نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی

عوامل موثر بر دمای سطح زمین در مناطق شهری: مطالعه موردی شهر کرج

نوع مقاله : مقاله پژوهشی

نویسنده

کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی ، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، ایران

10.22034/rsgi.2024.60692.1065

چکیده

پدیده جزیره گرمایی شهری (UHI) ناشی از شهرنشینی سریع به یک مشکل مهم اکولوژیکی و محیط‌زیستی جهانی تبدیل شده است که نمی‌توان آن را نادیده گرفت. در این مطالعه، اثر عوامل تاثیر گذار بر روی دمای سطح زمین در شهر کرج اندازه‌گیری شد و با استفاده از رگرسیون حداقل مربعات معمولی (OLS)، مدل‌های رگرسیون وزن‌دار جغرافیایی (GWR) و رگرسیون وزن‌دار جغرافیایی چند مقیاسی (MGWR)، ناهمگونی های‌ فضایی عوامل تأثیرگذار بر دما مورد بررسی قرار گرفت. نتایج نشان داد که در مقایسه با مدل‌های OLS مرسوم، GWR با در نظر گرفتن ناهمگونی فضایی برازش مدل را بهبود بخشید، در حالی که MGWR از نظر خوبی برازش OLS و GWR با در نظر گرفتن اثرات پهنای باند مختلف بر LST بهتر عمل کرد. تراکم ساختمان، شاخص اختلاف نرمال شده سطح غیرقابل نفوذ (NDISI) و تراکم ترافیک به ترتیب 323/0، 246/0 و 260/0 بیشترین تاثیر بر LST بالا داشتند، در حالی که شاخص NDVI، MNDWI و تراکم جمعیت با دما همبستگی منفی داشتند. این یافته ها نیاز به در نظر گرفتن ناهمگونی فضایی در تجزیه و تحلیل عوامل تاثیر را نشان می‌دهد. این مطالعه می‌تواند برای ارائه راهنمایی در مورد استراتژی‌های برای کاهش دما در مناطق مختلف استفاده شود.

تازه های تحقیق

توزیع دمای سطح زمین در شهر کرج جمعآوری شد، توزیع دما بالا عمدتاً در بخشهای جنوبی، شمالی و شرقی )زمین های لخت و شرکت های صنعتی( و همچنین در منطقه مرکزی شهر توزیع شد. ساختمانهای متراکمتر با خیابانهای باریکتر مانع  خروج انرژی میشوند و بر گردش هوا تأثیر میگذارند و مناطق وسیعی از ساختمانها که گرمای زیادی را جذب میکنند، دما را افزایش میدهند. مناطق بایر با گسیلمندی بالا منجر به دما های بالاتری میشود و همچنین در مرکز شهر تحت تاثیر با تجمع زیاد مردم و ترافیک متراکم قرار دارد. با مقایسه مدلهای حداقل مربعات معمولی، رگرسیون وزن دار جغرافیایی و رگرسیون وزن دار جغرافیایی چند مقیاسه، نتایج نشان داد که نسبت به مدل حداقل مربعات معمولی ، مدلهای رگرسیون وزن دار جغرافیایی و رگرسیون وزن دار جغرافیایی چند مقیاسه عملکرد بهتری داشتند، مقیاسهای فضایی و ناهمگنی فضایی را در نظر گرفتند و میتوانستند جزئیات محلی عوامل مؤثر بر تغییرات فضایی را بر دمای سطح زمین شناسایی کنند. علاوه بر این، مدل رگرسیون وزن دار جغرافیایی چند مقیاسه به دلیل استفاده از پهنای باند متغیر مزایای بیشتری داشت که میتواند مقیاسهای متفاوت تأثیر هر شاخص بر دما را منعکس کند. میزان تأثیر تراکم ساختمانها با دما سطح زمین همبستگی مثبت داشت که با نتایج بسیاری از مطالعات قبلی نیز مطابقت دارد. اثر کلی شاخص پوشش گیاهی نرمال شده  بر دما همبستگی منفی داشت، شاخص اختلاف نرمال شده سطوح غیر قابل نفوذ، تراکم ترافیک و تراکم جاده ها با دما همبستگی مثبت داشت و تراکم ترافیک و مناطق غیر قابل نفوذ تاثیر مثبت بیشتری نسبت به تراکم جاده ها داشتند. مقادیر بالاتر شاخص پوشش گیاهی نشان داد که منطقه دارای پوشش گیاهی بالایی است که بیانگر تبخیر و تعرق بالای پوشش گیاهی است. این به کاهش دما ها کمک میکند، در حالی که دما با افزایش سطح غیرقابل نفوذ افزایش مییابد. سطوح غیر قابل نفوذ نشاندهنده گسترش مناطق انسانی به جای مناظر طبیعی )مانند پوشش گیاهی و بدنههای آبی( است. بنابراین، این سطوح بیشترین میزان تأثیر را بر دما دارند. شهرنشینی منجر به مناظر پیچیده شهری میشود که در آن سطوح غیرقابل نفوذ با دما به عنوان عامل اصلی تأثیرگذار کمک میکند. همبستگی منفی کلی بین شاخص نرمال شده پوشش آب و دما نشان میدهد که افزایش سطح بدنه آبی در منطقه تأثیر مثبتی بر کاهش دما سطح زمین دارد. در میان شاخصهای اجتماعی-اقتصادی، تراکم جمعیت، ناپایداریهای فضایی را نشان میدهد.

تراکم جمعیت به طور معنی داری با دما همبستگی منفی داشت. معیارهای توپوگرافیک غیر ایستایی فضایی را نشان دادند. شیب با دما به طور کلی همبستگی مثبت داشت، در حالی که ارتفاع و جهت شیب همبستگی منفی داشتند، اما دو شاخص اخیر به میزان کمتری دما را تحت تأثیر قرار دادند. این نشان میدهد که تأثیر عوامل توپوگرافیک بر تغییرات دما به دلیل تأثیر عوامل متعدد نسبتاً ضعیف بود. با این حال، تأثیر این عوامل بر دما نسبت ًاً کم بود. این مطالعه از مدلهای حداقل مربعات معمولی، رگرسیون وزن دار جغرافیایی و رگرسیون وزن دار جغرافیایی چند مقیاسه برای تعیین کمیت روابط فضایی بین دما و عوامل محرک آن در شهر کرج استفاده کرد. نتایج نشان داد که دمای سطح زمین در شهر کرج تجمع فضایی آشکارتری را نشان میدهد و توزیع دما بالا عمدتاً در مناطق جنوبی و جنوب شرقی متمرکز است. رگرسیون وزن دار جغرافیایی برازش مدل بهتری نسبت به حداقل مربعات معمولی با توجه به ناهمگنی فضایی داشت، در حالی که رگرسیون وزن دار جغرافیایی چند مقیاسه مقیاس پهنای باند مختلف را بین فاکتورهای استفاده شده و دما در نظر میگیرد و اثر برازش آن بهتر از رگرسیون وزن دار جغرافیایی بود. این یافته ها نشان داد که هنگام انجام تحلیل فضایی، لازم است مکانیسم های تأثیر هر یک از عوامل تأثیرگذار بر دما در مناطق مختلف در نظر گرفته شود و مدیریت هم افزایی تحت عوامل تأثیرگذار متفاوت در نظر گرفته شود که میتواند اقدامات یکپارچه بهتری برای کاهش تأثیر جزایر حرارتی شهری انجام داد. 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Factors affecting ground surface temperature in urban areas: a case study of Karaj city

نویسنده [English]

  • hamdolah javideh

student

چکیده [English]

The urban heat island (UHI) phenomenon caused by rapid urbanization has become an important global ecological and environmental problem that cannot be ignored. In this study, the effect of influencing factors on ground surface temperature in Karaj city was measured and using ordinary least square regression (OLS), geographic weighted regression (GWR) and multiscale geographic weighted regression (MGWR) models, spatial heterogeneities Factors affecting temperature were investigated.The results indicated that, compared with traditional OLS models, GWR improved the model fit by considering spatial heterogeneity, whereas MGWR outperformed OLS and GWR in terms of goodness of fit by considering the effects of different bandwidths on LST.Building density Normalized Difference Impervious Surface Index (NDISI) and traffic density had the greatest effect on high LST by 0.323, 0.246 and 0.260 respectively, while NDVI index, MNDWI and population density were negatively correlated with temperature. These findings show the need to consider spatial heterogeneity in the analysis of impact factors. This study can be used to provide guidance on strategies to reduce temperature in different regions.

کلیدواژه‌ها [English]

  • land surface temperature
  • ordinary least squares
  • geographic weighted regression
  • multiscale geographic weighted regression
  • Karaj city

پدیده جزیره گرمایی شهری )UHI( ناشی از شهرنشینی سریع به یک مشکل مهم اکولوژیکی و محیطزیستی جهانی تبدیل شده است که نمیتوان آن را نادیده گرفت. در این مطالعه، اثر عوامل تاثیر گذار بر روی دمای سطح زمین در شهر کرج اندازهگیری شد و با استفاده از رگرسیون حداقل مربعات معمولی )OLS(، مدلهای رگرسیون وزندار جغرافیایی )GWR( و رگرسیون وزندار جغرافیایی چند مقیاسی )MGWR(، ناهمگونیهای فضایی عوامل تأثیرگذار وLST را بررسی کردیم. نتایج نشان داد که در مقایسه با مدلهای OLS مرسوم، GWR با در نظر گرفتن ناهمگونی فضایی برازش مدل را بهبود بخشید، در حالی که MGWR از نظر خوبی برازش OLS و GWR با در نظر گرفتن اثرات پهنای باند مختلف بر LST بهتر عمل کرد. تراکم ساختمان، شاخص اختلاف نرمال شده سطح غیرقابل نفوذ )NDISI( و تراکم ترافیک به ترتیب 323/0، 246/0 و 260/0 بیشترین تاثیر بر LST بالا داشتند، در حالی که شاخص MNDWI ،NDVI و تراکم جمعیت با دما همبستگی منفی داشتند. این یافته ها نیاز به در نظر گرفتن ناهمگونی فضایی در تجزیه و تحلیل عوامل تاثیر را نشان میدهد. این مطالعه میتواند برای ارائه راهنمایی در مورد استراتژیهای برای کاهش دما در مناطق مختلف استفاده شود.

Ahmed, B., Kamruzzaman, M., Zhu, X., Rahman, M.S. and Choi, K. (2013). Simulating land cover changes and their impacts on land surface temperature in Dhaka, Remote Sensing, 5: 5969–5998. Amiri, R., Weng, Q., Alimohammadi, A. and Alavipanah, S.K. (2009). Spatial–Temporal Dynamics of Land SurfaceTemperature in Relation to Fractional Vegetation Cover and Land Use/Cover in the Tabriz Urban Area, Iran, Remote Sensing of Environment, 113 (12): 2606–2617.
Burnham, K. & Anderson, D. (2004). Multimodel inference: Understanding AIC and BIC in Model Selection, Sociological Methods & Research, 33: 261–304. 
Chen, X.-L., Zhao, H.-M., Li, P.-X. & 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:
133–.641 
Deilami, K., Kamruzzaman, M. & Liu, Y. (2018). Urban heat island effect: A systematic review of spatiotemporal factors, data, methods, and mitigation measures, International Journal of Applied Earth Observation and Geoinformation, 67: 30–42. 
Du, H., Wang, D., Wang, Y., Zhao, X., Qin, F., Jiang, H. & Cai, Y. (2016) Influences of land cover types, meteorological conditions, anthropogenic heat and urban area on surface urban heat island in the Yangtze River Delta Urban Agglomeration. Science of the Total Environment, 571: 461–470. 
Du, J., Xiang, X., Zhao, B. & Zhou, H. (2020) Impact of urban expansion on land surface temperature in Fuzhou, China using Landsat
Dutta, D., Rahman, A., Paul, S. & Kundu, A. (2021) Impervious surface growth and its inter-relationship with vegetation cover and land surface temperature in peri-urban areas of Delhi, Urban Climate, 37, 100799. 
Fotheringham, A.S., Brunsdon, C. & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships, JohnWiley & Sons, New York, 269.
Gao, Y., Zhao, J. & Han, L. (2021). Exploring the spatial heterogeneity of urban heat island effect and its relationship to block morphology with the geographically weighted regression model, Sustainable Cities and Society, 76, 103431. 
Giridharan, R., Ganesan, S. & Lau, S. (2004). Daytime urban heat island effect in high-rise and highdensity residential developments in Hong Kong, Energy and Buildings, 36: 525–534.
Gluch, R., Quattrochi, D.A. & Luvall, J.C.(2006). A multi-scale approach to urban thermal analysis, Remote Sensing of Environment, :401 123–.231
Guo, A., Yang, J., Sun, W., Xiao, X., Cecilia, J.X., Jin, C. & Li, X. (2020). Impact of urban morphology and landscape characteristics on spatiotemporal heterogeneity of land surface temperature, Sustainable Cities and Society, 63, .344201 
Guo, G.,Wu, Z., Xiao, R., Chen, Y., Liu, X. & Zhang, X.(2015). Impacts of urban biophysical composition on land surface temperature in urban heat island clusters, Landscape and Urban Planning, :531 1–.01 
Holzman, M.E., Rivas, R., Piccolo, M.C. (2014). Estimating Soil Moisture and the Relationship with Crop Yield Using Surface Temperature and Vegetation Index, International Journal of Applied Earth Observation and Geoinformation, :82 181–.291
Huang, G., Zhou, W. & Cadenasso, M. (2011). Is everyone hot in the city? Spatial pattern of land surface temperatures, land cover and
Huang, X., Schneider, A. & Friedl, M.A.(2016). Mapping sub-pixel urban expansion in China using MODIS and DMSP/OLS nighttime lights, Remote Sensing of Environment, :571 92–.801 
Jang, j-c,. & Park, k. (2019). High-Resolution Sea Surface Temperature Retrieval from Landsat 8 OLI/TIRS Data at Coastal Regions, Remote Sensing, 11(22),2687.
Jiang, Y., Fu, P. & Weng, Q. (2015). Assessing the Impacts of Urbanization-Associated Land Use/Cover Change on Land Surface Temperature and Surface Moisture: A Case Study in the Midwestern United States, Remote Sensing, 7: 4880–4898. 
Jiang, W., Wang, Y., Dou, M., Liu, S. & Liu, H.(2019). Solving Competitive Location Problems with Social Media Data Based on Cus-tomers’ Local Sensitivities, International Journal of Geo-Information, 8(5), 202.
Li, H., Li, Y., Wang, T., Wang, Z., Gao, M. & Shen, H. (2021). Quantifying 3D building form effects on urban land surface temperature and modeling seasonal correlation patterns, Building and Environment, 204, 108132. 
Li, J., Song, C., Cao, L., Zhu, F., Meng, X. & Wu, J. (2011). Impacts of landscape structure on surface urban heat islands: A case study of Shanghai, China, Remote Sensing of Environment, 115: 3249–3263.  Li, J., Wang, F., Fu, Y., Guo, B. &Yu, H. (2020). A Novel SUHI Referenced Estimation Method in Multi-centers Urban Agglomeration with DMSP/OLS Nighttime Light Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 1416–1425.
Li, S., Zhao, Z., Miaomiao, X. & Wang, Y. (2010). Investigating spatial non-stationary and scaledependent relationships between urban surface temperature and environmental factors using geographically weighted regression, Environmental Modelling & Software, 25: 1789–1800.  Li, S., Zhao, Z., Miaomiao, X. & Wang, Y. (2010). Investigating spatial non-stationary and scaledependent relationships between urban surface temperature and environmental factors using geographically weighted regression, Environmental Modelling & Software, 25: 1789- 1800.
Liang, Z., Huang, J.,Wang, Y.,Wei, F.,Wu, S., Jiang, H., Zhang, X. & Li, S. (2021). The mediating effect of air pollution in the impacts of urban form on nighttime urban heat island intensity, Sustainable Cities and Society, 74, .589201  
Masoudi, M., Tan, P.Y. & Fadaei, M. (2020). The effects of land use on spatial pattern of urban green spaces and their cooling ability, Urban Climate, 35, .347001 
Nasiri, A., Zandi, R. & Khosravian, M. (2022). Evaluating Urban Heat Islands Using the Urban Viability Index (Case Study: Karaj Metropolis), Journal of the Indian Society of Remote Sensing, :05 833-.748 Neighborhood socioeconomic characteristics in Baltimore, MD, Journal of Environmental Management, :29 1753–.9571 
Oke, T.R.(1981). Canyon geometry and the nocturnal urban heat island: Comparison of scale model and field observations, Journal of Climatology, :1 237–.452 
Oke, T.R. (1988). Street design and urban canopy layer climate, Energy and Buildings, :11 103–.311  Oshan, T.M., Li, Z., Kang, W., Wolf, L.J. & Fotheringham, A.S. (2019). mgwr: A Python
Implementation of Multiscale Geographically Weighted Regression for Investigating Process Spatial Heterogeneity and Scale, ISPRS International Journal of Geo-Information, )6(8, .962 
 
Patz, J.A., Lendrum, D.C., Holloway, T. & Foley, J.A. (2005). Impact of regional climate change on human health, Nature, 438: 310–317.
Peng, J., Ma, J., Liu, Q., Liu, Y., Hu, Y.N., Li, Y. & Yue, Y. (2018). Spatialtemporal change ofland surface temperature across 285 cities in China: an urban-rural contrast perspective. Science of The Total Environment, 635: 487–497.
Regression analysis. Sustain, Sustainable Cities and Society, 74, .951301 
Shi, H., Laurent, E.J., Lebouton, J., Racevskis, L., Hall, K.R., Donovan, M., Doepker, R.V., Walters, M.B., Lupi, F. & Liu, J. (2006). Local spatial modeling of white-tailed deer distribution, Ecological Modelling, 190: 171–189. 
Song, J., Yu, H. & Lu, Y. (2021). Spatial-scale dependent risk factors of heat-related mortality: A multiscale geographically weighted
Unger, J. (2009). Connection between urban heat island and sky view factor approximated by a software tool on a 3D urban database, International Journal of Environment and Pollution, 36: 59-80.  Voogt, J.A. & Oke, T.R. (2003). Thermal remote sensing of urban climates, Remote Sensing of Environment, 86: 370–384. 
Xiao, R.-B., Ouyang, Z.-Y., Zheng, H., Li, W.-F., Schienke, E.W. & Wang, X.-K. (2007). Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing, China, Journal of Environmental Sciences, 19: 250–256. 
Xiong, Y., Huang, S., Chen, F., Ye, H., Wang, C. & Zhu, C. (2012). The impacts of rapid urbanization on the thermal environment: a remote sensing study of Guangzhou, South China, Remote Sensing, 4:2033– 2056.
Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery, International Journal of Remote Sensing, 27: 3025–3033.  Xu, H. (2008). A New Remote Sensing Index for Fastly Extracting Impervious Surface Information, Geomatics and Information Science of Wuhan University, 33: 1150–1153.
Xu, T., Bateni, S.M., Margulis, S.A., Song, L., Liu, S. & Ziwei, X. (2016). Partitioning
Evapotranspiration into Soil Evaporation and Canopy Transpiration via a Two-Source Variational Data Assimilation System, Journal of Hydrometeorology, 17 (9): 2353–2370.
Yang, L., Yu, K., Ai,J., Liu,Y., Yang,W. & Liu,J. (2022). Dominant Factors and Spatial Heterogeneity of Land Surface Temperatures in Urban Areas: A Case Study in Fuzhou, China. Remote Sensing, 14, 1266. Yin, C., Yuan, M., Lu, Y., Huang, Y. & Liu, Y. (2018). Effects of urban form on the urban heat island effect based on spatial regression model, Science of the Total Environment, 634: 696–704. 
Yu, X., Liu, Y., Zhang, Z. & Xiao, R. (2021). Influences of buildings on urban heat island based on 3D landscape metrics: An investigation of China’s 30 megacities at micro grid-cell scale and macro city scale, Landscape Ecology, :63 2743–.2672
Yuan, F. & Bauer, M.E. (2007). Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery. Remote Sensing of Environment,106: 375–.683
Zhang, X., Estoque, R.C. & Murayama, Y. (2017). An urban heat island study in Nanchang City, China based on land surface temper-ature and social-ecological variables, Sustainable Cities and Society, :23
557–.865 
Zhang, Z. & He, G.(2013). Generation of Landsat surface temperature product for China, 2000–2010, International Journal of Remote Sensing, :43 7369–.5737
Zhao, C., Jennifer, J., Weng, Q. & Russell, W. A. (2018). Geographically Weighted Regression Analysis of the Underlying Factors Related to the Surface Urban Heat Island Phenomenon, Remote Sensong, 10, 1428. 
Zhao, X., Zhao, Y. & Kuang, D. (2014). Seasonal dynamics of the relationship between landscape pattern and land surface temperature in a coastal city. In Proceedings of the 2014 Third InternationalWorkshop on Earth Observation and Remote Sensing Applications, Changsha, China, 11–14 June 2014: 418–422. Zhou, J., Chen, Y., Zhang, X. & Zhan, W. (2013). Modelling the Diurnal Variations of Urban Heat Islands with Multi-Source Satellite Data, International Journal of Remote Sensing, 34 (21): 7568–7588. Zhou, W., Huang, G. & L, M. (2011). Cadenasso, does spatial configuration matter? Understanding the effects of land cover pattern on land surface temperature in urban landscapes, Landscape and Urban Planning, 102: 54-63.
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 4، شماره 11
مرداد 1403
صفحه 22-1
  • تاریخ دریافت: 10 اسفند 1402
  • تاریخ بازنگری: 04 مرداد 1403
  • تاریخ پذیرش: 30 مرداد 1403