تصاویر حرارتی

دما یکی از شاخص ترین پارامتر های اقلیمی و از اصلی ترین عوامل اثرگذار در برنامه ریزی شهر ها محسوب می شود زیرا هدایت کنندة نوع تسهیلات اختصاص یافته در شهر ها و حتی تعیین کننده ساختار، شکل و بافت شهری است. دمای سطح فاکتور اصلی در تعادل انرژی کره زمین بوده و به عنوان ورودی مدل های تغییرات آب وهوایی و جزایر حرارتی شهری به کار می رود. دمای کلان شهرها در مقایسه با مناطق شهری و روستایی اطراف بیش تر و مشهودتر است که به این پدیده «جزیرة حرارتی شهری» گفته می شود. کلان شهر کرج سومین کلان شهر بزرگ و دومین شهر مهاجرپذیر ایران (پس از کلان شهر تهران) است و به علت داشتن چنین جایگاهی، بررسی حرارتی آن بیش از پیش احساس می شود. در این تحقیق دمای سطح زمین در کلان شهرکرج با استفاده از تصاویر ماهوارة لندست8 (چهار تصویر) در سال های 2013 و 2014، به کمک روش های گوناگون استخراج شد. روش های مورد استفاده شامل پنجرة تکی، سبال، استفان- بولتزمن، تک کانالی (توسعه داده شده توسط مونیوس و سوبرینو[1]، 2003)، تک کانالی (توسعه داده شده توسط مونوس و همکاران، 2014)، پنجره مجزا و دفتر علوم لندست است. در نهایت، با استفاده از شاخص آماری میانگین خطای مطلق روش های گوناگون مقایسه شد و بهترین روش، به واسطه نزدیکی به دادة زمینی انتخاب شد. نتایج نشان داد بهترین روش مورد استفاده روش سبال باند 11 با مقدار میانگین خطای مطلق 98/7 است؛ ضمن آن که در حالت کلی، باند 11 ماهوارة لندست 8، به منظور استخراج دمای سطح زمین نتایج قابل اعتمادتری نسبت به باند 10 تولید می کند. همچنین بررسی نتایج در تاریخ های مختلف مشخص کرد تصاویر نیمة دوم سال در مقایسه با نیمة اول سال، تخمین دقیق تر و نتایج نزدیک تری به واقعیت تولید می کنند.

هدف: بررسی رابطه بین دمای سطح زمین و کاربری های شهری می تواند در مدیریت شهری مورد استفاده قرار بگیرد؛ اما یکی از مشکلات پیش رو، قدرت تفکیک مکانی پایین تصاویر حرارتی است. هدف این پژوهش، بررسی و انتخاب بهترین الگوریتم موجود با هدف دستیابی به توان تفکیک مکانی بالای تصاویر حرارتی برای بررسی و تحلیل تغییرات دمای سطح زمین در منطقه ۴ اهواز و کشف بهترین الگوریتم در این زمینه است. روش و داده: به همین منظور الگوریتم Split Window به عنوان یکی از متداول ترین الگوریتم های مناسب تعیین دما و الگوریتم T Sharp Dis Trade و SFIM در مناطق شهری به منظور بهبود قدرت تفکیک مکانی استفاده شده است. یافته ها: نتایج نشان می دهد که توان تفکیک مکانی تصویر خروجی حاصل از الگوریتم Split Window ، T Sharp Dis Trade و SFIM، به ترتیب برابر با ۳۰، ۱۰۰ و ۴۵ متر است. الگوریتم T Sharp Dis Trade توان تفکیک بسیار مناسبی برای تصویر خروجی نشان داد به گونه ای که بر اساس آن تفکیک کاربری های مختلف متناسب با دمای آن ها میسر شد. الگوریتم های Split Window و SFIM نتایج قابل قبولی در بررسی کاربری ها ارائه ندادند. همچنین میانگین دمای به دست آمده از الگوریتم T Sharp Dis Trade، Split Window و SFIM به ترتیب برابر با ۱۷/۵، ۲۳/۵ و ۲۸/۲۵ درجه سانتی گراد است. این تفاوت دمایی الگوریتم ها به دلیل اعمال فرآیند تلفیق است. نتیجه گیری: در نتیجه الگوریتم T Sharp Dis Trade در زمینه  بهبود دقت مکانی تصاویر حرارتی موثرتر عمل کرد. نوآوری، کاربرد نتایج: نوآوری های پژوهش حاضر عبارتند از: استفاده همزمان سه الگوریتم ذکر شده با هدف افزایش توان تفکیک مکانی تصاویر حرارتی و کشف بهترین الگوریتم در این زمینه، که در تحقیقات قبلی تاکنون انجام نشده است، بهبود توان تفکیک مکانی تصاویر حرارتی برای ارزیابی کاربری های شهری با استفاده از الگوریتم T Sharp Dis Trade و بررسی دقیق تغییرات دمای سطح زمین است.