آرش کریمی زارچی

در این مقاله روش جدیدی برای اندازه گیری شدت جزیره های گرمایی سطحی شهری پیشنهاد می شود که از رابطه بین دمای سطح زمین ( LST ) و شاخص تفاضلی یکنواخت شده ی شهری ( NDBI ) وشاخص تفاضلی یکنواخت شده ی گیاهی ( NDVI ) که در تصویری به نام نقشه درصد شهری با هم ترکیب می شوند، استفاده می کند. با توجه به رفتار LST و رابطه آن با نوع پوشش زمین می توان گفت که رابطه بین LST و نقشه درصد شهری از یک تابع خطی پیروی می کند و می توان این تابع خطی را به نمودار دمای سطح زمین برحسب کاربری زمین برازش داد. انتظار می رود از شیب به دست آمده از این خط برازش داده شده شدت جزیره گرمایی شهری ( UHII ) محاسبه شود. به دلیل  ضعف شاخص NDBI این روش برای مناطق بیابانی دقت پایینی دارد ولی در مناطق با پوشش معتدل از دقت بالایی برخوردار است. در این مقاله از داده های ماهواره LANDSAT-7 سنجنده + ETM روی منطقه رشت مرکز استان گیلان و از داده های ماهواره LANDSAT-8 سنجنده OLI/TIR مربوط به منطقه لنگرود دراستان گیلان استفاده شده است. نتایج نشان می دهد برازش خوب یک خط به نمودار LST بر حسب NDBI و نقشه درصد شهری یک روش مناسب برای محاسبه شدت جزیره گرمایی شهری است و در مقایسه با روش های قدیمی دقت و کارایی بالاتری دارد.

زلزله یکی از پیش بینی ناپذیر ترین و خطرناک ترین پدیده های طبیعی است که هرساله خسارات مالی و جانی فراوانی را باعث می شود. هنگام وقوع زلزله تنش ها و فعالیت های محدود ه گسل افزایش می یابد و باعث تغییرات دمایی محسوسی نسبت به دمای نرمال می شود. این تغییرات دمایی خود را به صورت بی هنجاری هایی در مکان یا زمان نشان می دهند . در این تحقیق با استفاده از محصولات حرارتی سنجند ه مادیس و شیپ فایل گسل های ایران، هفت زلزله با شدت بیشتر از شش ریشتر ، که در ایران رخ داده، بررسی شد ه است. در این پژوهش با استفاده از تشکیل تصویر زمان - دما - فاصله در گسل مربوط به زلزله به عنوان ورودی دو روش تشخیص بی هنجاری حرارتی روی داده ها بررسی شد ه است. در نهایت ، با استفاده از نتایج حاصل از بهترین روش تشخیص بی هنجاری پارامتر شدت با استفاده از شبکه عصبی مصنوعی برآورد شده است. نتایج الگوریتم های تشخیص ناهنجاری نشان می دهد هرچند هر دو روش تشخیص بی هنجاری حرارتی بی هنجاری حرارتی مربوط به هر زلزله را در روز زلزله در شعاع نزدیک به گسل شناسایی کرده اند روش چارکی ( Interquartile ) نسبت به روش میانگین - انحراف معیار نتایج مناسب تری را برای ورودی الگوریتم شبکه عصبی فراهم می کند. نتایج در مدل سازی نیز نشان می دهد پارامتر شدت زلزله ، که با استفاده از شبکه عصبی مصنوعی بررسی شد، دقت کلی 73/0 را داشته است. ذکر این نکته لازم است که پیش نشانگر تغییرات دمای سطح و بی هنجاری های حرارتی به تنهایی نمی تواند برای بررسی کامل پارامترهای زلزله کافی و دقت لازم را برای تحلیل زلزله داشته باشد. ولی با توجه به حجم پایین داده های حرارتی و سادگی کار با آن ها ، توصیه می شود از آن ها برای بررسی های ابتدایی و آغازین زمین لرزه استفاده شود و در صورت ت أ یید نسبی آن برای تحلیل های بیشتر، از روش ها و پیش نشانگرهای دیگر ، که در آن ها اعمال الگوریتم ها و پردازش های سنگین و پیچیده نیاز است، استفاده شود .