Journal of Rangeland

fa بررسی تاثیر تغییرات زمانی و مکانی بارش و دما بر شاخص پوشش گیاهی (مطالعه موردی: استان یزد) Investigating the effect of temporal and spatial changes of precipitation and temperature on vegetation index (Case study: Yazd province) تخصصي Special پژوهشي Research سابقه و هدف: پوشش گیاهی تحت تأثیر متقابل بارش و دما قرار می‌گیرد، زیرا میزان و زمان بارندگی، همراه با الگوهای دما، به‌طور مستقیم بر رشد، توزیع و سلامت کلی زندگی گیاهان تأثیر میگذارد. شاخص نرمال‌شده تفاوت پوشش گیاهی (NDVI) به‌عنوان نماینده‌ای از وضعیت پوشش گیاهی سطحی، تأثیرات تغییرات محیطی را به‌خوبی منعکس می‌کند. بارش و دما، دو عامل کلیدی کنترل‌کننده در تغییرات NDVI هستند. هدف این مطالعه بررسی تأثیر تغییرات بارش و دما بر مقادیر NDVI به‌دست‌آمده از داده‌های سنجنده MODIS در استان یزد، طی دوره ۲۴ ساله (۲۰۰۰ تا ۲۰۲۳) است. مواد و روشها: در این تحقیق از شاخص NDVI استخراج شده از اطلاعات سنجنده MODIS ماهواره TERRA استفاده شد. شاخص NDVI با تفکیک مکانی 250 متر به صورت 16 روزه تولید گردید. این تصاویر شامل شاخص‌های پوشش گیاهی هستند و برای پایش جهانی پوشش گیاهی، نمایش پوشش زمین و تغییرات آن به کار می‌روند. تحلیل تغییرات این شاخص در محیط Google Earth Engine (GEE) انجام شده و سپس تجزیه و تحلیل مکانی تصاویر با استفاده از محیط <a name="_Hlk169451541">ArcGIS 10.8.3</a> انجام گرفته است. به‌علت عدم دسترسی به داده‌های بارش و دما در دراز مدت و نبود ایستگاه‌های پایش اقلیمی با پراکنش مناسب در استان یزد در دوره مورد بررسی، از داده‌های دوره 24 ساله (2000 تا 2023) تحلیل مجدد ERA5-Land استفاده شد. تفکیک مکانی ERA5-Land برابر با 9 کیلومتر و تفکیک زمانی آن یک ساعته است. پردازش دادههای مرتبط با محاسبه میانگین سالانه، ماهانه و فصلی از سری زمانی NDVI، بارش و دما، و میانگین این مقادیر در سطح استان یزد انجام شد. در پایان آنالیز روند این سه مجموعه داده با استفاده از آزمون من-کندال بررسی و سپس همبستگی بین شاخص NDVI و متغیرهای اقلیمی بارش و دما در مقیاسهای سالانه، ماهانه و فصلی بررسی گردید. نتایج: سریهای زمانی NDVI، بارش و دما در مقیاس سالانه در دوره مورد مطالعه 23 ساله دارای روند صعودی غیرمعنیدار میباشند. با تحلیل همبستگی میان NDVI و بارش و دما، مشخص شد که در مقیاس سالانه، همبستگی NDVI با بارش به مقدار 31/0r = (05/0P-value =) و با دما به مقدار 15/0 r = (غیر معنی‌دار) است. در مقیاس فصلی، بیشترین ضرایب همبستگی NDVI و دما مربوط به فصل پاییز (14/0 r =) و بیشترین همبستگی با بارش مربوط به فصل بهار (75/0 r =) است. در مقیاس ماهانه، بیشترین و کمترین همبستگی مثبت با دما به‌ترتیب در ماه‌های جولای (31/0 r =) و فوریه (08/0 r = ) و بیشترین و کمترین همبستگی مثبت با بارش مربوط به ماه‌های مارس (38/0 r =) و سپتامبر (04/0 r = ) است. بر اساس میانگین ضرایب همبستگی 12 ماه، تأثیر بارش بر تغییرات پوشش گیاهی بیشتر از تأثیر دما بر آن است. نقشه تفاضلی شاخص NDVI بین سال ابتدا (2000) و انتهایی (2023) مورد بررسی نشان میدهد که مناطق دارای تغییرات مقادیر افزایشی و کاهشی پوشش گیاهی، دارای پراکنش نامنظمی هستند و از تغییرات مکانی خاصی پیروی نمیکنند. به عبارت دیگر، تغییرات در پوشش گیاهی در مناطق مختلف با تفاوتهای بسیاری در میزان و شکل دیده میشود. نتیجه‌گیری: استفاده از تکنیک‌های پیشرفته سنجش از دور مانند تحلیل سری‌های زمانی تصاویر ماهواره‌ای، ترکیب داده‌های چندمنبعی و الگوریتم‌های یادگیری ماشین به‌منظور بهبود تخمین NDVI و متغیرهای مختلف آب‌وهوایی، از جمله دما، بارش و تبخیر-تعرق مورد توجه قرار گرفته است. نتایج نشان می‌دهد که هر دو متغیر بارش و دما تأثیر مثبتی بر NDVI دارند، با این تفاوت که بارش تأثیر بیشتری را نشان میدهد. با این حال، شدت این تأثیر بسته به مقیاس زمانی متفاوت است. در مقیاس سالانه، NDVI بیشترین همبستگی مثبت را با هر دو متغیر بارش و دما داشته است. در فصل بهار بیشترین همبستگی بین NDVI و بارش و در تابستان بین NDVI و دما مشاهده شد. نتایج این تحقیق نشان می‌دهد که تغییرات پوشش گیاهی علاوه بر تأثیرات مستقیم متغیرهای اقلیمی، به‌طور غیرمستقیم نیز تحت تأثیر فعالیت‌های انسانی همچون تغییر کاربری اراضی، مدیریت منابع آب و بهره‌برداری از زمین در استان یزد قرار دارد. این یافته‌ها می‌توانند به درک عمیق‌تر تعاملات بین پوشش گیاهی، متغیرهای اقلیمی و فعالیت‌های انسانی کمک کنند. Background and objectives: Vegetation cover is affected by the interplay of precipitation and temperature, as the amount and timing of precipitation, along with temperature patterns, directly influence plant growth, distribution, and overall health. The Normalized Difference Vegetation Index (NDVI) serves as an indicator of surface vegetation condition and effectively reflects the impacts of environmental changes. Precipitation and temperature are key controlling factors in NDVI variations. This study aims to examine the effects of precipitation and temperature changes on NDVI values derived from MODIS data in Yazd Province over a 24-year period (2000 to 2023). Methodology: This study utilized NDVI data extracted from the MODIS sensor aboard the TERRA satellite. The NDVI index with a spatial resolution of 250 meters was generated every 16 days. These images, which include vegetation indices, are used for global vegetation monitoring, land cover representation, and its changes. The analysis of NDVI changes was performed in Google Earth Engine (GEE), and spatial analysis of the images was conducted using ArcGIS 10.8.3. Due to the lack of long-term precipitation and temperature data and the absence of suitably distributed meteorological stations in Yazd Province during the study period, ERA5-Land reanalysis data for the 24-year period (2000 to 2023) were utilized. The spatial resolution of ERA5-Land is 9 km, and its temporal resolution is hourly. Data processing related to the calculation of annual, monthly, and seasonal averages of NDVI, precipitation, and temperature was carried out, followed by trend analysis using the Mann-Kendall test. The correlation between NDVI and climatic variables (precipitation and temperature) was examined at the annual, monthly, and seasonal scales. Results: The time series of NDVI, precipitation, and temperature at the annual scale for the 23-year study period showed an insignificant upward trend. Correlation analysis between NDVI and precipitation and temperature revealed that at the annual scale, the correlation of NDVI with precipitation was 0.31 (r = 0.31, p-value = 0.05) and with temperature was 0.15 (non-significant). At the seasonal scale, the highest correlations between NDVI and temperature occurred in autumn (r = 0.14), while the highest correlation with precipitation occurred in spring (r = 0.75). At the monthly scale, the strongest positive correlation with temperature was observed in July (r = 0.31) and the weakest in February (r = 0.08), while the strongest positive correlation with precipitation occurred in March (r = 0.38) and the weakest in September (r = 0.04). Based on the average monthly correlation coefficients, the effect of precipitation on vegetation changes was found to be stronger than that of temperature. A differential map of NDVI between the start (2000) and end (2023) years indicated that areas with increasing and decreasing vegetation changes were scattered irregularly and did not follow any specific spatial pattern. Vegetation changes in different areas were observed with considerable variation in magnitude and form. Conclusion: The use of advanced remote sensing techniques, such as time series analysis of satellite images, the integration of multi-source data, and machine learning algorithms, has become a focus for improving NDVI estimation and other climatic variables, including temperature, precipitation, and evapotranspiration. The results indicate that both precipitation and temperature have a positive effect on NDVI, with precipitation having a greater impact. However, the intensity of this effect varies depending on the time scale. At the annual scale, NDVI showed the highest positive correlation with both precipitation and temperature. In spring, the highest correlation between NDVI and precipitation was observed, while in summer, the highest correlation occurred between NDVI and temperature. The findings of this study show that vegetation changes, in addition to the direct impacts of climatic variables, are also indirectly influenced by human activities such as land-use change, water resource management, and land exploitation in Yazd Province. These findings contribute to a deeper understanding of the interactions between vegetation cover, climatic variables, and human activities.   سنجنده, شاخص NDVI, MODIS, من-کندال Remote Sensing, NDVI, Climatic Variables, Mann-Kendall. 483 504 http://rangelandsrm.ir/browse.php?a_code=A-10-2732-1&slc_lang=fa&sid=1 Mahin Fooladi مهین فولادی m_fooladi@modares.ac.ir 100319475328460017922 100319475328460017922 No Department of Rangeland Management, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Noor گروه مهندسی مرتع، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور Mehdi Hayatzadeh مهدی حیات زاده mhayatzadeh@ardakan.ac.ir 100319475328460017923 100319475328460017923 Yes Department of Natural Engineering, Faculty of Agriculture and Natural Resources, Ardakan University, Ardakan, Iran گروه مهندسی طبیعت، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان