بررسي سازگاري گياهان مناطق بياباني نسبت به تغييرات بارندگي با استفاده از شاخص گياهي NDVI (مطالعه موردي: دشت اردكان-عقدا)

Investigation of arid vegetation compatibility toward precipitation variation with NDVI index (a case study, Ardakan-Aghda plain)

پايش خشكسالي يكي از مهمترين برنامه‌هاي مديريت به حساب مي آيد، اما هزينه‌هاي اقتصادي، وسعت عرصه‌هاي طبيعي و صعب‌العبور بودن مناطق مختلف از عواملي هستند كه پايش مناطق را با مشكل مواجه مي سازند بنابراين امروزه از تصاوير ماهواره اي به عنوان يكي از سريعترين و كم هزينه ترين روش‌ها جهت پايش و مديريت مناطق مورد استفاده قرار مي‌گيرد. در اين مطالعه از تصاوير ماهواره اي نوآ و مقادير بارندگي فصلي و سالانه از سال 1982 تا 2005 استفاده شد و تاثير بارندگي بر پوشش گياهي بخشي از استان يزد (منطقه اردكان- عقدا) مورد مطالعه قرار گرفت، براي محاسبه ميزان بارش در هر تيپ گياهي 92 نقشه بارش با استفاده از آمار هواشناسي و پهنه‌بنديStance Weighting Interpolation) ) تهيه شدند. نتايج اين تحقيق نشان داد كه در منطقه مورد مطالعه شاخص هاي گياهي NDVIو بارندگي به تنهايي قادر به توصيف پوشش گياهي منطقه نخواهد بود كه اين امر ضرورت استفاده از روش‌هاي رگرسيون چند متغيره با كمك ساير عوامل اقليمي را نشان مي دهد علاوه بر اين به دليل همبستگي بسيار پايين بين بارندگي و شاخص NDVI، بيانگر اين است كه اين شاخص كارايي لازم را در پايش اين منطقه ندارد بهتر است از شاخص‌هاي گياهي و تصاوير ماهواره‌اي با دقت بيشتر استفاده شود.

Drought monitoring is a important management program, but have some limitation as economical, huge and arduous natural areas. Then nowadays have been used satellite images for drought monitoring and management of areas as fastest and low cost method. In this research have been used NOAA satellite images and annual/seasonal precipitation data during 2005-1982 then studied effect of Precipitation on vegetation cover in a part of Yazd province (Ardakan- Aghda area). The 92 precipitation maps have been prepared For determination of precipitation value in every vegetation type by using climate data and classified by distance weighting interpolation method. The results show an alone vegetation index could not define vegetation cover of study area that necessary to used multi-regression methods with other climatic factors. Furthermore, this index is not useful for arid area because have very low correlation between INDVI index and precipitation then is necessary to use other indexes and satellite images with more quality.