Monitoring of vegetation changes using daily Landsat-Modis simulated images at in three years of wet, normal and drought in arid region (Case study: Nimroze city)
Subject Areas : Natural resources and environmental managementMoien Jahantigh 1 , Mansour Jahantigh 2
1 - PhD. Student of Watershed Management Science and Engineering, Department of Watershed Management , Faculty of Rangeland and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
2 - Associate Professor, Department of Soil Conservation and Water Management, Sistan Agriculture and Edition Natural Resources Research Center, AREEO, Zabol, Iran
Keywords: Vegetation changes detection, Landsat, ESTARFM model, Nimrozre, MODIS,
Abstract :
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.
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.
_||_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.
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)
چکیده
هدف از اجرای این پژوهش پایش تغییرات پوشش گیاهی منطقه نیمروز سیستان طی سالهای کمآبی، نرمال و پرآبی میباشد. ابتدا به تحلیل دورههای کمآبی و پرآبی با استفاده از بسته Hydrostats در زبان برنامهنویسی R پرداخته شد. با استفاده از روشهای ریزمقیاس نمایی تصاویر با قدرت تفکیک مکانی 30 متر و زمانی 2-1 روز با استفاده از تصاویر ماهوارهای لندست و مودیس تهیه شد. پس از اعمال پیشپردازشهای لازم بر روی تصاویر ماهوارهای لندست و مودیس با استفاده از مدل ESTARFM تصاویر با قدرت تفکیک مکانی 30 متر در مقیاس روزانه مربوط به سالهای کمآبی (2001)، نرمال (2008) و پرآبی (2019) شبیهسازی شد. با مقایسه شاخصهای گیاهیNDVI و SAVI شاخص گیاهی با بالاترین همبستگی با دادههای زمینی برداشتشده انتخاب و با برآورد مدل رگرسیونی درصد پوشش گیاهی، نقشه درصد پوشش گیاهی برای سه سال کمآبی، نرمال و پرآبی تهیه و طبقهبندی شد. عملیات آشکارسازی تغییرات پس از طبقهبندی انجام شد. یافتهها نشان داد که آورد سیلاب در سال کمآبی نسبت به سالهای نرمال و پرآبی بهترتیب 31 و 82 درصد کاهش داشته است. همچنین در مقایسه شاخصهای گیاهی مورد مطالعه، شاخص SAVI بیشترین همبستگی (87 =2R) را با پوشش گیاهی منطقه نشان داد. بررسی تغییرات پوشش گیاهی بیانگر آن است که طی دوره کمآبی، 70 درصد (3/138176 هکتار) مساحت منطقه مورد مطالعه دارای پوشش کمتر از 10 داشته است که با افزایش نسبی درصد پوشش گیاهی طی سالهای نرمال و پرآبی سطح این اراضی کاهشی بهترتیب 30 و 48 درصدی (بهترتیب معادل با 98/66269 و 7/50559 هکتار) داشته است. نتیجهگیری میشود که تغییر در شرایط هیدرولوژیکی جریانهای ورودی به منطقه سیستان نقش بارزی در تغییر پوشش گیاهی و بهتبع آن پهنههای فرسایشی دارد.
واژههای کلیدی: پوشش گیاهی، لندست، مودیس، نیمروز، ESTARFM.
مقدمه
تخریب سرزمین و بیابانزایی در مناطق خشک ازجمله چالشهای مهم زیستمحیطی در سراسر کرة زمین بشمار میرود (5 و 18). این فرآیند با توجه به کمبود نزولات جوی و وقوع خشکسالیهای متوالی ضمن بهرهبرداری نامعقول از عرصههای طبیعی و کشاورزی با افزایش تقاضا برای تأمین نیاز غذایی بشر، ابعاد مختلف زیستمحیطی و اقتصادی-اجتماعی را تحت تأثیر قرار میدهد (20 و 28). 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 بههمراه داشته است (21 و 22). ازآنجاکه الگو و ابعاد تغییرات پوشش گیاهی مهمترین مشخصه فیزیکی تخریب زمین و ازجمله شاخصهای پیشرو در ارزیابی فرآیند تخریب زمین و روند بیابانزایی در مناطق خشک بشمار میرود، لذا پاییش تغییرات پوشش گیاهی بستری مناسب برای شناخت عوامل و فرآیندهای مؤثر در وقوع پدیده بیابانزایی و تخریب زمین در این مناطق را فراهم میآورد (18 و 22). با توجه به قابلیتهای دادههای سنجشازدور ﺑﻪ دﻟﻴﻞ ﭘﻮﺷﺶ وﺳﻴﻊ و چند زﻣﺎﻧﻪ ﺑﻮدن و از طرفی محدودیتهای ناشی از ﺗﻐﻴﻴﺮﭘﺬﻳﺮي ﻣﻜﺎﻧﻲ و زﻣﺎﻧﻲ و همچنین هزینهبر ﺑﻮدن مطالعات ﻣﻴﺪاﻧﻲ، استفاده از تصاویر ماهوارهای طی سالهای اخیر با بررسی شاخصهای گیاهی برای پایش تغییرات پوشش گیاهی همواره مورد توجه محققان بوده است (2، 11 و 13). مطالعات متعددی در زﻣﻴﻨﺔ بررسی تغییرات پوشش گیاهی با بهکارگیری شاخصهای پوشش گیاهی با استفاده از دادههای سنجشازدور ﺻﻮرت ﮔﺮﻓﺘﻪ ﻛﻪ ازﺟﻤﻠﻪ آنها میتوان به موارد ذیل اشاره کرد:
در تحقیقی کمپف (16) به پایش تغییرات پوشش گیاهی با استفاده از تصاویر ماهواره مودیس و سنجنده OLIماهواره لندست طی یک دوره 8 ساله در شمال کشور چین پرداخت. وی با تلفیق تصاویر مودیس و سنجنده OLIبه منظور افزایش تفکیک مکانی تصاویر ماهواره مودیس و استفاده از شاخصهای گیاهی NDVI، EVI و VI ضمن آشکارسازی تغییرات دریافت که کاهش میزان بارش و دما منجر به افزایش 76 درصدی تخریب زمین و کاهش پوشش گیاهی در منطقه مورد مطالعه شده است. بوباکار و همکاران (3) در مطالعهای به آشکارسازی روند تغییرات پوشش گیاهی با استفاده از تصاویر مودیس در کشور گامبیا در آفریقای غربی پرداختند. آنها با استفاده از شاخصNDVI و بررسی تغییرات این شاخص گیاهی طی یک دوره 20 ساله دریافتند که بیشترین روند مثبت تغییرات پوشش گیاهی (18%+) طی سالهای 2000 تا 2009 و مربوط به حاشیه اطراف رودخانه گامبیا و مناطق مرکزی این کشور بوده و در مقابل روند تغییرات پوشش گیاهی در طی سالهای2010 تا 2019 نزولی و در مناطقی از جمله ساحل غربی و شهر بانجول با کاهش بیشتری (10%-) همراه بوده است. در تحقیقی دیگر الحاگ و همکاران (8) به ارزیابی پوشش جنگلی با استفاده از تکنیکهای سنجش از دور در جزیره کرت در کشور یونان طی یک دوره 20 ساله پرداختند. آنها با تلفیق تصاویر لندست و مودیس براساس روش موجک و استفاده از شاخصهای گیاهی NDVI، EVI و VI ضمن آشکارسازی تغییرات دریافتند که بیشترین کاهش کمی پوشش گیاهی بین سالهای 2005 تا 2015 و برابر با 1/77 درصد و مربوط به اراضی مرتعی (3/23 درصد)، ترکیب جنگل- مرتع (6/17 درصد) و اراضی کشاورزی (2/16 %) بوده و شاخص EVI را بهعنوان شاخص گیاهی سازگار با منطقه معرفی نمودهاند. نتایج مطالعات یانگ و هیوانگ (31) در بررسی تغییرات پوشش گیاهی در کشور چین با تلفیق تصاویر مودیس با تصاویر دادههای سنجنده TM، ETM+ وOLI ماهواره لندست و استفاده از شاخص NDVI ضمن آشکارسازی تغییرات، بیانگر آن بود که بیشترین تغییرات در طی دوره مورد مطالعه مربوط به افزایش اراضی بایر (افزایش 71/148 درصدی) و در مقابل کاهش 85/4 و 9/3 اراضی کشاورزی و مراتع بوده است.
در مطالعات صورت گرفته در کشور جهانتیغ و جهانتیغ (15) در پژوهشی به بررسی اثر بهرهوری سیلاب بر ﺗﻐﯿﯿﺮات ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ ﺑﺎ اﺳﺘﻔﺎده از دادههای سنجنده TM، ETM+ وOLI ماهواره لندست در منطقه شندک سیستان پرداختند. آنها با استفاده از شاخص SAVI و پایش تغییرات پوشش گیاهی طی سالهای مختلف دریافتند که روند تغییرات پوشش گیاهی طی سالهای کمآبی و پرآبی تغییرات محسوسی داشته است و با افزایش حجم سیلابهای ورودی به عرصه مورد مطالعه شاخص پوشش گیاهی بهطور معنیدار افزایش یافته است. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ توسعه فنآوری ﺳﻨﺠﺶ از دور و امکان تولید دادههایی با تفکیک زمانی و مکانی بالا، ﺑﺴﻴﺎري از ﻣﺘﺨﺼﺼﺎن ﺗﺮﻛﻴﺐ تصاویر با قدرت تفکیک زمانی و مکانی بالا را بهمنظور استفاده همزمان از قابلیتهای دادههای سنجشازدور در مقیاس زمان و مکان را مورد بررسی قرار دادهاند. از جمله مطالعات صورت گرفته در زمینه ترکیب دادههای سنجش از دور بهمنظور تولید دادههایی با تفکیک مکانی و زمانی بالا میتوان به موارد ذیل اشاره نمود:
کنائور و همکاران (17) در مطالعهای ترکیب تصاویر سنجندههای OLI و MODIS را با استفاده از مدل ESTARFM بهمنظور تهیه دادههای بازتابندگی سطحی در مقیاس روزانه با قدرت تفکیک مکانی 30 متر در شمال کشور غنا را مورد بررسی قرار دادند. نتایج کار آنان نشان داد که مدل ESTARFM با میانگین خطای مطلق 02/0 برای فصول خشک و میانگین خطای 05/0 برای فصل رویش گیاهان دقت مطلوبی برای تهیه دادههایی با قدرت تفکیک زمانی و مکانی بالا دارد. نتایج مطالعات وانگ و همکاران (26) در ارزیابی عملکرد مکانی و زمانی مدلESTARFM در تولید دادههای سری زمانی با وضوح مکانی بالا استفاده از تصاویر لندست و MODIS نشان داد که مدل ESTARFM دقت مطلوبی در تولید دادههایی با مقادیر بازتابندگی سطحی دارد و کاربرد این مدل برای ترکیب تصاویر با هدف افزایش قدرت تفکیکهای مکانی و زمانی را قابل قبول گزارش نمودهاند.
بررسی پیشینه تحقیق نشان میدهد که تغییرات پوشش گیاهی مهمترین مشخصه فیزیکی در طبیعت بشمار میرود که به نوعی منعکس کننده نحوه وقوع عوامل و فرآیندهای منجر به پدیده تخریب زمین و بیابانزایی در مناطق خشک میباشد که بهطور مستمر با استفاده از دادههای سنجش از دور مورد ارزیابی قرار میگیرد. حال آنکه با توجه به محدودیتهای ناشی از قدرت تفکیک زمانی و مکانی پایین در سنجندههای تصاویر ماهوارهای، پایش تغییرات سریع سطح زمین در مطالعات مختلف نیازمند تهیهي سري زمانی دادههاي سنجش از دور با بهرهگیری همزمان دادهها با تفکیک مکانی و تفکیک زمانی بالا میباشد که دستیابی به آن ضمن امکان تجزیه و تحلیل دقیق روند تغییرات عوامل مؤثر بر پدیده بیابانزایی، الگویی مناسب برای انجام مطالعات آتی سایر پژوهشگران در مناطق خشک با اکوسیستمهای شکننده را نیز فراهم مینماید. منطقه سیستان از جمله مناطق خشک کشور بشمار میرود که تخریب عرصههای طبیعی و تسریع روند بیابانزایی در آن بحرانهای زیستمحیطی عدیدهای را به همراه داشته که حیات ساکنین این منطقه را نیز تحت تاثیر قرار میدهد. با توجه به موارد فوق الذکر و نظر به اهمیت موضوع برای پاییش تغییرات پوشش گیاهی در منطقه سیستان، ضمن ارائه روشی کارآمد و سازگار برای تهیه سری زمانی دادههای سنجش از دور که بستری مناسب برای برنامهریزی و اتخاذ راهکارهای مدیریتی مناسب برای کنترل روند بیابانزایی در این منطقه را نیز فراهم مینماید، این تحقیق با هدف پایش تغییرات پوشش گیاهی با استفاده از تصاویر شبیهسازی شده لندست - مودیس در مقیاس روزانه طی دورههای کمآبی، نرمال و پرآبی در شهرستان نیمروز صورت گرفته است.
مواد و روشها:
معرفی منطقه مورد مطالعه
منطقه مورد مطالعه شهرستان نیمروز در شمال استان سيستان و بلوچستان و با مختصات جغرافيايي "08 '31 °61 تا "59 '30 °61 طول شرقي و "31 '9 °31 تا "45 '10 °31 درجه عرض شمالي و در ارتفاع حدود480 متر از سطح دريا قرار داد (شکل1). اين محدوده عمدتاً مسطح، هموار و فاقد توپوگرافي و عارضه طبيعي ميباشد. میزان بارندگی منطقه بر اساس آمارهای هواشناسی قبل از دهه 60 حدود 50 میلیمتر گزارش شده است، ولی بر اساس آمارهای سه دهه اخیر این میزان به حدود 20 میلیمتر تنزل یافته است و حتی در سال آبي 97-96 بارندگي منطقه از حدود 5 ميليمتر نيز تجاوز نکرده است. یکی از ویژگیهای منطقه سیستان وزش بادهای 120 روزه است که در برخی از اوقات سرعت آن به بیش از 120 کیلومتر در ساعت نیز میرسد که با گرد و غبار زیادی همراه است. از همین رو یکی از چالشهای منطقه سیستان وقوع طوفانهای شنی است که اثرات بازدارندهای در توسعه آن دارد (15). تنها منبع تأمین کننده آب منطقه مورد مطالعه، رودخانه هيرمند به طول 1200 كيلومتر است که از کوههای شمال کابل سرچشمه میگیرد. عدم وجود موانع طبيعي، پوشش گياهي ضعيف و شيب ملايم،روند تبديل دشت سيستان به يكي از كانونهاي بحراني فرسایش بادی ايران و حتي دنيا را فراهم نموده است. این محدوده از کشور تبخیر و تعرقی سالانه حدود 5000 میلیمتر دارد که 3000 میلیمتر آن در ماههای بحرانی (خرداد، تير و مرداد) صورت میگیرد كه مهمترين عامل در محدوديت استقرار پوشش گياهي که بخش عمدهاي از پوشش گیاهی آنرا انواع گیاهان شورپسند و خشبی تشکیل میدهد، ميباشد (14).
شکل1. موقعیت منطقه مورد مطالعه در شهرستان، استان و کشور
Fig 1. Location of the study area in the city, province and country
روش تحقیق
از آنجا که هدف از اجرای این پژوهش بررسي وضعيت پوشش گياهي در سالهای پرآبی، نرمال و کمآبی میباشد، لذا در ابتدا به بررسی دورههای خشکسالی و ترسالی در طول دوره آماری 29 سال پرداخته شد. با استفاده از آمار دبی اولین ایستگاه هیدرومتری (ایستگاه کهک) و آنالیز دورههای خشکسالی و ترسالی سالهای کمآبی (1380)، نرمال (1387) و پرآبی (1398) در طی دوره آماری مورد مطالعه تعیین شد. بدین منظور در ابتدا با تبدیل دادهها به سری زمانی، گراف دبی روزانه برای طول، دوره آماری مورد مطالعه ترسیم گردید. در ادامه با اجرای کدهایی به زبان برنامهنویسی R در بسته Hydrostats، تغییرات جریان روزانه (daily.cv) و سالانه (ann.cv) برای دادههای ایستگاه هیدرومتری مورد مطالعه تعیین و با بررسی طول دورههای بیشتر و کمتر از آستانه (high. Spell and low. Spell)، بیشترین و کمترین دوره زمانی که یک سیل مشخص یا آستانه طول میکشد (high .spell. lengths and low. spell. lengths)، مورد تجزیه و تحلیل قرار گرفت (4). در ادامه به بررسي وضعيت پوشش گياهي منطقه مورد مطالعه طی سالهای پرآبی، نرمال و کمآبی پرداخته شد. با توجه به اینکه پایش و تحلیل مکانی تغییرات پوشش گياهي نیازمند تهیه سري زمانی دادههاي سنجش از دور با قدرت تفکیک مکانی و زمانی بالا میباشد (37 و 38)، لذا در این تحقیق از روشهای ترکیب دادههای سنجش از دور استفاده شد که از دیگر اهداف فرعی اجرای این تحقیق، ارائه روشی مناسب و سازگار با شرایط اقلیمی منطقه مورد مطالعه برای ترکیب دادههای سنجش از دور است. بدین منظور تصاویر مربوط به ماهوارهای لندست و مودیس برای سالهای 2001 (کمآبی)، 2008 (نرمال) و 2019 (پرآبی) دریافت و در ادامه به ادغام دادههای تصاویر ماهوارهای با تفکیک مکانی و زمانی بالا پرداخته شد. در این تحقیق با توجه به مراحل رشد و فنولوژی گیاهی و شرایط آب و هوایی منطقه سیستان در استقرار کامل پوشش گیاهی (14) و شرایط نسبتاً مناسب جوی در منطقه با در نظر گرفتن کمترین فراوانی وزش طوفانهای ماسهای در سال (15) از تصاویر ماه ژوئن تا می برای هریک از سالهای مورد مطالعه استفاده شد. خصوصیات و نمایی از تصاویرماهوارهای مورد استفاده در جدول (1) و شکل (2) ارائه شده است.
جدول1. خصوصیات تصاویر ماهوارهای لندست و مودیس مورد استفاده برای بررسی تغییرات پوشش گیاهی
Table 3. Characteristics of Landsat and Modis satellite images used to study vegetation changes
ردیف | تاریخ میلادی | تاریخ هجری شمسی | ماهواره (سنجده) | اندازه پیکسل | ماهواره (سنجده) | اندازه پیکسل |
1 | 7/4/۲۰۰1 | ۱9/1/۱۳۸0 | Landsat-5 (TM) | 30 | MODIS (Tera) | 500 |
2 | 25/4/۲۰۰1 | 7/2/۱۳۸0 | Landsat-5 (TM) | ۳۰ | MODIS (Tera) | 500 |
3 | 04/۵/۲۰۰۸ | 15/2/۱۳۸۷ | Landsat-7 (ETM) | ۳۰ | MODIS (Tera) | 500 |
4 | 20/۵/۲۰08 | 31/2/1387 | Landsat-7 (ETM) | ۳۰ | MODIS (Tera) | 500 |
5 | 09/4/۲۰۱9 | ۱8/1/۱۳۹8 | (OLI)Landsat-8 | ۳۰ | MODIS (Tera) | 500 |
6 | 25/4/۲۰۱۹ | ۵/۲/۱۳۹۸ | (OLI)Landsat-8 | ۳۰ | MODIS (Tera) | 500 |
شکل 2. نمایی از تصاویرمورد استفاده در بازه زمانی مورد مطالعه
Fig 3. View images used during the study period
ترکیب دادههای سنجش از دور
ریزمقیاس نمایی تصاویر
از جمله روشهای مناسب برای ریزمقیاس نمایی مدل بهبود يافته ادغام مکاني و زماني بازتابندگي سازگار (Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model) میباشد که در مناطق با تنوع کاربري زیاد و متفاوت، عملکرد بهتري در مقایسه با سایر مدلهای ریزمقیاس نمایی دارد که در مطالعات صورت گرفته همچون ژو و همکاران (33)، گوئا و همکاران (9) و وانگ و همکاران (24) به دقت مناسب این مدل در ریزمقیاس نمایی تصاویرMODIS با استفاده از تصاویر لندست در مقایسه با سایر روشهاي موجود بهخصوص در مناطق ناهمگن اذعان شده است.
مدل ESTARFM
مدل ESTARFMنسخه توسعه یافته مدل STARFM براي استفاده در مناطق با کاربریهای ناهمگن است. اساس این مدل بر این فرض استوار است که بین تصاویر سنجندههاي مختلف در یک زمان معین، همبستگی وجود دارد و از این همبستگی براي ریزمقیاسنمایی تصاویر و همچنین حداقل کردن خطاهاي سیستمی ناشی از تفاوت دو سنجنده میتوان استفاده کرد (33). این همبستگی و ریزمقیاس نمایی فقط براي باندهاي طیفی با محدوده طیفی مشابه در دو سنجنده امکانپذیر است. این مدل براي دو حالت مختلف پیکسلهاي همگن و ناهمگن شرایط مختلفی را در نظر میگیرد. در یک محدوده همگن، میتوان فرض کرد که میزان بازتابندگی بین پیکسل تصاویر مودیس و پیکسلهاي لندست متناظر با آن در یک زمان، شباهت بسیار بالایی دارند و تفاوت موجود فقط از تفاوتهاي سیستمی سنجندهها ناشی خواهد بود. در این صورت، بازتابندگی لندست به صورت رابطه خطی (رابطه 1) از بازتابندگی پیکسل متناظر مودیس محاسبه میگردد.
[1]
که در رابطه بالا (x,ɣ ,To ,B) Lو (x,ɣ ,Tp ,B) Lبازتابندگیهای لندست در پیکسل x,ɣ و زمانهای Tp و To و باند B؛ (x,ɣ ,Tp , B) M و M (x,ɣ, To ,B) بازتابندگیهاي مودیس در پیکسل x,ɣ و زمانهای Tp و To باند B و ɑ ضرایب تبدیل و زمان p مربوط به تاریخ پیشبینی و زمان o تاریخ تصویر ورودي هستند. غالب پیکسلهای ترکیبی از چند پوشش متفاوت روي زمین تشکیل شده و به صورت پیکسلهای ناهمگن و مختلط در تصویر وجود دارند. از اینرو در حالت پیکسل مختلط، اگر بازتابندگی پیکسل را بهصورت ترکیب خطی از بازتابندگی پوشش زمینهاي مختلف موجود در پیکسل که با مساحت هر پوشش در پیکسل وزندهی شده باشند فرض کنیم، میتوان تغییرات بازتابندگی بین دو تاریخ متفاوت را تابعی از مجموع وزندهی شدهي تغییرات هر پوشش در پیکسل در نظر گرفت. در این حالت، بازتابندگی لندست بهصورت تابعی خطی از مجموع وزندهی شدهی تغییرات هر پوشش در پیکسل مودیس ضرب در میزان بازتابندگی متناظر آن خواهد بود (24، 33). در تعیین پیکسلهاي همسایه مشابه نیز با استفاده از یک پنجره متحرك با اندازه w میتوان پیکسلهاي مشابه را پیدا کرد که در این صورت رابطه بین بازتابندگی لندست و مودیس مطابق رابطه ذیل (رابطه 2) است.
[2]
که در رابطه بالا، N تعداد پیکسلهاي مشابه در پنجرهي متحرك شامل خود پیکسل مرکزي (هدف) با مختصات، xw/2 ,ɣ w/2 WI وزن i امین پیکسل مشابه و iɠ ضریب تبدیل i امین پیکسل مشابه است. اندازه پنجره متحرك براي جستوجوی پیکسلهاي مشابه بر اساس همگنی منطقه، بهصورت اندازه کوچکتر براي مناطق همگن و بزرگتر براي مناطق ناهمگن، تعیین میشود. در این تحقیق اندازه پنجره متحرك به صورت پیشفرض و برابر با 25 پیکسل در نظر گرفته شد. بهمنظور تعیین ضرایب رابطه (1) و تعیین بازتابندگی پیکسل تصویر پیشبینی شده در مدل ESTARFM از دو زوج تصویر لندست و مودیس مربوط به دو زمان متفاوت و همچنین یک تصویر مودیس براي زمانی که قرار است تصویر لندست شبیهسازي شود استفاده میگردد (9). در ابتدا بهمنظور تطابق مکانی و بازتابندگی سطحی تولیدشده از تصاویر، پیشپردازشهاي لازم از قبیل تصحیحات هندسی و اتمسفري بر روي تصاویر لندست و مودیس در نرم افزار ENVI 5.3 انجام شد. بهمنظور آمادهسازی و پیشپردازش ﺗﺼﺎوﻳﺮ ماهواره لندست ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ اﻳﻦ ﺗﺼﺎوﻳﺮ از ﻗﺒﻞ زﻣﻴﻦ ﻣﺮﺟﻊ ﺑﻮده و RMSe آنها ﻛﻤﺘﺮ از 5/0 (41/0) پیکسل است، ﻟﺬا از ﻣﺮﺣﻠﻪ ﺗﺼﺤﻴﺢ ﻫﻨﺪﺳﻲ در اﻳﻦ ﺗﺤﻘﻴﻖ صرفنظر ﺷﺪه است. در ادامه بهمنظور بهبود کیفیت تصـاویر، افـزایش وضوح و درنتیجه افزایش میزان اطلاعات قابل استخراج از تصاویر، تصـحیحات رادیـومتریکی و اتمسـفري بـر روي این تصاویر صورت گرفت. در ایـن تحقیـق تصـحیح رادیـومتریکی بـا استفاده از الگوریتم Calibration Radiometric بر روی تصـاویر ماهواره لندست انجام شـد (7). بهمنظور تصحیح اتمسفري تصاویر لندست نیز از روش فلش (FLAASH) استفاده شد (14). ذکر این نکته حائز اهمیت است که در روشهـایی ماننـد تصحیح جوی خط تجربی انطباق (Model line Empirical) بـراي اعمـال تصحیحات نیاز به بازتابهاي زمینی دارد، این در حالی اسـت کـه روشهاي مبتنی بر مدلهاي انتقال تابشـی ماننـد فلش بـدون استفاده از دادههاي زمینی و فقـط بـر اسـاس اطلاعـات موجـود در تصاویر ماهوارهاي (متادیتا) فرآیند تصحیح بر روی آنها صورت میگیرد. حال آنکه در این تحقیق با توجه به استفاده از تصاویر سالهای مختلف و عدم دسترسی به دادههای زمینی مربوط به سالهای مورد مطالعه، لذا از مدلهاي انتقال تابشـی استفاده شد. بهمنظور انجام پیشپردازش بروی تصاویر سنجنده مودیس نیز در ابتدا با استفاده از افزونهModis Conversion Toolkit در نرمافزار ENVI تصاویر با فرمت HDF فراخوانی و سیستم مختصات آنها به سیستم مختصات جهانی (UTM) تغییر یافت. قابل ذکر است که در این تحقیق از تصاویر مربوط به محصولات سطح اول سنجنده مودیس استفاده شده است که یک سری از تصحیحات از جمله تصحیح رادیومتری بر روی این تصاویر صورت گرفته است؛ لذا پس از ژئورفرنس کردن، تصحیح اتمسفری نیز بر روی این تصاویر نیز صورت گرفت (3، 12 و 17). در ادامه طی فرآیند بازنمونهگیری مجدد، اندازه پیکسلهای تصاویر مودیس به اندازه پیکسل لندست (30 متر) تبدیل میشوند. علاوه بر آن، دو تصویر لندست زمان اول و دوم با روش نظارت نشده طبقهبندي و با استفاده از یک پنجره متحرك پیکسلهاي مشابه پیکسل مرکزي پنجره متحرك تعیین میشود. براي اینکه یک پیکسل مشابه پیکسل مرکزي باشد، باید قدر مطلق اختلاف آن پیکسل با پیکسل مرکزي در هر باند طیفی، کمتر یا مساوي دو برابر انحراف معیار آن باند تقسیم بر تعداد کلاسهای (در این تحقیق تعداد کلاسها برابر با 8 کلاس بود) مورد مطالعه است. پیکسلهایی که در تمامی باند این شرط را داشته باشد، بهعنوان پیکسل مشابه در نظر گرفته میشود. درنتیجه، براي هر پیکسل، تعدادي پیکسل مشابه وجود دارد که با توجه به فاصله آنها از پیکسل مرکزي و همچنین میزان همبستگی آنها با پیکسل مرکزي بین صفر و 1 وزندهی میشوند. براي به دست آوردن ضرایب تبدیل نیز از رگرسیون پیکسلهاي مشابه استفاده میشود و بازتابندگی پیکسل لندست مرکزي در زمان پیشبینی از طریق وزندهی زمانی بازتابندگی دو پیکسل لندست قبل و بعد برآورد میگردد (28، 30 و 33). در شکل 3 نمایی از مدل رگرسیونی خطی برآورد شده برای تعیین ضریب تبدیل پیکسلهای مشابه نمایش داده شده است.
شکل3. مدل رگرسیون خطي پیکسلهاي مشابه توان تفکیک بالا داخل پیکسل توان تفکیک پايین مربوط به سال 2001
Fig 3. Linear Regression model of similar pixels with high resolution in similar pixels with low resolution relate to 2001
در این تحقیق از تصاویر با اختلاف زمانی 15 و 18 روز به دلیل نبود تصاویر با ابرناکی کمتر از 5 درصد در طی بازه زمانی تغییرات پوشش گیاهی و نوسانات جریانهای سیلابی طی سالهای کمآبی، نرمال و پرآبی استفاده شد. قابل ذکر است در مطالعات صورت گرفته همچون: وانگ و همکاران، (24) و ژو و همکاران، (31) این اختلاف زمانی 16روز در نظر گرفته شده است که نسبتاً مشابه با اختلاف زمانی در نظر گرفته شده در این تحقیق است. بهمنظور اعتبارسنجی دقت تصاویر شبیهسازی شده با استفاده از مدل ESTARFM، نیز این تصاویر با تصاویر واقعی لندست با بکار گیری سنجههای آماری مانند ضریب تعیین (R2) و مجذور مربعات میانگین خطا (RMSE) با استفاده از پکیج GGally در نرم افزار RStudio مورد ارزیابی قرار گرفت.
پایش وضعيت پوشش گياهي
بهمنظور بررسی وضعيت پوشش گياهي طی سالهای مورد مطالعه، پس از موزاییکسازی فرمهای شبیهسازی شده با استفاده از مدل ESTARFM، محدوده مورد مطالعه با اعمال تابعsubset برای باندهای شبیهسازی شده (4 باند) جدا شد (28). بهمنظور بررسی وضعیت پوشش گیاهی از شاخص گیاهی تعدیل شده بر حسب خاک (SAVI) و شاخص تفاضل نرمال شده پوشش گیاهی (NDVI) بهترتیب از روابط 3 و 4 استفاده شد (7 و 14).
[3]
[4]
که در روابط بالا NIR برابر با ارزش بازتاب باند مادون قرمز نزدیک، R برابر با ارزش بازتاب باند قرمز و L برابر با ضریب تصحیح روشنایی خاک است که مقادیر این ضریب با توجه به مطالعات صورت گرفته برابر با ۵/۰ میباشد. دامنه تغییرات مقادیر عددي شاخص پوشش گیاهي (SAVI) و (NDVI) بین ۱+ تا ۱- است. مناطقي که داراي پوشش گیاهي متراکم باشند اين شاخص به سمت ۱+ و نواحي که از لحاظ تراکم گیاهي ضعیف باشد به سمت ۱- میل ميکند. بهمنظور بررسی تغییرات پوشش گیاهی طی سالهای کمآبی، نرمال و پرآبی در ابتدا به ارزیابی شاخصهای گیاهی سازگار با منطقه مورد مطالعه پرداخته شد. بدین منظور با توجه به زمان اخذ تصویر ماهواره مربوط به دوره پرآبی (سال 1398) همزمان طی عملیات میدانی اقدام به اندازهگیری خصوصیات پوشش گیاهی از جمله تاج پوشش گیاهی به روش ترانسکت خطی (4 ترانسکت پنجاه متری) شد (24). ابتدا در هر تیپ گیاهی بر اساس ابعاد پیکسل تصویر ماهوارهای و رابطه زیر (5)، حداقل سطح نمونهبرداری محاسبه شد:
A = [P×(1+2L)] 2 [5]
که در این رابطه مقادیر P، L، A ابعاد پیکسل تصویر ماهوارهای، میزان خطای تصحیح هندسی (برحسب پیکسل) و حداقل سطح نمونهبرداری است (25). از آنجائیکه در این تحقیق از تصویر پیشبینی شده با استفاده از مدل ESTRFM با ابعاد پیسکل 30 *30 متر مربع استفاده شده است، لذا برای اطمینان بیشتر، در هر تیپ گیاهی منطقه به مساحت 7850 متر مربع نمونهبرداری شد (12). در ادامه بهمنظور بررسی همبستگی شاخصهای گیاهی با میزان تاج پوشش گیاهی، با توجه به طول ترانسکت نمونهبرداری ( تهیه نقشه وکتوری به شعاع 100 متر برای نمونهبرداری نقاط) مطالعه تاج پوشش گیاهی از ارزش پیکسلهای مذکور میانگینگیری شد. سپس میزان همبستگی دادههای جمعآوری شده با شاخصهای مورد مطالعه بررسی و شاخص با بالاترین همبستگی با تیپهای گیاهی تعیین و معادله رگرسیونی برآورد درصد پوشش گیاهی با شاخص سازگار با دادههای زمینی برآورد و با استفاده از آن نقشه درصد پوشش گیاهی منطقه برای هریک از سالهای مورد مطالعه تهیه شد. بهمنظور ارزیابی صحت طبقهبندی صورت گرفته ضریب کاپا برای هریک از تصاویر مورد استفاده بر اساس رابطه (6) برآورد شد (14).
] 6[ Kappa
که در این معادله po درستی مشاهده شده وpc توافق مورد انتظار میباشد. با طبقهبندی نقشه پوشش گیاهی بهمنظور تعیین آشکارسازی تغییرات پوشش گیاهی از تابع cross tab در محیط ENVI 5.3 استفاده شد. همچنین مساحت هریک از کلاسها با همپوشانی با نقشه کاربریهای اراضی ارائه شده از سوی سازمان جنگلها و مراتع با تبدیل نقشههای رستری به فرمت Shapefile در محیط ArcGIS 10.3 برآورد شد.
نتايج
نتایج حاصل از تجزیه و تحلیل سری زمانی دادههای دبی ایستگاه مورد مطالعه در شکل (4) و جدول (2) ارائه شده است. با بررسی دستور (high. Spell. lengths) مقدار آستانه (high. spell. threshold) برای ایستگاه کهک برابر با 157 متر مکعب بر ثانیه برآورد شد. بر اساس نتایج به دست آمده کل دورههای زمانی (برحسب روز) با دبی بالاتر از حد آستانه در طول دوره آماری مورد مطالعه (بر اساس دستور high. Spell. lengths) برابر با 93 روز با میانگین دبی 34/570 متر مکعب بر ثانیه و مربوط به سال 1370 و در رتبه بعدی با فراوانی 90 روز با میانگین 340 متر مکعب و مربوط به سال 1398 است. با بررسی کل دورههای زمانی (برحسب روز) با دبی کمتر از حد آستانه در طول دوره آماری مورد مطالعه (بر اساس دستور Low. Spell. Lengths)، یافتهها بیانگر آن است که بیشترین دوره زمانی وقوع سیلابهای با دبی کمتر از حد آستانه برابر با 355 روز با میانگین دبی 8/4 متر مکعب بر ثانیه و مربوط به سال 1380 میباشد. با تعیین دورههای زمانی وقوع جریانهای سیلابی بالاتر و کمتر از حد آستانه در طی دوره آماری مورد مطالعه، یافتهها بیانگر آن است که حجم سیلابهای جاری شده در سال 1387 با وقوع سیلابهای با دبی بالاتر از حد آستانه به مدت 60 روز با میانگین دبی 211 مترمکعب بر ثانیه و وقوع سیلابهای با دبی کمتر از حد آستانه به مدت 305 روز و میانگین دبی 32 مترمکعب بر ثانیه برابر با 2/1937 میلیون متر مکعب میباشد که حجم سیلابیهای ورودی در این سال حدوداً برابر با متوسط حجم سیلابهای ورودی (12/1904) به منطقه سیستان در طی دوره آماری 29 ساله میباشد (قابل ذکر با توجه به طولانی بودن نتایج فقط بیشترین و کمترین دورههای آماره در طول دوره 29 ساله ارائه شده است).
.
شکل4. گراف دبی روزانه طول دوره آماری ایستگاه کهک و دبیهای کمتر(الف) و بیشتر از آستانه (ب)
Fig 4. Daily discharge graph the statistical period of Kahak station and the discharges less (a) and more than the threshold (b)
جدول2. نتایج حاصل از برآورد بیشترین و کمترین دورههای زمانی (برحسب روز) از حد آستانه در دوره آماری مورد مطالعه 29 ساله
Table 2. Results of estimating the maximum and minimum time periods (in terms of days) of the threshold in the statistical period of 29 years
ایستگاه کهک | |||||||||||||
دوره پرآبی | |||||||||||||
Mean discharge (m3) | high.spell.lengths (day) | years | تعداد | ||||||||||
320 | 90 | 1369 | 1 | ||||||||||
570 | 93 | 1370 | 2 | ||||||||||
340 | 90 | 1398 | 3 | ||||||||||
دوره کمآبی | |||||||||||||
Mean discharge | low.spell. lengths | سال | تعداد | ||||||||||
8/43 | 365 | 1374 | 1 | ||||||||||
2/33 | 365 | 1378 | 2 | ||||||||||
8/4 | 365 | 1380 | 3 | ||||||||||
دوره آبی نرمال | |||||||||||||
میانگین حجم سیلابهای طی دوره آماری 29 ساله (برحسب میلیون مترمکعب) | حجم سیلابهای ورودی در سال 1387 (برحسب میلیون مترمکعب) | طول دورهای زمانی با دبی بیشتر از حد آستانه (high.spell.lengths) | (low.spell. lengths) | ||||||||||
12/1904 | 2/1937 | Mean discharge | high.spell.lengths | Mean discharge | low.spell.lengths | ||||||||
211 | 60 | 32 | 305 |
high.spell.lengths = دورههای زمانی بیشترین از حد آستانه، low.spell.lengths = دورههای زمانی کمتر از حد آستانه
ریزمقیاس نمایی تصاویر
نتایج حاصل از تصاویر شبیهسازی شده با استفاده از مدل ESTARFM و تصاویر اصلی لندست و مودیس طی سالهای مورد مطالعه در شکل (5) ارائه شده است. با مقایسه بصری تصاویر شبیهسازی شده با تصاویر لندست و مودیس این گونه استنباط میگردد که تصاویر شبیهسازی شده توسط مدل ESTARFM در حفظ جزئیات مکانی در کاربریهای مختلف دقت قابل قبولی را نشان میدهد.
(c) |
(b) |
(a) |
Fig 5. View of Predicted images with ESTARFM model related drought (a), normal (b) and wet (c) years
در این تحقیق دو پارامتر آماری همبستگی و مجذور میانگین مربعات خطا برای ارزیابی پیشبینی مدل ESTARFM به کار رفت که نتایج در جدول (3) ارائه شده است. برای محاسبه این پارامترها، مقایسه به صورت پیکسل به پیکسل انجام شد. بهگونهای که تمامی پیکسلهای منطقه مورد مطالعه در محاسبه این پارامترهای آماری استفاده شد. بر اساس نتایج به دست آمده مقادیر میانگین همبستگی برای باندهای آبی، سبز، قرمز و فروسرخ نزدیک بهترتیب برابر با 91/0، 89/0، 92/0 و 91/0 و مجذور میانگین مربعات خطا نیز دارای مقادیر کم میباشد که نتایج بررسی پارمترهای آماری محاسبه شده برای تصاویر پیشبینی شده با استفاده از مدل ESTARFM حاکی از دقت قابل پذیرش نتایج پیشبینی شده با این مدل دارد.
جدول3. نتایج مقادیر پارامترهای همبستگی و مجذور میانگین مربعات خطا برای ارزیابی باندهای پیشبینی شده با استفاده از مدل ESTARFM
Table 3.Statistical parameters of the linear regression analysis and RMSE between simulated and observed reflectance
تصاویر مورد مقایسه | ردیف - گذر | تاریخ | سنجههای آماری | باندهای طیفی و شاخص گیاهی مورد مقایسه | |||||
Red | Green | Blue | NIR | NDVI | |||||
Landsat-5 | ESTARFM | 38-157 | 25/4/۲۰۰1 | R2 | 973/0 | 893/0 | 912/0 | 910/0 | 880/0 |
RMSE | 01/0 | 037/0 | 028/0 | 032/0 | 032/0 | ||||
Landsat-5 | ESTARFM | 39-157 | 25/4/۲۰۰1 | R2 | 931/0 | 883/0 | 901/0 | 901/0 | 870/0 |
RMSE | 01/0 | 034/0 | 031/0 | 031/0 | 034/0 | ||||
Landsat-7 | ESTARFM | 38-157 | 20/۵/۲۰08 | R2 | 921/0 | 879/0 | 902/0 | 920/0 | 880/0 |
RMSE | 01/0 | 035/0 | 028/0 | 029/0 | 032/0 | ||||
Landsat-7 | ESTARFM | 39-157 | 20/۵/۲۰08 | R2 | 921/0 | 891/0 | 911/0 | 901/0 | 890/0 |
RMSE | 01/0 | 029/0 | 023/0 | 028/0 | 036/0 | ||||
Landsat-8 | ESTARFM | 38-157 | 25/4/۲۰۱۹ | R2 | 909/0 | 864/0 | 922/0 | 921/0 | 892/0 |
RMSE | 01/0 | 031/0 | 028/0 | 032/0 | 041/0 | ||||
Landsat-8 | ESTARFM | 39-157 | 25/4/۲۰۱۹ | R2 | 901/0 | 871/0 | 913/0 | 901/0 | 889/0 |
RMSE | 01/0 | 027/0 | 028/0 | 031/0 | 037/0 |
بررسی تغییرات پوشش گیاهی
نتایج حاصل از بررسی تغییرات پوشش گیاهی با استفاده از شاخصهای پوشش گیاهی NDVI و SAVI در شکلهای (6 تا 8) ارائه شده است. بر اساس نتایج به دست آمده دامنه تغییرات پوشش گیاهی بر اساس شاخص گیاهی NDVI طی سالهای کمآبی 789/0- تا 622/0، نرمال 542/0- تا 778/0 و در سال پرآبی 789/0- تا 881/0 میباشد. دامنه تغییرات پوشش گیاهی بر اساس شاخص SAVI طی سالهای فوق الذکر بهترتیب برابر با 438/0- تا 431/0، 381/0- تا 579/0 و 221/0- تا 712/0 است.
شکل6. نقشه پوشش گیاهی بر اساس شاخصهای گیاهی SAVI و NDVI طی سال کمآبی بر اساس تصاویر شبیهسازی شده با استفاده از مدل ESTARFM
Fig 6. Vegetation maps of simulated images (ESTARFM model) based on SAVI and NDVI during a drought year
شکل7. نقشه پوشش گیاهی بر اساس شاخصهای گیاهی SAVI و NDVI مربوط به سال آبی نرمال بر اساس تصاویر شبیهسازی شده با استفاده از مدل ESTARFM
Fig 7. Vegetation map of simulated images (ESTARFM model) based on SAVI and NDVI index during normal year
شکل 8. نقشه پوشش گیاهی بر اساس شاخصهای گیاهی SAVI و NDVI طی سال پرآبی بر اساس تصاویر شبیهسازی شده با استفاده از مدل ESTARFM
Fig .8. Vegetation map of simulated images (ESTARFM model) based on SAVI and NDVI index during wet year
نتایج به دست آمده از همبستگی شاخصهای گیاهی SAVI و NDVI با دادههای زمینی برداشت شده در هریک از تیپهای گیاهی غالب در منطقه مورد مطالعه در جدول (4) ارائه شده است. با مقایسه همبستگی شاخصهای پوشش گیاهی، یافتهها بیانگر آن است که شاخص SAVI همبستگی بیشتری نسبت به شاخص NDVI با پوشش گیاهی منطقه مورد مطالعه و همچنین نتایج به دست آمده از مطالعات میدانی را نشان میدهد. با توجه به همبستگی بالای شاخص گیاهی SAVI با تیپهای گیاهی منطقه مورد مطالعه، معادله رگرسیونی برآورد درصد پوشش گیاهی با استفاده از شاخص SAVI و دادههای زمینی برداشت شده محاسبه شد که نتایج آن در جدول (5) ارائه شده است. بهمنظور تعیین کلاسهای پوشش گیاهی با استفاده از شاخص SAVI، 6 کلاس پوشش گیاهی بر مبنای طبقات پوشش گیاهی سال پرآبی به دست آمد که بر اساس آن نقشه پوشش گیاهی سالهای نرمال و کمآبی نیز طبقهبندی شد که نتایج به دست آمده از ارزیابی صحت نقشههای تولید شده و نقشه پوشش گیاهی تهیه شده برای هریک از سالهای مورد مطالعه بهترتیب در جدول (6) و شکل (9) ارائه شده است.
جدول 4. میزان همبستگی تیپهای گیاهی با شاخصهای گیاهی مورد مطالعه
Table 4. Correlation of plant types with studied plant indices
شاخص گیاهی | روش نمونهبرداری | تیپ گیاهی | |
ترانسکت | |||
مقادیر p | مقادیر r2 | ||
SAVI | 002/0 | 88 /0 | 1A-l |
004/0 | 79 /0 | 2 a-T | |
003/0 | 80 /0 | 3C | |
002/0 | 82 /0 | 4A-H | |
002/0 | 85 /0 | 5B-H | |
003/0 | )mean ( 81/0 | گندم | |
جو | |||
NDVI | 004/0 | 78 /0 | 1A-l |
006/0 | 69 /0 | 2 a-T | |
007/0 | 56 /0 | 3C | |
004/0 | 64 /0 | 4A-H | |
005/0 | 71 /0 | 5B-H | |
002/0 | )mean ( 83/0 | گندم | |
جو |
1 Aeluropus littoralis، 2 Tamarix aphylla، 3 Chenopodiace ، 4 Haloxylon aphylum، 5Halostachys belangeriana
جدول 5. نتایج برآورد مدل رگرسیونی حاصل از شاخصهای گیاهی SAVI و NDVI با دادهای زمینی برداشت شده طی سال پرآبی
Table 5. Results of linear regression analysis of SAVI and NDVI With filed data collected during a wet year
شاخص گیاهی | مدل پوشش گیاهی | مقادیر r2 |
SAVI | Y=178.2x+21.1 | 5/84 |
NDVI | Y=211x+31.2 | 77 |
جدول 6. نتایج صحت طبقهبندی نقشه درصد پوشش گیاهی طی سالهای مورد مطالعه
Table .6. Results of the accuracy of the vegetation percentage classification map during the studied years
سال | ضریب کاپا | صحت کلی |
کمآبی | 88/0 | 1/90 |
نرمال | 89/0 | 3/91 |
پرآبی | 89/0 | 4/90 |
شکل 9. طبقهبندی نقشه پوشش گیاهی سالهای کمآبی، نرمال و پرآبی بر اساس تصاویر شبیهسازی شده با استفاده از مدل ESTARFM
Fig 9. Classification of vegetation map of simulated images (ESTARFM model) related drought, normal and wet years
با توجه به نتایج به دست آمده طی دوره کمآبی، بیشترین وسعت اراضی دارای پوشش گیاهی 0 تا 10 درصد (3/138176 هکتار) است. بهطوریکه 70 درصد از مساحت منطقه مورد مطالعه را به خود اختصاص میدهد. در مقابل بخش اندکی از مساحت منطقه مورد مطالعه دارای پوشش گیاهی متراکم (>80) میباشد که مساحتی حدود 86/212 هکتار را شامل میشود. با مقایسه مساحت کلاسهای طبقهبندی شده طی دورههای نرمال و پرآبی، یافتهها بیانگر آن است که مساحت کلاس یک که بیشترین وسعت اراضی را طی دوره کمآبی شامل میشود بهطور محسوسی کاهش یافته است. بهطوریکه در طی دوره پرآبی و نرمال بهترتیب به 98/66269 هکتار (48 درصد) و 7/50559 هکتار (30) درصد کاهش یافته و در مقابل سایر کلاسهای پوشش گیاهی روند افزایشی داشته است (شکل 10).
شکل10. مساحت درصد پوشش گیاهی تصاویر شبیهسازی شده طی سه سال کمآبی، نرمال و پرآبی
Fig 10. Area of vegetation percentage of simulated images during three years of drought (a), normal (b) and wet (c).
بهمنظور بررسی تغییرات کلاسهای پوشش گیاهی طی دوره مورد مطالعه، روند تغییرات پوشش گیاهی برای دو بازه زمانی کمآبی تا نرمال و کمآبی تا پرآبی با عملیات آشکارسازی تغییرات با استفاده از روش مقایسه پس از طبقهبندی برای دو بازه زمانی مورد بررسی انجام شد که نتایج آن در شکل ( 11) و جداول (7 تا 8) ارائه شده است. بر اساس نتایج به دست آمده، طی دوره کمآبی تا نرمال بیشترین درصد تغییرات برابر با 9/24 درصد و مربوط به تبدیل کلاسهایی1 به 2 میباشد که بهتبع آن 9/34475 هکتار از اراضی با افزایش نسبی پوشش گیاهی نسبت به دوره کمآبی همراه بوده است. همچنین نتایج بیانگر آن است که علاوه بر تغییرات کلاسهای ذکر شده بخش قابل توجهی از تغییرات مربوط به تبدیل کلاسهای 1 و 2 به کلاسهای 3، 4 و 5 است. بهطوریکه 11 و 40 درصد تغییرات کلاسهای 1 و 2 (بهترتیب معادل با 26/14984 و 88/11471 هکتار از اراضی) مربوط به تبدیل کلاسهای فوق الذکر به کلاسهایی با درصد پوشش بالاتر است. در بررسی تغییرات پوشش گیاهی طی دوره کمآبی تا پرآبی نیز یافتهها بیانگر آن است که بیشترین تغییرات پوشش گیاهی مشابه با دوره کمآبی تا نرمال مربوط به تبدیل کلاس 1 به 2 است که طی آن 8/30443 هکتار از اراضی با پوشش بسیار ضعیف با افزایش 10 تا 20 درصدی پوشش گیاهی همراه بوده است. همچنین بررسی تغییرات پوشش گیاهی طی این دوره بیانگر آن است که درصد افزایش نسبی کلاسهایی با درصد پوشش بالاتر نیز روند افزایشی داشته است. بهگونهای که طبقات پوشش گیاهی متراکم از جمله کلاسهای با پوشش 60 تا 80 و بیش از 80 درصد (کلاسهای 5 و 6) نسبت به دوره کمآبی بهترتیب 4 و 33 برابر افزایش یافته است (بهترتیب از 73/921 و 86/212 هکتار در دوره کمآبی به 14/3299 و 65/7020 هکتار در سال پرآبی افزایش یافته است).
شکل11. نقشه تغییرات کلاسهای پوشش گیاهی طی دورههای کمآبی- نرمال و کمآبی- پرآبی (D= کمآبی، N= نرمال و W= پرآبی، اعداد 1 تا 6 بهترتیب مربوط به کلاسهای پوشش گیاهی است)
Fig 11. Map of changes in vegetation classes during periods drought - normal and drought - wet years (D = drought, N= Normal, W=Wet, Numbers 1 to 6 refer to vegetation classes, respectively (
جدول 7. ماتریس تغییرات کلاسهای پوشش گیاهی طی دوره کمآبی تا نرمال
Table 7. Matrix of changes in vegetation classes during the period of drought to normal
دوره کمآبی | ||||||||
دوره نرمال | طبقات | کلاس10-0 | کلاس20-10 | کلاس30-20 | کلاس50-40 | کلاس80-60 | > 80 | جمع |
کلاس10-0 | 3/61702 | 85/3144 | 36/1094 | 65/255 | 825/22 | - | 93180 | |
کلاس20-10 | 9/34475 | 1/2214 | 48/7509 | 53/3108 | 82/250 | 1/25 | 9/59169 | |
کلاس30-20 | 1/10904 | 29/7354 | - | 49/2604 | 04/148 | 82/83 | 8/27477 | |
کلاس50-40 | 54/2602 | 71/1483 | 88/3237 | 2/2101 | 502/204 | 58/25 | 21/9957 | |
کلاس80-60 | 6/1477 | 88/2633 | 796/925 | 565/681 | - | 23/71 | 07/5890 | |
> 80 | 815/53 | 81/44 | 39/194 | 76/50 | 536/195 | 11/52 | 421/591 | |
پوشش گیاهی در آب | 26910 | 9/11585 | 6398 | 804/301 | 100 | 005/0 | 7/45295 | |
جمع | 138176 | 5/28461 | 9/19359 | 9104 | 73/921 | 86/212 | 236/196 |
جدول 8. ماتریس تغییرات کلاسهای پوشش گیاهی طی دوره کمآبی تا پرآبی
Table 8. The changes of vegetation during drought-Wet period based on transfer matrix
دوره کمآبی | ||||||||
دوره پرآبی | طبقات | کلاس10-0 | کلاس20-10 | کلاس30-20 | کلاس50-40 | کلاس80-60 | > 80 | جمع |
کلاس10-0 | 48/45310 | 432/3886 | 49/993 | 27/277 | 39/65 | 59/26 | 68/50559 | |
کلاس20-10 | 7/30443 | 11003 | 46/3678 | 8/1584 | 94/61 | 49/17 | 65/46789 | |
کلاس30-20 | 75/13787 | 85/7303 | - | 03/3559 | 23/219 | 81/12 | 68/24882 | |
کلاس50-40 | 08/3922 | 858/1178 | 64/4278 | - | 63/214 | 81/14 | 03/9609 | |
کلاس80-60 | 49/1870 | 684/571 | 73/516 | 109/330 | - | 11/10 | 14/3299 | |
> 80 | 552/1395 | 158/1683 | 518/2531 | 404/1065 | 015/345 | - | 64/7020 | |
پوشش گیاهی در آب | 2/41446 | 55/2834 | 86/7360 | 374/2287 | 5/15 | 011/131 | 5/54075 | |
جمع | 138176 | 5/28461 | 9/19359 | 9104 | 73/921 | 86/212 | 236/196 |
در بررسی تغییرات پوشش گیاهی در کاربریهای مختلف، با توجه به نقشه کاربری اراضی ارائه شده از سوی سازمان جنگلها و مراتع تغییرات پوشش گیاهی به تفکیک کاربریها برآورد شد که نتایج آن در شکل (12) ارائه شده است. بر اساس نتایج به دست آمده بیشترین تغییرات مربوط به کاربریهایی تالاب-پوشش گیاهی، جنگل- مرتع، مراتع ضعیف و اراضی کشاورزی است. در مقابل پوشش گیاهی در کاربریهای دریاچه-شورهزار و اراضی بایر بدون تغییر و بهطور عمده بیشترین وسعت این اراضی طی دورههای مورد مطالعه مربوط به کلاس اول و دوم میباشد.
شکل12. تغییرات پوشش گیاهی به تفکیک کاربری اراضی طی دوره کم آبی – نرمال و دوره کم آبی- پرآبی
Fig 12. vegetation changes based on land-use during drought - normal and drought – wet periods
بحث و نتیجهگیری
در این تحقیق که برای اولین بار در شهرستان نیمروز انجام شد ضمن تجزیه و تحلیل دورههای کمآبی و پرآبی با ترکیب تصاویر ماهواره لندست و سنجنده مودیس و شبیهسازی تصاویر لندست مانند در مقیاس روزانه با قدرت تفکیک مکانی 30 متر با استفاده از مدل ESTARFM، تغییرات پوشش گیاهی طی سالهای کمآبی، نرمال و پرآبی مورد بررسی قرار گرفت. در تجزیه و تحلیل دورههای کمآبی و پرآبی طی سالهای مورد بررسی یافتهها نشان داد که نوسانات قابل توجهی در میزان حجم سیلاب ورودی به منطقه سیستان طی دورههای مورد مطالعه وجود دارد. بهطوریکه حجم سیلاب در سال کمآبی نسبت به سالهای نرمال و پرآبی به ترتیب 31 و 82 درصد کاهش یافته است. از آنجا که تغییرات پوشش گیاهی و کاربری اراضی در یک اکوسیستم بیشتر متأثر از عوامل اقلیمی و هیدرولوژیکی و سپس توپوگرافی و عوامل زمینساخت هست (5، 19)، لذا نوسان در شرایط هیدرولوژیکی نقش بارزی در تغییرات پوشش گیاهی و کاربری اراضی ایفاء مینماید (22). بهطوریکه طی سال کمآبی 70 درصد از مساحت منطقه مورد مطالعه دارای پوشش گیاهی 0 تا 10 درصد (3/138176 هکتار) است که طی دوره آبی نرمال و پرآبی با افزایش پوشش گیاهی بهترتیب 30 (معادل با 7/50559 هکتار) و 48 درصد (معادل با 98/66269 هکتار) کاهش یافته است. این فرآیند مطابق با مطالعات جهان تیغ و جهانتیغ (15) به دلیل تأمین شدن نیاز آبی و رطوبت مورد نیاز برای احیاء پوشش و رشد گیاه در منطقه مورد مطالعه است که با احیاء پوشش گیاهی اثر بسزایی بر بیابانزدایی در منطقه مورد مطالعه دارد. با آشکارسازی تغییرات پوشش گیاهی با استفاده از روش مقایسه پس از طبقهبندی طی دورههای کمآبی تا نرمال و کمآبی تا پرآبی نتایج نشان داد که بیشترین تغییرات با میانگین 9/45 درصد مربوط به تبدیل کلاسهایی1 به 2 است که بهتبع آن بهطور متوسط 9/32125 هکتار از اراضی با افزایش نسبی پوشش گیاهی نسبت به دوره کمآبی همراه بوده است. همچنین نتایج بیانگر آن است که بخش قابل توجهی از تغییرات نیز مربوط به تبدیل کلاسهای 1 و 2 به کلاسهای 4 و 5 است که بهترتیب 26/16284 و 88/11471 هکتار از اراضی منطقه مورد مطالعه را شامل میشود (بهترتیب معادل با 18 و 27 درصد تغییرات در طی مورد مطالعه). این فرآیند بیانگر رویش تیپهایی گیاهی با قابلیت ایجاد پوشش گیاهی بالا در منطقه مورد مطالعه است. به عبارتی با توجه به شرایط سخت اکولوژیکی و همچنین کمبود نزولات جوی برخی گونههای گیاهی نسبت به این شرایط سخت اقلیمی قابلیت سازگاری داشته و تحت شرایط رطوبتی کم استقرار یافته و با تأمین شدن نیاز رطوبتی طی دورههای پرآبی رشد و تکاملی گیاه ادامه مییابد (10، 32) که از جمله مهمترین این گونههای گیاهی میتوان به بونو (Aeluropus littoralis) و زرد تاغ (Haloxylon persicum) اشاره نمود که بهطور عمده فرم رویشی علوفهای و بوتهای دارند. علاوه بر آن گونههای گیاهی دیگر همانند گز شاهی (Tamarix aphylla) و سیاه تاغ (Haloxylon aphylum) با فرم رویشی درختچهای نیز با فراهم شدن نیاز رطوبتی گیاه قادر به تولید پوشش گیاهی قابل ملاحظهای است که در مطالعات صورت گرفته همچون جهانتیغ و همکاران (15) نیز به اهمیت این مهم اذعان شده است. یافتهها همچنین گویای این مهم است که طی سالهای مورد مطالعه پوشش گیاهی در برخی عرصههای طبیعی بدون تغییر و بهطور عمده دارای پوشش گیاهی ضعیف و مربوط به کلاس یک است. با توجه به نقشه کاربری اراضی ارائه شده از سوی سازمان جنگلها و مراتع بیشترین تغییرات مربوط به کاربریهایی تالاب-پوشش گیاهی، جنگل-مرتع، مراتع ضعیف و اراضی کشاورزی است. در مقابل پوشش گیاهی در کاربریهای دریاچه-شورهزار و اراضی بایر بدون تغییر و بهطور عمده بیشترین وسعت این اراضی طی دورههای مورد مطالعه مربوط به کلاس اول و دوم است. با توجه به اثر عوامل هیدرولوژیکی نظیر شیب كم و تغییر در دبی جریانهای سیلابی ورودی به منطقه سیستان (همان) بخشهای از عرصههای طبیعی هموار تحت تأثیر سیلابهای ورودی از کشور افغانستان قرار میگیرند که بهتبع آن باعث رشد و احیاء پوشش گیاهی در این مناطق میشود و از طرفی عرصههایی که تحت تأثیر سیلاب قرار ندارد به دلیل تأمین نشدن نیاز آبی این اکوسیستمها رشد و احیاء پوشش گیاهی در این عرصهها با محدودیت همراه است و بهطور عمده سطح این اراضی فاقد پوشش گیاهی و یا دارای پوشش گیاهی فقیر است. ازآنجاکه پوشش گیاهی با کاهش اثر عوامل فرساینده مانع از هم گسیختگی ذرات خاک و حرکت مواد با باد میشود (19، 20) لذا نبود آن در اراضی لخت از جمله عوامل مؤثر بر ایجاد پدیده فرسایش در مناطق خشک است (1 و 8). در مطالعات مبنی بر اثر خشکسالی بر تغییرات کاربری اراضی در منطقه سیستان نبود پوشش گیاهی مناسب و عدم وجود موانع طبيعی با توجه به هموار بودن و شيب ملايم در عرصههای طبیعی منطقه سیستان را متأثر از وزش بادهای 120 روزه سیستان با قدرت فرسایندگی بالا از جمله عوامل مؤثر بر گسترش كانونهاي بحراني در این منطقه گزارش نمودهاند (14). همچنین اجرای اقدامات مکانیکی بهمنظور بهرهبرداری از ﺳﻴﻼبهای ورودی به منطقه سیستان برای استقرار پوشش گیاهی با کشت گونههای گیاهی سازگار (از جمله گز شاهی، سیاه تاغ و زرد تاغ) با شرایط اقلیمی منطقه مورد مطالعه را مهمترین راهکار برای تثبیت و کنترل کانونهای فرسایش بادی در منطقه سیستان معرفی نمودهاند که با توجه به نتایج به دست آمده و تغییرات محسوس پوشش گیاهی طی سالهای مورد مطالعه اجرای آن بستری مناسب برای احیای پوشش گیاهی و بهبود شرایط زیست محیطی در منطقه سیستان را فراهم مینماید. علاوه بر موارد فوقالذکر در این مطالعه قابلیت استفاده از مدل ESTARFM برای بهکارگیری از قابلیتهای مکانی تصاویر لندست و زمانی سنجنده مودیس مورد بررسی قرار گرفت. با توجه به نتایج ارزیابی شاخصهای آماری میانگین همبستگی باندهای آبی، سبز، قرمز و فروسرخ نزدیک با تصاویر پیشبینی شده بهترتیب برابر با 9/0، 91/0 91/0 و 85/0 و درصد خطای مطلق بهترتیب 01/0، 027/0، 028/0 و 031/0 میباشد که بیانگر همبستگی بالا بین باندهای تصاویر شبیهسازی شده با تصاویر لندست و همچنین کم ترین مقادیر خطا میباشد. در مطالعات صورت گرفته همچون وانگ و همکاران (27) نیز در ترکیب تصاویر سنجندههای OLI و MODIS با استفاده از مدل ESTARFM میانگین خطای مطلق و میزان همبستگی باندهای تصاویر شبیهسازی شده با تصاویر لندست را بهترتیب 028/0 (RMSE) و بیشتر از 9/0 (R2) گزارش کردهاند. همچنین وانگ و همکاران (28) در مطالعهای با هدف تهیه شاخص NDVI با ترکیب تصاویر سنجندههای OLI و MODIS با استفاده از مدل ESTARFM دریافتند که همبستگی بالا (84/0=R2) و میانگین خطای مطلق کمی (032/0=RMSE) بین شاخص گیاهی تهیه شده از تصاویر پیشبینی شده و تصاویر لندست وجود دارد. باتوجه به نتایج ارزیابی شاخصهای آماری مدل ESTARFM در پیشبینی بازتابندگی با قدرت تفکیک مکانی 30 متر از دقت مطلوبی برخوردار است و استفاده از تصاویر شبیهسازی شده بهمنظور تهیه شاخصهای گیاهی و پایش تغییرات پوشش گیاهی نتایج قابل قبولی را ارائه میکند که با نتایج مطالعات صورت گرفته همچون چن و همکاران (6)، کنائور و همکاران (17)، وانگ و همکاران (24) و ژو و همکاران (33)، همخوانی دارد. با توجه به مزایا این مدل استفاده از آن محدوديتهايي نیز دارد. در اين الگوريتم در ابتدا باید دو پارامتر عرض پنجره جستجو و تعداد کلاسهاي منطقه با دقت بالا انتخاب شود و انتخاب نادرست این پارامترها باعث ایجاد خطای محاسباتی در فرآیند شبیهسازی تصاویر میشود. از ديگر محدوديتهاي اين الگوريتم استفاده از دو جفت تصوير براي پیشبیني در يک زمان خاص ميباشد که اين موضوع براي مناطق ابري و همراه با طوفانهای گرد و غبار از جمله منطقه مورد مطالعه برای تهیه دو تصوير بدون ابر با محدودیت همراه 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 که در این تحقیق با استفاده از قابلیتهای دادههای سنجش ازدور 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 ظرفیتي کمک بزرگي براي پايش تغییرات فصلي و پوياي زيست محیطي با توجه به تسریع سیر قهقرایی در منطقه سیستان با تولید محصولات سنجشازدوري با توان تفکیک بالاي مکاني و پوشش بالاي زماني است. پیشنهاد میشود بهمنظور برررسی بهتر عملکرد مدلESTARFM ، مطالعاتی برای مقایسه و ارزیابی اندازهي پنجره جستجو و روشهای طبقهبندي مختلف در کاربریهای مختلف در منطقه سیستان انجام شود. همچنین، توانایی مدل در ریزمقیاسنمایی با سایر تصاویر ماهوارهاي از جمله تصاویر سنتینل با تفکیک مکانی و زمانی بالاتر جهت تولید تصاویر با وضوح بیشتر مورد بررسی قرار گیرد.
References
1. Akumu C.E, Amadi E, Dennis S. 2021. Application of Drone and WorldView-4 Satellite Data in Mapping and Monitoring Grazing Land Cover and Pasture Quality: Preand Post- Flooding. Land 2021, 10, 321. https://doi.org/10.3390/
2. Aqil A. Hong S. 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): 1-22. https://doi.org/10.3390/rs12203402.
3. Boubacar S. Aruna M. Ebrima S. Sidat Y. Mamma S. 2021. Detection of recent changes in Gambia vegetation cover using time series MODIS NDVI”, Belgeo [Online], 1 | 2021, Online since 03 June 2021, connection on 05 June 2021.URL:http://journals.openedition.org/belgeo/47995;DOI:https://doi.org/10.4000/belgeo.47995.
4. Bond N .2019. hydrostats: Hydrologic Indices for Daily Time Series Data. R package version 0.2.7. https://CRAN.R-project.org/package=hydrostats.
5. Burrell AL. Evans J. Kauwe M. G. 2020. Anthropogenic climate change has driven over 5 million km2 of drylands towards desertification, Nature communications, 11, 3853, https://doi.org/10.1038/s41467-020-17710-7.
6. Chen Y. Cao RY. Chen J. Zhu XL. Zhou J. Wang. GP. Shen MG. Chen XH. Yang W. 2020. A New Cross-Fusion Method to Automatically Determine the Optimal Input Image Pairs for NDVI Spatiotemporal Data Fusion. IEEE Trans. Geosci. Remote Sens. 58, 5179–5194. DOI: 10.1109/tgrs.2020.2973762
7. 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, RS & GIS for Natural Resources, 10(2): 1-14. (In Persian).
8. Elhag M. Silevna B. Al-Amri N .2021. Forest cover assessment using remote-sensing techniques in Crete Island, Greece, Open Geosciences, 2021; 13: 345–358, https://doi.org/10.1515/geo-2020-0235.
9. Gao F. Hilker T. Zhu X. Anderson M. 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.
10. Gavrilescu M. 2021. Water, Soil, and Plants Interactions in a Threatened Environment. Water 13, 2746. https://doi.org/10.3390/ w13192746
11. Guan X. Huang C. Zhang R. 2021. Integrating MODIS and Landsat Data for Land Cover Classification by Multilevel Decision Rule. Land 10, 208. https://doi.org/10.3390/land10020208
12. Hu P. Sharifi A. Tahir M.N. Tariq A. Zhang L. Mumtaz F. Shah S. 2021. Evaluation of Vegetation Indices and Phenological Metrics Using Time-Series MODIS Data for Monitoring Vegetation Change in Punjab, Pakistan. Water, 13, 2550. https://doi.org/ 10.3390/w13182550
13. Hongwei Z. Bingfang W. Shuai W. Walter M. Fuyou T. Zama Eric M. Nitesh P. Mavengahama S. 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(3): 397–409. https://doi.org/10.1007/ s11769-020-1119-y.
14. Jahanthigh M, Najafinejad A, Jahantigh M, Hosseinalizadeh 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 (Case Study of Sistan Plain). desert ecosystem engineering, 9(27): 25-46. https://doi.org /10.22052/deej.2020.9.27.21 (In Persian).
15. 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). RS & GIS for Natural Resources, 10(4): 57-73. (In Persian).
16. Kempf, M. 2021. Monitoring landcover change and desertification processes in northern China and Mongolia using historical written sources and vegetation indices, Clim. Past Discuss. [preprint], https://doi.org/10.5194/cp-2021-5.
17. Knauer K. Ursula G. Rasmus F. Claudia K. 2016. An ESTARFM Fusion Framework for the Generation of Large-Scale Time Series in Cloud-Prone and Heterogeneous Landscapes" Remote Sensing 8, no. 5: 425. (1-21). https://doi.org/10.3390/rs8050425. land10030321.
18. 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 Syst. Sci. Data, 12, 1217– 1243, https://doi.org/10.5194/essd-12-1217-2020, 2020a.
19. 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, 1026. https://doi.org/ 10.3390/land10101026
20. Procházková E. Kincl D. Kabelka D. Vopravil J. Nerušil P. Mensik L. Bartak 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.
21. Shvedov V. Lvova M. 2021. Natural resource potential and sustainable development of the regional system Vladimir Sulimin, E3S Web Conf. 291 02034. DOI: 10.1051/e3sconf/202129102034.
22. Tang. Q. 2020. Global change hydrology: Terrestrial water cycle and global change, Sci. China Earth Sci., 63, 459–462, https://doi.org/10.1007/s11430-019-9559-9.
23. Tewabe D, Fentahun T, Li F. 2020. Assessing land use and land cover change detection using remote sensing in the Lake Tana Basin, Northwest Ethiopia, Cogent Environmental Science, 6:1, DOI: 10.1080/23311843.2020.1778998
24. Wang Q. Zhang Y. Onojeghuo X. Atkinson P. 2017. Enhancing Spatio-Temporal Fusion of MODIS and Landsat Data by Incorporating 250 m MODIS Data," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 10, no. 9, pp. 4116-4123, Sept. doi: 10.1109/JSTARS.2017.2701643.
25. Wang W. Belay M. Gebru M, Rijan B. Lee W. 2020. Land Use and Land Cover Change Detection and Prediction in the Kathmandu District of Nepal Using Remote Sensing and GIS. Sustainability, 12(9). https://doi.org/10.3390/su12093925
26. 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 Sens. 2021, 13, 266. https:// doi.org/10.3390/rs13020266.
27. Wang Y. Yan G. Hu R. Xie D. Chen W. A .2020.Scaling-Based Method for the Rapid Retrieval of FPAR from Fine-Resolution Satellite Data in the Remote-Sensing Trend-Surface Framework. IEEE Trans. Geosci. Remote Sens. 58, 7035–7048. DOI: 10.1109/TGRS.2020.2978884.
28. 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, DOI: 10.1080/01431161.2021.1976870.
29. Xiao R. Liu Y. Huang X. Shi R. Yu W. Zhang T. 2018. Exploring the driving forces of farmland loss under rapid urbanization using binary logistic regression and spatial regression: A case study of Shanghai and Hangzhou Bay, Ecol. Indic., 95, 455–467, https://doi.org/10.1016/j.ecolind.2018.07.057.
30. Yu Q. Wei L. Wesley N. Gonçalves, J. Marcato J. Jonathan L .2021.Spatial Resolution Enhancement for Large-Scale Land Cover Mapping via Weakly Supervised Deep Learning, Photogrammetric Engineering & Remote Sensing, 87(6), 405–412. doi: 10.14358/PERS.87.6.405.
31. Yang J. Huang X. 2021. The 30m annual land covers dataset and its dynamics in China from 1990 to 2019, Earth Syst. Sci. Data, 13, 3907–3925. https://doi.org/10.5194/essd.
32. Zhou X. Geng X. Yin G. Hänninen H. Hao F. Zhang X. Fu Y.2020. Legacy effect of spring phenology on vegetation growth in temperate China. Agricultural and forest meteorology, 281, doi: 10.1016/j.agrformet.2019.107845
33. Zhu X. Helmer E. Gao F. Liu D. Chen J. Lefsky M. 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.
Monitoring of vegetation changes using daily Landsat-Modis simulated images at in three years of wet, normal and drought in arid region (Case study: Nimroze city)
Abstract
Aim of this study is monitoring of vegetation changes using daily Landsat simulated images at 30m Spatial Resolution in three years of wet, normal and drought in Nimroze area. 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 run the related codes (by running codes such: daily.cv, ann.cv, high. spell, and low. spell) during the statistical period of studied (29 years) was calculated. To determine wet, normal and drought years calculated the length of periods that flood are higher (high. spell. lengths) and lower than threshold. To investigate vegetation changes, using ESTARFM model, simulated daily Landsat images at 30m Spatial Resolution for wet, normal and drought years. In field operation from different plants community by GPS were sampled. Comparing filed data with NDVI and SAVI, the vegetation index that had highest correlation with field data was selected. To investigation vegetation changes, using vegetation index, the map of vegetation for each years were prepared. After the classify maps of vegetation, by comparison approach, the map of vegetation changes was extraction. The results of analyzing showed that flood volume in dry years compare to normal and wet years has decreased 31 and 82, respectively. According to reduction of flood volume during drought year 70% of study area has poor vegetation and during normal and wet years, providing plants 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 Hirmand river has significant role on vegetation changes in study area that 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.
Keywords: ESTARFM model, Landsat, Modis, Nimrozre, Vegetation Changes.
چکیده
پیشینه و هدف
تخریب سرزمین و بیابانزایی در مناطق خشک از جمله چالشهای مهم زیستمحیطی در سراسر کرة زمین بشمار میرود. این فرآیند با توجه به کمبود نزولات جوی و وقوع خشکسالیهای متوالی ضمن بهرهبرداری نامعقول از عرصههای 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 پاییش 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 ﺗﻐﻴﻴﺮﭘﺬﻳﺮي 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 روشها
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 میلیمتر) 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 بررسي وضعيت پوشش گياهي طی سالهای مورد مطالعه پرداخته شد. بدین منظور در ابتدا اقدام به تهیه سري زمانی دادههاي 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 OLI ، ETM، TM) 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 5.3 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 MODIS وLandsat (OLI، ETM،TM ) 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 91/0، 89/0، 92/0 و 91/0 است. همچنین میانگین (RMSE) در چهار باند بهترتیب برابر با 01/0، 027/0، 028/0 و 031/0 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 1= 10-0٪، کلاس 2 = 20 -10، کلاس 3 = 30-20 ٪، کلاس 4 = 50-40، کلاس 5 = 80-60 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 از10٪ (برابر 3/138176 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 98/66269 و 7/50559 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 16284.26.26 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 و Haloxylon aphylum میباشد که قابلیت سازگاری بالایی با شرایط اقلیمی منطقه مورد مطالعه دارد.
نتیجهگیری
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 بهترتیب 31 و 82 کاهش یافته است. با توجه به کاهش حجم سیلاب در دوره خشکسالی70٪ 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 بهترتیب 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 بهمنظور 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 ظرفیتي کمک بزرگي براي پايش تغییرات فصلي و پوياي زيست محیطي با توجه به تسریع سیر قهقرایی در منطقه سیستان با تولید محصولات سنجش از دور با توان تفکیک بالاي مکاني و پوشش بالاي زماني است.
واژههای کلیدی: تغییرات پوشش گیاهی، لندست، مودیس، نیمروز، ESTARFM.
Monitoring of vegetation changes using daily Landsat-Modis simulated images at in three years of wet, normal and drought in arid region (Case study: Nimroze city)
Abstract
Background and Objective: land degradation and desertification in arid area 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 that, continuation of this condition during recent years with 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 arid region. Since the pattern and dimensions of vegetation changes are the most important factors to detection land degradation, so monitoring the vegetation changes is the best approach to analyses land degrading and desertification trend in 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 monitoring vegetation changes by using vegetation index is one of the best method that developed 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 is need to incorporation different satellites with high spatial (e.g., Landsat satellite) and temporal (e.g., MODIS satellite) images. The purpose of this study is monitoring of vegetation changes using daily Landsat simulated images at 30m Spatial Resolution in three years of wet, normal and drought in Nimroze area.
Materials and Methods: The study area located in north of Sistan and Baluchistan province. Low precipitation (50mm), high temperature (48o), high evaporation (5 m), and 120-day winds are among the specific climatic conditions that characterize of 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 run the related codes (by running codes such: daily.cv, ann.cv, high. spell, and low. spell) during the statistical period of studied (29 years) was calculated. To determine wet, normal and drought years calculated the length of periods that flood are higher (high. spell. lengths) and lower (low. spell. lengths) than threshold. To increase the accuracy of monitoring vegetation changes, it is need to incorporation different satellites with high spatial (e.g., Landsat) and temporal (e.g., MODIS) images. To achieve this purpose, in this study, 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) were performed on satellite images and by using ESTRFM model, simulated daily landsat images at 30m spatial resolution for wet, normal and drought years. In field operation from different plants community 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 highest correlation with field data was selected. To investigation vegetation changes, using vegetation index (the vegetation index with high correlation), the map of vegetation for each years were prepared (wet, normal and drought years). After the classify maps of vegetation, by comparison approach (cross tab), the map of vegetation changes was extraction.
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 percentage, 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%, class 4=40-50%, class 5=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 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 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 compare to normal and wet years has decreased 31 and 82, respectively. According to reduction of flood volume during drought year 70% of study area has poor vegetation and during normal and wet years, providing plants 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 Hirmand River has significant role on vegetation changes in study area that 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.
Keywords: ESTARFM model, Landsat, Modis, Nimrozre, Vegetation Changes.