ازتصاویرماهوارهای استفاده با اقلیمی عوامل براساس جنگل تغییرات برآورد 2 فتحنیا اله امان 1 احمدآبادی علی 3 رجایی سعید 94/11/06 مقاله: پذیرش تاریخ 94/05/07 مقاله: دریافت تاریخ ********* چکيده به اکوسيستمها پاسخ شناسايي براي گياه رشد فصلي تغييرپذيري شناسايي دارد. اقليمي شرايط با زيادي ارتباط گياهي پوشش بارش شامل هوایی و آب عنصر 7 پیشبینی مدل ارائه برای است. کننده تعيين ساليانه بين و فصلي زماني مقياسهاي در اقليم تغيير به کليماتولوژي و سينوپتيک ايستگاه 141 در )1987-2006( ساله 20 دوره برای حداقل( و میانگین )حداکثر رطوبتنسبی و دما سپس گردید. استخراج دوره همان در NOAA-AVHRR تصاویر از NDVI ماهانه حداکثر مقادیر شد.ترکیب تبدیل فضایی داده داد نشان نتایج شد. وارد متغیره چند خطی رگرسیون در وابسته متغیر عنوان به NDVI و مستقل متغیر عنوان به هوایی و آب عناصر است. سبزینگی اوج که میافتد اتفاق 0/82 مقدار به می ماه در NDVI مقدار و اقلیمی عناصر بین همبستگی ضریب باالترین که با محاسباتی حالت با مدل مقدار ساالنه همبستگی ضریب میباشد. درختان کافی رشد نبود بهخاطر زمستان در همبستگی کمترین هب 2005 و 2004 سالهای برای ژوئن و می ماه محاسباتی مقدار مجموع در میباشد. 0/93 از بیش تصادفی خطای گرفتن نظر در هب 2006 سال در میشود. کم همبستگی ضریب سبزینگی نبود دلیل به زمستان ماههای در اما است نزدیک مدل همبستگی ضریب و بارش از بیش دما کنترلی نقش زمستان در است. گرفته صورت کمتری پیشبینی ژوئن( )ماه بهار اواخر در شدیدتر خشکی دلیل منفی دما و مثبت نسبی رطوبت و بارش نقش می ماه اوایل از نسبی رطوبت و بارش کاهش و دما افزایش با اما است نسبی رطوبت میشود. افزوده دما و کاسته بارش نقش از پاییز فصل میشود. ایران. هوایی و آب عناصر جنگل کلیدی: NDVI واژههای ********* ahmadabadi@khu.ac.ir مسئول( )نویسنده خوارزمی دانشگاه جغرافیای دانشکده ژئومورفولوژی استادیار 1- a_fathnia2007@yahoo.com کرمانشاه رازی دانشگاه جغرافیای گروه اقلیمشناسی استادیار 2- saied.rajaee@gmail.com کرمانشاه رازی دانشگاه جغرافیای گروه اقلیمشناسی دکتری دانشجوی 3-
96 تابستان 102 شماره دوره 26 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.26,No.102, Summer 2017 / 128.(Dale et al., 2000; Osborne, 2004; Pettorelli et al., 2005 ) مقدمه شرايط بر تأثيرگذار عوامل مهمترين از يکي هوا و آب ارتباط گياهي پوشش فضايي توزيع ميباشد. گياهي پوشش ديگر بهعبارت.(Saugier, (1996 دارد اقليمي شرايط با زيادي تبخير زبري طريق از هوا و آب روي پسخورندي اثر يک آساني به پسخورند اين اثر اما (Rasool, (1993 دارد آلبدو يا.(Courel et al., 1984; Charney et al., 1977) نيست شناسايي قابل ميگذارد تأثير آب توازن روي مستقيم بهطور دما و بارش رشد و خاک رطوبتي رژيم در تغييرات عامل خود بهنوبه و و آب تغييرات شاهد زمين کره اخير دهه در ميباشند. گياه مختلف طرق از آن اثبات که است بوده جهاني سطح در هوايي. (IPCC, است( 2001 بوده برانگيز مسئله دانشمندان و محققان براي کشف قابل تغييرات سبب ميتواند هوا و آب گرمشدگي اين (Hughes, 2000; Walther et al., 2002) شود محيطي اکوسيستمهاي نوساناتاقليميمعموال اهميتزياديبرايرشدگياهدرمقياس اکوسيستمهاي پاسخ پيشبيني دارند.توانايي منطقهاي و جهاني رشدگياهو ارتباطمتقابلبين وابستهبهفهم اقليم بهتغيير زميني Potter ).اجتماعگياهيتنظيمکننده & Brooks, ميباشد( 1998 آبوهوا ميباشد کليديانرژي کربنوتبادلآببيناتمسفر گياهوخاک مقياسهاي در گياه اکولوژي پايش دليل همين به مهمي بخش طوالنيمدت مقياسهاي در و مختلف فضايي تغييرپذيري شناسايي ميدهد. تشکيل را اخير تحقيقات از تغيير به اکوسيستمها پاسخ شناسايي براي گياه رشد فصلي کننده تعيين ساليانه بين و فصلي زماني مقياسهاي در اقليم ارزيابي بنابراين. (Chen et al., 2001; Walther et al., است( 2002 اقليمي عناصر و گياهي پوشش الگوي بين کمي ارتباط مقياس در دور از سنجش کاربردهاي مهمترين از يکي گیاهی پوشش مقدار پیشبینی ميباشد. منطقهاي و جهاني و الزم آن حفاظت و بهرهبرداری جهت در برنامهریزی برای و مقدار بررسی و مطالعه نیازمند بهرهبرداری است. ضروری کنترل میباشد. زمانی و مکانی نظر از گیاهی پوشش حجم صورت گیاه رشد بر مؤثر اقلیمی عناصر طریق از میتواند گیاه زمانی صورت به گیاهی پوشش حجم مقدار بررسی پذیرد. برداشت دام چرای زمان زمینه در برنامهریزی برای مکانی و با همچنین میباشد. مفید تحقیقی زمینههای برخی و علوفه تغییرات میزان میتوان اقلیمی عناصر تأثیرگذاری میزان تعیین مطالعه گیاهی پوشش روی بر را اقلیمی عنصر هر از ناشی تفکیک به ايران جنگلهاي پراکندگی 1: نگاره تراکم مقدار
) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه 129 /... از استفاده با اقلیمی عوامل براساس جنگل تغییرات برآورد مطالعه براي داده مؤثرترين عنوان به دور از سنجش کرد.داده تصاوير زيرا ميباشد هوا و آب و گياه بين متقابل ارتباط (Myneni et al., 1997 هستند; 1998, زماني و فضايي توالي داراي.Tucker et al., 2001; Zhou et al., 2001) گیاهی پوشش متقابل ارتباط بررسی پژوهش این هدف در گیاه رشد پیشبینی نهایت در و هوایی و آب عناصر و میباشد. اقلیمی عناصر اساس بر جنگلی عرصه روش و دادهها 2- جنگلي مناطق فصلی و ساالنه رشد پژوهش اين در جنگلها سازمان از آن رقومي اليههاي که شد بررسی ايران بهترتیب ArcGIS نرمافزار در و گرديد اخذ کشور مراتع و بهترتيب ايران جنگلهاي شد. طبقهبندی تراکم مقدار 51-75 هکتار 86015/8 با درصد 76-100 تراکم مقدار 1617935 با درصد 26-50 هکتار 2002917/9 با درصد با درصد 1-5 و هکتار 5590187/6 با درصد 6-25 هکتار 1(. )نگاره ميباشند هکتار 4798881/3 )2006- سال 20 حداقل مطالعاتي دوره آنجاييکه از 108 تنها بود مدنظر داده از پيوسته بههم دورهاي و 1987( چنین دارای کليماتولوژي ايستگاه 33 و سينوپتيک ايستگاه به نسبت بيشترتوپوگرافي تأثير بدليل بودند. ویژگیهایی ارتفاعي دادههاي اقليمي عوامل بر مكاني عوامل ديگر 0/3 فواصل با ارتفاعي نقاط همچنين و ايستگاهها به مربوط گردید. استخراج )DEM( ارتفاعي رقومي مدل از درجهاي نرمالشده تفاضلی گياهي شاخص محاسبه براي )استفاده هندسی تصحیح ماهوارهای تصاویر ابتدا )NDVI( و پیکسل( 0/1 از کمتر خطای با فایل GCP دادههای از برای شدند. histogram equalization روش به رادیومتریک استفاده ماه هر در تصویر چندین اتمسفری خطای کاهش گردید. استخراج NDVI حداکثر مقادیر ترکیب سپس و شد آب عنصر 7 فضایی های داده پیشبینی مدل ارائه برای و حداقل( و میانگین )حداکثر دما بارش شامل هوایی و متغیر عنوان به حداقل( و میانگین )حداکثر نسبی رطوبت رگرسیون در وابسته متغیر عنوان به NDVI داده و مستقل وارد )IDRISI افزار نرم از )استفاده متغیره چند خطی هوایی و آب های داده فضایی مقادیر از نهایت در گردید. استخراجی مدل و ساالنه( و )ماهانه 2004-2006 سال واقعی NDVI مقادیر با و شد استفاده NDVI پیشبینی برای معادله در گردید. مقایسه مربوطه سالهای آمده دست به :)MLS( چندمتغيره رگرسيون = 2 α + β1 1 + β 2 + + β + ε )1 رابطه β مبدأ از عرض = α ) NDVI( وابسته متغير = Y ε و اقليمي( )عناصر مستقل X =متغير رگرسيون ضريب =.(Baker, (2003 ميباشد تصادفي خطاي = فضایی تصاویر معیار انحراف B ضریب ارزیابی برای محاسبه جداگانه صورت به مستقل و وابسته متغیرهای شد: وارد معادله در و گردید 2( رابطه وابسته متغیر برآورد در متغیر هر ضریب مقدار β که اولیه مدل در مستقل متغیر ضریب مقدار bi و مستقل متغیر معیار انحراف میباشد. وابسته متغیر معیار انحراف مدل برآورد در آن اثر باشد بیشتر آمده بدست مقدار چه هر بود. خواهد بیشتر نتایج 3- پیشبینی مدل همبستگی نتایج 1-3 استفاده با NDVI مقدار پیشبینی مدل همبستگی نتایج مقدار و )1987-2006( ساله 17 میانگین دادههای از و هوایی و آب عناصر فضایی دادههای اساس بر محاسباتی 1 جدول در )2004-2006( سال 3 طی مدل در قرارگیری ساالنهNDVIبه و ماهانه واقعی مقادیر است. شده داده نشان و 4 )نگارههای شد محاسبه مدل شده پیشبینی مقدار همراه ماهانه تصویر یک تصاویر بودن زیاد دلیل به ب(. و الف 5 میشود. ذکر مقاله در پیشبینی و واقعی مقادیر از ساالنه و مقدار و اقلیمی عناصر بین همبستگی ضریب باالترین اوج که میافتد اتفاق 0/82 مقدار به می ماه در NDVI
فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 26 شماره 102 تابستان 96 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.26,No.102, Summer 2017 / 130 0/722097 0/773626 0/707406 0/725057 0/750513 0/760286 0/781215 0/795644 0/813018 0/8816 0/839895 0/884247 0/935443 0/902733 0/904219 0/938492 0/566203 0/936207 0/777841 0/856164 0/816003 0/883215 0/840324 0/437718 0/937442 0/695712 0/885906 0/709038 0/862725 0/388467 0/953314 0/958488 0/945552 جدول 1 : ضریب همبستگی عناصر اقلیمی و NDVI در مدل مشاهداتی و محاسباتی اختالف R مشاهداتی )میانگین 17 ساله( R محاسباتی )3 ساله( 0/093 0/563 0/470351 0/069033 0/563 0/493967 0/197231 0/563 0/365769 0/197923 0/624 0/426077 0/207248 0/624 0/416752 0/146899 0/624 0/477101 0/065587 0/624 0/558413 0/140811 0/624 0/483189 0/137258 0/624 0/486742 0/065785 0/74 0/674215 0/145571 0/74 0/594429 0/053828 0/74 0/686172 0/010811 0/82 0/809189 0/083873 0/82 0/736127 0/06263 0/82 0/757370 0/012138 0/81 0/797862 0/462234 0/81 0/347766 0/014951 0/81 0/795049 0/1326 0/778 0/6454 0/059668 0/778 0/718332 0/07437 0/778 0/703630 0/006862 0/738 0/731138 0/084332 0/738 0/653668 0/607757 0/738 0/130243-0/136095 0/69 0/826095 0/212781 0/69 0/477219-0/06652 0/69 0/756520 0/266446 0/721 0/454554-0/032995 0/721 0/753995 0/725564 0/721-0/004564 0/007511 0/85 0/842489 0/024277 0/85 0/825723 0/033651 0/85 0/816349 ماه ژانویه 2004 ژانویه 2005 ژانویه 2006 فوریه 2004 فوریه 2005 فوریه 2006 مارس 2004 مارس 2005 مارس 2006 آوریل 2004 آوریل 2005 آوریل 2006 می 2004 می 2005 می 2006 ژوئن 2004 ژوئن 2005 ژوئن 2006 ژوئیه 2004 ژوئیه 2005 ژوئیه 2006 اوت 2004 اوت 2005 اوت 2006 سپتامبر 2004 سپتامبر 2005 سپتامبر 2006 اکتبر 2004 اکتبر 2005 اکتبر 2006 ساالنه 2004 ساالنه 2005 ساالنه 2006
فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) برآورد تغییرات جنگل براساس عوامل اقلیمی با استفاده از... / 131 نگاره 2: نمودار ماهانه تغییرات ضریب همبستگی عناصر اقلیمی با مقدار NDVI نگاره : 3 نمودار ماهانه تغییرات ضریب همبستگی حالت مشاهداتی و محاسباتی سبزینگی درخت است و عناصر اقلیمی نیز برای رشد در محیط موجود میباشد. کمترین ضریب همبستگی در زمستان بهخاطر نبود رشد درختان و برگ سبز میباشد در این فصل با وجود بارش بیشتر ولی دمای کافی برای رشد فراهم نیست. مقدار ضریب همبستگی در فصل تابستان به دلیل نبود بارش کافی کمتر از بهار است. در فصل پاییز )ماه اکتبر( بارش و دما تا حدی برای رشد فراهم است و همبستگی تا حدی نسبت به ماه سپتامبر بیشتر میشود ولی به دلیل نوسان دمایی و خشک بودن همبستگی باالیی وجود ندارد )نگاره 2(. بر اساس جدول 1 ضریب همبستگی ساالنه 0/85 میباشد. در صورتیکه مقدار خطای تصادفی )ستون R+( نیز در مدل آورده شود همبستگی خیلی زیادتر میشود بهطوریکه در ماههای بهار به بیش از 0/93 رسیده است. از آنجائیکه مقدار خطای تصادفی برای هر مکان متفاوت است باید به صورت یک الیه فضایی در مدل قرار گیرد به همین دلیل برای ساده شدن معادله خطی محاسبات بدون خطای تصادفی نیز در جدول 1 آورده شده است. ضریب همبستگی مقدار محاسباتی از طریق قرارگیری داده فضایی عناصر اقلیمی در مدل در سالهای 2004-2006 نشان میدهد که مقدار ضریب محاسباتی ماه می و ژوئن برای سالهای 2004 و 2005 به ضریب همبستگی مدل پیشبینی نزدیک است اما در ماههای زمستان همبستگی حالت محاسباتی از مقدار مدل )خط ممتد( فاصله میگیرد )نگاره 3( در سال 2006 به دلیل خشکی شدیدتر در اواخر بهار )ماه ژوئن( پیشبینی کمتری صورت گرفته است. کمترین مقدار پیشبینی مربوط ماه اوت سال 2006 میباشد که مقدار مشاهداتی حدود 0/73 بوده درحالیکه مقدار محاسباتی 0/13 است)نگاره 3(. الزم به ذکر است که مقادیر محاسبه شده برای سال 2004-2006 بدون مقدار خطای تصادفی میباشد به همین دلیل از مقدار مشاهداتی تا حد زیادی پایینتر است. برآورد واقعی اثر هر کدام از عناصر اقلیمی در مدل پیشبینی با استفاده از رابطه 2 محاسبه شد که مقادیر هر
فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 26 شماره 102 تابستان 96 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.26,No.102, Summer 2017 / 132 جدول : 2 ارزیابی ضریب B در معادالت رگرسیونی Pre mint meant maxt minh meanh ردیف maxh 0/0008-0/962-0/097 1/579 0/404-0/478 1/116 ژانویه -0/118-0/635-0/51 1/21 0/059-0/007 0/917 فوریه 0/132-0/784 0/128 1/42-0/521 1/358-0/038 مارس 0/05-0/813 0/163 0/672-0/135 1/588-0/616 آوریل 0/052-0/827-0/092 0/804 1/7 0/095-0/168 می 0/278-0/218-0/12 0/223 1/84-0/460 0/011 ژوئن 0/691-0/256-0/114 0/43-0/583 1/584-0/73 ژوئیه 0/823-0/187-0/409 0/689-0/37 0/260 0/398 اوت 0/592-0/341-0/104 0/495-1/725 2/848-0/686 سپتامبر 0/854-0/19-0/627 1/026-1/802 3/199-0/937 اکتبر 0/271-0/416 0/234-0/042-2/531 5/206-2/188 ساالنه جدول : 3 مدل پیشبینی مقدار NDVI بهصورت ماهانه و ساالنه مدل پیشبینی مقدار NDVI NDVI = 92.059 + 0.1857 MaxH - 0.0628 MeanH + 0.0509 MinH + 0.3705 MaxT - 0.0246 MeanT - 0.2591 MinT + 0.0023 Pre NDVI = 72.4468 + 0.2538 MaxH - 0.0014 MeanH + 0.0102 MinH + 0.3501 MaxT - 0.0150 MeanT - 0.2005 MinT - 0.0386 Pre NDVI = 85.5807-0.0113 MaxH + 0.3470 MeanH - 0.1183 MinH + 0.3698 MaxT + 0.0467 MeanT - 0.2909 MinT + 0.0676 Pre NDVI = 105.0304-0.2614 MaxH + 0.6327 MeanH - 0.0484 MinH + 0.4173 MaxT + 0.1043 MeanT - 0.5267 MinT + 0.0499 Pre NDVI = 137.0096-0.0715 MaxH + 0.0416 MeanH + 0.4189 MinH + 0.6822 MaxT - 0.0744 MeanT - 0.7589 MinT + 0.0578 Pre NDVI = 137.6107 + 0.0036 MaxH - 0.1579 MeanH+ 0.3752 MinH + 0.1729 MaxT - 0.0937 MeanT - 0.1756 MinT + 0.5557 Pre NDVI = 118.9448-0.1688 MaxH + 0.3925 MeanH - 0.1518 MinH + 0.2768 MaxT - 0.0750 MeanT - 0.1702 MinT + 1.6434 Pre NDVI = 126.9373 + 0.0848 MaxH + 0.0572 MeanH - 0.0858 MinH + 0.4329 MaxT - 0.2921 MeanT - 0.1426 MinT + 2.0129 Pre NDVI = 130.3114-0.1261 MaxH + 0.5303 MeanH - 0.3328 MinH + 0.2812 MaxT - 0.0709 MeanT - 0.2396 MinT + 1.3709 Pre NDVI = 112.1823-0.1563 MaxH + 0.5266 MeanH - 0.3041 MinH + 0.5315 MaxT - 0.3535 MeanT - 0.1068 MinT + 1.0559 Pre NDVI = 137.6999-0.7804 MaxH + 1.7996 MeanH - 0.9148 MinH - 0.0161 MaxT + 0.1037 MeanT - 0.1830 MinT + 0.1439 Pre ماه ژانویه فوریه مارس آوریل می ژوئن ژوئیه اوت سپتامبر اکتبر ساالنه
فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) برآورد تغییرات جنگل براساس عوامل اقلیمی با استفاده از... / 133 کدام در جدول 2 ذکر شده است. بر این اساس باالترین ضرایب عناصر اقلیمی به ترتیب بارش در ماه اکتبر )0/854( دمای حداقل در ماه اکتبر )0/827-( میانگین در ماه اکتبر )0/627-( و حداکثر در ماه ژانویه )1/579( رطوبت نسبی حداقل ساالنه )2/531-( میانگین ساالنه) 5/206 (و حداکثر ساالنه) 2/188 -( میباشد. 2-3- مدل پیشبینی NDVI در عرصههای جنگلی در این پژوهش با استفاده از عناصر اقلیمی فضایی بهصورت ماهانه و ساالنه برای دوره میانگین 17 ساله مدل پیشبینی NDVI محاسبه شده است که اثر تأخیر زمانی عناصر اقلیمی )اثر بارش دو ماهه و بقیه عناصر اقلیمی 1 ماهه( نیز در مدل لحاظ گردیده است )جدول 3(. به ترتیب عناصر رطوبت نسبی حداکثر میانگین و حداقل دمای حداکثر میانگین و حداقل و بارش میباشد. در ماه ژانویه دمای حداکثر بیشترین اثر مثبت را به مقدار 0/3705 برای رشد جنگل داشته است. در این ماه از سال نیاز حرارتی درختان برای رشد خیلی بیش از نیاز رطوبتی میباشد زیرا در کشور ایران که اغلب بارش آن مربوط به فصل زمستان است نیاز رطوبتی درختان از ماههای قبل تأمین شده است. رطوبت حداکثر در درجه دوم اهمیت در پیشبینی NDVI در این ماه میباشد. اثر بارش هر چند مثبت اما اندک است که نشاندهنده نیاز کمتر پوشش جنگلی به عنصر بارش میباشد. در ماه فوریه مانند ماه قبل اثر دمای حداکثر به مقدار 0/3501 و رطوبت نسبی به مقدار 0/2538 بیشترین اثر مثبت را در پیشبینی NDVI داشته است اما بارش دمای حداقل و میانگین اثر منفی داشتهاند. همچنانکه میدانیم دما در این فصل مورد نیاز جنگل میباشد اما آنچه نقش این عناصر را در پیشبینی NDVI منفی کرده است اثر موازی عناصر اقلیمی است. به عبارت بهتر میتوان از دمای حداکثر برای پیشبینی NDVI استفاده کرد و از دمای حداقل و میانگین صرفنظر نمود. بهطور کلی در فصل زمستان اثر دمای حداکثر بیش از دیگر عناصر اقلیمی در پیشبینی NDVI است که نشاندهنده نیاز دمایی درختان در فصل سرد سال به نسبت بارش میباشد. اما اثر رطوبت در درجه دوم قرار دارد. در ماه مارس اثر بارش بر رشد گیاه مثبت است یعنی با افزایش سبزینگی نیاز بارش بیشتر شده است. در ماه آوریل باالترین اثر را در پیشبینی NDVI رطوبت نسبی میانگین دارد و حداکثر دما در درجه دوم بر رشد جنگل مؤثر است بارش نیز اثر مثبتی بر افزایش NDVI داشته است. اما اثر حداقل دما و حداکثر رطوبت نسبی منفی شده است. در ماه می اثر دمای حداقل به بیشترین مقدار تأثیر در پیشبینی NDVI داشته که این اثر منفی بوده است. در این ماه از سال دمای حداکثر اثر مثبت بر رشد گیاه دارد درصورتیکه طبق معمول چون ایران در منطقه خشک و نیمهخشک قرار گرفته باید تا آستانه مشخصی دما بر رشد اثر مثبت داشته باشد. اثر رطوبت بر رشد در مجموع مثبت است بهطوریکه حداقل رطوبت نسبی با مقدار 0/4189 در درجه سوم اهمیت در پیشبینی NDVI قرار دارد. بارش در این زمان در درجه سوم اهمیت بعد از دما و رطوبت قرار دارد. در ماه ژوئن با افزایش دما مقدار اثر منفی آن افزایش مییابد هر چند در مدل اثر دمای حداکثر مثبت است اما در مجموع اثر دما بر رشد گیاه منفی است یعنی با افزایش دما از رشد گیاه کاسته میشود. در این ماه اثر بارش به بیشترین مقدار تأثیر تا این زمان از سال رسیده است که نشاندهنده نیاز آبی گیاه به نسبت بقیه عناصر اقلیمی میباشد. رطوبت نسبی در درجه دوم اهمیت قرار دارد. اثر منفی رطوبت نسبی میانگین ناشی از موازی بودن آن با دیگر عناصر اقلیمی است که میتوان در این فصل عنصر مربوطه را در پیشبینی کنار گذاشت. با شروع فصل تابستان )ژوئیه( نیاز آبی گیاه به بیش از 1/6 میرسد که حاکی از نیاز بیش از حد به بارش همراه با افزایش دما میباشد. اثر میانگین رطوبتنسبی نیز بعد از بارش قرار دارد. بهطور کلی اثر دمایی در این فصل منفی است چون بیش از نیاز گیاه در طبیعت فراهم است.باالترین
فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 26 شماره 102 تابستان 96 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.26,No.102, Summer 2017 / 134 نگاره 4: الف( مقادیر واقعی NDVI ب( مقادیر پیشبینی مدل همراه با خطای تصادفی ماه می سال 2006 نیاز بارشی )مقدار ضریب 2/0129( برای رشد گیاه به ماه اوت یا مرداد برمیگردد که در این فصل از سال افزایش دما به بیشترین حد میرسد درحالیکه بارش به اندازه کافی نیست که نیاز رطوبتی گیاه فراهم شود. با توجه به دو عنصر دمایی حداقل و میانگین میتوان نتیجه گرفت که در مجموع اثر دما در این ماه منفی میباشد و با کاهش دما و افزایش رطوبت نسبی آستانه تحمل جنگل باالتر رفته و رشد افزایش مییابد. الزم به ذکر است رطوبت نسبی موجود در هوا در تلطیف و سبزینگی برگ تأثیر بسزایی دارد. در ماه سپتامبربا کاهش دما نیاز آبی گیاه تا حدی کاهش مییابد و از اثر بارش کاسته میشود اما همچنان بیشترین اثر را در سبزینگی دارد. اثر رطوبت نسبی میانگین در درجه دوم اهمیت قرار دارد. در این ماه از نقش منفی دما تا حدی کاسته شده است. در ماه اکتبر با شروع فصل پاییز و کاهش دما بر اثر مثبت آن افزوده میشود این حالت از افزایش اثر دمای حداکثر و کاهش اثر منفی دمای حداقل پیداست ولی در مجموع هنوز اثر منفی دارد. نیاز بارشی جنگل به نسبت فصل تابستان کاهش یافته است اما همچنان نقش اصلی را در رشد گیاه و پیشبینی - NDVI که شاخص تشخیص سبزینگی است- دارد. اثر مثبت رطوبت نسبی از حالت میانگین آن مشخص است. رطوبت نسبی در کل ایام سال نقش مثبتی بر افزایش NDVI دارد. برای پیشبینی مقدار ساالنه NDVI بهترتیب اهمیت میانگین رطوبت نسبی )1/7996( حداکثر رطوبت نسبی )0/7804-( و بارش )0/1439( قرار دارد اثر دما بر پیشبینی در مجموع منفی است چون دو عنصر دمای حداکثر و حداقل با مقدار NDVI همبستگی منفی دارند )جدول 3 (. - 3-3 مقادیر پیشبینی NDVI ماه می در جدول 4 مقادیر فضایی عناصر اقلیمی و NDVI ماه می در دوره میانگین 17 ساله و سالهای 2004-2006 ذکر شده است که برای تحلیل تصاویر پیشبینی مورد نیاز است.نگاره 4 )الف و ب( مقدار پیشبینی مدل و مقادیر NDVI واقعی در ماه می سال 2006 را نشان میدهد. مقدار واقعی )117-202( NDVI برآورد شده است. همچنین مقادیر پیشبینی به همراه خطای تصادفی برای NDVI بین 119-199 پیشبینی شده که به مقدار واقعی خیلی نزدیک میباشد. مقدار دما در این ماه با مقدار میانگین 17 ساله برابر شده و مقدار بارش نسبت به میانگین کاهش یافته است. رطوبت نیز تغییری نسبت به میانگین نداشته است. مقدار
فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) برآورد تغییرات جنگل براساس عوامل اقلیمی با استفاده از... / 135 نگاره 5: الف( مقادیر واقعی NDVI ب( مقادیر پیشبینی مدل همراه با خطای تصادفی سال 2006 همبستگیNDVI واقعی با پیشبینی همراه با خطای تصادفی 0/904219 میباشد )نگاره 4(. جدول 4: مقادیر عناصر اقلیمی و NDVI ماه می رطوبت نسبی دمای بارش ماه می میانگین میانگین NDVI 77/119 21/150 22/26 28/142 17 ساله 35/136 14/9 23/14 56/144 2004 48/113 15/73 22/30 2/145 2005 93/126 14/27 92/13 27/143 2006 4-3- مقادیر برآورد ساالنه در جدول 5 مقادیر فضایی عناصر اقلیمی و NDVI واقعی ساالنه در دوره میانگین 17 ساله و سالهای 2006-2004 ذکر شده است که برای تحلیل تصاویر پیشبینی مورد نیاز است.مقدار پیشبینی همراه با خطای تصادفی و مقدار واقعی NDVI برای سال 2006 نشان میدهد که مقدار ضریب همبستگی 0/945552 است. این مقدار نسبت به سالهای گذشته تا حدی افت نشان میدهد دلیل این امر خشکسالی شدیدتر سال 2006 نسبت به سالهای قبل میباشد )نگاره 5 الف و ب(. دلیل اینکه مقدار همبستگی نسبت به سالهای گذشته کم شده است کاهش همه عناصر اقلیمی نسبت به میانگین 17 ساله است اما مقدار میانگین NDVI افزایش یافته است. الزم به ذکر است که مقادیر پیشبینی شده برای مناطق شمال شرقی ایران بیش از مقدار واقعی میباشد که دلیل آن پراکندگی تراکم جنگلی است درحالیکه مقدار دما در این عرض جغرافیایی پایین میباشد. جدول 5: مقادیر عناصر اقلیمی و NDVI ساالنه رطوبت نسبی دمای بارش سال میانگین میانگین NDVI 103/95 139/82 55/13 146/1 17 ساله 100/48 147/88 61/39 148/84 2004 112/84 140 65/31 149/55 2005 97 153/16 53/66 149/73 2006 4- بحث و نتیجهگیری تغییر آب و هوا و شرایط حاکم بر اکوسیستمهای حساس مناطق خشک و نیمه خشک ضرورت پایش و شناسایی تغییرات این محیطها را افزایش داده است. استفاده از دادههای سنجش از دوری بعنوان یکی از ابزارها و
فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 26 شماره 102 تابستان 96 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.26,No.102, Summer 2017 / 136 تکنیکهای جدید مطرح میباشد. در این بین شاخصهای پوشش گیاهی با توجه به کاربرد آنها در شناسایی ویژگیهای پوشش گیاهی از اهمیت بیشتری برخوردار است. در تحقیق حاضر با یک رویکرد جدید با استخراج و استفاده از شاخص گياهي تفاضلی نرمال شده )NDVI( ارتباط بین تغییرات پوشش گیاهی و عناصر اقلیمی بدست آمد که در محیط سیستم اطالعات جغرافیایی مدلسازی گردید. نتیجه حاصل از ارزیابی مدل پیشبینی نشان میدهد که باالترین ضریب همبستگی بین عناصر اقلیمی و مقدار NDVI در ماه می به مقدار 0/82 اتفاق میافتد که اوج سبزینگی جنگل است و عناصر اقلیمی نیز برای رشد گیاه در محیط موجود میباشد. کمترین همبستگی در زمستان بهخاطر نبود رشد کافی در درختان میباشد در این فصل با وجود بارش بیشتر ولی دمای کافی برای رشد فراهم نیست. ضریب همبستگی ساالنه در حالت محاسباتی در عرصههای جنگلی با مقدار خطای تصادفی بیش از 0/93 میباشد. در مجموع مقدار محاسباتی در ماه می و ژوئن برای سالهای 2004 و 2005 با مقدار ضریب همبستگی مدل نزدیک است اما در ماههای زمستان ضریب همبستگی حالت محاسباتی از مقدار مدل فاصله میگیرد. در سال 2006 به دلیل خشکی شدیدتر در اواخر بهار )ماه ژوئن( پیشبینی کمتری صورت گرفته است بهطوریکه کمترین مقدار پیشبینی مربوط به ماه اوت سال 2006 است که مقدار مشاهداتی حدود 0/73 بوده درحالیکه مقدار محاسباتی 0/13 میباشد. در حالت فضایی مقادیر خطای محاسباتی عمدتا در شمال شرق و مناطق زاگرس بیشتر از بقیه نقاط است دلیل این امر وضعیت کوهستانی زاگرس با بارش زیاد و دمای کمتر و رطوبت نسبی باال که مقدار NDVI را بیش از حد واقعی پیشبینی میکند و در مناطق شمال غرب نیز در ماه می هنوز تحت تأثیر نفوذ هوای سرد سیبری و دمای کم و بارش متوسط قرار دارد که در اینجا پیشبینی بیش از حد واقعی است.الزم به ذکر است که با کاهش مقدار بارش از میانگین مدل خطای بیشتری در برآورد ماه می صورت میگیرد. در مدل پیشبینی ساالنه در درجه اول افزایش دما نسبت به میانگین مدل باعث خطای بیشتری در پیشبینی مقدار NDVI میشود و بارش در درجه دوم قرار دارد. در حالت پیشبینی ساالنه مقدار خطای مناطق زاگرس بیش از بقیه مناطق است که دالیل آن پیشتر توضیح داده شد. در مجموع پیشبینی در مقادیر باالی NDVI کمتر است.نتیجه حاصل از مدل پیشبینی مقدار NDVI نشان میدهد بهطور کلی در فصل زمستان دما بیشترین اثر مثبت بر افزایش مقدار NDVI دارد و رطوبت نسبی در درجه دوم اهمیت قرار دارد. با آغاز بهار و رشد سریع جنگل در کشور بر مقدار اثر منفی دما به دلیل افزایش بیش از نیاز جنگل افزوده میشود. تا اینکه در اواخر بهار به حداکثر اثر منفی میرسد. در مورد بارش برعکس هر چه به طرف ماههای گرم سال میرویم بر نیاز آبی افزوده شده و در ماه اوت بیشترین تأثیر را دارد. رطوبت نسبی در اغلب ایام سال اثر متوسطی در پیشبینی مقدار NDVI دارد اما در برخی از ماههای سال اثر آن از بارش و دما فزونی مییابد. بیشترین اثر رطوبت نسبی میانگین در ماه آوریل یعنی اوایل بهار اتفاق افتاده است. در مدل پیشبینی ساالنه رطوبت نسبی دارای بیشترین تأثیر برای برآورد NDVI سپس بارش و در نهایت دما قرار دارد. دلیل این امر قرارگیری ایران در عرضهای خشک و نیمهخشک جنب حاره میباشد که نیاز آبی گیاه در سال بیش از نیاز دمایی است. رطوبت توزیع یکنواختی در اغلب ایام سال دارد و با مقدار NDVI ضریب همبستگی مثبت دارد درحالیکه عنصر دما اغلب بیش از نیاز گیاه در دسترس بوده و بارش نیز توزیع نایکنواخت مکانی و زمانی دارد. از آنجاییکه بارش در اغلب مناطق ایران مربوط فصل سرد سال میباشد و در این زمان رشد جنگل متوقف شده است بنابراین اثر آن کم میشود.
فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) برآورد تغییرات جنگل براساس عوامل اقلیمی با استفاده از... / 137 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. منابع و مآخذ 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: