استخراج و تحلیل زمانی و مکانی دمای سطح زمین نسبت به متغیرهای طبیعی و انسانی توسط روش آماری نسبت فراوانی (FR) (مطالعۀ موردی: محدودۀ شرقی استان قزوین)

مقدمه

افزایش دمای سطح زمین یکی از پدیده‌ها و یا مشکلات زیست‌محیطی است که چند دهه‌ای دغدغۀ اصلی پژوهشگران و محققان حوزۀ محیط زیست و شهری شده است. محققان در پژوهش‌های زیادی نشان داده‌اند که اغلب فضاهای شهری به‌دلیل فعالیت‌های انسانی به‌خصوص در‌زمینۀ گرمایش و سرمایش محیط زندگی، فعالیت‌های حمل‌ونقل و راه‌سازی، صنعتی و همچنین، ذخیرۀ بیش از حد تابش خورشیدی با سازه‌های شهری، کمبود فضای سبز و طبیعی، گردش منفی هوا و ... دمای بیشتر نسبت به محیط اطراف خود دارند (دلبسته، 1397). این بیشینه دمایی محیط‌های شهری خود باعث مشکلات زیادی در‌زمینۀ سلامتی ساکنان، افزایش آلودگی هوا و محیط زیست، افزایش مصرف انرژی، کاهش سلامت ساکنان و ... می‌شود (Almeida et al., 2021). برای مطالعه و در‌نهایت، جلوگیری و کنترل این پدیده اولین گام محاسبۀ دمای سطح زمین است. عوامل مهمی در افزایش و کاهش دمای سطح زمین دخیل است که می‌توان به‌صورت کلی، آنها را به عوامل و متغیرهای طبیعی و غیرطبیعی یا انسانی (نوع پوشش و یا کاربری اراضی، فعالیت‌های شهری و غیرشهری، صنعتی و...) تقسیم‌بندی کرد (علوی‌پناه، 1381؛ محمودزاده و همکاران، 1398).

برخلاف گذشته که پژوهش‌های دمای سطح زمین با داده‌های هواشناسی و یا پیمایش زمینی انجام می‌گرفت، امروزه در این زمینه سنجش از دور به‌دلیل پوشش وسیع، بی‌نیازی به حضور در منطقه، کسب اطلاعات بروز و ... جایگزین روش‌های سنتی شده است (محمودزاده و همکاران، 1398). محققان امروزه از سیستم اطلاعات مکانی به‌دلیل وجود ابزارهای مختلف تحلیل مکانی در بسیاری از زمینه‌های علمی و پژوهشی استفاده می‌کنند. محاسبۀ دمای سطح زمین از تصاویر ماهواره‌ای اخذ‌شده از منطقۀ مطالعه‌شده و انجام‌دادن مراحل مختلف پردازش تصویر در بخش مادون قرمز حرارتی انجام می‌گیرد. یکی از پرکاربردترین و در‌دسترس‌ترین داده‌ها در این زمینه تصاویر ماهواره‌ای لندست به‌خصوص لندست 8 (TIRS) و باندهای حرارتی این سنجنده است (Bendib et al., 2017). الگوریتم‌های مختلفی نیز برای محاسبۀ دمای سطح زمین وجود دارد که محققان به برخی از آنها نظیر الگوریتم پنجرۀ مجزا، الگوریتم تک‌کاناله توجه کرده‌اند (Guo et al., 2020؛ ولیزاده و همکاران، 1396؛ محمودزاده و همکاران، 1398؛ کافی و همکاران، 1402).

پس از محاسبۀ دما استخراج ارتباطات مکانی دمای محاسبه‌شده با دیگر عوامل طبیعی و غیرطبیعی مستقل را می‌توان از توانمندی‌های تحلیل‌های مکانی سیستم اطلاعات جغرافیایی و نیز با برخی روش‌های آماری انجام داد. در دو دهۀ اخیر محققان به استفاده از مدل‌های آماری و احتمالاتی در بستر GIS برای انجام‌دادن تحلیل پدیده‌های مختلف مکانی به‌صورت ارزیابی تأثیرگذاری عوامل مؤثر بر یک پدیدۀ خاص بسیار توجه کرده‌اند (Abdullahi & Pradhan, 2018). برای مثال، مطالعات بسیاری دربارۀ دمای سطحی در‌زمینۀ تأثیر مثبت پوشش گیاهی در کاهش دمای منطقه و تأثیرات منفی فعالیت و ساخت‌و‌سازهای شهری در افزایش دمای سطحی انجام شده است (آروین، 1397؛ دلبسته، 1397؛ محمودزاده و همکاران، 1398؛ آزموده، 1400؛ هروی و همکاران، 1395).

پیشینۀ پژوهش

صداقتی و طالب‌خواه (1396) پژوهشی با عنوان «توسعه مبتنی بر حمل و نقل همگانی و کاهش جزایر حرارتی در شهرها: پیشنهادهایی برای تلفیق راهکارها (نمونه موردی: شهر بجنورد» انجام دادند. محققان در این مطالعه با تحلیل اطلاعات مربوط به دما در سال‌های 1382 تا 1394 در محیط داخل و خارج شهر بجنورد وجود پدیدۀ جزایر حرارتی در شهر بجنورد را نشان دادند و در‌ادامه، راهکارهایی را بر‌اساس توسعۀ حمل‌و‌نقل محور برای کاهش این پدیده ارائه کردند.

سلیمانی و همکاران (1399) پژوهشی با عنوان « بکارگیری الگوریتم تک کاناله در تحلیل جزیره حرارتی منطقه شهری» انجام دادند. محققان در این مطالعه برای ارزیابی نقطه‌ای تغییرات دمای شهر ساری با کاربری اراضی، پوشش گیاهی، ترافیک و تیپ‌های خاک در بازۀ زمانی 30 ساله از تصاویر لندست 5 و 8 و الگوریتم تک‌کاناله استفاده کردند. نتایج نشان داد که در‌طی 30 سال با کاهش فضای سبز و افزایش اراضی شهری وسعت جزایر حرارتی بیش از 20 درصد افزایش پیدا کرده است.

محمودزاده و همکاران (1398) پژوهشی با عنوان «محاسبه دمای سطح زمین و استخراج جزایر حرارتی با استفاده از تصاویر ماهواره‌ای لندست8 و الگوریتم پنجره مجزا در شهر ارومیه» انجام دادند. محققان در این مطالعه برای انجام‌دادن تحلیل‌های مرتبط با جزایر حرارتی دمای سطح زمین را محاسبه کردند. نتایج این پژوهش نشان داد که پوشش گیاهی کم‌تراکم، مسکونی، کارگاهی و صنعتی با سطوح نفوذناپذیر بیشترین دما را در فصل تابستان و پوشش گیاهی و طبیعی و مناطق با مصالح آجر، چوب و خشت کمترین دما را دارند.

انصاری و نوروزی (1402) پژوهشی با عنوان « بررسی خودهمبستگی فضایی دمای سطح زمین و ارتباط آن با کاربری اراضی شهر اهواز » انجام دادند. محققان در این مطالعه خودهمبستگی فضایی دمای سطح زمین و ارتباط آن را با کاربری اراضی شهر اهواز با روش پنجرۀ مجزا از تصاویر لندست و مادیس به دست آوردند. براساس نتایج به‌دست‌آمده تفاوت معناداری بین میانگین دمای کاربری‌ها در‌سطح احتمال پنج درصد وجود دارد و کاربری ساخته‌شده از‌نوع صنعتی و اراضی بایر بیشترین دما و پهنۀ آبی و پوشش گیاهی کمترین دما را داشت. در‌نهایت، بین شاخص پوشش گیاهی و دمای سطح زمین نیز همبستگی منفی حاصل شد.

زندی و همکاران (1402) پژوهشی با عنوان «سنجش میزان خودهمبستگی فضایی دمای سطح زمین با کاربری اراضی نمونۀ مطالعه: شهر اصفهان » انجام دادند. محققان در این مطالعه اثر جزیرۀ گرمایی شهری اصفهان را با هدف ارزیابی خودهمبستگی فضایی نسبت به کاربری اراضی شهری با تصاویر لندست 8 تجزیه‌و‌تحلیل کردند. نتایج نشان داد که میان جزایر حرارتی با کاربری‌های ساخته‌شده و بایر ارتباط مستقیم و افزایشی و ارتباط آن با کاربری‌های پوشش گیاهی و آب معکوس است. همچنین، نتایج پراکندگی مکانی لکه‌های داغ و سرد را در‌سطح شهر نشان داد.

پانده و همکاران پژوهشی با عنوان «مدل‌سازی پیش‌بینی دمای سطح زمین (LST) بر‌اساس داده‌های ماهواره‌ای Landsat-8 و مدل‌های یادگیری ماشین برای توسعۀ پایدار» انجام دادند. محققان در این مطالعه یک مدل تحلیل خودهمبستگی را برای پیش‌بینی دمای سطح زمین و استخراج تأثیرات محیطی آن براساس تصاویر لندست 8 با ادغام سه روش‌ مختلف یادگیری ماشین ارائه کردند. همچنین، برای ارزیابی و تحلیل خودهمبستگی متغیرهای دما، پوشش گیاهی، بارش و تبخیر از روش رگرسیون خطی استفاده شد. نتایج همبستگی بالای شاخص پوشش گیاهی را با تبخیر و همبستگی پایین پوشش گیاهی را با دما و نیز پوشش گیاهی با بارش را نشان داد (Pande et al., 2024).

هدف از پژوهش حاضر در وهلۀ اول استخراج روند تغییرات دمای سطح زمین از شش تصویر لندست 8 اخذ‌شده در سال 2016، 2019 و 2021 در دو فصل تابستان و زمستان در بخش شرقی استان قزوین است. هدف دوم بررسی ارتباط تغییرات دمای سطح زمین به‌عنوان متغیر وابسته و دیگر عوامل توپوگرافی (ارتفاع، شیب و جهت‌شیب) با عوامل انسانی چون پوشش و کاربری اراضی و شبکۀ جاده‌های منطقۀ مطالعه‌شده به‌عنوان پارامتر‌های مستقل با در نظر گرفتن دو فصل تابستان و زمستان است. در‌حقیقت، هدف از این مطالعه استخراج تأثیر طبقه‌های مختلف لایه‌های متغیرهای مستقل بر کاهش یا افزایش دمای سطح منطقه در دورۀ زمانی تعیین‌شده با مدل رگرسیون است. برای انجام‌دادن این پژوهش از تصاویر لندست 8، تصاویر رقومی ارتفاع منطقه، لایۀ کاربری اراضی و شبکۀ جاده‌های استان (با استفاده از دو نرم‌افزار ArcGIS و ENVI) و نیز برای استخراج روند تغییرات و ارتباطات مکانی و زمانی دمای سطح زمین نسبت به متغیرهای وابسته از روش آماری نسبت فراوانی استفاده شده است.

منطقۀ مطالعه‌شده

در این پژوهش از بخش شرقی استان قزوین به‌عنوان منطقۀ مطالعه‌شده استفاده شده است (شکل 1). وجود چندین شهرک صنعتی در این منطقه و آزادراه تهران- کرج- قزوین که متصل‌کنندۀ بخش وسیعی از شرق و مرکز کشور به استان‌های غربی و نیروگاه شهید رجایی در این آزادراه است، این منطقه را از‌نظر ارزیابی‌های زیست‌محیطی به‌خصوص افزایش دمای سطحی حائز اهمیت کرده است (مجاور و همکاران، 1401)

شکل 1: چپ: کشور ایران، استان قزوین؛ راست: منطقۀ مطالعه‌شده (منبع: نگارنده)

Figure 1: Left side: Iran, Qazvin province; Right side: Study area

استان قزوین با مساحتی معادل 15623 کیلومتر مربع در‌حوزۀ مرکزی ایران بین 48 درجه و 44 دقیقه تا 50 درجه و 51 دقیقه طول شرقی از نصف النهار گرینویچ و 35 درجه 24 دقیقه تا 36 درجه و 48 دقیقه عرض شمالی نسبت به خط استوا قرار دارد. استان قزوین در شمال غربی کشور واقع شده است و از شمال به استان مازندران و گیلان، از غرب به زنجان، از جنوب به استان مرکزی و همدان و از شرق به البرز محدود می‌شود. به‌دلیل گسترش کم استان از‌نظر عرض جغرافیایی، زاویۀ تابش خورشید در شمالی‌‌ترین و جنوبی‌ترین مناطق استان قزوین تفاوت کمی را نشان می‌دهد. به‌دلیل وجود آزادراه تهران- کرج- قزوین و پوشش تصویر لندست، بخش غربی استان البرز و محدودۀ کوچکی از استان تهران و مرکزی نیز در تحلیل‌های این پژوهش با مجموع 12345 کیلومتر مربع بررس می‌شود.

روش‌شناسی پژوهش

ارزیابی روند تغییرات دمای سطح منطقۀ مطالعه‌شده در دورۀ زمانی تعیین‌شده و استخراج ارتباط تغییرات دما با برخی از عوامل انسانی و طبیعی دو هدف اصلی این پژوهش است که به‌صورت جداگانه به آنها پرداخته خواهد شد. مراحل انجام‌دادن پژوهش شامل تصاویر ورودی و پردازش‌های انجام‌گرفته در شکل 2 نشان داده شده است.

شکل2: فلوچارت مراحل انجام‌دادن پژوهش (منبع: نگارنده)

Figure 2: The workflow of the research

در مرحلۀ هدف اول پژوهش حاضر از تصاویر ماهواره‌ای لندست 8 در زمستان و تابستان سه سال 2016، 2019 و 2021 استفاده شد. در‌حین انتخاب و دانلود تصاویر تلاش بر عاری‌بودن از پوشش ابری، در نظر گرفتن دو فصل تابستان و زمستان و نزدیک‌بودن تاریخ روز اخذ تصویر در هر سال بوده است. هدف از انتخاب دو فصل تابستان و زمستان ارزیابی ناهنجاری‌های حرارتی در دو فصل سرد و گرم سال بود. در این مطالعه از باندهای 10 و 11 مادون قرمز حرارتی برای محاسبات دمای سطحی استفاده شد.

پس از دانلود تصاویر از سایت سازمان زمین‌شناسی ایالات متحدۀ آمریکا (United States Geological Survey) به‌عنوان اولین اقدام‌های پیش‌پردازش، مراحل کالیبراسیون رادیانس و اتمسفریک با هدف حذف خطاهای ناشی از سنجنده و اتمسفر و برش تصویر در محدودۀ مطالعاتی با استفاده از نرم‌افزار ENVI انجام گرفت. برای دستیابی و محاسبۀ دمای سطح زمین پژوهشگران روش‌ها و الگوریتم‌های زیادی را ارائه کردند؛ البته در بیشتر روش‌ها، پارامترها و شاخص‌هایی نظیر ضریب گسیلندگی، تابش طیفی، دمای درخشندگی باند‌های حرارتی، پوشش گیاهی به‌صورت مشابه به کار گرفته می‌شود ( Majumder et al., 2021; Sajib & Wang, 2020). در‌ادامه، به برخی از نکات و روابط مهم این فرآیند اشاره خواهد شد.

اولین اقدام محاسبۀ تابش طیفی است که با رابطۀ زیر به دست می‌آید:

                                                             (1)

در این رابطه  تابش طیفی در بالای اتمسفر؛  ضریب اصلاحی رادیانس ضربی هر باند (موجود در فایل مرجع تصویر)؛  مقدار عددی هر پیکسل تصویر؛  ضریب اصلاحی افزایشی هر باند (موجود در فایل مرجع تصویر) است. همچنین، برای تبدیل تابش طیفی به دمای درخشندگی در‌سطح سنجنده از رابطۀ زیر استفاده می‌شود:

                                                                      (2)

در این رابطه  دمای درخشندگی (کلوین) و مقدار‌های  (W/m²sr/μm) و  (کلوین) ضرایب ثابت موجود در فایل فرادادۀ تصاویر است. بر همین اساس، به‌طور اختصار مراحل محاسبۀ دمای سطح زمین در پژوهش حاضر به شرح زیر ارائه می‌شود:

1. تبدیل درجه روشنایی هر پیکسل به تابش طیفی در سنجنده؛
2. محاسبۀ شاخص پوشش گیاهی (NDVI)؛
3. محاسبۀ کسر پوشش گیاهی (Pv) که به FVC نیز معروف است. (با استفاده از شاخص NDVI)؛
4. محاسبۀ قابلیت انتشار اجسام (Emissivity یا e) با Pv؛
5. تصحیح رادیومتریکی باند حرارتی و تبدیل به رادیانس؛
6. تصحیح رادیومتریکی باند حرارتی و تبدیل به دمای روشنایی؛
7. تبدیل درجه کلوین به سلسیوس برای هر دو باند حرارتی؛
8. تعیین دمای سطحی با روش رابطۀ زیر (Almeida et al., 2021):

                                                                  (3)

در این رابطه TC دمای روشنایی، λ طول موج رادیانس ساطع‌شدۀ حرارتی، E گسیلمندی و ρ ضریب ثابت است که با ضرایب ثابت استفان بولتزمن و پلانک محاسبه می‌شوند.

پس از محاسبۀ دمای سطح زمین با مراحل ذکر‌شده برای هر 6 تصویر موجود، جهت ارزیابی و تصدیق نتایج به‌دست‌آمده، دمای سطحی با روش سبال (Saraskanrood et al., 2022) برای تصاویر محاسبه شد و بدین ترتیب، نتایج محاسبات دما با کمتر از یک درجه سلسیوس به دست آمد. در روش سبال (توازن انرژی برای سطح زمین) پس از اعمال تصحیح اتمسفری باند حرارتی، دمای سطح زمین با عوامل اولیه ورودی، یعنی رادیانس طیفی، بازتابندگی سطح، آلبدوی سطحی، گسیلمندی سطحی و رادیانس حرارتی تصحیح‌شده محاسبه می‌شود. در این روش پس از محاسبۀ تابش طیفی و درجه حرارت روشنایی باید تابش حرارتی تصحیح‌شده (R_c) و در‌نهایت، دمای سطح زمین (T_s) را محاسبه کرد. به‌طور خلاصه، مراحل انجام‌شدۀ روش سبال به شرح زیر است:

1. تبدیل درجه روشنایی هر پیکسل به تابش طیفی در سنجنده؛
2. محاسبۀ Albedo؛
3. محاسبۀ شاخص پوشش گیاهی (NDVI)؛
4. محاسبۀ شاخص تفاوت وزنی پوشش گیاهی (WDVI)؛
5. محاسبۀ شاخص تعدیل‌شدۀ گیاهی برای خاک (SAVI: Soil Adjusted Vegetation Index)؛
6. محاسبۀ شاخص سطح برگ (LAI : Leaf Area Index)؛
7. محاسبۀ گسیلمندی سطحی E_NB؛
8. تصحیح رادیومتریکی باند حرارتی و تبدیل به رادیانس؛
9. تعیین دمای سطحی با رابطۀ زیر و در‌نهایت، تبدیل درجه دمای سطحی از کلوین به سلسیوس (با کسر 273.15).

                                                                    (4)

که در این رابطه،  گسیلمندی سطحی باند حرارتی،  رادیانس باند حرارتی تصحیح شده، و مقادیر  (W/m²sr/μm) و  (کلوین) همانطور که اشاره شد ضرایب ثابت هستند. علاوه بر ارزیابی میزان دمای محاسبه شده توسط روش سبال، دمای بدست آمده توسط دمای هوای ساعتی ایستگاه‌های هواشناسی قزوین نیز در هنگام عبور ماهواره لندست (در تاریخ 3/1/2016) مقایسه گردید. (ایزدفر و مالیان، 1395؛ پیرنظر و همکاران، 1397). ابتدا دمای سطحی بدست آمده به دمای هوا تبدیل و سپس با داده‌های ایستگاه هواشناسی شهر قزوین و تاکستان مقایسه شد. اختلاف دمای محاسبه شده با دمای ایستگاه‌های هواشناسی کمتر از 1.5 درجه سانتیگراد بدست آمد.

پس از پایان فرآیند محاسبۀ دمای سطح زمین و ارزیابی نقشه‌های تولید‌شده در نرم‌افزار ENVI نقشه‌ها برای مقایسه و ارزیابی و تحلیل مکانی و زمانی با روش‌های مختلف موجود در نرم‌افزار ArcGIS طبقه‌بندی شد. پس از ارزیابی نتایج روش‌های مختلف و روش فواصل یکسان به‌دلیل تعیین فواصل دلخواه و قابلیت مقایسه دامنه‌های تعیین‌شده نسبت به سال‌های مختلف انتخاب شد. همچنین، با ارزیابی نتایج، تصاویر با 7 کلاس دمایی (کلاس 1 به‌عنوان سردترین و کلاس 7 با عنوان گرم‌ترین دما) به‌عنوان مناسب‌ترین شرایط برای مقایسه طبقه‌بندی شد.

در مرحلۀ دوم برای ارزیابی عوامل تأثیر‌گذار بر روند تغییرات دمای سطحی منطقه چندین لایۀ اطلاعاتی در‌زمینۀ عوارض طبیعی و انسانی از‌جمله لایۀ رقومی ارتفاع، شیب، جهت ‌شیب، نقشۀ کاربری، پوشش اراضی (با تأکید بر شهری- صنعتی و پوشش گیاهی) و شبکۀ معابر از منابع گوناگون جمع‌آوری و تولید شد. لایۀ رقومی ارتفاع منطقه به‌عنوان اولین لایه انتخاب و سپس چهار تصویر پوشش‌دهندۀ محدودۀ مدنظر از سایت سازمان زمین‌شناسی ایالات متحدۀ آمریکا با دقت 30 متر دانلود و در مراحل بعد چهار تصویر موزائیک‌شده براساس مرز منطقۀ مطالعه‌شده برش زده شد. در‌نهایت، لایۀ رقومی ارتفاع استخراج‌شده با پنج کلاس ارتفاعی (کلاس یک کمترین و کلاس پنج بیشترین ارتفاع) طبقه‌بندی شد. قبل از طبقه‌بندی لایۀ ارتفاع، لایۀ شیب و جهت ‌شیب نیز از این لایه استخراج شد. لایۀ شیب نیز با 5 کلاس (کلاس یک کمترین و کلاس پنج بیشترین شیب) و لایۀ جهت ‌شیب با 9 کلاس (مسطح، شمال، شمال شرق، شرق، جنوب شرق، جنوب، جنوب غرب، غرب و شمال غرب) طبقه‌بندی شد.

فرآیند استخراج ارتباط بین تغییرات دمای سطحی (متغیر وابسته) با متغیرهای ذکر‌شده (به‌عنوان لایه‌های مستقل) از‌طریق مدل آماری رگرسیون نسبت فراوانی (Frequency Ratio) انجام شد. روش نسبت فراوانی یک مدل داده‌کاوی است که کاربرد گسترده‌ای در فرآیند‌های مدل‌سازی و پیش‌بینی در‌زمینۀ انواع مخاطره‌های طبیعی و روند‌های شهری دارد (Abdullahi, 2021؛ امیدی و همکاران، 1398). مبنای این مدل پیش‌بینی آتی پدیده‌های مختلف براساس وقوع تاریخی پدیدۀ مذکور است (Pradhan, 2010). مدل نسبت فراوانی برای محاسبات تأثیرگذاری متغیرها روی پدیدۀ مستقل برمبنای رابطۀ زیر بیان می‌شود:

                                                                           (5)

در این رابطه FR نسبت فراوانی هر عامل یا میزان تأثیر هر کلاس از متغیر مستقل،  درصد پیکسل‌های طبقات دمایی (متغیر وابسته)،  درصد پیکسل‌های طبقات متغیرهای مستقل است؛ البته این نکته باید ذکر شود که تا‌کنون در مقاله‌های انجام‌شده متغیر وابسته در روش نسبت فراوانی به‌صورت باینری یا صفر و یک تحلیل می‌شد. در پژوهش حاضر متغیر وابسته، یعنی دمای هوا به‌صورت چند‌کلاسه همان‌طور که اشاره شد با 7 طبقه دمایی بررسی شد. در این مطالعه با استفاده از روش نسبت فراوانی میزان اهمیت طبقات هریک از عوامل مستقل در ارتباط با تغییرات دمایی موجود در منطقه ارزیابی می‌شود؛ برای مثال، وجود، میزان و پراکندگی پیکسل‌های لایۀ دمای سطح زمین نسبت به پیکسل‌های لایۀ ارتفاع به‌صورت زمانی و مکانی مقایسه و سنجیده و در‌نتیجه، میزان رخداد دماهای مختلف نسبت به عوامل تعیین‌شده در دو فصل زمستان و تابستان محاسبه می‌شود.

برای سه عامل ارتفاع، شیب و جهت ‌شیب همان‌طور که اشاره شد، میزان رخداد دما در طبقه‌بندی‌های ذکر‌شده ارزیابی شد. لایۀ پوشش اراضی منطقۀ دانلود‌شده از سایت TerraScope با دقت 10 متر نیز با 9 کلاس پوشش درخت، بوته‌زار، سبزه‌زار، کشاورزی، شهری، بایر، برفی، آبی و تالاب در تحلیل‌های آماری نسبت به طبقات دمایی مورد استفاده قرار گرفت. از‌جمله عوامل مهم تأثیرگذار بر دمای سطح زمین وجود پوشش گیاهی است که در ارزیابی‌های لایۀ پوشش اراضی تحلیل می‌شود. کارخانه‌ها و فعالیت‌های صنعتی در یک منطقه از دیگر عوامل تأثیرگذار در افزایش دمای سطحی است. همچنین، در این مطالعه برای ارزیابی تأثیر وجود مناطق صنعتی در تغییرات دمایی نیز از لایۀ اراضی صنعتی استفاده شد؛ بنابراین به‌صورت جداگانه روند تغییرات دمای سطحی برای لایۀ پوشش اراضی با دو کلاس پوشش شهری و صنعتی ارزیابی شد. در‌نهایت، لایۀ طبقه‌بندی فاصلۀ‌ شبکۀ معابر منطقه نیز با ابزارهای تحلیلی مکانی تولید و تأثیر این عامل به‌خصوص آزادراه تهران-کرج-قزوین نسبت به روند تغییرات دمای سطحی ارزیابی شد. شکل 3 لایۀ رقومی ارتفاع، طبقه‌بندی لایۀ شیب (در 5 کلاس)، طبقه‌بندی لایۀ جهت ‌شیب (در 9 کلاس)، طبقه‌بندی لایۀ پوشش اراضی (در 9 کلاس) و فاصله از شبکۀ معابر (در پنج کلاس) را نشان می‌دهد.

شکل 3: لایۀ رقومی ارتفاع، طبقه‌بندی ارتفاع، طبقه‌بندی لایۀ شیب، طبقه‌بندی لایۀ جهت ‌شیب، طبقه‌بندی لایۀ پوشش اراضی و طبقه‌بندی فاصله از معابر (منبع: نگارنده)

Figure 3: Data layers: DEM, Classification of DEM, Classification of Slope, Classification of Aspect, Classification of Land Cover and Classification of Proximity to Road Network

یافته‌های پژوهش و تجزیه‌و‌تحلیل

در بخش اول نتایج، به روند تغییرات دمای سطحی منطقه به‌صورت آماری پرداخته می‌شود. نقشه‌های دمای سطحی منطقه برای تابستان و زمستان سه سال 2016، 2019 و 2021 در شکل 4 نشان داده شده است. در سمت چپ، تصاویر دمای سطحی فصل تابستان و در سمت راست، دمای سطحی فصل زمستان در هر سه سال نشان داده شده است.

شکل 4: نقشه‌های تولید‌شدۀ محاسبات دمای سطحی منطقۀ تابستان (S) و زمستان (W) در سال‌های 2016، 2019 و 2021 (منبع: نگارنده)

Figure 4: LST Maps of summer and winter of year 2016, 2019 and 2021

همان‌طور که مشاهده می‌شود، شدت دما در تصاویر از‌طریق طیف رنگ آبی با کمترین دما تا رنگ قرمز با بیشترین دما نشان داده شده است. مناطق آبی‌رنگ در شمال شرقی منطقه به‌خصوص در استان مازندران سردترین هوا و نشان‌دهندۀ قله‌های رشته‌کوه البرز است. همچنین، مناطق با رنگ نارنجی و قرمز در جنوب و شرق منطقه به‌خصوص در استان البرز نشان‌دهندۀ گرم‌ترین نواحی است. بدیهی است که مناطق آبی‌رنگ در سه تصویر زمستان (به‌دلیل وجود شدت سرما و برف) درمقایسه با سه تصویر تابستان بیشتر رؤیت می‌شود. از طرف دیگر، مناطق قرمز رنگ در سه تصویر تابستان (به‌دلیل وجود شدت گرما) در دشت‌های استان قزوین، البرز، تهران و مرکزی بیشتر مشاهده می‌شود.

از راهنمای نقشه مشخص است که حداقل دمای فصل زمستان از منفی 9/18 به حداکثر مثبت 7/26 درجه در سال 2016، از منفی 4/22 به مثبت 7/22 درجه در سال 2019 و از منفی 5/18 به مثبت 9/29 درجه در سال 2021 می‌رسد. از این دامنه‌های دمایی می‌توان نتیجه گرفت که فصل زمستان سال 2019 سردتر از دو سال 2016 و 2021 بوده است و مردم منطقه در زمستان 2021 سرمای کمتری را نسبت به دو سال دیگر حس کرده‌اند؛ اما با استخراج اطلاعات آماری و به‌خصوص در نظر گرفتن مساحت هر طبقۀ دمایی نتایج و جزئیات بیشتر و صحیح‌تری را می‌توان به دست آورد (جدول 1).

از طرف دیگر، حداقل دمای فصل تابستان از حدود مثبت 6 به حداکثر 8/51 درجه در سال 2016، از 7 به 1/53 درجه در سال 2019 و از 8/5 به 7/51 درجه در سال 2021 می‌رسد. با بررسی این دامنه‌های دمایی به نظر می‌رسد که تابستان سال 2019 گرم‌تر از دو سال دیگر بوده است؛ اما همان‌طور که اشاره شد با ارزیابی و تحلیل آماری دقیق‌تر و مشاهدۀ میزان و مساحت مناطق قرمز رنگ در تصویر تابستان سال 2021 به‌وضوح می‌توان به گرم‌تر‌بودن منطقۀ مطالعه‌شده در سال 2021 پی‌برد (جدول 2).

نکتۀ مهم دیگر که در تفسیر بصری تصاویر ارائه‌شده مشاهده می‌شود، تأثیر مختصر ولی درخور تأمل مرز تقسیمات کشوری استان تهران و البرز (جنوب شرقی منطقه) بر تغییرات دمای سطحی است؛ البته این تأثیر در فصل زمستان هر سه سال بیشتر مشاهده می‌شود. در زمستان هر سه سال مرز بین استان تهران و البرز تغییر رنگ بین نارنجی و زرد داشته که به نظر می‌رسد، مرز استان دو کلاس دمایی را از هم جدا کرده است. این پدیده می‌تواند به‌دلیل عملکرد متفاوت دو استان از اراضی دو طرف مرز باشد که این خود باعث تغییر دمای بین دو استان مجاور شده است. در‌حقیقت، چنین نکاتی اهمیت هدف دوم این مقاله، یعنی ارزیابی تأثیر متغیر‌های انسانی و طبیعی را در تغییرات دما بیشتر آشکار می‌کند. علاوه بر این، با دقت به تصاویر در بخش‌های شمالی منطقه، یعنی دامنه‌های رشته‌کوه‌های البرز واضح است که دامنه‌های جنوبی در تمامی تصاویر زمستان و تابستان دمای بیشتری نسبت به دامنه های شمالی دارد. این ویژگی را می‌توان تأثیر جهت ‌شیب دانست که دامنه‌های جنوبی نسبت به دامنه‌های شمالی بیشتر از تابش خورشید بهره‌مند می‌شود. در این زمینه نیز ارزیابی جهت ‌شیب در روند تغییرات دمایی منطقه بسیار حائز اهمیت می‌شود.

در‌نهایت، به‌طور‌ کلی، با توجه به تصاویر در هر دو فصل زمستان و تابستان بخش شمالی منطقۀ مطالعه‌شده به‌دلیل عرض جغرافیایی بالاتر و ارتفاعات بیشتر میانگین دمایی کمتر و بخش جنوبی منطقه به‌دلیل عرض جغرافیایی پایین‌تر، ارتفاع کمتر و مسطح‌بودن میانگین دمای بیشتری دارد.

در‌ادامه، برای تحلیل و ارزیابی دقیق‌تر تغییرات مکانی و زمانی دمای سطحی منطقه روند تغییرات براساس مساحت طبقات دمایی مختلف ارزیابی می‌شود. جدول 1 و 2 به‌ترتیب نشان‌دهندۀ تغییرات دمایی سطح زمین براساس مساحت هر کلاس و میزان دمای زمستان و تابستان است.

جدول 1: تغییرات دمایی فصل زمستان منطقه در سه سال تعیین‌شده

Table 1: Temperature changes of winter in three selected years

منبع: نگارنده

همان‌طور که در جدول طبقه‌بندی دماهای فصل زمستان (جدول 1) نشان‌ داده شده، حداکثر و حداقل دمای سال 2016 شباهت بیشتری با سال 2021 دارد و در سال 2019 حداقل دما (منفی 22 درجه) و حداکثر دما (مثبت 22 درجه) کمتر از دو سال دیگر است. به عبارت دیگر، در دورۀ زمانی تعیین‌شده، دمای هوای منطقه از سال 2016 تا 2019 افت چشمگیری داشته و مجدد در دورۀ 2019 تا 2021 دمای هوا در زمستان روندی افزایشی داشته است. از طرف دیگر، میزان تغییرات مساحت برای هریک از طبقات دمایی فصل زمستان به‌صورت نمودار در شکل 5 نمایش داده شده است. در نمودار سمت چپ مساحت (کیلومتر مربع) در محور عمودی با سال در محور افقی و در نمودار سمت راست مساحت (کیلومتر مربع) در محور عمودی با کلاس‌های دمایی در محور افقی نسبت به یکدیگر ارزیابی شده‌ است. هدف از ارائۀ دو نمودار آشکارتر‌شدن روند تغییرات مساحت طبقات دمایی نسبت به سال‌های تعیین‌شده است.

شکل 5: نمودار روند تغییرات مساحت طبقات دمای فصل زمستان منطقه در هر سال (کیلومتر مربع) (منبع: نگارنده)

Figure 5: Changes trends of temperature class areas in winter season per year (KM²)

با توجه به نمودار (شکل 5) به‌طور کلی، طبقه‌های دمایی بالاتر از صفر درجه (4، 5 و 6) مساحت بیشتری را نسبت به دماهای کمتر از صفر درجه (1، 2 و 3) اشغال کرده‌ است. از طرف دیگر، بیشترین میزان مساحت منطقه دمای بین 7 تا 14 درجه سلسیوس (طبقه پنجم دمایی) با مساحتی بیش از 6100 کیلومتر مربع از 12 هزار کیلومتر مربع (مساحت کل منطقه) دارد. همان‌طور که نشان داده شده، در فصل زمستان مساحت دمای زیر صفر درجه در سال 2016 از حدود 1330 کیلومتر مربع به حدود 890 کیلومتر مربع در سال 2021 رسیده است. همچنین، وسعت نواحی بالای 20 درجه از حدود 6 کیلومتر مربع در سال 2016 به بیش از 24 کیلومتر مربع در سال 2021 رسیده است؛ بنابراین ارزیابی مساحت‌های کلاس‌های دمایی نشان‌دهندۀ گرم‌تر‌شدن هوای منطقه از سال 2016 تا 2021 در فصل زمستان است. این نکته باید بیان شود که در این نمودارها در محور عمودی برای نشان‌دادن ارقام مساحت از نمایش مقیاس لگاریتمی استفاده شده است تا ارقام مساحت پایین نظیر 25 یا 35 کیلومتر مربع نسبت به ارقام مساحت بالا مانند 6 یا 8 هزار کیلومتر مربع نیز قابلیت نمایش داشته باشد.

جدول 2: تغییرات دمایی فصل تابستان منطقه در سه سال تعیین‌شده

Table 2: Temperature changes in summer for selected years

منبع: نگارنده

براساس محاسبات دمای سطحی منطقه زمستان سال 2019 (جدول 1) که دمای پایین‌تری نسبت به دو سال دیگر را نشان می‌داد، در فصل تابستان (جدول 2) سال 2019 حداقل و حداکثر دمای بیشتری نسبت به دو سال دیگر داشته است. همچنین، وسعت زیادی از منطقه دمای بین 30 تا 45 درجه دارد؛ اما به‌طور کلی، محاسبات دمای منطقه در فصل تابستان سه سال مدنظر حاکی از گرم‌تر‌شدن هوا در‌طول سال 2016 تا 2021 است. همان‌طور در جدول 2 نشان داده شده، در فصل تابستان مساحت دمای بالای 35 درجه در سال 2016 بیش از 6600 کیلومتر مربع، در سال 2019 بیش از 8200 کیلومتر مربع و در سال 2021 بیش از 9300 کیلومتر مربع است. همچنین، وسعت نواحی با دمای پایین‌تر از 20 درجه از حدود 57 کیلومتر مربع در سال 2016 به کمتر از 6 کیلومتر مربع در سال 2021 رسیده است. میزان تغییرات مساحت برای هریک از طبقات دمایی فصل تابستان در منطقه نیز به‌صورت نمودار در شکل 6 نمایش داده شده است.

شکل 6: روند تغییرات مساحت طبقات دمای فصل تابستان منطقه در هر سال (کیلومتر مربع) (منبع: نگارنده)

Figure 6: Changes trends of temperature class areas in summer season per year (KM²)

همان‌طور که شکل 6 (نمودار سمت چپ) نشان می‌دهد در فصل تابستان بیشترین میزان مساحت منطقه دمای بین 35 تا 45 درجه (کلاس شش دمایی) با بیش از 6300 کیلومتر مربع از 12 هزار کیلومتر مربع (مساحت کل منطقه) را دارد.

در مرحلۀ بعد به‌عنوان هدف دوم برای ارزیابی تأثیر برخی عوامل انسانی و طبیعی در این تغییرات دمایی (شکل 3) تأثیر کلاس‌های مختلف ارتفاع، شیب، جهت ‌شیب، پوشش اراضی و فاصله از شبکۀ معابر با روش نسبت فراوانی ارزیابی شد.

جدول 3 ارزیابی روش نسبت فراوانی ارتفاع پیکسل‌های تصویر منطقۀ مطالعه‌شده را با کلاس‌های مختلف دمایی در زمستان 2019 نشان می‌دهد. این جدول درصد مساحت یک کلاس دمایی نسبت به کل منطقه را نسبت به درصد مساحت یک کلاس ارتفاعی نسبت به کل منطقه را ارزیابی می‌کند. همان‌طور که مشخص شده است، بیشترین میزان فراوانی پیکسل‌ها در کلاس دمایی 5 (7 تا 14 درجه سانتی‌گراد) در ارتفاعات کم و خیلی کم (زیر 1500 متر) قرار گرفته است. این بدان معناست که وسعت زیادی از منطقه با کلاس دمایی 7 تا 14 درجه سانتی‌گراد در کلاس ارتفاعی 1000 تا 1500 متر (کلاس 2) وجود دارد (با نسبت فراوانی 88/0). در‌مقابل، وسعت بسیار کمی از منطقه با کلاس دمایی منفی 4/22 تا منفی 13 درجه سانتی‌گراد (کلاس 1) در کلاس ارتفاعی 447  تا 1000 متر (کلاس 1) قرار گرفته است (با نسبت فراوانی 0.000)؛ البته نسبت فراوانی صفر بیانگر نبود پیکسل نیست و این وسعت با تعداد رقم اعشار بیشتر بسیار ناچیز نشان داده می‌شود.

جدول 3: نتایج محاسبات روش نسبت فراوانی طبقات دما نسبت به نقشۀ ارتفاع در زمستان 2019

Table 3: FR calculations of temperature classes with respect to DEM in winter 2019

 منبع: نگارنده

جدول 4 نشان‌دهندۀ محاسبات مشابه برای فصل تابستان سال 2019 است. همان‌طور که مشاهده می‌شود، بیشترین وسعت مناطق با کلاس دمایی 6 (35 تا 45 درجه) در ارتفاع با کلاس کم و متوسط (بین 1000 تا 2000 متر) است (با نسبت فراوانی 72/0). در‌مقابل، وسعت کمی از منطقه با کلاس دمایی 1 و در ارتفاع خیلی کم و وسعت کمی از منطقه با کلاس دمایی 7 در ارتفاع خیلی زیاد وجود دارد.

جدول 4: محاسبات روش نسبت فراوانی کلاس‌های دمایی نسبت به نقشۀ ارتفاع در تابستان 2019

Table 4: FR calculations of temperature classes with respect to DEM in summer 2019

منبع: نگارنده

جدول‌های 3 و 4 محاسبات روش نسبت فراوانی تأثیر عامل ارتفاع بر دمای منطقه را در دو فصل زمستان و تابستان سال 2019 به‌طور کامل نشان می‌دهد. محاسبات مشابه برای دو فصل زمستان و تابستان سال‌های 2016 و 2021 نیز انجام شده است. در جدول 5 خلاصه‌ای از این محاسبات با تمرکز بر نسبت‌های فراوانی بالا برای هر دو فصل هر سه سال ارائه شده ‌است.

جدول 5: خلاصۀ جدول‌های نسبت فراوانی در دو فصل زمستان و تابستان سال‌های در‌نظر گرفته شدۀ نقشۀ ارتفاع

Table 5: Brief FR calculations of temperature classes with respect to DEM for winter and summer of the selected years

منبع: نگارنده

به‌طور کلی، می‌توان نتیجه گرفت که بیشتر نواحی منطقۀ مطالعه‌شده در فصل زمستان دمایی بین 7 تا 14 درجه و در فصل تابستان دمایی بین 35 تا 45 درجه دارد؛ البته همان‌طور که اشاره شد، دیگر کلاس‌های دمایی در ارتفاعات مختلف نیز نسبت‌های فراوانی دارد که در مراحل تحلیل مورد استفاده قرار می‌گیرد؛ برای مثال، همان‌طور که در جدول 3 نشان داده شد، در زمستان 2019 در بیشترین ارتفاع رقم نسبت فراوانی نواحی با کمترین دما (منفی 22 تا منفی 13) 08/0 محاسبه شد که این رقم در زمستان 2016 بسیار قابل توجه‌تر است. این رقم نواحی بسیار سرد را در ارتفاعات بسیار بالای رشته‌کوه‌های البرز نشان می‌دهد.

پس از ارزیابی نقشۀ ارتفاع دمای منطقه نسبت به عامل شیب تحلیل شد. جدول 6 نشان‌دهندۀ ستون‌های بزرگ‌ترین ارقام نسبت فراوانی تمامی جدول‌های دو فصل زمستان و تابستان در هر سه سال است. برای کاهش تعداد جدول‌ها در متغیرهای بعد فقط خلاصه‌‌ای از جدول‌ها ارائه خواهد شد.

جدول 6: خلاصۀ جدول‌های نسبت فراوانی در دو فصل زمستان و تابستان سال‌های در‌نظر گرفته شدۀ نقشۀ شیب

Table 6: Brief FR calculations of temperature classes with respect to slope map for winter and summer of the selected years

منبع: نگارنده

بیشترین میزان تغییرات دما در زمستان 2016 مربوط به کلاس دمایی 3، 4، 5 و 6 است که در کلاس 5 با بیشترین میزان نسبت فراوانی نشان داده شده است. در تابستان 2016 بیشترین نسبت فراوانی متعلق به کلاس دمایی 6 در مناطق با کمترین شیب است. سال‌های 2019 و 2021 نیز بیشترین میزان وسعت منطقه را با کلاس‌های دمایی 5 و 6 در نواحی با شیب کم یا خیلی کم دارد. به‌طور کلی، می‌توان نتیجه گرفت که تغییرات دمایی به‌دلیل شیب کم نواحی دشتی جنوب منطقۀ مطالعه‌شده بیشتر نمایان می‌شود؛ البته همان‌طور که دربارۀ لایۀ ارتفاع نیز بیان شد، در فصل‌های زمستان هر سال وسعت زیادی از منطقه با دمای پایین در بالاترین ارتفاعات منطقه در جدول‌ها مشاهده می‌شود.

پس از ارزیابی تأثیر عامل شیب در تغییرات دمای منطقه لایۀ جهت ‌شیب نیز طبقه‌بندی و میزان دما نسبت به این لایه ارزیابی شد. جدول 7 تأثیرگذارترین کلاس‌های دمایی را با بیشترین نسبت فراوانی نسبت به کلاس‌های لایۀ جهت ‌شیب در هر دو فصل زمستان و تابستان هر سه سال نشان می‌دهد.

جدول 7: خلاصۀ جدول‌های نسبت فراوانی در دو فصل زمستان و تابستان سال‌های در‌نظر گرفته شدۀ نقشۀ جهت ‌شیب

Table 7: Brief FR calculations of temperature classes with respect to aspect map for winter and summer of the selected years

منبع: نگارنده

همان‌طور که از جدول 7 مشاهده می‌شود، ارقام جدول نسبت فراوانی جهت ‌شیب قابل توجه‌تر از لایۀ شیب است. این نکته نشان‌دهندۀ تأثیرگذاری بیشتر ویژگی جهت ‌شیب در تغییرات دما نسبت به شیب زمین است. به‌طور کلی، شیب‌های شمالی (شمال، شمال غرب و شمال شرق) به‌دلیل تابش کمتر خورشید در زمستان نسبت‌های فراوانی بیشتری نسبت به کلاس‌های مشابه جهت‌ شیب در تابستان دارد. در‌مقابل، شیب‌های جنوبی و جنوب شرقی در تابستان به‌دلیل تابش بیشتر نسبت فراوانی بیشتری نسبت به کلاس‌های متناظر در زمستان دارند. با استخراج چنین روابطی از تمامی جدول‌های تولید‌شدۀ روش نسبت فراوانی اطلاعات ارزشمندی از میزان تأثیرگذاری متغیر مستقل جهت ‌شیب بر دمای منطقه به دست می‌آید.

پس از ارزیابی تغییرات دما نسبت به سه متغیر طبیعی ارتفاع، شیب و جهت ‌شیب تأثیر پوشش اراضی بر دمای محیط ارزیابی شد. جدول 8 علاوه‌بر کلاس دمایی 5 و 6 کلاس 1، یعنی کمترین دما را نیز در دو فصل زمستان و تابستان 2019 نشان می‌دهد. در هر دو فصل میزان نسبت فراوانی کلاسِ کمترین دما در پوشش برف کاملاً قابل ‌توجه است (89/0 و 84/0).

جدول 8: خلاصۀ جدول‌های نسبت فراوانی در دو فصل زمستان و تابستان سال 2019 نسبت به پوشش اراضی

Table 8: Brief FR calculations of temperature classes with respect to land cover map for winter and summer of 2019

منبع: نگارنده

در فصل تابستان نسبت فراوانی گرم‌ترین کلاس دمایی (کلاس 6) اراضی بایر بسیار زیاد و در فصل زمستان بسیار ناچیز است (75/0 و 06/0)؛ البته اراضی کشاورزی و سبزه‌زار نیز گرمای چشمگیری نسبت به زمستان دارد. به‌طور کلی، کلاس‌های دمایی پایین‌تر در زمستان نسبت فراوانی بیشتری نسبت به تابستان دارد. همچنین، در فصل تابستان اراضی بایر و سپس کشاورزی بیشترین دمای محیطی را دارد. درنهایت، می‌توان جنس خاک، مسطح‌بودن، دریافت مستقیم تابش خورشید و جهت ‌شیب را مهم‌ترین دلایل گرم‌بودن این اراضی دانست.

در مرحلۀ بعد برای تمرکز بیشتر بر مناطق صنعتی به‌طور جداگانه تأثیر پوشش شهری و صنعتی با روش نسبت فراوانی بر تغییرات دما ارزیابی شد. تأثیر کاربری صنعتی بر افزایش دمای سطحی در هر دو فصل زمستان و تابستان (هر سه سال) کاملاً قابل ‌توجه است. در شکل 7 نیز مشاهده می‌شود که پلی‌گون‌های نشان‌دهندۀ مناطق و شهرک‌های صنعتی دمای بیشتر نسبت به مناطق شهری و محیط‌های اطراف خود دارند.

شکل 7: ارتباط چند منطقۀ شهری و صنعتی نسبت به دمای سطحی منطقۀ مطالعه‌شده (منبع: نگارنده)

Figure 7: Correlation of Urban and Industrial areas with respect to LST

به‌عنوان آخرین عامل انسانی تلاش شد تأثیر عبور‌ و ‌مرور وسایل نقلیه در جاده‌های اصلی منطقۀ مطالعه‌شده به‌خصوص مسیر آزادراه تهران-کرج- قزوین بر دمای محیط در دو فصل تابستان و زمستان ارزیابی شود. برای این منظور، لایۀ جاده‌های منطقه براساس فاصلۀ طبقه‌بندی و تأثیرات فاصله‌های مختلف روی کلاس‌های دمایی ارزیابی شد. به‌طور کلی، تأثیر عبور و مرور وسایل نقلیه در جاده‌ها در فصل زمستان قابل توجه‌تر است. در فاصله‌های کم و نزدیک به جاده در فصل‌های زمستان نسبت فراوانی دمای بالا بیشتر از فاصله‌های دورتر از جاده است. در‌مقابل، در فصل تابستان چنین رابطۀ مستقیمی مشاهده نمی‌شود. به‌ نظر اراضی بایر کنار جاده تأثیر بیشتری در گرم‌شدن هوای محیط نسبت به خود جاده دارد؛ بنابراین در فصل تابستان با افزایش کلاس دما (5 به 6) و افزایش فاصله از جاده نسبت فراوانی نیز بیشتر می‌شود؛ البته در فصل تابستان 2021 نتایج متفاوت بود؛ یعنی با کاهش فاصله از جاده نسبت فراوانی افزایش می‌یافت.

همان‌طور که در پژوهش حاضر نشان داده شد، تأثیرات عوامل و متغیرهای انسانی و طبیعی بر تغییرات دمای منطقه کاملاً قابل ‌توجه بوده است؛ بنابراین اطلاعات ارزشمندی از استخراج روابط بین این متغیرها استخراج می‌شود. در‌حقیقت، فرآیند محاسبات روش نسبت فراوانی (FR) میزان وقوع یک پدیده را به‌عنوان متغیر وابسته نسبت به کلاس‌های متغیرهای مستقل ارزیابی می‌کند. در برخی مواقع این ارزیابی‌ها به پیش‌بینی رویدادهای طبیعی نظیر سیل، زلزله، رانش زمین و دیگر پدیده‌ها کمک می‌کند.

نتیجه‌گیری

محققان در این پژوهش سعی در تحلیل دمای سطحی بخش شرقی استان قزوین طی دو مرحله داشتند. در مرحلۀ اول تلاش شد دمای سطحی منطقه از دو روش مخلتف محاسباتی معمول برآورد و در‌نهایت، میزان افزایش و کاهش دما در دورۀ زمانی تعیین‌شده استخراج شود. نتایج محاسبۀ دما حاکی از همبستگی زیاد در دو روش برآورد دمای سطحی و تشابه میزان دمای محاسبه‌شده (5/1 درجه اختلاف) با دمای هوای ساعتی ایستگاه‌های هواشناسی منطقۀ مطالعه‌شده (به‌دلیل استفادۀ این روش‌ها از پارامتر‌های مؤثر مانند ضریب گسیلندگی، تابش طیفی و دمای درخشندگی باندهای حرارتی) بوده است. علاوه بر این، با ارزیابی و تحلیل آماری دقیق و محاسبۀ میزان مساحت طبقه‌های دمایی (همان‌طور که در جدول‌ها و نمودارهای روند تغییرات نشان داده شد) در فصل تابستان وسعت نواحی با دمای بالای 35 درجه از حدود 6600 کیلومتر مربع در سال 2016 به بیش از 9300 کیلومتر مربع در سال 2021 رسیده است. همچنین، در فصل تابستان وسعت نواحی با دمای پایین‌تر از 20 درجه از حدود 57 کیلومتر مربع در سال 2016 به کمتر از 6 کیلومتر مربع در سال 2021 رسیده است. در‌مقابل، در فصل زمستان مساحت دمای زیر صفر درجه در سال 2016 از حدود 1330 کیلومتر مربع به حدود 890 کیلومتر مربع در سال 2021 رسیده است. همچنین، وسعت نواحی بالای 20 درجه از حدود 6 کیلومتر مربع در سال 2016 به بیش از 24 کیلومتر مربع در زمستان سال 2021 رسیده است؛ بنابراین می‌توان به‌وضوح به افزایش دما از سال 2016 تا 2021 پی‌برد که این روند مطابق با نتایج پژوهش ایزدفر و مالیان (1395) است. دربارۀ ویژگی‌های محیطی می‌توان نتیجه گرفت که بخش شمالی منطقۀ مطالعه‌شده به‌دلیل عرض جغرافیایی بالاتر و ارتفاعات بیشتر میانگین دمایی کمتر و بخش جنوبی منطقه به‌دلیل عرض جغرافیایی پایین‌تر، ارتفاع کمتر و غالب دشتی منطقه میانگین دمای بیشتری دارد. علاوه‌بر استخراج روند تغییرات دما استخراج تأثیر عوامل مهم بر تغییرات دما نیز بسیار حائز اهمیت است؛ بنابراین در مرحلۀ دوم، تأثیر عوامل مختلف نظیر ارتفاع، شیب، جهت‌ شیب، پوشش اراضی و فاصله از شبکۀ معابر با روش نسبت فراوانی ارزیابی شد. روش نسبت فراوانی قابلیت زیادی درزمینۀ تحلیل و استخراج تأثیر عوامل مستقل مختلف بر یک متغیر وابسته (دمای منطقه) مطابق پژوهش‌های مشابه نظیر شهابی (1400) دارد. درزمینۀ ارتفاع و شیب بیشترین میزان مساحت منطقه که پوشیده از دشت با ارتفاع زیر 1000 متر و شیب کم است، دمایی بالا با ارقام نسبت فراوانی بالای 6/0 در فصل تابستان و 5/0 در فصل زمستان برای ارتفاع و ارقام نسبت فراوانی بالای 5/0 در فصل تابستان و 6/0 در فصل زمستان برای شیب دارد. به عبارت دیگر، مساحت بسیار کمی از منطقه ارتفاعی کم و دمایی پایین و ارتفاع زیاد با دمای بالا دارد. نتایج محاسبات روش نسبت فراوانی با لایۀ جهت ‌شیب قابل‌توجه‌تر از لایه ارتفاع و شیب بود که این نشان‌دهندۀ تأثیر‌گذارتر‌بودن متغیر جهت ‌شیب در تغییرات دمایی نسبت به لایه‌های دیگر است. شیب‌های شمالی به‌دلیل تابش کمتر آفتاب در زمستان نسبت‌های فراوانی بیش از 5/0 را نسبت به کلاس‌های مشابه جهت ‌شیب در تابستان دارند. درمقابل، شیب‌های جنوبی و جنوب شرقی در تابستان به‌دلیل تابش بیشتر نسبت فراوانی بیش از 53/0 را نسبت به کلاس‌های مشابه جهت‌ شیب در زمستان دارند. درزمینۀ پوشش و کاربری اراضی مطابق با نتایج مطالعاتی نظیر ولیزاده و همکاران (1396)، محمودزاده و همکاران (1398) در این پژوهش نیز تأثیر متفاوت این عامل بر دمای سطحی مشاهده شد. پوشش اراضی بایر با رقم نسبت فراوانی 75/0 در کلاس دمایی بالای 35 درجۀ سانتیگراد در فصل تابستان و پوشش برفی با رقم نسبت فراوانی 89/0 در کلاس دمایی زیر منفی 13 درجه در فصل زمستان نشان‌دهندۀ تأثیر نوع پوشش و کاربری زمین در تغییرات دمای محیط است. علاوه بر این، اراضی کشاورزی و پوشش‌های گیاهی که در فصل تابستان به‌دلایل مختلف تراکم گیاهی کمتری دارند، دمایی بسیار بالا به محیط اطراف با ارقام نسبت فراوانی بالای 66/0 در تابستان و 94/0 در زمستان نیز دارند. جنس خاک، مسطح‌بودن و دریافت مستقیم تابش خورشید به‌دلیل جهت‌ شیب مهم‌ترین دلایل گرم‌بودن این اراضی است. همچنین، تأثیر کاربری صنعتی بر افزایش دمای سطحی نیز در هر دو فصل زمستان و تابستان هر سه سال به‌طور کامل، محسوس بود. در‌نهایت، جاده‌های منطقه در فصل تابستان و زمستان تأثیر متفاوتی را نشان داد. در فصل زمستان محیط‌های نزدیک به جاده گرم‌تر و در فصل تابستان اراضی بایر کنار جاده گرم‌تر از خود جاده بود. این نتیجه نشان‌دهندۀ تأثیر بیشتر پوشش بایر، شیب کم و جهت ‌شیب در تغییرات دمایی است. با استخراج چنین روابطی از ارزیابی‌های انجام‌شده اطلاعات ارزشمندی از میزان تأثیرگذاری متغیرهای مستقل مختلف بر متغیر وابسته که در این پژوهش دمای سطحی منطقه بود، به دست می‌آید که می‌توان در بخش‌های مختلف مدیریت برنامه‌ریزی شهری، محیط زیست و بحران مورد استفاده قرار گیرد. در پایان، برای انجام‌دادن محاسبات و تحلیل دمای سطحی به‌خصوص در‌سطح شهرها پیشنهاد می‌شود از داده‌ها و تصاویر با قدرت تفکیک بالا استفاده شود تا کاربری اراضی شهری مختلف به‌طور دقیق تجزیه و تحلیل شود.