برآورد تغییرات جنگل براساس عوامل اقلیمی با استفاده ازتصاویر ماهواره ای

Abstract

<strong>پوشش گیاهی ارتباط زیادی با شرایط اقلیمی دارد. شناسایی تغییرپذیری فصلی رشد گیاه برای شناسایی پاسخ اکوسیستم</strong><strong>‌</strong><strong>ها به تغییر اقلیم در مقیاس</strong><strong>‌</strong><strong>های زمانی فصلی و بین سالیانه تعیین کننده است. برای ارائه مدل پیش</strong><strong>‌</strong><strong>بینی 7 عنصر آب و هوایی شامل بارش، دما و رطوبت</strong><strong>‌</strong><strong>نسبی (حداکثر، میانگین و حداقل) برای </strong><strong>دوره 20 ساله (2006-1987) در 141 ایستگاه سینوپتیک و کلیماتولوژی به داده </strong><strong>فضایی </strong><strong>تبدیل شد.ترکیب مقادیر حداکثر ماهانه </strong>NDVI<strong> از تصاویر </strong>NOAA-AVHRR <strong>در همان دوره</strong><strong>‌ </strong><strong>استخراج گردید. سپس عناصر آب و هوایی به عنوان متغیر مستقل و </strong>NDVI<strong> به عنوان متغیر وابسته در رگرسیون خطی چند متغیره وارد شد. نتایج نشان داد که </strong><strong>بالاترین ضریب همبستگی بین عناصر اقلیمی و مقدار </strong>NDVI<strong> در ماه می به مقدار 82/0 اتفاق می</strong><strong>‌</strong><strong>افتد که اوج سبزینگی است. کمترین همبستگی در زمستان به</strong><strong>‌</strong><strong>خاطر نبود رشد کافی درختان می</strong><strong>‌</strong><strong>باشد. ضریب همبستگی سالانه مقدار مدل با حالت محاسباتی با در نظر گرفتن خطای تصادفی بیش از 93/0 می</strong><strong>‌</strong><strong>باشد. در مجموع مقدار محاسباتی ماه می و ژوئن برای سال</strong><strong>‌</strong><strong>های 2004 و 2005 به ضریب همبستگی مدل نزدیک است، اما در ماه</strong><strong>‌</strong><strong>های زمستان به دلیل نبود سبزینگی ضریب همبستگی کم می</strong><strong>‌</strong><strong>شود. در سال 2006 به دلیل خشکی شدیدتر در اواخر بهار (ماه ژوئن) پیش</strong><strong>‌</strong><strong>بینی 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 می</strong><strong>‌</strong><strong>شود. فصل پاییز از نقش بارش کاسته و دما افزوده می</strong><strong>‌</strong><strong>شود.</strong>