محیط زیست و توسعه فرابخشی
مجله علمی

تحلیل فضایی-زمانی تغییرات فصلی جزایر حرارتی در شهرستان ملایر با استفاده از داده‌های سنجش‌ازدور

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

الهه خانقلی 1
کامران شایسته 1
محمدرضا گیلی 1
بهناز عطائیان 2

1 گروه علوم و مهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه ملایر، ملایر، ایران

2 گروه مهندسی طبیعت، دانشکده منابع طبیعی و محیط زیست، دانشگاه ملایر، ملایر، ایران

https://doi.org/10.22034/envj.2025.537595.1532
چکیده
مقدمه: توسعه شتابان شهرنشینی در سطح جهانی موجب افزایش سطوح غیرقابل نفوذ، تراکم جمعیتی، تشدید فعالیت‌های عمرانی و افزایش مصرف انرژی شده است؛ عواملی که به‌طور هم‌افزا در تقویت پدیده جزیره حرارتی شهری (UHI) مؤثرند، به‌طور خاص این پدیده از جایگزینی پوشش‌های گیاهی طبیعی با سطوح مصنوعی نفوذناپذیر، تمرکز فعالیت‌های انسان‌ساخت، افزایش تقاضای انرژی و تضعیف مکانیسم‌های طبیعی خنک‌سازی نظیر تعرق-تبخیر ناشی می‌شود. به دلیل نیاز به داده‌های مکانی و زمانی گسترده برای برآورد دمای سطح زمین(LST)، پیشرفت‌های فناوری سنجش از دور در سال‌های اخیر بینش‌های مهمی در زمینه پویایی مکانی-زمانی جزایر حرارتی را ارائه کرده است. تاکنون مطالعات مختلفی در زمینه تأثیر و ارتباط بین تغییر کاربری، تراکم ساخت‌وساز، پارامترهای بیوفیزیکی شهری و پوشش‌گیاهی با دمای سطحی و جزایر حرارتی انجام شده و آثار اجتماعی و ‌محیط زیستی افزایش دمای سطحی، از جمله افزایش مصرف انرژی، تنش‌های گرمایی و تأثیر بر سلامت انسان مورد بررسی قرار گرفته ولی بیشتر این مطالعات بر مقیاس شهری تمرکز کرده اند. 
مواد و روش‌ها: در این مطالعه، تغییرات فصلی جزایر حرارتی در شهرستان ملایر با استفاده از داده‌های دمای سطح زمین حاصل از سنجنده MODIS ماهواره Terra و سنجنده TIRS ماهواره Landsat 8 در بازه‌ی زمانی ۲۰۱۹ تا ۲۰۲۴ با توجه به متغیرهای بیوفیزیکی سطحی منتخب مورد تجزیه و تحلیل قرار گرفتند. همچنین به‌منظور مقایسه بهتر میان تصاویر مختلف، مقادیر LST  بین حداقل و حداکثر مقدار موجود در هر تصویر نرمال‌سازی شدند. برای مقایسه دمای سطح زمین در کاربری‌های مختلف، پوشش زمین با استفاده از روش طبقه‌بندی حداکثر احتمال در محیط Google Earth Engine به پنج کلاس شامل باغات و زمین‌های زراعی، اراضی بایر، مراتع، مناطق آبی و مناطق شهری تقسیم‌بندی شد. این طبقه‌بندی بر پایه ترکیب همه تصاویر ماهواره‌ای لندست OLI مربوط به سال 2023 به‌عنوان نماینده سال‌های مورد مطالعه صورت گرفت. برای محاسبه ضریب همبستگی بین ویژگی‌های سطح زمین در نرم‌افزار گوگل ارث انجین، شاخص اختلاف پوشش گیاهی نرمال شده (NDVI)، پوشش کسری گیاهی ((FVC و آلبدو محاسبه شد. 
نتایج: نتایج نشان داد که بالاترین دمای سطح زمین روزانه و شبانه در ماه اوت، و کمترین دما برای هر دو LST روز و شب در ماه ژانویه مشاهده می شود. ضریب همبستگی بین میانگین آلبدو و NDVI ماهانه 603 /0- است. همچنین FVC در ماه‌هایی از سال که پوشش‌گیاهی فراوان‌تر است، با NLST همبستگی منفی دارد. به طوری که در ماه‌های آوریل، می و ژانویه به خصوص در مراتع ضریب همبستگی به 65/0- نیز هم می‌رسد. 
بحث: شدت شکل گیری جزایر حرارتی سطحی بسته به نوع کاربری اراضی (مانند کشاورزی یا آبی) تغییر می‌کند و تغییرات آن در دو بازه زمانی روز و شب به‌وضوح قابل مشاهده است. در طول روز، باغات، پوشش‌های گیاهی نسبتاً متراکم و نواحی مرتفع نسبت به مناطق اطراف، دمای کمتری داشته و خنک‌تر هستند. از طرف دیگر در شب، مرکز شهر به‌عنوان گرم‌ترین ناحیه شناسایی شد، در حالی‌که نواحی روستایی، زمین‌های کشاورزی و باغات اطراف، دمای پایین‌تری داشتند. علاوه بر این، مناطق مرتفع به‌ویژه ارتفاعات شمال‌غربی شهرستان در اغلب فصول سردترین نواحی شهرستان بودند. این نتایج می‌توانند در برنامه ریزی و مدیریت منطقه ای در زمینه کشاورزی، محیط‌زیست، اقلیم‌شناسی، برنامه‌ریزی شهری و روستایی، رفاه اجتماعی و حوزه سلامت مورد استفاده قرار گیرند.

کلیدواژه‌ها

دمای سطح‌زمین
متغیرهای بیوفیزیکی
پوشش‌گیاهی
سنجش‌از‌دور
شهرستان‌ملایر

موضوعات

  1. Akbari, H., 2005. Energy saving potentials and air quality benefits of urban heat Island Mitigation; Lawrence Berkeley National Laboratory: Berkeley, CA, USA.‏
  2. Almusaed, A., 2011. The urban heat island phenomenon upon urban components. Biophilic and Bioclimatic Architecture: Analytical Therapy for the Next Generation of Passive Sustainable Architecture, 139-150.‏
  3. Chen, X.L., Zhao, H.M., Li, P.X. and Yin, Z.Y., 2006. Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes. Remote sensing of environment, 104(2), 133-146.‏
  4. Esmaeili, S., 2022. The application of thermal remote sensing and GIS in the assessment of the spatial distribution of land surface temperature in urban environments (The case of study of Tabriz city), Remote Sensing and GIS Applications in Environmental Sciences, 2(3), pp. 1-23. (In Persian with English abstract).
  5. Grigoraș, G. and Urițescu, B., 2019. Land use/land cover changes dynamics and their effects on surface urban heat island in Bucharest, Romania. International Journal of Applied Earth Observation and Geoinformation, 80, 115-126.‏
  6. Guo, G., Wu, Z., Xiao, R., Chen, Y., Liu, X. and Zhang, X., 2015. Impacts of urban biophysical composition on land surface temperature in urban heat island clusters. Landscape and Urban Planning, 135, 1-10.‏
  7. Haashemi, S., Weng, Q., Darvishi, A. and Alavipanah, S.K., 2016. Seasonal variations of the surface urban heat island in a semi-arid city. Remote sensing, 8(4), 352.‏
  8. Javan, F., Hasani Moghaddam, H. and Torabi, H., 2020. Evaluation of deforestation process using Artificial neural networks algorithm (Case Study: Namin County Hazelnut Forests). Environment and Interdisciplinary Development, 5(69), 63–74. (In Persian with English abstract).
  9. Khatri, B., Kharel, B., Dhakal, P., Acharya, S. and Thapa, U., 2025. Spatio-temporal dynamics of urban heat island using Google Earth Engine: Assessment and prediction—A case study of Kathmandu Valley, Nepal. Climate Services, 38, 100560.‏
  10. Li, J., Song, C., Cao, L., Zhu, F., Meng, X. and Wu, J., 2011. Impacts of landscape structure on surface urban heat islands: A case study of Shanghai, China. Remote sensing of environment, 115(12), 3249-3263.‏
  11. Liang, S., 2001. Narrowband to broadband conversions of land surface albedo I: Algorithms. Remote sensing of environment, 76(2), 213-238.‏
  12. Liu, Y., Mu, X., Wang, H. and Yan, G., 2012. A novel method for extracting green fractional vegetation cover from digital images. Journal of Vegetation Science, 23(3), 406-418.
  13. Loranty, M.M., Berner, L.T., Goetz, S.J., Jin, Y. and Randerson, J.T., 2014. Vegetation controls on northern high latitude snow‐albedo feedback: observations and CMIP 5 model simulations. Global change biology, 20(2), 594-606.‏
  14. Mackey, C.W., Lee, X. and Smith, R.B., 2012. Remotely sensing the cooling effects of city scale efforts to reduce urban heat island. Building and Environment, 49, 348-358.‏
  15. Mathew, A. and Arunab, K.S., 2025. Urban Heat Island and Pollutant Correlations in Bangalore, India using Geospatial Techniques. Solar Compass, 100108.‏
  16. Mohammad, P., Goswami, A. and Bonafoni, S., 2019. The impact of the land cover dynamics on surface urban heat island variations in semi-arid cities: a case study in Ahmedabad City, India, using multi-sensor/source data. Sensors, 19(17), 3701.‏
  17. Moharir, K.N., Pande, C.B., Gautam, V.K., Dash, S.S., Mishra, A.P., Yadav, K.K., ... and Elsahabi, M., 2025. Estimation of land surface temperature and LULC changes impact on groundwater resources in the semi-arid region of Madhya Pradesh, India. Advances in Space Research, 75(1), 233-247.‏
  18. Na, N., Xu, D., Fang, W., Pu, Y., Liu, Y. and Wang, H., 2023. Automatic detection and dynamic analysis of urban heat islands based on landsat images. Remote Sensing, 15(16), 4006.‏
  19. Naseri, S., Shayesteh, K. and Ildoromi, A., 2020. Land Use Change Analysis of Malayer County Using Landscape Metrics. Journal of Environmental Sciences Studies. 4(4): 2114-2122. (In Persian with English abstract).
  20. Rosenfeld, A.H., Akbari, H., Romm, J.J. and Pomerantz, M., 1998. Cool communities: strategies for heat island mitigation and smog reduction. Energy and buildings, 28(1), 51-62. 
  21. Singh, S., Kumar, P., Parijat, R., Gonengcil, B. and Rai, A., 2024. Establishing the relationship between land use land cover, normalized difference vegetation index and land surface temperature: A case of Lower Son River Basin, India. Geography and Sustainability, 5(2), 265-275.‏
  22. Taimouri, T., Iraj, I., Asghari Zamani, A.Z., Akbar, A., Moharram Pour, M.P. and Erfan, E., 2023. The effect of urban morphology on the intensity of urban heat islands; Case study: Tabriz, Sepehr, 32(126), 183-195. (In Persian with English abstract).
  23. Ullah, W., Ahmad, K., Ullah, S., Tahir, A.A., Javed, M.F., Nazir, A., ... and Mohamed, A., 2023. Analysis of the relationship among land surface temperature (LST), land use land cover (LULC), and normalized difference vegetation index (NDVI) with topographic elements in the lower Himalayan region. Heliyon, 9(2).‏
  24. Voogt, J.A. and Oke, T.R., 2003. Thermal remote sensing of urban climates. Remote sensing of environment, 86(3), 370-384.‏
  25. Wang, J., Tang, R., Jiang, Y., Liu, M. and Li, Z.L., 2023. A practical method for angular normalization of global MODIS land surface temperature over vegetated surfaces. ISPRS Journal of Photogrammetry and Remote Sensing, 199, 289-304.‏
  26. Weng, Q., Lu, D. and Schubring, J., 2004. Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies. Remote sensing of Environment, 89(4), 467-483.‏
  27. Weng, Q., Rajasekar, U. and Hu, X., 2011. Modeling urban heat islands and their relationship with impervious surface and vegetation abundance by using ASTER images. IEEE Transactions on Geoscience and Remote Sensing, 49(10), 4080-4089.‏
  28. Zandi, R. and Shahriyar, F., 2025. Evaluation of time series relationship between land use changes and land surface temperature in desert cities (case study: Yazd city). Journal of Geography and Planning, 29(91).‏ (In Persian with English abstract).
  29. Zhao, W., Wu, H., Yin, G. and Duan, S.B., 2019. Normalization of the temporal effect on the MODIS land surface temperature product using random forest regression. ISPRS Journal of Photogrammetry and Remote Sensing, 152, 109-118.‏
  30. Zhou, D., Xiao, J., Bonafoni, S., Berger, C., Deilami, K., Zhou, Y., ... and Sobrino, J.A., 2018. Satellite remote sensing of surface urban heat islands: Progress, challenges, and perspectives. Remote Sensing, 11(1), 48.‏
محیط زیست و توسعه فرابخشی
دوره 10، شماره 88
ویژه‌نامه تغییر اقلیم
تابستان 1404
صفحه 67-82

صفحه اصلی

ارسال مقاله

تماس با ما