مینا مرادی زاده

ازن نزدیک به سطح زمین یکی از آلاینده های بسیار خطرناک است که تأثیرات زیان بار درخور توجهی در سلامت ساکنان مناطق شهری دارد. هدف از این مطالعه شناسایی عوامل مؤثر در غلظت ازن و مدل سازی تغییرات آن، با استفاده از داده های ماهواره ای و روش های گوناگون یادگیری ماشین در شهر تهران است. بدین منظور داده های غلظت آلاینده ها، داده های هواشناسی و دمای سطح خاک، طی بازه زمانی بین سال های 2015 تا 2021، به کار رفت. پس از محاسبه همبستگی بین غلظت ازن و پارامتر های مستقل، طی پنج حالت متفاوت، با پارامترهای ورودی و روش یادگیری متفاوت و به کارگیری پالایش داده ها، غلظت ازن مدل سازی شد. در حالت اول و دوم، مدل سازی با استفاده از داده های غلظت آلاینده ها و داده های هواشناسی با روش رگرسیون خطی چندمتغیره انجام شد. تنها تفاوت این دو حالت، پالایش داده های ورودی به شیوه WTEST در روش دوم است. در حالت سوم، دمای سطح خاک به داده های ورودی افزوده شد و در حالت چهارم و پنجم، به ترتیب مدل سازی ازن با استفاده از شبکه عصبی چندلایه ای و شبکه عصبی بازگشتی انجام شد. مقایسه این حالت ها نشان داد که مدل سازی های مراحل اول تا پنجم، به ترتیب با ضریب تعیین تعدیل شده 5/0، 64/0، 69/0، 74/0 و 8/0 توانایی بازیابی غلظت ازن را داشته اند. همچنین مشخص شد در بین آلاینده های گوناگون، مونوکسید نیتروژن، دی اکسید نیتروژن، نیتراکس و از میان داده های هواشناسی دما، رطوبت و سرعت باد بیشترین تأثیر را در غلظت ازن دارند. افزودن دمای سطح خاک به داده های ورودی نیز افزایش پنج درصدی دقت را در برآورد غلظت ازن، به همراه داشت.

یکی از مهم ترین پارامترها، در تمامی تعاملات بین سطح و جو، بخار آب ستونی جو است که در بسیاری از مطالعات هواشناسی، محیطی، کاربردهای اکولوژیک و کشاورزی نقش کلیدی دارد. اندازه گیری این پارامتر در ایستگاه های هواشناسی مستلزم استفاده از رادیوسوند است که، علاوه بر نقطه ای و محدودبودن مشاهدات، بسیار پر هزینه است. ازآنجاکه این پارامتر، در مقایسه با سایر پارامترهای جوّی، بیشترین تأثیر را در رادیانس رسیده به سنجنده دارد، سنجش از دور راهکاری جایگزین برای برآورد این پارامتر بسیار مهم جوّی محسوب می شود. یکی از سنجنده هایی که این پارامتر را اندازه گیری می کند AIRS است که توان تفکیک پایین (حدود 40 کیلومتر) آن، در بسیاری از کاربردها، مطلوب نیست. بنابراین، هدف اصلی این تحقیق ارتقای توان تفکیک مکانی بخار آب ستونی این سنجنده، با استفاده از روشی مبتنی بر نسبت گیری باندی و تلفیق آن با داده های سنجنده MODIS است. در ادامه، با توجه به تأثیر مهم این پارامتر در برآورد دمای سطح خاک (LST)، نقش بخار آب ستونی ارتقایافته جوّ در برآورد LST بررسی می شود. به منظور اعتبارسنجی و تعیین دقت برآورد پارامترها، از سری داده های مستقل استفاده شد. نتایج نشان داد که روش پیشنهادی پتانسیل بالایی در ارتقای توان تفکیک مکانی بخار آب ستونی به دست آمده جو ازطریق سنجنده AIRS دارد؛ بدون اینکه کاهش چشمگیری در دقت آن مشاهده شود. همچنین، این نتیجه حاصل شد که بخار آب ستونی ارتقایافته جو ممکن است دقت برآورد LST را افزایش چشمگیری دهد.

 امروزه با توجه به روند رو به رشد جمعیت در شهرها و روستاها و تمایل به زندگی شهری بیشترین تغییرات کاربری اراضی در نواحی شهری به وقوع می پیوندد. توسعه سریع شهری در دهه های اخیر موجب تغییرات وسیعی در الگوی کاربری زمین پیرامون شهرها شده و تأثیرات زیست محیطی و اجتماعی–اقتصادی زیادی را به همراه داشته است. در این پژوهش با استفاده از تصاویر ماهواره ای تغییرات کاربری اراضی و شبیه سازی رشد و توسعه شهر رشت به کمک مدل شبکه عصبی و سلول های خودکار زنجیره مارکوف انجام گرفت. برای این منظور از تصاویر سال های 2000، 2008 و 2017 ماهواره لندست استفاده گردید. پس از پیش پردازش تصویر و انتخاب بهترین ترکیب باندی، تصاویر با روش شبکه عصبی طبقه بندی شد. سپس تصاویر طبقه بندی شده در مدل ساز تغییرات زمین وارد گردید و نقشه های خروجی مدل ساز با روش CA-MARCOVE</em> برای سال 2027 پیش بینی شد. نتایج بدست آمده در فاصله زمانی 2000 تا 2017 نشان می دهد که تغییرات مساحت در اراضی شهری، شالیزار و جنگل به ترتیب به میزان 87/9041، 03/7841  و 78/55 هکتار بوده که میزان آن در شهر رشت مثبت و در شالیزار و جنگل منفی می باشد و نقشه پیش بینی سال 2027 با روش CA-</em> MARCOVE</em> نیز موید افزایش قابل توجه کاربری شهری به مقدار 04/14105هکتار در سال های آتی است. نتایج این پژوهش نشان می دهند که ادامه روند فعلی تغییرات کاربری اراضی به نتایج مضر زیست محیطی و به تبع آن آسیب های اقتصادی- اجتماعی جبران ناپذیر می انجامد. بنابراین ضروری است دستگاه برنامه ریزی و مدیریت منطقه، رویکردی جامع برای جلوگیری از مشکلات زیست محیطی آتی و مهار توسعه افقی سکونتگاه ها در این منطقه در پیش گیرد.

در چند سال اخیر، موضوع بهبود قدرت تفکیک مکانی تصاویر حرارتی سنجنده های فضایی در نواحی شهری به صورت یکی از چالش های جدید مطرح شده است. هدف این مقاله به کارگیری شاخص های سطوح غیرقابل نفوذ و شاخص های پوشش گیاهی برای بهبود قدرت تفکیک مکانی باند حرارتی سنجندة ETM+، مربوط به بخشی از شهر تهران، است. بدین ترتیب پس از پیش پردازش های اولیه، تصاویر به دست آمده با استفاده از فیلتر میانگین در قدرت تفکیک ۱۲۰، ۲۴۰، ۴۸۰، ۷۲۰ و ۹۶۰ متر شبیه سازی شده اند. سپس معادلات رگرسیون، به قصد تعیین روابط بین این تصاویر با درجة حرارت سطح، در قدرت تفکیک ۹۶۰ متر، استفاده شده اند. در ادامه به کمک روابط به دست آمده، که شامل شاخص های گیاهی و سطوح غیرقابل نفوذ می شوند، حرارت سطح در قدرت تفکیک های یادشده برآورد شد. در انتها، با استفاده از تصاویر حرارتی سنجندة ETM+ و سنجندة MODIS، دقت هریک از خروجی ها مورد ارزیابی قرار گرفته است. نتایج این تحقیق نشان می دهد که با افزایش دقت مکانی، مقدار خطاها نیز افزایش می یابد اما شیب تغییرات خطا ثابت نیست؛ به طوری که در تمامی شاخص ها، وقتی قدرت تفکیک از ۲۴۰ متر کمتر می شود، شیب تغییرات افزایش بیشتری نشان می دهد. به علاوه، ترکیب شاخص های سطوح غیرقابل نفوذ و پوشش گیاهی بهترین عملکرد را برای بهبود قدرت تفکیک مکانی تصاویر حرارتی شهر تهران دارد. با استفاده از ترکیب این شاخص ها، قدرت تفکیک مکانی سنجندة MODIS را  می توان تا حدود 240 متر افزایش داد؛ درحالی که مقدار خطای مطلق کمتر از 1 درجة کلوین است.

رطوبت اتمسفری، یکی از مهم ترین شاخص ها در تمام تعامل های بین سطح و اتمسفر مانند جریان های انرژی بین زمین و اتمسفر است و مقدار این شاخص، تعادل انرژی در سطح زمین را نشان می دهد. ازآنجاکه مقدار نهایی رطوبت اتمسفر، تأثیرگذارترین شاخص اتمسفر بر رادیانس رسیده به سنجنده است، در سنجش از دور و به ویژه در تعیینLand Surface Temperature (LST) اهمیت بسیاری دارد. LST، یکی از شاخص های مهم و اساسی در علوم زمین است که به طور مستقیم و غیرمستقیم بر تعیین بسیاری از شاخص های دیگر تأثیر می گذارد. از رطوبت اتمسفری و LST در بسیاری از مطالعه های محیطی، کاربردهای اکولوژیک و کشاورزی استفاده می شود. برای تخمین LST دقیق، لازم است مقدار رطوبت اتمسفری برآورد شود. در مقاله حاضر، مقدار رطوبت ستونی اتمسفر و مقدار رطوبت (Mass Mixing Ratio) MMR نزدیک به سطح با استفاده از سنجنده (Moderate Resolution Imaging Spectroradiometer) MODIS برآورد و سپس از شاخص رطوبت ستونی اتمسفر برای تخمین LST دقیق و برای تخمین رطوبت از روش Ratio بر اساس داده های MODIS استفاده شد. در مقاله حاضر، دقت شاخص های حاصل با استفاده از سری داده های مستقل برآورد و نتیجه شد داده های MODIS برای نقشه سازی رطوبت و دمای سطح مناسب هستند. در نهایت، تأثیر LST بر رطوبت MMR نزدیک به سطح بررسی شد.