Estimation of vegetation cover percentage and biomass using remote sensing indices (Case study: protected areas of Southern Alborz, Karaj)

Subject Areas : Geospatial systems development

Chooghi Bairam Komaki ¹ , Reza Asadikia ² , Hamid Niknahad Gharmakhar ³

1 - Assist. Prof. Department of Arid Zone Management, Faculty of Range Land and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources (GUASNR)
2 - MSc. Graduated of Arid Zone Management, Faculty of Range Land and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources (GUASNR)
3 - Assist. Prof. Department of Rangeland, Faculty of Range Land and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources (GUASNR)

Received: 2018-08-06 Accepted : 2019-03-23 Published : 2019-04-21

Keywords: Landsat, Central Alborz, biomass, Vegetation index, Vegetation percentage,

Abstract :

Vegetation is one of the criteria indicating the production potential of the land. So that the quality and quantity of vegetation in each region is a criterion for determining its production potential. In this research, vegetation indices of Landsat 8 digital data were used to estimate vegetation cover and biomass in the protected area of the central Alborz in June 2016. To study the correlation between vegetation cover and biomass with satellite data, 27 samples were obtained randomly in the region. Linear regression was used to determine the relationship between cover percentage and biomass values with remotely sensed vegetation indices. The results showed that among selected vegetation indexes,  Enhanced vegetation index (EVI) and Visible atmospherically resistant index (VAR) had the highest correlation coefficient with vegetation percentage 0.53 and 0.52, respectively. Therefore, these vegetation indices are appropriate for estimating vegetation cover at a 5% significance level. And in calibration, the correlation coefficient for the wet weight of vegetation and the indices of Global environment monitoring index (GEMI), Simple ratio (VR) and Enhanced vegetation index (EVI) were 0.43, 0.41 and 0.41, respectively even though their estimations were unsuccessful in the validation stage. According to the results of this research, it is recommended that the indicators for the estimation of the quality and quantity of vegetation should be used in which the atmosphere and soil impacts are considered.

References:

آرخی، ص.، ی. نیازی و م. ادیب نژاد. 1390. پایش تغییر پوشش گیاهی با استفاده از تکنیک‌های سنجش‌ازدور در حوزه سد ایلام. مجله جغرافیا و توسعه، 9(24): 121-136.

احمدی، ا.، م. طاطیان، ر. تمرتاش، ح. یگانه و ی. عصری. 1395. بررسی پوشش گیاهی اراضی شور حاشیه دریاچه ارومیه با استفاده از تصاویر ماهواره‌ای. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(1): 1-12.

احمدی، م. و م. نارنگی فرد. 1394. برآورد کیفیت و آشکارسازی تغییرات پهنه‌های جنگلی با استفاده از تصاویر ماهواره‌ای (مطالعه موردی: شهرستان رستم، فارس). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3): 87-100.

ارزانی، ح.، ز. حسینی و خ. میرآخورلو. 1393. کاربرد تصاویر سنجنده ⁺ETM در تخمین میزان تولید و پوشش گیاهی مراتع منطقه طالقان. تحقیقات مرتع و بیابان ایران، 21(1): 24-31.

امیری، ف. و ح. یگانه. 1391. ارزیابی شاخص‌های گیاهی برای تهیه نقشه درصد پوشش گیاهی در اراضی نیمه‌خشک بخش مرکزی ایران (مطالعه موردی: حوزه آبخیز قره آقاچ). مرتع و آبخیزداری، 65(2): 175-189.

ایرانمهر، م.، س. پورمنافی و ع. ر. سفیانیان. 1394. پایش اکولوژیکی و بررسی تغییرات مکانی- زمانی پوشش اراضی با تأکید بر مقدار مصرف آب بخش کشاورزی در محدوده زاینده‌رود. اکوهیدرولوژی، 2(1): 23-38.

ثنایی نژاد، س. ح.، ع. ر. آستارایی و م. قائمی. 1389. بررسی امکان استفاده از نسبت‌های باندی و تجزیه‌وتحلیل مؤلفه‌های اصلی تصاویر⁺ ETM برای پایش پوشش گیاهی در منطقه نیشابور. بوم‌شناسی کشاورزی، 2(1): 103-110.

جباری، س.، س. ج. خواجه الدین، ر. جعفری و س. سلطانی. 1393. بررسی تغییرات درصد پوشش گیاهی مراتع با استفاده از تصاویر ماهواره‌ای در منطقه سمیرم اصفهان. بوم‌شناسی کاربردی، 3(10): 27-38.

راهداری، و. و س. ملکی نجف‌آبادی. 1389. مقایسه شاخص‌های مختلف گیاهی جهت تهیه نقشه درصد تاج پوشش گیاهی مناطق خشک و نیمه‌خشک با استفاده از داده‌های ماهواره (مطالعه موردی: پناهگاه حیات‌وحش موته). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 1(1): 79-86.

سپهری، ع. و م. متقی. 1381. کاربرد شاخص‌های گیاهی سنجنده تی.ام در برآورد درصد پوشش گیاهی مراتع حفاظت‌شده جهان‌نما- گرگان. مجله منابع طبیعی ایران، 55(2): 1-14.

شاهولی کوه شور، ا.، م. پیرباوقار و پ. فاتحی. 1393. تهیه نقشه تراکم تاج پوشش جنگل در جنگل‌های نیمه انبوه تا تنک با استفاده از مدل FCD (مطالعه موردی: جنگل‌های مریوان). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(2): 49-59.

صباغ زاده، س.، م. زارع، مختاری، م. و م. افخم الشعراء. 1395. برآورد بیوماس بالای سطح زمین در گیاه تاغ با استفاده از شاخص‌های پوشش گیاهی (مطالعه موردی: مرک، بیرجند). تحقیقات مرتع و بیابان ایران، 23(4): 843-855.

صباغ زاده، س.، م. زارع و م. مختاری. 1395. تخمین بیوماس با استفاده از تصاویر ماهواره‌ای لندست (مطالعه موردی: حوزه مرک، بیرجند). مرتع و آبخیزداری، 69(4): 907-920.

عبدالهی، ج.، ن. باغستانی میبدی، م. ثواقبی و م. رحیمیان. 1387. تعیین درصد پوشش گیاهی مناطق خشک با به‌کارگیری سنجش‌ازدور و سیستم اطلاعات جغرافیایی (مطالعه موردی: حوزه آبخیز ندوشن). علوم آب‌وخاک، 12(44): 301-314.

غلامی باغی، ن. 1393. برآورد درازمدت زی‌توده گیاهان پایا در مراتع با استفاده از تصاویر سنجنده مودیس و داده‌های اقلیمی (مطالعه موردی: مراتع دشتی شمال استان گلستان). رساله دکتری علوم مرتع، دانشگاه علوم کشاورزی و منابع طبیعی گرگان. 250 صفحه.

فرید حسینی، ع.، ع. آستارایی، س. ثنایی نژاد و پ. میرحسینی موسوی. 1391. تخمین شاخص سطح برگ با استفاده از داده‌های ماهواره‌ای IRS در منطقه نیشابور. پژوهش­های زراعی ایران، 10(3): 577-582.

متین فر، ح. ر.، س. علوی پناه و ع. رفیعی امام. 1388. امکان‌سنجی داده‌های ماهواره‌ای به‌منظور مطالعه خصوصیات خاک‌های مناطق خشک (برآورد رنگ خاک). تحقیقات مرتع و بیابان ایران، 16(4): 560-573.

نقیبی، س. ج.، س. ح. حبیبیان و س. م. ر. حبیبیان. 1388. تعیین شاخص‌های بهینه پوشش گیاهی جهت مدل‌سازی درصد پوشش گیاهی مرتعی با استفاده از بازتاب طیفی تصاویر ماهواره‌ای. اکوفیزیولوژی گیاهی، 1(3): 63-73.

هادیان، ف.، ح. بشری و ر. جعفری. 1393. بررسی تأثیر سطح نمونه‌برداری در میزان همبستگی تاج پوشش و شاخص گیاهی NDVI  با استفاده از تصاویر سنجنده‌های TM و AWiFS در تیپ‌های مرتعی با وضعیت مختلف. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(2): 25-37.

Bannari A, Morin D, Bonn F, Huete A. 1995. A review of vegetation indices. Remote Sensing Reviews, 13(1-2): 95-120.

Baret F, Jacquemoud S, Hanocq J. 1993. The soil line concept in remote sensing. Remote Sensing Reviews, 7(1): 65-82.

 Bingfang W, Miaomiao L, Changzhen Y, Weifeng Z, Changzhen Y. 2004. Developing method of vegetation fraction estimation by remote sensing for soil loss equation: a case in the upper basin of Miyun Reservoir. In: IGARSS 2004. 2004 IEEE International Geoscience and Remote Sensing Symposium. Ieee, pp 4352-4355.

Birth GS, McVey GR. 1968. Measuring the Color of Growing Turf with a Reflectance Spectrophotometer 1. Agronomy Journal, 60(6): 640-643.

Chuvieco E. 2009. Fundamentals of satellite remote sensing. CRC press, 419 pp.

Clevers J. 1989. Application of a weighted infrared-red vegetation index for estimating leaf area index by correcting for soil moisture. Remote Sensing of Environment, 29(1): 25-37.

Congedo L. 2017. Semi-automatic classification plugin documentation. 268 pp.

Crippen RE. 1990. Calculating the vegetation index faster. Remote Sensing of Environment, 34(1): 71-73.

Fox GA, Sabbagh G, Searcy S, Yang C. 2004. An automated soil line identification routine for remotely sensed images. Soil Science Society of America Journal, 68(4): 1326-1331.

Gitelson AA, Kaufman YJ, Merzlyak MN. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote sensing of Environment, 58(3): 289-298.

Gitelson AA, Kaufman YJ, Stark R, Rundquist D. 2002. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 80(1): 76-87.

Huete A, Liu H, Batchily K, Van Leeuwen W. 1997. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote sensing of environment, 59(3): 440-451.

Huete AR. 1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3): 295-309.

Jiang Z, Huete AR, Kim Y, Didan K. 2007. 2-band enhanced vegetation index without a blue band and its application to AVHRR data. In: Remote Sensing and Modeling of Ecosystems for Sustainability IV. International Society for Optics and Photonics, 667-905 pp.

Karnieli A, Kaufman YJ, Remer L, Wald A. 2001. AFRI-Aerosol free vegetation index. Remote Sensing of Environment, 77(1): 10-21.

Kauth RJ, Thomas G. 1976. The tasselled cap-a graphic description of the spectral-temporal development of agricultural crops as seen by Landsat. In: LARS symposia. 159 pp.

Lawrence RL, Ripple WJ. 1998. Comparisons among vegetation indices and bandwise regression in a highly disturbed, heterogeneous landscape: Mount St. Helens, Washington. Remote Sensing of Environment, 64(1): 91-102.

Mundava C, Helmholz P, Schut T, Corner R, McAtee B, Lamb D. 2014. Evaluation of vegetation indices for rangeland biomass estimation in the Kimberley area of Western Australia. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume II-7: 47-53.

Pinty B, Verstraete M. 1992. GEMI: a non-linear index to monitor global vegetation from satellites. Vegetatio, 101(1): 15-20.

Qi J, Kerr Y, Chehbouni A. 1994. External factor consideration in vegetation index development. Proc of Physical Measurements and Signatures in Remote Sensing, ISPRS: 723-730.

Richardson AJ, Wiegand C. 1977. Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, 43(12): 1541-1552.

Rouse Jr JW, Haas R, Schell J, Deering D. 1974. Monitoring vegetation systems in the Great Plains with ERTS. Goddard Space Flight Center 3d ERTS-1 Symp. NASA, Texas A&M Univ.; College Station, TX, United States, 317-309.

Zanter K. 2016. Landsat 8 (L8) data users handbook, 2end Edition. Department of the Interior U.S. Geological Survey, Sioux Falls, South Dakota, 98 pp.

Zhang X, Liao C, Li J, Sun Q. 2013. Fractional vegetation cover estimation in arid and semi-arid environments using HJ-1 satellite hyperspectral data. International Journal of Applied Earth Observation and Geoinformation, 21: 506-512.