عنوان مقاله :
بررسي رابطه دماي سطحي و الگوي مكاني سرزمين با بكارگيري مدل هاي رگرسيوني و سنجه هاي سيماي سرزمين
عنوان به زبان ديگر :
Investigating the Relationship between Land Surface Temperature and Landscape Spatial Pattern by Using Regression Models and Landscape Metrics
پديد آورندگان :
دژكام، صادق دانشگاه تهران - دانشكده منابع طبيعي , جباريان اميري، بهمن دانشگاه تهران - دانشكده منابع طبيعي - گروه مهندسي محيط زيست
كليدواژه :
دماي سطحي زمين , الگوي مكاني سرزمين , رگرسيون , شهرستان رشت
چكيده فارسي :
با توجه به آثار منفي افزايش دماي مناطق انسان ساخت روي مصرف انرژي و رفاه انساني، جبران اين اثرات منفي از طريق كنترل الگوي پوشش هاي سبز و اثر خنك كنندگي آن از اهميت زيادي برخودار است. هدف از اين مطالعه تعيين مناسب ترين رابطه رگرسيوني الگوي مكاني سرزمين با دماي سطحي شهرستان رشت بوده است و بدين منظور از سنجه هاي سيماي سرزمين به عنوان متغيرهاي ورودي به مدل سازي استفاده شد. كاربري/ پوشش و دماي سطحي زمين با استفاده از طبقه بندي تصوير سنجنده هاي OLI/TIRS خرداد ماه سال 1397 ماهواره لندست 8 نقشه سازي شدند. سپس سنجه هاي تركيب و پيكره بندي محاسبه و در نهايت مدل هاي رگرسيوني مختلف برازش يافته و با هم مقايسه شدند. نتايج نشان داد گرچه هر چهار مدل خطي، لگاريتمي، نمايي و تواني كارايي مناسبي در پيش بيني دماي سطحي از طريق سنجه هاي سيماي سرزمين دارند، ولي بيشترين كارايي در منطقه مطالعاتي مربوط به مدل تواني است و اين موضوع متاثر از الگوي چيدمان پوشش زمين در منطقه است.
چكيده لاتين :
Due to the negative effects of built up area temperature on energy consumption and human welfare, it is important to mitigate these negative effects by controlling the spatial pattern of green cover and its cooling effect. Therefore, in order to reveal the type and shape of relationship between landscape spatial patterns with land surface temperature (LST) in Rasht, the statistical modeling approach and landscape metrics were used. Land use- land cover and LST mapping were performed using Landsat sensor imagery classification and finally calculated landscape metrics of entered into the modeling process. Validation results showed that although all four linear, logarithmic, exponential and power regression models have good performance in predicting LST through land cover metrics, the highest performance was related to power model. In addition, this models indicate LST is strongly correlated with near distance to green patch and near distance to water patch metrics.
عنوان نشريه :
محيط زيست طبيعي
