دانشگاه تربیت دبیر شهید رجائی
انتشارات دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات11
تعداد شماره‌ها213
تعداد مقالات2,137
تعداد مشاهده مقاله2,936,159
تعداد دریافت فایل اصل مقاله2,148,465
وفایی نژاد, علیرضا, همتی, فرشاد, حایری, ثنا. (1403). ارزیابی تغییرات دمای سطحی در شهرستان ایلام با رویکردی ترکیبی به مدل‌های زمین‌آماری و سامانه‌های اطلاعات مکانی. فناوری آموزش, 2(2), 205-218. doi: 10.22061/jrsgr.2024.10977.1069
علیرضا وفایی نژاد; فرشاد همتی; ثنا حایری. "ارزیابی تغییرات دمای سطحی در شهرستان ایلام با رویکردی ترکیبی به مدل‌های زمین‌آماری و سامانه‌های اطلاعات مکانی". فناوری آموزش, 2, 2, 1403, 205-218. doi: 10.22061/jrsgr.2024.10977.1069
وفایی نژاد, علیرضا, همتی, فرشاد, حایری, ثنا. (1403). 'ارزیابی تغییرات دمای سطحی در شهرستان ایلام با رویکردی ترکیبی به مدل‌های زمین‌آماری و سامانه‌های اطلاعات مکانی', فناوری آموزش, 2(2), pp. 205-218. doi: 10.22061/jrsgr.2024.10977.1069
وفایی نژاد, علیرضا, همتی, فرشاد, حایری, ثنا. ارزیابی تغییرات دمای سطحی در شهرستان ایلام با رویکردی ترکیبی به مدل‌های زمین‌آماری و سامانه‌های اطلاعات مکانی. فناوری آموزش, 1403; 2(2): 205-218. doi: 10.22061/jrsgr.2024.10977.1069

ارزیابی تغییرات دمای سطحی در شهرستان ایلام با رویکردی ترکیبی به مدل‌های زمین‌آماری و سامانه‌های اطلاعات مکانی

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 2، شماره 2 - شماره پیاپی 4، تیر 1403، صفحه 205-218    اصل مقاله (1.68 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2024.10977.1069
نویسندگان
علیرضا وفایی نژاد* 1؛ فرشاد همتی2؛ ثنا حایری3
1دانشکده مهندسی عمران، آب و محیط‎زیست، دانشگاه شهید بهشتی، تهران، ایران
2دانشکده محیط‌زیست و انرژی، دانشگاه آزاد اسلامی واحد علوم تحقیقات، تهران، ایران
3گروه نقشه‌برداری، دانشکده مهندسی عمران، آب و محیط‎زیست، دانشگاه شهید بهشتی، تهران، ایران
تاریخ دریافت: 24 تیر 1403،  تاریخ بازنگری: 18 مهر 1403،  تاریخ پذیرش: 08 آبان 1403 
چکیده
پیشینه و اهداف: بررسی و ارزیابی تغییرات دمای سطحی، به‌عنوان یکی از شاخص‌های کلیدی تغییرات آب‌وهوایی، نقشی حیاتی در سلامت انسان، کشاورزی، منابع آب و تنوع زیستی ایفا می‌کند. بررسی و ارزیابی این تغییرات، درک عمیقی از روند گرمایش زمین و پیامدهای آن به ارمغان می‌آورد و به اتخاذ اقدامات پیشگیرانه و سازگارانه در برابر این پدیده شتابان، کمک می‌کند. برای دستیابی به تغییرات دمای سطحی، وجود داده‌های سنجش از دور به‌دلیل قابلیت نمایش خصوصیات پدیده‌های زمینی و توزیع مکانی آن‌ها در مقیاس‌های گوناگون، ضروری است. بررسی توزیع و همبستگی مکانی داده­ها، بررسی مدل­های زمین آماری مرتبط، انتخاب مدل بهینه و در نهایت، صحت­سنجی نتایج از مواردی است که باید در نظر گرفته ‌شود. با توجه به موارد یاد شده، هدف از این مطالعه، تعیین الگوی تغییرات دمای سطحی در شهرستان ایلام و ارائه مدل ریاضی مناسب برای درون‌یابی داده‌های ایستگاه‌های هواشناسی در منطقه است.
روش‌ها:‌ در این پژوهش، از باند حرارتی ماهواره لندست 7 به‌عنوان ابزاری کارآمد برای مطالعه تغییرات دمای سطحی در شهرستان ایلام استفاده شده‌است. اطلاعات موجود در این باند، که به صورت تابش حرارتی ساطع شده از زمین ثبت می‌شود، امکان محاسبه دمای سطح را با دقت قابل قبولی فراهم می‌کند. مزیت کلیدی استفاده از تصاویر ماهواره‌ای، پوشش مکانی وسیع و تناوب زمانی مناسب آن‌ها است که امکان بررسی تغییرات دمای سطحی را در مقیاس منطقه‌ای و در طول زمان فراهم می‌کند. این امر دیدگاهی جامع فراهم می‌کند تا توزیع فضایی تغییرات دما در شهرستان ایلام به خوبی تجزیه‌وتحلیل شود و عوامل مؤثر بر این تغییرات  در مقیاس‌های مختلف مکانی شناسایی شود. بدین منظور، یک شبکه منظم شامل 291 نقطه بر روی تصاویر ماهواره‌ای نمونه‌گیری شده و سپس با استفاده از روش زمین‌آمار، نقاط واریوگرام تجربی محاسبه شده ‌است و مدل‌های مختلف فضایی مانند گوسی، نمایی، دایره‌ای و کروی بر آن‌ها برازش شده‌است. در نهایت، با استفاده از روش درون‌یابی کریجینگ معمولی و به‌کارگیری هر کدام از این مدل‌ها، نقشه‌های جداگانه‌ای از دمای سطحی ایجاد و دقت هر یک با استفاده از شاخص‌های آماری مانند ضریب تعیین و جذر میانگین مربعات خطا محاسبه شده‌است.
یافته‌ها: نتایج پژوهش، نشان می‌دهد که اطلاعات باند حرارتی ماهواره لندست 7 دارای الگوی فضایی گوسی می‌باشد و تغییرات مکانی دمای سطحی با این مدل به خوبی قابل توجیه است. نتایج نشان می‌دهد‌ که مدل فضایی گوسی بهترین برازش را برای واریوگرام تجربی دمای سطحی در منطقه مورد مطالعه دارد. این موضوع، نشان‌دهنده آن است که تغییرات دمای سطحی در این منطقه به‌صورت فضایی خود همبسته هستند و با افزایش فاصله، همبستگی بین نقاط کاهش می‌یابد. نقشه‌های درون‌یابی شده با استفاده از مدل گوسی در روش کریجینگ معمولی از دقت بالایی برخوردار هستند. ضریب تعیین این نقشه‌ها برابر با 94/0 به‌دست‌آمد که نشان‌دهنده تطابق بالای بین مقادیر برآورد شده و مقادیر واقعی دمای سطحی است. همچنین جذر میانگین مربعات خطای این نقشه‌ها 2/1 درجه سانتی‌گراد می‌باشد که نشان‌دهنده دقت بالای آن‌ها در برآورد دمای سطحی در نقاط مختلف منطقه است.
نتیجه‌گیری: ترکیب داده‌های سنجش از دور و روش‌های زمین‌آمار، ابزاری قدرتمند برای بررسی تغییرات مکانی و درون‌یابی داده‌های محیطی از جمله تغییرات دمای سطحی به‌شمار می‌رود. در این مطالعه، الگوی تغییرات دمای سطحی در شهرستان ایلام با استفاده از داده‌های ماهواره‌ای سنجش از دور تعیین شده و مدل گوسی به‌عنوان مدل فضایی بهینه جهت درون‌یابی دمای سطحی ایستگاه‌های هواشناسی معرفی شده‌است. تجزیه‌وتحلیل داده‌ها نشان داد که دمای سطحی در این منطقه در طول چند دهه گذشته به‌طور قابل توجهی افزایش یافته است. 
کلیدواژه‌ها
مدل زمین‌آماری؛ سامانه اطلاعات مکانی؛ تغییرات دمای سطحی؛ ایلام
عنوان مقاله [English]
Evaluation of Surface Temperature Changes in Ilam City with a Combined Approach to Geostatistical Models and Spatial Information Systems
نویسندگان [English]
A. Vafaeinejad1؛ F. Hemati2؛ S. Haery3
1Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran
2Faculty of Environment and Energy, Islamic Azad University Science and Research Branch, Tehran, Iran
3Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran,
چکیده [English]
Background and Objectives: Monitoring and analyzing variations in land surface temperature is essential for agriculture, biodiversity, human health, and water resources as it is a major indication of climate change. By analyzing and assessing these alterations, one can get a thorough understanding of the causes and effects of global warming and be better equipped to take preventative and remedial action against this rapidly spreading phenomena. Because remote sensing data may show the features of land phenomena and their spatial distribution at various scales, it is crucial to gather LST. Several factors need to be taken into account, including data distribution and spatial correlation analysis, associated geostatistical model investigation, model selection, and result validation. In light of the foregoing, the purpose of this research is to ascertain the trend of variations in LST in Ilam County and to propose a suitable mathematical model for the interpolation of meteorological station data in the area.
Methods: The thermal band of the Landsat 7 satellite has proven to be an effective tool in this research to study changes in surface temperature in Ilam city. The data in this band, which is recorded as thermal radiation emitted from the register, allows the surface to be calculated with a reasonable degree of accuracy. One benefit of using satellite images is their large coverage and periodicity, which allows the study of changes in surface temperature in a region and over time. This comprehensive view allows the temperature changes in Ilam city to be well-analyzed and the factors that affect these changes are identified in various locations.  To do this, a regular grid with 291 points was sampled from satellite photos. Next, experimental variogram points were created using the geostatistical method, and various spatial models, including Gaussian, exponential, circular, and spherical, were fitted to the sampled data. Ultimately, distinct surface temperature maps have been produced using the normal kriging interpolation method and each of these models. The correctness of each map has been determined using statistical markers like the coefficient of determination and root mean square error.
Findings: The findings of the study demonstrate that the thermal band data from the Landsat 7 satellite exhibits a Gaussian geographical pattern, and this model provides a strong justification for the observed spatial variations in surface temperature. The findings demonstrate that the Gaussian spatial model fits the experimental variogram of surface temperature in the investigated region the best. This demonstrates that variations in surface temperature in this area are spatially autocorrelated, with the correlation between locations decreasing with increasing distance. High accuracy interpolated maps are produced by the traditional kriging approach using the Gaussian model. These maps' coefficient of determination was 0.94, indicating a good degree of agreement between the estimated and real surface temperature data.
Conclusion: The integration of remote sensing data and geostatistical methods offers a powerful tool for examining spatial variations and interpolating environmental data, including land surface temperature changes. In this study, the pattern of LST changes in Ilam County was determined using satellite remote sensing data, and the Gaussian model was introduced as the optimal spatial model for interpolating LST at weather stations. Data analysis revealed that LST in the region has increased significantly over the past few decades. 
کلیدواژه‌ها [English]
Geostatistical model, Spatial Information System, Surface temperature changes, Ilam
مراجع
[1] Tayebi A, Kasmaeeyazdi S, Tinti F, Bruno R. Contributions from experimental geostatistical analyses for solving the cloud-cover problem in remote sensing data. International Journal of Applied Earth Observation and Geoinformation 2023; 118(103236). https://doi.org/10.1016/j.jag.2023.103236

[2] Zakeri F, Mariethoz G. A review of geostatistical simulation models applied to satellite remote sensing: Methods and applications. Remote Sensing of Environment. 2021; 259(112381). https://doi.org/10.1016/j.rse.2021.112381

[3] Golmohammadi G. Maroufi S. Mohammadi K., regionalizing the runoff coefficient in Hamedan province using geostatistical and GIS methods. 1387. [In Persian]

[4] Kesai Rudsari B. Kahraman B. Sharifi M. Investigating the density of the network of rain gauge stations using geostatistical methods (case study: Razavi, North and South Khorasan provinces). 1389. [In Persian]

[5] Akhavan R. Zobeyri M.Amiri G. Namiranian M. Spatial Structure and Estimation of Forest Growing Stock Using Geostatistical Approach in the Caspian Region of Iran. Geostatistics.1385. 4(1). [In Persian]

[6] Atkinson P, Stein A, Jeganathan C, Spatial sampling, data models, spatial scale and ontologies: Interpreting spatial statistics and machine learning applied to satellite optical remote sensing. Spatial Statistics .2022 ; Spatial Statistics, 50(100646). https://doi.org/10.1016/j.spasta.2022.100646

[7] AbdelRahman M. Natarajan A, Hegde A. Prakash S. Assessment of land degradation using comprehensive geostatistical approach and remote sensing data in GIS-model builder. The Egyptian Journal of Remote Sensing and Space Science.2019. 22(3): 323-334.

https://doi.org/10.1016/j.ejrs.2018.03.002

[8] Kumar Mehla M. Kumar A. Kumar S. Jhorar R.K.  Soil salinity assessment and mapping using spectral indices and geostatistical techniques concepts and reviews. Remote Sensing of Soils, Mapping. Monitoring, and Measurement. 2024.1(5): 429-437.

http://dx.doi.org/10.1016/B978-0-443-18773-5.00019-3

[9] Emadi M. Baghernejad M. An approach for land suitability evaluation using geostatistics, remote sensing, and geographic information system in arid and semiarid ecosystems. Environ Monit Assess .2010. 164(4):501–511.

https://doi.org/10.1007/s10661-009-0909-6

[10] Dousset B. Gourmelon F. Satellite Multi-Sensor Data Analysis of Urban Surface Temperatures and Landcover. ISPRS Journal of Photogrammetry and Remote Sensing. 2003. 58(2): 43-54. https://doi.org/10.1016/S0924-2716(03)00016-9

[11] Owen T.W. Carlson T.N. Gillies R.R. Remotely Sensed Surface Parameters Governing Urban Climate Change. Internal Journal of Remote Sensing. 1998. 19(9): 1663-1681.

https://doi.org/10.1016/S0034-4257(03)00079-8

[12] Wang C, Li X, Zhang J, Xuan K, Jia R, Jiang Y, Liu J. regularized total variation minimization model for soil interpolation based on geostatistical priors. Geoderma. 2023; 432(116412).

https://doi.org/10.1016/j.geoderma.2023.116412

[13] Tariq A, Quantitative comparison of geostatistical analysis of interpolation techniques and semiveriogram spatial dependency parameters for soil atrazine contamination attribute, Geoinformatics for Geosciences, Advanced Geospatial Analysis Using RS. GIS and Soft Computing, Earth Observation. 2023, Pages 261-279.

https://doi.org/10.1016/B978-0-323-98983-1.00016-8

[14] Walvoort D, de Gruijter J. Compositional Kriging: A Spatial Interpolation Method for Compositional Data. Mathematical Geology. 2001. 33(8):951-966.

https://doi.org/10.1023/A:1012250107121

[15] Alijani B, Ghohroudi M, Arabi N. Developing a climate model for Iran using GIS”. Theoretical and Applied Climatology. 2007. 92(1):103–112. http://dx.doi.org/10.1007/s00704-006-0292-y

[16] Koike K. Matsuda S. Gu B. Evaluation of Interpolation Accuracy of Neural Kriging with Application to Temperature-Distribution Analysis. Mathematical Geology. 2001. 33(4):421-448. https://doi.org/10.1023/A:1011084812324

[17] Mirmousavi S. Muzeydi A, Khosravi Y. Determining the best geostatistical method to estimate rainfall distribution using GIS (case study: Isfahan province) .1389. Geospace, 10(30):105-120. SID. [In Persian]

[18] Misaghi F. Mohammadi K. Rainfall information zoning using classical statistical methods and geostatistics and comparison with artificial neural networks. Scientific Journal of Agriculture. 1385. 29(4): 1-13. SID. [In Persian]

[19] Ayouzi M. Mosaedi A. Monitoring and spatial analysis of meteorological drought in Golestan province using geostatistical methods. Pasture and Watershed (Natural Resources of Iran). 1390., 64(1): 65-78. SI D. [In Persian]

[20] Ayoubi S. Hosseinalizade M. Assessment spatial variability of soil erodibility by using of Geostatistic and GIS (Case study MEHR watershed of SABZEVAR).1386. 60(2): 369-382. [In Persian]

[21] Rezaei M. Devatgar N. Tajdari K. Abolpour B. Investigating the spatial changes of some groundwater quality indicators in Gilan province using geostatistics. Water and Soil (Agricultural Sciences and Industries) .1389. 24(5):932-941. SID. [In Persian]

[22] Roth W. M. Lee S. Scientific Literacy as Collective Praxis. Public Understanding of Science. 2002. 11(1): 33-56.

http://dx.doi.org/10.1088/0963-6625/11/1/302

[23] Shams Al-Dini A. Esmaili S. Vafainejad A. improving the classification accuracy of Landsat + ETM images using the combination of spectral and texture data (the studied area of Shahr Karaj). International Conference on Architecture. Urban Planning, Civil Engineering, Art and the environment. 2014.

[24] Dostanian M. Sabrian J. Evaluation of vegetation map production methods using spatial information system and remote sensing. Remote sensing and spatial information research. 1401. 1 (1): 83-90.

https://doi.org/10.22061/jrsgr.2022.1979

[25] Abdulahi J. Rahimian M. Using remote sensing to determine the best geostatistical model for field information interpolation. Iran Pasture and Desert Research. 1386. 14(27): 156-170. SID. [In Persian]

[26] Boer E. P. J. deBeurs K. Hartkamp A. Kriging and thin plate splines for mapping climate variables, Int. J. Appl. Earth Observation Geoinform. 2001. 3(2):146–154.

https://doi.org/10.1016/S0303-2434(01)85006-6

[27] Hlavka C. Dungan J. Thirulanambi R. Roy D. Application of Geostatistical Simulation to Enhance Satellite Image Products. Geostatistics Banff .2004, 60(1): 913–919.

http://dx.doi.org/10.1007/978-1-4020-3610-1_95

[28] Henshaw S. Curriero F. Shields T. Geostatistics and GIS: Tools for Characterizing Environmental Contamination. Journal of Medical Systems. 2004. 28(4):335-348.

https://doi.org/10.1023/B:JOMS.0000032849.42310.4e

[29] Schro Der W. Schmidt G. Hasenclever J. Geostatistical Analysis of Data on Air Temperature and Plant Phenology. Environmental Monitoring and Assessment .2006. 120(1-3): 27–43. https://doi.org/10.1007/s10661-005-9047-y

[30] Yang J, Wang Y. August P. Estimation of Land Surface Temperature Using Spatial Interpolation and Satellite-Derived Surface Emissivity. Journal of Environmental Informatics. 2004. 4(1):37-44. https://doi.org/10.3808/jei.200400035

[31] Niu D. Tarumi T. Estimation for the Parameters in Geostatistics. Cooperation in Classification and Data Analysis. 2009.1(1): 123-130.

https://doi.org/10.1007/978-3-642-00668-5_13

[32] Burrough P. GIS and Geostatistics: Essential Partners for Spatial Analysis. Environmental and Ecological Statistics. 2001. 8(4):361-377. http://dx.doi.org/10.1023/A:1012734519752

[33] Haji Hashemi Jezi, M. Ateshgahi M. Hamidian A. Spatial estimation of groundwater quality components using geostatistical methods (case study: Golpayegan plain). Journal of Natural Environment. 1389. 63(4): 347-357. [In Persian]

[34] Alsamamra H, Santos-Alamillos F, Pozo-Vázquez D, Ruiz-Arias J. A Comparative Study of Ordinary and Residual Kriging Techniques for Mapping Global Solar Radiation Over Southern Spain. Agricultural and Forest Meteorology. 2009. 149(8):1343-1357. http://dx.doi.org/10.1016/j.agrformet.2009.03.005

[35] Adab H. Fallah G. Mirzabayati R. Evaluation of interpolation methods of kriging and linear regression based on DEM in preparation of annual rainfall map in Razavi Khorasan province. The 87th Geomatic Conference and the 4th Conference on the Unification of Geographical Names. [In Persian]

[36] Mardikis M. Kalivas D. Kollias V. Comparison of Interpolation Methods for the Prediction of Reference Evapotranspiration, An Application in Greece. Water Resources Management .2005. 19(3): 251–278.

http://dx.doi.org/10.1007/s11269-005-3179-2

[37] Ghahrodi Tali M.Evaluation of forecasting by kriging method. Geographical Research. 1381. 34(43):95-108. SID. [In Persian]

آمار
تعداد مشاهده مقاله: 54
تعداد دریافت فایل اصل مقاله: 38


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب