چکیده

در پرتو تغییرات اقلیمی و شهرنشینی رو به رشد، بارهای گرمایی در مناطق شهری به عنوان مسائل جدی مطرح شده است که بر رفاه جمعیت و محیط زیست تأثیر می گذارد. در پاسخ به نیاز مبرم به تحقیقات استاندارد و قابل انتقال بیشتر در مورد اقلیم شهری، مفهوم مناطق آب و هوایی محلی (LCZs) ایجاد شده است. هدف این مفهوم تعریف انواع مورفولوژیکی سطح (شهری) با توجه به شکل‌گیری شرایط آب و هوایی محلی، عمدتاً حرارتی است. این مقاله مروری نظام‌مند، مطالعاتی را که مفهوم LCZs را در مناطق شهری اروپا به کار برده‌اند، تحلیل می‌کند. این روش از کلمات کلیدی از پیش تعیین شده و پنج مرحله انتخاب ادبیات استفاده کرد. در مجموع 91 مطالعه واجد شرایط برای تجزیه و تحلیل یافت شدند. نتایج نشان می دهد که مفهوم LCZs به طور فزاینده ای به کار گرفته شده است و به خوبی در تحقیقات آب و هوای شهری اروپا تثبیت شده است. ده‌ها اندازه‌گیری، مشاهدات ماهواره‌ای، و نتایج مدل‌سازی پاسخ‌های حرارتی مشخصه LCZs در شهرهای اروپایی را نشان داده‌اند. با این حال، تعداد قابل توجهی از مطالعات بر روی توسعه روش‌شناختی فرآیند طبقه‌بندی متمرکز شده‌اند و درجه‌ای از ناسازگاری را در تعیین LCZ ایجاد می‌کنند. روندهای اخیر نشان دهنده شیوع فزاینده رویکرد مبتنی بر سنجش از دور قابل دسترس نسبت به روش های دقیق مبتنی بر GIS در تعیین LCZs است. در این زمینه، کاربردهای این مفهوم در مدل سازی در مقیاس ریز محدود به نظر می رسد. با این وجود، مفهوم LCZ برای ارائه ابرداده برای ایستگاه های شهری مناسب و ارزشمند است. (سطح) تجزیه و تحلیل جزیره گرمایی شهری، و ارزیابی آسایش حرارتی در فضای باز و خطر گرما. به نظر می رسد هر گونه توسعه بیشتر نقشه برداری LCZ نیازمند یک رویکرد هدف استاندارد است که ممکن است در سطح جهانی قابل اجرا باشد.

کلید واژه ها:

مناطق آب و هوایی محلی ؛ محیط شهری ; اقلیم شهری ; جزیره گرمایی شهری ; ارزیابی بار حرارتی

1. مقدمه

دهه‌های اخیر تظاهراتی از تغییرات اقلیمی را در مقیاس‌های جهانی و منطقه‌ای، از جمله افزایش قابل‌توجه در بروز طلسم‌ها یا رویدادهای دمایی شدید (مثلاً امواج گرما)، به‌ویژه در قرن بیست و یکم، مشاهده کرده‌ایم [ 1 ]. علاوه بر این، پیش بینی ها نشان می دهد که امواج گرمای شدیدتر و شدیدتر در قاره اروپا رخ خواهد داد [ 2 ، 3 ]. این رویدادهای شدید آب و هوایی بارهای گرمایی را در مناطق شهری افزایش داده است [ 4 ، 5 ، 6 ]، که عموماً به صورت دمای بالاتر هوا و سطح، چه در روز و چه در شب، در مقایسه با مناطق داخلی طبیعی بیشتر ظاهر می شود [ 7 ].]. بنابراین، کلان‌شهرها، شهرها و شهرک‌های امروزی تقریباً در هر منطقه از جهان با تغییراتی در بزرگی رویدادهای شدید دمایی مواجه هستند که وقوع آنها احتمالاً چندین برابر بیشتر از چند دهه پیش است [ 8 ، 9 ]. ]. این حقایق در پرتو پیش‌بینی‌های جمعیتی که ادامه شهرنشینی سریع در قرن بیست و یکم را مطرح می‌کنند، اهمیت بیشتری پیدا می‌کنند، و تقریباً ۷۰ درصد از جمعیت جهان تا سال ۲۰۵۰ در محیط‌های شهری زندگی می‌کنند [ 10 ]. پیش بینی شده است که جمعیت شهری تا سال 2030 به نزدیک به پنج میلیارد نفر خواهد رسید، با احتمال زیاد گسترش شهری احتمالاً 1.2 میلیون کیلومتر مربع .، که افزایش 185٪ در منطقه شهری جهانی را در طول سال 2000 تشکیل می دهد [ 11 ]. بنابراین، نیاز به تحقیقات جامع در مورد اقلیم و محیط های شهری بیش از پیش ضروری می شود [ 12 ].
با توجه به طرح کلی شرایط ارائه شده در بالا، نتیجه می شود که جمعیت شهرها اغلب در معرض خطر گرما هستند. چندین مطالعه نشان می‌دهد که استرس گرمایی در حال افزایش است، همراه با افزایش بستری شدن در بیمارستان و مرگ و میر در میان گروه‌های آسیب‌پذیر، مانند افراد مبتلا به شکایات مزمن از قبل (مانند بیماری‌های قلبی عروقی و/یا تنفسی)، کودکان (زیر ۱۸ سال). و سالمندان (افراد 65 سال و بالاتر) [ 13 ، 14 ، 15 ، 16 ، 17 ]. علاوه بر این، Wouters و همکاران. [ 18] پیش بینی کرد که افزایش تنش گرمایی در برخی شهرهای بزرگ اروپایی تا سال 2050 دو برابر افزایش در محیط طبیعی آنها خواهد بود. علاوه بر این، طبق گزارش کمیسیون اروپا [ 19 ]، مرگ و میر ناشی از تغییرات آب و هوایی طی 90 سال آینده به طور قابل توجهی افزایش خواهد یافت. (در آن زمان) 27 کشور اتحادیه اروپا. نمی توان نادیده گرفت که شهرها از محرک های اقتصاد جهانی و منطقه ای هستند و دمای شدید ممکن است ساختارهای اقتصادی را به خطر بیندازد و به مشکلات بودجه ای در شهرها کمک کند [ 20 ].
در نظر گرفتن دقیق‌تر بار گرمایی در مناطق شهری بر نسبت بالاتری از سطوح مصنوعی/غیر قابل نفوذ (بتن، آسفالت، شیشه، و غیره)، فعالیت‌های متمرکز انسانی که منجر به تغییر تشعشعات و فرآیندهای تبادل انرژی، شارهای حرارتی انسانی می‌شود، تمرکز دارد. و تبخیر و تعرق را در مقایسه با مناظر غیر شهری کاهش داد [ 21 ]. همه اینها منجر به دماهای بالاتر در مناطق شهری می شود، پدیده ای که به “جزیره حرارتی شهری” (UHI) یا “جزیره حرارتی شهری سطحی” (SUHI) معروف است. UHI و SUHI نه تنها در شهرهای بزرگ و متوسط ​​مشهود هستند [ 22 , 23 , 24 , 25 , 26 , 27]، بلکه در شهرهای کوچکتر و در مناطق شهری با کمتر از 10000 نفر جمعیت [ 22 ، 28 ، 29 ، 30 ]. با این حال، شرایط دما در همه مناطق یک شهر یکسان نیست [ 31 ]. کاملا جدا از ملاحظات امدادی [ 32 ]، آنها از انواع سطح غالب، تراکم شهرنشینی، ناهمواری مصالح ساختاری، انواع فعالیت های انجام شده توسط ساکنان و غیره ناشی می شوند. بنابراین، برخی از مناطق شهری ممکن است به طور کلی با شرایط گرمتر (یا سردتر) نسبت به سایرین مشخص شوند.
به منظور چارچوب بندی و تعریف فرآیندهای بار حرارتی در مقیاس های میکرو و محلی در مناطق شهری، جغرافیدانان کانادایی استوارت و اوک [ 33 ] مفهوم “مناطق آب و هوایی محلی” (LCZs) را معرفی کردند. این مفهوم با تحقیقات میدانی و تجربه به‌دست‌آمده از طبقه‌بندی‌های قبلی مانند طرح الفسن [ 34 ] از مناطق زمین شهری (UTZs) و توسط Oke [ 35 ، 36 ، 37 ] مناطق آب و هوایی شهری (UCZs) ارزیابی شده است. .
نویسندگان داده‌های کمی، هم اندازه‌گیری و هم تخمین زده شده (هندسی، پوشش سطح، حرارتی، تشعشعی، متابولیک)، و ویژگی‌های کیفی (مواد، بافت، مورفولوژی) مربوط به مناطق شهری و روستایی در سراسر جهان را جمع‌آوری کردند. اینها برای مشخص کردن ویژگی‌های پوشش سطحی در مناطق ساخته‌شده و تحت پوشش زمین خدمت می‌کنند. ملاحظات مشتق شده از ماهیت کمی و طراحی شهری (که ویژگی های کیفی را ارائه می دهد) در نشریاتی که به ساختارهای شهرنشینی و فرآیندهای توسعه در سطوح جهانی / قاره ای / منطقه ای می پردازند، ارائه شده است. اینها در یک دوره 30 ساله منتشر شده اند [ 34 ، 35 ، 38 ، 39 ، 40 ، 41 ، 42 ،43 ، 44 ، 45 ، 46 ، 47 ، 48 ].
هدف اصلی سیستم جدید طبقه‌بندی LCZ مبتنی بر اقلیم برای مناطق شهری و روستایی، ارائه یک چارچوب تحقیقاتی برای مطالعات UHI و استاندارد کردن اصول مشاهدات شهری (دما) در سراسر جهان است [ 33 ].]. LCZها به عنوان مناطقی با پوشش سطحی یکنواخت، ساختار شهرنشینی، مصالح ساختمانی، ترافیک و ویژگی های فعالیت انسانی تعریف می شوند که مساحت آنها از صدها متر مربع تا چندین کیلومتر در مقیاس افقی متغیر است. شایان ذکر است که سیستم طبقه‌بندی LCZ اساساً برای ترسیم اثر UHI توسعه داده نشده است، بلکه برای کمک به انتخاب مکان‌ها برای ایستگاه‌های آب‌وهوای محلی و گزارش به شیوه‌ای استاندارد در مورد اثر جزیره گرما فراتر از دوگانگی شهری و روستایی ایجاد شده است. . با این حال، چنین سیستمی همچنین در تمایز بین مناطق قابل تمایز آب و هوایی در یک تجمع شهری مفید است، و همچنین به شناسایی اثرات احتمالی گرمایش محلی توسعه شهری کمک می کند [ 49 ].
استوارت و اوک [ 33 ] 17 کلاس استاندارد LCZ را ایجاد کردند، که در آن ده طبقه اول نشان دهنده انواع “ساخته شده” (از LCZ 1 تا LCZ 10) و هفت مورد دیگر انواع “پوشش زمین” (از LCZ A تا LCZ G) را مشخص می کنند. ) ( شکل 1). نام کلاس‌های LCZ ساخته‌شده عمدتاً نشان‌دهنده تراکم ساخت و ساز (فشرده/باز) و ارتفاع ساختمان‌ها (بلندمرتبه/مسط‌سطح/کم‌مرتبه) است. هر LCZ یک رژیم دمایی ارتفاع صفحه نمایش محلی متمایز را به نمایش می گذارد، در آشکارترین حالت آن بر روی سطوح خشک، در شب های آرام و صاف و در مناطقی با تسکین ساده. ساختار سطحی (ارتفاع و فاصله ساختمان ها/درختان) و پوشش سطح (غیرقابل نفوذ/نفوذ) تأثیرات قابل توجهی بر دمای ارتفاع صفحه در LCZ ها دارد. ساختار سطح آب و هوای محلی را از طریق اصلاح جریان هوا، انتقال حرارت جوی و توازن تشعشعات موج کوتاه/موج طولانی تحت تاثیر قرار می‌دهد، در حالی که پوشش سطح، آلبیدو، رطوبت در دسترس و پتانسیل گرمایش/سرمایش زمین را اصلاح می‌کند [ 33 ].]. بنابراین، طیفی از مقادیر هندسی و پوشش سطحی برای هر LCZ (استوارت و اوک [ 33 ])، همراه با مقادیر خواص حرارتی، تشعشعی و متابولیکی مشخص می‌شود (استوارت و اوک [ 33 ]).
مفهوم LCZ به یک گام پیشرو در تحلیل حرارتی مناطق شهری کمک کرد. تفاوت‌های حرارتی (برای مثال در شدت UHI/SUHI) دیگر محدود به تفاوت‌های دمایی شهری/روستایی نبودند، اما می‌توانستند روی تفاوت‌های بین LCZ تمرکز بیشتری داشته باشند. بنابراین، سیستم LCZ رویکردی برای مقایسه ویژگی‌های حرارتی محله‌ها/مناطق مختلف در یک شهر (“تحلیل درون شهری”) و/یا مقایسه انواع مشابه محله‌ها/مناطق بین شهرها (“بین شهری” ارائه می‌کند. تجزیه و تحلیل») [ 50 ، 51 ].
مفهوم طبقه‌بندی LCZ در طیف وسیعی از تحقیقات اقلیمی شهری مقبولیت و کاربرد گسترده‌ای پیدا کرده است. بنابراین، این مطالعه مروری به منظور ارائه یک نمای کلی از مفهوم و زمینه مقالاتی است که از سیستم طبقه‌بندی LCZ استفاده کرده‌اند. تا به امروز، هیچ مطالعه دیگری تحلیل جامعی از روش‌های تشخیص و نقشه‌برداری LCZ و کاربرد آن‌ها در ارزیابی‌های حرارتی در شهرهای اروپایی و مناطق شهری ارائه نکرده است. تعدادی از مطالعات مروری ظاهر شده‌اند، اما آنها تنها بر بخش‌های خاصی از تجزیه و تحلیل LCZ‌ها، مانند روش‌های مبتنی بر سنجش از دور [ 52 ] یا کاربرد مدل MUKLIMO_3 [ 53 ] تمرکز کرده‌اند. در این مطالعه مروری سیستماتیک [ 54]، ما به طور پیچیده به مطالعات LCZs در محیط اروپایی توجه می کنیم. توجه اساساً به اهداف زیر معطوف شد: (الف) جمع‌آوری مطالعات مرتبط با LCZ موجود که محیط شهری اروپا را پوشش می‌دهد (در 8.5 سال گذشته، یعنی 2012-2020) با استفاده از یک روش جستجوی دقیق تعریف شده. (ب) تجزیه و تحلیل و ارائه زمینه و روشهای تشخیص و ترسیم/نقشه برداری LCZ موجود در آنها؛ (ج) خلاصه کردن نتایج مطالعات نظارت و مدل‌سازی مقادیر هواشناسی/اقلیمی (عمدتاً حرارتی) در چارچوب روش‌شناختی LCZs. و (د) بحث در مورد اهمیت و محدودیت های LCZ برای تحقیقات اقلیمی شهری معاصر و آینده.

2. روش جستجو

این بخش با جزئیات کل رویکرد به جستجوی سیستماتیک و تجزیه و تحلیل مطالعاتی را که مستقیماً با کاربرد مفهوم LCZ مرتبط است، ارائه می‌کند. تحقیق با جمع آوری، بررسی و تحلیل مقالات علمی انجام شد و فرآیند شامل سه مرحله بود:
  • انتخاب ادبیات
  • تحلیل زمینه و محتوا.
  • طبقه بندی مقالات به دست آمده بر اساس دو مجموعه معیار.

2.1. مرحله اول: انتخاب ادبیات

تعریف کلمات کلیدی یک گام اولیه آشکار بود. از آنجایی که مفهوم LCZ و کاربرد آن تمرکز اصلی این مطالعه مروری است، “مناطق آب و هوایی محلی” به عنوان عبارت کلیدی اصلی انتخاب شد که در آن عنوان عنوان مقاله، فهرست کلمات کلیدی یا در چکیده ظاهر می شود. سپس عبارت “جزیره گرمایی شهری” به جستجو اضافه شد که با عبارت “مناطق آب و هوایی محلی” ترکیب شد. از دو پایگاه تحقیقاتی دانشگاهی WoS (Web of Science) و Scopus برای جستجو و استخراج مقالات علمی مرتبط استفاده شد. از آنجایی که مفهوم LCZ (با آن نام دقیق) در سال 2012 ظهور کرد، جستجو به دوره بین 1 ژانویه 2012 تا 30 ژوئن 2020 محدود شد.
فرآیند انتخاب ادبیات شامل پنج مرحله بود:
اولین مرحله از فرآیند بررسی منجر به نتایج مشابهی از هر دو پایگاه داده شد: 316 مقاله از WoS و 314 مقاله از Scopus.
مرحله دوم بررسی شامل اعمال دو فیلتر برای هر دو پایگاه داده به منظور شناسایی مقالاتی بود که در محدوده این بررسی قرار داشتند. در مورد اول، جستجو به منطقه اروپا محدود شد. مطالعات موردی از سایر قاره ها حذف شدند. مرحله دوم فیلتر شامل نوع مقاله، محدود کردن جستجو فقط به مقالات تحقیقاتی، مقالات مروری و مقالات در مطبوعات (دسترسی اولیه)، در حالی که مقالات کنفرانس، یادداشت‌ها، سرمقاله‌ها و غیره حذف شدند. این فیلترها منجر به تعداد قابل توجهی مقالات کمتری شد: 86 مقاله از WoS و 90 مقاله از Scopus.
مرحله سوم، غربالگری مقالات به‌دست‌آمده از نظر عنوان و چکیده قبل از صدور داده‌ها از وب‌سایت‌های WoS/Scopus بود. این امر باعث حذف مقالاتی از کشورهای غیر اروپایی شد که الگوریتم‌های WoS/Scopus نتوانسته بودند مکان را برای اهداف ما تعریف کنند. برخی از مقالات اصلاً با مفهوم LCZ مرتبط نبودند و حذف شدند. در این مرحله 68 مقاله از WoS و 76 مقاله از Scopus باقی مانده است. اکثر مقالات در هر دو پایگاه داده مطابقت دارند. آن تفاوت هایی که رخ داد تا حد زیادی محدود به مجلات نمایه شده در Scopus بود، اما نه در WoS. پیوستن به دو پایگاه داده و حذف مقالات مشابه (تکراری) 103 مقاله را برگرداند تا برای تجزیه و تحلیل بیشتر در نظر گرفته شوند.
مرحله چهارم عنوان/چکیده/روش را غربال کرد تا مطالعاتی را که صرفاً LCZها را ذکر می‌کردند به جای استفاده واقعی از آن‌ها شناسایی کرد. این منجر به حذف هشت مقاله دیگر شد، بنابراین 95 مقاله باقی مانده به طور بالقوه مرتبط در نظر گرفته شدند.
در مرحله پنجم و آخر، هفت مقاله به‌دست‌آمده از پایگاه‌های اطلاعاتی WoS/Scopus حذف شدند، زیرا قبلاً کار غربالگری و بررسی بودند. در نهایت، با استفاده از «روش گلوله برفی» [ 55 ]، سه مقاله به‌دست‌آمده از کتاب‌شناسی مقالات کاملاً بازبینی‌شده در فهرست نهایی 91 مقاله مرتبط با این تحلیل قرار گرفتند ( جدول مواد تکمیلی S2 ). کل فرآیند در نمودار جریان کار نشان داده شده است ( شکل 2 ).

2.2. فاز دوم: تحلیل زمینه و محتوا

چندین جنبه از زمینه و محتوای مطالعات LCZ مربوط به این بررسی با استفاده از نرم افزار VOSviewer (1.6.13) تجزیه و تحلیل شد. این یک ابزار مفید در تجزیه و تحلیل و تجسم داده های کتابشناختی در نظر گرفته می شود. این یک نمای کلی روشن از حوزه های اصلی تحت پوشش مقالات انتخاب شده، و همچنین توسعه در طول زمان این زمینه را ارائه می دهد [ 57 ، 58 ، 59]. این نرم افزار از داده های به دست آمده از پایگاه داده های WoS و Scopus پشتیبانی می کند، اما تجزیه و تحلیل همزمان امکان پذیر نیست، بنابراین تجزیه و تحلیل و تجسم به طور جداگانه برای هر پایگاه داده انجام شد. قبل از تجسم داده ها، پایگاه داده به روشی شبیه به آنچه در فرآیند انتخاب ادبیات استفاده می شود، آماده شد. ابتدا عبارت کلیدی «مناطق آب و هوایی محلی» به طور جداگانه در موتورهای جستجوی پایگاه‌های اطلاعاتی جستجو شد، سپس فیلترهای مربوط به محدوده جغرافیایی و نوع مقاله اعمال شد و فرآیند پس از غربالگری مرحله اول (بلافاصله در موتورهای جستجو در WoS/Scopus).
قبل از شروع تجزیه و تحلیل، فایل‌های اصطلاحنامه حاوی عبارات و کلمات مشابه (مثلاً نام نویسنده و حروف اول همان نویسندگان) به منظور ادغام آنها با اصطلاحات تقریباً یکسان ایجاد شد. به عنوان مثال، عباراتی مانند “منطقه آب و هوایی محلی”، “مناطق آب و هوایی محلی” و “LCZ” با عبارت “مناطق آب و هوایی محلی” ادغام شدند تا از حواس پرتی در تحلیل ناشی از وقوع اصطلاحات بیشتر از آنچه در آنجا وجود دارد، جلوگیری شود. هستند. چنین تحلیل‌هایی افشا و بحث در مورد حوزه‌های موضوعی ترسیم و کاربرد LCZ در فضاهای شهری اروپا را تسهیل می‌کند.
نتایج بر اساس معیارهای زیر مورد تجزیه و تحلیل قرار گرفت:
  • هم‌روی کلمه کلیدی نویسندگان در مقالات انتخاب شده از WoS و Scopus.
  • رایج ترین منابع مقالات مرتبط با LCZ و پیوندهای استنادی بین آنها از WoS و Scopus.
  • پراستنادترین منابع مقالات مرتبط با LCZ و پیوندهای استناد در WoS و Scopus.
  • گستره جغرافیایی مطالعات شناسایی شده (مناطق مورد مطالعه).
نتایج تفصیلی در بخش 3.1 (زمینه و محتوای مطالعات LCZ) ظاهر می شود.

2.3. مرحله سوم: طبقه بندی مطالعات LCZ

مرحله نهایی فرآیند بررسی شامل غربالگری و بررسی کامل مقالات بر اساس دو مجموعه معیار بود.
معیار اول بر اساس طبقه‌بندی مقالات تحقیقاتی LCZ بر اساس روش‌های نقشه‌برداری LCZ به کار رفته، یعنی تشخیص و ترسیم مورفولوژی‌های مختلف سطح شهری/غیر شهری بود ( بخش 3.2 ). این کلاس ها عبارت بودند از:
  • روش تخصصی مبتنی بر دانش. این به تعریف LCZ ها بر اساس تخصص نویسنده(ها) و دانش محلی مربوط به مناطق شهری/منطقه ای معین، یا بر اساس قضاوت نویسنده(ها) بر اساس محاسبات عمومی سطح شهری است که به تفصیل در نشریه توضیح داده نشده است.
  • روش مبتنی بر GIS این محاسبات پارامترهای مربوطه را برای تعریف LCZ با استفاده انحصاری از ابزارها یا پلتفرم‌های سیستم اطلاعات جغرافیایی (GIS) ارائه می‌کند.
  • روش مبتنی بر تصاویر سنجش از دور. این نشان دهنده اتکا به مجموعه داده های سنجش از دور (به عنوان مثال، تصاویر ماهواره ای) و استفاده از یک یا چند روش برای محاسبات ویژگی های پوشش زمین از تصاویر به منظور تعریف LCZ ها است.
  • روش ترکیبی. این مشخص می‌کند که حداقل بخشی از تعریف LCZ بر اساس مقادیر مشخصی از ویژگی‌های هندسی، پوشش سطح، تشعشع حرارتی و متابولیک است، و اینکه روش‌های ذکر شده قبلاً به طور مساوی برای این محاسبات سطحی/حرارتی ترکیب می‌شوند.
معیار دوم، مقالات تحقیقاتی LCZ را بر اساس ترکیبی از اهداف اصلی تجزیه و تحلیل، یا هدف اصلی استخدام/کاربرد مفهوم LCZs ( بخش 3.3 ) تقسیم کرد. در اینجا توسط کلاس های زیر ارائه می شود:
  • تجزیه و تحلیل حرارتی بر اساس اندازه گیری در محل.
  • تجزیه و تحلیل حرارتی بر اساس اندازه گیری های تلفن همراه.
  • تجزیه و تحلیل حرارتی بر اساس اندازه گیری های سطح زمین.
  • تجزیه و تحلیل حرارتی بر اساس رویکردهای مدل سازی.
چنین تحلیل‌های زمینه‌ای و روش‌شناختی مطالعات LCZs، خلاصه و بحث سیستماتیک مفهوم LCZ و نقش آن در تحقیقات آب و هوای شهری در محیط‌های شهری اروپا را امکان‌پذیر می‌سازد، موضوعی که تا به امروز به طور جامع به آن پرداخته نشده است.

3. نتایج

3.1. زمینه و محتوای مطالعات LCZ

تعداد مطالعاتی که به LCZ ها می پردازند یا از مفهوم LCZ استفاده می کنند به طور مداوم در حال افزایش است. با این حال، اهداف مطالعات، و همچنین روشی که در آن از LCZ ها استفاده می شود، در حال تغییر است. در ابتدای دوره بررسی، تحقیقات LCZ عمدتاً به سمت کاربرد آن در طبقه‌بندی و شناسایی مکان‌های اندازه‌گیری ایستگاه‌های هواشناسی شهری، با استفاده از دانش متخصص و مبتنی بر GIS هدایت شد. بعداً، محققان LCZ به مطالعه الگوهای مکانی و زمانی دمای هوا و کاربرد LCZs در مدل‌سازی اقلیم شهری (در سال‌های 2019 و 2020)، عمدتاً بر اساس پایگاه‌های داده سنجش از دور مشغول شدند ( شکل 3 ).
تجزیه و تحلیل کلمات کلیدی دقیق تر نشان می دهد که “مناطق آب و هوایی محلی” قبلاً در تحقیقات آب و هوای شهری، به ویژه در مطالعات مربوط به اثر جزیره گرمایی شهری، به طور محکم تثبیت شده اند ( شکل 4 ، A1/A2). به طور دقیق‌تر، «مناطق آب و هوایی محلی» و «اقلیم شهری» از سال 2012، یعنی سالی که مفهوم کامل LCZs در آن منتشر شد، اغلب با هم به‌عنوان کلیدواژه مورد استفاده قرار گرفته‌اند [ 33 ].]. پس از آن، این موضوع در تعدادی از مطالعات تحقیقاتی اقلیم شهری منعکس یا به کار گرفته شد. بعداً، ارتباط LCZ ها با “جزیره حرارتی شهری” و “دمای هوا” مشخص شد. همچنین قابل ذکر است که در مقالات منتشر شده در سال 2016، کلیدواژه های اصلی مرتبط با مناطق آب و هوایی محلی «هندسه شهری»، «برنامه ریزی شهری»، «پایش»، «دینامیک سیالات محاسباتی»، «هواشناسی لایه مرزی» و GIS». از سال 2017 به بعد، کلمات کلیدی دیگری مانند “ENVI-met”، “استفاده از زمین/پوشش زمین” و “Landsat” اغلب همراه با “مناطق آب و هوایی محلی” ظاهر شدند. از سال 2018 به بعد، کلمات کلیدی مانند «موج گرما»، «آسایش حرارتی در فضای باز»، «سنجش از راه دور»، «جزیره سرد شهری» و «فضاهای سبز شهری» به چشم می خورد. در سال‌های 2019 و 2020، کلیدواژه‌های بیشتری مرتبط با «تصاویر ماهواره‌ای»، «نقشه‌برداری پوشش زمین»، «تحلیل فضایی»،
چنین نتایجی تغییر در علاقه تحقیقاتی مرتبط با LCZ را به سمت استفاده کاربردی آن در مناطق شهری با توجه به پدیده‌های جزیره گرمایی شهری، برنامه‌ریزی و طراحی شهری، کاربردهای GIS، سنجش از دور و موارد دیگر نشان می‌دهد. سپس این تمرکز به سمت بررسی رویدادهای شدید مانند امواج گرما، ارزیابی آسایش حرارتی در فضای باز در مناطق شهری، استراتژی‌های کاهش (به عنوان مثال، فضاهای سبز شهری)، استفاده از سنجش از دور به عنوان یک ابزار رایج بررسی تغییر کرد. آخرین تحقیقات همچنان بیشتر به داده‌های ماهواره‌ای، ابزارهای نقشه‌برداری، شبکه‌های عصبی کانولوشنال و غیره متکی است. همه موارد فوق گسترش کاربرد مفهوم LCZs در طول زمان و توانایی (یا جذابیت) آنها را در گسترش افق‌های تحقیقات نشان می‌دهد. .
با این وجود، همچنین شایان ذکر است که تعداد نسبتاً بالای مقالات پژوهشی مبتنی بر روش‌شناسی در طول دوره مورد بررسی قرار گرفته است. این نشان‌دهنده ناهماهنگی معینی از رویکرد نسبت به مفهوم LCZs، و همچنین این احساس از سوی محققان است که مفهوم LCZ (به‌ویژه روش‌های تعیین LCZs) ممکن است بیشتر بهبود یابد.
همانطور که در شکل 4 مشخص استنتایج حاصل از دو پایگاه داده خروجی های مشابهی را با توجه به پرکاربردترین کلمات کلیدی و همچنین خطوط زمانی ظاهر آنها ارائه کرد. این به سختی تعجب آور است، با توجه به اینکه تعداد زیادی از مقالات در هر دو پایگاه داده مطابقت دارند. تفاوت اصلی بین مقالات منتشر شده در WoS و مقالات Scopus این بود که برخی از مجلات در پایگاه داده WoS نمایه نمی شوند، از جمله مجله “مجله جغرافیایی مجارستان”. تحلیل منابع مقاله و همچنین منابع ذکر شده برای دو پایگاه داده اندکی متفاوت است. در هر دوی آنها بیشتر مقالات در مجلات Urban Climate و Theoretical and Applied Climatology منتشر شده است. با این حال، بولتن جغرافیایی مجارستان در WoS نمایه نشده است، اگرچه در Scopus ظاهر می شود. تعداد قابل توجهی از مقالات در رابطه با کاربرد مفهوم LCZ در این مجله منتشر شده است و بسیاری از مقالات دیگر در آن ذکر شده است. بنابراین این مجله با توجه به تعداد مقالات منتشر شده در مجلات نمایه شده در Scopus از جایگاه بالایی برخوردار است.مواد تکمیلی شکل S1 ).
وضعیت برای میانگین تعداد استنادها متفاوت است، به عنوان مثال، منابع مقالات با میانگین نمرات استناد بالاتر در دو پایگاه داده و همچنین ارتباطات بین آنها کمی متفاوت است، که منجر به ارائه های بصری کمی متفاوت می شود ( مواد تکمیلی شکل S1 ) . . در هر دو پایگاه داده، مقالات منتشر شده در IEEE Journal of Selected Topics in Applied Earth Observations، Remote Sensing and Landscape and Urban Planning بیشترین استنادها توسط سایر مقالات منتشر شده در مجلات بعدی است. از مجلات نمایه شده توسط Scopus، مقالات پربارتری در مجلات Meteorologische Zeitschrift و Atmosphere منتشر می شوند. در مقابل، مقالات با استناد قابل توجهی از مجلات نمایه شده با WoS تمایل دارند در Remote Sensing منتشر شوند.
این مشارکت فقط مقالاتی را در نظر می گیرد که منطقه مورد مطالعه در اروپا قرار دارد. تجزیه و تحلیل جغرافیایی مناطق مورد مطالعه شهری اروپا نشان داد که کدام محیط های شهری اغلب از نظر مفهوم LCZ مورد بررسی قرار گرفته اند ( شکل 5 ). در تعدادی از مطالعات، تجزیه و تحلیل ها در ده یا چند شهر به طور همزمان، در یک یا چند کشور اروپایی انجام شد، و برخی از آنها همه شهرها را به طور دقیق مورد بررسی قرار ندادند، بلکه فقط الگوهای کلی LCZ را نشان دادند. این وضعیت برای 42 تا 100 شهر در فرانسه [ 59 ، 60 ، 61 ]، 235 شهر در بلغارستان [ 62 ]، از ده تا چند ده شهر در سراسر اروپا [ 52 ، 63 ، 64 ، 65 ] بود.، 66 ]. بنابراین، شهرهای آن مقالات در شکل 5 نشان داده نمی شوند .

3.2. روش‌های تشخیص و تعیین LCZ

حتی قبل از انتشار نسخه نهایی مفهوم طبقه‌بندی LCZ [ 33 ]، LCZ‌ها از نظر گونه‌شناسی منطقه‌ای توسط [ 67 ] مورد توجه قرار گرفته بودند، با Bechtel و Daneke [ 68 ] که کاربری/پوشش زمین خاص مرتبط با اقلیم را ارائه کردند. گونه شناسی. آنگر و همکاران [ 67 ] LCZها را در شهر نووی ساد (صربستان) شناسایی و نقشه‌برداری کرد، با استفاده از روش‌شناسی مبتنی بر دانش متخصص برای تعریف مکان‌های اندازه‌گیری مناسب برای شبکه هواشناسی شهری و ارائه آنالیز حرارتی درون/بین شهری برای تحقیقات بیشتر. بچتل و دانکه [ 68] از یک روش مبتنی بر تصاویر ماهواره ای برای تعریف LCZ ها در منطقه شهری هامبورگ (آلمان) استفاده کرد. آنها از رویکردهای طبقه‌بندی مبتنی بر پیکسل، با تکیه بر داده‌های ماهواره‌ای متعدد و رصد زمین در هوا از محیط ساخته‌شده و طیفی از طبقه‌بندی‌کننده‌ها استفاده کردند. هدف آنها تسهیل طبقه بندی خودکار LCZها بود. در هر دو مقاله فوق، نویسندگان به کارهای انجام شده توسط استوارت و اوکه و ارائه قبل از سال 2012 در کنفرانس های بین المللی اشاره کردند [ 69 ، 70 ].
اکثر مطالعات بررسی شده از عناصر هندسی / سطحی پوشش شهری و همچنین عناصر حرارتی / تشعشعی / متابولیک، همانطور که توسط استوارت و اوک [ 33 ] برای تشخیص و نقشه برداری LCZ تعریف شده است، استفاده شده است. در بخش‌های فرعی زیر (از بخش 3.2.1 ، بخش 3.2.2 ، بخش 3.2.3 و بخش 3.2.4 )، انتشارات منتخب بر اساس روش‌های به کار رفته برای تشخیص و تعیین LCZ در چهار کلاس مختلف سازمان‌دهی شده‌اند. . شکل 6تعداد مطالعات را بر اساس هر روش ارائه می دهد. با این حال، توجه به این نکته مهم است که هیچ تعریف مطلقی در دسته بندی وجود ندارد. این را فقط می توان به روشی مفهومی/نظری تعیین کرد، زیرا هیچ معیار دقیقی برای اینکه چه چیزی را تشکیل می دهد، به عنوان مثال، یک روش صرفا مبتنی بر GIS، یا دانش مبتنی بر سنجش از دور یا مبتنی بر متخصص، و غیره وجود ندارد. رویکردهای طبقه بندی LCZ اغلب با هم همپوشانی دارند. به میزان کم یا زیاد.

3.2.1. روش خبره مبتنی بر دانش

تحقیقات LCZ مبتنی بر دانش محلی/محقق متخصص تمایل زیادی به تمرکز بر تعریف ابرداده از سایت‌های ایستگاه خاصی دارد که بخشی از یک شبکه هواشناسی شهری (UMN) هستند. این نقاط اندازه گیری شرایط را در مکان های میکرو یا محلی به تصویر می کشند. در چنین مواردی، دانش محلی مورفولوژی شهری داده شده برای بهینه سازی دقت تشخیص LCZ بسیار مهم است. استوارت و اوکه [ 33] در تلاش بودند به این نکته اشاره کنند که هر LCZ دارای ردپای دمایی خاصی است و تعریف دقیق LCZها در مکان‌های اندازه‌گیری برای جمع‌آوری مجموعه داده‌های واقعی و اندازه‌گیری شده بسیار مهم است. بنابراین، در مسیر شناسایی LCZ ها، محققان عناصر حیاتی خاصی را در ارزیابی های خود وارد می کنند. اینها شامل ویژگی‌های سطحی، مانند هندسه ساختمان محلی، پوشش زمین، عکس‌های هوایی، تصاویر ماهواره‌ای (مثلاً Google Earth)، عرض خیابان‌ها، الگوهای فضایی درختان و تکه‌های سبز، و سایر موارد هندسی، حرارتی، تشعشعی، متابولیکی و طول ناهمواری زمین خواص/ مجموعه داده ها، همانطور که توسط استوارت و اوک [ 33 ] و داونپورت و همکاران تعریف شده است. [ 71 ].
بر اساس روش مبتنی بر متخصص و مجموعه داده‌های مورفولوژی، Savić و همکاران. [ 72 ] 28 مکان ایستگاه را در 9 LCZ تعریف کرد که نواحی شهری و داخلی نووی ساد (صربستان) را برای UMN آینده پوشش می‌دهد. لهنرت و همکاران [ 25 ] از ترکیبی از تجزیه و تحلیل های مبتنی بر GIS و تحقیقات میدانی، همراه با محاسبات خواص هندسی و پوشش سطحی، برای تعریف 14 ایستگاه UMS در اولوموک (جمهوری چک) از نظر مناطق آب و هوایی محلی استفاده کرد. در آلمان، ترکیبی از تخصص تحقیقاتی و مجموعه داده‌های مورفولوژی سطح از منابع اداری شهری در روش LCZ استفاده شده برای ارزیابی شش مکان اندازه‌گیری در هامبورگ (شبکه HUSCO) [ 73 ] و هشت ایستگاه در اوبرهاوزن [ 74 ] گنجانده شد.]. در نظر گرفتن صریح ویژگی‌های هندسی و سطح، همانطور که در مطالعه قطعی LCZ [ 33 ] تعریف شد، برای طبقه‌بندی LCZها به عنوان مکان‌های اندازه‌گیری ثابت [ 75 ] عمل کرد، در حالی که تراورس‌های اندازه‌گیری سیار اساس تحقیقات آب و هوای شهری را در کلوژ-ناپوکا (رومانی) تشکیل دادند. ) [ 75 ] و اوپسالا (سوئد) [ 50 ]. پور و همکاران [ 76 ] و پور و ووژنیلک [ 77] شخصاً متداول‌ترین LCZها را در اولوموک (جمهوری چک) با ترکیب دانش تخصصی محلی و طبقه‌بندی اطلس شهری با مجموعه داده‌های سنجش از راه دور حرارتی هوابرد برای ارزیابی رژیم حرارتی طیف وسیعی از الگوهای شهری ترسیم و تجسم کرد. یک رویکرد جایگزین، پرداختن به مدل‌سازی حرارتی و باد شهری، در تعریف ده LCZ ساخته‌شده در بازل (سوئیس) توسط Theeuwes و همکاران انجام شد. [ 78 ] و دروست و همکاران. [ 79 ]. آنها از دانش تخصصی در ارزیابی پارامترهای مختلف شهری (گسیل سطحی، آلبیدو، طول ناهمواری، ارتفاع ساختمان، گرمای انسانی، کسر پوشش گیاهی، و ارتفاع لایه مرزی اولیه) استفاده کردند. در نهایت، Tornay و همکاران. [ 60] نوع شناسی “Generator of Interactive Urban Blocks” (GENIUS) را برای شهرهای فرانسه توسعه داد که به موازات ده کلاس LCZ ساخته شده است. GENIUS مبتنی بر ساخت “کهن الگوهایی” است که گونه‌شناسی شهری، کاربری ساختمان، تاریخ ساخت و موقعیت جغرافیایی را در بر می‌گیرد ( جدول 1 ).
3.2.2. روش مبتنی بر GIS
روش‌های مبتنی بر GIS برای طبقه‌بندی و نقشه‌برداری LCZها، به طور کلی، به شهرهای اروپای مرکزی محدود شده‌اند. دو رویکرد مبتنی بر GIS ظاهر شده است، رویکرد Lelovics و همکاران. [ 51 ] و Geletič و Lehnert [ 80 ].
روش مبتنی بر GIS Lelovics-Gál برای اولین بار در ترسیم و نقشه برداری LCZ ها در Szeged (مجارستان) [ 26 ، 51 ، 81 ] و نووی ساد (صربستان) [ 26 ]، در تعریف LCZ از مکان های ایستگاه (با T) به کار گرفته شد. حسگرهای a و RH) برای UMN ها در دو شهر [ 82 ، 83 ]. همچنین برای ارزیابی های حرارتی شهری [ 26 ، 84 ، 85 ، 86 ، 87 ، 88 ، 89 ، 90 ، 91 ] و برآورد خطر گرما [ 92 ] استفاده شده است.]. این روش داده ها را در مقیاس میکرو پالایش می کند. واحد اصلی “چند ضلعی مساحت زیادی” است، اصطلاحی که ساختمان و محیط نزدیک آن را در بر می گیرد. طیفی از ورودی‌ها برای این نوع محاسبات فضایی مورد نیاز است، از جمله پایگاه داده ساختمان (ردپای ساختمان)، عکس‌های هوایی، نقشه‌های توپوگرافی (1:10000 یا 1:25000)، پایگاه داده جاده، و تصاویر پوشش زمین و ماهواره Corine. در وضوح بالا). این مجموعه داده ها برای محاسبه خواص هندسی و تشعشعی که توسط استوارت و اوک [ 33 ] تعریف شده است، استفاده می شود.]: ضریب نمای آسمان، ارتفاع ساختمان، زبری سطح، آلبدوی سطح، NDVI (شاخص گیاهی تفاوت نرمال)، کسر سطح ساختمان و کسرهای سطح غیرقابل نفوذ/نفوذ. این روش می‌تواند به‌طور رضایت‌بخشی هر ده کلاس ساخته‌شده را طبقه‌بندی کند، اما این اشکال را دارد که برای تشخیص کلاس‌های پوشش زمین مناسب نیست (تخصص محقق محلی مورد نیاز است). کلاس LCZ برای هر چندضلعی ناحیه معین پس از محاسبه خودکار پارامترهای فهرست شده تعیین می شود. به منظور دسترسی بیشتر به نقشه های LCZ با توجه به تعداد لات های درگیر (به عنوان مثال، 47000 چند ضلعی منطقه شهری برای منطقه شهری نووی ساد تعیین شد)، یک فرآیند تجمیع فعال می شود که در آن کلاس های LCZ یکسان یا مشابه در یک ادغام می شوند. منطقه با شعاع ≥250 متر ( شکل 7 ).
روش مبتنی بر GIS Geletič-Lehnert [ 80 ] بر روی آن دسته از Stewart و Oke [ 33 ] تکیه دارد.] ویژگی های سطح فیزیکی محیط شهری که به طور دقیق قابل اندازه گیری هستند و الگوریتم تصمیم گیری به وضوح تعریف شده است. این روش محاسبه چهار پارامتر سطح را امکان پذیر می کند: کسر سطح ساختمان (BSF)، کسر سطح غیرقابل نفوذ (IFS)، کسر سطح گذر (PFS) و ارتفاع عناصر زبری (HRE). تازگی این روش در اجرای یک پارامتر دیگر نهفته است: تعداد ساختمان (NoB) در هکتار. علاوه بر این، شش پارامتر اضافی تعریف و محاسبه شده است (تعداد مناطقی که در آنها سطح پیوسته پوشش تاج درخت بالاتر از 2 متر است، تعداد قطعات پیوسته از تمام پوشش گیاهی در هکتار، سطح پوشش‌دهی شده با پوشش گیاهی زیاد، سطح پوشش‌دهی شده با پوشش گیاهی کم. سطح پوشیده شده توسط زمین برهنه، سطح پوشیده شده توسط آب. همه دومی ها برای تمایز بین LCZ های ساخته شده خاص و پوشش زمین هستند. فرآیند طبقه بندی شامل تقسیم تمام مناطق شهری به سلول های شبکه ای 100 × 100 متر است.2 ، هر یک از آنها با پارامترهای فیزیکی تعریف شده مطابقت دارند. روش روش شناسی روش مبتنی بر GIS Geletič-Lehnert از چهار مرحله تشکیل شده است: (الف) تهیه داده های ورودی. (ب) روش طبقه بندی. ج) فیلتر کردن و پس پردازش؛ و (د) اعتبارسنجی و مقایسه. در نهایت، دقت گزارش شده طبقه بندی از 87٪ تا 90٪ است [ 93 ]. تا به امروز، این روش مبتنی بر GIS تا حد زیادی در شهرهای جمهوری چک [ 5 ، 80 ، 93 ، 94 ، 95 ، 96 ، 97 ، 98 ] و صربستان [ 93 ] اعمال شده است.]. با این حال، داده های غیر معتبر برای برخی شهرهای دیگر (جهانی) نیز به صورت رایگان در دسترس هستند.
چند مطالعه فردی دیگر روش‌های مبتنی بر GIS را برای نقشه‌برداری LCZ توسعه داده و/یا به کار گرفته‌اند، برخلاف دو رویکرد پرکاربردتر که در بالا ذکر شد. به عنوان مثال، بوچر و همکاران. [ 61 ] با استفاده از سه مقیاس به عنوان ورودی بالقوه برای نقشه برداری LCZ از شهرهای فرانسه، چارچوبی برای پردازش جغرافیایی برای محاسبه شاخص های شهری ایجاد کرد. رودلر و لدوک [ 99] همچنین یک روش مبتنی بر GIS برای طبقه‌بندی LCZها در مقیاس‌های محلی/ریز در مناطق منتخب نانت (فرانسه)، با استفاده از دو الگوریتم مبتنی بر برداری که در GIS منبع باز ادغام شده‌اند، توسعه داد. یک روش مبتنی بر GIS متشکل از یک طرح طبقه بندی مجدد مبتنی بر برداری برای نقشه برداری LCZ از شهرهای جنوب اروپا استفاده شده است، که برای ترجمه مجموعه داده های کوپرنیک به LCZ طراحی شده است. از داده های اطلس شهری و پوشش زمین کورین برای مراحل طبقه بندی مجدد [ 100 ] استفاده می کند ( جدول 2 ).
3.2.3. روش مبتنی بر تصاویر سنجش از دور
در جستجوی روش‌های جهانی برای تعیین کمیت انواع سطوح مختلف شهری و غیر شهری برای ارزیابی‌های حرارتی فضایی بیشتر، تجزیه و تحلیل داده‌های سنجش از دور به دست آمده از رصد سطحی ماهواره‌ای و هوابرد، و همچنین استفاده از پردازش مبتنی بر تصویر، ممکن است به خوبی ثابت شود. رویکرد به طور گسترده قابل اجرا [ 68 ]. پروژه جهانی پایگاه داده شهری و ابزارهای پورتال دسترسی (WUDAPT) برای تسهیل استفاده از چنین دانشی ایجاد شد (موجود در: https://www.wudapt.org/ [ 101 ]، در 15 دسامبر 2020). در تعدادی از مطالعات ارائه شده است [ 52 , 66 , 102 , 103 .]. اهداف کلی پروژه WUDAPT عبارتند از: (الف) جمع آوری و انتشار اطلاعات در مورد سطوح شهری/غیر شهری و مورفولوژی ها در سرتاسر جهان، و مشارکت در فرآیندهای طبقه بندی LCZ. و (ب) فراهم کردن ابزارهایی برای بررسی ویژگی های ساخته شده و پوشش زمین در مقیاس های متناسب با جنبه های مختلف آب و هوا، آب و هوا، محیط زیست و برنامه ریزی اداری [ 103 ]]. برای این منظور، WUDAPT در نظر گرفته شده است تا یک روش نقشه برداری ساده و جهانی ارائه دهد که به کارشناسان محلی اجازه می دهد، بدون تجربه پردازش سنجش از دور یا ابزارهای GIS، یک طبقه بندی LCZ را برای هر شهر معین و مناطق داخلی آن ایجاد و اعتبار سنجی کنند. تجزیه و تحلیل سطح / شی با استفاده از روش WUDAPT بر اساس پیچیدگی جزئیات است، همانطور که در سه سطح تعریف شده است: (الف) سطح L0 – مقیاس های منطقه ای یا شهری را پوشش می دهد (رزولیشن 100-500 متر مربع ) ، و منجر به نقشه های پوشش شهری / زمین می شود. طبقه بندی LCZ به صورت دو بعدی با استفاده از منابع ماهواره ای و Google Earth شرح داده شده است. بنابراین، محصولات سطح L0 حاوی اطلاعات اولیه در مورد سطوح شهری هستند. (ب) سطح L1 – مقیاس همسایگی را پوشش می دهد (رزولوشن 100-500 متر مربعبا ارائه 2.5 بعدی مورفولوژی ها و توابع شهری به دست آمده از نقشه های LCZ (برگرفته از سطح L0) و ارائه پارامترهای سطح / شی با جزئیات محلی تر. در سطح L1، داده ها از طیف وسیعی از منابع (تصاویر ماهواره ای، Google Earth، داده های محلی، دانش تخصصی) جمع آوری می شوند. و (ج) سطح L2 – اشکال سه بعدی شهری و داده های ساختمان را با وضوح بسیار خوب، 2 متر مربع ( مقیاس ساختمان)، با استفاده از ماهواره و پایگاه های داده شهری ارائه می دهد. بنابراین، محصولات L1 و L2 اطلاعات دقیق تری در مورد مناطق شهری با وضوح بالاتر ارائه می دهند [ 103 ].
سطح L0 روش WUDAPT ( شکل 8 ) در تشخیص و تعیین طبقات LCZ در اکثر مطالعات مورد بررسی در اینجا استفاده شد. نقشه‌های LCZ به‌دست‌آمده از L0 ممکن است ورودی‌های کلیدی برای ارزیابی‌های حرارتی بیشتر درون/بین شهری و مدل‌سازی آب و هوای شهری در نظر گرفته شوند [ 52 ]. بچتل و همکاران [ 52 ، 102] پروتکل روش WUDAPT L0 را با توجه به ظرفیت آن برای ارائه خصوصیات فیزیکی استاندارد سطوح شهری/غیر شهری و سپس استفاده از داده‌ها و نرم‌افزارهای آزادانه ارائه کرد که به راحتی بدون دانش خاصی از پردازش تصاویر ماهواره‌ای یا استفاده از ابزار GIS کیفیت نهایی محصولات L0 تا حد زیادی به مهارت و تجربه متخصص / محقق در مراحل اول و دوم پردازش بستگی دارد.
مرحله اول شامل پیش پردازش صحنه های OLI-TIRS ماهواره منبع باز Landsat-8 (داده های شطرنجی) در سیستم برای نرم افزار تجزیه و تحلیل زمین شناسی خودکار (SAGA-GIS) [ 104 ] است. این شامل برش داده ها به مرزهای منطقه مورد علاقه (ROI) و نمونه برداری مجدد از داده های تصویر در یک شبکه با اندازه معمول است. صحنه های OLI-TIRS ماهواره ای Landsat-8 (و همچنین Sentinel) با در نظر گرفتن ویژگی های وضوح و بازتاب سطح آنها توصیه می شود. بنابراین Landsat-8 داده‌ها را در نواحی مرئی و فروسرخ نزدیک (VNIR)، مادون قرمز موج کوتاه (SWIR) و مادون قرمز حرارتی (TIR) ​​از طیف الکترومغناطیسی به دست می‌آورد. وسعت منطقه نمونه برداری زمینی باندهای VNIR و SWIR 30 متر مربع و TIR 100 متر مربع است .
مرحله دوم شامل ایجاد مناطق آموزشی (TAs) در ROI است. اینها با چند ضلعیهای LCZهای مشابه و همگن روی تکه هایی با ابعاد مناسب مطابقت دارند. یک کیلومتر مربع بهینه در نظر گرفته می شود. مواد برای پردازش TA ها از پلتفرم Google Earth که شامل تصاویر ماهواره ای آزادانه از اکثر شهرهای جهان است، به دست آمده است. LCZ ها به عنوان طرح های شهری یکنواخت ایجاد می شوند، اما نشانه های طیفی آنها ممکن است در سراسر جهان، در داخل یک کشور یا حتی در یک شهر متفاوت باشد. بنابراین، مهارت و تجربه از سوی کارشناسان/محققان محلی برای ایجاد داده های TA در صورتی که مشخصات سطح شهر مشخص شود و حداکثر دقت طبقه بندی LCZ به دست آید، بسیار مهم است [ 52 , 102 ].].
مرحله سوم مستلزم پیش پردازش هندسی و کاربرد طبقه بندی LCZ با استفاده از نرم افزار منبع باز SAGA-GIS است. همانطور که Bechtel و همکاران. [ 102 ] اشاره کرد، نگاشت LCZ در صحنه های Landsat با استفاده از طبقه بندی کننده جنگل تصادفی (RF) که الگوریتم طبقه بندی پیاده سازی شده در SAGA-GIS است، ارائه می شود. الگوریتم طبقه بندی توصیه شده برای WUDAPT یک طبقه بندی کننده RF است که از درخت های تصمیم یکپارچه تشکیل شده است که هر پیکسل تصویر را به یک نوع LCZ اختصاص می دهد [ 52 ]. با استفاده از مراحل بالا، Bechtel و همکاران. [ 102 ] اولین کسانی بودند که روش WUDAPT L0 را برای شهرهای اروپایی هامبورگ (آلمان) و دوبلین (Eire) آزمایش کردند و توزیع فضایی LCZs (با اندازه شبکه 100-120 متر مربع) را به دست آوردند .) که به خوبی تعریف شده بود و دارای ترسیم دقیق بود. آخرین مرحله پردازش ممکن است شامل فیلترهای اضافی پس از طبقه‌بندی باشد، به منظور به دست آوردن ساختار همگن تری از نقشه LCZ در صورتی که LCZ ها خیلی تکه تکه شده و نقشه به اندازه کافی خوانا نباشد. این فرآیند فیلترینگ تکراری باید هر چند بار که برای دستیابی به نقشه های LCZ با کیفیت بالا لازم است انجام شود [ 52 ]. در نهایت، نقشه برداری LCZ با استفاده از WUDAPT L0 ممکن است شهرها را به مناظر شهری متمایز، بر اساس طیفی از پارامترهای فیزیکی [ 102 ] تجزیه کند، پارامترهایی که امضاهای حرارتی مشابهی را در مقیاس همسایگی ایجاد می کنند. تا به امروز، طبقه بندی LCZ با روش WUDAPT برای بسیاری از شهرهای اروپای غربی ایجاد شده است [ 102 ، 105 ، 106 ., 107 , 108 , 109 , 110 ]، در اروپای مرکزی [ 102 , 109 , 111 , 112 , 113 , 114 , 115 , 116 , 117 , 118 , 109 , 2, 2 , 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1 , 2 , 1 , 2 اروپا [ 123 ]، و همچنین در سراسر اروپا [ 124 ].
مطالعات متعددی به دنبال بهبود دقت نقشه برداری LCZ بوده اند، اکثر آنها نسخه های ارتقا یافته روش WUDAPT یا مقایسه داده های WUDAPT L0 با دیگر منابع سطح شهری مستقل را پیشنهاد می کنند. دموزر و همکاران [ 66 ، 125 ] نقشه های طبقه بندی LCZ را برای مناطق شهری در سراسر قاره اروپا و برای 15 شهر منتخب در سراسر جهان ایجاد کرد، که گام مهمی در ایجاد بیشتر پایگاه های داده سطح شهری جهانی و سهم عمده ای در مطالعات آب و هوای شهری است. آنها روش متداول WUDAPT L0 را از رویکرد شهر به شهر به مقیاس قاره ارتقا دادند و کیفیت داده‌های سطحی و تفکیک مکانی نقشه‌ها را با اجرای ترکیبی از «قابلیت انتقال» TA حفظ کردند [ 52] و داده‌های چند منبعی (مانند Sentinel 1 و 2، DMSP و OLS) از فضای ذخیره‌سازی ابری Google Earth Engine (GEE). دانیلو و همکاران [ 123 ] LCZ های بدست آمده از روش WUDAPT را با GlobeLand30 و OpenStreetMap (OSM) برای شهرهای اوکراین مقایسه کرد تا ناسازگاری های ناشی از LCZ های منفرد ایجاد شده از طریق WUDAPT L0 و وضعیت میدانی را فاش کند. وردونک و همکاران [ 105] توجه را به ضعف پروتکل WUDAPT L0 در ارتباط با دقت طبقه‌بندی پایین (به ویژه برای LCZهای ساخته شده) جلب کرد و یک طبقه‌بندی متنی پیشنهاد کرد که شامل اطلاعات محله در فرآیندهای نقشه‌برداری LCZ می‌شد و به بهبود دقت کلی دست می‌یابد. OA) از 5-13٪. داده‌های OSM نیز برای افزایش بیشتر OA نقشه‌برداری LCZ و اصلاح دقت برای کلاس‌های خاص، از جمله صنایع سنگین، زمین‌های کشاورزی و آب استفاده شده‌اند [ 126 ]. پیاده‌سازی طبقه‌بندی‌کننده‌های مختلف، مانند شبکه‌های عصبی کانولوشن (CNN) با مجموعه داده‌های چند منبعی (Sentinel-2، Landsat-8، GUF، OSM، VIIRS-NTL) در Qui و همکاران ارائه شده است. [ 109 ]. علاوه بر این، جنگل تصادفی (RF) با CNN، در یو و همکاران. [ 121]، ظرفیت بهبود طبقه بندی برای LCZ های خاص (ترکیب ساختمان ها/درختان) را دارد و ممکن است دقت نقشه برداری LCZ را تا 30% افزایش دهد.
پیشنهاد شده است که در نگاشت LCZ ها در مقیاس های مختلف، بازتاب طیفی Landsat-8، Sentinel-2 و RapidEye ممکن است به عنوان ویژگی های ورودی استفاده شود [ 109 ، 127 ]. استفاده از Landsat-8 بسیار مکرر است [ 102 ]، اگرچه تعدادی از نویسندگان داده‌های تصاویر ماهواره‌ای چند زمانی سنتینل را برای نقشه‌برداری LCZ خود پردازش کرده‌اند و این داده‌ها را در طیف وسیعی از مدل‌ها یا طبقه‌بندی‌کننده‌ها برای بهبود ارتفاع و چگالی ساخته شده قرار داده‌اند. در خصوصیات مورفولوژیکی [ 128 ]. این رویکرد نقشه برداری LCZ را در مقیاس بزرگ با درجه بالاتری از OA به دست آورده است [ 64 ، 129 ، 130 ، 131 ].
برخی از مطالعات [ 119 ، 120 ، 122 ] نشان داده اند که داده های LCZ می توانند عملکرد مدل را با ترکیب طرح LCZ تولید شده از WUDAPT L0 در مدل پیش بینی تحقیقات آب و هوا (WRF) بهبود بخشند، به عنوان مثال، آنها نشان داده اند که پارامترسازی اثر ساختمان – انرژی ساختمان مدل (BEP-BEM) به ناهمگونی چشم‌انداز حساس است.
در نهایت، چند مطالعه [ 132 ، 133 ] بر روی مقایسه نقشه‌های LCZ تولید شده از WUDAPT L0 با داده‌های رویکرد مبتنی بر GIS، مانند MApUCE یا Vienna GIS، به منظور شناسایی اشکالات کلی یا کاستی‌ها/مزایای خاص LCZ از راه دور متمرکز شده‌اند. روش طبقه بندی حسگر با این حال، هامربرگ و همکاران. [ 132 ]، معتقدند که استفاده از رویکردهای مبتنی بر GIS تنها پیشرفت‌های کلی را نسبت به روش پیش‌فرض WUDAPT ایجاد می‌کند. جدول 3 خلاصه ای از مطالعات مورد تجزیه و تحلیل در این بخش است.
3.2.4. روش ترکیبی
روش‌های تشخیص و نقشه‌برداری LCZ که به‌عنوان «ترکیب» در نظر گرفته می‌شوند معمولاً به‌عنوان ترکیب‌های مختلفی از رویکرد، مجموعه داده‌ها و ابزارها مشخص می‌شوند ( جدول 4 )، اما آنها همچنین از محاسباتی شامل پارامترهای سطح یکپارچه و سایر ویژگی‌های تعریف‌شده توسط استوارت و اوک [ 33 ] استفاده می‌کنند. دلایل استفاده از روش های ترکیبی عبارتند از غلبه بر فقدان داده های مورفولوژیکی/و پوششی دقیق سطح، ارائه رویکردهای جایگزین که مقایسه با روش های مبتنی بر GIS [ 51 ]، و بهبود حساسیت محاسبه روش های مبتنی بر سنجش از دور [ 102 ] را ارائه می دهد.
تبدیل مجموعه داده‌های پوشش کاربری زمین (LULC) به‌دست‌آمده از منابع جهانی یا منطقه‌ای به کلاس‌های LCZ رویکرد دیگری برای نقشه‌برداری LCZ است. Dublin (Eire) با “ترجمه” داده های مورفولوژیکی از مجموعه داده های LULC CORINE (توسعه یافته توسط آژانس محیط زیست اروپا) به کلاس های LCZ با استفاده از ابزارهای مبتنی بر وب آزادانه در دسترس است. به عنوان Google Earth (GE) و BingMaps (BM) [ 134 ، 135 ] و کاربرد مدل MOLAND [ 136 ]. ویکی و پارلو [ 137 ] و ویکی و همکاران. [ 138] با به دست آوردن انواع LULC از مجموعه داده Landsat-8، و سپس اعمال محاسبات پارامترهای مورفولوژیکی با ابزارها و مدل های GIS (UMEP و DSM)، بر اساس داده های اداری شهر، LCZ ها را برای بازل، سوئیس تعریف کرد. انواع LULC به LCZ ها. مولنار و همکاران [ 139 ] یک طرح مدل‌سازی WRF-SLUCM-LCZ برای سنتز پارامترهای سایبان و هماهنگ کردن داده‌های LULC با LCZ ایجاد کرد، سپس کلاس‌های LCZ را به شبکه‌های شهری WRF اختصاص داد. استراوب و همکاران [ 140] ترکیبی از داده های منبع باز برای ویژگی های سطح (نقشه خیابان باز و اطلس شهری اروپا)، عکس های زاویه باز از کار میدانی و یک مدل زمین دیجیتال از اداره بررسی و اطلاعات جغرافیایی ایالت باواریا، به منظور محاسبه کلاس های LCZ در اطراف HOBO مکان های ایستگاه چوب گیر در آلمان.
استفاده از اطلاعات پوشش زمین از ادارات ملی یا محلی (شهر) و ترکیب این مجموعه داده ها با سایر اندازه گیری های سطحی (به عنوان مثال، سنجش از دور، داده های GIS، کار میدانی) جالب است. فنر و همکاران [ 141 ] مشخصات کاربری زمین را از دپارتمان توسعه شهری و محیط زیست سنای برلین به دست آورد و از مدل SOLWEIG (برای محاسبات ضریب دید آسمان) و کار میدانی برای تعیین LCZ ها در شعاع 500 متر در اطراف هر UMN (شهری) استفاده کرد. شبکه هواشناسی) ایستگاه. Emmanuel و Loconsole [ 49 ] و Maharoof et al. [ 142] از نقشه‌های Ordnance Survey که اطلاعات پوشش ملی بریتانیا را نشان می‌دهد و طرح توسعه شهر گلاسکو به ترتیب و داده‌های LiDAR برای تخمین پوشش ساختمان، ارتفاع ساختمان و LULC استفاده کرد و همچنین Google Earth و کار میدانی را برای فرآیند تأیید نقشه برداری LCZ از یک منطقه مطالعه خاص در برلین، بر اساس ترکیبی از رویکرد اتخاذ شده توسط Fenner و همکاران. [ 112 ] و محاسبات پارامترهای هندسی حاصل از کار میدانی (با استفاده از داده های عکاسی با زاویه باز)، نتایج ویژگی های سطح را در سطح مقیاس خرد ارائه کرده است [ 143 ]. علاوه بر این، باست و همکاران. [ 144 ] و فنگ و همکاران. [ 145] از اطلاعات سطح شهری از مقامات اداری منطقه بیرمنگام (بریتانیا) و از انواع کاربری اراضی اطلس شهری طبقه بندی شده توسط آژانس محیط زیست اروپا برای شناسایی کلاس های LCZ در اطراف مکان های ایستگاه BUCL (آزمایشگاه آب و هوای شهری بیرمنگام) استفاده کرد. ندکوف و همکاران [ 63 ] از گونه‌شناسی سه سطحی MAES (نقشه‌برداری و ارزیابی اکوسیستم‌ها و خدمات آن‌ها) استفاده کرد، که در آن سطح سوم شامل کلاس‌های LCZ بود که با استفاده از تحلیل‌های مبتنی بر GIS و تفسیر بصری ارتوفوتو به نمایش فضایی دقیق‌تر منطقه مورد مطالعه کمک کرد. تصاویر. با استفاده از ترکیبی از پایگاه‌های داده ساختمان و سطح از منابع مدیریت ملی فرانسه، مانند پروژه MApUCE، BD TOPO، GENIUS، و INSEE، Gardes و همکاران. [ 62] به منظور محاسبه الگوهای LCZ شهرهای فرانسه، ویژگی‌های دقیق شی و پوشش زمین را به دست آورد.
محاسبات سطح شهری که ترکیبی از داده های سطحی و مفاهیم مبتنی بر GIS یا مبتنی بر سنجش از دور را اعمال می کنند در تعدادی از مطالعات ظاهر می شوند. در نقشه برداری LCZ از منطقه شهری نانسی (فرانسه)، ابرداده های سطحی جمع آوری شده از کار میدانی و منابع سنجش از دور با استفاده از ابزارهای GIS (SAGA GIS)، مدل ها (DSM) و محاسبات دستی برای به دست آوردن SVF، ناهمواری زمین کار شدند. (محاسبات داونپورت)، ارتفاع ساختمان (از پایگاه داده ملی ردپای ساختمان)، ISF/PSF، و موارد دیگر [ 146 ، 147 ، 148 ]. ترکیبی از مدل‌ها، مانند SURY v1.0 (پارامترسازی نیمه تجربی سایه‌بان شهری)، پیاده‌سازی شده در COSMO(-CLM) [ 149 ] یا با استفاده از تصاویر توپوگرافی/هوایی [ 150 ]] با پلت فرم پایگاه داده شهری WUDAPT، ممکن است نقشه برداری LCZ با وضوح بالا را تولید کند. گونکالوز و همکاران [ 151 ] یک رویکرد مبتنی بر GIS را با کار میدانی (عکس‌های زاویه باز) برای نقشه‌برداری LCZ در پرتغال ترکیب کرد.

3.3. تجزیه و تحلیل حرارتی با استفاده از مفهوم LCZ

مطالعه اولیه Stewart و Oke [ 33 ] نشان می‌دهد که طبقه‌بندی LCZ ابرداده‌های سطح شهری را برای مکان‌های ایستگاه UMN در مناطق ساخته‌شده و تحت پوشش زمین فراهم می‌کند. این امر ارزیابی بیشتر بار حرارتی را در میان انواع مختلف شهرنشینی تسهیل می‌کند. این روش طبقه‌بندی همچنین ثابت کرده است که یک رویکرد امیدوارکننده در هنگام تحقیق در مورد شدت و توزیع فضایی دما، UHI و سایر شاخص‌های خطر حرارتی و اقلیمی است. در نتیجه، حدود 75 درصد از مطالعات مورد تجزیه و تحلیل (به جز مواردی که به روش‌شناسی یا ابرداده‌های سایت ایستگاه می‌پردازند) بر تحلیل بار حرارتی متمرکز شده‌اند. به طور مشخص تر، شکل 9 نسبت مطالعات را بر اساس انواع مجموعه داده ها و تحلیل هایی که مفهوم LCZ را به کار گرفته اند، نشان می دهد. بخش 3.3.1 ،بخش 3.3.2 ، بخش 3.3.3 و بخش 3.3.4 در زیر نتایج مطالعات بررسی شده را ارائه می دهد. این موارد به منظور تسهیل خوانایی مختصر شده است. هر رویکرد دیگری مرور را با جزئیات عددی بیش از حد بار می کند و نکات اصلی را پنهان می کند. بنابراین، این بخش‌ها جوهره تحلیل یا نتایج هر مطالعه را ارائه می‌کنند، در حالی که جزئیات اضافی در جدول مواد تکمیلی S1 نشان داده شده است. اگر برای هر مطالعه ای به اطلاعات عمیق تر نیاز باشد، ممکن است مستقیماً از طریق پیوند DOI ارائه شده در جدول مواد تکمیلی S2 یافت شود.
علاوه بر این، جدول مواد تکمیلی S1 الگوهای حرارتی مبتنی بر طرح LCZ را که در چندین شهر اروپایی اعمال می‌شود، ارائه می‌کند. این دوره ها به دوره های شبانه (بعد از غروب خورشید) و روز (پس از طلوع خورشید) تقسیم شده اند. اکثر مطالعات ساعت‌های شب را پوشش می‌دهند، زیرا سیگنال‌های قوی‌تر و واضح‌تر از تفاوت‌های حرارتی بین LCZs، و همچنین بین LCZ‌های ساخته‌شده و پوشش‌دهنده زمین، در این دوره رخ می‌دهند. یک تقسیم بندی بر اساس نوع مجموعه داده نیز انجام شده است که تجزیه و تحلیل های حرارتی را از اندازه گیری های ثابت، متحرک و سنجش از دور یا با رویکردهای مدل سازی جدا می کند. در جدول مواد تکمیلی S1برای هر شهر انتخاب شده، ما موارد زیر را ارائه می دهیم: (الف) منبع مجموعه داده، که به صورت تعداد ایستگاه ها یا صحنه های ماهواره ای و دوره زمانی تجزیه و تحلیل بیان می شود. (ب) ویژگی های (زیستی) هواشناسی/اقلیمی مانند دمای هوا، دمای سطح، شاخص های آسایش حرارتی در فضای باز و غیره؛ ج) ارجاعات به مطالعاتی که در آنها جزئیات بیشتری دیده می شود. و (د) مهمتر از همه، ترتیب LCZ ها بر اساس مشخصه(های) گزارش شده، به عنوان مثال، تفاوت دماها بر حسب کلاس LCZ (به بخش 3.3.5 مراجعه کنید ).

3.3.1. تجزیه و تحلیل حرارتی بر اساس اندازه گیری در محل

در تعدادی از مطالعات، الگوهای فضایی دمای هوا یا سایر مقادیر هواشناسی به‌دست‌آمده از UMNها بررسی شده و به عنوان تفاوت‌های بین LCZs ارائه شده‌اند. مطالعاتی که تغییرات فصلی یا روز/شب دما و شاخص‌های مربوطه را در مناطق شهری و همچنین ارزیابی‌های مکانی-زمانی شدت UHI پس از غروب آفتاب تجزیه و تحلیل کردند، به‌ویژه جالب هستند [ 86 ، 89 ، 114 ، 127 ، 134 ، 150 ]. دمای داخل شهری یا مشاهدات آسایش حرارتی در فضای باز نیز شایسته توجه است [ 26 ، 85 ، 90 ، 91 ]. علاوه بر این، Gonçalves و همکاران. [ 151] ویژگی های UHI و UCI (جزیره خنک شهری) را در LCZ های یک شهر کوچک در پرتغال ارزیابی کرد. فنر و همکاران [ 141 ] از مجموعه داده های بلندمدت برای ارائه تفاوت دمای هوا بین LCZ های ساخته شده و LCZ B با توجه ویژه به شب و تابستان استفاده کرد، در حالی که Quanz و همکاران. [ 143 ] بر ارزیابی حرارتی کلاس LCZ 2 B ، با استفاده از یازده حسگر T a ثابت متمرکز شد. فنر و همکاران [ 112 ] از مجموعه داده‌های CWS (ایستگاه هواشناسی شهروندان) برای رسیدگی به تغییرات دمای هوای درون/بین شهری در میان LCZها و بعداً برای تجزیه و تحلیل شدت UHI استفاده کرد [ 113 ]. در منطقه شهری بیرمنگام (بریتانیا)، فنگ و همکاران. [ 145] ترکیبی از UMN BUCL (آزمایشگاه آب و هوای شهری بیرمنگام) و صحنه های MODIS را برای تجزیه و تحلیل الگوهای UHI و SUHI بر اساس LCZ ها به کار گرفت. ارزیابی‌های آسایش حرارتی در فضای باز (OTC) نشان می‌دهد که LCZ‌های متراکم ساخته شده (مانند مناطق متوسط ​​و کم ارتفاع) تأثیرات قابل‌توجهی بر شرایط حرارتی از نظر مقادیر PET یا UTCI بالاتر/ناراحتی دارند [ 74 ، 85 ، 87 ]. ]. ساویک و همکاران [ 92 ] مناطق خطر موج گرما را با استفاده از دماهای شبانه از سیستم UMN NSUNET (شبکه شهری نووی ساد، صربستان) و الگوی عمومی LCZ شهر ارزیابی و نقشه‌برداری کرد. ویزنر و همکاران [ 73 ]، روابط بین ناهنجاری های دمای هوا و رطوبت خاک را بررسی کرد، اما تفاوت در میانگین Ta سالانهدر میان LCZهای شهری/غیر شهری حدود 1 درجه سانتیگراد (در روز) و 1.7 درجه سانتیگراد (شب) بود، شواهد واضحی مبنی بر اینکه اثرات رطوبت خاک سطحی بر UHI مشهود نبود.
3.3.2. تجزیه و تحلیل حرارتی بر اساس اندازه گیری های موبایل
استوارت و همکاران با استنتاج نتایج خود از اندازه گیری های تلفن همراه. [ 50 ] تفاوت هایی را در مقادیر دمای هوا در چارچوب LCZ ها ارائه کرد. چندین مطالعه از اندازه‌گیری‌های سیار برای تشخیص الگوهای T a در بین LCZهای ساخته‌شده و تحت پوشش زمین استفاده کرده‌اند، همچنین کمپین‌های اندازه‌گیری آن‌ها را با دوره‌های روز و شب هماهنگ کرده‌اند [ 97 ، 142 ، 146 ، 147 ، 148 ] یا با دوره های خاص فصلی/فصلی آب و هوایی (به عنوان مثال، فصل تابستان یا دوره موج گرما) [ 75 ، 96]. نتایج نشان‌دهنده تفاوت‌های دمایی متمایز بین LCZs، با تمایل به کاهش به سمت حاشیه‌ها بود. راثمان و همکاران [ 118 ]، با استفاده از اندازه‌گیری‌های متحرک از طریق LCZ‌های ساخته‌شده و پوشش‌دهنده زمین، نشان داد که LCZ‌هایی که در آنها غالب جنگل‌های شهری/سرسبزی شهری وجود دارد، OTC ذهنی را بهبود می‌بخشد و به رفاه انسان کمک می‌کند. با این حال، چنین مطالعاتی اغلب عمداً برای اشاره و تعیین کمیت تغییر دمای هوای درون منطقه‌ای بین LCZs طراحی شده‌اند.
3.3.3. تجزیه و تحلیل حرارتی بر اساس اندازه گیری سطح زمین
Geletič و همکاران [ 95 ] LST ها را از دو ماهواره LANDSAT-8 و Terra ASTER استخراج کرد و میزان تبعیض کلاس های LCZ از نظر LST ها در برنو و پراگ (جمهوری چک) را بررسی کرد. بعدها، Geletič و همکاران. [ 93 ] از داده های LST مشتق شده از LANDSAT-8 برای برنو، پراگ و نووی ساد (صربستان) استفاده کرد و تنوع فصلی بین/درون منطقه ای SUHI ها را در LCZ های مختلف ارزیابی کرد. یک عنصر جالب از این به وجود آمد: تعریف یازده زیر کلاس دیگر پوشش زمین برای تسهیل تجزیه و تحلیل LST دقیق تر از LCZ های پوشش زمین. Gémes و همکاران [ 88 ] از پایگاه‌های داده LANDSAT-4، 5، 7، و 8 (از سال 1984 تا 2016) برای انجام تجزیه و تحلیل فصلی LST و SUHI در LCZهای Szeged (مجارستان)، در حالی که Oliveira و همکارانش. [ 100بچتل و همکاران، همبستگی بین LSTها و LCZها را در پنج شهر جنوب اروپا تجزیه و تحلیل کردند. [ 65 ] تجزیه و تحلیل LST مشابهی را برای کل جهان (از جمله اروپا) انجام داد. فریک و همکاران [ 117 ] با استفاده از مجموعه داده‌های MODIS برای Szeged (مجارستان) و نووی ساد (صربستان)، به الگوهای SUHI درون/بین شهری مبتنی بر LCZ پرداختند، در حالی که Dian و همکاران. [ 116 ] همین کار را برای شهر بوداپست (مجارستان) انجام داد. غلامی و بک [ 124 ] رابطه بین LST و LCZ را برای 25 شهر در سراسر جهان تعیین کردند، اما تنها با چند مثال برای شهرهای اروپایی. پور و همکاران [ 76 ] و پور و ووژنیلک [ 77] تصاویر حرارتی هوابرد (با استفاده از یک دوربین حرارتی نصب شده در یک هواپیمای سبک) برای شهر اولوموک (جمهوری چک) گرفت و مشخص کرد که بالاترین دمای سطح در LCZs 2، 4، 5، و 8 رخ داده است. به روش مشابه، Skarbit و همکاران [ 84 ] تفاوت های LST را بین LCZ های Szeged بر اساس اندازه گیری های حرارتی هوابرد در ساعات اولیه شب تجزیه و تحلیل کرد و نتایج کلی نشان داد که LCZ 6 دارای کمترین LST در اوایل شب در مقایسه با سایر LCZ های متراکم مانند است. LCZs 2، 3، و 5.
3.3.4. تجزیه و تحلیل حرارتی بر اساس رویکردهای مدلسازی
پیش‌بینی دمای هوا، OTC و سایر شاخص‌های اقلیمی در مقیاس محلی پیشرفت قابل‌توجهی در تحقیقات آب و هوای شهری ایجاد می‌کند. در این پرتو، تعدادی از مطالعات با استفاده از مدل عددی MUKLIMO_3 [ 5 ، 94 ، 98 ، 111 ، 115 ] یا مدل های عددی دیگر، مانند WRF [ 119 ، 139 ]، داده های مدل سازی شده و شبیه سازی شده را با مجموعه داده های اندازه گیری شده مقایسه کرده اند. بروسه و همکاران [ 120 ] مشخصات دمای فضایی LCZها را با استفاده از مدل WRF و McRae و همکارانش مدل‌سازی کردند. [ 152] LCZ ها را در یک شبیه سازی WRF از شرایط مرزی برای ENVI-met، با استفاده از سن خوزه (کالیفرنیا) به عنوان شهر نمونه، شامل شد. ریچارد و همکاران [ 108 ] ارتباط LCZ ها و UCZ ها با الگوهای دما را با استفاده از Ta اندازه گیری شده ، اما همچنین دماهای مدل شده (با استفاده از WRF) مورد بررسی قرار داد. مجموعه داده‌های دمایی ماهواره‌ای و جمعیتی با وضوح بسیار خوب در بخش شهری اسلو (نروژ) ترکیب شدند، سپس LiDAR و داده‌های زمین در چارچوب مدل‌سازی رگرسیون RF برای نقشه‌برداری الگوهای دما [ 131 ] ساخته شدند. نتایج نشان داد که این روش به طور گسترده به شهرهای دارای داده های ایستگاه هواشناسی خصوصی قابل انتقال است. Theeuwes و همکاران [ 78]، با استفاده از مجموعه داده کمپین BUBBLE، مقادیر را از مدل سازی UCI برای نه LCZ ساخته شده (نه LCZ 10) ارائه کرد و حداکثر محدوده UCI را از 1.6 درجه سانتی گراد (LCZ 7) تا 3.2 درجه سانتی گراد (LCZ 4) به دست آورد. باست و همکاران [ 144 ] از 29 ایستگاه هواشناسی UMN در بیرمنگام (بریتانیا) برای درونیابی فضایی UHI استفاده کرد و یک فرآیند فرارفت UHI را در منطقه شهری مشاهده کرد، در حالی که Wicki و همکاران. [ 138 ] شدت UHI را در LCZ های بازل (سوئیس) مدلسازی و ارزیابی کرد، همچنین با استفاده از مجموعه داده های UMN. استراوب و همکاران [ 140 ] از یک رویکرد مدلسازی آماری برای ارزیابی الگوهای فضایی شدت UHI استفاده کرد، در حالی که Gardes و همکاران. [ 62 ] بر شدت UHI شبانه در شهرهای فرانسه از نظر پارامترهای مورفولوژی شهری متمرکز شد. امانوئل و لوکونسل [49 ] یک روش با شدت داده کم و استفاده آسان را برای طبقه بندی مناطق شهری به LCZ معرفی کرد و ارزیابی عملکرد زیرساخت سبز در کاهش گرمای بیش از حد شهری در LCZ های مختلف دره کلاید، گلاسکو، اسکاتلند انجام داد. آنها از دمای هوا (اندازه‌گیری‌شده در ایستگاه GCU) و شبیه‌سازی‌شده در ENVI-met استفاده کردند، که تأیید می‌کند که زیرساخت‌های سبز می‌تواند در کاهش گرمای بیش از حد شهری در شرایط گرم‌تر آینده مهم باشد. الکساندر و همکاران [ 135 ] مدل شبیه‌سازی SUEWS را با استفاده از داده‌های هواشناسی از یک ایستگاه خارج از مرکز شهر دوبلین (Eire) و توصیف دقیق ویژگی‌های سطح شهری (بر اساس مفهوم LCZ) برای ایجاد شرایط تعادل انرژی شهری به کار برد. الکساندر و همکاران [ 136] از مدل های شبیه سازی برای ارزیابی سناریوهای توسعه شهری آینده و تأثیر آنها استفاده کرد. نتایج آنها نشان داد که سناریوی توسعه بهینه شامل حفظ نسبت بیشتری از مناطق پوشش گیاهی است. واترز و همکاران [ 149 ]، با استناد به کار خود بر روی دمای مدل‌سازی شده سطح و هوا برای شهرهای بلژیک با مدل عددی جوی COSMO-CLM، به این نتیجه رسیدند که اجرای پارامتر سایبان SURY، مفهوم WUDAPT، و پیشرفت‌ها در سیستم‌های مدل‌سازی اتمسفر برای تحقیقات بیشتر اقلیم شهری، حیاتی هستند. وردونک و همکاران [ 107] سناریوی GHG را در ترکیب با کلاس های LCZ برای پیش بینی تنش گرمایی برای سال 2090 تجزیه و تحلیل کرد. نتایج آنها نشان‌دهنده تمایل فزاینده در هر کلاس LCZ در مقایسه با شرایط آب و هوایی کنونی است. تورنای و همکاران [ 60 ] از ساختارهای پایگاه داده GENIUS و شبیه‌سازی‌های مدل TEB برای تعیین حساسیت تعادل انرژی سطح شهری به معماری ساختمان استفاده کرد و به تعریف گونه‌شناسی شهری و ساختمان‌ها برای تحقیقات بیشتر در آب و هوای شهری کمک کرد. دروست و همکاران [ 79 ، 110 ] اثرات جزیره باد شهری را شبیه سازی کرد و توزیع سرعت باد را در LCZ های مختلف بررسی کرد. نتایج هامربرگ و همکاران. [ 132]، از یک مطالعه با استفاده از مجموعه داده‌های دمای اندازه‌گیری شده از ایستگاه‌های رسمی/CWS و داده‌های مدل‌سازی‌شده برای مقایسه تفاوت‌های فصلی در LCZ‌های تعریف‌شده با روش‌های WUDAPT و وین GIS، به‌ویژه جالب است.
3.3.5. خلاصه ای از پاسخ های حرارتی مناطق آب و هوایی محلی
نتایج کلی نشان می دهد که بالاترین دما در LCZ های متراکم ساخته شده مانند LCZ 2، LCZ 3، و LCZ 5، و همچنین در شهرهایی که LCZ 1 در آنها شناسایی شده است، رخ می دهد. علاوه بر این، دماهای بالاتر، مانند دمای LCZs 1-5 در شهرهایی که مناطق صنعتی، مانند LCZ 8 و LCZ 10، به وضوح مشخص هستند، مشهود است، که نتیجه آشکار سطوح متراکم ساخته شده و نسبت بالایی از ویژگی‌های ISF است. تقریباً در همه موارد، به سمت حومه‌ها (یعنی LCZ 6 و LCZ 9)، دما کاهش می‌یابد و کمترین مقدار در LCZ‌های پوشش زمین مانند LCZ A، LCZ B و LCZ D رخ می‌دهد.
با بررسی عمیق تر نتایج الگوهای بار حرارتی شبانه در LCZ ها، بر اساس هر دو مجموعه داده دمای هوا (موبایل یا درجا) و مجموعه داده های LST، آشکار می شود که: (الف) الگوهای بار حرارتی برای LCZ در اندازه متوسط شهرها (تحلیل انجام شده در اکثر موارد)، و همچنین برای شهرهای بزرگ (مانند بروکسل، برلین و غیره) مشابه هستند. (ب) این الگوهای بار حرارتی در طول دوره تابستان و همچنین در دوره زمستان مشابه باقی می ماند. و (ج) بار حرارتی از پوشش زمین/ انواع با متراکم ساخت کم به سمت LCZهای متراکم مانند LCZs 1، 2، 3، و 5 افزایش می یابد ( مواد تکمیلی جدول S1 ). چند مطالعه ممکن است به عنوان مثال باشد. میانگین سالانه T aتفاوت (بر اساس دوره دهه 2001-2010) بین LCZs 5 و B در مناطق شهری برلین با مقدار 6 K در طول دوره تابستانی شبانه رخ داد [ 140 ]. لکونت و همکاران [ 146 ، 147 ] و Lehnert و همکاران. [ 96 ، 97 ]، با استفاده از اندازه‌گیری‌های دمای سیار، میانگین اختلاف دمای هوا در شب را بین جفت‌های LCZ تعیین کرد که از کمتر از 1 درجه سانتی‌گراد برای LCZ‌های نزدیک (LCZ 6/9-LCZ D) تا بیش از 4 درجه سانتی‌گراد برای LCZ های غیر مشابه (LCZ 2-LCZ D، LCZ 5-LCZ D). تجزیه و تحلیل تفاوت های PET برای نووی ساد (صربستان) در شب نشان داد که، در طول یک رویداد موج گرما، حداکثر بین LCZ 2 و LCZ D در مقدار بیش از 7 درجه سانتیگراد و تقریباً 5 درجه سانتیگراد بین LCZ رخ داده است. 5 و LCZ D [ 87]، در حالی که بالاترین تفاوت های شبانه توسط Unger و همکاران شناسایی شده است. [ 90 ] در Szeged (مجارستان) به مقدار 6 درجه سانتیگراد بین LCZ 2 و D رسید.
تجزیه و تحلیل دقیق الگوهای بار حرارتی روز بر حسب LCZ، همچنین با استفاده از انواع مختلف مجموعه داده های اندازه گیری شده، نشان می دهد: (الف) تفاوت های حرارتی کمتر (در مقایسه با شب) در طیف وسیعی از انواع شهرنشینی در شهرهای متوسط ​​و بزرگ. (ب) این تمایلات الگوی بار حرارتی در دوره های مختلف سال مشابه است. (ج) نتایج حرارتی در بالاترین مقادیر خود در متراکم‌ترین انواع LCZs (LCZs 2، 3 یا 5) هستند، اما اغلب در طول روز در LCZs 8 یا 10 رخ می‌دهند ( جدول مواد تکمیلی S1 ). و (د) در مقایسه با تفاوت بار حرارتی شبانه بین LCZها، تفاوت در مقادیر در طول روز کمتر است [ 87 ، 90 ، 97 ]. به عنوان مثال، فنر و همکاران. [ 141] به پیچیدگی تفاوت‌های بین LCZ 5 و B در طول روز اشاره کرد، زیرا در بخش‌های خاصی از روز (صبح یا بعد از ظهر) تفاوت LCZ 5-LCZ B منفی است، در حالی که در ظهر مثبت است. علاوه بر این، این تجزیه و تحلیل نشان داد که در برخی موارد، تفاوت بین LCZ 5 و B بالاتر از 10 درجه سانتیگراد بود (با در نظر گرفتن روز و شب). Geletič و همکاران [ 95 ]، با اشاره به LST برای پراگ و برنو (جمهوری چک)، بالاترین مقادیر دما را برای LCZ 10، با تفاوت‌هایی که می‌توانست به حدود 15 درجه سانتیگراد برسد (LCZ 10-LCZ A) نشان داد. این نتایج بر اساس شرایط آب و هوایی برای روزهایی بود که می‌توانست صحنه ماهواره را ارائه کند. LCZs 3 و 2 بارهای حرارتی بالایی را نشان می دهند و تفاوت بین آنها و LCZs A یا G ممکن است بین 10 تا 15 درجه سانتیگراد باشد. آنگر و همکاران [ 90] تفاوت‌های PET را در Szeged (مجارستان) در طول دوره تابستان تجزیه و تحلیل کرد و فاش کرد که بیشترین تفاوت‌های مقدار بین LCZs 2 و D در بعد از ظهر (3.6 درجه سانتی‌گراد) و عصر (3.5 درجه سانتی‌گراد) رخ داده است. علاوه بر این، در طول یک دوره موج گرما خاص (12 تا 16 آگوست 2015، Szeged) بیشترین اختلاف PET 2.6 درجه سانتی گراد (LCZ 2-LCZ D) به دست آمد، و تفاوت های درون شهری کمتر بود: در کل، زیر 2 درجه سانتی گراد . مولر و همکاران [ 74 ] تغییرات روزانه PET را در LCZهای منطقه شهری اوبرهاوزن (آلمان) در 10 ژوئیه 2010 ارائه کرد و بیشترین تفاوت بین LCZs 2/5 و LCZ 9 رخ داد که از 5 تا 10 درجه سانتیگراد متغیر بود، در حالی که در داخل تفاوت های شهری به 1-2 درجه سانتی گراد رسید (به عنوان مثال، LCZ 2-LCZ 6 و LCZ 6-LCZ D).
یک خلاصه کلی می تواند فرض کند که الگوهای دمای شبانه در LCZ ها در مقایسه با الگوهای حرارتی LCZ در روز بیشتر به شهرنشینی متراکم و ارتفاعات ساختمان وابسته هستند. با عطف به مقادیر شبانه، یک تمایل کاهش واضح بار حرارتی از LCZs 1، 2، 5، یا 3، به سمت LCZs 8، 10، 6، 9، یا انواع پوشش زمین، مشهود است. بدیهی است که ساختمان‌هایی که دارای ویژگی‌های متراکم ساخته شده‌اند، ساختمان‌هایی که عمدتاً بالاتر از سه طبقه هستند (مانند LCZs 1، 2 و 5) انتشار/انتشار گرمای انباشته‌شده در طول روز زمانی که خورشید در بالای افق قرار داشت را کاهش می‌دهند و در نتیجه که دمای بالاتر نزدیک به سطح در تمام شب ادامه دارد. از جهات دیگر، توزیع حرارتی بر حسب LCZ در طول روز به اندازه شب یکنواخت نیست، یعنی بر اساس داده ها، گرم ترین LCZ ها به غیر از LCZ 1، 2، و 5، LCZs 10، 8، یا 6 نیز. این شرایط به این دلیل به وجود می‌آیند که مناطق شهری با ساختمان‌های متراکم و بلندتر در طول روز سایه‌های بیشتری ایجاد می‌کنند و فرآیند انباشت بار گرمایی در مقایسه با LCZs 8 یا 10 که اکثر ساختمان‌ها کمتر از سه طبقه هستند و چندان متراکم نیستند کندتر است. (سایه های کمتر). با این حال، نسبت ISF هنوز باید در نظر گرفته شود.
سهم قابل توجهی در تفاوت‌های دمایی درون منطقه‌ای و تأثیرات آن‌ها در مناطق ساخته‌شده ممکن است توسط مقدار نسبی سطوح عمودی، که بر حسب نسبت ارتفاع یا عرض ساختمان بیان می‌شود، و همچنین با تغییرات تابش سطحی با فصل ها. این عوامل تا حد زیادی مسئول تفاوت های شدید بین LCZ های ساخته شده و LCZ های پوشش زمین بودند، به ویژه زمانی که مجموعه داده های LST توسط Geletič و همکاران مورد بررسی قرار گرفت. [ 93 ]. تفاوت در مصالح ساختمانی، ویژگی های شهری، اندازه فضای شهری و توپوگرافی آن و آب و هوای محلی/منطقه ای نیز می تواند به الگوهای حرارتی مختلف LCZ کمک کند، همانطور که Geletič و همکارانش. [ 93] مورد بحث قرار گرفت و نمونه‌های پراگ و برنو (جمهوری چک) و نووی ساد (صربستان) را در تضاد قرار داد. منطقه شهری نووی ساد کوچکتر از پراگ یا برنو است و برخی از LCZ ها مانند 4، 5، 6 و 9 پراکنده و غیر همگن هستند. علاوه بر این، بار حرارتی نسبتاً بالاتر، به ویژه LST، در LCZ D نووی ساد، منجر به چندین تفاوت LST ناچیز با سایر LCZ ها در زمستان، بهار و پاییز (بیشتر در اوایل بهار و اواخر پاییز)، یعنی در طول دوره های غیر رویشی می شود. ، در آنجا با ویژگی محلی خاک مخصوصاً تیره با آلبدوی کم قابل توضیح است. علاوه بر این، تأثیر توپوگرافی، به ویژه در مناطق جنگلی در کوه های مرتفع، بر روی الگوهای دمای نزدیک سطح، و همچنین LST ها [ 153 ]] را نمی توان نادیده گرفت، به خصوص زمانی که به خواص بالای تاج درختان توجه شود.

4. چالش ها و توسعه بیشتر

استوارت و اوکه [ 33 ] سیستم طبقه بندی LCZ را برای افزایش استانداردسازی در تحقیقات آب و هوای شهری توسعه دادند. با این حال، آن را به عنوان یک سیستم قوی، دارای تعداد معقولی از کلاس های ساخته شده و پوشش زمین، به منظور قابل اجرا در سطح جهانی ایجاد شد. با این وجود، مطالعات خاصی بر اساس به دست آوردن سیگنال‌های حرارتی فضایی دقیق‌تر و واضح‌تر، زیر کلاس‌های اضافی را در مناطق شهری [ 25 ] و غیر شهری [ 93 ، 119 ] مورد بحث قرار داده‌اند. احتمالاً اجرای گسترده چنین رویکرد زیر کلاسی دشوار است و الکساندر و میلز [ 134] به این نتیجه رسیده اند که نسبتاً ضروری است که روش تشخیص و ترسیم LCZ در مناطق شهری به روشی یکنواخت که بتواند به اندازه کافی در سراسر جهان اعمال شود، استاندارد شود.
ممکن است پیش‌بینی شود که به‌ویژه روش‌های طبقه‌بندی سطوح شهری، بر اساس منابع باز و داده‌های جهانی، ظرفیت کاربرد گسترده و توسعه مداوم را داشته باشند. این امر منطقی است، به خصوص اگر کاربر پسند باشد، یعنی نیازی به مهارت های بالایی در مدل سازی، استفاده از ابزارهای GIS یا پردازش تصاویر نداشته باشد. تا به امروز، روش WUDAPT به عنوان رویکردی ظاهر شده است که ممکن است این شرایط را برآورده کند. این به عنوان یک پورتال جامعه بین المللی برای جمع آوری اطلاعات سطحی مربوط به مناطق شهری در سطح جهانی و تسهیل تحقیقات بیشتر آب و هوای شهری [ 103 ] توسعه یافت. در نتیجه این ابتکار جهانی، داده های WUDAPT L0 در حال حاضر برای بیش از 120 شهر در تمام قاره ها در دسترس است (موجود در: https://www.wudapt.org/outreach/papers/[ 101 ]، قابل دسترسی در 15 دسامبر 2020). در حال حاضر، بر اساس تجزیه و تحلیل مطالعات اروپایی انجام شده در اینجا، و همچنین تعدادی از مشارکت های فراتر از منطقه اروپا [ 52 ، 103 ]، روش WUDAPT به عنوان راه حلی برای نقشه برداری LCZ برجسته می شود. بسیاری از محققان آن را استاندارد برای تعیین LCZs در نظر می گیرند. با این حال، با توجه به ویژگی‌های این روش و توسعه و بهبود بیشتر (که به دیگران واگذار می‌کنیم)، سطح مطلوب استانداردسازی در تحقیقات اقلیم شهری ممکن است موضوعی برای بحث باقی بماند. چینگ و همکاران [ 103 ] و بچتل و همکاران. [ 52] به اجرای اقدامات برای غلبه بر کاستی های نقشه برداری LCZ با روش WUDAPT L0 پرداخته اند و رویکردهای ممکن برای فرآیندهای ارزیابی کیفیت را برجسته کرده اند. اگرچه چندین رویکرد مختلف برای نقشه برداری LCZ با استفاده از داده های سنجش از دور ارائه شده است (به بخش 3.2.3 مراجعه کنید )، محققان بیشترین توجه خود را برای توسعه بیشتر و تأیید صحت کلی (OA) روش WUDAPT محفوظ داشته اند. به طور کلی، مراحل و پیشرفت‌های ممکن برای استفاده بیشتر از روش‌های سنجش از راه دور در نقشه‌برداری LCZ را می‌توان به صورت زیر طبقه‌بندی کرد:
  • دقت بالاتر در تعریف مناطق آموزشی (TAs). با هدف استانداردسازی فرآیند طبقه‌بندی LCZ، مشکل‌سازترین و حتی بحث‌برانگیزترین مرحله، انتخاب بسیار ذهنی (مبتنی بر کارشناسان) TA است، به‌ویژه در مواردی که طبقه‌بندی برای هر منطقه شهری باید به صورت جداگانه آموزش داده شود [ 66 ]. از این رو، نگاشت LCZ ممکن است بسیار پیچیده باشد. LCZهای مشابه در مناطق مختلف به دلیل تفاوت در پوشش گیاهی، مصالح ساختمانی و سایر تغییرات در عوامل محیطی فرهنگی و فیزیکی، خواص طیفی متفاوتی دارند [ 102 ].]. به نظر می رسد نتایج نشان می دهد که نقشه های LCZ فقط کیفیت متوسطی دارند، یعنی حدود 50-60٪ از نظر OA، و برخی مطالعات نشان داده اند که انتخاب مناسب TA ها ممکن است OA را حدود 20-30٪ افزایش دهد [ 66 ]. با این حال، کیفیت TAها پایه و اساس پروتکل برای تولید نقشه های LCZ است [ 103 ]. کار بر روی استانداردسازی دیدگاه ها در تعریف منطقه معمولی ساخته شده/LCZ، و افزایش تخصص کارشناسان/محققان داوطلب محلی که در طبقه بندی تصاویر ماهواره ای دخیل هستند، ممکن است حرکتی حیاتی به سمت تعریف TA با دقت بالاتر برای شهرهای سراسر جهان باشد. . در این راستا، بچتل و همکاران. [ 154] اشاره کرد که نتایج آزمایش تأثیر انسانی (HUMINEX) تفاوت های زیادی را بین نقشه های LCZ برای یک شهر که توسط محققان مختلف تهیه شده بود نشان داد. نتیجه HUMINEX پیشنهاد کرد که یک نقشه LCZ با کیفیت بالا برای یک شهر معین را می توان با استفاده از ده تا پانزده مجموعه TA منفرد ایجاد شده توسط کارشناسان / محققین آموزش ندیده به دست آورد. با این حال، به نظر می رسد این پیشنهاد نیاز به بررسی بیشتر دارد.
  • کیفیت بهتر تصاویر ماهواره ای امکانات فعلی برای بهبود دقت نقشه برداری LCZ شامل ترکیب تصاویر ماهواره ای با وضوح متوسط ​​و تشویق محققان به استفاده از مجموعه داده های دیگر به صورت موازی است [ 52 ]. دیان و همکاران [ 116 ] مجموعه ای از تصاویر ماهواره ای از ماهواره های زمین ایستا را همراه با مزایا و معایب آنها برای استفاده در تجزیه و تحلیل فضایی و اقلیمی ارائه کرد. نتیجه این است که تصاویر هوایی با وضوح بسیار بالا که از ماهواره های تجاری و وسایل نقلیه هوایی بدون سرنشین (UAVs) بدست می آید باید برای نقشه برداری دقیق LCZ مفید باشد. با این حال، اینها باید به طور دقیق مورد مطالعه قرار گیرند و مجموعه داده ها هنوز به طور رایگان در دسترس نیستند.
  • رویکردهای ارزیابی کیفیت بچتل و همکاران [ 52 ] بحث مفصلی در مورد اهمیت روش WUDAPT L0 در ارزیابی کیفیت و مراحل بررسی مورد نیاز برای نقشه‌های موفق LCZ ارائه کرد. آنها توجه خود را به یک رویکرد اعتبار سنجی متقابل خودکار جلب کردند که از اقدامات بوت استرپینگ [ 155 ، 156 ] و به دنبال آن بازبینی دستی [ 52 ] استفاده می کند.]، به روشی که شامل مقایسه بصری انسان از نقشه با تصاویر با وضوح بالا از Google Earth، و یک رویکرد مقایسه متقابل است که به موجب آن نقشه‌های LCZ ممکن است با سایر مجموعه‌های داده مستقل مقایسه شوند. این مقایسه های متقابل بین نقشه های WUDAPT L0 LCZ ممکن است به موازات بسیاری از منابع انجام شود، از جمله: GHSL-LABEL (لایه سکونت جهانی انسان) یا EEA (آژانس محیط زیست اروپا) مجموعه داده های آب بندی خاک [ 156 ]. با مقایسه های انتخاب شده برای شهر؛ همراه با داده های Geo-Wiki [ 157 ]; تصاویر نمای خیابان گوگل [ 158 , 159 ]; نقشه خیابان گوگل [ 160 ]; با مجموعه داده های برداری توسعه یافته توسط پروژه MApUCE با بودجه ملی [ 133 ]. در مقایسه با روش مبتنی بر GIS [51 ]; یا با مقایسه بر اساس اندازه گیری دمای هوا [ 114 ]. از این رو، رویکرد مقایسه متقابل این پتانسیل را دارد که به یک مرحله اجباری در روش ارزیابی استاندارد برای تحقیقات بیشتر تبدیل شود [ 52 ].
  • بهبود در روش های نقشه برداری LCZ. پیشنهادهای مداوم مختلفی برای بهبود روش‌های تولید نقشه‌های LCZ و اصلاح دقت آنها وجود دارد. کالوستیان و همکاران [ 161 ] قابلیت انتقال TA از یک شهر به شهر دیگر را توصیه کرد. تویا و همکاران [ 162 ] توسعه یک مدل طبقه بندی تعمیم یافته قوی و قوی را پیشنهاد کرد. خو و همکاران [ 160 ]، در حین تجزیه و تحلیل منطقه شهری هنگ کنگ، یک رویکرد مبتنی بر آموزش مشترک، بدون نیاز به TA را پیشنهاد کرد و 10٪ OA بیشتر در مقایسه با رویکردهای مرسوم به دست آورد. استفاده از پلتفرم‌های پردازش آنلاین که شامل طیف وسیعی از مشاهدات زمین است می‌تواند به بهبود نقشه‌برداری LCZ کمک کند، و موتور Google Earth در تعدادی از مطالعات ارزشمند بوده است [ 66 ,125 ، 163 ]. ممکن است نتیجه گیری شود که پیاده سازی فناوری های یادگیری عمیق می تواند به استخراج ویژگی های تصویر سطح بالا به منظور بهبود دقت طبقه بندی کمک کند و این موضوع مطمئناً تمرکز مطالعات بیشتر خواهد بود [ 52 ].
  • کاربرد در مدلسازی اقلیم شهری داده‌های نقشه‌برداری LCZ یک پارامتر ورودی مفید (پارامتر سایه‌بان شهری-UCP) برای فرآیند مدل‌سازی شهری در نظر گرفته می‌شود، بنابراین روش WUDAPT به طور بالقوه می‌تواند به مدل‌های آب و هوای شهری کمک کند. هامبرگ و همکاران [ 132 ] تاکید کرد که داده‌های WUDAPT L0 در ارائه پارامترهای سطح لازم برای مدل‌های آب و هوای شهری مزایایی دارد و به طبقه‌بندی درون شهری ویژگی‌های سطح و تحلیل حرارتی کمک می‌کند. بنابراین، اولین مطالعات نشان داد که سیگنال‌های واضح ناهمگونی سطح را می‌توان از نقشه‌برداری LCZ، با استفاده از مدل WRF به دست آورد [ 120 ، 132 ]. همچنین، چینگ و همکاران. [ 103] توجه را به ابزارهای پورتال مانند WUDAPT به WRF (W2W) و SCALER به عنوان پتانسیل بزرگی برای تحقیقات آینده جلب کرد. با این حال، در پرتو مطالعاتی که در اینجا مورد تجزیه و تحلیل قرار گرفت، هنوز عدم قطعیت‌هایی در مورد کاربرد LCZs برای مدل‌سازی در مقیاس خوب در مناطق شهری وجود دارد.
اگرچه سایر روش‌های نقشه‌برداری LCZ، مانند مبتنی بر GIS یا ترکیبی، دقت کافی را برای ویژگی‌های تعریف‌شده شهری و پوشش زمین ارائه می‌کنند، شواهد زیادی از ظرفیت‌های مناسب برای طبقه‌بندی مناطق بزرگ، به عنوان مثال، برای پوشش شهرهای متعدد در سراسر وجود ندارد. قاره یا کل جهان دلیل آن می‌تواند این باشد که این نوع روش‌های LCZ نیاز به یک زمین مستحکم در استفاده از ابزار GIS و ارزیابی سطح به طور کلی دارند. علاوه بر این، برخی از پارامترهای ورودی برای محاسبات سطح در مقیاس‌های با وضوح بالا (به عنوان مثال، ردپای تک ساختمان) به منظور انجام طبقه‌بندی LCZ در سطح چند ضلعی سطح زمین هستند [ 51]. فقط تعداد کمی از این نوع داده‌ها منبع باز هستند و فقط برای مناطق شهری محدود در دسترس هستند، که ممکن است مانعی جدی برای کاربرد جهانی ارزیابی‌های LCZ باشد. با توجه به رویکرد دقت بالا، روش‌های مبتنی بر GIS می‌توانند نقش خاصی در طبقه‌بندی و مدل‌سازی مقیاس محلی داشته باشند.
بر اساس مطالعات بررسی شده، اکثریت قریب به اتفاق تحقیقات بر روی رویکردهای مختلف ارزیابی حرارتی، مانند دمای هوا، دمای سطح، شدت UHI، الگوهای UCI، مسائل آسایش حرارتی، تخمین ریسک گرما و غیره متمرکز شده‌اند. غالب آنالیز حرارتی است. تنها در پرتو اثبات [ 33 ] که مورفولوژی سطح خاص و انواع پوشش زمین نقش مهمی در سیگنال های دما دارند و بنابراین هر LCZ یک ردپای حرارتی مجزا ایجاد می کند، انتظار می رود. پارامترهای دیگر، مانند اثرات باد شهری [ 79 ، 110 ] یا شبیه سازی های مصرف انرژی ساختمان [ 60 ] و شاخص های زیست هواشناسی [ 5 ، 85 ، 87 ], 90 , 91 ] نیز مورد بررسی قرار گرفته است. در مقابل، ارزیابی الگوی فضایی بارش [ 164 ، 165 ] و رطوبت هوا [ 166 ]] مقدار مشخصی از تفاوت‌ها را بین مناطق شهری و غیر شهری تعریف کرده‌اند، اما بر اساس مفهوم LCZ ارزش‌های مشخصی را برای مناطق مختلف شهری نشان نمی‌دهند. با مراجعه به منابع مجموعه داده‌ها برای ارزیابی‌های آب و هوای شهری، قابل توجه است (از سال 2015 تا کنون) که مطالعات اندازه‌گیری سنجش از دور در مقایسه با اندازه‌گیری‌های درجا یا کمپین‌های سیار در حال رشد هستند. با این حال، علی‌رغم این روند در مجموعه داده‌ها، روش‌های دیگر کمک زیادی به ارزیابی‌های حرارتی بیشتر بر اساس LCZs و روش‌هایی که در آن دما و سایر مقادیر آب و هوایی نظارت می‌شوند، دارند. اینها عبارتند از: (الف) تکنیک‌های جمع‌سپاری با استفاده از CWS (ایستگاه هواشناسی شهروند)، سوابق تلفن هوشمند و ابزارهای مبتنی بر وب [ 112 ، 113 ، 131]، یا (ب) استفاده از ابزارهای سیار/قابل حمل با هدف طراحی شده [ 167 ] با سنسورهای با شماره گذاری خاص و با دقت بالا، به ویژه برای اندازه گیری تشعشع [ 168 ]. واضح است که، در تحقیقات آینده، مجموعه داده‌های حاصل از نقشه‌برداری LCZ اغلب به عنوان ورودی برای مدل‌سازی آب و هوا، به عنوان مثال، WRF [ 119 ، 120 ، 122 ] یا MUKLIMO [ 5 ، 53 ، 94 ، 98 ، 111 ، 115 ] وجود خواهد داشت. با این حال، با وجود تمام ارتباط آنها در مقیاس های محلی، LCZ ها نمی توانند یا نباید برای مدل های با مقیاس خوب با وضوح بالاتر (مثلا PALM-4U) استفاده شوند.

5. نتیجه گیری ها

این مقاله مروری 91 مطالعه را جمع آوری و تجزیه و تحلیل کرد که به طور مستقیم به مسائل مربوط به تشخیص و تعیین LCZ و کاربرد آنها در محیط های شهری اروپا می پردازد. تا به امروز، طبقه بندی LCZ یک روش کاربردی جهانی برای توصیف محیط فیزیکی برای اهداف تحقیقات آب و هوای شهری را ثابت کرده است. در طول هشت سال گذشته، حضور آن در تحقیقات آب و هوای شهری به طور مداوم گسترش یافته است، به ویژه در تجزیه و تحلیل بار حرارتی. خلاصه‌ای از دومی قبلاً به این نتیجه می‌رسد که بالاترین دما در شهرهای اروپایی (یا به طور کلی، الگوهای بار گرمایی) در LCZ 1 (در صورت شناسایی) وجود دارد، به دنبال آن LCZs 2، 3، و 5، سپس LCZs وجود دارد. 8 و 10 در شهرهای دارای مناطق بزرگ صنعتی/تجاری. ورود به جزئیات پیامدهای حرارتی در مطالعات مروری بر حسب داده‌های میانگین سالانه/فصلی، دماهای بالاتر یا مقادیر شاخص OTC بین 1 تا 3 درجه سانتیگراد بین LCZهای متراکم ساخته شده و مناطق تحت پوشش زمین قرار دارند، اما تحقیقات بیشتری در مورد OTC و تنش گرمایی حاصل در LCZها مورد نیاز است. در تجزیه و تحلیل رویدادهای شدید (مانند امواج گرما/سرما)، تفاوت‌های LCZ در انواع پوشش‌های زمینی ساخته شده در مقایسه با سطح زمین می‌تواند به ۷ تا ۱۰ درجه سانتی‌گراد یا حتی بیشتر برسد. با این حال، ناهمگونی فضایی محیط‌های اروپایی اغلب به دست آوردن سیگنال (منطقه منبع) که نماینده مناطق خاص در مقیاس محلی باشد، دشوار می‌کند. بنابراین، محققان اغلب با یک دوراهی مواجه می‌شوند که منطقه/سایت باید به کدام ناحیه اختصاص داده شود و چگونه طبقه‌های فرعی را نشان دهند. این امر بر نیاز به یک روش طبقه‌بندی LCZ استاندارد، جهانی و واضح‌تر تاکید می‌کند. ضرورت اصلی برای گسترش سیستم طبقه‌بندی LCZ ممکن است در غیاب فعلی مجموعه داده‌های شهری سازگار بین‌المللی برای نشان دادن پارامترهای سطوح همگن یافت شود. بدیهی است که جوامع علوم اقلیمی جهانی به شهرها از این مسائل آگاه هستند و آنها را به عنوان موانع مهمی برای پیشرفت علمی می شناسند.
داده های به دست آمده از نقشه برداری LCZ و نتایج تجزیه و تحلیل آب و هوا بر اساس الگوهای LCZ ممکن است جزئیات کافی را برای درگیر کردن تصمیم گیرندگان اداری محلی یا منطقه ای که مسئول رسیدگی به مسائل تغییرات آب و هوایی، توسعه شهری و سلامت عمومی هستند ارائه دهد [ 169 ]. چنین کاربردهایی از LCZ ها در محیط های شهری نقش فزاینده مهمی در سطح جهانی ایفا می کنند، واقعیتی که توسط سازمان جهانی هواشناسی (WMO) تقویت شده است، که در حال بررسی استفاده از روش های طبقه بندی LCZ به عنوان وسیله ای برای رسیدگی به الزامات خدمات شهری جدید خود است، همانطور که در قطعنامه بیان شده است. 68 و در توسعه راهنمای خدمات یکپارچه آب و هواشناسی شهری، آب و هوا و محیط زیست [ 170 ].

منابع

  1. کواتس، آر اس؛ والنتینی، آر. Bouwer، LM; جورجوپولو، ای. یعقوب، دی. مارتین، ای. رونسول، ام. سوسانا، J.-F. اروپا در تغییرات آب و هوا 2014: تأثیرات، سازگاری و آسیب پذیری. بخش ب: جنبه های منطقه ای. مشارکت گروه کاری دوم در پنجمین گزارش ارزیابی هیئت بین دولتی تغییرات آب و هوایی . Barros, VR, Field, CB, Dokken, DJ, Mastrandrea, MD, Mach, KJ, Bilir, TE, Chatterjee, M., Ebi, KL, Estrada, YO, Genova, RC, et al., Eds.; انتشارات دانشگاه کمبریج: کمبریج، انگلستان; نیویورک، نیویورک، ایالات متحده آمریکا، 2014; ص 1267–1326. [ Google Scholar ]
  2. فیشر، EM; Schar، CR الگوهای جغرافیایی ثابت تغییرات در امواج گرمای پرتأثیر اروپا. نات. Geosci. 2010 ، 3 ، 398-403. [ Google Scholar ] [ CrossRef ]
  3. یعقوب، دی. کوتووا، ال. تیچمن، سی. سوبولوفسکی، اس پی. واتارد، آر. دانلی، سی. کوترولیس، AG; Grillakis، MG; Tsanis، IK; دام، ا. و همکاران تأثیرات آب و هوا در اروپا گرمایش زمین زیر +1.5 درجه سانتیگراد. Earths Future 2018 ، 6 ، 264–285. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. هوگ گولدبرگ، او. یعقوب، دی. تیلور، ام. بیندی، م. براون، اس. کامیلونی، آی. دیدیو، ا. Djalante، R. Ebi، KL; انگلبرشت، اف. و همکاران اثرات گرمایش جهانی 1.5 درجه سانتی گراد بر سیستم های طبیعی و انسانی. در گرمایش جهانی 1.5 درجه سانتیگراد، گزارش ویژه IPCC در مورد تأثیرات گرمایش جهانی 1.5 درجه سانتیگراد بالاتر از سطوح پیش صنعتی و مسیرهای انتشار جهانی گازهای گلخانه ای مرتبط، در زمینه تقویت واکنش جهانی به تهدید تغییرات آب و هوایی، توسعه پایدار و تلاش برای ریشه کنی فقر ؛ Masson-Delmotte، V.، Zhai، P.، Pörtner، H.-O.، Roberts، D.، Skea، J.، Shukla، PR، Pirani، A.، Moufouma-Okia، W.، Péan، C. , Pidcock, R., et al., Eds. IPCC: ژنو، سوئیس، 2018. [ Google Scholar ]
  5. گلتیچ، جی. لهنرت، ام. ساویچ، اس. میلوشویچ، دی. مدل‌سازی تغییرپذیری فضایی و زمانی آسایش حرارتی در فضای باز در مناطق آب و هوایی محلی شهر برنو، جمهوری چک. علمی کل محیط. 2018 ، 624 ، 385-395. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. گال، تی. ماهو، SI; اسکاربیت، ن. Unger, J. مدل‌سازی عددی برای تحلیل تأثیر فضاهای سبز مختلف شهری بر الگوهای بار حرارتی شهری در حال و آینده. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 87 ، 101600. [ Google Scholar ] [ CrossRef ]
  7. ووگت، جی. Oke, T. سنجش از دور حرارتی آب و هوای شهری. سنسور از راه دور محیط. 2003 ، 86 ، 370-384. [ Google Scholar ] [ CrossRef ]
  8. WMO. 2019 یک دهه گرمای جهانی استثنایی و آب و هوای پر تاثیر را به پایان می رساند . WMO: ژنو، سوئیس، 2019؛ در دسترس آنلاین: https://public.wmo.int/en/media/press-release/2019-concludes-decade-of-exceptional-global-heat-and-high-impact-weather (در 10 اکتبر 2020 قابل دسترسی است).
  9. اکشتاین، دی. کونزل، وی. شفر، ال. Winges، M. شاخص خطر جهانی آب و هوا 2020: چه کسی بیشتر از حوادث آب و هوایی شدید رنج می برد؟ رویدادهای تلفات مرتبط با آب و هوا در سال های 2018 و 1999 تا 2018 ؛ Germanwatch eV: بن، آلمان، 2019؛ پ. 44. در دسترس آنلاین: https://www.germanwatch.org/en/cri (در 11 اکتبر 2020 قابل دسترسی است).
  10. سازمان ملل متحد چشم انداز شهرنشینی جهان – بازبینی 2014 ; وزارت امور اقتصادی و اجتماعی سازمان ملل: نیویورک، نیویورک، ایالات متحده آمریکا، 2014. [ Google Scholar ]
  11. Seto، KC; گونرالپ، بی. Hutyra، LR پیش‌بینی‌های جهانی گسترش شهری تا سال 2030 و تأثیرات مستقیم بر تنوع زیستی و استخرهای کربن. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2012 ، 109 ، 16083-16088. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. مولر، CL; چپمن، ال. گریموند، CSB؛ جوان، DT; Cai، X. حسگرها و شهر: بررسی شبکه های هواشناسی شهری. بین المللی جی. کلیم. 2013 ، 33 ، 1585-1600. [ Google Scholar ] [ CrossRef ]
  13. باکسینی، ام. بیگری، ع. آکتا، جی. کوساتسکی، تی. کاتسویانی، ک. آنالیت، A.; اندرسون، منابع انسانی؛ بیسانتی، LD; ایپولیتی، دی. دانووا، ج. و همکاران اثرات گرما بر مرگ و میر در 15 شهر اروپایی اپیدمیولوژی 2008 ، 19 ، 711-719. [ Google Scholar ] [ CrossRef ]
  14. ویلهلمی، OV; هایدن، MH اتصال مردم و مکان: چارچوبی جدید برای کاهش آسیب پذیری شهری در برابر گرمای شدید. محیط زیست Res. Lett. 2010 , 5 , 014021. [ Google Scholar ] [ CrossRef ]
  15. گاسپارینی، ا. گوا، ی. هاشیزومه، م. لوین، ای. زانوبتی، ا. شوارتز، جی. توبیاس، آ. تانگ، اس. راکلوف، جی. فورسبرگ، بی. و همکاران خطر مرگ و میر ناشی از دمای محیط بالا و پایین: یک مطالعه مشاهده ای چند کشوری Lancet 2015 ، 386 ، 369-375. [ Google Scholar ] [ CrossRef ]
  16. گرلز، اچ. ون در مولن، اس. شاسفورت، اف. بوش، پی. برولسما، آر. ون دینتر، دی. گیرلینگ، جی. گوسن، ام. جیکوبز، سی. دی یونگ، ام. و همکاران طراحی زیرساخت سبز و آبی برای حمایت از زندگی سالم شهری . فدراسیون TO2: اوترخت، هلند، 2016; پ. 109. [ Google Scholar ]
  17. آرسنوویچ، دی. ساویچ، اس. لوژانین، ز. رادیچ، آی. میلوشویچ، دی. Arsić، M. مرگ و میر ناشی از گرما به عنوان شاخصی از آسیب پذیری جمعیت در یک شهر با اندازه متوسط ​​در اروپای مرکزی (نووی ساد، صربستان، تابستان 2015). Geogr. پانونیکا 2019 ، 23 ، 204–215. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. واترز، اچ. دی ریدر، ک. پولمنز، ال. ویلمز، پی. بروورز، جی. حسین زاده طلایی، پ. طبری، ح. Broucke، SV; ون لیپزیگ، NPM; Demuzere, M. افزایش تنش گرمایی تحت تغییرات آب و هوایی در شهرها دو برابر بیشتر از مناطق روستایی: مطالعه ای برای منطقه دریایی پرجمعیت در عرض جغرافیایی متوسط. ژئوفیز. Res. Lett. 2017 ، 44 ، 8997–9007. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. اتحادیه اروپا اثرات تغییرات آب و هوایی بر سلامت انسان در اروپا – گزارش های فنی JRC ; کمیسیون اروپا، مرکز تحقیقات مشترک، موسسه مطالعات فناوری آینده نگر: سویل، اسپانیا، 2014; پ. 32. [ Google Scholar ]
  20. کمال چاوئی، ال. رابرت، ای. شهرهای رقابتی و تغییرات آب و هوایی. قانون OECD توسعه دهنده کار کنید. پاپ 2009 . [ Google Scholar ] [ CrossRef ]
  21. اوکی، تی. میلز، جی. کریستن، ا. Voogt, J. Urban Climates ; انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 2017. [ Google Scholar ]
  22. Oke, TR اساس انرژی جزیره گرمایی شهری. Meteorol QJR. Soc. 1982 ، 108 ، 1-24. [ Google Scholar ] [ CrossRef ]
  23. آنگر، جی. شدت جزیره گرمایی با شرایط مختلف هواشناسی در یک شهر متوسط: سگد، مجارستان. نظریه. Appl. صعود 1996 ، 54 ، 147-151. [ Google Scholar ] [ CrossRef ]
  24. پنگ، اس. پیائو، اس. سیایس، پی. فریدلینگشتاین، پی. اوتل، سی. برئون، F.-M. نان، اچ. ژو، ال. Myneni، جزیره گرمایی شهری سطحی RB در 419 شهر بزرگ جهانی. محیط زیست علمی تکنولوژی 2011 ، 46 ، 696-703. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. لهنرت، ام. گلتیچ، جی. هوساک، جی. Vysoudil، M. طبقه بندی میدان شهری بر اساس “مناطق آب و هوایی محلی” در یک شهر با اندازه متوسط ​​اروپای مرکزی: مورد اولوموک (جمهوری چک). نظریه. Appl. صعود 2015 ، 122 ، 531-541. [ Google Scholar ] [ CrossRef ]
  26. للوویکس، ای. اونگر، جی. ساویچ، اس. گال، تی. میلوشویچ، دی. گولیاس، Á. مارکوویچ، وی. آرسنوویچ، دی. Gál، CV مشاهدات دمای درون شهری در دو شهر اروپای مرکزی: مطالعه تابستانی. Időjárás 2016 ، 120 ، 283-300. [ Google Scholar ]
  27. ژو، بی. ریبسکی، دی. Kropp, JP نقش اندازه شهر و شکل شهری در جزیره حرارتی شهری سطحی. علمی Rep. 2017 , 7 , 4791. [ Google Scholar ] [ CrossRef ]
  28. Hutcheon، RJ; جانسون، RH; لوری، WP; سیاه، CH; هدلی، دی. مشاهدات جزیره گرمایی شهری در یک شهر کوچک. گاو نر صبح. هواشناسی Soc. 1967 ، 48 ، 7-9. [ Google Scholar ] [ CrossRef ]
  29. Kopec، RJ مشاهدات بیشتر از جزیره گرمایی شهری در یک شهر کوچک. گاو نر صبح. هواشناسی Soc. 1970 ، 51 ، 602-606. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. Blazejczyk، K. باکوفسکا، ام. Wieclaw, M. جزیره گرمایی شهری در شهرهای بزرگ و کوچک. در مجموعه مقالات ششمین کنفرانس بین المللی اقلیم شهری، گوتبورگ، سوئد، 12 تا 16 ژوئن 2006; صص 794-797. [ Google Scholar ]
  31. النا، م. بریل، ام. سورانی، س. پیوند گرما-سلامت در بافت شهری: مروری بر ادبیات سیستماتیک که آسیب‌پذیری‌های اجتماعی-اقتصادی و ویژگی‌های محیط ساخته شده را بررسی می‌کند. اقلیم شهری. 2020 ، 34 ، 100676. [ Google Scholar ] [ CrossRef ]
  32. بوکوا، ا. حاجتو، ام جی; Walawender، JP; Szymanowski، M. تأثیر امداد متنوع در جزیره گرمایی شهری در شهر کراکوف، لهستان. نظریه. Appl. صعود 2015 ، 122 ، 365-382. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. استوارت، ID; Oke، TR مناطق آب و هوایی محلی برای مطالعات دمای شهری. گاو نر صبح. هواشناسی Soc. 2012 ، 93 ، 1879-1900. [ Google Scholar ] [ CrossRef ]
  34. الفسن، آر. نقشه برداری و اندازه گیری ساختمان ها در لایه مرزی سایه بان در ده شهر ایالات متحده. انرژی ساخت. 1991 ، 16 ، 1025-1049. [ Google Scholar ] [ CrossRef ]
  35. Oke، راهنمای اولیه TR برای به دست آوردن مشاهدات هواشناسی نماینده در سایت‌های شهری . نماینده IOM WMO/TD-No. 1250; WMO: ژنو، سوئیس، 2004; پ. 47. در دسترس آنلاین: www.wmo.int/pages/prog/www/IMOP/publications/IOM-81/IOM-81-UrbanMetObs.pdf (در 12 اکتبر 2020 قابل دسترسی است).
  36. اوکی، TR شهری مشاهدات. راهنمای ابزارهای هواشناسی و روش‌های رصد، بخش دوم سیستم‌های رصد ، ویرایش هفتم. II-11-1-II-11-25; WMO: ژنو، سوئیس، 2008. [ Google Scholar ]
  37. Oke، راهنمای TR برای ابزارها و روش‌های مشاهده . WMO: ژنو، سوئیس، 2018; جلد سوم – سیستم های مشاهده، ص. 426. [ Google Scholar ]
  38. اندرسون، جی آر. هاردی، EE; روچ، JT; Witmer, RE یک سیستم طبقه بندی کاربری و پوشش زمین برای استفاده با داده های حسگر از راه دور. پروفسور پاپ 1976 ، 964 ، 28. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. Auer, AH همبستگی کاربری و پوشش با ناهنجاری های هواشناسی. J. Appl. شهاب. 1978 ، 17 ، 636-643. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. هاوبی، اف. راث، یو. Forschungsprojekt 1980 , 270. [ Google Scholar ] [ CrossRef ]
  41. برون، اس دی؛ ویلیامز، JF شهرهای جهان: توسعه شهری منطقه‌ای جهان ؛ هارپر و راو: نیویورک، نیویورک، ایالات متحده آمریکا، 1983; پ. 506. [ Google Scholar ]
  42. هویل، BS; O’Connor، A. شهر آفریقایی. Geogr. J. 1984 , 150 , 253. [ Google Scholar ] [ CrossRef ]
  43. ونس، جی، جونیور شهر پیوسته: مورفولوژی شهری در تمدن غرب . انتشارات دانشگاه جان هاپکینز: بالتیمور، MD، ایالات متحده آمریکا، 1990; پ. 552. [ Google Scholar ]
  44. Kostof, S. The City Shaped: Urban Patterns and Meanings through History ; تیمز و هادسون: لندن، بریتانیا، 1991; پ. 352. [ Google Scholar ]
  45. Wieringa، J. پارامترهای زبری نماینده برای زمین همگن. مقید. Meteorol لایه. 1993 ، 63 ، 323-363. [ Google Scholar ] [ CrossRef ]
  46. پاتر، RB; لوید ایوانز، اس . شهر در جهان در حال توسعه ; لانگمن: لندن، بریتانیا، 1998; پ. 244. [ Google Scholar ]
  47. گریموند، CSB؛ Oke، TR ویژگی های آیرودینامیکی مناطق شهری به دست آمده از تجزیه و تحلیل فرم سطح. J. Appl. هواشناسی 1999 ، 38 ، 1262-1292. [ Google Scholar ] [ CrossRef ]
  48. Theurer, W. ترتیبات ساختمانی معمولی برای مدل‌سازی آلودگی هوای شهری. اتمس. محیط زیست 1999 ، 33 ، 4057-4066. [ Google Scholar ] [ CrossRef ]
  49. امانوئل، آر. Loconsole، A. زیرساخت سبز به عنوان یک رویکرد سازگار برای مقابله با گرمای بیش از حد شهری در منطقه دره گلاسکو کلاید، انگلستان. Landsc. طرح شهری. 2015 ، 138 ، 71-86. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. استوارت، ID; اوکی، TR; Krayenhoff، ES ارزیابی طرح “منطقه آب و هوایی محلی” با استفاده از مشاهدات دما و شبیه‌سازی مدل. بین المللی جی. کلیم. 2014 ، 34 ، 1062-1080. [ Google Scholar ] [ CrossRef ]
  51. للوویکس، ای. اونگر، جی. گال، تی. Gál, C. طراحی یک شبکه نظارت شهری بر اساس نقشه‌برداری منطقه آب و هوایی محلی و مدل‌سازی الگوی دما. صعود Res. 2014 ، 60 ، 51-62. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. بچتل، بی. الکساندر، پی جی. بک، سی. بونر، جی. بروسه، او. چینگ، جی. دموزیر، م. فونته، سی. گال، تی. هیدالگو، جی. و همکاران تولید داده های سطح 0 WUDAPT – وضعیت فعلی تولید و ارزیابی. اقلیم شهری. 2019 ، 27 ، 24-45. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. فرانک، ج. Kopecká، M. Szatmári، D. هولک، جی. اشتانی، پ. پازور، ر. Bobáľová، H. مروری بر مطالعات مربوط به تأثیر پوشش زمین و کاربری زمین بر پدیده جزیره گرمایی شهری، ارزیابی شده با استفاده از مدل MUKLIMO. Geografie 2019 ، 124 ، 83–101. [ Google Scholar ] [ CrossRef ]
  54. گرانت، ام جی. بوث، الف. گونه‌شناسی مرورها: تحلیلی از 14 نوع مرور و روش‌شناسی مرتبط. Health Inf. Libr J. 2009 ، 26 ، 91-108. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  55. پولین، ع. دستورالعمل های استوارت، GB برای بررسی سیستماتیک در مدیریت حفاظت و محیط زیست. حفظ کنید. Biol. 2006 ، 20 ، 1647-1656. [ Google Scholar ] [ CrossRef ]
  56. موهر، دی. لیبراتی، ع. تتزلاف، جی. آلتمن، دی جی؛ گروه PRISMA موارد گزارش برگزیده برای بررسی های سیستماتیک و متاآنالیز: بیانیه PRISMA. PLoS Med. 2009 ، 6 ، e1000097. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. گوا، ی.-م. هوانگ، Z.-L. گوا، جی. لی، اچ. Guo، X.-R. Nkeli، MJ تجزیه و تحلیل کتاب سنجی در مورد تحقیقات شهرهای هوشمند. پایداری 2019 ، 11 ، 3606. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  58. دو، اچ. لیو، دی. لو، ز. کریتندن، جی. مائو، جی. وانگ، اس. زو، اچ. توسعه تحقیقاتی در مورد زیرساخت های شهری پایدار از سال 1991 تا 2017: یک تحلیل کتاب سنجی برای اطلاع از نوآوری های آینده. Earths Future 2019 ، 7 ، 718–733. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. یو، دی. خو، ز. وانگ، ایکس. تحلیل کتاب‌سنجی روند تحقیق ماشین‌های بردار پشتیبان: مطالعه موردی در چین. بین المللی جی. ماخ. فرا گرفتن. سایبرن. 2020 ، 11 ، 715-728. [ Google Scholar ] [ CrossRef ]
  60. تورنی، ن. شوتر، آر. بونهوم، ام. فراوت، س. Masson, V. GENIUS: روشی برای تعریف شرح مفصلی از ساختمان‌ها برای شبیه‌سازی آب و هوای شهری و مصرف انرژی ساختمان. اقلیم شهری. 2017 ، 20 ، 75-93. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. بوچر، ای. پتیت، جی. برنارد، جی. Palominos، S. چارچوب ژئوپردازش برای محاسبه شاخص های شهری: زنجیره ابزار MApUCE. اقلیم شهری. 2018 ، 24 ، 153-174. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. گاردز، تی. شوتر، آر. هیدالگو، جی. لانگ، ن. مارکز، ای. ماسون، وی. پیش‌بینی آماری شدت جزیره گرمایی شهری شبانه بر اساس مورفولوژی شهری و عوامل جغرافیایی – یک تحقیق بر اساس نتایج مدل عددی برای مجموعه بزرگی از شهرهای فرانسه. علمی کل محیط. 2020 , 737 , 139253. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  63. ندکوف، اس. ژیانسکی، م. دیمیتروف، اس. بوریسووا، بی. پوپوف، آ. اهتیمانسکی، آی. یانوا، آر. نیکولوف، پ. نقشه برداری و ارزیابی وضعیت و خدمات اکوسیستم شهری با استفاده از شاخص یکپارچه ساختار فضایی. یک اکوسیست. 2017 ، 2 ، e14499. [ Google Scholar ] [ CrossRef ]
  64. هو، جی. غمیسی، پ. Zhu، XX ویژگی استخراج و انتخاب داده‌های دو قطبی Sentinel-1 برای طبقه‌بندی منطقه آب و هوایی محلی در مقیاس جهانی. ISPRS Int. J. Geoinf. 2018 ، 7 ، 379. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  65. بچتل، بی. دموزیر، م. میلز، جی. ژان، دبلیو. سیسمانیدیس، پ. کوچک، سی. تجزیه و تحلیل Voogt، J. SUHI با استفاده از مناطق آب و هوایی محلی – مقایسه 50 شهر. اقلیم شهری. 2019 ، 28 ، 100451. [ Google Scholar ] [ CrossRef ]
  66. دموزیر، م. بچتل، بی. میدل، ا. Mills, G. نقشه برداری اروپا در مناطق آب و هوایی محلی. PLoS ONE 2019 , 14 , e0214474. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  67. اونگر، جی. ساویک، اس. Gál, T. مدل‌سازی میانگین سالانه الگوی جزیره گرمایی شهری برای برنامه‌ریزی شبکه ایستگاه آب و هوای شهری نماینده. Adv. هواشناسی 2011 ، 2011 ، 398613. [ Google Scholar ] [ CrossRef ]
  68. بچتل، بی. Daneke, C. طبقه بندی مناطق آب و هوایی محلی بر اساس داده های مشاهدات متعدد زمین. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2012 ، 5 ، 1191-1202. [ Google Scholar ] [ CrossRef ]
  69. استوارت، ID; Oke, TR “مناطق آب و هوای گرمایی” جدید توسعه یافته برای تعریف و اندازه گیری بزرگی جزیره گرمایی شهری در لایه سایبان. در مجموعه مقالات هشتمین سمپوزیوم پیرامون محیط شهری، فینیکس، AZ، ​​ایالات متحده آمریکا، 11 تا 15 ژانویه 2009. [ Google Scholar ]
  70. استوارت، ID; Oke، TR تمایز حرارتی مناطق آب و هوایی محلی با استفاده از مشاهدات دما از سایت‌های میدانی شهری و روستایی. در مجموعه مقالات نهمین سمپوزیوم در مورد محیط شهری، کیستون، CO، ایالات متحده آمریکا، 2 تا 6 اوت 2010. [ Google Scholar ]
  71. داونپورت، AG; گریموند، اس بی؛ اوکی، TR; Wieringa, J. برآورد ناهمواری شهرها و کشور پناه گرفته. در مجموعه مقالات دوازدهمین کنفرانس اقلیم شناسی کاربردی، اشویل، NC، ایالات متحده آمریکا، 8 مه 2000; جلد 96، ص. 99. [ Google Scholar ]
  72. ساویچ، اس. میلوشویچ، دی. لازیچ، ال. مارکوویچ، وی. آرسنوویچ، دی. Pavić, D. طبقه بندی سایت های ایستگاه های هواشناسی شهری بر اساس ‘مناطق آب و هوایی محلی’: نتایج اولیه برای شهر نووی ساد (صربستان). Geogr. پانونیکا 2013 ، 17 ، 60-68. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  73. ویزنر، اس. اشنباخ، آ. Ament، F. ناهنجاری های دمای هوای شهری و ارتباط آنها با رطوبت خاک مشاهده شده در شهر هامبورگ. هواشناسی Z. 2014 ، 23 ، 143-157. [ Google Scholar ] [ CrossRef ]
  74. مولر، ن. کوتلر، دبلیو. بارلاگ، A.-B. مقابله با تغییرات آب و هوایی شهری: اقدامات سازگاری و تأثیر آنها بر آسایش حرارتی نظریه. Appl. کلیماتول. 2013 ، 115 ، 243-257. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. هربل، آی. کرویتورو، A.-E.; روس، آی. Harpa، GV; Ciupertea، A.-F. تشخیص جزیره گرمایی اتمسفر شهری از طریق اندازه گیری مستقیم در شهر کلوژ-ناپوکا، رومانی. آویزان شد. Geogr. گاو نر 2016 ، 65 ، 117-128. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  76. پور، ت. میرجوفسکی، جی. پورکت، تی. سنجش از راه دور حرارتی هوابرد: مورد شهر اولوموک، جمهوری چک. یورو J. Remote Sens. 2019 ، 52 ، 209–218. [ Google Scholar ] [ CrossRef ]
  77. پور، ت. Voženílek، V. تجزیه و تحلیل داده های حرارتی برای تحقیقات آب و هوای شهری: مطالعه موردی Olomouc، چک. Geogr. Cassoviensis 2020 ، 14 ، 77-91. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  78. Theeuwes، NE; استینولد، جی.-جی. Ronda، RJ; روتاچ، مگاوات؛ Holtslag، AAM صبح‌های شهر خنک در اثر گرمای شهری. محیط زیست Res. Lett. 2015 ، 10 ، 114022. [ Google Scholar ] [ CrossRef ]
  79. Droste، AM; Steeneveld، GJ; Holtslag، AAM معرفی اثر جزیره باد شهری. محیط زیست Res. Lett. 2018 , 13 , 094007. [ Google Scholar ] [ CrossRef ]
  80. گلتیچ، جی. Lehnert، M. ترسیم مناطق آب و هوایی محلی مبتنی بر GIS: مورد شهرهای اروپای مرکزی با اندازه متوسط. موراو. Geogr. 2016 ، 24 ، 2-12 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  81. اونگر، جی. للوویکس، ای. Gál, T. نقشه برداری منطقه آب و هوایی محلی با استفاده از روش های GIS در Szeged. آویزان شد. Geogr. گاو نر 2014 ، 63 ، 29-41. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  82. شسروف، آی. ساویچ، اس. میلوشویچ، دی. مارکوویچ، وی. Bajšanski، I. توسعه یک سیستم خودکار نظارت بر اقلیم شهری در نووی ساد (صربستان). Geogr. پانونیکا 2015 ، 19 ، 174-183. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  83. Šećerov، IB; ساویچ، اس ام. میلوشویچ، دی. آرسنوویچ، دی.م. دولیناج، DM; پوپوف، SB پیشرفت تحقیقات آب و هوای شهری با استفاده از سیستم شبکه نظارت با چگالی بالا. محیط زیست نظارت کنید. ارزیابی کنید. 2019 ، 191 ، 89. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  84. اسکاربیت، ن. گال، تی. Unger، J. تفاوت دمای سطح هوابرد مناطق مختلف آب و هوای محلی در منطقه شهری یک شهر متوسط. در مجموعه مقالات رویداد مشترک سنجش از دور شهری 2015 (JURSE)، لوزان، سوئیس، 30 مارس تا 1 آوریل 2015؛ صص 1-4. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  85. اونگر، جی. Gál، TM; سیپه، ز. للوویکس، ای. گولیاس، Á. توسعه، پردازش داده ها و نتایج اولیه یک سیستم نظارت بر آسایش انسان شهری و اطلاعات. Időjárás 2015 ، 119 ، 337-354. [ Google Scholar ]
  86. گال، تی. اسکاربیت، ن. الگوهای جزیره گرمایی شهری Unger، J. و پویایی آنها بر اساس یک شبکه اندازه گیری آب و هوای شهری. آویزان شد. Geogr. گاو نر 2016 ، 65 ، 105-116. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  87. میلوشویچ، دی. ساویچ، اس ام. مارکوویچ، وی. آرسنوویچ، دی. Šećerov، I. آسایش حرارتی انسان در فضای باز در مناطق آب و هوایی محلی نووی ساد (صربستان) در طول دوره موج گرما. آویزان شد. Geogr. گاو نر 2016 ، 65 ، 129-137. [ Google Scholar ] [ CrossRef ]
  88. جیمز، او. توبک، ز. Van Leeuwen، B. تحلیل مبتنی بر ماهواره شدت جزیره حرارتی شهری سطحی. جی. محیط زیست. Geogr. 2016 ، 9 ، 23-30. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  89. اسکاربیت، ن. استوارت، ID; اونگر، جی. Gál, T. استفاده از یک شبکه هواشناسی شهری برای نظارت بر شرایط دمای هوا در “مناطق آب و هوایی محلی” Szeged، مجارستان. بین المللی جی. کلیم. 2017 ، 37 ، 582-596. [ Google Scholar ] [ CrossRef ]
  90. اونگر، جی. اسکاربیت، ن. Gál, T. ارزیابی احساس حرارتی انسان در فضای باز مناطق آب و هوایی محلی بر اساس پایگاه داده بلند مدت. بین المللی J. Biometeorol. 2017 ، 62 ، 183-193. [ Google Scholar ] [ CrossRef ]
  91. اونگر، جی. اسکاربیت، ن. کواچ، آ. Gál, T. مقایسه شرایط تنش حرارتی فضای باز منطقه ای و شهری در دوره های موج گرما و تابستان عادی: مطالعه موردی. اقلیم شهری. 2020 , 32 , 100619. [ Google Scholar ] [ CrossRef ]
  92. ساویچ، اس. مارکوویچ، وی. شسروف، آی. پاویچ، دی. آرسنوویچ، دی. میلوسویچ، دی. دولیناج، د. نگی، من. Pantelić، M. ارزیابی خطر موج گرما و نقشه برداری در مناطق شهری: مطالعه موردی برای یک شهر متوسط ​​اروپای مرکزی، نووی ساد (صربستان). نات. خطرات 2018 ، 91 ، 891-911. [ Google Scholar ] [ CrossRef ]
  93. گلتیچ، جی. لهنرت، ام. ساویچ، اس. میلوشویچ، دی. تنوع فصلی بین/درون منطقه ای جزیره گرمایی شهری سطحی بر اساس مناطق آب و هوایی محلی در سه شهر اروپای مرکزی. ساختن. محیط زیست 2019 ، 156 ، 21-32. [ Google Scholar ] [ CrossRef ]
  94. گلتیچ، جی. لهنرت، ام. Dobrovolný، P. مدل‌سازی تغییرپذیری مکانی-زمانی دمای هوا در اقلیم شهری و اعتبارسنجی آن: مطالعه موردی برنو، جمهوری چک. آویزان شد. Geogr. گاو نر 2016 ، 65 ، 169-180. [ Google Scholar ] [ CrossRef ]
  95. گلتیچ، جی. لهنرت، ام. Dobrovolný، P. تفاوت دمای سطح زمین در مناطق آب و هوایی محلی، بر اساس دو شهر اروپای مرکزی. Remote Sens. 2016 , 8 , 788. [ Google Scholar ] [ CrossRef ][ Green Version ]
  96. لهنرت، ام. گلتیچ، جی. دوبروولنی، پ. Jurek, M. تفاوت‌های دما در میان مناطق آب و هوایی محلی که با اندازه‌گیری‌های سیار در دو شهر اروپای مرکزی ایجاد شده‌اند. صعود Res. 2018 ، 75 ، 53-64. [ Google Scholar ] [ CrossRef ]
  97. لهنرتا، م. کوبچک، جی. گلتیچ، جی. جورک، ام. Frajer, J. شناسایی نقاط گرم و خنک در مرکز شهر بر اساس اندازه گیری دوچرخه: مورد اولوموک، جمهوری چک. Geogr. پانونیکا 2018 ، 22 ، 230-240. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  98. گلتیچ، جی. لهنرت، ام. دوبروولنی، پ. Žuvela-Aloise، M. مدل سازی فضایی شاخص های آب و هوای تابستانی بر اساس مناطق آب و هوایی محلی: تغییرات مورد انتظار در آب و هوای آینده برنو، جمهوری چک. صعود چانگ. 2019 ، 152 ، 487-502. [ Google Scholar ] [ CrossRef ]
  99. رودلر، ا. Leduc، T. رویکرد منطقه آب و هوایی محلی در مقیاس های محلی و خرد: تقسیم فضای باز شهری. اقلیم شهری. 2019 ، 28 ، 100457. [ Google Scholar ] [ CrossRef ]
  100. اولیویرا، ا. لوپس، آ. Niza، S. مناطق آب و هوایی محلی در پنج شهر جنوب اروپا: یک روش طبقه بندی مبتنی بر GIS بهبود یافته بر اساس داده های کوپرنیک. اقلیم شهری. 2020 ، 33 ، 100631. [ Google Scholar ] [ CrossRef ]
  101. WUDAPT. پایگاه داده شهری جهان و ابزارهای پورتال دسترسی. در دسترس آنلاین: https://www.wudapt.org/ (دسترسی در 15 دسامبر 2020).
  102. بچتل، بی. الکساندر، پی جی. بونر، جی. چینگ، جی. کنراد، او. فدما، ج. میلز، جی. ببینید، L. استوارت، I. نقشه برداری مناطق آب و هوایی محلی برای پایگاه داده جهانی از شکل و عملکرد شهرها. ISPRS Int. J. Geoinf. 2015 ، 4 ، 199-219. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  103. چینگ، جی. میلز، جی. بچتل، بی. ببینید، L. فدما، ج. وانگ، ایکس. رن، سی. بروسه، او. مارتیلی، آ. نئوفیتو، م. و همکاران WUDAPT: یک زیرساخت مدلسازی آب و هوا، آب و هوا و محیط زیست شهری برای دوره آنتروپوسین. گاو نر صبح. هواشناسی Soc. 2018 ، 99 ، 1907-1924. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  104. کنراد، او. بچتل، بی. بوک، ام. دیتریش، اچ. فیشر، ای. گرلیتز، ال. وهبرگ، جی. ویچمن، وی. Böhner, J. System for Automated Geoscientific Analyses (SAGA) v. 2.1. Geosci. مدل Dev. 2015 ، 8 ، 1991-2007. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  105. Verdonck، M.-L. اوکوجنی، ا. وان در لیندن، اس. دموزیر، م. دی وولف، آر. Van Coillie, F. تأثیر اطلاعات محله بر نقشه برداری ‘منطقه آب و هوایی محلی’ در شهرهای ناهمگن. بین المللی J. Appl. زمین Obs. Geoinf. 2017 ، 62 ، 102-113. [ Google Scholar ] [ CrossRef ]
  106. Verdonck، M.-L. دموزیر، م. هویبرگز، اچ. بک، سی. ساریس، جی. اشنایدر، آ. دیوولف، آر. Van Coillie, F. نقشه های پتانسیل مناطق آب و هوایی محلی به عنوان یک ابزار ارزیابی تنش گرمایی که توسط داده های دمای هوا شبیه سازی شده پشتیبانی می شود. Landsc. طرح شهری. 2018 ، 178 ، 183-197. [ Google Scholar ] [ CrossRef ]
  107. Verdonck، M.-L. دموزیر، م. هویبرگز، اچ. پریم، اف. Van Coillie، F. ارزیابی خطر گرما برای منطقه پایتخت بروکسل تحت سناریوهای مختلف برنامه ریزی شهری و انتشار گازهای گلخانه ای. جی. محیط زیست. مدیریت 2019 ، 249 ، 109210. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  108. ریچارد، ی. امری، جی. دودک، جی. پرگاود، جی. شاتو اسمیت، سی. زیتو، اس. رگا، م. وایرت، تی. کاستل، تی. تیونین، تی. و همکاران مناطق آب و هوایی محلی و مناطق آب و هوایی شهری چقدر برای تحقیقات آب و هوای شهری مرتبط هستند؟ دیژون (فرانسه) به عنوان مطالعه موردی. اقلیم شهری. 2018 ، 26 ، 258-274. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  109. کیو، سی. اشمیت، ام. مو، ال. غمیسی، پ. Zhu، XX تجزیه و تحلیل اهمیت ویژگی برای طبقه بندی منطقه آب و هوایی محلی با استفاده از یک شبکه عصبی کانولوشنال باقیمانده با مجموعه داده های چند منبعی. Remote Sens. 2018 ، 10 ، 1572. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  110. Droste، AM; Heusinkveld، BG; فنر، دی. استینولد، جی. ارزیابی پتانسیل و کاربرد داده‌های باد شهری جمع‌سپاری شده. Meteorol QJR. Soc. 2020 ، 146 ، 2671-2688. [ Google Scholar ] [ CrossRef ]
  111. اسکاربیت، ن. گال، تی. پیش‌بینی اصلاحات درون شهری شاخص‌های آب و هوای شبانه در قرن بیست و یکم. آویزان شد. Geogr. گاو نر 2016 ، 65 ، 181-193. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  112. فنر، دی. مایر، اف. بچتل، بی. اتو، م. Scherer، D. تغییر دمای هوا در داخل و بین «منطقه آب و هوای محلی» که توسط ایستگاه‌های هواشناسی شهروند جمعی در برلین، آلمان مشاهده شد. هواشناسی Z. 2017 ، 26 ، 525-547. [ Google Scholar ] [ CrossRef ]
  113. فنر، دی. هولتمن، ا. مایر، اف. لانگر، آی. Scherer, D. تغییرات متضاد شدت جزیره گرمایی شهری در طول قسمت های هوای گرم. محیط زیست Res. Lett. 2019 ، 14 ، 124013. [ Google Scholar ] [ CrossRef ]
  114. بک، سی. استراوب، آ. برایتنر، اس. ساریس، جی. فیلیپ، ا. راثمان، جی. اشنایدر، آ. ولف، ک. Jacobeit، J. ویژگی های دمای هوا در مناطق آب و هوایی محلی در منطقه شهری آگسبورگ (باواریا، جنوب آلمان) تحت شرایط سینوپتیکی متفاوت. اقلیم شهری. 2018 ، 25 ، 152-166. [ Google Scholar ] [ CrossRef ]
  115. بوکوا، ا. گلتیچ، جی. لهنرت، ام. ژوولا-آلویز، ام. هالوسی، بی. گال، تی. اسکاربیت، ن. دوبروولنی، پ. حاجتو، ام جی; کیلار، آر. و همکاران ارزیابی بار حرارتی در شهرهای اروپای مرکزی با استفاده از مدل آب و هوای شهری و داده‌های نظارت مشاهده‌ای انرژی ساخت. 2019 ، 201 ، 53-69. [ Google Scholar ] [ CrossRef ]
  116. دیان، سی. پونگراچ، آر. دزسو، ز. Bartholy، J. تجزیه و تحلیل سالانه و ماهانه شدت جزیره حرارتی شهری سطحی با توجه به مناطق آب و هوایی محلی در بوداپست. اقلیم شهری. 2020 ، 31 ، 100573. [ Google Scholar ] [ CrossRef ]
  117. فریک، سی. پونگراچ، آر. گال، تی. ساویچ، اس. Unger, J. استفاده از مناطق آب و هوایی محلی برای مقایسه دمای سطحی سنجش از دور در شهرهای معتدل و شهرهای گرم بیابانی. موراو. Geogr. جمهوری 2020 ، 28 ، 48–60. [ Google Scholar ] [ CrossRef ]
  118. راثمان، جی. بک، سی. فلوتورا، اس. سیدرر، ا. اصلان، من. آندره، ای. به سوی کمی سازی تفریحات جنگلی: کاوش فیزیولوژی حرارتی در فضای باز و رفاه انسان در امتداد مسیرهای نمونه در یک جنگل شهری اروپای مرکزی (آگسبورگ، جنوب شرقی آلمان). شهری برای. سبز شهری. 2020 , 49 , 126622. [ Google Scholar ] [ CrossRef ]
  119. ووکویچ، ام. هامربرگ، ک. مهدوی، ع. کاربردهای مدل‌سازی هوای شهری: مطالعه موردی وین. ساختن. شبیه سازی 2019 ، 13 ، 99–111. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  120. بروسه، او. مارتیلی، آ. فولی، ام. میلز، جی. Bechtel، B. WUDAPT، یک ابزار کارآمد داده تولید کاربری زمین برای مدل‌های مقیاس متوسط؟ ادغام LCZ شهری در WRF بیش از مادرید. اقلیم شهری. 2016 ، 17 ، 116-134. [ Google Scholar ] [ CrossRef ]
  121. یو، سی. هان، دی. من، جی. Bechtel, B. مقایسه بین شبکه‌های عصبی کانولوشن و جنگل تصادفی برای طبقه‌بندی مناطق آب و هوایی محلی در مناطق شهری بزرگ با استفاده از تصاویر Landsat. ISPRS J. Photogramm. 2019 ، 157 ، 155-170. [ Google Scholar ] [ CrossRef ]
  122. زوناتو، ا. مارتیلی، آ. دی ساباتینو، اس. زردی، د. جووانینی، ال. ارزیابی عملکرد یک روش جدید میانگین‌گیری WUDAPT برای تعریف مورفولوژی شهری با مدل‌های مقیاس متوسط. اقلیم شهری. 2020 ، 31 ، 100584. [ Google Scholar ] [ CrossRef ]
  123. دانیلو، او. ببینید، L. بچتل، بی. شپاچنکو، دی. Fritz, S. مشارکت در WUDAPT: طبقه بندی منطقه آب و هوایی محلی دو شهر در اوکراین. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2016 ، 9 ، 1841–1853. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  124. غلامی، RM; بک، سی. به سوی تعیین عوامل محرک روابط متغیر LST-LCZ: مطالعه موردی در 25 شهر. Geogr. پانونیکا 2019 ، 23 ، 289–307. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  125. دموزیر، م. بچتل، بی. میلز، جی. قابلیت انتقال جهانی مدل‌های منطقه آب و هوایی محلی. اقلیم شهری. 2019 ، 27 ، 46-63. [ Google Scholar ] [ CrossRef ]
  126. Fonte, CC; لوپس، پی. ببینید، L. Bechtel, B. استفاده از OpenStreetMap (OSM) برای ارتقاء طبقه بندی مناطق آب و هوایی محلی در چارچوب WUDAPT. اقلیم شهری. 2019 ، 28 ، 100456. [ Google Scholar ] [ CrossRef ]
  127. اکسولی، دی. رونچتی، جی. مینگینی، ام. مولیناری، من; لطفیان، م. سونا، جی. Brovelli، MA اندازه‌گیری تأثیر پوشش زمین شهری بر دمای هوا از طریق داده‌های جغرافیایی متعدد – مورد میلان، ایتالیا. ISPRS Int. J. Geoinf. 2018 ، 7 ، 421. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  128. گیس، سی. لیچتل، تی. ورم، م. پلیزاری، PA; استندفوس، آی. زو، XX; بنابراین، E. Siedentop، S. اش، تی. Taubenbock، H. خصوصیات مورفولوژی شهری در منطقه بزرگ – نقشه برداری از ارتفاع و تراکم ساخته شده با استفاده از داده های TanDEM-X و Sentinel-2. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2019 , 12 , 2912–2927. [ Google Scholar ] [ CrossRef ]
  129. کیو، سی. مو، ال. اشمیت، ام. Zhu، XX طبقه بندی پوشش زمین شهری مبتنی بر منطقه آب و هوایی محلی از تصاویر چند فصلی Sentinel-2 با شبکه باقیمانده مکرر. ISPRS J. Photogramm. Remote Sens. 2019 ، 154 ، 151–162. [ Google Scholar ] [ CrossRef ]
  130. روزنتتر، جی. هاگنسیکر، آر. Waske، B. به سمت نقشه برداری در مقیاس بزرگ از مناطق آب و هوایی محلی با استفاده از داده های Sentinel 2 چند زمانی و شبکه های عصبی کانولوشنال. سنسور از راه دور محیط. 2020 , 237 , 111472. [ Google Scholar ] [ CrossRef ]
  131. ونتر، ZS; بروسه، او. عیسو، من. Meier, F. نقشه برداری فرامحلی دمای هوای شهری با استفاده از سنجش از دور و داده های آب و هوای جمع سپاری شده. سنسور از راه دور محیط. 2020 , 242 , 111791. [ Google Scholar ] [ CrossRef ]
  132. هامربرگ، ک. بروسه، او. مارتیلی، آ. مهدوی، ع. مفاهیم استفاده از پارامترهای تاج پوشش شهری دقیق برای مدل‌سازی اقلیم مقیاس متوسط: مقایسه بین پایگاه‌های داده WUDAPT و GIS در وین، اتریش. بین المللی جی. کلیم. 2018 ، 38 ، e1241–e1257. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  133. هیدالگو، جی. دوما، جی. ماسون، وی. پتیت، جی. بچتل، بی. بوچر، ای. فولی، ام. شوتر، آر. میلز، جی. مقایسه بین نقشه‌های مناطق آب و هوایی محلی به دست آمده از مجموعه داده‌های اداری و مشاهدات ماهواره‌ای. اقلیم شهری. 2019 ، 27 ، 64–89. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  134. الکساندر، پی جی. میلز، جی. طبقه بندی آب و هوای محلی و جزیره گرمایی شهری دوبلین. جو 2014 ، 5 ، 755-774. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  135. الکساندر، پی جی. میلز، جی. Fealy، R. استفاده از داده‌های LCZ برای اجرای مدل تعادل انرژی شهری. اقلیم شهری. 2015 ، 13 ، 14-37. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  136. اسکندر، پ. فیلی، آر. میلز، جی. شبیه سازی تاثیر مسیرهای توسعه شهری بر آب و هوای محلی: تحلیلی مبتنی بر سناریو در منطقه بزرگتر دوبلین، ایرلند. Landsc. طرح شهری. 2016 ، 152 ، 72-89. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  137. ویکی، ا. Parlow, E. انتساب مناطق آب و هوایی محلی با استفاده از یک طرح طبقه بندی کاربری زمین/پوشش زمین چند زمانی. J. Appl. Remote Sens. 2017 , 11 , 026001. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  138. ویکی، ا. پارلو، ای. Feigenwinter، C. ارزیابی و مدل‌سازی شدت جزیره گرمایی شهری در بازل، سوئیس. آب و هوا 2018 ، 6 ، 55. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  139. مولنار، جی. Gyöngyösi، AZ; Gál, T. ادغام یک طبقه بندی مبتنی بر LCZ در WRF برای ارزیابی الگوی دمای داخل شهری تحت یک دوره موج گرما در Szeged، مجارستان. نظریه. Appl. صعود 2019 ، 138 ، 1139-1158. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  140. استراوب، آ. برگر، ک. برایتنر، اس. ساریس، جی. Geruschkat، U. ژاکوبیت، جی. کولباخ، بی. کوش، تی. فیلیپ، ا. اشنایدر، آ. و همکاران مدل سازی آماری الگوهای فضایی شدت جزیره گرمایی شهری در محیط شهری آگسبورگ، آلمان. اقلیم شهری. 2019 ، 29 ، 100491. [ Google Scholar ] [ CrossRef ]
  141. فنر، دی. مایر، اف. شرر، دی. Polze، A. تغییرات دمایی فضایی و زمانی در برلین، آلمان، طی سال‌های 2001-2010. اقلیم شهری. 2014 ، 10 ، 308-331. [ Google Scholar ] [ CrossRef ]
  142. ماهاروف، ن. امانوئل، آر. تامسون، سی. سازگاری پارامترهای منطقه آب و هوایی محلی برای طراحی خیابان حساس به اقلیم: تأثیر باز بودن و ویژگی‌های سطحی بر اقلیم محلی. اقلیم شهری. 2020 ، 33 ، 100642. [ Google Scholar ] [ CrossRef ]
  143. Quanz، JA; اولریش، اس. فنر، دی. هولتمن، ا. Eimermacher، J. تغییرپذیری دمای هوا در مقیاس میکرو در یک منطقه آب و هوایی محلی در برلین، آلمان، در طول تابستان. آب و هوا 2018 ، 6 ، 5. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  144. باست، آر. کای، ایکس. چپمن، ال. هیوساید، سی. تورنز، جی. مولر، CL; جوان، DT; وارن، EL مشاهدات فرارفت جزیره گرمایی شهری از یک شبکه نظارتی با چگالی بالا. Meteorol QJR. Soc. 2016 ، 142 ، 2434-2441. [ Google Scholar ] [ CrossRef ]
  145. فنگ، جی. کای، ایکس. چاپمن، L. تاثیر شرایط جوی و سطوح شهرنشینی بر رابطه بین سطح شبانه و جزایر حرارتی تاج‌نشین شهری. Meteorol QJR. Soc. 2019 ، 145 ، 3284–3299. [ Google Scholar ] [ CrossRef ]
  146. لکونت، اف. بویر، جی. کلاوری، آر. Pétrissans، M. استفاده از طرح منطقه آب و هوایی محلی برای ارزیابی UHI: ارزیابی روش با استفاده از اندازه‌گیری‌های سیار. ساختن. محیط زیست 2015 ، 83 ، 39-49. [ Google Scholar ] [ CrossRef ]
  147. لکونت، اف. بویر، جی. کلاوری، آر. Pétrissans، M. تجزیه و تحلیل دمای هوای شبانه در مناطق با استفاده از اندازه‌گیری‌های متحرک و یک نشانگر خنک‌کننده. نظریه. Appl. صعود 2016 ، 130 ، 365-376. [ Google Scholar ] [ CrossRef ]
  148. لکونت، اف. بویر، جی. Claverie, R. Nocturnal cooling in Local Climate Zone: رویکرد آماری با استفاده از اندازه گیری های سیار. اقلیم شهری. 2020 ، 33 ، 100629. [ Google Scholar ] [ CrossRef ]
  149. واترز، اچ. دموزیر، م. بلاهاک، یو. فورتونیاک، ک. مایهو، بی. کمپز، ج. تیلمانز، دی. Van Lipzig، NPM پارامترسازی وابستگی سایبان شهری کارآمد (SURY) v1.0 برای مدل‌سازی جوی: توصیف و کاربرد با مدل COSMO-CLM برای تابستان بلژیک. Geosci. مدل Dev. 2016 ، 9 ، 3027-3054. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  150. آرندز، دی. بونر، جی. Bechtel، B. واریانس مکانی-زمانی و محرک‌های هواشناسی جزیره گرمایی شهری در یک شهر اروپایی. نظریه. Appl. صعود 2017 ، 128 ، 43-61. [ Google Scholar ] [ CrossRef ]
  151. گونسالوس، آ. اورنلاس، جی. ریبیرو، AC؛ مایا، اف. روشا، ا. فلیسیانو، M. جزیره سرد و گرم شهری در شهر براگانسا (پرتغال). آب و هوا 2018 ، 6 ، 70. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  152. مکری، آی. فریدمن، FR; ریورا، ا. لی، ایکس. دو، جی. کروز، آی. رن، سی. درونوا، آی. فراکر، اچ. Bornstein، R. ادغام مدل‌های WUDAPT، WRF، و ENVI-met برای شبیه‌سازی استراتژی‌های کاهش دمای شدید در طول روز در سن خوزه، کالیفرنیا. ساختن. محیط زیست 2020 , 184 , 107180. [ Google Scholar ] [ CrossRef ]
  153. وازکز-جیمنز، آر. رومرو- کالسرادا، آر. راموس-برنال، RN; مغرور-فونز، پی. Novillo, CJ تصحیح توپوگرافی به تصاویر Landsat از طریق طبقه بندی شیب با استفاده از روش SCS + C در مناطق جنگلی کوهستانی. ISPRS Int. J. Geoinf. 2017 ، 6 ، 287. [ Google Scholar ] [ CrossRef ]
  154. بچتل، بی. دموزیر، م. سیسمانیدیس، پ. فنر، دی. بروسه، او. بک، سی. ون کویلی، اف. کنراد، او. کرامیتسوگلو، آی. میدل، ا. و همکاران کیفیت داده‌های جمع‌سپاری شده در مورفولوژی شهری – آزمایش تأثیر انسانی (HUMINEX). علوم شهری 2017 ، 1 ، 15. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  155. کالوستیان، ن. بچتل، ب. منطقه بندی اقلیمی محلی و جزیره گرمایی شهری در بیروت. Procedia Eng. 2016 ، 169 ، 216-223. [ Google Scholar ] [ CrossRef ]
  156. بچتل، بی. ببینید، L. میلز، جی. فولی، ام. طبقه بندی مناطق آب و هوایی محلی با استفاده از داده های SAR و چند طیفی در یک محیط خشک. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2016 , 9 , 3097–3105. [ Google Scholar ] [ CrossRef ]
  157. میلز، جی. بچتل، بی. چینگ، جی. ببینید، L. فدما، ج. فولی، ام. اسکندر، پ. اوکانر، ام. مقدمه ای بر پروژه WUDAPT. در مجموعه مقالات نهمین کنفرانس بین المللی آب و هوای شهری ICUC، تولوز، فرانسه، 20 تا 24 ژوئیه 2015. [ Google Scholar ]
  158. میدل، ا. لوکاشیک، جی. ماسیجوسکی، آر. دموزیر، م. Roth, M. Sky View Factor برای مدل‌سازی آب و هوای شهری. اقلیم شهری. 2018 ، 25 ، 120-134. [ Google Scholar ] [ CrossRef ]
  159. میدل، ا. لوکاشیک، جی. زاکرزوسکی، اس. آرنولد، ام. Maciejewski، R. فرم شهری و ترکیب دره های خیابانی: یک داده های بزرگ انسان محور و رویکرد یادگیری عمیق. Landsc. طرح شهری. 2019 ، 183 ، 122-132. [ Google Scholar ] [ CrossRef ]
  160. خو، ی. رن، سی. ما، پ. هو، جی. وانگ، دبلیو. لاو، KK-L. لین، اچ. Ng، E. تشخیص مورفولوژی شهری و محاسبه برای تحقیقات آب و هوای شهری. Landsc. طرح شهری. 2017 ، 167 ، 212-224. [ Google Scholar ] [ CrossRef ]
  161. کالوستیان، ن. تامینگا، م. Bechtel، B. مناطق آب و هوایی محلی و پاسخ حرارتی سالانه سطح در یک شهر مدیترانه ای. در مجموعه مقالات رویداد مشترک سنجش از دور شهری 2017 (JURSE)، دبی، امارات متحده عربی، 6 تا 8 مارس 2017؛ صص 1-4. [ Google Scholar ]
  162. تویا، دی. موزر، جی. لو ساکس، بی. بچتل، بی. ببینید، L. 2017 مسابقه ادغام داده IEEE GRSS: داده های باز برای طبقه بندی کاربری زمین چندوجهی جهانی [کمیته های فنی]. IEEE Geosci. Remote Sens. 2017 ، 5 ، 70–73. [ Google Scholar ] [ CrossRef ]
  163. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. مور، R. موتور Google Earth: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
  164. وانگ، دی. جیانگ، پی. وانگ، جی. Wang، D. Urban وسعت بارش شدید را در دلتای رودخانه مروارید، چین افزایش می‌دهد. اتمس. علمی Lett. 2015 ، 16 ، 310-317. [ Google Scholar ] [ CrossRef ]
  165. بوریچ، دی. Doderović، M. بارش، رطوبت و ابری در Podgorica (مونته نگرو) در طول دوره 1951-2018. Geogr. پانونیکا 2019 ، 23 ، 233-244. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  166. میلوشویچ، دی. کرسوجا، م. ساویچ، اس. Lužanin، Z. تحلیل درون شهری رطوبت نسبی و همبستگی متقابل آن با دمای هوا در شهر اروپای مرکزی. در مجموعه مقالات دهمین کنفرانس بین المللی اقلیم شهری (ICUC10) با چهاردهمین سمپوزیوم محیط شهری (SUE)، نیویورک، نیویورک، ایالات متحده آمریکا، 6 تا 10 اوت 2018؛ پ. 5. [ Google Scholar ]
  167. شنل، آی. کوهن، پی. ماندل میلچ، ام. Potchter, O. قابل حمل – روش‌های قابل ردیابی برای اندازه‌گیری مواجهه شخصی و مکانی در معرض مزاحمت‌ها در محیط‌های شهری: به سوی یک الگوی مردم‌گرا. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 86 ، 101589. [ Google Scholar ] [ CrossRef ]
  168. میدل، ا. Krayenhoff، تعیین‌کننده‌های ریز هواشناسی ES برای قرار گرفتن در معرض حرارتی عابر پیاده در طول گرمای رکوردشکنی در Tempe، آریزونا: معرفی سکوی رصدی MaRTy. علمی کل محیط. 2019 ، 687 ، 137-151. [ Google Scholar ] [ CrossRef ]
  169. هیدالگو، جی. لیمونسو، ا. ماسون، V. بین پیشرفت و موانع در اقلیم شهری مطالعات میان رشته ای و انتقال دانش به جامعه. ان آکادمی نیویورک علمی 2019 ، 1436 ، 5-18. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  170. باکلانوف، آ. گریموند، سی. کارلسون، دی. تربلانچ، دی. تانگ، ایکس. بوشه، وی. لی، بی. لانگندیک، جی. کولی، ر. Hovsepyan، A. از هواشناسی شهری، تحقیقات آب و هوا و محیط زیست تا خدمات شهری یکپارچه. اقلیم شهری. 2018 ، 23 ، 330-341. [ Google Scholar ] [ CrossRef ]
شکل 1. انواع ساخته شده و پوشش زمین در سیستم طبقه بندی منطقه آب و هوایی محلی (LCZ) استوارت و اوکه [ 33 ]. منبع: استوارت و اوکه [ 33 ].
شکل 2. نمودار جریان فرآیند انتخاب و بررسی ادبیات با استفاده از کلمات کلیدی اولیه و پایگاه داده های WoS/Scopus [ 56 ].
شکل 3. توزیع زمانی مطالعات بر اساس استفاده های روش شناختی و مفهومی طبقه بندی LCZ. (توجه: 2020-مطالعات منتشر شده تا جولای 2020).
شکل 4. تجزیه و تحلیل همزمانی کلمات کلیدی نویسندگان در مقالات منتخب از Scopus ( A ) و WoS ( B ).
شکل 5. گستره جغرافیایی مناطق مورد مطالعه شناسایی شده در اروپا.
شکل 6. توزیع مطالعات با روش های به کار گرفته شده برای تشخیص و تعیین LCZs.
شکل 7. نمودار جریان روش مبتنی بر GIS، پس از Lelovics و همکاران. [ 51 ]. منبع: Unger et al. [ 81 ] (منتشر شده توسط مجارستان بولتن جغرافیایی ، 2014 ، 63 ، 29-41، doi:1-0.1520L/hungeobull.53.1.3 f). توجه: شاخص گیاهی تفاوت نرمال شده NDVI. کسر سطح ساختمان BSF; کسر سطحی غیر قابل نفوذ ISF. PSF-کسر سطح قبلی.
شکل 8. نمودار جریان سطح L0 در روش WUDAPT، همانطور که توسط Bechtel و همکاران ارائه شده است. [ 102 ]. منبع: Bechtel et al. [ 52 ، 102 ].
شکل 9. توزیع مطالعات بررسی شده، مرتب شده بر اساس نوع مجموعه داده/تحلیل مورد استفاده برای الگوهای حرارتی LCZs. توجه: فقط مقالات با تمرکز بر تجزیه و تحلیل حرارتی در نمودار گنجانده شده است (در مجموع 66 مطالعه).

بدون دیدگاه

دیدگاهتان را بنویسید