DOI: https://doi.org/10.1007/s44274-025-00474-6
تاريخ النشر: 2026-01-03
المؤلف: Chiranjit Singha وآخرون
الموضوع الرئيسي: تخفيف تأثير الجزر الحرارية الحضرية
نظرة عامة
تدرس هذه الدراسة الديناميات المكانية والزمنية لاستخدام الأراضي/غطاء الأرض (LULC) وتأثيراتها على درجة حرارة سطح الأرض (LST) في حوض توليغانج-بانشاناگرام في كولكاتا، الهند، على مدى عقدين (2000-2020) باستخدام بيانات لاندسات ضمن محرك جوجل الأرض (GEE). تستخدم البحث طرق تقييم تغيير استخدام الأراضي (MOLUSCE) كإضافة في QGIS، مدمجة الشبكات العصبية الاصطناعية مع الأوتوماتا الخلوية (CA-ANN) لتوقع LST لعام 2030 بناءً على LULC، ومؤشر الفرق المعياري للبناء (NDBI)، ومؤشر الفرق المعياري للنباتات (NDVI). تشير النتائج إلى زيادة كبيرة في الحد الأقصى لـ LST من 36.15 درجة مئوية في 2000 إلى 47.65 درجة مئوية في 2020، مع ارتباط قوي بين NDBI وLST. تم تحديد التوسع الحضري، لا سيما في المناطق الغربية والشمالية الغربية، كعامل رئيسي في ارتفاع درجات الحرارة، حيث زادت المناطق المبنية بنسبة 6.31% من 2000 إلى 2020 ومن المتوقع أن ترتفع بنسبة إضافية تبلغ 8.1% بحلول 2030.
تسلط الدراسة الضوء على أن هذه التحضر السريع أدى إلى تقليص كبير في الغطاء النباتي، والمساحات المفتوحة، والمسطحات المائية، مما ساهم في ظهور بؤر ساخنة ذات درجات حرارة سطح أرض مرتفعة، والتي من المتوقع أن تنمو من 11.26% من إجمالي مساحة الدراسة في 2000 إلى 55.23% بحلول 2030. تؤكد التحليل على الآثار السلبية للتوسع الحضري على المناخ المحلي وضرورة استراتيجيات إدارة جزيرة الحرارة الحضرية (UHI) المستدامة، بما في ذلك تعزيز الغطاء الأخضر واستعادة المسطحات المائية، للتخفيف من آثار ارتفاع درجات الحرارة وتغير الأنماط المناخية في المنطقة.
مقدمة
تناقش مقدمة ورقة البحث التحضر السريع في كولكاتا، الهند، مع تسليط الضوء على أهميته التاريخية كعاصمة سابقة وزيادة سكانه الدراماتيكية من 10,000 في 1706 إلى أكثر من 15 مليون اليوم. لقد exerted هذا النمو ضغطًا كبيرًا على الموارد الطبيعية للمدينة، مما أدى إلى تحديات بيئية مثل فقدان التنوع البيولوجي، وتجزئة المواطن، وسوء جودة الهواء. تؤكد الورقة على أهمية فهم تغييرات استخدام الأراضي/غطاء الأرض (LULC) وتغيرات درجة حرارة سطح الأرض (LST) كعوامل حاسمة تؤثر على البيئة الحضرية وصحة البيئة، لا سيما في سياق النمو السكاني الحضري العالمي المتوقع أن يصل إلى 70% بحلول 2050.
تهدف الدراسة إلى سد فجوة في الأبحاث الحالية من خلال استخدام نهج مبتكر يدمج نمذجة الأوتوماتا الخلوية-الشبكة العصبية الاصطناعية (CA-ANN) مع صور لاندسات المعالجة عبر محرك جوجل الأرض (GEE) وأداة MOLUSCE في QGIS. ستقوم هذه المنهجية بتقييم التغيرات المكانية والزمنية في LULC وتأثيرها على LST في منطقة كولكاتا من 2000 إلى 2030. من خلال دمج المحركات المكانية مثل كثافة شبكة الطرق وهطول الأمطار، تسعى البحث إلى تقديم رؤى حول بؤر حرارة الجزيرة الحضرية وتصور مسارات LULC، مما يوفر نماذج تنبؤية يمكن أن تُفيد في التخطيط الحضري واستراتيجيات إدارة البيئة.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتفصيل المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. كما يصف قسم الطرق البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتقييم النتائج.
تؤكد النتائج الرئيسية من هذا القسم على صرامة المنهجيات المطبقة، والتي قد تشمل تجارب محكومة، وتحديد حجم العينة، واستخدام اختبارات إحصائية مناسبة للتحقق من الفرضيات. تعتبر الوضوح والدقة في وصف المواد والطرق أمرًا حيويًا لتفسير النتائج وللبحوث المستقبلية للبناء على هذه النتائج.
نتائج
استخدمت نتائج الدراسة نموذج الانحدار الخطي لتحليل العلاقة بين مؤشر الفرق المعياري للبناء (NDBI) ودرجة حرارة سطح الأرض (LST) عبر منطقة التخطيط. كشفت التحليل عن ارتباط معتدل في 2000 (R² ≈ 0.41)، والذي تقوى بشكل كبير في السنوات اللاحقة، مع قيم R² تبلغ حوالي 0.676 في 2010 و0.81 في 2020. أكد انحدار المربعات العادية (OLS) وجود ارتباطات كبيرة (p < 0.001) بين LST وعوامل مختلفة، بما في ذلك NDVI، NDBI، هطول الأمطار، وكثافة الطرق. من الجدير بالذكر أنه تم تحديد ارتباط سلبي بين NDVI وLST (R² ≈ 0.229)، مما يشير إلى أن استراتيجيات مثل التشجير وتطوير المساحات الخضراء يمكن أن تساعد في التخفيف من الزيادات المستقبلية في LST. أشارت المزيد من تحليلات الارتباط إلى علاقات إيجابية قوية بين LST وNDBI (0.63) وكثافة الطرق (0.53)، بينما تم العثور على ارتباطات سلبية مع NDVI (-0.36) واستخدام الأراضي/غطاء الأرض (LULC) (-0.5). تعكس هذه النتائج التوسع الحضري المستمر من 2000 إلى 2020، حيث حلت البيئات المبنية بشكل متزايد محل المناطق المزروعة. أظهرت نتائج OLS ارتباطًا سلبيًا قويًا (> 99%) بين LST وNDVI، وارتباطًا إيجابيًا قويًا (99%) بين كثافة الطرق وNDBI. أظهر النموذج ملاءمة قوية، مع إحصائية F تبلغ 5176 وR² تبلغ 0.961، مما يشير إلى دلالة تزيد عن 99%. تراوحت قيم عامل التضخم في التباين (VIF) من 1.007 إلى 2.358، مما يؤكد غياب التعدد الخطي بين المتغيرات التنبؤية.
مناقشة
تركز الدراسة على حوض توليغانج-بانشاناگرام في كولكاتا، الهند، الذي يتميز بمناخ استوائي رطب وجاف، مع تقلبات كبيرة في درجات الحرارة الموسمية ومتوسط هطول الأمطار السنوي حوالي 1582 مم. تستخدم البحث صور لاندسات من 2000، 2010، و2020 لتحليل ديناميات استخدام الأراضي وغطاء الأرض (LULC)، باستخدام مؤشرات مختلفة مثل مؤشر الفرق المعياري للبناء (NDBI) ومؤشر الفرق المعياري للنباتات (NDVI). تشمل المنهجية انحدار المربعات العادية (OLS) وتحليل التعدد الخطي لتحديد العوامل المؤثرة في تغييرات LULC، تليها محاكاة باستخدام إضافة MOLUSCE في QGIS لتوقع السيناريوهات المستقبلية لعام 2030.
تكشف النتائج عن زيادة ملحوظة في المناطق المبنية من 54.58% في 2000 إلى 60.79% في 2020، مصحوبة بانخفاض في الغطاء النباتي والمسطحات المائية. تسلط الدراسة الضوء على تأثير التحضر على غطاء الأرض، مع نمو كبير في الأسطح غير النفاذة بسبب تطوير البنية التحتية والهجرة من الريف إلى الحضر. يشير تحليل NDBI إلى تركيز القيم العالية في المناطق ذات الكثافة السكانية العالية، بينما تظهر بيانات NDVI انخفاضًا في غطاء النباتات، لا سيما في المناطق الشمالية والغربية. بالإضافة إلى ذلك، تشير تقييمات درجة حرارة سطح الأرض (LST) إلى ارتفاع درجات الحرارة، خاصة في المناطق الحضرية، مما يزيد من تأثير جزيرة الحرارة الحضرية. تؤكد الدراسة على أهمية دمج بيانات LULC وNDBI وNDVI وLST للتخطيط الحضري الفعال وإدارة البيئة في مواجهة التوسع الحضري المستمر.
القيود
تؤكد قيود الدراسة على ضرورة إجراء تحليل جغرافي أوسع يتجاوز حوض TP في كولكاتا لتعزيز فهم تأثيرات التحضر عبر المناطق الحضرية. قد تؤثر عوامل مثل غطاء السحب، وظلال المدن، وتأثيرات البكسل المختلط، وعينات المستشعر متعددة الزمن على موثوقية النتائج، مما يقدم تباينًا في النتائج. بينما تم استخدام طريقة الغابة العشوائية (RF) لتصنيف استخدام الأراضي وغطاء الأرض (LULC) تحت إشراف، يمكن أن تستفيد الأبحاث المستقبلية من استخدام تقنيات متقدمة مثل المحولات البصرية أو خوارزميات التعلم العميق (DL) للحصول على رؤى أكثر دقة.
بالإضافة إلى ذلك، يعمل نموذج الأوتوماتا الخلوية-الشبكة العصبية الاصطناعية (CA-ANN)، على الرغم من فائدته، كـ “صندوق أسود”، مما يفتقر إلى الشفافية بشأن تأثير المتغيرات ومعايير الوزن. تسلط القيود الحالية في المراقبة في الوقت الحقيقي لتغييرات LULC ودرجة حرارة سطح الأرض (LST) الضوء على الحاجة إلى مزيد من التقدم المنهجي. يجب أن تتضمن الدراسات المستقبلية متغيرات مناخية وسياسية لتحسين دقة التنبؤ، جنبًا إلى جنب مع صور الأقمار الصناعية عالية الدقة وتقنيات DL، لفهم أفضل للتفاعلات بين LULC وLST والعوامل الاجتماعية والاقتصادية. تعتبر هذه التحسينات ضرورية لمساعدة صانعي السياسات في معالجة زيادات درجات الحرارة الحضرية وإدارة التوسع الحضري غير المخطط بشكل فعال.
DOI: https://doi.org/10.1007/s44274-025-00474-6
Publication Date: 2026-01-03
Author(s): Chiranjit Singha et al.
Primary Topic: Urban Heat Island Mitigation
Overview
This study examines the spatial and temporal dynamics of land use/land cover (LULC) and their effects on land surface temperature (LST) in the Tollygunge-Panchannagram basin of Kolkata, India, over two decades (2000-2020) using Landsat data within the Google Earth Engine (GEE). The research employs the Methods of Land Use Change Evaluation (MOLUSCE) plug-in in QGIS, integrating Artificial Neural Networks with Cellular Automata (CA-ANN) to project LST for 2030 based on LULC, the Normalized Difference Built-up Index (NDBI), and the Normalized Difference Vegetation Index (NDVI). The findings indicate a significant increase in maximum LST from 36.15 °C in 2000 to 47.65 °C in 2020, with a strong correlation between NDBI and LST. Urban expansion, particularly in the western and northwestern regions, has been identified as a key driver of elevated temperatures, with built-up areas increasing by 6.31% from 2000 to 2020 and projected to rise by an additional 8.1% by 2030.
The study highlights that this rapid urbanization has led to a substantial reduction in vegetation, open spaces, and water bodies, contributing to the emergence of high LST hotspots, which are expected to grow from 11.26% of the total study area in 2000 to 55.23% by 2030. The analysis underscores the adverse effects of urban expansion on the microclimate and the necessity for sustainable Urban Heat Island (UHI) management strategies, including enhancing green cover and restoring water bodies, to mitigate the impacts of rising temperatures and altered climatic patterns in the region.
Introduction
The introduction of the research paper discusses the rapid urbanization of Kolkata, India, highlighting its historical significance as a former capital and its dramatic population increase from 10,000 in 1706 to over 15 million today. This growth has exerted considerable pressure on the city’s natural resources, leading to environmental challenges such as loss of biodiversity, habitat fragmentation, and poor air quality. The paper emphasizes the importance of understanding land use/land cover (LULC) changes and land surface temperature (LST) variations as critical factors influencing urban ecology and environmental health, particularly in the context of global urban population growth projected to reach 70% by 2050.
The study aims to fill a gap in existing research by employing a novel approach that integrates Cellular Automata-Artificial Neural Network (CA-ANN) modeling with Landsat imagery processed through Google Earth Engine (GEE) and the MOLUSCE tool in QGIS. This methodology will assess spatiotemporal changes in LULC and their impact on LST in the Kolkata region from 2000 to 2030. By incorporating spatial drivers such as road network density and precipitation, the research seeks to provide insights into urban heat island hotspots and visualize LULC trajectories, ultimately offering predictive models that can inform urban planning and environmental management strategies.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methods section also describes the protocols followed for data collection, including any statistical analyses performed to evaluate the results.
Key findings from this section emphasize the rigor of the methodologies applied, which may include controlled experiments, sample size determination, and the use of appropriate statistical tests to validate the hypotheses. The clarity and precision in the description of materials and methods are crucial for the interpretation of results and for future research to build upon these findings.
Results
The results of the study employed a linear regression model to analyze the relationship between the Normalized Difference Built-up Index (NDBI) and Land Surface Temperature (LST) across a planning region. The analysis revealed a moderate correlation in 2000 (R² ≈ 0.41), which strengthened significantly in subsequent years, with R² values of approximately 0.676 in 2010 and 0.81 in 2020. Ordinary Least Squares (OLS) regression confirmed significant associations (p < 0.001) between LST and various factors, including NDVI, NDBI, rainfall, and road density. Notably, a negative correlation was identified between NDVI and LST (R² ≈ 0.229), suggesting that strategies such as afforestation and the development of green spaces could help mitigate future increases in LST. Further correlation analysis indicated strong positive relationships between LST and NDBI (0.63) and road density (0.53), while negative associations were found with NDVI (-0.36) and Land Use/Land Cover (LULC) (-0.5). These findings reflect the ongoing urban expansion from 2000 to 2020, where built environments increasingly supplanted vegetated areas. The OLS results indicated a strong negative correlation (> 99%) between LST and NDVI, and a similarly strong positive correlation (99%) between road density and NDBI. The model demonstrated a robust fit, with an F-statistic of 5176 and R² of 0.961, indicating over 99% significance. The Variance Inflation Factor (VIF) values ranged from 1.007 to 2.358, confirming the absence of multicollinearity among the predictor variables.
Discussion
The study focuses on the Tollygunge-Panchannagram basin in Kolkata, India, characterized by a tropical wet-and-dry climate, with significant seasonal temperature variations and annual rainfall averaging approximately 1582 mm. The research employs Landsat imagery from 2000, 2010, and 2020 to analyze land use and land cover (LULC) dynamics, utilizing various indices such as the Normalized Difference Built-up Index (NDBI) and the Normalized Difference Vegetation Index (NDVI). The methodology includes Ordinary Least Squares (OLS) regression and multicollinearity analysis to identify driving factors influencing LULC changes, followed by simulations using the MOLUSCE plugin in QGIS to predict future scenarios for 2030.
The findings reveal a notable increase in built-up areas from 54.58% in 2000 to 60.79% in 2020, accompanied by a decrease in vegetation and water bodies. The study highlights the impact of urbanization on land cover, with significant growth in impervious surfaces due to infrastructure development and rural-to-urban migration. The NDBI analysis indicates a concentration of high values in densely populated zones, while NDVI data show a decline in vegetation cover, particularly in the northern and western regions. Additionally, land surface temperature (LST) assessments indicate rising temperatures, especially in urban areas, exacerbating the Urban Heat Island effect. The study underscores the importance of integrating LULC, NDBI, NDVI, and LST data for effective urban planning and environmental management in the face of ongoing urban expansion.
Limitations
The study’s limitations emphasize the necessity for broader geographic analysis beyond the TP basin of Kolkata to enhance understanding of urbanization impacts across metropolitan areas. Factors such as cloud cover, urban shadowing, mixed pixel effects, and multi-temporal sensor sampling may affect the reliability of the results, introducing variability in findings. While the Random Forest (RF) method was utilized for supervised land use and land cover (LULC) classification, future research could benefit from employing advanced techniques such as vision transformers or deep learning (DL) algorithms for more nuanced insights.
Additionally, the Cellular Automata-Artificial Neural Network (CA-ANN) model, while useful, operates as a “black box,” lacking transparency regarding variable influence and weighting criteria. The current limitations in real-time monitoring of LULC and land surface temperature (LST) changes highlight the need for further methodological advancements. Future studies should incorporate climatic and policy variables to improve predictive accuracy, alongside high-resolution satellite imagery and DL techniques, to better understand the interactions among LULC, LST, and socioeconomic factors. Such improvements are essential for aiding policymakers in addressing urban temperature increases and managing unplanned urban expansion effectively.