پديد آورندگان :
محمدي مقدم، سمانه دانشگاه محقق اردبيلي - دانشكده كشاورزي و منابع طبيعي - گروه مرتع و آبخيزداري , قرباني، اردوان دانشگاه محقق اردبيلي - دانشكده كشاورزي و منابع طبيعي - گروه مرتع و آبخيزداري , ارزاني، حسين دانشگاه تهران - دانشكده منابع طبيعي كرج - گروه احياي مناطق خشك و كوهستاني , عزيزي مبصر، جوانشير دانشگاه محقق اردبيلي - دانشكده كشاورزي و منابع طبيعي - گروه مهندسي آب , مصطفي زاده، رئوف دانشگاه محقق اردبيلي - دانشكده كشاورزي و منابع طبيعي - گروه مرتع و آبخيزداري
كليدواژه :
توليد مراتع , داده ماهواره‌اي , SAVI , PVI3 , RVI , NDVI
چكيده فارسي :
سابقه و هدف: امروزه با پيشرفت سنجنده‌هاي ماهواره‌اي، نقش آن‌ها در كسب اطلاعات و بررسي عوارض و پديده‌هاي زمين اهميتي روز افزون يافته است. يكي از اين اطلاعات ارزشمند كه مبناي بسياري از برنامه‌ريزي‌ها و تصميم‌گيري‌ها را در مراتع تشكيل مي‌دهد توليد خالص اوليه سطح زمين است. روش سنتي برآورد توليد، استفاده از اندازه‌گيري زميني است. هزينه بالا، زمان‌بر و طاقت‌فرسا بودن جمع‌آوري داده‌هاي زميني از محدوديت‌هاي روش سنتي ميباشد و اين روش را براي برآورد توليد مناطق با وسعت بالا فوقالعاده مشكل و پرهزينه مي‌نمايد. از اين‌رو هدف اين تحقيق مدل‌سازي توليد خالص اوليه سطح زمين با استفاده از شاخص‌هاي گياهي است.
مواد و روش‌ها: نمونه‌برداري از پوشش گياهي در مراتع ارتفاعات سبلان در استان اردبيل و محدوده ارتفاعي 1500 تا 3300 متر در سال 1395 انجام گرفت. در مجموع 9 سايت در منطقه انتخاب و در هر سايت 3 ترانسكت 100 متري با فاصله 50 متر از يكديگر قرار گرفت. در امتداد هر ترانسكت 5 پلات 1 متر مربعي با فاصله 20 متر از يكديگر مستقر و در هر پلات توليد خالص اوليه به تفكيك فرم رويشي شامل بوته‌ها، گندميان و پهن‌برگان علفي برداشت شد. نمونه‌هاي توليد خالص اوليه سطح زمين به مدت 24 ساعت در آون و در دماي 70 درجه سلسيوس قرار داده شد و سپس به‌منظور تعيين وزن خشك آن‌ها، توزين شدند. همچنين شاخص‌هاي گياهي شامل NDVI، PVI3، RVI و SAVI با استفاده از تصاوير ماهواره لندست 8، سنجنده OLI مربوط به سال 1394 محاسبه شد. با توجه به اينكه حداكثر رشد گياهان در منطقه در ماه خرداد است، تصاوير براي ماه خرداد انتخاب شدند. سپس با استفاده از مدل جمعي تعميميافته در نرم افزار R، رابطه توليد خالص اوليه كل و فرم‌هاي رويشي با شاخص‌هاي گياهي به‌صورت انفرادي و تركيبي به‌دست آمد. در نهايت توليد خالص اوليه سطح زمين با استفاده از روش رگرسيون غيرخطي مدل‌سازي شد.
نتايج: به‌كارگيري مدل‌هاي جمعي تعميميافته براي هر يك از شاخص‌هاي گياهي و توليد خالص اوليه كل و فرم رويشي به‌صورت انفرادي نشان مي‌دهد كه شاخص‌هاي گياهي NDVI، PVI3 و RVI داراي رابطه غيرخطي با توليد كل و فرم‌هاي رويشي هستند. اما شاخص SAVI با توليد خالص اوليه سطح زمين كل و گندميان داراي رابطه خطي است. همچنين همه شاخص‌هاي گياهي داراي رابطه معني‌دار با توليد خالص اوليه هستند. رتبه‌بندي شاخص‌هاي گياهي اثرگذار بر توليد خالص اوليه براساس ضريب تبيين نشان مي‌دهد كه با اهميت‌ترين و كم اهميت‌ترين شاخص گياهي به‌ترتيب براي بوته SAVI و PVI3، گندميان، پهن‌برگان علفي و كل PVI3 و SAVI هستند. در تحقيق حاضر بر خلاف انتظار شاخص پوشش گياهيNDVI ، كه در زمينه مطالعات پوشش گياهي كاربردهاي فراواني دارد و افزايش مقادير آن بيانگر وجود پوشش گياهي بيشتر در منطقه است، در مدل جمعي تعميميافته و بررسي توامان رابطه شاخص‌هاي گياهي و ANPP رابطه معني‌داري را نشان نداد. نتايج مدل‌سازي نشان داد كه رگرسيون غيرخطي به‌طور قابل توجهي باعث افزايش صحت برآورد ANPP با استفاده از شاخص‌هاي گياهي شده است. ميزان ضريب تبيين براي توليد كل (80/0) بيشتر از بوته‌ها (74/0)، گندميان (75/0)، پهن‌برگان علفي (56/0) است و از ميان فرم‌هاي رويشي پهن‌برگان علفي كم‌ترين مقدار ضريب تبيين را دارند.
نتيجه‌گيري: براساس نتايج شاخص گياهي مناسب به‌منظور برآورد توليد فرم‌هاي رويشي مختلف متفاوت است. همچنين برآورد ANPP با استفاده از شاخص‌هاي گياهي در سطح كل دقيق‌تر از فرم‌هاي رويشي است. با توجه به نتايج به دست آمده از اين تحقيق، تصوير OLI و استفاده از مدل‌هاي رگرسيوني غيرخطي توانستند به مقدار مناسبي ANPP را در منطقه پژوهش برآورد كنند. از اين‌رو در صورت كسب نتايج مشابه در ديگر مناطق اردبيل، امكان تعميم نتايج و زمينه برآورد اين شاخص اكولوژيكي مهم با صرف زمان و هزينۀ كم‌تر فراهم خواهد شد. همچنين از اين ابزار مي‌توان جهت تأمين اطلاعات از ميزان توليد علوفه و در نتيجه تعيين ظرفيت و ميزان دام و همچنين ميزان تخريب مرتع، استفاده كرد.
چكيده لاتين :
Background and objectives: Alongside with the progresss in satellite sensors, their role on obtaining information and study of the environmental events and phenomena have become increasingly important. One of these precious data which is the basis for many planning and decision making in rangelands, is the above ground net primary production assements. The traditional method of estimating ANPP is clipping and weighing. The high cost, time compseation and difficulty in cliping are the limitations of the traditional method, which makes it extremely difficult and expensive to estimate the ANPP of large areas. Thus, the aim of this study was to estimate above ground net primary production (ANPP) using vegetation indices.
Methodology: Sampling of vegetation was performed in rangelands of Sabalan elevations in Ardabil province in altitude ranges from 1500 to 3300 meters in 2016. Nine sites were selected in study area and in each site three 100 m transects were placed with 50 m interval. Along each transect 5 plots (1 square meter) with 20 m from each other was placed and in each plot, total production and life forms including shrubs, grasses and forbs ANPP were measured. The initial net production samples were placed in an oven at 70 ° C for 24 hours and then weighed to determine their dry weight. Furthermore, veg/etation indices including NDVI, PVI3, RVI and SAVI were calculated using data of Landsat 8 Operational Land Imager (OLI) images for 2015. Due to the fact that the maximum growth of vegetation in the region is in June, the images were also selected at the same time. Then using general additive model in software R, curve of relationship between ANPP and vegetation was analyzed in two way Individual and Combined data. Finally, ANPP was modeled using non-linear regression.
Results: The application of generalized additive models for each of the vegetation indices with total ANPP and life forms separately shows that NDVI, PVI3 and RVI have a nonlinear relationship with total ANPP and life forms. However, the SAVI index has a linear relationship with the ANPP of total and grasses. Also, all vegetation indices have a significant relationship with ANPP. The ranking of vegetation indices affecting the ANPP based on the coefficient of determination shows that the most important and least important plant indices are SAVI and PVI3 for shrubs, and PVI3 and SAVI for grasses, forbs and total ANPP. In the present study, contrary to expectations, NDVI vegetation index, which has many applications in the vegetation studies and its increase indicates the presence of more vegetation in the region, in the generalized additive model and the combined study of vegetation index and ANPP show a nonsignificant relationship. Results showed that nonlinear regression significantly increased the accuracy of ANPP estimation using vegetation indices. The coefficient of determination for total ANPP (0.80) is more than shrubs (0.74), grasses (0.75), and forbs (0.56) and among the life forms, forbs have the lowest coefficient of determination.
Conclusion: Based on the results, suitable vegetation index for estimate the ANPP of life forms are different. Also, ANPP estimation using vegetative indices at the total level is more accurate than life forms. According to The results, the OLI image and the use of nonlinear regression models were able to adequately estimate the ANPP in the study area. Therefore, if similar results are obtained in other areas of Ardabil, it will be possible to generalize the results and estimate this important ecological indicator with less time and cost. This tool can also be used to provide information on the amount of forage production and thus determine the stocking rate, as well as the degree of pasture degradation.
