پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,125 |
| تعداد مقالات | 76,663 |
| تعداد مشاهده مقاله | 153,718,478 |
| تعداد دریافت فایل اصل مقاله | 115,776,239 |
تحلیل فضایی اثرات زیرساختهای سبز بر شدت جزایر گرمایی سطحی در مقیاس محلهای تهران طی دوره ۲۰۱۵–۲۰۲۵ | ||
| محیط شناسی | ||
| مقاله 6، دوره 51، شماره 4، اسفند 1404، صفحه 511-534 اصل مقاله (1.9 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jes.2026.408985.1008667 | ||
| نویسندگان | ||
| ناهید نعمتی کوتنائی1؛ راما قلمبردزفولی* 2 | ||
| 1گروه جغرافیا، دانشکده علوم انسانی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران. | ||
| 2گروه شهرسازی، دانشکده معماری و شهرسازی، دانشگاه آزاد اسلامی واحد علوم و فناوری پردیس، پردیس، ایران. | ||
| چکیده | ||
| هدف: این پژوهش با هدف بررسی فضایی شدت جزیره گرمایی سطحی در ۳۵۲ محله کلانشهر تهران طی تابستانهای ۲۰۱۵- ۲۰۲۵ صورت گرفته است. در این راستا، تأکید بر نقش پوشش گیاهی، درصد پوشش درختی، سطوح نفوذناپذیر، آلبدو سطحی و ویژگیهای توپوگرافی (ارتفاع، شیب) بهمنظور شناسایی الگوهای ناهمگنی مکانی، محاسبه پتانسیل خنککنندگی محلی و ارائه چارچوب اولویتبندی مداخلات زیرساخت سبز شهری بوده است. روش پژوهش: دادههای سنجشازدور ماهوارههای لندست ۸/۹ (باندهای حرارتی OLI/TIRS) و سنتینل-۲ (MSI Level-2A) از پلتفرم Google Earth Engine برای استخراج دمای سطح زمین، شاخص نرمال شده پوشش گیاهی، درصد پوشش درختی (WorldCover 2021)، سطوح نفوذناپذیر، آلبدو سطحی، ارتفاع میانگین (SRTM) و شیب استخراج گردید. شدت جزیره گرمایی سطحی بر اساس تفاضل میانگین دمای سطح محله با میانه دمای کل شهر محاسبه شد. تحلیلهای اکتشافی شامل آمار توصیفی، آزمون موران جهانی/ محلی (خودهمبستگی فضایی)، تحلیل لکههای داغ (آماره گتیس- ارد جی)، همبستگی پیرسون و رگرسیون ساده انجام شد. مدلسازی شامل رگرسیون حداقل مربعات معمولی، آزمونهای لاگرانژ (انتخاب مدل خطای/ تأخیر/ دوربین فضایی)، رگرسیون وزنی جغرافیایی چندمقیاسی و محاسبه شاخص پتانسیل خنککنندگی (ترکیب قدرمطلق ضرایب محلی معنادار) در نرم افزارهای ArcGIS Pro و Python اجرا شد. یافتهها: براساس نتایج، میانگین دمای سطح 21/44 ±56/2 و شدت جزیره گرمایی سطحی 10/0±56/2 درجه سلسیوس محاسبه شد. خودهمبستگی فضایی قوی (شاخص موران جهانی شدت جزیره گرمایی= 0/7245، سطح معناداری کمتر از 0/001) و خوشهبندی داغ سطوح نفوذناپذیر در جنوب و مرکز شهر مشاهده گردید. همبستگیهای قوی شامل ارتفاع (همبستگی= 0/45-)، سطوح نفوذناپذیر (همبستگی= 0/38-) و پوشش گیاهی (همبستگی= 0/28-) بود. رگرسیون وزنی جغرافیایی چندمقیاسی (ضریب تعیین تعدیل شده= 0/9224، معیار اطلاعات آکائیکه تعدیل شده= 2127/36) نشان داد پوشش گیاهی (ضریب= 52/1-)، پوشش درختی (ضریب= 0/11-)، آلبدو (ضریب= 71/6-) اثرات خنککننده معنادار (سطح معناداری کمتر از 0/001، ۵۰ تا ۹۴ درصد محلات) و سطوح نفوذناپذیر اثر گرمکننده (۱۰۰ درصد محلات) با ناهمگنی شدید (ضریب تعیین محلی: 0/62-0/88) دارند. شاخص پتانسیل خنککنندگی میانگین 3/97 (با دامنه 2/28-6/38) محاسبه شد. نتیجهگیری: نتایج نشان میدهد که پوشش درختی و گیاهی در تعداد قابلتوجهی از محلات تهران، پتانسیل خنککنندگی بالایی داشته و نقشی کلیدی در تعدیل جزیره گرمایی سطحی ایفا میکند. مدل رگرسیون وزنی جغرافیایی چندمقیاسی (MGWR) با عملکردی بهمراتب برتر نسبت به مدلهای جهانی (رگرسیون حداقل مربعات معمولی با ضریب تعیین 0/62 و مدل خطای فضایی با ضریب تعیین 0/75)، ناهمگنی و مکان وابستگی روابط بین متغیرها را بهطور دقیق آشکار میسازد. از منظر سیاستی، یافتهها بر ضرورت اولویتدهی به مداخلات سبز در محلات جنوبی و بخشهایی از مرکز شهر با سطوح بالای نفوذناپذیری و پتانسیل خنککنندگی پایین تأکید دارد؛ رویکردی که میتواند به تحقق عدالت حرارتی و تقویت تابآوری اقلیمی شهری منجر شود. | ||
| کلیدواژهها | ||
| جزایر گرمایی شهری؛ دمای سطح زمین؛ رگرسیون فضایی؛ رگرسیون وزنی جغرافیایی؛ چندمقیاسی؛ زیرساخت سبز شهری | ||
| عنوان مقاله [English] | ||
| Spatial Analysis of the Effects of Green Infrastructure on Surface Urban Heat Island Intensity at the Neighborhood Scale in Tehran During the Period 2015-2025 | ||
| نویسندگان [English] | ||
| Nahid Nematikutenaee1؛ Rama Ghalambordezfooly2 | ||
| 1Department of Geography, Faculty of Humanities, Islamic Azad University, Research and Science Branch, Tehran, Iran. | ||
| 2Department of Urban Planning, Faculty of Architecture and Urban Planning, Islamic Azad University, Science and Technology Pardis Branch, Pardis, Iran. | ||
| چکیده [English] | ||
| Objective: This study aimed to spatially investigate the intensity of the surface urban heat island in 352 neighborhoods of the Tehran metropolis during the summers of 2015-2025. The emphasis was on the role of vegetation cover, percentage of tree cover, impervious surfaces, surface albedo, and topographic features (elevation, slope) in order to identify spatial heterogeneity patterns, calculate local cooling potential, and provide a prioritization framework for urban green infrastructure interventions. Method: Satellite remote sensing data from Landsat 8/9 (OLI/TIRS thermal bands) and Sentinel‑2 (MSI Level‑2A) on the Google Earth Engine platform were used to derive land surface temperature, the normalized difference vegetation index, tree cover percentage (WorldCover 2021), impervious surfaces, surface albedo, mean elevation (SRTM), and slope. Surface urban heat island intensity was calculated as the difference between the mean neighborhood land surface temperature and the median temperature of the entire city. Exploratory analyses included descriptive statistics, global and local Moran’s I (spatial autocorrelation), hot spot analysis (Getis‑Ord Gi* statistic), Pearson correlation, and simple regression. modeling comprised ordinary least squares regression, Lagrange Multiplier tests (for selecting spatial error/lag/Durbin models), multiscale geographically weighted regression, and calculation of a cooling potential index (combining the absolute values of significant local coefficients) implemented in ArcGIS Pro and Python. Results: According to the results, the mean land surface temperature was 44.21 ± 2.56, and the surface urban heat island intensity was 2.56 ± 0.10 degrees Celsius. Strong spatial autocorrelation was detected (global Moran’s I for heat island intensity = 0.7245, p < 0.001), and hot clusters of impervious surfaces were observed in the southern and central parts of the city. Strong correlations were found for elevation (r = −0.45), impervious surfaces (r = 0.38), and vegetation cover (r = −0.28). Multiscale geographically weighted regression (adjusted R² = 0.9224, adjusted Akaike information criterion = 2127.36) showed that vegetation cover (coefficient = −1.52), tree cover (coefficient = −0.11), and albedo (coefficient = −6.71) exerted significant cooling effects (p < 0.001 in 50–94% of neighborhoods), whereas impervious surfaces had a warming effect (in 100% of neighborhoods) with pronounced heterogeneity (local R² = 0.62–0.88). The mean cooling potential index was 3.97 (range: 2.28–6.38). Conclusions: The results indicate that tree and vegetation cover in a substantial proportion of Tehran’s neighborhoods have high cooling potential and play a key role in moderating the surface urban heat island. The multiscale geographically weighted regression (MGWR) model, which clearly outperforms global models (ordinary least squares regression with R² = 0.62 and the spatial error model with R² = 0.75), accurately reveals the spatial heterogeneity and location dependence of the relationships between variables. From a policy perspective, the findings underscore the need to prioritize green interventions in southern neighborhoods and parts of the city center characterized by high imperviousness and low cooling potential, a strategy that can promote thermal justice and enhance urban climate resilience. | ||
| کلیدواژهها [English] | ||
| Land surface temperature, Multiscale geographically, Weighted regression, Spatial regression, Urban green infrastructure, Urban heat islands | ||
| مراجع | ||
|
آزادی مبارکی، محمد و احمدی، محمود (1400). بررسی جزایر حرارتی شهری کلانشهر تبریز با استفاده از دادههای چند زمانه ماهواره LANDSAT8 مبتنی بر روش تحلیل لکههای داغ. فصلنامه برنامه ریزی منطقه ای، 11(43)، 47-63. https://dx.doi.org/10.30495/jzpm.2021.3992
پوردیهیمی، شهرام؛ تحصیلدوست، محمد و عامری، پوریا (1398). تأثیر پوشش گیاهی بر کاهش شدت جزایر حرارتی شهری: نمونه موردی کلانشهر تهران. فصلنامه پژوهشهای سیاستگذاری و برنامهریزی انرژی، ۵ (۳)، 97-122. http://epprjournal.ir/article-1-602-fa.html
ترکی، مسلم؛ مسعودیان، ابوالفضل و منتظری، مجید (1400). آب وهواشناسی جزایر گرمایی- سرمایی شهرهای بزرگ ایران. مجله جغرافیا و توسعه، 19(64)، 1-20. https://dx.doi.org/10.22111/j10.22111.2021.6368
صلاحی، برومند و فروتن، مهدی (1403). ارزیابی رابطه بین جزیره گرمایی با عناصر آلاینده جوی (مطالعه موردی: کلان شهر تهران). جغرافیا و مطالعات محیطی، 13(52)، 18-31. https://doi.org/10.71740/ges.2024.1106223
فربودی، مرضیه و زمانی، زهرا (1401). کاهش جزایر حرارتی شهری از طریق افزایش سبزینگی و سطوح نفوذپذیر در تهران. نشریه علوم و تکنولوژی محیطزیست، 24(2)، 31-45. https://doi.org/10.30495/jest.2022.58441.5276
قربانی، فاطمه و سجادزاده، حسن (1403). تاثیر تغییرات پوشش گیاهی بر شدت جزیره گرمایی در شهر (نمونه موردی: کلانشهر کرج). فصلنامه مطالعات شهری، 13(52)، 3-16. https://doi.org/10.22034/urbs.2024.140477.5005
منصوری، سید تاجالدین و ضرغامی، اسماعیل (1402). تحلیل دینامیک جزایر حرارتی شهری در تهران (2023-2013) براساس تصاویر MODIS و موتور Google Earth. پژوهش های سنجش از دور و اطلاعات مکانی، 2(1)، 45-64. https://doi.org/10.22061/jrsgr.2024.10762.1057
هریسچیان، مهدی؛ محمودزاده، حسن و قربانی، رسول (۱۴۰۴). ارزیابی تأثیرات کاهش جزایر حرارتی شهری زیرساختهای سبز بر افزایش بهرهوری کارهای سبک و سنگین، مطالعۀ موردی: کلانشهر تبریز. برنامهریزی فضایی، ۱۵(۲)، ۳۵-۷۰. https://doi.org/10.22108/sppl.2025.142015.1797
Ahmed, A. N., AlDahoul, N., Aziz, N. A., Huang, Y. F., Sherif, M., & El-Shafie, A. (2025). The urban heat Island effect: A review on predictive approaches using artificial intelligence models. City and Environment Interactions, 28, Article 100234. https://doi.org/10.1016/j.cacint.2025.100234
Anselin, L. (1988). Spatial econometrics: Methods and models. Springer. https://www.scribd.com/document/ 357393717/2-Anselin-Luc-1988-Spatial-Econometrics-pdf
Azadi Mubaraky, M., & Ahmadi, M. (2021). Investigation of urban heat islands of Tabriz metropolis using multi-time data of LANDSAT8 satellite based on hot spot analysis method. Journal of Regional Planning, 11(43), 47-63. https://dx.doi.org/10.30495/jzpm.2021.3992 [In Persian]
Chen, TL., Lin, ZH. & Jheng, DC. (2025). Spatial regression analysis of land use impact on land surface temperature in four East Asian metropolises. Sci Rep 15, 22252 https://doi.org/10.1038/s41598-025-07980-w
Cleland, S. E., Steinhardt, W., Neas, L. M., Jason West, J., & Rappold, A. G. (2023). Urban heat island impacts on heat-related cardiovascular morbidity: A time series analysis of older adults in US metropolitan areas. Environment international, 178, 108005. https://doi.org/10.1016/j.envint.2023.108005
Cliff, A. D., & Ord, J. K. (1981). Spatial processes: Models & applications. Pion. https://openlibrary.org/books/ OL36638829M/Spatial_Processes
Connors, J. P., Galletti, C. S., & Chow, W. T. L. (2013). Landscape configuration and urban heat island effects: Assessing the relationship between landscape characteristics and land surface temperature in Phoenix, Arizona. Landscape Ecology, 28(2), 271-283. https://doi.org/10.1007/s10980-012-9833-9
Danilina, N., & Majorzadehzahiri, A. (2021). Analysis situation of urban green space framework in Tehran. Vestnik MGSU. https://doi.org/10.22227/1997-0935.2021.8.975-985
Eshetie S. M. (2024). Exploring urban land surface temperature using spatial modelling techniques: a case study of Addis Ababa city, Ethiopia. Scientific reports, 14(1), 6323. https://doi.org/10.1038/s41598-024-55121-6
Farbudi, M. & Zamani, Z. (2022). Studying the solutions of urban heat island mitigation through greenery and permeable surface in Tehran. Journal of Environmental Science and Technology, 24 (2), 31-45. https://doi.org/10.30495/jest.2022.58441.5276 [In Persian]
Fotheringham, A. S., Yang, W., & Kang, W. (2017). Multiscale geographically weighted regression (MGWR). Annals of the American Association of Geographers, 107(6), 1247-1265. https://doi.org/10.1080/24694452.2017.135248
Ghorbani, F. & Sajadzadeh, H. (2024). The Impact of Vegetation on Urban Heat Island Reduction in the City of Karaj. Motaleate Shahri, 13(52), 3-16. https://doi.org/10.22034/urbs.2024.140477.5005 [In Persian]
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2025). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 306, Article 113456. https://doi.org/10.1016/j.rse.2017.06.031
Gunawardena, K. R., Wells, M. J., & Kershaw, T. (2017). Utilising green and bluespace to mitigate urban heat island intensity. Science of the Total Environment, 584-585, 1040–1055. https://doi.org/10.1016/j.scitotenv. 2017.01.158
Jang, S., Bae, J., & Kim, Y. (2024). Street-level urban heat island mitigation: Assessing the cooling effect of green infrastructure using urban IoT sensor big data. Sustainable Cities and Society, 100, 105007. https://doi.org/ 10.1016/j.scs.2023.105007
Jawarneh, R., & Abulibdeh, A. (2024). Geospatial modelling of seasonal water and electricity consumption in Doha's residential buildings using multiscale geographically weighted regression (MGWR) and Bootstrap analysis. Sustainable Cities and Society, 113, Article 105654. https://doi.org/10.1016/j.scs.2024.105654
Herischian, M., Mahmoudzadeh, H. & Ghorbani, R. (2025). Evaluating the Effects of Mitigating Urban Heat Islands of Green Infrastructure on Increasing the Productivity of Light and Heavy Works, Case Study: Tabriz Metropolitan. Spatial Planning, 15(2), 35-70. https://doi.org/10.22108/sppl.2025.142015.1797 [In Persian]
Huang, C., Liu, K., Ma, T., Xue, H., Wang, P., & Li, L. (2025). Analysis of the impact mechanisms and driving factors of urban spatial morphology on urban heat islands. Scientific Reports, 15(1), Article 18589. https://doi.org/ 10.1038/s41598-025-04025-0
Kong, G., Peng, J., & Corcoran, J. (2025). Modelling urban heat island effects: a global analysis of 216 cities using machine learning techniques. Computational Urban Science, 5, Article 18. https://doi.org/10.1007/s43762-025-00178-w
Luo, J., Yao, Y., & Yin, Q. (2023). Analysis of Long Time Series of Summer Surface Urban Heat Island under the Missing-Filled Satellite Data Scenario. Sensors, 23(22), 9206. https://doi.org/10.3390/s23229206
Krenz, K., & Amann, L. (2025). Urban heat island effect: examining spatial patterns of socio-demographic inequalities in Greater London. Cities & Health, 9(5), 901–924. https://doi.org/10.1080/23748834.2025.2489854
Marando, F., Heris, M. P., Zulian, G., Udías, A., Mentaschi, L., Chrysoulakis, N., Parastatidis, D., & Maes, J. (2022). Urban heat island mitigation by green infrastructure in European Functional Urban Areas. Sustainable Cities and Society, 77, Article 103564. https://doi.org/10.1016/j.scs.2021.103564
Meng, Y., Luo, Q., Bai, B., Li, Y., Lu, J., & Ren, J. (2025). Analysis of spatial heterogeneity in Xi'an's urban heat island effect using multi-source data fusion. PloS one, 20(10), e0332885. https://doi.org/10.1371/journal.pone.0332885
Malekzadeh, S., Jafari, H. R., Nazari, R., Blaschke, T., Hof, A., & Karimi, M. (2025). Modeling the cooling effect of urban green infrastructures with an ecosystem services approach (Case study: Tehran metropolis). International Journal of Human Capital in Urban Management, 10(2), 199–214. https://doi.org/10.22034/IJHCUM. 2025.02.01
Mansouri, S. T. & Zarghami, E. (2023). Dynamic Analysis of Urban Heat Islands in Tehran (2013-2023) Based on MODIS Images and Google Earth Engine. Journal of Remote Sensing and Geoinformation Research, 2(1), 45-64. https://doi.org/10.22061/jrsgr.2024.10762.1057 [In Persian]
Mhana, K. H., Norhisham, S. B., Katman, H. Y. B., & Yaseen, Z. M. (2023). Environmental impact assessment of transportation and land alteration using Earth observational datasets: Comparative study between cities in Asia and Europe. Heliyon, 9(9), e19413. https://doi.org/10.1016/j.heliyon.2023.e19413
Moran, P. A. P. (1950). Notes on Continuous Stochastic Phenomena. Biometrika, 37(1/2), 17–23. https://doi.org/10.2307/ 2332142
Oke, T. R., Mills, G., Christen, A., & Voogt, J. A. (2017). Urban Climates. Cambridge University Press. ISBN: 978-0521849500 (Hardcover) / 978-1107429536 (Paperback). https://doi.org/10.1017/9781139016476
Oke, T. R. (1982). The energetic basis of the urban heat island. Quarterly Journal of the Royal Meteorological Society, 108(455), 1–24. https://www.patarnott.com/pdf/Oake1982_UHI.pdf
Oshan, T. M., Li, Z., Kang, W., Wolf, L. J., & Fotheringham, A. S. (2019). GWmodel: An R package for geographically weighted models. Geographical Analysis, 51(2), 143-160. https://doi.org/10.48550/arXiv. 1306.0413
Richiardi, C., Caroscio, L., Crescini, E., De Marchi, M., De Pieri, G. M., Ceresi, C., Baldo, F., Francobaldi, M., & Pappalardo, S. E. (2025). A global downstream approach to mapping surface urban heat islands using open data and collaborative technology. Sustainable Geosciences: People, Planet and Prosperity, 1, 100006. https://www.sciencedirect.com/science/article/pii/S2950492925000057
Pourdeihimi S, Tahsildoost M, Ameri P. (2019). Effect of Vegetation Cover on Energy Consumption Optimization due to Reduction of Urban Heat Island intensity: Case of Tehran Metropolitan Area. Quarterly Journal of Energy Policy and Planning Research, 5 (3) ,97-122. http://epprjournal.ir/article-1-602-fa.html [In Persian]
Salahi, B., Frotan, M. (2024), Evaluating the Relationship between Heat Island and Atmospheric Pollutants (Case Study: Tehran Metropolis). Journal of Geography and Environmental Studies, 13 (52), 18-31. https://doi.org/10.71740/ges.2024.1106223 [In Persian]
Santamouris, M. (2020). Recent progress on urban overheating and heat island research: Integrated assessment of the energy, environmental, vulnerability and health impact. Energy and Buildings, 207, 109482. https://doi.org/ 10.1016/j.enbuild.2019.109482
Torki, M., Masoodian, S. A. & Montazeri, M. (2021). Climatology of Urban Heat/Cold Island of Metropolises of Iran. Geography and Development, 19 (64), 1-20. https://dx.doi.org/10.22111/j10.22111.2021.6368 [In Persian]
U.S. Environmental Protection Agency. (2024). What are heat islands? Retrieved November 25, 2025, from https://www.epa.gov/heatislands/what-are-heat-islands
Wang, Y., Li, X., Zhang, Q., & Li, L. (2025). Spatial regression analysis of land use impact on land surface temperature in four East Asian metropolises. Scientific Reports, 15(1), Article 22252. https://doi.org/10.1038/s41598-025-85146-4
Xu, Z., & Rui, J. (2024). The mitigating effect of green space's spatial and temporal patterns on the urban heat island in the context of urban densification: A case study of Xi'an. Sustainable Cities and Society, 117, 105974. https://doi.org/10.1016/j.scs.2024.105974
Zargari, M., Mofidi, A., Entezari, A. Baaghideh. M. (2024). Climatic comparison of surface urban heat island using satellite remote sensing in Tehran and suburbs. Sci Rep 14, 643 (2024). https://doi.org/10.1038/s41598-023-50757-2
Zeng, S., Zhang, J., & Tian, J. (2023). Analysis and Optimization of Thermal Environment in Old Urban Areas from the Perspective of “Function–Form” Differentiation. Sustainability, 15(7), Article 6172. https://doi.org/10.3390/ su15076172
Zhan, W., Li, L., Chakraborty, T. C., Hu, L., Wang, D., Liao, W., Wang, S., Du, H., Huang, F., Wang, C., Liu, Z., & Li, M. (2025). Recent widespread deceleration of global surface urban heat islands unveiled by satellites. Geophysical Research Letters, 52(12), e2024GL112711. https://doi.org/10.1029/2024GL112711
Zhong, Y., Li, S., Liang, X., & Guan, Q. (2024). Causal inference of urban heat island effect and its spatial heterogeneity: A case study of Wuhan, China. Sustainable Cities and Society, 115, 105850. https://doi.org/10.1016/j.scs.2024.105850 | ||
|
آمار تعداد مشاهده مقاله: 199 تعداد دریافت فایل اصل مقاله: 199 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب