Investigating the Relationship between Air Pollutants and Remote Sensing Indices (NDVI, NDBI, LST, and ATI) in Tehran

جغرافیا و مخاطرات محیطی

Article 7, Volume 12, Issue 3 - Serial Number 47, September 2023, Pages 123-144   

Document Type: Research Article

DOI: 10.22067/geoeh.2023.79729.1305

Authors

Sayedeh Zeinab Shogrkhodaei¹; Amanollah Fathnia^{* 2}; Sirous Hashemi Darebadami³

¹PhD Candidate in Climatology, Razi University, Kermanshah, Iran

²Associate Professor in Climatology, Razi University, Kermanshah, Iran

³PhD Candidate in Remote Sensing and Geographic Information System, Tehran University, Tehran, Iran

Abstract

Intra-urban air pollution is a major environmental and public health concern worldwide. As the capital of Iran, Tehran is increasing its population day by day, and it has caused problems such as air pollution, and its severity is subject to change every year. The aim of this study was to find a relationship between Remotely Sensed Indices with pollutants and air pollution modeling in Tehran. Pearson correlation coefficient was used to investigate the relationship between independent variables and pollutants and multivariate linear regression model was used to model it. Independent variables in this study are Land Surface Temperature (LST), Normalized Vegetation Difference Index (NDVI), Apparent Thermal Inertia (ATI), and Normalized Difference Built-Up Index (NDBI). The data obtained from Landsat 8 satellite images and MODIS sensor were used. Moreover, air pollution parameters were CO, NO₂ and SO₂, which were prepared in two spring (April) and summer (August July) of 2017. ENVI, ArcGIS and SPSS software were used to analyze the images and evaluate the relationship between the Remotely Sensed Indices and air pollutants and modeling. The results showed that the highest correlation between LST and SO₂ is in the spring (0.24), NDVI and SO₂ is in the spring (-0.36), ATI and CO is in the summer, and between NDBI and SO₂ is in the summer. Also, the results of the model for the statistical coefficient of determination (R²) showed a value between 0.33 and 0.8, and for the statistical root-mean-square error (RMSE) showed a value of 5.05-47.47. It was also found that NDVI and LST are inversely related, and that NDBI was indirectly related to air pollutants.

Keywords

Air Pollution; Pearson Correlation; Tehran City; Remote Sensing Index

References

اصغری‌سراسکانرود، صیاد؛ امامی، هادی؛ 1397. پایش دمای سطح زمین و بررسی رابطه کاربری اراضی با دمای سطح با استفاده از تصاویر سنجنده OLI و ETM+ (مطالعه موردی: شهرستان اردبیل). تحقیقات کاربردی علوم جغرافیایی، دوره 19، شماره 53، 215-195.

http://dx.doi.org/10.29252/jgs.19.53.195

آروین، عباسعلی؛ 1397. بررسی جزیره حرارتی در ارتباط با آلودگی هوا در شهر اصفهان. جغرافیا و مخاطرات محیطی، دوره 7، شماره 1، 129-115.

                                                     https://doi.org/10.22067/geo.v7i1.64590

خسروی، یونس؛ حیدری، محمدعلی؛ توکلی، آزاده؛ زمانی، عباسعلی؛ 1396. تحلیل رابطه تغییرات زمانی دمای سطح زمین و الگوی فضایی تغییرات کاربری اراضی (مطالعه موردی: شهر زنجان). برنامه‌ریزی و آمایش فضا، دوره 21، شماره 3، 144-119.                                       http://hsmsp.modares.ac.ir/article-21-4560-fa.html

رفیعیان، مجتبی؛ شالی، محمد؛ 1391. تحلیل فضایی سطح توسعه یافتگی شهر تهران به تفکیک مناطق شهری. برنامه‌ریزی و آمایش فضا، دوره 16، شماره 4، صص 47-26.

 http://hsmsp.modares.ac.ir/article-21-5052-fa.html

رنجبرسعادت‌آبادی، عباس؛ قصابی، زهرا؛1390. مطالعه همدیدی الگوهای جوی حاکم بر روی تهران در روزهای با آلودگی بسیار شدید هوا. پژوهش­های اقلیم شناسی، دوره دوم، شمار 5 و 6، 56-39.

https://www.sid.ir/fa/VEWSSID/J_pdf/4007513900603.pdf

زبردست، اسفندیار؛ ریاضی، حسین؛ 1393. شاخص­های محیط انسان ساخت و تأثیرات آن بر آلودگی هوا. هنرهای زیبا‌، معماری و شهرسازی، دوره 2، شماره 1، 66-55. 

 https://dorl.net/dor/20.1001.1.22286020.1394.20.1.5.6

ساسان‌پور، فرزانه؛ ضیائیان، پرویز؛ بهادری، مریم؛ 1392. بررسی رابطه کاربری و پوشش اراضی و جزایر حرارتی شهر تهران. بین المللی انجمن جغرافیای ایران، دوره 11، شماره 39، 270-256.   

https://gisj.sbu.ac.ir/article_94232_fb3a7adefdf354c9f11d03655c231582.pdf

سجادیان، ناهید؛ 1394. پیش‌بینی آلودگی هوای ناشی از حمل ونقل شهری کلانشهر تهران با بهره‌گیری از تلفیق GIS با مدل LUR و شبکه عصبی مصنوعی. اطلاعات جغرافیایی، دوره 24، شماره 95، 120-107.

 http://ensani.ir/file/download/article/20160405114926-9987-215.pdf

شرعی‌پور، زهرا؛ مزرعه‌فراهانی، مجید؛ 1386. بررسی تغییرات اوزون کلی جو و نقش آلاینده SO₂ گشت سپهری (تروپوسفری) در تغییرات اوزون کلی اندازه‌گیری شده با دستگاه دابسون موسسه ژئوفیزیک دانشگاه تهران. فیزیک زمین و فضا، دوره 33، شماره 3، 99-113.

            https://jesphys.ut.ac.ir/article_19311.html?lang=fa

شریفی‌سده، مریم؛ احمدی‌ندوشن، مژگان؛ 1397. کاربرد روش رگرسیون کاربری اراضی (LUR) در مدل‌سازی فضایی آلاینده‌های هوا در شهر اصفهان. علوم محیطی، دوره 16، شماره 2، صص 216-203. 

https://envs.sbu.ac.ir/article_97939_de56c3f37c9dea897a55631186b9350a.pdf

شفیعی، هادی؛ عبداللهی‌کاکرودی، عطاالله؛ کیاورزمقدم، مجید؛ 1396. ارزیابی روند حرارتی، پوشش گیاهی و اراضی ساخته شده کلان شهر تهران در سه دهه اخیر. همایش ملی ژئوماتیک، دوره 10، شماره 4، 18-1.   

https://elmnet.ir/vslg?url=https%3A%2F%2Fwww.sid.ir%2Ffa%2Fseminar%2FViewPaper.aspx%3FID%3D89954&type=0&id=20699643

صفرراد، طاهر؛ یوسفی، یداله؛ رضایی‌طالعی، عاطفه؛ 1398. واکاوی تغیرات سطوح نفوذناپذیر و دمای سطح زمین در قائم شهر. تحقیقات کاربردی علوم جغرافیایی، دوره 2، شماره 62، 199-183.

 https://jgs.khu.ac.ir/browse.php?a_id=3374&sid=1&slc_lang=fa

کاوسی، امیر؛ سفیدکار، ریحانه؛ علوی‌مجد، حمید؛ رشیدی، یوسف؛ ایمان‌زاد، معصومه؛ نورمرادی، حشمت‌الله؛ 1392. تحلیل فضایی آلودگی هوای شهر تهران با استفاده از مدل­های اتولجستیک، اتولجستیک مرکزی شده و روش کریگینگ نشانگر. دانشگاه علوم پزشکی ایلام، دوره 21، شماره 7، 214-206.

http://sjimu.medilam.ac.ir/article-1-1604-fa.html

لشکری، حسن؛ کیخسروی، قاسم؛ کریمیان، ندا؛ 1399. بررسی الگوهای همدیدی آلودگی­های شدید هوا، در لایه وردسپهر زیرین کلان­شهر تهران. جغرافیا و مخاطرات محیطی، دوره 9، شماره 3، 20-1.

https://geoeh.um.ac.ir/article_34363.html

متکان، علی‌اکبر؛ پوراحمد، احمد؛ منصوریان، حسین؛ میرباقری، بابک؛ حسینی اصل، امین؛ 1388. سنجش کفیت مکان‌های شهری، با استفاده از روش ارزیابی چند معیاره در GIS (مورد مطالعه : شهر تهران). نشریه سنجش‌ازدور و GIS ایران، دوره 1، شماره 4، صص 20-1.

https://gisj.sbu.ac.ir/article_94409_ba87d7a537546f4ae539cf143b05ed34.pdf

محمدی،  اکبر؛ قرخلو، مهدی؛ زیاری، کرامت‌الله؛ پوراحمد، احمد؛ 1397. استفاده از مدل رگرسیون کاربری اراضی (LUR) برای پیش‌بینی آلاینده‌های NO2، CO و PM10 (مطالعۀ موردی: شهر تهران). پژوهش‌های جغرافیای انسانی، دوره 50، شماره 1، صص 1-16.

                            https://doi.org/10.22059/jhgr.2014.51225

محمودزاده، حسن؛ نقدبیشی، افسانه؛ مؤمنی، سحر؛ 1397. تأثیر کاربری­های شهری در ایجاد جزایر حرارتی (مطالعه موردی: شهر مشهد). جغرافیا و مخاطرات محیطی، دوره 7، شماره 27، 105-119.

  https://doi.org/10.22067/geo.v0i0.68150

ملک حسینی، عباس؛ سلیمانی، فریبا؛ 1397. بررسی آلاینده‌های تاثیرگذار بر آلودگی هوای تهران و راهکارهای کنترل با توجه به شاخص کیفیت AQI. نگرش‌های نو در جغرافیای انسانی، دوره 10، شماره 4، 73-56.

https://geography.garmsar.iau.ir/article_544603.html

نورپور، علیرضا؛ فیض، سید محمدعلی؛ 1393. تعیین تغییرات مکانی و زمانی آلاینده­های گوگرد دی اکسید، نیتروژن دی اکسید و انواع ذرات معلق با استفاده از تکنیک­های GIS در شهر تهران. محیط‌شناسی، دوره 40، شماره 3، 738-723.

https://doi.org/10.22059/jes.2014.52216

هاشمی‌دره‌بادامی، سیروس؛ 1394. مدل­سازی تغییرات سالانه جزیره حرارتی شهری و بررسی اثر آن بر میزان تغییرات آلودگی هوا (کلان شهر تهران). استاد راهنما علی درویشی بلورانی، پایان‌نامه کارشناسی ارشد سنجش‌ازدور، گرایش مطالعات شهری و روستایی دانشگاه تهران: 142 صفحه. 

http://jgs.khu.ac.ir/article-1-2745-fa.html

 هاشمی‌دره‌بادامی، سیروس؛ درویشی‌بلورانی، علی؛ علوی‌پناه، سید کاظم؛ ملکی، محمد؛ 1397. تحلیل تغییرات جزیره حرارتی سطوح شهری در روز و شب با استفاده از محصولات چند زمانه سنجنده مادیس (مطالعه موردی: کلانشهر تهران). تحقیقات کاربردی علوم جغرافیایی، دوره 19، شماره 52، 128-113.    

  http://jgs.khu.ac.ir/article-1-2745-fa.html

وحدت، امیرحسین؛ علی‌محمدی، عباس؛ 1399. بررسی تغییرپذیری ساعتی رابطة بین پارامترهای کاربری اراضی و آلایندة CO، با استفاده از مدل رگرسیون کاربری اراضی (LUR) در شهر تهران، فصلنامه سنجش‌ازدور و GIS ایران، سال 12، شماره 1، 18-1.                                            https://doi.org/10.52547/gisj.12.1.1

 

 Amini, H., Taghavi-Shahri, S. M., Henderson, S. B., Naddafi, K., Nabizadeh, R., & Yunesian, M. 2014. Land use regression models to estimate the annual and seasonal spatial variability of sulfur dioxide and particulate matter in Tehran, Iran. Science of the Total Environment, 488, 343-353. https://doi.org/10.1016/j.scitotenv.2014.04.106

Amiri, R., Weng, Q., Alimohammadi, A., & Alavipanah, S. K., 2009. Spatial–temporal dynamics of land surface temperature in relation to fractional vegetation cover and land use/cover in the Tabriz urban area, Iran. Remote sensing of environment 113(12): 2606-2617. https://doi.org/10.1016/j.rse.2009.07.021

Atkinson, R. W., Carey, I. M., Kent, A. J., van Staa, T. P., Anderson, H. R., & Cook, D. G., 2013. Long-term exposure to outdoor air pollution and incidence of cardiovascular­ diseases. Epidemiology 24(10): 44-53. https://doi.org/10.1097/ede.0b013e318276ccb8

 Barnes, K. B., Morgan, J., & Roberge, M., 2001. Impervious surfaces and the quality of natural and built environments. Baltimore: Department of Geography and Environmental Planning, Towson University. www.ijesi.org/papers/Vol(4)5/E045027031.pdf

 Buyadi, S. N. A., Mohd, W. M. N. W., & Misni, A., 2013. Impact of land use changes on the surface temperature distribution of area surrounding the National Botanic Garden, Shah Alam. Procedia-Social and Behavioral Sciences101 (15):516-525.

https://doi.org/10.1016/j.sbspro.2013.07.225

 Chen, Y. C., Chiu, H. W., Su, Y. F., Wu, Y. C., & Cheng, K. S. 2017. Does urbanization increase diurnal land surface temperature variation? Evidence and implications. Landscape and Urban Planning, 157, 247-258. https://doi.org/10.1016/j.landurbplan.2016.06.014

Erqou, S., Clougherty, J. E., Olafiranye, O., Magnani, J. W., Aiyer, A., Tripathy, S., & Reis, S. E., 2018. Particulate matter air pollution and racial differences in cardiovascular disease risk. Arteriosclerosis, thrombosis, and vascular biology 38(4): 935-942.

https://doi.org/10.1161/ATVBAHA.117.310305

 Feizizadeh, B., Blaschke, T., Nazmfar, H., Akbari, E., & Kohbanani, H. R., 2013. Monitoring land surface temperature relationship to land use/land cover from satellite imagery in Maraqeh County, Iran. Journal of Environmental Planning and Management 56(9):1290-1315. http://dx.doi.org/10.1080/09640568.2012.717888

Ge, X., Mauree, D., Castello, R., & Scartezzini, J. L. 2020. Spatio-temporal relationship between land cover and land surface temperature in urban areas: a case study in Geneva and Paris. ISPRS International Journal of Geo-Information, 9(10), 593.

https://doi.org/10.3390/ijgi9100593

Ghotbi, S., Sotoudeheian, S., & Arhami, M. 2016. Estimating urban ground-level PM₁₀ using MODIS 3km AOD product and meteorological parameters from WRF model. Atmospheric Environment, 141, 333-346. https://doi.org/10.1016/j.atmosenv.2016.06.057

Gorsevski, V., Taha, H., Quattrochi, D., & Luvall, J., 1998. Air pollution prevention through urban heat island mitigation: An update on the Urban Heat Island Pilot Project. Proceedings of the ACEEE Summer Study, Asilomar, CA 9(10): 23-32.

www.aceee.org/files/proceedings/1998/data/papers/0903.PDF

Guo, L., Liu, R., Men, C., Wang, Q., Miao, Y., & Zhang, Y. (2019). Quantifying and simulating landscape composition and pattern impacts on land surface temperature: A decadal study of the rapidly urbanizing city of Beijing, China. Science of the Total Environment, 654, 430-440. https://doi.org/10.1016/j.scitotenv.2018.11.108

Hashim Mohammed, B., & Abdullah Sultan, M., 2010. Using remote sensing data and GIS to evaluate air pollution and their relationship with land cover and land use in Baghdad City. Iranian Journal of Earth Sciences 2(1): 20-24.

 https://ijes.mashhad.iau.ir/article_522638_4213861c139f0d22ad68e0355e8dc29a.pdf

Hu, M., Wang, Y., Wang, S., Jiao, M., Huang, G., & Xia, B. 2021. Spatial-temporal heterogeneity of air pollution and its relationship with meteorological factors in the Pearl River Delta, China. Atmospheric Environment, 254, 118415. https://doi.org/10.1016/j.atmosenv.2021.118415

Ibrahim, F., & Rasul, G., 2017. Urban land use land cover changes and their effect on land surface temperature: Case study using Dohuk City in the Kurdistan Region of Iraq. Climate 5(1): 1-18. https://doi.org/10.3390/cli5010013

 Javanbakht, M., Boloorani, A. D., Kiavarz, M., Samany, N. N., Zebardast, L., & Zangiabadi, M. 2021. Spatial-temporal analysis of urban environmental quality of Tehran, Iran. Ecological Indicators, 120, 106901. https://doi.org/10.1016/j.ecolind.2020.106901

Jiménez-Muñoz, J. C., & Sobrino, J. A., 2008. Split-window coefficients for land surface temperature retrieval from low-resolution thermal infrared sensors. IEEE geoscience and remote sensing letters 5(4): 806-809. http://dx.doi.org/10.1109/LGRS.2008.2001636

 Jiménez-Muñoz, J. C., Sobrino, J. A., Skoković, D., Mattar, C., & Cristóbal, J., 2014. Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data. IEEE Geoscience and Remote Sensing Letters 11(10):1840-1843.

https://doi.org/10.1109/LGRS.2014.2312032

Kalisa, E., Fadlallah, S., Amani, M., Nahayo, L., & Habiyaremye, G. 2018. Temperature and air pollution relationship during heatwaves in Birmingham, UK. Sustainable cities and society, 43, 111-120. https://doi.org/10.1016/j.scs.2018.08.033

Kim, K. H., Kabir, E., & Kabir, S. 2015. A review on the human health impact of airborne particulate matter. Environment international, 74, 136-143.

https://doi.org/10.1016/j.envint.2014.10.005

 Lenney, M. P., Woodcock, C. E., Collins, J. B., & Hamdi, H., 1996. The status of agricultural lands in Egypt: the use of multitemporal NDVI features derived from Landsat TM. Remote Sensing of Environment 56(1): 8-20. https://doi.org/10.1016/0034-4257(95)00152-2

 Liang, S., 2005. Quantitative remote sensing of land surfaces (Vol. 30). John Wiley & Sons. https://onlinelibrary.wiley.com/doi/book/10.1002/047172372X

 Mirzaei, P. A., 2015. Recent challenges in modeling of urban heat island. Sustainable Cities and Society 19:200-206. https://doi.org/10.1016/j.scs.2015.04.001

 Mozumder, C., Reddy, K. V., & Pratap, D., 2013. Air pollution modeling from remotely sensed data using regression techniques. Journal of the Indian Society of Remote Sensing 41(2): 269-277. http://dx.doi.org/10.1007/s12524-012-0235-2

 Price, J. C., 1985. On the analysis of thermal infrared imagery: The limited utility of apparent thermal inertia. Remote sensing of Environment 18(1): 59-73. https://doi.org/10.1016/0034-4257(85)90038-0

Putrenko, V. V., & Pashynska, N. M. 2017. The Use of Remote Sensing Data for Modeling Air Quality in the Cities. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 4, 57. https://doi:10.5194/isprs-annals-IV-5-W1-57-2017

 Sobrino, J. A., Li, Z. L., Stoll, M. P., & Becker, F., 1996. Multi-channel and multi-angle algorithms for estimating sea and land surface temperature with ATSR data. International Journal of Remote Sensing 17(11): 2089-2114.

http://dx.doi.org/10.1080/01431169608948760

Sohrabinia, M., & Khorshiddoust, A. M. 2007. Application of satellite data and GIS in studying air pollutants in Tehran. Habitat International, 31(2), 268-275.

https://doi.org/10.1016/j.habitatint.2007.02.003

Song, J., Chen, W., Zhang, J., Huang, K., Hou, B., & Prishchepov, A. V. 2020. Effects of building density on land surface temperature in China: Spatial patterns and determinants. Landscape and Urban Planning, 198, 103794. https://doi.org/10.1016/j.landurbplan.2020.103794

Sulaymon, I. D., Zhang, Y., Hopke, P. K., Hu, J., Rupakheti, D., Xie, X., ... & She, Y. 2021. Influence of transboundary air pollution and meteorology on air quality in three major cities of Anhui Province, China. Journal of Cleaner Production, 329, 129641.

https://doi.org/10.1016/j.jclepro.2021.129641

 Vafa-Arani, H., Jahani, S., Dashti, H., Heydari, J., & Moazen, S., 2014. A system dynamics modeling for urban air pollution: A case study of Tehran, Iran. Transportation Research Part D: Transport and Environment 31: 21-36. https://doi.org/10.1016/j.trd.2014.05.016

Vienneau, D., De Hoogh, K., Bechle, M. J., Beelen, R., Van Donkelaar, A., Martin, R. V., ... & Marshall, J. D. 2013. Western European land use regression incorporating satellite-and ground-based measurements of NO2 and PM10. Environmental science & technology, 47(23), 13555-13564. https://doi.org/10.1021/es403089q

Wu, C. D., Chen, Y. C., Pan, W. C., Zeng, Y. T., Chen, M. J., Guo, Y. L., & Lung, S. C. C. 2017. Land-use regression with long-term satellite-based greenness index and culture-specific sources to model PM2.5 spatial-temporal variability. Environmental pollution, 224, 148-157. https://doi.org/10.1016/j.envpol.2017.01.074

Wu, H., Hong, S., Hu, M., Li, Y., & Yun, W. 2022. Assessment of the factors influencing sulfur dioxide emissions in Shandong, China. Atmosphere, 13(1), 142.

 https://doi.org/10.3390/atmos13010142

 Yuan, F., & Bauer, M. E., 2007. Comparison of impervious surface area and normalized difference vegetation index as indicators of surface urban heat island effects in Landsat imagery. Remote Sensing of environment 106(3): 375-386.

 http://dx.doi.org/10.1016/j.rse.2006.09.003

 Zheng, S., Zhou, X., Singh, R., Wu, Y., Ye, Y., & Wu, C., 2017. The spatiotemporal distribution of air pollutants and their relationship with land-use patterns in Hangzhou city, China. Atmosphere 8(6):1-18. https://doi.org/10.3390/atmos8060110