سال 13، شماره 4 - ( زمستان 402 1402 )
جلد 13 شماره 4 صفحات 82-56 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Raeesi M, Zolfaghari A, Rahimi M, Kaboli S H. Estimation of Vegetation Changes Concerning Annual Rainfall and Temperature in Semnan Province. E.E.R. 2023; 13 (4) :56-82
URL: http://magazine.hormozgan.ac.ir/article-1-809-fa.html
URL: http://magazine.hormozgan.ac.ir/article-1-809-fa.html
رئیسی مریم، ذوالفقاری علی اصغر، رحیمی محمد، کابلی سید حسن. ارزیابی تغییرات پوشش‌گیاهی در پاسخ به مقادیر سالانه بارش و دما در استان سمنان. پژوهش هاي فرسايش محيطي. 1402; 13 (4) :56-82
گروه آموزشی مدیریت مناطق خشک و بیابانی، دانشکده کویرشناسی، دانشگاه سمنان، سمنان ، azolfaghari@semnan.ac.ir
چکیده: (703 مشاهده)
تغییرات شاخص تفاضل پوشش گیاهی نرمال‌شده (NDVI)، به‌طور عمده به تغییر در مؤلفه‌های اقلیمی مانند دما و بارش به‌ویژه در مناطق خشک و نیمه‌خشک وابسته است. اهداف پژوهش حاضر شامل ارزیابی تغییرات NDVI در ماه‌های مختلف از سال‌های 2001 تا 2020 است که با استفاده از روش‌های رگرسیون خطی، شیب خط سِن و تعیین روابط بین شاخص NDVI و مؤلفه‌های اقلیمی بارش و دما در استان سمنان انجام میشود. در این مطالعه، داده‌های بازتحلیل‌شده شبکه‌ای بارش و دمای حاصل از پروداکت ERA5-Land و داده‌های NDVI حاصل از پروداکت MODIS طی سری زمانی بیست ساله (2020-2001) در بررسی تغییرات شاخص NDVI در استان سمنان واکاوی شد. تصحیح اُریبی داده‌های اقلیمی نیز با استفاده از روش نگاشت چندک (QM) انجام شد. همچنین روند تغییرات شاخص NDVI با استفاده از روش رگرسیون خطی و شیب تخمینگر سِن ارزیابی شد. پس از آن، میزان ضریب تبیین ـ که میزان ارتباط بین مؤلفه‌های دما و بارش را با پوشش‌گیاهی نشان میدهد ـ محاسبه شد. نتایج حاصل از شیب خط رگرسیونی و شیب خط سِن، در برآورد تغییرات پوشش گیاهی نسبت به دو مؤلفه اقلیمی بارش و دما تقریباً مشابه بود. در 75% از مساحت استان، میزان ضرایب تبیین در ماه‌های نهم و دوازدهم میلادی (حدوداً و به‌ترتیب معادل ماه‌های شهریور و دی) حداکثر بود و به‌ترتیب 56% و 62% برآورد شد که ارتباط مثبت پوشش‌گیاهی را در ماه‌های مذکور با بارش سالانه تأیید میکرد. در نیمی از مساحت استان نیز تغییرات NDVI ماهانه نسبت به دمای سالانه طی بازه زمانی 2020-2001، صفر یا منفی بود؛ به‌طوری که در سال‌های ذکر شده میزان پوشش‌گیاهی در ارتباط با دما تغییر نکرده یا اندکی کاهش یافته بود. همچنین در 50 % از مساحت استان، میزان ضریب تبیین بین شاخص NDVI و دمای سالانه از 14% تا 28% متغیر بود و تنها در 25% از استان، ارتباط میان پوشش‌گیاهی در ماه‌های هشتم تا دوازدهم میلادی (به‌طور تقریبی معادل ماه‌های مرداد تا دی) و دمای سالانه به بیش از 40% رسیده بود.
واژه‌های کلیدی: تغییرات شاخص NDVI، داده‌های بازتحلیل‌شده ERA5-Land، شیب خط تخمینگر سِن، شیب خط رگرسیونی، مؤلفه‌های اقلیمی بارش، دمای سطح زمین.
نوع مطالعه: مستخرج از پایان‌نامه / رساله / طرح پژوهشی |
موضوع مقاله:
مدیریت و کنترل اثرات فرسایش محیطی
دریافت: 1402/4/24 | انتشار: 1402/10/10
دریافت: 1402/4/24 | انتشار: 1402/10/10
فهرست منابع
1. Akhavan, H.; Amoushahi, S.; & A. Setudeh, 2018. An Investigation on the Same Type of Vegetation NDVI Changes in Different Temperature Levels of the Mountain (Case Study: ShirKouh Mountains), Scientific and Research Journals Management System, 16(1), 37-50. (In Persian).
2. Akhavan, H.; Amoushahi, S.; & A. Setudeh, 2018. An Investigation on the Same Type of Vegetation NDVI Changes in Different Temperature Levels of the Mountain (Case Study: ShirKouh mountains), Scientific and Research Journals Management System, 16(1), 37-50. (In Persian).
3. Allen, P. A., 2017. Sediment Routing Systems, Cambridge University Press, New York, NY. [DOI:10.1017/9781316135754]
4. Amini, E.; Zolfaghari, A.; Kaboli, H.; & M. Rahimi, 2022. Estimation of Rainfall Erosivity Map in Areas with Limited Number of Rainfall Station (Case study: Semnan Province), Iranian Journal of Soil and Water Research, 53(9), 2027-2044. doi: 10.22059/ijswr.2022.343710.669279 (In Persian).
5. Amjad, M.; Yilmaz, M. T.; Yucel, I.; & K. K. Yilmaz, 2020. Performance Evaluation of Satellite-and Model-Based Precipitation Products Over Varying Climate and Complex Topography, Journal of Hydrology, 584, 124707. [DOI:10.1016/j.jhydrol.2020.124707]
6. Avazpour, N.; Faramarzi, M.; Omidipour, R.; & H. Mehdizadeh, 2021. Monitoring the Drought Effects on Vegetation Changes Using Satellite Imagery (Case Study: Ilam Catchment), Geography and Environmental Sustainability, 11(4), 125-143. https://doi.org/ 10.22126/ ges. 2022.7130.2472 [DOI:10.22126/ ges. 2022.7130.2472]
7. Beck, H.; Pan, M.; Roy, T.; Weedon, G.; Pappenberger, F.; van Dijk, A.; Huffman, G.; Adler, R.; & E. Wood, 2019. Daily Evaluation of 26 Precipitation Datasets Using Stage-IV Gauge-Radar Data for the CONUS, Hydrology and Earth System Sciences, 23, 207-224. https:// doi.org/10.5194/hess-23-207-2019 [DOI:10.5194/hess-23-207-2019]
8. Bližňák, V.; Pokorná, L.; & Z. Rulfová, 2022. Assessment of the Capability of Modern Reanalyses to Simulate Precipitation in Warm Months Using Adjusted Radar Precipitation, Journal of Hydrology: Regional Studies, 42, 101121. [DOI:10.1016/j.ejrh.2022.101121]
9. Chen, Y.; Sharma, S.; Zhou, X.; Yang, K.; Li, X.; Niu, X.; Hu, X.; & N. Khadka, 2021. Spatial Performance of Multiple Reanalysis Precipitation Datasets on the Southern Slope of Central Himalaya. Atmospheric Research, 250, 105365. https:// doi.org/10.1016 /j.atmosres. 2020.105365 [DOI:10.1016/j.atmosres.2020.105365]
10. Darvand, S.; Khosravi, H.; Eskandari Damaneh, H.; & H. Eskandari Damaneh, 2021. Investigating the Trend of NDVI Changes Derived from MODIS Sensor Imagery (Case Study: Isfahan Province), Drnl, 1(2), 69-79.
11. Dastorani, M.; Komaki, Ch. B.; Khosravi, H.; & Z. Ghelichipour, 2019. Investigation of the Trend of Rainfall and Vegetation Changes in Arid and Semiarid Regions (Case Study:Khorasan Razavi, Iran), Journal of Arid Biome, 9(1), 11-19. https://doi.org/ 10.29252/ aridbiom. 2019.1540 [DOI:10.29252/ aridbiom. 2019.1540]
12. Diallo, M.; Ern, M.; & F. Ploeger, 2021. The advective Brewer-Dobson Circulation in the ERA5 Reanalysis: Climatology, Variability, and Trends, Atmos. Chem. Phys., 21(10), 7515-7544. [DOI:10.5194/acp-21-7515-2021]
13. Ding, M., Yili, Z., Liu, L., Wei, Z., Zhaofeng, W., & B. Wanqi, 2007. The Relationship Between NDVI and Precipitation on the Tibetan Plateau, Journal of Geographical Sciences, 17. [DOI:10.1007/s11442-007-0259-7]
14. Duan, H.; Xue, X.; Wang, T.; Kang, W.; Liao, J.; & S. Liu, 2021. Spatial and Temporal Differences in Alpine Meadow, Alpine Steppe and All Vegetation of the Qinghai-Tibetan Plateau and Their Responses to Climate Change, Remote Sensing, 13(4), https:// doi.org /10. 3390/rs13040669 [DOI:10.3390/rs13040669]
15. Duveiller, G.; Hooker, J.; & A. Cescatti, 2018. The Mark of Vegetation Change on Earth's Surface Energy Balance. Nature Communications, 9. [DOI:10.1038/s41467-017-02810-8]
16. Ebrahimi, Z.; Roustaei, F.; & M. Soleimani sardo, 2022. Analysis of Temporal Vegetation Changes in Western Rangelands of Kerman Province Using MODIS Level 3 Data and its Relation to Climate Factors, Journal of Arid Regions Geographic Studies, 10(37), 40-52.
17. Fang, G. H.; Yang, J.; Chen, Y. N.; & C. Zammit, 2015. Comparing Bias Correction Methods in Downscaling Meteorological Variables for a Hydrologic Impact Study in an Arid Area in China, Hydrol. Earth Syst. Sci., 19(6), 2547-2559. [DOI:10.5194/hess-19-2547-2015]
18. Fang, M., 2016. Application of Bayesian Model Averaging in the Reconstruction of the Past Climate Change Using PMIP3/CMIP5 Multimodel Ensemble Simulations, Journal of Climate, 29, 175-189. [DOI:10.1175/JCLI-D-14-00752.1]
19. Firouzi, F.; Tavosi, T.; & P. Mahmoudi, 2019. Investigating the Sensitivity of NDVI and EVI Vegetation Indices to Dry and Wet Years in Arid and Semi-Arid Regions (Case study: Sistan plain, Iran), Geographical Data, 28(110), 163-179. SID. https://sid.ir/paper/253128/en, (In Persian).
20. Garai, S.; Khatun, M.; Singh, R.; Sharma, J.; Pradhan, M.; Ranjan, A.; Rahaman, S. M.; Khan, M. L.; & S. Tiwari, 2022. Assessing Correlation Between Rainfall, Normalized Difference Vegetation Index (NDVI) and Land Surface Temperature (LST) in Eastern India, Safety in Extreme Environments, 4(2), 119-127. [DOI:10.1007/s42797-022-00056-2]
21. Ghalami, V.; Saghafian, B.; & T. Raziei, 2022. Investigating the Effect of Bias Correction on Quality Improvement of NEX-GDDP Downscaled Precipitation Data, Iran-Water Resources Research, 18(1), 68-83.
22. Ghebrezgabher, M. G.; Yang, T.; Yang, X.; & T. Eyassu Sereke, 2020. Assessment of NDVI Variations in Responses to Climate Change in the Horn of Africa, The Egyptian Journal of Remote Sensing and Space Science, 23(3), 249-261. [DOI:10.1016/j.ejrs.2020.08.003]
23. Gleixner, S.; Demissie, T.; & G. T. Diro, 2020. Did ERA5 Improve Temperature and Precipitation Reanalysis over East Africa?, Atmosphere, 11(9). https://doi.org /10.3390/ atmos 11090996 [DOI:10.3390/atmos11090996]
24. Gomis-Cebolla, J.; Rattayova, V.; Salazar-Galán, S.; & F. Francés, 2023. Evaluation of ERA5 and ERA5-Land reanalysis precipitation datasets over Spain (1951-2020), Atmospheric Research, 284, 106606. [DOI:10.1016/j.atmosres.2023.106606]
25. Gudmundsson, L.; Bremnes, J. B.; Haugen, J.; & T. Skaugen, 2012. Technical Note: Downscaling RCM Precipitation to the Station Scale Using Quantile Mapping - A Comparison of Methods, Hydrology and Earth System Sciences Discussions, 9, 6185-6201. https://doi.org /10.5194/hessd-9-6185-2012 [DOI:10.5194/hessd-9-6185-2012]
26. Hadian, F.; Hoseini, S. Z.; & M. Seyed Hoseini, 2015. Monitoring vegetation changes using precipitation data and satellite images in north-west of Iran, IJRDR, 21(4), 756-768. https://doi.org /10.22092/ijrdr.2016.13078
27. Hamm, A.; Arndt, A.; Kolbe, C.; Wang, X.; Thies, B.; Boyko, O.; Reggiani, P.; Scherer, D.; Bendix, J.; & C. Schneider, 2020. Intercomparison of Gridded Precipitation Datasets over a Sub-Region of the Central Himalaya and the Southwestern Tibetan Plateau, Water, 12(11). [DOI:10.3390/w12113271]
28. Holben, B. N., 1986. Characteristics of maximum-value composite images from temporal AVHRR data, International Journal of Remote Sensing, 7(11), 1417-1434. https://doi.org/ 10. 1080/01431168608948945
https://doi.org/10.1080/01431168608948945 [DOI:10. 1080/01431168608948945]
29. Hu, M., & Xia, B., (2019). A significant increase in the normalized difference vegetation index during the rapid economic development in the Pearl River Delta of China. Land Degradation & Development. 30(4), 359-370. [DOI:10.1002/ldr.3221]
30. Hu, Q.; Li, Z.; Wang, L.; Huang, Y.; Wang, Y.; & l. Li, 2019. Rainfall spatial estimations: A review from spatial interpolation to multi-source data merging, Water, 11(3), 579. [DOI:10.3390/w11030579]
31. Huang, C.; Yang, Q.; Guo, Y.; Zhang, Y.; & l. Guo, 2020. The pattern, change and driven factors of vegetation cover in the Qin Mountains region, Scientific Reports, 10. https://doi.org /10.1038/s41598-020-75845-5 [DOI:10.1038/s41598-020-75845-5]
32. Huth, R., & R. Beranova., (2021). How to Recognize a True Mode of Atmospheric Circulation Variability. Earth and Space Science. 8. [DOI:10.1029/2020EA001275]
33. Jia, L.; Li, Z.; Xu, G.; Ren, Z.; Li, P.; Cheng, Y.; Zhang, Y.; Wang, B.; Zhang, J.; & S. Yu, 2020. Dynamic change of vegetation and its response to climate and topographic factors in the Xijiang River basin, China, Environmental Science and Pollution Research, 27(11), 11637-11648. [DOI:10.1007/s11356-020-07692-w]
34. Kolachian, R.; Saghafian, B.; & S. Moazami, 2021. Evaluation of Post-Processing and Bias Correction of Monthly Precipitation and Temperature Forecasts in Karun Basin, Iran-Water Resources Research, 16(4), 98-111.
35. Li, H.; Li, Y.; Gao, Y.; Zou, C.; Yan, S.; & J. Gao, 2016. Human Impact on Vegetation Dynamics around Lhasa, Southern Tibetan Plateau, China, Sustainability, 8, 1146. https://doi .org/10.3390/su8111146 [DOI:10.3390/su8111146]
36. Muñoz-Sabater, J.; Dutra, E.; Agustí-Panareda, A.; Albergel, C.; Arduini, G.; Balsamo, G.; Boussetta, S.; Choulga, M.; Harrigan, S.; Hersbach, H.; Martens, B.; Miralles, D. G.; Piles, M.; Rodríguez-Fernández, N. J.; Zsoter, E.; Buontempo, C.; & J. N. Thépaut, 2021. ERA5-Land: A state-of-the-art global reanalysis dataset for land applications, Earth Syst. Sci. Data, 13(9), 4349-4383. [DOI:10.5194/essd-13-4349-2021]
37. Muñoz-Sabater, J.; Lawrence, H.; Albergel, C.; Rosnay, P.; Isaksen, L.; Mecklenburg, S.; Kerr, Y.; & M. Drusch, 2019. Assimilation of SMOS brightness temperatures in the ECMWF Integrated Forecasting System, Quarterly Journal of the Royal Meteorological Society, 145(723), 2524-2548. [DOI:10.1002/qj.3577]
38. Najafi, Z.; Darvishsefat, A.; Fatehi, P.; & P. Attarod, 2020. Time series analysis of vegetation dynamic trend using Landsat data in Tehran Megacity, Iranian Journal of Forest, 12(2), 257-270, (In Persian).
39. Nogueira, M., 2020. Inter-comparison of ERA-5, ERA-interim and GPCP rainfall over the last 40 years: Process-based analysis of systematic and random differences, Journal of Hydrology, 583, 124632. [DOI:10.1016/j.jhydrol.2020.124632]
40. Pelosi, A.; Terribile, F.; D'Urso, G.; & G. B. Chirico, 2020. Comparison of ERA5-Land and UERRA MESCAN-SURFEX Reanalysis Data with Spatially Interpolated Weather Observations for the Regional Assessment of Reference Evapotranspiration, Water, 12(6). [DOI:10.3390/w12061669]
41. Reichle, R. H.; Draper, C. S.; Liu, Q.; Girotto, M.; Mahanama, S. P. P.; Koster, R. D.; & G. J. M. De Lannoy, 2017. Assessment of MERRA-2 Land Surface Hydrology Estimates, Journal of Climate, 30(8), 2937-2960. [DOI:10.1175/JCLI-D-16-0720.1]
42. Sam Khaniani, A., & A. Mohammadi., (2022). Comparison of ERA5-Land reanalysis data with surface observations over Iran. Iranian Journal of Geophysics. 16(1), 195-212. https:// doi. org /10.30499/ijg.2022.313494.1376
43. Shabanipoor, M.; Darvish Sefat, A. A.; & R. Rahmani., 2019. Long-term trend analysis of vegetation changes using MODIS-NDVI time series during 2000-2017 (Case study: Kurdistan province), Journal of Forest and Wood Products, 72(3), 193-204.
44. Shafei, H., & S. M. Hosseini., )2011(. A study of vegetation in Sistan region through satellite data. 3(9), 91-105, Iranian Journal of Plant Ecophysiology, SID. https:// sid.ir /paper /188374/fa. (In Persian).
45. Shen, M.; Piao, S.; Chen, X.; An, S.; Fu, Y. H.; Wang, S.; Cong, N.; & I. A. Janssens, 2016. Strong impacts of daily minimum temperature on the green-up date and summer greenness of the Tibetan Plateau, Global Change Biology, 22(9), 3057-3066. https:// doi.org /10. 1111 /gcb. 13301 [DOI:10.1111/gcb.13301]
46. Sheridan, S. C.; Lee, C. C.; & E. T. Smith, 2020. A Comparison Between Station Observations and Reanalysis Data in the Identification of Extreme Temperature Events, Geophysical Research Letters, 47(15), e2020GL088120. [DOI:10.1029/2020GL088120]
47. Spadoni, G. L.; Cavalli, A.; Congedo, L.; & M. Munafò, 2020. Analysis of Normalized Difference Vegetation Index (NDVI) multi-temporal series for the production of forest cartography, Remote Sensing Applications: Society and Environment, 20, 100419. https:// doi. org/10.1016/j.rsase.2020.100419 [DOI:10.1016/j.rsase.2020.100419]
48. Stefanidis, K.; Varlas, G.; Vourka, A.; Papadopoulos, A.; & E. Dimitriou, 2021. Delineating the relative contribution of climate related variables to chlorophyll-a and phytoplankton biomass in lakes using the ERA5-Land climate reanalysis data, Water Research, 196, 117053. [DOI:10.1016/j.watres.2021.117053]
49. Sun, Q.; Miao, C.; Duan, Q.; Ashouri, H.; Sorooshian, S.; & K. L. Hsu, 2018. A review of global precipitation data sets: Data sources, estimation, and intercomparisons, Reviews of Geophysics, 56(1), 79-107. [DOI:10.1002/2017RG000574]
50. Tao, J.; Xu, T.; Dong, J.; Yu, X.; Jiang, Y.; Zhang, Y.; Huang, K.; Zhu, J.; Dong, J.; & Y. Xu, 2018. Elevation‐dependent effects of climate change on vegetation greenness in the high mountains of southwest China during 1982-2013, International Journal of Climatology, 38(4), 2029-2038. [DOI:10.1002/joc.5314]
51. Tarek, M.; Brissette, F. P.; & R. Arsenault, 2020. Evaluation of the ERA5 reanalysis as a potential reference dataset for hydrological modelling over North America, Hydrol. Earth Syst. Sci, 24(5), 2527-2544. [DOI:10.5194/hess-24-2527-2020]
52. Wang, Y. R.; Hessen, D. O.; Samset, B. H.; & F. Stordal, 2022. Evaluating global and regional land warming trends in the past decades with both MODIS and ERA5-Land land surface temperature data, Remote Sensing of Environment, 280, 113181. https://doi. org/ 10. 1016/j.rse.2022.113181 [DOI:10.1016/j.rse.2022.113181]
53. Weedon, G. P.; Gomes, S.; Viterbo, P.; Shuttleworth, W. J.; Blyth, E.; Österle, H.; Adam, J. C.; Bellouin, N.; Boucher, O.; & M. Best, 2011. Creation of the WATCH Forcing Data and Its Use to Assess Global and Regional Reference Crop Evaporation over Land during the Twentieth Century. Journal of Hydrometeorology, 12(5), 823-848. https://doi. org/ 10. 1175 /20 11JHM1369.1 [DOI:10.1175/2011JHM1369.1]
54. Zakeri, A.; Naderi, R.; & V. Poozesh, 2020. An investigation of plant species distribution in Semnan province (Case study: Herbarium of Damghan University), Journal of Plant Research (Iranian Journal of Biology), 33 (4), 891-913, (In Persian).
55. Zhang, Y.; Jiang, X.; Lei, Y.; & S. Gao, 2022. The contributions of natural and anthropogenic factors to NDVI variations on the Loess Plateau in China during 2000-2020, Ecological Indicators, 143, 109342. [DOI:10.1016/j.ecolind.2022.109342]
56. Zhe, M., & X. Zhang., (2021). Time-lag effects of NDVI responses to climate change in the Yamzhog Yumco Basin, South Tibet. Ecological Indicators. 124, 107431. https://doi. org/ 10. 1016/j.ecolind.2021.107431 [DOI:10.1016/j.ecolind.2021.107431]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
