نوع مقاله : مقاله پژوهشی
نویسنده
استادیار گروه مهندسی عمران، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران
چکیده
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
نویسنده [English]
Abstract
In recent decades, one of the environmental factors that has garnered significant attention from researchers is the increase in Land Surface Temperature (LST) and the emergence of urban heat islands in cities. This study aimed to analyze the spatial and temporal variations in LST in the eastern part of Qazvin Province across two phases. In the first phase, LST was calculated using Landsat 8 satellite images from 2016, 2019, and 2021, allowing for an examination of temperature trends during summer and winter. The second phase focused on evaluating the influence of various topographical and anthropogenic factors on temperature changes within the region. The relationships were extracted and analyzed using the statistical-spatial Frequency Ratio (FR) technique. The results indicated that during summer, areas experiencing temperatures above 35°C had increased from approximately 6,600 km² in 2016 to over 9,300 km² in 2021. Conversely, in winter, the extent of sub-zero temperatures had decreased from about 1,330 km² in 2016 to around 890 km² in 2021. Overall, this suggested a general increase in regional temperatures over the study period. Among the selected natural factors, the FR values for the aspect layer indicated it was more influential than other factors. Additionally, barren land cover exhibited an FR value of 0.75 in areas with temperatures exceeding 35°C in summer, while snow cover showed a frequency ratio of 0.89 in regions with temperatures below -13°C in winter. These findings underscored the impacts of land use and cover on LST. By extracting such spatial-temporal relationships from the studied area, we could take effective measures in urban planning, environmental management, and crisis response, thereby mitigating numerous negative environmental consequences.
Keywords: Land Surface Temperature (LST), Spatiotemporal Analysis, Frequency Ratio (FR), Geographic Information System (GIS), Qazvin Province.
Introduction
In recent decades, the increase in Land Surface Temperature (LST) has become a significant environmental concern for researchers in urban and environmental studies. Numerous studies have demonstrated that urban areas typically experience higher temperatures than their surrounding environments due to human activities. These activities include heating and cooling processes, transportation and road construction, industrial operations, and excessive absorption of solar radiation by urban structures. Additionally, the scarcity of green spaces and poor air circulation exacerbate this issue. Today, LST calculations are primarily conducted using satellite imagery, particularly through the processing of thermal infrared bands. One of the most commonly utilized datasets in this context is the thermal bands from Landsat 8 satellite images (TIRS). Researchers have developed various algorithms for calculating LST, including the Split Window Algorithm (SWA), SEBAL method, and Single-Channel Algorithm (SCA). After computing surface temperatures, spatial relationships between various independent natural and human factors and the calculated temperatures can be analyzed using Geographic Information System (GIS) capabilities and statistical methods. Over the last two decades, application of statistical and probabilistic models within the GIS framework to assess the impacts of various factors on specific phenomena has gained considerable attention.
The primary aim of this study was to extract trends in LST changes from 6 Landsat 8 images taken from the eastern part of Qazvin Province during both summer and winter in 2016, 2019, and 2021,. The secondary objective was to investigate the relationship between changes in LST treated as a dependent variable and several topographical and human factors of the study area considered as independent variables across the two seasons. Ultimately, the goal was to analyze the impacts of different classes of independent variables on the trends in surface temperature during the selected time period using the Frequency Ratio (FR) regression model.
Materials & Methods
The eastern part of Qazvin Province was chosen as the study area for this research. This region is significant for environmental assessments due to the presence of several industrial zones, Tehran-Karaj-Qazvin freeway, which connects a large portion of eastern and central Iran to the western provinces, and Shahid Rajaee Power Plant located along this route. To assess the trend in temperature changes, Landsat 8 satellite images from the winters and summers of 2016, 2019, and 2021 were utilized. After downloading the images from the website of United States Geological Survey, initial preprocessing steps were conducted using ENVI software. These steps included radiance and atmospheric calibration to correct for sensor and atmospheric errors, as well as cropping the images to focus on the study area. Following the calculation of surface temperature from the satellite images, the results were validated using the SEBAL method. The discrepancies were found to be less than 1°C. Additionally, the calculated temperatures were compared with hourly air temperature data from Qazvin meteorological stations recorded during the overpass of the Landsat satellite, with differences remaining under 1.5°C. The final LST maps produced in ENVI were then imported into ArcGIS software for further classification, comparison, and spatial-temporal evaluation.
To achieve the second objective, various data layers related to natural and human factors—including a digital elevation model, slope, aspect, land cover map, and road network—were compiled. The relationship between LST (the dependent variable) and these variables (independent variables) was analyzed using the FR regression statistical model. The FR method is a widely used data mining approach for modeling and forecasting various natural hazards and urban trends.
Research Findings
The analysis of LST trends indicated that the northern part of the study area had generally experienced lower average temperatures due to its higher latitude and elevation. In contrast, the southern part had a higher average temperature attributed to its lower latitude, reduced altitude, and flatter terrain. Notably, while winter 2019 recorded lower temperatures than the other two years, the summer of 2019 exhibited higher minimum and maximum temperatures compared to the preceding years. A significant portion of the region had recorded temperatures ranging from 30 to 45°C. Overall, the temperature calculations for the summer across the three years suggested a warming trend from 2016 to 2021.
When evaluating the impacts of various factors on surface temperature, the slope direction layer demonstrated a greater influence than either the elevation or slope layers. Generally, northern slopes (north, northwest, and northeast) exhibited higher frequency ratios during summer due to reduced sunlight exposure in winter. Conversely, southern and southeastern slopes showed higher FRs in summer compared to winter, reflecting increased solar radiation. By extracting relationships through the FR method, valuable insights into the influence of independent variables on regional temperature could be gleaned. In summer, barren lands were associated with a very high FR for the hottest temperature class, while this ratio was significantly lower in winter. Agricultural and grassland areas also exhibited considerable heat during summer compared to winter. Factors like soil type, terrain flatness, direct solar radiation exposure, and aspect were crucial contributors to the elevated temperatures in these regions. Additionally, the impact of industrial activities on surface temperature increases was significant across all three years, affecting both winter and summer seasons. In each season during the selected timeframe, industrial FR values were consistently higher at elevated temperatures. Areas designated as industrial zones and towns had recorded higher temperatures than surrounding urban areas. Furthermore, the influence of vehicle traffic on roadways was particularly pronounced in winter, with barren lands adjacent to roads contributing notably to ambient air warming.
The FR calculation process assessed the occurrence of a phenomenon as a dependent variable in relation to independent variable classes. This evaluation could assist in predicting natural events, such as floods, earthquakes, landslides, and other phenomena.
Discussion of Results & Conclusion
This study aimed to analyze the Land Surface Temperature (LST) of the eastern part of Qazvin Province in two stages. In the first stage, surface temperature was estimated using two widely used calculation methods and the rate of temperature fluctuations during the selected time period was assessed. The results indicated a strong correlation between the two methods of estimating surface temperature, as well as a close alignment with the hourly air temperatures recorded by meteorological stations in Qazvin. This consistency could be attributed to the incorporation of key parameters, such as the emissivity coefficient, spectral radiation, and brightness temperature from thermal bands.
A detailed statistical evaluation of LST classes revealed a clear increase in temperature from 2016 to 2021.
In addition to identifying temperature trends, it was also crucial to examine the factors influencing these changes. In the second stage, the effects of various layers—such as elevation, slope, aspect, land cover, and proximity to road networks—were evaluated using the Frequency Ratio (FR) method. The results demonstrated significant impacts from both human and natural variables on surface temperature fluctuations. By extracting these relationships, valuable insights were gained regarding the influence of independent variables on the dependent variable—surface temperature. These findings can be applied in various fields, including urban planning, environmental management, and crisis response. Finally, for more accurate calculations and analyses of surface temperature, particularly in urban areas, the use of high-resolution data and images is recommended to effectively assess different urban land uses.
کلیدواژه‌ها [English]
مقدمه
افزایش دمای سطح زمین یکی از پدیده‌ها و یا مشکلات زیست‌محیطی است که چند دهه‌ای دغدغۀ اصلی پژوهشگران و محققان حوزۀ محیط زیست و شهری شده است. محققان در پژوهش‌های زیادی نشان داده‌اند که اغلب فضاهای شهری به‌دلیل فعالیت‌های انسانی به‌خصوص درزمینۀ گرمایش و سرمایش محیط زندگی، فعالیت‌های حملونقل و راه‌سازی، صنعتی و همچنین، ذخیرۀ بیش از حد تابش خورشیدی با سازه‌های شهری، کمبود فضای سبز و طبیعی، گردش منفی هوا و ... دمای بیشتر نسبت به محیط اطراف خود دارند (دلبسته، 1397). این بیشینه دمایی محیط‌های شهری خود باعث مشکلات زیادی درزمینۀ سلامتی ساکنان، افزایش آلودگی هوا و محیط زیست، افزایش مصرف انرژی، کاهش سلامت ساکنان و ... می‌شود (Almeida et al., 2021). برای مطالعه و درنهایت، جلوگیری و کنترل این پدیده اولین گام محاسبۀ دمای سطح زمین است. عوامل مهمی در افزایش و کاهش دمای سطح زمین دخیل است که می‌توان به‌صورت کلی، آنها را به عوامل و متغیرهای طبیعی و غیرطبیعی یا انسانی (نوع پوشش و یا کاربری اراضی، فعالیت‌های شهری و غیرشهری، صنعتی و...) تقسیم‌بندی کرد (علوی‌پناه، 1381؛ محمودزاده و همکاران، 1398).
برخلاف گذشته که پژوهش‌های دمای سطح زمین با داده‌های هواشناسی و یا پیمایش زمینی انجام می‌گرفت، امروزه در این زمینه سنجش از دور به‌دلیل پوشش وسیع، بی‌نیازی به حضور در منطقه، کسب اطلاعات بروز و ... جایگزین روش‌های سنتی شده است (محمودزاده و همکاران، 1398). محققان امروزه از سیستم اطلاعات مکانی به‌دلیل وجود ابزارهای مختلف تحلیل مکانی در بسیاری از زمینه‌های علمی و پژوهشی استفاده می‌کنند. محاسبۀ دمای سطح زمین از تصاویر ماهواره‌ای اخذ‌شده از منطقۀ مطالعه‌شده و انجام‌دادن مراحل مختلف پردازش تصویر در بخش مادون قرمز حرارتی انجام می‌گیرد. یکی از پرکاربردترین و در‌دسترس‌ترین داده‌ها در این زمینه تصاویر ماهواره‌ای لندست به‌خصوص لندست 8 (TIRS) و باندهای حرارتی این سنجنده است (Bendib et al., 2017). الگوریتم‌های مختلفی نیز برای محاسبۀ دمای سطح زمین وجود دارد که محققان به برخی از آنها نظیر الگوریتم پنجرۀ مجزا، الگوریتم تک‌کاناله توجه کرده‌اند (Guo et al., 2020؛ ولیزاده و همکاران، 1396؛ محمودزاده و همکاران، 1398؛ کافی و همکاران، 1402).
پس از محاسبۀ دما استخراج ارتباطات مکانی دمای محاسبه‌شده با دیگر عوامل طبیعی و غیرطبیعی مستقل را می‌توان از توانمندی‌های تحلیل‌های مکانی سیستم اطلاعات جغرافیایی و نیز با برخی روش‌های آماری انجام داد. در دو دهۀ اخیر محققان به استفاده از مدل‌های آماری و احتمالاتی در بستر GIS برای انجام‌دادن تحلیل پدیده‌های مختلف مکانی به‌صورت ارزیابی تأثیرگذاری عوامل مؤثر بر یک پدیدۀ خاص بسیار توجه کرده‌اند (Abdullahi & Pradhan, 2018). برای مثال، مطالعات بسیاری دربارۀ دمای سطحی درزمینۀ تأثیر مثبت پوشش گیاهی در کاهش دمای منطقه و تأثیرات منفی فعالیت و ساخت‌و‌سازهای شهری در افزایش دمای سطحی انجام شده است (آروین، 1397؛ دلبسته، 1397؛ محمودزاده و همکاران، 1398؛ آزموده، 1400؛ هروی و همکاران، 1395).
پیشینۀ پژوهش
صداقتی و طالب‌خواه (1396) پژوهشی با عنوان «توسعه مبتنی بر حمل و نقل همگانی و کاهش جزایر حرارتی در شهرها: پیشنهادهایی برای تلفیق راهکارها (نمونه موردی: شهر بجنورد» انجام دادند. محققان در این مطالعه با تحلیل اطلاعات مربوط به دما در سال‌های 1382 تا 1394 در محیط داخل و خارج شهر بجنورد وجود پدیدۀ جزایر حرارتی در شهر بجنورد را نشان دادند و در‌ادامه، راهکارهایی را براساس توسعۀ حملونقل محور برای کاهش این پدیده ارائه کردند.
سلیمانی و همکاران (1399) پژوهشی با عنوان « بکارگیری الگوریتم تک کاناله در تحلیل جزیره حرارتی منطقه شهری» انجام دادند. محققان در این مطالعه برای ارزیابی نقطه‌ای تغییرات دمای شهر ساری با کاربری اراضی، پوشش گیاهی، ترافیک و تیپ‌های خاک در بازۀ زمانی 30 ساله از تصاویر لندست 5 و 8 و الگوریتم تک‌کاناله استفاده کردند. نتایج نشان داد که در‌طی 30 سال با کاهش فضای سبز و افزایش اراضی شهری وسعت جزایر حرارتی بیش از 20 درصد افزایش پیدا کرده است.
محمودزاده و همکاران (1398) پژوهشی با عنوان «محاسبه دمای سطح زمین و استخراج جزایر حرارتی با استفاده از تصاویر ماهواره‌ای لندست8 و الگوریتم پنجره مجزا در شهر ارومیه» انجام دادند. محققان در این مطالعه برای انجام‌دادن تحلیل‌های مرتبط با جزایر حرارتی دمای سطح زمین را محاسبه کردند. نتایج این پژوهش نشان داد که پوشش گیاهی کم‌تراکم، مسکونی، کارگاهی و صنعتی با سطوح نفوذناپذیر بیشترین دما را در فصل تابستان و پوشش گیاهی و طبیعی و مناطق با مصالح آجر، چوب و خشت کمترین دما را دارند.
انصاری و نوروزی (1402) پژوهشی با عنوان « بررسی خودهمبستگی فضایی دمای سطح زمین و ارتباط آن با کاربری اراضی شهر اهواز » انجام دادند. محققان در این مطالعه خودهمبستگی فضایی دمای سطح زمین و ارتباط آن را با کاربری اراضی شهر اهواز با روش پنجرۀ مجزا از تصاویر لندست و مادیس به دست آوردند. براساس نتایج به‌دست‌آمده تفاوت معناداری بین میانگین دمای کاربری‌ها در‌سطح احتمال پنج درصد وجود دارد و کاربری ساخته‌شده از‌نوع صنعتی و اراضی بایر بیشترین دما و پهنۀ آبی و پوشش گیاهی کمترین دما را داشت. درنهایت، بین شاخص پوشش گیاهی و دمای سطح زمین نیز همبستگی منفی حاصل شد.
زندی و همکاران (1402) پژوهشی با عنوان «سنجش میزان خودهمبستگی فضایی دمای سطح زمین با کاربری اراضی نمونۀ مطالعه: شهر اصفهان » انجام دادند. محققان در این مطالعه اثر جزیرۀ گرمایی شهری اصفهان را با هدف ارزیابی خودهمبستگی فضایی نسبت به کاربری اراضی شهری با تصاویر لندست 8 تجزیه‌و‌تحلیل کردند. نتایج نشان داد که میان جزایر حرارتی با کاربری‌های ساخته‌شده و بایر ارتباط مستقیم و افزایشی و ارتباط آن با کاربری‌های پوشش گیاهی و آب معکوس است. همچنین، نتایج پراکندگی مکانی لکه‌های داغ و سرد را در‌سطح شهر نشان داد.
پانده و همکاران پژوهشی با عنوان «مدل‌سازی پیش‌بینی دمای سطح زمین (LST) براساس داده‌های ماهواره‌ای Landsat-8 و مدل‌های یادگیری ماشین برای توسعۀ پایدار» انجام دادند. محققان در این مطالعه یک مدل تحلیل خودهمبستگی را برای پیش‌بینی دمای سطح زمین و استخراج تأثیرات محیطی آن براساس تصاویر لندست 8 با ادغام سه روش مختلف یادگیری ماشین ارائه کردند. همچنین، برای ارزیابی و تحلیل خودهمبستگی متغیرهای دما، پوشش گیاهی، بارش و تبخیر از روش رگرسیون خطی استفاده شد. نتایج همبستگی بالای شاخص پوشش گیاهی را با تبخیر و همبستگی پایین پوشش گیاهی را با دما و نیز پوشش گیاهی با بارش را نشان داد (Pande et al., 2024).
هدف از پژوهش حاضر در وهلۀ اول استخراج روند تغییرات دمای سطح زمین از شش تصویر لندست 8 اخذ‌شده در سال 2016، 2019 و 2021 در دو فصل تابستان و زمستان در بخش شرقی استان قزوین است. هدف دوم بررسی ارتباط تغییرات دمای سطح زمین به‌عنوان متغیر وابسته و دیگر عوامل توپوگرافی (ارتفاع، شیب و جهت‌شیب) با عوامل انسانی چون پوشش و کاربری اراضی و شبکۀ جاده‌های منطقۀ مطالعه‌شده به‌عنوان پارامترهای مستقل با در نظر گرفتن دو فصل تابستان و زمستان است. در‌حقیقت، هدف از این مطالعه استخراج تأثیر طبقه‌های مختلف لایه‌های متغیرهای مستقل بر کاهش یا افزایش دمای سطح منطقه در دورۀ زمانی تعیین‌شده با مدل رگرسیون است. برای انجام‌دادن این پژوهش از تصاویر لندست 8، تصاویر رقومی ارتفاع منطقه، لایۀ کاربری اراضی و شبکۀ جاده‌های استان (با استفاده از دو نرم‌افزار ArcGIS و ENVI) و نیز برای استخراج روند تغییرات و ارتباطات مکانی و زمانی دمای سطح زمین نسبت به متغیرهای وابسته از روش آماری نسبت فراوانی استفاده شده است.
منطقۀ مطالعه‌شده
در این پژوهش از بخش شرقی استان قزوین به‌عنوان منطقۀ مطالعه‌شده استفاده شده است (شکل 1). وجود چندین شهرک صنعتی در این منطقه و آزادراه تهران- کرج- قزوین که متصل‌کنندۀ بخش وسیعی از شرق و مرکز کشور به استان‌های غربی و نیروگاه شهید رجایی در این آزادراه است، این منطقه را از‌نظر ارزیابی‌های زیست‌محیطی به‌خصوص افزایش دمای سطحی حائز اهمیت کرده است (مجاور و همکاران، 1401)
شکل 1: چپ: کشور ایران، استان قزوین؛ راست: منطقۀ مطالعه‌شده (منبع: نگارنده)
Figure 1: Left side: Iran, Qazvin province; Right side: Study area
استان قزوین با مساحتی معادل 15623 کیلومتر مربع در‌حوزۀ مرکزی ایران بین 48 درجه و 44 دقیقه تا 50 درجه و 51 دقیقه طول شرقی از نصف النهار گرینویچ و 35 درجه 24 دقیقه تا 36 درجه و 48 دقیقه عرض شمالی نسبت به خط استوا قرار دارد. استان قزوین در شمال غربی کشور واقع شده است و از شمال به استان مازندران و گیلان، از غرب به زنجان، از جنوب به استان مرکزی و همدان و از شرق به البرز محدود می‌شود. به‌دلیل گسترش کم استان از‌نظر عرض جغرافیایی، زاویۀ تابش خورشید در شمالی‌‌ترین و جنوبی‌ترین مناطق استان قزوین تفاوت کمی را نشان می‌دهد. به‌دلیل وجود آزادراه تهران- کرج- قزوین و پوشش تصویر لندست، بخش غربی استان البرز و محدودۀ کوچکی از استان تهران و مرکزی نیز در تحلیل‌های این پژوهش با مجموع 12345 کیلومتر مربع بررس می‌شود.
روش‌شناسی پژوهش
ارزیابی روند تغییرات دمای سطح منطقۀ مطالعه‌شده در دورۀ زمانی تعیین‌شده و استخراج ارتباط تغییرات دما با برخی از عوامل انسانی و طبیعی دو هدف اصلی این پژوهش است که به‌صورت جداگانه به آنها پرداخته خواهد شد. مراحل انجام‌دادن پژوهش شامل تصاویر ورودی و پردازش‌های انجام‌گرفته در شکل 2 نشان داده شده است.
شکل2: فلوچارت مراحل انجام‌دادن پژوهش (منبع: نگارنده)
Figure 2: The workflow of the research
در مرحلۀ هدف اول پژوهش حاضر از تصاویر ماهواره‌ای لندست 8 در زمستان و تابستان سه سال 2016، 2019 و 2021 استفاده شد. در‌حین انتخاب و دانلود تصاویر تلاش بر عاری‌بودن از پوشش ابری، در نظر گرفتن دو فصل تابستان و زمستان و نزدیک‌بودن تاریخ روز اخذ تصویر در هر سال بوده است. هدف از انتخاب دو فصل تابستان و زمستان ارزیابی ناهنجاری‌های حرارتی در دو فصل سرد و گرم سال بود. در این مطالعه از باندهای 10 و 11 مادون قرمز حرارتی برای محاسبات دمای سطحی استفاده شد.
پس از دانلود تصاویر از سایت سازمان زمین‌شناسی ایالات متحدۀ آمریکا (United States Geological Survey) به‌عنوان اولین اقدام‌های پیش‌پردازش، مراحل کالیبراسیون رادیانس و اتمسفریک با هدف حذف خطاهای ناشی از سنجنده و اتمسفر و برش تصویر در محدودۀ مطالعاتی با استفاده از نرم‌افزار ENVI انجام گرفت. برای دستیابی و محاسبۀ دمای سطح زمین پژوهشگران روش‌ها و الگوریتم‌های زیادی را ارائه کردند؛ البته در بیشتر روش‌ها، پارامترها و شاخص‌هایی نظیر ضریب گسیلندگی، تابش طیفی، دمای درخشندگی باندهای حرارتی، پوشش گیاهی به‌صورت مشابه به کار گرفته می‌شود ( Majumder et al., 2021; Sajib & Wang, 2020). در‌ادامه، به برخی از نکات و روابط مهم این فرآیند اشاره خواهد شد.
اولین اقدام محاسبۀ تابش طیفی است که با رابطۀ زیر به دست می‌آید:
(1)
در این رابطه تابش طیفی در بالای اتمسفر؛ ضریب اصلاحی رادیانس ضربی هر باند (موجود در فایل مرجع تصویر)؛ مقدار عددی هر پیکسل تصویر؛ ضریب اصلاحی افزایشی هر باند (موجود در فایل مرجع تصویر) است. همچنین، برای تبدیل تابش طیفی به دمای درخشندگی در‌سطح سنجنده از رابطۀ زیر استفاده می‌شود:
(2)
در این رابطه دمای درخشندگی (کلوین) و مقدار‌های (W/m2sr/μm) و (کلوین) ضرایب ثابت موجود در فایل فرادادۀ تصاویر است. بر همین اساس، به‌طور اختصار مراحل محاسبۀ دمای سطح زمین در پژوهش حاضر به شرح زیر ارائه می‌شود:
(3)
در این رابطه TC دمای روشنایی، λ طول موج رادیانس ساطع‌شدۀ حرارتی، E گسیلمندی و ρ ضریب ثابت است که با ضرایب ثابت استفان بولتزمن و پلانک محاسبه می‌شوند.
پس از محاسبۀ دمای سطح زمین با مراحل ذکر‌شده برای هر 6 تصویر موجود، جهت ارزیابی و تصدیق نتایج به‌دست‌آمده، دمای سطحی با روش سبال (Saraskanrood et al., 2022) برای تصاویر محاسبه شد و بدین ترتیب، نتایج محاسبات دما با کمتر از یک درجه سلسیوس به دست آمد. در روش سبال (توازن انرژی برای سطح زمین) پس از اعمال تصحیح اتمسفری باند حرارتی، دمای سطح زمین با عوامل اولیه ورودی، یعنی رادیانس طیفی، بازتابندگی سطح، آلبدوی سطحی، گسیلمندی سطحی و رادیانس حرارتی تصحیح‌شده محاسبه می‌شود. در این روش پس از محاسبۀ تابش طیفی و درجه حرارت روشنایی باید تابش حرارتی تصحیح‌شده (Rc) و درنهایت، دمای سطح زمین (Ts) را محاسبه کرد. به‌طور خلاصه، مراحل انجام‌شدۀ روش سبال به شرح زیر است:
(4)
که در این رابطه، گسیلمندی سطحی باند حرارتی، رادیانس باند حرارتی تصحیح شده، و مقادیر (W/m2sr/μm) و (کلوین) همانطور که اشاره شد ضرایب ثابت هستند. علاوه بر ارزیابی میزان دمای محاسبه شده توسط روش سبال، دمای بدست آمده توسط دمای هوای ساعتی ایستگاه‌های هواشناسی قزوین نیز در هنگام عبور ماهواره لندست (در تاریخ 3/1/2016) مقایسه گردید. (ایزدفر و مالیان، 1395؛ پیرنظر و همکاران، 1397). ابتدا دمای سطحی بدست آمده به دمای هوا تبدیل و سپس با داده‌های ایستگاه هواشناسی شهر قزوین و تاکستان مقایسه شد. اختلاف دمای محاسبه شده با دمای ایستگاه‌های هواشناسی کمتر از 1.5 درجه سانتیگراد بدست آمد.
پس از پایان فرآیند محاسبۀ دمای سطح زمین و ارزیابی نقشه‌های تولید‌شده در نرم‌افزار ENVI نقشه‌ها برای مقایسه و ارزیابی و تحلیل مکانی و زمانی با روش‌های مختلف موجود در نرم‌افزار ArcGIS طبقه‌بندی شد. پس از ارزیابی نتایج روش‌های مختلف و روش فواصل یکسان به‌دلیل تعیین فواصل دلخواه و قابلیت مقایسه دامنه‌های تعیین‌شده نسبت به سال‌های مختلف انتخاب شد. همچنین، با ارزیابی نتایج، تصاویر با 7 کلاس دمایی (کلاس 1 به‌عنوان سردترین و کلاس 7 با عنوان گرم‌ترین دما) به‌عنوان مناسب‌ترین شرایط برای مقایسه طبقه‌بندی شد.
در مرحلۀ دوم برای ارزیابی عوامل تأثیرگذار بر روند تغییرات دمای سطحی منطقه چندین لایۀ اطلاعاتی درزمینۀ عوارض طبیعی و انسانی از‌جمله لایۀ رقومی ارتفاع، شیب، جهت شیب، نقشۀ کاربری، پوشش اراضی (با تأکید بر شهری- صنعتی و پوشش گیاهی) و شبکۀ معابر از منابع گوناگون جمع‌آوری و تولید شد. لایۀ رقومی ارتفاع منطقه به‌عنوان اولین لایه انتخاب و سپس چهار تصویر پوشش‌دهندۀ محدودۀ مدنظر از سایت سازمان زمین‌شناسی ایالات متحدۀ آمریکا با دقت 30 متر دانلود و در مراحل بعد چهار تصویر موزائیک‌شده براساس مرز منطقۀ مطالعه‌شده برش زده شد. درنهایت، لایۀ رقومی ارتفاع استخراج‌شده با پنج کلاس ارتفاعی (کلاس یک کمترین و کلاس پنج بیشترین ارتفاع) طبقه‌بندی شد. قبل از طبقه‌بندی لایۀ ارتفاع، لایۀ شیب و جهت شیب نیز از این لایه استخراج شد. لایۀ شیب نیز با 5 کلاس (کلاس یک کمترین و کلاس پنج بیشترین شیب) و لایۀ جهت شیب با 9 کلاس (مسطح، شمال، شمال شرق، شرق، جنوب شرق، جنوب، جنوب غرب، غرب و شمال غرب) طبقه‌بندی شد.
فرآیند استخراج ارتباط بین تغییرات دمای سطحی (متغیر وابسته) با متغیرهای ذکر‌شده (به‌عنوان لایه‌های مستقل) از‌طریق مدل آماری رگرسیون نسبت فراوانی (Frequency Ratio) انجام شد. روش نسبت فراوانی یک مدل داده‌کاوی است که کاربرد گسترده‌ای در فرآیند‌های مدل‌سازی و پیش‌بینی درزمینۀ انواع مخاطره‌های طبیعی و روند‌های شهری دارد (Abdullahi, 2021؛ امیدی و همکاران، 1398). مبنای این مدل پیش‌بینی آتی پدیده‌های مختلف براساس وقوع تاریخی پدیدۀ مذکور است (Pradhan, 2010). مدل نسبت فراوانی برای محاسبات تأثیرگذاری متغیرها روی پدیدۀ مستقل برمبنای رابطۀ زیر بیان می‌شود:
(5)
در این رابطه FR نسبت فراوانی هر عامل یا میزان تأثیر هر کلاس از متغیر مستقل، درصد پیکسل‌های طبقات دمایی (متغیر وابسته)، درصد پیکسل‌های طبقات متغیرهای مستقل است؛ البته این نکته باید ذکر شود که تا‌کنون در مقاله‌های انجام‌شده متغیر وابسته در روش نسبت فراوانی به‌صورت باینری یا صفر و یک تحلیل می‌شد. در پژوهش حاضر متغیر وابسته، یعنی دمای هوا به‌صورت چند‌کلاسه همانطور که اشاره شد با 7 طبقه دمایی بررسی شد. در این مطالعه با استفاده از روش نسبت فراوانی میزان اهمیت طبقات هریک از عوامل مستقل در ارتباط با تغییرات دمایی موجود در منطقه ارزیابی می‌شود؛ برای مثال، وجود، میزان و پراکندگی پیکسل‌های لایۀ دمای سطح زمین نسبت به پیکسل‌های لایۀ ارتفاع به‌صورت زمانی و مکانی مقایسه و سنجیده و در‌نتیجه، میزان رخداد دماهای مختلف نسبت به عوامل تعیین‌شده در دو فصل زمستان و تابستان محاسبه می‌شود.
برای سه عامل ارتفاع، شیب و جهت شیب همانطور که اشاره شد، میزان رخداد دما در طبقه‌بندی‌های ذکر‌شده ارزیابی شد. لایۀ پوشش اراضی منطقۀ دانلود‌شده از سایت TerraScope با دقت 10 متر نیز با 9 کلاس پوشش درخت، بوته‌زار، سبزه‌زار، کشاورزی، شهری، بایر، برفی، آبی و تالاب در تحلیل‌های آماری نسبت به طبقات دمایی مورد استفاده قرار گرفت. از‌جمله عوامل مهم تأثیرگذار بر دمای سطح زمین وجود پوشش گیاهی است که در ارزیابی‌های لایۀ پوشش اراضی تحلیل می‌شود. کارخانه‌ها و فعالیت‌های صنعتی در یک منطقه از دیگر عوامل تأثیرگذار در افزایش دمای سطحی است. همچنین، در این مطالعه برای ارزیابی تأثیر وجود مناطق صنعتی در تغییرات دمایی نیز از لایۀ اراضی صنعتی استفاده شد؛ بنابراین به‌صورت جداگانه روند تغییرات دمای سطحی برای لایۀ پوشش اراضی با دو کلاس پوشش شهری و صنعتی ارزیابی شد. درنهایت، لایۀ طبقه‌بندی فاصلۀ شبکۀ معابر منطقه نیز با ابزارهای تحلیلی مکانی تولید و تأثیر این عامل به‌خصوص آزادراه تهران-کرج-قزوین نسبت به روند تغییرات دمای سطحی ارزیابی شد. شکل 3 لایۀ رقومی ارتفاع، طبقه‌بندی لایۀ شیب (در 5 کلاس)، طبقه‌بندی لایۀ جهت شیب (در 9 کلاس)، طبقه‌بندی لایۀ پوشش اراضی (در 9 کلاس) و فاصله از شبکۀ معابر (در پنج کلاس) را نشان می‌دهد.
شکل 3: لایۀ رقومی ارتفاع، طبقه‌بندی ارتفاع، طبقه‌بندی لایۀ شیب، طبقه‌بندی لایۀ جهت شیب، طبقه‌بندی لایۀ پوشش اراضی و طبقه‌بندی فاصله از معابر (منبع: نگارنده)
Figure 3: Data layers: DEM, Classification of DEM, Classification of Slope, Classification of Aspect, Classification of Land Cover and Classification of Proximity to Road Network
یافته‌های پژوهش و تجزیه‌و‌تحلیل
در بخش اول نتایج، به روند تغییرات دمای سطحی منطقه به‌صورت آماری پرداخته می‌شود. نقشه‌های دمای سطحی منطقه برای تابستان و زمستان سه سال 2016، 2019 و 2021 در شکل 4 نشان داده شده است. در سمت چپ، تصاویر دمای سطحی فصل تابستان و در سمت راست، دمای سطحی فصل زمستان در هر سه سال نشان داده شده است.
شکل 4: نقشه‌های تولید‌شدۀ محاسبات دمای سطحی منطقۀ تابستان (S) و زمستان (W) در سال‌های 2016، 2019 و 2021 (منبع: نگارنده)
Figure 4: LST Maps of summer and winter of year 2016, 2019 and 2021
همانطور که مشاهده می‌شود، شدت دما در تصاویر از‌طریق طیف رنگ آبی با کمترین دما تا رنگ قرمز با بیشترین دما نشان داده شده است. مناطق آبی‌رنگ در شمال شرقی منطقه به‌خصوص در استان مازندران سردترین هوا و نشان‌دهندۀ قله‌های رشته‌کوه البرز است. همچنین، مناطق با رنگ نارنجی و قرمز در جنوب و شرق منطقه به‌خصوص در استان البرز نشان‌دهندۀ گرم‌ترین نواحی است. بدیهی است که مناطق آبی‌رنگ در سه تصویر زمستان (به‌دلیل وجود شدت سرما و برف) درمقایسه با سه تصویر تابستان بیشتر رؤیت می‌شود. از طرف دیگر، مناطق قرمز رنگ در سه تصویر تابستان (به‌دلیل وجود شدت گرما) در دشت‌های استان قزوین، البرز، تهران و مرکزی بیشتر مشاهده می‌شود.
از راهنمای نقشه مشخص است که حداقل دمای فصل زمستان از منفی 9/18 به حداکثر مثبت 7/26 درجه در سال 2016، از منفی 4/22 به مثبت 7/22 درجه در سال 2019 و از منفی 5/18 به مثبت 9/29 درجه در سال 2021 می‌رسد. از این دامنه‌های دمایی می‌توان نتیجه گرفت که فصل زمستان سال 2019 سردتر از دو سال 2016 و 2021 بوده است و مردم منطقه در زمستان 2021 سرمای کمتری را نسبت به دو سال دیگر حس کرده‌اند؛ اما با استخراج اطلاعات آماری و به‌خصوص در نظر گرفتن مساحت هر طبقۀ دمایی نتایج و جزئیات بیشتر و صحیح‌تری را می‌توان به دست آورد (جدول 1).
از طرف دیگر، حداقل دمای فصل تابستان از حدود مثبت 6 به حداکثر 8/51 درجه در سال 2016، از 7 به 1/53 درجه در سال 2019 و از 8/5 به 7/51 درجه در سال 2021 می‌رسد. با بررسی این دامنه‌های دمایی به نظر می‌رسد که تابستان سال 2019 گرم‌تر از دو سال دیگر بوده است؛ اما همانطور که اشاره شد با ارزیابی و تحلیل آماری دقیق‌تر و مشاهدۀ میزان و مساحت مناطق قرمز رنگ در تصویر تابستان سال 2021 به‌وضوح می‌توان به گرم‌تر‌بودن منطقۀ مطالعه‌شده در سال 2021 پی‌برد (جدول 2).
نکتۀ مهم دیگر که در تفسیر بصری تصاویر ارائه‌شده مشاهده می‌شود، تأثیر مختصر ولی درخور تأمل مرز تقسیمات کشوری استان تهران و البرز (جنوب شرقی منطقه) بر تغییرات دمای سطحی است؛ البته این تأثیر در فصل زمستان هر سه سال بیشتر مشاهده می‌شود. در زمستان هر سه سال مرز بین استان تهران و البرز تغییر رنگ بین نارنجی و زرد داشته که به نظر می‌رسد، مرز استان دو کلاس دمایی را از هم جدا کرده است. این پدیده می‌تواند به‌دلیل عملکرد متفاوت دو استان از اراضی دو طرف مرز باشد که این خود باعث تغییر دمای بین دو استان مجاور شده است. در‌حقیقت، چنین نکاتی اهمیت هدف دوم این مقاله، یعنی ارزیابی تأثیر متغیرهای انسانی و طبیعی را در تغییرات دما بیشتر آشکار می‌کند. علاوه بر این، با دقت به تصاویر در بخش‌های شمالی منطقه، یعنی دامنه‌های رشته‌کوه‌های البرز واضح است که دامنه‌های جنوبی در تمامی تصاویر زمستان و تابستان دمای بیشتری نسبت به دامنه های شمالی دارد. این ویژگی را می‌توان تأثیر جهت شیب دانست که دامنه‌های جنوبی نسبت به دامنه‌های شمالی بیشتر از تابش خورشید بهره‌مند می‌شود. در این زمینه نیز ارزیابی جهت شیب در روند تغییرات دمایی منطقه بسیار حائز اهمیت می‌شود.
درنهایت، به‌طور کلی، با توجه به تصاویر در هر دو فصل زمستان و تابستان بخش شمالی منطقۀ مطالعه‌شده به‌دلیل عرض جغرافیایی بالاتر و ارتفاعات بیشتر میانگین دمایی کمتر و بخش جنوبی منطقه به‌دلیل عرض جغرافیایی پایین‌تر، ارتفاع کمتر و مسطح‌بودن میانگین دمای بیشتری دارد.
در‌ادامه، برای تحلیل و ارزیابی دقیق‌تر تغییرات مکانی و زمانی دمای سطحی منطقه روند تغییرات براساس مساحت طبقات دمایی مختلف ارزیابی می‌شود. جدول 1 و 2 به‌ترتیب نشان‌دهندۀ تغییرات دمایی سطح زمین براساس مساحت هر کلاس و میزان دمای زمستان و تابستان است.
جدول 1: تغییرات دمایی فصل زمستان منطقه در سه سال تعیین‌شده
Table 1: Temperature changes of winter in three selected years
|
|
(W.16) 2016زمستان |
(W.19) 2019زمستان |
(W.21) 2021زمستان |
||||||
|
طبقه‌بندی |
حداقل دما |
حداکثر دما |
مساحت km2 |
حداقل دما |
حداکثر دما |
مساحت km2 |
حداقل دما |
حداکثر دما |
مساحت km2 |
|
1 |
89/18- |
-13 |
07/25 |
42/22- |
-13 |
87/55 |
56/18- |
-13 |
07/35 |
|
2 |
-13 |
-5 |
49/433 |
-13 |
-5 |
52/435 |
13- |
-5 |
37/292 |
|
3 |
-5 |
0 |
74/873 |
-5 |
0 |
14/860 |
5- |
0 |
61/560 |
|
4 |
0 |
7 |
13/1145 |
0 |
7 |
55/1409 |
0 |
7 |
07/1439 |
|
5 |
7 |
14 |
26/6188 |
7 |
14 |
95/8356 |
7 |
14 |
53/6261 |
|
6 |
14 |
20 |
73/3695 |
14 |
20 |
80/1236 |
14 |
20 |
21/3754 |
|
7 |
20 |
72/26 |
75/5 |
20 |
71/22 |
35/12 |
20 |
9/29 |
31/24 |
منبع: نگارنده
همانطور که در جدول طبقه‌بندی دماهای فصل زمستان (جدول 1) نشان داده شده، حداکثر و حداقل دمای سال 2016 شباهت بیشتری با سال 2021 دارد و در سال 2019 حداقل دما (منفی 22 درجه) و حداکثر دما (مثبت 22 درجه) کمتر از دو سال دیگر است. به عبارت دیگر، در دورۀ زمانی تعیین‌شده، دمای هوای منطقه از سال 2016 تا 2019 افت چشمگیری داشته و مجدد در دورۀ 2019 تا 2021 دمای هوا در زمستان روندی افزایشی داشته است. از طرف دیگر، میزان تغییرات مساحت برای هریک از طبقات دمایی فصل زمستان به‌صورت نمودار در شکل 5 نمایش داده شده است. در نمودار سمت چپ مساحت (کیلومتر مربع) در محور عمودی با سال در محور افقی و در نمودار سمت راست مساحت (کیلومتر مربع) در محور عمودی با کلاس‌های دمایی در محور افقی نسبت به یکدیگر ارزیابی شده است. هدف از ارائۀ دو نمودار آشکارتر‌شدن روند تغییرات مساحت طبقات دمایی نسبت به سال‌های تعیین‌شده است.
شکل 5: نمودار روند تغییرات مساحت طبقات دمای فصل زمستان منطقه در هر سال (کیلومتر مربع) (منبع: نگارنده)
Figure 5: Changes trends of temperature class areas in winter season per year (KM2)
با توجه به نمودار (شکل 5) به‌طور کلی، طبقه‌های دمایی بالاتر از صفر درجه (4، 5 و 6) مساحت بیشتری را نسبت به دماهای کمتر از صفر درجه (1، 2 و 3) اشغال کرده است. از طرف دیگر، بیشترین میزان مساحت منطقه دمای بین 7 تا 14 درجه سلسیوس (طبقه پنجم دمایی) با مساحتی بیش از 6100 کیلومتر مربع از 12 هزار کیلومتر مربع (مساحت کل منطقه) دارد. همانطور که نشان داده شده، در فصل زمستان مساحت دمای زیر صفر درجه در سال 2016 از حدود 1330 کیلومتر مربع به حدود 890 کیلومتر مربع در سال 2021 رسیده است. همچنین، وسعت نواحی بالای 20 درجه از حدود 6 کیلومتر مربع در سال 2016 به بیش از 24 کیلومتر مربع در سال 2021 رسیده است؛ بنابراین ارزیابی مساحت‌های کلاس‌های دمایی نشان‌دهندۀ گرم‌تر‌شدن هوای منطقه از سال 2016 تا 2021 در فصل زمستان است. این نکته باید بیان شود که در این نمودارها در محور عمودی برای نشان‌دادن ارقام مساحت از نمایش مقیاس لگاریتمی استفاده شده است تا ارقام مساحت پایین نظیر 25 یا 35 کیلومتر مربع نسبت به ارقام مساحت بالا مانند 6 یا 8 هزار کیلومتر مربع نیز قابلیت نمایش داشته باشد.
جدول 2: تغییرات دمایی فصل تابستان منطقه در سه سال تعیین‌شده
Table 2: Temperature changes in summer for selected years
|
|
(S.16) 2016 تابستان |
(S.19) 2019 تابستان |
(S.21) 2021تابستان |
||||||
|
طبقه‌بندی |
حداقل دما |
حداکثر دما |
مساحت km2 |
حداقل دما |
حداکثر دما |
مساحت km2 |
حداقل دما |
حداکثر دما |
مساحت km2 |
|
1 |
06/6 |
12 |
31/2 |
04/7 |
13 |
26/0 |
82/5 |
12 |
86/0 |
|
2 |
12 |
20 |
04/55 |
13 |
20 |
79/3 |
12 |
20 |
57/4 |
|
3 |
20 |
25 |
68/264 |
20 |
25 |
97/129 |
20 |
25 |
74/132 |
|
4 |
25 |
30 |
18/1109 |
25 |
30 |
81/777 |
25 |
30 |
82/557 |
|
5 |
30 |
35 |
42/4249 |
30 |
35 |
48/3207 |
30 |
35 |
6/2199 |
|
6 |
35 |
45 |
15/6342 |
35 |
45 |
78/8095 |
35 |
45 |
94/6383 |
|
7 |
45 |
83/51 |
39/344 |
45 |
11/53 |
09/125 |
45 |
73/50 |
65/3087 |
منبع: نگارنده
براساس محاسبات دمای سطحی منطقه زمستان سال 2019 (جدول 1) که دمای پایین‌تری نسبت به دو سال دیگر را نشان می‌داد، در فصل تابستان (جدول 2) سال 2019 حداقل و حداکثر دمای بیشتری نسبت به دو سال دیگر داشته است. همچنین، وسعت زیادی از منطقه دمای بین 30 تا 45 درجه دارد؛ اما به‌طور کلی، محاسبات دمای منطقه در فصل تابستان سه سال مدنظر حاکی از گرم‌تر‌شدن هوا در‌طول سال 2016 تا 2021 است. همانطور در جدول 2 نشان داده شده، در فصل تابستان مساحت دمای بالای 35 درجه در سال 2016 بیش از 6600 کیلومتر مربع، در سال 2019 بیش از 8200 کیلومتر مربع و در سال 2021 بیش از 9300 کیلومتر مربع است. همچنین، وسعت نواحی با دمای پایین‌تر از 20 درجه از حدود 57 کیلومتر مربع در سال 2016 به کمتر از 6 کیلومتر مربع در سال 2021 رسیده است. میزان تغییرات مساحت برای هریک از طبقات دمایی فصل تابستان در منطقه نیز به‌صورت نمودار در شکل 6 نمایش داده شده است.
شکل 6: روند تغییرات مساحت طبقات دمای فصل تابستان منطقه در هر سال (کیلومتر مربع) (منبع: نگارنده)
Figure 6: Changes trends of temperature class areas in summer season per year (KM2)
همانطور که شکل 6 (نمودار سمت چپ) نشان می‌دهد در فصل تابستان بیشترین میزان مساحت منطقه دمای بین 35 تا 45 درجه (کلاس شش دمایی) با بیش از 6300 کیلومتر مربع از 12 هزار کیلومتر مربع (مساحت کل منطقه) را دارد.
در مرحلۀ بعد به‌عنوان هدف دوم برای ارزیابی تأثیر برخی عوامل انسانی و طبیعی در این تغییرات دمایی (شکل 3) تأثیر کلاس‌های مختلف ارتفاع، شیب، جهت شیب، پوشش اراضی و فاصله از شبکۀ معابر با روش نسبت فراوانی ارزیابی شد.
جدول 3 ارزیابی روش نسبت فراوانی ارتفاع پیکسل‌های تصویر منطقۀ مطالعه‌شده را با کلاس‌های مختلف دمایی در زمستان 2019 نشان می‌دهد. این جدول درصد مساحت یک کلاس دمایی نسبت به کل منطقه را نسبت به درصد مساحت یک کلاس ارتفاعی نسبت به کل منطقه را ارزیابی می‌کند. همانطور که مشخص شده است، بیشترین میزان فراوانی پیکسل‌ها در کلاس دمایی 5 (7 تا 14 درجه سانتیگراد) در ارتفاعات کم و خیلی کم (زیر 1500 متر) قرار گرفته است. این بدان معناست که وسعت زیادی از منطقه با کلاس دمایی 7 تا 14 درجه سانتیگراد در کلاس ارتفاعی 1000 تا 1500 متر (کلاس 2) وجود دارد (با نسبت فراوانی 88/0). درمقابل، وسعت بسیار کمی از منطقه با کلاس دمایی منفی 4/22 تا منفی 13 درجه سانتیگراد (کلاس 1) در کلاس ارتفاعی 447 تا 1000 متر (کلاس 1) قرار گرفته است (با نسبت فراوانی 0.000)؛ البته نسبت فراوانی صفر بیانگر نبود پیکسل نیست و این وسعت با تعداد رقم اعشار بیشتر بسیار ناچیز نشان داده می‌شود.
جدول 3: نتایج محاسبات روش نسبت فراوانی طبقات دما نسبت به نقشۀ ارتفاع در زمستان 2019
Table 3: FR calculations of temperature classes with respect to DEM in winter 2019
|
کلاس‌های دمایی (زمستان 2019) |
||||||||
|
کلاس‌های ارتفاع |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
|
|
خیلی کم |
1 |
0 |
0 |
0 |
07/0 |
60/0 |
30/0 |
02/0 |
|
کم |
2 |
0 |
0 |
0 |
05/0 |
88/0 |
07/0 |
0 |
|
متوسط |
3 |
0 |
0 |
05/0 |
20/0 |
56/0 |
19/0 |
0 |
|
زیاد |
4 |
0 |
10/0 |
35/0 |
32/0 |
19/0 |
04/0 |
0 |
|
خیلی زیاد |
5 |
08/0 |
46/0 |
38/0 |
07/0 |
01/0 |
0 |
0 |
منبع: نگارنده
جدول 4 نشان‌دهندۀ محاسبات مشابه برای فصل تابستان سال 2019 است. همانطور که مشاهده می‌شود، بیشترین وسعت مناطق با کلاس دمایی 6 (35 تا 45 درجه) در ارتفاع با کلاس کم و متوسط (بین 1000 تا 2000 متر) است (با نسبت فراوانی 72/0). درمقابل، وسعت کمی از منطقه با کلاس دمایی 1 و در ارتفاع خیلی کم و وسعت کمی از منطقه با کلاس دمایی 7 در ارتفاع خیلی زیاد وجود دارد.
جدول 4: محاسبات روش نسبت فراوانی کلاس‌های دمایی نسبت به نقشۀ ارتفاع در تابستان 2019
Table 4: FR calculations of temperature classes with respect to DEM in summer 2019
|
کلاس‌های دمایی (تابستان 2019) |
||||||||
|
کلاس‌های ارتفاع |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
|
|
خیلی کم |
1 |
0 |
0 |
0 |
09/0 |
25/0 |
62/0 |
04/0 |
|
کم |
2 |
0 |
0 |
0 |
04/0 |
23/0 |
72/0 |
01/0 |
|
متوسط |
3 |
0 |
0 |
01/0 |
03/0 |
23/0 |
72/0 |
01/0 |
|
زیاد |
4 |
0 |
0 |
02/0 |
11/0 |
45/0 |
41/0 |
0 |
|
خیلی زیاد |
5 |
0 |
005/0 |
11/0 |
36/0 |
42/0 |
10/0 |
0 |
منبع: نگارنده
جدول‌های 3 و 4 محاسبات روش نسبت فراوانی تأثیر عامل ارتفاع بر دمای منطقه را در دو فصل زمستان و تابستان سال 2019 به‌طور کامل نشان می‌دهد. محاسبات مشابه برای دو فصل زمستان و تابستان سال‌های 2016 و 2021 نیز انجام شده است. در جدول 5 خلاصهای از این محاسبات با تمرکز بر نسبت‌های فراوانی بالا برای هر دو فصل هر سه سال ارائه شده است.
جدول 5: خلاصۀ جدول‌های نسبت فراوانی در دو فصل زمستان و تابستان سال‌های در‌نظر گرفته شدۀ نقشۀ ارتفاع
Table 5: Brief FR calculations of temperature classes with respect to DEM for winter and summer of the selected years
|
|
کلاس‌های دمایی |
||||||
|
زمستان 2016 |
تابستان 2016 |
زمستان 2019 |
تابستان 2019 |
زمستان 2021 |
تابستان 2021 |
||
|
کلاس‌های ارتفاع (متر) |
5 (7-14 درجه) |
6 (35-45 درجه) |
5 (7-14 درجه) |
6 (35-45 درجه) |
5 (7-14 درجه) |
6 (35-45 درجه) |
|
|
1000-447 |
1 |
57/0 |
62/0 |
60/0 |
62/0 |
51/0 |
61/0 |
|
1500-1000 |
2 |
57/0 |
66/0 |
88/0 |
72/0 |
60/0 |
50/0 |
|
2000-15000 |
3 |
55/0 |
43/0 |
56/0 |
72/0 |
47/0 |
63/0 |
|
2500-2000 |
4 |
22/0 |
14/0 |
19/0 |
41/0 |
28/0 |
53/0 |
|
4161-2500 |
5 |
0 |
01/0 |
01/0 |
10/0 |
09/0 |
16/0 |
منبع: نگارنده
به‌طور کلی، می‌توان نتیجه گرفت که بیشتر نواحی منطقۀ مطالعه‌شده در فصل زمستان دمایی بین 7 تا 14 درجه و در فصل تابستان دمایی بین 35 تا 45 درجه دارد؛ البته همانطور که اشاره شد، دیگر کلاس‌های دمایی در ارتفاعات مختلف نیز نسبت‌های فراوانی دارد که در مراحل تحلیل مورد استفاده قرار می‌گیرد؛ برای مثال، همانطور که در جدول 3 نشان داده شد، در زمستان 2019 در بیشترین ارتفاع رقم نسبت فراوانی نواحی با کمترین دما (منفی 22 تا منفی 13) 08/0 محاسبه شد که این رقم در زمستان 2016 بسیار قابل توجه‌تر است. این رقم نواحی بسیار سرد را در ارتفاعات بسیار بالای رشته‌کوه‌های البرز نشان می‌دهد.
پس از ارزیابی نقشۀ ارتفاع دمای منطقه نسبت به عامل شیب تحلیل شد. جدول 6 نشان‌دهندۀ ستون‌های بزرگ‌ترین ارقام نسبت فراوانی تمامی جدول‌های دو فصل زمستان و تابستان در هر سه سال است. برای کاهش تعداد جدول‌ها در متغیرهای بعد فقط خلاصهای از جدول‌ها ارائه خواهد شد.
جدول 6: خلاصۀ جدول‌های نسبت فراوانی در دو فصل زمستان و تابستان سال‌های در‌نظر گرفته شدۀ نقشۀ شیب
Table 6: Brief FR calculations of temperature classes with respect to slope map for winter and summer of the selected years
|
|
کلاس‌های دمایی |
||||||
|
زمستان 2016 |
تابستان 2016 |
زمستان 2019 |
تابستان 2019 |
زمستان 2021 |
تابستان 2021 |
||
|
کلاس‌های شیب |
5 (7-14 درجه) |
6 (35-45 درجه) |
5 (7-14 درجه) |
6 (35-45 درجه) |
5 (7-14 درجه) |
6 (35-45 درجه) |
|
|
خیلی کم |
1 |
59/0 |
64/0 |
87/0 |
75/0 |
60/0 |
51/0 |
|
کم |
2 |
49/0 |
42/0 |
50/0 |
68/0 |
46/0 |
69/0 |
|
متوسط |
3 |
30/0 |
29/0 |
28/0 |
43/0 |
31/0 |
50/0 |
|
زیاد |
4 |
18/0 |
15/0 |
17/0 |
25/0 |
22/0 |
29/0 |
|
خیلی زیاد |
5 |
13/0 |
06/0 |
14/0 |
11/0 |
18/0 |
13/0 |
منبع: نگارنده
بیشترین میزان تغییرات دما در زمستان 2016 مربوط به کلاس دمایی 3، 4، 5 و 6 است که در کلاس 5 با بیشترین میزان نسبت فراوانی نشان داده شده است. در تابستان 2016 بیشترین نسبت فراوانی متعلق به کلاس دمایی 6 در مناطق با کمترین شیب است. سال‌های 2019 و 2021 نیز بیشترین میزان وسعت منطقه را با کلاس‌های دمایی 5 و 6 در نواحی با شیب کم یا خیلی کم دارد. به‌طور کلی، می‌توان نتیجه گرفت که تغییرات دمایی به‌دلیل شیب کم نواحی دشتی جنوب منطقۀ مطالعه‌شده بیشتر نمایان می‌شود؛ البته همانطور که دربارۀ لایۀ ارتفاع نیز بیان شد، در فصل‌های زمستان هر سال وسعت زیادی از منطقه با دمای پایین در بالاترین ارتفاعات منطقه در جدول‌ها مشاهده می‌شود.
پس از ارزیابی تأثیر عامل شیب در تغییرات دمای منطقه لایۀ جهت شیب نیز طبقه‌بندی و میزان دما نسبت به این لایه ارزیابی شد. جدول 7 تأثیرگذارترین کلاس‌های دمایی را با بیشترین نسبت فراوانی نسبت به کلاس‌های لایۀ جهت شیب در هر دو فصل زمستان و تابستان هر سه سال نشان می‌دهد.
جدول 7: خلاصۀ جدول‌های نسبت فراوانی در دو فصل زمستان و تابستان سال‌های در‌نظر گرفته شدۀ نقشۀ جهت شیب
Table 7: Brief FR calculations of temperature classes with respect to aspect map for winter and summer of the selected years
|
|
کلاس های دمایی |
||||||
|
زمستان 2016 |
تابستان 2016 |
زمستان 2019 |
تابستان 2019 |
زمستان 2021 |
تابستان 2021 |
||
|
کلاس‌های جهت شیب |
5 (7-14 درجه) |
6 (35-45 درجه) |
5 (7-14 درجه) |
6 (35-45 درجه) |
5 (7-14 درجه) |
6 (35-45 درجه) |
|
|
مسطح |
1 |
64/0 |
61/0 |
92/0 |
71/0 |
67/0 |
49/0 |
|
شمال |
2 |
50/0 |
43/0 |
62/0 |
60/0 |
51/0 |
45/0 |
|
شمال شرق |
3 |
53/0 |
52/0 |
72/0 |
72/0 |
56/0 |
51/0 |
|
شرق |
4 |
50/0 |
60/0 |
72/0 |
76/0 |
52/0 |
55/0 |
|
جنوب شرق |
5 |
44/0 |
62/0 |
65/0 |
75/0 |
42/0 |
55/0 |
|
جنوب |
6 |
45/0 |
58/0 |
63/0 |
71/0 |
41/0 |
57/0 |
|
جنوب غرب |
7 |
53/0 |
48/0 |
70/0 |
59/0 |
53/0 |
54/0 |
|
غرب |
8 |
53/0 |
41/0 |
69/0 |
53/0 |
57/0 |
49/0 |
|
شمال غرب |
9 |
50/0 |
40/0 |
64/0 |
54/0 |
53/0 |
45/0 |
منبع: نگارنده
همانطور که از جدول 7 مشاهده می‌شود، ارقام جدول نسبت فراوانی جهت شیب قابل توجه‌تر از لایۀ شیب است. این نکته نشان‌دهندۀ تأثیرگذاری بیشتر ویژگی جهت شیب در تغییرات دما نسبت به شیب زمین است. به‌طور کلی، شیب‌های شمالی (شمال، شمال غرب و شمال شرق) به‌دلیل تابش کمتر خورشید در زمستان نسبت‌های فراوانی بیشتری نسبت به کلاس‌های مشابه جهت شیب در تابستان دارد. درمقابل، شیب‌های جنوبی و جنوب شرقی در تابستان به‌دلیل تابش بیشتر نسبت فراوانی بیشتری نسبت به کلاس‌های متناظر در زمستان دارند. با استخراج چنین روابطی از تمامی جدول‌های تولید‌شدۀ روش نسبت فراوانی اطلاعات ارزشمندی از میزان تأثیرگذاری متغیر مستقل جهت شیب بر دمای منطقه به دست می‌آید.
پس از ارزیابی تغییرات دما نسبت به سه متغیر طبیعی ارتفاع، شیب و جهت شیب تأثیر پوشش اراضی بر دمای محیط ارزیابی شد. جدول 8 علاوه‌بر کلاس دمایی 5 و 6 کلاس 1، یعنی کمترین دما را نیز در دو فصل زمستان و تابستان 2019 نشان می‌دهد. در هر دو فصل میزان نسبت فراوانی کلاسِ کمترین دما در پوشش برف کاملاً قابل توجه است (89/0 و 84/0).
جدول 8: خلاصۀ جدول‌های نسبت فراوانی در دو فصل زمستان و تابستان سال 2019 نسبت به پوشش اراضی
Table 8: Brief FR calculations of temperature classes with respect to land cover map for winter and summer of 2019
|
|
کلاس‌های دمایی |
||||||||
|
زمستان 2019 |
تابستان 2019 |
||||||||
|
کلاس‌های پوشش اراضی |
1 |
4 |
5 |
6 |
1 |
4 |
5 |
6 |
|
|
درختی |
10 |
0 |
21/0 |
72/0 |
01/0 |
0 |
49/0 |
49/0 |
02/0 |
|
بوته‌زار |
20 |
0 |
17/0 |
77/0 |
02/0 |
0 |
10/0 |
71/0 |
20/0 |
|
مرتع |
30 |
01/0 |
19/0 |
47/0 |
15/0 |
0 |
06/0 |
28/0 |
62/0 |
|
کشاورزی |
40 |
0 |
01/0 |
94/0 |
05/0 |
0 |
05/0 |
28/0 |
66/0 |
|
شهری |
50 |
0 |
38/0 |
52/0 |
01/0 |
0 |
14/0 |
54/0 |
32/0 |
|
بایر |
60 |
01/0 |
10/0 |
78/0 |
06/0 |
0 |
03/0 |
20/0 |
75/0 |
|
یخ |
70 |
89/0 |
0 |
0 |
0 |
84/0 |
16/0 |
0 |
0 |
|
آب |
80 |
02/0 |
09/0 |
84/0 |
01/0 |
01/0 |
40/0 |
34/0 |
06/0 |
|
تالاب |
90 |
0 |
0 |
0/1 |
0 |
0 |
69/0 |
30/0 |
01/0 |
منبع: نگارنده
در فصل تابستان نسبت فراوانی گرم‌ترین کلاس دمایی (کلاس 6) اراضی بایر بسیار زیاد و در فصل زمستان بسیار ناچیز است (75/0 و 06/0)؛ البته اراضی کشاورزی و سبزه‌زار نیز گرمای چشمگیری نسبت به زمستان دارد. به‌طور کلی، کلاس‌های دمایی پایین‌تر در زمستان نسبت فراوانی بیشتری نسبت به تابستان دارد. همچنین، در فصل تابستان اراضی بایر و سپس کشاورزی بیشترین دمای محیطی را دارد. درنهایت، می‌توان جنس خاک، مسطح‌بودن، دریافت مستقیم تابش خورشید و جهت شیب را مهم‌ترین دلایل گرم‌بودن این اراضی دانست.
در مرحلۀ بعد برای تمرکز بیشتر بر مناطق صنعتی به‌طور جداگانه تأثیر پوشش شهری و صنعتی با روش نسبت فراوانی بر تغییرات دما ارزیابی شد. تأثیر کاربری صنعتی بر افزایش دمای سطحی در هر دو فصل زمستان و تابستان (هر سه سال) کاملاً قابل توجه است. در شکل 7 نیز مشاهده می‌شود که پلی‌گون‌های نشان‌دهندۀ مناطق و شهرک‌های صنعتی دمای بیشتر نسبت به مناطق شهری و محیط‌های اطراف خود دارند.
شکل 7: ارتباط چند منطقۀ شهری و صنعتی نسبت به دمای سطحی منطقۀ مطالعه‌شده (منبع: نگارنده)
Figure 7: Correlation of Urban and Industrial areas with respect to LST
به‌عنوان آخرین عامل انسانی تلاش شد تأثیر عبور و مرور وسایل نقلیه در جاده‌های اصلی منطقۀ مطالعه‌شده به‌خصوص مسیر آزادراه تهران-کرج- قزوین بر دمای محیط در دو فصل تابستان و زمستان ارزیابی شود. برای این منظور، لایۀ جاده‌های منطقه براساس فاصلۀ طبقه‌بندی و تأثیرات فاصله‌های مختلف روی کلاس‌های دمایی ارزیابی شد. به‌طور کلی، تأثیر عبور و مرور وسایل نقلیه در جاده‌ها در فصل زمستان قابل توجه‌تر است. در فاصله‌های کم و نزدیک به جاده در فصل‌های زمستان نسبت فراوانی دمای بالا بیشتر از فاصله‌های دورتر از جاده است. درمقابل، در فصل تابستان چنین رابطۀ مستقیمی مشاهده نمی‌شود. به نظر اراضی بایر کنار جاده تأثیر بیشتری در گرم‌شدن هوای محیط نسبت به خود جاده دارد؛ بنابراین در فصل تابستان با افزایش کلاس دما (5 به 6) و افزایش فاصله از جاده نسبت فراوانی نیز بیشتر می‌شود؛ البته در فصل تابستان 2021 نتایج متفاوت بود؛ یعنی با کاهش فاصله از جاده نسبت فراوانی افزایش می‌یافت.
همانطور که در پژوهش حاضر نشان داده شد، تأثیرات عوامل و متغیرهای انسانی و طبیعی بر تغییرات دمای منطقه کاملاً قابل توجه بوده است؛ بنابراین اطلاعات ارزشمندی از استخراج روابط بین این متغیرها استخراج می‌شود. در‌حقیقت، فرآیند محاسبات روش نسبت فراوانی (FR) میزان وقوع یک پدیده را به‌عنوان متغیر وابسته نسبت به کلاس‌های متغیرهای مستقل ارزیابی می‌کند. در برخی مواقع این ارزیابی‌ها به پیش‌بینی رویدادهای طبیعی نظیر سیل، زلزله، رانش زمین و دیگر پدیده‌ها کمک می‌کند.
نتیجه‌گیری
محققان در این پژوهش سعی در تحلیل دمای سطحی بخش شرقی استان قزوین طی دو مرحله داشتند. در مرحلۀ اول تلاش شد دمای سطحی منطقه از دو روش مخلتف محاسباتی معمول برآورد و درنهایت، میزان افزایش و کاهش دما در دورۀ زمانی تعیین‌شده استخراج شود. نتایج محاسبۀ دما حاکی از همبستگی زیاد در دو روش برآورد دمای سطحی و تشابه میزان دمای محاسبه‌شده (5/1 درجه اختلاف) با دمای هوای ساعتی ایستگاه‌های هواشناسی منطقۀ مطالعه‌شده (به‌دلیل استفادۀ این روش‌ها از پارامترهای مؤثر مانند ضریب گسیلندگی، تابش طیفی و دمای درخشندگی باندهای حرارتی) بوده است. علاوه بر این، با ارزیابی و تحلیل آماری دقیق و محاسبۀ میزان مساحت طبقه‌های دمایی (همانطور که در جدول‌ها و نمودارهای روند تغییرات نشان داده شد) در فصل تابستان وسعت نواحی با دمای بالای 35 درجه از حدود 6600 کیلومتر مربع در سال 2016 به بیش از 9300 کیلومتر مربع در سال 2021 رسیده است. همچنین، در فصل تابستان وسعت نواحی با دمای پایین‌تر از 20 درجه از حدود 57 کیلومتر مربع در سال 2016 به کمتر از 6 کیلومتر مربع در سال 2021 رسیده است. درمقابل، در فصل زمستان مساحت دمای زیر صفر درجه در سال 2016 از حدود 1330 کیلومتر مربع به حدود 890 کیلومتر مربع در سال 2021 رسیده است. همچنین، وسعت نواحی بالای 20 درجه از حدود 6 کیلومتر مربع در سال 2016 به بیش از 24 کیلومتر مربع در زمستان سال 2021 رسیده است؛ بنابراین می‌توان به‌وضوح به افزایش دما از سال 2016 تا 2021 پی‌برد که این روند مطابق با نتایج پژوهش ایزدفر و مالیان (1395) است. دربارۀ ویژگی‌های محیطی می‌توان نتیجه گرفت که بخش شمالی منطقۀ مطالعه‌شده به‌دلیل عرض جغرافیایی بالاتر و ارتفاعات بیشتر میانگین دمایی کمتر و بخش جنوبی منطقه به‌دلیل عرض جغرافیایی پایین‌تر، ارتفاع کمتر و غالب دشتی منطقه میانگین دمای بیشتری دارد. علاوه‌بر استخراج روند تغییرات دما استخراج تأثیر عوامل مهم بر تغییرات دما نیز بسیار حائز اهمیت است؛ بنابراین در مرحلۀ دوم، تأثیر عوامل مختلف نظیر ارتفاع، شیب، جهت شیب، پوشش اراضی و فاصله از شبکۀ معابر با روش نسبت فراوانی ارزیابی شد. روش نسبت فراوانی قابلیت زیادی درزمینۀ تحلیل و استخراج تأثیر عوامل مستقل مختلف بر یک متغیر وابسته (دمای منطقه) مطابق پژوهش‌های مشابه نظیر شهابی (1400) دارد. درزمینۀ ارتفاع و شیب بیشترین میزان مساحت منطقه که پوشیده از دشت با ارتفاع زیر 1000 متر و شیب کم است، دمایی بالا با ارقام نسبت فراوانی بالای 6/0 در فصل تابستان و 5/0 در فصل زمستان برای ارتفاع و ارقام نسبت فراوانی بالای 5/0 در فصل تابستان و 6/0 در فصل زمستان برای شیب دارد. به عبارت دیگر، مساحت بسیار کمی از منطقه ارتفاعی کم و دمایی پایین و ارتفاع زیاد با دمای بالا دارد. نتایج محاسبات روش نسبت فراوانی با لایۀ جهت شیب قابل‌توجه‌تر از لایه ارتفاع و شیب بود که این نشان‌دهندۀ تأثیر‌گذارتر‌بودن متغیر جهت شیب در تغییرات دمایی نسبت به لایه‌های دیگر است. شیب‌های شمالی به‌دلیل تابش کمتر آفتاب در زمستان نسبت‌های فراوانی بیش از 5/0 را نسبت به کلاس‌های مشابه جهت شیب در تابستان دارند. درمقابل، شیب‌های جنوبی و جنوب شرقی در تابستان به‌دلیل تابش بیشتر نسبت فراوانی بیش از 53/0 را نسبت به کلاس‌های مشابه جهت شیب در زمستان دارند. درزمینۀ پوشش و کاربری اراضی مطابق با نتایج مطالعاتی نظیر ولیزاده و همکاران (1396)، محمودزاده و همکاران (1398) در این پژوهش نیز تأثیر متفاوت این عامل بر دمای سطحی مشاهده شد. پوشش اراضی بایر با رقم نسبت فراوانی 75/0 در کلاس دمایی بالای 35 درجۀ سانتیگراد در فصل تابستان و پوشش برفی با رقم نسبت فراوانی 89/0 در کلاس دمایی زیر منفی 13 درجه در فصل زمستان نشان‌دهندۀ تأثیر نوع پوشش و کاربری زمین در تغییرات دمای محیط است. علاوه بر این، اراضی کشاورزی و پوشش‌های گیاهی که در فصل تابستان به‌دلایل مختلف تراکم گیاهی کمتری دارند، دمایی بسیار بالا به محیط اطراف با ارقام نسبت فراوانی بالای 66/0 در تابستان و 94/0 در زمستان نیز دارند. جنس خاک، مسطح‌بودن و دریافت مستقیم تابش خورشید به‌دلیل جهت شیب مهم‌ترین دلایل گرم‌بودن این اراضی است. همچنین، تأثیر کاربری صنعتی بر افزایش دمای سطحی نیز در هر دو فصل زمستان و تابستان هر سه سال به‌طور کامل، محسوس بود. درنهایت، جاده‌های منطقه در فصل تابستان و زمستان تأثیر متفاوتی را نشان داد. در فصل زمستان محیط‌های نزدیک به جاده گرم‌تر و در فصل تابستان اراضی بایر کنار جاده گرم‌تر از خود جاده بود. این نتیجه نشان‌دهندۀ تأثیر بیشتر پوشش بایر، شیب کم و جهت شیب در تغییرات دمایی است. با استخراج چنین روابطی از ارزیابی‌های انجام‌شده اطلاعات ارزشمندی از میزان تأثیرگذاری متغیرهای مستقل مختلف بر متغیر وابسته که در این پژوهش دمای سطحی منطقه بود، به دست می‌آید که می‌توان در بخش‌های مختلف مدیریت برنامهریزی شهری، محیط زیست و بحران مورد استفاده قرار گیرد. در پایان، برای انجام‌دادن محاسبات و تحلیل دمای سطحی به‌خصوص در‌سطح شهرها پیشنهاد می‌شود از داده‌ها و تصاویر با قدرت تفکیک بالا استفاده شود تا کاربری اراضی شهری مختلف به‌طور دقیق تجزیه و تحلیل شود.
)