بررسی و تفکیک جزیره حرارتی و گرمایش جهانی در دشت مشهد

آب و خاک

مقاله 10، دوره 35، شماره 1 - شماره پیاپی 75، فروردین و اردیبهشت 1400، صفحه 137-151  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2020.14683.0

نویسندگان

حسین بندار؛ محمد موسوی بایگی ؛ بیژن قهرمان

گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

چکیده

جهان امروزه جریان بی‌سابقه‌ای از شهری ‌شدن را تجربه می‌نماید. با توسعه شهرنشینی، وسعت بیشتری از پوشش طبیعی مناطق کشاورزی و جنگل جای خود را به شهرها داده و معضلات اکولوژیستی شهری، منجمله ایجاد جزایر حرارتی، برای زیست‌گاه موجودات زنده فراهم آورده است. از طرفی گرم شدن زمین در سالیان اخیر بر اثر پدیده گرمایش جهانی نیز، که بر اثر فعالیت‌های انسانی ایجاد می‌شود، بر این مشکلات می‌افزاید. اما این دو منشاء یکسانی نداشته و تفکیک آن از طریق تفاضل مقادیر بدست آمده در شهر و نقاط مجاور، در مدیریت شهری لازم و ضروری است. پژوهش حاضر بر روی دشت مشهد، با استفاده از تصاویر ماهواره لندست 5، لندست 7 و لندست 8 بین سال‌های 1996 تا 2016 میلادی انجام گردید. در این مطالعه به کمک روش‌های مختلف تعیین دمای سطح (LST)، دمای پوشش گیاهی محاسبه شد. نتایج نشان داد که میانگین دمای سطح زمین (LST) منطقه مطالعاتی در روزهای تحت بررسی، به­طور میانگین بین 9/17 تا 0/49 درجه سانتی‌گراد در مناطق مختلف آن دارای تغییرات زمانی و مکانی است. بیشترین و کمترین مقادیر میانگین دمای سطح زمین به ترتیب در کاربری‌های شهری و کوهستانی مشاهده شد. هم­چنین، مناطق شهری دارای تفاوت محسوس دمای سطح زمین (LST) نسبت به سایر کاربری‌ها می­باشد. نتایج استفاده از الگوریتم‌های مختلف محاسبه LST در دشت مشهد نشان داد که روش پنجره مجزا (SW) نسبت به سایر روش‌ها مقادیر بالاتری از LST را ارائه می‌دهد، این روند تقریباً در تمامی کلاس‌های کاربری اراضی در منطقه مطالعاتی دیده شد. در مناطق شهری، از بین روش‌های مختلف تعیین LST، بیشترین همبستگی‌ها بین دمای هوا در ایستگاه سینوپتیک مشهد و LST محاسباتی به روش تک کاناله یا SC دیده شد (R²=0.964). در مناطق کوهستانی و کشاورزی، نیز بیشترین همبستگی‌ها بین دمای هوا و LST محاسباتی به روش تک پنجره اصلاحی یا IMW دیده شد (R²=0.951) و (R²=0.943).

کلیدواژه‌ها

جزیره حرارتی؛ شهرستان مشهد؛ گرمایش جهانی

مراجع

 

1. U.S. Environmental Protection Agency. 2014. Climate change indicators in the United States, Third edition. EPA 430-R-14-004.
2. Parry M., Parry ML., Canziani O., Palutikof J., Van der Linden P., and Hanson C. 2007. Climate change 2007-impacts, adaptation and vulnerability: Working group II contribution to the fourth assessment report of the IPCC. Cambridge University Press.
3. Han JY., Baik JJ., and Lee H. 2014. Urban impacts on precipitation. Asia-Pacific Journal of Atmospheric Sciences 50(1):17-30.
4. AghaKouchak A., Cheng L., Mazdiyasni O., and Farahmand A. 2014. Global warming and changes in risk of concurrent climate extremes: Insights from the 2014 California drought. Geophysical Research Letters. 41(24): 8847-52.
5. Sanderson M.G., Hemming D.L., and Betts R.A. 2011. Regional temperature and precipitation changes under high-end (≥ 4 C) global warming. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences 369(1934): 85-98.
6. Delpla I., Jung A.V., Baures E., Clement M., and Thomas O. 2009. Impacts of climate change on surface water quality in relation to drinking water production. Environment International 35(8): 1225-33.
7. Wilby R.L., Whitehead P.G., Wade A.J., Butterfield D., Davis R.J., and Watts G. 2006. Integrated modelling of climate change impacts on water resources and quality in a lowland catchment: River Kennet, UK. Journal of Hydrology 330(1-2): 204-20.
8. Dabbaghian Amiri M. 2012. Island Thermal Challenges for the Urban Environment and Solutions to Reduce its Impacts. Saqez University of Applied Sciences. First Regional Conference on Architecture and Urban Development. (In Persian)
9. Mousavi Baighi M., Ashraf B., Farid Hosseini A., and Meyanabadi A. 2012. Checking the Thermal Island of Mashhad using satellite imagery and fractal theory. Geography Magazine and Environmental Hazards 1: 35-49. (In Persian)
10. Grimm N.B., Faeth S.H., Golubiewski N.E., Redman C.L., Wu J., Bai X., and Briggs J.M. 2008. Global change and the ecology of cities. Science 319(5864): 756-60.
11. Song X., Zhang J., AghaKouchak A., Roy SS., Xuan Y., Wang G., He R., Wang X., and Liu C. 2014. Rapid urbanization and changes in spatiotemporal characteristics of precipitation in Beijing metropolitan area. Journal of Geophysical Research: Atmospheres 119(19): 11-250.
12. Creamean J.M., Suski K.J., Rosenfeld D., Cazorla A., DeMott P.J., Sullivan R.C., White A.B., Ralph F.M., Minnis P., Comstock J.M., and Tomlinson J.M. 2013. Dust and biological aerosols from the Sahara and Asia influence precipitation in the western US. Science 339(6127):1572-8.
13. Kustas W., and Anderson M. 2009. Advances in thermal infrared remote sensing for land surface modeling. Agricultural and Forest Meteorology 149(12): 2071-81.
14. Leuning R., Kelliher FM., De Pury D.G., and Schulze E.D. 1995. Leaf nitrogen, photosynthesis, conductance and transpiration: scaling from leaves to canopies. Plant, Cell & Environment 18(10): 1183-200.
15. Jiménez-Muñoz J.C., Cristóbal J., Sobrino J.A., Sòria G., Ninyerola M., and Pons X. 2008. Revision of the single-channel algorithm for land surface temperature retrieval from Landsat thermal-infrared data. IEEE Transactions on Geoscience and Remote Sensing 47(1): 339-49.
16. Barsi J.A., Barker J.L., and Schott J.R. 2003. An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument. InIGARSS 2003. 2003IEEE International Geoscience and Remote Sensing Symposium. Proceedings (IEEE Cat. No. 03CH37477) (5: 3014-3016). IEEE.
17. Wang F., Qin Z., Song C., Tu L., Karnieli A., and Zhao S. 2015. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data. Remote Sensing 7(4): 4268-89.
18. Yu X., Guo X., and Wu Z. 2014. Land surface temperature retrieval from Landsat 8 TIRS—Comparison between radiative transfer equation-based method, split window algorithm and single channel method. Remote Sensing 6(10):9829-52.
19. Sobrino J.A., Li Z.L., Stoll M.P., and 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): 2089-114.
20. Michael Casey. NASA: Alarming Water Loss in Midle East [Internet]. New York: Associated Press; 2013[2013 February 13^th]. Available from: http://www.weather.com/news/climate/news/middle-east-vanishing-water-20130213
21. Cristóbal J., Jiménez‐Muñoz J.C., Sobrino J.A., Ninyerola M., and Pons X. 2009. Improvements in land surface temperature retrieval from the Landsat series thermal band using water vapor and air temperature. Journal of Geophysical Research: Atmospheres 114(D8).
22. Jiménez-Muñoz J.C., Sobrino J.A., Skoković D., Mattar C., and Cristóbal J. 2014. Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data. IEEE Geoscience and Remote Sensing Letters 11(10): 1840-3.