کار حاضر به دنبال نشان دادن اهمیت استفاده از تکنیک‌ها و روش‌های ژئوپردازش در شناسایی و تحلیل توزیع زمانی و مکانی دمای هوا است. بنابراین، محیطی با مشکل برای پایش سیستماتیک عناصر اقلیمی در Serra da Esperan ç انتخاب شد.aárea، منطقه جنوبی ایالت پارانا. دو روش ایجاد شده در ژئوپردازش مورد استفاده قرار گرفت: اولی به تفسیر تصاویر مداری می پردازد و دومی به درونیابی داده های سطحی اشاره می کند. این روش‌ها که به‌صورت یکپارچه مورد استفاده قرار می‌گیرند، شناخت رابطه بین توزیع مکانی و زمانی دمای هوا با پوشش گیاهی و ارتفاع‌سنجی زمین را ممکن می‌سازد. داده های دمای هوا در 4 (چهار) نقطه، به دنبال خطوط بزرگراه فدرال که از منطقه مورد مطالعه می گذرد، پایش شد. تصاویر ماهواره ای در تاریخ 26 ژوئیه 2015 و 18 ژانویه 2016 به دست آمد که بیانگر شرایط زمستانی و تابستانی جنوب است. نتایج نشان داد که این رابطه وجود دارد و در غیاب داده‌های مطلق نظارت شده در نقاط جمع‌آوری مرسوم، تکنیک های زمین آمار امکان تخمین خوب را فراهم می کند. علاوه بر این، این روش می تواند برای کنترل تغییر کاربری اراضی در مناطق حفاظت شده دائمی استفاده شود.

کلید واژه ها

دمای هوا ، توپوکلیم ، زمین آمار

1. مقدمه

اقلیم شناسی برای تایید تحلیل خود به داده های زمین آماری نیاز دارد. بنابراین، تکنیک های ژئوپردازش ابزار مهمی در این فرآیند هستند. این شکل از تفسیر واقعیات جغرافیایی با چارچوب روش شناختی به اصطلاح جغرافیای پوزیتیویستی همراه است. اگرچه در 30 سال گذشته مورد انتقادهای متعددی قرار گرفته است، اما همچنان به عنوان یک روش شناسی مؤثر در مطالعات اقلیم شناسی باقی مانده است.

این مطالعات بر رابطه فیزیکی بین تسکین، پوشش گیاهی، دما و رطوبت هوا به شیوه ای صریح و اعتقاد به علم اقلیم شناسی به عنوان عقل سلیم تأکید می کند. به این ترتیب تجسم این رابطه با استفاده از نقشه ها و نمودارها جالب است و در این جنبه است که ژئوپردازش کاملاً در تجزیه و تحلیل آب و هوا قرار می گیرد.

نمایش کارتوگرافی، که اغلب از تکنیک ژئوپردازش استفاده می کند، با هدف آشکارتر کردن اهمیت پدیده است. این معمولاً در صورتی رخ می دهد که بین متن نظرسنجی و نقشه های مورد استفاده هماهنگی وجود داشته باشد.

علیرغم این، در آموزش ابتدایی برزیل نقشه برداری سوادآموزی یا آموزش منظم وجود ندارد، بنابراین تفسیر نقشه ها کار دشواری است. این امر حتی در بالاترین سطوح آموزش آکادمیک (دکتری) اتفاق می افتد زیرا نمایش های گرافیکی بخشی از زندگی روزمره نیستند. محتویات و فعالیت های برنامه درسی پراکنده هستند و شکل گیری محققی را برای تولید و تجزیه و تحلیل این بازنمایی ها با کیفیت آسان نمی کند [ 1 ].

این نمایش، اگرچه برای جغرافیا و حوزه‌های تخصصی آن (به عنوان مثال، اقلیم‌شناسی) بسیار مهم است، اغلب به افزوده‌ای از عناصر بصری کاملاً تکه‌تکه بدون هیچ سودمندی واقعی برای اهداف تحقیق توسعه‌یافته تبدیل می‌شود. این یک مشکل کلی است، اما در اقلیم شناسی به این دلیل تقویت می شود که فضایی سازی پدیده های اقلیمی در یک منطقه خاص و در یک دوره خاص معمولاً کانون اصلی تحلیل است.

مرجع [ 1 ] کار خود را با یک تحقیق به پایان می رساند: چگونه می توان جوهرهای چنین روابط پیچیده ای را به صورت گرافیکی نمایش داد؟ نویسنده اشاره می کند که تنها جستجوی ایده آل سازی ها و تحقق های جدید نقشه نگاری می تواند به این سوال پاسخ دهد و این چالش کسانی است که اقلیم(های) سراسر کره زمین را مطالعه می کنند. جغرافیا با کارتوگرافی و ژئوپردازش به عنوان پایه پشتیبانی، می تواند و باید این شکاف را برطرف کند.

یکی از مشکلات اصلی نمایش گرافیکی در اقلیم شناسی دشواری پایش داده ها است که به مشکلات تحلیل زمین آماری ختم می شود. از این نظر، [ 2 ] روشی را برای نمایش گرافیکی دمای هوا و رطوبت نسبی در مکان هایی که نظارت بر آنها دشوار است، پیشنهاد می کند. ایده ارائه شده توسط نویسندگان مبتنی بر تکنیک های رگرسیون خطی است که هدف آن تخمین داده های هواشناسی، با در نظر گرفتن موقعیت جغرافیایی (طول / عرض جغرافیایی) و ارتفاع نقاط جمع آوری است. این روش ثابت کرده است که برای منطقه ای کردن رطوبت نسبی هوا در دره رودخانه سانفرانسیسکو، محدوده شرقی آند اکوادور موثر است.

در این تحقیق از داده های تاریخی شش نقطه جمع آوری و تصاویر ماهواره ای با وضوح بالا استفاده شد. در پایان، هر دو نمودار با بازنمایی آماری مدل و همچنین نقشه‌های توزیع رطوبت هوا مربوط به کاربری زمین (پوشش گیاهی)، برای شناخت و پیش‌بینی تغییرپذیری این عنصر اقلیمی کارآمد بودند.

بلوغ روش شناختی جالبی را می توان در این کار مشاهده کرد، ترکیب داده های ریاضی با نمایش فضایی نتایج به دست آمده. نقشه ها، نمودارها و جداول با استفاده از یک سیستم اطلاعات جغرافیایی (GIS)، که نتایج ثابتی را در رابطه با نمایش بصری یک متغیر جغرافیایی، به ویژه آب و هوا (رطوبت نسبی هوا) ارائه می‌دهد، شرح داده شد. این نوع کار به تعامل اقلیم شناسی با تکنیک های ژئوپردازش اهمیت می دهد.

کارهایی مانند این اهمیت دانستن روابط متقابل بین تنوع آب و هوایی و تغییرات در سطوح ارتفاع سنجی در سطح زمین را با هدف حفظ و نگهداری یکی از غنی ترین منابع طبیعی برای پوشش گیاهی سیاره ما نشان می دهد. این حتی در زیست بومی‌های بومی، مانند ناحیه هسته Araucaria Angustifolia، که در مناطق کوهستانی جنوب شرقی قلمرو برزیل غالب است، بیشتر است.

کار دیگری که این استدلال را اثبات می کند، کار [ 3 ] است، که در آن آنها بر اهمیت استفاده از سنجش از دور (تصاویر مداری) برای شناسایی ترکیب فلورستیکی در استفاده از زمین برای مناطق مختلف سیاره تأکید می کنند. این کار با هدف اثبات کارایی تکنیک سنجش از دور انجام شد و برای این منظور، مقایسه ای بین روش های مختلف مورد استفاده برای به دست آوردن شاخص گیاهی انجام شد. با مشورت چندین نویسنده که مفاهیم و رویه‌هایی را برای این روش ارائه کرده‌اند، می‌توان متوجه شد که برخی از شاخص‌ها نسبت به سایرین حساس‌تر هستند. به عنوان مثال، NDVI (شاخص گیاهی تفاوت نرمال شده) و RVI (شاخص نسبت گیاهی)، حساس تر از NDVI (شاخص گیاهی تفاوت نرمال شده سبز) و WDRVI (شاخص پوشش گیاهی با دامنه وسیع پویا) بودند.

علاوه بر این، NDVI را می‌توان یکی از پرکاربردترین شاخص‌ها برای پایش و بررسی پوشش گیاهی و نیز SAVI (شاخص گیاهی تنظیم‌شده خاک) دانست. تفاوت این است که اولی خاک پس زمینه را برجسته می کند، در حالی که دومی تمایل دارد این اثر را به حداقل برساند. NDVI همچنین می تواند یک ارزیاب خوب زیست توده در نظر گرفته شود و همبستگی خوبی با میزان رطوبت گیاه دارد.

بنابراین، یک مشکل رایج هنگام استفاده از تحلیل تصویر مداری برای به دست آوردن فضایی سازی انواع مختلف کاربری، انتخاب مناسب ترین شاخص پوشش گیاهی است. برخی از شاخص ها برای شناسایی پوشش گیاهی دقیق تر هستند، خاک در معرض دید را برجسته می کنند، همانطور که در مورد NDVI وجود دارد، اما در نهایت به دست کم گرفتن انواع دیگر استفاده می شود. از سوی دیگر SAVI برای خاک خالی ارزش قائل است اما بقیه را دست کم می گیرد. NSWI (Severe Weather Data Inventory) نیز شاخص دیگری است که به طور گسترده مورد استفاده قرار می گیرد، اما آب (سطح مایع) را به ضرر سایر جنبه ها برجسته می کند.

در تلاش برای رسیدگی به این عدم دقت یک روش خاص، [ 4 ] از ترکیبی از شاخص‌های NDVI، NDWI و NDBI مرتبط با کانال‌های RGB استفاده کرده‌اند و کنتراست‌ها را به‌عنوان یک ابزار طبقه‌بندی مؤثر در جداسازی آب، ابرها، به دست آورده‌اند. منطقه، خاک و آب در معرض. به جز مشکلاتی که با ابرها مواجه می شوند، مدل بسیار دقیق شده است و به همبستگی نزدیک به 100٪ برای کاربری واقعی زمین دست یافته است.

سپس متوجه می‌شود که استفاده از ژئوتکنولوژی با متمایزترین متدولوژی‌ها در مطالعات با هدف درک واقعیت اقلیمی مکان مرتبط می‌شود، به ویژه زمانی که این واقعیت رابطه بسیار نزدیکی با کاربری زمین و توپوگرافی سطح داشته باشد. از این نظر، داده‌های سنجش از دور مرتبط با پایش دما و رطوبت نسبی می‌توانند ابزار مهمی برای برنامه‌ریزی و پایش مناطق با کاربری محدود، مانند مناطق حفاظت‌شده دائمی و پارک‌های اکولوژیکی باشند.

در مناطق حفاظت دائمی، درک فرآیند نگهداری و اصلاح کمیت و تنوع گونه‌های فلوریستی موجود جالب است. معمولاً تحقیقات انجام شده در این منطقه شرایط اقلیمی فعلی، گذشته یا آینده را در نظر نمی گیرد، بلکه صرفاً به دنبال شناسایی تنوع مکانی و زمانی فلور محلی است.

بنابراین، مطالعاتی مانند آنچه توسط [ 5 ] انجام شد، نشان می‌دهد که چگونه پردازش جغرافیایی می‌تواند به راحتی تنوع فلوریستیکی را در یک دوره زمانی معین شناسایی کند. در این مطالعه، نویسندگان پوشش زمین را در پارک ملی یاکامبو، واقع در لارا، ونزوئلا، با استفاده از شاخص تکه تکه تجزیه و تحلیل کردند تا دریابند که آیا مرز کشاورزی اطراف منطقه تحقیقاتی بر تغییرات ساختار پوشش گیاهی پارک از سال 2000 تا 2008 تأثیر گذاشته است. نویسندگان از تکنیک‌های سنجش از دور برای بررسی تغییرات محیطی احتمالی در منطقه استفاده کردند، که ثابت شد در این فرآیند بسیار کارآمد است، زیرا سطوح قابل‌توجهی از تکه تکه شدن را پیدا کردند. این تجزیه و تحلیل برای درک نسبت مناطق کشاورزی در مرز پارک که در طول زمان تغییر کرده است، مهم تر بود.

اگرچه این مطالعه شرایط اقلیمی را به عنوان عاملی در این فرآیند در نظر نگرفت، اما مشخص است که نمی‌توان تأثیر اقلیم و پویایی جنگل‌ها را به‌ویژه در مناطق حفاظت‌شده تفکیک کرد. چندین مطالعه قبلاً این رابطه را نشان داده اند [ 6 ] [ 7 ] [ 8 ] و [ 9 ].

منطقه مطالعه حاضر با در نظر گرفتن این رابطه به یک موضوع تحقیقاتی جالب تبدیل می‌شود، زیرا آب و هوای معمولی کوهستانی آن، با تنوع حرارتی بالا، هم در مقیاس فصلی و هم در مقیاس روزانه، به عنوان محدودیتی برای تکامل جامعه‌شناسی گیاهی قرار می‌گیرد. به طوری که پوشش گیاهی معمولی منطقه (Araucaria Angustifolia) یک گونه بومی است و پراکندگی آن بسیار محدود است و عملاً خود را به منطقه جنوبی برزیل محدود می کند و این محدودیت کاملاً به عوامل جغرافیایی (اقلیم، امداد و خاک) مرتبط است. .

برخی از مطالعات قبلاً به این ویژگی آب و هوا در منطقه جنوبی مرکزی پارانا [ 10 ] [ 11 ] و [ 12 ]، منطقه ای که منطقه مورد مطالعه ارزیابی شده در آن قرار دارد، پرداخته اند، همانطور که در شکل 1 نشان داده شده است. همه این نویسندگان ویژگی های آب و هوایی منطقه را نشان داده و بر رابطه غیرقابل انکار بین آب و هوا، تسکین و پوشش گیاهی، که توسط دینامیک جوی نفوذ می کند، به عنوان مثال، فرض توپوگرافی نیز تحت تأثیر توده های هوای فعال تأکید می کنند.

بنابراین، کار حاضر به دنبال نشان دادن اهمیت دانستن، پایش و پیش‌بینی دینامیک مکانی و زمانی عناصر هواشناسی در مقیاس توپوکلیمی است. از این نظر، عمدتاً آنهایی در نظر گرفته می شوند که در مکان هایی با تنوع آب و هوایی بالا و با غلبه پوشش گیاهی بومی در منطقه ای با حفظ دائمی، که به عنوان اولویت برای حفظ و نگهداری محیط زیست تعریف شده است، رخ می دهند.

برای این منظور، استفاده از تکنیک‌های ژئوپردازش حائز اهمیت است و این را می‌توان از درونیابی داده‌های موجود، به‌دنبال تخمین دمای هوا در سراسر منطقه مورد مطالعه بر اساس نقاط جمع‌آوری محدود، نشان داد. علاوه بر این، تعیین حدود نوع کاربری زمین، به ویژه تراکم پوشش گیاهی، ممکن است نشان دهد که چگونه دمای هوا با توزیع جنگل در منطقه مورد مطالعه مرتبط است.

2. مواد و روشها

2.1. منطقه تحقیق

منطقه مورد مطالعه در منطقه حفاظت دائمی Serra da Esperança ( شکل 1 )، به ویژه در بخش منطقه شمالی است. شهرستان (Guarapuava و Prudentópolis) انتخاب شدند زیرا در ارتفاعات بسیار متغیر (از 1200 متر تا 700 متر) قرار دارند و دارای ویژگی های ژئومورفولوژیکی بسیار خاص هستند، یعنی نزدیک به مرز بین فلات دوم و سوم پارانا، در منطقه شناخته شده به عنوان Serra da Esperança. علاوه بر این، گواراپواوا بزرگترین شهرستان در پارانا است و در یک منطقه مسطح در سمت عقب کوئستا دا اسپرانسا واقع شده است، در حالی که Prudentópolis در یک منطقه شیب دارتر و در جلوی کوه قرار دارد که مقیاس رویکرد توپوکلیمی را مشخص می کند.

چهار (4) نقطه جمع آوری بر روی ترانسکت سرا دا اسپرانسا، بین گواراپواوا و پرودنتوپلیس، به دنبال خطوط کلی BR 277 ( شکل 1 ) نصب شده است. برای نصب این نقاط ارتفاع در نظر گرفته شد. تجهیزات نظارت بر داده های دما نصب و برنامه ریزی شد تا هر ساعت در هر یک از نقاط جمع آوری شود.

نقاط P1 (1060 متر)، P2 (1211 متر)، P3 (906 متر) و P4 (705 متر) شناسایی شدند. در هر یک از این نقاط یک پناهگاه کوچک حاوی سنسور دما متصل به دیتالاگر تعبیه شد که داده ها را در فاصله زمانی 60 دقیقه یعنی ساعتی با ظرفیت ذخیره سازی 333 روز از برند PERCEPTEC مدل DHT2000 جمع آوری می کند. دقت 0.5 درجه سانتیگراد که داده های دمای هوا را ذخیره می کرد.

جالب است بدانید که نقطه P1 لزوماً در منطقه APA da Serra da Esperança نیست، اما به عنوان یک کنترل ارتفاع برای تأیید روش مورد استفاده در پیش‌بینی داده‌ها مهم است.

2.2. گردآوری و سازماندهی داده های هواشناسی

داده های ساعتی از اول ژوئن 2014 تا 31 ژوئیه 2015 جمع آوری شد که بر اساس معیارهای سال هیدرولوژیکی طبقه بندی شدند. بعداً داده‌ها در صفحات گسترده سازمان‌دهی شدند، جدول‌بندی و اعتبارسنجی از طریق برخی پارامترهای آماری مانند معادله حسابی ساده متوسط ​​(1)، معادله انحراف معیار (2) و همبستگی خطی ساده معادله پیرسون (3) انجام شد:

∑را(ایکسمن)نمن∑​(xi)Ni(1)

∑را(ایکسمن–ایکس2)ن– 1——-√∑​(xi−x2)N−1(2)

r =1n – 1∑ (x i –ایکس¯اسایکس) (yمن –y¯اسy)r=1n−1∑(xi−x¯Sx)(yi−y¯Sy)(3)

تمام محاسبات با استفاده از صفحه گسترده Microsoft Excel 2010 انجام شد. هدف آن صرفاً اعتبارسنجی داده ها از نقطه نظر برخی خطاهای ریاضی در مجموعه و سازماندهی آنها بود.

2.3. ژئوفرایندها و نقشه های موضوعی

تغییرات ارتفاعی منطقه مورد مطالعه از داده های شطرنجی به دست آمده توسط پایگاه داده INPE-TOPODATA تشریح شد. سپس می‌توان مدل رقومی ارتفاع را با وضوح 30 متر به دست آورد که هیپسومتری زمین از آن به تفصیل شرح داده شد ( شکل 2 ). دامنه ارتفاعی بین پایین ترین (504 متر) و بالاترین (1331 متر) نقطه نشان دهنده اهمیت منطقه مورد مطالعه برای تجزیه و تحلیل آب و هوا، به ویژه مواردی که با هدف تعامل بین اقلیم، تسکین و پوشش گیاهی است. نرم افزار مورد استفاده برای تولید و دستکاری داده ها ArcGIS 10.2 بود.

برای به دست آوردن شاخص های پوشش گیاهی و نقشه های کاربری اراضی از همین پایگاه نقشه برداری استفاده شد. با این حال، تصاویر ماهواره‌ای از LandSat 8 ژوئیه 2015 و 18 ژانویه 2016 که منطقه مورد مطالعه را پوشش می‌دهد نیز مورد تجزیه و تحلیل قرار گرفت. این تصاویر از پایگاه داده ژئومورفومتری INPE (موسسه ملی تحقیقات فضایی) به دست آمده است.

از این تصاویر، NDVI (شاخص تفاوت عادی شده گیاهی) محاسبه شد که یک شاخص گیاهی است که برای برجسته کردن این هدف استفاده می شود. این مزیت این است که بسیاری از اشکال و صداها مانند تفاوت نور و سایه ابر را کاهش می دهد. برای به دست آوردن چنین شاخصی از رابطه (4) استفاده می شود:

NDVI =( ρ ivp − ρ vm )( ρ ivp + ρ vm )NDVI=(ρivp−ρvm)(ρivp+ρvm)(4)

در این معادله، برای ρ ivp، بازتاب مادون قرمز نزدیک، و ρ vm بازتاب قرمز را داریم.

شاخص دیگری که محاسبه شد NDWI (شاخص تفاوت عادی آب) بود که معادله ای است که برای برجسته کردن آب و از بین بردن تأثیر خاک بر پوشش گیاهی ایجاد شده است. با استفاده از رابطه (5) انجام شده است.

NDWI =( ρ dv − ρ ivp )( ρ vd + ρ ivp )NDWI=(ρdv−ρivp)(ρvd+ρivp)(5)

در ρ ivp بازتاب مادون قرمز نزدیک است و ρ dv بازتاب باند سبز است. تمامی این محاسبات نیز در ArcGIS (مجوز دانشگاهی) با نسخه 10.2 انجام شد و نقشه هایی را با فضایی سازی نتایج ایجاد کرد.

به منظور ترسیم نقشه های درونیابی دمای هوا، از نمونه های جمع آوری شده در میدان استفاده شد که در آن داده ها بر اساس روش استفاده شده توسط [ 2 ] جدول بندی شدند. این روش از روش معکوس فاصله وزنی پشتیبانی شده توسط رابطه (6) استفاده می کند:

تیD e t=تیماه+ ( Γ⋅ (زx y–زD e t) )TDet=Tmonth+(Γ⋅(Zxy−ZDet))(6a)

و

تیx y=تیD e t+ ( Γ⋅ (زx y–زD e t) )Txy=TDet+(Γ⋅(Zxy−ZDet))(6b)

جایی که تیD e tTDetمیانگین دمای سطح پایه ماهانه [˚C] واحد کاربری زمین است، زD e tZDetسطح بی روند [اینجا 1000 متر از سطح زمین]، تیماهTmonthمیانگین دمای ماهانه [˚C]، Γ شیب (= شیب ارتفاعی)، تیx yTxyدمای ماهانه [˚C] در موقعیت (x, y) و است زx yZxyارتفاع [m sl] در موقعیت (x, y) است.

پس از درونیابی دو تصویر از پایگاه داده ژئومورفومتریک INPE (موسسه ملی تحقیقات فضایی)، پروژه TOPODATA (25S525ZN و 25S51_ZN) که منطقه مورد مطالعه از آن بریده شده بود، استفاده شد.

ناسازگاری های احتمالی نیز از طریق فرآیند پر کردن خطا تصحیح شد و به 16 بیت و مقادیر ارتفاعات گرد تبدیل شد. پس از اینها، فرآیند نگاشت همدماها از طریق جبر نقشه ها با استفاده از روش زیر انجام شد: درون یابی معکوس فاصله به اضافه ثابت 0.0066- برابر ارتفاع (topodata) کمتر میانه ارتفاعات (986 متر) .

ژئوفرایندها و نمایش توزیع فضایی داده ها (حداکثر و حداقل ایزوترم) از IBGE (موسسه جغرافیا و آمار برزیل، 2010) و TOPODATA (INPE) استفاده کردند. تمامی نقشه ها با استفاده از نرم افزار ArcGIS (مجوز آکادمیک) نسخه 10.2 که از طریق سیستم مرجع SIRGAS 2000 و سیستم مختصات جغرافیایی شرح داده شده است، اجرا شده است. برای بهینه سازی فضا و درک بهتر داده های اقلیمی یک تعمیم نقشه برداری انجام شد و اطلاعات فنی از شکل های ارائه شده در بحث نتایج حذف شد.

2.4. همبستگی NDVI و NDWI با حداکثر و حداقل دما

برای تجزیه و تحلیل نتایج بین NDVI، NDWI، TEMP MAX و TEMP MIN از رگرسیون وزنی جغرافیایی (GWR) استفاده شد. هدف GWR شناسایی ناهمگونی های فضایی در مدل های رگرسیون داده های زمین مرجع [ 13 ] است. طبق [ 14 ] GWR را می توان با رابطه زیر (7) بیان کرد:

yمن=β0 (تومن،vمن)+∑راβj(تومن،vمن)ایکسمن ج+εمنyi=β0(ui,vi)+∑​βj(ui,vi)xij+εi(7)

yمنyiمعادل نتیجه در محل مختصات است که با نشان داده شده است (تو( من )،vمن)(u(i),vi)، β0β0ه β( j )β(j)رهگیری برآورد محلی را با تأثیر متغیر j برای مکان i نشان می دهد. مکان های نزدیک i تاثیر قوی تری بر تخمین دارند β( j )(تومن،vمن)β(j)(ui,vi), از مقادیر دور از i . در مدل GWR، تخمین پارامترهای محلی را می توان برای هر مکانی به دست آورد، که به نوبه خود امکان ایجاد نقشه ای را که سطح پیوسته ای از مقادیر پارامترها را نشان می دهد و بررسی تغییرپذیری فضایی این پارامترها مطابق با [ 14 ] را می دهد.

GWR از 10000 نقطه، استخراج شده به صورت تصادفی، با در نظر گرفتن مقادیر پیکسل دمای تنظیم شده و مقادیر NDVI و NDWI انجام شد.

3. نتایج و بحث

در لحظه اول، به دنبال شناسایی تفاوت‌های کاربری زمین، نقشه‌هایی که این عنصر منظر را نشان می‌دهند مورد تجزیه و تحلیل قرار گرفتند ( شکل 3 و شکل 4 ). این دو نقشه به دنبال مقایسه کاربری اراضی در فصول مختلف بودند. بنابراین، شکل 3 نشان دهنده کاربری غالب زمین در فصل زمستان (26 ژوئیه 2015) است. همانطور که در شکل 4 این فضاسازی در دوره تابستان (18 ژانویه 2016) نشان داده شده است.

هنگام مقایسه شکل 3 و شکل 4 می توان دریافت که با توجه به تناسب آنها با کل مساحت، تفاوت معنی داری بین انواع کاربری ها وجود ندارد. با این حال، برخی از انواع استفاده از فصلی به فصل دیگر متفاوت است و می توان این واقعیت را هنگام تجزیه و تحلیل رشد و/یا کاهش آنها در دو فصل مشاهده کرد.

با مرور جدول منطقه می توان دریافت که پوشش گیاهی آن عملاً بدون تغییر باقی مانده است. مساحت انبار کاه/منطقه شهری کمی بیشتر تغییر می کند (از 26.56 درصد در زمستان تا 20.75 در تابستان)، که به دلیل غلبه زیاد مناطق با مواد گیاهی در حال پوسیدگی در آن دوره (بین برداشت محصول) غلظت بالای انبار کاه در زمستان را توضیح می دهد. و ریزش برگ درختان). به همین ترتیب، مساحت خاک در معرض نیز در زمستان افزایش می یابد (از 0.18٪ به 0.41٪)، که با کاهش زمین های زراعی توضیح داده می شود. نوع دیگری از کاربری که تغییر می کند، آب/ابر است، اما به دلیل شیوع بیشتر ابرها در آن مکان در طول زمستان، در بخش شمال شرقی متمرکز است.

بنابراین، تغییرات در نوع استفاده به طور قابل توجهی متفاوت نیست و تفاوت های یافت شده منحصراً با شرایط آب و هوایی (ابرها) و مدیریت کشاورزی (انباشته کاه و کشاورزی) مرتبط است. این امر نشان می دهد که فعالیت های کشاورزی و چرخه فنولوژیکی پوشش گیاهی تنها عناصر چشم انداز هستند که به صورت فصلی تغییر کرده اند، یعنی منطقه پایدار است، حداقل در این مقیاس تحلیل.

شکل 5 و شکل 6 نتیجه محاسبه NDVI را برای 26 جولای 2015 و 18 ژانویه 2016 در منطقه مورد مطالعه نشان می دهد. شباهت واضحی بین این دو دوره وجود دارد، یعنی این شاخص به سختی هیچ تغییری را بین تابستان و زمستان مشخص می کند، به جز در بخش کوچکی از شمال شرقی منطقه، که با غلظت بالای ابر در آن روز توضیح داده شده است، همانطور که قبلا در شکل 3 و شکل نشان داده شده است. 4 . این غلظت باعث می شود NDVI ابرها را با کمبود پوشش گیاهی مرتبط کند.

هنگام مقایسه دو تصویر ( شکل 5 و شکل 6 ) و ارتباط خصوصیات جنگل با دمای هوا، کاهش جزئی دما در زمستان قابل مشاهده است که طبیعی است، زیرا مقادیر این عنصر از آب و هوا به وضوح در فصل زمستان کمتر است. جدا از این، هیچ تغییر قابل توجه دیگری را نمی توان مشاهده کرد. با این حال، باید توجه داشت که NDVI غلظت بالاتری از جنگل را در منطقه مرکزی منطقه مورد مطالعه نشان می‌دهد، که همچنین منجر به استنباط می‌شود که دمای سطح ملایم‌تری هم در تابستان و هم در زمستان رخ می‌دهد.

حتی اگر بین دمای سطح و دمای هوا تفاوت وجود داشته باشد، برخی از آثار [ 15 ] و [ 16 ] نشان می‌دهند که همبستگی خوبی بین یک اندازه‌گیری و اندازه‌گیری دیگر وجود دارد، اگرچه پاسخ آنی نیست و بسته به پوشش زمین، این فرآیند ممکن است چندین ساعت طول بکشد تا رخ دهد.

با این حال، NDVI یک شاخص کلی تر است که به سادگی غلظت بیشتر یا کمتر مناطق پوشش گیاهی را در نظر می گیرد. فقدان پوشش گیاهی را تصور می کند و هنوز هم بیش از حد برآورد می کند، زیرا هرگونه تداخل در محیط (مثلاً ابرها) را مناطقی بدون پوشش گیاهی می داند. از این نظر، تحلیل آن باید بر تراکم جنگل متمرکز شود.

NDWI نیز یکی دیگر از گزینه‌های تحلیلی برای نشان دادن رابطه کاربری زمین با ویژگی‌های آب و هوایی است، زیرا بدنه‌های آبی را برجسته می‌کند و تأثیر خاک را در فرآیند کسر دمای هوا و سطح کاهش می‌دهد. شکل 7 و شکل 8 محاسبه NDWI برای منطقه مورد مطالعه در دو روز انتخاب شده را نشان می دهد که در این صورت تفاوت بیشتری بین دو رقم قابل مشاهده است.

با تجزیه و تحلیل محاسبه NDWI برای زمستان ( شکل 7 ) و تابستان ( شکل 8 ) می توان تشخیص داد که مناطق بالقوه گرم تر تغییر قابل توجهی ندارند. با این حال، مناطقی که دماهای پایین‌تر را نشان می‌دهند در طول تابستان بسیار مهم‌تر هستند. این امر با این واقعیت توضیح داده می شود که مناطق شهری با خاک در معرض (گرمتر) پایدار می مانند، در حالی که میزان رطوبت در مناطق جنگلی و زراعی در تابستان افزایش می یابد، به ویژه در ژانویه، که ماه آن فصل با بیشترین غلظت بارندگی است. این نشان می‌دهد که محیط‌های مرطوب‌شده که بهترین پاسخ را به این شاخص نشان می‌دهند، دائمی هستند و تغییرات فضایی احتمالی دما و رطوبت هوا را برای منطقه مورد مطالعه تعریف می‌کنند.

در این مورد باید توجه داشت که هم در زمستان و هم در تابستان، مناطقی با دمای احتمالاً ملایم‌تر غالب هستند. حتی اگر بتوان الگویی از دماهای بالاتر (عمدتا در تابستان) را برای انتهای منطقه (بخش شمال شرقی و جنوب غربی) استنباط کرد، یک همگنی نسبی در سراسر منطقه مورد مطالعه رخ می دهد.

شکل 9 فضایی سازی مقادیر دما برآورد شده توسط روش پیشنهادی [ 2 ] را نشان می دهد. داده‌های نشان‌داده‌شده در نقاط نمونه، میانه‌های مقادیر مطلق جمع‌آوری‌شده در مکان هستند. از این داده ها درون یابی برای بقیه منطقه مورد مطالعه انجام شد.

داغ ترین منطقه در انتهای شمالی نقشه نه مقادیر نمونه است و نه درون یابی، زیرا سایه یک منطقه ابری است که در تصویر Landsat استفاده شده برای فرآیند درونیابی ظاهر می شود. بقیه منطقه متحمل این نوع تداخل نشده است و می توان استنباط کرد که داده های یافت شده باید مقادیر واقعی را مطابق روش مورد استفاده نشان دهند.

با نگاهی دقیق به کارتوگرام های شکل 7 و شکل 8 ، به وضوح رابطه فضایی شدن دمای هوا بر اساس ارتفاع و پوشش گیاهی را می بیند. مناطق مرتفع (جنوب غربی)، صرف نظر از زمان سال، دمای کمتری دارند، در حالی که منطقه شمال شرقی همیشه دمای بالاتری دارد. از آوریل تا سپتامبر (پاییز و زمستان) ممکن است در شدیدترین بخش جنوب غربی گرمایش جزئی مشاهده شود. این توسط توضیح داده شده است

نزدیکی به منطقه شهری Guarapuava، در نتیجه کاهش پوشش گیاهی و رطوبت وجود دارد، به خصوص در این زمان از سال که بارندگی نیز در منطقه مورد مطالعه کاهش می یابد.

شکل 10 ، به نوبه خود، همان روش بکار رفته در شکل 9 را نشان می دهد ، با این حال، مقادیر دمای حداقل به عنوان پایگاه داده استفاده می شود. به جز این واقعیت که محدوده فصلی بالا، یعنی حداقل دما بسیار کمتر از حداکثرهای بدست آمده است. بنابراین جولای مثال خوبی است، زیرا حداقل دما نزدیک به 9 درجه سانتیگراد است، در حالی که حداکثر دما بالای 18 درجه سانتیگراد است. جدای از این مشاهده، توزیع مکانی دما نیز از همین الگو تبعیت می کند، یعنی با کاهش ارتفاع و تراکم پوشش گیاهی، دما افزایش می یابد.

هر دو شکل 9 و 10 رابطه غیرقابل انکار بین تسکین، پوشش گیاهی و دمای هوا را نشان می دهند. اگرچه تحلیل‌های کاربری زمین و شاخص‌های آن‌ها ( شکل 3 تا شکل 8 ) همگنی خاصی را برای این ویژگی‌ها برجسته کرده‌اند، تغییرات کمی موجود، مرتبط با صفحه ارتفاع‌سنجی، با پایش دمای هوا مرتبط است و با روش مورد استفاده استنباط می‌شود [ 2 ].

تجزیه و تحلیل شکل 5 تا شکل 10 به ما این امکان را می دهد که یک شباهت در توزیع فضایی در نتایج NDVI ( شکل 5 و شکل 6 )، NDWI ( شکل 7 و شکل 8 ) و درون یابی احتمالی برای حداکثر ( شکل 9 ) و حداقل ( شکل 10 ) دما. با این حال، این قیاس، استدلال‌هایی را تعریف نمی‌کند که تأیید کند که این امر به صورت خطی در سراسر منطقه مورد مطالعه رخ می‌دهد، زیرا نمی‌توان به همبستگی آماری در تحلیل این ارقام نزدیک شد.

در جستجوی یک اثبات ریاضی برای این رابطه یا همبستگی، رگرسیون وزن‌دار جغرافیایی (GWR) از 10000 نقطه انجام شد. پس از نتایج، مدل GWR از r2 جهانی ، r2 تنظیم شده ^{، سیگما (} انحراف استاندارد) و مجموع باقیمانده مربع ها تأیید شد ( شکل 11 ).

تجزیه و تحلیل شکل 11 به وضوح نشان می‌دهد که همبستگی آماری خوبی بین نتایج به‌دست‌آمده وجود دارد، و تأیید می‌کند که روش پیشنهادی توسط [ 2 ] امکان کسر دمای هوا را برای مکان‌های غیرقابل دسترس فراهم می‌کند و دقیقاً با کاربری زمین، به‌ویژه با غلظت بیشتر یا کمتر پوشش گیاهی و آب های سطحی.

همبستگی کلی فضایی و غیرخطی برای منطقه مورد مطالعه بسیار خوب است (تعدیل r2 ⁼ 0.9919 برای NDVI/TEMP MAX؛ 0.8879 برای NDVI/TEMP MIN؛ 0.9919 برای NDWI/TEMP MAX؛ و 0.9721 برای NDWI/TE) در شکل های 11(A)-(C) و شکل 11 (D) دیده می شود.

با وجود این همبستگی خوب، این نتیجه کلی است، اما تنوع مکانی بالایی دارد و با توجه به نوع شاخص ارزیابی شده متفاوت است. شکل 11 (الف) و شکل 11 (ب)، نشان می‌دهد که NDVI همبستگی خوبی در بخش‌های مرکزی و شمالی منطقه مورد مطالعه دارد، اما در سایر مناطق به طور قابل توجهی کاهش می‌یابد. از سوی دیگر در شکل 11 (ج) و شکل 11 (د) که NDWI را ارزیابی می‌کنند، این همبستگی بسیار بهتر است و اگرچه در بخش‌های مرکزی و شمالی نیز معنی‌دارتر است، اما چندین منطقه دیگر با همبستگی خوب وجود دارد. (بیش از 70 درصد).

بنابراین، روش ارائه شده توسط [ 2 ]، شکل 9 و شکل 10 ، ثابت شده است که برای کسر مقادیر دمای هوا در مناطقی که نقاط نظارت سطحی ندارند، کارآمد است، این پیش‌بینی‌ها همچنین با مناطقی همراه با حضور بیشتر یا کمتر منابع طبیعی مرتبط هستند. (پوشش گیاهی و آب).

4. نتیجه گیری

فرضیه اصلی این کار بر اهمیت استفاده از تکنیک‌های سنجش از دور و ژئوپردازش برای ارزیابی آب و هوا در مناطق صعب العبور متمرکز بود.

در مناطق حفاظت شده دائمی، به ویژه مناطقی که با امداد (کوه ها، فلات ها و غیره) و پوشش گیاهی بومی (بومی) همراه هستند، معمولاً مکان های زیادی با امکان نظارت بر دمای هوا وجود ندارد. در برخی موارد ایستگاه های پلویومتریک وجود دارد، اما دماسنج هایی که به طور دوره ای دما و رطوبت هوا را جمع آوری می کنند تقریباً در این مناطق یافت نمی شوند. به همین دلیل است که تکنیک‌های ژئوپردازش مفید هستند، زیرا می‌توانند داده‌هایی از این نوع را فراتر از چند نقطه جمع‌آوری برون‌یابی (برآورد) کنند.

بنابراین، کار حاضر نشان داده است که می‌توان استفاده از زمین (پوشش گیاهی)، امداد (ارتفاع‌سنجی) و آب و هوا (دمای هوا) را برای منطقه حفاظت دائمی Serra da Esperança مرتبط کرد. به این ترتیب، این روش نه تنها برای تخمین داده‌های دما در مکان‌های دسترسی دشوار مؤثر است، بلکه می‌تواند سطوح حفظ در مکان و زمان را نیز تعیین کند.

علاوه بر این، در یک منطقه حفاظت شده، اگر دمای هوا در حال افزایش باشد، می توان فرض کرد که پوشش گیاهی در حال کاهش است. بنابراین، با اعمال مدل پیشنهادی [ 2 ] و نظارت بر چند نقطه جمع آوری، می توان سیر تحول این فرآیند را کنترل کرد، یعنی اینکه آیا منطقه واقعاً حفظ می شود یا خیر.

اگر هیچ رابطه ای بین پوشش گیاهی و آب یافت نشد، با تغییر فضایی دمای هوا هنگام استفاده از تکنیک های سنجش از دور و روش [ 2 ]، فرض می شود که نوعی تخریب محیطی (جنگل زدایی یا کاهش جریان های آب) رخ می دهد.

منابع

[ 1 ]	Caracristi، I. (2003) Geografia e Representacoes Gráficas: Uma breve abordagem crítica e os novos desafios técnico-metodológicos perpassando pela climatologia. RevistaBrasileira de Cartografia، 55، 15-24.
[ 2 ]	Fries، A.، Rollenbeck، R.، NauB، T.، Petersd، T. و Bendixb، J. (2012) رطوبت هوای نزدیک سطح در یک اکوسیستم کوهستانی آند با تنوع بالا در جنوب اکوادور و منطقه‌بندی آن. هواشناسی کشاورزی و جنگل، 152، 17-30. https://doi.org/10.1016/j.agrformet.2011.08.004
[ 3 ]	Marcussi, AB, Bueno, CRP, Miqueloni, DP and Arraes, CL (2010) Utilizacao de índices de Vegetacaoparaos Sistemas de Informacao Geográfica. کامینهوس د جئوگرافیا، 11، 41-53.
[ 4 ]	Franca، AF، Tavares Junior، JR و Moreira Filho، JCC (2012) شاخص‌های NDVI، NDWI و NDBI como Ferramentasao Mapeamento Temático do Entorno da Lagoa Olhod’água، emJaboatao dos Guararapes-PE. مجموعه مقالات سمپوزیوم IV برزیل در علوم زمین شناسی و فناوری های اطلاعات جغرافیایی، رسیف، 6-9 مه 2012، 1-9.
[ 5 ]	Molina، GZ and Albarran، AJ (2013) Análisis Multitemporal y de la Estructura Horizontal de la Cobertura de la Tierra: Parque Nacional Yacambú، Estado Lara، ونزوئلا. Cuadernos de Geografía-Revista Colombiana de Geografía، 22، 25-40. https://doi.org/10.15446/rcdg.v22n1.36305
[ 6 ]	Oliveira-Filho، AT و Fontes، MAL (2000) الگوهای تمایز فلورستیکی در بین جنگل های اقیانوس اطلس در جنوب شرقی برزیل و تأثیر آب و هوا. Biotropica – مجله علمی ATBC، 32، 793-810. https://doi.org/10.1111/j.1744-7429.2000.tb00619.x
[ 7 ]	Becerra، JAB، Shimabukuro، YE و Alvalá، RCS (2009) رابطه بین الگوی فصلی پوشش گیاهی و بارش در منطقه سرادو با شاخص‌های پوشش گیاهی طیفی. Revista Brasileira de Meteorologia، 24، 125-134. https://doi.org/10.1590/S0102-77862009000200002
[ 8 ]	Higuhi, P., Da Silva, AC, Budke, JC, Mantovani, A., Bortoluzzi, RLC and Ziger, AA (2013) تأثیر آب و هوا و مسیرهای مهاجرت گونه های درختی بر الگوهای جغرافیای گیاهی جنگل ها در جنوب برزیل. Ciência Florestal، 23، 539-553. https://doi.org/10.5902/1980509812338
[ 9 ]	آلبوکرک، MM و لوپس، WGR (2016) تأثیر پوشش گیاهی در آب و هوای متغیر: سودی در محله‌های شهر ترسینا، پیائو. Revista RA’E GA, 36, 38-68. https://doi.org/10.5380/raega.v36i0.39719
[ 10 ]	Costa، ​​C. and Andrade، AR (2015) پیدایش و تکامل دمای حداقل مطلق در منطقه مرکزی جنوبی ایالت پارانا: تأثیر دینامیک جو و تسکین محلی. Boletim Goiano de Geografia, 35, 452-471.
[ 11 ]	Silva، JMF و Oka-Fiori، C. (2017) ارزیابی کیفی ژئومورفوسایت‌های بالقوه در منطقه حفاظت از محیط زیست سرا دا اسپرانکا، ایالت پارانا، برزیل. Caderno de Geografia, 27, 824-839. https://doi.org/10.5752/p.2318-2962.2017v27n51p824
[ 12 ]	Borodiak, J., Andrade, AR, Costa, C. and Bereze, J. (2017) Relacao da Precipitacao Pluviométrica e Acao Antrópica com os Deslizamentos de Terra Ocorridosna Escarpa da Serra da Esperanca: Evento de 2920 seed. هفدهمین سمپوزیوم برزیل در جغرافیای فیزیکی کاربردی، کامپیناس، 28 ژوئن-2 جولای 2017، 2274-2279. https://doi.org/10.20396/sbgfa.v1i2017.2471
[ 13 ]	Wheeler, D. and Tiefelsdorf, M. (2005) چند خطی و همبستگی بین ضرایب رگرسیون محلی در رگرسیون دارای وزن جغرافیایی. مجله نظام های جغرافیایی، 7، 161-187. https://doi.org/10.1007/s10109-005-0155-6
[ 14 ]	متیوز، SA و یانگ، T.-C. (2012) نقشه برداری از نتایج آمار محلی. تحقیقات جمعیتی، 26، 151-166. https://doi.org/10.4054/DemRes.2012.26.6
[ 15 ]	Neumann, CM (2017) Relacao entre o Uso e Ocupacao Terra ea Variabilidade da Precipitacao e da Temperatura do Ar, no Município de Turvo-Paraná. پایان نامه (کارشناس ارشد جغرافیا)، UniversidadeEstadual do Centro-Oeste, Guarapuava, 112 p.
[ 16 ]	Amorim, MCCT, Dubreuil, V. and Cardoso, RS (2015) مدلسازی فضای جزیره گرمایی شهری در Presidente Prudente (Sp) – برزیل. مجله اقلیم شناسی برزیل، 16، 29-45. https://doi.org/10.5380/abclima.v16i0.40585