Behnaz Asefjah; Yahya Esmaeilpour; Ommolbanin bazrafshan; Hossein Zamani
Abstract
The past decade has seen a major revolution in vegetation monitoring using satellite imagery, resulting in quantitative indicators of vegetation with a professional processor in a web-based interactive development environment. In this study, using MOD13A1 and MOD13Q1 products of Modis sensor, the trend ...
Read More
The past decade has seen a major revolution in vegetation monitoring using satellite imagery, resulting in quantitative indicators of vegetation with a professional processor in a web-based interactive development environment. In this study, using MOD13A1 and MOD13Q1 products of Modis sensor, the trend of temporal and spatial changes of NDVI and EVI indices in Fars province in a period of 16 days from 2000 to 2020 was coded and processed monthly in Google Earth engine system. The results of this study showed that the average index of NDVI index is from minimum 0.11 to maximum 0.495 and the average index of EVI index is 0.1. According to the results obtained in this survey, in all the years from 2000 to 2020 in January, NDVI and EVI values had the highest values compared to other months, so that in January 2019 and January 2020, the highest EVI values averaged 0.22 and the NDVI values Was estimated to be 0.18. The lowest monthly average values of both indices occurred between 2000 and 2005, which indicates that the vegetation has been severely degraded during these years. The results of spatial changes using EVI index showed that the level of vegetation in Fars province in different months varied from 10,000 square kilometers to 22,000 square kilometers and from the perspective of NDVI index from 15,000 square kilometers to 30,000 square kilometers.
Emad Zakeri; Hamidreza karimzadeh; Seyed Alireza Mousavi
Abstract
Cover-management factor (C) is one of the most important influential factor on soil erosion using the Revised Universal Soil Loss Equation (RUSLE) model. C-factor is challenging to determine based on the proposed procedures due to lack of accurate information. Vegetation cover map can be used to estimate ...
Read More
Cover-management factor (C) is one of the most important influential factor on soil erosion using the Revised Universal Soil Loss Equation (RUSLE) model. C-factor is challenging to determine based on the proposed procedures due to lack of accurate information. Vegetation cover map can be used to estimate C-factor, but preparing a suitable mapping of vegetation cover is challenging in many situations. Therefore, in this study vegetation cover map was prepared and compared using the k Nearest Neighbor (k-NN) algorithm, linear regression (LR) and linear stepwise regression (LSR) in the study area. In regression methods, 17 vegetation and environmental indices were prepared and their relationships were investigated. The results of comparing the three methods showed that the k-NN method has better results than other regression methods due to its highest overall accuracy (83.3%) and kappa coefficient (75.9%) therefore, it was used to produce C-factor map. Results showed that the k-NN was very promising for mapping vegetation canopy cover in the arid and semi-arid areas. The results showed that among vegetation indices NDVI had the highest correlation (0.82) with percentage vegetation cover. Also, in the k-NN method, the Euclidean distance metrics in k = 9 has better results than the other two Fuzzy and Mahalanobis distances and can be used to estimation of vegetation cover map.
sahar sabaghzade; Mohammad Zare; Mohamad Hosein Mokhtari
Abstract
Vegetation is an important component of each global ecosystem. Determining of the biomass of plant is important to assess its impact upon climate, soil erosion, and as well for management of natural resources. The aim of this study was to estimate biomass using vegetation indices based on remote sensing. ...
Read More
Vegetation is an important component of each global ecosystem. Determining of the biomass of plant is important to assess its impact upon climate, soil erosion, and as well for management of natural resources. The aim of this study was to estimate biomass using vegetation indices based on remote sensing. The Landsat 8 data of May 2013 and field studies coinciding with field imaging in Marac (South Khorasan province) were used. Tamarix plant biomass measured in 30 random plots of 11 vegetation indices including DVI, IPVI, NDVI, PVI, RVI, SAVI, TSAVI, WDVI, and Tasselcap were used to estimate biomass of Tamarix.Then, using cluster analysis, vegetation indices were divided into three groups among which SAVI, RVI , and IPVI were chosen. The results showed that indexes which consider soil factors are more accurate than other measures. In this study, biomass map was prepared using the SAVI index.
Fazel Amiri; Hassan Yeganeh
Abstract
فرآیند ارزیابی پوشش گیاهی به وسیلة تصاویر ماهواره‌ای نیازمند استفاده از شاخص‌های گیاهی است. شاخص گیاهی بطور گسترده‌ای برای ارزیابی و پایش تغییرهای بو شناختی (اکولوژیک) ...
Read More
فرآیند ارزیابی پوشش گیاهی به وسیلة تصاویر ماهواره‌ای نیازمند استفاده از شاخص‌های گیاهی است. شاخص گیاهی بطور گسترده‌ای برای ارزیابی و پایش تغییرهای بو شناختی (اکولوژیک) مانند پوشش گیاهی، بیوماس پوشش سطح خاک و شاخص سطح برگ استفاده می‌شود. اهداف این مطالعه شامل بررسی قابلیت داده‌های ASTER به منظور برآورد پوشش گیاهی در حوزه آبخیز قره آقاچ و همچنین انتخاب شاخص‌های گیاهی مناسب در تهیه نقشه پوشش گیاهی منطقه، می‌باشد. پیش‌پردازش‌های مختلف شامل تصحیح هندسی با استفاده از تصاویر موجود مربوط اردیبهشت 1387 با RMSE حدود 5/0 پیکسل انجام شد و تصحیحات اتمسفری و توپوگرافی به ترتیب به کمک روش تفریق عارضه تاریک و مدل لامبرت انجام شد. از شاخص‌های گیاهی و طبقه‌بندی نظارت شده برای تهیه نقشه پوشش گیاهی استفاده شد. عملیات برداشت زمینی در اردیبهشت ماه 1387 در سطحی معادل 25/8962 هکتار آغاز شد. تیپ‌های مختلف گیاهی به روش نمونه‌برداری سیستماتیک- تصادفی، سطحی که اختلاف مهمی در ترکیب فلورستیک- فیزیونومیک نداشت، به عنوان تیپ گیاهی مستقل و یکنواخت در نظر گرفته شد. در کل منطقه حدود 60 نقطه تصادفی انتخاب و اندازه‌گیری پوشش گیاهی به روش برآورد انجام گرفت. اطلاعات رقومی و شاخص‌ها به عنوان متغیر مستقل و اطلاعات زمینی به عنوان متغیر وابسته معرفی شدند. معادلات مختلف با استفاده از شاخص‌ها بر روی تصاویر اعمال و سپس تصاویر به 5 کلاس پوشش طبقه بندی شد. در نهایت نقشه پوشش و نقاط نمونه‌برداری برای بررسی صحت نتایج، کنترل گردید. نقشه پوشش منطقه با اعمال پردازش‌های گوناگون بر روی تصویر تهیه گردید. با بهره گیری از سامانه اطلاعات جغرافیایی تمام لایه‌های اطلاعاتی با یکدیگر ترکیب و نقشه پوشش اراضی منطقه تهیه شد. نتایج این پژوهش نشان داد که، شاخص NDVI همبستگی بالایی با درصد پوشش گیاهی داشت (01/0P?). صحت کلی و ضریب کاپا برای نقشه پوشش با شاخص NDVI به ترتیب برابر 5/68 % و 4/72 % بدست آمد. نتایج این مطالعه نشان داد که پوشش گیاهی با درصد تاج پوشش 40-20 درصد، وسیع‌ترین طبقه تراکمی پوشش این منطقه می‌باشد. نتایج این پژوهش همچنان نشان داد که تصاویر سنجنده ASTER و شاخص‌های گیاهی ابزار قدرت مناسبی برای تهیه نقشه پوشش گیاهی می‌باشد. بنابراین، می توان از نقشه پوشش تهیه شده از داده‌های ASTER برای برآورد پوشش و تولید و ارزیابی مراتع استفاده کرد.
