تاثیر تغییر کاربری/پوشش زمین بر دمای سطح زمین در منطقه ساحلی بوشهر

سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی

دوره 13، شماره 2 - شماره پیاپی 47، خرداد 1401، صفحه 130-147   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/girs.2022.692349

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 افزایش تغییر کاربری و پوشش زمین در اثر توسعه شهرنشینی باعث افزایش دمای شهرها در مقیاس محلی می­شود و تا حد زیادی موجب افزایش استرس اکولوژیکی می­شود. در حال حاضر، بسیاری از مناطق شهری با تبدیل گسترده کاربری اراضی و ایجاد مناطق گرمایی جدید مواجهه هستند. تکنیک های سنجش از دور به طور قابل توجهی در تشخیص تغییر کاربری/پوشش زمین (LULC) و پیامدهای آن موثر هستند. سنجنده ­های مختلف ماهواره ای قادر به شناسایی این مناطق تغییر با استفاده از باندهای مرئی و مادون قرمز نزدیک (VNIR) و امواج مادون قرمز کوتاه (SWIR) هستند. علاوه بر الگوریتم‌های طبقه‌بندی مرسوم کاربری/پوشش اراضی، برخی از شاخص‌های طیفی در تشخیص ویژگی‌های اراضی استفاده می‌شوند. شاخص نرمال شده تفاوت پوشش گیاهی (NDVI) را می توان به عنوان کاربردی ترین شاخص طیفی در این سناریو در نظر گرفت. شاخص نرمال شده تفاوت پوشش گیاهی یک فاکتور مهم در فرآیندهای بررسی در پایش دمای سطح زمین (LST) است و در هر مطالعۀ مرتبط با LST استفاده می شود. NDVI به طور مستقیم در تعیین گسیل­مندی سطح زمین استفاده می شود و بنابراین یک عامل مهم برای تخمین LST است. همچنین طبقات کاربری/پوشش اراضی LULC با محدودیت‌های آستانه بهینه در محیط‌های فیزیکی مختلف تعیین می­شود. به عنوان یک شاخص پوشش گیاهی، NDVI تا حد زیادی به تغییرات زمانی و مکانی بستگی دارد. از این رو، LST نیز با تغییرات زمانی و مکانی، تغییر می­نماید. بنابراین، ارزیابی زمانی و مکانی LST و NDVI یک فاکتور مهم در تهیۀ نقشه و پایش دمای سطح زمین، به ویژه در محیط­های شهری است. در این تحقیق LST و NDVI را در مردادماه در اراضی ساحلی بوشهر با استفاده از تصویر ماهواره‌ای لندست برای سال‌های 1990، 2005 و 2020 بررسی می شود. نقشه LULC با مقادیر آستانه مناسب NDVI به دست آمد. از اهداف این مطالعه؛ 1) تجزیه و تحلیل تغییرات زمانی الگوی توزیع مکانی LST در منطقه مورد مطالعه، 2) تعیین تغییرات مکانی-زمانی رابطه LST-NDVI برای کل اراضی مورد مطالعه، و 3) بررسی تغییرات مکانی-زمانی رابطۀ LST-NDVI در انواع مختلف کاربری/ پوشش اراضی.
مواد و روش ­ها 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 سانتی ­گراد و متوسط حداکثر دمای 33 درجه سانتی ­گراد، میزان رطوبت نسبی بین 58-75 در صد و متوسط بارندگی سالیانه 272 میلی­متر است. داده‌های مورد استفاده در این تحقیق شامل؛ داده­ سنجنده لندست 8 (OLI) و سنجنده مادون قرمز حرارتی (TIRS) در سال 2020؛ داده ETM⁺ سال 2005، و داده TM در سال 1990 که از مرکز داده های سازمان زمین شناسی ایالات متحده (https://earth explo rer.usgs.gov) (USGS) دانلود شده است. سنجنده لندست 8 TIRS دارای دو باند TIR (باندهای 10 و 11) است که در آنها باند 11 دارای عدم قطعیت در کالیبراسیون است. بنابراین، تنها باند 10TIR  (رزولوشن 100 متر) برای مطالعه حاضر توصیه شده است. باند 10TIR  به اندازه پیکسل 30×30 متر با روش کانولوشن مکعبی توسط USGS تبدیل گردید. داده های Landsat 5 TM تنها دارای یک باند مادون قرمز حرارتی TIR (باند 6) با وضوح 120 متر است که همچنین توسط USGS به اندازه پیکسل 30×30 متر با روش کانولوشن مکعبی تبدیل گردید. برای داده لندست TM و ⁺ETM وضوح مکانی 30 متر باندهای مرئی به مادون قرمز نزدیک (VNIR) استفاده شد. روش طبقه­ بندی حداکثر احتمال برای تعیین صحت نقشه طبقه­بندی کاربری/پوشش اراضی LULC بدست آمده از شاخص آستانه NDVI استفاده شد. در این مطالعه جهت استخراج دمای سطح زمین از الگوریتم تک پنجره­ای برای بازیابی LST از سنجنده­های ماهواره­ لندست چند زمانی استفاده شد. شاخص تفاوت پوشش گیاهی (NDVI) برای استخراج انواع مختلف کاربری/پوشش اراضی با استفاده از مقادیر آستانه استفاده شد. این مقادیر آستانه با توجه به تفاوت در محیط فیزیکی متفاوت است. محدودیت‌های آستانه NDVI بر روی تصاویر اعمال شد تا انواع مختلف مختلف کاربری/پوشش اراضی استخراج شود.
نتایج و بحث مقادیر دقت کلی طبقه‌بندی LULC در سال‌های 1990، 2005 و 2020 به ترتیب 73.6%، 83.9% و 84.6% است. ضرایب کاپا برای طبقات LULC به ترتیب 0.77، 0.80 و 0.84 برای سال های 1990، 2005 و 2020 بود. در مطالعه حاضر میانگین دقت کلی و میانگین ضریب کاپا به ترتیب 80.7 درصد و 0.80 بود. بنابراین، طبقه بندی نقشه طبقه­ بندی کاربری/پوشش اراضی بر اساس روش آستانه NDVI قابل قبول می­باشد. نتایج این تحقیق، افزایش تدریجی (1.4 درجه سانتی­گراد در طول سال­های 1990-2005 و 2 درجه سانتی­گراد در طول 2005-2020) LST در کل دوره مطالعه را نشان داد. میانگین مقدار LST در سه سال مطالعه کمترین (30.86 درجه سانتی­گراد) در پوشش گیاهی و بالاترین (49.07 درجه سانتی­گراد) در زمین­های بایر و مناطق ساخته شده/مسکونی بود. توزیع مکانی NDVI و LST نشان دهنده یک رابطۀ معکوس است. بهترین (97/0-) و کمترین همبستگی (0.80-)، در حالی که همبستگی متوسط (0.89-) مشاهده شد. همبستگی LST-NDVI بر روی سطح پوشش گیاهی منفی قوی (0.80-) بود. LST تا حد زیادی توسط ویژگی­ های کاربری اراضی کنترل می­ شود.
نتیجه ­گیری مطالعه حاضر به تحلیل رابطه مکانی و زمانی LST و NDVI در اراضی ساحلی بوشهر با استفاده از 3 مجموعه داده لندست برای سال‌های 1990، 2005 و 2020 پرداخت. الگوریتم تک پنجره­ای در استخراج LST استفاده شد. به طور کلی، نتایج نشان داد که LST در سال­های مطالعه با NDVI رابطه معکوس دارد. وجود پوشش گیاهی از عوامل اصلی منفی بودن زیاد این همبستگی است. رابطه LST-NDVI برای انواع کاربری/پوشش اراضی LULC متفاوت است. در مناطقی با پوشش گیاهی یک رابطۀ رگرسیون منفی قوی (0.80-) بین LST و NDVI برقرار است، میانگین LST منطقه مورد مطالعه 3.4 درجه سانتی­گراد طی سال­های 1990-2020 افزایش یافت. تبدیل سایر کاربری اراضی به مناطق ساخته شده و اراضی بایر تأثیر زیادی بر میانگین LST در مناطق شهری دارد. روند تغییرات LST در هر دو منطقه ساخته شده تغییر یافته و بدون تغییر و اراضی بایر افزایشی بود. این مطالعه می­ تواند به عنوان مرجعی برای کاربری اراضی و برنامه ریزی زیست محیطی در اراضی ساحلی مورد استفاده قرار گیرد.

کلیدواژه‌ها

لندست؛ دمای سطح زمین (LST)؛ شاخص نرمال شده تفاوت پوشش گیاهی (NDVI)؛ اراضی ساحلی

مراجع

Carlson TN, Ripley DA. 1997. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 62(3): 241-252. doi:https://doi.org/10.1016/S0034-4257(97)00104-1.

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.

Cui L, Wang L, Singh RP, Lai Z, Jiang L, Yao R. 2018. Association analysis between spatiotemporal variation of vegetation greenness and precipitation/temperature in the Yangtze River Basin (China). Environmental Science and Pollution Research, 25(22): 21867-21878. doi:10.1007/s11356-018-2340-4.

Fu P, Weng Q. 2015. Temporal dynamics of land surface temperature from Landsat TIR time series images. IEEE Geoscience and Remote Sensing Letters, 12(10): 2175-2179. doi:https://doi.org/10.1109/LGRS.2015.2455019.

Fu P, Weng Q. 2016. A time series analysis of urbanization induced land use and land cover change and its impact on land surface temperature with Landsat imagery. Remote Sensing of Environment, 175: 205-214. doi:https://doi.org/10.1016/j.rse.2015.12.040.

Ghobadi Y, Pradhan B, Shafri HZM, Kabiri K. 2015. Assessment of spatial relationship between land surface temperature and landuse/cover retrieval from multi-temporal remote sensing data in South Karkheh Sub-basin, Iran. Arabian Journal of Geosciences, 8(1): 525-537. doi:10.1007/s12517-013-1244-3.

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. In: Sharma N, Chakrabarti A, Balas VE (eds) Data Management, Analytics and Innovation, Singapore. Springer Singapore, pp 171-184. https://doi.org/110.1007/1978-1981-1032-9949-1008_1013.

Goward SN, Xue Y, Czajkowski KP. 2002. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: An exploration with the simplified simple biosphere model. Remote Sensing of Environment, 79(2): 225-242. doi:https://doi.org/10.1016/S0034-4257(01)00275-9.

Guha S, Govil H. 2020. Land surface temperature and normalized difference vegetation index relationship: a seasonal study on a tropical city. SN Applied Sciences, 2(10): 1661. doi:https://doi.org/10.1007/s42452-020-03458-8.

Guha S, Govil H. 2021. An assessment on the relationship between land surface temperature and normalized difference vegetation index. Environment, Development and Sustainability, 23(2): 1944-1963. doi:10.1007/s10668-020-00657-6.

Guha S, Govil H, Diwan P. 2019. Analytical study of seasonal variability in land surface temperature with normalized difference vegetation index, normalized difference water index, normalized difference built-up index, and normalized multiband drought index. Journal of Applied Remote Sensing, 13(2): 024518. doi:https://doi.org/10.1117/1.JRS.13.024518.

Guha S, Govil H, Gill N, Dey A. 2020. Analytical study on the relationship between land surface temperature and land use/land cover indices. Annals of GIS, 26(2): 201-216. doi:https://doi.org/10.1080/19475683.2020.1754291.

Guo L, Liu R, Men C, Wang Q, Miao Y, Zhang Y. 2019. Quantifying and simulating landscape composition and pattern impacts on land surface temperature: A decadal study of the rapidly urbanizing city of Beijing, China. Science of The Total Environment, 654: 430-440. doi:https://doi.org/10.1016/j.scitotenv.2018.11.108.

He B-J, Zhao Z-Q, Shen L-D, Wang H-B, Li L-G. 2019. An approach to examining performances of cool/hot sources in mitigating/enhancing land surface temperature under different temperature backgrounds based on landsat 8 image. Sustainable Cities and Society, 44: 416-427. doi:https://doi.org/10.1016/j.scs.2018.10.049.

Huang S, Taniguchi M, Yamano M, Wang C-h. 2009. Detecting urbanization effects on surface and subsurface thermal environment — A case study of Osaka. Science of The Total Environment, 407(9): 3142-3152. doi:https://doi.org/10.1016/j.scitotenv.2008.04.019.

Ke Y, Im J, Lee J, Gong H, Ryu Y. 2015. Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations. Remote Sensing of Environment, 164: 298-313. doi:https://doi.org/10.1016/j.rse.2015.04.004.

Kumar D, Shekhar S. 2015. Statistical analysis of land surface temperature–vegetation indexes relationship through thermal remote sensing. Ecotoxicology and Environmental Safety, 121: 39-44. doi:https://doi.org/10.1016/j.ecoenv.2015.07.004.

Liu H, Zhan Q, Yang C, Wang J. 2018. Characterizing the spatio-temporal pattern of land surface temperature through time series clustering: Based on the latent pattern and morphology. Remote Sensing, 10(4): 654. doi:https://doi.org/10.3390/rs10040654.

Liu Y, Peng J, Wang Y. 2018. Efficiency of landscape metrics characterizing urban land surface temperature. Landscape and Urban Planning, 180: 36-53. doi:https://doi.org/10.1016/j.landurbplan.2018.08.006.

Mathew A, Khandelwal S, Kaul N. 2018. Spatio-temporal variations of surface temperatures of Ahmedabad city and its relationship with vegetation and urbanization parameters as indicators of surface temperatures. Remote Sensing Applications: Society and Environment, 11: 119-139. doi:https://doi.org/10.1016/j.rsase.2018.05.003.

Peng J, Jia J, Liu Y, Li H, Wu J. 2018. Seasonal contrast of the dominant factors for spatial distribution of land surface temperature in urban areas. Remote Sensing of Environment, 215: 255-267. doi:https://doi.org/10.1016/j.rse.2018.06.010.

Peng J, Ma J, Liu Q, Liu Y, Hu Yn, Li Y, Yue Y. 2018. Spatial-temporal change of land surface temperature across 285 cities in China: An urban-rural contrast perspective. Science of The Total Environment, 635: 487-497. doi:https://doi.org/10.1016/j.scitotenv.2018.04.105.

Peng J, Xie P, Liu Y, Ma J. 2016. Urban thermal environment dynamics and associated landscape pattern factors: A case study in the Beijing metropolitan region. Remote Sensing of Environment, 173: 145-155. doi:https://doi.org/10.1016/j.rse.2015.11.027.

Sannigrahi S, Bhatt S, Rahmat S, Uniyal B, Banerjee S, Chakraborti S, Jha S, Lahiri S, Santra K, Bhatt A. 2018. Analyzing the role of biophysical compositions in minimizing urban land surface temperature and urban heating. Urban Climate, 24: 803-819. doi:https://doi.org/10.1016/j.uclim.2017.10.002.

Sekertekin A, Bonafoni S. 2020. Land surface temperature retrieval from Landsat 5, 7, and 8 over rural areas: Assessment of different retrieval algorithms and emissivity models and toolbox implementation. Remote Sensing, 12(2): 294. doi:https://doi.org/10.3390/rs12020294.

Sobrino JA, Jiménez-Muñoz JC, Paolini L. 2004. Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment, 90(4): 434-440. doi:https://doi.org/10.1016/j.rse.2004.02.003.

Sultana S, Satyanarayana ANV. 2020. Assessment of urbanisation and urban heat island intensities using landsat imageries during 2000 – 2018 over a sub-tropical Indian City. Sustainable Cities and Society, 52: 101846. doi:https://doi.org/10.1016/j.scs.2019.101846.

Sun D, Kafatos M. 2007. Note on the NDVI‐LST relationship and the use of temperature‐related drought indices over North America. Geophysical Research Letters, 34(24). doi:https://doi.org/10.1029/2007GL031485.

Tan J, Yu D, Li Q, Tan X, Zhou W. 2020. Spatial relationship between land-use/land-cover change and land surface temperature in the Dongting Lake area, China. Scientific Reports, 10(1): 9245. doi:https://doi.org/10.1038/s41598-020-66168-6.

Weng Q. 2009. Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, and trends. ISPRS Journal of Photogrammetry and Remote Sensing, 64(4): 335-344. doi:https://doi.org/10.1016/j.isprsjprs.2009.03.007.

Weng Q, Lu D, Schubring J. 2004. Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies. Remote Sensing of Environment, 89(4): 467-483. doi:https://doi.org/10.1016/j.rse.2003.11.005.

Wukelic GE, Gibbons DE, Martucci LM, Foote HP. 1989. Radiometric calibration of Landsat Thematic Mapper thermal band. Remote Sensing of Environment, 28: 339-347. doi:https://doi.org/10.1016/0034-4257(89)90125-9.

Yang J, Qiu J. 1996. The empirical expressions of the relation between precipitable water and ground water vapor pressure for some areas in China. Scientia Atmospherica Sinica, 20: 620-626.

Yao R, Wang L, Huang X, Niu Z, Liu F, Wang Q. 2017. Temporal trends of surface urban heat islands and associated determinants in major Chinese cities. Science of The Total Environment, 609: 742-754. doi:https://doi.org/10.1016/j.scitotenv.2017.07.217.

Yuan M, Wang L, Lin A, Liu Z, Li Q, Qu S. 2020. Vegetation green up under the influence of daily minimum temperature and urbanization in the Yellow River Basin, China. Ecological Indicators, 108: 105760. doi:https://doi.org/10.1016/j.ecolind.2019.105760.

Yuan X, Wang W, Cui J, Meng F, Kurban A, De Maeyer P. 2017. Vegetation changes and land surface feedbacks drive shifts in local temperatures over Central Asia. Scientific Reports, 7(1): 3287. doi:https://doi.org/10.1038/s41598-017-03432-2.

Yue W, Xu J, Tan W, Xu L. 2007. The relationship between land surface temperature and NDVI with remote sensing: application to Shanghai Landsat 7 ETM⁺ data. International Journal of Remote Sensing, 28(15): 3205-3226. doi:https://doi.org/10.1080/01431160500306906.

Zhou D, Xiao J, Bonafoni S, Berger C, Deilami K, Zhou Y, Frolking S, Yao R, Qiao Z, Sobrino JA. 2018. Satellite remote sensing of surface urban heat islands: Progress, challenges, and perspectives. Remote Sensing, 11(1): 48. doi:https://doi.org/10.3390/rs11010048.