تغییرات کاربری و پوشش زمین (LULC) و تأثیرات آنها بر دمای سطح زمین (LST) به عنوان یک نگرانی زیست‌محیطی جهانی ظهور کرده است. اگرچه اصطلاحات «کاربری زمین» و «پوشش زمین» گاهی اوقات به جای یکدیگر استفاده می‌شوند؛ با این حال، هر یک معنای متمایزی دارند. کاربری زمین به استفاده از زمین برای اهداف مختلف مانند تفریح، آموزش، مسکن و کشاورزی اشاره دارد. از سوی دیگر، پوشش زمین به نوع پوشش روی زمین مانند جنگل، سنگ لخت یا آب اشاره دارد ^.۱ تغییرات LULC مربوط به شهرنشینی است که شامل جایگزینی محیط طبیعی (سطوح نفوذپذیر) با سازه‌های شهری بتنی گرم است. این سازه‌ها به دلیل ظرفیت بالای جذب گرما شناخته شده‌اند و بنابراین بر دمای سطح زمین شهرها تأثیر می‌گذارند ^.۲ تبدیل سطوح آبی و فضاهای سبز به زمین‌های بایر یا مناطق ساخته شده منجر به افزایش LST می‌شود. با این حال، برنامه‌ریزی مناسب کاربری زمین که گسترش شهرها را به حداقل می‌رساند و پوشش سبز را (با تبدیل مناطق بایر) ترویج می‌دهد ، اثر خنک‌کننده‌ای ایجاد می‌کند ^.۳

مانند دمای هوای نزدیک سطح زمین، دمای سطح زمین (LST) نیز به عنوان یک متغیر اقلیمی ضروری در طرح اجرای سیستم رصد آب و هوای جهانی ۲۰۱۶ پیشنهاد شده است. دمای سطح زمین (LST) و دمای هوا به هم مرتبط هستند، هر چه سطح زمین گرمتر باشد، دمای هوای اطراف آن بیشتر است و برعکس . ^۴٫ داده‌های LST در شرایطی که به دلیل کمبود ایستگاه‌های هواشناسی، داده‌های دمای هوا کم است، مفید واقع می‌شوند. علاوه بر این، داده‌های LST مبتنی بر ماهواره برای مناطق وسیع‌تر به راحتی در دسترس هستند و به برنامه‌ریزی شهری کمک می‌کنند. ^۵ ، ۶ .

در قرن بیستم، کشورهای جهان سوم شهرنشینی سریعی را در سراسر جهان تجربه کردند و در حال حاضر با عواقب دمای بالای شهری مواجه هستند ^.۷ پیش‌بینی می‌شود جمعیت شهری جهان در سال ۲۰۵۰، ۲٫۵ میلیون نفر افزایش یابد و این افزایش در آسیا ۹۰ درصد پیش‌بینی می‌شود ^.۸ عواقب شهرنشینی صرفاً مربوط به دمای بالای سطح زمین نیست، رشد در بخش‌های مسکونی، حمل و نقل و صنعتی منجر به مصرف بیشتر انرژی در درجه اول از سوخت‌های فسیلی می‌شود. این امر منجر به انتشار بالای CO2 می‌شود _که باعث گرمایش جهانی و سایر تخریب‌های زیست‌محیطی می‌شود ^{.۷ ، ۹٫} گسترش سازه‌های بتنی در شهرها، همراه با افزایش دمای هوای جهانی، خطرات فزاینده‌ای را برای جمعیت‌های شهری و زیرساخت‌ها در مواجهه با تغییرات اقلیمی ایجاد می‌کند. بنابراین، بررسی علل و اثرات تغییرات LULC بر دمای محلی مناطق شهری به منظور تدوین توصیه‌هایی برای کاهش تغییرات اقلیمی و برنامه‌ریزی شهری ضروری است.

بر اساس داده‌های سنجش از دور، مطالعات متعددی رابطه بین LULC و LST را بررسی کرده‌اند. تان و همکاران. ^۱۰ افزایش ۳٫۵ درجه سانتیگرادی در دمای زمستان دریاچه دونگتینگ چین را به دلیل گسترش مناطق ساخته شده و مناطق خشک در طول سال‌های ۱۹۹۵ تا ۲۰۱۳ گزارش کردند. منطقه راجشاهی در بنگلادش افزایش ۱۳ درجه سانتیگرادی در LST ناشی از تغییرات LULC ناشی از شهرنشینی را در طول سال‌های ۱۹۹۷ تا ۲۰۱۷ تجربه کرد. ^۱۱٫ ترائوره ​​و همکاران. ^۱۲ افزایش ۱ درجه سانتیگرادی در LST شهر بانگی، آفریقای مرکزی را در نتیجه گسترش ۱۳۰ درصدی مناطق ساخته شده بین سال‌های ۱۹۸۶ تا ۲۰۱۷ ثبت کردند. آیانلاده و همکاران. ^۱۳ تغییرات دمای سطح زمین (LST) از ۰.۱۲ درجه سانتی‌گراد تا ۱ درجه سانتی‌گراد در چهار شهر بزرگ نیجریه به دلیل از بین رفتن پوشش گیاهی، افزایش پوشش غیرقابل نفوذ و گسترش فضای ساخته شده بین سال‌های ۱۹۸۴ تا ۲۰۱۹ تخمین زده شده است. دمای سطح زمین حوضه لوئیس پوتوسی، مکزیک، در طول سال‌های ۲۰۰۷ تا ۲۰۲۰ به دلیل تغییرات LULC، ۱۱ درجه سانتی‌گراد افزایش یافته است . ^۱۴. دو ناسیمنتو و همکاران. ^۵ دمای سطح بالاتر (> ۲۸ درجه سانتی‌گراد) را در مناطقی با تراکم بالای شهری در مقایسه با پوشش‌های زمینی که نشان‌دهنده پوشش گیاهی و بدنه‌های آبی (۲۱ تا ۲۵ درجه سانتی‌گراد) در شهر سائوپائولو، برزیل هستند، گزارش کردند.

این مطالعه بر تحولات LULC و تأثیر آن بر LST یک شهر صنعتی در پاکستان یعنی سیالکوت تمرکز دارد. پاکستان با نرخ شهرنشینی سالانه ۲٫۴٪، بالاترین سرعت شهرنشینی را در بین کشورهای جنوب آسیا نشان می‌دهد ^۱۵ . در حال حاضر، ۳۶٪ از کل جمعیت پاکستان در مناطق شهری ساکن هستند و پیش‌بینی می‌شود تا سال ۲۰۵۰ تقریباً به ۶۰٪ برسد. اکثر شهرهای پاکستان با جمعیت شهری عظیم بسیار متراکم هستند ^۱۶ . در نتیجه، مناطق شهری در پاکستان به صورت برنامه‌ریزی نشده‌ای در حال گسترش هستند تا جمعیت رو به رشد شهری را در خود جای دهند و نیازهای اساسی زندگی آنها را برآورده کنند. این گسترش کنترل نشده منجر به تکثیر سازه‌های بتنی مانند ساختمان‌های مسکونی و تجاری و جاده‌ها، تجاوز به فضاهای سبز و سایر کاربری‌های زمین می‌شود که منجر به افزایش دمای شهری می‌شود. تنها در استان پنجاب، کاهش ۱٫۷۷٪ در فضای سبز و رشد ۱٫۲۶٪ در سطوح مصنوعی با افزایش ۰٫۱۷ درجه سانتیگراد در LST در دو دهه گذشته ثبت شده است ^۱۷ .

دمای سطح زمین پاکستان نیز به دلیل تغییرات LULC در حال افزایش است. با این حال، مطالعات بسیار کمی در مورد پیش‌بینی تأثیر آینده LULC بر LST در شهرهای پاکستان انجام شده است. شهر گوجرانوالا به دلیل شهرنشینی در طول سال‌های ۲۰۰۳ تا ۲۰۱۸، افزایش ۸ درجه سانتیگرادی دما را تجربه کرد ^۱۸ . افزایش ۴ درجه سانتیگرادی دمای شهر کراچی به دلیل رشد منطقه ساخته شده در طول سال‌های ۱۹۹۸ تا ۲۰۱۸ گزارش شده است ^۱۹ . ممتاز و همکاران. ^۳ کاهش دمای سطح زمین در شهر پیشاور را به دلیل گسترش پوشش گیاهی ثبت کردند، در حالی که افزایش دمای سطح زمین در شهر لاهور به دلیل رشد منطقه ساخته شده در طول یک دوره ۲۰ ساله مشاهده شد. مساحت ساخته شده شهر خانیوال از ۱٫۷۵ درصد در سال ۱۹۸۰ به ۵٫۲۷ درصد در سال ۲۰۲۰ افزایش یافته است که منجر به افزایش ۰٫۵ درجه سانتیگرادی دمای سطح زمین در طول چهار دهه گذشته شده است ^۲۰ . به طور مشابه، افزایش ۳.۵ درصدی در مساحت ساخته شده در شهر مولتان منجر به افزایش دمای سطح زمین (از ۲۷.۶ درجه سانتیگراد به ۲۸.۵ درجه سانتیگراد) در طول سال‌های ۱۹۹۰ تا ۲۰۲۰ شده ^است .

پاکستان، به طور کلی، و به ویژه شهر سیالکوت، فاقد برنامه‌ریزی شهری مناسب است. تحلیل‌های مناسب مبتنی بر مدل‌سازی معمولاً در طول فرآیندهای توسعه یا برنامه‌ریزی توسعه شهر انجام نمی‌شوند. شهر سیالکوت در حال شهرنشینی سریع است و همچنین در حال تبدیل شدن به یک قطب صنعتی در کشور است که افراد بیشتری را از مناطق محروم اطراف جذب می‌کند. این صنایع اگرچه به توسعه اقتصادی می‌افزایند، اما از نظر انتشار CO2 نیز بر محیط زیست فشار می‌آورند و _در نتیجه به افزایش دما کمک می‌کنند. توسعه صنعتی و افزایش هجوم مهاجران برای یافتن فرصت‌ها، منجر به گسترش شهر و بلعیدن فضاهای سبز و زمین‌های کشاورزی می‌شود. شهر سیالکوت از نظر تولید کشاورزی با مجموع ۳۹۴۰۰۰ هکتار سطح زیر کشت که به امنیت غذایی کشور کمک می‌کند، از نظر اقتصادی قابل توجه است که به دلیل گسترش‌های کنترل نشده در حال کاهش است. کاهش سطح زیر کشت و تولید مواد غذایی برای شهر سیالکوت در طول زمان گزارش شده است ^۲۲ . بنابراین، تحلیل الگوهای مکانی این توسعه (LULC)، نقش آن در تغییر LST و پیش‌بینی روند آینده در LULC و تغییرات LST با استفاده از تکنیک‌های یادگیری ماشین می‌تواند به کاهش فشار بر منابع محدود زمین شهر سیالکوت کمک کند. همچنین، اکثر ارزیابی‌های LULC که تاکنون انجام شده‌اند، ماهیت کمی دارند، با این حال، نوآوری این کار در استفاده از تکنیک‌های یادگیری ماشین مانند اتوماتای ​​سلولی و زنجیره مارکوف برای پیش‌بینی بهتر جنبه‌های مکانی تغییرات LULC و LST در آینده بر اساس روندهای تاریخی است. با این حال، تا آنجا که ما می‌دانیم، هیچ مطالعه‌ای برای تجزیه و تحلیل اثرات تغییرات LULC بر آب و هوای شهر سیالکوت (که از نظر اقتصادی برای صنایع و تولیدات کشاورزی آن اهمیت دارد) انجام نشده است، که می‌تواند بینش‌های ارزشمندی برای برنامه‌ریزی شهری ارائه دهد. بنابراین، مطالعه حاضر با اهداف زیر طراحی شده است: (۱) تجزیه و تحلیل جامع تغییرات مکانی-زمانی در LULC در بازه زمانی ۱۹۸۹ تا ۲۰۲۰، (۲) تجزیه و تحلیل رابطه بین تحولات LULC و تأثیر آنها بر دمای سطح زمین (LST) شهر سیالکوت در طول تابستان و زمستان و (۳) استفاده از یک رویکرد مدل‌سازی پیش‌بینی‌کننده برای پیش‌بینی تغییرات احتمالی در LULC و تأثیر متناظر آنها بر LST در آینده نزدیک (سال ۲۰۳۰) برای ارائه بینش‌هایی در مورد چشم‌انداز شهری در حال تحول و پیامدهای اقلیمی مرتبط.

منطقه مورد مطالعه

این مطالعه در یکی از شهرهای صنعتی پاکستان، یعنی شهر سیالکوت، واقع در مختصات ۳۲.۴۹۴۵ درجه شمالی و ۷۴.۵۲۲۹ درجه شرقی، در ارتفاع ۲۵۶ متر از سطح دریا (ماسال) انجام شد. دمای شهر بین ۵ تا ۴۰ درجه سانتیگراد متغیر است. این شهر با منطقه مسکونی احاطه شده توسط زمین‌های کشاورزی و صنایع در حاشیه نشان داده شده است. زهکش‌های مشترک مانند ایک، پالخو و دایک نشان‌دهنده سطوح آبی در شهر هستند (شکل  ۱ ). موقعیت این شهر در حوضه حاصلخیز کشاورزی در استان پنجاب پاکستان قرار دارد. جمعیت کل منطقه سیالکوت طبق سرشماری سال ۲۰۱۷، ۶۵۵،۸۵۲ نفر بوده است ^. فعالیت‌های صنعتی و مهاجرت از مناطق روستایی به شهری از دلایل گسترش بی‌رویه شهر است. بیشتر صنایع در حومه شهر قرار دارند که مهاجران را از مناطق روستایی اطراف به دنبال فرصت‌های معیشتی بهتر جذب می‌کنند. این شهر از گذشته به دلیل مهاجرت روستایی-شهری به طور قابل توجهی رشد کرده است که از گسترش مجتمع‌های مسکونی در حاشیه شهر که زمین‌های کشاورزی حاصلخیز را در بر گرفته‌اند، مشهود است.

جمع‌آوری داده‌ها و پیش‌پردازش

تصاویر ماهواره‌ای برای تجزیه و تحلیل اثرات تغییرات LULC بر دمای سطح زمین شهر سیالکوت پردازش شدند. جزئیات داده‌های ماهواره‌ای دانلود و پردازش شده برای تجزیه و تحلیل در جدول ۱ آمده است . تصاویر ماهواره‌ای برای ماه‌های تابستان (مه) و زمستان (فوریه) سال‌های ۱۹۸۹، ۲۰۰۰، ۲۰۰۹ و ۲۰۲۰ دانلود شدند تا اثرات LULC بر تغییرات دمای فصلی تجزیه و تحلیل شود. تفاوت در تاریخ اخذ تصویر مربوط به در دسترس بودن داده‌های ماهواره‌ای و پوشش ابر است . ^۲۳٫ هنگام دانلود داده‌های ماهواره‌ای برای یک تاریخ خاص، شرایط هواشناسی و محیطی برای رد هرگونه تأثیر آب و هوای بارانی، عوامل اقلیمی، انسانی و بیوشیمیایی بر کیفیت تصویر در نظر گرفته شد. اصلاحات جوی، رادیومتری و ارتفاع خورشید برای نرمال‌سازی داده‌های ماهواره‌ای گرفته شده در مکان‌ها و زمان‌های مختلف انجام شد. خطاهای خط اسکن در داده‌های لندست ۷ با استفاده از جعبه ابزار لندست حذف شدند. برای این منظور، داده‌های رستری با خطوط اسکن وارد شدند و ابزار Fix Landsat 7 Scanline Error اعمال شد و خطوط اسکن قبل از پردازش بیشتر حذف شدند. سپس داده‌های ماهواره‌ای در نرم‌افزار IDRISI SELVA (نسخه ۱۷.۰) پردازش شدند تا نقشه‌های LULC تهیه شوند. از نرم‌افزار ArcMap (نسخه ۱۰.۸) برای بازیابی دمای سطح زمین از باندهای حرارتی استفاده شد. پیش‌بینی LULC و LST برای سال ۲۰۳۰ نیز در نرم‌افزار IDRISI SELVA انجام شد.

طبقه‌بندی پوشش زمین (LULC)

نقشه‌های سری زمانی LULC شهر سیالکوت برای سال‌های ۱۹۸۹، ۲۰۰۰، ۲۰۰۹ و ۲۰۲۰ از طریق طبقه‌بندی نظارت‌شده حداکثر احتمال تهیه شدند. برای طبقه‌بندی LULC، باندهای تصاویر ماهواره‌ای روی هم چیده شده و یک ترکیب ایجاد شد. برای Landsat 5 TM، باندهای ۲، ۳ و ۴ استفاده شد، در حالی که برای Landsat 7 ETM و ۸ OLI/TRIS، باندهای ۳، ۴ و ۵ استفاده شد. یک کلاس LULC خاص به هر پیکسل از رستر ترکیبی اختصاص داده شد. برای این منظور، تعداد مشخصی از مناطق نمونه آموزشی (چندضلعی‌ها) از هر کلاس LULC به صورت تصادفی انتخاب شدند و از طبقه‌بندی نظارت‌شده حداکثر احتمال برای طبقه‌بندی پیکسل‌های نماینده هر کلاس LULC استفاده شد. برای انتخاب دقیق آن مناطق نمونه آموزشی، ابتدا یک بررسی میدانی انجام شد و مکان‌ها (طول و عرض جغرافیایی) پوشش‌های کاربری اراضی غالب شهر گرفته شد. در طول بررسی میدانی، طبقات غالب LULC شناسایی شده شامل منطقه مسکونی، زمین بایر، پهنه آبی و پوشش گیاهی بودند (جدول ۲ ). تقریباً ۷۰ نقطه GPS برای منطقه مسکونی، ۱۲۰ نقطه برای پوشش گیاهی و ۳۰ نقطه برای هر پهنه آبی و زمین بایر گرفته شد. در IDRISI SELVA، تصویر ترکیبی با استفاده از ابزار MAKESIG (استخراج امضا) برای اختصاص یک شماره گروه خاص به تمام پیکسل‌های دارای رنگ یکسان (مربوط به هر طبقه LULC) پردازش شد. حداکثر تعداد مناطق نمونه آموزشی برای هر طبقه در نظر گرفته شد تا از دقت فرآیند طبقه‌بندی اطمینان حاصل شود. آخرین مرحله برای طبقه‌بندی حداکثر احتمال، ارائه نمونه‌های امضا از همه طبقات به ابزاری به نام MAXLIKE (طبقه‌بندی حداکثر احتمال) بود. این ابزار تمام پیکسل‌های رستری را که دارای مقادیر یکسان از یک دسته یا طبقه امضا بودند، انتخاب کرد. این ابزار نقشه طبقه‌بندی شده نهایی را برای تجزیه و تحلیل بیشتر تولید کرد (شکل  ۲ ). دقت نقشه طبقه‌بندی‌شده LULC سال ۲۰۲۰ بر اساس داده‌های واقعیت زمینی با استفاده از شاخص کاپا، روش‌های دقت کاربر و دقت کلی طبق روش حسین و همکاران ^۲۱ ارزیابی شد .

بازیابی دمای سطح زمین (LST)

جدول ۱ جزئیات باندهای حرارتی پردازش شده برای بازیابی LST برای سال‌های ۱۹۸۹، ۲۰۰۰، ۲۰۰۹ و ۲۰۲۰ را نشان می‌دهد. برای محدود کردن تأثیرات فصلی، از تصاویر ماهواره‌ای ماه‌های فوریه و مه استفاده شد. اعداد دیجیتال (DN) از داده‌های لندست به درخشندگی طیفی تبدیل شدند. سپس درخشندگی، دمای روشنایی و ضریب گسیل با استفاده از فایل هدر فراداده اندازه‌گیری شدند تا دمای سطح زمین از نقشه مورد نظر استخراج شود. ^{۳ ، ۲۳ ، ۲۴ ، ۲۵} .

درخشندگی طیفی طبق معادله  ۱ محاسبه شد .

که در آن L ƛ درخشندگی طیفی (Wm ^−۲ sr ^−۱  µm ^−۱ )، L _maxƛ درخشندگی طیفی مقیاس‌بندی شده به Q _CALmax (Wm ^−۲ sr ^−۱  µm ^−۱ )، L _minƛ درخشندگی طیفی مقیاس‌بندی شده به Q _CALmin (Wm ^−۲ sr ^−۱  µm ^−۱ )، Q _CALmax حداکثر مقدار پیکسل کالیبره شده کوانتیزه شده مربوط به L _maxƛ در DN = 255 است. حداقل مقدار پیکسل کالیبره شده کوانتیزه شده (DN = 0) مربوط به L _minƛ ^۳ ، ۲۶ است .

تابش طیفی بالای اتمسفر (TOA) طبق معادله  ۲ محاسبه شد .

که در آن ML ضریب تغییر مقیاس ضربی باند خاص از فراداده است. QCAL مربوط به ۱۰ باند است و AL ضریب تغییر مقیاس افزایشی باند خاص از فراداده ^۲۶ است .

معادله  ۳ برای محاسبه دمای درخشندگی (TB) به شرح زیر استفاده شد؛

که در آن K1 _و K2 _ثابت کالیبراسیون هستند. برای سنجنده لندست ۵ TM، ثابت K1 _برابر با ۶۰۷.۷۶ میلی‌وات بر سانتی‌متر مربع ^{بر ثانیه بر} حسب  میکرومتر ^مربع و K2 _برابر  با ۱۲۶۰.۵۶ کلوین است. T دمای مؤثر ماهواره بر حسب کلوین است. و l درخشندگی طیفی بر حسب Wm ^بر ثانیه ^{بر حسب میکرومتر}  مربع است .

NDVI (شاخص پوشش گیاهی نرمال شده) با استفاده از معادله ۴ تعیین شد  .

که در آن NIR نزدیک به باند مادون قرمز و RED باند قرمز است. مقادیر NDVI بین ۱- تا ۱+ متغیر است که مربوط به زمین‌های بایر و پوشش گیاهی زیاد است. NDVI برای محاسبه PV (نسبت پوشش گیاهی) که ارتباط زیادی با ضریب انتشار (ε) دارد، مورد نیاز بود. PV با استفاده از معادله  ^۵ و ε با استفاده از معادله  ۶۲۷ محاسبه شد .

که در آن n = 0.004 و m = 0.986 ^{۲۷ است} . LST با استفاده از معادله  ۷ محاسبه شد .

برای اعتبارسنجی LST، نتایج با داده‌های هواشناسی (۱۹۸۹ تا ۲۰۲۰) گرفته شده از دو ایستگاه هواشناسی فعال در شهر سیالکوت مقایسه شدند. LST با دمای هوای محیط (Ta) مقایسه شد تا تفاوت بین داده‌های مکانی و زمینی بررسی شود. بعداً، برای بررسی ارتباط بین تغییرات LULC و LST، چهار کلاس دمایی برای تابستان (۱۶ تا ۲۵ درجه سانتیگراد، ۲۵ تا ۳۵ درجه سانتیگراد، ۳۵ تا ۴۰ درجه سانتیگراد، ۴۰ تا ۵۴ درجه سانتیگراد) و ماه‌های زمستان (۷ تا ۱۳ درجه سانتیگراد، ۱۳ تا ۱۶ درجه سانتیگراد، ۱۶ تا ۱۹ درجه سانتیگراد، ۲۰ تا ۲۸ درجه سانتیگراد) ایجاد شد. این روش به تشخیص پراکندگی کمک کرد و هر کلاس دما (LST) را روی نقشه قرار داد تا تغییرات LULC برای دوره مطالعه تجزیه و تحلیل شوند. کلاس‌های مربوط به هر نقشه LST با انتخاب یک محدوده دستی ایجاد شدند و سپس پراکندگی ارزیابی شد.

پیش‌بینی LST و LULC برای سال ۲۰۳۰

مدل زنجیره مارکوف اتوماتای ​​سلولی برای پیش‌بینی LULC و LST (سال ۲۰۳۰) تحت سناریوی «کسب و کار طبق روال معمول» (BAU) استفاده شد. مدل مارکوف روی نقشه‌های ۲۰۰۹ و ۲۰۲۰ پیاده‌سازی شد تا مناطق گذار ایجاد شود و ماتریس احتمال گذار بین حالت‌های اولیه و نهایی و تغییرات زمانی در LST و LULC پیش‌بینی شود (معادله  ۸ ). شبیه‌سازی‌های مکانی با استفاده از مدل اتوماتای ​​سلولی (CA) انجام شد که داده‌ها را بین حالت‌های مختلف در زمان برای خود و سلول‌ها/پیکسل‌های همسایه‌اش از طریق فیلتر مجاورت تعیین می‌کرد و تغییر در سلول‌ها را با قوانین تعیین می‌کرد (معادله  ۹ ). این مدل یک ضریب وزنی بر اساس نزدیکی سلول‌های هسته‌ای و همسایه اعمال کرد. سپس این ضریب وزنی با احتمالات گذار ترکیب شد تا وضعیت سلول‌های همسایه پیش‌بینی شود و اطمینان حاصل شود که پیش‌بینی‌های LULC و LST تصمیمات تصادفی نیستند ^۳ ، ۲۸ . در IDRISI Selva، تکرارهای CA روی ۱۱ تنظیم شدند که مربوط به فاصله زمانی، فیلتر مجاورت ۵ × ۵ و ماتریس احتمال انتقال (۲۰۰۹-۲۰۲۰) برای پیش‌بینی تغییرات در LST و LULC بودند. مدل ترکیبی CA-Markov تغییرات مکانی-زمانی در LST و LULC را با استفاده از ماتریس احتمال انتقال به عنوان ورودی به اتوماتای ​​سلولی شبیه‌سازی کرد تا پوشش مورد انتظار (سال ۲۰۳۰) LST و LULC را پیش‌بینی کند (شکل  ۲ ). اعتبارسنجی مدل شامل پیش‌بینی نقشه LST و LULC برای سال ۲۰۲۰، با استفاده از داده‌های سال‌های ۲۰۰۰ و ۲۰۰۹ به عنوان ورودی بود. متعاقباً دقت آن در مقایسه با یک نقشه واقعی (واقعی) سال ۲۰۲۰ با استفاده از شاخص کاپا ارزیابی شد. مقدار ضریب کاپا > 0.80 با دقت کلی > 90٪ بود.

که در آن Pij ماتریس احتمال انتقال و S وضعیت کاربری زمین در زمان t و t+1 است.

آمار منطقه‌ای

ابزار آمار منطقه‌ای برای تحلیل میانگین دمای سطح زمین (LST) در هر طبقه کاربری زمین (LULC) استفاده شد. تغییرات LST ناشی از افزایش یا کاهش مساحت پوشش زمین اندازه‌گیری شد. این ابزار، مساحت را از نقشه LST با مقایسه آن با هر طبقه کاربری زمین (LULC) استخراج کرد. مقادیر میانگین، حداقل و حداکثر دمای سطح زمین در هر طبقه کاربری زمین مربوطه برای تحلیل تأثیر کاربری زمین بر دمای سطح زمین شهر در طول دوره مطالعه محاسبه شد.

تحلیل داده‌ها

همبستگی بین میانگین دمای سطح زمین (LST) و دمای هوا (Ta) برای هر دو فصل انجام شد. داده‌های دمای هوای قبلی دو ایستگاه هواشناسی از اداره هواشناسی شهر سیالکوت دریافت شد. مقادیر میانگین متغیرهای LST و Ta برای رسم نمودار همبستگی در نرم‌افزار MS Excel (نسخه ۲۰۱۰) استفاده شد.

تغییرات LULC

جدول ۳ تغییرات سطح پوشش هر کلاس را در طول دوره پایه (۱۹۸۹، ۲۰۰۰، ۲۰۱۰، ۲۰۲۰) و سال پیش‌بینی‌شده (۲۰۳۰) نشان می‌دهد. مشاهده شد که فقط مساحت ساخته‌شده در دوره پایه (۴٫۱۴+ درصد) افزایش یافته است، در حالی که پوشش گیاهی (۳٫۵۳- درصد)، پوشش آبی (۰٫۷- درصد) و پوشش زمین بایر (۰٫۰۵- درصد) در طول سال‌های ۱۹۸۹ تا ۲۰۲۰ کاهش یافته است. پیش‌بینی‌های LULC برای سال ۲۰۳۰ نیز افزایش ۱٫۳۱+ درصدی را در کلاس ساخته‌شده نشان داد، در حالی که پوشش گیاهی (۱٫۱- درصد)، پوشش آبی (۰٫۲- درصد) و زمین بایر (۰٫۰۷- درصد) نسبت به سال ۲۰۲۰ کاهش یافته است. سود و زیان در کلاس‌های LULC بر اساس دهه (بر حسب کیلومتر مربع ) در شکل ۳ ^ارائه شده است  . تغییرات مکانی-زمانی در LULC طی سال‌های ۱۹۸۹ تا ۲۰۳۰ در شکل ۴ ارائه شده است  . افزایش قابل توجه در مساحت ساخته شده و کاهش پوشش سبز شهر را می‌توان در نقشه‌های LULC مشاهده کرد. پیش‌بینی LULC تحت سناریوی BAU همچنین رشد بیشتر (مورد انتظار) در مساحت ساخته شده در شهر را نشان می‌دهد که سایر کاربری‌های زمین را در سال ۲۰۳۰ در بر می‌گیرد. این تبدیل هم در مرکز شهر و هم در حومه آن انتظار می‌رود که نشان‌دهنده گسترش شهری مورد انتظار در آینده نزدیک است. یک تأخیر زمانی ۱۵ دقیقه‌ای در زمان عبور از خط استوا توسط لندست ۵ و ۸ وجود دارد. با این حال، در مطالعه حاضر، این عامل تأثیر کمی بر تحلیل زمانی (LULC) با فاصله ۲۰ ساله بین دو مجموعه داده (لندست ۵ و ۸) دارد یا اصلاً تأثیری ندارد. از آنجایی که تغییرات LULC نسبتاً کند و نامحسوس هستند، بعید است که تأخیر زمانی ۱۵ دقیقه‌ای بر تحلیل تأثیر بگذارد. نتایج ارزیابی دقت در مطالب تکمیلی موجود است (جدول SI 1 و ۲؛ شکل SI 1 و ۲).

شکل  ۵ و جدول ۴ تبدیل متقابل یا گذار کلاس‌های LULC از سال ۱۹۸۹ تا ۲۰۲۰ را نشان می‌دهد. تقریباً ۴۱٫۰۵ کیلومتر مربع ^از منطقه پوشش گیاهی به طبقه ساخته شده تبدیل شده است، در حالی که ۹ کیلومتر مربع ^از مناطق پوشش گیاهی به زمین بایر تبدیل شده است. علاوه بر این، ۵ کیلومتر ^مربع از منطقه‌ای که در ابتدا توسط آب‌ها اشغال شده بود به زمین بایر تبدیل شده است. تغییرات مثبتی نیز در مکان‌های خاصی مشاهده شد، جایی که پوشش گیاهی جایگزین ۱۱ کیلومتر ^مربع از آب‌ها و ۱۳ کیلومتر ^مربع از زمین بایر شد، در حالی که ۸۶۹ کیلومتر ^مربع از منطقه پوشش گیاهی در طول دوره مطالعه بدون تغییر باقی ماند. شکل  ۶ نمایش مکانی (مکان) دقیقی از افزایش و کاهش هر یک از کلاس‌های LULC را در طول دوره تاریخی (۱۹۸۹-۲۰۲۰) و دوره پیش‌بینی (۲۰۲۰-۲۰۳۰) نشان می‌دهد.

تغییرات LST

تغییرات میانگین دمای سطح زمین (LST) طی سال‌های ۱۹۸۹ تا ۲۰۲۰ در جدول ۵ ارائه شده است . میانگین LST در تابستان از ۳۲.۷۵ درجه سانتی‌گراد به ۳۷.۲۷ درجه سانتی‌گراد (+۴.۵۲ درجه سانتی‌گراد) و در زمستان از ۱۴.۳۰ درجه سانتی‌گراد به ۲۰.۰۶ درجه سانتی‌گراد (+۵.۷۶ درجه سانتی‌گراد) طی سال‌های ۱۹۸۹ تا ۲۰۲۰ افزایش یافته است. به صورت فصلی، طی سال‌های ۱۹۸۹ تا ۲۰۲۰ دمای نسبتاً بالاتری در مرکز شهر و دمای پایین‌تری در حومه شهر مشاهده شد (شکل  ۷ ). به دلیل تفاوت در زمان عبور لندست ۵ و لندست ۸، احتمال خطا در این تحلیل ممکن است حداقل تا ناچیز باشد.

شکل  ۸ و جدول ۶ مساحت شهر تحت پوشش هر طبقه LST را نشان می‌دهند. در طول ۳ دهه گذشته، تغییر عظیمی در دمای تابستان مشاهده شده است. نکته قابل توجه این است که در سال ۲۰۲۰ و سال پیش‌بینی (۲۰۳۰)، در مقایسه با سال ۱۹۸۹، کاهشی در مساحت تحت پوشش سه طبقه اول LST تابستانی (یعنی ۱۶-۲۵ درجه سانتیگراد، ۲۵-۳۵ درجه سانتیگراد، ۳۵-۴۰ درجه سانتیگراد) و افزایشی در مساحت تحت پوشش بالاترین طبقه (یعنی ۴۰-۵۴ درجه سانتیگراد) مشاهده شده است. روند مشابهی از تغییر در LST نسبت به مساحت برای دمای زمستان مشاهده شده است، به طوری که مساحت تحت پوشش طبقات ۷-۱۳ درجه سانتیگراد و ۱۳-۱۶ درجه سانتیگراد کاهش و مساحت طبقات با دمای بالاتر افزایش یافته است. این تجزیه و تحلیل نشان می‌دهد که در آینده نزدیک (۲۰۳۰)، شهر سیالکوت احتمالاً در بیشتر مناطق خود دمای بالاتری را تجربه خواهد کرد.

سهم LULC در LST

شکل  ۹ سهم گذار LULC را بر دمای سطح زمین در طول تابستان و زمستان نشان می‌دهد. افزایش دمای زمستان در تمام طبقات در طول دوره مطالعه مشاهده شد (شکل  ۹ الف). افزایش دمای ۶٫۹ درجه سانتیگراد در طبقه ساخته شده در هنگام تجزیه و تحلیل برای گذار ۱۹۸۹-۲۰۲۰ وجود داشت که نشان دهنده کاهش فصل/روز زمستان در منطقه مورد مطالعه است. به طور مشابه، دمای تابستان نیز در منطقه مورد مطالعه افزایش یافته است. طبقه ساخته شده با افزایش ۲٫۳ درجه سانتیگراد در دما مشاهده شد. افزایش دما برای سایر طبقات LULC نیز هنگام تجزیه و تحلیل برای گذار ۱۹۸۹-۲۰۲۰ بالا بود (شکل  ۹ ب).

آمار منطقه‌ای

جدول ۷ تغییرات منطقه‌ای دمای سطح زمین (LST) مشاهده شده در هر کلاس LULC را نشان می‌دهد. نکته قابل توجه در طول سال‌های ۱۹۸۹ تا ۲۰۲۰ این است که افزایش LST در فصل زمستان در مقایسه با فصل تابستان قابل توجه‌تر بوده است که نشان دهنده تأثیر تغییرات LULC بر آب و هوای محلی شهر است. LST زمین‌های بایر در هر دو فصل به دلیل ویژگی‌های بازتاب بالای سطوح بایر و شنی بالا بود. این نتایج نشان دهنده احتمال وقوع امواج گرما در سیالکوت به دلیل تغییرات LULC است. مشاهده شد که مناطق مسکونی ۳۱٫۲٪، پوشش گیاهی ۲٪، پهنه‌های آبی ۲۶٫۱٪ و زمین‌های بایر ۵۴۶٪ در افزایش دمای تابستان در طول سال‌های ۲۰۰۹ تا ۲۰۲۰ نقش داشته‌اند. تغییرات بارزتر در دمای زمستان در طول سال‌های ۱۹۸۹ تا ۲۰۰۰ و ۲۰۰۰ تا ۲۰۰۹ با میزان بالای سهم کلاس‌های LULC در افزایش LST رخ داده است.

همبستگی LST با دمای هوای محیط (T _a )

برای ارزیابی روند دمای سطح زمین (LST) حاصل از لندست، مقادیر دمای سطح زمین (LST) و دمای هوای محیط (T _a ) برای هر دو فصل مقایسه شدند. جدول ۸ میانگین افزایش LST، T _a و اختلاف LST از T _a را در طول دوره پایه (۱۹۸۹ تا ۲۰۲۰) هر دو فصل نشان می‌دهد. میانگین اختلاف بین LST و T _a در فصل زمستان و تابستان به ترتیب ۲٫۶۴ درجه سانتیگراد و ۲٫۹۱ درجه سانتیگراد بود. مقایسه ضریب همبستگی بین LST و T _a برای هر دو فصل در شکل  ۱۰ نشان داده شده است .

مطالعه حاضر به بررسی تأثیر گسترش شهری بر دمای سطح زمین (LST) شهر سیالکوت پاکستان پرداخت. یافته‌های این مطالعه افزایش قابل توجه LST شهر، به ویژه در منطقه ساخته شده، را در طول دوره پایه و دوره پیش‌بینی شده نشان داد. این مطالعه تأکید می‌کند که تغییرات LULC دمای شهر سیالکوت را در طول ۳ دهه گذشته به طور قابل توجهی افزایش داده است. گسترش مناطق ساخته شده و کاهش پوشش گیاهی منجر به افزایش ۵٫۲۸+ درجه سانتیگراد در زمستان و ۶٫۵۲+ درجه سانتیگراد در دمای تابستان شهر در طول سال‌های ۱۹۸۹ تا ۲۰۲۰ شده است. این نشان می‌دهد که توسعه سازه‌های بتنی و نفوذناپذیر (منطقه ساخته شده) گرمای بیشتری را جذب کرده و LST شهر را در طول دوره پایه افزایش داده است. پیش‌بینی آینده این مطالعه نشان داد که مساحت ساخته شده بیشتر افزایش خواهد یافت (+۱٫۳۱%) و پوشش گیاهی ممکن است کاهش یابد (-۱٫۱%) که بیشتر بر LST در سال ۲۰۳۰ تأثیر می‌گذارد. مطابق با یافته‌های مطالعه حاضر، کافی و همکاران ^۱۱ همچنین افزایش ۷٫۲۴ درجه سانتیگرادی در LST داکا، بنگلادش را به دلیل افزایش ۱۴ درصدی در مساحت ساخته شده و کاهش ۵ درصدی پوشش گیاهی طی سال‌های ۲۰۰۰ تا ۲۰۲۰ گزارش کردند. کافی و همکاران ^۱۱ همچنین رابطه معناداری بین شهرنشینی و LST منطقه راجشاهی، بنگلادش را مستند کردند و افزایش ۱۳ درجه سانتیگرادی دما را به دلیل گسترش شهری که پوشش گیاهی را طی سال‌های ۱۹۹۷ تا ۲۰۱۷ کاهش می‌دهد، گزارش کردند. در حوضه سن لوئیس پوتوسی، مکزیک، گسترش شهری باعث افزایش ۱۱ درجه سانتیگرادی در LST طی سال‌های ۲۰۰۷ تا ۲۰۲۰ شد ^۱۴ . تفاوت در تخمین‌های LST مطالعه حاضر و مطالعات قبلی مربوط به میزان پوشش زمین تبدیل شده به مساحت ساخته شده، بازه زمانی مطالعه، آب و هوای محلی و ماه تصاویر ماهواره‌ای پردازش شده برای تجزیه و تحلیل است.

در مطالعه حاضر، افزایش ۲٫۳۲ درجه سانتیگرادی دمای سطح زمین (LST) در مناطق مسکونی، ۳٫۱ درجه سانتیگرادی در زمین‌های بایر و ۱ درجه سانتیگرادی در پوشش گیاهی در طول دوره پایه مشاهده شد. ترائوره ​​و همکاران ^۱۲ همچنین افزایش ۱٫۳۸ درجه سانتیگرادی دمای سطح زمین (LST) را برای مناطق مسکونی و ۰٫۸۲ درجه سانتیگرادی دمای سطح زمین (LST) را برای زمین‌های بایر در طول سال‌های ۱۹۸۷ تا ۲۰۱۷ در بانگی، آفریقای مرکزی گزارش کردند. تغییرات در دمای سطح زمین (LST) در بین طبقات مختلف LULC را می‌توان به زبری سطح و خواص بازتابی و جذبی تابش‌های خورشیدی نسبت داد ^۲۹ .

بالاترین میانگین دمای سطح زمین (LST) برای شهر سیالکوت در هر نقشه مربوط به زمین‌های بایر بود، زیرا شامل خاک لخت و شن و ماسه می‌شود. سطح زمین‌های بایر بسیار گرم‌تر از هر طبقه دیگری است. در نتیجه، در هر نقشه، مقادیر LST در زمین‌های بایر بالا بود. در تابستان، حداکثر مقدار LST زمین‌های بایر ۸ تا ۱۰ درجه سانتیگراد بالاتر از طبقه ساخته شده است. آمار منطقه‌ای نشان داد که تفاوت بین میانگین دمای زمین‌های بایر و منطقه ساخته شده بالاتر از ۵ درجه سانتیگراد است. آمار منطقه‌ای نشان داد که حداکثر مقادیر LST پوشش گیاهی، بدنه آبی و زمین‌های بایر به ترتیب ۵.۹۳ درجه سانتیگراد، ۵.۴۴ درجه سانتیگراد و ۵.۶۵ درجه سانتیگراد در طول دوره مطالعه افزایش یافته است. اوگانجوبی و همکاران. ^۳۰ افزایش دمای ۲.۹ درجه سانتیگراد و ۴.۹ درجه سانتیگراد را در زمین‌های ساخته شده و بایر در کلانشهر سوکوتو، نیجریه گزارش کردند. دمای سطح زمین (LST) منطقه ساخته شده و خاک لخت ممکن است در مقایسه با منطقه اطراف به دلیل خاصیت حرارتی سطح، بالا باشد زیرا سطوح لخت، گرمای نور خورشید را جذب کرده و آن را به صورت تابش مادون قرمز حرارتی بازتاب می‌دهند. جذب گرما همچنین به رنگ خاک و میزان رطوبت آن بستگی دارد، زیرا خاک‌های مرطوب تیره‌تر، انرژی تابشی بیشتری نسبت به خاک‌های خشک با رنگ روشن‌تر جذب می‌کنند.

یافته‌های این مطالعه نشان داد که در مقایسه با سال ۱۹۸۹، طبقات دمای بالا بیشتر مساحت شهر را پوشش داده‌اند. مطابق با یافته‌های مطالعه حاضر، سهیل و همکاران ^۳۱ همچنین مستند کردند که بیشتر مساحت شهر لاهور در پاکستان طی سال‌های ۱۹۸۰ تا ۲۰۲۰ دارای طبقات دمای بالا بوده است. روند مشابهی نیز توسط طارق و شو ^۲۳ برای شهر فیصل‌آباد در پاکستان طی سال‌های ۱۹۹۰ تا ۲۰۱۸ گزارش شده است.

این گسترش شهری ارتباط زیادی با آب و هوای شهر سیالکوت دارد. یافته‌های تحلیل فضایی برای هر سال از سال ۱۹۸۹ تا ۲۰۲۰ نشان داد که دمای سطح زمین (LST) در هر دو فصل به دلیل تغییرات LULC در ۳ دهه گذشته اندکی افزایش یافته است. روند مشابهی نیز برای سایر شهرهای پاکستان گزارش شده است. حسن و همکاران. ^۳۲ گزارش دادند که اسلام‌آباد با همان تغییرات LST که در طول سال‌های ۱۹۹۲ تا ۲۰۱۲ مشاهده شد، مواجه بوده است، روند دما بالا با بارش کم بوده و LST به دلیل تغییرات LULC، ۱.۵۲ درجه سانتیگراد افزایش یافته است. لیاقت و همکاران. ^۱۸ گزارش دادند که به دلیل گسترش شهری و تغییرات الگوهای بارندگی، میانگین دمای LST شهر لاهور در طول ۲۰ سال گذشته ۱۹۹۸ تا ۲۰۱۸، ۳.۱ درجه سانتیگراد افزایش یافته است. ممتاز و همکاران. ^۳ گزارش داد که شهر گوجرانوالا نیز به دلیل شهرنشینی در طول سال‌های ۲۰۰۳ تا ۲۰۱۸ با افزایش LST (۸ درجه سانتیگراد) مواجه شده است. این روند در تغییرات LULC و LST می‌تواند تأثیر قابل توجهی بر آب و هوای محلی یک منطقه داشته باشد. از آنجایی که هسته‌های شهری به دلیل اثر جزیره گرمایی شهری شناخته شده‌اند، افزایش بیشتر در مناطق ساخته شده می‌تواند گرما را در مراکز شهر افزایش دهد. این امر باعث گرم شدن هوای اطراف شده و ممکن است تقاضا برای انرژی را برای تأمین آسایش حرارتی ساکنان در یک منطقه نیمه گرمسیری مانند سیالکوت افزایش دهد. مصرف انرژی بالاتر همچنین با افزایش انتشار CO2 مرتبط است _که در نهایت با گرم کردن آب و هوا به دلیل توانایی به دام انداختن گرما، بر دمای هوا تأثیر می‌گذارد.

همچنین همبستگی قوی بین میانگین دمای سطح زمین (LMST) و دمای هوا (Ta) مشاهده شد. روند این همبستگی نیز برای هر دو فصل مثبت بود. مطابق با یافته‌های مطالعه حاضر، ممتاز و همکاران ^(۳) نیز همبستگی مثبت معنی‌داری را بین دمای سطح زمین شهرهای لاهور و پیشاور در پاکستان و میانگین دمای محیط مربوطه آنها طی سال‌های ۱۹۸۰ تا ۲۰۲۰ گزارش کردند.

شهر سیالکوت یک قطب صنعتی و اقتصادی پاکستان است. این شهر در طول سال‌های ۱۹۸۹ تا ۲۰۱۹ با افزایش قابل توجهی در توسعه صنعتی مواجه شد که منجر به گسترش بی‌رویه شهری شد . ^۳۳ عامل اصلی این گسترش بی‌رویه شهری در سیالکوت، توسعه برنامه‌ریزی نشده از سوی دولت‌های استانی و محلی بود. حدود ۵۶ طرح مسکن خصوصی جدید در حال توسعه هستند و بیشتر آنها غیرقانونی هستند. این طرح‌های مسکن در امتداد جاده‌های اصلی شهر وجود داشتند. این می‌تواند به عنوان دلیل مهمی در تغییر کاربری زمین در شهر سیالکوت در نظر گرفته شود . ^۳۴

تغییرات LULC در شهر سیالکوت رخ داده است. این شهر دوازدهمین شهر پرجمعیت پاکستان با جمعیت کل ۳,۸۹۴,۰۰۰ نفر در سال ۲۰۱۷ است که با نرخ ۱٫۹۵٪ رشد داشته است. ^{۲۲ ، ۳۵٫} پیامدهای این افزایش جمعیت، همراه با عوامل جاذبه شهرنشینی در این شهر، منجر به رشد کارخانه‌ها، افزایش تولید زباله‌های جامد و نگرانی‌های زیست‌محیطی مرتبط شده است . ^۳۶٫ در سال ۲۰۱۱، در مجموع ۲۱۵ کارخانه در شهر سیالکوت وجود داشت، در حالی که این تعداد در سال ۲۰۱۸ به ۱۰۸۲ کارخانه افزایش یافت. تعداد وسایل نقلیه ثبت شده از ۲۶۸,۱۸۶ در سال ۲۰۰۸ به ۶۹۶,۸۲۵ در سال ۲۰۲۰ افزایش یافته است. ^{۳۳ ، ۳۷} . با این رشد در صنایع و مجتمع‌های مسکونی، سیالکوت شاهد کاهش سطح زیر کشت خود از ۴۲۴۰۰۰ هکتار در سال ۲۰۰۲ به ۳۴۰۰۰۰ هکتار در سال ۲۰۲۰ بوده است. سطح زیر کشت گندم نیز از ۱۹۳۰۰۰ هکتار در سال ۲۰۰۰ به ۱۷۱۰۰۰ هکتار در سال ۲۰۲۱ کاهش یافته است. ^{۳۸ ، ۳۹} .

از سال ۱۹۸۹ تا ۲۰۲۰ تغییر قابل توجهی در الگوی پیش از مانسون، مانسون و پس از مانسون سیالکوت مشاهده شده است. این شهر در طول سال‌های ۱۹۸۹ تا ۲۰۲۰ با کاهش بارندگی مانسون مواجه بوده است. روند تغییر در میانگین دما و بارندگی نیز برای کل کشور مشاهده شده است. به طور کلی، پاکستان در حال تجربه کاهش بارندگی مانسون است ^{۴۰ ، ۴۱ ، ۴۲.} پاکستان در حال حاضر افزایش ۰.۶ درجه سانتیگرادی در میانگین دما را تجربه کرده است، با این حال، انتظار می‌رود تا پایان این قرن، افزایش ۱.۱ تا ۶.۴ درجه سانتیگرادی بیشتری داشته باشد ^۴۳. این روند تغییرات اقلیمی برای پاکستان همراه با تغییرات LULC ممکن است منجر به افزایش قابل توجه LST در سراسر کشور در آینده شود. مدل CA-Markov مورد استفاده در این مطالعه نتوانست پیش‌بینی‌های حداقل، حداکثر و میانگین LST را انجام دهد. اما طبقه‌بندی LST برای تجزیه و تحلیل گسترش امواج گرما در رابطه با منطقه تحت پوشش شهر انجام شد. مطالعات بیشتر، با استفاده از مدل‌های پیشرفته‌تر، می‌تواند برای پیش‌بینی تأثیرات احتمالی تغییرات LULC بر LST و الگوی بارندگی سایر شهرها یا در سطح کشور انجام شود. چنین مطالعاتی می‌تواند بینش‌های ارزشمندی را در اختیار سیاست‌گذاران قرار دهد تا در مورد گسترش شهرها به منظور کاهش تأثیرات احتمالی تغییرات اقلیمی، تصمیمات آگاهانه‌ای بگیرند.

این تحقیق، تحلیلی مکانی-زمانی از تغییرات کاربری زمین و پوشش زمین (LULC) و تأثیر بعدی آنها بر دمای سطح زمین (LST) شهر سیالکوت از سال ۱۹۸۹ تا ۲۰۲۰ ارائه داد. یافته‌های این مطالعه، تغییرات قابل توجه LULC در سیالکوت را در طول دوره مشخص شده (۱۹۸۹-۲۰۲۰) نشان می‌دهد که بر دمای محلی شهر تأثیر می‌گذارد. یافته‌ها نشان دهنده کاهش ۳.۴۳ درصدی زمین‌های پوشیده از پوشش گیاهی و رشد ۴.۱۴ درصدی مناطق مسکونی و زمین‌های بایر در طول زمان است و گسترش بیشتر منطقه مسکونی شهر نیز در آینده نزدیک (۲۰۳۰) پیش‌بینی می‌شود. شهرنشینی رو به رشد و گسترش زمین‌های بایر، دمای سطح زمین شهر را افزایش داده است. دمای سطح زمین فصلی شهر سیالکوت در ۳ دهه گذشته در تابستان (۴.۵ درجه سانتیگراد) و زمستان (۵.۷ درجه سانتیگراد) به طور قابل توجهی افزایش یافته است. پیش‌بینی‌ها نشان می‌دهد که رشد پیش‌بینی‌شده در زمین‌های ساخته‌شده و بایر در آینده (سال ۲۰۳۰) ممکن است منجر به افزایش بیشتر LST شهر شود. با توجه به تهدید قریب‌الوقوع گسترش شهری بر آب و هوای محلی سیالکوت، این مطالعه می‌تواند به عنوان منبع ارزشمندی برای مقامات مربوطه جهت تصمیم‌گیری آگاهانه عمل کند. از آنجایی که انتظار می‌رود منطقه وسیعی از سیالکوت در آینده با فشار گسترش شهری مواجه شود، این مطالعه به مقامات مربوطه در شناسایی مناطقی که می‌توان مداخلات سیاستی را برای کاهش تأثیرات شهرنشینی بر تغییرات آب و هوایی محلی، مانند ایجاد فضاهای سبز شهری، انجام داد، کمک خواهد کرد. این مطالعه همچنین به دولت در شناسایی مناطقی با برنامه‌ریزی نامناسب کاربری زمین کمک خواهد کرد. مدیریت شهری باید سیاست‌هایی را برای مهار گسترش شهری، ایجاد فضاهای سبز در شهر و سازگارتر کردن توسعه‌ها با آب و هوا اتخاذ کند.