كليدواژه :
دﻣﺎي ﺳﻄﺢ زﻣﯿﻦ LST , ﺷﺎﺧﺺ ﻧﺮﻣﺎل ﺷﺪه ﺗﻔﺎوت ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ NDVI , اراﺿﯽ ﺳﺎﺣﻠﯽ , ﻟﻨﺪﺳﺖ , تغيير كاربري / پوشش زمين
چكيده فارسي :
افزايش تغيير كاربري و پوشش زمين در اثر توسعه شهرنشيني باعث افزايش دماي شهرها در مقياس محلي ميشود و تا حد زيادي موجب افزايش استرس اكولوژيكي ميشود. در حال حاضر، بسياري از مناطق شهري با تبديل گسترده كاربري اراضي و ايجاد مناطق گرمايي جديد مواجهه هستند. تكنيك هاي سنجش از دور به طور قابل توجهي در تشخيص تغيير كاربري/پوشش زمين (LULC) و پيامدهاي آن موثر هستند. سنجنده هاي مختلف ماهواره اي قادر به شناسايي اين مناطق تغيير با استفاده از باندهاي مرئي و مادون قرمز نزديك (VNIR) و امواج مادون قرمز كوتاه (SWIR) هستند. علاوه بر الگوريتم‌هاي طبقهبندي مرسوم كاربري/پوشش اراضي، برخي از شاخص‌هاي طيفي در تشخيص ويژگي‌هاي اراضي استفاده مي‌شوند. شاخص نرمال شده تفاوت پوشش گياهي (NDVI) را مي توان به عنوان كاربردي ترين شاخص طيفي در اين سناريو در نظر گرفت. شاخص نرمال شده تفاوت پوشش گياهي يك فاكتور مهم در فرآيندهاي بررسي در پايش دماي سطح زمين (LST) است و در هر مطالعۀ مرتبط با LST استفاده مي شود. NDVI به طور مستقيم در تعيين گسيلمندي سطح زمين استفاده مي شود و بنابراين يك عامل مهم براي تخمين LST است. همچنين طبقات كاربري/پوشش اراضي LULC با محدوديت‌هاي آستانه بهينه در محيطهاي فيزيكي مختلف تعيين ميشود. به عنوان يك شاخص پوشش گياهي، NDVI تا حد زيادي به تغييرات زماني و مكاني بستگي دارد. از اين رو، LST نيز با تغييرات زماني و مكاني، تغيير مينمايد. بنابراين، ارزيابي زماني و مكاني LST و NDVI يك فاكتور مهم در تهيۀ نقشه و پايش دماي سطح زمين، به ويژه در محيطهاي شهري است. در اين تحقيق LST و NDVI را در مردادماه در اراضي ساحلي بوشهر با استفاده از تصوير ماهواره‌اي لندست براي سالهاي 1990، 2005 و 2020 بررسي مي شود. نقشه LULC با مقادير آستانه مناسب NDVI به دست آمد. از اهداف اين مطالعه؛ 1) تجزيه و تحليل تغييرات زماني الگوي توزيع مكاني LST در منطقه مورد مطالعه، 2) تعيين تغييرات مكاني-زماني رابطه LST-NDVI براي كل اراضي مورد مطالعه، و 3) بررسي تغييرات مكاني-زماني رابطۀ LST-NDVI در انواع مختلف كاربري/ پوشش اراضي.
مواد و روش ها منطقه مطالعه اراضي شهر بوشهر كه در ساحل شمالي خليجفارس، با ابعاد 20 در 8 كيلومتر با مساحت 1011.5 كيلومترمربع و با متوسط حداقل دما 18.1 درجه سانتي گراد و متوسط حداكثر دماي 33 درجه سانتي گراد، ميزان رطوبت نسبي بين 58-75 در صد و متوسط بارندگي ساليانه 272 ميليمتر است. داده‌هاي مورد استفاده در اين تحقيق شامل؛ داده سنجنده لندست 8 (OLI) و سنجنده مادون قرمز حرارتي (TIRS) در سال 2020؛ داده ETM+ سال 2005، و داده TM در سال 1990 كه از مركز داده هاي سازمان زمين شناسي ايالات متحده (https://earth explo rer.usgs.gov) (USGS) دانلود شده است. سنجنده لندست 8 TIRS داراي دو باند TIR (باندهاي 10 و 11) است كه در آنها باند 11 داراي عدم قطعيت در كاليبراسيون است. بنابراين، تنها باند 10TIR (رزولوشن 100 متر) براي مطالعه حاضر توصيه شده است. باند 10TIR به اندازه پيكسل 30×30 متر با روش كانولوشن مكعبي توسط USGS تبديل گرديد. داده هاي Landsat 5 TM تنها داراي يك باند مادون قرمز حرارتي TIR (باند 6) با وضوح 120 متر است كه همچنين توسط USGS به اندازه پيكسل 30×30 متر با روش كانولوشن مكعبي تبديل گرديد. براي داده لندست TM و +ETM وضوح مكاني 30 متر باندهاي مرئي به مادون قرمز نزديك (VNIR) استفاده شد. روش طبقه بندي حداكثر احتمال براي تعيين صحت نقشه طبقهبندي كاربري/پوشش اراضي LULC بدست آمده از شاخص آستانه NDVI استفاده شد. در اين مطالعه جهت استخراج دماي سطح زمين از الگوريتم تك پنجرهاي براي بازيابي LST از سنجندههاي ماهواره لندست چند زماني استفاده شد. شاخص تفاوت پوشش گياهي (NDVI) براي استخراج انواع مختلف كاربري/پوشش اراضي با استفاده از مقادير آستانه استفاده شد. اين مقادير آستانه با توجه به تفاوت در محيط فيزيكي متفاوت است. محدوديت‌هاي آستانه NDVI بر روي تصاوير اعمال شد تا انواع مختلف مختلف كاربري/پوشش اراضي استخراج شود.
نتايج و بحث مقادير دقت كلي طبقهبندي LULC در سالهاي 1990، 2005 و 2020 به ترتيب 73.6%، 83.9% و 84.6% است. ضرايب كاپا براي طبقات LULC به ترتيب 0.77، 0.80 و 0.84 براي سال هاي 1990، 2005 و 2020 بود. در مطالعه حاضر ميانگين دقت كلي و ميانگين ضريب كاپا به ترتيب 80.7 درصد و 0.80 بود. بنابراين، طبقه بندي نقشه طبقه بندي كاربري/پوشش اراضي بر اساس روش آستانه NDVI قابل قبول ميباشد. نتايج اين تحقيق، افزايش تدريجي (1.4 درجه سانتيگراد در طول سالهاي 1990-2005 و 2 درجه سانتيگراد در طول 2005-2020) LST در كل دوره مطالعه را نشان داد. ميانگين مقدار LST در سه سال مطالعه كمترين (30.86 درجه سانتيگراد) در پوشش گياهي و بالاترين (49.07 درجه سانتيگراد) در زمينهاي باير و مناطق ساخته شده/مسكوني بود. توزيع مكاني NDVI و LST نشان دهنده يك رابطۀ معكوس است. بهترين (97/0-) و كمترين همبستگي (0.80-)، در حالي كه همبستگي متوسط (0.89-) مشاهده شد. همبستگي LST-NDVI بر روي سطح پوشش گياهي منفي قوي (0.80-) بود. LST تا حد زيادي توسط ويژگي هاي كاربري اراضي كنترل مي شود.
نتيجه گيري مطالعه حاضر به تحليل رابطه مكاني و زماني LST و NDVI در اراضي ساحلي بوشهر با استفاده از 3 مجموعه داده لندست براي سالهاي 1990، 2005 و 2020 پرداخت. الگوريتم تك پنجرهاي در استخراج LST استفاده شد. به طور كلي، نتايج نشان داد كه LST در سالهاي مطالعه با NDVI رابطه معكوس دارد. وجود پوشش گياهي از عوامل اصلي منفي بودن زياد اين همبستگي است. رابطه LST-NDVI براي انواع كاربري/پوشش اراضي LULC متفاوت است. در مناطقي با پوشش گياهي يك رابطۀ رگرسيون منفي قوي (0.80-) بين LST و NDVI برقرار است، ميانگين LST منطقه مورد مطالعه 3.4 درجه سانتيگراد طي سالهاي 1990-2020 افزايش يافت. تبديل ساير كاربري اراضي به مناطق ساخته شده و اراضي باير تأثير زيادي بر ميانگين LST در مناطق شهري دارد. روند تغييرات LST در هر دو منطقه ساخته شده تغيير يافته و بدون تغيير و اراضي باير افزايشي بود. اين مطالعه مي تواند به عنوان مرجعي براي كاربري اراضي و برنامه ريزي زيست محيطي در اراضي ساحلي مورد استفاده قرار گيرد.
چكيده لاتين :
Urbanization accelerates the ecological stress by warming the local or global cities for a large extent. Many urban areas are suffering from huge land conversion and resultant new heat zones. Remote sensing techniques are significantly effective in detecting the land use/land cover (LULC) change and its consequences. Several satellite sensors are capable to identify these change zones by using their visible and near-infrared (VNIR) and shortwave infrared (SWIR) bands. Apart from the conventional LULC classification algorithms, some spectral indices are used in detecting specific land features. Normalized difference vegetation index (NDVI) can be considered the most applied spectral index in this scenario. NDVI is a dominant factor in LST derivation processes and is used invariably in any LST-related study. NDVI is directly used in the determination of land surface emissivity and thus is a significant factor for LST estimation. It also determines the LULC categories by its optimum threshold limits in the different physical environments. Being a vegetation index, NDVI depends largely on seasonal variation. Hence, LST is also regulated by the change of seasons. Thus, seasonal evaluation of LST and NDVI is an important task in LST mapping and monitoring, especially in an urban landscape. In this research, LST and NDVI in August in the coastal lands of Bushehr are investigated using Landsat satellite images for the years 1990, 2005 and 2020. The LULC map was obtained with suitable threshold values of NDVI. The objectives of this study are; 1) to analyze the temporal changes of the LST spatial distribution pattern in the study area, 2) to determine the spatial-temporal changes of the LST-NDVI relationship for the whole studied land, and 3) to investigate the spatial-temporal changes of the LST relationship - NDVI in different types of land use/cover.
Materials and Methods The land study area of Bushehr city, which is on the northern coast of the Persian Gulf, with dimensions of 20 × 8 km2 an area of 1011.5 km2 and with an average minimum temperature of 18.1 oC and an average maximum temperature of 33 oC, relative humidity between 58-75% and the average annual rainfall is 272 mm. The data used in this research include; Landsat 8 (OLI) and Thermal Infrared Sounder (TIRS) data in 2020; 2005 ETM+ data, and 1990 TM data downloaded from the United States Geological Survey (USGS) (https://earth explorer.usgs.gov). The Landsat 8 TIRS instrument has two TIR bands (bands 10 and 11), in which band 11 has calibration uncertainty. Therefore, only TIR band 10 (100 m resolution) is recommended for the present study. The 10 TIR band was converted to a pixel size of 30 × 30 meters by the USGS cubic convolution method. Landsat 5 TM data has only one TIR thermal infrared band (band 6) with 120 m resolution, which was also converted by USGS to 30 × 30 m pixel size by cubic convolution method. For Landsat TM and ETM+ data, the spatial resolution of 30 m visible to near-infrared (VNIR) bands was used. The maximum likelihood classification method was applied to validate NDVI threshold-based LULC classification. In this study, the mono-window algorithm was applied to retrieve LST from multi-temporal Landsat satellite sensors. NDVI can extract different types of LULC by using the optimum threshold values. These threshold values can differ with respect to the differences in the physical environment. The NDVI threshold limits were applied to the images to extract the different LULC types.
Results and Discussion The overall accuracy values of the LULC classification were 73.6%, 83.9%, and 84.6% in 1990, 2005, and 2020, respectively. The kappa coefficients for the LULC classification were 0.77, 0.80, and 0.84 in 1990, 2005, and 2020, respectively. In the present study, the average overall accuracy and average kappa coefficient were 80.7% and 0.80, respectively. Thus, the NDVI threshold method-based LULC classification was significantly validated. The results of this research showed a gradual rising (1.4 °C during 1990–2005 and 2 °C during 2005–2020) of LST during the whole period of study. The mean LST value for three study years was the lowest (30.86 °C) on green vegetation and the highest (49.07 °C) on bare land and built-up areas. The spatial distribution of NDVI and LST reflects an inverse relationship. The best (-0.97) and the least (-0.80) correlation, respectively, whereas a moderate (-0.89) correlation was noticed. This LST-NDVI correlation was strong negative (-0.80) on the vegetation surface. The LST is greatly controlled by land-use characteristics.
Conclusion The present study analyzes the spatial, and temporal relationship of LST and NDVI in Bushehr coastal lands using 3 Landsat data sets for 1990, 2005, and 2020. The mono-window algorithm was applied in deriving LST. In general, the results showed that LST is inversely related to NDVI, irrespective of any year. The presence of vegetation is the main responsible factor for high negativity. The LST-NDVI relationship varies for specific LULC types. The green area presents a strong negative (-0.80) regression. The mean LST of the study area was increased by 3.4 °C during 1990-2020. The conversion of other lands into the built-up area and bare land influences a lot on the mean LST of the city. Both the changed and unchanged built-up area and bare land suffer from the increasing trend of LST. This study can be used as a reference for land use and environmental planning on coastal land.
