Ich bin in Indien aufgewachsen und bin mit etwa 14 Jahren in die USA gezogen. Nach dem Umzug haben wir Indien fast 6–7 Jahre lang nicht besucht. Kürzlich hat meine Familie beschlossen, im Sommer, von Mai bis Juli 2023, dorthin zurückzukehren. Als wir ankamen, fiel mir eines sofort auf: Es fühlte sich viel heißer an, als ich es in Erinnerung hatte. Als ich mich umsah, wurde mir klar, warum: Ein Großteil des Grüns, das ich als Kind gesehen hatte, war verschwunden und durch hoch aufragende Gebäude und weitläufige Apartmentkomplexe ersetzt worden. Es war eine deutliche Erinnerung daran, wie sehr sich die Landschaft verändert hatte, und ließ mich über die Auswirkungen der raschen Urbanisierung auf die Umwelt und das Klima nachdenken.
Beginnen wir mit den Details!
Während meines jüngsten Besuchs in Indien habe ich beschlossen, den Urban Heat Island (UHI)-Effekt zu untersuchen, indem ich die Landoberflächentemperaturen (LST) von Ahmedabad und Delhi analysierte – zwei Städten, die mir am Herzen liegen. Unten ist ein Schnappschuss dieser Städte, um die Bühne zu bereiten:
2013: Mein Ausgangspunkt, eine 10-jährige Studienzeit.
2016: Das Jahr, in dem ich Indien in die USA verließ.
2023: Mein letzter Besuch, der dieses Projekt inspiriert hat.
Für dieses Projekt habe ich Daten aus verschiedenen Quellen verwendet, um den Urban Heat Island (UHI)-Effekt in Ahmedabad und Delhi zu untersuchen. Mein Hauptaugenmerk lag auf Landoberflächentemperatur (LST) und Wolkendaten, die ich mit Google Earth Engine gesammelt habe, sowie auf Wetteraufzeichnungen von Flughäfen.
Ich habe Temperaturdaten von WeatherSpark gesammelt, einer Plattform, die detaillierte historische Wetteraufzeichnungen bereitstellt. Unter Verwendung spezifischer Daten für Ahmedabad und Delhi habe ich mich auf den Monat Mai – von 2013 bis 2023 – konzentriert, da der Mai in beiden Städten normalerweise der heißeste Monat des Jahres ist. Dadurch konnte ich analysieren, wie sich die Temperaturen im Hochsommer im letzten Jahrzehnt entwickelt haben.
Ich habe auch Wolkendaten verwendet, um sicherzustellen, dass meine Temperaturergebnisse korrekt sind. Wolken können Satellitenmessungen blockieren und es schwieriger machen, korrekte Landoberflächentemperaturen zu ermitteln. Um dieses Problem zu beheben, habe ich Google Earth Engine verwendet, um Gebiete mit starker Bewölkung herauszufiltern. Dies hat mir geholfen, die Daten zu bereinigen und mich nur auf klare Messwerte zu konzentrieren, wodurch meine Ergebnisse zuverlässiger wurden.
Hier ist ein Beispiel für den Code, den ich zum Extrahieren von Cloud-Daten verwendet habe. Wenn Sie diesen Code in Google Earth Engine verwenden möchten, stellen Sie sicher, dass Sie den Längen- und Breitengrad, den Datumsbereich (von 365 Tagen) und die Pufferzone anpassen nach Ihren Vorlieben:
//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);
Unten ist das Bild der Wolkenabdeckungsdaten
Wetteraufzeichnungen verwenden
Um sicherzustellen, dass die Satellitendaten korrekt waren, habe ich sie mit Wetteraufzeichnungen von Flughäfen in Ahmedabad und Delhi verglichen. Diese Aufzeichnungen lieferten mir echte Temperaturwerte, die mir halfen zu bestätigen, dass die Satellitendaten korrekt waren.
Nach der Verarbeitung der Wolken- und Temperaturdaten in Google Earth Engine bestand der nächste Schritt darin, diese Daten zur erweiterten Visualisierung in ArcGIS Pro zu übertragen. Dies war ein wesentlicher Teil des Projekts, da Rohdaten schwer zu interpretieren sein können, aber die Erstellung von Heatmaps macht es für alle einfacher, sie zu verstehen.
Um die Visualisierungen zu erstellen, habe ich zunächst die wolkengefilterten LST-Daten (Land Surface Temperature) von Google Earth Engine in ArcGIS Pro importiert. Diese Daten, zu denen auch detaillierte Temperaturwerte gehörten, waren bereits verfeinert worden, um Störungen durch die Wolkendecke zu beseitigen. Diese Vorverarbeitung stellte sicher, dass die Daten sauber und zuverlässig waren, um genaue Visualisierungen zu erstellen.
Sobald die Daten importiert waren, habe ich ArcGIS Pro verwendet, um Heatmaps zu erstellen. Diese Karten wurden durch Anwenden eines Farbverlaufs erstellt, um verschiedene Temperaturbereiche darzustellen. Beispielsweise wurden kühlere Bereiche mit Farben wie Orange (≤70 °F), Hellblau (≤80 °F) und Grün (≤90 °F) markiert. Als die Temperaturen stiegen, wurden wärmere Farben verwendet, beispielsweise Gelb (≤ 120 °F) und Rot für Temperaturen über 140 °F. Der mit den Karten bereitgestellte Schlüssel oder die Legende zeigten diese farbcodierten Temperaturbereiche deutlich an, wodurch die Visualisierungen leicht zu interpretieren waren.
Unten ist das Bild der Legende
Ich habe Wärmekarten für Ahmedabad und Delhi erstellt, um zu zeigen, wie die Temperaturen in den einzelnen Städten variieren. Bebaute Gebiete wie Industriegebiete oder Stadtzentren erschienen deutlich heißer und wurden in Rot dargestellt, während Parks und Grünflächen kühler waren und in Grün oder Blau dargestellt wurden. Diese Wärmekarten verdeutlichen deutlich die Auswirkungen von Urbanisierung und Grünflächen auf die Oberflächentemperaturen.
Ich habe dann die Wärmekarten mit ArcGIS Pro verfeinert, indem ich die Temperaturfarben angepasst und einen Nordpfeil für die Richtung hinzugefügt habe. Diese Änderungen machten es einfacher, die Wärmeverteilung in Ahmedabad und Delhi zu verstehen.
Unten ist das Bild der Ahmedabad-Visualisierung
Unten ist das Bild der Delhi-Visualisierung
Die Ergebnisse dieses Projekts zeigten, dass Ahmedabad in den letzten 10 Jahren deutlich heißer geworden ist, insbesondere im Mai, dem heißesten Monat des Jahres. Mithilfe von Wärmekarten in ArcGIS Pro habe ich herausgefunden, dass Gebiete mit vielen Gebäuden und wenig Grün am heißesten sind (in Dunkelrot dargestellt), während Parks und Grünflächen kühler sind (in Grün oder Blau dargestellt). Die Temperaturen wurden in Fahrenheit analysiert.
Ahmedabad ist besonders heiß, weil es eine wachsende Stadt mit rasanter Urbanisierung und schrumpfenden Grünflächen ist. Ein auffälliges Merkmal in der Heatmap ist der Sabarmati-Fluss, der als kühlere blaue Linie durch die Stadt sichtbar ist. Im Gegensatz dazu ist Delhi als Hauptstadt weiter entwickelt und weist etwas niedrigere Temperaturen auf, bleibt jedoch dicht besiedelt und stark bebaut. Beide Städte weisen eine dichte Urbanisierung und große Bevölkerungszahlen auf, wie auf den Bildern im Poster zu sehen ist.
Die Daten verdeutlichten auch, wie Grünflächen und Vegetation zur Kühlung von Städten beitragen. An klaren Tagen ohne Wolken waren die Temperaturen höher, insbesondere in Gebieten ohne Bäume oder Parks. Dies zeigt, wie wichtig Grün dafür ist, Städte kühler zu halten.
Zusammenfassend lässt sich sagen, dass Ahmedabad mit zunehmendem Wachstum heißer wird, während Delhi aufgrund seiner dichten Bevölkerung und Infrastruktur warm bleibt. Um Städte lebenswerter zu machen, müssen wir uns darauf konzentrieren, mehr Parks zu schaffen, Bäume zu pflanzen und Grünflächen zu schützen. Diese Schritte können dazu beitragen, die Hitze zu reduzieren und die Lebensqualität in städtischen Gebieten zu verbessern.
Unten finden Sie das Poster mit den Ergebnissen
Das obige ist der detaillierte Inhalt vonTrends der Landoberflächentemperatur: Ahmedabad vs. Delhi (). Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
