پایداری | متن کامل رایگان | تعیین دمای سطح زمین (LST) از طریق داده های سنجش از دور برای پروژه های توسعه شهری در مقیاس کوچک در شورای همکاری خلیج فارس (GCC) - شهرساز | سایت تخصصی شهرسازی با هوش مصنوعی | شهرساز

بهترین آموزش های کاربردی در شهرسازی

بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید

نصب رول بولت در ۵ مرحله

ادامه ...

…

ادامه ...

Sunday, 19 May , 2024
امروز : یکشنبه, ۳۰ اردیبهشت , ۱۴۰۳

آخرین اخبار »

شناسه خبر : 10989

ارسال

پرینتخانه » مقالات تاریخ انتشار : 06 می 2024 - 3:30 | 10 بازدید | ارسال توسط : riazat

پایداری | متن کامل رایگان | تعیین دمای سطح زمین (LST) از طریق داده های سنجش از دور برای پروژه های توسعه شهری در مقیاس کوچک در شورای همکاری خلیج فارس (GCC)

۱٫ معرفی روند شهرنشینی منجر به تغییرات قابل توجهی در منظر شده است که باعث کاهش شرایط محیطی شده است که بر کیفیت کلی زندگی تأثیر منفی می گذارد. شهرنشینی به افزایش هوا کمک می کند [۱] و آلودگی آب [۲]. تغییرات در چشم انداز و استفاده انسان به شدت بر انتقال انرژی بین سطح […]

۱٫ معرفی

روند شهرنشینی منجر به تغییرات قابل توجهی در منظر شده است که باعث کاهش شرایط محیطی شده است که بر کیفیت کلی زندگی تأثیر منفی می گذارد. شهرنشینی به افزایش هوا کمک می کند [۱] و آلودگی آب [۲]. تغییرات در چشم انداز و استفاده انسان به شدت بر انتقال انرژی بین سطح زمین و جو تأثیر می گذارد و منجر به افزایش دمای محیط شهری می شود که از دمایی که در مناطق غیر شهری اطراف مشاهده می شود متفاوت است. [۳]. در مناطق شهری، امواج گرما عمدتاً در جزایر گرمایی در نتیجه غلظت بالای دمای سطح ظاهر می شوند. [۴,۵]. افزایش سطوح غیرقابل نفوذ مانند جاده ها و ساختمان ها مسائلی مانند اثر جزیره گرمایی شهری و سیل را تشدید می کند و آب و هوای محلی و چرخه آب را تغییر می دهد. [۱]. شرایط ناخوشایند تجربه شده توسط اکوسیستم ها را می توان به زمان دمای بسیار بالا نسبت داد [۶]. تاثیر شدید این امواج گرما پتانسیل تشدید مسائل بهداشتی و بالقوه مرگ و میر را دارد [۷]. در مناطقی که با شرایط آب و هوایی گرم و خشک مشخص می شود، تلاقی الگوهای آب و هوا و امواج گرما تأثیر قابل توجهی بر رفاه مردم محلی دارد. [۸,۹]. محیط حرارتی شهری یک نگرانی قابل توجه در داخل کلان شهرها است، که نیازمند تلاش های برنامه ریزی شهری است که در اولویت توسعه سیاست هایی با هدف ایجاد شرایط زندگی بهینه برای ساکنان است. [۱۰].

مطالعات متعددی به درک تأثیر شهرنشینی بر شرایط حرارتی و میکرو اقلیم کمک کرده‌اند. یانگ و همکاران [۲] یک متاآنالیز جامع از تحقیقات ریزاقلیم شهری با تأکید بر محیط حرارتی و روش‌های ارزیابی پدیده‌های مرتبط، از جمله روش‌های سنتی و روش‌های نوظهور مانند هوش مصنوعی یا مدل‌های مبتنی بر داده انجام داد. داس و همکاران در مطالعه خود. [۱] پویایی الگوهای منظر و تأثیر ترکیب و پیکربندی بر محیط حرارتی تراکم شهری را بررسی کرد. محققان از یک رویکرد ترکیبی استفاده کردند که رویکردهای جغرافیایی، معیارهای فضایی، و آمار توصیفی و استنباطی را برای ارزیابی تأثیرات ترکیب و پیکربندی شهری در یک منطقه شهری در هند ترکیب کرد. یافته های آنها نشان داد که ترکیب فضایی و پیکربندی سطح نفوذناپذیر، فضاهای سبز و فضاهای آبی باید در برنامه ریزی منظر و چارچوب طراحی در نظر گرفته شود تا شهر قابل زندگی تر شود. [۱].

در شورای همکاری خلیج فارس به طور کلی و بحرین به طور خاص، با توجه به مطالعات متعدد در مورد ایجاد جزایر گرمایی شهری (UHIs) در شهرهای آن به دلیل پروژه‌های شهرنشینی، نگرانی‌هایی در مورد اجرای پروژه‌های مسکونی وجود دارد که کیفیت شهری را بدتر می‌کند. به عبارت دیگر، باید درک بیشتری از اثرات زیست محیطی چنین پروژه های مسکونی در بافت شهری وجود داشته باشد. به عبارت دیگر، این پروژه ها کمبود اجرای پایداری را در برنامه های خود دارند. بنابراین، هدف اصلی این مطالعه بررسی تأثیر تغییرات کاربری زمین بر تغییرات LST در یک چشم‌انداز شهری در مقیاس کوچک است که UHIs را در کانون توجه قرار می‌دهد تا شیوه‌های ساخت‌وساز محیطی در منطقه را تقویت کند. بنابراین، تحقیق سه فرضیه را پیشنهاد کرد: فرضیه اول اینکه NDVI تأثیر قابل توجهی بر LST در منطقه مورد مطالعه دارد، دوم اینکه NDBI تأثیر قابل توجهی بر LST دارد و سوم هر دو متغیر NDVI و NDBI است. تاثیر قابل توجهی بر LST دارند.

سنجش از دور ابزاری موثر برای ارزیابی تجمعات شهری در مقیاس بزرگ، همانطور که در چین مورد بررسی قرار گرفت، فراهم می کند [۳]، هند [۴]، اروپا [۵,۶]، استرالیا [۷]، و سایر نقاط جهان. به عنوان مثال، پان و همکاران. [۳] تجزیه و تحلیل مقایسه ای دمای سطح زمین (LST) و جزایر گرمایی شهری را در سه توده شهری مختلف در چین انجام داد و بر پتانسیل های استفاده از داده های سنجش از دور MODIS با وضوح مکانی پایین برای ارزیابی تنظیمات حرارتی در یک منطقه بزرگ تأکید کرد. مطالعات متعددی با استفاده از داده‌های سنجش از دور برای مطالعه دمای سطح زمین و پدیده‌های مرتبط با آن در مقیاس میانی مورد بررسی قرار گرفته‌اند. به عنوان مثال، وو و همکاران. [۸] ویژگی‌های مکانی-زمانی و عوامل تأثیرگذار LST را در بلندمدت در یک منطقه شهری در مقیاس شهر با استفاده از مجموعه داده‌های Landsat 8 بررسی کرد. بینش آنها راهنمایی های ارزشمندی را برای سیاست گذاران، برنامه ریزان شهری و محققان محیط زیست ارائه می دهد تا راهبردهای مبتنی بر شواهد را برای دستیابی به آینده شهری تاب آور و قابل زندگی تدوین کنند. با این حال، مطالعات کمی دمای سطح زمین، جزایر گرمایی شهری، و دیگر پدیده‌های حرارتی ریزاقلیمی شهری را در مقیاس کوچک بررسی کرده‌اند. مثلا ناتون و مک دونالد [۹] تنظیمات حرارتی و دمای سطح زمین را در دو مکان بررسی کرد و نقش استفاده از تصاویر حرارتی پهپاد را برجسته کرد. یافته‌های آن‌ها عواملی را که به تغییر دمای سطح زمین در یک محیط شهری در مقیاس کوچک کمک می‌کنند، روشن می‌کند، که می‌تواند برای توسعه روش‌های کاهش دما بهتر برای محافظت از سلامت انسان و محیط‌زیست به کار رود. [۹].

در چندین کشور، به دلیل شهرنشینی سریع در سال‌های اخیر، برخی از پروژه‌های توسعه‌ای و مطالعات بی‌برنامه و ناکارآمد انرژی، به تغییرات شدید در دمای سطح زمین (LST) در مناطق شهری منجر شده است. مطالعات متعدد نشان داده است که کشورهای شورای همکاری خلیج فارس، یعنی امارات متحده عربی، بحرین، کویت، عمان، قطر و عربستان سعودی، انتظار می رود در آینده نزدیک توسعه شهری قابل توجهی را تجربه کنند. [۱۱]. نرخ شهرنشینی در هر یک از این کشورها در دهه گذشته از ۸۰ درصد فراتر رفته است [۱۲]. گسترش مناطق شهری معمولاً منجر به رشد سریع سطوح غیرقابل نفوذ می شود که به نوبه خود افزایش LST را تقویت می کند. [۱۳]. اگرچه تمرکز زیادی به پویایی شهری مناطق کلانشهری اصلی در این منطقه داده شده است، تراکم‌های شهری متوسط و شهرها به طور کامل مورد بررسی قرار نگرفته‌اند. بحرین نمونه بسیار معمولی برای چنین تجمعات شهری است که در جزیره ای در منطقه مرکزی منطقه خلیج قرار دارد. به عنوان نقطه اصلی ورود به منطقه و تجمعی با جمعیت یک میلیون نفری، شهرنشینی سریعی را تجربه کرده است. اگرچه مطالعات کمی در مورد شهرنشینی در بحرین انجام شده است، اما ارتباط بین LST و شهرنشینی بررسی نشده است. چندین محقق ارتباط بین LST و کاربری زمین و پوشش زمین را در رابطه با تغییرات آب و هوا، برنامه ریزی شهری، اکولوژی خاک و سلامت پوشش گیاهی مطالعه کرده اند. بنابراین، این مطالعه با هدف بررسی همبستگی بین LST و فرآیند شهرنشینی در منطقه شهری معمولی خلیج فارس بحرین انجام شد. جمعیت فعلی بحرین در سال ۲۰۲۴ برابر با ۱,۴۹۸,۷۱۲ نفر است که نسبت به سال ۲۰۲۳ افزایش ۰٫۸۹ درصدی دارد. جمعیت بحرین در سال ۲۰۲۱ بالغ بر ۱۴۶۳۲۶۵ نفر بوده که نسبت به سال ۲۰۲۰ ۰٫۹۶ درصد کاهش داشته است. [۱۴]. شکل ۱ رشد سالانه جمعیت از ابتدای دهه ۱۹۵۰ تا سال ۲۰۲۴ را روشن می کند.

با توجه به افزایش جمعیت در بحرین، نیاز روزافزون به زمین های توسعه یافته در این کشور وجود دارد. برای کاهش اثرات نامطلوب زیست‌محیطی گسترش شهری، دولت بحرین استراتژی توسعه پروژه‌های مسکونی با اندازه‌های مختلف را برای تضمین دسترسی به مسکن‌های سازگار با محیط زیست و با کیفیت بالا اجرا کرده است. این پدیده یک گرایش غالب در تمام کشورهای شورای همکاری خلیج فارس است. لازم به ذکر است که پایداری چارچوب وسیعی است که پایداری فنی، زیست محیطی، فرهنگی، اقتصادی و اجتماعی انسان را در بر می گیرد. با درک اهمیت پایداری و دستیابی به توسعه پایدار برای بشریت، این تحقیق در تلاش است تا از دستور کار توسعه پایدار ۲۰۳۰ که توسط سازمان ملل متحد تصویب شده و اجرای آن در شورای همکاری خلیج فارس حمایت کند. بنابراین، یکی از اهداف مهم دولت برای انجام چنین پروژه هایی در شورای همکاری خلیج فارس، تضمین پروژه های پایدار است. این پدیده یک گرایش غالب در تمام کشورهای شورای همکاری خلیج فارس است.

در نتیجه، در این چارچوب، موضوع مورد بحث این است که آیا پروژه‌های مسکونی در حال انجام از نظر اکولوژیکی پایدار هستند و کیفیت زندگی را تضمین می‌کنند. هنگام ارزیابی پایداری و کیفیت زندگی در مکانی با گرما و رطوبت شدید، به عنوان کشورهای عضو شورای همکاری خلیج فارس، بسیار مهم است که آسایش حرارتی انسان را در نظر بگیریم، که تأثیر مثبتی بر زندگی روزمره ساکنان و تعامل اجتماعی آنها در بافت شهری خواهد داشت. . علاوه بر بهبود عملکرد و توانایی آنها برای کار سخت در مشاغل روزمره، در همین زمینه، عملکرد کلی و اقتصادی ساکنان را بهبود می بخشد. این راحتی تحت تأثیر دمای سطح زمین است.

اندازه گیری دمای سطح زمین (LST) به عنوان یک نشانه قابل اعتماد برای ارزیابی تعادل انرژی در سطح زمین عمل می کند. این یک پارامتر اساسی در مطالعه دینامیک زمین- سطح، هم در سطح منطقه ای و هم در سطح جهانی در نظر گرفته می شود. چندین محقق ادغام فعل و انفعالات سطح- اتمسفر و شار انرژی بین جو و زمین را نشان داده اند. [۱۶,۱۷,۱۸]. اصطلاح “دمای سطح زمین (LST)” معمولاً برای توصیف دمای لایه پوست سطح زمین استفاده می شود. دمای سطح خاک برای مناطق بدون پوشش گیاهی و دمای سطح تاج پوشش برای مناطق با پوشش گیاهی گسترده را در بر می گیرد. تعیین LST برای مناطق شهری تحت تأثیر دمای تاج پوشش گیاهی، بدنه گیاهی و سطح خاک است. [۱۹,۲۰]. LST تحت تأثیر دمای تابش مؤثر سطح زمین است که بر تبادل گرما و آب بین سطح و جو حاکم است. [۱۷,۱۸]. این یک پارامتر حیاتی است که بر چندین فرآیند فیزیکی، شیمیایی و بیولوژیکی که روی زمین رخ می‌دهند، نظارت می‌کند. همانطور که توسط چندین محقق برجسته شده است، اهمیت قابل توجهی در بررسی اقلیم شهری دارد [۲۱,۲۲]. LST تغییرپذیری مطابق با تعادل انرژی سطحی را نشان می‌دهد و در تنظیم دمای هوا در سطوح پایین‌تر جو شهری نقش دارد. جایگاه مهمی در تعادل انرژی سطح دارد و بر مبادلات انرژی که بر سطوح آسایش ساکنان شهری تأثیر می گذارد تأثیر می گذارد. [۱۶].

روش‌های سنجش از دور ثابت کرده‌اند که در تخمین LST در اکوسیستم‌های شهری مؤثر هستند، همانطور که چندین محقق نشان داده‌اند. [۲۳,۲۴,۲۵]. استفاده از محصولات ماهواره‌ای چندطیفی با وضوح متوسط، مانند نقشه‌بردار موضوعی لندست ۴-۵ (TM)، نقشه‌بردار موضوعی پیشرفته لندست ۷ (ETM+)، رادیومتر گسیل و انعکاس حرارتی پیشرفته فضایی (ASTER)، و مادون قرمز حرارتی لندست ۸-۹ سنسور (TIRS)، در مطالعات مختلف برای تخمین دمای فضایی و زمانی سطح زمین (LST) استفاده شده است. [۲۶,۲۷,۲۸]. مطالعات قبلی نشان داده اند که ویژگی های حرارتی و آرایش فضایی مرتبط با LST تحت تأثیر ترکیب و پیکربندی کاربری و پوشش زمین قرار دارند. [۲۹,۳۰]. چندین محقق گزارش کرده اند که تغییر در LST ها در مناطق شهری عمدتاً تحت تأثیر شرایط پوشش گیاهی، سطوح غیر قابل نفوذ و عملکرد خاک است. [۳۱,۳۲]. از این رو، می توان استنباط کرد که مولفه های بیوفیزیکی ذکر شده در مطالعات مختلف تحت تأثیر نوسانات فصلی هستند و فرض می شود که غیرخطی بودن را در رابطه با LST نشان می دهند. [۲۰,۳۳]. در مقابل، تحقیقات اضافی حمایت بیشتری از این گزاره ارائه کرده است که عوامل اجتماعی-اقتصادی، مانند درآمد، ویژگی‌های جمعیت و سطح تحصیلات، بر LST تأثیر می‌گذارند. [۳۴,۳۵].

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

پادشاهی بحرین در خلیج عربی در ساحل شرقی شبه جزیره واقع شده است. این کشور جزیره ای با مساحت محدود است. موقعیت جغرافیایی و ویژگی های آن مشابه سایر مناطق ساحل شرقی شبه جزیره عربستان است. با توجه به شباهت در عوامل جغرافیایی و مجاورت با مناطق دیگر در سواحل شرقی شبه جزیره عربستان، نتایج یک مطالعه انجام شده در بحرین می تواند بینش و دانشی را ارائه دهد که ممکن است برای مناطق مختلف منطقه، به ویژه سواحل شرقی عربستان سعودی کاربرد داشته باشد. ، کشور قطر و امارات متحده عربی.

ایلاجیب، NA و عبده ع [۳۶] اشاره کرد که به دلیل تغییرات قابل توجه و نوسانی در شرایط اقلیمی، این منطقه به عنوان کویری یا هیپراسید طبقه بندی شده است. بیشترین دما در ماه آوریل ثبت شده است که به ۸٫۸ درجه سانتیگراد رسیده است، در حالی که کمترین دما با ۵٫۹ درجه سانتیگراد در ماه نوامبر مشاهده شده است. میانگین بارندگی ماهانه در بحرین می تواند حداکثر به ۱۶٫۲ میلی متر در ژانویه برسد، در حالی که میزان بارش سالانه ۷۶٫۰ میلی متر است. یک وقفه مشخص در الگوی بارندگی در طول سال، با عدم وجود بارندگی مداوم برای چهار ماه متوالی از ژوئن تا سپتامبر وجود دارد. [۳۶]. بحرین به دلیل تراکم جمعیت حدود ۲۰۰۰ نفر در هر کیلومتر مربع و مساحت محدود آن به عنوان یک کشور جزیره ای، تقاضای قابل توجهی برای مسکن را تجربه می کند.

حومه الرمیله در ناحیه «عالی» در استان شمالی بحرین واقع شده است. مختصات آن ۲۶°۰۹′۰۷″ شمالی ۵۰°۳۱′۳۲″ شرقی است. در شرق و شمال آن توسط فازهای جدید پروژه های مسکونی دولتی احاطه شده است که در ضلع غربی یک منطقه ذخیره سازی و در جنوب منطقه مسکونی موجود است.

عالی به خاطر سفال های دست ساز سنتی اش که می توان آن ها را از سفالگران و بوتیک های مختلف در سرتاسر شهر دید و خرید، مشهور است. لازم به ذکر است که بیشتر حومه الرمیله مناطقی را برای پروژه های ساختمانی تخریب شده در بحرین تخلیه می کردند. مدتها مورد استفاده قرار گرفت تا اینکه فرمانداری تصمیم گرفت چندین پروژه مسکونی در آنجا بسازد و استفاده از آن را به عنوان محل تخلیه متوقف کرد. منطقه مورد مطالعه به دلیل عملکرد آن به عنوان محل تخلیه ساختمانی برای مدت طولانی با کمبود پوشش گیاهی مواجه بود که بر خصوصیات زمین آن تأثیر منفی گذاشت.

حومه الرمیله یکی از چندین پروژه است که در بحرین برای پاسخگویی به تقاضای مسکن ایجاد شده است. منطقه حومه الرملی ۱۰۷۲۱۶ هکتار وسعت دارد. شکل ۲a محدوده دقیق حومه الرامیلا را نشان می دهد، در حالی که شکل ۲b,c به ترتیب مکان های دقیق میکرو و کلان را به تصویر می کشند. حومه از ۵۰°۳۰'۲۶٫۴۷″ شرقی تا ۵۰°۳۱'۱۵٫۰۰″ شرقی و از ۲۶°۱۰'۰۳٫۲۶″ شمالی تا ۲۶°۱۰'۴۶٫۲۹″ شمالی گسترش یافته است.

حومه الرملی با در مجموع ۴۵۰۱ واحد مسکونی و آپارتمانی در دسترس مردم خود یک سبک زندگی پایدار و خودکفا را ارائه می دهد. این پروژه تقریباً ۶۵ درصد از منابع خود را در مناطق مسکونی، ۱۴٫۳ درصد به جاده های کلیدی، ۵٫۶۷ درصد به ساختمان های آموزشی، ۱٫۷۴ درصد به باغ عمومی، ۸٫۳ درصد به خدمات اجتماعی، ۱٫۸۵ درصد به امکانات عمومی و ۲٫۲۰ درصد به سایر مناطق توزیع می کند. اهداف.

۲٫۲٫ داده ها

برنامه Landsat توسط سازمان زمین شناسی ایالات متحده (USGS) مدیریت می شود. تصاویر Landsat 8 OLI/TIRS از ۱۱ باند تشکیل شده است که باندهای ۱۰ و ۱۱ به عنوان باندهای حرارتی تعیین شده اند. تصاویر Landsat 8 دارای وضوح مکانی ۳۰ متر، وضوح رادیومتری ۱۲ بیت و وضوح زمانی ۱۶ روز هستند. باندهای حرارتی دارای وضوح مکانی ۱۰۰ متر هستند که سپس برای توزیع به ۳۰ متر نمونه برداری می شود. [۳۷]. چهار مجموعه از تصاویر Landsat 8 از پورتال USGS Earth Explorer (https://earthexplorer.usgs.gov/ (دسترسی در ۱۴ فوریه ۲۰۲۳). هر مجموعه از دو تصویر تشکیل شده است: یکی در سال ۲۰۱۳/۲۰۱۴ (قبل از توسعه منطقه الرملی) و دیگری در سال ۲۰۲۲/۲۰۲۳ (پس از توسعه) گرفته شده است. دیدن میز ۱. این تصاویر برای مسیر ۱۶۳ و ردیف ۴۲ در طول روز گرفته شده است. در این مطالعه، از سه باند طیفی از داده های ماهواره لندست ۸ (یعنی باند ۴ برای قرمز، باند ۵ برای مادون قرمز نزدیک و باند ۶ برای موج کوتاه مادون قرمز) برای محاسبه شاخص های طیفی استفاده کردیم. باند ۱۰ (TIR10) و باند ۱۱ (TIR11) هر دو برای اندازه گیری دمای سطح زمین در نظر گرفته شده اند. با این حال، نوار ۱۰ به دلیل آلودگی کمتر آن از نور سرگردان در مقایسه با باند ۱۱ برای تجزیه و تحلیل کمی ارجح است. منطقه مورد مطالعه برای هدف مطالعه از همه تصاویر بریده شد.

محققان چهار بازدید از منطقه مورد مطالعه را در ۱۰ ژانویه ۲۰۲۲، ۱ آوریل ۲۰۲۲، ۳ ژوئیه ۲۰۲۲ و ۲۸ سپتامبر ۲۰۲۲ با هدف مطالعه کاربری و پوشش زمین در منطقه مورد مطالعه انجام دادند. آنها بازدیدهای خود را با استفاده از عکس‌ها ثبت کردند، همانطور که در آن دیده می‌شود شکل ۳.

۳٫ روش شناسی

این مطالعه از داده‌های سنجش از دور برای استخراج دمای سطح زمین و شاخص‌های طیفی محیطی، از جمله شاخص تفاوت نرمال شده گیاهی (NDVI) که شاخص عددی برای ارزیابی سلامت و تراکم پوشش گیاهی است، استفاده می‌کند. [۳۰]و شاخص ایجاد تفاوت عادی شده (NDBI) که شاخص ساخت و ساز یا مناطق است. [۳۵]. این شاخص ها برای ارزیابی شرایط حرارتی و محیطی برای پروژه های کوچک و متوسط استفاده می شود. این رویکرد برای هر تصویر Landsat 8 استفاده شده در این مطالعه اعمال شد. از مرزهای منطقه مورد مطالعه برای کلیپ کردن تمامی تصاویر لندست استفاده شد. تصاویر در قالب اعداد صحیح به نام اعداد دیجیتال (DN) ارائه شدند. فرآیند تبدیل مشخص شده در کتابچه راهنمای کاربر داده لندست ۸ [۳۸] برای تبدیل تصاویر به بازتاب بالای اتمسفر (TOA) استفاده شد. طبق این روش و با استفاده از رابطه (۱)، تصاویر لندست با استفاده از معادله زیر از تشعشع DN به درخشندگی در حسگر تبدیل شدند:

$L_{ل} = م_{L} \cdot س_{ج آ ل} + آ_{L}$

(۱)

جایی که L_ل تابش طیفی در حسگر است، M_L ضریب پوسته پوسته شدن ضرب درخشندگی برای باند L، Q است_cal مقدار پیکسل کالیبره شده کوانتیزه شده است و A است_L عامل پوسته پوسته شدن افزودنی درخشندگی برای باند L است.

تبدیل تشعشع در حسگر به بازتاب بالای اتمسفر با استفاده از رابطه (۲) مطابق شکل زیر به دست آمد:

$r_{ل} = \frac{پی \cdot L_{ل} \cdot د^{۲}}{{E اس U ن}_{ل} \cdot \cos {من}_{س}}$

(۲)

جایی که ρ_ل بازتاب بدون واحد بالای اتمسفر (TOA) است، d فاصله زمین تا خورشید است که بر حسب واحدهای نجومی اندازه گیری می شود، ESUN_ل میانگین تابش اتمسفری خورشیدی است و θ_س زاویه اوج خورشیدی است.

بازتاب سطحی با استفاده از روش تفریق جسم تاریک (DOS) به کار رفته در بازتاب بالای اتمسفر (TOA) برای حذف تداخل جوی به دست آمد. تفریق اشیای تاریک (DOS) یک تکنیک ساده و تجربی است که برای حذف اثرات جوی در داده های سنجش از دور استفاده می شود. با این فرض عمل می کند که بازتاب اجسام تاریک شامل بخش قابل توجهی از پراکندگی اتمسفر است. الگوریتم DOS هر باند را اسکن می کند تا پیکسل را با کمترین شدت شناسایی کند و متعاقباً با حذف این مقدار از هر پیکسل در باند، اعوجاج های جوی ناخواسته را حذف می کند. [۳۹].

این مطالعه از NDVI به عنوان شاخص اولیه استفاده کرد. استفاده از NDVI در ابتدا برای ارزیابی وجود پوشش گیاهی استفاده شد، هدفی که در تحقیقات قبلی اثبات شده است. [۴۰,۴۱]. NDVI به طور سنتی با در نظر گرفتن نسبت بازتاب قرمز در سطح به بازتاب مادون قرمز نزدیک همانطور که در رابطه (۳) نشان داده شده است محاسبه می شود:

$ن D V من = \frac{ن من آر - آر}{ن من آر + آر}$

(۳)

بازتاب سطحی در مادون قرمز نزدیک (NIR) و قرمز مرئی (R) را می توان با استفاده از باند ۵ و باند ۴ از Landsat 8 OLI اندازه گیری کرد. این شاخص دامنه ای از ۰ تا ۱ را در بر می گیرد که مقادیر بالاتر نشان دهنده پوشش گیاهی بالاتر است.

شاخص مورد استفاده در اینجا به پنج طبقه بندی مجزا برای تشریح انواع مختلف پوشش زمین سازماندهی شده است. طبقه بندی ها به شرح زیر تعریف می شوند:

من.: کلاس ۰: نماینده مناطقی که با ابر و آب مشخص می شود.
ii: کلاس ۰-۰٫۱: شامل زمین های شامل سنگ و خاک لخت.
III.: کلاس ۰٫۱-۰٫۳: تعیین مناطق شناسایی شده به عنوان مناطق بایر.
IV: کلاس ۰٫۳-۰٫۷: شامل مناظر با بوته ها، محصولات زراعی و علفزار است.
v: کلاس > ۰٫۷: نشان دهنده مناطقی است که پوشش گیاهی متراکم را نشان می دهد.

این سیستم طبقه بندی به عنوان یک چارچوب دقیق عمل می کند و امکان ارزیابی جامع انواع پوشش زمین را بر اساس فواصل شاخص مشخص می کند.

شاخص ایجاد اختلاف نرمال شده (NDBI) یک شاخص طیفی است که برای مطالعه مناطق ساخته شده طراحی شده است. محاسبه شامل تعیین نسبت بین طول موج مادون قرمز موج کوتاه (SWIR) و مادون قرمز نزدیک (NIR) است، همانطور که در رابطه (۴) نشان داده شده است. نواحی با تجمع متراکم انعکاس بیشتری از تابش امواج کوتاه مادون قرمز (SWIR) نشان می دهند، در حالی که مناطق با تراکم کمتر سطح بازتاب کمتری را در طیف مادون قرمز نزدیک (NIR) نشان می دهند. [۴۰]. محاسبه NDBI با استفاده از رابطه زیر انجام شد [۴۱,۴۲]:

$ن D ب من = \frac{اس دبلیو من آر - ن من آر}{اس دبلیو من آر + ن من آر}$

(۴)

NDVI، که مخفف عبارت Normalized Difference Vegetation Index است، معیار غالب و گسترده برای استخراج پوشش گیاهی است. همانطور که در روش ذکر شد، معادلات (۳) و (۴) چگونگی استخراج شاخص گیاهی با اختلاف نرمال شده (NDVI) و شاخص ایجاد اختلاف نرمال شده (NDBI) را از داده های Landsat تعریف کردند.

در لندست ۸، باند ۵ و باند ۶ نشان دهنده مادون قرمز نزدیک و مادون قرمز موج کوتاه هستند و NDBI با استفاده از بازتاب سطحی به دست آمد. این شاخص از ۱- تا ۱ متغیر بود، با مقدار بالاتر نشان دهنده افزایش پوشش ساخته شده است.

شاخص مورد استفاده در این تحقیق به چهار طبقه بندی مجزا تقسیم شده است که هر کدام با محدوده های عددی خاصی مرتبط هستند. این طبقه بندی ها به شرح زیر تعریف می شوند:

من.: کلاس ≤ -۰٫۰۵: نشان دهنده مناطق غیر سکونت گاه.
ii: کلاس -۰٫۰۵–۰٫۰۱: نشان دهنده مناطقی است که با تراکم منطقه ساخته شده کم مشخص می شود.
III.: کلاس −۰٫۰۱–۰٫۰۴۹: نشان دهنده مناطق با تراکم سطح متوسط است.
IV: Class > 0.49: مناطقی را نشان می دهد که دارای تراکم منطقه ساخته شده بالا هستند.

برای به دست آوردن دمای سطح زمین (LST) از Landsat 8 Band 10، باند با استفاده از یک معادله انتقال تابشی و روش مبتنی بر تئوری انتقال تابشی به تابش طیفی حسگر تبدیل شد. [۴۳] (معادله ۱)). سپس از این تابش برای استخراج دمای روشنایی T استفاده شد_ب در کلوین با استفاده از معادله (۵)، همانطور که در زیر نشان داده شده است:

${تی}_{ب} = \frac{ک_{۲}}{لوگاریتم (\frac{ک_{۱}}{L_{ل}} + ۱)}$

(۵)

جایی که k₁ و ک_۲ ثابت های کالیبراسیونی هستند که به ترتیب برابر با ۷۷۴٫۸۹ و ۱۳۲۱٫۰۸ برای Landsat 8 Band 10 هستند.

انتشار سطح (ε) با استفاده از رویکرد آستانه NDVI تعیین شد [۴۴,۴۵]. پوشش گیاهی کسری (F_v) که به عنوان نسبت مساحت پیش بینی شده عمودی اشغال شده توسط پوشش گیاهی سبز به کل سطح زمین تعریف می شود که به صورت درصد بیان می شود در رابطه (۶) نشان داده شده است. [۴۶]، بر اساس شاخص تفاوت نرمال شده گیاهی (NDVI) با استفاده از معادله زیر محاسبه شد. [۴۷]:

${اف}_{v} = {[\frac{ن D V من - {ن D V من}_{متر من n}}{{ن D V من}_{متر آ ایکس} - {ن D V من}_{متر من n}}]}^{۲}$

(۶)

جایی که NDVI_دقیقه به حداقل مقدار NDVI اشاره دارد که در آن پیکسل ها به عنوان خاک برهنه طبقه بندی می شوند و NDVI_حداکثر حداکثر مقدار NDVI را نشان می دهد که در آن پیکسل ها به عنوان پوشش گیاهی سالم طبقه بندی می شوند.

انتشار سطح زمین (ε_ل) معیاری است که نشان می دهد یک سطح چگونه تابش گرما را به طور مؤثر آزاد می کند. ε_ل یک ارزیابی کمی از توانایی یک سطح برای انتشار گرما توسط تابش مادون قرمز نسبت به ساطع کننده کامل به نام جسم سیاه است. در تئوری، ε_ل یک سطح معمولاً به عنوان یک عدد عددی از ۰ تا ۱ تعیین می شود. مقدار ۰ نشان دهنده سطحی است که تابش را کاملاً منعکس می کند بدون اینکه هیچ ساطع کند، در حالی که مقدار ۱ سطحی را نشان می دهد که به طور کامل تابش ساطع می کند. ε_ل برای تخمین دمای سطح زمین ضروری است. برای محاسبه تابش سطح زمین از رابطه (۷) استفاده شد [۴۸]:

$ه_{ل} = ه_{v ل} {اف}_{v} + ه_{س ل} (۱ - {اف}_{v}) + د_{ل}$

(۷)

جایی که ε_دیدن و ε_sl به ترتیب انتشار یک سطح رویشی کامل و سطح کامل خاک هستند. δ_ل زبری سطح است که به عنوان مقدار ثابت ۰٫۰۰۵ در نظر گرفته می شود [۴۴]. عملاً معادله (۷) مطابق با معادله (۸) که در زیر نشان داده شده است [۴۹]:

$ه_{ل} \{\begin{matrix} ه_{س ل} ، ن D V من < {ن D V من}_{س} \\ ه_{v ل} {اف}_{v} + ه_{س ل} (۱ - {اف}_{v}) + د_{ل} ، {ن D V من}_{س} \leq ن D V من \leq {ن D V من}_{v} \\ ه_{v ل} {اف}_{v} + د_{ل} ، ن D V من > {ن D V من}_{v} \end{matrix}$

(۸)

هنگامی که NDVI به زیر ۰ می رسد، پیکسل آب با مقدار انتشار ۰٫۹۹۱ در نظر گرفته می شود. مقادیر NDVI از ۰ تا ۰٫۲ نشان دهنده پوشش خاک است و مقدار انتشار ۰٫۹۹۶ اختصاص داده شده است. محدوده مقادیر NDVI بین ۰٫۲ و ۰٫۵ به عنوان ترکیبی از خاک و پوشش گیاهی طبقه بندی می شود و از رابطه (۸) برای استخراج تابش استفاده می شود. هنگامی که مقدار NDVI در آخرین سناریو از ۰٫۵ بیشتر شود، به عنوان پوشش گیاهی طبقه بندی می شود و مقدار ۰٫۹۷۳ به آن اختصاص می یابد.

در نهایت، دمای سطح زمین (LST) با استفاده از رابطه (۹) به دست می‌آید:

${L اس تی}_{ک} = \frac{{تی}_{ب}}{۱ + \frac{ل r {تی}_{ب}}{ساعت ج} لوگاریتم ه_{ل}}$

(۹)

که در آن λ طول موج موثر است که ۱۰٫۹ میلی متر است، برای باند ۱۰ لندست ۸، ρ ثابت بولتزمن است (۱٫۳۸ × ۱۰^-۲۳ J/K)، h است پلانک ثابت (۶٫۶۲۶ × ۱۰^-۳۴ Js)، c سرعت نور است (۲٫۹۹۸ × ۱۰^-۸ m/s)، و ε_ل انتشار است.

LST_ک بر حسب کلوین به دست می آید، سپس با استفاده از معادله (۱۰) به شکل زیر به سلسیوس تبدیل می شود:

${L اس تی}_{ج} = {L اس تی}_{ک} - ۲۷۳٫۱۵$

(۱۰)

جایی که LST_ج دمای سطح زمین بر حسب سانتیگراد است.

نسخه دسکتاپ QGIS 3.22.14 (https://www.osgeo.org/projects/qgis/ (دسترسی در ۱۵ تا ۱۸ فوریه ۲۰۲۳)) از نرم افزار برای انجام تجزیه و تحلیل تصویر دیجیتال سنجش از دور، تجزیه و تحلیل فضایی و نقشه برداری استفاده شد.

در مجموع هزار مکان تصادفی تولید شد تا کل منطقه مورد مطالعه را در بر گیرد. از نقاط برای جمع آوری اندازه گیری های NDVI، NDBI و LST استفاده شد_ج در موقعیت های مربوطه خود نتایج نمونه گیری به Minitab صادر شد (https://www.minitab.com/ (دسترسی از ۱ تا ۳ مارس ۲۰۲۳)) برای بررسی همبستگی بین NDVI و LST_جو همچنین بین NDBI و LST_ج، هم قبل و هم بعد از توسعه منطقه مورد مطالعه.

تحقیق دارای سه فرضیه اصلی است که عبارتند از:

فرضیه ۱ (H1):

شاخص گیاهی تفاوت نرمال شده (NDVI) تأثیر قابل توجهی بر دمای سطح زمین (LST) در منطقه مورد مطالعه قبل و بعد از توسعه دارد.

فرضیه ۲ (H2):

شاخص ایجاد تفاوت نرمال شده (NDBI) تأثیر قابل توجهی بر دمای سطح زمین (LST) در سراسر منطقه مورد مطالعه قبل و بعد از توسعه دارد.

فرضیه ۳ (H3):

متغیرهای NDVI و NDBI تأثیر قابل توجهی بر تغییر دمای سطح زمین (LSTc) دارند.

۴٫ نتایج

۴٫۱٫ الگوی فضایی و زمانی NDVI و NDBI

NDVI یک اندازه گیری کمی است که برای ارزیابی و ردیابی مقدار پوشش گیاهی در حال رشد در یک منطقه خاص استفاده می شود. توزیع فضایی NDVI در طول دوره مطالعه به تصویر کشیده شده است شکل ۴، در حالی که شکل ۵ نوسانات فصلی NDVI را نشان می دهد. مقادیر NDVI در سال های ۲۰۲۲-۲۰۲۳ نسبت به سال های ۲۰۱۳-۲۰۱۴ کاهش نشان می دهد. میانگین تفاوت در مقادیر NDVI در طول سال‌ها به ترتیب ۰٫۰۲۸، ۰٫۰۱۷۷، ۰٫۰۲۳۵ و ۰٫۰۵۳۴ کاهش یافت. کمترین مقدار NDVI در زمستان های ۲۰۱۴ و ۲۰۲۳ مشاهده شد. برعکس، بالاترین مقدار NDVI در زمستان ۲۰۱۴ به ثبت رسید که به ۰٫۲۶۶۷ رسید.

محققان مشاهده کردند که کاربری اولیه زمین در منطقه مورد مطالعه با توسعه مسکونی با تراکم متوسط مشخص می شود. شکل ۶ تغییرات در الگوهای فضایی NDBI را نشان می دهد، در حالی که شکل ۷ نوسانات فصلی NDBI را قبل و بعد از توسعه منطقه مورد مطالعه نشان می دهد. شاخص ایجاد تفاوت نرمال شده (NDBI) یک شاخص طیفی است که در سنجش از دور برای شناسایی و اندازه‌گیری وسعت مناطق توسعه‌یافته یا شهری در یک منطقه معین استفاده می‌شود. بالاترین مقدار ثبت شده NDBI در بهار ۲۰۲۲ با ۰٫۰۹۱۶ رخ داد. مقادیر میانگین در چهار فصل به ترتیب با ۰٫۰۰۰۲، ۰٫۰۰۴۶، ۰٫۰۰۴۲ و ۰٫۰۰۵۲ متفاوت بود، که نشان می دهد هیچ تغییر قابل توجهی در NDBI در طول سال ها وجود ندارد.

۴٫۲٫ الگوی فضایی و زمانی دمای سطح زمین

دمای سطح زمین (LST) با استفاده از داده‌های باند ۱۰ ماهواره Landsat 8 OLI/TIRS برای دوره‌های قبل و بعد از توسعه منطقه مورد مطالعه به دست آمد. شکل ۸ نقشه های طبقه بندی شده دمای سطح زمین منطقه مورد مطالعه را برای چهار فصل در سال های ۲۰۱۳-۲۰۱۴ و ۲۰۲۲-۲۰۲۳ نمایش می دهد. نقشه‌های LST افزایش در LST در فصل بهار را شناسایی کردند که درجه حرارت در سال ۲۰۱۳ به عنوان بالا طبقه‌بندی شد. حداکثر و کمینه دمای ثبت شده به ترتیب ۴۲٫۸ درجه سانتی گراد و ۳۸٫۲ درجه سانتی گراد بوده است. در سال ۲۰۲۲، بیشتر منطقه مورد مطالعه به عنوان دارای LST بسیار بالا طبقه بندی شد، با برخی از مناطق دارای LST بالا. بالاترین LST ثبت شده ۴۷٫۱ درجه سانتیگراد و کمترین آن ۴۳٫۸ درجه سانتیگراد بود. در پاییز ۲۰۱۳، دما از حداکثر ۴۲٫۲ درجه سانتیگراد تا حداقل ۳۸٫۱ درجه سانتیگراد با طبقه بندی LST بالا متغیر بود. با این حال، در سال ۲۰۲۲، LST به طور قابل توجهی بالاتر بود، با حداکثر ۵۰٫۷ درجه سانتیگراد و حداقل ۴۶ درجه سانتیگراد. طبقه بندی LST در هر دو فصل تابستان و زمستان بدون تغییر باقی ماند. فصل تابستان به عنوان دارای LST بسیار بالا طبقه بندی شد، در حالی که فصل زمستان به عنوان دارای LST متوسط طبقه بندی شد. تغییرات فصلی دمای سطح زمین (LST) قبل و بعد از توسعه منطقه مورد مطالعه در شکل ۹.

مدل سازی روابط بین NDVI، NDBI و LST

برای ارزیابی، می توان با انجام یک تحلیل رگرسیون خطی، همبستگی بین شاخص گیاهی تفاوت نرمال شده (NDVI) و دمای سطح زمین (LST) و همچنین همبستگی بین شاخص ایجاد اختلاف نرمال شده (NDBI) و LST را تعیین کرد. . در طول آزمون رگرسیون، LST به عنوان متغیر پاسخ (متغیر وابسته)، در حالی که NDVI و NDBI به عنوان متغیرهای پیش بینی (متغیرهای مستقل) استفاده می شود. هر دو ارزش NDVI و NDBI از تجزیه و تحلیل داده های Landsat 8-9 OLI / TIRS C2 L2 به دست آمدند.

نتایج بعدی به تغییرات در LST، NDVI و NDBI می پردازد. علاوه بر این، تأثیر NDVI و NDBI بر LST در هر چهار فصل در منطقه مورد مطالعه را بررسی خواهد کرد.

به منظور بررسی ارتباط بین NDBI، NDVI و LST در منطقه مورد مطالعه، در مجموع ۱۰۰۰ نقطه نمونه به طور تصادفی انتخاب شده از مجموعه داده های NDBI، NDVI و LST انتخاب شد. سپس از این نقاط نمونه برای انجام تحلیل رگرسیون استفاده شد. ضریب تعیین (R²) و ضرایب همبستگی پیرسون برای ارزیابی قدرت روابط به دست آمد. مدل‌های رگرسیون خطی برای NDVI و LST، و همچنین برای NDBI و LST، در زیر نشان داده شده‌اند. شکل ۱۰ و شکل ۱۱، به ترتیب.

یک رابطه مثبت قابل توجه و ثابت بین NDBI و دمای سطح زمین در سطح اطمینان ۹۵٪ در چهار فصل در سال های ۲۰۱۳-۲۰۱۴ و ۲۰۲۲-۲۰۲۳ وجود دارد. مقادیر شاخص پیرسون برای سال های ۲۰۱۳-۲۰۱۴ به ترتیب ۰٫۱۵۸، ۰٫۳۳۹، ۰٫۳۶۰ و ۰٫۱۳۵ بود. برای سال‌های ۲۰۲۲-۲۰۲۳، مقادیر شاخص پیرسون به ترتیب ۰٫۳۳۴، ۰٫۵۷۱، ۰٫۵۶۲ و ۰٫۴۴۵ بود. برای هر افزایش تدریجی ۰٫۰۱ در مقدار NDBI، دمای سطح زمین افزایش متناظر ۰٫۰۵ درجه سانتی گراد، ۰٫۰۸ درجه سانتی گراد، ۰٫۰۸ درجه سانتی گراد و ۰٫۰۲ درجه سانتی گراد را در سال های ۲۰۱۳-۲۰۱۴ تجربه کرد. در سال‌های ۲۰۲۲-۲۰۲۳، دمای سطح زمین به ترتیب ۰٫۱۱ درجه سانتیگراد، ۰٫۴۲ درجه سانتیگراد، ۰٫۴۴ درجه سانتیگراد و ۰٫۱۱ درجه سانتیگراد برای همان افزایش تدریجی در مقدار NDBI افزایش یافت. همبستگی بین NDBI و LST نشان دهنده افزایش مداوم NDBI در طول زمان است. NDBI با موفقیت تغییرات در LST را شناسایی و توصیف کرد.

شکل ۱۰ ارتباط منفی بین NDVI و LST در فصول مختلف را نشان می دهد. برای هر افزایش ۰٫۰۱ در مقدار NDVI، LST معادل در چهار فصل در طول ۲۰۱۳-۲۰۱۴ (به جز تابستان) به ترتیب ۰٫۰۶ درجه سانتی گراد، ۰٫۰۰۰۳ درجه سانتی گراد و ۰٫۰۳ درجه سانتی گراد کاهش می یابد. در فصل تابستان، LST 0.0025 درجه سانتیگراد افزایش یافت. از سال ۲۰۲۲ تا ۲۰۲۳، LST به ترتیب ۰٫۱۸ درجه سانتیگراد، ۰٫۶۱ درجه سانتیگراد و ۰٫۶۴ درجه سانتیگراد افزایش می یابد و در طول فصل زمستان کاهش ۰٫۰۱ درجه سانتیگراد را تجربه می کند. از این رو، NDVI نسبت به تغییرات در LST حساسیت نشان می دهد، و هر گونه اختلاف در NDVI به طور بالقوه می تواند منجر به تغییر در LST شود. NDVI و LST یک همبستگی منفی در طول فصل های بهار، پاییز و زمستان ۲۰۱۳-۲۰۱۴ نشان دادند. ضریب پیرسون که در سطح اطمینان ۹۵ درصد محاسبه شد، به ترتیب ۱۸/۰-، ۰۱۶/۰- و ۱۹۲/۰- تعیین شد. در تابستان، همبستگی مثبتی بین متغیرها وجود داشت که با مقدار پیرسون ۰٫۰۱ نشان داد. در مقابل، در طول دوره ۲۰۲۲-۲۰۲۳، یک همبستگی مثبت بین NDBI و LST در بهار، تابستان و پاییز وجود داشت همانطور که در نشان داده شده است. شکل ۱۱این همبستگی از نظر آماری در سطح اطمینان ۹۵ درصد با ضرایب پیرسون به ترتیب ۰٫۳۱۰، ۰٫۴۹۶ و ۰٫۵۱۲ معنی دار بود. این انجمن یک همبستگی منفی در طول فصل زمستان، با ضریب پیرسون ۰٫۰۲۵- نشان داد. با این حال، علیرغم تغییر فصول، همبستگی بین NDVI و LST سازگار نبود، که همان چن بود. [۵۰].

در طول سال ۲۰۱۳-۲۰۱۴، ارتباط منفی بین NDBI و NDVI در فصول بهار، تابستان و زمستان وجود داشت. مقادیر شاخص پیرسون برای این فصول به ترتیب -۰٫۱۶، -۰٫۰۷۶ و -۰٫۱۴۷ بود. با این حال، در فصل پاییز، همبستگی مثبت با مقدار شاخص پیرسون ۰٫۰۲۱ وجود داشت. علاوه بر این، در طول دوره ۲۰۲۲-۲۰۲۳، یک ارتباط مثبت قوی بین NDBI و NDVI در هر چهار فصل مشاهده شد. مقادیر شاخص پیرسون ۰٫۲۸۶، ۰٫۶۶۳، ۰٫۶۲ و ۰٫۲۴ بود. همبستگی بین NDVI و استفاده از زمین برای ساخت و ساز شهری مشهود بود، زیرا تغییراتی را که در طول زمان رخ داده بود به دقت به تصویر می‌کشید.

۵٫ بحث

همانطور که قبلا توضیح داده شد، پادشاهی بحرین در خلیج عربی در ساحل شرقی شبه جزیره واقع شده است. این کشور علیرغم جزیره ای بودن با مساحت محدود، با مسائل زیست محیطی جهانی مانند پدیده گرم شدن کره زمین، بالا آمدن سطح آب دریاها و غیره در معرض تهدید قرار گرفته است. با توجه به شباهت در عوامل جغرافیایی و مجاورت با مناطق دیگر در سواحل شرقی شبه جزیره عربستان، نتایج این تحقیق انجام شده در بحرین می تواند بینش و دانشی را ارائه دهد که ممکن است در مناطق مختلف منطقه اعمال شود. بنابراین، محققان آن را به عنوان یک نمونه عالی از یک مطالعه آزمایشی در نظر گرفتند.

به عبارت دیگر، نتایج یک مطالعه انجام شده در بحرین را می توان به طور بالقوه به سایر مناطق در سواحل شرقی شبه جزیره عربستان تعمیم داد. با توجه به شباهت ها در ویژگی های جغرافیایی و مجاورت با مناطق دیگر در سواحل شرقی شبه جزیره عربستان، نتایج یک مطالعه انجام شده در بحرین می تواند بینش و دانشی را ارائه دهد که ممکن است برای سایر مناطق در این منطقه قابل اجرا باشد. اگرچه مطالعات در مقیاس محدود ممکن است همیشه اجازه تعمیم مستقیم نتایج را به مناطق دیگر ندهند، اما مزایای متعددی از نظر عمق درک، ارتباط محلی، تولید داده‌های پایه، و اطلاع‌رسانی برنامه‌های تحقیقاتی و اقدام گسترده‌تر ارائه می‌دهند. با این حال، در نظر گرفتن زمینه و ویژگی های خاص هر منطقه هنگام تعمیم یافته های یک مطالعه مهم است.

با استفاده از بحرین به عنوان نمونه ای از شهری که شاهد افزایش جمعیت و گسترش شهری بوده است، تمایل به افزایش جمعیت منطقه مورد مطالعه در ارتباط با LST در شورای همکاری خلیج فارس (GCC) ادامه خواهد داشت. این می تواند به الگوی رواناب شهری، شرایط آب و هوایی و محیط زیست قابل زندگی آسیب برساند. قبل از هر گونه تغییر اضافی در محیط غیرسازمان‌یافته‌اش، شهر نیاز به تمرکز برنامه‌ریزان شهری و سیاست‌گذاران برای جلوگیری از هرگونه تحریف در الگوهای LST دارد. بنابراین، تحت چتر پایداری، این تحقیق پروژه مسکونی الرمیلا در بحرین را به عنوان نمونه ای از یک پروژه مسکونی دولتی در شورای همکاری خلیج فارس (GCC) برای مطالعه امکان UHIs و بررسی تاثیر تغییرات کاربری زمین در چشم انداز شهری در مقیاس کوچک، UHI را در کانون توجه قرار می دهد تا شیوه های ساخت و ساز زیست محیطی در منطقه را بهبود بخشد. همانطور که قبلاً در مقدمه توضیح داده شد، با اشاره به پایداری، موضوع این است که آیا پروژه‌های مسکونی در حال انجام در پروژه‌های شهرنشینی سریع از نظر اکولوژیکی پایدار هستند و کیفیت زندگی را تضمین می‌کنند یا خیر. با تطبیق استراتژی و اهداف ۲۰۲۳ بحرین و پروژه های مسکونی، با توجه به موارد مطرح شده، این پژوهش در تلاش است تا سازگاری این گونه پروژه ها را با دستور کار توسعه پایدار ۲۰۳۰ مصوب سازمان ملل متحد و اجرای آن در شورای همکاری خلیج فارس بررسی کند. [۱۱]. علاوه بر این، این مقام سخت تلاش می کند تا توسعه محلی پایدار را مطابق با برنامه استراتژیک جامع بحرین ۲۰۲۳ ایجاد کند. [۱۲].

همانطور که از پیشینه منطقه مورد مطالعه فهمیده می شود، حومه الرمیلا به دلیل عملکرد آن به عنوان یک منطقه تخلیه ساختمانی برای مدت طولانی کمبود پوشش گیاهی داشت که بر ویژگی های زمین آن تأثیر منفی گذاشت. این مسائل تحت تاثیر قرائت دمای پوشش زمین قبل و بعد از ساخت پروژه های مسکونی بود. این نکته به مطالعه چنین پروژه ای اهمیت می دهد. از منظر دیگر، با توجه به انتظارات از افزایش نرخ تغییر اقلیم جهانی و افزایش دمای سطح زمین (LST) و افزایش نرخ تغییر اقلیم جهانی، این تحقیق افزایش پیش بینی شده دمای سطح زمین (LST) را مورد بررسی قرار داد. ) به طور کلی و در آب و هوای گرم، از جمله کشورهای عضو شورای همکاری خلیج فارس (GCC). این تحقیق به طور خلاصه تغییرات گسترده در کاربری زمین و پوشش آن را به دلیل تقاضای زیاد برای زمین شهری برای تطبیق توسعه‌های مسکونی اضافی همراه با افزایش رشد جمعیت از سال ۲۰۱۳ تا ۲۰۲۳ مورد بحث قرار داد که برای دستیابی به این هدف و مطابقت با سال ۲۰۲۳ انجام شد. استراتژی ها. نکته مورد بحث در این تحقیق در چنین زمینه‌ای برای کشف پدیده‌های رخ‌داده در جزایر گرمایی شهری در چنین کلان‌شهری‌ها اهمیت جدی دارد. همچنین بحث در مورد نتایج تحقیق باعث ارتقای کیفیت محیط شهری و بهبود شرایط اجتماعی در این مناطق مسکونی خواهد شد. علاوه بر این، از نظر اقتصادی نیز بر کاهش مصرف برق و هزینه های زندگی ساکنان و همچنین کاهش نیروهای اقتصادی شورای همکاری خلیج فارس تأثیر دارد.

یک تحلیل جامع قبل و بعد از ساخت و ساز انجام شد، با نزدیک شدن به تمام فصول سال برای مطالعه شدت UHI، همراه با بررسی روابط LST با هر دو NDBI و NDVI. فرضیه ۱ تا حدی رد شد، در حالی که هر دو فرضیه ۲ و ۳ پذیرفته شدند.

در پایان، نتایج بحث از فرضیه های تحقیق عبارتند از:

فرضیه ۱ (H1):

تا حدی رد شده است، زیرا همبستگی بین LST و NDVI پایدار نبود. اگرچه شاخص پوشش گیاهی به نوسانات LST حساس بود، NDVI به طور پایدار LST را منعکس نمی کرد.

فرضیه ۲ (H2):

H2 پذیرفته شده است، زیرا مکاتبات NDBI و LST پایدار بود. از این رو، NDBI می تواند تغییرات LST را به طور پایدار منعکس کند.

فرضیه ۳ (H3):

پذیرفته شده است، زیرا نتایج آماری از اعتبار فرضیه پشتیبانی می کند.

نتایج نشان داد که تغییر در پوشش زمین از زیستگاه طبیعی و خاک به مواد تولیدی که گرما را به عنوان بتن و آسفالت جذب و آزاد می‌کنند، با افزایش دما در تشکیل UHIs نقش داشته است. این به وضوح در رابطه NDBI و LST نمایش داده شد. در همین حال، رابطه NDVI و LST با نشان دادن همبستگی های مثبت و منفی در طول فصول، عدم ثبات را نشان داد.

این مطالعه از تصاویر Landsat 8 OLI/TIRS برای بررسی همبستگی بین توسعه شهری و نوسانات دما با استفاده از شاخص‌های گیاهی تفاوت نرمال شده (NDVI)، شاخص تفاوت عادی شده (NDBI) و دمای سطح زمین (LST) به عنوان شاخص‌های اولیه استفاده کرد. . منطقه مورد مطالعه در پادشاهی بحرین بود، و تجزیه و تحلیل از سال ۲۰۱۳ تا ۲۰۲۳ انجام شد. رشد شهری در منطقه مورد مطالعه بر اساس نتایج NDBI ارزیابی شد. گسترش شهری فضای مسکونی اضافی ایجاد کرده است، البته به هزینه محیط طبیعی. LST در طول ماه های تابستان پس از رشد شهری در مقایسه با دوره قبل از توسعه، افزایش قابل توجهی را نشان داد. میانگین LST از ۴۱٫۱ درجه سانتی گراد به ۴۵٫۶ درجه سانتی گراد در طول بهار و از ۴۰٫۵ درجه سانتی گراد به ۴۴٫۲ درجه سانتی گراد در طول پاییز به دنبال اجرای رشد شهری در منطقه مورد مطالعه افزایش یافت. در این الگوی کلی، دمای سطح زمین منطقه مورد مطالعه (LST) افزایش محسوس تری را تجربه کرد.

علاوه بر این، بررسی ما در مورد رابطه بین شاخص ایجاد اختلاف نرمال شده (NDBI) و دمای سطح زمین (LST) یافته‌های روشنگری را به دست آورد که بر اثربخشی NDBI در توصیف پویایی LST در پروژه‌های توسعه شهری در مقیاس کوچک مورد مطالعه تاکید کرد. منطقه شورای همکاری خلیج فارس (GCC). یک همبستگی مثبت قابل توجه بین NDBI و LST مشاهده شد، که نشان داد، با افزایش مقادیر NDBI، ارتفاع متناظری در LST وجود دارد. این ارتباط مثبت بر پتانسیل NDBI به عنوان یک شاخص قابل اعتماد برای اندازه گیری الگوهای حرارتی در محیط های شهری، به ویژه در زمینه توسعه های در مقیاس کوچک تاکید می کند. در مقابل، تجزیه و تحلیل ما همچنین یک همبستگی منفی بین شاخص گیاهی تفاوت نرمال شده (NDVI) و LST را نشان داد. مقادیر بالاتر NDVI با LST پایین‌تر همراه بود، که تأثیر خنک‌کننده پوشش گیاهی در منظر شهری را برجسته می‌کرد. با این حال، ذکر این نکته ضروری است که رابطه بین NDVI و LST درجه ای از بی ثباتی را نشان می دهد. علیرغم همبستگی کلی منفی، پویایی NDVI-LST کمتر سازگار بود، و نشان می‌دهد که NDVI ممکن است تغییرات LST را در مناطق توسعه شهری در مقیاس کوچک منعکس نکند.

همچنین، از آنجایی که رابطه NDVI و LST پایدار نبود، پیشنهاد می‌شود رویکردهای متفاوتی برای نظارت بر تعامل آنها در نظر گرفته شود. از آنجایی که این مطالعه قبل و بعد از ساخت پروژه انجام شده است، مطالعه ای توصیه می شود که UHI ها را بین دو دوره مختلف پس از ساخت مقایسه کند تا ارزیابی شود که آیا ساخت و ساز سازگار با محیط زیست بوده یا خیر تا چنین پروژه هایی با طرح ملی در دستیابی به پایداری بررسی شود. در پروژه های مسکونی و همچنین تطبیق با استراتژی های ۲۰۲۳ برای ارتقای کیفیت محیط شهری و بهبود تعاملات اجتماعی در مناطق مسکونی.

نتایج این مطالعه با یافته های Elghoneimy and Mohammed 2019 مطابقت داشت [۵۱]. روابط بین شاخص های طیفی مواد غیرقابل نفوذ و پوشش گیاهی از یک سو و تنظیمات حرارتی از سوی دیگر را ارزیابی کرد. این اهمیت در نظر گرفتن مقدار پوشش گیاهی زمین در پروژه های مسکونی در کشورهای خلیج را نشان می دهد. در نتیجه، بر اقتصاد محلی در شورای همکاری خلیج فارس تأثیر خواهد گذاشت. این نتایج به دلیل تأثیرات منفی احتمالی چنین پروژه های مسکونی با شرایط آنها بر محیط محلی در سطوح خرد و کلان اقلیمی، اقتصادی، اکولوژیکی و شهری نگران کننده است.

در نهایت، پروژه های مسکونی در بسیاری از مکان ها در حال اجرا هستند و به سرعت در حال افزایش هستند. متأسفانه استفاده از عملکرد ساخت و ساز یکسان منجر به انتظارات بالا برای ایجاد پروژه های غیرپایدار می شود و منجر به UHI ها نیز می شود. این به معنای کیفیت پایین اجتماعی، بارگذاری بیش از حد برای اقتصاد به دلیل مصرف زیاد برای مسائل تهویه مطبوع و همچنین اثرات منفی بر محیط زیست با مشکلات مختلف است.

در نتیجه، کیفیت کلی شهری در چنین مناطق پروژه بدتر خواهد شد. لازم به ذکر است که موضوع UHI ها در سطوح مختلف به محیط زیست هشدار می دهد و این پروژه ها در مکان های دیگر و شرایط مختلف شهری پراکنده هستند. بنابراین، نیاز به مطالعات بیشتر برای جلوگیری از اثرات منفی که ممکن است ناشی از چنین پروژه ای باشد وجود دارد.

محدودیت تحقیق در فاز ساخت و ساز مشخصی از یک پروژه دولتی با ویژگی ها و مرزهای مشخص بود تا با توجه به عوامل زمانی و محدودیت منابع مالی، امکان تحلیل جامع فراهم شود، زیرا تحقیق از منبع حداقلی برخوردار بود. بنابراین، تحقیقات آتی باید پروژه های مشابه در مناطق مختلف شورای همکاری خلیج فارس را بر اساس اهمیت کنترل دلایل وقوع UHIs پوشش دهد تا از اثرات منفی احتمالی ایجاد UHI در سایر مناطق فضاهای شهری شهر جلوگیری شود.

۶٫ نتیجه گیری

در زمینه تغییرات آب و هوایی جهانی، افزایش پیش‌بینی‌شده دمای سطح زمین (LST) در سراسر جهان، به‌ویژه در GCC، تأثیرات منفی آن را بر کیفیت زندگی در پروژه‌های مسکونی جدید تقویت می‌کند. این مربوط به مقامات محلی کشورهای شورای همکاری خلیج فارس است که دارای آب و هوای گرم هستند، از جمله بحرین در شورای همکاری خلیج فارس (GCC). همانطور که در تحقیق بررسی شد، با افزایش رشد جمعیت، تقاضای زیادی برای پروژه های مسکونی وجود دارد که مقامات را مجبور به برنامه ریزی برای ساخت تعداد زیادی پروژه مسکونی در سمت دولتی و همچنین تشویق بخش خصوصی از طرف دولت می کند. طرف دیگر برای سرمایه گذاری در چنین پروژه هایی. در نتیجه، منجر به افزایش تقاضا برای زمین و تأثیرات زیادی بر تغییرات کاربری زمین شده است.

این مطالعه با استفاده از داده‌های سنجش از دور چندطیفی با وضوح فضایی متوسط، به‌ویژه Landsat 8 OLI/TIRS، پتانسیل قابل‌توجهی را برای پیش‌بینی تغییرات در تنظیمات حرارتی در مناطق تازه شهری نشان داد. این امر پروژه های جدید توسعه شهری را قادر می سازد تا امکان تغییرات را در نظر بگیرند و تاب آوری پروژه های خود را بهبود بخشند. بنابراین، افزایش داده‌های سنجش از دور با وضوح مکانی ممکن است به منظور تضمین پیش‌بینی‌های زیست‌محیطی مسئولانه و دقیق برای چنین طرح‌های توسعه‌ای، که هدف ما در کارهای آینده خواهد بود، ضروری باشد. ارزیابی روابط بین شاخص‌های طیفی مواد غیرقابل نفوذ و پوشش گیاهی از یک سو و تنظیمات حرارتی از سوی دیگر، همانطور که در این تحقیق ارائه شد، اهمیت در نظر گرفتن میزان پوشش گیاهی زمین در شهرهای جدید را نشان داد. جوامع در کشورهای حاشیه خلیج فارس، به ویژه در پادشاهی بحرین، که با یافته های الغونیمی و محمد ۲۰۱۹ موافق است. [۵۱].

این یافته‌ها به‌طور تجربی از این ایده حمایت می‌کنند که توسعه‌های مسکونی در مقیاس کوچک به افزایش قابل توجه LST کمک می‌کنند، در درجه اول به دلیل گسترش سطوح غیرقابل نفوذ. این بینش‌ها به طور بالقوه می‌توانند استراتژی‌های انطباق محلی برای پروژه‌های توسعه مسکونی را که برای مدیریت تأثیرات افزایش دمای سطح زمین ضروری است، اطلاع دهند. بنابراین، بسیار مهم است که اطمینان حاصل شود که نتایج مطالعه تحت تأثیر شرایط محیطی منطقه محلی است. به دنبال آن، چارچوب ارائه شده در این تحقیق می تواند به طور موثر در محیط و شرایط قابل مقایسه، با در نظر گرفتن برخی محدودیت ها، برای ارزیابی و پیش بینی تغییرات آینده تنظیمات حرارتی شهری مورد استفاده قرار گیرد. در همین دغدغه، از منظر شهرسازی، استراتژی‌های مختلف پروژه‌های مسکونی بر پروژه‌های پایدار منطبق با استراتژی‌های ۲۰۲۳ متمرکز بود که می‌بایست نتایج این تحقیق را در بررسی راه‌حل‌های ممکن برای کاهش اثرات منفی جدی گرفت. شرایط پروژه های فعلی که باعث ایجاد جزایر گرمایی شهری در چنین مناطق شهری می شود. علاوه بر این، از دیدگاه زیست محیطی، استفاده از این نتایج تحقیقات نه تنها کیفیت محیط شهری را افزایش می دهد، بلکه تعاملات اجتماعی را در فضاهای باز در مناطق مسکونی بافت شهری بهبود می بخشد. همچنین از نظر اقتصادی منجر به اصلاح شرایط و ویژگی های این گونه پروژه های مسکونی و کاهش مصرف برق خواهد شد. در نتیجه، هزینه های زندگی ساکنان را کاهش می دهد و نیروهای اقتصادی در شورای همکاری خلیج فارس را کاهش می دهد.

در نهایت، نتایج این مطالعه به دلیل اثرات منفی احتمالی چنین پروژه‌های مسکونی با شرایط آنها بر محیط محلی در سطوح خرد و کلان اقلیمی، اقتصادی، اکولوژیکی و شهری هشداردهنده است.

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | تعیین دمای سطح زمین (LST) از طریق داده های سنجش از دور برای پروژه های توسعه شهری در مقیاس کوچک در شورای همکاری خلیج فارس (GCC)
,۲۰۲۴-۰۵-۰۶ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/9/3873