Journal of Agroecology Vol. 2, No. 1, Spning 2010, p. 103-110 نشريه بوم شناسي كشاورزي جلد 2 ش ماره 1 بهار 1389 ص 103-110. بررسي امكان استفاده از نسبتهاي باندي و تجزيه و تحليل مو لفههاي اصلي تصاوير + ETM براي پايش پوشش گياهي در منطقه نيشابور 3 2 *1 سيد حسين ثنايينژاد عليرضا آستارايي و مرجان قاي مي تاريخ دريافت: 88/12/17 تاريخ پذيرش: 89/3/22 چكيده استفاده از فناوري سنجش از دور اغلب موجب كاهش هزينه و افزايش دقت و سرعت شده و روز به روز بر اهميت اين فناوري در راستاي توسعه پايدار افزوده مي شود. از اين رو در تحقيق حاضر امكان استفاده از نسبت هاي باندي و تجزيه و تحليل مو لفه هاي اصلي با انگيزه دستيابي به مدلي مناسب براي پايش و مطالعه پوشش گياهي منطقه نيشابور و بررسي رابطه پراكنش پوشش گياهي با خصوصيات خاك مورد ارزيابي قرار گرفته است. نتايج حاصل نشان داد كه نسبت هاي باندي و آناليز مو لفه هاي اصلي نسبت به اغلب تك باندها در مطالعه و تفكيك پديده هاي منطقه مورد مطالعه از قابليت بالاتري برخوردار هستند. همچنين شاخص هاي مختلف در شرايط منطقه مذكور نتايج متفاوتي را اراي ه مي دهند به طوري كه شاخص ها با بالاترين ضريب تبيين در آشكارسازي پوشش گياهي منطقه نقش مهمي ايفا مي كنند. از طرفي روش هاي به كارگرفته شده بر اساس تفكيك كاربري براي مطالعه تغييرپذيري پوشش منطقه مورد مطالعه نتايج بهتري را اراي ه ميدهند. كلمات كليدي: سنجش از دور شاخص پوشش گياهي لندست مدلسازي مقدمه 2 3 1 تعيين عوامل محيطي و گردآوري اطلاعات براي مناطق خشك و نيمه خشك با روش هاي متكي بر اندازه گيريهاي ميداني هم زمان بر است و هم اطلاعات چندان دقيقي را در پهنههاي گسترده ي اين مناطق به دست نمي دهد. متاسفانه مطالعات انجام شده و يافته هاي موجود در رابطه با وضعيت اين مناطق به دليل وسعت آنها و وجود شرايط دشوار براي بررسي هاي ميداني و صحرايي بسيار اندك مي باشد. از طرفي در عصر حاضر با پيشرفت تكنولوژي و دستيابي به فن آوري هاي نوين بشر قادر است با صرف زمان و هزينه كمتر گستره مطالعات خود را به منظور دستيابي به اطلاعات محيطي دقيق تر وسعت بخشد ) Farshad, Saxsena et al., 2003; Farifteh &.(2002 اين تكنيك ها و مدل هاي تجربي حاصل اطلاعات مورد نياز را با كارايي سرعت و دقت بالاتر براي مطالعه چگونگي روابط متقابل 2 1 و 3- به ترتيب دانشيار گروه مهندسي آب دانشيار گروه خاكشناسي و دانشجوي دكتري خاكشناسي دانشكده كشاورزي دانشگاه فردوسي مشهد ( E-mail: sanaein@gmail.com (*- نويسنده مسي ول: خصوصيات فيزيكي- شيميايي خاك و پوشش گياهي در اختيار قرار مي دهند (1995 Long,.(Yuan & بازتاب هاي حاصل از پوشش گياهي به ويژه در مناطق خشك و نيمه خشك به شدت تحت تاثير خاك زمينه مي باشد. همچنين نوع تراكم و تغيير پذيري پوشش گياهي نيز تحت تاثير خصوصياتي از قبيل عناصر معدني شوري خاك رطوبت و بافت خاك و اقليم منطقه مي باشد al., (Barnes et (2003. تهيه نقشه هاي پوشش زمين از اطلاعات سنجش از دور اساس تحقيقات در چندسال اخير بوده است ) & Aitkenhead.(Aalders, 2008 مدل هاي تجربي ابزارهاي مهمي براي مرتبط كردن تغييرات متغيرهاي بيوفيزيكي اندازه گيري شده با داده هاي سنجش از دور هستند. تصاوير ماهواره لندست TM و + ETM براي طبقه بندي انواع متفاوت پوشش هاي زميني براساس تابش و بازتابش در طول موج- هاي باندي متعدد مي توانند مورد استفاده قرار گيرند. از طرفي روش- 4 هاي مختلفي همچون شاخص (NDVI) و ديگر شكلهاي ساده رياضي توانايي نمايش تغييرات مربوط به شدت نسبت هاي باندي از سطوح مختلف را دارند (2002 al.,.(bricklemyer et در مطالعه اي 4- Normalized difference vegetation Index
104 نشريه بوم شناسي كشاورزي جلد 2 شماره 1 سال 1389 كه در ناحيه شمال غربي چين انجام شد توزيع هاي ناحيه اي تغييرات سطح زمين تغييرات پوشش گياهي و جريان هاي گرما روي مناطق ناهمگن در نواحي خشك و نيمه خشك مورد مطالعه قرار گرفت. تصاوير ماهوارهاي با صفحه مدار راديومتري تخمين هاي مفيدي از متغيرهاي مورد نياز كه شامل LAI MSAVI 1 NDVI دماي سطح راديومتري و بازتاب نيم كره اي صفحه مدار را فراهم مي كنند. روش هاي پارامتري براي دستيابي به تغييرات سطح زمين (بازتاب سطح زمين و دماي سطح) تغييرات پوشش NDVI) MSAVI و (LAI و جريان هاي گرمايي سطح زمين (جريان تابش خالص جريان گرماي خاك) بر روي مناطق غير همگن با استفاده از داده هاي + حاصل از لندست TM و ETM و مشاهدات زميني انجام شد ) Ma Xuemei, 2005 &). مدل ها و تي وري هاي فيزيكي اراي ه شده براي گياهان مي توانند شرايط پاسخ هاي گياهي را به محيط پيرامون در مقياسهاي وسيع به تصوير كشند اما قابليت آن ها در اراي ه اين اطلاعات در مورد گياهان واقعي بايد مورد سنجش قرار گيرد. اين مدلها نيازي به كاليبره كردن با استفاده از نمونه برداري ميداني نداشته و با توجه به داده هاي ورودي مورد نياز الگوهاي گياهي منطقه مورد بررسي را تبيين مي كنند (2004 al.,.(hickler et در مطالعه اي كه با استفاده از داد ه هاي AVHRR در مدت بيست و يك سال با دقت مكاني 8 8 Km براي پايش چند ساله تغييرات پوشش گياهي در شمال غربي چين انجام شد رگرسيون هاي خطي براي شبيه سازي و مشخص كردن روند اين تغييرات مورد استفاده قرار گرفتند. در اين تحقيق حداكثر مقدار شاخص NDVI در شمال غربي چين در طول دوره مورد مطالعه استخراج و براساس اين شاخص تخريب كلي پوشش گياهي منطقه در طي سال هاي 2001-1981 مشاهده شد (2004 al.,.(ma et در مطالعه ديگري سه نوع مدل رگرسيوني OLS سنتي OLS معكوس و RMA مقايسه و بررسي شد و از تحليل مدل هاي مربوطه LAI را براي يك اكوسيستم زراعي و كانوپي درختان زنده در يك جنگل هميشه سبز درختان سوزني برگ پيش بيني كردند (2003 al.,.(cohen et با توجه به اين موضوع كه مطالعه تغييرپذيري پوشش گياهي براي اعمال برنامههاي مديريتي از اهميت خاصي برخوردار است يافتن موثرترين پردازشها در تفكيك بهتر اين پديده امري ضروري محسوب مي گردد. تعيين ميزان رابطه ي هر شاخص را مي توان با تجزيه و تحليل هاي آماري بيان كرد. بر اين اساس در اين تحقيق سعي بر آن است كه با استفاده از رابطه رگرسيوني چند متغيره بين + درصد تراكم پوشش گياهي و داده هاي تصاوير ماهواره اي ETM امكان استفاده از نسبت هاي باندي و تجزيه و تحليل مو لفه هاي اصلي براي پايش پوشش گياهي منطقه مورد بررسي قرار گيرد. مواد و روشها دشت نيشابور واقع در استان خراسان رضوي براي اين مطالعه انتخاب شد. اين منطقه در فاصله ي طول جغرافيايي 58 درجه و 34 دقيقه تا 59 درجه و 8 دقيقه شرقي و عرض جغرافيايي 35 درجه و 51 دقيقه تا 36 درجه و 15 دقيقه شمالي قرار دارد (شكل 1). اين منطقه مطابق با طبقه بندي اقليمي آمبرژه داراي اقليم خشك و نيمه خشك مي باشد. متوسط درجه حرارت متوسط سالانه حدود 14/5 درجه سلسيوس و متوسط بارندگي سالانه حدود 250 ميليمتر مي باشد. بخشي از اين منطقه جزء اراضي شور شناخته شده و از طرفي داراي اراضي كشاورزي فعالي نيز مي باشد. در اين تحقيق تصاوير چند + طيفي سنجنده ETM از ماهواره لندست شامل 6 باند طيفي (با قدرت تفكيك مكاني 30 متر) و باند پانكروماتيك (با قدرت تفكيك مكاني 15 متر) از مسير 160 و رديف 35 مربوط به 10 جولاي سال 2002 برابر با 20 تير 1381 مورد استفاده قرار گرفت. اين تصاوير مورد تصحيحات اوليه هندسي و راديومتري قرار گرفته بودند اما براي حصول اطمينان از عدم وجود خطاهاي هندسي و راديومتري قبل از انجام پردازش هاي مورد نظر از نظر هندسي و راديومتري در هر يك از باندهاي انعكاسي ) 5-1 و 7) مورد آزمون قرار گرفتند. جهت انجام اين پژوهش ابتدا منطقه مورد مطالعه بازديد شد. نقاط نمونه برداري با استفاده از شناسايي اوليه منطقه نقشه هاي ارزيابي منابع و قابليت اراضي با مقياس 1:250000 و تصاوير رنگي كاذب از منطقه انتخاب گرديدند. سپس تعداد 80 نمونه خاك در منطقه مورد مطالعه مشخص و موقعيت جغرافيايي آن ها با دستگاه GPS ثبت گرديد. به اين دليل كه تصاوير ماهواره اي مورد مطالعه مربوط به 20 تيرماه 1381 بودند سعي گرديد به منظورتطابق شرايط منطقه با تصاوير نمونه برداري نيز در تيرماه انجام شود. بر اين اساس نمونه هاي خاك (داخل هر شبكه 1000 متري سه نقطه با فاصله 100 متر) جهت نمونه برداري از خاك سطحي انتخاب شدند. در مجموع 80 نمونه خاك در پلاتي به ابعاد 20 در 20 سانتي متر مربع از عمق 0-15 سانتي متري از نقاطي كه مختصاتشان به روش فوق معلوم گرديدند جمع آوري شدند. با استفاده از يك كوادرات با ابعاد 50 50 سانتي متر مربع درصد تراكم پوشش گياهي نيز در مكان هر نقطه به صورت تصادفي و در سه تكرار صورت گرفت و نوع كاربري زمين نيز ثيت شد. داده هاي حاصل از اين نمونه برداري تلفيق شده و ميانگين حاصله به عنوان تراكم گياهي براي هر نقطه منظور گرديد. براي مطالعه پوشش گياهي منطقه از روش هاي مختلف پردازش و بارزسازي تصوير شامل سه مو لفه اول حاصل از تجزيه و تحليل مو لفههاي اصلي و نسبت هاي مختلف طيفي حاصل از باندهاي انعكاسي استفاده شد. عناوين برخي از باندهاي اصلي و تركيبي مورد استفاده در اين تحقيق در جدول 1 آمده است. 1- Modified Soil Adjusted Vegetation Index
105 بررسي امكان استفاده از نسبتهاي باندي و تجزيه و تحليل مولفههاي شكل 1- موقعيت جغرافيايي محدوده مورد مطالعه Fig. 1- A map showing the study area باندهاي انعكاسي تصوير ماهواره اي ETM+ كه با فرمت img بودند به فرمت قابل استفاده در نرم افزار Idrisi تبديل شدند. شاخص هاي گياهي نيز محاسبه شده و به صورت مدل در اين نرم افزار به كار گرفته شدند. عمليات پردازش تصوير با استفاده از نرم افزار ERDAS IDRISI Kilimanjaro Imagine 8.6 انجام شد. تصاوير منطقه با استفاده از شاخص هاي مختلف و آناليز مو لفه هاي اصلي مورد بررسي قرار گرفتند. براي تجزيه و تحليل همبستگي در مورد تمامي باندهاي تصوير از مدل رگرسيون چند متغيره خطي استفاده گرديد. در اين تحليل همبستگي درصد تراكم پوشش گياهي به عنوان متغير وابسته و ارزش هاي رقومي تصوير به عنوان متغير مستقل انتخاب شدند. تمامي تحليل هاي آماري مربوطه با استفاده از نرم افزار JMP4 انجام شد. مقايسه رگرسيوني نقش مدل هاي رگرسيوني چند متغيره نشان داد شناسايي بهترين متغيرهاي مستقل كه قادر به به تعيين درصد پوشش گياهي منطقه مي باشند را مي توان از اين تحليل استخراج كرد. بنابراين بالاترين ضريب تبيين براي پايش تغييرپذيري پوشش گياهي منطقه و سنجش پتانسيل تصاوير ماهواره اي + ETM انتخاب شد. جدول 1- برخي از باندهاي اصلي و تركيبي مورداستفاده Table 1- Some of the multi spectral bands and indices نام انديس Name index فرمول Formula منبع Reference Contrast reflectance in visible and near Inferared ( VNIR2) (TM4-TM2)/(TM4+TM2) (Arzani & King, 2008) Contrast reflectance in visible and near Inferared ( VNIR1) (TM4-TM1)/(TM4+TM1) (Arzani & King, 2008) Normalized difference vegetation index (TM4-TM3)/(TM4+TM3) (Foody, 2001) Transformed vegetation index (TM5-TM3)/(TM5+TM3) (Ma & Xuemei, 2005) MINI (TM7-TM4)/(TM7-TM4) (Arzani & King, 2008) COSRI (TM1+TM2)/(TM3+TM4) NDVI (Fernandez Buces et al., 2006) BI1 SQRT((TM3 2 +TM2 2 +TM1 2 )/3) (Khan et al., 2001) BI2 SQRT(TM3 2 +TM4 2 ) (Khan et al., 2001) SI SQRT(TM1 TM4) (Douaoui et al., 2006) MSAVI TM4+0/5-SQRT((TM4+0/5) 2 )+2 (TM4- TM3) (Yuan & Long, 1995) Modified normalised difference (TM4-(1.2*TM3)/(TM4+TM3) (Pettorelli et al., 2005) OSAVI (NIR -Red) / (NIR + Red + 0.16) (Nikolakopoulos, 2003) SAVI [NIR-RED)/(NIR+RED+L)] (1+L) (Pettorelli et al., 2005) GEMI η*(1-0.25*η)-(red-0.125) / (1-Red) (Nikolakopoulos, 2003) EVI G*(NIR-RED)/(NIR+c1*REDc2*BLUE+L) (Matsushita et al., 2001) PCA1 Results of analysis bands1, 2& 3 Bahtti et al, 1991; Frazier & ) (Cheng, 1989 PCA2 Results of analysis bands 4, 5& 7 PCA3 Results of analysis bands1, 2, 3, 4, 5 & 7 Bahtti et al, 1991; Frazier & ) (Cheng, 1989 Bahtti et al, 1991; Frazier & ) (Cheng, 1989
106 نشريه بوم شناسي كشاورزي جلد 2 شماره 1 سال 1389 نتايج و بحث براي حصول اطمينان بيشتر از متناظر سازي اطلاعات نقاط برداشت شده با مقادير DN پيكسل هاي مرتبط با هر نقطه ابتدا ميانگين ارزش رقومي نه پيكسل در تصوير محاسبه و به پيكسل مركزي تخصيص يافت. آن گاه جهت بررسي روابط رگرسيوني و انتحاب بهترين شاخص ها ارزش رقومي باندهاي اصلي نسبت هاي باندي و تجزيه و تحليل مو لفه هاي اصلي مربوط به نقاط نمونه برداري استخراج و به عنوان متغير مستقل و مقادير درصد تراكم پوشش گياهي به عنوان متغير وابسته وارد نرم افزار آماري JMP4 گرديد. در اين راستا پس از اطمينان از نرمال بودن داده ها مدل رگرسيون خطي به منظور تجزيه و تحليل داده ها مورد استفاده قرار گرفت. براي انتخاب مناسبترين شاخص و رابطه از دو آماره ضريب تبيين و ميانگين مربعات خطا استفاده شد. به اين ترتيب كه در شرايط ضرايب تبيين يكسان معادله با جذر ميانگين مربعات خطا RMSE كمتر ارجحيت دارد (معادله 1). Veg = -64.20 + 0.96 b3 معادله (1) كه در آن Veg پوشش گياهي بر حسب درصد و b 3 ارزش رقومي باند 3 ميباشد. بر اساس نوع شاخص هاي اعمال شده نتايج در 3 گروه باندهاي اصلي نسبت هاي باندي و آناليز مو لفه هاي اصلي براي درصد تراكم پوشش گياهي كل مورد بررسي قرار گرفت. نتايج نشان مي دهد كه باند 3 سنجنده + ETM با مقدار ضريب تبيين 0/46 در بين تك باندها و شاخص هاي SI BI1 و PCA1 و PCA3 داراي ضرايب تبيين بالاتري هستند. براين اساس وجود رابطه بين متغيرها با استفاده از روش رگرسيوني گام به گام پس رونده مورد بررسي قرار گرفت. معادله حاصل براي كل نمونه ها با 0/46= 2 R و RMSE=8/28 از ضريب تبيين چندان بالايي برخوردار نيست. در معادله (1) Veg پوشش گياهي سطح بر حسب درصد و b 3 ارزش هاي رقومي باند 3 مي باشد وبيانگر اين موضوع است كه باند 3 در بررسي و مطالعه پوشش منطقه از پتانسيل بالاتري برخوردار است. به منظور دستيابي به رابطه اي با مشخصه هاي بهتر براي توجيه تراكم پذيري پوشش منطقه روش تفكيك ارزش ها در دو طيف اراضي با كاربري زراعي و پوشش طبيعي مورد آزمون قرار گرفت (جدول 2). اين ارزش هاي رقومي در سه گروه باندهاي اصلي نسبت هاي باندي و تجزيه مو لفه هاي اصلي نتايج با تفاوت چشمگيري را نشان دادند. به طوري كه در اراضي با كاربري زراعي و پوشش طبعيي ضرايب تبيين افزايش قابل توجهي داشتند. در اراضي با كاربري زراعي باند 3 با 0/6=R2 بالاترين ضريب و باندهاي 2 و 4 در پايش پوشش منطقه ضريب تبيين يكساني را با مقدار 0/4= 2 R نشان دادند. اما با توجه به كمتر بودن مقدار RMSE در استفده از باند 4 مي توان اين باند را براي برآورد درصد تراكم پوشش گياهي اراضي زراعي مناسب ارزيابي نمود. PCA1 و شاخص هاي BI1 DVI NDVI و BI2 بالاترين ضريب تبيين را نشان دادند. اما باند 3 با بيشترين R 2 و كمترين RMSE در اراضي با پوشش طبيعي نتيجه مطلوبتري را نشان داد. در بررسي رابطه بين شاخص ها ي متداول و مو لفه هاي اصلي با پوشش گياهي منطقه نيز PCA1 و PCA3 با ضريب تبيين يكسان رابطه قوي تري را با پوشش گياهي منطقه نشان دادند كه با توجه به RMSE پايين تر در PCA3 اين مو لفه در برآورد شرايط پوشش در منطقه از قابليت بالاتري برخوردار است. شاخص هاي BI2 BI1 MSAVI SAVI و COSRI ضرايب تبيين بالاتر و روابط مطلوبتري اراي ه دادند. به منظور ارزيابي روش مورد استفاده امكان وجود روابط بين متغير هاي مستقل و در صد تراكم پوشش گياهي با استفاده از روش رگرسيون گام به گام بررسي گرديد و مشاهده شد كه اين روابط با مشخصه هاي آماري مطلوبتر نسبت به حالت اول در مطالعه الگوي تغيير پذيري پوشش از كارايي بالاتري برخوردار هستند (معادلات 2 و 3). Veg= -18.1+1.26BI2+22.78 b3 معادله (2) Veg= 25.78+0.76SAVI +0.65 b3 معادله (3) در معادلات (2) و (3) Veg پوشش گياهي سطح بر حسب درصد مي باشد. در معادله ي (2) 0/65= 2 R و 6/16= RMSE و در معادلهي (3) 0/58= 2 R و 2/7= RMSE مي باشند. نتايج نشان داد كه به طور كلي بين داده هاي حاصل از سنجنده + ETM و درصد تراكم پوشش گياهي به عنوان مشخصه گياهي مي توان روابط مناسبي را يافت. نتايج تحليل باندهاي 3 و 4 پس از تفكيك اراضي به كاربري هاي همگن از نظر نوع پوشش نشان داد كه ضرايب تبيين نسبتا بالايي براي باند هاي 3 و 4 به دست مي آيد. در اين مورد مي توان علت را به انعكاس زياد پوشش گياهي در نواحي قرمز و مادون قرمز نزديك مربوط دانست. نتايج فوق با يافته هاي زولين گو و پرايس 2001) Price, (XulinGuo & مطابقت دارد. با اين وجود در تحليل شرايط فوق مقادير ضرايب نسبتا پايين را به ويژه در زمان بررسي پوشش كل مي توان به نوع پوشش گياهي مناطق خشك و نيمه خشك و سازگاري پوشش با اقليم اين مناطق نسبت داد. به طوري كه پوشش گياهي در اين مناطق به شدت تحت تاثير خصوصيات خاك از قبيل بافت خاك رطوبت ماده آلي و ميزان عناصر معدني و پديده مهم شوري خاك و نيز پارامتر هاي اقليمي منطقه مي باشند (2003 al.,.(barnes et گياهان سبز با سازه برگي كامل به علت وجود فضاي بين سلولي مقدار زيادي از پرتوهاي مادون قرمز نزديك را انعكاس مي دهند.
107 بررسي امكان استفاده از نسبتهاي باندي و تجزيه و تحليل مولفههاي جدول 2- معادلات و ضرايب تبيين بين باندهاي اصلي شاخص هاي پوشش گياهي وخاك و مو لفههاي اصلي و درصد تراكم گياهي Table 2- The equations describing relations between the main bands, the vegetation indices, soil indices the principal components and the percentage of vegetation coverage. The related R-Squares are also included. گروه باندهاي اصلي معادله Spectrum bands Group Equation R 2 RMSE * Veg= -141.4243 + 2.3109152 band1 0.34 8.69 Band 1 ** 6049756 band1.veg= -166.5284 + 2 0.37 5.76 *** Veg= -57.20716 + 1.1739527 band1 0.4 2.31 Veg= -96.54334 + 1.6745203 band2 0.3 8.82 Band 2 Veg= -124.745 + 1.9949136 band2 0.4 5.68 Veg= -37.00365 + 0.8818419 band2 0.35 2.45 Veg= -64.20423 + 0.9582626 band3 0.46 8.28 Band 3 2051773 band3.10341 + 1.Veg= -93 0.6 5.31 Veg= -13.99888 + 0.4652395 band3 0.57 2 Veg= 0.1584243 + 0.3922194 band4 0.36 8.65 Band 4 Veg= -10.06405 + 0.4826513 band4 0.4 5.6 Veg= -84.812717+ 0.4605693 band4 0.38 2.4 Veg= -43.98116 + 0.8503045 band5 0.26 8.85 Band 5 9419187 band5.80694 + 0.Veg= -54 0.26 5.85 Veg= -35.13004 + 0.7303041 band5 0.31 2.54 Veg= -4.802023 + 0.550891 band7 0.2 8.94 Band 7 57043 band7.048296 + 0.Veg= -8 0.32 5.71 Veg= -4.235686 + 0.5235181 band7 0.31 2.5 Veg= -78.40448 + 0.5469369 pc1 0.38 8.61 PCA1 1097122 pca1.91494 + 1.Veg= -35 0.58 5.4 Veg= -1.095359 + 0.5890651 pca1 0.47 2.3 0.3390285 pca2+veg=- 59.62746 0.35 8.68 PCA2 Veg= -22,57807 + 0,7913826 pca1 2 0.36 5.79 Veg= -20.83396 + 0.7663211 pca1 2 0.38 2.46 Veg= -54.86182 + 0.4804594 pca3 0.33 8.71 PCA3 0968608 pca1 3.19648 + 1.Veg= -36 0.5 5.56 Veg= -10.02047 + 0.697818 pca1 3 0.47 2.2 Veg= -48.91643 + 0.95462 VNIR1 0.17 8.97 VNIR1 253417 VNIR1.625157 + 2.Veg= 36 0.26 5.87 Veg= -35.879671 + 1.6769379 VNIR1 0.24 2.55 Veg= -50.272851 + 1.77739 VNIR2 0.21 8.9 VNIR2 Veg= 40.862538 + 2.926789 VNIR2 0.33 5.69 1.2129205 VNIR2+Veg= -35.690311 0.3 2.45 Veg= -30.380878+ 1.8011 NDVI 0.2 8.92 NDVI Veg= 46.298872 + 2.071867 NDVI 0.46 5.48 1.143997 NDVI+Veg= -35.656957 0.34 2.4 Veg=- 161.69558 + 1.7473 TVI 0.22 8.88 TVI Veg= -0.389404 + 0.444476 TVI 0.41 5.6 1.4858565 TVI+Veg= -36.711674 0.33 2.41 Veg= 17.473872+ 1.19999 MND 0.2 8.94 MND Veg= 50.855236 + 0.861087 MND 0.4 5.64 Veg=- 35.721929 + 0.5454925 MND 0.45 2.34 * Total Vegetation Cover ** Agriculture Land *** Natural Cover
108 نشريه بوم شناسي كشاورزي جلد 2 شماره 1 سال 1389 Spectrum bands MINI BI1 BI2 SI GEMI EVI COSRI DVI MSAVI SAVI OSAVI گروه Group * ** *** ادامه جدول 2 Table 2- Continue معادله Equation Veg= -43.863183 + 0.623385 MINI Veg= 45.459029 + 1.732852 MINI 0.2249092 MINI+Veg= -35.746804 Veg= -103.8133 + 1.5741796 BI1 Veg= -83.209882 + 0.1570796 BI1 Veg= -35.9214 + 0.0018299 BI1 Veg= -72.50359 + 0.7694508 BI2 Veg= 64.072401 0.1351708 BI2 Veg= 35.317079 + 0.0028016 BI2 Veg= -102.06 + 1.5401279 SIsal 0.0599147 SIsal+Veg= -49.559293 Veg= 35.620688 + 0.00123 SIsal Veg= -32.63631+ 0.0196445 GEVI Veg= 72.633072 + 0.0139594 GEVI Veg= -35.736737+ 0.00207 GEVI Veg=- 33.289317+ 2.90311 EVI Veg= 47.607235 + 1.875287 EVI Veg= -35.30928 + 0.982551 EVI Veg= -30.627852 +1.80273 COSRI Veg= 46.589827 + 0.647342 COSRI Veg= -35.260223 3.4708276 COSRI Veg= -31.24911 + 1.645131 DVI Veg= 47.074894 + 0.269419 DVI Veg= 19.873902 + 0.1109908 DVI Veg= 30.38762 + 2.143504 MSAVI Veg=- 44.271554 + 3.7058097 MSAVI Veg= 35.726576 + 0.0772035 MSAVI Veg= -30.455816 + 92.916365 SAVI Veg= 46,780827 + 3.292178 SAVI Veg= -35.6869 + 0.6747172 SAVI Veg= -30.464086+ 1.49117 OSAVI Veg= 44.338772 + 0.9360472 OSAVI Veg= -35.78124 + 0.1293359 OSAVI * Total Vegetation Cover ** Agriculture Land *** Natural Cover R 2 0.16 0.27 0.2 0.35 0.5 0.51 0.28 0.56 0.53 0.34 0.4 0.45 0.01 0.25 0.13 0.02 0.32 0.1 0.23 0.35 0.5 0.22 0.45 0.41 0.24 0.37 0.5 0.2 0.4 0.54 0.2 0.38 0.45 RMSE 9.06 5.9 2.6 8.64 5.5 2.31 8.8 5.46 2.23 8.68 5.67 2.4 9.13 5.95 2.73 9.08 5.77 2.8 8.92 5.7 2.34 8.9 5.54 2.46 8.85 5.6 2.3 8.96 5.61 2.3 9.02 5.58 2.43 در نتيجه بازتاب طيفي گياهان در اين ناحيه به شدت افزايش مي يابد كه اين ميزان شدت به نوع تراكم و سلامت گياه بستگي دارد (2002 al.,.(bricklemyer et درصد تاج پوشش كم با تعداد برگ كم و به ندرت سبز و پوشيده از كرك و ناچيز بودن پوشش اين مناطق مشكل اساسي در بررسي پوشش گياهي است. از اين رو انعكاس حاصل از اين گياهان به شدت تحت تاثير خاك زمينه است (1996.(Taherkia, نتايج نشان مي دهد كه BI به عنوان شاخص موثري در پايش تغييرات مكاني پوشش منطقه تركيبي از باندهاي 3 و 4 است. بيشترين بازتاب پوشش گياهي نيز در همين باندها مي باشد.(Matsushita et al., 2001) از طرفي اين شاخص در منطقه مورد مطالعه با پوشش گياهي به ندرت سبز و سازگار با اقليم خشك و نيمه خشك براي پايش پوشش منطقه مناسب ارزيابي گرديد كه مشابه نتايج اسكادافل و همكاران ) et al., 2005 (Escadafal مي باشد. همچنين شاخص NDVI به عنوان يكي از پركاربردترين شاخص هاي پوشش گياهي جهت شناسايي پوشش مناطق با كاربري زراعي نتايج مطلوبي نسبت به ساير شاخصها اراي ه داد. به طوري كه در مقادير نزديك به 1+ نشان دهنده پوشش انبوه گياهي است (2004 al.,.(ray et شاخص تركيبي COSRI كه با تعديل شاخص NDVI حاصل مي شود در منطقه مورد مطالعه براي زمين هاي با پوشش طبيعي و به صورت پراكنده
109 بررسي امكان استفاده از نسبتهاي باندي و تجزيه و تحليل مولفههاي مناسب ارزيابي گرديد و بر اساس نتايج فرناندز بوسس و همكاران 2006) al., (Fernandez Buces et براي مطالعه تغييرات خاك هاي باير با پوشش پراكنده و پاسخ هاي طيفي پوشش گياهي مي تواند استفاده شود. همچنين نتايج حاصل بيانگر حساسيت بيشتر شاخص SAVI نسبت بهOSAVI در برآورد پوشش گياهي است. به طوري كه شاخص SAVI با كاهش اثرات كاني هاي مختلف در پايش پوشش مناطق خشك از كارايي بالايي برخوردار بوده و مشابه نتايج هوت (1989 (Huete, و بويانتوي (2007 (Buyantuyev, مي باشد. ضرايب تبيين بالا در شاخص هاي SI OSAVI MSAVI MND TVI به ترتيب با مقادير 0/33 0/45 0/45 0/5 و 0/45 حاكي از آن است كه اين شاخص ها با حذف ياكاهش اثر خاك زمينه مي توانند روابط بهتري را براي برآورد پوشش گياهي منطقه به خصوص در اراضي با پوشش طبيعي ايجاد نمايند كه با نتايج نيكولاكوپولوس (2003 (Nikolakopoulos, مطابقت دارد. بررسي و مقايسه ضرايب تبيين بين مو لفه هاي مختلف حاصل از تجزيه و تحليل مو لفه هاي اصلي نيز نشان داد كه مو لفه اصلي 1 حاصل سه باند 2 1 و 3 و مو لفه اصلي 3 حاصل كليه باندها كه با پوشش گياهي رابطه مناسبي برقرار كرده و مي توانند اطلاعات كلي از وضعيت پوشش گياهي منطقه به خصوص در رابطه با نوع و تركيب پوشش در منطقه خشك و نيمه خشك اراي ه دهند كه مشابه يافته هاي موللي و همكاران (2001 al., (Moleele et است. نتايج حاصل از برآورد تراكم پوشش گياهي به ويژه در كاربري ها با پوشش مشابه با استفاده از تصاوير ماهواره اي + ETM نشان داد كه اين تصاوير از كارايي بالايي برخوردار بوده و آناليزهاي حاصل از آن ها را مي توان براي تعيين عمليات كشاورزي نوع محصول بيوماس محصول عملكرد محصول و خصوصيات خاك نيز بهره گرفت كه نتايج بريكليمر و همكاران (2002 al., (Bricklemyer et نيز آن را تاييد مي نمايد. نتيجه گيري استفاده و ارزيابي شاخصهاي حاصل از نسبتهاي طيفي باندهاي مختلف سنجنده + ETM ماهواره لندست نشان داد كه اگرچه نقش شاخصهاي مختلف حاصل از دو باند قرمز و مادون قرمز نزديك غير قابل انكار است اما كاربرد ساير تركيبهاي باندي نيز مي تواند در مطالعه پوشش گياهي منطقه مورد استفاده قرار گيرند. مو لفه- هاي حاصل از تجزيه و تحليل مو لفههاي اصلي در شناسايي و تفكيك اين پديده از پتانسيل بالايي برخوردار هستند. از طرفي نتايج اين تحقيق نشان داد كه باند 3 و نسبت هاي باندي تركيبي باندهاي قرمز و مادون قرمز نزديك نقش تعيين كنندهاي در تحليل تغييرپذيري طيفي پوشش گياهي منطقه مورد مطالعه دارند. مدلهاي حاصل از اين نتايج را براي ارزيابي كاربريها و تراكم پوشش در اراضي منطقه مي توان استفاده نمود و نتايج حاصل از آن را به مناطق با خصوصيات مشابه تعميم داد. همچنين پيشنهاد مي شود اين شاخصها و پردازشها در مناطق ديگري نيز مورد مطالعه و ارزيابي قرار گيرند. از اين رو با استفاده از تصاوير ماهوارهاي سنجنده + ETM ميتوان به مطالعه برخي از پديدهها و عوارض سطح زمين از قبيل پوشش گياهي كه به علل مختلف در اثر عوامل طبيعي و انساني دچار تغيير شده در سطح وسيع پرداخت كه اين امر در آشكارسازي پايش و پيش بيني چنين تغييراتي در يك اكوسيستم از اهميت بسزايي برخوردار است. منابع 1- Aitkenhead, M.J., and Aalders, I.H. 2008. Classification of Landsat thematic mapper imagery for land cover using neural networks. International Journal of Remote Sensing 1:1 10. 2- Arzani, H., and King, G.W. 2008. Application of remote sensing (landsat TM data) for vegetation parameters measurement in western division of NSW. In: Proceedings of the International Grassland Congress. Hohhot, China. ID NO. 1083. 3- Bahtti, A.U., Mulla, D.J., and Frazier, B.E. 1991. Estimation of soil properties and wheat yields on complex eroded hills using geostatistics and thematic mapper images. Remote Sens. Environment 31: 181-191. 4- Barnes, E.M., Sudduth, K.A., Hummel, J.W., Lesch, S.M., Corwin, D.L., Yang, C., Daughtry, C.S.T., and Bausch, W.C. 2003. Remote and ground-based sensore techniques to map soil properties. Photogrammetric Engineering and Remote Sensing 69: 619-630. 5- Bricklemyer, R.S., Lawrence, R.L., and Miller, R.R. 2002. Documenting no-till and conventional till practices using Landsat ETM + imagery and logistic regression. Soil and Water Conservation 57: 267-271. 6- Buyantuyev, A. 2007. SAVI (Soil Adjusted Vegetation Index) of the 2005 Landsat Thematic Mapper Image. Retrieved May 10, 2008 from http://seinet.asu.edu/datacatalog/wholerecord.jsp?id=370&source=ces_dataset 7- Cohen, W.B., Maiersperger, T.K., Gower, S.T., and Turner, D.P. 2003. An improved strategy for regression of biophysical variables and Landsat ETM + data. Remote Sensing of Environment 84: 561 571. 8- Douaoui, A.E.K., Nicolas, H., and Walteer, C. 2006. Detecting salinity hazards within a semiarid context by means of combining soil and remote sensing data. Geoderma 134: 217-230. 9- Escadafal, R., Albinet, F., and Simonneaux, V. 2005. Arid Land cover change trend analysis with series of satellite
110 نشريه بوم شناسي كشاورزي جلد 2 شماره 1 سال 1389 images for desertification monitoring in Northern Africa. http://www.isprs.org/publications/related/isrse/html/papers/953.pdf 10- Farifteh, J., and Farshad, A. 2002. Remote sensing and modeling of topsoil properties, a clue for assessing land degrading. In: Proceedings of the 17 th World Congress of soil Science. Bangkok Thailand 14-20 August, 865. 11- Fernandez Buces, N., Siebe, C., Cram, S., and Palacio, J.L. 2006. Mapping soil salinity using a combined spectral response index for bare soil and vegetation: A case study in the former lake Texcoco, Mexico. Arid Environments 65: 644 667. 12- Foody, G.M., Cutler, M., Mcmorrow, J., Pelz, D., Tangki, H., Boyd, D.S., and Douglas, I. 2001. Mapping the biomass of Bornean tropical rain forest from remotely sensed data. Global Ecology and Biogeography 10: 379 387. 13- Frazier, B.E., and Cheng, Y. 1989. Remote sensing of soils in eastern Palouse region with Landsat thematic mapper. Remote sense. Environment 28: 317-325. 14- Hickler, T., Smith, B., Sykes, M.T., Davis, M.B., Sugita, S., and Walker, K. 2004. Using a generalized vegetation model to simulate vegetation dynamics in northeastern USA. The Ecological Society of America 85: 519 530. 15- Huete, A.R. 1989. Soil influences in remotely-sensed vegetation canopy spectra, Chapter 4. In: G. Asrar (ed.), Theory and Applications of Optical Remote Sensing. John Wiley and Sons, N.Y., pp. 107-141. 16- Khan, N.M., Rastoskuev, V.V., Shalina, E.V. and Sato, Y. 2001. Mapping Salt Affected Soils using remote sensing Indicators a simple approach with the use of GIS IDRISI. In: Proceedings of the 22nd Asian Conference on Remote Sensing, 5-9 November, Singapore. Center for Remote Imaging, Sensing and Processing (CRISP), National University of Singapore; Singapore Institute of Surveyors and Valuers; Asian association on remote sensing 17- Ma, M and Xuemei, W. 2005. Vegetation cover change during 1981 to 2001 in Northwest China. The Eighth International Conference on Dryland Development 25-28 February 2006, Beijing, China. 18- Ma, Y.M., Menenti, M., Tsukamoto, O., Ishikawa, H., Wang, J.M., and Gao, Q.Z. 2004. Remote sensing parameterization of regional land surface heat fluxes over arid area in northwestern China. Arid Environments 57: 117 133. 19- Matsushita, B., Yang, W., Chen, J., Onda1, Y., and Qiu, G. 2001. Sensitivity of the Enhanced Vegetation Index (EVI) and normalized difference vegetation index (NDVI) to topographic effects: a case study in high-density cypress forest. Sensors 7: 2636-2651. 20- Moleele, N., Ring rose, S., Arenberg, W., Lunden B., and Vanderpost, C. 2001. Assessment of vegetation Indexes useful for browse production in semi-arid ranglands. International Remote Sensing 22: 741-756. 21- Nikolakopoulos, K.G. 2003. Use of Vegetation Indexes with ASTER VNIR Data for Burnt Areas Detection in Western Peloponnese, Greece. In: Proceedings of Geoscience and Remote Sensing Symposium, Athens, IGARSS 03, IEEE International 5: 3287-3289. 22- Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.M., Tucker, C.J., and Stenseth, N.C. 2005. Using the satellite derived NDVI to assess ecological responses to environmental change. Trends in ecology and evolution 9: 503-510. 23- Ray, S.S., Singh, J.P., Dasa, G., and Panigrahy, S. 2004. Use of high resolution remote sensing data for generating sitespecific soil mangement plan. In: Proceeding of the 4 th International Society for Photogrammetry and Remote sensing congress. July 12-23, Istanbul, Turkey. p. 127 ff. 24- Saxsena, R.K., Verma, K.S., Srivastava, R., Yadav, J., Patel, N.K., Nasre, R.A., Barthwal, A.K., Shiwalkar, A.A., and Londhe, S.L. 2003. Spectral reflectance properties of some dominant soils occurring on different altitudinal zones in Uttarancha Himalayas. Agropedology 13: 35-43. 25- Taher kia, H., 1996. Remote Sensing. Tehran University. Iran. (In Persian) 26- Xulin G, and Price, P. 2001. Modeling biophysical factors for grasslands in eastern Kansas using Landsat TM data. The Transaction of Kansas Academy of Science 103(3-4):122-138 27- Yuan, J., and Long, L. 1995. Study on forest vegetation classification with remote sensing. In: Proceeding of The Second IFIP International Conference on Computer and Computing Technologies in Agriculture (CCTA2008), October 18-20, 2008, Beijing, China.