تعیین درجه حرارت سطح زمین با استفاده از تصاویر ماهوارۀ لندست (مطالعة موردی: اراضی ساحلی بوشهر)

سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی

مقاله 3، دوره 13، شماره 3 - شماره پیاپی 48، مهر 1401، صفحه 38-49   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/girs.2022.695160

نویسندگان

فاضل امیری^{* 1}؛ طیبه طباطبایی²

¹دانشیار گروه منابع طبیعی و محیط زیست، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران

²دانشیار گروه محیط زیست، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران

چکیده

پیشینه و هدف دمای سطح زمین (LST) از آنجایی که آب و هوا و محیط را در سطح محلی، منطقه‌ای و جهانی تحت تأثیر قرار می‌دهد، امروزه به عنوان به یک موضوع مهم در جهان تبدیل شده است که این تغییرات در دمای سطح زمین عمدتاً ناشی از شهرنشینی، فعالیت‌های انسانی و تغییر در کاربری و پوشش زمین بوجود می‌آید. با توجه به محدودیت ایستگاه‌های هواشناسی، سنجش از دور می‌تواند به عنوان پایه و اساس بسیاری از داده‌های هواشناسی مورد استفاده قرار گیرد. یکی از مهمترین جنبه‌های کاربردی سنجش از دور در مطالعات اقلیم شناسی برآورد دمای سطح زمین می‌باشد. در این تحقیق درجه حرارت سطح زمین بین سال‌های 1990 تا 2018 از تصاویر سنجنده‌های TM و OLI اراضی ساحلی بوشهر، از روش استفان- بولتزمن استخراج شد.
مواد و روش‌ها منطقه مطالعه اراضی شهر بوشهر که در ساحل شمالی خلیج‌فارس، با ابعاد 20 در 8 کیلومتر با مساحت 1011.5 کیلومترمربع و با متوسط حداقل دما 18.1 درجه سانتی‌گراد و متوسط حداکثر دمای 33 درجه سانتی‌گراد، میزان رطوبت نسبی بین 75-58 در صد و متوسط بارندگی سالیانه 272 میلی‌متر در موقعیت جغرافیایی '50°50 تا '10°51 طول شرقی و '40°28 تا '00°29 عرض شمالی واقع شده است. داده‌های مورد استفاده در این تحقیق شامل؛ داده سنجنده لندست 8(OLI) در سال 2018 و داده TM در سال 1990 که از مرکز داده‌های سازمان زمین شناسی ایالات متحده (USGS) دانلود گردید. جهت محاسبة پارامترهای مربوط به استخراج دما از داده‌های هواشناسی ایستگاه‌های سینوپتیک مستقر در منطقه موردمطالعه استفاده شد. بعد از اخد تصاویر، به‌دلیل بزرگ‌تر بودن محدوده تصاویر اخذ شده، تصاویر برش داده شدند (Resize) و سپس تصحیح هندسی تصاویر با استفاده از نقشه­های توپوگرافی به مقیاس 1:25000 انجام شد و کلیه تصاویر به سیستم مختصات UTM ناحیه 39 شمالی انطباق داده شدند. در تصحیح هندسی تمام تصاویر خطای RMS کمتر از 0.5 پیکسل بود. برای مقایسه نتایج اجرای روش استفان- بولتزمن برای استخراج LST با داده‌های زمینی داده‌های نقشه‌های حرارتی به‌دست آمده با داده‌های دمای خاک (به‌دست آمده از ایستگاه‌های هواشناسی موجود در محدوده انتخاب شده) مقایسه شد. به‌منظور ارزیابی روش استفان-بولتزمن از داده‌های زمینی، از روش آماری شاخص میانگین خطای مطلق استفاده شد.
نتایج و بحث میانگین حداقل و حداکثر درجه حرارت سطح زمین LST استخراج شده از تصویر TM سال 1990 به ترتیب 26.5 و 45 درجه سانتی‌گراد و برای تصویر OLI  سال 2018 به ترتیب 30.1 و 48.6 درجه سانتی‌گراد بدست آمد. نتایج نشان داد که مقادیر شاخص میانگین خطای مطلق برای سنجنده‌های TM و OLI، به‌ترتیب برابر با 7.1 و 5.6 است. نتایج تحقیق نشان داد که روش استفان- بولتزمن، نتیجه قابل اعتماد و مطمئنی را در برآورد دمای سطح زمین ارائه داد.
نتیجه‌گیری این تحقیق با هدف استخراج LST با روش استفان-بولتزمن است. نتایج این روش با استفاده از شاخص آماری میانگین خطای مطلق برای دورۀ مطالعاتی (1990-2018) برآورد گردید. اجرای شاخص میانگین خطای مطلق بر روی نقشه­های حرارتی تولید شده، مشخص شد که روش استفان-بولتزمن برای تحقیقات آتی در زمینه‌های سنجش‌ازدور حرارتی با مشاهده نتایج حاصل از استفاده شاخص MAE  بر روی نقشه‌های حرارتی مناسب است. بنابراین نتایج نشان داد که روش استفان-بولتزمن مناسب برای برآورد دمای سطح زمین در اراضی مناطق ساحلی است. در نهایت، پیشنهاد می‌شود که برای توصیف کمی الگوهای LST از یک روش مبتنی بر GIS/RS و روش‌هایی مانند همبستگی مکانی و نیمه‌واریانس استفاده شود. 

کلیدواژه‌ها

درجه حرارت سطح زمین؛ روش استفان- بولتزمن؛ ماهواره لندست؛ اراضی ساحلی

مراجع

Cai G, Du M, Xue Y. 2011. Monitoring of urban heat island effect in Beijing combining ASTER and TM data. International Journal of Remote Sensing, 32(5): 1213-1232. doi:https://doi.org/10.1080/01431160903469079.

Chen X, Zhang Y. 2017. Impacts of urban surface characteristics on spatiotemporal pattern of land surface temperature in Kunming of China. Sustainable Cities and Society, 32: 87-99. doi:https://doi.org/10.1016/j.scs.2017.03.013.

Chen X-L, Zhao H-M, Li P-X, Yin Z-Y. 2006. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes. Remote Sensing of Environment, 104(2): 133-146. doi:https://doi.org/10.1016/j.rse.2005.11.016.

Clinton N, Gong P. 2013. MODIS detected surface urban heat islands and sinks: Global locations and controls. Remote Sensing of Environment, 134: 294-304. doi:https://doi.org/10.1016/j.rse.2013.03.008.

Dashtakian K, Dehghani M. 2008. Land surface temperature analysis of desert area in relation with vegetation and urban development using RS and GIS (Case study: Yazd-Ashkezar area). Pajouhesh-va-Sazandegi, 20(4): 169-179. (In Persian).

Ebrahimi Heravi B, Rangzan K, Riahi Bakhtiari H, Taghizadeh A. 2015. Determination of urban surface temperature using landSat images (Case study: Karaj). Journal of RS and GIS for Natural Resources, 6(2): 19-32. https://girs.bushehr.iau.ir/article_516786.html?lang=en. (In Persian).

Gluch R, Quattrochi DA, Luvall JC. 2006. A multi-scale approach to urban thermal analysis. Remote Sensing of Environment, 104(2): 123-132. doi:https://doi.org/10.1016/j.rse.2006.01.025.

Imhoff ML, Zhang P, Wolfe RE, Bounoua L. 2010. Remote sensing of the urban heat island effect across biomes in the continental USA. Remote Sensing of Environment, 114(3): 504-513. doi:https://doi.org/10.1016/j.rse.2009.10.008.

Kumar KS, Bhaskar PU, Padmakumari K. 2012. Estimation of land surface temperature to study urban heat island effect using Landsat ETM+ image. International Journal of Engineering Science and Technology, 4(2): 771-778.

Mia MB, Bromley CJ, Fujimitsu Y. 2013. Monitoring heat losses using Landsat ETM+ thermal infrared data: a Case study in Unzen Geothermal field, Kyushu, Japan. Pure and Applied Geophysics, 170(12): 2263-2271. doi:https://doi.org/10.1007/s00024-013-0662-1.

Mia MB, Nishijima J, Fujimitsu Y. 2014. Exploration and monitoring geothermal activity using Landsat ETM+images: A case study at Aso volcanic area in Japan. Journal of Volcanology and Geothermal Research, 275: 14-21. doi:https://doi.org/10.1016/j.jvolgeores.2014.02.008.

Nichol JE, Fung WY, Lam K-s, Wong MS. 2009. Urban heat island diagnosis using ASTER satellite images and ‘in situ’ air temperature. Atmospheric Research, 94(2): 276-284. doi:https://doi.org/10.1016/j.atmosres.2009.06.011.

Pu R, Gong P, Michishita R, Sasagawa T. 2006. Assessment of multi-resolution and multi-sensor data for urban surface temperature retrieval. Remote Sensing of Environment, 104(2): 211-225. doi:https://doi.org/10.1016/j.rse.2005.09.022.

Ranagalage M, Dissanayake D, Murayama Y, Zhang X, Estoque RC, Perera E, Morimoto T. 2018. Quantifying surface urban heat island formation in the world heritage tropical mountain city of Sri Lanka. ISPRS International Journal of Geo-Information, 7(9): 341. doi:https://doi.org/10.3390/ijgi7090341.

Roberts DA, Quattrochi DA, Hulley GC, Hook SJ, Green RO. 2012. Synergies between VSWIR and TIR data for the urban environment: An evaluation of the potential for the Hyperspectral Infrared Imager (HyspIRI) Decadal Survey mission. Remote Sensing of Environment, 117: 83-101. doi:https://doi.org/10.1016/j.rse.2011.07.021.

Rousta I, Sarif MO, Gupta RD, Olafsson H, Ranagalage M, Murayama Y, Zhang H, Mushore TD. 2018. Spatiotemporal analysis of land use/land cover and its effects on surface urban heat island using Landsat data: A case study of Metropolitan City Tehran (1988–2018). Sustainability, 10(12): 4433. doi:https://doi.org/10.3390/su10124433.

Sahana M, Dutta S, Sajjad H. 2019. Assessing land transformation and its relation with land surface temperature in Mumbai city, India using geospatial techniques. International Journal of Urban Sciences, 23(2): 205-225. doi:https://doi.org/10.1080/12265934.2018.1488604.

Schwarz N, Lautenbach S, Seppelt R. 2011. Exploring indicators for quantifying surface urban heat islands of European cities with MODIS land surface temperatures. Remote Sensing of Environment, 115(12): 3175-3186. doi:https://doi.org/10.1016/j.rse.2011.07.003.

Simwanda M, Murayama Y. 2018. Spatiotemporal patterns of urban land use change in the rapidly growing city of Lusaka, Zambia: Implications for sustainable urban development. Sustainable Cities and Society, 39: 262-274. doi:https://doi.org/10.1016/j.scs.2018.01.039.

Sobrino JA, Oltra-Carrió R, Sòria G, Jiménez-Muñoz JC, Franch B, Hidalgo V, Mattar C, Julien Y, Cuenca J, Romaguera M. 2013. Evaluation of the surface urban heat island effect in the city of Madrid by thermal remote sensing. International Journal of Remote Sensing, 34(9-10): 3177-3192. doi:https://doi.org/10.1080/01431161.2012.716548.

Song J, Du S, Feng X, Guo L. 2014. The relationships between landscape compositions and land surface temperature: Quantifying their resolution sensitivity with spatial regression models. Landscape and Urban Planning, 123: 145-157. doi:https://doi.org/10.1016/j.landurbplan.2013.11.014.

Stathopoulou M, Cartalis C. 2007. Daytime urban heat islands from Landsat ETM+ and Corine land cover data: An application to major cities in Greece. Solar Energy, 81(3): 358-368. doi:https://doi.org/10.1016/j.solener.2006.06.014.

Sun Q, Wu Z, Tan J. 2012. The relationship between land surface temperature and land use/land cover in Guangzhou, China. Environmental Earth Sciences, 65(6): 1687-1694. doi:https://doi.org/10.1007/s12665-011-1145-2.

Voogt JA, Oke TR. 2003. Thermal remote sensing of urban climates. Remote Sensing of Environment, 86(3): 370-384. doi:https://doi.org/10.1016/S0034-4257(03)00079-8.

Wang J, Wang G, Liu Y, Qi J. 2021. Temporal normalization of land surface temperature retrieved from Landsat-8 data. In: 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. IEEE, pp 6921-6924. doi:https://doi.org/6910.1109/IGARSS47720.42021.9553163.

Wang W, Liu K, Tang R, Wang S. 2019. Remote sensing image-based analysis of the urban heat island effect in Shenzhen, China. Physics and Chemistry of the Earth, Parts A/B/C, 110: 168-175. doi:https://doi.org/10.1016/j.pce.2019.01.002.