تحلیل تغییرات زمانی پوشش گیاهی مراتع غرب استان کرمان با استفاده از داده‌های سطح 3 سنجنده‌ی مودیس و ارتباط آن با عوامل اقلیمی

ابراهیمی, زهره; روستائی, فاطمه; سلیمانی ساردو, مجتبی

تحلیل تغییرات زمانی پوشش گیاهی مراتع غرب استان کرمان با استفاده از داده‌های سطح 3 سنجنده‌ی مودیس و ارتباط آن با عوامل اقلیمی

نویسندگان

زهره ابراهیمی ¹

فاطمه روستائی ²

مجتبی سلیمانی ساردو ³

¹ استادیار بیابان‌زدایی- دانشگاه جیرفت

² استادیار بیابان‌زدایی - دانشگاه اردکان

³ استادیار بیابان‌زدایی - دانشگاه جیرفت

چکیده

پوشش گیاهی یکی از مهم‌ترین ویژگی‌های فیزیکی سطح زمین است که نقش مهمی در کاهش وقوع پدیده‌ی فرسایش بادی و کاهش انتشار ذرات گردوغبار، به‌ویژه در مناطق خشک و نیمه‌خشک دارد. میزان توسعه و یا تخریب پوشش گیاهی یک منطقه، معمولاً تحت تأثیر عوامل اقلیمی در بازه‌های زمانی مختلف، تغییر می‌کند. هدف از تحقیق حاضر، تحلیل تغییرات زمانی پوشش گیاهی مراتع غرب استان کرمان و تعیین ارتباط آن با عوامل اقلیمی با استفاده از دقیق‌ترین مدل حاصل از برقراری روش حداقل مربعات معمولی (OLS) بین داده‌های هواشناسی و پوشش گیاهی است. بدین منظور از داده‌های ماهیانه‌ی شاخص نرمال‌شده‌ی تفاوت پوشش گیاهی سنجنده‌ی مودیس (NDVI) و متغیرهای هواشناسی (متوسط دما، بارندگی، سرعت باد، دمای حداکثر و دمای حداقل) مربوط به ماه‌های آوریل تا سپتامبر 2000 تا 2017 استفاده شد. مدل‌ها با استفاده از سه معیار ضریب تعیین(R2)، مجذور میانگین مربعات خطا (RMSE) و فاکتور تورم واریانس (VIF) با یکدیگر مقایسه و مورد ارزیابی قرار گرفتند. نتایج نشان داد که ارتباط بین NDVI با متوسط دماهای حداقل و حداکثر، سرعت باد و بارندگی به دلیل بالاتر بودن مقدار R2 (24/0) و پایین بودن مقادیر RMSE (196/0) و VIF (2/3) نسبت به سایر روابط از دقت بالاتری برخوردار است. بر اساس این رابطه، مهم‌ترین عوامل اقلیمی مؤثر بر تغییر وضعیت پوشش گیاهی منطقه‌ی مطالعاتی به ترتیب متوسط دمای کمینه‌، بارش ماهیانه و سرعت وزش بادهای سطحی تعیین گردید. چنین نتایجی می‌تواند درک ما را نسبت به اثر تغییرات اقلیم بر وضعیت پوشش گیاهی مناطق خشک افزایش دهد.

کلیدواژه‌ها

سنجنده‌ی مودیس

متغیرهای اقلیمی

رگرسیون حداقل مربعات معمولی

منطقه‌ی خشک

عنوان مقاله English

Analysis of Temporal Vegetation Changes in Western Rangelands of Kerman Province Using MODIS Level 3 Data and its Relation to Climate Factors

نویسندگان English

Zohreh Ebrahimi ¹

fatemeh Roustaei ²

Mojtaba Soleimani sardo ³

¹ Assistant professor of desertification- Jiroft university

² Assistant professor of desertification- Ardakan university

³ Assistant professor of desertification- Jiroft university

چکیده English

Vegetation is one of the most important physical properties of the earth's surface that plays an important role in reducing the occurrence of wind erosion and reducing dust particulate matter emissions, especially in arid and semiarid regions. The extent of development or destruction of vegetation in an area is usually affected by climate change at different times. This study aimed to investigate the temporal variations in western rangelands of Kerman province and to determine its relashionship with climate factors using the most accurate model derived from ordinary least squares (OLS) method between meteorological and vegetation data. For this purpose, the monthly data of the Modified Vegetation Difference Index (NDVI) and meteorological variables (mean temperature, precipitation, wind speed, maximum air temperature, and minimum temperature) for the months of April to September during 2000 to 2017 were used. Models were compared to each other and evaluated using the coefficient of determination (R2), Root Mean Square Error (RMSE) and Variance Inflation Factor (VIF). The results showed that the relationship between NDVI and average minimum and maximum temperatures, wind speed and rainfall has higher accuracy than other models due to higher R2 (0.24) and as well as, lower RMSE (0.196) and VIF (3.2) values. Based on this relationship, the most important climatic factors affecting the vegetation status of the study area were identified as mean minimum temperature, precipitation and surface wind speed. Such results could improve our understanding from the impact of climate change on vegetation conditions in arid regions.

کلیدواژه‌ها English

MODIS Sensor

climate variables

Ordinary Least Squares Regression

arid region

Alimoradi, S., Khoorani, A. and Esmaeilpoor, Y. (2017). Dynamics of vegetation in Karun watershed within Khuzestan province in relation with Temperature factors and precipitation. Journal of Applied researches in Geographical Sciences, 17(44): 155-177. Alvares, C.A. et al., 2013. Köppen's climate classification map for Brazil. Meteorologische Zeitschrift, 22(6): 711-728. Carlson, T.N, Ripley DA. (1997). On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote sensing of Environment, 62(3): 241-252. Daoud, J.I. (2017). Multicollinearity and regression analysis, Journal of Physics: Conference Series. IOP Publishing, pp. 012009. Guo, X.-y. et al. (2018). Comparison of the spatio-temporal dynamics of vegetation between the Changbai Mountains of eastern Eurasia and the Appalachian Mountains of eastern North America. Journal of Mountain Science, 15(1): 1-12. Kilmer, J. and Rodríguez, R. (2017). Ordinary least squares regression is indicated for studies of allometry. Journal of evolutionary biology, 30(1): 4-12. Mayaud, J.R., Bailey, R.M. and Wiggs, G.F. (2017). A coupled vegetation/sediment transport model for dryland environments. Journal of Geophysical Research: Earth Surface, 122(4): 875-900. Miri, A., Dragovich, D. and Dong, Z. (2017). Vegetation morphologic and aerodynamic characteristics reduce aeolian erosion. Scientific reports, 7(1): 12831. Mohamad, I.B., Usman, D. (2013). Standardization and its effects on K-means clustering algorithm. Research Journal of Applied Sciences, Engineering and Technology, 6(17), 3299-3303. Pang, G., Wang, X. and Yang, M. (2017). Using the NDVI to identify variations in, and responses of, vegetation to climate change on the Tibetan Plateau from 1982 to 2012. Quaternary International, 444: 87-96. Piedallu, C., Chéret, V., Denux, J. P., Perez, V., Azcona, J. S., Seynave, I., & Gégout, J. C. (2019). Soil and climate differently impact NDVI patterns according to the season and the stand type. Science of the Total Environment, 651, 2874-2885.. Shahabfar, A., Ghulam, A. and Eitzinger, J. (2012). Drought monitoring in Iran using the perpendicular drought indices. International Journal of Applied Earth Observation and Geoinformation, 18: 119-127. Shekoohizadegan, S., Khosravi, H., Azarnivand, H., Zehtabian, G. and Raygani, B. (2017). Monitoring and evaluation of vegetation indices based on Fuzzy Logic using MODIS satellite Imagery (Case study: Bamou National park-Shiraz). Scientific - Research Quarterly of Geographical Data (SEPEHR), 25(100): 157-166. Shi, Y., Yu, M., Erfanian, A. and Wang, G. (2018). Modeling the Dynamic Vegetation–Climate System over China Using a Coupled Regional Model. Journal of Climate, 31(15): 6027-6049. Song, Y. and Ma, M. (2011). A statistical analysis of the relationship between climatic factors and the Normalized Difference Vegetation Index in China. International Journal of Remote Sensing, 32(14): 3947-3965. Thompson, C.G., Kim, R.S., Aloe, A.M. and Becker, B.J. (2017). Extracting the variance inflation factor and other multicollinearity diagnostics from typical regression results. Basic and Applied Social Psychology, 39(2): 81-90. White, H., (1980). Using least squares to approximate unknown regression functions. International Economic Review, 149-170. Xulu, S., Peerbhay, K., Gebreslasie, M. and Ismail, R. (2018). Drought Influence on Forest Plantations in Zululand, South Africa, Using MODIS Time Series and Climate Data. Forests, 9(9): 528. Zewdie, W., Csaplovics, E. and Inostroza, L. (2017). Monitoring ecosystem dynamics in northwestern Ethiopia using NDVI and climate variables to assess long term trends in dryland vegetation variability. Applied geography, 79: 167-178. Z Zhao, X., Hu, H., Shen, H., Zhou, D., Zhou, L., Myneni, R. B., & Fang, J. (2015). Satellite-indicated long-term vegetation changes and their drivers on the Mongolian Plateau. Landscape Ecology, 30(9), 1599-1611.