پایش تغییرات پوشش گیاهی با استفاده از تصاویر شبیه‌سازی‌شده لندست - مودیس در مقیاس روزانه طی سال‌های کم‌آبی، نرمال و پرآبی در مناطق خشک (مطالعه موردی: شهرستان نیمروز

محورهای موضوعی : منابع طبیعی و مدیریت زیست محیطی

معین جهان تیغ ¹ (دانشجوی دکتری علوم و مهندسی آبخیزداری، گروه آبخیزداری، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی، دانشگاه گرگان، گرگان، ایران)
منصور جهان تیغ ² (دانشیار مرکز تحقیقات، آموزش و ترویج کشاورزی و منابع طبیعی سیستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، زابل، ایران)

تاریخ دریافت : 1400/03/27 تاریخ پذیرش : 1400/07/23 تاریخ انتشار : 1401/11/01

کلید واژه: تغییرات پوشش گیاهی, لندست, مودیس, نیمروز, مدل ESTARFM,

چکیده مقاله :

پیشینه و هدف تخریب سرزمین و بیابان‌زایی در مناطق خشک از جمله چالش های مهم زیست‌محیطی در سراسر کرة زمین بشمار می‌رود. این فرآیند با توجه به کمبود نزولات جوی و وقوع خشک‌سالی‌های متوالی ضمن بهره برداری نامعقول از عرصه های طبیعی و کشاورزی با افزایش تقاضا برای تأمین نیاز غذایی بشر، ابعاد مختلف زیست‌محیطی و اقتصادی-اجتماعی را تحت تأثیر قرار می‌دهد. به‌طوری‌که تداوم چنین شرایطی طی سال‌های اخیر با تخریب پوشش گیاهی و خاک، فرسایش آبی و بادی، شوری خاک، فشردگی سطح خاک و پایین رفتن سطح سفره‌های آب زیرزمینی پیامدهای قابل توجهی برای تولید محصولات کشاورزی، تنوع زیستی و در نتیجه تخریب اکوسیستم در این مناطق را به همراه داشته است. از آنجا که الگو و ابعاد تغییرات پوشش گیاهی مهم‌ترین مشخصه فیزیکی تخریب زمین در مناطق خشک بشمار می‌رود. لذا پایش تغییرات پوشش گیاهی بستری مناسب برای شناخت عوامل و فرآیندهای مؤثر در وقوع پدیده بیابان‌زایی و تخریب زمین در این مناطق را فراهم می‌آورد. با توجه به قابلیت‌های داده‌های سنجش از دور ﺑﻪ دﻟﻴﻞ ﭘﻮﺷﺶ وﺳﻴﻊ و چند زﻣﺎﻧﻪ ﺑﻮدن و از طرفی محدودیت‌های ناشی از ﺗﻐﻴﻴﺮﭘﺬﻳﺮی ﻣﻜﺎﻧﻲ و زﻣﺎﻧﻲ و همچنین هزینه‌بر ﺑﻮدن مطالعات ﻣﻴﺪاﻧﻲ، استفاده از تصاویر ماهواره‌ای راه‌کاری مناسب برای پایش تغییرات پوشش گیاهی با استفاده از شاخص‌های پوشش گیاهی است. با توجه به اینکه استفاده از تصاویر با وضوح مکانی و زمانی بالا پاییش تغییرات پوشش گیاهی را تحت تأثیر قرار می‌دهد، لذا ترکیب تصاویر مختلف با قدرت تفکیک مکانی (به‌عنوان مثال Landsat) و زمانی (به‌عنوان مثالMODIS ) بالا امکان تهیه داده‌هایی با تفکیک مکانی و زمانی بالا را فراهم می‌کند. هدف از مطالعه، پایش تغییرات پوشش گیاهی با استفاده از تصاویر شبیه‌سازی شده لندست در مقیاس روزانه طی دوره‌های کم‌آبی، نرمال و پرآبی در شهرستان نیمروز صورت گرفته است.مواد و روش ها منطقه مورد مطالعه در شمال استان سیستان و بلوچستان واقع شده است. بارش کم (50 میلی‌متر)، درجه حرارت بالا (48 درجه سانتی‌گراد)، تبخیر زیاد (5000 میلی متر) و وزش بادهای 120 روزه از جمله شرایط خاص آب و هوایی این منطقه است. در این مطالعه در ابتدا به تعیین سال‌های مرطوب، نرمال و خشک‌سالی با بررسی وضعیت خشک‌سالی هیدرولوژیکی در رودخانه هیرمند پرداخته شد. با استفاده از پکیج Hydrostats در نرم‌افزار R با اجرای کدهای مربوطه تغییرات جریان روزانه (daily.cv)، سالانه (ann.cv)، طول دوره‌های بیشتر و کمتر از آستانه (high. spell and low. spell) و همچنین بیش‌ترین و کم‌ترین دوره‌های زمانی که یک سیل مشخص تا آستانه طول می‌کشد (high. spell. lengths and low. spell. lengths) برای یک دوره آماری 29 ساله محاسبه شد. در ادامه به بررسی وضعیت پوشش گیاهی طی سال‌های مورد مطالعه پرداخته شد. بدین منظور در ابتدا اقدام به تهیه سری زمانی داده‌های سنجش از دور با قدرت تفکیک مکانی و زمانی بالا با ادغام تصاویر با تفکیک مکانی (تصاویر Landsat) و زمانی (تصاویر MODIS) بالا با استفاده از مدل ESTARFMضمن اعتبارسنجی تصاویر شبیه‌سازی شده با داده‌های تصاویر ماهواره لندست (تصاویر سنجنده‌های TM، +ETM و OLI) گردید. طی عملیات میدانی از گونه‌های گیاهان مختلف نمونه‌برداری و موقعیت آن‌ها توسط GPS ثبت شد. با مقایسه داده‌های میدانی با شاخص پوشش گیاهی اختلاف نرمال (NDVI) و شاخص پوشش گیاهی تنظیم شده خاک (SAVI)، شاخص پوشش گیاهی با بیشترین همبستگی با داده‌های برداشتی انتخاب شد. با استفاده از شاخص پوشش گیاهی و برآورد مدل رگرسیونی، نقشه درصد پوشش گیاهی برای سال‌های مورد بررسی تهیه شد. پس از طبقه‌بندی نقشه‌های پوشش گیاهی، با استفاده از روش مقایسه (Cross Tab) در نرم‌افزارENVI نقشه تغییرات پوشش گیاهی استخراج شد.نتایج و بحث نتایج تجزیه و تحلیل دوره‌های کم‌آبی و پرآبی نشان داد که حجم سیلاب در سال‌های خشک‌سالی نسبت به سال‌های نرمال و مرطوب به ترتیب 31 و 82 کاهش یافته است. با تلفیق تصاویر مودیس و لندست (TM، +ETM و OLI) با استفاده از مدل ESTARFM یافته‌ها نشان می‌دهد که این مدل در برآورد بازتابندگی سطحی و حفظ جزئیات مکانی دقت قابل قبولی دارد. به‌طوری‌که میانگین ضریب تعیین (R2) برآورد شده برای باندهای آبی، سبز، قرمز و نزدیک به مادون قرمز با داده‌های تصاویر دریافتی از ماهواره لندست به‌ترتیب 0.91، 0.89، 0.92 و 0.91 است. همچنین میانگینRMSE در چهار باند به‌ترتیب برابر با 0.01، 0.027، 0.028 و 0.031 به دست آمده است. در مقایسه داده‌های میدانی با شاخص پوشش گیاهی اختلاف نرمال (NDVI) و شاخص پوشش گیاهی تعدیل شده خاک (SAVI) یافته‌ها نشان می‌دهد که شاخص SAVI بیشترین همبستگی را با پوشش گیاهی منطقه مورد مطالعه دارد (87 =R2)، با برآورد مدل رگرسیونی و طبقه‌بندی نقشه‌های درصد پوشش گیاهی برای سال‌های مرطوب، نرمال و خشک‌سالی 6 کلاس طبقاتی به دست آمد (کلاس % 0-10=1، کلاس % 10-20=2 ، کلاس % 20-30=3، کلاس % 40-50=4، کلاس % 60-80=5، و کلاس 6=>80). در بررسی تغییرات پوشش گیاهی نتایج نشان بیانگر آن است که در دوره خشک‌سالی70% مساحت منطقه مورد مطالعه دارای پوشش گیاهی کمتر از 10% (برابر 138176.3 هکتار) می‌باشد که در سال‌های نرمال و پرآبی با افزایش پوشش گیاهی مساحت این عرصه‌ها به‌ترتیب 30 و 48 درصد کاهش یافته است (به‌ترتیب برابر با 66269.98 و 50559.7 هکتار). با توجه به نتایج به دست آمده بیشترین تغییرات پوشش گیاهی مربوط به تبدیل کلاس 1 به کلاس 2 (معادل %48.5) است. علاوه بر این 18 و 27 درصد تغییرات گیاهی به‌ترتیب مربوط به کلاس 1 و 2 به کلاس 4 و 5 است (به‌ترتیب برابر با 16284.26 هکتار و 11471.88 هکتار). همچنین یافته‌ها نشان می‌دهد که بیشترین تغییرات پوشش گیاهی به‌ترتیب در کاربری‌های تالاب-جنگل (%28)، جنگل- مرتع (%21) و مراتع ضعیف (%19) رخ داده است. بر اساس مطالعات میدانی از جمله مهم‌ترین گونه‌های گیاهی که در این کاربری‌ها رشد می‌نماید عبارتند از؛ Aeluropus littoralis sp. ، Chenopodiace sp.، Tamarix aphylla وHaloxylon aphylum می‌باشد که قابلیت سازگاری بالایی با شرایط اقلیمی منطقه مورد مطالعه دارد.نتیجه گیری در این تحقیق برای اولین بار در منطقه نیمروز سیستان به بررسی تغییرات پوشش گیاهی با استفاده از تصاویر شبیه‌سازی شده لندست - مودیس طی سال‌های کم‌آبی، نرمال و پرآبی پرداخته شد. با توجه به بارش کم و رژیم آب و هوایی سخت در منطقه مورد مطالعه، جریان‌های سیلابی رودخانه هیرمند تنها منبع تأمین آب مورد نیاز منطقه مورد مطالعه می‌باشد. نتایج تجزیه و تحلیل دوره‌های کم‌آبی و پرآبی نشان داد که حجم سیلاب در سال‌های خشک نسبت به سال‌های نرمال و پرآبی به ترتیب 31 و 82 کاهش یافته است. با توجه به کاهش حجم سیلاب در دوره خشک‌سالی %70 منطقه مورد مطالعه دارای پوشش گیاهی ضعیفی بوده که در سال‌های نرمال و پرآبی با تأمین نیاز آبی گیاهان و افزایش پوشش گیاهی، مساحت این اراضی به ترتیب 30 و 48 درصد کاهش یافته است. در مجموع با توجه به نتایج به دست آمده از تحلیل دوره‌های خشکسالی و ترسالی و پاییش تغییرات پوشش گیاهی در منطقه مورد مطالعه می‌توان نتیجه‌گیری کرد که تغییر در شرایط هیدرولوژیکی جریان‌های ورودی به منطقه سیستان نقش بارزی در تغییرات پوشش گیاهی منطقه مورد مطالعه دارد و با توجه به شرایط سخت اقلیمی در این منطقه بخش قابل توجهی از مساحت این منطقه بدون پوشش گیاهی و یا دارای پوشش گیاهی فقیر هستند که با تخریب عرصه‌های طبیعی باعث گسترش کانون‌های بحرانی و تسریع سیر قهقرایی در این منطقه شده است. از اینرو، پایش و تجزیه و تحلیل دقیق تغییرات پوشش گیاهی و کاربری اراضی رویکردی کارآمد به منظور الویت‌بندی مکانی کانون‌های بحرانی جهت اتخاذ اقدامات مکانیکی مناسب برای کنترل فرآیند بیابان‌زایی در منطقه مورد مطالعه است. در این تحقیق با استفاده از قابلیت‌های داده‌های سنجش از دور و با ترکیب تصاویر با تفکیک مکانی30 متر در مقیاس روزانه با استفاده از مدل ESTARFM و تولید تصاویر با تفکیک مکانی و زمانی بالا، امکان پاییش تغییرات پوشش گیاهی با توجه به کمبود تجهیزات لازم و همچنین گستردگی عرصه‌های طبیعی در منطقه مورد مطالعه میسر شد. چنین ظرفیتی کمک بزرگی برای پایش تغییرات فصلی و پویای زیست محیطی با توجه به تسریع سیر قهقرایی در منطقه سیستان با تولید محصولات سنجش ‌از دور با توان تفکیک بالای مکانی و پوشش بالای زمانی است.

چکیده انگلیسی:

Background and Objective land degradation and desertification in arid areas are the most important environmental challenges in the world. This process due to the lack of precipitation and the occurrence of drought, while the unreasonable exploitation of natural and agricultural areas with increasing demand to provide human food needs, affects various environmental and socio-economic dimensions. So, the continuation of this condition during recent years with the destruction of vegetation and soil, wind and water erosion, soil salinity, soil compaction, and declining groundwater aquifers have significant consequences for the production of agricultural products and biodiversity in an arid region. Since the pattern and dimensions of vegetation changes are the most important factors in detecting land degradation, monitoring the vegetation changes is the best approach to analyzing land degrading and desertification trends in an arid region. Therefore, according to the capabilities of remote sensing data due to the wide coverage and multi-timed,  the use of satellite imagery to monitor vegetation changes by using vegetation index is one of the best methods that developed in recent years. Moreover, concurrent access to high spatial and temporal resolution imageries is one of the important factors that affect the monitoring of vegetation changes. To achieve this goal, It needs to incorporate different satellites with high spatial (e.g., Landsat satellite) and temporal (e.g., MODIS satellite) images. The purpose of this study is the monitoring vegetation changes using daily Landsat simulated images at 30 m Spatial Resolution in three years of wet, normal, and drought in the Nimroze area.Materials and Methods The study area is located in the north of the Sistan and Baluchistan provinces. Low precipitation (50 mm), high temperature (48 oC), high evaporation (5 m), and 120-day winds are among the specific climatic conditions that characterize this region. In this study, at first, the hydrological drought status of the Hirmand River was investigated. Using the Hydrostats package in R software, the amount of threshold of flood by running the related codes (by running codes such: daily.cv, ann.cv, high. spell, and low. spell) during the statistical period of study (29 years) was calculated. To determine wet, normal, and drought years calculated the length of periods that flood is higher (high. spell. lengths) and lower (low. spell. lengths) than the threshold. To increase the accuracy of monitoring vegetation changes, it needs to incorporate different satellites with high spatial (e.g., Landsat) and temporal (e.g., MODIS) images. To achieve this purpose, in this study, the Enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM) was evaluated with actual satellite data (OLI, ETM+, TM image). For this purpose at first, pre-processing (geometric, radiometric, and atmospheric correction) was performed on satellite images, and by using the ESTRFM model, simulated daily Landsat images at 30 m spatial resolution for wet, normal, and drought years. In-field operations from different plant communities by GPS were sampled. Comparing filed data with the Normalized difference vegetation index (NDVI) and the soil-adjusted vegetation index (SAVI), the vegetation index that had the highest correlation with field data was selected. To investigate vegetation changes, using the vegetation index (the vegetation index with high correlation), the map of vegetation for each year was prepared (wet, normal, and drought years). After the classification maps of vegetation, by comparison, approach (cross tab), the map of vegetation changes was extracted.Results and Discussion The results of analyzing wet and dry periods showed that, flood volume in dry years compare to normal and wet years decreased 31 and 82 percentages, respectively. To incorporation MODIS and Landsat (OLI, ETM+, TM) Images, using enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM), finding indicate that this model improves the accuracy of predicted fine-resolution reflectance and preserves spatial details for heterogeneous landscapes too. So that the mean coefficient of determination (R2) of blue, green, red and near-infrared estimation bands with actual satellite images data is 0.91, 0.89, 0.92 and 0.91 respectively. Also the average Root-Mean-Square Error (RMSE) in four bands obtained 0.01, 0.027, 0.028 and 0.031 successively. Comparing the obtained field data with the Normalized difference vegetation index (NDVI) and the soil adjusted vegetation index (SAVI), indicate that SAVI index has the highest correlation (R2= 87) with vegetation of study region. By calculate the regression model (using SAVI and field data) and classify the vegetation maps of wet, normal and drought years, 6 class obtained (class1=0-10%, class2=20-10%, class3=20-30%, class4=40-50%, class5=60-80% and class6=>80%). The results of investigation vegetation changes indicate that during the drought period 70% of study area has less than 10% vegetation (equal to 138176.3 hectares) and during normal and wet years by increasing vegetation, this area decreased by 30 and 48% respectively (equal to 66269.98 and 50559.7 hectares, respectively). According to the results during the study period, the most vegetation changes is relate to conversion of class 1 to class 2 (equivalent to 48.5%). moreover 18 and 27% of vegetation changes relate to class 1 and 2 to class 4 and 5 respectively (equal to 16284.26 and 11471.88 hectares, respectively). Also the finding indicates that the most vegetation changes occurrence in wetland-forest (28%), forest-rangeland (21%) and poor rangeland (19%) land uses respectively. Field study also showed that, the most important plant species that grows in this land-use such as the results of analyzing wet and dry periods showed that flood volume in dry years compare to normal and wet years decreased by 31 and 82 percent, respectively. To incorporation MODIS and Landsat (OLI, ETM+, TM) Images, using enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM), the finding indicates that this model improves the accuracy of predicted fine-resolution reflectance and preserves spatial details for heterogeneous landscapes too. So that the mean coefficient of determination (R2) of blue, green, red, and near-infrared estimation bands with actual satellite images data is 0.91, 0.89, 0.92, and 0.91 respectively. Also, the average Root-Mean-Square Error (RMSE) in four bands obtained 0.01, 0.027, 0.028, and 0.031 successively. Comparing the obtained field data with the Normalized difference vegetation index (NDVI) and the soil-adjusted vegetation index (SAVI), indicate that the SAVI index has the highest correlation (R2=87) with the vegetation of the study region. By calculating the regression model (using SAVI and field data) and classifying the vegetation maps of wet, normal, and drought years, 6 classes obtained (class1=0-10%, class2=20-10%, class3=20-30%, class 4=40-50%, class5=60-80% and class6=>80%). The results of the investigation of vegetation changes indicate that during the drought period, 70% of the study area has less than 10% vegetation (equal to 138176.3 hectares) and during normal and wet years by increasing vegetation, this area decreased by 30 and 48% respectively (equal to 66269.98 and 50559.7 hectares, respectively). According to the results during the study period, most vegetation changes are related to the conversion of class 1 to class 2 (equivalent to 48.5%). moreover, 18 and 27% of vegetation changes relate to class 1 and 2 to class 4 and 5 respectively (equal to 16284.26 and 11471.88 hectares, respectively). Also, the finding indicates that the most vegetation changes occur in wetland-forest (28%), forest-rangeland (21%), and poor rangeland (19%) land use respectively. The field study also showed that the most important plant species that grow in this land use such as Aeluropus littoralis, Chenopodiace sp, Tamarix aphylla, Haloxylon aphylum are adaptive to climatic regime in study area.Conclusion In this research for the first time in the Nimroz region of Sistan Vegetation changes were studied using Landsat simulated images during periods of low water, normal, and high water years. Due to low rainfall and harsh climate in the study area, floods in the Helmand River are the only source of water supply required in the study area. The results of analyzing wet and dry periods showed that flood volume in dry years compared to normal and wet years has decreased by 31 and 82, respectively. According to the reduction of flood volume during a drought year, 70% of the study area has poor vegetation and during normal and wet years, providing plants with water needs and increasing vegetation, this area had decreased by 30% and 48%, respectively. According to the results of this study, change in hydrological conditions of the Hirmand River has a significant role in vegetation changes in the study area by using simulated images with high spatial and temporal resolution can improve the accuracy of monitoring vegetation changes to control and management the desertification in Sistan area.

منابع و مأخذ:

Akumu CE, Amadi EO, Dennis S. 2021. Application of drone and worldview-4 satellite data in mapping and monitoring grazing land cover and pasture quality: Pre-and post-flooding. Land, 10(3): 321. https://doi.org/10.3390/land10030321.

Aqil T, Shu H. 2020. CA-Markov chain analysis of seasonal land surface temperature and land use land cover change using optical multi-temporal satellite data of Faisalabad, Pakistan. Remote Sensing, 12(20): 3402. https://doi.org/10.3390/rs12203402.

Bond N. 2015. Hydrostats: Hydrologic indices for daily time series data. R package version 02, 4: 16. https://CRAN.R-project.org/package=hydrostats.

Boubacar S, Jarju AM, Sonko E, Yaffa S, Sawaneh M. 2021. Detection of recent changes in Gambia vegetation cover using time series MODIS NDVI. Belgeo Revue belge de géographie(1). https://doi.org/10.4000/belgeo.47995.

Burrell A, Evans J, De Kauwe M. 2020. Anthropogenic climate change has driven over 5 million km2 of drylands towards desertification. Nature communications, 11(1): 3853. https://doi.org/10.1038/s41467-020-17710-7.

Chen Y, Cao R, Chen J, Zhu X, Zhou J, Wang G, Shen M, Chen X, Yang W. 2020. A new cross-fusion method to automatically determine the optimal input image pairs for NDVI spatiotemporal data fusion. IEEE Transactions on Geoscience and Remote Sensing, 58(7): 5179-5194. https://doi.org/10.1109/TGRS.2020.2973762.

Ebrahimikhusfi Z, Khosroshahi M, Naeimi M, Zandifar S. 2019. Evaluating and monitoring of moisture variations in Meyghan wetland using the remote sensing technique and the relation to the meteorological drought indices. Journal of RS and GIS for Natural Resources, 10(2): 1-14. http://dorl.net/dor/20.1001.1.26767082.1398.10.2.1.0. (In Persian).

Elhag M, Boteva S, Al-Amri N. 2021. Forest cover assessment using remote-sensing techniques in Crete Island, Greece. Open Geosciences, 13(1): 345-358. https://doi.org/10.1515/geo-2020-0235.

Gao F, Hilker T, Zhu X, Anderson M, Masek J, Wang P, Yang Y. 2015. Fusing Landsat and MODIS data for vegetation monitoring. IEEE Geoscience and Remote Sensing Magazine, 3(3): 47-60. https://doi.org/10.1109/MGRS.2015.2434351.

Gavrilescu M. 2021. Water, soil, and plants interactions in a threatened environment. Water, 13(19): 2746. https://doi.org/10.3390/w13192746.

Guan X, Huang C, Zhang R. 2021. Integrating MODIS and Landsat data for land cover classification by multilevel decision rule. Land, 10(2): 208. https://doi.org/10.3390/land10020208.

Hongwei Z, Wu B, Wang S, Musakwa W, Tian F, Mashimbye ZE, Poona N, Syndey M. 2020. A synthesizing land-cover classification method based on Google Earth engine: A case study in Nzhelele and Levhuvu Catchments, South Africa. Chinese Geographical Science, 30: 397-409. https://doi.org/10.1007/s11769-020-1119-y.

Hu P, Sharifi A, Tahir MN, Tariq A, Zhang L, Mumtaz F, Shah SHIA. 2021. Evaluation of vegetation indices and phenological metrics using time-series modis data for monitoring vegetation change in Punjab, Pakistan. Water, 13(18): 2550. https://doi.org/10.3390/w13182550.

Jahantigh M, Jahantigh M. 2019. Study effect of flood productivity on vegetation changes using field work and Landsat satellite images (Case study: Shandak of Sistan region). Journal of RS and GIS for Natural Resources, 10(4): 57-73. http://dorl.net/dor/20.1001.1.26767082.1398.10.4.4.7. (In Persian).

Jahantigh M, Najafi Nejad A, Jahantigh M, Hosienali Zadeh M. 2020. Investigating the effect of hydrological drought and traditional utilization (distribution and transmission) of water resources (flood streams) on land degradation and desertification in drylands: a case study of sistan plain. Desert Ecosystem Engineering Journal, 9(27): 25-46. https://doi.org/10.22052/deej.2020.9.27.21. (In Persian).

Kempf M. 2021. Monitoring landcover change and desertification processes in northern China and Mongolia using historical written sources and vegetation indices. Climate of the Past Discussions: 1-29. https://doi.org/10.5194/cp-2021-5.

Knauer K, Gessner U, Fensholt R, Kuenzer C. 2016. An ESTARFM fusion framework for the generation of large-scale time series in cloud-prone and heterogeneous landscapes. Remote Sensing, 8(5): 425. https://doi.org/10.3390/rs8050425.

Liu H, Gong P, Wang J, Clinton N, Bai Y, Liang S. 2020. Annual dynamics of global land cover and its long-term changes from 1982 to 2015. Earth System Science Data, 12(2): 1217-1243. https://doi.org/10.5194/essd-12-1217-2020.

Majeed M, Tariq A, Anwar MM, Khan AM, Arshad F, Mumtaz F, Farhan M, Zhang L, Zafar A, Aziz M. 2021. Monitoring of land use–Land cover change and potential causal factors of climate change in Jhelum district, Punjab, Pakistan, through GIS and multi-temporal satellite data. Land, 10(10): 1026. https://doi.org/10.3390/land10101026.

Procházková E, Kincl D, Kabelka D, Vopravil J, Nerušil P, Menšík L, Barták V. 2020. The impact of the conservation tillage “maize into grass cover” on reducing the soil loss due to erosion. Soil and Water Research, 15(3): 158-165. https://doi.org/10.17221/25/2019-SWR.

Sulimin V, Shvedov V, Lvova M. 2021. Natural resource potential and sustainable development of the regional system. In: E3S Web of Conferences. EDP Sciences, p 02034. https://doi.org/02010.01051/e02033sconf/202129102034.

Tang Q. 2020. Global change hydrology: Terrestrial water cycle and global change. Science China Earth Sciences, 63(3): 459-462. https://doi.org/10.1007/s11430-019-9559-9.

Tewabe D, Fentahun T. 2020. Assessing land use and land cover change detection using remote sensing in the Lake Tana Basin, Northwest Ethiopia. Cogent Environmental Science, 6(1): 1778998. https://doi.org/10.1080/23311843.2020.1778998.

Wang Q, Zhang Y, Onojeghuo AO, Zhu X, Atkinson PM. 2017. Enhancing spatio-temporal fusion of MODIS and Landsat data by incorporating 250 m MODIS data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(9): 4116-4123. https://doi.org/10.1109/JSTARS.2017.2701643.

Wang SW, Gebru BM, Lamchin M, Kayastha RB, Lee W-K. 2020. Land use and land cover change detection and prediction in the Kathmandu district of Nepal using remote sensing and GIS. Sustainability, 12(9): 3925. https://doi.org/10.3390/su12093925.

Wang Y, Luo X, Wang Q. 2021. A boundary finding-based spatiotemporal fusion model for vegetation index. International Journal of Remote Sensing, 42(21): 8236-8261. https://doi.org/10.1080/01431161.2021.1976870.

Wang Y, Xie D, Zhan Y, Li H, Yan G, Chen Y. 2021. Assessing the accuracy of landsat-MODIS NDVI fusion with limited input data: A strategy for base data selection. Remote Sensing, 13(2): 266. https://doi.org/10.3390/rs13020266.

Wang Y, Yan G, Hu R, Xie D, Chen W. 2020. A scaling-based method for the rapid retrieval of FPAR from fine-resolution satellite data in the remote-sensing trend-surface framework. IEEE Transactions on Geoscience and Remote Sensing, 58(10): 7035-7048. https://doi.org/10.1109/TGRS.2020.2978884.

Xiao R, Liu Y, Huang X, Shi R, Yu W, Zhang T. 2018. Exploring the driving forces of farmland loss under rapidurbanization using binary logistic regression and spatial regression: A case study of Shanghai and Hangzhou Bay. Ecological Indicators, 95: 455-467. https://doi.org/10.1016/j.ecolind.2018.07.057.

Yang J, Huang X. 2021. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019. Earth System Science Data, 13(8): 3907-3925. https://doi.org/10.5194/essd-13-3907-2021.

Yu Q, Liu W, Gonçalves WN, Junior JM, Li J. 2021. Spatial Resolution Enhancement for Large-Scale Land Cover Mapping via Weakly Supervised Deep Learning. Photogrammetric Engineering & Remote Sensing, 87(6): 405-412. https://doi.org/10.14358/PERS.87.6.405.

Zhou X, Geng X, Yin G, Hänninen H, Hao F, Zhang X, Fu YH. 2020. Legacy effect of spring phenology on vegetation growth in temperate China. Agricultural and Forest Meteorology, 281: 107845. https://doi.org/10.1016/j.agrformet.2019.107845.

Zhu X, Helmer EH, Gao F, Liu D, Chen J, Lefsky MA. 2016. A flexible spatiotemporal method for fusing satellite images with different resolutions. Remote Sensing of Environment, 172: 165-177. https://doi.org/10.1016/j.rse.2015.11.016.