جزایر گرمایی شهری (UHIs) مصرف انرژی شهرها را افزایش داده و بر سلامت ساکنان آن تأثیر می گذارد. با توجه به همبستگی بین مصرف انرژی و سلامت و تغییرات UHI مشاهده شده در سطح محلی در لایه تاج پوشش، دمای سطح زمین حاصل از ماهواره (LSTs) ممکن است برای ارائه اطلاعات جامع در مورد این اثرات مضر ناکافی باشد. برای اینکه هم دمای LST و هم دمای هوا به صورت فضایی و پیوسته جمع‌آوری شوند و برای اینکه فرآیند مقرون به صرفه باشد، سنسورهای دما و رطوبت روی زمین باید به صورت استراتژیک قرار داده شوند. این مطالعه یک استراتژی برای قرار دادن حسگرهای روی زمین پیشنهاد می‌کند که از تغییرات مکانی عوامل قابل اندازه‌گیری مرتبط با UHI (به عنوان مثال، تغییرات فصلی در LSTs، سرعت باد، جهت باد، لختی، و مناطق آب و هوایی محلی) استفاده می‌کند. امکان اندازه گیری مداوم UHI در لایه سایبان. به عنوان یک شهر نماینده، پونا، هند، برای نشان دادن نحوه توزیع حسگرها بر اساس تغییرپذیری فضایی متغیرهای مرتبط با UHI استفاده شد. روش پیشنهادی ممکن است برای هر شهری که نیاز به مشاهدات سطح محلی UHI دارد، بدون توجه به منطقه آب و هوایی مفید باشد. علاوه بر این، ما قرار دادن حسگرهای فناوری کم‌هزینه را که از فناوری LoRaWAN برای این منظور استفاده می‌کنند، ارزیابی می‌کنیم تا بر مشکل هزینه‌های بالای مرتبط با ایستگاه‌های هواشناسی سنتی در محل غلبه کنیم. روش پیشنهادی ممکن است برای هر شهری که نیاز به مشاهدات سطح محلی UHI دارد، بدون توجه به منطقه آب و هوایی مفید باشد. علاوه بر این، ما قرار دادن حسگرهای فناوری کم‌هزینه را که از فناوری LoRaWAN برای این منظور استفاده می‌کنند، ارزیابی می‌کنیم تا بر مشکل هزینه‌های بالای مرتبط با ایستگاه‌های هواشناسی سنتی در محل غلبه کنیم. روش پیشنهادی ممکن است برای هر شهری که نیاز به مشاهدات سطح محلی UHI دارد، بدون توجه به منطقه آب و هوایی مفید باشد. علاوه بر این، ما قرار دادن حسگرهای فناوری کم‌هزینه را که از فناوری LoRaWAN برای این منظور استفاده می‌کنند، ارزیابی می‌کنیم تا بر مشکل هزینه‌های بالای مرتبط با ایستگاه‌های هواشناسی سنتی در محل غلبه کنیم.

کلید واژه ها:

قرار دادن سنسور روی زمین ؛ جزیره گرمایی شهری ; دمای سطح زمین ؛ مناطق آب و هوایی محلی

1. مقدمه

جزیره گرمایی شهری (UHI) پدیده‌ای است که بر اساس آن هسته شهری شهرها گرمتر از مناطق روستایی اطراف، به ویژه در شب، نشان داده شده است [ 1 ، 2 ]. علاوه بر این، از آنجایی که شهرهای کشورهای در حال توسعه (از جمله شهرهای هند) رشد سریعی را تجربه می کنند [ 3 ]، پدیده UHI سایر اثرات مخرب محیطی مانند موج گرمای پایدار، افزایش مصرف انرژی و بیماری های تنفسی را تشدید خواهد کرد [ 4 ، 5 ، 6 ]. در واقع، شدت UHI، همانطور که توسط اختلاف پیک بین دما در هسته شهری و حاشیه روستایی تعریف می‌شود، ارتباط معنی‌داری با تراکم جمعیت نشان می‌دهد [ 7 ]]. این به این دلیل است که اثر UHI در درجه اول از شهرنشینی ناشی می شود، زمانی که سطوح طبیعی (پوشش گیاهی، چمن و زمین های باز) با سطوح ساخت بشر (آسفالت، سیمان و بتن) جایگزین می شوند [ 8 ، 9 ، 10 ]. این سطوح ساخته شده توسط انسان، تشعشعات خورشیدی موج کوتاه بیشتری را نسبت به سطوح طبیعی جذب می‌کنند و تشعشعات امواج بلند بالاتری را ساطع می‌کنند و در نتیجه دمای هوا و سطح را افزایش می‌دهند. علاوه بر این، توسعه دره های شهری و گرمای انسانی نیز به افزایش سطح UHI ها کمک می کند [ 11 ]. در حالی که افزایش شدت UHI پیش‌بینی می‌شود، روش‌هایی که می‌توان برای اندازه‌گیری آن استفاده کرد هنوز در مرحله تأیید هستند.
بر اساس روش اندازه گیری استفاده شده و ارتفاع اندازه گیری، سه زیرمجموعه اصلی UHI وجود دارد: سطح UHI (SUHI)، لایه سایبان UHI (UHI_CL)، و لایه مرزی UHI (UHI_BL). داده های سنجش از دور حرارتی برای تعیین SUHI با استفاده از اندازه گیری دمای سطح زمین استفاده می شود. این اطلاعات در مورد تفاوت دمای “پوست” سطوح در مناطق شهری در مقابل روستایی ارائه می دهد. با کمک ایستگاه‌های هواشناسی یا حسگرهای دمای زمین، UHI_CL از دمای هوای محیط در لایه‌های سایه‌بان مناطق شهری و روستایی محاسبه می‌شود. UHI_BL دمای هوا را فراتر از لایه سایبان نشان می دهد و می تواند با استفاده از فناوری تشخیص نور و محدوده طیفی بالا (LIDAR) اندازه گیری شود [ 12 ]]. برای این مطالعه، UHI_BL عامل مهمی نبود.
SUHI به دلیل در دسترس بودن داده‌های حرارتی از حسگرهایی مانند Landsat، طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS) و رادیومتر تابش و انعکاس حرارتی پیشرفته (ASTER) [ 13 ، 14 ، 15 ، 16 ] به طور گسترده مورد مطالعه قرار گرفته است.]. علاوه بر این، این حسگرها برای مشاهده تغییرات در مناطق شهری و UHI در طول سال‌ها، و اندازه‌گیری وسعت آن‌ها، و همچنین برای ترکیب تنوع بین سالانه و فصلی استفاده شده‌اند. یکی از ملاحظات مهم این است که اکثر این مطالعات از داده‌های ماهواره‌های Landsat استفاده می‌کنند، که عمدتاً SUHI‌های روزانه را نشان می‌دهند که همبستگی با UHI_CLs ضعیف است. بنابراین، برای مطالعه خود، به داده‌های SUHI در روز و شب به‌دست‌آمده از ماهواره‌های MODIS تکیه می‌کنیم.
علاوه بر این، مشاهدات حرارتی مشتق شده از ماهواره، پدیده UHI را به عنوان یک فرآیند دو بعدی (2 بعدی) ارائه می‌کند. با این حال، هنگامی که UHI_CL ها را در نظر می گیریم، عوامل دیگری وارد بازی می شوند که نیازمند در نظر گرفتن فاکتورهای سه بعدی (3D) در کار در یک شهر هستند. همانطور که ژو و همکاران اشاره کردند. [ 17 ]، SUHI قابل مقایسه با UHI_CL نیست، زیرا اصول مشاهده و ارتفاعات بسیار متفاوت است. بنابراین، به جای تکیه بر داده های ماهواره ای به تنهایی، UHI_CL به طور سنتی با استفاده از ایستگاه های هواشناسی ثابت یا سیار مورد مطالعه قرار می گیرد [ 18 ]. به عنوان مثال، رابطه بین دره های شهری و اثر جزیره گرمایی شهری قبلا نشان داده شده است [ 8]، با تاکید بر هندسه شهری سه بعدی که مسئول تشکیل و گسترش UHI_CL از طریق توسعه شهری است. مطالعات دیگر نشان داده اند که عامل “نمای آسمان” با افزایش جذب تشعشعات موج کوتاه و همچنین کاهش سرعت باد مرتبط است [ 9 ]. این مطالعات نقش باد را در انتقال تابش امواج بلند تصدیق کرده اند. بنابراین، عوامل سه بعدی، مانند هندسه شهری، سرعت باد و جهت باد، همه به طور ذاتی با اثر UHI مرتبط هستند و منجر به تغییرات در UHI_CL می‌شوند. این امر در مفهوم مناطق آب و هوایی محلی مشهود است، که بر شباهت مناطق از نظر کاربری محلی، نوع محیط ساخته شده و تعداد مناطق پوشش گیاهی با الگوهای UHI_CL مشابه تأکید دارد [ 19 ].]. بنابراین، UHI_CL را فقط می توان از طریق سنسورهای دمای هوا که به صورت استراتژیک قرار گرفته اند مشاهده کرد.
علیرغم گسترش سریع شهرها در کشورهای در حال توسعه، اکثر ایستگاه های هواشناسی پراکنده هستند و بر اساس راحتی توزیع شده اند و پارامترهای مرتبط با UHI_CL را به اندازه کافی در سطح شهر اندازه گیری نمی کنند. در نتیجه، آنها قادر به ارائه داده هایی نیستند که تغییرات فضایی در UHI_CL را در مقیاس محلی نشان دهد [ 20 ]]. این موضوع در چند مطالعه، که بر روی استقرار شبکه‌های حسگر هواشناسی شهری تمرکز دارد، پرداخته شده است. به عنوان مثال، سه سطح از نظارت شهری توسط سازمان جهانی هواشناسی (WMO) پیشنهاد شده است که عبارتند از: مقیاس کوچک (سطوح فردی)، مقیاس محلی (محله‌ها)، و مقیاس متوسط ​​(مقیاس شهر). این سازمان علاوه بر این دستورالعمل‌های خاصی را ارائه می‌کند، که در آن یک حسگر باید در مکانی در لایه سایه‌بان شهری قرار گیرد که با شرایط متوسط ​​یا معمولی برای زمین شهری در ارتفاعی مشابه آنچه در مکان‌های غیر شهری استفاده می‌شود، احاطه شده است. این فرض را بر این می‌گذارد که اختلاط ناشی از جریان اطراف موانع برای ترکیب خواص برای تشکیل یک میانگین لایه تاج شهری در مقیاس محلی کافی است [ 21 ].
علاوه بر این، دستورالعمل ها همچنین طبقه بندی مناطق آب و هوایی شهری را برای انتخاب مکان های معرف و میکرو اقلیم برای سنسورها مشخص می کند. این مناطق شبیه به مناطق آب و هوایی محلی هستند، اما بر اساس زبری، نسبت ابعاد و درصد اندازه‌گیری‌های ساخته شده یا نفوذناپذیری طبقه‌بندی می‌شوند. در نتیجه، این دستورالعمل‌ها اساس مشاهدات شهری در سطح محلی را تشکیل می‌دهند، اما استخراج آنها بدون کار میدانی دقیق امکان‌پذیر نیست. الزامات ابزار دقیق نیز نیاز به حسگرهایی دارد که معادل ایستگاه‌های هواشناسی استاندارد هستند، که یک پیشنهاد گران قیمت است [ 21 ].
مولر و همکاران [ 22] مطالعات متعدد مربوط به شبکه های هواشناسی شهری را که از دستورالعمل های WMO پیروی می کردند، مرور کرد. برای درک بهتر شرایط ریزاقلیمی در مناطق شهری، دستورالعمل ها بر اهمیت مشاهدات متراکم و نماینده فضایی تأکید کردند. همانطور که این مطالعه شبکه‌های مشاهده عملکردی موجود را بررسی می‌کرد، اشاره کرد که آنها در مقیاس، از محلی تا جهانی متفاوت هستند. در سطح محلی، تنها شهر اوکلاهاما دارای یک شبکه کاربردی بود، در حالی که سایر مناطق شهری به دلایل مختلف قادر به حفظ شبکه نبودند. آنها سه معیار اصلی را به عنوان مهم برای استقرار و نگهداری موفق این شبکه ها شناسایی کردند: (1) مکان (سایت های مناسب و ایمن). (2) ارتباطات (ارتباط داده – بی سیم، LAN، رادیو). و (3) انرژی/قدرت (برای حسگرها). این مقاله همچنین بر این واقعیت تأکید کرد که هزینه سنسورها عاملی است که تعداد سنسورهای مورد استفاده را محدود می کند. علاوه بر این، هنگامی که سنسورها مستقر می شوند، مسائل امنیتی به طور مستقیم با هزینه مرتبط است.
دو رویکرد برای قرار دادن حسگرها استفاده شده است [ 23 ، 24 ]. یکی از رویکردها، روش قرار دادن فرش است که کل منطقه مورد مطالعه را پوشش می‌دهد و به صراحت از محدودیت‌های محدوده پیروی می‌کند [ 23 ]. رویکرد دیگر مبتنی بر تعیین مسیر کمترین مقاومت برای سیگنال با استفاده از اطلاعات مشتق از شیب و موانع محیطی است [ 24 ]. روش ها و ابزارهای ریاضی مانند نمودار ورونوی برای تعیین فضای خالی در محل فرش برای استراتژی قرار دادن متراکم تر و رفع حفره استفاده شده است [ 25 ]. جدای از رویکردهای ریاضی و فنی، اسمولیاک و همکاران. [ 26] بر اساس تجربه و درک شخصی، از کمک داوطلبان برای قرار دادن 200 حسگر در منطقه شهری دوقلو، با مساحت 5000 کیلومتر مربع ، در مناطق شهری و همچنین حومه شهری استفاده کرد. در حالی که این رویکرد جالب است، نمی توان آن را به راحتی در سایر حوزه های مطالعاتی اعمال کرد.
در بمبئی، هند، اخیراً مطالعه ای برای تعیین تعداد بهینه سنسورهای هواشناسی انجام شد [ 27 ]]. هدف از این مطالعه تعیین این بود که آیا تمام 35 ایستگاه هواشناسی خودکار در منطقه ضروری هستند یا اینکه تعداد کمتری از حسگرها برای به دست آوردن تنوع مکانی-زمانی مشابه در پارامترهای آب‌وهواشناسی مربوطه کافی است. با تجزیه و تحلیل داده های تولید شده از 35 حسگر موجود، آن ها تجزیه و تحلیل مؤلفه های اصلی و تکنیک اولویت ترتیب بر اساس شباهت را برای رسیدن به یک راه حل ایده آل انجام دادند. تنها با استفاده از 22 ایستگاه خودکار هواشناسی، محققان توانستند مناطق خطر یک رودخانه در بمبئی را پیش‌بینی کنند و در نتیجه مکان‌های بهینه حسگرها را با رتبه‌بندی آنها به عنوان ضروری یا اختیاری نشان دهند.
ارتباط ویژه با مطالعه حاضر، طبقه بندی مناطق آب و هوایی محلی است که برای گروه بندی تغییرات SUHI مشاهده شده از حسگرهای حرارتی مبتنی بر ماهواره و برای ارتباط با داده های سنسور دمای هوای روی زمین استفاده شده است [ 28 ، 29 ]]. با این حال، تا کنون هیچ مطالعه ای روش خاصی را برای قرار دادن حسگر کم هزینه که از فناوری LoRaWAN استفاده می کند، ایجاد نکرده است. واضح است که برای تخمین صحیح شدت UHI_CL با تعداد محدودی سنسور، باید تلاش کرد تا اطمینان حاصل شود که حسگرهای دمای هوای زمینی به شیوه ای بهینه و از نظر فضایی معرف قرار می گیرند. این مطالعه پیشنهاد می‌کند که حسگرهای روی زمین را می‌توان با استفاده از رویکرد دو عاملی قرار داد. یکی از رویکردها، تنوع مکانی عوامل مرتبط با UHI را که از طریق چهار پارامتر زیر تخمین زده می‌شود، در نظر می‌گیرد: (الف) مناطق آب و هوایی محلی که نشان‌دهنده کلاس‌های کاربری مشابه هستند که مسئول تعادل انرژی نزدیک به سطح هستند. (ب) تغییرات دمای سطح زمین (LST) (روزانه و فصلی) برای درک مناطق درون شهری با تنوع بالا. (ج) شاخص گیاهی تفاوت نرمال شده (NDVI)، که نمایانگر پوشش گیاهی است، و (د) سرعت باد و جهت باد، که با اتلاف گرما و شدت UHI مرتبط هستند. رویکرد دیگر مبتنی بر تصمیم‌گیری درباره توزیع فضایی حسگرها در مناطق شناسایی‌شده بر اساس انتخاب‌های مبتنی بر فناوری (کم هزینه، جمع‌آوری و انتقال مداوم داده‌ها) و همچنین شرایط محلی (ساختمان‌های عمومی، دید حسگرها به دروازه‌ها) است. اهداف مطالعه حاضر طراحی یک استراتژی قرارگیری حسگر بهینه و قابل تکرار برای سنجش با وضوح فضایی بالا با استفاده از متغیرهای فصلی و سالانه عوامل مرتبط با UHI در سطح محلی برای شناسایی مناطقی بود که حداکثر تغییرات را تجربه می‌کنند. LST؛

2. مواد و روشها

2.1. منطقه مطالعه

پونا هفتمین شهر پرجمعیت هند و دومین شهر بزرگ در ایالت ماهاراشترا است، با جمعیت تخمینی 7.4 میلیون نفر (تا سال 2020) [ 30 ] ( شکل 1 ). مساحت فعلی شهر پونا 243.84 کیلومتر مربع است، در حالی که 125 کیلومتر مربع است. در سال 1951
طبق گزارش اداره هواشناسی هند، پونا چهار الگوی فصلی را تجربه می کند: زمستان، پیش از موسمی، فصل های موسمی جنوب غربی و فصول پس از موسمی ( جدول 1 ) [ 31]. به دلیل ارتفاع از سطح دریا و نزدیکی به گات غربی، آب و هوای این شهر معتدل است و میانگین دمای آن بین 20 تا 30 درجه سانتی گراد است. در طول ماه های تابستان/پیش از موسمی، بین مارس و می، حداکثر دما بین 35 تا 38 درجه سانتی گراد متغیر است. فصل باران های موسمی از ژوئن تا اکتبر رخ می دهد و دمای آن از 25 درجه سانتی گراد تا 27 درجه سانتی گراد در این فصل متغیر است. فصل زمستان معتدلی وجود دارد که از نوامبر آغاز می‌شود، دمای هوا در بیشتر ماه‌های دسامبر و ژانویه در حدود 29 درجه سانتی‌گراد در طول روز و زیر 13 درجه سانتی‌گراد در طول شب در بیشتر ماه‌های دسامبر و ژانویه است و اغلب به 5 درجه سانتی‌گراد یا 6 درجه سانتی‌گراد کاهش می‌یابد. پونا آب و هوای معتدلی دارد که شبیه اکثر شهرهای هند است.

2.2. منابع اطلاعات

در مجموع هفت عامل علّی (همچنین وضوح مکانی، منبع و مدت عوامل)، که از پنج ماهواره به دست آمده است ( جدول 2 )، برای تعیین مکان‌های مناسب برای سنسورهای دمای هوا مورد بررسی قرار گرفت.
برای دمای سطح زمین (LST) ، MODIS چهار مشاهده از LST را در هر 24 ساعت با ماهواره های Aqua و Terra خود ارائه می دهد. ماهواره با سنسور MODIS در ساعت 1:30 صبح و 1:30 بعد از ظهر برای Aqua و 10:30 شب و 10:30 صبح برای Terra رصد می کند [ 32 ، 33 ، 34 ]. محصول جمع آوری ماهانه (MOD11A1) برای LST از MODIS با وضوح فضایی 1 کیلومتر استفاده شد. Google Earth Engine API برای فیلتر کردن محصول برای درصد ابر (80%)، کیفیت تصویر (0.9)، محدوده جغرافیایی منطقه مورد مطالعه، و تاریخ دریافت (ژانویه 2019 تا دسامبر 2020) استفاده شد.
مشابه LST، با توجه به شاخص گیاهی تفاوت نرمال شده (NDVI) ، محصول ماهانه (باند NDVI، T1_32DAY_NDVI) از MODIS با استفاده از موتور Google Earth برای همان دوره زمانی انتخاب شد.

با شاخص ساخت‌وساز پیشرفته و برهنگی (EBBI) ، مناطق با نسبت‌های بالاتر از مناطق ساخته شده و مناطق بایر برجسته شدند و شاخص با استفاده از داده‌های Landsat برای سال‌های 2019 و 2020 محاسبه شد. با استفاده از موتور Google Earth، Landsat 8 داده ها پردازش شدند و EBBI ماهانه با استفاده از فرمول زیر استخراج شد [ 35 ]:

Eببمن=بآnد 5-بآnد 410بآnد 5+بآnد 6
این داده ها به شبکه 1 کیلومتری تقریب زدند.
مناطق آب و هوایی محلی (LCZ) با استفاده از دستورالعمل های ایجاد شده توسط پایگاه داده شهری جهانی و ابزارهای پورتال دسترسی (WUDAPT) [ 36 ] استخراج شد. با استفاده از داده های Landsat 8، ما سایت های آموزشی را برای LCZ های مربوطه موجود در شهر شناسایی کردیم. اینها به عنوان فایل های KML ذخیره و در سایت WUDAPT آپلود شدند. این سایت یک تصویر JPEG با طبقه بندی LCZ برای کل شهر ارائه کرد. دقت LCZ برای اطمینان از قابل اعتماد بودن و مناسب بودن آن برای تحلیل بیشتر محاسبه شد [ 37 ]. تصویر بیشتر به یک فایل برداری (چند ضلعی) تبدیل شد.
در نهایت، دو عامل بعدی مربوط به باد بود. داده های سرعت باد از ماهواره TerraClimate ناسا با وضوح 2.5 دقیقه قوس به دست آمد. داده‌های جهت باد از ERA5، که بخشی از سرویس تغییرات آب و هوایی کوپرنیک (C3S) است، به‌دست آمد. برای مطابقت با وضوح مجموعه داده MODIS، هر دو این مجموعه داده ها (سرعت باد و جهت باد) نیز به یک شبکه 1 کیلومتری تقریبی شدند.

2.3. مواد و روش ها

اولین مرحله شامل تقسیم شهر به شبکه‌های یک کیلومتر مربعی (یعنی وضوح بومی داده‌های MODIS)، بنابراین تولید 332 شبکه، و سپس پردازش پارامترهای مشخص‌شده در جدول 2 برای استخراج مدول برای هر سلول شبکه بود. باید توجه داشته باشیم که تنها مدول مشتق شده از MODIS دارای قدرت تفکیک اولیه 1 کیلومتر مربع است. پارامترهای دیگر باید با استفاده از نرم افزار QGIS برای مطابقت با وضوح سلولی مجدداً نمونه برداری می شدند. بنابراین، داده های سرعت و جهت باد از 4 در 4 کیلومتر کاهش یافت. علاوه بر این، یک دسته LCZ به هر پیکسل از این نقشه بر اساس نسبتی اختصاص داده شد، یعنی برای هر سلول 1 کیلومتر مربعی، نسبت انواع مختلف LCZ محاسبه شد. از تصاویر Google Earth برای تأیید صحت نقشه استفاده شد و 82٪ دقیق بود (شکل 2 ).
در مرحله بعد، سلول های شبکه را با توجه به تغییر مدول هر پارامتر در آنها رتبه بندی کردیم. در مورد سلول شبکه ای با حداکثر مدول (تغییرات فصلی و سالانه) LST در طول روز، مقدار اختصاص داده شده به آن 1 خواهد بود و اگر آن سلول نبود، مقدار اختصاص داده شده به شبکه 0 خواهد بود. به روش، مقادیر مدول سالانه و فصلی برای هر پارامتر با یکدیگر برای هر سلول شبکه مقایسه شد. در طول استخراج رتبه نهایی، مقادیر جمع برای هر یک از LCZ های به دست آمده در مراحل قبلی به عنوان وزن استفاده شد. اینها با ضرب نسبت‌های LCZ در هر سلول شبکه در این وزن‌ها و جمع آنها با هم محاسبه شدند. خروجی نهایی ما شامل محاسبه تغییرپذیری عامل علی هر سلول شبکه 1 × 1 کیلومتر با مقیاس مجدد مقادیر به‌دست‌آمده به 100 بود.شکل 3 ).
پس از آن، هر سلول شبکه دارای مقداری بین 0 تا 100 به عنوان رتبه خود بود که نشان دهنده تغییرپذیری در پارامترهای ورودی بود. همانطور که در جدول 3 نشان داده شده است، برای راحتی، این سلول ها به پنج دسته گروه بندی شدند .
از آنجایی که هر مطالعه بودجه محدودی برای حسگرها دارد، تخمین چگالی حسگرهایی که باید در هر سلول شبکه 1×1 کیلومتری قرار گیرند، مهم است. بنابراین، تعداد حسگرهای مورد نیاز در هر دسته سلول شبکه با استفاده از محاسبات نشان داده شده در جدول 4 به دست آمد. علاوه بر این، 500 به عنوان تعداد حسگرهای مورد نیاز برای قرار دادن برای مطالعه ما بر اساس محدودیت های بودجه در نظر گرفته می شود. به عنوان مثال، با هزینه 50 دلار آمریکا، 500 فناوری حسگر ارزان قیمت (LoRaWAN) با بودجه کل 25000 دلار پوشش داده می شود. این سنسورهای دمای هوا، دمای سطح و رطوبت یک فناوری حسگر ارزان قیمت موجود با عمر باتری طولانی هستند که برای استقرار گسترده برای به دست آوردن اندازه‌گیری‌های UHI_CL مناسب هستند. از آنجا که تعداد سنسورها می تواند متفاوت باشد،جدول 4 محاسبات عمومی را ارائه می دهد که می توانند برای قرار دادن هر تعداد سنسور تنظیم شوند.
در اینجا، n به تعداد شبکه هایی اشاره دارد که در هر دسته قرار می گیرند. w به وزن های داده شده برای هر دسته در جدول 2 و جدول 3 اشاره دارد، یعنی [w1, w2, w3, w4, w5]. W به مجموع تمام اوزان ارائه شده در جدول 2 اشاره دارد . S به کل حسگرهای موجود برای استفاده اشاره دارد. ZWS به مجموع تمام ردیف‌های بالا اشاره دارد، یعنی [n1w1/WS، n2w2/WS، n3w3/WS، n4w4/WS، n5w5/WS].
وجود ساختمان های عمومی / ادارات / مدارس و دید نیز در نظر گرفته شد. ساختمان‌های عمومی از پایگاه داده OpenStreetMap شناسایی شدند، زیرا می‌توان از آنها برای قرار دادن حسگر/دروازه اینترنت استفاده کرد و در هر سلول شبکه قرار داد تا احتمالات قرارگیری سنسور نهایی را بررسی کند. معیارهای مورد استفاده، دید و فاصله 500 متری بود. برای تحلیل دید، مدل رقومی ارتفاع (CartoDEM) شهر مورد تجزیه و تحلیل قرار گرفت.

3. نتایج

3.1. مناطق آب و هوایی محلی

طبقه بندی LCZ بر اساس رویکرد WUDAPT، همانطور که در بخش پیش پردازش داده ها ذکر شد، انجام شد و نقشه LCZ برای پونا ترسیم شد، همانطور که در شکل 4 نشان داده شده است.. شهر پونا تحت تسلط یک منطقه میانی باز (LCZ 5) است. در منطقه کانتون وجود دارد که در ضلع شرقی مرکز شهر قابل مشاهده است. منطقه مرکزی شهر دارای هر دو ناحیه میانی باز (LCZ 5) و باز (LCZ 6) است. گاهی اوقات، می توان خوشه هایی از خیزهای سبک وزن را مشاهده کرد (LCZ 7). منطقه پیرامونی شرقی شهر دارای مناطق باز و بایر زیادی است که به‌عنوان LCZ F طبقه‌بندی می‌شود. از سوی دیگر، تعداد کمی از مناطق هنوز دارای مقدار مناسبی از پوشش گیاهی هستند که با LCZ A نشان داده می‌شود، مانند آنچه در جنوب و جنوب مشاهده می‌شود. بخش های غربی شهر دو رودخانه وجود دارد که در نزدیکی مرکز شهر به سمت شرق می روند.

3.2. نقشه رتبه بندی گرید پونا

نقشه ای که به موجب آن به هر شبکه رتبه ای بین 0 تا 100 داده می شود، خروجی اصلی این مطالعه بود. نواحی با حداقل تا حداکثر تغییرپذیری در LST و باد، همراه با شاخص لختی و نسبت LCZ های مرتبط با آن را نشان می دهد ( شکل 5 را ببینید ؛ برای جزئیات بیشتر، به شکل 3 و جدول 3 مراجعه کنید.). بنابراین، امتیاز نزدیک به 100 سلول‌هایی را نشان می‌دهد که دارای تنوع بالا در LST و باد در سطوح فصلی و سالانه هستند، همچنین آن‌هایی که نسبت بیشتری از LCZs و پوشش گیاهی دارند، و شرایط برهنگی مسئول تغییرپذیری هستند. بنابراین، توصیه می‌شود که این نواحی برای قرار دادن حسگرها اولویت‌بندی شوند، در حالی که مقادیر نزدیک‌تر به صفر سلول‌هایی با تنوع کم در LST و شرایط مسئول آن را نشان می‌دهند، که نشان می‌دهد تراکم سنسورها می‌تواند کمتر باشد.

3.3. محل قرارگیری سنسور

برای تعیین شبکه‌ها (بر اساس رتبه‌بندی) و تعداد حسگرها در هر دسته، از محاسبه نشان‌داده‌شده در جدول 4 استفاده کردیم . بر اساس محدودیت های بودجه ای که قبلاً مورد بحث قرار گرفت، جدول 5 محاسبات و توزیع تعداد سنسورها را در هر دسته خلاصه می کند.
علاوه بر این، فناوری حسگر مدرن اغلب از سیگنال‌های رادیویی (به عنوان مثال، شبکه گسترده کم مصرف یا LoRaWAN) برای انتقال داده‌ها به یک سرور متمرکز استفاده می‌کند. این نیاز به نصب دروازه های تخصصی در فاصله معینی (مثلاً 500 متر) از سنسورها دارد. بر اساس تعداد سنسورها و در دسترس بودن دروازه، توزیع در هر دسته ممکن است تغییر کند، حتی با استفاده از روش مشابه. خروجی این روش با همپوشانی مکان‌های دروازه و ساختمان‌های عمومی بر روی شبکه‌های رتبه‌بندی شده مشاهده شد. شکل 6مکان هایی را نشان می دهد که برای نصب دروازه ها شناسایی شده اند. ساختمان‌های دولتی مانند بیمارستان‌ها، ادارات دولتی و مدارس در شبکه‌های مختلف شناسایی شدند زیرا ممکن است مکان‌های ایده‌آلی برای نصب دروازه و قرار دادن حسگر باشند. سلول هایی که حسگرها را می توان در آنها قرار داد، بر اساس فاصله دروازه، با استفاده از دایره های رنگی در شبکه ها برای کوتاه ترین فاصله از ساختمان های دولتی شناسایی شده یا نزدیک ترین محل دروازه نشان داده می شوند. باید توجه داشته باشیم که برخی از سلول‌های شبکه‌ای با امتیازات پایین، هیچ مکان شناسایی شده‌ای ندارند که در آن دروازه‌ها قرار بگیرند. با این حال، با توجه به اینکه این نواحی تنوع بالایی در UHI_CL ندارند، فقدان دروازه‌ها در این منطقه قابل قبول است و بنابراین نیازی به قرار دادن حسگرها در آنجا نیست.

4. بحث

جزیره گرمایی شهری یک پدیده پیچیده است زیرا به تعادل انرژی در سطح زمین مربوط می شود. اندازه گیری لایه UHI_canopy جزء آن نیز به همین ترتیب پیچیده است. در حالت ایده آل، UHI_CL باید با استفاده از یک شبکه بسیار متراکم از حسگرها در یک منطقه تحت پوشش بزرگ نظارت شود. با این حال، این نه عملی است و نه مقرون به صرفه. در عوض، ما یک رویکرد عملی برای استقرار تعداد قابل اجرا (به عنوان مثال، 500) حسگرهای ارزان قیمت ایجاد کردیم که دمای هوا و سطح و رطوبت را اندازه گیری می کنند. برای انجام این کار به طور مؤثر، لازم بود یک استراتژی قرارگیری حسگر در زمین ایجاد شود که مکان‌هایی را ارائه دهد که تغییرات فضایی را در UHI_CL نشان می‌دهد. این با تعیین، از ادبیات موجود، عوامل حاکم بر شدت UHI که به راحتی توسط داده های ماهواره ای گرفته می شوند، به دست آمد.
با توجه به این واقعیت که روش ارائه شده از مجموعه داده های ماهواره ای در دسترس عموم (داده های Landsat، MODIS، ERA5 و Terra Climate) مشتق شده است و به صورت رایگان از طریق پلت فرم ابری گوگل در دسترس است، می توان آن را برای هر منطقه شهری اعمال کرد. این تضمین می کند که الگوریتم مکان پیشنهادی می تواند برای هر شهر منفرد تنظیم شود. علاوه بر این، این رویکرد را می توان در مناطق شهری در هر نقطه خارج از هند، حتی برای شهرهای کشورهای توسعه یافته با مناطق آب و هوایی متفاوت، اعمال کرد، زیرا یک طرح مکان یابی خاص برای سنسورها ایجاد می کند.
این مطالعه از مناطق آب و هوایی محلی (LCZs) به عنوان مبنای تجزیه و تحلیل خود استفاده می کند، زیرا روش LCZ ارتفاع ساختمان ها، توزیع سطوح و نسبت عناصر شهری را با توجه به اشکال مختلف انسان ساخته و طبیعی در نظر می گیرد. عناصر. مطالعه آلمیدا و همکاران. نشان داد که قرارگیری حسگر مبتنی بر LCZ می تواند UHI را با موفقیت پیش بینی کند [ 30]. با توجه به این مطالعه، LCZ قادر به تخمین الگوهای فضایی UHI است، علی‌رغم فقدان داده‌های میدانی دقیق برای هر شهر. با این حال، پارامترهای اضافی (مانند سرعت و جهت باد) اطلاعات ارائه شده توسط LCZ ها را افزایش می دهند و در نتیجه به درک جامع تری از تنوع در سلامت شهری می رسند. به نوبه خود، این مبنایی برای توسعه استراتژی قرار دادن حسگر است.
رویکرد پیشنهادی جزئیات LCZ را با حفظ نسبت کلاس‌های LCZ در هر سلول شبکه، با وجود تغییر مقیاس پارامترها به اندازه شبکه 1 کیلومتر، حفظ کرد. بنابراین، این رویکرد توسط ترکیب فضایی در مقیاس ریزتر 30 متر (یعنی وضوح فضایی داده‌های Landsat که LCZها از آن استخراج شده‌اند) پشتیبانی می‌شود. برای به دست آوردن مشاهدات دمای سطح زمین در روز و شب، از داده های MODIS استفاده شد و همه مجموعه داده ها برای مطابقت با وضوح فضایی MODIS مجدداً مقیاس شدند. به این ترتیب، رویکرد پیشنهادی یک رویکرد متعادل است، که در آن تحلیل در مقیاس فضایی معقول 1 کیلومتر مربع انجام می‌شود.
با این حال، چندین محدودیت برای این مطالعه وجود دارد. با شناسایی LCZها از طریق استفاده از روش WUDAPT، که بر تفسیر تصاویر ماهواره‌ای متکی است، روش پیشنهادی از هزینه‌های پولی و زمانی مرتبط با بررسی‌های دقیق روی زمین، به عنوان مثال، برای محاسبه منطقه آب و هوایی شهری اجتناب می‌کند. با این حال، دسترسی به داده های ERA5 مورد نیاز است. با توجه به هزینه مربوط به دانلود داده های تاریخی ERA5، تجزیه و تحلیل فعلی را به دو سال گذشته محدود کردیم. علاوه بر این، از آنجایی که ماهواره‌های Terra Climate قادر به گرفتن داده‌های جوی (یعنی سرعت و جهت باد) در ارتفاع 10 متری از سطح زمین هستند، داده‌ها با ارتفاع توصیه شده توسط سازمان جهانی هواشناسی (WMO) برای قرار دادن حسگر مطابقت ندارند. 1.2 متر). ما تصمیم گرفتیم از داده های باد در این مطالعه استفاده کنیم، زیرا این داده ها بهترین منبع موجود برای نشان دادن تنوع هستند و پونا تعدادی ساختمان دارد که ارتفاع آنها بالاتر از 10 متر است. در نتیجه، ما فرض کردیم که داده‌های باد می‌تواند نشان‌دهنده شرایط لایه تاج باشد و می‌تواند در ارتباط با سایر مشاهدات سطحی و نزدیک به سطح استفاده شود. داده های باد همچنین می تواند تحت تأثیر تغییرات توپوگرافی محلی قرار گیرد. با داده های توپوگرافی با وضوح بالا، رویکرد پیشنهادی بهبود می یابد. با توجه به زمان پردازش ابری و تنوع توپوگرافی کم در پونا، مطالعه حاضر این پارامتر را در نظر نگرفت. ما فرض کردیم که داده های باد می تواند نشان دهنده شرایط لایه تاج باشد و می تواند در ارتباط با سایر مشاهدات سطحی و نزدیک به سطح استفاده شود. داده های باد همچنین می تواند تحت تأثیر تغییرات توپوگرافی محلی قرار گیرد. با داده های توپوگرافی با وضوح بالا، رویکرد پیشنهادی بهبود می یابد. با توجه به زمان پردازش ابری و تنوع توپوگرافی کم در پونا، مطالعه حاضر این پارامتر را در نظر نگرفت. ما فرض کردیم که داده های باد می تواند نشان دهنده شرایط لایه تاج باشد و می تواند در ارتباط با سایر مشاهدات سطحی و نزدیک به سطح استفاده شود. داده های باد همچنین می تواند تحت تأثیر تغییرات توپوگرافی محلی قرار گیرد. با داده های توپوگرافی با وضوح بالا، رویکرد پیشنهادی بهبود می یابد. با توجه به زمان پردازش ابری و تنوع توپوگرافی کم در پونا، مطالعه حاضر این پارامتر را در نظر نگرفت.

5. نتیجه گیری ها

ما روشی را برای قرارگیری استراتژیک حسگرهای دمای هوای زمین برای اندازه‌گیری UHI_CL ارائه می‌کنیم که بر مصرف انرژی و سلامت انسان تأثیر می‌گذارد. در مقایسه با مطالعات اندازه‌گیری سنتی UHI که فقط از تصاویر ماهواره‌ای استفاده می‌کنند، یک رویکرد مکمل ترکیبی از تصاویر ماهواره‌ای و حسگرهای محلی منجر به یک طرح نظارت دقیق UHI می‌شود. رویکرد قرارگیری حسگر نشان‌داده‌شده در این مطالعه بر داده‌های ماهواره‌ای برای شناسایی LCZها و همچنین تنوع مکانی و زمانی در عوامل محلی (دمای سطح، سرعت باد و جهت باد) که منجر به جزایر گرمایی شهری می‌شود، تکیه داشت. علاوه بر این، از آنجا که رویکرد مبتنی بر شواهد UHI سطحی است و از نظر ریاضی مشتق شده است، سوگیری های شخصی حذف می شوند.
با استفاده از تغییرپذیری مکانی-زمانی در عوامل علّی مرتبط با تغییرپذیری حرارتی، طرحی را برای 500 حسگر در سراسر پونا ارائه کردیم. با فرض اینکه تغییرات مکانی-زمانی در عوامل علّی می تواند به عنوان مبنایی برای برنامه ریزی قرار دادن حسگر عمل کند، این نمایش را می توان با توجه به تعداد حسگرهایی که باید قرار داده شوند، اصلاح کرد.
در این مطالعه، ما سعی کردیم با استفاده از تنوع تصویر ماهواره‌ای برای برنامه‌ریزی طرح قرارگیری، بر محدودیت‌های مطالعات قرارگیری حسگر قبلی غلبه کنیم. این طرح را می توان برای هر منطقه مورد مطالعه، صرف نظر از الگوهای رشد آن، و صرف نظر از اینکه در یک کشور در حال توسعه یا توسعه یافته باشد، اعمال کرد.
علاوه بر در نظر گرفتن بار مالی بالقوه هنگام قرار دادن سنسورها، محل قرارگیری حسگرها را نیز می توان بر اساس تعداد سنسورهای موجود و با استفاده از وزن های تعیین شده برای هر دسته از متغیرهای UHI تعیین کرد. این مقاله به ارائه تحقیقات نظری می پردازد. این روش در آینده نزدیک با ایجاد یک شبکه حسگر بر اساس خروجی های این مقاله، بیشتر اصلاح خواهد شد.

منابع

  1. سواین، دی. رابرتز، جی. داش، ج. لکشمی، ک. وینوج، وی. Tripathy، S. تاثیر شهرنشینی سریع در شهر بوبانشوار، هند. Proc. Natl. آکادمی علمی فرقه هند A Phys. علمی 2017 ، 87 ، 845-853. [ Google Scholar ] [ CrossRef ]
  2. اوکی، TR; Cleugh، HA ذخیره حرارت شهری به عنوان باقیمانده تعادل انرژی مشتق شده است. مقید. Meteorol لایه. 1987 ، 39 ، 233-245. [ Google Scholar ] [ CrossRef ]
  3. آرکو، جی. Marais، L. شهرسازی های جنوبی جهانی و پایداری شهری – چالش ها و راه رو به جلو. جلو. حفظ کنید. Cities 2021 , 3 , 692799. [ Google Scholar ] [ CrossRef ]
  4. افلاکی، ع. میرنژاد، م. غفاریان حسینی، ع. غفاریان حسینی، ع. عمرانی، ح. وانگ، ژ. اکبری، اچ. استراتژی های کاهش جزیره گرمایی شهری: بررسی پیشرفته در کوالالامپور، سنگاپور و هنگ کنگ. شهرها 2017 ، 62 ، 131-145. [ Google Scholar ] [ CrossRef ]
  5. لی، ایکس. ژو، ی. یو، اس. جیا، جی. لی، اچ. تأثیرات جزیره گرمایی شهری لی، دبلیو. بر مصرف انرژی ساختمان: بررسی رویکردها و یافته‌ها. انرژی 2019 ، 174 ، 407-419. [ Google Scholar ] [ CrossRef ]
  6. Palecki، MA; Changnon، SA; Kunkel، KE ماهیت و اثرات موج گرما ژوئیه 1999 در غرب میانه ایالات متحده: یادگیری از درس های 1995. بول. صبح. هواشناسی Soc. 2001 ، 82 ، 1353-1368. [ Google Scholar ] [ CrossRef ]
  7. Oke، اندازه شهر TR و جزیره گرمایی شهری. اتمس. محیط زیست 1973 ، 7 ، 769-779. [ Google Scholar ] [ CrossRef ]
  8. Oke, TR اساس انرژی جزیره گرمایی شهری. Meteorol QJR. Soc. 1982 ، 108 ، 1-24. [ Google Scholar ] [ CrossRef ]
  9. گریموند، شهرنشینی SUE و تغییرات محیطی جهانی: اثرات محلی گرمایش شهری. Geogr. J. 2007 ، 173 ، 83-88. [ Google Scholar ] [ CrossRef ]
  10. رضوان، ع.م. دنیس، LY; Chunho، LIU مروری بر تولید، تعیین و کاهش جزیره گرمایی شهری. جی. محیط زیست. علمی 2008 ، 20 ، 120-128. [ Google Scholar ] [ CrossRef ]
  11. هیدالگو، جی. ماسون، وی. باکلانوف، آ. کبوتر، جی. Gimeno, L. پیشرفت در مدل‌سازی آب و هوای شهری. ان آکادمی نیویورک علمی 2008 ، 1146 ، 354-374. [ Google Scholar ] [ CrossRef ]
  12. بارلو، جی اف. Halios، CH; لین، SE; چوب، CR مشاهدات ساختار لایه مرزی شهری در طول یک رویداد جزیره گرمایی شهری قوی. محیط زیست مکانیک سیالات 2015 ، 15 ، 373-398. [ Google Scholar ] [ CrossRef ]
  13. راجاسکار، U. Weng، Q. مدل‌سازی و تحلیل فضایی-زمانی جزایر گرمایی شهری با استفاده از تصاویر Landsat TM و ETM+. بین المللی J. Remote Sens. 2009 ، 30 ، 3531-3548. [ Google Scholar ] [ CrossRef ]
  14. صدیقی، پ. هیوت، ا. Devadas، R. نقشه برداری فضایی-زمانی و نظارت بر الگوهای جزیره گرمایی شهری در سیدنی، استرالیا با استفاده از MODIS و Landsat-8. در مجموعه مقالات چهارمین کارگاه بین المللی 2016 در مورد کاربردهای رصد زمین و سنجش از دور (EORSA)، گوانگژو، چین، 4 تا 6 ژوئیه 2016؛ IEEE: نیویورک، نیویورک، ایالات متحده آمریکا، 2016؛ ص 217-221. [ Google Scholar ]
  15. راندولف، جی اف. استورپر، ام. آیا شهرنشینی در جنوب جهانی اساساً متفاوت است؟ تحلیل مقایسه ای شهری جهانی برای قرن بیست و یکم مطالعه شهری. 2022 . [ Google Scholar ] [ CrossRef ]
  16. کاپلان، جی. آودان، یو. Avdan، ZY تجزیه و تحلیل جزیره گرمایی شهری با استفاده از داده های ماهواره لندست 8: مطالعه موردی در اسکوپیه، مقدونیه. چند رشته ای. رقمی. انتشار Inst. Proc. 2018 ، 2 ، 358. [ Google Scholar ]
  17. ژو، دی. شیائو، جی. بونافونی، س. برگر، سی. دیلمی، ک. ژو، ی. فرلکینگ، اس. یائو، آر. کیائو، ز. Sobrino، JA سنجش از دور ماهواره ای جزایر حرارتی شهری سطحی: پیشرفت، چالش ها و چشم اندازها. Remote Sens. 2018 , 11 , 48. [ Google Scholar ] [ CrossRef ]
  18. Oke، هندسه TR Canyon و جزیره گرمایی شهری شبانه: مقایسه مدل مقیاس و مشاهدات میدانی. جی.کلیماتول. 1981 ، 1 ، 237-254. [ Google Scholar ] [ CrossRef ]
  19. استوارت، ID; اوکی، TR; Krayenhoff، ES ارزیابی طرح “منطقه آب و هوای محلی” با استفاده از مشاهدات دما و شبیه‌سازی مدل. بین المللی جی.کلیماتول. 2014 ، 34 ، 1062-1080. [ Google Scholar ] [ CrossRef ]
  20. وانگ، ک. جیانگ، اس. وانگ، جی. ژو، سی. وانگ، ایکس. لی، ایکس. مقایسه تغییرات روزانه و فصلی جزایر حرارتی شهری اتمسفر و سطحی بر اساس شبکه هواشناسی شهری پکن. جی. ژئوفیز. Res. اتمس. 2017 ، 122 ، 2131-2154. [ Google Scholar ] [ CrossRef ]
  21. Oke، راهنمای اولیه TR برای به دست آوردن مشاهدات هواشناسی نماینده در سایت‌های شهری . WMO/TD شماره 1250; سازمان جهانی هواشناسی: ژنو، سوئیس، 2004. [ Google Scholar ]
  22. مولر، CL; چپمن، ال. گریموند، CSB؛ جوان، DT; Cai، X. حسگرها و شهر: بررسی شبکه های هواشناسی شهری. بین المللی جی.کلیماتول. 2013 ، 33 ، 1585-1600. [ Google Scholar ] [ CrossRef ]
  23. کرتین، KM; کوی، اف. هایسلت-مک کال، کی. Bray، TM یکپارچه سازی GIS و مدل های پوشش حداکثر برای تعیین مناطق بهینه گشت پلیس. در سیستم های اطلاعات جغرافیایی و تجزیه و تحلیل جرم ; IGI Global: Hershey، PA، USA، 2005; صص 214-235. [ Google Scholar ]
  24. آرگانی، م. مصطفوی، محمدرضا; Gagné، C. بهینه سازی محلی با آگاهی از زمینه استقرار شبکه حسگر. J. Sens. Actuator Netw. 2015 ، 4 ، 160-188. [ Google Scholar ] [ CrossRef ]
  25. آرگانی، م. مصطفوی، محمدرضا; کریمی پور، ف. Gagné، C. برآورد و بهینه سازی پوشش شبکه حسگر بی سیم مبتنی بر GIS: یک رویکرد Voronoi. در معاملات در علوم محاسباتی چهاردهم ; Springer: برلین/هایدلبرگ، آلمان، 2011; صص 151-172. [ Google Scholar ]
  26. اسمولیاک، BV; اسنایدر، پی کی. ریسمان، TE; Mykleby، PM; هرتل، WF مشاهدات شبکه متراکم از جزیره گرمایی شهری با لایه تاج شهرهای دوقلو. J. Appl. هواشناسی کلیماتول. 2015 ، 54 ، 1899-1917. [ Google Scholar ] [ CrossRef ]
  27. قوش، م. سینگ، جی. سکهران، س. قوش، س. Zope، PE؛ کارماکار، اس. منطقی‌سازی شبکه ایستگاه‌های هواشناسی خودکار بر روی یک حوضه شهری ساحلی: یک رویکرد چند متغیره. اتمس. Res. 2021 ، 254 ، 105511. [ Google Scholar ] [ CrossRef ]
  28. Almeida، CRD; فورست، ال. گونسالوس، آ. تئودورو، تحلیل مبتنی بر تصویر سنجش از دور AC از اثر جزیره گرمایی شهری در براگانسا، پرتغال. Environments 2022 , 9 , 98. [ Google Scholar ] [ CrossRef ]
  29. الکساندر، پی جی. میلز، جی. طبقه بندی آب و هوای محلی و جزیره گرمایی شهری دوبلین. جو 2014 ، 5 ، 755-774. [ Google Scholar ] [ CrossRef ]
  30. چاندرامولی، سی. عمومی، R. سرشماری هند 2011-توزیع شهری روستایی جمعیت، کل جمعیت موقت ; اداره کل ثبت احوال و کمیسر سرشماری دهلی نو: دهلی نو، هند، 2011. [ Google Scholar ]
  31. آرورا، SK; جها، بی. سوالات متداول اداره هواشناسی هند. اداره هواشناسی هند 2010. در دسترس آنلاین: https://imd.gov.in/section/nhac/wxfaq.pdf (در 3 اوت 2021 قابل دسترسی است).
  32. ویانا، سی ام؛ اولیویرا، اس. اولیویرا، SC; روشا، جی. تشخیص تغییر کاربری/پوشش زمین و تجزیه و تحلیل پراکندگی شهری. در مدلسازی فضایی در GIS و R برای علوم زمین و محیط زیست ; الزویر: آمستردام، هلند، 2019؛ صص 621-651. [ Google Scholar ]
  33. Maurer, J. مروری بر ماهواره ترا ناسا. 2001. در دسترس آنلاین: https://www2.hawaii.edu/~jmaurer/terra (در 20 فوریه 2022 قابل دسترسی است).
  34. ناسا وب MODIS. 2020. در دسترس آنلاین: https://modis.gsfc.nasa.gov/about/specifications.php (در 20 فوریه 2022 قابل دسترسی است).
  35. As-Syakur، AR; آدنیانا، IWS؛ آرتانا، آی دبلیو. Nuarsa، IW شاخص ساخته شده و برهنگی پیشرفته (EBBI) برای نقشه برداری از زمین های ساخته شده و لخت در یک منطقه شهری. Remote Sens. 2012 , 4 , 2957–2970. [ Google Scholar ] [ CrossRef ]
  36. دموزیر، م. کیتنر، جی. Bechtel, B. LCZ Generator: یک برنامه وب برای ایجاد نقشه های منطقه آب و هوایی محلی. جلو. محیط زیست علمی 2021 ، 9 ، 637455. [ Google Scholar ] [ CrossRef ]
  37. هوانگ، ایکس. لیو، ا. لی، جی. نقشه برداری و تجزیه و تحلیل مناطق آب و هوایی محلی در 32 شهر بزرگ چین با استفاده از تصاویر Landsat بر اساس یک شبکه عصبی کانولوشنال جدید. ژئو اسپات. Inf. علمی 2021 ، 24 ، 528-557. [ Google Scholar ] [ CrossRef ]
Ijgi 12 00011 g001 550
شکل 1. نقشه موقعیت پونا.
Ijgi 12 00011 g002 550
شکل 2. استخراج مدول برای هر یک از مجموعه داده ها (مرحله 1).
Ijgi 12 00011 g003 550
شکل 3. رتبه بندی شبکه ها بر اساس تغییرات فصلی و سالانه (مرحله 2).
Ijgi 12 00011 g004 550
شکل 4. مناطق آب و هوایی محلی شهر پونا طبق WUDAPT با Landsat 8 (2020).
Ijgi 12 00011 g005 550
شکل 5. شهر تقسیم شده به شبکه های رتبه بندی شده از 0 تا 100.
Ijgi 12 00011 g006 550
شکل 6. طرح شبکه رنگی برای قرار دادن حسگر.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید