دوره 10، شماره 3 - ( 7-1402 )
جلد 10 شماره 3 صفحات 14-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Afrakhteh R, Salman Mahini A, Motagh M, Kamyab H. Modeling thermal changes of urban blocks in relation to landscape structure and configuration in Guilan Province. Journal of Spatial Analysis Environmental Hazards 2023; 10 (3) :1-14
URL: http://jsaeh.khu.ac.ir/article-1-3412-fa.html
URL: http://jsaeh.khu.ac.ir/article-1-3412-fa.html
افراخته روشنک، سلمان ماهینی عبدالرسول، معتق مهدی، کامیاب حمیدرضا. مدل‌سازی تغییرات دمای بلوک های شهری در ارتباط با ساختار و پیکربندی سیمای سرزمین در استان گیلان. تحلیل فضایی مخاطرات محیطی. 1402; 10 (3) :1-14
1- دانشگاه منابع طبیعی گرگان ، Roshanak_afra@yahoo.com
2- دانشگاه منابع طبیعی گرگان
3- دانشکده علوم زمین پوتسدام
2- دانشگاه منابع طبیعی گرگان
3- دانشکده علوم زمین پوتسدام
چکیده: (2725 مشاهده)
نواحی سکونتگاهی الگوهای متنوعی از چیدمان سطوح نفوذناپذیر هستند که به‌شدت تحت‌تأثیر خصوصیات منفی محیط زیستی - اکولوژیک مانند شکل گیری جزیره حرارتی قرار دارند. در این مطالعه، رابطه بین این چیدمان با خصوصیات دمایی نواحی سکونتگاهی در واحد بلوکهای شهری در جلگه استان گیلان، مدل‌سازی شد. برای استخراج نواحی سکونتگاه هر واحد بلوک، از تحلیل شیگرای تصاویر ماهواره لندست در تابستان سه مقطع زمانی (1381، 1391 و 1401) استفاده و متوسط دمای هر بلوک در هر مقطع با استفاده از معادلات انتقال تشعشع تهیه شد. متغیرهای توصیفی دمای هر بلوک در دو دسته متغیرهای ذاتی و متغیرهای همسایگی تهیه و با استفاده از تحلیل مؤلفههای اصلی، چهار متغیرِ وسعت واحد، سنجه مرز مشترک، وسعت پلیگون مادر و نسبت محیط به مساحت واحد به عنوان مهم‌ترین پارامتر شناسایی و به مدل رگرسیون غیرخطی GAM وارد شدند. نتایج مدل‌سازی (619/0= R2) نشان داد که دو عامل وسعت بلوک شهری و وسعت پلیگون شهری که در آن قرار دارد، به صورت مستقیم منجر به افزایش دمای بلوک میشود. شکل خطی هر واحد، نسبت بالای محیط به مساحت و داشتن کمترین مرز مشترک با سایر واحدهای شهری نیز نقش کاهنده متوسط دمای واحدهای شهری در دورههای زمانی مورد مطالعه داشته اند. نتایج حاصل میتواند به درک بهتر عوامل مؤثر بر دمای سطح زمین در مناطق سکونتگاهی بخصوص پیکربندی و ساختار بلوکهای شهری کمک کند.
فهرست منابع
1. Aeinehvand, R., Darvish, A., Baghaei Daemei, A., Barati, S., Jamali, A. and Malekpour Ravasjan, V., 2021. Proposing alternative solutions to enhance natural ventilation rates in residential buildings in the Cfa Climate Zone of Rasht. Sustainability, 13(2):679. [DOI:10.3390/su13020679.]
2. Afrakhteh, R., Asgarian, A., Sakieh, Y. and Soffianian, A., 2016. Evaluating the strategy of integrated urban-rural planning system and analyzing its effects on land surface temperature in a rapidly developing region. Habitat International, 56, pp.147-156. [DOI:10.1016/j.habitatint.2016.05.009.]
3. Alqasemi, A.S., Hereher, M.E., Kaplan, G., Al-Quraishi, A.M.F. and Saibi, H., 2021. Impact of COVID-19 lockdown upon the air quality and surface urban heat island intensity over the United Arab Emirates. Science of the Total Environment, 767, p.144330. [DOI:10.1016/j.scitotenv.2020.144330.]
4. Asgarian, A., Amiri, B.J. and Sakieh, Y., 2015. Assessing the effect of green cover spatial patterns on urban land surface temperature using landscape metrics approach. Urban Ecosystems, 18:209-222. [DOI:10.1007/s11252-014-0387-7.]
5. Bozorgi, M., Nejadkoorki, F. and Mousavi, M.B., 2018. Land surface temperature estimating in urbanized landscapes using artificial neural networks. Environmental monitoring and assessment, 190:1-10. [DOI:10.1007/s10661-018-6618-2.]
6. Chen, Z., Zhang, H., Duan, H. and Shi, C., 2021. Improvement of thermal and optical responses of short-term aged thermochromic asphalt binder by warm-mix asphalt technology. Journal of Cleaner Production, 279:123675. [DOI:10.1016/j.jclepro.2020.123675.]
7. Dutta, D., Rahman, A., Paul, S.K. and Kundu, A., 2021. Impervious surface growth and its inter-relationship with vegetation cover and land surface temperature in peri-urban areas of Delhi. Urban Climate, 37, p.100799. [DOI:10.1016/j.uclim.2021.100799.]
8. Guha, S., Govil, H., Dey, A. and Gill, N., 2018. Analytical study of land surface temperature with NDVI and NDBI using Landsat 8 OLI and TIRS data in Florence and Naples city, Italy. European Journal of Remote Sensing, 51(1):667-678. [DOI:10.1080/22797254.2018.1474494.]
9. Guo, G., Wu, Z., Cao, Z., Chen, Y. and Yang, Z., 2020. A multilevel statistical technique to identify the dominant landscape metrics of greenspace for determining land surface temperature. Sustainable Cities and Society, 61:102263. [DOI:10.1016/j.scs.2020.102263.]
10. Hou, H. and Estoque, R.C., 2019. Detecting Cooling Effect of Landscape Composition and Configuration: An Urban Heat Island Study on Hangzhou. Abstracts of the ICA, 1:1-2. [DOI:10.1016/j.ufug.2020.126719.]
11. Kuang, W., Liu, Y., Dou, Y., Chi, W., Chen, G., Gao, C., Yang, T., Liu, J. and Zhang, R., 2015. What are hot and what are not in an urban landscape: quantifying and explaining the land surface temperature pattern in Beijing, China. Landscape ecology, 30(2):357-373. [DOI:10.1007/s10980-014-0128-6.]
12. Li, S., Zhao, Z., Miaomiao, X. and Wang, Y., 2010. Investigating spatial non-stationary and scale-dependent relationships between urban surface temperature and environmental factors using geographically weighted regression. Environmental Modelling & Software, 25(12):1789-1800. [DOI:10.1016/j.envsoft.2010.06.011.]
13. Lu, L., Weng, Q., Xiao, D., Guo, H., Li, Q. and Hui, W., 2020. Spatiotemporal variation of surface urban heat islands in relation to land cover composition and configuration: A multi-scale case study of Xi’an, China. Remote Sensing, 12(17):2713. [DOI:10.3390/rs12172713.]
14. Nadoushan, M.A., 2022. Advancing urban planning in arid agricultural-urbanized landscapes of Iran: Spatial modeling evidence from a rapidly developing region. Sustainable Cities and Society, 87:104230. [DOI:10.1016/j.scs.2022.104230.]
15. Osborne, P.E. and Alvares-Sanches, T., 2019. Quantifying how landscape composition and configuration affect urban land surface temperatures using machine learning and neutral landscapes. Computers, Environment and Urban Systems, 76:80-90. [DOI:10.1016/j.compenvurbsys.2019.04.003.]
16. Piracha, A. and Chaudhary, M.T., 2022. Urban Air Pollution, Urban Heat Island and Human Health: A Review of the Literature. Sustainability 2022, 14, 9234. [DOI:10.3390/su14159234.]
17. Rakoto, P.Y., Deilami, K., Hurley, J., Amati, M. and Sun, Q.C., 2021. Revisiting the cooling effects of urban greening: Planning implications of vegetation types and spatial configuration. Urban Forestry & Urban Greening, 64:127266. [DOI:10.1016/j.ufug.2021.127266.]
18. Roy, R. and Sen, S., 1999. Temporal analysis of Normalised Differential Built up Index and Land Surface Temperature and its link with urbanisation: A case study on Barrackpore sub-division, West Bengal.
19. Shen, C., Hou, H., Zheng, Y., Murayama, Y., Wang, R. and Hu, T., 2022. Prediction of the future urban heat island intensity and distribution based on landscape composition and configuration: A case study in Hangzhou. Sustainable Cities and Society, 83:103992. [DOI:10.1016/j.scs.2022.103992.]
20. Shi, Y., Sun, X., Zhu, X., Li, Y. and Mei, L., 2012. Characterizing growth types and analyzing growth density distribution in response to urban growth patterns in peri-urban areas of Lianyungang City. Landscape and urban planning, 105(4):425-433. [DOI:10.1016/j.landurbplan.2012.01.017.]
21. Siddiqui, A., Kushwaha, G., Nikam, B., Srivastav, S.K., Shelar, A. and Kumar, P., 2021. Analysing the day/night seasonal and annual changes and trends in land surface temperature and surface urban heat island intensity (SUHII) for Indian cities. Sustainable Cities and Society, 75:103374. [DOI:10.1016/j.scs.2021.103374.]
22. Sobrino, J.A., Jiménez-Muñoz, J.C. and Paolini, L., 2004. Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of environment, 90(4):434-440. [DOI:10.1016/j.rse.2004.02.003.]
23. Wood, S. and Wood, M.S., 2015. Package ‘mgcv’. R package version, 1(29):729.
24. Yao, L., Li, T., Xu, M. and Xu, Y., 2020. How the landscape features of urban green space impact seasonal land surface temperatures at a city-block-scale: An urban heat island study in Beijing, China. Urban Forestry & Urban Greening, 52:126704. [DOI:10.1016/j.ufug.2020.126704.]
25. Zhang, B., Amani-Beni, M., Shi, Y. and Xie, G., 2018. The summer microclimate of green spaces in Beijing’Olympic park and their effects on human comfort index. Ecol. Sci, 37(5):77-86.
26. Zhao, W., Duan, S.B., Li, A. and Yin, G., 2019. A practical method for reducing terrain effect on land surface temperature using random forest regression. Remote sensing of environment, 221:635-649. [DOI:10.1016/j.rse.2018.12.008.]
27. Zou, M. and Zhang, H., 2021. Cooling strategies for thermal comfort in cities: a review of key methods in landscape design. Environmental Science and Pollution Research, 28(44):62640-62650. [DOI:10.1007/s11356-021-15172-y.]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
