ایجاد رابط کاربر‌گرافیکی جهت محاسبه خودکار دمای‌سطح زمین و استفاده از نتایج در ارزیابی تغییرات دمایی کاربری‌های اراضی شهرستان اردبیل

محورهای موضوعی : توسعه سیستم های مکانی

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

تاریخ دریافت : 1400/05/04 تاریخ پذیرش : 1400/07/04 تاریخ انتشار : 1401/07/01

کلید واژه: اردبیل, تک‌کانال, رابط کاربر‌گرافیکی (GUI), دمای ‌سطح زمین, جنگل تصادفی,

چکیده مقاله :

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.

چکیده انگلیسی:

Background and Objective Land surface temperature is a vital indicator for studying environmental changes, hydrological conditions and the energy balance of the earth, which can also be used to monitor the temperature changes of cities. The lack of meteorological stations in most parts of the country, including the study area, has created information limitations in the field of surface temperature data. There are also a large number of non-remote sensing users who need LST maps, and most of them are not familiar enough with LST computing software and inevitably have to spend a lot of time mapping to prepare their maps. This process can be time-consuming even for remote sensing professionals if the number of images is high. The use of valid data for validation that has the least time difference with the satellite passes time is very important in estimating the accuracy of the results. By reviewing internal research similar to the one under study, most internal studies used only meteorological station data to validate the results, the data recording time at these stations is different from the satellite passes time. In this study, due to the large area of the study area and the insufficient number of meteorological stations, in addition to the surface temperature data measured in synoptic stations, the land surface temperature in two ground stations was recorded simultaneously with the satellite. Creating a graphical user interface (GUI) to automatically calculate the surface temperature of Ardabil city with two single-channel and RTE algorithms and use the results to evaluate the temperature changes of land usesMaterials and Methods In this study, in order to automatically calculate the land surface temperature of Ardabil city from three types of data: Landsat 5 and 8 satellite images, land surface temperature data recorded at two meteorological stations in the study area and also due to an insufficient number of stations Meteorological data land surface temperature data measured with digital thermometers are also used as the satellite passes. After preparing thermal and multispectral images, first MODTRAN web computing software was used to model the atmospheric transferability and atmospheric coefficients were extracted. Then, to create graphical user interfaces and automatic calculation of LST, land surface temperature with two algorithms single-channel and RTE method with Landsat 5 and Landsat 8 satellite images for two dates: 31/07/2000 and 21/08/2019 in MATLAB software were coded and using these codes, graphical user interfaces were created for each algorithm and finally, an automatic land surface temperature calculator application was produced. Also, the land use map of Ardabil city for both mentioned dates was classified and extracted using a random forest algorithm in the Google Earth engine system environment with 7 classes. This algorithm has a much better performance compared to traditional methods such as maximum likelihood due to its hierarchical structure in selecting each pixel to the appropriate class. To validate surface temperature maps from two types of surface temperature data recorded in two meteorological stations and surface temperature recorded by a digital thermometer that simultaneously passes the satellite in two points of the homogeneous non-urban environment with agricultural use (alfalfa) and Bayer that product It was harvested, used. To evaluate the accuracy of land use maps, using Google Earth, which has a better spatial resolution than the image used, 248 ground control points were obtained from pure pixels of different land uses and used in the validation process. Also, statistical parameters such as error matrix, overall accuracy and kappa coefficient were applied to the output of both land use maps.Results and Discussion Using the codes written in MATLAB software, graphical user interfaces (GUI) were created and then the automatic LST calculator application was produced. The output of the application was surface temperature maps with single channel algorithms and radiation transfer equation (RTE) for 31/07/2000 using thermal image (band 6) of Landsat 5 satellite TM and 21/08 / 2019 was created by the 10 TIRS sensor band of Landsat 8 satellite. After comparing the output maps with the meteorological station and ground station data, the results showed that the single-channel method had the lowest temperature deviations compared to the stations in both years. After preparing LST maps and selecting the optimal algorithm (single channel), land use maps of Ardabil city were prepared using a random forest algorithm in the GEE platform. Statistical evaluations of the classification results showed that for 2000, the highest pixel interference was related to the middle and poor rangeland class, which has a 16-pixel displacement with residential and rainfed agricultural classes. Due to the improved spatial resolution of the Landsat 8 satellite compared to the Landsat 5, followed by better class separation, this pixel displacement in the 2019 user map shows a smaller value. The most common error was related to the aquaculture class, which had a displacement of 10 pixels with rich rangeland and rainfed agriculture classes. Finally, using the LST map and land use map, the temperature changes of the land uses over a period of 19 years were evaluated. By entering the input images and atmospheric parameters in the application, the land surface temperature was calculated with two one-channel algorithms and the RTE method. Evaluation of output maps with meteorological and terrestrial data showed that the single-channel algorithm with a difference of +2.5 and -2 with stations 1 and 2 for the year 2000 and with a temperature difference of +1.3, +0.9, -1 and -0.9 with stations 1, 2, 3 and 4 in 2019, respectively, had higher accuracy than the RTE method. Also, the results of validation of land use maps showed an overall accuracy of 0.95 and a kappa coefficient of 0.94 for 2000 and overall accuracy of 0.96 and a kappa coefficient of 0.95 for 2019.Conclusion Assessing the relationship between land surface temperature and land use maps showed that despite the significant physical growth of the urban sector over a period of 19 years, except for residential areas, all land uses in 2019 compared to 2000 with an increase in average surface temperature. It seems that factors such as the expansion of agricultural lands with irrigated cultivation around the urban area up to a radius of 10 km and the entanglement of these farms with the urban sector have a great impact on the temperature adjustment of the urban sector. In 2000, these lands were mainly under cultivation of rain-fed crops, and by solving the water problem (digging deep wells and water transfer projects), they became orchards and irrigated farms such as potatoes. Due to the high water requirement, these products also have high greenery, and this factor has increased the rate of evapotranspiration, followed by cooling of the cultivation area and the urban sector. Among other classes, in both years of water use, the lowest and the use of barren lands had the highest average surface temperature. The generated application can be run on any operating system that supports the exe format, and the user by specifying atmospheric parameters can automatically estimate the LST. This application can also be used in various sectors such as agricultural systems, and climate and water resources management.

منابع و مأخذ:

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.

متن کامل:



 

ایجاد رابط کاربر گرافیکی (GUI) جهت محاسبه خودکار دمای سطح زمین و استفاده از نتایج در ارزیابی تغییرات دمایی کاربری­های اراضی شهرستان اردبیل

 

چکیده

دمای سطح زمین یکی از مهمترین پارامترهای موثر در مطالعات جهانی است که می­تواند مبنای بسیاری از برنامه­ریزی­های کاربردی در زمینه­های مدیریت شهری و شاخه­های دیگر علوم محیطی باشد. هدف از این پژوهش ایجاد امکانی برای محاسبه خودکار دمای سطح زمین و سپس استفاده از نتایج آن در جهت ارزیابی تغییرات دمایی کاربری­های اراضی شهرستان اردبیل است. به این منظور ابتدا رابط­های کاربر گرافیکی برای هر الگوریتم ایجاد و در نهایت اپلیکیشن محاسبه­گر خودکار دمای سطح زمین تولید گردید. به­وسیله این اپلیکیشن دمای سطح زمین با دو الگوریتم تک­کانال و  RTEبا استفاده از تصاویر ماهواره لندست 5 و 8 برای دو تاریخ 31/07/2000 و 21/08/2019 محاسبه گردید. همچنین نقشه کاربری اراضی برای هر دو تاریخ مذکور با استفاده از الگوریتم جنگل تصادفی در محیط سامانه گوگل ارث انجین با 7 کلاس طبقه­بندی و استخراج شد. جهت اعتبارسنجی نقشه­های دمای سطح از دو نوع داده دمای سطح ثبت شده در ایستگاه­های هواشناسی و ایستگاه­های زمینی توسط دماسنج دیجیتالی همزمان با عبور ماهواره استفاده شد. مقایسه نتایج با داده ایستگاه­ها نشان داد که الگوریتم تک­کانال از دقت بالاتری نسبت به روش RTE برخوردار است. نتایج اعتبارسنجی نقشه­های کاربری اراضی نیز دقت کلی 95/0 و ضریب کاپای 94/0 برای سال 2000 و دقت کلی 96/0 و ضریب کاپای 95/0 برای سال 2019 را نشان می­دهد. همچنین 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. همچنین در هر دو سال کاربری آب کمترین و کاربری اراضی بایر بیشترین مقدار متوسط دمای سطح را داشته است. اپلیکیشن تولید شده قابلیت استفاده در بخش­های مختلف مانند سامانه­های کشاورزی، اقلیمی و مدیریت منابع آب ­را نیز دارد.

 

واژه­های کلیدی: LST، رابط کاربر گرافیکی (GUI)، تک­کانال، RTE، جنگل تصادفی، اردبیل.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه 

دمای سطح زمین یک شاخص حیاتی برای مطالعه تغییرات محیطی و بیلان انرژی زمین محسوب می­شود که با استفاده از آن می­توان روی تغییرات حرارتی شهرها نیز نظارت کرد (22). انسان به عنوان اصلی­ترین عامل برهم­زننده تعادل دمایی با فعالیت­های خود باعث کاهش پوشش گیاهی و ایجاد تغییرات محیطی اکوسیستم در مقیاس محلی، منطقه ای و جهانی شده است (19). این فعالیت­ها به دلیل تبدیل سطوح دارای پوشش گیاهی به سطوح غیرقابل نفوذ و فاقد پوشش گیاهی باعث تغییرات در میزان جذب تابش خورشید، افزایش دمای سطح، بالا رفتن سرعت تبخیر، ذخیره گرما و تغییر در جو نزدیک سطح زمین می­شود (24). فناوری سنجش از دور با استفاده از تصاویر ماهواره­ای می­تواند کمک شایانی برای مدیران و برنامه­ریزان شهری در جهت مطالعه شرایط دمایی و تغییرات کاربری در گذشته، ارزیابی روند حال و در نهایت پیش­بینی و مدیریت وضعیت آینده داشته باشد. در میان ماهواره­های متعدد سنجش از دوری، داده­های ماهواره سری لندست به­دلیل دسترسی راحت، پوشش وسیع، آرشیو غنی بیش از 50 ساله داده­های حرارتی و چندطیفی همواره مورد توجه پژوهشگران علوم زمین بوده است (8). تاكنون مطالعات متعددي در سطح ایران و جهان مشابه این پژوهش صورت گرفته است که به موضوعاتی مانند مقایسه الگوریتم­های برآورد LST، ارزیابی رابطه بین دمای سطح زمین و تغییرات کاربری اراضی و عوامل ایجاد جزایرحرارتی شهرها پرداخته شده است. در اغلب این مطالعات برای محاسبه دمای سطح زمین از نرم­افزارهای مختلف استفاده شده و به ندرت زبان برنامه نویسی در آنها بکار گرفته شده است. از جمله:

آیک و همکاران (2) در پژوهشی به ارزیابی رابطه­ی دمای سطح زمین و تغییرات کاربری اراضی منطقه کوهستانی کامرون در مالزی پرداختند. آنها علاوه بر تصاویر ماهواره­های لندست 7 و 8 با استفاده از سنجنده مادیس دمای سطح زمین را با الگوریتم پنجره مجزا استخراج کردند. نتایج کار آنها نشان داد که روند رشد شهرنشینی با مقدار 16/0 درصد برای هر سال باعث افزایش 2 درجه سانتی­گرادی دمای سطح زمین و ایجاد شرایط بحرانی ناشی از تغییرات گسترده­ی کاربری­ها از سال 2009 تا 2019 شده است. هو و همکاران (10) با استفاده از تصاویر ماهواره لندست 7 و سنجنده مادیس روابط بین تغییرات کاربری اراضی و تغییرات دمایی را مورد مطالعه قرار دادند. نتایج پژوهش آنها نشان داد که تغییرات گسترده کاربری­ها از سال 2001 تا 2011 باعث افزایش دما شده است. طی این تغییرات وسعت مناطق جنگلی و چمنزار کاهش و وسعت مناطق انسان­ساز افزایش پیدا است. ناگتون و مک دونالد (16) با استفاده از تصاویر حرارتی هوایی اقدام به شناسایی و ارزیابی عوامل تاثیرگذار بر دمای سطح زمین در مناطق شهری کردند. نتایج پژوهش آنها نشان داد که کاربری­های بسیار متنوعی در داخل محیط شهری با تنوع دمایی وجود دارند که متاثر از مواد تشکیل دهنده سطح، آب و هوا و هندسه شهری، دمای سطح شهر را جهت دهی می­کنند. متکان و همکاران (13) اثرات تغییرات کاربری و پوشش زمین را در ایجاد جزایر حرارتی شهر بندرعباس بررسی کردند. نتایج پژوهش نشان داد که مناطق صنعتی و زمین­های بایر دارای بیشترین دما و مناطق ساحلی بدلیل مجاورت با آب دریا و همچنین مناطق دارای پوشش گیاهی از کمترین دما برخوردار بوده­اند. فکرت و همکاران (8) دمای سطح زمین شهرستان اردبیل را با چهار روش تک­کانال، تک­پنجره بهبودیافته، تابع معکوس پلانک و معادله انتقال تابشی برآورد کردند. نتایج ارزیابی دقت الگوریتم­ها در پژوهش آنها نشان داد  که روش تک­کانال از بیشترین دقت نسبت به سایر روش­ها برخوردار  است.

از معدود مطالعات در این زمینه که از زبان برنامه نویسی استفاده کردند پژوهش ندوسی و اودان (15) است. آنها به­منظور ایجاد سهولت در فرآیند محاسبه دمای سطح زمین با الگوریتم­های مختلف افزونه­ای برای نرم­افزار QGIS با زبان پایتون (PyQGIS) ایجاد کردند که قابلیت تهیه نقشه­های LST با انواع الگوریتم­ها به­صورت خودکار برای سری ماهواره­های لندست را دارد. یا در پژوهشی دیگر اودان و جوانوفسکا (4) الگوریتمی داخل نرم­افزار ERDAS ایجاد کردند که به­وسیله آن نقشه­های دمای سطح زمین با ماهواره لندست 8 به­صورت خودکار برآورد می­شود. برای اعتبار سنجی نتایج الگوریتم نیز از داده­های دمای هوای نزدیک سطح استفاده کردند.

کمبود ایستگاه­های هواشناسی در اکثر مناطق کشور از جمله منطقه مورد مطالعه محدودیت­های اطلاعاتی در زمینه داده­های 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 کننده­ی 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. با توجه به مطالب ذکر شده هدف از این پژوهش در مرحله اول ایجاد برنامه کاربردی برای محاسبه خودکار دمای سطح زمین و سپس استفاده از نتایج این برنامه در ارزیابی تغییرات دمایی کاربری­های اراضی محدوده مورد مطالعه است. اپلیکیشن تولید شده در این پژوهش این امکان را به کاربر می­دهد که با استفاده از تصاویر ماهواره­ای دمای سطح زمین را در سریع­ترین زمان ممکن با الگوریتم­های مختلف برآورد کند. استفاده از داده­های 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 پژوهش­ها 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 به­دلیل وسعت زیاد منطقه مورد مطالعه و کافی نبودن تعداد ایستگاه­های هواشناسی و همچنین به­منظور همزمانی داده­های اعتبارسنجی با زمان عبور ماهواره، علاوه بر داده­های دمای سطح اندازه­گیری شده در ایستگاه­های سینوپتیک، دمای سطح زمین در دو ایستگاه زمینی نیز همزمان با عبور ماهواره ثبت گردید.

 

روش­ تحقیق 

منطقه مورد مطالعه

شهرستان اردبیل در محدوده جغرافیایی 37 درجه و 55 دقیقه و 60 ثانیه تا 38 درجه و 36 دقیقه و 27 ثانیه عرض شمالی و 48 درجه و 39 دقیقه و 20 ثانیه تا 47 درجه و 48 دقیقه و 21 ثانیه طول شرقی واقع شده است. این شهرستان با با جمعیتی بالغ بر 1270420 نفر و مساحت 7/2216 کیلومتر مربع بزرگترین شهرستان استان اردبیل محسوب می­شود. شرایط خاص منطقه از لحاظ تغییرات ارتفاعی و تعدد عوامل موثر بر اقلیم، باعث تنوع بالای محدوده مورد مطالعه از لحاظ شرایط اقلیمی شده است. برا اساس تقسیمات کوسن منطقه دارای چهار اقلیم مدیترانه­ای گرم، مدیترانه­ای معتدل، کوهستانی سرد و معتدل می­باشد (8). از جمله عوامل موثر محلی در آب و هوای شهرستان می­توان به شرایط کوهستانی و اختلاف ارتفاع و از عوامل موثر فرامحلی می­توان وجود دریای خزر، جریانات هوایی مدیترانه­اي، اروپاي شمالی و آسیاي مرکزي را نام برد (1) که عمدتاً نقش کاهنده درجه حرارت برای منطقه را دارند. موقعیت محدوده مورد مطالعه در شکل 1 و روند کلی مراحل انجام پژوهش در شکل 2 ارائه شده است.

 

 

شکل1. موقعیت منطقه مورد مطالعه

study area Fig 1. Location of the

 

 

 

شکل2. نمودار روند پژوهش

Flow chart of research methodology Fig 2.

 

 

انتخاب، آماده­سازي و پیش­پردازش تصاویر

 در این پژوهش از تصاویر دو ماهواره لندست 5 و لندست 8 با فاصله زمانی 19 ساله استفاده شد که مشخصات تصاویر در جدول 1 نمایش داده شده است. هر دو تصویر بدون ابر و از یک ماه (مرداد) انتخاب و فرایند پیش پردازش روی آنها اعمال گردید. تصاویر از داده­های سطح یک ماهواره لندست است که تصحیحات هندسی روی آنها توسط سازمان USGS صورت می­پذیرد (23). جهت تصحیح اتمسفری تصاویر چندطیفی برای تهیه نقشه­های کاربری اراضی از روش تصحیح اتمسفری سریع (QUAC) استفاده شده است. این روش که از سرعت پردازش بالایی برخوردار است، برای تعیین پارامترهای مورد نیاز خود بصورت مستقیم از اطلاعات موجود در طیف پیکسل­های مشاهده شده استفاده می­کند و نیاز به اطلاعات جانبی ندارد و می­تواند عمق نوری آئروسل را زمانی که پیکسل تاریک در دسترس نیست برآورد کند (6). جهت تهیه نقشه­های دمای سطح زمین نیز در فرآیند تبدیل ارزش­های رقومی پیکسل­ها به رادیانس باندهای حرارتی و همچنین تبدیل رادیانس به دمای روشنایی، تصحیح رادیومتریکی روی باند حرارتی صورت می­گیرد (19). همچنین برای مدلسازی انتشار و تابش اتمسفری و تخمین میزان انتقال­پذیری اتمسفر از پلتفرم تحت وب MODTRAN نسخه 6 استفاده شد. با استفاده از این سامانه پروفیل استاندارد اتمسفر از سطح زمین تا ارتفاع 100 کیلومتری شامل تابش­های رو به بالا و رو به پایین اتمسفری و ضریب ضخامت اتمسفر برای دو تاریخ 31/07/2000 ساعت 11:33 و 21/08/2019 ساعت 11:56 به وقت محلی مطابق با زمان عبور ماهواره تعیین گردید.

 

جدول1. مشخصات تصاویر ماهواره­ای استفاده شده

Table 1. Specifications of satellite images used

ماهواره	زمان اخذ تصویر (محلی)	تاریخ	ردیف	گذر
لندست 5 لندست 8	11:33:02 11:56:00	31/07/2000 21/08/2019	33 33	167 167

 

ایجاد رابط کاربر گرافیکی (GUI)

GUI یا رابط کاربر گرافیکی از جمله امکانات نرم افزار قدرتمند متلب است که امکان برقراری ارتباط به­صورت گرافیکی بین کاربر و نرم­افزار را فراهم می­کند. یکی از ویژگی­های مهم واسط­های گرافیکی در متلب، سهولت استفاده از توابع نوشته شده و یا به عبارتی سهولت اجرای یک پروژه است (14). در این پژوهش هر یک از مراحل محاسبه دمای سطح زمین (NDVI، گسیلمندی و الگوریتم­های LST) ابتدا در محیط نرم افزار متلب کد نویسی شد و سپس هر یک از توابع تبدیل به رابط­های کاربر گرافیکی شده و در نهایت  اپلیکیشن محاسبه­گر دمای سطح زمین تولید گردید.

 

محاسبه توان تشعشعی

در اپلیکیشن تولید شده امکان محاسبه توان تشعشعی به سه روش گسیلمندی بر مبنای NDVI، گسیلمندی براساس حدآستانه­گذاری NDVI و گسیلمندی با استفاده از شاخص FVC فراهم شده است. با توجه به این که روش گسیلمندی بر اساس شاخص NDVI از دقت بیشتری در نتایج برخوردار بود، در این پژوهش مورد استفاده قرار گرفت. در این روش توان تشعشعی هر پیکسل بر اساس طبقه­ای که به آن تعلق دارد تعیین می­شود. طبق پژوهش ژانگ و همکاران در صورتی که مقدار NDVI یک منطقه بدست آید، امکان تعیین مقادیر گسیلمندی نیز برای آن منطقه وجود دارد. به­این منظور ابتدا شاخص تفاضل نرمال شده پوشش گیاهی با استفاده از رابطه 1 محاسبه شد و سپس مقدار گسیلمندی هر پیکسل بر مبنای مقدار شاخص  NDVI آن پیکسل بر اساس جدول 2 محاسبه می­شود (25).

 

[1]                                                                                                                                               -                                                                           

 

جدول2. مقادیر گسیلمندی برا اساس ارزش NDVI

Table 2. Emissivity values based on the NDVI

LSE	NDVI
955/0 985/0 ln(NDVI)  × 047/0 + 009/1 990/0	NDVI< - 185/0 185/0-  ≤ NDVI > 157/0 727/0 ≥  NDVI ≥ 157/0 727/0 NDVI

 

الگوریتم­های برآورد دمای سطح زمین

جهت محاسبه دمای سطح زمین معادلات دو الگوریتم تک­کانال و روش RTE در اپلیکیشن کدنویسی شده است که کاربر با انتخاب هر یک از الگوریتم­ها، نقشه دمای سطح زمین با همان روش ایجاد می­شود. الگوریتم­ها با استفاده از روابط زیر محاسبه می­گردند:

 

روش تک­کانال

روش تک کانال برای اجرا نیاز به اطلاعات دقیق پروفیل اتمسفری از منطقه مورد مطالعه دارد و برای سنجنده­هایی که دارای یک باند حرارتی هستند مناسب است که از رابطه زیر حاصل می­شود (12):

 

[2]  

 

در رابطه 2، ε گسیلمندی و Lsensor  رادیانس حرارتی، γ گاما که با استفاده از رابطه 3 محاسبه شده است، δ برابر با دلتا که از رابطه 4 حاصل شده و 1ѱ، 2ѱ و 3ѱ پارامترهای تصحیح اتمسفری هستند و با اعمال آنها اثر اتمسفر روی خروجی­ها از بین رفته یا تا حد زیادی تعدیل می­شود (8) که با استفاده از معادله­های 5، 6 و 7 محاسبه شده است (12):

 

[3]                                                                                                                                          

 

 

 

 

 

[4]                                                                                                                                                        

[5]                                                                                                                                                    [6]                                                                                                                          [7]                                                                                                                                        

 

در رابطه 3، C1 و C2  ضرایب ثابت تابشی پلانک، در رابطه 4، Lsensorλ و Tsensor به ترتیب برابر رادیانس سنجنده حرارتی (باند 10 سنجنده­ی TIRS و باند 6 سنجنده­ی TM و دمای درخشندگی سنجنده و L↑atm، L↓atm و τ در معادلات 5، 6 و 7 به ترتیب تابش­های رو به بالای اتمسفر، تابش­های رو به پایین اتمسفر و ضخامت اتمسفر (میزان انتقال پذیری اتمسفر) را نشان می­دهد.

 

روش معادله انتقال تابشی (RTE)

روش RTE از جمله الگوریتم­های ساده و پرکاربرد به شمار می­رود که با استفاده از رابطه 8 بدست می­آید (21):

 

[8]                                                                                                                                                 

 

در رابطه 8، K1 و K2 ضرایب باندهای حرارتی مورد استفاده (باند 10 لندست 8 و باند 6 لندست 5) که در جدول 3 نمایش داده شده است (مستخرج متادیتای تصاویر)، Lλ(Ts) نشان­دهنده رادیانس سطح در دو باند حرارتی 10 و 6 است و به­وسیله آن، رادیانس به رادیانس سطح تبدیل می­شود (5) و با استفاده از رابطه 9 بدست می­آید:

 

[9]                                                                                   

 

در رابطه 9 Lλup و Lλdown به ترتیب تابش­های رو به بالای اتمسفر و تابش­های رو به پایین اتمسفر، τ ضخامت اتمسفر و ε توان تشعشعی باندهای حرارتی 10 و 6 است.

 

جدول3. ضرایب K1 و K2 برای باند 10 لندست 8 و باند 6 لندست 5

Table 3. The coefficients K1 and K2 for band 10 Landsat 8 and Band 6 Landsat 5

سنجنده	باند	K	مقدار ضرایب ثابت K1 و K2
TIRS (لندست8)   TM (لندست5)	10 6	K1 K2 K1 K2	5388/774 0789/1321 76/607 56/1260

 

 

نقشه کاربری اراضی

تصاویر اولیه پس از طی فرآیند پیش پردازش، با استفاده از الگوریتم جنگل تصادفی (Random Forest) با هفت کلاس در محیط سامانه ابری گوگل ارث انجین (GEE) طبقه­بندی و نقشه کاربری اراضی شهرستان اردبیل در دو سال 2000 و 2019 استخراج گردید. این الگوریتم به­دلیل ساختار سلسله مراتبی که در انتخاب هر پیکسل به طبقه مناسب دارد در مقایسه با روش­های سنتی مثل حداکثر احتمال عملکرد بسیار بهتری دارد (11). جهت اعمال طبقه­بندی، 7 کلاس مناطق مسکونی، اراضی بایر، مناطق آبی، مراتع غنی، مراتع متوسط و فقیر، کشاورزی آبی و کشاورزی دیم انتخاب شد و برای تفکیک بهتر کلاس­ها از پیکسل­های خالص هر کاربری جهت اخذ نمونه­های تعلیمی استفاده شد. شکل 3 کدهای نوشته شده و پراکنش نمونه­های تعلیمی در محیط سامانه GEE را نشان می­دهد. الگوریتم مورد استفاده ترکیبی از طبقه­بندی کننده­های درختی است که هر یک از آنها با استفاده از یک بردار تصادفی نمونه­برداری شده مستقل از مجموعه تعلیمی بردارهای ورودی تولید شده­اند و هر درخت یک رأی واحد برای طبقه محبوب­تر بردار ورودی مورد نظر تعیین می­کند. در نهایت هر نمونه به دسته­ای تعلق می­گیرد که بیشترین محبوبیت را در بین طبقات دارد (7).

 

 

شکل3. نمایی از کدها و نمونه­های تعلیمی انتخاب شده در محیط سامانه GEE

Fig 3. View of codes and training data selected in the GEE system

 

اعتبارسنجی

جهت صحت سنجی نقشه­های LST خروجی از اپلیکیشن از داده­های ایستگاه هواشناسی و ایستگاه زمینی استفاده شده است. منطقه مورد مطالعه دارای دو ایستگاه سینوپتیک هست که دمای سطح زمین در محل ایستگاه بصورت روزانه و هر 8 ساعت یکبار ثبت می­شود. نزدیکترین زمان ثبت دما در این ایستگاه­ها نسبت به زمان عبور ماهواره از منطقه داده­های ساعت 12 به وقت محلی بود که اختلاف 27 دقیقه­ای با تصویر سال 2000 و اختلاف 4 دقیقه­ای با تصویر سال 2019 داشت، به همین دلیل علاوه بر داده­های ایستگاه هواشناسی، دمای سطح زمین در دو نقطه از محدوده به­وسیله­ی دو دماسنج دیجیتالی نیز همزمان با عبور ماهواره ثبت گردید. مشخصات و مختصات دو ایستگاه هواشناسی و دو ایستگاه زمینی در جدول 4 نمایش داده شده است.

 

جدول4. مشخصات ایستگاه­های هواشناسی و زمینی

Table 4. Meteorological station specifications and ground stations

ایستگاه سینوپتیک	زمان ثبت دمای سطح	ارتفاع از سطح دریا (متر)	Y	X
ایستگاه 1 (اردبیل) ایستگاه 2 (فرودگاه)	12:00 12:00	2/1335 3/1317	38.13.05 38.19.50	48.19.43 48.24.57
ایستگاه 3	11:56	1343	38.16.85	48.14.06
ایستگاه 4	11:56	1384	38.10.37	48.15.92

 

 

برای ارزیابی دقت نقشه­های کاربری اراضی نیز با استفاده از Google Earth که توان تفکیک مکانی بهتری نسبت به تصویر مورد استفاده دارد، 248 نقطه کنترل زمینی از پیکسل­های خالص کاربری­های مختلف برداشت 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 که با استفاده از روابط 10 و 11 محاسبه شدند (9): 

[10]                          

[11]                                                                                                                                                                        

در روابط 10 و 11، N تعداد پیکسل­های آزمایشی، Pii عناصر قطر اصلی ماتریس خطا، Xii عناصر قطر اصلی ماتریس، Xi+ عناصر سطر i ام و X+i عناصر ستون i ام را نشان می­دهد.

 

نتایج

با استفاده از کدهای نوشته شده در محیط نرم افزار متلب رابط­های کاربر گرافیکی (GUI) ایجاد و سپس اپلیکیشن محاسبه­گر خودکار دمای سطح زمین تولید گردید که در شکل 4 نمایی از محیط اجراشده آن نمایش داده شده است. چهار بخش Input،Atm Parameters، Sensor و Output در این اپلیکیشن تعبیه شده است که هر کدام اطلاعاتی را از کاربر دریافت می­کند. در پنل Input تصاویر ورودی (تصویر رادیانس، دمای درخشندگی و ترکیب باند قرمز و مادون قرمز نزدیک) توسط کاربر معرفی می­شود، در پنلAtm Parameters پارمترهای اتمسفری (ضریب ضخامت اتمسفر، ضرایب تابش­های رو به بالا و رو به پایین، دمای متوسط و رطوبت نسبی) که میزان اتنقال پذیری اتمسفر را مشخص می­کند معرفی می­شود. با توجه به اینکه در این پژوهش از تصاویر دو ماهواره لندست 8 و 5 استفاده شده است، درون اپلیکیشن کاربر با انتخاب هر کدام از ماهواره­ها، ضرایب مربوط به آن ماهواره در ادامه فرآیند محاسبه دمای سطح زمین اعمال می­شود. در پنل Output پس از تعیین نوع الگوریتم LST در کادر اول و نوع الگوریتم گسیلمندی در کادر دوم، نقشه­های دمای سطح زمین محاسبه می­شود و در نهایت کاربر می­تواند پس از تعیین مسیر علاوه بر نقشه­های سه الگوریتم برآورد LST، نقشه­های گسیلمندی و NDVI را نیز با فرمت tiff خروجی بگیرد.

 

 

شکل4. نمایی از محیط اپلیکیشن تولید شده جهت محاسبه خودکار دمای سطح زمین

Fig 4. View of the application generated to automatically calculate the LST 

 

جهت محاسبه میزان انتقال­پذیری اتمسفر از پلتفرم MODTRAN برای دو تاریخ 31/07/2000 و 21/08/2019 همزمان با عبور ماهواره از منطقه مورد مطالعه استفاده شد که ضرایب بدست آمده در جدول 5 ارائه شده است. لازم به ذکر است که این ضرایب به همراه مقدار رطوبت نسبی و دمای متوسط در زمان گذر ماهواره باید توسط کاربر اخذ و در پنل Atm Parameters وارد شود.

 

جدول5. ضرایب اتمسفری بدست آمده از پلتفرم MODTRAN

Table 5. Atmospheric coefficients obtained from the MODTRAN platform

تاریخ	ساعت (جهانی)	ساعت (محلی)	ضریب ضخامت اتمسفر	ضریب تابش­های  رو به بالا	ضریب تابش­های  رو به پایین
31/07/2000 21/08/2019	07:03 07:26	11:33 11:56	91/0 91/0	70/0 71/0	15/1 21/1

 

نقشه­های خروجی دمای سطح زمین با دو الگوریتم تک­کانال و معادله انتقال تابشی (RTE) با استفاده از تصویر حرارتی (باند 6) سنجنده TM ماهواره لندست 5 برای تاریخ 31/07/2000 در اشکال 5 و 6 نمایش داده شده است. جدول 6 دمای سطح زمین ثبت شده توسط دو ایستگاه هواشناسی و دمای سطح زمین محاسبه­ شده توسط الگوریتم­ها در محل دو ایستگاه هواشناسی را نشان می­دهد. ایستگاه­های هواشناسی موجود در منطقه (بخصوص ایستگاه اول) تا حدودی در حریم شهری واقع شده است و با توجه به توان تفکیک مکانی باند حرارتی سنجنده TM (120 متر) و ناهمگون بودن محیط شهری، به نظر می­رسد این عامل به همراه اختلاف 27 دقیقه­ای داده ثبت شده در ایستگاه و زمان عبور ماهواره در افزایش اختلاف بین دمای سطح ثبت شده و مقدار محاسبه شده تا حدودی اثرگذار بوده است.

 

 

 

شکل5. نقشه دمای سطح زمین مستخرج از الگوریتم­ تک­کانال برای تاریخ 31/07/2000

Fig 5. LST map extracted from Single channel algorithm in 2000/07/31

 

 

شکل6. نقشه دمای سطح زمین مستخرج از الگوریتم­ RTE برای تاریخ 31/07/2000

Fig 6. LST map extracted from RTE algorithm in 2000/07/31

 

جدول6. مقایسه دمای سطح تخمینی با دمای سطح ایستگاه­های هواشناسی در تاریخ 31/07/2000

Table 6. Comparison of the estimated LST with LST of the meteorological stations in 2000/07/31

ایستگاه	دمای سطح ثبت شده در ایستگاه هواشناسی	تک پنجره IMW	تک کانال SC	RTE
ایستگاه-1 ایستگاه-2	3/44 9/42	2/47 5/45	8/46 9/40	2/41 0/40

 

اشکال 7 و 8 نقشه­های خروجی دمای سطح زمین با استفاده از باند 10 سنجنده TIRS ماهواره لندست 8 در تاریخ 21/08/2019 را نشان می­دهد. برای اعتبارسنجی خروجی­ها از داده­های دمای سطح ثبت شده در دو ایستگاه هواشناسی موجود در منطقه استفاده شد که اختلاف 4 دقیقه­ای با زمان عبور ماهواره داشته است. همچنین دو ایستگاه زمینی نیز از دو محیط همگن غیر شهری با کاربری کشاورزی و بایر که محصول آن برداشت شده بود انتخاب شد و با استفاده از دو دماسنج دیجیتالی همزمان با عبور ماهواره دمای سطح زمین در محل دو ایستگاه ثبت شد. جدول 7 مقادیر دمای سطح ثبت شده در ایستگاه­های هواشناسی و زمینی به همراه مقادیر خروجی از نقشه­های دمای سطح را نشان می­دهد.

 

 

 

شکل7. نقشه دمای سطح زمین مستخرج از الگوریتم­ تک­کانال برای تاریخ 21/08/2019

Fig 7. LST map extracted from Single channel algorithm in 2019/08/21

 

 

 

شکل8. نقشه دمای سطح زمین مستخرج از الگوریتم­ RTE برای تاریخ 21/08/2019

Fig 8. LST map extracted from RTE algorithm in 2019/08/21

 

جدول7. مقایسه دمای سطح تخمینی با دمای سطح ایستگاه­های هواشناسی در تاریخ 21/08/2019

Table 7. Comparison of the estimated LST with LST of the meteorological stations in 2019/08/21

ایستگاه	دمای سطح ایستگاه	تک کانال			RTE
ایستگاه 1	6/42		9/43	7/44
ایستگاه 2	8/41		7/42	6/43
ایستگاه 3	6/26		5/25	5/28
ایستگاه 4	5/39		6/38	2/41

 

 

جهت ارزیابی شرایط دمایی منطقه در کاربری­های مختلف از سال 2000 تا 2019، نقشه کاربری اراضی شهرستان اردبیل برای دو تاریخ 31/07/2000 و 21/08/2019 با استفاده از الگوریتم جنگل تصادفی ایجاد شد که نتایج در اشکال 9 و 10 ارائه شده است. هفت کلاس مناطق مسکونی، اراضی بایر، مناطق آبی، مراتع غنی، مراتع متوسط و فقیر، کشاورزی آبی و کشاورزی دیم تعیین شد و تغییرات دمایی هر کدام مورد ارزیابی قرار گرفت. برای ارزیابی نتایج نقشه­های کاربری اراضی با استفاد از سامانه گوگل ارث که نسبت به تصویر ماهواره­ای مورد استفاده توان تفکیک بهتری داشت، نقاط کنترلی از پیکسل­های خالص و معلوم با رعایت جنبه همزمانی با تصویر اصلی از کاربری­های مختلف اخذ و مورد استفاده قرار گرفت که نتایج در قالب دقت کلی و ضریب کاپا در جدول 8 نمایش داده شده است. بر اساس نتایج ماتریس خطا برای سال 2000 بیشترین تداخل پیکسلی مربوط به کلاس مرتع متوسط و فقیر بوده است که با کلاس­های مسکونی و کشاورزی دیم جابه­جایی 16 پیکسلی دارد. به دلیل مشخص نبودن مرز کاربری­های مسکونی، مراتع ضعیف و مزارع دیم و درهم­تنیدگی­هایی که این کاربری­ها به­خصوص در اطراف محدوده شهری داشته است این جابه­جایی­های پیکسلی قابل پیش­بینی بود. با توجه به بهبود توان تفکیک مکانی ماهواره لندست 8 نسبت به لندست 5 و به دنبال آن تفکیک بهتر کلاس­ها، این جابه­جایی پیکسلی در نقشه کاربری سال 2019 مقدار کمتری را نشان می­دهد. به گونه­ای که بیشترین خطا مربوط به کلاس کشاورزی آبی بوده که جابه­جایی 10 پیکسلی با کلاس­های مرتع غنی و کشاورزی دیم داشته است.

 

 

شکل9. نقشه کاربری اراضی شهرستان اردبیل برای تاریخ 31/07/2000

Fig 9. Land use map of Ardabil city in 2000/07/31

 

 

شکل10. نقشه کاربری اراضی شهرستان اردبیل برای تاریخ 21/08/2019

Fig 10. Land use map of Ardabil city for 2019/08/21

 

جدول8. نتایج صحت سنجی نقشه­های کاربری اراضی سال­های 2000 و 2019

Table8. Results of validation land use maps of 2000 and 2019

ماهواره	تاریخ	دقت کلی	ضریب کاپا	نقاط کنترل از GE	نمونه­های تعلیمی  از تصویر
لندست5 لندست8	31/07/2000 21/08/2019	95/0 96/0	94/0 95/0	248 248	1074 1132

 

جدول 9 مقادیر دمای سطح هر یک از کاربری­ها در دو سال 2000 و 2019 را نشان می­دهد که با استفاده نقشه کاربری اراضی و نقشه دمای سطح حاصل از الگوریتم بهینه (روش تک­کانال) محاسبه شده است. همچنین شکل 11 نمودار تغییرات حرارتی کلاس­ها را در دو سال 2000 و 2019 نمایش می­دهد. با توجه به مقادیر بدست آمده کمترین مقدار متوسط دمای سطح ثبت شده در سال 2000، 34/25 و برای سال 2019، 75/27 درجه سانتیگراد بوده که مربوط به کاربری آب (به­دلیل ظرفیت گرمایی بالا) است. بیشترین مقدار دمای متوسط سطح هم مربوط به اراضی بایر در هر دو سال است. مقدار متوسط دمای سطح در این اراضی برای سال 2000، 93/46 درجه و برای تصویر 2019 مقدار 28/ 49 درجه سانتیگراد ثبت شده است. با ارزیابی­های میدانی مشخص شد که این زمین­ها عمدتاً اراضی کشاورزی با محصول گندم هستند  که پس از برداشت محصول، خالی از پوشش مانده و باعث بالا رفتن دمای سطح این مناطق شده است. بعد از کاربری بایر بالاترین دما مربوط به کلاس­های مراتع متوسط و فقیر و کاربری کشاورزی دیم بوده است.

 

جدول9. تغییرات دمایی کاربری­ها در سال 2000 و 2019

Table 9. Temperature changes of land uses in 2000 and 2019

کاربری­ها	سال	دمای حداقل	دمای حداکثر	میانگین دما	انحراف معیار
مناطق مسکونی	2000	46/26	40/50	52/31	41/3
	2019	86/22	51/49	43/25	90/2
اراضی بایر	2000	47/31	016/51	93/46	13/2
	2019	53/37	66/53	28/49	39/3
مناطق آبی	2000	58/21	30/35	34/25	87/1
	2019	32/22	05/32	75/27	73/2
مراتع غنی	2000	41/28	43/49	55/35	01/3
	2019	97/30	54/50	24/37	96/2
مراتع متوسط و فقیر	2000	19/22	013/51	23/44	12/3
	2019	56/37	88/53	80/47	77/3
کشاورزی آبی	2000	97/23	39/48	63/31	21/2
	2019	61/28	76/51	39/34	73/2
کشاورزی دیم	2000	19/28	38/51	17/40	83/1
	2019	47/27	75/52	55/44	21/4

 

 

شکل11. نمودار تغییرات حرارتی کلاس­ها در دو سال 2000 و 2019

Fig 11. Graph of thermal changes of classes in 2000 and 2019

 

بحث و نتیجه­گیری

در این پژوهش با استفاده از اپلیکیشن محاسبه­گر دمای سطح زمین نقشه­های LST با دو الگوریتم تک­کانال و  RTEمحاسبه و تولید شد. نتایج اعتبارسنجی نقشه خروجی­ سال 2000 با استفاده از داده­های دمای سطح دو ایستگاه­های هواشناسی نشان داد که روش تک­کانال با اختلاف 5/2+ و 2- درجه سلسیوس به­ترتیب با ایستگاه­های اول و دوم نسبت به روش RTE با اختلاف 1/3- و 9/2- درجه سلسیوس از دقت بالاتری برخوردار است. نتایج نقشه­های دمای سطح سال 2019 نیز نشان داد که الگوریتم تک­کانال با اختلاف 3/1+ و 9/0+ نسبت به ایستگاه­های اول و دوم سینوپتیک و با اختلاف 1/0- و 9/0- با ایستگاه­های سوم و چهارم زمینی نسبت به الگوریتم RTE با اختلاف 1/2+، 8/1+، 9/1+ و 7/1+ درجه سلسیوس به­ترتیب با چهار ایستگاه از دقت بیشتری برخوردار بود. نتایج ارزیابی نقشه­های کاربری اراضی برای سال 2000 دقت کلی و ضریب کاپا به­ترتیب برابر با 95/0 و 94/0 و برای سال 2019 برابر با 96/0 و 95/0 بدست آمد. جهت ارزیابی تغییرات دمایی کاربری­های اراضی در سال 2000 و 2019 از نقشه­ی LST حاصل از الگوریتم تک­کانال استفاده شده که از کمترین خطا برخوردار بود. در این رابطه با توجه به مقادیر بدست آمده کمترین متوسط دمای سطح ثبت شده در سال 2000، 34/25 درجه و برای سال 2019 به مقدار 75/27 درجه سلسیوس بوده که مربوط به کاربری آب است. بیشترین مقدار متوسط دمای سطح هم مربوط به اراضی بایر در هر دو سال است که مقدار متوسط برای سال 2000، 93/46 درجه و برای تصویر 2019 مقدار 28/ 49 درجه سلسیوس ثبت شده است. با توجه به این که وجود پوشش گیاهی به دلایل مختلف از جمله تبخیر و تعرق و وجود رطوبت نقش زیادی در تعدیل دمایی سطح خاک دارد، بی پوشش ماندن زمین بایر باعث بالا رفتن دمای سطح آن می­شود. کاربری مراتع متوسط و فقیر و کاربری کشاورزی دیم با کمی اختلاف در رده­های بعدی بیشترین دمای متوسط بوده­اند. با مقایسه متوسط دمای سطح کاربری­ها در دو تاریخ، بجز کاربری مناطق مسکونی، همه کاربری­ها در سال 2019 نسبت به سال 2000 با افزایش دمای سطح روبه­رو بوده­اند.با توجه به رشد فیزیکی قابل توجه بخش شهری محدوده در بازه زمانی 19 ساله، انتظار می­رفت که محدوده شهری نیز مانند سایر کاربری­ها با افزایش دما روبه­رو شود، در صورتی که نقشه­های خروجی خلاف این فرضیه را نشان داد. به نظر می­رسد عواملی مانند گسترش زمین­های کشاورزی با کشت آبی اطراف مناطق شهری تا شعاع 10 کیلومتری و درهم تنیدگی این مزارع با مناطق مسکونی تاثیر زیادی در تعدیل دمای بخش شهری محدوده داشته است. این اراضی در سال 2000 عمدتاً زیر کشت محصولات دیمی بودند و با حل مشکل آب (حفر چاه­های عمیق و پروژه­های انتقال آب) تبدیل به باغات و مزارع کشت آبی مثل سیب­زمینی شدند و 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.

پژوهش­های دیگری نیز در سطح ایران و جهان همسو با این موضوع انجام گرفته که باتوجه نوع داده و منطقه، نتایج متفاوتی به همراه داشته است. از جمله سانتوس و همکاران (20) که در پژوهشی دمای سطح زمین را با سه روش RTE، پنجره مجزا و تک کانال بر روی 21 تصویر حرارتی محاسبه و نتایج را با یک رادیومتر مادون قرمز حرارتی پهن باند همزمان با عبور ماهواره صحت سنجی کردند. نتایج پژوهش آنها نشان داد که الگوریتم پنجره مجزا با کمترین مقدار RMSE (K 2-6/1) دارای بیشترین دقت نسبت به دو الگوریتم قبلی بوده است. در مطالعه­ای دیگر پاراستاتیدیس و همکاران (18) اقدام به تخمین میزان دمای سطح زمین بصورت آنلاین با استفاده از تصاویر ماهواره سری لندست کرده­اند. آنها پس از ارزیابی الگوریتم­های مختلف دمای سطح زمین، با استفاده از روش تک­کانال در بستر محیط GEE محصول دمای سطح زمین از کل تصاویر سری ماهواره لندست تولید کردند که امکان دسترسی بصورت آنلاین در غالب برنامه­های تحت وب را برای کاربران فراهم می­آورد. اصغری و امامی (3) در مطالعه­ای اقدام به ارزیابی رابطه کاربری اراضی با دمای سطح زمین شهرستان اردبیل پرداختند. نتایج پژوهش نشان داد که بین کاربری اراضی و دما سطح شهرستان رابطه­ی قوی وجود دارد. مناطق شهری بدلیل جاذب بودن دارای دمای بیشتر و مناطقی که دارای پوشش گیاهی و آب بوده­اند کمترین دما را به خود اختصاص دادند. نوروادا و تسویوشی  (17) طی پژوهشی تغییرات حرارتی کاربری­های اراضی و عوامل توسعه جزایر حرارتی شهر بگو را مورد ارزیابی قرار دادند. نتایج این تحقیق نشان داد بین LST و LCZ رابطه وجود دارد. در بین کاربری­ها نیز بیشترین درجه حرارت مربوط به مناطق شهری و کمترین آن مربوط به مناطق گیاهی می­باشد.

اپلیکیشن تولید شده در این پژوهش امکان اجرا روی هر سیستم عاملی که از فرمت exe پشتیبانی می­کند را دارد و کاربر می­تواند با واردسازی پارامترهای اتمسفری دمای سطح زمین را به­صورت خودکار برآورد کند. همچنین این برنامه کاربردی قابلیت به­کارگیری در بخش­های مختلف مانند سامانه­های کشاورزی، اقلیمی و مدیریت منابع آب را نیز دارد. با توجه به اهمیت محاسبه دقیق توان گسیلمندی در برآورد دمای سطح زمین پیشنهاد می­شود با استفاده از دستگاه­های اسپکترومتر توان تشعشع کاربری­ها بصورت میدانی اخذ و در الگوریتم­ها استفاده شود. همچنین به­دلیل محدودیت در تعداد باند و توان تفکیک مکانی باندهای ماهواره لندست، جهت دستیابی به نتایج بهتر و مطالعات دقیقتر، پیشنهاد می­شود از از تصاویر ماهواره­های حرارتی ابرطیفی و داده­های حرارتی هوابرد با توان تفکیک مکانی بالاتر استفاده شود.

 

منابع مورد استفاده 

1.       Ahmadi B, Ghorbani A, Safarrad T, Sobhani B.2014. Evaluation of surface temperature in relation to land use/cover using remote sensing data. RS & GIS for Natural Resources, 6:1. (In Persian).

2.       Aik DHJ, 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. doi:10.3390/land9100372. doi.org/10.3390/land9100372.

3.       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. (In Persian).

4.       AvdanU, Jovanovska G. 2016. Algorithm for Automated Mapping of Land Surface Temperature Using LANDSAT 8 Satellite Data. Journal of Sensors, (2):1-8. doi.org/10.1155/2016/1480307.

5.       Barsi J, Barker JL, Schott JR. 2003. An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument. In Proceedings of the 2003 IEEE International Geoscience and Remote Sensing Symposium, Toulouse, France, 21–25. doi: 10.1109/IGARSS.2003.1294665.

6.       Bernstein LS, Adler-Golden SM, Sundberg RL, Levine RY. 2005. Validation of the Quick Atmospheric Correction (QUAC) algorithm for VNIRSWIR multi- and hyperspectral imagery, SPIE Proceedings, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XI. , vol. 5806, pp. 668-678. DOI: 10.1117/12.603359.

7.       Breman L. 2001. Random Forests. Kluwer Academic Publishers, 45: 5–32.

8.       Fekrat H, Asghari S, Alavipanah SK. 2020. Estimation of surface temperature in Ardabil city using Landsat 5 and 8 satellite images and accuracy assessment of LST estimation methods with using ground data. RS & GIS for Natural Resources, 11:4. dorl.net/dor/20.1001.1.26767082.1399.11.4.6.6 . (In Persian).

9.       Foody GM.. 2002. Status of land cover classification accuracy assessment. Remote sensing of environment, 80(1): 185-201. doi.org/10.1016/S0034-4257(01)00295-4.

10.       Hu W, Zhou W, He H. 2014. The Effect of Land-Use Intensity on Surface Temperature inthe Dongting Lake Area, China. Advances in Meteorology, 63:2151. doi.org/10.1155/2015/632151.

11.       Jensen JR.. 2015. Introductory Digital Image Processing. Geographic Information Science. 4th Edition.

12.       Jiménez Muñoz JC, Sobrino JA. 2003. A generalized single-channel method for retrieving land surface temperature from remote sensing data. J. Geophys. Res. Atmos, 108. doi.org/10.1029/2003JD003480.

13.       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). . RS & GIS for Natural Resources, 5:4.

14.       MATLAB Handbook, November 2016. doi.org/10.1016/j.rse.2012.12.008.

15.       Ndossi MI, Advan 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: 413. doi: 10.3390/rs8050413.

16.       Naughton J, McDonald W. 2019. Evaluating the Variability of Urban Land Surface Temperatures Using Drone Observations. Remote sensing, 11:14. doi:10.3390/rs11141722.

17.       Nurwanda A, Tsuyoshi H. 2018. Analysis of Land Use Change and Expansion of Surface Urban Heat Island in Bogor City by Remote Sensing, International Journal of Geo-Information, 1-15. doi.org/10.3390/ijgi7050165.

18.       Parastatidis D, Mitraka Z, Chrysoulakis N, Abrams M. 2017. Online Global Land Surface Temperature Estimation from Landsat. Remote sensing, 9: 1208. doi.org/10.3390/rs9121208.

19.       Sahana M, Dutta SH, Sajjad H. 2018. Assessing land transformation and its relation with land surface temperature in Mumbai city, India using geospatial techniques. International journal of urban science, 10:1080. doi.org/10.1080/12265934.2018.1488604.

20.       Santos V, Cuxart G, Martínez J. 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.org/10.3390/rs10091450.

21.       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: Berlin, Germany; Heidelberg, Germany, pp. 57–68. doi: 10.1007/978-3-319-05906-8_4.

22.       Stephens G, L’Ecuyer T. 2015. The Earth’s energy balance. Atmos. Res, 166, 195–203. doi.org/10.1016/j.atmosres.2015.06.024.

23.       Young NE, Anderson RS, Chignell SM, Vorster AG, Lawrence R, and Evangelista PH. 2017. 'A survival guide to Landsat preprocessing', Ecology, 98: 920-32. doi: 10.1002/ecy.1730.

24.       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), 1–14. doi:10.1007/s12517-016-2521-8.

25.       Zhang J, Wang Y, Li Y. 2006. A C++ program for retrieving land surface temperature from the data of landsat TM/ETM+ band6. Comput. Geosci, 32, 1796–1805. doi.org/10.1016/j.cageo.2006.05.001.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Creating a graphical user interface (GUI) to automatically calculate the land surface temperature and use the results in evaluating temperature changes in land uses in Ardabil city

 

Land surface temperature is one of the most important parameters in global studies that can be the basis of many applied planning in the fields of urban management and other branches of environmental sciences. The purpose of this study is to make it possible to automatically calculate the LST and then use the results to assess temperature changes in land uses in Ardabil city. For this purpose, first graphical user interfaces were created for each algorithm, and finally, an automatic LST calculator application was produced. By this application, the LST was calculated with two single-channel and RTE algorithms using Landsat 5 and 8 satellite images for the two dates of 2000/07/31 and 2019/08/21. Also, the land use map for both mentioned dates using a random forest algorithm in the GEE platform with 7 classes was classified and extracted. In order to validate the LST maps, two types of surface temperature data recorded in meteorological stations and ground stations were used by a digital thermometer at the same time as the satellite passed. Comparison of the results with the station data showed that the SC has a higher accuracy than the RTE method. The results of land use map validation also show the overall accuracy of 0.95 and the kappa coefficient of 0.94 for the year 2000 and the overall accuracy of 0.96 and the kappa coefficient of 0.95 for the year 2019. Also, the evaluation of the relationship between LST and land use maps showed that despite the significant physical growth of the urban sector over a period of 19 years, except for residential areas, all land uses in 2019 compared to 2000 have seen an increase in average surface temperature. Also, in both years, water class had the lowest and barren class had the highest average surface temperature. The generated application can also be used in various sectors such as agricultural systems, climate and water resources management.

 

. Keywords: LST, graphical user interfaces (GUI), single-channel, RTE, Ardabil, random forest.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

چکیده مبسوط

طرح مسئله: دمای سطح زمین 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 محدودیت­های اطلاعاتی در زمینه داده­های 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 کننده­ی 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 داده­های 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 استفاده­کردند 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 داده­های دمای سطح اندازه­گیری شده در ایستگاه­های سینوپتیک، دمای سطح زمین در دو ایستگاه زمینی نیز همزمان با عبور ماهواره ثبت گردید.

هدف: ایجاد رابط کاربر گرافیکی (GUI) جهت محاسبه خودکار دمای سطح شهرستان اردبیل با دو الگوریتم تک­کانال و RTE و استفاده از نتایج در ارزیابی تغییرات دمایی کاربری­های اراضی محدوده مورد مطالعه از سال 2000 تا 2019.

روش تحقیق: در این پژوهش 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 ایستگاه­های هواشناسی از داده­های دمای سطح اندازه­گیری شده با دماسنج­های دیجیتالی همزمان با عبور ماهواره نیز استفاده شده است. پس از آماده­سازی تصاویر حرارتی و چند طیفی، ابتدا جهت مدلسازی میزان انتقال­پذیری اتمسفر از از نرم­افزار محاسبه­گر تحت وب MODTRAN استفاده و ضرایب اتمسفری استخراج گردید. سپس برای ایجاد رابط­های کاربر گرافیکی و محاسبه خودکار LST، دمای سطح زمین با دو الگوریتم تک­کانال و روش RTE با تصاویر ماهواره لندست 5 و لندست 8 برای دو تاریخ 31/07/2000 و 21/08/2019 در محیط نرم افزار متلب کد نویسی شد و با استفاده از این کدها رابط­های کاربر گرافیکی برای هر الگوریتم ایجاد و در نهایت اپلیکیشن محاسبه­گر 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 طبقه­بندی و استخراج گردید. این الگوریتم به­دلیل ساختار سلسله مراتبی که در انتخاب هر پیکسل به طبقه مناسب دارد در مقایسه با روش­های سنتی مثل حداکثر احتمال عملکرد بسیار بهتری دارد. جهت اعتبار سنجی نقشه­های 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 نقشه­های کاربری اراضی نیز با استفاده از Google Earth که توان تفکیک مکانی بهتری نسبت به تصویر مورد استفاده دارد، 248 نقطه کنترل زمینی از پیکسل­های خالص کاربری­های 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 رابط­های کاربر گرافیکی (GUI) ایجاد و سپس اپلیکیشن محاسبه­گر خودکار دمای سطح زمین تولید گردید. خروجی اپلیکیشن نقشه­های دمای سطح زمین با الگوریتم­های تک­کانال و معادله انتقال تابشی (RTE) بود که برای تاریخ 31/07/2000 با استفاده از تصویر حرارتی (باند 6) سنجنده TM ماهواره لندست 5 و تاریخ 21/08/2019 بوسیله باند 10 سنجنده TIRS ماهواره لندست 8 ایجاد گردید. پس از مقایسه نقشه­های خروجی با داده­های ایستگاه هواشناسی و ایستگاه زمینی، نتایج نشان داد که روش تک­کانال در هر دو سال نسبت به ایستگاه­ها کمترین اخلاف دما را داشته است. پس از تهیه نقشه­های دمای سطح و انتخاب الگوریتم بهینه (تک­کانال) نقشه­های کاربری اراضی شهرستان اردبیل با استفاده از الگوریتم جنگل تصادفی در محیط GEE تهیه گردید. ارزیابی­های آماری نتایج طبقه­بندی نشان داد که برای سال 2000 بیشترین تداخل پیکسلی مربوط به کلاس مرتع متوسط و فقیر بوده است که با کلاس­های مسکونی و کشاورزی دیم جابه­جایی 16 پیکسلی دارد. با توجه به بهبود توان تفکیک مکانی ماهواره لندست 8 نسبت به لندست 5 و به دنبال آن تفکیک بهتر کلاس­ها، این جابه­جایی پیکسلی در نقشه کاربری سال 2019 مقدار کمتری را نشان می­دهد. به گونه­ای که بیشترین خطا مربوط به کلاس کشاورزی آبی بوده که جابه­جایی 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 کاربری­ها در بازه زمانی 19 ساله مورد ارزیابی قرار گرفت.

نتیجه­گیری: 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 5/2+ و 2- با ایستگاه­های 1 و 2 برای سال 2000 و با اختاف دمای 3/1+، 9/0+، 1- و 9/0- 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 96/0 و ضریب کاپای 95/0 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. به نظر می­رسد عواملی مانند گسترش زمین­های 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 چاه­های عمیق و پروژه­های انتقال آب) تبدیل به باغات و مزارع کشت آبی مثل سیب­زمینی 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 کلاس­ها 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 می­کند را دارد و کاربر می­تواند با تعیین پارامترهای اتمسفری دمای سطح زمین را به­صورت خودکار برآورد کند. همچنین این برنامه کاربردی قابلیت به­کارگیری در بخش­های مختلف مانند سامانه­های کشاورزی، اقلیمی و مدیریت منابع آب را نیز دارد.

واژه­های کلیدی: LST، رابط کاربر گرافیکی (GUI)، تک­کانال، RTE، جنگل تصادفی، اردبیل.

 

 

 

 

Abstract

Statement of the Problem: Land surface temperature is a vital indicator for studying environmental changes, hydrological conditions and the energy balance of the earth, which can also be used to monitor the temperature changes of cities. The lack of meteorological stations in most parts of the country, including the study area, has created information limitations in the field of surface temperature data. There are also a large number ofnon-remote sensing users who need LST maps, and most of them are not familiar enough with LST computing software and inevitably have to spend a lot of time maping to prepare their maps. This process can be time consuming even for remote sensing professionals if the number of images is high. The use of valid data for validation that has the least time difference with the satellite passes time is very important in estimating the accuracy of the results. By reviewing internal research similar to the one under study, most internal studies used only meteorological station data to validate the results, the data recording time at these stations is different from the the satellite passes time. In this study, due to the large area of ​​the study area and the insufficient number of meteorological stations, in addition to the surface temperature data measured in synoptic stations, the land surface temperature in two ground stations was recorded simultaneously with the satellite.

Purpose: Creating a graphical user interface (GUI) to automatically calculate the surface temperature of Ardabil city with two single-channel and RTE algorithms and use the results to evaluate the temperature changes of land uses in the study area from 2000 to 2019.

        

Methods: In this study, in order to automatically calculate the land surface temperature of Ardabil city from three types of data: Landsat 5 and 8 satellite image, land surface temperature data recorded at two meteorological stations in the study area and also due to insufficient number of stations Meteorological data land surface temperature data measured with digital thermometers are also used as the satellite passes. After preparing thermal and multispectral images, first MODTRAN web computing software was used to model the atmospheric transferability and atmospheric coefficients were extracted. Then, to create graphical user interfaces and automatic calculation of LST, land surface temperature with two algorithms single-channel and RTE method with Landsat 5 and Landsat 8 satellite images for two dates: 31/07/2000 and 21/08/2019 in MATLAB software was coded and using these codes, graphical user interfaces were created for each algorithm and finally, an automatic land surface temperature calculator application was produced. Also, the land use map of Ardabil city for both mentioned dates was classified and extracted using a random forest algorithm in the Google Earth engine system environment with 7 classes. This algorithm has a much better performance compared to traditional methods such as maximum likelihood due to its hierarchical structure in selecting each pixel to the appropriate class. To validate surface temperature maps from two types of surface temperature data recorded in two meteorological stations and surface temperature recorded by a digital thermometer that simultaneously passes the satellite in two points of the homogeneous non-urban environment with agricultural use (alfalfa) and Bayer that product It was harvested, used. To evaluate the accuracy of land use maps, using Google Earth, which has a better spatial resolution than the image used, 248 ground control points were obtained from pure pixels of different land uses and used in the validation process. Also, statistical parameters such as error matrix, overall accuracy and kappa coefficient were applied to the output of both land use maps.

 

Results and Discussion: Using the codes written in MATLAB software, graphical user interfaces (GUI) were created and then the automatic LST calculator application was produced. The output of the application was surface temperature maps with single channel algorithms and radiation transfer equation (RTE) for 31/07/2000 using thermal image (band 6) of Landsat 5 satellite TM and 21/08 / 2019 was created by the 10 TIRS sensor band of Landsat 8 satellite. After comparing the output maps with the meteorological station and ground station data, the results showed that the single-channel method had the lowest temperature deviations compared to the stations in both years. After preparing LST maps and selecting the optimal algorithm (single channel), land use maps of Ardabil city were prepared using random forest algorithm in GEE platform. Statistical evaluations of the classification results showed that for 2000, the highest pixel interference was related to the middle and poor rangeland class, which has a 16-pixel displacement with residential and rainfed agricultural classes. Due to the improved spatial resolution of the Landsat 8 satellite compared to the Landsat 5, followed by better class separation, this pixel displacement in the 2019 user map shows a smaller value. The most common error was related to the aquaculture class, which had a displacement of 10 pixels with rich rangeland and rainfed agriculture classes. Finally, using the LST map and land use map, the temperature changes of the land uses over a period of 19 years were evaluated.

 

Conclusion By entering the input images and atmospheric parameters in the application, the land surface temperature was calculated with two one-channel algorithms and RTE method. Evaluation of output maps with meteorological and terrestrial data showed that the single-channel algorithm with a difference of +2.5 and -2 with stations 1 and 2 for the year 2000 and with a temperature difference of +1.3, +0.9, -1 and -0.9 with stations 1, 2, 3 and 4 in 2019, respectively, had higher accuracy than the RTE method. Also, the results of validation of land use maps showed an overall accuracy of 0.95 and a kappa coefficient of 0.94 for 2000 and an overall accuracy of 0.96 and a kappa coefficient of 0.95 for 2019. Assessing the relationship between land surface temperature and land use maps showed that despite the significant physical growth of the urban sector over a period of 19 years, except for residential areas, all land uses in 2019 compared to 2000 with an increase in average surface temperature. It seems that factors such as the expansion of agricultural lands with irrigated cultivation around the urban area up to a radius of 10 km and the entanglement of these farms with the urban sector, has a great impact on the temperature adjustment of the urban sector. In 2000, these lands were mainly under cultivation of rain-fed crops, and by solving the water problem (digging deep wells and water transfer projects), they became orchards and irrigated farms such as potatoes.Due to the high water requirement, these products also have high greenery, and this factor has increased the rate of evapotranspiration, followed by cooling of the cultivation area and the urban sector. Among other classes, in both years of water use, the lowest and the use of barren lands had the highest average surface temperature. The generated application can be run on any operating system that supports the exe format, and the user by specifying atmospheric parameters can automatically estimate the LST. This application can also be used in various sectors such as agricultural systems, climate and water resources management.

 

 

Keywords: LST, graphical user interfaces (GUI), single-channel, RTE, Ardabil, random forest.

 

 

 

 

 

1

 

---