ارزیابی شارهای انرژی سطح شهری با استفاده از تحلیل سنجش از راه دور زیر پیکسل: مطالعه موردی در سوژو، چین

خلاصه

شار انرژی سطح شهری ارتباط نزدیکی با انواع پوشش زمین (LCTs) و ترکیبات بیوفیزیکی حیاتی دارد. هدف این مطالعه ارزیابی سهم LCTs، پوشش کسری پوشش گیاهی (VFC) و درصد سطح غیرقابل نفوذ (ISA) در شارهای انرژی سطح شهری با استفاده از سنجش از دور است. یک الگوریتم پیشرفته شار انرژی سطح شهری برای ترکیب تصاویر ماهواره‌ای و داده‌های ایستگاه هواشناسی برای بررسی محیط‌های حرارتی در شهر سوژو، چین استفاده شد. فراوانی پوشش زمین بازیابی شده توسط تجزیه و تحلیل عدم اختلاط طیفی چند عضو انتهایی (MESMA) برای بازیابی شار حرارتی محسوس در هر پیکسل (H) و شار گرمای نهان (LE) استفاده شد. شار حرارتی حاصل با استفاده از داده‌های تشت تبخیر جمع‌آوری‌شده از ایستگاه‌های هواشناسی و نسبت‌های شار حرارتی به تشعشع خالص (Rn) ارزیابی شد. علاوه بر این، الگوهای فضایی انرژی گرمایی شهری با استفاده از تجزیه و تحلیل یکپارچه بین دمای سطح زمین (LST)، شار حرارتی، LCTs، VFC و ISA بررسی شد. مقادیر بالای H و LST در مناطق شهری یافت شد که مقادیر LE پایینی نیز داشتند. در مقابل، منطقه پوشش گیاهی با LE بالا، و همچنین LSTs و Hs کم مشخص شد. علاوه بر این، یک همبستگی آماری معنادار (p <0.05; R2 = 0.88) بین LE و VFC در سطح ناحیه ای مشاهده شد، و یک همبستگی آماری معنی دار ( ^P <0.05؛ R2 = 0.90) بین H و ISA ^به نمایش گذاشته شد. نتیجه‌گیری می‌شود که VFC، ISA% و LCTها برای ترسیم شارهای حرارتی شهری امیدوارکننده هستند. به طور کلی، این مطالعه نشان می‌دهد که می‌توان از تکنیک‌های سنجش از دور برای تعیین کمیت محیط‌های حرارتی شهری استفاده کرد.

کلید واژه ها:

شار حرارت شهری ; MESMA ; تعادل حرارتی سطح ؛ LANDSAT

1. معرفی

اثر جزیره گرمایی شهری (UHI) به طور کلی منجر به افزایش دمای محلی در مناطق شهری در مقایسه با مناطق روستایی اطراف می شود. این تأثیر در درجه اول به دلیل تغییرات ناشی از سطوح مصنوعی زمین و فعالیت های مداوم انسانی است. دمای سطح و شار انرژی شهری توسط بسیاری از محققان برای بررسی UHI مورد مطالعه قرار گرفته است. علاوه بر این، محیط های حرارتی شهری ارتباط نزدیکی با انواع پوشش زمین (LCTs)، به ویژه سطوح غیرقابل نفوذ و پوشش گیاهی دارند [ 1 ، 2 ، 3 ، 4 ، 5]. سطوح غیرقابل نفوذ و پوشش گیاهی دو جزء حیاتی هستند که شارهای انرژی سطح شهری را تغییر می دهند و در نهایت منجر به تفاوت در انرژی گرمایی شهری بین شهر و روستا می شوند. از طریق ویژگی‌های مواد غیرقابل نفوذ و پوشش گیاهی، سطوح شهری می‌توانند بر فرآیندهای تبادل انرژی، مانند جذب تابش خورشیدی و انتشار حرارتی، و همچنین شارهای گرمای نهان و محسوس تأثیر بگذارند. از آنجایی که [ 6 ] دریافت که سطح بالاتری از شار گرمای نهان (LE) با مناطق پوشش گیاهی مرتبط است و شار گرمای محسوس (H) توسط مناطق غیرقابل نفوذ شهری بیشتر مورد علاقه است، مطالعاتی برای کشف سهم سطوح و پوشش گیاهی غیرقابل نفوذ انجام شده است. برای تبادل انرژی سطحی [ 3 ، 7 ، 8]. علاوه بر این، گزارش شده است که ترکیب رویکردهای آماری و مدل‌های تعادل انرژی می‌تواند به توصیف بهتر الگوهای عناصر چشم‌انداز سطحی دست یابد، در نتیجه کاربردهای آینده تحلیل‌های محیط حرارتی شهری را تسهیل می‌کند. از سوی دیگر، اگرچه مفاهیم عناصر منظر و شار انرژی حرارتی شهری برای مدتی شناخته شده است، تفسیر کمی از نقش‌ها و تعاملات آنها در محیط‌های پیچیده شهری مبهم باقی مانده است. درک بهتر اثرات LCTها و دو پارامتر بیوفیزیکی (پوشش کسری پوشش گیاهی (VFC) و درصد سطح غیرقابل نفوذ (ISA٪) بر LSTها و شارهای انرژی در مطالعات شهری مورد نیاز است.

روش مبتنی بر اندازه‌گیری زمین و روش سنجش از دور دو تکنیکی هستند که به طور گسترده برای کشف شارهای انرژی سطح شهری استفاده می‌شوند. مطالعات مبتنی بر اندازه‌گیری زمینی می‌توانند تغییرات مکانی-زمانی دقیق در الگوهای حرارتی شهری را مشخص کنند [ 9 ، 10 ، 11 ]. با این حال، به عنوان یک تکنیک مستقل که توسط عوامل فیزیکی و اقتصادی محدود شده است، این روش تنها در مناطق کوچک در مقیاس محلی به کار گرفته شده است. از سوی دیگر، تنوع داده های سنجش از دور ماهواره ای به طور گسترده برای کشف الگوهای حرارتی شهری در یک منطقه وسیع مورد استفاده قرار گرفته است [ 12] .]. به طور خاص، برای تجزیه و تحلیل بودجه انرژی مناطق شهری، داده‌های سنجش از دور با مدل‌های عددی برای افزایش دقت مدل‌سازی همراه شده‌اند. به عنوان مثال، [ 13 ، 14 ، 15 ] تلاش کرد تا شارهای انرژی گرمایی شهری را بر اساس یک مدل تعادل حرارتی با استفاده از سنجش از دور با وضوح فضایی متوسط و داده های هواشناسی زمینی مطالعه کند. خو و همکاران [ 16 ] از تصاویر فراطیفی از طیف‌سنج تصویربرداری مدولار عملیاتی، نقشه بررسی و داده‌های هواشناسی برای نقشه‌برداری تغییرات فضایی در شار گرمای محسوس آشفته در شانگهای، چین استفاده کرد. با این حال، در مورد وضوح سنسورهای ماهواره ای عملیاتی که بیشترین استفاده را دارند ( به عنوان مثال، LANDSAT و ASTER)، محدودیت‌های بعد فضایی برای توصیف انرژی گرمایی شهری مشهود است. محیط های شهری به طور کلی با مخلوطی از سطوح غیرقابل نفوذ و پوشش گیاهی در یک پیکسل سنسور ماهواره ای همراه است. لازم به ذکر است که بیشتر مطالعات شهری بر روی توصیف شارهای حرارتی سطحی بر اساس طرح‌های طبقه‌بندی سخت سنتی تمرکز کرده‌اند [ 14 ، 17 ، 18 ]. کاربرد پارامترهای ترکیب بیوفیزیکی ( به عنوان مثال ، VFC در سطح زیر پیکسل و ISA٪) برای ارزیابی بودجه انرژی شهری، به‌ویژه در مقیاس محلی، علی‌رغم وجود چند مطالعه جالب توجهی را که شایسته آن است، دریافت نکرده است. بر روی محیط حرارتی (به عنوان مثال، [ 19 ، 20، 21 ، 22 ]).

مدل سطح خاک غیرقابل پوشش گیاهی (VIS)، که از جمله مدل‌هایی است که برای مطالعه ترکیب بیوفیزیکی محیط‌های شهری با ویژگی‌های طیفی سنجش از دور استفاده می‌شود [23]، یک رویکرد جایگزین برای حل مشکل مخلوط پیکسلی، به ویژه برای مناظر پیچیده شهری این مدل مفهومی فرض می کند که پیکسل های سطح را می توان با ترکیبی از سه جزء بیان کرد: پوشش گیاهی، سطوح غیر قابل نفوذ و خاک [ 24 ، 25] .]. مدل VIS به طور گسترده با استفاده از رویکرد تجزیه و تحلیل مخلوط طیفی (SMA) در کاربردهای محیط شهری اجرا شده است. علاوه بر این، ترکیبات بیوفیزیکی به‌دست‌آمده با استفاده از SMA گزارش‌ها در ارزیابی سهم عناصر منظر در محیط‌های حرارتی شهری به موفقیت دست یافته‌اند [ 1 ، 22 ، 26 ]. با وجود این، تحقیقات مرتبط با استفاده از رویکرد SMA برای مطالعه شارهای انرژی سطح شهری، به ویژه در مورد بهبود شارهای حرارتی برآورد شده شهری و تحلیل برهمکنش آنها با ترکیبات بیوفیزیکی شهری، ناکافی به نظر می رسد.

این مطالعه تلاش کرده است تا الگوهای فضایی در LSTها، شارهای انرژی سطحی و تعامل با ISA٪ و VFC در شهر سوژو، چین را بررسی کند. به طور خاص، تجزیه و تحلیل مخلوط طیفی چند عضو انتهایی (MESMA)، که در [ 27 ] ارائه شد و به طور گسترده در زمینه های مختلف استفاده شده است [ 28 ، 29 ]، برای بازیابی دقیق VFC و ISA٪ برای تخمین موثر هر پیکسل استفاده شد. شار گرمای نهان و شار حرارتی محسوس. به طور کلی، اهداف خاص این تحقیق (1) توصیف الگوهای فضایی در انرژی گرمایی شهری (LST و شارهای حرارتی) و (2) بررسی کمی روابط بین LST، شارهای حرارتی و ترکیبات بیوفیزیکی شهری (VFC و ISA٪) است. .

2. مواد و روش

2.1. منطقه مطالعه و مواد

منطقه ای به مساحت تقریبی 1200 کیلومتر ^مربع که شهر سوژو، چین را پوشش می دهد، برای تحقیق حاضر انتخاب شد. سوژو در شرق چین واقع شده است ( شکل 1 ) و بیش از 10 میلیون نفر جمعیت دارد. مرکز منطقه مورد مطالعه حاضر مناطق شهری سوژو است و منطقه باقی مانده بیشتر برای کشاورزی و ذخیره آب استفاده می شود. مطالعات قبلی [ 30 ، 31 ] گزارش کرده اند که سوژو در دهه های اخیر توسعه شهری قابل توجهی را تجربه کرده است. بررسی اثرات حرارتی محیطی پراکندگی شهری در سوژو برای درک و برنامه ریزی توسعه آن مفید است و به ویژه برای کاهش اثرات حرارتی نامطلوب طرح چشم انداز سطح شهری مفید است.

داده های ماهواره ای سنجش از دور و داده های هواشناسی زمینی برای این تحقیق جمع آوری شد. داده های LANDSAT-5 TM (محصول سطح L1G، مسیر/ردیف 119/038) برای 24 می 2010 به دست آمد. داده های L1G فقط برای حذف خطاهای هندسی سیستماتیک از نظر هندسی تصحیح شدند. این تصویر شش نوار مرئی و مادون قرمز نزدیک و یک باند مادون قرمز حرارتی را ارائه می دهد که وضوح فضایی آنها به ترتیب 30 متر و 120 متر است. تصویر LANDSAT-5 TM به سیستم مختصات Universal Transverse Mercator بر اساس تصویر Google Earth™ با وضوح بالا تصحیح شد و یک ریشه میانگین مربع خطای کمتر از 1 پیکسل برای تصحیح به دست آمد. اصلاحات جوی با استفاده از ماژول Fast Line-of-Sight Atmospheric Line-of-Sight Analysis Atmospheric Hypercubes (FLAASH) روی نوارهای مرئی و مادون قرمز نزدیک تصویر اعمال شد.32 ]. داده های هواشناسی زمین توسط اداره مرکزی هواشناسی سوژو ارائه شده است. جدول 1 مکان ایستگاه های هواشناسی را نشان می دهد. داده های مورد استفاده شامل مدت زمان آفتاب (SSD)، سرعت باد (WS)، رطوبت نسبی (RH) و دمای اتمسفر (AT) به دست آمده در 24 می 2010 است.

شکل 1. نقشه سمت چپ، تصاویر ترکیب رنگ واقعی Landsat-5 TM است که در شهر سوژو به دست آمده است. سمت راست بالا موقعیت سوژو در چین است و نقشه پایین مربوط به ایستگاه های هواشناسی است که تعداد آنها با آنچه در جدول 1 ذکر شده است مطابقت دارد .

جدول 1. خلاصه شرایط هواشناسی (در ارتفاع 2 متری) در ساعت 1040 به وقت محلی در 24 مه 2010 برای سوژو. AT، دمای اتمسفر؛ WS، سرعت باد؛ RH، رطوبت نسبی؛ SSD، مدت زمان آفتاب.

2.2. روش شناسی

برای ارزیابی الگوی فضایی انرژی گرمایی شهری، یک نقشه LST از سوژو در ساعت 1040 به وقت محلی (LT) در 24 مه 2010 برای اولین بار با استفاده از یک الگوریتم تک کاناله تعمیم یافته توسعه یافته توسط [ 33 ] بازیابی شد. سپس اجزای شار حرارتی (Rn، H، LE و شار گرمای ذخیره‌سازی) بر اساس الگوریتم تعادل انرژی دو منبع بهبودیافته برآورد شدند. علاوه بر این، نقشه VFC، ISA% و LCTs با استفاده از رویکرد SVM و MESMA برآورد شد. فلوچارت کلی در شکل 2 آورده شده است .

شکل 2. نمودار جریان کلی این تحقیق. کادرهای چین دار از بالا به پایین به ترتیب بخش داده های ورودی، پردازش داده ها و داده های خروجی را نشان می دهند.

2.2.1. بازیابی LST

برای بازیابی LST ها با استفاده از داده های LANDSAT-5 TM، باند مادون قرمز حرارتی پس از کالیبراسیون رادیومتری و تصحیح اتمسفر ابتدا به دمای روشنایی در ماهواره تبدیل شد.

T_{s e n s o r}

و سپس به دمای سطح زمین تبدیل می شود

T_{s}

. بنابراین، ما داریم:

تی س = γ [ε - 1 (ψ 1 L s e n s o r + ψ 2) + ψ 3] + δ

(1)

γ = {ج 2 L s e n s o r تی 2 s e n s o r [λ 4 ج 1 L s e n s o r + λ - 1]} - 1

(2)

δ = - γ L s e n s o r + تی s e n s o r

(3)

جایی که $L_{s e n s o r}$ تابش در حسگر است $W m^{- 2} s r^{- 1}$ . $ε$ تابش سطحی است، $λ$ طول موج موثر است، $C_{1} = 1.19104 \times 10^{8} W μ m^{4} m^{- 2} s r^{- 1}$ و $C_{2} = 14387.7 μ m K$ . $φ_{1}$ ، $φ_{2}$ و $φ_{3}$ توابع جوی هستند که با استفاده از عبارات زیر قابل محاسبه هستند:

ψ 1 = 0.14714 w 2 - 0.15583 w + 1.1234 ،

(4)

ψ 2 = - 1.1836 w 2 - 0.37607 w - 0.52894

(5)

ψ 3 = - 0.04554 w 2 + 1.8719 w - 0.39071

(6)

جایی که $w$ محتوای بخار آب است که از داده های هواشناسی محلی بازیابی شده است.

تابش سطحی

ε

یک عامل کلیدی در تعیین LST ها است. در این مطالعه از روش آستانه‌های شاخص تفاوت نرمال شده گیاهی (NDVI) (NDVI ^THM ) برای محاسبه انتشار در سطح پیکسل استفاده شد. NDVI ^THM [ 34 ، 35 ، 36] فرض می کند که پوشش گیاهی و خاک برهنه دارای انتشار خاصی هستند و می توان از آنها برای مخلوط کردن سایر پیکسل های سطحی استفاده کرد. این روش تابش های سطح پیکسل را با در نظر گرفتن موارد مختلف به دست می آورد. در مورد NDVI <0.2، پیکسل به عنوان خاک لخت در نظر گرفته می شود و سپس مقدار انتشار شناخته شده خاک لخت اختصاص داده می شود. در مورد NDVI > 0.5، پیکسل به طور کامل پوشش گیاهی در نظر گرفته می شود، و گسیل پذیری از یک مقدار انتشار شناخته شده پوشش گیاهی به دست می آید. در مورد 0.2 < NDVI < 0.5، پیکسل از مخلوطی از پوشش گیاهی و خاک برهنه با توجه به پوشش کسری تشکیل شده است. در این مطالعه، انتشار خاک برهنه 0.978 و انتشار پوشش گیاهی 0.985 بود [ 35 ].

2.2.2. بازیابی اجزای شار حرارتی

شارهای حرارتی سطح زیر [ 37 ] تخمین زده شدند و با رابطه (7) نشان داده می شوند، که در آن تابش خالص جذب شده شارهای خروجی گرمای محسوس، گرمای نهان و گرمای زمین را متعادل می کند:

آر n + A = G + L E + اچ

(7)

جایی که $R_{n}$ تابش خالص است، $A$ مجموع تخلیه حرارتی انسانی است، $G$ شار حرارتی زمین است، $L E$ شار گرمای نهان است و $H$ شار حرارتی محسوس است.

تابش خالص

R_{n}

مجموع تابش موج کوتاه و موج بلند در سطح زمین است که به صورت زیر محاسبه می شود:

آر n = (1 - α) K ⏐ ↓ + ε ε آ آر L ⏐ ↓ - ε آر L ↑ ⏐

(8)

جایی که $K ↓$ تابش موج کوتاه است. را $K ↓$ منطقه مورد مطالعه توسط ایستگاه های هواشناسی زمینی دونگشان مشاهده شد ( شکل 1 مشاهده می شود ) و تقریباً 680 Wm ^-2 بود . $R_{L} ↓$ و $R_{L} ↑$ تابش جسم سیاه رو به پایین و رو به بالا به ترتیب در Wm ^-2 هستند . $α$ آلبدوی سطحی است که با استفاده از روش تبدیل ذکر شده قبلی توسط لیانگ [ 38 ] به دست آمده است. معادله خطی حاصل به صورت زیر است:

α = 0.356 α 1 + 0.130 α 3 + 0.373 α 4 + 0.085 α 5 + 0.072 α 7 - 0.0018

(9)

جایی که $i$ ( $i$ = 1-7) مقادیر بازتاب سطح باند LANDSAT-5 TM مربوطه را نشان می دهد.

ε

تابش سطحی است.

ε_{a}

گسیل اتمسفر است، که می تواند بر اساس معادله تجربی زیر پیشنهاد شده توسط [ 39 ] محاسبه شود:

ε آ = 1.24 (ه آ تی آ) 1 7

(10)

جایی که $e_{a}$ فشار بخار آب اتمسفر بر حسب hPa و $T_{a}$ دمای اتمسفر بر حسب K است. تابش موج کوتاه را می توان بر اساس مدت تابش خورشید با توجه به [ 40 ] محاسبه کرد. تابش موج بلند را می توان با استفاده از قانون استفان بولتزمن محاسبه کرد:

آر L ⏐ ↓ = σ تی آ 4

(11)

آر L ↑ ⏐ = σ تی س 4

(12)

جایی که $σ$ ثابت استفان – بولتزمن است و $T_{s}$ دمای سطح بر حسب K است.

در این مطالعه از یک مدل پیشرفته انرژی دو منبعی برای محاسبه استفاده شد

H

L E

. این روش می تواند شارهای حرارتی درون یک پیکسل مخلوط را به شارهای حرارتی زیر جزء پوشش گیاهی و غیر گیاهی تجزیه کند.

H

با استفاده از روش مقاومت حجیم از طریق معادله زیر به دست می آید:

اچ = \sum k = 1 متر اف ک v e g \times اچ ک v e g + \sum k = 1 n اف ک n o n - v e g \times اچ ک n o n - v e g

(13)

جایی که $H_{v e g}^{k}$ شار حرارتی محسوس برای مناطق پوشش گیاهی مربوط به عضو انتهایی پوشش گیاهی است $k$ و $F_{v e g}^{k}$ کسری از اعضای انتهایی پوشش گیاهی است $k$ در داخل پیکسل $H_{n o n - v e g}^{k}$ شار حرارتی محسوس برای مناطق غیر پوشش گیاهی مربوط به اعضای انتهایی غیر پوشش گیاهی است $k$ ، و $F_{n o n - v e g}^{k}$ کسری از عضو انتهایی غیر گیاهی است $k$ در داخل پیکسل $H_{v e g}$ و $H_{n o n - v e g}$ با استفاده از معادلات زیر قابل محاسبه است:

اچ v e g = ρ سی پ تی o - تی آ آر a _ v e g اچ n o n - v e g = ρ سی پ تی o - تی آ آر a _ n o n - v e g + R s

(14)

جایی که $p$ چگالی هوا است، $C_{p}$ گرمای ویژه هوا در فشار ثابت است و $T_{o}$ دمای آیرودینامیکی سطح است. زیرا $T_{o}$ به دست آوردن دشوار است، این مطالعه از دمای سطح مشتق شده از سنجش از دور استفاده کرد $T_{o}$ . $R_{a_v e g}$ و $R_{a_{n o n} - v e g}$ مقاومت های آیرودینامیکی مناطق پوشش گیاهی و بدون پوشش گیاهی است که با استفاده از معادله زیر بازیابی شده است:

R a = ln ( Z m - d Z 0 m ) \times ln ( Z h - d Z 0 h ) k 2 u

(15)

جایی که $Z_{m}$ ارتفاع اندازه گیری باد است، $Z_{h}$ ارتفاع اندازه گیری رطوبت است، $d$ ارتفاع جابجایی صفحه صفر است، $Z_{0 m}$ طول زبری حاکم بر انتقال تکانه است و $Z_{0 h}$ طول زبری حاکم بر انتقال گرما و بخار است. $k$ ثابت فون کارمان است و $u$ سرعت باد (m·s ⁻¹ ) در ارتفاع 2 متر است.

R_{s}

مقاومت در برابر جریان گرما در لایه مرزی بلافاصله بالای سطح خاک است و می توان آن را به صورت زیر محاسبه کرد:

R s = 1 a + b u s

(16)

جایی که $a$ سرعت همرفتی آزاد است، $b$ ضریبی است که نشان دهنده زبری معمولی سطح خاک و $u_{s}$ سرعت باد روی سطح خاک در ارتفاع 0.05-0.2 متر است. با توجه به [ 15 ، 41 ]، $a$ و $b$ به ترتیب روی 0.004 m/s و 0.012 تنظیم شدند.

برای مدل بودجه انرژی مورد استفاده در اینجا، پارامترهای مربوط به طول زبری،

Z_{0 m}

Z_{0 h}

، برای نتایج نهایی مهم بودند. مقادیر معمولی از

Z_{0 m}

Z_{0 h}

برای انواع زمین های سطحی خاص به طور متناوب در این مطالعه استفاده شد. انواع سطح از طبقه بندی تصویر با استفاده از روش ماشین بردار پشتیبان به دست آمد. بر اساس ادبیات موجود مرتبط [ 42 ، 43 ، 44 ]، پارامترهای مورد نیاز در این مطالعه در جدول 2 آورده شده است .

جدول 2. پارامترهای مورد استفاده برای انواع پوشش سطح. LCT، نوع پوشش زمین.

شار گرمای نهان LE با استفاده از موارد زیر محاسبه می شود:

L E = \sum k = 1 m F k v e g \times L E k v e g + \sum k = 1 n F k n o n - v e g \times L E k n o n - v e g

(17)

جایی که $L E_{v e g}^{k}$ شار حرارتی محسوس برای مناطق پوشش گیاهی مربوط به عضو انتهایی پوشش گیاهی است $k$ و $F_{v e g}^{k}$ کسری از اعضای انتهایی پوشش گیاهی است $k$ در داخل پیکسل $L E_{n o n - v e g}^{k}$ شار حرارتی محسوس برای مناطق بدون پوشش گیاهی مربوط به عضو انتهایی پوشش گیاهی است $k$ ، و $F_{n o n - v e g}^{k}$ کسری از اعضای انتهایی غیر گیاهی است $k$ در داخل پیکسل $L E_{v e g}$ و $L E_{n o n - v e g}$ به صورت زیر محاسبه شدند [ 41 ، 45 ]:

L E v e g = ρ C p γ \times e o - e a R a _ v e g + r s _ v e g L E n o n - v e g = ρ C p γ \times e o - e a R a _ n o n - v e g + r s _ n o n - v e g

(18)

جایی که $e^{o}$ فشار بخار اشباع بر حسب hPa است و $γ$ ثابت روان سنجی است. $r_{s_v e g}$ و $r_{s__{n o n - v e g}}$ مقاومت روزنه ها به ترتیب برای مناطق پوشش گیاهی و مناطق بدون پوشش گیاهی است.

برای به دست آوردن مقاومت روزنه ها

r_{s_v e g}

r_{s__{n o n} - v e g}

، این مطالعه با توجه به [ 14 ، 17 ، 18 ، 46 ] از یک روش رایج، اما کارآمد استفاده کرد . ما فرض کردیم که مقاومت روزنه را می توان با دو عامل محیطی بیان کرد، دمای هوا و تابش فعال فتوسنتزی، که هر دو را می توان از داده های ماهواره ای سنجش از دور و داده های هواشناسی زمینی بازیابی کرد:

r s_n o n - v e g = f 1 ( T a ) f 2 ( PAR ) r s M I N + 1 r c u t i c l e

(19)

که در آن PAR تابش فعال فتوسنتزی در Wm ^–² است ، $r_{s M I N}$ حداقل مقاومت روزنه در sm ^–¹ و است $r_{c u t i c l e}$ مقاومت سایبان بر حسب sm ^–¹ است . $f_{1}$ و $f_{2}$ توسط معادلات توسعه یافته در [ 47 ، 48 ] بازیابی می شوند. به دنبال کار [ 49 ] و [ 17 ]، $r_{s M I N}$ برای هر نوع پوشش زمین که از طریق طبقه بندی LCT SVM درونیابی شده بود، تعیین شد.

به منظور محاسبه ذخیره گرمای خالص در سطح شهری، شار گرمای ذخیره سازی (DG) با ادغام شار حرارتی زمین و تخلیه حرارت انسانی بر اساس معادله تعادل حرارتی (20) برآورد شد. از سوی دیگر، باید توجه داشت که تشخیص دقیق تخلیه حرارتی انسانی از شار حرارتی زمین غیرعملی است زیرا تفاوت های کمی بین آنها ناچیز است [ 8 ، 18 ].

D G = G - A = R n - H - L E

(20)

2.2.3. بازیابی VFC، ISA% و نقشه طبقه بندی زمین

MESMA برای محاسبه کسری از پوشش گیاهی و سطوح غیر قابل نفوذ استفاده شد. در مقایسه با سایر تجزیه و تحلیل‌های مخلوط طیفی خطی ساده که از انواع و تعداد اعضای انتهایی یکسانی برای مدل‌سازی همه پیکسل‌ها استفاده می‌کنند، MESMA می‌تواند هر پیکسل را با استفاده از ترکیب‌های مختلف اعضای انتهایی نشان‌داده‌شده تجزیه کند. این رویکرد در سه مرحله انجام شد. روش شاخص خلوص پیکسل [ 50] ابتدا برای یافتن خالص ترین پیکسل های طیفی (endember) در تصویر مورد استفاده در این مطالعه استفاده شد. هنگامی که خالص ترین پیکسل ها انتخاب شدند، هر نوع عضو انتهایی انتخاب شده را بر اساس خصوصیات طیفی آنها شناسایی کردیم. کتابخانه ای حاوی 12 عضو نهایی مزارع زراعی، مراتع، جنگل ها، خاک های برهنه و مواد غیر قابل نفوذ (تاریک و روشن) در این مطالعه ایجاد شد. طبقه بندی پوشش گیاهی شامل 6 طیف اعضای انتهایی متمایز بود، در حالی که خاک های لخت و سطوح غیرقابل نفوذ به ترتیب شامل 2 و 4 طیف بودند که در شکل 3 نشان داده شده است . سپس، به دنبال معادلات (21) و (22) [ 51 ]، اعضای انتهایی جمع‌آوری‌شده از طریق یک فرآیند تکرار شونده به تجزیه و تحلیل اختلاط طیفی خطی اعمال شدند. تصویر با تغییر انواع مواد هر کلاس مخلوط شد ( به عنوان مثال، پوشش گیاهی و سطوح غیر قابل نفوذ) و تعداد اعضای انتهایی در هر طبقه. علاوه بر این، پیچیدگی‌های مدل‌های ترکیبی ( به عنوان مثال ، مدل‌های دو، سه یا چهار عضو انتهایی) همیشه متفاوت بود تا زمانی که تصاویر کسری به نتیجه دقیقی دست یافتند. با توجه به [ 52 ]، سه محدودیت مدل برای انتخاب کسرهای حاصل بهینه برای هر پیکسل اعمال شد. به طور خاص، مدل‌ها در صورتی قابل قبول در نظر گرفته می‌شوند که معیارهای کسر و RMSE را داشته باشند، از جمله اینکه کسری‌ها از نظر فیزیکی معقول هستند (0-100٪ و به 1 اضافه می‌شوند) و RMSE کمتر از 2.5٪ است.

R = \sum k = 1 n f ک آر ک

(21)

\sum k = 1 n f ک = 1 ، f ک \geq 0

(22)

جایی که $k$ تعداد اعضای نهایی است، $f_{k}$ کسر عضو انتهایی است $k$ و $R_{k}$ بازتاب عضو نهایی است $k$ .

در این تحقیق از بسته نرم افزاری باز VIPER Tools [ 53 ] برای پیاده سازی الگوریتم MESMA استفاده شد. صد و چهار مدل ترکیبی برای مشخص کردن هر پیکسل استفاده شد: 12 ترکیب یک مدل، 44 ترکیب دو مدل و 48 ترکیب سه مدل. در نهایت، یک تصویر با 12 نوار که نشان دهنده کسری از هر عضو نهایی ایجاد شد، و VFC و ISA٪ به عنوان مجموع کسری از پوشش گیاهی و سطوح غیر قابل نفوذ محاسبه شد.

تصاویر کسری به دست آمده از MESMA با نتیجه طبقه‌بندی از الگوریتم ماشین بردار پشتیبان (SVM) ترکیب شد تا منطقه مورد مطالعه را به هفت کلاس طبقه‌بندی کند: آب، خاک‌های خالی، مزارع زراعی، چمن‌زارها، جنگل‌ها، ISAs با چگالی کم و بالا. ISA های چگالی دو نوع سطوح غیرقابل نفوذ با توجه به چگالی سطح غیرقابل نفوذ متمایز شدند. بر اساس یک تجزیه و تحلیل مبتنی بر قانون، پیکسل های مختلط زمانی که درصد ISA کمتر از 70 بود به عنوان ISA با چگالی متوسط پایین طبقه بندی می شدند، در حالی که پیکسل های بیشتر از 70 به عنوان ISA با چگالی بالا در نظر گرفته می شدند.

بر اساس نتایج فوق، دو جزء شار حرارتی (LE و H) با استفاده از برهم نهی خطی شارهای حرارتی پوشش زمین زیرپیکسلی بازیابی شدند. دو ترکیب بیوفیزیکی (VFC و ISA٪) در اینجا برای محاسبه شار حرارتی مطابق با معادلات (13) و (17) استفاده شدند.

شکل 3. بازتاب طیفی اعضای انتهایی مورد استفاده برای MESMA.

3. نتایج و بحث

3.1. اعتبارسنجی کسرهای پوشش زمین و شارهای حرارتی

برای ارزیابی دقت تصاویر فراوانی پیش‌بینی‌شده پوشش گیاهی و سطوح غیرقابل نفوذ با استفاده از MESMA (نگاه کنید به شکل 4 a,b)، پیرو مطالعات قبلی ما [ 54 ، 55 ]، 100 قطعه نمونه به‌طور تصادفی انتخاب شد و مقادیر مرجع مربوطه به دست آمد. از یک تصویر Google Earth™ از 12 مه 2010.

شکل 4. نقشه های پوشش زمین، طبقه بندی LCT ها و LCT در 1040 LT، مشتق شده از 30 متر LANDSAT-5 TM که در 24 می 2010 به دست آمد. ( الف ) پوشش کسر گیاهی. ( ب ) پوشش سطحی غیر قابل نفوذ. ( ج ) طبقه بندی LCT. ( د ) دمای سطح زمین.

همانطور که در شکل 5 نشان داده شده است ، تجزیه و تحلیل رگرسیون رابطه ای با R2 برابر ^0.85 و شیب 0.96 را در مورد VFC نشان داد. در مورد VFC، RMSE کلی 7.79 و سوگیری کلی 6.40 بود. RMSEهای 7.16 و 9.55 به ترتیب برای مناطق سطح غیرقابل نفوذ با چگالی بالا و سطوح غیرقابل نفوذ با چگالی کم متوسط به دست آمد. بایاس های 5.87 و 8.21 به ترتیب برای مناطق سطح غیرقابل نفوذ با چگالی بالا و سطوح غیرقابل نفوذ با چگالی کم به دست آمد. برای ISA٪، R ²0.83 و شیب 0.86 بود. نتایج یک RMSE کلی 8.67 و یک سوگیری کلی 6.8 را نشان دادند. RMSE 7.41 و 12.34 به ترتیب برای سطوح غیرقابل نفوذ با چگالی کم و سطوح غیرقابل نفوذ با چگالی بالا به دست آمد. بایاس های 5.59 و 10.80 به ترتیب برای مناطق سطح غیرقابل نفوذ با چگالی کم و مناطق سطح غیرقابل نفوذ با چگالی بالا به دست آمد. در مقایسه با نتایج مطالعات قبلی ما که مبتنی بر آنالیزهای مخلوط طیفی ساده [ 54 ، 55 ] بود، نتایج به دست آمده در این مطالعه قابل قبول بود.

شکل 5. نتایج ارزیابی دقت ( الف ) پوشش پوشش گیاهی تخمین زده شده (VFC) و ( ب ) پوشش سطح غیرقابل نفوذ تخمینی (ISA%).

طبقه بندی LCT به دست آمده با استفاده از MESMA و SVM در شکل 4 ج نشان داده شده است. LST بازیابی شده با استفاده از تصویر LANDSAT-5 TM در 24 مه 2010 در شکل 4 d نشان داده شده است. مشخص شد که اگرچه شناسایی برخی از سطوح غیرقابل نفوذ غالب مناظر پیچیده شهری نسبتاً کمتر موفقیت آمیز بود، تمایزاتی در میان اکثر طبقات دیگر، از جمله پوشش گیاهی، خاک های برهنه و بدنه های آبی مشاهده شد. به طور خاص، روش SVM دقت کلی 90.1٪ و مقدار کاپا 0.88 را به دست آورد. دقت تولیدکننده برای محصولات زراعی، مراتع و جنگل ها به ترتیب 87، 89 و 94 درصد بود. به طور کلی، ترکیب SVM و MESMA توانست به نتایج منطقی LCT در مطالعه حاضر دست یابد.

شکل 6 شار حرارتی سطح را از تصویر LANDSAT-5 TM در 24 می 2010 نشان می دهد. از آنجایی که در سال 2010 هیچ اندازه گیری شار گردابی در محل بر روی سوژو وجود نداشت ، متأسفانه دو روش جایگزین برای ارزیابی نتایج محاسبه شده اتخاذ شد. روش اول ET روزانه تخمین زده شده را با اندازه گیری های تبخیر تشت که در ایستگاه های هواشناسی به دنبال روش [ 56 ] و [ 57 ] انجام شد، مقایسه کرد. LE های لحظه ای در دو ایستگاه (سوژو و دونگشان) با استفاده از کسر تبخیری آنی و تابش خالص 24 ساعته به ET های روزانه گسترش یافتند. ET های روزانه محاسبه شده 3.89 میلی متر · روز ^-1 در ایستگاه سوژو و 4.13 میلی متر · روز ^{-1 بود.}در ایستگاه دونگشان، و ETs روزانه اندازه‌گیری شده با استفاده از تشتک تبخیر در ایستگاه‌های سوژو و دونگشان هر دو 4.0 میلی‌متر در روز ^{-1 بود.}. باید در نظر داشت که ET های روزانه جمع آوری شده از اندازه گیری های تبخیر تشت با ET های واقعی متفاوت است و تا حد زیادی تحت تأثیر عواملی است که شامل موقعیت منظر محلی و نگهداری تشت می شود. با توجه به این، ET روزانه برآورد شده نیز با استفاده از معیار کیفی نسبی دیگری ارزیابی شد. خطاهای نسبی بین مقادیر اندازه گیری شده و بازیابی شده به ترتیب 2.75٪ و -3.25٪ بود، که نشان می دهد روش ما می تواند یک نتیجه شار پذیرش ایجاد کند. با این حال، در آینده، ETهای روزانه پیش‌بینی‌شده باید با استفاده از اندازه‌گیری‌های قابل اعتمادتر، مانند ET اندازه‌گیری شده از روش گردابی کوواریانس، اعتبارسنجی شوند. در همین حال، شارهای حرارتی حاصل با یافته‌های منتشر شده قبلی در سایت‌های دیگر از نظر نسبت شارهای حرارتی آشفته مقایسه شد. جدول 3نشان می‌دهد که میانگین نسبت H/Rn در مناطق شهری تقریباً 0.20 بوده و میانگین نسبت‌های LE/Rn به ترتیب در ISAs با چگالی بالا و ISAs با چگالی کم متوسط 0.42 و 0.1 بوده است. گرایش‌ها برای هر دو H/Rn و LE/Rn اساساً مشابه آن‌هایی است که در [ 8 ، 13 ، 14 ] وجود دارد، که به معنی منطقی بودن نتایج است. لازم به ذکر است که از آنجایی که LE انرژی مورد استفاده برای انتقال بخار آب از سطح زمین به جو از طریق تبخیر و تعرق گیاهی یا تبخیر خاک است، قابل درک است که میانگین نسبت LE/Rn در سوژو در مطالعات دیگر تا حدودی بالاتر است. [ 58 ].

علاوه بر این، H تقریباً 20٪ از Rn در مناطق شهری، اما کمتر از 10٪ از Rn در مناطق روستایی ثبت شد. میانگین نسبت H/Rn برای مناطق شهری در مقایسه با مطالعات قبلی کمتر بود که احتمالاً به دلیل تفاوت در ویژگی‌های ساختاری و مصالح ساختمان‌ها است. میانگین نسبت‌های DG/Rn برای ISAs با چگالی کم متوسط و ISA با چگالی بالا به ترتیب 0.47 و 0.68 بود. این مشاهدات کمی با مشاهدات سایر مطالعات ناسازگار بود، احتمالاً به این دلیل که گرمایش انسانی به طور قابل توجهی تحت تأثیر عواملی مانند چشم انداز، آلبدو و مناطق ساختمانی قرار می گیرد [ 59 ].

شکل 6. نقشه های توزیع شارهای حرارتی (بر حسب Wm ^-2 ) در 1040 LT، تخمین زده شده با 30 متر LANDSAT-5 TM که در 24 می 2010 به دست آمد. ( a ) تشعشع خالص، Rn; ( ب ) شار حرارتی محسوس، H; ( ج ) شار گرمای نهان، LE; و ( د ) شار گرمای ذخیره سازی، DG.

جدول 3. نسبت میانگین شار حرارتی به تشعشع خالص در LCT های مختلف.

3.2. الگوی فضایی انرژی گرمایی

مقادیر میانگین و انحراف معیار (SDs) LST و شارهای حرارتی (Rn، LE، H و DG) برای هر نوع سطح محاسبه شد و در جدول 4 نشان داده شده است . بررسی این مقادیر نشان می دهد که یک الگوی حرارتی متمایز در بین LCT های مختلف رخ می دهد.

الگوی فضایی LST بر روی شهر سوژو در شکل 5 نشان داده شده استd، که نشان می دهد مناطق شهری بالاترین LST را به خود اختصاص داده اند. LST تمایل به کاهش از مرکز شهر به مناطق حومه اطراف داشت. میانگین LST در مناطق شهری تقریباً 4 K بالاتر از مناطق حومه شهر بود، که نشان می دهد یک اثر UHI آشکار در سوژو در ساعت 10:40 صبح در 24 مه 2010 رخ داده است. پوشش گیاهی دارای میانگین ارزش کمتر و تغییرات کوچکتر است. در LST به دلیل ظرفیت حرارتی آن برای کاهش ذخیره گرما. علاوه بر این، میانگین LST سطوح غیرقابل نفوذ با چگالی بالا بزرگتر از مناطق سطح غیرقابل نفوذ با چگالی کم بود. LSTهای اولی دارای مقدار متوسط 303.3 K و SD 2.0 K بودند، در حالی که میانگین مقدار و SD دومی به ترتیب 302.6 K و 1.8 K بود. این تفاوت را می توان به تفاوت در ترکیبات LCT نسبت داد.60 ، 61 ].

جدول 4. آمار توصیفی برای شار حرارتی در LCT های مختلف.

Rn برای پوشش های گیاهی (محصولات زراعی، چمن و جنگل ها) بالاتر و برای مناطق سطحی غیرقابل نفوذ نسبتاً کمتر بود ( شکل 6 a). علاوه بر این، Rn بالایی در پوشش جنگلی یافت شد زیرا درختان در بین انواع پوشش گیاهی می توانند بیشترین تابش خورشید را جذب کنند. Rns کم در خاک لخت و سطوح غیرقابل نفوذ مشاهده شد که انواع پوشش زمین به طور کلی با آلبدوس بالا همراه است. علاوه بر این، حوضچه‌های آب به دلیل LST‌های پایین و آلبدوهای سطحی ، دارای Rns بالایی با مقدار متوسط 593.47 Wm ^{-2 هستند.}

بررسی مقدار میانگین H نشان داد که سطوح غیرقابل نفوذ Hs بالاتری نسبت به سطوح پوشش گیاهی دارند. در همین حال، SD H برای سطوح غیرقابل نفوذ بیشتر از پوشش گیاهی بود. علاوه بر این، ISAهای با چگالی بالا آشکارا H بالاتری نسبت به ISAهای با چگالی کم داشتند، که نشان می دهد انرژی بیشتری بین سطح و مرز اتمسفر از طریق همرفت در زمین های بسیار توسعه یافته توزیع شده است. تفاوت در H در میان مناطق غیرقابل نفوذ با تراکم مختلف ممکن است راه ممکنی برای کاهش اثر UHI با تغییر ترکیب‌های زمین مناظر شهری فراهم کند.

در مورد LE، مقادیر میانگین آن برای مزارع زراعی، مراتع، جنگل ها و آب بالا بود. مشخص شد که LE برای زمین های برهنه و مناطق غیرقابل نفوذ، که هر دو دارای دسترسی کم آب بودند، پایین تر است. جای تعجب نیست که شهر سوژو دارای میانگین LE کوچکتر در منطقه شهری مرکز شهر نسبت به مناطق روستایی اطراف است، زیرا LE عمدتاً توسط پوشش گیاهی به جای سطوح غیرقابل نفوذ کنترل می شود. علاوه بر این، اگرچه میانگین LE به دلیل کاهش درصد پوشش گیاهی در سطوح غیرقابل نفوذ کمتر بود، اما همچنان مقدار میانگین بالاتری را در مناطق سبز شهری نشان داد.

از آنجایی که کسری از پوشش گیاهی توزیع شده در سوژو تبخیر و تعرق را انجام می دهد، VFC بازیابی شده از MESMA باید برای تخمین LE برای پیکسل هایی که عمدتاً حاوی سطوح غیرقابل نفوذ هستند، اما نه منحصراً، استفاده می شد. جدول 4 نشان می دهد که میانگین مقدار LE در مناطق سطح غیرقابل نفوذ با چگالی کم 207.9 Wm ^-2 بود . علاوه بر این، برخلاف بسیاری از مطالعات سنجش از دور که مقدار غیرمنطقی صفر را به پیکسل‌های مختلط اختصاص می‌دهند، مناطق سطح غیرقابل نفوذ با چگالی بالا در مطالعه حاضر دارای مقادیر غیر صفر LE (مقدار متوسط 47.8 Wm-2) ^بودند .

با توجه به شار گرمای ذخیره سازی، که شدت افزایش یافته آن توسط [ 62 ] به عنوان یک ویژگی مهم برای فرآیندهای انرژی شهری در نظر گرفته شد، مقادیر میانگین آن 334.0 Wm ^-2 و 214.1 Wm ^-2 در ISA های با چگالی بالا و متوسط کم بود. ISA های چگالی به ترتیب. میانگین مقادیر DG برای محصولات زراعی، مراتع و جنگل‌ها 169.4 Wm ^-2 ، 190.6 Wm ^-2 و 59.4 Wm ^{-2 بود.}، به ترتیب. علاوه بر این، مشاهده شده است که سطوح غیرقابل نفوذ می توانند گرمای بیشتری نسبت به پوشش گیاهی اطراف ذخیره کنند. این تفاوت را می توان با این واقعیت توضیح داد که سطوح غیر قابل نفوذ و پوشش گیاهی دو نوع مختلف پوشش زمین با ویژگی های حرارتی متمایز مانند هدایت حرارتی و ظرفیت گرمایی هستند. از سوی دیگر، [ 8 ، 10] گزارش داد که بزرگ شدن سطح در مناطق ساخته شده ناشی از بافت سه بعدی می تواند به طور مستقیم مناطق شهری و حجم را به لایه های عمق کم اضافه کند و در نتیجه منجر به ذخیره انرژی بیشتر شود. علاوه بر این، مناطق ساحلی عمدتا دارای ارزش DG بالاتری هستند. این به این واقعیت مربوط می شود که DG سطح ارتباط نزدیکی با رطوبت خاک دارد. علاوه بر این، با وجود DG بالاتر در برخی مناطق صنعتی، DG در برخی از کارخانه‌های داخلی نسبتاً پایین بود. این احتمال وجود دارد که DG پایین در مناطق صنعتی نتیجه مصرف انرژی باشد.

3.3. رابطه بین انرژی گرمایی و VFC و ISA%

دسته های مختلف VFC و ISA٪ برای تجزیه و تحلیل روابط بین VFC، ISA٪ و انرژی گرمایی (LST و شارهای حرارتی) محاسبه شدند. مقادیر میانگین و SDهای LST، LE و H برای هر دسته VFC و ISA% در جدول 5 و جدول 6 نشان داده شده است . علاوه بر این، ادغام انرژی گرمایی شهری با VFC و ISA٪ با فواصل زمانی مناسب ممکن است یافته‌های جالبی را به همراه داشته باشد. بنابراین، بر اساس مطالعات قبلی که محیط حرارتی شهری را مورد بررسی قرار داد [ 54 ، 63 ، 64 ]، یک تجزیه و تحلیل منطقه ای برای بررسی مقدار میانگین LST و شار گرما بر روی افزایش پوشش گیاهی از 0.1-1 و با افزایش ISA٪ از 10-100.

جدول 5. میانگین LE و LST دسته های پوشش گیاهی.

جدول 6. میانگین H و LST درصد دسته های ISA.

همبستگی بین LST و VFC و ISA% در شکل 7 نشان داده شده است . نتایج نشان می دهد که مقدار LST با VFC همبستگی منفی داشت، اما با ISA همبستگی مثبت داشت. یک همبستگی آماری معنی‌دار ( 05 /0p<؛ تعدیل شده

R^{2}

0.92 =) بین میانگین LST و VFC، و یک همبستگی آماری معنی‌دار پیدا شد ( 05/ 0p <؛ تنظیم

R^{2}

84/0 =) نیز بین میانگین LST و ISA یافت شد. این مشاهدات نشان می دهد که هم پوشش گیاهی و هم سطح غیرقابل نفوذ به طور قابل ملاحظه ای به تبادل انرژی سطح شهری کمک می کنند.

شکل 7. نمودارهای پراکندگی ( الف ) میانگین LST در مقابل پوشش گیاهی و ( ب ) میانگین LST در مقابل درصد ISA.

جدول 5 نشان می دهد که پوشش گیاهی با تراکم بالا دارای میانگین LE بالاتری نسبت به سایر دسته ها است. شکل 7 نمودار پراکندگی میانگین LE در مقابل میانگین VFC مربوطه را نشان می‌دهد که همبستگی آماری معنی‌دار را نشان می‌دهد ( 05 /0p<؛ تنظیم شده

R^{2}

= 0.88) بین آنها. این همبستگی مثبت قوی نشان می دهد که تغییرات در شار گرمای نهان را می توان به خوبی با پوشش گیاهی شهری مشخص کرد. از سوی دیگر، ما دریافتیم که مناطق شهری غیرقابل نفوذ با تراکم بالا دارای مقادیر میانگین بالاتری از H نسبت به مناطق با تراکم پایین تر هستند. شکل 8 نمودار پراکندگی میانگین H و ISA مربوطه را نشان می‌دهد و نتیجه نشان می‌دهد که یک همبستگی آماری معنی‌دار وجود دارد ( 05 /0p<؛ تنظیم شده است.

R^{2}

= 0.90) بین آنها. در مطالعه [ 10 ]، روابط بین شارهای حرارتی و VFC و ISA٪ از نظر خطی شدن نسبت بوون مشخص شد. مطالعه حاضر نشان می دهد که مناطق سبز شهری می توانند به طور موثر دمای سطح شهری را تنظیم کنند، نه تنها با جذب تابش خورشید، بلکه از طریق اثرات خنک کننده گرمای نهان [ 65 ، 66 ]. با این حال، همبستگی بین آنها ممکن است تابع عوامل بسیاری باشد [ 67 ]، و بنابراین باید توجه بیشتری به بررسی های میدانی ترکیبی و مدل سازی شبیه سازی کامپیوتری در مطالعات آینده داده شود.

علاوه بر این، می توان مشاهده کرد که رابطه VFC-LE برای پوشش گیاهی پراکنده بیشتر از پوشش گیاهی متراکم است. شکل 8 نشان می دهد که پوشش گیاهی به طور قابل توجهی با LE در مناطق پوشش گیاهی کم تراکم همبستگی دارد، که نشان می دهد که پوشش گیاهی کمتر می تواند به تأثیر کارآمدتری بر LE سطح منجر شود. این ممکن است به اثرات فرارفت و سایه های جدی ناشی از استخرهای آب مختلف و ساختمان های بزرگ در طول روز نسبت داده شود. پدیده های مشابهی نیز توسط مطالعات [ 68 ، 69] یافت شد]، که گزارش داد که فضاهای سبز توزیع شده در مناطق به شدت ساخته شده مستعد تولید گرمای نهان بالا به دلیل فرارفت در مقیاس میکرو هستند. علاوه بر این، برای مناطق سطحی غیرقابل نفوذ در اطراف بدنه های آبی، که بخش قابل توجهی از منطقه مورد مطالعه را اشغال می کردند، همچنین مشخص شد که DG سطح به دلیل افزایش H توسط فرارفت هوای خنک تر از بدنه های آبی کاهش می یابد. بنابراین، دولت‌های شهری باید بر افزایش مناطق سبز و آب‌های کوچک در مراکز شهر، به‌ویژه برای زمین‌های به شدت ساخته‌شده، مانند مناطق تجاری مرکزی (CBD) تمرکز کنند.

شکل 8. نمودارهای پراکندگی ( a ) میانگین LE در مقابل پوشش گیاهی و ( b ) میانگین H در برابر درصد ISA.

3.4. اهمیت و کار آینده

LE سطوح غیرقابل نفوذ بازیابی شده در اکثر مطالعات سنجش از دور بر اساس این فرض که مواد غیرقابل نفوذ در هنگام بدست آوردن تصاویر ماهواره ای خشک شده بودند، روی صفر تنظیم شد. علاوه بر این، رویکرد مبتنی بر طرح‌های طبقه‌بندی سخت سنتی باعث دست کم‌گرفتن LE می‌شود، به‌ویژه برای پیکسل‌هایی که عمدتاً دارای سطوح غیرقابل نفوذ هستند، اما نه منحصراً. از این منظر، مطالعه حاضر سعی در بدست آوردن LE و H با استفاده از روشی دارد که شارهای حرارتی هر پیکسل را ترکیبی خطی از شارهای حرارتی زیرپیکسلی نماینده در نظر می‌گیرد.

از سوی دیگر، اگرچه مطالعات کمتری از رویکرد MESMA برای محاسبه شار حرارتی شهری استفاده کرده است، آنالیزهای مخلوط طیفی ساده برای توصیف اصطلاحات شار حرارت شهری کارآمد هستند [ 70 ، 71 ]. از نظر کیفی، نتایج ما مکمل یافته‌های تعداد کمی از مطالعات قبلی است که پتانسیل تجزیه و تحلیل مخلوط طیفی را برای به تصویر کشیدن شارهای انرژی سطح شهری نشان می‌دهد. با این حال، این رویکرد به مجموعه ای از داده های طیفی نماینده حساس است. انتخاب عضو نهایی به طور کلی تعیین می کند که مدل های تجزیه و تحلیل مخلوط با چه دقتی می توانند طیف ها را نشان دهند [ 72 ، 73]. در این مقاله، 12 طیف بهینه از تصویر استفاده شده با در نظر گرفتن کارایی عملیاتی به دست آمد. مطابق با مطالعات [ 74 ، 75 ]، ما معتقدیم که عملکرد MESMA و تحلیل مدل‌سازی بیشتر در صورت استفاده از داده‌های طیفی معرف بیشتر، به ویژه سطوح غیرقابل نفوذ شهری و مناطق سبز، افزایش می‌یابد و این در آینده مورد مطالعه قرار خواهد گرفت. مطالعات.

پارامترهای زبری آیرودینامیکی LCTهای شهری برای توصیف فرآیندهای انرژی که در لایه‌های مرزی هوای شهری و اقلیم شهری رخ می‌دهند ضروری هستند. متأسفانه، این پارامترها (طول زبری و جابجایی صفحه صفر) صرفاً از یک جدول جستجو در کار ما به دست آمد و بنابراین ممکن است بر دقت LE و H پیش‌فرض تأثیر بگذارد. کار در [17، 18] به طور جامع ارزیابی شد . اهمیت زبری آیرودینامیکی برای تخمین شار حرارت شهری بر این اساس، ما معتقدیم که هر دو H و LE را می توان با استفاده از روش مقاومت توده ای با دقت بیشتری بازیابی کرد، زمانی که طول زبری توسط مشاهدات میدانی یا با داده های سنجش از دور با وضوح فضایی بالاتر به دست آمد، که مستحق بررسی بیشتر است.

تصویر LANDSAT-5 TM که دارای وضوح فضایی 30 متر و 120 متر برای باندهای نوری و حرارتی است، برای بازیابی طبقه بندی LCT، LST و شارهای حرارتی استفاده شد. وضوح فضایی متوسط (مخصوصاً 120 متر برای LST) ممکن است برای بررسی کمی شارهای انرژی سطح شهری به اندازه کافی خوب نباشد. با این حال، دقت کلی را می توان بهبود بخشید اگر مناظر پیچیده شهری با استفاده از تصاویر با وضوح فضایی بالاتر طبقه بندی شوند یا LST از تصاویر حرارتی با وضوح فضایی ریزتر مشتق شود. برخی از انواع جدید حسگرها ( به عنوان مثال ، GaoFen و Sentinel)، که از آنها می توان انواع فراوان و جدیدی از داده های سنجش از دور با وضوح مکانی بالا را به دست آورد، به حل این محدودیت در آینده کمک خواهد کرد.

4. نتیجه گیری

این مطالعه شارهای حرارتی شهری را با استفاده از روش پیشرفته دو منبع برآورد کرد. در این روش، شارهای حرارتی مناطق تحت پوشش گیاهی زیرپیکسلی در نظر گرفته شد و شارهای حرارتی (LE و H) پیکسل‌های غیرهمگن ترکیبی از شارهای حرارتی سطح زیرپیکسلی و متناظر با آنها در نظر گرفته شد. نسبت مساحت سطح زمین دقت شارهای حرارتی حاصل با استفاده از داده‌های تشت تبخیر از ایستگاه‌های هواشناسی و میانگین نسبت‌های شار گرمای آشفته و گرمای ذخیره‌سازی زمین (DG) به تشعشع خالص (Rn) ارزیابی شد. نتایج نشان می‌دهد که شارهای حرارتی برآورد شده قابل قبول بوده و می‌توانند برای تحلیل‌های بیشتر محیط حرارتی شهری مورد استفاده قرار گیرند.

مطالعه ما همچنین درک الگوهای فضایی انرژی گرمایی شهری را در پاسخ به LCT های مختلف و دو ترکیب رایج بیوفیزیکی شهری افزایش داده است. باید نتیجه گرفت که متغیرهای محیطی، VFC، ISA% و LCT، برای کمی کردن الگوهای شار حرارت شهری امیدوارکننده هستند.

منابع

فین، اس. استنفورد، ام. اسکارث، پی. موری، ای. Shyy, P. نظارت بر ترکیب محیط های شهری بر اساس مدل پوشش گیاهی غیر قابل نفوذ سطح خاک (VIS) با تکنیک های تحلیل زیرپیکسلی. بین المللی J. Remote Sens. 2002 ، 23 ، 4131-4153. [ Google Scholar ] [ CrossRef ]
رینولدز، ام. کومیزو، جی. واکر، دی. Verbyla، D. رابطه بین دمای سطح زمین به دست آمده از ماهواره، انواع پوشش گیاهی قطب شمال، و NDVI. سنسور از راه دور محیط. 2008 ، 112 ، 1884-1894. [ Google Scholar ] [ CrossRef ]
ونگ، کیو. لو، دی. Schubring، J. برآورد رابطه دمای سطح زمین و فراوانی پوشش گیاهی برای مطالعات جزیره گرمایی شهری. سنسور از راه دور محیط. 2004 ، 89 ، 467-483. [ Google Scholar ] [ CrossRef ]
Mackey، CW; لی، ایکس. اسمیت، RB سنجش از راه دور اثرات سرمایش تلاش‌های مقیاس شهر برای کاهش جزیره گرمایی شهری. ساختن. محیط زیست 2012 ، 49 ، 348-358. [ Google Scholar ] [ CrossRef ]
هولت، تی. Pullen، J. مدل‌سازی سایه‌بان شهری منطقه شهری نیویورک: مقایسه و اعتبارسنجی پارامترهای تک لایه و چند لایه. دوشنبه Weather Rev. 2007 , 135 , 1906-1930. [ Google Scholar ] [ CrossRef ]
Oke, TR اساس انرژی جزیره گرمایی شهری. کوارت JR Meteorol. Soc. 1982 ، 108 ، 1-24. [ Google Scholar ] [ CrossRef ]
ژانگ، ی. عوده، آیو; هان، سی. توصیف دو زمانی دمای سطح زمین در رابطه با سطح غیرقابل نفوذ، NDVI و NDBI، با استفاده از تجزیه و تحلیل تصویر زیر پیکسل. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2009 ، 11 ، 256-264. [ Google Scholar ] [ CrossRef ]
اوکی، تی. اسپرونکن اسمیت، آر. ژائورگی، ای. گریموند، سی. تعادل انرژی شهر مرکزی مکزیک در طول فصل خشک. اتمس. محیط زیست 1999 ، 33 ، 3919-3930. [ Google Scholar ] [ CrossRef ]
Quah، AKL; Roth، M. تغییرات روزانه و هفتگی انتشار گرمای انسانی در یک شهر گرمسیری، سنگاپور. اتمس. محیط زیست 2012 ، 46 ، 92-103. [ Google Scholar ] [ CrossRef ]
کریستن، ا. وگت، آر. تعادل انرژی و تشعشع یک شهر اروپای مرکزی. بین المللی جی.کلیماتول. 2004 ، 24 ، 1395-1421. [ Google Scholar ] [ CrossRef ]
شم، JFC; Memon, SA; Lo, YT کاربرد تکنیک پایش مداوم دمای سطح برای بررسی خصوصیات انتشار گرمای محسوس شبانه توسط پارچه های ساختمانی در هنگ کنگ. انرژی ساخت. 2013 ، 58 ، 1-10. [ Google Scholar ] [ CrossRef ]
میرزایی، PA; حقیقت، ف. رویکردهای مطالعه جزیره گرمایی شهری – توانایی ها و محدودیت ها. ساختن. محیط زیست 2010 ، 45 ، 2192-2201. [ Google Scholar ] [ CrossRef ]
کاتو، اس. Yamaguchi، Y. تجزیه و تحلیل اثر جزیره گرمایی شهری با استفاده از داده‌های Aster و ETM+: جداسازی تخلیه گرمای انسانی و تابش گرمای طبیعی از شار حرارتی محسوس. سنسور از راه دور محیط. 2005 ، 99 ، 44-54. [ Google Scholar ] [ CrossRef ]
کاتو، اس. لیو، سی.-سی. Sun، C.-Y.; چن، پی.-ال. Tsai، H.-Y.; یاماگوچی، ی. مقایسه تعادل حرارتی سطح در سه شهر تایوان با استفاده از داده‌های Terra ASTER و Formosat-2 RSI. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2012 ، 18 ، 263-273. [ Google Scholar ] [ CrossRef ]
ژو، ی. ونگ، کیو. گارنی، KR; شوایی، ی. Hu, X. تخمین رابطه بین تخلیه حرارتی انسانی سنجش از دور و مصرف انرژی ساختمان. ISPRS J. Photogramm. Remote Sens. 2012 ، 67 ، 65-72. [ Google Scholar ] [ CrossRef ]
خو، دبلیو. Wooster، MJ; گریموند، مدلسازی CSB شار حرارتی محسوس شهری در مقیاس های فضایی چندگانه: نمایشی با استفاده از تصاویر ابرطیفی هوابرد شانگهای و رویکرد جداسازی درجه حرارت انتشار. سنسور از راه دور محیط. 2008 ، 112 ، 3493-3510. [ Google Scholar ] [ CrossRef ]
کاتو، اس. یاماگوچی، ی. برآورد شار گرمای ذخیره سازی در یک منطقه شهری با استفاده از داده های ستاره. سنسور از راه دور محیط. 2007 ، 110 ، 1-17. [ Google Scholar ] [ CrossRef ]
کاتو، اس. یاماگوچی، ی. لیو، سی.-سی. سان، سی.-ای. تجزیه و تحلیل تعادل حرارتی سطح شهر تاینان در 6 مارس 2001 با استفاده از داده های ASTER و formosat-2. Sensors 2008 , 8 , 6026-6044. [ Google Scholar ] [ CrossRef ]
یوان، اف. بائر، ME مقایسه سطح غیرقابل نفوذ و شاخص پوشش گیاهی تفاوت نرمال شده به عنوان شاخص‌های اثرات جزیره حرارتی سطح شهری در تصاویر لندست. سنسور از راه دور محیط. 2007 ، 106 ، 375-386. [ Google Scholar ] [ CrossRef ]
ونگ، کیو. لو، دی. لیانگ، بی. توصیفگرهای بیوفیزیکی سطح شهری و تغییرات دمای سطح زمین. مهندس فتوگرامتری Remote Sens. 2006 ، 72 ، 1275-1286. [ Google Scholar ] [ CrossRef ]
راشد، تی. ویکز، جی آر. گادالا، ام اس؛ هیل، AG افشای آناتومی شهرها از طریق تجزیه و تحلیل مخلوط طیفی تصاویر ماهواره ای چند طیفی: مطالعه موردی منطقه بزرگ قاهره، مصر. Geocarto Int. 2001 ، 16 ، 7-18. [ Google Scholar ] [ CrossRef ]
ونگ، کیو. Lu, D. تجزیه و تحلیل زیر پیکسلی اثر شهرنشینی بر دمای سطح زمین و تأثیر متقابل آن با سطح غیرقابل نفوذ و پوشش گیاهی در ایندیاناپولیس، ایالات متحده. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2008 ، 10 ، 68-83. [ Google Scholar ] [ CrossRef ]
Ridd, MK بررسی مدل VIS (سطح خاک غیرقابل نفوذ پوشش گیاهی) برای تجزیه و تحلیل اکوسیستم شهری از طریق سنجش از دور: آناتومی مقایسه ای برای شهرها. بین المللی J. Remote Sens. 1995 ، 16 ، 2165-2185. [ Google Scholar ] [ CrossRef ]
گلوچ، آر. Quattrochi، DA; Luvall، JC یک رویکرد چند مقیاسی برای تجزیه و تحلیل حرارتی شهری. سنسور از راه دور محیط. 2006 ، 104 ، 123-132. [ Google Scholar ] [ CrossRef ]
Gillies، RR; بریم باکس، جی. سیمانزیک، ج. Rodemaker، EJ اثرات شهرنشینی بر جانوران آبزی حوضه آبخیز لاین کریک، آتلانتا – چشم انداز ماهواره ای. سنسور از راه دور محیط. 2003 ، 86 ، 411-422. [ Google Scholar ] [ CrossRef ]
مالیک، جی. رحمان، ع. سینگ، CK مدل‌سازی جزایر حرارتی شهری در سطح زمین ناهمگن و ارتباط آن با سطح غیرقابل نفوذ با استفاده از داده‌های ماهواره‌ای ستاره شبانه در شهر بسیار شهری، دهلی-هند. Adv. Space Res. 2013 ، 52 ، 639-655. [ Google Scholar ] [ CrossRef ]
رابرتز، دی. گاردنر، ام. کلیسا، آر. اوستین، اس. Scheer، G. گرین، R. نقشه برداری چاپارال در کوه های سانتا مونیکا با استفاده از مدل های مخلوط طیفی چند عضو انتهایی. سنسور از راه دور محیط. 1998 ، 65 ، 267-279. [ Google Scholar ] [ CrossRef ]
یانگ، جی. سلام.؛ Oguchi، T. یک رویکرد بهینه‌سازی عضو نهایی برای اختلاط طیفی خطی تصاویر شهری در مقیاس خوب. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2014 ، 27 ، 137-146. [ Google Scholar ] [ CrossRef ]
فیضی زاده، ب. Blaschke، T. بررسی روابط جزیره گرمایی شهری با کاربری زمین و آلودگی هوا: تجزیه و تحلیل مخلوط طیفی چند عضو انتهایی برای سنجش از راه دور حرارتی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2013 ، 6 ، 1749-1756. [ Google Scholar ] [ CrossRef ]
ژانگ، ن. گائو، ز. وانگ، ایکس. چن، ی. مدل‌سازی تأثیر شهرنشینی بر اقلیم محلی و منطقه‌ای در دلتای رودخانه یانگ تسه، چین. نظریه. Appl. کلیماتول. 2010 ، 102 ، 331-342. [ Google Scholar ] [ CrossRef ]
ژانگ، ن. زو، ال. Zhu، Y. جزیره گرمایی شهری و ساختارهای لایه مرزی تحت شرایط سینوپتیک آب و هوای گرم: مطالعه موردی شهر سوژو، چین. Adv. اتمس. علمی 2011 ، 28 ، 855-865. [ Google Scholar ] [ CrossRef ]
کولی، تی. اندرسون، جی. فلده، جی. هوک، ام. راتکوفسکی، ا. چتویند، جی. گاردنر، جی. آدلر-گلدن، اس. متیو، م. Berk، A. Flaash، یک الگوریتم تصحیح جوی مبتنی بر Modtran4، کاربرد و اعتبار سنجی آن. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2002، تورنتو، ON، کانادا، 24-28 ژوئن 2002. ص 1414-1418.
Jiménez-Muñoz، JC; Sobrino، JA یک روش تک کانالی تعمیم یافته برای بازیابی دمای سطح زمین از داده های سنجش از دور. جی. ژئوفیس. Res. اتمس. (1984–2012) 2003 ، 108 . [ Google Scholar ] [ CrossRef ]
سوبرینو، جی. رئیسونی، ن. لی، ز.-ال. مطالعه مقایسه ای بازیابی گسیل سطح زمین از داده های NOAA سنسور از راه دور محیط. 2001 ، 75 ، 256-266. [ Google Scholar ] [ CrossRef ]
سوبرینو، جی. Jiménez-Muñoz، JC; Paolini، L. بازیابی دمای سطح زمین از Landsat TM 5. Remote Sens. Environ. 2004 ، 90 ، 434-440. [ Google Scholar ] [ CrossRef ]
Jiménez-Muñoz، JC; سوبرینو، جی. گیلسپی، ا. سابل، د. Gustafson، WT انتشارات سطح زمین را در مناطق کشاورزی با استفاده از ASTER NDVI بهبود بخشید. سنسور از راه دور محیط. 2006 ، 103 ، 474-487. [ Google Scholar ] [ CrossRef ]
نونز، م. اوکی، TR تعادل انرژی یک دره شهری. J. Appl. شهاب. 1977 ، 16 ، 11-19. [ Google Scholar ] [ CrossRef ]
لیانگ، S. تبدیل باند باریک به پهنای باند البدوی سطح زمین I: الگوریتم ها. سنسور از راه دور محیط. 2001 ، 76 ، 213-238. [ Google Scholar ] [ CrossRef ]
Brutsaert, W. تبخیر در اتمسفر: نظریه، تاریخچه و کاربردها (مکانیک سیالات محیطی) ; Springer: Houten، هلند، 1982; پ. 302. [ Google Scholar ]
آلن، آر جی. پریرا، LS; Raes, D.; اسمیت، ام. تبخیر و تعرق محصول – راهنمای محاسبه نیازهای آبی محصولات کشاورزی – مقاله آبیاری و زهکشی فائو 56 ; اسناد فنی فائو؛ سازمان غذا و کشاورزی: رم، ایتالیا، 1998; پ. 6541. [ Google Scholar ]
وونگ، ام اس؛ یانگ، جی. نیکول، جی. ونگ، کیو. مننتی، م. چان، PW مدل‌سازی شار حرارتی انسانی با استفاده از تصویر ماهواره‌ای کوچک چینی HJ-1B: مطالعه مناطق شهری ناهمگن در هنگ کنگ. IEEE Geosci. سنسور از راه دور Lett. 2015 ، 12 ، 1466-1470. [ Google Scholar ] [ CrossRef ]
گریموند، سی. ناهمواری آیرودینامیکی مناطق شهری به دست آمده از مشاهدات باد. مقید. Meteorol لایه. 1998 ، 89 ، 1-24. [ Google Scholar ] [ CrossRef ]
موریواکی، آر. کاندا، M. پارامترهای زبری اسکالر برای یک منطقه حومه شهر. J. Meteorol. Soc. Jpn. 2006 ، 84 ، 1063-1071. [ Google Scholar ] [ CrossRef ]
استوارت، جی بی. کوستاس، WP; هیومز، KS; نیکولز، دبلیو. موران، ام اس; د بروین، اچ. رابطه شار گرما-دما سطح رادیومتری برای هشت ناحیه نیمه خشک. J. Appl. هواشناسی 1994 ، 33 ، 1110-1117. [ Google Scholar ] [ CrossRef ]
ونگ، کیو. هو، ایکس. کواتروچی، دی. لیو، اچ. ارزیابی شارهای انرژی سطح درون شهری با استفاده از تصاویر ستاره از راه دور و داده های معمول هواشناسی: مطالعه موردی در ایندیاناپولیس، ایالات متحده. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2014 , 7 , 4046–4057. [ Google Scholar ] [ CrossRef ]
Suckling, PW میکروکلیمای تعادل انرژی یک چمن حومه شهر. J. Appl. هواشناسی 1980 ، 19 ، 606-608. [ Google Scholar ] [ CrossRef ]
Jarvis, P. تفسیر تغییرات پتانسیل آب برگ و هدایت روزنه ای موجود در سایبان در مزرعه. فیلوس ترانس. R. Soc. لندن. B Biol. علمی 1976 ، 273 ، 593-610. [ Google Scholar ] [ CrossRef ]
نیشیدا، ک. نمانی، ر.ر. در حال اجرا، SW; Glassy، JM یک الگوریتم سنجش از دور عملیاتی تبخیر سطح زمین. جی. ژئوفیس. Res. اتمس. (1984–2012) 2003 ، 108 . [ Google Scholar ] [ CrossRef ]
کلیهر، اف. لیونینگ، آر. راوپاچ، م. شولزه، ای.-دی. حداکثر رسانایی برای تبخیر از انواع پوشش گیاهی جهانی کشاورزی برای. هواشناسی 1995 ، 73 ، 1-16. [ Google Scholar ] [ CrossRef ]
بوردمن، جی دبلیو. Kruse، FA; سبز، نقشه برداری RO امضاهای هدف از طریق عدم اختلاط جزئی داده های AVIRIS. در مجموعه مقالات پنجمین کارگاه سالانه علوم زمین هوابرد JPL، پاسادنا، کالیفرنیا، ایالات متحده آمریکا، 23 تا 26 ژانویه 1995. ص 23-26.
رابرتز، دی. گاردنر، من؛ کلیسا، آر. Ustin، SL; استراتژی های سبز، RO بهینه برای نقشه برداری پوشش گیاهی با استفاده از مدل های مخلوط طیفی چند عضوی. Proc. SPIE 1997 . [ Google Scholar ] [ CrossRef ]
دنیسون، PE; رابرتز، انتخاب DA Endember برای تجزیه و تحلیل مخلوط طیفی چند عضو انتهایی با استفاده از میانگین RMSE عضو انتهایی. سنسور از راه دور محیط. 2003 ، 87 ، 123-135. [ Google Scholar ] [ CrossRef ]
رابرتز، دی. هالیگان، ک. راهنمای کاربر Dennison, P. Viper Tools (نسخه 1.5) ; دانشگاه کالیفرنیا: سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، 2007. [ Google Scholar ]
لیو، ک. سو، اچ. ژانگ، ال. یانگ، اچ. ژانگ، آر. لی، X. تجزیه و تحلیل اثر جزیره گرمایی شهری در شیجیاژوانگ، چین با استفاده از داده های ماهواره ای و هوابرد. Remote Sens. 2015 ، 7 ، 4804–4833. [ Google Scholar ] [ CrossRef ]
لیو، ک. سو، اچ. Li، X. تخمین دمای سطح شهری با وضوح بالا با استفاده از رویکرد اختلاط حرارتی فراطیفی (HTM). IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2015 . [ Google Scholar ] [ CrossRef ]
جو، دبلیو. گائو، پی. وانگ، جی. ژو، ی. Zhang، X. ترکیب یک مدل اکولوژیکی با تکنیک‌های سنجش از دور و GIS برای نظارت بر محتوای آب خاک در زمین‌های زراعی با آب و هوای موسمی. کشاورزی مدیریت آب. 2010 ، 97 ، 1221-1231. [ Google Scholar ] [ CrossRef ]
گائو، ز. لیو، سی. گائو، دبلیو. چانگ، N.-B. سنجش از دور همراه و تعادل انرژی سطحی با الگوریتم توپوگرافی (SEBTA) برای تخمین تبخیر و تعرق واقعی در زمین های ناهمگن. هیدرول. سیستم زمین علمی 2011 ، 15 ، 119-139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، ی. ویژگی‌های شار حرارتی سطحی در اثرات جزیره شهری با استفاده از سنجش از دور مادون قرمز حرارتی در شهر معمولی چین. دکتری پایان نامه، دانشگاه فارغ التحصیل آکادمی علوم چین، پکن، چین، 2012. [ Google Scholar ]
اونگر، جی. ساویچ، اس. Gál, T. مدل‌سازی میانگین سالانه الگوی جزیره گرمایی شهری برای برنامه‌ریزی شبکه ایستگاه آب و هوای شهری نماینده. Adv. هواشناسی 2011 , 2011 . [ Google Scholar ] [ CrossRef ]
ژو، دبلیو. هوانگ، جی. Cadenasso, ML آیا پیکربندی فضایی اهمیت دارد؟ درک اثرات الگوی پوشش زمین بر دمای سطح زمین در مناظر شهری. Landsc. طرح شهری. 2011 ، 102 ، 54-63. [ Google Scholar ] [ CrossRef ]
وو، اچ. بله، L.-P. شی، W.-Z. Clarke، KC ارزیابی اثرات ساختار فضایی کاربری زمین در جزایر گرمایی شهری با استفاده از تصاویر سنجش از دور HJ-1B در ووهان، چین. بین المللی J. Appl. زمین Obs. اطلاعات جغرافیایی 2014 ، 32 ، 67-78. [ Google Scholar ] [ CrossRef ]
گریموند، سی. Oke, TR مقایسه شارهای گرما از مشاهدات تابستانی در حومه چهار شهر آمریکای شمالی. 1995 ، 34 ، 873-889. [ Google Scholar ]
گائو، ز. گائو، دبلیو. چانگ، N.-B. ارزیابی پیوندهای دینامیکی بین تبخیر و تعرق و تغییرات کاربری/پوشش زمین با داده‌های Landsat TM و ETM+. بین المللی J. Remote Sens. 2012 , 33 , 3733-3750. [ Google Scholar ] [ CrossRef ]
چن، X.-L. ژائو، اچ.-م. لی، P.-X. یین، Z.-Y. تحلیل مبتنی بر تصویر سنجش از دور رابطه بین جزیره گرمایی شهری و تغییرات کاربری/پوشش زمین. سنسور از راه دور محیط. 2006 ، 104 ، 133-146. [ Google Scholar ] [ CrossRef ]
شاشوآ بار، ال. پرلموتر، دی. ارل، ای. راندمان خنک‌سازی استراتژی‌های منظر شهری در آب و هوای خشک گرم. Landsc. طرح شهری. 2009 ، 92 ، 179-186. [ Google Scholar ] [ CrossRef ]
کوهن، پی. پاتر، او. شرایط اقلیمی روزانه و فصلی فضاهای باز شهری سبز در اقلیم مدیترانه ای و تأثیر آنها بر آسایش انسان. ساختن. محیط زیست 2012 ، 51 ، 285-295. [ Google Scholar ] [ CrossRef ]
گریموند، سی. سوچ، سی. هابل، M. تأثیر پوشش درخت بر شارهای تعادل انرژی سطح تابستان، دره سن گابریل، لس آنجلس. صعود Res. 1996 ، 6 ، 45-57. [ Google Scholar ] [ CrossRef ]
Oke, T. تبخیر و تعرق به کمک وابستگی از پوشش گیاهی شهری آبی. مقید. Meteorol لایه. 1979 ، 17 ، 167-173. [ Google Scholar ] [ CrossRef ]
کوانگ، دبلیو. دوو، ی. ژانگ، سی. چی، دبلیو. لیو، ا. لیو، ی. ژانگ، آر. لیو، جی. تعیین کمیت تنظیم شار حرارتی اجزای کاربری زمین/پوشش زمین شهری با جفت کردن مدل‌سازی سنجش از دور با اندازه‌گیری درجا . جی. ژئوفیس. Res. اتمس. 2015 . [ Google Scholar ] [ CrossRef ]
ژانگ، ی. بالزتر، اچ. وو، X. الگوهای مکانی-زمانی تخلیه حرارتی انسانی شهری در فوژو، چین، مشاهده شده از شار حرارتی محسوس با استفاده از داده‌های Landsat TM/ETM+. بین المللی J. Remote Sens. 2013 ، 34 ، 1459-1477. [ Google Scholar ] [ CrossRef ]
بوئگ، ای. پولسن، RN; باتس، م. آبراهامسن، پی. دلویک، ای. هانسن، اس. Hasager، CB; ایبروم، ا. Loerup، JK; پیلگارد، ک. و همکاران مدل‌سازی تبخیر و تعرق مبتنی بر سنجش از دور و رواناب سایت‌های شار کشاورزی، جنگلی و شهری در دانمارک: از میدان تا مقیاس کلان جی هیدرول. 2009 ، 377 ، 300-316. [ Google Scholar ] [ CrossRef ]
فرناندز-مانسو، آ. کوئینتانو، سی. رابرتز، دی. ارزیابی پتانسیل تجزیه و تحلیل مخلوط طیفی اعضای انتهایی چندگانه (MESMA) برای نقشه برداری منطقه تحت تاثیر استخراج زغال سنگ سطحی در اکوسیستم های مختلف جنگلی جهان. سنسور از راه دور محیط. 2012 ، 127 ، 181-193. [ Google Scholar ] [ CrossRef ]
تامپکینز، اس. خردل، JF; پیترز، سی ام. Forsyth، DW بهینه سازی اعضای انتهایی برای تجزیه و تحلیل مخلوط طیفی. سنسور از راه دور محیط. 1997 ، 59 ، 472-489. [ Google Scholar ] [ CrossRef ]
فرانکه، جی. رابرتز، دی. هالیگان، ک. Menz، G. سلسله مراتبی تجزیه و تحلیل مخلوط طیفی چند عضو انتهایی (MESMA) از تصاویر فراطیفی برای محیط های شهری. سنسور از راه دور محیط. 2009 ، 113 ، 1712-1723. [ Google Scholar ] [ CrossRef ]
کوئینتانو، سی. فرناندز-مانسو، آ. رابرتز، DA تجزیه و تحلیل مخلوط طیفی چند عضو انتهایی (MESMA) برای نقشه‌برداری سطوح شدت سوختگی از تصاویر Landsat در کشورهای مدیترانه‌ای. سنسور از راه دور محیط. 2013 ، 136 ، 76-88. [ Google Scholar ] [ CrossRef ]

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons by Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب