تغییرات بلندمدت پوشش گیاهی مناطق نیمه خشک با استفاده توام از سنجش از دور و توابع آمار فضایی به‌منظور تهیه نقشه راه
الموضوعات :محمد مهدی علی ملایی 1 , مرضیه رضایی 2 , رسول مهدوی نجف آبادی 3 , حمید غلامی 4 , محمد کاظمی 5
1 - کارشناس اشتغال حوزه خودکفایی- کمیته امداد
2 - استادیار گروه مهندسی منابع طبیعی ، دانشگاه هرمزگان، بندرعباس، ایران
3 - دانشیار گروه مهندسی منابع طبیعی دانشگاه هرمزگان
4 - گروه مهندسی منابع طبیعی - دانشگاه هرمزگان
5 - مرکز مطالعات و تحقیقات (پژوهشکده) هرمز، دانشگاه هرمزگان
الکلمات المفتاحية: پوشش گیاهی, توابع آماری, فارس, سنجش از دور,
ملخص المقالة :
علم سنجشازدور فنّاوری مفید و با ارزشی هست که می‌توان ازآن‌جهت استحصال لایه‌های مختلف اطلاعاتی از قبیل خاک، بارندگی، پوشش گیاهی و بهره برد. مقصود نهایی در بیشتر عملیات‌های آنالیز سنجشازدور که به‌منظور بررسی فاکتورهای مختلف پوشش گیاهی به کار گرفته می‌شود این مورد است که داده‌هـای باند‌های طیفی گوناگون که می‌توانند نمایانگر داده‌هـایی از قبیل میزان درصد پوشش گیاهی، بیوماس و شاخص سطح برگ باشد به یک مقدار واحد در هر پیکسل کاهش دهد. در گذر زمان، عوامل محیط و انسان سبب تغییرات مثبت و منفی در کمیت و کیفیت پوشش گیاهی شده‌اند؛ ایـن وضـعیت در آینده نیز ادامه خواهد داشت. تغییرات زمانی در پوشش گیاهی ممکن است به‌صورت روندهای افزایشـی یـا کاهشی باشد. شناخت این تغییرات و تعیین روند آنها در گذشته و آینده می‌تواند راهگشای تصمیم سازی بـرای سیمای سرزمین باشد. یکی از راه‌های مطالعه تغییرات پوشش گیاهی به‌عنوان مهم‌ترین شاخص تخریب زمین، سنجش از راه دور است. بر این اساس، در این پژوهش با استفاده از شاخص تفاوت پوشش گیاهی نرمال شده NDVI با فرمت HDF و در بازه زمانی 16 روزه سنجندة MODIS با اندازة پیکسل 250 متر پایش تغییرات بلندمدت پوشش گیاهی استان فارس طی یک دوره 20 ساله از دوره زمانی 2000 تا 2020 و با استفاده از توابع آمار فضایی به‌منظور تهیه نقشه راه در سال 1400 موردبررسی قرار گرفت. برای این منظور با استفاده از توابع آمار فضایی به‌منظور تهیه نقشه راه است. بدین منظور از داده‌هـای مادیس در بازه بیست‌ساله استفاده شده است. سپس داده‌هـای مورد تجزیه‌وتحلیل‌های آمار کلاسیک و آمار فضایی قرار گرفتند. نتایج نشان‌دهنده روند افزایشی سطح پوشش گیاهی در بازه زمانی 20 ساله بوده همچنین پراکنش پوشش گیاهی در طول زمان خوشهای بوده است. در انتها نقشه راهی به‌منظور پایش بلندمدت پوشش گیاهی در استان فارس پیشنهاد گردید.
تغییرات بلندمدت پوشش گیاهی مناطق نیمه خشک با استفاده توام از سنجش از دور و توابع آمار فضایی
چکیده
در حال حاضر تهیه نقشه پوشش گیاهی دقيق از داده های اساسی و مهم در برنامه‌های مدیریت منابع طبیعی و توسعه پایدار این منابع به شمار مي‌آيد. پژوهش حاضر با هدف پایش تغییرات بلندمدت پوشش گیاهی استان فارس طی دو دهه و با استفاده از توابع آمار فضایی انجام و از شاخص تفاوت پوشش گياهي نرمال شده NDVI با فرمت HDF و در بازه زمانی 16 روزه سنجندة MODIS با اندازة پيكسل 250 متر استفاده شد. پایش تغییرات بلندمدت پوشش گیاهی استان فارس طی یک دوره 20 ساله از دوره زماني 2000 تا 2020 و با استفاده از توابع آمار فضایی مورد بررسی قرار گرفت. سپس داده‌هـا مورد تجزیه‌وتحلیل‌های آمار کلاسیک و آمار فضایی قرار گرفتند. یافته ها نشان داد رگرسیون موزون جغرافیای پوشش گیاهی و گرادیان ارتفاعی فارس R2 (986/0) دارای رابطه معنی دار بود. مقدار شاخص آماره موران برای ماه‌های ژانویه و دسامبر به ترتیب 159/0 و 156/0، در تحلیل پوشش گیاهی استان فارس به‌دست آمد. این شاخص در مورد تحلیل توزیع پوشش گیاهی در بلندمدت نیز برای سالهای 2000، 2005، 2010، 2015 و 2020 برابر با 154/0، 153/0، 155/0، 157/0 و 155/0 بود و نشان از الگوی خوشهای در پوشش گیاهی است که نشان‌دهنده روند افزایشی سطح پوشش گیاهی در این بازه زمانی است. نتایج درون‌یابی فضایی نیز بیانگر عدم توزیع یکنواخت پوشش گیاهی و وجود لکه‌های پوشش گیاهی در سطح استان است. به طوری که تحلیل لکه‌های داغ در توزیع پوشش گیاهی فارس نشان‌دهنده تمرکز لکه‌های داغ با سطح اطمینان 99 درصد در شهرستانهای اقلید، سپیدان، مرودشت، شیراز، فیروزآباد، کازرون و ممسنی است. بنابراین نقشه راه می تواند بر مدیریت پوشش گیاهی لکه های داغ در شهرستانهای ذکر شده که دارای بیشترین تغییرات پوشش گیاهی اند متمرکز شده و هدفمند از تخریب و اضمحلال آنها جلوگیری نماید.
کلید واژه: اندازه گیری، سنجنده، آماره موران، لکه داغ، پراکندگی، زمان، فارس
مقدمه
پوشش‌های گیاهي با گذشت زمان و به دلایل گوناگون در اثر عوامل طبیعي و یا دخالت‌های انساني دستخوش تغییر شده (32) و این تغییرات شرایط و عملكرد اکوسیستم را تحت تأثیر قرار می‌دهد (6)؛ بنابراین نیاز به آشکارسازی، پیش‌بینی و مراقبت چنین تغییراتي در یك اکوسیستم از اهمیت به سزایي برخوردار است (9). پايش تغيير عموماً جهت ارزيابي فرآيندهاي طبيعي، از قبيل اثرات بلندمدت که ناشي از علل اقلیمی است (35) و همچنين فرآيندهاي کوتاه‌مدت که شامل تغییرات پوشش گياهي ناشی از عوامل انسانی است صورت می‌گیرد (15). در چهار دهه گذشته تغییرات کاربري اراضی، پوشش گیاهی در ایران با سرعت فزاینده در بعضی جهات نامطلوب به وقوع پیوسته است (32) و این باعث تشدید روند تخریب اراضی شده است (36). با آشکارسازي تغييرات به ویژه پوشش گیاهی در مناطق شهري، کنشهاي متقابل ميان انسان و پديده‌هاي طبيعي بهتر درک شده و تغييرات ايجاد شده در منابع طبيعي و محيط زيست آشکار مي‌شوند (9). بنابراين نظارت منظم بر فعاليتهاي توسعه و تخريب طبيعت در برنامه‌ريزي و مديريت آن بسيار حائز اهميت است (30) از آنجا که تغییرات در کاربري اراضی، پوشش گیاهی در سطوح وسیع و گسترده صورت می‌گیرد(32)، لذا فناوری سنجش از راه دور یك ابزار ضروري و با ارزش در ارزیابی تغییرات به‌دلیل پوشش مكرر و تكراري کره زمین است (34). سنجه‌ها يکي از بهترين روشها براي ارزيابي وضعيت سيماي سرزمين هستند اما در اين ميان، بايد از سنجه‌هاي مناسب استفاده شود تا وضعيت محيط به صورت جامع نشان داده شود (20). سنجه‌هاي سيماي سرزمين براي تحقق اين امر مناسب به نظر ميرسند چرا که وضعيت سيماي سرزمين را به شکل کمي در مي‌آورند (10 و 5).
در زمينه کمي کردن وضعيت سيماي سرزمين با استفاده از سنجه‌ها تاکنون مطالعات مختلفي انجام شده است. شاخص (NDVI) يكـي از شاخصهای کاربردی، شــاخص تفــاوت پوشــش گيــاهي نرمال شــده است (37)، این شاخص میزان سـبزينگي (کلروفیل) پوشـش گيـاهي را نيـز نشـان می‌دهد (33). ثابت شده است كـه تجزیه‌وتحلیل سیکل زمـاني منتج از اين نوع داده‌هـا، جهت شناسـايي و رصد کردن عکس‌العمل پوشش گياهي به وقوع ناگهـاني طبيعـي يـا انسـاني (29) و تغييرپــذيري ناشی از فصــل رشد و نمو گيــاهي (فنولــوژي) تحت تأثیر رژیم‌های بارندگي و دما مفید است (36). باگان و همکاران (4) چند مجموعه داده EVI ترکیبی ایجاد شده از داده‌هـای 16 روزه مادیس در مدت فصل رشد و نمو گیاهان را به‌عنوان داده‌هـای ورودی جهت مطابقت با خصوصیات گروه‌های مختلف گیاهی و طبقه‌بندی تصاویر مورداستفاده قرار دادند. نتایج این طبقه‌بندی با روش MLC سنتی مورد مقایسه قرار گرفت و دقت بالاتر این روش ثابت شد. هر سري زماني NDVI در سنجش‌از دور معمولاً شامل سه مؤلفـه اسـت: مؤلفه رونـد جهـت‌دار بلندمـدت، تغييرات منظم و فصلي و نوسان‌های كوتاه‌مـدت، نـامنظم و تصـادفي كـه بـه آن مؤلفه باقيمانـده می‌گویند (25). آرخی (3) آشكارسازي تغییرات کاربري اراضي با پردازش شیءگرای تصاویر ماهواره‌ای با استفاده از نرم‌افزار Idrisi در طي دوره زماني 25 ساله منطقه آبدانان را انجام داده و به این نتیجه رسید که در فاصله سالهای 1364 تا 1389، شاهد روند کاهشي اراضي با پوشش مرتعي با وضعیت متوسط و خوب بوده که این امر بیانگر روند کلي تخریب در منطقه و سیر مراتع متوسط و خوب به‌سوی مرتع فقیر و اراضي بایر است. مطالعات متعددی در زمینه بررسی پوشش گیاهی از طریق شاخصهای پوشش گیاهی انجام شده است که از آن جمله می توان به مطالعات جباری و همکاران (12) اشاره نمود. وی نشان داد درصد پوشش گیاهی مراتع با استفاده از تصاویر ماهواره‌ای در منطقه سمیرم اصفهان متغیر بوده و تغييرات طبقات پوشش گياهي باهم مرتبط بوده و کاهش مساحت در يک طبقه موجب افزايش مساحت در طبقات ديگر گردید. تونی و همکاران (27) با استفاده از آمار فضایی به شناسایی لکه‌های داغ جنگل‌های در حال تخریب پرداختند. نتایج نشان داد درحالی‌که میزان کلی جنگل در برزیل طی دوره 14 ساله کاهش یافته است، الگوهای فضایی-زمانی، با تخریب جنگل به‌طور قابل توجهی در ایالات آمازون از ماتو گروسو و رونوندیا کاهش یافته و در بیوم سرادو شدت گرفته است. عبدالعلی زاده (2019) تغییرات کاربری/پوشش منطقه حفاظت شده مراکان، در شمال غرب ایران در یک بازه زمانی 31 ساله انجام و یافته ها نشان داد تغییرات افزایشی در منطقه از نوع LU / LC تحت سلطه انسان رخ داده است و تغییرات منفی و کاهشی در مرتع رخ داده است (1). کووه و همکاران (17) با استفاده از داده‌هـای لندست یک چارچوب کمی برای تجزیه و تحلیل خوشه فضایی طولانی‌مدت پوشش گیاهی در یک منطقه شهری ارائه دادند. در این پژوهش، از معیارهای چشم‌انداز، شاخصهای LISA برای تجزیه و تحلیل تنوع زمانی در خوشهبندی و تقسیم الگوهای تکه‌های پوشش گیاهی در کلان‌شهر هراره، زیمبابوه با استفاده از داده‌هـای سری Landsat برای 1994، 2001 و 2017 استفاده شد. تجزیه‌وتحلیل معیارهای چشم‌انداز افزایش لکه‌ای شدن تکه‌های پوشش گیاهی بین سالهای 1994-2017 را نشان داد. در پژوهشی تغییرات دینامیکی کاربری زمین برای ارزیابی تغییر LULC، از تصاویر ماهواره ای در سال های 1984، 1992، 2000، 2008 و 2016 به روش طبقه بندی نظارت شده حداکثر احتمال در مشگین شهر ایران استفاده شده است. بیشترین تغییر مربوط به کاربری اراضی جنگلی بود که طی این دوره 32 ساله روند کاهشی با سطح پویایی 85/1 درصد داشت (36). تغییرات پوشش گیاهی در مشکین شهر ایران در دوره زمانی 32 ساله با تصاویر ماهواره ای به روش طبقه بندی نظارت شده حداکثر احتمال انجام و یافته ها حاکی از کاهش پوشش گیاهی مراتع به دلیل تغییر کاربری اراضی بود (40). در پژوهشی در کامبوج رویکردی برای نقشه برداری جنگل‌زدایی، تخریب جنگل و بازیابی با استفاده از انواع اختلالات و برآوردهای پوشش تاج درخت با داده های سری زمانی سالانه Landsat از سال 1988 تا 2020 بررسی و از الگوریتم جنگل تصادفی با استفاده از متغیرهای پیش‌بینی‌کننده استفاده شده است. دقت تولیدکننده و کاربر به ترتیب از 1/59٪ تا 9/72٪ و 8/60٪ تا 6/91٪ برای کلاس های تغییر جنگل نقشه برداری جنگل زدایی، تخریب جنگل و بازیابی متغیر بود (44). از شاخص تفاوت نرمال شده پوشش گیاهی و شاخص تفاوت نرمال شده آب برای پیش بینی پوشش گیاهی در مراکش تصاویر ماهواره ای Sentinel 2 و Landsat و الگوریتم یادگیری ماشین استفاده شد. میانگین مربعات خطا 843/0 (MSE: میانگین مربعات خطا بود و پتانسیل خوبی برای پیش بینی عملکرد گیاه نشان داد (22). در پژوهش دیگری ارزیابی تغییرات پوشش جنگلی در واوونیای سریلانکا، از سال 2001 تا 2020، با استفاده از ترکیبی از پلت فرم Google Earth Engine (GEE) و روش طبقه بندی آستانه مبتنی بر فنولوژی (PBTC) انجام و از داده های Landsat 5 TM برای سال 2001، 2006 و 2010 و داده های Landsat 8 OLI برای سال های 2016 و 2020 استفاده شد. میانگین کلی دقت 87 درصد و کاپا متوسط ضریب 83/0، پوشش جنگلی 6/57 درصد از کل مساحت زمین در سال 2020 برآورد شد. زیان زیاد 6/0 درصد در هر سال بین سالهای 2010 و 2020 مشاهده گردید (45). بومیان در گذشته برای تأمین سوخت و انرژی به منظور احتیاجات روزمره‌شان از تنه و شاخه‌های خشک‌شده درختان بهره می‌بردند و معتقد بودند که شکستن شاخه‌های سبز درختان، اهانت به عناصر مقدس حیات است. این باور به‌ویژه در میان جوامع بومی و حاشیه‌نشینان جنگل‌های زاگرس، تا 70 سال پیش به قوت باقی بود و موجب شده بود تا بسیاری از عرصه‌های جنگلی موجود در ارتفاعات، زیراشکوب‌ها و دشت‌های رشته کوه زاگرس از آسیب جدی مصون بمانند. با فاصله گرفتن از باورهای صیانت و حفاظت از جنگلها و ارزش تقدس آنها در دانش بومی، در دهه های اخیر عوامل انسانی و طبیعی تغییرات زیادی در پوشش گیاهی فارس ایجاد نموده است. پوشش کاربري در فارس به علت تراکم جمعيت نسبتًا بالا، نرخ بالاي گردشگران، شرايط مساعد طبيعي و فرهنگي، تعدد واحدهاي صنعتي، دارا بودن مرز با شهرهای صنعتی مانند عسلویه و پارسیان هرمزگان و نيز سير عظيم ساخت و ساز در ساليان اخير در حال تغيير بوده و از طرف ديگر ميزان تخريب پوشش گياهي نيز در آن بالا است. همچنين شهرها با توسعه فيزيکي خود از عوامل اصلي تغيير کاربري و پوشش اراضي هستند. رشد شهري، تعریض جاده های فارس با قطع درختان بلوط کهنسال، مشکلاتي مانند از بين رفتن اراضي جنگلي و افت کيفيت محيط زيست را به دنبال داشته است. سد سازی نیز یکی دیگر از عوامل تغییرات پوشش گیاهی در این استان بوده به طوریکه باعث تجمع آب پشت مخازن سدها شده و با قطع حق آبه ورودی به اراضی پایین دست، تخریب جوامع پوشش گیاهی آنرا موجب شده است. به منظور تأمین سوخت و فروش فرآورده‌های آن مانند زغال واحدهای اجتماعی بزرگ و کوره های زغال جنب جنگل ها نیز ایجاد شده و درحال فعالیتند. ويلاسازي در فارس، اغلب اوقات بر اساس استانداردهاي محيط زيست نبوده و بصورت بيرويه در حريم جنگلها و مراتع انجام شده و زمین خواری و سود‌جویی برای تصاحب عرصه‌های جنگلی و اراضی ملی در این استان در حال انجام است. از طرف دیگر ضعف نهادهای متولی دولتی در صیانت از جنگل ها و پوشش گیاهی موجب تخریب بیش از پیش عرصه‌های جنگلی و مراتع نسبت به گذشته و نسبت به استانهای دیگر شده است. به طور کلی می توان بیان نمود که مطالعه پوشـش گيـاهي بر مبنـاي سری‌های زمـاني و سنجش‌از دور، آگاهی زیادتری از نحوه تغييــرات ســالانه و بین سالی گياهان در حد محلي تا مقیاس جهانی به دست می‌آید (48). پژوهش حاضر با هدف پایش تغییرات بلندمدت پوشش گیاهی استان فارس طی دوره 20 ساله از دوره زماني 2000 تا 2020 و با استفاده از توابع آمار فضایی به‌منظور تهیه نقشه راه انجام شد.
مواد و روشها
معرفی منطقه موردمطالعه
استان فارس با مختصات جغرافيايی ' 3 °27 تا ' 40 °31 عرض شمالی و ' 36 °50 تا ' 35 °55 عرض شرقی، این استان در جنوب غرب ایران واقع شده و 5/7 درصد از مساحت كشور ايران را در برگرفته است (شکل 1). این استان با مساحتی در حدود 608/122 کیلومترمربع دارای سه ناحیه آب‌وهوایی قابل‌تمایز است. ناحیه اول ناحیه کوهستانی شمال، شمال غرب و غرب با بارندگی حدود 400 تا 600 میلی‌متر است. ناحیه دوم بخش مرکزی است که آب‌وهوای این ناحیه به علت کاهش نسبی ارتفاعات، نسبت به شمال و شمال غرب متفاوت است. در نهایت ناحیه سوم ناحیه جنوب و جنوب غربی می‌باشد که دارای ارتفاع کمتر است. متوسط رطوبت نسبی این ناحیه حداکثر 5/84 و حداقل 5/12 درصد است. پوشش گیاهی استان فارس را اغلب درختان جنگلی و گیاهان دارویی و صنعتی (شکل 2) تشکیل می‌دهد (14).
|
|
|
|
شکل 1. نقشه موقعیت منطقه مورد مطالعه
Figure 1. location map of the case study area
روش تحقیق
در پژوهش حاضر ابتدا با استفاده از تصاویر ماهواره‌ای داده‌هـای پوشش گیاهی در بلندمدت استخراج و پس از آماده‌سازی تغییرات بررسی شد (41). همچنین داده ها با کمک توابع آمار فضایی، آنالیز و در نهایت نقشه راه آماده‌سازی شد. بدین ترتیب که از تصاویر سنجنده MODIS (26) با تفکیک مکانی ۲۵۰ متری برای بررسی تغییرات بلندمدت پوشش گیاهی (37) استان فارس از داده‌هـای بلندمدت در بازه زمانی بیست‌ساله (2000-2020) و از شاخص گیاهی تفاضلی نرمال شده NDVI استفاده شد (1). از داده‌هـای تركيبي 16 روزه MODS- NDVI بـه نـام MOD13Q1 بـا قدرت تفكيـك 250 متـر استفاده گردید (23). ايـن داده‌هـا از سالهای 2000 تـا 2020 از LPDAAC1 USGS (United States Geological Survey Land Processes Distributed Active Archive Center) شــامل 23 تصــوير در ســال و در مجموع 460 تصوير NDVI به‌صورت منفرد و تک‌تک دانلود شدند.
داده‌هـاي بازتاب طيفي: به‌منظور بيان چگونگی پوشش گيـاهي و بررسی روند تغییرات پوشش گیاهی (گرایش) از شاخص NDVI استفاده گردید (2). شاخص NDVI اساس بازتاب در دو باند طيفي و بـا اسـتفاده از رابطه 1 محاسبه گردید (40).
پيش‌پردازش و آماده‌سازي داده‌هـا: در ابتدا 260 تصوير NDVI در گستره استان فارس، به يك سري زماني مبدل گردید. سپس جهت طبقه‌بندی تصاویر از الگوریتم حداکثر احتمال استفاده گردید (47).
آماره موران
اين آماره که با عنوان خودهمبستگی فضایی نيز معروف است، یکی از کاربردیترین ابزارهای تحلیلی داده‌هـای فضایی است (48). با استفاده از اين آماره درجه پراکندگي یا متمرکز بودن پوشش گیاهی اندازه‌گیری گردید (29).
فرضیاتی که در ارتباط با آماره 
موران به کار رفت عبارت‌اند از:
- فرضیه صفر
: هیچ نوع خوشهبندی فضایی در مقادیر خصیصه موردمطالعه برای عوارض وجود نداشت.
- فرضیه مقابل
: الگوی فضایی در مقادیر خصیصه مورد مطالعه برای عوارض وجود دارد.
مقدار موران از رابطه 2 محاسبه شد (جدول 1):
که در رابطه 2 
وزن فضایی بین عارضه 
و 
است، 
تعداد کل عوارض جغرافیایی موجود در منطقه موردمطالعه، 
و 
به ترتیب مقدار مشاهده شده متغیر موردنظر در منطقه و 
بوده و 
میانگین مقادیر مشاهده شده است.
در یک چارچوب آماری انحراف معنادار از الگوی تصادفی مشخص و وقتی تعداد پهنه‌ها 
به‌اندازه کافی بزرگ بود (بزرگ‌تر از 30)، داراي یک توزیع نرمال با میانگین و واریانس مطابق رابطه 3 تا 8 بود (جدول 1). در رابطه (8) زمانی که مقدار 
بسیار کوچک و مقدار 
محاسبه‌شده (قدر مطلق آن) بسیار بزرگ بود (خارج از محدوده اطمینان قرار گیرد)، فرضیه صفر رد شد (21 و 28).
برای محاسبه روند تغییرات سالانه پارامترهای اقلیمی شاخصهای پوشش گیاهی در منطقه مورد مطالعه از آزمون روند‌یابی من‌کندال استفاده و آماره این آزمون با استفاده از رابطه های (10 تا 12) محاسبه شد (23). در رابطه (10) S آماره آزمون من-کندال 
مقدار داده iام، xj مقدار داده jام، n تعداد داده‌هـا و
تابع علامت بود که با استفاده از رابطه 11 محاسبه گردید.
واریانس آماره من‌کندال با استفاده از رابطه 12 محاسبه شد. که در آن N تعداد داده‌هـای مشاهده‌ای پوشش گیاهی، m تعداد دنباله‌ها، 
تعداد دنباله‌ها برای i امین مقدار وt و tعداد مقادیر دنباله‌ها است. آماره استاندارد شده آزمون 
از رابطه 13 به دست آمد (44). در رابطه (13) مقدار مثبت روند افزایش و مقدار منفی روند کاهشی سری زمانی را نشان می‌دهد. همچنین برای آزمون روند افزایش یا کاهش یکنواخت پوشش گیاهی در سطح معنی‌داری p، اگر مقدار z بزرگ‌تر از 
بود )که از جدول توزیع تجمعی نرمال استاندارد به دست می‌آید) فرض صفر رد شد. برای این کار، سطح معنی‌دار 05/0p= به کار می‌رود، که حالت استاندارد z در این مطالعه 96/1 در نظر گرفته شده است (27).
جدول 1 . روابط آماره های مورد استفاده در پژوهش حاضر (31 و 38)
Table 1. The relationships of the statistics used in the current research (31 and 38)
شماره | رابطه آماری | ||
رابطه 1 |
| ||
رابطه 2 |
| ||
رابطه 3 |
| ||
رابطه 4 |
| ||
رابطه 5 |
| ||
رابطه 6 |
| ||
رابطه 7 |
| ||
رابطه 8 |
| ||
رابطه 9 |
| ||
رابطه 10 |
| ||
رابطه 11 |
| ||
رابطه 12 |
| ||
رابطه 13 |
| ||
رابطه 14 |
| ||
رابطه 15 |
| ||
رابطه 16 |
| ||
رابطه 17 |
| ||
رابطه 18 |
|
|
|
|
|
شکل4. نقشه شاخص NDVI در استان فارس- سال 2010
Figure 4. NDVI index map of Fars province – year2010
شاخص NDVI در سال 2015 بین مقادیر 0تا 92/0 در سطح استان فارس متغیر بوده است. حداکثر فروانی مقدار این شاخص در این سال در محدوده 0 تا 2/0 بوده و میانگین و انحراف از معیار شاخص NDVI در سال 2015 به ترتیب برابر با 14/0 و 07/0 می‌باشد. بر اساس شاخص NDVI سهم عمده استان فارس در سال 2015 از خاک لخت و پوشش گیاهی تنک پوشیده شده است. پراکنش پوشش گیاهی در این سال در شهرستانهای اقلید، سپیدان، مرودشت، شیراز، فیروزآباد و ممسنی متمرکزتر است (شکل 5).
|
|
|
|
شکل 5. نقشه شاخص NDVI در استان فارس- سال 2015
Figure 5. NDVI index map of Fars province – year2015
شاخص NDVI در سال 2020 بین مقادیر 0 تا 98/0 در سطح استان فارس متغیر بوده است. فروانی مقدار این شاخص در این سال در محدوده 0 تا 4/0 دارای بیشترین مقدار بوده و میانگین و انحراف از معیار شاخص NDVI در سال 2020 به ترتیب برابر با 19/0 و 08/0 می‌باشد. بر اساس مقادیر شاخص NDVI سهم عمده استان فارس در سال 2020 از خاک و پوشش گیاهی تنک و لکه‌های پراکنده‌ای از پوشش گیاهی متوسط پوشیده شده است. پراکنش پوشش گیاهی در این سال در شهرستانهای اقلید، ممسنی، سپیدان، مرودشت، شیراز، فیروزآباد، ارسنجان و خرمبید متمرکزتر است (شکل 6). جدول (2) پارامترهای آماری شاخص NDVI استان فارس- سال 2000 تا 2020 را نشان می دهد.
شکل 6 . نقشه شاخص NDVI در استان فارس- سال 2020
Figure 6. NDVI index map of Fars province – year2020
جدول 2. پارامترهای آماری شاخص NDVI استان فارس- سال 2000 تا 2020
Table 2. Statistical parameters of NDVI index of Fars province - 2000 to 2020
پارامترهای آماری شاخص NDVI | درجه آزادی (D.F) | میانگین مربعات (M.S) | انحراف معیار (CV) |
منبع تغییر (S.V) | |||
2000 | 2298399 | 129790992/0** | 057684156/0 |
2005 | 2291564 | 07248613/0* | 07248613/0 |
2010 | 2310324 | 090905183/0** | 090905183/0 |
2015 | 2311076 | 070138847/0ns | 070138847/0 |
2020 | 2306968 | 082702921/0* | 082702921/0 |
ns، * و ** به ترتیب غیرمعنی‌دار و معنی دار در سطح 5 و 1 درصد
پراکندگی پوشش گیاهی استان فارس به روش میانگـین نزدیک‌ترین فاصـله همسـایگی: در تحلیل توزیع پوشش گیاهی استان فارس به روش میانگـین نزدیک‌ترین فاصـله همسـایگی به‌منظور توزیع جغرافیایی پوشش گیاهی، مقدار شاخص برای ماه‌های ژانویه تا دسامبر به ترتیب 47/0، 32/0، 46/0، 46/0، 45/0، 44/0، 47/0، 47/0، 42/0، 43/0، 39/0 و 40/0 به‌دست‌آمده است. این شاخص در مورد تحلیل توزیع پوشش گیاهی استان فارس در بلندمدت نیز برای سالهای 2000، 2005، 2010، 2015 و 2020 برابر با 40/0، 43/0، 45/0، 44/0 و 47/0 است؛ بنابراین توزیع پوشش گیاهی در استان فارس دارای الگوی خوشهای است. زیرا هر چه ضریب کمتر از عدد 1 باشد نشان از تمرکز بالاتر و خوشه‌ای‌تر بودن دارد.
پراکندگی پوشش گیاهی استان فارس به روش خوشهبندی زیاد و کم: از آنجا که مقدار P-Value بسیار کوچک و مقدار Z محاسبه‌شده بسیار بزرگ است، می‌توان نتیجه گرفت که خوشهبندی فضایی بین مقادیر شاخص NDVI استان فارس وجود دارد. تحلیل پراکندگی پوشش گیاهی استان فارس در بلندمدت نشان داد توزیع پوشش گیاهی در استان فارس دارای الگوی خوشهای است. پراکندگی پوشش گیاهی استان فارس نشان می‌دهد که توزیع پوشش گیاهی در استان فارس در بلندمدت، همواره دارای خوشهبندی فضايي است. مقدار شاخص آماره موران برای ماه‌های ژانویه تا دسامبر به ترتیب 159/0، 150/0، 154/0، 158/0، 156/0، 158/0، 159/0، 155/0، 153/0، 154/0، 157/0، 156/0، در تحلیل پوشش گیاهی استان فارس به‌دست‌آمده است. این شاخص در مورد تحلیل توزیع پوشش گیاهی استان فارس در بلندمدت نیز برای سالهای 2000، 2005، 2010، 2015 و 2020 برابر با 154/0، 153/0، 155/0، 157/0 و 155/0 است و نشان از الگوی خوشهای در پوشش گیاهی است.
پوشش گیاهی استان فارس بر اساس بهترین روش درون‌یابی فضایی: نتایج درون‌یابی پوشش گیاهی در استان فارس نیز نشان‌دهنده عدم توزیع یکنواخت پوشش گیاهی و وجود لکه‌های پوشش گیاهی در سطح استان است (جدول 3).
جدول 3. انواع روش‌هاي درون‌یابی توزیع پوشش گیاهی در دوره بلندمدت در استان فارس بر اساس معيار RMSE
Table 3. Vegetation distribution in Fars province by RMSE factor
رديف | روش درون‌یابی | دوره زمانی بلندمدت |
1 | SIMPLE KRIGING CICULAR | 7/55 |
2 | SIMPLE KRIGING TETRASPHERICAL | 56 |
3 | SIMPLE KRIGING SPHERICAL | 9/55 |
4 | SIMPLE KRIGING PENTASPHERICAL | 08/55 |
5 | ORDINARY KRIGING_EXPONENTIAL | 08/55 |
6 | UNIVERSAL KRIGING_EXPONENTIAL | 086/56 |
7 | ORDINARY KRIGING PENTASPHERICAL | 7/57 |
8 | UNIVERSAL KRIGING PENTASPHERICAL | 69/57 |
9 | ORDINARY KRIGING RATIONAL QUADRATIC | 29/57 |
10 | UNIVERSAL KRIGING RATIONAL QUADRATIC | 3/57 |
11 | ORDINARY KRIGING TETRASPHERICAL | 58 |
12 | UNIVERSAL KRIGING TETRASPHERICAL | 04/58 |
13 | SIMPLE KRIGING_EXPONENTIAL | 61/58 |
14 | ORDINARY KRIGING_CICULAR | 2/58 |
15 | UNIVERSAL KRIGING CICULAR | 1/58 |
16 | ORDINARY KRIGING SPHERICAL | 08/58 |
17 | UNIVERSAL KRIGING SPHERICAL | 09/58 |
18 | RADIAL BASIS FUNCTION | 26/61 |
19 | ORDINARY KRIGING STABLE | 75/59 |
20 | UNIVERSAL KRIGING STABLE | 69/59 |
21 | SIMPLE KRIGING_HOLE EFFECT | 87/56 |
22 | IDW | 7/62 |
23 | SIMPLE KRIGING RATIONAL QUADRATIC | 24/67 |
24 | SIMPLE KRIGING_GUSSIAN | 69/67 |
25 | SIMPLE KRIGING_J-BESSEL | 36/61 |
26 | ORDINARY KRIGING_K-BESSEL | 25/60 |
27 | UNIVERSAL KRIGING_K-BESSEL | 19/60 |
28 | ORDINARY KRIGING_HOLE EFFECT | 91/63 |
29 | UNIVERSAL KRIGING_HOLE EFFECT | 89/63 |
30 | ORDINARY KRIGING_J-BESSEL | 9/63 |
31 | UNIVERSAL KRIGING_J-BESSEL | 64/63 |
32 | ORDINARY KRIGING_GUSSIAN | 49/63 |
33 | UNIVERSAL KRIGING_GUSSIAN | 41/63 |
34 | LOCAL POLYNOMIAL INTERPOLATION | 5/69 |
35 | GLOBAL POLYNOMIAL INTERPOLATION | 86/88 |
36 | SIMPLE KRIGING_K-BESSEL | 46/256 |
37 | SIMPLE KRIGING STABLE | 24/567 |
با توجه به نتايج مشاهده گردید كه روش كريجينگ ساده دايره‌اي بهترين روش درون‌يابي پراکندگی بلندمدت پوشش گیاهی در استان فارس است. در روش كريجينگ با افزايش فاصله، ساختار فضايي ضعيف شده و در نهایت از بين می‌رود؛ بنابراین نقاطي كه از فاصله مشخصي (شعاع تأثیر) دورتر از نقطه تخمين قرار دارند، عملاٌ روي نقطه مورد تخمين تأثیری نداشته و لازم نيست كه در فرآيند تخمين آن نقطه وارد شوند. به حداكثر فاصله‌ای كه نقاط واقع در آن تخمين شركت داده می‌شوند، شعاع جستجو گفته می‌شود. شعاع جستجو را می‌توان از پراش نگار به دست آورد. نتایج تحلیل خوشه و نا خوشه در توزیع پوشش گیاهی استان فارس نشان داد که عمده الگوی توزیع پوشش گیاهی حاکم بر استان فارس از نوع خوشه زیاد است (شکل7 ).
شکل 7. توزیع پوشش گیاهی استان فارس به روش تحلیل خوشه‌ها و نا خوشه‌ها
Figure 7. Vegetation distribution in Fars province by analyzing clusters and non-clusters
پراکندگی پوشش گیاهی استان فارس به روش تحلیل لکه‌های داغ آماره گتیس ارد جي: نتایج تحلیل لکه‌های داغ در توزیع پوشش گیاهی استان فارس نشان‌دهنده تمرکز لکه‌های داغ با سطح اطمینان 99 درصد در شهرستانهای اقلید، سپیدان، مرودشت، شیراز، فیروزآباد، کازرون و ممسنی است.
رگرسیون موزون جغرافیای پوشش گیاهی- عوامل محیطی استان فارس: در بررسی رابطه بین پوشش گیاهی و ارتفاع در استان فارس با توجه به مقدار بالای R2 (986/0) رابطه معنی‌داری بین متغیر پوشش گیاهی و ارتفاع وجود دارد (جدول 3).
جدول 3. نتایج رگرسیون موزون جغرافیایی پوشش گیاهی و ارتفاع
Table 3. Results of geographically weighted regression of vegetation cover and height
Band width | 3/45768 |
Residual Squares | 33/9700153 |
Effective Number | 96/57 |
Sigma | 3/58 |
AICc | 82/31970 |
R2 | 98/0 |
R2 Adjusted | 986/0 |
تغییرات روند پوشش گیاهی با تکیه بر روش‌های آمار کلاسیک در استان فارس نشان داد که میانگین و انحراف معیار مقدار شاخص NDVI تغییر یافته است. اما نقشه‌های به‌عنوان خروجی‌های آمار فضایی در تحلیل روند پوشش گیاهی نشان‌دهنده تغییرات وابسته به مکان نیز هستند (جدول 1). توابع آمار فضایی نشان‌دهنده خوشهای بودن پراکنش پوشش گیاهی در طول زمان است. همچنین افزایش سطح پوشش گیاهی در بازه زمانی 20 ساله نیز مشهود است.
بحث
آگاهي از روند تغییرات پوشش گیاهی هر منطقه که بیشتر نمایانگر نحوه استفاده و چگونگی مدیریت عرصه‌های منابع طبیعی هست، می‌تواند به‌عنوان يك عامل مديريتي، متصدیان امور و برنامه‌ريزان بخش‌های مختلف اجرايي را در مديريت و توسعه همه‌جانبه ياري کند (7 و 39). در این پژوهش که باهدف بررسی تغییرات بلندمدت پوشش گیاهی در استان فارس با استفاده از توابع آمار فضایی و سنجش از دور انجام گردید، نتایج نشان‌دهنده خوشهای بودن پراکنش پوشش گیاهی در طول زمان می‌باشد. همچنین افزایش سطح پوشش گیاهی در بازه زمانی 20 ساله نیز قابل‌مشاهده است. جهت طبقه‌بندی از الگوریتم حداکثر احتمال استفاده گردید که عبدالعلی زاده (2) ، مسعود (19) و لی (18) نیز از این الگوریتم استفاده نمودند.
ویلـنس (46) با استفاده از تجزیه رگرسیون نتیجه گرفت کـه انعکاس انـرژي الکترومغناطیسی مادون‌قرمز توسط برگ‌های سبز گیاهان بیشتر از خاك لخت است و بین انعکاس طول‌موج باند قرمز و مادون‌قرمز با مقدار درصد تاج پوشش گیاهان همبسـتگی معنی‌داری آماری موجود است. پس مورداستفاده قرار دادن این باندها در مدل رگرسیونی به‌عنوان متغیر مستقل به‌منظور محاسبه متغیر تابع، پوشش گیاهی مناسب است (43 و 16). در منطقه مورد مطالعه افزایش میزان پوشـش گیـاهی افزایش مقدار شاخص NDVI را به دنبال دارد که در پی آن میزان همبسـتگی بـین شاخصهای گیاهی (NDVI) و درصد تاج پوشش گیاهی نیز روندی افزایشی پیدا می‌کند (9). ایـن موضوع سبب شـده اسـت کـه نقشه‌هایی با دقت بالا و قابل‌قبول تهیه گردد. در همین رابطه میزان بنیـه و شادابی پوشش گیاهی را از عوامل تأثیرگذار در بازتـاب طیفـی گیاهـان معرفی شد (12). در مناطق تخریب شده میزان همبستگی بـین شاخصهای پوشش گیاهی و تاج پوشش گیاهی کاهش می‌یابد (11 و 37) . با توجه به اینکه میزان تغییرات شاخص NDVI تابع مقدار تغییرات درصد پوشـش گیاهی است، لـذا اسـتفاده از ایـن شـاخص در تعیـین میـزان تغییرات درصد پوشش گیاهی شاخص مناسبی است (6 و 42). در بررسي پوشش گياهي منطقه، از شاخص NDVI براي اين منطقه استفاده گردید كه با نتایج یمانی (47)، ویاناس و باولیس (44) كه عنوان داشتند شاخص NDVIبهترين شاخص براي تهيه نقشه پوشش گياهي است، همخواني دارد. با استفاده از شاخص NDVI ابتدا پوشش گياهي از ساير مناطق تفكيك گرديد؛ همانطور كه مشاهده شد تراکم محدوده پوشش‌گياهي منطقه عموماً در قسمت مرکزی شهرستانهای مرودشت و شیراز و غرب استان فارس شامل شهرستانهای سپیدان، ممسنی و فیروزآباد، واقع شده است که این مورد ناشی از وجود ادامه جنگل‌های زاگرس (بلوط زارها) و نیز میزان بارندگی بیشتر و تعدیل دما نسبت به سایر مناطق استان در این شهرستان‌ها است. با توجه به اینکه روند تغییرات پوشش گیاهی در فارس طی دو دهه اخیر روند افزایشی داشت این یافته ها با نتایج روستا (38) در ارتباط با تغییرات پوشش گیاهی در خاورمیانه که روند افزایشی داشته و پژوهش بای (5) در یک راستا و با یافته های روند کاهشی در تغییرات پوشش گیاهی کرمانشاه (13) و روند کاهشی تغییرات پوشش گیاهی در منطقه حفاظت شده مراکان، در شمال غرب ایران (2)، همخوانی نداشت. کیم و همکاران (16) در پژوهشی اظهار نمودند که فاکتور درجه حرارت در کاربری‌های ارتفاعات بالاتر نسبت به ارتفاعات کمتر عامل تأثیرگذارتری نسبت به بارش است. مو و همکاران (23) اظهار می‌دارند عمده‌ترین فاکتور کنترل کننده پوشش گیاهی در مناطق خشک و نیمه خشک، بارندگی و فاکتور دما در این مناطق از عوامل محدود‌کننده رشد و نمو گیاهان است. با توجه به نتایج حاصل از این تحقیق می‌توان دریافت تغییرات اقلیمی و فعالیت‌های انسانی روند گسترش پوشش گیاهی در مناطق مختلف را کنترل می‌کنند که با استفاده از اطلاعات حاصل از داده‌هـای سنجش از دور می‌توان این اثرات را به‌خوبی نشان داد.
نتیجه گیری
در مجموع یافته ها افزايش پوشش گياهي را در قسمت‌هایی از استان فارس در بازه زمانی 20 ساله به اثبات رسانده است. با توجه به نتایج حاصله و نظر به اینکه روند افزایشی پوشش گیاهی استان فارس مشاهده شده است، این میزان افزایش می‌تواند ناشی از افزایش تغییرات کاربری اراضی طبیعی از قبیل مراتع و جنگلها به اراضی کشاورزی باشد، از طرف دیگر فعالیت‌های حفاظتی از قبیل قرق، مدیریت و کنترل ورود و خروج دام از عرصه‌های طبیعی، کاهش استفاده از گیاهان جهت تأمین انرژی گرمایی و سوختی هم‌زمان با تأمین سوخت‌های فسیلی و گازرسانی به مناطق روستایی و انجام عملیات بوته کاری و درختکاری در راستای عملیات اصلاح و احیاء جنگلها و مراتع می‌تواند از دیگر عوامل افزایش پوشش گیاهی باشد.
تقدیر و تشکر
پژوهش حاضر حاصل یافته های رساله در مقطع دکتری است که در سالهای 1399-1400 و 1401 با حمایت دانشکده کشاورزی و منابع طبیعی دانشگاه هرمزگان اجرا شده است.
منابع مورداستفاده
1. Abdolalizadeh, Z., Ebrahimi, A. & Mostafazadeh, R. 2019. Landscape pattern change in Marakan protected area, Iran, Regional Environmental Change, 19 :1683–1699.
2. Abdolalizadeh, Z., Ghorbani, Z. Mostafazadeh, R. & Moameri, M. 2020. Rangeland canopy cover estimation using Landsat OLI data and vegetation indices in Sabalan rangelands, Iran, Arabian Journal of Geosciences, 13(245): 1-16.
3. Arkhi, P. 2014. Detecting land use changes by object-oriented processing of satellite images using software (Idrisi), case study: Abdanan region, Sepehr Geographical Information Quarterly, 24 (95): 51-62. (In persion)
4. Bagan H, Yang Y, Ma J. 2005. Land cover classification from MODIS EVI times-series data using SOM neural network. Int J Re-mote Sens 26:4999–5012.
5. Bai, Y. 2021. Analysis of vegetation dynamics in the Qinling-Daba Mountains region from MODIS time series data. Ecological Indicators, 129, 108029.
6. Ekrami, M., Mahdavi, R., Rezaei, M. Waqarfard, H., Barkhori, J. 2021. Calculating water requirements and providing a model of horticultural cultivation that requires less water and is compatible with dry areas, in order to reduce the vulnerability of agriculture to drought in Pishkoh watershed, Yazd province). Journal of Irrigation and Water Engineering. 12(46) 1-18. (in persion).
7. Ekrami, M., Mahdavi, R., Rezai, M., Vagharfard, H., Barkhori, J., 2021. Zoning of rangeland drought vulnerability in arid and semi-arid regions Case study: (Pishkuh watershed of Yazd province), Iranian Journal of Range and Desert Research, 27(3): 577-595. (in persion).
8. Fan, Q., Ding, S. 2017. Landscape Pattern Changes at a County Scale: A Case Study in Fengqiu, Henan Province, China. CATENA, 137 (1): 152-160.
9. Fouladi, M., Mahdavi Najafabadi, R. and M., Rezai, M., 2020. Development of management strategies for protection and rehabilitation of Jazmourian wetland using VIKOR multi-criteria decision model, Geographical explorations of desert areas, 8 (2):107-135.
10. Geng L, Che T, Wang X, Wang H. 2019. Detecting Spatiotemporal Changes in Vegetation with the BFAST Model in the Qilian Mountain Region during 2000-2017. Remote Sensing, 11(2): 103.
11. James T. 2020. Changes in Land Use Land Cover (LULC), Surface Water Quality and Modelling Surface Discharge in Beaver Creek Watershed, Northeast Tennessee and Southwest Virginia, thesis, East Tennessee State University.
12. Jabari S, Khajehuddin J, Jafari R, Soltani S. 2017. Investigating changes in the vegetation percentage of pastures using satellite images in the Semiram region of Isfahan, Applied Ecology, 3(10): 27- 38. (In persion)
13. Karimi M, Oladi Tarikaei Mohammadi J. 2017. Investigating changes in vegetation cover in internal and external foci of fine dust using MODIS satellite images (case study of Kermanshah province). Ecology of Iran's forests, 6(12): 39-49. (In persion)
14. Khodaqoli, M., Fayaz, M., Shirani, K., Faizi, M. T., Yazdani, M. 2016. Plan to recognize the ecological regions of the country: plant types of Fars province, Forestry and Pasture Research Institute. 189 p. (In persion)
15. Kiapasha K, Darvishsefat, A. A. Zargham N, Attarod P, Nadi M, Schaepman M. 2017. Greening trend in the Hyrcanian forests using NOAA NADVI time series during 1981-2012. Forest and Wood Products, 70 (3): 409-420.
16. Kim D, Baik J, Umair M, Choi M. 2021. Water use efficiency in terrestrial ecosystem over Asia: Effects of climate regimes and land cover types. Science of The Total Environment, 773, 145519.
17. Kowe P. Mutanga, O., Timothy Dubec A. 2020. A quantitative framework for analyzing long term spatial clustering and vegetation fragmentation in an urban landscape using multi-temporal Landsat data. International Journal of Applied Earth Observation and Geoinformation. 88. 102057.
18. Li, Z., Wu, Y., Li, J., Zhang, S. B., Zu, J., Paudel, B. 2019. Increasing sensitivity of alpine grasslands to climate variability along an elevational gradient on the Qinghai-Tibet Plateau. Science of the Total Environment, 678, 21-29.
19. Masoud, A., Kike, A. 2006. Arid land salinization detected by remotely –sensed land cover changes, A case study in the Siwa region. Egypt. Journal of Arid Environments, 66,151-167.
20. McGarigal, K., Compton, B.W., Plunkett, E.B., DeLuca, W. V., Grand, J., Ene, E., Jackson, S. D. 2018. A landscape index of ecological integrity to inform landscape conservation. Landscape Ecology, 33(1) 1029–1048.
21. Mirghasemi, S. H.; Banjad, B; Farid Hosseini, A. F., 2021. Application of remote sensing in hydraulic modeling and determination of riverbed limits (case study: Ardak River), Journal of Remote Sensing and Geographical Information System in Natural Resources 14 (1), 9-12.
22. Moussaid, A., Fkihi, S., Zennayi, Y. Lahlou, O. Kassou, I. Bourzeix, F., Mansouri, L. and Imani, Y. 2022. Article Machine Learning Applied to Tree Crop Yield Prediction Using Field Data and Satellite Imagery: A Case Study in a Citrus Orchard, Land. 9 (80).
23. Mo, K., Chen, Q., Chen, C., Zhang, J., Wang, L., Bao, Z. 2019. Spatiotemporal variation of correlation between vegetation cover and precipitation in an arid mountain-oasis river basin in northwest China. Journal of Hydrology. 574, 138-147.
24. Mostafazadeh, R., Moradzadeh, V., Alaei, N. and Hizbavi, Z., 2021. Application of Hurst index in determining the long memory model of rainfall and discharge time series of selected stations of Ardabil, 11(2): 113-131. (in persion)
25. Olafsson, H., & Rousta, I., 2021. Influence of atmospheric patterns and North Atlantic Oscillation (NAO) on vegetation dynamics in Iceland using Remote Sensing, 351-363.
26. Olafsson, H., Rousta, I. 2022. Remote sensing analysis to map inter-regional spatio-temporal variations of the vegetation in Iceland during 2001–2018. Acta Geographica slovenica, 62(1), 1-17.
27. Omidvar, K., Naraki-Gord M, Abbasi, H. 2014. Revealing changes in land use and vegetation in Yasouj using remote sensing. Quarterly Journal of Geography and Urban-Regional Studies, 1(16): 111-126. (In persion)
28. Pourkhbaz, H., Mohammadyari F., Tavakoli, M., Afder, H. 2015. Preparation of vegetation map and its changes system using remote sensing techniques and geographic information (case study: Behbahan city), Geographical Information Scientific-Research Quarterly, 23(92): 2-34. (In persion)
29. Pineda, M., Matilde, B., Maria-Luisa, P. 2021. Review Thermal Imaging for Plant Stress Detection and Phenotyping, Remote sensing, 13(68).
30. Rajaei, F., Ismaili Salari, A., Salman Mahini, A., Dalour, M., Masah Bhavani, A. R. 2019. Evaluation of land use changes in Tajen River watershed based on topography measurements, Environmental Science and Technology, 22:351-366.
31. Rezai, M., Javizadeh, S. and Kaviani, E., 2020. Applied spatial statistics, University of Hormozgan, 189 p. (In persion)
32. Rezai, M. 2020. Spatial distribution of the use of scientific recreation with emphasis on the model of determining the corridor of wildlife of poisonous pairs and terrestrial mammals in desert protected areas, Geographical explorations of desert areas, 9(1): 1-19. (In persion)
33. Rezai, M., Zerehi, F. 2022. Spatial distribution and stability of accumulated sediments around Salvadora persica L. and Alhaji camelorum L. and modeling of prediction of its change, Desert Management, 9 (4): 39-52. (In persion)
34. Rousta, I.,Olafsson, H., Moniruzzaman, Md., Ardö, J., Zhang, H., Darlington Mushore, T., Shahin, Sh. And Azim, S., 2020. The 2000–2017 drought risk assessment of the western and southwestern basins in Iran, Modeling Earth Systems and Environment, 6, 1201–1221.
35. Rousta, I., Olafsson, H., Nasserzadeh, M. H., Zhang, H. and Krzyszczak, J., Piotr Baranowski, P., 2021. Dynamics of Daytime Land Surface Temperature (LST) Variabilities in the Middle East Countries During 2001–2018. Pure and Applied Geophysics, 178, 2357–2377.
36. Rousta, I., Olafsson, H., Zhang, H., Moniruzzaman, Md. Baranowski, P., and Krzyszczak, J., 2022. Anthropogenic Factors Affecting the Vegetation Dynamics in the Arid Middle East, 26 (1): 774 – 805.
37. Rousta, I. Moniruzzaman, Md., Olafsson, H. and Zhang, H. 2022. Investigation of the Vegetation Coverage Dynamics and its Relation to Atmospheric Patterns in Kabul River Basin in Afghanistan, Pure and Applied Geophysics, 179(4) 1-14.
38. Rousta, I., Mansourmoghaddam, M., Olafsson, H., Krzyszczak, J., Baranowski, P., Zhang, H. and Tkaczyk, P. 2022. Analysis of the recent trends in vegetation dynamics and its relationship with climatological factors using remote sensing data for Caspian Sea watersheds in Iran Int. Agrophys, 36(3): 139–153.
39. Shimizu, K., Ota, T., Onda, N., Mizoue, N., 2022. Combining post-disturbance land cover and tree canopy cover from Landsat time series data for mapping deforestation, forest degradation, and recovery across Cambodia, International Journal of Digital Earth. 15(1):832-852.
40. Talebi Khiavi, H., Mostafazadeh, R., 2021. Land use change dynamics assessment in the Khiavchai region, the hillside of Sabalan mountainous area. Arabian Journal of Geosciences, 14 (2257), 1683-1699.
41. Tonny, J. O., Florence, M. M. 2018. Spatial Analysis, Visualization, and Computational Methods. CRC Press.
42. Vakil al-Raaya, M. A.; Melmasi, S.; Mozhgan Zaimdar, M. and Mirza Ebrahim-Tahrani, M., 2021. Fire risk zoning in urban areas using the logistic regression method (Case study: Kashan city), Journal of Remote Sensing and Geographical Information System in Natural Resources, 13 (4) 10-13. (In persion)
43. Verbesselt, J., Hyndman, R., Newnham, G., Culvenor, D. 2010. Detecting trend and seasonal changes in satellite image time series. Remote Sensing of Environment, 114(1): 106-115.
44. Vianas, O., Baulies, X. 2004. 1:250000 Land use map Landsat TM data, int. Journal of Remote sensing, 16)1(,129-146.
45. Vijitharan, Sh., Sasaki, N. Venkatappa, M., Tripathi, N. K., Abe, I., and Takuji, W. 2022. Article Assessment of Forest Cover Changes in Vavuniya District, Sri Lanka: Implications for the Establishment of Subnational Forest Reference Emission Level. Land .11, 1061.
46. Wellens J. 1993. Monitoring and modeling rangeland vegetation in Tunisia using satellite and meteorological data. PhD thesis, University of Reading.
47. Yamani, M., Mazidi, A. 2014. Investigating surface changes and desert vegetation from remote sensing data. Journal of Geographical Research, 40(64),1-12. (In persion)
48. Yousefi Rubiat, E., Sayadi, M. H., Chamanepour, H., 2021. Evaluation of national standards for locating industrial waste landfills using geographic information system, Journal of Remote Sensing and Geographical Information System in Natural Resources, 13(2), 41-61. (In persion)
49. Zerehi, F., Rezai, M. 2022. Changes in sand dune expansion and wind surface cover in deserts adjacent to wetland ecosystems, Journal of Environmental Erosion Research, 12 (1), 95- 112. (In persion)
چکیده مبسوط فارسی
تغییرات بلندمدت پوشش گیاهی مناطق نیمه خشک با استفاده توام از سنجش از دور و توابع آمار فضایی
مقدمه
پوشش‌های گیاهي با گذشت زمان و به دلایل گوناگون در اثر عوامل طبیعي و یا دخالت‌های انساني دستخوش تغییر شده (32) و این تغییرات شرایط و عملكرد اکوسیستم را تحت تأثیر قرار می‌دهد (6)؛ پايش تغيير عموماً جهت ارزيابي فرآيندهاي طبيعي، از قبيل اثرات بلندمدت که ناشي از علل اقلیمی است (35). در چهار دهه گذشته تغییرات کاربري اراضی، پوشش گیاهی در ایران با سرعت فزاینده در بعضی جهات نامطلوب به وقوع پیوسته است (32) و این باعث تشدید روند تخریب اراضی شده است (36). پژوهش حاضر با هدف پایش تغییرات بلندمدت پوشش گیاهی استان فارس طی دوره 20 ساله از دوره زماني 2000 تا 2020 و با استفاده از توابع آمار فضایی به‌منظور تهیه نقشه راه انجام شد.
مواد و روشها
استان فارس با مختصات جغرافيايی ' 3 °27 تا ' 40 °31 عرض شمالی و ' 36 °50 تا ' 35 °55 عرض شرقی، این استان در جنوب غرب ایران واقع شده و 5/7 درصد از مساحت كشور ايران را در برگرفته است (شکل 1). این استان با مساحتی در حدود 608/122 کیلومترمربع دارای سه ناحیه آب‌وهوایی قابل‌تمایز است. ناحیه اول ناحیه کوهستانی شمال، شمال غرب و غرب با بارندگی حدود 400 تا 600 میلی‌متر است. ناحیه دوم بخش مرکزی است که آب‌وهوای این ناحیه به علت کاهش نسبی ارتفاعات، نسبت به شمال و شمال غرب متفاوت است(14).
روش تحقیق
در پژوهش حاضر ابتدا با استفاده از تصاویر ماهواره‌ای داده‌هـای پوشش گیاهی در بلندمدت استخراج و پس از آماده‌سازی تغییرات بررسی شد (41). همچنین داده ها با کمک توابع آمار فضایی، آنالیز و در نهایت نقشه راه آماده‌سازی شد. بدین ترتیب که از تصاویر سنجنده MODIS (26) با تفکیک مکانی ۲۵۰ متری برای بررسی تغییرات بلندمدت پوشش گیاهی (37) استان فارس از داده‌هـای بلندمدت در بازه زمانی بیست‌ساله (2000-2020) و از شاخص گیاهی تفاضلی نرمال شده NDVI استفاده شد (1). از داده‌هـای تركيبي 16 روزه MODS- NDVI بـه نـام MOD13Q1 بـا قدرت تفكيـك 250 متـر استفاده گردید (23). ايـن داده‌هـا از سالهای 2000 تـا 2020 از LPDAAC1 USGS (United States Geological Survey Land Processes Distributed Active Archive Center) شــامل 23 تصــوير در ســال و در مجموع 460 تصوير NDVI به‌صورت منفرد و تک‌تک دانلود شدند.
آماره موران
اين آماره که با عنوان خودهمبستگی فضایی نيز معروف است، یکی از کاربردیترین ابزارهای تحلیلی داده‌هـای فضایی است (48). با استفاده از اين آماره درجه پراکندگي یا متمرکز بودن پوشش گیاهی اندازه‌گیری گردید. برای محاسبه روند تغییرات سالانه پارامترهای اقلیمی شاخصهای پوشش گیاهی در منطقه مورد مطالعه از آزمون روند‌یابی من‌کندال استفاده و آماره این آزمون با استفاده از رابطه های (10 تا 12) محاسبه شد (23). در رابطه (10) S آماره آزمون من-کندال مقدار داده iام، xj مقدار داده jام، n تعداد داده‌هـا و تابع علامت بود.
نتایج
تغییرات بلندمدت شاخص NDVI: شاخص NDVI در سال 2000 بین مقادیر 0 تا 85/0 در سطح استان فارس متغیر بوده است. حداکثر فروانی مقدار این شاخص در این سال در محدوده 0 تا 2/0 بوده و میانگین و انحراف از معیار شاخص NDVI در سال 2000 به ترتیب برابر با 12/0 و 05/0 می‌باشد. مقادیر شاخص NDVI در سال 2000 از خاک و لکه‌های پراکنده‌ای از پوشش گیاهی تنک پوشیده شده است. شاخص NDVI در سال 2005 بین مقادیر 0 تا 84/0 در سطح استان فارس متغیر بوده است. حداکثر فروانی مقدار این شاخص در این سال در محدوده 0 تا 2/0 بود.
پراکندگی پوشش گیاهی استان فارس به روش میانگـین نزدیک‌ترین فاصـله همسـایگی: در تحلیل توزیع پوشش گیاهی استان فارس به روش میانگـین نزدیک‌ترین فاصـله همسـایگی به‌منظور توزیع جغرافیایی پوشش گیاهی، مقدار شاخص برای ماه‌های ژانویه تا دسامبر به ترتیب 47/0، 32/0، 46/0، 46/0، 45/0، 44/0، 47/0، 47/0، 42/0، 43/0، 39/0 و 40/0 به‌دست‌آمده است.
پراکندگی پوشش گیاهی استان فارس به روش خوشهبندی زیاد و کم: از آنجا که مقدار P-Value بسیار کوچک و مقدار Z محاسبه‌شده بسیار بزرگ است، می‌توان نتیجه گرفت که خوشهبندی فضایی بین مقادیر شاخص NDVI استان فارس وجود دارد. تحلیل پراکندگی پوشش گیاهی استان فارس در بلندمدت نشان داد توزیع پوشش گیاهی فارس دارای الگوی خوشهای است.
پوشش گیاهی استان فارس بر اساس بهترین روش درون‌یابی فضایی: نتایج درون‌یابی پوشش گیاهی در استان فارس نیز نشان‌دهنده عدم توزیع یکنواخت پوشش گیاهی و وجود لکه‌های پوشش گیاهی در سطح استان است. توجه به نتايج مشاهده گردید كه روش كريجينگ ساده دايره‌اي بهترين روش درون‌يابي پراکندگی بلندمدت پوشش گیاهی در استان فارس است.
رگرسیون موزون جغرافیای پوشش گیاهی- عوامل محیطی استان فارس: در بررسی رابطه بین پوشش گیاهی و ارتفاع در استان فارس با توجه به مقدار بالای R2 (986/0) رابطه معنی‌داری بین متغیر پوشش گیاهی و ارتفاع وجود دارد. تغییرات روند پوشش گیاهی با تکیه بر روش‌های آمار کلاسیک در استان فارس نشان داد که میانگین و انحراف معیار مقدار شاخص NDVI تغییر یافته است. اما نقشه‌های به‌عنوان خروجی‌های آمار فضایی در تحلیل روند پوشش گیاهی نشان‌دهنده تغییرات وابسته به مکان نیز هستند (جدول 1). توابع آمار فضایی نشان‌دهنده خوشهای بودن پراکنش پوشش گیاهی در طول زمان است. همچنین افزایش سطح پوشش گیاهی در بازه زمانی 20 ساله نیز مشهود است.
بحث
آگاهي از روند تغییرات پوشش گیاهی هر منطقه که بیشتر نمایانگر نحوه استفاده و چگونگی مدیریت عرصه‌های منابع طبیعی هست، می‌تواند به‌عنوان يك عامل مديريتي، متصدیان امور و برنامه‌ريزان بخش‌های مختلف اجرايي را در مديريت و توسعه همه‌جانبه ياري کند (7 و 39). در منطقه افزایش میزان پوشـش گیـاهی افزایش مقدار شاخص NDVI را به دنبال دارد که در پی آن میزان همبسـتگی بـین شاخصهای گیاهی (NDVI) و درصد تاج پوشش گیاهی نیز روندی افزایشی پیدا می‌کند (9). ایـن موضوع سبب شـده اسـت کـه نقشه‌هایی با دقت بالا و قابل‌قبول تهیه گردد. در همین رابطه میزان بنیـه و شادابی پوشش گیاهی را از عوامل تأثیرگذار در بازتـاب طیفـی گیاهـان معرفی شد (12). مو و همکاران (23) اظهار داشت عمده‌ترین فاکتور کنترل کننده پوشش گیاهی در مناطق خشک و نیمه خشک، بارندگی و فاکتور دما در این مناطق از عوامل محدود‌کننده رشد و نمو گیاهان است. با توجه به نتایج حاصل از این تحقیق می‌توان دریافت تغییرات اقلیمی و فعالیت‌های انسانی روند گسترش پوشش گیاهی در مناطق مختلف را کنترل می‌کنند که با استفاده از اطلاعات حاصل از داده‌هـای سنجش از دور می‌توان این اثرات را به‌خوبی نشان داد.
نتیجه گیری
در مجموع یافته ها افزايش پوشش گياهي را در قسمت‌هایی از استان فارس در بازه زمانی 20 ساله به اثبات رسانده است. با توجه به نتایج حاصله و نظر به اینکه روند افزایشی پوشش گیاهی استان فارس مشاهده شده است، این میزان افزایش می‌تواند ناشی از افزایش تغییرات کاربری اراضی طبیعی از قبیل مراتع و جنگلها به اراضی کشاورزی باشد، از طرف دیگر فعالیت‌های حفاظتی از قبیل قرق، مدیریت و کنترل ورود و خروج دام از عرصه‌های طبیعی، کاهش استفاده از گیاهان جهت تأمین انرژی گرمایی و سوختی هم‌زمان با تأمین سوخت‌های فسیلی و گازرسانی به مناطق روستایی و انجام عملیات بوته کاری و درختکاری در راستای عملیات اصلاح و احیاء جنگلها و مراتع می‌تواند از دیگر عوامل افزایش پوشش گیاهی باشد.
Long-term vegetation changes in semi-arid regions using remote sensing and spatial statistics functions in order to prepare a road map
Abstract
Currently, the preparation of an accurate vegetation map is one of the basic and important data in natural resource management programs and sustainable development of these resources. Remote sensing is a useful and valuable technology that can be used to extract different layers of information such as soil, rainfall, vegetation and so on. The goal that are used to investigate different factors of vegetation cover is that the data of various spectral bands that can represent data such as percentage of vegetation cover, biomass and leaf area index into a single value in each pixel. Reduce. Over time, environmental and human factors have caused positive and negative changes in the quantity and quality of vegetation; This situation will continue in the future. Temporal changes in vegetation may be in the form of increasing or decreasing trends. Recognizing these changes and determining their trends in the past and future can open the way for decision-making for the image of the land. One of the ways to study vegetation changes as the most important indicator of land degradation is remote sensing. Based on this, in this research, using the NDVI normalized vegetation difference index in HDF format and MODIS sensor with a pixel size of 250 meters in a 16-day period, monitoring the long-term changes in the vegetation cover of Fars province during a 20-year period from 2000 to 2020 and was investigated using spatial statistics functions in order to prepare a road map in the year 1400. For this purpose, using spatial statistics functions to prepare a road map. For this purpose, MADIS data has been used for a period of twenty years. Then the data were analyzed by classical statistics and spatial statistics. The results show the increasing trend of the vegetation level in a period of 20 years, and the distribution of the vegetation over time was clustered. At the end, a roadmap for long-term vegetation monitoring in Fars province was proposed.
Key words: remote sensing, statistical functions, vegetation, Fars
Extended abstract
Long-term vegetation changes in semi-arid regions using remote sensing and spatial statistics functions in order to prepare a road map
Introduction: Since the changes in land use and vegetation cover occur in large and extensive levels, remote sensing technology is a necessary and valuable tool in evaluating the changes due to repeated coverage of the earth (28). Nowadays, remote sensing technology is scientifically cited as a valuable solution to identify natural resources, especially in the process of preparing land use maps, in different regions of the world (7). Therefore, according to the many applications of detecting changes with the help of remote sensing technology, some of these applications include land use and land cover changes, vegetation and forest cover changes, landscape changes and urban changes, etc., are programs that are used to detect changes (5) in general. Field measurement and the use of remote sensing data are the two main methods for extracting the percentage of vegetation (25). Features such as providing a broad and integrated view of the region, repeatability, easy access to data, high accuracy of the resulting data, and saving time are among the features that make the use of such information preferable to other methods for investigating vegetation and controlling its changes. 26). According to the mentioned topics, the aim of the current research is to reveal the changes in the vegetation cover of Fars province during the long-term period from 2002 to 2020 using remote sensing (RS) and geographic information system (GIS) techniques.
The NDVI index is one of the widely used indices, the normalized difference index of vegetation cover, this index also shows the amount of greenness (chlorophyll) of the vegetation cover. It has been proven that the analysis of the time cycle resulting from this type of data is useful in order to identify and monitor the reaction of the vegetation to natural or human sudden events, as well as the variability caused by the growth season and plant development (phenology) under the influence of rainfall and temperature regimes.
Purpose: The current research was conducted with the aim of monitoring the long-term changes in the vegetation of Fars province during a 20-year period from 2000 to 2020 and using spatial statistics functions.
Methodology: Research Methods
In the present research, vegetation data was extracted in the longterm using satellite images and the changes were examined after preparation. Also, the data was analyzed with the help of spatial statistics functions and finally a road map was prepared. In this way, MODIS sensor images with a spatial resolution of 250 meters were used to investigate the long-term changes in the vegetation cover of Fars province, long-term data in the twenty-year period (2000-2020) and the normalized differential vegetation index NDVI were used. 16-day combined MODS-NDVI data called MOD13Q1 with a resolution of 250 meters was used. These data were downloaded from LPDAAC1 USGS (United States Geological Survey Land Processes Distributed Active Archive Center) from 2000 to 2020, including 23 images per year and a total of 460 NDVI images individually. After applying atmospheric corrections, cloud removal and BRDF correction, these images were presented in level 3 with Sinusoidal projection. Maximum value combination (MVC) algorithm was used to generate 16-day composite data. This algorithm was designed with the aim of reducing the remaining atmospheric effects and selecting the best NDVI quality for the desired time period. This algorithm was designed with the aim of minimizing the remaining atmospheric effects and selecting the best NDVI quality for the desired time period. Spectral reflection data: NDVI index was used in order to express the type of vegetation cover and to investigate the trend of vegetation changes (trend). NDVI index was calculated based on reflectance in two spectral bands and using equation 1 (20). (1) (NDVI = (NIR – Red) / (NIR + Red))
Results and discussion: Long-term changes of NDVI index: The NDVI index in 2000 varied between -0.2 and 0.85 values in Fars province. The maximum value of this index in this year is in the range of 0 to 0.2, and the average and deviation from the NDVI index in 2000 are 0.12 and 0.05, respectively. NDVI index values in 2000 are covered by soil and scattered patches of thin vegetation. The concentration of vegetation this year can be seen in parts of Sepidan, Mamsani, Morvdasht, Kazeroon and Shiraz cities. Maximum likelihood algorithm was used for classification, Alavi Panah (2), Masoud (21) and Lilsand (18) also used this algorithm. Using regression analysis, Wilens (32) concluded that the reflection of infrared electromagnetic energy by the green leaves of plants is more than that of bare soil, and there is a statistically significant correlation between the reflection of the wavelength of the red and infrared bands with the percentage of plant canopy cover. So using these bands in the regression model as an independent variable in order to calculate the functional variable of vegetation is appropriate (15). In this regard, Ino (9) by examining the factors influencing the amount and trend of changes in vegetation cover during droughts by using stepwise regression, reached the conclusion that the amount of changes in the value of NDVI index is a direct function of the amount of changes in vegetation cover.
Conclusion: Maximum likelihood algorithm was used for classification, Alavi Panah (2), Masoud (21) and Lilsand (18) also used this algorithm.
Using regression analysis, Wilens (32) concluded that the reflection of infrared electromagnetic energy by the green leaves of plants is more than that of bare soil, and between the reflection of the wavelength band, he has proved the total increase in vegetation cover in parts of Fars province, which is likely that Part of this result is due to errors in the use of satellite data (including various types of data errors, user and operator errors, software errors, and errors caused by the locator device). Similarly, in this regard, Alavi Panah (1) stated that in the preparation of maps from Remote sensing and satellite data processing and other digital maps cannot be expected to be error-free. According to the results obtained and considering that the increasing trend of vegetation cover in Fars province has been observed, according to Bai's research (5), the observation of this increase can be caused by the increase in the use of natural lands such as pastures and forests to agricultural lands, from Other conservation activities such as grazing, managing and controlling the entry and exit of livestock, reducing the use of plants to provide thermal energy at the same time as providing fossil fuels and gas supply to rural areas and carrying out bush and tree planting operations in line with the improvement operations and Restoration of forests and pastures can be another factor in increasing vegetation.
Keywords: Remote sensing, statistical functions, vegetation, Fars
سند
الروابط
المراكز ذات الصلة
دعامة
الصفحات الرسمية
حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1447