چکیده

تغییرات اقلیمی پیامدهای شدیدی بر فرآیندهای اکوسیستم و همچنین بر کیفیت زندگی مردم دارد. پیشنهاد شده است که از بین رفتن پوشش گیاهی دمای سطح زمین (LST) را به دلیل تغییرات در الگوهای بیوژئوشیمیایی افزایش می‌دهد و پدیده‌ای به نام «جزیره گرمایی شهری» (UHI) ایجاد می‌کند. هدف از این کار تجزیه و تحلیل اثرات تغییرات پوشش زمین شهری بر تغییرات مکانی و زمانی دمای سطح در شهر گرمسیری مریدا، مکزیک بود. برای یافتن این اثرات، از تغییرات پوشش زمین و همچنین تغییرات شاخص گیاهی تفاوت عادی شده (NDVI) استفاده کردیم. مریدا به دلیل کیفیت زندگی در سراسر جهان به عنوان یکی از بهترین شهرها برای زندگی رتبه بندی شده است. داده های حاصل از تصاویر ماهواره ای لندست برای محاسبه تغییر کاربری زمین (LUC)، LST و NDVI مورد تجزیه و تحلیل قرار گرفت. LST حدودا افزایش یافت. 4 درجه سانتی گراد در فصل خشک و 3 درجه سانتی گراد در فصل مرطوب به دلیل LUC. علاوه بر این، یک رابطه مثبت بین LST و NDVI عمدتا در فصل خشک مشاهده شد. نتایج افزایش LST را به عنوان یک نتیجه از از بین رفتن پوشش گیاهی، که به نفع پدیده جزیره گرمایی شهری است، تأیید می‌کند.

کلید واژه ها:

جزیره گرمایی شهری ; تغییر کاربری زمین ؛ سنجش از دور ؛ سنسور لندست

1. مقدمه

شهرنشینی یک پدیده جهانی است که به طور گسترده با فرآیندهای تغییر پوشش زمین با پیامدهای منفی بر عملکرد اکوسیستم مرتبط است. به ویژه، تحت شرایط تغییرات آب و هوایی، پیامدهای شهرنشینی بر متغیرهای آب و هوای محلی (به عنوان مثال، شدت بارندگی و دمای سطح) به طور فزاینده ای مهم است [ 1 ]. در طول سه دهه اخیر، شهرنشینی جهان شاهد دگرگونی شدیدی در مناظر شهری بوده است [ 2 ]. بر اساس گزارش سازمان ملل متحد [ 3]، جمعیت شهری از 751 میلیون نفر در سال 1950 به 4.2 میلیارد نفر در سال 2018 افزایش یافته است. در این زمینه، آمریکای لاتین دومین منطقه است، پس از آفریقا، با بالاترین نرخ رشد شهری، تقریباً 133 میلیون نفر در مناطق شهری زندگی می کنند. در مکزیک، تقریباً 90 میلیون نفر (77٪ از جمعیت) در مناطق شهری زندگی می کنند [ 4 ].
یکی از پیامدهای منفی اصلی افزایش زیرساخت های شهری، ایجاد سطوح غیرقابل نفوذ و خشک است که دسترسی رطوبت را برای تبخیر و تعرق طبیعی از خاک کاهش می دهد [ 5 ] و باعث ایجاد پدیده ای به نام جزیره گرمایی شهری UHI می شود [ 5 ، 6 ، 7 ]. ]. UHI به عنوان تفاوت دما بین گرمترین بخش شهر و فضای غیر شهری یا روستایی اطراف شهر در یک زمان معین تعریف می شود و تحت تأثیر عوامل آب و هوایی (مثلاً تابش خورشید، باد و ابرها) قرار دارد. و تنوع در ساختارها و مصالح معمول یک منطقه شهری [ 6 ، 7 ، 8] هفت دلیل اصلی جزیره گرمایی شهری را تعریف می کند: (1) تولید گرمای انسانی (احتراق و غیره). (2) کاهش اتلاف گرمای نهان (درجه کم تبخیر و تعرق) به دلیل استفاده از سطوح غیر قابل نفوذ (سیمان، بتن، روسازی ها و غیره)، سیستم های زهکشی کارآمد و پوشش گیاهی کمیاب. (3) اتلاف حرارت محسوس کم به دلیل کاهش سرعت باد. (4) جذب بیشتر تشعشعات خورشیدی به دام افتاده توسط دره های شهری. (5) کاهش تابش امواج بلند خروجی به دلیل ضریب دید پایین آسمان. (6) ذخیره گرمای بیشتر در مصالح ساختمانی در طول روز به دلیل ظرفیت بالای آنها در حفظ گرما و انتشار آن در شب. (7) انتشار مجدد تشعشعات جوی موج بلند به زمین ناشی از آلودگی هوا (اثر گلخانه ای).
چندین مطالعه اهمیت ترکیب منظر و پدیده UHI را نشان داده اند، به عنوان مثال، مطالعه ای در واشنگتن نشان داد میانگین تفاوت حدود 10.8 درجه سانتی گراد بین مناطق شهری و روستایی [ 9 ]. همچنین، مشاهده شده است که پدیده UHI تمایل دارد اثرات شدیدی را در داخل مکان‌های شهری داشته باشد و به سمت مناطق روستایی پراکنده شود [ 10 ، 11 ، 12 ]. به دلیل کاهش تبخیر و تعرق ناشی از ساخت زیرساخت ها، پدیده UHI پیامدهایی بر متغیرهای آب و هوایی در مقیاس محلی یا منطقه ای دارد. به عنوان مثال، تغییرات در الگوهای بارندگی [ 13] و دمای سطح مشاهده شده است که با بازسازی لایه مرزی و گردش زمین-اتمسفر، اقلیم محیطی و منطقه ای را اصلاح می کند [ 14 ]. با این حال، مطالعات کمی در شهرهای گرمسیری برای درک تأثیر تغییر کاربری زمین بر دمای سطح زمین (LST) و جزایر گرمایی، به‌ویژه در اکوسیستم‌هایی با فصلی مشخص انجام شده است. فصلی بودن یکی از منابع اصلی تغییرات طبیعی در آب و هوا را نشان می دهد و به عنوان محرک چرخه های بهره وری گیاهی در بسیاری از اکوسیستم ها شناخته شده است [ 15 ، 16 ، 17 ]. به طور گسترده مشاهده شده است که تغییرات بین سالانه در بارندگی پیامدهای مستقیمی بر تبخیر و تعرق و همچنین بر رطوبت خاک [ 18 ] و تابش خورشیدی دارد [18].19 ]. علاوه بر این، پیامدهایی برای فنولوژی پوشش گیاهی دارد که بر ناهمواری سطح زمین، آلبیدو و رهگیری آب تأثیر می گذارد [ 20 ] که منجر به تغییرات در LST می شود.
پدیده UHI را می توان از دو رویکرد اتمسفری و سطحی مورد بررسی قرار داد [ 21 ، 22 ]. UHI جوی با استفاده از داده‌های ایستگاه‌های هواشناسی ارزیابی می‌شود، در حالی که UHI سطحی با استفاده از داده‌های سنجش از دور مادون قرمز حرارتی (TIR) ​​مورد مطالعه قرار می‌گیرد [ 23 ، 24 ]. در سال‌های اخیر، تکنیک‌های سنجش از دور با موفقیت برای تشخیص پدیده UHI در چندین منطقه، تجزیه و تحلیل تشعشعات سطح شهری، تخمین تعادل حرارتی سطح، مطالعه فرآیندهای تبخیر و تعرق و غیره استفاده شده است .]. حسگرهای مختلف داده‌ها را در نور مادون قرمز و حرارتی ارائه می‌دهند، به عنوان مثال، از جمله بیشترین استفاده‌کننده‌ها برای تفکیک مکانی و زمانی، طیف‌سنجی تصویربرداری با وضوح متوسط ​​(MODIS) [ 27 ، 28 ، 29 ] و نقشه‌برداری موضوعی Landsat (TM)/Enhanced است. Thematic Mapper Plus (ETM+)/ Operational Land Imager (OLI)/ Thermal Infrared Sensor (TIRS) [ 22 , 28 , 30 , 31 ] که امکان مطالعه مناطق بزرگ با پیوستگی فضایی و همچنین داده های باز و آزاد را فراهم می کند. 8 ، 32]. علاوه بر این، با استفاده از سنسورهای از راه دور، می توان شاخص هایی مانند شاخص تفاوت نرمال شده گیاهی (NDVI) و شاخص تفاوت نرمال شده آب (NDWI) را ساخت که امکان ارزیابی وضعیت پوشش گیاهی در مناطق وسیع را فراهم می کند. 33 ، 34 ، 35 ]، و همچنین شناخت الگوهای توزیع UHI از دمای سطح [ 30 ، 36 ، 37 ]. علاوه بر این، مطالعات کمی LST و NDVI را در مناطق کارستی با چنین تغییرات قابل توجهی در فصلی مرتبط کرده‌اند. بنابراین، کمک به درک رابطه بین NDVI به عنوان یک پیش بینی کننده LST ضروری است [ 38 ].
در مکزیک، یکی از مناطقی که بیشترین جمعیت و رشد شهری را دارد، شبه جزیره یوکاتان، به ویژه شهر مریدا بوده است. در سه دهه گذشته، مریدا جمعیت خود را چهار برابر کرده است – در سال 1970 269000 نفر بود، در سال 2020 تخمین زده می شود که 1161000 نفر باشد – که به طور قابل توجهی منطقه شهری را افزایش داده است. علاوه بر این، در سال‌های اخیر مریدا به روش‌های مختلف به عنوان یکی از بهترین شهرهای جهان برای زندگی جایزه دریافت کرده است ( https://www.a-nah.com/article/why-is-merida-the-best -city-in-the-world در 2 ژوئن 2020 قابل دسترسی است؛ https://www.eluniversal.com.mx/english/merida-declared-best-city-worldقابل دسترسی در 2 ژوئن 2020). ارزش بالای بوم‌شناختی، دیدنی و فرهنگی آن مرتبط با حضور فرهنگ مایاها، و همچنین نزدیکی آن به منطقه ساحلی، مکان‌های باستان‌شناسی، سنوت‌ها و غارها، آن را به مقصدی جذاب برای سکونت تبدیل کرده است که تقاضا برای مسکن را افزایش داده است. و رشد ذاتی منطقه شهری. با این حال، این رشد جمعیت و همچنین برنامه ریزی ضعیف منظر شهری، می تواند کیفیت زندگی و همچنین عملکرد اکوسیستم منطقه را در معرض خطر قرار دهد.
به طور خلاصه، LST می تواند نماینده ای برای اطلاع از وضعیت سلامت اکوسیستم ها باشد. LST اطلاعاتی را برای کاوش فرآیندهای فیزیکی و شیمیایی در سطح، و همچنین برای درک تغییرات در جریان انرژی ناشی از تغییر کاربری زمین (LUC)، جنگل زدایی و تخریب محیط زیست فراهم می کند. علاوه بر این، تحت شرایط رشد شتابان شهری، مانند مورد شهر مریدا، یوکاتان، مکزیک، شدت فعالیت های انسانی و همچنین تغییر کاربری زمین افزایش می یابد. بنابراین، هدف اصلی این تحقیق، تحلیل اثرات تغییرات پوشش زمین بر دمای سطح زمین در فصول پرباران و خشک با استفاده از ابزار سنجش از دور بود. برای دستیابی به این هدف، ما چهار هدف زیر را داریم: (1) تعیین نرخ رشد شهری شهر مریدا در 24 سال گذشته. (2) برای ارزیابی اینکه آیا تغییر دمای سطح زمین پس از تغییر پوشش زمین وجود دارد یا خیر. (3) برای ارزیابی اینکه آیا این تغییر در دما ناشی از از بین رفتن پوشش گیاهی زمین است یا خیر. (4) برای تجزیه و تحلیل رابطه بین NDVI و دمای سطح زمین در بین طبقات پوشش و فصلی.

2. مواد و روشها

2.1. منطقه مطالعه

این مطالعه در موزاییکی از کاربری‌های مختلف و زمینی با مساحت 1,051,011.4 هکتار از منظره تحت تأثیر انسان، واقع در شهرداری‌های مریدا، کانکال، و کاناسین، مکزیک انجام شد (مختصات: 21°11’18.42″ شمالی؛ 89°43’17.76 “W and 20°41’50.02″ N؛ 89°39’8.02” W) ( شکل 1 ). این منطقه با یک سکوی آهکی، با خاک‌های کارستی با منشأ بیوژنیک، و عدم وجود ویژگی‌های توپوگرافی اصلی، و همچنین رودخانه‌های سطحی مشخص می‌شود [ 39 ]. ترکیب عناصر ژئومورفولوژیکی، اقلیمی، هیدرولوژیکی، خاکی و اکولوژیکی منطقه، توسعه خاصی از تنوع زیستی را تشویق می کند. آب و هوای شهر مریدا خشک ترین آب و هوای نیمه مرطوب با باران های تابستانی Ax'(w)w،]. همچنین منطقه ای است مستعد طوفان های استوایی در طول فصل باران و جبهه های سرد در طول ماه های زمستان به دلیل نزدیکی به دریا و تأثیرات جریان اقیانوسی از کانال یوکاتان [ 41 ، 42 ]. دو فصل آب و هوایی برای این مطالعه مشخص شد، فصل خشک (مارس-مه) و فصل مرطوب (ژوئیه تا فوریه). منطقه مورد مطالعه خشک ترین در شبه جزیره یوکاتان با میانگین بارندگی سالانه 500 میلی متر است [ 43 ، 44 ]. طبق طبقه بندی میراندا و هرناندز-X [ 45]، نوع پوشش گیاهی غالب، جنگل خشک استوایی است. با این حال، فعالیت های انسان زایی مانند دامداری، کشاورزی، معدن روباز، و رشد لکه شهری، ماتریس پوشش گیاهی جنگل خشک استوایی را به سمت جانشینی ثانویه با سنین مختلف رهاسازی تغییر داد [ 46 ].

2.2. اکتساب داده و پیش پردازش تصویر

اثر از بین رفتن پوشش گیاهی بر دمای سطح زمین (LST)، به عنوان یک نتیجه از افزایش زیرساخت های شهری، بر اساس یک تحلیل تاریخی از تغییرات پوشش زمین در شهرداری های کانکال، کاناسین، و مریدا ارزیابی شد. تصاویر از سنسورهای Landsat-5 (MSS/TM)، Landsat-7 (ETM+) و Landsat-8 (OLI/TIRS) (USGS؛ https://www.usgs.gov/ قابل دسترسی در 2 ژوئن 2020) برای دوره 24 ساله (1995، 2000-2001، 2014-2016، و 2018-2019). آنالیزها برای فصل خشک (فوریه تا مه) و فصل مرطوب (نوامبر تا ژانویه) انجام شد ( جدول 1 )). وضوح طیفی و فضایی تصاویر بین حسگرها متفاوت بود. Landsat TM و ETM+ دارای هفت باند با وضوح مکانی یکسان (30 متر) و باند حرارتی 100 و 60 متر هستند. در حالی که Landsat 8 دارای 9 باند در وضوح 30 متر (OLI)، یک باند حرارتی در وضوح مکانی 100 متر (TIRS) و یک باند پانکروماتیک در 15 متر است ( جدول 2 ). به ویژه، از باندهای زیر برای محاسبه LST استفاده شد: برای سنسور Landsat 5، باند 6 استفاده شد. در حالی که برای Landsat 7 ، باند 6_VCID_1 استفاده شد، در اینجا باند 6 نامگذاری شد.]. برای لندست 8، باند 10 را به جای باند 11 برای محاسبه دمای سطح زمین انتخاب کردیم. این به این دلیل است که باند 10 بهترین تنظیم را از نظر محاسبه دما دارد، در حالی که باند 11 یک تخمین بیش از حد را ارائه می دهد [ 48 ]. بر اساس پیشنهادات Chuvieco [ 49 ]، تصاویر به‌دست‌آمده از نظر رادیومتری و جوی تصحیح شدند تا اثر پراکندگی اتمسفر را با استفاده از پلاگین طبقه‌بندی نیمه خودکار (SCP) نسخه 7.0.11-Metera [ 50 ]، در نسخه QGIS ș12Bucure کاهش دهند. ” نرم افزار [ 51 ]. این نرم افزار یک سیستم اطلاعات جغرافیایی منبع باز برای تمامی سیستم های عامل می باشد. هر دو QGIS و SCP به طور گسترده برای مطالعه زمین استفاده می شوند که توسط سنجش از دور پشتیبانی می شود [ 52 , 53, 54 , 55 , 56 ]. گردش کار کلی شماتیک برای این مطالعه در شکل 2 نشان داده شده است .

2.3. محاسبه تغییرات پوشش زمین

برای شناسایی تغییرات پوشش زمین، یک طبقه‌بندی نظارت شده با استفاده از افزونه ابزار طبقه‌بندی دزتساکا، با مدل مخلوط گاوسی [ 57 ]، با تصاویر تصحیح شده Landsat برای سال‌های 1995، 2000-2001، 2014-2016، و 2018-2019 انجام شد. سال‌ها بر اساس دو معیار انتخاب شدند: (1) پایان دهه 1990 نقطه مهمی در «مدرن‌سازی» ایالت یوکاتان بود، و مریدا شروع به ارتباط در سطح ملی کرد. (2) در دسترس بودن تصاویر ماهواره ای. مناطق مورد علاقه (ROI) برای هر یک از طبقه بندی ها بر اساس تجربه ما در زمینه مطالعه و اطلاعات برداری از موسسه ملی آمار و جغرافیای مکزیک [ 58 ] ساخته شده است.] و همچنین با پشتیبانی از ابزار Google Earth. ما 100 ROI برای هر نوع پوشش تعیین کردیم، که در مجموع 300 ROI در سال است. انواع پوشش تعریف شده به شرح زیر بود: شهری (به عنوان مثال، خانه ها، ساختمان ها، جاده ها، و خیابان ها)، پوشش گیاهی، و خاک برهنه با پوشش گیاهی پراکنده (پس از آن، پوشش گیاهی پراکنده). پس از آن، دقت موضوعی هر یک از طبقه بندی ها با استفاده از دقت کلی ارزیابی شد و دقت طبقه بندی ها با استفاده از شاخص کاپا [ 59 ] بر اساس زیر مجموعه مستقل 30 ROI در هر کلاس پوشش محاسبه شد. یک فیلتر 3 پیکسل در 3 پیکسل برای حذف اثر نمک و فلفل از رتبه بندی های نظارت شده اعمال شد. تغییرات پوشش های کلاس از طریق یک ماتریس سردرگمی محاسبه شد.

2.4. محاسبه تفاوت های نرمال شده شاخص گیاهی (NDVI) و دمای سطح زمین (LST)

NDVI به دنبال تفاوت نرمال شده کلی بین باند TM4 (نزدیک مادون قرمز-NIR) و باند TM3 (قرمز قابل مشاهده-قرمز) از معادله تصاویر پیش پردازش شده Landsat (1) محاسبه شد. NDVI یک عنصر کلیدی برای محاسبه، پس از آن، نسبت پوشش گیاهی ( PV) و انتشار (ε ) لازم برای محاسبه LST است.

نD Vمن=( نمنR – R Eد )( نمنR + R Eد )ن��من=(نمنآر-آر��)(نمنآر+آر��)

محاسبه LST یک جزء کلیدی برای درک مدل های انتقال انرژی بین خاک- پوشش گیاهی و جو است [ 60 ]. مطابق با روش پیشنهادی Avdan و Jovanovska [ 61 ] برای تخمین LST، ما از داده‌های ناحیه مادون قرمز حرارتی هر حسگر از طریق پلاگین طبقه‌بندی نیمه خودکار نسخه 7.0.11-Metera [ 50 ]، در فضای آزاد و باز استفاده کردیم. نرم افزار منبع QGIS نسخه 3.12 “București” [ 51 ] ( جدول 1 ). ابتدا، تابش طیفی ( Lλ ) بالای جو (TOA) با معرفی باند 10 و معادلات گرفته شده از USGS [ 62 ] محاسبه شد:

L λ = ML ∗سc a l+ A L –Oمن��=م�∗سجآل+آ�-�من

که در آن ML یک ضریب مقیاس مجدد ضربی باند خاص را نشان می دهد، Q cal مقدار تصویر باند حرارتی است، AL ضریب ویژه مقیاس مجدد نوار است، و O i تصحیح باند حرارتی است. مرحله بعدی محاسبه دمای روشنایی ( BT ) از مقادیر تابش مطلق بود.

بی تی=⎛⎝⎜ک2ln (ک1تیO A) +1⎞⎠⎟– 273.15بتی=(ک2لوگاریتم(ک1تی�آ)+1)-273.15

که در آن K1 و K2 ثابت‌های تبدیل حرارتی باند خاص را از ابرداده نشان می‌دهند . علاوه بر این، نتایج از کلوین به درجه سانتیگراد تبدیل شدند و صفر مطلق را اضافه کردند. علاوه بر این، نسبت پوشش گیاهی در هر پیکسل محاسبه شد که به صورت Pv از NDVI ، مطابق با رابطه (4) بیان شد. از این رو، انتشار سطح زمین محاسبه شد (معادله (5)). در نهایت، LST واقعی با توجه به رابطه (6) [ 61 ، 63 ] برآورد شد .

پV= [ ( ND Vمن– نD Vمنm i n) ]/[ ( نD Vمنm a x– نD Vمنm i n) ]2پ�=[(ن��من-ن��منمترمن�)]/[(ن��منمترآایکس-ن��منمترمن�)]2
ε = 0.004 ∗پV + 0.986ε=0.004∗پ� +0.986

که در آن 0.004 مربوط به میانگین مقدار انتشار خاک لخت، 0.986 میانگین مقادیر انتشار مناطق پوشش گیاهی، و Pv نسبت پوشش گیاهی است [ 63 ] .

ال استی= [ بی تی/ ( 1 + λ ∗بی تیϱ ∗ ln ( ε )) ]�استی=[بتی/(1+�∗بتی�∗لوگاریتم(ε))]

که در آن BT = دمای روشنایی؛ λ = طول موج تابش ساطع شده در هر باند. ρ = ثابت بولتزمن (1.38·10-23 J/K)، و ε = گسیل سطح) [ 61 ].

2.5. تحلیل آماری

برای تعیین تأثیر تغییر در پوشش بر LST، سال‌های 1995 و 2019 انتخاب شدند. LST کلاس پوشش گیاهی سال 1995 برای مقایسه با LST تمام پیکسل هایی که در سال 2019 پوشش را تغییر دادند، استفاده شد. تجزیه و تحلیل با استفاده از آزمون t-student انجام شد. علاوه بر این، برای تعیین اینکه آیا تفاوت آماری معنی‌داری در میانگین LST بین کلاس‌های پوشش وجود دارد یا خیر، تجزیه و تحلیل واریانس یک طرفه (ANOVA) بر اساس فصل انجام شد. متغیرهای وابسته به طور رسمی برای نرمال بودن و همسویی بودن آزمایش شدند، در حالی که متغیرهای پاسخ در صورت نیاز با 1/x، log10(x)، log10(x+1)، و sqrt(x) تبدیل شدند تا مفروضات خطی بودن را برآورده کنند. در نهایت، برای ایجاد رابطه بین LST و NDVI، مقادیر دما و NDVI برای هر یک از کلاس های پوشش استخراج شد. پس از آن، یک تحلیل رگرسیون با اعتبارسنجی متقاطع توسط ایستگاه انجام شد و تنظیم با استفاده از ضریب تعیین (R) مقایسه شد2 ). تمام آنالیزها با بسته glm2 [ 64 ] در نرم افزار R [ 65 ] انجام شد. گردش کار کلی شماتیک برای این مطالعه در شکل 2 نشان داده شده است .

3. نتایج

3.1. تغییرات پوشش زمین مریدا

کل منطقه مورد تجزیه و تحلیل 105008.3 هکتار بود. بین سال‌های 1995 و 2019، 31679 هکتار از چشم‌انداز (30%) به طبقه پوششی دیگر تغییر کرد، در حالی که 73،209 هکتار (70%) بدون تغییر باقی ماند ( جدول 3 ). طبقات شهری بیشترین افزایش را از 14505 هکتار به 24215 هکتار و پس از آن طبقه پوشش گیاهی پراکنده که از 18151 هکتار به 24225 هکتار افزایش نشان می دهد. در مقابل، مناطق با پوشش گیاهی شدید روند منفی نشان دادند، زیرا از 72343 به 56448 هکتار رسیدند. روش طبقه بندی یکسانی در تمامی تصاویر Landsat انجام شد و جدول 4 دقت کلی (OA)، ضریب کاپا و بالاترین دقت را در هر کلاس پوشش در سال نشان می دهد.

3.2. نتایج LST تاریخی

شکل 3 A توزیع فضایی تاریخی LST در مریدا را نشان می دهد که از تصاویر Landsat از سال 1995 تا 2019 بر اساس فصول خشک و مرطوب محاسبه شده است. به طور کلی، افزایش LST از سال 1995 تا 2019 در هر دو فصل مشاهده شد. با این حال، افزایش در فصل مرطوب با افزایش حدود 2 تا 3 درجه سانتی گراد بیشتر مشهود است. به ویژه، در فصل خشک، بالاترین دما در سال های 2014 و 2019 با میانگین LST 32.90 درجه سانتی گراد (18.3-47.5 درجه سانتی گراد) و 35.45 (23.1-47.8 درجه سانتی گراد) مشاهده شد. در فصل مرطوب، سال 2000 بالاترین میانگین LST را با 28.25 درجه سانتیگراد (16-40.5 درجه سانتیگراد) نشان داد ( جدول 5 ). مقادیر LST تفاوت معنی داری را بین طبقات پوشش برای فصول خشک و مرطوب نشان داد ( F = 8532، 0.0001 = p ؛ F= 50636، p = 0.0001). در فصل خشک، برخلاف آنچه در فصل مرطوب مشاهده شد، تنوع بیشتری در LST در کلاس‌های پوشش گیاهی و پوشش گیاهی پراکنده مشاهده شد. همه طبقات افزایشی بین تقریباً 8 تا 10 درجه سانتیگراد بین فصل خشک و مرطوب نشان دادند ( شکل 4 ).

3.3. نتایج تاریخی NDVI

شکل 3 B توزیع فضایی تاریخی مقادیر NDVI را در مریدا نشان می دهد. به طور کلی، یک الگوی کاهشی در مقادیر NDVI در 24 سال گذشته مشاهده شده است که نشان دهنده کاهش قدرت پوشش گیاهی و همچنین نتیجه تغییر کاربری زمین است. به طور خاص، مشاهده شد که کمترین مقادیر NDVI در ناحیه مربوط به مرکز شهر قرار دارد، در مقابل حاشیه منطقه مورد مطالعه که بالاترین مقادیر در آن قرار دارد. تغییرات مقادیر NDVI در کل منطقه مورد مطالعه بین 0.3- تا 0.93 در فصل خشک و بین 0.2- و 0.93 در فصل مرطوب است. جدول 5 میانه و همچنین مقادیر حداکثر و حداقل NDVI و LST را در هر فصل در سال نشان می دهد. از نظر طبقات پوشش، تفاوت معنی داری بین آنها مشاهده شد (شکل 5 ). تفاوت های آماری معنی داری در مقادیر NDVI با توجه به طبقات پوشش در فصل خشک (F = 268,025، p = 0.0001)، و همچنین در فصل مرطوب (F = 395,166، p = 0.0001) مشاهده شد ( شکل 5 ).

3.4. رابطه بین LST، تغییر کاربری زمین (LUC) و NDVI

تفاوت معنی‌داری در میانگین LST بین سال‌های 1995 (29.36 درجه سانتی‌گراد) و 2019 (33.89 درجه سانتی‌گراد) ( t ، 201651 = 677.02، p = 0.0001)، برای هر دو فصل خشک و بارانی (29.36 درجه سانتی‌گراد و 29.36 درجه سانتی‌گراد و 3.9 درجه سانتی‌گراد) مشاهده شد. به ترتیب؛ ( t، 211288 = 1041.3، p = 0.0001) برای شهر مریدا، یوکاتان گزارش شد. علاوه بر این، تفاوت‌های آماری معنی‌داری در میانگین LST در پیکسل‌هایی یافت شد که از طبقه پوشش گیاهی در سال 1995 به خشکی شهری در سال 2019 رسیدند. ( t ، 20245 = 6.99، p = 0.0001) و برای شمالی ( t ، 16،294 = 41.42، p= 0.0001). تجزیه و تحلیل رگرسیون با استفاده از 80 درصد داده ها برای آموزش و 20 درصد برای اعتبار سنجی، رابطه مثبت بین LST و NDVI را نشان داد. مدلی که بهترین تناسب را برای تخمین LST از NDVI ارائه کرد، مدل فصل خشک با R2 = 0.2511 (RMSE = 2.32 درجه سانتیگراد) بود. در حالی که برای فصل شمالی تناسب اندکی کمتر بود، R2 = 0.1476 (RMSE = 1.57 درجه سانتیگراد).

4. بحث

مریدا سیتی از نظر تاریخی به دلیل پیوند با تمدن مایاها به عنوان شهری با ارزش فرهنگی شناخته شده است. در سال های اخیر چندین شهر را به عنوان یکی از شهرهای با کیفیت زندگی در جهان دریافت کرده است. در نتیجه، عرضه املاک و مستغلات در دهه گذشته تشدید شده است و یکی از سودآورترین و مولدترین بخش های اقتصادی در سطح منطقه ای و ملی است [ 66 ، 67 ، 68 ].
مریدا از زمان تأسیس (1953) دارای ساختاری بود که به مناطق سبز و درختان علاقه داشت. با این حال، در 10 سال گذشته رشد افقی شتابی را تجربه کرده است [ 66 ] به سمت حاشیه، عمدتاً در مناطق شرقی و غربی، تحت یک مدل ساخت و ساز که بر روی آرایش فضایی شرط می‌بندد که به دنبال افزایش تعداد خانه‌ها و قربانی کردن فضاهای سبز است. [ 67 ، 68 ].
پیامدهای اصلی رشد شهری از بین رفتن یا تخریب قریب الوقوع پوشش گیاهی طبیعی است. در مورد مریدا، رشد افقی شهر مستلزم جذب سکونتگاه های کوچک، دگرگونی مناطق با پوشش گیاهی پراکنده و کاهش پوشش گیاهی طبیعی به میزان 15895 هکتار در 24 سال گذشته بوده است. به گفته سالیوان و وارد [ 69 ]، این نوع رشد در مناطق شهری باعث از دست رفتن قابل توجه مناطق سبز، زمین های کشاورزی، علاوه بر افزایش سطح مصرف گرایی و مسافت های طولانی تر سفر در زندگی روزمره مردم می شود [ 67 ، 70 ].
مقادیر NDVI به‌دست‌آمده نشان‌دهنده کاهش جهانی در قدرت پوشش گیاهی در منطقه، به عنوان یک نتیجه از تغییر کاربری زمین در 24 سال گذشته است. به ویژه برای مریدا و منطقه شهری آن، مقادیر NDVI تخمین زده شده بین 0.2-0.5 است. علاوه بر این، مقادیر مشاهده شده در داخل شهر نشان می دهد که پوشش گیاهی فعلی به اندازه کافی قوی برای حفظ خدمات اکوسیستم نیست و ترکیب مشاهده شده بین مناطق شهری و پوشش گیاهی مناطقی از استرس محیطی ناشی از اثرات لبه را نشان می دهد. با توجه به پوشش گیاهی خارج از منطقه شهری، شرایط تراکم و پوشش متفاوتی مشاهده شد (NDVI: 0.6-1) در یک شیب واضح از تخریب پوشش گیاهی که با فاصله از منطقه شهری، شبیه به یک اثر لبه، کاهش می‌یابد. سرانجام،71 ] در گونه های بوته ای و بوته ای، نشان می دهد که بیشتر پوشش گیاهی برگریز است [ 46 ].
تخریب، یا از دست دادن پوشش گیاهی، تعادل تابش خورشیدی را که بر سطح زمین می‌تابد، تغییر می‌دهد، که توزیع رطوبت و گرما را در جو تغییر می‌دهد، و در نتیجه افزایش موضعی دما ایجاد می‌شود [ 5 ، 71 ، 72 ]. برای منطقه مورد مطالعه، در دو دهه گذشته، 15895 هکتار از پوشش گیاهی طبیعی از بین رفته است. 9710 هکتار از این مواد با مواد مصنوعی، مانند بتن، سیمان، یا روسازی، با تأثیر قابل توجهی در تغییر دمای محلی جایگزین شده است [ 68 ].
نتایج نشان می‌دهد که بالاترین دماها در ناحیه شهری مریدا متمرکز شده‌اند و برخلاف آنچه در مناطق پیرامونی مشاهده شده است که پوشش گیاهی را حفظ می‌کنند، در طول زمان افزایش یافته است. این نتایج نشان می دهد که فرآیندهای تغییر اقلیم در مقیاس های فضایی مختلف رخ می دهد. در مقیاس محلی، افزایش زیرساخت های شهری باعث افزایش آلبدو، کاهش تبخیر و تعرق و ایجاد پدیده UHI می شود [ 5 ، 71 ، 72 ]، در حالی که در مقیاس منطقه ای، پوشش جنگلی دما را نسبتاً ثابت نگه می دارد و تغییرات آب و هوایی می تواند با منطقه مرتبط باشد. یا رویدادها یا پدیده های آب و هوایی جهانی (ال نینو و نوسانات جنوبی، یا تغییرات آب و هوایی جهانی [ 73 ، 74 ،75 ]). این مشابه شهرهای گرمسیری دیگر مانند پکن، چانگچون و هانگژو، چین [ 1 ، 8 ، 11 ]، ارتفاعات کامرون، مالزی [ 76 ]، یا شیراز، ایران [ 77 ] است. در همه موارد، پدیده UHI با گسترش محدوده شهری، نوع سازه و مصالح، تراکم مسکن و وجود مناطق با پوشش گیاهی مداوم در داخل شهر همراه است.
در مورد مریدا، تفاوت LST بین مناطق شهری و مناطق پیرامونی با پوشش گیاهی (پراکنده یا متراکم) به طور متوسط ​​3.5 درجه سانتیگراد در ابتدا و انتهای فصل مطالعه است و در هر دو فصل، مشابه آن، حفظ می شود. مشاهده شده توسط Adeyeri و همکاران. [ 78 ]، فریرا و دوارته [ 71 ] و دانگ و همکاران. [ 79 ]، در میان نویسندگان دیگر.
به ویژه در ناحیه شهری، دماهای بالایی در حاشیه (شرق و غرب) شهر مشاهده شد که با بتن، سطوح روسازی و خاک برهنه در حاشیه شهر همراه است. در مقابل، شمال شهر، جایی که خانه‌های مسکونی و مناطق درختی بزرگ‌تر هستند، مطابق با آنچه که توسط Pérez-Medina و López-Falfán [ 68 ] برای منطقه مورد مطالعه، و توسط Ferreira و Duarte [ 68] گزارش شده است، وضعیت خنک‌تری ارائه می‌کند. 71 ]، مارتین-وید و مورنو-گارسیا [ 7 ] و وانگ و همکاران. [ 80 ]، در میان دیگران، برای مطالعات مشابه.
به همین ترتیب، مکان‌های خاصی با دمای شدید شناسایی شد که مرتبط با صنعت سیمان، محل دفن بهداشتی، آتش‌سوزی و مناطق سوخته به عنوان بخشی از فعالیت‌های کشاورزی بود، به‌همین ترتیب مشاهده شد که در سال‌های اخیر دمای بین این نقاط داغ مشاهده شد. و بقیه شهر به طور فزاینده ای مشابه است، که وقوع UHI را نشان می دهد. در شهرهای بزرگ که پدیده UHI ثبت شده است، جزیره گرمایی در مرکز شهرها متمرکز شده است [ 22 ، 24 ، 78 ، 79 ، 81 ]. با این حال، برای منطقه شهری مریدا، جزیره گرما در مرکز قرار ندارد، بلکه در حاشیه قرار دارد، جایی که پیشرفت‌های جدید در آن واقع شده‌اند، همانطور که پرز-مدینا و لوپز-فالفان اشاره کردند.68 ]. با توجه به دماهای پایین تر، آنها در حومه شهر، در مناطق دارای آب (دریاچه های مصنوعی) و مناطق با پوشش گیاهی متراکم، طبیعی یا آبیاری دائمی مانند زمین های کشاورزی یا باشگاه گلف توزیع می شوند.
نتایج به‌دست‌آمده اهمیت مناطق سبز و درختی، طبیعی یا مصنوعی، برای کمک به کاهش دمای سطح و هوا را تأیید می‌کند [ 46 ، 78 ]، موضوعی که برای منطقه‌ای با آب و هوای خشک و نیمه مرطوب مانند مریدا اهمیت زیادی دارد. 40 ]، که در آن میانگین دمای سالانه 46 درجه سانتیگراد در فصل خشک و 34 درجه سانتیگراد در فصل مرطوب است.
در شهرهای خشک گرمسیری مانند مریدا، شرایط آب و هوایی درک اثر UHI را تشدید می‌کند، که سطح آسایش ساکنان را کاهش می‌دهد، وابستگی به خنک‌کننده را افزایش می‌دهد، وجود آلاینده‌ها و مشکلات سلامتی را در میان اثرات دیگر مورد حمایت قرار می‌دهد [ 5 ، 68 ]. ]. در شهرهایی با پیش بینی گسترش سریع و آب و هوای بسیار گرم، مانند مریدا، در برنامه ریزی توسعه های جدید مسکن، توزیع و تراکم کافی پوشش گیاهی و همچنین ترویج ایجاد فضاهای سبز در سکونتگاه های فعلی بسیار مهم است. ، برای کاهش و جلوگیری از پدیده UHI [ 26 ، 82 ، 83 ]، در میان مزایای بی‌شماری زیست‌محیطی، اجتماعی و اقتصادی دیگر.8 ، 67 ، 68 ].

5. نتیجه گیری ها

به رسمیت شناختن مریدا به عنوان یکی از شهرهای با بهترین کیفیت زندگی در جهان، نیروی محرکه تقاضا برای فضاهای مسکونی در دهه های اخیر بوده است. تخریب و از بین رفتن پوشش گیاهی در مریدا سیتی و اطراف آن منجر به تغییر اقلیم کوچک شده است که بر دمای بالا در منطقه در داخل منطقه شهری تأکید می کند.
مناطق وسیع با پوشش گیاهی، طبیعی یا آبی، در داخل و خارج شهر، به کاهش دمای طبیعی گرم در این شهر گرمسیری خشک، عمدتاً در فصل خشک کمک می کند. شناسایی نقاط داغ نیاز به ترویج حفاظت از مناطق با پوشش گیاهی طبیعی، و ادغام فضاهای سبز در برنامه ریزی توسعه های جدید مسکن، برای کاهش پدیده UHI، کاهش مصرف انرژی و انتشار گازهای گلخانه ای، افزایش سطح آسایش ساکنان را برجسته می کند و به پایداری شهر کمک کند.

منابع

  1. یانگ، سی. او، X. یان، اف. یو، ال. بو، ک. یانگ، جی. چانگ، ال. ژانگ، اس. نقشه‌برداری از تأثیر تغییر کاربری/پوشش زمین بر اثر جزیره گرمایی شهری-مطالعه موردی چانگچون، چین. حفظ کنید. علمی تمرین کنید. خط مشی 2017 ، 9 ، 312. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. گلیزر، EL دنیای شهرها: علل و پیامدهای شهرنشینی در کشورهای فقیرتر. J. Eur. اقتصاد دانشیار 2014 ، 12 ، 1154-1199. [ Google Scholar ] [ CrossRef ]
  3. Wup، چشم انداز شهرنشینی جهانی سازمان ملل متحد: بازبینی 2018 (ST/ESA/SER. A/420) ؛ سازمان ملل متحد، وزارت امور اقتصادی و اجتماعی، بخش جمعیت: نیویورک، نیویورک، ایالات متحده آمریکا، 2019. [ Google Scholar ]
  4. Instituto Nacional de Estadística y Geografía (INEGI). Censo de Población y Vivienda. 2010. Resultados definitivos، مکزیک. 2011. در دسترس آنلاین: https://www.inegi.org.mx/programas/ccpv/2010/ (در 12 اکتبر 2020 قابل دسترسی است).
  5. سیاردینی، وی. کاپوراسو، ال. سوزی، آر. پتنکو، آی. Bolignano، A.; مورلی، م. ملاس، دی. آرژانتینی، S. اتصالات جزیره گرمایی شهری با تغییرپذیری ریز هواشناسی مکانی و زمانی در رم. شهری. صعود 2019 ، 29 ، 100493. [ Google Scholar ] [ CrossRef ]
  6. رومرو رودریگز، ال. سانچز راموس، جی. سانچز د لا فلور، FJ; آلوارز دومینگز، اس. تجزیه و تحلیل جزیره گرمای شهری: روش شناسی جامع برای جمع آوری داده ها و طراحی بهینه ترانسکت های متحرک. حفظ کنید. جامعه شهرها 2020 ، 55 ، 102027. [ Google Scholar ] [ CrossRef ]
  7. مارتین-وید، جی. مورنو-گارسیا، MC مقادیر احتمال برای شدت جزیره گرمایی شهری بارسلون (اسپانیا). اتمس. Res. 2020 , 240 , 104877. [ Google Scholar ] [ CrossRef ]
  8. هو، اچ. Estoque، RC تشخیص اثر خنک کننده منظره از ترکیب و پیکربندی: مطالعه جزیره گرمایی شهری در هانگژو. شهری. برای. شهری. سبز. 2020 , 53 , 126719. [ Google Scholar ] [ CrossRef ]
  9. کیم، جزیره گرمایی شهری اچ اچ. بین المللی J. Remote Sens. 1992 ، 13 ، 2319-2336. [ Google Scholar ] [ CrossRef ]
  10. چن، X.-L. ژائو، اچ.-م. لی، P.-X. یین، Z.-Y. تحلیل مبتنی بر تصویر سنجش از دور رابطه بین جزیره گرمایی شهری و تغییرات کاربری/پوشش زمین. سنسور از راه دور محیط. 2006 ، 104 ، 133-146. [ Google Scholar ] [ CrossRef ]
  11. ژائو، ایکس. یانگ، اس. شن، اس. های، ی. Fang, Y. تجزیه و تحلیل رابطه بین جزیره گرمایی شهری و تغییرات کاربری/پوشش زمین در پکن با استفاده از تصاویر سنجش از دور. اکوسیستم مدلسازی سنسور از راه دور. حفظ کنید. VI 2009 ، 7454 ، 74541J. [ Google Scholar ]
  12. اصلان، ن. Koc-San, D. تحلیل رابطه بین اثر جزیره گرمایی شهری و نوع کاربری/پوشش زمین با استفاده از تصاویر landsat 7 etm و landsat 8 oli. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2016 ، XLI-B8 ، 821–828. [ Google Scholar ] [ CrossRef ]
  13. تام، BY; گاف، والا؛ محسن، تی. تأثیر شهرنشینی و تأثیر جزیره گرمایی شهری بر تغییرات دمایی روزانه. شهری. صعود 2015 ، 12 ، 1-10. [ Google Scholar ] [ CrossRef ]
  14. سلطانی، ع. تغییرات روزانه اثر جزیره گرمایی شهری و همبستگی آن با سرسبزی شهری: مطالعه موردی آدلاید. جلو. آرشیت. Res. 2017 ، 6 ، 529-538. [ Google Scholar ] [ CrossRef ]
  15. کیلینگ، سی دی; Whorf، TP; والن، ام. van der Plichtt, J. افراط های بین سالانه در نرخ افزایش دی اکسید کربن اتمسفر از سال 1980. Nature 1995 ، 375 ، 666-670. [ Google Scholar ] [ CrossRef ]
  16. پنیولاس، جی. روتیشاوزر، تی. Filella، I. اکولوژی. بازخوردهای فنولوژی در مورد تغییرات آب و هوا Science 2009 , 324 , 887-888. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. ریچاردسون، AD; کینان، TF; میگلیاواکا، م. ریو، ی. سوننتگ، او. تومی، ام. تغییرات آب و هوا، فنولوژی، و کنترل فنولوژیکی بازخوردهای پوشش گیاهی به سیستم آب و هوا. کشاورزی برای. هواشناسی 2013 ، 169 ، 156-173. [ Google Scholar ] [ CrossRef ]
  18. ویارئال، اس. وارگاس، آر. یپز، EA؛ آکوستا، جی اس. کاسترو، آ. اسکوتو رودریگز، م. لوپز، ای. مارتینز-اوسونا، جی. رودریگز، جی سی. اسمیت، اس وی؛ و همکاران متضاد فصلی بودن بارش بر دینامیک تبخیر و تعرق در بوته‌های محدود آب تأثیر می‌گذارد: دینامیک تبخیر و تعرق بوته‌ها. جی. ژئوفیز. Res. Biogeosci. 2016 ، 121 ، 494-508. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. دونگ، اس ایکس؛ دیویس، اس جی. اشتون، PS; بونیاویچوین، س. سوپردی، MNN; قاسم، ع. تان، اس. Moorcroft، PR تغییرپذیری در تابش خورشیدی و دما الگوها و روندهای مشاهده شده در نرخ رشد درختان در چهار جنگل استوایی را توضیح می‌دهد. Proc. Biol. علمی 2012 ، 279 ، 3923-3931. [ Google Scholar ] [ CrossRef ]
  20. رایت، SJ پاسخ های فنولوژیکی به فصلی در گیاهان جنگل های استوایی. در اکوفیزیولوژی گیاهی جنگل های استوایی ; Mulkey، SS، Chazdon، RL، Smith، AP، Eds. Springer: Boston, MA, USA, 1996; صص 440-460. ISBN 9781461311638. [ Google Scholar ]
  21. Estoque، RC; Murayama، Y. نظارت بر تشکیل جزیره گرمایی شهری سطحی در یک شهر کوهستانی گرمسیری با استفاده از داده‌های Landsat (1987-2015). ISPRS J. Photogramm. Remote Sens. 2017 ، 133 ، 18-29. [ Google Scholar ] [ CrossRef ]
  22. دی فاریا پرز، ال. د لوسنا، ای جی; Rotunno Filho، OC; de Almeida França, JR جزیره گرمایی شهری در ریودوژانیرو، برزیل، در 30 سال گذشته با استفاده از داده های سنجش از دور. بین المللی J. Appl. زمین Obs. Geoinf. 2018 ، 64 ، 104-116. [ Google Scholar ] [ CrossRef ]
  23. Voogt، JA; Oke, TR سنجش از دور حرارتی آب و هوای شهری. سنسور از راه دور محیط. 2003 ، 86 ، 370-384. [ Google Scholar ] [ CrossRef ]
  24. ژو، دی. ژائو، اس. لیو، اس. ژانگ، ال. زو، سی. جزیره گرمایی شهری سطحی در 32 شهر بزرگ چین: الگوهای فضایی و محرک ها. سنسور از راه دور محیط. 2014 ، 152 ، 51-61. [ Google Scholar ] [ CrossRef ]
  25. Chrysoulakis، N. برآورد تعادل تابش سطح شهری تمام موج با استفاده از تصاویر چند طیفی ASTER و داده های فضایی درجا. جی. ژئوفیز. Res. D Atmos. 2003 ، 108 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. کاتو، اس. Yamaguchi، Y. تجزیه و تحلیل اثر جزیره گرمایی شهری با استفاده از داده‌های ASTER و ETM+: جداسازی تخلیه گرمای انسانی و تابش گرمای طبیعی از شار حرارتی محسوس. سنسور از راه دور محیط. 2005 ، 99 ، 44-54. [ Google Scholar ] [ CrossRef ]
  27. لیو، ی. هیاما، تی. یاماگوچی، ی. مقیاس‌گذاری دمای سطح زمین با استفاده از داده‌های ماهواره‌ای: بررسی موردی بر روی محصولات ASTER و MODIS در یک منطقه زمین ناهمگن. سنسور از راه دور محیط. 2006 ، 105 ، 115-128. [ Google Scholar ] [ CrossRef ]
  28. ژو، دبلیو. هوانگ، جی. Cadenasso, ML آیا پیکربندی فضایی اهمیت دارد؟ درک اثرات الگوی پوشش زمین بر دمای سطح زمین در مناظر شهری. Landsc. شهری. طرح. 2011 ، 102 ، 54-63. [ Google Scholar ] [ CrossRef ]
  29. وانگ، ی. اکبری، ح. جزیره گرمایی شهری و ارزیابی راهکارهای کاهش در آب و هوای سرد: موردی از مونترال. Adv. محیط زیست Res. 2017 ، 54 ، 143-177. [ Google Scholar ]
  30. یوان، اف. بائر، ME مقایسه سطح غیرقابل نفوذ و شاخص پوشش گیاهی تفاوت نرمال شده به عنوان شاخص‌های اثرات جزیره حرارتی سطح شهری در تصاویر لندست. سنسور از راه دور محیط. 2007 ، 106 ، 375-386. [ Google Scholar ] [ CrossRef ]
  31. شنگ، ال. تانگ، ایکس. شما، اچ. گو، ق. Hu، H. مقایسه شدت جزیره گرمایی شهری با استفاده از دمای هوا و دمای سطح زمین Landsat در هانگژو، چین کمی سازی شده است. Ecol. اندیک. 2017 ، 72 ، 738-746. [ Google Scholar ] [ CrossRef ]
  32. ایمهوف، ام ال. ژانگ، پی. Wolfe, RE; Bounoua، L. سنجش از دور اثر جزیره گرمایی شهری در سراسر بیوم ها در قاره ایالات متحده آمریکا. سنسور از راه دور محیط. 2010 ، 114 ، 504-513. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. هیوت، ا. دیدان، ک. میورا، تی. رودریگز، EP; گائو، ایکس. Ferreira، LG مروری بر عملکرد رادیومتری و بیوفیزیکی شاخص‌های پوشش گیاهی MODIS. سنسور از راه دور محیط. 2002 ، 83 ، 195-213. [ Google Scholar ] [ CrossRef ]
  34. اولوفسون، پی. Eklundh, L. برآورد PAR جذب شده در سراسر اسکاندیناوی از اندازه گیری های ماهواره ای. بخش دوم: مدل سازی و ارزیابی جذب کسری. سنسور از راه دور محیط. 2007 ، 110 ، 240-251. [ Google Scholar ] [ CrossRef ]
  35. پیروتی، اف. پارراگا، MA; استوارو، ای. دوبینی، م. ماسیرو، آ. رامانزین، ام. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2014 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. Ridd, MK بررسی مدل VIS (سطح خاک غیرقابل نفوذ پوشش گیاهی) برای تجزیه و تحلیل اکوسیستم شهری از طریق سنجش از دور: آناتومی مقایسه ای برای شهرها. بین المللی J. Remote Sens. 1995 ، 16 ، 2165-2185. [ Google Scholar ] [ CrossRef ]
  37. کارلسون، TN; Traci Arthur، S. تاثیر کاربری زمین-تغییرات پوشش زمین به دلیل شهرنشینی بر ریزاقلیم سطحی و هیدرولوژی: چشم انداز ماهواره ای. گلوب. سیاره. چانگ. 2000 ، 25 ، 49-65. [ Google Scholar ] [ CrossRef ]
  38. دنگ، ی. وانگ، اس. بای، ایکس. تیان، ی. وو، ال. شیائو، جی. چن، اف. Qian, Q. رابطه بین دمای سطح زمین و LUCC, NDVI در ناحیه معمولی کارست. علمی Rep. 2018 , 8 , 641. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. Hubp، JL؛ Quesado، JFA; Pereño، RE Rasgos geomorfológicos mayores de la península de Yucatan. Revista Mexicana de Ciencias Geológicas 1992 ، 10 ، 143-150. [ Google Scholar ]
  40. García Amaro, E. Modificaciones al Sistema de Clasificación Climática de Köppen ; Universidad Nacional Autónoma de México: مکزیکو سیتی، مکزیک، 2004. [ Google Scholar ]
  41. اورلانا، آر. ایسلبه، جی. Espadas, C. Presente, pasado y futuro de los climas de la Península de Yucatan. در Naturaleza y Sociedad del Área maya. Pasado Presente y Futuro ; Colunga García, P., Marín, A., Saavedra, L., Eds. Academia Mexicana de Ciencias y Centro de Investigación Científica de Yucatán: مریدا، مکزیک، 2003; صص 37-52. [ Google Scholar ]
  42. اورلانا، آر. اسپاداس، سی. کوند، سی. گی، سی. Atlas escenarios de cambio climático en la península de Yucatan. Mérida: Centro de Investigación Científica de Yucatán (CICY) 2009 ، 43 ، 191-193. [ Google Scholar ]
  43. کاپورو، ال. یوان، جی. هررا، J. Manejo sustentable del ecosistema costero de Yucatán. Avance y Perspectiva 2002 ، 21 ، 195-204. [ Google Scholar ]
  44. Torrescano-Valle، N.; Folan، WJ Physical Settings، Environmental History با چشم انداز تغییرات جهانی. در تنوع زیستی و حفاظت از شبه جزیره یوکاتان ؛ Islebe, GA, Calmé, S., León-Cortés, JL, Schmook, B., Eds.; انتشارات بین المللی اسپرینگر: چم، سوئیس، 2015; صص 9-37. ISBN 9783319065298. [ Google Scholar ]
  45. میراندا، اف. Hernández-X، E. Los tipos de vegetación de México y su clasificación. ربات. علمی 1963 ، 29-179. [ Google Scholar ] [ CrossRef ]
  46. Islebe، GA; سانچز-سانچز، او. والدز-هرناندز، م. Weissenberger, H. Distribution of Vegetation Types. در تنوع زیستی و حفاظت از شبه جزیره یوکاتان ؛ Islebe, GA, Calmé, S., León-Cortés, JL, Schmook, B., Eds.; انتشارات بین المللی Springer: چم، سوئیس، 2015; صص 39-53. ISBN 9783319065298. [ Google Scholar ]
  47. ایرلندی، RR; ناسا کتاب راهنمای کاربران داده های علمی لندست 7. 2000; صص 415-430. در دسترس آنلاین: https://www.usgs.gov/core-science-systems/nli/landsat/landsat-7-data-users-handbook (در 2 ژوئن 2020 قابل دسترسی است).
  48. کتاب راهنمای کاربران داده Ihlen, V. Landsat 8 (L8). سازمان زمین شناسی آمریکا 2019. در دسترس آنلاین: https://www.usgs.gov/core-science-systems/nli/landsat/landsat-8-data-users-handbook (در 2 ژوئن 2020 قابل دسترسی است).
  49. Chuvieco، E. مبانی سنجش از دور ماهواره ای . CRC Press: Boca Raton، FL، USA، 2009; ISBN 9781420021516. [ Google Scholar ]
  50. راهنمای کاربر Congedo, L. Semi-Automatic Classification Plugin. فنی نماینده Navtradevcen 2016 . [ Google Scholar ] [ CrossRef ]
  51. QGIS. در دسترس آنلاین: https://qgis.org/en/site (در 15 مه 2020 قابل دسترسی است).
  52. لروکس، ال. کونگدو، ال. بلون، بی. گائتانو، آر. Bégué، A. نقشه برداری پوشش زمین با استفاده از تصاویر Sentinel-2 و پلاگین طبقه بندی نیمه خودکار: مطالعه موردی بورکینافاسو شمالی. برنامه QGIS کشاورزی برای. 2018 ، 2 ، 119-151. [ Google Scholar ]
  53. پریرا، LF; Guimarães، RMF نقشه برداری کاربری ها/پوشش های زمین با پلاگین طبقه بندی نیمه اتوماتیک: کدام مجموعه داده، طبقه بندی کننده و طراحی نمونه؟ Nativa Pesquisas Agrárias e 2019 ، 7 ، 70-76. [ Google Scholar ] [ CrossRef ]
  54. بالاجی، ک. کاماراپرموال، آر. Ragunath، KP; Jagadeeswaran, R. ارزیابی شهرنشینی با استفاده از زمین/تشخیص تغییر پوشش زمین در Coimbatore با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی. بین المللی جی. آگریک. علمی ISSN 2020 ، 12 ، 9706–9709. [ Google Scholar ]
  55. هنریکو، اس. کوتزی، اس. کوپر، ا. Rautenbach, V. پذیرش نرم افزار مکانی متن باز: ارزیابی QGIS در آفریقای جنوبی با مدل UTAUT2. ترانس. GIS 2020 ، 1-23. [ Google Scholar ] [ CrossRef ]
  56. یانرو، اچ. مسعودی، م. چادالا، ا. Olszewska-Guizzo، A. ارزیابی کیفیت بصری صحنه های شهری با مدل چشم انداز متفکرانه: شواهدی از یک مرکز شهر فشرده در مرکز شهر. Remote Sens. 2020 , 12 , 3517. [ Google Scholar ] [ CrossRef ]
  57. کاراسیاک، ن. Perbet، P. سنجش از دور پوشش گیاهی متمایز در پارک آمازونی گویان. در QGIS و کاربردها در کشاورزی و جنگل ; John Wiley & Sons, Inc.: Hoboken, NJ, USA, 2018; صص 215-245. ISBN 9781119457107. [ Google Scholar ]
  58. Instituto Nacional de Estadística y Geografía (INEGI). Conjunto de Datos Vectoriales de uso del Suelo y Vegetación Escala 1: 250 000; سری VI (Conjunto Nacional). 2017. در دسترس آنلاین: https://www.inegi.org.mx/temas/usosuelo/ (در 25 اوت 2020 قابل دسترسی است).
  59. گرین، ای. مومبی، پی. ادواردز، آ. Clark, C. Remote Sensing: Handbook for Tropical Beach Management ; سازمان آموزشی، علمی و فرهنگی ملل متحد (یونسکو): پاریس، فرانسه، 2000. [ Google Scholar ]
  60. ولاسوا، ال. پرز-کابلو، اف. نیتو، اچ. مارتین، پی. ریانو، دی. De la Riva, J. ارزیابی روش‌ها برای بازیابی دمای سطح زمین از تصاویر Landsat-5 TM قابل استفاده برای مدل‌سازی اکوسیستم درختی-علف‌های چند مقیاسی. Remote Sens. 2014 , 6 , 4345–4368. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. آودان، یو. Jovanovska, G. الگوریتم برای نقشه برداری خودکار دمای سطح زمین با استفاده از داده های ماهواره ای LANDSAT 8. J. Sens. 2016 ، 1480307. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  62. چاندر، جی. مارکهام، BL; Helder، DL خلاصه ای از ضرایب کالیبراسیون رادیومتری فعلی برای سنسورهای Landsat MSS، TM، ETM+ و EO-1 ALI. سنسور از راه دور محیط. 2009 ، 113 ، 893-903. [ Google Scholar ] [ CrossRef ]
  63. سوبرینو، جی. Raissouni، N. به سمت روش های سنجش از دور برای پایش دینامیکی پوشش زمین: کاربرد در مراکش. بین المللی J. Remote Sens. 2000 , 21 , 353-366. [ Google Scholar ] [ CrossRef ]
  64. مارشنر، آی. دونوگو، مگاوات؛ Donoghoe، بسته MMW “glm2”. J. Vol. 2018 ، 3 ، 12-15. [ Google Scholar ]
  65. تیم، تیم اصلی توسعه RC R. RA Lang. محیط زیست آمار Comput 2013 ، 55 ، 275-286. [ Google Scholar ]
  66. OECD. بررسی های سرزمینی: یوکاتان، مکزیک 2007. OECD Territ. Rev. 2007. در دسترس آنلاین: https://www.oecd.org/mexico/oecdterritorialreviewsyucatanmexico.htm (در 3 نوامبر 2020 قابل دسترسی است).
  67. سرون پالما، آی. سانیه-منگوال، ای. الیور سولا، جی. مونترو، جی.-آی. پونس کابالرو، سی. Rieradevall، J. به سوی یک استراتژی پایدار سبز برای محله های اجتماعی در آمریکای لاتین: موردی از مسکن اجتماعی در مریدا، یوکاتان، مکزیک. Habitat Int. 2013 ، 38 ، 47-56. [ Google Scholar ] [ CrossRef ]
  68. پرز مدینه، س. López-Falfán، I. Áreas verdes y arbolado en Mérida، Yucatán. Hacia una sostenibilidad urbana. Economía Sociedad y Territorio 2015 ، 15 ، 01-33. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  69. سالیوان، ای. Ward, PM برنامه‌ها و سیاست‌های مسکن پایدار برای خودسازی و بازسازی مسکن با درآمد کم. Habitat Int. 2012 ، 36 ، 312-323. [ Google Scholar ] [ CrossRef ]
  70. توروک، اول. ساختارشکنی تراکم: معضلات استراتژیک در مواجهه با شهر پسا آپارتاید. شهرها 2011 ، 28 ، 470-477. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. فریرا، LS; Duarte، DHS بررسی رابطه بین فرم شهری، دمای سطح زمین و شاخص‌های پوشش گیاهی در یک ابرشهر نیمه گرمسیری. شهری. صعود 2019 ، 27 ، 105-123. [ Google Scholar ] [ CrossRef ]
  72. کیتسارا، جی. پاپایوآنو، جی. رتالیس، ا. پارونیس، دی. Kerkides، P. برآورد دمای هوا و تبخیر و تعرق مرجع با استفاده از دمای سطح زمین MODIS بر فراز یونان. بین المللی J. Remote Sens. 2018 , 39 , 924–948. [ Google Scholar ] [ CrossRef ]
  73. فایف، جی سی. ژیلت، NP; Zwiers، FW گرمایش جهانی را در 20 سال گذشته بیش از حد برآورد کرد. نات. صعود چانگ. 2013 ، 3 ، 767-769. [ Google Scholar ] [ CrossRef ]
  74. COMISION NACIONAL DEL AGUA، Resúmenes Mensuales de Temperatura y Lluvias. 2016. در دسترس آنلاین: https://smn.conagua.gob.mx/es/climatologia/temperaturas-y-lluvias/resumenes-mensuales-de-temperaturas-y-lluvias (در 12 نوامبر 2020 قابل دسترسی است).
  75. Seddon، AWR; ماسیاس-فاوریا، م. طولانی، روابط عمومی؛ بنز، دی. ویلیس، KJ حساسیت اکوسیستم های زمینی جهانی به تنوع آب و هوا. طبیعت 2016 ، 531 ، 229-232. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  76. چگونه جین آیک، دی. اسماعیل، م.ح. محرم، تغییرات کاربری زمین/پوشش زمین FM و رابطه با دمای سطح زمین با استفاده از تصاویر Landsat و MODIS در ارتفاعات کامرون، مالزی. Land 2020 , 9 , 372. [ Google Scholar ] [ CrossRef ]
  77. کمالی مسکونی، ا. هاشمی، ح. Berndtsson، R. دانشکار آراسته، پ. کاظمی، م. تأثیر تغییرات کاربری مکانی و پوشش زمین بر روی جزایر حرارتی شهری سطحی در یک منطقه نیمه خشک با استفاده از داده های لندست. بین المللی جی دیجیت. زمین 2020 ، 14 ، 1-21. [ Google Scholar ] [ CrossRef ]
  78. Adeyeri, OE; آکینلویی، FO; Ishola، KA روند فضایی-زمانی پوشش گیاهی در ابوجا با استفاده از مجموعه داده های Landsat. بین المللی جی. آگریک. محیط زیست Res. 2017 ، 3 . [ Google Scholar ] [ CrossRef ]
  79. دانگ، تی. یو، پی. باکوفر، اف. وانگ، ام. Zhang، M. نظارت بر تغییر دمای سطح زمین با تصاویر Landsat در طول فصول خشک در Bac Binh، ویتنام. Remote Sens. 2020 , 12 , 4067. [ Google Scholar ] [ CrossRef ]
  80. وانگ، اس. ما، س. دینگ، اچ. لیانگ، اچ. تشخیص گسترش شهری و تغییر دمای سطح زمین با استفاده از تصاویر لندست چند زمانی. منبع. حفظ کنید. بازیافت. 2018 ، 128 ، 526-534. [ Google Scholar ] [ CrossRef ]
  81. بلیک، آر. گریم، آ. ایچینوز، تی. هورتون، آر. گافین، اس. جیونگ، اس. بادر، دی. سیسیل، LD آب و هوای شهری: فرآیندها، روندها و پیش بینی ها. In Climate Chagne and Cities: First Assessment Report of Urban Climate Change Research Newtork ; Tosenzweig, C., Solecki, W., Hammer, S., Mehrotra, S., Eds. انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2011; صص 43-81. [ Google Scholar ] [ CrossRef ]
  82. استراتژی های کاهش جزیره گرمایی شهری Estes, MG, Jr. 2000، صفحات 1-4. در دسترس آنلاین: https://www.researchgate.net/publication/294517225_Urban_heat_island_mitigation_strategies (در 12 نوامبر 2020 قابل دسترسی است).
  83. سانچز، ال. Reames، TG Cooling Detroit: تجزیه و تحلیل اجتماعی- فضایی ارزش در بام های سبز به عنوان یک استراتژی کاهش جزیره گرمایی شهری. شهری برای. سبز شهری. 2019 ، 44 ، 126331. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00076 g001 550
شکل 1. منطقه مورد مطالعه: منطقه شهری مریدا، یوکاتان، مکزیک.
Ijgi 10 00076 g002 550
شکل 2. گردش کار گرافیکی مراحل برای شناسایی پدیده جزیره گرمایی شهری (UHI): ( الف ) اکتساب داده. ( B ) پیش پردازش تصویر، ( C ) طبقه بندی پوشش زمین، ( D )محاسبه NDVI، ( E ) تخمین دمای موج سوار و ( F ) تجزیه و تحلیل آماری.
Ijgi 10 00076 g003 550
شکل 3. تغییرات فضایی و زمانی دمای سطح زمین و NDVI در فصل خشک ( A )، فصل مرطوب ( B ) و گسترش منطقه شهری ( C ).
Ijgi 10 00076 g004 550
شکل 4. تغییر دمای زمین موج سوار به ازای طبقات پوشش زمین در فصل خشک ( سمت چپ ) و فصل مرطوب ( راست )، حروف مختلف تفاوت های آماری معنی داری را نشان می دهند.
Ijgi 10 00076 g005 550
شکل 5. تغییرات NDVI برای طبقات پوشش زمین در فصل خشک ( سمت چپ ) و فصل مرطوب ( راست )، حروف مختلف تفاوت های آماری معنی داری را نشان می دهند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید