سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

احمدی, محمود, داداشی رودباری, عباسعلی. (1395). آثار ترکیبات بیوفیزیکی در شکل‌گیری جزایر حرارتی شهری (مطالعة موردی شهر مشهد). , 8(3), 39-58.
محمود احمدی; عباسعلی داداشی رودباری. "آثار ترکیبات بیوفیزیکی در شکل‌گیری جزایر حرارتی شهری (مطالعة موردی شهر مشهد)". , 8, 3, 1395, 39-58.
احمدی, محمود, داداشی رودباری, عباسعلی. (1395). 'آثار ترکیبات بیوفیزیکی در شکل‌گیری جزایر حرارتی شهری (مطالعة موردی شهر مشهد)', , 8(3), pp. 39-58.
احمدی, محمود, داداشی رودباری, عباسعلی. آثار ترکیبات بیوفیزیکی در شکل‌گیری جزایر حرارتی شهری (مطالعة موردی شهر مشهد). , 1395; 8(3): 39-58.

آثار ترکیبات بیوفیزیکی در شکل‌گیری جزایر حرارتی شهری (مطالعة موردی شهر مشهد)

نشریه سنجش از دور و GIS ایران
مقاله 4، دوره 8، شماره 3، تیر 1395، صفحه 39-58    اصل مقاله (5.28 M)
نوع مقاله: علمی - پژوهشی
نویسندگان
محمود احمدی* 1؛ عباسعلی داداشی رودباری2
1استادیار اقلیم‌شناسی، دانشکدة علوم زمین، دانشگاه شهید بهشتی، تهران
2دانشجوی دکتری آب و هواشناسی شهری، دانشکدة علوم زمین، دانشگاه شهید بهشتی، تهران
چکیده
پدیدة جزیرة حرارتی شهری، با توجه به دگرگونی‌های هواسپهری همراه با افزایش شهرنشینی، طی سال‌های واپسین شدت یافته است. الگوهای فضایی- زمانی ترکیبات بیوفیزیکی که دربرگیرندة پوشش گیاهی، سطح نفوذناپذیر و نوع خاک در شهرند جزایر حرارتی شهری را تحت تأثیر چشمگیری قرار می‌دهند. هدف از این پژوهش مطالعة نقش پارامترهای بیوفیزیکی شهری در شکل‌گیری و خوشه‌ای‌شدن جزایر حرارتی شهری مشهد مقدس است. به‌منظور دستیابی به هدف مطرح‌شده، تصاویر حسگرهای OLI و TIRS ماهوارة لندست 8 برای اوت سه سال 2013، 2014 و 2015 استفاده شد. برای استخراج مقادیر UHI از LST، از یک رویکرد نوآورانة شیء‌گرا استفاده شد؛ به‌طوری که پس از محاسبة دمای سطح زمین (LST) با استفاده از شاخص محلی همبستگی مکانی (LISA) خوشه‌های گرم و سرد جزایر حرارتی مشهد استخراج شدند. برای ارزیابی ترکیبات بیوفیزیکی شهر مشهد نیز سه شاخص NDVI، NDBI و NDBal به‌کار برده شد. نتایج نشان داد در تحلیل همبستگی دوبه‌دو پارامترهای بیوفیزیکی با دمای سطح زمین، با شدت مقدار LST، ناهمگنی فضایی خوشه‌ها به‌شکل غیرخطی افزایش می‌یابد. تحلیل‌های مکانی سه نوع جزیرة حرارتی شهری را آشکار کرده است: جزایر حرارتی پیرامونی، جزایر حرارتی کانونی و جزایر حرارتی خطی. تحلیل خودهمبستگی فضایی با شاخص‌های موران و گری نشان از مقداری کاهشی دارد که مبین ازبین‌رفتن نظم فضایی دمای سطح زمین شهر مشهد است. همبستگی مکانی با شاخص موران محلی بر افزایش وسعت جزایر حرارتی گرم در طول دوره‌های مورد مطالعه تأکید داشته است.
کلیدواژه‌ها
جزایر حرارتی شهری؛ ترکیبات بیوفیزیکی؛ شاخص محلی همبستگی مکانی (LISA)؛ شهر مشهد
مراجع
  1. احمدی، م.، عاشورلو، د.، نارنگی‌فرد، م.، 1391، تغییرات زمانی- مکانی الگوهای حرارتی و کاربری شهر شیراز با استفاده از داده‌های سنجندة TM&ETM+، سنجش از دور و GIS ایران، سال 4، شمارة 4، صص. 68-55.
  2. احمدی، م.، عاشورلو، د.، نارنگی‌فرد، م.، 1394، تحلیل دمای شهر شیراز در فصول گرم و سرد با به‌کارگیری تحلیل‌های آماری و تصاویر ماهواره‌ای، فصلنامة تحقیقات جغرافیایی، سال 30، شمارة 2، صص. 160-147.
  3. شکیبا، ع.، ضیائیان فیروزآبادی، پ.، عاشورلو، د.، نامداری، س.، 1388، تحلیل رابطة کاربری و پوشش اراضی جزایر حرارتی شهر تهران، با استفاده از داده‌های ETM+، سنجش از دور و GIS ایران، سال اول، شمارة اول، صص. 56-39.
  4. صادقی‌نیا، ع.، علیجانی، ب.، ضیائیان فیروزآبادی، پ.، 1391، تحلیل فضایی- زمانی جزیرة حرارتی کلانشهر تهران با استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی، جغرافیا و مخاطرات محیطی، سال 1، شمارة 4، صص. 17-1.
  5. صادقی‌نیا، ع.، علیجانی، ب.، ضیائیان فیروزآبادی، پ.، 1392، کاربرد تکنیک خودهمبستگی فضایی در تحلیل جزیرة حرارتی شهر تهران، نشریة تحقیقات کاربردی علوم جغرافیایی، سال 13، شمارة 30، صص. 90-67.
  6. موسوی بایگی، م.، اشرف، ب.، فرید حسینی، ف.، میان‌آبادی، آ.، 1391، بررسی جزیرة حرارتی شهر مشهد با استفاده از تصاویر ماهواره‌ای و نظریة فرکتال، مجله جغرافیا و مخاطرات محیطی، شمارة اول، صص. 49-35.
  8. Anselin, L., 1995, Local Indicators of Spatial Association—LISA, Geographical Analysis, 27(2), PP. 93–115.
  9. Anselin, L., Syabri, I. & Kho, Y., 2006, GeoDa: An Introduction to Spatial Data Analysis, Geographical Analysis, 38(1), PP. 5–22.
  10. Artis, D.A. & Carnahan, W.H., 1982, Survey of Emissivity Variability in Thermography of Urban Areas, Remote Sensing of Environment, 12(4), PP. 313–329.
  11. Asgarian, A., Amiri, B.J. & Sakieh, Y., 2015, Assessing the Effect of Green Cover Spatial Patterns on Urban Land Surface Temperature Using Landscape Metrics Approach, Urban Ecosystems, 18(1), PP. 209–222.
  12. Atzberger, C., 2013, Advances in Remote Sensing of Agriculture: Context Description, Existing Operational Monitoring Systems and Major Information Needs, Remote Sensing, 5(2), PP. 949–981.
  13. Barsi, J.A., Schott, J.R., Palluconi, F.D., Helder, D.L., Hook, S.J., Markham, B.L. et al., 2003, Landsat TM and ETM+ Thermal Band Calibration, Canadian Journal of Remote Sensing, 29(2), PP. 141–153.
  14. Buyantuyev, A. & Wu, J., 2010, Urban Heat Islands and Landscape Heterogeneity: Linking Spatiotemporal Variations in Surface Temperatures to Land-cover and Socioeconomic Patterns, Landscape Ecology, 25(1), PP. 17-33.
  15. Cao, X., Onishi, A., Chen, J. & Imura, H., 2010, Quantifying the Cool Island Intensity of Urban Parks Using ASTER and IKONOS Data, Landscape and Urban Planning, 96(4), PP. 224-231.
  16. Carlson, T.N. & Arthur, S.T., 2000, The Impact of Land Use—Land Cover Changes Due to Urbanization on Surface Microclimate and Hydrology: A Satellite Perspective, Global and Planetary Change, 25(1), 49-65.
  17. Chander, G. & Groeneveld, D.P., 2009, Intra-annual NDVI Validation of the Landsat 5 TM Radiometric Calibration, International Journal of Remote Sensing, 30(6), PP. 1621–1628.
  18. Chander, G. & Markham, B., 2003, Revised Landsat-5 TM Radiometric Calibration Procedures and Postcalibration Dynamic Ranges, IEEE Transactions on Geoscience and Remote Sensing, 41(11), PP. 2674–2677.
  19. 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(2), PP. 133–146.
  20. Connors, J.P., Galletti, C.S. & Chow, W.T., 2013, Landscape Configuration and Urban Heat Island Effects: Assessing the Relationship between Landscape Characteristics and Land Surface Temperature in Phoenix, Arizona, Landscape Ecology, 28(2), PP. 271–283.
  21. Deng, C. & Wu, C., 2012, BCI: A Biophysical Composition Index for Remote Sensing of Urban Environments, Remote Sensing of Environment, 127, PP. 247–259.
  22. Deng, C. & Wu, C., 2013, Examining the Impacts of Urban Biophysical Compositions on Surface Urban Heat Island: A Spectral Unmixing and Thermal Mixing Approach, Remote Sensing of Environment, 131, PP. 262–274.
  23. Fallah Ghalhari, G., Dadashi Roudbari, A. & Asadi, M., 2016, Identifying the Spatial and Temporal Distribution Characteristics of Precipitation in Iran, Arabian Journal of Geosciences, 9(12), PP. 1–12, Doi: 10.1007/s12517-016-2606-4.
  24. Feyisa, G.L., Dons, K. & Meilby, H., 2014, Efficiency of Parks in Mitigating Urban Heat Island Effect: An Example from Addis Ababa, Landscape and Urban Planning, 123, PP. 87–95.
  25. Fischer, M.M. & Getis, A. (Eds.), 2009, Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications, Springer Science & Business Media.
  26. Gillies, R.R., Kustas, W.P. & Humes, K.S., 1997, A Verification of The 'Triangle' Method for Obtaining Surface Soil Water Content and Energy Fluxes from Remote Measurements of the Normalized Difference Vegetation Index (NDVI) and Surface e, International Journal of Remote Sensing, 18(15), PP. 3145–3166.
  27. Griffith, D., 1987, Spatial Autocorrelation: A Primer, Resource Publication in Geography, Association of American Geographers.
  28. 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, 135, PP. 1–10.
  29. 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(12), PP. 3249–3263.
  30. Lu, D. & Weng, Q., 2009, Extraction of Urban Impervious Surfaces from an IKONOS Image, International Journal of Remote Sensing, 30(5), PP. 1297–1311.
  31. Mohapatra, R.P. & Wu, C., 2008, Subpixel Imperviousness Estimation with IKONOS Imagery: An Artificial Neural Network Approach (PP. 21–37), Taylor & Francis Group: London, UK.
  32. Mohapatra, R.P. & Wu, C., 2010, High Resolution Impervious Surface Estimation. Photogrammetric Engineering & Remote Sensing, 76(12), PP. 1329–1341.
  33. Powell, S.L., Cohen, W.B., Yang, Z., Pierce, J.D. & Alberti, M., 2008, Quantification of Impervious Surface in the Snohomish Water Resources Inventory Area of Western Washington from 1972–2006, Remote Sensing of Environment, 112(4), PP. 1895–1908.
  34. Pu, R., Gong, P., Michishita, R. & Sasagawa, T., 2008, Spectral Mixture Analysis for Mapping Abundance of Urban Surface Components from the Terra/ASTER Data, Remote Sensing of Environment, 112(3), PP. 939–954.
  35. Scott, L.M. & Janikas, M.V., 2010, Spatial Statistics in ArcGIS, In Handbook of Applied Spatial Analysis (PP. 27–41), Springer Berlin Heidelberg.
  36. Small, C., 2005, A Global Analysis of Urban Reflectance, International Journal of Remote Sensing, 26(4), PP. 661–681.
  37. Sobrino, J.A., Jimenez-Muñoz, J.C. & Paolini, L., 2004, Land Surface Temperature Retrieval from LANDSAT TM 5, Remote Sensing of Environment, 90(4), PP. 434–440.
  38. Song, Y. & Wu, C., 2016, Examining the Impact of Urban Biophysical Composition and Neighboring Environment on Surface Urban Heat Island Effect, Advances in Space Research, 57(1), PP. 96–109.
  39. Voogt, J.A. & Oke, T.R., 2003, Thermal Remote Sensing of Urban Climates, Remote Sensing of Environment, 86(3), PP. 370–384.
  40. Weng, Q., 2012, Remote Sensing of Impervious Surfaces in the Urban Areas: Requirements, Methods, and Trends, Remote Sensing of Environment, 117, PP. 34–49.
  41. Weng, Q., Lu, D. & Schubring, J., 2004, Estimation of Land Surface Temperature–Vegetation Abundance Relationship for Urban Heat Island Studies, Remote Sensing of Environment, 89(4), PP. 467–483.
  42. Wilderjans, T.F., Ceulemans, E. & Meers, K., 2013, CHull: A Generic Convex-hull-based Model Selection Method, Behavior Research Methods, 45(1), PP. 1–15.
  43. Yang, X., 2006, Estimating Landscape Imperviousness Index from Satellite Imagery, Geoscience and Remote Sensing Letters, IEEE, 3(1), PP. 6–9.
  44. Yang, X. & Liu, Z., 2005, Use of Satellite-derived Landscape Imperviousness Index to Characterize Urban Spatial Growth, Computers, Environment and Urban Systems, 29(5), PP. 524–540.
  45. 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(3), PP. 375–386.
  46. Yue, W., Xu, J., Tan, W. & Xu, L., 2007, The Relationship between Land Surface Temperature and NDVI with Remote Sensing: Application to Shanghai Landsat 7 ETM+ Data, International Journal of Remote Sensing, 28(15), PP. 3205–3226.
  47. Zha, Y., Gao, J. & Ni, S., 2003, Use of Normalized Difference Built-up Index in Automatically Mapping Urban Areas from TM Imagery, International Journal of Remote Sensing, 24(3), PP. 583–594.
  48. Zhao, H. & Chen, X., 2005, Use of Normalized Difference Bareness Index in Quickly Mapping Bare Areas from TM/ETM+, in Geoscience and Remote Sensing Symposium, IGARSS'05. Proceedings. 2005 IEEE International (Vol. 3, PP. 1666–1668), IEEE.
  49. Zhou, W., Huang, G. & Cadenasso, M.L., 2011, Does Spatial Configuration Matter? Understanding the Effects of Land Cover Pattern on Land Surface Temperature in Urban Landscapes, Landscape and Urban Planning, 102(1), PP. 54–63.
آمار
تعداد مشاهده مقاله: 2,722
تعداد دریافت فایل اصل مقاله: 1,601