جزیره گرمای شهری (UHI) پدیده‌ای است که با دمای سطحی و جوی بالاتر در مناطق شهری در مقایسه با مناطق روستایی اطراف مشخص می‌شود. این پدیده نتیجه افزایش دمای سطح زمین (LST) در نتیجه انرژی گرمایی محبوس شده در سطح است. هدف این مطالعه ایجاد روندها و رابطه بین LST و کاربری زمین/پوشش زمین در شهرستان ناکورو است زیرا به دنبال دستیابی به هدف نهایی برای مهار اثر UHI است. استنباط جزیره گرمایی شهری بر اساس تولید مجموعه‌ای از سری زمانی تصاویر Landsat، با تأکید ویژه بر باند حرارتی بود. نقشه‌برداری کاربری/پوشش زمین با استفاده از تکنیک‌های طبقه‌بندی حداکثر احتمال انجام شد، و این، مانند LST، به صورت سری زمانی از سال 1989 تا 2015 ایجاد شد. ارزیابی دقت به منظور اطمینان در نتایج طبقه بندی انجام شد. دقت توسعه با استفاده از داده های دمایی مشاهده شده که توسط ایستگاه های زمینی در اداره هواشناسی کنیا ثبت شده است، ارزیابی شد. این مطالعه از NDVI و NDBI عادی شده برای بررسی تغییرات کاربری زمین/پوشش زمین استفاده کرد. نتایج نشان داد که طی سال‌ها، سکونتگاه‌ها از نظر مساحت روندی صعودی داشته است در حالی که جنگل‌ها به دلیل جنگل‌زدایی رو به کاهش بوده‌اند. همچنین دمای سطح زمین در طول سالیان در حال افزایش بوده است. به منظور واجد شرایط بودن این امر، همبستگی بین LST و تغییر کاربری اراضی انجام شد و نشان داد که تغییرات شهرک/شهری متناسب با دمای سطح زمین افزایش یافته است. دقت توسعه با استفاده از داده های دمایی مشاهده شده که توسط ایستگاه های زمینی در اداره هواشناسی کنیا ثبت شده است، ارزیابی شد. این مطالعه از NDVI و NDBI عادی شده برای بررسی تغییرات کاربری زمین/پوشش زمین استفاده کرد. نتایج نشان داد که طی سال‌ها، سکونتگاه‌ها از نظر مساحت روندی صعودی داشته است در حالی که جنگل‌ها به دلیل جنگل‌زدایی رو به کاهش بوده‌اند. همچنین دمای سطح زمین در طول سالیان در حال افزایش بوده است. به منظور واجد شرایط بودن این امر، همبستگی بین LST و تغییر کاربری اراضی انجام شد و نشان داد که تغییرات شهرک/شهری متناسب با دمای سطح زمین افزایش یافته است. دقت توسعه با استفاده از داده های دمایی مشاهده شده که توسط ایستگاه های زمینی در اداره هواشناسی کنیا ثبت شده است، ارزیابی شد. این مطالعه از NDVI و NDBI عادی شده برای بررسی تغییرات کاربری زمین/پوشش زمین استفاده کرد. نتایج نشان داد که طی سال‌ها، سکونتگاه‌ها از نظر مساحت روندی صعودی داشته است در حالی که جنگل‌ها به دلیل جنگل‌زدایی رو به کاهش بوده‌اند. همچنین دمای سطح زمین در طول سالیان در حال افزایش بوده است. به منظور واجد شرایط بودن این امر، همبستگی بین LST و تغییر کاربری اراضی انجام شد و نشان داد که تغییرات شهرک/شهری متناسب با دمای سطح زمین افزایش یافته است. نتایج نشان داد که طی سال‌ها، سکونتگاه‌ها از نظر مساحت روندی صعودی داشته است در حالی که جنگل‌ها به دلیل جنگل‌زدایی رو به کاهش بوده‌اند. همچنین دمای سطح زمین در طول سالیان در حال افزایش بوده است. به منظور واجد شرایط بودن این امر، همبستگی بین LST و تغییر کاربری اراضی انجام شد و نشان داد که تغییرات شهرک/شهری متناسب با دمای سطح زمین افزایش یافته است. نتایج نشان داد که طی سال‌ها، سکونتگاه‌ها از نظر مساحت روندی صعودی داشته است در حالی که جنگل‌ها به دلیل جنگل‌زدایی رو به کاهش بوده‌اند. همچنین دمای سطح زمین در طول سالیان در حال افزایش بوده است. به منظور واجد شرایط بودن این امر، همبستگی بین LST و تغییر کاربری اراضی انجام شد و نشان داد که تغییرات شهرک/شهری متناسب با دمای سطح زمین افزایش یافته است.
کلید واژه ها
جزیره گرمایی شهری , دمای سطح زمین , NDVI , NDBI , کاربری زمین
1. مقدمه
جزیره گرمای شهری (UHI) پدیده ای است که با دمای اتمسفر و سطح بالاتر در مناطق شهری نسبت به مناطق روستایی اطراف مشخص می شود. این یک پیامد زیست محیطی تغییر فیزیکی سطح مناطق شهری از منظر طبیعی به سطوح غیرقابل نفوذ در نتیجه شهرنشینی و صنعتی شدن است [ 1 ]. به طور معمول، شهرنشینی منجر به کاهش چشم انداز طبیعی [ 2 ] می شود که منجر به اصلاح محتوای آب سطحی و پوشش گیاهی می شود. هنگامی که فضاهای سبز در مراکز شهری با سطوح غیر قابل نفوذ مصالح ساختمانی جایگزین می شوند، خواص حرارتی، رادیواکتیو، رطوبت و آیرودینامیکی آن سطح و دما تغییر می کند.
این امر به این دلیل است که مصالح ساختمانی شهری دارای ظرفیت گرمایی و رسانایی حرارتی و خواص رادیواکتیو (بازتاب و انتشار) متفاوتی نسبت به مناطق روستایی اطراف هستند که منجر به جذب و ذخیره بیشتر انرژی گرمایی در سطوح شهری در مقایسه با سطوح روستایی می‌شود. این پدیده برای اولین بار توسط لوک هاوارد در سال 1818 بررسی و شناسایی شد. پس از آن، پزشکان پدیده UHI را برای استنباط بین کیفیت هوا، دمای هوا و سلامت در مناطق شهری مطالعه کردند. بعدها، دانشمندان توانستند عوامل محیطی موثر در پدیده UHI را تعیین کنند.
دیوارهای سیمانی، سقف های تیره و سطوح سنگفرش شده در مناطق شهری نور خورشید را بیشتر جذب می کنند، گرما را به دام می اندازند و دمای محلی را افزایش می دهند. مناطق شهری دارای سطوح دست ساز بیشتر از سطوح سبز یا طبیعی هستند. غلظت این سطوح جاذب گرما جزیره هایی را ایجاد می کند که دما در آنها بالاتر است. با توجه به [ 3 ]، مشاهدات نشان داده است که دمای مراکز شهری می تواند تا 12 درجه سانتیگراد بالاتر از مناطق همجوار باشد. هنگامی که گرما توسط این سطوح مصنوعی به دام می‌افتد، دمای سطح زمین (LST) هم به سمت پایین به لایه‌های زیرسطحی [ 4 ] و هم به سمت بالا در جو منتشر می‌شود که منجر به گرم شدن سطح زیرسطحی، سطح و اتمسفر – جزیره گرمایی شهری می‌شود.
توسعه شهری اثرات جدی بر کیفیت محیط زیست جهانی از جمله کیفیت هوا، افزایش دما و تراکم ترافیک دارد. دمای بالاتر شهری به طور کلی منجر به اثرات نامطلوب اقتصادی و زیست محیطی در سطح محلی، منطقه ای و جهانی می شود. دماهای بالاتر مداوم تقاضا برای تهویه مطبوع را افزایش می دهد، سطح آلودگی را افزایش می دهد، محیط های حرارتی شهری را تغییر می دهد و در نهایت منجر به ناراحتی های حرارتی و بروز بیماری های مربوط به گرما می شود. اساساً نوعی آلودگی حرارتی ناشی از فعالیت‌های انسانی و تغییرات آب و هوایی محلی است [ 5 ].
مطالعات به منظور تجزیه و تحلیل و ایجاد رابطه بین LST و درصد ISA در شهری، NDVI و اثر UHI مرتبط در گسترش شهری انجام شده است. از تصاویر ماهواره ای برای ایجاد مطالعات مقایسه ای بین NDVI و درصد ISA با بررسی LST، درصد ISA و NDVI استفاده شده است [ 5 ]. LST یک پیش بینی کننده موثر تبادل انرژی-آب بین سطح زمین و جو است که ارتباط مستقیمی با تعامل انسان و محیط دارد. داده های LST از نوار حرارتی مادون قرمز (TIR) تصاویر ماهواره ای تصحیح شده از نظر رادیومتری و هندسی [ 6 ] مشتق شده است.
با توجه به [ 7 ]، اثر UHI توسط تعدادی از عوامل ایجاد می شود که با یکدیگر تعامل دارند. یکی از آنها انتشار گرمای ناشی از مصرف انرژی در مناطق شهری است که به انتشار گرمای انسانی معروف است. ثانياً تغييرات پوشش زمين از پوشش طبيعي زمين به ويژگي هاي دست ساز انسان نظير ساختمان ها و روسازي ها است كه به دليل كمتر بودن فضاهاي سبز، ظرفيت تبخير و تعرق سطحي را كاهش مي دهد. علاوه بر این گرما در مصالح ساختمانی مانند بتن و آسفالت ذخیره می شود. علت سوم، شکل مرکز شهری است.
ساختمان های مرتفع سطح جذب گرما را افزایش می دهند و گرما را از بین می برند زیرا متراکم هستند. در نهایت فعالیت های شهری مانند حرکت وسایل نقلیه موتوری باعث اثرات گلخانه ای آلودگی هوای ریز ذرات در جو شهر می شود. جزیره گرمای شهری باعث افزایش بلندمدت میانگین دما و همچنین شب‌های گرم و افزایش دمای روز می‌شود.
با توجه به [ 8] در مطالعه خود تحقیقی در مورد پویایی تغییرات کاربری زمین بر دمای سطح در کنیا انجام داد. این مطالعه در نایروبی که پایتخت آن است انجام شد، هدف اصلی این مطالعه بررسی اثرات تغییر کاربری زمین بر دمای سطح بود. این ماموریت با تجزیه و تحلیل رابطه بین LST، NDVI و LULC برای مدت 24 سال انجام شد. تصاویر ماهواره ای برای سال های 1986، 1995، 2002 و 2010 برای استخراج NDVI، LULC و LST استفاده شد. برای بازیابی کاربری/پوشش زمین از داده‌های Landsat برای انجام طبقه‌بندی استفاده شد که از آن در مجموع پنج طبقه به‌عنوان ساخته‌شده، کشاورزی، علفزار، آب و زمین بایر به‌دست آمد. پس از آن، ارزیابی دقت با انتخاب تصادفی نقاطی انجام شد که در آن تصاویر با وضوح بالا در برابر تصاویر طبقه بندی شده بررسی شدند.
شاخص گیاهی تفاوت نرمال شده از نوارهای مادون قرمز و قرمز نزدیک و LST ابتدا با تبدیل عدد دیجیتال به تابش طیفی بازیابی شد. نتایج این مطالعه نشان داد که بین NDVI و LST همبستگی منفی وجود دارد که نشان‌دهنده کاهش پوشش گیاهی به زمین‌های بایر و ساخته شده است که منجر به افزایش LST می‌شود.
2. مواد و روشها
2.1. منطقه مطالعه
این شهر در 160 کیلومتری شمال غرب نایروبی واقع شده است و چهارمین مرکز شهری بزرگ در کنیا پس از نایروبی، مومباسا و کیسومو است. 1.29٪ از کل زمین در کنیا، در مساحتی به وسعت 7495.07 کیلومتر مربع در بخش‌های مرکزی ارتفاعات دره ریفت کنیا واقع بین طول‌های جغرافیایی 35˚28 و 35˚36” و عرض‌های جغرافیایی 0˚12” و 1˚10 اینچ جنوبی. به شکل تبر دوران سنگی، از شمال با شهرستان بارینگو، از شمال غربی با شهرستان کریچو، از غرب با شهرستان بومت، از جنوب با شهرستان ناروک و شهرستان کاجیادو، و شهرستان کیامبو همسایه است. در جنوب شرقی، شهرستان Nyandarua در شرق، و شهرستان Laikipia در شمال شرقی ( شکل 1 ).
2.2. مجموعه داده های مورد نیاز
مجموعه داده های مختلفی از منابع مختلف برای تحلیل روند جزیره گرمای شهری جمع آوری شد. داده‌های دمایی به‌دست‌آمده از اداره هواشناسی کنیا برای سال‌های 1989، 2000، 2010 و 2016، سرزمین‌های تصویربرداری از مرکز منطقه‌ای نقشه‌برداری منابع برای توسعه به‌دست آمد. این
شکل 1 . نمودار منطقه مطالعه
داده های نقشه پایه برای بازیابی مرزهای اداری از بررسی کنیا به دست آمد. جدول 1 مجموعه داده های مورد نیاز و منابع آنها را نشان می دهد.
2.3. رویکرد تحقیق
رویکرد تحقیق به شرح زیر خلاصه شد. ابتدا، تصاویر ماهواره‌ای دانلود و در هر پردازش، به‌ویژه تصویر برای تسهیل تجزیه و تحلیل تصویر بصری و دیجیتالی بهبود یافت. تصویر در دو مرحله پردازش شد. ابتدا نوار حرارتی استخراج و پردازش شد تا دمای سطح زمین را از طریق یک سری روش های میانی بدست آورد.
داده‌های DN مادون قرمز حرارتی با استفاده از فاکتورهای مقیاس‌گذاری مجدد تشعشع ارائه‌شده در فایل ابرداده به تابش طیفی Top of the Atmosphere تبدیل شدند. مقادیر تشعشع همه پیکسل‌ها پس از آن به دمای موثر ماهواره‌ای سیستم جوی زمین مشاهده شده، با فرض انتشار یکنواخت، قبل از اینکه در نهایت به دمای سطح زمین تبدیل شود، تبدیل شد.
در مرحله دوم، تصاویر به صورت لایه‌ای در یک ترکیب انباشته شده و از طریق طبقه‌بندی حداکثر احتمال مورد استخراج اطلاعات قرار گرفتند تا کلاس‌های کاربری/پوشش زمین برای سال‌های مربوطه استخراج شود که پس از آن ارزیابی دقت برای گزارش خطا انجام شد. تشخیص تغییر برای استخراج ماتریس تغییر و مناطق مربوط به طبقات کاربری زمین برای دوره های مختلف (1989-2000، 2000-2010 و 2010-2016) انجام شد.
دمای سطح زمین استخراج‌شده با آمار تغییرات مشتق‌شده برای تعیین اینکه آیا و چگونه مقایسه می‌شوند همبستگی داشت. در نتیجه، پشیمانی
جدول 1 . منابع داده و ویژگی های آنها
مدل‌سازی یون برای شبیه‌سازی پیش‌بینی‌های LST آینده برای سال 2025، با تخمین یک دهه از سال 2016، اتخاذ شد. این برای حفظ فاصله تقریباً 10 ساله از دوره‌ها استفاده شد. مجموعه داده‌ها که شامل داده‌های آب و هوایی، تصاویر ماهواره‌ای و مرز اداری است، ابتدا به ترتیب از اداره هواشناسی کنیا، وب‌سایت Glovis و Survey of Kenya تهیه شدند.
باند حرارتی تصاویر ماهواره ای برای استخراج دمای سطح زمین با تبدیل مقادیر DN به درخشندگی استفاده شد. سپس مقادیر درخشندگی به درخشندگی بالای اتمسفر که از آن گسیل سطحی مشتق شده بود، تبدیل شد. باندهای مرئی و مادون قرمز نزدیک در طبقه‌بندی تصویر برای تولید کلاس‌های اطلاعاتی مورد استفاده قرار گرفتند و پس از آن، تشخیص تغییر پس از طبقه‌بندی برای استخراج آمار تغییر و ماتریس‌های تغییر انجام شد، که نشان می‌دهد چه کلاس‌هایی از چه به چه و در چه ناحیه تغییر کرده‌اند.
داده‌های اقلیمی به‌دست‌آمده از KMD برای اعتبارسنجی دمای سطح زمین برای اهداف گزارش خطا و ارزیابی دقت استفاده شد. با رضایت‌بخش بودن نتایج اعتبار، دمای سطح زمین با آمار تغییر همبستگی داشت. در شبیه سازی LST برای سال 2025، مناطق نفوذ با استفاده از چند ضلعی های Thiessen، در مورد ایستگاه های زمینی به دست آمد، و LST برای هر چند ضلعی مشتق شد.
2.4. همبستگی تغییرات پوشش زمین با دمای سطح زمین
همبستگی بین کاربری/پوشش زمین و تغییرات دمای سطح زمین برای مقایسه نحوه تغییر این دو متغیر نسبت به یکدیگر انجام شد. متغیر کاربری اراضی از مساحتی که از نقشه‌های کاربری/پوشش زمین محاسبه می‌شود، برآورد شد، در حالی که متغیر دما از معیارهای مشتق شده از ماهواره برآورد شد. فرض اساسی در این مورد این بود که نواحی شهری با کلاس استقرار نشان داده می‌شوند و به این ترتیب، تغییرات دمای سطح زمین در برابر تغییرات سطح‌های سکونتگاهی ترسیم می‌شود. از آنجایی که سطح زیر کشت (ha) و دما (درجه سانتیگراد) واحدهای متفاوتی داشتند، محور y با دو مقیاس نشان داده شد.
2.5. شبیه سازی دمای سطح زمین برای سال 2025
یک روش سه مرحله ای به منظور شبیه سازی LST برای سال 2025 استفاده شد. ابتدا، یک تحلیل همبستگی (دو متغیره) بین هر شاخص پوشش زمین (NDVI و NDBI) و LST برای هر یک از دوره های زمانی (1989، 2000، 2010،) انجام شد. و 2016) به منظور بررسی روابط در طول دوره ها.
دوم، اگر همبستگی های دو متغیره معنی دار باشد، یک تحلیل رگرسیون چندگانه با استفاده از LST مشتق شده برای سال 2016 به عنوان متغیر وابسته و دو شاخص پوشش زمین (NDVI و NDBI) برای سال 2016 به عنوان متغیر مستقل، به منظور استخراج معادله رگرسیون برای استفاده ضروری است. برای پیش بینی شاخص های آینده (2025). معادلات برای محاسبه NDVI و NDBI به شرح زیر است:
جایی که: NIR باند مادون قرمز نزدیک 4 است، R باند قرمز 3 است.
جایی که: VNIR مادون قرمز نزدیک قابل مشاهده است، SWIR مادون قرمز موج کوتاه است.
سوم، دو شاخص (NDVI و NDBI) برای سال 2025 با استفاده از رگرسیون خطی چند متغیره شبیه‌سازی شدند که در آن دمای سطح زمین متغیر وابسته بود در حالی که NDVI و NDBI متغیرهای وابسته بودند. ضرایب رگرسیون خطی چند متغیره با استفاده از داده های تاریخی برای LST، NDVI و NDBI که از تجزیه و تحلیل تصاویر ماهواره ای به دست آمده است، به دست آمد.
این تولید ضرایب از طریق تعدیل حداقل مربعات انجام می‌شود و این امر تولید یک چند جمله‌ای درون‌یابی را در قالب یک معادله رگرسیون چند متغیره تسهیل می‌کند. این چند جمله ای است که مبنای پیش بینی مقدار میانگین LST برای سال 2025 را تشکیل می دهد. بنابراین، برای پیش بینی LST برای سال 2025 با استفاده از چند جمله ای، باید NDVI و NDBI را برای سال 2025 پیش بینی کنیم زیرا آنها به عنوان متغیرهای مستقل عمل می کنند. در چند جمله ای
این روش با تجزیه و تحلیل روند رشد در NDVI و NDBI برای سال‌های تاریخی مورد بررسی به دست آمد، پس از آن پیش‌بینی دو متغیر با فرض ادامه روند به همان روش انجام شد. این منجر به مقادیر پیش‌بینی‌شده NDBI و NDBI برای سال 2025 شد که سپس وارد مدل پیش‌بینی شد تا LST به معنای پیش‌بینی‌شده برای سال 2025 تولید شود.
مناطق نفوذ با تشکیل چند ضلعی تیسن در مورد ایستگاه های زمینی به دست آمده از اداره هواشناسی کنیا ایجاد شد. چند ضلعی های تیسن روشی برای ساخت مدل های سطحی از مجموعه ای گسسته از داده های توصیف شده دلخواه است. سطح به عنوان شبکه ای از وجوه مسطح و مثلثی با رئوس در نقاط داده نشان داده می شود که بر روی مثلث دلونی از پیش بینی های نقطه داده در صفحه xy ساخته شده است. در هر یک از این چند ضلعی‌ها، NDVI و NDBI برای سال 2025 با فرض رگرسیون خطی پیش‌بینی شد و اینها به‌عنوان ورودی چند جمله‌ای درون‌یابی برای استخراج LST برای هر منطقه نفوذ استفاده شد، که منجر به یک سطح نهایی شد که تغییرات LST را در سراسر شهرستان ناکورو نشان می‌دهد. .
3. نتایج
3.1. مدل سازی تغییر کاربری زمین
تصاویر مربوط به سال های تحصیلی یعنی 1989، 2000، 2010 و 2016 به پنج طبقه کلی طبقه بندی شدند. سکونتگاه، تالاب، جنگل، علفزار، و زمین زراعی. روند کلی تغییری منفی برای نوع پوشش اراضی کاربری اراضی زراعی، جنگلی، علفزار و تالاب بود در حالی که سکونتگاه تغییر مثبتی داشت که نشان دهنده افزایش تعداد سکونتگاه ها در طول سال ها بوده است. با این حال، افزایش پوشش زمین زراعی در دوره گذشته وجود دارد. شکل 2 روند استفاده از زمین/پوشش زمین را در طول دوره ها نشان می دهد.
تغییرات کاربری زمین/نوع پوشش زمین بین دوره ها به نسبت مساوی نبود. علفزار بیشترین تغییرات را داشت، در ابتدا افزایش جزئی، افت در میانه و افزایش شدید در دوره گذشته نشان داد، به طوری که تغییر کلی افزایش پوشش علفزار است. این تغییرات مربوط به زمانی از سال است که داده های ماهواره ای به دست آمده است. زمین های زراعی، جنگلی و تالاب به شدت در طول سه دوره کاهش یافت که منجر به کاهش پوشش شد. تسویه حساب روندی یکنواخت را با درصد تغییر مثبت طی سه دوره نشان داد. درصد تغییرات در هر دوره بر اساس میزان تغییر در مقایسه با سال پایه 1989 است .
شکل 2 . روند استفاده از زمین/پوشش زمین.
شکل 3 . درصد تغییرات کاربری زمین/تغییرات پوشش زمین.
در تجزیه و تحلیل تغییرات در سه دوره مورد بررسی، ماتریس تغییر بر اساس تصاویر تاریخی که قبلا طبقه بندی شده بود، تولید شد. ماتریس تغییر نشان می دهد که یک کلاس خاص چه ناحیه ای را به دیگری تغییر داده است. کلاس‌های موجود در ستون، کلاس‌های «از» را نشان می‌دهند، در حالی که کلاس‌های موجود در ردیف، کلاس‌های «to» را نشان می‌دهند. جداول 2-4 جدول متقابل کاربری زمین/پوشش زمین را برای دوره های مورد بررسی نشان می دهد.
روند کلی تغییر از سایر کاربری ها به سکونتگاه ها بر حسب درصد برای مناطق کاربری اراضی، الگوی منظمی را نشان نمی دهد. با این حال، تغییرات در مناطق مرتع، الگوی منظم قابل توجهی را نشان می دهد. به عنوان مثال، مساحت مرتع در دوره 1989-2000 حدود 10٪ بود در حالی که در دوره 2000-2010 به 27٪ و در دوره 2010-2016 به حدود 37٪ افزایش یافت. روند تغییرات درصدی نشان می دهد که در تمامی کاربری ها افزایش سکونت وجود دارد. این نشان می دهد که سکونتگاه در طول سال ها افزایش یافته است که به شهرنشینی نسبت داده می شود ( جدول 5 ).
جدول 2 . جدول متقابل تغییرات کاربری/پوشش زمین 1989-2000.
جدول 3 . جدول متقابل تغییرات کاربری/پوشش زمین 2000-2010.
جدول 4 . جدول متقابل تغییرات کاربری/پوشش زمین 2010-2014.
جدول 5 . درصد تغییرات از سایر کاربری ها/پوشش های زمین تا سکونتگاه.
3.2. تجزیه و تحلیل دمای سطح زمین
از دمای سطح زمین به دست آمده، مشاهده شد که با گذشت سال ها، دمای سطح به طور مداوم افزایش می یابد، که عاملی به افزایش شهرنشینی نسبت داده می شود. تغییرات دمای سطح زمین برای سال 1989 به حدی بود که مناطق با دمای بسیار بالا به اندازه سال 2000 نبودند. به طور مشابه، مناطق با دمای بسیار بالا در سال های بعدی 2010 و 2016 افزایش یافتند.
از آنجایی که طبقه سکونتگاه نیز در طی سالیان به طور مستمر در حال افزایش است، افزایش دمای سطح زمین در طول سال ها را می توان به افزایش سکونت گاه که نشانگر شهرنشینی است نسبت داد. شکل 4 نقشه های LST مشتق شده را برای سال های 1989، 2000، 2010 و 2016 نشان می دهد.
اعتبار سنجی با مقایسه داده های مشاهده شده زمین از اداره هواشناسی کنیا با دمای سطح زمین که از تجزیه و تحلیل تصاویر ماهواره ای به دست آمده و رسم منحنی هایی مانند شکل 4 انجام شد. روند کلی به صورت بصری از طریق منحنی ها مقایسه شد و مشخص شد که با داده های زمینی مطابقت دارد، اگرچه یک افست تشخیص داده شد که می تواند با این واقعیت توضیح داده شود که ایستگاه های زمینی دمای محیط را اندازه گیری می کردند در حالی که مقادیر ماهواره دمای سطح بودند. منحنی هایی که روند کلی داده های زمینی و داده های حاصل از ماهواره را نشان می دهند، همانطور که در شکل 5 نشان داده شده است.
3.3. تجزیه و تحلیل همبستگی بین LST و سکونتگاه شهری
در تعیین همبستگی بین دمای سطح زمین و استقرار، همانطور که در منحنی زیر نشان داده شده است، اشاره شد که بین دو متغیر همبستگی مثبت وجود دارد که نشان می‌دهد افزایش سکونتگاه شهری منجر به افزایش مثبت دمای سطح زمین می‌شود. همبستگی/رابطه مثبت بین دو متغیر. این نشان دهنده همبستگی بود یعنی تغییر در سکونتگاه شهری منجر به افزایش متناسب دمای سطح می شود. شکل 6 همبستگی بین LST و سکونتگاه شهری را نشان می دهد.
در تجزیه و تحلیل بیشتر همبستگی، یک نمودار پراکنده از اندازه‌گیری‌های زمینی در مقابل اندازه‌گیری‌های ماهواره‌ای نشان داد که برای سال‌های 1989، 2000 و 2010، ضریب رگرسیون بالاتر از 0.5 بود که نشان‌دهنده همبستگی قوی بین مشاهدات زمینی-ماهواره‌ای بود، بنابراین اطمینان به زیرساخت‌ها وجود داشت.
شکل 4 . نقشه دمای سطح زمین به دست آمده.
شکل 5 . اعتبارسنجی زمینی ماهواره ای
شکل 6 . همبستگی بین LST و سکونتگاه شهری.
تجزیه و تحلیل بعدی که دمای سطح زمین را در بر می گیرد. نتایج نمودار پراکندگی به همراه ضرایب رگرسیون در شکل 7 و شکل 8 نشان داده شده است.
3.4. شبیه سازی دمای سطح زمین برای سال 2025
نتایج تعدیل حداقل مربعات به منظور تعیین ضرایب چند جمله‌ای درون‌یابی برای پیش‌بینی میانگین LST برای سال 2025 در این بخش مورد بحث قرار می‌گیرد. جدول 6 زیر ضرایب چند جمله ای درون یابی را نشان می دهد.
آماره R2 حدود 0.8 بود که کاملاً رضایت بخش بود
شکل 7 . نقشه پراکندگی اعتبارسنجی ماهواره ای زمینی برای سال 2000.
شکل 8 . نقشه پراکندگی اعتبارسنجی ماهواره ای زمینی برای سال 2010.
جدول 6 . ضرایب چند جمله ای درون یابی.
بنابراین اطمینان استفاده از مدل برای پیش‌بینی LST آینده را به شما داد. بنابراین، چند جمله ای اتخاذ شده، در حرکت رو به جلو، این بود:
آماره R2 حدود 0.8 بود که کاملاً رضایت بخش بود و بنابراین اطمینان استفاده از مدل برای پیش بینی LST آینده را داد. بنابراین، چند جمله ای اتخاذ شده، در حرکت رو به جلو، این بود:
داده های تاریخی برای NDVI و NDBI رسم شد و روند مشاهده شد. با استفاده از این رویکرد، مقادیر پیش‌بینی‌شده NDVI و NDBI با این فرض اساسی که روند باید در یک الگوی خطی پیش برود، برآورد شد. برای هر منطقه نفوذ، NDBI و NDVI، برای ورودی به چند جمله‌ای درون‌یابی، برای استخراج LST برای هر منطقه نفوذ، برآورد شد. شکل 9 و شکل 10 پیش بینی NDVI و NDBI را برای اولین منطقه نفوذ نشان می دهد.
به منظور تولید سطح LST، چند ضلعی های Thiessen در مورد ایستگاه های زمینی که از اداره هواشناسی کنیا به دست آمد، تولید شدند. این چند ضلعی های تیسن به عنوان مناطق نفوذ عمل می کردند که در داخل آن ها
شکل 9 . پیش‌بینی NDVI برای سال 2025 با استفاده از خط روند خطی.
شکل 10 . پیش‌بینی NDBI برای سال 2025 با استفاده از خط روند خطی.
مقدار دما ثابت در نظر گرفته می شود. شکل 11 ایستگاه های زمینی را به همراه چند ضلعی های تیسن نشان می دهد که به عنوان مناطق نفوذ عمل می کنند. این بدان معناست که هر چند ضلعی/منطقه مقدار منحصر به فردی از دمای سطح خواهد داشت.
برای پیش‌بینی LST، مقادیر پیش‌بینی‌شده NDVI و NDBI با مشاهده روندها در طول سال‌ها، برای هر منطقه تحت تأثیر مانند شکل 11 به‌دست آمد . NDVI و NDBI پیش بینی شده بر اساس روند خطی در جدول 7 نشان داده شده است.
مقادیر پیش‌بینی‌شده متغیرهای مستقل (NDVI و NDBI) به‌دست‌آمده از جدول 7 به چند جمله‌ای درون‌یابی LST = 60.621NDVI + 0.359NDBI – 1.898 وارد شد تا LST پیش‌بینی‌شده برای هر منطقه تحت تأثیر استخراج شود. در نتیجه، LST پیش بینی شده برای سال 2025 برای شهرستان ناکورو در جدول 8 مستند شده است.
شکل 11 . ایستگاه مناطق نفوذ تولید شده از طریق چند ضلعی تیسن را تعریف کرد.
جدول 7 . پیش بینی NDVI و NDBI برای هر منطقه نفوذ.
جدول 8 . LST پیش بینی شده برای هر منطقه تحت نفوذ.
مقادیر پیش‌بینی‌شده LST در محدوده 10.84 تا 56.13 بود. برای اهداف تجسم، این مقادیر به 6 کلاس طبقه‌بندی شدند که در نتیجه برای تولید یک نقشه choropleth استفاده می‌شدند که با استفاده از LST پیش‌بینی‌شده برای هر منطقه نفوذ نمادین شد. هر منطقه نفوذ با یک مقدار یکسان نشان داده می شود. شکل 11 LST را نشان می دهد که از یک منطقه نفوذ به منطقه دیگر متفاوت است.
نتایج نشان می‌دهد که اکثر مناطق شهرستان ناکورو که در نزدیکی دریاچه‌ها و شهرها قرار دارند، اگرچه نه همه، دمای متوسطی بالاتر از 41 درجه سانتیگراد را تجربه خواهند کرد. این دمای بالای سطح زمین است، در مقایسه با دمای به‌دست‌آمده در سال 1989. بر اساس این مشاهدات، ما به این نتیجه رسیدیم که افزایش شهرنشینی منجر به افزایش متناظر در دمای سطح زمین می‌شود، زیرا دمای سطح زمین به شدت با افزایش در ارتباط است. سکونت (شهرنشینی). بنابراین، تلاش‌های برنامه‌ریزی آینده نیاز به گنجاندن افزایش پیش‌بینی‌شده در جزیره گرمای شهری به عنوان یکی از متغیرها در طرح‌های برنامه‌ریزی شهری خود دارند. شکل 12 دمای سطح زمین پیش بینی شده برای ناکورو را برای سال 2025 نشان می دهد.
شکل 12 . پیش بینی دمای سطح زمین برای سال 2025
4. نتیجه گیری
نتایج نشان می‌دهد که مناطق سکونتگاهی در طول سال‌ها افزایش یافته‌اند که نشانه روشنی از افزایش شهرنشینی است. از سوی دیگر، زمین‌های زراعی، مرتع و جنگل‌ها در طول زمان به میزان قابل توجهی کاهش یافته است. در تجزیه و تحلیل ماتریس تشخیص تغییر، به این نتیجه رسیدیم که بیشتر کاربری/پوشش زمین به استقرار در دوره در نظر گرفته شده است و این نیز یک افزایش شاخص در سطح غیرقابل نفوذ است که منجر به افزایش در جزیره گرمایی شهری می‌شود. با به دست آوردن نسبت زیادی از سایر طبقات، پوشش گیاهی کاهش مستمر پوشش را به طبقات دیگر نشان می دهد. کاهش پوشش گیاهی عاملی است که باعث افزایش دمای سطح زمین می شود.
تجزیه و تحلیل روندهای تاریخی در چهار مورد در سری های زمانی در LST نشان می دهد که میانگین دما، همانطور که برای هر سال محاسبه می شود، در طول سال ها به گونه ای افزایش می یابد که احتمالاً به اثر جزیره گرمایی شهری کمک می کند. روند در LST یک رابطه نزدیک با افزایش قابل توجه در سکونت و کاهش متناظر در پوشش گیاهی نشان می دهد.
در تعیین همبستگی بین دمای سطح زمین و نشست، این نتیجه حاصل شد که بین دو متغیر همبستگی قوی و مثبت وجود دارد که نشان می‌دهد افزایش سکونتگاه شهری منجر به افزایش مثبت متناظر دمای سطح زمین می‌شود. نتایج تعدیل حداقل مربعات به منظور تعیین ضرایب چند جمله‌ای درون‌یابی برای پیش‌بینی میانگین LST برای سال 2025، آماره R2 قوی 8188/0 را نشان داد که نشان‌دهنده همبستگی قوی در متغیرهای مورد استفاده در رگرسیون خطی، بنابراین اطمینان به نتایج.
علاوه بر این، مدل‌سازی میانگین LST آینده با استفاده از معادلات رگرسیون، روند ثابتی را در افزایش LST نشان داد که نشان می‌دهد پدیده جزیره گرمایی شهری نیز در حال افزایش است. از آنجایی که UHI با سطوح غیر قابل نفوذ همراه است، می توان نتیجه گرفت که این روند به افزایش سکونت/شهرنشینی و متعاقب آن ناپدید شدن پوشش گیاهی منجر می شود.
منابع
بدون دیدگاه