Evaluation of the Effect of Land-Use Changes on the Spatio-Temporal Pattern of Land Surface Temperature and Heat Islands in Ahvaz City Using Satellite Images

Document Type : Research Paper

Authors

1 MSc in Natural Resources Engineering–Environment, Assessment and Spatial Planning, Islamic Azad University, Science and Research Branch of Tehran (Khuzestan), Ahvaz, Iran.

2 Department of Geography and Urban Planning, Shahid Chamran University of Ahvaz

3 MSc., Geography and Rural Planning, Shahid Chamran University of Ahvaz

4 MSc in Geography &Urban Planning, Shahid Chamran University of Ahvaz, Ahvaz

Abstract

Extended Abstract

Introduction

Land surface temperature (LST) is one of the important parameters in the study of climate change and physical processes of the earth's surface. Rising land temperature causes the phenomenon of heat islands, which is caused by changes in land-use and land cover in urban areas and today has become a major environmental concern. Ahvaz metropolis, as the capital of Khuzestan province in southwestern Iran, has undergone many changes in land-use and land cover in recent years and has enjoyed significant population growth. In recent years, the pattern of unbalanced urban development in Ahvaz has led to the destruction of agricultural lands, vegetation and gardens around the city as one of the most important factors balancing the land surface temperature. This has led to an increase in land surface temperature and the formation of heat islands. The purpose of this study is to investigate land-use changes in Ahvaz and its effects on spatio-temporal patterns of land surface temperature and heat islands in the years 2002-2021.

Methodology

First, the land-use changes were studied and then, in order to evaluate the relationship between the changes in each Land-use and the land surface temperature, the maximum temperature in each land-use was determined and then the amount of changes was investigated. Landsat 7 ETM+ (2002) and Landsat 8 OLI/TIRS (2013/2020) images downloaded from the USGS. Object-oriented method was used for classification. Educational samples were implemented on the image surface and their corresponding objects were selected as educational samples for each class. The classification was done by SVM algorithm and the user maps were classified into four classes including vegetation, barren areas, constructed areas and water areas. In this study, estimating the LST was performed base on separate window Algorithm and with Landsat 7 ETM+ band 6 and Landsat 8 OLI/TIRS band 11 data. In this Study, LST was estimated using Split-Window (SW) algorithm on Landsat-7 ETM+ and Landsat-8 OLI/TIRS Thermal Infrared (TIR) bands. Then the NDVI values, Vegetation Proportion and Radiated Power were obtained. Finally, The LST value was extracted based on degrees Celsius. In this study, Pearson correlation coefficient was used to investigate the relationship between LST and air temperature. RMSE values was used to compare the estimated temperature by SW algorithm and the measured temperature by Field research. Also, two indices UHII and UHIII were used to calculate the intensity of heat islands. These indices evaluate the LST using the values of vegetation in one area.

Results and discussion

According to the results of this study, Kappa coefficients and overall accuracy were 74% and 76% for year 2002 map, 78% and 85% for year 2013 map and 88% and 93% for year 2020 map, respectively. The area of built-up and barren areas has increased and the area of vegetation and water areas has decreased. The rate of increase in land-use of the constructed areas from 2002 to 2020 was about 579.69 hectares and the decrease in vegetation cover was 3200.15 hectares. The barren areas have increased by 2521.66 hectares from 2002 to 2020. Pearson correlation coefficient between air temperature and LST values of 0.65% is obtained, which shows a positive correlation. The RMSe values in comparison with LST and measured temperature by Field research for the images of 2002, 2013 and 2020 was 1.79, 1.66 and 0.98 degrees, respectively. According to the results, the LST values in year 2002 fluctuated about 24.48-42.55, in year 2013 about 26.32-44.47 and in year 2020 about 28.13-46.65 degrees Celsius. The results of LST show an increasing trend of temperature during the period 2020-2020. After estimating the LST, the maximum temperature of each user was determined, which showed the increasing trend of temperature in all applications. The decreasing trend of vegetation has a direct effect on increasing LST in this land-use. The temperature of this land-use has increased by 6.32 degrees in 2002-2020. Over a period of 18 years, the LST in built-up areas and barren areas has increased by 4.10 and 5.26 degrees, respectively. In order to study the spatio-temporal patterns of LST and heat islands, first with NDVI index, vegetation status in each year was divided into three classes of low, medium and high vegetation and then LST values in each category were determined. According to the results, the highest temperature occurred in the floor with low vegetation. The correlation between the two variables LST and NDVI was significant and regression between them showed an inverse correlation that indicated a negative relationship between LST and vegetation. Therefore, vegetation plays an important role in reducing the intensity of the heat island. UHIII index values in the low vegetation class from 0.63 to 0.67, in the medium vegetation class from 0.57 to 0.61 and in the high vegetation class from 0.51 to 0.54 it is arrived. The highest intensity of heat islands in 2002, 2013 and 2020 were in the southern, eastern and northwestern parts of the city, respectively.

Conclusion

According to the research results, land-use changes in the study period have caused an increase in land surface temperature. The highest temperatures have occurred in built-up areas and barren areas; this is due to the increase in the area of built-up and barren areas. Decreased vegetation has a direct effect on increasing LST in this land-use. The NDVI, UHII, UHIII indices and LST values were used to study the spatio-temporal patterns of land surface temperature and heat islands. The results indicate high temperatures in the vegetation with low vegetation. Due to the correlation of NDVI values with land surface temperature and the intensity of heat islands, the necessity and importance of vegetation protection as a very important variable to regulate the air temperature in the city is essential.

Keywords: Land-Use, Land Surface Temperature, Heat Island, Object-Oriented, Ahvaz.

Keywords

Main Subjects

References

  1. ابراهیمی هروی، بهروز؛ رنگزن، کاظم؛ ریاحی بختیاری، حمیدرضا و تقی زاده، ایوب. (1395). تعیین مناسب‌ترین روش استخراج دمای سطح زمین با استفاده از تصاویر ماهواره لندست 8 در کلان‌شهر کرج. سنجش از دور و GIS ایران، 8 (3)، 59-76.
  2. اصغری سراسکانرود، صیاد و امامی، هادی. (1398). پایش دمای سطح زمین و بررسی رابطه کاربری اراضی با دمای سطح با استفاده از تصاویر سنجنده OLI و ETM+، مطالعه موردی: (شهرستان اردبیل). تحقیقات کاربردی علوم جغرافیایی، 19 (53)، 195-215.
  3. اکبری، الهه؛ ابراهیمی، مجید؛ نژادسلیمانی، حمید و فیضی‌زاده، بختیار. (1394)، ارزیابی دمای سطح زمین در ارتباط با روند تغییرات کاربری اراضی با استفاده از تصاویر ماهواره‌ای (مطالعه موردی: حوضه آبخیز طالقان)، جغرافیا و برنامه‌ریزی محیطی، 26 (4)، 151-170.
  4. المدرسی، سیدعلی؛ رحیم‌آبادی، ابوالفضل و خضری، صادق. (1393). پهنه‌بندی و مقایسه دمای سطح زمین با استفاده از دو باند حرارتی 10 و 11 تصویر لندست 8، (مطالعه موردی شهرستان بهشهر). نخستین همایش ملی کاربرد مدل‌های پیشرفته تحلیل فضایی (سنجش از دور و GIS) در آمایش سرزمین، دانشگاه آزاد اسلامی، واحد یزد.
  5. انتظاری، علیرضا؛ زندی، رحمان و خسرویان، مریم. (1397). ارزیابی تغییرات فضایی پوشش گیاهی و دمای سطح زمین با استفاده از تصاویر لندست و مادیس، مطالعه موردی: استان فارس 2017-1986. مهندسی و مدیریت آبخیز، 11 (4)، 929-940.
  6. احمدی، بهروز؛ قربانی، اردوان؛ صفرراد، طاهر و سبحانی، بهروز. (1394). بررسی دمای سطح زمین در رابطه با کاربری و پوشش اراضی با استفاده از داده‌های سنجش‌ازدور. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6 (1)، 61-77.
  7. اندریانی، صغری؛ نیکجو، محمدرضا؛ رضایی مقدم، محمدحسین و مختاری، داوود.، (1396)،. تحلیل تغییرات کاربری اراضی با استفاده از روش‌های شیءگرا و زنجیره مارکف در حوضه آبریز زیلبیرچای واقع در آذربایجان شرقی و غربی. جغرافیا و توسعه، 16 (53)، 137-50.
  8. پورامین، کتایون؛ خاتمی، سید مهدی و شمس‌الدینی، علی. (1398). عوامل مؤثر بر شکل‌گیری جزایر حرارتی شهری؛ با تأکید بر ویژگی‌ها و چالش‌های طراحی شهری. گفتمان طراحی شهری، 1 (1)، 69-83.
  9. جویباری مقدم، یاسر؛ آخوندزاده، مهدی و سراجیان، محمدرضا. (1394). ارائه یک الگوریتم پنجره مجزا نوین به‌منظور تخمین دمای سطح زمین از داده‌های ماهواره لندست-۸. علوم و فنون نقشه‌برداری، ۵ (۱)، ۲۱۵-۲۲۶.
  10. حاجی بیگلو، محبوبه؛ بردی شیخ، واحد؛ معماریان، هادی و بایرام کمکی، چوقی. (1398). ارزیابی طبقه‌بندی نظارت‌شده شیءگرا و پیکسل‌پایه در استخراج کاربری اراضی بر مبنای دو شاخص اختلاف کمی و مکانی در حوزه آبخیز گرگان رود. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 10 (4)، 1-20.
  11. حیدری، مسعود؛ و آخوندزاده هنزائی، مهدی. (1399). توسعه یک الگوریتم پنجره مجزا برای بازیابی دمای سطح زمین با استفاده از تصاویر ماهواره‌ای سنتینل-3. مهندسی فناوری اطلاعات مکانی، 8 (2)، 93-113.
  12. درویشی، شادمان؛ رشیدپور، مصطفی و سلیمانی، کریم. (1398). بررسی ارتباط تغییرات کاربری اراضی با دمای سطح زمین با استفاده از تصاویر ماهواره‌ای، مطالعه موردی: شهرستان مریوان. جغرافیا و توسعه، 17 (54)، 143-162.
  13. رضایی مقدم، محمدحسین؛ رضایی بنفشه، مجید؛ فیضی زاده، بختیار و نظم فر، حسین. (1398). طبقه‌بندی پوشش اراضی/ کاربری اراضی براساس تکنیک شیءگرا و تصاویر ماهواره‌ای، مطالعه موردی: استان آذربایجان غربی. پژوهش‌های آبخیزداری (پژوهش و سازندگی)، 23 (2)، 19-32.
  14. روستائی، شهرام؛ مختاری، داوود؛ ولی زاده کامران، خلیل و خدائی قشلاق، لیلا. (1397). مقایسه روش پیکسل‌پایه (بیشترین شباهت) و شی‌گراء (ماشین بردار پشتیبان) در طبقه‌بندی کاربری اراضی (منطقه اهر- ورزقان). پژوهش‌های ژئومورفولوژی کمی، 8 (1)، 118-129.
  15. سبزی پرور، علی‌اکبر؛ فخاری زاده شیرازی، الهام؛ ناظم السادات، سید محمدجعفر و رضایی، یوسف. (1395). اعتبارسنجی دمای سطح زمین از تصاویر ماهواره‌ای مودیس و لندست-5 (مطالعه موردی: مزارع گندم دشت مرودشت). پژوهش‌های حفاظت آب و خاک، 23 (4)، 25-43.
  16. سلمانی، سعید؛ ابراهیمی، حمید؛ محمد زاده، کیوان و ولی زاده کامران، خلیل. (1396). ارزیابی تکنیک‌های مختلف طبقه‌بندی شیءگرا در استخراج کاربری اراضی از تصاویر ماهواره آیکونوس. اطلاعات جغرافیایی (سپهر)، 28 (111)، 205-215.
  17. شعبانی، مرتضی؛ درویشی، شادمان و سلیمانی، کریم. (1398). بررسی آثار تغییرات کاربری اراضی بر الگوهای زمانی- مکانی دمای سطح زمین و جزایر حرارتی؛ مطالعه موردی: شهرستان سقز. جغرافیا و برنامه‌ریزی محیطی، 30 (1)، 37-54.
  18. علوی پناه، سید کاظم؛ احسانی، امیر هوشنگ؛ متین فر، حمیدرضا؛ رفیعی امام، عمار و امیری، رضا. (1385). مقایسه محتوای اطلاعاتی باندهای سنجنده‌های TM و ETM+ در محیط‌های بیابانی و شهری ایران. پژوهش‌های جغرافیایی، 38 (1)، 47-64.
  19. فیضی‌زاده، بختیار؛ دیده بان، خلیل و غلام نیا، خلیل. (1394). برآورد دمای سطح زمین با استفاده از تصاویر ماهواره لندست 8 و الگوریتم پنجره مجزا، مطالعه موردی: حوضه آبریز مهاباد. اطلاعات جغرافیایی (سپهر)، 25 (98)، 171-181.
  20. قربان‌نیا خیبری، وجیهه؛ میرسنجری، میرمهرداد؛ لیاقتی، هومان و آرمین، محسن. (1396). برآورد دمای سطح زمین کاربری اراضی و پوشش زمین شهرستان دنا با استفاده از الگوریتم پنجره مجزا و داده‌های ماهواره لندست 8. علوم محیطی، 15 (2)، 55-74.
  21. کاظمی قراچه، محمد؛ سلیمانی، بهنام و فیضی زاده، بختیار. (1399). ارزیابی انواع الگوریتم‌های پنجره مجزاء برای محاسبه دمای سطح زمین جهت تعیین بهترین الگوریتم برای تصاویر سنجنده مودیس. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 11 (2)، 106-127.
  22. کیانی‌سلمی، الهام؛ و ابراهیمی، عطاالله. (1397). ارزیابی تأثیر توسعه شهری و تغییرات پوشش اراضی بر دمای سطح زمین در شهر شهرکرد. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 9 (4)، 102-118.
  23. ناطقی، سعیده؛ نوحه‌گر، احمد؛ هوشنگ احسانی، امیر و بذرافشان، ام‌البنین. (1395). بررسی تغییرات پوشش‌گیاهی براساس شاخص‌های گیاهی با استفاده از سنجش از دور. تحقیقات مرتع و بیابان ایران، 24 (4)، 778-790.
  24. ولی، عباسعلی؛ رنجبر، ابوالفضل؛ مکرم، مرضیه و تاری پناه، فریده. (1398). بررسی رابطه بین دمای سطح زمین، ویژگی‌های جغرافیایی و محیطی و شاخص‌های بیوفیزیکی با استفاده از تصاویر لندست. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 10 (36)، 35-58.
  25. هاشمی، سید محمود؛ علوی‌پناه، سید کاظم و دیناروندی، مرتضی. (1391). ارزیابی توزیع مکانی دمای سطح زمین در محیط‌زیست شهری با کاربرد سنجش از دور حرارتی. محیط‌شناسی، 39 (1)، 81-91.
  26. یوسفی، صالح؛ تازه، مهدی؛ میرزایی، سمیه؛ مرادی، حمیدرضا و توانگر، شهلا. (1393). مقایسه الگوریتم‌های مختلف طبقه‌بندی تصاویر ماهواره‌ای در تهیه نقشه کاربری اراضی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5 (3)، 67-76.

References

  1. Ahmadi, B., Ghorbani, A., Safarrad, T., & Sobhani, B. (2015). Evaluation of surface temperature in relation to land use/cover using remote sensing data. Journal of RS and GIS for Natural Resources, 6(1), 61-77. [In Persian]
  2. Alemu, M. M. (2019). Analysis of spatio-temporal land surface temperature and normalized difference vegetation index changes in the Andassa watershed, Blue Nile Basin, Ethiopia. Journal of Resources and Ecology, 10(1), 77-86.
  3. Almodaresi, A., RahimAbadi, A., & Khezri, S. (2014). Zoning and comparison of ground surface temperature using two thermal bands 10 and 11 Landsat 8 image (Case study of Behshahr city). National Conference on the Application of Advanced Spatial Analysis Models (Remote Sensing and GIS) in Land Management, Islamic Azad University, Yazd Branch. [In Persian].
  4. Artis, D.A., & Carnahan, W. (1982). Survey of emissivity variability in thermography of urban areas. Remote Sensing of Environment, 12 (4), 313–329.
  5. Akbari, E., Ebrahimi, M., Fiezizadeh, B., & Nezhadsoleimani, H. (2016). Evaluating Land Surface Temperature related to the Land use Change Detection by Satellite Image (Case study: Taleghan Basin). Geography and Environmental Planning, 26(4), 151-170. [In Persian].
  6. Andareiani, S., Nikgoo, M., Rezaei Moghaddam, M., & Mokhtari, D. (2018). Analysis of Land Use Change Using Object Oriented and Markov Chains in the Zilberhay Basin in East Azarbaijan and West. Geography And Development Iranian Journal, 16(53), 37-50. [In Persian]
  7. Asghari, S., & Emami, H. (2019). Monitoring the earth surface temperature and relationship land use with surface temperature using of OLI and TIRS Image. researches in Geographical Sciences, 19 (53),195-215. [In Persian]
  8. Bastiaanssen, W.G.M., Menenti, M., Feddes, R.A., & Holtslag, A.A. (1998). A remote sensing surface energy balance algorithm for land (SEBAL), 1. Formulation. Journal of Hydrology, 12, 198-212.
  9. Brian, W.S., Chen, Q., & Borger, M., (2011), A Comparison of Classification Techniques to Support Land Cover and Land Use Analysis in Tropical Eoastal Zones. Applied Geography, 31(2), 525-532.
  10. Chen, X., & Zhang, Y., (2017), Impacts of urban surface characteristics on spatiotemporal pattern of land surface temperature in Kunming of China. Sustainable Cities and Society, 32 (6), 87-99.
  11. Darvishi, S., Rashidpour, M., & Soleimani, K. (2019). Analysis of Land Use Role in the Formation of Thermal Islets of Marivan County Using Landsat Satellite Images. Geography and Development Iranian Journal, 17(54), 143-162. [In Persian].
  12. Ebrahimi Heravi B., Rangzan K., Riahi Bakhtiari H.R., & Taghi Zadeh A. (2016). Introducing the Most Appropriate Method to Extract Land Surface Temperature Using Landsat 8 Satellite Images in Karaj Metropolitan. Iranian Journal of Remote Sencing & GIS, 8(3), 59-76. [In Persian].
  13. Ebrahimi, A., & Kiani Salmi, E. (2019). Assessing the impact of urban expansion and land cover changes on land surface temperature in Shahrekord city. Journal of RS and GIS for Natural Resources, 9(4), 102-118. [In Persian].
  14. (2008). Reducing Urban Heat Islands: Compendium of Strategies. Urban Heat Island Basics. www.epa.gov. [Online] October 2008.
  15. Entezari, A., Zandi, R., & Khosravian, M. (2019). Evaluation of spatial variations of vegetation and surface temperature using Landsat and midsize images, case study: Fars Province1967-2017. Watershed Engineering and Management, 11(4), 929-940. [In Persian].
  16. Feizizadeh, B., Didehban, K., & Gholamnia, K. (2016). Extraction of Land Surface Temperature (LST) based on Landsat Satellite Images and Split Window Algorithm Study area: Mahabad Catchment. Scientific- Research Quarterly of Geographical Data (SEPEHR), 25(98), 171-181. [In Persian].
  17. Feng, H.H., Zhao, X.F., Chen, F., & Wu. L.C. (2014). Using land use change trajectories to quantify the effects of urbanization on urban heat island. Advances in Space Research, 53(3), 463-473.
  18. Gago, E. J., Roldan, J., Pacheco-Torres, R., & Ordonez, J. (2013). The City and Urban Heat Islands: A Review of Strategies to Mitigate Adverse Effects. Renewable and Sustainable Energy Reviews, 25(25), 749-758.
  19. Ghorbannia, V., Mirsanjari, M., Liaghati, H., & Armin, M. (2017). Estimating land surface temperature of land use and land cover in Dena county using single window algorithm and landsat 8 satellite data. Environmental Sciences, 15(2), 55-74. [In Persian]
  20. Guo, G., Wu, Z., Xiao, R., Chen, Y., Liu, X., & Zhang, X. (2015). Impacts of urban biophysical composition on land surface temperature in urban heat island clusters. Landscape and Urban Planning, 135 (3),1–10.
  21. Halabian, A., & Soltani, Z. (2020). Analysis of spatial- temporal variation of urban thermal islands and landuse based on an environmental approach in Shiraz. Urban Structure and Function Studies, 7(24), 73-97. [In Persian].
  22. Hashemi, S., Alavipanah, S., & Dinarvandi, M. (2013). LST Assessment Using Thermal Remote Sensing in Urban Environment. Journal of Environmental Studies, 39(1), 81-92. [In Persian].
  23. Hajibigloo, M., Sheikh, V., Memarian, H., & Komaki, C. (2019). Determination of quantity and allocation disagreement indices in selection of appropriate algorithm for land use classification in pixel and objected base in Gorgarood river basin. Journal of RS and GIS for Natural Resources, 10(4), 1-20. [In Persian]
  24. Heydari, M., & Akhoondzadeh Hanzaei, M. (2020). Development a split window algorithm to estimate land surface temperature from Sentinel -3 satellite data. jgit, 8 (2):93-113. [In Persian].
  25. How Jin, A., Darren Hasmadi, I., & Mohd Melissa Muharam, F. (2020). Land Use/Land Cover Changes and the Relationship with Land Surface Temperature Using Landsat and MODIS Imageries in Cameron Highlands, Malaysia. Land, 9(10), 1-23.
  26. Jonsson, L. (2015). Evaluation of Pixel Based and Object Based Classification Methods for Land Cover Mapping with High Spatial Resolution Satellite Imagery. in the Amazonas, Brazil.
  27. Jouybari Moghaddam, Y., Akhoondzadeh, M., & Saradjian, M. R. (2015). A Split-Window Algorithm for Estimating LST from Landsat-8 Satellite Images. Journal of Geomatics Science and Technology, 5(1), 215-226. [In Persian].
  28. Kakehmami, A., Ghorbani, A., Asghari Sarasekanrood, S., Ghale, E., & Ghafari, S. (2020). Study of the relationship between land use and vegetation changes with the land surface temperature in Namin County. Journal of RS and GIS for natural recources, 11(2(39)), 27-48. [In Persian].
  29. Kazemi Garajeh, M., Salmani, B., & Feizizadeh, B., (2020). Evaluating the types of split window algorithms for calculating the land surface temperature to determine the best algorithm for MODIS sensor images. Journal of RS and GIS for Natural Resources, 11(2), 106-127. [In Persian].
  30. Khandelwal, S., Goyal, R., Kaul, N., & Mathew, A. (2017). Assessment of land surface temperature variation due to change in elevation of area surrounding Jaipur, India. The Egyptian Journal of Remote Sensing and Space Science.
  31. Khedmatzadeh, A., mousavi, M., Mohamadi Torkamani, H., & Mohammadi, M. (2021). An Analysis of Land Use Changes and Thermal Island Formation in Urmia City exclusion Using Remote Sensing. Regional Planning, 11(41), 119-134. [In Persian].
  32. Liu, L. & Zhang, Y. (2011). urban heat island analysis using the Landsat TM data and ASTER data: A case study in Hong Kong. Remote Sensing, 3(7), 1535-1552.
  33. Mutiibwa, D., Strachan, S., & Albright, T. (2015) Land surface temperature and surface air temperature in complex terrain. Selected Topics in Applied Earth Observations and Remote Sensing, 8(10), 4762-4774.
  34. Mitraka, Z., Chrysoulakis, N., Doxani, G., Del Frate, F., & Berger, M. (2015). Urban surface temperature time series estimation at the local scale by spatial-spectral unmixing of satellite observations. Remote Sensing, 7(4), 4139-4156.
  35. Nateghi, S., Nohegar, A., Ehsani, A., & Bazrafshan, O. (2017). Evaluating the vegetation changes upon vegetation index by using remote sensing. Pasture and desert research of Iran, 24(4), 778-790. [In Persian].
  36. Palafox-Juárez, E. B., López-Martínez, J. O., Hernández-Stefanoni, J. L. & Hernández-Nuñez, H. (2021). Impact of Urban Land-Cover Changes on the Spatial-Temporal Land SurfaceTemperature in a Tropical City of Mexico. ISPRS Int. J. Geo-Inf. 10, 76. https://doi.org/10.3390/ijgi10020076Academic Editors: Wolfgang Kainzand Diana Reckie.
  37. Pouramin, K., Khatami, M., & Shams Al-Dini, A. (2019). Factors affecting the formation of urban thermal islands with emphasis on the features and challenges of urban design. Urban Design Discourse, 1(1), 69-83. [In Persian].
  38. Rezaeimogadam, M. H., Rezaeibanfshe, M., Feizizadeh, B., & Nazmfar, H. (2011). Land use /land cover classification based on Object-oriented technique and satellite image Case study: West Azerbaijan Provinces. Watershed Management Research (Pajouhesh-va-Sazandegi), 23(2), 19-32. [In Persian]
  39. Reisi, M., Ahmadi, M., & Aye, L., (2019). Remote sensing for urban heat and cool islands evaluation in semi-arid areas. Environmental Science and Management, 5(3), 319-330.
  40. Roostaei, S., Mokhtari, D., Valizadeh Kamran,, K., Khodaei & Geshlag, L. (2019). Comparison of Pixel-based Algorithm (maximum liklihood) and Object-based Method (Support Vector Machine) in Classification of Land Use (Ahar-Varzeghan Area). Quantitative Geomorphological Research, 8(1), 118-129. [In Persian].
  41. Rose, L., & Devadas, M. (2009). Analysis of Land Surface Temprature and Land Use/Land Cover Types Using Remote Sensing Imagery-A Case in Chennal City, India. Conference: The Seventh International Conference on Urban, Yokahama, Japan.
  42. Sabziparvar, A.A., Fakharizadeh Shirazi, E., Nazemosadat, M.J., & Rezaei, Y. (2016). Validation of Land surface Temperature (LST) from Landsat-5 and MODIS Images (Case study: Wheat fields of Marvdasht Plain). Journal of Water and Soil Conservation, 23(4), 25-43. [In Persian].
  43. Salmani, S., Ebrahimy, H., Mohammadzade, K., & Valizadeh Kamran, K. (2019). Evaluating efficiency of object-based classification techniques used to extract land use from IKONOS satellite imageries. Quarterly of Geographical Data (SEPEHR), 28(111), 205-215. [In Persian].
  44. Shabani, M., Darvishan, S., & Solaimani, K. (2019). Investigating the Effects of Land Use Change on Spatiotemporal Patterns of Land Surface Temperature and Thermal Islands (Case Study: Saqqez County). Geography and Environmental Planning, 30 (1), 37-54. [In Persian].
  45. Sekertekin, A. & Bonafoni, S. (2020). Land surface temperature retrieval from Landsat 5, 7, and 8 over rural areas: assessment of different retrieval algorithms and emissivity models and toolbox implementation. Remote Sensing, 12(2), 1-32.
  46. Shi, Y., Katzschner, L. & Ng, E., (2017). Modelling the fine-scale spatiotemporal pattern of urban heat island effect using land use regression approach in a megacity. Science of the Total Environment, 618 (15), 891-904.
  47. Srivastava, P.K., Majumdar, T.J. & Bhattacharya, A.K., (2009). Surface temperature estimation in Singhbhum Shear Zone of India using Landsat-7 ETM+ thermal infrared data. Advances in space research, 4, 1563–1574.
  48. Tian, Y., Bai, X., Wang, S., Qin, L., & Li, Y. (2017). Spatial-temporal changes of vegetation cover in Guizhou Province, Southern China. Chinese Geographical Science, 27(1), 25-38.
  49. Vali, A., Ranjbar, A., Mokarram, M., & Taripanah, F., (2019). an investigation of the relationship between land surface temperatures, geographical and environmental characteristics, and biophysical indices from Landsat images. Journal of RS and GIS for Natural Resources, 10 (3), 35-58. [In Persian]
  50. Voogt, J. A., & Oke, T. R. (2003). Thermal remote sensing of urban climates. Remote sensing of environment, 86(3), 370-384.
  51. Wang, M., He, G., Zhang, Z., Wang, G., Wang, Z., Yin, R., Cui, S., Wu, Z. & Cao, X. (2019). a radiance-based split-window algorithm for land surface temperature retrieval: Theory and application to MODIS data. Applied Earth Observation and Geoinformation, 76, 204-217.
  52. Wang, Y., Ch., B., Hu., S.W., Myint., Ch., Feng., Ch., Chow, W.T.L. & Passy, P.F. (2018). Patterns of land change and their potential impacts on land surface Temperature change in Yangon, Myanmar. Science of The Total Environment, 643, 738-750.
  53. Wang, H., Zhang, Y., Tsou, J., & Li, Y., (2017), Surface urban heat island analysis of Shanghai (China) based on the change of land use and land cover. Sustainability, 9 (9), 1538.
  54. Weng, Q., (2009), Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, and trends. ISPRS Journal of Photogrammetry and Remote Sensing, 64(4), 335-344.
  55. Xu, H., Chen, Y., Dan, S., & Qiu, W. (2011). Spatial and temporal analysis of urban heat Island effects in Chengdu City by remote sensing. In Geoinformatics, 2011 19th International Conference on (pp. 1-5). IEEE.
  56. Yousefi, S., Tazeh, M., Mirzaee, S., Moradi, H., & Tavangar, S. (2014). Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Journal of RS and GIS for Natural Resources, 5(3), 67-76. [In Persian].
  57. Yarahmadi, J., Rostamizad, G. & Saei, H. (2019). Detection of changes in forest cover in an object-oriented way using satellite images in the Ilgneh watershed of Arasbaran forest tea. Conservation and Exploitation of Hyrcanian Forests, 1(2), 59-70, [In Persian].
  58. Zhang, X.X., Wu, P.F. & Chen, B. (2010). Relationship between vegetation greenness and urban heat island effect in Beijing City of China. Procedia Environmental Sciences, 2, 1438–1450.
Human Geography Research
Volume 55, Issue 2
July 2023
Pages 39-62

Files

History

  • Receive Date: 27 June 2021
  • Revise Date: 28 November 2021
  • Accept Date: 14 March 2022

Share

How to cite

Statistics