استفاده از تکنیک‌های سنجش از دور و سیستم‌های اطلاعات جغرافیایی برای تجزیه و تحلیل دمای سطح زمین در پاسخ به کاربری زمین/تغییر پوشش زمین در منطقه بزرگ قاهره، مصر

منطقه بزرگ قاهره (GCR)، مصر در چند دهه گذشته گسترش سریع شهری و توسعه گسترده را تجربه کرده است. با توجه به چنین توسعه ای، این منطقه با پیامدهای زیست محیطی زیادی مواجه است. به منظور کاهش چنین پیامدهایی، بررسی تغییرات تاریخی برای اندازه‌گیری پراکندگی شهری GCR و تأثیر آن بر دمای سطح زمین (LST) ضروری است. هدف این مطالعه تحقق این هدف است. این کار را با ایجاد نقشه‌های کاربری/پوشش زمین (LULC) مشتق شده از Landsat 5 TM برای سال‌های 1990 و 2003 و Landsat 8 OLI برای سال 2016، با استفاده از چندین تکنیک طبقه‌بندی انجام می‌دهد. یک مدل تابش طیفی و یک مدل تصحیح جوی مبتنی بر وب برای ارزیابی موفقیت‌آمیز LST از باندهای حرارتی داده‌های Landsat استفاده شد. دقت کلی داده‌های کاربری زمین به دست آمده از لندست برای سال‌های 1990، 2003 و 2016 90.3، 96.5 و 94.9 درصد بود. به ترتیب. تجزیه و تحلیل تغییر LULC نشان داد که از بین رفتن پوشش گیاهی به زمین شهری به میزان 7.73٪ و از زمین های بایر به کاربری های شهری 8.70٪ در یک بازه زمانی 26 ساله (1990-2016). این رشد سریع شهری به طور قابل توجهی مناطق پوشش گیاهی را کاهش می دهد، در نتیجه LST را افزایش می دهد و ریزاقلیم شهری را اصلاح می کند. نتایج این مطالعه می‌تواند به سیاست‌گذاران کمک کند تا سیر تحول ساخت‌وساز شهری را برای توسعه‌های آینده مشخص کنند.

کلید واژه ها

لندست , دمای سطح زمین , تغییر کاربری اراضی , ارزیابی دقت , منطقه قاهره بزرگ

 

1. مقدمه

شهرها به دلیل تغییرات اجتناب ناپذیری که می تواند به عوامل بسیاری نسبت داده شود، پویا هستند. یکی از عوامل اصلی این تغییرات رشد شهری و گسترش جمعیت است [ 1 ]. با افزایش جمعیت یک منطقه معین، علاقه به سکونتگاه‌های جدید به هزینه سایر طبقات پوشش زمین، به عنوان مثال، پوشش گیاهی و زمین‌های بایر افزایش می‌یابد. تأثیرات سطح زمین که در طول فرآیند شهرنشینی رخ می دهد شامل تراکم خاک، کاهش پوشش گیاهی و تغییر از سطوح نفوذپذیر به غیرقابل نفوذ به عنوان ساختمان ها، پارکینگ ها و جاده ها است، اما محدود به آن نمی شود. عدم برنامه‌ریزی ظاهری کاربری/پوشش زمین (LULC) یک مشکل در مقیاس محلی و منطقه‌ای بوده است و آن را به یک مسئله اصلی در مطالعه تغییرات اکولوژیکی در سراسر جهان تبدیل کرده است [ 2 ] [ 2].3 ] [ 4 ] . چنین تغییراتی پیامدهای زیادی برای جامعه انسانی، انعطاف پذیری محیطی و مسائل مربوط به آب دارد، مانند تغییر رواناب، نفوذ و تخلیه آب های زیرزمینی [ 5 ]. علاوه بر این، کیفیت پایین آب به دلیل عدم برنامه ریزی با تمهیدات جامع و یا هرگونه توجه به اثرات آن بر طبیعت رخ می دهد. با این وجود، افزایش دمای سطح زمین (LST) یکی از اثرات کلیدی تغییرات LULC است [ 6 ] – [ 11 ]. افزایش LST در چند دهه گذشته به دلیل تبدیل پوشش گیاهی به پوشش غیرقابل نفوذ [ 12 ]، که به نوبه خود تأثیر منفی بر مردم دارد، یک مسئله اصلی در مناطق شهری در نظر گرفته شده است [ 13 ].]، بر بسیاری از فرآیندهای محیطی تأثیر می گذارد و درجه جذب تابش خورشیدی، نرخ تبخیر، بیابان زایی، آلودگی هوا، آلبیدو، ذخیره گرما، تلاطم باد و بسیاری از جنبه های تعادل آب را تغییر می دهد [ 14 ]. بنابراین، تأثیر بر فرآیندهای زیست‌محیطی را نمی‌توان بدون درک تأثیرات تغییرات آب و هوایی، تعامل بین زمین و جو و دانش استفاده از زمین/تغییر پوشش زمین در مقیاس‌های مختلف که آن‌ها را هدایت می‌کند، به خوبی درک کرد و کاهش داد [ 2 ].

استفاده از داده‌های سنجش از دور در ارتباط با سیستم‌های اطلاعات جغرافیایی (GIS) برای نقشه‌برداری مناطق شهری، مدل‌سازی رشد شهری و نظارت بر تغییرات دینامیکی LULC [ 15 ] [ 16 ] مؤثر بود. سنجش از دور (RS) داده‌های تفکیک مکانی، طیفی و زمانی متوسط ​​و بالا را با پوشش مداوم و تکراری سطح زمین [ 17 ] و توانایی بالایی برای استخراج اطلاعات تغییر از داده‌های ماهواره‌ای [ 12 ] ارائه می‌کند. با این حال، تغییرات LULC و LST را می‌توان با بررسی‌های سنتی و ایستگاه‌های رصد مبتنی بر زمین و همچنین داده‌های ماهواره‌ای پایش کرد، زیرا این یک تکنیک زمان و مقرون به صرفه است که می‌تواند اطلاعات بیشتری را با توجه به توزیع جغرافیایی کاربری اراضی ارائه دهد [ 7 ]] . بنابراین، تکنیک‌های RS ماهواره‌ای در نظارت بر تشخیص تغییر در مناطق روستایی و شهری رایج شده‌اند [ 18 ] [ 19 ] [ 20 ] [ 21 ]. در نتیجه، آنها به طور گسترده برای ارزیابی تغییر LULC با خروجی های مفید و مقیاس های مختلف استفاده شده اند [ 22 ] [ 23 ].

تصاویر لندست، به ویژه، یکی از پرکاربردترین سیستم های ماهواره ای است. این مجموعه داده‌ها از سال 1972 از هفت ماهواره در سری Landsat در دسترس هستند و آنها جزء اصلی برنامه رصد زمین ناسا با چهار حسگر اصلی هستند: اسکنر چند طیفی (MMS)، نقشه‌برداری موضوعی (TM)، نقشه‌برداری موضوعی پیشرفته (ETM+). و مدیر زمین عملیاتی (OLM). مجموعه داده های Landsat داده های مرئی و مادون قرمز با وضوح بالا را با داده های حرارتی و تصویر پانکروماتیک ارائه کرده اند. علاوه بر این، سطح فوق‌العاده‌ای از اطلاعات را در مورد طبقه‌بندی چندین جزء زمین در مقیاس بزرگ ارائه می‌کند [ 24 ] [ 25 ]] با استفاده از انواع تکنیک‌های تشخیص خودکار تغییر و الگوریتم‌های طبقه‌بندی که معمولاً اعمال می‌شود (یعنی تجزیه و تحلیل مؤلفه‌های اصلی (PCA)، خوشه‌بندی بدون نظارت، ترکیبی، فازی، بیز و طبقه‌بندی نظارت شده). این تکنیک‌های تشخیص و طبقه‌بندی تغییر نیاز به تجربه شخصی و داده‌های جانبی اضافی با توجه به مناطق مورد مطالعه دارد، یعنی تصاویر هوایی و داده‌های زمینی با وضوح بسیار بالا، که می‌تواند برای ساخت یک مجموعه داده قابل اعتماد برای الگوریتم‌های طبقه‌بندی مختلف استفاده شود که می‌تواند بیشتر در آموزش استفاده شود. نمونه ها و ارزیابی های دقت [ 7] . اگرچه داده های زمینی به عنوان قابل اعتمادترین داده های مرجع در نظر گرفته می شوند، چنین داده هایی اغلب یا در دسترس نیستند یا بسیار پرهزینه هستند. بنابراین، یک فایل مشخصه های آماری از پیش تعریف شده برای تصویر ایجاد می شود تا یک امضای هر پیکسل از یک کلاس پوشش زمین خاص را ذخیره کند. این از اطلاعات ذخیره شده و عدد دیجیتال خام (DN) هر پیکسل مجزا در صحنه استفاده می کند و آنها را به مقادیر تشعشع تبدیل می کند. چندین محقق و محقق از تکنیک های مشابه برای دستیابی به نتایج رضایت بخش استفاده کردند. به عنوان مثال، تصاویر ماهواره‌ای لندست برای ارزیابی عملکرد الگوریتم‌های طبقه‌بندی مورد استفاده برای نقشه‌برداری برش‌های شفاف جنگل در شمال غربی اقیانوس آرام استفاده شد [ 26 ]] . علاوه بر این، الگوریتم‌های حداکثر احتمال طبقه‌بندی نظارت شده برای تشخیص تغییر پوشش زمین در یک حوضه آبخیز در پاکستان و هند به ترتیب با 95% و 92% دقت کلی استفاده شد [ 27 ] [ 28 ]. اگرچه دقت بالایی از این نتایج به دست می‌آید، اما وجود سایر داده‌های مرجع برای ارزیابی دقت و عملکرد کلی نقشه‌های جغرافیایی ایجاد شده ضروری است [ 7 ].

نقشه برداری دقیق LST در ارائه اطلاعات در مورد خواص فیزیکی سطح اهمیت بیشتری پیدا می کند [ 14 ] و استفاده از تصاویر ماهواره ای به روش غالب برای نظارت بر LST در مقیاس محلی و منطقه ای تبدیل شده است [ 9 ] [ 16 ]. استفاده از داده های سنجش از دور حرارتی برای اولین بار توسط رائو در سال 1972 برای نظارت بر مناطق شهری در سواحل اقیانوس اطلس میانی ایالات متحده نشان داده شد [ 29 ].] . مشارکت‌های RS و GIS از آن زمان برای ارزیابی و مدل‌سازی LST در بسیاری از مناطق با شرایط آب و هوایی متعدد توسط محققان مختلف با استفاده از تنوع حسگرهای مادون قرمز حرارتی (TIR) ​​استفاده شده است. به عنوان مثال، LST و شاخص گیاهی مختلف نرمال شده (NDVI) برای مقایسه وقوع فضایی خشکسالی در منطقه ژئو گیاه شناسی مغولستان با استفاده از رادیومتر با وضوح بسیار بالا NOAA (AVHRR) [ 30 ] مورد ارزیابی قرار گرفت. محققان دیگر میانگین دمای روشنایی هدف و کسر پوشش ابر (CCF) را که از ماهواره محیطی عملیاتی زمین ثابت (GOES-8) به دست آمده است برای یافتن همبستگی بین LST و NDVI در آمریکای شمالی محاسبه کردند [ 31] . علاوه بر این، الگوریتم‌های مختلفی برای بازیابی LST از داده‌های ماهواره‌ای مختلف، به‌عنوان مثال، Landsat TM، رادیومتر تابش و انعکاس حرارتی پیشرفته (ASTER) و طیف‌سنجی تصویربرداری با وضوح متوسط ​​(MODIS)، در مقیاس‌های منطقه‌ای مختلف استفاده شد [ 2 ] [ 32 ] [ 33 ] . همچنین، الگوهای تغییر LULC در برخی از مطالعات شناسایی شد و به دنبال آن یک بررسی برای تأثیر این تغییرات بر LST [ 6 ] [ 34 ] انجام شد.

شهرهای واقع در مناطق نیمه خشک و خشک برای ارزیابی و درک بهتر نیاز به توجه بیشتری دارند [ 35 ]. در بسیاری از کشورهای در حال توسعه جهان، از جمله مصر، ارقام منطقه ای محدودی در مورد هزینه زمین برای نظارت بر گسترش شهری وجود دارد. مطالعات نشان داد که سکونتگاه ها در کشورهای در حال توسعه پنج برابر سریعتر از کشورهای توسعه یافته رشد می کنند [ 15 ]. مطالعه حاضر عمدتاً بر ارزیابی تشخیص تغییر LULC و LST در منطقه بزرگ قاهره (GCR) مصر برای چندین دهه گذشته، از سال 1990 تا 2016 تمرکز دارد. مکان هایی برای نیروهای کار واجد شرایط که عموماً در نزدیکی و درون شهر یافت می شوند [ 36] . علاوه بر این، به دلیل موقعیت توپوگرافی و زمین شناسی مناسب، مناطق اطراف GCR بیشترین نسبت گسترش شهری را نشان دادند. این امر به نرخ بالای رشد جمعیت، گسترش شهر و توسعه بی رویه کمک کرده است.

هدف اصلی این مقاله تجزیه و تحلیل تغییر LULC از طریق طبقه‌بندی و تکنیک‌های تشخیص تغییر پس از طبقه‌بندی با استفاده از داده‌های چند طیفی Landsat TM و OLI GCR برای سال‌های 1990، 2003 و 2016 از طریق ادغام سنجش از دور و GIS است. علاوه بر این، استفاده از این داده های Landsat برای تخمین LST در GCR از طریق مدل ها و الگوریتم های مختلف، همانطور که در بخش روش شناسی به تفصیل توضیح داده شده است، ارزیابی خواهد شد. هدف مطالعه حاضر: 1) تعیین کمی کلاس های مختلف LULC و ارزیابی الگوی تغییر LULC از 1990 تا 2016 در GCR. 2) ابزارهایی را برای بررسی قابل اعتماد تغییرات مقادیر LST در رابطه با تغییر LULC در طول زمان ارائه دهید. 3) ارزیابی بیشتر اثر پوشش گیاهی بر LST همانطور که از الگوریتم‌های مختلف برای تصاویر ماهواره‌ای از طریق بررسی همبستگی NDVI-LST و (Normalized Different Built-up Index) NDBI-LST بر اساس روش‌های تحلیل آماری و بافت تغییرات LULC، برای تعیین علل اصلی این تغییرات محیطی. و 4) بررسی پتانسیل و دقت استفاده از RS و GIS در نظارت بر توزیع فضایی تغییرات LULC. اطلاعات به دست آمده از خروجی های تشخیص تغییر تایید شده می تواند به درک پویایی تغییر LULC به منظور کمک به سیاست گذاران در پیش بینی و برنامه ریزی برای تحولات آینده در GCR، دستیابی به پایداری بلندمدت منابع آب و خاک، پرداختن به اثرات تغییرات آب و هوایی کمک کند. ،

دو مورد از مهم‌ترین پیش‌فرض‌های زیربنایی اهداف آزمایش‌شده در تحقیق، فرصت به دست آوردن نقشه‌های LULC و LST از نمای همدیدی تصاویر Landsat در مناطق بزرگ فضایی است. و بهبود مطالعات حرارتی در مصر که برای توجیه یارانه ها برای قانون به دنبال کاهش اثرات بر آسایش حرارتی در مناطق شهری هیجان انگیز استفاده خواهد شد.

2. منطقه مورد مطالعه

منطقه مطالعه انتخاب شده برای این تحقیق منطقه بزرگ قاهره (GCR)، مصر است که شامل سه بخش است. بخش اصلی شهر قاهره در کرانه شرقی رود نیل، بخش‌هایی از شهر جیزه در ساحل شرقی نیل و قالیوبیه در شمال قاهره است. منطقه مورد مطالعه در 30 درجه شمالی و 31 درجه 20 دقیقه شرقی، در قسمت میانی و جنوبی، یعنی راس، منطقه دلتای نیل، با مساحت 845137 هکتار واقع شده است ( شکل 1 ). رود نیل تقسیم اداری بین بخش‌های قاهره و جیزه را تشکیل می‌دهد و در منطقه مورد مطالعه در یک دشت سیلابی به عرض 9 تا 35 کیلومتر می‌گذرد. این منطقه توسط تپه هایی در دو طرف شرقی و غربی محدود شده است و مناطق بیابانی در جهت شرقی و غربی گسترش یافته است [ 37 ]]، آن را به عنوان یک منطقه آب و هوایی نیمه گرمسیری با درجه حرارت بالا و تابش خورشیدی، تابستان های خشک و بدون باران، و زمستان های سرد، مرطوب و بارانی توصیف می کند [ 38 ].

GCR به دلیل موقعیت منحصر به فرد و شرایط اقلیمی آن، با تنوع میراث تاریخی، انتخاب شد و آن را به یکی از پویاترین مناطق شهری در مصر تبدیل کرد. اکنون حدود 23 درصد از کل جمعیت مصر و 43 درصد از جمعیت شهری را تشکیل می دهد. در حالی که گسترش جمعیت در کل کشور ده برابر شده است، GCR در یک قرن و نیم گذشته بیش از 30 برابر شده است [ 39 ]] . نیمی از این گسترش در زمین های کشاورزی با پوشش گیاهی و غنی صورت گرفته است، در حالی که نیمی دیگر در حاشیه های تجمع واقع در مرزهای GCR رخ می دهد. رشد پراکنده کمی در قالب جوامع جدید در زمین های بیابانی در ناحیه شرقی ایجاد شده است. بر اساس برآورد آژانس مرکزی بسیج عمومی و آمار (CAPMAS)، به نظر می رسد که GCR تا سال 2016 حدود 20 میلیون نفر جمعیت دارد [ 40 ] ( شکل 2 ).

3. داده های مورد استفاده

3.1. داده های ماهواره ای

Landsat 5 TM برای سالهای 1990 و 2003 و Landsat 8 OLI 2016 به دلیل انتخاب شدند

وضوح فضایی بالای آنها برای هر دو باند چند طیفی و حرارتی، که به مکان دقیق کاربری های مختلف زمین و نظارت بر LST کمک می کند. با توجه به در دسترس بودن آنها، سه تصویر لندست بدون ابر برای تشخیص تغییرات در منطقه مورد مطالعه انتخاب شدند: 4 اوت 1990; 8 آگوست 2003; و 11 آگوست 2016 با صحنه هایی در همین مسیر. جزئیات داده های لندست مورد استفاده در مطالعه حاضر در جدول 1 ارائه شده است. تمام تصاویر ماهواره‌ای در طول فصل تابستان، متوسط ​​تا فصل رشد کشاورزی، که در آن بیشتر مزارع کشاورزی سبز و فعال هستند، به دست آمدند، که اختلاف طیفی بین این مزارع کشاورزی، مناطق شهری و زمین‌های بایر را به حداکثر می‌رساند [ 7 ]. جمع آوری داده های Landsat با کیفیت بالا از منابع خصوصی و عمومی در دسترس است.

3.2. داده های کمکی

داده های مرجع برای هر یک از سه سال جمع آوری شد و سپس به طور تصادفی برای استفاده در آموزش طبقه بندی کننده یا برای ارزیابی دقت تقسیم شدند. این داده ها برای جمع آوری اطلاعات کافی برای پیش پردازش تصویر، ارزیابی حقیقت زمینی نوع خاصی از کاربری با ویژگی های تصوری آن [ 2 ] و تعیین انواع عمده پوشش زمین در منطقه مورد مطالعه استفاده شد. داده‌های مرجع تولید شده شامل نقشه‌های توپوگرافی مصر با مقیاس بزرگ (1:50000) تهیه‌شده توسط سروی نظامی مصر، نقشه‌های زمین‌شناسی، مدل ارتفاعی دیجیتال (DEM) [ 41 ] و شبکه‌های جاده‌ای [ 42 ] است.] . گروه‌بندی طبقات طیفی مختلف بر اساس انواع پوشش زمین به‌دست‌آمده از سیستم طبقه‌بندی پوشش اراضی فائو (LCCS) در سال 2004، رویکردهای دانش‌محور و اطلاعات ترکیب شده از سازمان‌ها و مؤسسات دولت‌های مصر انجام شد. داده های حقیقت زمینی به شکل نقاط داده مرجع مورد استفاده برای ارزیابی دقت طبقه بندی بودند که با استفاده از تصاویر GeoEye و QuickBird با وضوح بالا [ 43 ] علاوه بر نقاط جمع آوری شده در طی یک بررسی میدانی با استفاده از گیرنده های سیستم موقعیت یابی جهانی (GPS) انتخاب شدند.

پردازش تصویر، مانند استخراج تصویر، تصحیح، تصحیح جوی برای داده‌های Landsat، بازسازی و طبقه‌بندی، و تجزیه و تحلیل و تفسیر GIS با استفاده از مجموعه‌ای از نرم‌افزار برای اطمینان از دقت بالاتر انجام شد: سیستم‌های تجزیه و تحلیل داده‌های منابع زمین (ERDAS) Imagine 2014، Environment برای تجسم تصاویر (ENVI 5.3)، سیستم یکپارچه اطلاعات زمین و آب (ILWIS)، نرم افزار ArcGIS 10.4 (ESRI)، نرم افزار پایتون و سیستم تجزیه و تحلیل آماری (SAS).

4. روش شناسی

تجزیه و تحلیل شامل پیش پردازش تصویر، طبقه بندی تصویر، استخراج شاخص های پوشش زمین (NDVI و NDBI) و ارزیابی LST با استفاده از باندهای حرارتی در مجموعه داده Landsat است. نمودار جریانی از فرآیند تحقیق در شکل 3 شرح و خلاصه شده است.

4.1. پیش پردازش تصویر

هر دو داده Landsat TM و OLI از تصاویر تک باند مستقل تشکیل شده اند. بنابراین، لازم است این تصاویر تک باندی را با استفاده از ابزار انباشته لایه با یک تصویر چند باندی از TM و OLI ترکیب کنیم. تصاویر Landsat به یک محصول تصحیح شده سطح یک زمین (L1T) پردازش شدند، که تصاویر رادیومتری کالیبره شده و با استفاده از GCPs و DEM برای دستیابی به دقت ژئودتیکی مطلق ارائه می‌کرد [ 34 ]. بنابراین، نتیجه نهایی یک تصویر اصلاح شده هندسی، عاری از هرگونه اعوجاج مربوط به سنسور، ماهواره و سطح زمین است [ 44 ]. داده‌های لندست ورودی با استفاده از داده‌های سیستم ژئودتیک جهانی 1984 (WGS-84) و پیش‌بینی جهانی عرضی مرکاتور (UTM) (در منطقه 36 شمالی)، به عنوان منطقه مورد مطالعه در این منطقه ارجاع داده شدند.

اگرچه تاریخ‌های جمع‌آوری داده‌ها شرایط جوی واضحی برای منطقه مورد مطالعه داشتند، اما این سه تصویر در بازه‌های زمانی مختلف و در نتیجه شرایط جوی متفاوتی ثبت شدند. از این رو، اصلاحات جوی با استفاده از ماژول FLAASH [ 45 ]، که در نرم افزار ENVI پیاده سازی شد، انجام شد. این تصاویر جوی تصحیح شده بریده شدند و با استفاده از ابزار زیر مجموعه تصویر، منطقه مورد مطالعه را اشغال کردند. سایر تکنیک‌های رادیومتری و افزایش فضایی، مانند تساوی هیستوگرام، تجزیه و تحلیل مؤلفه‌های اصلی (PCA)، افزایش لبه و فیلتر فضایی، روی هر تصویر برای بهبود تفسیرپذیری بصری تصاویر انجام شد.

4.2. محاسبه ضریب شاخص بهینه (OIF).

این مطالعه از روش تحلیلی فاکتور شاخص بهینه (OIF) برای تعیین بهترین ترکیب باند RGB که از همه باندهای تصاویر Landsat [ 46 ]، بدون باند حرارتی پدیدار می‌شود، استفاده کرد. OIF یک رویکرد آماری برای رتبه‌بندی تمام ترکیب‌های رنگی RGB ممکن داده‌های سنجش از راه دور چندطیفی بر اساس واریانس کل در باندها و ضرایب همبستگی بین باندی است. نقش آن ارائه اطلاعات طیفی جسم است، یعنی بالاترین OIF بیشترین واریانس و کمترین تکرار را برای صحنه دارد و بنابراین، حاوی بیشترین مقدار اطلاعات طیفی در مورد صحنه است. الگوریتم مورد استفاده برای محاسبه OIF [ 47 ] بود:

OIF = حداکثر⎡⎣∑nمن – 1 σ( من )∑nj − 1| r ( j ) |⎤⎦OIF=max[∑i−1n σ(i)∑j−1n|r(j)|](1)

جایی که σ( من )σ(i)انحراف معیار باند i و است r ( j )r(j)مقدار مطلق ضریب همبستگی هر دو باند دلخواه است. برای داده‌های Landsat 5 TM (1990 و 2003)، بهترین ترکیب‌های باند RGB رتبه‌بندی شده، band1/band5/band7 (157) با مقادیر OIF 60.784 و 56.431 برای سال‌های 1990 و 2003 بود. محاسبه OIF نشان داد که ترکیب باند band2/band3/band4 (234) RGB دارای بالاترین اطلاعات طیفی با مقدار OIF 8155.43 برای Landsat 8 OLI 2016 است ( شکل 4 ). دقت طبقه بندی کلی زمانی بالا بود که این باندها به جای استفاده از همه باندها در فرآیند طبقه بندی مورد استفاده قرار گرفتند [ 2 ].

4.3. کاربری اراضی/طبقه بندی پوشش زمین

قبل از طبقه بندی تصویر باید یک طرح طبقه بندی ایجاد می شد. با محاسبه میانگین طیف‌های هر طبقه، یک مشخصه طیفی از هر طبقه کاربری زمین در هر یک از داده‌های به‌دست‌آمده شناسایی شد، که منجر به یک طرح طبقه‌بندی متشکل از 4 کلاس سطح LULC توصیف‌شده در جدول 2 شد. همانطور که در زیر مشخص شد، تعدادی از رویکردهای طبقه بندی برای اثربخشی آنها در طبقه بندی مناطق بزرگ ارزیابی شدند [ 18 ].

4.3.1. طبقه بندی بدون نظارت

ترکیبی از روش های طبقه بندی بدون نظارت برای طبقه بندی منطقه مورد مطالعه استفاده شد. تصاویر ابتدا با استفاده از الگوریتم تجزیه و تحلیل داده های خودسازماندهی تعاملی بدون نظارت (ISODATA) برای شناسایی اطلاعات خوشه های طیفی از داده های تصویر و تبدیل داده های تصویر به داده های موضوعی طبقه بندی شدند. این اطلاعات حاوی طیف متوسط ​​برای هر یک از LULC های شناسایی شده ذخیره شده در یک فایل امضا است که به نوبه خود از تحلیلگر با کمک نقاط حقیقت زمین و دانش دست اول منطقه مورد مطالعه برای شناسایی و اختصاص داده های آموزشی یکنواخت طیفی استفاده می کند. کاربرد بعدی الگوریتم های طبقه بندی نظارت شده مختلف [ 7] . این فرآیند خوشه‌بندی چندین بار از طریق تکرارهای زیاد تکرار شد تا زمانی که به آستانه‌ای رسید و تغییر قابل‌توجهی در آمار خوشه‌ای ایجاد نشد یا به حداکثر تعداد تکرار رسید [ 48 ]. فرآیندهای خوشه‌بندی بسیار خودکار هستند و هیچ جهتی از سوی کاربران دریافت نمی‌شود، بنابراین برای کاربردهای بزرگ منطقه‌ای ایده‌آل هستند.

4.3.2. طبقه بندی نظارت شده

داده ها پس از طبقه بندی با استفاده از الگوریتم ISODATA بدون نظارت، با استفاده از الگوریتم های مختلف طبقه بندی نظارت شده پردازش شدند. نمونه های آموزشی ابتدا از کلاس های نماینده مختلف دیجیتالی شدند تا پیکسل های یک کلاس واحد را شناسایی کنند. گروه بندی کلاس های مختلف طیفی و فضایی بر اساس کلاس های LULC با استفاده از داده های مرجع به دست آمده از GCPها انجام شد. اطلاعات کمکی و رویکردهای مبتنی بر دانش جمع‌آوری‌شده از منابع مختلف، همانطور که قبلاً ذکر شد، برای ارزیابی فایل‌های امضای آماری هر کلاس LULC [ 49 ] و اطمینان از وجود حداقل سردرگمی در کاربری زمین مورد نقشه‌برداری استفاده شد [ 50 ]] . سپس الگوریتم‌های طبقه‌بندی نظارت شده مختلف بر روی تصاویر Landsat انجام شد. الگوریتم های اجرا شده شامل: موازی شکل، فاصله حداقل، فاصله ماهالانوبیس، حداکثر احتمال و ماشین بردار پشتیبان بود. چندین الگوریتم برای شناسایی بهترین الگوریتم برای مکان منطقه مورد مطالعه استفاده شد.

به منظور افزایش دقت طبقه‌بندی و کاهش خطای طبقه‌بندی ناشی از سردرگمی در پاسخ طیفی کلاس‌های خاص، تصاویر تعمیم‌یافته مجدداً طبقه‌بندی و برای اعتبار طبقه‌بندی اصلاح شدند. سردرگمی طیفی به دلیل این واقعیت رخ داد که چندین LULC پاسخ طیفی مشابهی با توجه به ویژگی های حسگر به ویژه در مناطق شهری دارند [ 20 ]. بنابراین، طبقه‌بندی مجدد داده‌ها باید برای ادغام انواع مختلف LULC با استفاده از ویژگی‌های فضایی و زمینه‌ای تصویر اعمال شود. طبقه‌بندی مجدد بر اساس داده‌های کمکی و چندین عملکرد GIS انجام شد، به‌عنوان مثال: رقومی‌سازی، پوشش و عملکرد منطقه مورد علاقه (ROI) برای تولید آخرین نسخه نقشه‌های LULC برای سال‌های مختلف.

4.4. هموارسازی پس از طبقه بندی

4.4.1. ارزیابی و اعتبارسنجی دقت

اظهارات کمی در مورد ارزیابی دقت برای فرآیندهای طبقه‌بندی، یک رویکرد ضروری برای تأیید اینکه چگونه طبقه‌بندی دنیای واقعی را نشان می‌دهد و اطمینان از قابلیت اطمینان اطلاعات به دست آمده از نقشه‌های LULC بود. ماتریس های سردرگمی برای ارزیابی رابطه بین داده های مرجع استفاده شده و نقشه های طبقه بندی شده LULC محاسبه شدند. ماتریس‌های سردرگمی یکی از محبوب‌ترین روش‌ها برای ارزیابی دقت طبقه‌بندی کلی هستند که اطلاعاتی در مورد دقت تولیدکننده یا خطاهای حذف (درصد یک کلاس LULC خاص روی زمین که به درستی طبقه‌بندی شده است) و دقت یا خطای کارمزد کاربر (درصد از یک) ارائه می‌دهند. کلاس پیکسل خاصی در نقشه تولید شده مطابق با کلاس واقعی روی زمین) [ 13 ] [ 51] . درصد دقت کلی با استفاده از فرمول زیر محاسبه شد [ 12 ]:

ارزش کلی ( %) =تعداد کل نمونه های صحیحتعداد کل نمونه ها× 100Overallaccuary(%)=totalnumberofcorrectsamplestotalnumerofsamples×100(2)

Congalton (1991) اولین کسی بود که اشاره کرد که 250 پیکسل مرجع (5±٪) برای ساختن ماتریس سردرگمی و تخمین میانگین واقعی ارزیابی دقت مورد نیاز است [ 52 ]. بنابراین، 300 پیکسل مرجع به طور تصادفی انتخاب شده، قرار داده شده بر روی تصاویر طبقه بندی شده، برای هر دوره زمانی تولید شد که نشان دهنده یک مختصات خاص از تصویر است. این نقاط، که با استفاده از روش تصادفی طبقه بندی شده توزیع شده اند، سپس در دو کلاس فهرست شدند، یکی نشان دهنده کلاس یا مقادیر مرجع، در حالی که دیگری نشان دهنده نوع LULC واقعی است. درصد توافق واقعی طبقه‌بندی‌کننده خودکار بر روی یک انتساب کاملاً تصادفی به کلاس‌ها با استفاده از ضریب کاپا ناپارامتری [ 49 ] تعیین شد تا سهم طبقه‌بندی صحیح به دلیل شانس حذف شود.18 ] . ضریب کاپا برای الگوریتم های طبقه بندی مختلف با معادله ساده شده زیر [ 53 ] [ 54 ] ارزیابی شد:

کاپا =پ( A ) – P( E)1 – P( E)Kappa=P(A)−P(E)1−P(E)(3)

که در آن P(A) دقت مشاهده شده و P(E) توافق شانس است.

4.4.2. شناسایی تغییر کاربری/پوشش زمین

یک روش تشخیص تغییر مقایسه پس از طبقه‌بندی چند تاریخه برای تعیین کمیت تغییر زمانی در LULC در منطقه مورد علاقه استفاده شد [ 55 ]. سه آمار تشخیص تغییر در طول زمان از تصاویر طبقه بندی شده مستقل برای این تحقیق با انجام تجزیه و تحلیل جدول بندی متقابل بر اساس پیکسل به پیکسل، یعنی همپوشانی موضوعی تصاویر طبقه بندی شده به دست آمد [ 56 ]. احتمالات (1990-2003)، (2003-2016) و (1990-2016) برای ارزیابی جدول ماتریس اطلاعات تغییر “از به” بود که سود و زیان اصلی را در هر دسته از سایت مورد مطالعه نشان داد.

4.5. استخراج شاخص‌های سطح زمین (NDVI و NDBI)

NDVI و NDBI برای توصیف کلاس‌های LULC و ارزیابی رابطه بین این کلاس‌ها و LST استفاده شدند. NDVI رایج ترین شاخص مورد استفاده برای بیان اطلاعات در مورد تراکم پوشش گیاهی، پیش بینی تولید محصول، نظارت بر خشکسالی، نقشه تجاوز به بیابان [ 57 ]، و اندازه گیری دمای تابشی سطح [ 2 ] است. NDBI برای اولین بار برای بررسی میزان نفوذ ناپذیری و مناطق ساخته شده و نقشه برداری از این مناطق توسعه یافت، زیرا می تواند توزیع شهری را با انعکاس معمولاً بالاتر در باند ناحیه مادون قرمز موج کوتاه نسبت به مادون قرمز نزدیک برجسته کند. یک [ 59 ] . NDVI و NDBI با استفاده از فرمول های زیر از مناطق طول موج مختلف داده های Landsat محاسبه شدند:

NDVI =NIR – قرمزNIR + قرمزNDVI=NIR−RedNIR+Red(4)

NDBI =SWIR – NIRSWIR + NIRNDBI=SWIR−NIRSWIR+NIR(5)

که در آن NIR، قرمز و SWIR به ترتیب بازتاب در باند مادون قرمز نزدیک (0.76 – 0.9 میکرومتر)، نوار قرمز (0.63 – 0.69 میکرومتر) و باند مادون قرمز موج کوتاه (1.55 – 1.75 میکرومتر) برای Landsat 5 TM هستند. با این حال، برای Landsat 8 OLI اینها اندکی متفاوت بودند: باند مادون قرمز نزدیک (0.85 – 0.88 میکرومتر)، نوار قرمز (0.64 – 0.67 میکرومتر) و باند مادون قرمز موج کوتاه (1.57 – 1.65 میکرومتر).

4.6. بازیابی دمای سطح زمین از داده های Landsat 5 TM

تصحیح اتمسفر ابتدا برای حذف اثر اتمسفر از نوارهای حرارتی مورد نیاز بود، زیرا تصاویر ماهواره ای درخشندگی ویژگی های سطحی اصلاح شده توسط جو را اندازه گیری می کند [ 9 ]. بنابراین، مدل تصحیح تشعشع Top of Atmospheric (TOA) بر روی تصاویر Landsat 5 TM برای هر دو سال 1990 و 2003 اعمال شد. بر اساس [ 60 ]، دمای روشنایی از Landsat 5 را می توان ابتدا با تبدیل عدد دیجیتال باند 6 به تابش Top of Atmospheric (TOA) با استفاده از معادله زیر بدست آورد:

Lλ= (Lλ MAX–Lλ MINسسییک L MAX)سسییک ل+Lλ MINLλ=(LλMAX−LλMINQCalMAX)QCal+LλMIN(6)

جایی که LλLλدرخشندگی TOA است، Lλ MAXLλMAXبالاترین درخشندگی مربوط به است سسییک L MAXQCalMAX(DN = 255)، Lλ MINLλMINکمترین درخشندگی مربوط به است سسییک دقیقه دقیقهQCalMIN(DN = 0)، و سسییک لQCalمقدار پیکسل کالیبره شده کوانتیزه شده باند 6 در DN است.

سپس باند حرارتی را می توان از تابش TOA به دمای روشنایی موثر در حسگر تبدیل کرد، با این فرض که سطح زمین یک جسم سیاه با انتشار یکنواخت است و شامل اثرات جوی با استفاده از عبارت زیر است:

تیسنسور=ک2ln (ک1Lλ+ 1 )Tsensor=K2ln(K1Lλ+1)(7)

جایی که تیسنسورTsensorدمای ماهواره بر حسب کلوین است، K1 یک ثابت کالیبراسیون 1 (W/m ₂ ^sr μm)، و K2 یک ثابت کالیبراسیون 2 در کلوین است ( _جدول 3 ).

پس از آن، تابش TOA ( LλLλ) به معیارهای بازتاب تبدیل شد، به عنوان LλLλاثرات جوی را در نظر نمی گیرد. با فرض اینکه مناطق شهری به عنوان رفتار می کنند

یک سطح پلانک، عبارت تبدیل تابش TOA به بازتاب سطحی، تصحیح تابش خورشیدی، اوج خورشیدی و اثرات جوی [ 9 ] است:

ρλ=π ×Lλ×د2EاسUنλ× cosθسρλ=π×Lλ×d2ESUNλ×cosθs(8)

ارزیابی صحیح LST به یک تخمین دقیق انتشار سطحی محدود شد. در این کار، NDVI را برای محاسبه تابش با استفاده از فرمول زیر در نظر گرفتیم [ 61 ]:

ε = a + b × ln ( NDVI )ε=a+b×ln(NDVI)(9)

که در آن a و b با تجزیه و تحلیل رگرسیون بر اساس یک مجموعه داده بزرگ [ 62 ]، a = 1.0094 و b = 0.047 به دست می آیند.

در نهایت، LST تصحیح شده، بر حسب سانتیگراد، برای گسیل طیفی با استفاده از عبارت زیر محاسبه می شود [ 62 ]:

LST ( ˚ C ) = (تیسنسور1 + (λ ×تیسنسورρ) ×ln(ε)) –273.15LST(˚C)=(Tsensor1+(λ×Tsensorρ)×ln(ε))−273.15(10)

جایی که λλطول موج تابش ساطع شده است (طول موج های متوسط ​​= 11.45 میکرومتر) [ 63 ]، ρ = h × c / σρ=h×c/σ(1.438 × 10-2 ^m ×K) با: σσثابت بولتزمن (1.38 × ^10-23 J/K)، h ثابت پلانک (6.626 × 10-34 ^J ×s)، و c سرعت نور ( ^2.998 × 108 m/s) است.

4.7. بازیابی دمای سطح زمین از Landsat 8 OLI

در مورد Landsat 8، تابش طیفی TOA با استفاده از عوامل تغییر مقیاس تابشی مربوط به هر باند ارائه شده در فایل ابرداده با استفاده از معادله زیر محاسبه شد [ 44 ]:

Lλ=مL×سسییک ل+آLLλ=ML×QCal+AL(11)

جایی که مLMLضریب درخشندگی است، سسییک لQCalمقدار پیکسل در DN و است آLALضریب مقیاس بندی افزایشی درخشندگی برای نوارهای به دست آمده از ابرداده است.

یک مدل تصحیح جوی مبتنی بر وب برای ارزیابی دمای سطح استفاده شد که ابتدا تابش TOA محاسبه‌شده قبلی را به درخشندگی سطحی تبدیل می‌کند، با در نظر گرفتن تصحیح اتمسفر مناطق حرارتی Landsat 8 OLI [ 64 ]:

Lتی=Lλ–Lu pτ× ε–1 – εε×LدLT=Lλ−Lupτ×ε−1−εε×Ld(12)

جایی که LتیLTدرخشندگی اتمسفر تصحیح شده است، Lu pLupو LدLdبه ترتیب درخشندگی بالارونده و پایین‌رونده هستند (W/m ² ×sr×μm) و ττو εεبه ترتیب قابلیت انتقال و انتشار هستند. این پارامترها را می توان با استفاده از ابزار آنلاین محاسبه پارامتر تصحیح جو (https://atmcorr.gsfc.nasa.gov/) ارزیابی کرد. این از کد انتقال تابشی MODTRAN استفاده می‌کند که الگوریتم‌ها را برای تخمین پروفایل‌ها و پارامترهای جهانی جو برای یک تاریخ، زمان و مکان معین به عنوان ورودی [ 65 ] ادغام می‌کند. گسیل سطح زمین بر اساس رابطه (9) محاسبه شد. حتی اگر میزان انتشار از طریق NDVI در هر دو Landsat 5 TM و Landsat 8 OLI محاسبه شد، همچنین ترجیح داده شد که از مدل انتشار یکسان برای هر دو مجموعه داده Landsat استفاده شود، بنابراین از عدم قطعیت در تغییر LST جلوگیری می شود. مدل های انتشار اضافی معرفی شده توسط [ 66] نیز اعمال شد. با این حال، نتایج به‌دست‌آمده مربوط به معادله (9) پس از اعتبارسنجی، قابل اطمینان‌ترین و نزدیک‌ترین به زندگی واقعی در نظر گرفته شد، تنها تفاوت‌های کوچکی بین مدل‌ها یافت شد.

باندهای مادون قرمز حرارتی Landsat 8 OLI با تبدیل تابش با استفاده از قانون معکوس Landsat Plank [ 60 ] از درخشندگی طیفی به دمای روشنایی موثر در حسگر تبدیل می‌شوند:

بی تی=ک2ln (ک1Lتی+ 1 )– 273.15BT=K2ln(K1LT+1)−273.15(13)

که در آن K1 ثابت مکالمه حرارتی ویژه باند 1 (W/m ₂ ^sr μm) است، و K2 یک ثابت کالیبراسیون 2 در کلوین است ( _جدول 3 ). در نهایت، LST تصحیح شده بر حسب درجه سانتیگراد، با استفاده از معادله (10) با جایگزینی BT به جای _سنسور T بازیابی شد .

5. نتایج و بحث

5.1. توزیع فضایی و ارزیابی دقت LULC

ماشین بردار پشتیبان (SVM) و الگوریتم‌های حداکثر احتمال، دقت کلی و ضرایب کاپا بالاتری را نسبت به سایر الگوریتم‌های طبقه‌بندی نظارت شده ارائه می‌کنند ( جدول 4 ). با استفاده از این مشاهدات، پردازش تصویر و ویژگی‌های طیفی، محصول نهایی ترکیبی از طبقه‌بندی‌های بدون نظارت و نظارت شده است که در آن توزیع فضایی و الگوهای LULC تغییر می‌کند و برای سال‌های 1990، 2003 و 2016، در شکل 5 نشان داده شده است.. الگوهای پراکنش فضایی نشان می‌دهد که منطقه تحت سلطه بیابان‌ها و زمین‌های بایر، پوشش گیاهی در ناحیه شمالی و پوشش شهری در وسط بوده است. با توجه به پوشش گیاهی هتروژن و متراکم در بخش مرکزی شمال منطقه مورد مطالعه، حتی پس از طبقه‌بندی مکرر با الگوریتم‌های مختلف، نتوانستیم دقت کلی بالاتری نسبت به موارد ارائه شده به دست آوریم.

دقت طبقه‌بندی کلی به دست آمده برای تصاویر به ترتیب 90.3، 96.5 و 94.9 درصد با ضرایب کاپا 0.85، 0.94 و 0.86 برای سال‌های 1990، 2003 و 2016 بود. توجه داشته باشید که در همه الگوریتم‌های طبقه‌بندی، کلاس گیاهی مسئول خطاهای تولیدکننده بود. با این حال، کلاس شهری دلیل اصلی خطاهای کاربر بود ( جدول 5 ). از سوی دیگر، طبقات زمین و آب بایر با دقت نسبی، تقریباً 98٪ یا بالاتر طبقه بندی شدند. طبقه بندی کلی در سال های 2003 و 2016 به دلیل در دسترس بودن تصاویر مرجع هوایی با جزئیات بیشتر و وضوح بالاتر، بالاتر است. در همین حال، استفاده از تکنیک های OIF و بهبود قبل از طبقه بندی، دقت کلی را بین 15 تا 20 درصد افزایش داد.

5.2. شناسایی تغییر کاربری/پوشش زمین

آمار تشخیص تغییر از هر جفت نقشه LULC (1990-2003 و 2003-2016) محاسبه شد و نتایج این تغییرات در جدول 6 و جدول 7 ارائه شده است. این ماهیت تغییر را با توجه به هر کلاس به دست آمده از یک الگوریتم ماتریسی نشان می دهد. نتایج تحلیل تشخیص تغییر نشان دهنده رشد شدید 128 درصدی طبقه شهری در طول دوره 26 ساله (1990-2016) است ( شکل 6 ). به نظر می رسد تفاوت های قابل توجهی مربوط به زمین های بایر و طبقات پوشش گیاهی باشد. پوشش گیاهی به میزان 17665 هکتار (14.3 درصد) کاهش یافت.

طی سال‌های 2003-2016 در مقایسه با 14432 هکتار (10.5%) طی سال‌های 1990-2003. در همین حال، اراضی بایر طی دو دوره 1382-1382 به ترتیب 30669 هکتار (8/4 درصد) و 24822 هکتار (1/4 درصد) کاهش عمده‌ای داشته است که مجموعاً در کل دوره 55 هزار و 491 هکتار بوده است. این تغییرات عظیم مربوط به فعالیت های بیابانی-شهرنشینی و ساخت و سازهای جدید مسکن است که توسط دولت مصر در اوایل دهه 1980 آغاز شد و از آن زمان تسریع شده است [ 7 ].] . این روند رو به افزایش در شهرنشینی اثر دخالت انسان را افزایش می‌دهد و این را تقویت می‌کند که نیروهای اجتماعی-اقتصادی محرک اصلی این تغییرات زمین‌زای انسانی هستند، به‌ویژه در اطراف نهرهایی که از رودخانه نیل بیرون می‌آیند. با این حال، کاهش پوشش گیاهی و مساحت کشاورزی، به ویژه برای اهداف شهرنشینی، نشان‌دهنده برنامه‌ریزی ضعیف قوانین حفاظت از اراضی کشاورزی و نادیده گرفتن قوانین زیست‌محیطی و اکولوژیکی اجرا شده در طرح جامع شهری است. از سوی دیگر، حجم آب در طی سال‌های 1990 تا 2003 افزایش یافته و به دلیل استفاده از زمین‌های اطراف برای کشاورزی مجدداً کاهش یافته است. نتایج به دست آمده از این مطالعه مشابه نتایج ارزیابی شده توسط [ 67 ] بود] . آنها از سه تصویر ماهواره ای (1984، 2003 و 2014) برای تولید سه نقشه LULC در GCR با استفاده از الگوریتم SVM استفاده کردند. نتایج نشان داد که بین سال‌های 1984 تا 2003، 13 درصد از پوشش گیاهی در مناطق شهری و بین سال‌های 2003 تا 2014، 12 درصد از بین رفته است. این در حالی است که تنها 3 درصد از بیابان در دوره اول به شهر تبدیل شده و به 5 درصد رسیده است. بین 2003 و 2014

به منظور درک بهتر این روابط “از به”، GIS بیشتر و تجزیه و تحلیل های آماری انجام شد. یک مقایسه پس از طبقه‌بندی از طریق ماژول‌های GIS جدول‌بندی متقابل برای همپوشانی دو نقشه LULC (1990 و 2016) برای تولید یک نقشه تشخیص تغییر LULC انجام شد که به الگوی فضایی تغییر برای بازه زمانی 26 ساله اشاره می‌کند ( شکل 7 ). شکل 8 و جدول 8درصد پوشش های مختلف زمین در GCR برای سه دوره زمانی در نظر گرفته شده در این مطالعه را نشان می دهد. نتایج برجسته از این تجزیه و تحلیل دو روند به وضوح قابل تشخیص را نشان داد. الف) زمین بایر و پوشش گیاهی به تدریج کاهش یافت و ب) مساحت شهری به شدت و به سرعت افزایش یافت (به میزان 128 درصد همانطور که قبلا ذکر شد). الگوهای تبدیل بین طبقات مختلف پوشش زمین به پوشش زمین شهری در شکل 9 نشان داده شده است.. این نشان می‌دهد که زمین بایر سهم اصلی در شکل‌دهی به ناحیه شهری به میزان 70/8 درصد بوده و پس از آن پوشش گیاهی زمین با نرخ 73/7 درصد در بازه زمانی 26 ساله (1990-2016) قرار دارد. این امر بر اهمیت RS در ارتباط با GIS در مطالعه تشخیص تغییر LULC که اطلاعات ضروری در مورد ماهیت پویا و الگوهای تغییر فضایی پوشش زمین ارائه می‌کند، تاکید می‌کند.

مناطق طبقه بندی شده به عنوان شهری در قسمت شمالی منطقه مورد مطالعه، به ویژه در استان قالیوبیه، عمدتاً به عنوان تجاوزات شهری در مناطق طبقه بندی شده به عنوان پوشش گیاهی زمین منتشر می شوند ( شکل 5 ). با این حال، تغییر در بخش مرکزی منطقه مورد مطالعه، در پایتخت سیاسی استان قاهره، نشان‌دهنده گرایش گسترده کروی شکل خشن با مناطق وسیعی است که دارای تمرکز بسیاری از مناطق تغییر موضعی با متراکم و دانه‌بندی است.

بافت، به ویژه در دوره 2003-2016. اینها مربوط به ایجاد و اجرای سکونتگاه‌ها، صنایع و جوامع جدید به هزینه زمین‌های بیابانی است که متکی به آب‌های سطحی رودخانه نیل است، به عنوان مثال، شهر العبور و شهرهای 10 ^رمضان در شرق قاهره. و 6 اکتبر شهر در قسمت غربی. به طور کلی، این گسترش شدید برای تطبیق جمعیت فزاینده رخ داده است که باعث نیاز به ایجاد مشاغل جدید و حفظ امنیت غذایی می شود و با داده های سرشماری مورد بحث در بخش 2 ( شکل 2 ) تایید می شود.

5.3. تغییر دمای سطح زمین (LST) و رابطه با تغییر کاربری زمین/پوشش زمین (LULC)

شکل 10 توزیع فضایی و الگوی تغییر LST را در طول دوره های زمانی مختلف مطالعه (1990، 2003 و 2016) نشان می دهد. افزایش بسیار زیاد LST برای همه انواع LULC، علاوه بر دامنه وسیع مقادیر LST در بازه زمانی 1990 تا 2016، بسیار مشهود است. به 47.11 درجه سانتی گراد، با میانگین 38.4 درجه سانتی گراد در سال 1990، 27.02 درجه سانتی گراد تا 53.84 درجه سانتی گراد، با میانگین 40.6 درجه سانتی گراد در سال 2003، و 29.35 درجه سانتی گراد تا 52.71 درجه سانتی گراد، با میانگین 42.1 درجه سانتی گراد 2016. LST برآورد شده از داده‌های مختلف Landsat با دمای هوای سطح نزدیک به‌دست‌آمده از دو ایستگاه هواشناسی در همان روز از داده‌های ماهواره‌ای به‌دست‌آمده در منطقه مورد مطالعه تأیید شد ( جدول 9).). برآوردهای بالاتر LST از داده های ماهواره ای در طول سه دوره زمانی به دلیل تأثیر زبری سطح بر دمای سطح بود [ 2 ]. داده های لندست می تواند باشد

برای کالیبره کردن توزیع LST در مکان های متراکم مانند GCR استفاده می شود. الگوریتم های مختلف برای ارزیابی LST از Landsat در این مطالعه برای به دست آوردن نتایج دقیق استفاده شد. همانطور که توسط [ 32 ] پیشنهاد شده است، کالیبراسیون LST باید با داده های بیشتر و اندازه گیری های درجا LST در مطالعات آینده اصلاح شود .

تجزیه و تحلیل GIS همراه با تفسیر تصویر می تواند به ما کمک کند تا رابطه بین امضای حرارتی و انواع LULC را ارزیابی کنیم و تأثیر تغییرات پوشش زمین بر LST را برجسته کنیم. ما نتایج میانگین LST را بر حسب درجه سانتیگراد (˚C) توسط کلاسهای LULC در سه بازه زمانی در جدول 10 بیان کردیم . توزیع LST در سال 2016 نشان داد که این LST های جدید با سطوح غیرقابل تبخیر غیر قابل نفوذ، مانند مناطق صنعتی و مسکونی که از سایر انواع پوشش زمین تبدیل شده بودند، مرتبط بودند [ 9 ]] . نتایج نشان داد که بیشترین و میانگین LST مربوط به زمین بایر (میانگین 39.81 درجه سانتیگراد تا 43.69 درجه سانتیگراد) و مناطق شهری با تراکم بالا (میانگین مقدار 36.83 درجه سانتیگراد تا 41.47 درجه سانتیگراد) و پس از آن پوشش گیاهی (مقدار متوسط). از 33.05 درجه سانتی گراد تا 36 درجه سانتی گراد) و در نهایت، پوشش آب (مقدار متوسط ​​30.59 درجه سانتی گراد تا 32.89 درجه سانتی گراد)، در هر سه دوره. با توجه به اثر گرم شدن شهرها و رشد سریع شهری در GCR، مناطق شهری، مانند نواحی صنعتی و مراکز تجاری در ضلع شرقی و غربی قاهره، افزایش LST را به میزان 4.91 درجه سانتی گراد در کل دوره تجربه کردند. این نشان می دهد که این افزایش قابل توجه به دلیل انتشار بالای آلاینده ها و منابع گرمای مصنوعی متعدد بوده است. و جایگزینی مناطق پوشش گیاهی بومی که میزان گرمای ذخیره شده از طریق تعرق را کاهش می دهد با سایر سطوح غیر تعرق و غیر تبخیر مانند بتن، فلزات و سنگ ها. این سطوح ساختمانی با تراکم بالا، دمای درخشندگی بالایی را تجربه می‌کنند، که پدیده‌های اثر گرمایش شهری را تأیید می‌کند که در آن مواد مصنوعی در مناطق شهری متراکم، دمای سطحی را تغییر می‌دهند و به شدت رده شهری را به LST بالاتر در GCR مرتبط می‌کنند.

همچنین خاطرنشان می شود که پوشش گیاهی بالاترین مقادیر انحراف استاندارد را نشان می دهد که منعکس کننده ماهیت ناهمگن و پیچیده پوشش گیاهی با طیف گسترده ای از دمای تابشی سطح است. از سوی دیگر، زمین های بایر به دلیل ماهیت خشک این سطوح و عدم تنوع زیاد در دمای تابشی سطح، کمترین انحراف معیار را از خود نشان دادند.

جدول 11نشان می دهد که چگونه اراضی تازه تشکیل شده با توجه به LST پس از تبدیل، به استثنای پوشش آبی که کمتر از 1٪ از مساحت مورد مطالعه را تشکیل می دهد، واکنش نشان می دهند. می‌توان به وضوح اشاره کرد که زمین‌های بایر و نواحی شهری تازه‌توسعه‌یافته دمای بالاتری را هنگام تبدیل از پوشش گیاهی با نرخ‌های 2.60 درجه سانتی گراد و 2.06 درجه سانتی گراد اندازه‌گیری کرده‌اند. از سوی دیگر، پوشش گیاهی تمایل به کاهش LST تابشی در تبدیل از مناطق شهری (1.90 درجه سانتی گراد) یا زمین های بایر (0.43 درجه سانتی گراد) دارد. توجه داشته باشید که تغییر بین زمین‌های بایر و مناطق شهری (و بالعکس) کمترین تأثیر را بر LST داشت. به طور کلی، پوشش های مختلف زمین تأثیرات متفاوتی بر توزیع حرارتی با بزرگی متفاوت داشتند و LST به عنوان یک تابع مهم از تغییر در LULC عمل کرد. از این رو،

5.4. تجزیه و تحلیل شاخص های زمین و رابطه با LST

دو شاخص، NDVI و NDBI، همانطور که در بخش 4.5 ذکر شد، برای کمی کردن رابطه بین LST و شاخص های زمین استخراج شد. تصویر بصری الگوی فضایی NDVI و NDBI به ترتیب در شکل 11 و شکل 12 نشان داده شده است. مشاهده شده است که مقادیر بالاتر NDVI مربوط به مناطق پوشش گیاهی متراکم در شمال مرکزی GCR است، در حالی که مقادیر کمتری در مناطق شهری و زمین های بایر مشاهده شده است ( جدول 12).). مقادیر NDVI در محدوده 0.525- تا 0.79 در سال 1990، دارای مقدار متوسط ​​0.04 و انحراف استاندارد 0.15 هستند. این مقادیر به 0.444- و 0.681 با میانگین 0.026 و 0.14 انحراف استاندارد در سال 2003 کاهش یافت و به تدریج کاهش یافت و بین 0.528- و 0.681 با میانگین 0.02- و انحراف استاندارد 0.08 کاهش یافت. ادبیات [ 31 ]، سطوح بالاتر NDVI با مقادیر کمتر LST همراه بود. از سوی دیگر، مقادیر NDBI در طول دوره مطالعه افزایش یافت. برای سال های 1990، 2003 و 2016، میانگین NDBI به ترتیب 0.043-، 0.039- و 0.021 بود. به طور کلی، کاهش تعرق سطحی از طریق کاهش سبز

پوشش تاج پوشش و افزایش سطوح غیرقابل نفوذ رفتار حرارتی را اصلاح کردند و برای کاهش ارزش NDVI و افزایش NDBI ضروری بودند. این الگو را می توان به وضوح در جدول 13 و جدول 14 مشاهده کرد که تجزیه و تحلیل آماری و ضریب همبستگی پیرسون بین شاخص ها و LST را در سطح معنی داری 05/0 نشان می دهد. نتایج نشان داد که NDVI با LST همبستگی منفی دارد، که نشان می‌دهد تأثیر پوشش سبز بر LST منفی است، که در آن هر چه مناطق سبز بیشتر باشد، LST ضعیف‌تر خواهد بود ( شکل 13 ). در مقایسه، NDBI ضریب همبستگی مثبت بالایی با LST در سه دوره زمانی مطالعه ارائه می‌دهد. بنابراین، مناطق شهری می توانند اثرات گرمای شهری را تقویت کرده و LST را افزایش دهند [ 32 ] (شکل 14 ). نکته جالب توجه این بود که همبستگی منفی بالای NDVI و NDBI در سه سال گذشته را می توان با اقدام ایجاد سکونتگاه های شهری به نفع پوشش سبز توضیح داد.

به منظور افشای واریانس بین شاخص‌های LST و سطح زمین، تصویر سال 2016 را به عنوان مثال برای تعیین کمیت رابطه بین LST، NDVI و NDBI در نظر گرفتیم. شکل 15 مقادیر پیکسل مشتق شده LST و دو شاخص دیگر را بر اساس نمایه غرب/شرق از تصویر 2016 نشان می‌دهد، که نشان می‌دهد LST پایین‌تر معمولاً در مناطق با NDVI پایین‌تر یافت می‌شود. با این حال، مقادیر پیک LST با مقادیر بالاتر NDBI در امتداد مشخصات مطابقت دارد. تجزیه و تحلیل رگرسیون خطی چند متغیره بین LST و شاخص ها انجام شد که منجر به a

رابطه بین متغیرها همانطور که در رابطه (14) نشان داده شده است، با ضریب همبستگی R2 ⁼ 0.80، p <0.001، و ریشه MSE = 1.82 در سطح معنی داری 0.05.

LST = – 6.79 × NDVI + 21.60 × NDBI + 41.26LST=−6.79×NDVI+21.60×NDBI+41.26(14)

یافته معادله (14) ضریب همبستگی بالاتری را در رگرسیون خطی چند متغیره نسبت به رگرسیون خطی ساده برای همان سال نشان داد (R2 ⁼ 0.78 برای LST-NDVI و R2 ⁼ 0.79 برای LST-NDBI).

ضریب همبستگی پیرسون بین LST، NDVI و NDBI بر اساس انواع مختلف LULC

به منظور تحلیل دقیق تأثیر LULC خاص بر LST، همبستگی پیرسون بین میانگین LST/NDVI ( جدول 15 ) و میانگین ارزیابی شد.

LST/NDBI ( جدول 16 ) برای LULC، پیکسل به پیکسل، در سال‌های 1990 و 2016.

نتایج نشان داد که همبستگی بین LST و NDVI در هر دو سال 1990 و 2016 به جز پوشش آب در سال 1990 منفی بود که احتمالاً به دلیل مقادیر کمتر آلاینده در آب سال 1990 است. اما کمترین همبستگی منفی در اراضی بایر در سال 1369 به دلیل پوشش بالای منطقه در منطقه مورد مطالعه مشاهده شد. از سوی دیگر، بالاترین ضریب منفی تابع رگرسیون در پوشش های گیاهی (620/0-) و برای پوشش شهری (596/0-) اندکی کاهش یافت. در سال 1395، مناطق بایر همچنان کمترین همبستگی منفی را نشان دادند، اما پوشش شهری بالاترین ضریب همبستگی (0.652) را داشت که کمی بیشتر از پوشش گیاهی بود. نتایج این تجزیه و تحلیل با سایر مطالعات در مورد رابطه بین LST و NDVI [ 68 ] [ 69 ] مطابقت دارد.] . این نشان می دهد که با افزایش NDVI، LST پوشش گیاهی و شهری با سرعت بیشتری نسبت به پوشش زمین بایر کاهش می یابد.

با این حال، شاخص NDBI با همه انواع LULC به جز زمین‌های بایر در سال 1990 همبستگی مثبت نشان داد که با LST همبستگی منفی یا تقریباً نداشتند. مشابه با NDVI، بیشترین ضریب مربوط به پوشش گیاهی در سال 1990 و پوشش شهری در سال 1395 بود. به طور کلی، ضریب همبستگی بین شاخص‌های LST و سطح زمین برای کل منطقه مورد مطالعه، همبستگی بالاتری نسبت به استفاده از شاخص‌ها به عنوان شاخص نشان داد. LST با توجه به هر نوع LULC. با این حال، رابطه متوسط ​​به‌دست‌آمده برای هر LULC توسط شاخص‌های سطحی و LST می‌تواند اطلاعات مهمی را برای مطالعات اولیه فراهم کند. به عنوان مثال، آنها می توانند به سادگی به عنوان پروکسی برای دما و برای برنامه ریزی بهتر توسط سیاست گذاران در مناطق بزرگ مورد استفاده قرار گیرند.

6. نتیجه گیری

در این مطالعه، از داده‌های ماهواره‌ای لندست چند زمانی برای نظارت دقیق بر تغییرات مکانی و زمانی LULC و برای مطالعه تأثیر شهرنشینی سریع بر دمای سطح زمین در GCR در مصر استفاده شد. سه تاریخ لندست، TM 1990، TM 2003 و OLI 2016، در همان زمان از فصل (تابستان) به دلیل در دسترس بودن داده های مرجع و ثابت نگه داشتن فاکتور آب و هوا تا حد امکان به دست آمد. این مطالعه اثربخشی تکنیک‌های سنجش از دور در ارتباط با GIS را نشان داد که ما را قادر می‌سازد تا گسترش شهری را به دلیل استقرار سکونتگاه‌های جدید ترسیم کنیم و یک نقشه دقیق تغییر منظر در منطقه مورد مطالعه تهیه کنیم. بهبودهای مختلف تصویر، تصحیح اتمسفر، تکنیک های استخراج اطلاعات، و الگوریتم های طبقه بندی بدون نظارت و نظارت بر روی هر تصویر Landsat برای اطمینان از طبقه بندی دقیق تصویر و نقشه برداری LULC انجام شد. این نشان داد که SVM و حداکثر درست‌نمایی به ترتیب با نرخ‌های 90.3، 96.5 و 94.9 درصد برای سال‌های 1990، 2003 و 2016 دقت بالاتری داشتند. روش تشخیص تغییر مقایسه پس از طبقه بندی برای تعیین کمیت تغییر فضایی واحدهای پوشش زمین به کار گرفته شد. علاوه بر این، اطلاعات آماری “از به” برای تعیین کمیت میزان تغییر در کل بازه زمانی 26 ساله استفاده شد. نتایج نشان داد که مشخص ترین تغییر مربوط به پوشش گیاهی است که به میزان 32097 هکتار (23.3 درصد) از سال 1990 تا 2016 به شدت کاهش یافته است. در همین دوره زمانی، کاهش قابل توجهی در اراضی بایر به میزان 55491 هکتار (8.70 درصد) رخ داده است. از سوی دیگر، مناطق شهری، با توجه به احداث شهرک‌های صنعتی و تجاری جدید، افزایش قابل توجهی به میزان 87689 هکتار (3/128 درصد) به‌ویژه در بخش‌های مرکزی و شمالی منطقه مورد مطالعه در اطراف منابع آبی نشان داد. این دو پوشش زمین، زمین های بایر و پوشش گیاهی، عوامل اصلی شکل گیری مناطق شهری جدید بودند.

ارزیابی LST از طریق تصاویر ماهواره ای لندست به راحتی قابل تشخیص است. الگوریتم‌های مختلفی برای داده‌های مادون قرمز حرارتی تصاویر مختلف Landsat برای محاسبه دقیق LST پوشش‌های زمین مختلف اعمال شد. یک تغییر بسیار جزئی از مدل‌های انتشار مختلف پیدا شد، با این حال، نتایج به‌دست‌آمده در این مطالعه بر اساس اعتبار متقاطع قابل‌اعتمادترین در نظر گرفته شدند. نتایج نشان داد که میانگین مقادیر LST در زمین‌های بایر و مناطق شهری نسبت به اطراف در کل دوره بالاتر بود. این ناهنجاری ها با سکونتگاه ها و نواحی صنعتی و تجاری که جمعیت متراکمی را تجربه می کردند، همراه بود. علاوه بر این، معمول ترین تاثیر شهرنشینی سریع بر LST در یک LULC مورد بررسی قرار گرفت. تغییر در LULC دمای تابشی سطح را تغییر داد. اعتقاد بر این بود که تغییر در LST و پاسخ اقلیمی به شدت با حذف پوشش گیاهی و جایگزینی آنها با سطح غیر تبخیری مرتبط است. این را می توان از افزایش بزرگی LST به میزان 2.06 درجه سانتی گراد در مناطقی که از پوشش گیاهی به شهری تبدیل شده و 2.60 درجه سانتی گراد به دلیل تبدیل اراضی بایر از مناطق سبز در کل دوره مطالعه از 1990 تا 2016. به طور کلی، شهرنشینی سریع عامل اصلی گرم شدن آب و هوای شهری در نظر گرفته شد که تغییرات مکانی و زمانی عمده را در LST ایجاد کرد، به ویژه به دلیل کاهش پوشش گیاهی و گسترش آلودگی که می‌توان آن را به گسترش سکونتگاه و در نتیجه مقدار زیادی زباله نسبت داد. گرما به نوبه خود بر بودجه انرژی سطحی تأثیر می گذارد.

نتایج حاصل از مطالعات سنجش از دور نشان می‌دهد که شاخص‌های LST و سطح زمین، NDVI و NDBI با هم می‌توانند الگوی تغییرات زمانی و توزیع مکانی را در محیط‌های حرارتی شهری شناسایی کنند. بیشترین NDVI در مناطق پوشش گیاهی و بالاترین NDBI در زمین های بایر و مناطق شهری یافت شد. تجزیه و تحلیل آماری یک رابطه معکوس قوی بین LST و NDVI در مقابل یک رابطه مثبت بالا بین LST و NDBI در طول پروفایل های مختلف در مناطق مورد مطالعه نشان داد. این روابط در مورد تجزیه و تحلیل کمی بین شاخص های LST، الگوی LULC و سطح زمین کاهش یافت. به عنوان نتیجه گیری، منطقه مورد مطالعه LST و NDBI نسبتاً بالاتر و NDVI کمتر را در طول دوره مطالعه نشان می دهد. این یافته‌ها ایجاد اقداماتی را توصیه می‌کند که می‌تواند اثر قوی افزایش LST را بر توسعه‌های پایدار کاهش دهد، کنترل تراکم جمعیت که فقط به رشد افقی محدود نمی‌شود، بهبود پوشش سبز مانند پارک‌ها و باغ‌ها، و کشت بالای پشت بام با گیاهان باغی که می‌توانند کاهش اثر LST همچنین توصیه می شود تصاویر چند تاریخه بیشتری از همان فصل بررسی و ارزیابی شوند تا شواهد بیشتری از رفتار حرارتی در مناطق شهری برای درک بهتر تأثیر شهرنشینی بر LST ارائه شود. علاوه بر این، تصاویر ماهواره ای RS احتمالاً تحت تأثیر پوشش ابر و سایر اثرات جوی قرار می گیرند، علاوه بر زبری سطح، که به نوبه خود بر مقادیر DN تأثیر می گذارد و بنابراین،9 ] .

به طور کلی، نتایج پتانسیل تصاویر لندست چند زمانی را که می‌توانند الگوی تغییر را در LULC و LST در GCR در مصر به طور دقیق کمی کنند، اثبات کردند. علاوه بر این، ادغام RS و GIS می تواند فرصت ارزشمندی برای بررسی، پایش محیطی و ماهیت تغییر پوشش زمین فراهم کند. از این رو، اطلاعات به دست آمده از خروجی های تشخیص تغییر می تواند به درک پویایی تغییر LULC به منظور کمک به سیاست گذاران برای پیش بینی و برنامه ریزی برای پیشرفت های آینده در GCR، دستیابی به پایداری طولانی مدت منابع آب و خاک و تأثیرات آن بر روی کمک کند. تغییرات آب و هوایی، و بنابراین مشخصه تکامل زمین های ساخت و ساز شهری است.

 

منابع

 

[ 1 ]	کافی، KM، شفری، HZM و شریف، ABM (2014) تجزیه و تحلیل تشخیص تغییر LULC با استفاده از داده های سنجش از دور: مطالعه موردی شهر باوچی. سری کنفرانس های IOP: Earth and Environmental Science, 20, 12056. https://doi.org/10.1088/1755-1315/20/1/012056
[ 2 ]	عمران، ESE (2012) تشخیص کاربری زمین و تغییر دمای سطح در وضوح های مختلف. مجله نظام اطلاعات جغرافیایی، 4، 189-203. https://doi.org/10.4236/jgis.2012.43024
[ 3 ]	Adger, WN, Arnell, NW and Tompkins, EL (2005) انطباق موفق با تغییرات آب و هوا در مقیاس ها. تغییر جهانی محیط زیست، 15، 77-86. https://doi.org/10.1016/j.gloenvcha.2004.12.005
[ 4 ]	Foley, JA, Defries, R., Asner, GP, Barford, C. and Bonan, G. (2005) پیامدهای جهانی استفاده از زمین. Science (نیویورک، نیویورک)، 309، 570-574. https://doi.org/10.1126/science.1111772
[ 5 ]	Chen, J., Theller, L., Gitau, MW, Engel, BA and Harbor, JM (2017) تأثیرات شهرنشینی بر رواناب سطحی ایالات متحده پیوسته. مجله مدیریت محیط زیست، 187، 470-481. https://doi.org/10.1016/j.jenvman.2016.11.017
[ 6 ]	Sahana, M., Ahmed, R. and Sajjad, H. (2016) تجزیه و تحلیل توزیع دمای سطح زمین در پاسخ به تغییر کاربری/پوشش زمین با استفاده از الگوریتم پنجره تقسیم و مدل تابش طیفی در ذخیره‌گاه زیست کره سانداربان، هند. مدل سازی سیستم های زمین و محیط، 2، 81. https://doi.org/10.1007/s40808-016-0135-5
[ 7 ]	عبدالعزیز، AM، Hurtado، JJM و Al-Douri، R. (2009) کاربرد داده های لندست چند زمانی برای نظارت بر تغییرات پوشش زمین در منطقه دلتای نیل شرقی، مصر. مجله بین المللی سنجش از دور، 30، 2977-2996. https://doi.org/10.1080/01431160802558675
[ 8 ]	Ogashawara, I. and Bastos, V. (2012) رویکرد کمی برای تحلیل رابطه بین جزایر گرمایی شهری و پوشش زمین. سنجش از دور، 4، 3596-3618. https://doi.org/10.3390/rs4113596
[ 9 ]	Li, L., Tan, Y., Ying, S., Yu, Z., Li, Z. and Lan, H. (2014) تأثیر پوشش زمین و تراکم جمعیت بر دمای سطح زمین: مطالعه موردی در ووهان چین . مجله سنجش از دور کاربردی، 8، 1-19. https://doi.org/10.1117/1.JRS.8.084993
[ 10 ]	شیخی، ا.، کانیا، کی دی و هو، CH (2015) اثر پوشش زمین و فضای سبز بر دمای سطح زمین یک منطقه اقتصادی با رشد سریع در مالزی. Proceedings of SPIE, 9644, 964413. https://doi.org/10.1117/12.2194796
[ 11 ]	Huyen، NT، Tu، LH، Liem، ND، Tram، VNQ، Minh، DN و Loi، NK (2016) ارزیابی اثرات استفاده از زمین و تغییر آب و هوا بر خاک و منابع آب در حوزه آبخیز سرپوک، ارتفاعات مرکزی ویتنام. مجموعه مقالات بحث-مرکز منطقه ای جنوب شرقی آسیا برای تحصیلات تکمیلی و تحقیقات در کشاورزی (SEARCA)، (2016-2). https://doi.org/10.13140/RG.2.2.28700.08326
[ 12 ]	Pal, S. and Ziaul, S. (2016) تشخیص کاربری زمین و تغییر پوشش زمین و دمای سطح زمین در مرکز شهری بازار انگلیسی. مجله مصری سنجش از دور و علوم فضایی، 20، 125-145. https://doi.org/10.1016/j.ejrs.2016.11.003
[ 13 ]	Tran, DX, Pla, F., Latorre-Carmona, P., Myint, SW, Caetano, M. and Kieu, HV (2017) مشخص کردن رابطه بین تغییر پوشش زمین کاربری و دمای سطح زمین. ISPRS مجله فتوگرامتری و سنجش از دور، 124، 119-132. https://doi.org/10.1016/j.isprsjprs.2017.01.001
[ 14 ]	Mallick, J., Kant, Y. and Bharath, BD (2008) تخمین دمای سطح زمین در دهلی با استفاده از Landsat-7 ETM+. J. Ind. Geophys. اتحاد.، 12، 131-140. https://www.igu.in/12-3/5javed.pdf
[ 15 ]	Bhagyanagar, R., Kawal, BM, Dwarakish, GS and Surathkal, S. (2012) تغییر کاربری زمین/پوشش زمین و گسترش شهری طی سالهای 1983-2008 در منطقه ساحلی ناحیه داکشینا کانادا در جنوب هند. مجله سنجش از دور کاربردی، 6، 63576-1. https://doi.org/10.1117/1.JRS.6.063576
[ 16 ]	Kimuku, CW and Ngigi, M. (2017) مطالعه روندهای جزیره گرمایی شهری برای کمک به برنامه ریزی شهری در شهرستان ناکورو-کنیا. مجله نظام اطلاعات جغرافیایی، 9، 309-325. https://doi.org/10.4236/jgis.2017.93019
[ 17 ]	Owen, TW, Carlson, TN and Gillies, RR (1998) ارزیابی پارامترهای پوشش زمینی سنجش از دور ماهواره ای در توصیف کمی اثر آب و هوایی شهرنشینی. مجله بین المللی سنجش از دور، 19، 1663-1681. https://doi.org/10.1080/014311698215171
[ 18 ]	Bauer, ME, Burk, TE, Ek, AR, Coppin, PR, Lime, SD, Walsh, TA and Heinzen, DF (1994) فهرست ماهواره ای منابع جنگلی مینه سوتا. مهندسی فتوگرامتری و سنجش از دور، 60، 287-298.
[ 19 ]	Wilson, EH and Sader, SA (2002) تشخیص نوع برداشت جنگل با استفاده از چندین تاریخ از تصاویر Landsat TM. سنجش از دور محیط زیست، 80، 385-396. https://doi.org/10.1016/S0034-4257(01)00318-2
[ 20 ]	یانگ، X. (2002) نظارت ماهواره ای رشد فضایی شهری در منطقه شهری آتلانتا. مهندسی فتوگرامتری و سنجش از دور، 68، 725-734.
[ 21 ]	Yuan, F., Sawaya, KE, Loeffelholz, BC and Bauer, ME (2005) طبقه بندی پوشش زمین و تحلیل تغییر منطقه شهری دوقلو (مینسوتا) توسط سنجش از دور لندست چندزمانی. سنجش از دور محیط زیست، 98، 317-328. https://doi.org/10.1016/j.rse.2005.08.006
[ 22 ]	Gilmore, MS, Wilson, EH, Barrett, N., Civco, DL, Prisloe, S., Hurd, JD and Chadwick, C. (2008) ادغام اطلاعات طیفی و ساختاری چند زمانی برای نقشه پوشش گیاهی تالاب در رودخانه کانکتیکات پایین مرداب جزر و مد. سنجش از دور محیط زیست، 112، 4048-4060. https://doi.org/10.1016/j.rse.2008.05.020
[ 23 ]	Esam, I., Abdalla, F. and Erich, N. (2012) تغییرات کاربری و پوشش زمین در منطقه Tahta غربی، استان سوهاگ، مصر علیا. مجله نظام اطلاعات جغرافیایی، 4، 483-493. https://doi.org/10.4236/jgis.2012.46053
[ 24 ]	Ozesmi, SL و Bauer, ME (2002) سنجش از دور ماهواره ای تالاب ها. اکولوژی و مدیریت تالاب ها، 10، 381-402. https://doi.org/10.1023/A:1020908432489
[ 25 ]	Butt, A., Shabbir, R., Ahmad, SS and Aziz, N. (2015) نقشه برداری و تحلیل تغییر کاربری اراضی با استفاده از سنجش از دور و GIS: مطالعه موردی Simly Watershed، اسلام آباد، پاکستان. مجله مصری سنجش از دور و علوم فضایی، 18، 251-259. https://doi.org/10.1016/j.ejrs.2015.07.003
[ 26 ]	کوهن، WB، Fiorella، M.، گری، J.، هلمر، E. و اندرسون، K. (1998) یک روش کارآمد و دقیق برای نقشه برداری جنگل های Clearcuts در شمال غرب اقیانوس آرام با استفاده از تصاویر Landsat. مهندسی فتوگرامتری و سنجش از دور، 64، 293-300.
[ 27 ]	Butt, A., Shabbir, R., Aziz, N. and Nowaz, M. (2015) طبقه بندی پوشش زمین و تحلیل تشخیص تغییر حوضه آبخیز راول با استفاده از داده های سنجش از دور. مجله تنوع زیستی و علوم محیطی، 6، 236-248.
[ 28 ]	راوات، جی اس و کومار، ام. (2015) نظارت بر تغییر کاربری/پوشش زمین با استفاده از تکنیک‌های سنجش از راه دور و GIS: مطالعه موردی بلوک هاوالباغ، ناحیه آلمورا، اوتاراکند، هند. مجله مصری سنجش از دور و علوم فضایی، 18، 77-84. https://doi.org/10.1016/j.ejrs.2015.02.002
[ 29 ]	Rao, PK (1972) سنجش از دور جزایر حرارتی شهری از ماهواره محیطی. بولتن انجمن هواشناسی آمریکا، 53، 647-648.
[ 30 ]	Bayarjargal, Y., Karnieli, A., Bayasgalan, M., Khudulmur, S., Gandush, C. and Tucker, CJ (2006) مطالعه مقایسه ای شاخص های خشکسالی مشتق شده از NOAA-AVHRR با استفاده از تحلیل برداری تغییر. سنجش از دور محیط، 105، 9-22. https://doi.org/10.1016/j.rse.2006.06.003
[ 31 ]	Sun, D. and Kafatos, M. (2007) یادداشت در مورد رابطه NDVI-LST و استفاده از شاخص های خشکسالی مرتبط با دما در آمریکای شمالی. نامه های پژوهشی ژئوفیزیک، 34، 1-4. https://doi.org/10.1029/2007GL031485
[ 32 ]	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
[ 33 ]	یونس زاده جلیلی، س. (1392) تأثیر کاربری زمین بر دمای سطح زمین در هلند. سری پایان نامه های GEM، دانشگاه لوند، لوند.
[ 34 ]	احمد، ب.، کامروززمان، ام.، ژو، ایکس، رحمان، ام اس و چوی، ک. (2013) شبیه سازی تغییرات پوشش زمین و تأثیرات آنها بر دمای سطح زمین در داکا، بنگلادش. سنجش از دور، 5، 5969-5998. https://doi.org/10.3390/rs5115969
[ 35 ]	رسول، ا.، بالزتر، اچ.، اسمیت، سی.، رمدیوس، جی.، آدامو، بی، سوبرینو، جی و ونگ، کیو (2017) مروری بر سنجش از دور جزایر گرما و خنک شهری. زمین، 6، 38-47. https://doi.org/10.3390/land6020038
[ 36 ]	زکی، ر.، زکی، ا. و احمد، س. (2011) تغییرات کاربری و پوشش زمین در منطقه خشک: مورد منطقه شهری جدید، شمال شرقی قاهره، مصر. مجله نظام اطلاعات جغرافیایی، 3، 173-194. https://doi.org/10.4236/jgis.2011.33015
[ 37 ]	شاهین، م. (1990) تأثیرات شهرنشینی منطقه بزرگ قاهره بر آب های زیرزمینی در آبخوان زیرزمینی. فرآیندهای هیدرولوژیکی و مدیریت آب در مناطق شهری، 198، 243-249.
[ 38 ]	Khoder, MI (2009) تغییرات روزانه، فصلی و روزهای هفته-آخر هفته از غلظت ازن سطح زمین در یک منطقه شهری در قاهره بزرگ. پایش و ارزیابی محیط زیست، 149، 349-362. https://doi.org/10.1007/s10661-008-0208-7
[ 39 ]	الباتران، ام و آراندل، سی (1998) پناهگاهی از خود: گسترش سکونتگاه غیررسمی در قاهره بزرگ و واکنش های دولت. محیط زیست و شهرسازی، 10، 217-232. https://doi.org/10.1177/095624789801000109
[ 40 ]	CAPMAS (2017) جمعیت منطقه قاهره بزرگ. https://www.capmas.gov.eg/
[ 41 ]	سازمان زمین شناسی ایالات متحده (2016) کاوشگر زمین. https://earthexplorer.usgs.gov/
[ 42 ]	نقشه خیابان باز (2016) شبکه های جاده ای. https://www.openstreetmap.org/#map=12/30.0550/31.2376
[ 43 ]	Digital Globe (2017) Image Finder. https://browse.digitalglobe.com
[ 44 ]	Zanter, K. (2016) Landsat 8 (L8) Data Users Handbook. LSDS-1574 نسخه 2، 1-106.
[ 45 ]	VIS، I. (2009) ماژول تصحیح جوی ENVI: راهنمای کاربر QUAC و FLAASH. ماژول نسخه 4، 1-44.
[ 46 ]	Chavez, P., Berlin, G. and Sowers, L. (1982) روش آماری برای انتخاب نسبت MSS Landsat. مجله مهندسی کاربردی عکاسی، 8، 23-30.
[ 47 ]	Qaid, AM and Basavarajappa, HT (2008) کاربرد تکنیک فاکتور شاخص بهینه برای داده های Lansat-7 برای نقشه برداری زمین شناسی شمال شرق حجه، یمن. مجله تحقیقات علمی آمریکایی-اوراسیا، 3، 84-91. https://doi.org/10.1007/s10661-012-2631-z
[ 48 ]	رحمان، MT (2016) تغییرات کاربری و پوشش زمین و گسترش شهری در ریاض، عربستان سعودی: تحلیلی با استفاده از داده‌های چند زمانی Landsat و شاخص آنتروپی شانون. ISPRS — آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، 12-19 جولای 2016، 1017-1021. https://doi.org/10.5194/isprs-archives-XLI-B8-1017-2016
[ 49 ]	احمد، بی. (2011) تجزیه و تحلیل تشخیص تغییر پوشش زمین شهری و مدلسازی دینامیک رشد مکانی-زمانی با استفاده از تکنیک‌های سنجش از دور و سیستم اطلاعات جغرافیایی: مطالعه موردی داکا، بنگلادش. کارشناسی ارشد پایان نامه، دانشگاه کالج لندن، لندن. https://doi.org/10.13140/2.1.1413.5364
[ 50 ]	Gao, J. and Liu, Y. (2010) تعیین علل تخریب زمین در شهرستان Tongyu، شمال شرق چین از طریق تشخیص تغییر پوشش زمین. مجله بین المللی مشاهده کاربردی زمین و اطلاعات جغرافیایی، 12، 9-16. https://doi.org/10.1016/j.jag.2009.08.003
[ 51 ]	لیلسند، TM، کیفر، RW و چیپمن، JW (2004) سنجش از دور و تفسیر تصویر. فصل 7 پردازش تصویر دیجیتال. چاپ پنجم، جلد. 53، ویلی و پسران، نیویورک. https://doi.org/10.1017/CBO9781107415324.004
[ 52 ]	Congalton, RG (1991) مروری بر ارزیابی دقت طبقه بندی داده های سنجش از دور. سنجش از دور محیط، 37، 35-46. https://doi.org/10.1016/0034-4257(91)90048-B
[ 53 ]	Gwet, K. (2002) آمار کاپا برای ارزیابی میزان توافق بین ارزیاب ها رضایت بخش نیست. روشهای آماری برای ارزیابان پایایی بین ارزیاب، 1، 1-6.
[ 54 ]	Viera، AJ و Garrett، JM (2005) درک توافق بین ناظران: آمار کاپا. پزشکی خانواده، 37، 360-363.
[ 55 ]	Ridd, MK and Liu, J. (1998) مقایسه ای از چهار الگوریتم برای تشخیص تغییر در یک محیط شهری. سنجش از دور محیط زیست، 63، 95-100. https://doi.org/10.1016/S0034-4257(97)00112-0
[ 56 ]	Al-Bakri, JT, Dauqqah, M. and Brewer, T. (2013) کاربرد سنجش از دور و GIS برای مدلسازی و ارزیابی کاربری زمین/تغییر پوشش در عمان/اردن. مجله نظام اطلاعات جغرافیایی، 5، 509-519. https://doi.org/10.4236/jgis.2013.55048
[ 57 ]	Xiong, Y., Huang, S., Chen, F., Ye, H., Wang, C. and Zhu, C. (2012) تأثیرات شهرنشینی سریع بر محیط حرارتی: مطالعه سنجش از دور گوانگژو در جنوب چین. سنجش از دور، 4، 2033-2056. https://doi.org/10.3390/rs4072033
[ 58 ]	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
[ 59 ]	Alhawiti، RH و Mitsova، D. (2016) با استفاده از داده های Landsat-8 برای بررسی همبستگی بین جزیره گرمایی شهری و کاربری های زمین شهری. مجله بین المللی تحقیقات در مهندسی و فناوری، 5، 457-466. https://doi.org/10.15623/ijret.2016.0503083
[ 60 ]	Chander, G. and Markham, B. (2003) رویه‌های کالیبراسیون رادیومتری TM اصلاح‌شده Landsat-5 و محدوده‌های دینامیکی پس کالیبراسیون. IEEE Transactions on Geoscience and Remote Sensing, 41, 2674-2677. https://doi.org/10.1109/TGRS.2003.818464
[ 61 ]	Giannini, MB, Belfiore, OR, Parente, C. and Santamaria, R. (2015) دمای سطح زمین از تصاویر Landsat 5 TM: مقایسه روش‌های مختلف با استفاده از داده‌های حرارتی هوابرد. مجله بررسی علوم و فناوری مهندسی، 8، 83-90.
[ 62 ]	Faridatul, MI (2017) اثرات فضایی-زمانی کاربری زمین و تغییر مورفولوژی رودخانه بر ریزاقلیم منطقه کلانشهر رجشاهی. مجله نظام اطلاعات جغرافیایی، 9، 466-481. https://doi.org/10.4236/jgis.2017.94029
[ 63 ]	مارکهام، BL و بارکر، JL (1985) خصوصیات طیفی سنسورهای نقشه‌بردار موضوعی LANDSAT. مجله بین المللی سنجش از دور، 6، 697-716. https://doi.org/10.1080/01431168508948492
[ 64 ]	Barsi, JA, Schott, JR, Palluconi, FD and Hook, SJ (2005) اعتبار سنجی ابزار تصحیح جوی مبتنی بر وب برای ابزارهای باند حرارتی منفرد. انجمن بین المللی اپتیک و فوتونیک، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، جولای 2005، 5882، 136-142. https://doi.org/10.1117/12.619990
[ 65 ]	Barsi, JA, Barker, JL and Schott, JR (2003) یک ماشین حساب پارامتر تصحیح جوی برای یک باند حرارتی تک باند سنجش زمین. IEEE International Geoscience and Remote Sensing Symposium 2003، 21-25 جولای 2003، جلد. 5, 3014-3016. https://doi.org/10.1109/IGARSS.2003.1294665
[ 66 ]	Sobrino، JA، Jiménez-Munoz، JC و 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
[ 67 ]	Megahed, Y., Cabral, P., Silva, J. and Caetano, M. (2015) تحلیل نقشه پوشش زمین و مدلسازی رشد شهری با استفاده از تکنیک های سنجش از دور در منطقه بزرگ قاهره-مصر. ISPRS International Journal of Geo-Information, 4, 1750-1769. https://doi.org/10.3390/ijgi4031750
[ 68 ]	Wilson, JS, Clay, M., Martin, E., Stuckey, D. and Vedder-Risch, K. (2003) Evaluating Environmental Influences of Zoning in Urban Ecosystems with Remote Sensing. سنجش از دور محیط زیست، 86، 303-321. https://doi.org/10.1016/S0034-4257(03)00084-1
[ 69 ]	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