Η επιφανειακή θερμοκρασία εδάφους (Land Surface Temperature - LST) είναι η θερμοκρασία που εκπέμπεται ή ανακλάται από την επιφάνεια της Γης, όπως καταγράφεται από δορυφορικούς αισθητήρες ή άλλα μέσα απομακρυσμένης παρατήρησης (NASA, nd). Αντιπροσωπεύει τη θερμοκρασία του ανώτερου στρώματος του εδάφους ή των δομημένων επιφανειών (όπως ασφάλτου ή τσιμέντου) και διαφέρει από τη θερμοκρασία του αέρα, καθώς επηρεάζεται άμεσα από την ηλιακή ακτινοβολία, την κάλυψη γης, την υγρασία του εδάφους και άλλους μικροκλιματικούς παράγοντες (Hulley et al., 2019; Polydoros et al., 2018).
Για τη δημιουργία του raster, χρησιμοποιήθηκαν δορυφορικά δεδομένα Landsat 8, συγκεκριμένα το προϊόν Level 2 Surface Reflectance & Surface Temperature (L2SP). Οι αισθητήρες του συγκεκριμένου δορυφόρου είναι οι OLI και TIRS (Earth Resources Observation and Science Center, 2020). Κύριο μέλημα κατά την επιλογή των δορυφορικών εικόνων ήταν η όσο το δυνατόν μικρότερη νεφοκάλυψη. Η ημερομηνία του εν λόγω raster είναι η 1/1/2025.
Σύμφωνα με το U.S. Geological Survey. (n.d.), για τον υπολογισμό της Θερμοκρασίας Επιφάνειας Εδάφους (LST) από τα δεδομένα του Landsat Collection 2 Level-2, χρησιμοποιείται η εξής εξίσωση μετατροπής των ψηφιακών αριθμών (Digital Numbers : DN) της Band 10, σε θερμοκρασία σε βαθμούς Kelvin: LST = (DN × 0.00341802) + 149.0 Έπειτα αφαιρείται από τις τιμές του raster η τιμή 273.15 για την μετατροπή σε βαθμούς κελσίου.
Είναι επιστημονικά αποδεκτό ότι στο βόρειο ημισφαίριο, οι βόρειες πλαγιές ενός ορεινού όγκου δέχονται λιγότερη ηλιακή ενέργεια από ότι οι νότιες πλαγιές (Fu et al., 1999; University of British Columbia, n.d.; Yang et al., 2020; Williams, 2022). Επίσης νωρίς στην ημέρα οι ανατολικές πλαγιές ενός ορεινού όγκου δέχονται πολλαπλάσια ηλιακή ενέργεια από τις δυτικές πλαγιές (University of British Columbia, n.d.; Xie et al., 2025). Πρέπει να αναφερθεί ότι τα δεδομένα της παρούσας εργασίας πάρθηκαν από τον Landsat νωρίς το πρωί. Στην εικόνα βλέπουμε ότι οι βόρειες και οι δυτικές πλαγιές είναι πιο ψυχρές από τις αντίστοιχες νότιες και ανατολικές στα ίδια όρη.
Όπως αναμενόταν η θάλασσα έχει ομοιόμορφη επιφανειακή θερμοκρασία σε όλη την περιοχή ενδιαφέροντος. Το βασικό εύρημα όμως είναι ότι μια μακρόστενη περιοχή ανάμεσα στον Κηφισό και την Συγγρού, το λιμάνι του Πειραιά, η Ελευσίνα και τα Μέγαρα παρουσιάζουν αισθητά υψηλότερες θερμοκρασίες από το περιβάλλον τους. Αν γίνει ανάλυση SUHII θα είναι πιο εμφανές το φαινόμενο της αστικής επιφανειακής θερμικής νησίδας. Ουσιαστικά είναι θερμά νησιά στην εικόνα, γιαυτό και ο ορισμός.
Ο κυριότερος και αποτελεσματικότερος τρόπος μείωσης της επιφανειακής θερμοκρασίας, αλλά και του φαινομένου της θερμικής αστικής νησίδας είναι η αύξηση των τετραγωνικών πρασίνου (Massaro et al., 2023; Çetin et al., 2024; Mastawal et al., 2025). Μια άλλη στρατηγική είναι η χρήση οικοδομικών υλικών με υψηλό albedo, δηλαδή υλικών που ανακλούν μεγάλο μέρος της προσπίπτουσας ηλιακής ακτινοβολίας (Apritasari et al., 2024). Για παράδειγμα, στην φύση το υψηλότερο albedo έχουν τα λευκά σύννεφα και το χιόνι. Γενικότερα, σκούρα υλικά τείνουν να έχουν μικρότερο albedo και να απορροφούν μεγαλύτερο μέρος της προσπίπτουσας ακτινοβολίας. Επιπλέον η αποφυγή υλικών με μεγάλη θερμοχωρητικότητα, όπως η άσφαλτος και το σκυρόδεμα και η αντικατάσταση τους με λιγότερο θερμοαπορροφητικά υλικά μπορεί να βελτιώσει αισθητά το φαινόμενο της επιφανειακής θερμικής νησίδας (Apritasari et al., 2024; He, 2024).
Υπάρχει η παρανόηση ότι το φαινόμενο της αστικής θερμικής νησίδας είναι εντονότερο την ημέρα, όμως αυτό είναι λάθος. Στην πραγματικότητα, η έντασή του φαινομένου κορυφώνεται την νύκτα, όταν η δομημένη περιοχή διατηρεί περισσότερη θερμότητα σε σχέση με το περιβάλλον της (Lemonsu et al., 2015). Σε αυτό το πλαίσιο η ώρα που περνά ο δορυφόρος Landsat, περίπου στις εννέα το πρωί, ίσως να μην είναι ο ενδεδειγμένος για αυτή την μελέτη. Η ώρα αυτή ίσως απεικονίζει το ναδίρ του φαινομένου (Theeuwes et al., 2015), καθώς ο ήλιος μόλις έχει βγει και οι δομημένες επιφάνειες είχαν όλη την νύχτα για να κρυώσουν. Μελλοντικές μελέτες πάνω στο θέμα ίσως επωφεληθούν από την επεξεργασία απογευματινών ή νυχτερινών δεδομένων.
| Κατηγορία | Τιμή |
|---|---|
| ID Προϊόντος | LC09_L2SP_183034_20250101_20250102_02_T1 |
| Ημερομηνία Λήψης | 01/01/2025 09:05:14 |
| Ημερομηνία Επεξεργασίας | 02/01/2025 |
| Περιοχή λήψης (Path/Row) | 183 / 034 |
| Κάλυψη Νεφών | 0.61% (συνολική), 0.68% (ξηρά) |
| Περιοχή Κάλυψης | Νοτιοανατολική Ελλάδα (24.5° – 27.2° Ανατ., 35.2° – 37.0° Βορ.) |
| Σύστημα Αναφοράς | UTM Zone 34N / WGS84 |
| Χωρική Ανάλυση | 30 m (OLI), 100 m (TIRS) |
| DOI Προϊόντος | https://doi.org/10.5066/P9OGBGM6 |
Apritasari, Y. D., Indraprastha, A., & Wonorahardjo, S. (2024). The role of building mass configuration and material selection for mitigating the intensity of the urban heat island. Energy and Buildings, 323, 114822. https://doi.org/10.1016/j.enbuild.2024.114822
Butler, K. (2013, July 24). Band combinations for Landsat 8. ArcGIS Blog. https://www.esri.com/arcgis-blog/products/product/imagery/band-combinations-for-landsat-8
Çetin, M., Özenen, M., Senyel Kurkcuoglu, M. A., Ozturk, G., Cabuk, S., & Cabuk, A. (2024). Determination of land surface temperature and urban heat island effects with remote sensing capabilities: The case of Kayseri, Türkiye. Natural Hazards, 120, 1–28. https://doi.org/10.1007/s11069-024-06431-5
Chakraborty, T., & Lee, X. (2019). A simplified urban-extent algorithm to characterize surface urban heat islands on a global scale and examine vegetation control on their spatiotemporal variability. International Journal of Applied Earth Observation and Geoinformation, 74, 269–280. https://doi.org/10.1016/j.jag.2018.09.015
Earth Resources Observation and Science (EROS) Center. (2020). Landsat 8-9 Operational Land Imager / Thermal Infrared Sensor Level-2, Collection 2 [dataset]. U.S. Geological Survey. https://doi.org/10.5066/P9OGBGM6
Fu, P., & Rich, P. (1999). Design and implementation of the Solar Analyst: An ArcView extension for modeling solar radiation at landscape scales. Proceedings of the 19th Annual ESRI User Conference.
He, B.-J. (2024). Innovate green building for urban heat mitigation and adaptation. PLOS Climate, 3(2), e0000352. https://doi.org/10.1371/journal.pclm.0000352
Hulley, G. C., Ghent, D., Göttsche, F. M., Guillevic, P. C., Mildrexler, D. J., & Coll, C. (2019). Land surface temperature. In G. C. Hulley & D. Ghent (Eds.), Taking the temperature of the Earth (pp. 57–127). Elsevier. https://doi.org/10.1016/B978-0-12-814458-9.00003-4
Lemonsu, A., Viguié, V., Daniel, M., & Masson, V. (2015). Vulnerability to heat waves: Impact of urban expansion scenarios on urban heat island and heat stress in Paris (France). Urban Climate, 14(Part 4), 586–605. https://doi.org/10.1016/j.uclim.2015.10.007
Massaro, E., Schifanella, R., Piccardo, M., Galli, G., Lovasi, G. S., Ratti, C., & Quaggiotto, M. (2023). Spatially-optimized urban greening for reduction of population exposure to land surface temperature extremes. Nature Communications, 14(1), 2903. https://doi.org/10.1038/s41467-023-38596-1
Mastawal, M., Mesfin, A., & Simachew, B. (2025). Urbanization and land surface temperature dynamics in Bahir Dar, Ethiopia: A comparative analysis of pre- and post-capital status. Frontiers in Environmental Science, 13, 1569636. https://doi.org/10.3389/fenvs.2025.1569636
Mutani, G., Scalise, A., Sufa, X., & Grasso, S. (2024). Synergizing machine learning and remote sensing for urban heat island dynamics: A comprehensive modelling approach. Preprints. https://doi.org/10.20944/preprints202409.2284.v1
NASA. (n.d.). Vegetation and land surface temperature. Earth Observatory. Retrieved September 5, 2024, from https://earthobservatory.nasa.gov/global-maps/MOD_NDVI_M/MOD_LSTD_M#:~:text=Land%20surface%20temperature%20is%20a,cools%20more%20quickly%20than%20air
Nuruzzaman, M. (2015). Urban heat island: Causes, effects and mitigation measures – A review. International Journal of Environmental Monitoring and Analysis, 3, 67–73. https://doi.org/10.11648/j.ijema.20150302.15