واکاوی توزیع فراوانی دمای رویۀ زمین ایران با داده‎های مودیس آکوا

نوع مقاله: مقاله پژوهشی

نویسنده

استاد آب و هواشناسی دانشگاه اصفهان

10.22111/gdij.2020.5639

چکیده

 




عوارض جغرافیایی گوناگون (دریاچه‎ها، شنزارها، پلایاها، جنگل‎ها و ...) ویژگی‎های دمایی (گرمای ویژه و رسانایی گرمایی) متفاوتی دارند. از این رو توزیع فراوانی دمای رویه‎ی زمین بر روی هر یک از این عوارض متفاوت است. از سوی دیگر تغییرات محیطی سبب تغییر دمای رویه‎ی زمین می‎شود. بنا بر این تغییرات محیطی مانند آب شدن یخ‎ها و برفپوش‎ها، خشکیدن دریاچه‎ها، جنگل‎زدایی، بیابان‎زایی و مانند آن می‎تواند توزیع فراوانی دمای رویه‎ی زمین را تغییر دهد. داده‎های مودیس به دلیل تفکیک مناسب زمانی و مکانی بررسی تغییرات توزیع فراوانی دمای رویه‎ی زمین را ممکن می‎سازد. پانزده سال داده‎های مودیس آکوا به کمک واکاوی مؤلفه‎ی اصلی بررسی شد. این بررسی نشان داد که توزیع فراوانی دمای رویه‎ی زمین در ایران تا اندازه‎ی زیادی وابسته به ارتفاع و پس از آن وابسته به عوارض جغرافیایی است. توزیع فراوانی دمای رویه‎ی زمین بر روی عوارض جغرافیایی مختلف متفاوت است. دریاچه‎ها، شبکه‎های رودخانه‎ای، کویرها، شنزارها، درختزارها، جنگل‎ها و کلان‎شهرها از جمله‎ی عوارض جغرافیایی هستند که بر توزیع فراوانی دمای رویه‎ی زمین اثر می‎گذارند. از این رو بررسی توزیع فراوانی دمای رویه‎ی زمین به شناسایی مرز جغرافیایی این پدیده‎ها کمک می‎کند. از سوی دیگر می‎توان تغییر قلمرو این پدیده‎ها را نیز در طی زمان ردگیری کرد و ابزار نوینی برای پایش تغییرات محیطی به دست آورد.

کلیدواژه‌ها


عنوان مقاله [English]

An Analysis of Frequency Distribution of LST in Iran

نویسنده [English]

  • s.abolfazl masoodian
چکیده [English]

Any land feature (lake, sand dune, playa, forest, …) has its own thermal properties (specific heat and thermal conductivity). So, different land features show different frequency distribution of LST. On the other hand, environmental changes affect the LST. As a result, the frequency distribution of LST over a given area may change by deforestation, desertification, drying of lakes, and disappearing of snowcaps. The high spatial and temporal resolution of MODIS LST data makes it possible to investigate the changes in the frequency distribution of LST. Using 15 years of LST data shows that the frequency distribution of LST in Iran depend on altitude, atmospheric moisture, snowcaps, surface and subsurface water respectively. Different land features such as lakes, river systems, deserts, playas, sand dunes, forest, and urban areas possess their LST frequency signature. Consequently, LST frequency distribution may be used as a powerful tool to delineate such land features. At the same time, some environmental changes like drying of lakes, deforestation and land use changes may be detected and tracked using frequency analysis of LST.

کلیدواژه‌ها [English]

  • MODIS LST
  • frequency signature
  • land features
  • Environmental changes
  • Iran
-   Benali, A., Carvalho, A. C., Nunes, J. P., Carvalhais, N., & Santos, A. (2012). Estimating air surface temperature in Portugal using MODIS LST data. Remote Sensing of Environment, 124, 108-121.

-   Colombi, A., De Michele, C., Pepe, M., Rampini, A., & Michele, C. D. (2007). Estimation of daily mean air temperature from MODIS LST in Alpine areas. EARSeL eProceedings, 6(1), 38-46.

-   Guangmeng, G., & Mei, Z. (2004). Using MODIS land surface temperature to evaluate forest fire risk of northeast China. IEEE Geoscience and Remote sensing letters, 1(2), 98-100.

-   Hengl, T., Heuvelink, G. B., Tadić, M. P., & Pebesma, E. J(2012). Spatio-temporal prediction of daily temperatures using time-series of MODIS LST images. Theoretical and applied climatology, 107(1-2), 265-277.

-   Imhoff, M. L., Zhang, P., Wolfe, R. E., & 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.

-   Keikhosravi Kiany, M.S., & Masoodian, S. A. (2017). Identification of Seasonal Snow-covered Seasons of Iran based on MODIS Data. Geography and Environmental Planning, 63(3), 33-48.

 

-   Langer, M., Westermann, S., & Boike, J. (2010). Spatial and temporal variations of summer surface temperatures of wet polygonal tundra in Siberia-implications for MODIS LST based permafrost monitoring. Remote Sensing of Environment, 114(9), 2059-2069.

-   Liu, Y., Hiyama, T., & Yamaguchi, Y. (2006). Scaling of land surface temperature using satellite data: A case examination on ASTER and MODIS products over a heterogeneous terrain area. Remote Sensing of Environment, 105 (2), 115-128.

-   Masoodian, S. A. (2011). The climate of Iran. Iran: Sharia Toos Publication

-   Mildrexler, D. J., Zhao, M., & Running, S. W. (2011). Satellite finds highest land skin temperatures on earth. Bulletin of the American Meteorological Society, 92(7), 855-860.

-   Mostovoy, G. V., King, R., Reddy, K. R., & Kakani, V. G. (2005, May). Using MODIS LST data for high-resolution estimates of daily air temperature over Mississippi. In Analysis of Multi-Temporal Remote Sensing Images, 2005 International Workshop on the (PP.76-80).IEEE.

 

-   Neteler, M. (2010). Estimating daily land surface temperatures in mountainous environments by reconstructed MODIS LST data. Remote sensing, 2(1), 333-351.

-   Son, N. T., Chen, C. F., Chen, C. R., Chang, L. Y., & Minh, V. Q (2012). Monitoring agricultural drought in the Lower Mekong Basin using MODIS NDVI and land surface temperature data. International Journal of Applied Earth Observation & Geoinformation, 18, 417-427.

-   Wang, X., & Li, Y (2016). Predicting urban heat island circulation using CFD. Building and Environment, 99, 82-97.

-   Westermann, S., Langer, M., & Boike, J. (2011). Spatial and temporal variations of summer surface temperatures of high-arctic tundra on Svalbard-implications for MODIS LST based permafrost monitoring. Remote Sensing of Environment, 115(3), 908-922.

-   Zhou, B., Lauwaet, D., Hooyberghs, H., De Ridder, K., Kropp, J. P., & Rybski, D (2016). Assessing seasonality in the surface urban heat island of London. Journal of Applied Meteorology and Climatology, 55(3), 493-505.