شناسایی مناطق آسیب‌پذیر پوشش گیاهی به خشکسالی با استفاده از سنجش از دور (مطالعه موردی: استان بوشهر)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای دانشکده منابع طبیعی و علوم زمین دانشگاه کاشان، ایران

2 استادیار دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، ایران

3 استاد دانشکده منابع طبیعی، دانشگاه تهران، ایران

4 دانشیار دانشکده منابع طبیعی، دانشگاه تهران، ایران

چکیده

به منظور درک بهتر تأثیر خشکسالی بر روی پوشش گیاهی در منطقه خشک بردخون واقع در جنوب غرب ایران، آنالیز تصاویر ماهواره­ای MODIS با ‌فاصله‌ زمانی‌‌16روزه، طی سال­های 2000 - 2015 با استفاده از شاخص­های پوشش گیاهی ­NDVI، EVI، SAVI­، روش SPI، نمونه­برداری میدانی و سیستم اطلاعات جغرافیایی در طول فصل رشد انجام گردید. در تحقیـق حاضر، نقشه واقعیت زمینی با روش نمونه‌گیری و پیمایش­های میدانی تهیه و سپس اطـلاعـات مربوط به پوشش متعلق به 290 پلات در قالب 29 واحد نمونه برداری جمع­آوری گردید. سپس میزان همبستگی بین شاخص­های گیاهی و داده­های میدانی محاسبه، و برای هر شاخص، مدل پوشش گیاهی بدست آمد. به منظور بررسی اثر خشکسالی بر پوشش گیاهی، خشکسالی با استفاده از روش  SPIاز داده­های ‌بارندگی 14 ایستگاه هواشناسی درون و اطراف منطقه مورد مطالعه، در بازه ‌زمانی‌ مشابه ‌با تصاویر‌ ‌ماهواره­ای استخراج گردید. نتایج تحقیق نشان داد که شاخص NDVI بیشترین همبستگی (R2=0.56) را بین شاخص­ها دارد و جهت تهیه نقشه درصد پوشش گیاهی انتخاب گردید. بررسی بین مقادیر شاخص NDVI با شاخص خشکسالی در بازه­های زمانی مختلف نشان داد که بیشترین همبستگی بین شاخص پوشش گیاهی با  SPIشش ماهه وجود دارد. بر اساس آنالیز شاخص خشکسالی مشخص شد که منطقه مورد مطالعه در سال 2012 شدیدترین خشکسالی و سال 2004 بهترین  وضعیت ترسالی را تجربه کرده است. همین روند تغییرات در پوشش گیاهی بر اساس شاخص NDVI مشاهده شد. مقایسه تصاویر طبقه­بندی شده بین سال­های 2012 و 2004 (با تغییر 42 درصدی پوشش گیاهی ضعیف) نشان­دهنده اثر خشکسالی بر روی پوشش گیاهی در منطقه مورد مطالعه است. نتایج نشان داد، همبستگی بین SPI و شاخص پوشش گیاهی می­تواند برای شناسایی خشکسالی کشاورزی مفید باشد.

کلیدواژه‌ها


[1] Arzani,H., Baseiri, M., Dehdari, S. and Zarie chahoki,M.A. (2009). Relationships between canopy cover, foliage cover and basal cover with production. Iranian journal of natural resources, 61(3), 773-763.    

[2] Abrams, M. D., Ruffuer, M. C. and Morgan, T. A. (1998). Tree-ring responses to drought across species and contrasting sites in the ridge and valley of central Pennsylvania, Forest Science, 44, 550–558.

 [3] Abrams, M. D., Schultz, J. C. and Kleiner, K.W. (1990). Ecophysiological responses in mesic versus xeric hardwood species to an early-season drought in central Pennsylvania. Forest Science, 36, 970–981.

 [4] Arshad S, Morid S., Reza Mobasheri.M, and Agha Alikhani.M.( 2008). Development of agricultural drought risk assessment model for Kermanshah province (Iran), using satellite data and intelligence methods. Option Mediterrianeennes, Series A, 80.

 [5] Asghari Tabrizi, A., Khalili, D., Kamgar-Haghigh, A. A. and Zand-Parsa, Sh. (2010). Utilization of time based meteorological droughts to investigate occurrence of stream flow droughts. Water Resources Management, 24, 4287-4306.

 [6] Baaghideh, M., Alijani, B. and Ziaian, P. (2012). Evaluating the possibility of using the NDVI index to analyze and monitor droughts in Esfahan Province. Arid regions Geographic Studies, 1 (4),1-6.

[7] Brian D.W., Martha, C. A. and James, P.V. (2012). Remote sensing of drought. Taylor & Francis Group, 6, 9552–9575.

 [8]   Bhuiyan, C. (2008). Desert vegetarian during droughts: Response and sensitivity. The International archives of the Photogrammetry. Remote Sensing and Spatial Information Science, XXXVII Part B8, 907-912.

 [9]  Bhuiyan, C., Singh, R.P. and Kogan, F.N. (2006). Monitoring drought dynamics in the Aravalli region (India) using different indices based on ground and remote sensing data. International Journal of Applied Earth Observation and Geo information, 8, 289–302.

[10] Carreiras, J. M. B., Pereira, J. M. C. and Pereira, J. S. (2006). Estimation of tree canopy cover in evergreen Oak woodlandsu remote sensing. Forest Ecology and Management, 223, 45-53.

[11] Chakraborthy, A., Sehgal, V.K. (2010). Assessment of agricultural drought using MODIS derived normalized difference water index. Journal of Agricultural Physics, 10, 28-36.

 [12] Dabrowska-Zielinska K., Kogan F., Ciolkosz A., Gruszczynska M. & Kowalik W. (2002). Modelling of crop growth conditions and crop yield in Poland using AVHRR based indices. International Journal of Remote Sensing, 23(6), 1109-1123.

[13] Franklin, J. and Hiernaux, P.H.Y. (1991). Estimating foliage and woody biomass in Sahelian and Sudanian
woodlands using a remote sensing model. Intentional Journal Remote Sensing 12, 1387–1404.

[14] Gouveia, C.M., Trigo, R.M., Beguería, S. and Vicente-Serrano, S.M. (2017). Drought impacts on vegetation activity in the Mediterranean region: An assessment using remote sensing data and multi-scale drought indicators. Global and Planetary Change, 15, 15–27.

[15] Hielkema, J. U., Prince, S. D. and Astle, W. L. (1986). Rainfall and vegetation monitoring in the Savanna zone of Democratic Republic Sudan using NOAA advanced very high resolution radiometer. International Journal of Remote Sensing, 7, 1499 1514.

[16] Hanson, P. J. and Weltzin, J. F. (2000). Drought disturbance from climate change: response of United States forests. Science Total Environment, 262, 205–220.

[17] Hasan, M. and Saiful Islam, A. K. M. (2011). Drought assessment using remote sensing and GIs In North-West region of Bangladesh, 3rd International Conference on Water & Flood Management ICWFM-2011,pp.1-8.

[18] Jafari, M., Zehtabian, G.H., Ehsani, A.H. and Menbari, S. (2013). The study of land cover condition using landsat satellite (ETM+) data. Iranian Journal of Range and Desert Reseach, 20(2), 285-297.

[19] Justice, C., Townshend, J.R.D. and Chaudhary B.J. (1989). Comparision of AVHRR and SMMR data for monitoring vegetation phenology on the continental scale. International journal Remote Sensing, 14,603–608.

 [20] Ji, L. and Peters, A.J. (2003). Assessing vegetation response to drought in the northern Great Plains using vegetation and drought indices. Remote Sensing Environment, 87, 85–98.

[21] Khosravi, H., Haydari, E., Shekoohizadegan, S. and Zareie, S. (2017). Assessment the effect of drought on vegetation in desert area using Landsat data. The Egyptian Journal of Remote Sensing and Space Sciences, 20, S3–S12.

 [22] Kozlowski, T. T., Kramer, P. J. and Pallardy, S. G. (1991). The Physiological ecology of woody plants. Academic Press, San Diego.

[23] McCoy RM. (2005). Field methods in remote sensing, Guilford,159.

[24] Mohammadi Golrang, B., Gazanchian, A. Gh., Ramzani Moghadam, R. and  Falahati, H. (2009).  Estimation of forage yields of some range plant species by plant height and diameter measurements. Iranian Journal of Range and Desert Research, 15 (2), 178-158.

[25] Narasimhan, B. and Srinivasan, R. (2005).  Development and evaluation of soil moisture deficit index and evapotranspiration deficit index for agricultural drought monitoring. Agricultural and Forest Meteorology, 133, 69-88.

[26] Pang, G., Wang, X. and Yang, M. (2016). Using the NDVI to identify variations in, and responses of, vegetation to climate change on the Tibetan Plateau from 1982 to 2012. Quaternary International, xxx, 1-10.

[27] Rezaeimoghadam, M.H., Valizadeh Kamran, Kh., Rostamzadeh, H. and  Rezaee A.(2012). Evaluating the Adequacy of MODIS in the Assessment of Drought (Case Study: Urmia Lake Basin). Journal of Geography and Environmental Sustainability, 25 (5), 37-52.   

 [28] Rahdari, V. and Maleki Najaf abadi, S. (2011). Compression of Vegetation Indices for Vegetation Cover Mapping in Arid and Semi-arid Environment Using Satellite Data (case study: Mouteh Wild Life Sanctuary). Remote sensing and Geographic information system, 1(1).79-87. 

 [29]Sergio, M, V. (2007). Evaluating the Impact of drought using remote sensing in a Mediterranean semi-arid region. Natural Hazards, 40,173–208.

[30]Srivastava, S.K., Jayaraman, V., Nageswar Rao, P.P., Manikiam, B. and Chandraeskhar, M.G. (1994). Agro climatic zonal characterization using NOAA AVHRR and meteorological data, IAF-94-B.5.107. Proceeding of the 45th Congress of International Astronotical Federation 9–14 October, Jerusalem, Isarel.

[31] Srut.,S. and Aslam, M.A.M.(2015).Agricultural drought analysis using the NDVI and land surface temperature data; a case study of Raichur district. Aquatic Procedia, 4, 1258 – 1264.

[32] Thenkabail P.S., Enclona E.A., Ashton M.S., Legg, C. and Jean De Dieu, M. (2004). The use of remote sensing data for drought assessment and monitoring in south west Asia. International Water Management Institute, PO Box 2075,Colombo, Sri Lanka.

 [33] Vianas, O. and  Baulies, X. (2004). 1:250000 Land use map Landsat TM data.  International Journal of Remote sensing. 16(1), 129-146.

[34] Wilhelmi, O. V. and Wilhite, D. A. (2002), Assessing vulnerability to agricultural drought: a Nebraska case study. Natural Hazards, 25, 37–58.

[35] Wu, H. and Wilhite, D. A. (2004), an operational agricultural drought risk assessment model for Nebraska, USA, Natural Hazards, 33, 1–21.