بارزسازي اهميت متغير پوشش گياهي بر روي دماي سطح زمين توزيع ‌شده در كاربري/پوشش‌هاي مختلف محدوده شهر جوانرود

Highlighting the Importance of the Vegetation Variable on Distributed Land surface temperature on different land use/land cover in Javanrud city range

در مدل‌هاي محيطي، گياهان به‌ عنوان بخشي مهم براي كنترل تغييرات محيط‌ زيست در نظر گرفته مي‌شوند. به‌ منظور تبيين اهميت پوشش گياهي بر روي دماي سطح زمين (LST)، پيش‌ پردازش‌هاي اوليه بر روي تصوير لندست 8 انجام گرفتو از روش پنجره مجزا براي تعيين دماي سطح استفاده شد. اختلاف دما با ايستگاه‌هاي سينوپتيك پيراموني حدود 2/5 درجه محاسبه گرديد؛ كه تائيد كننده دقت دماي محاسباتي بود. علاوه بر شاخص تراكم پوشش گياهي (NDVI)، از متغيرهاي ديگر مانند شاخص نمناكي (NDWI)، ارتفاع، جهت شيب، كاربري/پوشش و شاخص بار گرمايي (HLI) به‌ منظور بارز سازي اثر پوشش گياهي بر روي دما استفاده شد. نقشه كاربري/پوشش محدوده شهر با استفاده از 7 طبقه نمونه‌ تعليمي به روش طبقه‌بندي شبكه عصبي (MLP) به دست آمد. شاخص كاپاي كلي 0/82 محاسبه گرديد. سپس نقاطي به‌ صورت تصادفي به روش نمونه‌گيري طبقه‌ي به تفكيك 7 طبقه كاربري/پوشش‌ استخراج و به دو دسته آزمون و آموزش تقسيم شدند. مقادير متغيرهاي ذكر شده به ازاي اين نقاط استخراج و از رگرسيون جنگل تصادفي براي بررسي اثر آن‌ها بر دماي سطح استفاده شد. كارايي مدل با استفاده از معيارهاي ميانگين قدر مطلق خطا (MAE)، ميانگين مجذور خطا (MSE) و ميانگين مجذور مربعات خطا (RMSE) ارزيابي و تائيد شد. بر اساس حساسيت سنجي به روش ميانگين كاهش دقت، شاخص تراكم پوشش گياهي، جهت شيب و رطوبت به بيشترين تأثير را بر روي توزيع دماي سطح داشتند. بيشترين دماي سطح با 29 درجه سانتي‌گراد براي مراتع بدون پوشش و كمترين آن با اندازه 25 درجه سانتي‌گراد مربوط به مناطق انسان‌ ساخت شامل شهر جوانرود و روستاهاي پيراموني بود. نتايج اين مطالعه نشان داد كه شاخص تراكم پوشش گياهي نقش بسيار مهمي در روند تغييرات دماي سطح زمين دارد.

In environmental models, Vegetations are considered as an important part in controlling environmental changes. To determine the importance of vegetation on land surface temperature (LST), preliminary preprocessing was performed on Landsat 8 image and a split window procedure was used to determine surface temperature. Temperature difference with the surrounding synoptic stations was estimated to be about 2.5 °C, which confirmed the accuracy of the computational temperature. In addition to Normalized difference vegetation index (NDVI), other variables such as Normalized difference water index (NDWI), elevation, Aspect, Landuse/Landcover (LU/LC) and heat loading index were used to show the effect of vegetation on temperature. LU/LC map of city area was obtained by using a 7 categories training samples by Neural Network Classification (MLP). Total Kappa index was calculated 0.82. Then, the points were randomly extracted by stratified sampling method separated for 7 LU/LC categories and divided into two groups of testing and training. Values of the mentioned variables were extracted for these points and random forest regression was used to investigate their effect on surface temperature. Performance of the model was evaluated and validated using mean absolute error (MAE), mean square error (MSE) and root mean squared error (RMSE). Based on sensitivity analysis by Mean decrease accuracy, NDVI, Aspect and NDWI had the most effect on surface temperature distribution. Highest surface temperature with 29 °C was for uncoated rangelands and its lowest with 25 °C was for human-made areas, including Javanrud and peripheral villages. The results of this study showed that the NDVI plays a very important role in land surface temperature changes.