یک رویکرد سنجش‌‌ازدور برای ارزیابی تغییرات دما با استفاده از تحلیل فضایی و رگرسیون

امامی, صدیقه; کابلی زاده, مصطفی

doi:10.22111/gdij.2024.48238.3632

یک رویکرد سنجش‌‌ازدور برای ارزیابی تغییرات دما با استفاده از تحلیل فضایی و رگرسیون

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشجوی دکتری، گروه سنجش از دور و GIS، دانشگاه شهید چمران اهواز، اهواز،ایران

² دانشیار، گروه سنجش از دور و GIS، دانشگاه شهید چمران اهواز، اهواز، ایران

10.22111/gdij.2024.48238.3632

چکیده

شهرنشینی بر محیط حرارتی شهری تأثیر بسزایی دارد و این تغییرات بر اقلیم، محیط و کیفیت زندگی ساکنان تأثیر گذاشته است. هدف از این مطالعه ارزیابی روند تغییرات طولانیمدت دمای سطح زمین و جزایر حرارتی شهرستان اهواز با استفاده از روش الگوریتم پنجره مجزا ³ «SW» در بازه زمانی 2014 تا 2022 میباشد. در این تحقیق بهمنظور برآورد دقیق دامنه تغییرات دمای سطح زمین، از تخمین‌گر «تیل- ‌سن» و مدل «من-کندال» استفاده شد. خودهمبستگی فضایی جزایر حرارتی با استفاده از شاخص موران محلی و ارتباط روند تغییرات دمای سطح زمین با پارامترهای کاربری شهری با استفاده از رگرسیون حداقل مربعات معمولی⁴ «OLS» و رگرسیون وزنی⁵ «GWR» مورد ارزیابی قرار گرفت. از الگوریتم فیوژن، گرام-اشمیت نیز برای افزایش قدرت تفکیک مکانی تصاویر ماهواره لندست-8 استفاده شده است. تحلیل روند «تیل-‌سن» نشان داده است که 61/93 درصد منطقه دارای روند افزایشی و 39/6 درصد دارای روند کاهشی میباشد، بر اساس نتایج آزمون معنیداری «من –کندال» تنها 6 درصد مساحت منطقه دارای روند کاهش یا افزایش دایم معنیدار میباشد و دیگر بخشها فاقد روند معنی‌داری هستند. نتایج همبستگی پیرسون بین دمای هوای محاسبهشده با دمای ایستگاه زمینی برابر با 716/0 می‌باشد. ارزیابی دمای سطح زمین با استفاده از روش همبستگی فضایی موران جهانی نشانداد که دما دارای ساختار فضایی با الگوی خوشهای است و مقدار آن بین 63/0 تا 68/0 متغیر میباشد. در نتایج شاخص موران محلی مشاهده شد که میزان جزایر حرارتی در سال 2019 نسبت به بقیه سالها بهطور چشمگیری کاهش یافته است. بررسی اثر عوامل کاربری شهری (فاصله از مناطق مسکونی، فاصله از فضای سبز، فاصله از رودخانه، فاصله از صنایع و فاصله از جاده) بر روند تغییرات دما با استفاده از روشهای «OLS» و «GWR»، نشانداد که همة پارامترهای مستقل درنظرگرفتهشده، معنیدار میباشند و مدل «GWR» نتایج بهتری نسبت به «OLS» در منطقة مورد مطالعه داشته است.

کلیدواژه‌ها

عنوان مقاله [English]

A Remote sensing approach to evaluate the trend of surface temperature changes using spatial analysis and regression

نویسندگان [English]

Sedigheh Emami ¹
Mostafa Kabolizadeh ²

¹ PhD Student of RS and GIS, Faculty of Earth Sciences, Shahid Chamran University of Ahvaz, Ahvaz,

² Associate. Prof. Department of Remote Sensing and GIS, Faculty of Earth Sciences, Shahid Chamran Universityof Ahvaz،, Ahvaz، Iran,

چکیده [English]

The purpose of this study is to evaluate the trend of long-term changes in ground surface temperature and heat islands in Ahvaz city using the split window algorithm (SW) in the period from 2014 to 2022. The Thiel-Sen estimator and the Mann-Kendall model were used to accurately estimate the range of changes in the earth's surface temperature. Spatial autocorrelation of heat islands was evaluated using local Moran's index, and the relationship between LST changes and urban use parameters was evaluated using ordinary least square regression (OLS) and weighted regression (GWR). Til-Sen trend analysis has shown that 61.93% of the area has an increasing trend and 6.39% has a decreasing trend. According to the results of the Mann-Kendall significance test, only 6% of the area has a constant decreasing or increasing trend. It is significant and the other sections have no significant trends. The Pearson correlation results between the calculated air temperature and the ground station temperature are equal to 0.716. The evaluation of the earth's surface temperature using the global Moran's spatial correlation method showed that the temperature has a spatial structure with a cluster pattern and its value varies between 0.63 and 0.68. In the results of the local Moran index, Investigating the effect of urban land use factors on the trend of temperature changes using OLS and GWR methods, showed that all independent parameters considered are significant and GWR model has better results than OLS in the studied area.

کلیدواژه‌ها [English]

Split window algorithm
trend finding
spatial analysis
regression
urban use

مراجع

بحری، علی؛ یونس خسروی؛ آزاده توکلی (1398). مقایسه عملکرد روش رگرسیون وزن‌دار جغرافیایی و روش حداقل مربعات برای مدل‌سازی روابط فضایی دمای سطح دریای عمان، مهندسی فناوری اطلاعات مکانی. دوره 7. شماره 3. صفحات ۱۵۹-۱۷۲.

http://jgit.kntu.ac.ir/article-۱-۷۴۷-fa.html

خسروی، یونس؛ محمدعلی حیدری؛ آزاده توکلی؛ عباسعلی زمانی (1396). تحلیل تغییرات تغییرات زمانی سطح زمین و الگوی فضایی تغییرات کاربری اراضی (مطالعه موردی: شهر زنجان)، برنامه‌ریزی وایش آمیز فضا (مدرس علوم انسانی). دوره 21. شماره 3. صفحات 144-119.

https://ensani.ir/file/download/article/20180407141731-9564-196.pdf

رنگزن، کاظم؛ سعید ملکی؛ ایوب تقیزاده؛ پیمان حیدریان (1392). مدل‌سازی توسعه فضایی شهری با استفاده از تکنولوژی سامانههای اطلاعات جغرافیایی و رگرسیون وزن‌دار مکانی (GWR): نمونه موردی کلان‌شهر تهران، پایان‌نامه ارشد سنجش از دور GIS. دانشکده علوم زمین.

سعیدی، سمانه؛ مهدی منتظرالحجه؛ مجتبی شریف‌نژاد (1398). تحلیلی بر میزان همبستگی عوامل کمی درجه محصوریت با اختلاف دمایی در گذرهای تاریخی؛ پژوهش موردی شهر میبد، فصلنامه علمی پژوهش‌های بوم‌شناسی شهری. دوره 2. شماره 43. صفحات 44-4.

https://doi.org/10.30473/grup.2021.48156.2416

زندی، رحمان؛ محمد سلمانی‌مقدم؛ زهره روکی (1401). ارزیابی میزان خودهمبستگی فضایی دمای سطح زمین با کاربری اراضـی (مطالعـه مـوردی: شـهر اصـفهان)، جغرافیا و برنامه‌ریزی محیطی. دوره 34. شماره 1. صفحات 76-61.

https://doi.org/10.22108/GEP.2022.132524.1488

زندی، رحمان؛ زینب ظاهری‌عبده‌وند؛ صدیقه امامی (1403). سنجش دمای سطح زمین و ارتباط آن با شاخص‌های طیفی (مطالعه موردی: استان خوزستان)، نشریه جغرافیا و توسعه. دوره 22. شماره 76. صفحات 64-33.

https://doi.org/10.22111/gdij.2024.46176.3554

معروف‌نژاد، عباس (1390). تاثیر کاربری های شهری در ایجاد جزایر حرارتی تاثیر کاربری های شهری در ایجاد جزایر حرارتی (مطالعه موردی: شهر اهواز)، آمایش محیط. دوره 4. شماره 14. صفحات 90- 65.

https://sid.ir/paper/130725/fa

محمودزاده، حسن؛ سلطانخانم نصیری؛ ترکان قاسمی (1398). جزایر حرارتی، پنجمین کنفرانس بین المللی مهندسی محیط زیست و منابع طبیعی. 25 اردیبهشت 1398. تهران

https://civilica.com/doc/934024/

مصطفی‌زاده، رئوف؛ وحیده مرادزاده؛ نازیلا علائی؛ زینب حزباوی (1400). کاربرد شاخص هرست در تعیین حافظه طولانی مدت سری‌های زمانی بارش و دبی ایستگاه‌های منتخب استان اردبیل، حفاظت منابع آب و خاک. دوره 11. شماره2. صفحات 131-113.

https://sid.ir/paper/416028/fa .

هاشمی‌دره‌بادامی، سیروس؛ ایثار نورایی‌صفت؛ سعید کریمی؛ سجاد نظری (1394). تحلیل روند توسعه جزیره حرارتی شهری در رابطه با تغییر کاربری اراضی/پوشش با استفاده از سری زمانی تصاویر لندست، سنجش‌ از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی. دوره 6. شماره 3. صفحات 28-15.

https://sid.ir/paper/189596/fa

Anselin, L (2013). Spatial Econometrics: Methods and Models; Springer Science & Business Media: Berlin, Germany.

Bala , Ruchi., Prasad, Rajendra.,& Pratap Yadav, Vijay (2022). A comparative analysis of day and night land surface temperature in two semi-arid cities using satellite images sampled in different seasons, Adv. Space Res. 66(2) (2022) 412e.425.

http://dx.doi.org/10.1016/j.asr.2020.04.009.

Bala, Ruchi., Prasad, Rajendra., Yadav, Vijay Pratap (2021). Quantification of urban heat intensity with land use/land cover changes using Landsat satellite data over urban landscapes, Theor. Appl. Climatol.145 (2021) 1e.12.

http://dx.doi.org/10.21203/rs.3.rs-243576/v1

Emami, Sedighe & emami, Esmail (2018). Investigation of Urban Biophysical Compounds in the Formation of Thermal Islands Using RS and GIS (Case Study: Yazd 2018).Journal of Radar and Optic Remote Sensing” (JRORS), 2018. Vol 1(lssue 1.2).15-35.

https://jrors.yazd.iau.ir/article_542418.html.

Fotheringham, A.S, Brunsdon., C. and Charlton., M (2002). Geographically Weighted Regression: the analysis of spatially varying relationships, Chichester: Wiley.

https://www.researchgate.net/publication/27246972

Foody, G.M (2004). Spatial non stationarity and scale dependency in the relationship between species richness and environmental determinants for the sub-Saharan endemic avifauna. Global Ecology and Biogeography, 13:315-320.

https://doi.org/10.1111/j.1466-822X.2004.00097.x

Jiang, Peikun.,Fu, Weijun. J., Zhou, Guomo., and Zhao, Keli (2014). Using Moran's I and GIS to study the spatial pattern of forest litter carbon density in a subtropical region of southeastern China, Biogeosciences, 11, 2401–2409.

https://doi.org/10.5194/bg-11-2401-2014, 2014

Jung, H.-S.; Park, S.-W (2014). Multi-Sensor Fusion of Landsat 8 Thermal Infrared (TIR) and Panchromatic (PAN) Images. Sensors. 2014, 14, 24425-24440.

https://doi.org/10.3390/s141224425

Gupta, Neha., Mathew, Aneesh.,& Khandelwal, Sumit (2020). Spatio-temporal impact assessment of land use/land cover (LU-LC) change on land surface temperatures over Jaipur city in India, Int. J. Urban Sustain. Dev.12(3) (2020) 283 e.299.

http://dx.doi.org/10.1080/19463138.2020.1727908.

Ibrahim , Siti Halipah., Ibrahim , Nurul Izzati Ahmat., Wahid, Julaihi., Goh, Nurakmal Abdullah., Koesmeri , Dona Rose Amer.,& Nawi , Mohd Nasrun Mohd (2018). The impact of road pavement on urban heat island (UHI) phenomenon, Civ. Eng. 9.2018(8).

https://doi.org/10.14716/ijtech.v9i8.2755.

Ren, Jiayi., Yang, Jun., Zhang ,Yuqing., Xiao, Xiangming., Xia Jianhong Cecilia,. Li, Xueming., Wang, Shaohua (2022). Exploring thermal comfort of urban buildings based on local climate zones, J. Clean. Prod. 340 (2022), 130744.

https://doi.org/10.1016/j.jclepro.2022.130744·.

Kumari, Maya ., Sarma, Kiranmay ., & Sharma, Richa (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, 100239.

doi: 10.1016/j.rsase.2019.100239

Levermore, GJ.,& Cheung, HKW (2012). A low-order canyon model to estimate the influence of canyon shape on the maximum urban heat island effect, Build. Serv. Eng. Technol. 33 (4) (2012) 371e 385.

http://dx.doi.org/10.1177/0143624411417899.

Li, Shuangcheng ., Zhao, Zhiqiang ., Miaomiao, Xie .,& Wang, Yanglin (2010). Investigating spatial non-stationary and scale-dependent relationships between urban surface temperature and environmental factors using geographically weighted regression. Environ. Model. Softw. 2010, 25, 1789–1800.

http://dx.doi.org/10.1016/j.envsoft.2010.06.011.

Liu, Xue., Ming, Yujia., Liu, Yong., Yue, Wenze and Han, Guifeng (2022). Influences of landform and urban form factors on urban heat island: comparative case study between Chengdu and Chongqing, Sci. Total Environ. 820 (2022), 153395.

https://doi.org/10.1016/j.scitotenv.2022.153395

Lillesand, Thomas., Kiefer, Ralph W., & Chipman, Jonathan (2015). Remote sensing and image nterpretation. John Wiley & Sons.

Mann, Henry. B (1945). Nonparametric Tests Against Trend. Econometrica 1945,13,245. [CrossRef] 40.

http://dx.doi.org/10.2307/1907187.

Diksha, Kumari, & Kumari, Rina (2023). Spatiotemporal Characterization of Land Surface Temperature in Relation Landuse/Cover: a Spatial Autocorrelation Approach, Journal of Landscape Ecology (2023), Vol: 16 / No. 1.

https://doi.org/10.2478/jlecol-2023-0001.

Nakata-Osaki, Camila Mayumi ., Souza, Léa Cristina Lucas .,& Rodrigues, Daniel Souto (2018). THIS-Tool for Heat Island Simulation: a GIS extension model to calculate urban heat island intensity based on urban geometry, Comput. Environ. Urban Syst. 67(2018)157 e.168.

http://dx.doi.org/10.1016/j.compenvurbsys.2017.09.007.

Peng, Jian., Jia, Jinglei., Liu, Yanxu., Li, Huilei., & Wu, Jiansheng (2018). Seasonal contrast of the dominant factors for spatial distribution of land surface temperature in urban areas, Remote Sens. Environ. 215(2018), 255-267.

https://doi.org/10.1016/j.rse.2018.06.010.

Santamouris, Mattheos., Ding, Lan., & Osmond, Paul (2018). Urban heat island mitigation, in: Decarbonising the Built Environment, Palgrave Macmillan, Singapore, 2018, 337 e.335.

https://doi.org/10.1007/978-981-13-7940-6_18

Santamouris, M (2015). Regulating the damaged thermostat of citiesdstatus, impacts and mitigation challenges, Energy Build. 91 (2015) 43e.56.

https://doi.org/10.1016/j.enbuild.2015.01.027.

Sharma, Richa., Pradhan, Lolita., Kumari, Maya and Bhattacharya, Prodyut (2021). Bhattacharya, Assessing urban heat islands and thermal comfort in Noida City using geospatial technology, Urban Clim. (2021), 100751.

https://doi.org/10.1016/j.uclim.2020.100751

Simmons, Mark T.., Gardiner, Brian., Windhager, Steve., Tinsley, Jeannine (2008). Green roofs are not created equal: the hydrologic and thermal performance of six different extensive green roofs and reflective and non-reflective roofs in a sub-tropical climate, Urban Ecosyst. 11(4) (2008) 339e.348.

https://doi.org/10.1007/s11252-008-0069-4

Siqi, PanelJia., Yuhong, Wang., Ling, Chen., Xiaowen, Bi (2023). A novel approach to estimating urban land surface temperature by the combination of geographically weighted regression and deep neural network models, Urban Climate, Volume 47, January 2023, 101390.

https://doi.org/10.1016/j.uclim.2022.101390

Sen, P.K (1968). Estimates of the regression coefficient based on Kendall’s tau. Journal of American Statistical Association, 63 (324), 1379–1389.

doi:10.1080/01621459.1968.10480934.

Sen, Pranab Kumar (1968). Asymptotically efficient tests by the method of n rankings. J. Roy. Statist. Soc. Ser. B. 30 .

https://www. jstor.org/stable/2240259.

Tran, Duy X., Pla ,Filiberto., Pedro, Latorre-Carmona., Myint ,Soe W., Mario Caetano, Kieu., Kieu, Hoan V (2017). Characterizing the relationship between land use land cover change and land surface temperature, ISPRS Journal of Photogrammetry and Remote Sensing, Volume 124, February 2017, 119-132.

https://doi.org/10.1016/j.isprsjprs.2017.01.001

Voogt, J.A. and Oke, T.R (2003). Thermal Remote Sensing of Urban Climates. Remote Sensing of Environment, 86, 370-384.

https://doi.org/10.1016/S0034-4257(03)00079-8.

Yao, Rui., Wang, Lunche., Huang, Xin., Zhang, Wenwen., Li, Junli., &Niu, Zigeng (2018). Interannual variations in surface urban heat island intensity and associated drivers in China, J. Environ. Manag. 222 (2018) 86e.94.

https://doi.org/10.1016/j.jenvman.2018.05.024

Yin, Shusheng., Liu, Jiatong., & Han, Zenglin (2022). Relationship between urban morphology and land surface temperature-a case study of Nanjing City, PLoS One 17 (2) (2022), e0260205.

https://doi.org/10.1371/journal.pone.0260205.

Yuan, Fei., & Bauer, Marvin E (2007). Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in landsat imagery. Remote Sens. Environ. 2007, 106, 375-386.

https://doi 10.1016/j.rse.2006.09.003

Zhao, Chunhong, Jennifer Jensen, Qihao Weng, and Russell Weaver (2018). "A Geographically Weighted Regression Analysis of the Underlying Factors Related to the Surface Urban Heat Island Phenomenon" Remote Sensing 10, No. 9: 1428.

https://doi.org/10.3390/rs10091428.