بررسی تغییرات و پیش بینی وضعیت آتی پوشش گیاهی منطقه دشت فهله استان فارس با تأکید بر ویژگیهای آب و هوایی

محورهای موضوعی : اقلیم شناسی

محمد جواد بهی ¹ ( دانشجوی دکترای منابع طبیعی_بیابانزایی دانشکده منابع طبیعی و کویرشناسی دانشگاه یزد )
محمد حسین مختاری ² ( استادیار دانشکده منابع طبیعی و کویرشناسی دانشگاه یزد )
غلامحسین مرادی ³ ( استادیار دانشکده منابع طبیعی و کویرشناسی دانشگاه یزد )
محمد علی صارمی نائینی ⁴ ( استادیار دانشکده منابع طبیعی و کویرشناسی دانشگاه یزد )

تاریخ دریافت : 1400/05/24 تاریخ پذیرش : 1400/08/30 تاریخ انتشار : 1400/11/01

کلید واژه: سری زمانی, سنجش از دور, روند, بیابان, گوگل ارث انجین,

چکیده مقاله :

هدف از بررسی حاضر ارزیابی تغییرات زمانی و مکانی پوشش گیاهی در منطقه ملا فهله فیروزآباد استان فارس است. داده های شاخص استاندارد پوشش گیاهی ماهواره های لندست 5، 7 و 8 و داده های بارش و شاخص پالمر که به صورت محصول سنجش از دور در دسترس است در بازه زمانی 1992 تا 2020 و از پردازنده گوگل ارث انجین استخراج شدند. به منظور پیش بینی تغییرات پوشش گیاهی در آینده از روش زنجیره مارکف استفاده شد. با استفاده از داده های سال های 1992 و 2002 ابتدا مدل برای سال 2020 اجرا شد و به دلیل مناسب بودن نتایج (شاخص کاپا 75 درصد)، پیش بینی برای سال 2030 صورت گرفت. نتایج بدست آمده حاکی از روند رو به بهبود پوشش گیاهی در منطقه است به شکلی که پوشش متراکم از 4 درصد در دوره ابتدایی به 19 درصد افزایش خواهد یافت. نتایج این بررسی می تواند به مدیران مراتع منطقه در بهره برداری بهتر از منابع طبیعی منطقه کمک کرده و مانع از تخریب این اکوسیستم شود.

چکیده انگلیسی:

The purpose of this study is to evaluate the temporal and spatial changes of vegetation in Mullah Fahleh of Firoozabad region of Fars province. The standard vegetation index data of Landsat 5, 7 and 8 satellites, the precipitation data and Palmer index, which are available as a remote sensing product, were extracted for 1992 to 2020 from the Google Earth Engine. Markov chain method was used to predict future vegetation changes. Using data from 1992 and 2002, the model was first run for 2020 and based on its acceptable performance (the kappa index of 75%), prediction was extended to 2030. The results showed an improving trend in vegetation status, so that the dense cover will increase from 4% in the initial period to 19% in 2030. The results of this study can help rangeland managers in the region to better exploit the region's natural resources and prevent the destruction of this ecosystem.

منابع و مأخذ:

1- کاظمی نیا، ع. (1396): کاربرد سنجش از دور و GIS در بررسی پوشش گیاهی. نشریه علمی ـ ترویجی مهندسی نقشه‌برداری و اطلاعات مکانی. دوره 9، شماره 1، صفحه 85-75.

2- محمد یاری، ف. پورخباز، ح. ر.، توکلی، م. اقدر، ح. (1393): تهیه نقشه پوشش گیاهی و پایش تغییرات آن با استفاده از تکنیک‌های سنجش از دور و سیستم اطلاعات جغرافیایی (مطالعه موردی: شهرستان بهبهان). دوره 23، شماره 92، صص 34-23

3- نسب پور، س.، حیدری، ا. خسروی، ح. (1396): بررسی تغییرات پوشش گیاهی با استفاده از سنجش از دور (مطالعه موردی: استان اصفهان). چهارمین کنفرانس بین‌المللی برنامه‌ریزی و مدیریت محیط‌زیست.

4- جعفری، م. احسانی، ا. ه. زهتابیان، غ. ر. رستمی راد، ق. (1389): بررسی تغییرات پوشش گیاهی در مناطق بیابانی با استفاده از داده‌های سنجش از دور(مطالعه موردی: کاشان). ششمین همایش ملی علوم و مهندسی آبخیزداری ایران.

5- Akhavan H, Amoushahi S, Setudeh A (2018): An Investigation On The Same Type Of Vegetation NDVI Changes In Different Temperature Levels Of The Mountain (Case Study: Shirkouh Mountains). Human & Environment 16(1): 37-50.

6- Alley WM (1984): The Palmer Drought Severity Index: Limitations And Assumptions. Journal Of Applied Meteorology And Climatology 23(7): 1100-1109.

7- Amiri M, Eslamian S (2010): Investigation Of Climate Change In Iran. Journal Of Environmental Science And Technology 3(4): 208-216.

8- Bagherzadeh A, Hoseini AV, Totmaj LH (2020): The Effects Of Climate Change On Normalized Difference Vegetation Index (NDVI) In The Northeast Of Iran. Modeling Earth Systems And Environment 6(2): 671-683.

9- Daneshvar MRM, Ebrahimi M, Nejadsoleymani H (2019): An Overview Of Climate Change In Iran: Facts And Statistics. Environmental Systems Research 8(1): 1-10.

10- Debinski DM, Kindscher K, Jakubauskas ME (1999): A Remote Sensing And GIS-Based Model Of Habitats And Biodiversity In The Greater Yellowstone Ecosystem. International Journal Of Remote Sensing 20(17): 3281-3291. 10.1080/014311699211336

11- Ghebrezgabher MG, Yang T, Yang X, Eyassu Sereke T (2020): Assessment Of NDVI Variations In Responses To Climate Change In The Horn Of Africa. The Egyptian Journal Of Remote Sensing And Space Science 23(3): 249-261.

Https://Doi.Org/10.1016/J.Ejrs.2020.08.003

12- Gong Z, Kawamura K, Ishikawa N, Goto M, Wulan T, Alateng D, Yin T, Ito Y (2015): MODIS Normalized Difference Vegetation Index (NDVI) And Vegetation Phenology Dynamics In The Inner Mongolia Grassland. Solid Earth 6(4): 1185-1194.

13- Goudarzi MA, Jamali AA, Jafarpoor A, Gholami A, Jafari Shalamzari M (2019): Soil Loss And Runoff Generation In Rangeland, Rain-Fed And Abandoned Rain-Fed Agriculture Land-Uses Under Simulated Rainfall. Environmental Resources Research 7(1): 9-19.

14- Hogda KA, Karlsen SR, Solheim I, (2001): Climatic Change Impact On Growing Season In Fennoscandia Studied By A Time Series Of NOAA AVHRR NDVI Data, IGARSS 2001. Scanning The Present And Resolving The Future. Proceedings. IEEE 2001 International Geoscience And Remote Sensing Symposium (Cat. No. 01CH37217). IEEE, Pp. 1338-1340.

15- Huete AR (1988): A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing Of Environment 25(3): 295-309.

16- Islam MS, Ahmed R (2011): Land Use Change Prediction In Dhaka City Using GIS Aided Markov Chain Modeling. Journal Of Life And Earth Science 681-89.

17- Ji Z, Pan Y, Zhu X, Wang J, Li Q (2021): Prediction Of Crop Yield Using Phenological Information Extracted From Remote Sensing Vegetation Index. Sensors 21(4): 1406.

18- Joshi C, De Leeuw J, Van Duren IC, (2004): Remote Sensing And GIS Applications For Mapping And Spatial Modelling Of Invasive Species, Proceedings Of ISPRS, P. B7.

19- Kumar S, Radhakrishnan N, Mathew S (2014): Land Use Change Modelling Using A Markov Model And Remote Sensing. Geomatics, Natural Hazards And Risk 5(2): 145-156.

20- Kureel N, Sarup J, Matin S, Goswami S, Kureel K (2021): Modelling Vegetation Health And Stress Using Hypersepctral Remote Sensing Data. Modeling Earth Systems And Environment10.1007/S40808-021-01113-8

21- Lindgren D, (1984): Land Use Planning And Remote Sensing. Taylor & Francis.

22- Maktav D, Erbek F, Jürgens C (2005): Remote Sensing Of Urban Areas. International Journal Of Remote Sensing 26(4): 655-659.

23- Martínez B, Gilabert MA : (2009): Vegetation Dynamics From NDVI Time Series Analysis Using The Wavelet Transform. Remote Sensing Of Environment 113(9): 1823-1842.

24- Mutti PR, Lúcio PS, Dubreuil V, Bezerra BG (2020): NDVI Time Series Stochastic Models For The Forecast Of Vegetation Dynamics Over Desertification Hotspots. International Journal Of Remote Sensing 41(7): 2759-2788. 10.1080/01431161.2019.1697008

25- Park I-S, Woon Y, Chung K-W, Lee G, Owen JS, Kwon W-T, Yun W-T (2014): In-Depth Review Of IPCC 5th Assessment Report. Journal Of Korean Society For Atmospheric Environment 30(2): 188-200.

26- Sheikh VB, Jafari Shalamzari M, Farajollahi A, Fazli P (2016): Soil Erosion Under Simulated Rainfall In Loess Lands With Emphasis On Land-Use, Slope And Aspect. Ecopersia 4(2): 1395-1409.

27- Sobrino JA, Raissouni N (2000): Toward Remote Sensing Methods For Land Cover Dynamic Monitoring: Application To Morocco. International Journal Of Remote Sensing 21(2): 353-366.

28- Stow DA, Hope A, Mcguire D, Verbyla D, Gamon J, Huemmrich F, Houston S, Racine C, Sturm M, Tape K, Hinzman L, Yoshikawa K, Tweedie C, Noyle B, Silapaswan C, Douglas D, Griffith B, Jia G, Epstein H, Walker D, Daeschner S, Petersen A, Zhou L, Myneni R (2004): Remote Sensing Of Vegetation And Land-Cover Change In Arctic Tundra Ecosystems. Remote Sensing Of Environment 89(3): 281-308.

Https://Doi.Org/10.1016/J.Rse.2003.10.018

29- Sun W, Song X, Mu X, Gao P, Wang F, Zhao G (2015): Spatiotemporal Vegetation Cover Variations Associated With Climate Change And Ecological Restoration In The Loess Plateau. Agricultural And Forest Meteorology 20987-99.

30- Tolche AD, Gurara MA, Pham QB, Anh DT (2021): Modelling And Accessing Land Degradation Vulnerability Using Remote Sensing Techniques And The Analytical Hierarchy Process Approach. Geocarto International1-21. 10.1080.10106049.2021.1959656.

31- Townshend J, Justice C, Li W, Gurney C, Mcmanus J (1991): Global Land Cover Classification By Remote Sensing: Present Capabilities And Future Possibilities. Remote Sensing Of Environment 35(2): 243-255. Https://Doi.Org/10.10-90016(91)4257-0034/16.

34- Treitz P, Rogan J (2004): Remote Sensing For Mapping And Monitoring Land-Cover And Land-Use Change-An Introduction. Progress In Planning 61(4): 269-279.

35- Van Den Berg EC, Kotze I, Beukes H (2013): Detection, Quantification And Monitoring Of Prosopis In The Northern Cape Province Of South Africa Using Remote Sensing And GIS. South African Journal Of Geomatics 2(2): 68-81.

36- Weng Q (2002): Land Use Change Analysis In The Zhujiang Delta Of China Using Satellite Remote Sensing, GIS And Stochastic Modelling. Journal Of Environmental Management 64(3): 273-284. Https://Doi.Org/10.1006/Jema. 2001.0509

37- Zare Khormizi H, Ghafarian Malamiri HR (2020): Investigation Of Phenological Components Changes Of Iranian Vegetation In Response To Climate Change Using NDVI Products Of AVHRR Sensor From 1982 To 2018. Journal Of RS And GIS For Natural Resources 11(4): 87-113.

38- Zhe M, Zhang X (2021): Time-Lag Effects Of NDVI Responses To Climate Change In The Yamzhog Yumco Basin, South Tibet. Ecological Indicators 1241-7431.

 Https://Doi.Org/10.1016/J.Ecolind.2021.107431.