Aliran Suhu Permukaan Tanah: Ahmedabad lwn. Delhi ()

Saya dibesarkan di India dan berpindah ke Amerika Syarikat ketika saya berumur kira-kira 14 tahun. Selepas berpindah, kami tidak melawat India selama hampir 6–7 tahun. Baru-baru ini, keluarga saya memutuskan untuk kembali pada musim panas, dari Mei hingga Julai 2023. Apabila kami tiba, satu perkara yang menarik perhatian saya serta-merta: ia berasa lebih panas daripada yang saya ingat. Semasa saya melihat sekeliling, saya menyedari mengapa-kebanyakan kehijauan yang saya lihat telah hilang, digantikan dengan bangunan yang menjulang tinggi dan kompleks pangsapuri yang luas. Ia merupakan peringatan yang nyata tentang betapa banyak perubahan landskap dan membuatkan saya terfikir tentang kesan pembandaran pesat terhadap alam sekitar dan iklim.

Mari mulakan dengan butirannya!

Semasa lawatan saya ke India baru-baru ini, saya memutuskan untuk meneroka kesan Urban Heat Island (UHI) dengan menganalisis Suhu Permukaan Tanah (LST) Ahmedabad dan Delhi—dua bandar yang dekat dengan hati saya. Di bawah ialah gambar bandar ini untuk menetapkan pentas:

Garis masa yang saya pilih untuk analisis ini ialah:

2013: Titik permulaan saya, menandakan tempoh pengajian selama 10 tahun.
2016: Tahun saya meninggalkan India ke AS.
2023: Lawatan terbaru saya, yang memberi inspirasi kepada projek ini.

Untuk kajian ini, saya bergantung kepada dua sumber data utama:

• Data satelit daripada Enjin Google Earth untuk mendapatkan semula data awan dan suhu.
• Rekod cuaca daripada pangkalan data meteorologi lapangan terbang untuk pengesahan silang.

Bahagian 1: Pengumpulan dan penyediaan data:

Untuk projek ini, saya menggunakan data daripada sumber yang berbeza untuk mengkaji kesan Urban Heat Island (UHI) di Ahmedabad dan Delhi. Fokus utama saya ialah pada Suhu Permukaan Tanah (LST) dan data awan, yang saya kumpulkan menggunakan Enjin Google Earth dan rekod cuaca dari lapangan terbang.

Menggunakan Enjin Google Earth

Saya mengumpul data suhu daripada WeatherSpark, platform yang menyediakan rekod cuaca sejarah yang terperinci. Menggunakan data khusus untuk Ahmedabad dan Delhi, saya memfokuskan pada bulan Mei—dari 2013 hingga 2023—sejak Mei lazimnya merupakan bulan paling panas dalam setahun di kedua-dua bandar. Ini membolehkan saya menganalisis bagaimana suhu telah berkembang semasa kemuncak musim panas sepanjang dekad yang lalu.

• weatherspark.com

Suhu Mei Delhi: 2013, 2016, 2023

Suhu Mei Ahmedabad: 2013, 2016, 2023

Saya juga menggunakan data awan untuk memastikan hasil suhu saya tepat. Awan boleh menyekat bacaan satelit dan menjadikannya lebih sukar untuk mendapatkan suhu permukaan tanah yang betul. Untuk membetulkannya, saya menggunakan Enjin Google Earth untuk menapis kawasan yang mempunyai awan tebal. Ini membantu saya membersihkan data dan hanya menumpukan pada bacaan yang jelas, menjadikan keputusan saya lebih dipercayai.

Berikut ialah contoh kod yang saya gunakan untuk mengekstrak data awan. Jika anda bercadang untuk menggunakan kod ini dalam Enjin Google Earth, pastikan anda melaraskan longitud dan latitud, julat tarikh (daripada 365 hari) dan zon penimbal mengikut pilihan anda:

//area of study
var ahmedabad = ee.Geometry.Point([72.5713621, 23.022505]).buffer(30000); // buffer zone
var delhi = ee.Geometry.Point([77.1025, 28.7041]).buffer(30000); //buffer zone         

//Date
var DATE_RANGE = ee.Filter.dayOfYear(121, 151); 
var YEAR_RANGE = ee.Filter.calendarRange(2013, 2023, 'year');

var L8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') //Might want to change statelite according to your needs
  .select(['ST_B10', 'QA_PIXEL']) // Temperature and QA bands
  .filter(DATE_RANGE)
  .filter(YEAR_RANGE);

// Cloud masking function
function cloudMask(image) {
  var qa = image.select('QA_PIXEL');
  var mask = qa.bitwiseAnd(1 << 3).or(qa.bitwiseAnd(1 << 4)); // Cloud and shadow bits
  return image.updateMask(mask.not());
}

// cloud mask and filter by region
var L8_filtered = L8.map(cloudMask);

// Temperature conversion (Kelvin to Fahrenheit)
function kelvinToFahrenheit(image) {
  return image.select('ST_B10')
    .multiply(0.00341802) // Scale factor
    .add(149.0)          // Offset
    .subtract(273.15)    // Convert Kelvin to Celsius
    .multiply(9 / 5)     // Convert Celsius to Fahrenheit
    .add(32)             // Add Fahrenheit offset
    .rename('LST_Fahrenheit');
}

var ahmedabadLST = L8_filtered.filterBounds(ahmedabad).map(kelvinToCelsius).mean().clip(ahmedabad);
var delhiLST = L8_filtered.filterBounds(delhi).map(kelvinToCelsius).mean().clip(delhi);

// Visualization parameters //change the colors as you like
var visualizationParams = {
  min: 20, max: 45,
  palette: ['blue', 'yellow', 'red']
};

Map.centerObject(ahmedabad, 8);
Map.addLayer(ahmedabadLST, visualizationParams, 'Ahmedabad LST');
Map.addLayer(delhiLST, visualizationParams, 'Delhi LST');

// Export results to Google Drive
Export.image.toDrive({
  image: ahmedabadLST,
  description: 'Ahmedabad_LST_2013_2023',
  region: ahmedabad,
  scale: 30,
  maxPixels: 1e13,
  fileFormat: 'GeoTIFF'
});

Export.image.toDrive({
  image: delhiLST,
  description: 'Delhi_LST_2013_2023',
  region: delhi,
  scale: 30,
  maxPixels: 1e13,
  fileFormat: 'GeoTIFF'
});

// Calculate and print summary statistics
var ahmedabadStats = ahmedabadLST.reduceRegion({
  reducer: ee.Reducer.minMax().combine(ee.Reducer.mean(), null, true),
  geometry: ahmedabad,
  scale: 30
});
print('Ahmedabad Temperature Stats:', ahmedabadStats);

var delhiStats = delhiLST.reduceRegion({
  reducer: ee.Reducer.minMax().combine(ee.Reducer.mean(), null, true),
  geometry: delhi,
  scale: 30
});
print('Delhi Temperature Stats:', delhiStats);

Di bawah ialah gambar Data liputan Awan

Data Awan Mei Delhi: Gambaran Keseluruhan (2013, 2023, dan Analisis 10 Tahun)

Data Awan Mei Ahmedabad: Gambaran Keseluruhan (2013, 2023, dan Analisis 10 Tahun)

Menggunakan Rekod Cuaca
Untuk memastikan data satelit adalah betul, saya membandingkannya dengan rekod cuaca dari lapangan terbang di Ahmedabad dan Delhi. Rekod ini memberi saya bacaan suhu sebenar, yang membantu saya mengesahkan bahawa data satelit adalah tepat.

Bahagian 2: Mengvisualisasikan Data dengan ArcGIS Pro

Selepas memproses data awan dan suhu dalam Google Earth Engine, langkah seterusnya ialah membawa data ini ke dalam ArcGIS Pro untuk visualisasi lanjutan. Ini merupakan bahagian penting projek kerana data mentah mungkin sukar untuk ditafsirkan, tetapi membuat peta haba memudahkan semua orang memahami.

Untuk mencipta visualisasi, saya terlebih dahulu mengimport data Suhu Permukaan Tanah (LST) yang ditapis awan daripada Enjin Google Earth ke dalam ArcGIS Pro. Data ini, yang termasuk bacaan suhu terperinci, telah pun diperhalusi untuk mengalih keluar gangguan yang disebabkan oleh litupan awan. Prapemprosesan ini memastikan bahawa data adalah bersih dan boleh dipercayai untuk menghasilkan visualisasi yang tepat.

Setelah data diimport, saya menggunakan ArcGIS Pro untuk menjana peta haba. Peta ini dicipta dengan menggunakan kecerunan warna untuk mewakili julat suhu yang berbeza. Contohnya, kawasan yang lebih sejuk ditandakan dengan warna seperti oren (≤70°F), biru muda (≤80°F) dan hijau (≤90°F). Apabila suhu meningkat, warna yang lebih panas digunakan, seperti kuning (≤120°F) dan merah untuk suhu melebihi 140°F. Kunci, atau legenda, yang disediakan bersama peta dengan jelas menunjukkan julat suhu berkod warna ini, menjadikan visualisasi mudah untuk ditafsirkan.

Di bawah ialah gambar Lagenda

Saya mencipta peta haba untuk Ahmedabad dan Delhi untuk menunjukkan cara suhu berbeza di setiap bandar. Kawasan terbina, seperti zon perindustrian atau pusat bandar, kelihatan lebih panas dan ditunjukkan dalam warna merah, manakala taman dan ruang hijau lebih sejuk dan dipaparkan dalam warna hijau atau biru. Peta haba ini dengan jelas menyerlahkan kesan pembandaran dan kehijauan pada suhu permukaan.

Saya kemudiannya memperhalusi peta haba menggunakan ArcGIS Pro dengan melaraskan warna suhu dan menambah anak panah utara untuk arah. Perubahan ini memudahkan untuk memahami taburan haba di seluruh Ahmedabad dan Delhi.

Di bawah ialah gambar visualisasi Ahmedabad

Di bawah ialah gambar visualisasi Delhi

Kesimpulan: Aliran Panas Ahmedabad dan Delhi

Hasil projek ini menunjukkan bahawa Ahmedabad telah menjadi lebih panas sejak 10 tahun yang lalu, terutamanya pada bulan Mei, bulan paling panas dalam setahun. Menggunakan peta haba dalam ArcGIS Pro, saya mendapati bahawa kawasan yang mempunyai banyak bangunan dan sedikit kehijauan adalah yang paling panas, ditunjukkan dalam warna merah gelap, manakala taman dan ruang hijau lebih sejuk, ditunjukkan dalam warna hijau atau biru. Suhu dianalisis dalam Fahrenheit.

Ahmedabad amat panas kerana ia merupakan bandar yang sedang berkembang dengan pembandaran pesat dan kawasan hijau yang semakin mengecil. Satu ciri ketara dalam peta haba ialah Sungai Sabarmati, kelihatan sebagai garisan biru yang lebih sejuk melintasi bandar. Sebaliknya, Delhi, sebagai ibu kota, lebih maju dan menunjukkan suhu yang lebih rendah sedikit, walaupun ia kekal padat penduduk dan dibina dengan banyak. Kedua-dua bandar menunjukkan perbandaran yang padat dan populasi yang besar, seperti yang dilihat dalam imej yang disertakan dalam poster.

Data juga menyerlahkan cara ruang hijau dan tumbuh-tumbuhan membantu menyejukkan bandar. Pada hari cerah tanpa awan, suhu lebih tinggi, terutamanya di kawasan tanpa pokok atau taman. Ini menunjukkan betapa pentingnya kehijauan untuk memastikan bandar lebih sejuk.

Kesimpulannya, Ahmedabad menjadi lebih panas apabila ia berkembang, manakala Delhi kekal hangat kerana penduduk dan infrastrukturnya yang padat. Untuk menjadikan bandar lebih sesuai untuk didiami, kita perlu menumpukan pada mewujudkan lebih banyak taman, menanam pokok dan melindungi ruang hijau. Langkah-langkah ini boleh membantu mengurangkan haba dan meningkatkan kualiti hidup di kawasan bandar.

Di bawah ialah Poster keputusan

Atas ialah kandungan terperinci Aliran Suhu Permukaan Tanah: Ahmedabad lwn. Delhi (). Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!