نوع مقاله : مقاله پژوهشی
نویسندگان
1 استادیار گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران
2 کارشناسی ارشد گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران
چکیده
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Abstract
Urban heat islands could have destructive effects on the environment and increase energy consumption. The present study aimed to investigate the spatial autocorrelation of land surface temperature and its relationship with land use in Ahvaz city. Daily and Night Land surface temperature maps were extracted from the split window method for the Landsat 8 satellite image and MOD11A1 product, respectively. Land use maps of the study were extracted into five classes: Built-up area, vegetation, bare land, water, and Karun River. Based on the results, Global Moran's index on day and night was equal to 0.94 and 0.9, respectively, according to which Land Surface temperature is distributed in a cluster form. Results of Getis-ord GI statistics showed that the largest area of daily and nightly hot spots in the east of Ahvaz was obtained with 5050.53 and 8055.69 ha, respectively. The results of the Kruskal Wallis test showed that there was a statistically significant difference between the average temperature of land uses (p-value<0.05), so industrial areas and bare land had the highest temperature and the water bodies and vegetation had the lowest temperature. The results also showed that LST has a negative relationship with NDVI (r = -0.47); however, the average NDVI index in the study area was equal to 0.17 which indicated the poor quality of vegetation in Ahvaz. Therefore, it is necessary to take measures to improve the quality of vegetation and expand the urban green space and preserve water resources to adjust the land surface temperature in Ahvaz.
Keywords: Landsat 8, Modis, Split Window, Global Moran, Getis-Ord GI.
Introduction
Land surface temperature (LST) is one of the essential components of climate in any region. It controls physical, chemical, and environmental processes on the earth, which are influenced by factors such as surface reflection and roughness of different types of land use/land cover, topography, geographical location, biophysical characteristics, and climate parameter changes over time. Population growth and urbanization, industrial development, and human activities such as unprincipled changes in land use/land cover have created urban heat islands, which have devastating effects on the environment and the health of the community, as well as energy consumption, especially in cities with hot and dry climates. Using traditional methods to estimate land surface temperature is impossible and time-consuming for all ground conditions. On the other hand, meteorological stations only measure temperature information for specific points. In contrast, due to land cover and other temperature conditions, temperatures in different regions are different from the recorded temperatures for a particular point, and this data cannot be generalized to the whole region. Currently, remote sensing technology with continuity and data collection in broad ranges can be very efficient in estimating the land surface temperature. This study aimed to investigate the spatial autocorrelation of surface temperature and to identify the thermal islands of Ahvaz using remote sensing and GIS.
Materials and Methods
Daily land surface temperature maps were extracted from the Landsat 8 satellite image in June 2020 using a split window method. The method of comparison with the temperature of the synoptic station was used to evaluate the accuracy of the LST map. To investigate the changes in land surface temperature at night, the land surface temperature product of the MODIS sensor (MOD11A1) was used. In the next step, the spatial autocorrelation of Land surface temperature was investigated using the global Moran index, and hot and cold spots were identified by Getis-Ord GI statistics. In the next step, land use maps of the study were extracted into five classes (Built-up area, vegetation, bare land, water, and Karun River) using the support vector machine classification method. To evaluate the efficiency of the classification method, the overall accuracy and kappa coefficient were used. The relationship between land surface temperature (LST) and land use type, and normalized vegetation difference index (NDVI) was investigated using the Kruskal-Wallis test and regression analysis, respectively.
Research Findings
The results showed that the difference between the air temperature recorded by Ahwaz Synoptic Station and the air temperature obtained from Landsat images is equal to 0.5 ° C, which indicates the high accuracy of the LST map. According to the results, Region 8 had the highest, and Region 6 had the lowest average surface temperature, equal to 53.72 and 51.53 ° C, respectively. The average LST was 51.96 ° C. The results of calculating the global Moran index showed that the LST in Ahvaz has a cluster pattern. The global Moran index for day and night was equal to 0.94 and 0.9, respectively, which was significant at the level of one percent probability. The results of calculating the Getis-Ord GI statistic for identifying the areas with high and low clusters showed that daily cold spots in the west and east of Ahvaz were equal to 4541.22 and 2644.74 ha, respectively. The largest area of daily and night cold spots related to region 3 is equal to 1404.27 and 344.68 ha, respectively, and the lowest area of daily cold spots related to region 7 is equal to 728.83 ha. In general, parks, areas around the Karun River, cultivated lands, tree and forest cover, and water areas formed the cold spots of Ahvaz city. The area of daily hot spots in the east and west of Ahvaz were obtained at 5050.53 and 2022.48 ha, respectively, and the area of night hot spots in the east and west of Ahvaz was obtained at 8055.69 and 4509.66 ha, respectively. The highest area of hot spots day and night is related to region eight equal to 2734.92 and 3160.65 ha, respectively. The hot spots mainly covered industrial areas and surrounding urban areas, hospitals, passenger terminals, gas stations, locations near busy roads, and bare land. Based on the result, the kappa coefficient and overall accuracy of classification were 95.1% and 91%, respectively. According to the results of the Kruskal-Wallis test, there was a statistically significant difference between the mean temperature of land (p-value <0.05), so industrial areas and bare land had the highest average mean, i.e., the highest temperature and the water bodies and vegetation had the lowest mean rank, i.e., the lowest temperature. The result also showed that LST has a negative relationship with NDVI (r = -0.47), and with increasing the positive values of the NDVI index, the average surface temperature decreased.
Discussion of Results and Conclusion
The results showed that the type of land use affects the land surface temperature. The high concentration of industrial centers, large areas of barren lands, and lack of vegetation are the main reasons for the formation of thermal islands in Ahvaz city. Based on the results, the presence of vegetation and water zone modulates the land surface temperature. The average NDVI index was obtained at 0.17, which indicated the thin vegetation of Ahvaz city. Measures such as using bright colors on the facades of buildings, roads, streets, and parking, expanding vegetation and green space, creating green roofs, changing the use of bare land, paying more attention to the agricultural sector, and preventing construction on agricultural lands, planning, and optimal traffic management in busy places, streets, and squares with high traffic and preservation of water resources in the region and creating waterfalls in high-temperature areas are necessary and recommended adjusting the land surface temperature in Ahvaz. In this research, the study year was selected as near to normal conditions and summer season. It is suggested that further studies should be done in wet and drought conditions and other seasons and compared the results with the results of this research.
References
- Abdul Athick, A.S., Mohammed, K., Shankar, D., & Raja Naqvi, R. (2019). Data on time series analysis of land surface temperature variation in response to vegetation indices in twelve wereda of Ethiopia using mono window, split window algorithm and spectral radiance model. Data in Brief, 27, 1-12.
- Bhargava, A., Lakmini, S., & Bhargava, S. (2017). Urban heat island effect: It’s relevance in urban planning. Journal of Biodiversity and Endangered Species, 5(1), 1-4.
- Ca, V.T., Asaede, T., & Abu. E. (1998). Reductions in air conditioning energy caused by a nearby park. Journal of Energy and Building, 29, 83-92.
- Choudhury, D., Kalikinkar, D., & Arijit, D. (2019). Assessment of land use land cover changes and its impact on variations of land surface temperature in Asansol-Durgapur Development Region. The Egyptian Journal of Remote Sensing and Space Sciences, 12(22), 203–218.
- Das, N., Mondal, P., Sutradhar, S., & Ghosh, R. (2021). Assessment of variation of land use/land cover and its impact on land surface temperature of Asansol subdivision. The Egyptian Journal of Remote Sensing and Space Sciences, 24(1), 131-149.
- Das, S., & Angadi, D. P. (2020). Land use-land cover (LULC) transformation and its relation with land surface temperature changes: A case study of Barrackpore Subdivision, West Bengal, India. Remote Sensing Applications: Society and Environment, 19, 1-28.
- Feng, Y., Gao, C., Tong, X., Chen, S., Lei, Z., & Wang, J. (2019). Spatial Patterns of Land Surface Temperature and Their Influencing Factors: A Case Study in Suzhou, China. Remote Sensing, 11(82), 2-20.
- Gaffin, S. R., Rosenzweig, C., Eichenbaum-Pikser, J., Khanbilvardi, R., & Susca, T. (2010). A Temperature and Seasonal Energy Analysis of Green, White, and Black Roofs, Columbia University. Center for Climate Systems Research, New York, 1-19.
- Govil, H., Guha, S., Diwan, P., Gill, N., & Dey, A. (2020). Analyzing linear relationships of lst with ndvi and mndisi using various resolution levels of landsat 8 oli and tirs data. Journal of Data Management, Analytics and Innovation, 1, 171-184.
- Guha, S., & Govil, H. (2020). An assessment on the relationship between land surface temperature and normalized difference vegetation index, Environment. Journal of Development and Sustainability, 23, 1944-1963.
- 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. Journal of Landscape and Urban Planning, 135, 1-10.
- He, J., Zhao, W., Li, A., Wen, F., & Yu, D. (2019). The impact of the terrain effect on land surface temperature variation based on Landsat-8 observations in mountainous areas. International Journal of Remote Sensing, 40(5), 1808-1827.
- Kabano, P., Lindley, S., & Harris, A. (2021). Evidence of urban heat island impacts on the vegetation growing season length in a tropical city. Journal of Landscape and Urban Planning, 206, 1-9.
- Kaufmann, R., Zhou, L., Myneni, R., Tucker, C., Slayback, D., Shabanov, N., & Pinzon, J. (2003). The effect of vegetation on surface temperature: A statistical analysis of NDVI and climate data. Journal of Geophysical Research Letters, 30(22), 1-4.
- Kumari, M., Sarma, K., & Sharma, R. (2019). Using Moran's I and GIS to study the spatial pattern of land surface temperature in relation to land use/cover around a thermal power plant in Singrauli district, Madhya Pradesh, India. Remote Sensing Applications: Society and Environment, 15, 1-6.
- 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, 3, 1535-1552.
- McKee, T. B., Doesken, N. J., & Kleist, J. (1993). The relationship of drought frequency and duration to time scales. Eighth Conference on Applied Climatology. Anaheim, California, 17-22 January, 1-6.
- Mujabar, S., & Rao, V. (2018). Estimation and analysis of land surface temperature of Jubail Industrial City, Saudi Arabia, by using remote sensing and GIS technologies. Arabian Journal of Geosciences, 11, 1-13.
- QIN, Z., & Karnieli, A. (2001). A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region. International Journal of Remote Sensing, 22(18), 3719–3746.
- Rongali, G., Ashok K. K., Gosain, A. K., & Khosa, R. (2018). Split-Window algorithm for retrieval of land surface temperature using Landsat 8 thermal infrared data. Journal of Geo Visualization and Spatial Analysis, 2(14), 1-19.
- Sekertekin, A., & Zadbagher, E. (2021). Simulation of future land surface temperature distribution and evaluating surface urban heat island based on impervious surface area. Journal of Ecological Indicators, 122, 1-11.
- Shahfahad., Kumari, B., Tayyab, M., Ahmed, I. A., Imam Baig, M. R., Firoz Khan, M., & Rahman, A.(2020) Longitudinal study of land surface temperature (LST) using mono- and split-window algorithms and its relationship with NDVI and NDBI over selected metro cities of India. Arabian Journal of Geosciences, 13(104), 1-19.
- Sharma, R., Pradhan, L., Kumari, M., & Bhattacharya, P. (2021). Assessing urban heat islands and thermal comfort in Noida City using geospatial technology. Journal of Urban Climate, 35, 1-15.
- Sun, C., Wu, Z., Lv, Z., & Wei, J. (2010). Spatial-temporal analysis of land surface temperature and its interplay with land use change. Information Engineering and Computer Science (ICIECS), 25, 1-4.
- Tafesse, B., & Suryabhagavan, K. V. (2018). Systematic modeling of impacts of land-use and land-cover changes on land surface temperature in Adama Zuria District, Ethiopia. Journal of Modeling Earth Systems and Environment, 9, 1-13.
- Wang, R., & Murayama, Y. (2020). Geo-simulation of land use/cover scenarios and impacts on land surface temperature in Sapporo, Japan. Journal of Sustainable Cities and Society, 36, 1-11.
- Weng, Q., Karimi firozjaei, M., Kiavarz, M., Alavipanah S. K., & Hamzeh, S. (2019). Normalizing land surface temperature for environmental parameters in mountainous and urban areas of a cold semi-arid climate. Journal of Science of the Total Environment, 650, 515-529.
- Xu, H., Yunhao, C., Shangming, D., & Wenxia, Q. (2011). Dynamical monitoring and evaluation methods to urban heat island effects based on RS & GIS. Procedia Environmental Sciences, 10, 1228-1237.
- Zhang, C., Luo, L., Xub, W., & Ledwitha, V. (2018). Use of local Moran's I and GIS to identify pollution hotspots of Pb in urban soils of Galway, Ireland. Journal of Science of the Environment, 398, 212-221.
کلیدواژه‌ها [English]
مقدمه
دمای سطح زمین (LST)[1] از مؤلفه‌های مهم اقلیم در هر منطقه و کنترل‌کنندۀ فرایندهای فیزیکی، شیمیایی و محیط‌زیستی بر روی زمین است (Guha et al., 2020) که تحت‌تأثیر عواملی همچون بازتاب سطحی و انواع مختلف کاربری/پوشش اراضی، وضعیت توپوگرافی، موقعیت جغرافیایی، خصوصیات بیوفیزیکی و پارامترهای اقلیمی در گذر زمان تغییر می‌کند (ولی و همکاران، 1398؛ he et al., 2020؛ wang et al., 2020؛ Guha et al., 2020). در حال حاضر به دلیل شهرنشینی سریع، ویژگی‌های انواع سطح زمین در حال تغییر است (Guha et al., 2020). توسعۀ مناطق شهری موجب تغییر در چشم‌انداز، ساختمان‌ها، جاده‌ها و دیگر زیرساخت‌ها، جایگزینی زمین‌های باز و پوشش گیاهی شده است (Xu et al., 2011). جایگزین‌شدن پوشش طبیعی زمین با سنگ‌فرش، ساختمان‌ها، بتن، آسفالت و دیگر ساخت‌وسازهای شهری، اثرات خنک‌کنندگی سطوح طبیعی را از بین می‌برد. علاوه بر آن، حرارت وسایل نقلیه، کارخانه‌ها و وسایل تهویۀ هوا گرمای محیط را افزایش و همچنین ساختمان‌های بلند و خیابان‌های باریک جریان هوا را کاهش می‌دهند و هوای پیرامون را گرم می‌کنند. تغییرات ناشی از فعالیت‌های انسانی به شکل‌گیری جزایر حرارتی شهری منجر می‌شوند (Xu et al., 2011). جزایر حرارتی شهری، شرایط زیست‌محیطی دشواری را برای ساکنان شهرها به وجود آورده است و بر کیفیت هوا، مصرف انرژی، آسایش و سلامت انسان تأثیر زیادی می‌گذارد. در حال حاضر افزایش دمای سطح زمین و پیدایش جزایر حرارتی شهری به علت آثار مخربی که به‌همراه دارد، یکی از مهم‌ترین معضلات زیست‌محیطی شهری است (Das et al., 2021)؛ بنابراین پایش مکانی-زمانی و نظارت بر شدت جزایر برای تجزیه و تحلیل محیط حرارتی در مقیاس شهر ضروری است و اهمیت زیادی دارد. شناسایی چنین ناهنجاری‌هایی در محیط حرارتی شهری بهترین اطلاعات را برای تجهیز مناطق شهری به‌منظور انعطاف‌پذیری و پایداری بیشتر فراهم می‌کند (Sharma et al., 2021). در این راستا، تصاویر سنجش از دور به علت قابلیت‌های ویژه‌ای که دارند، به‌طور گسترده‌ای برای برآورد دمای سطح زمین از سوی محققان به کار برده شده‌اند و دقت آن در برآورد دمای سطح زمین تأیید شده است (میکائیلی حاجی کندی و همکاران، 1400؛ Abdul Athick et al., 2019؛ Shahfahad et al., 2020؛ Das & Angadi, 2020؛ Das et al., 2021). علاوه بر آن، آمار فضایی به‌عنوان روشی برای تحلیل داده‌های فضایی در مطالعات محیطی استفاده شده است. با استفاده از تحلیل فضایی تغییرات مکانی و زمانی داده‌های مکانی به‌خوبی در یک منطقه پایش می‌شود (ولی و همکاران، 1398). در این راستا، آمارۀ موران جهانی[2] برای بررسی خودهمبستگی فضایی و تحلیل لکه‌های داغ و سرد با استفاده از آمارۀ گتیس- ارد جی[3] که از قابلیت‌های سیستم اطلاعات جغرافیایی است، به‌طور گسترده‌ای از سوی محققان استفاده شده است (کاظمی و همکاران، 1398؛ اصغری سراسکانرود و همکاران، 1398؛ Kumari et al., 2019؛ Das & Angadi, 2020).
نتایج پژوهش مجرد و همکاران (1397) نشان داد که مناطق شهری در طول روز به‌خصوص در دورۀ گرم سال نسبت‌به مناطق غیر شهری دمای سطح کمتری دارند و جزیرۀ سرمایی سطحی شهری در آنها تشکیل می‌شود و در شب به‌ویژه بهار، دمای مناطق شهری به دلیل انتقال گرمای محسوس حدود 1 تا 2 درجه بیشتر از بیرون شهر و جزیرۀ حرارتی سطحی شهری تشکیل می‌شود. امیدوار و همکاران (1399) گزارش کردند که عمدۀ جزایر حرارتی شهر یزد در نواحی حاشیه‌ای و زمین‌های بایر شکل گرفته و هم‌زمان با کاهش فضای سبز بر وسعت جزایر حرارتی افزوده شده است. حلبیان و سلطانی (1399) گزارش کردند که مهم‌ترین عامل در گسترش جزایر حرارتی، کاهش پوشش گیاهی است و بیشترین حساسیت محیطی نیز اغلب در پیرامون شهر به علت وجود اراضی بایر و درون شهر نیز بهصورت خرد در اطراف مراکز صنعتی، اطراف فرودگاه بین‌المللی، ترمینال مسافربری، اطراف ایستگاه‌های مترو، بزرگراه‌ها، خیابان‌های پرترافیک و مکان‌های دارای بافت فرسوده مشاهده شد. عربی علی آباد و همکاران (1400) ارتباط بین تغییر پوشش اراضی و تغییرات دمای سطح زمین دشت یزد را طی دورۀ 2019-2001 بررسی و تحلیل و گزارش کردند که طی دورۀ مطالعاتی میزان 28 درصد از مساحت اراضی کشاورزی کاسته و 12 درصد به مساحت اراضی شهری اضافه شده است که نشان‌دهندۀ تخریب زمین‌های کشاورزی و جایگزینی آنها با مناطق شهری است. در پژوهش ایشان کمترین دما مربوط به اراضی کشاورزی بود و دمای سطح زمین در اراضی بایر و تپه‌ماسه‌ای که به سایر کاربری‌ها تبدیل شده بودند، به‌طور چشمگیری کاهش یافته و تبدیل اراضی کشاورزی به بایر و تپه‌های ماسه‌ای به افزایش دمای بیشتری نسبت به سایر کاربری‌ها منجر شده بود. حلبیان و همکاران (1400) گزارش کردند که در حاشیه‌های شهری اراک به دلیل کمربند شمالی، ترافیک و تردد ماشین‌های سنگین، جزایر حرارتی نواری تشکیل شده است. در پژوهشی دیگر (Mujabar & Rao, 2018) تغییرات دمای سطح شهر صنعتی جبیل را در سال 2015 بررسی و گزارش کردند که دمای سطح زمین تابعی از نوع فصل، شکل زمین، پوشش گیاهی، فعالیت‌های صنعتی و ویژگی‌های فیزیکی سطح زمین است و جزایر حرارتی چشمگیری با دمای بیش از 60 درجۀ سانتی‌گراد در نزدیکی کارخانه‌های آهن و فولاد منطقۀ صنعتی تشکیل شده است؛ درنتیجۀ پژوهش (Tafesse & Suryabhagavan, 2018) گزارش شد که نوع کاربری/ پوشش اراضی و وضعیت [4]NDVI نقش عمده‌ای در تغییر مقادیر دمای سطح زمین در منطقۀ آداما زوریا در اتیوپی داشته و دمای سطح زمین ارتباط منفی با پوشش گیاهی (R2=0.98) دارد و همبستگی بین تغییرات LST و تغییر کاربری زمین نشان‌دهندۀ آن بود که افزایش شهرک‌سازی بر افزایش LST تأثیر گذاشته است. در پژوهش (Feng et al., 2019) رابطۀ بین دمای سطح زمین با شاخص نرمال‌شدۀ تفاوت پوشش گیاهی (NDVI)، شاخص نرمال‌شدۀ تفاضل ساخت‌وساز (NDBI)[5] و شاخص نرمال تفاضل آب (NDWI)[6] در چین بررسی و گزارش شد که دمای سطح زمین به‌شدت تحت‌تأثیر این سه عامل است. در پژوهشی دیگر (Sharma et al., 2021) گزارش کردند که دمای سطح شهر نویدا هند طی دورۀ 2019-2011 به میزان 42/6 درجۀ سانتی‌گراد افزایش یافته است. براساس نتایج مطالعۀ این پژوهشگران همبستگی مثبت بین LST با شاخص مناطق ساخته‌شده (IBI)[7] وجود داشت و با افزایش مقدار شاخص IBI میزان LST افزایش یافته بود که نشان‌دهندۀ تأثیر گرمایش ساختمان‌ها بر ریز اقلیم شهری بود. از سوی دیگر، همبستگی منفی بین LST با NDVI وجود داشت که نشان‌دهندۀ تأثیر سرمایشی فضاهای سبز بوده است. در مطالعه‌ای دیگر زندی و همکاران (1401) در سنجش میزان خودهمبستگی فضایی دمای سطح زمین با کاربری اراضی در شهر اصفهان گزارش کردند که خوشه‌بندی در دمای سطح زمین با سطح اطمینان بیش از 99 درصد وجود داشته است و مناطق دارای پوشش گیاهی و آب اثر جزیرۀ گرمایی را تضعیف می‌کنند و جاهایی که مناطق ساخته‌شده در آنها گسترش یافته است، اثر جزایر گرمایی را سرعت می‌بخشند.
جمع‌بندی مطالعات نشان‌دهندۀ آن بود که برآورد دمای سطح زمین، شناسایی تغییرات جزایر حرارتی و شناخت عوامل مؤثر بر آن، اطلاعات مفیدی را برای برنامه‌ریزی و مدیریت شهری فراهم می‌کند. با توجه به اینکه تاکنون خودهمبستگی فضایی دمای سطح زمین در شهر اهواز و ارتباط آن با نوع کاربری اراضی بررسی نشده است، در این پژوهش به تحلیل فضایی دمای سطح زمین شهر اهواز در روز و شب و ارتباط آن با نوع کاربری اراضی با استفاده از سنجش از دور و قابلیت‌های سامانۀ اطلاعات جغرافیایی توجه شده است.
مواد و روش‌ها
منطقۀ موردمطالعه
شهر اهواز از کلان‌شهرهای ایران و مرکز استان خوزستان است که در موقعیت جغرافیایی ۳۱ درجۀ عرض شمالی و ۴۸ درجۀ طول شرقی در بخش جلگه‌ای خوزستان و با ارتفاع ۱8 متر از سطح دریا واقع شده و براساس محدوده و حریم مصوب شهرداری اهواز، به هشت منطقه تقسیم‌بندی شده است. شهر اهواز از سمت شمال به شهرهای شیبان، ویس، ملاثانی، شوشتر، دزفول و شوش، از شرق به شهرستان رامهرمز، از غرب به شهر حمیدیه و دشت آزادگان و از سمت جنوب به شهرهای شادگان، بندر ماهشهر، خرمشهر و آبادان محدود می‌شود. رودخانۀ کارون، پرآب‌ترین رودخان، ایران، با سرچشمه‌گرفتن از زردکوه، ورود به اهواز، این شهر را به دو بخش شرقی و غربی تقسیم می‌کند و ۹ پل بر روی کارون در اهواز وجود دارد. شرکت ملی مناطق نفت‌خیز جنوب، شرکت ملی حفاری ایران، کارخانه‌های عظیم فولاد خوزستان، لوله‌سازی خوزستان، شرکت کربن بلاک خوزستان در شهر اهواز قرار دارند. براساس اطلاعات و آمار هواشناسی ایستگاه سینوپتیک اهواز، جهت باد غالب اول، در تمام فصول سال غربی (W) و دوم، تمام فصول سال شمال غربی (NW) است. متوسط بارش بلندمدت سالانه برابر با 43/216 میلی‌متر، متوسط رطوبت 82/41 درصد، متوسط دمای بلندمدت 17/26 درجۀ سانتی‌گراد و براساس روش طبقه‌بندی اقلیمی دومارتن که متکی به دو متغیر میانگین بارندگی و میانگین دماست، به‌جز مناطق خشک قرار دارد (شکل 1).
شکل (1) منطقة موردمطالعه
Figure (1) Location of the study area
داده‌ها و روش کار
در پژوهش حاضر از داده‌های اقلیمی بارش، رطوبت نسبی و میانگین دمای ثبت‌شده با ایستگاه سینوپتیک مستقر در فرودگاه هواشناسی اهواز در طول 40/48 شرقی و عرض 20/31 شمالی با ارتفاع 5/22 متر از سطح دریا استفاده شد. برای انتخاب سال مطالعاتی از نمایۀ استانداردشدۀ بارش[8] (SPI) استفاده شد (McKee et al., 1993). در این راستا، داده‌های بلندمدت مجموع بارش ماهانه طی سال‌های 2021-1986 بررسی و شاخص SPI از فرمول 1 محاسبه و درنهایت سال 2020 (1399) به‌عنوان سال با وضعیت نرمال انتخاب شد. در مرحلۀ بعدی برای انتخاب ماه دریافت تصویر، با در نظر گرفتن شرایطی همچون نبودِ پوشش ابری و بارندگی در روز و ماه انتخابی و شرجی‌نبودن، تصویر ماهوارۀ لندست 8 در مسیر 165 و گذر 38 در تاریخ 21/05/2020 (01/03/1399) از تارنمای سازمان زمین‌شناسی ایالات متحده[9] دریافت شد. علاوه بر آن، از محصول آمادۀ دمای سطح زمین سنجندۀ مادیس (MOD11A1) در همین تاریخ، برای تحلیل فضایی دمای سطح زمین شب هنگام شهر اهواز استفاده شد. فلوچارت مراحل انجام پژوهش در شکل (2) ارائه شده است.
فرمول 1
که در آن Pi بارندگی سال i برحسب میلی‌متر، میانگین بارندگی بلندمدت و SD انحراف معیار بارش است.
شکل (2) فلوچارت مراحل پژوهش
Figure (2) Research process Flowchart
گام اول: برآورد دمای سطح زمین با الگوریتم [10]پنجره مجزا
برای استخراج دمای سطح زمین از الگوریتم پنجره مجزا استفاده شد که در مطالعات بسیاری به کار برده شده و دقت آن تأیید شده است (کاظمی و همکاران، 1398؛ میکائیلی حاجی کندی و همکاران، 1400؛ Abdul Athick et al., 2019؛ Shahfahad et al., 2020). روش پنجره مجزا با تلفیق دو باند حرارتی مجاور سعی در کاهش اثرات اتمسفری دارد. نیازنداشتن به پروفیل اتمسفری دقیق و کارآمدی برای تمام سنسورهای با حداقل 2 باند حرارتی از مزیت‌ها و وابستگی به اطلاع از ضریب گسیل و وابستگی ضرایب هر مدل به نوع منطقه از معایب این روش بوده (کاکه ممی و همکاران، 1399) است که از فرمول 2 محاسبه شد (Rongali et al., 2020).
فرمول 2
در این رابطه، TB10 و TB11 دمای درخشندگی باندهای حرارتی (10 و 11)، m میانگین گسیلمندی،W بخار آب موجود در جو، Dm اختلاف گسیلمندی باندهای حرارتی (10 و 11) و C0 تا C6 ضرایب الگوریتم پنجره مجزا هستند (جدول 1).
جدول (1) ضرایب الگوریتم پنجره مجزا
Table (1) Split-window coefficient values
|
C6 |
C5 |
C4 |
C3 |
C2 |
C1 |
C0 |
ضریب |
|
400/16 |
200/129- |
238/2- |
300/54 |
183/0 |
378/1 |
268/0- |
مقدار |
برآورد تابش طیفی و دمای درخشندگی
ارزش‌های رقومی باندهای حرارتی 10 و 11 ماهوارۀ لندست 8 با استفاده از فرمول 3 به تابش طیفی و سپس با به‌کارگیری فرمول 4 به دمای درخشندگی تبدیل شدند (Qin, 2001).
فرمول 3
در این رابطه، تابش طیفی بالای اتمسفر، Qcal ارزش رقومی پیکسل و ML فاکتور تبدیل ضربی و AL ضریب تبدیل تجمیع‌کننده و به‌ترتیب برابر با 04-E3420/3 و 1/0 است که از متادیتای تصویر استخراج شد.
فرمول 4
در این رابطه، TB دمای درخشندگی برحسب کلوین، k1 و k2 ضرایب ثابت کالیبراسیون برای باند 10 به‌ترتیب برابر با 8853/774 و 0789/1321 و باند 11 به‌ترتیب برابر با 8883/480 و 1442/1201 است که از متادیتای تصویر استخراج شد.
محاسبۀ بخار آب موجود در جو
با استفاده از داده‌های ثبت‌شده با ایستگاه سینوپتیک اهواز در تاریخ اخذ تصویر مقدار بخار آب موجود در جو با به‌کارگیری فرمول 5 محاسبه شد (Liu & Zhang, 2011; Guha & Govil, 2020).
فرمول 5
در این رابطه، مقدار بخار آب موجود در جو (g/cm2)، T0 دمای ثبت‌شده با ایستگاه سینوپتیک (K) و RH درصد رطوبت نسبی در سال، روز، ماه و ساعت اخذ تصویر است.
برآورد قابلیت انتشار سطح زمین (گسیلمندی)
اجسام با درجه حرارت بالاتر از صفر مطلق، تشعشعات الکترومغناطیسی از خود ساطح می‌کنند که به آن شار تابشی گفته می‌شود. در یک جسم سیاه تمام حرارت جذب‌شده منتشر می‌شود و نسبت بین گسیلش از یک شیء به گسیلش از جسمی سیاه را در دمای ثابت گسیلمندی[11] می‌گویند. مقدار گسیلمندی برای تبدیل دمای درخشندگی به دمای جنبشی سطح موردنیاز است (احمدی و همکاران، 1394). مقادیر گسیلمندی برای هر یک از باندهای حرارتی ماهوارۀ لندست 8 با استفاده از فرمول 6 محاسبه شد (Rongali et al., 2020).
فرمول 6
در این رابطه eV گسیلمندی پوشش گیاهی، eS گسیلمندی خاک در باندهای حرارتی است که برای باند 10 به‌ترتیب برابر با 987/0 و 971/0 و برای باند 11 به‌ترتیب برابر با 989/0 و 977/0 است، FVC شاخص کسری پوشش گیاهی است که از فرمول 7 محاسبه شد (Rongali et al., 2020).
فرمول 7
در این رابطه NDVI شاخص نرمال‌شده اختلاف پوشش گیاهی که از فرمول 8 محاسبه و NDVI(s) برابر با 2/0 و NDVI(v) برابر با 5/0 در نظر گرفته شد.
فرمول 8
در این رابطه مقادیر بازتاب در باند مادون قرمز نزدیک و مقادیر بازتاب در باند قرمز است
پس از محاسبۀ گسیلمندی، میانگین و اختلاف گسیلمندی باندهای حرارتی از روابط 9 و 10 محاسبه شد (Rongali et al., 2020).
فرمول 9
فرمول 10
در این روابط LSE10 مقدار گسیلمندی باند 10 و LSE11 مقدار گسیلمندی باند 11 است.
پس از به دست آوردن پارامترهای موردنیاز دمای سطح زمین برای سال 2020 با استفاده از رابطۀ 2 برحسب درجۀ کلوین محاسبه و سپس برای تبدیل واحد نقشه به درجۀ سانتی‌گراد از فرمول 11 استفاده شد.
فرمول 11
صحت‌سنجی دمای سطح زمین با دمای ایستگاه سینوپتیک
برای صحت‌سنجی نتایج برآورد دمای سطح زمین استخراج‌شده از تصویر لندست، با توجه به اینکه داده‌های دمای سطح زمین در زمان عبور ماهواره ثبت نشدند، از رابطه‌‌ای که Garcia و همکاران در سال 2007 درخصوص ارتباط دمای سطح زمین و دمای هوا در محیط شهری ارائه کردند، به شرح فرمول 12 استفاده شد که در مطالعات دیگر محققان نیز به کار برده شده است (احمدی و همکاران، 1394؛ پیرنظر و همکاران، 1399؛ ابراهیمی و همکاران، 1399). ابتدا، مقدار دمای سطح زمین در پیکسلی که موقعیت ایستگاه سینوپتیک اهواز را پوشش داده است، استخراج شد. در ادامه، با استفاده از فرمول 12 مقدار دمای سطح زمین به‌دست‌آمده از سنجنده لندست به دمای هوا تبدیل و با دمای ثبت‌شده توسط ایستگاه سینوپتیک مقایسه شد.
فرمول 12
در این رابطه، Ta دمای هوای به‌دست‌آمده از LST (دمای سطح زمین) است.
گام دوم: طبقه‌بندی تصویر ماهواره‌ای
برای طبقه‌بندی تصویر ماهواره‌ای ابتدا، نمونه‌های واقعیت زمینی با استفاده از دیگر تصاویر ماهواره‌ای موجود از منطقه، تصاویر Google Earth، برداشت نقاط کنترل زمینی با تفسیر تصاویر رنگی کاذب اخذ شدند و تعدادی از آنها برای ارزیابی نتایج طبقه‌بندی کنار گذاشته شد. در ادامه، نقشۀ کاربری اراضی شهر اهواز با استفاده از روش ماشین بردار پشتیبان با کرنل شعاعی در چهار کلاس کاربری شامل 1. اراضی ساخته‌شده؛ 2. پوشش گیاهی؛ 3. پهنۀ آبی؛ 4. اراضی لخت با استفاده از نرم‌افزار Envi 5.3 استخراج و دقت طبقه‌بندی با تشکیل ماتریس خطا و بررسی پارامترهای آماری دقت کلی و ضریب کاپا بررسی شد. پس از ارزیابی نتایج طبقه‌بندی، کلاس پهنۀ آبی در محیط نرم‌افزار Arc GIS 10.3 به دو کلاس آب و رودخانۀ کارون تفکیک شد.
گام سوم: تحلیل فضایی دمای سطح زمین
برای بررسی پراکنده یا خوشه‌ای‌بودن داده‌های دمای سطح زمین شهر اهواز از آمارۀ خودهمبستگی موران جهانی در نرم‌افزار Arc GIS 10.3 استفاده شد. این ابزار، خودهمبستگی فضایی را براساس مکان پراکنش دو مقدار بررسی و خصیصۀ مدنظر از عارضۀ جغرافیایی را در آن مکان تحلیل می‌کند. برای محاسبۀ آمارۀ موران ابتدا، نمرۀ استاندارد Z و p-value محاسبه و در مرحلۀ بعدی به ارزیابی و معناداربودن شاخص توجه می‌شود. اگر مقدار آمارۀ موران جهانی بزرگ‌تر از صفر باشد، داده‌ها نشان‌دهندۀ نوعی خوشه‌بندی فضایی هستند و اگر مقدار آمارۀ موران جهانی کمتر از صفر باشد، عوارض موردمطالعه دارای الگوی پراکنده هستند. در آمارۀ موران جهانی فرض صفر بیان می‌کند که هیچ نوع خوشه‌بندی فضایی بین مقادیر خصیصه مرتبط با عوارض جغرافیایی مدنظر وجود ندارد و اگر مقدار P-value بسیار کوچک و Z بسیار بزرگ باشد، فرض صفر رد می‌شود (آمارۀ موران جهانی از فرمول 13 محاسبه شد (انتظاری و همکاران، 1394؛ خسروی و همکاران، 1396؛ بحری و خسروی، 1397).
فرمول 13
در این رابطه Zi تفاضل بین مقدار خصیصۀ عارضۀ i با میانگین آن ( )، Wi,j وزن موجود بین عارضۀ i و j است، n تعداد کل عوارض جغرافیایی موجود در لایۀ مورداستفاده، S0 جمع کل وزن‌های فضایی که از فرمول 14 و نمرۀ استاندارد Zi از فرمول 15 محاسبه شد.
فرمول 14
فرمول 15
تحلیل لکه‌های داغ
در این پژوهش شناسایی لکه‌های داغ حرارتی با محاسبۀ آمارۀ گتیس-ارد جی از طریق روابط 16 و 17 در نرم‌افزار Arc GIS 10.3 انجام شد. این ابزار به هر عارضه در چارچوب عوارضی که در همسایگی‌اش قرار دارند، نگاه می‌کند و عارضه‌ای را لکۀ داغ می‌داند که هم خودش و هم همسایگانش ازلحاظ آماری معنادار باشد. در این تحلیل، جمع محلی یک عارضه و همسایگانش به‌طور نسبی با جمع کل عارضه‌ها مقایسه می‌شود و امتیاز Z برای خروجی نهایی زمانی به دست خواهد آمد که جمع محلی به‌طور زیاد و غیر منتظره‌ای از جمع محلی موردانتظار بیشتر و اختلاف به‌اندازه‌ای باشد که نتوان آن را درنتیجۀ تصادف دانست. برای امتیاز Z مثبت و معنادار ا نظر آماری، هرچه امتیاز Zبزرگ‌تر باشد، مقادیر بالا به میزان زیادی خوشه‌بندی می‌شوند و لکۀ داغ تشکیل می‌دهند. برای امتیاز Z منفی و معنادار ازنظر آماری، هرچه امتیاز Z کوچک‌تر باشد، به معنای خوشه‌بندی شدیدتر مقادیر پایین خواهد بود و این‌ها درحقیقت نشان‌دهندۀ لکه‌های سرد هستند (انتظاری و همکاران، 1394؛ خسروی و همکاران، 1396؛ بحری و خسروی، 1397؛ Zhang et al., 2018؛ Kumari et al., 2019). در پژوهش حاضر به‌منظور مقایسه و بررسی تغییرات دمای سطح زمین طی روز و شب، تحلیل‌های موران جهانی و لکه‌های داغ براساس محصول دمای سطح زمین شبانه سنجندۀ مودیس (MOD11A1) روی ماهوارۀ ترا با قدرت تفکیک مکانی یک کیلومتر انجام شد.
فرمول 16
فرمول 17
در این رابطه، xj مقدار خصیصۀ عارضۀ j، wij وزن فضایی موجود بین عارضۀ i و j و n تعداد کل عارضه‌هاست.
گام چهارم: بررسی رابطۀ بین دمای سطح زمین و کاربری اراضی و شاخص NDVI
برای بررسی تفاوت در دمای سطح زمین براساس نوع کاربری اراضی ابتدا، آزمون کولموگروف اسمیرنوف انجام و با توجه به معناداربودن این آزمون یعنی نرمال‌نبودن توزیع بین گروهی داده‌های دمای سطح زمین از آزمون ناپارامتری کروسکال-والیس[12] استفاده شد که برای تعیین تفاوت‌های آماری معنیدار بین دو یا چند گروه از یک متغیر مستقل بر یک متغیر وابستۀ پیوسته یا ترتیبی با تعداد نمونه‌های یکسان یا متفاوت استفاده می‌شود. در این پژوهش گروه‌ها شامل طبقات کاربری اراضی در برگیرندة اراضی ساخته‌شده که در این تحلیل به کاربری‌های 1. صنعتی؛ 2. سایر اراضی ساخته‌شده تفکیک شد؛ 3. پوشش گیاهی؛ 4. اراضی لخت؛ 5. پهنۀ آبی به‌عنوان متغیر مستقل و دمای سطح زمین به عنوان متغیر وابسته در نظر گرفته و در مرحلۀ بعدی اقدام به انتخاب تصادفی پیکسل‌های خالص برای هر کاربری شد. سپس ارزش‌های متناظر با دمای سطح زمین برای نقاط تصادفی برآورد و آزمون کروسکال-والیس در محیط نرم‌افزار SPSS26 انجام شد.
برای بررسی نقش پوشش گیاهی بر تغییرات دمای سطح زمین ابتدا، پیکسل‌های مربوط به نواحی ساخته‌شده از تصویر شاخص NDVI حذف شدند و با توجه به اینکه ارزش‌های پیکسل‌های منفی شاخص NDVI مربوط به اجزا غیر گیاهی مانند آب بود، با ایجاد ماسک باینری از دخالت این مقادیر در تجزیه و تحلیل جلوگیری و رگرسیون خطی بین مقادیر پیکسل‌های شاخص NDVI و LST با استفاده از نرم‌افزار TerrSet 2020 انجام شد. گفتنی است که با توجه به پیکسل سایز بالای تصاویر مادیس و امکان اختلاط کلاس‌های کاربری اراضی، تحلیل‌های مربوط به این بخش، فقط بر روی تصویر لندست 8 طی روز انجام شد.
یافته‌های پژوهش
اعتبارسنجی نقشۀ دمای سطح زمین روزانۀ شهر اهواز
براساس نتایج، اختلاف بین دمای هوای ثبت‌شده با ایستگاه سینوپتیک و به‌دست‌آمده از تصاویر لندست به میزان 5/0 درجۀ سانتی‌گراد حاصل شد که نشان‌دهندۀ آن است که دمای سطح زمین استخراج‌شده دقت لازم را دارد (جدول 2).
جدول (2) اعتبار سنجی دمای سطح زمین
Table (2) Land surface temperature validation
|
LST لندست |
دمای ایستگاه سینوپتیک (TA) |
دمای محاسبه‌شده از فرمول (Ta) |
اختلاف |
|
°c 01/50 |
°c 1/36 |
°c 6/36 |
°c 5/0 |
خصوصیات آماری دمای سطح زمین
براساس نتایج، کمترین دمای سطح زمین روزانه برابر با 58/35، بیشترین دما برابر با 53/81 و میانگین دما برابر با 96/51 درجۀ سانتی‌گراد به دست آمد (شکل 3-الف). منطقۀ 6 با 37/50 درجۀ سانتی‌گراد کمترین و منطقۀ 8 با 72/53 درجۀ سانتی‌گراد بیشترین میانگین دمای سطح زمین روزانه را داشته‌اند (شکل 4). براساس نتایج، میانگین دمای سطح زمین روزانه در شرق اهواز (مناطق 1، 3، 7 و 8) برابر با 73/52 و در غرب اهواز (مناطق 2، 4، 5 و 6) برابر با 12/51 درجۀ سانتی‌گراد به دست آمد (شکل 3)، بر این اساس میانگین دمای سطح زمین روزانه در شرق اهواز نسبت به غرب اهواز به میزان 61/1 درجۀ سانتی‌گراد بیشتر بوده است.
کمترین و بیشترین دمای سطح زمین شبانه به‌ترتیب برابر با 09/26 و 69/31 و میانگین دمای شبانه برابر با 22/29 درجۀ سانتی‌گراد به دست آمد (شکل 3-ب). منطقۀ 5 با 65/28 درجۀ سانتی‌گراد کمترین و منطقۀ 7 با 62/30 درجۀ سانتی‌گراد بیشترین میانگین دمای سطح زمین شبانه را داشته‌اند (شکل 4). براساس نتایج، میانگین دمای سطح زمین شبانه در شرق اهواز برابر با 57/29 و در غرب اهواز 85/28 درجۀ سانتی‌گراد به دست آمد (شکل 4). بر این اساس میانگین دمای سطح زمین شبانه در شرق اهواز نسبت به غرب اهواز به میزان 72/0 درجۀ سانتی‌گراد بیشتر بوده است.
شکل (3) دمای سطح زمین شهر اهواز، الف) روز. ب) شب
Figure (3) Land surface temperature, A) Day, B) Night
شکل (4) میانگین دمای سطح زمین مناطق هشتگانۀ اهواز
Figure (4) Mean of LST in 8 regions of Ahvaz
تهیۀ نقشۀ کاربری اراضی
نقشۀ کاربری اراضی حاصل از طبقه‌بندی تصاویر لندست 8 با استفاده از روش ماشین بردار پشتیبان در شکل (4) ارائه شده است. نتایج حاصل از ارزیابی نتایج طبقه‌بندی نشان‌دهندۀ آن بود که ضریب کاپا برای نقشه‌های کاربری اراضی بیش از 9/0 است که حاکی از مقبول‌بودن روش طبقه‌بندی است (جدول 3). بررسی مساحت طبقات کاربری اراضی در مناطق هشتگانۀ شهر اهواز نشان‌دهندۀ آن بود که اراضی ساخته‌شده در کلیۀ مناطق شهرداری بیشترین سطح را شامل شده‌اند. حداقل دمای سطح زمین و کمترین میانگین دمای سطح زمین روزانه مربوط به کلاس رودخانۀ کارون و به‌ترتیب برابر با 11/32 و 11/39 درجۀ سانتی‌گراد به دست آمد (جدول 3). بیشترین دمای سطح زمین روزانه با 53/81 درجۀ سانتی‌گراد مربوط به اراضی لخت است که این اراضی بیشترین میانگین دمای سطح زمین روزانه را با 34/54 درجۀ سانتی‌گراد نیز به خود اختصاص داده‌اند (جدول 3).
جدول (3) مساحت و ویژگی آماری دما در طبقات کاربری اراضی
Table (3) Land use area and LST statistic in Land use Classes
|
|
مساحت کاربری |
دمای سطح زمین |
|||
|
طبقه |
هکتار |
درصد |
کمترین |
بیشترین |
میانگین |
|
ساخته‌شده |
16/13478 |
51/63 |
71/38 |
87/69 |
57/51 |
|
پوشش گیاهی |
48/1935 |
12/9 |
20/36 |
29/66 |
39/48 |
|
اراضی لخت |
97/5714 |
93/26 |
28/43 |
53/81 |
34/54 |
|
آب |
9/79 |
38/0 |
59/35 |
67/59 |
52/43 |
|
رودخانه |
76/1049 |
- |
11/32 |
46/49 |
11/39 |
|
|
دقت کلی |
1/95 |
|
ضریب کاپا |
91/0 |
شکل (5) کاربری اراضی شهر اهواز
Figure (5) Land use Map of Ahvaz City
تحلیل موران جهانی دمای سطح زمین طی روز و شب
براساس نتایج، مقدار شاخص موران جهانی در روز و شب به‌ترتیب برابر با 94/0 و 9/0 حاصل شد. با توجه به اینکه مقدار شاخص موران جهانی نزدیک به مثبت یک به دست آمده است و مقدار p-value بسیار کوچک و z بسیار بزرگ حاصل شد (شکل 6)، فرض صفر مبنی بر نبودِ هیچ نوع خوشه‌بندی فضایی بین مقادیر دمای سطح زمین رد می‌شود و درنتیجه دمای سطح زمین شهر اهواز دارای خودهمبستگی فضایی در سطح اطمینان 99 درصد (p-value=0.01) است؛ یعنی دماهای بالا و پایین تمایل به خوشه‌ای‌شدن در فضا دارند.
شکل (6) تحلیل موران جهانی دمای سطح زمین، الف)روز. ب)شب
Figure (6) Global Moran Analysis of LST, A) Day, B) Night
تحلیل لکه‌های داغ حرارتی روزانه و شبانۀ شهر اهواز
مساحت لکه‌های داغ روزانه در شرق اهواز یعنی مناطق 1، 3، 7 و 8 برابر با 53/5050 هکتار و در غرب اهواز یعنی مناطق 2، 4، 5 و 6 برابر با 48/2022 هکتار حاصل شد. مساحت لکه‌های داغ شبانه در شرق اهواز برابر با 69/8055 هکتار و در غرب اهواز برابر با 66/4509 است (شکل 7). بیشترین مساحت لکه‌های داغ روزانه و شبانه مربوط به منطقۀ 8 شهرداری اهواز به‌ترتیب برابر با 92/2734 و 65/3160 هکتار است که به علت تجمع بیشتر کارخانه‌ها و مراکز صنعتی در این منطقه است. کمترین مساحت لکه‌های داغ روزانه و شبانه مربوط به منطقۀ 6 شهرداری اهواز به‌ترتیب برابر با 91/170 و 83/728 هکتار است (شکل 7).
شکل (7) مساحت لکه‌های داغ روزانه و شبانۀ مناطق هشت‌گانه اهواز
Figure (7) The area of Hot spot Pattern in 8 regions of Ahvaz
بررسی موقعیت لکه‌های داغ روزانه در مناطق هشتگانۀ شهر اهواز نشان‌دهندۀ آن بود که این لکه‌ها اغلب مناطق صنعتی و اراضی ساخته‌شده در اطراف آن، بیمارستان‌ها، پایانه‌های مسافربری، پمپ بنزین‌ها، مکان‌های نزدیک به جاده‌های پر ترافیک و اراضی لخت و بدون پوشش و اراضی کشاورزی رها شده را شامل شده‌اند (شکل 8-الف). مناطق با سطوح نفوذناپذیر و اراضی لخت و بایر به علت جذب و نگه‌داشتن انرژی خورشیدی اثر گرم‌کننده دارند و براساس مطالعات سطوح تیره و خشک زیر تابش مستقیم نور آفتاب، افزایش دمایی تا 88 درجۀ سانتی‌گراد طی روز را تجربه می‌کنند؛ در حالی که در همان شرایط میزان افزایش دمای پوشش گیاهی و خاک مرطوب فقط 18 درجۀ سانتی‌گراد گزارش شده است (Choudhury et al., 2019).
براساس نتایج، لکه‌های داغ شبانه در شرق اهواز تقویت و محدودۀ گسترده‌تری را شامل شده و جزایر حرارتی جدیدی در غرب اهواز شکل گرفته‌اند. از سوی دیگر، مشاهده شد که بعضی از جزایر داغ روزانه در شب از بین رفته‌اند که این جزایر اراضی بدون پوشش مناطق 2 و 3 را شامل شده است (شکل 8-ب). در طول روز اراضی بدون پوشش به علت دارابودن ظرفیت گرمایی پایین به‌سرعت گرم و در شب به‌سرعت سرد می‌شوند؛ در حالی که اراضی ساخته‌شده به علت وجود مصالح با ظرفیت گرمایی زیاد، در روز دمایی پایین‌تر دارند و هنگام شب، گرمای ذخیره‌شده در آنها به‌آهستگی بازتابش یافته است و دمایی بیشتر از اراضی بدون پوشش دارند. ساختمان‌های بلند نیز باعث محبوس‌شدن گرما در سطح شهر می‌شوند. این عوامل باعث تغییرات مساحت جزایر داغ در شب شده است. این یافته‌ها با نتایج مجرد و همکاران (1397)، هاشمی دره بادامی و همکاران (1398)، مختاری دهکردی و شاه حسینی (1398) و ترکی و مسعودیان (1400) مطابقت دارد. از سوی دیگر، هر پیکسل از تصویر سنجندۀ مودیس، دمای سطح زمین را در ابعاد 1000 در 1000 متری نشان می‌دهد و این پیکسل سایز امکان ادغام خصوصیات پدیده‌های مختلف را در سطح زمین افزایش می‌دهد. این مسئله به‌ویژه برای پوشش گیاهی که اغلب مساحتی کمتر از مساحت معادل با یک پیکسل (1000000 متر مربع) را در برگرفته، صدق می‌کند و درنتیجه بر میزان دمای سطح زمین ثبت‌شده مؤثر است که با نتایج مختاری دهکردی و شاه حسینی (1398) مطابقت دارد.
شکل (8) موقعیت لکه‌های داغ حرارتی شهر اهواز، الف) روز. ب)شب
Figure (8) Location of hot spot in ahvaz city, A) Day, B) Night
تحلیل لکه‌های سرد حرارتی روزانه و شبانۀ شهر اهواز
طی روز پارک‌ها، محدوده‌های اطراف رودخانۀ کارون، اراضی تحت کشت، پوشش‌های درختی و جنگلی و پهنۀ آبی، لکه‌های سرد روزانه را تشکیل داده‌اند (شکل 9-الف) و طی شب لکۀ سرد چشمگیری در سطح شهر اهواز مشاهده نمی‌شود (شکل 9-ب). مساحت لکه‌های سرد روزانه در غرب اهواز بیشتر از شرق اهواز است. به‌طوری که مساحت لکه‌های سرد روزانه در غرب اهواز برابر با 22/4541 هکتار و شرق اهواز برابر با 74/2644 هکتار حاصل شد (شکل 10).مساحت لکه‌های سرد شبانه در غرب اهواز برابر با 58/26 هکتار و شرق اهواز برابر با 68/344 هکتار حاصل شد (شکل 10). بیشترین مساحت لکه‌های سرد روزانه و شبانه مربوط به منطقۀ 3 شهرداری اهواز به‌ترتیب برابر با 27/1404 و 68/344 هکتار و کمترین مساحت لکه‌های سرد روزانه مربوط به منطقۀ 7 شهرداری اهواز برابر با 04/257 هکتار است (شکل 10).
شکل (9) موقعیت لکه‌های سرد حرارتی شهر اهواز، الف) روز. ب)شب
Figure (9) Location of Cold spot in ahvaz city, A) Day, B) Night
شکل (10) مساحت لکه‌های سرد روزانه و شبانۀ مناطق هشتگانۀ شهرداری اهواز
Figure (10) The area of Cold spot Pattern in 8 regions of Ahvaz
ارتباط تغییرات دمای سطح زمین روزانه با کاربری اراضی
مقدار آمارۀ آزمون کروسکال والیس طی روز برابر با 11/95 به دست آمده که با مقایسه با جدول توزیع کای دو با چهار درجۀ آزادی (k-1) یعنی 49/9، عدد بزرگ‌تری را به خود اختصاص داده و همچنین با توجه به مقدار معناداری آزمون، در سطح 5 درصد معنادار شده است (جدول 4)؛ بنابراین تفاوت معناداری بین گروه‌ها وجود دارد و به‌عبارتی، بین میانگین دمای کاربری‌ها تفاوت معناداری در سطح 5 درصد وجود داشت و کاربری صنعتی و اراضی لخت بیشترین میانگین رتبه‌ای و پهنۀ آبی و پوشش گیاهی کمترین میانگین رتبه‌ای را به خود اختصاص داده بودند. پژوهشگران دیگری در مطالعۀ خود تفاوت در میانگین دما را بین کاربری‌های مختلف با استفاده از آزمون کروسکال-والیس گزارش کردند که با نتایج این پژوهش مطابقت دارد (متکان و همکاران، 1393؛ کوشش وطن و همکاران، 1400؛ Kabano et al., 2021).
جدول (4) نتیجۀ آزمون کروسکال والیس-روزانه
Table (4) Daily Kruskal-Wallis Result
|
|
نوع کاربری |
تعداد |
میانگین رتبه‌ای |
|
دمای سطح زمین |
صنعتی |
18 |
67/89 |
|
سایر اراضی ساخته‌شده |
34 |
38/54 |
|
|
پوشش گیاهی |
17 |
94/29 |
|
|
اراضی لخت |
18 |
44/88 |
|
|
پهنه آبی |
20 |
7/10 |
|
|
مقدار آزمون |
116/95 |
000/0sig= |
مطالعات انجام‌شده در زمینۀ شناسایی جزایر حرارتی، نقش کاربری‌های صنعتی، خطوط حمل و نقل، اراضی لخت و بایر و تغییر کاربری اراضی در ایجاد جزایر حرارتی را تأیید می‌کند (فدایی، 1399؛ خدمت‌زاده و همکاران، 1400؛ Choudhury et al., 2019؛ Das et al., 2019)؛ به‌عنوان مثال (Sun et al., 2019) درنتیجۀ پژوهشی خود در شهر بجیانگ چین بیان کردند که شدیدترین جزیرۀ حرارتی مربوط به جنوب شرقی شهر بجیانگ بوده که بیشترین کارخانه‌های صنعتی در آن واقع شده است. در پژوهش دیگری بیان شد که فقر پوشش گیاهی و تراکم ساختمان‌های شهری بیشترین نقش را در خوشه‌ای‌شدن جزایر حرارتی در شهر گوانگژو چین داشته است (Guo et al., 2015). حلبیان و سلطانی (1399) درنتیجۀ پژوهش خود بیان کردند که مناطق صنعتی با آلودگی زیاد و مناطق مسکونی دارای بافت فرسوده و فشرده از عوامل تشدیدکنندۀ گرمایش شهری هستند و استقرار صنایع در محیط شهری نیز به شکل‌گیری پهنه‌های دمایی با گرمایش مضاعف در مقایسه با نقاط پیرامونی منجر شده است که با نتایج این پژوهش مطابقت دارد.
پوشش گیاهی از عوامل مؤثر بر تغییرات دمای سطح زمین و گزارش شده است که هر 10 درصد پوشش گیاهی به میزان 6/0 درجۀ کلوین دما را کاهش می‌دهد و درختان تأثیر زیادی بر کاهش دما دارند (Bhargava et al., 2017). نتایج حاصل از آنالیز رگرسیون خطی بین شاخص پوشش گیاهی NDVI و دمای سطح زمین نشان‌دهندۀ آن بود که بین دمای سطح زمین و شاخص NDVI همبستگی منفی برابر با 47/0- وجود دارد؛ یعنی با کاهش شاخص NDVI میزان دمای سطح زمین افزایش یافته است و بالعکس (شکل 11) که با نتایج (میکائیلی حاجی کندی و همکاران، 1400؛ خدمت زاده و همکاران، 1400؛ ابراهیمی و همکاران، 1399؛ Das & Angadi, 2020؛ Sekertekin & Zadbagher, 2021؛ Govi et al, 2020؛ Wang & Murayama, 2020؛ Sharma et al, 2021) مطابقت دارد. پوشش گیاهی یکی از عوامل تعدیل‌کننده در اقلیم محلی به شمار می‌رود و به‌عنوان راهبردی برای کاهش جزایر حرارتی و بهبود اقلیم شهری معرفی شده است. با افزایش تراکم پوشش گیاهی میزان دمای سطح زمین کاهش پیدا می‌کند؛ زیرا در نواحی دارای پوشش گیاهی بخشی از انرژی تابش‌های ورودی برای تبخیر، تعرق و فتوسنتز گیاه مصرف می‌شود که این انرژی بهصورت گرمای نهان ظاهر می‌شود و درنتیجه گرمای محسوس کاهش پیدا می‌کند و به دلیل رابطۀ مستقیمی که گرمای محسوس با دمای محیط دارد، باعث کاهش مقدار دمای سطح زمین می‌شود. اگر در منطقه‌ای پوشش گیاهی وجود نداشته باشد، فرآیند تعدیل دما صورت نمی‌گیرد و بیشتر انرژی رسیده از خورشید جذب می‌شود و درنتیجه میزان دما افزایش می‌یابد (انصاری و نوروزی، 1400).
شکل (11) رگرسیون خطی بین LST و NDVI شهر اهواز
Figure (11) Linear Regression between LST and NDVI
اثرات مثبت پوشش گیاهی بهصورت تأثیر بر عوامل هواشناسی شامل: دما، رطوبت، تابش و باد و همچنین نقش آن در کاهش مصرف و ذخیرۀ انرژی در ساختمان‌ها دانسته می‌شود. پوشش گیاهی به علت اثر خنک‌کنندگی بر محیط، نیاز به استفاده از مطبوع‌کننده‌های هوا را در دوره‌های گرم سال کاهش و درنتیجۀ آن میزان مصرف انرژی کاهش می‌یابد. براساس مطالعات به ازای هر درجۀ سانتی‌گراد افزایش دما، تقاضا برای برق 2-4 درصد افزایش یافته است و با توجه به وجود جزایر حرارتی در شهرها، میزان مصرف انرژی برای خنک‌شدن افزایش پیدا می‌کند (Bhargava et al., 2017). این مسئله برای شهر اهواز که در بیشتر ماه‌های سال و به‌خصوص فصل تابستان هوای گرم را تجربه می‌کند، ازنظر ذخیرۀ انرژی حائز اهمیت است.
براساس نتایج میانگین شاخص NDVI شهر اهواز برابر با 17/0 است و بررسی میدانی نشان‌دهندۀ آن بود که پوشش گیاهی شهر اهواز کیفیت مطلوبی ندارد (شکل 12). فقر پوشش گیاهی باعث افزایش دمای سطح زمین و شکل‌گیری جزایر حرارتی می‌شود. مطالعات گزارش کرده‌اند که بین جزایر حرارتی شهری و مناطق با تراکم کم پوشش گیاهی ارتباط قوی وجود دارد و در محیط‌هایی که استرس حرارتی وجود دارد، افزایش کاربری پوشش گیاهی برای کاهش دما اهمیت دارد (Ca et al., 1998; Gaffin et al., 2010). به‌طوری که براساس مطالعه (Kaufmann et al., 1998) با افزایش مقادیر شاخص NDVI در تابستان، مقدار دمای سطح زمین کاهش یافته است. عبدلی و همکاران (1400) درنتیجۀ بررسی نقش پوشش فضای سبز شهری بر روند تغییرات دمای سطح محیط‌های شهری در شهر ساری گزارش کردند که منطقۀ مرکزی شهر گرم‌تر است؛ زیرا ازلحاظ پوشش و پراکندگی فضای سبز نسبت‌به دیگر مناطق شهر نامناسب‌تر است. خلیلی مقدم و همکاران (1399) نیز درنتیجۀ مطالعه‌ای که به‌منظور ارزیابی محدودیت‌های بستر خاک در فضای سبز شهر اهواز و مدیریت آنها انجام داده بودند، گزارش کردند که در پارک‌های موردمطالعه در آغاز احداث فضای سبز، بیشتر به وسعت، کمیت و تعداد گیاه توجه شده و به کیفیت آن چندان توجهی نشده و فضای سبز موجود وضعیت مناسبی نداشته و فاقد طراوت لازم برای فضای سبز در سطح پارک‌ها است. در پژوهشی دیگر امانپور و داری‌پور (1396) گزارش کردند که فضای سبز شهر اهواز تنها 4/1 درصد از کل مساحت شهر را تشکیل می‌دهد؛ بنابراین ضروری است که اقدامات لازم برای بهبود وسعت کیفیت پوشش گیاهی در شهر اهواز صورت گیرد.
شکل (12) وضعیت اراضی در منطقۀ کوی نبوت-منطقه 8 اهواز
Figure (12) Land Situation in koye nabovat- 8th ahvaz region
نتیجهگیری
تمرکز زیاد مراکز صنعتی، مساحت زیاد اراضی لخت و کمبود پوشش گیاهی از دلایل اصلی پیدایش جزایر حرارتی در شهر اهواز بوده که اثرات مخربی بر ابعاد مختلف محیط‌زیست گذاشته است. گسترش پوشش گیاهی و فضای سبز، ایجاد سقف سبز بر روی ساختمان‌هایی که مساحت زیادی دارند، مانند مراکز آموزشی، تجاری و اداری، تبدیل و تغییر کاربری اراضی لخت به کاربری‌های مناسب، استفاده از رنگ‌های روشن در ساخت‌وساز نمای ساختمان‌ها، جاده‌ها، خیابان‌ها و پارکینگ‌ها توجه بیشتر به بخش کشاورزی و جلوگیری از گسترش شهری در اراضی کشاورزی، برنامه‌ریزی و مدیریت بهینۀ ترافیک در مکان‌های پرتردد، خیابان‌ها و میادین با ترافیک زیاد، ازجمله اقداماتی است که برای متعادل‌سازی دمای سطح زمین در شهر اهواز توصیه می‌شود. علاوه بر آن، مناطق انسان ساخت باید به‌گونه‌ای احداث شوند که در مسیر طبیعی جریان باد اختلال ایجاد نکنند و با توجه به نقش آب در متعادل‌سازی دمای محیط ضرورت دارد که به مسائل، مشکلات و حقابۀ رودخانۀ کارون توجه بیشتری شود؛ همچنین با بهره‌گیری از عنصر آب در طراحی محیط شهری نسبت به اقداماتی از قبیل احداث آب‌نما در سطح شهر اهواز اقدام شود. پیشنهاد می‌شود که در پژوهش‌های آینده تأثیر ارتفاع ساختمان‌ها و عرض معابر، شیب و جهت شیب بر روی جزایر حرارتی بررسی شود و با توجه به اینکه در این پژوهش سال مطالعاتی براساس نتایج شاخص استاندارد بارش (SPI) بهصورت نزدیک به نرمال و فصل تابستان انتخاب شد، پیشنهاد می‌شود که پژوهش‌های دیگری در شرایط خشک‌سالی و ترسالی و دیگر فصل‌ها انجام و نتایج آن با نتایج این پژوهش مقایسه شود.
تشکر و قدردانی
این مطالعه نتیجۀ طرح پژوهشی به شمارۀ مصوب 1/411/499 تحت حمایت دانشگاه علوم کشاورزی و منابع طبیعی خوزستان بوده است. بدین وسیله از معاونت محترم پژوهشی دانشگاه بابت حمایت‌های مالی طرح تحقیقاتی تقدیر و تشکر به عمل می‌آید.
[1] . Land Surface Temperature
[2] . Global Moran's
[3] . Getis-ord GI
[4] . Normalized Difference Vegetation Index
[5] . Normalized Difference Built-up Index
[6] . Normalized Difference Water Index
[7] . Index-based Built-up Index
[9]. https:// earthexplorer.usgs.gov
[10]. Split Window
[11]. Emissivity
[12] .Kruskal-Wallis
)
