بهناز آصف جاه؛ یحیی اسماعیل پور؛ ام البنین بذرافشان؛ حسین زمانی
چکیده
در دهه گذشته شاهد انقلابی بزرگ در پایش پوشش گیاهی با استفاده از تصاویر ماهوارهای بودیم که در نتیجه آن شاخص های کمی پوشش گیاهی با یک پردازش‌گر حرفه‌ای در یک محیط توسعه تعاملی مبتنی بر وب در دسترس کاربران قرار گرفت. در این مطالعه با استفاده از تولیدات MOD13A1 و MOD13Q1 سنجنده مودیس روند تغییرات زمانی و مکانی شاخصهای NDVI و EVI استان فارس در ...
بیشتر
در دهه گذشته شاهد انقلابی بزرگ در پایش پوشش گیاهی با استفاده از تصاویر ماهوارهای بودیم که در نتیجه آن شاخص های کمی پوشش گیاهی با یک پردازش‌گر حرفه‌ای در یک محیط توسعه تعاملی مبتنی بر وب در دسترس کاربران قرار گرفت. در این مطالعه با استفاده از تولیدات MOD13A1 و MOD13Q1 سنجنده مودیس روند تغییرات زمانی و مکانی شاخصهای NDVI و EVI استان فارس در بازه زمانی 16 روزه از سال 2000 تا 2020 به صورت ماهیانه در سامانه گوگل ارث انجین کد نویسی و مورد پردازش قرار گرفت. نتایج این مطالعه نشان داد نمایه میانگین شاخص NDVI از حداقل میانگین0.11- تا حداکثر 0.495 و نمایه میانگین شاخص EVI عدد 0.1 می‌باشد. بر اساس نتایج بدست آمده در این تحقیق در تمامی سال‌ها از 2000 تا 2020 در ماه ژانویه مقادیر NDVI وEVI نسبت به ماه‌های دیگر دارای بیشترین مقدار بود بطوریکه در ژانویه 2019 و ژانویه 2020 بیشترین مقدارEVI به طورمیانگین 0.22 و مقدار NDVI 0.18 برآورد گردید. کمترین مقادیر میانگین ماهانه هر دوشاخص در سال‌های 2000 تا 2005 اتفاق افتاده که نشان می دهد در این سال‌ها پوشش‌گیاهی به شدت تخریب یافته است. نتایج نشان داد ضریب همبستگی بین بارش و شاخص گیاهی NDVI مثبت و26/0 و ضریب همبستگی بین بارش و شاخص گیاهی EVI ،02/0 می‌باشد که نشان دهنده ارتباط مستقیم بین این دو متغییر بود. نتایج ضریب همبستگی دما و شاخص پوشش گیاهی NDVI 33/0- و شاخص EVI ، 07/0- نشان داد که رابطه بین شاخص پوشش گیاهی و دما غیر مستقیم می باشد
عماد ذاکری؛ حمیدرضا کریم زاده؛ سید علیرضا موسوی
چکیده
از میان فاکتورهای مدل اصلاح‌شده جهانی فرسایش خاک (RUSLE)، فاکتور پوشش و مدیریت (فاکتور C) یکی از عوامل مهم و اثرگذار بر میزان فرسایش خاک است. تعیین فاکتور C بر اساس روش‌های اصلی معرفی‌شده با توجه به فقدان اطلاعات دقیق در بسیاری از مناطق مشکل است. در این روش نقشۀ پوشش گیاهی می‌تواند در جهت برآورد فاکتور C مورد استفاده قرار گیرد، اما تهیۀ ...
بیشتر
از میان فاکتورهای مدل اصلاح‌شده جهانی فرسایش خاک (RUSLE)، فاکتور پوشش و مدیریت (فاکتور C) یکی از عوامل مهم و اثرگذار بر میزان فرسایش خاک است. تعیین فاکتور C بر اساس روش‌های اصلی معرفی‌شده با توجه به فقدان اطلاعات دقیق در بسیاری از مناطق مشکل است. در این روش نقشۀ پوشش گیاهی می‌تواند در جهت برآورد فاکتور C مورد استفاده قرار گیرد، اما تهیۀ نقشۀ مناسب از درصد پوشش گیاهی در بسیاری از شرایط یک چالش است. درنتیجه در این مطالعه نقشۀ درصد تاج پوشش گیاهی تهیه شده با استفاده از الگوریتم نا پارامتریک k-NN، رگرسیون خطی و رگرسیون خطی گام‌به‌گام در حوضۀ آبخیز شیرین درۀ خراسان شمالی تهیه و مورد مقایسه قرار گرفت. در روش‌های رگرسیونی 17 شاخص گیاهی و محیطی تهیه و روابط آن‌ها بررسی شد. نتایج مقایسۀ نقشه‌های حاصل از 3 روش نشان داد که روش k-NN به دلیل دارا بودن بالاترین درصد صحت کلی (3/83 درصد) و ضریب کاپا (9/75 درصد) نسبت به دو روش رگرسیونی دیگر از نتایج مناسب‌تری برخوردار است، ازاین‌رو جهت تهیۀ فاکتور مدیریت و پوشش (C) مورداستفاده قرار گرفت. نتایج مطالعه نشان داد که روش نا پارامتریک k-NN دارای نتایج امیدوارکننده‌ای در جهت تهیۀ نقشه‌های درصد تاج پوشش گیاهی مراتع مناطق خشک و نیمه‌خشک است. در میان شاخصهای گیاهی شاخص گیاهی NDVI بیشترین همبستگی (82/0) را با درصد پوشش گیاهی دارد. همچنین درروش k-NN معیار فاصلۀ اقلیدسی در نقطۀ 9=k نسبت به دو معیار دیگر ماهالانوبیس و فازی نتایج مناسب‌تری دارد و می‌تواند نقشه درصد پوشش گیاهی را با دقت بالاتری برآورد نماید.
سحر صباغ زاده؛ محمد زارع؛ محمد حسین مختاری
چکیده
پوشش گیاهی به عنوان یکی از مهمترین اجزای هر اکوسیستم بهشمار میرود. تعیین بیوماس هر گیاه بهمنظور تاًثیر آن بر اقلیم، فرسایش خاک و مدیریت منابعطبیعی بسیار ضروری است. هدف از این تحقیق، برآورد بیوماس با استفاده از شاخصهای پوشش گیاهی مبتنی بر سنجش از دور است. در این تحقیق از دادههای ماهوارهای لندست 8، مربوط به اردیبهشت ...
بیشتر
پوشش گیاهی به عنوان یکی از مهمترین اجزای هر اکوسیستم بهشمار میرود. تعیین بیوماس هر گیاه بهمنظور تاًثیر آن بر اقلیم، فرسایش خاک و مدیریت منابعطبیعی بسیار ضروری است. هدف از این تحقیق، برآورد بیوماس با استفاده از شاخصهای پوشش گیاهی مبتنی بر سنجش از دور است. در این تحقیق از دادههای ماهوارهای لندست 8، مربوط به اردیبهشت ماه 1393 و مطالعات میدانی همزمان با تاریخ تصویربرداری در حوزه مرک (خراسان جنوبی) استفاده گردید. میزان بیوماس گیاه تاغ در 30 پلات تصادفی اندازهگیری و از 11 شاخص پوشش گیاهی شامل DVI, IPVI, NDVI, PVI, RVI, SAVI, TSAVI, WDVI, و Tasselcap بهمنظور برآورد بیوماس گیاه تاغ (زرد تاغ) استفاده شد. سپس با استفاده از آنالیز خوشهای شاخصهای گیاهی به سه گروه تقسیم شدند که از بین این سه گروه، شاخص SAVI و شاخص IPVI و RVI انتخاب شدند. نتایج نشان داد شاخصهایی که ضرایب خاک را در نظر میگیرند نسبت به سایر شاخصها از دقت بالاتری برخوردارند. در این تحقیق با استفاده از شاخص SAVI نقشه بیوماس تهیه شد.
فاضل امیری؛ حسن یگانه
چکیده
Assessment process of vegetation cover by remote-sensing images should be based on understanding of the vegetation indices. Vegetation indices are widely used for assessing and monitoring ecological variables such as vegetation cover, above-ground biomass and leaf area index. The aim of the present research was to study of the ASTER data capabilities to estimate the vegetation cover percentage on Ghareh Aghaj Watershed as well as selecting proper vegetation indices for vegetation cover procurement. Various preprocessing, including image rectification was applied with geo-referencing of the image ...
بیشتر
Assessment process of vegetation cover by remote-sensing images should be based on understanding of the vegetation indices. Vegetation indices are widely used for assessing and monitoring ecological variables such as vegetation cover, above-ground biomass and leaf area index. The aim of the present research was to study of the ASTER data capabilities to estimate the vegetation cover percentage on Ghareh Aghaj Watershed as well as selecting proper vegetation indices for vegetation cover procurement. Various preprocessing, including image rectification was applied with geo-referencing of the image to a registered image with RMSE of 0.5 pixel. The atmospheric and topographic corrections were applied using subtraction of dark object's method and the Lambert method accordingly. Image processing, including vegetation indices and supervised classification were employed to produce the vegetation cover map. Field data collection was started on June 2008 on 8962.25 ha and prolonged about two months. Various vegetation types were sampled using the stratified random sampling method. Sixty random sampling points were selected, and the vegetation cover percentage was estimated with estimation of checking method. Digital data and the Indices maps were used as independent data and the field data as dependent variables. The resulted models were processed on, and the resulted images were categorized in five classes. Finally, the produced maps were controlled for their accuracy. The results confirmed that the NDVI vegetation indices were significantly correlated with field cover data (P?0.01), the strongest relationships explaining relatively 78% of the variance in the field measurements (R2=0.38). Other vegetation indices were not significantly related to vegetation cover percentage of the field data. The total validity and the Kappa coefficient for this map are 68.5% and 72.4%. On these sites, the R square was exceeded to 85%. Most of the produced maps had higher accuracies with NDVI indices, and their Kappa was very high. During the growing seasons, the most rangeland products changes, belongs to class 5 and 2 in the NDVI and SAVI indices map. The outcoming results of this study prove that the ASTER data estimates the plant production very well. Through this tool, one can monitor the hay production that is very useful for resources management as well as decision making for logic rangeland utilization. Generally introduced indices, provided accurate quantitative estimation of the parameters. Therefore, it is possible to estimate cover and production as important factors for rangeland monitoring using ASTER data.
