بررسی تغییرات پوشش گیاهی در فصول مختلف رویش با استفاده از تصاویر ماهواره‌ای و ارتباط آن با تغییرات دما (منطقه مورد مطالعه: شمال شهرستان داراب)

اکوسیستم های طبیعی ایران

مقاله 1، دوره 8، شماره 3 - شماره پیاپی 29، آذر 1396، صفحه 1-20   

نوع مقاله: پژوهشی

نویسندگان

مرضیه مکرم^{* 1}؛ ملیحه مزین²؛ محمد فرجی³؛ کتایون موسوی³

¹دانشگاه شیراز

²مرتع و آبخیزداری، دانشگاه خاتم الانبیا، خوزستان، ایران

³گروه مرتع و آبخیزداری، دانشگاه خاتم الانبیا، خوزستان، ایران

چکیده

این مطالعه با هدف بررسی تغییرات تاج پوشش گیاهی با استفاده از تصاویر ماهواره‌ای و ارتباط آن با شاخص‌های پوشش گیاهی NDVI)، VIN، SS و RVI) و اطلاعات اقلیمی در مکان‌های مختلف مرتعی در شمال شهرستان داراب واقع در استان فارس انجام شد. برای این منظور از تصاویر ماهواره لندست 8 ETM + (2015) و ASTER (2005) استفاده شد. ابتدا جهت پیش پردازش، تصحیحات هندسی و اتمسفری بر روی تصاویر اعمال گردید. سپس با توجه به شاخص‌های پوشش گیاهی استخراج شده از تصاویر لندست، میزان همبستگی پوشش گیاهی با شاخص‌های گیاهی بررسی گردید. برای این منظور از 39 نقطه از منطقه به طور تصادفی نمونه برداری شد. در این مطالعه با استفاده از تکنیک سنجش از دور و تصاویر ماهواره‌ای وضعیت پوشش گیاهی و میزان دما در منطقه بررسی شد. به منظور بررسی پوشش گیاهی منطقه مورد مطالعه از شاخص‌های پوشش گیاهی (NDVI، RVI، SS و VIN) استفاده شد. همچنین به منظور بررسی ارتباط بین شاخص‌های پوشش گیاهی و دما از آنالیز رگرسیون استفاده شد. نتایج حاصل از همبستگی و رگرسیون خطی نشان داد که در اغلب موارد (بیش از 90 درصد) ارتباط معناداری بین شاخص‌های پوشش گیاهی و میزان دما در منطقه مورد مطالعه وجود دارد.

کلیدواژه‌ها

شاخص پوشش گیاهی؛ همبستگی؛ رگرسیون؛ دما؛ شهرستان داراب

اصل مقاله

بررسی تغییرات پوشش گیاهی در فصول مختلف رویش با استفاده از تصاویر ماهواره‌ای و ارتباط آن با تغییرات دما (منطقه مورد مطالعه: شمال شهرستان داراب)

 

مرضیه مکرم[1]^*، ملیحه مزین[2]، محمد فرجی[3]، کتایون موسوی[4]

تاریخ دریافت: 1/05/96    تاریخ پذیرش : 1/09/96

چکیده

این مطالعه با هدف بررسی تغییرات تاج پوشش گیاهی با استفاده از تصاویر ماهواره‌ای و ارتباط آن با شاخص‌های پوشش گیاهی NDVI)، VIN، SS و RVI) و اطلاعات اقلیمی در مکان‌های مختلف مرتعی در شمال شهرستان داراب واقع در استان فارس انجام شد. برای این منظور از تصاویر ماهواره لندست 8 ETM + (2015) و ASTER (2005) استفاده شد. ابتدا جهت پیش پردازش، تصحیحات هندسی و اتمسفری بر روی تصاویر اعمال گردید. سپس با توجه به شاخص‌های پوشش گیاهی استخراج شده از تصاویر لندست، میزان همبستگی پوشش گیاهی با شاخص‌های گیاهی بررسی گردید. برای این منظور از 39 نقطه از منطقه به طور تصادفی نمونه برداری شد. در این مطالعه با استفاده از تکنیک سنجش از دور و تصاویر ماهواره‌ای وضعیت پوشش گیاهی و میزان دما در منطقه بررسی شد. به منظور بررسی پوشش گیاهی منطقه مورد مطالعه از شاخص‌های پوشش گیاهی (NDVI، RVI، SS و VIN) استفاده شد. همچنین به منظور بررسی ارتباط بین شاخص‌های پوشش گیاهی و دما از آنالیز رگرسیون استفاده شد. نتایج حاصل از همبستگی و رگرسیون خطی نشان داد که در اغلب موارد (بیش از 90 درصد) ارتباط معناداری بین شاخص‌های پوشش گیاهی و میزان دما در منطقه مورد مطالعه وجود دارد. به طوریکه با افزایش دما میزان شاخص‌های پوشش گیاهی کاهش می‌یابد. همچنین نتایج حاصل نشان داد که از بین شاخص پوشش گیاهی، شاخص NDVI دارای دقت بیشتری به منظور پیش بینی میزان پوشش گیاهی است. با توجه به اینکه منطقه مورد مطالعه در مناطق گرمسیری (جنوب استان فارس) قرار گرفته، و از طرفی فصل رویش پوشش گیاهی در فروردین ماه بوده که زودتر از مناطق سردسیری است،  میزان شاخص‌های پوشش گیاهی در فصل رشد زیادتر بوده که با افزایش دما میزان این شاخص در ماه‌های بعد کمتر می­شود. در صورتی که در مناطق سردسیری با تاخیر در فصل رویش گیاه، میزان شاخص پوشش گیاهی در ماه­های اردیبهشت و حتی خرداد دارای بیشترین مقدر است. بنابراین با توجه به شرایط مختلف اقلیمی روند تغییرات شاخص پوش گیاهی در مناطق مختلف متفاوت می­باشد.

 

کلمات کلیدی: شاخص پوشش گیاهی، همبستگی، رگرسیون، دما، شهرستان داراب.

 

مقدمه

امروزه از سنجش از دور به عنوان یکی از تکنیک‌های مهم برای بررسی تغییرات پوشش گیاهی استفاده می‌شود. در حقیقت می‌توان از طریق تصاویر ماهواره‌ای، شاخص‌های پوشش گیاهی را مشخص نمود.

بررسی تغییرات پوشش گیاهی در سال­های مختلف مهم می­باشد و اطلاعات آن کمک زیادی به تصمیم­گیری مدیران می­کند. با توجه به اینکه  اطلاعات پوشش گیاهی در سال های گذشته در دسترس نیست و از طرفی دستیابی به اطلاعات پوشش گیاهی کاری هزینه بر و زمان بر می­باشد،  می توان با تهیه تصاویر ماهواره­ای و استخراج شاخص پوشش گیاهی، اطلاعات مربوط به پوشش گیاهی را تعیین نمود.  از طرفی با توجه به اینکه تغییرات اقلیمی بر روی پوشش گیاهی تاثیر زیادی دارد، با بررسی و تعیین ارتباط بین شاخص­های پوشش گیاهی و پارامترهای اقلیمی مانند دما می توان وضعیت پوشش گیاهی را تعیین نمود.

مطالعات متعددی در زمینه بررسی پوشش گیاهی از طریق شاخص­های پوشش گیاهی انجام شده است که از آن جمله می توان به مطالعات کالرا و همکاران (2001) اشاره نمود. آن ها با بررسی تاج پوشش گیاهی و شاخص‌های پوشش گیاهی به این نتیجه رسیدند که بین تغییرات پوشش گیاهی و شاخص‌های پوشش گیاهی ارتباط معناداری وجود دارد [1]. کوهن و همکاران (2003) با بررسی شاخص سطح برگ و شاخص‌های گیاهی محاسبه شده با داده‌های ماهواره لندست به این نتیجه رسیدند که ارتباط معناداری بین شاخص سطح برگ و شاخص‌های پوشش گیاهی وجود دارد [2].

گورگل و فرتایا (2003) تغییرات پوشش گیاهی را در ارتباط با شرایط اقلیمی در برزیل بررسی نمودند. نتایج نشان داد که زمان بارندگی منجر به تغییرات در پوشش گیاهی منطقه مورد مطالعه می‌شود. به طوریکه بارندگی در فصل تابستان همبستگی 70 درصد و در فصل بهار 91 درصد با تغییرات پوشش گیاهی نشان می‌دهد [3]. لیانگ و همکاران (2005) از تصاویر ماهواره‌ای لندست 8 +ETM به منظور بررسی تغییرات پوشش گیاهی و میزان بارندگی در شمال چین استفاده نمودند. نتایج نشان داد که در مناطق علف زار همبستگی بسیار زیادی بین پوشش گیاهی و بارندگی وجود دارد [4].

حسینی و همکاران (2011) نوسانات بارندگی و تغییرات پوشش گیاهی را در بخشی از مراتع یزد بررسی نمودند. نتایج بدست آمده ارتباط معنی دار پوشش گیاهی با بارندگی را نشان می‌دهد [5]. هادیان و همکاران (1393) تغییرات پوشش گیاهی را با استفاده از اطلاعات بارندگی و تصاویر ماهواره‌ای لندست 8 +ETM برای استان کرمانشاه انجام دادند. نتایج نشان داد که در مناطق مرتعی بالاترین میزان همبستگی بین بارندگی و پوشش گیاهی در فصل بهار دیده شد [6].

جباری و همکاران (1393) بررسی تغییرات درصد پوشش گیاهی مراتع را با استفاده از تصاویر ماهواره‌ای در سمیرم اصفهان انجام دادند. برای این منظور از تصاویر سنجنده­های WIFS و AWIFS به ترتیب در سال‌های 1384 و 1388 استفاده نمودند تا درصد پوشش گیاهی به طور همزمان برای منطقه مورد مطالعه تعیین شود. در نهایت به منظور پیش­بینی پوشش گیاهی منطقه مورد مطالعه معادله رگرسیونی با استفاده از فاکتورهای محیطی مانند ارتفاع از سطح دریا، شیب، فاکتورهای اقلیمی و شاخص پوشش گیاهی منطقه تهیه شد. نتایج نشان داد که هر چه میزان NDVI بیشتر باشد نشان دهنده پوشش گیاهی متراکم در منطقه می‌باشد [7].

منصوری و همکاران (1394) از شاخص بارش استاندارد SPI سالانه، شاخص پوشش گیاهی بارزسازی شده (EVI) و شاخص تفاضل نرمال شده پوشش گیاهی(NDVI) به منظور بررسی بارندگی و اثرات خشکسالی بر روی پوشش گیاهی مراتع استفاده نمودند. میزان همبستگی بین شاخص خشکسالی SPI با EVI و NDVI به ترتیب برابر با 75/0 و 78/0 است که در سطح 05/0 معنی دار می‌باشد. نتایج این تحقیق نشان داد که می‌توان برای بررسی میزان بارندگی و پایش خشکسالی از داده‌های سنجش از دور پوشش گیاهی استفاده کرد [8]. 

ین و همکاران (2016) تغییرات اقلیم را بر اساس پوشش گیاهی در آسیای مرکزی مورد مطالعه قرار دادند. نتایج نشان داد که با استفاده از شاخص پوشش گیاهی NDVI می‌توان تغییرات اقلیم را پیش­بینی نمود [9]. چن و همکاران (2016) ارتباط دمای سطح زمین و شاخص پوشش گیاهی EVI را مورد بررسی قرار دادند. همبستگی بین دو پارامتر نشان داد که با افزایش دما میزان این شاخص کاهش پیدا می‌کند [10]. به طور کلی نتایج مطالعات مختلف حاکی از این است که با گرم شدن کره زمین تغییرات زیادی در کاربری اراضی و به خصوص پوشش گیاهی اتفاق افتاده است که این تغییرات به کمک تصاویر ماهواره‌ای قابل بررسی می‌باشد. به طوریکه ارتباط تنگاتنگ بین تغییرات پوشش گیاهی و تغییرات اقلیم وجود دارد [11].

بنابراین هدف از این مطالعه عبارتند از:

1-    تهیه نقشه‌های پهنه­بندی دما در ماه‌های فروردین، اردیبهشت، خرداد و تیر (1384 و 1394).

2-    بررسی ارتباط بین پوشش گیاهی و میزان دما در بخش‌های مختلف منطقه مورد مطالعه.

3-    برآورد دما به عنوان مهمترین پارامترهای اقلیمی تأثیرگذار بر روی پوشش گیاهی، با استفاده از شاخص پوشش گیاهی.

 

 

منطقه مورد مطالعه

منطقه مورد مطالعه در جنوب شرقی استان فارس و در فاصله 265 کیلومتری شیراز قرار گرفته که از شمال به تیریز، از جنوب به زرین دشت، از شرق به حاجی­آباد بندرعباس و از غرب به فسا و جهرم محدود می‌شود (شکل 1). اراضی این منطقه بیشتر زیر کشت گندم، پنبه، ذرت و ... می­باشند. بیشتر مناطق شهرستان داراب از نظر آب و هوایی گرمسیری است که بارش در آن بیشتر به صورت باران است و در طول سال از ۳۵۰ میلیمتر تجاوز نمی‌کند. در قسمتی از داراب که به کوهستان مشهور می‌باشد آب و هوا حدوداً سرد و کوهستانی می‌باشد و در زمستان در بیشتر مناطق کوهستان برف می‌بارد. متوسط ارتفاع شهر از سطح دریا 1150 متر، حداقل متوسط درجه حرارت سالیانه 2/4 و حداکثر متوسط درجه حرارت سالیانه 34 درجه سانتی گراد می‌باشد. میانگین بارندگی در دوره 30 ساله حدود 3/160 میلی متر می‌باشد [13].

 

 

 

 

 

 

 

 

 

 

 

شکل 1. موقعیت منطقه مورد مطالعه

 

مواد و روش‌ها

در این مطالعه از تصاویر لندست 8 ETM + (2015) و ASTER (2005) استفاده شد. سپس شاخص NDVI، RVI، SS و VIN در دوره‌های یکماه (فروردین، اردیبهشت، خرداد و تیر) تهیه شد [14]:

                                                                                                                                                  (1)                                                                                                 

                                                                                           (2)

(3)                                                                                                         

 (4)                                                                                                       

همچنین به منظور بررسی میزان بارندگی منطقه مورد مطالعه در ماه‌های مختلف از ایستگاه‌های موجود در استان فارس استفاده شد و میزان بارندگی در سال‌های 1384، 1389 و 1394 محاسبه شد (فروردین، اردیبهشت، خرداد و تیر). در نهایت به منظور تهیه نقشه پهنه بندی بارندگی از روش زمین آمار (فاصله معکوس وزنی (IDW) و روش کریجینگ) استفاده شد.

روش IDW یکی از تکنیک‌های متداول در زمین آمار به منظور تهیه نقشه‌های پهنه بندی و درون یابی نقاط برداشت شده از منطقه در مکان می‌باشد. در واقع به منطور تهیه نقشه پهنه بندی از نقاط اندازه گیری شده، فرض بر این است که تأثیر نقاط بر روی یکدیگر متفاوت است. به طوری که برای تعیین مناطق مجهول (اندازه گیری نشده)، نقاط نزدیک تأثیر بیشتری نسبت به نقاط دورتر در پیش بینی دارند. در واقع هر چه فاصله از مبدأ کاهش یابد تأثیر پارامتر مربوطه کمتر خواهد شد. به کمک معادله زیر در محیط ArcGIS می توان نقشه پهنه بندی دما به کمک داده‌های اندازه گیری شده را تعیین نمود.

 

 

(5)

 

که z(x₀) مقدار تخمینی متغیر z، z(x_i) مقدار نمونه اندازه گیری شده در نقطه x_i و d_ij فاصله نقاط نمونه تا نقطه مورد نظر و r ضریبی است که وزن را بر اساس فاصله تعیین می‌نماید.

به منظور بررسی ارتباط بین شاخص‌های پوشش گیاهی و مقادیر دما در ماه‌های مختلف در سال 2005 و 2015 از 39 نقطه به صورت تصادفی استفاده شد که در شکل (2) نشان داده شده است.

 

 

 

شکل 2. نقشه پراکنش نقاط نمونه برداری

 

نتایج

از مهمترین شاخص‌های پوشش گیاهی، شاخص NDVI، VIN،RVI و SS می‌باشد. با استفاده از تصاویر ماهواره‌های لندست 8 ETM + (2015) و ASTER (2005) و در نظر گرفتن نسبت بین طول موج قرمز و مادون قرمز نزدیک در نرم افزار ENVI V5، شاخص پوشش گیاهی منطقه مورد مطالعه برای سال‌های مختلف در فصل رویش گیاه تهیه شد (شکل 3 تا شکل 10).

 

 

اردیبهشت	فروردین
تیر	خرداد

شکل 3. شاخص پوشش گیاهی NDVI در فصول رویش در سال 2005

 

همانطور که در شکل 3 نشان داده شده است مقادیر شاخص NDVI برای ماه فروردین بین 31/0- تا 1 می‌باشد. مقادیر شاخص NDVI برای ماه اردیبهشت بین 10/0- تا 91/0 می‌باشد. با توجه به نتایج مشخص می شود که در اردیبهشت ماه مقادیر این شاخص نسبت به فروردین ماه کاهش یافته و بیشترین پوشش گیاهی منطقه در غرب و جنوب قرار گرفته است.همچنین با توجه به شکل مشخص می شود که مقادیر شاخص NDVI برای ماه خرداد بین 21/0- تا 84/0 می‌باشد. نتایج حاکی از آن است که در خرداد ماه مقادیر این شاخص نسبت به ماه‌های فروردین و اردیبهشت کاهش یافته و بیشترین پوشش گیاهی منطقه در شمال و جنوب قرار گرفته است. مقادیر شاخص NDVI برای تیر ماه بین 21/0- تا 71/0 می‌باشد که نسبت به بقیه فصول دارای مقادیر کمتری می باشد. بنابراین تاثیر دما بر کاهش رویش پوشش گیاهی و در نتیجه کاهش مقادیر شاخص NDVI به وضوح دیده می شود.

 

 

 

 

 

اردیبهشت	فروردین
تیر	خرداد

شکل 4. شاخص پوشش گیاهی VIN در فصول رویش در سال 2005

 

با توجه به شکل 4 مشخص می شود که مقادیر شاخص VIN در فروردین ماه بین 14/0 تا 23/2 می‌باشد که نشان می‌دهد بیشترین پوشش گیاهی مربوط به اعداد کمتر نزدیک به صفر است. در اردیبهشت ماه مقادیر شاخص VIN بین 115/0 تا 45/1 می‌باشد که نسبت به ماه فروردین کاهش یافته است.همچنین نتایج نشان می‌دهد که مقادیر شاخص VIN در خرداد ماه بین 14/0 تا 93/2 می‌باشد. با توجه به شکل 4 مقادیر شاخص VIN در تیر ماه بین 10/0 تا 31/1 می‌باشد که نسبت به یگر فصول دارای مقادیر کمتری می باشد. بنابراین با افزایش دما از فروردین تا تیر ماه مقادیر شاخص پوشش گیاهی کاهش می یابد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

اردیبهشت	فروردین
تیر	خرداد

شکل 5. شاخص پوشش گیاهی SS در فصول رویش در سال 2005

 

مقادیر شاخص پوشش گیاهی SS در فروردین ماه بین 09/0- تا 61/0 می‌باشد. در اردیبهشت ماه مقادیر شاخص پوشش گیاهی SS بین 0 تا 54/0 در خرداد ماه بین 0 تا 62/0  و در تیر ماه بین 04/0- تا 51/0 می‌باشد. به طور کلی مقادیر این شاخص از فرودین تا تیر ماه روند کاهشی را نشان می دهد.

 

اردیبهشت	فروردین
تیر	خرداد

شکل 6. شاخص پوشش گیاهی RVI در فصول رویش در سال 2005

 

 

همچنین مقادیر شاخص RVI در فروردین ماه بین 56/0 تا 12/8، در اردیبهشت بین 71/0 تا 9/0، در خرداد ماه بین 43/0 تا 1/9 و در تیرماه بین 63/0 تا 55/7 است. همه این شاخص‌ها نشان می‌دهند که بیشترین تمرکز پوشش گیاهی منطقه در شمال و جنوب غرب منطقه است.

مقادیر هر یک از شاخص‌های پوشش گیاهی برای سال 2015 با استفاده از تصاویر ماهواره ای تهیه شد که در شکل 7 نشان داده شده است.

 

 

اردیبهشت	فروردین
تیر	خرداد

شکل 7. شاخص پوشش گیاهی NDVI در فصول رویش در سال 2015

 

با توجه به شکل 7، مقادیر شاخص NDVI برای فروردین ماه بین 17/0- تا 79/0، برای اردیبهشت ماه بین 36/0- تا 77/0، برای خرداد ماه بین 48/0- تا 78/0 و  برای تیر ماه بین 15/0- تا 68/0 می‌باشد که نسبت به ماه‌های قبل دارای مقادیر کمتری می‌باشد.

 

 

 

 

 

 

 

 

 

اردیبهشت	فروردین
تیر	خرداد

شکل 8. شاخص پوشش گیاهی VIN در فصول رویش در سال 2015

 

همچنین نتایج نشان می‌دهد که مقادیر شاخص VIN بین 12/0 تا 14/2 برای فروردین ماه، اردیبهشت ماه بین 11/0 تا 43/1، خرداد ماه بین 12/0 تا 9/2 و در تیر ماه بین 10/0 تا 25/1 می‌باشد (شکل 8).

 

 

اردیبهشت	فروردین
تیر	خرداد

شکل 9. شاخص پوشش گیاهی SS در فصول رویش در سال 2015

 

مقادیر شاخص پوشش گیاهی SS در فروردین ماه بین 10/0- تا 53/0 ، در اردیبهشت ماه بین 067/0- تا 53/0، در خرداد ماه بین 12/0- تا 50/0 و در تیر ماه بین 05/0- تا 46/0 می‌باشد. با توجه به نتایج مشخص می شود که روند تغییرات شاخص پوشش گیاهی نزولی می باشد (شکل 9).

 

 

 

اردیبهشت	فروردین
تیر	خرداد

شکل 10. شاخص پوشش گیاهی RVI در فصول رویش در سال 2015

 

 

با توجه به شکل 10 مشخص می شود که مقادیر شاخص RVI بین 46/0 تا 85/7 است. در اردیبهشت ماه مقادیر شاخص RVI بین 69/0 تا 65/8، در خرداد ماه مقادیر شاخص RVI بین 34/0 تا 29/8  و در تیرماه بین 60/0 تا 52/7 است.

 

در نهایت به منظور بررسی ارتباط بین شاخص‌های پوشش گیاهی و اقلیم، میزان دما منطقه مورد بررسی قرار گرفت. به منظور تهیه نقشه مکانی دمای منطقه مورد مطالعه از تصاویر مودیس در سال 2015 استفاده شد. مقادیر دما برای هر یک از ماه‌های فروردین، اردیبهشت، خرداد و تیر در شکل 11 و 12 نشان داده شده است. با توجه به شکل 11 و 12 مشخص می‌شود که بخش‌هایی از شمال و شمال شرق منطقه دارای دمای خیلی کمتری نسبت به شمال غرب و جنوب می‌باشد. همچنین نتایج نشان می‌دهد که دما از ماه فروردین تا تیر ماه روند افزایشی دارد.

 

 

 

 

 

 

 

 

 

فروردین	اردیبهشت
خرداد	تیر

شکل 11. میزان دمای منطقه مورد مطالعه در سال 2005

 

 

 

 

 

 

 

 

فروردین	اردیبهشت
خرداد	تیر

شکل 12. میزان دمای منطقه مورد مطالعه در سال 2015

 

به منظور بررسی ارتباط بین شاخص‌های پوشش گیاهی و مقادیر دما در ماه‌های مختلف در سال 2005 و 2015 از 39 نقطه به صورت تصادفی استفاده شد. نتایج مربوط به همبستگی بین شاخص‌های پوشش گیاهی و دما در فروردین ماه در جدول 1 آمده است. با توجه به جدول 1 مشخص می‌شود که دما با دو شاخص SS و VIN همبستگی معنی داری دارد و با شاخص‌های RVI و NDVI همبستگی خطی معنی‌داری ندارد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول 1. همبستگی بین میزان دما و شاخص‌های پوشش گیاهی در فروردین ماه

پارامتر		NDVI	RVI	SS	VIN	دما
NDVI	Pearson Correlation	1	.957**	.923**	-.845**	.131
	Sig. (2-tailed)		.000	.000	.000	.158
RVI	Pearson Correlation	.957**	1	.961**	-.948**	.133
	Sig. (2-tailed)	.000		.000	.000	.154
SS	Pearson Correlation	.923**	.961**	1	-.957**	.311**
	Sig. (2-tailed)	.000	.000		.000	.001
VIN	Pearson Correlation	-.845**	-.948**	-.957**	1	-.343**
	Sig. (2-tailed)	.000	.000	.000		.000
دما	Pearson Correlation	.131	.133	.311**	-.343**	1
	Sig. (2-tailed)	.158	.154	.001	.000

^**همبستگی با سطح خطا 01/0، ^*همبستگی با سطح خطا 05/0

 

 

بعد از تعیین همبستگی بین دمای فروردین ماه به عنوان متغیر وابسته و شاخص‌های پوشش گیاهی به عنوان متغیرهای مستقل، از روش رگرسیون چند متغیره[5] برای تعیین مدل مطلوب برای پیش بینی دما استفاده شد.

 T= 44.506 + 12.289 NDVI – 83.84 VIN – 153.59 RVI  (5)                               

نتایج مدل پیش بینی دما در فروردین ماه نشان داد که مقدار ضریب تعیین[6] مدل رگرسیونی ارائه شده 897/0 می‌باشد. این مدل با ضریب همبستگی بالا، مدل مطلوب برای پیش بینی دما در منطقه مورد مطالعه می‌باشد.

نتایج مربوط به همبستگی بین شاخص‌های پوشش گیاهی و دما در اردیبهشت ماه در جدول 2 آمده است. با توجه به جدول 2 مشخص می‌شود که دما با شاخص NDVI بیشترین همبستگی خطی معنی دار (671/0) و با شاخص RVI همبستگی خطی معنی داری ندارد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول 2. همبستگی بین میزان دما و شاخص‌های پوشش گیاهی در اردیبهشت ماه

پارامتر		NDVI	RVI	SS	VIN	دما
NDVI	Pearson Correlation	1	-.453**	-.186*	-.781**	-.671**
	Sig. (2-tailed)		.000	.045	.000	.000
RVI	Pearson Correlation	-.453**	1	.934**	-.150	.088
	Sig. (2-tailed)	.000		.000	.107	.346
SS	Pearson Correlation	-.186*	.934**	1	-.354**	-.204*
	Sig. (2-tailed)	.045	.000		.000	.027
VIN	Pearson Correlation	-.781**	-.150	-.354**	1	.524**
	Sig. (2-tailed)	.000	.107	.000		.000
دما	Pearson Correlation	-.671**	.088	-.204*	.524**	1
	Sig. (2-tailed)	.000	.346	.027	.000
**همبستگی با سطح خطا 01/0، *همبستگی با سطح خطا 05/0

 

 

بعد از تعیین همبستگی بین دمای اردیبهشت ماه به عنوان متغیر وابسته و شاخص‌های پوشش گیاهی به عنوان متغیرهای مستقل، از روش رگرسیون چند متغیره برای تعیین مدل مطلوب برای پیش­بینی دما استفاده شد.

T= 55.114 - 1.416 - 33.358 - 18.747            (6)                       

    نتایج مدل پیش­بینی دما در اردیبهشت ماه نشان داد که مقدار ضریب تعیین مدل رگرسیونی ارائه شده 781/0 می‌باشد.

نتایج مربوط به همبستگی بین شاخص‌های پوشش گیاهی و دما در خرداد ماه در جدول 3 آمده است. با توجه به جدول 3 مشخص می‌شود که دما با شاخص NDVI بیشترین همبستگی معنی دار (387/0) را دارد.

 

 

 

 

جدول 3. همبستگی بین میزان دما و شاخص‌های پوشش گیاهی در خرداد ماه

پارامتر		NDVI	RVI	SS	VIN	دما
NDVI	Pearson Correlation	1	.886**	.948**	.037	.387**
	Sig. (2-tailed)		.000	.000	.696	.000
RVI	Pearson Correlation	.886**	1	.801**	-.283**	.186*
	Sig. (2-tailed)	.000		.000	.002	.045
SS	Pearson Correlation	.948**	.801**	1	.282**	.235*
	Sig. (2-tailed)	.000	.000		.002	.011
VIN	Pearson Correlation	.037	-.283**	.282**	1	-.202*
	Sig. (2-tailed)	.696	.002	.002		.029
دما	Pearson Correlation	.387**	.186*	.235*	-.202*	1
	Sig. (2-tailed)	.000	.045	.011	.029

^**همبستگی با سطح خطا 01/0، ^*همبستگی با سطح خطا 05/0

 

 

 

بعد از تعیین همبستگی بین دمای خرداد ماه به عنوان متغیر وابسته و شاخص‌های پوشش گیاهی به عنوان متغیرهای مستقل، از روش رگرسیون چند متغیره برای تعیین مدل مطلوب برای پیش­بینی دما استفاده شد.

T= 8.232 + 9.832 NDVI – 50.182 RVI – 9.961 VIN (7)                           

نتایج مدل پیش­بینی دما در خرداد ماه نشان داد که مقدار ضریب تعیین مدل رگرسیونی ارائه شده 635/0 می‌باشد.

نتایج مربوط به همبستگی بین شاخص‌های پوشش گیاهی و دما در تیر ماه در جدول 4 آمده است. با توجه به جدول 4 مشخص می‌شود که دما با شاخص NDVI بیشترین همبستگی (293/0) در جهت معکوس و با شاخصهای SS و VIN همبستگی خطی معنی داری ندارد.

 

 

جدول 4. همبستگی بین میزان دما و شاخص‌های پوشش گیاهی در تیر ماه

پارامتر		NDVI	RVI	SS	VIN	دما
NDVI	Pearson Correlation	1	.956**	.923**	-.845**	-.293**
	Sig. (2-tailed)		.000	.000	.000	.001
RVI	Pearson Correlation	.956**	1	.961**	-.948**	-.199*
	Sig. (2-tailed)	.000		.000	.000	.031
SS	Pearson Correlation	.923**	.961**	1	-.957**	-.071
	Sig. (2-tailed)	.000	.000		.000	.448
VIN	Pearson Correlation	-.845**	-.948**	-.957**	1	-.045
	Sig. (2-tailed)	.000	.000	.000		.628
دما	Pearson Correlation	-.293**	-.199*	-.071	-.045	1
	Sig. (2-tailed)	.001	.031	.448	.628

^**همبستگی با سطح خطا 01/0، ^*همبستگی با سطح خطا 05/0

 

 

بعد از تعیین همبستگی بین دمای تیر ماه به عنوان متغیر وابسته و شاخص‌های پوشش گیاهی به عنوان متغیرهای مستقل، از روش رگرسیون چند متغیره برای تعیین مدل مطلوب برای پیش­بینی دما استفاده شد.

T= 51.382 + 1.753 NDVI – 28.646 VIN – 42.406 RVI  (8)                       

نتایج مدل پیش­بینی دما در تیر ماه نشان داد که مقدار ضریب تعیین مدل رگرسیونی ارائه شده 622/0 می‌باشد.

نتایج مربوط به همبستگی بین مقادیر میانگین شاخص‌های پوشش گیاهی و دمای میانگین در جدول 5 آمده است. با توجه به جدول 5 مشخص می‌شود که دما با شاخص NDVI بیشترین همبستگی (851/0) و با شاخص RVI و VIN همبستگی خطی معنی­داری ندارد.

 

جدول 5. همبستگی بین میزان دما و شاخص‌های پوشش گیاهی

	دما	RVI	NDVI	SS	VIN
دما	1	-.608	-.851**	-.714*	.765
RVI		1	.952**	.280*	.891**
NDVI			1	.524**	.749**
SS				1	-.020
VIN					1

^**همبستگی با سطح خطا 01/0، ^*همبستگی با سطح خطا 05/0

 

 

بعد از تعیین همبستگی بین دمای میانگین به عنوان متغیر وابسته و شاخص‌های پوشش گیاهی به عنوان متغیرهای مستقل، از روش رگرسیون چند متغیره برای تعیین مدل مطلوب برای پیش­بینی دما استفاده شد.

T= 86.871 - 8.358 RVI – 18.452 NDVI – 124.073 SS + 6.959 VIN  (9)                   

نتایج مدل پیش­بینی دمای میانگین با استفاده از شاخص‌های پوشش گیاهی نشان داد که مقدار ضریب تعیین مدل رگرسیونی ارائه شده 917/0 می‌باشد.

نتیجه­گیری

در این مطالعه از تصاویر ماهواره لندست 8ETM+ (2015) و ASTER (2005) و در نظر گرفتن نسبت بین طول موج قرمز و مادون قرمز نزدیک به منظور استخراج شاخص‌های پوشش گیاهی NDVI، VIN، RVI و SS استفاده شد. با توجه به روند تغییرات در ماه‌های مختلف سال‌های مذکور مشخص می‌شود که مقادیر NDVI و SS در سال 2005 در اردیبهشت ماه دارای مقادیر بیشتری نسبت به سال 2015 می‌باشد. همچنین نتایج نشان داد که مقادیر حداقل NDVI و SS در سال 2005 در ماه‌های مختلف دارای مقادیر کمتری نسبت به سال 2015 می‌باشد. در واقع این تغییرات برای ماه‌های مختلف سال در سال‌های مختلف تغییرات تقریباً یکسانی دارد. به طور کلی تغییرات شاخص‌ها از سال 2005 تا 2015 یک روند کاهشی داشته است که با تغییر داده‌های دما (افزایش) همخوانی دارد. مشخص شد که تغییرات شاخص‌های NDVI و SS دارای تغییرات یکسانی در سال‌ها و ماه‌های مختلف هستند. بنابراین با توجه به این روند تغییرات مشخص می‌شود که ارتباط معناداری بین تغییرات دما با مقادیر شاخص‌های پوشش گیاهی وجود دارد.

در حقیقیت میزان شاخص‌های پوشش گیاهی با میزان بازتاب انرژی الکترومغناطیسی مادون قرمز به وسیله برگ‌های سبز گیاهان بیش از خاک است و بین بازتاب طول موج باند قرمز و مادون قرمز با میزان تاج پوشش گیاهی همبستگی معنی­دار وجود دارد. بنابراین با استفاده از شاخص‌های پوشش گیاهی که نسبتی از بازتاب باند مادون قرمز و قرمز می‌باشند با مدل رگرسیونی به عنوان متغیرهای مستقل جهت محاسبه میزان پوشش گیاهی و همچنین بررسی اقلیم (دما و بارندگی) و بالعکس استفاده نمود [16]. اینو (2003) با بررسی عوامل مؤثر بر تغییرات پوشش گیاهی در شرایط خشکسالی با استفاده از رگرسیون مرحله‌ای به این نتیجه رسید که تغییرات شاخص NDVI تابع تغییرات میزان پوشش گیاهی می‌باشد. درحقیقت شاخص گیاهی NDVI از بین همه شاخص‌ها قادر به توصیف پوشش گیاهی می‌باشد. بارندگی خوب در سال‌های 2010 در منطقه مورد مطالعه منجر به افزایش پوشش گیاهی و از طرفی افزایش میزان شاخص پوشش گیاهی خصوصاً NDVI در منطقه مورد مطالعه شده است. همچنین میزان همبستگی این شاخص با میزان پوشش گیاهی منطقه مورد مطالعه افزایش یافته است که با نتایج کارپن و بلوم همخوانی دارد [17]. وو و همکاران[7]، بویانتویو و همکاران[8] دریافتند که در مناطق تخریب یافته میزان همبستگی بین شاخص‌های گیاهی و تاج پوشش گیاهی کاهش می‌یابد [18]. بویان تویو و همکاران نیز در مطالعات خود به این نتیجه رسیدند که با افزایش میزان پوشش سبز گیاهی، ارزش عددی NDVI نیز افزایش می‌یابد [19]. با توجه به اینکه تغییرات شاخص NDVI تابع تغییرات پوشش گیاهی می‌باشد، لذا استفاده از این شاخص در تعیین میزان تغییرات درصد پوشش گیاهی شاخص مناسبی می‌باشد [20]. به طور کلی با استفاده از نقشه‌های شاخص پوشش گیاهی می‌توان اطلاعات زیادی را در مورد پوشش گیاهی مراتع، طبقه­بندی میزان پوشش گیاهی مراتع و مدیریت مراتع دنبال نمود. همچنین در مناطقی که داده‌های دما موجود نباشد و یا اطلاعی از میزان پوشش گیاهی مراتع نداشته باشیم، به کمک نقشه شاخص پوشش گیاهی NDVI و بالعکس می‌توان به خوبی این پارامترها را پیش­بینی نمود. از طرفی با بررسی پارامترهای اقلیمی و تاثیر آن بر پوشش گیاهی می­توان ارتباط بین آن ها را تعیین نمود. بنابراین با تعیین ارتباط بین پارامترهای اقلیمی و پوشش گیاهی می توان به کمک داده های اقلیمی مانند دما، وضعیت پوشش گیاهی را پیش بینی نمود. 

 

 

 

 

 

 

 

References:

1. Calera A, Martinez C, and Melia J. A procedure for obtaining green plant cover: relation to NDVI in a case study for barley. International Journal of Remote Sensing. 2001; 22(17): 3357-3362.

2. Cohen WB, Maiersperger TK, Gower ST, Turner DP. An improved strategy for regression of biophysical variables and Land sat ETM+ Data. Remote Sensing of Environment. 2003;84:561-571.

3. Gurgel HC, Ferreira NJ. Annual and Interannual Variability of NDVI in Brazil and its Connections with Climate. International Journal of Remote Sensing. 2003; 24(18): 3595–3609.

4. Liang EY, Shao XM, He JC. Relationships between tree growth and NDVI of grassland in the semiarid grassland of north China. International Journal of Remote Sensing. 2005; 26(13): 2901–2908.

5. Hosseini SZ, Kappas M, Propastin P. Estimating Relationship between Vegetation Dynamic and Precipitation in Central Iran. Toledo. Spain. 2011.

6. Hadian F, Hosseini SZ, Seyyed Hassani M. Monitoring vegetation changes in Kermanshah, using NOVAA and AVHRR satellite imagery and rainfall data. 1393; No (1): 46-62. [Persian].

7. Jabbari S, Khajeh Aldin SJ, Jafari R, Soltani S. Investigating the percentage of changes in vegetation cover in pastures in Isfahan, Semirom, using satellite imagery. Journal of Applied Ecology. 1393; No (10): 27-80. [Persian].

8. Mansuri S, Sepehri A, Farrokhzadeh B. Evaluating drought impact on vegetation in pastures in Golestan, using MODIS satellite imagery. Faculty of Rangeland, Watershed Management, Fisheries and Environment. MA thesis. 1394. [Persian].

9. Yin G, Hu Z, Chen X, Tiyip T. Vegetation dynamics and its response to climate change in Central Asia. Journal of Arid Land. 2016; 8(3), 375-388.

10. Chen Z, Jiang WG, Tang ZH, Jia K. Spatial-Temporal Pattern of Vegetation Index Change and the Relationship to Land Surface Temperature in Zoige. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2016; 849-852.

11. Zhu Z, Piao S, Myneni RB, Huang M, Zeng Z, Canadell JG, Cao C. Greening of the Earth and its drivers. Nature climate change. 2016; 6(8), 791-795.

12. Bostani A, Salari Sardari FA, Adeli J. Investigating climate instability effects on water supplies. (Case study: Darab city). National conference on water crisis management. Islamic Azad University of Marvdasht. 1388. [Persian].

13. Bostani A, Salari Sardari FA, Adeli J. Investigating climate instability effects on water supplies. (Case study: Darab city). National conference on water crisis management. Islamic Azad University of Marvdasht. 1388. [Persian].

14. Hosseini SZ, Kappas M, Propastin P. Estimating Relationship between Vegetation Dynamic and Precipitation in Central Iran. Toledo. Spain. 2011.

15. Fang J, Piao S, Tang Z, Peng C, Ji W. Interannual Variability in Net Primary Production and Precipitation. Science. 2001; 293(5536): 1723a-1724a.

16. Wellens J. Monitoring and modeling rangeland vegetation in Tunisia using satellite and meteorological data. PhD thesis, University of Reading. 1993.

17. Crlppen RE, Blom RG. Unveiling the lithology of vegetated terrains in remotely sensed imagery. Photogrammetric Engineering & Remote Sensing. 2001; 67(8): 935-943.

18. Wu C, Niu Z, Tang Q, Huang W. Estimating chlorophyll content from hyper spectral vegetation indices: modeling and validation. Agricultural and Forest Meteorology. 2008; 148: 1230-1241.

19. Buyantuyev A, Wu J, Gries C. Estimating vegetation cover in an urban environment based on Landsat ETM+ imagery: A case study in Phoenix. USA. International Journal of Remote Sensing. 2007; 28(2):269-291.

20. Song X. Early detection system of drought in East Asia using NDVI from NOAA/AVHRR data. International Journal of Remote Sensing. 2004; 25(16): 3105-3111.

---

[1] - نویسنده مسئول: استادیار ژئومورفولوژی ، دانشگاه شیراز . Email: [e-mail]

[2] - استادیار مرتع و آبخیزداری، دانشگاه خاتم الانبیا، خوزستان، ایران

[3] -  استاد گروه مرتع و آبخیزداری، دانشگاه خاتم الانبیا، خوزستان، ایران

[4] - گروه مرتع و آبخیزداری، دانشگاه خاتم الانبیا، خوزستان، ایران

[5]- Stepwise

[6]- R Square

[7]- Wu et al., 2008

[8]- Buyantuyev et al., 2007

مراجع

References:

1. Calera A, Martinez C, and Melia J. A procedure for obtaining green plant cover: relation to NDVI in a case study for barley. International Journal of Remote Sensing. 2001; 22(17): 3357-3362.

2. Cohen WB, Maiersperger TK, Gower ST, Turner DP. An improved strategy for regression of biophysical variables and Land sat ETM+ Data. Remote Sensing of Environment. 2003;84:561-571.

3. Gurgel HC, Ferreira NJ. Annual and Interannual Variability of NDVI in Brazil and its Connections with Climate. International Journal of Remote Sensing. 2003; 24(18): 3595–3609.

4. Liang EY, Shao XM, He JC. Relationships between tree growth and NDVI of grassland in the semiarid grassland of north China. International Journal of Remote Sensing. 2005; 26(13): 2901–2908.

5. Hosseini SZ, Kappas M, Propastin P. Estimating Relationship between Vegetation Dynamic and Precipitation in Central Iran. Toledo. Spain. 2011.

6. Hadian F, Hosseini SZ, Seyyed Hassani M. Monitoring vegetation changes in Kermanshah, using NOVAA and AVHRR satellite imagery and rainfall data. 1393; No (1): 46-62. [Persian].

7. Jabbari S, Khajeh Aldin SJ, Jafari R, Soltani S. Investigating the percentage of changes in vegetation cover in pastures in Isfahan, Semirom, using satellite imagery. Journal of Applied Ecology. 1393; No (10): 27-80. [Persian].

8. Mansuri S, Sepehri A, Farrokhzadeh B. Evaluating drought impact on vegetation in pastures in Golestan, using MODIS satellite imagery. Faculty of Rangeland, Watershed Management, Fisheries and Environment. MA thesis. 1394. [Persian].

9. Yin G, Hu Z, Chen X, Tiyip T. Vegetation dynamics and its response to climate change in Central Asia. Journal of Arid Land. 2016; 8(3), 375-388.

10. Chen Z, Jiang WG, Tang ZH, Jia K. Spatial-Temporal Pattern of Vegetation Index Change and the Relationship to Land Surface Temperature in Zoige. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2016; 849-852.

11. Zhu Z, Piao S, Myneni RB, Huang M, Zeng Z, Canadell JG, Cao C. Greening of the Earth and its drivers. Nature climate change. 2016; 6(8), 791-795.

12. Bostani A, Salari Sardari FA, Adeli J. Investigating climate instability effects on water supplies. (Case study: Darab city). National conference on water crisis management. Islamic Azad University of Marvdasht. 1388. [Persian].

13. Bostani A, Salari Sardari FA, Adeli J. Investigating climate instability effects on water supplies. (Case study: Darab city). National conference on water crisis management. Islamic Azad University of Marvdasht. 1388. [Persian].

14. Hosseini SZ, Kappas M, Propastin P. Estimating Relationship between Vegetation Dynamic and Precipitation in Central Iran. Toledo. Spain. 2011.

15. Fang J, Piao S, Tang Z, Peng C, Ji W. Interannual Variability in Net Primary Production and Precipitation. Science. 2001; 293(5536): 1723a-1724a.

16. Wellens J. Monitoring and modeling rangeland vegetation in Tunisia using satellite and meteorological data. PhD thesis, University of Reading. 1993.

17. Crlppen RE, Blom RG. Unveiling the lithology of vegetated terrains in remotely sensed imagery. Photogrammetric Engineering & Remote Sensing. 2001; 67(8): 935-943.

18. Wu C, Niu Z, Tang Q, Huang W. Estimating chlorophyll content from hyper spectral vegetation indices: modeling and validation. Agricultural and Forest Meteorology. 2008; 148: 1230-1241.

19. Buyantuyev A, Wu J, Gries C. Estimating vegetation cover in an urban environment based on Landsat ETM+ imagery: A case study in Phoenix. USA. International Journal of Remote Sensing. 2007; 28(2):269-291.

20. Song X. Early detection system of drought in East Asia using NDVI from NOAA/AVHRR data. International Journal of Remote Sensing. 2004; 25(16): 3105-3111.