ایجاد رابط کاربر‌گرافیکی جهت محاسبه خودکار دمای‌سطح زمین و استفاده از نتایج در ارزیابی تغییرات دمایی کاربری‌های اراضی شهرستان اردبیل
الموضوعات :حسین فکرت 1 , صیاد اصغری سراسکانرود 2 , سید کاظم علوی پناه 3
1 - کارشناسی ارشد سنجش از‌دور و GIS، دانشکده ادبیات و علوم‌انسانی، دانشگاه محقق اردبیلی، اردبیل، ایران
2 - دانشیار گروه جغرافیای طبیعی، دانشکده ادبیات و علوم‌انسانی، دانشگاه محقق اردبیلی، اردبیل، ایران
3 - استاد گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
الکلمات المفتاحية: اردبیل, تک‌کانال, رابط کاربر‌گرافیکی (GUI), دمای سطح زمین, جنگل تصادفی,
ملخص المقالة :
پیشینه و هدف دمای سطح زمین (LST) یک شاخص حیاتی برای مطالعه تغییرات محیطی، شرایط هیدرولوژیکی و بیلان انرژی زمین محسوب می‌شود که با استفاده از آن می‌توان روی تغییرات حرارتی شهرها نیز نظارت کرد. کمبود ایستگاه‌های هواشناسی در اکثر مناطق کشور از جمله منطقه مورد مطالعه محدودیت های اطلاعاتی در زمینه داده های دمای سطح زمین ایجاد کرده است. همچنین طیف وسیعی از کاربران غیر سنجش از دوری وجود دارند که به نقشه‌های دمای سطح زمین نیاز دارند و اغلب آنها آشنایی کافی با نرم‌افزارهای محاسبه کنندۀ LST ندارند و به ناچار مجبورند زمان زیادی را صرف کنند تا نقشه‌های مورد نظر خود را تهیه کنند. این فرآیند حتی برای متخصصان سنجش از دور نیز در صورت بالا بودن تعداد تصاویر، زمان‌بر خواهد بود.استفاده از داده های معتبر جهت اعتبارسنجی که از لحاظ زمانی کمترین اخلاف را با زمان عبور ماهواره داشته باشد، اهمیت زیادی در برآورد دقت نتایج دارد. با بررسی تحقیقات داخلی مشابه با موضوع مورد مطالعه اکثر پژوهش‌های داخلی برای اعتبارسنجی نتایج تنها از داده‌های ایستگاه هواشناسی استفاده کردند که زمان ثبت داده در این ایستگاه‌ها با زمان عبور ماهواره متفاوت است. در این پژوهش به دلیل وسعت زیاد منطقه مورد مطالعه و کافی نبودن تعداد ایستگاه‌های هواشناسی، علاوه بر داده های دمای سطح اندازه گیری شده در ایستگاه‌های سینوپتیک، دمای سطح زمین در دو ایستگاه زمینی نیز همزمان با عبور ماهواره ثبت گردید. ایجاد رابط کاربر گرافیکی (GUI) جهت محاسبه خودکار دمای سطح شهرستان اردبیل با دو الگوریتم تک‌کانال و RTE و از نتایج در ارزیابی تغییرات دمایی کاربری‌های اراضی منطقه استفاده شد.مواد و روش ها جهت محاسبه خودکار دمای سطح زمین شهرستان اردبیل از سه نوع داده تصاویر ماهواره‌های لندست 5 و 8، داده‌های دمای سطح ثبت شده در محل دو ایستگاه هواشناسی موجود در محدوده مورد مطالعه و همچنین به‌دلیل کافی نبودن تعداد ایستگاه های هواشناسی از داده های دمای سطح اندازه گیری شده با دماسنج های دیجیتالی همزمان با عبور ماهواره نیز استفاده شد. پس از آماده‌سازی تصاویر حرارتی و چند طیفی، ابتدا جهت مدل‌سازی میزان انتقال پذیری اتمسفر از از نرم افزار محاسبه گر تحت‌وب MODTRAN استفاده و ضرایب اتمسفری استخراج گردید. سپس برای ایجاد رابط ه ای کاربر گرافیکی و محاسبه خودکار LST، دمای سطح زمین با دو الگوریتم تک کانال و روش RTE با تصاویر ماهواره لندست 5 و لندست 8 برای دو تاریخ 31/07/2000 و 21/08/2019 در محیط نرم‌افزار متلب کد نویسی شد و با استفاده از این کدها رابط ه ای کاربر گرافیکی برای هر الگوریتم ایجاد و در نهایت اپلیکیشن محاسبه گر خودکار دمای سطح زمین تولید گردید. همچنین نقشه کاربری اراضی شهرستان اردبیل برای هر دو تاریخ مذکور با استفاده از الگوریتم جنگل تصادفی در محیط سامانه گوگل ارث انجین با 7 کلاس طبقه بندی و استخراج گردید. این الگوریتم به دلیل ساختار سلسله مراتبی که در انتخاب هر پیکسل به طبقه مناسب دارد در مقایسه با روش های سنتی مثل حداکثر احتمال عملکرد بسیار بهتری دارد. جهت اعتبار سنجی نقشه های دمای سطح از دو نوع داده دمای سطح ثبت شده در دو ایستگاه هواشناسی و دمای سطح ثبت شده توسط دماسنج دیجیتالی که همزمان با عبور ماهواره در دو نقطه از محیط همگن غیرشهری با کاربری کشاورزی و بایر که محصول آن برداشت شده بود، استفاده شد. برای ارزیابی دقت نقشه های کاربری اراضی نیز با استفاده از Google Earth که توان تفکیک مکانی بهتری نسبت به تصویر مورد استفاده دارد، 248 نقطه کنترل زمینی از پیکسل های خالص کاربری های مختلف اخذ گردید و در فرآیند اعتبارسنجی بکار گرفته شد. همچنین پارامترهای آماری مانند ماتریس خطا، دقت کلی و ضریب کاپا روی خروجی هر دو نقشه کاربری اراضی اعمال شد.نتایج و بحث با استفاده از کدهای نوشته شده در محیط نرم افزار متلب رابط ه ای کاربر گرافیکی (GUI) ایجاد و سپس اپلیکیشن محاسبه گر خودکار دمای سطح زمین تولید گردید. خروجی اپلیکیشن نقشه های دمای سطح زمین با الگوریتم های تک کانال و معادله انتقال تابشی (RTE) بود که برای تاریخ 2000/07/31 با استفاده از تصویر حرارتی (باند 6) سنجنده TM ماهواره لندست 5 و تاریخ 2019/08/21 بوسیله باند 10 سنجنده TIRS ماهواره لندست 8 ایجاد گردید. پس از مقایسه نقشه های خروجی با داده های ایستگاه هواشناسی و ایستگاه زمینی، نتایج نشان داد که روش تک کانال در هر دو سال نسبت به ایستگاه ها کمترین اخلاف دما را داشته است. پس از تهیه نقشه های دمای سطح و انتخاب الگوریتم بهینه (تک کانال) نقشه های کاربری اراضی شهرستان اردبیل با استفاده از الگوریتم جنگل تصادفی در محیط GEE تهیه گردید. ارزیابی های آماری نتایج طبقه بندی نشان داد که برای سال 2000 بیشترین تداخل پیکسلی مربوط به کلاس مرتع متوسط و فقیر بوده است که با کلاس های مسکونی و کشاورزی دیم جابه جایی 16 پیکسلی دارد. با توجه به بهبود توان تفکیک مکانی ماهواره لندست 8 نسبت به لندست 5 و به دنبال آن تفکیک بهتر کلاس ها، این جابه‌جایی پیکسلی در نقشه کاربری سال 2019 مقدار کمتری را نشان می‌دهد. به گونه ای که بیشترین خطا مربوط به کلاس کشاورزی آبی بوده که جابه جایی 10 پیکسلی با کلاس‌های مرتع غنی و کشاورزی دیم داشته است. در نهایت با استفاده از نقشه دمای سطح و نقشه کاربری اراضی، تغییرات دمایی کاربری ها در بازه زمانی 19 ساله مورد ارزیابی قرار گرفت. با واردسازی تصاویر ورودی و پارامترهای اتمسفری در اپلیکیشن دمای سطح زمین را با دو الگوریتم تک‌کانال و روش RTE محاسبه گردید. ارزیابی نقشه‌های خروجی با داده‌های هواشناسی و زمینی نشان داد که الگوریتم تک‌کانال با اختلاف 2.5+ و 2- با ایستگاه‌های 1 و 2 برای سال 2000 و با اختلاف دمای 1.3+، 0.9+، 1- و 0.9- به ترتیب با ایستگاه‌های 1، 2، 3 و 4 در سال 2019 دقت بالاتر نسبت به روش RTE داشته است. همچنین نتایج اعتبارسنجی نقشه‌های کاربری اراضی نیز نشان از دقت کلی 95/0 و ضریب کاپای 94/0 براس سال 2000 و دقت کلی 0.96 و ضریب کاپای 0.95 برای سال 2019 داشته است. ارزیابی روابط بین دمای سطح و نقشه‌های کاربری اراضی نشان داد که برخلاف رشد فیزیکی قابل توجه بخش شهری در بازه زمانی 19 ساله، بجز کاربری مناطق مسکونی، همه کاربری‌ها در سال 2019 نسبت به سال 2000 با افزایش دمای متوسط سطح روبه‌رو بوده‌اند.نتیجه‌گیری نتایج تحقیق نشان داد که عواملی مانند گسترش زمین ه ای کشاورزی با کشت آبی اطراف بخش شهری تا شعاع 10 کیلومتری و درهم تنیدگی این مزارع با بخش شهری، تاثیر زیادی در تعدیل دمای بخش شهری محدوده شده است. این اراضی در سال 2000 عمدتاً زیر کشت محصولات دیمی بودند و با حل مشکل آب (حفر چاه های عمیق و پروژه های انتقال آب) تبدیل به باغات و مزارع کشت آبی مثل سیب زمینی شدند. این محصولات به دلیل نیاز آبی بالا دارای سبزینگی بالایی نیز هستند و این عامل خود باعث بالا رفتن میزان تبخیر و تعرق و به دنبال آن خنکی محدوده کشت و بخش شهری شده است. از بین سایر کلاس ها نیز در هر دو سال کاربری آب کمترین و کاربری اراضی بایر بیشترین مقدار متوسط دمای سطح را داشته است. اپلیکیشن تولید شده امکان اجرا روی هر سیستم عاملی که از فرمت exe پشتیبانی می کند را دارد و کاربر می تواند با تعیین پارامترهای اتمسفری دمای سطح زمین را به صورت خودکار برآورد کند. همچنین این برنامه کاربردی قابلیت به کارگیری در بخش های مختلف مانند سامانه های کشاورزی، اقلیمی و مدیریت منابع آب را نیز دارد.
Ahmadi B, Ghorbani A, Safarrad T, Sobhani B. 2015. Evaluation of surface temperature in relation to land use/cover using remote sensing data. Journal of RS and GIS for Natural Resources, 6(1): 61-77. (In Persian).
Aik How Jin D, Ismail MH, Muharam FM. 2020. Land use/land cover changes and the relationship with land surface temperature using Landsat and MODIS imageries in Cameron Highlands, Malaysia. Land, 9(10): 372. doi:https://doi.org/10.3390/land9100372.
Asghari S, Emami H. 2018. Monitoring the land surface temperature and examining the relationship between land use and land surface temperature using from OLI and ETM+ sensor images,(Case study: Ardabil city). Journal of Geographical Sciences, 19(53): 195-215. (In Persian).
Avdan U, Jovanovska G. 2016. Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data. Journal of sensors, 2016(2): 1-8. doi:https://doi.org/doi.org/10.1155/2016/1480307.
Barsi JA, Barker JL, Schott JR. 2003. An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument. In: IGARSS 2003. 2003 IEEE International Geoscience and Remote Sensing Symposium. Proceedings (IEEE Cat. No. 03CH37477). IEEE, pp 3014-3016. https://doi.org/doi.org/3010.1109/IGARSS.2003.1294665.
Bernstein LS, Adler-Golden SM, Sundberg RL, Levine RY, Perkins TC, Berk A, Ratkowski AJ, Felde G, Hoke ML. 2005. Validation of the QUick atmospheric correction (QUAC) algorithm for VNIR-SWIR multi-and hyperspectral imagery. In: Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XI. SPIE, pp 668-678. https://doi.org/610.1117/1112.603359.
Breiman L. 2001. Random forests. Machine learning, 45(1): 5-32.
Fekrat H, Asghari Saraskanrood S, Alavipanah SK. 2020. Estimation of Ardabil land surface temperature using Landsat images and accuracy assessment of land surface temperature estimation methods with ground truth data. Journal of RS and GIS for Natural Resources, 11(4): 114-136. doi:https://dorl.net/dor/20.1001.1.26767082.1399.11.4.6.6. (In Persian).
Foody GM. 2002. Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1): 185-201. doi:https://doi.org/10.1016/S0034-4257(01)00295-4.
Hu W, Zhou W, He H. 2015. The effect of land-use intensity on surface temperature in the Dongting Lake Area, China. Advances in Meteorology, 2015. doi:https://doi.org/10.1155/2015/632151.
Isaya Ndossi M, Avdan U. 2016. Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin. Remote sensing, 8(5): 413. doi:https://doi.org/10.3390/rs8050413.
Jenson PJ, Power CH, Keating J. 2013. Introductory remote sensing: Principles and concepts. Routledge, 216 p. https://doi.org/10.4324/9780203714522.
Jiménez‐Muñoz JC, Sobrino JA. 2003. A generalized single‐channel method for retrieving land surface temperature from remote sensing data. Journal of geophysical research: atmospheres, 108(D22). doi:https://doi.org/10.1029/2003JD003480.
Martinez WL, Martinez AR. 2001. Computational statistics handbook with MATLAB. Chapman and Hall/CRC, 616 p. https://doi.org/10.1201/9781420035636.
Matkan AA, Nohegar A, Mirbagheri B, Torkchin N. 2014. Assessment relations of land use in heat islands using time series ASTER sensor data (Case study: Bandar Abbas city). Journal of RS and GIS for Natural Resources, 5(4): 1-14.
Naughton J, McDonald W. 2019. Evaluating the variability of urban land surface temperatures using drone observations. Remote Sensing, 11(14): 1722. doi:https://doi.org/10.3390/rs11141722.
Nurwanda A, Honjo T. 2018. Analysis of land use change and expansion of surface urban heat island in Bogor City by remote sensing. ISPRS International Journal of Geo-Information, 7(5): 165. doi:https://doi.org/10.3390/ijgi7050165.
Parastatidis D, Mitraka Z, Chrysoulakis N, Abrams M. 2017. Online global land surface temperature estimation from Landsat. Remote Sensing, 9(12): 1208. doi:https://doi.org/10.3390/rs9121208.
Sahana M, Dutta S, Sajjad H. 2019. Assessing land transformation and its relation with land surface temperature in Mumbai city, India using geospatial techniques. International Journal of Urban Sciences, 23(2): 205-225. doi:https://doi.org/10.1080/12265934.2018.1488604.
Santos-García V, Cuxart J, Martínez-Villagrasa D, Jiménez MA, Simó G. 2018. Comparison of three methods for estimating land surface temperature from landsat 8-tirs sensor data. Remote Sensing, 10(9): 1450. doi:https://doi.org/10.3390/rs10091450.
Sinha S, Pandey PC, Sharma LK, Nathawat MS, Kumar P, Kanga S. 2014. Remote estimation of land surface temperature for different LULC features of a moist deciduous tropical forest region. In: Remote sensing applications in environmental research. Springer., pp 57-68. https://doi.org/10.1007/1978-1003-1319-05906-05908_05904.
Stephens GL, L'Ecuyer T. 2015. The Earth's energy balance. Atmospheric Research, 166: 195-203. doi:https://doi.org/10.1016/j.atmosres.2015.06.024.
Young NE, Anderson RS, Chignell SM, Vorster AG, Lawrence R, Evangelista PH. 2017. A survival guide to Landsat preprocessing. Ecology, 98(4): 920-932. doi:https://doi.org/10.1002/ecy.1730.
Zhang F, Tiyip T, Kung H, Johnson VC, Maimaitiyiming M, Zhou M, Wang J. 2016. Dynamics of land surface temperature (LST) in response to land use and land cover (LULC) changes in the Weigan and Kuqa river oasis, Xinjiang, China. Arabian Journal of Geosciences, 9(7): 499. doi:https://doi.org/10.1007/s12517-016-2521-8.
Zhang J, Wang Y, Li Y. 2006. A C++ program for retrieving land surface temperature from the data of Landsat TM/ETM+ band6. Computers & Geosciences, 32(10): 1796-1805. doi:https://doi.org/10.1016/j.cageo.2006.05.001.
_||_Ahmadi B, Ghorbani A, Safarrad T, Sobhani B. 2015. Evaluation of surface temperature in relation to land use/cover using remote sensing data. Journal of RS and GIS for Natural Resources, 6(1): 61-77. (In Persian).
Aik How Jin D, Ismail MH, Muharam FM. 2020. Land use/land cover changes and the relationship with land surface temperature using Landsat and MODIS imageries in Cameron Highlands, Malaysia. Land, 9(10): 372. doi:https://doi.org/10.3390/land9100372.
Asghari S, Emami H. 2018. Monitoring the land surface temperature and examining the relationship between land use and land surface temperature using from OLI and ETM+ sensor images,(Case study: Ardabil city). Journal of Geographical Sciences, 19(53): 195-215. (In Persian).
Avdan U, Jovanovska G. 2016. Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data. Journal of sensors, 2016(2): 1-8. doi:https://doi.org/doi.org/10.1155/2016/1480307.
Barsi JA, Barker JL, Schott JR. 2003. An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument. In: IGARSS 2003. 2003 IEEE International Geoscience and Remote Sensing Symposium. Proceedings (IEEE Cat. No. 03CH37477). IEEE, pp 3014-3016. https://doi.org/doi.org/3010.1109/IGARSS.2003.1294665.
Bernstein LS, Adler-Golden SM, Sundberg RL, Levine RY, Perkins TC, Berk A, Ratkowski AJ, Felde G, Hoke ML. 2005. Validation of the QUick atmospheric correction (QUAC) algorithm for VNIR-SWIR multi-and hyperspectral imagery. In: Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XI. SPIE, pp 668-678. https://doi.org/610.1117/1112.603359.
Breiman L. 2001. Random forests. Machine learning, 45(1): 5-32.
Fekrat H, Asghari Saraskanrood S, Alavipanah SK. 2020. Estimation of Ardabil land surface temperature using Landsat images and accuracy assessment of land surface temperature estimation methods with ground truth data. Journal of RS and GIS for Natural Resources, 11(4): 114-136. doi:https://dorl.net/dor/20.1001.1.26767082.1399.11.4.6.6. (In Persian).
Foody GM. 2002. Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1): 185-201. doi:https://doi.org/10.1016/S0034-4257(01)00295-4.
Hu W, Zhou W, He H. 2015. The effect of land-use intensity on surface temperature in the Dongting Lake Area, China. Advances in Meteorology, 2015. doi:https://doi.org/10.1155/2015/632151.
Isaya Ndossi M, Avdan U. 2016. Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin. Remote sensing, 8(5): 413. doi:https://doi.org/10.3390/rs8050413.
Jenson PJ, Power CH, Keating J. 2013. Introductory remote sensing: Principles and concepts. Routledge, 216 p. https://doi.org/10.4324/9780203714522.
Jiménez‐Muñoz JC, Sobrino JA. 2003. A generalized single‐channel method for retrieving land surface temperature from remote sensing data. Journal of geophysical research: atmospheres, 108(D22). doi:https://doi.org/10.1029/2003JD003480.
Martinez WL, Martinez AR. 2001. Computational statistics handbook with MATLAB. Chapman and Hall/CRC, 616 p. https://doi.org/10.1201/9781420035636.
Matkan AA, Nohegar A, Mirbagheri B, Torkchin N. 2014. Assessment relations of land use in heat islands using time series ASTER sensor data (Case study: Bandar Abbas city). Journal of RS and GIS for Natural Resources, 5(4): 1-14.
Naughton J, McDonald W. 2019. Evaluating the variability of urban land surface temperatures using drone observations. Remote Sensing, 11(14): 1722. doi:https://doi.org/10.3390/rs11141722.
Nurwanda A, Honjo T. 2018. Analysis of land use change and expansion of surface urban heat island in Bogor City by remote sensing. ISPRS International Journal of Geo-Information, 7(5): 165. doi:https://doi.org/10.3390/ijgi7050165.
Parastatidis D, Mitraka Z, Chrysoulakis N, Abrams M. 2017. Online global land surface temperature estimation from Landsat. Remote Sensing, 9(12): 1208. doi:https://doi.org/10.3390/rs9121208.
Sahana M, Dutta S, Sajjad H. 2019. Assessing land transformation and its relation with land surface temperature in Mumbai city, India using geospatial techniques. International Journal of Urban Sciences, 23(2): 205-225. doi:https://doi.org/10.1080/12265934.2018.1488604.
Santos-García V, Cuxart J, Martínez-Villagrasa D, Jiménez MA, Simó G. 2018. Comparison of three methods for estimating land surface temperature from landsat 8-tirs sensor data. Remote Sensing, 10(9): 1450. doi:https://doi.org/10.3390/rs10091450.
Sinha S, Pandey PC, Sharma LK, Nathawat MS, Kumar P, Kanga S. 2014. Remote estimation of land surface temperature for different LULC features of a moist deciduous tropical forest region. In: Remote sensing applications in environmental research. Springer., pp 57-68. https://doi.org/10.1007/1978-1003-1319-05906-05908_05904.
Stephens GL, L'Ecuyer T. 2015. The Earth's energy balance. Atmospheric Research, 166: 195-203. doi:https://doi.org/10.1016/j.atmosres.2015.06.024.
Young NE, Anderson RS, Chignell SM, Vorster AG, Lawrence R, Evangelista PH. 2017. A survival guide to Landsat preprocessing. Ecology, 98(4): 920-932. doi:https://doi.org/10.1002/ecy.1730.
Zhang F, Tiyip T, Kung H, Johnson VC, Maimaitiyiming M, Zhou M, Wang J. 2016. Dynamics of land surface temperature (LST) in response to land use and land cover (LULC) changes in the Weigan and Kuqa river oasis, Xinjiang, China. Arabian Journal of Geosciences, 9(7): 499. doi:https://doi.org/10.1007/s12517-016-2521-8.
Zhang J, Wang Y, Li Y. 2006. A C++ program for retrieving land surface temperature from the data of Landsat TM/ETM+ band6. Computers & Geosciences, 32(10): 1796-1805. doi:https://doi.org/10.1016/j.cageo.2006.05.001.
