گرمایش جهانی نگرانی های زیادی را در مورد سازمان های جهانی، گروه های جامعه مدنی، محققان و غیره به خود جلب کرده است زیرا دمای سطح جهان در حال گسترش است. این تحقیق قصد دارد توانایی ترکیبی از شاخص‌های پوشش زمین را برای پیش‌بینی توزیع آینده دمای سطح زمین در فری‌تاون با استفاده از تحلیل مدل چند جمله‌ای ارزیابی و مقایسه کند. تصاویر ماهواره ای لندست در سال های 1988، 1998، 2000، 2010 و 2018 از منطقه متروپولیتن فری تاون برای تجزیه و تحلیل استفاده شد. این تحقیق دو شاخص پوشش زمین، اصلاح شاخص تفاوت آب نرمال شده و شاخص شهری (UI) (مانند MNDWI و UI) را اتخاذ کرده و از یک معادله رگرسیون چندگانه برای پیش‌بینی LST آینده استفاده کرده است. نتایج تحریک نشان می دهد که توسعه با افزایش دمای سطح همراه خواهد بود. به ویژه در منطقه شهری غربی فری تاون. دمای حاکم بر غرب کلان شهر ممکن است در شهر در جایی در محدوده افزایش یابد.از سال 1988 تا 2018. علاوه بر این، نتایج پیش‌بینی LST نشان می‌دهد که مدل کامل است. اکتشافات ما می تواند به عنوان ابزاری مفید برای سیاست گذاران و آگاهی جامعه با ارائه یک مبنای علمی برای برنامه ریزی و مدیریت شهری پایدار معرفی شود.

کلید واژه ها

گرمایش جهانی , دمای سطح زمین , برازش منحنی چند جمله ای , شاخص های پوشش زمین

1. مقدمه

تأثیر جزیره گرمایی شهری (UHI) دمای هوا و سطح زمین (LST) بالاتری را در مناطق شهری در مقایسه با مناطق روستایی فراگیر نشان می‌دهد که توسط سطوح بالای انتشار انرژی نزدیک به سطح، جذب تابش خورشیدی از اجسام زمین و پایین ایجاد می‌شود. نرخ تبخیر و تعرق [ 1]. این در نتیجه شهرنشینی و افزایش جمعیت است. اینها منجر به مهم‌ترین فعالیت‌های انسانی شده و تأثیرات عظیمی بر اکوسیستم در مقیاس محلی، منطقه‌ای و جهانی ایجاد کرده‌اند. این شامل تبدیل سطوح طبیعی زمین به سطوح غیرقابل نفوذ انسانی به دلیل معرفی مواد آلبیدو کم و زیاد است که ممکن است منجر به تغییرات آب و هوایی چشمگیر شود. در نتیجه، اقلیم شهری از دهه‌های گذشته به طور سیستماتیک در حال گرم شدن است. چنین افزایش و گرم شدن گرما را می توان با پیچیدگی های بیوفیزیکی متعدد رفاهی مانند استرس گرمایی، آلودگی هوا و سایر مسائل مربوط به رفاه پذیرفت [ 2 ]. در سال‌های اخیر، مطالعات ثابت کرده‌اند که منطقه توسعه‌یافته و زمین برهنه تأثیر UHI را تسریع می‌کنند، اگرچه فضای سبز و آب شدت UHI را کاهش می‌دهند [ 3 ]] [ 4 ]. بنابراین، مطالعه پیش‌بینی توزیع سطح زمین [ 5 ] ضروری است. این امر در مناطق شهری کشورهای در حال توسعه که افزایش دمای سطح زمین را تجربه می کنند بسیار حیاتی است که ممکن است منجر به اقلیم نامطلوب و عوامل مرتبط شود. مطالعات به چند شهر در آفریقا محدود شده است، به طور عمده در شهر Ikom در نیجریه، شهر هراره در زیمبابوه. به عنوان مثال، Muduako و همکاران، 2016 گزارش کردند که LST در یک منطقه شهری یکی از عوامل مرتبط با افزایش گرمای شهری و گرم شدن میکرو اقلیم در یک شهر است [ 6 ]. موشور و همکاران، 2017 مستند کردند که رشد شهری گرمایش را افزایش می دهد و منجر به دماهای بالای آینده می شود مگر اینکه تلاش های کاهش تقویت شود [ 7 ]]. تا آنجا که ما می‌دانیم، کار کمی برای پیش‌بینی توزیع سطح زمین در فری‌تاون، سیرالئون، و تعیین کمیت دمای سطح زمین انجام شده است. فری تاون یک شهر ساحلی با رشد سریع شهرنشینی است و انتظار می رود چنین عاملی بر افزایش دمای سطح تأثیر بگذارد. چنین مطالعه ای با توجه به کمیت کردن اثرات انبساط بر دمای پایین تر تروپوسفر و در توسعه دانش در مورد پیامدهای رشد بر اقلیم آینده و آسایش حرارتی بر ساکنان شهری حیاتی است. سنجش از دور فضایی از مزیت مشاهده همزمان مناطق بزرگ برخوردار است که امکان تجزیه و تحلیل فضایی و مقایسه مستقیم در فضا را فراهم می کند. ماهواره‌های سنجش از دور مانند لندست مزایای زیادی دارند، از جمله ذخیره‌های بزرگ داده‌های آرشیوی و بهبود مستمر کیفیت داده‌ها در طول زمان. مثلا، لندست داده‌های آرشیوی دارد که قدمت آن به سال 1972 باز می‌گردد، که آن را به یک منبع داده مهم برای تشخیص تغییرات سطح زمین در دوره‌های طولانی تبدیل می‌کند. این مقاله از تصاویر چند طیفی لندست برای پیش‌بینی دمای آینده سطح زمین در شهر فری‌تاون در سیرالئون از سال 2018 تا 2026 استفاده کرد.

2. مواد و روش

2.1. منطقه مطالعه

منطقه مطالعه فری تاون اولین پایتخت سیرالئون است ( شکل 1 ) که بین عرض جغرافیایی 8˚05′ شمالی و 8˚30′ شمالی قرار دارد و بین طول جغرافیایی 12˚50’W و 13˚20’W امتداد دارد. این شهر بندری بزرگ در اقیانوس اطلس است. در واقع شده است

منطقه غربی سیرالئون. فری تاون دارای آب و هوای گرمسیری با فصل بارانی از ماه می تا اکتبر و فصل خشک از نوامبر تا آوریل است. میانگین حداقل دمای سالانه برای فری تاون حدود 23.8 درجه سانتیگراد است، در حالی که میانگین حداکثر دما 29.9 درجه سانتیگراد است. میانگین سالانه حداقل دما [ 8 ]. توپوگرافی فری تاون مواج است. دامنه ارتفاع بین 100 متر تا 700 متر، با شیب بیش از 50 متر از سطح دریا. بادهای غالب عبارتند از بادهای موسمی جنوب غربی در طول فصل مرطوب و هارماتان شمال شرقی، بادهای غبارآلود از صحرای صحرا در طول فصل خشک. مناطق با مرز قرمز (مناطق مطالعه) یک منطقه به سرعت در حال توسعه هستند.

2.2. داده های مورد استفاده

این مطالعه از تصاویر Landsat بدون ابر و تصحیح هندسی از مرکز مشاهده و علم منابع زمین (EROS) از طریق مشاهدهگر تجسم جهانی سازمان زمین‌شناسی ایالات متحده (USGS) استفاده می‌کند. Zone 28 N—Datum World Geodeetic System (WGS) 84 ( جدول 1 ). بسته‌های نرم‌افزاری مختلفی مورد استفاده قرار گرفتند زیرا هر یک در برخی از عملیات مورد نیاز برای این مطالعه قدرت دارند.

2.3. پیش پردازش تصویر

تصاویر ماهواره ای لندست (Landsat 5 TM و Landsat 8 OLI/TIRS) با فایل فراداده (MTL) برای منطقه مورد مطالعه برای ارزیابی دمای سطح زمین (LST) استفاده شد. تصاویر ماهواره ای به دست آمده توسط مجموعه ای از روش های پیش پردازش پردازش می شوند. پیش پردازش در کالیبراسیون رادیومتری ابری، اتمسفرتصحیح (تفریق شی تاریک) با استفاده از Envi 5.3 و تصحیح اعوجاج هندسی. پس از مراحل پیش پردازش، تصاویر ماهواره ای مجدداً با اندازه پیکسل 30 × 30 متر برای همه باندها که شامل باند حرارتی نیز می شود، نمونه برداری می شود. همانطور که قبلاً اشاره شد، نوارهای بازتابی با وضوح گل 30 متر از تصاویر Land-sat به دست آمده از فصول مختلف در یک رکورد چند باندی واحد برای طبقه‌بندی انباشته شدند.

2.4. بازپرداخت LST از اطلاعات موجود در داده های مادون قرمز حرارتی

در تحقیق پیشنهادی، میانگین تصویر مادون قرمز حرارتی حاوی اعداد دیجیتال هر سال از طریق محاسبه 2 تصویر جمع‌آوری‌شده در هر ماه با استفاده از روش‌های مبتنی بر LST که توسط [ 9 ] پیشنهاد شده بود، تجزیه و تحلیل شد. روش پیشنهادی شامل 1) تبدیل داده های اعداد دیجیتال موجود در تصاویر Landsat به درخشندگی، 2) تبدیل تابش به دمای جسم سیاه و 3) دمای بدن سیاه به دلیل روشنایی به دمای سطح زمین (تصحیح انتشار). برگرفته از [ 10 ] نقشه انتشار سطح زمین با استفاده از NDVI محاسبه شد.

2.4.1. تبدیل عدد دیجیتال (DN) به تابش طیفی

همانطور که در معادله شماره نشان داده شده است. 1 که توسط [ 11 ] در نظر گرفته می شود، داده های جمع آوری شده از اعداد دیجیتال به تابش طیفی تبدیل می شوند. داده‌های اعداد دیجیتال از باندهای TIR تصاویر ETM+ و TM5 برای سال‌های جداگانه هستند. سپس با استفاده از معادله شماره. (2) تصاویر مادون قرمز حرارتی Landsat 8 با توجه به استاندارد USGS تغییر شکل دادند.

Lλ=Lدقیقه+Lحداکثر–LدقیقهQ CآLحداکثر– Q CآLدقیقه( D N– Q CآLدقیقه)Lλ=Lmin+Lmax−LminQCALmax−QCALmin(DN−QCALmin)(1)

=مL×سc a l+آL=ML×Qcal+AL(2)

در معادلات (1) و (2)، L _λ نشان دهنده تابش طیفی در W/(m2 ^srμm ) است که توسط حسگر یافت شده از هر پیکسل از تصاویر Landsat بدست می آید. ضرب خاص باند با ML نشان داده می شود و فاکتورهای مقیاس بندی مجدد که از فایل تصویری MTL جمع آوری می شوند، افزودنی هستند و با استفاده از عبارت AL نشان داده می شوند. DN هر تصویر و حداکثر DN با Q _cal و QCAL _max نشان داده می شود. مقدار Qcal و QCAL _max برای Landsat 8 16 بیتی به ترتیب 65535 و برای سایر ماموریت های Landsat 255 است. _حداقل QCAL حداقل DN (0) است. تشعشعات از بالای جو (TOA) به صورت L _max و _Lmin نشان داده می شوند که به QCAL _{max مقیاس می شوند.}و QCAL _دقیقه در W/(m2 ^srμm )، به ترتیب.

2.4.2. محاسبه دمای روشنایی جسم سیاه با استفاده از تابش طیفی

با استفاده از معادله (3) تصاویر تابشی به دمای تشخیص داده شده در جسم سیاه تبدیل شدند [ 12 ].

تیب=ک2ln { (ک1Lλ) +1}Tb=K2ln{(K1Lλ)+1}(3)

در معادله فوق دمای روشنایی در واحد کلوین با استفاده از حسگر که با Tb نشان داده شده است ، تابش طیفی بر حسب W/(m2 ^srμm ₎ با L _λ نشان داده شده و از طریق فایل MTL تصویر، ثابت های کالیبراسیون قبل از راه اندازی در واحد کلوین به دست می آید. اینها به صورت K ₁ و K ₂ نشان داده می شوند. خطا در اندازه گیری دمای سطح می تواند در طول فرآیند اجرا به دلیل تشخیص زمین به عنوان یک جسم سیاه به دلیل روشنایی آن رخ دهد [ 12 ]. برای به حداقل رساندن این مقادیر خطا، تصحیح انتشار برای دستیابی به دمای سطح زمین (LST) از Tb با استفاده از رابطه (4)، [ 13 ] انجام می شود.

2.4.3. بازیابی تابش سطحی (ε)

یک روش آستانه توسط [ 14 ] برای دستیابی به گسیل سطح زمین از روش آستانه آستانه شاخص تفاوت گیاهی (NDVI) پیشنهاد شد. اگر NDVI < 0.2 باشد، پیکسل ها به عنوان زمین بایر شناخته می شوند. تابش این زمین های بایر از ناحیه طیفی قرمز به دست آمده است. اگر NDVI > 0.5 باشد، پیکسل‌ها به‌عنوان زمین‌هایی شناخته می‌شوند که کاملاً با گیاهان یا مزارع کشاورزی پوشیده شده‌اند و مقدار انتشار آن 0.99 برآورد شده است [ 10 ]. هنگامی که مقدار NDVI بین 0.2 تا 0.5 قرار دارد، پیکسل ها به عنوان بخشی از پوشش گیاهی شناخته می شوند. با استفاده از رابطه (4) تابش به دست می آید.

ε =εvپv+εس( 1- _پv) + Δ εε=εvPv+εs(1−Pv)+Δε(4)

جایی که εvεvانتشار پوشش گیاهی، εسεsانتشار سطح خاک است و پvPvبرای بدست آوردن نسبت پوشش گیاهی با استفاده از رابطه (5) محاسبه می شود.

[NDVI –NDVIسNDVIv–NDVIس]2[NDVI−NDVIsNDVIv−NDVIs]2(5)

جایی که NDVIسNDVIsمقدار NDVI خاک خالص است و NDVIvNDVIvمقادیر NDVI پوشش گیاهی خالص است که از تصویر NDVI مشتق شده است. Δ εΔεدر رابطه (7) توزیع سطوح زمین را با توجه به هندسه آن و همچنین بازتاب داخلی آن نشان می دهد. مقدار بازتاب داخلی برای سطوح معمولی و یکنواخت بسیار کم است [ 10 ]. با این حال، مقدار بازتاب داخلی برای سطح ناهموار و ناهمگن 2٪ است. Δ εΔεبا استفاده از معادله محاسبه می شود(6)

( 1- _εس) ( 1 –پv) افεv(1−εs)(1−Pv)Fεv(6)

که در آن ضریب شکل با F نشان داده می شود. مقدار میانگین برای سطوح مختلف زمین با توجه به توزیع آن بر اساس هندسه آن 0.5 در نظر گرفته شده است.

با خلاصه کردن معادله (5) و معادله (6)، معادله نهایی برای محاسبه تخمین انتشار به صورت معادله (7) ارائه شده است.

ε = mپv+ nε=mPv+n(7)

که در آن ضریب m و n به صورت زیر در رابطه (8) محاسبه می شود:

m =εv–εس− ( 1 −εس) افεvm=εv−εs−(1−εs)Fεvو n =εس+ ( 1 –εس) افεvn=εs+(1−εs)Fεv(8)

2.4.4. دمای روشنایی به LST

LST =تیب1 + { λتیب(کρ) ×lnε}LST=Tb1+{λTb(Kρ)×lnε}(9)

در معادله بالا (9)، طول موج تابش ساطع شده (11.5 میکرومتر) [ 11 ] با λ، ρ = hc/σ [ 15 ] نشان داده شده است، K ثابت استفان-بولتزمن، h ثابت پلانک، سرعت نور است. (2.998 × 108 ms ^-1 ) توسط c و گسیل سطح توسط ε. در نهایت، مقادیر LST مشتق‌شده با اضافه کردن صفر مطلق که تقریباً منفی 273.15 درجه سانتی‌گراد است، به واحد درجه سانتی‌گراد (˚C) معمولی تبدیل شد. در نهایت (LST) را همانطور که در شکل 2 نشان داده شده است بازیابی کنید .

2.5. شبیه سازی توزیع LST در فری تاون با استفاده از شاخص های پوشش زمین

2.5.1. شاخص های محاسباتی برای سطوح اراضی مناطق شهری و پوشش گیاهی

جدول 2 شامل شاخص های شهری و شاخص های پوشش گیاهی است. اینها از طریق تعداد دیجیتال باندهای اندازه گیری شده برآورد شدند. همانطور که اخیراً اشاره شد، هدف نهایی بررسی برتری ویژگی‌های یک رابطه با دمای سطح است. علاوه بر این برای درک شاخص‌هایی با بالاترین ظرفیت زمینی برای ارزیابی دمای سطوح مناطق شهری، چند شاخص مورد آزمایش قرار گرفت. شبیه سازی LST با استفاده از برازش منحنی چند جمله ای در شکل 3 نشان داده شده است.

2.5.2. تجزیه و تحلیل همبستگی بین LST و شاخص ها

ارزیابی دمای سطوح زمین با استفاده از عوامل مختلف مستلزم همبستگی بالایی بین متغیرهای پیش‌بینی‌کننده و دمای اندازه‌گیری شده در سطح زمین است، بدون اینکه ارزیابی بین عاملی شاخص‌های ارزیابی کیفیت همبستگی با LST را نشان دهد. شاخص هایی که به طور استثنایی با LST همبستگی دارند برای توسعه یک مدل رگرسیون خطی به منظور تجزیه و تحلیل دمای آینده سطوح زمین انتخاب و اعمال شدند. برای تحلیل رابطه بین شاخص‌های پوشش زمین (به عنوان مثال، UI، MNDWI، NDVI و NDBI) و LST برای هر یک از دوره‌ها، مدل‌های رگرسیون خطی چندگانه طراحی شده‌اند. خروجی‌های تحقیق همبستگی‌های آماری معنی‌داری را نشان می‌دهند که برای یک سال کامل معتبر هستند [ 5]. برای دستیابی به این هدف، شاخص‌های پوشش زمین و مقادیر LST از هر پیکسل در منطقه تعیین‌شده مطالعه برای نوع داده نقطه‌ای منفرد استخراج شد. این نقاط برای کالیبره کردن مدل رگرسیون خطی [ 20 ] مورد استفاده قرار گرفتند. این مدل یک ایده کلی در مورد همبستگی بین شاخص های LST و LULC ارائه می دهد. این درک نسبتاً با آنچه که توسط سایر تحقیقات قبلی نقل شده است [ 21 ] منسجم است.

2.5.3. برازش منحنی چند جمله ای برای پیش بینی شاخص های پوشش زمین کاربری اراضی

شاخص‌های پوشش زمین کاربری برای 1988/12/26، 1998/3/9، 2000/3/2، 2010/22/2 و 2018/2/12 متغیر ورودی در برازش منحنی چند جمله‌ای [ 13 ] برای نگاشت وضعیت آینده شاخص‌ها بودند. برای سال‌های 2010 و 2018، به طور مشابه، شاخص‌های پوشش کاربری اراضی 22.2.2010 و 12.2.2018 در تحلیل برازش منحنی چند جمله‌ای برای پیش‌بینی وضعیت شاخص‌های پوشش اراضی کاربری اراضی در سال 2026 استفاده شد، همانطور که در زیر نشان داده شده است:

⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢متر∑ایکسمن∑ایکس2من⋮∑ایکسnمن∑ایکسمن∑ایکس2من∑ایکس3من⋮∑ایکسn + 1من∑ایکس2من∑ایکس3من∑ایکس4من⋮∑ایکسn + 2من⋯⋯⋯⋱⋯∑ایکسnمن∑ایکسn + 1من∑ایکسn + 2من⋮L ∑ایکس2 nمن⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎡⎣⎢⎢⎢⎢⎢⎢⎢پ1پ2پ3⋮پn + 1⎤⎦⎥⎥⎥⎥⎥⎥⎥=⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢∑yمن∑ایکسمنyمن∑ایکس2منyمن⋮∑ایکسnمنyمن⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥[m∑xi∑xi2⋯∑xin∑xi∑xi2∑xi3⋯∑xin+1∑xi2∑xi3∑xi4⋯∑xin+2⋮⋮⋮⋱⋮∑xin∑xin+1∑xin+2⋯L∑xi2n][p1p2p3⋮pn+1]=[∑yi∑xiyi∑xi2yi⋮∑xinyi]

برازش منحنی بر روی m جفت داده (ایکس1،y1) ، (ایکس2،y2) ، ⋯ ، (ایکسمتر،yمتر)(x1,y1),(x2,y2),⋯,(xm,ym)فرآیندی برای بدست آوردن رگرسیون چند جمله ای بین دو جفت به شرح زیر است: p ( x ) =پ1ایکسn+پ2ایکسn – 1+ ⋯ +پnx +پn + 1p(x)=P1xn+P2xn−1+⋯+Pnx+Pn+1; جایی که، p ( x )p(x)برازش منحنی جفت داده است. پ1،پ2، ⋯ ،پn + 1p1,p2,⋯,pn+1متغیرهای مدل هستند و ایکس1، ⋯ ،ایکسnx1,⋯,xnn متغیر ورودی هستند. این متغیرهای ورودی به داده های احتمالی موجود در سراسر وابستگی دارند. در مطالعه حاضر، پارامترهای مجهول با استفاده از روش حداقل مربعات یافت می شوند. در نهایت، پیش‌بینی‌های شاخص‌های پوشش زمین کاربری زمین به توزیع دمای سطح زمین برای سال‌های 2010، 2018 و 2026 در همان فصول از طریق توابع تحلیل رگرسیون خطی چندگانه تبدیل شدند.

2.5.4. ارزیابی دقت پیش‌بینی برای LST

روش پیشنهادی برای پیش‌بینی دمای سطوح زمین برای سال 1395 اعمال می‌شود و میزان دقت آن در پیش‌بینی از طریق میانگین درصد مطلق خطا اندازه‌گیری شد. [MAPE] – معادله (10) – (Owen, Carlson et al. 1998).

MAPE %=1ن∑نi = 1| (تیپیش بینی کرد–تیمشاهده شده) /تیمشاهده شده| ∗100MAPE%=1N∑i=1N|(Tpredicted−Tobserved)/Tobserved|∗100(10)

که در آن: دمای سطح مدل شده و دمای واقعی سطح زمین ثبت شده از داده های Landsat برای پیکسل یکم با T _{پیش بینی شده} و T _{مشاهده شده} نشان داده می شود . ریشه میانگین مربعات خطا و سهمیه RMSE/std نیز می تواند به عنوان معیاری برای محاسبه دقت مدل پیش بینی در پیش بینی دما در نظر گرفته شود. پس از ارزیابی دقت، توزیع دمای سطح زمین برای دوره از سال 2026 با استفاده از مدل پیش‌بینی پیدا می‌شود.

3. نتایج و بحث

3.1. نظارت و ارزیابی تغییرات LST

نقشه های LST شهر آزاد در سال های 1988، 1998، 2000، 2010 و 2018 در شکل 3 نشان داده شده است و آمار توصیفی مقادیر LST بازیابی شده در جدول 3 خلاصه شده است. در 12/12/1988، LST از 17.11 درجه سانتیگراد تا 30.83 درجه سانتیگراد با میانگین 21.23 درجه سانتیگراد، در 09.3.1998، LST از 17.93 درجه سانتیگراد تا 31.72 درجه سانتیگراد با میانگین 23.9 درجه سانتیگراد بود. در 03.2.2000، LST از 18.38 درجه سانتیگراد تا 32.05 درجه سانتیگراد با میانگین 23.28 درجه سانتیگراد متغیر بود. در سال 2010، LST از 20.6 درجه سانتی گراد تا 33.5 درجه سانتی گراد با میانگین 25.25 درجه سانتی گراد متغیر بود. در سال 2018، LST از 20.61 درجه سانتیگراد تا 34.51 درجه سانتیگراد با میانگین 26.72 درجه سانتیگراد متغیر بود. از این داده ها، بیشترین LST در سال 2018 و کمترین LST در سال 1988 بود. LST به دلیل توسعه فعالیت های انسانی و تغییرات آب و هوایی از سالی به سال دیگر افزایش یافت. سطوح بالای LST در بخش‌های شمالی متمرکز بود

منطقه مورد مطالعه هنگامی که دمای سطح افزایش می یابد، مقدار NDVI کاهش می یابد. این رایج ترین رفتاری است که در علفزارها و مناطق کم پوشش گیاهی یافت می شود.

3.2. بازیابی دمای سطح از شاخص های کاربری اراضی پوشش زمین

این تکنیک استفاده از پیش‌بینی دما برای تخمین الگوی LST برای مدل‌سازی و تخمین UHI یکی از این کمک‌های این مطالعه است. همانطور که در جدول 4 و شکل 4 ارائه شده است ، برای تجزیه و تحلیل برازش منحنی چند جمله ای توزیع دمای سطح زمین، شاخص شهری (UI) و اصلاح شاخص تفاوت نرمال شده آب (MNDWI) به عنوان پیش بینی کننده ها انتخاب شدند [ 5 ]. مدل رگرسیون بر روی اطلاعات مستقل Landsat که در فوریه 2010 و فوریه 2018 به دست آمد آزمایش شد و مدل تقریباً شبیه الگوهای دما بود ( شکل 5 ، شکل 6).). بر اساس اطلاعات به دست آمده از لندست مستقل در سال 2018 مدل رگرسیون مورد آزمایش قرار گرفت. دمای بازخرید شده از UI و MNDWI بر اساس رابطه مستقیم آنها با اطلاعات مادون قرمز حرارتی (باند 10) Landsat 8. بر اساس نمونه های 161 نقطه ای در منطقه بازرسی شده، UI و MNDWI دمای سطح را با صحت پیشرفته پیش بینی کردند (میانگین درصد نرخ نسبی 5.88٪). و 4.41% با ریشه میانگین مربعات خطا 1.61˚C، 1.31˚C و جیره RMSE/std برای سالهای 2010 و 2018 به ترتیب 0.5 و 0.44 است.

3.3. توزیع دمای پیش بینی شده در فری تاون تا سال 2026

الگوهای افزایش دما مشاهده شده بین سال های 2000 و 2018 ممکن است تا سال 2026 ادامه داشته باشد ( جدول 5 ) و شکل 7. پیش‌بینی می‌شد دامنه طبقه‌بندی دمای بالا (بیشتر از 35 درجه سانتی گراد) به ضرر کلاس‌های دمای پایین افزایش یابد. با توجه به مقادیر LST، مقادیر پیش‌بینی‌شده در سال 2026 بیشتر از مقدار شبیه‌سازی‌شده در سال 2018 بود. با این حال، در پیش‌بینی‌ها برای مناطق جنوب شرقی که مناطق مسکونی با تراکم کم یافت می‌شوند نسبتاً خنک‌تر از مناطق شمال شرقی که در آن مناطق مسکونی با تراکم بالا یافت می‌شود. مناطق یافت می شود. پیش‌بینی‌ها نشان می‌دهد که دمای سطح زمین زیر 32 درجه سانتی‌گراد احتمالاً در نیمه شمالی، جایی که مسکونی با تراکم کم و متوسط ​​یافت می‌شود، معمول خواهد ماند. علاوه بر این، انتظار می رود که الگوهای توسعه مشاهده شده بین سال های 2000 و 2018 دوام داشته باشد، گسترش مناطق ساخته شده با تراکم بالا باعث ایجاد دمای بالای سطح (بیش از 35 درجه سانتیگراد) در مناطق شرقی، مانند مناطق مسکونی با تراکم بالا خواهد شد.

4. نتیجه گیری و چشم انداز

هدف این تحقیق پیش‌بینی توزیع آینده دمای سطح زمین در فری‌تاون با استفاده از تحلیل برازش منحنی چند جمله‌ای است. این تحقیق از دو شاخص پوشش زمین (مانند MNDWI و UI) استفاده کرد و یک معادله رگرسیون چندگانه را برای پیش‌بینی LST آینده پیاده‌سازی کرد. ما اعلام می کنیم که شاخص شهری (UI) و (MNDWI) دمای سطح را با دقت بالا پیش بینی کرده اند (میانگین درصد نرخ نسبی 5.88٪، 4.41٪، و ریشه میانگین مربع خطا 1.63˚C، 1.31˚C، و جیره RMSE/std 0.5 است. و 0.44 برای سال های 2010 و 2018). توسعه توسعه شهری با افزایش دمای سطح، به ویژه در منطقه شهری غربی فری تاون همراه خواهد بود. دمای حاکم بر منطقه شهری غرب ممکن است بین سال‌های 2000 و 2018 در شهر افزایش یابد، ممکن است تا سال 2026 ادامه یابد. به عنوان مثال، عوامل مختلف، مانند رویه‌های کاهش موثر و تغییرات در سیاست‌های توسعه شهر، می‌تواند بر الگوهای دمای سطح تأثیر بگذارد. به طور کلی، اکتشافات این مطالعه بر اهمیت اطلاعات ماهواره‌ای با وضوح متوسط ​​در پیش‌بینی دمای سطح آینده در محیط‌های شهری تأکید می‌کند. با این حال، نیاز به مطالعات آینده برای بررسی امکان‌سنجی این روش‌ها و تکنیک‌ها در سطوح فضایی ملی یا منطقه‌ای وجود دارد.

منابع

[ 1 ]	بویانتویف، A. و وو، جی (2010) جزایر گرمایی شهری و ناهمگونی منظر: ارتباط تغییرات مکانی-زمانی در دمای سطح به پوشش زمین و الگوهای اجتماعی-اقتصادی. بوم شناسی منظر، 25، 17-33. https://doi.org/10.1007/s10980-009-9402-4
[ 2 ]	Ikechukwu، M.، و همکاران. (2016) پیش بینی تغییرات دمای سطح زمین (LST) در شهر Ikon در نیجریه با استفاده از شبکه عصبی مصنوعی (ANN). مجله بین المللی کاربردهای سنجش از دور، 6، 96-107. https://doi.org/10.14355/ijrsa.2016.06.010
[ 3 ]	امیری، ر.، و همکاران. (1388) دینامیک مکانی- زمانی دمای سطح زمین در رابطه با پوشش گیاهی جزئی و کاربری/پوشش زمین در ناحیه شهری تبریز، ایران. سنجش از دور محیط زیست، 113، 2606-2617. https://doi.org/10.1016/j.rse.2009.07.021
[ 4 ]	سانگ، ج.، و همکاران. (2014) روابط بین ترکیبات منظر و دمای سطح زمین: کمی کردن حساسیت وضوح آنها با مدل های رگرسیون فضایی. منظر و شهرسازی، 123، 145-157. https://doi.org/10.1016/j.landurbplan.2013.11.014
[ 5 ]	مصطفی، EK، و همکاران. (2019) شبیه سازی دینامیک کاربری زمین و تأثیر آن بر دمای سطح زمین با استفاده از داده های ماهواره ای. جئوژورنال، 1-19. https://doi.org/10.1007/s10708-019-10115-0
[ 6 ]	Maduako, I., Yun, Z. and Patrick, B. (2016) شبیه سازی و پیش بینی دینامیک دمای سطح زمین (LST) در شهر Ikom در نیجریه با استفاده از شبکه عصبی مصنوعی (ANN). مجله سنجش از دور و GIS، 5، 158.
[ 7 ]	Mushore، TD، و همکاران. (2017) پیش‌بینی دمای سطح شهری آینده با استفاده از داده‌های ماهواره‌ای با وضوح متوسط ​​در شهر هراره، زیمبابوه. ساختمان و محیط زیست، 122، 397-410. https://doi.org/10.1016/j.buildenv.2017.06.033
[ 8 ]	Tarawally، M.، و همکاران. (2018) تجزیه و تحلیل مقایسه ای پاسخ های دمای سطح زمین به تغییرات کاربری/پوشش طولانی مدت زمین بین یک شهر ساحلی و داخلی: موردی از فری تاون و شهر بو در سیرالئون. سنجش از دور، 10، 112. https://doi.org/10.3390/rs10010112
[ 9 ]	Weng, Q., Lu, D. and Schubring, J. (2004) تخمین رابطه دمای سطح زمین- فراوانی گیاهی برای مطالعات جزیره گرمایی شهری. سنجش از دور محیط زیست، 89، 467-483. https://doi.org/10.1016/j.rse.2003.11.005
[ 10 ]	Sobrino، JA، Jiménez-Muñoz، JC and Paolini، L. (2004) بازیابی دمای سطح زمین از LANDSAT TM 5. سنجش از دور محیط، 90، 434-440. https://doi.org/10.1016/j.rse.2004.02.003
[ 11 ]	Markham، BL (1986) لندست MSS و TM پس از کالیبراسیون محدوده دینامیکی، بازتاب های اتمسفری برون و دمای در ماهواره. نکات فنی لندست، 1، 3-8.
[ 12 ]	Weng, Q. (2001) سنجش از دور؟ ارزیابی GIS گسترش شهری و تأثیر آن بر دمای سطح در دلتای ژوجیانگ، چین. مجله بین المللی سنجش از دور، 22، 1999-2014. https://doi.org/10.1080/01431160152043676
[ 13 ]	Nichol, JE (1994) رویکردی مبتنی بر GIS برای نظارت بر اقلیم کوچک در مجتمع‌های مسکونی مرتفع سنگاپور. مهندسی فتوگرامتری و سنجش از دور، 60، 1225-1232.
[ 14 ]	Sobrino, J., Caselles, V. and Becker, F. (1990) اهمیت اندازه گیری های مادون قرمز حرارتی سنجش از دور بدست آمده در باغ مرکبات. ISPRS مجله فتوگرامتری و سنجش از دور، 44، 343-354. https://doi.org/10.1016/0924-2716(90)90077-O
[ 15 ]	Stone, B., Hess, JJ and Frumkin, H. (2010) فرم شهری و رویدادهای گرمای شدید: آیا شهرهای پراکنده نسبت به تغییرات آب و هوایی آسیب پذیرتر از شهرهای فشرده هستند؟ چشم انداز بهداشت محیطی، 118، 1425-1428. https://doi.org/10.1289/ehp.0901879
[ 16 ]	Zha, Y., Gao, J. and Ni, S. (2003) استفاده از شاخص ایجاد شده با تفاوت عادی در نقشه برداری خودکار مناطق شهری از تصاویر TM. مجله بین المللی سنجش از دور، 24، 583-594. https://doi.org/10.1080/01431160304987
[ 17 ]	Kawamura, M., Jayamana, S. and Tsujiko, Y. (1996) رابطه بین شرایط اجتماعی و محیطی در کلمبو سریلانکا و شاخص شهری برآورد شده توسط داده های سنجش از دور ماهواره ای. آرشیو بین المللی فتوگرامتری و سنجش مجدد، 31، 321-326.
[ 18 ]	Tucker, CJ (1979) ترکیبات خطی مادون قرمز قرمز و عکاسی برای نظارت بر پوشش گیاهی. سنجش از دور محیط، 8، 127-150. https://doi.org/10.1016/0034-4257(79)90013-0
[ 19 ]	Gutman, G. and Ignatov, A. (1998) استخراج کسر پوشش گیاهی سبز از داده های NOAA/AVHRR برای استفاده در مدل های عددی پیش بینی آب و هوا. مجله بین المللی سنجش از دور، 19، 1533-1543. https://doi.org/10.1080/014311698215333
[ 20 ]	Kumar, D. and Shekhar, S. (2015) تجزیه و تحلیل آماری رابطه بین شاخص‌های دمای سطح زمین و پوشش گیاهی از طریق سنجش از دور حرارتی. اکوتوکسیکولوژی و ایمنی محیطی، 121، 39-44. https://doi.org/10.1016/j.ecoenv.2015.07.004
[ 21 ]	لیو، ال و ژانگ، ی. (2011) تجزیه و تحلیل جزیره گرمایی شهری با استفاده از داده های Landsat TM و داده های ASTER: مطالعه موردی در هنگ کنگ. سنجش از دور، 3، 1535-1552. https://doi.org/10.3390/rs3071535