خدیجه جوان

دمای سطح زمین LST عاملی مهم در مباحث گرمایش جهانی و تغییر اقلیم است. فعالیت های طبیعت و انسان-ساخت به ویژه تغییرات در پوشش زمین، تأثیر چشمگیری بر دمای سطح می گذارد. هدف از این پژوهش، تخمین دمای سطح زمین با به کارگیری روش پنجره مجزا در شهرستان تبریز و تعیین رابطه آن با تغییرات کاربری اراضی می باشد. بدین سبب تصاویر OLI و TIRS لندست 8 در سال های 2013 و 2019 استفاده شده و پس از انجام مراحل مختلف پیش-پردازش، شاخص پوشش گیاهی NDVI ، شاخص توسعه شهری NDBI ، شاخص استخراج آب MNDWI و دمای سطح زمین با استفاده از باندهای چندطیفی و حرارتی برآورد شد. نقشه های کاربری زمین نیز با بهره گیری از روش طبقه بندی شی گرا تهیه گردید و سپس ضرایب ارزیابی صحّت به دست آمد. نتایج این پژوهش آشکار کرد که بیشترین تغییرات کاربری اراضی در بخش مرتع به چشم می خورد که در دوره 7 ساله بخش عمده ای از آن به کاربری ارتباطی و شهری تغییر یافته است. همچنین نتایج حاصل نشان دهنده همبستگی معکوس بین دمای سطح زمین و شاخص NDVI است و حداکثر دما در مناطقی رخ می دهد که با فقر پوشش گیاهی مواجه بوده اند. بنابراین با توجه به جایگاه پوشش گیاهی در متعادل کردن شرایط دمایی، ضرورت و لزوم حفاظت از پوشش گیاهی آشکار می شود. با توجه به اهمیت بالای منطقه، نتایج حاصله می تواند در برنامه ریزی توسعه و لزوم توجه به پیامدهای به دست آمده از تغییرات کاربری اراضی و نیز ضرورت به کارگیری داده های سنجش از دور در برنامه ریزی محیطی حائز اهمیت باشد.

خروجی های مدل های اقلیمی جهانی (GCMs) معمولاً دارای اریبی نسبت به داده های مشاهداتی هستند و قبل از استفاده از آن ها برای توسعه سناریوهای اقلیمی آینده، برخی تصحیحات باید انجام شود. روش های تصحیح اریبی از جمله روش های آماری متداول برای پردازش خروجی مدل های اقلیمی هستند. در این تحقیق تاثیر پنج روش تصحیح اریبی بر پیش نگری بارش مدل GFDL-ESM4 در حوضه دریاچه ارومیه مورد ارزیابی قرارگرفته است. روش های مورد استفاده در این تحقیق شامل روش های نسبت گیری خطی (LS)، نسبت گیری شدت موضعی (LOCI)، تبدیل توانی (PT)، نگاشت توزیع (DM) و تغییر عامل دلتا (DC) می باشند. از معیارهای ضریب همبستگی، مجذور میانگین مربعات خطا (RMSE) و درصد اریبی (PBias) برای ارزیابی دقت داده های تصحیح شده در دوره 2014-1990 نسبت به داده های مشاهداتی و انتخاب بهترین روش برای تصحیح داده های سناریوهای آینده استفاده شده است. نتایج تحقیق نشان داد روش تغییر عامل دلتا برآوردهای خام را پس از اصلاح به طور قابل توجهی بهبود داد؛ بنابراین از این روش برای تصحیح داده های سناریوهای SSP1-2.6، SSP2-4.5 و SSP5-8.5 استفاده شد. علاوه بر این، پیش نگری های میانگین سالانه بارش در سناریوی SSP1-2.6 بین 2 تا 9 درصد، در SSP2-4.5 بین 5 تا 17 درصد و در SSP2-8.5 بین 8 تا 26 درصد کاهش را نسبت به داده های مشاهده ای نشان می دهند.