مهدی مومنی شهرکی

متغیرهای اقلیمی مهم ترین عوامل تأثیرگذار بر تغییرات پوشش گیاهی محسوب می شوند. امروزه از تصاویر ماهواره ای به طور گسترده ای برای بررسی اثر نوسانات متغیرهای اقلیمی بر تغییرات پوشش گیاهی استفاده می گردد. هدف از پژوهش حاضر بررسی رابطه متغیر اقلیمی بارش، دما و رطوبت بر تغییرات شاخص های پوشش گیاهی باغات پرتقال حسن آباد داراب با استفاده از داده های ماهواره ای می باشد. بدین منظور داده های مشاهداتی، شامل داده های فنولوژی درخت پرتقال و داده های هواشناسی در بازه زمانی ده ساله (1385 تا 1395) مربوط به ایستگاه هواشناسی کشاورزی حسن آباد داراب جمع آوری شده است. تصاویر سنجنده مودیس برای سال 1385 تا 1395 با توجه به داده های زمینی و نقشه های 1:25000 سازمان نقشه برداری زمین مرجع شدند. این تصاویر برای محاسبه شاخص های پوشش گیاهی سنجش ازدوری شامل شاخص تفاضلی نرمال شده پوشش گیاهی (NDVI)، شاخص وضعیت پوشش گیاهی (EVI) استفاده گردید. نتایج نشان داد که متغیرهای حداکثر رطوبت، حداقل دما و بارش دارای تأثیر مثبت معنی دار بر متغیر NDVI هستند. به علاوه متغیرهای حداکثر دما، حداقل رطوبت دارای تأثیر منفی معنی دار بر متغیر وابسته NDVI و EVI هستند. به منظور تعیین اهمیت هریک از متغیرهای مستقل در پیش بینی متغیرهای وابسته از روش شبکه عصبی مصنوعی استفاده شد. یافته ها نشان داد که عناصر اقلیمی بارش، حداقل دما، حداکثر دما، حداقل رطوبت و حداکثر با مقادیر به ترتیب (39/0، 3/0، 13/0، 1/0 و 06/0 ) بیشترین تأثیر را بر EVI دارند. به علاوه تاثیر این متغیرها بر شاخص NDVI به ترتیب ضرایب آنها (2/0، 28/0، 22/0، 11/0 و 17/0) می باشد.درنهایت به منظور افزایش قدرت توضیح دهندگی مدل از روش رگرسیون ARMAX استفاده شد. نتایج نشان داد استفاده از این روش منجر به افزایش قدرت توضیح دهندگی مدل، کاهش خطای پیش بینی می گردد.

سری های زمانی شاخص های گیاهی سنجش از دور امکان بازیابی فنولوژی گیاهان را در سطح زمین فراهم کرده است. ابرها، رطوبت، و هواویزها باعث ایجاد نوفه در سیگنال های دریافتی سنجنده های ماهواره ای می شوند و در نتیجه کیفیت سری های زمانی کاهش می یابد. برای رفع این مشکل و بازسازی سری های زمانی، چندین تابع هموارسازی داده ها برای حذف نوفه استفاده می شود که، به دلیل اختلاف نظر درمورد عملکرد آن ها، مقایسه بین آن ها لازم است. اهداف این تحقیق ارزیابی عملکرد توابع مختلف هموارسازی در نرم افزار TIMESAT و تأثیرات آن ها در بازسازی سری های زمانی و برآورد پارامترهای فنولوژیکی آغاز فصل رشد (SOS) و پایان فصل رشد (EOS) با استفاده از داده های نمایه Greenness (سبزینگی) ماهواره لندست 8 است. پالایشگر ساویتزکی- گولی (S-G)، تابع نامتقارن گوسی (AG)، و لجستیک دوگانه (DL) برای برازش داده های Greenness   استفاده شد و عملکرد آن ها با استفاده از اندازه گیری خطای مجذور میانگین مربع (RMSE) و ضریب همبستگی پیرسون (r) ارزیابی شد. نتایج نشان داد که روش هموارسازی S-G در بازسازی سری های زمانی از دقت بیشتری (935/0 = r) برخوردار است. در برآورد پارامترهای فنولوژی، تابع هموارساز DL در برآورد آغاز فصل و تابع هموارساز AG در برآورد پایان فصل به ترتیب با 8 و 14 روز اختلاف با داده های مشاهداتی بهترین عملکرد را داشتند. این مطالعه نشان داد که روش های هموارسازی نرم افزار TIMESAT عملکرد مناسبی دارند

سری های زمانی شاخص های گیاهی سنجش از دورامکان بازیابی فنولوژی گیاهان را در سطح زمین فراهم کرده است، اما این سری زمانی توسط ابرها و رطوبت و هواویزها تحت تأثیر قرارمی گیرند و باعث ایجاد نوفه در سیگنال های دریافتی سنسورهای ماهواره ای می شوند. برای بر طرف کردن این مشکل، چندین تابع هموارسازی داده ها برای حذف نوفه استفاده می شود که به دلیل اختلاف نظر در مورد عملکرد آنها، مقایسه بین آن ها لازم است. پارامترهای فنولوژیکی مشتق شده از ماهواره به طور خاص اطلاعاتی در مورد فنولوژی یک گیاه، گونه ها یا فازهای آن (به عنوان مثال، باز شدن جوانه، ظهور برگ، باز شدن برگ و گلدهی) ارائه نمی دهند. شاخص های گیاهی سنجش از دور معمولاً قادر به تخمین چند پارامتر فنولوژیکی مانند شروع فصل SOS، پایان فصل EOS هستند. هدف این پژوهش، ارزیابی سه روش هموارسازی سری های زمانی، با استفاده از معیارهای آماری، داده های درجا و پارامترهای فنولوژی استخراج شده از شاخص تفاضل نرمال شده پوشش گیاهی NDVI حاصل از تصاویر ماهواره لندست 8، از مزرعه کلزا واقع در منطقه فرخ شهر استان چهارمحال و بختیاری، است. روش های هموارسازی توسط بسته نرم افزاری TIMESAT استفاده شد که شامل روش های ساویتزکی- گولی S-G، تابع نامتقارن گاوسی AG و تابع لجستیکی دوگانه DL است. نتایج نشان داد که در صورت استفاده ی بهینه از پارامترهای هموارسازی، روش هموارسازی S-G در بازسازی سری های زمانی از دقت بیشتری 0/98=r نسبت به سایر روش ها برخوردار است. همچنین، نتایج نشان داد که معیار آماری ضریب همبستگی پیرسون در مقایسه با مجذور میانگین مربعات خطا شاخص قوی تر برای بازسازی سری های زمانی است. در برآورد پارامترهای فنولوژی نیز، تابع هموارساز DL با اختلاف برآورد یک روز برای آغاز فصل SOS و 9 روز برای پایان فصل EOS کمترین میزان خطا را با داده های فنولوژی مشاهداتی داشت.