برآورد تغییرات جنگل براساس عوامل اقلیمی با استفاده ازتصاویر ماهواره ای

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار ژئومورفولوژی، دانشکده جغرافیای دانشگاه خوارزمی

2 استادیار اقلیم شناسی، گروه جغرافیای دانشگاه رازی کرمانشاه

3 دانشجوی دکتری اقلیم شناسی، گروه جغرافیای دانشگاه رازی کرمانشاه

چکیده

پوشش گیاهی ارتباط زیادی با شرایط اقلیمی دارد. شناسایی تغییرپذیری فصلی رشد گیاه برای شناسایی پاسخ اکوسیستمها به تغییر اقلیم در مقیاسهای زمانی فصلی و بین سالیانه تعیین کننده است. برای ارائه مدل پیشبینی 7 عنصر آب و هوایی شامل بارش، دما و رطوبتنسبی (حداکثر، میانگین و حداقل) برای دوره 20 ساله (2006-1987) در 141 ایستگاه سینوپتیک و کلیماتولوژی به داده فضایی تبدیل شد.ترکیب مقادیر حداکثر ماهانه NDVI از تصاویر NOAA-AVHRR  در همان دورهاستخراج گردید. سپس عناصر آب و هوایی به عنوان متغیر مستقل و NDVI به عنوان متغیر وابسته در رگرسیون خطی چند متغیره وارد شد. نتایج نشان داد که بالاترین ضریب همبستگی بین عناصر اقلیمی و مقدار NDVI در ماه می به مقدار 82/0 اتفاق میافتد که اوج سبزینگی است. کمترین همبستگی در زمستان بهخاطر نبود رشد کافی درختان میباشد. ضریب همبستگی سالانه مقدار مدل با حالت محاسباتی با در نظر گرفتن خطای تصادفی بیش از 93/0 میباشد. در مجموع مقدار محاسباتی ماه می و ژوئن برای سالهای 2004 و 2005 به ضریب همبستگی مدل نزدیک است، اما در ماههای زمستان به دلیل نبود سبزینگی ضریب همبستگی کم میشود. در سال 2006 به دلیل خشکی شدیدتر در اواخر بهار (ماه ژوئن) پیشبینی کمتری صورت گرفته است. در زمستان نقش کنترلی دما بیش از بارش و رطوبت نسبی است، اما با افزایش دما و کاهش بارش و رطوبت نسبی از اوایل ماه می نقش بارش و رطوبت نسبی مثبت و دما منفی میشود. فصل پاییز از نقش بارش کاسته و دما افزوده میشود.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of forest changes based on climatic factors using satellite images

نویسندگان [English]

  • Ali Ahmadabadi 1
  • Amanollah Fathnia 2
  • Saeed Rajaei 3
1 Assisstant Prof. Dep. Of geomorphology, Kharazmi University, Tehran, Iran
2 Assisstant Prof. Dep. Of geography, Razi University, Kermanshah, Iran
3 Ph.D. Student, Climatology, Dep. Of geography, Razi University, Kermanshah, Iran
چکیده [English]

Abstract[1]
Vegetation cover has a high relationship with climatic conditions. Identification of the seasonal variation of plant growth to determine the response of ecosystems to climate change in seasonal and inter-annual time scales is decisive.To present a prediction model, 7 climatic elements including precipitation, temperature and relative humidity (maximum, average and minimum) for a 20 year period (1987-2006) were converted into spatial data in 141 synoptic and climatological stations. The combination of maximum monthly NDVI values from NOAA-AVHRR images was extracted in the same period. Then climatic elements and NDVI entered the multivariate linear regression as independent variable and dependent variable respectively. The results showed that the highest correlation coefficient between climatic elements and the amount of NDVI was 0.82 and happens in May that is the peak of greenery. The least correlation in winter is due to the lack of sufficient tree growth. Taking into account the random error, the annual correlation coefficient of the model amount with computational mode is more than 93/0. In total, the computational value of May and June for 2004 and 2005 is close to the correlation coefficient of the model, but in the winter months, the correlation coefficient decreases due to lack of greenness.In 2006, there was less prediction due to more severe dryness in the late spring (June). In winter, the role of temperature control is more than rainfall and relative humidity, but with increasing temperature and decreasing precipitation and relative humidity, the role of precipitation and relative humidity becomes positive and temperature becomes negative from the beginning of May. In the autumn, the role of precipitation decreases and the temperature is increased.



[1] -  به دلیل کیفیت نامناسب متن چکیده مبسوط انگلیسیِ ارائه شده توسط نویسنده مسئول مقاله، نشریه به ناچار اقدام به ترجمه مجدد متن چکیده فارسی و انتشار آن به جای چکیده مبسوط انگلیسی نموده است.

کلیدواژه‌ها [English]

  • NDVI
  • Forest
  • Climatic Factors
  • Iran

1- Baker, M. J., 2003. The marketing book, fifth edition, Oxford OX2 8DP, (google book online).

2- Charney, J. G., W. J. Quirk, S. Chow, & J. Kornfield, 1977. A comparative study of the effects of albedo change on drought in the semiarid regions, J. of Atmospheric Sciences, 34, PP: 1366- 1385.

3- Chen, Y. H., X. B.Li, & P. J. Shi, 2001. Variation in NDVI driven by climate factors across China, 1982–1992, Acta PhytoecologicaSinica, 25(6): 716–720.

4- Courel, M. F., R. S. Kandel, & S. I., Rasool, 1984. Surface albedo and the Sahel drought. Nature, 307, PP: 528- 531.

5- Dale, V. H., L. A. Joyce, S. McNulty, & R. P. Neilson, 2000. The interplay between climate change, forest, and disturbances, Science of the Total Environment, 262, 201–204.

6- Hughes, L., 2000. Biological consequences of global warming: Is the signal already, Trends in Ecology and Evolution, 15: 56–61.

7- IPCC, 2001. Third assessment report of the intergovernmental panel on climate change IPCC, WG I, Cambridge: Cambridge University Press, 94pp.

8- Myneni, R. B., C. D. Keeling, C. J. Tucker, G. Asrar, & R. R. Nemani, 1997. Increase plant growth in the north high latitudes from 1981–1991, Nature, 386: 698–702.

9- Osborne, C. P., 2004. Modelling the ecology of plants. In J. Wainwright, & M. Mulligan (Eds.) Environmental modeling, pp. 143–155.

10- Pettorelli, N., J. O. Vik, A. Mysterud, J. M. Gaillard, C. J. Tucker, & N. Stenseth, 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change, Trends in Ecology and Evolution, 20: 503–510.

11- Potter, C.S., & V. Brooks, 1998. Global analysis of empirical relations between annual climate and seasonality of NDVI, International Journal of Remote Sensing, 15: 2921–2948.

12- Rasool, S. I., 1993. Systeme Terre, (France: Dominos Flammarion), P: 12.

13- Saugier, B., 1996. vegetation et atmosphere, (France: Dominos Flammarion), P: 107.

14- Tucker, C. J., D. A. Slyback, J. E. Pinzon, S. O. Los, R. B. Myneni, & M. G. Taylor, 2001. Higher northern latitude NDVI and growing season trends from 1982–1999, International Journal of Biometeorology, 45: 184–190.

15- Walther, G. R., E. Post, P. Convey, A. Menzel, C. Parmesank, & T. J. C. Beebee, 2002. Ecological responses to recent climate change, Nature, 416, 389–395.

16- Zhou, L. M., C.J. Tucker, R.K. Kaufmann, D. Slayback, N.V. Shabanov, & R.B. Myneni, 2001. Variations in northern vegetation activity inferred from satellite data of vegetation index during 1981 to 1999, Journal of Geophysical Research, 106 (17): 20069–20083.