Investigation and Evaluation of urban thermal island using night satellite images of TERRA and SENTINEL 3 (Case study: Tabriz metropolis)

Document Type : Research Paper

Authors

1 Professor, Department of Geomorphology, Faculty of Social Sciences , University of Mohaghegh Ardabili- Ardabil,Iran

2 , PhD student in Geomorphology, University of Mohaghegh Ardabili, rdabil

10.22034/gp.2024.55836.3118

Abstract

The aim of this study is to calculate the nocturnal urban heat island (UHI) and its relationship with urban land use in the metropolitan area of Tabriz. Landsat satellite data and Sentinel 3 data were used for this research. The Landsat satellite data was processed in ENVI 5.3.1, and the Sentinel 3 data was processed in SNAP software, with further statistical calculations and outputs performed using ARCGIS 10.8. In the Landsat data, the minimum temperature was 5.14°C and the maximum temperature was 23.91°C, with the highest temperatures observed in bare land, transportation, agriculture, industrial, residential areas, as well as low-lying areas and areas lacking vegetation cover. The highest percentage of area with temperatures ranging from 15.16°C to 17.88°C was approximately 45.75% of the city. Areas with temperatures above 19°C covered an area of approximately 31.45 square kilometers, which accounts for 12.58% of the city. In the Sentinel data, the minimum temperature was 12.84°C and the maximum temperature was 21.62°C, with similar land use patterns to the Landsat data. Areas with temperatures ranging from 17.29°C to 18.45°C had the highest percentage of area, and areas with temperatures above 19°C covered approximately 17.06 square kilometers, accounting for 6.82% of the total area. Based on the results, which showed similar temperatures and land use patterns in both satellite data, it can be concluded that either satellite can be used for extracting the urban heat island (nighttime temperature).

Keywords

Main Subjects

Full Text

رشد و توسعه شهری به طور قابل توجهی بر جزیره حرارتی شهری (UHI) شهری تأثیر گذاشته است. به‌خصوص در شهرهای کشورهای در حال توسعه، ارزیابی جزیره حرارتی شهری به عنوان یکی از موضوعات اصلی تحقیقات به شمار می‌آید، زیرا تأثیر قابل توجهی بر محیط اکولوژیک و زندگی در شهرها دارد. هدف از این پژوهش محاسبه جزیره حرارتی شبانه کلان‌شهر تبریز (UHI) و ارتباط آن با کاربری اراضی شهری است. برای انجام این پژوهش از داده‌های شبانه ماهواره ترا سنجنده استر (باندهای10 الی 14) و سنتینل 3 از سنجنده SLSTR استفاده شد. تصویر سنجنده استر در محیط  نرم‌افزار ENVI 5.3.1 و تصویر سنجنده SLSTR ماهواره سنتینل در محیط نرم‌افزار SNAP محاسبه و با استفاده از ARCGIS 10.8 سایر محاسبات آماری و خروجی انجام شد. در تصویر استر با کمینه دما 14/5 و بیشینه دما 91/23 درجه سانتی‌گراد که بیشترین دمای مناطق در این تصویر مربوط به کاربری‌های زمین بایر، حمل و نقل، کشاورزی، صنعتی و مسکونی و همچنین مناطق کم ارتفاع و مناطق دارای فاقد پوشش گیاهی است. بیشترین درصد مساحت مربوط به دمای بین 16/15 الی 88/17 درجه سانتی‌گراد حدود 75/45 درصد شهر است. مناطقی با دمای بیش از 19 درجه سانتی‌گراد مساحتی برابر با 451/31 کیومتر مربع یعنی 58/12 درصد را شامل می‌شود. در سنجنده SLSTR نیز کمینه دما 84/12 و بیشینه دما 62/21 درجه سانتی‌گراد است که دو سنجنده در کمینه با هم اختلاف زیادی داشتند ولی در بیشینه دما از اختلاف کمتری برخوردار بودند. در این سنجنده نیز کاربری‌های زمین بایر، حمل و نقل، کشاورزی، صنعتی و مسکونی بیشترین دما را دارند. در این سنجنده نیز دمای بین 29/17 الی 45/18 دارای بیشترین درصد مساحت بوده و مناطق دارای بالای 19 درجه سانتی‌گراد مساحتی معادل 068/17 کیلومتر‌مربع یعنی 82/6 درصد مساحت را شامل می‌شود. با توجه به نتایج استخراج شده که هر دو ماهواره دمای تقریبا مشابه و کاربری و مناطقی که دارای دمای بالایی بودند مشترک استخراج کردند می‌توان گفت که در استخراج جزیره حرارتی شهری (دمای شبانه) از هر دو ماهواره می‌توان استفاده کرد؛ اگر پژوهش مورد نظر بعد از سال 2016 باشد می‌توان از هر 2 ماهواره استفاده کرد ولی قبل از سال 2016 باشد می‌توان از استر استفاده کرد. توان تفکیک زمانی سنتینل 4 روز و استر 16 روز است. اگر سری زمانی مورد استفاده قرار بگیرد ماهواره سنتیل 3 مناسب‌تر است و اگر قدرت تفکیک مکانی مورد نظر باشد ماهواره استر با توجه به 90 متر بودن باندهای حرارتی که تصاویر سنتینل 3 دارای قدرت تفکیک مکانی 500 هستند مناسب‌تر است. بنابراین با توجه به تغییرات و گسترش فیزیکی شهرهای در حال توسعه می‌توان جزیره حرارتی را مورد پژوهش قرار داد.

References

Bokaie, M., Zarkesh, M. K., Arateh, P. D., Hossini, A., (2016). Assessment of Urban Heat Island based on the relationship between land surface temperature and Land Use/ Land Cover in Tehran, Sustainable Cities and Society, 23, 94-104.https://doi.org/10.1016/j.scs.2016.03.009
Chen, X., Xu, Y., Yang, J., Wu, Z., Zhu, H., (2020). Remote sensing of urban thermal environments within local climate zones: A case study of two high-density subtropical Chinese cities, Urban Climate, 31, 1-10. https://doi.org/10.1016/j.uclim.2019.100568
Dai, Z., Guldmann, J., Hu, Y., (2018). Spatial regression models of park and land-use impacts on the urban heat island in central Beijing, Science of the Total Environment, 626,1136-1147. https://doi.org/10.1016/j.scitotenv.2018.01.165
Dimitrov, S., Iliev, M., Borisova, B., Semerdzhieva, L., & Petrov, S. (2024). UAS-Based thermal photogrammetry for microscale surface urban heat island intensity assessment in support of sustainable urban development (A case study of Lyulin Housing Complex, Sofia City, Bulgaria). Sustainability, 16(5), 1766. https://doi.org/10.3390/su16051766
Georgescu, M., Moustaoui, M., Mahalov, A., & Dudhia, J. (2011). An alternative explanation of the semiarid urban area “oasis effect.” Journal of Geophysical Research, 116(D24). https://doi.org/10.1029/2011jd016720.
Güller, C., & Toy, S. (2024). The impacts of urban morphology on urban heat islands in housing areas: the case of Erzurum, Turkey. Sustainability, 16(2), 791. https://doi.org/10.3390/su16020791
Kalogeropoulos, G., Tzortzi, J. N., & Dimoudi, A. (2024). Remote sensing and field measurements for the analysis of the thermal environment in the “Bosco Verticale” area in Milan City. Land, 13(2), 182. https://doi.org/10.3390/land13020182
Knight, E. J., & Kvaran, G. (2014). LANDSAT-8 Operational Land Imager Design, Characterization and Performance. Remote Sensing, 6(11), 10286–10305. https://doi.org/10.3390/rs61110286
Li, F., Jackson, T. J., Kustas,W. P., Schmugge, T. J., French, A. N., Cosh, M. H., et al. (2004). Deriving land surface temperature from Landsat 5 and 7 during SMEX02/SMACEX. Remote Sensing of Environment, 92, 521−534. https://doi.org/10.1016/j.rse.2004.02.018
Li, J., Ye, Q., Li, K., Wang, C., Dou, X., Wang, F., Yang, J., Shan, T., & Wang, Y. (2024). An Urban Land Surface Temperature and Emissivity Separation Algorithm from Aster Tir Data and its Application. https://doi.org/10.2139/ssrn.4690689
Nonomura A, Kitahara M, Masuda T. 2009. Impact of land use and land cover changes on the ambient temperature in a middle scale city, Takamatsu, in Southwest Japan. Journal of environmental management, 90(11): 3297-3304. https://doi.org/10.1016/j.jenvman.2009.05.004
Peng, W., Wang J., Zhang, J. & Zhang, Y. (2020). Soil moisture estimation in the transition zone from the Chengdu Plain region to the Longmen Mountains by field measurements and LANDSAT 8 OLI/TIRS-derived indices. Arabian Journal of Geosciences, 1-15. https://doi.org/10.1007/ s12517- 020 -5152-z.
Pouramin, A.  And N.D. Mani (2020).  “Estimation of Land Surface Temperature of Dindigual District using Landsat 8 data”, IJRET:  International Journal of Research in Engineering and Technology.
Rabiei, J., Khademi, M. S., Bagherpour, S., Ebadi, N., Karimi, A., & Ostad-Ali-Askari, K. (2022). Investigation of fire risk zones using heat–humidity time series data and vegetation. Applied Water Science, 12(9), 1–12. https://doi.org/10.1007/s13201-022-01742-z
Renc, A., & Lupikasza, E. (2024). Changes in the surface urban heat island between 1986 and 2021 in the polycentric Górnośląsko-Zagłębiowska Metropolis, southern Poland. Building and Environment, 247, 110997. https://doi.org/10.1016/j.buildenv.2023.110997
Sayad, B., Helmi, M., Osra, O. A., Abed, A. M., & Alhubashi, H. H. (2024). Microscale Investigation of Urban Heat Island (UHI) in Annaba City: Unveiling factors and mitigation strategies. Sustainability, 16(2), 747. https://doi.org/10.3390/su16020747
Su, R., Yang, C., Xu, Z., Luo, T., Yang, L., Liu, L., & Wang, C. (2024). Comparing characteristics of the urban thermal environment based on the local climate zone in three Chinese metropolises. ISPRS International Journal of Geo-information, 13(2), 61. https://doi.org/10.3390/ijgi13020061
Wang, L., Wang, G., Chen, T., & Liu, J. (2023). The regulating effect of urban large planar water bodies on residential heat islands: a case study of Meijiang Lake in Tianjin. Land, 12(12), 2126. https://doi.org/10.3390/land12122126
Yin, C., Yuan, M., Lu. Y., Huang. Y., Liu. Y., (2018). Effects of urban form on the urban heat island effect based on spatial regression model, Science of the Total Environment, 634, 696-704.
Zhang, X., Chen, M., Gou, P., Huang, Y., Ma, Y., Ma, W., Wang, Z., & Hu, Z. (2024). Evaluating the reconstructed All-Weather Land surface temperature for Urban Heat Island Analysis Remote Sensing, 16(2), 373. https://doi.org/10.3390/rs16020373
Zhao, Z., Wen, L., Zhang, J., & Zheng, Y. (2024). Constructing an urban heat island network based on connectivity perspective: A case study of Harbin, China. Ecological Indicators, 159, 111665. https://doi.org/10.1016/j.ecolind.2024.111665

Files

Share

How to cite

Statistics