ارزیابی تأثیر شاخص طول زبری در مدلسازی بیشینه شدت جزایر حرارتی شهری با استفاده از سنجش از دور و سیستمهای اطلاعات مکانی (مطالعه موردی: منطقه 22 شهر تهران) | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 5، دوره 17، شماره 3 - شماره پیاپی 67، 1404، صفحه 75-100 اصل مقاله (2.58 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2024.234358.1197 | ||
| نویسندگان | ||
| زهرا خادم عاقلی* 1؛ سید حسن هاشمی اشکاء2؛ سحر علیان3 | ||
| 1گروه سیستم اطلاعات مکانی، دانشگاه آزاد اسلامی، واحد رامسر، رامسر، ایران | ||
| 2گروه نقشه و اطلاعات مکانی سازمان مدیریت و برنامهریزی استان گیلان، رشت، ایران | ||
| 3گروه عمران موسسه آموزش عالی رحمان، رامسر، ایران | ||
| چکیده | ||
| سابقه و هدف: در سالیان اخیر، مدلسازی و شناسایی الگوی توزیع مکانی پدیده جزیره حرارتی شهری با هدف برنامهریزی برای مواجهه با اثرات این پدیده و پیشبینی تأمین زیرساختهای مورد نیاز در تأمین آسایش حرارتی بهتر شهروندان افزایش یافته است. مدل اوکه از جمله مدلهای مطرح در این زمینه است که بیشینه شدت جزیره حرارتی (UHImax ) را بر اساس شاخص نسبت منظر کانیونهای شهری شبیهسازی میکند. وابستگی مدل اوکه به شرایط اقلیمی و فیزیکی شهرها ایجاب میکند؛ این مدل قبل از استفاده در هر منطقه شهری، مورد ارزیابی قرار گرفته تا در صورت نیاز، اصلاح شود. با توجه به تأثیراتی که عامل مقاومت آیرودینامیک کانیونهای شهری(طول زبری) در UHImax دارد، لحاظ کردن شاخص این عامل در فرآیند محلیسازی مدل، میتواند دقت نتایج حاصل را تحت تأثیر قرار دهد. در این پژوهش سعی شده است، ضمن محلیسازی مدل اوکه در ناحیهای از منطقه 22 شهر تهران؛ تأثیر طول زبری نیز در این فرآیند بررسی شود. تهیه دادههای دمایی کانیونهای شهری از جمله چالشهای مهم در فرآیند مدلسازی محسوب میشود. تحقیقات نشان میدهد دمای هوای مناطق مرکزی و حومه شهرها در هنگام شب، به دمای سطح زمین (LST) نزدیک است و LST کانیونها میتواند به عنوان یک تقریب مناسب از دمای هوا مورد استفاده قرار گیرد. لذا در این تحقیق سعی شد؛ با بهرهگیری از دادههای سنجندههای حرارتی ماهوارهای و استفاده از یک الگوریتم مناسب بازیابی LST ، مشکل تهیه دادههای دمایی حل گردد. محاسبه شاخصهای هندسی و مقاومت آیرودینامیکی کانیونها در فرآیند مدلسازی، به علت نیاز به انجام پردازشهای گوناگون مکانی، پیچیده و زمانبر است و از این رو، چالشی دیگر در این زمینه محسوب میشود. سیستمهای اطلاعات مکانی (GIS) با دارا بودن قابلیت ذخیرهسازی روابط توپولوژیک عوارض جغرافیایی و تجزیه و تحلیل آنها میتواند محاسبه این شاخصها را تسهیل نماید. لذا در انجام این پژوهش، از سیستمهای اطلاعات مکانی استفاده شده است. مواد و روشها: در این پژوهش به منظور تهیه دادههای دمایی مورد نیاز، از دادههای سنجنده ASTER و دادههای هواشناسی نزدیکترین ایستگاه هواشناسی به محدوده مطالعاتی در فاصله زمانی سالهای 2016 تا 2022 میلادی استفاده شد. این دادهها در محیط نرمافزار MATLAB و با استفاده از الگوریتم پنجره مجزا مورد پردازش قرار گرفت و دمای سطح زمین و بیشینه شدت جزایر حرارتی سطحی در محدوده مطالعاتی محاسبه شد. سپس، محاسبه شاخصهای نسبت منظر، طول زبری و UHImax شبیهسازی شده کانیونها (بر اساس مدل اوکه)؛ از طریق پردازش نقشههای رقومی در برنامه ModelBuilder در محیط نرمافزار ArcGIS صورت پذیرفت. پس از تقسیمبندی محدوده مطالعاتی به محدودههای آموزشی و محدوده چک، محلیسازی مدل UHImax در دو حالت مختلف انجام شد. در حالت اول، ضرایب مدل محلی در محدوده آموزشی با لحاظ کردن شاخص نسبتمنظر محاسبه شد. بدینمنظور، کانیونها بر اساس شاخص نسبتمنظر به یازده کلاس مختلف طبقهبندی گردید و مقدار UHImax شبیهسازی شده و اندازهگیری شده آنها در منطقه آموزشی محاسبه شد و از طریق تحلیل رگرسیون این دو دسته داده، مدل محلی اوکه در منطقه مطالعاتی به دست آمد. در حالت دوم، در ابتدا کانیونهای محدوده آموزشی بر اساس شاخص طول زبری به دو دسته جداگانه طبقهبندی و سپس، دسته اول کانیونها بر اساس شاخص نسبتمنظر به هشت گروه مجزا و دسته دوم، به سه گروه مختلف طبقهبندی گردید. با محاسبه UHImax شبیهسازی شده و اندازهگیری شده هر یک از گروهها، و استفاده از تحلیل رگرسیون، مدل محلیسازی شده اوکه برای هر یک از 2 طبقه مذکور تعیین گردید. نتایج و بحث: با اعتبارسنجی مدلهای به دست آمده در محدوده چک، مقادیر R^2، ρ،RMSE و MAE حاصل از رگرسیون در حالت اول، به ترتیب: 0/53 ، 0/73، 1/18 ± و 0/98و در حالت دوم، به ترتیب0/80، 0/89، 1/05 ± و 0/87محاسبه شدند. مقایسه این نتایج نشان میدهد لحاظ کردن شاخص مقاومت آیرودینامیک در فرآیند مدلسازی UHImax ضمن افزایش ضرایب همبستگی و ضریب تشخیص رگرسیون؛ سبب افزایش دقت نتایج حاصل از مدل محلی و بهبود مدل شده است. | ||
| کلیدواژهها | ||
| جزایر حرارتی شهری؛ مدل اوکه؛ ضریب زبری؛ نسبت منظر؛ سنجش از دور؛ سیستمهای اطلاعات مکانی | ||
| عنوان مقاله [English] | ||
| Evaluating the Effect of Roughness Length Index on Modelling the Maximum Intensity of Urban Heat Islands Using Remote Sensing and Geospatial Information Systems (Case study: District 22, Tehran) | ||
| نویسندگان [English] | ||
| Zahra Khadem Agheli1؛ Seyyed Hassan Hashemi Ashka2؛ Sahar Alian3 | ||
| 1Faculty of Engineering, Islamic Azad University (IAU), Ramsar Branch, Ramsar, Iran | ||
| 2Mapping and GIS Department at Management and Planning Organization, Guilan, Rasht, Iran | ||
| 3Faculty of Civil Engineering Rahman Institute of Higher Education: Ramsar, Ramsar, Iran | ||
| چکیده [English] | ||
| Introduction: In recent year, modeling and identifying spatial distribution patterns of urban heat islands phenomenon with the aim of planning to face the effects of this phenomenon and predicting the provision of infrastructure needed to provide better thermal comfort to citizens has increased. Oke's model is one of the prominent models in this field that simulates the maximum intensity of the heat island based on the urban canyon’s aspect ratio index. The dependence of the Oke's model on the climatic and physical conditions of cities requires that this model be before being used in any urban area to be modified if needed. Considering the effects of aerodynamic resistance of urban canyons (roughness length) on the maximum intensity of the heat island, considering the index of this factor in the localization process of the model can affect the accuracy of the results. In this study, it has been tried to localize Oke's model in an area of the 22nd district of Tehran, and to investigate the effect of roughness length in this process. Preparation of temperature data of urban canyons is one of the important challenges in the modeling process. Research shows that the air temperature in the central and suburban areas at night is close to the land surface temperature (LST), and canyons ’s LST can be used as a convenient approximation of the air temperature. Therefore, in this study, it was tried to solve the problem of preparing temperature data by using satellite thermal sensors and using an appropriate LST retrieval algorithm. Calculating the geometric and aerodynamic strength indices of the canyons in the modeling process is complex and time-consuming due to the need to perform various spatial processing, and therefore, it is another challenge in this field. Geospatial information systems (GIS) with the ability to store the topological relationships of geographical features and analyze them can facilitate the calculation of these indicators. Therefore, in this study, geospatial information systems have been used. Materials and Methods: In this study, in order to prepare the required temperature data, ASTER sensor data and meteorological data of the nearest meteorological station to the study area during the period of 2016 to 2022 were used. These data were processed in MATLAB software using a separate window algorithm (SWA) and the LST and the maximum intensity of surface heat islands in the study area were calculated. Then, canyons ’s aspect ratio and roughness length indicators and also, their simulated maximum intensity of heat island (based on Oke’s model) were calculated by processing digital maps in the ModelBuilder program in the ArcGIS software environment. After dividing the study area into training and check areas, localization of the maximum heat island intensity model was performed in two different cases. In the first case, the coefficients of the local model of the training area were calculated by considering the aspect ratio index. For this purpose, the canyons were classified into 11 different classes based on their aspect ratio index and their simulated and measured maximum intensity heat island were calculated and through regression analysis of these two sets of data, the localized Oke’s model was obtained. In the second case, the canyons of the training area were classified into two separate classes based on their roughness length index. Then, the first and second class were classified into 8 and 3 separate groups based on their aspect ratio. By calculating the simulated and measured maximum heat island intensity of each group and using regression analysis, the localized Oke’s model was determined for each of the two mentioned classes. Results and discussion: by validating the obtained models in the check area, the values of , ρ, RMSE and MAE obtained from regression in the first case were 0.53, 0.73, 1.18 ± and 0.98, respectively, and in the second case, 0.80, 0.89, 1.05 ± and 0.87, respectively. Comparison of these results shows that the inclusion of the aerodynamic resistance index in the process of modeling the maximum intensity of the heat island, while increasing the correlation coefficients and the regression detection coefficient, has increased the accuracy of the results obtained from the local model and improved the model. | ||
| کلیدواژهها [English] | ||
| Urban Heat Islands, Oke’ s model, Roughness Length, Aspect Ratio, Remote Sensing, Geospatial Information Systems | ||
| مراجع | ||
|
Abrams, M, Hook, S. & Ramachandran, B., 2002, ASTER User Handbook, version 2, Jet Propulsion Laboratory: Pasadena, CA, USA. Boori, M.S., 2015, A Comparison of Land Surface Temperature, Derived from AMSR-2, Landsat and ASTER Satellite Data, J. Geogr. Geol., 7, PP. 61-69, http://dx.doi.org/10.5539/jgg.v7n3p61. Bittencourt, L., Candido, C., Cândido, C. & de Dear R.J., 2010, Air Movement Acceptability Limits and Thermal Comfort in Brazil's Hot Humid Climate Zone, Building and Environment, 45(1), PP. 222-229, https://doi.org/10.1016/j.buildenv.2009. 06.005. Carlson, T.N.& Ripley, D.A., 1997, On the Relation between NDVI, Fractional Vegetation Cover, and Leaf Area Index, Remote Sens. Environ., 62, PP. 241-252, http://dx.doi.org/10.1016/S0034-4257(97)00104-1. Clarke, J.F., 1972, Some Effects of the Urban Structure on Heat Mortality, Environ. Res., 5, P. 93, https://doi.org/10.1016/0013-9351(72)90023-0. Chatzipoulka, C., Nikolopoulou, M. & Watkins, R., 2015, The Impact of Urban Geometry on the Radiant Environment in Outdoor Spaces, 9th International Conference on Urban Climate, ICUC9 9th International Conference on Urban Climate jointly with 12th Symposium on the Urban Environment, https://kar.kent.ac.uk/id/eprint/52695. Du ,C., Ren, H., Qin, Q., Meng, J. & Zhao, S., 2015, A Practical Split-Window Algorithm for Estimating Land Surface Temperature from Landsat 8 Data, Remote Sensing, 7(1), PP. 647-665, http://dx.doi.org/10.3390/ rs70100647. EPA (U.S. Environmental Protection Agency), 2003, Beating the Heat: Mitigating Thermal Impacts, Nonpoint Source News-Notes, 72, PP. 23-26. EPA (U.S. Environmental Protection Agency), 2008, Reducing Urban Heat Islands: Compendium of Strategies, https://www.epa.gov/heat-islands/heat-island-compendium. Esri, 2018, ModelBuilder—ArcMap | Documenta-tion (Version 10.6). ArcGIS Desktop Help. https://desktop.arcgis.com/ en/arcmap/10.6/analyze/modelbuilder/what-is-modelbuilder.htm. Garratt, J., 1992, The Atmospheric Boundary Layer, Cambridge University Press: Cambridge. Jenks, G.F. ,1967, The Data Model Concept in Statistical Mapping, International Yearbook of Cartography 7: 186-190, https://doi.org/ 10.1002/qj.49712051919. Jiménez-Muñoz, J.C. & Sobrino, J.A., 2010, A Single-Channel Algorithm for Land Surface Temperature Retrieval from ASTER Data, Ieee Geoscience And Remote Sensing Letters, 1, PP. 176-179, https://doi.org/10.1109/LGRS.2009.2029534. Jiménez-Muñoz, J.C., Sobrino, J.A., Gillespie, A., Sabol, D. & Gustafson, W.T., 2006, Improved Land Surface Emissivities over Agricultural Areas Using ASTER NDVI, Remote Sens. Environ., 103, PP. 474-487, https://doi.org/10.1016/j.rse.2006.04.012. Johnson, G.T., Oke, T.R., Steyn, D.G., Watson, I.D. & Voogt, J.A., 1991, Simulation of Surface Urban Heat Island under ‘Ideal’ Conditions at Night, Part 1, Theory and Tests against Field Data, Boundary-Layer Meteorology, 56, PP. 275-294, https://doi.org/ 10.1007/BF00120424. Jouybari Moghaddam, Y., Akhoondzadeh, M. & Saradjian, M., 2015, A Split-Window Algorithm for Estimating LST from Landsat-8 Satellite Images, Journal of Geomatics Science and Technology, JGST, 5(1), PP. 215-226, http://jgst.issgeac.ir/ article-1-225-fa.html. Kim, S., Kim, M. & Kim, Y., 2012, The Impacts of PTA Formation on Small Economies’ Tax Competition for FDI Inflows, Economic Modelling, Elsevier, 29(6), PP. 2734-2743, http://dx.doi.org/ 10.1016/j.econmod.2012.08.003. Levermore, G. & Cheung, H., 2012, A Low-Order Canyon Model to Estimate the Influence of Canyon Shape on the Maximum Urban Heat Island Effect, Building Services Engineering Research and Technology, 33(4), PP. 371-385, https://doi.org/10.1177/0143624411417899.
Li, Z.L., Tang, B.H., Wu, H., Ren, H.Z., Yan, G.J., Wan, Z.M.,Trigo, I.F. & Sobrino, J.A., 2013, Satellite-Derived Land Surface Tempera-ture: Current Status and Perspectives, Remote Sensing of Environment, 131, PP. 14-37, http://dx.doi.org/10.1016%2Fj.rse.2012. 12.008. Liu, L. & Zhang, Y., 2011, Urban Heat Island Analysis Using the Landsat TM Data and ASTER Data: A Case Study in Hong Kong, Remote Sens., 3, PP. 1535-1552, http://dx.doi.org/10.3390/rs3071535. Martano ,M., 2000, Estimation of Surface Roughness Length and Displacement Height from Single-Level Sonic Anemometer Data, Journal of Applied Meteorology, 39(5), PP. 708-715, https://doi.org/10.1175/1520-0450(2000) 039%3C0708:EOSRLA%3E2.0.CO;2. Montávez, J.P., González-Rouco, J.F. & Valero, F., 2008, A Simple Model for Estimating the Maximum Intensity of Nocturnal Urban Heat Island, International Journal of Climatology, 28, PP. 235-242, http://dx.doi.org/10.1002/joc.1526. Motieyan, H. & Hashemi Ashka, S.H., 2022, Analysis of the Urban Geometry’s Effects on Nocturnal Urban Heat Islands Using Remote Sensing and GIS (Case Study: Golestan Town, District 22 of Tehran), Journal of Natural Environmental Hazards, 10(30), PP. 51-68, https://doi.org/10.22111/ jneh.2020.34497.1670. Nakata, C.M. & De Souza, L.C.L., 2013, Verification of the Influence of Urban Geometry on the Nocturnal Heat Island Intensity, Journal of Urban and Environmental Engineering, 7(2), PP. 286-292, http://dx.doi.org/10.4090/juee.2013. v7n2.286292. Nakata, O.C.M., De Souza, L.C.L. & Rodrigues, D.S., 2015, A GIS Extension Model to Calculate Urban Heat Island Intensity Based on Urban Geometry, Proceedings of CUPUM 2015, Conference Cambridge, Massachusetts (USA), PP. 1-16, http://dx.doi.org/10.1016/j.compenvurbsys.2017.09.007. Nakata, C.M., De Souza, L.C.L. & Rodrigues, D.S., 2018, THIS – Tool for Heat Island Simulation: A GIS Extension Model to Calculate Urban Heat Island Intensity Based on Urban Geometry, Computers, Environment and Urban Systems, 67, PP. 157-168, https://doi.org/10.1016/ j.compenvurbsys. 2017.09.007.
Sayadi, F., Hejazizadeh, Z. & Saligheh, M., 2022, The Effect of Urban Geometry on the Formation of Urban Heat Islands of Tehran (Case Study: Districts 2 and 6 of Region 3), Journal of Geography, 20(72), PP. 1-18, https://dorl.net/dor/ http://dor.net/ dor/20.1001.1.27833739.1401.20.72.1.7. Sobrino, J. & Jiménez-Muñoz, J., 2014, Minimum Configuration of Thermal Infrared Bands for Land Surface Temperature and Emissivity Estimation in the Context of Potential Future Mission, Remote Sensing Environment, 148, PP. 158-167, http://dx.doi.org/ 10.1016/j.rse.2014.03.027. Stewart I.D., Krayenhoff, E.S., Voogt, J.A., Lachapelle, J.A., Allen, M.A. & Broadbent, A.M., 2021, Time Evolution of the Surface Urban Heat Island, Earth's Future, 9, e2021EF002178, https://doi.org/ 10.1029/2021EF002178. Su, Z., Schmugge, T., Kustas, W.P. & Massman, W.J., 2001, An Evaluation of Two Models for Estimation of the Roughness Height for Heat Transfer between the Land Surface and the Atmosphere, J. Appl. Meteorol., 40, PP. 1933-1951, https://doi.org/ 10.1175/1520-0450(2001)040%3C1933:AEOTMF%3E2.0.CO;2. Tsai, J., Tsuang, B., Lu, P., Chang, K., Yao, M. & Shen, Y., 2010, Measurements of Aerodynamic Roughness, Bowen Ratio, and Atmospheric Surface Layer Height by Eddy Covariance and Tethersonde Systems Simultaneously over a Heterogeneous Rice Paddy, Journal of Hydrometeorology, 11(2), PP. 452-466, https://doi.org/10.1175/2009JHM1131.1. Van de Griend, A. & Owe, M., 1993, On the Relationship between Thermal Emissivity and the Normalized Difference Vegetation Index for Natural Surfaces, Int. J. Remote Sens., 14, PP. 1119-1131, https://doi.org/10.1080/01431169308904400. Yang, L., Qian, F., Song, D. & Ke-Jia, Z., 2016, Research on Urban Heat-Island Effect, Procedia Engineering, 169, PP. 11-18, https://doi.org/10.1016/j.proeng.2016.10.002 | ||
|
آمار تعداد مشاهده مقاله: 1,604 تعداد دریافت فایل اصل مقاله: 727 |
||