امکان‌سنجی تشخیص تغییرات پوشش گیاهی مبتنی بر شاخص‌های زمینی و ماهواره‌ای خشکسالی (مطالعه موردی: استان کرمانشاه)

نویسندگان

1 دانشجوی کارشناسی ارشد هواشناسی کشاورزی، گروه مهندسی آبیاری وآبادانی، دانشگاه تهران

2 استادیار گروه مهندسی آبیاری و آبادانی، دانشگاه تهران

3 استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان

چکیده

خشکسالی نه تنها بر تولیدات کشاورزی و منابع آب بلکه بر پوشش گیاهی طبیعی یک منطقه نیز تأثیر گذاشته و گسترش نواحی بیابانی را تسریع می‌کند. امروزه تشخیص تأثیر خشکسالی بر پوشش گیاهی از نظر زمانی و مکانی توسط تصاویر سنجش از دور و با تعریف شاخص­های مختلف امکان­پذیر شده است. هدف از این مطالعه، امکان‌سنجی تشخیص تغییرات رخ داده در پوشش گیاهی منطقه بر اثر خشکسالی با استفاده از شاخص­های ماهواره­ای خشکسالی است. به این منظور از روش تجزیه و تحلیل بردار تغییر به عنوان یکی از الگوریتم­های تشخیص تغییر استفاده شد. در این روش، تغییر رخ داده در پوشش گیاهی به برداری موسوم به بردار تغییر نسبت داده می‌شود. بردار تغییر با دو مولفه اندازه تغییر و جهت تغییر نشان داده می­شود. بردار تغییر برای چهار شاخص ماهواره­ای مبتنی بر پوشش گیاهی حاصل از سنجنده AVHRR ماهواره NOAA و یک شاخص زمینی محاسبه شد. شاخص‌های ماهواره‌ای شامل شاخص اختلاف نرمال شده پوشش گیاهی (NDVI)، شاخص اختلاف نرمال شده پوشش گیاهی غیر متعارف (NDVIA)، شاخص شرایط پوشش گیاهی (VCI)، شاخص تغییر شکل گیاهی اصلاح شده (CTVI) و تنها شاخص زمینی مورد مطالعه، شاخص بارندگی استاندارد شده (SPI) می‌باشد. نتایج حاصله نشان داد که شاخص‌های ماهواره‌ای از نظر تشخیص اندازه تغییر، همبستگی خوبی با یکدیگر دارند. بیشترین همبستگی بین شاخص­های ماهواره­ای با شاخص زمینی مربوط به شاخص NDVI و کمترین همبستگی مربوط به شاخص VCI می­باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Study of plant vegetation variations using remote sensing and ground-based drought indices (Case study: Kermanshah province)

نویسندگان [English]

  • S. Ebrahimzadeh 1
  • J. Bazrafshan 2
  • Kh. Ghorbani 3
1 M.Sc. Student of Irrigation and Reclamation Engineering Department, University of Tehran, Karaj.
2 Assistant Professor of Irrigation and Reclamation Engineering Department, University of Tehran, Karaj.
3 Assistant Professor of Irrigation and Reclamation Engineering Department, University of Agricultural Sciences & Natural Resources, Gorgan.
چکیده [English]

Drought affects not only agricultural productions and water resources but also the vegetation cover of a region and promotes the desertification. Investigation of drought effect on spatial and temporal variations of vegetation cover as is widely performed using drought indices derived from satellite images. The aim of this study is to find out whether it is possible to detect the changes in vegetation cover using satellite drought indices. To achieve this goal, the change vector (CV) analysis as one of the change detection algorithms, was used. In this method, the change occurred in vegetation has been attributed to the change vector. The change vector contains two components, change magnitude and change orientation. In this paper, the CV was calculated by four satellite drought indices based on the condition of vegetation, namely NDVI, NDVIA, VCI, CTVI using NOAA AVHRR images, and one ground-based drought index, namely Standardized Precipitation Index (SPI). The results showed that satellite drought indices have a high correlation in detection of the change magnitude. The highest and lowest correlation between satellite-based drought indices and the SPI were observed for NDVI and VCI, respectively.
 

کلیدواژه‌ها [English]

  • Drought
  • Change Vector
  • Vegetation
  • Satellite Drought Indices
  • VHRR

بذرافشان، ج. 1381. مطالعه تطبیقی برخی نمایه­های خشکسالی هواشناسی در چند نمونه­ی اقلیمی ایران. پایان­نامه­ی کارشناسی ارشد، رشته هواشناسی کشاورزی، دانشگاه تهران، دانشکده کشاورزی کرج.

طاهرزاده، ع. 1385. تحلیل خشکسالی با استفاده از تکنیک­های سنجش از دور و GIS در حوزه آبریز میناب. پایان­نامه کارشناسی ارشد، دانشگاه تربیت مدرس.

Baker, C., Lawrence, R. L., Montagne, C., Patten, D. 2007. Change detection of wetland ecosystems using landsat imagery and change vector analysis. Wetlands, 27(3):610-619.

Cohen, W., Fiorella, M. 1998. Comparison of methods for detecting conifer forest change with thematic mapper imagery. In R. S. Lunetta &C. D. Elvidge (Eds.), Remote sensing change detection: Environmental monitoring methods and applications (pp. 89−102). Michigan, USA: Ann Arbor Press.

Kauth, R. J., Thomas, G. S. 1976. The ussled cap-a graphic description of the spectral–temporal development of agricultural crops as seen by Landsat.Proceedings of the Symposium on Machine Processing of Remotely Sensed Data (pp. 4B41−4B51). West Lafayette, Indiana, USA: Purdue University.

Kuzera, K., Rogan, J. 2005. Monitoring vegetation regeneration and deforestation using change vector analysis: Mt. St. Helens study area. Proc. ASPRS annual conference, Baltimore, Maryland,USA.

Lambin, E. F., Ehrlich, D. 1997. Land-cover changes in Sub-Saharan Africa (1982–1991): Application of a change index based on remotely sensed surface temperature and vegetation indices at a continental scale. Remote Sens. Environ., 61: 181−200.

Lambin, E. F., Strahler,  A. H. 1994. Change-vector analysis in multitemporal space: A tool to detect and categorize land-cover change processes using high temporal-resolution satellite data. Remote Sens.  Environ., 48: 231−244.

Lu, D., Mausel, P., Brondizio, E., Moran, E. 2003. Change detection techniques. Int. J. Remote Sens., 25(12): 2365–2407.

Lunetta, R. S., Elvidge, C. D. 1998. Remote sensing change detection:Environmental monitoring methods and applications (pp. 318). Michigan, USA: Ann Arbor Press.

Mc Kee, T. B., Doesken, N. J., Kleist, J. 1993. The relationship of drought frequency and duration to time scale. Preprints, Eighth Conf. on Applied Climatology, Anaheim, CA, Amer. Meteorol. Soc., 179-184.

Rahimzadeh, P., Darvishsefat, A., Khalili, A., Makhdom, A. 2008. Using AVHRR-based vegetation indices for drought monitoring in the northwest of Iran. J.  Arid Environ., 72: 1086-1096.

Singh, A. 1989. Digital change detection techniques using remotely sensed data. Int. J. Remote Sens., 10: 989–100.

Tong Si, S., LAN Pham Thi, L. P. 2009. Land Cover Change Analysis Using Change Vector Analysis Method in Duy Tien District, Ha Nam Province in Vietnam. 7th FIG Regional Conference Spatial Data Serving People: Land Governance and the Environment  Vietnam, 19-22 October.