مدلسازی تغییرات روزانه دمای سطح زمین در مناطق شهری در شرایط ابری

خلاصه

:

دمای سطح زمین (LST) در مناطق شهری یک پدیده پویا است که تحت تأثیر عوامل مختلفی مانند تابش خورشیدی، ابری، باد یا مورفولوژی شهری قرار دارد. پیچیدگی مشکل نیازمند یک رویکرد مبتنی بر سیستم اطلاعات جغرافیایی جامع (GIS) است. راه حل ما بر اساس ابزارهای تابش خورشیدی، یک مدل سطح دیجیتال با وضوح بالا از مناطق شهری، داده های توزیع شده مکانی است که ویژگی های حرارتی سطوح شهری و شرایط هواشناسی را نشان می دهد. این روش در GRASS GIS با استفاده از اسکریپت های پوسته پیاده سازی شده است. در این اسکریپت های پوسته، از مدل تابش خورشیدی r.sun برای محاسبه تابش خورشیدی موثر برای افق های زمانی انتخاب شده در طول روز استفاده شد. محاسبه برای تضعیف تابش پرتو خورشید توسط ابرها که توسط اندازه‌گیری‌های میدانی تخمین زده می‌شود، محاسبه می‌شود. الگوریتم پیشنهادی برای ذخیره گرما در سازه‌های شهری بسته به خواص حرارتی و پیکربندی هندسی آنها حساب می‌کند. دمای محاسبه‌شده سطح زمین با استفاده از اندازه‌گیری‌های میدانی LST در ۱۰ مکان در منطقه مورد مطالعه تأیید شد. این مطالعه کاربردی بودن رویکرد ما را با دقت قابل قبولی که با ریشه میانگین مربعات خطای ۳٫۴۵ K بیان می‌شود تأیید کرد. افق روز

 

۱٫ معرفی

دمای سطح زمین (LST) یکی از مقادیر کلیدی است که پدیده جزیره گرمایی شهری (UHI) را در روزهای گرم و آفتابی تابستان تعریف می کند. خورشید سطوح خشک و در معرض شهری مانند پشت بام ها و جاده ها را اغلب تا دمای ۲۵ تا ۵۰ درجه سانتی گراد بالاتر از دمای توده هوای محیط گرم می کند. LST متعاقباً دمای هوا را بسته به عوامل مختلفی مانند خواص حرارتی سطوح شهری و شرایط باد افزایش می دهد. آب و مناطق پوشش گیاهی معمولاً دمای سطح پایین‌تری دارند و در نتیجه به دمای هوای خنک‌تر کمک می‌کنند [ ۱ ، ۲ ، ۳ ].
LST به عنوان یک شاخص قابل اعتماد برای UHI در نظر گرفته می شود، زیرا یک همبستگی قوی بین LST و دمای هوای نزدیک به سطح برای گرمای تابش شده از سطح به جو وجود دارد [ ۴ ، ۵ ، ۶ ، ۷ ]. LST یک پارامتر کلیدی در فیزیک فرآیندهای سطح زمین است که فعل و انفعالات سطح- اتمسفر و شار انرژی بین جو و زمین را ترکیب می کند. خواص مواد شهری، به ویژه، بازتاب خورشید، انتشار حرارتی، و ظرفیت گرمایی بر LST و متعاقباً توسعه UHI تأثیر می‌گذارند، زیرا تعیین می‌کنند که چگونه تابش خورشیدی منعکس، گسیل و جذب می‌شود [ ۸ ، ۹ ]]. بزرگی و وسعت فضایی UHI های سطحی ممکن است به طور قابل توجهی در طول روز یا سال بسته به خواص تابشی و حرارتی سطوح شهری و هندسه متفاوت باشد [ ۳ ، ۱۰ ].
در طول چند دهه گذشته، LST مناطق بزرگ اغلب با استفاده از حسگرهای ماهواره حرارتی مانند MODIS، Sentinel 3، ASTER، Landsat 7 ETM+ یا Landsat 8 TIRS از راه دور سنجش شده است [ ۱۱ ، ۱۲ ]. وضوح مکانی داده های ماهواره ای حرارتی معمولاً بسیار کم است (ده ها تا صدها متر) و بنابراین استفاده از آنها در تجزیه و تحلیل دقیق LST درون شهری بسیار محدود است. داده های حرارتی هوابرد یا زمینی را می توان برای نظارت بر مناطق کوچکتر با وضوح فضایی بالاتر استفاده کرد [ ۱۳ ]. با این حال، این تکنیک ها فقط در دسترس بودن زمانی محدودی دارند و استفاده از آنها برای نظارت مکرر LST در مناطق شهری می تواند بسیار زمان بر و پرهزینه باشد.
افزایش دسترسی به داده‌های مکانی با وضوح بالا و تکنیک‌های مدل‌سازی کافی، یک رویکرد جایگزین برای تخمین با وضوح بالا LST در مناطق شهری ارائه می‌کند. چندین مطالعه پتانسیل ابزارهای سیستم اطلاعات جغرافیایی (GIS) و مدل های سه بعدی شهر را برای تخمین تابش خورشیدی در مناطق شهری نشان دادند [ ۱۴ ، ۱۵ ، ۱۶ ، ۱۷ ]. اکثر ابزارهای موجود تابش خورشیدی که در GIS پیاده‌سازی می‌شوند را می‌توان برای مدل‌های سطح دیجیتال (DSM) که بالاترین ویژگی‌های سطح زمین از جمله ساختمان‌ها و درختان را نشان می‌دهند، اعمال کرد. هنگام استفاده در وضوح فضایی بالا، DSM می تواند حتی سطوح عمودی موجود در مناطق شهری را تقریب بزند [ ۱۸ ]]. درختانی که اغلب با استفاده از فناوری تشخیص نور و محدوده (LiDAR) نقشه‌برداری می‌شوند نیز نقش مهمی در برآورد دقیق تابش خورشیدی و LST در یک محیط شهری پیچیده دارند [ ۱۹ ، ۲۰ ].
اخیرا، Hofierka و همکاران. [ ۲۱ ] یک رویکرد مبتنی بر GIS برای مدل LST در مناطق شهری با وضوح فضایی بالا با استفاده از r.sun ارائه کرد.مدل تابش خورشیدی، یک DSM مشتق شده از یک مدل شهری سه بعدی مجازی و داده های ورودی که ویژگی های مختلف فضای سبز شهری را که از داده های LiDAR هوابرد و زمینی و تصاویر چندطیفی Sentinel 2 به دست آمده است، توصیف می کند. الگوریتم پیشنهادی مقادیر فوری LST را بر اساس اصول فیزیکی قانون استفان-بولتزمن بسته به تابش خورشیدی موجود و سایر داده‌های ورودی که خواص حرارتی مواد را توصیف می‌کنند، تخمین می‌زند. با این حال، اجرای نرم افزار در زمان ثابت است و ذخیره حرارتی در مواد شهری را در نظر نمی گیرد. اثر اصلی ذخیره سازی حرارتی کاهش و جابجایی پیک دمای سطح زمین در طول روز، به هزینه انتشار گرما در عصر و در طول شب است. برنامه کاربردی آسمان شفاف ارائه شده قطعاً با بالاترین مقادیر LST مرتبط است، با این حال،
بنابراین هدف این مقاله ارائه یک روش جدید مبتنی بر GIS برای محاسبه روزانه LST در مناطق شهری در شرایط ابری است. اثرات ذخیره سازی حرارتی در مواد شهری در الگوریتم پیشنهادی از طریق یک تابع نوع پسماند اجرا شده در GRASS GIS منبع باز [ ۲۲ ] گنجانده شده است. محاسبات ما با اندازه گیری های میدانی LST تایید می شوند. روش ما برای منطقه مورد مطالعه واقع در یک شهر متوسط ​​در اروپای مرکزی با شرایط آب و هوایی ملایم اعمال می شود.

۲٫ مواد و روشها

۲٫۱٫ مفهوم نظری برای مدلسازی دمای سطح زمین

به طور کلی، یک منطقه ساخته شده بسته به خواص حرارتی مختلف سطوح شهری و پیکربندی هندسی سازه‌های شهری، الگوی حرارتی متغیری را نشان می‌دهد. برای یک سطح زمین عایق شده ، دمای تعادل سطح زمین، Ts از معادله تعادل حرارتی بر اساس قانون استفان-بولتزمن به دست می آید که کل توان تابش شده از یک جسم را بر حسب دمای آن توصیف می کند [ ۲۱ ، ۲۳ ]:

۱ – α ) Iε σ(تی۴ستی۴y) +ساعتج(تیستیآ)(۱)من=(تیس۴تیسک۴)+ساعتج(تیستیآ)

جایی که αبازتاب خورشیدی بدون واحد یا آلبدوی سطح است که از ۰ تا ۱ متغیر است، I تابش جهانی تابش خورشیدی روی سطح در Wm  است که خروجی مدل r.sun است.εتابش سطح است، σثابت استفان بولتزمن ، ۵٫۶۶۸۵ × ۱۰-۸ Wm -۲ K – ۴ است ، Ts دمای سطح تعادل در K است، T آسمان دمای موثر آسمان تابشی ، hc ضریب انتقال حرارت همرفتی در Wm  است. K −۱ و a دمای هوا در K [ ۲۴ ] است. این معادله از ذخیره حرارتی در سازه های شهری غفلت می کند. ذخیره سازی حرارتی باعث کاهش و به تعویق افتادن پیک دمای سطح زمین در طول روز می شود که این امر به قیمت انتشار گرما در عصر و در طول شب است. گریموند و اوکه [ ۲۵] گزارش می دهند که اندازه گیری یا مدل سازی شار گرمای ذخیره سازی به دلیل ساختار سه بعدی پیچیده سطوح شهری و تنوع انواع مواد که ساختارهای شهری را تشکیل می دهند، دشوار است. با توجه به گریموند و اوک [ ۲۵ ] شار گرمای ذخیره سازی ΔسسΔسسبه عنوان تعادل انرژی باقیمانده از مشاهده مستقیم تابش خالص * و شار QH محسوس همرفتی و گرمای نهان QE تعیین می شود :

Δسس=س– (ساچ+سE)Δسس=س*(ساچ+س)
بنابراین می‌توانیم فرض کنیم که تابش خورشیدی مؤثر I فوراً بر روی یک ماده شهری خاص با استفاده از رابطه (۱) به LST تبدیل می‌شود را می‌توان به صورت زیر بیان کرد:

منسمن– Δسسمنس=منΔسس
معادله (۳) فرض می‌کند که بخشی از تابش خورشیدی ورودی به شار گرمای ذخیره‌سازی تبدیل می‌شود. ΔسسΔسسبنابراین مقدار تابش خورشیدی که فوراً از طریق رابطه (۱) به LST تبدیل می شود، بسته به علامت ΔسسΔسسمدت، اصطلاح. چه زمانی Δسس۰Δسس>0مواد سطح زمین گرما را انباشته می کنند، بنابراین به طور موثر میزان تابش خورشیدی تبدیل شده به LST را کاهش می دهد. Δسس۰Δسس<0ماده سطح زمین گرما را آزاد می کند، بنابراین میزان تابش خورشیدی تبدیل شده به LST را به طور موثر افزایش می دهد. این ΔسسΔسساصطلاح را می توان با توابع ریاضی مختلف شبیه سازی کرد، با این حال، رایج ترین شکل، یک تابع از نوع پسماند است که توسط Oke و Cleugh [ ۲۶ ] پیشنهاد شده است:

Δسس=آ۱من+آ۲∂ من∂ t+آ۳Δسس=آ۱من+آ۲منتی+آ۳

جایی که زمان است در حل ما، ضریب ۱ قدرت کلی وابستگی ذخیره گرما به تابش خورشیدی I را نشان می دهد. ضریب ۲ قدرت و جهت روابط فاز بین را توصیف می کند ΔسسΔسسو من در ارتباط با تغییرات زمانی در تابش خورشیدی I . وقتی حاصل ضرب یک ۲ و ∂ من∂ tمنتیمثبت است، فرآیند ذخیره سازی گرما قوی است و تابش خورشیدی موثر را که بلافاصله به LST تبدیل می شود، کاهش می دهد هنگامی که منفی است، گرما از ماده آزاد می شود و در نتیجه تابش خورشیدی موثر I را افزایش می دهد . ضریب ۳ یک عبارت رهگیری است که نشان دهنده آزاد شدن ثابت گرما در زمانی که تابش خورشیدی I در دسترس نیست، است. تابع بصری است و به راحتی قابل پارامتر است، با این حال، مقادیر واقعی ۱ ، ۲ ، ۳ضرایب به عوامل مختلفی از جمله پوشش زمین، پیکربندی هندسی فضای شهری و حتی وضعیت بتنی هواشناسی بستگی دارد. گریموند و اوکه [ ۲۵ ] مطالعات متعددی را با این مدل برای طبقات مختلف پوشش زمین تجزیه و تحلیل کردند و مستند کردند که مقادیر ضرایب ۱ و ۲ در محدوده وسیع ۰٫۰۱ تا ۰٫۸۵ مثبت هستند و مقادیر ضریب ۳ در محدوده منفی هستند. محدوده -۱۲٫۳ تا -۷۹٫۹ Wm- ۲ .

۲٫۲٫ پیاده سازی در GRASS GIS

پیاده سازی الگوریتم پیشنهادی در GRASS GIS بر اساس دو مرحله محاسباتی است. مرحله اول شامل محاسبه تابش خورشیدی تحت شرایط آسمان واقعی برای تمام افق های زمانی است که نشان دهنده تغییرات روزانه است که از طلوع خورشید شروع می شود و در زمان غروب خورشید با استفاده از دستور r.sun در GRASS GIS پایان می یابد [ ۲۷ ]. در شرایط آب و هوایی ابری، جزء پرتو تابش خورشیدی توسط ابرها کاهش می یابد. در دستور r.sun ، این تضعیف از طریق پارامتر coeff_bh در قالب فایل شطرنجی بیان می‌شود [ ۲۲]. محدوده مقادیر در بازه <0،۱> است، با ۰ نشان دهنده تضعیف کامل تابش پرتو در حالی که ۱ نشان دهنده عدم تضعیف است. این نیاز به تخمین ابری برای یک لحظه معین به عنوان یک پارامتر توزیع فضایی دارد. این را می توان با استفاده از داده های ماهواره ای با وضوح بالا یا تقریباً از طریق مشاهده مستقیم تخمین زد. سپس، با استفاده از shellscripting در GRASS GIS [ ۲۸ ]، می‌توانیم تابش خورشیدی را برای هر افق زمانی با استفاده از یک چرخه بین زمان‌های طلوع و غروب خورشید محاسبه کنیم. در مرحله دوم، اثرات ذخیره گرما را از طریق محاسبه تابش خورشیدی موثر (معادله (۳)) با استفاده از دستور r.mapcalc ، یک ابزار جبر نقشه در GRASS GIS [ ۲۲ ] محاسبه می‌کنیم. بخش های کلیدی کد اسکریپت پوسته در ارائه شده استمواد تکمیلی این مقاله
اثرات ذخیره گرما با یک تابع نوع پسماند (معادله (۴)) با ضرایب ۱ ، ۲ و ۳ نشان داده می شود که باید از قبل تعیین شوند. این ضرایب را می توان به عنوان یک مقدار منفرد معتبر برای کل منطقه یا به عنوان پارامترهای توزیع شده فضایی که توسط رسترها نمایش داده می شود، تنظیم کرد. انتخاب مرحله زمانی در محاسبه روزانه به کاربر بستگی دارد. اسکریپت همچنین می تواند اصلاح شود تا تخمین عددی دقیق تری از مشتق تابش خورشیدی را شامل شود. ∂ من∂ tمنتی.
خروجی های مرحله دوم، مجموعه های زمانی روزانه فایل های شطرنجی هستند که ذخیره گرما و همچنین تابش های خورشیدی موثر را نشان می دهند. در نهایت، تابش خورشیدی موثر محاسبه شده سپس به عنوان فایل ورودی تابش خورشیدی در اسکریپت lst.stefan-boltzman.sh [ ۲۱ ] برای محاسبه مقادیر LST برای هر افق زمانی استفاده می شود.

۲٫۳٫ منطقه مطالعه و جمع آوری داده ها

این مطالعه بر روی بخش مرکزی شهر کوشیسه در شرق اسلواکی ( شکل ۱ ) به عنوان نمونه ای از منطقه شهری معمولی برای آب و هوای معتدل اروپای مرکزی که روزهای گرم تابستان و پدیده UHI مرتبط را تجربه می کند، متمرکز است [ ۲۹ ].
منطقه مورد مطالعه (۴ کیلومتر مربع ) در سال های ۲۰۱۶ و ۲۰۱۷ طی چندین کمپین نقشه برداری [ ۳۰ ] ترسیم شد. داده های جمع آوری شده شامل داده های اسکن لیزری فتوگرامتری، ماهواره ای، هوابرد و زمینی است. در این مطالعه، ما از یک DSM با اندازه سلول ۰٫۵ متر برگرفته از یک مدل شهر سه بعدی با سطح جزئیات (LoD) 2 شامل ساختمان‌ها، فضای سبز شهری و زمین ( شکل ۲ ) و همچنین تصاویر چندطیفی فضایی از Sentinel 2A استفاده کردیم. ماهواره برای استخراج مقادیر albedo برای مدل LST [ ۲۱ ].
دمای سطح زمین در ۱۰ مکان در منطقه مورد مطالعه با تنظیمات محیطی مختلف (به عنوان مثال، پشت بام ها، گذرگاه ها، جاده ها، پارک ها) اندازه گیری شد تا تنوع منطقه مورد مطالعه را منعکس کند ( شکل ۱).). کاوشگر دمای Comet Pt1000TG7/E با دیتالاگر برای جمع آوری داده های LST با دقت اندازه گیری +-۰٫۱۵ درجه سانتی گراد استفاده شد. ما ۲۵ ژوئن ۲۰۲۰ را برای اندازه گیری LST از ساعت ۶:۰۰ تا ۱۹:۰۰ به وقت منطقه ای اروپای مرکزی انتخاب کرده ایم. در دو مکان ما LST را به طور مداوم با یک گام زمانی ۳۰ ثانیه اندازه‌گیری کردیم، در مکان‌های دیگر با دسترسی دائمی ضعیف، مانند پارکینگ‌ها، پیاده‌روها، LST را هر ساعت به‌طور مداوم به مدت ۱۰ دقیقه با اولین اندازه‌گیری در ساعت ۶:۰۰ اندازه‌گیری کردیم. داده های دیتا لاگر ابزار در نرم افزار Microsoft Excel پردازش شد. طی اندازه‌گیری‌ها، با مشاهده بصری وجود تابش پرتو در محل اندازه‌گیری، ابری در چهار دسته (روشن، نیمه شفاف، نیمه ابری و ابری) برآورد شد.

۲٫۴٫ داده های ورودی

تابش خورشیدی مهمترین پارامتر ورودی در مدل LST (1) ارائه شده در بالا است. توزیع فضایی تابش خورشید در نواحی شهری به عوامل بسیاری مانند هندسه زمین، مورفولوژی شهری و شرایط جوی بستگی دارد. این عوامل را می توان با مجموعه ای از معادلات توصیف کرد که یک مدل تابش خورشیدی پیچیده مانند r.sun [ ۲۷ ] ایجاد می کند. مدل r.sun یکی از پرکاربردترین مدل های تابش خورشیدی مبتنی بر GIS است که در محیط منبع باز GRASS GIS [ ۲۸ ، ۳۱ ] پیاده سازی شده است. ماژول r.sun در GRASS GIS نقشه های شطرنجی تابش خورشیدی را محاسبه می کند (Wm ) در هر سه جزء تابش خورشیدی جهانی (پرتو، پراکنده و بازتابیده) برای شرایط آسمان صاف و همچنین آسمان واقعی (ابری). محاسبات برای انسدادهای آسمان (سایه‌دهی) توسط ویژگی‌های سطح زمین محلی که توسط یک DSM نشان داده شده‌اند، محاسبه می‌کند [ ۲۲ ]. با استفاده از یک DSM با وضوح بالا، مدل r.sun می‌تواند برآورد دقیقی از تابش خورشیدی در سطوح شهری ارائه دهد [ ۲۱ ].
مدل LST (1) پیاده‌سازی شده در GRASS GIS به‌عنوان اسکریپت پوسته lst.stefan-boltzman.sh [ ۲۱ ] به تخمین اولیه LST نیاز دارد که بر اساس دمای هوا و شرایط آب و هوایی اندازه‌گیری شده (آفتابی، روز ابری و غیره) است. . پیاده سازی GRASS GIS فرض می کند که مقادیر دمای هوای محیط a و دمای آسمان تابشی آسمانهمچنین از قبل شناخته شده اند، به عنوان مثال، از ایستگاه های هواشناسی در داخل شهر. اندازه‌گیری‌های رسمی هواشناسی دمای هوا در شهر Košice برای پارامتر دمای هوای محیط مدل (از ۱۶٫۶ تا ۲۵٫۵ درجه سانتی‌گراد در ۲۵ ژوئن ۲۰۲۰) استفاده شد. دمای آسمان تابشی به عنوان یک مقدار منفرد معتبر برای کل منطقه را می توان با استفاده از یکی از روش های تقریبی موجود منتشر شده، به عنوان مثال، در [ ۳۲ ]، بسته به ابر، تخمین زد. در این مطالعه، ما از مدل‌های ساده دمای مستقیم آسمان ابری استفاده می‌کنیم که در آن sky = Ta -6 در شرایط ابری [ ۳۳ ]. سایر مدل های دما را می توان برای بهبود دقت ارزیابی بسته به داده های موجود استفاده کرد.
سایر پارامترهای ورودی معادله (۱) لایه های داده شطرنجی توزیع شده مکانی هستند: بازتاب خورشیدی (آلبدو) αتابش حرارتی سطح εو ضریب انتقال حرارت جابجایی c . مقادیر آلبیدو و گسیل را می توان از داده های ماهواره ای چندطیفی [ ۳۴ ] تخمین زد یا بر اساس داده های منتشر شده به اشیاء پوشش زمین اختصاص داد. ما از تخمین آلبدو و انتشار حرارتی به دست آمده از داده های ماهواره چندطیفی Sentinel 2 که در [ ۲۱ ] ارائه شده بود استفاده کردیم. ضریب انتقال حرارت جابجایی c معمولاً دشوارترین پارامتر برای برآورد است. این به شدت به سرعت و جهت باد، هندسه ساختمان و اجسام اطراف، ارتفاع سقف از سطح زمین، بافت مصالح ساختمانی (زبری) و اختلاف دمای سطح به هوا بستگی دارد [ ۹ ]. برآوردهای دقیق تر از hc نیاز به تکنیک‌های مدل‌سازی پیچیده با استفاده از مدل‌های سه بعدی شهر، داده‌های مربوط به مصالح ساختمانی و شبیه‌سازی‌های باد سه‌بعدی دارد [ ۲۱ ]. تخمین ما از hc ارائه شده در جدول ۱ بر اساس قضاوت متخصص است که توسط تحقیقات قبلی ما در این زمینه حمایت شده است [ ۲۱ ]. مقادیر اصلاح شده منعکس کننده وضعیت هواشناسی متفاوت در ۲۵ ژوئن ۲۰۲۰ و طبقات اصلاح شده پوشش زمین است ( شکل ۳ ).

۳٫ نتایج

شبیه سازی تغییرات روزانه در LST نیازمند مجموعه داده ای است که تغییرات مکانی و زمانی عوامل ورودی مختلف را نشان می دهد. ما یک مجموعه داده متشکل از یک DSM با وضوح فضایی ۰٫۵ متر تهیه کرده‌ایم که نشان‌دهنده سازه‌های شهری مانند ساختمان‌ها و درختان، پوشش زمین نشان‌دهنده ویژگی‌های حرارتی سطوح شهری، آلبدو و داده‌های هواشناسی مانند ابری، دمای محیط و سرعت باد است که شرایط هواشناسی را توصیف می‌کند. شهر در ۲۵ ژوئن ۲۰۲۰٫
در مرحله اول روش پیشنهادی، تابش خورشیدی آسمان واقعی را با استفاده از دستور r.sun در GRASS GIS برای افق های زمانی انتخاب شده با گام زمانی یک ساعته که از ساعت ۵:۰۰ شروع می شود و به وقت اروپای مرکزی ۱۹:۰۰ پایان می یابد، محاسبه کردیم. این محاسبه شامل اثرات سایه‌زنی ویژگی‌های DSM بود. ابری در ۱۰ مکان در منطقه مورد مطالعه ( شکل ۱ ) با بازرسی بصری در طول اندازه‌گیری‌های میدانی LST در چهار دسته: صاف، نیمه شفاف، نیمه ابری و ابری برآورد شد ( جدول ۲) .). در طول روز، اغلب ابرهای آلتوکومولوس و سیروس با تغییرات مکرر در نور مستقیم خورشید در نقاط اندازه‌گیری وجود داشتند. ابرهای کومولوس شفاف کمتری در بعدازظهر ایجاد شدند. در ساعت ۱۷:۰۰ همه مکان ها یک رویداد بارانی را تجربه کردند. ابری بر اجزای پرتو تابش خورشیدی تأثیر می گذارد. برای توصیف این اثر در طول دوره اندازه‌گیری LST، مقادیر زیر را برای پارامتر coeff_bh تعیین کردیم : clear=1.0، semi-clear=0.75، semi-cloudy=0.5، cloudy=0.25. از آنجایی که ماژول r.sun به این پارامتر به عنوان یک فایل شطرنجی نیاز دارد، ما مقادیر ثبت شده را در ۱۰ مکان با استفاده از ماژول درون یابی v.surf.rst در GRASS GIS به ۱۵ فایل شطرنجی از پارامتر coeff_bh که توسطماژول r.sun برای افق زمانی مربوطه. در محاسبه تابش آسمان واقعی، ما از یک DSM، albedo مشتق شده از داده های ماهواره Sentinel 2A [ ۲۱ ] و ضریب کدورت Linke 4.3 که توسط صفحه دستی ماژول r.sun برای مناطق شهری پیشنهاد شده است استفاده کردیم [ ۲۲ ، ۳۵ ]. ].
در مرحله دوم، شرایط ذخیره گرما و تابش موثر خورشید را برای هر افق زمانی از ساعت ۶:۰۰ تا ۱۹:۰۰ محاسبه کردیم. این مرحله دوم نیاز به فایل های شطرنجی تابش خورشیدی محاسبه شده در مرحله اول و همچنین ضرایب تابع نوع پسماند (معادله (۴)) دارد. بر اساس دامنه مقادیر گزارش شده توسط گریموند و همکاران. [ ۳۶ ] و گریموند و اوک [ ۲۵ ] از ضرایب ۱ = ۰٫۱، ۲ = ۰٫۱، ۳ استفاده کردیم.= -۳۰٫ این به معنای اثرات پسماند نسبتاً ضعیفی است که به نظر ما شرایط در حال تغییر سریع مانند ابری و تشعشعات پرتوی موجود را بهتر منعکس می کند. سپس ۱۴ فایل شطرنجی حاصل از تابش موثر خورشید در اسکریپت lst.stefan-boltzman.sh منتشر شده توسط Hofierka و همکاران استفاده شد. [ ۲۱ ] برای محاسبه LST برای هر افق زمانی. این مدل LST به چندین داده ورودی مانند آلبیدو، انتشار حرارتی، ضریب انتقال حرارت همرفتی و دمای هوای محیط نیاز دارد (به بخش ۲٫۴ مراجعه کنید ).
روش ارائه شده در بخش ۲ یک فایل شطرنجی واحد برای هر افق زمانی تولید می کند که توزیع فضایی LST را در شهر نشان می دهد. شکل ۴ توزیع فضایی LST را در منطقه مورد مطالعه در سه افق زمانی انتخاب شده (۸:۰۰، ۱۴:۰۰ و ۱۸:۰۰) نشان می دهد. توزیع فضایی LST در ساعت ۱۴:۰۰ ( شکل ۴ ) مناطق شهری با LST بالا در شرایط آسمان صاف و شیب LST قوی بین فضای سبز شهری و مناطق متراکم ساخته شده با سقف در مرکز شهر را نشان می دهد. LSTها در صبح و اواخر بعد از ظهر بسیار کمتر و با شیب کمتر بین طبقات مختلف پوشش زمین هستند، با این حال، LST در ساعت ۱۸:۰۰ تحت تأثیر رویداد بارندگی در ساعت ۱۷:۰۰ قرار می گیرد ( جدول ۲).). این نقشه های LST به وضوح نشان می دهد که مناطق سبز شهری بدون توجه به میزان تابش خورشید، LST های بسیار پایین تر و نسبتاً پایداری در طول روز دارند.
نموداری که تغییرات روزانه شبیه سازی شده در LST را در ۱۰ مکان انتخاب شده نشان می دهد در شکل ۵ ارائه شده است . رنگ خطوط بر اساس طبقات پوشش زمین گروه بندی می شوند. بالاترین مقادیر LST در پشت بام ها و پس از آن جاده های آسفالته، پارکینگ ها و مسیرهای پیاده روی است. تفاوت بین LST در پشت بام ها و دمای هوا در محدوده ۲۰-۲۵ کلوین در ساعات ظهر با بیشترین میزان تابش خورشید است. این مورد حتی در یک روز ابری با دمای هوا ملایم است. مناطق سرسبز شهری فقط کمی بالاتر از دمای هوا هستند. با توجه به گنجاندن ذخیره‌سازی گرما مدل‌سازی شده توسط تابع نوع پسماند (معادله (۴))، LSTها در بعد از ظهر کمی بالاتر هستند. تغییرات روزانه در LST به شدت تحت تأثیر ابری است ( جدول ۲). در مدل ما، ابری بر میزان تابش پرتو تأثیر می‌گذارد که اغلب بیش از ۵۰ درصد تابش جهانی را در شرایط آسمان صاف نشان می‌دهد. نقطه ۸ واقع در راهروی آسفالتی ( شکل ۱ ) تحت تأثیر سایه های ایجاد شده توسط ساختمان های اطراف است که در بعد از ظهر به LST های پایین تر منتهی می شود ( شکل ۵ ). نقطه ۴ در یک پارک کوچک زیر درختان بزرگ قرار دارد و بنابراین مقادیر LST را تقریباً در طول روز بسیار نزدیک به دمای هوا تجربه می کند.
LST های شبیه سازی شده با LST های اندازه گیری شده در شکل ۶ مقایسه شده اند. در مقایسه با LST های شبیه سازی شده ( شکل ۵ )، افزایش LST ها در صبح آهسته تر است که نشان می دهد LST ها بیشتر از آنچه در مدل ما فرض شده تحت تاثیر ذخیره سازی گرما قرار می گیرند. در ساعت ۱۷:۰۰، LST های اندازه گیری شده تحت تأثیر یک رویداد بارانی کوتاه قرار می گیرند که LST های اندازه گیری شده را به شدت کاهش می دهد. این رویداد فقط در شبیه سازی ضعیف نشان داده شد. کاهش تابش پرتو تنها تا حدی کاهش شدید LST ها را توضیح می دهد و اینها بیشتر تحت تأثیر سایر فرآیندهای فیزیکی و تغییرات خواص حرارتی سطوح شهری به دلیل وجود آب قرار می گیرند. ریشه کلی میانگین مربعات خطا (RMSE) شبیه سازی ما ۳٫۴۵ K و ضریب همبستگی پیرسون r = 0.91 است ( شکل ۷).).

۴٫ بحث

تغییرات روزانه در LST تحت تأثیر عوامل مختلفی قرار می گیرد که تابش خورشیدی یک عامل غالب است. مولفه پرتو تابش خورشیدی به شدت تحت تأثیر ابری و ویژگی‌های مورفولوژیکی مانند ساختمان‌ها و درختان است که سایه می‌اندازند. مورفولوژی شهری را می توان به راحتی با یک مدل شهر سه بعدی یا یک مدل سطح دیجیتال نشان داد. با این حال، برآورد ابری بسیار دشوارتر است. حتی مشاهدات استاندارد هواشناسی ابری در ایستگاه های هواشناسی تخمین های نسبتاً تقریبی است مگر اینکه داده های پیرهلیومتر دقیق تری در مورد تابش پرتو خورشیدی در دسترس باشد. بنابراین تخمین ابری نقش عمده ای در دقت مدل LST ایفا می کند. در مطالعه موردی ارائه شده،
مقایسه اندازه‌گیری‌های LST در ۱۰ مکان ( شکل ۶ ) با نتایج مدل‌سازی ارائه‌شده در شکل ۴ و شکل ۵ نشان داد که مدل ذخیره‌سازی گرما به پارامترسازی بهتری نیاز دارد که خواص حرارتی مختلف سطوح شهری را منعکس می‌کند. به ویژه در ساعات صبح، در هنگام تغییرات سریع ابری (۱۵ ساعت)، یا یک رویداد بارندگی آشکار است. در حالی که چندین مقاله [ ۲۵ , ۳۶ ] محدوده ای از مقادیر را برای ضرایب ۱ , ۲ , ۳ پیشنهاد کردند.در ارتباط با کلاس های پوشش زمین خاص، کمبود مقادیر مرجع قابل اعتماد برای مواد سطح شهری فردی وجود دارد که می تواند مستقیماً در این مدل LST استفاده شود. در حالت ایده‌آل، پاسخ ذخیره حرارتی هر طبقه پوشش زمین به تابش خورشید در دوره‌های زمانی مختلف باید اندازه‌گیری شود و به شکلی توزیع‌شده فضایی بر اساس نقشه پوشش زمین منطقه مورد استفاده قرار گیرد. عوامل دیگر، مانند ضریب انتقال حرارت همرفتی hc یا albedo نیز می توانند تغییرات روزانه را با توجه به شرایط واقعی هواشناسی و فیزیکی مواد سطحی نشان دهند. واضح است که برای درک تغییرات زمانی اکثر پارامترهای ورودی نیاز به تحقیقات بیشتری وجود دارد.
در روش ارائه شده از عامل انسان زایی غفلت شده است. انتشار گرمای انسانی می تواند LST را به طور قابل توجهی در بسیاری از مکان های شهری افزایش دهد. به طور کلی این عامل به ویژه در مناطق صنعتی و در فصل زمستان حائز اهمیت است. به عنوان مثال، فنگ و همکاران. [ ۳۷ ] حدود ۰٫۶۶ درجه سانتیگراد افزایش LST را برای مناطق منتخب چین گزارش می دهد. آنها همچنین گزارش می دهند که این عامل در طول تابستان که تابش خورشیدی قوی است نسبتاً کوچک است و در زمستان با تابش خورشیدی ضعیف نسبتاً بزرگ است. کریستن و وگت [ ۳۸ ] سهم شار حرارتی انسانی را برای بازل در سوئیس در میانگین سالانه +۲۰ Wm -۲ برآورد کردند.. در مطالعه موردی ما، می‌توانیم انتظار سهم نسبتاً کمی از گرمای انسانی به تغییرات LST داشته باشیم، زیرا ما دوره تابستان را با دماهای معتدل در نظر می‌گیریم و منطقه مورد مطالعه ما شامل بخش‌های مرکزی شهر با عمدتاً مسکونی و تجاری (فروشگاه‌ها، ادارات و غیره) است. ) مناطق. با این حال، در روزهای زمستانی که زیرساخت های گرمایشی در ساختمان ها روشن است، این می تواند منجر به دست کم گرفتن LST شود. لازم به ذکر است که مولفه انسان زایی را می توان با افزودن شار حرارتی انسانی از ساختمان ها و جاده ها به سمت چپ معادله (۳) در روش پیشنهادی گنجاند. این به اطلاعات دقیق تری در مورد انتشار گرمای انسانی از ترافیک در خیابان ها و ساختمان ها نیاز دارد.
در مقایسه با LST مشتق شده از حسگرهای ماهواره حرارتی، این روش دارای مزیت واضحی از وضوح مکانی و زمانی بالا است که عمدتاً به در دسترس بودن داده‌های مکانی مانند DSM و پوشش زمین بستگی دارد. تابش خورشیدی، یک جزء کلیدی در رویکرد ما، می تواند برای هر لحظه در طول روز با استفاده از مدل تابش خورشیدی r.sun تخمین زده شود. نقطه ضعف این روش، وابستگی به پارامترهای ورودی مختلف است که ویژگی‌های حرارتی سطوح شهری را توصیف می‌کنند، مانند ضریب انتقال حرارت همرفتی hc ، انتشار. εیا آلبیدو α. تخمین تقریبی این پارامترهای ورودی برای کلاس‌های مختلف پوشش زمین بر دقت مدل تأثیر می‌گذارد. همچنین، این مدل فقط برای محاسبات روزانه LST زمانی که تابش خورشیدی در دسترس است، قابل استفاده است. با این وجود، نتایج ارائه شده نشان داد که این روش به اندازه کافی انعطاف‌پذیر و قوی است تا تغییرات روزانه LST را در مناطق شهری در وضوح بی‌سابقه مکانی و زمانی بالا شبیه‌سازی کند که با تکنیک‌های سنجش از دور استاندارد قابل دستیابی نیست.
پیاده‌سازی در یک GIS منبع باز انعطاف‌پذیری لازم را برای استفاده‌های مختلف و ادغام با سایر ابزارها و مدل‌های مکانی فراهم می‌کند. با استفاده از این مدل می توان سناریوهای مختلف پوشش زمین یا شرایط هواشناسی را ارزیابی کرد. چنین ابزارهای تحلیلی می‌تواند تا حد زیادی به تدوین اقدامات پیشگیری و کاهش UHI برای بسیاری از شهرها کمک کند.

۵٫ نتیجه گیری ها

LST ها در مناطق شهری الگوهای مکانی و زمانی قوی متفاوتی را نشان می دهند که نیاز به مطالعه با وضوح مکانی و زمانی کافی دارند. روش‌ها و ابزارهای جغرافیایی می‌توانند توانایی ما را برای پیش‌بینی این پدیده و کاهش اثرات ناخواسته UHI در مقیاس‌های مختلف بهبود بخشند.
در این مطالعه، ما یک الگوریتم مبتنی بر GIS برای محاسبه روزانه LST در مناطق شهری تحت شرایط هواشناسی ابری بر اساس قانون استفان-بولتزمن و یک مدل ذخیره‌سازی گرما ایجاد کردیم. روش پیشنهادی با استفاده از اسکریپت های پوسته در GRASS GIS منبع باز پیاده سازی شده است. از تابش خورشیدی جغرافیایی و ابزار جبر نقشه، یک مدل سطح دیجیتال با وضوح بالا که ساختارهای شهری را نشان می‌دهد، داده‌های توزیع‌شده فضایی که خواص حرارتی مختلف سطوح شهری و شرایط هواشناسی را نشان می‌دهد، استفاده می‌کند. مؤلفه کلیدی در راه حل ما محاسبه تابش خورشیدی در آسمان واقعی با استفاده از r.sun است.مدل تابش خورشیدی در GRASS GIS برای هر زمان انتخابی در طول روز. محاسبه برای تضعیف تابش پرتو خورشید توسط ابرها که توسط بازرسی بصری یا اندازه‌گیری‌های میدانی تخمین زده می‌شود، محاسبه می‌شود. مدل ذخیره حرارت بر اساس تابع نوع هیسترزیس با پارامترهای بسته به خواص حرارتی طبقات پوشش زمین شهری است.
نتایج مدل‌سازی LST ما در شهر Košice تغییرات مکانی و زمانی بزرگی را نشان داد که توسط سنسورهای ماهواره‌ای حرارتی فعلی قابل ثبت نیستند. نتایج مدل‌سازی با اندازه‌گیری‌های LST در ۱۰ مکان در سراسر منطقه مورد مطالعه مقایسه شد. دقت قابل قبول نتایج ما با ضریب همبستگی پیرسون ۰٫۹۱، RMSE = 3.45 K و الگوی روزانه پیروی از پویایی واقعی پدیده تأیید شد. دقت مدل LST را می توان با تخمین بهتر پارامترهای ورودی کلیدی مانند ابری بودن یا خواص حرارتی سطح شهری مورد استفاده توسط یک مدل ذخیره گرما و همچنین با در نظر گرفتن سهمی از مولفه آزادسازی حرارت انسانی مدل LST افزایش داد. .

مواد تکمیلی

موارد زیر به صورت آنلاین در https://www.mdpi.com/2220-9964/9/9/534/s1 موجود است.

مشارکت های نویسنده

مفهوم سازی، یاروسلاو هوفیرکا و جوزف بوگارسکی. روش شناسی، یاروسلاو هوفیرکا؛ نرم افزار، Jaroslav Hofierka; اعتبار سنجی، Jozef Bogľarský; تحلیل رسمی، یاروسلاو هوفیرکا، یوزف بوگارسکی، اشتفان کولچانسکی، آناستازیا اندرووا؛ تحقیق، یاروسلاو هوفیرکا، یوزف بوگارسکی، اشتفان کولچانسکی، آناستازیا اندرووا؛ منابع، Jaroslav Hofierka، Jozef Bogľarský; گزینش داده ها، یاروسلاو هوفیرکا، یوزف بوگارسکی، اشتفان کولچانسکی، آناستازیا اندرووا؛ نوشتن – آماده سازی پیش نویس اصلی، یاروسلاو هوفیرکا، یوزف بوگارسکی، اشتفان کولچانسکی، آناستازیا اندرووا. نوشتن-بررسی و ویرایش، یاروسلاو هوفیرکا، یوزف بوگارسکی، اشتفان کولچانسکی، آناستازیا اندرووا؛ تجسم، Jozef Bogľarský، Štefan Kolečanský; نظارت، یاروسلاو هوفیرکا؛ مدیریت پروژه، یاروسلاو هوفیرکا؛ کسب بودجه، یاروسلاو هوفیرکا. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق توسط آژانس تحقیق و توسعه اسلواکی (APVV) تحت قراردادهای شماره APVV-18-0044 و ​​SK-CN-RD-18-0015 تأمین مالی شد. توسط آژانس گرنت علمی وزارت آموزش، علوم، تحقیقات و ورزش جمهوری اسلواکی و آکادمی علوم اسلواکی (VEGA) تحت قراردادهای شماره ۱/۰۳۰۰/۱۹ و ۱/۰۷۹۸/۲۰٫

قدردانی

مایلیم از یان بونا، لورانت پرگی، یان شاشاک، یوزف شوپینسکی، میکالا نواکووا، کاتارینا اوناچیلوا، مارتینا ماگدوشکوا، ورونیکا اوندووا، توماش فدور، دانیلا لاوبرتوفا، ماریا فریداشاک، ماریا فریداسی، مارتینا چاوانوفس، و ماریا فریدا سیلووا، ارائه کمک در طول اندازه گیری های میدانی دمای سطح زمین.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند. تامین کنندگان مالی هیچ نقشی در طراحی مطالعه نداشتند. در جمع آوری، تجزیه و تحلیل یا تفسیر داده ها؛ در نوشتن دست‌نوشته یا تصمیم به انتشار نتایج.

منابع

  1. شی، ی. Zhang، Y. بازیابی سنجش از دور دمای سطح زمین شهری در منطقه گرم و مرطوب. اقلیم شهری. ۲۰۱۸ ، ۲۴ ، ۲۹۹-۳۱۰٫ [ Google Scholar ] [ CrossRef ]
  2. Estoque، RC; مورایاما، ی. Myint، SW اثرات ترکیب و الگوی منظر بر دمای سطح زمین: مطالعه جزیره گرمایی شهری در کلان شهرهای آسیای جنوب شرقی. علمی جمع. محیط زیست ۲۰۱۷ ، ۵۷۷ ، ۳۴۹-۳۵۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. سلطانی، ع. تغییرات روزانه اثر جزیره گرمایی شهری و همبستگی آن با سرسبزی شهری: مطالعه موردی آدلاید. جلو. قوس. Res. ۲۰۱۷ ، ۶ ، ۵۲۹-۵۳۸٫ [ Google Scholar ] [ CrossRef ]
  4. Nichol, JE رویکردی مبتنی بر GIS برای نظارت بر اقلیم کوچک در شهرک‌های مسکونی مرتفع سنگاپور. فتوگرام مهندس Remote Sens. ۱۹۹۴ , ۶۰ , ۱۲۲۵-۱۲۳۲٫ [ Google Scholar ]
  5. اثر جزیره گرمایی شهری (UHI). در دسترس آنلاین: http://www.urbanheatislands.com (در ۲۶ ژانویه ۲۰۱۹ قابل دسترسی است).
  6. آژانس حفاظت از محیط زیست ایالات متحده کاهش جزایر گرمایی شهری: خلاصه ای از استراتژی ها. در دسترس آنلاین: https://www.epa.gov/heat-islands/heat-island-compendium (در ۲۶ ژانویه ۲۰۱۹ قابل دسترسی است).
  7. چن، Y.-C.; چیو، H.-W. سو، ی.-ف. وو، ی.-سی. چنگ، ک.- اس. آیا شهرنشینی تغییرات روزانه دمای سطح زمین را افزایش می دهد؟ شواهد و مفاهیم. Landsc. طرح شهری. ۲۰۱۷ ، ۱۵۷ ، ۲۴۷-۲۵۸٫ [ Google Scholar ] [ CrossRef ]
  8. بردال، پ. برتز، SE بررسی مقدماتی بازتاب خورشیدی مواد سرد سقف. انرژی ساخت. ۱۹۹۷ ، ۲۵ ، ۱۴۹-۱۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. میرصادقی، م. کاستولا، دی. بلوکن، بی. هنسن، جی. بررسی مدل‌های ضریب انتقال حرارت همرفتی خارجی در برنامه‌های شبیه‌سازی انرژی ساختمان: پیاده‌سازی و عدم قطعیت. Appl. حرارت مهندس ۲۰۱۳ ، ۵۶ ، ۱۳۴-۱۵۱٫ [ Google Scholar ] [ CrossRef ]
  10. هو، ال. وندل، ج. تجزیه و تحلیل اثرات مورفولوژیکی سطح شهری بر ناهمسانگردی جهت حرارتی روزانه. ISPRS J. Photogramm. از راه دور. Sens. ۲۰۱۹ , ۱۴۸ , ۱-۱۲٫ [ Google Scholar ] [ CrossRef ]
  11. Li، Z.-L. تانگ، B.-H. وو، اچ. رن، اچ. یان، جی. وان، ز. Trigo، IF; Sobrino، JA دمای سطح زمین برگرفته از ماهواره: وضعیت فعلی و چشم اندازها. از راه دور. حس محیط. ۲۰۱۳ ، ۱۳۱ ، ۱۴-۳۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. ووگت، جی. Oke, T. سنجش از دور حرارتی اقلیم شهری. از راه دور. حس محیط. ۲۰۰۳ ، ۸۶ ، ۳۷۰-۳۸۴٫ [ Google Scholar ] [ CrossRef ]
  13. پور، ت. میرجوفسکی، جی. پورکت، تی. سنجش از راه دور حرارتی هوابرد: مورد شهر اولوموک، جمهوری چک. یورو J. از راه دور. Sens. ۲۰۱۹ , ۵۲ , ۲۰۹–۲۱۸٫ [ Google Scholar ] [ CrossRef ]
  14. هوفیرکا، جی. Kaňuk, J. ارزیابی پتانسیل فتوولتائیک در مناطق شهری با استفاده از ابزارهای تابش خورشیدی منبع باز. تمدید کنید. انرژی ۲۰۰۹ ، ۳۴ ، ۲۲۰۶-۲۲۱۴٫ [ Google Scholar ] [ CrossRef ]
  15. هوفیرکا، جی. Zlocha, M. مدل جدید تابش خورشیدی سه بعدی برای مدل های سه بعدی شهر. ترانس. GIS ۲۰۱۲ ، ۱۶ ، ۶۸۱-۶۹۰٫ [ Google Scholar ] [ CrossRef ]
  16. فریتاس، اس. کاتیتا، سی. ردویک، پی. بریتو، MC مدل‌سازی پتانسیل خورشیدی در محیط شهری: بررسی پیشرفته‌تر تمدید کنید. حفظ کنید. Energy Rev. ۲۰۱۵ , ۴۱ , ۹۱۵-۹۳۱٫ [ Google Scholar ] [ CrossRef ]
  17. بیلجکی، اف. استوتر، جی. لدوکس، اچ. زلاتانوا، اس. Çöltekin، A. کاربردهای مدل های سه بعدی شهر: بررسی وضعیت هنر. ISPRS Int. J. Geo Inf. ۲۰۱۵ ، ۴ ، ۲۸۴۲-۲۸۸۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. ردویک، پی. کاتیتا، سی. Brito، MC پتانسیل انرژی خورشیدی بر روی سقف ها و نماها در منظر شهری. سول انرژی ۲۰۱۳ ، ۹۷ ، ۳۳۲-۳۴۱٫ [ Google Scholar ] [ CrossRef ]
  19. فوگل، م. Moudrý, V. تأثیر تاج پوشش گیاهی بر پتانسیل خورشیدی در محیط های شهری. Appl. Geogr. ۲۰۱۶ ، ۶۶ ، ۷۳-۸۰٫ [ Google Scholar ] [ CrossRef ]
  20. کلینگبرگ، جی. کونارسکا، جی. لیندبرگ، اف. یوهانسون، ال. Thorsson، S. نقشه برداری از سطح برگ سبز شهری با استفاده از LiDAR هوایی و اندازه گیری های زمینی در گوتنبرگ، سوئد. شهری برای. سبز شهری. ۲۰۱۷ ، ۲۶ ، ۳۱-۴۰٫ [ Google Scholar ] [ CrossRef ]
  21. هوفیرکا، جی. گالی، ام. اوناچیلوا، ک. Hofierka, J., Jr. مدل‌سازی دمای سطح زمین مبتنی بر فیزیکی در مناطق شهری با استفاده از مدل شهر سه بعدی و داده‌های ماهواره‌ای چندطیفی. اقلیم شهری. ۲۰۲۰ ، ۳۱ ، ۱۰۰۵۶۶٫ [ Google Scholar ] [ CrossRef ]
  22. GRASS GIS. در دسترس آنلاین: http://grass.osgeo.org/ (در ۴ ژوئن ۲۰۲۰ قابل دسترسی است).
  23. برتز، اس. اکبری، ح. روزنفلد، A. مسائل عملی برای استفاده از مواد منعکس کننده خورشیدی برای کاهش جزایر گرمایی شهری. اتمس. محیط زیست ۱۹۹۸ ، ۳۲ ، ۹۵-۱۰۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. ASHRAE. کتاب راهنما: مبانی ; انجمن آمریکایی مهندسین گرمایش، تبرید و تهویه مطبوع: آتلانتا، GA، ایالات متحده آمریکا، ۱۹۸۹٫ [ Google Scholar ]
  25. گریموند، اس. Oke، TR Heat Storage در مناطق شهری: مشاهدات در مقیاس محلی و ارزیابی یک مدل ساده. J. Appl. هواشناسی ۱۹۹۹ ، ۳۸ ، ۹۲۲-۹۴۰٫ [ Google Scholar ] [ CrossRef ]
  26. اوکی، TR; Cleugh، HA ذخیره حرارت شهری به عنوان باقیمانده تعادل انرژی مشتق شده است. مقید. Meteorol لایه. ۱۹۸۷ ، ۳۹ ، ۲۳۳-۲۴۵٫ [ Google Scholar ] [ CrossRef ]
  27. شوری، م. Hofierka, J. یک مدل جدید تابش خورشیدی مبتنی بر GIS و کاربرد آن در ارزیابی‌های فتوولتائیک. ترانس. GIS ۲۰۰۴ ، ۸ ، ۱۷۵-۱۹۰٫ [ Google Scholar ] [ CrossRef ]
  28. نتلر، ام. Mitasova، H. متن باز GIS: A GRASS GIS Approach , ۳rd ed.; سری بین المللی در مهندسی و علوم کامپیوتر؛ Springer: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۰۸٫ [ Google Scholar ]
  29. اوناچیلوا، ک. Gallay، M. تجزیه و تحلیل فضایی-زمانی جزیره حرارتی شهری سطحی بر اساس تصاویر LANDSAT ETM + و OLI/TIRS در شهر Košice، اسلواکی. Carpathian J. محیط زمین. علمی ۲۰۱۸ ، ۱۳ ، ۳۹۵-۴۰۸٫ [ Google Scholar ] [ CrossRef ]
  30. هوفیرکا، جی. گالی، ام. کانوک، جی. شوپینسکی، جی. Sasak، J. نقشه‌برداری فضای سبز شهری با وضوح بالا برای مدل‌سازی ریزاقلیم بر اساس مدل‌های شهر سه بعدی. ISPRS Int. قوس. فتوگرام از راه دور. حس تفت. Inf. علمی ۲۰۱۷ ، XLII-4/W7 ، ۷–۱۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. نتلر، ام. بومن، MH; لاندا، م. Metz, M. GRASS GIS: GIS منبع باز چند منظوره. محیط زیست مدل. نرم افزار ۲۰۱۲ ، ۳۱ ، ۱۲۴-۱۳۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. مدلسازی انتقال حرارت تابشی آلگارنی، SA برای بارهای سرمایشی و گرمایشی ساختمان: با در نظر گرفتن نقش شرایط صاف، ابری و غبارآلود در آب و هوای گرم و خشک. دکتری پایان نامه، دانشگاه ملک خالد، ابها، اسیر، عربستان سعودی، ۲۰۱۵٫ [ Google Scholar ]
  33. Whillier، A. عوامل طراحی موثر بر کلکتورهای خورشیدی در کاربردهای مهندسی دماهای پایین انرژی خورشیدی . ASHRAE: نیویورک، نیویورک، ایالات متحده آمریکا، ۱۹۶۷٫ [ Google Scholar ]
  34. وانینو، اس. نینو، پ. دی میشل، سی. Bolognesi، SF; D’Urso، G. دی بنه، سی. پنلی، بی. وولو، اف. فرینا، ر. پولیگه، جی. و همکاران قابلیت داده های Sentinel-2 برای تخمین حداکثر تبخیر و تعرق و نیاز آبیاری برای محصول گوجه فرنگی در ایتالیای مرکزی. از راه دور. حس محیط. ۲۰۱۸ ، ۲۱۵ ، ۴۵۲-۴۷۰٫ [ Google Scholar ] [ CrossRef ]
  35. مونیر، تی. گیمارد، سی. Kambezidis, H. Solar Radiation and Daylight Models , ۲nd ed.; Elsevier Butterworth-Heinemann: آکسفورد، انگلستان، ۲۰۰۴٫ [ Google Scholar ]
  36. گریموند، اس. کلو، اچ. Oke, T. یک مدل ذخیره حرارت شهری عینی و مقایسه آن با سایر طرح‌ها. اتمس. محیط زیست قسمت B. اتمس شهری. ۱۹۹۱ ، ۲۵ ، ۳۱۱-۳۲۶٫ [ Google Scholar ] [ CrossRef ]
  37. فنگ، J.-M. وانگ، Y.-L. Ma، Z.-G. لیو، ی. شبیه سازی اثرات منطقه ای شهرنشینی و انتشار گرمای انسانی بر آب و هوا در سراسر چین. جی. کلیم. ۲۰۱۲ ، ۲۵ ، ۷۱۸۷-۷۲۰۳٫ [ Google Scholar ] [ CrossRef ]
  38. کریستن، ا. فوگت، آر. تعادل انرژی و تشعشع یک شهر اروپای مرکزی. بین المللی جی. کلیم. ۲۰۰۴ ، ۲۴ ، ۱۳۹۵-۱۴۲۱٫ [ Google Scholar ] [ CrossRef ]
شکل ۱٫ موقعیت منطقه مورد مطالعه در شهر Košice، اسلواکی. خط قرمز منطقه مورد مطالعه را مشخص می کند و نقاط قرمز با اعداد مکان هایی را نشان می دهد که تحت اندازه گیری های میدانی قرار دارند. نقشه پس زمینه © Copernicus, Sentinel 2A تصویری است که در ۹ آوریل ۲۰۲۰ به دست آمده است.
شکل ۲٫ نمای سه بعدی از مدل شهر سه بعدی (خاکستری)، یک ابر نقطه ای از پوشش گیاهی بالا (نقاط سبز) و مدل رقومی ارتفاعی رنگ آمیزی شده با ارتفاع ( A ) و مدل سطح رقومی که تمام این ویژگی ها را با رنگ ارتفاع ( B ) در بر می گیرد. .
شکل ۳٫ پوشش زمین که از تصویربرداری هوایی و با بازرسی میدانی تفسیر شده است.
شکل ۴٫ دمای شبیه سازی شده سطح زمین (LSTs) با ذخیره گرما در ساعت ۸:۰۰، ۱۴:۰۰ و ۱۸:۰۰ در ۲۵ ژوئن ۲۰۲۰٫
شکل ۵٫ LST های شبیه سازی شده با اثرات ذخیره حرارت در ۱۰ مکان انتخاب شده در منطقه مورد مطالعه در ۲۵ ژوئن ۲۰۲۰٫
شکل ۶٫ LST های اندازه گیری شده در ۱۰ مکان انتخابی در منطقه مورد مطالعه در ۲۵ ژوئن ۲۰۲۰٫
شکل ۷٫ نمودار پراکندگی LST های اندازه گیری و شبیه سازی شده در ۱۰ مکان انتخابی در منطقه مورد مطالعه در ۲۵ ژوئن ۲۰۲۰٫

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما