Authors

Abstract

Received: 2015.01.26
Accepted: 2016.11.02
Alireza Entezari[1]*
Abolghasem Amir-Ahmadi[2]
Kazem Aliabadi[3]
Maryam Khosravian[4]
Majid Ebrahimi[5]
Abstract
Land surface temperature estimated to cater to the wide range of remote sensing, lack of monitoring and limited meteorological stations. With regard to the monitoring of land surface temperature in a limited number of weather stations as part of the need for broad distribution across the surface temperature at the same time, land surface temperature was calculated. Parishan lake because of the proximity to the metropolis of Shiraz shows the temperature and humidity play an important moderating role in this city. Drought in recent decades and the subsequent reduction in the water level of the lake has had adverse effects on the surrounding areas, especially in Shiraz temperature and humidity. The purpose of this research is to estimate land surface temperature using SEBAL (SEBAL) (modified  surface energy algorithm for land) in Parishan Basin and relationship with land use / cover (LULC). For this purpose, use ETM+ images from 2000 and 2013 and after the various stages processing of image to extract the land use plans based on support vector machine (SVM) was developed during a period of 13 years. By applying SEBAL algorithm on satellite images was prepared heat map. For this purpose implement this method, was calculated the thermal radiance corrected (Rc), the emissivity of the surface of the thermal band (ε), spectral radiance (Lλ), the reflectance of each band (ρλ) and surface albedo (α). The results of this study showed the most of that land use changes in the use of the lake there is about was destroyed 35/97% of the lakes in the course of 13 years and much of it have land use changes uncultivated land and agricultural. In addition, increased desertification and loss of vegetation, it affects increasing land surface temperature (LST). The highest temperature (LST) is evident in the salt marsh and bare rock outcrops are considerable with the passing years and the increasing temperature. The results have been applied in the study of natural resources protection and can be helpful natural resource conservation programs.



[1]- Department of Geomorphology and Climatology, Hakim Sabzevari University, Sabzevar (Corresponding Autor),Email:entezari@hsu.ac.ir.


[2]- MS.c of Remote Sensing and GIS, Coach of Hakim Sabzevari University, Sabzevar.


[3]- MSc Student of Applied Climatology, Hakim Sabzevari University, Sabzevar.


[4]-  MSc Student of Applied Climatology, Hakim Sabzevari University, Sabzevar.


[5]- Ph.D Student of Geomorphology, Hakim Sabzevari University, Sabzevar.

Keywords

مقدمه

دمای سطح زمین[1] (LST) عامل مهم در مطالعات جهانی و تغییر و تعادل گرماست و به عنوان یک نماینده برای تغییر آب و هوا به شمار ­می­رود (سریستاوا و همکاران[2]، 2009: 1563). به ‌طوری که عامل مهمی در کنترل فیزیکی- شیمیایی و فرآیندهای زیستی زمین محسوب می­شود (علوی‌پناه، 2007: 287). در مواقعی که توزیع مکانی دمای سطح در پهنه­ی وسیع و به ‌طور همزمان مورد نیاز است، فن سنجش از دور قابلیت‌های خود را به نمایش می‌گذارد (دانش­کار و همکاران،1390: 70؛ اُپاکیو[3]، 2008: 2739). آگاهی از میزان LST کمک شایان توجهی به طیف وسیعی از مسائل مرتبط با علوم زمین نظیر اقلیم شهری، تغییرات جهانی محیطی و بررسی تعاملات انسان و محیط خواهد نمود (مالیک و همکاران، 2008: 131). در صورت عدم وجود شبکه­ی متراکم ایستگاه هواشناسی مستقر در زمین، توزیع مکانی- زمانی LST از تصاویر سنجش از دور می­تواند به عنوان پارامتر کلیدی در مدیریت پایدار، نظیر مدیریت منابع آب و برنامه­ریزی چشم­انداز و همچنین در مطالعات کشاورزی و زیست محیطی مورد استفاده قرار گیرد (فیضی‌زاده، 2012: 2).

الگوریتم توازن انرژی سطح زمین (سبال)، الگوریتم نسبتاً جدیدی است که در اکثر نقاط دنیا برای برآورد دمای سطح زمین مورد استفاده قرار گرفته و نتایج رضایت­بخشی داشته است (احمد و همکاران، 2006: 85؛ باستینسن و همکاران[4]، 2005: 86؛ باستینسن و همکاران، 2000: 89؛ فارح[5]، 2001: 53). دمای سطح زمین (LST)  بـه‌ دست آمده از تصاویر سنجش از دور در تجزیه و تحلیل کاربـری / پوشش اراضی (LULC[6]) نیز می­تواند به‌ کار رود (ارلیک و لامبین[7]، 1996؛ لامبین و ارلیک، 1997).

تالاب پریشان از نظر هیدرولوژی، تحت تأثیر عوامل بیرونی طبیعی نظیر خشکسالی و عدم بارش، ایجاد‌ چاله‌های عمیق زمینی و عوامل درونی انسان ساخت نظیر سوزاندن بخش بزرگی از نی‌زارهای اطراف تالاب و عملیات راه‌سازی مورد تهدید قرارگرفته است. همچنین قطع شبکه‌های هیدرولوژیکی و تخریب منبع آب‌های زیرزمینی به علت عملیات راه‌سازی، این تالاب با بحران کمبود آب و آسیب‌پذیری مضاعفی مواجه شده است. بنابراین با تهیه­ی نقشه­ی دمای سطحی در منطقه­ی مورد مطالعه می­توان به تحلیل دمای سطحی آن پرداخت. هدف از این تحقیق، ارزیابی و محاسبه دمای سطح زمین (LST) و تغییرات کاربری اراضی در بازه­ی زمانی 13 ساله و نیز تجزیه و تحلیل ارتباط زمانی- مکانی نتایج حاصل از طریق سنجش از دور می­باشد.

معرفی منطقه­ی مورد مطالعه

حوضه­ی آبخیز دریاچه پریشان در مختصات جغرافیایی  12  25 ˚29  تا  15  36 ˚29 عرض شمالی و  50  40 ˚51  تا  20  48 ˚51 طول شرقی در استان فارس (شهرستان کازرون) قرار گرفته است. دریاچه­ی پریشان یکی از تالاب‌های دائمی و آب شیرین کشور است، که در میان سلسله جبال زاگرس، در فاصله­ی 15 کیلومتری جنوب شرقی شهرستان کازرون و 125 کیلومتری غرب شیراز در منطقه­ی حفاظت شده ارژن واقع شده است (شکل 1). مساحت این حوضه برابر 225 کیلومترمربع می‌باشد که 40 درصد آن یعنی 90 کیلومترمربع توسط ارتفاعات و 60 درصد آن معادل 135 کیلومترمربع توسط دشت و دریاچه پوشیده شده است. عمق متوسط این دریاچه 5/2-2 متر است و عمده­ی آب آن از طریق چشمه‌هایی که از طرف شمال و شرق به درون آن وارد می‌شوند، تأمین می‌گردد. این منطقه دارای آب و هوای گرم و خشک با زمستان معتدل و تابستان‌های گرم و بهار سبز و کم دوام است. متوسط بارندگی سالیانه دریاچه و اطراف آن 450 میلی‌متر، متوسط درجه حرارت سالیانه 2/22 درجه سانتی‌گراد و متوسط تبخیر سالیانه نیز 2470 میلی‌متر است.

مواد و روش‌ها

در این پژوهش بـه منظور بررسی دمای سطح زمین در ارتـباط با تغییرات کاربری

اراضی از تصاویر ماهواره‌ای سنجنده‌ ETM+ ماهواره لندست[8] استفاده شده است. این تصاویر به ترتیب مربوط به سال­های 2000 و 2013 می‌باشند. علاوه بر این، از نقشه‌های توپوگرافی مقیاس 1:50000 به منظور انجام تصحیح هندسی و برداشت نمونه‌های آموزشی در مراحل قبل (به منظور انجام طبقه‌بندی نظارت شده) و بعد از طبقه‌بندی (به عنوان نقاط کنترل در ارزیابی دقت طبقه‌بندی) استفاده شده است.

 

شکل (1) موقعیت جغرافیایی منطقه­ی مورد مطالعه

فرآیند پردازش داده‌ها در سه مرحله پیش –‌پردازش[9]، پردازش[10] و پس‌– پردازش[11] انجام شده است. با توجه به ضرورت انجام تصحیحات هندسی در آشکارسازی تغییرات کاربری اراضی و دمای سطح زمین، برای انطباق دقیق موقعیت پدیده‌ها و کلاس‌های کاربری اراضی با مختصات جغرافیایی آن‌ها در سطح طبیعت، بر پایه­ی نقشه‌های توپوگرافی 1:50000 و نقاط کنترل برداشت شده با GPS، تصاویر محدوده­ی مورد مطالعه­ی زمین‌مرجع گردید. رای نمونه‌گیری ارزش مجدد پیکسل‌ها از روش نزدیک­ترین همسایگی[12] استفاده و تصاویر با خطای [13] RMS39/0 و 42/0 پیکسل زمین‌مرجع گردیدند. برای ارزیابی نسبت خطای اتمسفری در سطح تصاویر ماهواره‌ای، ارزش عددی پیکسل‌های تصویر در مناطق مربوط به توده‌های آبی محاسبه شد و با توجه به وجود خطای اتمسفری و ضرورت حذف آن از روش باقیمانده‌های لگاریتمی[14] برای کاهش عددی پیکسل‌های تیره استفاده شد.

طبقه‌بندی با الگوریتم ماشین بردار پشتیبان (SVM)

الگوریتم ماشین بردار پشتیبان[15] (SVM)، یک روش طبقه‌بندی باینری است که با تعیین یک صفحه تفکیک کننده­ی بهینه در فضای داده‌‌های آموزشی، کلاس‌های مختلف را با حداکثر تفکیک‌پذیری، طبقه‌بندی می‌نماید. فرا صفحه‌ای[16] که بیشترین تفکیک را بین دو کلاس فراهم می‌نماید (شکل 4)، فرا صفحه بهینه و داده‌های نزدیک­تر به فرا صفحه، بردارهای پشتیبان[17] نامیده می‌شوند (پتروپلوس و همکاران[18] ،2010: 308؛ کاوزوقلو و کولکسن[19]، 2009: 354).

 

شکل (2) تفکیک کلاس‌ها بر اساس فرا صفحه بهینه در روش الگوریتم ماشین بردار پشتیبان (SVM)

در تحقیق حاضر، طبقه‌بندی الگوریتم ماشین بردار پشتیبان (SVM) در محیط نرم­افزار (ENVI 4.8) انجام شد. انتخاب کرنل مهم‌ترین مسئله در اجرا و عملکرد طبقه‌بندی­کننده­ی  SVMمی‌باشد (کیچل و همکاران[20]، 2003: 534). در این تحقیق، با توجه به استفاده وسیع از کرنل RBF در طبقه‌بندی اراضی و مطالعات تغییر کاربری اراضی با داده‌های ماهواره‌های مختلف و همچنین عملکرد بهتر آن نسبت به کرنل‌های دیگر، مورد استفاده قرارگرفت (کیچل و همکاران، 2003: 534؛ کنورن و همکاران[21]، 2009؛ پتروپلوس و همکاران، 2011). این کرنل براساس تابع زیر تعریف می‌شود:

رابطه­ی (1)        

در رابطه­ی؛  xiوxj: مجموعه‌ای از داده‌های آموزشی؛ g: یک پارامتر تعریف شده توسط کاربر به عنوان عرض کرنل می‌باشند؛ g: معکوس تعداد باندهای طیفی سنجنده می‌باشد. همچنین، پارامتر جریمه[22] برای بهبود خطای طبقه‌بندی‌های نادرست می‌تواند معرفی شود. این پارامتر در مقدار حداکثر آن قرار داده می‌شود تا مدل دقیق­تری را ارائه نمایـد. تـصاویر در وضوح کامل (پارامتر پایرامید[23] صفر قرار داده شـد) پـردازش گردیـد (پتروپلوس و همکاران،2010: 309).

روشسبالبرایمحاسبه­یدمایسطح

در این روش دمای سطح با استفاده از رادیانس حرارتی تصحیح شده به ‌دست می­آید (ریچارد و همکاران، 2002: 52). برای محاسبه رادیانس حرارتی تصحیح شده نیاز به محاسبه گسیل‌مندی در باند حرارتی می­باشد. برای محاسبه گسیل‌مندی در باند حرارتی به ­ترتیب نیاز به محاسبه رادیانس طیفی (Lλ)، بازتابندگی در هر باند (ρλ) و آلبیدوی سطحی می­باشد.

رادیانسطیفی[24] (Lλ)

رادیانس طیفی عبارت ­است از انرژی تابشی در بالای جو که توسط سنجنده مشاهده شده­ است. رادیانس طیفی برای هر باند توسط رابطه­ی (2) به‌ دست می‌آید (ریچارد و همکاران[25]، 2002: 55):

رابطه­ی‌ (2)        

 

بازتابندگی[26] نیمکره­ای (ρλ)

بازتابندگی سطح به صورت نسبت شار طیفی بازتاب یافته[27] به شار طیفی فرودی تعریف می­شود. میزان بازتاب با استفاده از رابطه­ی (3) در هر باند محاسبه می‌شود (آلن و همکاران[28]، 2002: 6):

رابطه‌­ی (3)       

که در رابطه­ی بالا؛ θ: عبارت است از زاویه فرودی خورشید که به صورت زیر قابل محاسبه می­باشد:

رابطه­ی‌ (4)    

که در آنβ : ارتفاع خورشید می‌باشد که از فایل مرجع[29] تصویر ماهواره‌ای قابل استخراج است. در تصویر مورد نظر، 42337667/0SUN_ELEVATION = می‌باشد و Dr: عبارت است از معکوس مربع فاصله­ی نسبی زمین تا خورشید، که با استفاده از رابطه­ی (5) که توسط دفی و بکمن[30] (1980)، به دست آمده قابل محاسبه است (ریچارد و همکاران، 2002: 55).

رابطه‌­ی (5)  

که در آن؛ DOY: عبارت است از Sequential day که مقدار آن با توجه به تاریخ تصاویر مورد استفاده در این تحقیق برای تصویر سال 2000، 117 و برای سال 2013، 126 می‌باشد.

آلبیدویسطحی[31] (α)

میزان آلبیدوی سطحی را می­توان از رابطه­ی (6) محاسبه نمود (آلن و همکاران، 2002: 7).

رابطه­ی (6)

که در رابطه‌­ی (6) αtoa : آلبیدوی بالای جو؛ αpath-radiance: آلبیدوی ناشی از رادیانس مسیر و τsw: قابلیت عبور جوی است. مقادیر path-radiance در محدوده­ی مورد مطالعه 025/0 تا 04/0 می‌باشد که در مدل سبال مقدار 03/0 برای آن پیشنهاد شده است. مقدار τSW: با فرض صاف بودن آسمان و به تبع آن در شرایط خشک با استفاده از رابطه­ی (7) محاسبه می‌شود:

رابطه­ی‌ (7)

که در رابطه‌­ی Z: ارتفاع از سطح دریا بر حسب متر می­باشد. این ارتفاع باید به خوبی نشان­دهنده­ی ارتفاع منطقه­ی مورد نظر باشد (مثل ارتفاع ایستگاه هواشناسی منطقه). در منطقه­ی مورد مطالعه­ی ایستگاه سینوپتیک کازرون با مختصات جغرافیایی  15  36 ˚29 عرض شمالی و  39 ˚51 طول شرقی در ارتفاع 840 متری از سطح دریا می‌باشد و مقدار αtoa: عبارت است از آلبیدوی بالای جو که از رابطه­ی (8) قابل محاسبه است (آلن و همکاران، 2002: 7).

رابطه­ی‌ (8)

که در آن؛ ρλ: بازتابندگی نیمکره‌ای در باندهای مختلف و ωλ: ضرایب وزن‌دار برای

باندهای غیرحرارتی می‌باشند که از رابطه­ی (9) قابل محاسبه‌اند (ریچارد و همکاران، 2002: 63).

رابطه‌­ی (9)

گسیل‌مندیسطحی[32] (ε)

گسیل‌مندی­های سطحی با استفاده از روابط تجربی (10 تا 13) به ‌دست می‌آیند (ریچارد و همکاران، 2002: 63).

زمانی‌ که NDVI>0 داریم:

رابطه­ی‌ (10)      :(برای 3LAI<)

رابطه­ی‌ (11)          :(برای 3LAI≥ )

که در آب و برف برای مقادیر εNB و ε0 از فیلتر استفاده می‌شود.

رابطه­ی‌ (12)  : (برای آب)

رابطه­ی‌ (13) : (برای برف)

که در رابطه­ی فوق؛ NDVI: شاخص تفاضل نرمال شده­ی گیاهی؛ LAI[33]: شاخص سطح برگ و α: آلبیدوی سطحی است. شاخص تفاضل نرمال شده­ی گیاهی (NDVI) به میزان و وضعیت پوشش­گیاهی حساسیت دارد از رابطه­ی (14) به ­دست می­آید.

رابطه­ی (14)         

که در آن؛B4  و B3 مقادیر بازتابندگی در باندهای 4 و 3 می­باشند. مقادیرNDVI در محدوده­ی 1- تا 1+ قرار دارند. شاخص سطح برگ (LAI)، شاخصی از بیوماس و مقاومت تاج پوشش گیاهی است و به ‌صورت نسبت سطح کل برگ‌های گیاه به سطح زمین پوشانده شده توسط آن گیاه تعریف می­شود. شاخص سطح برگ (LAI) با استفاده از رابطه­ی تجربی (15) به‌ دست می­آید. 

رابطه­ی‌ (15)         

شاخص سطح برگ (LAI) بستگی به نوع محصول و موقعیت جغرافیایی محل مورد مطالعه دارد و براساس میانگین رابطه­ی LAI-NDVI در ناحیه­ی جمهوری سزچ در آمریکا به‌ دست آمده است (اکبری و کوه­بنانی، 1389: 59). بدیهی است که مناطق با درجه­ی NDVI بالاتر با مناطق باLAI  بیشتر متناسب است (شکل 3).

 

شکل (3) رابطه­ی دو پارامتر LAI-NDVI

به‌دلیل وجود شروط و حدود آستانه برای برآورد گسیل‌مندی سطحی از طبقه‌بندی از نوع درخت تـصمیم‌گیری بهره گرفـته شد. با تـعریف حدود آسـتانه و پباندهای مورد نظر (NDVI, LAI, α)، از گزینه­ی درخت تصمیم‌گیری در محیط نرم­افزار Envi4.8 استفاده شد. این طبقه‌بندی در شکل (4) مشاهده می‌شود. بعد از تبدیل به فرمت­برداری، تصویر حاصل از طبقه‌بندی وارد محیط ArcGIS 9.3 شد. با انجام مراحل ادغام[34]، تبدیل به رستر[35] و کلاس­بندی مجدد[36]،مقادیر هر کلاس را در یک تصویرجداگانه به صورت تابع بولین (اختصاص مقدار 1 به خود کلاس و صفر به کلاس‌های دیگر در هر کلاس جداگانه و تولید سه تصویر) ذخیره شد. با ورود این تصاویر به محیطEnvi4.8  و محاسبه مقادیر گسیل‌مندی سطحی در هر کلاس و در نهایت جمع این سه تصویر، مقدار گسیل‌مندی سطحی در کل تصویر برآورد شده است.

 

شکل (4) درخت تصمیم­گیری برای محاسبه­ی گسیل‌مندی سطح

رادیانسحرارتیتصحیحشده[37] (Rc)

رادیانس حرارتی تصحیح شده، رادیانس واقعی گسیل شـده از سطح است که بـرای اثرات اتمسفری تصحیح شده باشد. رابطه­ی (16) توسـط کلیک و همکاران[38] (1989) جهت تصحیح رادیانس حرارتی گسیل شده از سطح ارائه گردیده است (آلن و همکاران، 2002: 12):

رابطه­ی‌ (16)      

که در رابطه­ی (16) LNB: رادیانس باند حرارتی؛ RP: رادیانس مسیر در باند حرارتی؛ Rsky: تابش آسمان صاف در باند حرارتی و τNB: قابلیت عبور جوی در باند حرارتی می‌باشد. Rsky را می‌توان از رابطه‌ی تجربی (17)، محاسبه کرد (آلن و همکاران، 2002: 13).

رابطه­ی ‌(17)

 

که رابطه­ی (17) Ta دمای هوای نزدیک سطح (برحسب کلوین) در لحظه­ی گذر می‌باشد. برای محاسبه­ی پارامترهای مقادیر τNB وRP احتیاج به داده‌های زمینی می‌باشد که در صورت نبود این اطلاعات می‌توان از آن‌ها صرف نظر نمود. جهت حذف این پارامترها، مقادیر τNB و RP بـه ترتیب برابر 1 و صفر قرار داده شدند (احمد و همکاران، 2006: 85). مقادیرRSky  هم به اندازه‌ای کوچک است که می‌توان آن‌ را نادیده گرفت (Rsky ≈0)، بدین ترتیب Rc معادل باLNB  می‌شود. دمای هوای نزدیک سطح در تاریخ تصویر­برداری مورد نظر 12/8 درجه سانتی‌گراد می‌باشد.

دمایسطحی[39] (Ts)

قانون استفان بولتزمن[40] رابـطه­ی بین دما و تابش یـک جسم را بـه صورت رابطه­ی

(18) نشان می‌دهد.

رابطه­ی‌ (18)        B =σ T 4

که در رابطه­ی (18)B : تابش جسم سیاه؛T : دمای سطحی جسم سیاه؛ σ: مقدار ثابت استفان- بولتزمن که معادل 8-10×67/5 (W/m2/K4) می‌باشد. با این وجود عرض باندهای حرارتی تصاویر ماهواره‌ای کمتر از آن است که بتوانند معرف تابش جسم سیاه (B) در معادله فوق باشند. محدوده­ی تابش استفاده شده در رابطه­ی استفان- بولتزمن 3 تا 300 میکرومتر است؛ در حالی که محدوده­ی باندهای حرارتی تصاویر ماهواره‌ای عموماً بین 5/10 تا 5/12 میکرومتر می‌باشد. بنابراین روش سبال از رابطه­ی پلانک (رابطه­ی 19) استفاده می‌کند.

رابطه­ی‌ (19)    

که در رابطه­ی (19) Rc: رادیانس باند حرارتی تصحیح شده؛ (W/m2/μm)εNB: گسیل‌مندی سطحی باند حرارتی وk2, k1  مقادیر ثابت معادله هستند. که به ترتیب برابر 09/666 و 71/1282 می‌باشند که واحدk2  درجه­ی کلوین و واحد K1 (W/m2 /μm) می‌باشد.

تمام مراحل محاسباتی دمای سطح زمین به جزء بخشی از مرحله­ی درخت تصمیم‌گیری با استفاده از گزینه­ی Band Math در نرم‌افزار Envi4.8 انجام شد. مرحله نهایی، محاسبه دمای سطحی، در نرم‌افزار ArcGIS9.3 صورت پذیرفت. به دلیل عدم یکسانی پیکسل سایزهای تصاویر باند حرارتی و باندهای انعکاسی از گزینه­ی Resize Data استفاده گردید.

بحث و نتایج

شکل‌های‌ (5 و 6) نقشه‌های کاربری اراضی و شکل‌های (8 و 9) نقشه­ی دمای سطح زمین حوضه­ی آبخیز پریشان در سال‌های 2000 و 2013 را با استفاده از  روش‌های SVM و سبال نشان می‌دهد. در تحقیق حاضر برای نقشه­ی کاربری اراضی استخراج شده از تصویر ماهواره‌ای ETM+ سال 2000 ضریب کاپا برابر 87/0 و برای نقشه­ی کاربری اراضی استخراج شده از تصویر ماهواره‌ای ETM+ سال 2013 برابر 91/0 برآورد شده است. دقت کلی طبقه‌بندی که بیانگر میزان اعتبار طبقه‌بندی انجام شده است، در نقشه‌های کاربری اراضی استخراج شده از تصاویر ماهواره‌ای بایستی بیش از 85% باشد (آندرسون و همکاران[41]، 1976: 85). در این تحقیق، دقت کلی برای نقشه­ی کاربری اراضی استخراج شده از تصویر ETM+ سال 2000 معادل 11/86 درصد و برای نقشه­ی کاربری اراضی استخراج شده از تصویرETM+ سال 2013 برابر 56/90 درصد محاسبه شده است. از طرفی براساس روش الگوریتم ماشین بردار پشتیبان (SVM)، تغییرات کاربری اراضی در فاصله زمانی مورد نظر مورد ارزیابی قرار گرفته است.

 

شکل (57) نقشه‌ی کاربری اراضی حاصل از روش الگوریتم ماشین بردار پشتیبان (SVM) در حوضه­ی آبخیز پریشان، سال 2000

با استخراج نقشه­ی تغییرات کاربری اراضی و با محاسبه­ی درصد تغییرات هر یک از کلاس‌های کاربری، نتایج به شرح جدول (1) استخراج گردید.

 

شکل (6) نقشه‌ی کاربری اراضی حاصل از روش الگوریتم ماشین بردار پشتیبان (SVM) در حوضه­ی آبخیز پریشان، سال 2013

جدول (1) درصد تغییرات کاربری بر اساس طبقه‌بندی الگوریتم ماشین بردار پشتیبان­کننده­ی (SVMسال‌های 2013- 2000

تصویرETM+ (2013)

تصویر  ETM+(2000)

 

زراعت آبی

زراعت دیم

نمک‌زار

دریاچه

بایر

زراعت آبی

12/41

05/15

81/24

65/11

39/10

زراعت دیم

36/4

85/51

149/17

024/7

99/1

نمک‌زار

38/7

38/12

60/25

22/7

55/13

دریاچه

17/10

82/14

85/9

85/98

77/57

بایر

18/11

39/6

79/35

04/12

648/81

تغییرات کلاس

59/71

36/69

58/31

35/97

48/49

باتوجه به نتایج فوق، بیشترین تغییرات کاربری مربوط به کاربری دریاچه می‌باشد. حدود 35/97 درصد وسعت دریاچه در این دوره­ی 13 ساله، تخریب شده و بخش عمده­ی آن به زمین‌های بایر و اراضی کشاورزی تغییر کاربری داده است. علاوه بر این کمترین نسبت تغییرات کاربری اراضی در این منطقه­ی مربوط به تغییر زراعت آبی و بایر به اراضی با کلاس کاربری زراعت دیم (به ترتیب با مقادیر 36/5 و 99/1 درصد) است.نقشه‌های دمای سطح زمین در این بازه­ی زمانی (شکل‌های 8 و 9)، مقدار دقیق دمای سطحی را بین 7 تا 32 درجه سانتی‌گراد در سال 2000 و 23 تا 48 درجه سانتی‌گراد در سال 2013 برآورد نموده‌اند. برای ارزیابی دقت نقشه‌های دمای سطح زمین برآورد شده به روش سبال، از مقدار LST اندازه‌گیری شده در ایستگاه سینوپتیک منطقه استفاده شده است. در زمان و تاریخ برداشت تصویر ماهواره‌ای ETM+ (9:56 صبح 30 اردیبهشت 1392)، دمای سطح زمین (LST) اندازه‌گیری شده در این ایستگاه 31/28 درجه سانتی­گراد بوده، در حالی که LST برآورد شده از تصویر ماهواره‌ای به روش سبال 11/30 می‌باشد، در این بین با تخمین بیشتری به اندازه­ی 08/1 مواجه است. بنابراین با در نظر گرفتن تنها ایستگاه سینوپتیک منطقه (ایستگاه سینوپتیک کازرون با مختصات جغرافیایی  15  36 ˚29 عرض شمالی و  39 ˚51 طول شرقی) و نیز عدم دسترسی به دیگر داده‌های LST زمینی، مقدار خطای برآورد شده قابل قبول ارزیابی گردید. در بخش دوم مطالعه، برای مقایسه و ارزیابی دمای سطح زمین در هر کاربری اراضی، طبقات متفاوت کاربری/ پوشش اراضی انتخاب و میانگین دمای سطحی پیکسل‌های متناظر با هر طبقه محاسبه گردید. جدول (2) اختلاف دمای سطحی در هر طبقه کاربری اراضی را ارائه می‌دهد. مطابق این جدول، کمترین میانگین دمایی در سال‌های 2000 و 2013 در کاربری دریاچه به ترتیب به میزان 56/13 و 86/20 درجه سانتی‌گراد به چشم می‌خورد. در حالی که بیشترین میانگین دمای سطحی در کاربری بایر به میزان 57/27 و 32/31 درجه سانتی‌گراد در این سال‌ها مشاهده می‌شود. مناطقی با پوشش گیاهی متراکم‌تر دارای دمای سطحی کمتری در طول روز می‌باشند. گرم­ترین پیکسل‌ها در کاربری­های نمک‌زار و اراضی بایر به ‌ترتیب با رنج دمایی 60/28 – 44/19 و 98/21 – 07/33 در سال 2000 و 44/19 – 60/28 و 45/25 – 19/37 در سال 2013 وجود دارند. در فاصله زمانی مورد بررسی، حداقل دمای کاربری‌های زراعت دیم، زارعت آبی، دریاچه و اراضی بایر به میزان 03/2، 91/0، 18/9 و 47/3 درجه سانتی‌گراد افزایش یافته‌اند، در حالی که حداکثر دمای آن­ها به ترتیب به میزان 54/2، 8/4، 41/3 و 12/4 درجه سانتی­گراد کاهش یافته است. در میانگین دمای سطح زمین در کاربری‌های تحت بررسی می‌توان تغییرات افزاینده به میزان 03/3، 66/3، 03/7، 75/3، 35/5 و به ترتیب در کاربری‌های زراعت دیم، زراعت دیم، دریاچه، اراضی بایر و کاربری نمک‌زار مشاهده کرد. بنابراین ارتباط آشکاری بین کاربری اراضی و دمای سطح زمین (LST) مشهود است. شکل (10)، نمودار نسبت تغییرات دمای سطح زمین در کلاس‌های مختلف کاربری اراضی در بازه­ی زمانی 2000-2013 را نشان می‌دهد.

 

شکل (7) شاخص پوشش گیاهی (NDVI)، در حوضه­ی آبخیز پریشان

 

شکل (8) نقشه‌های دمای سطح زمین به‌دست آمده به روش سبال (SEBAL) در سال 2000 در حوضه­ی آبخیز پریشان (برحسب درجه سانتی‌گراد)

 

شکل (9) نقشه‌های دمای سطح زمین به ‌دست آمده به روش سبال (SEBAL) در سال 2013  در حوضه­ی آبخیز پریشان (برحسب درجه سانتی‌گراد)

جدول (2) مقادیر دمای سطح زمین برای کلاس‌های مختلف کاربری اراضی در سال­های 2000 و 2013

کلاس کاربری اراضی

دمای سطح زمین در سال 2000

دمای سطح زمین در سال 2013

حداقل

حداکثر

میانگین

انحراف معیار

حداقل

حداکثر

میانگین

انحراف معیار

زراعت دیم

11/14

62/33

84/19

11/2

14/16

14/36

14/23

98/1

زراعت آبی

67/15

40/31

53/18

06/2

58/16

8/35

19/22

54/2

نمک‌زار

44/19

60/28

02/21

37/1

57/13

18/33

37/26

11/2

دریاچه

89/12

25/26

56/13

55/2

07/22

66/29

86/20

98/1

اراضی بایر

98/21

07/33

57/27

93/1

45/25

19/37

32/31

21/2

نتایج تحقیق نشان می‌دهد که جذب و از دست دادن حرارت در  LSTبسیار به LULC وابسته است. هر جزء سطح در چشم‌انداز (به عنوان مثال اراضی کشاورزی، زمین بایر، مناطق شهری، آب و غیره) خاصیت تابش منحصر به فردی دارد. شکل (11)، نمودار همبستگی بین رسترهای دمای سطح زمین (LST) و شاخص پوشش گیاهی در سال‌های 2000 و 2013 را نشان می­دهد. این نمودارها با در نظر گرفتن 572587 پیکسل نمونه در نرم­افزارPci-Geomatica  تولید شده، این در حالی است که در سال 2000، ارتباط چندانی بین این دو پارامتر (با ضریب همبستگی 053/0-) مشاهده نشده است. اما شایان ذکر است که در سال 2013، ارتباط معنی­دار و غیرمستقیم بین شاخص پوشش گیاهی و دمای سطح زمین (783/0R=-) به چشم می­خورد. این بدان معناست که با افزایش پوشش گیاهی، روند گرم شدن سطح زمین رو به کاهش خواهد رفت.

 

شکل (10) نمودار نسبت تغییرات دمای سطح زمین در کلاس‌های مختلف کاربری اراضی در بازه­ی زمانی 2000-213

 

شکل (11) نمودار همبستگی بین دمای سطح زمین (LST) و شاخص پوشش گیاهی (NDVI) شکل A: هبستگی مربوط به سال 2013 و شکل B: همبستگی سال 2000 را نشان می‌دهد.

برای تجزیه و تحلیل بهتر ارتباط بین دمای سطح زمین (LST) و کاربری/ پوشش اراضی (LULC)، ضرایب همبستگی بین دمای سطح زمین (LST) و شاخص پوشش گیاهی (NDVI)، بر اساس نوع (LULC)، در سال 2013 به ‌دلیل وجود ارتباط معنی­دار بین پارامترهای مذکور محاسبه شده است (جدول 3). بیشترین ضریب همبستگی به ترتیب به میزان 973/0- و 881/0- در اراضی زراعت آبی، زراعت دیم به‌دست آمده است. حداقل وابستگی منفی نیز مربوط به اراضی بایر و دریاچه و نمک‌زار است که این امر مؤید این مطلب است که در این مناطق میزان پوشش گیاهی نسبت به سایر طبقات LULC کمتر است. با مقایسه مقادیر LST سال 2013 (جدول 2) و مقادیر همبستگی آن با NDVI (جدول 3) می­توان بیان کرد که در کلاس‌های کاربری/پوشش اراضی (LULC) که در آن‌ها میانگین درجه حرارت بالاتر است، وابستگی بین دمای سطح زمین و شاخص پوشش گیاهی کمتر می­باشد و این امر بیانگر تراکم پایین پوشش گیاهی در این طبقات است. بنابراین، تأثیرکاربری/پوشش اراضی (LULC) در دمای سطح زمین (LST) با تجزیه و تحلیل تغییرات در شاخص پوشش گیاهی (NDVI) قابل ارزیابی می‌باشد.

جدول (3) ضرایب همبستگی بین LST و NDVI بر اساس نوع  LULC

کاربری اراضی/ پوشش زمین

تعداد پیکسل­های نمونه­برداری شده

ضرایب همبستگی‌ در سال 2013

زراعت آبی

5628

937/0 -

زراعت دیم

33281

781/0 -

نمک‌زار

795621

175/0 -

دریاچه

2564

251/0 -

اراضی بایر

87941

098/0 -

نتیجه‌گیری

در این مطالعه، پویایی فضایی و زمانی دمای سطح زمین (LST) در ارتـباط با کاربری/ پوشش اراضی (LULC)، در حوضه­ی پـریشان، از طریق پایش داده­های ماهواره لندست بررسی شده است. درجه حرارت به‌ دست آمده از دمای سطح زمین (LST)بسیارمشابه داده­های به‌دست آمده از هواشناسی است.روش سبال (SEBAL) برای استخراج دمای سطح زمین از داده ETM+، نشان داده است که تفاوت بین درجه حرارت واقعی در ایستگاه­ هواشناسی کازرون و دمای سطح برآورد شده با تخمین بیشتری به مقدار 08/1 مواجه است. نقشه‌های دمای سطح زمین در این بازه­ی زمانی، مقدار دقیق دمای سطحی را بین 7 تا 32 درجه سانتی‌گراد در سال 2000 و 23 تا 48 درجه سانتی‌گراد در سال 2013 برآورد نموده‌اند. نتایج این تحقیق نشان داد که دمای سطح زمین (LST) حساسیت زیادی به پوشش گیاهی و رطوبت خاک دارد، به‌طوری که، کاربری­های اراضی با تراکم پوشش گیاهی بیشتر، دمای سطحی پایین­تری را به همراه دارند، از این رو، این امر می­تواند برای تشخیص تغییرات در کاربری اراضی در طول زمان مورد استفاده قرار گیرد. البته دمای سطح زمین به فعّالیت­های بشری نیز مرتبط است. با توجه به اثرات تغییرات کاربری اراضی در منطقه­ی مورد مطالعه به ‌ویژه شهرنشینی، ایجاد راه‌های ارتباطی و فرسایش خاک در این منطقه، می­توان پیش­بینی نمود که دمای سطح زمین در منطقه­ی مورد مطالعه در آینده افزایش خواهد یافت، کاملاً مشهود است که تغییرات در کاربری/ پوشش اراضی (LULC) منجر به تغییرات در دمای سطح زمین (LST) خواهد شد. علاوه بر این، تغییرات در LULC بر تغییرات در تنوع زیستی، میزان بهره­وری واقعی و بالقوه، کیفیت خاک، رواناب و میزان رسوب تأثیرگذار است. در تحقیقات آتی توجه به مدل‌سازی تغییرات کاربری زمین در خصوص فاکتورهای اقلیمی دیگر و آشکارسازی تغییرات با انواع تصاویر دیـگر می‌تواند تا حدی عدم قطعیت‌ها را به منظور پشتیبانی از تصمیمات مدیریتی کاهش دهد. همچنین، مدل‌سازی و آشکارسازی میزان آثار تغییر اقلیم در منطقه­ی مورد مطالعه و در عناصر مرتبط با تالاب، از جمله میزان بودجه­ی برفی، آبدهی چشمه‌ها و سایر اکوسیستم‌های مرتبط با تالاب می‌تواند دربرنامه‌ریزی کاهش آثار این پدیده روی تالاب کمک کند. نتایج به‌ دست آمده به‌ طور بالقوه برای کاربردهای مختلف، از جمله اقلیم­شناسی، هیدرولوژی، اکولوژی، زمین­شناسی، طراحی و بهبود شبکه­ی حمل و نقل و کشاورزی بسیار مفید است.




[1]- Land Surface Temperature

1- Srivastava et al.,

[3]- Opoku

[4]- Bastiaanssen et al.,

[5]- Farah

[6]- Cover/Land use

[7]- Lambin and Ehrlich

[8]- Landsat

[9]- Pre-processing

[10]- Processing

[11]- Pos-tprocessing

[12]- Nearest Neighbor

[13]- Root Mean Square Error

[14]- Log residuals

[15]- Support Vector Machine (SVM)

[16]- Hyper-plane

[17]- Support Vector

[18]- Petropoulos et al.,

[19]- Kavzoglu and Colkesen

[20]- Keuchel  et al.,

[21]- Knorn et al.,

[22]- Penalty Parameter

[23]- pyramid

[24]- Spectral radiance

[25]- Richard et al.,

[26]- Reflectivity

[27]- Reflected Radiant Energy

[28]- Allen et al.,

[29]- Header file

[30]- Duffie and Beckman

[31]- Surface Albedo

[32]- Surface emissivity

[33]- Leaf Area Index

[34]- Dissolve

[35]- Polygon to raster

[36]- Reclassify

[37]- Corrected Thermal Radiance

[38]- Wukelic et al.,

[39]- Surface Temperataure

[40]- Stefan Boltzman Law

[41]- Anderson et al.,

منابع
ـ دانش­کارآراسته، پیمان؛ تجریشی، مسعود و بهرام ثقفیان (1390)، تعیین دمای سطح با استفاده از فناوری سنجش از دور در منطقه­ی سیستان، مجله­ی مهندسی و مدیریت آبخیز، شماره­ی 3، صص 77-67.
ـ رضایی‌بنفشه، مجید؛ جهانبخش، سعید و خلیل ولیزاده‌کامران (1392)، برآورد تبخیر- تعرق واقعی در حوضه­ی سفیدرود با استفاده از پردازش تصاویر ماهواره­ای، مجله­ی فضای جغرافیایی اهر، شماره­ی 13 (44)، صص 262-241.
- کاویانی، عباس؛ سهرابی، تیمور؛ دانش‌کار آراسته، پیمان (1392)، تخمین دمای سطح زمین با استفاده از شاخص اختلاف نرمال شده (NDVI) در تصاویر سنجنده­های MODIS و Landsat ETM+، مجله­ی هواشناسی کشاورزی، شماره­ی 1 (1)، صص 21 -10.
- ملک‌پور، پیمان؛ طالعی، محمد؛ رضائی، یوسف و مهدی خوش‌گفتار (1389)، بررسی درجه حرارت سطح زمین و ارتباط آن با کلاس­های پوشش- کاربری زمین شهری با استفاده از داده­ی سنجنده ETM+، مطالعه­ی موردی شهر تهران، همایش ملی ژئوماتیک 1389، اردیبهشت 1389، سازمان نقشه­برداری کشور.
-Ahmad, M.D., Biggs, T., Turral, H., Scott, C.A. (2006), Application of SEBALApproach and MODIS Time-Series to Map Vegetation Water Use Patterns in the Data Scarce Krishna River Basin of India, Journal of Water Science & Technology, Vol. 53(10), PP. 83–90.
-Alavipanah, S.K., Saradjian, M., Savaghebi, G.h.R., Komaki, Ch.B., Moghimi, E., Karimpour Reyhan, M. (2007), Land Surface Temperature in the Yardang Region of Lut Desert (Iran) Based on Field Measurements and Landsat Thermal Data, Journal of Agricultural Science and Technology (JAST), Vol. 9, PP. 287–303.
-Bastiaanssen, W.G.M., Noordman, E.J.M., Pelgrum, H., Davids, G.,
 -Correia, A.M., Souza, W.M., Silva, R.F., Albuquerque, F.J.A., Freitas, R.M. (2014), Use of Satellite Images Landsat 5 TM in Identification of Islands of Heat in the City of Recife-PE, Journal of Hyperspectral Remote Sensing, Vol. 4(2). PP. 45- 53.
-Feizizadeh, B., Blaschke, T., Nazmfar, H., Akbari, E., Kohbanani, H.R. (2012), Monitoring Land Surface Temperature Relationship to Land Use/Land Cover from Satellite Imagery in Maraqeh County, Journal of Environmental Planning and Management, Vol. 56(9), PP. 1290-1315.
-Feldhake, C.M., Glenn, D.M., Peterson, D.L. (1996), Pasture Soil Surface Temperature Response to Drought, Agronomy Journal, Vol. 88(4), PP.652-656.
-Herb, W.R., Janke, B., Mohseni, O., Stefan, H.G. (2008), Ground Surface Temperature Simulation for Different Land Covers, Journal of Hydrology, Vol. 356, PP. 327-343.
-Huang, C., Davis, L.S., Townshend, J.R.G. (2002), An Assessment of Support Vector Machines for Land Cover Classification, Int. J. Remote Sens., Vol. 23, PP. 725-749.
-Karnieli, A., Agam, N., Pinker, R. T., Anderson, M., Imhoff, M. L., Gutman, G. G., Panov, N. and Goldberg, A. (2010), Use of NDVI and Land Surface Temperature for Drought Assessment: Merits and Limitations, Journal of Climate, Vol. 23, PP. 618-633.
-Kavzoglu, T. Colkesen I. (2009), A Kernel Functions Analysis for Support Vector Machines for Land Cover Classification, Int. J. Appl. Earth Obs, Vol. 11, PP. 352-359.
-Keuchel, J., Naumann, S., Heiler, M., Siegmund, A. (2003), Automatic Land Cover Analysis for Tenerife by Supervised Classification Using Remotely Sensed Data, Remote Sens, Environ., Vol. 86, PP. 53-541.
-Knorn, J., Rabe, A., Radeloff, V. C., Kuemmerle, T., Kozak, J., Horstert, P. (2009), Land Cover Mapping of Large Areas Using Chain Classification of Neighboring Landsat satellite images, Remote Sens, Environ., Vol. 113, PP. 957-964.
-Mallick,  J., Kant, Y.,  Bharath B.D. (2008), Estimation of Land Surface Temperature over Delhi Using Landsat-7 ETM+, Journal of the Indian Geography Union, Vol. 12(3), PP. 131-140.
-Nduati, E.W., Mundia, C.N., Ngigi, M.M. (2013), Effects of Vegetation Change and Land Use/ Land Cover Change on Land Surface Temperature in the Mara Ecosystem, International Journal of Science and Research (IJSR), India Online, Vol. 8(2), PP. 22-28.
-Opoku-Duah, S., Donoghue, D.N.M., Burt, T.P. (2008), Intercomparison of Evapotranspiration over the Savannah Volta Basin in West Africa Using Remote Sensing Data, Sensors, Vol. 8 (4), PP. 2736-2761.
-Petropoulos, G.P., Kontoes, C. Keramitsoglou, I. (2011), Burnt Area Delineation from a Uni-Temporal Perspective Based on Landsat TM Imagery Classification Using Support Vector Machines, International Journal of Applied Earth Observation and
-Srivastava, P.K., Majumdar, T.J., Bhattacharya, A.K. (2009), Surface Temperature Estimation in Singhbhum Shear Zone of India using Landsat-7 ETM+ Thermal Infrared Data, Advances in Space Research, Vol. 4, PP. 1563-1574.
-Wan, Z., Zhang, Y., Zhang, Q. Li, Z.L. (2002), Validation of the Land-Surface Temperature Products Retrieved from Terra Moderate Resolution Imaging Spectroradiometer Data, Remote Sensing of Environment, Vol.83, PP.163-180.
-Weng, Q., Liu, H., Lu, D. (2007), Assessingthe Effects of Land Use and Land CoverPatterns on Thermal Conditions UsingLandscape Metrics in City of Indianapolis, United States, Urban Ecosyst, Vol. 10, PP. 203-219.
-Zhang, Q., Ban, Y. (2011), Evaluation of Urban Expansion and its Impact on Surface Temperature in Beijing, China, Joint Urban Remote Sensing Event Munich, Germany, 11-13 April, PP.