقلیمی نظیر دما، بارش، تعرق و تبخیر در گسترۀ وسیعی از شرایط محیطی دارد. همچنین ارتباط مستقیمی میان دمای سطح زمین و پوشش گیاهی موجود در یک محیط شهری وجود دارد.

Zhou et al. (2011) در پژوهش دیگری از طریق تحلیل‌های همبستگی و رگرسیون خطی چندگانه، تأثیر پوشش اراضی بر دمای سطح زمین شهر بالتیمور ایالات متحده را بررسی کردند. در این پژوهش، به مثبت بودن ضرایب رگرسیون مربوط به درصد پوشش ساختمان‌ها و پیاده‌روها در  LSTبه معنی تأثیر مثبت بر افزایش دمای سطح زمین و منفی بودن ضرایب پوشش گیاهی و آبی به معنی تأثیر کاهشی بر دمای سطح زمین اشاره شده‌است.

Jiang and Tian (2010) در پژوهشی در شهر چین از طریق شاخص‌های گیاهی، آثار زیان‌بار تغییرات پوشش و کاربری سطح زمین بر دمای سطح زمین را بر مبنای سه تصویر سنجندۀ TM و ETM+ بررسی کردند. برای این کار، شاخص پوشش گیاهی دما (TVX) را از تصاویر به‌دست آوردند. نتایج نشان داد که تغییر کاربری زمین عاملی مهم در افزایش دمای سطح زمین است. همچنین نشان‌دهندۀ درجه‌حرارت زیاد در مناطق با پوشش گیاهی پراکنده و درجه‌حرارت کم در مناطق با پوشش گیاهی متراکم بود.

 Ning et al. (2010)با استفاده از روش شبکۀ عصبیMultilayer perceptron ، دمای سطح زمین را از داده‌های فراطیفی حرارتی به‌دست آوردند. در این روش، ابتدا روی داده‌های فراطیفی حرارتی یک تبدیل PCA زده می‌شود تا ابعاد داده کاهش یابد. سپس خروجی این تبدیل به شبکۀ عصبی وارد می‌شود و خروجی این شبکه دمای سطح زمین است. دمای به‌دست‌آمده با این روش با محصول حرارتی سنجندۀ infrared Atmospheric Sounding Interferometer ارزیابی شد.

احمدی و همکاران (1396) در پژوهشی با عنوان «شناسایی جزایر حرارتی شهری مبتنی بر رویکرد زیست‌محیطی با استفاده از تصاویر لندست 8 در دورۀ آماری 2013 تا 2015 در شهر اصفهان» دریافتند که به‌دلیل وجود جزایر حرارتی سرد (UCI)، میان مرکز و حومه شیب حرارتی تندی وجود دارد و بزرگ‌ترین جزیرۀ حرارتی شهری در منطقۀ 6 شناسایی شد.

در پژوهش حاضر، شهر اصفهان با توجه به جمعیت زیاد، صنعتی بودن و وجود آثار گردشگری به‌عنوان منطقۀ موردمطالعه انتخاب شد.

 

روش‌شناسی پژوهش

منطقۀ مطالعه

شهرستان اصفهان کلان‌شهری در مرکز ایران و مرکز استان اصفهان است. این شهرستان با مساحت 550 کیلومترمربع بین عرض جغرافیایی "24٫22 '32 °32 تا "18٫49 '48 °32 و طول جغرافیایی "27٫82 '33 °51 تا "50٫93 '52 °51 قرار دارد. اصفهان از غرب به خمینی‌شهر و نجف‌آباد، از جنوب به کوه صفه، از جنوب شرق به شهر جدید بهارستان در دامنۀ شمالی رشته‌کوه کم‌ارتفاع لاشتر، از شمال به شاهین‌شهر و از شرق به دشت سجزی محصور می‌شود.

دلیل احداث اصفهان وجود رودخانۀ زاینده‌رود است که از کوه‌های زاگرس به‌ویژه زردکوه سرچشمه می‌گیرد. این شهر حدود 1570 متر از سطح دریا ارتفاع دارد. اصفهان 15 منطقه با مساحت 55072 هکتار دارد که بزرگ‌ترین آن منطقۀ 12 با 8223 هکتار و کوچک‌ترین آن منطقۀ 1 با 810 هکتار است. در سرشماری عمومی نفوس و مسکن سال 1395، جمعیت شهر اصفهان 1٫961٫260 نفر بوده‌است. از میان 15 منطقۀ شهر اصفهان، منطقۀ 8 با 239756 نفر جمعیت بیشترین جمعیت و منطقۀ 11 با 58841 نفر جمعیت کمترین جمعیت را دارد.

 

شکل 1- نقشۀ منطقۀ مطالعه (نویسندگان، 1400)

Figure 1- Map of the study area (Authors, 1400)

 

روش پژوهش

شش تصویر انتخاب‌شده تصاویر ماهوارۀ لندست 8 از شهر اصفهان در تابستان سال 2019 است. این تصاویر به زمانی با کمترین میزان پوشش ابر مربوط است. به‌منظور آماده‌سازی داده‌ها، تصحیحات اتمسفری و ژئومتریک روی داده‌های ماهواره‌ای انجام، و از داده‌های رقومی ارتفاع استفاده شد. لندست دو سنسور دارد، یکی OLI (مشاهدۀ زمینی) و دیگری TIRS (مشاهدۀ حرارتی). این دو سنسور با هم 11 باند را تشکیل می‌دهند. تصاویر انتخاب‌شده طول موج 11٫30-10٫30 میکرومتر و تفکیک مکانی 100 متر و باند حرارتی 10 دارند. دمای سطح زمین (LST) و  NDVIدر گوگل‌ارث انجین برای تابستان سال 2019 محاسبه، و تصحیحات رادیومتریکی روی دیتاها اجرا شد. الگوهای پراکنش فضایی سه حالت دارند: خوشه‌ای، پراکنده و تصادفی.

 

خودهمبستگی فضایی

در دسته‌بندی الگوهای فضایی، چه خوشه‌ای و چه پراکنده و چه تصادفی، می‌توان شباهت‌ها و تفاوت‌های هر جفت از واحدهای ناحیه‌ای مجاور را اندازه گرفت. وقتی که این شباهت‌ها و تفاوت‌ها برای الگوی فضایی مختصر شوند، خودهمبستگی فضایی اتفاق می‌افتد. خودهمبستگی فضایی به معنای این است که صفت‌های بررسی‌شده خودهمبسته‌اند و همبستگی آنها قابل گواهی به نظم جغرافیایی پدیده‌هاست (Clark and Hosking, 1986). خودهمبستگی فضایی پایدار به معنای این است که صفات پدیده‌های جغرافیایی با هم ارتباطی قوی دارند (خواه قوی یا ضعیف). اگر ضرایب ویژگی پدیده‌های جغرافیایی همسایه ارتباط و نظم ظاهری مشخصی نداشته باشد، ارتباط فضایی ضعیف یا الگوی تصادفی دارد. خودهمبستگی فضایی وسیلۀ تحلیلی معتبری برای نحوۀ تحول الگوی فضایی در طول زمان است. استنباط پژوهش به فهم بیشتر چگونگی تحول الگوهای فضایی از گذشته تا کنون کمک می‌کند. برای سنجش همبستگی فضایی، آماره‌هایی وجود دارد که تصدیق می‌دهند با نقاط یا پلی‌گون‌ها (سطوح ناحیه‌ای) کار شده‌است (رهنما و ذبیحی، 1390).

 

گونه‌های ملاک خودهمبستگی فضایی

الگوهای متفاوتی برای سنجش آماره‌های (خودهمبستگی) فضایی وجود دارد، شاخص موران و ضریب گری و انتخاب محتمل دیگر، آمارۀ عمومی‌‌ G (Lee and Wong, 2001). شاخص موران و گری مشخصه‌های مشترکی دارند، اما مشخصات (خواص) آماری آنها متفاوت است. بیشتر تحلیلگران با شاخص موران موافق‌ترند، زیرا توزیع مشخصاتش خوشایندتر است (Clark and Hosking, 1986). هنوز هر دو روش بر مقایسۀ ارزش‌های واحد ناحیه‌ای همسایگی استوارند. در صورتی که واحدهای ناحیه‌ای همسایگی در طول ناحیه ارزش‌های مشترکی داشته باشند، سرانجام آماره‌ها بر یک خودهمبستگی فضایی قوی دلالت دارند. چنانچه واحدهای ناحیه‌ای همسایگی ارزش‌های بسیار ناهمسانی داشته باشند، آماره‌ها خودهمبستگی فضایی منفی بسیار قوی را نشان می‌دهند. به هر روی، دو مدل روش‌های متفاوتی را برای مقایسۀ ضرایب همسایگی‌ها به‌کار می‌گیرند.

 

شاخص میانگین نزدیک‌ترین همسایگی (Average Nearest Neighbor)

شاخص میانگین نزدیک‌ترین همسایگی بر اندازه‌گیری فاصلۀ تک‌تک نقطه‌ها تا نزدیک‌ترین همسایۀ آنها مبتنی است و در تعیین همگرایی و واگرایی انواع به‌کار می‌رود. با این شاخص می‌توان فهمید که آیا توزیع نقاط تصادفی است یا خیر و نوع الگوی پراکنش چگونه است. ابزار میانگین نزدیک‌ترین فاصلۀ همسایگی ابتدا فاصلۀ میان نقطۀ مرکزی هر عارضه با نقطۀ مرکزی نزدیک‌ترین همسایگی‌اش را اندازه‌گیری، و سپس میانگین نزدیک‌ترین همسایگی‌ها را محاسبه می‌کند. اگر میانگین فاصلۀ محاسبه‌شده از میانگین توزیع تصادفی فرضی کمتر باشد، آنگاه می‌توان نتیجه گرفت که توزیع پدیدۀ بررسی‌شده در فضا به‌صورت خوشه‌ای است. اگر میانگین فاصلۀ محاسبه‌شده بیش از میانگین توزیع تصادفی فرضی باشد، آنگاه می‌توان نتیجه گرفت که عوارض به‌صورت پراکنده در فضا توزیع شده‌اند (عسگری، 1390).

 

 

آمارۀ عمومی G

در شناخت شکل‌های گوناگونی از طبقه‌بندی، الگوهای فضایی کارآمد نیستند. این الگوها گاه نقاط داغ و گاه نقاط سرد تمرکز نامیده می‌شوند. شاخص موران به‌خوبی برای خواص آماری و توصیف همبستگی فضایی جهانی ساخته شده‌است. برای نمونه اگر ارزش‌های بالا نزدیک یکدیگر باشند، شاخص موران و ضریب گری بر برخورد همبستگی فضایی مثبت نسبتاً زیادی دلالت دارند. این طبقه (خوشه) از ارزش بالا ممکن است به‌عنوان نقطۀ تمرکز (داغ) نامیده شود، اما خودهمبستگی فضایی مثبت زیاد نشان داده‌شده با شاخص موران و ضریب گری ممکن است به‌وسیلۀ ارزش‌های پایین مجاور با یکدیگر به‌وجود آمده باشد. این نوع از خوشه می‌تواند نقطۀ سرد نامیده می‌شود. شاخص موران نمی‌تواند این دو نوع خودهمبستگی فضایی را متمایز کند.

بررسی الگوهای پراکنش فضایی

مطالعۀ مقدماتی و جمع‌آوری داده‌های نقشه‌ای و سنجندۀ OLI

انجام تصحیحات هندسی و اتمسفری

روی تصاویر ماهوارۀ لندست

 

استخراج تغییرات کاربری اراضی با روش نظارت‌شده

محاسبۀ دمای سطح زمین (LST)

محاسبۀ شاخص NDVI

شکل 2- مراحل بررسی تغییرات با تصاویر ماهوارۀ لندست

Figure 2- Steps to examine changes with Landsat satellite imagery

                          

یافته‌های پژوهش

دمای سطح زمین تحت تأثیر سازه‌های متفاوتی ازجمله شرایط توپوگرافی، عوامل اقلیمی و جوّی و پوشش گیاهی قرار دارد. با تغییر هریک از این عوامل، دمای سطح زمین نیز تغییر می‌کند. شکل 3 نقشۀ دمای سطح زمین در تابستان سال 2019 را نشان می‌دهد. همان‌طور که در این شکل نیز نشان داده شده‌است، منطقۀ 1 (محله‌های کوشک، خرم، جامی، علیقلی‌آقا، جوزدان الیادران، صائب و ...) و 3 (محله‌های چرخاب، باغ کاران، خواجو، ملک، گلزار، قلعه طبره، احمدآباد، شهشهان، امامزاده اسماعیل، سرتاوه، سرچشمه، سنبلستان و جویباره) و غرب و جنوب غرب منطقۀ 10 (محله‌های عطار نیشابوری، شیخ طوسی، لاله، فجر، پروین، دشتستان، مصلی، سروستان و عسگریه) و شمال منطقۀ 15 و همچنین شمال شرق منطقۀ 13 کمترین مقدار دمای سطح زمین را دارند. در مناطق 2، 4، 5، 6، 7، 12، 14 و 15 نیز دمای سطح زمین بیشترین مقدار را دارد که دلیل اصلی آن، کاهش پوشش گیاهی و شیب و جهت این مناطق است که باعث تابش مستقیم نور خورشید به این مناطق می‌شود. شکل 4 نشان می‌دهد که دمای سطح زمین روند افزایشی داشته‌است.

 

شکل 3- نقشۀ دمای سطح زمین در تابستان 2019 در شهر اصفهان (نویسندگان، 1400)

Figure 3- Surface temperature map in the summer of 2019 in the city of Isfahan

(Authors, 2021)

 

 

شکل 4- نمودار دمای سطح زمین در تابستان 2019 در شهر اصفهان (منبع: نویسندگان، 1400)

Figure 4- Surface temperature chart in the summer of 2019 in the city of Isfahan

(Source: Authors, 2021)

کاربری اراضی

روش استفاده‌شده برای طبقه‌بندی اطلاعاتْ روش نظارت‌شده است. در این روش، برای رده‌بندی یاخته‌ها از نمونه‌های آموزشی استفاده می‌شود. بدین معنا که با تعریف یاخته‌های مشخص از تصویر برای هریک از کلاس‌ها، عمل طبقه‌بندی در قالب کلاس‌های در نظر گرفته‌شده انجام می‌شود. همچنین لازم به توضیح است که از الگوریتم حداکثر مشابهت برای طبقه‌بندی نظارت استفاده شده‌است. در این روش، فرض بر این است که توزیع داده‌های هر طبقه براساس توزیع نرمال در اطراف یاختۀ میانگین آن طبقه قرار گرفته‌است.

بیشترین کاربری در سطح همۀ شهرهای ایران به کاربری مسکونی مربوط است. بیشترین درصد کاربری مسکونی در سطح مناطق شهر اصفهان به منطقۀ یک مربوط است. با توجه به شکل 5 مربوط به سال 2019 جهت گسترش به سمت شرق و جنوب شرق است و بیشترین مساحت کاربری متعلق به کاربری ساخته‌شده است. مساحت این کاربری 293٫63 کیلومترمربع است که 49٫86 درصد از کل مساحت را دربرگرفته‌است. کمترین مساحت مربوط به کاربری آب است که فقط 1٫05 درصد از کل مساحت را دربرگرفته‌است. کاربری باغات به 95٫69 کیلومترمربع (16٫25 درصد) و کاربری پوشش گیاهی به 106٫90 کیلومترمربع رسیده‌است. کاربری فاقد پوشش‌گیاهی 86٫42 کیلومترمربع است که 14٫67 درصد از کل مساحت را دربرگرفته‌است. کاربری باغات در مناطق 9 و 13 (باغ فردوس و باغ بانوان ناژوان)، منطقۀ 15 (در خیابان خاتون‌آبادی و خیابان پی‌وی‌سی) و منطقۀ 12 دیده می‌شود. کاربری پوشش گیاهی در منطقۀ 6 متمرکز شده‌است. کاربری ساخته‌شده در شمال نقشه در منطقۀ 12 گسترش یافته و شهرک صنعتی محمودآباد اصفهان تأسیس شده‌است. در منطقۀ 14، شهرک امام حسین تأسیس شده و گسترش به سمت شمال شرق بوده‌است.

 

شکل 5- نقشۀ کاربری اراضی شهر اصفهان در سال 2019 (نویسندگان، 1400)

Figure 5- Land use map of Isfahan city in 2019 (Source: Writers, 2021)

جدول 1- مساحت کاربری‌ها به کیلومترمربع سال 2019 (نویسندگان، 1400)

Table 1- Area of uses per square kilometer in 2019 (Authors, 2021)

 

باغ

پوشش گیاهی

فاقد پوشش گیاهی

ساخته‌شده

آب

سال

مساحت

(کیلومترمربع)

درصد

مساحت

(کیلومترمربع)

درصد

مساحت

(کیلومترمربع)

درصد

مساحت

(کیلومترمربع)

درصد

مساحت

(کیلومترمربع)

درصد

2019

95.69

16.25

106.90

18.15

86.42

14.67

293.63

49.86

6.24

1.05

 

هریک از طبقات کاربری اراضی تغییرات دمای سطح زمین ازنظر میانگین، حداقل و حداکثر مشخص شده‌است. در جدول 2، نتایج نشان می‌دهد که بیشترین میانگین به پوشش گیاهی با مقدار 38٫25 درجۀ سانتی‌گراد و کمترین میانگین به کاربری آب با مقدار 29٫32 درجۀ سانتی‌گراد مربوط است.

جدول 2- تغییرات دمای سطح زمین در کاربری اراضی ازنظر میانگین، حداکثر و حداقل (نویسندگان، 1400)

Table 2- Ground surface temperature changes in land use in terms of average and maximum and minimum (Authors, 2021)

انحراف معیار

میانگین دما (درجۀ سانتی‌گراد)

دامنۀ تغییرات

حداکثر دما (درجۀ سانتی‌گراد)

حداقل دما (درجۀ سانتی‌گراد)

مساحت

نام کاربری

2٫74

31٫62

18٫04

40٫93

22٫89

95698800

باغات

3٫42

38٫25

22٫20

44٫99

22٫79

106905600

پوشش گیاهی

4٫36

32٫51

28٫38

44٫85

16٫47

293634000

مناطق ساخته‌شده

2٫46

37٫04

24٫70

42٫75

18٫04

86427000

فاقد پوشش گیاهی

3٫29

29٫32

20٫73

42٫05

21٫31

6241500

آب

 

خودهمبستگی فضایی دمای سطح زمین در منطقۀ مطالعاتی

مقادیر Z-score زیاد است (710٫18)، در صورتی که P-value نزدیک صفر است. نتایج نشان می‌دهد که خوشه‌بندی با سطح اطمینان زیاد وجود دارد و پراکندگی در حالت خوشه‌بندی بالا قرار گرفته‌است که در شکل 6 دیده می‌شود. استان اصفهان از الگوی خوشه‌بندی بالا تبعیت می‌کند. این یافته با نتیجۀ پژوهش اسدی (1398) مطابقت دارد.

 

 

شکل 6- خودهمبستگی فضایی دمای سطح زمین (نویسندگان، 1400)

Figure 6- Spatial autocorrelation of surface temperature (Authors, 2021)

 

تحلیل لکه‌های داغ

در این تحلیل، یک امتیاز z محاسبه می‌شود. این امتیاز نشان می‌دهد که در کدام محله‌ها، داده‌ها با مقادیر زیاد یا کم خوشه‌بندی شده‌اند. به هر عارضه در چهارچوب عوارضی که در همسایگی‌اش قرار دارد، توجه می‌شود و عارضه لکۀ داغ به‌شمار می‌آید که هم خودش و هم همسایگانش ازنظر آماری معنادارند. این نقشه (شکل 7) نشان می‌دهد که در کدام محله‌ها ازنظر آماری معنادار نیستند و چه محله‌هایی لکه‌های داغ و لکه‌های سرد را نمایش می‌دهند. اگر مقادیر z منفی باشند، نشان‌دهندۀ لکه‌های سرد است و مناطقی که z مثبت دارند، لکه‌های داغ را نمایش می‌دهند. برای لکه‌های داغ و سرد، سه سطح اطمینان 99%، 95% و 90% قابل مشاهده است. با توجه به شکل 7، محله‌های واقع در مناطق 1، 7، 3 و 8، محله‌های غرب منطقۀ 10 و محله‌های واقع در شمال مناطق 5 و 6 دارای لکه‌های سرد با سطح اطمینان 99% و محله‌های واقع در شرق مناطق 2 و 9 با سطح اطمینان 90% و محله‌های واقع در جنوب مناطق 7 و 14 با سطح اطمینان 95% مشاهده می‌شود. در صورتی که محله‌های واقع در مناطق 5 و 6 و غرب منطقۀ 4 و به‌صورت لکه‌های داغ در منطقۀ 15 با سطح اطمینان 99% با رنگ قرمز پررنگ، محله‌های واقع در غرب منطقۀ 12 و لکۀ داغ در مرکز منطقۀ 15 با سطح اطمینان 95% و محله‌های واقع در منطقۀ 2 و همچنین در منطقۀ 15 با رنگ قرمز کم‌رنگ با سطح اطمینان 90% قابل مشاهده است. مناطقی که با رنگ زرد کم‌رنگ دیده می‌شوند، ازنظر آماری معنادار نیستند.

 

شکل 7- نقشۀ خوشهبندی لکه‌های داغ و سرد (نویسندگان، 1400)

Figure 7- Clustering of hot and cold spots (Authors, 2021)

 

تحلیل لکه‌های داغ و سرد

شکل 8 تصویر الف نمایش‌دهندۀ نواحی کاربری اراضی با خوشه‌های سرد 99% است. در این شکل، کاربری ساخته‌شده بیشترین مساحت با مقدار 293 کیلومترمربع و کاربری مناطق فاقد پوشش گیاهی کمترین مساحت با مقدار 333900 کیلومترمربع را شامل می‌شود.

در نموداری که نواحی کاربری اراضی با خوشه‌های سرد 95% را نشان می‌دهد (شکل 8 تصویر ب)، بیشترین مساحت متعلق به کاربری ساخته‌شده با مقدار 17627400 مترمربع و کمترین مساحت متعلق به کاربری پوشش گیاهی با مقدار 110700 مترمربع است.

در نواحی با خوشه‌های سرد 90% (شکل 8 تصویر پ)، بیشترین مساحت متعلق به کاربری ساخته‌شده با مساحت 7771500 مترمربع و کمترین مساحت متعلق به کاربری پوشش گیاهی با مساحت 34200 مترمربع است.

در نموداری که ازنظر آماری معنادار نیست (شکل 8 تصویر ت)، باغات با مساحت 76596300 مترمربع، کاربری پوشش گیاهی با مساحت 45270000 مترمربع، کاربری ساخته‌شده با مساحت 170870400 مترمربع، کاربری آب با مساحت 3038400 مترمربع (کمترین مساحت) و کاربری فاقد پوشش گیاهی با مساحت 79249500 مترمربع نشان داده شده‌است.

در نمودار لکه‌های داغ 90% (شکل 8 تصویر ث) بیشترین مساحت متعلق به کاربری ساخته‌شده با مساحت 10936800 مترمربع و کمترین مساحت متعلق به کاربری آب با مساحت 99000 مترمربع است.

در نمودار لکه‌های داغ 95% (شکل 8 تصویر ج) کاربری آب کمترین سهم را با مساحت 4500 مترمربع و کاربری ساخته‌شده بیشترین سهم را با مساحت 990000 مترمربع دارد.

نمودار لکه‌های داغ 99% (خوشه‌های گرم) (شکل 8 تصویر چ) نشان می‌دهد که کاربری پوشش گیاهی بیشترین سهم را با مساحت 57249000 مترمربع و کاربری آب کمترین سهم را با مساحت 479700 مترمربع دارد.

الف

 

ب

پ

ت

ث

ج

چ

 

 

 

شکل 8- نمودارهای سهم کاربری اراضی در لکه‌های داغ و سرد (نویسندگان، 1400)

Figure 8- Charts of land use share in hot and cold spots (Source: Authors, 2021)

نتیجه‌گیری

پژوهش حاضر تغییرات الگوی خودهمبستگی فضایی دمای سطح زمین و ارتباط آن را با کاربری اراضی بررسی کرده‌است. به همین دلیل از شاخص لکه‌های داغ و میانگین نزدیک‌ترین همسایگی استفاده شده‌است. برای اعمال روش‌ها، ArcGIS به‌کار رفته‌است.

نتایج حاصل از شاخص میانگین نزدیک‌ترین همسایگی نشان داد که در اصفهان تغییرات همبستگی فضایی دمای سطح زمین با سطح اطمینان بالا وجود دارد و پراکندگی در سطح اطمینان 99% حالت خوشه‌ای قرار گرفته‌است. براساس الگوی لکه‌های داغ، مناطق 5 و 6 که در جنوب اصفهان قرار گرفته‌اند نقش زیادی در شکل‌گیری و ایجاد نواحی جزایر حرارتی گرمایی با خوشه‌های گرم 99% داشته‌اند. در حالی که نواحی خودهمبستگی فضایی منفی (نواحی خوشه‌بندی سرد 99%) در مرکز شهر اصفهان، یعنی مناطق 1 و 3 به‌دلیل وجود کاربری آب (سی‌وسه پل)، فاقد الگوی معناداری به‌لحاظ آماری بوده‌اند. نتایج نشان داد که مناطق دارای پوشش گیاهی و کاربری آب اثر جزیرۀ گرمایی را تضعیف می‌کنند و مناطقی که مناطق ساخته‌شده در آنها گسترش یافته‌است، اثر جزایر گرمایی را سرعت می‌بخشند. بر این مبنا، در برنامه‌ریزی و توسعۀ شهر، باید به فضای سبز شهری توجه بیشتری کرد. مطالعات آمار فضایی می‌تواند الگوی مناسب و جدیدی برای استفادۀ مسئولان، سیاست‌گذاران و برنامه‌ریزان شهری باشد.

 

[1]. Urban heat islands

[2]. Thermal anomalies

منابع
احمدی، محمود و داداشی رودباری، عباسعلی (1396). شناسایی جزایر حرارتی شهری مبتنی بر رویکرد زیست‌محیطی، مطالعۀ موردی: کلان‌شهر اصفهان. جغرافیا و برنامهریزی محیطی، دورۀ 28، شمارۀ 1، ص 1‑20.
اسدی، مهدی و باعقیده، محمد (1398). تحلیل و بررسی تغییرات الگوهای فضایی جزایر دمایی استان اصفهان. آمایش محیط، دورۀ 12، شمارۀ 45، ص 119‑138.
رهنما، محمدرحیم و ذبیحی، جواد (1390). تحلیل توزیع تسهیلات عمومی شهری در راستای عدالت فضایی با مدل یکپارچۀ دسترسی در مشهد، جغرافیا و توسعه، دورۀ 9، شمارۀ 23، ص 5‑26.
عسگری، علی (1390). تحلیل آمار فضایی با GIS ARC. انتشارات شرکت پردازش و برنامه‌ریزی شهری.
Clark, w.a.v. & Hosking, p.l. (1986). Statistical Methods for geographers. John Wiley, (32) 2, 65‑68.
Guo, A., Yang, J., Sun, W. & Xiao, X. (2020). Impact of urban morphology and landscape characteristics on spatiotemporal heterogeneity of land surface temperature. Sustainable Cities and Society, 63, 1024‑1043.
Irons, J., Dwyer, J. & Barsi, J. (2012). The next Landsat satellite: The Landsat Data Continuity ission. Remote Sens, Environ, (122) 4, 11‑21.
Jeganathan, A., Andimuthu, R., Prasannavenkatesh, R. & Kumar, Divya, S. (2016). Spatial Variation of Temperature and Indicative of the Urban Heat Island in Chennai Metropolitan Area, India, Theoretical and Applied Climatology, (123) 1, 83‑95.
Jiang, J. & Tian, G. (2010). Analysis of the impact of land use/land cover change on land surface temperature with remote sensing. Procardia environmental sciences, (2) 3, 571‑575.
Karakuş, C.B. (2019). The impact of land use/land cover (LULC) changes on land surface temperature in Sivas City Center and its surroundings and assessment of Urban Heat Island. Asia-Pacific Journal of Atmospheric Sciences, 55 (4), 669‑684.
Kashki, A., Karami, M., Zandi, R. & Roki, Z. (2021). Evaluation of the effect of geographical parameters on the formation of the land surface temperature by applying OLS and GWR, A case study Shiraz City, Iran. Urban Climate, 37, 100832.
Lee, J. & Wong, D.W. (2001). Statistical analysis with ArcView GIS. John Wiley & Sons.
Macintyre, H., Heaviside, C., Taylor, J. & Picettial, R. (2018). Assessing urban population vulnerability and environmental risks across an urban area during heat waves – implications for health protection. Sci. Total Environ, (37) 2, 610‑611.
Miss, F.M. (2020). Analyzing spatial variations of relationships between Land Surface Temperature and some remotely sensed indices in different land uses. Remote Sensing Applications: Society and Environment, (19) 4, 1003‑1059.
Ning, W. & Zhao, L. (2010). Retrieval of atmospheric and land surface parameters from satellite-based Thermal Infrared hyper spectral data using a neural network technique. International Journal of Remote Sensing, (34) 9, 3485‑3502.
Rozenstein, O., Zhihao, Q., Yevgeny, D. & Arnon, K. (2014). Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm. Sensors, 14 (4), 5768‑5780.
Santamouris, M. (2013). Using cool pavements as a mitigation strategy to fight urban heat island—A review of the actual developments. Renewable and Sustainable Energy Reviews, 26, 224‑240.
Shetty, MA., & Somashekar, R.K. (2014). Assessment of Vegetation cover through NDVI, Bangalore India. J Appl Res, 4 (3), 176‑197.
Siqi, J. & Yuhong, W. (2020). Effects of land use and land cover pattern on urban temperature variations: A case study in Hong Kong. Urban Climate, (34) 4, 236‑249.
Sobrino, J., Jiménez-Muñoz, J. & Paolini, L. (2004). Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of environment, 90 (4), 434‑440.
Suresh, S., Ajay Suresh, A. & Mani, K. (2016). Estimation of land surface temperature of high range mountain landscape of Devikulan Taluk using Landsat 8 data. International Journal of Research in Engineering and Technology, 5 (1), 321‑338.
Tan, J., De, Y., Qiang, L., Xuelan, T. & Weijun, Zh. (2020). Spatial relationship between land-use/land-cover change and land surface temperature in the Dongting Lake area, China. Scientific Reports, 10 (1), 1‑9.
Thomas, R.W. & Hug get, R.J. (1980). Modeling in Geography, a mathematical approach. Harper and Row, Publisher, London.
Tran, D.X., Pla, F., Latorre, C., PedroMyint, S.M. & Kieu, H. ((2017). Characterizing the relationship between land use land cover change and land surface temperature. ISPRS Journal of Photogrammetry and Remote Sensing, 124, 119‑132.
Wan, Z. (1999). MODIS land-surface temperature algorithm theoretical basis document (LST ATBD). Institute for Computational Earth System Science, Santa Barbara, 75, 18.
Wan, Z., Zhanga, Y., Q Zhanga, Q. & Zhao-liang Li, a. (2002). Validation of the land-surface temperature products retrieved from Terra Moderate Resolution Imaging Spector radiometer data. Remote Sensing of Environment, 83 (1), 163‑180.
Yuan, F. & Bauer, M.E. (2011). 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.
Yue, W. & Xu, L. (2013). Thermal environment effect of urban water landscape. Shengtai Xuebao/Acta Ecologica Sinica, 33 (6), 1852‑1859. ‏
Zhao, He., Li, A., Wen, F. & Yu, D. (2018). The impact of the terrain effect on land surface temperature variation based on Landsat-8 observations in mountainous areas, International Journal of Remote Sensing, (13) 3, 1‑20.
Zhao Li, Z. et al. (2010). Investigating spatial non-stationery and scale-dependent relationships between urban surface temperature and environmental factors using geographically weighted regression. Environmental Modelling & Software, (25) 3, 1789‑1800.
Zhou, G. & Cadenasso, M.L. (2011). Does spatial configuration matter? Understanding the effects of land cover pattern on land surface temperature in urban landscapes, Landscape and Urban Planning, (102), 54‑63.
Zhu, C., Idemudia, C. & Fengb, W. (2019). Improved logistic regression model for diabetes prediction by integrating PCA and K-means techniques. Informatics in Medicine Unlocked, 17, 100179.
Zullo, F., Fazio, G., Romano, B., Marucci, A. & Fiorini, L. (2019). Effects of urban growth spatial pattern (UGSP) on the land surface temperature (LST): A study in the Po Valley (Italy). Science of the Total Environment, 650, 1740‑1751.